JP2020029330A - 配備数決定装置および配備数決定方法 - Google Patents

Abstract

【課題】施設に配備する作業用車両の望ましい台数を、経験則に頼ることなく決定する。【解決手段】配備数決定装置（１）は、フォークリフト（３ａ）などが既に配備されている施設の特徴と、該施設におけるフォークリフト（３ａ）などの配備数との相関関係を学習させた学習済みモデルに対して、フォークリフト（３ａ）などを新たに配備する対象である対象施設の特徴を示す特徴情報を入力し、対象施設に配備すべきフォークリフト（３ａ）の台数を決定する配備数決定部（１０４）を備える。【選択図】図１

Description

本発明は、施設内に配備すべき作業用車両の台数を決定する配備数決定装置等に関する。

工場および倉庫などの施設では、作業を効率よく行うために作業用車両が広く利用されている。例えば、搬送対象物を搬送する作業を行う施設では、フォークリフトなどの作業用車両が効果的に利用されている（例えば下記の特許文献１、２参照）。

特開２００４−２４４１２１号公報 特開２００２−１２３８４８号公報

工場および倉庫などの施設で作業を効率的に行うためには、作業用車両をできるだけ過不足なく配備することが重要である。作業用車両の配備数を決定するにあたり、施設管理者および作業用車両業者は、類似する施設の配備状況等を考慮した経験則に基づいて決定することが通例であるが、このように決定された配備数は妥当性に欠けることがあった。

本発明の一態様は、施設に配備する作業用車両の望ましい台数を、経験則に頼ることなく決定することができる配備数決定装置等を実現することを目的とする。

上記の課題を解決するために、本発明の一態様に係る配備数決定装置は、作業用車両が既に配備されている施設の特徴と、該施設における上記作業用車両の配備数との相関関係を機械学習させた学習済みモデルに対して、作業用車両を新たに配備する対象である対象施設の特徴を示す特徴情報を入力して、上記対象施設に配備すべき上記作業用車両の台数を決定する配備数決定部を備えている。

また、上記の課題を解決するために、本発明の一態様に係る配備数決定方法は、配備数決定装置による配備数決定方法であって、作業用車両が既に配備されている施設の特徴と、該施設における上記作業用車両の配備数との相関関係を機械学習させた学習済みモデルに対して、作業用車両を新たに配備する対象である対象施設の特徴を示す特徴情報を入力する入力ステップと、上記対象施設に配備すべき上記作業用車両の台数を決定する配備数決定ステップと、を含んでいる。

本発明の一態様によれば、施設に配備する作業用車両の望ましい台数を、経験則に頼ることなく決定することができる。

本発明の実施形態１に係る配備数決定装置の要部構成の一例を示すブロック図である。 上記配備数決定装置によってフォークリフトの配備数を決定した例を示した図である。 教師データを説明する図であり、（ａ）はフォークリフトが既に配備されている施設の特徴の例を示し、（ｂ）は補足情報の例を示している。 配備数決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。 本発明の実施形態２に係る配備数決定装置の要部構成の一例を示すブロック図である。 対象施設が繁忙時期に配備すべき第１の台数と、非繁忙時期に配備すべき第２の台数とを決定する処理の一例を示すフローチャートである。 出力部に出力させる決定結果の一例を示す図である。

〔実施形態１〕
（配備数決定装置１の概要）
本実施形態の配備数決定装置の概要を図２に基づいて説明する。図２は、配備数決定装置１によって、対象施設Ｚへのフォークリフト３ａおよび３ｂの配備数を決定した例を示した図である。

図示の例では、対象施設Ｚへのフォークリフト３ａおよび３ｂの配備数を決定したい、配備数決定装置１のユーザ９が、配備数決定装置１に対して対象施設Ｚがどのような施設であるかを示す情報を入力している。そして、配備数決定装置１はこの入力を受け付けて（Ｓ１）、対象施設Ｚに配備すべきフォークリフトの台数を決定し、出力する（Ｓ４）。具体的には、フォークリフト３ａの配備数が２０台、フォークリフト３ｂの配備数が１５台と出力されている。

