JP2017049954A - Estimation device, estimation method and program - Google Patents
Estimation device, estimation method and program Download PDFInfo
- Publication number
- JP2017049954A JP2017049954A JP2015175085A JP2015175085A JP2017049954A JP 2017049954 A JP2017049954 A JP 2017049954A JP 2015175085 A JP2015175085 A JP 2015175085A JP 2015175085 A JP2015175085 A JP 2015175085A JP 2017049954 A JP2017049954 A JP 2017049954A
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- agents
- agent
- information
- rearrangement
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 43
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 230000008707 rearrangement Effects 0.000 claims abstract description 27
- 239000002245 particle Substances 0.000 claims description 27
- 230000010365 information processing Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 90
- 238000012545 processing Methods 0.000 description 28
- 230000006399 behavior Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、推定技術に関する。 The present invention relates to an estimation technique.
従来、様々なシミュレーション技術が知られている。例えば、特許文献１には、低次元シミュレーションについての技術が開示されている。特許文献１には、低次元シミュレーションを高精度で行うための熱流体シミュレーション装置について開示されている。 Conventionally, various simulation techniques are known. For example, Patent Document 1 discloses a technique for low-dimensional simulation. Patent Document 1 discloses a thermal fluid simulation apparatus for performing low-dimensional simulation with high accuracy.
しかしながら、上記の従来技術では、シミュレーションの精度には限界があり、より高い精度で行うことが可能な技術が望まれている。 However, in the above-described conventional technology, there is a limit to the accuracy of simulation, and a technology that can be performed with higher accuracy is desired.
本発明は、上記に鑑みてなされたものである。本発明の目的は、より高い精度でシミュレーションを行うことが可能な技術を提供することにある。 The present invention has been made in view of the above. An object of the present invention is to provide a technique capable of performing simulation with higher accuracy.
本発明における推定装置は、少なくともエージェントの初期位置の情報に基づいて、対象エリアにおけるエージェントの分布の情報を含むシミュレーション結果を出力するシミュレーション手段と、前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行う再配置手段と、前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報を出力する出力手段とを備える。 The estimation apparatus according to the present invention includes a simulation unit that outputs a simulation result including information on an agent distribution in a target area based on at least information on an initial position of the agent, and an agent based on an observation result of the agent distribution in the simulation result. A rearrangement unit that performs data assimilation by rearranging under the constraint of minimizing a total value of the movement distance by the rearrangement, and a rearrangement unit that performs the data assimilation Output means for outputting information on the distribution of agents in the target area estimated based on the distribution of agents.
本発明における推定方法は、制御部を備える情報処理装置により実施される方法であって、前記制御部が、少なくともエージェントの初期位置の情報に基づいて、対象エリアにおけるエージェントの分布の情報を含むシミュレーション結果を出力すること、前記制御部が、前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行うこと、前記制御部が、前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報を出力することとを備える。 The estimation method according to the present invention is a method implemented by an information processing apparatus including a control unit, wherein the control unit includes information on distribution of agents in a target area based on at least information on initial positions of agents. Outputting a result, wherein the control unit rearranges the agent distribution in the simulation result so as to be close to the agent distribution based on the observation result, and minimizes the total value of the movement distance by the rearrangement Performing data assimilation by rearranging under the restriction of performing, and outputting the information of the distribution of agents in the target area estimated based on the distribution of agents after the rearrangement Prepare.
本発明におけるプログラムは、コンピュータを、少なくともエージェントの初期位置の情報に基づいて、対象エリアにおけるエージェントの分布の情報を含むシミュレーション結果を出力するシミュレーション手段、前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行う再配置手段、前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報を出力する出力手段、として機能させる。 The program according to the present invention is a simulation means for outputting a simulation result including information on the distribution of agents in the target area based on at least the information on the initial position of the agent based on the observation result of the distribution of agents in the simulation result. Relocation means for performing data assimilation by rearranging under the constraint of minimizing the total value of the travel distance by the rearrangement, the rearrangement means for rearranging to approach the agent distribution, It functions as an output means for outputting information on the distribution of agents in the target area estimated based on the distribution of agents.
また、本発明のプログラムは、ＣＤ−ＲＯＭ等の光学ディスク、磁気ディスク、半導体メモリなどの各種の記録媒体を通じて、又は通信ネットワークなどを介してダウンロードすることにより、コンピュータにインストール又はロードすることができる。 The program of the present invention can be installed or loaded on a computer through various recording media such as an optical disk such as a CD-ROM, a magnetic disk, and a semiconductor memory, or via a communication network. .
本発明によれば、より高い精度でシミュレーションを行うことが可能な技術を提供することができる。 According to the present invention, it is possible to provide a technique capable of performing simulation with higher accuracy.
以下、本発明の実施形態について、図面を参照しつつ詳細に説明する。ただし、発明の範囲をこれらに限定するものではない。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. However, the scope of the invention is not limited to these.
また、本明細書等において、「部」とは、単に物理的構成を意味するものではなく、その構成が有する機能をソフトウェアによって実現する場合も含む。また、１つの構成が有する機能が２つ以上の物理的構成により実現されても、２つ以上の構成の機能が１つの物理的構成により実現されてもよい。 Further, in this specification and the like, the “unit” does not simply mean a physical configuration, but also includes a case where the functions of the configuration are realized by software. In addition, functions of one configuration may be realized by two or more physical configurations, or functions of two or more configurations may be realized by one physical configuration.
［前提］
本実施形態では、推定装置による人、自動車、電車などを含む移動体（移動可能なオブジェクト）の分布の推定方法の例について説明する。まず、本実施形態における移動体の分布の推定方法の前提について説明する。なお、本実施形態において、「エージェント」という用語を使用しているが、説明の便宜上、「エージェント」は、コンピュータ上でシミュレートされる対象としてのエージェントや、実世界における人、自動車、電車などの移動体を含む概念であることとして使用されている。
[Assumption]
In the present embodiment, an example of a method for estimating the distribution of moving objects (movable objects) including people, automobiles, trains, and the like by the estimation device will be described. First, the premise of the method for estimating the distribution of moving objects in the present embodiment will be described. In the present embodiment, the term “agent” is used, but for convenience of explanation, the “agent” is an agent to be simulated on a computer, a person in the real world, a car, a train, etc. It is used as a concept that includes a moving object.
