CN112204604A - 信息处理装置、信息处理方法以及程序 - Google Patents

信息处理装置、信息处理方法以及程序 Download PDF

Info

Publication number
CN112204604A
CN112204604A CN201980036839.1A CN201980036839A CN112204604A CN 112204604 A CN112204604 A CN 112204604A CN 201980036839 A CN201980036839 A CN 201980036839A CN 112204604 A CN112204604 A CN 112204604A
Authority
CN
China
Prior art keywords
area
areas
riding
clustering
information processing
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.)
Withdrawn
Application number
CN201980036839.1A
Other languages
English (en)
Inventor
右田隆仁
金盛克俊
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Publication of CN112204604A publication Critical patent/CN112204604A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本技术涉及一种信息处理装置、信息处理方法和程序，其使得可以更有效地学习和预测出租车乘车需求。该信息处理装置具备控制单元，该控制单元将运营区域划分为多个区域，并且使用作为表示乘客正在搭乘于运营车辆中的每个区域的数据的实际车辆序列数据，执行使用第一参数对多个区域进行聚类的第一聚类，并执行使用第二参数对多个区域进行聚类的第二聚类。本技术例如能够应用于预测出租车乘车需求的信息处理装置。

Description

信息处理装置、信息处理方法以及程序
技术领域
本技术涉及信息处理装置、信息处理方法和程序，并且具体地，涉及被配置为能够以更有效的方式学习和预测出租车的乘车需求的信息处理装置、信息处理方法和程序。
背景技术
在出租车行业中，积极地促进预测出租车的乘车需求并以更有效的方式执行运营的倡议(例如，参考PTL 1)。
引用列表
专利文献
PTL 1JP 2017-194863A
发明内容
技术问题
在预测出租车需求的系统中，期望以更有效的方式学习和预测大量的累积数据。
本技术是鉴于上述情况而提出的，其目的在于能够更有效地学习预测出租车的乘车要求。
问题的解决方案
根据本技术的一方面的信息处理装置包括：控制部，其被配置为将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
根据本技术的一个方面的信息处理方法包括：通过信息处理装置，将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
根据本技术的一个方面的程序使计算机执行以下处理：将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
在本技术的一个方面中，运营区域被划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
该程序可以通过经由传输介质传输或记录在记录介质上来提供。
根据本技术的一个方面的信息处理装置可以通过使计算机执行该程序来实现。
另外，为了实现根据本技术的一个方面的信息处理装置，可以通过经由传输介质传输或记录在记录介质上来提供要由计算机执行的程序。
信息处理装置可以是独立装置或构成单个装置的内部块。
发明的效果
根据本技术的一方面，可以以更有效的方式学习和预测出租车的接客需求。
应当注意，上述有利效果不一定是限制性的，并且本公开中描述的任何有利效果都可以适用。
附图说明
图1是示出已应用本技术的预测系统的实施例的配置示例的框图。
图2是示出需求预测应用程序的需求预测画面的示例的图。
图3是示出预测系统的配置示例的框图。
图4是示出车辆动态日志数据的示例的图。
图5是用于说明载客车辆数据的生成的示例的图。
图6是示出载客车辆序列数据的示例的图。
图7是用于说明载客车辆序列数据生成处理的流程图。
图8是用于说明学习预测处理的流程图。
图9是示出第一聚类的结果的示例的图。
图10是示出第一聚类的结果的示例的图。
图11是示出两阶段聚类的结果的示例的图。
图12是用于说明未知区域聚类分类处理的流程图。
图13是示出需求预测画面的第一显示示例的图。
图14是示出需求预测画面的第二显示示例的图。
图15是示出需求预测画面的第三显示示例的图。
图16是用于说明乘车位置的学习的图。
图17是示出需求预测画面的第四显示示例的图。
图18是示出需求预测画面的第五显示示例的图。
图19是示出需求预测画面的第六显示示例的图。
图20是示出车费预测画面的示例的图。
图21是用于说明乘车位置的学习的图。
图22是用于说明下车位置的学习的图。
图23是用于说明乘车位置的学习的图。
图24是示出已应用本技术的计算机的实施例的配置示例的框图。
具体实施方式
在下文中，将描述用于实现本技术的模式(在下文中，被称为实施例)。将按以下顺序给出描述。
1.预测系统的配置示例
2.需求预测应用程序的画面的示例
3.框图
4.载客车辆序列数据生成处理
5.学习预测处理
6.未知区域聚类分类处理
7.区域AR的组合显示
8.需求方向和频率的显示
9.精确预测的显示
10.排队时间预测的显示
11.远距离程度预测的显示
12.乘车距离预测的显示
13.车费预测的显示
14.乘车位置的学习
15.下车位置的学习
16.乘车位置的学习
17.通过声音进行乘车需求引导
18.推荐路线提示处理
19.禁止乘车区引导显示
20.队列地方显示
21.列车时刻显示
22.反向乘车点显示
23.预约、串街揽客和排队的需求预测分类的显示
24.车费预测的显示
25.实时的空车车辆数量的显示
26.一天的运营评估的显示
27.考虑距离和方位的附加信息的显示
28.与行进方向对应的信息的显示
29.计算机的配置示例
<1.预测系统的配置示例>
图1示出了应用了本技术的预测系统的实施例的配置示例。
图1所示的预测系统1是由多个出租车11和服务器(信息处理装置)12构成，并且基于从出租车11获取的数据预测出租车11的运营区域中的乘车需求的系统。
出租车11是在指定的运营区域行驶并搭载乘客的运营车辆。出租车11上安装有出租车计价器21、车辆管理装置22和终端装置23。
出租车计价器21接受驾驶员的“载客”和“空车”的操作。“载客”表示出租车11已经搭载乘客并且正在行驶的状态，并且“空车”表示出租车11正在行驶而没有搭载乘客的状态。当“载客”时，出租车计价器21根据行驶时间和行驶距离中的至少一个计算车费(行程价格)，并在指定的显示部分显示车费。
车辆管理装置22生成以指定的时间间隔时间顺序地记录出租车11行驶的位置(路径)、“载客”或“空车”的状态等的车辆动态日志数据，并经由指定的网络将所生成的车辆动态日志数据发送到服务器12。从出租车计价器21获取“载客”或“空车”的状态。
终端装置23由诸如智能手机或平板终端的信息处理装置构成。终端装置23存储应用程序(以下，也简称为需求预测应用程序)，该应用程序使用从服务器12发送的乘车需求预测数据在显示器上显示乘车的需求预测。
需求预测应用程序通过由驾驶员执行的操作在终端装置23上被激活和执行。需求预测应用程序经由指定网络接收从服务器12发送的乘车需求预测数据，并且基于所接收的乘车需求预测数据，在显示器上显示地图上预测乘车需求的预测结果。稍后将参考图2等描述预测乘车需求的预测结果的具体显示示例。
服务器12经由网络从多个出租车11获取车辆动态日志数据。另外，服务器12使用大量获取的车辆动态日志数据，生成乘车需求预测数据，并经由网络将所生成的乘车需求预测数据发送到多个出租车11中的每一个。
连接服务器12、车辆管理装置22和终端装置23的网络例如由诸如所谓的3G或4G网络、因特网、公共电话网络、卫星通信网络等的移动通信网络构成。
出租车11的驾驶员在参照通过需求预测应用程序在终端装置23的显示器上显示的乘车需求预测的同时，驾驶出租车11以便获取乘客。
<2.需求预测应用程序的画面的示例>
图2示出了由终端装置23中的需求预测应用程序显示的需求预测画面的示例。
