JP2012043296A - 需要予測システム及び需要予測方法 - Google Patents
需要予測システム及び需要予測方法 Download PDFInfo
- Publication number
- JP2012043296A JP2012043296A JP2010185402A JP2010185402A JP2012043296A JP 2012043296 A JP2012043296 A JP 2012043296A JP 2010185402 A JP2010185402 A JP 2010185402A JP 2010185402 A JP2010185402 A JP 2010185402A JP 2012043296 A JP2012043296 A JP 2012043296A
- Authority
- JP
- Japan
- Prior art keywords
- route
- demand
- data
- mesh
- predicted value
- 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
- 238000013277 forecasting method Methods 0.000 title claims 2
- 238000003860 storage Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 22
- 238000009826 distribution Methods 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Abstract
【課題】需要を高速に求めることを目的とする。
【解決手段】需要予測システム1は、経路を構成する複数の地理的なメッシュについて該メッシュの需要予測値を記憶する予測結果記憶部12と、経路を示す経路情報の入力を受け付ける受付部13と、受け付けられた経路情報で示される経路を構成する複数のメッシュを特定するメッシュ特定部14と、特定された複数のメッシュに対応する複数の需要予測値を予測結果記憶部12から読み出し、読み出した複数の需要予測値を足し合わせることで、受け付けられた経路情報で示される経路での総予測値を算出する予測部15と、算出された総予測値を出力する送信部16と、を備える。
【選択図】図1
【解決手段】需要予測システム1は、経路を構成する複数の地理的なメッシュについて該メッシュの需要予測値を記憶する予測結果記憶部12と、経路を示す経路情報の入力を受け付ける受付部13と、受け付けられた経路情報で示される経路を構成する複数のメッシュを特定するメッシュ特定部14と、特定された複数のメッシュに対応する複数の需要予測値を予測結果記憶部12から読み出し、読み出した複数の需要予測値を足し合わせることで、受け付けられた経路情報で示される経路での総予測値を算出する予測部15と、算出された総予測値を出力する送信部16と、を備える。
【選択図】図1
Description
本発明は、所定の経路における需要を予測する需要予測システム及び需要予測方法に関する。
従来から、需要予測に関する様々な手法が知られている。例えば下記特許文献1には、交通量に依存する諸量を集計する集計データ生成方法が記載されている。具体的には、この方法は、交通ネットワークに関するOD交通量を、一つの起点ノードから複数の終点ノードに至る複数の経路に確率的に均衡配分し、配分後の交通量に依存する諸量を所定の集計対象について集計する、というものである。
従来の需要予測手法では、予測対象の経路毎に一から予測処理を行う必要がある。したがって、例えば任意の複数の経路の需要予測を行ってその予測値を比較するとなると、経路の個数分だけ予測処理を実行する必要があり、最終結果を得るまでに多くの時間を費やすことになってしまう。
そこで本発明は、需要を高速に求めることが可能な需要予測システム及び需要予測方法を提供することを目的とする。
本発明の需要予測システムは、経路を構成する複数の地理的な小領域について、該小領域の需要予測値を記憶する記憶手段と、経路を示す経路情報の入力を受け付ける受付手段と、受付手段により受け付けられた経路情報で示される経路を構成する複数の小領域を特定する特定手段と、特定手段により特定された複数の小領域に対応する複数の需要予測値を記憶手段から読み出し、読み出した複数の需要予測値を足し合わせることで、受付手段により受け付けられた経路情報で示される経路での総予測値を算出する算出手段と、算出手段により算出された総予測値を出力する出力手段と、を備える。
本発明の需要予測方法は、需要予測システムにより実行される需要予測方法であって、経路を示す経路情報の入力を受け付ける受付ステップと、受付ステップにおいて受け付けられた経路情報で示される経路を構成する複数の地理的な小領域を特定する特定ステップと、経路を構成する複数の地理的な小領域について該小領域の需要予測値を記憶する記憶手段から、特定ステップにおいて特定された複数の小領域に対応する複数の需要予測値を読み出し、読み出した複数の需要予測値を足し合わせることで、受付ステップにおいて受け付けられた経路情報で示される経路での総予測値を算出する算出ステップと、算出ステップにおいて算出された総予測値を出力する出力ステップと、を含むことを特徴とする。
