JP2021135784A - Learning device and inference device - Google Patents

Learning device and inference device Download PDF

Info

Publication number
JP2021135784A
JP2021135784A JP2020031916A JP2020031916A JP2021135784A JP 2021135784 A JP2021135784 A JP 2021135784A JP 2020031916 A JP2020031916 A JP 2020031916A JP 2020031916 A JP2020031916 A JP 2020031916A JP 2021135784 A JP2021135784 A JP 2021135784A
Authority
JP
Japan
Prior art keywords
transportation
learning
learning model
unit
loading
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.)
Granted
Application number
JP2020031916A
Other languages
Japanese (ja)
Other versions
JP7399568B2 (en
Inventor
静也 海村
Shizuya Kaimura
静也 海村
雄一 田川
Yuichi Tagawa
雄一 田川
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2020031916A priority Critical patent/JP7399568B2/en
Publication of JP2021135784A publication Critical patent/JP2021135784A/en
Priority to JP2023179939A priority patent/JP2023174889A/en
Application granted granted Critical
Publication of JP7399568B2 publication Critical patent/JP7399568B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

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

Abstract

To enable efficiently generating a transportation plan corresponding to a designated transportation condition.SOLUTION: A data acquisition section 101 acquires a plurality pieces of transportation result data indicating transportation results. A learning model creation section 102 performs learning using the plurality pieces of transportation result data to create a learning model for inferring a value used to generate the transportation plan corresponding to the designated transportation condition.SELECTED DRAWING: Figure 1

Description

本開示は、輸送計画の生成に関する。 The present disclosure relates to the generation of transportation plans.

輸送計画業務では、各所から求められる輸送要求を入力として制約条件（輸送手段［航空機、艦船、車両等］、積載サイズ、積載及び卸下時間、移動所要時間等）を満たし、かつコストを極力抑えることができる最適な輸送手段の割当と輸送順序の決定を行っている。 In the transportation planning business, the constraints (transportation means [aircraft, ships, vehicles, etc.], loading size, loading and unloading time, travel time, etc.) are satisfied by inputting the transportation requests required from various places, and the cost is suppressed as much as possible. We are allocating the most suitable means of transportation and determining the order of transportation.

従来技術では、輸送計画をエネルギー関数の最小化問題として定式化して、このエネルギー関数の最小状態を求めることにより、輸送手段の割当と輸送順序の最適解を探索する最適解探索方法がある（例えば、特許文献１参照）。従来技術ではエネルギー関数の中に制約条件を表す制約項を設け、設定した目標値を満たす最適解を求める手法が提案されている。 In the prior art, there is an optimum solution search method for finding the optimum solution for the allocation of transportation means and the transportation order by formulating the transportation plan as a minimization problem of the energy function and finding the minimum state of this energy function (for example). , Patent Document 1). In the prior art, a method has been proposed in which a constraint term representing a constraint condition is provided in the energy function and an optimum solution satisfying the set target value is obtained.

特開平８−１５３０８５号公報Japanese Unexamined Patent Publication No. 8-153805

しかし、特許文献１の技術では、目標値の設定方法や制約条件の変化に伴う目標値の再設定までは考慮されていない。
各所から求められる輸送要求は輸送手段に適した積載単位に整理されていないことも多い。このような場合には、輸送手段に応じて輸送物資の集約及び分割が必要となる。しかしながら、特許文献１の技術では、このような輸送物資の積載単位の調整も人手に依存しており、迅速な輸送計画の生成の妨げとなっている。
また、特許文献１の技術は、輸送所要時間（積載卸下時間＋移動所要時間）の設定についても同様に人手に依存している。輸送所要時間の変更頻度は低いものの計画精度への影響が大きいため適切な条件設定が正確であり、輸送計画の生成の妨げとなっている。 However, in the technique of Patent Document 1, the method of setting the target value and the resetting of the target value due to the change of the constraint condition are not taken into consideration.
In many cases, the transportation requirements required by various places are not organized into loading units suitable for the means of transportation. In such a case, it is necessary to consolidate and divide the transported goods according to the means of transportation. However, in the technique of Patent Document 1, such adjustment of the loading unit of the transported goods also depends on manpower, which hinders the rapid generation of the transportation plan.
Further, the technique of Patent Document 1 also depends on manpower for setting the required transportation time (loading / unloading time + moving required time). Although the frequency of changes in the transportation time is low, it has a large effect on the planning accuracy, so appropriate condition setting is accurate, which hinders the generation of the transportation plan.

本開示は、指定された輸送条件に対応する輸送計画を効率的に生成できるようにすることを主な目的とする。 A main object of the present disclosure is to enable efficient generation of transportation plans corresponding to specified transportation conditions.

本開示に係る学習装置は、
輸送実績が示される複数の輸送実績データを取得するデータ取得部と、
前記複数の輸送実績データを用いた学習を行って、指定された輸送条件に対応する輸送計画の生成に用いられる値を推論するための学習モデルを生成する学習モデル生成部とを有する。 The learning device according to the present disclosure is
A data acquisition unit that acquires multiple transportation record data showing the transportation record,
It has a learning model generation unit that generates a learning model for inferring a value used for generating a transportation plan corresponding to a specified transportation condition by performing learning using the plurality of transportation record data.

本開示によれば、指定された輸送条件に対応する輸送計画を効率的に生成することができる。 According to the present disclosure, it is possible to efficiently generate a transportation plan corresponding to a specified transportation condition.

実施の形態１に係る情報処理システムの構成例を示す図。The figure which shows the configuration example of the information processing system which concerns on Embodiment 1. FIG. 実施の形態１に係る学習装置の構成例を示す図。The figure which shows the structural example of the learning apparatus which concerns on Embodiment 1. FIG. 実施の形態１に係る推論装置の構成例を示す図。The figure which shows the structural example of the inference apparatus which concerns on Embodiment 1. FIG. 実施の形態１に係る学習フェーズの例を示す図。The figure which shows the example of the learning phase which concerns on Embodiment 1. FIG. 実施の形態１に係る学習装置の動作例を示すフローチャート。The flowchart which shows the operation example of the learning apparatus which concerns on Embodiment 1. 実施の形態１に係る活用フェーズの例を示す図。The figure which shows the example of the utilization phase which concerns on Embodiment 1. FIG. 実施の形態１に係る学習装置の動作例を示すフローチャート。The flowchart which shows the operation example of the learning apparatus which concerns on Embodiment 1. 実施の形態１に係るニューラルネットワークの例を示すフローチャート。The flowchart which shows the example of the neural network which concerns on Embodiment 1.

実施の形態１．
本実施の形態では、過去の輸送実績を教師データとした学習を行って輸送計画の生成に用いられる値（以下、輸送計画値という）を推論するための学習モデルを生成する。そして、本実施の形態では、生成された学習モデルを用いて輸送計画値を推論する。この結果、指定された輸送条件に対応する輸送計画を効率的かつ迅速に生成することができる。
なお、輸送計画値とは、本実施の形態では、輸送物資の積載単位、積載卸下時間及び移動所要時間である。 Embodiment 1.
In the present embodiment, a learning model for inferring a value used for generating a transportation plan (hereinafter referred to as a transportation plan value) is generated by learning using the past transportation results as teacher data. Then, in the present embodiment, the transportation plan value is inferred using the generated learning model. As a result, it is possible to efficiently and quickly generate a transportation plan corresponding to the specified transportation conditions.
In the present embodiment, the transportation plan value is the loading unit, loading / unloading time, and movement required time of the transported goods.

