JP2022034358A - 混雑予測装置、混雑予測システム、混雑予測方法及び混雑予測プログラム - Google Patents
混雑予測装置、混雑予測システム、混雑予測方法及び混雑予測プログラム Download PDFInfo
- Publication number
- JP2022034358A JP2022034358A JP2020138115A JP2020138115A JP2022034358A JP 2022034358 A JP2022034358 A JP 2022034358A JP 2020138115 A JP2020138115 A JP 2020138115A JP 2020138115 A JP2020138115 A JP 2020138115A JP 2022034358 A JP2022034358 A JP 2022034358A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- people
- target
- time
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 56
- 238000005259 measurement Methods 0.000 description 37
- 230000000052 comparative effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
しかしながら、混雑状況の予測が特に重要となるのは、例えばイベント終了直後にイベントが開催された施設の近傍の駅に人が集中し、駅への入場者数が急増する場合等、人の流れが大きく変化する場合であるところ、このような場合については、対象エリアの人流の変化に事前の兆候が見られない場合が多いことから、上記のような対象エリアの人流に係る情報のみからの予測では、十分な精度で当該対象エリアの将来の人流につき予測することは困難であった。この点は、例えば野球の試合など、終了時間が定まっていないイベントが開催される場合に、イベントの終了時刻に基づき予め将来の人流を予測することも困難であることから、特に顕著であった。
対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得手段と、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段と、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測手段と、
を備えることを特徴とする。
前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報を取得する第3取得手段をさらに備え、
前記予測手段は、前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする。
前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報を取得する第4取得手段をさらに備え、
前記予測手段は、前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする。
前記予測時点の時刻に係る情報を取得する第5取得手段をさらに備え、
前記予測手段は、前記予測時点の時刻に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする。
前記予測手段は、少なくとも前記対象エリアの人流に係る情報及び前記対象エリアの近傍の施設の人流に係る情報を用いた機械学習により生成された予測モデルに基づいて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする。
請求項5に記載の混雑予測装置と、前記予測モデルを生成する予測モデル生成手段と、を備えることを特徴とする。
請求項1から5のいずれか一項に記載の混雑予測装置と、前記対象エリアの入場可能人数の超過につき予測する超過予測手段と、を備え、
前記超過予測手段は、前記対象エリアの入場可能人数を算出した上で、当該入場可能人数と前記混雑予測装置が予測した前記対象エリアの人流との関係が所定の関係を満たす場合に、前記対象エリアへの入場者数が、前記入場可能人数を超過するものと予測することを特徴とする。
前記超過予測手段は、前記対象エリアの衛星写真から前記対象エリアの面積を推定し、推定した面積に基づき前記対象エリアの入場可能人数を算出することを特徴とする。
対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得ステップと、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得ステップと、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測ステップと、
を含むことを特徴とする。
コンピュータを、
対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得手段、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測手段、
として機能させることを特徴とする。
混雑予測システム100は、対象エリアにおける将来の人流を予測することで、その混雑状況を予測するためのシステムであり、図1に示すように、予測モデルを生成するための予測モデル生成サーバ1と、予測モデルを用いて対象エリアの人流につき予測するための混雑予測サーバ2と、対象エリアへの入場可能人数の超過につき予測するための超過予測サーバ3と、対象エリアに設置された第1センサ4と、対象エリア近傍の所定の施設に設置された第2センサ5と、を備えて構成され、各装置の間は、通信ネットワークNを介して接続されている。
