JP2022019268A - 混雑度合予測プログラム、配車計画提案プログラム - Google Patents

Abstract

【課題】ダイヤが乱れた場合であっても、駅の混雑状況を高精度に予測する混雑度合予測プログラム、配車計画提案プログラムを提供する。【解決手段】駅の混雑度合の時系列的変化を予測する混雑度合予測プログラムは、予め設計されたダイヤに対する列車の駅における発着時間の差に関する参照用乱れ情報と、駅における発着時間の差に基づく混雑度合の時系列的変化との３段階以上の連関度を予め取得する連関度取得ステップと、現時点における当該ダイヤに対する列車の駅における発着時間の差に関する乱れ情報を取得する情報取得ステップと、連関度取得ステップにおいて取得した連関度を参照し、情報取得ステップを介して取得した乱れ情報に基づき、混雑度合の時系列的変化を予測する予測ステップと、をコンピュータに実行させる。【選択図】図３

Description

本発明は、駅の混雑度合の時系列的変化を予測する混雑度合予測プログラム、列車の駅に配車するタクシーの配車計画を提案する配車計画提案プログラムに関する。

各駅における混雑度合は、時系列的に見た場合に各時間帯毎に変化する。特に駅における乗車タイミング、下車タイミングに応じてその混雑度合は急激に変化する。このため駅の混雑度合は、駅に停車する電車の停車時刻、発車時刻、即ちダイヤに大きく依拠する。また電車がダイヤ通り定刻に停車、発車すればよいが、場合によっては電車が遅延する場合がある。電車が遅延した場合、その遅延時間に応じて混雑度合は時系列的に変化する。駅の混雑度合に応じてタクシー乗り場に並ぶ乗客の数も変化する。

タクシー会社が駅へのタクシーの配車計画を練る上で、タクシー乗り場に並ぶ乗客の数が多い時間帯に多くを配置できれば好都合である。しかしながら、従来において、このタクシー乗り場に並ぶ乗客の数を時系列的に予測できる技術が生まれていなかった。その理由としては、電車の遅延に応じた駅の混雑度合を予測することができなかったことによるものである。

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、ダイヤが乱れた場合であっても、駅の混雑状況を高精度に予測し、更にはその駅のタクシー乗り場への配車計画も高精度に提案可能な混雑度合予測プログラム、配車計画提案プログラムを提供することにある。

本発明に係る混雑度合予測プログラムは、駅の混雑度合の時系列的変化を予測する混雑度合予測プログラムにおいて、予め設計されたダイヤに対する列車の上記駅における発着時間の差に関する参照用乱れ情報と、上記駅における上記発着時間の差に基づく混雑度合の時系列的変化との３段階以上の連関度を予め取得する連関度取得ステップと、現時点における当該ダイヤに対する列車の上記駅における発着時間の差に関する乱れ情報を取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乱れ情報に基づき、混雑度合の時系列的変化を予測する予測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。

ダイヤが乱れた場合であっても、ケースバイケースに応じてリアルタイムに駅の混雑状況や、その駅のタクシー乗り場への配車計画を高精度に提案が可能となる。

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。 本発明の動作について説明するための図である。

以下、本発明を適用した混雑度合予測プログラム、配車計画提案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、本発明を適用した混雑度合予測プログラムが実装される混雑度合予測システム１の全体構成を示すブロック図である。混雑度合予測システム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、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。情報取得部９は、検知した情報を推定装置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、作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末や、スマートフォン、タブレット型端末、ウェアラブル端末、デジタルカメラ、ビデオカメラ、その他携帯端末等、映像情報（動画像又は静止画像）を取得できるカメラ等で構成されていてもよい。作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末の例としては、撮像する映像情報に基づいて生成された情報を透過状態で表示する表示部を備えるものであってもよい。ユーザ端末は、例えば、ＨＭＤ（ヘッドマウントディスプレイ）の１種類であるホロレンズ（登録商標）であってもよい。ユーザは、ユーザ端末の表示情報をヘッドマウントディスプレイ又はホロレンズ等のような透過して表示する表示部を介して、作業エリアや評価対象の機器を透過して確認することができる。