＊＊＊構成の説明＊＊＊
図１は、本実施の形態に係る情報処理システム３００を示す。
情報処理システム３００は、学習装置１００と推論装置２００から構成される。
学習装置１００は、過去の輸送実績データから輸送計画値を推論するための学習モデルを生成する。
推論装置２００は、学習装置１００が生成した学習モデルを用いて、輸送条件に対応した輸送計画に用いる輸送計画値を推論する。
図１では、図示を省略しているが、推論装置２００は、例えば、ネットワークを介して後述する輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に接続される。推論装置２００は、輸送計画値を輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に出力する。
図１では、学習装置１００と推論装置２００を異なるコンピュータで実現しているが、学習装置１００と推論装置２００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００の任意の組合せを１つのコンピュータで実現してもよい。さらに、学習装置１００と推論装置２００が、クラウドサーバ上に存在していてもよい。同様に、輸送所要時間算出装置８００と輸送割当スケジューリング装置９００もクラウドサーバ上に存在していてもよい。 *** Explanation of configuration ***
FIG. 1 shows an information processing system 300 according to the present embodiment.
The information processing system 300 includes a learning device 100 and an inference device 200.
The learning device 100 generates a learning model for inferring a transportation plan value from past transportation performance data.
The inference device 200 infers the transportation plan value used for the transportation plan corresponding to the transportation conditions by using the learning model generated by the learning device 100.
Although not shown in FIG. 1, the inference device 200 is connected to, for example, a transportation time required calculation device 800 and a transportation allocation scheduling device 900, which will be described later, via a network. The inference device 200 outputs the transportation plan value to the transportation required time calculation device 800 and the transportation allocation scheduling device 900.
In FIG. 1, the learning device 100 and the inference device 200 are realized by different computers, but the learning device 100 and the inference device 200 may be realized by one computer. Further, the learning device 100, the inference device 200, the transportation required time calculation device 800, and the transportation allocation scheduling device 900 may be realized by one computer. Further, any combination of the learning device 100, the inference device 200, the transportation required time calculation device 800, and the transportation allocation scheduling device 900 may be realized by one computer. Further, the learning device 100 and the inference device 200 may exist on the cloud server. Similarly, the transportation required time calculation device 800 and the transportation allocation scheduling device 900 may also exist on the cloud server.

学習装置１００において、データ取得部１０１は、輸送実績が示される複数の輸送実績データを取得する。 In the learning device 100, the data acquisition unit 101 acquires a plurality of transportation record data showing the transportation record.

学習モデル生成部１０２は、データ取得部１０１により取得された複数の輸送実績データを用いた学習を行って、輸送計画値を推論するための学習モデルを生成する。 The learning model generation unit 102 performs learning using a plurality of transportation record data acquired by the data acquisition unit 101, and generates a learning model for inferring the transportation plan value.

推論装置２００において、輸送条件取得部２０１は、輸送条件を取得する。 In the inference device 200, the transportation condition acquisition unit 201 acquires the transportation condition.

推論部２０２は、学習モデル生成部１０２により生成された学習モデルを用いて、輸送条件に対応する輸送計画値を推論する。そして、学習モデル生成部１０２は、推論した輸送計画値を輸送所要時間算出装置８００と輸送割当スケジューリング装置９００に出力する。 The inference unit 202 infers the transportation plan value corresponding to the transportation condition by using the learning model generated by the learning model generation unit 102. Then, the learning model generation unit 102 outputs the inferred transportation plan value to the transportation required time calculation device 800 and the transportation allocation scheduling device 900.

図２は、学習装置１００のハードウェア構成例を示す。 FIG. 2 shows an example of the hardware configuration of the learning device 100.

学習装置１００は、ハードウェアとして、プロセッサ１５１、主記憶装置１５２、補助記憶装置１５３及び通信装置１５４を備える。
補助記憶装置１５３には、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置１５３から主記憶装置１５２にロードされる。そして、プロセッサ１５１がこれらプログラムを実行して、データ取得部１０１及び学習モデル生成部１０２の動作を行う。
図２では、プロセッサ１５１がデータ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行している状態を模式的に表している。 The learning device 100 includes a processor 151, a main storage device 152, an auxiliary storage device 153, and a communication device 154 as hardware.
The auxiliary storage device 153 stores a program that realizes the functions of the data acquisition unit 101 and the learning model generation unit 102.
These programs are loaded from the auxiliary storage device 153 into the main storage device 152. Then, the processor 151 executes these programs to operate the data acquisition unit 101 and the learning model generation unit 102.
FIG. 2 schematically shows a state in which the processor 151 is executing a program that realizes the functions of the data acquisition unit 101 and the learning model generation unit 102.

図３は、推論装置２００のハードウェア構成例を示す。 FIG. 3 shows an example of the hardware configuration of the inference device 200.

推論装置２００は、ハードウェアとして、プロセッサ２５１、主記憶装置２５２、補助記憶装置２５３及び通信装置２５４を備える。
補助記憶装置２５３には、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置２５３から主記憶装置２５２にロードされる。そして、プロセッサ２５１がこれらプログラムを実行して、輸送条件取得部２０１及び推論部２０２の動作を行う。
図３では、プロセッサ２５１が輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行している状態を模式的に表している。 The inference device 200 includes a processor 251, a main storage device 252, an auxiliary storage device 253, and a communication device 254 as hardware.
The auxiliary storage device 253 stores a program that realizes the functions of the transport condition acquisition unit 201 and the inference unit 202.
These programs are loaded from the auxiliary storage device 253 into the main storage device 252. Then, the processor 251 executes these programs to operate the transport condition acquisition unit 201 and the inference unit 202.
FIG. 3 schematically shows a state in which the processor 251 is executing a program that realizes the functions of the transportation condition acquisition unit 201 and the inference unit 202.

＊＊＊動作の説明＊＊＊
以下では、学習装置１００による学習フェーズと推論装置２００による活用フェーズを説明する。 *** Explanation of operation ***
Hereinafter, the learning phase by the learning device 100 and the utilization phase by the inference device 200 will be described.

＜学習フェーズ＞
図４は、学習装置１００による学習フェーズの例を示す。
図４の（１）は、輸送物資から積載単位、輸送手段及び積載卸下時間を推論するための学習モデルを生成する例を示す。
図４の（２）は、輸送手段及び輸送区間から移動所要時間を推論するための学習モデルを生成する例を示す。
なお、輸送物資とは輸送される物資である。積載単位とは輸送物資を輸送手段に積載する際の単位（重さ、寸法、個数等）である。輸送手段には、航空機、艦船、車両等が含まれる。積載卸下時間とは、輸送物資の積載及び卸下に要する時間である。輸送区間とは、輸送の出発地から目的地までの区間である。移動所要時間は、輸送区間を輸送手段で移動した場合に要する時間である。 <Learning phase>
FIG. 4 shows an example of a learning phase by the learning device 100.
FIG. 4 (1) shows an example of generating a learning model for inferring the loading unit, the means of transportation, and the loading and unloading time from the transported goods.
FIG. 4 (2) shows an example of generating a learning model for inferring the travel time required from the transportation means and the transportation section.
The transported goods are the goods to be transported. The loading unit is a unit (weight, size, number, etc.) for loading the transported goods on the transportation means. Transportation means include aircraft, ships, vehicles and the like. The loading and unloading time is the time required for loading and unloading the transported goods. The transportation section is a section from the starting point to the destination of transportation. The travel time is the time required when traveling in the transportation section by transportation means.