このような発明によれば、小領域毎の需要予測値が予め用意されているので、演算対象の経路を構成する複数の小領域の需要予測値を合算すれば、その経路の総予測値が得られる。このように、小領域の需要予測値の和を経路の総予測値とすることで、需要を高速に求めることができる。
本発明の需要予測システムでは、複数の小領域が、経路に沿って該経路を分割するように設定されていてもよい。
この場合には、経路に沿って並ぶ各小領域の需要予測値が用意されるので、経路での総予測値を求める際に、経路外の領域における影響を排除することができる。
本発明の需要予測システムでは、受付手段が、複数の経路についての複数の経路情報を端末から受信し、特定手段が、受付手段により受信された各経路情報で示される各経路について、当該経路を構成する複数の小領域を特定し、算出手段が、各経路について総予測値を算出し、出力手段が、各経路についての総予測値を出力し、端末には、出力手段により出力された総予測値に基づいて複数の経路から選択された一の経路が表示されてもよい。
この場合には、各経路について総予測値が算出され、その結果に基づいて選択された一の経路が端末に表示されるので、端末のユーザにそのような経路を提示することができる。
本発明の需要予測システムでは、一の経路が、総予測値が最大の経路であってもよい。
本発明の需要予測システムでは、一の経路が、総予測値を経路長で割った値が最大の経路であってもよい。
本発明の需要予測システムでは、一の経路が、1を総予測値で割った値が最小の経路であってもよい。
本発明の需要予測システムでは、一の経路が、特定された各小領域における需要予測値を当該小領域までの到達時間で割った値の和が最大の経路であってもよい。
このような需要予測システム及び需要予測方法によれば、予め用意されている各小領域の需要予測値を足し合わせることで経路の総予測値が求まるので、需要を高速に求めることができる。
以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。なお、図面の説明において同一又は同等の要素には同一の符号を付し、重複する説明を省略する。
まず、図1〜7を用いて、実施形態に係る需要予測システム1の機能及び構成を説明する。需要予測システム1は、ネットワーク(図示せず)を介して端末Tから受信した要求に基づいて、指定された経路における需要を予測し、その予測結果を端末Tに提供するコンピュータシステムである。特に本実施形態では、需要予測システム1はタクシー需要を予測し(目的変数は、タクシーの乗客数)、端末Tはタクシーに備え付けられたカーナビゲーション・システムであるとする。なお、端末の種類としては他に、携帯電話機や、携帯情報端末、据置型または携帯型のパーソナルコンピュータ(PC)なども挙げられるが、端末の種類は限定されない。また、需要予測システム1は他のコンピュータシステムに需要予測値を提供してもよい。
図1に示すように、需要予測システム1は機能的構成要素としてデータ生成部11、予測結果記憶部(記憶手段)12、受付部(受付手段)13、メッシュ特定部(特定手段)14、予測部(算出手段)15、及び送信部(出力手段)16を備えている。
この需要予測システム1は1台のサーバで構成してもよいし、複数のサーバ(分散システム)で構成してもよい。いずれにしても、需要予測システム1で用いられるサーバVは、図2に示すようなハードウェア構成を備えている。すなわち、サーバVは、オペレーティングシステムやアプリケーションプログラムなどを実行するCPU101と、ROM及びRAMで構成される主記憶部102と、ハードディスクなどで構成される補助記憶部103と、ネットワークカードなどで構成される通信制御部104と、キーボードやマウスなどの入力部105と、モニタなどの出力部106とで構成される。
以下に示す需要予測システム1の各機能的構成要素は、CPU101や主記憶部102の上に所定のソフトウェアを読み込ませ、CPU101の制御の下で通信制御部104や入力部105、出力部106などを動作させ、主記憶部102や補助記憶部103におけるデータの読み出し及び書き込みを行うことで実現される。処理に必要なデータやデータベースは主記憶部102や補助記憶部103内に格納される。
図1に戻って、データ生成部11は、タクシー需要の予測に必要な予測結果データを生成する手段である。このために、データ生成部11は分析用データ生成部11a、回帰式データ生成部11b、及び予測用データ生成部11cを備えている。
分析用データ生成部11aは、図3に示すような手順で分析用データを生成する手段である。すなわち、分析用データ生成部11aはまずメッシュデータD11と乗車データD12とに基づいて、メッシュ毎に乗車数(タクシーの乗客数)を集計したメッシュ乗車データを生成する(ステップS11)。続いて、分析用データ生成部11aはそのメッシュ乗車データと、人口分布データD13、天気データD14、気温データD15、及び時間帯データD16とに基づいて分析用データD17を生成する(ステップS12)。