なお、以下においては、第1センサ4が設置され、混雑状況を予測する対象エリアが駅であり、対象エリア近傍の第2センサ5が設置される施設がスタジアムである場合を一例として説明する。
予測モデル生成サーバ1は、例えば、混雑予測システム100を管理・運営する企業等が保有するPC、WS等の情報機器であり、後述のように、第1センサ4及び第2センサ5が取得した人流に係る情報等に基づき、第1センサ4が設置された対象エリアの将来の人流を予測するための予測モデルを生成する。
予測モデル生成サーバ1は、図1に示すように、例えば、制御部11と、記憶部12と、通信部13と、を備えて構成されている。
制御部11は、予測モデル生成サーバ1の動作を制御する部分であり、例えば、CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(Random Access Memory)等を備えて構成され、記憶部12に記憶されたプログラムデータとCPUとの協働により、予測モデル生成サーバ1の各部を統括制御する。
記憶部12は、予測モデル生成サーバ1の運用に必要となる各種情報が記憶される部分であり、例えば、HDD(Hard Disk Drive)、半導体メモリ等により構成され、プログラムデータ等の予測モデル生成サーバ1の運用に必要となるデータを、制御部11から読み書き可能に記憶する。
予測モデル生成プログラム121は、後述のように予測モデル生成時に予測モデル生成サーバ1を動作させるための制御部11への各種命令を含むプログラムであり、後述の動作の説明において述べる予測モデル生成サーバ1の動作は、予測モデル生成プログラム121に従ってなされることとなる。
通信部13は、予測モデル生成サーバ1と混雑予測システム100を構成する他の装置との間の通信に用いられる部分であり、例えば、通信用IC(Integrated Circuit)及び通信コネクタなどを有する通信インターフェイスであり、制御部11の制御の元、所定の通信プロトコルを用いて、通信ネットワークNを介したデータ通信を行う。
混雑予測サーバ2は、例えば、混雑予測システム100を管理・運営する企業等が保有するPC、WS等の情報機器であり、後述のように、予測モデル生成サーバ1が生成した予測モデルに第1センサ4及び第2センサ5が取得した人流に係る情報等を入力し、第1センサ4が設置された対象エリアの将来の人流を予測する。
混雑予測サーバ2は、図1に示すように、予測モデル生成サーバ1と同様、例えば、制御部21と、記憶部22と、通信部23と、を備えて構成されている。
記憶部22は、予測モデル生成サーバ1における記憶部12と同様に、例えば、HDD、半導体メモリ等により構成され、混雑予測プログラム221と、予測モデル222と、が記憶されている。
超過予測サーバ3は、例えば、混雑予測システム100を管理・運営する企業等が保有するPC、WS等の情報機器であり、後述のように、混雑予測サーバ2による人流予測に係る情報を用いて、第1センサ4が設置された対象エリアの入場可能人数の超過につき予測する。
超過予測サーバ3は、図1に示すように、予測モデル生成サーバ1と同様、例えば、制御部31と、記憶部32と、通信部33と、を備えて構成されている。
記憶部32は、予測モデル生成サーバ1における記憶部12と同様に、例えば、HDD、半導体メモリ等により構成され、超過予測プログラム321が記憶されている。
第1センサ4は、混雑状況を予測する対象エリアの人流に係る情報を取得するためのセンサであり、本実施形態においては、対象エリアとなる駅の改札に設置され、当該駅への入場者数及び出場者数に係る情報を、所定の間隔毎(例えば1分毎)に取得し、通信ネットワークNを介して、混雑予測サーバ2へと送信する。
第1センサ4としては、上記情報を取得できるものであれば任意のセンサを使用することができるが、例えば赤外線センサを用いればよい。
また、上記のように、本実施形態においては混雑状況を予測する対象エリアが駅である場合を一例として説明しているが、例えば、対象エリアを駅ビル等の所定の建造物として、その入り口に第1センサ4を設置することも可能である。
第2センサ5は、対象エリアの近傍の所定の施設の人流に係る情報を取得するためのセンサであり、本実施形態においては、第1センサ4が設置された駅の近傍のスタジアムの入出場のためのゲートに設置され、当該スタジアムへの入場者数及び出場者数に係る情報を、所定の間隔毎(例えば1分毎)に取得し、通信ネットワークNを介して、混雑予測サーバ2へと送信する。
第2センサ5としては、上記情報を取得できるものであれば任意のセンサを使用することができるが、例えば、第1センサ4と同様に赤外線センサを用いればよい。
例えば、スタジアム等の施設のゲートに替えて、又はスタジアム等の施設のゲートに加えて、スタジアム等の施設と駅との間の、駅への人流が集中する道路上に設置することで、道路という対象エリアの近傍の施設の人流に係る情報を取得するようにしてもよい。この場合、駅に近い地点の人流に係る情報を取得できることから、さらに予測精度を向上することが可能となる。
通信ネットワークNは、例えば、インターネット、電話回線網、携帯電話通信網、無線LAN通信網等であり、図1に示すように、混雑予測システム100を構成する各装置間を接続する。
通信ネットワークNとしては、上記のように各装置間を繋ぎ、これらの間でデータの送受信を行うことが可能なものであれば特に限定されない。
以下、本実施形態に係る混雑予測システム100の動作について説明する。
混雑予測システム100の動作は、大きく分けて、予測モデルの生成(ステップS1)と、混雑予測(ステップS2)と、入場可能人数超過の予測(ステップS3)と、の3つの工程からなる。
