JP2015187760A - 人物動態計算装置、人物動態計算システム、及びプログラム - Google Patents

Abstract

【課題】人物の行為系列及び目的地系列を精度良く計算することができる。【解決手段】属性生成部２３２により、各エリアに対して、属性毎にエリアに居住する人物を表すエージェントを、エリアの属性の人口データに応じた数だけ生成し、行為系列生成部２３４により、属性別に予め学習した、複数の行為のペアの各々についてのペアの一方の行為から他方の行為への遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、目的地系列生成部２３６により、エージェントの各々について、複数の行為の各々について予め学習した、エリアのペアの各々についてのペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、エージェントの行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、出力部２９０により、エージェントの各々について、行為系列及び目的地系列を出力する。【選択図】図２

Description

本発明は、人物動態計算装置、人物動態計算システム、及びプログラムに係り、特に、人物の行為系列及び目的地系列を計算する人物動態計算装置、人物動態計算システム、及びプログラムに関する。

従来、パーソントリップ調査などでは、リアルタイム性がなく、またサンプル数においても不十分な場合がある。

また、ユーザのＧＰＳの履歴と、滞在場所にある店舗等の属性情報を組み合わせた情報から、ユーザの属性、状況を推定し、都市内の人の動きを再現する方法が知られている（特許文献１）。

特開２０１２−１６４２２７号公報

従来技術においては、リアルタイムかつ十分なサンプル数を確保しようとすると、大量の調査員が必要となり、その金銭的なコストが膨大になるという問題がある。

また、特許文献１の技術においては、都市内の全ての人に対して推定を行わなければならず、現状、全ての人がＧＰＳ機能付きのデバイスを携帯し、かつＧＰＳをＯＮにしていることはなく、全ての人に対する推定はできないという問題がある。また、一人一人に対して推定を行う必要があり、計算のリソースが莫大に必要となるという問題もある。

本発明では、上記問題点を解決するために成されたものであり、統計データに基づいて、人物の行為系列及び目的地系列を精度良く計算することができる人物動態計算装置、人物動態計算システム、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る人物動態計算装置は、各エリアの属性別の人口データを表す統計データに基づいて、各エリアに対して、属性毎に前記属性を有する人物であって、前記エリアに居住する人物を表すエージェントを、前記エリアの前記属性の人口データに応じた数だけ生成するエージェント生成手段と、属性別に予め学習した、複数の行為のペアの各々についての前記ペアの一方の行為から他方の行為への遷移確率に基づいて、前記エージェント生成手段によって生成されたエージェントの各々について、各時間帯の行為からなる行為系列を生成する行為系列生成手段と、前記エージェント生成手段によって生成されたエージェントの各々について、前記複数の行為の各々について予め学習した、エリアのペアの各々についての前記ペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成する目的地系列生成手段と、前記エージェント生成手段によって生成されたエージェントの各々について、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列及び前記目的地系列生成手段によって前記エージェントについて生成された前記目的地系列を出力する出力手段と、を含んで構成されている。

第１の発明によれば、エージェント生成手段により、各エリアに対して、属性毎にエリアに居住する人物を表すエージェントを、エリアの属性の人口データに応じた数だけ生成し、行為系列生成手段により、属性別に予め学習した、複数の行為のペアの各々についてのペアの一方の行為から他方の行為への遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、目的地系列生成手段により、エージェントの各々について、複数の行為の各々について予め学習した、エリアのペアの各々についてのペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、出力手段により、エージェントの各々について、エージェントについて生成された行為系列及び目的地系列を出力する。

このように、エージェントを生成し、複数の行為のペアの各々についてのペアの一方の行為から他方の行為への遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、エージェントの各々について、複数の行為の各々について予め学習した、エリアのペアの各々についてのペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、エージェントについて生成された行為系列及び目的地系列を出力することによって、都市内の全ての人の動きを精度良く再現することができる。

また、第１の発明の人物動態計算装置においては、前記属性、前記行為、及び前記時間帯の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、前記時間帯に前記行為をした人物の割合を表す時間帯別行為者率データと、前記属性及び前記行為の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、１日に前記行為をした人物の割合を表す１日行為者率データとに基づいて、属性別に、前記遷移確率を学習する遷移確率学習手段を更に含んでもよい。

また、第１の発明の人物動態計算装置においては、予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記目的地選択確率を学習する目的地選択確率学習手段を更に含んでもよい。

また、第１の発明の人物動態計算装置においては、予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記モデルのパラメータの各値を適用したときの前記目的地選択確率を各々学習し、前記モデルのパラメータの各値を適用したときの前記目的地選択確率のうち、予め用意された、前記時間帯及び前記エリアの組み合わせの各々についての人口を表す時間帯別エリア別人口データと適合する、前記目的地選択確率を選択する目的地選択確率学習手段を更に含んでもよい。

第２の発明に係る人物動態計算システムは、第１の発明の人物動態計算装置と、前記属性、前記行為、及び前記時間帯の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、前記時間帯に前記行為をした人物の割合を表す時間帯別行為者率データと、前記属性及び前記行為の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、１日に前記行為をした人物の割合を表す１日行為者率データとに基づいて、属性別に、前記遷移確率を学習する遷移確率学習手段を含む確率学習装置と、を含んで構成されている。

第３の発明に係る人物動態計算システムは、第１の発明の人物動態計算装置と、予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記目的地選択確率を学習する目的地選択確率学習手段を含む確率学習装置と、を含んで構成されている。

第４の発明に係る人物動態計算システムは、第１の発明の人物動態計算装置と、予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記モデルのパラメータの各値を適用したときの前記目的地選択確率を各々学習し、前記モデルのパラメータの各値を適用したときの前記目的地選択確率のうち、予め用意された、前記時間帯及び前記エリアの組み合わせの各々についての人口を表す時間帯別エリア別人口データと適合する、前記目的地選択確率を選択する目的地選択確率学習手段を含む確率学習装置と、を含んで構成されている。

また、本発明のプログラムは、コンピュータを、上記の人物動態計算装置を構成する各手段として機能させるためのプログラムである。

以上説明したように、本発明の人物動態計算装置、人物動態計算システム、及びプログラムによれば、各エリアの属性別の人口データを表す統計データに基づいて、エージェントを生成し、属性別に予め学習した行為の遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、エージェントの各々について、複数の行為の各々について予め学習した目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、エージェントの各々について生成された行為系列及び目的地系列を出力することによって、統計データに基づいて、人物の行為系列及び目的地系列を精度良く計算することができる。

本発明の第１の実施の形態に係る確率学習装置の機能的構成を示すブロック図である。 本発明の第１の実施の形態に係る人物動態計算装置の構成を示すブロック図である。 都市内移動データの例を示す図である。 本発明の第１の実施の形態に係る確率学習装置における確率学習処理ルーチンを示す図である。 本発明の第１の実施の形態に係る確率学習装置における時間別行為遷移確率行列の計算処理ルーチンを示す図である。 本発明の第１の実施の形態に係る確率学習装置における行為別目的地選択確率行列の計算処理ルーチンを示す図である。 本発明の第１の実施の形態に係る人物動態計算装置における人物動態計算処理ルーチンを示す図である。 本発明の第１の実施の形態に係る人物動態計算装置における行為系列生成処理ルーチンを示す図である。 本発明の第１の実施の形態に係る人物動態計算装置における目的地系列生成処理ルーチンを示す図である。 本発明の第２の実施の形態に係る確率学習装置の機能的構成を示すブロック図である。 本発明の第２の実施の形態に係る確率学習装置における確率学習処理ルーチンを示す図である。 本発明の第２の実施の形態に係る確率学習装置における行為別目的地選択確率行列の計算処理ルーチンを示す図である。 本発明の第３の実施の形態に係る人物動態計算装置における機能的構成を示すブロック図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態においては、Ｔを時間の分割数、Ｋを行為の種類、Ｌをエリアの数、ｙ^（０）…ｙ^{（Ｔ−１）}を時間帯別行為者率（Ｋ要素）、Ａ^（０）…Ａ^{（Ｔ−２）}を時間帯別行為遷移確率行列（Ｋ×Ｋ要素）、α_ｋ ^（ｔ）を時間帯別行為遷移確率行列のｋ番目の行ベクトル（Ｋ要素）又は時刻ｔ−１における行為がｋのときの時刻ｔの行為の遷移確率、Ｐ^ｋを行為ｋの目的地選択確率行列（Ｋ×Ｋ要素）、ｐ_ｌ ^ｋを行為ｋの目的地選択確率行列のｌ番目の行ベクトル（Ｌ要素）又は時刻ｔ−１の場所がｌのときの時刻ｔの目的地選択確率、ｋ^（０）…ｋ^{（Ｔ−１）}を行為系列、ｌ^（０）…ｌ^{（Ｔ−１）}を目的地系列と定義する。