データベース３は、ダイヤを修正する上で必要な様々な情報が蓄積されている。例えば、予め設計されたダイヤに関する参照用ダイヤ情報、ダイヤに対する列車の発着時間の差に関する参照用乱れ情報、天候の予測に関する参照用天候情報、プラットホーム上の状況を撮像した参照用画像情報、外部の環境を示した参照用外部環境情報、さらに実際に予測すべき混雑度合の時系列的変化、駅におけるタクシーの時系列的な配車量等が記録されている。

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。

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、修正すべき列車のダイヤの推定を行う。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混雑度合予測システム１における動作について説明をする。

混雑度合予測システム１では、例えば図３に示すように、参照用乱れ情報と、混雑度合の時系列的変化との３段階以上の連関度が予め設定されていることが前提となる。参照用乱れ情報は、ダイヤに対する列車の発着時間の差を表したものである。この参照用乱れ情報は、各路線の各列車の便について、各駅ごとに、ダイヤに対する発着時間の差として表されていてもよい。また、全体的なダイヤの乱れの傾向を把握するために、これらダイヤに対する発着時間の差を統計的に処理し、各駅、又は各便の平均遅れ時間、遅れ時間の標準偏差等が導出されていてもよい。この参照用乱れ情報は、駅における発着時間を基準にする以外に、前の便と後の便との時間差で表されていてもよい。また、時間以外に、距離を基準にしてもよく、例えば前の便と後の便との距離で表されていてもよい。

混雑度合は、鉄道の駅内における混雑状況を示すものである。この混雑度合は、駅のプラットホームのみならず乗り換えの通路や出口に向かう通路、改札口の前後、切符売り場、待ち合わせのための空間等、駅構内における何れの箇所における混雑状況を含む概念である。この混雑度合は、ある単位面積に対する乗客の密度とされていてもよいし、その密度に応じた混雑ランクにより示されるものであってもよい。

本発明では、このような混雑度合の時系列的変化と、参照用乱れ情報とのデータセットから学習データを構築する。

図４は、この参照用乱れ情報と、混雑度合の時系列的変化の例を示している。参照用乱れ情報は、正確なダイヤに対する遅れ時間が時系列的に示されている。この参照用乱れ情報に応じて駅内における混雑度合が時系列的に変化している状況が示されている。このような参照用乱れ情報と混雑度合の時系列的変化のデータセットを集めておくことにより、過去どのような参照用乱れ情報のときに、混雑度合の時系列的変化がどのようになっているかを知ることが可能となる。

これらの参照用乱れ情報は、電鉄会社が保有するダイヤに対する実際の電車の発着時間のデータから得ることができる。また、混雑度合については、駅構内に設置されたカメラから得た画像を解析することにより、混雑の度合を抽出するようにしてもよい。画像から混雑の度合いを求めるためには、画像のある一定の範囲において乗客が何人いるかを解析する。この解析を行う上では、周知の画像解析技術、或いは周知のディープラーニング技術を利用するようにしてもよい。このようにしてプラットホーム上の単位領域当たりにおける乗客の密度を測定し、統計的処理を必要に応じて施した上でこれを混雑度合として数値化するようにしてもよい。

図３の例では、入力データとして例えば参照用乱れ情報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乱れ情報Ｐ０１～Ｐ０３は、出力としての混雑度合の時系列的変化に連結している。この出力においては、出力解としての、混雑度合の時系列的変化Ａ、Ｂ、Ｃ、Ｄが表示されている。この混雑度合の時系列的変化Ａ、Ｂ、Ｃ、Ｄは、上述した図４に示すような混雑度合の時系列的変化を予め類型化したパターンに当てはめてもよいし、その時系列的変化のチャートそのものを学習させてもよい。

参照用乱れ情報は、この出力解としての混雑度合の時系列的変化Ａ～Ｄ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。参照用乱れ情報がこの連関度を介して左側に配列し、各混雑度合の時系列的変化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乱れ情報に対して、何れの混雑度合の時系列的変化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、各参照用乱れ情報が、いかなる混雑度合の時系列的変化に紐付けられる可能性が高いかを示す指標であり、参照用乱れ情報から最も確からしい混雑度合の時系列的変化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度合の時系列的変化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値段と互いに関連度合いが低いことを示している。

判別装置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。つまり判別装置２は、実際の探索解の判別を行う上で、参照用乱れ情報と、その場合の混雑度合の時系列的変化の何れが高く評価されたか、過去のデータセットを蓄積しておき、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。