なお、ここでは、作業用車両の一例として、作業者の操作に従って搬送対象物（例えば、荷物や貨物など）を搬送するフォークリフト３ａ、およびフォークリフト３ａとは異なる車種のフォークリフト３ｂという２種類のフォークリフトを例示している。しかしながら、作業用車両は、作業に用いられる車両であればよく、フォークリフトに限定されない。例えば、作業用車両は、トラクタ、クレーン車、およびトラックなどであってもよい。また、配備数決定装置１は、図２の例のように二車種の作業用車両の配備数を決定することができる他、一車種の作業用車両の配備数を決定することもできるし、三車種以上の作業用車両の配備数を決定することもできる。また、配備数決定装置１は、無人で走行する無人走行車の配備数を決定することもできる。

詳細は後述するが、配備数決定装置１は、フォークリフトが既に配備されている施設の特徴と、該施設における上記フォークリフトの配備数との相関関係を機械学習させた学習済みモデルを用いてフォークリフト３ａおよび３ｂの配備数を決定する。

例えば、図２に示す例では、施設Ａには、３０台のフォークリフト３ａ、および３５台のフォークリフト３ｂが既に配備されて稼働している。施設Ａよりも小規模の施設Ｂには、２０台のフォークリフト３ａ、および１０台のフォークリフト３ｂが既に配備されて稼働している。施設Ｂよりもさらに小規模の施設Ｃには、５台のフォークリフト３ａ、および１５台のフォークリフト３ｂが既に配備されて稼働している。また、フォークリフト３ａおよび３ｂは、図示していないその他多数の施設にも配備されて稼働している。

配備数決定装置１は、これら施設Ａ〜Ｃおよび図示しないその他多数の施設の特徴と、それらの施設におけるフォークリフト３ａおよび３ｂの配備数との相関関係を機械学習（Ｓ１ａ）した学習済みモデルを用いて、対象施設Ｚへのフォークリフト３ａおよび３ｂの配備数を決定する。これにより、対象施設Ｚに配備するフォークリフト３ａおよび３ｂの望ましい台数を、経験則に頼ることなく決定することができる。

（配備数決定装置１の要部構成）
続いて、配備数決定装置１の要部構成について図１に基づいて説明する。図１は、配備数決定装置１の要部構成の一例を示すブロック図である。図示のように、配備数決定装置１は、配備数決定装置１の各部を統括して制御する制御部１０と、配備数決定装置１が使用する各種データを記憶する記憶部２０を備えている。さらに、配備数決定装置１は、配備数決定装置１に対する入力操作を受け付ける入力部３０と、配備数決定装置１が決定結果を出力するための出力部４０とを備えている。また、制御部１０には、特徴情報生成部１０３、配備数決定部１０４、出力制御部１０５、教師データ生成部１０７、および学習部１０８が含まれている。

特徴情報生成部１０３は、入力部３０を介して対象施設Ｚの情報を取得し、該情報の少なくとも一部から、対象施設Ｚの特徴を示す特徴情報を生成する。特徴情報生成部１０３が生成する特徴情報は、対象施設Ｚの種類、規模、および立地、ならびに、対象施設Ｚにおいてフォークリフト３ａおよび３ｂが搬送する搬送対象物の種類、重量、体積、形状、および配置、の少なくとも何れかを示す情報であってもよい。

配備数決定部１０４は、フォークリフト３ａおよび３ｂが既に配備されている施設の特徴と、該施設におけるフォークリフト３ａおよび３ｂの配備数との相関関係を学習させた学習済みモデルを用いて、対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数を決定する。

出力制御部１０５は、配備数決定部１０４によって決定されたフォークリフト３ａおよび３ｂの配備数を出力部４０に出力させる。なお、出力態様は特に限定されず、例えば出力部４０が表示装置であれば表示出力させればよく、出力部４０が音声出力装置であれば音声出力させればよい。また、出力制御部１０５は、出力部４０に上記のような出力を行わせると共に、あるいは上記のような出力を行わせる代わりに、例えばユーザ９が所持する携帯端末等の他の装置に対して、決定したフォークリフト３ａおよび３ｂの配備数を通知してもよい。