＜第１の実施の形態に係る人物動態計算システムの構成＞
まず、本発明の第１の実施の形態に係る人物動態計算システムの構成について説明する。本発明の第１の実施の形態に係る人物動態計算システムは、後述する確率学習装置１００と、人物動態計算装置２００とを含んで構成されている。

＜第１の実施の形態に係る確率学習装置の構成＞
次に、本発明の第１の実施の形態に係る確率学習装置１００の構成について説明する。図１に示すように、本発明の実施の形態に係る確率学習装置１００は、ＣＰＵと、ＲＡＭと、後述する確率学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この確率学習装置１００は、機能的には図１に示すように入力部１０と、演算部２０と、出力部９０とを備えている。

入力部１０は、属性別に１日に行為をした人物の割合を示す１日行為者率データと、パラメータβ_ｉと、属性別及び時間帯別に行為をした人物の割合を表す時間帯別行為者率データと、後述する人物動態計算装置２００における前回の処理において生成された行為系列から得られる各エリアの行為別発生量と、施設数の分布を表す施設分布データと、を受け付ける。

演算部２０は、１日行為者率データ記憶部２４と、時間帯別行為者率データ記憶部２６と、行為別発生量記憶部２８と、施設分布データ記憶部３０と、時間帯別行為遷移確率行列学習部４０と、時間帯別行為遷移確率行列記憶部４２と、行為別目的地選択確率行列学習部４４と、行為別目的地選択確率行列記憶部４６とを含んで構成されている。

１日行為者率データ記憶部２４は、入力部１０において受け付けた１日行為者率データが記憶されている。

時間帯別行為者率データ記憶部２６は、入力部１０において受け付けた時間帯別行為者率データが記憶されている。なお、時間帯別行為者率データとしては、総務省の社会生活基本調査データ等を用いればよい。

行為別発生量記憶部２８は、入力部１０において受け付けた各エリアの行為別発生量が記憶されている。なお、ここで、行為別発生量とは、人物動態計算装置２００において生成されたエージェントの各々についての行為系列から得られるものであり、各エリアについて、居住メッシュが当該エリアであるエージェントのうち、当該行為を行うエージェントの数を表す。

施設分布データ記憶部３０は、入力部１０において受け付けた施設分布データが記憶されている。施設分布データは、各エリアにおいて各行為に関連する施設数を表している。なお、施設分布データは、各エリアにおいて各行為に関連する施設の人数を表すものであってもよい。また、施設分布データは、各エリアにおいて各行為に関連する施設の売場面積、売上等を表していてもよい。また、施設数が施設の物理量の一例である。

時間帯別行為遷移確率行列学習部４０は、１日行為者率データ記憶部２４に記憶されている１日行為者率データと、時間帯別行為者率データ記憶部２６に記憶されている時間帯別行為者率データと、入力部１０において受け付けたパラメータβ_ｉとに基づいて、属性ごとに時間帯別行為遷移確率行列Ａ^（０）…Ａ^{（Ｔ−２）}を学習し、時間帯別行為遷移確率行列記憶部４２に記憶すると共に、出力部９０に出力する。なお、時間帯別行為遷移確率行列は、複数の行為のペアの各々についてのペアの一方の行為から他方の行為への遷移確率を表したものである。

時間帯別行為遷移確率行列は、属性ごとに、下記（１）式に示す２次計画問題を解くことによって学習される。具体的には、時間帯別行為者率データ記憶部２６に記憶されている当該属性における時間帯別行為者率データｙ^（０）…ｙ^{（Ｔ−１）}と、入力部１０において受け付けたパラメータβ_ｉとに基づいて、下記（１）式に示す２次計画問題を解き、その結果得られた時間帯別行為遷移確率行列Ａ^（０）…Ａ^{（Ｔ−２）}を用いて、人物動態計算装置２００と同様に、シミュレーションを行う。そして、シミュレーション結果を集計して、当該属性を有する人物における１日の行為者率を算出し、当該属性における１日の行為者率と、１日行為者率データ記憶部２４に記憶されている当該属性における１日行為者率データとを比較する。比較した結果、誤差が予め定められた範囲内である場合には、当該処理によって得られた当該属性における時間帯別行為遷移確率行列を、当該属性における時間帯別行為遷移確率行列Ａ^（０）…Ａ^{（Ｔ−２）}と確定する。一方、比較した結果、誤差が予め定められた範囲外である場合には、適当な値に変更したパラメータβ_ｉの値を入力部１０において受け付けて、下記（１）式に示す２次計画問題を解く処理、及びシミュレーションを行う処理、１日の行為者率を算出する処理、及び比較処理を繰り返し実行する。

時間帯別行為遷移確率行列記憶部４２は、時間帯別行為遷移確率行列学習部４０により、属性ごとに学習された時間帯別行為遷移確率行列が記憶される。

行為別目的地選択確率行列学習部４４は、行為別発生量記憶部２８に記憶されている行為別発生量と、施設分布データ記憶部３０に記憶されている施設分布データとに基づいて、行為ごとに目的地選択確率行列を学習し、学習された結果を行為別目的地選択確率行列として、行為別目的地選択確率行列記憶部４６に記憶すると共に、出力部９０に出力する。なお、行為別目的地選択確率行列は、エリアのペアの各々についてのペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率を表している。

行為別目的地選択確率行列を学習するには、まず、行為ｋごとに、下記（２）式に示す重力モデルを用いて、Ｘ_ｉｊ ^（ｋ）を計算する。ここで、Ｘ_ｉｊ ^（ｋ）は、行為ｋを行う人のメッシュｉｊ間の移動人数であり、Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）は、係数であり、Ｏ_ｉ ^（ｋ）は、メッシュｉに居住していて、かつ行為ｋを行う人数であり、Ｄ_ｊ ^（ｋ）は、メッシュｊにおける行為ｋに関連する施設数であり、ｄｉｓｔ_ｉｊは、予め定められているｉｊ間距離（または所要時間）であり、γは距離係数である。また、係数Ａ_ｉ ^（ｋ）は下記（３）式により表され、係数Ｂ_ｊ ^（ｋ）は下記（４）式によって表される。なお、係数Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）の初期値として１が与えられているものとする。また、距離係数γは適当な値（γ＞０）が与えられているものとする。また、重力モデルが、行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを表したものである。

具体的には、まず、行為別発生量記憶部２８に記憶されている行為別発生量から得られる、居住メッシュｉに居住していて、かつ行為ｋを行う人数Ｏ_ｉ ^（ｋ）を取得する。次に、行為ごとに、取得したＯ_ｉ ^（ｋ）と、施設分布データから得られるＤ_ｊ ^（ｋ）と、ｉｊ間の各々の距離ｄｉｓｔ_ｉｊの各々と、予め適切な値が設定された距離係数γと、係数Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）とに基づいて、上記（３）式及び（４）式に従って、係数Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）が収束するまで交互計算を繰り返し、係数Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）を計算する。そして、行為ごとに、収束した係数Ａ_ｉ ^（ｋ）及びＢ_ｊ ^（ｋ）と、Ｏ_ｉ ^（ｋ）と、施設分布データから得られるＤ_ｊ ^（ｋ）と、ｉｊ間の各々の距離ｄｉｓｔ_ｉｊの各々と、距離係数γと、に基づいて、上記（２）式に従って、Ｘ_ｉｊ ^（ｋ）を計算する。

