JP2021179875A - イベント混雑予想プログラム - Google Patents

Abstract

【課題】イベント開催時における混雑を予想する。【解決手段】特定のイベント会場におけるイベント開催時における混雑を予想するイベント混雑予想プログラムにおいて、イベントの内容に関する内容情報とを取得する情報取得ステップと、過去開催されたイベントの内容に関する参照用内容情報と、上記特定のイベント会場及びその周辺における地図上に示される時系列的な混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した内容情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示する予想ステップとをコンピュータに実行させることを特徴とする。【選択図】図１

Description

本発明は、イベント開催時における混雑を予想するイベント混雑予想プログラムに関する。

コンサートやスポーツの試合、講演会、ディナーショー等のような各種イベントは毎年のように開催される。このようなイベントにおいて観客が多すぎて混雑する場合は、イベント会場が混乱してしまう場合もあることから、警備員を配置する等して観客を誘導し、事故等が起きないようにすることは通常行われている。
しかしながら、このような混雑がどの程度のものになるのかは、気象や交通情報、イベントの内容（観客の客層や、主演者等）に応じて異なるものであり、また混雑による混雑状況もこれに応じて異なる。これらのファクターを全て加味した上で混雑を予想し、これに応じた施策を事前に検討する労力の負担は大きく、これらの予想を自動的かつ高精度に行うことができる技術が従来より望まれていた。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、イベント開催時における混雑を予想するイベント混雑予想プログラムを提供することにある。

上述した課題を解決するために、本発明に係るイベント混雑予想プログラムは、特定のイベント会場におけるイベント開催時における混雑を予想するイベント混雑予想プログラムにおいて、イベントの内容に関する内容情報とを取得する情報取得ステップと、過去開催されたイベントの内容に関する参照用内容情報と、上記特定のイベント会場及びその周辺における地図上に示される時系列的な混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した内容情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示する予想ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、イベント開催時における混雑を高精度かつ自動的に予想することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用したイベント混雑予想プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用したイベント混雑予想プログラムが実装されるイベント混雑予想システム１の全体構成を示すブロック図である。イベント混雑予想システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

データベース３は、イベント混雑予想を行う上で必要な様々な情報が蓄積される。イベント混雑予想を行う上で必要な情報としては、過去開催されたイベントの内容に関する参照用内容情報、過去開催されたイベント時の気象に関する参照用気象情報、過去開催されたイベント時における警備員の配置状況に関する参照用配置状況情報、過去開催されたイベント時における各イベント会場に至るまでの交通に関する参照用交通情報、過去開催されたイベント時における外部環境に関する参照用外部環境情報がある。

つまり、データベース３には、このような参照用内容情報に加え、参照用気象情報、参照用配置状況情報、参照用交通情報、参照用外部環境情報の何れか１以上と、そのイベント開催時における混雑状況とが互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなるイベント混雑予想システム１における動作について説明をする。

イベント混雑予想システム１は、例えば図３に示すように、参照用内容情報が、入力データとなる。参照用地図情報とは、各イベント会場及び周辺における地図に関する情報である。参照用内容情報は、そのイベント会場において開催されるイベントの内容に関する情報である。ここでいうイベントは、コンサートやスポーツの試合、講演会、ディナーショー等、あらゆる種類のものが含まれる。参照用内容情報は、この開催されるイベントのジャンル、客層、主演者等が含まれる。これらの参照用内容情報は、ジャンル、客層、主演者の何れか１以上により類型化されてなるものであってもよい。例えば客層は、年齢層や男女別、趣味や嗜好により類型化されていてもよい。また主演者は、アイドルグループ、エンターテイナー、スポーツ選手等に類型化されていてもよい。

入力データとしては、このような参照用内容情報が並んでいる。このような入力データとしての参照用内容情報は、出力に連結している。この出力においては、出力解としての、混雑状況が表示されている。
ここでいう混雑状況は、地図上において示される混雑状況である。この混雑状況は、図４〜６に示すように、特定のイベント会場及びその周辺における地図上に示される時系列的な混雑状況を示すものである。図中のＫ１は最も混雑しており人の密度が高い状態を示しており、図中のＫ２は、やや混雑しており、人の密度はＫ１よりは低く、無印よりは高い状態であり、無印は、通常の歩道における人の密度であることを示している。仮に１８：３０にスタートする某イベントがイベント会場において開催され、その開場時間が１８時であるとき、図４は、１７：３０における混雑状況を、図５は、１７：４０における混雑状況を、図６は、１７：５０における混雑状況を示している。このように、混雑状況は、特定のイベント会場及びその周辺における地図上に時系列的な分布として表される。このような時系列な混雑状況を地図上で視認することで、最も混雑する領域Ｋ１、やや混雑する領域Ｋ２の事例列的な変化を視覚的に把握することが可能となる。

つまり、この参照用内容情報と、混雑状況のデータセットを通じて、参照用内容情報において生じた様々なデータから、実際のイベント会場やその周辺の混雑状況が分かる。つまり参照用内容情報のデータと混雑状況とがデータセットとなっている。このため、参照用内容情報と混雑状況のデータセットを集めておくことにより、過去どのようなイベントの内容のときに、混雑状況がどのように判定されたかを知ることが可能となる。
なお、学習データのデータセットを作る際には、混雑状況のデータは、実際にイベントの来場者が持参する携帯端末やスマートフォンから発信される位置情報や、街頭に設置された定点カメラにより撮像される画像を通じて取得することができる。また、本発明は、一のイベント会場に着目したイベント混雑予想システム１であり、一のイベント会場に対して作成したデータセットに基づいて、当該一のイベント会場のみにおける混雑予想を行うことに適したシステムである。他のイベント会場についても同様に混雑予想を行う場合には、当該他のイベント会場についても同様に、当該他のイベント会場及びその周辺の地図をベースとした混雑状況のデータを通じて学習させていく。

図３の例では、入力データとして例えば参照用内容情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用内容情報は、出力に連結している。この出力においては、出力解としての、混雑状況が表示されている。

参照用内容情報は、この出力解としての混雑状況に対して３段階以上の連関度を通じて互いに連関しあっている。参照用内容情報がこの連関度を介して左側に配列し、混雑状況が連関度を介して右側に配列している。連関度は、左側に配列された参照用内容情報に対して、何れの混雑状況と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用内容情報が、いかなる混雑状況に紐付けられる可能性が高いかを示す指標であり、参照用内容情報から最も確からしい混雑状況を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての混雑状況と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての混雑状況と互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用内容情報と、その場合の混雑状況の何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用内容情報Ｐ０１である場合に、過去の混雑状況の判定結果のデータから分析する。参照用内容情報Ｐ０１である場合に、混雑状況Ａの事例が多い場合には、この混雑状況Ａにつながる連関度をより高く設定し、混雑状況Ｃの事例が多い場合には、この混雑状況Ｃにつながる連関度をより高く設定する。例えば参照用内容情報Ｐ０１の例では、混雑状況Ａと混雑状況Ｃにリンクしているが、以前の事例から混雑状況Ａにつながるｗ１３の連関度を７点に、混雑状況Ｃにつながるｗ１４の連関度を２点に設定している。各混雑状況Ａ〜Ｄ毎にそれぞれ時系列的な混雑状況の分布が時刻毎、或いは時間間隔おきに示されている。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図７に示すように、入力データとして参照用内容情報が入力され、出力データとして各混雑状況が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に混雑状況が入力で参照用内容情報が出力となるように構成されていてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに混雑状況の判定を行う上で、上述した学習済みデータを利用して混雑状況を予測することとなる。かかる場合には、実際に新たに混雑状況を予想するイベントの内容情報を取得する。この内容情報は、上述した参照用内容情報と同種のデータで構成され、実際にこれから開催するイベントでしかも混雑の予想が必要なケースにおいて、当該イベントの内容に関する情報を入力することになる。

新たに取得する内容情報は、上述した情報取得部９により入力される。情報取得部９は、このような内容情報を電子データとして取得するようにしてもよい。

このようにして新たに取得した内容情報に基づいて、実際にその内容情報に対して、判定される可能性の高い混雑状況を探索する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した内容情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して混雑状況Ｂがｗ１５、混雑状況Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い混雑状況Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる混雑状況Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する内容情報から、判定すべき混雑状況を探索し、イベントの運営側や警備会社、更には役所側において、探索した混雑状況を把握することができる。この探索結果を見ることにより、これから開催するイベントにおけるそのイベント会場及びその周辺における混雑状況を把握することができ、即座にその現場に直行することができる。ちなみに、この混雑状況を出力する過程において、単に探索された混雑状況のみを表示する以外に、この混雑状況に基づいて、警備員配置をしたり、観客を誘導したり、入場制限をかけたり、交通機関と連動して便数を増やす等、各種施策を施すことができる。

図８の例では、入力データとして例えば参照用内容情報Ｐ０１〜Ｐ０３、参照用気象情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用内容情報に対して、参照用気象情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各混雑状況が表示されている。

図８の例では、参照用内容情報と、参照用気象情報との組み合わせが形成されていることが前提となる。参照用気象情報とは、過去開催されたイベント時の気象に関するデータであり、その日の気温、湿度、天気（晴れ、曇り、雨、雪等）、台風の接近状況、風向き、風の強さ等を示している。イベントの内容に加えてその日の天候も混雑状況に影響を及ぼすケースは多々あることから、実際にこの参照用気象情報は、参照用内容情報と組み合わせて解探索を行うことで混雑状況を高精度に予想することが可能となる。

図８の例では、入力データとして例えば参照用内容情報Ｐ０１〜Ｐ０３、参照用気象情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用内容情報に対して、参照用気象情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての混雑状況が表示されている。

参照用内容情報と参照用気象情報との各組み合わせ（中間ノード）は、この出力解としての混雑状況に対して３段階以上の連関度を通じて互いに連関しあっている。参照用内容情報と参照用気象情報がこの連関度を介して左側に配列し、混雑状況が連関度を介して右側に配列している。連関度は、左側に配列された参照用内容情報と参照用気象情報に対して、各混雑状況と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用内容情報と参照用気象情報が、いかなる混雑状況に紐付けられる可能性が高いかを示す指標であり、参照用内容情報と参照用気象情報から最も確からしい各混雑状況を選択する上での的確性を示すものである。内容情報に加え、その気象に応じて、混雑状況が変化する場合があり、これを踏まえて判断することができる。

図８の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用内容情報と参照用気象情報、並びにその場合の混雑状況の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用内容情報Ｐ０１で、参照用気象情報Ｐ１６である場合に、その混雑状況を過去のデータから分析する。混雑状況Ａの事例が多い場合には、この混雑状況Ａにつながる連関度をより高く設定し、混雑状況Ｂの事例が多く、混雑状況Ａの事例が少ない場合には、混雑状況Ｂにつながる連関度を高くし、混雑状況Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、混雑状況Ａと混雑状況Ｂの出力にリンクしているが、以前の事例から混雑状況Ａにつながるｗ１３の連関度を７点に、混雑状況Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図８に示す連関度の例で、ノード６１ｂは、参照用内容情報Ｐ０１に対して、参照用気象情報Ｐ１４の組み合わせのノードであり、混雑状況Ｃの連関度がｗ１５、混雑状況Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用内容情報Ｐ０２に対して、参照用気象情報Ｐ１５、Ｐ１７の組み合わせのノードであり、混雑状況Ｂの連関度がｗ１７、混雑状況Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから混雑状況判定のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに混雑状況の判定を内容情報に加え、気象情報を取得する。この気象情報は、上述した参照用気象情報に対応するものであり、その取得方法も同様である。ここでいう気象情報は、そのイベント開催時において予想される気象に関する気象情報であればよい。

このようにして新たに取得した内容情報、気象情報に基づいて、最適な混雑状況を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した内容情報がＰ０２と同一かこれに類似するものである場合であって、気象情報がＰ１７と同一かこれに類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、混雑状況Ｃがｗ１９、混雑状況Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い混雑状況Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる混雑状況Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図９は、上述した参照用内容情報と、参照用配置状況情報との組み合わせと、当該組み合わせに対する混雑状況との３段階以上の連関度が設定されている例を示している。

参照用配置状況情報とは、その参照用内容情報におけるイベント開催日において、警備員が地図上のいかなる位置に配置されていたかを示す情報である。この配置状況情報は、実際に警備員が持参する携帯端末やスマートフォンから発信される位置情報や、街頭に設置された定点カメラにより撮像される画像を通じて取得することができる。また、これ以外に、当日の警備員の配置状況が地図上において明確化されているデータが保存されているのであれば、それを利用するようにしてもよい。ちなみに、警備員は一般的な警備会社から派遣される警備員のみならず、観客を誘導する係員もこれに含まれる。

図９の例では、入力データとして例えば参照用内容情報Ｐ０１〜Ｐ０３、参照用配置状況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用内容情報に対して、参照用配置状況情報が組み合わさったものが、図９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、混雑状況が表示されている。

参照用内容情報と参照用配置状況情報との各組み合わせ（中間ノード）は、この出力解としての、混雑状況に対して３段階以上の連関度を通じて互いに連関しあっている。参照用内容情報と参照用配置状況情報がこの連関度を介して左側に配列し、混雑状況が連関度を介して右側に配列している。連関度は、左側に配列された参照用内容情報と参照用配置状況情報に対して、混雑状況と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用内容情報と参照配置状況情報が、いかなる混雑状況に紐付けられる可能性が高いかを示す指標であり、参照用内容情報と参照用配置状況情報から最も確からしい各混雑状況を選択する上での的確性を示すものである。内容情報に加え、警備員の配置状況に応じて上手く観客が誘導され、混雑が部分的に解消する場合もあるため、その配置状況を参照用配置状況情報として学習をさせておく。

探索装置２は、このような図９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用内容情報と参照用配置状況情報、並びにその場合の混雑状況が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用内容情報Ｐ０１で、参照用配置状況情報Ｐ２０である場合に、その混雑状況を過去のデータから分析する。また、この図９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。

図９に示す連関度の例で、ノード６１ｂは、参照用内容情報Ｐ０１に対して、参照用配置状況情報Ｐ１８の組み合わせのノードであり、混雑状況Ｃの連関度がｗ１５、混雑状況Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用内容情報Ｐ０２に対して、参照用配置状況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、混雑状況Ｂの連関度がｗ１７、混雑状況Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した内容情報に加え、これから混雑を予想しようとするそのイベント開催時における警備員の配置状況に関する配置状況情報を取得する。配置状況情報は、参照用配置状況情報に対応したものである。

このようにして新たに取得した内容情報、配置状況情報に基づいて、混雑状況を探索する。かかる場合には、予め取得した図９（表１）に示す連関度を参照する。例えば、新たに取得した内容情報がＰ０２と同一かこれに類似するものである場合であって、配置状況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、混雑状況Ｃがｗ１９、混雑状況Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い混雑状況Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる混雑状況Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。上述したように要注意人物について参照用配置状況情報として学習しておくことにより、上記抽出した配置状況情報の顔画像から要注意人物であることを学習データを参照することで特定することができ、これに応じた最適な混雑状況を探索解として出力することが可能となる。

図１０は、上述した参照用内容情報と、参照用交通情報との組み合わせと、当該組み合わせに対する混雑状況との３段階以上の連関度が設定されている例を示している。

参照用交通情報とは、イベント会場への交通手段に関するあらゆる情報、或いはそのイベント会場の属する地域への交通手段に関するあらゆる情報を示すものである。仮にそのイベント会場への交通手段の一つとして電車があれば、その電車に関するあらゆる情報を示すものであり、例えば時刻表に関する情報、乗車数や混雑度に関する情報に加え、その地域或いは当該電車により結ばれる他の地域におけるイベントに応じて便が増発される場合には、それに関する情報も含まれる。これに加えて、参照用交通情報は、交通手段の遅れに関する情報や事故に関する情報、渋滞に関する情報等も含まれる。郊外に位置するイベント会場は、自動車が唯一の交通手段になる場合もあるが、かかる場合には、そのシイベント会場に至るまでの交通渋滞等を始めとした交通情報に応じて需要が変わる場合がある。

図１０の例では、入力データとして例えば参照用内容情報Ｐ０１〜Ｐ０３、参照用交通情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用内容情報に対して、参照用交通情報が組み合わさったものが、図１０に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、混雑状況が表示されている。

参照用内容情報と参照用交通情報との各組み合わせ（中間ノード）は、この出力解としての、混雑状況に対して３段階以上の連関度を通じて互いに連関しあっている。参照用内容情報と参照用交通情報がこの連関度を介して左側に配列し、混雑状況が連関度を介して右側に配列している。連関度は、左側に配列された参照用内容情報と参照用交通情報に対して、混雑状況と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用内容情報と参照交通情報が、いかなる混雑状況に紐付けられる可能性が高いかを示す指標であり、参照用内容情報と参照用交通情報から最も確からしい各混雑状況を選択する上での的確性を示すものである。内容情報に加え、その地域における様々な自然環境や地域イベントの種類や規模がいかなるものかに応じて混雑状況は変化する。このため、これらの参照用内容情報と参照用交通情報の組み合わせで、最適な混雑状況を探索していくこととなる。

探索装置２は、このような図１０に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用内容情報と参照用交通情報、並びにその場合の混雑状況が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１０に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用内容情報Ｐ０１で、参照用交通情報Ｐ２０である場合に、その混雑状況を過去のデータから分析する。また、この図１０に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。

図１０に示す連関度の例で、ノード６１ｂは、参照用内容情報Ｐ０１に対して、参照用交通情報Ｐ１８の組み合わせのノードであり、混雑状況Ｃの連関度がｗ１５、混雑状況Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用内容情報Ｐ０２に対して、参照用交通情報Ｐ１９、Ｐ２１の組み合わせのノードであり、混雑状況Ｂの連関度がｗ１７、混雑状況Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した内容情報に加え、交通情報を取得する。交通情報は、参照用交通情報に対応したものであり、実際のイベント開催日におおける交通に関するあらゆる情報を交通情報として取得する。

このようにして新たに取得した内容情報、交通情報に基づいて、混雑状況を探索する。かかる場合には、予め取得した図１０（表１）に示す連関度を参照する。例えば、新たに取得した内容情報がＰ０２と同一かこれに類似するものである場合であって、交通情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、混雑状況Ｃがｗ１９、混雑状況Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い混雑状況Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる混雑状況Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、本発明においては、この図１０に示す参照用交通情報の代替として、以下に示す参照用時間帯情報が参照用内容情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。

この参照用時間帯情報は、学習用として、その時系列的な混雑状況を取得する時間帯を示すものであり、一時点の時刻のみならず、例えば１０時１０分〜１０時２０分等のように時間の幅を持たせたものであってもよい。時間帯によって混雑状況が異なる場合には、これを学習用データに含めることにより、混雑状況の判別精度を高めることができる。

かかる場合には、参照用内容情報と、参照用時間帯情報とを有する組み合わせと、混雑状況との３段階以上の連関度を予め取得しておく。実際の判定時には、これから混雑状況を予想しようとするイベントに関する時間帯情報を取得する。この時間帯情報は、上述した参照用時間帯情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した内容情報と時間帯情報とに基づき、混雑状況を上述と同様に判定する。

なお、本発明においては、この図１０に示す参照用交通情報の代替として、以下に示す参照用時期情報が参照用内容情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。

この参照用時期情報は、学習用として、そのイベント開始日の時期を示すものであり、例えば、４月、５月等と月単位以外に、春、夏等の季節、あるいは週単位、日単位で表されるものであってもよい。時期によって混雑状況が異なる場合には、これを学習用データに含めることにより、混雑状況の判別精度を高めることができる。

かかる場合には、参照用内容情報と、参照用時期情報とを有する組み合わせと、混雑状況との３段階以上の連関度を予め取得しておく。実際の判定時には、これから混雑状況を予想しようとするイベントの時期に関する時期情報を取得する。この時期情報は、上述した参照用時期情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した内容情報と時期情報とに基づき、混雑状況を上述と同様に判定する。

なお、本発明においては、この図１０に示す参照用交通情報の代替として、以下に示す参照用外部環境情報が参照用内容情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。

この参照用外部環境情報は、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、小売店の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。また、参照用外部環境情報は、実際起こった外部環境の変化（例えば伝染病の流行、社会的、国際的な事件の発生）も含めてよい。

かかる場合には、参照用内容情報と、参照用外部環境情報とを有する組み合わせと、混雑状況との３段階以上の連関度を予め取得しておく。実際の判定時には、これから混雑状況を予想しようとするイベントの時期に関する外部環境情報を取得する。この外部環境情報は、上述した参照用外部環境情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した内容情報と外部環境情報とに基づき、混雑状況を上述と同様に判定する。