まず、予測モデル生成サーバ1において、予測モデル222を生成する際の流れについて、図2のフローチャートに従って説明する。
しかしながら、漸次的な推移の場合であれば対象エリアの人流に係る情報のみからでも上記のような予測が可能であるが、人の流れが急激に変化するような場合には、対象エリアの人流に係る情報のみでは、将来の人流につき正確に予測することは困難である。
カレンダー情報D13としては、上記所定の期間に含まれる各日の曜日に係るデータ(日、月、火、水、木、金、土のいずれに該当するかに係るデータ)並びに各日が休日(土日及び祝日)に該当するか否かに係るデータの両者を用いることが好ましいが、これに限られず、例えば、各日の曜日に係るデータ又は各日が休日に該当するか否かに係るデータのいずれかを用いるようにすることも可能である。
なお、各日の曜日に係るデータには、各日が土日に該当するか否かに係るデータが含まれていることから、各日の曜日に係るデータに加え、各日が祝日に該当するか否かに係るデータを入力した場合、各日の曜日及び各日が休日に該当するか否かに係るデータを入力したこととなる。
なお、第2センサ5が設置された施設に加え、第1センサ4が設置された駅の近傍に位置するその他の所定の施設におけるイベントの有無に係る情報も含むようにしてもよい。この場合、それぞれの施設につき、イベントがあればイベント有り/イベントがなければイベント無しとなる2択のフラグに係る情報が入力されることとなる。
ただし、第1センサ4及び第2センサ5において最新の第1センサ情報D11及び第2センサ情報D12が取得される度に、予測モデル生成サーバ1が、通信ネットワークNを介して通信部13により自動的にこれらデータを取得した上で、最新の第1センサ情報D11及び第2センサ情報D12を教師データD1に加えて機械学習を行うことにより、常に最新のデータに基づいて予測モデル222が更新されるようにすることが最も好ましい。
続いて、混雑予測サーバ2において、予測モデル222を用いて混雑予測、具体的には、第1センサ4が設置された駅の人流の予測を行う際の流れについて、図3のフローチャートに従って説明する。
混雑予測サーバ2は、例えば、混雑予測システム100を管理する管理者が所定の端末において入力した情報を、通信ネットワークNを介して通信部23により取得した上で、記憶部22に記憶するようにすればよい(ステップS2-1)。
イベント情報D24についても、カレンダー情報D23と同様、混雑予測サーバ2は、例えば、混雑予測システム100を管理する管理者が所定の端末において入力した情報を、通信ネットワークNを介して通信部23により取得した上で、記憶部22に記憶するようにすればよい(ステップS2-2)。
続いて、ステップS2において生成された入場者数の予測に係る情報の利用例の一つとして、混雑予測を行う対象エリアである駅のホームへの入場可能人数の超過についての予測を行う場合につき、図4のフローチャートに従って説明する。
例えば、上り線の駅のホームの形状を長さ215m、幅9mの長方形に近似できる場合であれば、215m×9m×70%≒1355m2といった形で、有効面積を算出する。
例えば、上記のように有効面積が1355m2と算出された場合において、一人当たりに要する面積が1m2であれば、1355人が駅のホームの入場可能人数として算出されることとなる。
(1) 5分間の駅への入場者数の予測の合計が駅のホームの入場可能人数(上記の場合1355人)を超える。
(2) (1)の次の5分間においても、駅への入場者数の予測の合計が駅のホームの入場可能人数(上記の場合1355人)を超える。
(3) 上記(1)及び(2)の時間(10分間)が、駅に5分間以上電車が到着しない時間帯と重なる。
(4) (3)の時間帯の次に到着する列車の乗車可能人数が所定の人数(この場合1680名)以下である。
まず、列車の一車両あたり、混雑率100%の場合に140名乗車可能と仮定する。また、単純化のため、列車は全て10両編成と仮定する。
この場合、混雑率100%分の乗客が対象エリアである駅に到着した列車に乗車できるとすれば、1400名(140名×10両)が乗車できることとなるところ、当該列車に対象エリアである駅において追加で乗車できる乗客を、混雑率120%分と仮定し、140名×10両×120%=1680名とした。
なお、追加で乗車できる乗客を混雑率120%分と仮定した点は、到着した列車に既に乗客が一定数いると想定し、このような乗客を多くとも混雑率60%とした上で、60%+120%=180%が、列車に乗車できる実質的な限界と想定したものである。
また、対象エリアの有効面積の推定方法は、上記のように衛星写真から行う方法に限られず、例えば、駅のホームの設計図面等から、予めホームの有効面積を算出するようにしてもよい。この際には、例えば、駅の改良工事等により、利用者が待機することができない部分が一時的に増加している場合には、当該部分の面積を有効面積から除外すればよい。
次に、本実施形態に係る混雑予測システム100の効果について説明する。
これによって、予測対象となる駅において人流に変化が生じる前に、駅への入場者数に大きな影響を与える近傍の施設の出場者数に係る情報を取得の上、これを予測に反映させることが可能となる。したがって、例えば、当該施設におけるイベントの終了時等において、駅に突然人が集中するような人の流れが大きく変わる場合においても、このような変化の予兆を事前に把握でき、人の流れが大きく変化する時間帯における予測精度を向上することができる。
