JP2011108194A - Demand prediction device and demand prediction method - Google Patents

Demand prediction device and demand prediction method Download PDF

Info

Publication number
JP2011108194A
JP2011108194A JP2009265512A JP2009265512A JP2011108194A JP 2011108194 A JP2011108194 A JP 2011108194A JP 2009265512 A JP2009265512 A JP 2009265512A JP 2009265512 A JP2009265512 A JP 2009265512A JP 2011108194 A JP2011108194 A JP 2011108194A
Authority
JP
Japan
Prior art keywords
user
demand
demands
regression equation
demand prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2009265512A
Other languages
Japanese (ja)
Other versions
JP5118684B2 (en
JP2011108194A5 (en
Inventor
Sadanori Aoyagi
禎矩 青柳
Daizo Ikeda
大造 池田
Kyo Odawara
亨 小田原
Tomohiro Nagata
智大 永田
Ichiro Okajima
一郎 岡島
Motonari Kobayashi
基成 小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to JP2009265512A priority Critical patent/JP5118684B2/en
Priority to PCT/JP2010/070379 priority patent/WO2011062159A1/en
Publication of JP2011108194A publication Critical patent/JP2011108194A/en
Publication of JP2011108194A5 publication Critical patent/JP2011108194A5/ja
Application granted granted Critical
Publication of JP5118684B2 publication Critical patent/JP5118684B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Abstract

<P>PROBLEM TO BE SOLVED: To provide a demand prediction device and a demand prediction method, capable of further accurately performing demand prediction. <P>SOLUTION: A demand prediction server 10 includes a call record DB1 which acquires estimated population information showing population estimated in a predetermined area; a prediction explanatory variable DB2 which acquires factor information that is a change factor of the population in the predetermined area; an attribute separation unit 3 which determines whether a user who requests providing of service is a new user; and a coefficient determination unit 4 which predicts the number of demands by regressively analyzing the estimated population information acquired by the call record DB1, the factor information acquired by the prediction explanatory variable DB2, and the determination result by the attribute separation unit 3. <P>COPYRIGHT: (C)2011,JPO&INPIT

Description

本発明は、サービスの利用を望む利用者の需要件数を予測する需要予測装置と、当該需要予測装置が行なう需要予測方法とに関する。   The present invention relates to a demand prediction apparatus that predicts the number of demands of users who desire to use a service, and a demand prediction method performed by the demand prediction apparatus.

従来、タクシー等の車両の配車サービスの需要件数を予測するシステムが各種提案されている。例えば特許文献１には、予め定められた場合分けごとに決定された需要実績データと変動要因実績データとの関係を用いて配車の需要予測を行う車両需要予測システムが開示されている。   Conventionally, various systems for predicting the number of demands for vehicle dispatch services such as taxis have been proposed. For example, Patent Document 1 discloses a vehicle demand prediction system that performs a demand prediction of dispatch using a relationship between demand result data and variation factor result data determined for each predetermined case.

特開２００１−８４２４０号公報JP 2001-84240 A

特許文献１に記載の車両需要予測システムが需要予測を行う際に用いるのは、車両の空車、賃走、迎車、休憩の四状態の各状態間で車両状態が遷移した時刻を示す需要実績データであって、タクシー等の車両を必要としていると推測される人数を示す需要数データでないため、この需要数データに基づいて需要予測を行なうことに関してはなんら考慮されていない。これにより、需要予測における予測精度が悪くなるおそれがあるという問題がある。   The vehicle demand prediction system described in Patent Document 1 uses demand record data indicating the time when the vehicle state transitions between each of the four states of an empty vehicle, a rent, a pickup vehicle, and a break. However, since it is not demand number data indicating the number of people estimated to need a vehicle such as a taxi, no consideration is given to performing demand prediction based on this demand number data. Thereby, there exists a problem that the prediction precision in demand prediction may worsen.

そこで本発明は、上記の問題点を解消する為になされたものであり、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することを目的とする。   Accordingly, the present invention has been made to solve the above-described problems, and an object thereof is to provide a demand prediction apparatus and a demand prediction method capable of performing demand prediction with higher accuracy.

本発明に係る需要予測装置は、サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、所定エリアにおける推定人口情報を取得する推定取得手段と、所定エリアにおける人口の変化要因となる要因情報を取得する要因取得手段と、サービスの提供を要請した利用者は新規利用者であるか否かを判定する判定手段と、推定取得手段によって取得された推定人口情報と、要因取得手段によって取得された要因情報と、判定手段による判定結果とを用いて回帰分析することによって、需要件数を予測する予測手段と、を備え、予測手段は、利用者は判定手段によって新規利用者であると判断された利用者の需要件数に関する第一の回帰式と、利用者は判定手段によって新規利用者でないと判断された利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて需要件数を予測することを特徴とする。   A demand prediction apparatus according to the present invention is a demand prediction apparatus for predicting the number of demands of users who desire to use a service, and includes an estimation acquisition means for acquiring estimated population information in a predetermined area, and a population change factor in the predetermined area. Factor acquisition means for acquiring factor information, determination means for determining whether or not the user who requested the provision of the service is a new user, estimated population information acquired by the estimation acquisition means, and factor acquisition A prediction means for predicting the number of demands by performing regression analysis using the factor information acquired by the means and the determination result by the determination means, and the prediction means is a new user by the determination means. The first regression equation regarding the number of demands of users judged to be the first regression and the number of demands of users judged to be non-new users by the judging means. And the number of demands for new users obtained using the first regression formula, and the number of demands for non-new users obtained using the second regression formula, respectively. It is also characterized by predicting the number of demands.

本発明に係る需要予測装置では、まず、推定人口情報を取得し、サービスの提供を要請した利用者は新規利用者であるか否かを判定する。更に、新規利用者であると判断された利用者の需要件数に関する第一の回帰式と、新規利用者でないと判断された利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて需要件数を予測する。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、新規利用者に関する需要件数と、新規利用者でない利用者に関する需要件数とを併せて需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。   In the demand prediction apparatus according to the present invention, first, estimated population information is acquired, and it is determined whether or not the user who requested the provision of the service is a new user. Further, a first regression equation relating to the number of demands of users determined to be new users and a second regression equation relating to the number of demands of users judged not to be new users are obtained, respectively. The number of demands is predicted by combining the number of demands for new users obtained using one regression equation and the number of demands for users who are not new users obtained using the second regression equation. Here, there is a correlation that the greater the population indicated by the acquired estimated population information, the greater the number of people estimated to require service provision. In the demand prediction apparatus according to the present invention, not only the above estimated population information having a correlation with the number of persons estimated to require service provision is taken into account, but also the number of demands related to new users and new Since the number of demands is predicted together with the number of demands related to users who are not users, it is possible to perform demand prediction with higher accuracy.

また、推定取得手段は、所定エリアにおいて所定時間内に携帯端末による位置登録処理及び発着信処理のうち少なくとも一方が行われた処理件数に関する件数情報を推定人口情報として取得するのも好ましい。ここで、推定取得手段によって取得された件数情報によって示される位置登録処理及び発着信処理のうち少なくとも一方が行われた処理件数が多くなるほど、携帯端末の保有者が多いと推測されるため、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このため、この構成により、人口の動的な変化を推定することができるようになるため、より精度良く需要予測を行なうことが可能になる。   In addition, it is also preferable that the estimated acquisition unit acquires, as estimated population information, number information relating to the number of processes in which at least one of position registration processing and outgoing / incoming call processing by a mobile terminal is performed within a predetermined time in a predetermined area. Here, since it is estimated that the more the number of processes in which at least one of the location registration process and the outgoing / incoming process indicated by the number information acquired by the estimation acquisition unit is performed, the more mobile terminals are held, the service There is a correlation that the number of people estimated to be in need is increased. For this reason, this configuration makes it possible to estimate a dynamic change in the population, and thus it is possible to perform demand prediction with higher accuracy.

また、判定手段は、サービスの提供を要請した利用者に関する属性を判定し、予測手段は、利用者は判定手段によって所定の属性を有すると判断された利用者の需要件数に関する第三の回帰式と、利用者は判定手段によって所定の属性を有していないと判断された利用者の需要件数に関する第四の回帰式とをそれぞれ求め、当該第三の回帰式を用いて得られた所定の属性の利用者に関する需要件数と、当該第四の回帰式を用いて得られた所定の属性を有していない利用者に関する需要件数とを併せて需要件数を予測するのも好ましい。この構成により、サービスの提供を必要としていると推測される人数が所定の属性の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   The determining means determines an attribute relating to the user who requested the provision of the service, and the predicting means is a third regression equation relating to the number of user demands for which the user is determined to have the predetermined attribute by the determining means. And the user obtains a fourth regression equation relating to the number of user demands determined not to have the predetermined attribute by the determination means, and the predetermined regression value obtained using the third regression equation is obtained. It is also preferable to predict the number of demands by combining the number of demands related to attribute users and the number of demands related to users who do not have the predetermined attribute obtained using the fourth regression equation. With this configuration, it is possible to perform demand prediction with higher accuracy when the number of persons estimated to be required to provide services differs depending on the difference in predetermined attributes.

