JP2018173697A - 共同利用料金算出システム - Google Patents
共同利用料金算出システム Download PDFInfo
- Publication number
- JP2018173697A JP2018173697A JP2017069693A JP2017069693A JP2018173697A JP 2018173697 A JP2018173697 A JP 2018173697A JP 2017069693 A JP2017069693 A JP 2017069693A JP 2017069693 A JP2017069693 A JP 2017069693A JP 2018173697 A JP2018173697 A JP 2018173697A
- Authority
- JP
- Japan
- Prior art keywords
- fee
- charge
- user
- usage
- calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 153
- 238000010801 machine learning Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 86
- 230000008569 process Effects 0.000 description 48
- 230000008901 benefit Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 101150066312 RAB2A gene Proteins 0.000 description 2
- 102000011070 Rab3 Human genes 0.000 description 2
- 108050001276 Rab3 Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract 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
- 230000003287 optical effect Effects 0.000 description 1
- 101150024395 rab1A gene Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
Description
また、相乗りの場合は、サービスの共同利用によって、各ユーザはある程度の遠回りを強いられるなどの不利益を被ることも想定される。かかる観点から、特許文献4では、相乗りの対象を、ユーザの出発地、目的地に基づいて定まる楕円形のエリア内に存在する他のユーザに絞る技術を開示する。
単独で利用する場合の料金に対して所定の係数を乗じるなどの方法により、相乗りの場合の料金を決定することも可能ではあるが、かかる方法では、料金の算出方法に合理的な根拠がないため、運行車にとっては赤字運行となるリスクを含み、ユーザにとっては過剰に料金を払うリスクを含むことになる。かかる課題は、タクシーの相乗りに関わらず、例えば、利用時間に応じた従量制で料金が計算される貸ホール、貸会議室、貸スタジオなどを複数のユーザが共同利用する場合など、複数のユーザが共同利用し、従量制の料金を採用するサービスに共通に生じるものである。
本発明は、これらの課題に鑑み、従量制の料金を採用するサービスを利用する場合に、利用を開始する前に、各ユーザが払うべき料金を算出する技術を提供することを目的とする。
複数のユーザが共同利用し、従量制の料金を採用するサービスにおいて、各ユーザの利用料金を事前に算出する共同利用料金算出システムであって、
前記サービスに対するユーザの利用要求を受け付ける要求受付部と、
前記利用要求に応じて、前記従量制に基づいた前記ユーザの利用料金を、前記共同利用の可能性を踏まえて、該ユーザによる利用の開始前に算出する事前料金算出部とを備え、
前記事前料金算出部は、前記サービスの利用実績に対して各人が支払うべき料金を事後的に算出した教師データを利用した機械学習回帰により前記算出を行う共同利用料金算出システムとして構成することができる。
複数のユーザが共同利用する際の各人の公平な料金を算出するためには、本来は、誰がいつ、どのように利用するかが確定しなくてはならない。従って、全員が利用を終えた後でないと、各人の利用料金は、算出できないはずである。
しかし、本発明によれば、事前料金算出部は、機械学習回帰によって各人の支払うべき料金を算出することができる。この機械学習回帰は、サービスを共同利用したときに各人が支払うべき料金を事後的に算出した結果を教師データとして用いるものである。この結果、本発明によれば、利用要求を受けた時点で、従前の様々な利用実績を踏まえた教師データに基づいて、その利用要求に応じた料金を算出することができる。
この料金は、サービスの利用を開始する前に算出されるものであるため、サービスの利用実態には未確定の部分があり、サービス利用後の実績に照らして算出される料金とは必ずしも一致しない可能性がある。しかし、上述の教師データに基づく機械学習回帰によって算出されるものであるから、過去の実績を踏まえた期待値として求められるものである。従って、サービスの提供者にとっても、サービスのユーザにとっても公正な料金を事前に算出することができる利点がある。
また、1番目のユーザがサービスの利用要求を行う場面と、2番目のユーザがサービスの利用要求を行う場面(既に一人のユーザがサービスを利用している)では、状況が異なっているため、1番目のユーザ、2番目のユーザに対して本発明で得られる料金は、事後的に見れば整合しないことも生じ得る。例えば、1番目、2番目のユーザの料金の合計が、本来の2人の共同利用の場合の料金を超えることが生じるかも知れないが、本発明では、かかる事態は許容する。本発明は、事後的に精算して得られるべき料金を正確に算出することではなく、サービスの利用を開始する前の時点で、共同利用が生じることも踏まえて、公平妥当と言える料金を算出することを目的とするものだからである。
前記料金は、所定のパラメータに従った従量制の料金となっており、
前記事前料金算出部は、前記パラメータを用いた算出式によって前記料金を算出するよう構成され、該算出式に用いられる係数を前記機械学習によって求めるものとしてもよい。
上記態様では、料金を算出するための算出式は、これらのパラメータの関数として設定されることになる。機械学習では、その算出式の係数のみを求めるのである。機械学習を用いて料金を算出する場合、得られる結果は、必ずしもパラメータの関数になるとは限らないが、上述の態様によれば、パラメータの関数として料金が得られるため、より合理性の高い結果を得ることができる利点がある。