次に、行為ｋごとに重力モデルを用いて計算されたＸ_ｉｊ ^（ｋ）を用いて、下記（５）式に従って、行為ｋごとの目的地選択確率Ｐ_ｉｊ ^（ｋ）をエリアｉ、ｊのペアの各々について計算し、行為ごとの目的地選択確率行列の学習結果とする。ここで、Ｐ_ｉｊ ^（ｋ）は、現在地ｉ、行為ｋのエージェントが目的地ｊを選択する確率である。

行為別目的地選択確率行列記憶部４６は、行為別目的地選択確率行列学習部４４において学習された行為別目的地選択確率行列を記憶している。

出力部９０は、時間帯別行為遷移確率行列学習部４０において学習された時間帯別行為遷移確率行列と、行為別目的地選択確率行列学習部４４において学習された行為別目的地選択確率行列を出力する。

＜第１の実施の形態に係る人物動態計算装置の構成＞
次に、本発明の第１の実施の形態に係る人物動態計算装置２００の構成について説明する。図２に示すように、本発明の実施の形態に係る人物動態計算装置２００は、ＣＰＵと、ＲＡＭと、後述する人物動態計算処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この人物動態計算装置２００は、機能的には図２に示すように入力部２１０と、演算部２２０と、出力部２９０とを備えている。

入力部２１０は、エリア毎の属性別人口を表す統計データであるエリア別人口データと、上述した確率学習装置１００において学習された属性別の時間帯別行為遷移確率行列及び行為別目的地選択確率行列と、属性別及び時間帯別の行為者の確率からなる時間帯別行為者率データと、を受け付ける。

演算部２２０は、エリア別人口データ記憶部２２２と、時間帯別行為遷移確率行列記憶部２２４と、時間帯別行為者率データ記憶部２２６と、行為別目的地選択確率行列記憶部２２８と、エージェント生成部２３０と、都市内移動データ記憶部２６０とを含んで構成されている。

エリア別人口データ記憶部２２２は、入力部２１０において受け付けたエリア別人口データを記憶している。なお、エリア別人口データとしては、国勢調査データ等を用いればよい。

時間帯別行為遷移確率行列記憶部２２４は、入力部２１０において受け付けた属性別の時間帯行為遷移確率行列を記憶している。

時間帯別行為者率データ記憶部２２６は、入力部２１０において受け付けた時間帯別行為者率データを記憶している。

行為別目的地選択確率行列記憶部２２８は、入力部２１０において受け付けた行為別目的地選択確率行列を記憶している。

エージェント生成部２３０は、エリア別人口データ記憶部２２２に記憶されているエリア別人口データと、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯行為遷移確率行列と、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データと、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列とに基づいて、エージェントの各々についての行為系列及び目的地系列を生成し、都市内移動データ記憶部２６０に記憶すると共に、出力部２９０に出力する。また、エージェント生成部２３０は、属性生成部２３２と、行為系列生成部２３４と、目的地系列生成部２３６とを含んで構成されている。

属性生成部２３２は、エリア別人口データ記憶部２２２に記憶されているエリア別人口データに基づいて、属性別及びエリア別に、当該エリアに、当該属性を持つ人物を表すエージェントを、当該エリア及び当該属性の人口に応じた数だけ生成する。具体的に、例えば、エリア別人口データに含まれる年齢、及び性別の組み合わせを図３のＣ列に示すような属性として定義し、当該属性をもつ人の居住地を図３のＢ列に示すような居住メッシュとして、当該属性及び居住メッシュを組み合わせて一つのエージェントとして作成する。なお、作成された順に図３のＡ列に示すようなＩＤが付与されるものとする。また、居住メッシュについては、予めどの居住地がどの居住メッシュに属するか定義されているものとする。また、属性生成部がエージェント生成手段の一例である。

行為系列生成部２３４は、属性生成部２３２において作成されたエージェントの各々と、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯別行為遷移確率行列と、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データとに基づいて、エージェントの各々について図３のＤ１列〜ＤＴ列に示すような行為系列を生成し、エージェントごとに、ＩＤ、居住メッシュ、属性、及び行為系列を結合したデータを作成し、目的地系列生成部２３６に出力すると共に、人物動態計算装置２００の外部に出力する。

具体的には、まず、エージェントの各々について、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データの、当該エージェントの属性と同一の属性についての最初の時間帯での行為者率ｙ^（０）に基づいて、時刻ｔ＝０における行為ｋ^（０）を決定する。

そして、エージェントの各々について、時刻ｔ（ｔ＞０）における行為ｋ^（ｔ）を、属性別の時間帯別行為遷移確率行列と、、時刻ｔ−１における行為ｋ^{（ｔ−１）}とに基づいて決定する。すなわち、時間帯別行為遷移確率行列のｋ^{（ｔ−１）}番目の行ベクトルである

に従った確率で、時刻ｔにおける行為ｋ^（ｔ）を生成する。例えば、決定された時刻ｔ＝０における行為ｋ^（０）と、属性別の時間帯別行為遷移確率行列の当該エージェントの属性のｋ^（０）番目の行ベクトルである

に従った確率と、に基づいて、行為ｋ^（１）を決定し、当該決定処理を時刻ｔ＝Ｔ−１まで繰り返すことによって、当該エージェントの行為系列ｋ^（０）…ｋ^{（Ｔ−１）}を生成する。

目的地系列生成部２３６は、行為系列生成部２３４により入力される、各エージェントの行為系列と、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列とに基づいて、エージェントの各々について、図３に示すＥ１列〜ＥＴ列の目的地系列を生成し、エージェントごとに、図３に示すＡ列〜ＥＴ列のように結合した都市内移動データとして作成し、都市内移動データ記憶部２６０に記憶すると共に、出力部２９０に出力する。

具体的には、まず、行為系列生成部２３４から入力されるデータに含まれる当該エージェントの居住メッシュｌ_ｒｓｄと、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列のうちの当該エージェントの一番初めの行為ｋ^（０）とに対応する

と、に基づいて、ｔ＝０における目的地ｌ^（０）を決定する。そして、時刻ｔ（ｔ＞０）における目的地ｌ^（ｔ）を、行為別目的地選択確率行列と、時刻ｔ−１における目的地ｌ^{（ｔ−１）}とに基づいて決定する。すなわち、行為ｋ（ｔ）に対応する行為別目的地選択確率行列のｌ^{（ｔ−１）}番目の行ベクトルである

に従う確率によって、時刻ｔにおける目的地ｌ^（ｔ）を決定する。例えば、決定された当該エージェントの時刻ｔ＝０における目的地ｌ^（０）と、当該エージェントの行為ｋ（１）に対応する行為別目的地選択確率行列のｌ^（０）番目の行ベクトルである

に従った確率と、に基づいて、目的地ｌ^（１）を決定する。当該処理を時刻ｔ＝Ｔ−１まで繰り返すことによって、当該エージェントの目的地系列ｌ^（０）…ｌ^{（Ｔ−１）}を生成する。なお、目的地の遷移は、行為が前の時刻から変化した場合のみ行われる。また、職場や学校が複数あることはないという仮定のもと、行為が仕事や学業の場合、それまでに出た目的地を再現する必要があるため、初出時に場所を記憶し、再び同一の行為がなされる場合はその目的地を再現する。