メッシュデータD11は、道路網を網羅する複数のメッシュに関するデータであり、データ生成部11内に予め記憶されている。ここで、メッシュとは、道路(経路)の一部を示す地理的な小領域のことである。
メッシュの設定例を図4に示す。図4の地図内にある小さな矩形がメッシュmであり、その地図上の道路はメッシュmの連なりとして表されている。メッシュmは、例えば10〜20M四方の正方形であるが、メッシュの形状や大きさはこれに限定されない。例えば、メッシュを100M四方の正方形としたり、矩形以外の任意の形状のメッシュを設定したりしてもよい。また、すべてのメッシュの形状及び大きさを揃えなくてもよく、例えば地域の人口密度や地理的状況などに基づいて、各地域に合ったメッシュを設定してもよい。いずれにしても、メッシュは道路に沿って当該道路を細かく分割ように設定されている。言い換えれば、需要予測システム1において、道路(経路)は複数のメッシュにより構成されている。なお、各メッシュが道路周辺の領域(例えば道路から10Mまでの範囲)も含んでいてもよい。
メッシュmを示すメッシュデータD11は、メッシュを特定するメッシュIDと、メッシュの形状や大きさを示すメッシュポリゴンと、メッシュの中心点の緯度経度を示す中心点ポイントとが互いに関連付けられて成るレコードである。
乗車データD12は、タクシーに客が乗車したポイント及び時間が互いに関連付けられて成るレコードである。なお、乗車データD12の収集方法は限定されない。例えば、移動体通信網から得られる乗客の携帯電話機の位置の変化に基づいて乗車の位置及び時間を推定して乗車データとして記録してもよいし、アンケート調査などで得られた静的な情報を乗車データとしてデータ化してもよい。
分析用データ生成部11aは、メッシュデータD11及び乗車データD12から、メッシュ毎及び時間毎の乗車数を集計することで、メッシュ乗車データを生成する。このメッシュ乗車データは、メッシュID、メッシュポリゴン、中心点ポイント、時間、及び乗車数が互いに関連付けられて成るレコードである。なお、乗車数を集計する際の単位時間は任意に決めてよい。例えば、集計単位時間を5分、1時間、1日などと設定してよい。
続いて、分析用データ生成部11aは分析用データD17を生成する。ここで、このときに用いる各データについて説明する。
人口分布データD13は、メッシュよりも広い所定のエリア(例えば個々の市町村や地域など)を特定するエリアIDと、そのエリアの形状や大きさを示すエリアポリゴンと、時間と、その時間におけるエリア内の人口とが互いに関連付けられて成るデータである。天気データD14は、エリアID、エリアポリゴン、時間、及びその時間におけるエリア内の降水量が互いに関連付けられて成るデータである。気温データD15は、エリアID、エリアポリゴン、時間、及びその時間におけるエリア内の気温が互いに関連付けられて成るデータである。時間帯データD16は、時間と、曜日と、平日又は休日の区分とが互いに関連付けられて成るデータである。なお、これら4種類のデータの収集方法は限定されず、例えば需要予測システム1はこれらのデータを提供する他のシステムから各データを受信して予め記憶しておいてもよい。これら各データにおける時間は、上記メッシュ乗車データにおける時間と同様に設定される。
分析用データ生成部11aは、生成したメッシュ乗車データと、人口分布データD13、天気データD14、気温データD15、及び時間帯データD16とに基づいて、メッシュ毎及び時間毎の乗車数、人口、降水量、気温を示す分析用データD17を生成する。すなわち、分析用データD17は、メッシュID、メッシュポリゴン、中心点ポイント、時間、乗車数、人口、降水量、及び気温が互いに関連付けられて成るデータである。分析用データ生成部11aは、生成した分析用データD17を回帰式データ生成部11bに出力する。
なお、分析用データD17を生成する際に用いるデータは、上記のような人口、降水量、気温、曜日に限定されず、他のデータを用いてもよい。例えば、株価などの他の要素を用いて分析用データを生成してもよい。
回帰式データ生成部11bは、図5に示すような手順で、回帰分析に用いる変数(説明変数)を決定し、その変数を用いた回帰式を生成する手段である。
すなわち、回帰式データ生成部11bは、存在する複数のメッシュのうちの一部をランダムに選択し、選択した一以上のメッシュに対応するすべての分析用データD17を抽出(サンプリング)する(ステップS21)。そして、回帰式データ生成部11bは、抽出されたデータについて時間毎に、乗車数の合計と、人口、降水量、及び気温それぞれの平均値とを求める(ステップS21)。続いて、回帰式データ生成部11bは分析用データD17からいくつかの変数を選び(ステップS22)、選んだ変数を用いて回帰分析を行った結果を交差検証により評価する(ステップS23)。回帰式データ生成部11bはステップS22,S23の処理を様々な変数の組み合わせについて実行し、最終的に、最も高い評価を得られた変数の組合せを決定する(ステップS24)。
続いて、回帰式データ生成部11bは決定した変数の組合せを用いて分析用データD17に対する回帰分析を実行することで回帰式データD18を生成し(ステップS25)、その回帰式データD18を予測用データ生成部11cに出力する。ここで得られる回帰式データD18は、メッシュID、メッシュポリゴン、中心点ポイント、及び得られた回帰式が互いに関連付けられて成るデータである。
なお、本実施形態では重回帰分析を用いているが、回帰分析の具体的な手法は限定されるものではなく、例えばニューラル・ネットワークや、特願2009−265512号明細書あるいは特願2009−266674号明細書に記載されている手法を用いてもよい。
予測用データ生成部11cは、図6に示すような手順で予測結果データを生成する手段である。
すなわち、予測用データ生成部11cは、メッシュデータD11、人口分布予測データD19、天気予報データD20、気温予測データD21、及び時間帯データD16から予測用データD22を生成する(ステップS31)。予測用データD22の生成は分析用データD17の生成と似ているが、分析用データD17は過去のデータ、すなわち既知の値を用いて生成するのに対して、予測用データD22は未来のデータであり、したがって予測データや予報データを用いて生成する。なお、人口分布予測データD19、天気予報データD20、気温予測データD21のデータ構造はそれぞれ人口分布データD13、天気データD14、気温データD15と同じであるが、その具体的な人口、降水量、及び気温の値は予測値である。予測用データD22は、メッシュID、メッシュポリゴン、中心点ポイント、時間、予測人口、予想降水量、及び予想気温が互いに関連付けられて成るデータである。
続いて、予測用データ生成部11cは、生成された予測用データD22を回帰式データD18で示される回帰式に適用することで予測結果データD23を生成し(ステップS32)、その予測結果データD23を予測結果記憶部12に格納する。予測結果データD23は、メッシュID、メッシュポリゴン、中心点ポイント、時間、及び予測乗車数(需要予測値)が互いに関連付けられて成るデータである。予測用データ生成部11cは、全メッシュ及び全時間に対して乗車数の予測値を求め、予測結果データD23として予測結果記憶部12に格納する。
予測結果記憶部12は、予測用データ生成部11cから入力された予測結果データD23を記憶する手段である。
受付部13は、ネットワークを介して端末Tから送られてきたリクエスト信号を受信して(受け付けて)メッシュ特定部14に出力する手段である。このリクエスト信号は、ある地点から他の地点までの経路におけるタクシーの予測乗車数(総予測値)を要求する信号であり、その経路を示す経路情報と、予測する対象の時間帯を示す時間情報とを含んでいる。
メッシュ特定部14は、入力されたリクエスト信号から経路情報を抽出し、その経路情報で示される経路を構成する複数のメッシュを特定する手段である。例えば、抽出された経路情報が図7に示すような始点Sから終点Eまでの経路Rを示しているならば、メッシュ特定部14はその経路Rに沿って位置する複数のメッシュmx(図7ではハッチングが施された矩形として表示)を特定する。そして、メッシュ特定部14は複数のメッシュmxに対応する複数のメッシュデータをデータ生成部11から取得し、リクエスト信号から抽出した時間情報と共にそのメッシュデータを予測部15に出力する。
予測部15は、メッシュ特定部14により特定された複数のメッシュに対応する予測乗車数を足し合わせることで、経路情報で示される経路での予測合計乗車数(総予測値)を算出する手段である。
予測部15は、入力されたメッシュデータ及び時間情報に対応する予測結果データを予測結果記憶部12から読み出す。続いて、予測部15は読み出した各予測結果データで示される予測乗車数を合算することで、リクエスト信号で示される経路及び時間における合計予想乗車数を求める。
ところで、上記の回帰分析で用いた説明変数(人口分布、天気、気温)は、メッシュ毎ではなくそれよりも大きい所定のエリア(複数のメッシュから成るエリア)毎に設定されている。しかし、このような条件下でも、予測対象領域を一つの大きなメッシュとしてその領域での予測値を直接求めた場合と、その領域を複数の小領域(複数のメッシュ)に分割し、各小領域の需要予測値を足し合わせることで予測値を求める場合とで、得られる値は同じである。以下では、このことを理論的に説明する。
一例として、500M四方の大きなメッシュ(500Mメッシュ)における予測値を求める場合を考える。その手法として下記A,Bがある。
(手法A)複数のメッシュに分割することなく予測値を直接求める。
(手法B)10M四方のメッシュ(10Mメッシュ)に分割し、各10Mメッシュの予測値を足し合わせることで500Mメッシュでの予測値を求める。
(手法A)複数のメッシュに分割することなく予測値を直接求める。
(手法B)10M四方のメッシュ(10Mメッシュ)に分割し、各10Mメッシュの予測値を足し合わせることで500Mメッシュでの予測値を求める。
手法Aでの回帰式を
Y=Xα+ε
とし、手法Bにおける各メッシュの回帰式を
yi=xiβi+δi ただし、i∈I(Iは10Mメッシュの集合)
とする。
Y=Xα+ε
とし、手法Bにおける各メッシュの回帰式を
yi=xiβi+δi ただし、i∈I(Iは10Mメッシュの集合)
とする。
そして、それぞれの回帰式の期待値を求める。手法Aにおける500Mメッシュの回帰式の期待値は、残差の期待値が0であること用いると、
E(Y)=E(Xα+ε)
=E(Xα)+E(ε)
=E(X)α
となる。
E(Y)=E(Xα+ε)
=E(Xα)+E(ε)
=E(X)α
となる。
ここで、500Mメッシュの予測値を
とし、500Mメッシュの学習データをXとし、10Mメッシュの予測値を
とし、500Mメッシュの学習データをxiとすると、500Mメッシュの予測値は
であり、10Mメッシュの予測値の合計は
である。
上記の通り、学習データは手法A,Bで同じなので、上記式(3)より
であり、上記式(1)より
であるから、上記式(2),(5)より、
となる。したがって、直接的に求めた500Mメッシュの予測値と、10Mメッシュの予測値の和とは一致する。
本実施形態においては、経路が一つの大きなメッシュに相当し、上記の理論と同様に考えることができる。本実施形態では、経路を構成するすべてのメッシュに対して同じ説明変数を適用するとは限らないが、上記理論から、経路の予測値は各メッシュmの予測値の合計に近いことが推測できる。
なお、予測部15は指定された時間帯における予測合計乗車数を求めてもよいし、その時間帯を細分化して成る小時間帯毎の予測合計乗車数を求めてもよい。さらに、予測部15は各メッシュにおけるタクシーの通過時刻及び通過に要する時間(所要時間)を推定した上で、各メッシュについてその推定時刻及び推定所要時間における予測乗車数を求め、得られた予測乗車数を足し合わせることで予測合計乗車数を求めてもよい。このとき、推定所要時間に対して予測結果データの時間幅が大きいようであれば、予測部15は予測結果データの予測乗車数を推定所要時間を用いて按分して得た値を当該推定所要時間における予測乗車数とすればよい。例えば、推定所要時間が5秒であるのに対して予測結果データの時間幅が1時間であれば、予測部15は、当該予測結果データの予測乗車数に5(秒)/3600(秒)を乗じた値を、当該推定所要時間における予測乗車数とする。
また、リクエスト信号に時間情報が含まれていない場合には、予測部15は将来の所定の時間帯(例えば今後1時間、今後1日間など)における予測合計乗車数や、当該時間帯を細分化して成る小時間帯毎の予測合計乗車数を求めてもよい。予測部15は、得られた予測合計乗車数を送信部16に出力する。
送信部16は、予測部15にて算出された予測合計乗車数を、リクエスト信号への応答信号として端末Tに送信する手段である。端末Tは、この応答信号から予測合計乗車数を抽出して表示する。
次に、図8を用いて、図1に示す需要予測システム1の動作を説明するとともに本実施形態に係る需要予測方法について説明する。以下の説明は、データ生成部11により全メッシュ及び全時間についての予測結果データが予測結果記憶部12に格納されたことを前提とする。
経路情報を含むリクエスト信号が送られてくると、受付部13がその信号を受信する(ステップS41、受付ステップ)。続いて、メッシュ特定部14が、メッシュデータD11を用いて、その経路情報で示される経路を構成する複数のメッシュを特定する(ステップS42、特定ステップ)。続いて、予測部15が、特定された複数のメッシュの予測結果データを予測結果記憶部12から読出し(ステップS43、算出ステップ)、読み出した当該データの予測乗車数を足し合わせることで、経路情報で示される経路での予測合計乗車数を算出する(ステップS44、算出ステップ)。そして、送信部16がその算出結果を応答信号として端末Tに送信する(ステップS45、出力ステップ)。
以上説明したように、本実施形態によれば、メッシュ毎の予測乗車数が予め用意されているので、演算対象の経路を構成する複数のメッシュの予測乗車数を合算すれば、その経路の予測合計乗車数が得られる。このように、メッシュの需要予測値の和を経路の総予測値とすることで、需要を高速に求めることができる。
本実施形態において、予測結果データを用意する際に、経路に沿ってメッシュを並べるようにメッシュデータを用意すれば、経路での総予測値を求める際に、経路外の領域(例えば車両の通行できない領域など)における影響を排除することができる。その結果、より正確な予測値を得ることが期待できる。
このような需要予測の手法は様々な場面に応用できる。まず、上記実施形態で示したように、端末Tで設定された移動経路における総需要をその端末Tに表示させることができる。
また、端末Tで目的地が設定された際に、現在地からその目的地までの経路のうち最も乗客を拾える可能性が高い経路を端末Tに表示してタクシーの運転手に案内することも可能である。このような経路案内の例を説明する。
例えば、設定された目的地Gまでの複数の経路のそれぞれについて予測合計乗車数及び移動距離(経路長)を求め、予測合計乗車数を移動距離で割った値が最大となる経路を案内経路として端末T上に表示してもよい。また、移動距離が短い上位n個の経路のそれぞれについて予測合計乗車数を求め、その乗車数が最大の経路を案内経路としてもよい。また、複数の経路のそれぞれについて(1/予測合計乗車数)で示されるコストを求め、そのコストが最も低い経路を案内経路としてもよい。このような経路案内の際には、例えば図9(a)に示すように、現在地Cから目的地Gまでの案内経路Rgを最短経路Rsと共に表示させてもよい。