また、判定手段は、サービスの提供を要請した利用者に関する属性として性別を判定し、予測手段は、利用者は判定手段によって男性であると判断された利用者の需要件数に関する第三の回帰式と、利用者は判定手段によって女性であると判断された利用者の需要件数に関する第四の回帰式とをそれぞれ求め、当該第三の回帰式を用いて得られた男性利用者に関する需要件数と、当該第四の回帰式を用いて得られた女性利用者に関する需要件数とを併せて需要件数を予測するのも好ましい。この構成により、サービスの提供を必要としていると推測される人数が性別の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   The determining means determines gender as an attribute relating to the user who requested the provision of the service, and the predicting means is a third regression equation relating to the demand number of the user who is determined to be male by the determining means. And the user obtains a fourth regression equation relating to the demand number of the user determined to be female by the judging means, respectively, and the demand number relating to the male user obtained using the third regression equation, It is also preferable to predict the number of demands together with the number of demands for female users obtained using the fourth regression equation. With this configuration, when the number of persons estimated to be in need of service varies depending on gender, it is possible to perform demand prediction with higher accuracy.

また、判定手段は、判定手段は、サービスの提供を要請した利用者の年齢の年齢層を判定し、予測手段は、利用者は判定手段によって所定の年齢層であると判断された利用者の需要件数に関する第五の回帰式と、利用者は判定手段によって所定の年齢層でないと判断された利用者の需要件数に関する第六の回帰式とをそれぞれ求め、当該第五の回帰式を用いて得られた所定の年齢層の利用者に関する需要件数と、当該第六の回帰式を用いて得られた所定の年齢層でない利用者に関する需要件数とを併せて需要件数を予測するのも好ましい。この構成により、サービスの提供を必要としていると推測される人数が年齢層の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   Further, the determining means determines the age group of the user who requested the provision of the service, and the predicting means determines the user's age group determined to be a predetermined age group by the determining means. The fifth regression formula for the number of demands and the sixth regression formula for the number of demands for users who are determined not to be in the specified age group by the judging means are obtained, and the fifth regression formula is used. It is also preferable to predict the number of demands by combining the obtained number of demands for users of a predetermined age group and the number of demands for users who are not a predetermined age group obtained using the sixth regression equation. With this configuration, when the number of persons estimated to require service provision differs depending on the age group, it is possible to perform demand prediction with higher accuracy.

また、要因情報は、所定エリアにおける天候に関する天候情報を含むのも好ましい。この構成により、サービスの提供を必要としていると推測される人数が天候の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   The factor information preferably includes weather information regarding the weather in the predetermined area. With this configuration, when the number of persons estimated to require service provision varies depending on the weather, it is possible to perform demand prediction with higher accuracy.

また、要因情報は、所定エリアにおいて行われるイベントに関するイベント情報を含むのも好ましい。この構成により、サービスの提供を必要としていると推測される人数が、所定エリアにおいて行なわれるイベントの違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   Moreover, it is preferable that the factor information includes event information related to events performed in a predetermined area. With this configuration, it is possible to perform demand prediction with higher accuracy when the number of persons estimated to be in need of service varies depending on the difference in events performed in a predetermined area.

本発明に係る需要予測方法は、サービスの利用を望む利用者の需要件数を予測する需要予測装置が行なう需要予測方法であって、所定エリアにおいて推定される人口を示す推定人口情報を需要予測装置が取得する推定取得ステップと、所定エリアにおける人口の変化要因となる要因情報を需要予測装置が取得する要因取得ステップと、サービスの提供を要請した利用者は新規利用者であるか否かを需要予測装置が判定する判定ステップと、推定取得ステップで取得された推定人口情報と、要因取得ステップで取得された要因情報と、判定ステップでの判定結果とを用いて需要予測装置が回帰分析することによって、需要件数を予測する予測ステップと、を有し、予測ステップでは、利用者は判定ステップで新規利用者であると判断された利用者の需要件数に関する第一の回帰式と、利用者は判定ステップで新規利用者でないと判断された利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて需要件数を予測することを特徴とする。   A demand prediction method according to the present invention is a demand prediction method performed by a demand prediction device for predicting the number of demands of users who desire to use a service, and the estimated population information indicating a population estimated in a predetermined area is obtained as a demand prediction device. Demand acquisition step, demand factor acquisition step by which the demand forecasting device acquires factor information that causes the change of population in a predetermined area, and whether the user who requested the service is a new user demand The demand prediction device performs regression analysis using the determination step determined by the prediction device, the estimated population information acquired in the estimation acquisition step, the factor information acquired in the factor acquisition step, and the determination result in the determination step. A prediction step for predicting the number of demands, in which the user is determined to be a new user in the determination step. The first regression formula for the number of demands of the user and the second regression formula for the number of demands of users who are determined not to be new users in the judgment step, respectively, and using the first regression formula It is characterized by predicting the number of demands by combining the number of demands for new users obtained and the number of demands for users who are not new users obtained by using the second regression equation.

本発明に係る需要予測方法では、まず、推定人口情報を取得し、サービスの提供を要請した利用者は新規利用者であるか否かを判定する。更に、新規利用者であると判断された利用者の需要件数に関する第一の回帰式と、新規利用者でないと判断された利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて需要件数を予測する。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このように、本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の処理件数を考慮に入れているだけでなく、新規利用者に関する需要件数と、新規利用者でない利用者に関する需要件数とを併せて需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。   In the demand prediction method according to the present invention, first, estimated population information is acquired, and it is determined whether or not the user who requested the provision of the service is a new user. Further, a first regression equation relating to the number of demands of users determined to be new users and a second regression equation relating to the number of demands of users judged not to be new users are obtained, respectively. The number of demands is predicted by combining the number of demands for new users obtained using one regression equation and the number of demands for users who are not new users obtained using the second regression equation. Here, there is a correlation that the greater the population indicated by the acquired estimated population information, the greater the number of people estimated to require service provision. As described above, in the demand prediction apparatus according to the present invention, not only the above-mentioned number of processes correlated with the number of persons estimated to be required to provide services, but also the number of demands related to new users. Since the demand number is predicted together with the demand number related to the user who is not a new user, the demand prediction can be performed with higher accuracy.

本発明によれば、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することができる。   ADVANTAGE OF THE INVENTION According to this invention, the demand prediction apparatus and demand prediction method which can perform a demand prediction more accurately can be provided.

需要予測サーバの機能を説明するための機能説明図である。It is a function explanatory view for explaining a function of a demand prediction server. 需要予測サーバの機能別モジュール構成の概略を説明するための機能構成図である。It is a functional block diagram for demonstrating the outline of the module structure according to function of a demand prediction server. 需要予測サーバの物理構成の概略を説明するための物理構成図である。It is a physical block diagram for demonstrating the outline of the physical structure of a demand prediction server. 着信日時とコール元電話番号との記憶形式の一例を説明するＤＢ構成図である。It is DB block diagram explaining an example of the storage format of an incoming date and time and a caller telephone number. コール元電話番号と顧客番号と属性との記憶形式の一例を説明するＤＢ構成図である。It is DB block diagram explaining an example of the memory | storage format of a caller telephone number, a customer number, and an attribute. 予測された需要件数を表形式で表した場合の一例を説明する説明図である。It is explanatory drawing explaining an example at the time of expressing the predicted demand number in a table format. 予測された需要件数をグラフ形式で表した場合の一例を説明するグラフである。It is a graph explaining an example at the time of expressing the demand number predicted in the graph format. コール元が既存顧客であるか否かの判定分離処理の流れを示すフローチャートである。It is a flowchart which shows the flow of the determination separation process of whether a call origin is an existing customer. 説明変数を求めて確定させる変数確定処理の流れを示すフローチャートである。It is a flowchart which shows the flow of the variable confirmation process which calculates | requires and fixes an explanatory variable. 属性別に説明変数を求める算出処理の流れを示すフローチャートである。It is a flowchart which shows the flow of the calculation process which calculates | requires explanatory variables for every attribute. 回帰式を用いて需要件数を予測する需要予測処理の流れを示すフローチャートである。It is a flowchart which shows the flow of the demand prediction process which estimates the number of demands using a regression type. 需要予測サーバによって行なわれる処理全体の流れを示すフローチャートである。It is a flowchart which shows the flow of the whole process performed by a demand prediction server.

以下、添付図面を参照しながら本発明の好適な実施形態を説明する。なお、図面の説明において同一要素には同一符号を付し、重複する説明を省略する。   Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings. In the description of the drawings, the same elements are denoted by the same reference numerals, and redundant description is omitted.

（１）需要予測サーバの機能
まず、本実施形態に係る需要予測装置としての需要予測サーバについて、図１を用いて説明する。図１は、この需要予測サーバの機能を説明するための機能説明図である。需要予測サーバは、図１に示されるように、例えば、タクシー会社に配備され、タクシーの配車サービスの利用を望む利用客からの需要としての呼び出しコールの数や、所定エリア毎の乗車数を需要件数として予測する装置である。このように呼び出しコールの数や乗車数を予測することにより、コール対応に必要な数のオペレータの配備等の対策を行なうことが可能になり、タクシーの配車の手配を円滑に行なうことができるようになる。 (1) Function of Demand Forecasting Server First, a demand forecasting server as a demand forecasting apparatus according to this embodiment will be described with reference to FIG. FIG. 1 is a function explanatory diagram for explaining the function of the demand prediction server. As shown in FIG. 1, the demand prediction server is installed in a taxi company, for example, and demands the number of call calls as demand from customers who want to use the taxi dispatch service and the number of passengers in each predetermined area. It is a device that predicts the number of cases. By predicting the number of calls and the number of passengers in this way, it becomes possible to take measures such as deploying the number of operators necessary for handling calls, so that taxi dispatch can be arranged smoothly. become.

