JP2010039833A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2010039833A JP2010039833A JP2008203093A JP2008203093A JP2010039833A JP 2010039833 A JP2010039833 A JP 2010039833A JP 2008203093 A JP2008203093 A JP 2008203093A JP 2008203093 A JP2008203093 A JP 2008203093A JP 2010039833 A JP2010039833 A JP 2010039833A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- transition
- occurrence
- data
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007704 transition Effects 0.000 claims abstract description 90
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 230000017105 transposition Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003831 deregulation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】需要発生を精度良く予測できる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を提供し、サービス提供者の営業効率を向上させると共に、サービス利用者の満足度を向上させる。
【解決手段】需要発生履歴データ11と領域マッピングデータ12に基づいて、前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成し、該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるかを示す領域別遷移データを作成し、該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行する。
【選択図】図6
【解決手段】需要発生履歴データ11と領域マッピングデータ12に基づいて、前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成し、該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるかを示す領域別遷移データを作成し、該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行する。
【選択図】図6
Description
この発明は、例えば地図上の任意の場所で発生する需要を予測するような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に関する。
従来、様々な場所で需要が発生するタクシーサービスについて、実車率(顧客を乗せて賃走している実車距離/走行距離)の低下が問題となっている。これは、規制緩和による運行タクシー数の急増が主な原因となっている。このため、タクシー売上高が低減しており、サービス提供者であるタクシー会社からこの改善が求められている。また、実車率が悪い原因には、サービス利用者であるタクシー利用者が、タクシーを呼び出してから配車完了までに長時間待たされる、あるいは路上でタクシーを探してもなかなか見つからないということも考えられる。
このようなタクシーの実車率を向上するためのシステムとして、車両運行支援システムが提案されている(特許文献1参照)。このシステムは、統計データとリアルタイムデータに基づいて、現在の需要の分布予想を生成し、その分布予想に基づいて支援情報を生成するものである。具体的には、蓄積されたデータから地点別需要発生確率を計算し、指数平滑法により経過時間に反比例した重みを乗じて需要を予測するものである。
また、集計した運行に関するデータを分析し、顧客の要求の傾向に合った配車計画を立てることができる配車管理システムも提案されている(特許文献2参照)。このシステムは、平均稼動車率や、団体客などを分析して配車計画を定めるものである。
しかし、これらのシステムは、需要発生地点を予測するものとして十分なものではなく、さらに高精度に需要発生を予測することが求められていた。
特開2003−196791号公報
特開2003−345874号公報
この発明は、上述の問題に鑑み、需要発生を精度良く予測できる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を提供し、サービス提供者の営業効率を向上させると共に、サービス利用者の満足度を向上させることを目的とする。
この発明は、GPS衛星を利用して自己の位置を測定する測位手段と、需要発生があったことを入力する入力手段と、当該需要発生があったことを需要の発生地点と共に需要発生データとしてサーバへ送信する送信手段とを備えた車両と、 上記車両から送信されてきた需要発生データを、上記発生地点と該需要発生のあった発生日時とが含まれる状態で記憶する記憶手段と、上記データに基づく演算を実行する演算手段と、上記演算手段による演算結果を出力する出力手段とを有する上記サーバとを備え、上記記憶手段は、上記地図を複数の領域に分割した領域データを記憶する構成であり、上記演算手段は、上記記憶手段から読み出した上記需要発生データと上記領域データに基づいて、上記各発生地点が含まれる各領域を上記発生日時の順に遷移したとみなして前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成する遷移データ作成ステップと、該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるか、またはそれぞれの次需要発生領域は遷移元としてどの前需要発生領域があるかを示す領域別遷移データを作成する領域別遷移データ作成ステップと、該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行する構成であり、上記出力手段は、上記需要発生予測を出力する構成である需要発生予測システム、需要発生予測装置、または需要発生予測方法であることを特徴とする。