例えば、過去において撮像した参照用乱れ情報に対する混雑度合の時系列的変化としては混雑度合の時系列的変化Ａが高く評価されたものとする。このようなデータセットを集めて分析することにより、参照用乱れ情報との連関度が強くなる。

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、例えば参照用乱れ情報Ｐ０１である場合に、過去の混雑度合の時系列的変化の評価を行った結果の各種データから分析する。参照用乱れ情報Ｐ０１である場合に、混雑度合の時系列的変化Ａの事例が多い場合には、この混雑度合の時系列的変化の評価につながる連関度をより高く設定し、混雑度合の時系列的変化Ｂの事例が多い場合には、この混雑度合の時系列的変化の評価につながる連関度をより高く設定する。例えば参照用乱れ情報Ｐ０１の例では、混雑度合の時系列的変化Ａと、混雑度合の時系列的変化Ｃにリンクしているが、以前の事例から混雑度合の時系列的変化Ａにつながるｗ１３の連関度を７点に、混雑度合の時系列的変化Ｃ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５に示すように、入力データとして参照用乱れ情報が入力され、出力データとして混雑度合の時系列的変化が出力され、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。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

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度合の時系列的変化の判別を行うこととなる。かかる場合には、実際に混雑度合の判別対象の駅における乱れ情報を新たに取得する。この乱れ情報は、現時点における当該ダイヤに対する列車の発着時間の差に関する乱れ情報を取得する。乱れ情報は、実際に新たに取得するダイヤ情報のダイヤに対して、どの程度ダイヤが乱れているかを示す情報であり、上述した参照用乱れ情報にリンクする。乱れ情報の求め方は、実際に新たに取得するダイヤ情報のダイヤに対する列車の発着時間の差を表したものである。この乱れ情報は、各路線の各列車の便について、各駅ごとに、ダイヤに対する発着時間の差として表されていてもよい。また、全体的なダイヤの乱れの傾向を把握するために、これらダイヤに対する発着時間の差を統計的に処理し、各駅、又は各便の平均遅れ時間、遅れ時間の標準偏差等が導出されていてもよい。この乱れ情報は、駅における発着時間を基準にする以外に、前の便と後の便との時間差で表されていてもよい。また、時間以外に、距離を基準にしてもよく、例えば前の便と後の便との距離で表されていてもよい。

このようにして新たに取得した乱れ情報に基づいて、判別すべき混雑度合の時系列的変化を探索する。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、新たに取得した乱れ情報が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度合の時系列的変化Ｂがｗ１５、混雑度合の時系列的変化Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い混雑度合の時系列的変化Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する乱れ情報から、最も好適な混雑度合の時系列的変化を探索し、ユーザのみならず、混雑度合の時系列的変化を提供する提供業者に通知、表示することができる。この探索結果を見ることにより、提供業者は、個々の混雑度合の時系列的変化に対する混雑度合の時系列的変化を知ることができ、非常に混雑が予測される時間帯においては、駅員を配置して乗客を誘導する等、危険を排除するための措置を取ることが可能となる。

特に本発明では、最初に流した混雑度合の時系列的変化の後に、複数の選択肢があり、その選択肢毎にそれぞれ混雑度合の時系列的変化が用意されている。そして、混雑度合の時系列的変化を判別した結果に応じて選択肢の何れかを選択し、選択した選択肢に用意されている混雑度合の時系列的変化を次に流す場合において特に有用である。例えば解答内容から出来が良くなかった場合に選ばれる選択肢の混雑度合の時系列的変化は、より基本から分かりやすく理解するための易しいコンテンツで構成することも可能となる。
なお、混雑度合予測システム１では、例えば図６に示すように、参照用ダイヤ情報と、参照用乱れ情報とを有する組み合わせが形成されていることが前提となる。

参照用ダイヤ情報とは、実際に運用されている列車のダイヤに関する情報である。この参照用ダイヤ情報は、駅毎に設定されている列車の到着予定時刻、出発予定時刻であってもよいし、各列車の便の各駅における到着予定時刻、出発予定時刻であってもよい。この参照用ダイヤ情報は、路線ごとに作成される運行図表（ダイヤ図）であってもよく、横軸に時刻、縦軸に駅名が刻まれ、列車がいかなる時刻でどの駅を通過又は発着するのかを１本のスジで表した斜線で引かれて構成されていてもよい。

図３の例では、例えば参照用ダイヤ情報が、各路線の各曜日毎に、各駅の発着時間が各便毎に設定されている。この図３に示す例における参照用ダイヤ情報Ｐ１１～Ｐ１３は、それぞれ路線、曜日、駅、便の何れか１以上で分類されていてもよい。参照用乱れ情報は、ダイヤに対する発着時間の差であり、各参照用乱れ情報Ｐ１４～Ｐ１７は、「●●駅では、＋１分、●▼駅では、－１分・・」とされていてもよいし、「〇〇便、×〇駅にて２分遅れ、▽■駅にて１分遅れ」等とされていてもよい。

入力データとしては、このような参照用ダイヤ情報と、参照用乱れ情報が並んでいる。このような入力データとしての、参照用ダイヤ情報に対して、参照用乱れ情報が組み合わさったものが、図３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、混雑度合の時系列的変化が表示されている。

参照用ダイヤ情報と参照用乱れ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、混雑度合の時系列的変化に対して３段階以上の連関度を通じて互いに連関しあっている。参照用ダイヤ情報と参照用乱れ情報がこの連関度を介して左側に配列し、各混雑度合の時系列的変化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ダイヤ情報と参照用乱れ情報に対して、何れの混雑度合の時系列的変化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、各照用ダイヤ情報と参照用乱れ情報が、いかなる混雑度合の時系列的変化に紐付けられる可能性が高いかを示す指標であり、参照用ダイヤ情報と参照用乱れ情報から最も確からしい混雑度合の時系列的変化を選択する上での的確性を示すものである。図６の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２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度合の時系列的変化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度合の時系列的変化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６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、実際の危険度の判別を行う上で、参照用ダイヤ情報と参照用乱れ情報、並びにその場合の混雑度合の時系列的変化がどの程度であったか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６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、例えば参照用ダイヤ情報Ｐ１１で、ダイヤの乱れがＰ１６であるとき、かつ混雑度合の時系列的変化Ｑ１である場合に、混雑度合がいかなるものであったか、過去のデータから分析する。

また、この図６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の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６に示す連関度の例で、ノード６１ｂは、参照用ダイヤ情報Ｐ１１に対して、参照用乱れ情報Ｐ１４の組み合わせのノードであり、混雑度合の時系列的変化Ｑ３の連関度がｗ１５、混雑度合の時系列的変化Ｑ５の連関度がｗ１６となっている。ノード６１ｃは、参照用ダイヤ情報Ｐ１２に対して、参照用乱れ情報Ｐ１５の組み合わせのノードであり、混雑度合の時系列的変化Ｑ２の連関度がｗ１７、混雑度合の時系列的変化Ｑ４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、実際にこれから新たに混雑度合の時系列的変化を探索する際において、上述した学習済みデータを利用して危険度を判別することとなる。かかる場合には、実際にダイヤが乱れているか、判断の対象となるダイヤに関するダイヤ情報を取得する。この取得すべきダイヤ情報は、その時点において運用しているダイヤ（例えば曜日毎にダイヤが異なるのであれば、その判断時の曜日におけるダイヤ）を取得する。また、これに加えて、現時点における当該ダイヤに対する列車の発着時間の差に関する乱れ情報を取得する。

新たに取得するダイヤ情報は、上述した情報取得部９により、例えばキーボードや音声等を介して取得するようにしてもよいし、予めサーバに格納されているダイヤ情報を読み出すことで取得してもよい。

このようにして新たに取得したダイヤ情報と、乱れ情報に基づいて、実際にその新たにダイヤ情報を取得した時点における混雑度合の時系列的変化を求める。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得したダイヤ情報がＰ１２と同一かこれに類似するものである場合であって、乱れ情報が参照用乱れ情報Ｐ１７と同一又は類似するものである場合には、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、混雑度合の時系列的変化Ｑ３がｗ１９、混雑度合の時系列的変化Ｑ４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度合の時系列的変化Ｑ３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度合の時系列的変化Ｑ４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７は、参照用乱れ情報に加えて、更に参照用天候情報とを有する組み合わせと、当該組み合わせに対する混雑度合の時系列的変化との３段階以上の連関度が設定されている例を示している。

参照用天候情報は、その参照用ダイヤ情報におけるダイヤの時間帯の実際の天候情報を示すものであり、その時点の季節、温度、天候、台風の状況、風邪の強さ、雨量等で表される。この天候情報は、実際にその時間帯における天候のデータを取得してもよいし、その時間帯に対して予測されていた天気予報の情報を取得してもよい。これらの天候情報は、気象庁などが発表するデータや、その他民間の天気予報データ等から取得してもよい。

かかる場合において、連関度は、図７に示すように参照用乱れ情報に加え、更に参照用天候情報とを有する組み合わせの集合が上述と同様に混雑度合の時系列的変化のノード６１ａ～６１ｅとして表現されることとなる。これにより、いかなる天候状態において、どの程度ダイヤが乱れているか、の関係に対して最適な混雑度合の時系列的変化を関連付けて記憶することが可能となる。

例えば、図７において、ノード６１ｃは、参照用乱れ情報Ｐ１５が連関度ｗ３で、参照用天候情報Ｐ２３が連関度ｗ７で連関している。同様にノード６１ｄは、参照用乱れ情報Ｐ１５が連関度ｗ４で、参照用天候情報Ｐ２５が連関度ｗ１２で連関している。

このような連関度が設定されている場合も同様に、新たに取得した乱れ情報と、原時点における天候からなる天候情報に基づいて、実際に混雑度合の時系列的変化を求める。天候情報は、そのダイヤ情報におけるダイヤの時間帯の実際の天候情報を示すものであり、その時点の季節、温度、天候、台風の状況、風邪の強さ、雨量等で表される。この天候情報は、実際にその時間帯における天候のデータを取得してもよいし、その時間帯に対して予測されていた天気予報の情報を取得してもよい。これらの天候情報は、気象庁などが発表するデータや、その他民間の天気予報データ等から取得してもよい。

この混雑度合の時系列的変化を求める上で予め取得した図７に示す連関度を参照し、上述と同様に混雑度合の時系列的変化を求めていくことになる。

図８は、上述した参照用乱れ情報に加えて、更に参照用画像情報とを有する組み合わせと、当該組み合わせに対する混雑度合の時系列的変化との３段階以上の連関度が設定されている例を示している。

参照用画像情報は、その参照用ダイヤ情報におけるダイヤの各時点においてプラットホームの状況を撮像した画像に関するあらゆる情報を示すものである。プラットホームの状況から、例えば混雑の状況や天候、気候の状況、或いは何らかの事件が起きた状況等、様々な事象を判別することができるため、そのプラットホームの状況を撮像した画像情報を連関度に連関させるものである。

かかる場合において、連関度は、図８に示すように参照用乱れ情報に加え、更に参照用画像情報とを有する組み合わせの集合が上述と同様に混雑度合の時系列的変化のノード６１ａ～６１ｅとして表現されることとなる。これにより、いかなるプラットホームの画像情報において、どの程度ダイヤが乱れているか、の関係に対して最適な混雑度合の時系列的変化を関連付けて記憶することが可能となる。

例えば、図８において、ノード６１ｃは、参照用乱れ情報Ｐ１５が連関度ｗ３で、参照用画像情報Ｐ２３が連関度ｗ７で連関している。同様にノード６１ｄは、参照用乱れ情報Ｐ１５が連関度ｗ４で、参照用画像情報Ｐ２５が連関度ｗ１２で連関している。

このような連関度が設定されている場合も同様に、新たに取得した乱れ情報と、原時点におけるプラットホームにおける画像情報に基づいて、実際に混雑度合の時系列的変化を求める。この混雑度合の時系列的変化を求める上で予め取得した図８に示す連関度を参照し、上述と同様に混雑度合の時系列的変化を求めていくことになる。

図９は、上述した参照用乱れ情報に加えて、更に参照用外部環境情報とを有する組み合わせと、当該組み合わせに対する混雑度合の時系列的変化との３段階以上の連関度が設定されている例を示している。

ここでいう参照用外部環境情報とは、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。この参照用外部環境情報は、過去の販売日、又はその日の前後数日の間における外部環境を示すものである。これに加えて、この参照用外部環境情報は、政治、経済、社会、テクノロジーに関する様々なニュースやイベントから取得するものであってもよい。また新型コロナウィルスのような伝染病が流行した場合等には、その感染者数の日別の変化のデータ等を参照するようにしてもよい。

かかる場合において、連関度は、図９に示すように参照用乱れ情報に加え、更に参照用画像情報とを有する組み合わせの集合が上述と同様に混雑度合の時系列的変化のノード６１ａ～６１ｅとして表現されることとなる。これにより、いかなるプラットホームの画像情報において、どの程度ダイヤが乱れているか、の関係に対して最適な混雑度合の時系列的変化を関連付けて記憶することが可能となる。

例えば、図９において、ノード６１ｃは、参照用乱れ情報Ｐ１５が連関度ｗ３で、参照用画像情報Ｐ２３が連関度ｗ７で連関している。同様にノード６１ｄは、参照用乱れ情報Ｐ１５が連関度ｗ４で、参照用画像情報Ｐ２５が連関度ｗ１２で連関している。

このような連関度が設定されている場合も同様に、新たに取得した乱れ情報と、原時点におけるプラットホームにおける画像情報に基づいて、実際に混雑度合の時系列的変化を求める。この混雑度合の時系列的変化を求める上で予め取得した図９に示す連関度を参照し、上述と同様に混雑度合の時系列的変化を求めていくことになる。

なお、上述した連関度では、参照用乱れ情報に加え、参照用天候情報、参照用画像情報、参照用ダイヤ情報、参照用外部環境情報の何れかとを有する組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用乱れ情報に加え、参照用天候情報、参照用画像情報、参照用ダイヤ情報、参照用外部環境情報の何れか２以上とを有する組み合わせで構成されていてもよい。また、参照用乱れ情報に対して更に参照用天候情報、参照用画像情報、参照用ダイヤ情報、参照用外部環境情報の何れか１以上の組み合わせが形成されているという前提で、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して混雑度合の時系列的変化を求める。

また参照用ダイヤ情報と、参照用乱れ情報に加え、上述した参照情報として、更に参照用事故情報を連関度に含めてもよい。この参照用事故情報は、例えば人身事故や天候による事故、乗客同士のトラブルによる事故、気分が悪くなった乗客による遅延に関する事故等が含まれる。電鉄会社内においてこれらの事故の情報を予め取得しておくことで参照用事故情報とし、上述した連関度に含めておく。実際に混雑度合の時系列的変化を求める上では、その時点において発生している事故の情報に基づく事故情報を取得し、これに基づいて、上記連関度を参照して解探索を行う。

なお本発明は、上述した実施の形態に限定されるものでは無く、例えば図１０に示すように、上記連関度を介して、混雑度合の時系列的変化を提案した上で更に、その混雑度合の時系列的変化に基づいて、提案した駅におけるタクシーの配車計画を提案するようにしてもよい。

例えば、図１１に示すように、ある駅における混雑度合の時系列的変化を判別したものとする。かかる場合には、当該駅におけるタクシーの配車計画につき、図１１に示すように混雑度合に応じて配車するタクシーの数量を変化させるようにしてもよい。混雑度合が高いほどその駅におけるタクシーの配車数量を多くし、混雑度合が低いほどその駅におけるタクシーの配車数量を少なくする。かかる場合には、図１１に示すように、混雑度合に比例させて配車数量を変化させるようにしてもよい。また完全にこの混雑度合に比例させることなく、ある程度の正の相関を持たせて配車数量を変化させるようにしてもよい。

このようにして得られた配車数量を出力結果としてタクシー会社（ユーザ）に表示し、提案することができる。ユーザはそれぞれのタクシーに、上記駅について〇分後に乗客が多く並ぶ可能性があるため、駅に向かうように指示することが可能となる。或いは、本システムにおいて配車数量を算出した後、これに応じて各タクシーにその指示を自動的に配信するようにしてもよい。

また本発明は、図１２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解を判別するものである。この参照用情報Ｕが参照用乱れ情報であり、参照用情報Ｖが参照用外部環境情報、参照用画像情報等であるものとする。

このとき、図１２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、ダイヤが乱れた場合において、混雑度合の時系列的変化を、特段の熟練を要することなく、少ない労力で容易に作ることが可能となり、その駅におけるタクシーの配車計画を提案することも可能となる。また本発明によれば、この混雑度合の時系列的変化の作成を、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。

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物性や生成機構の探索を行う点に特徴がある。連関度は、上述した５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最も確からしい混雑度合の時系列的変化を探索することで、混雑度合の時系列的変化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。このように連関度の高い順にユーザに表示できれば、より確からしい混雑度合の時系列的変化を優先的に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ものが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、最適な危険度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。またダイヤの乱れが発生し、その後に設定したダイヤに基づいた運行状況のデータに基づいて、入力パラメータと、出力解（危険度）との関係性について新たな知見が発見された場合には、当該知見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（参照用ダイヤ情報、参照用乱れ情報、参照用天候情報、参照用画像情報等）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。

