JP2019040475A

JP2019040475A - 人流予測装置、システムおよびプログラム

Info

Publication number: JP2019040475A
Application number: JP2017162797A
Authority: JP
Inventors: 崇洋秦; Takahiro Hata; 伸彦松浦; Nobuhiko Matsuura; 元紀中村; Motoki Nakamura; 社家　一平; Ippei Shake; 一平社家
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2017-08-25
Filing date: 2017-08-25
Publication date: 2019-03-14
Anticipated expiration: 2037-08-25
Also published as: JP6761789B2

Abstract

【課題】動的に更新される適切な人流予測モデルに基づいて将来の人流データを予測できるようにする。
【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

この発明は、過去の人流等のデータに基づいて将来の人流等を予測する人流予測装置、システムおよびプログラムに関する。

従来、ビルやテーマパーク、商店街等がある空間（以下、対象空間と称する）において、任意の地点（以下、計測地点と称する）の人の流れ（以下、人流と称する）や通行量を把握して、対象空間内のレイアウト等の設計や空調等の設備の最適運用に生かそうという試みが成されている。

人流および通行量（以下、人流と通行量を合わせ人流等と称する）を計測する手段としては、カメラによる撮像を利用する手段（例えば、特許文献１、特許文献２を参照）、レーザによる点群を用いる手段（レーザレンジファインダ、レンジスキャナ、レーザスキャナ、以下、総称しLRFと称する）（例えば、非特許文献１を参照）、あるいは、赤外線センサを用いる手段（例えば、非特許文献２を参照）等が提案されている。

また、計測した人流等から計測時点以降の人流等を予測する技術としては、エレベータと群衆行動モデルとを組み合わせて人流等を予測する技術（例えば、特許文献３を参照）、対象空間の人流等と相関がある他の空間の人流等をもって対象空間の人流等の予測に代える技術（例えば、特許文献４を参照）、あるいは、群衆行動モデルのような何らかの予測に用いるモデルを曜日・時間帯毎のみで分類し静的に構築して利用する技術（例えば、特許文献５を参照）等が提案されている。

特許第４９３１８９５号特許第５８５６４５６号特許第４２２８８６２号特開２０１１−２３１９４６号公報特許第５７６９８６０号

和田悠佑，中村嘉隆，東野輝夫，"障害物の存在する空間におけるレンジスキャナを用いた人流モデル化手法の提案，"マルチメディア，分散，強調とモバイル（DICOMO2011)シンポジウム，pp.1183-1192，2011. 秦淑彦，赤田紘基，吉川尚志，角知昭，焦電型赤外線センサによる廊下での通行判定方式，情報処理学会研究報告ユビキタスコンピューティングシステム（UBI），Vol. 2016-UBI-4，pp.1-6，2016.

ところが、特許文献３に記載されるような技術は、計測地点で計測された人物の数を対象区域毎に割り振るものであり、例えば商業施設の営業開始前であって人流等の計測が未だなされていない時点では営業時間内の人流等を予測することができない。すなわち、人流等を予測することができるのは、直前に計測されたデータが存在する場合に限られる。同様に、時間が離れた将来の人流等を予測することはできない。

そもそも、特許文献３に記載されるような、昇降機など特定の機器の利用者数のみを予測に用いる方法は、例えばエレベータがほとんど利用されない低層の施設には適用できないように、適用可能な施設が制限されてしまうという問題もあった。

また、特許文献４に記載されるような技術では、例えば商業施設の営業開始の前後のような人流等が大きく変化するような状況においては、営業開始前の周辺空間のように人物の数が少ない時点のデータをもって営業開始後の混雑時間帯の人流等を予測したとしても、その予測値は精度が低いものとなってしまう。

また、特許文献５に記載されるような技術では、人流等に影響を及ぼす何らかの変動があるような状況においては、静的に構築されたモデルを使用して、長期間にわたる将来の人流等を安定して正確に予測することは事実上不可能になる。

この発明は上記事情に着目してなされたもので、その目的とするところは、動的に更新される適切な人流予測モデルに基づいて将来の人流データを予測できる人流予測装置、システムおよびプログラムを提供することにある。

上記課題を解決するためにこの発明の第１の態様は、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ようにしたものである。

この発明の第２の態様は、前記データ取得部が、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が、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が、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ようにしたものである。

この発明の第３の態様は、前記人流予測モデル学習機能部が、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ようにしたものである。

この発明の第４の態様は、前記人流予測装置が、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が、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ようにしたものである。

この発明の第５の態様は、前記人流予測装置が、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が、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ようにしたものである。

この発明の第６の態様は、前記人流予測モデル学習機能部が、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、前記人流予測装置が、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が、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ようにしたものである。

この発明の第１の態様によれば、対象区画に係る人流データが取得され、動的に更新される人流予測モデルと、取得された人流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。当該人流予測モデルは、取得された人流データを少なくとも用いて動的に更新される。このように、動的に更新される適切な人流予測モデルを利用することにより、将来の人流等を長期間安定して正確に予測することが可能となる。また、適切な人流予測モデルを利用することにより、例えば、施設の営業時間外等を挟むような人流等に不連続性がある時期を含む期間、例えば１日〜数週間の期間であっても、人流等を予測することが可能となる。

この発明の第２の態様によれば、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、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がさらに取得される。上記人流予測モデルは、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エネルギ管理データの少なくとも一方とに基づいて学習されたものであり、当該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エネルギ管理データの少なくとも一方とに基づいて、対象区画に係る将来の人流データが予測される。このように、所定の区画の人流等に大きな影響を及ぼし得る、例えば、複合商業施設における、ａ）施設内で開催されるイベント等、ｂ）施設内店舗の入れ替え、ｃ）季節商品の物販等、あるいは、公共交通機関に直結する施設等における、ｄ）交通網の遅延や臨時便の状況、ｅ）屋外の天候等のように、さまざまな外的要因による影響を考慮に入れて学習された人流予測モデルを利用することにより、これらの外的要因による影響を考慮に入れて将来の人流等を予測することが可能となる。

この発明の第３の態様によれば、取得された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人流予測モデルが動的に更新される。このため、さまざまな外的要因による影響を受けることにより人流予測モデルによる予測の精度が徐々に落ちる場合でも、適当な回数の更新を踏まえることにより、人流予測モデルを、外的要因による影響も反映させたものへとその都度更新することができ、当該人流予測モデルを利用することによって引き続き将来の人流等の予測を精度良く行なうことができる。

この発明の第４の態様によれば、上記取得された上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が計算される。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、上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人流予測モデルが学習し直される。このため、人流等の予測値が現実の事象から大きく乖離した場合に、現在使用するのに適切な人流予測モデルを学習し直すことができる。

この発明の第５の態様によれば、取得されたデータから、当該データの特徴量が計算され、当該計算された特徴量と上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が実行されることによって、所定の条件を満たす特徴量が選択される。上記人流予測モデルは、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ものとして学習されたものである。このため、人流等を予測するために、取得されたデータから、人流等の予測の精度向上に寄与する説明変数を選択することが可能となる。

この発明の第６の態様によれば、上記人流予測モデルは、対象区画に係る過去の人流データから算出可能な上記対象空間に係る全体通行量を表すデータをもとに、上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ものであり、当該人流予測モデルに基づいて対象空間に係る将来の全体通行量が予測される。教師あり学習により生成された、対象空間に係る全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データが予測される。このため、例えば、対象区画のセンサが故障等により正常に動作しない場合においても対象区画に係る将来の人流等を継続して予測することが可能となる。また、人流センサの計測精度が低いような場合にも、全体通行量を経由しないで将来の人流データを予測する場合と比較して、精度が向上した将来の人流データの予測が可能となる。

すなわちこの発明によれば、動的に更新される適切な人流予測モデルに基づいて将来の人流データを予測できる人流予測装置、システムおよびプログラムを提供することができる。

この発明の第１の実施形態に係る人流予測装置の機能構成を示すブロック図。図１に示した制御ユニットによって実行される、初期状態における人流予測処理の一例を示すフロー図。図１に示した制御ユニットによって実行される、初期状態における人流予測処理の一例を示すフロー図。図１に示した記憶ユニットに記憶されるセンサデータテーブルの一例を示す図。図１に示した制御ユニットによって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。図１に示した制御ユニットによって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。図１に示した記憶ユニットに記憶される人流予測モデルテーブルの一例を示す図。図１に示した制御ユニット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。図１に示した制御ユニット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。図１に示した制御ユニットによって実行される、学習された人流予測モデルに基づく人流予測処理の一例を示すフロー図。図１に示した制御ユニット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。図１に示した記憶ユニットに記憶される関係モデルテーブルの一例を示す図。図１に示した制御ユニット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。図１に示した制御ユニット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。図１に示した制御ユニットによって実行される、関係モデルに基づく人流予測処理の一例を示すフロー図。図１に示した制御ユニットによって実行される、関係モデルに基づく人流予測処理の一例を示すフロー図。図１に示した制御ユニット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。図１に示した制御ユニット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。図１に示した制御ユニット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。

以下、図面を参照してこの発明に係る実施形態を説明する。
［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。

センサ２は、対象区画に係る人流データを取得する人流センサと、対象空間に関係する外部データを取得する外部センサとを含んでいる。人流データは、例えば、カメラによる撮像や、レーザによる点群や、赤外線センサ等を用いて取得するものとする。外部データは、例えば、対象空間内または対象空間周辺の、代表点の温度、気温、風速、気圧、降水量、無線アクセスポイントの電波強度データ等の物理現象を表す情報である。なお、外部データは、対象空間に関係する物理現象を表す情報を含むものに限定されず、例えば、対象空間周辺の公共交通機関の特別運行情報等のデータや、対象空間に関係するイベントの実施状況を表す情報等を含むものであってもよい。

ビルエネルギ管理システム（ＢＥＭＳ）３は、例えば、対象空間内の空調の設定温度、ファンコイルユニット（以下、ＦＣＵと称する）の電源状態、ＦＣＵの熱源のバルブ開度、使用水量、消費電力量等を表すＢＥＭＳのデータである、ＢＥＭＳデータを取得する。なお、以下ではＢＥＭＳデータを用いて人流予測処理を実行する例を説明するが、対象空間内の他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を用いて人流予測処理を実行するようにしてもよい。

本実施形態に係る人流予測装置１は、制御ユニット１１と、記憶ユニット１２と、外部インタフェースユニット１３と、入出力インタフェースユニット１４とを備えている。

外部インタフェースユニット１３は、例えば１つ以上の有線または無線の通信インタフェースユニットを含み、センサ２に含まれる人流センサから対象区画に係る人流データを、センサ２に含まれる外部センサから対象空間に関係する外部データを、ＢＥＭＳ３からＢＥＭＳデータを取得し、取得された人流データ、外部データ、およびＢＥＭＳデータを制御ユニット１１へ入力する。

入出力インタフェースユニット１４は、例えば、キーボードやマウス等を含む入力部４により入力された操作信号等を制御ユニット１１へ入力するとともに、制御ユニット１１から出力された表示データを表示部５に表示させる。

記憶ユニット１２は、記憶媒体としてＨＤＤ（Hard Disc Drive）またはＳＳＤ（Solid State Drive）等の随時書き込みおよび読み出しが可能な不揮発メモリを使用したものであり、本実施形態を実現するために使用される記憶領域として、センサデータテーブル記憶部１２１と、人流予測モデルテーブル記憶部１２２と、補助的な関係モデルテーブル記憶部１２３と、人流予測データ記憶部１２４とを備えている。

センサデータテーブル記憶部１２１は、人流データ、外部データ、およびＢＥＭＳデータ、ならびに、予測された将来の人流データを記憶させるために使用される。

人流予測モデルテーブル記憶部１２２は、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させるために使用される。

関係モデルテーブル記憶部１２３は、例えば対象空間への入場者数または出場者数またはその両方である全体通行量を表すデータと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記憶させるために使用される。

人流予測データ記憶部１２４は、予測された将来の人流データを記憶させるために使用される。人流予測データ記憶部１２４に記憶される、予測された将来の人流データは、例えば、順次、センサデータテーブル記憶部１２１に移動される。なお、予測された将来の人流データは、センサデータテーブル記憶部１２１に直接記憶させるようにして、記憶ユニット１２が人流予測データ記憶部１２４を備えないものとしてもよい。

制御ユニット１１は、ＣＰＵ（Central Processing Unit）を含み、本実施形態における処理機能を実行するために、データ取得部１１１と、人流予測部１１２と、変数自動選択部１１３と、出力部１１４とを備えている。

データ取得部１１１は、人流データ取得部１１１１と、外部データ取得部１１１２と、ＢＥＭＳデータ取得部１１１３と、差異計算部１１１４とを備えている。

人流データ取得部１１１１は、センサ２のうちの人流センサから対象区画に係る人流データを外部インタフェースユニット１３を介して取得し、取得された人流データを記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる処理を実行する。

外部データ取得部１１１２は、センサ２のうちの外部センサから対象空間に関係する外部データを外部インタフェースユニット１３を介して取得し、取得された外部データを記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる処理を実行する。

ＢＥＭＳデータ取得部１１１３は、ＢＥＭＳ３からＢＥＭＳデータを外部インタフェースユニット１３を介して取得し、取得されたＢＥＭＳデータを記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる処理を実行する。

差異計算部１１１４は、取得された対象区画に係る人流データを受け取り、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶される、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データを読み出す処理を実行する。その後、差異計算部１１１４は、取得された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処理を実行する。

人流予測部１１２は、人流予測モデル学習機能部１１２１と、補助的な測定器補完機能部１１２２と、人流データ予測部１１２３とを備えている。

人流予測モデル学習機能部１１２１は、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つ人流予測モデル学習モードにおいて、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶される、過去の所定期間に取得された対象区画に係る人流データと外部データとＢＥＭＳデータとを読み出し、読み出された、過去の所定期間に取得された対象区画に係る人流データと外部データとＢＥＭＳデータとに基づいて、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学習し、学習された人流予測モデルを記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶させる処理を実行する。なお、上記所定期間は任意の期間でありオペレータが設定してもよい。

人流予測モデル学習機能部１１２１は、人流予測モデル学習モードにおいて人流予測モデルが構築された後に、取得された対象区画に係る人流データを受け取り、記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶される人流予測モデルを読み出し、当該取得された人流データを用いて、読み出された人流予測モデルを教師あり学習により動的に更新し、更新された人流予測モデルを記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶させる処理を実行する。

人流予測モデル学習機能部１１２１は、差異計算部１１１４において計算された、取得された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の値が、予め定められた閾値よりも大きいとの情報を受け取ると、当該人流データが取得された時刻までの期間に取得された人流データと外部データとＢＥＭＳデータとに基づいて、人流予測モデルを学習し直し、学習し直された人流予測モデルを記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶させる処理を実行する。

人流データ予測部１１２３は、人流データ予測モードにおいて、記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶される人流予測モデルを読み出し、読み出された人流予測モデルに基づいて、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶される人流データと外部データとＢＥＭＳデータとから対象区画に係る将来の人流データの予測に使用されるデータを読み出す処理を実行する。その後、人流データ予測部１１２３は、読み出された人流予測モデルと、読み出されたデータとに基づいて、対象区画に係る将来の人流データを予測し、予測された人流データを記憶ユニット１２の人流予測データ記憶部１２４に記憶させる処理を実行する。なお、当該予測処理は、例えば、入出力インタフェースユニット１４を介して入力部４により入力される操作信号等に応じて実行されるようにしてもよい。

変数自動選択部１１３は、データ取得部１１１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処理を実行する。その後、人流予測モデル学習機能部１１２１は、上記人流予測モデルとして、上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人流予測モデルを学習する処理を実行することができる。

出力部１１４は、記憶ユニット１２の人流予測データ記憶部１２４に記憶される、上記予測された対象区画に係る将来の人流データを読み出し、読み出された人流データを入出力インタフェースユニット１４を介して表示部５に出力して、当該データの情報を表示させる処理を実行する。

測定器補完機能部１１２２は、例えば、上記人流予測モデルが、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に、対象区画に係る過去の人流データから算出可能な対象空間に係る全体通行量を表すデータをもとに、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ためのものであるような場合に利用されるものである。

そのような人流予測モデルを用いる場合、測定器補完機能部１１２２は、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つ関係モデル学習モードにおいて、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶される、過去の所定期間に取得された対象区画に係る人流データと外部データとＢＥＭＳデータとを読み出し、読み出された、過去の所定期間に取得された対象区画に係る人流データと外部データとＢＥＭＳデータとに基づいて、上記全体通行量を表すデータと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し、生成された関係モデルを記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶させる処理を実行する。なお、上記所定期間は任意の期間でありオペレータが設定してもよい。また、測定器補完機能部１１２２は、人流予測モデル学習機能部１１２１と同様に、記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶される関係モデルを更新および学習し直す処理を実行することができる。

このような場合に、人流データ予測部１１２３は、人流データ予測モードにおいて、記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶される人流予測モデルを読み出し、読み出された人流予測モデルに基づいて対象空間に係る将来の全体通行量を予測する。その後、人流データ予測部１１２３は、記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶される関係モデルを読み出し、読み出された関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データを予測する処理を実行する。

（動作）
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。

（１）初期状態における人流データ予測処理
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。

図２Ａ，２Ｂは、図１に示した制御ユニット１１によって実行される、予め定められた人流予測モデルに基づく将来の人流データの予測処理の一例を示すフロー図である。なお、図２ＡのステップＳ１０１からステップＳ１０３までのセンサデータ記憶処理と、図２ＢのステップＳ１０４からステップＳ１０７までの人流データ予測処理とを、連続的なフローとして図示および説明しているが、上記人流データ予測処理は、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、上記人流データ予測処理は、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。

最初に、ステップＳ１０１において、センサ２のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。なお、識別子Ｉ_ｉは、１つのセンサに対して１つの識別子が設定されるようにしてもよく、また、１つのセンサが複数の計測地点において計測を行なうような場合には、計測地点毎に異なる複数個の識別子が設定されるようにしてもよい。また、識別子Ｉ_ｉは、例えば、センサの設置者が設定するものとする。これらは、本明細書全体を通して例えばセンサの識別子として利用して説明する識別子Ｉ_ｆ，Ｉ_ｅ等についても同様である。また、識別子Ｉ_ｉ，Ｉ_ｆ，Ｉ_ｅ等の各々は任意のセンサを特定するものであってもよく、センサに対応するその都度異なる識別子を表すものであってもよい。

ステップＳ１０２において、人流予測装置１の制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、時刻ｔにおいて上記人流データとともに対応する識別子Ｉ_ｉを取得する。

ステップＳ１０３において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、取得された人流データを識別子Ｉ_ｉと時刻ｔとともに、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる。なお、当該センサデータテーブル記憶部１２１において、時刻ｔにおける識別子Ｉ_ｉにより識別される予測された人流データが記憶されている場合には、そのデータを上書きすることによって取得された人流データを記憶させるものとし、以下でも同様である。ただし、記憶ユニット１２において、予測された人流データを記憶させる場所をセンサデータテーブル記憶部１２１とは異なる場所にしていた場合はこの限りではない。ステップＳ１０１からステップＳ１０３の処理が繰り返し実行されることによって、１つ以上の任意の数のセンサからの例えば人流データがそれぞれ、対応する識別子および時刻とともに、センサデータテーブル記憶部１２１に記憶されていく。

図３は、図１に示した記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶されるセンサデータテーブルの一例を示す図である。センサデータテーブルは、人流データを含むセンサデータの一覧である。図３に示す例では、センサデータとして、計測された時点で対象区画に存在する人の数が記憶されている。なお、センサデータテーブルを論理的あるいは物理的に分けることによって、センサあるいは計測地点あるいは計測時刻等により異なるセンサデータテーブルへ保存するようにしてもよい。目的のデータが記憶されている場所への参照は記憶装置自身が備えるようにしてもよい、あるいは、本発明の各構成要素がデータ要求時に発行する要求文（以下、クエリと称する）にその情報を含めることにより解決してもよい。

ここで、人流データは、例えば以下に示すものを表すものであるが、これに限定されるものではない。
・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Ｉ_ｆと予測したい時刻ｔ_ｆを決定し、識別子Ｉ_ｆ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Ｉ_ｆと時刻ｔ_ｆ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。

ステップＳ１０５において、記憶ユニット１２は、制御ユニット１１に対して、要求された過去ｎ回分の人流データを、センサデータテーブル記憶部１２１から返却する。

ステップＳ１０６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、返却された過去ｎ回分の人流データを取得し、人流等の最尤推定値として、取得された過去ｎ回分の人流データの平均値を計算して、人流データの予測値とする。

ステップＳ１０７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、上記人流データの予測値を、時刻ｔ_ｆにおける識別子Ｉ_ｆにより識別される人流データの予測値として、記憶ユニット１２の人流予測データ記憶部１２４に記憶させる。

（２）人流予測モデル学習処理
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。

最初に、ステップＳ２０１において、センサ２のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。

ステップＳ２０２において、人流予測装置１の制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、時刻ｔ_１において上記人流データとともに対応する識別子Ｉ_ｉを取得する。

一方、ステップＳ２０３において、センサ２のうちの外部センサは、対象空間に関係する物理現象を計測し、計測された外部データを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。なお、外部データは、対象空間に関係する物理現象を表す情報を含むものに限定されず、例えば、対象空間に関係するイベントの実施状況を表す情報等を含むものであってもよく、以下でも同様である。

ステップＳ２０４において、人流予測装置１の制御ユニット１１は、データ取得部１１１の外部データ取得部１１１２の制御の下、時刻ｔ_２において上記外部データとともに対応する識別子Ｉ_ｉを取得する。

ステップＳ２０５において、ＢＥＭＳ３は、対象空間内のＢＥＭＳデータを当該データの識別子Ｉ_ｉとともに人流予測装置１へ入力する。なお、ＢＥＭＳデータの代わりに、対象空間内の他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が入力されるようにしてもよく、以下でも同様である。

ステップＳ２０６において、人流予測装置１の制御ユニット１１は、データ取得部１１１のＢＥＭＳデータ取得部１１１３の制御の下、時刻ｔ_３において上記ＢＥＭＳデータとともに対応する識別子Ｉ_ｉを取得する。

なお、ステップＳ２０１からステップＳ２０６の各ステップの順序は便宜的なものに過ぎず、ステップＳ２０１、ステップＳ２０３、およびステップＳ２０５の各ステップは任意の順に実行されてもよく、ステップＳ２０２、ステップＳ２０４、およびステップＳ２０６の各ステップはそれぞれ、ステップＳ２０１、ステップＳ２０３、およびステップＳ２０５のうちの対応するステップの後に実行されるものであればよい。また、ステップＳ２０３からステップＳ２０６は補足的なものであり、各ステップの動作は実行されなくてもよい。

次に、ステップＳ２０７において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１、外部データ取得部１１１２、およびＢＥＭＳデータ取得部１１１３の制御の下、取得された人流データ、外部データ、およびＢＥＭＳデータを、各データの識別子と時刻とともに、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる。ステップＳ２０１からステップＳ２０７の処理が繰り返し実行されることによって、１つ以上の任意の数のセンサからの例えば人流データ、外部データ、およびＢＥＭＳデータがそれぞれ、対応する識別子および時刻とともに、センサデータテーブル記憶部１２１に記憶されていく。

続いて、ステップＳ２０８において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、予測したい区域人流または全体通行量等を特定する識別子Ｉ_ｆを決定し、識別子Ｉ_ｆにより識別される過去Ｍ日間分のデータ（以下、目的変数と称する）を、記憶ユニット１２に要求する。

ステップＳ２０９において、記憶ユニット１２は、制御ユニット１１に対し、要求された過去Ｍ日間分の人流データを、センサデータテーブル記憶部１２１から返却する。

ステップＳ２１０において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、識別子Ｉ_ｆにより識別されるデータをＳとし時刻ｔにおけるＳが示す値をＳ_ｔとした時、例えば１時間等の時間の粒度をΔｔ（以下、単位時間と称する）とした時にｎ単位時間だけ前の時刻ｔ−ｎ×Δｔの目的変数の値をＳ_ｔ−ｎと表現する場合において、ｊ単位時間差の偏自己相関ＰＡＣＦ（ｊ）に関して過去ｍ日間の範囲であって偏自己相関の絶対値｜ＰＡＣＦ（ｊ）｜が最大となる単位時間差である
を決定する。

ステップＳ２１１において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、決定された
を元に、
を説明変数の１つとし、また、Ｓの時刻ｔから過去ｍ日間の平均値である
を説明変数の１つとする。その後、例えば、重回帰分析として基底関数φ（ｘ）を説明変数の一次関数とするような重回帰モデルを人流予測モデルとする場合には、その人流予測モデルの偏回帰係数ａ_１，ａ_２，…を決定するために記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶される過去Ｍ日間分（ただしＭ＞ｍとする）のデータを読み出し、時刻ｔの目的変数に対応する上記説明変数を全て組み合わせたデータの組
を１つのデータセットとし、続いて時刻ｔ−Δｔの目的変数Ｓ_ｔ−Δｔに対応する上記説明変数を全て組み合わせたデータの組
を１つのデータセットとし、これを上記説明変数が読み出したデータから算出できなくなるまで繰り返すことによりＤ個のデータセットを作成する。

ステップＳ２１２において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、上記Ｄ個のデータセットから構築できる偏回帰係数ａ_１，ａ_２，…を未知変数としたＤ本の連立方程式を最小二乗法等の方法により解くことにより、偏回帰係数を算出する。

ステップＳ２１３において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、算出された偏回帰係数ａ_ｌおよびａ_ｌに対応する説明変数ｘ_ｉの識別子Ｉ_ａｌ、時刻ｔからの相対時刻ｊまたは当該説明変数の算出式、ならびに目的変数の識別子Ｉ_ｆを含む、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に記憶させる。

なお、上記では人流データのみを説明変数の算出に利用する場合を説明したが、外部データおよびＢＥＭＳデータも上記説明変数の算出に利用するようにしてもよい。

なお、算出式が用いられる場合は、記憶ユニット１２には、例えば、必要なセンサデータの識別子を含む算出式そのものを、当該算出式の識別子とともに記憶させておく。

図５は、図１に示した記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶される人流予測モデルテーブルの一例を示す図である。

１行目は、識別子「００００ａｂｃｄ」で識別される人流データを目的変数とするとき、例えば、前日の同時刻の当該人流データを示す「ＩＤ：００００ａｂｃｄ，ｊ＝２４×３６００」のデータが説明変数として用いられることを表している。また、３行目は、識別子「００００ａｂｃｄ」で識別される人流データを目的変数とするとき、例えば、過去５日間の当該人流データが示す値の平均値を示す「ａｖｅｒａｇｅ（ＩＤ：００００ａｂｃｄ，５×２４×３６００）」のデータも説明変数として用いられることを表している。

ここで、説明変数は、上述したものの他に例えば以下のようなものがあるが、これに限定されるものではない。
・単位時間差を｜ＰＡＣＦ（ｊ）｜が大きいものから順に上位ｈ個
とした時、
の全て
・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ｗ_１のＳ_ｔと異なる曜日のｗ_２のＳ_ｔ´の相関係数ρを計算した場合に、例えば０．８などの閾値ρ_θと比較してρ＞ρ_θ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ｘ_ｉのうち学習に用いたＤ個の平均がμ_ｉ、標準偏差がσ_ｉ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
をｘ_ｉに代えて説明変数として用いた重回帰モデル
・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。

（３）人流予測モデル更新処理
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。

最初に、ステップＳ３０１において、センサ２のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。

ステップＳ３０２において、人流予測装置１の制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、時刻ｔにおいて上記人流データとともに対応する識別子Ｉ_ｉを取得する。

ステップＳ３０３において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、取得された人流データを識別子Ｉ_ｉと時刻ｔとともに、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる。その後、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、センサデータテーブル記憶部に記憶される識別子Ｉ_ｉにより識別される人流データが更新されたことを知らせる通知（以下、更新通知）を人流予測部１１２の人流予測モデル学習機能部１１２１へ送信する。

続いて、ステップＳ３０４において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、上記更新通知の受け取りに応じて、識別子Ｉ_ｉにより識別される人流データＳを予測するための人流予測モデルを記憶ユニット１２に要求する。

ステップＳ３０５において、記憶ユニット１２は、制御ユニット１１に対して、要求された人流データＳを予測するための人流予測モデル、上述した人流予測モデル学習処理において人流データＳを予測するための人流予測モデルの学習に用いたデータセットに必要な説明変数の識別子または算出式を、人流予測モデルテーブル記憶部１２２から返却する。

ステップＳ３０６において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、少なくとも上記データセット１つ分の必要な、人流データ、外部データ、およびＢＥＭＳデータ等のセンサデータを、記憶ユニット１２に要求する。

ステップＳ３０７において、記憶ユニット１２は、制御ユニット１１に対して、要求されたセンサデータを、センサデータテーブル記憶部１２１から返却する。

ステップＳ３０８において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、返却されたセンサデータからデータセットを作成する。

ステップＳ３０９において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、作成されたデータセットを１つ以上用いて確率的勾配降下法等の方法により偏回帰係数を算出して更新する。

ステップＳ３１０において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、更新された偏回帰係数ａ_ｌおよびａ_ｌに対応する説明変数ｘ_ｉの識別子Ｉ_ａｌ、時刻ｔからの相対時刻ｊまたは当該説明変数の算出式、ならびに目的変数の識別子Ｉ_ｆを含む人流予測モデルを、記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶させる。

ステップＳ３０４からステップＳ３１０までの処理を、新たな人流等のデータがセンサデータテーブル記憶部１２１に記憶される度に繰り返すことにより、偏回帰係数の値が逐次的に更新される形で人流予測モデルが更新される（以下、この工程をオンライン学習すると称する）。

（４）学習された人流予測モデルに基づく人流データ予測処理
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。

最初に、ステップＳ４０１において、人流予測装置１の制御ユニット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Ｉ_ｆと予測したい時刻ｔ´を決定し、識別子Ｉ_ｆにより識別される人流データが示す値を目的変数とする、上述した人流予測モデル学習処理において学習された人流予測モデル、または、上述した人流予測モデル更新処理において更新された人流予測モデルを、記憶ユニット１２に要求する。

ステップＳ４０２において、記憶ユニット１２は、制御ユニット１１に対して、要求された人流予測モデルを、人流予測モデルテーブル記憶部１２２から返却する。

ステップＳ４０３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、返却された人流予測モデルに含まれる説明変数の識別子と相対時刻または当該説明変数の算出式をもとに必要な、人流データ、外部データ、ＢＥＭＳデータ等のセンサデータを、記憶ユニット１２に要求する。

ステップＳ４０４において、記憶ユニット１２は、制御ユニット１１に対して、要求されたセンサデータを、センサデータテーブル記憶部１２１から返却する。

ステップＳ４０５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、返却されたセンサデータから必要に応じて説明変数を算出する。

ステップＳ４０６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、例えば重回帰モデルである人流予測モデルに含まれる偏回帰係数ａ_ｉに対応する説明変数をｘ_ｉとした時に、これらの積を全て加算し
を算出し、算出された
を時刻ｔ´における識別子Ｉ_ｆにより識別される人流データの予測値とする。なお、上記説明および図面では人流予測モデルが重回帰モデルである場合を例に挙げて説明しているが、人流予測モデルは他のモデルであってもよい。

ステップＳ４０７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、上記人流データの予測値を記憶ユニット１２の人流予測データ記憶部１２４に記憶させる。

なお、人流予測データ記憶部１２４に記憶される予測値は、例えば、図３に示したセンサデータテーブルと同様のものに記憶される。

（５）関係モデル学習処理
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。

最初に、ステップＳ５０１において、人流予測装置１の制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、補完したい計測器が計測している人流データの識別子Ｉ_ｆを決定し、全体通行量と識別子Ｉ_ｆにより識別される人流データとを記憶ユニット１２に要求する。

ステップＳ５０２において、記憶ユニット１２は、制御ユニット１１に対して、要求された全体通行量と識別子Ｉ_ｆにより識別される人流データとを、センサデータテーブル記憶部１２１から返却する。

ステップＳ５０３において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、時刻ｔにおける当該人流データＳ_ｔを目的変数とし、時刻ｔにおける全体通行量Ｘ_ｔを説明変数の１つとして、上述した人流予測モデル学習処理において実行したのと同様に偏回帰係数を算出する。

ステップＳ５０４において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、算出された偏回帰係数と対応する説明変数の識別子と目的変数の識別子とを含む、全体通行量を表すデータと上記人流データとの関係を表す関係モデルを、記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶させる。

図９は、図１に示した記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶される関係モデルテーブルの一例を示す図である。

ここで、説明変数は、上述した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。
・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Ｓ_ｔと単位時間差ｊの全体通行量Ｘ_ｔ−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
について
なる全体通行量
・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
とした時、
の全て
・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ｗ_１のＳ_ｔと異なる曜日のｗ_２のＳ_ｔ´の相関係数ρを計算した場合に、例えば０．８等の閾値ρ_θと比較してρ＞ρ_θ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Ｘ_ｉのうち学習に用いたＤ個の平均がμ_ｉ、標準偏差がσ_ｉ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
をＸ_ｉに代えて説明変数として用いた重回帰モデル
・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

（６）関係モデル更新処理
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。

最初に、ステップＳ６０１において、センサ２のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。

ステップＳ６０２において、人流予測装置１の制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、時刻ｔにおいて上記人流データとともに対応する識別子Ｉ_ｉを取得する。

ステップＳ６０３において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、取得された人流データを識別子Ｉ_ｉと時刻ｔとともに、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる。その後、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、センサデータテーブル記憶部に記憶される識別子Ｉ_ｉにより識別される人流データが更新されたことを知らせる通知（以下、更新通知）を人流予測部１１２の測定器補完機能部１１２２へ送信する。

ステップＳ６０４において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、上記更新通知の受け取りに応じて、識別子Ｉ_ｉにより識別される人流データＳを予測するための関係モデルを記憶ユニット１２に要求する。

ステップＳ６０５において、記憶ユニット１２は、制御ユニット１１に対して、要求された人流データＳを予測するための関係モデル、上述した関係モデル学習処理において人流データＳを予測するための関係モデルの学習に用いたデータセットに必要な説明変数の識別子または算出式を、関係モデルテーブル記憶部１２３から返却する。

ステップＳ６０６において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、少なくとも上記データセット１つ分の必要な、人流データ、外部データ、およびＢＥＭＳデータ等のセンサデータを、記憶ユニット１２に要求する。

ステップＳ６０７において、記憶ユニット１２は、制御ユニット１１に対して、要求されたセンサデータを、センサデータテーブル記憶部１２１から返却する。

ステップＳ６０８において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、返却されたセンサデータからデータセットを作成する。

ステップＳ６０９において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、作成されたデータセットを１つ以上用いて確率的勾配降下法等の方法により偏回帰係数を算出して更新する。

ステップＳ６１０において、制御ユニット１１は、人流予測部１１２の測定器補完機能部１１２２の制御の下、更新された偏回帰係数と対応する説明変数の識別子と目的変数の識別子とを含む、全体通行量を表すデータと上記人流データとの関係を表す関係モデルを、記憶ユニット１２の関係モデルテーブル記憶部１２３に記憶させる。

ステップＳ６０４からステップＳ６１０までの処理を、新たな人流等のデータがセンサデータテーブル記憶部１２１に記憶される度に繰り返すことにより、偏回帰係数の値が逐次的に更新される形で関係モデルが更新される（オンライン学習）。

（７）関係モデルに基づく人流データ予測処理
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。

最初に、ステップＳ７０１において、人流予測装置１の制御ユニット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Ｉ_ｆと予測したい時刻ｔ´を決定し、全体通行量と識別子Ｉ_ｆにより識別される人流データとの関係を表す、上述した関係モデル学習処理において学習された関係モデル、または、上述した関係モデル更新処理において更新された関係モデルを、記憶ユニット１２に要求する。

ステップＳ７０２において、記憶ユニット１２は、制御ユニット１１に対して、要求された関係モデルを、関係モデルテーブル記憶部１２３から返却する。

ステップＳ７０３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、全体通行量を予測するための、上述した人流予測モデル学習処理において学習された人流予測モデル、または、上述した人流予測モデル更新処理において更新された人流予測モデルを、記憶ユニット１２に要求する。

ステップＳ７０４において、記憶ユニット１２は、制御ユニット１１に対して、要求された人流予測モデルを、人流予測モデルテーブル記憶部１２２から返却する。

なお、ステップＳ７０１からステップＳ７０４の各ステップの順序は便宜的なものに過ぎず、ステップＳ７０１およびステップＳ７０３の各ステップは任意の順に実行されてもよく、ステップＳ７０２およびステップＳ７０４の各ステップはそれぞれ、ステップＳ７０１およびステップＳ７０３のうちの対応するステップの後に実行されるものであればよい。

ステップＳ７０５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、返却された人流予測モデルに含まれる説明変数の識別子と相対時刻または当該説明変数の算出式をもとに必要な、人流データ、外部データ、ＢＥＭＳデータ等のセンサデータを、記憶ユニット１２に要求する。

ステップＳ７０６において、記憶ユニット１２は、制御ユニット１１に対して、要求されたセンサデータを、センサデータテーブル記憶部１２１から返却する。

ステップＳ７０７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、返却されたセンサデータから必要に応じて説明変数を算出する。

ステップＳ７０８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、上述した、学習された人流予測モデルに基づく人流データ予測処理と同様に、全体通行量を予測するための、例えば重回帰モデルである人流予測モデルより、時刻ｔ´における全体通行量の予測値を算出する。

ステップＳ７０９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、予測された時刻ｔにおける全体通行量
および例えば重回帰モデルである関係モデルに含まれる他の説明変数の識別子と相対時刻または当該説明変数の算出式をもとに必要な、人流データ、外部データ、ＢＥＭＳデータ等のセンサデータを、記憶ユニット１２に要求して取得し、関係モデルに含まれる偏回帰係数ａ_ｉに対応する説明変数をｘ_ｉとした時に、これらの積を全て加算し
を算出し、この
を時刻ｔ´における識別子Ｉ_ｆにより識別される人流データの予測値とする。なお、上記説明および図面では人流予測モデルおよび関係モデルが重回帰モデルである場合を例に挙げて説明しているが、人流予測モデルおよび関係モデルは他のモデルであってもよい。

ステップＳ７１０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、上記人流データの予測値を記憶ユニット１２の人流予測データ記憶部１２４に記憶させる。

（８）変数自動選択処理
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。

最初に、ステップＳ８０１において、人流予測装置１の制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、目的変数Ｓ_ｔの識別子Ｉ_ｆと、関連する特徴量を抽出したい、人流データ、外部データ、およびＢＥＭＳデータ等のセンサデータの識別子Ｉ_ｅとを決定し、決定された、目的変数Ｓ_ｔの識別子Ｉ_ｆと、関連する特徴量を抽出したいセンサデータの識別子Ｉ_ｅとを、変数自動選択部１１３へ送信する。なお、特徴量は、例えば、上記センサデータに任意の線形または非線形変換を加えた、データの特徴を表現する量である。当該センサデータの識別子Ｉ_ｅの決定は、例えば、自動で、センサの識別子毎に順番に、またはランダムに決定される、あるいは、オペレータにより決定されるようにしてもよい。

ステップＳ８０２において、制御ユニット１１は、変数自動選択部１１３の制御の下、受信された識別子Ｉ_ｅより識別される過去Ｍ日間分のセンサデータｓを、記憶ユニット１２に要求する。

ステップＳ８０３において、記憶ユニット１２は、制御ユニット１１に対して、要求された過去Ｍ日間分のセンサデータｓを、センサデータテーブル記憶部１２１から返却する。

ステップＳ８０４において、制御ユニット１１は、変数自動選択部１１３の制御の下、識別子Ｉ_ｅにより識別されるセンサデータｓを加工したデータ、例えば、センサデータｓを微分した微分値ｓ´等を算出する。

ステップＳ８０５において、制御ユニット１１は、変数自動選択部１１３の制御の下、上記微分値ｓ´等を説明変数としｘ_ｔとの相互相関関数γ（ｊΔｔ）を算出する。

ステップＳ８０６において、制御ユニット１１は、変数自動選択部１１３の制御の下、算出された相互相関関数γ（ｊΔｔ）の絶対値の最大値γ_ＭＡＸを、例えば０．８等の閾値γ_θと比較する。当該比較の結果が、γ_ＭＡＸ＞γ_θの条件を満たす場合は、上記説明変数は、上記目的変数Ｓ_ｔに係る適切な説明変数であると判定されることになる。一方、上記条件が満たされない場合は、ステップＳ８０４に戻り、センサデータｓに他の変換を施したｓ´´に対して同様の動作が繰り返される。なお、当該相互相関関数を利用した統計的分析の代わりに、相関係数等を利用した統計的分析を用いるようにしてもよい。

ステップＳ８０１からステップＳ８０６において上記条件が満たされるまでの動作が、必要な説明変数の数だけ繰り返される。

その後、ステップＳ８０７において、人流予測装置１の制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、目的変数Ｓ_ｔの識別子Ｉ_ｆと、上記条件が満たされた各説明変数に係る上記識別子Ｉ_ｅと識別子Ｉ_ｅにより識別されるセンサデータの上記加工の算出式と、ならびに、上述したのと同様の方法で算出された偏回帰係数とを含む、人流予測モデルを学習し、学習された人流予測モデルを記憶ユニット１２の人流予測モデルテーブル記憶部１２２に記憶させる。

ここで、説明変数の算出式は、上記微分値の他に例えば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。
・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
または標準偏差σ_ｍ
・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Ｆ_ｉにおいてセンサデータの計測の単位時間Δｔの逆数をｆ_ｓ＝１／Δｔとした時に（以下、ｆ_ｓをサンプリング周波数と称する）周波数分解能Δｆ＝ｆ_ｓ／ｍについてｉ番目の複素数列Ｆ_ｉのパワースペクトル｜Ｆ_ｉ｜^２または偏角ａｒｇ（Ｆ_ｉ）
・以上の説明変数のべき乗

（９）人流予測モデル再学習処理
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。

最初に、ステップＳ９０１において、センサ２のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データＳ_ｔを当該センサの識別子Ｉ_ｉとともに人流予測装置１へ入力する。

ステップＳ９０２において、人流予測装置１の制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、時刻ｔにおいて上記人流データＳ_ｔとともに対応する識別子Ｉ_ｉを取得する。

ステップＳ９０３において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶されるセンサデータテーブルを参照し、時刻ｔについて識別子Ｉ_ｉにより識別される人流データの予測値が記憶されている場合には、上記取得された人流データＳ_ｔをセンサデータテーブル記憶部１２１に上書きする前に、当該予測値を表す人流予測データを記憶ユニット１２に要求する。

ステップＳ９０４において、記憶ユニット１２は、制御ユニット１１に対して、要求された人流予測データを、センサデータテーブル記憶部１２１から返却する。

ステップＳ９０５において、制御ユニット１１は、データ取得部１１１の差異計算部１１１４の制御の下、人流予測データ
が示す値と人流データＳ_ｔが示す値との差ΔＳ_ｔを計算する。

ステップＳ９０６において、制御ユニット１１は、データ取得部１１１の人流データ取得部１１１１の制御の下、上記人流センサから取得された人流データＳ_ｔを識別子Ｉ_ｉと時刻ｔとともに、記憶ユニット１２のセンサデータテーブル記憶部１２１に記憶させる。

ステップＳ９０７において、制御ユニット１１は、データ取得部１１１の差異計算部１１１４の制御の下、上記差ΔＳ_ｔを予め定められた閾値θと比較する。当該比較の結果が、｜ΔＳ_ｔ｜＞θの条件を満たす場合は、後続するステップＳ９０８へと進む。一方、上記条件が満たされない場合は、後続するステップの処理は実行されない。なお、人流データの示す値と人流予測データの示す値との差を計算して、計算された差を閾値と比較する例を説明したが、例えば、人流データの示す値と人流予測データの示す値との比を計算して、計算された比を閾値と比較するようにしてもよい。

ステップＳ９０８において、制御ユニット１１は、データ取得部１１１の差異計算部１１１４の制御の下、予測が正常ではないと見なして人流予測モデル学習機能部１１２１に対して、学習を要する人流データの識別子Ｉ_ｉと学習が必要であることを示す信号（以下、送信される信号を合わせて再学習要求通知と称する）とを合わせて送信する。

ステップＳ９０９において、制御ユニット１１は、人流予測部１１２の人流予測モデル学習機能部１１２１の制御の下、上記再学習要求通知の受け取りに応じて、識別子Ｉ_ｉにより識別される過去Ｍ日間分の人流データを、記憶ユニット１２に要求する。

その後、ステップＳ９１０からステップＳ９１４まで、上述した人流予測モデル学習処理に係り説明した図４ＢのステップＳ２０９からステップＳ２１３までと同様の処理が実行され、記憶ユニット１２の人流予測モデルテーブル記憶部１２２に、識別子Ｉ_ｉにより識別される人流データを予測するための人流予測モデルが記憶されることになる。

なお、上記では、再学習要求通知の受け取りに応じて、上述した人流予測モデル学習処理と同様の処理が実行される例を説明したが、これは例に過ぎず、例えば、再学習要求通知の受け取りに応じて、上述したような人流予測モデル更新処理、関係モデル学習処理、関係モデル更新処理、関係モデルに基づく人流データ予測処理、あるいは変数自動選択処理等を利用する処理が実行されるようにしてもよい。

（１０）人流予測データ出力処理
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Ｉ_ｆ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。

続いて、制御ユニット１１は、出力部１１４の制御の下、記憶ユニット１２の人流予測データ記憶部１２４またはセンサデータテーブル記憶部１２１を参照し、時刻ｔにおける、識別子Ｉ_ｆにより識別される人流予測データの有無を調べる。

制御ユニット１１は、出力部１１４の制御の下、当該人流予測データが存在する場合には、表示部５に当該人流予測データを出力し、当該人流予測データが存在しない場合には、ＮＵＬＬ値を出力する。なお、当該人流予測データが出力される先は、表示部５以外の他の何らかの装置であってもよい。

（効果）
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。

（１）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、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。

このように学習される人流予測モデルを利用することにより、例えば、施設の営業時間外等を挟むような人流等に不連続性がある時期を含む期間、例えば１日〜数週間の期間であっても、人流等を予測することが可能となる。

また、このように、所定の区画の人流等に大きな影響を及ぼし得る、例えば、複合商業施設における、ａ）施設内で開催されるイベント等、ｂ）施設内店舗の入れ替え、ｃ）季節商品の物販等、あるいは、公共交通機関に直結する施設等における、ｄ）交通網の遅延や臨時便の状況、ｅ）屋外の天候等のように、さまざまな外的要因による影響を考慮に入れて学習された人流予測モデルを利用することにより、これらの外的要因による影響を考慮に入れて将来の人流等を予測することが可能となる。

（２）人流予測モデル学習機能部１１２１の制御の下、取得された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上記人流予測モデルが動的に更新される。

このため、さまざまな外的要因による影響を受けることにより人流予測モデルによる予測の精度が徐々に落ちる場合でも、適当な回数の更新を踏まえることにより、人流予測モデルを、外的要因による影響も反映させたものへとその都度更新することができ、当該人流予測モデルを利用することによって引き続き将来の人流等の予測を精度良く行なうことができる。

（３）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人流データから算出可能な対象空間に係る全体通行量を表すデータをもとに、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上記人流予測モデルが学習される。また、測定器補完機能部１１２２の制御の下、上記全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルが教師あり学習により生成される。その後、人流データ予測部１１２３の制御の下、上記人流予測モデルに基づいて上記対象空間に係る将来の全体通行量が予測され、上記関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データが予測される。

このため、例えば、対象区画のセンサが故障等により正常に動作しない場合においても対象区画に係る将来の人流等を継続して予測することが可能となる。また、人流センサの計測精度が低いような場合にも、全体通行量を経由しないで将来の人流データを予測する場合と比較して、精度が向上した将来の人流データの予測が可能となる。

（４）変数自動選択部１１３の制御の下、データ取得部１１１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が選択される。その後、人流予測モデル学習機能部１１２１の制御の下、上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上記人流予測モデルが学習される。

このため、人流等を予測するために、取得されたデータから、人流等の予測の精度向上に寄与する説明変数を選択することが可能となる。

（５）差異計算部１１１４の制御の下、取得された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が計算される。当該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、人流予測モデル学習機能部１１２１の制御の下、当該人流データが取得された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人流予測モデルが学習し直される。

このため、人流等の予測値が現実の事象から大きく乖離した場合に、現在使用するのに適切な人流予測モデルを学習し直すことができる。

［他の実施形態］
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。

その他、人流予測装置等の装置の種類とその構成や、センサデータテーブル、人流予測モデルテーブル、および関係モデルテーブルに記憶される情報の構成等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。

要するにこの発明は、上記第１の実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記第１の実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、上記第１の実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１…人流予測装置、１１…制御ユニット、１１１…データ取得部、１１１１…人流データ取得部、１１１２…外部データ取得部、１１１３…ＢＥＭＳデータ取得部、１１１４…差異計算部、１１２…人流予測部、１１２１…人流予測モデル学習機能部、１１２２…測定器補完機能部、１１２３…人流データ予測部、１１３…変数自動選択部、１１４…出力部、１２…記憶ユニット、１２１…センサデータテーブル記憶部、１２２…人流予測モデルテーブル記憶部、１２３…関係モデルテーブル記憶部、１２４…人流予測データ記憶部、１３…外部インタフェースユニット、１４…入出力インタフェースユニット、２…センサ、３…ＢＥＭＳ、４…入力部、５…表示部

Claims

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。