ここでは、需要予測サーバはタクシーの配車サービスの需要を予測するサーバとして説明するが、需要予測の対象となるサービスは、例えば電話等による受付時に新規顧客・既存顧客の区別が可能であれば特に限定されず、例えば、通信販売の受発注による宅配サービスであってもよく、宿泊予約の受付サービスであってもよい。更に、顧客によって指定された場所に車両を向かわせるサービスとしての、ピザや寿司といった料理の出前サービスであってもよく、福祉車両・介護車両による送迎サービスであってもよく、米や灯油といった生活必需品の配達サービスであってもよい。   Here, the demand prediction server will be described as a server that predicts the demand for taxi dispatch services, but the service that is the target of demand prediction is particularly if it is possible to distinguish between new customers and existing customers at the time of reception by telephone, for example. It is not limited, For example, the delivery service by mail order ordering may be sufficient, and the accommodation reservation reception service may be sufficient. Furthermore, it may be a food delivery service such as pizza or sushi serving as a service that directs the vehicle to a location designated by the customer, or it may be a pick-up service using a welfare vehicle or a nursing care vehicle, such as rice or kerosene. It may be a delivery service for necessities.

この需要件数の予測は、新規顧客に関して予測された需要件数と、既存顧客に関して予測された需要件数とを合計して算出することによって行なわれる。新規顧客に関する需要件数の予測は、新規顧客に関するコール数のログや人口情報・天気情報・イベント情報等に基づいて行なわれ、既存顧客に関する需要件数の予測は、既存顧客に関するコール数のログや人口情報・天気情報・イベント情報等に基づいて行なわれる。   The prediction of the number of demands is performed by calculating the sum of the number of demands predicted for new customers and the number of demands predicted for existing customers. The number of demands related to new customers is estimated based on the number of calls related to new customers, population information, weather information, event information, etc. The number of demands related to existing customers is predicted based on the number of calls related to existing customers and the population It is performed based on information, weather information, event information, and the like.

（２）需要予測サーバの構成
引き続き、需要予測サーバの構成について、図２及び図３を用いて説明する。図２は、この需要予測サーバ１０の機能別モジュール構成の概略を説明するための機能構成図であり、図３は、この需要予測サーバ１０の物理構成の概略を説明するための物理構成図である。 (2) Configuration of Demand Prediction Server Next, the configuration of the demand prediction server will be described using FIG. 2 and FIG. FIG. 2 is a functional configuration diagram for explaining an outline of the functional module configuration of the demand prediction server 10, and FIG. 3 is a physical configuration diagram for explaining an outline of a physical configuration of the demand prediction server 10. is there.

需要予測サーバ１０は、図３に示されるように、物理的な構成要素としてＣＰＵ１０１、ＲＡＭ１０２、ＲＯＭ１０３、通信モジュール１０４、及び補助記憶装置１０５等のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。   As shown in FIG. 3, the demand prediction server 10 includes hardware such as a CPU 101, a RAM 102, a ROM 103, a communication module 104, and an auxiliary storage device 105 as physical components. When these components operate, the functions described below are exhibited.

需要予測サーバ１０は、図２に示されるように、機能的な構成要素として、コール記録ＤＢ１（推定取得手段）、予測説明変数ＤＢ２（要因取得手段）、属性分離部３（判定手段）、係数確定部４（予測手段）、需要予測部５（予測手段）、既存顧客ＤＢ６（既存顧客記憶手段）、及び説明変数ＤＢ７（説明変数記憶手段）を備えている。   As shown in FIG. 2, the demand prediction server 10 includes, as functional components, a call record DB 1 (estimation acquisition unit), a prediction explanatory variable DB 2 (factor acquisition unit), an attribute separation unit 3 (determination unit), a coefficient A determination unit 4 (prediction unit), a demand prediction unit 5 (prediction unit), an existing customer DB 6 (existing customer storage unit), and an explanatory variable DB 7 (explanation variable storage unit) are provided.

コール記録ＤＢ１は、タクシー配車サービスの利用を望む利用客からの需要としての呼び出しコールを受けた着信日時と、この呼び出しコールを行なったコール元の電話番号とを関連付けて記憶するデータベースである。この着信日時とコール元電話番号との記憶形式の一例については後述する。また、コール記録ＤＢ１は、例えば半径数ｋｍの円形状エリアといった所定エリアにおいて推定される人口を示す推定人口情報を取得して、予測説明変数ＤＢ２に記憶する。   The call record DB 1 is a database that stores an associated date and time when a call is received as a demand from a customer who desires to use a taxi dispatch service and the telephone number of the caller that made the call. An example of the storage format of the incoming date and time and the caller telephone number will be described later. Further, the call record DB 1 acquires estimated population information indicating a population estimated in a predetermined area such as a circular area having a radius of several kilometers, for example, and stores the estimated population information in the predicted explanatory variable DB 2.

ここで、コール記録ＤＢ１は、この所定エリアにおいて所定時間内（例えば１時間以内）に、携帯電話端末といった携帯端末による通信事業者への位置登録処理及び発着信処理のうち少なくとも一方が行われた処理件数に関する件数情報を推定人口情報として取得してもよく、静的な測位によるデータに基づく件数情報を推定人口情報として取得してもよく、昼夜別の統計に基づく人口に関する人口情報を推定人口情報として取得してもよい。この発着信処理は、例えば、ＣＳ／ＰＳ（即ち基地局と端末間の）着信情報を用いた処理である。コール記録ＤＢ１は、所定時間経過後毎（例えば１時間毎）に、推定人口情報を取得する。コール記録ＤＢ１は、この件数情報を例えば通信事業者から受信することによって取得する。取得された件数情報は、予測説明変数ＤＢ２に記憶される。   Here, the call record DB 1 has been subjected to at least one of location registration processing and outgoing / incoming processing for a communication carrier by a mobile terminal such as a mobile phone terminal within a predetermined time (for example, within 1 hour) in this predetermined area. Information on the number of processing cases may be acquired as estimated population information, number of information based on static positioning data may be acquired as estimated population information, and population information on population based on day and night statistics may be acquired. It may be acquired as information. This outgoing / incoming call processing is, for example, processing using CS / PS (that is, between the base station and the terminal) incoming call information. The call record DB 1 acquires estimated population information every time a predetermined time has elapsed (for example, every hour). The call record DB 1 acquires this number information by receiving it from a communication carrier, for example. The acquired number information is stored in the prediction explanatory variable DB2.

予測説明変数ＤＢ２は、上記の所定エリアにおける人口の変化要因となる要因情報を取得する部分である。要因情報には、上記の所定エリアにおける天候に関する天候情報が含まれていてもよく、また上記の所定エリアにおいて行われるイベントに関するイベント情報が含まれていてもよい。天候情報の一例として、上記の呼び出しコールが比較的少なくなる快晴であるという情報や、上記の呼び出しコールが比較的多くなる豪雨であるという情報等が挙げられる。また、イベント情報の一例として、上記の呼び出しコールが比較的多くなる人身事故があったという情報やライブコンサートがあるという集客予定情報等が挙げられる。予測説明変数ＤＢ２は、取得した要因情報に基づいて、需要件数の予測日時における説明変数の予測値を取得する。   The prediction explanatory variable DB2 is a part that acquires factor information that is a factor of change in population in the predetermined area. The factor information may include weather information relating to the weather in the predetermined area, and may include event information relating to an event performed in the predetermined area. As an example of the weather information, there is information such as clear that the number of call calls is relatively small, information that the rain is heavy where the number of call calls is relatively large, and the like. Further, examples of event information include information that there has been a personal accident in which the number of call calls is relatively high, and information on schedules for attracting customers that there is a live concert. The prediction explanatory variable DB 2 acquires the predicted value of the explanatory variable at the prediction date and time of the number of demands based on the acquired factor information.

属性分離部３は、後述の既存顧客ＤＢ６を用いて、タクシーを要請してきた利用客は、上記のタクシー会社にとって初めて要請してきた利用客であるか否か（即ち新規顧客であるか既存顧客であるか）を判定する部分である。属性分離部３による、この判定分離処理については後述する。なお、属性分離部３は、後述の既存顧客ＤＢ６を用いて、タクシーを要請してきた利用客の所定の属性（例えば、性別）を更に判定してもよく、またタクシーを要請してきた利用客の所定の属性として利用客の年齢の年齢層（例えば、１０歳台、２０歳台、３０歳台、４０歳台、５０歳台、６０歳台、７０歳台、８０歳台、９０歳以上、のうちいずれの年齢層に含まれるか）を更に判定してもよい。   The attribute separation unit 3 uses the existing customer DB 6 described later to determine whether the customer who has requested a taxi is a customer who has requested the taxi company for the first time (that is, whether it is a new customer or an existing customer). It is a part for determining whether there is any). This determination separation process by the attribute separation unit 3 will be described later. The attribute separation unit 3 may further determine a predetermined attribute (for example, gender) of a customer who has requested a taxi using the existing customer DB 6 described later, The age group of the user's age as a predetermined attribute (for example, 10s, 20s, 30s, 40s, 50s, 60s, 70s, 80s, 90s or more, Of which age group) may be further determined.

係数確定部４は、予測説明変数ＤＢ２に記憶された件数情報と、予測説明変数ＤＢ２によって取得された要因情報に基づく説明変数の予測値と、属性分離部３による判定結果（例えば、新規顧客であるか既存顧客であるか、男性であるか女性であるか、どの年齢層に含まれるか）とを用いて、回帰分析を行う際に用いる係数である説明変数を含む回帰式を求めて確定させる部分である。   The coefficient determination unit 4 includes the number information stored in the prediction explanatory variable DB2, the predicted value of the explanatory variable based on the factor information acquired by the prediction explanatory variable DB2, and the determination result by the attribute separation unit 3 (for example, a new customer And whether it is an existing customer, a male or a female, and in which age group) a regression equation including an explanatory variable, which is a coefficient used when performing a regression analysis, is determined. It is a part to be made.

より詳しくは、この回帰式は、属性分離部３による判定結果別に求められる。即ち、新規顧客であると判断された利用者の需要件数に関する第一の回帰式と、既存顧客であると判断された利用者の需要件数に関する第二の回帰式とがそれぞれ求められる。係数確定部４による、この変数確定処理については後述する。   More specifically, this regression equation is obtained for each determination result by the attribute separation unit 3. In other words, a first regression equation relating to the number of demands of users determined to be new customers and a second regression equation relating to the number of demands of users determined to be existing customers are respectively obtained. This variable determination process by the coefficient determination unit 4 will be described later.

また、所定の属性として性別に関する判定結果を用いてもよい。即ち、男性であると判断された利用者の需要件数に関する第三の回帰式と、女性であると判断された利用者の需要件数に関する第四の回帰式とがそれぞれ求められる。   Moreover, you may use the determination result regarding sex as a predetermined | prescribed attribute. That is, a third regression equation relating to the number of demands of users determined to be male and a fourth regression equation relating to the number of demands of users determined to be female are respectively obtained.

更に、所定の属性として年齢層に関する判定結果を用いてもよい。即ち、所定の年齢層であると判断された利用者の需要件数に関する第五の回帰式と、この所定の年齢層でないと判断された利用者の需要件数に関する第六の回帰式とがそれぞれ求められる。   Furthermore, the determination result regarding the age group may be used as the predetermined attribute. In other words, a fifth regression equation relating to the number of demands of users determined to be a predetermined age group and a sixth regression equation relating to the number of demands of users determined not to be a predetermined age group are respectively obtained. It is done.

需要予測部５は、係数確定部４によって確定された回帰式を用いて回帰分析することによって、タクシーの利用を望む利用客からの需要件数を予測する部分である。即ち、需要予測部５は、上記の第一の回帰式を用いて得られた新規顧客に関する需要件数と、上記の第二の回帰式を用いて得られた既存顧客に関する需要件数とを併せて需要件数として予測する。需要予測部５は、上記の第一の回帰式及び第二の回帰式に対し、需要件数の予測を行なう予測エリア及び予測日時が考慮された説明変数（例えば、上記の件数情報のような推定人口情報が示す人口予測値や、天気予報やイベントカレンダーから判断されたイベントの有無に対応して線形化された数値等）を代入して当てはめることによって、需要件数の予測を行なう予測エリア及び予測日時に関する需要予測を行なう。   The demand prediction unit 5 is a part that predicts the number of demands from customers who want to use a taxi by performing regression analysis using the regression equation determined by the coefficient determination unit 4. That is, the demand forecasting unit 5 combines the number of demands for new customers obtained using the first regression equation and the number of demands for existing customers obtained using the second regression equation. Predict as the number of demand. The demand forecasting unit 5 provides an explanatory variable that takes into account the forecast area and forecast date and time for forecasting the number of demands with respect to the first regression equation and the second regression equation (for example, estimation such as the number information above). Forecast areas and forecasts for forecasting the number of demands by substituting and applying population forecast values indicated by population information, numerical values linearized according to the presence or absence of events determined from weather forecasts or event calendars, etc. Demand forecast related to date and time.

なお、需要予測部５は、上記の第三の回帰式を用いて得られた男性利用者に関する需要件数と、上記の第四の回帰式を用いて得られた女性利用者に関する需要件数とを併せて需要件数として予測してもよい。また、需要予測部５は、上記の第五の回帰式を用いて得られた所定の年齢層の利用者に関する需要件数と、上記の第六の回帰式を用いて得られたこの所定の年齢層でない利用者に関する需要件数とを併せて需要件数として予測してもよい。この予測された需要件数の一例については後述する。   The demand forecasting unit 5 calculates the number of demands related to male users obtained using the above third regression equation and the number of demands related to female users obtained using the above fourth regression equation. In addition, the number of demands may be predicted. In addition, the demand prediction unit 5 calculates the number of demands regarding the users of the predetermined age group obtained by using the fifth regression equation and the predetermined age obtained by using the sixth regression equation. It may be predicted as the demand number together with the demand number related to the non-tier users. An example of the predicted demand number will be described later.

既存顧客ＤＢ６は、タクシーの呼び出しコールを過去に行なったことがある既存顧客としてのコール元の電話番号と、このコール元の電話番号のそれぞれに対して一意に割り振られた管理用の顧客番号と、このコール元の属性（例えばコール元の年齢又は年齢層と、性別）とを関連付けて記憶するデータベースである。このコール元電話番号と顧客番号と属性との記憶形式の一例については後述する。既存顧客ＤＢ６に格納されている情報は、属性分離部３により用いられて、タクシーの配車サービスの提供を要請してきた利用客は、上記のタクシー会社にとって初めて要請してきた利用客であるか否かが判定される。   The existing customer DB 6 includes a telephone number of a caller as an existing customer who has made a taxi calling call in the past, and a management customer number uniquely assigned to each of the telephone numbers of the caller. This is a database that stores the caller attributes (for example, the caller's age or age group and gender) in association with each other. An example of the storage format of the caller telephone number, customer number, and attribute will be described later. The information stored in the existing customer DB 6 is used by the attribute separation unit 3 to determine whether or not the customer who has requested the provision of taxi dispatch service is the first customer who has requested the taxi company. Is determined.

説明変数ＤＢ７は、係数確定部４によって求められて確定された回帰式が有する説明変数を、この説明変数を求める際に行なった回帰分析の分析対象となった所定エリアを特定する情報と、この分析対象となった時間帯を特定する情報と関連付けて記憶するデータベースである。   The explanatory variable DB 7 includes information for specifying a predetermined area that is an analysis target of the regression analysis performed when the explanatory variable included in the regression equation obtained and fixed by the coefficient determining unit 4 is obtained, and this It is a database that is stored in association with information that identifies a time zone that has been analyzed.

（３）着信日時とコール元電話番号との記憶形式の一例
引き続き、コール記録ＤＢ１によって記憶される着信日時とコール元電話番号との記憶形式の一例について、図４を用いて説明する。図４は、着信時刻を含む着信日時とコール元電話番号との記憶形式の一例を説明するＤＢ構成図である。 (3) Example of storage format of incoming date and time and caller telephone number Next, an example of the storage format of incoming date and time and caller telephone number stored in the call record DB 1 will be described with reference to FIG. FIG. 4 is a DB configuration diagram for explaining an example of the storage format of the incoming date and time including the incoming time and the caller telephone number.

図３に示されるように、コール記録ＤＢ１では、タクシー配車サービスの利用を望む利用客からの需要としての呼び出しコールを受けた着信日時（例えばｙｙｙｙ／ｍｍ／ｄｄ ｔｔ：ｍｎ：ｓｓ）と、この呼び出しコールを行なったコール元の電話番号（例えば０３−ｘｘｘｘ−ｘｘｘｘ）とが関連付けて記憶されている。   As shown in FIG. 3, in the call record DB 1, an incoming call date and time (for example, yyyy / mm / dd tt: mn: ss) received as a demand from a customer who desires to use a taxi dispatch service, and this The telephone number (for example, 03-xxxx-xxxx) of the caller that made the calling call is stored in association with each other.

（４）コール元電話番号と顧客番号と属性との記憶形式の一例
引き続き、既存顧客ＤＢ６によって記憶されるコール元電話番号と顧客番号と属性（例えばコール元の年齢又は年齢層と、性別）との記憶形式の一例について、図５を用いて説明する。図５は、コール元電話番号と顧客番号と属性との記憶形式の一例を説明するＤＢ構成図である。 (4) Example of storage format of caller telephone number, customer number, and attribute Subsequently, the caller telephone number, customer number, and attributes (for example, the caller's age or age group and gender) stored by the existing customer DB 6 An example of the storage format will be described with reference to FIG. FIG. 5 is a DB configuration diagram for explaining an example of a storage format of a caller telephone number, a customer number, and an attribute.

