JP2016110360A - 混雑予測装置、混雑予測システム、及び混雑予測方法 - Google Patents

Abstract

【課題】混雑予測を行う対象である予測対象エリアを適切に選別する。【解決手段】エリアＡごとかつサブ期間ごとの過去の混雑度を取得する。取得された混雑度の各々を２以上のカテゴリの少なくともいずれかに分類する。分類された混雑度を、エリアＡごとかつカテゴリごとに集計して混雑度集計値を取得する。集計された混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアＡである予測対象エリアＴＡを選別する。選別された予測対象エリアＴＡの各々について、混雑予測モデルを生成する。【選択図】図５

Description

本発明は、混雑予測装置、混雑予測システム、及び混雑予測方法に関する。

移動体通信事業者（いわゆるネットワークオペレータ）は、データ通信・音声通話等の無線通信サービスを提供するために、各種移動体（例えば、携帯電話端末）の位置情報を有している。以上の位置情報を用いて、観測エリア内に存在する人口を推計する技術が提案されている（例えば、特許文献１）。

人口推計は様々に応用される。例えば、短期的な人口推計によりエリア（例えば、地域メッシュ）ごとの混雑度が予測され、ユーザの行動決定（例えば、外出すべきか否かの決定）に役立てられる。また、長期的な人口推計によりエリアごとの将来人口の推移が予測され、都市計画や出店計画などに活用される。

国際公開第２０１２／１０５５１６号

過去の人口推計の結果を用いた時系列データの解析に基づいて将来の人口を予測する場合、一般的に、複数の予測モデルを生成した後に適切な予測モデルを選択し、選択された予測モデルを用いて実際の予測処理を行う手法が採用される。

以上の予測においては、予測モデルを生成する際の演算負荷が特に高い。したがって、より短い時間内に予測結果を出すことが求められる短期的な人口（混雑度）の推計を行う際には、全てのエリアを予測対象とすることが困難である。

以上の課題に関して、居住者が多いエリアと観光スポット等のＰＯＩ（Point Of Interest）が存在するエリアとを予測対象とすることも可能である。しかしながら、そのような静的なエリア選別を採用すると、本来予測すべきエリア（混雑が生じる可能性が高いエリア）が予測対象から漏れる可能性がある。

以上の事情を考慮して、本発明は、混雑予測を行う対象である予測対象エリアを適切に選別することにより、混雑予測の精度を維持しつつ演算量を低減することを目的とする。

本発明の混雑予測装置は、エリアごとかつサブ期間ごとの過去の混雑度を取得する混雑度取得部と、取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類する混雑度分類部と、分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得する混雑度集計部と、前記混雑度集計部が集計した前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別するエリア選別部と、前記エリア選別部が選別した前記予測対象エリアの各々について、混雑予測モデルを生成するモデル生成部とを備える。

本発明の混雑予測システムは、エリアごとかつサブ期間ごとの過去の混雑度を取得する混雑度取得部と、取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類する混雑度分類部と、分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得する混雑度集計部と、前記混雑度集計部が集計した前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別するエリア選別部と、前記エリア選別部が選別した前記予測対象エリアの各々について、混雑予測モデルを生成するモデル生成部とを備える。

本発明の混雑予測方法は、エリアごとかつサブ期間ごとの過去の混雑度を取得することと、取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類することと、分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得することと、集計された前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別することと、選別された前記予測対象エリアの各々について、混雑予測モデルを生成することとを備える。

本発明により、混雑予測を行う対象である予測対象エリアが適切に選別される。結果として、混雑予測の精度が維持されつつ演算量が低減される。

実施形態に係る混雑予測サーバと、混雑予測サーバに関連するコンピュータ装置とを示す図である。 実施形態のサーバの物理構成ブロック図である。 実施形態のクライアント端末の物理構成ブロック図である。 実施形態の混雑予測サーバの論理構成ブロック図である。 実施形態の予測対象エリア選別動作を示すフローチャートである。 実施形態の時間帯別混雑度の一例を示す図である。 実施形態の日別平均混雑度の一例を示す図である。 実施形態の混雑度集計値の一例を示す図である。

以下、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。

１． 実施形態
１（１）． 構成概略
図１を参照して、本発明の実施形態に係る混雑予測サーバＰＳと、混雑予測サーバＰＳに関係するコンピュータ装置とを概略的に示す。本実施形態のコンピュータ装置は、所定のプロトコル（ＴＣＰ／ＩＰ等）に従って通信を実行する。

混雑予測サーバＰＳは、位置情報サーバＬＳから提供されるユーザ（携帯端末）の位置情報ＬＩを時系列的に解析することにより、混雑度予測を実行すべきエリアＡである予測対象エリアＴＡを選別し、選別された予測対象エリアＴＡの各々について混雑度予測を実行する。混雑予測サーバＰＳは、混雑度予測の結果をクライアント端末ＣＬに提示する。

本実施形態における混雑度予測の時間的単位は、予測対象期間（例えば、翌日以降の１週間）に含まれるサブ期間（例えば、１日または１時間）である。予測対象期間は、デフォルト値として予め定められていてもよいし、クライアント端末ＣＬからの要求に基づいて動的に設定されてもよい。混雑度予測の地理的単位は、エリアＡである。本実施形態において、エリアＡは、緯度及び経度に基づいて格子状に分割された矩形領域（メッシュ）である。以上のメッシュは、日本国の総務省統計局が提供する標準地域メッシュ（例えば、４分の１地域メッシュ）であってもよいし、他の手法により画定されたメッシュであってもよい。

イベント情報サーバＥＳは、日時と場所を指定して開催される各種のイベントに関するイベント情報ＥＩを記憶し、記憶されているイベント情報ＥＩを混雑予測サーバＰＳに提供する。イベント情報ＥＩは、イベント名称、開催場所（緯度・経度）、および開催日時を少なくとも含む。イベント情報ＥＩは、予測対象エリアＴＡの選別に用いられ得る。

ブログサーバＢＳは、ユーザ端末（たとえば、スマートフォン）からの投稿情報ＰＩを受信して記憶すると共に、記憶されている投稿情報ＰＩを混雑予測サーバＰＳに提供する。本実施形態において、投稿情報ＰＩは、イベント情報ＥＩを抽出するのに用いられる。

以下、投稿情報ＰＩの例を非限定的に列挙する。
−マイクロブログサービス（例えば、Ｔｗｉｔｔｅｒ［登録商標］）における１４０文字以下の短文投稿（例えば、ツイート［登録商標］）
−ブログ（ウェブログ）サービスにおける日記や寸評等の投稿
−ソーシャルネットワーキングサービス（ＳＮＳ）におけるステータス投稿

１（２）． 物理的構成
１（２）−１． サーバ装置の構成
図２は、混雑予測サーバＰＳを始めとする本実施形態の各サーバ装置の物理的構成を示すブロック図である。各サーバ装置（ＢＳ，ＥＳ，ＬＳ，ＰＳ）は、ネットワークインタフェース１０と入力部１２と出力部１４とＣＰＵ（Central Processing Unit）１６とＲＡＭ（Random Access Memory）１８とＲＯＭ（Read Only Memory）２０とＨＤＤ（Hard Disk Drive）２２とを備える。

ネットワークインタフェース１０は、ネットワークを介して他のコンピュータ装置と通信を実行する。入力部１２は、キーボード等の入力装置からの入力信号を受け付ける。出力部１４は、ディスプレイ等の出力装置に対して出力信号を送信する。ＣＰＵ１６は、主記憶装置であるＲＡＭ１８及びＲＯＭ２０に記憶されているプログラムを実行することにより種々の制御及び演算を行う。ＨＤＤ２２は、ＲＡＭ１８上に展開可能なプログラム及びデータを記憶する補助記憶装置である。なお、ＨＤＤ２２に代えて又は加えてＳＳＤ（Solid State Drive）等の記憶媒体が採用されてもよい。

当業者が当然に理解する通り、１つのサーバが複数のコンピュータ装置によって構成されてもよいし、１つのコンピュータ装置が仮想化された複数のサーバを備えてもよい。

１（２）−２． クライアント端末の構成
図３は、本実施形態のクライアント端末ＣＬの物理的構成を示すブロック図である。クライアント端末ＣＬは、ネットワークインタフェース３０と入力部３２と出力部３４とＣＰＵ３６とＲＡＭ３８とＲＯＭ４０とＨＤＤ４２とを備える。以上の各要素は、各サーバが備える、図２を参照して説明された要素と同様の構成を有する。なお、クライアント端末は、位置情報サーバＬＳへ位置情報を提供する携帯端末であってもよいし、一般的なパーソナルコンピュータであってもよい。

１（３）． 論理的構成
１（３）−１． 混雑予測サーバの構成
図４は、混雑予測サーバＰＳの論理的構成を示すブロック図である。混雑予測サーバＰＳは、混雑度取得部９０と混雑度分類部１００と混雑度集計部１１０とエリア選別部１２０とモデル生成部１３０と予測値算定部１４０とを備える。また、混雑予測サーバＰＳは、後述される種々の論理テーブルを備える。

混雑度取得部９０は、位置情報サーバＬＳから提供される位置情報ＬＩに基づいて、エリアＡごとかつサブ期間ごとに過去の混雑度を取得する。サブ期間の単位は任意であり、例えば、１日（暦日）または１時間である。サブ期間の単位に「日」を採用する場合、夜間および早朝には大多数の人間が在宅していることに鑑み、昼間平均人口または昼間最大人口を混雑度として採用してもよい。

混雑度分類部１００は、取得された混雑度の各々を、２以上のカテゴリの少なくともいずれかに分類する。分類のためのカテゴリとして、サブ期間の単位が「日」である場合には、平日／休日、雨天日／非雨天日（晴天日及び曇天日を含む日）、特異日（何らかの理由により極端に混雑する日）／通常日、イベント日／非イベント日、などが例示される。

なお、カテゴリはエリアＡごとに設定され得る。カテゴリの種別によっては、同じサブ期間において、異なるカテゴリに属するエリアＡが存在する場合がある。例えば、同一の日において、雨天日であるエリアＡと非雨天日である別のエリアＡとが併存し得る。

混雑度集計部１１０は、分類された混雑度を、エリアＡごとかつカテゴリごとに集計して混雑度集計値を取得する。混雑度集計値として、任意の値が採用され得る。例えば、カテゴリとして「平日／休日」が採用される場合には、平日の平均混雑度又は最大混雑度、及び休日の平均混雑度又は最大混雑度が、混雑度集計値として採用され得る。

エリア選別部１２０は、混雑度集計部１１０が集計した混雑度集計値に基づいて、予測対象エリアＴＡを選別する。予測対象エリアＴＡは、予測対象期間において混雑度予測を実行すべきエリアＡ（すなわち、混雑予測モデルを生成すべきエリアＡ）である。エリア選別処理の詳細については後述される。

モデル生成部１３０は、エリア選別部１２０が選別した予測対象エリアＴＡの各々について、混雑予測モデルを生成する。以上の生成処理において、任意の混雑予測モデルが採用され得る。

例えば、自己回帰モデル（autoregressive (AR) model）、移動平均モデル（moving average (MA) model）、自己回帰移動平均モデル（autoregressive moving average (ARMA) model）、自己回帰和分移動平均モデル（autoregressive integrated moving average (ARIMA) model）、季節的自己回帰和分移動平均モデル（seasonal autoregressive integrated moving average (SARIMA) model）、ＳＡＲＩＭＡＸモデル（SARIMA model with exogenous variables）、等の公知のモデルが採用され得る。なお、１つの予測対象エリアＴＡについて、複数の混雑予測モデルが生成されると好適である。

予測値算定部１４０は、モデル生成部１３０が生成した混雑予測モデルを用いて、混雑度の予測値を算定する。複数の混雑予測モデルが生成されている場合は、より精度が高いと予想されるモデルを選択して予測値を算定すると好適である。

以上の機能ブロックは、混雑予測サーバＰＳの主記憶装置に記憶されているコンピュータプログラムを、ＣＰＵ１６が実行することにより実現される。また、論理テーブルは、複数のテーブルが所定の関係（リレーション）に基づいて連結される関係データベースの構成要素である。関係データベースは、不揮発性メモリであるＨＤＤ２２にデータが記憶されるオンディスクデータベースで実装されてもよいし、揮発性メモリであるＲＡＭ１８にデータが記憶されるインメモリデータベースで実装されてもよい。

１（４）． 予測対象エリア選別動作
本実施形態の予測対象エリア選別動作の一例を以下に説明する。図５は、予測対象エリア選別動作を示すフローチャートである。本例では、サブ期間の単位として「日（暦日）」が採用され、混雑度を分類するカテゴリ（第１カテゴリ日および第２カテゴリ日）として「休日」及び「平日」が採用される。

混雑度取得部９０は、位置情報サーバＬＳから提供される位置情報ＬＩに基づいて、エリアＡごとの時間帯別混雑度を取得する（S1010）。図６は、取得された時間帯別混雑度の一例を示す図である。あるエリアＡの時間帯別混雑度は、例えば、その時間帯に、そのエリアＡに存在したことのある携帯端末の合計数で示される。なお、時間帯別混雑度の算定対象と扱われるために必要な最短滞在時間（例えば、１０分）が設定されてもよい。本実施形態において、時間帯別混雑度の取得対象となる期間は、予測対象期間の直前に到来した所定期間（例えば、直前４週間）である。

混雑度取得部９０は、取得された時間帯別混雑度に基づいて、エリアＡごとの日別平均混雑度（すなわち、エリアＡごとかつサブ期間ごとの過去の混雑度）を取得する（S1020）。図７は、取得された日別平均混雑度の一例を示す図である。なお、日別の平均混雑度に代えて、日別の最大混雑度が取得されてもよい。また、日別の昼間平均混雑度、又は日別の昼間最大混雑度が取得されてもよい。

混雑度分類部１００は、エリアＡごとの日別平均混雑度の各々をカテゴリに分類する（S1030）。すなわち、混雑度分類部１００は、取得されたエリアＡごとの日別平均混雑度の各々に対し、分類されるべきカテゴリを示すカテゴリ情報（本例では「休日」又は「平日」）を付与する。カテゴリ情報は、任意の手法により付与される。例えば、混雑度分類部１００が、日付とカテゴリ情報とが対応付けられた混雑予測サーバＰＳ内のテーブル（カレンダーテーブル）を参照して、日別平均混雑度の各々にカテゴリ情報を付与すると好適である。

混雑度集計部１１０は、混雑度分類部１００が分類した日別平均混雑度を、エリアＡごとかつカテゴリごとに集計して平均混雑度（混雑度集計値）を取得する（S1040）。図８は、集計された混雑度集計値の一例を示す図である。より具体的には、混雑度集計部１１０は、各エリアＡについて、「休日」に分類された日別平均混雑度を平均して休日平均混雑度（休日混雑度集計値）を取得すると共に、「平日」に分類された日別平均混雑度を平均して平日平均混雑度（平日混雑度集計値）を取得する。

エリア選別部１２０は、混雑度集計部１１０が集計した混雑度集計値に基づいて、予測対象エリアＴＡを選別する（S1050）。例えば、エリア選別部１２０は、予測対象期間に「休日」（第１カテゴリ日）が含まれる場合、休日混雑度集計値の平日混雑度集計値に対する比（休日混雑度集計値／平日混雑度集計値）が第１閾値を上回るエリアＡを、予測対象エリアＴＡとして選別すると好適である。以上の選別処理により、平日よりも休日の方が混雑するエリアＡが、予測対象エリアＴＡとして選別される。

エリア選別部１２０は、以上のステップS1050において、第１閾値を用いた以上の選別処理を行う代わりに、休日混雑度集計値の平日混雑度集計値に対する比（休日混雑度集計値／平日混雑度集計値）を降順にソートした場合に第１順序以上となるエリアＡ（上位第１順序までのエリアＡ）を予測対象エリアＴＡとして選別してもよい。

なお、ステップS1050において「平日」を第１カテゴリ日として扱い、同様の処理を行うことも可能である。また、予測対象期間に「休日」及び「平日」の双方が含まれる場合には、「休日」及び「平日」のそれぞれについてステップS1050の選別処理を行うことが可能である。すなわち、平日よりも休日の方が混雑するエリアＡと、休日よりも平日の方が混雑するエリアＡとの双方が、予測対象エリアＴＡとして選別されてもよい。以上の第１閾値または第１順序に基づく選別処理は、全国的に（すなわち、全てのエリアＡを対象として）行われてもよいし、都道府県ごとに行われてもよい。

ステップS1050において、休日混雑度集計値又は平日混雑度集計値のいずれかが小さい場合に、実際にはそれ程混雑していないにも関わらず比の値が大きくなり、予測対象エリアＴＡに選別されてしまうケースが想定される。以上のケースを回避するため、エリア選別部１２０が、休日混雑度集計値（すなわち、第１カテゴリ日の混雑度集計値）と平日混雑度集計値（すなわち、第２カテゴリ日の混雑度集計値）との少なくともいずれかが切捨て閾値（カットオフ閾値）を上回るエリアＡを、ステップS1050における予測対象エリアＴＡの選別処理の対象とすると好適である。

以上の予測対象エリア選別動作は、例えば、疎な間隔（例えば、１週間に１回、または１日に１回）にて実行されると好適である。また、以上の予測対象エリア選別動作に次いで、モデル生成部１３０が混雑予測モデルを生成すると好適である。

なお、予測値算定部１４０は、予測対象エリア選別動作よりも密な間隔（例えば、１時間に１回）で予測値を算定すると好適である。予測値の算定はモデル生成と比較して演算負荷が低いからであり、また、高頻度に予測値を算定することでより適時な混雑予測情報がユーザに提供されるからである。

１（５）． 本実施形態の効果
以上の本実施形態の構成によれば、混雑予測を行う対象である予測対象エリアＴＡが適切に選別される。すなわち、過去の混雑度を示す混雑度集計値に基づいて、演算負荷の高い予測モデル生成の対象となる予測対象エリアＴＡが選別される。したがって、混雑度集計値に基づくエリア選別によって混雑予測の精度が維持されつつ、予測モデル生成に必要な演算量が低減される。

２． 変形例
以上の実施形態は多様に変形される。具体的な変形の態様を以下に例示する。以上の実施の形態および以下の例示から任意に選択された２以上の態様は、相互に矛盾しない限り適宜に併合され得る。

２（１）． 変形例１
以上の実施形態では、混雑度を分類するカテゴリ（第１カテゴリ日および第２カテゴリ日）として、「休日」及び「平日」が採用される。同様に、カテゴリとして「雨天日」及び「非雨天日」も採用可能である。以上の場合、混雑度分類部１００は、ステップS1030において、日付とエリアＡと降雨実績とが対応付けられた降雨実績テーブルを参照して、日別平均混雑度の各々にカテゴリ情報（「雨天日」又は「非雨天日」）を付与すると好適である。

なお、本例において、予測対象期間に「雨天日」又は「非雨天日」が含まれるか否かは、例えば、日付とエリアＡと降雨情報とが対応付けられた降雨情報テーブルに基づいて判定される。降雨情報テーブルは、外部サーバから降雨情報を取得して記憶しているテーブルである。

２（２）． 変形例２
以上の実施形態では、第１カテゴリ日（例えば「休日」）の混雑度集計値と第２カテゴリ日（例えば「平日」）の混雑度集計値との比に基づいて、予測対象エリアＴＡが選別される（S1050）。以上の選別処理に代えて、いずれかの混雑度集計値のみに基づいて予測対象エリアＴＡが選別されてもよい。

例えば、エリア選別部１２０は、予測対象期間に第１カテゴリ日が含まれる場合、第１カテゴリ日の混雑度集計値が第２閾値を上回るエリアＡを予測対象エリアＴＡとして選別してもよい。極端な混雑度の増大を検出するためには、第２閾値が、第１カテゴリ日の混雑度集計値の標準偏差のＮ倍（例えば、５倍）であると好適である。

また、エリア選別部１２０は、予測対象期間に第１カテゴリ日が含まれる場合、第１カテゴリ日の混雑度集計値をソートした場合に第２順位以上となるエリアＡを予測対象エリアＴＡとして選別してもよい。

２（３）． 変形例３
過去の特定の日（特定過去日）に混雑が生じたエリアＡが存在する場合であって、その特定過去日に応答する応答日（例えば、特定過去日の１年後の日）が予測対象期間に含まれるとき、エリア選別部１２０は、そのエリアＡを予測対象エリアＴＡとして選別してもよい。特定過去日にあるエリアＡで混雑が生じたか否かは、その特定過去日におけるそのエリアＡの混雑度が閾値（第３閾値）を上回るか否かによって判定されると好適である。

本変形例は、１年ごとに開催される花火大会のような大規模イベントや、１ヶ月ごとに開催される特売日のような小規模イベントなどを想定している。そのため、応当日は、特定過去日に開催された個々のイベントの性質に対応して様々に設定され得る。例えば、応当日は、「特定過去日の１年後の日に最も近い特定過去日と同じ曜日の日」であってもよいし、「特定過去日（例えば、１０月２９日）の翌月の同一日（例えば、１１月２９日）」であってもよい。

２（４）． 変形例４
以上の実施形態において、サブ期間の単位が「日」以外の構成も採用可能である。例えば、前述の通り、サブ期間の単位が「時（１時間）」であってもよい。サブ期間の単位が「日」以外である場合、混雑度も「日」以外の単位でカテゴリに分類される。例えば、サブ期間ごとの混雑度が、平日期間（平日に含まれる期間）／休日期間（休日に含まれる期間）のいずれかのカテゴリに分類される。他に、サブ期間に対応するカテゴリとして、雨天期間／非雨天期間、特異期間（何らかの理由により極端に混雑する期間）／通常期間、イベント期間（イベントが開催されている期間）／非イベント期間、等が例示される。

本変形例を踏まえると、実施形態におけるカテゴリである「第１カテゴリ日」及び「第２カテゴリ日」は、「第１種サブ期間に対応する第１カテゴリ」及び「第２種サブ期間に対応する第２カテゴリ」と一般的に表現され得る。「第１種サブ期間」は、例えば休日期間であり、「第２種サブ期間」は、例えば平日期間である。

なお、「日」以外、例えば「時」単位で混雑度をカテゴリに分類する本変形例の構成においては、時間帯に依存して生じる混雑度の変動の影響を排除すると好適である。例えば、混雑度集計部１１０が混雑度を集計する際、予測対象期間に含まれる同一の時間区間（例えば、１３時から１５時）を対象として（すなわち、層別に）集計を実行し、混雑度集計値を取得すると好適である。また、混雑度集計部１１０が混雑度を集計するのに先立ち、季節調整（seasonal adjustment）を行って混雑度の変動の影響を排除してもよい。

２（５）． 変形例５
エリア選別部１２０は、予測対象期間においてイベントが開催されるエリアＡが存在する場合、そのエリアＡを予測対象エリアＴＡとして選別（追加）してもよい。以上の動作は、イベント情報サーバＥＳから提供されるイベント情報ＥＩに基づいて行われると好適である。前述の通り、イベント情報ＥＩは、イベント名称、開催場所（緯度・経度）、および開催日時を少なくとも含む。

また、イベント情報ＥＩは、ブログサーバＢＳに投稿された投稿情報ＰＩから抽出されてもよい。イベント情報ＥＩの抽出手法は任意である。例えば、複数の投稿情報ＰＩに対して形態素解析を行い取得された語句（形態素）からイベント情報ＥＩが抽出され得る。取得された単語（形態素）の解析には、条件付き確率場（Conditional Random Field, ＣＲＦ）やサポートベクタマシン（Support Vector Machine, ＳＶＭ）などの機械学習が採用されると好適である。

なお、予測対象期間において開催されるイベントと同一名称かつ同一開催場所のイベントが過去にも開催されている場合、前述の実施形態と同様の手法にてイベントの有無による混雑度の押上げ効果があるか否かを判定し、押上げ効果があると判定されたときに、そのイベントに対応するエリアＡを予測対象エリアＴＡとして選別（追加）してもよい。以上の構成によれば、混雑度に対する影響の少ないイベントが開催されるエリアＡを予測対象エリアＴＡから除外することが可能である。

２（６）． 変形例６
エリア選別部１２０は、以上の実施形態の条件に加えて、任意の条件を付加して予測対象エリアＴＡを選別することができる。例えば、ＰＯＩを含むエリアＡのみを予測対象エリアＴＡの選別処理の対象としてもよい。

２（７）． 変形例７
エリア選別部１２０は、以上の実施形態及び変形例に説明された複数の条件を組み合わせて、予測対象エリアＴＡを選別してもよい。例えば、エリアＡごとに、各条件に基づいて算定された指標にそれぞれ重み付け係数を乗算し合算した線形結合値と閾値とを比較して、予測対象エリアＴＡとすべきか否かを判定してもよい。

２（８）． 変形例８
以上の実施形態では、１つの装置である混雑予測サーバＰＳが、予測対象エリアの選別動作及び後続動作（モデル生成等）を実行する。しかしながら、複数の装置によって構成される混雑予測システムが、予測対象エリアの選別動作及び後続動作を実行してもよい。例えば、混雑度取得部９０、混雑度分類部１００、混雑度集計部１１０、エリア選別部１２０、モデル生成部１３０、及び予測値算定部１４０が、２以上のサーバ装置を含むシステムによって実装されてもよい。

２（９）． 変形例９
コンピュータ装置、特に、混雑予測サーバＰＳにおいてＣＰＵが実行する各機能は、ＦＰＧＡ（Field Programmable Gate Array）またはＤＳＰ（Digital Signal Processor）等のプログラマブルロジックデバイスで実行されてもよい。

１０……ネットワークインタフェース，１２……入力部，１４……出力部，１６……ＣＰＵ，１８……ＲＡＭ，２０……ＲＯＭ，２２……ＨＤＤ，３０……ネットワークインタフェース，３２……入力部，３４……出力部，３６……ＣＰＵ，３８……ＲＡＭ，４０……ＲＯＭ，４２……ＨＤＤ，９０……混雑度取得部，１００……混雑度分類部，１１０……混雑度集計部，１２０……エリア選別部，１３０……モデル生成部，１４０……予測値算定部，Ａ……エリア，ＢＳ……ブログサーバ，ＣＬ……クライアント端末，ＥＩ……イベント情報，ＥＳ……イベント情報サーバ，ＬＩ……位置情報，ＬＳ……位置情報サーバ，ＰＩ……投稿情報，ＰＳ……混雑予測サーバ，ＴＡ……予測対象エリア。

Claims (10)

1. エリアごとかつサブ期間ごとの過去の混雑度を取得する混雑度取得部と、
   取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類する混雑度分類部と、
   分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得する混雑度集計部と、
   前記混雑度集計部が集計した前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別するエリア選別部と、
   前記エリア選別部が選別した前記予測対象エリアの各々について、混雑予測モデルを生成するモデル生成部と
   を備える混雑予測装置。
2. 前記カテゴリは第１種サブ期間に対応する第１カテゴリ及び第２種サブ期間に対応する第２カテゴリを含み、
   前記エリア選別部は、
   前記予測対象期間に前記第１種サブ期間が含まれる場合、前記第１カテゴリの混雑度集計値と前記第２カテゴリの混雑度集計値との比が第１閾値を上回るエリアを前記予測対象エリアとして選別する
   請求項１の混雑予測装置。
3. 前記カテゴリは第１種サブ期間に対応する第１カテゴリ及び第２種サブ期間に対応する第２カテゴリを含み、
   前記エリア選別部は、
   前記予測対象期間に前記第１種サブ期間が含まれる場合、前記第１カテゴリの混雑度集計値と前記第２カテゴリの混雑度集計値との比をソートした場合に第１順位以上となるエリアを前記予測対象エリアとして選別する
   請求項１の混雑予測装置。
4. 前記エリア選別部は、
   前記第１カテゴリの前記混雑度集計値と前記第２カテゴリの前記混雑度集計値との少なくともいずれかが切捨て閾値を上回るエリアを、前記予測対象エリアの選別処理の対象とする
   請求項２または３の混雑予測装置。
5. 前記カテゴリは第１種サブ期間に対応する第１カテゴリを含み、
   前記エリア選別部は、
   前記予測対象期間に前記第１種サブ期間が含まれる場合、前記第１カテゴリの混雑度集計値が第２閾値を上回るエリアを前記予測対象エリアとして選別する
   請求項１の混雑予測装置。
6. 前記カテゴリは第１種サブ期間に対応する第１カテゴリを含み、
   前記エリア選別部は、
   前記予測対象期間に前記第１種サブ期間が含まれる場合、前記第１カテゴリの混雑度集計値をソートした場合に第２順位以上となるエリアを前記予測対象エリアとして選別する
   請求項１の混雑予測装置。
7. 前記エリア選別部は、
   特定過去期間において混雑度が第３閾値を上回るエリアが存在する場合であって、当該特定過去期間に応当する期間が前記予測対象期間に含まれる場合、当該エリアを前記予測対象エリアとして選別する
   請求項１から請求項６のいずれかの混雑予測装置。
8. 前記エリア選別部は、
   前記予測対象期間においてイベントが開催されるエリアが存在する場合、当該エリアを前記予測対象エリアとして選別する
   請求項１から請求項６のいずれかの混雑予測装置。
9. エリアごとかつサブ期間ごとの過去の混雑度を取得する混雑度取得部と、
   取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類する混雑度分類部と、
   分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得する混雑度集計部と、
   前記混雑度集計部が集計した前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別するエリア選別部と、
   前記エリア選別部が選別した前記予測対象エリアの各々について、混雑予測モデルを生成するモデル生成部と
   を備える混雑予測システム。
10. エリアごとかつサブ期間ごとの過去の混雑度を取得することと、
    取得された前記混雑度の各々を２以上のカテゴリの少なくともいずれかに分類することと、
    分類された前記混雑度を、前記エリアごとかつ前記カテゴリごとに集計して混雑度集計値を取得することと、
    集計された前記混雑度集計値に基づいて、予測対象期間において混雑度予測を実行すべきエリアである予測対象エリアを選別することと、
    選別された前記予測対象エリアの各々について、混雑予測モデルを生成することと
    を備える混雑予測方法。
    

Images