また、本実施形態によれば、予め混雑予測を行う対象日において実施されるイベントの終了時刻についての情報等を入力することを要しないことから、例えば野球の試合等、終了時間が定まっておらず、イベントの終了時刻に基づいて予め将来の人流を予測することが困難なイベントが開催される場合においても、予測精度の向上が可能となる。したがって、本実施形態は、このような終了時刻が定まっていないイベントが開催されることが予想される施設の近傍に位置する駅等の施設を混雑予測の対象エリアとする場合において、特に有効なものである。
これによって、曜日や、休日に該当するか否かによって生じる人の流れの相違、例えば、平日であれば、通勤・通学ラッシュが存在するが、休日であればこれがないといった点を、予測に反映させることが可能となることから、さらに予測精度を向上することができる。
これによって、当該施設におけるイベントの有無によって生じる人の流れの相違、例えば、イベントが開催される場合にはイベントの終了時において駅への入場者数の波に山ができるが、イベントが開催されない場合にはこれがないといった点を、予測に反映させることが可能となることから、さらに予測精度を向上することができる。
これによって、時刻による人の流れの相違、例えば、朝晩の通勤・通学時のラッシュや、スポーツの試合等夕方にイベントが開催される場合にはイベントの終了時刻において駅への入場者数の波に山ができる点等を、予測に反映させることが可能となることから、さらに予測精度を向上することができる。
以下のようにして、実施例及び比較例に係る2つの予測モデルを生成した。
第1センサ:海浜幕張駅改札
第2センサ:ZOZOマリンスタジアムCゲート
2019年8月6日~2019年10月3日
(実施例)
上記期間(2019年9月22日を除く。)において第1センサによって取得された入場及び出場の通過人数の計測データ(人数/分)と各データの取得時刻、上記期間(2019年9月22日を除く。)において第2センサによって取得された入場及び出場の通過人数の計測データ(人数/分)と各データの取得時刻、上記期間(2019年9月22日を除く。)の各日の曜日及び祝日に該当するか否かに係る情報、上記期間(2019年9月22日を除く。)の各日のZOZOマリンスタジアム及び幕張メッセにおけるイベントの有無に係る情報(ZOZOマリンスタジアム及び幕張メッセのウェブサイトの情報を基にして、それぞれについて、日毎にイベントがあればイベント有り/イベントがなければイベント無しとなる2択の情報)を入力し、アンサンブル学習により、対象日において予測時点までに第1センサによって取得された毎分の入場者数及び出場者数に係る情報、対象日において第2センサによって取得された毎分の入場者数及び出場者数に係る情報、対象日の曜日及び祝日に該当するか否かに係る情報、対象日のZOZOマリンスタジアム及び幕張メッセにおけるイベントの有無に係る情報並びに予測時点の時刻に係る情報が入力された場合に、海浜幕張駅への予測時点から15分後の入場者数を出力するように生成した。
上記期間(2019年9月22日を除く。)において第1センサによって取得された入場及び出場の通過人数の計測データ(人数/分)と各データの取得時刻のみを入力し、アンサンブル学習により、対象日において予測時点までに第1センサによって取得された毎分の入場者数及び出場者数に係る情報が入力された場合に、海浜幕張駅への予測時点から15分後の入場者数を出力するように生成した。
(実施例)
上記実施例に係る予測モデルに、2019年9月22日(深夜0時を過ぎた部分については23日)の第1センサによって取得された海浜幕張駅の改札における毎分の入場及び出場の通過人数の計測データ(図6参照)、2019年9月22日(深夜0時を過ぎた部分については23日)の第2センサによって取得されたZOZOマリンスタジアムのCゲートにおける毎分の入場及び出場の通過人数の計測データ(図6参照)、2019年9月22日の曜日及び祝日に該当するか否かに係る情報(日曜日)、2019年9月22日のZOZOマリンスタジアム及び幕張メッセにおけるイベントの有無に係る情報(いずれもイベント有り)及び予測時点の時刻に係る情報を入力し、予測時点から15分後の海浜幕張駅への入場者数(人数/分)を予測させた。
具体的には、2019年9月22日の午前3時49分から翌23日の午前2時29分まで1分刻みで予測時点を設定し、当該予測時点までに第1センサ及び第2センサによって取得された入場及び出場の通過人数の計測データを実施例の予測モデルに入力し、各予測時点から15分後の入場者数を出力させることで予測させた。
上記比較例に係る予測モデルに、2019年9月22日(深夜0時を過ぎた部分については23日)の第1センサによって取得された海浜幕張駅の改札における毎分の入場及び出場の通過人数の計測データ(図6参照)を入力し、予測時点から15分後の海浜幕張駅への入場者数(人数/分)を予測させた。
具体的には、2019年9月22日の午前3時49分から翌23日の午前2時29分まで1分刻みで予測時点を設定し、当該予測時点までに第1センサによって取得された入場及び出場の通過人数の計測データを比較例の予測モデルに入力し、各予測時点から15分後の入場者数を出力させることで予測させた。
予測結果と実測値との対比を、図7及び図8に示す。
なお、図7は、2019年9月22日の午前3時49分から翌23日の午前2時29分までの1分刻みでの海浜幕張駅への入場者数を示すグラフであり、実線のグラフが実施例による予測結果を示し、粗い破線のグラフが比較例による予測結果を示し、細かい破線のグラフが第1センサによって取得された実測値を示す。
また、図8は、2019年9月22日の17時台から21時台までの1時間単位の海浜幕張駅への入場者数に係る、実施例による予測値と実測値との乖離及び比較例による予測値と実測値との乖離を示す表である。
図7の実測値のグラフを見ると、2019年9月22日の中で、海浜幕張駅への入場者数は、17時台から21時台までの5時間において、大きく変動していることが分かる。