近年、ＧＰＳ（Global Positioning System）などによりユーザの位置データをリアルタイムで取得可能である。具体的な分析方法として、例えば、１辺が２５０ｍの矩形領域に滞在するエージェントの数のデータを１時間ごとに記録して分析する方法が知られており、このように記録されたデータを集中分布（aggregated-distribution）データと呼ぶ。 In recent years, user position data can be acquired in real time by GPS (Global Positioning System) or the like. As a specific analysis method, for example, there is known a method of recording and analyzing data on the number of agents staying in a rectangular area having a side of 250 m every hour, and the recorded data is concentrated. Called aggregated-distribution data.
リアルタイム観察によって取得されるデータが集中分布データである場合、膨大なエージェントの数及び広範囲なエリアについて時系列にシミュレーションを行うことが必要となるエージェントの分布の推定は、高次元な多変数時系列予測問題として定式化することができる。 When the data acquired by real-time observation is concentrated distribution data, the estimation of agent distribution, which requires time-series simulation over a large number of agents and a wide area, is a high-dimensional multivariable time series. It can be formulated as a prediction problem.
一般に、状態空間モデルのパラメータを推定するための非線形的な方法は小次元の問題に対して特に有効である。例えば、高次元の問題であるエージェントの分布の推定するために、非線形という観点で、シミュレーションに基づく推定法であるパーティクルフィルタが用いられることが多くあるが、単純にパーティクルフィルタのみを用いて推定を行った場合、高い推定精度が得られない場合がある。 In general, nonlinear methods for estimating the parameters of a state space model are particularly effective for small dimensional problems. For example, in order to estimate the distribution of agents, which is a high-dimensional problem, particle filters, which are estimation methods based on simulations, are often used from the viewpoint of nonlinearity, but estimation is simply performed using only particle filters. If performed, high estimation accuracy may not be obtained.
上記のような課題を解決するために、本願の発明者らは、パーティクルフィルタにおいて、シミュレーション結果のエージェントの位置と、再配置後のエージェントの位置との間の距離を最小化するという制約下で、尤度の高い位置にエージェントを再配置する処理を行い、当該処理結果を用いてエージェントの分布の推定を行うことにより、高い精度の推定結果が得られることを見出した。以下に説明する実施形態は、このような考えに基づくものである。 In order to solve the above-described problems, the inventors of the present application, under the constraint of minimizing the distance between the position of the agent in the simulation result and the position of the agent after the rearrangement in the particle filter. It was found that a highly accurate estimation result can be obtained by performing the process of rearranging the agent at a position with high likelihood and estimating the distribution of the agent using the processing result. The embodiment described below is based on such an idea.
次に、本実施形態において用いられる各種の条件、変数及び数式等について定義する。
ユニバーサルエリアＵ１は、エージェントが移動可能な地理的空間全体である。対象エリアＵは、ユニバーサルエリアＵ１のサブセットであり、エージェントの行動が推定される地理的空間である。ユニットエリアｕiは、対象エリアＵのパーティションＰ１の要素である。つまり、次式が成り立つ。
Next, various conditions, variables, mathematical expressions, and the like used in the present embodiment are defined.
The universal area U1 is the entire geographical space in which the agent can move. The target area U is a subset of the universal area U1 and is a geographical space in which the behavior of the agent is estimated. The unit area u i is an element of the partition P1 of the target area U. That is, the following equation holds.
ユニットエリアは任意の方法で区分されたエリアであるが、ユニットエリアの基本的な例は、地理的グリッドシステムにおけるセルである。以下に地理的グリッドシステム及びセルについて説明する。 A unit area is an area that is partitioned in any way, but a basic example of a unit area is a cell in a geographic grid system. The geographical grid system and cell are described below.
地理的グリッドシステムは、おおよそ直交するグリット線により地理的空間をおおよそ矩形形状の複数のセルに区切る。対象セルＣは、対象エリアＵとの間で空ではない共通集合を有する。すなわち、次式が成り立つ。
A geographic grid system divides geographic space into a plurality of cells that are approximately rectangular in shape by approximately orthogonal grid lines. The target cell C has a common set that is not empty with the target area U. That is, the following equation holds.
本実施形態における状態空間モデルにおいて、時間ｔにおける状態変数ｘtは、エージェントの位置と、後述する行動モデルのパラメータとからなる。状態変数ｘtは、状態変数の時間発展（時間の経過に伴って変化した状態変数）を提供するシステムモデルｆtにより求めることができ、次式で示される。
ｘt＝ｆt（ｘt-1，ｖt）
ここで、ｖtはシステムノイズである。システムノイズｖtを例えば、ガウスノイズとすることができる。
In the state space model in the present embodiment, the state variable x t at time t is composed of the position of the agent and the parameters of the behavior model described later. The state variable x t can be obtained from a system model f t that provides the time evolution of the state variable (a state variable that has changed over time), and is represented by the following equation.
x t = f t (x t−1 , v t )
Here, v t is system noise. The system noise v t can be, for example, Gaussian noise.
また、時間ｔにおける観測データｙtは、観測データを提供するプロセスを表す観測モデルｈtにより求めることができ、次式で示される。
ｙt＝ｈt（ｘt，ｗt）
ここで、ｗtは観測ノイズである。観測ノイズｗtは例えば、ＧＰＳ等による測位に基づく観測誤差を考慮して設定される。
Further, observation data y t at time t may be determined by observation model h t that represents the process of providing observation data, represented by the following formula.
y t = h t (x t , w t )
Here, w t is observation noise. The observation noise w t is set in consideration of an observation error based on positioning by GPS or the like, for example.
マルチエージェントシミュレーションによりエージェントの分布を推定するために、状態変数ｘtは、要素としてエージェントｌの位置ａt含む。ａtは、次式により示される。
To estimate the distribution of the agent by a multi-agent simulation, the state variable x t comprises position a t Agent l as elements. a t is represented by the following equation.
また、行動モデルのパラメータのリストθtは、次式により示される。
The list of behavior model parameters θ t is expressed by the following equation.
上記を考慮して、状態空間モデルは、次のように記述することができる（ここではシステムノイズを無視している。）。
In view of the above, the state space model can be described as follows (system noise is ignored here).
式（１）を用いたエージェントの分布推定問題は、モデリング段階と、推定段階とで次のように定式化される。 The agent distribution estimation problem using Expression (1) is formulated as follows in the modeling stage and the estimation stage.