図５に示されるように、既存顧客ＤＢ６では、タクシーの呼び出しコールを過去に行なったことがある既存顧客としてのコール元の電話番号（例えば０３−ｘｘｘｘ−ｘｘｘｘ）と、このコール元の電話番号のそれぞれに対して一意に割り振られた管理用の顧客番号（例えばｎｉ）と、このコール元の属性としての年齢（例えばＸＸ）と、同じく属性としての性別（例えば男）とが関連付けて記憶されている。 As shown in FIG. 5, in the existing customer DB 6, the telephone number of the caller as an existing customer who has made a taxi call in the past (for example, 03-xxxx-xxxx) and the telephone number of this caller the customer number for management allocated uniquely (e.g. n i) for each, and age as the calling attributes (e.g. XX), also gender (e.g. man) are associated and stored as an attribute Has been.

（５）予測された需要件数の一例
引き続き、需要予測部５によって予測された需要件数の一例について、図６及び図７を用いて説明する。図６は、予測された需要件数を表形式で表した場合の一例を説明する説明図であり、図７は、予測された需要件数をグラフ形式で表した場合の一例を説明するグラフである。 (5) Example of predicted number of demands Subsequently, an example of the number of demands predicted by the demand prediction unit 5 will be described with reference to FIGS. 6 and 7. FIG. 6 is an explanatory diagram illustrating an example when the predicted number of demands is represented in a table format, and FIG. 7 is a graph illustrating an example when the predicted number of demands is represented in a graph format. .

図６に示されるように、ある日の所定の時間帯（例えばｙｙｙｙ／ｍｍ／ｄｄの００時台）に関して予測された需要件数としてのコール件数は１００件（誤差は±３０）であり、同日の所定の時間帯（例えばｙｙｙｙ／ｍｍ／ｄｄの０１時台）に関して予測されたコール件数は８０件（誤差は±１０）であり、同日の所定の時間帯（例えばｙｙｙｙ／ｍｍ／ｄｄの０２時台）に関して予測されたコール件数は２０件（誤差は±５）であったとする。この場合、図７に示されるようなグラフが需要予測部５によって作成される。このグラフでは、誤差は破線で示されている。   As shown in FIG. 6, the number of calls as the number of demands predicted for a predetermined time zone on a certain day (for example, 00 hour range of yyyy / mm / dd) is 100 (error is ± 30), The number of calls predicted with respect to a predetermined time zone (for example, 10:00 of yyyy / mm / dd) is 80 (error is ± 10), and the predetermined number of calls on the same day (for example, 02 of yyyy / mm / dd) is 02. Assume that the number of calls predicted for (time zone) is 20 (with an error of ± 5). In this case, a graph as shown in FIG. 7 is created by the demand prediction unit 5. In this graph, the error is indicated by a broken line.

（６）コール元が新規顧客であるか否かの判定分離処理の流れ
引き続き、属性分離部３によって行なわれる、コール元が新規顧客であるか否かの判定分離処理の流れについて、図８を用いて説明する。図８は、コール元が新規顧客であるか否かの判定分離処理の流れを示すフローチャートである。 (6) Flow of determination / separation process for determining whether or not the call source is a new customer The flow of determination / separation process for determining whether or not the call source is a new customer performed by the attribute separation unit 3 is shown in FIG. It explains using. FIG. 8 is a flowchart showing the flow of determination separation processing for determining whether or not the call source is a new customer.

まず、属性分離部３が、新規顧客であるか既存顧客であるかを示す新規・既存フラグを格納する新規・既存フィールドを、コール記録ＤＢ１に追加する（ステップＳ０１）。そして、属性分離部３が、コール記録ＤＢ１から、データ読出し未完了の１行分のデータを読み出す（ステップＳ０２）。   First, the attribute separation unit 3 adds a new / existing field for storing a new / existing flag indicating whether the customer is a new customer or an existing customer to the call record DB 1 (step S01). Then, the attribute separation unit 3 reads data for one row from which data has not been read out from the call record DB 1 (step S02).

次に、属性分離部３が、ステップＳ０２で読み出した１行分のデータ内のコール元電話番号が既存顧客ＤＢ６に含まれているか否かを判定する（ステップＳ０３）。ここで、ステップＳ０２で読み出した１行分のデータ内のコール元電話番号が既存顧客ＤＢ６に含まれている場合は、後述のステップＳ０４に移行する。一方、ステップＳ０２で読み出した１行分のデータ内のコール元電話番号が既存顧客ＤＢ６に含まれていない場合は、後述のステップＳ０５に移行する。   Next, the attribute separation unit 3 determines whether or not the existing customer DB 6 includes the caller telephone number in the data for one row read in step S02 (step S03). Here, when the caller telephone number in the data for one row read in step S02 is included in the existing customer DB 6, the process proceeds to step S04 described later. On the other hand, when the caller telephone number in the data for one line read in step S02 is not included in the existing customer DB 6, the process proceeds to step S05 described later.

ステップＳ０４では、属性分離部３が、新規・既存フラグは１である（即ち、コール元は既存顧客である）として新規・既存フィールドに入力する。そして、後述のステップＳ０６に移行する。   In step S04, the attribute separation unit 3 inputs the new / existing flag in the new / existing field as 1 (that is, the call source is an existing customer). And it transfers to below-mentioned step S06.

ステップＳ０５では、属性分離部３が、新規・既存フラグは０である（即ち、コール元は新規顧客である）として新規・既存フィールドに入力する。そして、後述のステップＳ０６に移行する。   In step S05, the attribute separation unit 3 inputs the new / existing flag in the new / existing field as 0 (that is, the call source is a new customer). And it transfers to below-mentioned step S06.

ステップＳ０６では、属性分離部３が、コール記録ＤＢ１から全行分のデータの読み出しが完了したか否かを判定する。データ読出し未完了のデータがある場合は、上記のステップＳ０２に戻って移行する。一方、コール記録ＤＢ１から全行分のデータが読み出された場合は、属性分離部３による一連の判定分離処理が終了する。   In step S06, the attribute separation unit 3 determines whether or not reading of data for all rows from the call record DB 1 has been completed. If there is unread data, the process returns to step S02 and shifts. On the other hand, when data for all rows is read from the call record DB 1, the series of determination separation processing by the attribute separation unit 3 ends.

（７）説明変数を求めて確定させる変数確定処理の流れ
引き続き、係数確定部４によって行なわれる、上記の各回帰式が有する説明変数を求めて確定させる変数確定処理の流れについて、図９を用いて説明する。図９は、上記の各回帰式が有する説明変数を求めて確定させる変数確定処理の流れを示すフローチャートである。 (7) Flow of Variable Determination Process for Obtaining and Confirming the Explanation Variable Subsequently, a flow of variable confirmation processing for obtaining and confirming the explanatory variable of each regression equation performed by the coefficient determination unit 4 will be described with reference to FIG. I will explain. FIG. 9 is a flowchart showing the flow of variable confirmation processing for obtaining and confirming the explanatory variables of the above regression equations.

まず、係数確定部４が、任意の属性（例えば性別や年齢層）を示す属性フィールドを、コール記録ＤＢ１に追加する（ステップＳ１１）。そして、係数確定部４が、既存顧客ＤＢ６のコール元電話番号と一致するコール記録ＤＢ１におけるデータに対して、既存顧客ＤＢ６の属性を入力する（ステップＳ１２）。   First, the coefficient determination unit 4 adds an attribute field indicating an arbitrary attribute (for example, gender or age group) to the call record DB 1 (step S11). Then, the coefficient determination unit 4 inputs the attribute of the existing customer DB 6 for the data in the call record DB 1 that matches the caller telephone number of the existing customer DB 6 (step S12).

次に、係数確定部４が、変数確定処理が行われていない属性別に説明変数（例えばｂｉｘ（ｘは０，…，ｎ））を求める（ステップＳ１３）。そして、係数確定部４が、この求めた説明変数を含む上記各回帰式を用いて、後述の目的変数（Ｙｉ，Ｙｊ，Ｙｋ，…）を回帰分析によって求め、属性の違いによる目的変数の変化割合（又は変化量）が所定値以上であるか否かを判定する（ステップＳ１４）。ここで、属性の違いによる目的変数の変化割合（又は変化量）が所定値未満である場合は、上記のステップＳ１１に戻って移行する。一方、属性の違いによる目的変数の変化割合（又は変化量）が所定値以上である場合は、係数確定部４が、ステップＳ１３で求めた説明変数を確定させて、係数確定部４による一連の変数確定処理が終了する。 Next, the coefficient determination unit 4 obtains explanatory variables (for example, b ix (x is 0,..., N)) for each attribute for which variable determination processing has not been performed (step S13). Then, the coefficient determination unit 4 obtains objective variables (Y i , Y j , Y k ,...), Which will be described later, by regression analysis using the above regression equations including the obtained explanatory variables. It is determined whether the variable change rate (or change amount) is equal to or greater than a predetermined value (step S14). Here, when the change rate (or change amount) of the objective variable due to the attribute difference is less than the predetermined value, the process returns to step S11 described above. On the other hand, when the change rate (or change amount) of the objective variable due to the attribute difference is equal to or greater than the predetermined value, the coefficient determination unit 4 determines the explanatory variable obtained in step S13, and the coefficient determination unit 4 performs a series of The variable confirmation process ends.

（８）属性別に説明変数を求める算出処理の流れ
引き続き、係数確定部４によって行なわれる、属性別に説明変数を求める算出処理の流れについて、図１０を用いて説明する。図１０は、属性別に説明変数を求める算出処理の流れを示すフローチャートである。 (8) Flow of Calculation Processing for Obtaining Explanation Variables for Each Attribute The flow of calculation processing for obtaining explanation variables for each attribute performed by the coefficient determination unit 4 will be described with reference to FIG. FIG. 10 is a flowchart showing a flow of calculation processing for obtaining an explanatory variable for each attribute.