上記態様において算出式は、従量制の料金を定めるパラメータ以外の変数を用いるものとしてもよい。例えば、サービスにおいて共同利用が発生する確率を算出式に用いるものとしてもよい。
前記利用要求に応じて利用されたサービスの実績を記録するとともに、前記事前料金算出部によって得られた料金に関わらず、該実績に基づいて該サービスを利用した各人が支払うべき料金を算出する事後料金算出部と、
前記事後料金算出部による結果を前記教師データに追加して、前記機械学習回帰の訓練を行う機械学習部とを備えるものとしてもよい。
事後料金の算出は、種々の方法をとることができる。いわゆる協力ゲームに用いられる「シャプレー値」、「仁」を用いるようにしてもよい。また、特許文献1〜3に記載された方法を用いても良い。これらの方法は、単独で用いても良いし、複数を組み合わせて用いても良い。
前記利用要求は、前記サービスの利用時期を含む属性を表す属性データを含んでおり、
前記事前料金算出部は、前記属性データに対応した教師データを用いた機械学習回帰により料金の算出を行うものとしてもよい。
別の態様として、属性とは無関係に教師データを用意し、これに基づいた機械学習を行うものとしておき、得られた結果を、属性に応じて修正する方法をとることもできる。
予め用意されたユーザの利用中に他のユーザとの共同利用が生じ得る発生確率を記録した確率データに基づいて、前記利用要求に応じた発生確率を求め、前記事前料金算出部は、該発生確率を反映させて前記料金の算出を行うものとしてもよい。
発生確率は、種々の方法で料金に反映することが可能である。例えば、先に説明した料金を算出するための算出式の一部に、発生確率を含めるようにしてもよい。また、別の方法として、共同利用を想定した場合の料金と、想定しない場合の料金を求めた上で、発生確率に応じた加重平均によって最終的な答えを得るようにしてもよい。この他にも、種々の方法をとることが可能である。
この判断には、例えば、新たなユーザとの共同利用を許諾することによって既に利用中のユーザが受ける不利益または損失を求め、当該不利益または損失が、既に利用中のユーザの許容範囲か否かによって行う方法をとることができる。また、既に利用中のユーザが複数人いる場合には、不利益または損失が全ユーザの許容範囲に含まれることを、共同利用許諾の要件としてもよい。さらに、既に利用中の複数のサービスが存在する場合には、上述の不利益または損失が最も小さい既存のユーザを選択し、新たなユーザとの共同利用を許諾するようにしてもよい。
本発明は、上述した共同利用料金算出システムとしての態様に限らず、コンピュータによって共同利用料金の算出を行う共同利用料金算出方法として構成することもできる。また、かかる算出をコンピュータに行わせるためのコンピュータプログラム、およびかかるプログラムを記録したコンピュータ読み取り可能な記録媒体として構成することもできる。ここでコンピュータ読み取り可能な記録媒体としては、フラッシュメモリ、ハードディスク、光ディスク、クラウドなど種々の媒体を用いることができる。
このように実施例では、タクシーの相乗りを例にとって説明するが、本発明は、この他、貸ホールの共同利用など、従量制の料金が採用される種々のサービスの共同利用に対して適用可能である。
図1は、事前料金算出システム10の構成を示す説明図である。実施例の事前料金算出システム10は、図1に示す各機能を実現するためのコンピュータプログラムを、CPU、RAM、ROMなどを備えたコンピュータまたはサーバにインストールすることによってソフトウェア的に構成されている。図示した機能の一部または全部をハードウェア的に構成することも可能である。
また、実施例では、スタンドアロンで稼働するコンピュータまたはサーバによってシステムが実現される例を示すが、ネットワークで接続された複数のコンピュータやサーバによって構成されるシステムとしてもよい。
以下、図中の各機能について説明する。
送受信部11とユーザ端末との間で送受信される情報としては、ユーザによるタクシーの乗車要求、それに応じて決定された配車結果や算出された料金などの情報が挙げられる。送受信部11とタクシー車両との間で送受信される情報としては、タクシー車両に対する配車指示、即ちユーザの所在地と目的地などの指示、タクシーの現在位置や乗っているユーザ数などの運行情報が挙げられる。この他の情報を送受信してもよい。
配車制御部14は、乗車要求に応じて、運行データベース19、経路探索部15を用いて、ユーザに配車すべきタクシー車両を決定する。運行データベース19は、タクシー車両の現在および過去の運行状況を逐次記憶するデータベースである。各タクシー車両の運行状況は、送受信部11を介して運行データ記録部18が収集し、運行データベース19に記録する。従って、運行データベース19を参照することにより、現在、運行中のタクシーの位置、乗客数、目的地などの情報を得ることができる。
経路探索部15は、道路をノードおよびリンクで表した地図データベース16を参照して、ユーザが指定した出発地から目的地までの経路探索を行う。経路探索は、ダイクストラ法その他の周知の技術を適用可能である。既にいずれかの乗客を乗せて走行中のタクシー車両の場合には、それらの乗客が指定した出発地、目的地も経由して希望時刻までに降車するよう、経路探索が行われることになる。
事前料金の算出には、相乗りが発生する相乗り確率が反映される。相乗り確率データベース17は、予め地域ごとに相乗り確率を記憶しているデータベースである。事前料金算出部13は、走行する経路に応じて、相乗り確率データベース17を参照し、利用要求に応じた相乗り確率を求め、これを料金の算出に反映させる。
本実施例では、事前料金の算出は、機械学習回帰を用いて行う。事前料金算出部13は、訓練済みの機械学習回帰のアルゴリズムが組み込まれている。
機械学習部24は、教師データを用いて機械学習回帰の訓練を実行する機能を奏する。即ち、教師データから乗車要求に対応するデータを抽出し、所定の特徴ベクトルに従って特徴量を分析し、これに基づいて料金を算出するとともに、その解が教師データに格納されている料金に近づくように、料金を算出するアルゴリズムを構築していくのである。機械学習の訓練については、詳述する。この訓練によって得られた結果は、事前料金算出部13に受け渡され、事前料金の算出に利用される。