在图2所示的需求预测画面上，显示地图41，并且同时，当前位置符号61、缩放按钮62、需求预测网格63、设置按钮64等被在地图41上叠加并显示。
另外，在需求预测画面中，在与地图41的显示区域不同的区域设置有预测时刻设置区域42，并且预测时刻设置区域42包括预测时刻显示71和预测时刻变更按钮72A和72B。
当前位置符号61表示出租车11的当前位置。当放大或缩小地图41的比例尺时，操作缩放按钮62。
需求预测网格63由以矩阵模式布置的多个区域AR构成。区域AR表示通过以类似格网的方式划分需求预测网格63而创建的单个区域。尽管在图2所示的示例中，在地图41的部分区域中布置了28(4乘以7)个区域AR，但是区域AR可以在地图41的整个区域上叠加并显示。
根据基于从服务器12发送的乘车需求预测数据的乘车需求程度以颜色或浓度显示需求预测网格63的每个区域AR。例如，在图2中，具有高浓度的区域AR表示乘车需求高的区域AR，并且具有低浓度的区域AR表示具有低乘车需求的区域AR。
当配置与需求预测画面的显示有关的各种设置时，诸如选择可在需求预测画面上显示的项目和显示顺序时，操作设置按钮64。稍后将描述可显示在需求预测画面上的每个项目的细节。
预测时刻设置区域42中的预测时刻显示71显示需求预测网格63正在显示的需求预测的时刻。换句话说，在需求预测网格63上显示预测时刻显示71中所显示的时刻的需求预测。通过敲击预测时刻显示71将预测时刻显示71重新设置为当前时刻。当将预测时刻显示71的预测时刻提前或后退指定单位(例如，10分钟)时，操作预测时刻变更按钮72A和72B。
如上所述，终端装置23的需求预测应用程序接收从服务器12发送的乘车需求预测数据，并且基于接收到的乘车需求预测数据，在显示器上显示预测地图41上的乘车需求的需求预测网格63作为预测结果。
虽然在图2所示的示例中，根据乘车需求程度以不同的颜色或浓度显示需求预测网格63的每个区域AR，但如后面将描述的图13中所示，可以同时显示乘车数量的预测结果。
<3.框图>
接下来，将描述安装到出租车11和服务器12的每个装置的详细配置。
图3是示出服务器12、出租车计价器21、车辆管理装置22和终端装置23的配置示例的框图。
出租车计价器21接受驾驶员的“载客”和“空车”操作，并在指定的显示部上显示“载客”或“空车”的状态和车费(行程价格)。
出租车计价器21向车辆管理装置22提供“载客”或“空车”的状态。
车辆管理装置22包括位置检测部101、速度检测部102、控制部103、存储部104和通信部105。
例如，位置检测部101由GPS(全球定位系统)接收器等构成，并且接收由定位卫星广播的定位信号，以检测出租车11的当前位置。另外，位置检测部101包括陀螺仪传感器、地磁传感器等，并且检测出租车11的行进方向。
速度检测部102由速度传感器、加速度传感器等构成，并且检测出租车11的移动速度。可选地，速度检测部102可以通过从检测出租车11的车轮的转速的速度传感器获取测量值来检测出租车11的移动速度。
例如，控制部103由CPU(中央处理单元)、RAM(随机存取存储器)等构成，读取存储在存储部104中的操作控制程序，并根据操作控制程序控制整个车辆管理装置22的操作。具体而言，控制部103从出租车计价器21、位置检测部101、速度检测部102分别以一定的时间间隔获取数据，生成车辆动态日志数据，并使存储部104存储生成的车辆动态日志数据。另外，在预先设置的指定定时，控制部103经由通信部105定期地或不定期地将存储在存储部104中的车辆动态日志数据发送到服务器12。
例如，存储部104由硬盘、ROM(只读存储器)、RAM、NVRAM(非易失性RAM)等构成，并且存储车辆动态日志数据。通信部105在控制部103的控制下与服务器12执行指定的通信。通信部105由经由指定的网络执行网络通信的网络接口构成。
服务器12包括控制部121、存储部122和通信部123。
例如，控制部121由CPU、RAM等构成，读取存储在存储部122中的操作控制程序，并根据操作控制程序控制整个服务器12的操作。
功能上，控制部121至少包括数据生成部131、学习部132和预测部133，并且通过机器学习预测地图41上的每个区域AR的乘车需求。作为机器学习的方法，可以选择任意方法，诸如k-means(K均值)方法、自组织映射(SOM)、神经网络或HMM(隐马尔可夫模型)。
数据生成部131使存储部122存储经由通信部123从多个出租车11的每个车辆管理装置22获取的车辆动态日志数据。
图4示出了由出租车11的车辆管理装置22生成并被发送到服务器12的车辆动态日志数据的示例。
车辆管理装置22以指定的时间间隔(例如，1分钟间隔)生成车辆动态日志数据，并且累积车辆动态日志数据。
如图4所示，要被生成为车辆动态日志数据的项目包括：用于识别出租车11所属公司的公司ID；用于识别出租车11的车辆的无线电ID；用于识别正在驾驶出租车11的驾驶员ID；表示状态的生成时刻的状态时刻；表示出租车11的位置信息的纬度和经度；表示出租车11的行驶速度和行进方向的方向和速度；以及“载客”或“空车”的状态。
数据生成部131根据存储部122中存储的车辆动态日志数据，生成作为与载客车辆有关的数据的载客车辆数据。
图5示出载客车辆数据的生成示例。
载客车辆数据是通过从车辆动态日志数据提取与出租车11进行的乘车有关的信息而生成的数据，并且是从与状态从“空车”改变为“载客”的乘车变化点和状态从“载客”改变为“空车”的下车变化点有关的信息生成的数据。
例如，如图5所示，载客车辆数据包括ID、乘车时刻、出发地点、到达地点、乘车时间、乘车距离和车费的各个项。
ID是将车辆动态日志数据中的公司ID、无线电ID和驾驶员ID组合的数据。
作为乘车时刻，计算并记录乘车变化点的“空车”的状态时刻和“载客”的状态时刻之间的时刻。
作为出发地点，计算并记录乘车变化点的“空车”的纬度和经度与“载客”的纬度和经度之间的纬度和经度。
作为到达地点，计算并记录下车变化点的“空车”的纬度和经度与“载客”的纬度和经度之间的纬度和经度。
作为乘车时间，计算并记录从乘车时刻开始的下车变化点的“空车”的状态时刻和“载客”的状态时刻之间的时间段(例如，以分钟为单位)。
作为乘车距离，计算并记录从出发地点到到达地点的距离(例如，以km为单位)。
根据来自乘车时间和乘车距离的出租车车费的指定来计算车费，并且记录所计算的车费。
载客车辆数据的各项的计算方法不限于上述方法，并且可以采用其他方法。例如，可以根据状态为“载客”的车辆动态日志数据的第一条和最后一条来计算上述各项。另外，可以从车辆管理装置22获取关于车费和乘车距离的信息作为车辆动态日志数据的一部分，而不是根据乘车变化点和下车变化点的位置来计算。
数据生成部131基于根据多个出租车11的车辆管理装置22的车辆动态日志数据生成的多个载客车辆数据，针对每个区域AR生成载客车辆序列数据，该载客车辆序列数据是表示以指定时间单位(10分钟)的乘车数量的时间序列数据。例如，数据生成部131针对每个区域AR生成载客车辆序列数据，该载客车辆序列数据是表示每10分钟的乘车数量的计数的时间序列数据。
图6示出通过划分出租车11的运营区域而得到的多个区域AR中的三个区域AR、即区域1223、区域1224、区域1225的载客车辆序列数据的示例的图。
载客车辆序列数据的横坐标表示日期和时刻，并且其纵坐标表示乘车数量。虽然图6中所示的载客车辆序列数据是相当于八天的数据，但是载客车辆序列数据的创建时段可以被设置为任意时段，诸如一周、一个月或一年。例如，将载客车辆序列数据的创建时段设置为一周使得能够捕获该周的一天的变化，并且将载客车辆序列数据的创建时段设置为诸如几个月或一年的长时段使得除了该周的一天的变化之外还能够捕获诸如年末和新年假期、黄金周假期(日本历上的公共假期的集合)和夏日假期的季节变化。
例如，在区域1223的载客车辆序列数据的示例中，其乘车时刻包括在2017年3月21日的从10:00到10:10的10分钟内并且其出发地点位于区域1223内的载客车辆数据的条数被计数为乘车数量。采用计数结果作为地区1223在2017年3月21的从10:00到10:10的载客序列数据。在所获取的载客车辆数据的整个时段中计算类似的处理，以生成区域1223的载客车辆序列数据。
返回图3，学习部132使用基于从多个出租车11的车辆管理装置22获取的载客车辆数据而生成的多个长时段的载客车辆序列数据，通过学习来生成预测乘车需求的预测器。
预测部133使用由学习部132生成的预测器来预测在指定时刻或在指定时隙中的乘车需求。预测部133的预测结果作为乘车需求预测数据被发送到终端装置23。
存储部122存储从各车辆管理装置22获取的车辆动态日志数据和根据车辆动态日志数据生成的载客车辆序列数据。作为用于从车辆动态日志数据生成载客车辆序列数据的中间数据的载客车辆数据也可以存储在存储部122中。
通信部123在控制部121的控制下执行与车辆管理装置22和终端装置23的指定通信。通信部123由经由指定网络进行网络通信的网络接口构成。
终端装置23包括控制部141、操作部142、显示部143和通信部144。
例如，控制部141由CPU、RAM等构成，并且根据存储在存储部(未示出)中的操作控制程序来控制整个终端装置23的操作。例如，控制部141基于作为用户的驾驶员的操作来执行需求预测应用程序。
操作部142由设置在终端装置23上的多个操作按钮、叠加在显示部143上的触摸面板等构成，并且接受用户的操作，并将与所接受的操作相对应的操作信号提供给控制部141。
例如，显示部143由LCD(液晶显示器)构成，并且显示指定信息，诸如图2所示的需求预测画面。
通信部144在控制部141的控制下与服务器12进行指定通信。通信部144由经由指定网络执行网络通信的网络接口构成。
服务器12、出租车计价器21、车辆管理装置22以及终端装置23如上所述地构成。
以下，将描述分别由服务器12、车辆管理装置22和终端装置23执行的处理的细节。
<4.载客车辆序列数据生成处理>
首先，将参照图7所示的流程图，对服务器12的载客车辆序列数据生成处理进行说明。例如，能够在定期或不定期的指定定时执行处理。
首先，在步骤S1中，服务器12的数据生成部131获取(接收)经由网络从多个出租车11的每个车辆管理装置22发送的车辆动态日志数据。应注意，每个车辆管理装置22可以在任意定时单独地将车辆动态日志数据发送到服务器12，并且发送不必是同时的。
在步骤S2中，数据生成部131从获取的车辆动态日志数据生成载客车辆数据。例如，载客车辆数据包括从诸如上车时刻和出发地点的车辆动态日志数据的项计算的数据以及由服务器12添加的诸如车费的外部数据。可以提供的外部数据的其他示例包括与诸如一周中的某天、工作日或休息日的日期相关信息、与在相关区域AR中的数据获取日所保持的事件等相关的事件信息、以及关于天气的信息。将外部数据作为载客车辆数据进行添加使得例如能够学习和预测根据一周中的每天、特定事件的存在与否、天气等的状态特定的乘车需求。
在步骤S3中，数据生成部131基于从多个出租车11的车辆管理装置22生成的多条载客数据，生成每个区域AR的载客序列数据，将生成的载客序列数据存储在存储部122中，并结束载客序列数据生成处理。
<5.学习预测处理>
接下来，参照图8的流程图，将说明使用生成的每个区域AR的载客车辆序列数据来学习和预测乘车需求的学习预测处理。例如，也可以在诸如定期地或不定期地的指定定时执行处理。
首先，在步骤S21中，服务器12的学习部132从通过划分出租车11的运营区域而得到的多个区域AR中提取代表区域。学习部132从多个区域AR中选择预先确定的指定数量的区域AR作为代表区域。代表区域可以随机确定，或者例如知识渊博的用户可以根据诸如市内区域AR和近郊区域AR、靠近车站的区域AR和远离车站的区域AR、或者具有大量车站的区域AR和具有少量车站的区域AR的指定准则选择代表区域。
在步骤S22中，学习部132使用提取作为代表区域的每个区域AR的载客车辆序列数据来执行两阶段聚类。更具体地，学习部132使用第一参数执行对所提取的多个区域AR中的每一个进行聚类的第一聚类以及使用第二参数执行对所提取的多个区域AR中的每一个进行聚类的第二聚类。
例如，学习部132使用区域AR中每单位时间(例如，每天)的乘车数量的平均值和离差作为第一参数来执行第一聚类，并且使用区域AR中每单位时间(例如，每天)的乘车数量的平均值的波形作为第二参数来执行第二聚类。作为聚类的方法，例如，可以使用k-均值方法等。
图9和10示出了使用乘车数量的平均值和离差作为参数对作为代表区域的多个区域AR进行聚类的第一聚类的结果的示例。
图9示出了提取作为代表区域的多个区域AR的分布，其中横坐标表示平均值，纵坐标表示离差。
图10是示出针对每个聚类的作为代表区域的多个区域AR的载客车辆序列数据的图。在图10中，横坐标表示时刻(0:00至24:00)，纵坐标表示乘车数量。
基本上，由于在一天的各时隙(早晨、白天、夜间等)的载客车辆序列数据中出现类似的特征，因此使用通过将载客车辆序列数据划分成基本单位(天)而获得的数据来执行聚类。
在图9和10中，提取作为代表区域的多个区域AR(的载客车辆序列数据)被分类为六个聚类。
图11示出了组织第一聚类的聚类结果和第二聚类的聚类结果的两阶段聚类的结果的示例。
在图11中，水平方向(以列为单位)表示第一阶段的聚类结果，而垂直方向(以行为单位)表示第二阶段的聚类结果。以矩阵模式布置的各图的横坐标和纵坐标与图10中的横坐标和纵坐标类似。
在图11中，列数1、列数2、列数3……是第一聚类的聚类结果，并且表示一组区域AR(一组区域AR)，其中在垂直方向上布置的多个区域AR具有类似的乘车数量的平均值和离差。另一方面，行数A、行数B、行数C、……是第二次聚类的聚类结果，并且表示在具有类似的平均乘车数量的波形的区域AR中对表示第一次聚类的聚类结果的各组区域AR进一步聚类的结果。以矩阵模式布置的每个图中的数字表示被分类到聚类中的区域AR的数量。例如，行数为D且列数为2的聚类D-2的图中的数字“468”表示代表区域中的468个区域AR被分类到聚类D-2中。作为第一参数使用的每单位时间的乘车数量的平均值和离差表示每单位时间的乘车数量的大小和每单位时间的乘车数量的变化的大小，并且作为第二参数使用的每单位时间的平均乘车数量的波形表示每单位时间的乘车数量的时间变化的趋势。
应注意，第二阶段的聚类可以针对第一阶段的每个聚类结果单独执行，或者可以独立于第一阶段聚类结果而针对被提取为代表区域的全部多个区域AR执行。
在本实施例中，例如，假设出租车11的运营区域被划分成4400个区域AR，在4400个区域AR中，提取一半或2200个区域AR作为代表性网格，并且对2200个区域AR执行两阶段聚类以将区域AR分类为44个聚类。
接下来，在图8所示的步骤S23中，学习部132针对每个聚类使用属于该聚类的载客车辆序列数据来调整以学习率为代表的预测器的学习参数，并且前进到步骤S24。
在步骤S24中，学习部132针对每个聚类学习用于使用调整的学习参数和属于该聚类的一个或多个区域AR的载客车辆序列数据来预测乘车需求的预测器，并且前进到步骤S25。
在步骤S25中，预测部133使用由学习部132生成的预测器来预测在指定区域AR中的指定时刻处的乘车需求。例如，当预测属于聚类C-4的区域AR的乘车需求时，使用聚类C-4的预测器来预测指定时刻的乘车需求。
步骤S21至S24的学习处理和步骤S25的预测处理可以作为连续的一系列处理来执行，或者步骤S25的预测处理可以在与步骤S21至S24的处理不同的定时执行。
例如，步骤S25的处理在步骤S24的处理之后执行，并且计算在构成出租车11的运营区域的每个区域AR的指定时刻的乘车需求，并将其存储在存储部122中。另外，响应于来自终端装置23的请求，存储在存储部122中的需求的预测数据被作为乘车需求预测数据发送到终端装置23。
或者，在从终端装置23请求一个或多个区域AR的指定时刻的乘车需求的预测数据的定时执行步骤S25的处理，并且将步骤S25的处理结果作为乘车需求预测数据发送到终端装置23。
如图2所示，已经接收到乘车需求预测数据的终端装置23的需求预测应用程序显示需求预测网格63，其颜色或浓度根据作为预测结果的每个区域AR的乘车数量而改变。
根据上述学习预测处理，在构成运营区域的4400个区域AR中，提取作为代表区域的2200个区域AR的每一个被分类到指定的聚类中，并且可以根据分类结果预测乘车需求。
另一方面，对于没有被提取为代表区域的剩余2200个区域AR(以下，也称为未知区域AR)，在这个阶段，不清楚区域AR将被分类到哪个聚类中，并且不能预测乘车需求。
<6.未知区域聚类分类处理>
接下来，将描述用于预测未知区域AR的乘车需求的处理。
下面，参照图12的流程图，对用于决定未知区域AR所属的聚类的未知区域群分类处理进行说明。例如，可以在诸如定期或不定期的指定定时执行处理。
首先，在步骤S41中，服务器12的学习部132学习在学习预测处理中分类的各聚类的载客车辆序列数据的特征(平均值、离差、形状)。换句话说，通过学习器学习提取作为代表区域的2200个区域AR的载客车辆序列数据与聚类之间的关系。
在步骤S42中，服务器12的预测部133将未知区域AR的载客车辆序列数据输入分类器，该分类器使用通过步骤S41中的学习获得的参数来确定未知区域AR的聚类。
如上所述，根据未知区域聚类分类处理，可以使用通过学习代表区域的聚类结果与载客车辆序列数据之间的关系而生成的分类器，来执行对代表区域以外的未知区域AR的聚类。
一旦可以确定未知区域AR的聚类，就可通过使用所确定聚类的预测器执行上述步骤S25的预测处理来预测未知区域AR的乘车需求。
因此，通过执行图8所示的学习预测处理和图12所示的未知区域聚类分类处理，可以预测构成出租车11的运营区域的全部4400个区域AR的乘车需求。
在图8所示的学习预测处理中，由于通过步骤S21的处理，提取代表区域，能够减少要学习的区域AR的数量、换句话说载客车辆序列数据的数据量，因此能够减轻运算负荷，并且能够降低乘车需求预测所需的成本和时间。
另外，在步骤S22中，通过使用提取作为代表区域的每个区域AR的载客车辆序列数据来执行两阶段聚类，可以减少学习器的数量，并且可以减少乘车需求预测所需的成本和时间。具体地，当不执行两阶段聚类时，需要提取作为代表区域的(2200个)区域AR中的学习器，执行两阶段聚类并且将区域AR分类为指定数量的聚类使得能够将学习所需的学习器的数量减少到(44个)聚类的数量。
各聚类的学习器可以使用被分类为聚类的全部区域AR的载客车辆序列数据。也就是说，例如，在学习区域1223的乘车需求预测的时，通常仅使用在区域1223中获取的载客车辆序列数据来进行学习。与此相对，在本技术中，例如，在将区域1223分类为聚类D-2并且存在属于该聚类D-2的468个区域AR时，能够使用包括区域1223以外的区域AR的468个区域AR的载客车辆序列数据来进行学习。因此，由于可以使用比在单个区域AR中可以获取的数据量更大的数据量来针对一个学习器执行学习，因此可以提高预测精度。
另外，即使对于在学习预测处理中没有被提取为代表区域的未知区域AR，执行未知区域聚类分类处理也使得能够确定未知区域AR的聚类并使用已经确定的聚类的预测器来预测未知区域AR的乘车需求。
虽然在上述步骤S23和S24中仅使用提取作为代表区域的每个区域AR的载客车辆序列数据来执行学习参数的调整和预测器的学习，但是可选地，一旦已经针对未知区域AR确定了聚类，则可以通过另外使用包括在运营区域中的全部未知区域AR的载客车辆序列数据来执行学习参数的调整和预测器的学习。
因此，根据图1所示的预测系统1，可以更高效地执行学习和预测。另外，能够以少量的数据提高预测精度。
在上述学习预测处理和未知区域聚类分类处理中，使用根据从多个出租车11的车辆管理装置22获取的全部车辆动态日志数据生成的载客车辆序列数据来执行聚类分类和学习，而不管一周中的某天、工作日、休息日等。
然而，可以将载客车辆序列数据分类为诸如一周中的某天、工作日、休息日、天气等的类别，并且可以针对每个类别执行聚类分类和学习。因此，可以针对诸如一周中的一天、工作日、休息日、天气、事件的存在或不存在等的每个指定条件来预测乘车需求，并且可以在显示器上显示其预测结果。
<7.区域AR的组合显示>
以下，将说明关于在显示器上显示乘车需求的预测结果的终端装置23的需求预测应用程序的各种显示示例。
图13示出了由需求预测应用程序显示的需求预测画面的第一显示示例。
在图2所示的需求预测画面中，通过将相同的矩形尺寸的区域AR配置成矩阵模式来构成需求预测网格63。另外，在画面上不显示表示预测结果的每个区域AR的乘车数量。
相反，在图13所示的需求预测网格63中，表示预测结果的每个区域AR的乘车数量被显示在区域AR中。
另外，对于多个相邻区域AR的乘车数量等于或小于指定阈值的多个区域AR，通过将多个区域AR组合成单个区域AR来显示乘车数量。在图13所示的第一显示示例中，多个相邻区域AR的乘车数量等于或小于10的多个区域AR被组合并显示为单个区域AR。具体地，当以相同矩形尺寸显示时乘车数量为“4”、“2”、“2”和“1”的2×2个区域AR被组合为单个区域AR并显示为“9”。不用说，存在这样的情况，其中，根据相邻乘车的数量，即使当多个相邻区域AR的乘车的数量等于或小于10时，也不组合区域AR。
由于当预测的乘车数量小时，诸如当为0、1或2时，难以猜测需求，因此需求预测应用程序可以以乘车数量等于或大于特定值的区域AR为单位显示需求预测。因此，能够提高预测的精度，并且能够向驾驶员提供更有用的信息。
应注意，待显示为预测结果的乘车数量可以为给定诸如“10至13”的某一裕量(leeway)的值。
<8.需求方向和频率的显示>
图14示出了由需求预测应用程序显示的需求预测画面的第二显示示例。
在图14中，省略了根据每个区域AR的乘车需求程度的颜色或浓度的显示。
图14示出了显示关于在地图41上叠加并显示的需求预测网格63的各个区域AR中吸引驾驶员注意力的区域AR(在下文中，称为受关注的区域AR)的更详细的预测结果的显示示例。
当驾驶员执行指定受关注的区域AR的操作(诸如敲击(触摸)叠加并显示在地图41上的需求预测网格63的各个区域AR中的指定区域AR)时，需求预测应用程序针对指定的受关注的区域AR执行诸如图14所示的显示。
在图14中，对于由驾驶员指定的受关注的区域AR，显示作为比其他区域AR更宽的框的受关注区域框211。另外，显示从受关注区域框211向外指向的箭头212-1至212-8。当箭头212-1至212-8中的每一个没有特别地彼此区分时，箭头212-1至212-8将被简单地称为箭头212。
箭头212的方向表示在受关注的区域AR中被搭载的乘客的移动方向，并且箭头212的长度表示在受关注的区域AR中被搭载并且在箭头212的方向上移动的乘客的平均移动距离。另外，箭头212的宽度(在与箭头的方向垂直的方向上的粗细)表示在由箭头212指示的方向上的乘车与全部方向的乘车的比率。
因此，图14所示的示例示出了在受关注的区域AR中被搭载的乘客中，在乘车比方面，有大量乘客在箭头212-3的方向上移动，而在箭头212-4的方向上移动的乘客在长的移动距离上这样做。另外，例如，示出了在受关注的区域AR中被搭载的乘客中，仅有少数乘客在箭头212-2和212-6的方向上移动，并且这些乘客的移动距离短。
例如，在确定进行所谓的“串街揽客”(在驾驶出租车11的同时寻找乘客)的区域AR时，驾驶员能够将需求预测网格63的指定区域AR设置为受关注的区域AR、通过显示箭头212来搜索与驾驶员返回的方向相同的方向的乘客较多的区域AR等。
通过还包括关于车辆动态日志数据的方向(行进方向)的信息的学习，可以预测每个区域AR中的乘客的移动方向。
应注意，要显示的箭头212的数量或者、换句话说预测乘客的移动方向的次数可以是图14所示的8个以外的任意的数量。此外，也可以通过除用箭头的宽度表示以外的方法(诸如使用不同的颜色或数字标记)来表示在箭头212的方向上移动的乘客相对于全部方向的乘客的比率。
<9.精确预测的显示>
图15示出了由需求预测应用程序显示的需求预测画面的第三显示示例。
图15还示出了当驾驶员选择指定区域AR作为受关注的区域AR时显示更详细的预测结果的显示示例。
例如，通过将运营区域划分成指定单元而创建的区域AR可以包括具有固定的乘车位置并且具有比其他位置(诸如车站前面的出租车站、旅馆前面的出租车站等)更大数量的乘车的位置。
当在受关注的区域AR中存在这种具有大量乘车的乘车位置时，需求预测应用程序可以对具有大量乘车的乘车位置和在乘车位置处的乘车数量进行精确预测，并且在整个受关注的区域AR中与乘车数量分离地显示乘车位置和乘车数量。以下，将在受关注的区域AR中指定的具有大量乘车的乘车位置称为精确乘车位置。
在图15中，表示精确乘车位置的精确乘车位置符号221被显示在受关注的区域AR中的指定位置，并且在精确乘车位置符号221处显示预测的乘车数量的乘车数量显示222被显示。在图15中，在受关注区域框211中显示的“43”表示整个受关注的区域AR的乘车数量，并且在范围“43”中，“29”的乘车数量显示222表示在由精确乘车位置符号221表示的精确乘车位置“品川车站高轮出口出租车站”处的乘车数量。这样，通过除了显示受关注的区域AR的乘车数量之外还显示精确乘车位置和在精确乘车位置预测的乘车数量，可以增加载客比率。
通过使用载客车辆数据学习而不是单独地学习区域AR中具有固定乘车位置的位置，可以估计精确乘车位置。
具体地，如图16的左侧上的黑点所示，可以根据与载客车辆数据的出发地点有关的信息来识别乘客的过去的乘车位置。如图16的右侧所示，通过学习乘客的过去的乘车位置，计算由黑点表示的乘车位置的估计值和乘车位置的概率(似然度)。乘车位置的概率由在图16中乘车位置附近显示的从0到1的数字表示。例如，需求预测应用程序可以将作为乘车位置的概率等于或高于指定阈值(例如，0.8)的乘车位置的估计值作为受关注的区域AR中的精确乘车位置来显示。
<10.排队时间预测的显示>
