JP2019040475A - 人流予測装置、システムおよびプログラム - Google Patents
人流予測装置、システムおよびプログラム Download PDFInfo
- Publication number
- JP2019040475A JP2019040475A JP2017162797A JP2017162797A JP2019040475A JP 2019040475 A JP2019040475 A JP 2019040475A JP 2017162797 A JP2017162797 A JP 2017162797A JP 2017162797 A JP2017162797 A JP 2017162797A JP 2019040475 A JP2019040475 A JP 2019040475A
- Authority
- JP
- Japan
- Prior art keywords
- human flow
- data
- flow prediction
- unit
- prediction model
- 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 claims description 114
- 230000008569 process Effects 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 17
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000013500 data storage Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000000470 constituent Substances 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
【解決手段】データ取得部111の制御の下、センサ2のうちの人流センサ、センサ2のうちの外部センサ、およびBEMS3からそれぞれ、対象空間内の対象区画に係る人流データ、外部データ、およびBEMSデータが取得される。人流予測モデル学習機能部1121の制御の下、対象区画に係る過去の所定期間に取得された人流データと、過去の所定期間に取得された外部データおよびBEMSデータとに基づいて、人流予測モデルが学習される。その後、人流データ予測部1123の制御の下、学習された人流予測モデルと、取得された人流データと、取得された外部データおよびBEMSデータとに基づいて、対象区画に係る将来の人流データが予測される。人流予測モデル学習機能部1121の制御の下、上記人流予測モデルは動的に更新される。
【選択図】図1
Description
[第1の実施形態]
(構成)
図1は、この発明の第1の実施形態に係る人流予測装置1の機能構成を示すブロック図である。図1に図示される人流予測装置1は、人が通行する施設等の対象空間において、当該対象空間内に存在する1以上の対象区画毎に、当該対象区画に出入りする人流や通行量等の人流等を表す人流データに基づいて、将来の人流データを予測することができる。
次に、以上のように構成された人流予測装置1の動作を説明する。
本発明の人流予測装置1では、学習された人流予測モデルに基づいて将来の人流データを予測する処理を実行するが、例えば、人流予測モデルが学習される前には、以下に説明するような、予め定められた人流予測モデルに基づいて将来の人流データを予測する処理を実行するようにしてもよい。
・例えば1分間など任意の単位時間あたりに測定地点を通過した人の数(以下、通過人数と称する)
・測定地点の半径aメートルの範囲にいる人の数(以下、滞留人数と称する)
・測定地点を通過した人の移動方向
・測定地点として対象空間が外部と接続する計測点であるデータにおいて、例えば上記通過人数などを計測時刻毎に全て加算することで求められる対象空間の全体通行量
続いて、ステップS104において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、予測したい人流データの識別子Ifと予測したい時刻tfを決定し、識別子Ifにより識別される過去n回分の人流データを記憶ユニット12に要求する。なお、当該識別子Ifと時刻tfの決定は、例えば、オペレータが入力部4を介して入力するものであってもよく、以下においても同様である。過去n回分の人流データは、例えば、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される、予め定められた人流予測モデルによって決定される。
図4A,4Bは、図1に示した制御ユニットによって、学習された人流予測モデルに基づく人流予測処理に先立ち実行される、人流予測モデル学習処理の一例を示すフロー図である。なお、図4AのステップS201からステップS207までのセンサデータ記憶処理と、図4BのステップS208からステップS213までの人流予測モデル学習処理とを、連続的なフローとして図示および説明しているが、上記人流予測モデル学習処理は、上記センサデータ記憶処理とは関係なく任意のタイミングで実行することができる。例えば、上記人流予測モデル学習処理は、オペレータによって要求された任意のタイミングで実行されるものであってもよい。
・単位時間差を|PACF(j)|が大きいものから順に上位h個
・七曜制における曜日が月曜日から日曜日までを順に1、2、…7とした場合に時刻tの属する日の曜日がkであった場合に第k要素が1でその他の要素が0であるような7次元曜日ベクトル
・ある曜日w1のStと異なる曜日のw2のSt´の相関係数ρを計算した場合に、例えば0.8などの閾値ρθと比較してρ>ρθなる曜日を1のカテゴリとし、いずれの曜日とも上記の条件を満たさない曜日はその曜日のみを1のカテゴリとするようなc個のカテゴリをもって、上記の曜日ベクトルと同じく定めるc次元曜日カテゴリベクトル
・tが属する24時間制における時(hour)
・tが属する月あるいは四季などの季節を数値化した変数
・上記の月あるいは四季を各々の要素の数である12あるいは4の次元としtが属する要素のみを1としその他の要素が0であるような月ベクトルあるいは季節ベクトル
・tが属する日あるいは時における降水確率、予想気温、等の気象データの予測値あるいは天気予報によって予報される気象