教師データ生成部１０７は、学習済みモデルの更新に用いる教師データを生成する。また、学習部１０８は、上記教師データを用いて上記学習済みモデルを更新する。学習済みモデルの詳細については以下で説明し、教師データの生成と学習済みモデルの更新については後述する。なお、学習済みモデルの更新を配備数決定装置１が行う必要がない場合には、教師データ生成部１０７および学習部１０８は省略してもよい。

（学習済みモデルについて）
配備数決定部１０４が配備数の決定に用いる学習済みモデルについて説明する。なお、以下では、ニューラルネットワーク（ＮＮ：Neural Network）の学習済みモデルを用いる例を説明するが、フォークリフトの配備数決定に利用することが可能な学習済みモデルを構築できるものであれば、他のアルゴリズムを適用することも可能である。ＮＮの学習済みモデルを用いる場合、配備数を精度よく決定することが可能な多層のＮＮの学習済みモデルを用いることが好ましい。

上記学習済みモデルの生成には、教師データとして、フォークリフト３ａおよび３ｂが既に配備されている施設（例えば図２の施設Ａ〜Ｃ等）の特徴と、該施設におけるフォークリフト３ａおよび３ｂの配備数とを対応付けたデータを用いる。この教師データにおいては、施設の特徴を示す情報が入力データであり、フォークリフト３ａおよび３ｂの配備数が正解データである。なお、正解データとして配備台数を示す数値そのものを用いる代わりに、配備台数を含む数値範囲を用いてもよい。例えば、０台以上５台未満を第１範囲、５台以上１０台未満を第２範囲というように、５台ずつの数値範囲を設定して、配備台数を含む数値範囲を正解データとしてもよい。

上記の教師データを用いた機械学習により生成された学習済みモデルに、特徴情報生成部１０３が生成した特徴情報を入力データとして入力すると、機械学習において正解データが与えられた各配備数について、その配備数が上記特徴情報に対応する対象施設Ｚの配備数として妥当である確率がそれぞれ出力される。

配備数決定部１０４は、上記確率が最も高い配備数を、対象施設Ｚにおけるフォークリフト３ａおよび３ｂの配備数として決定する。なお、１つの学習済みモデルにてフォークリフト３ａおよび３ｂの配備数を決定する代わりに、フォークリフト３ａの配備数を決定するための学習済みモデルでフォークリフト３ａの配備数を決定し、フォークリフト３ｂの配備数を決定するための学習済みモデルでフォークリフト３ｂの配備数を決定してもよい。

なお、教師データ生成部１０７および学習部１０８により学習済みモデルを構築する構成としてもよい。この場合、図１に示すように、教師データ生成部１０７に対してフォークリフト３ａおよび３ｂが既に配備されている施設の情報を入力して教師データを生成させ、生成された教師データを用いた学習済みモデルの構築を学習部１０８に行わせる。

（施設の特徴について）
教師データにおける施設の特徴について、図３に基づいて説明する。図３は教師データを説明する図であり、同図の（ａ）は、フォークリフト３ａおよび３ｂが既に配備されている施設の特徴の例を示している。図示の情報Ｄ１には、フォークリフト３ａおよび３ｂが既に配備されている施設Ａ〜Ｃ等について、その種類、規模、および立地が示されている。また、情報Ｄ１では、各施設に配備されているフォークリフト３ａおよび３ｂの配備数も示されている。上述のようにこれは正解データである。また、情報Ｄ１では、フォークリフト３ａおよび３ｂの稼働時間も示されている。さらに、情報Ｄ１では、各施設で取り扱われる搬送対象物について、その種類、重量、体積、形状、および配置が示されている。なお、教師データにおける施設の特徴は、その施設におけるフォークリフト３ａおよび３ｂの配備数と相関があるものであればよく、図３の（ａ）の例に限られない。

図３の（ａ）に示す施設の特徴について以下で説明する。また、施設の特徴は、入力データとして使用できるように数値化しておく必要があるので、各特徴の数値化についても併せて説明する。

（施設の種類）
施設が予め設定した複数の種類の何れに分類されるかを示す情報である。施設の種類によって、当該施設で行われる作業の内容や作業量が異なるから、施設の種類は、フォークリフト３ａおよび３ｂの配備数と相関がある。図３の（ａ）における「施設の種類」では、施設を「倉庫」、および「工場」などに分類している。施設の種類は、例えば分類毎に割り当てられたＩＤ（識別情報）で表すことにより数値化することができる。