そして、この5時間における実施例による予測のグラフと実測値のグラフとの乖離と、比較例による予測のグラフと実測値のグラフとの乖離と、を比較すると、実施例による予測のグラフの方が、実測値のグラフに近い予測結果となっていることが分かる。この点は、実測値のグラフにおける19時台の入場者数の急増に、実施例のグラフの方が明らかに追従できている点に明確に表れている。
1 予測モデル生成サーバ(予測モデル生成手段)
2 混雑予測サーバ(混雑予測装置)
21 制御部(予測手段、第5取得手段)
22 記憶部
221 混雑予測プログラム
222 予測モデル
23 通信部(第1取得手段、第2取得手段、第3取得手段、第4取得手段、第5取得手段)
3 超過予測サーバ(超過予測手段)
4 第1センサ
5 第2センサ
N 通信ネットワーク
対象エリアの第1計測地点で計測された対象日における予測時点以前の人流に係る情報を取得する第1取得手段と、
前記対象エリアの近傍の施設の第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段と、
少なくとも前記対象エリアの前記第1計測地点で計測された人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された人流に係る情報の両者を用いて前記対象エリアの前記第1計測地点における人流を予測する予測モデルに、少なくとも前記対象エリアの前記第1計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報の両者を入力することで、前記予測時点から所定時間後の予測対象時点における前記対象エリアの前記第1計測地点における人流を予測する予測手段と、
を備えることを特徴とする。
前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報を取得する第3取得手段をさらに備え、
前記予測手段は、前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報をさらに用いて、前記予測対象時点における前記対象エリアの前記第1計測地点における人流を予測することを特徴とする。
前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報を取得する第4取得手段をさらに備え、
前記予測手段は、前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの前記第1計測地点における人流を予測することを特徴とする。
前記予測時点の時刻に係る情報を取得する第5取得手段をさらに備え、
前記予測手段は、前記予測時点の時刻に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの前記第1計測地点における人流を予測することを特徴とする。
前記予測手段は、少なくとも前記対象エリアの人流に係る情報及び前記対象エリアの近傍の施設の人流に係る情報を用いた機械学習により生成された予測モデルに基づいて、前記予測対象時点における前記対象エリアの前記第1計測地点における人流を予測することを特徴とする。
請求項1から5のいずれか一項に記載の混雑予測装置と、前記対象エリアの入場可能人数の超過につき予測する超過予測手段と、を備え、
前記超過予測手段は、前記対象エリアの入場可能人数を算出した上で、当該入場可能人数と前記混雑予測装置が予測した前記対象エリアの前記第1計測地点における人流との関係が所定の関係を満たす場合に、前記対象エリアへの入場者数が、前記入場可能人数を超過するものと予測することを特徴とする。
対象エリアの第1計測地点で計測された対象日における予測時点以前の人流に係る情報を取得する第1取得ステップと、
前記対象エリアの近傍の施設の第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得ステップと、
少なくとも前記対象エリアの前記第1計測地点で計測された人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された人流に係る情報の両者を用いて前記対象エリアの前記第1計測地点における人流を予測する予測モデルに、少なくとも前記対象エリアの前記第1計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報の両者を入力することで、前記予測時点から所定時間後の予測対象時点における前記対象エリアの前記第1計測地点における人流を予測する予測ステップと、
を含むことを特徴とする。
コンピュータを、
対象エリアの第1計測地点で計測された対象日における予測時点以前の人流に係る情報を取得する第1取得手段、
前記対象エリアの近傍の施設の第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段、
少なくとも前記対象エリアの前記第1計測地点で計測された人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された人流に係る情報の両者を用いて前記対象エリアの前記第1計測地点における人流を予測する予測モデルに、少なくとも前記対象エリアの前記第1計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記第2計測地点で計測された前記対象日における前記予測時点以前の人流に係る情報の両者を入力することで、前記予測時点から所定時間後の予測対象時点における前記対象エリアの前記第1計測地点における人流を予測する予測手段、
として機能させることを特徴とする。
Claims (10)
- 対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得手段と、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段と、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測手段と、
を備えることを特徴とする混雑予測装置。 - 前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報を取得する第3取得手段をさらに備え、
前記予測手段は、前記対象日の曜日及び/又は前記対象日が休日に該当するか否かに係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする請求項1に記載の混雑予測装置。 - 前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報を取得する第4取得手段をさらに備え、
前記予測手段は、前記対象日の前記対象エリアの近傍の所定の施設におけるイベント開催の有無に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする請求項1又は2に記載の混雑予測装置。 - 前記予測時点の時刻に係る情報を取得する第5取得手段をさらに備え、
前記予測手段は、前記予測時点の時刻に係る情報をさらに用いて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする請求項1から3のいずれか一項に記載の混雑予測装置。 - 前記予測手段は、少なくとも前記対象エリアの人流に係る情報及び前記対象エリアの近傍の施設の人流に係る情報を用いた機械学習により生成された予測モデルに基づいて、前記予測対象時点における前記対象エリアの人流を予測することを特徴とする請求項1から4のいずれか一項に記載の混雑予測装置。
- 請求項5に記載の混雑予測装置と、前記予測モデルを生成する予測モデル生成手段と、を備えることを特徴とする混雑予測システム。
- 請求項1から5のいずれか一項に記載の混雑予測装置と、前記対象エリアの入場可能人数の超過につき予測する超過予測手段と、を備え、
前記超過予測手段は、前記対象エリアの入場可能人数を算出した上で、当該入場可能人数と前記混雑予測装置が予測した前記対象エリアの人流との関係が所定の関係を満たす場合に、前記対象エリアへの入場者数が、前記入場可能人数を超過するものと予測することを特徴とする混雑予測システム。 - 前記超過予測手段は、前記対象エリアの衛星写真から前記対象エリアの面積を推定し、推定した面積に基づき前記対象エリアの入場可能人数を算出することを特徴とする請求項7に記載の混雑予測システム。
- 対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得ステップと、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得ステップと、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測ステップと、
を含むことを特徴とする混雑予測方法。 - コンピュータを、
対象エリアの対象日における予測時点以前の人流に係る情報を取得する第1取得手段、
前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を取得する第2取得手段、
少なくとも前記対象エリアの前記対象日における前記予測時点以前の人流に係る情報及び前記対象エリアの近傍の施設の前記対象日における前記予測時点以前の人流に係る情報を用いて、前記予測時点から所定時間後の予測対象時点における前記対象エリアの人流を予測する予測手段、
として機能させることを特徴とする混雑予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020138115A JP7175072B2 (ja) | 2020-08-18 | 2020-08-18 | 混雑予測システム、混雑予測方法及び混雑予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020138115A JP7175072B2 (ja) | 2020-08-18 | 2020-08-18 | 混雑予測システム、混雑予測方法及び混雑予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022034358A true JP2022034358A (ja) | 2022-03-03 |
JP7175072B2 JP7175072B2 (ja) | 2022-11-18 |
Family
ID=80442089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020138115A Active JP7175072B2 (ja) | 2020-08-18 | 2020-08-18 | 混雑予測システム、混雑予測方法及び混雑予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7175072B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592638A (zh) * | 2023-10-20 | 2024-02-23 | 南京新中安物联技术股份有限公司 | 一种景区客流分析与管控的方法及系统 |
WO2024100757A1 (ja) * | 2022-11-08 | 2024-05-16 | 日本電信電話株式会社 | 移動コスト推定装置、移動コスト学習装置、移動コスト推定方法、及び移動コスト推定プログラム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004178358A (ja) * | 2002-11-28 | 2004-06-24 | Meidensha Corp | イベント警備監視方法及びイベント警備監視装置 |