この発明の態様として、上記演算手段は、上記領域データを、上記需要発生データに基づいて各領域についての需要発生の数が所定範囲に収まるように、需要発生集中地域では小面積の領域、需要発生過疎地域では大面積の領域とする領域サイズ調整ステップを実行する構成とすることができる。
またこの発明の態様として、上記領域別遷移データ作成ステップは、前需要発生領域から次需要発生領域への遷移による時間遷移確率行列を作成する構成であり、上記需要発生予測ステップは、該時間遷移確率行列に所定加工を施した加工行列を作成し、該加工行列と解ベクトルの乗算結果が所定の安定状態ベクトルとなるような解ベクトルを求めて該解ベクトルを需要発生予測とする構成とすることができる。
またこの発明の態様として、上記所定加工は、上記時間遷移確率行列の対角線要素のうち値が0となっている要素を、当該要素の行における最小の遷移確率よりも小さい微小確率に置換する置換加工と、当該置換加工が施された行の全要素の総和が1となるように当該行の他の要素の値を減少させて調整する調整加工が含まれる構成とすることができる。
またこの発明の態様として、上記所定加工は、置換加工した後の行列を転置して転置行列を求め、さらにこの転置行列から単位行列を減算する転置減算加工が含まれる構成とすることができる。
またこの発明の態様として、上記所定加工は、上記転置減算加工が施された行列の所定の1行の要素を全て削除して1を代入する1行削除加工が含まれる構成とすることができる。
この発明により、需要発生を精度良く予測できる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を提供し、サービス提供者の営業効率を向上させると共に、サービス利用者の満足度を向上させることができる。
この発明の一実施形態を以下図面と共に説明する。
図1は、需要発生予測システム1のシステム構成図である。
需要発生予測システム1は、サーバ3、管理端末6、及びタクシー車両7とで構成されている。サーバ3、管理端末6、及びタクシー車両7は、インターネット5を介して通信可能に有線または無線で接続されている。また、需要発生予測システム1には、位置測定用の電波を発信するGPS衛星2が複数利用される。
図1は、需要発生予測システム1のシステム構成図である。
需要発生予測システム1は、サーバ3、管理端末6、及びタクシー車両7とで構成されている。サーバ3、管理端末6、及びタクシー車両7は、インターネット5を介して通信可能に有線または無線で接続されている。また、需要発生予測システム1には、位置測定用の電波を発信するGPS衛星2が複数利用される。
サーバ3、および管理端末6は、コンピュータで構成されており、CPUとROMとRAMとで構成される制御装置、ハードディスクや不揮発性メモリ等の記憶装置、キーボードやマウス等の入力装置、CRTディスプレイや液晶ディスプレイ等の表示装置、LANボードなどの通信装置、およびCDドライブなどの記憶媒体読み書き装置が設けられている。
サーバ2の記憶装置には、データベース4が記憶されている。このデータベース4には、需要発生の予測に必要なデータと共に、利用者(タクシー利用顧客)の氏名や住所や電話番号、住所録など、コールセンターへタクシー呼び出しがあった際に配車場所を特定するために必要な情報も記憶されている。
管理端末6は、サーバ2にアクセスして利用者の自宅住所を読取る、利用者による呼び出し場所の住所(または緯度、経度等)を読取る、利用者の手入力による需要発生位置の入力を許容する、需要発生(タクシー呼び出し)があった位置や日時等を登録(蓄積)するといった機能を有している。
タクシー車両7には、車載装置8が搭載されている。この車載装置8は、GPS衛星2の電波を受信して現在位置を測定するGPS装置、CPUとROMとRAM等で構成される制御装置、乗務員の入力操作を受け付けるタッチパネルまたは押下ボタン等の入力装置、画像を表示する液晶ディスプレイ等の表示装置、インターネット5を介してサーバ3等と無線で通信する通信装置、および空車/実車を切り替える状態切替装置等が設けられている。
図2は、データベース4に記憶される需要発生履歴データ11、領域マッピングデータ12、および需要発生予測用データ13の構成を示す説明図である。
需要発生履歴データ11は、タクシー車両7が利用者を乗車させる毎に蓄積するデータであり、ID、需要発生地点、需要発生日時、車両ID、および乗務員ID等により構成されている。
需要発生履歴データ11は、タクシー車両7が利用者を乗車させる毎に蓄積するデータであり、ID、需要発生地点、需要発生日時、車両ID、および乗務員ID等により構成されている。
IDは、データが記憶される毎に付与される重複しないユニークな連番である。
需要発生地点は、需要が発生した地点であり、緯度と経度、あるいは住所等によって構成されている。この需要発生地点は、コールセンターへ電話によりタクシー呼び出しがあった場合、係員が電話で場所を聞いて手入力することができる。また、路上での需要発生時に車載装置8のGPS装置によって取得された位置データとすることもできる。この需要発生時は、たとえば乗務員が車載装置8に対して入力装置により手入力されたときとする、あるいは、車載装置8の状態切替装置が空車から実車に切り替えられたときとするなど、適宜の構成にすることができる。
需要発生地点は、需要が発生した地点であり、緯度と経度、あるいは住所等によって構成されている。この需要発生地点は、コールセンターへ電話によりタクシー呼び出しがあった場合、係員が電話で場所を聞いて手入力することができる。また、路上での需要発生時に車載装置8のGPS装置によって取得された位置データとすることもできる。この需要発生時は、たとえば乗務員が車載装置8に対して入力装置により手入力されたときとする、あるいは、車載装置8の状態切替装置が空車から実車に切り替えられたときとするなど、適宜の構成にすることができる。
