CN112352250A - 信息处理装置、信息处理方法和程序 - Google Patents
信息处理装置、信息处理方法和程序 Download PDFInfo
- Publication number
- CN112352250A CN112352250A CN201980043896.2A CN201980043896A CN112352250A CN 112352250 A CN112352250 A CN 112352250A CN 201980043896 A CN201980043896 A CN 201980043896A CN 112352250 A CN112352250 A CN 112352250A
- Authority
- CN
- China
- Prior art keywords
- prediction
- cell
- demand
- target space
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 59
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000032258 transport Effects 0.000 claims 4
- 230000008569 process Effects 0.000 description 36
- 238000011156 evaluation Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 20
- 230000029305 taxis Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000009825 accumulation Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 10
- 230000032823 cell division Effects 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000000638 solvent extraction Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
-
- G06Q50/40—
Abstract
本发明提出一种机制,利用该机制可以优化要预测的空间的设置。一种信息处理装置,包括:获取单元(122),用于获取用于传送要传送的对象的每个要预测的空间的移动车辆的需求数据;学习单元(123),用于学习预测每个要预测的空间的需求数据的预测模型;以及确定单元(126),用于基于预测模型的预测精度来确定要预测的空间的组合或划分。
Description
技术领域
本公开涉及一种信息处理装置、信息处理方法和程序。
背景技术
近年来,已经开发了许多用于移动体的技术,诸如无人机和自动驾驶技术。一种这样的技术是使用移动体有效地传送包裹的技术。
例如,专利文献1公开了用于将地面划分为网状网格,并且相对于出租车的需求预测来预测每个网格的未来乘客数量的技术。
引用列表
专利文献
专利文献1:JP 2012-043296 A
发明内容
技术问题
在以上专利文献1公开的技术中,均匀且固定地设置预测目标空间的粒度(即,网格的大小)。当所设置的网格较小时,每个网格的数据的数量不足,并且存在出现预测精度差的网格的问题。另一方面,为了提高预测精度,可以将网格设置为较大。然而,考虑到预测结果的目的,网格优选地较小。这是因为预测需求出现的地方优选是粗略的。然而,以上专利文献1没有提出关于网格的大小的任何计划。
因此,本技术提出了能够优化预测目标空间的设置的结构。
问题的解决方案
根据本公开,一种信息处理装置,包括:获取单元,其被配置为获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;学习单元,其被配置为学习用于预测每个预测目标空间的需求数据的预测模型;以及确定单元,其被配置为基于预测模型的预测精度来确定是组合还是划分预测目标空间。
根据本公开,一种信息处理方法由处理器执行。该方法包括:获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;学习用于预测每个预测目标空间的需求数据的预测模型;并且基于预测模型的预测精度来确定是组合还是划分预测目标空间。
根据本公开,一种程序,使计算机用作以下项:获取单元,其被配置为获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;学习单元,其被配置为学习用于预测每个预测目标空间的需求数据的预测模型;以及确定单元,其被配置为基于预测模型的预测精度来确定是组合还是划分预测目标空间。
发明的有利效果
根据上述本公开,可以提供能够优化预测目标空间的设置的结构。前述有利效果不必是限制性的,并且除了前述有利效果之外或者代替前述有利效果,可以获得本说明书中描述的任何有利效果或者从本说明书中确定的其他有利效果。
附图说明
[图1]是示出根据本公开的实施例的移动体控制系统的配置的示例的示图。
[图2]是示出根据本实施例的需求预测装置的功能配置的示例的框图。
[图3]是示出根据本实施例的单位小区的设置的示例的示图。
[图4]是示出在与在初始状态下执行的第一过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。
[图5]是示出在与在初始状态下执行的第二过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。
[图6]是示出在与在初始状态下执行的第三过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。
[图7]是示出与由根据本实施例的需求预测装置在初始状态下执行的第一过去的需求预测相关联的小区组合处理的流程的示例的流程图。
[图8]是示出与由根据本实施例的需求预测装置在初始状态下第二次执行之后的过去的需求预测相关联的小区组合处理的流程的示例的流程图。
[图9]是示出在与第X需求预测相关联的小区组合处理中生成的小区列表的示例的示图。
[图10]是示出在与第X需求预测相关联的小区划分处理中生成的小区列表的示例的示图。
[图11]是示出与由根据本实施例的需求预测装置执行的第X需求预测相关联的小区划分处理的流程的示例的流程图。
[图12]是示出根据本实施例的基于单位小区的地图信息的设置的示例的示图。
[图13]是示出根据本实施例的信息处理装置的硬件配置的示例的框图。
具体实施方式
在下文中,将参考附图描述本公开的优选实施例。在本说明书和附图中,相同的参考数字被赋予具有基本相同功能配置的组成元件,并且将省略其描述。
将按以下顺序进行描述。
1.概述
1.1.系统配置
1.2.所提出的技术的概述
2.功能配置示例
3.小区组合和划分
3.1.小区组合
3.2.小区划分
3.3.补充
4.硬件配置示例
5.结论
《1.概述》
<1.1.系统配置>
图1是示出根据本公开的实施例的移动体控制系统的配置的示例的示图。如图1所示,根据实施例的移动体控制系统1在一个或多个移动体2之间发送和接收信息并控制移动体2。
(1)移动体2
移动体2在诸如陆地、天空、水上、水下或外太空的实际空间中自行移动。例如,移动体2可以实现为诸如卡车、公共汽车或出租车的车辆、诸如飞机或无人驾驶飞机的飞行交通工具、轮船、潜水艇或人造卫星。移动体2可以传送装载在其上的任何传送对象。人、动物、货物等可以被例示为传送对象。在本说明书中,将描述移动体2是出租车并且传送对象是乘客(人)的车辆调度的使用情况。
如图1所示,移动体2包括日志生成装置21和终端装置22。
·日志生成装置21
日志生成装置21检测关于出租车2的传送对象的传送的信息。例如,日志生成装置21基于来自GNSS卫星3的GNSS信号来检测出租车2在水平方向上的位置信息。此外,日志生成装置21可以检测高度方向上的位置信息,诸如,气压信息。另外,日志生成装置21可以检测关于出租车2的运动的信息,诸如,速度、加速度和角速度。日志生成装置21可以检测关于传送对象的信息,诸如,乘客数量、性别、年龄和乘客的生物信息。
