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

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

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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、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。

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、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Ａ_０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Ａ_０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Ａ^Ｔを求め、この転置行列Ａ^Ｔ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Ａ^Ｔ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「ｙ_２」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、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Ａ^Ｔ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。

需要発生予測システムのシステム構成図。 データベースに記憶されるデータの構成を示す説明図。 需要発生データを作成し記憶する動作のフローチャート。 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。 分割された領域のイメージ図。 サーバが需要予測を行う動作のフローチャート。 行列の加工を説明する説明図。 需要発生予測の効果を説明する説明図。

符号の説明

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、Ａ^Ｔ…行列、Ｂ’…行列、ｙ…解ベクトル、ｃ…ベクトル

Claims (8)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。

Images