JP2010231605A (ja) * | 2009-03-27 | 2010-10-14 | Denso It Laboratory Inc | イベント判断装置 |
JP2017152964A (ja) * | 2016-02-25 | 2017-08-31 | 株式会社東芝 | 監視装置および監視装置用プログラム |
WO2017149720A1 (ja) * | 2016-03-03 | 2017-09-08 | 三菱電機株式会社 | 混雑予測装置および混雑予測方法 |
JP2018073236A (ja) * | 2016-11-01 | 2018-05-10 | 日本電信電話株式会社 | 人流量予測装置、人流量予測方法、及び人流量予測プログラム |
US20180189669A1 (en) * | 2016-12-29 | 2018-07-05 | Uber Technologies, Inc. | Identification of event schedules |
JP2019074986A (ja) * | 2017-10-18 | 2019-05-16 | 株式会社ゼンリンデータコム | 動態管理サーバ、動態管理方法および動態管理プログラム |
JP2019177760A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社日立製作所 | 輸送機関混雑予測システム及び混雑予測方法 |
JP2020001860A (ja) * | 2018-06-26 | 2020-01-09 | 株式会社日立製作所 | 人流予測方法及び人流予測システム |
-
2020
- 2020-08-18 JP JP2020138115A patent/JP7175072B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004178358A (ja) * | 2002-11-28 | 2004-06-24 | Meidensha Corp | イベント警備監視方法及びイベント警備監視装置 |
JP2010231605A (ja) * | 2009-03-27 | 2010-10-14 | Denso It Laboratory Inc | イベント判断装置 |
JP2017152964A (ja) * | 2016-02-25 | 2017-08-31 | 株式会社東芝 | 監視装置および監視装置用プログラム |
WO2017149720A1 (ja) * | 2016-03-03 | 2017-09-08 | 三菱電機株式会社 | 混雑予測装置および混雑予測方法 |
JP2018073236A (ja) * | 2016-11-01 | 2018-05-10 | 日本電信電話株式会社 | 人流量予測装置、人流量予測方法、及び人流量予測プログラム |
US20180189669A1 (en) * | 2016-12-29 | 2018-07-05 | Uber Technologies, Inc. | Identification of event schedules |
JP2019074986A (ja) * | 2017-10-18 | 2019-05-16 | 株式会社ゼンリンデータコム | 動態管理サーバ、動態管理方法および動態管理プログラム |
JP2019177760A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社日立製作所 | 輸送機関混雑予測システム及び混雑予測方法 |
JP2020001860A (ja) * | 2018-06-26 | 2020-01-09 | 株式会社日立製作所 | 人流予測方法及び人流予測システム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024100757A1 (ja) * | 2022-11-08 | 2024-05-16 | 日本電信電話株式会社 | 移動コスト推定装置、移動コスト学習装置、移動コスト推定方法、及び移動コスト推定プログラム |
CN117592638A (zh) * | 2023-10-20 | 2024-02-23 | 南京新中安物联技术股份有限公司 | 一种景区客流分析与管控的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7175072B2 (ja) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hörcher et al. | Crowding cost estimation with large scale smart card and vehicle location data | |
Cats et al. | Real-time bus arrival information system: an empirical evaluation | |
Hickman et al. | Passenger travel time and path choice implications of real-time transit information | |
Zolfaghari et al. | A model for holding strategy in public transit systems with real-time information | |
Zaki et al. | Online bus arrival time prediction using hybrid neural network and Kalman filter techniques | |
JP6675860B2 (ja) | データ処理方法およびデータ処理システム | |
US20190095836A1 (en) | Prediction of actual loads from fare collection data | |
Cats et al. | Evaluating the added-value of online bus arrival prediction schemes | |
JP2022034358A (ja) | 混雑予測装置、混雑予測システム、混雑予測方法及び混雑予測プログラム | |
CN112598177B (zh) | 一种城市轨道交通突发事件在线客流预测与仿真系统 | |
Tirachini et al. | Headway variability in public transport: A review of metrics, determinants, effects for quality of service and control strategies | |
JP5287488B2 (ja) | 情報提供装置および情報提供方法 | |
CN108960532A (zh) | 一种车站实时客流状态预测与预警系统及方法 | |
Thodi et al. | An analytical approach to real-time bus signal priority system for isolated intersections | |
Yoo et al. | Controlling passenger flow to mitigate the effects of platform overcrowding on train dwell time | |
Asgharzadeh et al. | Real-time bus-holding control strategy to reduce passenger waiting time | |
Singh et al. | Decomposing journey times on urban metro systems via semiparametric mixed methods | |
JP2017062533A (ja) | ポイントシステム、ポイント決定方法 | |
Büchel et al. | What do we know when? modeling predictability of transit operations | |
JP2007249277A (ja) | 車両混雑状況予測システム及び方法、プログラム | |
Hua et al. | Effect of information contagion during train service disruption for an integrated rail-bus transit system | |
Carrel et al. | A framework for evaluating operations control on a metro line: integrating multiple perspectives and automatically collected train and passenger movement data | |
Schil | Measuring journey time reliability in London using automated data collection systems | |
WO2015114955A1 (ja) | 情報提供システム及び方法 | |
Sánchez-Martínez | Real-time operations planning and control of high-frequency transit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200901 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210618 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210618 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211021 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220118 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220725 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220725 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220725 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220815 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220816 |
|
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: 20221101 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7175072 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |