JP2019125260A - Data creation device, induction model learning device, induction estimation device, data creation method, induction model learning method, induction estimation method and program - Google Patents

Data creation device, induction model learning device, induction estimation device, data creation method, induction model learning method, induction estimation method and program Download PDF

Info

Publication number
JP2019125260A
JP2019125260A JP2018006710A JP2018006710A JP2019125260A JP 2019125260 A JP2019125260 A JP 2019125260A JP 2018006710 A JP2018006710 A JP 2018006710A JP 2018006710 A JP2018006710 A JP 2018006710A JP 2019125260 A JP2019125260 A JP 2019125260A
Authority
JP
Japan
Prior art keywords
road
guidance
model
induction
effect
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
Application number
JP2018006710A
Other languages
Japanese (ja)
Other versions
JP6992534B2 (en
Inventor
具治 岩田
Tomoharu Iwata
具治 岩田
琢馬 大塚
Takuma Otsuka
琢馬 大塚
清水 仁
Hitoshi Shimizu
清水  仁
上田 修功
Shuko Ueda
修功 上田
太 納谷
Futoshi Naya
太 納谷
澤田 宏
Hiroshi Sawada
宏 澤田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2018006710A priority Critical patent/JP6992534B2/en
Publication of JP2019125260A publication Critical patent/JP2019125260A/en
Application granted granted Critical
Publication of JP6992534B2 publication Critical patent/JP6992534B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

To estimate effective induction using road information.SOLUTION: An induction estimation device for, when at least one of road structure indicating the structure of a road and a road state for each road structure is input, estimating information on induction by a model outputting information on the induction comprises induction estimation means for estimating information on the induction by inputting at least one of the road structure and the road state to the model for which a parameter estimated by parameter estimation means in an induction model learning device is set.SELECTED DRAWING: Figure 1

Description

本発明は、データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラムに関する。   The present invention relates to a data creation device, a guidance model learning device, a guidance estimation device, a data creation method, a guidance model learning method, a guidance estimation method, and a program.

道路を通行する人に対して適切な誘導を行うことで、混雑を解消し、安全性を高め、移動に掛かる時間を短縮させることができる。   By providing appropriate guidance to people passing by the road, it is possible to eliminate congestion, improve safety, and reduce travel time.

センサ技術の発展により、交通量等の道路情報を容易に収集することが可能になった。このため、収集された道路情報を利用して適切な誘導を得る方法が提案されている。例えば、収集された道路情報からシミュレータのパラメータを推定し、推定したパラメータを用いたシミュレーレータで試行錯誤を行うことにより適切な誘導を推定する手法が提案されている(例えば非特許文献1参照)。   The development of sensor technology has made it possible to easily collect road information such as traffic volume. For this reason, methods have been proposed for obtaining appropriate guidance using the collected road information. For example, there has been proposed a method of estimating an appropriate guidance by estimating a parameter of a simulator from collected road information and performing trial and error with a simulator using the estimated parameter (see, for example, Non-Patent Document 1) .

Naonori Ueda, Futoshi Naya, Hitoshi Shimizu, Tomoharu Iwata, Maya Okawa, and Hiroshi Sawada. 2015. Real-time and proactive navigation via spatio-temporal prediction. In Adjunct Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2015 ACM International Symposium on Wearable Computers (UbiComp/ISWC'15 Adjunct). ACM, New York, NY, USA, 1559-1566. インターネット<https://doi.org/10.1145/2800835.2801624>2015. Real-time and proactive navigation via spatio-temporal prediction. In Adjunct Proceedings of the 2015 ACM International Joint Conference ACM, New York, NY, USA, 1559-1566. Internet <https://doi.org/10.145/2800835.2801624> of the 2015 ACM International Symposium on Wearable Computers (UbiComp / ISWC'15 Adjunct).

しかしながら、シミュレータのパラメータの推定には、通常大量の道路情報が必要である。また、シミュレータによる試行錯誤が必要なため、適切な誘導を得るまでに多くの時間を要する場合があった。   However, estimation of simulator parameters usually requires a large amount of road information. In addition, since it is necessary to perform trial and error by a simulator, it may take a lot of time to obtain an appropriate induction.

本発明は、上記の点に鑑みてなされたもので、道路情報を用いて、効果的な誘導を推定することを目的とする。   The present invention has been made in view of the above points, and has an object to estimate effective guidance using road information.

そこで、本発明の一実施形態に係るデータ作成装置は、道路の構造を表す道路構造と、前記道路構造毎の道路状況とが取得又は作成されると、前記道路構造毎に誘導をした場合における前記道路の構造を表す誘導道路構造と、前記誘導を行わなかった場合に対する前記誘導を行った場合の効果を表す誘導効果と、前記道路構造及び前記道路状況の少なくとも一方とが含まれる道路効果データを作成するデータ作成手段、を有することを特徴とする。   Therefore, in the data creation device according to one embodiment of the present invention, when the road structure representing the structure of the road and the road condition for each road structure are acquired or generated, guidance is performed for each road structure. Road effect data including a guided road structure representing the structure of the road, a guidance effect representing an effect when the guidance is performed for the case where the guidance is not performed, and at least one of the road structure and the road condition Means for creating data.

また、本発明の一実施形態に係る誘導モデル学習装置は、道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルのパラメータを推定する誘導モデル学習装置であって、前記データ作成装置におけるデータ作成手段により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手段、を有することを特徴とする。   In addition, the guidance model learning device according to the embodiment of the present invention is a parameter of a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input. A guidance model learning device for estimating the road effect data, which is output by inputting road effect data created by data creation means in the data creation device as learning data to the model, and road effect data It is characterized by the parameter estimation means which estimates the said parameter so that the difference | error with the guidance effect contained may be minimized.

更に、本発明の一実施形態に係る誘導推定装置は、道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルにより前記誘導に関する情報を推定する誘導推定装置であって、前記誘導モデル学習装置におけるパラメータ推定手段により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手段、を有することを特徴とする。   Further, in the guidance estimation apparatus according to the embodiment of the present invention, the guidance is performed using a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input. A guide estimation device for estimating information on the road, and at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation means in the guide model learning device is set. , And a guidance estimation means for estimating information on the guidance.

道路情報を用いて、効果的な誘導を推定することができる。   Road information can be used to estimate effective guidance.

本発明の実施の形態における誘導推定装置の機能構成の一例を示す図である。It is a figure showing an example of functional composition of a guidance presumption device in an embodiment of the invention. 本発明の実施の形態における誘導推定装置が実行する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process which the guidance estimation apparatus in embodiment of this invention performs. 本発明の評価結果の一例を示す図である。It is a figure which shows an example of the evaluation result of this invention. 本発明の実施の形態における誘導推定装置のハードウェア構成の一例を示す図である。It is a figure which shows an example of the hardware constitutions of the induction | guidance | derivation estimation apparatus in embodiment of this invention.

以下、本発明の実施の形態について図面を参照しながら説明する。本発明の実施の形態では、道路情報から誘導を推定する誘導推定装置10について説明する。なお、誘導の対象となる移動体は、道路を移動する人(歩行者等)に限られず、例えば、道路を移動する車や自動車等の任意のグラフを移動する任意の移動体であっても良い。グラフは、道路に限られず、例えば、屋内の通路等であっても良い。   Hereinafter, embodiments of the present invention will be described with reference to the drawings. In the embodiment of the present invention, a guidance estimation device 10 for estimating a guidance from road information will be described. The mobile object to be guided is not limited to the person (pedestrian etc.) moving on the road, and may be any mobile object moving on any graph such as a car or car moving on the road, for example. good. The graph is not limited to the road, and may be, for example, an indoor passage or the like.

<誘導推定装置10の機能構成>
まず、本発明の実施の形態における誘導推定装置10の機能構成について、図1を参照しながら説明する。図1は、本発明の実施の形態における誘導推定装置10の機能構成の一例を示す図である。
<Functional Configuration of Guidance Estimation Device 10>
First, the functional configuration of the guidance estimation device 10 according to the embodiment of the present invention will be described with reference to FIG. FIG. 1 is a diagram showing an example of a functional configuration of a guidance estimation device 10 according to an embodiment of the present invention.

図1に示すように、本発明の実施の形態における誘導推定装置10は、データ作成部110と、パラメータ推定部120と、誘導推定部130とを有する。これら各機能部は、誘導推定装置10にインストールされた1以上のプログラムがCPU(Central Processing Unit)等に実行させる処理により実現される。なお、これらの各機能部は1つのプログラムが実行する処理により実現されていても良いし、異なるプログラムがそれぞれ実行する処理により実現されていても良い。   As shown in FIG. 1, the guidance estimation device 10 according to the embodiment of the present invention includes a data creation unit 110, a parameter estimation unit 120, and a guidance estimation unit 130. Each of these functional units is realized by processing that one or more programs installed in the guidance estimation device 10 cause a CPU (Central Processing Unit) or the like to execute. Each of these functional units may be realized by processing executed by one program, or may be realized by processing executed by different programs.

また、本発明の実施の形態における誘導推定装置10は、記憶部140を有する。記憶部140は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)等の補助記憶装置を用いて実現可能である。なお、記憶部140は、誘導推定装置10とネットワークを介して接続される記憶装置等を用いて実現されていても良い。   Further, the guidance estimation device 10 according to the embodiment of the present invention has a storage unit 140. The storage unit 140 can be realized, for example, using an auxiliary storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive). Note that the storage unit 140 may be realized using a storage device or the like connected to the guidance estimation device 10 via a network.

データ作成部110は、シミュレーションにより、道路情報と、そのときの誘導効果に関するデータ(このデータを「道路効果データ」と表す。)を作成する。データ作成部110には、道路構造作成部111と、道路状況作成部112と、誘導道路構造作成部113と、誘導効果測定部114と、道路効果データ作成部115とが含まれる。なお、シミュレーションに用いるシミュレータとしては、任意の交通シミュレータを用いることができる。   The data creation unit 110 creates road information and data on the guidance effect at that time (this data is referred to as “road effect data”) by simulation. The data creation unit 110 includes a road structure creation unit 111, a road condition creation unit 112, a guidance road structure creation unit 113, a guidance effect measurement unit 114, and a road effect data creation unit 115. In addition, arbitrary traffic simulators can be used as a simulator used for simulation.

道路構造作成部111は、N個の道路構造Gの集合 The road structure creation unit 111 is a set of N road structures G n

Figure 2019125260
を作成する。以降では、道路構造Gの集合を「道路構造集合」と表す。
Figure 2019125260
Create Hereinafter, a set of road structures G n is referred to as a “road structure set”.

道路構造Gとは、例えば、道路同士の繋がり、幅、傾斜等の道路の構造を表す情報である。道路構造Gは、実世界の道路をセンサ等で観測することで得られた情報であっても良いし、シミュレータ等により生成した情報であっても良い。道路構造Gは、例えば、グラフで表現することができ、ノードが道路、エッジが道路同士の接続を表す。 The road structure G n is, for example, information representing the road structure such as a connection between roads, a width, and a slope. The road structure G n may be information obtained by observing a road in the real world with a sensor or the like, or may be information generated by a simulator or the like. The road structure G n can be expressed, for example, by a graph, where nodes represent roads and edges represent connections between roads.

道路状況作成部112は、各道路構造G毎に、M個のシミュレーションのパラメータを生成する。そして、道路状況作成部112は、これらのパラメータを用いてシミュレーションすることにより、M個の道路状況Xnmの集合 The road condition creation unit 112 generates M n simulation parameters for each road structure G n . Then, the road condition creation unit 112 performs simulation using these parameters to obtain a set of Mn road conditions X nm .

Figure 2019125260
を作成する。以降では、M個の道路状況Xnmの集合を「道路状況集合」と表す。
Figure 2019125260
Create Hereinafter, a set of Mn road conditions X nm will be referred to as a “road condition set”.

道路状況Xnmとは、或る時間帯における各道路に含まれる人数、或る場所の通過人数、各道路の平均移動速度等の移動体の情報を表すものである。例えば、道路状況Xnmとして、各時刻で各道路に含まれる人数 The road condition X nm represents the information of the moving body such as the number of people included in each road in a certain time zone, the number of people passing in a certain place, and the average moving speed of each road. For example, as the road condition X nm , the number of people included in each road at each time

Figure 2019125260
が利用できる。ここで、xnmitはn番目の道路構造Gにおけるm番目の道路状況Xnmで時刻tにi番目の道路に含まれる人数、Iはn番目の道路構造Gの道路数、Tは観測の時刻数を表す。なお、時刻tは、シミュレーションの或る時刻から或る時刻までを或る時間幅に分割した場合における各時間幅を表すインデックスである。また、道路状況Xnmとして全時刻の状況ではなく、観測の最終時刻から或る時間幅の時刻の状況を用いても良い。
Figure 2019125260
Is available. Here, x NMIT the number of people included in the m-th road conditions X nm i-th road at time t in the n-th road structure G n, I n the road number of the n-th road structure G n, T is Represents the number of times of observation. Time t is an index representing each time width in the case where a certain time width is divided from a certain time of simulation to a certain time. Also, as the road condition X nm , not the situation of all the time but the situation of a certain time width from the last time of observation may be used.

誘導道路構造作成部113は、各道路構造Gで、K個の誘導をした場合の道路構造Gnkの集合 The guidance road structure creation unit 113 is a set of road structures G nk when K n pieces of guidance are performed in each road structure G n.

Figure 2019125260
を作成する。
Figure 2019125260
Create

例えば、誘導策として各道路を通行止めにする場合、Gnkはk番目の道路を通行止めにしたときの道路構造、すなわち、Gからk番目のノード(道路)と当該ノードに対応するエッジとを削除したグラフで表現される。 For example, when each road is closed as a guidance measure, G nk is a road structure when the k-th road is closed, that is, a node from G n to the k-th node (road) and an edge corresponding to the node It is expressed by the deleted graph.

誘導策としては、例えば、通行止め、道幅変更、通行人数規制、次に進むべき道路への誘導、一方通行、速度が異なるレーンを作る、通行速度を上げる・下げる、道路の追加等を用いることができる。すなわち、誘導策は、必ずしも誘導に限られず、道路構造として表現できる任意の施策を用いることができる。   As guidance measures, for example, it is possible to use stoppages, change of road width, restriction of the number of people, guidance to the next road, one way, lanes with different speeds, increase / decrease speed, addition of roads, etc. it can. That is, the guidance measure is not necessarily limited to the guidance, and any measure that can be expressed as a road structure can be used.

誘導効果測定部114は、誘導しない場合の道路構造Gを用いてシミュレーションすることで作成した最終時刻(観測の最終時刻)の道路状況xnmTを初期値とし、誘導しない場合のシミュレーションと同じパラメータと、各誘導した場合の道路構造Gnkとを用いてシミュレーションすることにより、誘導効果snmkを測定及び作成する。 The guidance effect measurement unit 114 takes the road condition x nmT at the final time (final time of observation) created by simulating using the road structure G n when not guiding as an initial value, and the same parameters as the simulation when not guiding The induction effect s nmk is measured and created by performing simulation using the road structure G nk for each of the induced cases and

なお、誘導しない場合の道路構造Gを用いたシミュレーションのパラメータと、道路状況xnmTとは、道路状況作成部112により生成及び作成されたものを用いる。また、例えば、道路状況Xnmとして各時刻で各道路に含まれる人数を用いた場合、最終時刻の道路状況xnmTは、 In addition, the parameter of the simulation using road structure Gn when not guiding, and road condition xnmT use what was produced | generated and created by the road condition creation part 112. FIG. Also, for example, when the number of people included in each road at each time is used as the road status X nm , the road status x nmT at the final time is

Figure 2019125260
である。
Figure 2019125260
It is.

誘導効果としては、目的地に到達するまでの平均時間の短縮時間、目的地に到達するまでの最長時間の短縮時間、目的地への到着人数等、誘導により高めたい任意の指標を用いることができる。なお、誘導効果としては、例えば、混雑度、混雑箇所の数等、誘導により減らしたい任意の指標を用いることもできるが、この場合は、その指標の値の負をとる(すなわち、−1を乗じた値を採用する)ものとする。   As an induction effect, it is possible to use any index that you want to increase by induction, such as shortening the average time to reach the destination, shortening the maximum time to reach the destination, and the number of people arriving at the destination. it can. In addition, although any index to reduce by induction, such as congestion degree and the number of crowded places, can also be used as an induction effect, in this case, the value of the index is taken negative (that is, −1 The multiplied value shall be adopted.

道路効果データ作成部115は、各道路構造Gと、各道路状況Xnmと、各誘導効果snmkとをまとめた道路効果データ The road effect data creation unit 115 is road effect data in which each road structure G n , each road condition X nm , and each guidance effect s nmk are summarized.

Figure 2019125260
を作成する。ここで、
Figure 2019125260
Create here,

Figure 2019125260
はn番目の道路構造Gにおけるm番目の道路状況Xnmでの誘導効果snmkをまとめたベクトルである。道路状況Xnmとして、誘導をする直前の時刻のみの道路状況を用いても良いし、誘導をする直前の時刻から或る一定時間の道路状況を用いても良い。
Figure 2019125260
Is a vector summarizing the induction effect s nmk at the m-th road condition X nm in the n-th road structure G n . As the road condition X nm , the road condition of the time immediately before the guidance may be used, or the road condition of a certain fixed time from the time immediately before the guidance may be used.

なお、以降では、道路構造Gと、道路状況Xnmとが含まれる情報を「道路情報」とも表す。したがって、道路誘導データとは、道路情報と、各誘導効果snmkとをまとめたデータであるということができる。 Hereinafter, information including the road structure G n and the road condition X nm is also referred to as “road information”. Therefore, it can be said that road guidance data is data in which road information and each guidance effect s nmk are put together.

ただし、道路情報は、道路構造G又は道路状況Xnmのいずれか一方が含まれる情報であっても良い。 However, the road information may be information including one of the road structure G n and the road condition X nm .

道路効果データ作成部115により作成された道路効果データは、記憶部140に格納される。この道路効果データが、後述する誘導モデルのパラメータ推定に用いられる学習データである。   The road effect data created by the road effect data creation unit 115 is stored in the storage unit 140. This road effect data is learning data used for parameter estimation of the guidance model described later.

なお、各道路構造G及び各道路状況Xnmの少なくとも一方について、必ずしもデータ作成部110が作成する必要はなく、例えば、実世界をセンサ等で観測することで得られるデータが外部から入力されても良い。すなわち、道路構造作成部111は、外部から入力された各道路構造Gを取得しても良い。同様に、道路状況作成部112は、外部から入力された道路状況Xnmを取得しても良い。 The data creation unit 110 does not necessarily have to create at least one of each road structure G n and each road condition X nm , and for example, data obtained by observing the real world with a sensor or the like is input from the outside. It is good. That is, the road structure creation unit 111 may acquire each road structure G n input from the outside. Similarly, the road condition creation unit 112 may acquire the road condition X nm input from the outside.

パラメータ推定部120は、記憶部140に格納されている道路効果データを用いて、誘導モデルのパラメータを推定する。誘導モデルとは、道路情報を入力として、誘導(又は誘導に対応する情報)を推定及び出力するモデルである。   The parameter estimation unit 120 estimates the parameters of the guidance model using the road effect data stored in the storage unit 140. The guidance model is a model that takes road information as an input and estimates and outputs guidance (or information corresponding to the guidance).

パラメータ推定部120は、道路情報が与えられたときに、より適切な誘導(より効果的な誘導)を推定できるように、誘導モデルのパラメータを推定する。誘導モデルとしては、グラフ畳み込みニューラルネットワークを用いることができる。ただし、これに限られず、道路情報が与えられたときに誘導を推定及び出力することができるモデルであれば、例えば、ニューラルネットワーク、サポートベクターマシン、ガウス過程等の任意のモデルを誘導モデルとして用いることができる。   The parameter estimation unit 120 estimates the parameters of the guidance model so that a more appropriate guidance (more effective guidance) can be estimated when road information is given. A graph convolution neural network can be used as a guidance model. However, the present invention is not limited to this, and any model that can estimate and output a guidance when road information is given, for example, uses any model such as a neural network, a support vector machine, or a Gaussian process as a guidance model be able to.

グラフ畳み込みニューラルネットワークの場合、例えば、以下の式1に示すようなニューラルネット層を用いることができる。   In the case of a graph convolution neural network, for example, a neural net layer as shown in the following Equation 1 can be used.

Figure 2019125260
ここで、
Figure 2019125260
here,

Figure 2019125260
はl層目のノードiにおける隠れ層のベクトルであり、0層目の隠れ層は道路状況、すなわち、
Figure 2019125260
Is the vector of the hidden layer at node i in layer 1, and the hidden layer in layer 0 is the road condition, ie

Figure 2019125260
であるとする。
Figure 2019125260
It is assumed that

この場合、線形変換行列   In this case the linear transformation matrix

Figure 2019125260
が推定すべきパラメータである。
Figure 2019125260
Is the parameter to be estimated.

道路の通行止めの誘導を想定した場合、各道路を示すインデックスiと各誘導を示すインデックスkとが対応するため、最終隠れ層(すなわち、L層目の隠れ層)の大きさを1とし、その最終隠れ層の値   Assuming that guidance for closing roads is assumed, the index i indicating each road corresponds to the index k indicating each guidance, so the size of the final hidden layer (that is, the hidden layer of the L-th layer) is 1 and Last hidden layer value

Figure 2019125260
を出力とすることができる。なお、簡単のため、最終隠れ層の値を「znmi」とも表すものとする。
Figure 2019125260
Can be output. Note that, for simplicity, the value of the final hidden layer is also expressed as "z nmi ".

一方で、誘導策によっては、各道路を示すインデックスiと各誘導を示すインデックスkとが対応しない場合も有り得る。この場合、道路構造Gを表現するグラフのノードが、各誘導を示すインデックスと対応するようにグラフを構築することで対処できる。 On the other hand, depending on the guidance measure, there is a possibility that the index i indicating each road and the index k indicating each guidance do not correspond. In this case, the nodes of the graph representing the road structure G n can be dealt with by constructing the graph so as to correspond to the index indicating each guidance.

多くの道路効果データで、誘導効果snmkと相関するように出力した場合に値が高くなり、そうでない場合に値が低くなるようなものを目的関数とし、その目的関数の値をなるべく小さくするようにパラメータを推定する。例えば、誘導効果snmiをsoftmax関数により足して1(総和が1)になるように正規化したものをynmiとする。なお、各道路を示すインデックスiと各誘導を示すインデックスkとが対応するため、インデックスkをインデックスiで置き換えている。 In many road effect data, if the output is correlated with the induction effect s nmk , the value becomes high, otherwise the value becomes low as the objective function, and the value of the objective function is made as small as possible To estimate the parameters. For example, it is assumed that the inductive effect s nmi is added by the softmax function and normalized to 1 (the sum is 1) to be y nmi . In addition, since the index i which shows each road and the index k which shows each guidance respond | correspond, the index k is substituted by the index i.

ここで、誘導効果snmi(同様に、正規化したynmi)は、その値が高い程、誘導による効果が高い(すなわち、例えば、目的地に到達するまでの平均時間が短い、目的地への到着人数が多い、混雑度が低い、混雑箇所が少ない等)ものとする。そして、以下の式2に示すように、全道路効果データにおいて、ynmiと、最終隠れ層の値znmiに対してsoftmax関数をとったものとの交差エントロピーを目的関数として用いることができる。 Here, as the induction effect s nmi (also, normalized y nmi ) is higher, the induction effect is higher (ie, for example, the average time to reach the destination is shorter, to the destination) The number of arrivals of people is low, the degree of congestion is low, the number of places to be crowded is small, etc.). Then, as shown in Equation 2 below, it is possible to use, as an objective function, the cross entropy of y nmi and the value of the final hidden layer z nmi obtained by taking the softmax function in all road effect data.

Figure 2019125260
なお、交差エントロピー以外にも、例えば、二乗誤差等の他の誤差を用いても良い。
Figure 2019125260
Besides the cross entropy, for example, another error such as a square error may be used.

パラメータ推定部120により推定されたパラメータは、記憶部140に格納される。   The parameters estimated by the parameter estimation unit 120 are stored in the storage unit 140.

なお、誘導モデルは、道路構造Gと道路状況Xnmとの2つの情報を用いるモデルだけでなく、例えば、道路構造G又は道路状況Xnmのいずれか一方の情報を用いるモデルであっても良い。 The guidance model is not only a model using two pieces of information of the road structure G n and the road condition X nm , but also a model using, for example, any one of the road structure G n and the road condition X nm Also good.

誘導推定部130は、記憶部140に格納されているパラメータを設定した誘導モデルと、道路情報とを用いて、誘導を推定する。すなわち、例えば、誘導推定部130は、道路情報に含まれる道路構造Gと道路状況Xnmとを、当該パラメータを設定した誘導モデルに入力することで、出力znmiを得る。この出力znmiのうち、最も値が高い出力znmiに対応する誘導が最適な誘導(すなわち、その効果(誘導効果)が高いと期待される誘導)である。また、例えば、複数の誘導をランキングしたい場合には、出力の値が高い順に並び替えれば良い。 The guide estimation unit 130 estimates a guide using the guide model in which the parameters stored in the storage unit 140 are set and the road information. That is, for example, the guidance estimation unit 130 obtains the output z nmi by inputting the road structure G n and the road condition X nm included in the road information into the guidance model in which the parameters are set. Of the output z nmi, the most value corresponds to a high output z nmi induced optimal induction (i.e., inducing its effect (induction effect) is expected to be high). Also, for example, in the case where it is desired to rank a plurality of leads, they may be rearranged in descending order of output value.

また、複数の誘導を組み合わせても良い。例えば、誘導モデルにより最適な誘導を得た後で、この誘導に従って道路構造を修正し、修正後の道路構造を用いて、再度、誘導モデルにより次の誘導を得ることを繰り返す。これにより、複数の誘導の組み合わせを得ることができる。   Also, multiple inductions may be combined. For example, after obtaining the optimum guidance by the guidance model, the road structure is corrected according to the guidance, and using the corrected road structure, it is repeated to obtain the next guidance by the guidance model again. Thereby, a combination of a plurality of inductions can be obtained.

なお、道路構造G又は道路状況Xnmのいずれか一方の情報を用いて誘導モデルのパラメータを推定した場合、道路情報に含まれる道路構造G又は道路状況Xnmのいずれか一方を、当該パラメータを設定した誘導モデルに入力することで、誘導を出力として得れば良い。 In the case of estimating the parameters of the induction model using one of the information of the road structure G n or road conditions X nm, either the road structure G n or road conditions X nm included in the road information, the It is sufficient to obtain the induction as an output by inputting the parameter into the induction model set.

誘導推定部130により推定された誘導は、所定の出力先に出力される。所定の出力先としては、ディスプレイ等の表示装置であっても良いし、記憶部140や外部記録媒体等であっても良いし、ネットワークを介して接続される他の装置等であっても良い。   The guidance estimated by the guidance estimation unit 130 is output to a predetermined output destination. The predetermined output destination may be a display device such as a display, the storage unit 140 or an external recording medium, or any other device connected via a network. .

なお、図1に示す例では、データ作成部110と、パラメータ推定部120と、誘導推定部130とを1台の装置(誘導推定装置10)が有する場合について説明したが、これに限られない。データ作成部110と、パラメータ推定部120と、誘導推定部130とは、複数台の装置に分散されていても良い。例えば、本発明の実施の形態は、例えば、データ作成部110を有するデータ作成装置と、パラメータ推定部120を有する誘導モデル学習装置と、誘導推定部130を有する誘導推定装置とで実現されても良い。   Although the example illustrated in FIG. 1 describes the case where one device (the guidance estimation device 10) includes the data generation unit 110, the parameter estimation unit 120, and the guidance estimation unit 130, the present invention is not limited thereto. . The data creation unit 110, the parameter estimation unit 120, and the guidance estimation unit 130 may be dispersed in a plurality of devices. For example, even if the embodiment of the present invention is realized by, for example, a data creation device having data creation unit 110, a guidance model learning device having parameter estimation unit 120, and a guidance estimation device having guidance estimation unit 130. good.

<誘導推定装置10が実行する処理>
次に、本発明の実施の形態における誘導推定装置10が実行する処理の流れについて、図2を参照しながら説明する。図2は、本発明の実施の形態における誘導推定装置10が実行する処理の一例を示すフローチャートである。
<Process Performed by Guide Estimation Device 10>
Next, the flow of processing performed by the guidance estimation device 10 according to the embodiment of the present invention will be described with reference to FIG. FIG. 2 is a flowchart showing an example of processing performed by the guidance estimation device 10 according to the embodiment of this invention.

ステップS101:データ作成部110は、道路効果データを作成する。すなわち、データ作成部110は、道路構造作成部111による各道路構造Gの作成又は取得と、道路状況作成部112による各道路状況Xnmの作成又は取得と、誘導道路構造作成部113による各道路構造Gnkの作成と、誘導効果測定部114による各誘導効果snmkの作成とを行う。そして、データ作成部110は、道路効果データ作成部115による道路効果データの作成を行って、作成された道路効果データを記憶部140に格納する。 Step S101: The data creation unit 110 creates road effect data. That is, the data creating unit 110 creates or acquires each road structure G n by the road structure creating unit 111, creates or acquires each road condition X nm by the road condition creating unit 112, and each by the guided road structure creating unit 113. The road structure G nk is created, and each induction effect s nmk is created by the induction effect measurement unit 114. Then, the data creation unit 110 creates the road effect data by the road effect data creation unit 115, and stores the created road effect data in the storage unit 140.

ステップS102:次に、パラメータ推定部120は、記憶部140に格納されている道路効果データを用いて、誘導モデルのパラメータを推定する。すなわち、パラメータ推定部120は、道路効果データに含まれる道路情報を用いた誘導モデルの出力と、道路効果データに含まれる誘導効果との誤差を最小化させるパラメータを推定する。そして、パラメータ推定部120は、推定したパラメータを記憶部140に格納する。   Step S102: Next, the parameter estimation unit 120 estimates the parameters of the guidance model using the road effect data stored in the storage unit 140. That is, the parameter estimation unit 120 estimates a parameter that minimizes an error between the output of the guidance model using the road information included in the road effect data and the guidance effect included in the road effect data. Then, the parameter estimation unit 120 stores the estimated parameter in the storage unit 140.

ステップS103:次に、誘導推定部130は、記憶部140に格納されているパラメータを設定した誘導モデルと、道路情報とを用いて、誘導を推定する。   Step S103: Next, the guidance estimation unit 130 estimates the guidance using the guidance model in which the parameters stored in the storage unit 140 are set and the road information.

すなわち、例えば、誘導推定部130は、道路情報に含まれる道路構造Gと道路状況Xとを、当該パラメータを設定した誘導モデルに入力することで、出力を得る。又は、道路構造G又は道路状況Xのいずれか一方を用いて誘導モデルのパラメータを推定した場合は、誘導推定部130は、道路情報に含まれる道路構造G又は道路状況Xのいずれか一方を、当該パラメータを設定した誘導モデルに入力することで、出力を得る。そして、誘導推定部130は、例えば、最も高い出力値の出力に対応する誘導を最適な誘導とする。 That is, for example, the guidance estimation unit 130 obtains an output by inputting the road structure G * and the road condition X * included in the road information into the guidance model in which the parameters are set. Or, when estimating the parameters of the control model road structure G * or road conditions X * either with one, induction estimating unit 130, road structure G * or road conditions X * either included in the road information Output is obtained by inputting one or the other into the induction model in which the parameter is set. Then, for example, the lead estimation unit 130 sets the lead corresponding to the output of the highest output value as the optimum lead.

以上により、本発明の実施の形態における誘導推定装置10は、シミュレーションにより、道路情報と、その時の誘導効果に関するデータ(道路効果データ)を作成する。そして、本発明の実施の形態における誘導推定装置10は、この道路効果データを用いて、誘導モデルのパラメータを推定する。これにより、本発明の実施の形態における誘導推定装置10では、このパラメータを設定した誘導モデルに道路情報を入力することで、最適な誘導(すなわち、効果的な誘導)を高速に推定することができるようになる。   As described above, the guidance estimation device 10 according to the embodiment of the present invention creates road information and data (road effect data) on the guidance effect at that time by simulation. And the guidance estimation apparatus 10 in embodiment of this invention estimates the parameter of a guidance model using this road effect data. Thereby, the guidance estimation device 10 according to the embodiment of the present invention can quickly estimate the optimal guidance (that is, effective guidance) by inputting the road information into the guidance model in which the parameter is set. become able to.

<本発明の評価例>
ここで、本発明の評価例について説明する。本発明の評価を行うために、次のような実験を行った。すなわち、まず、日本の鉄道駅周辺の道路に基づいて、700個の道路構造を作成した。各道路構造において、周辺のランダムないくつかの場所から駅へ向かう歩行者と、駅からランダムないくつかの場所へ向かう歩行者との合計10万人を30分間シミュレーションした。この30分間のシミュレーションの終了時刻を開始時刻として、更に、各道路を通行止めにする誘導をした場合のシミュレーションを追加で30分間行った。
<Evaluation example of the present invention>
Here, evaluation examples of the present invention will be described. The following experiments were performed to evaluate the present invention. That is, first, 700 road structures were created based on the roads around the railway station in Japan. In each road structure, a total of 100,000 people were simulated for 30 minutes, with pedestrians going to the station from some random places in the vicinity and pedestrians going to some random places from the station. With the end time of this 30 minutes simulation as the start time, a simulation was additionally performed for 30 minutes when guiding each road to be closed.

全1時間のシミュレーションにおいて目的地に到達するまでの平均時間に−1を掛けたものを誘導効果として。700個の道路構造においてそれぞれ1つの道路状況と誘導効果とを含む道路効果データを学習データとして誘導モデルのパラメータを推定した。道路状況として、誘導をする直前1時刻の各道路に含まれる人数を用いた。   The induction effect is the average time to reach the destination multiplied by -1 in the simulation for all 1 hour. The parameters of the guidance model were estimated using, as learning data, road effect data including one road condition and one guidance effect in 700 road structures. As road conditions, the number of people included in each road at one time immediately before guidance was used.

そして、学習データとは異なる70個の道路構造の道路効果データを検証データ、学習データ及び検証データとは異なる70個の道路構造の道路効果データをテストデータとした。誘導モデルとしては、隠れ層の数が3、各隠れ層のサイズが10のグラフ畳み込みニューラルネットワークを用いて、初期値を変え5回学習し、検証データで最も交差エントロピーが低いものを採用した。一方で、本発明との比較手法として、通行止めにする道路をランダムに選択する「ランダム」と、最も人数の多い道路を選択する「最大人数」と、最も人数の多い道路へつながる道路を選択する「最大人数前」と、最も人数の多い道路からつながる道路を選択する「最大人数後」とを用いた。   Then, road effect data of 70 road structures different from learning data are used as verification data, and road effect data of 70 road structures different from learning data and verification data are used as test data. As a guidance model, using a graph convolution neural network with three hidden layers and a size of each hidden layer of 10, the initial value was changed and learned five times, and the one with the lowest cross entropy among the verification data was adopted. On the other hand, as a comparison method with the present invention, "random" randomly selecting a road to be closed, "largest number of people" selecting the largest number of roads, and selected roads leading to the largest number of roads We used "before the maximum number of people" and "after maximum number of people" who choose the road connected from the road with the largest number of people.

本発明及び各比較手法のそれぞれについて、テストデータを用いて、誘導を行わなかった場合の平均到達時間と、誘導を行った場合の平均到達時間との差を図3に示す。図3において、負の値は、誘導を行わなかった場合によりも誘導を行った場合の方が、平均到達時間が短くなったことを表している。   For each of the present invention and each comparative method, using test data, the difference between the average arrival time without induction and the average arrival time with induction is shown in FIG. In FIG. 3, a negative value indicates that the average arrival time is shorter in the case where the induction is performed than in the case where the induction is not performed.

図3に示すように、本発明により推定された誘導を行った場合、誘導を行わなかった場合と比べて、1人あたり21.9秒到達時間を短縮できたことがわかる。一方、図3に示すように、比較手法では、誘導を行った場合、誘導を行わなかった場合と比べて到達時間が長くなっている。   As shown in FIG. 3, it can be seen that when the induction estimated according to the present invention was performed, the arrival time per person was 21.9 seconds shorter than when the induction was not performed. On the other hand, as shown in FIG. 3, in the comparison method, when the induction is performed, the arrival time is longer than when the induction is not performed.

<誘導推定装置10のハードウェア構成>
最後に、本発明の実施の形態における誘導推定装置10のハードウェア構成について、図4を参照しながら説明する。図4は、本発明の実施の形態における誘導推定装置10のハードウェア構成の一例を示す図である。
<Hardware Configuration of Guidance Estimation Device 10>
Finally, the hardware configuration of the guidance estimation device 10 according to the embodiment of the present invention will be described with reference to FIG. FIG. 4 is a diagram showing an example of a hardware configuration of the guidance estimation device 10 according to the embodiment of the present invention.

図4に示す誘導推定装置10は、入力装置201と、表示装置202と、外部I/F203と、RAM(Random Access Memory)204と、ROM(Read Only Memory)205と、CPU206と、通信I/F207と、補助記憶装置208とを有する。これら各ハードウェアは、それぞれがバスBを介して通信可能に接続されている。   The guidance estimation device 10 illustrated in FIG. 4 includes an input device 201, a display device 202, an external I / F 203, a random access memory (RAM) 204, a read only memory (ROM) 205, a CPU 206, and a communication I / O. An F 207 and an auxiliary storage device 208 are provided. Each of these pieces of hardware is communicably connected via the bus B.

入力装置201は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各種操作を入力するのに用いられる。表示装置202は、例えばディスプレイ等であり、誘導推定装置10の処理結果を表示する。なお、誘導推定装置10は、入力装置201及び表示装置202の少なくとも一方を有していなくても良い。   The input device 201 is, for example, a keyboard, a mouse, or a touch panel, and is used by the user to input various operations. The display device 202 is, for example, a display, and displays the processing result of the guidance estimation device 10. The guidance estimation device 10 may not have at least one of the input device 201 and the display device 202.

外部I/F203は、外部装置とのインタフェースである。外部装置には、記録媒体203a等がある。誘導推定装置10は、外部I/F203を介して、記録媒体203a等の読み取りや書き込みを行うことができる。記録媒体203aには、誘導推定装置10が有する各機能を実現するプログラム等が記録されていても良い。   The external I / F 203 is an interface with an external device. The external device is, for example, a recording medium 203a. The guidance estimation apparatus 10 can read and write the recording medium 203 a and the like via the external I / F 203. The recording medium 203a may store a program or the like for realizing each function of the guidance estimation device 10.

記録媒体203aには、例えば、フレキシブルディスク、CD(Compact Disc)、DVD(Digital Versatile Disk)、SDメモリカード(Secure Digital memory card)、USB(Universal Serial Bus)メモリカード等がある。   Examples of the recording medium 203 a include a flexible disk, a CD (Compact Disc), a DVD (Digital Versatile Disk), an SD memory card (Secure Digital memory card), and a USB (Universal Serial Bus) memory card.

RAM204は、プログラムやデータを一時保持する揮発性の半導体メモリである。ROM205は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ROM205には、例えば、OS(Operating System)設定やネットワーク設定等が格納されている。   The RAM 204 is a volatile semiconductor memory that temporarily holds programs and data. The ROM 205 is a non-volatile semiconductor memory that can hold programs and data even after the power is turned off. The ROM 205 stores, for example, OS (Operating System) settings, network settings, and the like.

CPU206は、ROM205や補助記憶装置208等からプログラムやデータをRAM204上に読み出して処理を実行する演算装置である。   The CPU 206 is an arithmetic device that reads a program or data from the ROM 205, the auxiliary storage device 208, or the like onto the RAM 204 and executes processing.

通信I/F207は、誘導推定装置10を通信ネットワークに接続するためのインタフェースである。誘導推定装置10が有する各機能を実現するプログラムは、通信I/F207を介して、所定のサーバ装置等から取得(ダウンロード)されても良い。   The communication I / F 207 is an interface for connecting the guidance estimation device 10 to a communication network. A program for realizing each function of the guidance estimation device 10 may be acquired (downloaded) from a predetermined server device or the like via the communication I / F 207.

補助記憶装置208は、例えばHDDやSSD等であり、プログラムやデータを格納している不揮発性の記憶装置である。補助記憶装置208に格納されているプログラムやデータには、例えば、OS、当該OS上において各種機能を実現するアプリケーションプログラム、誘導推定装置10が有する各機能を実現するプログラム等がある。   The auxiliary storage device 208 is, for example, a HDD, an SSD, or the like, and is a non-volatile storage device storing programs and data. The programs and data stored in the auxiliary storage device 208 include, for example, an OS, an application program for realizing various functions on the OS, and a program for realizing each function of the guidance estimation device 10.

本発明の実施の形態における誘導推定装置10は、図4に示すハードウェア構成を有することにより、上述した各種処理を実現することができる。   The guidance estimation apparatus 10 according to the embodiment of the present invention can realize the various processes described above by having the hardware configuration shown in FIG. 4.

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。   The present invention is not limited to the above specifically disclosed embodiments, and various modifications and changes are possible without departing from the scope of the claims.

10 誘導推定装置
110 データ作成部
111 道路構造作成部
112 道路状況作成部
113 誘導道路構造作成部
114 誘導効果測定部
115 道路効果データ作成部
120 パラメータ推定部
130 誘導推定部
140 記憶部
DESCRIPTION OF SYMBOLS 10 Guidance estimation apparatus 110 Data preparation part 111 Road structure preparation part 112 Road condition preparation part 113 Guided road structure preparation part 114 Guidance effect measurement part 115 Road effect data preparation part 120 Parameter estimation part 130 Guidance estimation part 140 Storage part

Claims (9)

道路の構造を表す道路構造と、前記道路構造毎の道路状況とが取得又は作成されると、前記道路構造毎に誘導をした場合における前記道路の構造を表す誘導道路構造と、前記誘導を行わなかった場合に対する前記誘導を行った場合の効果を表す誘導効果と、前記道路構造及び前記道路状況の少なくとも一方とが含まれる道路効果データを作成するデータ作成手段、
を有することを特徴とするデータ作成装置。
When the road structure representing the structure of the road and the road condition for each road structure are acquired or created, the guidance road structure representing the structure of the road in the case where guidance is performed for each road structure, and the guidance is performed Data creation means for creating road effect data including a guidance effect representing an effect when the guidance is performed and a road structure and / or at least one of the road conditions when no guidance is given;
A data creation apparatus characterized by having:
道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルのパラメータを推定する誘導モデル学習装置であって、
請求項1に記載のデータ作成装置におけるデータ作成手段により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手段、
を有することを特徴とする誘導モデル学習装置。
A guidance model learning device that estimates parameters of a model that outputs information related to guidance when at least one of a road structure representing a road structure and a road condition for each road structure is input,
Information about the said guidance output by inputting into the said model the road effect data created by the data creation means in the data creation device according to claim 1 as learning data, and the guidance effect included in the road effect data Parameter estimation means for estimating the parameters to minimize errors;
A guidance model learning device characterized by having.
前記パラメータ推定手段は、
前記誘導に関する情報と、前記誘導効果を所定の関数を用いて正規化した値との誤差を最小化するように前記パラメータを推定する、ことを特徴とする請求項2に記載の誘導モデル学習装置。
The parameter estimation means
The guidance model learning device according to claim 2, wherein the parameter is estimated so as to minimize an error between information on the guidance and a value obtained by normalizing the guidance effect using a predetermined function. .
道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルにより前記誘導に関する情報を推定する誘導推定装置であって、
請求項2又は3に記載の誘導モデル学習装置におけるパラメータ推定手段により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手段、
を有することを特徴とする誘導推定装置。
A guidance estimation device that estimates information related to guidance by a model that outputs information related to guidance when at least one of a road structure representing a structure of a road and road conditions for each road structure is input,
4. The guidance according to claim 2, wherein at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation unit in the guidance model learning device according to claim 2 or 3 is set. Guidance estimation means for estimating information,
A guidance estimation device characterized by having.
道路の構造を表す道路構造と、前記道路構造毎の道路状況とが取得又は作成されると、前記道路構造毎に誘導をした場合における前記道路の構造を表す誘導道路構造と、前記誘導を行わなかった場合に対する前記誘導を行った場合の効果を表す誘導効果と、前記道路構造及び前記道路状況の少なくとも一方とが含まれる道路効果データを作成するデータ作成手順、
をコンピュータが実行することを特徴とするデータ作成方法。
When the road structure representing the structure of the road and the road condition for each road structure are acquired or created, the guidance road structure representing the structure of the road in the case where guidance is performed for each road structure, and the guidance is performed A data creating procedure for creating road effect data including a guiding effect representing an effect when the guiding is performed for no case and at least one of the road structure and the road condition;
A computer executes the data creation method.
道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルのパラメータを推定するコンピュータが、
請求項5に記載のデータ作成方法におけるデータ作成手順により作成された道路効果データを学習データとして前記モデルに入力することで出力される前記誘導に関する情報と、道路効果データに含まれる誘導効果との誤差を最小化するように前記パラメータを推定するパラメータ推定手順、
を実行することを特徴とする誘導モデル学習方法。
When at least one of a road structure representing a road structure and a road condition for each of the road structures is input, a computer that estimates parameters of a model that outputs information related to guidance,
Information regarding the said guidance output by inputting into the said model the road effect data created by the data creation procedure in the data creation method according to claim 5 as learning data, and the guidance effect included in the road effect data A parameter estimation procedure to estimate the parameters to minimize errors;
A guided model learning method characterized in that:
前記パラメータ推定手順は、
前記誘導に関する情報と、前記誘導効果を所定の関数を用いて正規化した値との誤差を最小化するように前記パラメータを推定する、ことを特徴とする請求項6に記載の誘導モデル学習方法。
The parameter estimation procedure is
The method according to claim 6, wherein the parameter is estimated so as to minimize an error between information on the guidance and a value obtained by normalizing the guidance effect using a predetermined function. .
道路の構造を表す道路構造と前記道路構造毎の道路状況との少なくとも一方が入力されると、誘導に関する情報を出力するモデルにより前記誘導に関する情報を推定するコンピュータが、
請求項6又は7に記載の誘導モデル学習方法におけるパラメータ推定手順により推定されたパラメータを設定した前記モデルに対して、前記道路構造と前記道路状況との少なくとも一方を入力することで、前記誘導に関する情報を推定する誘導推定手順、
を実行することを特徴とする誘導推定方法。
When at least one of a road structure representing a road structure and a road condition for each of the road structures is input, a computer for estimating the information on the guidance with a model that outputs information on the guidance,
8. The guidance according to claim 6, wherein at least one of the road structure and the road condition is input to the model in which the parameter estimated by the parameter estimation procedure in the guidance model learning method according to claim 6 or 7 is set. Guidance estimation procedure to estimate information,
A method of estimating a lead according to claim 1.
コンピュータを、請求項1に記載のデータ作成装置における各手段、請求項2若しくは3に記載のパラメータ推定装置における各手段又は請求項4に記載の誘導推定装置における各手段として機能させるためのプログラム。   A program for causing a computer to function as each means in the data generation device according to claim 1, each means in the parameter estimation device according to claim 2 or 3, or each means in the guidance estimation device according to claim 4.
JP2018006710A 2018-01-18 2018-01-18 Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program Active JP6992534B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018006710A JP6992534B2 (en) 2018-01-18 2018-01-18 Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018006710A JP6992534B2 (en) 2018-01-18 2018-01-18 Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program

Publications (2)

Publication Number Publication Date
JP2019125260A true JP2019125260A (en) 2019-07-25
JP6992534B2 JP6992534B2 (en) 2022-01-13

Family

ID=67398931

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018006710A Active JP6992534B2 (en) 2018-01-18 2018-01-18 Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program

Country Status (1)

Country Link
JP (1) JP6992534B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021081871A (en) * 2019-11-15 2021-05-27 株式会社豊田中央研究所 Urban structure design device and urban structure design program
WO2024111080A1 (en) * 2022-11-24 2024-05-30 三菱電機株式会社 Information processing device, program, information processing system, and information processing method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07220193A (en) * 1994-01-28 1995-08-18 Nagoya Denki Kogyo Kk Traffic condition discriminating device
JP2012043066A (en) * 2010-08-16 2012-03-01 Toyota Infotechnology Center Co Ltd Transportation infrastructure improvement plan creation device and method therefor
JP2013073492A (en) * 2011-09-28 2013-04-22 Sumitomo Electric Ind Ltd Traffic evaluation device, computer program and traffic evaluation method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07220193A (en) * 1994-01-28 1995-08-18 Nagoya Denki Kogyo Kk Traffic condition discriminating device
JP2012043066A (en) * 2010-08-16 2012-03-01 Toyota Infotechnology Center Co Ltd Transportation infrastructure improvement plan creation device and method therefor
JP2013073492A (en) * 2011-09-28 2013-04-22 Sumitomo Electric Ind Ltd Traffic evaluation device, computer program and traffic evaluation method

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021081871A (en) * 2019-11-15 2021-05-27 株式会社豊田中央研究所 Urban structure design device and urban structure design program
JP7070531B2 (en) 2019-11-15 2022-05-18 株式会社豊田中央研究所 Urban structure design equipment and urban structure design program
WO2024111080A1 (en) * 2022-11-24 2024-05-30 三菱電機株式会社 Information processing device, program, information processing system, and information processing method

Also Published As

Publication number Publication date
JP6992534B2 (en) 2022-01-13

Similar Documents

Publication Publication Date Title
ES2864149T3 (en) Neural network and neural network training method
KR20210082210A (en) Creating an Integrated Circuit Floor Plan Using Neural Networks
JP6611053B2 (en) Subject estimation system, subject estimation method and program
KR102190103B1 (en) Method of providing commercialization service of an artificial neural network
CN113095129B (en) Gesture estimation model training method, gesture estimation device and electronic equipment
CN113906387A (en) Digital twin operation device, digital twin operation method, program, and data structure
JP2022519283A (en) 3D environmental risk identification using reinforcement learning
US20180173828A1 (en) Computer-readable recording medium, simulation method and simulation apparatus
JP2018073360A (en) Input parameter search device, input parameter search method, and input parameter search program
JP6992534B2 (en) Data creation device, guidance model learning device, guidance estimation device, data creation method, guidance model learning method, guidance estimation method and program
KR20200080947A (en) Method for determining parameter sets of an artificial neural network
JP7052879B2 (en) Learner estimation device, learner estimation method, risk assessment device, risk assessment method, program
TW202324176A (en) A computer system, method and computer network for architectural design placement
KR20210060146A (en) Method and apparatus for processing data using deep neural network model, method and apparatus for trining deep neural network model
JP6757280B2 (en) Parameter output device, parameter output method and program
JP6649229B2 (en) Latency prediction device, latency prediction method, and latency prediction program
JP2011237989A (en) Apparatus for designing semiconductor integrated circuit, and method and program for designing the same
JP2023154373A (en) Information processing apparatus
JP7294383B2 (en) Parameter estimation device, route-based population estimation device, parameter estimation method, route-based population estimation method and program
CN112242959B (en) Micro-service current-limiting control method, device, equipment and computer storage medium
JP6988504B2 (en) Data creation device, data creation method and program
WO2021100109A1 (en) Event prediction method, event prediction device, and program
WO2020054402A1 (en) Neural network processing device, computer program, neural network manufacturing method, neural network data manufacturing method, neural network use device, and neural network downscaling method
JP6831307B2 (en) Solution calculation device, solution calculation method and solution calculation program
JP7318720B2 (en) SIMULATION DEVICE, LEARNING DEVICE, SIMULATION METHOD, AND SIMULATION PROGRAM

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200207

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201130

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201215

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210202

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210820

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: 20211109

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211122

R150 Certificate of patent or registration of utility model

Ref document number: 6992534

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150