・tが属する日あるいは時において対象空間に近い位置にある公共交通機関の特別運行が存在するか否かの真偽値
・tが属する日あるいは時における対象空間あるいはその近隣施設におけるイベントが存在するか否かの真偽値
・上記イベントの規模、対象年齢層、参加費などの特徴をベクトル化したイベント特徴ベクタ
また、人流予測モデルは、上述した重回帰モデルの他に以下に示すようなものがあるが、これに限定されるものではない。
・説明変数xiのうち学習に用いたD個の平均がμi、標準偏差がσiなる時に平均が0、分散が1となるようスケーリングした
・φ(x)を説明変数の多項式とした多項式重回帰モデル
・φ(x)として多次元の説明変数を許容する基底関数としたベクトル重回帰モデル
・φ(x)として異なる説明変数の積を基底関数とした相互作用項を含む重回帰モデル
・以上の効果のうち任意の複数の効果を含む重回帰モデル
また、偏回帰係数の導出は、上述した最小二乗法を利用するものの他に以下に示すようなものがあるが、これに限定されるものではない。
・最小二乗法の変わりに確率的勾配降下法などの近似解法を用いる方法
・L1正則化あるいはL2正則化の項を加えた後に最小二乗法を適用する方法
・以上の方法のうち複数の方法を組み合わせる方法
また説明変数の算出式を記憶ユニット12に記憶させることに代えて、当該算出式によって計算されるデータ(以下、二次データと呼ぶ)を記憶ユニット12にデータとして記憶させ新たな識別子を当該二次データの識別子として付与し、当該二次データの識別子を記憶させることによって代えても良い。
図6A,6Bは、図1に示した制御ユニット11によって実行される人流予測モデル更新処理の一例を示すフロー図である。当該人流予測モデル更新処理では、取得された人流データを用いて、教師あり学習により人流予測モデルが動的に更新される。
図7は、図1に示した制御ユニット11によって実行される、上述したように学習および更新された人流予測モデルに基づいて将来の人流データを予測する処理の一例を示すフロー図である。
図8は、図1に示した制御ユニット11によって実行される関係モデル学習処理の一例を示すフロー図である。
・上述した人流予測モデル学習処理における表記と同様の表記を用いた時に目的変数Stと単位時間差jの全体通行量Xt−jとの間の偏相互相関PCCF(j)に関して過去m日間の範囲であって|PCCF(j)|が最大となる単位時間差
・単位時間差を偏相互相関の絶対値|PCCF(j)|が大きいものから順に上位h個
・七曜制における曜日が月曜日から日曜日までを順に1、2、…7とした場合に時刻tの属する日の曜日がkであった場合に第k要素が1でその他の要素が0であるような7次元曜日ベクトル
・ある曜日w1のStと異なる曜日のw2のSt´の相関係数ρを計算した場合に、例えば0.8等の閾値ρθと比較してρ>ρθなる曜日を1のカテゴリとし、いずれの曜日とも上記の条件を満たさない曜日はその曜日のみを1のカテゴリとするようなc個のカテゴリをもって、上記の曜日ベクトルと同じく定めるc次元曜日カテゴリベクトル
・tが属する24時間制における時(hour)
・tが属する月あるいは四季などの季節を数値化した変数
・上記の月あるいは四季を各々の要素の数である12あるいは4の次元としtが属する要素のみを1としその他の要素が0であるような月ベクトルあるいは季節ベクトル
・tが属する日あるいは時における降水確率、予想気温、などの気象データの予測値あるいは天気予報によって予報される気象
・tが属する日あるいは時において対象空間に近い位置にある公共交通機関の特別運行が存在するか否かの真偽値
・tが属する日あるいは時における対象空間あるいはその近隣施設におけるイベントが存在するか否かの真偽値
・上記イベントの規模、対象年齢層、参加費などの特徴をベクトル化したイベント特徴ベクタ
また、関係モデルは、上述した重回帰モデルの他に以下に示すようなものがあるが、これに限定されるものではない。
・説明変数Xiのうち学習に用いたD個の平均がμi、標準偏差がσiなる時に平均が0、分散が1となるようスケーリングした
・φを説明変数の多項式とした多項式重回帰モデル
・φとして多次元の説明変数を許容する基底関数としたベクトル重回帰モデル
・φとして異なる説明変数の積を基底関数とした相互作用項を含む重回帰モデル
・以上の効果のうち任意の複数の効果を含む重回帰モデル
また、偏回帰係数の導出は、上述した最小二乗法を利用するものの他に以下に示すようなものがあるが、これに限定されるものではない。
・最小二乗法の変わりに確率的勾配降下法などの近似解法を用いる方法
・L1正則化あるいはL2正則化等の正則化項を加えた後に最小二乗法を適用する方法
・以上の方法のうち複数の方法を組み合わせる方法
図10A,10Bは、図1に示した制御ユニット11によって実行される関係モデル更新処理の一例を示すフロー図である。当該関係モデル更新処理では、取得された人流データを用いて、教師あり学習により関係モデルが動的に更新される。
図11A,11Bは、図1に示した制御ユニット11によって実行される、関係モデルに基づく人流データ予測処理の一例を示すフロー図である。
図12は、図1に示した制御ユニット11によって実行される変数自動選択処理の一例を示すフロー図である。当該変数自動選択処理では、上述したように学習される人流予測モデルにおいて説明変数として使用される変数が自動選択される。
・センサデータsを連続するm個ずつ集めたものの平均値
・センサデータsを連続するm個ずつ集めて離散フーリエ変換または離散ウェーブレット変換など周波数変換して得られる複素数列Fiにおいてセンサデータの計測の単位時間Δtの逆数をfs=1/Δtとした時に(以下、fsをサンプリング周波数と称する)周波数分解能Δf=fs/mについてi番目の複素数列Fiのパワースペクトル|Fi|2または偏角arg(Fi)
・以上の説明変数のべき乗
図13A,13Bは、図1に示した制御ユニット11によって実行される、誤差拡大時の人流予測モデル再学習処理の一例を示すフロー図である。
まず、人流予測装置1の制御ユニット11は、出力部114の制御の下、出力する人流データの将来の時刻tと識別子Ifを決定する。ただし、これらは設定ファイルとして人流予測装置1の中に記述されていてもよく、あるいは、入力部4により入力された操作信号等が出力部114に通知するようにしてもよい。
以上詳述したように、この発明の第1の実施形態では、以下のような効果が奏せられる。
なお、この発明は上記第1の実施形態に限定されるものではない。例えば、上記第1の実施形態では、人流予測装置を1つの装置として図示して説明しているが、当該人流予測装置が備える各機能部は、空間的に分散配置されネットワーク経由で通信可能な状態に接続された複数の装置のうちの任意の装置に備えられるようにしてもよい。また、人流予測装置が備える各機能部を、クラウドなどネットワーク上の計算機または仮想技術を用いた仮想マシン上にソフトウェアとして構成してもよい。
Claims (8)
- 人が通行する対象空間において、当該対象空間内の対象区画に係る人流データを予測する人流予測装置であって、
過去の人流データから将来の人流データを予測するための人流予測モデルを記憶する記憶媒体と、
前記対象区画に係る人流データを取得するデータ取得部と、
前記人流予測モデルと、前記取得された人流データとに基づいて、前記対象区画に係る将来の人流データを予測する人流データ予測部と、
前記取得された人流データを少なくとも用いて、前記人流予測モデルを動的に更新する人流予測モデル学習機能部と
を備える人流予測装置。 - 前記データ取得部は、前記対象空間に関係する物理現象を表す情報およびイベントの実施状況を表す情報の少なくとも一方を含む外部データと、前記対象空間内の施設におけるエネルギ管理に関するエネルギ管理データとのうちの少なくとも一方を、さらに取得し、
前記人流予測モデル学習機能部は、前記対象区画に係る過去の所定期間に取得された人流データと、前記過去の所定期間に取得された前記外部データおよび前記エネルギ管理データの少なくとも一方とに基づいて前記人流予測モデルを学習し、
前記人流データ予測部は、前記学習された人流予測モデルと、前記取得された人流データと、前記取得された前記外部データおよび前記エネルギ管理データの少なくとも一方とに基づいて、前記対象区画に係る将来の人流データを予測する、請求項1に記載の人流予測装置。 - 前記人流予測モデル学習機能部は、前記取得された前記対象区画に係る人流データを用いて、教師あり学習により前記人流予測モデルを動的に更新する、請求項1又は2に記載の人流予測装置。
- 前記取得された前記対象区画に係る人流データが示す値と、当該人流データが取得された時刻について前記対象区画に係り予め予測されている人流データが示す値との差異を計算する差異計算部をさらに備え、
前記人流予測モデル学習機能部は、前記計算された差異の値が予め定められた閾値よりも大きい場合に、前記時刻までの期間に取得された少なくとも人流データに基づいて前記人流予測モデルを学習し直す、請求項1乃至3のいずれかに記載の人流予測装置。 - 前記データ取得部によって取得されたデータから、当該データの特徴量を計算し、当該計算された特徴量と前記取得された人流データとの相関を表す値を用いた統計的分析処理を実行することによって、所定の条件を満たす特徴量を選択する変数自動選択部をさらに備え、
前記人流予測モデル学習機能部は、前記選択された特徴量を、将来の人流データを予測するための説明変数として使用する前記人流予測モデルを学習する、請求項1乃至4のいずれかに記載の人流予測装置。 - 前記人流予測モデル学習機能部は、前記対象区画に係る過去の人流データから算出可能な前記対象空間に係る全体通行量を表すデータをもとに、前記対象空間に係る将来の全体通行量を表すデータを予測する前記人流予測モデルを学習し、
前記人流予測装置は、前記全体通行量を表すデータと前記対象区画に係る人流データとの関係を表す関係モデルを教師あり学習により生成する補完機能部をさらに備え、
前記人流データ予測部は、前記人流予測モデルに基づいて前記対象空間に係る将来の全体通行量を予測し、前記関係モデルと、前記予測された前記対象空間に係る将来の全体通行量とに基づいて、前記対象区画に係る将来の人流データを予測する、請求項1に記載の人流予測装置。 - 請求項1乃至6のいずれかに記載の人流予測装置の各構成要素を分散配置して当該構成要素をネットワーク経由で通信可能な状態に接続することにより、前記将来の人流データを予測する人流予測システム。
- 請求項1乃至6のいずれかに記載の人流予測装置が備える各部としてコンピュータを機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017162797A JP6761789B2 (ja) | 2017-08-25 | 2017-08-25 | 人流予測装置、システムおよびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017162797A JP6761789B2 (ja) | 2017-08-25 | 2017-08-25 | 人流予測装置、システムおよびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019040475A true JP2019040475A (ja) | 2019-03-14 |
JP6761789B2 JP6761789B2 (ja) | 2020-09-30 |
Family
ID=65726861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017162797A Active JP6761789B2 (ja) | 2017-08-25 | 2017-08-25 | 人流予測装置、システムおよびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6761789B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020194318A (ja) * | 2019-05-28 | 2020-12-03 | 株式会社日立製作所 | 移動需要推定システム、移動需要推定方法、人流推定システムおよび人流推定方法 |
JPWO2020250350A1 (ja) * | 2019-06-12 | 2020-12-17 | ||
CN112255923A (zh) * | 2020-10-13 | 2021-01-22 | 日立楼宇技术(广州)有限公司 | 一种电设备控制方法、装置、服务器及介质 |
CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
JP2021009572A (ja) * | 2019-07-01 | 2021-01-28 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
JPWO2021064899A1 (ja) * | 2019-10-02 | 2021-04-08 | ||
CN112637555A (zh) * | 2020-12-07 | 2021-04-09 | 北京格灵深瞳信息技术有限公司 | 区域热力计算方法、装置、计算机设备和存储介质 |
WO2021130926A1 (ja) * | 2019-12-25 | 2021-07-01 | 日本電信電話株式会社 | 人流予測装置、人流予測方法、及び人流予測プログラム |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
WO2022091196A1 (ja) * | 2020-10-27 | 2022-05-05 | 株式会社Archaic | 密予測システム |
WO2022088677A1 (zh) * | 2020-10-26 | 2022-05-05 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
WO2023275976A1 (ja) | 2021-06-29 | 2023-01-05 | 三菱電機株式会社 | 情報処理装置、プログラム及び情報処理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014112292A (ja) * | 2012-12-05 | 2014-06-19 | Hitachi Ltd | 人流調査支援システム及び方法 |
CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
WO2017056367A1 (ja) * | 2015-09-30 | 2017-04-06 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理用プログラム |
-
2017
- 2017-08-25 JP JP2017162797A patent/JP6761789B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014112292A (ja) * | 2012-12-05 | 2014-06-19 | Hitachi Ltd | 人流調査支援システム及び方法 |
CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
WO2017056367A1 (ja) * | 2015-09-30 | 2017-04-06 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理用プログラム |
CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020194318A (ja) * | 2019-05-28 | 2020-12-03 | 株式会社日立製作所 | 移動需要推定システム、移動需要推定方法、人流推定システムおよび人流推定方法 |
WO2020240932A1 (ja) * | 2019-05-28 | 2020-12-03 | 株式会社日立製作所 | 移動需要推定システム、移動需要推定方法、人流推定システムおよび人流推定方法 |
JP7277257B2 (ja) | 2019-05-28 | 2023-05-18 | 株式会社日立製作所 | 移動需要推定システム及び人流推定システム |
JPWO2020250350A1 (ja) * | 2019-06-12 | 2020-12-17 | ||
WO2020250350A1 (ja) * | 2019-06-12 | 2020-12-17 | 日本電信電話株式会社 | 予測装置、予測方法、及び予測プログラム |
JP7306455B2 (ja) | 2019-06-12 | 2023-07-11 | 日本電信電話株式会社 | 予測装置、予測方法、及び予測プログラム |
JP7259596B2 (ja) | 2019-07-01 | 2023-04-18 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
JP2021009572A (ja) * | 2019-07-01 | 2021-01-28 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
WO2021064899A1 (ja) * | 2019-10-02 | 2021-04-08 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法、及び学習プログラム |
JPWO2021064899A1 (ja) * | 2019-10-02 | 2021-04-08 | ||
WO2021130926A1 (ja) * | 2019-12-25 | 2021-07-01 | 日本電信電話株式会社 | 人流予測装置、人流予測方法、及び人流予測プログラム |
JPWO2021130926A1 (ja) * | 2019-12-25 | 2021-07-01 | ||
WO2022062657A1 (zh) * | 2020-09-23 | 2022-03-31 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
CN112255923B (zh) * | 2020-10-13 | 2023-12-19 | 日立楼宇技术(广州)有限公司 | 一种电设备控制方法、装置、服务器及介质 |
CN112255923A (zh) * | 2020-10-13 | 2021-01-22 | 日立楼宇技术(广州)有限公司 | 一种电设备控制方法、装置、服务器及介质 |
WO2022088677A1 (zh) * | 2020-10-26 | 2022-05-05 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
WO2022091196A1 (ja) * | 2020-10-27 | 2022-05-05 | 株式会社Archaic | 密予測システム |
CN112637555B (zh) * | 2020-12-07 | 2023-04-07 | 北京格灵深瞳信息技术股份有限公司 | 区域热力计算方法、装置、计算机设备和存储介质 |
CN112637555A (zh) * | 2020-12-07 | 2021-04-09 | 北京格灵深瞳信息技术有限公司 | 区域热力计算方法、装置、计算机设备和存储介质 |
JPWO2023275976A1 (ja) * | 2021-06-29 | 2023-01-05 | ||
WO2023275976A1 (ja) | 2021-06-29 | 2023-01-05 | 三菱電機株式会社 | 情報処理装置、プログラム及び情報処理方法 |
JP7395066B2 (ja) | 2021-06-29 | 2023-12-08 | 三菱電機株式会社 | 情報処理装置、プログラム及び情報処理方法 |
CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6761789B2 (ja) | 2020-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6761789B2 (ja) | 人流予測装置、システムおよびプログラム | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
Liebig et al. | Dynamic route planning with real-time traffic predictions | |
Stolfi et al. | Predicting car park occupancy rates in smart cities | |
Wu et al. | Urban traffic flow prediction using a spatio-temporal random effects model | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
Chen et al. | Real-time travel time prediction using particle filtering with a non-explicit state-transition model | |
WO2018035058A1 (en) | Latent space model for road networks to predict time-varying traffic | |
JP7338704B2 (ja) | 人流予測装置、人流予測方法、及び人流予測プログラム | |
Amin et al. | Backpropagation Neural Network to estimate pavement performance: dealing with measurement errors | |
Jiang et al. | Deep ROI-based modeling for urban human mobility prediction | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN108885723A (zh) | 用于基于位置数据预测用户行为的系统和方法 | |
Ermagun et al. | Using temporal detrending to observe the spatial correlation of traffic | |
JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
CN107239846B (zh) | 停车场泊位预测处理方法及装置 | |
Wang et al. | Deep Q learning-based traffic signal control algorithms: Model development and evaluation with field data | |
Mahmoud et al. | Estimating cycle-level real-time traffic movements at signalized intersections | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
US10600007B2 (en) | Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction | |
Ahmed et al. | Prediction of traveller information and route choice based on real-time estimated traffic state | |
JP6807822B2 (ja) | 人流量予測装置、方法、及びプログラム | |
Vu et al. | Bus running time prediction using a statistical pattern recognition technique | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Siripirote et al. | Updating of travel behavior model parameters and estimation of vehicle trip chain based on plate scanning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190827 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200602 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200713 |
|
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: 20200901 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200907 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6761789 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |