JP2021060708A - 最適配置推定装置及び最適配置推定プログラム - Google Patents

Abstract

【課題】累積報酬が最大となる、配置対象の移動体の配置を推定することができるようにする。【解決手段】時空間ネットワーク生成部３２は、各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する。最適経路導出部３４は、前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める。目的地出力部３６は、求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する。【選択図】図４

Description

本発明は、最適配置推定装置及び最適配置推定プログラムに関する。

従来より、タクシーの需要と供給とのミスマッチを解消するための、タクシーサービス支援システムが知られている（特許文献１）。タクシーサービス支援システムの情報解析部では、タクシーセンサ情報収集部、乗客位置情報収集部、ウェブ情報収集部のうち少なくとも一つ以上の収集部から各種情報を取り込み、必要に応じて前処理を行ってデータ変換を行って、データマイニングを行う。ドライバー向け情報提供部は、情報解析部で求めた乗車見込みのあるエリアを求めて、タクシー情報端末アプリケーション部が、タクシードライバーに乗車見込みの或るエリア情報を提供する。

また、乗用旅客車両の運用効率を向上させる情報処理装置が知られている（特許文献２）。この情報処理装置は、少なくとも車両毎の位置と営業状態を示す車両データと端末装置に搭載される車両の位置を示す操作データとを取得する取得部と、前記車両データに基づいて、少なくとも前記操作データが示す位置に対応する区域における車両の需要予測数と、前記営業状態が空車状態である車両の数である空車数を演算し、前記需要予測数と前記空車数を含む出力データを前記端末装置に出力する制御部と、を備える。

特開２０１４−１３０５５２号公報 特開２０１９−５７３１０号公報

上記の従来技術では、ある時刻において、その時点で最も乗車率が高くなりそうな目的地を提示するが、将来に渡る乗車率を最大にするわけではない。

本発明は、上記の事情に鑑みてなされたもので、累積報酬が最大となる、配置対象の移動体の配置を推定することができる最適配置推定装置及び最適配置推定プログラムを提供することを目的とする。

上記の目的を達成するために本発明に係る最適配置推定装置は、各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する時空間ネットワーク生成部と、前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める最適経路導出部と、前記最適経路導出部によって求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する出力部と、を含んで構成されている。

本発明に係る最適配置推定プログラムは、コンピュータを、各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する時空間ネットワーク生成部、前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める最適経路導出部、及び前記最適経路導出部によって求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する出力部として機能させるためのプログラムである。

本発明によれば、時空間ネットワーク生成部によって、各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する。

そして、最適経路導出部によって、前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める。出力部によって、前記最適経路導出部によって求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する。

このように、各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各エッジには報酬が付与されている時空間ネットワークを生成し、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求め、求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力することにより、累積報酬が最大となる、配置対象の移動体の配置を推定することができる。

また、本発明の最適配置推定プログラムは、記録媒体に格納して提供することも可能である。

以上説明したように、本発明の最適配置推定装置及び最適配置推定プログラムによれば、累積報酬が最大となる、配置対象の移動体の配置を推定することができる、という効果が得られる。

本発明の実施の形態に係る最適配置推定システムを示すブロック図である。 本発明の実施の形態に係る車載器を示すブロック図である。 本発明の実施の形態に係る最適配置推定装置として機能するコンピュータの一例のブロック図である。 本発明の実施の形態に係る最適配置推定装置を示すブロック図である。 自車両位置の測定結果の時系列データを示す図である。 各時刻のＯＤ表の一例を示す図である。 時空間ネットワークの一例を示す図である。 本発明の実施の形態に係る最適配置推定装置における予測モデル学習処理ルーチンの内容を示すフローチャートである。 本発明の実施の形態に係る最適配置推定装置における最適配置推定処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して、本発明の実施の形態について説明する。

＜本発明の実施の形態の概要＞
本発明の実施の形態では、乗用旅客車両の移動需要に関する様々なデータから、現時刻から将来までの乗用旅客車両の移動需要量を表すＯＤ表（Ｏｒｉｇｉｎ Ｄｅｓｔｉｎａｔｉｏｎ Ｔａｂｌｅ：ある地点からある地点へ移動したい人の数を記録した行列）を予測し、予測したＯＤ表を元に、ある乗用旅客車両について、現在からある将来までの期間に最も乗車率（実稼働率）が高くなる目的地（客を待つ場所）を推定する。これにより、乗用旅客車両の実稼働率が向上し、乗用旅客車両の収入が最大化される。また、人の移動需要を効率的に満たし、都市の混雑緩和が実現される。

＜最適配置推定システムのシステム構成＞
図１に示すように、本発明の実施の形態に係る最適配置推定システム１００は、最適配置推定装置１０と、基地局５０と、複数の車両に搭載された複数の車載器６０と、を備え、基地局５０と最適配置推定装置１０とは、インターネットなどのネットワーク７０で接続されており、基地局５０と車載器６０とは、無線通信により接続されている。

車載器６０は、ＣＰＵと、ＲＡＭと、プログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。

図２に示すように、車載器６０は、測位部６２と、目的地推定要求部６４と、表示部６６と、通信部６８と、を備えている。

測位部６２は、ＧＰＳセンサを用いて自車両位置を測定し、自車両位置の測定結果及び自車両の識別情報を、通信部６８を介して、最適配置推定装置１０へ送信する。ここで、自車両位置の測定結果は、測定時刻を含む。

表示部６６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部６６は、タッチパネル方式を採用しており、入力部としても機能する。

目的地推定要求部６４は、表示部６６への入力により乗車率が最も高くなる目的地の推定要求を受け付けると、現在の自車両位置を含む、乗車率が最も高くなる目的地の推定要求を、通信部６８を介して、最適配置推定装置１０へ送信する。

目的地推定要求部６４は、乗車率が最も高くなる目的地の推定要求に対する推定結果を、最適配置推定装置１０から受信すると、推定結果である目的地を、表示部６６により表示する。

最適配置推定装置１０は、例えば、サーバで構成される。図３は、本実施の形態の最適配置推定装置１０のハードウェア構成を示すブロック図である。

図３に示すように、最適配置推定装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１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、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４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。本実施形態では、ＲＯＭ１２又はストレージ１４には、最適な配置を推定するための最適配置推定プログラムが格納されている。最適配置推定プログラムは、１つのプログラムであっても良いし、複数のプログラム又はモジュールで構成されるプログラム群であっても良い。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、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。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

通信インタフェース１７は、車載器６０を含む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、Ｗｉ−Ｆｉ（登録商標）等の規格が用いられる。

次に、最適配置推定装置１０の機能構成について説明する。図４は、最適配置推定装置１０の機能構成の例を示すブロック図である。

最適配置推定装置１０は、機能的には、図４に示すように、データ収集部２０、データ記憶部２２、モデル学習部２４、予測モデル記憶部２６、推定要求受付部２８、需要予測部３０、時空間ネットワーク生成部３２、最適経路導出部３４、及び目的地出力部３６を備えている。

データ収集部２０は、各車載器６０から受信した各乗用旅客車両の自車両位置の測定結果及び識別情報を収集し、データ記憶部２２に格納する。

データ記憶部２２には、各乗用旅客車両から収集した、識別情報と、自車両位置の測定結果の時系列データとが記憶されている（図５参照）。ただし、図５のｔ１、ｔ２・・・は、測定時刻の情報を表すベクトルであり、ｘ１１、ｘ１２・・・は、自車両位置の情報を表すベクトルであり、左の添え字が時刻の添え字に対応し、右の添え字が座標軸に対応している。

モデル学習部２４は、データ記憶部２２に格納された、各乗用旅客車両についての、自車両位置の測定結果及び識別情報に基づいて、各時刻について、地点間の移動需要量を表すＯＤ表を生成し、各時刻について生成されたＯＤ表に基づいて、将来の時刻のＯＤ表を予測するための予測モデルを学習し、学習した予測モデルを、予測モデル記憶部２６に格納する。

具体的には、データ記憶部２２に記憶されている自車両位置の測定結果の時系列データから、時間と出発地（領域）と目的地（領域）とを特定し、図６に示すように、各時刻について、地点間の移動需要量を表すＯＤ表を生成する。また、予測モデルとして、例えば、ある時刻ｔより前（幅は任意）のＯＤ表を入力し、時刻ｔのＯＤ表を出力するニューラルネットワークを学習し、予測モデル記憶部２６に格納する。

推定要求受付部２８は、車載器６０から受信した、乗車率が最も高くなる目的地の推定要求を受け付ける。

需要予測部３０は、データ記憶部２２に格納された、各乗用旅客車両についての、自車両位置の測定結果及び識別情報に基づいて、過去の各時刻について、地点間の移動需要量を表すＯＤ表を生成し、予測モデル記憶部２６に格納された予測モデルを用いて、過去の各時刻について生成されたＯＤ表から、将来の各時刻におけるＯＤ表を予測する。

具体的には、データ記憶部２２に記憶されている自車両位置の測定結果の時系列データから、時間と出発地（領域）と目的地（領域）とを特定し、過去の各時刻について、地点間の移動需要量を表すＯＤ表を生成する。予測モデル記憶部２６に格納された予測モデルとしてのニューラルネットワークを用いて、将来の各時刻ｔに対し、当該時刻ｔより前のＯＤ表から、将来の当該時刻ｔのＯＤ表を予測する。

時空間ネットワーク生成部３２は、需要予測部３０によって予測した、将来の各時刻におけるＯＤ表から、将来の各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードと有向エッジで接続され、各有向エッジには報酬が付与されている時空間ネットワークを生成する。具体的には、時空間ネットワークの各ノードは、次時刻以降の時刻であって、ノード間の移動時間に応じた時刻についてのノードと有向エッジで接続され、各有向エッジには、時刻における前記地点間の移動体の移動需要量に応じた報酬が付与されるように、時空間ネットワークを生成する。

ここで、地点間の移動時間は、事前に与えられているものとする。例えば、カーナビ等の情報から、地点間の移動時間を得る。

例えば、地点「１」から地点「３」へ向かって有向エッジを接続する際に、地点「１」から地点「３」への移動にかかる時間に対応するレイヤにおける地点「３」のノードと有向エッジを接続する（図７参照）。ここで、地点「１」から地点「３」３への移動に時間がΔ３だけかかるなら、時刻ｔのレイヤの地点「１」から、時刻ｔ＋Δ３のレイヤの地点「３」へ、有向エッジを接続する。また、異なるレイヤにおける同じ地点間には、あるパラメータσだけ移動に時間がかかるものとして有向エッジで接続する。ただし、以下の式でパラメータσを求めたり、過去の当該地点の領域内の平均移動時間を、パラメータσとして与えたりする。

σ＝（１つの地点を表す領域の１辺の長さ［ｋｍ］÷２）÷平均移動速度

また、有向エッジに与える報酬としては、対応するＯＤ表の値を用いる。例えば時刻ｔ＝１０時であり、時刻ｔのＯＤ表における地点「１」から地点「３」への移動需要量が１５０人である場合には、当該有向エッジに、「報酬＝１５０」を与える。

各レイヤの各ノードについて、上述した他のレイヤの各ノードに向かって有向エッジを接続する作業を繰り返し行うことで、時空間ネットワークを生成する。

最適経路導出部３４は、生成された時空間ネットワークについて、推定要求を送信した乗用旅客車両の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める。

具体的には、現在の時刻をｔ、現在位置に対応する地点のマップＩＤをｉ、終了時間（たとえば乗用旅客車両を用いた仕事を終える時間）をｔ’とし、これらを時空間制約とすると、当該時空間制約の下で必要となる時空間ネットワークは、生成した時空間ネットワークの時刻ｔのレイヤから時刻ｔ’のレイヤまでを切り出してきたものとなる。

また、乗車率が最も高くなるのは、常に移動する人数が多いところに居るときである。これを達成するには、上記時空間ネットワークにおいて、始点を、時刻ｔのレイヤの地点（ＩＤ ＝ ｉ）として、時刻ｔ’までに移動する有向エッジの報酬の和が最大となる経路を探索すればよい。

ただし、現在時刻及び現在位置に対応する、時空間ネットワーク上のノードから出ている有向エッジの重みは０にする。当該有向エッジに対応する移動中は利益が発生しないからである。

上記累積報酬が最大となる経路を求める問題は、全有向エッジの報酬の各々に−１をかけた上記時空間ネットワークに対して、ベルマンフォード法を適用し、累積報酬が最小となる経路を導出することで容易に解ける。これは、上記時空間ネットワークには負閉路が存在しない（時間を遡って移動しない）ためである。

なお、ある時刻ｕにおいて、絶対に地点ｊに存在する必要がある場合には、上記時空間ネットワークにおいて、時刻ｕのレイヤの地点ｊに対応するノードを通らないパスとなる有向エッジの報酬をマイナス無限大にすればよい。これにより、時刻ｕのレイヤの地点ｊに対応するノードを通るパスが得られる。

目的地出力部３６は、最適経路導出部３４によって求められた経路の始点の次の地点を、当該乗用旅客車両の最適な配置となる目的地の推定結果として、当該乗用旅客車両の車載器６０へ、通信インタフェース１７を介して送信する。

＜最適配置推定システム１００の動作＞
次に、本発明の実施の形態に係る最適配置推定システム１００の動作について説明する。まず、複数の車両に搭載された複数の車載器６０の各々によって、ＧＰＳセンサを用いて自車両位置が測定され、自車両位置の測定結果及び自車両の識別情報が、基地局５０を介して、最適配置推定装置１０に送信され、最適配置推定装置１０のデータ記憶部２２に、各乗用旅客車両から収集した、識別情報と、自車両位置の測定結果の時系列データとが記憶される。

そして、最適配置推定装置１０において、図８に示す予測モデル学習処理ルーチンが実行される。

ステップＳ１００において、モデル学習部２４は、データ記憶部２２に格納された、各乗用旅客車両についての、自車両位置の測定結果及び識別情報に基づいて、各時刻について、地点間の移動需要量を表すＯＤ表を生成する。

ステップＳ１０２において、モデル学習部２４は、各時刻について生成されたＯＤ表に基づいて、各時刻ｔについて、当該時刻ｔより前のＯＤ表と、当該時刻ｔのＯＤ表とのペアを、学習データとして生成する。

ステップＳ１０４において、モデル学習部２４は、上記ステップＳ１０２で生成された学習データに基づいて、将来の時刻のＯＤ表を予測するための予測モデルを学習し、学習した予測モデルを、予測モデル記憶部２６に格納し、予測モデル学習処理ルーチンを終了する。

また、複数の車両に搭載された複数の車載器６０の各々によって、ＧＰＳセンサを用いて自車両位置が測定され、自車両位置の測定結果及び自車両の識別情報が、基地局５０を介して、最適配置推定装置１０に送信され、最適配置推定装置１０のデータ記憶部２２に、各乗用旅客車両から収集した、識別情報と、自車両位置の測定結果の時系列データとが記憶される。

そして、ある車載器６０から、目的地の推定要求が、最適配置推定装置１０へ送信されると、最適配置推定装置１０において、図９に示す最適配置推定処理ルーチンが実行される。

ステップＳ１１０において、需要予測部３０は、データ記憶部２２に格納された、各乗用旅客車両についての、自車両位置の測定結果及び識別情報に基づいて、各時刻について、地点間の移動需要量を表すＯＤ表を生成する。

ステップＳ１１２において、需要予測部３０は、各時刻について生成されたＯＤ表に基づいて、予測モデル記憶部２６に格納された予測モデルを用いて、将来の各時刻ｔに対し、当該時刻ｔより前のＯＤ表から、将来の当該時刻ｔのＯＤ表を予測する。

ステップＳ１１４において、時空間ネットワーク生成部３２は、需要予測部３０によって予測した、将来の各時刻におけるＯＤ表から、時空間ネットワークの各ノードは、次時刻以降の時刻であって、ノード間の移動時間に応じた時刻についてのノードと有向エッジで接続され、各有向エッジには、時刻における前記地点間の移動体の移動需要量に応じた報酬が付与されるように、時空間ネットワークを生成する。

ステップＳ１１６において、最適経路導出部３４は、生成された時空間ネットワークについて、推定要求に含まれている乗用旅客車両の現在位置を始点として累積報酬が最大となる経路を求める。

ステップＳ１１８において、最適経路導出部３４によって求められた経路の始点の次の地点を、当該乗用旅客車両の最適な配置となる目的地として、当該乗用旅客車両の車載器６０へ、通信インタフェース１７を介して送信し、最適配置推定処理ルーチンを終了する。

そして、当該乗用旅客車両の車載器６０は、最適配置推定装置１０から受信した、当該乗用旅客車両の最適な配置となる目的地を、表示部６６により表示する。当該乗用旅客車両の運転者は、当該目的地に向かって走行させる。

以上説明したように、本実施の形態に係る最適配置推定システムによれば、各時刻における地点間の移動需要量を表すＯＤ表から、各時刻について各地点に対応するノードを有し、各エッジには報酬が付与されている時空間ネットワークを生成し、配置対象の乗用旅客車両の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求め、求められた経路上の地点を、配置対象の乗用旅客車両の最適な配置として出力することにより、累積報酬が最大となる、配置対象の乗用旅客車両の配置を推定することができる。

なお、上記の実施の形態では、ＧＰＳセンサを用いて測定された乗用旅客車両の自車両位置を収集してＯＤ表を生成する場合を例に説明したが、これに限定されるものではなく、他の非集計データを収集してもよい。例えば、乗用旅客車両の利用客のＷｉ‐Ｆｉデータ・ＧＰＳデータ、天候データ、公共交通機関の乗車履歴、タクシー利用履歴などを、ＯＤ表の前段階の情報として収集して、ＯＤ表を生成するようにしてもよい。

また、乗用旅客車両の最適な配置を推定する場合を例に説明したが、これに限定されるものではなく、例えば、シェアカー用の車両、シェアサイクル用の自転車、人力車などの、移動により対価が発生する乗り物の最適な配置を推定するようにしてもよい。

シェアサイクル用の自転車の最適な配置を推定する場合には、過去のシェアサイクル用の自転車の移動履歴を表す時系列データを収集して、ＯＤ表を生成する。このＯＤ表から時空間ネットワークを生成し、配置対象の自転車の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求め、求められた経路上の始点の次の地点を、最適な配置として推定し、その場所に、配置対象の自転車を移動させればよい。また、地点間の移動時間は、マップアプリ等の情報から得ればよい。

シェアカー用の車両の最適な配置を推定する場合には、過去のシェアカー用の車両の移動履歴を表す時系列データを収集して、ＯＤ表を生成する。このＯＤ表から時空間ネットワークを生成し、配置対象の車両の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求め、求められた経路上の始点の次の地点を、最適な配置として推定し、その場所に、配置対象の車両を移動させればよい。

人力車の最適な配置を推定する場合には、過去の人力車の移動履歴を表す時系列データを収集して、ＯＤ表を生成する。このＯＤ表から時空間ネットワークを生成し、配置対象の人力車の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求め、求められた経路上の始点の次の地点を、最適な配置として推定し、その場所に、配置対象の人力車を移動させればよい。また、地点間の移動時間は、マップアプリ等の情報から得ればよい。

また、配置対象となる乗用旅客車両やシェアカー用の車両が、自動運転車両であってもよい。

また、予測モデルとして、ニューラルネットワークを用いる場合を例に説明したが、これに限定されるものではなく、ニューラルネットワーク以外のモデルを、予測モデルとして学習してもよい。

１０ 最適配置推定装置
１５ 入力部
１６ 表示部
２０ データ収集部
２２ データ記憶部
２４ モデル学習部
２６ 予測モデル記憶部
２８ 推定要求受付部
３０ 需要予測部
３２ 時空間ネットワーク生成部
３４ 最適経路導出部
３６ 目的地出力部
５０ 基地局
６０ 車載器
６２ 測位部
６４ 目的地推定要求部
６６ 表示部
６８ 通信部
７０ ネットワーク
１００ 最適配置推定システム

Claims (8)

1. 各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する時空間ネットワーク生成部と、
   前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める最適経路導出部と、
   前記最適経路導出部によって求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する出力部と、
   を含む最適配置推定装置。
2. 前記時空間ネットワーク生成部は、
   前記時空間ネットワークの各ノードが、次時刻以降の時刻であって、ノード間の移動時間に応じた時刻についてのノードと前記エッジで接続され、各エッジには、前記時刻における前記地点間の移動体の移動に関する情報に応じた報酬が付与されるように、前記時空間ネットワークを生成する請求項１記載の最適配置推定装置。
3. 将来の時刻における前記地点間の移動体の移動に関する情報を予測するための、予め学習された予測モデルを用いて、過去の各時刻における前記地点間の移動体の移動に関する情報から、将来の各時刻における前記地点間の移動体の移動に関する情報を予測する予測部を更に含み、
   前記時空間ネットワーク生成部は、前記予測部によって予測された、前記将来の各時刻における前記地点間の移動体の移動に関する情報から、前記将来の各時刻について各地点に対応するノードを有する前記時空間ネットワークを生成する請求項１又は２記載の最適配置推定装置。
4. 各移動体について、各時刻における前記移動体の移動位置を収集するデータ収集部と、
   前記データ収集部によって収集された、各移動体についての、各時刻における前記移動体の移動位置に基づいて、各時刻における前記地点間の移動体の移動に関する情報を生成し、前記生成された各時刻における前記地点間の移動体の移動に関する情報に基づいて、前記予測モデルを学習する学習部と、
   を更に含む請求項３記載の最適配置推定装置。
5. 前記地点間の移動体の移動に関する情報は、一方の地点を、前記移動体の出発地とし、他方の地点を、目的地とした移動体の移動需要量を表すＯＤ表である請求項１〜請求項４の何れか１項記載の最適配置推定装置。
6. 前記移動体は、移動に応じて報酬が発生する移動体である請求項１〜請求項５の何れか１項記載の最適配置推定装置。
7. 前記移動体は、乗用旅客車両、シェアカー用の車両、シェアサイクル用の自転車、又は人力車である請求項１〜請求項６の何れか１項記載の最適配置推定装置。
8. コンピュータを、
   各時刻における地点間の移動体の移動に関する情報から、各時刻について各地点に対応するノードを有し、各ノードは、次時刻以降についてのノードとエッジで接続され、各エッジには報酬が付与されている時空間ネットワークを生成する時空間ネットワーク生成部、
   前記時空間ネットワークについて、配置対象の移動体の現在位置を始点として、予め定められた時空間制約における累積報酬が最大となる経路を求める最適経路導出部、及び
   前記最適経路導出部によって求められた経路上の地点を、前記配置対象の移動体の最適な配置として出力する出力部
   として機能させるための最適配置推定プログラム。
   

Images