JP2020194255A - 人流分布予測装置、方法、及びプログラム - Google Patents

人流分布予測装置、方法、及びプログラム Download PDF

Info

Publication number
JP2020194255A
JP2020194255A JP2019098295A JP2019098295A JP2020194255A JP 2020194255 A JP2020194255 A JP 2020194255A JP 2019098295 A JP2019098295 A JP 2019098295A JP 2019098295 A JP2019098295 A JP 2019098295A JP 2020194255 A JP2020194255 A JP 2020194255A
Authority
JP
Japan
Prior art keywords
unit
prediction
flow distribution
target area
human flow
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.)
Pending
Application number
JP2019098295A
Other languages
English (en)
Inventor
陸斗 国本
Rikuto Kunimoto
陸斗 国本
恒川 裕史
Yasushi Tsunekawa
裕史 恒川
竜太 政井
Ryuta Masai
竜太 政井
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.)
Takenaka Komuten Co Ltd
Original Assignee
Takenaka Komuten Co Ltd
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 Takenaka Komuten Co Ltd filed Critical Takenaka Komuten Co Ltd
Priority to JP2019098295A priority Critical patent/JP2020194255A/ja
Publication of JP2020194255A publication Critical patent/JP2020194255A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】未知の予測対象領域であっても、人流分布を予測する人流分布予測装置及び人流分布予測方法を提供する。【解決手段】人流分布予測装置10は、予測部40において、予測対象領域のフレーム毎に、フレームの代表位置から周辺のオブジェクトまでの距離及びオブジェクトの種類を示すオブジェクト特徴量を抽出するオブジェクト特徴量抽出部41と、学習対象領域のフレーム毎に、各フレームにおける人の移動及び停滞を含む人流情報と、オブジェクト特徴量とを対応付けて学習した人流分布モデル30と、オブジェクト特徴量抽出部41により抽出されたフレーム毎のオブジェクト特徴量とに基づいて、予測対象領域の人流分布を予測する人流分布予測部44と、を備える。【選択図】図2