まず、係数確定部４が、新規顧客のコール件数を示す目的変数Ｙｉを求めるための下記の数式（１）に関して、最も当てはまりがよくなる最適な説明変数（例えばｂｉｎ（ｎは０，…，ｎ））を求め、第一の回帰式として確定させる（ステップＳ２１）。なお、Ｘｉｎ（ｎは１，…，ｎ）は、例えば、推定人口情報によって示される人口に関する数値が入力される。第三の回帰式及び第五の回帰式は、第一の回帰式における説明変数が異なった数式である。

Figure 2011108194
First, the coefficient determining unit 4 is the optimum explanatory variable (for example, b in (where n is 0,...) That is most applicable to the following equation (1) for obtaining the objective variable Y i indicating the number of calls of new customers. n)) is obtained and fixed as the first regression equation (step S21). In addition, for X in (n is 1,..., N), for example, a numerical value related to the population indicated by the estimated population information is input. The third regression formula and the fifth regression formula are mathematical formulas having different explanatory variables in the first regression formula.
Figure 2011108194

次に、係数確定部４が、既存顧客のコール件数を示す目的変数Ｙｋを求めるための下記の数式（２）に関して、最も当てはまりがよくなる最適な説明変数（例えばｂｋｎ（ｎは０，…，ｎ））を求め、第二の回帰式として確定させる（ステップＳ２２）。そして、係数確定部４による属性別に説明変数を求める一連の算出処理が終了する。なお、Ｘｋｎ（ｎは１，…，ｎ）は、例えば、推定人口情報によって示される人口に関する数値が入力される。第四の回帰式及び第六の回帰式は、第二の回帰式における説明変数が異なった数式である。

Figure 2011108194
Next, the optimum explanatory variable (for example, b kn (where n is 0,...) That best applies to the following formula (2) for the coefficient determining unit 4 to obtain the objective variable Y k indicating the number of calls of existing customers. , N)) and determined as the second regression equation (step S22). Then, a series of calculation processing for obtaining the explanatory variable for each attribute by the coefficient determination unit 4 ends. X kn (n is 1,..., N) is input with a numerical value related to the population indicated by the estimated population information, for example. The fourth regression formula and the sixth regression formula are mathematical formulas having different explanatory variables in the second regression formula.
Figure 2011108194

（９）回帰式を用いて需要件数を予測する需要予測処理の流れ
引き続き、係数確定部４及び需要予測部５によって行なわれる、回帰式を用いて需要件数を予測する需要予測処理の流れについて、図１１を用いて説明する。図１１は、回帰式を用いて需要件数を予測する需要予測処理の流れを示すフローチャートである。 (9) Flow of demand prediction processing for predicting the number of demands using the regression equation Subsequently, the flow of demand prediction processing for predicting the number of demands using the regression equation performed by the coefficient determination unit 4 and the demand prediction unit 5 This will be described with reference to FIG. FIG. 11 is a flowchart showing the flow of a demand prediction process for predicting the number of demands using a regression equation.

まず、需要予測部５が、需要件数の予測日時における説明変数の予測値を、予測説明変数ＤＢ２から取得する（ステップＳ３１）。そして、需要予測部５が、取得した説明変数の予測値を、係数確定部４によって確定された回帰式に当てはめて、新規顧客・既存顧客別に需要件数を算出する。より詳しくは、需要予測部５が、上記の第一の回帰式を用いて得られた新規顧客に関する需要件数Ｙｉと、上記の第二の回帰式を用いて得られた既存顧客に関する需要件数Ｙｋとを算出する（ステップＳ３２）。 First, the demand prediction part 5 acquires the predicted value of the explanatory variable in the prediction date of the number of demands from prediction explanatory variable DB2 (step S31). Then, the demand prediction unit 5 applies the predicted value of the acquired explanatory variable to the regression equation determined by the coefficient determination unit 4, and calculates the number of demands for each new customer and existing customer. More specifically, the demand forecasting unit 5 uses the above first regression equation to obtain the number of demands Y i related to new customers and the above-mentioned second regression equation to obtain the number of demands related to existing customers. Yk is calculated (step S32).

次に、需要予測部５が、新規顧客に関する需要件数Ｙｉと、既存顧客に関する需要件数Ｙｋとを合計し、最終的な需要予測値を算出する（ステップＳ３３）。 Next, the demand prediction unit 5 adds up the demand number Y i related to the new customer and the demand number Y k related to the existing customer, and calculates a final demand prediction value (step S33).

（１０）需要予測サーバが行なう処理全体の流れ
引き続き、需要予測サーバ１０によって行なわれる処理全体の流れについて、図１２を用いて説明する。図１２は、需要予測サーバ１０によって行なわれる処理全体の流れを示すフローチャートである。 (10) Flow of Overall Processing Performed by Demand Prediction Server Subsequently, the overall flow of processing performed by the demand prediction server 10 will be described with reference to FIG. FIG. 12 is a flowchart showing the overall flow of processing performed by the demand prediction server 10.

まず、需要予測サーバ１０が、所定エリアにおいて推定される人口を示す推定人口情報（例えば上記の件数情報）を取得する（ステップＳ４１、推定取得ステップ）。そして、需要予測サーバ１０が、所定エリアにおける人口の変化要因となる要因情報を取得する（ステップＳ４２、要因取得ステップ）。   First, the demand prediction server 10 acquires estimated population information (for example, the above-described number information) indicating a population estimated in a predetermined area (step S41, estimated acquisition step). And the demand prediction server 10 acquires the factor information used as the change factor of the population in a predetermined area (step S42, factor acquisition step).

次に、需要予測サーバ１０が、タクシー配車サービスの提供を要請した利用者は新規顧客であるか否かを判定する（ステップＳ４３、判定ステップ）。そして、需要予測サーバ１０が、推定人口情報（ここでは上記の件数情報）と要因情報に基づく説明変数の予測値とステップＳ３３での判定結果とを用いて回帰分析することによって、新規顧客・既存顧客別に説明変数を求め、新規顧客・既存顧客別に回帰式を確定させる。次に、需要予測サーバ１０が、この新規顧客・既存顧客別の回帰式を用いて新規顧客に関する需要件数と、既存顧客に関する需要件数とをそれぞれ算出し、これらを合計することによって需要件数を予測する（予測ステップ）。これにより、一連の需要予測処理が終了する。   Next, the demand prediction server 10 determines whether or not the user who has requested provision of the taxi dispatch service is a new customer (step S43, determination step). Then, the demand prediction server 10 performs regression analysis using the estimated population information (here, the number information described above), the predicted value of the explanatory variable based on the factor information, and the determination result in step S33, so that the new customer / existing An explanatory variable is obtained for each customer, and a regression equation is determined for each new customer and existing customer. Next, the demand prediction server 10 calculates the number of demands related to the new customers and the number of demands related to the existing customers by using the regression formula for each new customer / existing customer, and predicts the number of demands by summing them. (Prediction step). Thereby, a series of demand prediction processes are complete | finished.

（１１）本発明による作用及び効果
需要予測サーバ１０では、まず、推定人口情報を取得し、サービスの提供を要請した利用者は新規利用者であるか否かを判定する。更に、新規利用者であると判断された利用者の需要件数に関する第一の回帰式と、新規利用者でないと判断された利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて需要件数を予測する。 (11) Effects and Effects of the Present Invention The demand prediction server 10 first obtains estimated population information and determines whether or not the user who requested the provision of service is a new user. Further, a first regression equation relating to the number of demands of users determined to be new users and a second regression equation relating to the number of demands of users judged not to be new users are obtained, respectively. The number of demands is predicted by combining the number of demands for new users obtained using one regression equation and the number of demands for users who are not new users obtained using the second regression equation.

ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、新規利用者に関する需要件数と、新規利用者でない利用者に関する需要件数とに分けて予測してそれを合計して需要件数を予測するといったように新規顧客であるか既存顧客であるかをも考慮に入れているため、より精度良く需要予測を行なうことが可能になる。   Here, there is a correlation that the greater the population indicated by the acquired estimated population information, the greater the number of people estimated to require service provision. In the demand prediction apparatus according to the present invention, not only the above estimated population information having a correlation with the number of persons estimated to require service provision is taken into account, but also the number of demands related to new users and new Since it takes into account whether it is a new customer or an existing customer, such as forecasting by dividing it into the number of demands related to users who are not users and then summing them, it is more accurate. Demand prediction can be performed.

また、件数情報によって示される位置登録処理及び発着信処理のうち少なくとも一方が行われた処理件数が多くなるほど、携帯端末の保有者が多いと推測されるため、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このため、この構成により、人口の動的な変化を推定することができるようになるため、より精度良く需要予測を行なうことが可能になる。   In addition, it is presumed that the provision of a service is necessary because the number of mobile terminal owners is estimated to increase as the number of processing in which at least one of the location registration processing and outgoing / incoming processing indicated by the number information is performed increases. There is a correlation that the number of people to be played increases. For this reason, this configuration makes it possible to estimate a dynamic change in the population, and thus it is possible to perform demand prediction with higher accuracy.

