JP2020184094A - 車両割当装置、車両割当方法およびプログラム - Google Patents

Abstract

【課題】専門的な知識を要することなく、物流施設の効率的な運用を図る。【解決手段】判定モデル生成部は、格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、各バースごとの判定モデルを生成し、仮車両割当生成部は、翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する。評価値算出部は、実績データに基づいて、車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出し、重み算出部は、実績データに基づいて、車両割当に関する個々の制約条件に対応する重みをすべての重み合計が１となるように求める。制約条件設定部は、複数の制約条件の組み合わせについて、算出した評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定し、車両割当部は、仮車両割当に関する情報と、制約条件に関する情報とを含む情報に基づいて、各バースに対する車両の割当を行う。【選択図】図１

Description

本発明は、車両割当装置、車両割当方法およびプログラムに関する。

近年、駐車場のような所定の駐停車領域を有する車両施設において、車両の入出場を管理する管理システムが知られている。このような管理システムでは、たとえば入場ゲート機を通過する入場車両の台数と出場ゲート機を通過する出場車両の台数とを計数し、入場車両の総数から出場車両の総数を減算することによって現状の駐車台数を把握する。そして、かかる駐車台数が所定の最大駐車台数に達する場合は、車両の入場を制限し、最大駐車台数を下回っている場合は、車両の入場を許可するようにしている（例えば、特許文献１参照）。

また、車両施設における所定の駐停車領域の状態を精度よく判別し、車両施設を効率よく運用することを目的に、物流施設における所定の区画であるスパンまたは物流施設の敷地内のトラックの待機場ごとに設けられたカメラにより、駐停車領域をそれぞれ撮像し、カメラによって撮像された正例となる撮像画像を用いた機械学習を実行することで、駐停車領域ごとの車両の許容台数が動的に変化する場合を含む駐停車領域の状態判別モデルを生成し、カメラによって撮像された判別対象分となる撮像画像を状態判別モデルへ入力することによって得られる出力値に基づいて、駐停車領域の状態を判別する技術が開示されている（例えば、特許文献２参照）。

特開２００３−１４１５８１号公報 特許第６３８９９７６号公報

しかしながら、駐車場のような所定の駐停車領域を有する車両施設において、車両の入出場を高精度に把握しただけでは、車両施設を効率よく運用することはできない。
つまり、車両の入出場管理を行うとともに、車両を物流施設において荷物の積み下ろしを行うどのバースに車両を割り当てるのかという管理を適切に行う必要がある。

ところが、今までの車両割当装置では、マスタ設定やルールの事前設定が必要であり、しかも、このマスタ設定やルールの事前設定には専門的知識が必要となっていた。
そのため、専門的な知識を有する人材の確保や教育にかかるコスト等により新規導入のコストが高くなるという課題があった。

また、マスタ設定やルールの事前設定においては、管理者によって、何を重視するか異なり、また、多くの場合、１つの目標（例えば、全体時間の最小化など）のみが設定されているため、マスタ設定やルールの事前設定が、ユーザが本来望んでいた結果にならず、その結果、自動割当の後に、オペレータによる手作業での修正作業等が必要となって、効率改善につながらないという課題もあった。

さらに、今までの装置では、外的要因による状況の変化を吸収する仕組みが十分でなかったため、外的要因の発生によって、設定時に想定していた車両割当スケジュールが崩れてしまい、その結果、作成した車両割当スケジュールが実際と乖離してしまうという課題もあった。

そこで、本発明は、上述の課題に鑑みてなされたものであり、専門的な知識を要することなく、物流施設の効率的な運用を図ることができる車両割当装置、車両割当方法およびプログラムを提供する。

形態１；本発明の１またはそれ以上の実施形態は、物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置であって、過去の車両割当に関する実績データを格納する実績データ格納部と、翌日以降の予約データを格納する予約データ格納部と、該格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する判定モデル生成部と、前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する仮車両割当生成部と、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する評価値算出部と、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める重み算出部と、複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する制約条件設定部と、前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う車両割当部と、を備えたことを特徴とする車両割当装置を提案している。

形態２；本発明の１またはそれ以上の実施形態は、前記格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい前記分散値に対応する前記車両割当ルールを新たな前記車両割当ルールとして適用する車両割当ルール設定部を備え、前記車両割当部は、設定された車両割当ルールを含めて前記各バースに対する前記車両の割当を行う車両割当装置を提案している。

形態３；本発明の１またはそれ以上の実施形態は、前記所定値をユーザが変更できる所定値変更部を備えた車両割当装置を提案している。

形態４；本発明の１またはそれ以上の実施形態は、前記格納された過去の車両割当に関する実績データに基づいて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を判定する相関判定部を備え、前記車両割当部は、前記相関判定部による相関を含めて前記各バースに対する前記車両の割当を行う車両割当装置を提案している。

形態５；本発明の１またはそれ以上の実施形態は、前記相関判定部は、協調フィルタリングを用いて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を算出して、相関の判定を行う車両割当装置を提案している。

形態６；本発明の１またはそれ以上の実施形態は、前記相関判定部は、ベイジアンネットワークを用いて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を算出して、相関の判定を行う車両割当装置を提案している。

形態７；本発明の１またはそれ以上の実施形態は、前記格納された過去の車両割当に関する実績データに含まれる前記各バースにおける作業時間および事前作業時間に関するデータのうち、これらの平均値に対して、所定の範囲外の値等の前記作業時間および事前作業時間の推定処理に影響を与えるデータを最小二乗法によるＭ推定によりロバスト推定を行うことによって、前記格納された過去の車両割当に関する実績データに含まれる前記各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成するデータ生成部と、該生成されたデータに基づいて、前記作業時間および事前作業時間を推定する推定部と、を備え、前記車両割当部は、推定された前記作業時間および事前作業時間を含めて前記各バースに対する前記車両の割当を行う車両割当装置を提案している。

形態８；本発明の１またはそれ以上の実施形態は、過去の車両割当に関する実績データを格納する実績データ格納部と、翌日以降の予約データを格納する予約データ格納部と、判定モデル生成部と、仮車両割当生成部と、評価値算出部と、重み算出部と、制約条件設定部と、車両割当部と、を備え、物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置における車両割当方法であって、前記判定モデル生成部が、前記格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する第１の工程と、前記仮車両割当生成部が、前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する第２の工程と、前記評価値算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する第３の工程と、前記重み算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める第４の工程と、前記制約条件設定部が、複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する第５の工程と、前記車両割当部が、前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う第６の工程と、を備えたことを特徴とする車両割当方法を提案している。

形態９；本発明の１またはそれ以上の実施形態は、過去の車両割当に関する実績データを格納する実績データ格納部と、翌日以降の予約データを格納する予約データ格納部と、判定モデル生成部と、仮車両割当生成部と、評価値算出部と、重み算出部と、制約条件設定部と、車両割当部と、を備え、物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置における車両割当方法をコンピュータに実行させるためのプログラムであって、前記判定モデル生成部が、前記格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する第１の工程と、前記仮車両割当生成部が、前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する第２の工程と、前記評価値算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する第３の工程と、前記重み算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める第４の工程と、前記制約条件設定部が、複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する第５の工程と、前記車両割当部が、前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う第６の工程と、をコンピュータに実行させるためのプログラムを提案している。

本発明の１またはそれ以上の実施形態によれば、専門的な知識を要することなく、物流施設の効率的な運用を図ることができるという効果がある。

本発明の第１の実施形態に係る車両割当装置の構成図である。 本発明の第１の実施形態に係る車両割当装置の処理フロー図である。 本発明の第２の実施形態に係る車両割当装置の構成図である。 本発明の第２の実施形態に係る車両割当装置の処理フロー図である。 本発明の第２の実施形態に係る実績の評価に基づく、ルールの提案を例示した図である。 本発明の第３の実施形態に係る車両割当装置の構成図である。 本発明の第３の実施形態に係る車両割当装置の処理フロー図である。 本発明の第１の実施形態に係る物流施設に設けられた各バースと物品カテゴリーマスタとの相関を求める場合の処理を例示した図である。 本発明の第１の実施形態に係る物品カテゴリーマスタ同士の相関を求める場合の処理を例示した図である。 本発明の第４の実施形態に係る車両割当装置の構成図である。 本発明の第４の実施形態に係る車両割当装置のデータ生成部における除外データの判定手法を例示した図である。 本発明の第４の実施形態に係る車両割当装置の処理フロー図である。

＜第１の実施形態＞
以下、本実施形態について、図１から図２を用いて説明する。

＜車両割当装置の構成＞
図８に示すように、本実施形態に係る車両割当装置１００は、実績データ格納部１０１と、判定モデル生成部１０２と、仮車両割当生成部１０４と、予約データ格納部１０５と、車両割当部１０６と、表示部１０７と、評価値算出部１０８と、重み算出部１０９と、制約条件設定部１１０と、を含んで構成されている。

実績データ格納部１０１は、過去の車両割当に関する実績データを格納する。実績データ格納部１０１は、例えば、ＲＡＭ、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置、あるいはクラウド上のメモリ等から構成される。
なお、実績データは、バースと紐づいた形式のデータベースとして構成してもよい。

判定モデル生成部１０２は、実績データ格納部１０１に格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとの判定モデルを生成する。

仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する。

予約データ格納部１０５は、翌日以降の予約データを格納する。予約データ格納部１０５は、例えば、ＲＡＭ、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置、あるいはクラウド上のメモリ等から構成される。

車両割当部１０６は、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、に基づいて、各バースに対する車両の割当を行う。
より具体的には、車両割当部１０６は、判別対象となる予約データ格納部１０５に格納された翌日以降の予約データを判定モデル生成部１０２が生成する判定モデルへ入力して得られる出力値と制約条件設定部１１０により設定された物流施設内のバースに対する車両割当の制約条件とに基づいて物流施設内のバースに対する車両の割当を行う。

表示部１０７は、例えば、液晶パネルとタッチパネルとが積層された表示パネル等で構成され、車両割当部１０６による車両割当結果等をユーザ等が視認可能に表示する。

評価値算出部１０８は、格納された過去の車両割当に関する実績データに基づいて、車両割当に関する個々の制約条件に対応する評価関数を用いて、その評価値を算出する。
ここで、制約条件とは、車両割当時に、ユーザが重視する事項であり、例えば、車両を全て割り当てたときの全体作業時間、特定ジャンルの物品が同じバースで取り扱われるようにすること、特定メーカの車両が他のメーカの車両よりも優先されること等の条件を例示できる。
一方、制約条件に対して、例えば、バース予約が所定時間帯に収まること、同じ時間に同じバースへの予約を自動割当しない等のように、割当時に必ず守らなければならない条件を禁則条件とする。

重み算出部１０９は、格納された過去の車両割当に関する実績データに基づいて、車両割当に関する個々の制約条件に対応する重みを車両割当に関する個々の制約条件に対応する重み合計が１となるように求める。

制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する。
具体的には、評価関数をｆ_ｋ（ｘ）、重みをαとしたときに、全体評価値は、以下、数１により求める。

＜車両割当装置の処理＞
図２を用いて、本実施形態に係る車両割当装置の処理について説明する。

まず、判定モデル生成部１０２が、格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとの判定モデルを生成する（ステップＳ１０１）。

仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する（ステップＳ１０２）。

制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する（ステップＳ１０３）。

車両割当部１０６が、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、に基づいて、各バースに対する車両の割当を行う（ステップＳ１０４）。
この車両割当結果は、例えば、表示部１０７に表示され、ユーザに知らされる。

なお、本実施形態においては、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）を行い、仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）を行い、制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）を行って、車両割当部１０６における車両割当処理（ステップＳ１０４）を行う場合について説明した。
しかしながら、判定モデル生成処理（ステップＳ１０１）と仮車両割当処理（ステップＳ１０２）、制約条件設定処理（ステップＳ１０３）の処理は並列的に行ってもよいし、上記の順番とは異なる順番で行ってもよい。

以上、説明したように、本実施形態に係る車両割当装置１００によれば、判定モデル生成部１０２は、実績データ格納部１０１に格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとの判定モデルを生成し、仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する。制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する。
つまり、本実施形態に係る車両割当装置１００においては、判別対象となる予約データ格納部１０５に格納された翌日以降の予約データを判定モデル生成部１０２が生成する判定モデルへ入力して得られる出力値と制約条件設定部１１０における制約条件とに基づいて、翌日以降の物流施設に設けられた各バースに対する車両の割当を行う。
したがって、物品マスタの設定やルールの設定に関しての専門知識を有しないユーザでなくても物流施設に設けられた各バースに対する好適な車両割当を行うことができる。
そのため、人的リソースに対する余計なコストをかけることなく、物流施設に設けられた各バースに対する好適な車両割当を行うことができる。

また、それぞれの重みの合計は１であり、この重みを格納された過去の車両割当に関する実績データに基づいて、車両割当に関する個々の制約条件ごとに求めることから、今までの実績として重視されている制約条件については、当然に、重みの値が大きくなる。この重みと複数の制約条件に対する評価値とから、複数の制約条件の組み合わせについて評価を行うことから、第１の実施形態および第２の実施形態の効果と併せて、ユーザが重視している制約条件が反映された制約条件の設定を自動的に行うことができる。

＜第２の実施形態＞
以下、本実施形態について、図３から図５を用いて説明する。

＜車両割当装置の構成＞
図３に示すように、本実施形態に係る車両割当装置２００は、実績データ格納部１０１と、判定モデル生成部１０２と、仮車両割当生成部１０４と、予約データ格納部１０５と、車両割当部１０６Ａと、表示部１０７と、評価値算出部１０８と、重み算出部１０９と、制約条件設定部１１０と、車両割当ルール設定部２０１と、所定値変更部２０２と、を含んで構成されている。
なお、第１の実施形態と同一の符号を付す構成要素については、同様の機能を有することからその詳細な説明は省略する。

車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する。
ここで、複数の車両割当ルールに対応する評価関数による分散値を求めるのは、例えば、バースの入出庫のルールを設定する場合に、バースの入出庫に対する評価関数だけでルールへの適用を判定するのではなく、例えば、これ以外の物品のカテゴリーに関する評価関数も用いて、ルールへの適用を判定することを示している。
これは、ある１つの評価関数だけで、ルールへの適用を判定してしまうと、実際には、他のルールに対する評価関数の方がシステム全体に与える影響が大きい場合に、誤った判定をすることを防止するためである。そのため、例えば、複数の評価関数について、それぞれの評価値の分散を比較し、ルールを設定する項目に対する評価関数の評価値のみが分散し、他の項目に対する評価関数の評価値が分散していない場合に、当該項目について評価したものをルールとしてもよい。
また、複数の評価関数の評価値の分散値を比較し、分散値がその中の上位α（所定値）番目までをルールとして適用するようにしてもよい。

なお、上記において、「評価関数」とは、バース管理に関連するいろいろな項目（バースの入出庫種別、商品カテゴリー、など）に対する優先順位を重みづけする関数であり、「評価値」とは、各リクエスト（商品カテゴリー、バースの入出庫種別、希望時間等のインプット）に対して、どのバースに何時から何時の枠で割り当てるかというアウトプットである。
具体的には、例えば、商品カテゴリー等によって、入庫させるバースが限られている場合（冷蔵品はこのバース１等）に、試行回数を増やすことによって、商品カテゴリーという制約条件への重みが大きくなっていく。一方で、例えば、ドライバーの性別といった変数等は、結果に影響を及ぼすことは考えづらいため、試行回数を増やせば増やすほど、重みが低くなっていく。

所定値変更部２０２は、ユーザの操作により所定値を変更する。つまり、上記のαは、ユーザの意思により変更することができる。

車両割当部１０６Ａは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、に基づいて、各バースに対する車両の割当を行う。
より具体的には、車両割当部１０６Ａは、判別対象となる予約データ格納部１０５に格納された翌日以降の予約データを判定モデル生成部１０２が生成する判定モデルへ入力して得られる出力値と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、に基づいて物流施設内のバースに対する車両の割当を行う。

＜車両割当装置の処理＞
図４、図５を用いて、本実施形態に係る車両割当装置の処理について説明する。

まず、判定モデル生成部１０２が、格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとのモデルを生成する（ステップＳ１０１）。

仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する（ステップＳ１０２）。

制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する（ステップＳ１０３）。

車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する（ステップＳ２０１）。

例えば、図５に示すように、ある実績データにおいて、１番バースが「入庫」車両と「入庫」車両、２番バースが「入庫」車両と「入庫」車両と「出庫」車両、３番バースが「出庫」車両と「出庫」車両である場合には、「入庫」が１番バースあるいは２番バース、「出庫」が２番バースあるいは３番バースとなる。このことから、１番バースは「入庫」専用バース、３番バースは「出庫」専用バースとして専用ルール化することができる。
この判定処理をすべての実績データについて実行し、占有ルールを作成する。

車両割当部１０６Ａは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、に基づいて、各バースに対する車両の割当を行う（ステップＳ２０２）。
この車両割当結果は、例えば、表示部１０７に表示され、ユーザに知らされる。

なお、本実施形態においては、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）を行い、仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）を行い、制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）を行い、車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）を行った後、車両割当部１０６Ａにおける車両割当処理（ステップＳ２０２）を行う場合について説明した。
しかしながら、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）と仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）と制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）と車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）とは、並列的に実行してもよいし、上記の順番とは異なる順番で行ってもよい。

以上、説明したように、本実施形態によれば、第１の実施形態における機能あるいは処理に加えて、車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する。
つまり、本実施形態に係る車両割当装置２００においては、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールに基づいて、各バースに対する車両の割当を行う。
したがって、物品マスタの設定やルールの設定に関しての専門知識を有しないユーザでなくても物流施設に設けられた各バースに対する好適な車両割当を行うことができる。
そのため、人的リソースに対する余計なコストをかけることなく、物流施設に設けられた各バースに対する好適な車両割当を行うことができる。

また、車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する。
つまり、複数の車両割当ルールに対応する評価関数による分散値からルールへの適用を判定する。
すなわち、ある１つの評価関数だけで、ルールへの適用を判定してしまうと、実際には、他のルールに対する評価関数の方がシステム全体に与える影響が大きい場合に、誤った判定をする可能性があるが、複数の車両割当ルールに対応する評価関数による分散値からルールへの適用を判定するため、第１の実施形態の効果と併せて、上記のような不具合を未然に防止することができる。
さらに、評価関数による分散値が低いものについてはシステム全体に与える影響が小さいことから、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する。
なお、当該所定値は、ユーザの操作により変更可能であることから、ユーザの嗜好にあったルールを設定することができる。

＜第３の実施形態＞
以下、本実施形態について、図６から図９を用いて説明する。

＜車両割当装置の構成＞
図６に示すように、本実施形態に係る車両割当装置３００は、実績データ格納部１０１と、判定モデル生成部１０２と、仮車両割当生成部１０４と、予約データ格納部１０５と、車両割当部１０６Ｂと、表示部１０７と、評価値算出部１０８と、重み算出部１０９と、制約条件設定部１１０と、車両割当ルール設定部２０１と、所定値変更部２０２と、相関判定部３０１と、を含んで構成されている。
なお、第１の実施形態および第２の実施形態と同一の符号を付す構成要素については、同様の機能を有することからその詳細な説明は省略する。

相関判定部３０１は、実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関を判定する。
なお、相関の算出は、協調フィルタリングやベイジアンネットワーク等相関を算出するアルゴリズムを用いて実行され、算出された相関値に基づいて、例えば、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、物品マスタ間の相関が判定される。

車両割当部１０６Ｂは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果と、に基づいて、各バースに対する車両の割当を行う。
より具体的には、車両割当部１０６Ｂは、判別対象となる予約データ格納部１０５に格納された翌日以降の予約データを判定モデル生成部１０２が生成する判定モデルへ入力して得られる出力値と、制約条件設定部１１０により設定された物流施設内のバースに対する車両割当の制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１により実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関の判定結果と、に基づいて物流施設内のバースに対する車両の割当を行う。

＜車両割当装置の処理＞
図７から図９を用いて、本実施形態に係る車両割当装置の処理について説明する。

まず、判定モデル生成部１０２が、格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとのモデルを生成する（ステップＳ１０１）。

仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する（ステップＳ１０２）。

制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する（ステップＳ１０３）。

車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する（ステップＳ２０１）。

相関判定部３０１は、実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関を判定する（ステップＳ３０１）。

例えば、図８に示すように、ある実績データにおいて、１番バースにおける物品マスタが「飲料」、「酒類」であり、２番バースにおける物品マスタが「菓子」、「米菓」、「飲料」であり、「菓子」、「米菓」である場合に、物流施設に設けられた各バースと物品マスタとの相関については、「飲料」は１番バースあるいは２番バース、「酒類」は１番バース、「菓子」は２番バースあるいは３番バース、「米菓」は２番バースあるいは３番バースと相関を有すると判定する。
この判定処理をすべての実績データについて実行し、相関値を算出して相関度合いを判定する。

また、例えば、図９に示すように、ある実績データにおいて、１番バースにおける物品マスタが「飲料」、「酒類」であり、２番バースにおける物品マスタが「菓子」、「米菓」、「飲料」であり、「菓子」、「米菓」である場合には、「飲料」は１番バースあるいは２番バース、「酒類」は「１番バース」、「菓子」は２番バースあるいは３番バース、「米菓」は２番バースあるいは３番バースとなる。このとき、例えば、一致度合いが５／６以上を「一致」、一致度合いが１／２〜５／６未満の場合を「包含」とすると、この例では、「菓子」と「米菓」は一致、「酒類」は「飲料」に包含と相関が求まる。
この判定処理をすべての実績データについて実行し、相関を求める。
なお、上記の閾値は、ユーザによって定められる。

車両割当部１０６Ｂは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果と、に基づいて、各バースに対する車両の割当を行う（ステップＳ３０２）。
この車両割当結果は、例えば、表示部１０７に表示され、ユーザに知らされる。

なお、本実施形態においては、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）を行い、仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）を行い、制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）を行い、車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）を行い、相関判定部３０１における相関判定処理（ステップＳ３０１）を行った後、車両割当部１０６Ｂにおける車両割当処理（ステップＳ３０２）を行う場合について説明した。
しかしながら、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）と仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）と制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）と車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）と相関判定部３０１における相関判定処理（ステップＳ３０１）とは、並列的に実行してもよいし、上記の順番とは異なる順番で行ってもよい。

以上、説明したように、本実施形態によれば、第１の実施形態および第２の実施形態における機能あるいは処理に加えて、相関判定部３０１は、実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関を判定する。
つまり、本実施形態に係る車両割当装置３００においては、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果とに基づいて、各バースに対する車両の割当を行う。
したがって、物品マスタの設定やルールの設定に関しての専門知識を有しないユーザでなくても物流施設に設けられた各バースに対する好適な車両割当を行うことができる。
そのため、人的リソースに対する余計なコストをかけることなく、物流施設に設けられた各バースに対する好適な車両割当を行うことができる。

＜第４の実施形態＞
以下、本実施形態について、図１０から図１２を用いて説明する。

＜車両割当装置の構成＞
図１０に示すように、本実施形態に係る車両割当装置４００は、実績データ格納部１０１と、判定モデル生成部１０２と、仮車両割当生成部１０４と、予約データ格納部１０５と、車両割当部１０６Ｃと、表示部１０７と、評価値算出部１０８と、重み算出部１０９と、制約条件設定部１１０と、車両割当ルール設定部２０１と、所定値変更部２０２と、相関判定部３０１と、データ生成部４０１と、推定部４０２と、を含んで構成されている。
なお、第１の実施形態、第２の実施形態、第３の実施形態と同一の符号を付す構成要素については、同様の機能を有することからその詳細な説明は省略する。

データ生成部４０１は、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータのうち、これらの平均値に対して、所定の範囲外の値等の作業時間および事前作業時間の推定処理に影響を与えるデータを最小二乗法によるＭ推定によりロバスト推定を行うことによって、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成する。
ここで、所定の範囲外の値とは、図１１に示す、例えばＡ点をいう。図１１は、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータをＸ−Ｙ平面にプロットした図であり、「ｏｒｉｇ」はＡ点を含めない場合の推定線（例えば、平均値を示す線）を示し、「ｏｕｔｌｉｅｒ」は、Ａ点を含めた場合の推定線を示している。このように、あるデータ（点）の存在によって、推定したモデル（推定線）に大きな影響を与えるデータの値を所定の範囲外の値とする。
なお、図１１は、ロバスト推定に関するイメージを示したものであり、実際に使用する変数のうち、一部の変数に関してのみ、写像し、描画の点を削って、見せかけ上、線形回帰するようフィルタを行ったものであり、Ｘ軸は、営業開始時点から予約開始時間までの時間、Ｙ軸は割当時間を示している。

推定部４０２は、データ生成部４０１によって生成されたデータに基づいて、作業時間および事前作業時間を推定する。

車両割当部１０６Ｃは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果と、推定部４０２における作業時間および事前作業時間についての推定時間と、に基づいて、各バースに対する車両の割当を行う。
より具体的には、車両割当部１０６Ｃは、判別対象となる予約データ格納部１０５に格納された翌日以降の予約データを判定モデル生成部１０２が生成する判定モデルへ入力して得られる出力値と、制約条件設定部１１０により設定された物流施設内のバースに対する車両割当の制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１により実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関の判定結果と、推定部４０２における作業時間および事前作業時間についての推定時間と、に基づいて物流施設内のバースに対する車両の割当を行う。

＜車両割当装置の処理＞
図１２を用いて、本実施形態に係る車両割当装置の処理について説明する。

まず、判定モデル生成部１０２が、格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、物流施設に設けられた各バースごとのモデルを生成する（ステップＳ１０１）。

仮車両割当生成部１０４は、予約データ格納部１０５に格納された翌日以降の予約データを判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する（ステップＳ１０２）。

制約条件設定部１１０は、複数の制約条件の組み合わせについて、評価値算出部１０８および重み算出部１０９において算出された車両割当に関する個々の制約条件に対応する評価値と重みとを乗じたものの合計を全体評価値として算出して制約条件を設定する（ステップＳ１０３）。

車両割当ルール設定部２０１は、格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい分散値に対応する車両割当ルールを新たな車両割当ルールとして適用する（ステップＳ２０１）。

相関判定部３０１は、実績データ格納部１０１に格納された過去の車両割当に関する実績データに基づいて、物流施設に設けられた各バースと車両に荷積みあるいは荷下ろしする物品マスタ、車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関を含む相関を判定する（ステップＳ３０１）。

データ生成部４０１は、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータのうち、これらの平均値に対して、所定の範囲外の値等の作業時間および事前作業時間の推定処理に影響を与えるデータを最小二乗法によるＭ推定によりロバスト推定を行うことによって、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成し、推定部４０２は、データ生成部４０１によって生成されたデータに基づいて、作業時間および事前作業時間を推定する（ステップＳ４０１）。

車両割当部１０６Ｃは、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果と、推定部４０２の推定結果と、に基づいて、各バースに対する車両の割当を行う（ステップＳ４０２）。
この車両割当結果は、例えば、表示部１０７に表示され、ユーザに知らされる。

なお、本実施形態においては、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）を行い、仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）を行い、制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）を行い、車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）を行い、相関判定部３０１における相関判定処理（ステップＳ３０１）を行い、推定部４０２における推定処理（ステップＳ４０１）を行った後、車両割当部１０６Ｃにおける車両割当処理（ステップＳ４０２）を行う場合について説明した。
しかしながら、判定モデル生成部１０２における判定モデル生成処理（ステップＳ１０１）と仮車両割当生成部１０４における仮車両割当処理（ステップＳ１０２）と制約条件設定部１１０による制約条件設定処理（ステップＳ１０３）と車両割当ルール設定部２０１における車両割当ルール設定処理（ステップＳ２０１）と相関判定部３０１における相関判定処理（ステップＳ３０１）と推定部４０２における推定処理（ステップＳ４０１）とは、並列的に実行してもよいし、上記の順番とは異なる順番で行ってもよい。

以上、説明したように、本実施形態に係る車両割当装置４００によれば、第１の実施形態から第３の実施形態における機能あるいは処理に加えて、データ生成部４０１は、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータのうち、これらの平均値に対して、所定の範囲外の値等の作業時間および事前作業時間の推定処理に影響を与えるデータを最小二乗法によるＭ推定によりロバスト推定を行うことによって、格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成し、推定部４０２は、データ生成部４０１によって生成されたデータに基づいて、作業時間および事前作業時間を推定する。
つまり、本実施形態に係る車両割当装置４００においては、仮車両割当生成部１０４により生成された仮車両割当に関する情報と、制約条件設定部１１０により設定された制約条件と、車両割当ルール設定部２０１により設定された車両割当ルールと、相関判定部３０１における判定結果と、推定部４０２の推定結果と、に基づいて、各バースに対する車両の割当を行う。
したがって、物品マスタの設定やルールの設定に関しての専門知識を有しないユーザでなくても物流施設に設けられた各バースに対する好適な車両割当を行うことができる。
そのため、人的リソースに対する余計なコストをかけることなく、物流施設に設けられた各バースに対する好適な車両割当を行うことができる。

また、データ生成部４０１は、作業時間および事前作業時間の推定処理に影響を与えるデータを格納された過去の車両割当に関する実績データに含まれる物流施設に設けられた各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成し、推定部４０２は、データ生成部４０１によって生成されたデータに基づいて、作業時間および事前作業時間を推定する。
したがって、物流施設に設けられた各バースにおける作業時間および事前作業時間を正確に推定することによって、自動的に、外因等に影響されにくいスケジュールを作成することができる。

また、「コンピュータシステム」は、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）システムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１００；車両割当装置
１０１；実績データ格納部
１０２；判定モデル生成部
１０４；仮車両割当生成部
１０５；予約データ格納部
１０６；車両割当部
１０６Ａ；車両割当部
１０６Ｂ；車両割当部
１０６Ｃ；車両割当部
１０７；表示部
１０８；評価値算出部
１０９；重み算出部
１１０；制約条件設定部
２００；車両割当装置
２０１；車両割当ルール設定部
２０２；所定値変更部
３００；車両割当装置
３０１；相関判定部
４００；車両割当装置
４０１；データ生成部
４０２；推定部

Claims (9)

1. 物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置であって、
   過去の車両割当に関する実績データを格納する実績データ格納部と、
   翌日以降の予約データを格納する予約データ格納部と、
   該格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する判定モデル生成部と、
   前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する仮車両割当生成部と、
   前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する評価値算出部と、
   前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める重み算出部と、
   複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する制約条件設定部と、
   前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う車両割当部と、
   を備えたことを特徴とする車両割当装置。
2. 前記格納された過去の車両割当に関する実績データに基づいて、複数の車両割当ルールに対応する評価関数による分散値を求め、所定値よりも大きい前記分散値に対応する前記車両割当ルールを新たな前記車両割当ルールとして適用する車両割当ルール設定部を備え、
   前記車両割当部は、設定された車両割当ルールを含めて前記各バースに対する前記車両の割当を行うことを特徴とする請求項１に記載の車両割当装置。
3. 前記所定値をユーザが変更できる所定値変更部を備えたことを特徴とする請求項２に記載の車両割当装置。
4. 前記格納された過去の車両割当に関する実績データに基づいて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を判定する相関判定部を備え、
   前記車両割当部は、前記相関判定部による相関を含めて前記各バースに対する前記車両の割当を行うことを特徴とする請求項１から３のいずれか１項に記載の車両割当装置。
5. 前記相関判定部は、協調フィルタリングを用いて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を算出して、相関の判定を行うことを特徴とする請求項４に記載の車両割当装置。
6. 前記相関判定部は、ベイジアンネットワークを用いて、前記各バースと前記車両に荷積みあるいは荷下ろしする物品マスタ、前記車両の似姿マスタ、車格マスタ、車両形状マスタ、運送会社マスタとの相関、予約車会社同士、物品マスタ同士の相関とを含む相関を算出して、相関の判定を行うことを特徴とする請求項４に記載の車両割当装置。
7. 前記格納された過去の車両割当に関する実績データに含まれる前記各バースにおける作業時間および事前作業時間に関するデータのうち、これらの平均値に対して、所定の範囲外の値等の前記作業時間および事前作業時間の推定処理に影響を与えるデータを最小二乗法によるＭ推定によりロバスト推定を行うことによって、前記格納された過去の車両割当に関する実績データに含まれる前記各バースにおける作業時間および事前作業時間に関するデータから除外して新たなデータを生成するデータ生成部と、
   該生成されたデータに基づいて、前記作業時間および事前作業時間を推定する推定部と、
   を備え、
   前記車両割当部は、推定された前記作業時間および事前作業時間を含めて前記各バースに対する前記車両の割当を行うことを特徴とする請求項１から６のいずれか１項に記載の車両割当装置。
8. 過去の車両割当に関する実績データを格納する実績データ格納部と、翌日以降の予約データを格納する予約データ格納部と、判定モデル生成部と、仮車両割当生成部と、評価値算出部と、重み算出部と、制約条件設定部と、車両割当部と、を備え、物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置における車両割当方法であって、
   前記判定モデル生成部が、前記格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する第１の工程と、
   前記仮車両割当生成部が、前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する第２の工程と、
   前記評価値算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する第３の工程と、
   前記重み算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める第４の工程と、
   前記制約条件設定部が、複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する第５の工程と、
   前記車両割当部が、前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う第６の工程と、
   を備えたことを特徴とする車両割当方法。
9. 過去の車両割当に関する実績データを格納する実績データ格納部と、翌日以降の予約データを格納する予約データ格納部と、判定モデル生成部と、仮車両割当生成部と、評価値算出部と、重み算出部と、制約条件設定部と、車両割当部と、を備え、物流施設に設けられた各バースに入場する車両を割り当てる車両割当装置における車両割当方法をコンピュータに実行させるためのプログラムであって、
   前記判定モデル生成部が、前記格納された過去の車両割当に関する実績データを正例として、機械学習を実行し、前記各バースごとの判定モデルを生成する第１の工程と、
   前記仮車両割当生成部が、前記予約データ格納部に格納された翌日以降の予約データを前記判定モデルに入力し、得られる出力値に基づいて、翌日以降の仮車両割当を生成する第２の工程と、
   前記評価値算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する個々の制約条件に対応する評価関数を用いて、評価値を算出する第３の工程と、
   前記重み算出部が、前記格納された過去の車両割当に関する実績データに基づいて、前記車両割当に関する前記個々の制約条件に対応する重みを該車両割当に関する個々の制約条件に対応する重み合計が１となるように求める第４の工程と、
   前記制約条件設定部が、複数の前記制約条件の組み合わせについて、該算出した前記車両割当に関する前記個々の制約条件に対応する前記評価値と前記重みとを乗じたものの合計を全体評価値として算出して前記制約条件を設定する第５の工程と、
   前記車両割当部が、前記仮車両割当に関する情報と、前記制約条件に関する情報とを含む情報に基づいて、前記各バースに対する前記車両の割当を行う第６の工程と、
   をコンピュータに実行させるためのプログラム。