日志生成装置21基于所检测到的信息来生成车辆移动状态的日志数据,并且将车辆移动状态的日志数据发送到数据收集装置11。日志生成装置21周期性地执行关于传送的信息的检测以及车辆移动状态的日志数据的生成和发送。周期例如以1分钟为单位。在表1中示出了车辆移动状态的日志数据的格式的示例。
[表1]
表1.车辆移动状态的日志数据的格式
项目名称 | 内容 |
CompanyID | 公司ID |
RadioNumber | 无线电号码 |
IsDispatch | 调度标志 |
Latitude | 位置(纬度) |
Longitude | 位置(经度) |
Direction | 行驶方向 |
SpeedFrom | 速度范围(开始) |
SpeedTo | 速度范围(到达) |
VehicleStatus | 车辆状态(所占用的出租车、空出租车、搭载出租车) |
DriverNumber | 驾驶员代码 |
StatusTime | 状态日期和时间 |
在此处,“CompanyID”是管理出租车2的出租车公司的识别信息。“RadioNumber”是出租车2使用的无线电识别信息。“IsDispatch”是指示出租车2是否可以从移动体控制系统1接收调度指令的信息。“Latitude”和“Longitude”是出租车2在水平方向上的位置信息。车辆移动状态的日志数据可以进一步包括出租车2在高度方向上的位置信息。“Direction”是指示出租车2行驶的方向的信息。“SpeedFrom”是指示出租车2的速度的下限的信息。“SpeedTo”是指示出租车2的速度的上限的信息。“VehicleStatus”是指示车辆状态的信息。所占用的出租车指示乘客上车的状态,空出租车指示没有乘客上车的状态,并且搭载出租车指示出租车将要搭载乘客的状态。“DriverNumber”是驾驶出租车2的驾驶员的识别信息。“StatusTime”是指示与车辆移动状态的日志数据相对应的时间的信息,并且通常是指示生成车辆移动状态的日志数据的时间的信息。
·终端装置22
终端装置22是输出从车辆调度装置13接收的信息的信息处理装置。例如,终端装置22由汽车导航装置、智能电话或平板终端实现,并且可视地输出信息。出租车2的驾驶员基于由终端装置22输出的信息驾驶出租车2来搭载乘客。
(2)移动体控制系统1
如图1所示,移动体控制系统1包括数据收集装置11、需求预测装置12和车辆调度装置13。
·数据收集装置11
数据收集装置11是收集关于出租车2的数据的信息处理装置。数据收集装置11从作为移动体控制系统1的控制目标的多个出租车2收集并累积车辆移动状态的日志数据。
数据收集装置11针对每个预测目标空间聚集在预定时间段(以下也称为聚集时间段)内收集的车辆移动状态的日志数据。数据收集装置11根据该聚集,在聚集时间段内生成出租车2的每个预测目标空间的需求数据。需求数据是关于传送对象的需求量的数据。出租车2的需求数据是出租车2的数量、乘客的数量、每次的乘车计数的数据或诸如平均值的统计量。例如,数据收集装置11在聚集时间段内聚集预测目标空间中的出租车2的数量作为需求数据。
预测目标空间是作为需求预测装置12的需求预测的目标的空间。预测目标空间可以通过地理位置信息(即,水平方向上的位置信息)来定义。例如,所占用的空间在水平方向上被划分为125m的网格形状,并且每个方向上的125m的每个矩形被视为预测目标空间。除了地理位置信息之外,预测目标空间还可以通过高度方向上的位置信息来定义。例如,所占用的空间可以被划分为每个边长为125m的立方体,并且每个立方体可以被视为预测目标空间。在下文中,预测目标空间也被称为小区。小区的形状不限于正方形,并且可以设置小区的任何形状和大小。
如以下将描述的,该小区可以被组合或划分。最小单位的小区在下面也被称为单位小区。将一个或多个单位小区组合在一起的小区在下面也被称为组合小区。当没有特别必要区分单位小区和组合小区时,单位小区和组合小区通常被称为小区。
数据收集装置11基于收集结果生成需求数据,并将需求数据发送到需求预测装置12。在表2中示出需求数据的格式的示例。在表2中,聚集时间段为10分钟。
[表2]
表2.需求数据的格式
项目名称 | 内容 |
时间戳 | 时间 |
小区id | 小区ID |
乘车计数 | 数量(从那时起10分钟内小区中出租车的总数) |
在此处,“时间戳”是聚集时间段开始或结束时或聚集时间段期间的时间信息。“小区id”是小区的识别信息。“乘车计数”是在聚集时间段(例如,10分钟)内小区中的出租车2的数量。
·需求预测装置12
需求预测装置12是基于输入信息预测每个预测目标空间的出租车2的需求的信息处理装置。需求预测装置12还学习用于预测的预测模型。
需求预测装置12基于由数据收集装置11生成的过去的需求数据来预测未来某个时间(以下也称为预测目标时间)对每个小区的出租车2的需求。例如,对出租车2的预测需求可以是在预测目标时间将在小区中的出租车2的数量、从预测目标时间起的预定时间段期间的乘客的数量或者从预测目标时间起的预定时间段期间的乘车计数。此外,需求预测装置12可以基于外部数据预测每个小区的出租车2的需求。外部数据是可以影响出租车2的需求的数据,诸如,天气信息、火车延误信息或交通事故信息。
需求预测装置12生成指示预测结果的需求预测数据,并将需求预测数据发送到车辆调度装置13。在表3中示出需求预测数据的格式的示例。在表3中,预测目标时间是30分钟之后。
[表3]
表3.需求预测数据
项目名称 | 内容 |
时间戳 | 时间 |
小区id | 小区ID |
乘车计数 | 数量(30分钟之后小区中出租车的预测总数) |
·车辆调度装置13
车辆调度装置13是基于需求预测数据执行出租车2的调度的信息处理装置。
车辆调度装置13可以基于每个小区的需求预测数据和每个出租车2的位置信息将调度指令发送到每个出租车2,使得提供在预测目标时间满足每个小区的需求的出租车2的数量。例如,车辆调度装置13指示位于小区附近的出租车2中的数量等于或大于在预测目标时间小区的需求的出租车2移动到该小区。调度指令包括例如目的地小区的小区ID和预测目标时间。
车辆调度装置13可以将每个小区的需求预测数据发送到出租车2。在这种情况下,每个出租车2的驾驶员选择目的地。
<1.2.所提出的技术的概述>
假设较小的小区导致每个小区的需求数据量不足和学习不足,并且因此存在出现预测精度低的小区的问题。另一方面,较大的小区导致每个小区的需求数据量较大。因此,充分执行学习,并且可以实现高预测精度。
因此,需求预测装置12将具有低预测精度的小区与另一小区相结合。因此,由于组合之后的小区中的数据的数量增加到比组合之前的小区中的数据的数量更多,因此可以提高预测精度。另一方面,需求预测装置12将具有相当高的预测精度的小区划分成多个较小的小区。因此,由于划分之后的小区比划分之前的小区小,因此可以更详细地指定预测出现需求的地点。以这种方式,需求预测装置12可以设置可以实现足够高的预测精度的小区,并且可以详细指定预测出现需求的地点。
在某些情况下,即使在彼此相邻的小区中,对出租车的需求也显著不同。例如,根据小区是包括面向车站的环形交叉路口的区域的小区还是一个相邻小区,对出租车的需求显著不同。因此,需求预测装置12学习每个小区的预测模型,并使用每个小区的预测模型来预测每个小区的需求。因此,可以在任何小区中实现高预测精度。
《2.功能配置示例》
图2是示出根据本实施例的需求预测装置12的功能配置的示例的框图。如图2所示,需求预测装置12包括数据累积单元121、获取单元122、学习单元123、预测单元124、评估单元125、确定单元126和输出单元127。
(1)数据累积单元121
数据累积单元121具有累积用于需求预测的各种数据的功能。作为数据的示例,可以例示上述需求数据和外部数据。
此外,数据累积单元121累积指示小区的属性的信息(以下也称为属性数据)。小区的属性是指示地形、所占用的空间的目的或位于内部的建筑物的类型的信息,并且是基于与位置信息相关联地保留该信息的地图信息来设置。作为小区的属性,例如,可以例示市区、主干道、市中心、车站前面、公园、河流、海洋或设施。作为市区、主干道、市中心或车站前面的小区的属性意味着占用该小区的市区、主干道、市中心或车站前面的面积占主导地位。类似地,作为公园、河流、海洋或设施的小区的属性意味着占用该小区的公园、河流、海洋或设施的面积占主导地位。在具有公园、河流、海洋或设施作为属性的小区中,不假设出租车2搭载乘客,并且通常不会出现对出租车2的需求。
数据累积单元121将各种类型的累积数据输出到获取单元122。
(2)获取单元122
获取单元122具有从数据累积单元121获取用于需求预测的各种数据的功能。获取单元122获取由确定单元126确定的每个小区中用于需求预测的数据。例如,当确定单元126组合多个小区时,通过组合多个组合小区的多条数据来获取组合之后的小区的数据。此时,例如,获取单元122通过执行诸如添加多个组合小区的需求数据和平均外部数据的统计处理来统一属性数据。
获取单元122将所获取的数据输出到学习单元123、预测单元124和确定单元126。
(3)学习单元123
学习单元123具有学习用于需求预测的预测模型的功能。具体地,学习单元123基于由数据累积单元121累积的数据来学习由确定单元126确定的每个小区中用于需求预测的预测模型的参数。预测模型是用于预测每个小区的需求数据的模型,并且由预测单元124使用。学习单元123将通过学习获得的参数输出到预测单元124。
(4)预测单元124
预测单元124具有针对每个小区执行需求预测的功能。具体地,预测单元124基于由数据累积单元121累积的数据来预测由确定单元126确定的每个小区中在预测目标时间出租车2的需求数据。在预测中,使用应用由学习单元123学习的参数的预测模型。作为预测模型,可以例如使用任何模型,诸如,多层感知器(MLP)的神经网络或诸如极限梯度增强(XGBoost)的决策树。
预测单元124将指示预测结果的信息输出到评估单元125。
(5)评估单元125
评估单元125具有评估每个小区的需求预测的预测精度的功能。具体地,评估单元125将来自预测单元124的预测结果与实际需求进行比较,并计算预测精度。例如,评估单元125将包括在需求预测结果中的预测目标时间的出租车2的数量与包括在预测目标时间实际获取的需求数据中的出租车2的数量进行比较,并计算一致程度作为预测精度。评估单元125可以计算统计量(诸如,多个预测目标时间的比较结果的平均值)作为预测精度。
评估单元125可以针对每个小区的数据的数量进行计数,并将需求数据的数量设置为预测精度。需求数据的数量可以是累积需求数据的数量、累积需求数据中的需求数量(例如,出租车2的数量、乘客的数量或乘车计数)或者诸如总值或平均值的统计量。
评估单元125将指示所计算的预测精度的信息和指示来自预测单元124的预测结果的信息相关联地输出到确定单元126和输出单元127。
(6)确定单元126
确定单元126具有确定小区的功能。具体地,确定单元126基于每个小区的预测模型的预测精度来确定是组合还是划分小区。确定单元126将被确定为要与另一小区组合的小区组合。确定单元126将确定要划分的小区划分为多个小区。以这种方式,确定每个小区的形状和大小。
确定单元126将指示确定结果的信息输出到获取单元122和学习单元123中的每一个。
(7)输出单元127
输出单元127具有通过需求预测装置12输出预测结果的功能。例如,输出单元127将来自预测单元124的每个小区的需求的预测结果和来自评估单元125的每个小区的预测模型的评估结果相关联地输出。
《3.小区组合和划分》
<3.1.小区组合>
确定单元126将预测精度低于第一阈值的小区确定为组合目标。低于第一阈值可以意味着等于或小于第一阈值,或者可以意味着小于第一阈值。组合之后的小区中的数据的数量是组合之前的每个小区中的数据的数量的和。因此,由于数据的数量随着组合而增加,因此可以提高预测精度。
换句话说,确定单元126可以将需求数据的数量满足预定参考的小区确定为组合目标。例如,确定单元126将数据的数量小于预定阈值的小区确定为组合目标。因此,可以获得与基于预测精度确定组合目标的情况类似的有利效果。
确定单元126将满足与组合目标小区相关的预定组合参考的另一小区与组合目标小区组合。相对照地,当不存在满足预定参考的其他小区时,确定单元126从组合目标中排除组合目标小区。在下文中,将描述组合参考的示例。
·组合参考的示例
确定单元126可以组合组合目标小区。因此,具有低预测精度和少量数据的小区组合。由于组合之后的组合小区的数据的数量是组合之前的每个小区的数据的数量的和,因此期望提高预测精度。因此,可以有效地提高小区的预测精度。
确定单元126可以将组合目标小区与具有与组合目标小区的属性相对应的属性的另一小区组合。与组合目标小区的属性相对应的属性是与组合目标小区的属性相同或相似的属性。相似的属性是倾向于具有相似的需求数据的属性。例如,河流和海洋是相似的属性,因为类似地不假设出租车2搭载乘客(即,需求通常为0)。由于具有相应属性的小区倾向于具有相似的需求数据,因此可以抑制组合小区内部的每个位置的预测精度的变化。
确定单元126将组合目标小区与和该组合目标小区相邻的另一小区组合。相邻意味着小区的边界的至少一部分接触。由于相邻小区中的需求数据倾向于比远处小区中的需求数据更相似,因此可以抑制组合小区内部的每个位置的预测精度的变化。
以上已经描述了组合参考的示例。当满足组合参考的小区的数量为多个时,确定单元126随机组合小区或优先组合组合参考的满意度高的小区。
·小区组合的定时
确定单元126可以确定是否将具有每个需求预测的小区组合。具体地,需求预测装置12使用预测模型执行需求预测和预测精度的评估,并基于评估结果确定是否组合小区。当确定要组合小区时,需求预测装置12在新的组合小区中执行小区的组合和预测模型的学习。
需求预测装置12相对于新的组合小区使用学习的预测模型来执行过去的需求预测,并且执行预测精度的评估。过去的需求预测是基于第一时间的过去的需求数据来预测晚于第一时间的第二时间的需求。通常执行过去的需求预测以在小区的组合/划分之后评估预测模型。用于学习预测模型的数据通常与用于过去的需求预测的数据不同。需求预测装置12可以执行重组,并且可以在新的组合小区中再次执行组合和过去的需求预测并且评估预测模型,直到获得期望的评估结果,诸如,预测精度的提高。此后,需求预测装置12相对于新的组合小区使用新学习的预测模型来执行需求预测。
在尚未执行需求预测的初始状态下,需求预测装置12执行过去的需求预测并执行小区组合。当要组合的小区全部组合时,需求预测装置12结束过去的需求预测和小区组合。此后,需求预测装置12使用组合小区来执行需求预测。
·具体示例
在下文中,将参考图3至图6描述与在初始状态下执行的过去的需求预测相关联的小区组合处理的具体示例。在图3至图6所示的示例中,需求预测装置12在更新小区列表的同时确定组合小区。小区列表是关于小区的组合/划分的信息与每个小区相关联的列表。
图3是示出根据本实施例的单位小区的设置的示例的示图。图3示出了指示设置在预定范围内的单位小区的信息31叠加在地图30上的方面。在图3所示的示例中,所占用的空间在水平方向上被划分为网格形状,并且每个矩形被视为单位小区。小区的属性是车站前面、主干道、市中心、市区和公园中的一个,并且为小区的每个属性分配不同的阴影线。每个小区中的数字是小区ID。
图4是示出在与初始状态下执行的第一过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。在图4中,小区ID、平均乘车计数、小区内的索引、属性、预测精度和可重组/可划分标志与小区列表中的每个小区相关联。平均乘车计数是每个小区在聚合时间段期间的乘车计数的平均值,并且相当于数据的数据量。小区内的索引是用于识别包括在小区中的每个单位小区的识别信息。具体地,小区内的索引是包括在小区中的单位小区的总数和单位小区的索引由“-”连接的信息。可重组/可划分标志是指示小区是否是重组和划分目标的标志,OK指示小区是重组和划分目标,而NG指示小区不是重组和划分目标。
首先,确定单元126将小区的属性映射到小区列表。随后,如图4所示,确定单元126组合属性为公园的小区,将组合小区ID分配给组合之前的每个小区,并将可重组/可划分标志设置为NG。这是因为不会在公园中出现对出租车2的需求。随后,预测单元124针对每个小区(相对于组合小区的每个组合小区)执行过去的需求预测。然后,评估单元125评估来自预测单元124的预测结果,并将预测精度写入小区列表中。
当假设第一阈值为95%时,确定单元126在预测精度等于或大于95%的小区中将可重组/可划分标志设置为NG。相对照地,确定单元126在预测精度小于95%的小区中将可重组/可划分标志设置为OK。如图4所示,确定单元126将NG作为可重组/可划分标志分配给小区ID为141且预测精度为96%的单位小区以及小区ID为121至124的单位小区和公园的属性组合的组合小区,并将OK分配给其他小区。
由此,与第一过去的需求预测相关联的小区组合处理结束。接下来,将参考图5描述与第二过去的需求预测相关联的小区组合处理。
图5是示出在与初始状态下执行的第二过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。首先,确定单元126在图4所示的小区列表中组合彼此相邻、具有相同属性并且具有可重组/可划分标志OK的小区。例如,如图5所示,确定单元126组合小区ID为111、112和114的单位小区,组合小区ID为143和144的单位小区,组合小区ID为113、131和132的单位小区,并且组合小区ID为133、134和312的单位小区。随后,预测单元124针对每个新的组合小区执行过去的需求预测。然后,评估单元125评估来自预测单元124的预测结果,并将预测精度写入小区列表中。
当假设第一阈值为95%时,确定单元126将新的组合小区中预测精度等于或大于95%的组合小区中的可重组/可划分标志设置为NG。另一方面,确定单元126将新的组合小区中预测精度小于95%的组合小区中的可重组/可划分标志设置为OK。如图5所示,确定单元126将NG作为可重组/可划分标志分配给组合小区ID为131、134和312的单位小区的预测精度为95%的组合小区。此外,确定单元126将OK作为可重组/可划分标志分配给组合小区ID为143和144的单位小区的预测精度为68%的组合小区和组合小区ID为113、131和132的单位小区的预测精度为89%的组合小区。另一方面,确定单元126将NG作为可重组/可划分标志分配给组合小区ID为111、112和114的单位小区的预测精度为90%的组合小区,而不分配给其他相邻小区。
由此,与第二过去的需求预测相关联的小区组合处理结束。接下来,将参考图6描述与第三过去的需求预测相关联的小区组合处理。
图6是示出在与初始状态下执行的第三过去的需求预测相关联的小区组合处理中生成的小区列表的示例的示图。首先,确定单元126在图5所示的小区列表中组合彼此相邻、具有相同属性并且具有可重组/可划分标志OK的小区。例如,如图6所示,确定单元126组合小区ID为143、144、113、131和132的单位小区。随后,预测单元124针对每个小区执行过去的需求预测。然后,评估单元125评估来自预测单元124的预测结果,并将预测精度写入小区列表中。
当假设第一阈值为95%时,确定单元126将新的组合小区中预测精度等于或大于95%的组合小区的可重组/可划分标志设置为NG。另一方面,确定单元126将新的组合小区中预测精度小于95%的组合小区中的可重组/可划分标志设置为OK。如图5所示,确定单元126将NG作为可重组/可划分标志分配给组合预测精度为97%的单位小区和小区ID为143、144、113、131和132的单位小区的组合小区。
根据图6所示的小区列表,在所有小区中可重组/可划分标志被设置为NG,并且然后需求预测装置12在初始状态中结束过去的需求预测和小区组合处理。
·处理的流程
在下文中,将参考图7和图8描述与在初始状态下执行的过去的需求预测相关联的小区组合处理的流程的示例。
图7是示出与由根据本实施例的需求预测装置12在初始状态下执行的第一过去的需求预测相关联的小区组合处理的流程的示例的流程图。如图7所示,确定单元126首先将小区列表初始化(步骤S102)。随后,确定单元126将属性写入小区列表(步骤S104)。随后,确定单元126将具有预定属性的小区组合,并将关于组合小区和可重组/可划分标志=NG的信息写入小区列表(步骤S106)。预定属性的示例是诸如假设不会出现对出租车2的需求的公园的属性。
此后,需求预测装置12通过将可重组/可划分标志为空的小区设置为组合或非组合确定目标的小区来执行以下描述的处理。获取单元122首先获取确定目标小区的数据(需求数据、外部数据和属性数据)(步骤S108)。随后,学习单元123学习确定目标小区的预测模型(步骤S110)。随后,预测单元124执行确定目标小区的过去的需求预测(步骤S112)。随后,评估单元125评估确定目标小区的预测模型(步骤S114)。然后,确定单元126基于步骤S114中的评估结果来确定是否组合确定目标小区,并将确定结果写入小区列表(步骤S116)。随后,确定单元126确定是否组合所有小区(步骤S118)。可以根据小区列表的可重组/可划分标志被设置为OK还是NG来执行该确定。当确定剩余未确定的小区时(步骤S118/否),处理返回到步骤S108,并且通过将未确定的小区设置为确定目标小区来执行步骤S108和后续步骤的处理。相对照地,当确定已经对所有小区执行组合或非组合时(步骤S118/是),该处理结束。
图8是示出与由根据本实施例的需求预测装置12在初始状态下第二次执行之后的过去的需求预测相关联的小区组合处理的流程的示例的流程图。如图8所示,确定单元126首先获取与先前的过去的需求预测相关联地生成的小区列表(步骤S202)。随后,确定单元126将具有可重组/可划分标志=OK的小区组合,并清除新组合的组合小区的可重组/可划分标志(步骤S204)。
此后,需求预测装置12通过将可重组/可划分标志为空的组合小区设置为重组或非重组确定目标的小区来执行以下描述的处理。获取单元122首先获取确定目标组合小区的数据(需求数据、外部数据和属性数据)(步骤S206)。例如,获取单元122获取并集成包括在确定目标组合小区中的单位小区的数据。随后,学习单元123学习确定目标组合小区的预测模型(步骤S208)。随后,预测单元124执行确定目标组合小区的过去的需求预测(步骤S210)。随后,评估单元125评估确定目标组合小区的预测模型(步骤S212)。然后,确定单元126基于步骤S212中的评估结果来确定是否重组确定目标组合小区,并将确定结果写入小区列表(步骤S214)。随后,确定单元126确定是否重组所有组合小区(步骤S216)。可以根据小区列表的可重组/可划分标志被设置为OK还是NG来执行该确定。当确定剩余未确定的小区时(步骤S216/否),处理返回到步骤S206,并且将未确定的组合小区设置为确定目标小区来执行步骤S206和后续步骤的处理。相对照地,当确定已经对所有组合小区执行重组或非重组时(步骤S216/是),该处理结束。
<3.2.小区划分>
确定单元126将预测精度高于第二阈值的小区确定为划分目标。高于第二阈值可以意味着等于或大于第二阈值,或者可以意味着大于第一阈值。在此处,第二阈值是与第一阈值相同或大于第一阈值的值。由于划分之后的每个小区的数据的数量通常小于划分之前的小区的数据的数量,因此可以将划分之后的小区的预测精度减少到不太高的程度。由于划分之后的小区比划分之前的小区小,因此可以更详细地指定预测出现需求的地点。
换句话说,确定单元126可以将需求数据的数量满足预定参考的小区确定为划分目标。例如,确定单元126将满足预定参考(诸如,超过预定阈值的数据的数量、指示预定增加量的数据的数量或者指示预定增加比率的数据的数量)的小区确定为划分目标。因此,可以获得与基于预测精度确定划分目标的情况类似的有利效果。
确定单元126可以将组合小区设置为划分目标。即,一旦已经组合的小区可以随着预测精度的提高而划分。以这种方式,随着预测精度的提高,小区的粒度可以被设置为精细。
确定单元126可以根据小区的属性来确定是否划分小区。例如,确定单元126确定未划分具有诸如公园、河流、海洋或设施的属性的小区,在该属性中,不假设出租车2搭载乘客并且指示没有出现对出租车2的需求。由于在这样的小区中没有出现需求,因此精细地生成预测模型的有利效果可以忽略不计。通过避免不必要的划分,可以减少学习预测模型的处理负荷。
确定单元126可以划分小区,使得划分之后的数据的数量满足预定参考。例如,确定单元126可以划分小区,使得划分之后的每个小区的需求数据的数量超过预定阈值。因此,可以防止划分之后的小区的数据的数量急剧减少,并防止预测精度显著降低。
当划分之后的小区是组合小区时,确定单元126可以确定划分之后的小区,使得包括在划分之后的小区中的单位小区彼此相邻。由于相邻小区倾向于比远处小区具有更相似的需求数据,因此可以抑制划分之后的小区内部的每个位置的预测精度的变化。
·小区划分的定时
确定单元126可以在每次需求预测时确定是否划分小区。具体地,需求预测装置12使用预测模型执行需求预测和预测精度的评估,并基于评估结果确定是否划分小区。当确定要划分小区时,需求预测装置12执行小区的划分和在划分的小区中的预测模型的学习。
需求预测装置12相对于划分的小区使用学习的预测模型来执行过去的需求预测,并且执行预测精度的评估。需求预测装置12可以执行重新划分,并且可以在划分的小区中执行预测模型的学习和过去的需求预测以及预测模型的评估,直到获得期望的评估结果,诸如,预测精度的劣化宽度落入预测精度的预定范围内。此后,需求预测装置12相对于划分的小区使用新学习的预测模型来执行需求预测。
·具体示例
在下文中,将参考图9和图10描述与需求预测相关联的小区划分处理的具体示例。在图9和图10所示的示例中,需求预测装置12在更新小区列表的同时确定划分小区。
图9是示出在与第X需求预测相关联的小区组合处理中生成的小区列表的示例的示图。图9示出了如参考图3至图6所述的在组合小区之后在第X需求预测时生成的小区列表。X是等于或大于1的整数。预测单元124针对每个小区(相对于组合小区的每个组合小区)执行第X需求预测。然后,评估单元125评估来自预测单元124的预测结果,并将预测精度写入小区列表。
确定单元126可以基于每个组合小区的需求数据的数量来确定尝试划分的组合小区。例如,确定单元126尝试划分满足预定参考(诸如,超过预定阈值的数据的数量、指示预定增加量的数据的数量或者指示预定增加比率的数据的数量)的组合小区。在图9所示的示例中,假设组合小区ID为143、144、113、131和132的单位小区的组合小区的数据的数量指示预定增加量,并且该组合小区被确定为尝试划分的组合小区。
确定单元126确定是否划分尝试划分的组合小区。具体地,当假设第二阈值为95%时,确定单元126将尝试划分的组合小区中预测精度大于95%的组合小区中的可重组/可划分标志设置为OK。另一方面,确定单元126将尝试划分的组合小区中预测精度等于或小于95%的组合小区中的可重组/可划分标志设置为NG。如图9所示,确定单元126将OK作为可重组/可划分标志分配给组合小区ID为143、144、113、131和132的单位小区的预测精度为97%的组合小区。另一方面,由于在所有其他组合小区中预测精度等于或小于95%,因此确定单元126分配NG作为可重组/可划分标志。
此后,确定单元126实际划分小区,并确定在划分之后是否重新划分小区。将参考图10描述这一点。
图10是示出在与第X需求预测相关联的小区划分处理中生成的小区列表的示例的示图。确定单元126首先在图9所示的小区列表中划分可重组/可划分标志是OK的组合小区。例如,如图10所示,确定单元126将组合小区ID为143、144、113、131和132的单位小区的组合小区划分为组合小区ID为143和144的单位小区的组合小区和组合小区ID为113、131和132的单位小区的组合小区。随后,预测单元124针对划分之后的每个小区执行过去的需求预测。然后,评估单元125评估来自预测单元124的预测结果,并将预测精度写入小区列表。
当假设第二阈值为95%时,确定单元126将划分之后的小区中预测精度大于95%的小区中的可重组/可划分标志设置为OK。另一方面,确定单元126将划分之后的小区中预测精度等于或小于95%的组合小区中的可重组/可划分标志设置为NG。如图10所示,确定单元126将NG作为可重组/可划分标志分配给组合小区ID为143和144的单位小区的预测精度为95%的组合小区以及组合小区ID为113、131和132的单位小区的组合小区。
根据图10所示的小区列表,在所有小区中可重组/可划分标志被设置为NG,并且然后结束小区划分处理。
·处理的流程
在下文中,将参考图11描述与第X需求预测相关联的小区划分处理的流程的示例。
图11是示出与由根据本实施例的需求预测装置12执行的第X需求预测相关联的小区划分处理的流程的示例的流程图。如图11所示,获取单元122首先获取每个组合小区的数据的数量(步骤S302)。在此处,数据的数量例如是需求数据中的平均乘车计数。随后,确定单元126确定是否划分指示数据的数量指示预定增加量的组合小区(步骤S304)。例如,确定单元126基于数据的数量指示预定增加量的组合小区的预测精度来确定划分或非划分。随后,确定单元126划分被确定为可划分的组合小区,并更新小区列表(步骤S306)。
此后,需求预测装置12通过将划分之后的小区设置为可再划分的确定目标小区来执行以下描述的处理。获取单元122首先获取确定目标划分小区的数据(需求数据、外部数据和属性数据)(步骤S308)。具体地,获取单元122获取并集成包括在确定目标划分小区中的单位小区的数据。随后,学习单元123学习确定目标划分小区的预测模型(步骤S310)。随后,预测单元124执行确定目标划分小区的过去的需求预测(步骤S312)。随后,评估单元125评估确定目标划分小区的预测模型(步骤S314)。然后,确定单元126基于步骤S314中的评估结果来确定是否重新划分确定目标划分小区,并将确定结果写入小区列表(步骤S316)。随后,确定单元126确定是否重新划分所有划分小区(步骤S318)。可以根据小区列表的可重组/可划分标志被设置为OK还是NG来执行该确定。当确定剩余未确定的划分小区时(步骤S318/否),处理返回到步骤S308,并且通过将未确定的划分小区设置为确定目标小区来执行步骤S308和后续步骤的处理。相对照地,当确定对所有划分小区执行重新划分或非重新划分时(步骤S318/是),该处理结束。
<3.3.补充>
·小区的更新定时
确定单元126可以根据时间的经过来重新确定小区的组合或划分。例如,当已经经过预定时间时,确定单元126可以通过将单位小区设置为目标来执行上述小区组合处理,并且可以随后执行划分处理。因此,可以正常地确定适合最新情况的小区。
确定单元126可以响应于小区的属性的变化来重新确定小区组合或划分。小区的属性可以根据现有建筑物的拆除、新建筑物的建造或道路的延伸而改变。从这一点来看,可以通过响应于小区的属性的变化更新小区来根据最新情况来确定小区。
·小区生成方法
如上所述,单位小区具有通过在水平方向上划分网格形状中的占用空间而形成的正方形形状,但是本技术不限于该示例。例如,可以基于地图信息来设置小区。将参考图12描述示例。
图12是示出根据本实施例的基于单位小区的地图信息的设置的示例的示图。图12示出了指示设置在预定范围内的单位小区的信息32叠加在地图30上的方面。在指示单位小区的信息32中,沿着车站前面的空间设置具有车站前面的属性的小区33A至33C。沿着主干道设置具有主干道的属性的小区34A至34D。沿着闹市区设置具有市中心的属性的小区35A至35G。尽管在图12中未示出,但是沿着市区设置具有市区属性的小区。优选地,单位小区被设置为尽可能小,使得需求预测在每个单位小区中是优选的(例如,预测精度等于或大于第一阈值并且等于或小于第二阈值)。
单位小区可以被设置为不包括出租车2不能行驶的区域,诸如,建筑物。即,单位小区可以设置在出租车2可以行驶的区域,诸如,道路。此外,可以在道路上的每个行驶方向上设置单位小区。因此,由于预测了每个道路或每个延伸方向的需求,因此可以更详细地指定预测出现需求的地点。
《4.硬件配置示例》
最后,将参考图13描述根据本实施例的信息处理装置的硬件配置。图13是示出根据本实施例的信息处理装置的硬件配置的示例的框图。图13所示的信息处理装置900可以用作例如图2所示的需求预测装置12。根据本实施例的需求预测装置12的信息处理通过以下描述的软件和硬件的协作来实现。
如图13所示,信息处理装置900包括中央处理单元(CPU)901、只读存储器(ROM)902、随机存取存储器(RAM)903和主机总线904a。信息处理装置900包括桥接器904、外部总线904b、接口905、输入装置906、输出装置907、存储装置908、驱动器909、连接端口911和通信装置913。代替CPU 901或除了CPU 901之外,信息处理装置900还可以包括处理电路,诸如,电路、DSP或ASIC。
CPU 901用作算术处理装置和控制装置,并根据各种程序控制信息处理装置900中的一般操作。CPU 901可以是微处理器。ROM 902存储由CPU 901使用的程序、算术参数等。RAM 903临时存储在CPU 901的执行中使用的程序和在执行中适当改变的参数等。CPU 901可以用作例如图2所示的获取单元122、学习单元123、预测单元124、评估单元125、确定单元126和输出单元127。
CPU 901、ROM 902和RAM 903通过包括CPU总线的主机总线904a彼此连接。主机总线904a经由桥接器904连接到外部总线904b,诸如,外围组件互连/接口(PCI)总线。主机总线904a、桥接器904和外部总线904b不必彼此分离,并且这些功能可以安装在一条总线上。
输入装置906例如由用户向其输入信息的装置(诸如鼠标、键盘、触摸面板、按钮、麦克风、开关和操纵杆)来实现。输入装置906可以例如是使用红外光或其他无线电波的遥控装置,或者可以是对应于信息处理装置900的操作的外部连接的装置,诸如,移动电话或PDA。此外,输入装置906可以包括例如输入控制电路,该输入控制电路基于用户使用输入装置(input means)输入的信息来生成输入信号,并将该输入信号输出到CPU901。信息处理装置900的用户操作输入装置906以将各种数据输入到信息处理装置900或给出处理操作指令。
输出装置907由能够可视或可听地向用户通知所获取的信息的装置形成。作为该装置,存在诸如CRT显示装置、液晶显示装置、等离子显示装置、EL显示装置、激光投影仪、LED投影仪和灯的显示装置、诸如扬声器和耳机的声音输出装置或打印机装置。输出装置907输出例如通过由信息处理装置900执行的各种处理获得的结果。具体地,显示装置以诸如文本、图像、表格和图形的各种形式可视地显示通过由信息处理装置900执行的各种处理获得的结果。另一方面,声音输出装置将由再现的声音数据或声学数据形成的音频信号转换为模拟信号,并可听地输出该模拟信号。
存储装置908是形成为信息处理装置900的存储单元的示例的数据存储装置。例如,存储装置908由诸如HDD的磁存储装置、半导体存储装置、光存储装置或磁光存储装置实现。存储装置908可以包括存储介质、将数据记录在存储介质上的记录装置、从存储装置读取数据的读取装置以及删除记录在存储介质上的数据的删除装置。存储装置908存储由CPU901执行的各种数据和程序以及从外部获取的各种数据。存储装置908可以用作例如图2所示的数据累积单元121。
驱动器909是存储介质读取器或写入器,并且嵌入或外部附接到信息处理装置900。驱动器909读取记录在安装的可移动存储介质(诸如,磁盘、光盘、磁光盘或半导体存储器)上的信息,并将该信息输出到RAM 903。驱动器909可以将信息写入可移动存储介质。
连接端口911是连接到外部装置的接口,并且例如是能够通过通用串行总线(USB)发送数据的外部装置的连接端口。
通信装置913例如是由通信装置等形成并连接到网络920的通信接口。通信装置913例如是用于有线或无线局域网(LAN)、长期演进(LTE)、蓝牙(注册商标)或无线USB(WUSB)的通信卡。通信装置913可以是用于光通信的路由器、用于非对称数字用户线路(ADSL)的路由器或者用于各种类型通信的调制解调器。例如,通信装置913可以根据预定协议(诸如,TCP/IP)将信号等发送到因特网或另一通信装置,并且从因特网或另一通信装置接收信号等。在该实施例中,通信装置913接收需求数据和外部数据,并将需求预测数据或调度指令发送到终端装置22。
网络920是用于从连接到网络920的装置发送的信息的有线或无线传输路径。例如,网络920可以包括诸如因特网、电话线网络或卫星通信网络的公共线路网络、包括以太网(注册商标)的各种局域网(LAN)以及广域网(WAN)。网络920可以包括专用线路网络,诸如,因特网协议虚拟专用网络(IP-VPN)。
以上已经描述了能够实现根据本实施例的信息处理装置900的功能的硬件配置的示例。组成元件可以使用通用元件来实现,或者可以通过专用于每个组成元件的功能的硬件来实现。因此,当实施该实施例时,可以根据技术水平适当地改变要使用的硬件配置。
可以在PC等上产生和安装用于实现根据上述实施例的信息处理装置900的每个功能的计算机程序。还可以提供存储有计算机程序的计算机可读记录介质。记录介质例如是磁盘、光盘、磁光盘或闪存。该计算机程序可以经由例如网络而不使用记录介质递送。
《5.结论》
以上已经参考图1至图13描述了本公开的实施例。如上所述,根据本实施例的需求预测装置12获取传送装载到移动体上的传送对象的移动体的每个小区的需求数据,并学习用于预测每个小区的需求数据的预测模型。需求预测装置12基于预测模型的预测精度来确定是组合还是划分小区。例如,需求预测装置12将预测精度相当低的小区与另一小区组合。因此,由于组合之后的小区中的数据的数量比组合之前的数据的数量增加更多,因此可以提高预测精度。另一方面,需求预测装置12将预测精度相当高的小区划分为多个较小的小区。因此,由于划分之后的小区比划分之前的小区小,因此可以更详细地指定预测出现需求的地点。以这种方式,需求预测装置12可以设置可以实现足够高的预测精度的小区,并且可以详细地指定预测出现需求的地点。需求预测装置12可以通过学习每个小区的预测模型来在任何小区中实现高预测精度。
例如,需求预测装置12可以相对于出租车的需求预测高精度地预测所有小区中出租车的需求发生。因此,由于实现了优选的出租车调度,因此可以减少浪费的漫步业务时间(strolling business time),并且可以提高出租车生产率。
以上已经参考附图详细描述了本公开的优选实施例,但是本公开的技术范围不限于该示例。对于本公开的技术领域中的本领域技术人员显而易见的是,可以进行各种改变或校正,并且这些改变和校正当然被解释为属于本公开的技术范围。
例如,在前述实施例中,已经描述了出租车调度的用例,但是本技术的应用不限于该示例。例如,本技术可以用于设置可以灵活地设置行驶路线的共享出租车或公共汽车的行驶路线。在这种情况下,如在出租车调度的示例中,预测对共享出租车或公共汽车的需求,并且设置行驶路线,使得优先通过预测需求很大的小区。本技术可以用于搭载家庭递送对象(home-delivery object)。在这种情况下,如在出租车调度的示例中,预测卡车对搭乘的需求,并且设置卡车的行驶路线,使得优先通过预测需求大的单元。本技术可以用于选择停车场。在这种情况下,针对每个小区预测停车场的空闲位置,并且通知调度指令以移动到预测有许多空闲位置的小区。
参考本说明书中的流程图描述的处理可以不必按附图中所示的顺序来执行。可以并行执行几个处理步骤。可以采用额外的处理步骤或者可以省略一些处理步骤。
本说明书中描述的有利效果仅是说明性的或示例性的并且不受限制。即,在根据本公开的技术中,除了前述有利效果之外或代替前述有利效果,可以从本说明书的描述中获得对本领域技术人员显而易见的其他有利效果。
以下配置属于本公开的技术范围。
(1)
一种信息处理装置,包括:
获取单元,其被配置为获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;
学习单元,其被配置为学习用于预测每个预测目标空间的需求数据的预测模型;以及
确定单元,其被配置为基于预测模型的预测精度来确定是组合还是划分预测目标空间。
(2)
根据(1)所述的信息处理装置,其中,确定单元将预测精度低于第一阈值的预测目标空间确定为组合目标。
(3)
根据(2)所述的信息处理装置,其中,确定单元组合组合目标的预测目标空间。
(4)
根据(2)或(3)所述的信息处理装置,其中,确定单元将组合目标的预测目标空间与具有与组合目标的预测目标空间的属性相对应的属性的另一预测目标空间组合。
(5)
根据(2)至(4)中任一项所述的信息处理装置,其中,确定单元将组合目标的预测目标空间与邻近组合目标的预测目标空间的另一预测目标空间组合。
(6)
根据(1)至(5)中任一项所述的信息处理装置,其中,确定单元将预测精度高于第二阈值的预测目标空间确定为划分目标。
(7)
根据(1)至(6)中任一项所述的信息处理装置,其中,确定单元将需求数据的数量满足预定参考的预测目标空间确定为划分目标。
(8)
根据(1)至(7)中任一项所述的信息处理装置,其中,确定单元根据预测目标空间的属性来确定划分或非划分。
(9)
根据(1)至(8)中任一项所述的信息处理装置,其中,确定单元随时间重新确定预测目标空间的组合或划分。
(10)
根据(1)至(9)中任一项所述的信息处理装置,其中,确定单元通过预测目标空间的属性的变化来重新确定预测目标空间的组合或划分。
(11)
根据(1)至(10)中任一项所述的信息处理装置,其中,预测目标空间通过水平方向上的位置信息和高度方向上的位置信息来定义。
(12)
根据(1)至(11)中任一项所述的信息处理装置,其中,预测目标空间基于地图信息来设置。
(13)
根据(1)至(12)中任一项所述的信息处理装置,其中,移动体是车辆,并且需求数据是关于传送对象的需求量的数据。
(14)
一种由处理器执行的信息处理方法,该方法包括:
获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;
学习用于预测每个预测目标空间的需求数据的预测模型;并且
基于预测模型的预测精度来确定是组合还是划分预测目标空间。
(15)
一种程序,使计算机用作:
获取单元,其被配置为获取传送装载到移动体上的传送对象的移动体的每个预测目标空间的需求数据;
学习单元,其被配置为学习用于预测每个预测目标空间的需求数据的预测模型;以及
确定单元,其被配置为基于预测模型的预测精度来确定是组合还是划分预测目标空间。
参考标记列表
1 移动体控制系统
2 移动体、出租车
3 GNSS卫星
11 数据收集装置
12 需求预测装置
13 车辆调度装置
21 日志生成装置
22 终端装置
121 数据累积单元
122 获取单元
123 学习单元
124 预测单元
125 评估单元
126 确定单元
127 输出单元。
Claims (15)
1.一种信息处理装置,包括:
获取单元,被配置为获取传送装载到移动体上的传送对象的所述移动体的每个预测目标空间的需求数据;
学习单元,被配置为学习用于预测所述每个预测目标空间的所述需求数据的预测模型;以及
确定单元,被配置为基于所述预测模型的预测精度来确定是组合还是划分预测目标空间。
2.根据权利要求1所述的信息处理装置,其中,所述确定单元将所述预测精度低于第一阈值的所述预测目标空间确定为组合目标。
3.根据权利要求2所述的信息处理装置,其中,所述确定单元组合所述组合目标的所述预测目标空间。
4.根据权利要求2所述的信息处理装置,其中,所述确定单元将所述组合目标的所述预测目标空间与具有与所述组合目标的所述预测目标空间的属性相对应的属性的另一预测目标空间组合。
5.根据权利要求2所述的信息处理装置,其中,所述确定单元将所述组合目标的所述预测目标空间与邻近所述组合目标的所述预测目标空间的另一预测目标空间组合。
6.根据权利要求1所述的信息处理装置,其中,所述确定单元将所述预测精度高于第二阈值的所述预测目标空间确定为划分目标。
7.根据权利要求1所述的信息处理装置,其中,所述确定单元将所述需求数据的数量满足预定参考的所述预测目标空间确定为划分目标。
8.根据权利要求1所述的信息处理装置,其中,所述确定单元根据所述预测目标空间的属性来确定划分或非划分。
9.根据权利要求1所述的信息处理装置,其中,所述确定单元随时间重新确定所述预测目标空间的组合或划分。
10.根据权利要求1所述的信息处理装置,其中,所述确定单元通过所述预测目标空间的属性的变化来重新确定所述预测目标空间的组合或划分。
11.根据权利要求1所述的信息处理装置,其中,所述预测目标空间通过水平方向上的位置信息和高度方向上的位置信息来定义。
12.根据权利要求1所述的信息处理装置,其中,所述预测目标空间基于地图信息来设置。
13.根据权利要求1所述的信息处理装置,其中,所述移动体是车辆,并且所述需求数据是关于所述传送对象的需求量的数据。
14.一种由处理器执行的信息处理方法,所述方法包括:
获取传送装载到移动体上的传送对象的所述移动体的每个预测目标空间的需求数据;
学习用于预测所述每个预测目标空间的所述需求数据的预测模型;并且
基于所述预测模型的预测精度来确定是组合还是划分预测目标空间。
15.一种程序,使计算机用作:
获取单元,被配置为获取传送装载到移动体上的传送对象的所述移动体的每个预测目标空间的需求数据;
学习单元,被配置为学习用于预测所述每个预测目标空间的所述需求数据的预测模型;以及
确定单元,被配置为基于所述预测模型的预测精度来确定是组合还是划分预测目标空间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018127684 | 2018-07-04 | ||
JP2018-127684 | 2018-07-04 | ||
PCT/JP2019/020336 WO2020008749A1 (ja) | 2018-07-04 | 2019-05-22 | 情報処理装置、情報処理方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112352250A true CN112352250A (zh) | 2021-02-09 |
Family
ID=69059548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980043896.2A Pending CN112352250A (zh) | 2018-07-04 | 2019-05-22 | 信息处理装置、信息处理方法和程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210192410A1 (zh) |
EP (1) | EP3819833A4 (zh) |
JP (2) | JP7188444B2 (zh) |
CN (1) | CN112352250A (zh) |
WO (1) | WO2020008749A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6906487B2 (ja) * | 2018-08-24 | 2021-07-21 | 株式会社東芝 | 乗合車両用需要予測装置、乗合車両用需要予測方法及びプログラム |
WO2022153784A1 (ja) * | 2021-01-14 | 2022-07-21 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | ドローン制御システム、ドローン、ドローン制御方法、及びプログラム |
JP7348233B2 (ja) | 2021-06-17 | 2023-09-20 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09153098A (ja) * | 1995-11-30 | 1997-06-10 | Omron Corp | 車両需要予測システム |
JP2008052455A (ja) * | 2006-08-23 | 2008-03-06 | Fujitsu Ten Ltd | 需要予測装置およびプログラム |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
US20180032928A1 (en) * | 2015-02-13 | 2018-02-01 | Beijing Didi Infinity Technology And Development C O., Ltd. | Methods and systems for transport capacity scheduling |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010039833A (ja) | 2008-08-06 | 2010-02-18 | Act Systems:Kk | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 |
JP5129799B2 (ja) | 2009-11-24 | 2013-01-30 | 株式会社エヌ・ティ・ティ・ドコモ | 需要予測装置及び需要予測方法 |
JP2012043296A (ja) | 2010-08-20 | 2012-03-01 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
JP5935999B2 (ja) | 2012-12-29 | 2016-06-15 | 株式会社Zmp | タクシーサービス支援システム |
KR20180013843A (ko) * | 2015-01-29 | 2018-02-07 | 베이징 디디 인피니티 테크놀로지 앤드 디벨럽먼트 컴퍼니 리미티드 | 오더 할당 시스템 및 방법 |
JP2017091351A (ja) * | 2015-11-13 | 2017-05-25 | 日本電気株式会社 | 統合装置、統合方法、統合プログラム、および制御システム |
US10379533B2 (en) | 2016-01-04 | 2019-08-13 | GM Global Technology Operations LLC | System and method for autonomous vehicle fleet routing |
JP2017194863A (ja) | 2016-04-21 | 2017-10-26 | 株式会社Nttドコモ | 需要予測装置 |
JP6688149B2 (ja) | 2016-05-12 | 2020-04-28 | 株式会社Nttドコモ | タクシー需要推定システム |
US10559209B2 (en) | 2016-11-10 | 2020-02-11 | Sap Se | Vehicle position planning |
US10817775B2 (en) * | 2017-01-12 | 2020-10-27 | International Business Machines Corporation | Neural network computing systems for predicting vehicle requests |
-
2019
- 2019-05-22 US US17/251,039 patent/US20210192410A1/en not_active Abandoned
- 2019-05-22 EP EP19830285.3A patent/EP3819833A4/en active Pending
- 2019-05-22 WO PCT/JP2019/020336 patent/WO2020008749A1/ja active Application Filing
- 2019-05-22 CN CN201980043896.2A patent/CN112352250A/zh active Pending
- 2019-05-22 JP JP2020528713A patent/JP7188444B2/ja active Active
-
2022
- 2022-12-01 JP JP2022192680A patent/JP2023025158A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09153098A (ja) * | 1995-11-30 | 1997-06-10 | Omron Corp | 車両需要予測システム |
JP2008052455A (ja) * | 2006-08-23 | 2008-03-06 | Fujitsu Ten Ltd | 需要予測装置およびプログラム |
US20180032928A1 (en) * | 2015-02-13 | 2018-02-01 | Beijing Didi Infinity Technology And Development C O., Ltd. | Methods and systems for transport capacity scheduling |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020008749A1 (ja) | 2020-01-09 |
US20210192410A1 (en) | 2021-06-24 |
JPWO2020008749A1 (ja) | 2021-07-08 |
JP7188444B2 (ja) | 2022-12-13 |
EP3819833A1 (en) | 2021-05-12 |
JP2023025158A (ja) | 2023-02-21 |
EP3819833A4 (en) | 2021-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506864B (zh) | 一种客运巴士路线规划方法和装置 | |
CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
US10691138B2 (en) | Systems and methods for managing fleets of autonomous vehicles to optimize electric budget | |
US10034122B2 (en) | Systems and methods for shipping management in a network of moving things | |
CN112352250A (zh) | 信息处理装置、信息处理方法和程序 | |
Zear et al. | Intelligent transport system: A progressive review | |
US10841379B2 (en) | Systems and methods for environmental management in a network of moving things | |
WO2018220971A1 (ja) | 通信制御装置、通信制御方法、及びコンピュータプログラム | |
US20080234920A1 (en) | Remote Traffic Coordination and Control | |
US20200286391A1 (en) | Method and apparatus for computing a three-dimensional route based on risk-related data | |
US20200286388A1 (en) | Method and apparatus for visualizing risk levels associated with aerial vehicle flights | |
EP3980723B1 (en) | Time varying loudness prediction system for determining a route for an aerial vehicle | |
CN105185100A (zh) | 一种车辆监控管理系统 | |
CN105894847A (zh) | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 | |
CN112204604A (zh) | 信息处理装置、信息处理方法以及程序 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
CN110570127B (zh) | 一种智能公交系统、车辆运行调度方法及装置 | |
CN112219217A (zh) | 信息处理装置、信息处理方法以及程序 | |
JP2024015090A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2022001840A (ja) | 制御装置、プログラム、システム、及び制御方法 | |
US20220272168A1 (en) | Prioritized Provision and Retrieval of Offline Map Data | |
CN111949703B (zh) | 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统 | |
JP6940574B2 (ja) | 管理装置、運用システム、プログラム及び運用方法 | |
CN114648057A (zh) | 交通路线的生成方法、装置、电子装置和存储介质 |
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 |