［構成］
本実施形態における推定装置の構成について説明する。
図１を参照して、本実施形態に係る推定装置のハードウェアの概略構成の例を説明する。同図に示すように、推定装置１０は、制御部１１、通信部１４、記憶部１５及び入出力部１６を主に備える。制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１２及びメモリ１３を主に備えて構成される。推定装置１０は、専用若しくは汎用のサーバ・コンピュータ又はパーソナルコンピュータなどの情報処理装置を用いて実現することができる。また、推定装置１０は、例えば、ＣＰＵ１２がメモリ１３等に格納された所定のプログラムを実行することにより、各種の機能実現手段として機能する。なお、推定装置１０は、単一の情報処理装置より構成されるものであっても、ネットワーク上に分散した複数の情報処理装置より構成されるものであってもよい。
[Constitution]
The configuration of the estimation apparatus in this embodiment will be described.
With reference to FIG. 1, an example of a schematic hardware configuration of the estimation apparatus according to the present embodiment will be described. As illustrated in FIG. 1, the estimation device 10 mainly includes a control unit 11, a communication unit 14, a storage unit 15, and an input / output unit 16. The control unit 11 mainly includes a CPU (Central Processing Unit) 12 and a memory 13. The estimation device 10 can be realized by using an information processing device such as a dedicated or general-purpose server computer or personal computer. Moreover, the estimation apparatus 10 functions as various function realization means, when CPU12 runs the predetermined program stored in the memory 13 grade | etc., For example. Note that the estimation device 10 may be configured by a single information processing device or may be configured by a plurality of information processing devices distributed on a network.
制御部１１では、ＣＰＵ１２は、記憶部１５等に記憶されたプログラムをメモリ１３に展開して実行することにより、推定装置１０が備える各種構成の動作を制御し、また、各種処理の実行を制御する。制御部１１において実行される処理の詳細は後述する。 In the control unit 11, the CPU 12 controls the operation of various configurations included in the estimation device 10 by developing the program stored in the storage unit 15 or the like in the memory 13 and executing the program, and also controls the execution of various processes. To do. Details of processing executed in the control unit 11 will be described later.
通信部１４は、ネットワークを介して外部の各種情報処理装置との間で通信をするための通信インタフェースである。通信部１４は、例えば、推定装置１０における処理に必要な情報を外部装置から受信し、また、推定装置１０における処理結果の情報を外部装置に送信することができる。 The communication unit 14 is a communication interface for communicating with various external information processing apparatuses via a network. For example, the communication unit 14 can receive information necessary for processing in the estimation device 10 from an external device, and can transmit information on a processing result in the estimation device 10 to the external device.
記憶部１５は、ハードディスク等の記憶装置によって構成される。記憶部１５は、制御部１１における処理の実行に必要な各種プログラムや、制御部１１による処理結果の情報など、各種の情報を記憶する。 The storage unit 15 is configured by a storage device such as a hard disk. The storage unit 15 stores various types of information such as various programs necessary for execution of processing in the control unit 11 and information on processing results obtained by the control unit 11.
入出力部１６は、各種の情報の入出力を行うための処理部である。入出力部１６には、例えば、操作部及び表示部などのユーザインタフェースとしての構成や、外付けの記憶装置を接続するためのインタフェースなどが含まれる。 The input / output unit 16 is a processing unit for inputting / outputting various types of information. The input / output unit 16 includes, for example, a configuration as a user interface such as an operation unit and a display unit, and an interface for connecting an external storage device.
［機能］
本実施形態における推定装置１０の機能について説明する。推定装置１０は、対象エリアにおけるエージェントの分布を推定する機能を有する。
[function]
The function of the estimation apparatus 10 in this embodiment is demonstrated. The estimation device 10 has a function of estimating the distribution of agents in the target area.
１．処理の概要
まず、推定装置１０において、パーティクルフィルタによるエージェントの分布の推定のために実行される処理のアルゴリズムを擬似的なプログラム言語で以下に示す。なお、このアルゴリズムは本実施形態における推定処理の概念を示すための例に過ぎず、当該推定処理の概念に矛盾しない範囲でこのアルゴリズムにおける各ステップの処理順序や処理方法を変更することができる。
1. Outline of Processing First, an algorithm of processing executed in the estimation apparatus 10 for estimating the distribution of agents by a particle filter is shown below in a pseudo program language. This algorithm is only an example for illustrating the concept of the estimation process in the present embodiment, and the processing order and processing method of each step in this algorithm can be changed within a range that does not contradict the concept of the estimation process.
アルゴリズムの行５から始まるｗｈｉｌｅ制御文内では、推定する期間内における各時間における推定処理が行われる。行７から始まるｆｏｒ制御文内では、各パーティクルに対応するシミュレータに存在するエージェントついて、推定処理を行う。ｆｏｒ制御文内における推定処理において、まず、後述する行動モデルに基づいて、時間ｔにおける当該シミュレータに存在する全てのエージェントの行動を決定し、当該行動及び時間ｔ−１におけるエージェントの位置に基づいて時間ｔにおける複数のエージェントの位置をシミュレーションする。なお、各パーティクルにおいて、行動モデルに基づいて決定される行動は変更されうる。さらに、時間ｔにおける観測データを取得し、時間ｔ−１における行動パラメータに基づいて時間ｔにおける行動パラメータを決定する。その後、後述するＥＭＤ部により、シミュレーションの結果得られた複数のエージェントの位置を再配置するときの移動先の座標を計算し、当該座標に基づいて、再配置後のエージェントの位置を決定する。当該パーティクルの重みが観測データに基づいて決定され、その後、次のパーティクルの処理のために、パーティクルがリサンプリングされる。ｆｏｒ制御文内における各処理の詳細は後述する。 Within the while control statement starting from line 5 of the algorithm, estimation processing at each time within the estimation period is performed. In the for control statement starting from line 7, an estimation process is performed for an agent existing in the simulator corresponding to each particle. In the estimation process in the for control statement, first, the behavior of all agents existing in the simulator at time t is determined based on the behavior model described later, and based on the behavior and the position of the agent at time t−1. Simulate the positions of multiple agents at time t. In each particle, the behavior determined based on the behavior model can be changed. Furthermore, observation data at time t is acquired, and a behavior parameter at time t is determined based on the behavior parameter at time t-1. Thereafter, the EMD unit, which will be described later, calculates the coordinates of the movement destination when the positions of the plurality of agents obtained as a result of the simulation are rearranged, and determines the positions of the agents after the rearrangement based on the coordinates. The weight of the particle is determined based on the observation data, and then the particle is resampled for processing the next particle. Details of each process in the for control statement will be described later.