図４の（１）では、学習装置１００は、過去の輸送実績が示される複数の輸送実績データ（１）４０１を学習用データとして用いて学習モデル（１）５０１を生成する。なお、学習モデル（１）５０１は第１の学習モデルに相当する。
データ取得部１０１は、複数の輸送実績データ（１）４０１を取得する。
輸送実績データ（１）４０１には、入力１−１として輸送物資が示され、入力１−２として積載単位、輸送手段及び積載卸下時間が示される。つまり、輸送実績データ（１）４０１には、入力１−１の輸送物資に対して実際に適用された積載単位、輸送手段が入力１−２として示される。また、輸送実績データ（１）４０１には、入力１−１の輸送物資を入力１−２の積載単位で輸送手段に積載した場合の積載卸下時間が入力１−２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（１）４０１を学習して、輸送条件として指定された輸送物資から対応する積載単位、輸送手段及び積載卸下時間を推論するための学習モデル（１）５０１を生成する。つまり、学習モデル生成部１０２は、入力１−２の値（積載単位、輸送手段及び積載卸下時間）を入力１−１の値（輸送物資）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送物資から最適な積載単位、輸送手段及び積載卸下時間を出力することができる学習モデル（１）５０１を生成する。
学習モデル生成部１０２は、生成した学習モデル（１）５０１を推論装置２００に出力する。なお、学習モデル生成部１０２は後述する学習モデル（２）５０２とともに学習モデル（１）５０１を推論装置２００に出力してもよい。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（１）５０１を格納する。 In FIG. 4 (1), the learning device 100 generates a learning model (1) 501 by using a plurality of transportation record data (1) 401 showing past transportation records as learning data. The learning model (1) 501 corresponds to the first learning model.
The data acquisition unit 101 acquires a plurality of transportation record data (1) 401.
In the transportation record data (1) 401, the transportation material is shown as input 1-1, and the loading unit, the transportation means, and the loading and unloading time are shown as input 1-2. That is, in the transportation record data (1) 401, the loading unit and the transportation means actually applied to the transportation material of the input 1-1 are shown as the input 1-2. Further, in the transportation record data (1) 401, the loading / unloading time when the transportation material of the input 1-1 is loaded on the transportation means in the loading unit of the input 1-2 is shown as the input 1-2.
Then, the learning model generation unit 102 learns a plurality of transportation record data (1) 401 to infer the corresponding loading unit, transportation means, and loading / unloading time from the transportation goods designated as the transportation conditions. Model (1) 501 is generated. That is, the learning model generation unit 102 learns by using the value of input 1-2 (loading unit, transportation means, and loading / unloading time) as the correct answer to the value of input 1-1 (transported goods). Then, the learning model generation unit 102 generates a learning model (1) 501 capable of outputting the optimum loading unit, transportation means, and loading / unloading time from the transported goods designated as the transportation conditions.
The learning model generation unit 102 outputs the generated learning model (1) 501 to the inference device 200. The learning model generation unit 102 may output the learning model (1) 501 to the inference device 200 together with the learning model (2) 502 described later.
When the learning device 100 and the inference device 200 are realized by the same computer, the learning model generation unit 102 stores the learning model (1) 501 in a default storage area.

図４の（２）では、学習装置１００は、過去の輸送実績が示される複数の輸送実績データ（２）４０２を学習用データとして用いて学習モデル（２）５０２を生成する。学習モデル（２）５０２は第２の学習モデルに相当する。
データ取得部１０１は、複数の輸送実績データ（２）４０２を取得する。
輸送実績データ（２）４０２には、入力２−１として輸送手段と輸送区間が示され、入力２−２として移動所要時間が示される。つまり、輸送実績データ（２）４０２には、入力２−１の輸送手段で入力２−１の輸送区間を移動した場合に実際に発生した移動所要時間が入力２−２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（２）４０２を学習して、輸送条件として指定された輸送手段と輸送区間から対応する移動所要時間を推論するための学習モデル（２）５０２を生成する。つまり、学習モデル生成部１０２は、入力２−２の値（移動所要時間）を入力２−１の値（輸送手段及び輸送区間）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送手段と輸送区間から最適な移動所要時間を出力することができる学習モデル（２）５０２を生成する。
学習モデル生成部１０２は、生成した学習モデル（２）５０２を推論装置２００に出力する。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（２）５０２を格納する。 In FIG. 4 (2), the learning device 100 generates a learning model (2) 502 by using a plurality of transportation record data (2) 402 showing past transportation records as learning data. The learning model (2) 502 corresponds to the second learning model.
The data acquisition unit 101 acquires a plurality of transportation record data (2) 402.
In the transportation record data (2) 402, the transportation means and the transportation section are shown as input 2-1 and the travel time required is shown as input 2-2. That is, in the transportation record data (2) 402, the movement required time actually generated when the transportation section of the input 2-1 is moved by the transportation means of the input 2-1 is shown as the input 2-2.
Then, the learning model generation unit 102 learns a plurality of transportation record data (2) 402 and infers the corresponding travel time required from the transportation means and the transportation section designated as the transportation conditions (2). Generate 502. That is, the learning model generation unit 102 performs learning by using the value of input 2-2 (time required for movement) as the correct answer for the value of input 2-1 (transportation means and transportation section). Then, the learning model generation unit 102 generates a learning model (2) 502 capable of outputting the optimum travel time required from the transportation means and the transportation section designated as the transportation conditions.
The learning model generation unit 102 outputs the generated learning model (2) 502 to the inference device 200.
When the learning device 100 and the inference device 200 are realized by the same computer, the learning model generation unit 102 stores the learning model (2) 502 in a default storage area.

学習モデル生成部１０２が用いる学習アルゴリズムとして、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。一例として、学習モデル生成部１０２が用いる学習アルゴリズムにニューラルネットワークを適用する例を説明する。
学習モデル生成部１０２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、積載単位、輸送手段、積載卸下時間及び移動所要時間を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。 As the learning algorithm used by the learning model generation unit 102, known algorithms such as supervised learning, unsupervised learning, and reinforcement learning can be used. As an example, an example of applying a neural network to the learning algorithm used by the learning model generation unit 102 will be described.
The learning model generation unit 102 learns the loading unit, the transportation means, the loading / unloading time, and the required travel time by, for example, according to a neural network model, by so-called supervised learning. Here, supervised learning refers to a method of learning a feature in those learning data by giving a set of input and result (label) data to a learning device, and inferring the result from the input.

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）及び複数のニューロンからなる出力層で構成される。中間層は、１層又は２層以上でもよい。 A neural network is composed of an input layer composed of a plurality of neurons, an intermediate layer (hidden layer) composed of a plurality of neurons, and an output layer composed of a plurality of neurons. The intermediate layer may be one layer or two or more layers.

例えば、図８に示すような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１‐Ｘ３）に入力されると、その値に重みＷ１（ｗ１１‐ｗ１６）を掛けて中間層（Ｙ１‐Ｙ２）に入力される。そして、その結果にさらに重みＷ２（ｗ２１‐ｗ２６）を掛けて出力層（Ｚ１‐Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。 For example, in the case of a three-layer neural network as shown in FIG. 8, when a plurality of inputs are input to the input layer (X1-X3), the value is multiplied by the weight W1 (w11-w16) to form an intermediate layer (w11-w16). It is input to Y1-Y2). Then, the result is further multiplied by the weight W2 (w21-w26) and output from the output layer (Z1-Z3). This output result depends on the values of the weights W1 and W2.

本実施の形態では、２つのニューラルネットワークを使用する。 In this embodiment, two neural networks are used.

図４の（１）の学習で用いられるニューラルネットワークは、データ取得部１０１によって取得される入力１−１、入力１−２（正解）の組合せに基づいて作成される輸送実績データ（１）４０１（学習用データ）に従って、いわゆる教師あり学習により、積載単位、輸送手段及び積載卸下時間の出力を学習する。 The neural network used in the learning of (1) in FIG. 4 is the transportation record data (1) 401 created based on the combination of the input 1-1 and the input 1-2 (correct answer) acquired by the data acquisition unit 101. According to (learning data), the output of loading unit, transportation means, and loading / unloading time is learned by so-called supervised learning.

すなわち、ニューラルネットワークは、入力層に入力１−１を入力して出力層から出力された結果が、入力１−２（正解）に近づくように重みＷ１とＷ２を調整することで学習する。 That is, the neural network learns by inputting the input 1-1 to the input layer and adjusting the weights W1 and W2 so that the result output from the output layer approaches the input 1-2 (correct answer).

学習モデル生成部１０２は、以上のような学習を実行することで学習モデル（１）５０１を生成し、出力する。
図４の（２）の学習も図４の（１）の学習と同様の手順で行われる。 The learning model generation unit 102 generates and outputs the learning model (1) 501 by executing the above learning.
The learning of FIG. 4 (2) is performed in the same procedure as the learning of FIG. 4 (1).