また、現在地を含む所定のエリアにおいて取り得る経路のうち、所定の時間帯における予測合計乗車数が最大の経路を案内経路として端末T上に表示させてもよい。また、スタートしてから直ぐに乗客を拾える可能性の高い経路を得るために、「一メッシュにおける予測乗車数を当該メッシュまでの到達時間で割った値」の合計値が最大の経路を案内経路としてもよい。このような場合には、例えば図9(b)に示すように、現在地C付近の案内経路Rhが端末T上に表示される。
このように案内経路を端末Tに表示させることで、端末Tのユーザ(タクシー運転手)に移動効率の良い移動経路を提示することができる。
このような案内経路を表示させる際には、受付部13は複数の経路に関する複数の経路情報を端末Tから受信する。そして、需要予測システム1は各経路の予測合計乗車数を上記のように求める。送信部16は、各経路の予測合計乗車数を端末Tに送信してもよい。この場合には、端末Tは、受信した各経路の予測合計乗車数に基づいて上記の手法で案内経路を選択し表示する。また、送信部16は、各経路の予測合計乗車数に基づいて需要予測システム1内で上記の手法で選ばれた案内経路を示す情報を送信してもよい。この場合には、端末Tは受信した情報で示される案内経路を表示すればよい。なお、この場合には予測部15が出力手段であるといえる。
以上、本発明をその実施形態に基づいて詳細に説明した。しかし、本発明は上記実施形態に限定されるものではない。本発明は、その要旨を逸脱しない範囲で様々な変形が可能である。
上記実施形態では需要予測システム1がタクシーの乗客数を予測したが、予測する需要の種類はこれに限定されず、本発明は様々な需要の予測に適用可能である。例えば、行商の売上げを最も期待できる最適経路の予測(目的変数は、売上げの個数又は金額)や、不在者が最も少ない配達を期待できる宅配便の最適経路の予測(目的変数は、宅配対象の在宅世帯数)などに本発明を適用できる。
上記実施形態では、需要予測システム1をクライアント・サーバ・システムにおけるサーバ側に適用したが、本発明に係る需要予測システムを単独の装置に適用してもよい。例えば、カーナビゲーション・システムやPC自体に本発明に係る需要予測システムを適用してもよい。
1…需要予測システム、11…データ生成部、11a…分析用データ生成部、11b…回帰式データ生成部、11c…予測用データ生成部、12…予測結果記憶部(記憶手段)、13…受付部(受付手段)、14…メッシュ特定部(特定手段)、15…予測部(算出手段)、16…送信部(出力手段)、m,mx…メッシュ(小領域)。
Claims (8)
- 経路を構成する複数の地理的な小領域について、該小領域の需要予測値を記憶する記憶手段と、
経路を示す経路情報の入力を受け付ける受付手段と、
前記受付手段により受け付けられた経路情報で示される経路を構成する複数の前記小領域を特定する特定手段と、
前記特定手段により特定された複数の小領域に対応する複数の需要予測値を前記記憶手段から読み出し、読み出した複数の需要予測値を足し合わせることで、前記受付手段により受け付けられた経路情報で示される経路での総予測値を算出する算出手段と、
前記算出手段により算出された総予測値を出力する出力手段と、
を備える需要予測システム。 - 前記複数の小領域が、経路に沿って該経路を分割するように設定されている、
請求項1に記載の需要予測システム。 - 前記受付手段が、複数の経路についての複数の経路情報を端末から受信し、
前記特定手段が、前記受付手段により受信された各経路情報で示される各経路について、当該経路を構成する前記複数の小領域を特定し、
前記算出手段が、前記各経路について前記総予測値を算出し、
前記出力手段が、前記各経路についての前記総予測値を出力し、
前記端末には、前記出力手段により出力された総予測値に基づいて前記複数の経路から選択された一の経路が表示される、
請求項1又は2に記載の需要予測システム。 - 前記一の経路が、前記総予測値が最大の経路である、
請求項3に記載の需要予測システム。 - 前記一の経路が、前記総予測値を経路長で割った値が最大の経路である、
請求項3に記載の需要予測システム。 - 前記一の経路が、1を前記総予測値で割った値が最小の経路である、
請求項3に記載の需要予測システム。 - 前記一の経路が、前記特定された各小領域の需要予測値を当該小領域までの到達時間で割った値の和が最大の経路である、
請求項3に記載の需要予測システム。 - 需要予測システムにより実行される需要予測方法であって、
経路を示す経路情報の入力を受け付ける受付ステップと、
前記受付ステップにおいて受け付けられた経路情報で示される経路を構成する複数の地理的な小領域を特定する特定ステップと、
経路を構成する複数の地理的な小領域について該小領域の需要予測値を記憶する記憶手段から、前記特定ステップにおいて特定された複数の小領域に対応する複数の需要予測値を読み出し、読み出した複数の需要予測値を足し合わせることで、前記受付ステップにおいて受け付けられた経路情報で示される経路での総予測値を算出する算出ステップと、
前記算出ステップにおいて算出された総予測値を出力する出力ステップと、
を含むことを特徴とする需要予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010185402A JP2012043296A (ja) | 2010-08-20 | 2010-08-20 | 需要予測システム及び需要予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010185402A JP2012043296A (ja) | 2010-08-20 | 2010-08-20 | 需要予測システム及び需要予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012043296A true JP2012043296A (ja) | 2012-03-01 |
Family
ID=45899494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010185402A Pending JP2012043296A (ja) | 2010-08-20 | 2010-08-20 | 需要予測システム及び需要予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012043296A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050241A (ja) * | 2010-08-26 | 2012-03-08 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
JP2016075972A (ja) * | 2014-10-02 | 2016-05-12 | シャープ株式会社 | 端末装置及びプログラム |
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
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 |
JP2020177260A (ja) * | 2019-04-15 | 2020-10-29 | 株式会社日立製作所 | 配置支援装置および配置支援方法 |
CN112330215A (zh) * | 2020-11-26 | 2021-02-05 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
JP2021064250A (ja) * | 2019-10-16 | 2021-04-22 | トヨタ自動車株式会社 | 情報処理装置、非一時的記憶媒体、及び、システム |
JP2022542776A (ja) * | 2019-06-27 | 2022-10-07 | 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 | 処理ルート情報 |
-
2010
- 2010-08-20 JP JP2010185402A patent/JP2012043296A/ja active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050241A (ja) * | 2010-08-26 | 2012-03-08 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
JP2016075972A (ja) * | 2014-10-02 | 2016-05-12 | シャープ株式会社 | 端末装置及びプログラム |
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
JP7292824B2 (ja) | 2017-07-25 | 2023-06-19 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
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 |
JP7152350B2 (ja) | 2019-04-15 | 2022-10-12 | 株式会社日立製作所 | 配置支援装置および配置支援方法 |
JP2020177260A (ja) * | 2019-04-15 | 2020-10-29 | 株式会社日立製作所 | 配置支援装置および配置支援方法 |
JP7291252B2 (ja) | 2019-06-27 | 2023-06-14 | 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 | 処理ルート情報 |
JP2022542776A (ja) * | 2019-06-27 | 2022-10-07 | 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 | 処理ルート情報 |
JP2021064250A (ja) * | 2019-10-16 | 2021-04-22 | トヨタ自動車株式会社 | 情報処理装置、非一時的記憶媒体、及び、システム |