パーティクルの状態は、モデリング段階において、行動モデル、マルチエージェントシミュレーション、観測モデルが決定されているという条件下で推定される。パーティクルの状態ベクトル（エージェントの位置及び行動パラメータを含む。）の時間発展は、マルチエージェントシミュレーションと、行動パラメータに関する差分方程式により与えられる。各エージェントの目的地は、行動モデルにより決定される。観測時に、パーティクルの状態ベクトルは、観測データを用いて更新され（更新方法の詳細は後述する。）、観測データを用いてパーティクルの重み付けがなされ、これらの結果に基づいて、推定結果が算出される。なお、上記のアルゴリズムに示されたｅｑ．（３）及びｅｑ．（４）は、後述する式（３）及び式（４）にそれぞれ対応する。 The state of the particle is estimated under the condition that an action model, a multi-agent simulation, and an observation model are determined in the modeling stage. The time evolution of the particle state vector (including agent position and behavior parameters) is given by multi-agent simulation and a differential equation for behavior parameters. The destination of each agent is determined by the behavior model. During observation, the particle state vector is updated using the observation data (details of the update method will be described later), the particles are weighted using the observation data, and the estimation result is calculated based on these results. The Note that eq. (3) and eq. (4) corresponds to Equation (3) and Equation (4) described later, respectively.
２．処理の詳細
図２は、上記のアルゴリズムにおけるｆｏｒ制御文内の処理を実行するために主に必要な処理構成の例を示している。これらの処理構成は、例えば、制御部１１において、ＣＰＵ１２が、記憶部１５等に記憶されたプログラムをメモリ１３に展開して実行することにより実現される。図３を参照しながら、推定処理の詳細を説明する。
2. Details of Processing FIG. 2 shows an example of a processing configuration mainly necessary for executing the processing in the for control statement in the above algorithm. These processing configurations are realized by, for example, the control unit 11 having the CPU 12 develop and execute a program stored in the storage unit 15 or the like in the memory 13. Details of the estimation process will be described with reference to FIG.
２．１．ＢＭ
ＢＭは、予め選択された行動モデルと行動パラメータに基づいて、パーティクルｉについて、時間ｔにおけるエージェントの行動を決定する。例えばＢＭは、エージェントの行動として、エージェントの時間ｔにおける目的地を決定する。ＢＭは、行動を決めるために、任意の行動モデルを適用することができる。また、ＢＭは、シミュレータにエージェントの初期位置及び目的地の情報を与える。
2.1. BM
The BM determines the behavior of the agent at time t for the particle i based on the behavior model and behavior parameters selected in advance. For example, the BM determines the destination of the agent at time t as the agent's action. The BM can apply any behavior model to determine the behavior. In addition, the BM gives information on the initial position and destination of the agent to the simulator.
図３を参照して、ＢＭが、予め選択された行動モデルに基づいてエージェントの目的地を決定する方法の例を説明する。この例における行動モデルでは、行動パラメータに基づいて、家、駅、店及び現在地のいずれかが目的地としてある確率で選択される。図３においては、行動パラメータに含まれる要素が、ｐ１からｐ４で示されている。ｐ１からｐ４にはそれぞれ、０から１の間の数値が予め設定されている。また、図３に示す処理は、制御部１１が記憶部１５に記憶されたプログラムをメモリ１３に展開して実行することによって制御される。 With reference to FIG. 3, an example of a method in which the BM determines an agent destination based on a preselected behavior model will be described. In the behavior model in this example, any one of a house, a station, a store, and a current location is selected with a probability based on the behavior parameter. In FIG. 3, elements included in the behavior parameters are indicated by p1 to p4. Numerical values between 0 and 1 are preset in p1 to p4, respectively. The processing shown in FIG. 3 is controlled by the control unit 11 developing the program stored in the storage unit 15 in the memory 13 and executing it.
まず、ステップＳ３１でエージェントの現在地が駅であるか否かが判断され、駅である場合、処理はステップＳ３２へ進み、駅でない場合、処理はステップＳ３３へ進む。 First, in step S31, it is determined whether or not the current location of the agent is a station. If it is a station, the process proceeds to step S32. If not, the process proceeds to step S33.
ステップＳ３２において、０から１の間の乱数を出力する乱数生成器ｒ（１）の出力がｐ４未満であるか否かが判断される。ｐ４未満である場合、現在地が目的地であると判断される、他の場合、目的地は家であると判断される。 In step S32, it is determined whether or not the output of the random number generator r (1) that outputs a random number between 0 and 1 is less than p4. If it is less than p4, it is determined that the current location is the destination. In other cases, the destination is determined to be a home.
ステップＳ３３において、乱数生成器ｒ（１）は乱数を出力し、当該出力がｐ１未満であるか否かが判断される。ｐ１未満である場合、目的地は家であると判断され、他の場合、処理はステップＳ３４へ進む。 In step S33, the random number generator r (1) outputs a random number, and it is determined whether or not the output is less than p1. If it is less than p1, it is determined that the destination is a house. In other cases, the process proceeds to step S34.
ステップＳ３４において、乱数生成器ｒ（１）は乱数を出力し、当該出力がｐ２未満であるか否かが判断される。ｐ２未満である場合、目的地は駅であると判断され、他の場合、処理はステップＳ３５へ進む。 In step S34, the random number generator r (1) outputs a random number, and it is determined whether or not the output is less than p2. If it is less than p2, it is determined that the destination is a station. In other cases, the process proceeds to step S35.
ステップＳ３５において、乱数生成器ｒ（１）は乱数を出力し、当該出力がｐ３未満であるか否かが判断される。ｐ３未満である場合、目的地は店であると判断され、他の場合、現在地が目的地であると判断される。 In step S35, the random number generator r (1) outputs a random number, and it is determined whether or not the output is less than p3. If it is less than p3, it is determined that the destination is a store, and in other cases, it is determined that the current location is the destination.
なお、目的地を判断するための閾値として上記では行動パラメータをそのまま用いたが、エリア別、時間帯別、曜日別、通常時／災害時別、及び年齢別など、の各種条件と行動パラメータの関数として閾値を設定することもできる。また、上記の条件を組み合わせて、確率を設定することができる。例えば、家を目的地とするかの判断時に用いられる値として、年齢と現在地から自宅までの距離とに応じて設定される属性別帰宅確率係数ｅを定義することができる。このとき、例えば、図３のステップＳ３３において、ｐ１に属性別帰宅確率係数ｅを乗じた値ｅｐ１が乱数生成器ｒ（１）の出力未満であるかを判断し、ｅｐ１未満である場合、目的地は家であると判断され、他の場合、処理はステップＳ３４に進むようにすることができる。 Although the behavior parameters are used as they are as threshold values for determining the destination, various conditions such as by area, by time zone, by day of the week, by normal / disaster, and by age A threshold can also be set as a function. Further, the probability can be set by combining the above conditions. For example, an attribute-specific return probability coefficient e set according to the age and the distance from the current location to the home can be defined as a value used when determining whether the home is the destination. At this time, for example, in step S33 of FIG. 3, it is determined whether the value ep1 obtained by multiplying p1 by the attribute-specific return probability coefficient e is less than the output of the random number generator r (1). It is determined that the ground is a house, and in other cases, the process can proceed to step S34.
図４には、年齢と現在地から自宅までの距離とに応じて設定される属性別帰宅確率係数ｅの設定方法の例がグラフで示されている。この例では、「２０才未満」、「２０才代及び４０才代」、及び「３０才代及び５０才以上」という年齢の範囲別に、現在地から自宅までの距離に応じて設定される属性別帰宅確率係数ｅが示されている。 FIG. 4 is a graph showing an example of a method for setting the attribute-specific return probability coefficient e set according to the age and the distance from the current location to the home. In this example, according to the attribute range set according to the distance from the current location to the home for each age range of “under 20 years old”, “20s and 40s”, and “30s and over 50s” A return probability coefficient e is shown.
２．２．ＳＩＭ
図２におけるＳＩＭは、エージェントの初期位置及び目的地等の情報を入力として、複数のエージェントの動きをシミュレーションすることにより、時間ｔにおける複数のエージェントの位置ａtから、時間ｔ＋１におけるエージェントの位置ａt+1を特定し、設定する。推定装置１０上でＳＩＭによりエージェントの動きをシミュレーションすることにより、実世界における人、車、電車などを含む移動体としてのエージェントの動き及び分布をシミュレーションすることができる。なお、ＳＩＭには、任意のシミュレータを適用することができる。
2.2. SIM
SIM in Figure 2, as the input information of the initial position and the destination, etc. of the agent, by simulating the movement of a plurality of agents, from the position a t a plurality of agents at time t, of the agent at time t + 1 position a Identify and set t + 1 . By simulating the movement of the agent by the SIM on the estimation device 10, it is possible to simulate the movement and distribution of the agent as a moving object including a person, a car, a train, etc. in the real world. An arbitrary simulator can be applied to the SIM.
本実施形態では、広域道路網交通流シミュレーションシステム「SOUND」（http://www.i-transportlab.jp/products/sound/）にルート検索機能を追加したシミュレータを用いる。エージェントが動くルートは、混雑を加味した通過時間を重みとして用いてダイクストラで決定される。ルートの通過時間は、混雑による待ち時間と走行時間の和とする。シミュレーションの実行には、これらのパラメータに加えて、道路ネットワーク、エージェントの初期位置（例えば、シミュレーション開始時の位置。または、時間ｔ＋１のときの位置を推定する場合における時間ｔのときの位置）、出発地（トリップの開始位置）及び目的地等の情報のセットが与えられている必要がる。あるエージェントの初期位置、出発地及び目的地等の情報は、例えば、人の流れデータからサンプリングされたデータに基づいて作成される。目的地の作成方法については、前述のＢＭの説明において説明したとおりである。 In this embodiment, a simulator in which a route search function is added to the wide-area road network traffic flow simulation system “SOUND” (http://www.i-transportlab.jp/products/sound/) is used. The route along which the agent moves is determined by Dijkstra using the transit time taking into account congestion as a weight. The route transit time is the sum of the waiting time and travel time due to congestion. In order to execute the simulation, in addition to these parameters, the initial position of the road network and the agent (for example, the position at the start of the simulation, or the position at the time t when estimating the position at the time t + 1), A set of information such as the starting point (trip start position) and destination must be given. Information such as the initial position, starting point, and destination of an agent is created based on data sampled from human flow data, for example. The destination creation method is as described in the above description of BM.
ここで、人の流れデータとは、何らかのデータソースをもとに粒度を揃えた時空間位置で、人々の流動をデータ化したものである。データソースとして、例えば、パーソントリップ調査の結果（パーソントリップデータ）が用いられる。パーソントリップ調査とは、対象の地域における人の動きを調べ、交通機関の実態を把握する調査である。 Here, human flow data is data of people's flow at a spatio-temporal position with a uniform granularity based on some data source. As a data source, for example, a result of a person trip survey (person trip data) is used. The person trip survey is a survey that examines the movement of people in the target area and grasps the actual state of transportation.
２．３．ＥＭＤ部
図２におけるＥＭＤ（以下、「ＥＭＤ部」という。）は、ＳＩＭにより特定されたエージェントの位置ａt+1を、時間ｔ＋１におけるエージェントの位置の観測データｙt+1に近づけるように再配置し、再配置後の位置ａt+1を出力する。すなわち、ＥＭＤ部は、ＳＩＭによるシミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することによってデータ同化を行う再配置手段として機能する。また、当該再配置は、再配置による移動距離の合計値を最小化するという制約下で行われる。以下に、このような再配置の処理の意義と、処理の詳細を説明する。
2.3. EMD section The EMD in FIG. 2 (hereinafter, referred to as “EMD section”) re-establishes the agent position a t + 1 identified by the SIM so as to approach the observation data y t + 1 of the agent position at time t + 1. Arrange and output the position a t + 1 after rearrangement. In other words, the EMD unit functions as a rearrangement unit that performs data assimilation by rearranging the agent distribution in the simulation result by the SIM so as to approach the agent distribution based on the observation result. Further, the rearrangement is performed under the constraint that the total value of the movement distances by the rearrangement is minimized. The significance of such rearrangement processing and details of the processing will be described below.
通常のパーティクルフィルタの処理においては、シミュレーションの結果、尤度の低いパーティクルは破棄されてしまうため、尤度の低いパーティクルが多い場合、推定結果の精度が下がる可能性がある。特に、エージェントの分布の推定のような高次元の問題の場合、全てのパーティクルの状態の尤度が低くなる可能性が高い。従って、本実施形態においては、ＥＭＤ部が、観測データを用いて尤度が高くなるようにパーティクルに対応するエージェントの位置を再配置することにより、破棄されてしまうパーティクルの数を減らすことができ、さらに破棄されないパーティクルの尤度が高くなり、その結果、推定結果の精度を高くすることができる。なお、観測データに近づける再配置の方法は無限に存在する。従って、本実施形態では、後述するように、シミュレーション結果を観測値にどれだけ近づけるかを決めるパラメータＫを用いて、再配置後の各ユニットエリアのエージェントの数を決める。さらに、その決められたエージェント数になるような無数の再配置の方法から、移動距離が最小となる再配置の方法を選び、当該選ばれた方法によりエージェントの再配置を行う。 In normal particle filter processing, as a result of simulation, particles with low likelihood are discarded. Therefore, when there are many particles with low likelihood, the accuracy of estimation results may be reduced. In particular, in the case of a high-dimensional problem such as estimation of the distribution of agents, the likelihood of the state of all particles is likely to be low. Therefore, in this embodiment, the EMD unit can reduce the number of particles that are discarded by rearranging the positions of the agents corresponding to the particles so as to increase the likelihood using the observation data. Further, the likelihood of particles that are not discarded increases, and as a result, the accuracy of the estimation result can be increased. There are an infinite number of rearrangement methods that can be used to approach observation data. Therefore, in this embodiment, as will be described later, the number of agents in each unit area after the rearrangement is determined using the parameter K that determines how close the simulation result is to the observed value. Further, a relocation method that minimizes the moving distance is selected from the infinite number of relocation methods that can achieve the determined number of agents, and the agents are relocated by the selected method.
すなわち、本実施形態におけるＥＭＤ部による再配置の方法の基本的なコンセプトとして、シミュレーション結果を観測値にどれだけ近づけるかを予め設定し、さらに、再配置によるエージェントの移動量の合計距離ができるだけ小さくなるように、エージェントの分布を観測データに近づける。 That is, as a basic concept of the relocation method by the EMD unit in this embodiment, how close the simulation result is to the observation value is set in advance, and the total distance of the agent movement amount due to the relocation is as small as possible. As shown, the distribution of agents is made closer to the observation data.
ここで、パラメータＫは０から１の間の任意の実数である。 Here, the parameter K is an arbitrary real number between 0 and 1.
式（３）において、再配置におけるエージェントの移動距離が最小になるという制約下で、各パーティクルにおける複数のエージェントの位置が観測データに近づけられる。本実施形態では、式（３）をの時間発展として採用する。に関する分布は、ガウス分
In Expression (3), the position of the plurality of agents in each particle is brought closer to the observation data under the constraint that the movement distance of the agents in the rearrangement is minimized. In the present embodiment, the expression (3) is adopted as a time evolution. Distribution for Gaussian min
２．４．ＥＭＤ（Earth Mover's Distance）による状態ベクトルの計算
上記のように、ＥＭＤ部は、パーティクルの時間発展を求めるために式（３）を用いるが、式（３）を用いるためには、式（２）最適化問題を解く方法を決める必要がある。ここで、以下に説明するように、本願の発明者らは、ＥＭＤ（Earth Mover's Distance）を求める最適化問題と、式（２）の最適化問題が同等であることを見出した。従って、式（
定し、ａからａ’に移動するエージェントを荷物量（ＥＭＤの文脈におけるフロー）として設定し、ユニットエリア間の距離を分布間の距離として設定することにより、ＥＭＤの最適化問題を解くことができる。このようにして解かれたＥＭＤを与えるフローについて
般に、ＥＭＤの最適化問題を解くための解法は、多くのものが知られているが、本実施形態において、任意の解法を採用することができる。
2.4. Calculation of State Vector by EMD (Earth Mover's Distance) As described above, the EMD unit uses Equation (3) to obtain the time evolution of particles, but to use Equation (3), Equation (2) It is necessary to decide how to solve the optimization problem. Here, as described below, the inventors of the present application have found that the optimization problem for obtaining EMD (Earth Mover's Distance) is equivalent to the optimization problem of Expression (2). Therefore, the formula (
It is possible to solve an EMD optimization problem by setting an agent moving from a to a ′ as a load amount (flow in the context of EMD) and setting a distance between unit areas as a distance between distributions. it can. About the flow that gives the EMD solved in this way
In general, many solutions for solving the EMD optimization problem are known, but any solution can be adopted in the present embodiment.
ＥＭＤを求める最適化問題と、式（２）の最適化問題が同等であることについて説明する。ＥＭＤは、２つの分布の差異を測る尺度と解釈することができる。ＥＭＤの文脈では、分布をシグネチャと呼ばれる形式で表現し、次元数がＮのシグネチャは、
と定義される。ここで、ｍjはｊ番目の要素の位置、ｗjはその位置の重みである。シグネチャＰとＱの間のＥＭＤは、次に示すような制約された最適化問題の解を用いて定義される。
The fact that the optimization problem for obtaining the EMD and the optimization problem of Expression (2) are equivalent will be described. EMD can be interpreted as a measure of the difference between two distributions. In the context of EMD, a distribution is expressed in a form called a signature, and a signature with N dimensions is
Is defined. Here, m j is the position of the j-th element, and w j is the weight of that position. The EMD between signatures P and Q is defined using a solution to the constrained optimization problem as follows:
フローは、位置ｊ１から位置ｊ２へ移動する荷物量の合計を表す。コストは、位置ｊ１から位置ｊ２の距離を表す。ここで、式（５）のＥＭＤを求める式の分母が定数であることに留意し、ＥＭＤを与えるフローを求める式に書き換えると次のとおりとなる。
The flow represents the total amount of luggage that moves from position j1 to position j2. The cost represents the distance from the position j1 to the position j2. Here, it is noted that the denominator of the equation for obtaining EMD in Equation (5) is a constant, and the equation for obtaining the flow for giving EMD is rewritten as follows.
なお、観測データｙtは、様々な方法で取得することができ、例えば、携帯端末の測位データを用いて取得することができる。このとき、観測データｙtは、測位データ、測位誤差、携帯電話の普及率、測位データ利用許可率などの値を用いて算出される。 Note that the observed data y t can be obtained in a variety of ways, for example, it can be obtained by using the positioning data of the mobile terminal. In this case, the observed data y t is positioning data, positioning error, penetration of the mobile phone is calculated using a value such as positioning data use permission rate.
ここで、Ａは正規化係数である。ＥＭＤ部により出力された再配置後の複数のエージェントの位置（すなわち、エージェントの分布）は、ＷＥＩにより算出された重みに基づいて、後の処理でフィルタリングされ、当該フィルタリングの結果に基づいてエージェントの分布の推定結果の情報が出力される。 Here, A is a normalization coefficient. The positions of a plurality of agents after relocation (that is, the distribution of agents) output by the EMD unit are filtered in a later process based on the weight calculated by the WEI, and based on the result of the filtering, Information on the distribution estimation result is output.
、新たなパーティクルにおいてエージェントのシミュレーション等の処理が行われる。全てのパーティクルの処理が終わった後、時刻ｔが観測値が得られる時刻である場合はリサンプリングの処理を行い、各ユニットエリア毎の各時間におけるエージェントの分布の推定値が算出される。入出力部１６は、当該算出されたエージェントの分布の情報を推定結果として出力する出力手段として機能する。また、入出力部１６は、推定結果として出力される分布に含まれるエージェントのそれぞれに対して、ｂにより設定された行動パラメータを対応付けて出力することができる。 Then, processing such as agent simulation is performed on the new particles. After the processing of all the particles is finished, if the time t is the time when the observed value is obtained, the resampling processing is performed, and the estimated value of the agent distribution at each time for each unit area is calculated. The input / output unit 16 functions as an output unit that outputs the calculated agent distribution information as an estimation result. In addition, the input / output unit 16 can output the action parameter set by b in association with each agent included in the distribution output as the estimation result.
以上のように、本実施形態によれば、パーティクルフィルタにおいて、シミュレーション結果におけるエージェントの位置と、再配置後のエージェントの位置との間の距離を最小化するという制約下で、エージェントの位置を観測データに近づけることにより、尤度の高い位置にエージェントを再配置する処理を行う。その後、当該処理結果を用いてエージェントの分布の推定を行う。その結果、高い精度でエージェントの分布の推定を行うことができる。 As described above, according to the present embodiment, in the particle filter, the position of the agent is observed under the constraint that the distance between the position of the agent in the simulation result and the position of the agent after the rearrangement is minimized. By moving closer to the data, a process of rearranging the agent at a position with a high likelihood is performed. Thereafter, the agent distribution is estimated using the processing result. As a result, the agent distribution can be estimated with high accuracy.
［変形例］
本発明は、上記した実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において、他の様々な形で実施することができる。上記実施形態はあらゆる点で単なる例示にすぎず、限定的に解釈されるものではない。
[Modification]
The present invention is not limited to the above-described embodiment, and can be implemented in various other forms without departing from the gist of the present invention. The above-described embodiment is merely an example in all respects, and is not construed as limiting.
例えば、上記の実施形態において、式（２）最適化問題を解くために、ＥＭＤを用いたが、これに限定されない。以下に説明するＥＭＤ−Ｌ1又はＥＭＤ−Ｌ1＋が用いられてもよい。 For example, in the above embodiment, EMD is used to solve the optimization problem of Equation (2), but the present invention is not limited to this. EMD-L 1 or EMD-L 1 + described below may be used.
Ａ．ＥＭＤ−Ｌ1
ＥＭＤ−Ｌ1は、例えば「H. Ling and K. Okada. An efficient earth mover's distance algorithm for robust histogram comparison. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 29(5):840-853, 2007.」により提案されているより効果的なＥＭＤである。ＥＭＤ−Ｌ1における未知変数の数は、ヒストグラムにおいてＮ個のビンがあるときに、通常のＥＭＤにおけるＯ（Ｎ2）からＯ（Ｎ）に減る。従って、計算速度の向上が期待できる。
A. EMD-L 1
EMD-L 1 is based on, for example, “H. Ling and K. Okada. An efficient earth mover's distance algorithm for robust histogram comparison. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 29 (5): 840-853, 2007.” It is a more effective EMD that has been proposed. The number of unknown variables in EMD-L 1 decreases from O (N 2 ) to O (N) in normal EMD when there are N bins in the histogram. Therefore, improvement in calculation speed can be expected.
Ｂ．ＥＭＤ−Ｌ1＋
ＥＭＤ−Ｌ1＋は、上記の文献において提案されているＴｒｅｅ−ＥＭＤを本願の発明者らが拡張したものである。当該拡張は、ＥＭＤ−Ｌ1における不必要なセル（ユニットエリア）を無視し、出力を単純化するという２点である。
B. EMD-L 1 +
EMD-L 1 + is an extension of the Tree-EMD proposed in the above literature by the inventors of the present application. The extension has two points of ignoring unnecessary cells (unit area) in EMD-L 1 and simplifying output.
１点目の拡張に関し、不必要なセルとは、海、山、森林などのエージェントが移動しない（もしくは、移動していたとしても少数である）エリアにおけるセルである。ＥＭＤ−Ｌ1＋では、このようなセルを処理の対象エリアから除く。その結果、処理速度が向上する。 Regarding the first expansion, unnecessary cells are cells in an area where agents such as the sea, mountains, and forests do not move (or a small number even if moved). In EMD-L 1 +, such a cell is excluded from the processing target area. As a result, the processing speed is improved.
２点目の拡張では、生成されるツリーの数を２つに限定することである。Ｔｒｅｅ−ＥＭＤの変数は、隣り合う２つのビンの間のフローの量を示すので、フローの表現は冗長である。このように冗長性を削減することにより、処理速度を向上させることができる。 The second extension is to limit the number of generated trees to two. Since the Tree-EMD variable indicates the amount of flow between two adjacent bins, the flow representation is redundant. By reducing redundancy in this way, the processing speed can be improved.
１０ 推定装置、１１ 制御部、１２ ＣＰＵ、１３ メモリ、１４ 通信部、１５ 記憶部、１６ 入出力部 DESCRIPTION OF SYMBOLS 10 Estimation apparatus, 11 Control part, 12 CPU, 13 Memory, 14 Communication part, 15 Storage part, 16 Input / output part
Claims (6)
前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行う再配置手段と、
前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報を出力する出力手段と
を備える推定装置。 Simulation means for outputting a simulation result including information on the distribution of agents in the target area based on at least information on the initial position of the agents;
Relocation of the agent distribution in the simulation result so as to be close to the agent distribution based on the observation result, and relocation under the constraint that the total value of the movement distance by the relocation is minimized. Relocation means for assimilation;
An estimation device comprising: output means for outputting information on the distribution of agents in the target area estimated based on the distribution of agents after the rearrangement.
前記出力手段は、前記行動推定手段により出力された行動パラメータをそれぞれのエージェントに対応付けて、前記推定されたエージェントの分布の情報を出力する、請求項１から３のいずれか一項に記載の推定装置。 Based on a preset probability distribution, further comprising behavior estimation means for outputting a behavior parameter indicating the type of agent behavior as an estimated value of the agent behavior;
The said output means matches the behavior parameter output by the said behavior estimation means with each agent, and outputs the information of the estimated distribution of the agent as described in any one of Claim 1 to 3 Estimating device.
前記制御部が、少なくともエージェントの初期位置の情報に基づいて、対象エリアにおけるエージェントの分布の情報を含むシミュレーション結果を出力すること、
前記制御部が、前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行うこと、
前記制御部が、前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報を出力することと
を備える推定方法。 A method implemented by an information processing apparatus including a control unit,
The control unit outputs a simulation result including information on distribution of agents in a target area based on at least information on initial positions of agents;
The control unit rearranges the distribution of agents in the simulation result so as to be close to the distribution of agents based on the observation result, and the control unit performs the relocation under the constraint that the total value of the movement distance by the rearrangement is minimized. Data assimilation by placing,
An estimation method comprising: the control unit outputting information on a distribution of agents in the target area estimated based on a distribution of agents after the rearrangement.