都市内移動データ記憶部２６０は、目的地系列生成部２３６から入力される図３に示すＡ列〜ＥＴ列のような都市内移動データを記憶している。

出力部２９０は、上記図３に示す都市内移動データを可視化する。

＜第１の実施の形態に係る確率学習装置の作用＞
次に、第１の実施の形態に係る確率学習装置１００の作用について説明する。まず、入力部１０において１日行為者率データと、パラメータβ_ｉと、時間帯別行為者率データと、行為別発生量と、施設分布データと、を受け付ける。そして、確率学習装置１００によって、図４に示す確率学習処理ルーチンが実行される。

まず、ステップＳ１００では、１日行為者率データ記憶部２４に記憶されている１日行為者率データを読み込む。

次に、ステップＳ１０２では、時間帯別行為者率データ記憶部２６に記憶されている時間帯別行為者率データを読み込む。

次に、ステップＳ１０４では、行為別発生量記憶部２８に記憶されている行為別発生量を読み込む。

次に、ステップＳ１０６では、施設分布データ記憶部３０に記憶されている施設分布データを読み込む。

次に、ステップＳ１０８では、ステップＳ１００において取得した１日行為者率データと、ステップＳ１０２において取得した時間帯別行為者率データと、入力部１０において受け付けたパラメータβ_ｉとに基づいて、属性ごとに時間帯別行為遷移確率行列Ａ^（０）…Ａ^{（Ｔ−２）}を学習し、時間帯別行為遷移確率行列記憶部４２に記憶する。

次に、ステップＳ１１０では、ステップＳ１０４において取得した行為別発生量と、ステップＳ１０６において取得した施設分布データとに基づいて、行為ごとに目的地選択確率行列を学習し、行為別目的地選択確率行列として行為別目的地選択確率行列記憶部４６に記憶する。

次に、ステップＳ１１２では、ステップＳ１０８で取得した属性ごとの時間帯別行為遷移確率行列と、ステップＳ１１０で取得した行為別目的地選択確率行列とを出力部９０から出力して、確率学習処理ルーチンを終了する。

上記ステップＳ１０８における時間帯別行為遷移確率行列の計算について、図５に示す、時間帯別行為遷移確率行列の計算処理ルーチンにおいて詳細に説明する。

図５のステップＳ２００では、処理対象となる属性について、ステップＳ１０２において取得した時間帯別行為者率データに基づいて、時間帯別行為者率ｙ^（０）…ｙ^{（Ｔ−１）}を取得する。

次に、ステップＳ２０２では、ステップＳ２００において取得した処理対象となる属性についての時間帯別行為者率と、入力部１０において受け付けたパラメータβ_ｉとに基づいて、上記（１）式に従って、２次計画問題を解く。

次に、ステップＳ２０４では、ステップＳ２０２において取得した処理対象となる属性についての時間帯別行為遷移確率行列Ａ^（０）…Ａ^{（Ｔ−２）}を用いて人物動態計算装置２００と同様のシミュレーションを行う。

次に、ステップＳ２０６では、ステップＳ２０４において取得した処理対象となる属性のシミュレーションの結果に基づいて、処理対象となる属性を有する人物における１日の行為者率を計算する。

次に、ステップＳ２０８では、ステップＳ１００において取得した１日行為者率データに基づいて取得される処理対象となる属性における１日の行為者率と、ステップＳ２０６において取得される処理対象となる属性を有する人物における１日の行為者率とを比較する。

次に、ステップＳ２１０では、ステップＳ２０８において取得した比較結果に基づいて、誤差が予め定められた所定範囲内か否かを判定する。誤差が予め定められた所定範囲内である場合には、ステップＳ２１２へ移行し、誤差が予め定められた所定範囲外である場合には、ステップＳ２１１へ移行する。

ステップＳ２１１では、β_ｉについて入力部１０により、入力を受け付けてステップＳ２０２へ移行し、ステップＳ２０２〜ステップＳ２１０の処理を繰り返す。

ステップＳ２１２では、ステップＳ２０２において取得された時間帯別行為遷移確率行列を、当該処理対象となる属性の時間帯別行為遷移確率行列として確定する。

次に、ステップＳ２１４では、全ての属性について処理が終了したか否かを判定する。全ての属性について処理を終了している場合には、時間帯別行為遷移確率の計算の処理ルーチンを終了し、全ての属性について処理を終了していない場合には、処理対象となる属性を変更し、ステップＳ２００へ移行し、ステップＳ２００〜ステップＳ２１４の処理を繰り返す。

上記ステップＳ１１０における行為別目的地選択確率行列の計算について、図６に示す、行為別目的地選択確率行列の計算処理ルーチンにおいて詳細に説明する。

図６のステップＳ３００では、ステップＳ１０４において取得した行為別発生量から、処理対象となる行為ｋについて、各メッシュｉに居住していて、かつ、処理対象となる行為ｋを行う人数を表す発生量Ｏ_ｉ ^（ｋ）を取得する。

次に、ステップＳ３０２では、係数Ａ_ｉ ^（ｋ）と、係数Ｂ_ｊ ^（ｋ）とを初期化し、それぞれの値を１と設定する。

次に、ステップＳ３０４では、処理対象となる行為ｋについて、ステップＳ３０２又は前回のステップＳ３０６において取得した係数Ｂ_ｊ ^（ｋ）と、ステップＳ１０６において取得した施設分布データに基づいて取得される、メッシュｊにおける処理対象となる行為ｋに関連する施設数Ｄ_ｊ ^（ｋ）と、予め定められているメッシュｉとメッシュｊとの距離ｄｉｓｔ_ｉｊと、予め定められている距離係数γとに基づいて、上記（３）式に従って、係数Ａ_ｉ ^（ｋ）を計算する。

次に、ステップＳ３０６では、処理対象となる行為ｋについて、ステップ３０４において取得した係数Ａ_ｉ ^（ｋ）と、ステップＳ３００において取得した発生量Ｏ_ｉ ^（ｋ）と、予め定められているメッシュｉとメッシュｊとの距離ｄｉｓｔ_ｉｊと、予め定められている距離係数γとに基づいて、上記（４）式に従って、係数Ｂ_ｊ ^（ｋ）を計算する。

次に、ステップＳ３０８では、処理対象となる行為ｋについて、ステップＳ３０４において取得した係数Ａ_ｉ ^（ｋ）と、ステップＳ３０６において取得した係数Ｂ_ｊ ^（ｋ）とが収束したか否かを判定する。収束している場合には、ステップＳ３１０へ移行し、収束していない場合には、ステップＳ３０４へ移行し、ステップＳ３０４〜ステップＳ３０８の処理を繰り返す。

次に、ステップＳ３１０では、処理対象となる行為ｋについて、ステップＳ３０４において取得した係数Ａ_ｉ ^（ｋ）と、ステップＳ３０６において取得した係数Ｂ_ｊ ^（ｋ）と、ステップＳ３００において取得した発生量Ｏ_ｉ ^（ｋ）と、ステップＳ１０６において取得した施設分布データに基づいて取得される、メッシュｊにおける処理対象となる行為ｋに関連する施設数Ｄ_ｊ ^（ｋ）と、予め定められているメッシュｉとメッシュｊとの距離ｄｉｓｔ_ｉｊと、予め定められている距離係数γと、に基づいて、上記（２）式に示す重力モデルを用いて、処理対象となる行為ｋについてのＸ_ｉｊ ^（ｋ）を計算する。

次に、ステップＳ３１２では、処理対象となる行為ｋについて、ステップＳ３１０において取得した処理対象となる行為ｋについての重力モデルを用いて計算されたＸ_ｉｊ ^（ｋ）に基づいて、上記（５）式に従って、処理対象となる行為ｋの目的地選択確率Ｐ_ｉｊ ^（ｋ）をエリアｉ、ｊのペアの各々について計算し、行為ｋの目的地選択確率行列の学習結果とする。

次に、ステップＳ３１４では、全ての行為について処理を終了したか否かを判定する。全ての行為について処理を終了している場合には、行為別目的地選択確率の計算処理ルーチンを終了し、全ての行為について処理を終了していない場合には、処理対象となる行為ｋを変更し、ステップＳ３００へ移行し、ステップＳ３００〜ステップＳ３１４の処理を繰り返す。

＜第１の実施の形態に係る人物動態計算装置の作用＞
次に、第１の実施の形態に係る人物動態計算装置２００の作用について説明する。まず、入力部２１０においてエリア別人口データと、上述した確率学習装置１００においてステップＳ１０８で学習された属性別の時間帯別行為遷移確率行列及びステップＳ１１０で学習された行為別目的地選択確率行列と、時間帯別の行為者の確率からなる時間帯別行為者率データと、を受け付ける。そして、人物動態計算装置２００によって、図７に示す人物動態計算処理ルーチンが実行される。

まず、ステップＳ４００では、エリア別人口データ記憶部２２２に記憶されているエリア別人口データを読み込む。

次に、ステップＳ４０２では、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯別行為遷移確率行列を読み込む。

次に、ステップＳ４０４では、時間帯別行為者率データ記憶部２２６に記憶されている属性別の時間帯別行為者率データを読み込む。

次に、ステップＳ４０６では、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列を読み込む。

次に、ステップＳ４０８では、ステップＳ４００において取得したエリア別人口データに基づいて、属性別及びエリア別に、当該エリアを居住メッシュとし当該属性を持つ人物を現すエージェントを、当該エリア及び当該属性の人口に応じた数だけ生成する。

次に、ステップＳ４１０では、ステップＳ４０２において取得した属性別の時間帯別行為遷移確率行列と、ステップＳ４０４において取得した属性別の時間帯別行為者率データと、に基づいて、ステップＳ４０８において取得したエージェントの各々について、行為系列を生成する。

次に、ステップＳ４１２では、ステップＳ４０６において取得した行為別目的地選択確率行列と、ステップＳ４１０において取得したエージェントの各々の行為系列とに基づいて、ステップＳ４０８において取得したエージェントの各々について、目的地系列を生成し、都市内移動データとする。

次に、ステップＳ４１４では、ステップＳ４１２において取得した都市内移動データを結果として出力部２９０において可視化して人物動態計算処理ルーチンを終了する。

上記ステップＳ４１０における行為系列の生成について、図８に示す、行為系列生成処理ルーチンにおいて詳細に説明する。

図８のステップＳ５００では、処理対象となるエージェントについて、当該エージェントの属性と、ステップＳ４０４において取得した属性別の時間帯別行為者率データとに基づいて、時刻ｔ＝０における行為ｋ^（０）を決定する。

次に、ステップＳ５０２では、変数ｔの値に１を設定する。

次に、ステップＳ５０４では、処理対象となるエージェントについて、ステップＳ４０２において取得した属性別の時間帯別行為遷移確率行列と、ステップＳ５００において取得した当該エージェントの行為ｋ^（０）又は、前回のステップＳ５０４において取得した当該エージェントの行為ｋ^{（ｔ−１）}とに基づいて、当該エージェントの行為ｋ^（ｔ）を決定する。

次に、ステップＳ５０６では、変数ｔの値にｔ＋１を設定する。

次に、ステップＳ５０８では、ｔ＝Ｔであるか否かを判定する。ｔ＝Ｔである場合には、ステップＳ５１０へ移行し、ｔ＝Ｔでない場合には、ステップＳ５０４へ移行する。

次に、ステップＳ５１０では、ステップＳ４０８において生成した全てのエージェントについて処理を終了したか否かを判定する。全てのエージェントについて処理を終了している場合には、行為系列生成処理ルーチンを終了し、全てのエージェントについて処理を終了していない場合には、処理対象となるエージェントを変更し、ステップＳ５００へ移行し、ステップＳ５００〜ステップＳ５１０までの処理を繰り返す。

上記ステップＳ４１２における目的地系列の生成について、図９に示す、目的地生成処理ルーチンにおいて詳細に説明する。

図９のステップＳ６００では、変数ｔの値に０を設定する。

次に、ステップＳ６０２では、処理対象のエージェントについて、ステップＳ４１０において取得した当該エージェントの行為系列に基づいて、ｌ_ｒｓｄの値に処理対象となるエージェントの居住メッシュの値を設定し、ｌ_ｏｆｆ及びｌ_ｓｃｈの値に−１の値を設定する。

次に、ステップＳ６０４では、処理対象のエージェントについて、ステップＳ４１０において取得した行為系列に基づいて、当該エージェントの行為ｋ^（ｔ）が、在宅であるか否かを判定する。当該エージェントの行為ｋ^（ｔ）が在宅である場合には、ステップＳ６０６へ移行し、当該エージェントの行為ｋ^（ｔ）が在宅でない場合には、ステップＳ６１２へ移行する。

次に、ステップＳ６０６では、処理対象となるエージェントの目的地ｌ^（ｔ）をステップＳ６０２において取得したｌ_ｒｓｄの値が表すメッシュとする。

次に、ステップＳ６０８では、変数ｔの値をｔ＋１に設定する。

次に、ステップＳ６１０では、変数ｔの値がＴの値と等しいか否かを判定する。変数ｔの値がＴの値と等しい場合には、ステップＳ６５０へ移行し、変数ｔの値がＴの値と等しくない場合には、ステップＳ６０４へ移行し、ステップＳ６０４〜ステップＳ６１０の処理を繰り返す。

ステップＳ６１２では、変数ｔの値が０でないか否かを判定する。変数ｔの値が０でない場合には、ステップＳ６１４へ移行し、変数ｔの値が０である場合には、ステップＳ６３０へ移行する。

次に、ステップＳ６１４では、処理対象となるエージェントの行為ｋ^（ｔ）が仕事か否かを判定する。当該エージェントの行為ｋ^（ｔ）が仕事である場合には、ステップＳ６１６へ移行し、当該エージェントの行為ｋ^（ｔ）が仕事でない場合には、ステップＳ６２０へ移行する。

次に、ステップＳ６１６では、変数ｌ_ｏｆｆの値が−１であるか否かを判定する。変数ｌ_ｏｆｆの値が−１でない場合には、ステップＳ６１８へ移行し、変数ｌ_ｏｆｆの値が−１である場合には、ステップＳ６２０へ移行する。

次に、ステップＳ６１８では、処理対象となるエージェントの目的地ｌ^（ｔ）を、ステップＳ６３６において取得したｌ_ｏｆｆの値が表すメッシュとする。

ステップＳ６２０では、処理対象となるエージェントの行為ｋ^（ｔ）が学業か否かを判定する。当該エージェントの行為ｋ^（ｔ）が学業である場合には、ステップＳ６２２へ移行し、当該エージェントの行為ｋ^（ｔ）が学業でない場合には、ステップＳ６２６へ移行する。

次に、ステップＳ６２２では、変数ｌ_ｓｃｈの値が−１であるか否かを判定する。変数ｌ_ｓｃｈの値が−１でない場合には、ステップＳ６２４へ移行し、変数ｌ_ｓｃｈの値が−１である場合には、ステップＳ６２６へ移行する。

次に、ステップＳ６２４では、処理対象となるエージェントの目的地ｌ^（ｔ）を、ステップＳ６４０において取得したｌ_ｓｃｈの値が表すメッシュとする。

ステップＳ６２６では、処理対象となるエージェントの行為ｋ^（ｔ）が１時刻前の当該エージェントの行為ｋ^{（ｔ−１）}と同一か否かを判定する。行為^（ｔ）と行為^{（ｔ−１）}とが同一である場合には、ステップＳ６２８へ移行し、行為^（ｔ）と行為^{（ｔ−１）}とが同一でない場合には、ステップＳ６３２へ移行する。

ステップＳ６２８では、処理対象となるエージェントの目的地ｌ^（ｔ）を、１時刻前の処理のステップＳ６０６、ステップＳ６１８、ステップＳ６２４、ステップＳ６２８、ステップＳ６３２、又はステップＳ６３０において取得した目的地ｌ^{（ｔ−１）}の値が表すメッシュとする。

ステップＳ６３２では、ステップＳ４０６において取得した行為別目的地選択確率行列のｌ^{（ｔ−１）}番目の行ベクトルである

に従って、乱数を用いて処理対象となるエージェントの目的地ｌ^（ｔ）を決定する。

次に、ステップＳ６３４では、処理対象のエージェントについて、ステップＳ４１０において取得した当該エージェントの行為系列に基づいて取得される当該エージェントの行為ｋ^（ｔ）が仕事であるか否かを判定する。当該エージェントの行為ｋ^（ｔ）が仕事である場合には、ステップＳ６３６へ移行し、当該エージェントの行為ｋ^（ｔ）が仕事でない場合には、ステップＳ６３８へ移行する。

次に、ステップＳ６３６では、変数ｌ_ｏｆｆの値にステップＳ６３２又はステップＳ６３０において決定された目的地であるメッシュを表す値を設定する。

ステップＳ６３８では、処理対象となるエージェントについて、ステップＳ４１０において取得した行為別発生量に基づいて取得される当該エージェントの行為ｋ^（ｔ）が学業であるか否かを判定する。当該エージェントの行為ｋ^（ｔ）が学業である場合には、ステップＳ６４０へ移行し、当該エージェントの行為ｋ^（ｔ）が学業でない場合には、ステップＳ６０８へ移行する。

次に、ステップＳ６４０では、変数ｌ_ｓｃｈの値にステップＳ６３２又はステップＳ６３０において決定された目的地であるメッシュを表す値を設定する。

ステップＳ６３０では、ステップＳ６０２において取得したｌ_ｒｓｄと、ステップＳ４０６において取得した行為別目的地選択確率行列から求まる

と、に従って、乱数を用いて処理対象となるエージェントの目的地ｌ^（ｔ）を決定する。

ステップＳ６５０では、処理対象となる全てのエージェントについて処理を終了したか否かを判定する。全てのエージェントについて処理を終了した場合には、目的系列生成処理ルーチンの処理を終了し、全てのエージェントについて処理を終了していない場合には、処理対象となるエージェントを変更し、ステップＳ６００〜ステップＳ６５０までの処理を繰り返す。

以上説明したように、本発明の第１の実施の形態に係る人物動態計算システムによれば、各エリアの属性別の人口データを表す統計データに基づいて、エージェントを生成し、属性別に予め学習した行為の遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、エージェントの各々について、複数の行為の各々について予め学習した目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、エージェントの各々について生成された行為系列及び目的地系列を出力することによって、統計データに基づいて、人物の行為系列及び目的地系列を精度良く計算することができる。

また、集計データから都市内全ての人の属性や移動の目的が推定できるので、非常に低コストでリアルタイムかつ十分なサンプル数のデータを得ることができ、マーケティング、都市計画など都市内の人の活動に起因する業務のコストが大幅に低減される。

また、統計データは個々人を表す特徴は失われているものの集計値としては精度が高いと考えられることから、移動の行為系列推定と目的地選択によって構成される統計データを再現する確率モデルに従うエージェントを計算機上で生成することで、当該エージェントに付与されている情報（属性、移動目的）から属性推定ができる。

また、エージェントの数が都市内人口に等しい場合、都市内のすべての人の動きが計算機上で低コストかつ短時間で再現することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、第１の実施の形態においては、Ｄ_ｊ ^（ｋ）を、メッシュｊにおける行為ｋに関連する施設数とする場合について説明しているが、これに限定されるものではなく、メッシュの集中量（ある地区に到着するトリップの数）に比例する値であれば施設数以外の値を用いてもよい。具体的には、行為＝仕事の場合であれば、従業員数でもよいし、行為＝学業の場合であれば生徒数でもよい。また、施設分布データは、集客に比例する量であれば、施設数以外の施設の物理量を表してもよい。

次に、第２の実施の形態に係る人物動態計算システムについて説明する。

第２の実施の形態においては、行為別目的地選択確率行列を、行為別発生量と、施設分布データと、時間帯別エリア別人口データとから学習している点が第１の実施の形態と異なる。なお、第１の実施の形態に係る人物動態計算システムと同様の構成及び作用については、同一の符号を付して説明を省略する。

＜第２の実施の形態に係る人物動態計算システムの構成＞
まず、本発明の第２の実施の形態に係る人物動態計算システムの構成について説明する。本発明の第２の実施の形態に係る人物動態計算システムは、後述する確率学習装置３００と、人物動態計算装置２００とを含んで構成されている。

＜第２の実施の形態に係る確率学習装置の構成＞
次に、本発明の第２の実施の形態に係る確率学習装置３００の構成について説明する。図１０に示すように、本発明の実施の形態に係る確率学習装置３００は、ＣＰＵと、ＲＡＭと、後述する確率学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この確率学習装置３００は、機能的には図１０に示すように入力部３１０と、演算部３２０と、出力部３９０とを備えている。

入力部３１０は、属性別に１日に行為をした人物の割合を示す１日行為者率データと、パラメータβ_ｉと、属性別及び時間帯別に行為をした人物の割合を表す時間帯別行為者率データと、後述する人物動態計算装置２００における前回の処理において生成された行為系列から得られる各エリアの行為別発生量と、施設数の分布を表す施設分布データと、時間帯別エリア別人口データと、を受け付ける。

演算部３２０は、１日行為者率データ記憶部２４と、時間帯別行為者率データ記憶部２６と、行為別発生量記憶部２８と、施設分布データ記憶部３０と、時間帯別エリア別人口データ記憶部３２２と、時間帯別行為遷移確率行列学習部４０と、時間帯別行為遷移確率行列記憶部４２と、行為別目的地選択確率行列学習部３４４と、行為別目的地選択確率行列記憶部３４６とを含んで構成されている。

時間帯別エリア別人口データ記憶部３２２は、入力部３１０において受け付けた時間帯別エリア別人口データを記憶している。

行為別目的地選択確率行列学習部３４４は、行為別発生量記憶部２８に記憶されている行為別発生量と、施設分布データ記憶部３０に記憶されている施設分布データと、時間帯別エリア別人口データ記憶部３２２に記憶されている時間帯別エリア別人口データとに基づいて、行為ごとに目的地選択確率行列を学習し、学習された結果を行為別目的地選択確率行列として、行為別目的地選択確率行列記憶部３４６に記憶すると共に、出力部３９０に出力する。

行為別目的地選択確率行列を学習するには、まず、入力部３１０において受け付けた距離係数γの初期値、増分、及び終了値を設定する。次に、行為ｋごとに、距離係数γを適用して、第１の実施の形態に係る確率学習装置における行為別目的地選択確率行列学習部４４と同様に、重力モデルを用いてＸ_ｉｊ ^（ｋ）を計算する。次に、行為ｋごとに、重力モデルを用いて計算される、Ｘ_ｉｊ ^（ｋ）を用いて、第１の実施の形態に係る確率学習装置における行為別目的地選択確率行列学習部４４と同様に、目的地選択確率Ｐ_ｉｊ ^（ｋ）をエリアｉ、ｊのペアの各々について計算し、行為ごとの目的地選択確率行列とする。次に、行為ごとに、計算された目的地選択確率行列に基づいて、人物動態計算装置２００と同様のシミュレーションを行い、当該シミュレーションの結果に基づいて、時間帯別メッシュ人口を集計し、時間帯別エリア別人口データとの適合度を下記（６）式に示す適合度評価式を用いて評価する。なお、当該処理は、予め定められたγの終了値まで、γの値を増加させながら適用し、重力モデルの計算の処理、目的地選択確率行列の計算の処理、適合度の計算の処理を繰り返し実行する。

ここで、ｎ_ｌ ^（ｔ）は、エリアｌ、時間帯ｔの人口（シミュレーション値）であり、＾ｎ_ｌ ^（ｔ）の値は、エリアｌ、時間帯ｔの人口（時間帯別エリア別人口データに基づく実データ）とする。

そして、行為ごとに、上記（６）式により求まる適合度が一番高いγを用いて計算された目的地選択確率行列を当該行為についての行為別目的地選択確率行列として決定する。

行為別目的地選択確率行列記憶部３４６は、行為別目的地選択確率行列学習部３４４において学習された行為別目的地選択確率行列が記憶されている。

＜第２の実施の形態に係る確率学習装置の作用＞
次に、第１の実施の形態に係る確率学習装置３００の作用について説明する。まず、入力部３１０において１日行為者率データと、パラメータβ_ｉと、時間帯別行為者率データと、行為別発生量と、施設分布データと、時間帯別エリア別人口データとを受け付ける。そして、確率学習装置３００によって、図１１に示す確率学習処理ルーチンが実行される。

ステップＳ７００では、時間帯別エリア別人口データ記憶部３２２に記憶されている時間帯別エリア別人口データを読み込む。

ステップＳ７０２では、ステップＳ１０４において取得した行為別発生量と、ステップＳ１０６において取得した施設分布データと、ステップＳ７００において取得した時間帯別エリア別人口データとに基づいて、行為ごとに目的地選択確率行列を学習し、行為別目的地選択確率行列として行為別目的地選択確率行列記憶部３４６に記憶する。

上記ステップＳ７０２における行為別目的地選択確率行列の計算について、図１２に示す、行為別目的地選択確率行列の計算処理ルーチンにおいて詳細に説明する。

図１２のステップＳ８００では、予め一定の値が与えられている距離係数γの初期値、増分、及び終了値の設定をする。

次に、ステップＳ８０２では、予め一定の値が与えられている距離係数γの値を、ステップＳ８００において設定した初期値に設定する。

ステップＳ８０４では、処理対象となる行為ｋについて、ステップＳ３１２において取得した目的地選択確率行列を用いてシミュレーションを行う。

次に、ステップＳ８０６では、処理対象となる行為ｋについて、ステップＳ８０４において取得したシミュレーションの結果に基づいて、時間帯別メッシュ人口を取得する。

次に、ステップＳ８０８では、処理対象となる行為ｋについて、ステップＳ７００において取得した時間帯別エリア別人口データと、ステップＳ８０６において取得した時間帯別メッシュ人口とに基づいて、上記（６）式に従って、適合度を算出し、距離係数γと紐付けてメモリ（図示省略）に記憶する。

次に、ステップＳ８１０では、距離係数γの値が、ステップＳ８００において設定した距離係数γの終了値と一致しているか否かを判定する。距離係数γの値が終了値である場合には、ステップＳ８１３に移行し、距離係数γの値が終了値でない場合には、ステップＳ８１２へ移行する。

ステップＳ８１２では、距離係数γの値を、ステップＳ８００において設定した増分加算して、ステップＳ３００へ移行し、ステップＳ３００〜ステップＳ８１０の処理を繰り返す。

ステップＳ８１３では、ステップＳ８０８において取得した適合度が一番高い場合の距離係数γを選択し、選択した距離係数γを適用してステップＳ３１２において取得された目的地選択確率行列を、当該処理対象となる行為ｋの目的地選択確率行列と決定する。

以上説明したように、本発明の第２の実施の形態に係る人物動態計算システムによれば、各エリアの属性別の人口データを表す統計データに基づいて、エージェントを生成し、属性別に予め学習した行為の遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、エージェントの各々について、複数の行為の各々について予め学習した目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、エージェントの各々について生成された行為系列及び目的地系列を出力することによって、統計データに基づいて、人物の行為系列及び目的地系列を精度良く計算することができる。

次に、第３の実施の形態に係る人物動態計算装置について説明する。

第３の実施の形態においては、人物動態計算装置において、時間帯別行為遷移確率行列と、行為別目的地選択確率行列とを学習している点が第１の実施の形態と異なる。なお、第１の実施の形態に係る人物動態計算システムと同様の構成及び作用については、同一の符号を付して説明を省略する。

＜第３の実施の形態に係る人物動態計算装置の構成＞
まず、本発明の第３の実施の形態に係る人物動態計算装置４００の構成について説明する。本発明の実施の形態に係る人物動態計算装置４００は、ＣＰＵと、ＲＡＭと、後述する人物動態計算処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この人物動態計算装置４００は、機能的には図１３に示すように入力部４１０と、演算部４２０と、出力部２９０とを備えている。

入力部４１０は、属性別に１日に行為をした人物の割合を示す１日行為者率データと、パラメータβ_ｉと、属性別及び時間帯別に行為をした人物の割合を表す時間帯別行為者率データと、エリア毎の属性別人口を表す統計データであるエリア別人口データと、施設数の分布を表す施設分布データと、を受け付ける。

演算部４２０は、エリア別人口データ記憶部２２２と、１日行為者率データ記憶部２４と、時間帯別行為者率データ記憶部２６と、行為別発生量記憶部４２８と、施設分布データ記憶部３０と、時間帯別行為遷移確率行列学習部４０と、時間帯別行為遷移確率行列記憶部４２と、行為別目的地選択確率行列学習部４４４と、行為別目的地選択確率行列記憶部４６と、エージェント生成部４３０と、都市内移動データ記憶部２６０とを含んで構成されている。

エージェント生成部４３０は、エリア別人口データ記憶部２２２に記憶されているエリア別人口データと、時間帯別行為遷移確率行列記憶部４２に記憶されている属性別の時間帯行為遷移確率行列と、時間帯別行為者率データ記憶部２６に記憶されている時間帯別行為者率データと、行為別目的地選択確率行列記憶部４６に記憶されている行為別目的地選択確率行列とに基づいて、エージェントの各々についての行為系列及び目的地系列を生成し、都市内移動データ記憶部２６０に記憶すると共に、出力部２９０に出力する。また、エージェント生成部４３０は、属性生成部２３２と、行為系列生成部４３４と、目的地系列生成部２３６とを含んで構成されている。

行為系列生成部４３４は、属性生成部２３２において作成されたエージェントの各々と、時間帯別行為遷移確率行列記憶部４２に記憶されている属性別の時間帯別行為遷移確率行列と、時間帯別行為者率データ記憶部２６に記憶されている時間帯別行為者率データとに基づいて、エージェントの各々について図３のＤ１列〜ＤＴ列に示すような行為系列を生成し、エージェントごとに、ＩＤ、居住メッシュ、属性、及び行為系列を結合したデータを作成し、目的地系列生成部２３６に出力すると共に、行為別発生量記憶部４２８に記憶する。

行為別発生量記憶部４２８は、行為系列生成部４３４から入力されたデータから求められる、各エリアの行為別発生量が記憶されている。なお、ここで、行為別発生量とは、行為系列生成部４２４において生成されたエージェントの各々についての行為系列から得られるものであり、各エリアについて、居住メッシュが当該エリアであるエージェントのうち、当該行為を行うエージェントの数を表す。

行為別目的地選択確率行列学習部４４４は、行為別発生量記憶部４２８に記憶されている行為別発生量と、施設分布データ記憶部３０に記憶されている施設分布データとに基づいて、行為ごとに目的地選択確率行列を学習し、学習された結果を行為別目的地選択確率行列として、行為別目的地選択確率行列記憶部４６に記憶する。なお、行為別目的地選択確率行列は、エリアのペアの各々についてのペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率を表している。

