JP2019197372A - 人流推定装置、および、人流推定方法 - Google Patents

Abstract

【課題】複雑な対象領域における人の流れや混雑度をリアルタイムに精度良く推定する。【解決手段】人流推定装置１は、ＯＤ（Origin-Destination）分配率を推定するＯＤ分配率推定部１５と、解析領域に流入する人数を測定データとして取得する測定部３０と、測定部３０で取得した測定データとＯＤ分配率との掛け合わせからＯＤデータを構築するＯＤデータ設定部１７と、ＯＤデータ、および、予め構築した解析モデルに基づき、人の流れや混雑度を推定する人流解析部１８と、人流解析部１８の出力結果を表示部４に表示させる表示制御部１２とを有する。【選択図】図１

Description

本発明は、対象領域における人の流れ（人流）を推定する人流推定装置、および、人流推定方法に関するものである。

近年、都市の混雑緩和や歩行者の安全性確保が注目されている。具体的には、都市部に歩行者が集中することで、駅における列車の発着遅延や、場合によってはホームへの転落など危険な事故に繋がる可能性が懸念されている。また、イベント開催時には、会場周辺で発生する変則的な混雑によって、歩行者が安全に通行できないといった課題も生じうる。よって、歩行者の安全性および快適性を確保するために、混雑状況や人の流れの現況把握と近未来予測が重要となる。また、案内や誘導により人の流れを制御し、混雑を緩和することが必要とされている。

上記課題を解決すべく、例えば特許文献１に記載の発明が提案されている。特許文献１には、施設内の限られた人数情報から、施設内における人の分布状況を迅速に推定可能なシステムについて開示されている。この発明によれば、監視カメラから得られるある時刻における撮像可能な領域の人数情報から、移動可能な各領域を接続関係で示した経路情報マップと、他の領域にどのような割合で移動するかの推定値を定義した分配規則テーブルに基づき、ある時刻から一定時間経過した時刻における各地点の人数分布を予測して表示することが可能となる。

また、特許文献２に記載の発明も提案されている。特許文献２には、駅構内を対象として、現在と過去における列車の運行状況、および、人の動きの変化パターンを考慮し、混雑が正常か異常かといった混雑度を推定する混雑度推定装置について開示されている。駅構内のような乗降施設において、改札機で得た入口と出口の組み合わせ人数（以下、ＯＤ：Origin Destination）データに基づいた所定の流動演算手法により、人の移動状況を推定することが可能となる。改札機のような入口から出口までを関連付けられるＯＤデータが取得可能な対象領域では、人の移動状況を精度良く推定できる。

特開２０１４−１０６８７９号公報 特開２０１２−１１８７９０号公報

特許文献１に記載の技術は、監視カメラで得られる人数情報から撮像範囲外を推定して、領域内の人数分布を推定する発明である。警備員による誘導や、改札機の開閉またはエスカレータの向きの変更による人の流れの整流化効果を検知することは困難である。
更に特許文献１に記載の技術は、解析領域の詳細を考慮せずに、撮像範囲外は人の流れの可否を接続関係でモデル化しているため、経路が複雑に分岐している領域を対象とした場合、精度の良い推定が困難となる。

一方、特許文献２に開示される技術では、街中や商業施設内などの入出場ゲートが存在しない空間を対象とした場合、ＯＤデータの取得が困難となり、人の移動状況が推定できない。また、改札機データを利用したＯＤデータを適用する場合、入口から出口までを関連付けたＯＤデータを得るためには、対象とする人が駅を出た出札情報が必要不可欠である。そのため、改札機入札直後の混雑状況把握が困難となり、リアルタイムに駅中の混雑状況や人の流れを把握するためには、過去のデータを適用することが必要となる。以上のことから、突発的な列車の遅延や火災等の事故への対応が困難となる。

そこで、本発明は、ＯＤデータ取得手段がない複雑なルートを有する解析領域において、人の流れや混雑度をリアルタイムに精度良く推定することを課題とする。

上記課題を解決するため、本発明の人流推定装置は、データ同化によりＯＤ（Origin-Destination）分配率を推定するＯＤ分配率推定部と、解析領域に流入する人数または解析領域から流出する人数を測定データとして取得する測定部と、前記測定部で取得した前記測定データと前記ＯＤ分配率との掛け合わせからＯＤデータを構築するＯＤデータ設定部と、前記ＯＤデータ、および、予め構築した解析モデルに基づき、人の流れや混雑度を推定する人流解析部と、前記人流解析部の出力結果を表示部に表示させる表示制御部とを有することを特徴とする。

本発明によれば、ＯＤデータ取得手段がない複雑なルートを有する解析領域において、人の流れや混雑度をリアルタイムに精度良く推定できる。
また、解析領域内における歩行者密度を考慮に入れたデータ取得時間単位を導入することで、利用者数が少ない時間帯でも、高精度に人流推定が可能となる。更に、時々刻々と変化する人の流れに対し、測定位置を選択的に可変にすることで、新たな測定装置等を追加することなく、既存の設備で高精度に人流を推定することが可能となる。

上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。

本発明の実施例に掛る人流推定システムの全体概略を表す構成図であり、かつ人流推定装置の機能ブロック図である。 人流推定装置の処理を示すフローチャートである。 第１の実施形態の解析モデルを示す図である。 均等分配で設定したＯＤ分配率表の一例を示す図である。 歩行者の進行方向に関するデータ処理例を示す模式図である。 測定部が人流測定装置から取得した測定データの一例を示す図である。 測定部から取得した測定データを均等分配で設定したＯＤデータの一例を示す図である。 人流解析部における人流解析の概念図である。 データ同化ＯＤ分配率推定部で実行するデータ同化の概念図である。 データ同化ＯＤ分配率により推定されたＯＤ分配率表の一例を示す図である。 人数測定データ表とデータ同化により推定されたＯＤ分配率表を掛け合わせて生成したＯＤデータを示す図である。 人流推定装置の測定データ取得時間データベースに蓄積されている、解析領域における歩行者密度とデータ同化の推定精度との関係を表すグラフである。 流れ推定測定位置データベースに基づき午前中の人の主流を考慮に入れた中間測定部を追加した模式図である。 均等分配、改札機測定データ、改札機測定データと流れ推定測定位置データベースに基づいた中間測定部の推定結果を追加した３条件における階段流入人数推定結果を比較したグラフである。 流れ推定測定位置データベースに基づき夕方の人の主流を考慮に入れ、解析モデルに中間測定部を追加した模式図である。 人流推定装置を構成する表示部に表示される人流推定結果の表示画面を示す図である。 第２の実施形態における駅の解析モデルを示す図である。 解析領域における歩行者密度とデータ同化の推定人数の最大誤差との関係を表すグラフである。

以降、本発明を実施するための形態を、各図を参照して詳細に説明する。
図１は、本発明の第１の実施形態の人流推定システムＳの全体概略構成図であって、人流推定装置１の機能ブロック図である。
図１に示すように、人流推定システムＳは、人流推定装置１、および、人流測定装置３ａ，３ｂ，…，３ｚから構成される。ここで、人流測定装置３ａ，３ｂ，…，３ｚは、監視カメラや改札機などに代表される、構内や改札内に流入する歩行者の人数を取得する機能を有する装置を指す。なお、人流測定装置３ａ，３ｂ，…，３ｚは、監視カメラのように、歩行者の進行方向データを取得する機能を有してもよい。人流測定装置３ａ，３ｂ，…，３ｚは、１種類に限定されず、複数種類であってもよい。これら人流測定装置３ａ，３ｂ，…，３ｚを、まとめて測定部３０と呼ぶ。なお、人流測定装置３ａ，３ｂ，…，３ｚを特に区別しないときは、単に人流測定装置３と記載する。

人流推定装置１は、オペレータが各種情報などを入力する入力部２と、入力された情報等に基づき処理を実行する処理部１０と、この処理結果などを表示する表示部４とを備える。入力部２は、例えばキーボードやマウスやタッチパネル等である。表示部４は、例えば液晶ディスプレイなどである。

処理部１０は、入力部２との界面である入力インタフェース１１と、表示部４を駆動制御する表示制御部１２と、記憶部１４と、これらを相互に接続する内部バス１３とを備える。記憶部１４には、測定データ取得時間データベース１４１と、流れ推定測定位置データベース１４２が記憶されている。入力インタフェース１１は、入力部２より入力される解析モデルを取り込む。表示制御部１２は、混雑度をヒートマップによって表示部４に表示する。

処理部１０は更に、通信インタフェース１６、ＯＤデータ設定部１７、人流解析部１８を備える。通信インタフェース１６は、人流測定装置３ａ，３ｂ，…，３ｚと処理部１０との界面である。ＯＤデータ設定部１７は、人流解析の初期入力データであるＯＤデータを設定する。人流解析部１８は、このＯＤデータと、入力部２で得られる解析モデルの情報から人流解析を行う。ＯＤデータ設定部１７と人流解析部１８とを併せて解析部１９と呼ぶ。

ＯＤ分配率推定部１５は、測定データ取得時間データベース１４１と、流れ推定測定位置データベース１４２に格納されているデータに基づいて、データ同化によりＯＤ分配率を推定する。ＯＤ分配率推定部１５が推定したＯＤ分配率と、測定部３０にて測定され通信インタフェース１６にて獲得した人の人数と、流入方向または流出方向の測定データを掛け合わせることで、ＯＤデータ設定部１７にてＯＤデータを取得することが可能となる。

測定データ取得時間データベース１４１には、人流を解析する領域における歩行者密度と、データ同化による推定誤差との相関に関するデータが格納されている。ＯＤ分配率推定部１５は、測定データ取得時間データベース１４１に基づき、対象の解析領域における歩行者密度が閾値以上となる測定データ取得時間単位を採用する。ＯＤ分配率推定部１５は更に、測定データ取得時間データベース１４１に格納されている、解析領域における歩行者密度と推定誤差との相関より、データ同化における測定値の許容測定誤差を決定する。

ＯＤ分配率推定部１５は、流れ推定測定位置データベース１４２に基づいて決定される位置の測定データをデータ同化に適用し、ＯＤ分配率を推定する。この流れ推定測定位置データベース１４２には、人流解析部１８によって得られた人の流れを分離するための測定位置のデータが格納されている。

図２は、人流推定装置１の処理を示すフローチャートである。
まず、オペレータは、入力部２により解析モデルを構築して、入口（Ｏ）と出口（Ｄ）とを設定する。人流推定装置１は、入力部２と入力インタフェース１１を介して入力された解析モデルを処理部１０内に取り込む（ステップＳ１０）。処理部１０内に取り込まれた解析モデルは、内部バス１３を介して記憶部１４の所定の記憶領域に格納される。

図３は、第１の実施形態の解析モデル５を示す図である。
この解析モデル５における入口（Ｏ）と出口（Ｄ）は、駅の構外へと続く３箇所の出入口５１ａ〜５１ｃと、プラットホーム５５に続く２箇所の階段５２ａ，５２ｂである。ここで出入口５１ａはＥ＿Ａと定義し、出入口５１ｂはＥ＿Ｂと定義し、出入口５１ｃはＥ＿Ｃと定義する。階段５２ａはＳ＿Ａと定義し、階段５２ｂはＳ＿Ｂと定義する。

この解析モデル５における解析領域は、出入口５１ａ〜５１ｃよりも内部の領域であり、かつ階段５２ａ，５２ｂよりも下側の領域を除く。

更に、出入口５１ａ〜５１ｃと階段５２ａ，５２ｂとの間には、２箇所の改札機３ｆ，３ｇが存在する。階段５２ａと階段５２ｂの階下にはプラットホーム５５が存在し、プラットホーム５５の両側には、このプラットホーム５５に沿って線路５６が存在する。解析モデル５における入口（Ｏ）と出口（Ｄ）には、カメラ３ａ〜３ｅが設置され、解析領域に流出入する人の数と流入方向／流出方向を取得する。このカメラ３ａ〜３ｅや改札３ｆ，３ｇは、図１に示す人流測定装置３ａ，３ｂ，…の一例である。このように解析モデル５は、ＯＤデータ取得手段がない複雑なルートを有する解析領域で構成されている。
なお、人流測定装置３は、カメラ３ａ〜３ｅや改札３ｆ，３ｇに限らず、や、レーザーレーダ（図示せず）等の測定装置であってもよく、限定されない。

図２のフローチャートに戻り、ステップＳ１１を説明する。人流推定装置１は、ステップＳ１０の初期設定にて構築された解析モデル５の入口（Ｏ）と出口（Ｄ）に対して、次のステップＳ１１において、ＯＤ分配率を設定する。ここで、ＯＤ分配率の初期条件は未知であるため、ＯＤ分配率推定部１５（図１参照）において、図４に示すような均等ＯＤ分配率表６０を構築する。

図４は、均等分配で設定したＯＤ分配率表６０を示す図である。
ＯＤ分配率表６０の各行は入口を示し、各列は出口を示している。入口Ｅ＿Ａ（出入口５１ａ）から流入した歩行者は、その５０％が出口Ｓ＿Ａ（階段５２ａ）から流出し、残り５０％が出口Ｓ＿Ｂ（階段５２ｂ）から流出することが仮定されている。
入口Ｅ＿Ｂ（出入口５１ｂ）から流入した歩行者は、その５０％が出口Ｓ＿Ａ（階段５２ａ）から流出し、残り５０％が出口Ｓ＿Ｂ（階段５２ｂ）から流出することが仮定されている。入口Ｅ＿Ｃ（出入口５１ｃ）から流入した歩行者は、その５０％が出口Ｓ＿Ａ（階段５２ａ）から流出し、残り５０％が出口Ｓ＿Ｂ（階段５２ｂ）から流出することが仮定されている。

入口Ｓ＿Ａ（階段５２ａ）から流入した歩行者は、その３３％が出口Ｅ＿Ａ（出入口５１ａ）から流出し、３３％が出口Ｅ＿Ｂ（出入口５１ｂ）から流出し、３４％が出口Ｅ＿Ｃ（出入口５１ｃ）から流出することが仮定されている。
入口Ｓ＿Ｂ（階段５２ｂ）から流入した歩行者は、その３４％が出口Ｅ＿Ａ（出入口５１ａ）から流出し、３３％が出口Ｅ＿Ｂ（出入口５１ｂ）から流出し、３３％が出口Ｅ＿Ｃ（出入口５１ｂ）から流出することが仮定されている。
なお、これに限られず、人流推定装置１は、例えば過去のデータに基づいてＯＤ分配率を設定してもよい。

図２のフローチャートに戻り、ステップＳ１２を説明する。人流推定装置１は、次のステップＳ１２において、測定部３０より各測定位置における通過人数および流入方向／流出方向のデータを取得する。
ここで、カメラ３ａによる歩行者７の進行方向に関するデータ処理例を、図５を用いて説明する。図５では、測定部３０を構成するカメラ３ａ，３ｂ，…で得られた画像から、歩行者７の進行方向が８方向で検出できる画像処理アルゴリズムを適用した場合について示している。

例えば、歩行者７の流れが上下２方向に限られるような通路では、左上方向８８、上方向８１、右上方向８２、右方向８３の４方向を統合して上方向８１として取り扱ってもよい。同様に右下方向８４、下方向８５、左下方向８６、左方向８７を統合して下方向８５として取り扱ってもよい。このような手法を用いて、進行方向は８方向、２方向に限らず、任意の方向や数を適用することができる。全ての測定データの取り扱う方向数は同じである必要はなく、対象領域の人の流れを基に選択的に方向を定義すればよい。以上の処理により、図６に示すような測定データ６１を得ることができる。

図６は、人流測定装置３から取得した測定データ６１の一例を示す図である。
測定データ６１の各行は取得時間を示し、各列はその場所における流入人数を示している。例えば、７時２５分から７時２６分に掛けて、Ｅ＿Ａ（出入口５１ａ）から８人が流入し、Ｅ＿Ｂ（出入口５１ｂ）から５人が流入し、Ｅ＿Ｃ（出入口５１ｃ）から５人が流入する。更にＳ＿Ａ（階段５２ａ）から１０人が流入し、Ｓ＿Ｂ（階段５２ｂ）から１８人が流入する。

７時２５分から７時３０分までの５分間に流入した人数の積算値でいうと、Ｅ＿Ａ（出入口５１ａ）から４４人が流入し、Ｅ＿Ｂ（出入口５１ｂ）から３３人が流入し、Ｅ＿Ｃ（出入口５１ｃ）から４８人が流入する。更にＳ＿Ａ（階段５２ａ）から５５人が流入し、Ｓ＿Ｂ（階段５２ｂ）から６８人が流入する。

図２のフローチャートに戻り、ステップＳ１３を説明する。ステップＳ１１で設定した均等ＯＤ分配率表６０と、ステップＳ１２で測定部３０より取得した解析領域に流入する人数の測定データ６１を掛け合わせることで、ステップＳ１３に示すＯＤデータ６２（図７参照）が構築される。

図７に、均等分配されたＯＤデータ６２の一例を示す。
このＯＤデータ６２は、７時２５分から７時３０分までの５分間に流入した人数の積算値に、図４のＯＤ分配表６０を適用して、各出入口に均等に分配したものである。Ｅ＿Ａ（出入口５１ａ）から流入した４４人は、Ｓ＿Ａ（階段５２ａ）から２２人が流出し、Ｓ＿Ｂ（階段５２ｂ）から２２人が流出する。Ｅ＿Ｂ（出入口５１ｂ）から流入した３３人は、Ｓ＿Ａ（階段５２ａ）から１６人が流出し、Ｓ＿Ｂ（階段５２ｂ）から１７人が流出する。Ｅ＿Ｃ（出入口５１ｃ）から流入した４８人は。Ｓ＿Ａ（階段５２ａ）から２４人が流出し、Ｓ＿Ｂ（階段５２ｂ）から２４人が流出する。

Ｓ＿Ａ（階段５２ａ）から流入した５５人は、Ｅ＿Ａ（出入口５１ａ）から１８人が流出し、Ｅ＿Ｂ（出入口５１ｂ）から１８人が流出し、Ｅ＿Ｃ（出入口５１ｃ）から１９人が流出する。Ｓ＿Ｂ（階段５２ｂ）から流入した６８人は、Ｅ＿Ａ（出入口５１ａ）から２３人が流出し、Ｅ＿Ｂ（出入口５１ｂ）から２３人が流出し、Ｅ＿Ｃ（出入口５１ｃ）から２２人が流出する。

図２のフローチャートに戻り、ステップＳ１４を説明する。人流推定装置１は、ステップＳ１３により、人流解析に必要な入力条件であるＯＤデータを得ることができたため、次のステップＳ１４に進み、人流解析を実行する。ここで、図８を用いて、人流解析内容について説明する。

図８は、人流解析部１８で実施する人流解析の概念図である。
人流解析部１８は、図３に示した解析モデル５の対象領域を複数の計算格子７１ａ〜７１ｉに区切る。この対象領域は、例えばカメラ３ａ〜３ｅのうち何れかによって撮影される領域である。以下、各計算格子７１ａ〜７１ｉを区別しないときには、単に計算格子７１と記載する。
ここでは１つの計算格子７１に１人の歩行者７が存在すると仮定して、各歩行者７の動きを算出する。なお、この仮定に限ったものではなく、１つの計算格子７１に複数名の歩行者７が存在する計算モデルとしてもよい。

ここで一例として、対象とする歩行者７ａについて、入口７２から出口７３に向かう際の人流計算方法について説明する。入口７２から出口７３に向かうには、複数存在する経路候補のうち、最短経路７４１を選択するのがよい。しかし、既に最短経路７４１上に存在する歩行者７ｃが計算格子７１ｂにいるため、最短経路７４１上を進むことができない。そこで、隣接する計算格子７１ｆが空いているため、出口７３に近づく経路７４２を選択することができる。同様の操作を繰り返すことで、人流解析部１８において、入口７２から出口７３に向かう人の流れを解析的に推定することができる。これにより、ＯＤデータに加えて、特定の入口から出口に向かう人の進行方向を加味することにより、人の流れの推定精度を向上させることができる。

なお、解析方法は上述のアルゴリズムに限られず、例えば隣接する最短経路７４１上に存在する歩行者７ｃが動き、最短経路７４１上の計算格子７１が空くまで進まないという選択もできる。また、進むか進まないかを確率的に組み合わせて人流推定を行う手法を用いてもよく、その計算方法については限定されるものではない。

図２のフローチャートに戻り、次のステップＳ１５に進み、人流解析の実行結果を測定値と比較する収束判定を行う。ここでは主に、人流解析の実行結果を改札通行人数や出口の流出人数などの測定データと比較し、図２のＯＤ分配率設定（Ｓ１１）で決定したＯＤ分配率の整合性について検証を行う。もし、収束判定（Ｓ１５）にて測定値との誤差が大きい、即ち収束していないと判定された場合（Ｎｏ）、データ同化による推定（Ｓ１９）にてＯＤ分配率を推定する。データ同化を適用する際の条件として、測定データ取得時間単位を設定し（Ｓ１７）、測定位置を設定（Ｓ１８）する必要があるが、詳細については図１２〜図１５を用いて後述する。

図９はデータ同化の概念図である。
ＯＤ分配率推定部１５で実施されるデータ同化の一例について、この図９を用いて説明する。ここではアンサンブルカルマンフィルタを適用するが、この手法に限ったものではなく、粒子フィルタや変分法などを適用してもよい。測定値をｙとすると、ベイズの定理により、以下の式（１）の関係が得られる。

ここで、ｐ（ａ）は状態変数ａの確率密度関数を表す。またｐ（ａ｜ｂ）は、ｂの値が確定しているときのａの条件付確率密度関数である。
式（１）の右辺のｐ（ｘ）は、人流解析の予測値ｘの確率密度分布であり、図９の上側のグラフの破線で示された予測値６３に該当する。
式（１）の右辺のｐ（ｙ｜ｘ）は、測定値の確率密度分布であり、図９の上側のグラフの一点鎖線で示された測定値６４に該当する。
ここでは、測定値６４の確率密度分布は正規分布と仮定しており、通過人数は平均値、許容測定誤差Ｄは分散の算出に用いられる。許容測定誤差Ｄが大きいほど確率密度分布の幅が大きくなる。
式（１）の左辺のｐ（ｘ｜ｙ）は、データ同化後の解析解の確率分布を表しており、図９の下側のグラフの破線で示された事後分布６６に該当する。データ同化により推定された事後分布６６は、発生したアンサンブルメンバ６５の条件にて人流解析を実行した結果の解析の予測値６３と、測定値６４とによって決定される。これら一連の計算を繰り返すことで、真値Ｖ_tに収束することができる。収束して得た数値をＯＤ分配率として定義し、ＯＤ分配率と測定データ６１からＯＤデータを設定して人流解析に導入することで、リアルタイムに人流の推定が可能となる。

ここで、図１０にデータ同化で推定された後のＯＤ分配率表６０Ａの一例を示す。図１０に示すデータ同化推定後のＯＤ分配率表６０Ａと図６に示す測定データ６１とを掛け合わせることで、図１１のデータ同化推定後のＯＤデータ６２Ａを得ることができる。

具体的に７時２５分から７時３０分までの５分間に流入した人数の積算値でいうと、Ｅ＿Ａ（出入口５１ａ）から流入した４４人は、Ｓ＿Ａ（階段５２ａ）から約７３％に相当する３２人が流出し、Ｓ＿Ｂ（階段５２ｂ）から約２７％に相当する１２人が流出する。Ｅ＿Ｂ（出入口５１ｂ）から流入した３３人は、Ｓ＿Ａ（階段５２ａ）から約４４％に相当する１５人が流出し、Ｓ＿Ｂ（階段５２ｂ）から約５６％に相当する１８人が流出する。Ｅ＿Ｃ（出入口５１ｃ）から流入した４８人は。Ｓ＿Ａ（階段５２ａ）から約８２％に相当する４０人が流出し、Ｓ＿Ｂ（階段５２ｂ）から約１８％に相当する８人が流出する。

Ｓ＿Ａ（階段５２ａ）から流入した５５人は、Ｅ＿Ａ（出入口５１ａ）から約３８％に相当する２１人が流出し、Ｅ＿Ｂ（出入口５１ｂ）から約１２％に相当する７人が流出し、Ｅ＿Ｃ（出入口５１ｃ）から約５０％に相当する２７人が流出する。Ｓ＿Ｂ（階段５２ｂ）から流入した６８人は、Ｅ＿Ａ（出入口５１ａ）から約１６％に相当する１１人が流出し、Ｅ＿Ｂ（出入口５１ｂ）から約７４％に相当する５０人が流出し、Ｅ＿Ｃ（出入口５１ｃ）から約１０％に相当する７人が流出する。
このＯＤデータ６２Ａは、現況の人流を高精度に推定するために必要な人流解析の入力条件である。

データ同化にてＯＤ分配率を高精度に推定する場合、解析領域における移動する人の人数、即ち歩行者密度（人/ｍ^２）を考慮に入れる必要がある。そこで、本発明では歩行者密度を考慮に入れた測定データの取得時間単位を決定するため、測定データ取得時間データベース１４１を有することを特徴としている。測定データ取得時間データベース１４１に関して図１２を用いて説明する。

図１２は、測定データ取得時間データベース１４１に格納されている解析領域における歩行者密度とデータ同化の推定精度との関係を表すグラフである。
グラフの縦軸は、ホーム流入人数の推定誤差をパーセント単位で示している。グラフの横軸は、解析領域における歩行者密度（人/ｍ^２）を示している。

第１の実施形態の解析モデル５に関して、解析領域における歩行者密度とホーム流入人数推定誤差との関係を表すグラフは、解析領域における歩行者密度が高いほど、ホーム流入人数の推定精度が良いことを表している。例えば、混雑度を２０％刻みで表示するためにはホーム流入人数推定誤差を２０％以内に収めることが望ましい。その場合、解析領域における設定する歩行者密度が０．０９人/ｍ^２以上となる条件で、計測データ取得時間単位を設定してデータ同化に適用することが望ましい。

ここでは、測定部３０で得られた測定データ６１（図６参照）を基に、流入人数の総和を解析モデル５の領域面積で割ることで解析領域における歩行者密度が得られる。図６に示す測定データ６１の一例では、１分毎にデータを取得しているが、歩行者の流入人数が少ない時間帯では、測定データ６１の取得時間単位を３分毎、５分毎と増大させることによって、解析領域における歩行者密度を増大させ、推定精度を高めることができる。また、人が多く流入する際には、測定データの取得時間単位を１分から３０秒毎、５秒毎と短縮することにより、人流解析の移動人数に伴う計算負荷増大を回避することができる。

また、測定データ取得時間データベース１４１より歩行者密度と推定精度との相関性について明らかとなっているため、図９に示すデータ同化における測定値の許容測定誤差を、歩行者密度に合わせて適宜変更することで、データ同化による推定（Ｓ１９）において、より精度の高いＯＤ分配率の収束解を得ることが可能となる。
これらの人数推定精度と歩行者密度との関係性を表すデータは、測定データ取得時間データベース１４１に蓄積され、このデータベースを基に、時々刻々と変化する歩行者密度に対して、測定データの取得時間単位が決定される。
つまり、この

データ同化の推定条件として、測定データ取得時間単位の他に、測定データの取得位置を考慮に入れる必要がある。即ち、人が全く通らない測定位置で人数および方向を測定しても、データ同化に導入した際に精度のよい人流推定は実現しない。そこで、本発明では図１に示す流れ推定測定位置データベース１４２を新たに追加し、データ同化に適用する測定データ６１を取得する測定位置を、人の流れに応じて可変にすることを特徴とする。以下、図１３〜図１５を用いて流れ推定測定位置データベース１４２の詳細と効果について説明する。

図１３は、午前８時の出社時間帯における駅構内の人の流れを示す模式図である。
出入口５１ｂ（Ｅ＿Ｂ）は、居住エリア５３に隣接しており、出社時間帯には流入人数が多くなる。ここで、出入口５１ｂ（Ｅ＿Ｂ）から流入した人数が改札機３ｇを通ってどちらの階段へ移動するか決定する出入口５１ｂ（Ｅ＿Ｂ）から階段５２ａ（Ｓ＿Ａ）と階段５２ｂ（Ｓ＿Ｂ）の移動割合を表すＯＤ分配率を精度良く推定することで、駅全体の人流推定精度が大きく左右される。

この場合、出入口５１ｂ（Ｅ＿Ｂ）から階段５２ａ（Ｓ＿Ａ）への経路７５と、階段５２ｂ（Ｓ＿Ｂ）への経路７６のどちらも改札機３ｇを通る。そのため、出入口５１ａ〜５１ｃに設けたカメラ３ａ〜３ｃと、改札機３ｆ，３ｇの測定データを用いた推定では、精度が悪化する可能性がある。そこで、人流推定装置１は、流れ推定測定位置データベース１４２に基づき、駅構内に数多く設置してある監視カメラの中から、データ同化に適用する新規の測定位置のカメラ３ｊを測定部３に加えた。

このカメラ３ｊは、歩行者の人数と進行方向とを検知し、よって経路７５を移動する人数と、経路７６を移動する人数をそれぞれ検知することができる。新規の測定位置のカメラ３ｊの測定データ６１を導入することで、出入口５１ｂ（Ｅ＿Ｂ）から流入した人数が、階段５２ａ（Ｓ＿Ａ）への移動であるか、階段５２ｂ（Ｓ＿Ｂ）への移動であるかを分離して判定することができる。
つまり、この流れ推定測定位置データベース１４２には、出入口５１ｂ（Ｅ＿Ｂ）へ流入する人や、ここから流出する人の移動割合を分離するためには、カメラ３ｊが好適である旨が格納されている。

図１４に、出入口５１ａ（Ｅ＿Ａ）、出入口５１ｂ（Ｅ＿Ｂ）、出入口５１ｃ（Ｅ＿Ｃ）から階段５２ａ（Ｓ＿Ａ）、階段５２ｂ（Ｓ＿Ｂ）に向かう出社時間帯（８：００）における本発明を適用した際の推定精度評価結果比較を示す。

細かい破線で示すＣａｓｅ１は、図４に示すＯＤ分配率表６０を用いて人流解析により推定した結果である。ここでは、均等分配したＯＤ分配率表６０によりＯＤデータを算出しているため、各出口に向かって人数の偏りがある人の流れは精度良く推定することが困難である。

また、粗い破線で示すＣａｓｅ２は、改札機３ｆと改札機３ｇを通過した測定データ６１をデータ同化にて推定した結果である。改札機３ｆは、出入口５１ａ（Ｅ＿Ａ）から階段５２ａ（Ｓ＿Ａ）へ行く人の最短経路上にある。改札機３ｇは、出入口５１ａ（Ｅ＿Ａ）から階段５２ｂ（Ｓ＿Ｂ）に行く人の最短経路上にある。そのため、改札機３ｆ，３ｇの通行データにより出入口５１ａから階段５２ａ，５２ｂに向かう人の流れは精度良く予測できている。しかし、出入口５１ｂ（Ｅ＿Ｂ）から階段５２ａ（Ｓ＿Ａ）に向かう人と、出入口５１ｂ（Ｅ＿Ｂ）から階段５２ｂ（Ｓ＿Ｂ）に向かう人は、共に改札機３ｇを通るため、経路の分離ができない。同様に出入口５１ｃ（Ｅ＿Ｃ）から階段５２ａ（Ｓ＿Ａ）に向かう人と、出入口５１ｃ（Ｅ＿Ｃ）から階段５２ｂ（Ｓ＿Ｂ）に向かう人とは、共に改札機３ｆを通過するため、経路の分離ができない。

その結果、粗い破線で示すＣａｓｅ２では、出入口５１ｂ（Ｅ＿Ｂ）または出入口５１ｃ（Ｅ＿Ｃ）から階段５２ａ（Ｓ＿Ａ）または階段５２ｂ（Ｓ＿Ｂ）に向かう人の推定精度が５０％前後と悪化する。

実線で示すＣａｓｅ３は、改札機３ｆ，３ｇの測定データ６１に加え、流れ推定測定位置データベース１４２に基づき、カメラ３ｊを追加した結果である。このカメラ３ｊは、出社時間帯に大勢流入する出入口５１ｂ（Ｅ＿Ｂ）からの人の流れを分離する新規の測定位置である。新たな測定位置のカメラ３ｊを１点追加することで、推定精度が全ての条件で１０％以内となることを確認した。

ここで、データ同化を適用する際、測定位置を多く取れば取るほど推定精度は向上するが、測定点数の増大に伴い人流解析の計算時間も増大するため、リアルタイム人流推定を実現する計算回数に抑える必要がある。流れ推定測定位置データベース１４２は、人流解析部１８によって得られた人の流れを分離するための測定位置を決定するデータと共に、測定点数と計算時間との関係についてのデータも格納されている。

図１５は、１８時の退社時間帯における人の流れを表す模式図である。
出入口５１ｃ（Ｅ＿Ｃ）は、飲食店エリア５４と隣接しており、退社時間帯には流出人数が多くなる。

ここで、出入口５１ｃ（Ｅ＿Ｃ）へ流出する人数が改札機３ｆを通ってどちらの階段から移動してきたかを決定する階段５２ａ（Ｓ＿Ａ）と階段５２ｂ（Ｓ＿Ｂ）から出入口５１ｃ（Ｅ＿Ｃ）への移動割合を表すＯＤ分配率を精度良く推定することで、駅全体の人流推定精度が大きく左右される。

この場合、階段５２ａ（Ｓ＿Ａ）から出入口５１ｃ（Ｅ＿Ｃ）への経路７７と、階段５２ｂ（Ｓ＿Ｂ）から出入口５１ｃ（Ｅ＿Ｃ）への経路７８のどちらも改札機３ｆを通る。そのため、出入口５１ａ〜５１ｃに設けたカメラ３ａ〜３ｃと、改札機３ｆ，３ｇの測定データを用いた推定では、精度が悪化する可能性がある。

ここでは、階段５２ａ（Ｓ＿Ａ）および階段５２ｂ（Ｓ＿Ｂ）から出入口５１ｃ（Ｅ＿Ｃ）へ向かう人の移動割合を分離できるよう、人流推定装置１は、流れ推定測定位置データベース１４２に基づき、新規の測定位置のカメラ３ｐを測定部３に加えた。このカメラ３ｐは、歩行者の人数と進行方向とを検知し、よって経路７８を移動する人数を検知することができる。これにより、人流推定装置１は、精度良く人の流れを推定可能となる。
つまり、この流れ推定測定位置データベース１４２には、出入口５１ｃ（Ｅ＿Ｃ）へ流入する人や、ここから流出する人の移動割合を分離するためには、カメラ３ｐが好適である旨が格納されている。

このようにして、図２のフローチャートでデータ同化によりＯＤ分配率の収束解を得た結果、収束判定（Ｓ１５）で測定値との誤差がある閾値以下となり収束したとみなされ、シミュレーション結果表示（Ｓ１６）に進み、一連の流れが終了する。

図１６は、人流推定装置１を構成する表示部４に表示される人流推定結果の表示画面９を示す図である。
ここで、人流推定結果表示画面９は、シミュレーション結果表示（Ｓ１６）の一例である。ここでは、駅構内の混雑度を利用者に知らせるため、混雑度を表示するヒートマップのレンジバー９１を適用し、混雑箇所と混雑度を表現している。
なお、混雑度の表現方法はこれに限らず、例えばベクトルの長さで混雑度を表し、ベクトルの向きで混雑する人の流れを表現してもよい。

駅員は、人の流れを確認可能なシミュレーション結果である人流推定結果表示画面９を確認することで、混雑箇所に誘導員を配置することや、改札機やエスカレータの進行方向の向きを制御し、混雑を緩和することが可能となる。

《第１の実施形態の効果》
第１の実施形態の人流推定装置１によれば、ＯＤデータ取得手段がない複雑なルートを有する解析領域において、人の流れや混雑度をリアルタイムに精度良く推定できる。
また、解析領域内における歩行者密度を考慮に入れたデータ取得時間単位を導入することで、利用者数が少ない時間帯でも、高精度に人流推定が可能となる。
更に、時々刻々と変化する人の流れに対し、測定位置を選択的に可変にすることで、高精度に人流を推定することが可能となる。

《第２の実施形態》
第２の実施形態では、駅構内におけるプラットホームが２箇所ある解析モデル５ａの一例について示す。

図１７は、第２の実施形態における駅の解析モデル５ａを示す図である。
この解析モデル５ａにおける入口（Ｏ）と出口（Ｄ）は、８箇所の改札機３ｑ〜３ｘである。また解析モデル５ａには、プラットホーム５５ａに続く階段５２ｇ〜５２ｊと、プラットホーム５５ｂに続く階段５２ｃ〜５２ｆとが存在する。プラットホーム５５ａに沿って線路５６が存在し、プラットホーム５５ｂに沿って他の線路５６が存在する。領域５７は、改札の内側であり、領域５８は改札外である。この模式図で示す解析モデル５ａに対し、測定データ取得時間データベース１４１に格納されている解析領域における歩行者密度とホーム流入人数推定誤差の関係を表すグラフを図１８に示す。

図１８は、解析領域における歩行者密度とデータ同化の推定人数の最大誤差との関係を表すグラフである。
プロット６７は、測定データ取得時間単位を３分毎としたときの歩行者密度と最大誤差を示す。プロット６８は、測定データ取得時間単位を５分毎としたときの歩行者密度と最大誤差を示す。プロット６９は、測定データ取得時間単位を１０分毎としたときの歩行者密度と最大誤差を示す。

このように、取得単位変化に伴い解析領域における歩行者密度も変化するため、プラットホーム５５ａ，５５ｂへの流入人数推定人数の最大誤差が小さくなることが分かる。また、第２の実施形態における誤差２０％以内の実現条件も、第１の実施形態と同様の歩行者密度０．０９人/ｍ^２となることを確認し、この値を満たす歩行者密度を実現する測定データ取得時間単位を設定する必要があることが分かる。

（変形例）
本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば上記した実施形態は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることも可能である。

上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路などのハードウェアで実現してもよい。上記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈して実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリ、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、フラッシュメモリカード、ＤＶＤ（Digital Versatile Disk）などの記録媒体に置くことができる。

各実施形態に於いて、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には、殆ど全ての構成が相互に接続されていると考えてもよい。
本発明の変形例として、例えば、次の（ａ）〜（ｅ）のようなものがある。

（ａ） 人流解析部の出力結果は、構内地図にマッピングしたヒートマップに限定されず、例えば円グラフや棒グラフや折れ線グラフ、流路別のランキングなどの数値分析結果であってもよい。
（ｂ） 人流解析装置は、人流解析部の出力結果を、例えばネットワークを介して端末に配信してもよい。これにより、多数の人々に対して施設内の混雑状況を通知できる。
（ｃ） 時々刻々と変化する人の流れに対し、カメラを選択的に可変にすることに限られず、カメラの撮影方向や撮影範囲を可変にしてもよい。
（ｄ） 人流解析装置の誤差条件は、約２０％に限定されない。また、歩行者密度も０．０９人/ｍ^２に限定されず、所定の閾値であってもよい。
（ｅ） 人流測定装置は、解析領域に流入する歩行者の人数を測定する代わりに、解析領域から流出する人数を測定してもよく、流入する人数と流出する人数の両方を測定してもよい。

Ｓ 人流推定システム
１ 人流推定装置
１０ 処理部
１１ 入力インタフェース
１２ 表示制御部
１３ 内部バス
１４ 記憶部
１４１ 測定データ取得時間データベース
１４２ 流れ推定測定位置データベース
１５ ＯＤ分配率推定部
１６ 通信インタフェース
１７ ＯＤデータ設定部
１８ 人流解析部
１９ 解析部
２ 入力部
３ 人流測定装置
３ａ〜３ｅ，３ｈ〜３ｎ カメラ
３ｆ，３ｇ，３ｐ〜３ｘ 改札機
３０ 測定部
４ 表示部
５，５ａ 解析モデル
５１ａ〜５１ｃ 出入口
５２ａ〜５２ｊ 階段
５３ 居住エリア
５４ 飲食店エリア
５５，５５ａ，５５ｂ プラットホーム
５６ 線路
６０，６０Ａ ＯＤ分配率表
６１ 測定データ
６２，６２Ａ ＯＤデータ
６３ 予測値
６４ 測定値
６５ アンサンブルメンバ
６６ 事後分布
６７〜６９ プロット
７ 歩行者
７１ａ〜７１ｉ 計算格子
７２ 入口
７３ 出口
７４１ 最短経路
７４２ 経路
９ 人流推定結果表示画面

Claims (11)

1. データ同化によりＯＤ（Origin-Destination）分配率を推定するＯＤ分配率推定部と、
   解析領域に流入する人数または解析領域から流出する人数を測定データとして取得する測定部と、
   前記測定部で取得した前記測定データと前記ＯＤ分配率との掛け合わせからＯＤデータを構築するＯＤデータ設定部と、
   前記ＯＤデータ、および、予め構築した解析モデルに基づき、人の流れや混雑度を推定する人流解析部と、
   前記人流解析部の出力結果を表示部に表示させる表示制御部と、
   を有することを特徴とする人流推定装置。
2. 前記測定部は、前記測定データとして更に人の進行方向を取得し、
   前記人流解析部は、前記測定データに含まれる人の進行方向を加味して人の流れを推定する、
   ことを特徴とする請求項１に記載の人流推定装置。
3. 前記ＯＤ分配率推定部は、前記解析領域における歩行者密度と推定誤差に関する情報を格納する測定データ取得時間データベースに基づいて決定される測定データ取得時間単位をデータ同化に適用し、ＯＤ分配率を推定する、
   ことを特徴とする請求項１に記載の人流推定装置。
4. 前記測定データ取得時間データベースには、前記解析領域における前記歩行者密度と、データ同化による前記推定誤差との相関に関するデータが格納されている、
   ことを特徴とする請求項３に記載の人流推定装置。
5. 前記ＯＤ分配率推定部は、対象の前記解析領域における歩行者密度が閾値以上となる測定データ取得時間単位を採用する、
   ことを特徴とする請求項４に記載の人流推定装置
6. 前記ＯＤ分配率推定部は、前記測定データ取得時間データベースに格納されている、前記解析領域における歩行者密度と推定誤差との相関より、データ同化における測定値の許容測定誤差を決定する、
   ことを特徴とする請求項４に記載の人流推定装置。
7. 前記ＯＤ分配率推定部は、流れ推定測定位置データベースに基づいて決定される位置の測定データをデータ同化に適用し、ＯＤ分配率を推定する、
   ことを特徴とする請求項１に記載の人流推定装置。
8. 前記流れ推定測定位置データベースには、前記人流解析部によって得られた人の流れを分離するための測定位置のデータが格納されている、
   ことを特徴とする請求項７に記載の人流推定装置。
9. 前記表示制御部は、混雑度をヒートマップによって前記表示部に表示する、
   ことを特徴とする請求項１に記載の人流推定装置。
10. 前記表示制御部は、人の移動する向きをベクトルの方向によって前記表示部に表示し、移動する人の人数をベクトルの長さによって前記表示部に表示する、
    ことを特徴とする請求項１に記載の人流推定装置。
11. データ同化によりＯＤ（Origin-Destination）分配率を推定するステップと、
    解析領域に流入する人数または解析領域から流出する人数を測定データとして取得するステップと、
    前記測定データと前記ＯＤ分配率との掛け合わせからＯＤデータを構築するステップと、
    前記ＯＤデータ、および、予め構築した解析モデルに基づき、人の流れや混雑度を推定するステップと、
    を有することを特徴とする人流推定方法。