なお、内容情報に加えて、気象情報、気象情報、配置状況情報、交通情報、時間帯情報、時期情報、外部環境情報等の何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報（参照用気象情報、参照用気象情報、参照用配置状況情報、参照用交通情報、参照用時間帯情報、参照用時期情報、参照用外部環境情報等）を参照用内容情報との組み合わせと、当該組み合わせに対する混雑状況との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。

また、内容情報に加えて、気象情報、気象情報、配置状況情報、交通情報、時間帯情報等の何れか１以上に加え、更に、他の情報を取得する場合も同様に、その取得する情報に応じた参照用気象情報、参照用気象情報、参照用配置状況情報、参照用交通情報、参照用時間帯情報等と、他の取得する情報に応じた参照用情報との組み合わせと、当該組み合わせに対する混雑状況との３段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。

また本発明は、図１１に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて各混雑状況を判別するものである。この参照用情報Ｕが参照用内容情報であり、参照用情報Ｖが他の参照用情報（参照用気象情報、参照用気象情報、参照用配置状況情報、参照用交通情報、参照用時間帯情報等）である。

このとき、図１１に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に融資を検討している企業の混雑状況の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいてより混雑状況に関する信憑性が高く、誤認の低い混雑状況を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また内容情報に加えて、気象情報、気象情報、配置状況情報、交通情報、時間帯情報、外部環境情報等に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

１ イベント混雑予想システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (7)

1. 特定のイベント会場におけるイベント開催時における混雑を予想するイベント混雑予想プログラムにおいて、
   イベントの内容に関する内容情報とを取得する情報取得ステップと、
   過去開催されたイベントの内容に関する参照用内容情報と、上記特定のイベント会場及びその周辺における地図上に示される時系列的な混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した内容情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示する予想ステップとをコンピュータに実行させること
   を特徴とするイベント混雑予想プログラム。
2. 上記情報取得ステップでは、上記イベントのジャンル、客層、主演者の何れか１以上により類型化された内容情報を取得し、
   上記予想ステップでは、過去開催されたイベントのジャンル、客層、主演者の何れか１以上により類型化された参照用内容情報との３段階以上の上記連関度を参照すること
   を特徴とする請求項１記載のイベント混雑予想プログラム。
3. 上記情報取得ステップでは、更に上記イベント開催時において予想される気象に関する気象情報を取得し、
   上記予想ステップでは、上記参照用内容情報と、過去開催されたイベント時の気象に関する参照用気象情報とを有する組み合わせと、上記混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した気象情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示すること
   を特徴とする請求項１又は２記載のイベント混雑予想プログラム。
4. 上記情報取得ステップでは、更に上記イベント開催時における警備員の配置状況に関する配置状況情報を取得し、
   上記予想ステップでは、上記参照用内容情報と、過去開催されたイベント時における警備員の配置状況に関する参照用配置状況情報とを有する組み合わせと、上記混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した配置状況情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示すること
   を特徴とする請求項１〜３のうち何れか１項記載のイベント混雑予想プログラム。
5. 上記情報取得ステップでは、上記イベント会場に至るまでの交通に関する交通情報を更に取得し、
   上記予想ステップでは、上記参照用内容情報と、過去開催されたイベント時における各イベント会場に至るまでの交通に関する参照用交通情報とを有する組み合わせと、上記混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した交通情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示すること
   を特徴とする請求項１〜４のうち何れか１項記載のイベント混雑予想プログラム。
6. 上記情報取得ステップでは、外部環境に関する外部環境情報を更に取得し、
   上記予想ステップでは、上記参照用内容情報と、過去開催されたイベント時における外部環境に関する参照用外部環境情報とを有する組み合わせと、上記混雑状況との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した外部環境情報に基づき、上記イベント開催時における混雑状況を上記地図情報における地図上において時系列的に表示すること
   を特徴とする請求項１〜５のうち何れか１項記載のイベント混雑予想プログラム。
7. 上記予想ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
   を特徴とする請求項１〜６のうち何れか１項記載のイベント混雑予想プログラム。

Images