相乗りデータベース17は、1種類のみを用意するものとしてもよいが、本実施例では、図中にデータd1、d2、d3と、図示するように複数種類を用意するものとした。これらは、天候、曜日、時間帯、季節または月などの属性に応じて区分されたデータである。同じ場所であっても、相乗りの発生確率は、これらの属性に応じて異なるからである。このように属性に応じて区分して発生確率を格納することにより、乗車要求に応じた発生確率の算出精度を向上させることができる。
図1で説明した通り、本実施例の事前料金算出システム10は、機械学習回帰によって事前料金を算出する。機械学習回帰に用いられるのは、運行データと事後料金を含む教師データである。そこで、以下では、本実施例で用いる事後料金の算出方法についてまず説明する。
図3は、事後料金算出処理のフローチャートである。図1に示した事後料金算出部21が実行する処理に相当し、ハードウェア的には、事前料金算出システム10を構成するコンピュータまたはサーバのCPUが実行する処理となる。事前料金算出システム10に、事後料金算出部21を設けない構成においては、別途、教師データを生成するためのコンピュータのCPUが実行することになる。以下では、事前料金算出システム10が実行するものとして処理内容を説明する。
本実施例では、協力ゲームで用いられるシャプレー値を利用して事後料金の算出を行う。
処理を開始すると、事前料金算出システム10は、運行データを読み込む(ステップS10)。図中に運行データの内容を模式的に示した。この例では、ユーザAが乗車した後、ある地点でユーザBが乗車している。(A,B)という記載は、乗客がA,Bの2名であることを意味している。その後、別の地点でユーザCが乗車し、乗客が(A,B,C)となった後、Aが降車して乗客が(B,C)となっている。運行データは、このようにタクシーが通った地点および経路と、乗客の状態などを記録したデータである。
ここで、一旦、図4を用いて相乗り利得について説明する。図4は、事後料金の算出例を示す説明図である。A,B,Cの3名のユーザが相乗りする場合を例示している。
図4(a)は相乗り利得の算出例を示している。左側には、乗客の組合せを示し、中央にはその場合における従量制に基づいて算出される運賃を示した。乗客A,B,C全員が乗った場合、その運賃は、全員の出発地、目的地を通る経路に対するものとなり、この例では3800円であったとする。また、乗客A,Bのみが相乗りした場合の運賃は、A,Bの出発地、目的地を通る経路に対して推定された距離に応じて従量制で算出され、この例では2500円であったとする。同様にして、他の乗客の組合せも、それぞれに対する運賃を算出する。これらの組合せの中には、乗客Cを乗せず乗客A,Bの出発地、目的地を通る経路を走行する組合せなど、現実に走行していない組合せも存在するが、これらに対しては、経路探索によって得られた経路の距離などに応じて料金を推定すればよい。また、今回は単純化のため、乗降順序による経路距離は変わらない例である(A→BとB→Aの順番は運賃に影響しない)。
相乗り利得は、相乗りすることにより得られる経済的な利得を意味する。乗客A,B,Cが、それぞれ単独で利用するときは、相乗りが生じていないため、相乗り利得は0円である。乗客B,Cの場合は、B,Cがそれぞれ単独で利用すればその料金の合計が3600円(=2000円+1600円)となるところ、相乗りによって3000円で済んでいるため、相乗り利得は、600円(=3600円−3000円)となる。同様にしてそれぞれの乗客の組合せに対応する相乗り利得を図4(a)に示した通り算出することができる。
まず、全相乗りパターンを設定する。図4(b)では、左欄に発生し得るパターンを列挙した。最上段の例(A→A,B→A,B,C)は、乗客Aが利用中に、Bが乗り込み、さらにCが乗り込むというパターンを示している。他のパターンも同様に示した。図4(b)では、A,B,Cの3人が乗客となるパターンを列挙しているが、運行データによっては、途中でBが降車するなどの条件下でパターンを列挙してもよい。
次に、パターンごとに各人の貢献度を算出する。図4(b)には、ユーザA,B,Cのそれぞれによる貢献度を示した。上段の例で説明する。(A→A,B→A,B,C)の場合、Aは最初から最後まで乗車していることになる。つまり、Aは、自身が乗車することによって他人の料金を減少させる貢献は果たしていないと考えられる。従って、この場合の貢献度は、A単独の相乗り利得となり、利得差0円と求められる。次に、同じパターンについてBの貢献度(図4(b)の上段中央)を考える。Bは、乗客Aのみのところに乗り込んでいるから、この時点で料金の減少に貢献したことになる。その貢献度は、(A,B)の相乗り利得から、A単独の相乗り利得を引くことにより求められ、利得差は900円(=900円−0円)と求められる。また、同じパターンについてCの貢献度(図4(b)の上段右側)を考える。Cは、乗客A,Bのところに乗り込んでいるから、この時点で料金の減少に貢献したことになる。その貢献度は、(A,B,C)の相乗り利得から、(A,B)の相乗り利得を引くことにより求められ、利得差は300円(=1200円−900円)となる。同様に各パターンに対して、各人の貢献度を図4(b)に示す通り求めることができる。
次に、それぞれのパターンが等確率で発生すると仮定し、平均値により各人の貢献度を算出する。図4(b)において、Aの利得差は、上段から0円、0円、900円、600円、600円、600円と求まっているから、その平均値は、450円と求まる。同様にBの平均値は450円、Cの平均値は300円と求まる。
最後に、単独利用時の料金から各人の貢献度を引いて各人の料金を算出する。図4(b)の例によれば、Aの料金は950円(=1400円−450円)、Bの料金は1550円(=2000円−450円)、Cの料金は1300円(=1600円−300円)と求められることになる。
本実施例では、こうして得られる料金を、事後料金として用いるものとした。本実施例の方法に代えて、協力ゲームにおける「仁」を用いるようにしてもよいし、他の方法によって事後料金を算出することもできる。公正な利得分配手法であることが必要条件である。
以上で説明した手順により、事後料金が算出されると、事前料金算出システム10は、事後料金算出処理を終了する。得られた事後料金は、運行データとともに教師データとして機械学習の訓練に利用される。
次に、教師データを用いた機械学習訓練処理について説明する。
図5は機械学習訓練処理のフローチャートである。事前料金算出システム10の機械学習部24によって実行される処理である。本実施例では、事前料金算出システム10において訓練を行うように構成しているが、機械学習部24および教師データベース23を事前料金算出システム10とは別のコンピュータによって構築してもよい。かかる場合には、訓練で得られた結果を、事前料金算出部13に組み込むことになる。以下では、図1の構成に従い、事前料金算出システム10内に機械学習部24が設けられているものとして説明する。