図５は、学習装置１００の動作例を示すフローチャートである。
先ず、図４の（１）のケースを説明する。 FIG. 5 is a flowchart showing an operation example of the learning device 100.
First, the case (1) of FIG. 4 will be described.

ステップＳ５０１において、データ取得部１０１が輸送実績データ（１）４０１を取得する。なお、ここでは、輸送実績データ（１）４０１として入力１−１、入力１−２を同時に取得するものとするが、入力１−１、入力１−２を関連づけて入力できればよい。このため、データ取得部１０１は、入力１−１、入力１−２のデータをそれぞれ別のタイミングで取得してもよい。 In step S501, the data acquisition unit 101 acquires the transportation record data (1) 401. Here, it is assumed that the input 1-1 and the input 1-2 are acquired at the same time as the transportation record data (1) 401, but it is sufficient that the input 1-1 and the input 1-2 can be input in association with each other. Therefore, the data acquisition unit 101 may acquire the data of the input 1-1 and the input 1-2 at different timings.

次に、ステップＳ５０２において、学習モデル生成部１０２が入力１−１、入力１−２の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により学習モデル（１）５０１を生成する。つまり、学習モデル生成部１０２は、輸送物資と、積載単位と輸送手段と積載卸下時間との関係を学習し、輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論するための学習モデル（１）５０１を生成する Next, in step S502, the learning model generation unit 102 generates the learning model (1) 501 by so-called supervised learning according to the learning data created based on the combination of the inputs 1-1 and the inputs 1-2. That is, the learning model generation unit 102 learns the relationship between the transportation goods, the loading unit, the transportation means, and the loading / unloading time, and the loading unit, the transportation means, and the loading / unloading time of the transported goods specified as the transportation conditions. To generate a learning model (1) 501 for inferring

最後に、ステップＳ５０３において、学習モデル生成部１０２は推論装置２００に学習モデル（１）５０１を出力する。 Finally, in step S503, the learning model generation unit 102 outputs the learning model (1) 501 to the inference device 200.

次に、図４の（２）のケースを説明する。 Next, the case (2) of FIG. 4 will be described.

ステップＳ５０１において、データ取得部１０１が輸送実績データ（２）４０２を取得する。なお、ここでは、輸送実績データ（１）４０１として入力２−１、入力２−２を同時に取得するものとするが、入力２−１、入力２−２を関連づけて入力できればよい。このため、データ取得部１０１は、入力２−１、入力２−２のデータをそれぞれ別のタイミングで取得してもよい。 In step S501, the data acquisition unit 101 acquires the transportation record data (2) 402. Here, it is assumed that the input 2-1 and the input 2-2 are acquired at the same time as the transportation record data (1) 401, but it is sufficient that the input 2-1 and the input 2-2 can be input in association with each other. Therefore, the data acquisition unit 101 may acquire the data of the input 2-1 and the input 2-2 at different timings.

次に、ステップＳ５０２において、学習モデル生成部１０２が入力２−１、入力２−２の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により学習モデル（２）５０２を生成する。つまり、学習モデル生成部１０２は、輸送手段と輸送区間と、移動所要時間との関係を学習し、輸送条件として指定された輸送区間を輸送条件として指定された輸送手段で移動した場合の移動所要時間を推論するための学習モデル（２）５０２を生成する。 Next, in step S502, the learning model generation unit 102 generates the learning model (2) 502 by so-called supervised learning according to the learning data created based on the combination of the inputs 2-1 and the inputs 2-2. That is, the learning model generation unit 102 learns the relationship between the transportation means, the transportation section, and the required travel time, and travels when the transportation section designated as the transportation condition is moved by the transportation means designated as the transportation condition. A learning model (2) 502 for inferring time is generated.

最後に、ステップＳ５０３において、学習モデル生成部１０２は推論装置２００に学習モデル（２）５０２を出力する。 Finally, in step S503, the learning model generation unit 102 outputs the learning model (2) 502 to the inference device 200.

＜活用フェーズ＞
図６は、推論装置２００による活用フェーズの例を示す。
活用フェーズでは、推論装置２００は、輸送条件（１）６０１及び輸送条件（２）６０２を取得する。そして、推論装置２００は、学習モデル（１）５０１及び学習モデル（２）５０２を用いて輸送計画値（１）７０１、輸送計画値（２）７０２及び輸送計画値（３）７０３を出力する。より具体的には、推論装置２００は、輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。また、推論装置２００は、輸送計画値（２）７０２と輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。
輸送所要時間算出装置８００は、輸送計画値（２）７０２と輸送計画値（３）７０３から輸送所要時間を算出する。そして、輸送所要時間算出装置８００は、算出した輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。
輸送割当スケジューリング装置９００は、輸送計画値（１）７０１と輸送計画値（４）７０４から輸送計画である輸送割当スケジュールを生成する。 <Utilization phase>
FIG. 6 shows an example of the utilization phase by the inference device 200.
In the utilization phase, the inference device 200 acquires the transportation condition (1) 601 and the transportation condition (2) 602. Then, the inference device 200 outputs the transportation plan value (1) 701, the transportation plan value (2) 702, and the transportation plan value (3) 703 by using the learning model (1) 501 and the learning model (2) 502. More specifically, the inference device 200 outputs the transportation plan value (1) 701 to the transportation allocation scheduling device 900. Further, the inference device 200 outputs the transportation plan value (2) 702 and the transportation plan value (3) 703 to the transportation required time calculation device 800.
The transportation required time calculation device 800 calculates the transportation required time from the transportation planned value (2) 702 and the transportation planned value (3) 703. Then, the transportation required time calculation device 800 outputs the calculated transportation planning value (4) 704 indicating the calculated transportation required time to the transportation allocation scheduling device 900.
The transportation allocation scheduling device 900 generates a transportation allocation schedule which is a transportation plan from the transportation plan value (1) 701 and the transportation plan value (4) 704.

図６では、説明の便宜上、輸送条件取得部２０１を輸送条件取得部（１）２０１１と輸送条件取得部（２）２０１２に分けている。同様に、推論部２０２を推論部（１）２０２１と推論部（２）２０２２に分けている。輸送条件取得部２０１は二段階の動作を行うため、各段階に対応させた説明を行うために、輸送条件取得部２０１を輸送条件取得部（１）２０１１と輸送条件取得部（２）２０１２に分けている。同様に、推論部２０２も二段階の動作を行うため、各段階に対応させた説明を行うために、推論部２０２を推論部（１）２０２１と推論部（２）２０２２に分けている。このような理由であるため、実際には、輸送条件取得部２０１が輸送条件取得部（１）２０１１の動作と輸送条件取得部（２）２０１２の動作を行う。また、推論部２０２が推論部（１）２０２１の動作と推論部（２）２０２２の動作を行う。 In FIG. 6, for convenience of explanation, the transportation condition acquisition unit 201 is divided into a transportation condition acquisition unit (1) 2011 and a transportation condition acquisition unit (2) 2012. Similarly, the inference unit 202 is divided into an inference unit (1) 2021 and an inference unit (2) 2022. Since the transportation condition acquisition unit 201 performs a two-step operation, the transportation condition acquisition unit 201 is assigned to the transportation condition acquisition unit (1) 2011 and the transportation condition acquisition unit (2) 2012 in order to give an explanation corresponding to each stage. It is divided. Similarly, since the inference unit 202 also performs a two-stage operation, the inference unit 202 is divided into an inference unit (1) 2021 and an inference unit (2) 2022 in order to give an explanation corresponding to each stage. For this reason, the transportation condition acquisition unit 201 actually operates the transportation condition acquisition unit (1) 2011 and the transportation condition acquisition unit (2) 2012. Further, the inference unit 202 performs the operation of the inference unit (1) 2021 and the operation of the inference unit (2) 2022.

輸送条件取得部（１）２０１１は、輸送条件（１）６０１を取得する。輸送条件（１）６０１には、入力１−１として輸送物資が示される。
輸送条件（１）６０１に示される輸送物資は、例えば、輸送割当スケジューリング装置９００のユーザに指定される。 The transportation condition acquisition unit (1) 2011 acquires the transportation condition (1) 601. The transportation condition (1) 601 indicates the transportation material as input 1-1.
Transport conditions (1) The transport goods shown in 601 are designated, for example, by the user of the transport allocation scheduling device 900.

推論部（１）２０２１は、学習モデル（１）５０１を用いて、輸送条件（１）６０１で指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する。
そして、推論部（１）２０２１は、積載単位が出力１−１として示される輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。
また、推論部（１）２０２１は、輸送手段が出力１−２として示される輸送条件（３）６０３を輸送条件取得部（２）２０１２に出力する。
また、推論部（１）２０２１は、積載卸下時間が出力３−１として示される輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。 The inference unit (1) 2021 infers the loading unit, the transportation means, and the loading / unloading time of the transported goods specified in the transportation conditions (1) 601 using the learning model (1) 501.
Then, the inference unit (1) 2021 outputs the transportation plan value (1) 701 whose loading unit is indicated as the output 1-1 to the transportation allocation scheduling device 900.
Further, the inference unit (1) 2021 outputs the transportation condition (3) 603 indicated as the output 1-2 by the transportation means to the transportation condition acquisition unit (2) 2012.
Further, the inference unit (1) 2021 outputs the transportation plan value (3) 703, which is indicated as the output 3-1 of the loading / unloading time, to the transportation required time calculation device 800.

輸送条件取得部（２）２０１２は、輸送条件（２）６０２を取得する。輸送条件（２）６０２には、入力２−１として輸送区間が示される。輸送条件（２）６０２に示される輸送区間は、例えば、輸送割当スケジューリング装置９００のユーザに指定される。
また、輸送条件取得部（２）２０１２は、推論部（１）２０２１から輸送条件（３）６０３を取得する。輸送条件（３）６０３には、入力２−１として、輸送手段が示される。 The transportation condition acquisition unit (2) 2012 acquires the transportation condition (2) 602. In the transportation condition (2) 602, the transportation section is indicated as the input 2-1. The transportation section shown in the transportation condition (2) 602 is designated, for example, by the user of the transportation allocation scheduling device 900.
Further, the transportation condition acquisition unit (2) 2012 acquires the transportation condition (3) 603 from the inference unit (1) 2021. In the transportation condition (3) 603, the transportation means is indicated as the input 2-1.

推論部（２）２０２２は、学習モデル（２）５０２を用いて、輸送条件（２）６０２で指定された輸送区間を輸送条件（３）６０３で指定された輸送手段で移動した場合の移動所要時間を推論する。
そして、推論部（２）２０２２は、移動所要時間が出力２−１として示される輸送計画値（２）７０２を輸送所要時間算出装置８００に出力する。 The inference unit (2) 2022 uses the learning model (2) 502 to move the transportation section specified in the transportation condition (2) 602 by the transportation means specified in the transportation condition (3) 603. Infer time.
Then, the inference unit (2) 2022 outputs the transportation plan value (2) 702, which is indicated as the output 2-1 of the movement required time, to the transportation required time calculation device 800.

輸送所要時間算出装置８００は、輸送計画値（２）７０２の移動所要時間と輸送計画値（３）７０３の積載卸下時間とを加算して、輸送所要時間を得る。輸送所要時間は、積載卸下時間を含む、輸送条件（１）６０１の輸送物資を輸送条件（３）６０３の輸送手段により輸送条件（２）６０２の輸送区間で輸送する場合の所要時間である。
輸送所要時間算出装置８００は、輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。 The transportation required time calculation device 800 adds the movement required time of the transportation planned value (2) 702 and the loading / unloading time of the transportation planned value (3) 703 to obtain the transportation required time. The transportation time is the time required to transport the goods under the transportation conditions (1) 601 including the loading and unloading time by the transportation means under the transportation conditions (3) 603 in the transportation section under the transportation conditions (2) 602. ..
The transportation required time calculation device 800 outputs the transportation planned value (4) 704 indicating the transportation required time to the transportation allocation scheduling device 900.

輸送割当スケジューリング装置９００は、輸送計画値（１）７０１に示される輸送物資、輸送計画値（４）７０４に示される輸送所要時間に加えて、輸送要求（輸送期日や輸送優先度等）、制約条件（輸送手段の稼働状況、輸送人員数等）に基づき輸送条件を満たす輸送計画を生成する。そして、輸送割当スケジューリング装置９００は、生成した輸送計画を出力する。輸送割当スケジューリング装置９００は、省コストで短時間に輸送する計画を出力するために組合せ最適化技術を適用するが、スケジューリングの方法については、これに限られるものではない。 In the transportation allocation scheduling device 900, in addition to the transportation goods shown in the transportation planning value (1) 701 and the transportation required time shown in the transportation planning value (4) 704, the transportation request (transportation date, transportation priority, etc.), constraints, etc. Generate a transportation plan that meets the transportation conditions based on the conditions (operating status of transportation means, number of transportation personnel, etc.). Then, the transportation allocation scheduling device 900 outputs the generated transportation plan. The transport allocation scheduling apparatus 900 applies combinatorial optimization technology in order to output a plan for transporting in a short time at low cost, but the scheduling method is not limited to this.

図７は、推論装置２００の動作例を示すフローチャートである。 FIG. 7 is a flowchart showing an operation example of the inference device 200.

ステップＳ７０１において、輸送条件取得部２０１が輸送条件（１）６０１を取得する。 In step S701, the transportation condition acquisition unit 201 acquires the transportation condition (1) 601.

次に、ステップＳ７０２において、推論部２０２が輸送条件（１）６０１を学習モデル（１）５０１に適用して積載単位（出力１−１）と輸送手段（出力１−２）と積載卸下時間（出力３−１）を得る。推論部２０２は、輸送条件（３）６０３を輸送条件取得部（２）２０１２に出力する。 Next, in step S702, the inference unit 202 applies the transportation conditions (1) 601 to the learning model (1) 501, and the loading unit (output 1-1), the transportation means (output 1-2), and the loading / unloading time. (Output 3-1) is obtained. The inference unit 202 outputs the transportation condition (3) 603 to the transportation condition acquisition unit (2) 2012.

ステップＳ７０３において、輸送条件取得部２０１が輸送条件（２）６０２と輸送条件（３）６０３を取得する。 In step S703, the transportation condition acquisition unit 201 acquires the transportation condition (2) 602 and the transportation condition (3) 603.

ステップＳ７０４において、推論部２０２が輸送条件（２）６０２と輸送条件（３）６０３を学習モデル（２）５０２に適用して移動所要時間（出力２−１）を得る。 In step S704, the inference unit 202 applies the transportation conditions (2) 602 and the transportation conditions (3) 603 to the learning model (2) 502 to obtain the movement required time (output 2-1).

ステップＳ７０５において、推論部２０２が輸送計画値（１）７０１及び輸送計画値（３）７０３を出力する。 In step S705, the inference unit 202 outputs the transportation plan value (1) 701 and the transportation plan value (3) 703.

また、ステップＳ７０６において、推論部２０２が輸送計画値（２）７０２を出力する。 Further, in step S706, the inference unit 202 outputs the transportation plan value (2) 702.

なお、図７の例では、推論部２０２はステップＳ７０５において輸送計画値（１）７０１及び輸送計画値（３）７０３を出力する。これに代えて、推論部２０２は、輸送条件（３）６０３の出力と同じタイミングで輸送計画値（１）７０１及び輸送計画値（３）７０３を出力するようにしてもよい。 In the example of FIG. 7, the inference unit 202 outputs the transportation plan value (1) 701 and the transportation plan value (3) 703 in step S705. Instead, the inference unit 202 may output the transportation plan value (1) 701 and the transportation plan value (3) 703 at the same timing as the output of the transportation condition (3) 603.

＊＊＊実施の形態の効果の説明＊＊＊
本実施の形態によれば、指定された輸送条件に対応する輸送計画を効率的に生成することができる。
より具体的には、本実施の形態によれば、輸送手段に適した積載単位への集約及び分割を自動化し高速化を図るとともに、輸送所要時間の精度を向上することで迅速かつ正確な輸送計画を生成することができる。 *** Explanation of the effect of the embodiment ***
According to the present embodiment, it is possible to efficiently generate a transportation plan corresponding to the specified transportation conditions.
More specifically, according to the present embodiment, quick and accurate transportation is achieved by automating and speeding up the aggregation and division into loading units suitable for the transportation means and improving the accuracy of the transportation time. A plan can be generated.

特に、本実施の形態は、非通常時の輸送計画の生成に効果を奏する。
例えば、自然災害の発生、疫病の蔓延、テロの発生、大規模イベントの開催等があった場合は、輸送条件が平時と異なる。このような非通常時には、例えば、利用可能な輸送手段、輸送経路が限られる等の事態が想定される。このため、非通常時では、平時とは異なる状況に応じた輸送計画を策定する必要がある。限られた時間内で人手により非通常時の輸送計画の策定を行うことは負担が高く、迅速かつ正確な輸送計画の策定が困難である。
このような非通常時に輸送計画を迅速かつ正確に生成するために、データ取得部１０１が非通常時の輸送実績が示される複数の輸送実績データを取得する。そして、学習モデル生成部１０２が非通常時の輸送条件に対応する輸送計画値を推論するための学習モデル（１）５０１及び学習モデル（２）５０２を生成する。また、輸送条件取得部２０１が非通常時の輸送条件を取得し、推論部２０２が、非通常時の輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデル（１）５０１及び学習モデル（２）５０２を用いて、非通常時の輸送条件に対応する輸送計画値を推論する。
このようにすることで、非通常時にも状況に応じた輸送計画を迅速かつ正確に生成することができる。 In particular, this embodiment is effective in generating an unusual transportation plan.
For example, if there is a natural disaster, epidemic spread, terrorism, large-scale event, etc., the transportation conditions will be different from normal times. In such an unusual time, for example, a situation is assumed in which the available transportation means and transportation routes are limited. For this reason, it is necessary to formulate a transportation plan according to the situation different from normal times during unusual times. It is burdensome to manually formulate an unusual transportation plan within a limited time, and it is difficult to formulate a quick and accurate transportation plan.
In order to quickly and accurately generate a transportation plan during such an abnormal time, the data acquisition unit 101 acquires a plurality of transportation record data showing the transportation record during the abnormal time. Then, the learning model generation unit 102 generates a learning model (1) 501 and a learning model (2) 502 for inferring a transportation plan value corresponding to an unusual transportation condition. Further, a learning model (1) generated by learning using a plurality of transportation record data in which the transportation condition acquisition unit 201 acquires the transportation conditions in the abnormal time and the inference unit 202 shows the transportation results in the abnormal time. Using 501 and the learning model (2) 502, the transport plan value corresponding to the transport conditions during the abnormal time is inferred.
By doing so, it is possible to quickly and accurately generate a transportation plan according to the situation even during unusual times.

＊＊＊その他＊＊＊
なお、本実施の形態では、学習アルゴリズムとして学習モデル生成部１０２が教師あり学習アルゴリズムを用いる例を説明した。しかし、用いられる学習アルゴリズムは、これに限られるものではない。学習アルゴリズムについては、教師あり学習アルゴリズム以外にも、強化学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム等を適用することも可能である。 ***others***
In this embodiment, an example in which the learning model generation unit 102 uses the supervised learning algorithm as the learning algorithm has been described. However, the learning algorithm used is not limited to this. As for the learning algorithm, in addition to the supervised learning algorithm, it is also possible to apply a reinforcement learning algorithm, an unsupervised learning algorithm, a semi-supervised learning algorithm, or the like.

また、学習モデル生成部１０２、複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。
なお、学習モデル生成部１０２は、同一のエリアの複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習モデル生成部１０２は、異なるエリアで独立して動作する複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習用データの収集に用いる輸送割当スケジューリング装置９００を後から追加することも可能であるし、後から除外することも可能である。
更に、ある輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ａという）の輸送計画に基づく輸送実績データを用いて得られた学習モデルを、輸送割当スケジューリング装置９００Ａとは別の輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ｂという）の輸送計画の生成のために用いることも可能である。また、学習モデル生成部１０２が輸送割当スケジューリング装置９００Ｂの輸送計画に基づく輸送実績データを用いた再学習を行い、学習モデルを更新してもよい。 Further, the transportation record data based on the transportation plan generated by the learning model generation unit 102 and the plurality of transportation allocation scheduling devices 900 may be used as the learning data.
The learning model generation unit 102 may use the transportation record data based on the transportation plan generated by the plurality of transportation allocation scheduling devices 900 in the same area as the learning data. Further, the learning model generation unit 102 may use the transportation record data based on the transportation plan generated by the plurality of transportation allocation scheduling devices 900 operating independently in different areas as the learning data. Further, the transport allocation scheduling device 900 used for collecting the learning data can be added later, or can be excluded later.
Further, a learning model obtained by using the transportation record data based on the transportation plan of a certain transportation allocation scheduling device 900 (referred to as transportation allocation scheduling device 900A) is used as a transportation allocation scheduling device 900 (transportation) different from the transportation allocation scheduling device 900A. It can also be used to generate a transportation plan for the allocation scheduling device 900B). Further, the learning model generation unit 102 may perform re-learning using the transportation record data based on the transportation plan of the transportation allocation scheduling device 900B, and update the learning model.

また、学習モデル生成部１０２の学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもできる。また、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシン等に従って機械学習を実行してもよい。 Further, as the learning algorithm of the learning model generation unit 102, deep learning, which learns the extraction of the feature amount itself, can also be used. Machine learning may also be performed according to other known methods such as genetic programming, functional logic programming, support vector machines and the like.

＊＊＊ハードウェア構成の補足説明＊＊＊
最後に、学習装置１００及び推論装置２００のハードウェア構成の補足説明を行う。
図２及び図３に示すプロセッサ１５１及びプロセッサ２５１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
図２及び図３に示す主記憶装置１５２及び主記憶装置２５２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
図２及び図３に示す補助記憶装置１５３及び補助記憶装置２５３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
図２及び図３に示す通信装置１５４及び通信装置２５４は、は、データの通信処理を実行する電子回路である。
通信装置１５４及び通信装置２５４は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。 *** Supplementary explanation of hardware configuration ***
Finally, a supplementary explanation of the hardware configurations of the learning device 100 and the inference device 200 will be given.
The processor 151 and the processor 251 shown in FIGS. 2 and 3 are a CPU (Central Processing Unit), a DSP (Digital Signal Processor), and the like.
The main storage device 152 and the main storage device 252 shown in FIGS. 2 and 3 are RAMs (Random Access Memory).
The auxiliary storage device 153 and the auxiliary storage device 253 shown in FIGS. 2 and 3 are a ROM (Read Only Memory), a flash memory, an HDD (Hard Disk Drive), and the like.
The communication device 154 and the communication device 254 shown in FIGS. 2 and 3 are electronic circuits that execute data communication processing.
The communication device 154 and the communication device 254 are, for example, a communication chip or a NIC (Network Interface Card).

また、補助記憶装置１５３及び補助記憶装置２５３には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）も記憶されている。
そして、ＯＳの少なくとも一部がプロセッサ１５１及びプロセッサ２５１により実行される。
プロセッサ１５１はＯＳの少なくとも一部を実行しながら、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行する。
プロセッサ１５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
プロセッサ２５１はＯＳの少なくとも一部を実行しながら、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行する。
プロセッサ２５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。 Further, the OS (Operating System) is also stored in the auxiliary storage device 153 and the auxiliary storage device 253.
Then, at least a part of the OS is executed by the processor 151 and the processor 251.
The processor 151 executes a program that realizes the functions of the data acquisition unit 101 and the learning model generation unit 102 while executing at least a part of the OS.
When the processor 151 executes the OS, task management, memory management, file management, communication control, and the like are performed.
The processor 251 executes a program that realizes the functions of the transportation condition acquisition unit 201 and the inference unit 202 while executing at least a part of the OS.
When the processor 251 executes the OS, task management, memory management, file management, communication control, and the like are performed.

また、データ取得部１０１及び学習モデル生成部１０２の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置１５２、補助記憶装置１５３、プロセッサ１５１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、輸送条件取得部２０１及び推論部２０２の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置３５２、補助記憶装置２５３、プロセッサ２５１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
同様に、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。 Further, at least one of the information, data, signal value, and variable value indicating the processing result of the data acquisition unit 101 and the learning model generation unit 102 is a register and a cache in the main storage device 152, the auxiliary storage device 153, and the processor 151. It is stored in at least one of the memories.
Further, at least one of the information, data, signal value, and variable value indicating the processing result of the transport condition acquisition unit 201 and the inference unit 202 is the main storage device 352, the auxiliary storage device 253, the register in the processor 251 and the cache memory. It is stored in at least one of.
Further, the program that realizes the functions of the data acquisition unit 101 and the learning model generation unit 102 is stored in a portable recording medium such as a magnetic disk, a flexible disk, an optical disk, a compact disk, a Blu-ray (registered trademark) disk, or a DVD. May be good. Then, a portable recording medium in which a program that realizes the functions of the data acquisition unit 101 and the learning model generation unit 102 is stored may be distributed.
Similarly, a program that realizes the functions of the transport condition acquisition unit 201 and the inference unit 202 is stored in a portable recording medium such as a magnetic disk, a flexible disk, an optical disk, a compact disk, a Blu-ray (registered trademark) disk, or a DVD. May be good. Then, a portable recording medium in which a program that realizes the functions of the transportation condition acquisition unit 201 and the inference unit 202 may be stored may be distributed.

また、データ取得部１０１及び学習モデル生成部１０２の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
同様に、輸送条件取得部２０１及び推論部２０２の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
また、学習装置１００は、処理回路により実現されてもよい。同様に、推論装置２００も処理回路により実現されてもよい。
処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。 Further, the "unit" of the data acquisition unit 101 and the learning model generation unit 102 may be read as "circuit" or "process" or "procedure" or "process".
Similarly, the "part" of the transportation condition acquisition unit 201 and the inference unit 202 may be read as "circuit" or "process" or "procedure" or "processing".
Further, the learning device 100 may be realized by a processing circuit. Similarly, the inference device 200 may also be realized by a processing circuit.
The processing circuit is, for example, a logic IC (Integrated Circuit), a GA (Gate Array), an ASIC (Application Specific Integrated Circuit), or an FPGA (Field-Programmable Gate Array).

１００ 学習装置、１０１ データ取得部、１０２ 学習モデル生成部、１５１ プロセッサ、１５２ 主記憶装置、１５３ 補助記憶装置、１５４ 通信装置、２００ 推論装置、２０１ 輸送条件取得部、２０２ 推論部、２５１ プロセッサ、２５２ 主記憶装置、２５３ 補助記憶装置、２５４ 通信装置、３００ 情報処理システム、４０１ 輸送実績データ（１）、４０２ 輸送実績データ（２）、５０１ 学習モデル（１）、５０２ 学習モデル（２）、６０１ 輸送条件（１）、６０２ 輸送条件（２）、６０３ 輸送条件（３）、７０１ 輸送計画値（１）、７０２ 輸送計画値（２）、７０３ 輸送計画値（３）、７０４ 輸送計画値（４）、８００ 輸送所要時間算出装置、９００ 輸送割当スケジューリング装置、２０１１ 輸送条件取得部（１）、２０１２ 輸送条件取得部（２）、２０２１ 推論部（１）、２０２２ 推論部（２）。 100 learning device, 101 data acquisition unit, 102 learning model generator, 151 processor, 152 main memory, 153 auxiliary storage device, 154 communication device, 200 inference device, 201 transportation condition acquisition unit, 202 inference unit, 251 processor, 252 Main storage device, 253 auxiliary storage device, 254 communication device, 300 information processing system, 401 transportation record data (1), 402 transportation record data (2), 501 learning model (1), 502 learning model (2), 601 transportation Conditions (1), 602 Transport conditions (2), 603 Transport conditions (3), 701 Transport plan values (1), 702 Transport plan values (2), 703 Transport plan values (3), 704 Transport plan values (4) , 800 Transport time calculation device, 900 Transport allocation scheduling device, 2011 Transport condition acquisition unit (1), 2012 Transport condition acquisition unit (2), 2021 Reasoning unit (1), 2022 Reasoning unit (2).

Claims (8)

輸送実績が示される複数の輸送実績データを取得するデータ取得部と、
前記複数の輸送実績データを用いた学習を行って、指定された輸送条件に対応する輸送計画の生成に用いられる値を推論するための学習モデルを生成する学習モデル生成部とを有する学習装置。 A data acquisition unit that acquires multiple transportation record data showing the transportation record,
A learning device having a learning model generation unit that performs learning using the plurality of transportation record data and generates a learning model for inferring a value used for generating a transportation plan corresponding to a specified transportation condition. 前記データ取得部は、
前記輸送実績として、輸送物資と、前記輸送物資の積載単位と、前記輸送物資の輸送手段と、前記輸送物資の積載及び卸下に要する時間である積載卸下時間とが示される複数の輸送実績データを取得し、
前記学習モデル生成部は、
前複数の輸送実績データを用いて、輸送物資と、積載単位と輸送手段と積載卸下時間との関係を学習し、前記輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論するための学習モデルを生成する請求項１に記載の学習装置。 The data acquisition unit
As the transportation record, a plurality of transportation records showing the transportation material, the loading unit of the transportation material, the transportation means of the transportation material, and the loading / unloading time which is the time required for loading and unloading the transportation material. Get the data,
The learning model generation unit
Using the previous multiple transportation record data, we learned the relationship between the transportation goods, the loading unit, the transportation means, and the loading and unloading time, and the loading unit, the transportation means, and the loading and unloading of the transportation goods specified as the transportation conditions. The learning device according to claim 1, wherein a learning model for inferring time is generated. 前記データ取得部は、
前記輸送実績として、輸送手段と、輸送区間と、前記輸送区間を前記輸送手段で移動した際に要した移動所要時間とが示される複数の輸送実績データを取得し、
前記学習モデル生成部は、
前記複数の輸送実績データを用いて、輸送手段と輸送区間と、移動所要時間との関係を学習し、前記輸送条件として指定された輸送区間を前記輸送条件として指定された輸送手段で移動した場合の移動所要時間を推論するための学習モデルを生成する請求項１に記載の学習装置。 The data acquisition unit
As the transportation record, a plurality of transportation record data showing the transportation means, the transportation section, and the travel time required when the transportation section is moved by the transportation means are acquired.
The learning model generation unit
When the relationship between the transportation means, the transportation section, and the required travel time is learned by using the plurality of transportation record data, and the transportation section designated as the transportation condition is moved by the transportation means designated as the transportation condition. The learning device according to claim 1, wherein a learning model for inferring the travel time required for the vehicle is generated. 前記データ取得部は、
非通常時の輸送実績が示される複数の輸送実績データを取得し、
前記学習モデル生成部は、
非通常時の輸送条件に対応する輸送計画の生成に用いられる値を推論するための学習モデルを生成する請求項１に記載の学習装置。 The data acquisition unit
Acquire multiple transportation record data showing the transportation record during abnormal times,
The learning model generation unit
The learning apparatus according to claim 1, wherein a learning model for inferring a value used for generating a transportation plan corresponding to an unusual transportation condition is generated. 輸送条件を取得する輸送条件取得部と、
輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデルを用いて、前記輸送条件に対応する輸送計画の生成に用いられる値を推論する推論部とを有する推論装置。 The transportation condition acquisition department that acquires transportation conditions, and the transportation condition acquisition department
An inference device having an inference unit that infers a value used for generating a transportation plan corresponding to the transportation condition by using a learning model generated by learning using a plurality of transportation performance data showing the transportation performance. 前記輸送条件取得部は、
輸送物資が指定された輸送条件を取得し、
前記推論部は、
前記輸送実績として、輸送物資と、前記輸送物資の積載単位と、前記輸送物資の輸送手段と、前記輸送物資の積載及び卸下に要する時間である積載卸下時間とが示される複数の輸送実績データを用いて、輸送物資と、積載単位と輸送手段と積載卸下時間との関係を学習して生成された第１の学習モデルを用いて、前記輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する請求項５に記載の推論装置。 The transportation condition acquisition unit
The goods to be transported acquire the specified transportation conditions and
The inference unit
As the transportation record, a plurality of transportation records showing the transportation material, the loading unit of the transportation material, the transportation means of the transportation material, and the loading / unloading time which is the time required for loading and unloading the transportation material. Using the first learning model generated by learning the relationship between the transportation material, the loading unit, the transportation means, and the loading and unloading time using the data, the loading unit of the transportation material specified as the transportation condition is used. The inference device according to claim 5, wherein the inference means and the transportation means and the loading / unloading time are inferred. 前記輸送条件取得部は、
輸送区間と、前記第１の学習モデルを用いた推論により得られた輸送手段とが指定された輸送条件を取得し、
前記推論部は、
前記輸送実績として、輸送手段と、輸送区間と、前記輸送区間を前記輸送手段で移動した際に要した移動所要時間とが示される複数の輸送実績データを用いて、輸送手段と輸送区間と、移動所要時間との関係を学習して生成された第２の学習モデルを用いて、前記輸送条件として指定された輸送区間を前記輸送条件として指定された輸送手段で移動した場合の移動所要時間を推論する請求項６に記載の推論装置。 The transportation condition acquisition unit
Obtain the transportation conditions specified by the transportation section and the transportation means obtained by inference using the first learning model.
The inference unit
Using a plurality of transportation record data showing the transportation means, the transportation section, and the travel time required when the transportation section is moved by the transportation means as the transportation record, the transportation means and the transportation section, Using the second learning model generated by learning the relationship with the travel time, the travel time when the transportation section specified as the transportation condition is moved by the transportation means specified as the transportation condition is calculated. The inference device according to claim 6. 前記輸送条件取得部は、
非通常時の輸送条件を取得し、
前記推論部は、
非通常時の輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデルを用いて、前記非通常時の輸送条件に対応する輸送計画の生成に用いられる値を推論する請求項５に記載の推論装置。 The transportation condition acquisition unit
Get the transportation conditions during unusual times,
The inference unit
Claims to infer the value used to generate the transportation plan corresponding to the transportation conditions during the abnormal time by using the learning model generated by learning using a plurality of transportation performance data showing the transportation results during the abnormal time. Item 5. The inference device according to item 5.
JP2020031916A 2020-02-27 2020-02-27 reasoning device Active JP7399568B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020031916A JP7399568B2 (en) 2020-02-27 2020-02-27 reasoning device
JP2023179939A JP2023174889A (en) 2020-02-27 2023-10-19 learning device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020031916A JP7399568B2 (en) 2020-02-27 2020-02-27 reasoning device

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023179939A Division JP2023174889A (en) 2020-02-27 2023-10-19 learning device

Publications (2)

Publication Number Publication Date
JP2021135784A true JP2021135784A (en) 2021-09-13
JP7399568B2 JP7399568B2 (en) 2023-12-18

Family

ID=77661335

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020031916A Active JP7399568B2 (en) 2020-02-27 2020-02-27 reasoning device
JP2023179939A Pending JP2023174889A (en) 2020-02-27 2023-10-19 learning device

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023179939A Pending JP2023174889A (en) 2020-02-27 2023-10-19 learning device

Country Status (1)

Country Link
JP (2) JP7399568B2 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000020873A (en) * 1998-06-29 2000-01-21 Tadashi Yamamoto Vehicle delivery planning system
JP2003221120A (en) * 2002-01-30 2003-08-05 Yokogawa Electric Corp Physical distribution control system
JP2008201487A (en) * 2007-02-16 2008-09-04 Toyota Motor Corp Transportation plan preparing method and device
JP2010244247A (en) * 2009-04-03 2010-10-28 Jfe Steel Corp Delivery results collection system and vehicle allocation plan preparation method
WO2019235631A1 (en) * 2018-06-07 2019-12-12 パナソニックＩｐマネジメント株式会社 Demand prediction device and demand prediction method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000020873A (en) * 1998-06-29 2000-01-21 Tadashi Yamamoto Vehicle delivery planning system
JP2003221120A (en) * 2002-01-30 2003-08-05 Yokogawa Electric Corp Physical distribution control system
JP2008201487A (en) * 2007-02-16 2008-09-04 Toyota Motor Corp Transportation plan preparing method and device
JP2010244247A (en) * 2009-04-03 2010-10-28 Jfe Steel Corp Delivery results collection system and vehicle allocation plan preparation method
WO2019235631A1 (en) * 2018-06-07 2019-12-12 パナソニックＩｐマネジメント株式会社 Demand prediction device and demand prediction method

Also Published As

Publication number Publication date
JP7399568B2 (en) 2023-12-18
JP2023174889A (en) 2023-12-08

Similar Documents

Publication Publication Date Title
EP3446260B1 (en) Memory-efficient backpropagation through time
Seker et al. A neuro-fuzzy model for a new hybrid integrated Process Planning and Scheduling system
US20190244287A1 (en) Utilizing a machine learning model and blockchain technology to manage collateral
Krityakierne et al. SOP: parallel surrogate global optimization with Pareto center selection for computationally expensive single objective problems
da Costa et al. Learning 2-opt heuristics for routing problems via deep reinforcement learning
US20190251436A1 (en) High-speed processing method of neural network and apparatus using the high-speed processing method
Liao et al. Training neural networks via simplified hybrid algorithm mixing Nelder–Mead and particle swarm optimization methods
CN115699041A (en) Extensible transfer learning using expert models
JP2021086371A (en) Learning program, learning method, and learning apparatus
Kucharska et al. Extended learning method for designation of co-operation
KR20220116745A (en) Task plan generation method and apparatus based on a neural network
CN115587922A (en) Tensor blocking method and device and storage medium
Roseline et al. Crossover and mutation strategies applied in job shop scheduling problems
JP7399568B2 (en) reasoning device
US11989068B2 (en) Thermal and performance management
KR102561799B1 (en) Method and system for predicting latency of deep learning model in device
US20230023241A1 (en) Computer-readable recording medium storing machine learning program, information processing device, and machine learning method
US20220207381A1 (en) Computer-readable recording medium having stored therein vector estimating program, apparatus for estimating vector, and method for estimating vector
US20230014551A1 (en) Multi-class classification using a dual model
US20220206698A1 (en) Method and apparatus with memory management and neural network operation
JP7464115B2 (en) Learning device, learning method, and learning program
CN111985631B (en) Information processing apparatus, information processing method, and computer-readable recording medium
Kaushik et al. Software cost estimation using lstm-rnn
KR20210103912A (en) Method and apparatus for trining neural network, method and apparatus for processing data using neural network
Hubregtsen et al. Integration and Evaluation of Quantum Accelerators for Data-Driven User Functions

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220606

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230501

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230516

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230519

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230705

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231019

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20231031

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231205

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231205

R150 Certificate of patent or registration of utility model

Ref document number: 7399568

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150