CN109727057A - 候选地点评价系统以及候选地点评价方法 - Google Patents

Abstract

提供一种能够简单地进行候选地点的评价的候选地点评价系统。候选地点评价系统(1)具备：评价部(20)，根据用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型、以及示出成为候选地点的评价的对象的对象区域的第二地图，来评价对象区域中的候选地点的适合性，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出任意的区域中的规定的行业的原有设施的位置的位置信息而进行了机器学习的模型；以及输出部(30)，对评价结果进行输出。

Description

候选地点评价系统以及候选地点评价方法

技术领域

本申请涉及对设施的创设的候选地点进行评价的候选地点评价系统以及候选地点评价方法。

背景技术

以往，公开了一种在选择店铺设置位置时，事先从广范围的区域中对设置店铺的候选地点进行评价的技术(例如，专利文献1以及专利文献2)。在专利文献1公开的方法中，根据过去设置的店铺的实际成绩、统计数据等调查数据，构筑候选地点的评价的模型，并对候选地点进行评价。并且，专利文献2公开的装置利用居住地与竞争店的连线、以及顾客数量，来评价候选地点。

(现有技术文献)

(专利文献)

专利文献1 日本 特开2008-65607号公报

专利文献2 日本 专利第5785973号公报

然而，像过去设置的店铺的实际成绩、竞争店的顾客数量这种信息是不容易获得的，因此，在上述的以往的技术中存在很难对设施的创设的候选地点进行评价的问题。

发明内容

于是，本申请为了解决上述的问题，目的在于提供一种能够容易地对候选地点进行评价的候选地点评价系统等。

本申请的一个形态所涉及的候选地点评价系统具备：评价部，根据用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型、以及示出成为候选地点的评价的对象的对象区域的第二地图，来评价所述对象区域中的候选地点的适合性，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出所述任意的区域中的所述规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型；以及输出部，输出评价结果。

另外，这些概括的或具体的侧面可以由系统、装置、方法、记录介质、或计算机程序实现，也可以由系统、装置、方法、记录介质、以及计算机程序的任意组合来实现。

通过本申请所涉及的候选地点评价系统等，能够容易地进行候选地点的评价。

附图说明

图1是示出实施方式所涉及的候选地点评价系统的一个例子的构成图。

图2示出了位置信息的一个例子。

图3是示出实施方式所涉及的候选地点评价系统的工作的一个例子的流程图。

图4示出了第一地图的一个例子。

图5示出了第三地图的一个例子。

图6示出了第二地图的一个例子。

图7示出了评价结果的一个例子。

图8示出了第一地图中包含的信息的一个例子。

图9示出了第一地图中包含的信息的其他的一个例子。

图10示出了评价结果的其他的一个例子。

图11示出了评价结果的其他的一个例子。

图12示出了评价结果的其他的一个例子。

具体实施方式

本申请的候选地点评价系统具备：评价部，根据用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型、以及示出成为候选地点的评价的对象的对象区域的第二地图，来评价所述对象区域中的候选地点的适合性，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出所述任意的区域中的所述规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型；以及输出部，输出评价结果。

示出任意的区域的第一地图例如是对一定的区域的形状等缩小比例尺而描绘到平面的图，像这样的地图一般被广泛普及，因此容易获得。并且，示出规定的行业的原有设施的位置的位置信息，也能够通过在互联网等进行检索来容易地获得。因此，在机器学习中由于采用了这些容易获得的信息，从而能够容易地对设施的创设的候选地点进行评价。

并且，也可以是，所述候选地点评价系统进一步具备生成部，该生成部生成所述候选地点评价模型。

据此，由于能够廉价地获得第一地图以及位置信息，因此能够以低成本来生成候选地点评价模型，进而，能够以低成本来实现候选地点评价系统。

并且，也可以是，所述位置信息是所述任意的区域中的被表示在第三地图上的信息。

据此，由于能够根据在任意的区域没有示出原有设施的位置的第一地图、与在该任意的区域示出了原有设施的位置的第三地图的配对图像来进行机器学习，因此，能够通过在地图之间进行比较而高效地进行机器学习。