・利用者の相乗り協力意思の有無
・希望乗車時刻、希望降車時刻
・メッシュ別の乗車または降車確率、相乗り確率
・リンク方向別の乗車または降車確率、相乗り確率
・リンク所要時間の時間変動(道路の混雑度)
・地図上の領域ごとの人口予測データ
・車両独占時の予測所要時間(待ち時間+乗車時間)
・相乗り時の予測所要時間(待ち時間+乗車時間+他の乗客を乗せようと遠回りするための迂回時間)
特徴量は、これらの全てを用いる必要はなく、この中を適宜、選択して使用すればよい。また、これ以外の特徴量を用いることも可能である。
図示するように、まず、分割したグループ1をテストデータとして用い、グループ2以降の残りを訓練データとして用いる。そして、訓練データに含まれる教師データを用いて機械学習の訓練を実行する。即ち、教師データに基づき、その運行状況に対して各人が支払うべき料金がいくらになるべきかを教えるのである。訓練が完了すると、事前料金算出システム10は、テストデータとして用意してあるグループ1に対して機械学習回帰を実施し、この結果と、グループ1に格納されている事後算出料金とを対比して、その正解率をスコアとして算出する。図の例では、相関関数0.856がスコアとして算出されているが、二乗平均平方根誤差(Root-Mean-Square Error:RMSE)などを利用することも可能である。この機械学習回帰には、例えば、SV回帰(サポートベクトル回帰)やRF回帰(ランダムフォレスト回帰)などの手法を用いることができる。
同様の処理を、次は、グループ2をテストデータとして実行する。このようにテストデータを、順にグループ1からグループKまで、順次入れ換えながらスコアを算出するのである。そして、グループ1〜グループKのスコアの平均値を交差検定のスコアとする。
そこで、本実施例では、事前料金算出システム10は、交差検定スコアが最適値を得られるまで(ステップS24)、制限パラメータの値を変更しながら、交差検定スコアの算出を繰り返す。こうして最適値が得られると、事前料金算出システム10は、機械学習訓練処理を終了する。
機械学習訓練処理は、交差検定スコア算出による処理に代えて、全グループを教師データとして用いるものとしてもよい。
事前料金=初乗料金×C1+距離時間制単価×(距離、時間)−(貢献時間×C2+相乗り確率×C3);
ここで、貢献時間とは、「希望降車時刻−単独で利用するときの予測到着時刻」である。
従って、機械学習回帰では、上記計算式に用いられる係数C1、C2、C3を求めることになる。タクシー料金は、距離および時間による従量制の料金体系を採用しているから、かかる料金体系を踏まえた計算式を設定し、係数C1〜C3を用いることで、計算結果に対する自由度を与えるのである。こうすることにより、機械学習によって算出される料金も、距離および時間による従量制という定性的な傾向の中で得られる利点がある。
もちろん、かかる計算式を用いることなく、事前料金を算出するようにしても差し支えない。
次に、現実の利用場面において、ユーザが、ユーザ端末を利用してタクシーを要求したときに、そのユーザが支払うべき料金を算出する処理について説明する。
図6は、事前料金算出処理のフローチャートである。この処理は、主として事前料金算出システム10の事前料金算出部13が他のモジュールと協働して実行する処理である。
処理を開始すると、事前料金算出システム10は、ユーザ端末で指定された乗車要求を入力する(ステップS30)。乗車要求には、図中に示すように出発地、目的地、到着希望時刻、相乗り協力の有無などの情報が含まれる。ユーザが他人との相乗りでもよいと考えるときは、相乗り協力「あり」が指定され、単独で利用したいと考えるときは、相乗り協力「なし」が指定されることになる。これらの情報は、例えば、ユーザ端末に表示される入力画面を通じて行うようにすればよい。乗車要求には、この他にも、希望乗車時刻、乗車人数などを入力するようにしてもよい。
配車が決定されると、事前料金算出システム10は、相乗り確率算出処理を実行する(ステップS32)。これは、乗車要求に従って走行する場合に、途中で相乗りが発生する確率、即ちユーザ以外の乗客が乗車する確率を求める処理である。また経路探索で算出される所要時間はタクシー走行履歴を蓄積したプローブ情報や混雑情報を活用することで精度が向上する。
事前料金=初乗料金+距離時間制単価×(距離、時間)・・・(1)
相乗りを考慮する必要はないため、経路探索によって得られる経路に従って、距離および所要時間を求めれば、容易に事前料金を算出することができる。本実施例によれば、相乗りを許容するユーザが増えることにより全体としてタクシーの稼働率を向上させることができるから、単独で利用する場合の料金を、所定の割引を適用して設定してもよい。
事前料金=初乗料金×C1+距離時間制単価×(距離、時間)−(貢献時間×C2+相乗り確率×C3)・・・(2)
ここで、貢献時間とは、「希望降車時刻−単独で利用するときの予測到着時刻」である。
事前料金の算出方法は、式(2)以外の算出式を用いても良い。ただし、事前に機械学習の訓練を行うときに用いる算出式と統一しておく必要がある。
例えば、式(2)では、式中に相乗り確率を用いているが、相乗り確率を除く式を用いてもよい。この場合は、例えば、単独で利用する場合の事前料金(「料金1」という)と、相乗りで利用する場合の事前料金(「料金2」という)と相乗り確率P(例えば経路上の最大値)を用いて、次式(3)のように加重平均によって、最終的な相乗り時の事前料金を算出するようにしてもよい。
事前料金=(1−P/100)×料金1+P/100×料金2・・・(3)
結果は、ユーザ端末に表示される。
このとき、事前料金とともに、相乗り有無による到着予測時刻、相乗り有無による事前料金の比較などを出力してもよい。また、配車制御処理(ステップS31)において、配車の候補が複数、存在する場合には、候補ごとに結果を出力するようにしてもよい。こうすることにより、所要時間が長くなるが事前料金が安価になるパターン、事前料金が高いが所要時間が短くなるパターンなど、ユーザに選択肢を与えることができる利点がある。出力された事前料金をユーザが了承した場合、または複数の候補からいずれかをユーザが選択した場合には、タクシー車両に対して、その内容に従った配車指示が行われる。
次に、配車制御処理を説明する。配車制御処理は、走行中または待機中のタクシーから乗車要求に応じたタクシーを配車する処理である。図1の配車制御部14が主として実行する処理であり、事前料金算出処理(図6)のステップS31の処理に相当する。
図7は、配車制御処理のフローチャートである。処理を開始すると、事前料金算出システム10は、乗車要求を入力する(ステップS40)。事前料金算出処理(図6)のステップS30と同じ処理である。
次に、事前料金算出システム10は、運行中の車両に対して経路探索を実行する(ステップS41)。経路探索は、地図データベース16を用いて行うことができる。図中に経路探索の例を示した。
例えば、ユーザAの出発地Sa、目的地Gaという乗車要求に対して待機中のタクシーを配車する場合には、経路探索により経路Raが得られる。
ユーザAが乗車したタクシーが走行中に、ユーザBが出発地Sb、目的地Gbという乗車要求をした場合には、当初の出発地Sa、目的地GaおよびユーザBの出発地Sb、目的地Gbの4点を経由する経路を探索する。この結果、経路Rab1→Rab2→Rab3が得られる。
さらに、ユーザA,Bが乗車中のタクシーが走行中に、ユーザCが出発地Sc、目的地Gcという乗車要求をした場合には、全ての出発地Sa、Sb、Sc、目的地Ga、Gb、Gcを通過する経路を探索する。この結果、経路Rc1→Rc2→Rc3→Rab2→Rab3という経路が得られる。一般に、相乗りが生じることにより、単独で利用する場合よりも経路が長くなる傾向にある。
配車可能な候補車両が、車両1〜4まで4台存在したとする。車両1には、乗客aが乗車している。総所要時間は、乗車要求に対して車両1を配車し、相乗りが生じた場合に、乗客aが目的地に到達するまでの所要時間である。図の例では20分と求められている。単独所要時間は、相乗りせずに単独で利用した場合に、目的地に到達するまでの所要時間である。図の例では15分と求められている。損失時間は、「総所要時間−単独所要時間」であり、乗客aの場合、5分となる。この損失時間が、乗客aが予め指定している許容範囲にある場合には、「可」と判断される。許容範囲は、乗車要求における希望到着時刻から求め、希望到着時刻と、単独運行による到着予測時刻との差を許容範囲としてもよい。
車両2についても同様の処理を行う。車両2には、乗客b、cの2人が乗車している。総所要時間は、乗車要求に対して車両2を配車したときの所要時間である。乗客b、cで総所要時間が異なるのは、両者の出発地、目的地が異なるからである。また、乗客b、cのそれぞれについて単独所要時間、および損失時間を求める。その上で、損失時間が許容範囲か否かを判断する。図の例では、乗客bの損失時間7分は許容範囲内であるため「可」と判断され、乗客cの損失時間10分は乗客cが指定した許容範囲を超えるため「不可」と判断されている。
同様に、車両3、車両4についても同様の処理を行う。車両4は、乗客が乗車していないから、待機中の車両であることを意味している。
以上の処理によって、配車が決定すると、事前料金算出システム10は、配車制御処理を終了する。事前料金算出システム10は、この時点で配車対象となるタクシーに、新たなユーザの乗車位置を配車指示として送信してもよい。また、ユーザが、複数の配車候補から、いずれかを選択可能とする場合には、ユーザによる選択がなされた時点で配車指示を送信してもよい。
次に、相乗り確率算出処理について説明する。相乗り確率算出処理は、乗車要求に応じて走行した場合に、走行中に相乗りが発生する確率を求める処理である。図1の事前料金算出部13が主として実行する処理であり、事前料金算出処理(図6)のステップS32の処理に相当する。
図8は、相乗り確率算出処理のフローチャートである。処理を開始すると、事前料金算出システム10は、相乗り確率を算出するために必要なデータを読み込む(ステップS50)。先に図2で説明した通り、本実施例の相乗り確率データベースは、天候その他の属性に応じて用意されている。従って、ステップS50では、これらの使い分けに応じた属性を入力する。図の例では、天候、曜日、時間帯などを入力することになる。また、経路探索の結果も入力する。
そして、事前料金算出システム10は、相乗り確率データベースを参照し、相乗り確率の最大値を算出する(ステップS51)。図中に確率の算出例を示した。図中に示すように出発地Sから目的地Gに至る経路が探索されているとする。この経路に従って、相乗り確率データの各メッシュに格納された値を読み取る。図の例では、出発地Sの7%に始まり、2%、5%、0%、70%、10%、20%、80%という値がそれぞれ得られる。事前料金算出システム10は、こうして得られた中から最大値であるメッシュMに対応する値70%を、相乗り確率とする。実際の最大値は目的地Gの80%であるが、目的地Gで相乗りが生じるとしても、有効な相乗りとはならないため除外した。
相乗り確率の算出は、上述の方法に限らず、種々の方法をとることができ、例えば、読み出した確率の平均値などとしてもよい。
以上で説明した実施例の事前料金算出システム10によれば、タクシーの利用を開始する時点で、相乗りが発生する確率も考慮して、ユーザが支払うべき料金を算出することができる。従って、ユーザは、相乗りを許容することによって、どれだけ料金を節約できるか、また遠回り等によるデメリットがどれだけあるかを判断することができ、相乗りを利用しやすくなる利点がある。同時に、ユーザによる相乗りが増えることにより、タクシーの稼働率が向上するという利点も得られる。
本実施例では、事前料金の算出に、機械学習回帰を利用する。従って、事前料金の算出用の計算式を人的に設定する必要がなく、事後料金を含む教師データを用意すれば、比較的高い精度で事前料金を算出可能となる利点もある。
また、本実施例では、実際の運行データから事後料金を算出し、これによって教師データをアップデート可能としているため、より一層の精度向上を図ることができる利点もある。
本実施例で説明した種々の特徴は、必ずしも全てを備えている必要はなく、適宜、その一部を省略したり組み合わせたりしてもよい。
11…送受信部
12…乗車要求受付部
13…事前料金算出部
14…配車制御部
15…経路探索部
16…地図データベース
17…相乗り確率データベース
18…運行データ記録部
19…運行データベース
20…訓練部
21…事後料金算出部
22…データベース更新部
23…教師データベース
24…機械学習部
Claims (7)
- 複数のユーザが共同利用し、従量制の料金を採用するサービスにおいて、各ユーザの利用料金を事前に算出する共同利用料金算出システムであって、
前記サービスに対するユーザの利用要求を受け付ける要求受付部と、
前記利用要求に応じて、前記従量制に基づいた前記ユーザの利用料金を、前記共同利用の可能性を踏まえて、該ユーザによる利用の開始前に算出する事前料金算出部とを備え、
前記事前料金算出部は、前記サービスの利用実績に対して各人が支払うべき料金を事後的に算出した教師データを利用した機械学習回帰により前記算出を行う共同利用料金算出システム。 - 請求項1記載の共同利用料金算出システムであって、
前記料金は、所定のパラメータに従った従量制の料金となっており、
前記事前料金算出部は、前記パラメータを用いた算出式によって前記料金を算出するよう構成され、該算出式に用いられる係数を前記機械学習によって求める共同利用料金算出システム。 - 請求項1または2記載の共同利用料金算出システムであって、さらに、
前記利用要求に応じて利用されたサービスの実績を記録するとともに、前記事前料金算出部によって得られた料金に関わらず、該実績に基づいて該サービスを利用した各人が支払うべき料金を算出する事後料金算出部と、
前記事後料金算出部による結果を前記教師データに追加して、前記機械学習回帰の訓練を行う機械学習部とを備える共同利用料金算出システム。 - 請求項1〜3いずれか記載の共同利用料金算出システムであって、
前記利用要求は、前記サービスの利用時期を含む属性を表す属性データを含んでおり、
前記事前料金算出部は、前記属性データに対応した教師データを用いた機械学習回帰により料金の算出を行う共同利用料金算出システム。 - 請求項1〜4いずれか記載の共同利用料金算出システムであって、
予め用意されたユーザの利用中に他のユーザとの共同利用が生じ得る発生確率を記録した確率データに基づいて、前記利用要求に応じた発生確率を求め、前記事前料金算出部は、該発生確率を反映させて前記料金の算出を行う共同利用料金算出システム。 - 複数のユーザが共同利用し、従量制の料金を採用するサービスにおいて、各ユーザの利用料金をコンピュータにより算出する共同利用料金算出方法であって、
前記コンピュータが実行するステップとして、
前記サービスに対するユーザの利用要求を受け付ける要求受付ステップと、
前記利用要求に応じて、前記従量制に基づいた前記ユーザの利用料金を、前記共同利用の可能性を踏まえて、該ユーザによる利用の開始前に算出する事前料金算出ステップとを備え、
前記事前料金算出ステップは、前記サービスの利用実績に対して各人が支払うべき料金を事後的に算出した教師データを利用した機械学習回帰により前記算出を行う共同利用料金算出方法。 - 複数のユーザが共同利用し、従量制の料金を採用するサービスにおいて、各ユーザの利用料金をコンピュータにより算出するためのコンピュータプログラムであって、
前記サービスに対するユーザの利用要求を受け付ける要求受付機能と、
前記利用要求に応じて、前記従量制に基づいた前記ユーザの利用料金を、前記共同利用の可能性を踏まえて、該ユーザによる利用の開始前に算出する事前料金算出機能とをコンピュータに実現させ、
前記事前料金算出機能は、前記サービスの利用実績に対して各人が支払うべき料金を事後的に算出した教師データを利用した機械学習回帰により前記算出を行う機能であるコンピュータプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017069693A JP6548127B2 (ja) | 2017-03-31 | 2017-03-31 | 共同利用料金算出システム |
PCT/JP2018/008730 WO2018180302A1 (ja) | 2017-03-31 | 2018-03-07 | 共同利用料金算出システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017069693A JP6548127B2 (ja) | 2017-03-31 | 2017-03-31 | 共同利用料金算出システム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018173697A true JP2018173697A (ja) | 2018-11-08 |
JP2018173697A5 JP2018173697A5 (ja) | 2019-02-07 |
JP6548127B2 JP6548127B2 (ja) | 2019-07-24 |
Family
ID=63675492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017069693A Active JP6548127B2 (ja) | 2017-03-31 | 2017-03-31 | 共同利用料金算出システム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6548127B2 (ja) |
WO (1) | WO2018180302A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020201696A (ja) * | 2019-06-10 | 2020-12-17 | 日産自動車株式会社 | 遅延交渉の要否判断方法、遅延交渉の要否判断装置、及び遅延交渉の要否判断システム |
KR20210096492A (ko) * | 2020-01-28 | 2021-08-05 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운행 정보 제공 시스템 |
KR20210096491A (ko) * | 2020-01-28 | 2021-08-05 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운전자 단말 및 통합 관리 서버와 그를 이용한 운행 정보 제공 및 관리 방법 |
JP2022056711A (ja) * | 2020-09-30 | 2022-04-11 | 沖電気工業株式会社 | 分配量算出装置、分配量算出方法およびプログラム |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7159129B2 (ja) * | 2019-08-28 | 2022-10-24 | 本田技研工業株式会社 | 情報処理装置、情報処理システム、情報処理方法、およびプログラム |
CN113362054B (zh) * | 2021-06-03 | 2023-04-28 | 八维通科技有限公司 | 基于人工智能的城市公共交通支付的数字清分结算系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003233656A (ja) * | 2002-02-13 | 2003-08-22 | Aoba Asset Management:Kk | タクシー相乗り支援システム |
JP2003272084A (ja) * | 2002-03-15 | 2003-09-26 | Foundation For The Promotion Of Industrial Science | 走行所要時間予測装置及び方法 |
JP2004362271A (ja) * | 2003-06-04 | 2004-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 相乗り乗車システム、乗車情報処理装置および相乗り乗車方法 |
JP2006259864A (ja) * | 2005-03-15 | 2006-09-28 | Nomura Research Institute Ltd | タクシー料金を事前に決定するシステム及び方法 |
JP2013214167A (ja) * | 2012-03-30 | 2013-10-17 | Fujitsu Ltd | 料金算出方法、料金算出プログラム及び料金算出装置 |
JP2014238831A (ja) * | 2013-06-05 | 2014-12-18 | 富士通株式会社 | 輸送サービス予約方法、輸送サービス予約装置、及び輸送サービス予約プログラム |
JP2016091212A (ja) * | 2014-10-31 | 2016-05-23 | 富士通株式会社 | 相乗り料金計算プログラム、相乗り料金計算装置、及び相乗り料金計算方法 |
JP2016192064A (ja) * | 2015-03-31 | 2016-11-10 | 三菱電機株式会社 | 費用予測装置およびプログラム |
-
2017
- 2017-03-31 JP JP2017069693A patent/JP6548127B2/ja active Active
-
2018
- 2018-03-07 WO PCT/JP2018/008730 patent/WO2018180302A1/ja active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003233656A (ja) * | 2002-02-13 | 2003-08-22 | Aoba Asset Management:Kk | タクシー相乗り支援システム |
JP2003272084A (ja) * | 2002-03-15 | 2003-09-26 | Foundation For The Promotion Of Industrial Science | 走行所要時間予測装置及び方法 |
JP2004362271A (ja) * | 2003-06-04 | 2004-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 相乗り乗車システム、乗車情報処理装置および相乗り乗車方法 |
JP2006259864A (ja) * | 2005-03-15 | 2006-09-28 | Nomura Research Institute Ltd | タクシー料金を事前に決定するシステム及び方法 |
JP2013214167A (ja) * | 2012-03-30 | 2013-10-17 | Fujitsu Ltd | 料金算出方法、料金算出プログラム及び料金算出装置 |
JP2014238831A (ja) * | 2013-06-05 | 2014-12-18 | 富士通株式会社 | 輸送サービス予約方法、輸送サービス予約装置、及び輸送サービス予約プログラム |
JP2016091212A (ja) * | 2014-10-31 | 2016-05-23 | 富士通株式会社 | 相乗り料金計算プログラム、相乗り料金計算装置、及び相乗り料金計算方法 |
JP2016192064A (ja) * | 2015-03-31 | 2016-11-10 | 三菱電機株式会社 | 費用予測装置およびプログラム |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020201696A (ja) * | 2019-06-10 | 2020-12-17 | 日産自動車株式会社 | 遅延交渉の要否判断方法、遅延交渉の要否判断装置、及び遅延交渉の要否判断システム |
JP7356822B2 (ja) | 2019-06-10 | 2023-10-05 | 日産自動車株式会社 | 遅延交渉の要否判断方法、遅延交渉の要否判断装置、及び遅延交渉の要否判断システム |
KR20210096492A (ko) * | 2020-01-28 | 2021-08-05 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운행 정보 제공 시스템 |
KR20210096491A (ko) * | 2020-01-28 | 2021-08-05 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운전자 단말 및 통합 관리 서버와 그를 이용한 운행 정보 제공 및 관리 방법 |
KR102374042B1 (ko) * | 2020-01-28 | 2022-03-14 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운전자 단말 및 통합 관리 서버와 그를 이용한 운행 정보 제공 및 관리 방법 |
KR102374043B1 (ko) * | 2020-01-28 | 2022-03-14 | 주식회사 케이에스티모빌리티 | 승객 운송 서비스와 연계된 운행 정보 제공 시스템 |
JP2022056711A (ja) * | 2020-09-30 | 2022-04-11 | 沖電気工業株式会社 | 分配量算出装置、分配量算出方法およびプログラム |
JP7088252B2 (ja) | 2020-09-30 | 2022-06-21 | 沖電気工業株式会社 | 分配量算出装置、分配量算出方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6548127B2 (ja) | 2019-07-24 |
WO2018180302A1 (ja) | 2018-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018180302A1 (ja) | 共同利用料金算出システム | |
Masoud et al. | A real-time algorithm to solve the peer-to-peer ride-matching problem in a flexible ridesharing system | |
Nourinejad et al. | Agent based model for dynamic ridesharing | |
Ronald et al. | Simulating demand-responsive transportation: A review of agent-based approaches | |
US20190012613A1 (en) | Operation management method, operation management apparatus, and operation management program | |
US20190383621A1 (en) | Journey segment performance analysis | |
CN108027906A (zh) | 用于调整共乘调度和路线的系统和方法 | |
US20200104761A1 (en) | Payment card for multi-leg journey | |
Friedrich et al. | A modeling approach for matching ridesharing trips within macroscopic travel demand models | |
Cascetta et al. | Assessment of schedule-based and frequency-based assignment models for strategic and operational planning of high-speed rail services | |
Soto et al. | A new solution framework for the limited-stop bus service design problem | |
JP6375588B2 (ja) | 知能型の列車スケジューリング方法 | |
Li et al. | Optimizing flexible one-to-two matching in ride-hailing systems with boundedly rational users | |
López-Ramos et al. | Integrated approach to network design and frequency setting problem in railway rapid transit systems | |
d'Orey et al. | Can ride‐sharing become attractive? A case study of taxi‐sharing employing a simulation modelling approach | |
WO2019003672A1 (ja) | 交通需要予測装置、及び交通需要予測方法 | |
Bärmann et al. | A decomposition method for multiperiod railway network expansion—with a case study for Germany | |
Tavassoli et al. | Calibrating a transit assignment model using smart card data in a large-scale multi-modal transit network | |
Darwish et al. | Optimising public bus transit networks using deep reinforcement learning | |
Pham et al. | A literature review on interactions between stakeholders through accessibility indicators under mobility as a service context | |
KR20210106445A (ko) | 운송 관련 서비스에 대한 요청을 관리하기 위한 통신 서버 장치, 방법, 및 통신 시스템 | |
JP7158430B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Kumar et al. | Mode choice for urban work-based daily trips: a multi-criteria decision making model using the Analytical Hierarchical Process | |
Fournier et al. | A*-guided heuristic for a multi-objective bus passenger Trip Planning Problem | |
Noruzoliaee | Supply-demand equilibrium of private and shared mobility in a mixed autonomous/human driving environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181218 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181218 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181218 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190311 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190416 |
|
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: 20190527 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190614 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6548127 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |