JP2019028487A - 流量予測装置、方法、及びプログラム - Google Patents

Abstract

【課題】精度よく、かつ、効率よく、各地点の流量を予測するためのパラメータが得られる。【解決手段】事前計算処理部が、エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、発生地点の各々に対して、回数に関する制約を満たし、かつ、発生間隔に関する制約を満たすパラメータパターンを複数生成し、生成した複数のパラメータパターンの各々をシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得る。【選択図】図１

Description

本発明は、流量予測装置、方法、及びプログラムに係り、特に、各地点の流量を予測するための流量予測装置、方法、及びプログラムに関する。

従来より、エージェントの各地点間の移動をシミュレーションするシミュレータ（Multi-Agent System：ＭＡＳ等）がある。

シミュレータにおいて、より高い精度で人流予測シミュレーションを行うためにはシミュレーションのエージェントに関するパラメータを実測値に基づいて設定するデータ同化の技術が不可欠である。データ同化手法は、例えばグリッドサーチやモンテカルロ法などが挙げられる。

グリッドサーチは、総当りによる探索である。膨大な格子状の組み合わせの探索の事前処理ができれば、リアルタイムにデータ同化処理が可能である。

モンテカルロ法は、乱数発生による探索である。尤度ベースで探索を行うため、評価データ獲得後に探索を行う必要がある。

Yosuke Amijima,最適化問題に対する多元グリッドサーチ法の実装.(2003） Motwani, Rajeev; Raghavan, Prabhakar. Randomized algorithms. Cambridge University Press.(1995)

しかし、従来のデータ同化手法には、いずれも、時間経過に伴い必要なパラメータ数が増加するという問題があった。

本発明は、上記問題点を解決するために成されたものであり、精度よく、かつ、効率よく、各地点の流量を予測するためのパラメータが得られる流量予測装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る流量予測装置は、 各期間におけるエージェントの各地点間の移動をシミュレーションするシミュレータに用いて、各地点のエージェントの流量を予測する流量予測装置であって、エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、前記発生地点の各々に対して、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの回数が、前記回数に関する制約を満たし、かつ、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、前記発生間隔に関する制約を満たすパラメータパターンを複数生成し、前記生成した前記複数のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターンの各々に対する前記流量の予測結果を得る事前計算処理部を含んで構成されている。

また、第１の発明に係る流量予測装置において、前記生成した前記複数のパラメータパターンのうち、予め求められた各期間における各地点の前記エージェントが表す移動体の流量の観測データと、前記パラメータパターンに対する前記流量の予測結果との誤差が小さい前記パラメータパターンを選択し、選択された前記パラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、前記パラメータパターン群のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターン群の各々に対する前記流量の予測結果を得て、前記パラメータパターン群の中から前記観測データとの誤差の小さいパラメータパターンを求める局所探索処理部を更に含むようにしてもよい。

また、第１の発明に係る流量予測装置において、各地点について、前記地点に対して設置されたセンサの各々から取得された前記流量を統合して、前記観測データを求めるセンサデータ統合処理部を更に含むようにしてもよい。

第２の発明に係る流量予測方法は、各期間におけるエージェントの各地点間の移動をシミュレーションするシミュレータに用いて、各地点のエージェントの流量を予測する流量予測装置における流量予測方法であって、エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、事前計算処理部が、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、前記発生地点の各々に対して、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの回数が、前記回数に関する制約を満たし、かつ、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、前記発生間隔に関する制約を満たすパラメータパターンを複数生成し、前記生成した前記複数のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターンの各々に対する前記流量の予測結果を得るステップを含んで実行することを特徴とする。

また、第２の発明に係る流量予測方法において、局所探索処理部が、前記生成した前記複数のパラメータパターンのうち、予め求められた各期間における各地点の前記エージェントが表す移動体の流量の観測データと、前記パラメータパターンに対する前記流量の予測結果との誤差が小さい前記パラメータパターンを選択し、選択された前記パラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、前記パラメータパターン群のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターン群の各々に対する前記流量の予測結果を得て、前記パラメータパターン群の中から前記観測データとの誤差の小さいパラメータパターンを求めるステップを更に含むようにしてもよい。

また、第２の発明に係る流量予測方法において、各地点について、前記地点に対して設置されたセンサの各々から取得された前記流量を統合して、前記観測データを求めるセンサデータ統合処理部を更に含むようにしてもよい。

第３の発明に係るプログラムは、コンピュータを、第１の発明に係る流量予測装置の各部として機能させるためのプログラムである。

本発明の流量予測装置、方法、及びプログラムによれば、エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、発生地点の各々に対して、全期間における格子下限以外の各格子点が表す発生数の発生イベントの回数が、回数に関する制約を満たし、かつ、全期間における格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、発生間隔に関する制約を満たすパラメータパターンを複数生成し、生成した複数のパラメータパターンの各々をシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得ることにより、精度よく、かつ、効率よく、各地点の流量を予測するためのパラメータが得られる、という効果が得られる。

本発明の実施の形態に係る流量予測装置の構成を示すブロック図である。 地点人数データの一例を示す図である。 地理データの一例を示す図である。 事前計算処理部で生成するパラメータパターンの集合の一例を示す図である。 予測結果の出力の一例を示す図である。 本発明の実施の形態に係る流量予測装置における流量予測処理ルーチンを示すフローチャートである。 本発明の実施の形態に係る流量予測装置における事前計算処理ルーチンを示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜本発明の実施の形態に係る概要＞

まず、本発明の実施の形態における手法を説明する前に、前提となるシミュレータであるＭＡＳ（Multi-Agent System）について説明する。

ＭＡＳは、交通渋滞等のマクロな現象について、個々のヒト、車両を表現するエージェントの相互作用が積み重なった結果として捉えて、その仕組みを解析し、予測する手法を適用したシステムである。

本発明の実施の形態において組み込むＭＡＳは、混雑シミュレーションのためのＭＡＳを想定しており、車両や人を表すエージェントが所定の発生場所から目的地に移動する様相をシミュレートし、混雑の予測を行う。

シミュレーションの際、各発生地点ノードのエージェント発生数、各エージェントの目的地ノード、及び初期状態といったパラメータ等を必要とする。これらパラメータは操作者が試行的に決定するため、パラメータによっては現実とは異なる状況を予測してしまうことがある。そこで、部分的に取得した観測情報を利用し、ＭＡＳの予測をより現実に近づくようなパラメータを設定するデータ同化の処理を行うことで、より現実に近いパラメータをＭＡＳに与える。

ＭＡＳ内部ではエージェント間のインタラクション、速度減少、及びルート決定などが行われるが、本発明の実施の形態ではパラメータを与えたとき、期ごと場所ごとの人数を出力するようなブラックボックスの関数系として扱う。

ＭＡＳに与えるパラメータのデータ同化処理は、グリッドサーチにより各格子のパターンを作成して行う。本実施の形態では、グリッドサーチの事前処理において、事前知識に基づく制約を導入することにより、必要な組み合わせ数を減じることができる。

＜本発明の実施の形態に係る流量予測装置の構成＞

次に、本発明の実施の形態に係る流量予測装置の構成について説明する。図１に示すように、本発明の実施の形態に係る流量予測装置１００は、ＣＰＵと、ＲＡＭと、後述する予測処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この流量予測装置１００は、機能的には図１に示すように入力部１０と、演算部２０と、出力部５０とを備えている。

入力部１０は、発生イベントの回数に関する制約と、発生イベントの発生間隔に関する制約とを受け付けを受け付ける。発生イベントの回数に関する制約は、エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約である。発生イベントの発生間隔に関する制約は、格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約である。本実施の形態では、格子下限は０とする。格子下限以外の各格子点が表す発生数の発生イベントの回数ｒに関する制約は、例えば、回数ｒが、Ｒ＝３以下となることなどである。また、格子下限以外の各格子点が表す発生数の発生イベントの発生間隔ｓに関する制約は、例えば、発生間隔ｓが、Ｓ＝１以上となることなどである。このような制約は、事前知識により導出されたものである。発生イベントの回数に関する制約は、発生イベントの発生回数は、格子下限の場合が最も多く、格子の発生数が上がるにつれて少なくなるという事前知識により導出したものである。また、発生イベントの発生間隔に関する制約は、間隔のないパターンについては、期間の経過による人流の変化が少ないことから、他のパターンにより得られる結果との差が小さいため、省略可能であるという事前知識により導出したものである。

また、入力部１０は、各期間の各地点について、地点をノードとし、ノードに対して設置されたセンサの各々から取得された各期間の当該地点の人流の流量を表す地点人数データを受け付ける。センサは、例えば、カメラ、数取器、及びＧＰＳなどである。図２に地点人数データの一例を示す。図２に示すように、地点人数データは、各センサにおける、期ごとの各ノードの流量（実測人数）を表したものである。

また、入力部１０は、各ノードのリンク関係を表した地理データを受け付ける。図３に地理データの一例を示す。図３に示すように、地理データは、ノード間の有向グラフのリンク関係を表現したデータであり、リンクありを「１」で表している。なお、シミュレータに応じて、道幅等を定義してもよい。

演算部２０は、事前計算処理部３０と、ＭＡＳ部３２と、センサデータ統合処理部３４と、局所探索処理部３６とを含んで構成されている。

事前計算処理部３０は、入力部１０で受け付けた、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約を満たすパラメータパターンを複数生成し、パラメータパターンの各々をＭＡＳ部３２のシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得る。パラメータパターンは、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンである。また、生成されるパラメータパターンは、発生地点の各々に対して、全期間における格子下限以外の各格子点が表す発生数の発生イベントの回数が、回数に関する制約を満たし、かつ、全期間における格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、発生間隔に関する制約を満たす。

ＭＡＳ部３２は、既存のＭＡＳのシミュレータであり、パラメータパターンを受け付けると、パラメータパターンに対する、各期間におけるエージェントの各地点間の移動をシミュレーションし、各地点のエージェントの流量を予測する。

事前計算処理部３０は、具体的には、以下に説明する処理１〜４により、パラメータパターンを生成し、予測結果を得る。

まず、処理１について説明する。事前計算処理部３０は、処理１において、各期間における各発生地点のエージェントの発生数に関するパラメータを、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約のもと、グリットサーチの各格子を用いて生成する。処理１は詳細には、以下の処理１−１〜処理１−５の各処理を行う。

処理１−１では、全期間をＫ期、各発生地点を発生地点ノードとし、全発生地点ノードの発生数に所与の定数（例えば０）を置く。

処理１−２では、人流の発生イベントの回数ｒを０とおく。ここで、発生イベントの回数に関する制約をＲ（Ｒ＞ｒ）とする。

処理１−３では、全期間Ｋ期のなかで全発生地点ノードにおいてｒ個イベントが発生する発生イベントのパターンを網羅し、保存する。このとき、各発生地点ノードに対し、当該発生地点ノードでの発生イベントの間隔ｓが、Ｓ個以上となるように発生イベントのパターンを生成する。

処理１−４では、処理１−３で保存した発生イベントの各パターンについて、各発生イベントにおける発生数に、グリッドサーチの各格子として定められた発生数の規模集合（例えば、10人発生、100人発生）のいずれかの規模を割り当てることにより、パラメータパターンを網羅し、保存する。

処理１−５では、Ｒ＞ｒであればｒに１を加算し１−３へ戻る。Ｒ＞ｒでなければ処理１を終了する。

次に、処理２について説明する。事前計算処理部３０は、処理２において、処理１で生成したパラメータパターンに対し、エージェントに設定される目的地点の割合のパターンを加えたパラメータパターンを生成する。ここでは、処理１で保存されたパラメータパターンについて、各発生地点ノードの、各目的地ノードが目的地に設定される目的地ノード設定割合に、目的地ノード割合集合（例えば、目的地ノードA：目的地ノードD＝2:8,5:5,8:2）のいずれかを割り当てることにより、パラメータパターンを網羅し、保存する。ここで、地理データにおいて、２以上の目的地が設定されていない発生地点ノードについては本処理を省略してよい。

次に、処理３について説明する。事前計算処理部３０は、処理３において、処理２で生成したパラメータパターンに対し、目的地ノードの発生数の初期状態のパターンを加えたパラメータパターンを生成する。ここでは、処理２で保存されたパラメータパターンについて、初期状態として各目的地ノードの発生数に、グリッドサーチの各格子として定められた発生数の規模集合（例えば、10人発生、100人発生）のいずれかを割り当てることにより、パラメータパターンを網羅し、保存する。

処理３までで生成されたパラメータパターンの集合の一例を図４に示す。

次に、処理４について説明する。事前計算処理部３０は、処理４において、処理３までで生成されたパラメータパターンの集合をＭＡＳ部３２のシミュレータに入力し、シミュレーションの結果得られた、パラメータパターンの各々の各期間ごとの各ノードの人数データを保存しておく。このときシミュレーションに付随して発生する動画などの出力を表示用に保存しておいてもよい。パラメータパターンｑのｋ期目の地点ｙの人数データの予測結果をＭ_ｑ,k,ｙとおく。

センサデータ統合処理部３４は、各地点に対して、当該地点に設置されたセンサの各々から取得された各期間における人流の流量を統合して、各期間における人流の流量の観測データを求める。具体的には、入力部１０で受け付けた、各ノードのセンサから取得された人流の流量を表す地点人数データＡ_ｙ,ｄ,Ｘを取得する。地点人数データＡ_ｙ,ｄ,Ｘは、地点ｙのＸ期目においてセンサｄで観測された観測人数を表す。第三引数Ｘは固定である。そして、以下（１）式に従って、地点ｙのＸ期目における各センサｄで観測された地点人数データＡ_ｙ,ｄ,Ｘを統合し、統合地点人数データＮ_ｙ,Ｘを観測データとして生成する。

・・・（１）

ここで、デバイス分散パラメータσは任意に設定してよい。例えば、Ａ_ｙ,ｄ,Ｘ、又は｜Ｎ_ｔ−Ｎ_ｔ−１｜の母分散σを推定するなどの方法で事前に設定する。統合地点人数データＮ_ｙ,ｘはｙ地点のＸ期目の人数の真値に相当し、σ_ｄはセンサｄの分散（信頼度パラメータ）をそれぞれ表す。また、Ｄは、センサｄの集合である。また、一期前の統合地点人数データＮ_{ｙ,Ｘ−１}を集合Ｄの要素に加えてもよい。

局所探索処理部３６は、事前計算処理部３０で生成した複数のパラメータパターンのうち、センサデータ統合処理部３４で求められた各期間における各地点の流量の観測データと、パラメータパターンに対する流量の予測結果との誤差が小さいパラメータパターンを選択する。次に、選択されたパラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、パラメータパターン群の各々をパラメータパターンをＭＡＳ部３２のシミュレータに与えて、パラメータパターン群の各々に対する流量の予測結果を得ることで、パラメータパターン群の中から観測データとの誤差の小さいパラメータパターンを求め、最終的に得られたパラメータパターンの予測結果を出力部５０に出力する。

局所探索処理部３６は、具体的には、以下に説明する処理１〜４により、観測データとの誤差の小さいパラメータパターンを求める。

まず、処理１について説明する。局所探索処理部３６は、処理１において、観測データに対するパラメータパターンの近似値を決定する。以下（２）式に従って、パラメータパターンについて、観測データの統合地点人数データＮ_ｙ,Ｘと当該パラメータパターンをＭＡＳ部３２のシミュレータに与えて得られた予測結果Ｍ_ｑ,Ｋ,ｙとの自乗誤差のスコアを求め、スコアが最小となるパラメータパターンを選択する。

・・・（２）

欠損等でＮが得られていない場合には、自乗誤差のスコアから該当するｙを削除する。

なお、自乗誤差が最小の１件だけでなく、スコアが上位の複数のパラメータパターンを選択してもよい。また、以下（３）式のように自乗誤差の算出の際、Ｋ期目以前に遡って利用してもよい。

・・・（３）

次に、処理２について説明する。局所探索処理部３６は、処理２において、処理１で得られたパラメータパターンの全期間Ｋ期における各発生地点ノードの発生数に、モンテカルロ法による任意の正規誤差ｅを加えたパラメータパターン群を作成する。誤差ｅは平均を０とし、分散が任意に設定された正規分布からランダムに生成する。なお、モンテカルロ法の例を挙げているがＧＡ（Genetic Algorithms）等の他の手法を利用してもよい。また、目的地ノード設定、及び初期状態のパラメータを更新してもよい。次に、処理２では、上記で作成したパラメータ群のパラメータパターンの各々について、当該パラメータパターンをＭＡＳ部３２のシミュレータに与えて予測結果Ｍ_ｑ,Ｋ,ｙを得て、上記（２）式に従って、自乗誤差のスコアを算出し、スコア最小となるパラメータパターンを選択する。なお、スコアが最小の１件だけでなくスコアが上位の複数のパラメータパターンを選択し、平均化、または尤度比に応じた加重平均を採用してもよい。

次に、処理３について説明する。局所探索処理部３６は、処理３において、処理２で得られたパラメータパターンを保存する。過去に局所探索処理部３６の処理を１度以上実行しており、既にパラメータパターンが有る場合、既にパラメータがある部分のみ重み付き平均値を採用し、更新する。

次に、処理４について説明する。局所探索処理部３６は、処理４において、処理３で保存されたパラメータパターンをＭＡＳ部３２のシミュレータに入力し、Ｋ期における予測結果を、出力部５０に出力する。予測結果は、動画などの期間ごとの各地点の流量を再生して視認可能な形式で出力すればよい。出力の一例を図５に示す。

＜本発明の実施の形態に係る流量予測装置の作用＞

次に、本発明の実施の形態に係る流量予測装置１００の作用について説明する。入力部１０において発生イベントの回数に関する制約、発生イベントの発生間隔に関する制約、を受け付けると、流量予測装置１００は、図６に示す流量予測処理ルーチンを実行する。また、入力部１０は、各地点のセンサの各々から取得された各期間の人流の流量を表す地点人数データ、及び各ノードのリンク関係を表した地理データを受け付けている。

まず、ステップＳ１００では、入力部１０で受け付けた、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約を満たすパラメータパターンを複数生成し、パラメータパターンの各々をＭＡＳ部３２のシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得る。

次に、ステップＳ１０２では、各地点に対し、入力部１０で受け付けた、当該地点に対して設置されたセンサの各々から取得された各期間における流量を上記（１）式に従って統合して、各期間における観測データを求める。

ステップＳ１０４では、上記（２）式に従って、事前計算処理部３０で生成した複数のパラメータパターンのうち、センサデータ統合処理部３４で求められた各期間における各地点の流量の観測データと、パラメータパターンに対する流量の予測結果との誤差が小さいパラメータパターンを選択する。

ステップＳ１０６では、ステップＳ１０４で選択されたパラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、パラメータパターン群の各々をパラメータパターンをＭＡＳ部３２のシミュレータに与えて、パラメータパターン群の各々に対する流量の予測結果を得ることで、パラメータパターン群の中から観測データとの誤差の小さいパラメータパターンを求める。

ステップＳ１０８では、ステップＳ１０６で求められたパラメータパターンを用いて、パラメータパターンを更新する。

ステップＳ１１０では、ステップＳ１１０で更新されたパラメータパターンによる予測結果を出力部５０に動画等の形式で出力し、処理を終了する。

また、上記ステップＳ１００の処理について、図７のフローチャートを参照して説明する。

ステップＳ２００では、各期間におけるエージェントの発生数に関するパラメータパターンを、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約のもと、グリットサーチの各格子において生成する。

ステップＳ２０２では、ステップＳ２００で生成したパラメータパターンから、地図データに基づいて、エージェントに設定される目的地点の割合のパターンを加えたパラメータパターンを生成する。

ステップＳ２０４では、ステップＳ２０２で生成されたパラメータパターンに対し、初期状態のパターンを加えたパラメータパターンを生成する。

ステップＳ２０６では、ステップＳ２０４で生成されたパラメータパターンの集合をＭＡＳ部３２のシミュレータに入力し、シミュレーションの結果得られた、パラメータパターンの各々の期間ごとの各ノードの人数データの予測結果Ｍ_ｑ,Ｋ,ｙを保存する。

以上説明したように、本発明の実施の形態に係る流量予測装置によれば、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約を満たすパラメータパターンを複数生成し、パラメータパターンの各々をシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得て、観測データと、パラメータパターンに対する流量の予測結果との誤差が小さいパラメータパターンを選択し、任意の誤差を与えたパラメータパターン群からパラメータパターンを求めることにより、精度よく、かつ、効率よく、各地点の流量を予測するためのパラメータが得られる。

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

例えば、上述した実施の形態では、流量予測装置の場合について説明したが、これに限定されるものではない。例えば、事前計算処理部のみで構成されるパラメータ推定装置によって、発生イベントの回数に関する制約、及び発生イベントの発生間隔に関する制約を満たすパラメータパターンを複数生成し、パラメータパターンの各々をシミュレータに与えて、パラメータパターンの各々に対する流量の予測結果を得るようにしてもよい。

また、エージェントが人を表す場合を例に説明したが、これに限定されるものではなく、エージェントが人以外の移動体を表す場合であってもよい。例えば、エージェントが車両を表していてもよい。

１０ 入力部
２０ 演算部
３０ 事前計算処理部
３２ ＭＡＳ部
３４ センサデータ統合処理部
３６ 局所探索処理部
５０ 出力部
１００ 流量予測装置

Claims (7)

1. 各期間におけるエージェントの各地点間の移動をシミュレーションするシミュレータに用いて、各地点のエージェントの流量を予測する流量予測装置であって、
   エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、
   前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、
   エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、前記発生地点の各々に対して、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの回数が、前記回数に関する制約を満たし、かつ、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、前記発生間隔に関する制約を満たすパラメータパターンを複数生成し、前記生成した前記複数のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターンの各々に対する前記流量の予測結果を得る事前計算処理部
   を含む流量予測装置。
2. 前記生成した前記複数のパラメータパターンのうち、予め求められた各期間における各地点の前記エージェントが表す移動体の流量の観測データと、前記パラメータパターンに対する前記流量の予測結果との誤差が小さい前記パラメータパターンを選択し、選択された前記パラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、前記パラメータパターン群のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターン群の各々に対する前記流量の予測結果を得て、前記パラメータパターン群の中から前記観測データとの誤差の小さいパラメータパターンを求める局所探索処理部
   を更に含む請求項１に記載の流量予測装置。
3. 各地点について、前記地点に対して設置されたセンサの各々から取得された前記流量を統合して、前記観測データを求めるセンサデータ統合処理部を更に含む請求項２に記載の流量予測装置。
4. 各期間におけるエージェントの各地点間の移動をシミュレーションするシミュレータに用いて、各地点のエージェントの流量を予測する流量予測装置における流量予測方法であって、
   エージェントの発生数に関するグリッドサーチの格子下限以外の各格子点が表す発生数の発生イベントの回数に関する制約と、
   前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔に関する制約とを受け付け、
   事前計算処理部が、エージェントの発生地点の各々に対する、各期間におけるエージェントの発生数、エージェントに設定される目的地点の割合、及び初期状態における各目的地点のエージェントの発生数を表すパラメータパターンであって、前記発生地点の各々に対して、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの回数が、前記回数に関する制約を満たし、かつ、全期間における前記格子下限以外の各格子点が表す発生数の発生イベントの発生間隔が、前記発生間隔に関する制約を満たすパラメータパターンを複数生成し、前記生成した前記複数のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターンの各々に対する前記流量の予測結果を得るステップ
   を含む流量予測方法。
5. 局所探索処理部が、前記生成した前記複数のパラメータパターンのうち、予め求められた各期間における各地点の前記エージェントが表す移動体の流量の観測データと、前記パラメータパターンに対する前記流量の予測結果との誤差が小さい前記パラメータパターンを選択し、選択された前記パラメータパターンに対して任意の誤差を与えたパラメータパターン群を作成し、前記パラメータパターン群のパラメータパターンの各々を前記シミュレータに与えて、前記パラメータパターン群の各々に対する前記流量の予測結果を得て、前記パラメータパターン群の中から前記観測データとの誤差の小さいパラメータパターンを求めるステップ
   を更に含む請求項４に記載の流量予測方法。
6. 各地点について、前記地点に対して設置されたセンサの各々から取得された前記流量を統合して、前記観測データを求めるセンサデータ統合処理部を更に含む請求項５に記載のパラメータ推定方法。
7. コンピュータを、請求項１〜請求項３のいずれか１項に記載の流量予測装置の各部として機能させるためのプログラム。