图17示出了由需求预测应用程序显示的需求预测画面的第四显示示例。
图17还示出了当驾驶员选择指定区域AR作为受关注的区域AR时显示更详细的预测结果的显示示例。
在具有固定乘车位置并且具有大量乘车的位置(诸如在车站前面的出租车站和在旅馆前面的出租车站)处，存在一种被称为“排队”的方法，其中出租车11通过在由在乘车位置等待乘客的出租车11形成的队列中等候而接待乘客。排队的缺点是，例如，当长的出租车11队列已经在出租车站形成时，出租车11必须等待很长时间以在长的出租车11队列的末端排队之后搭载乘客。
考虑到这一点，当在具有大量乘车的乘车位置(精确乘车位置)处执行排队时，需求预测应用程序可以显示排队所需的时间，或者换句话说，在乘车位置处等待的同时搭载乘客所需的时间。
具体地，如图17所示，当受关注的区域AR中的精确乘车位置符号221是排队地方时，需求预测应用程序使得排队开始按钮223显示在精确乘车位置符号221处的乘车数量显示222中。当敲击(触摸)排队开始按钮223时，需求预测应用程序显示排队显示224，其指示当执行排队时排队所需的时间(排队时间)。在图17所示的示例中，作为排队时间显示“20分钟”。
例如，通过使排队显示224显示在精确乘车位置，驾驶员可以检查排队时间并选择将执行排队的地方。将由排队显示224显示的排队时间可以是给定诸如“15分钟到20分钟”的某个裕量的值。
在车辆动态日志数据中，由于可以检测到状态从“空车”变为“载客”的乘车变化点以及在乘车变化点之前不久出租车11正缓慢移动的状态，因此也可以检测到出租车11的排队操作。例如，在乘车变化点的时刻之前的指定时段内或在指定距离内以指定速度或低于指定速度(5km/h或低于5km/h)行驶可以被检测为排队操作。因此，通过学习排队操作，可以预测在指定乘车位置处的排队时间。
<11.远距离程度预测的显示>
图18示出了由需求预测应用程序显示的需求预测画面的第五显示示例。
图18还示出了当驾驶员选择指定区域AR作为受关注的区域AR时显示更详细的预测结果的显示示例。
例如，通过将运营区域划分成指定单位而创建的区域AR可以包括具有涉及远乘车距离(指定距离或更长)(诸如当目的地是羽田(羽田)机场或成田(成田)机场时)的高乘车比率的区域AR或乘车位置。优选地，驾驶员能够确定远距离乘客的可能性。
考虑到这一点，如图18所示，需求预测应用程序可以执行远距离显示241，其与受关注的区域AR中的总乘车数量分离地显示受关注的区域AR中的远距离乘客的比率。
在远距离显示241中，将乘车距离为远距离的乘车占受关注的区域AR的乘车总数的比率(比例)显示为远距离程度。另外，在远距离显示241中，将乘车距离划分为多个分类，并且将划分后的每个分类的乘车比率作为远距离的分类用柱状图显示。在图18中，标有“全部”的柱状图指示每个分类的乘车与整个运营区域的比率，并且标有“这个”的柱状图指示受关注的区域AR的每个分类的乘车比率。
远距离显示241可以显示如图18所示的关于受关注的区域AR的远距离程度和远距离分类，或者显示与精确乘车位置符号221相关联的远距离程度和远距离分类，并且显示关于精确乘车位置的远距离程度和远距离分类。
虽然图18所示的远距离显示241的柱状图将乘车距离划分为作为远距离的分类的多个分类，并且指示划分后的每个分类(乘车距离)的乘车比率，但是可替代地，可以将车费划分为多个分类，并且可以指示划分后的每个分类(车费)的乘车比率。
另外，远距离显示241可以预测每个时隙或每种类型的天气的乘车需求，并显示为指定时时隙或指定类型的天气定制的远距离程度或远距离分类。
通过进行学习，可以预测远距离程度和远距离分类，以便还包括载客车辆数据的乘车距离和车费项。
<12.乘车距离预测的显示>
图19示出了由需求预测应用程序显示的需求预测画面的第六显示示例。
图19还示出了当驾驶员选择指定区域AR作为受关注的区域AR时显示更详细的预测结果的显示示例。
如图19所示，在选择了指定的区域AR作为受关注的区域AR时，需求预测应用程序能够进行显示在受关注的区域AR中搭载的乘客的平均乘车距离及其置信区间的乘车距离显示251。置信区间表示以指定的可靠度包括群体的平均值(群体平均值)的范围。
在乘车距离显示251中，显示受关注的区域AR中的乘车的平均乘车距离为“2.4km”，并且在例如95％可靠度的平均乘车距离的置信区间为“1.1km至3.7km”。置信区间的可靠度不限于95％，并且可以任意地设置为99％等。
这样，通过显示受关注的区域AR的平均乘车距离及其置信区间，例如，驾驶员能够搜索具有适合于剩余乘务时间的乘车距离的区域AR，或者搜索具有远乘车距离的区域AR作为“串街揽客”路径。
乘车距离显示251可以显示如图19所示的关于受关注的区域AR的平均乘车距离和置信区间，或者显示与精确乘车位置符号221相关联的平均乘车距离和置信区间，并且显示关于精确乘车位置的平均乘车距离和置信区间。
可替代地，也可以显示平均车费(费用)和置信区间，而不是平均乘车距离和置信区间。
然而，可替代地，可以显示平均乘车时间和置信区间而不是平均乘车距离和置信区间。
另外，乘车距离显示251可以预测每个时隙或每种类型的天气的乘车需求，并且显示针对指定时隙或指定类型的天气定制的平均乘车距离和置信区间、平均车费和置信区间、或平均乘车时间和置信区间。
<13.车费预测的显示>
由于车费只在搭载之后才被最终确定，因此存在不使用出租车11的用户。需求预测应用程序具有从当前位置和目的地预测车费并显示预测车费的功能。
图20示出了由需求预测应用程序显示的车费预测画面的示例。
需求预测应用程序使移动到目的地所需的时间和车费作为预测结果显示在显示器上，同时使通过将到目的地的移动路径划分为指定单位而创建的每个划分单位的移动所需的时间和车费作为预测结果显示在显示器上。
在图20所示的车费预测画面上，单独显示261指示每个划分单位的移动所需的时间和车费。目的地显示262指示移动到目的地所需的时间和车费。
当使用图5所示的载客车辆数据而不进行修改时，由于出发地点和到达地点需要相同的数据，因此难以学习车费和移动时间。考虑到这一点，控制部121从车辆动态日志数据学习每个划分单位的移动所需的时间和车费。另外，通过获得从出发地点到到达地点所包括的各个划分单位的时间和车费的总和，控制部121计算移动到目的地所需的时间和车费。例如，划分单位可以是使用由指定距离、指定时间、道路区段(区块)等划分的单位、由交通灯或交叉路口划分的单位等中的至少一个或多个来划分的单位。
可以用诸如“5分钟到10分钟”和“300日元到500日元”的指定裕量来显示每个划分单位的移动时间和车费以及到目的地的移动时间和车费。
根据参照图13至20描述的各种显示方法，出租车11的驾驶员可以以更有效的方式提供服务。换句话说，需求预测应用程序可以呈现有助于提高乘车比率的预测结果。
关于参照图13至图20描述的各种显示方法，当驾驶员操作需求预测应用程序的设置按钮64时，可以在显示器上显示的设置画面上适当地设置显示的启用或禁用、显示的顺序等。
<14.乘车位置的学习>
接下来，将说明由服务器12执行的除了与乘车需求相关的那些学习和预测之外的学习和预测。
图21是用于说明对于建筑物的乘车位置的学习的图。
例如，出租车11的用户(顾客)从建筑物271内的指定位置使用在诸如智能手机的终端中执行的预约应用程序272预约出租车11，并且在建筑物271的指定位置273(诸如车道)上出租车11。在这种情况下，预约应用程序272从终端内的GPS接收器获取在用户预约出租车11的定时的用户的位置信息，并且将位置信息作为预约请求时刻位置信息发送到服务器12。另外，根据从出租车11的车辆管理装置22发送的车辆动态日志数据，能够获取作为在用户上出租车11的定时的用户的位置信息的乘车时位置信息。
服务器12学习预约请求时位置信息与乘车时位置信息之间的关系。因此，在用户从建筑物271内的指定位置预约出租车11时，能够依据驾驶员应该将出租车11相对于建筑物271定位的位置来学习建筑物271处的乘车位置。服务器12将学习结果作为乘车位置列表存储在存储部122中。需求预测应用程序可以在地图41上显示在建筑物271处的所学到的乘车位置。另外，当用户指定建筑物271作为目的地时，驾驶员可以采用在建筑物271处的所学到的乘车位置作为下车位置。
另外，即使关于实际预约了出租车11的建筑物271以外的建筑物，服务器12也能够基于学习到的预约请求时位置信息与乘车时位置信息之间的关系，推断该建筑物处的乘车位置，并将推断出的乘车位置显示在地图41上。
<15.下车位置的学习>
图21是用于说明关于建筑物的下车位置的学习的图。
例如，用户在指定的位置274从出租车11下车，并且移动到作为目的地的指定的建筑物271。根据从出租车11的车辆管理装置22发送的车辆动态日志数据，能够获取作为用户从出租车11下车的定时的用户的位置信息的下车时位置信息。另外，预约应用程序272从终端内的GPS接收器获取用户在从出租车11下车后移动到的建筑物271的位置信息，并且将该位置信息作为移动后的位置信息发送到服务器12。
服务器12学习下车时位置信息和移动后的位置信息之间的关系。因此，当用户指定建筑物271作为目的地时，可以根据驾驶员应该从何处让用户下车来学习建筑物271处的下车位置。服务器12将学习结果作为下车位置列表存储在存储部122中。需求预测应用程序能够在地图41上显示所学习的建筑物271的下车位置。此外，当用户从建筑物271内的指定位置使用预约应用程序272预约出租车11时，驾驶员也能够将所学习的建筑物271的下车位置用作乘车位置。
<16.乘车位置的学习>
虽然参照图21和22说明的示例还包括将所学到的乘车位置显示为下车位置并且还将所学到的下车位置显示为乘车位置，但是通常，关于建筑物的乘车位置和下车位置通常位于出租车合乘池或车道、入口前面等，并且通常是彼此靠近的相同位置(一个或多个)。
考虑到这一点，如图23所示，服务器12学习乘车时位置信息和下车时位置信息，学习建筑物271的最佳乘车位置，并将学习的最佳乘车位置作为乘车位置列表存储在存储部122中。需求预测应用程序可以在地图41上显示所学习的建筑物271处的乘车位置。
<17.计算机的配置示例>
上述一系列处理可以由硬件或软件执行。当要通过软件执行该一系列处理时，将构成软件的程序安装在计算机中。在这种情况下，计算机的示例包括内置在专用硬件中的微型计算机和当在其中安装各种程序时能够执行各种功能的通用个人计算机等。
图24是示出在计算机使用程序执行要由服务器12、车辆管理装置22或终端装置23执行的各个处理步骤的情况下计算机的硬件的配置示例的框图。
在计算机中，CPU(中央处理单元)301、ROM(只读存储器)302和RAM(随机存取存储器)303通过总线304彼此连接。
输入/输出接口305进一步连接到总线304。输入部分306、输出部分307、存储部分308、通信部分309和驱动器310连接到输入/输出接口305。
输入部306由操作按钮、键盘、鼠标、麦克风、触摸面板、输入端子等构成。输出部307由显示器、扬声器、输出端子等构成。存储部分308由硬盘、RAM盘、非易失性存储器等构成。通信部分309由网络接口等构成。驱动器310驱动可移动记录介质311，其是磁盘、光盘、磁光盘、半导体存储器等。
在如上所述配置的计算机中，当CPU 301经由输入/输出接口305和总线304将存储在存储部分308中的程序加载到RAM 303上并执行该程序时，执行先前描述的一系列处理。CPU 301执行各种类型的处理所需的数据在适当的时候也被存储在RAM 303中。
例如，由计算机(CPU 301)执行的程序可以通过记录在作为封装介质等的可移动记录介质311上来提供。或者，可以通过有线或无线传输介质，例如局域网、因特网或数字卫星广播，来提供程序。
在计算机中，通过将可移动记录介质311安装到驱动器310，可以经由输入/输出接口305将程序安装在存储部分308中。另外，程序可以经由有线或无线传输介质由通信部分309接收，并且安装在存储部分308中。或者，程序可以预先安装在ROM 302或存储部分308中。
在本说明书中，系统表示一组多个组件(装置、模块(部件)等)，并且所有组件是否存在于同一外壳内并不重要。因此，容纳在单独的壳体中但经由网络彼此连接的多个装置和其中多个模块容纳在单个壳体中的单个装置都被认为是系统。
另外，在本说明书中，除了以所述顺序时间顺序地执行流程图中描述的步骤的情况之外，这些步骤不必以时间顺序的方式处理，并且可以并行地执行或者在诸如执行呼叫时的必要定时处执行。
本技术的实施例不限于上述实施例，并且在不脱离本技术的要旨的情况下可以进行各种修改。
虽然在上述实施例中已经说明了预测对作为运营车辆的出租车的搭乘需求的预测系统的示例，但是该实施例也可以应用于预测对运载乘客(人)的其他运营车辆(诸如公共汽车、火车、飞机、远洋船舶和直升机)以及运载商品(货物)的运营车辆(诸如卡车和自卸卡车)的需求的系统。或者，运营车可以是诸如无人机的以无人驾驶方式操作的运输车。
可以采用适当地组合上述实施例的全部或一部分的模式。
例如，本技术可以采用云计算的配置，其中单个功能经由网络在多个装置之间共享并且由多个装置协作地处理。
另外，除了由单个装置执行以外，上述流程图中说明的各步骤还可以由多个装置以共享的方式执行。
此外，当单个步骤包括多个处理步骤时，除了由单个装置执行之外，包括在单个步骤中的多个处理步骤可以由多个装置以共享的方式执行。
应当注意，本说明书中描述的有利效果仅仅是示例性的而不是限制性的，并且可以产生除了本说明书中描述的那些之外的有利效果。
本技术也可以被配置如下。
(1)一种信息处理装置，包括：
控制部，其被配置为将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
(2)根据(1)所述的信息处理装置，其中
载客车辆序列数据表示在该区域中每个指定时间间隔的乘车数。
(3)根据(1)或(2)所述的信息处理装置，其中
第一参数是该区域中每单位时间的乘车数的平均值和离差，并且第二参数是该区域中每单位时间的平均乘车数的波形。
(4)根据(3)所述的信息处理装置，其中
第一参数是在该区域中一周的指定日子的每单位时间的乘车数的平均值和离差，并且第二参数是在该区域中一周的指定日子的每单位时间的平均乘车数的波形。
(5)根据(3)所述的信息处理装置，其中
第一参数是该区域中的工作日或休息日的每单位时间的乘车数的平均值和离差，并且第二参数是该区域中的工作日或休息日的每单位时间的平均乘车数的波形。
(6)根据(1)至(5)中任一项所述的信息处理装置，其中
所述控制部被配置为从与运营区域对应的所有区域中提取指定数量的区域作为代表区域，并使用所提取的代表区域的载客车辆序列数据来执行第一聚类和第二聚类。
(7)根据(6)所述的信息处理装置，其中
所述控制部被配置为使用通过学习代表区域的聚类结果与代表区域的载客车辆序列数据之间的关系而生成的分类器来执行作为代表区域以外的区域的未知区域的聚类。
(8)根据(7)所述的信息处理装置，其中
所述控制部被配置为使用与对未知区域进行聚类的结果相同的聚类的预测器来预测未知区域的乘车需求。
(9)根据(1)至(8)中任一项所述的信息处理装置，其中
所述控制部被配置为通过使用属于指定聚类的一个或多个区域的载客车辆序列数据进行学习来生成用于预测属于指定聚类的区域的乘车需求的预测器，并且使用所生成的预测器来预测所述区域的乘车需求。
(10)根据(1)至(9)中任一项所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经请求预订运营车辆的位置的预订请求时间位置信息和表示顾客已经上到预订的运营车辆上的位置的乘车时间位置信息中学习乘车位置。
(11)根据(1)至(10)中任一项所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经从运营车辆下车的位置的下车时间位置信息和表示顾客在下车之后已经移动的位置的移动后位置信息中学习下车位置。
(12)根据(1)至(11)中任一项所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经从运营车辆下车的位置的下车时间位置信息和表示顾客已经上到运营车辆上的位置的乘车时间位置信息学习乘车位置。
(13)一种信息处理方法，包括：
通过信息处理装置，
将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
(14)一种用于使计算机执行以下处理的程序：
将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
附图标记列表
1 预测系统
11 出租车
12 服务器
22 车辆管理装置
23 终端装置
63 需求预测网格
121 控制部
131 数据产生部
132 学习部
133 预测部
141 控制部
142 操作部
143 显示部
211 关注区域框
212 箭头
221 精确乘车位置符号
222 乘车数量显示
223 排队开始按钮
224 排队显示
241 远距离显示
251 乘车距离显示
261 单独显示
262 目的地显示
301 CPU
302 ROM
303 RAM
306 输入部
307 输出部
308 存储部
309 通信部
310 驱动器

Claims (14)

1.一种信息处理装置，包括：
控制部，其被配置为将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
2.根据权利要求1所述的信息处理装置，其中
载客车辆序列数据表示在该区域中每个指定时间间隔的乘车数。
3.根据权利要求1所述的信息处理装置，其中
第一参数是该区域中每单位时间的乘车数的平均值和离差，并且第二参数是该区域中每单位时间的平均乘车数的波形。
4.根据权利要求3所述的信息处理装置，其中
第一参数是在该区域中一周的指定日子的每单位时间的乘车数的平均值和离差，并且第二参数是在该区域中一周的指定日子的每单位时间的平均乘车数的波形。
5.根据权利要求3所述的信息处理装置，其中
第一参数是该区域中的工作日或休息日的每单位时间的乘车数的平均值和离差，并且第二参数是该区域中的工作日或休息日的每单位时间的平均乘车数的波形。
6.根据权利要求1所述的信息处理装置，其中
所述控制部被配置为从与运营区域对应的所有区域中提取指定数量的区域作为代表区域，并使用所提取的代表区域的载客车辆序列数据来执行第一聚类和第二聚类。
7.根据权利要求6所述的信息处理装置，其中
所述控制部被配置为使用通过学习代表区域的聚类结果与代表区域的载客车辆序列数据之间的关系而生成的分类器来执行作为代表区域以外的区域的未知区域的聚类。
8.根据权利要求7所述的信息处理装置，其中
所述控制部被配置为使用与对未知区域进行聚类的结果相同的聚类的预测器来预测未知区域的乘车需求。
9.根据权利要求1所述的信息处理装置，其中
所述控制部被配置为通过使用属于指定聚类的一个或多个区域的载客车辆序列数据进行学习来生成用于预测属于指定聚类的区域的乘车需求的预测器，并且使用所生成的预测器来预测所述区域的乘车需求。
10.根据权利要求1所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经请求预订运营车辆的位置的预订请求时间位置信息和表示顾客已经上到预订的运营车辆上的位置的乘车时间位置信息中学习乘车位置。
11.根据权利要求1所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经从运营车辆下车的位置的下车时间位置信息和表示顾客在下车之后已经移动的位置的移动后位置信息中学习下车位置。
12.根据权利要求1所述的信息处理装置，其中
所述控制部被配置为从表示顾客已经从运营车辆下车的位置的下车时间位置信息和表示顾客已经上到运营车辆上的位置的乘车时间位置信息学习乘车位置。
13.一种信息处理方法，包括：
通过信息处理装置，
将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
14.一种用于使计算机执行以下处理的程序：
将运营区域划分为多个区域，并且使用载客车辆序列数据来执行第一聚类和执行第二聚类，其中，所述载客车辆序列数据是对于每个区域的指示运营车辆已经乘载顾客的数据，在所述第一聚类中使用第一参数来对所述多个区域进行聚类，在所述第二聚类中使用第二参数来对所述多个区域进行聚类。
CN201980036839.1A 2018-06-08 2019-05-24 信息处理装置、信息处理方法以及程序 Withdrawn CN112204604A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-110263 2018-06-08
JP2018110263 2018-06-08
PCT/JP2019/020606 WO2019235253A1 (ja) 2018-06-08 2019-05-24 情報処理装置、情報処理方法、およびプログラム

Publications (1)

Publication Number Publication Date
CN112204604A true CN112204604A (zh) 2021-01-08

Family

ID=68770709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980036839.1A Withdrawn CN112204604A (zh) 2018-06-08 2019-05-24 信息处理装置、信息处理方法以及程序

Country Status (5)

Country Link
US (1) US20210125201A1 (zh)
JP (1) JP7428124B2 (zh)
CN (1) CN112204604A (zh)
DE (1) DE112019002896T5 (zh)
WO (1) WO2019235253A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113865603A (zh) * 2021-08-30 2021-12-31 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质
CN113865603B (zh) * 2021-08-30 2024-06-07 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210207965A1 (en) * 2018-06-29 2021-07-08 Sony Corporation Information processing device, moving device, information processing system, method, and program
JP7175135B2 (ja) * 2018-08-13 2022-11-18 株式会社デンソーテン 情報提供装置、サーバ装置、および情報提供方法
WO2021167525A1 (en) * 2020-02-18 2021-08-26 Grabtaxi Holdings Pte. Ltd. System and method for partitioning geographical areas into logistical areas for dynamic pricing
JP7330141B2 (ja) * 2020-06-24 2023-08-21 株式会社Ｋｄｄｉ総合研究所 情報処理装置、情報処理方法およびプログラム
US11410468B1 (en) * 2021-08-28 2022-08-09 Beamlive Inc. Cloud-based soft digital meter for taxi transportation
WO2024004874A1 (ja) * 2022-06-29 2024-01-04 日本電気株式会社 捜索装置、捜索方法、及び、記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009009282A (ja) * 2007-06-27 2009-01-15 Fujitsu Ten Ltd 需要情報送信装置
JP5480755B2 (ja) * 2010-08-26 2014-04-23 株式会社Ｎｔｔドコモ 需要予測システム及び需要予測方法
WO2018190428A1 (ja) * 2017-04-14 2018-10-18 株式会社Ｎｔｔドコモ 需要予測装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113865603A (zh) * 2021-08-30 2021-12-31 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质
CN113865603B (zh) * 2021-08-30 2024-06-07 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
DE112019002896T5 (de) 2021-02-25
JP7428124B2 (ja) 2024-02-06
US20210125201A1 (en) 2021-04-29
WO2019235253A1 (ja) 2019-12-12
JPWO2019235253A1 (ja) 2021-06-17

Similar Documents

Publication Publication Date Title
CN112204604A (zh) 信息处理装置、信息处理方法以及程序
US20220366326A1 (en) Systems and Methods of Multimodal Transportation Management
CN109155104B (zh) 推荐估计到达时间的系统和方法
US9349150B2 (en) System and method for multi-task learning for prediction of demand on a system
US11182871B2 (en) System and apparatus for ridesharing
US9177475B2 (en) Driver behavior based parking availability prediction system and method
US20150176997A1 (en) Adaptive transportation framework
US11443388B2 (en) Detecting transportation company trips in a vehicle based upon on-board audio signals
CN110869953A (zh) 推荐交通出行服务的系统和方法
US11946754B2 (en) Information processing apparatus, information processing method, and program
CN110986985A (zh) 车辆行程推送方法、装置、介质、控制终端及汽车
CN104641387A (zh) 公共运输导航器
KR20210014694A (ko) 파라미터 간의 계산된 트레이드-오프를 고려하여 내비게이션 경로 생성 및 카풀 옵션 식별
CN110570127B (zh) 一种智能公交系统、车辆运行调度方法及装置
CN111356074B (zh) 公交站点定位方法及装置、服务器、介质
Bagheri et al. A Computational Framework for Revealing Competitive Travel Times with Low‐Carbon Modes Based on Smartphone Data Collection
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN113611116B (zh) 一种基于用户位置的伴随式服务提供方法及系统
JP7376527B2 (ja) 運行支援装置、及び運行支援システム
RU2819665C1 (ru) Информационно-технологический комплекс управления и контроля на маршрутизированном пассажирском транспорте
KR102524958B1 (ko) 서비스 사용자용 인터페이스 제공 방법 및 장치
KR102524949B1 (ko) 서비스 사용자용 인터페이스 제공 방법 및 장치
KR102536170B1 (ko) 폴리곤 서비스 지역 내 노선을 설정하는 장치 및 방법
Prileszky The questions of acquisition and use of operational information in urban public transport
Yang et al. Investigation of Wait Time Technology for the Ferry System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108