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。

１ 混雑度合予測システム
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. 駅の混雑度合の時系列的変化を予測する混雑度合予測プログラムにおいて、
   予め設計されたダイヤに対する列車の上記駅における発着時間の差に関する参照用乱れ情報と、上記駅における上記発着時間の差に基づく混雑度合の時系列的変化との３段階以上の連関度を予め取得する連関度取得ステップと、
   現時点における当該ダイヤに対する列車の上記駅における発着時間の差に関する乱れ情報を取得する情報取得ステップと、
   上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乱れ情報に基づき、混雑度合の時系列的変化を予測する予測ステップとをコンピュータに実行させること
   を特徴とする混雑度合予測プログラム。
2. 列車の駅に配車するタクシーの配車計画を提案する配車計画提案プログラムにおいて、
   予め設計されたダイヤに対する列車の上記駅における発着時間の差に関する参照用乱れ情報と、上記駅における上記発着時間の差に基づく混雑度合の時系列的変化との３段階以上の連関度を予め取得する連関度取得ステップと、
   現時点における当該ダイヤに対する列車の上記駅における発着時間の差に関する乱れ情報を取得する情報取得ステップと、
   上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乱れ情報に基づき、混雑度合の時系列的変化を予測する予測ステップと、
   上記予測ステップにおいて予測された混雑度合の時系列的変化に基づいて、上記駅におけるタクシーの時系列的な配車量を提案する提案ステップとをコンピュータに実行させること
   を特徴とする配車計画提案プログラム。
3. 列車の駅に配車するタクシーの配車計画を提案する配車計画提案プログラムにおいて、
   上記連関度取得ステップでは、予め設計されたダイヤに関する参照用ダイヤ情報と、上記参照用乱れ情報とを有する組み合わせと、当該組み合わせに対する上記駅における混雑度合の時系列的変化との３段階以上の連関度を予め取得し、
   上記情報取得ステップでは、判断の対象となるダイヤに関するダイヤ情報と、上記乱れ情報とを取得し、
   上記予測ステップでは、更に上記情報取得ステップを介して取得したダイヤ情報に基づき、混雑度合の時系列的変化を予測すること
   を特徴とする請求項２記載の配車計画提案プログラム。
4. 上記連関度取得ステップでは、更に天候に関する参照用天候情報と、上記参照用乱れ情報とを有する組み合わせと、当該組み合わせに対する上記駅における混雑度合の時系列的変化との３段階以上の連関度を予め取得し、
   情報取得ステップでは、現時点における天候の予測に関する天候情報を取得し、
   上記予測ステップでは、更に上記情報取得ステップを介して取得した天候情報に基づき、混雑度合の時系列的変化を予測すること
   を特徴とする請求項２又は３記載の配車計画提案プログラム。
5. 上記連関度取得ステップでは、更にプラットホーム上の状況を撮像した参照用画像情報と、上記参照用乱れ情報とを有する組み合わせと、当該組み合わせに対する上記駅における混雑度合の時系列的変化との３段階以上の連関度を予め取得し、
   情報取得ステップでは、現時点におけるプラットホーム上の状況を撮像した画像情報を取得し、
   上記予測ステップでは、更に上記情報取得ステップを介して取得した画像情報に基づき、混雑度合の時系列的変化を予測すること
   を特徴とする請求項２～４のうち何れか１項記載の配車計画提案プログラム。
6. 上記連関度取得ステップでは、更に上記参照用乱れ情報の取得時における外部環境に関する参照用外部環境情報と、上記参照用乱れ情報とを有する組み合わせと、当該組み合わせに対する上記駅における混雑度合の時系列的変化との３段階以上の連関度を予め取得し、
   情報取得ステップでは、現時点における外部環境に関する外部環境情報を更に取得し、
   上記予測ステップでは、更に上記情報取得ステップを介して取得した画像情報に基づき、混雑度合の時系列的変化を予測すること
   を特徴とする請求項２～５のうち何れか１項記載の配車計画提案プログラム。
7. 上記予測ステップでは、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２～６のうち何れか１項記載の配車計画提案プログラム。

Images