Description

本発明は、人流分布予測装置、人流分布予測方法、及び人流分布予測プログラムに関する。
典型的な人流シミュレーション技術においては、特に災害発生時における避難行動の予測など、特定の目的を持った人間の行動シミュレーションである場合が多い。この場合、マルチエージェントシステムをベースにして予測がなされる。従来のマルチエージェントシステムでは、各エージェントに対して周囲の混雑度やオブジェクトの配置状況に対応する行動特性を定義し、尤もらしい設定をヒューリスティックに得るといった手続きがなされている。
マルチエージェントシステム以外の人流予測システムとしては、あるフィールド上で観測した人流データに対し、フィールドを格子状などにゾーニングしたのち、各ゾーン間における人の流入出情報を用いることで、ゾーン間における遷移確率を最尤推定する手法が存在する。これにより、同フィールド上における予測時点より前の時点におけるデータを根拠として現在時点における人流を予測する。
例えば、各時刻における各観測点の人流量を予測する人流量予測装置が提案されている。この装置では、予測の対象とする対象観測点及び予測時刻の入力を受け付け、推定された、対象観測点以外の観測点から対象観測点へ移動する遷移確率のパラメータ対象観測点以外の観測点と対象観測点とのペアについての移動時間のパラメータ及び予測時刻より前の時刻についての、対象観測点以外の観測点から対象観測点へ向かって流出した移動人数と、予測時刻より前の時刻についての、対象観測点以外の観測点からの流出量とに基づいて、予測時刻における対象観測点の予測流入量を算出する。
特開2018−73236号公報 特開2018−195215号公報
しかしながら、従来技術においては、特定の条件下における人流や、同一フィールド上における未来時点の人流を予測することは可能であるが、非特定条件下における未知のフィールドといった対象に対する予測能力を持たない。
本発明は、上記の点に鑑み、未知の予測対象領域であっても、人流分布を予測することができる人流分布予測装置、方法、及びプログラムを提供することを目的とする。
上記目的を達成するために、本発明に係る人流分布予測装置は、予測対象領域の単位領域毎に、前記単位領域の代表位置から周辺のオブジェクトまでの距離及び前記オブジェクトの種類を特徴量として抽出する抽出部と、学習対象領域の単位領域毎に、前記単位領域における人の移動及び停滞を含む人流に関する情報と、前記特徴量とを対応付けて学習したモデルと、前記モデルと、前記抽出部により抽出された単位領域毎の特徴量とに基づいて、前記予測対象領域の人流に関する分布を予測する予測部と、を含んで構成されている。
本発明に係る人流分布予測装置によれば、学習対象領域の単位領域毎に、単位領域における人の移動及び停滞を含む人流に関する情報と、特徴量とを対応付けて学習したモデルが記憶されている。また、抽出部が、予測対象領域の単位領域毎に、単位領域の代表位置から周辺のオブジェクトまでの距離及びオブジェクトの種類を特徴量として抽出する。そして、予測部が、モデルと、抽出部により抽出された単位領域毎の特徴量とに基づいて、予測対象領域の人流に関する分布を予測する。これにより、予測対象領域が学習対象領域とは異なる場合、すなわち未知の予測対象領域であっても、人流分布を予測することができる。
また、前記オブジェクトの種類は、前記オブジェクトに対する誘引性の有無による分類を含むことができる。このような人流に影響を与える要因を特徴量に含めることで、類似環境における人流分布の予測精度の向上を図ることができる。
また、前記人流に関する情報は、前記学習対象領域における人の移動軌跡を示す軌跡データであって、観測時刻毎の位置座標、速度、及び加速度を含む観測情報の時系列で表される複数の軌跡データから、前記学習対象領域の単位領域毎に得られる統計情報とすることができる。これにより、人流に関する観測可能な情報を特徴量に含めることができる。
また、本発明に係る人流分布予測装置は、前記モデルを学習する学習部を更に含んで構成することができる。これにより、学習処理と予測処理とを一体化することができる。
また、前記学習部は、前記人流に関する情報に基づいて、前記学習対象領域の単位領域の各々が移動ゾーンか停滞ゾーンかを判定し、前記停滞ゾーンをノード、前記移動ゾーンをエッジとするネットワークグラフを構築し、グラフ理論に基づいて得られる前記ノード及び前記エッジの特徴量を、前記モデルを学習するための特徴量として用いることができる。これにより、人流に関する情報を抽象化した特徴量を学習に用いることができ、類似環境における人流分布の予測精度の向上が図れる。
また、前記学習部は、前記移動ゾーンを経由して到達可能な前記停滞ゾーン間に対応する前記ノード間に前記エッジを設定し、前記エッジに対応する前記学習対象領域の各単位領域における前記人流に関する情報に基づいて、前記エッジの活性度を評価する。これにより、モデルの学習に用いる特徴量として有効な情報を抽出することができるネットワークグラフを構築することができる。
また、前記学習部は、前記移動ゾーンを経由して到達可能な前記停滞ゾーン間に、前記停滞ゾーン間を結ぶ方向への移動を示す観測情報が有意に存在する場合に、前記停滞ゾーン間に対応する前記ノード間に前記エッジを設定することができる。これにより、実際に動線となっている停滞ゾーン間に対応するノード間に適切にエッジを設定することができる。
また、前記予測部は、前記抽出部により抽出された単位領域毎の特徴量と、前記モデルとに基づいて、前記予測対象領域におけるネットワークグラフを予測し、予測された前記ネットワークグラフのノード及びエッジの特徴量と、前記抽出部により抽出された単位領域毎の特徴量と、前記モデルとに基づいて、前記予測対象領域の人流に関する分布を予測することができる。ネットワークグラフを介して人流分布を予測することで、予測対象領域の特徴の抽象化が行われ、予測対象領域の類似環境における人流分布に基づく予測精度の向上が図れる。
また、前記予測部は、前記予測対象領域を示す図面上において、前記オブジェクトの各々を種類に応じた表示態様で表示すると共に、前記予測対象領域の単位領域の各々を、予測結果に応じた表示態様で表示した予測結果画面を表示することができる。これにより、予測結果を容易に把握することができる。
また、本発明に係る人流分布予測方法は、抽出部が、予測対象領域の単位領域毎に、前記単位領域の代表位置から周辺のオブジェクトまでの距離及び前記オブジェクトの種類を特徴量として抽出し、予測部が、学習対象領域の単位領域毎に、前記単位領域における人の移動及び停滞を含む人流に関する情報と、前記特徴量とを対応付けて学習したモデルと、前記抽出部により抽出された単位領域毎の特徴量とに基づいて、前記予測対象領域の人流に関する分布を予測する方法である。
また、本発明に係る人流分布予測プログラムは、コンピュータを、上記の人流分布予測装置を構成する各部として機能させるためのプログラムである。
本発明に係る人流分布予測装置、方法、及びプログラムによれば、予測対象領域の単位領域毎に抽出したオブジェクトに関する特徴量と、学習対象領域の単位領域毎に、前記単位領域における人流に関する情報と、オブジェクトに関する特徴量とを対応付けて学習したモデルとに基づいて、予測対象領域の人流に関する分布を予測することで、未知の予測対象領域であっても、人流分布を予測することができる。
本実施形態に係る人流分布予測装置のハードウェア構成を示すブロック図である。 本実施形態に係る人流分布予測装置の機能構成の例を示すブロック図である。 学習対象領域情報の一例を概略的に示す図である。 学習対象領域情報への軌跡データ集合の対応付けを説明するための図である。 フレーム毎の人流情報の作成を説明するための図である。 フレーム毎の人流情報の作成を説明するための図である。 フレーム毎の人流情報の一例を示す図である。 ゾーン判定を説明するための図である。 ゾーン判定を説明するための図である。 ネットワークグラフの構築を説明するための図である。 ネットワークグラフの構築を説明するための図である。 ネットワークグラフの構築を説明するための図である。 ネットワークグラフの構築を説明するための図である。 オブジェクト特徴量の抽出を説明するための図である。 予測結果画面の一例を示す概略図である。 学習処理の流れを示すフローチャートである。 予測処理の流れを示すフローチャートである。
以下、本発明の実施形態の一例を、図面を参照しつつ説明する。
図1は、本実施形態に係る人流分布予測装置10のハードウェア構成を示すブロック図である。図1に示すように、人流分布予測装置10は、CPU(Central Processing Unit)52、メモリ54、記憶装置56、入力装置58、出力装置60、光ディスク駆動装置62、及び通信I/F(Interface)64を有する。各構成は、バスを介して相互に通信可能に接続されている。
記憶装置56には、後述する学習処理及び予測処理を含む人流分布予測処理を実行するための人流分布予測プログラムが格納されている。CPU52は、中央演算処理ユニットであり、各種プログラムを実行したり、各構成を制御したりする。すなわち、CPU52は、記憶装置56からプログラムを読み出し、メモリ54を作業領域としてプログラムを実行する。CPU52は、記憶装置56に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。
メモリ54は、RAM(Random Access Memory)により構成され、作業領域として一時的にプログラム及びデータを記憶する。記憶装置56は、ROM(Read Only Memory)、及びHDD(Hard Disk Drive)又はSSD(Solid State Drive)により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力装置58は、例えば、キーボードやマウス等の、各種の入力を行うための装置である。出力装置60は、例えば、ディスプレイやプリンタ等の、各種の情報を出力するための装置である。出力装置60として、タッチパネルディスプレイを採用することにより、入力装置58として機能させてもよい。光ディスク駆動装置62は、CD−ROM(Compact Disc Read Only Memory)又はブルーレイディスクなどの各種の記録媒体に記憶されたデータの読み込みや、記録媒体に対するデータの書き込み等を行う。
通信I/F64は、他の機器と通信するためのインタフェースであり、例えば、イーサネット(登録商標)、FDDI又はWi−Fi(登録商標)等の規格が用いられる。
次に、本実施形態に係る人流分布予測装置10の機能構成について説明する。
図2は、人流分布予測装置10の機能構成の例を示すブロック図である。図2に示すように、人流分布予測装置10は、機能構成として、学習部20と予測部40とを含む。学習部20は、更に、人流分布作成部21と、ゾーン判定部22と、ネットワークグラフ特徴量抽出部23と、オブジェクト特徴量抽出部24と、モデル学習部25とを含む。また、予測部40は、更に、オブジェクト特徴量抽出部41と、ネットワークグラフ予測部42と、ネットワークグラフ特徴量抽出部43と、人流分布予測部44と、表示制御部45とを含む。
また、人流分布予測装置10の所定の記憶領域には、人流分布モデル30が記憶される。各機能構成は、CPU52が記憶装置56に記憶された人流分布予測プログラムを読み出し、メモリ54に展開して実行することにより実現される。なお、オブジェクト特徴量抽出部41は、本発明の抽出部の一例であり、ネットワークグラフ予測部42、ネットワークグラフ特徴量抽出部43、及び人流分布予測部44は、本発明の予測部の一例であり、学習部20は、本発明の学習部の一例であり、人流分布モデル30は、本発明のモデルの一例である。
以下、各機能構成について詳述する。まず、学習部20の各機能構成について説明する。
人流分布作成部21は、入力として、軌跡データ集合及び学習対象領域情報を取得する。軌跡データ集合は、カメラ撮影された画像に対する解析や、赤外線スキャナによる計測などにより、人の移動及び停滞を含む人流に関する情報(以下、「人流情報」という)を取得可能な人流計測システムで観測される人の移動軌跡を示す軌跡データの集合である。軌跡データは、観測時刻毎の人の位置座標、速度、及び加速度を含む観測情報の時系列データである。なお、本実施形態では、人流計測システムで観測される観測情報のうち、例えば赤外線の反射率が所定範囲か否かや、観測点群により特定される物体のサイズが所定範囲か否か等に基づいて、人物について観測された観測情報を抽出することにより、人の軌跡データが取得されているものとする。
また、観測情報は、人物が停滞している状態(stay)か、移動している状態(move)かのカテゴリも含むものとする。なお、このカテゴリは、人流計測システムから取得される観測情報に含まれていなくても、観測情報に含まれる速度及び加速度に基づいて推定可能であるため、人流計測システムから取得した観測情報に人流分布作成部21で付与してもよい。
学習対象領域とは、領域内の各位置又は各単位領域における人流情報を示す人流分布を作成するための軌跡データが得られている領域である。学習対象領域情報は、学習対象領域のサイズ、オブジェクトのサイズ、配置、種類等の情報を含むレイアウト図面である。オブジェクトとは、学習対象領域内に存在する物体であり、壁や柱などの構造物も含む。オブジェクトの種類は、構造物か構造物以外か、誘引性があるかないか、侵入可能か否かなどで分類することができる。図3に、学習対象領域情報の一例を概略的に示す。図3の例では、オブジェクトの種類の違いをハッチングの違いで表している。
人流分布作成部21は、学習対象領域に軌跡データ集合を対応させ、学習対象領域に所定サイズの単位領域を設定し、各単位領域に含まれる位置の観測情報を統計的に処理して、単位領域毎の人流情報を計算することにより、人流分布を作成する。
具体的には、人流分布作成部21は、図4に示すように、学習対象領域情報(レイアウト図面)に、軌跡データ集合を対応させる。より具体的には、人流分布作成部21は、軌跡データを構成する各観測情報に含まれる位置座標に基づいて、学習対象領域の対応する位置に観測情報を保持させる。なお、図4では、各観測情報を示すドットを、学習対象領域の対応する位置に配置し、各観測情報に含まれる速度及び加速度の大きさに応じてドットの濃度を異ならせている。
人流分布作成部21は、図5に示すように、単位長さを単位とする所定サイズのウインドウ72を走査しながら、ウインドウ72内に含まれる観測情報を集計して各種統計情報を求める。例えば、下記(1)式に示すようにxy座標Dが定義される学習対象領域に対して、L×Lのウインドウ72を走査することで、下記(2)式に示すデータ数Nwの統計情報が得られる。
D={(x,y)|i≦x≦j,p≦y≦q} ・・・(1)
Nw=(j−i−L+2)×(q−p−L+2) ・・・(2)
なお、ウインドウ72を走査することに代えて、図6に示すように、学習対象領域に対してグリッド74を設定し、各グリッド74に含まれる観測情報を集計して、そのグリッド74内の統計情報を求めてもよい。以下では、ウインドウ72及びグリッド74を総称して「フレーム」という。なお、ウインドウ72、グリッド74、及びフレームは、本発明の単位領域の一例である。
図7に、フレーム毎の観測情報を集計した各種統計情報の一例を示す。「基準座標」は、フレームの所定位置(例えば、左上角や中心位置)の座標である。図7の例では、統計情報として「データ数」、「stayデータ数」、「moveデータ数」、「速度ベクトル分布」、及び「加速度ベクトル分布」が求められている。
「データ数」は、そのフレーム内に含まれる観測情報の数であり、そのうち、カテゴリが「stay」である観測情報の数が「stayデータ数」、カテゴリが「move」である観測情報の数が「moveデータ数」である。また、「速度ベクトル分布」及び「加速度ベクトル分布」は、観測情報に含まれる速度及び加速度の各々の大きさ及び向きをベクトルで表し、集計結果をベクトルの分布で表したものである。
図7の例では、各行(各レコード)がフレーム毎の人流情報である。なお、人流情報に含まれる各種統計情報は図7に示す例に限定されず、軌跡データから得られる他の統計情報を加えてもよい。
人流分布作成部21は、作成した人流分布(フレーム毎の人流情報)をゾーン判定部22へ受け渡す。
ゾーン判定部22は、人流分布作成部21から受け渡された人流分布に基づいて、学習対象領域の各フレームに対応する領域が、人が移動する傾向が高い移動ゾーンか、人が停滞する傾向が高い停滞ゾーンかを判定する。
具体的には、ゾーン判定部22は、単純な集計による場の構築を行うことにより、データ量の多い箇所だけが抽出されて、ただのヒートマップになってしまうことを避けるため、また、ほとんどデータの存在しないエリアに場を定義するのは不適切であるため、最低データ量に対する閾値(0など)の設定と、stayとmoveとの比率を統計的に判断することによってゾーン定義を行う。
例えば、図8に示すように、グリッド74によるフレーム毎の人流情報により人流分布が作成されている場合では、ゾーン判定部22は、データ数が所定値(例えば、0)以下のフレーム(図8において、網掛けなしのフレーム)を、ゾーン定義の対象から除外する。
また、ゾーン判定部22は、例えば、二項分布を用いた識別手法により、人流分布作成部21から受け渡された人流分布を用いて、母集団におけるstayデータ数/moveデータ数の比率を推定する。ゾーン判定部22は、推定した比率を基に二項分布の確率質量関数を定義し、適当な有意水準を設定して、各フレームが停滞(stay)ゾーンか、移動(move)ゾーンかを判定する。教師データが存在しないことから、有意水準の設定は現場の状況を鑑みた妥当なものを推察し、暫定すればよい。図8では、停滞ゾーンと判定されたフレームを濃い色の網掛け、移動ゾーンと判定されたフレームを薄い色の網掛けで表している。
なお、二項分布による方法以外にもKS(Kolmogorov-Smirnov)検定、SG(Smirnov-Grubbs)検定等の外れ値検出技術の応用や、人流分布に含まれる人流情報全体の速度ベクトル及び加速度ベクトルにおける平均合成ベクトル長(ノルム)分布を考慮した方法やカイパー検定などを用いてもよい。また、移動ゾーンの抽出に際しては2〜3方向の混合von Mises分布を用いた検定などを用いることもできる。
また、ゾーン判定の他の手法として、ゾーン判定部22は、上記のような各種検定の評価手法を用いてフレーム毎にスコアを定義し、スコアに基づいて、各フレームの基準位置を中心にスコアをエネルギーと見立てた隆起を発生させ、各基準位置からの隆起を合成することで、図9右図に示すようなスコア場を構築する。そして、ゾーン判定部22は、点単位でスコアの分布を計算し、閾値の平面でスコア場を切ることで、停滞ゾーン及び移動ゾーンを判定してもよい。
ゾーン判定部22は、フレーム毎の停滞ゾーンか移動ゾーンかの判定結果をネットワークグラフ特徴量抽出部23へ受け渡す。
ネットワークグラフ特徴量抽出部23は、ゾーン判定部22から受け渡された判定結果に基づいて、停滞ゾーンをノード、移動ゾーンをエッジとするネットワークグラフを構築し、グラフ理論に基づいて得られるノード及びエッジの特徴量を抽出する。具体的には、ネットワークグラフ特徴量抽出部23は、図10に示すように、停滞ゾーンと判定されたフレームに対応する学習対象領域の位置にノードを配置する。
また、ネットワークグラフ特徴量抽出部23は、移動ゾーンを経由して到達可能な停滞ゾーン間に対応するノード間にエッジを設定し、エッジに対応するフレームの人流情報に基づいて、エッジの活性度を評価する。
具体的には、ネットワークグラフ特徴量抽出部23は、各停滞ゾーン間において、移動ゾーンを介して物理的に到達可能か否かを全ての停滞ゾーン間で調べる。例えば、ネットワークグラフ特徴量抽出部23は、移動ゾーン上を通る停滞ゾーン間のマンハッタン距離を用いて、停滞ゾーン間で到達可能な最短ルートのうち、通行量情報を元に適当なルートを決定する。なお、停滞ゾーン間の最短ルートを決定する際、壁からの距離等を制約条件として設けてもよい。
そして、ネットワークグラフ特徴量抽出部23は、停滞ゾーン間におけるエッジ配列を作成する。エッジ配列とは、例えば、図11に示すように、停滞ゾーンS1からS2へ至るルートに含まれる移動ゾーンについて、隣接する移動ゾーンの方向を上、下、左、又は右の方向で表した矢印を各移動ゾーンに付与し、停滞ゾーンS1からS2へ至るルートに含まれる移動ゾーンに付与された矢印を要素として順に並べた配列である。
ここで、特定の停滞ゾーン同士が移動ゾーン上で連結していることと、停滞ゾーン間に動線が存在していることとは同義ではない。このため、移動ゾーン上で移動データが有意に実在したかについての検証が必要となる。例えば、図12に示すように、停滞ゾーンS1からS2に至るルートを示すエッジ配列について、このルートの長さがn∈Nであるとして、k番目(k∈N,k≦n−w)の地点を考える。ここで、w∈Nは、k番目の地点を含めた長さ2w+1の一次元ウインドウ76を考える場合の値である。図12の例では、w=1である。
ネットワークグラフ特徴量抽出部23は、この一次元ウインドウ76内の合成ベクトルvの方向に垂直な長さr∈R、厚さs∈R(r>s)の長方形78を、k番目の地点を中心にプロットし、長方形78範囲内の観測情報について、vの方向へ適当な許容範囲(ケースにより変更が必要)を設けた上で、その許容範囲内に速度ベクトルが向く、カテゴリがmoveのデータ数を調査する。ここでいう調査とは、vの方向及びその逆方向のデータ数と、それ以外(特に交差する方向)のデータ数との比較を行い、vの方向のデータ数が有意に多いことを確認する作業を指す。ネットワークグラフ特徴量抽出部23は、この作業をk=1,2,・・・,n−wまで行ない、全て又は一定以上の割合のkについて、v方向のデータ数の有意性が認められる場合に、停滞ゾーンS1−S2間に対応するノード間にエッジを設定する。
また、ネットワークグラフ特徴量抽出部23は、ノード間にエッジを設定する際、エッジの設定のために取得した情報に基づいて、エッジの活性度を定義する。エッジの活性度は、v方向のデータ数を評価するものである。例えば、ネットワークグラフ特徴量抽出部23は、全ての停滞ゾーン間の動線について、そのデータ数及び分布傾向の調査を行い、5クラスのクラスタリングにより順序尺度を用いる手法や、確率密度関数を用いてp値の逆数を取る等により、エッジの活性度を定義する。
ネットワークグラフ特徴量抽出部23は、図13に示すように、ノード間に設定したエッジに、定義した活性度を付与し、ネットワークグラフを構築する。なお、図13では、活性度の強弱をエッジの太さにより表している。
ネットワークグラフ特徴量抽出部23は、構築したネットワークグラフから、グラフ理論に基づいて得られるエッジ及びノードの特徴量(以下、「ネットワークグラフ特徴量」という)を抽出する。例えば、ネットワークグラフ特徴量抽出部23は、学習対象領域の各フレームについて、そのフレームが停滞ゾーンの場合には、その停滞ゾーンに対応するノードに接続するエッジ数、及びその各エッジの活性度をネットワークグラフ特徴量として抽出する。また、ネットワークグラフ特徴量抽出部23は、学習対象領域の各フレームについて、そのフレームが移動ゾーンの場合には、その移動ゾーンに対応するエッジの活性度等をネットワークグラフ特徴量として抽出する。ネットワークグラフ特徴量抽出部23は、抽出したネットワークグラフ特徴量をモデル学習部25へ受け渡す。
オブジェクト特徴量抽出部24は、学習対象領域に対して、各フレームの代表位置(例えば、フレームの中心位置)から周辺のオブジェクトまでの距離及びオブジェクトの種類を特徴量(以下、「オブジェクト特徴量」という)として抽出する。例えば、図14に示すように、各フレームの代表位置(図14中の黒丸)から、周辺へ放射状の直線をs本引き、各直線が最初に到達するオブジェクトまでの距離、及び到達先のオブジェクトの種類を、オブジェクト特徴量として抽出する。直線を引く角度は、所定角度毎でもよいし、ランダムでもよい。なお、回転に対して頑健なオブジェクト特徴量を抽出するために、直線を引く基準角度を設けることなく、オブジェクトまでの距離の分散が大きくなるように直線を引いたり、抽出されるオブジェクトの種類数が多くなるように直線を引いたりしてもよい。オブジェクト特徴量抽出部24は、抽出したオブジェクト特徴量をモデル学習部25へ受け渡す。
モデル学習部25は、人流分布作成部21から受け渡された人流分布と、ネットワークグラフ特徴量抽出部23から受け渡されたネットワークグラフ特徴量と、オブジェクト特徴量抽出部24にから受け渡されたオブジェクト特徴量とを対応付けて、人流分布モデル30のパラメータを学習する。
具体的には、モデル学習部25は、フレーム毎の人流情報と、そのフレームから抽出されたネットワークグラフ特徴量及びオブジェクト特徴量とを対応付けて、1組の学習データとする。そして、モデル学習部25は、フレーム毎のオブジェクト特徴量が入力された場合に、ネットワークグラフ特徴量を出力すると共に、出力されたネットワークグラフ特徴量と入力されたオブジェクト特徴量とから、各フレームの人流情報を予測するための、例えば回帰予測器等の人流分布モデル30のパラメータを学習する。
モデル学習部25は、パラメータが学習された人流分布モデル30を所定の記憶領域に記憶する。なお、人流分布モデル30は、回帰予測器に限定されず、ニューラルネットワークなど、他の手法により学習されたモデルであってもよい。
次に、予測部40の各機能構成について説明する。
オブジェクト特徴量抽出部41は、入力として、予測対象領域情報を取得する。予測対象領域とは、人流分布を予測する対象の領域であり、学習対象領域とは異なり、軌跡データが得られていない未知の領域である。予測対象領域情報は、学習対象領域情報と同様に、図3に示すような、予測対象領域のサイズ、オブジェクトのサイズ、配置、種類等の情報を含むレイアウト図面である。
オブジェクト特徴量抽出部41は、学習部20のオブジェクト特徴量抽出部24と同様の処理により、予測対象領域から、フレーム毎にオブジェクト特徴量を抽出する。オブジェクト特徴量抽出部41は、抽出したオブジェクト特徴量をネットワークグラフ予測部42及び人流分布予測部44へ受け渡す。
ネットワークグラフ予測部42は、オブジェクト特徴量抽出部41から受け渡されたオブジェクト特徴量を人流分布モデル30に入力し、予測対象領域に対応するネットワークグラフを予測する。ネットワークグラフ予測部42は、予測したネットワークグラフをネットワークグラフ特徴量抽出部43へ受け渡す。
ネットワークグラフ特徴量抽出部43は、ネットワークグラフ予測部42で予測されたネットワークグラフから、学習部20のネットワークグラフ特徴量抽出部23と同様の処理により、フレーム毎にネットワークグラフ特徴量を抽出する。ネットワークグラフ特徴量抽出部43は、抽出したネットワークグラフ特徴量を人流分布予測部44へ受け渡す。
人流分布予測部44は、予測対象領域の各フレームについて、オブジェクト特徴量抽出部41から受け渡されたオブジェクト特徴量と、ネットワークグラフ特徴量抽出部43から受け渡されたネットワークグラフ特徴量とを人流分布モデル30に入力し、フレーム毎に人流情報を予測する。予測対象領域の全てのフレームの人流情報を予測することにより、予測対象領域の人流分布が予測される。人流分布予測部44は、予測結果を表示制御部45へ受け渡す。
表示制御部45は、予測対象領域情報(レイアウト図面)において、オブジェクトの各々を種類に応じた表示態様で表示すると共に、予測対象領域のフレームの各々を、人流分布予測部44の予測結果に応じた表示態様で表示した予測結果画面を表示する。図15に、予測結果画面の概略図を示す。
図15の例では、オブジェクトの種類違いをハッチングで表したレイアウト図面と、人流情報の予測結果に基づいた濃度で表された各フレームとを掛け合わせた予測結果画面を示している。例えば、各フレームの表示態様は、予測された人流情報に含まれる速度又は加速度の大小に応じて、濃度を濃くしたり薄くしたりすることができる。また、予測された人流情報のカテゴリに基づいて、moveが多いかstayが多いかで色分けしてもよい。さらに、ネットワークグラフ予測部42で予測されたネットワークグラフも予測結果画面に表示するようにしてもよい。例えば、図15に示すような予測結果画面に更にネットワークグラフを重畳してもよいし、レイアウト図面に人流情報を掛け合わせた画面と、レイアウト図面にネットワークグラフを掛け合わせた画面とを切り替えて表示するようにしてもよい。なお、フレームの粒度を小さくすることにより、図4に示すような人流分布を再現することも可能である。
次に、本実施形態に係る人流分布予測システム100の作用について説明する。
図16は、人流分布予測装置10のCPU32により実行される学習処理の流れを示すフローチャートである。また、図17は、人流分布予測装置10のCPU32により実行される予測処理の流れを示すフローチャートである。CPU32が記憶装置56から人流分布予測プログラムを読み出して、メモリ54に展開して実行することにより、CPU32が人流分布予測装置10の各機能構成として機能し、図16に示す学習処理、及び図17に示す予測処理を含む人流分布予測処理が実行される。なお、図16に示す学習処理、及び図17に示す予測処理を含む人流分布予測処理は、本発明の人流分布予測方法の一例である。
まず、図16に示す学習処理について説明する。
ステップS12で、人流分布作成部21が、入力として、軌跡データ集合及び学習対象領域情報を取得する。
次に、ステップS14で、人流分布作成部21が、学習対象領域に軌跡データ集合を対応させ、学習対象領域に所定サイズのフレームを設定し、各フレームに含まれる位置の観測情報を統計的に処理して、フレーム毎の人流情報を計算することにより、人流分布を作成する。
次に、ステップS16で、ゾーン判定部22が、上記ステップS14で作成された人流分布に基づいて、学習対象領域の各フレームに対応する領域が移動ゾーンか停滞ゾーンかを判定する。
次に、ステップS18で、ネットワークグラフ特徴量抽出部23が、上記ステップS16におけるゾーンの判定結果に基づいて、停滞ゾーンをノード、移動ゾーンをエッジとし、エッジに対応するフレームの人流情報に基づいて、エッジの活性度が評価されたネットワークグラフを構築する。
次に、ステップS20で、ネットワークグラフ特徴量抽出部23が、上記ステップS18で構築したネットワークグラフから、グラフ理論に基づいて得られるネットワークグラフ特徴量を抽出する。
次に、ステップS22で、オブジェクト特徴量抽出部24が、上記ステップS12で取得した学習対象領域に対して、各フレームの代表位置から周辺のオブジェクトまでの距離及びオブジェクトの種類を示すオブジェクト特徴量を抽出する。
次に、ステップS24で、モデル学習部25が、学習対象領域のフレーム毎に、上記ステップS14で作成された人流分布に含まれる人流情報と、上記ステップS20で抽出されたネットワークグラフ特徴量と、上記ステップS22で抽出されたオブジェクト特徴量とを対応付けて、1組の学習データとして用いて、人流分布モデル30のパラメータを学習する。
次に、ステップS26で、モデル学習部25が、パラメータが学習された人流分布モデル30を所定の記憶領域に記憶し、学習処理は終了する。
次に、図17に示す予測処理について説明する。
ステップS42で、オブジェクト特徴量抽出部41が、入力として、予測対象領域情報を取得する。
次に、ステップS44で、オブジェクト特徴量抽出部41が、取得した予測対象領域情報に基づいて、予測対象領域のフレーム毎にオブジェクト特徴量を抽出する。
次に、ステップS46で、ネットワークグラフ予測部42が、上記ステップS44で抽出されたオブジェクト特徴量を人流分布モデル30に入力し、予測対象領域に対応するネットワークグラフを予測する。
次に、ステップS48で、ネットワークグラフ特徴量抽出部43が、上記ステップS46で予測されたネットワークグラフから、予測対象領域のフレーム毎にネットワークグラフ特徴量を抽出する。
次に、ステップS50で、人流分布予測部44が、予測対象領域の各フレームについて、上記ステップS44で抽出されたオブジェクト特徴量と、上記ステップS48で抽出されたネットワークグラフ特徴量とを人流分布モデル30に入力し、フレーム毎の人流情報、すなわち人流分布を予測する。
次に、ステップS52で、表示制御部45が、予測対象領域情報(レイアウト図面)において、オブジェクトの各々を種類に応じた表示態様で表示すると共に、予測対象領域のフレームの各々を、上記ステップS50の予測結果に応じた表示態様で表示した予測結果画面を表示する。そして、予測処理は終了する。
以上説明したように、本実施形態に係る人流分布予測システムによれば、学習対象領域のフレーム毎に、フレームの代表位置から周辺のオブジェクトまでの距離及びオブジェクトの種類を示すオブジェクト特徴量と、人流情報とを対応付けて学習した人流分布モデルに、予測対象領域のフレーム毎のオブジェクト情報を入力して、予測対象領域の人流分布を予測する。これにより、予測対象領域のオブジェクト特徴量と類似したオブジェクト特徴量を有する学習対象領域における人流分布に基づいて、予測対象領域の人流分布を予測することができる。すなわち、未知の予測対象領域であっても、人流分布を予測することができる。
なお、上記実施形態では、オブジェクト特徴量と共に、ネットワークグラフ特徴量も学習及び予測に用いる場合について説明したが、オブジェクト特徴量のみを用いてもよい。ただし、ネットワークグラフ特徴量もモデルの学習に用いることで、学習対象領域について抽象化した特徴量を学習することができ、予測対象領域の人流分布を予測する際に、類似環境における人流分布の適合度が高まり、予測精度の向上が図れる。
また、上記実施形態では、学習部と予測部とが同一のコンピュータで実現される場合について説明したが、学習装置と予測装置として、それぞれ別のコンピュータで実現してもよい。この場合、学習装置で学習された人流分布モデルを予測装置で読み込んで予測処理を実行するようにすればよい。
また、上記実施形態でCPUがソフトウェア(プログラム)を読み込んで実行した人流分布予測処理を、CPU以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、FPGA(Field-Programmable Gate Array)等の製造後に回路構成を変更可能なPLD(Programmable Logic Device)、及びASIC(Application Specific Integrated Circuit)等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、人流分布予測処理を、これらの各種のプロセッサのうちの1つで実行してもよいし、同種又は異種の2つ以上のプロセッサの組み合わせ(例えば、複数のFPGA、及びCPUとFPGAとの組み合わせ等)で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記実施形態では、人流分布予測プログラムが記憶装置に予め記憶(インストール)されている態様を説明したが、これに限定されない。プログラムは、CD−ROM、DVD−ROM(Digital Versatile Disc Read Only Memory)、及びUSB(Universal Serial Bus)メモリ等の記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
10 人流分布予測装置
20 学習部
21 人流分布作成部
22 ゾーン判定部
23 ネットワークグラフ特徴量抽出部
24 オブジェクト抽出部
25 モデル学習部
30 人流分布モデル
40 予測部
41 オブジェクト特徴量抽出部
42 ネットワークグラフ予測部
43 ネットワークグラフ特徴量抽出部
44 人流分布予測部
45 表示制御部
52 CPU
54 メモリ
56 記憶装置
58 入力装置
60 出力装置
62 光ディスク駆動装置
64 通信I/F
72 ウインドウ
74 グリッド
76 一次元ウインドウ
78 長方形
100 人流分布予測システム

Claims (11)

  1. 予測対象領域の単位領域毎に、前記単位領域の代表位置から周辺のオブジェクトまでの距離及び前記オブジェクトの種類を特徴量として抽出する抽出部と、
    学習対象領域の単位領域毎に、前記単位領域における人の移動及び停滞を含む人流に関する情報と、前記特徴量とを対応付けて学習したモデルと、
    前記モデルと、前記抽出部により抽出された単位領域毎の特徴量とに基づいて、前記予測対象領域の人流に関する分布を予測する予測部と、
    を含む人流分布予測装置。
  2. 前記オブジェクトの種類は、前記オブジェクトに対する誘引性の有無による分類を含む請求項1に記載の人流分布予測装置。
  3. 前記人流に関する情報は、前記学習対象領域における人の移動軌跡を示す軌跡データであって、観測時刻毎の位置座標、速度、及び加速度を含む観測情報の時系列で表される複数の軌跡データから、前記学習対象領域の単位領域毎に得られる統計情報である請求項1又は請求項2に記載の人流分布予測装置。
  4. 前記モデルを学習する学習部を更に含む請求項1〜請求項3のいずれか1項に記載の人流分布予測装置。
  5. 前記学習部は、前記人流に関する情報に基づいて、前記学習対象領域の単位領域の各々が移動ゾーンか停滞ゾーンかを判定し、前記停滞ゾーンをノード、前記移動ゾーンをエッジとするネットワークグラフを構築し、グラフ理論に基づいて得られる前記ノード及び前記エッジの特徴量を、前記モデルを学習するための特徴量として用いる請求項4に記載の人流分布予測装置。
  6. 前記学習部は、前記移動ゾーンを経由して到達可能な前記停滞ゾーン間に対応する前記ノード間に前記エッジを設定し、前記エッジに対応する前記学習対象領域の各単位領域における前記人流に関する情報に基づいて、前記エッジの活性度を評価する請求項5に記載の人流分布予測装置。
  7. 前記学習部は、前記移動ゾーンを経由して到達可能な前記停滞ゾーン間に、前記停滞ゾーン間を結ぶ方向への移動を示す観測情報が有意に存在する場合に、前記停滞ゾーン間に対応する前記ノード間に前記エッジを設定する請求項6に記載の人流分布予測装置。
  8. 前記予測部は、前記抽出部により抽出された単位領域毎の特徴量と、前記モデルとに基づいて、前記予測対象領域におけるネットワークグラフを予測し、予測された前記ネットワークグラフのノード及びエッジの特徴量と、前記抽出部により抽出された単位領域毎の特徴量と、前記モデルとに基づいて、前記予測対象領域の人流に関する分布を予測する請求項5〜請求項7のいずれか1項に記載の人流分布予測装置。
  9. 前記予測部は、前記予測対象領域を示す図面上において、前記オブジェクトの各々を種類に応じた表示態様で表示すると共に、前記予測対象領域の単位領域の各々を、予測結果に応じた表示態様で表示した予測結果画面を表示する請求項1〜請求項8のいずれか1項に記載の人流分布予測装置。
  10. 抽出部が、予測対象領域の単位領域毎に、前記単位領域の代表位置から周辺のオブジェクトまでの距離及び前記オブジェクトの種類を特徴量として抽出し、
    予測部が、学習対象領域の単位領域毎に、前記単位領域における人の移動及び停滞を含む人流に関する情報と、前記特徴量とを対応付けて学習したモデルと、前記抽出部により抽出された単位領域毎の特徴量とに基づいて、前記予測対象領域の人流に関する分布を予測する
    人流分布予測方法。
  11. コンピュータを、請求項1〜請求項9のいずれか1項に記載の人流分布予測装置を構成する各部として機能させるための人流分布予測プログラム。
JP2019098295A 2019-05-27 2019-05-27 人流分布予測装置、方法、及びプログラム Pending JP2020194255A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019098295A JP2020194255A (ja) 2019-05-27 2019-05-27 人流分布予測装置、方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019098295A JP2020194255A (ja) 2019-05-27 2019-05-27 人流分布予測装置、方法、及びプログラム

Publications (1)

Publication Number Publication Date
JP2020194255A true JP2020194255A (ja) 2020-12-03

Family

ID=73547557

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019098295A Pending JP2020194255A (ja) 2019-05-27 2019-05-27 人流分布予測装置、方法、及びプログラム

Country Status (1)

Country Link
JP (1) JP2020194255A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657652A (zh) * 2021-07-31 2021-11-16 腾讯科技(深圳)有限公司 流动量的预测方法、装置、设备及可读存储介质
WO2023228498A1 (ja) * 2022-05-23 2023-11-30 株式会社日立製作所 人流予測装置、人流予測プログラム、および、人流予測方法
CN117829612A (zh) * 2024-03-04 2024-04-05 北京帮安迪信息科技股份有限公司 一种园区安全预警方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657652A (zh) * 2021-07-31 2021-11-16 腾讯科技(深圳)有限公司 流动量的预测方法、装置、设备及可读存储介质
CN113657652B (zh) * 2021-07-31 2023-06-20 腾讯科技(深圳)有限公司 流动量的预测方法、装置、设备及可读存储介质
WO2023228498A1 (ja) * 2022-05-23 2023-11-30 株式会社日立製作所 人流予測装置、人流予測プログラム、および、人流予測方法
CN117829612A (zh) * 2024-03-04 2024-04-05 北京帮安迪信息科技股份有限公司 一种园区安全预警方法
CN117829612B (zh) * 2024-03-04 2024-05-28 北京帮安迪信息科技股份有限公司 一种园区安全预警方法

Similar Documents

Publication Publication Date Title
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
Deng et al. Imaging-based crack detection on concrete surfaces using You Only Look Once network
CN106682697B (zh) 一种基于卷积神经网络的端到端物体检测方法
JP6950692B2 (ja) 人流推定装置、人流推定方法およびプログラム
JP2020194255A (ja) 人流分布予測装置、方法、及びプログラム
US11880764B2 (en) Method, product, and system for detecting malicious network activity using a graph mixture density neural network
US10073908B2 (en) Functional space-time trajectory clustering
Mohammadi-Ghazi et al. Conditional classifiers and boosted conditional Gaussian mixture model for novelty detection
Essa et al. Comparison between surrogate safety assessment model and real-time safety models in predicting field-measured conflicts at signalized intersections
US11255678B2 (en) Classifying entities in digital maps using discrete non-trace positioning data
Bode et al. Statistical model fitting and model selection in pedestrian dynamics research
Zhao et al. Crowd macro state detection using entropy model
JP7115207B2 (ja) 学習プログラム、学習方法および学習装置
JP6557192B2 (ja) クラスタリング装置およびクラスタリング方法
JP6818272B2 (ja) リスク評価プログラム、リスク評価方法およびリスク評価装置
US11983618B2 (en) Computing system and method for determining mimicked generalization through topologic analysis for advanced machine learning
TWI598829B (zh) 資料分析系統以及方法
Javaheri Javid et al. Spatial complexity measure for characterising cellular automata generated 2D patterns
JP2018181052A (ja) モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法
Li et al. An integrated approach of machine learning and Bayesian spatial Poisson model for large-scale real-time traffic conflict prediction
CA3170297A1 (en) Generating performance predictions with uncertainty intervals
JPH08184526A (ja) 構造物周辺における風速増加域予測方法およびその装置
JP2017224201A (ja) シミュレーションプログラム、シミュレーション方法およびシミュレーション装置
Li et al. A route navigation algorithm for pedestrian simulation based on grid potential field
Georgiou et al. Constructing contextual SLAM priors using architectural drawings