また、サービスの提供を必要としていると推測される人数が所定の属性の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。例えば、サービスの提供を必要としていると推測される人数が性別の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   In addition, when the number of persons estimated to be required to provide services varies depending on the difference in predetermined attributes, it is possible to perform demand prediction with higher accuracy. For example, when the number of persons estimated to require service provision differs depending on gender, it is possible to perform demand prediction with higher accuracy.

また、サービスの提供を必要としていると推測される人数が年齢層の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   In addition, when the number of persons estimated to require service provision varies depending on the age group, it is possible to perform demand prediction with higher accuracy.

また、サービスの提供を必要としていると推測される人数が天候の違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   In addition, when the number of persons estimated to be required to provide services varies depending on the weather, it is possible to perform demand prediction with higher accuracy.

また、サービスの提供を必要としていると推測される人数が、所定エリアにおいて行なわれるイベントの違いによって異なる場合に、より精度良く需要予測を行なうことが可能になる。   In addition, when the number of persons estimated to be required to provide services varies depending on the difference in events performed in a predetermined area, it is possible to perform demand prediction with higher accuracy.

（１２）変形例
上記の実施例では、需要予測サーバ１０は、タクシー会社に配備され、タクシー配車サービスの利用を望む利用客の需要を予測する装置として説明したが、サービスの内容は特に限定されず、例えば、物品販売サービスであってもよい。また、上記の実施例では、利用客の属性として性別や年齢を用いるとして説明したが、利用客の属性は特に限定されず、例えば、利用客の登録住所であってもよい。 (12) Modification In the above embodiment, the demand prediction server 10 is described as a device that is deployed in a taxi company and predicts the demand of a customer who wants to use a taxi dispatch service. However, the contents of the service are particularly limited. For example, an article sales service may be used. Further, in the above-described embodiment, it has been described that gender and age are used as the user attribute. However, the user attribute is not particularly limited, and may be a registered address of the user, for example.

本発明によれば、より精度良く需要予測を行なうことができる。   According to the present invention, demand prediction can be performed with higher accuracy.

１…コール記録ＤＢ、２…予測説明変数ＤＢ、３…属性分離部、４…係数確定部、５…需要予測部、６…既存顧客ＤＢ、７…説明変数ＤＢ、１０…需要予測サーバ、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置。   DESCRIPTION OF SYMBOLS 1 ... Call record DB, 2 ... Prediction explanatory variable DB, 3 ... Attribute separation part, 4 ... Coefficient determination part, 5 ... Demand prediction part, 6 ... Existing customer DB, 7 ... Explanation variable DB, 10 ... Demand prediction server, 101 ... CPU, 102 ... RAM, 103 ... ROM, 104 ... communication module, 105 ... auxiliary storage device.

Claims (8)

サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、
所定エリアにおいて推定される人口を示す推定人口情報を取得する推定取得手段と、
前記所定エリアにおける人口の変化要因となる要因情報を取得する要因取得手段と、
前記サービスの提供を要請した前記利用者は新規利用者であるか否かを判定する判定手段と、
前記推定取得手段によって取得された前記推定人口情報と、前記要因取得手段によって取得された前記要因情報と、前記判定手段による判定結果とを用いて回帰分析することによって、需要件数を予測する予測手段と、
を備え、
前記予測手段は、前記利用者は前記判定手段によって新規利用者であると判断された前記利用者の需要件数に関する第一の回帰式と、前記利用者は前記判定手段によって新規利用者でないと判断された前記利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて前記需要件数を予測することを特徴とする需要予測装置。 A demand prediction device for predicting the number of demands of users who want to use a service,
Estimated acquisition means for acquiring estimated population information indicating the estimated population in a predetermined area;
Factor acquisition means for acquiring factor information that causes a change in population in the predetermined area;
Determining means for determining whether the user who requested the provision of the service is a new user;
Prediction means for predicting the number of demands by performing regression analysis using the estimated population information acquired by the estimation acquisition means, the factor information acquired by the factor acquisition means, and the determination result by the determination means When,
With
The prediction means determines that the user is not a new user by the determination means, and a first regression equation relating to the number of demands of the user determined that the user is a new user by the determination means. The second regression equation relating to the number of demands of the user is obtained, respectively, and the demand number relating to the new user obtained using the first regression equation is obtained using the second regression equation. A demand forecasting apparatus for forecasting the demand number together with the demand number for users who are not new users. 前記推定取得手段は、前記所定エリアにおいて所定時間内に携帯端末による位置登録処理及び発着信処理のうち少なくとも一方が行われた処理件数に関する件数情報を前記推定人口情報として取得することを特徴とする請求項1に記載の需要予測装置。   The estimated acquisition means is configured to acquire, as the estimated population information, number information relating to the number of processes in which at least one of position registration processing and outgoing / incoming call processing by a mobile terminal is performed within a predetermined time in the predetermined area. The demand prediction apparatus according to claim 1. 前記判定手段は、前記サービスの提供を要請した前記利用者に関する属性を判定し、
前記予測手段は、前記利用者は前記判定手段によって所定の属性を有すると判断された前記利用者の需要件数に関する第三の回帰式と、前記利用者は前記判定手段によって前記所定の属性を有していないと判断された前記利用者の需要件数に関する第四の回帰式とをそれぞれ求め、当該第三の回帰式を用いて得られた前記所定の属性の利用者に関する需要件数と、当該第四の回帰式を用いて得られた前記所定の属性を有していない利用者に関する需要件数とを併せて前記需要件数を予測する、
ことを特徴とする請求項1又は２に記載の需要予測装置。 The determination means determines an attribute relating to the user who requested the provision of the service,
The predicting means includes a third regression equation relating to the number of demands of the user determined that the user has a predetermined attribute by the determining means, and the user has the predetermined attribute by the determining means. A fourth regression equation relating to the number of demands of the user determined not to be obtained, respectively, and the demand number relating to the user of the predetermined attribute obtained using the third regression equation; Predicting the number of demands together with the number of demands for users who do not have the predetermined attribute obtained using the four regression equations;
The demand prediction apparatus according to claim 1 or 2, characterized by the above-mentioned. 前記判定手段は、前記サービスの提供を要請した前記利用者に関する属性として性別を判定し、
前記予測手段は、前記利用者は前記判定手段によって男性であると判断された前記利用者の需要件数に関する第三の回帰式と、前記利用者は前記判定手段によって女性であると判断された前記利用者の需要件数に関する第四の回帰式とをそれぞれ求め、当該第三の回帰式を用いて得られた男性利用者に関する需要件数と、当該第四の回帰式を用いて得られた女性利用者に関する需要件数とを併せて前記需要件数を予測する、
ことを特徴とする請求項３に記載の需要予測装置。 The determination means determines gender as an attribute relating to the user who requested the provision of the service,
The predicting means includes a third regression equation related to the number of demands of the user determined to be male by the determining means, and the user is determined to be female by the determining means. Obtain the fourth regression formula for the number of user demands, and use the third regression formula to obtain the demand for male users and the female usage obtained using the fourth regression formula. Together with the number of demands related to consumers, the demand number is predicted,
The demand forecasting device according to claim 3 characterized by things. 前記判定手段は、前記サービスの提供を要請した前記利用者の年齢の年齢層を判定し、
前記予測手段は、前記利用者は前記判定手段によって所定の年齢層であると判断された前記利用者の需要件数に関する第五の回帰式と、前記利用者は前記判定手段によって前記所定の年齢層でないと判断された前記利用者の需要件数に関する第六の回帰式とをそれぞれ求め、当該第五の回帰式を用いて得られた前記所定の年齢層の利用者に関する需要件数と、当該第六の回帰式を用いて得られた前記所定の年齢層でない利用者に関する需要件数とを併せて前記需要件数を予測する、
ことを特徴とする請求項１〜４のいずれかに記載の需要予測装置。 The determination means determines an age group of the user who requested the provision of the service,
The predicting means includes a fifth regression equation relating to the number of demands of the user for which the user is determined to be in the predetermined age group by the determining means, and the user is in the predetermined age group by the determining means. A sixth regression equation relating to the demand number of the user determined to be not, respectively, and obtaining the demand number relating to the user of the predetermined age group obtained by using the fifth regression equation; Predicting the number of demands together with the number of demands for users who are not the predetermined age group obtained using the regression equation of
The demand prediction apparatus according to any one of claims 1 to 4, wherein 前記要因情報は、前記所定エリアにおける天候に関する天候情報を含むことを特徴とする請求項１〜５のいずれかに記載の需要予測装置。   The demand prediction device according to claim 1, wherein the factor information includes weather information related to weather in the predetermined area. 前記要因情報は、前記所定エリアにおいて行われるイベントに関するイベント情報を含むことを特徴とする請求項１〜６のいずれかに記載の需要予測装置。   The demand prediction apparatus according to claim 1, wherein the factor information includes event information related to an event performed in the predetermined area. サービスの利用を望む利用者の需要件数を予測する需要予測装置が行なう需要予測方法であって、
所定エリアにおいて推定される人口を示す推定人口情報を前記需要予測装置が取得する推定取得ステップと、
前記所定エリアにおける人口の変化要因となる要因情報を前記需要予測装置が取得する要因取得ステップと、
前記サービスの提供を要請した前記利用者は新規利用者であるか否かを前記需要予測装置が判定する判定ステップと、
前記推定取得ステップで取得された前記推定人口情報と、前記要因取得ステップで取得された前記要因情報と、前記判定ステップでの判定結果とを用いて前記需要予測装置が回帰分析することによって、需要件数を予測する予測ステップと、
を有し、
前記予測ステップでは、前記利用者は前記判定ステップで新規利用者であると判断された前記利用者の需要件数に関する第一の回帰式と、前記利用者は前記判定ステップで新規利用者でないと判断された前記利用者の需要件数に関する第二の回帰式とをそれぞれ求め、当該第一の回帰式を用いて得られた新規利用者に関する需要件数と、当該第二の回帰式を用いて得られた新規利用者でない利用者に関する需要件数とを併せて前記需要件数を予測することを特徴とする需要予測方法。
A demand prediction method performed by a demand prediction device that predicts the number of demands of users who desire to use a service,
An estimation acquisition step in which the demand prediction device acquires estimated population information indicating a population estimated in a predetermined area;
A factor acquisition step in which the demand prediction device acquires factor information that causes a change in population in the predetermined area;
A determination step in which the demand prediction device determines whether or not the user who has requested provision of the service is a new user;
The demand forecasting device performs a regression analysis using the estimated population information acquired in the estimated acquisition step, the factor information acquired in the factor acquisition step, and the determination result in the determination step. A prediction step to predict the number of cases,
Have
In the prediction step, the user is determined to be a new user in the determination step, a first regression equation relating to the demand number of the user, and the user is determined not to be a new user in the determination step. The second regression equation relating to the number of demands of the user is obtained, respectively, and the demand number relating to the new user obtained using the first regression equation is obtained using the second regression equation. A demand prediction method characterized by predicting the demand number together with a demand number related to a user who is not a new user.
JP2009265512A 2009-11-20 2009-11-20 Demand forecasting apparatus and demand forecasting method Active JP5118684B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009265512A JP5118684B2 (en) 2009-11-20 2009-11-20 Demand forecasting apparatus and demand forecasting method
PCT/JP2010/070379 WO2011062159A1 (en) 2009-11-20 2010-11-16 Demand prediction device and demand prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009265512A JP5118684B2 (en) 2009-11-20 2009-11-20 Demand forecasting apparatus and demand forecasting method

Publications (3)

Publication Number Publication Date
JP2011108194A true JP2011108194A (en) 2011-06-02
JP2011108194A5 JP2011108194A5 (en) 2012-04-26
JP5118684B2 JP5118684B2 (en) 2013-01-16

Family

ID=44059637

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009265512A Active JP5118684B2 (en) 2009-11-20 2009-11-20 Demand forecasting apparatus and demand forecasting method

Country Status (2)

Country Link
JP (1) JP5118684B2 (en)
WO (1) WO2011062159A1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012050241A (en) * 2010-08-26 2012-03-08 Ntt Docomo Inc Demand predicting system and demand predicting method
WO2014008099A1 (en) * 2012-07-03 2014-01-09 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
US9305310B2 (en) 2012-03-19 2016-04-05 Uber Technologies, Inc. Enabling a user to verify a price change for an on-demand service
WO2018154958A1 (en) * 2017-02-27 2018-08-30 株式会社Ｎｔｔドコモ Demand prediction device
US10067988B2 (en) 2015-07-21 2018-09-04 Uber Technologies, Inc. User-based content filtering and ranking to facilitate on-demand services
US10198700B2 (en) 2014-03-13 2019-02-05 Uber Technologies, Inc. Configurable push notifications for a transport service
JP2019527389A (en) * 2016-07-12 2019-09-26 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Method, apparatus, device, and system for predicting future travel in multiple geographic regions based on past transportation network data
US10460411B2 (en) 2016-08-30 2019-10-29 Uber Technologies, Inc. Real-time resource management for on-demand services
JP7342195B1 (en) 2022-05-19 2023-09-11 ヤフー株式会社 Information processing device, information processing method, and information processing program

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000295167A (en) * 1999-04-09 2000-10-20 Mitsubishi Electric Corp Radio terminal utilizing type counter
JP2001084840A (en) * 1999-09-17 2001-03-30 Kimoto & Co Ltd Transparent conductive thin film easy adhesion film
JP2002279149A (en) * 2001-03-22 2002-09-27 Ono Kae Complex data creating system and center computer for it
JP2003288687A (en) * 2002-03-28 2003-10-10 Fujitsu Ltd Vehicle allocation method and vehicle allocation program
JP2008287657A (en) * 2007-05-21 2008-11-27 Sankyo Co Ltd Age authentication system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001084240A (en) * 1999-09-13 2001-03-30 Riosu Corp:Kk System and method for predicting vehicle demand

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000295167A (en) * 1999-04-09 2000-10-20 Mitsubishi Electric Corp Radio terminal utilizing type counter
JP2001084840A (en) * 1999-09-17 2001-03-30 Kimoto & Co Ltd Transparent conductive thin film easy adhesion film
JP2002279149A (en) * 2001-03-22 2002-09-27 Ono Kae Complex data creating system and center computer for it
JP2003288687A (en) * 2002-03-28 2003-10-10 Fujitsu Ltd Vehicle allocation method and vehicle allocation program
JP2008287657A (en) * 2007-05-21 2008-11-27 Sankyo Co Ltd Age authentication system

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012050241A (en) * 2010-08-26 2012-03-08 Ntt Docomo Inc Demand predicting system and demand predicting method
US10402841B2 (en) 2012-03-19 2019-09-03 Uber Technologies, Inc. Enabling a user to verify a price change for an on-demand service
US9305310B2 (en) 2012-03-19 2016-04-05 Uber Technologies, Inc. Enabling a user to verify a price change for an on-demand service
US9066206B2 (en) 2012-07-03 2015-06-23 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
US9843897B1 (en) 2012-07-03 2017-12-12 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
US10743134B2 (en) 2012-07-03 2020-08-11 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
US10313832B2 (en) 2012-07-03 2019-06-04 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
WO2014008099A1 (en) * 2012-07-03 2014-01-09 Uber Technologies, Inc. System and method for providing dynamic supply positioning for on-demand services
US10198700B2 (en) 2014-03-13 2019-02-05 Uber Technologies, Inc. Configurable push notifications for a transport service
US10067988B2 (en) 2015-07-21 2018-09-04 Uber Technologies, Inc. User-based content filtering and ranking to facilitate on-demand services
JP2019527389A (en) * 2016-07-12 2019-09-26 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ Method, apparatus, device, and system for predicting future travel in multiple geographic regions based on past transportation network data
US10460411B2 (en) 2016-08-30 2019-10-29 Uber Technologies, Inc. Real-time resource management for on-demand services
JPWO2018154958A1 (en) * 2017-02-27 2019-11-21 株式会社Ｎｔｔドコモ Demand forecasting device
WO2018154958A1 (en) * 2017-02-27 2018-08-30 株式会社Ｎｔｔドコモ Demand prediction device
JP7342195B1 (en) 2022-05-19 2023-09-11 ヤフー株式会社 Information processing device, information processing method, and information processing program

Also Published As

Publication number Publication date
JP5118684B2 (en) 2013-01-16
WO2011062159A1 (en) 2011-05-26

Similar Documents

Publication Publication Date Title
JP5118684B2 (en) Demand forecasting apparatus and demand forecasting method
CN108765933B (en) Method, device, equipment and storage medium for recommending boarding points
JP5129799B2 (en) Demand forecasting apparatus and demand forecasting method
US20070282656A1 (en) Dynamic appointment tracking
US20200302376A1 (en) Systems and methods of controlling delivery of retail products
US10432507B2 (en) Customized communications for network systems
US20170083831A1 (en) Real-time wait estimation and prediction via dynamic individual and group service experience analysis
US10268988B2 (en) System and method for multi party characteristics and requirements matching and timing synchronization
US9864778B1 (en) System for providing events to users
EP3451275B1 (en) Information processing device and method
EP2613265B1 (en) Mobile terminal, data distribution server, data distribution system, and data distribution method
KR20150039851A (en) Public transportation navigator
US20200151660A1 (en) Network computing system for detecting auditory indicators of activity
US20110307598A1 (en) Automated calendar reconciliation
US20180181973A1 (en) Method of determining crowd dynamics
KR101932716B1 (en) System and method for recommendation phone number
US11104354B2 (en) Apparatus and method for recommending function of vehicle
JP2008181334A (en) Advertisement distribution order determination method, advertisement distribution system, advertisement distribution order determination device and computer program
CN110852626A (en) Dispatching method and device for receiving order, electronic equipment and storage medium
US6934624B2 (en) Systems and methods for providing information regarding the arrival of a party
CN112434222B (en) Service information pushing method and device, electronic equipment and storage medium
JP2007102525A (en) Congestion prediction system, congestion prediction server, congestion prediction method and program
JP2015069309A (en) Information terminal device and scheduling method and program therefore
CN112926796A (en) Get-off point recommendation method and device based on specific scene
EP1809002A2 (en) Method and system for monitoring of telecommunications activity

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20110826

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120312

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20121002

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20121019

R150 Certificate of patent or registration of utility model

Ref document number: 5118684

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20151026

Year of fee payment: 3

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250