JP7347104B2 (ja) | 2019-10-16 | 2023-09-20 | トヨタ自動車株式会社 | 情報処理装置、非一時的記憶媒体、及び、システム |
CN112330215A (zh) * | 2020-11-26 | 2021-02-05 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
CN112330215B (zh) * | 2020-11-26 | 2024-02-02 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurumurthy et al. | Analyzing the dynamic ride-sharing potential for shared autonomous vehicle fleets using cellphone data from Orlando, Florida | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
JP2012043296A (ja) | 需要予測システム及び需要予測方法 | |
Rahman et al. | Analysis of bus travel time distributions for varying horizons and real-time applications | |
Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
KR20120049846A (ko) | 이력 및 현재 데이터에 기초하는 예상된 도로 교통 조건의 예측 | |
JP2016085734A (ja) | 輸送サービス予約方法、輸送サービス予約装置、及び輸送サービス予約プログラム | |
Hoseinzadeh et al. | Integrating safety and mobility for pathfinding using big data generated by connected vehicles | |
US20150294223A1 (en) | Systems and Methods for Providing Information for Predicting Desired Information and Taking Actions Related to User Needs in a Mobile Device | |
JP2006039978A (ja) | 交通情報提供装置,交通情報提供方法 | |
JP2009521665A (ja) | オープン・ワールド・モデリング法およびクローズド・ワールド・モデリング法を用いて部分的軌跡から目的地を予測する方法 | |
EP3572991A1 (en) | Transit demand forecasting device and transit demand forecasting method | |
JP5480755B2 (ja) | 需要予測システム及び需要予測方法 | |
Dunnett et al. | Optimising police dispatch for incident response in real time | |
JP2014203272A (ja) | 新規出店候補地分析装置及び方法及びプログラム | |
JP2009230514A (ja) | 行き先情報推薦システム、行き先情報推薦装置、携帯端末および行き先情報推薦方法 | |
CN109631922A (zh) | 信息处理装置、信息处理方法和存储程序的非暂时性存储介质 | |
Dogaroglu et al. | Comparison of intelligent parking guidance system and conventional system with regard to capacity utilisation | |
Lu et al. | Prediction-based parking allocation framework in urban environments | |
Tajaddini et al. | Modeling the long-term regional impacts of autonomous vehicles: A case study of Victoria, Australia | |
Fedchenkov et al. | An artificial intelligence based forecasting in smart parking with IoT | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
JP2020019462A (ja) | 輸送力調整装置、輸送力調整システムおよび輸送力調整方法 | |
JP2019096084A (ja) | 情報処理装置 | |
Zhang et al. | Examining spatial heterogeneity of ridesourcing demand determinants with explainable machine learning |