（施設の規模）
施設の規模を示す情報である。施設の規模によっても、当該施設で行われる作業の内容や作業量が異なるから、施設の規模もフォークリフト３ａおよび３ｂの配備数と相関がある。図３の（ａ）における「施設の規模」では、施設の建屋の床面積を示している。施設の規模を入力データに含める場合、入力された床面積（例えば、施設Ａの規模「４５０」など）をそのまま入力データとして使用してもよい。また、例えば、入力された床面積が、所定の複数の数値範囲の何れに含まれるかを示す値を入力データとして使用してもよい。なお、施設の床面積の代わりに、施設の敷地面積などを示す情報を用いてもよい。

（施設の立地）
施設がどのような環境に立地しているかを示す情報である。工場や倉庫などの施設は、その機能や用途に適した立地に建設されるので、立地はフォークリフト３ａおよび３ｂの配備数と相関がある。図３の（ａ）における「施設の立地」では、施設の立地を「港湾部」、「鉄道沿線」、および「都市部」等に分類している。施設の立地は、例えば分類毎に割り当てられたＩＤで表すことにより数値化することができる。

（フォークリフト３ａおよび３ｂの稼働時間）
施設におけるフォークリフト３ａおよび３ｂのそれぞれの稼働時間は、フォークリフト３ａおよび３ｂのそれぞれの配備数と相関がある。稼働時間の数値はそのまま入力データとして使用してもよいし、稼働時間が所定の複数の数値範囲の何れに含まれるかを示す値を入力データとして使用してもよい。

（搬送対象物の種類、重量、体積、形状、および配置）
施設においてどのような搬送対象物が取り扱われるのかを示す情報である。施設において取り扱われる主な搬送対象物の種類、重量、体積、形状に応じて、適切なフォークリフトが選択されるため、これらの情報はフォークリフト３ａおよび３ｂの配備数と相関がある。また、搬送対象物の配置（搬送対象物をどのように積み上げているか、どのような場所に保管しているか、各棚の間の通路の幅なども含む）も、フォークリフト３ａおよび３ｂの配備数と相関がある。これらの情報のうち、搬送対象物の重量および体積などの数値はそのまま入力データとして使用してもよいし、それらの数値が所定の複数の数値範囲の何れに含まれるかを示す値を入力データとして使用してもよい。また、搬送対象物の種類、形状、および配置などは、複数の分類を予め設定しておき、その何れに分類されるかをＩＤ等で表すことにより数値化すればよい。また、上記以外の搬送対象物に関する情報としては、例えば、所定期間（例えば１日）に施設で取り扱われる搬送対象物の総量（重量で表してもよいし体積で表してもよい）等を用いてもよい。

（フォークリフト３ａおよび３ｂの配備数）
施設におけるフォークリフト３ａおよび３ｂの配備数であり、正解データとして使用される。なお、以下で説明する補正を施して算出された理想の配備数を正解データとして使用してもよい。

（補足情報について）
フォークリフト３ａおよび３ｂの配備数は、それらが配備されている施設の繁忙状況に応じて補正してもよい。この補正を行う場合、例えば図３の（ｂ）に示す補足情報Ｄ２を用いてもよい。図３の（ｂ）は、補足情報Ｄ２の例を示している。図示のように、補足情報Ｄ２は、フォークリフト３ａおよび３ｂが配備されている各施設について、図３の（ａ）に示す施設の情報の入力を受け付けた時点での繁忙度、およびフォークリフト３ａおよび３ｂの稼働状況を示す情報である。図３の（ｂ）では、繁忙度を「繁忙」と「非繁忙」の二段階で表している。なお、「繁忙」と「非繁忙」は、例えばフォークリフト３ａおよび３ｂの平均稼働時間などにより区分すればよい。

ここで、施設が「繁忙」であれば、レンタルを利用するなどしてフォークリフト３ａおよび３ｂの台数が一時的に多くなっている可能性がある。このため、ある施設が「繁忙」な状況におけるフォークリフト３ａおよび３ｂの配備数は、その施設の「非繁忙」な状況におけるフォークリフト３ａおよび３ｂの配備数よりも多い場合がある。

そこで、補足情報Ｄ２における繁忙度が「繁忙」である施設については、フォークリフト３ａおよび３ｂの配備数を、実際の値よりも少なく補正してもよい。例えば、図３の施設Ａでは、フォークリフト３ａおよび３ｂの配備数がそれぞれ３０台と３５台であるが、施設Ａが「繁忙」であることに応じた所定の係数（１未満の数）を上記配備数に掛け合わせることにより、当該配備数を補正してもよい。

また、フォークリフト３ａおよび３ｂの施設における稼働状況を考慮してフォークリフト３ａおよび３ｂの配備数を補正してもよい。補足情報Ｄ２には、フォークリフト３ａおよび３ｂの稼働状況を「低」、「適」、「高」の３段階で評価した評価結果が含まれている。このような評価は、施設を実際に視察する等により人的に行ってもよいし、稼働時間などから機械的に行ってもよい。

そして、稼働状況の評価に応じた所定の係数（例えば、「低」の場合には１以上の数、「高」の場合には１未満の数）を上記配備数に掛け合わせることにより、当該配備数を補正してもよい。これにより、フォークリフト３ａおよび３ｂのそれぞれについて、配備数を施設に応じた理想的な値に近付けることができ、学習済みモデルにより出力される配備数の値をより妥当なものとすることが可能になる。

（処理の流れ）
配備数決定装置１が実行する処理の流れを図４に基づいて説明する。図４は、配備数決定装置１が実行する処理（配備数決定方法）の一例を示すフローチャートである。

Ｓ１では、配備数決定装置１は、対象施設Ｚに関する情報の入力を受け付ける。対象施設Ｚに関する情報は、例えば、入力部３０を介して配備数決定装置１に入力される。対象施設Ｚに関する情報は、例えば図３の（ａ）に示したような情報（ただし、フォークリフト３ａおよび３ｂの台数は除く）である。

Ｓ２では、特徴情報生成部１０３が、Ｓ１で入力された情報から対象施設Ｚの特徴を示す特徴情報を生成する。具体的には、特徴情報生成部１０３がＳ１で入力された情報に基づき、上述した教師データにおける入力データと同じ形式の特徴情報を生成する。この特徴情報は、対象施設Ｚの種類、規模、および立地、ならびに、上記対象施設においてフォークリフト３ａおよび３ｂが搬送する搬送対象物の種類、重量、体積、形状、および配置、の少なくとも何れかを示す情報である。上記の各情報は、対象施設で使用すべき作業用車両の数と関連性が深い情報であるから、この構成によればフォークリフト３ａおよび３ｂの妥当な配備数を決定することができる。

Ｓ３では、配備数決定部１０４が、特徴情報生成部１０３によって生成された特徴情報を入力データとして学習済みモデルに入力する（入力ステップ）。そして、配備数決定部１０４は、学習済みモデルの出力値から、対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数を決定する（配備数決定ステップ）。最後にＳ４では、出力制御部１０５が、配備数決定部１０４によって決定されたフォークリフト３ａおよび３ｂの台数を出力部４０に出力させる。

（教師データ生成と学習済みモデルの更新について）
教師データ生成部１０７は、配備数決定部１０４が決定したフォークリフト３ａおよび３ｂの台数に対するユーザ９の評価に基づき、教師データを生成する。具体的には、配備数決定部１０４が決定した台数のフォークリフト３ａおよび３ｂを実際に対象施設Ｚで稼働させ始めた後、例えばユーザ９等にその台数についての評価を配備数決定装置１に入力してもらう。教師データ生成部１０７は、入力された評価に基づいて、対象施設Ｚにおける理想的なフォークリフト３ａおよび３ｂの台数を決定し、該決定した台数を正解データとし、配備数決定部１０４が配備数の決定に用いた特徴情報を入力データとして教師データを生成する。

例えば、ユーザ９が入力した評価がフォークリフト３ａの台数は「適切」であったが、フォークリフト３ｂの台数は「やや不足」であった場合を考える。この場合、教師データ生成部１０７は、配備数決定部１０４が決定したフォークリフト３ａの台数と、配備数決定部１０４が決定したフォークリフト３ｂの台数に所定の係数（１以上の値）を乗じた台数とを正解データとしてもよい。

そして、学習部１０８は、このようにして生成された教師データが所定数蓄積される毎に、それらの教師データを用いて配備数決定部１０４の学習済みモデルを更新する。このように、決定した配備数に対するユーザ９のフィードバックを反映させた教師データを生成し、その教師データを用いて配備数決定部１０４の学習済みモデルを更新することにより、適切な配備数を決定できる確度を維持または向上させることができる。

（実施形態１のまとめ）
以上のように、配備数決定装置１は、フォークリフト３ａおよび３ｂが既に配備されている施設Ａ〜Ｃ等の特徴と、該施設におけるフォークリフト３ａおよび３ｂの配備数との相関関係を機械学習させた学習済みモデルに対して、フォークリフト３ａおよび３ｂを新たに配備する対象施設Ｚの特徴を示す特徴情報を入力して、対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数を決定する配備数決定部１０４を備えている。したがって、対象施設Ｚに配備するフォークリフト３ａおよび３ｂの望ましい台数を、経験則に頼ることなく決定することができる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

フォークリフト３ａおよび３ｂを新たに配備する対象施設Ｚにおいて、繁忙ではない時期（非繁忙時期）には適切であったフォークリフト３ａおよび３ｂの配備数が、作業量が増えて繁忙な時期（繁忙時期）には不足となることがあり得る。それゆえ、繁忙時期には、施設の操業を円滑にするために、フォークリフトをレンタル等により追加することが行われている。しかし、繁忙時にどれだけの台数が不足するのかを予測することは容易ではなかった。

本実施形態の配備数決定装置１ａは、上記の問題点に鑑みて構成されたものであり、繁忙時期に必要となる最大の台数（以下、「第１の台数ｘ」と称する）と、非繁忙時期に必要となる最小限の台数（以下、「第２の台数ｙ」と称する）との差分を算出する。これにより、繁忙時にフォークリフトがどれだけ不足するのかを経験則に頼ることなく決定することができる。

（配備数決定装置１ａの要部構成）
ここでは、配備数決定装置１ａの要部構成について図５に基づいて説明する。図５は、配備数決定装置１ａの要部構成の一例を示すブロック図である。図示のように、配備数決定装置１ａは、配備数決定装置１の各部を統括して制御する制御部１０ａを備えている。制御部１０ａは、特徴情報生成部１０３および配備数決定部１０４の代わりに特徴情報生成部１０３ａおよび配備数決定部１０４ａを含む点、および差分算出部１０６を含む点で実施形態１の制御部１０と相違している。

特徴情報生成部１０３ａは、特徴情報生成部１０３と同様に対象施設Ｚの特徴情報を生成する。特徴情報生成部１０３ａは、繁忙時期の対象施設Ｚの特徴情報と、非繁忙時期の対象施設Ｚの特徴情報とを生成する点が、特徴情報生成部１０３との相違点である。同様に、配備数決定部１０４ａは、繁忙時期におけるフォークリフト３ａおよび３ｂの配備数（第１の台数ｘ）と、非繁忙時期におけるフォークリフト３ａおよび３ｂの配備数（第２の台数ｙ）とを決定する点が、配備数決定部１０４との相違点である。

差分算出部１０６は、繁忙時期におけるフォークリフト３ａおよび３ｂの配備数（第１の台数ｘ）と、非繁忙時期におけるフォークリフト３ａおよび３ｂの配備数（第２の台数ｙ）の差分を算出する。この差分は、フォークリフト３ａおよび３ｂの必要最大台数と、フォークリフト３ａおよび３ｂが最低限必要である台数との差分である。

（処理の流れ）
配備数決定装置１ａが実行する処理の流れを図６に基づいて説明する。図６は、対象施設Ｚが繁忙時期に配備すべきフォークリフト３ａおよび３ｂの第１の台数ｘと、非繁忙時期に配備すべき第２の台数ｙとを決定する処理の一例を示すフローチャートである。

Ｓ１１では、配備数決定装置１ａは、繁忙時期における対象施設Ｚの情報、および非繁忙時期における対象施設Ｚの情報の入力を受け付ける。また、Ｓ１２では、特徴情報生成部１０３ａが、Ｓ１で入力された情報から対象施設Ｚの特徴を示す特徴情報を生成する。ここでは、繁忙時期における対象施設Ｚの特徴情報と、非繁忙時期における対象施設Ｚの特徴情報が生成される。

次に、Ｓ１３では、配備数決定部１０４ａが、特徴情報生成部１０３ａによって生成された特徴情報を入力データとして学習済みモデルに入力する（入力ステップ）。そして、配備数決定部１０４は、学習済みモデルの出力値から、対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数を決定する（配備数決定ステップ）。ここでは、繁忙時期の対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数（第１の台数ｘ）と、非繁忙時期の対象施設Ｚに配備すべきフォークリフト３ａおよび３ｂの台数（第２の台数ｙ）が決定される。

続いて、Ｓ１４では、差分算出部１０６が、第１の台数ｘと第２の台数ｙとの差分を算出する。なお、差分算出部１０６は、フォークリフト３ａとフォークリフト３ｂのそれぞれについて差分を算出する。つまり、差分算出部１０６は、繁忙時期の対象施設Ｚに配備すべきフォークリフト３ａの台数と、非繁忙時期の対象施設Ｚに配備すべきフォークリフト３ａの台数との差分を算出する。また、差分算出部１０６は、繁忙時期の対象施設Ｚに配備すべきフォークリフト３ｂの台数と、非繁忙時期の対象施設Ｚに配備すべきフォークリフト３ｂの台数との差分を算出する。

最後にＳ４では、出力制御部１０５が、Ｓ１４で算出された差分を、フォークリフト３ａおよび３ｂの台数の決定結果として出力部４０に出力させる。Ｓ１５において出力させる決定結果について図７を用いて説明する。図７は、出力部４０に出力させる決定結果の一例を示す図である。なお、ここでは出力部４０が表示装置であることを想定している。

図７の例では、Ｓ１４で算出された差分に加えて、Ｓ１３で決定された、繁忙時期と非繁忙時期の対象施設Ｚにそれぞれ配備すべきフォークリフト３ａおよび３ｂの台数も含まれている。これらの差分および台数は、例えばフォークリフト３ａおよび３ｂの購入台数とレンタル台数をユーザ９が決めるために利用できる。

つまり、非繁忙時期に必要となる第２の台数ｙは最低限必要な台数であるから、その台数のフォークリフト３ａおよび３ｂについてはレンタルするよりも購入した方が、中長期的なコストを抑えることができる。一方、繁忙時期に必要となる第１の台数ｘのフォークリフト３ａおよび３ｂを購入した場合、非繁忙時期にはフォークリフト３ａおよび３ｂが余ってしまう。このため、繁忙時期に必要となる第１の台数ｘと、非繁忙時期に必要となる第２の台数ｙの差分の台数については、繁忙時期にレンタルするのが合理的である。

よって、例えば図７のような決定結果を見たユーザ９は、対象施設Ｚにフォークリフト３ａおよび３ｂを導入するにあたり、フォークリフト３ａの購入台数を第２の台数ｙである２０台、フォークリフト３ｂの購入台数を第２の台数ｙである１５台とするのが妥当であると認識することができる。また、ユーザ９は、繁忙時期には、フォークリフト３ａのレンタル台数を第１の台数ｘと第２の台数ｙとの差分である５台、フォークリフト３ｂのレンタル台数を第１の台数ｘと第２の台数ｙとの差分である１０台とするのが妥当であると認識することができる。

なお、上述の差分や決定した配備数のユーザ９への提示態様は特に限定されないが、例えば差分はレンタルを推奨する台数として提示し、第２の台数ｙは購入を推奨する台数として提示してもよい。

（実施形態２のまとめ）
以上のように、配備数決定装置１ａは、配備数決定部１０４ａと差分算出部１０６を備えている。そして、配備数決定部１０４ａは、相対的に作業量が多い時期である繁忙時期の対象施設Ｚの特徴を示す特徴情報を学習済みモデルに入力してフォークリフト３ａおよび３ｂの第１の台数ｘを決定すると共に、非繁忙時期の対象施設Ｚの特徴を示す特徴情報を上記学習済みモデルに入力してフォークリフト３ａおよび３ｂの第２の台数ｙを決定する。また、差分算出部１０６は、上記第１の台数ｘと上記第２の台数ｙとの差を算出する。この差分は、対象施設Ｚで用いるフォークリフト３ａおよび３ｂのレンタル台数を決めるための参考値として用いることができる。具体的には、第２の台数ｙより多く購入すると繁忙時期を除き余剰が生じることが分かることから、購入台数は第２の台数ｙまでに抑えるとともに、算出された差分はレンタルする等の計画を立てることができる。

〔施設の情報の取得について〕
上記各実施形態では、対象施設Ｚの情報をユーザ９が入力する例を示したが、配備数決定装置１または１ａが自動的に取得する構成としてもよい。例えば、対象施設Ｚの情報がインターネット上のウェブページ等に掲載されている場合、配備数決定装置１または１ａがその情報を検索して取得してもよい。また、例えば、対象施設Ｚの外観や内部を撮影した画像が取得できる場合には、配備数決定装置１または１ａは、その画像を解析することにより、対象施設Ｚの情報を取得してもよい。この場合、画像解析には、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）等の学習済みモデルを用いてもよい。教師データを生成する際に使用する既存施設の情報についても同様である。また、教師データの生成には、実在する施設の情報を用いてもよいし、シミュレータで構築した仮想の施設（フォークリフト３ａおよび３ｂの配備数が理想的な施設）の情報を用いてもよい。

〔分散処理について〕
上記各実施形態で説明した配備数決定装置１または１ａの実行する処理の一部は、配備数決定装置１または１ａと通信接続された１または複数の装置に実行させてもよい。例えば、配備数決定部１０４または１０４ａの実行する処理を、配備数決定装置１または１ａと通信接続されたＡＩサーバに実行させてもよい。この場合、配備数決定装置１または１ａは、入力データを生成してＡＩサーバに送信し、該ＡＩサーバから出力データを受信して配備数を決定する。

〔ソフトウェアによる実現例〕
配備数決定装置１、１ａの制御ブロック（特に制御部１０、１０ａに含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、配備数決定装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１、１ａ 配備数決定装置
３ａ、３ｂ フォークリフト（作業用車両）
１０４、１０４ａ 配備数決定部
１０６ 差分算出部

Claims (4)

1. 作業用車両が既に配備されている施設の特徴と、該施設における上記作業用車両の配備数との相関関係を機械学習させた学習済みモデルに対して、作業用車両を新たに配備する対象である対象施設の特徴を示す特徴情報を入力して、上記対象施設に配備すべき上記作業用車両の台数を決定する配備数決定部を備えている
   ことを特徴とする配備数決定装置。
2. 上記特徴情報は、上記対象施設の種類、規模、および立地、ならびに、上記対象施設において上記作業用車両が搬送する搬送対象物の種類、重量、体積、形状、および配置、の少なくとも何れかを示す情報である
   ことを特徴とする請求項１に記載の配備数決定装置。
3. 上記配備数決定部は、相対的に作業量が多い時期である繁忙時期の上記対象施設の特徴を示す特徴情報を上記学習済みモデルに入力して上記作業用車両の第１の台数を決定すると共に、非繁忙時期の上記対象施設の特徴を示す特徴情報を上記学習済みモデルに入力して上記作業用車両の第２の台数を決定し、
   上記第１の台数と上記第２の台数との差を算出する差分算出部を備えている、
   ことを特徴とする請求項１または２に記載の配備数決定装置。
4. 配備数決定装置による配備数決定方法であって、
   作業用車両が既に配備されている施設の特徴と、該施設における上記作業用車両の配備数との相関関係を機械学習させた学習済みモデルに対して、作業用車両を新たに配備する対象である対象施設の特徴を示す特徴情報を入力する入力ステップと、
   上記対象施設に配備すべき上記作業用車両の台数を決定する配備数決定ステップと、を含む、
   ことを特徴とする配備数決定方法。

Images