需要発生日時は、需要発生時の日時を記憶する。この日時は、管理端末6または車載装置8に設けられた計時機能によって取得する、GPS装置によって取得した日時を利用する、あるいはサーバ3がデータ受信した日時とするなど、適宜の方法によって取得すると良い。
車両IDは、タクシー車両7のIDを示す重複のないユニークな番号である。
乗務員IDは、タクシー車両7を運転する乗務員を示す重複のないユニークな番号である。
乗務員IDは、タクシー車両7を運転する乗務員を示す重複のないユニークな番号である。
この需要発生履歴データ11により、いつどこで需要が発生したかを管理することができる。なお、需要発生履歴データ11には、その需要発生があったときの天候、交通状況など、他のデータも記憶する構成にしてもよい。
領域マッピングデータ12は、地図を複数の領域に区分けしたデータであり、領域ID、緯度範囲、および経度範囲により構成されている。
領域IDは、領域毎に付与される重複しないユニークな連番である。
領域IDは、領域毎に付与される重複しないユニークな連番である。
緯度範囲は、その領域の緯度の範囲である。
経度範囲は、その領域の経度の範囲である。
この領域マッピングデータ12により、地図が複数の領域に区分けされる。
経度範囲は、その領域の経度の範囲である。
この領域マッピングデータ12により、地図が複数の領域に区分けされる。
需要発生予測用データ13は、需要発生履歴データ11から生成されるデータであり、ID、前需要発生領域、次需要発生領域、および前需要発生日時等により構成されている。
IDは、データが記憶される毎に付与される重複しないユニークな連番である。このIDは、需要発生履歴データ11のIDと同一に設定されている。
前需要発生領域は、需要発生履歴データ11の需要発生地点に対応する領域マッピングデータ12の領域IDである。
前需要発生領域は、需要発生履歴データ11の需要発生地点に対応する領域マッピングデータ12の領域IDである。
次需要発生領域は、前需要発生領域の次に需要が発生した需要発生地点(需要発生履歴データ11より)に対応する領域マッピングデータ12の領域IDである。
前需要発生日時は、需要発生履歴データ11の需要発生日時が記憶される。
前需要発生日時は、需要発生履歴データ11の需要発生日時が記憶される。
この需要発生予測用データ13により、需要発生の予測に必要なデータを整理することができる。
図3は、需要発生データを車載装置8により作成しサーバ3のデータベース4に記憶する動作のフローチャートである。
車載装置8は、需要発生(利用者によるタクシーの呼び出し)があるまで待機する(ステップS1:No)。この需要発生は、コールセンターへの電話による配車手配の依頼があったとき、あるいは、路上で直接タクシー車両7が止められたときに生じたものとする。
車載装置8は、需要発生(利用者によるタクシーの呼び出し)があるまで待機する(ステップS1:No)。この需要発生は、コールセンターへの電話による配車手配の依頼があったとき、あるいは、路上で直接タクシー車両7が止められたときに生じたものとする。
需要が発生すると(ステップS1:Yes)、管理端末6または車載装置8は、需要が発生した位置を示す位置データを取得する(ステップS2)。この位置データの取得は、次のように行う。すなわち、例えば電話によりコールセンターへ配車依頼があった場合、管理端末6は、利用者から聞いた住所の係員による入力を許容することで実行する。また、路上でタクシー車両7が止められた場合、車載装置8は、GPS装置によりGPS衛星2の電波を受信して位置データを取得する。車載装置8がGPS装置により位置データを取得する際のトリガは、状態切替装置が空車から実車へ切り替えられたときにするとよい。
また、管理端末6または車載装置8は、このときの日時データを取得する(ステップS3)。
管理端末6または車載装置8は、位置データと日時データとをまとめて需要発生データとし、この需要発生データをサーバ3に送信する(ステップS4)。
管理端末6または車載装置8は、位置データと日時データとをまとめて需要発生データとし、この需要発生データをサーバ3に送信する(ステップS4)。
サーバ3は、管理端末6または車載装置8から需要発生データを受信し(ステップS5)、需要発生履歴データ11に追加記憶して蓄積する(ステップS6)。
この動作により、需要発生履歴データ11が蓄積される。
この動作により、需要発生履歴データ11が蓄積される。
図4は、サーバ3が地図を複数の領域に分割する領域分割処理のフローチャートである。
サーバ3は、対象となる範囲の地図を、予め定められた複数の領域に分割する(ステップS11)。このとき、予め定めた大きさの領域を重複なく隣接させて存在させるように、升目状に分割する。なお、分割数を予め定めておき、各領域が均等サイズになるように地図を分割してもよい。
サーバ3は、対象となる範囲の地図を、予め定められた複数の領域に分割する(ステップS11)。このとき、予め定めた大きさの領域を重複なく隣接させて存在させるように、升目状に分割する。なお、分割数を予め定めておき、各領域が均等サイズになるように地図を分割してもよい。
サーバ3は、予測対象となる需要発生履歴データ11を参照し、ステップS11で分割した各領域について、それぞれの需要発生回数を算出する(ステップS12)。このとき参照する需要発生履歴データ11は、全てのデータとする、あるいは予測対象のデータを抽出したものとすることができる。予測対象の抽出は、例えば時間帯を指定して抽出する、曜日を指定して抽出する、期間を指定して抽出する、あるいは天候を指定して抽出するなど、適宜の条件により抽出することができる。
サーバ3は、分割した複数の領域に順番を付与して最初の領域をチェック対象に指定し(ステップS13)、その領域について需要発生回数が予め定められた適正回数より多いか否か判定する(ステップS14)。
需要発生回数が適正回数より多い(需要発生回数過多)場合は(ステップS14:Yes)、現在の領域を2つの領域に均等に分割する(ステップS15)。このときの分割は、分割後の領域がなるべく正方形に近くなるように、長方形の領域の長辺を分割するようにすると良い。領域が正方形であれば、上下の辺と左右の辺のどちらを分割しても構わない。
サーバ3は、分割後の各領域について、需要発生回数を再度算出し(ステップS16)、ステップS14に処理を戻して繰り返す。このとき、チェック対象とする領域を次に進めないことで、ステップS14にて分割後の領域の需要発生回数が適正回数より多いか否か判別できるようにしている。
需要発生回数が適正回数以下の場合(ステップS14:No)、サーバ3は、チェック対象の領域を次に進める(ステップS17)。
サーバ3は、全領域のチェックが終了していなければ(ステップS18:No)、ステップS14へ処理を戻して繰り返す。
サーバ3は、全領域のチェックが終了していなければ(ステップS18:No)、ステップS14へ処理を戻して繰り返す。
全ての領域のチェックが終了していれば(ステップS18:Yes)、サーバ3は、完成した全ての領域の位置およびサイズについて、領域IDを付与して領域マッピングデータ12として記憶する。これにより、需要発生頻度が高いほど小さい領域となる可変面積メッシュの地図が完成し、領域マッピングデータ12が更新される。
この動作により、領域マッピングデータ12を、需要発生の回数が一定範囲に収まるように略均一化でき、図5のイメージ図に示すように、需要が集中している密集地域の領域を小さく、需要が少ない過疎地域の領域を大きくすることができる。
図6は、サーバ3が需要予測を行う動作のフローチャートである。
サーバ3は、需要発生履歴データ11から予測対象となる需要発生データを抽出し、各需要発生データが上記領域分割処理で分割した領域のどれに該当するか判別し、該当する領域の領域IDを各需要発生データに付与する(ステップS21)。このとき、付与する領域IDの項目を、前需要発生領域とする。
サーバ3は、需要発生履歴データ11から予測対象となる需要発生データを抽出し、各需要発生データが上記領域分割処理で分割した領域のどれに該当するか判別し、該当する領域の領域IDを各需要発生データに付与する(ステップS21)。このとき、付与する領域IDの項目を、前需要発生領域とする。
サーバ3は、ステップS21で得た需要発生データを需要発生日時の順に整理して遷移データを作成し、該遷移データにおける各需要発生データに次需要発生領域を追加して、ID、前需要発生領域、次需要発生領域、および前需要発生日時で構成される需要発生予測用データ13(図2参照)を作成する(ステップS22)。
サーバ3は、需要発生予測用データ13に基づいて、遷移確率行列を作成する(ステップS23)。このとき作成する遷移確率行列は、前需要発生領域を「行」とし、次需要発生領域を「列」とする。そして、各「行」内の要素には、その前需要発生領域における各次需要発生領域の発生割合を代入する。
詳述すると、図7の説明図の(A)に示すように、領域イ、ロ、ハについて、イ→ハ、ハ→ロ、ロ→ロ、ロ→イというマルコフ過程になる需要発生予測用データ13があったとする。この場合、上記遷移確率行列は、図7(B)に示すように、前需要発生データとして領域イに着目すると、次需要発生領域が領域ハのみである。このため、「行」が領域イ、「列」が領域ハとなる要素に“1”を代入し、「行」が領域イとなる他の「列」の領域イ、ロの要素に“0”を代入する。つまり、「行」要素の総和が“1”となるように、各「列」に次需要発生領域の発生割合を代入する。
同様に、前需要発生データとして領域ロに着目すると、次需要発生領域が領域イとロである。このため、「行」が領域イ、「列」が領域イ、ロとなる要素にそれぞれ“1/2”を代入し、「行」が領域イとなる他の「列」の領域ハの要素に“0”を代入する。
次に、サーバ3は、作成した遷移確率行列において、対角線要素以外の全ての行要素と列要素がゼロであるような対角線要素をピボットとする行成分・列成分を、遷移確率行列から削除して最適化する(ステップS24)。これにより、後述する解ベクトルyを求めるための計算を高速化することができる。なお、図7の例では特に除去すべき行成分、列成分がない。
サーバ3は、ステップS24で最適化した遷移確率行列について、対角線要素以外への遷移確率が全てゼロである行の対角線要素の値を“1”とする加工を行い、この加工が完了した行列を行列A0とする(ステップS25)。なお、図7の例では、値を“1”とすべき対角線要素が特にない。
サーバ3は、この行列A0について、対角線要素に“0”が無いように調整した行列Aを求める(ステップS26)。この調整は、“0”である対角線要素に微小な値を代入し、この代入分の値を同じ「行」の他の要素から減算することにより行う。微小な値は、該当する行における最小の遷移確率の1/2の確率とする、あるいは1/4の確率とするなど、適宜の確率にすることができる。また、他の要素からの減算は、他の全ての要素から少しずつ減算すると良く、たとえば均等に減算することができる。
詳述すると、図7(B)に示したように、対角要素で“0”となっているのは、「行」が領域イで「列」が領域イである要素、および、「行」が領域ハで「列」が領域ハである要素である。いずれも、その「行」の最小値が“1”であるから、この最小値の1/4である“1/4”を微小な値として代入する。変わりに、それぞれの「行」の他の要素は、“1”が1つあるだけであるから、ここから上記微小な値の“1/4”を減算し、“3/4”に更新する。これにより、「行」の総和が“1”となるように調整する。
サーバ3は、さらに行列Aの転置行列ATを求め、この転置行列ATから単位行列を減算して行列Bを求める(ステップS27)。詳述すると、例えば転置行列ATは、図7(D)に示すような行列となり、行列Bは、図7(E)に示すような行列となる。
サーバ3は、行列Bの所定の1つの行(i番目の行)の要素を全て“1”に変更した加工行列B’を生成する(ステップS28)。このとき要素を“1”にする「行」は、適宜の基準によって決定すればよい。
サーバ3は、加工行列B’に解ベクトルyを乗算するとベクトルcとなるような解ベクトルyを求める(ステップS29)。ここで、ベクトルcは、上記所定の行(i番目の行)の要素が“1”、それ以外の要素が“0”となる1列の行列である。
詳述すると、図7(F)に示すように「B’」×「y」=「c」となるベクトル「y」を求め、図7(G)に示すように解ベクトル「y」を得る。この例では、解ベクトル「y」における「y2」の要素が最も高い確率となっている。
サーバ3は、解ベクトルyを予測値として、各領域の需要発生率を地図上に示した需要発生予測MAPを作成し、この需要発生予測MAPを車載装置8または管理端末6に送信して処理を終了する(ステップS30)。この送信を行うサーバ3の通信装置は、出力手段として機能する。また、需要発生予測MAPを受信した車載装置8および管理端末6は、表示装置に需要発生予測MAPを表示する。
以上の構成および動作により、精度の高い需要予測を行うことができる。実際の需要発生データを用いて実験してみたところ、図8(A)に示すように、需要発生の予想確率の高い方から、領域a、領域b、領域c(c1〜c5,c7〜c8)が算出された。これに対し、予測後の実績を追跡確認したところ、図8(B)に示すように、需要発生の多い方から、領域b、領域a、領域c(c1〜c3,c5〜c8)を確認できた。これより、領域a,bの需要発生確率が高いという予想は正しかったことが確認できている。また、需要発生の可能性がある領域cについても、予想における領域c4と実績における領域c6が異なっているだけであり、それ以外の領域c1〜c3,c5,c7〜c9は、一致している。このように、非常に高い精度の予測結果が得られた。
これにより、単純にデータマイニングした結果を推定値として利用する方法や、それを指数平滑して推定する方法に比較して、精度の高い予想を実現することができる。従って、需要が発生しやすい場所にタクシー車両7を配置し、営業効率を高めて実車率を向上させると共に、利用者の満足度を高めることができる。
また、離散マルコフ過程モデルを応用したため、時間計算量および空間計算量の増大を改善することができる。
また、当日の交通状況や天候の変化などをリアルタイムに反映させること可能であるから、出発地事後(後験)確率分布の推定も可能となる。
また、当日の交通状況や天候の変化などをリアルタイムに反映させること可能であるから、出発地事後(後験)確率分布の推定も可能となる。
また、需要発生が多い地域は、領域マッピングデータ12における領域の大きさが小さくなるため、より適切な需要発生予想を行うことができる。つまり、需要発生の多い地域は、人口の密集している都市部であることが多く、交通渋滞や信号機の多さにより短い距離を走るにも時間がかかる。このため、狭い領域単位で予測してタクシー車両7を配車しておくことで、電話等による呼び出しから配車までに要する時間を短縮して顧客満足度を高めることができる。
また、需要発生の少ない地域は、人口密度の低い山間部等であることが多く、比較的長い距離でも短時間で到着できる。このため、広い領域単位で予測してタクシー車両7を配車しておいても、電話等による呼出から配車までに要する時間がそれほどかからず、十分な顧客満足度を得ることができる。
また、各領域の需要発生頻度を略均一化した可変メッシュの地図を用いると、従来のように各領域での需要発生回数を集計しての需要発生予測では、需要発生頻度に変化がでない。これは、需要発生回数が略均一化されるのであるから当然である。これに対し、本願発明は、上述したように需要発生回数を略均一化した上で、需要発生予想を精度良く行うことができる。従って、各地域の状況の差(人口密集度や交通状況など)に適切に対応できる需要発生予想を行うことができる。
なお、上述した実施例では、解ベクトルを求める方式を採用したが、これに限らず固有値を計算して、固有ベクトルを求める方法でも可能である。この場合でも、基本的には同じような傾向を示すが、処理効率および予測精度は、上述した解ベクトルを求める方式の方が高い。
この発明の構成と、上述の実施形態との対応において、
この発明の演算手段は、実施形態のサーバ3の制御装置に対応し、
以下同様に、
出力手段は、サーバ3の通信装置に対応し、
記憶手段は、データベース4に対応し、
車両は、タクシー車両7に対応し、
測位手段は、車載装置8のGPS装置に対応し、
入力手段は、車載装置8の入力装置に対応し、
送信手段は、車載装置8の通信装置に対応し、
領域データは、領域マッピングデータ12に対応し、
領域別遷移データは、需要発生予測用データ13に対応し、
小面積の領域は、領域a,b,c2〜c8に対応し、
大面積の領域は、領域c1に対応し、
領域サイズ調整ステップは、ステップS13〜S18に対応し、
遷移データ作成ステップおよび領域別遷移データ作成ステップは、ステップS21〜S22に対応し、
需要発生予測ステップは、ステップS23〜S30に対応し、
所定加工は、ステップS24〜S28に対応し、
置換加工は、ステップS25に対応し、
調整加工は、ステップS26に対応し、
転置減算加工は、ステップS27に対応し、
1行削除加工は、ステップS28に対応し、
転置行列は、行列ATに対応し、
所定の1行の要素は、i番目の行の要素に対応し、
時間遷移確率行列は、図7(B)の遷移確率行列に対応し、
所定の安定状態ベクトルは、ベクトルcに対応し、
所定範囲は、適正回数以下に対応するが、
この発明は、上述の実施形態の構成のみに限定されるものではなく、多くの実施の形態を得ることができる。
この発明の演算手段は、実施形態のサーバ3の制御装置に対応し、
以下同様に、
出力手段は、サーバ3の通信装置に対応し、
記憶手段は、データベース4に対応し、
車両は、タクシー車両7に対応し、
測位手段は、車載装置8のGPS装置に対応し、
入力手段は、車載装置8の入力装置に対応し、
送信手段は、車載装置8の通信装置に対応し、
領域データは、領域マッピングデータ12に対応し、
領域別遷移データは、需要発生予測用データ13に対応し、
小面積の領域は、領域a,b,c2〜c8に対応し、
大面積の領域は、領域c1に対応し、
領域サイズ調整ステップは、ステップS13〜S18に対応し、
遷移データ作成ステップおよび領域別遷移データ作成ステップは、ステップS21〜S22に対応し、
需要発生予測ステップは、ステップS23〜S30に対応し、
所定加工は、ステップS24〜S28に対応し、
置換加工は、ステップS25に対応し、
調整加工は、ステップS26に対応し、
転置減算加工は、ステップS27に対応し、
1行削除加工は、ステップS28に対応し、
転置行列は、行列ATに対応し、
所定の1行の要素は、i番目の行の要素に対応し、
時間遷移確率行列は、図7(B)の遷移確率行列に対応し、
所定の安定状態ベクトルは、ベクトルcに対応し、
所定範囲は、適正回数以下に対応するが、
この発明は、上述の実施形態の構成のみに限定されるものではなく、多くの実施の形態を得ることができる。
1…需要発生予測システム、2…GPS衛星、3…サーバ、4…データベース、7…タクシー車両、8…車載装置、12…領域マッピングデータ、13…需要発生予測用データ、a,b,c…領域、AT…行列、B’…行列、y…解ベクトル、c…ベクトル
Claims (8)
- GPS衛星を利用して自己の位置を測定する測位手段と、需要発生があったことを入力する入力手段と、当該需要発生があったことを需要の発生地点と共に需要発生データとしてサーバへ送信する送信手段とを備えた車両と、
上記車両から送信されてきた需要発生データを、上記発生地点と該需要発生のあった発生日時とが含まれる状態で記憶する記憶手段と、上記データに基づく演算を実行する演算手段と、上記演算手段による演算結果を出力する出力手段とを有する上記サーバとを備え、
上記記憶手段は、
上記地図を複数の領域に分割した領域データを記憶する構成であり、
上記演算手段は、
上記記憶手段から読み出した上記需要発生データと上記領域データに基づいて、上記各発生地点が含まれる各領域を上記発生日時の順に遷移したとみなして前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成する遷移データ作成ステップと、
該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるか、またはそれぞれの次需要発生領域は遷移元としてどの前需要発生領域があるかを示す領域別遷移データを作成する領域別遷移データ作成ステップと、
該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行する構成であり、
上記出力手段は、
上記需要発生予測を出力する構成である
需要発生予測システム。 - 上記演算手段は、上記領域データを、上記需要発生データに基づいて各領域についての需要発生の数が所定範囲に収まるように、需要発生集中地域では小面積の領域、需要発生過疎地域では大面積の領域とする領域サイズ調整ステップを実行する構成である
請求項1記載の需要発生予測システム。 - 上記領域別遷移データ作成ステップは、前需要発生領域から次需要発生領域への遷移による時間遷移確率行列を作成する構成であり、
上記需要発生予測ステップは、
該時間遷移確率行列に所定加工を施した加工行列を作成し、該加工行列と解ベクトルの乗算結果が所定の安定状態ベクトルとなるような解ベクトルを求めて該解ベクトルを需要発生予測とする構成である
請求項1または2記載の需要発生予測システム。 - 上記所定加工は、
上記時間遷移確率行列の対角線要素のうち値が0となっている要素を、当該要素の行における最小の遷移確率よりも小さい微小確率に置換する置換加工と、
当該置換加工が施された行の全要素の総和が1となるように当該行の他の要素の値を減少させて調整する調整加工が含まれる構成である
請求項3記載の需要発生予測システム。 - 上記所定加工は、
置換加工した後の行列を転置して転置行列を求め、
さらにこの転置行列から単位行列を減算する転置減算加工が含まれる構成である
請求項4記載の需要発生予測システム。 - 上記所定加工は、
上記転置減算加工が施された行列の所定の1行の要素を全て削除して1を代入する1行削除加工が含まれる構成である。
請求項5記載の需要発生予測システム。 - データを記憶する記憶手段と、
上記データに基づく演算を実行する演算手段と、
上記演算手段による演算結果を出力する出力手段とを備え、
上記記憶手段は、
需要発生のあった地図上の発生地点と発生日時を有する需要発生データと、
上記地図を複数の領域に分割した領域データとを記憶する構成であり、
上記演算手段は、
上記記憶手段から読み出した上記需要発生データと上記領域データに基づいて、上記各発生地点が含まれる各領域を上記発生日時の順に遷移したとみなして前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成する遷移データ作成ステップと、
該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるか、またはそれぞれの次需要発生領域は遷移元としてどの前需要発生領域があるかを示す領域別遷移データを作成する領域別遷移データ作成ステップと、
該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行する構成であり、
上記出力手段は、
上記需要発生予測を出力する構成である
需要発生予測装置。 - データを記憶する記憶手段と、上記データに基づく演算を実行する演算手段と、上記演算手段による演算結果を出力する出力手段とを備えた需要発生予測装置により需要発生を予測する需要発生予測方法であって、
上記記憶手段により、
需要発生のあった地図上の発生地点と発生日時を有する需要発生データと、
上記地図を複数の領域に分割した領域データとを記憶しておき、
上記演算手段により、
上記記憶手段から読み出した上記需要発生データと上記領域データに基づいて、上記各発生地点が含まれる各領域を上記発生日時の順に遷移したとみなして前需要発生領域から次需要発生領域への2点間遷移を示す遷移データを全ての需要発生について作成する遷移データ作成ステップと、
該遷移データにより、それぞれの前需要発生領域は遷移先としてどの次需要発生領域があるか、またはそれぞれの次需要発生領域は遷移元としてどの前需要発生領域があるかを示す領域別遷移データを作成する領域別遷移データ作成ステップと、
該領域別遷移データに基づいて、上記遷移先または上記遷移元の種類が多い需要発生領域の方が、上記遷移先または上記遷移元の種類が少ない需要発生領域よりも今後の需要発生の確率が高いとする需要発生予測を算出する需要発生予測ステップとを実行し、
上記出力手段により、上記需要発生予測を出力する
需要発生予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008203093A JP2010039833A (ja) | 2008-08-06 | 2008-08-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008203093A JP2010039833A (ja) | 2008-08-06 | 2008-08-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010039833A true JP2010039833A (ja) | 2010-02-18 |
Family
ID=42012299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008203093A Pending JP2010039833A (ja) | 2008-08-06 | 2008-08-06 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010039833A (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013148684A (ja) * | 2012-01-18 | 2013-08-01 | Fujitsu Ltd | 分割装置、分割方法、および分割プログラム |
CN103531023A (zh) * | 2013-10-18 | 2014-01-22 | 北京世纪高通科技有限公司 | 一种数据处理方法及装置 |
JP2015103047A (ja) * | 2013-11-26 | 2015-06-04 | 帝都自動車交通株式会社 | タクシー支援装置、およびタクシー支援プログラム |
JP6150934B1 (ja) * | 2016-10-17 | 2017-06-21 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
JP2019091274A (ja) * | 2017-11-15 | 2019-06-13 | リンクスウェア株式会社 | タクシーの配車を支援するための方法およびそれを用いたタクシー配車支援システム |
CN110163408A (zh) * | 2019-04-03 | 2019-08-23 | 浙江工业大学 | 一种基于客源地属性特征的旅行刺激策略有效性分析方法 |
CN110246329A (zh) * | 2019-04-07 | 2019-09-17 | 武汉理工大学 | 一种出租车载客数量预测方法 |
JP2019527389A (ja) * | 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 | 過去の輸送ネットワークデータに基づいて複数の地理的地域の将来の移動量を予測するための方法、装置、デバイス、及びシステム |
WO2020008749A1 (ja) * | 2018-07-04 | 2020-01-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2020119245A (ja) * | 2019-01-23 | 2020-08-06 | トヨタ自動車株式会社 | 情報処理装置、車両管理システム、および情報処理方法 |
JP2022514134A (ja) * | 2018-08-31 | 2022-02-10 | グラブタクシー ホールディングス プライベート リミテッド | 輸送サービスプロバイダを管理する方法、当該方法を実施するための命令を含むコンピュータプログラム、当該方法を実行させる命令を記憶する非一時記憶媒体、及び輸送サービスプロバイダを管理するための装置 |
-
2008
- 2008-08-06 JP JP2008203093A patent/JP2010039833A/ja active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013148684A (ja) * | 2012-01-18 | 2013-08-01 | Fujitsu Ltd | 分割装置、分割方法、および分割プログラム |
CN103531023A (zh) * | 2013-10-18 | 2014-01-22 | 北京世纪高通科技有限公司 | 一种数据处理方法及装置 |
JP2015103047A (ja) * | 2013-11-26 | 2015-06-04 | 帝都自動車交通株式会社 | タクシー支援装置、およびタクシー支援プログラム |
JP2019527389A (ja) * | 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 | 過去の輸送ネットワークデータに基づいて複数の地理的地域の将来の移動量を予測するための方法、装置、デバイス、及びシステム |
JP2018067065A (ja) * | 2016-10-17 | 2018-04-26 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
CN109844665A (zh) * | 2016-10-17 | 2019-06-04 | 三菱重工业株式会社 | 信息处理方法、信息处理装置、程序及信息处理系统 |
JP6150934B1 (ja) * | 2016-10-17 | 2017-06-21 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
CN109844665B (zh) * | 2016-10-17 | 2020-06-30 | 三菱重工业株式会社 | 信息处理方法、信息处理装置、计算机可读存储介质及信息处理系统 |
WO2018074304A1 (ja) * | 2016-10-17 | 2018-04-26 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
US10962969B2 (en) | 2016-10-17 | 2021-03-30 | Mitsubishi Heavy Industries, Ltd. | Information-processing method, information-processing device, program, and information-processing system |
JP2019091274A (ja) * | 2017-11-15 | 2019-06-13 | リンクスウェア株式会社 | タクシーの配車を支援するための方法およびそれを用いたタクシー配車支援システム |
JP7188444B2 (ja) | 2018-07-04 | 2022-12-13 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及びプログラム |
WO2020008749A1 (ja) * | 2018-07-04 | 2020-01-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
JPWO2020008749A1 (ja) * | 2018-07-04 | 2021-07-08 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2022514134A (ja) * | 2018-08-31 | 2022-02-10 | グラブタクシー ホールディングス プライベート リミテッド | 輸送サービスプロバイダを管理する方法、当該方法を実施するための命令を含むコンピュータプログラム、当該方法を実行させる命令を記憶する非一時記憶媒体、及び輸送サービスプロバイダを管理するための装置 |
JP7253041B2 (ja) | 2018-08-31 | 2023-04-05 | グラブタクシー ホールディングス プライベート リミテッド | 輸送サービスプロバイダを管理する方法、当該方法を実施するための命令を含むコンピュータプログラム、当該方法を実行させる命令を記憶する非一時記憶媒体、及び輸送サービスプロバイダを管理するための装置 |
JP2020119245A (ja) * | 2019-01-23 | 2020-08-06 | トヨタ自動車株式会社 | 情報処理装置、車両管理システム、および情報処理方法 |
JP7067497B2 (ja) | 2019-01-23 | 2022-05-16 | トヨタ自動車株式会社 | 情報処理装置、車両管理システム、および情報処理方法 |
CN110163408B (zh) * | 2019-04-03 | 2021-10-29 | 浙江工业大学 | 一种基于客源地属性特征的旅行刺激策略有效性分析方法 |
CN110163408A (zh) * | 2019-04-03 | 2019-08-23 | 浙江工业大学 | 一种基于客源地属性特征的旅行刺激策略有效性分析方法 |
CN110246329A (zh) * | 2019-04-07 | 2019-09-17 | 武汉理工大学 | 一种出租车载客数量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010039833A (ja) | 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 | |
Dantas et al. | Air transportation demand forecast through Bagging Holt Winters methods | |
US20190379592A1 (en) | Telecommunications network traffic metrics evaluation and prediction | |
US8484151B1 (en) | Predicting parking availability | |
JP4211706B2 (ja) | 交通情報提供装置 | |
US20140035921A1 (en) | Analysis and visualization of passenger movement in a transportation system | |
US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
US20120084118A1 (en) | Sales predication for a new store based on on-site market survey data and high resolution geographical information | |
US7792664B1 (en) | Weather model predictor | |
JP2016075972A (ja) | 端末装置及びプログラム | |
US11489749B2 (en) | Mobile telecommunications network capacity simulation, prediction and planning | |
JP2012043296A (ja) | 需要予測システム及び需要予測方法 | |
US20230164049A1 (en) | Mobile telecommunications network capacity simulation, prediction and planning | |
Yan et al. | Stochastic fleet deployment models for public bicycle rental systems | |
CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
CN117561517A (zh) | 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 | |
JP5191284B2 (ja) | 車両運行システム | |
CN111008729B (zh) | 一种迁移预测的方法和装置 | |
JP2017194863A (ja) | 需要予測装置 | |
JP7253913B2 (ja) | データ処理装置及びデータ処理方法 | |
EP1983477A1 (en) | Apparatus and method for processing management information | |
JP6771529B2 (ja) | 情報処理装置及び情報処理方法 | |
Gracious et al. | Performance Evaluation of Passenger Information Systems | |
JP7437358B2 (ja) | 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム | |
CN113383351A (zh) | 运输方法和装置 |