＜第３の実施の形態に係る人物動態計算装置の作用＞
次に、第３の実施の形態に係る人物動態計算装置４００の作用について説明する。まず、入力部４１０においてエリア別人口データと、１日行為者率データと、パラメータβ_ｉと、時間帯別行為者率データと、施設分布データとを受け付ける。

そして、第３の実施の形態に係る人物動態計算装置４００において、上記図５に示す時間別行為遷移確率行列の計算処理ルーチンと同様の処理ルーチンが実行され、時間帯別行為遷移確率行列が学習される。

また、第３の実施の形態に係る人物動態計算装置４００において、上記図６に示す行為別目的地選択確率行列の計算処理ルーチンと同様の処理ルーチンが実行され、行為別目的地選択確率行列が学習される。なお、当該学習において用いられる行為別発生量は、行為別発生量記憶部４２８に記憶されている行為別発生量を用いることとする。

また、第３の実施の形態に係る人物動態計算装置４００において、上記図７に示す人物動態計算処理ルーチンと同様の処理ルーチンが実行される。なお、当該処理ルーチンにおいて用いられる時間帯別行為遷移確率行列は、時間帯別行為遷移確率行列記憶部４２に記憶されている時間帯別行為遷移確率行列を用いる。また、当該処理において用いられる行為別目的地選択確率行列は、行為別目的地選択確率行列記憶部４６に記憶されている行為別目的地選択確率行列を用いる。

以上説明したように、本発明の第３の実施の形態に係る人物動態計算装置によれば、各エリアの属性別の人口データを表す統計データに基づいて、エージェントを生成し、属性別に予め学習した行為の遷移確率に基づいて、エージェントの各々について、各時間帯の行為からなる行為系列を生成し、エージェントの各々について、複数の行為の各々について予め学習した目的地選択確率と、エージェントについて生成された行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成し、エージェントの各々について生成された行為系列及び目的地系列を出力することによって、統計データに基づいて、人物の行為系列及び目的地系列を精度良く計算することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

１０ 入力部
２０ 演算部
２４ １日行為者率データ記憶部
２６ 時間帯別行為者率データ記憶部
２８ 行為別発生量記憶部
３０ 施設分布データ記憶部
４０ 時間帯別行為遷移確率行列学習部
４２ 時間帯別行為遷移確率行列記憶部
４４ 行為別目的地選択確率行列学習部
４６ 行為別目的地選択確率行列記憶部
９０ 出力部
１００ 確率学習装置
２００ 人物動態計算装置
２１０ 入力部
２２０ 演算部
２２２ エリア別人口データ記憶部
２２４ 時間帯別行為遷移確率行列記憶部
２２６ 時間帯別行為者率データ記憶部
２２８ 行為別目的地選択確率行列記憶部
２３０ エージェント生成部
２３２ 属性生成部
２３４ 行為系列生成部
２３６ 目的地系列生成部
２６０ 都市内移動データ記憶部
２９０ 出力部
３００ 確率学習装置
３１０ 入力部
３２０ 演算部
３２２ 時間帯別エリア別人口データ記憶部
３４４ 行為別目的地選択確率行列学習部
３４６ 行為別目的地選択確率行列記憶部
３９０ 出力部
４００ 人物動態計算装置
４１０ 入力部
４２０ 演算部
４２４ 行為系列生成部
４２８ 行為別発生量記憶部
４３０ エージェント生成部
４３４ 行為系列生成部
４４４ 行為別目的地選択確率行列学習部

Claims (8)

1. 各エリアの属性別の人口データを表す統計データに基づいて、各エリアに対して、属性毎に前記属性を有する人物であって、前記エリアに居住する人物を表すエージェントを、前記エリアの前記属性の人口データに応じた数だけ生成するエージェント生成手段と、
   属性別に予め学習した、複数の行為のペアの各々についての前記ペアの一方の行為から他方の行為への遷移確率に基づいて、前記エージェント生成手段によって生成されたエージェントの各々について、各時間帯の行為からなる行為系列を生成する行為系列生成手段と、
   前記エージェント生成手段によって生成されたエージェントの各々について、前記複数の行為の各々について予め学習した、エリアのペアの各々についての前記ペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成する目的地系列生成手段と、
   前記エージェント生成手段によって生成されたエージェントの各々について、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列及び前記目的地系列生成手段によって前記エージェントについて生成された前記目的地系列を出力する出力手段と、
   を含む人物動態計算装置。
2. 前記属性、前記行為、及び前記時間帯の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、前記時間帯に前記行為をした人物の割合を表す時間帯別行為者率データと、前記属性及び前記行為の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、１日に前記行為をした人物の割合を表す１日行為者率データとに基づいて、属性別に、前記遷移確率を学習する遷移確率学習手段を更に含む請求項１記載の人物動態計算装置。
3. 予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記目的地選択確率を学習する目的地選択確率学習手段を更に含む請求項１又は２記載の人物動態計算装置。
4. 予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記モデルのパラメータの各値を適用したときの前記目的地選択確率を各々学習し、
   前記モデルのパラメータの各値を適用したときの前記目的地選択確率のうち、予め用意された、前記時間帯及び前記エリアの組み合わせの各々についての人口を表す時間帯別エリア別人口データと適合する、前記目的地選択確率を選択する目的地選択確率学習手段を更に含む請求項１又は２記載の人物動態計算装置。
5. 請求項１記載の人物動態計算装置と、
   前記属性、前記行為、及び前記時間帯の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、前記時間帯に前記行為をした人物の割合を表す時間帯別行為者率データと、前記属性及び前記行為の組み合わせ毎に予め用意された、前記属性を有する人物のうちの、１日に前記行為をした人物の割合を表す１日行為者率データとに基づいて、属性別に、前記遷移確率を学習する遷移確率学習手段を含む確率学習装置と、
   を含む、人物動態計算システム。
6. 請求項１記載の人物動態計算装置と、
   予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記目的地選択確率を学習する目的地選択確率学習手段を含む確率学習装置と、
   を含む、人物動態計算システム。
7. 請求項１記載の人物動態計算装置と、
   予め用意された、各エリアにおいて各行為に関連する施設の物理量を表す施設分布データと、前記行為系列生成手段によって前記エージェントの各々について生成された前記行為系列に基づいて前記エリア及び前記行為の組み合わせについて求められる、前記エリアに居住している人物のうち、前記行為を行う人数とに基づいて、前記複数の行為の各々について、前記行為を行った人物がエリアのペアの一方から他方へ移動する人数をモデル化したモデルを用いて、前記モデルのパラメータの各値を適用したときの前記目的地選択確率を各々学習し、
   前記モデルのパラメータの各値を適用したときの前記目的地選択確率のうち、予め用意された、前記時間帯及び前記エリアの組み合わせの各々についての人口を表す時間帯別エリア別人口データと適合する、前記目的地選択確率を選択する目的地選択確率学習手段を含む確率学習装置と、
   を含む、人物動態計算システム。
8. コンピュータを、
   各エリアの属性別の人口データを表す統計データに基づいて、各エリアに対して、属性毎に前記属性を有する人物であって、前記エリアに居住する人物を表すエージェントを、前記エリアの前記属性の人口データに応じた数だけ生成するエージェント生成手段、
   属性別に予め学習した、複数の行為のペアの各々についての前記ペアの一方の行為から他方の行為への遷移確率に基づいて、前記エージェント生成手段によって生成されたエージェントの各々について、各時間帯の行為からなる行為系列を生成する行為系列生成手段、
   前記エージェント生成手段によって生成されたエージェントの各々について、前記複数の行為の各々について予め学習した、エリアのペアの各々についての前記ペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成する目的地系列生成手段、及び
   前記エージェント生成手段によって生成されたエージェントの各々について、前記行為系列生成手段によって前記エージェントについて生成された前記行為系列及び前記目的地系列生成手段によって前記エージェントについて生成された前記目的地系列を出力する出力手段、
   として機能させるためのプログラム。