并且，也可以是，在所述第一地图以及所述第二地图中包括从地理信息系统(GIS：Geographic Information System)获得的地理信息。

据此，例如从GIS获得的与土地、设施、道路等有关的地理信息也用于机器学习，因此，用于机器学习时的信息增加，机器学习的精确度增高，从而能够提高候选地点的评价的精确度。

并且，也可以是，在所述第一地图以及所述第二地图至少包括交通量、拥挤程度、道路划分、高度、设施的行业、设施名、以及土地分类这些信息中的一个信息。

据此，由于能够在考虑到妨碍设施吸引顾客的主要因素、或有可能向设施吸引顾客的主要因素等的基础上进行机器学习，因此，能够提高候选地点的评价的精确度。

并且，也可以是，所述输出部，输出在所述对象区域中示出适合性为一定以上的候选地点的地图，以作为所述评价结果。

据此，优良的候选地点可以在视觉上一目了然。

并且，也可以是，所述输出部，输出在所述对象区域中按照位置而示出了适合性的热图，以作为所述评价结果。

据此，作为候选地点，能够网罗掌握所有的有希望的地点。

并且，也可以是，所述输出部，输出所述对象区域中的一个地点中的适合性，以作为所述评价结果。

据此，能够指定某一特定的地点，并能够掌握这一地点中的候选地点的适合性。

并且，也可以是，所述原有设施中包括过去存在于所述任意的区域而现在已不存在的设施。

据此，由于能够机器学习不适合作为候选地点的场所，因此，能够提高候选地点的评价的精确度。

并且，本申请的候选地点评价方法，利用计算机进行如下工作：生成用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出所述任意的区域中的所述规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型，根据示出成为所述候选地点的评价的对象的对象区域的第二地图、以及所述候选地点评价模型，对所述对象区域中的候选地点的适合性进行评价，并且，输出评价结果。

据此，能够提供能够容易地进行候选地点的评价的候选地点评价方法。

以下参照附图对实施方式进行具体说明。

另外，以下将要说明的实施方式均为概括性的或具体的例子。以下的实施方式所示的数值、形状、构成要素、构成要素的配置位置以及连接形态、步骤、步骤的顺序等为一个例子，主旨并非是对本发明进行限定。并且，对于以下的实施方式的构成要素之中示出最上位概念的独立技术方案中没有记载的构成要素，作为任意的构成要素来说明。

(实施方式)

以下利用图1至图12对实施方式进行说明。

图1是示出实施方式所涉及的候选地点评价系统1的一个例子的构成图。在图1中除了候选地点评价系统1以外，还示出了能够与候选地点评价系统1进行通信的第一服务器100、第二服务器200以及终端300。

第一服务器100是包括处理器(微处理器)、存储器、通信接口(通信电路等)等的计算机。在第一服务器100中存储示出规定的行业的原有设施的位置的位置信息，通过互联网等与第一服务器100连接的设备，能够从第一服务器100获得位置信息。规定的行业是指零售业、教育及学习支援业、医疗业、服务业等，但是没有特殊的限定。位置信息例如是原有设施的纬度经度。图2示出了位置信息的一个例子。图2作为规定的行业的原有设施的一个例子，示出了原有的零售店铺的纬度经度。第一服务器100例如能够通过互联网等网络与候选地点评价系统1通信，候选地点评价系统1从第一服务器100获得该位置信息。

第二服务器200是包括处理器(微处理器)、存储器、通信接口(通信电路等)等的计算机，例如是地理信息系统(GIS)。通过互联网等与第二服务器200连接的设备能够从第二服务器200获得地理信息。GIS是对地理信息进行综合管理、加工，并能够进行视觉上显示的技术。地理信息包括：示出空间上的特定的地点或区域的位置的信息、以及其所关联的与各种事件有关的信息。例如，地理信息是表现针对社会经济活动等特定的主题的状况的信息，具体而言，是城市规划图、地形图、地名信息、统计信息、航空照片、卫星图像等。第二服务器200例如能够通过互联网等网络与候选地点评价系统1通信，候选地点评价系统1从第二服务器200获得该地理信息。

终端300是包括处理器(微处理器)、存储器、通信接口(通信电路等)、用户界面(显示器、键盘、触摸屏等)等的计算机，例如是PC(Personal Computer)或智能手机、平板电脑等便携式终端。终端300例如能够通过互联网等网络与候选地点评价系统1通信。用户利用终端300将评价范围信息发送给候选地点评价系统1，进行候选地点的评价(使候选地点评价系统1进行候选地点的评价)。关于评价范围信息待后述。

候选地点评价系统1是用于对设施的创设的候选地点进行评价的系统。设施是指，便利店、超市等零售业的店铺、学校、医院、餐饮店、住宿设施、进行服务业的店铺、娱乐设施等，没有特殊的限定。并且，将店铺的设置、学校的创办、医院的开设等统称为设施的创设。候选地点评价系统1的功能构成要素具备：生成部10、评价部20、输出部30、第一获得部40以及第二获得部50。并且，虽然没有图示，候选地点评价系统1具备存储部。

候选地点评价系统1是包括处理器(微处理器)、存储器(存储部)、通信接口(通信电路等)等的计算机。候选地点评价系统1通过互联网等网络，由能够利用的服务器即所谓的云服务器来实现。存储器是ROM、RAM等，能够存储由处理器执行的控制程序(计算机程序)。例如通过处理器按照控制程序(计算机程序)来工作，从而候选地点评价系统1实现生成部10、评价部20、输出部30、第一获得部40以及第二获得部50。

候选地点评价系统1虽然例如由一个服务器实现，也可以由多个服务器实现，在这种情况下，各个功能构成要素可以分散配置到多个服务器。即，作为一个例子可以是，由多个服务器中的一个服务器来实现生成部10、评价部20以及输出部30，由其他的服务器来实现第一获得部40以及第二获得部50。分散配置的方式并非受此所限。

第一获得部40从第一服务器100获得位置信息(纬度经度)，从第二服务器200获得地理信息。第一获得部40从第二服务器200获得地理信息，具体而言，获得任意的区域的地形图。该地形图是对该任意的区域的形状等缩小比例尺而描绘到平面的第一地图，在第一地图中例如表示出该任意的区域中的道路、铁路、河流、建筑物的平面形状等地上框架。于是，第一获得部40通过在第一地图上描绘从第一服务器100获得的位置信息(该任意的区域中的原有设施的位置)，从而获得第三地图。这样，在本实施方式中，位置信息是任意的区域中被表示在第三地图上的信息。例如，第一获得部40通过也从第二服务器200获得地形图中的各位置的纬度经度，从而能够将以纬度经度表示的原有设施的位置描绘到地形图(第一地图)上。这样，第一获得部40准备多个相同区域中的第一地图与第三地图的配对图像。具体而言，如某任意的区域中的第一地图与第三地图的第一配对图像、其他的任意的区域中的第一地图与第三地图的第二配对图像等，第一获得部40分别准备区域不同的配对图像。

另外，候选地点评价系统1也可以不具备第一获得部40。例如，也可以在候选地点评价系统1所具备的存储部(未图示)，事先存储多个第一地图与第三地图的配对图像。并且，候选地点评价系统1也可以是具备第一服务器100以及第二服务器200的系统。

第二获得部50从第二服务器200获得地理信息，从终端300获得评价范围信息。评价范围信息是指，例如，像“以纬度经度{35.1、142.0}为中心的方圆300m的区域”那样，通过某地点(纬度经度)与从该地点的展开的范围大小，来指定成为候选地点的评价的对象的对象区域的信息。例如，用户通过将评价范围信息输入到终端300的用户界面(例如键盘)，从而该评价范围信息被发送到候选地点评价系统1，第二获得部50从第二服务器200获得示出与接收的该评价范围信息对应的对象区域的地形图。该地形图是示出成为候选地点的评价的对象的对象区域的第二地图，在第二地图中例如表示出该对象区域中的道路、铁路、河流、建筑物的平面形状等地上框架。

接着，利用图3等对生成部10、评价部20以及输出部30进行说明。

图3是示出实施方式所涉及的候选地点评价系统1的工作的一个例子的流程图。

首先，生成部10生成用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型，该候选地点评价模型是利用示出任意的区域的第一地图、与示出在任意的区域中的规定的行业的原有设施的位置的位置信息，进行了机器学习的模型(步骤S11)。在本实施方式中，生成部10生成利用第一地图以及第三地图(位置信息)而进行了机器学习的候选地点评价模型。生成部10利用作为机器学习的方法的深度学习(Deep Learning)来生成候选地点评价模型。

例如，生成部10根据针对各种区域的、没有示出规定的行业的原有设施的位置的第一地图与示出了该原有设施的位置的第三地图的多个配对图像，来学习规定的行业的设施容易存在于哪个场所。将利用图4以及图5对此进行说明。

图4示出了第一地图的一个例子。图5示出了第三地图的一个例子。图4以及图5所示出的地图分别是相同区域中的配对图像的一个例子。第三地图是针对第一地图描绘了原有设施的位置的地图，是所谓的赋予了正确标签(原有设施的位置)的训练数据。生成部10如图4以及图5所示那样，通过利用针对各种区域的配对图像来进行学习，例如对在车站的附近、拐弯地带、交叉点附近易于存在规定的行业的设施进行学习。这样，通过利用被机器学习的候选地点评价模型，从而能够将规定的行业的设施的候选地点描绘到未知的区域的地图(例如第二地图)。另外，作为机器学习的方法，并非受深度学习所限，也可以利用其他的方法。

另外，机器学习也可以在第一地图与位置信息(原有设施的位置：例如纬度经度)中进行。即，可以取代第三地图而将位置信息输入到生成部10。在这种情况下，通过图2所示的纬度经度的列表与第一地图的配对来进行机器学习。另外，在利用第一地图以及位置信息进行机器学习的情况、与利用第一地图以及第三地图来进行机器学习的情况下，所生成的候选地点评价模型中没有大的差别。第三地图是在第一地图中附加了位置信息的信息，这是因为在上述的各个状况下使用的信息没有大的差别的缘故。

接着，评价部20根据示出成为候选地点的评价的对象的对象区域的第二地图与候选地点评价模型，来评价该对象区域中的候选地点的适合性(步骤S12)。图6示出了第二地图的一个例子，例如是示出未知的区域的地图，该未知的区域是与到此为止生成部10进行学习时使用的区域不同的、由用户视为是候选地点的评价的对象的对象区域。另外，在第二地图示出的区域(对象区域)中也可以包括到此为止进行学习时所使用的区域。

并且，输出部30输出评价结果(步骤S13)。具体而言，输出部30将示出对象区域中，适合性为一定以上的候选地点的地图，作为评价结果输出到终端300。

图7示出了评价结果的一个例子。如图7所示，评价结果中包括示出对象区域中，适合性为一定以上的候选地点的地图。该地图成为在第二地图上描绘了规定的行业的设施的适合性为一定以上的候选地点的地图。根据候选地点评价模型中的学习结果，评价部20将上述这种车站附近、拐弯位置、交叉点附近等评价为优良的候选地点。图7所示的评价结果(地图)例如通过被显示在终端300的用户界面(例如显示器)，从而用户能够选定优良的设施创设场所。

如以上说明所示，示出任意的区域的第一地图是将一定的区域的形状等缩小比例尺来描绘到平面的图，这种地图由于被广泛普及，因此容易获得。并且，示出规定的行业的原有设施的位置的位置信息也能够通过互联网等检索而容易地得到。因此，由于机器学习中采用了这些容易获得的信息，这样，能够容易地进行设施的创设的候选地点的评价。而且，由于这些信息能够以低成本来获得，因此，能够低成本地生成候选地点评价模型，进而能够低成本地实现候选地点评价系统1。并且，通过基于机器学习的候选地点评价模型，由于进行了候选地点的评价，因此与通过人的主观判断进行的候选地点评价相比，能够提高候选地点的评价的精确度。具体而言，由于对候选地点进行了机器评价，因此与人的主观判断相比，能够没有遗漏地输出适合性高的候选地点。

并且，由于机器学习是通过在任意的区域没有示出原有设施的位置的第一地图、与在该任意的区域示出了原有设施的位置的第三地图的配对图像而被进行的，因此，通过对彼此的地图进行比较，从而能够有效地进行机器学习。

并且，由于也采用从GIS获得的与土地、设施、道路等有关的地理信息来进行机器学习，因此，机器学习时所使用的信息增加，机器学习的精确度增高，从而能够提高候选地点的评价的精确度。

并且，由于被评价的候选地点被表示在地图上，因此，优良的候选地点能够在视觉上一目了然。

另外，候选地点评价系统1也可以不具备生成候选地点评价模型的生成部10。在这种情况下，例如可以事先在候选地点评价系统1所具备的存储部(未图示)存储候选地点评价系统1以外生成的候选地点评价模型，评价部20可以通过从该存储部获得候选地点评价模型，来进行候选地点的评价。

并且，也可以是，在第一地图以及第二地图中至少包括交通量、拥挤程度、道路划分、高度、设施的行业、设施名、以及土地分类这些信息中的一个信息。这些信息例如可以从GIS获得。

图8示出了第一地图中包含的信息的一个例子。例如，可以如图8所示那样，在第一地图中包括示出道路的交通量的信息。例如，图8中的A、B所示的位置示出，在第一地图中的道路上附加颜色(例如红色等)，颜色越浓则交通量越多。

通过利用包含有示出道路的交通量的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够在考虑到规定的行业的原有设施的位置与交通量的关系的基础上来进行机器学习。并且，利用包括示出道路的交通量的信息的第二地图、以及针对规定的行业的设施的位置以及交通量的关系进行了学习的候选地点评价模型，能够进行考虑了与交通量的关系的候选地点的评价。例如，能够学习到在交通量多的道路附近易于存在规定的行业的设施，从而在也考虑到有可能提高顾客吸引力的位置即交通量多的位置的基础上，对候选地点进行评价。

图9示出了第一地图中包含的信息的其他的一个例子。例如图9所示，可以在第一地图中包括示出人的拥挤程度的信息。例如，在图9的A1至A4所示的各个区域，以颜色来区分人的拥挤程度(例如拥挤程度低为蓝色、拥挤程度中为黄色、拥挤程度高为红色)，示出了A4、A3、A2、A1以及拥挤程度的增高。

通过采用包括示出人的拥挤程度的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够在考虑到规定的行业的原有设施的位置与人的拥挤程度的关系的基础上来进行机器学习。于是，能够利用针对包括示出人的拥挤程度的信息的第二地图、与规定的行业的设施的位置以及拥挤程度的关系也进行了学习的候选地点评价模型，来评价也考虑了与拥挤程度的关系的候选地点。例如，能够学习到在拥挤程度高的区域附近易于存在规定的行业的设施，这样，能够在考虑到易于吸引顾客的位置即拥挤程度高的位置的基础上，进行候选地点的评价。

并且，在第一地图中也可以包括示出单向通行等道路划分的信息。通过利用包括示出单向通行等道路划分的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够在考虑到规定的行业的原有设施的位置与道路划分的关系的基础上，来进行机器学习。于是，利用包括示出道路划分的信息的第二地图、与针对规定的行业的设施的位置以及道路划分的关系也进行了学习的候选地点评价模型，能够进行也考虑了与道路划分的关系的候选地点的评价。例如，能够学习到在道路划分为单向通行的道路附近易于存在规定的行业的设施，这样，能够在也考虑到易于吸引顾客的单向通行的道路附近的位置的基础上来评价候选地点。

并且，第一地图中也可以包括示出高度的信息。通过利用包括示出高度的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够进行也考虑了规定的行业的原有设施的位置与高度的关系的机器学习。于是，利用包括示出高度的信息的第二地图、以及针对规定的行业的设施的位置以及高度的关系也进行了学习的候选地点评价模型，能够进行考虑了与高度的关系的候选地点评价。例如，能够学习到在高度高的(例如上坡路的结束位置)位置附近易于存在规定的行业的设施，从而能够在也考虑了妨碍吸引顾客的位置即高度高的位置的基础上，对候选地点进行评价。

并且，在第一地图中也可以包括示出设施的行业、设施名的信息。通过利用包括示出设施的行业/设施名的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够在也考虑了规定的行业的原有设施的位置与设施的行业/设施名的关系的基础上进行机器学习。于是，利用包括示出了设施的行业/设施名的信息的第二地图、以及针对规定的行业的设施的位置以及设施的行业/设施名的关系也进行了学习的候选地点评价模型，能够进行也考虑了与设施的行业/设施名的关系的候选地点的评价。例如，能够学习到最好不在与规定的行业为同一个行业的设施附近设置规定的行业的设施，从而能够在考虑到妨碍集中顾客的竞争设施的位置的基础上来评价候选地点。并且，例如学习到在车站、娱乐设施、与规定的行业不同的行业的设施等附近易于存在规定的行业的设施，从而能够在也考虑到容易集中顾客的位置即其他行业的设施的位置的基础上，对候选地点进行评价。

并且，在第一地图也可以包括示出河流、公园等土地分类的信息。通过利用包括示出土地分类的信息的第一地图、与示出了规定的行业的原有设施的位置的第三地图的配对图像，从而能够在也考虑到规定的行业的原有设施的位置与土地分类的关系的基础上进行机器学习。于是，利用包括示出土地分类的信息的第二地图、以及针对规定的行业的设施的位置与土地分类的关系也进行了学习的候选地点评价模型，能够进行考虑了与土地分类的关系的候选地点的评价。例如，能够学习到在河流的附近，没有设置桥梁的位置附近不适合存在规定的行业的设施，从而能够在考虑到妨碍集中顾客的河流等物理上有障碍物的位置的基础上进行候选地点的评价。

另外，在第一地图以及第二地图中也可以包括：步行者、自行车、汽车等移动路线信息、交通机关的时刻表/统计信息(电车、公交车等停车次数等)、设施的属性信息(在设施使用的物品等)、或设施的周边的统计数据(设施周边的停车场的大小等)等信息。

这样，通过在第一地图以及第二地图中至少包括交通量、拥挤程度、道路划分、高度、设施的行业、设施名、以及土地分类这些信息中的一个信息，从而能够考虑到妨碍设施吸引顾客的主要因素、或设施吸引顾客的可能性的主要因素等来进行机器学习，因此能够提高候选地点的评价的精确度。

并且，第一地图以及第二地图可以包括航空照片。据此，能够判断住宅是一户建还是公寓式，并能够学习到在公寓式住宅附近易于存在规定的行业的设施，从而能够在也考虑到有可能提高顾客的位置即公寓式住宅附近的位置的基础上，对候选地点进行评价。

另外，第一地图以及第二地图也可以分别由多个地图构成。并且，在这种情况下，交通量、拥挤程度、道路划分、高度、设施的行业、设施名、以及土地分类这些信息中的至少一个信息可以分散地包含在上述多个地图中。即，例如第一地图以及第二地图可以是由表示了平面形状等地上框架的地图、表示了交通量的地图、表示了拥挤程度的地图、……等多个地图构成，上述信息也可以不是全被包含在一个地图中。这样，通过上述的信息成为被分散到多个地图的状态，从而在进行机器学习时，不容易发生同一地点上的各个信息的欠缺和损坏，因此能够提高机器学习的精确度，并提高适合性的评价的精确度。

并且，输出部30虽然输出对象区域中示出适合性为一定以上的候选地点的地图以作为评价结果，但是输出的评价结果并非受此所限。

图10至图12示出了评价结果的其他的一个例子。

例如图10所示，输出部30也可以输出仅示出了适合性为一定以上的候选地点的点的地图，以作为评价结果。据此，用户在终端300，能够将该候选地点的点重叠显示到第二地图以外的用户所喜好的信息中。

并且，例如图11所示，输出部30也可以输出示出了在对象区域中按照各个位置的适合性的热图，以作为评价结果。在图11中示出，圆点的密度越高(黑色越浓)则适合性就越高。如图7所示，在适合性为一定以上的候选地点以点而被离散地示出的情况下，会出现该候选地点为其他人所拥有的土地等而不能使用的情况，在想要知道与该候选地点偏离一些的场所的适合性的情况下，如图11所示，在热图中由于在地图全体示出了适合性，因此能够广泛且有效地示出优良的候选地点。因此，作为候选地点能够网罗掌握有可能的地点。

并且，例如图12所示，输出部30也可以输出对象区域中的一个地点的适合性，以作为评价结果。在该一个地点为图12所示的手的图标的手指尖的情况下，作为评价结果，则该一个地点的适合性(适合概率)被输出。该一个地点例如与地图图像的一个像素对应，能够按照像素来输出适合概率。另外，适合性也可以不像图12所示那样以百分数的形式来输出，例如可以像A级别、B级别等来进行输出。在输出这种评价结果的情况下，例如在有已经开始出售的土地，并想要知道该土地的适合性的情况下有效。这样，能够指定特定的地点来精确查明作为候选地点的适合性，尤其是在有关注的土地的情况下，能够直接知道该土地的适合程度。

并且，例如作为任意的区域，也可以通过不存在规定的行业的原有设施的区域中的第一地图与第三地图的配对图像来进行机器学习。在这种情况下，由于能够积极地学习到规定的行业的设施不容易存在的场所，因此能够避开在不适合的场所进行创设。

并且，在原有设施中也可以包括过去存在于任意的区域，而现在不存在的设施。该设施的位置是，在该设施创设后，在邻近的位置出现了竞争店、或者周边的具有顾客吸引力的设施(例如加油站等)关闭、人口的减少、召集不到员工等主要因素而关闭的位置。这样，位置信息中可以包括不适合设施的创设的反面例子。据此，能够学习到关闭的设施的位置，从而能够回避在不适合的场所的设施创设。

(其他的实施方式)

以上关于本申请的候选地点评价系统1，基于实施方式进行了说明，本申请并非受上述的实施方式所限。在不脱离本申请的主旨的范围内，将本领域技术人员所能够想到的各种变形执行于本实施方式而得到的形态、以及对不同的实施方式中的构成要素进行组合而构筑的形态均包含在本申请的范围内。

例如，本申请不仅可以作为候选地点评价系统1来实现，而且可以作为包括执行构成候选地点评价系统1的各个构成要素的步骤(处理)的方法来实现。

具体而言，如图3所示，候选地点评价方法利用计算机执行如下步骤，(步骤S11)，生成用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型，该候选地点评价模型是利用示出任意的区域的第一地图、以及示出任意的区域的规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型；(步骤S12)，根据示出成为候选地点的评价的对象的对象区域的第二地图以及候选地点评价模型，对对象区域中的候选地点的适合性进行评价；(步骤S13)，输出评价结果。

并且，例如这些步骤可以由计算机(计算机系统)来执行。于是，本申请能够作为用于使计算机执行这些方法中所包含的步骤的程序来实现。而且，本申请能够作为记录这些程序的CD-ROM等非暂时性的计算机可读取的记录介质来实现。

例如，在本申请以程序(软件)来实现的情况下，通过利用计算机的CPU、存储器以及输入输出电路等硬件资源来执行程序，从而执行各个步骤。即，通过CPU从存储器或输入输出电路等获取并运算数据，并将运算结果输出到存储器或输入输出电路等，从而各个步骤被执行。

并且，上述的实施方式的候选地点评价系统1所包含的多个构成要素可以分别作为专用或通用的电路来实现。这些构成要素可以作为一个电路来实现，也可以作为多个电路来实现。

并且，上述的实施方式的候选地点评价系统1中所包含的多个构成要素可以作为集成电路(IC：Integrated Circuit)的LSI(Large Scale Integration)来实现。这些构成要素可以分别被制成一个芯片，也可以是一部分或全部被制成一个芯片。LSI根据集成度的不同，有被称为系统LSI、超级LSI或极超级LSI的情况。

并且，集成电路并非受LSI所限，可以由专用电路或通用处理器来实现。也可以利用可编程的FPGA(Field Programmable Gate Array：现场可编程门阵列)、或LSI内部的电路单元的连接以及设定可被重构的可重装处理器。

而且，随着半导体技术的进步或派生出的其他的技术，若出现了能够替代LSI的集成电路化的技术，自然可以利用该技术来对候选地点评价系统1中包括的各个构成要素进行集成电路化。

另外，针对实施方式执行本领域技术人员所能够想到的各种变形而得到的形态、以及在不脱离本申请的主旨的范围内对各个实施方式中的构成要素以及功能进行任意地组合而实现的形态均包括在本申请内。

本申请的一个形态例如能够利用到在对设施进行创设(店铺等的设置等)时，从广泛的区域中选择优良的场所的服务等中。

符号说明

1 候选地点评价系统；

10 生成部；

20 评价部；

30 输出部；

40 第一获得部；

50 第二获得部；

100 第一服务器；

200 第二服务器(GIS)；

300 终端。

Claims (10)

1.一种候选地点评价系统，具备：

评价部，根据用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型、以及示出成为候选地点的评价的对象的对象区域的第二地图，来评价所述对象区域中的候选地点的适合性，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出所述任意的区域中的所述规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型；以及

输出部，输出评价结果。

2.如权利要求1所述的候选地点评价系统，

所述候选地点评价系统进一步具备生成部，该生成部生成所述候选地点评价模型。

3.如权利要求1所述的候选地点评价系统，

所述位置信息是所述任意的区域中的被表示在第三地图上的信息。

4.如权利要求1所述的候选地点评价系统，

在所述第一地图以及所述第二地图中包括从地理信息系统获得的地理信息。

5.如权利要求1所述的候选地点评价系统，

在所述第一地图以及所述第二地图至少包括交通量、拥挤程度、道路划分、高度、设施的行业、设施名、以及土地分类这些信息中的一个信息。

6.如权利要求1所述的候选地点评价系统，

所述输出部，输出在所述对象区域中示出适合性为一定以上的候选地点的地图，以作为所述评价结果。

7.如权利要求1所述的候选地点评价系统，

所述输出部，输出在所述对象区域中按照位置而示出了适合性的热图，以作为所述评价结果。

8.如权利要求1所述的候选地点评价系统，

所述输出部，输出所述对象区域中的一个地点中的适合性，以作为所述评价结果。

9.如权利要求1至8的任一项所述的候选地点评价系统，

所述原有设施中包括过去存在于所述任意的区域而现在已不存在的设施。

10.一种候选地点评价方法，利用计算机进行如下工作：

生成用于对规定的行业的设施的创设的候选地点进行评价的候选地点评价模型，所述候选地点评价模型是利用示出任意的区域的第一地图、以及示出所述任意的区域中的所述规定的行业的原有设施的位置的位置信息，而进行了机器学习的模型，

根据示出成为所述候选地点的评价的对象的对象区域的第二地图、以及所述候选地点评价模型，对所述对象区域中的候选地点的适合性进行评价，

并且，输出评价结果。