少なくともエージェントの初期位置の情報に基づいて、対象エリアにおけるエージェントの分布の情報を含むシミュレーション結果を出力するシミュレーション手段、
前記シミュレーション結果におけるエージェントの分布を観測結果に基づくエージェントの分布に近づけるように再配置することであって、前記再配置による移動距離の合計値を最小化するという制約下で再配置することによってデータ同化を行う再配置手段、
前記再配置後のエージェントの分布に基づいて推定された前記対象エリアにおけるエージェントの分布の情報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。 Computer
Simulation means for outputting a simulation result including information on distribution of agents in the target area based on at least information on the initial position of the agents;
Relocation of the agent distribution in the simulation result so as to be close to the agent distribution based on the observation result, and relocation under the constraint that the total value of the movement distance by the relocation is minimized. Relocation means for assimilation,
Output means for outputting information on the distribution of agents in the target area estimated based on the distribution of agents after the rearrangement;
Program to function as.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015175085A JP6632054B2 (en) | 2015-09-04 | 2015-09-04 | Estimation device, estimation method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015175085A JP6632054B2 (en) | 2015-09-04 | 2015-09-04 | Estimation device, estimation method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017049954A true JP2017049954A (en) | 2017-03-09 |
| JP6632054B2 JP6632054B2 (en) | 2020-01-15 |
Family
ID=58279787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015175085A Expired - Fee Related JP6632054B2 (en) | 2015-09-04 | 2015-09-04 | Estimation device, estimation method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6632054B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018139301A1 (en) * | 2017-01-24 | 2018-08-02 | 日本電気株式会社 | Information processing device, information processing method, and recording medium having information processing program recorded thereon |
| WO2020012976A1 (en) * | 2018-07-10 | 2020-01-16 | ソニー株式会社 | Information processing device, information processing system, action prediction method, and program |
| EP4198849A1 (en) * | 2021-12-17 | 2023-06-21 | Fujitsu Limited | Prediction program, prediction method, and prediction device, prediction system |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014203389A1 (en) * | 2013-06-21 | 2014-12-24 | 株式会社日立製作所 | Sensor placement determination device and sensor placement determination method |
-
2015
- 2015-09-04 JP JP2015175085A patent/JP6632054B2/en not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014203389A1 (en) * | 2013-06-21 | 2014-12-24 | 株式会社日立製作所 | Sensor placement determination device and sensor placement determination method |
Non-Patent Citations (4)
| Title |
|---|
| 中村 敏和: "パーティクルフィルターを用いた都市圏レベルの人の流れの推定手法の構築", 土木学会論文集Ｄ３(土木計画), vol. 69, no. 3, JPN6019043207, 2013, pages 227 - 236, ISSN: 0004149672 * |
| 加瀬 史朗: "ホーム上旅客流動の変化を予測できるシミュレーションシステムの開発", JR EAST TECHNICAL REVIEW, JPN6019043208, 2012, pages 49 - 54, ISSN: 0004149674 * |
| 川口 英俊: "人流シミュレーションにおける複数の評価基準を考慮した時間別ＯＤ表の推定", 人工知能学会 第29回全国大会論文集[CD-ROM], vol. 1N4-2, JPN6019043210, 2 June 2015 (2015-06-02), pages 1 - 4, ISSN: 0004149671 * |
| 若生 凌: "時空間メッシュ集計データを用いたデータ同化手法による人流推定", 地理情報システム学会講演論文集[CD-ROM], vol. 23, JPN6019043212, 2014, pages 1 - 5, ISSN: 0004149673 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018139301A1 (en) * | 2017-01-24 | 2018-08-02 | 日本電気株式会社 | Information processing device, information processing method, and recording medium having information processing program recorded thereon |
| WO2020012976A1 (en) * | 2018-07-10 | 2020-01-16 | ソニー株式会社 | Information processing device, information processing system, action prediction method, and program |
| EP4198849A1 (en) * | 2021-12-17 | 2023-06-21 | Fujitsu Limited | Prediction program, prediction method, and prediction device, prediction system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6632054B2 (en) | 2020-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Technitis et al. | From A to B, randomly: a point-to-point random trajectory generator for animal movement | |
| US10008110B1 (en) | Detecting restrictions on turning paths in digital maps | |
| US10402729B2 (en) | Path determination using robust optimization | |
| US20230024680A1 (en) | Method of determining regional land usage property, electronic device, and storage medium | |
| JP2021517670A (en) | Methods and equipment for generating maps | |
| JP6632054B2 (en) | Estimation device, estimation method and program | |
| US20230245002A1 (en) | Stationary Classifier for Geographic Route Trace Data | |
| Hu et al. | A data assimilation framework for discrete event simulations | |
| CN113865589A (en) | Long-distance rapid path planning method based on terrain slope | |
| JP2019067224A (en) | Human flow pattern estimation system, human flow pattern estimation method, and human flow pattern estimation program | |
| JP6853968B2 (en) | Parameter estimation system, parameter estimation method and parameter estimation program | |
| US10743090B2 (en) | Filtering noise values from telemetry data | |
| JP6757280B2 (en) | Parameter output device, parameter output method and program | |
| CN111581306A (en) | Driving track simulation method and device | |
| JP6448506B2 (en) | Pattern extraction apparatus, method, and program | |
| CN107462247A (en) | A kind of indoor orientation method, device and computer-readable recording medium | |
| JP7243820B2 (en) | Moving number estimation device, moving number estimation method, and moving number estimation program | |
| CN113326877A (en) | Model training method, data processing method, device, apparatus, storage medium, and program | |
| JP6726312B2 (en) | Simulation method, system, and program | |
| Osogami et al. | Research Report IBM Mega Traffic Simulator | |
| JP6260355B2 (en) | Estimation program, estimation method, and estimation apparatus | |
| Makulavičius et al. | E-tri: E-vehicle testbed routing infrastructure | |
| CN116634378B (en) | Travel road track identification method, device, equipment and storage medium | |
| Long et al. | V-BUDEM: a vector-based Beijing urban development model for simulating urban growth | |
| JP5818157B2 (en) | Urban area evaluation device, urban area evaluation method, program, and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20151001 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180903 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191108 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191206 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6632054 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |