JP2022189386A - 情報処理装置、情報処理方法及びプログラム - Google Patents

Abstract

【課題】水素ステーションにおける水素の需要を精度よく予測することが可能な情報処理装置を提供する。【解決手段】情報処理装置１０は、入力データ取得部１２４と、予測部１４０とを有する。入力データ取得部１２４は、水素を燃料とする車両に関する顧客の行動パターンを取得する。予測部１４０は、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関し、特に、水素ステーションにおける水素の需要を予測する情報処理装置、情報処理方法及びプログラムに関する。

特許文献１は、水素燃料の充填を円滑に行うことを目的とする水素ステーションの予約システムの制御方法を開示する。特許文献１にかかる方法は、ユーザの車両が水素ステーションで水素燃料を充填する日時を予約するための予約情報を入力可能にすると共に、入力された予約情報を登録可能な水素充填予約表を作成する。また、特許文献１にかかる方法は、ユーザからの予約情報が登録された水素充填予約表を用いて読み出した日から予め設定された日数が経過した注目日における水素燃料の必要量を算出する。

特開２０１６－１８３７６８号公報

特許文献１にかかる技術では、ユーザが予約をしないと、ユーザが水素ステーションを訪問するか否かを把握できない。したがって、特許文献１の技術を用いて水素ステーションにおける水素の需要を予測しようとしても、予測精度が不十分となるおそれがある。

本発明は、水素ステーションにおける水素の需要を精度よく予測することが可能な情報処理装置、情報処理方法及びプログラムを提供するものである。

本発明にかかる情報処理装置は、水素を燃料とする車両に関する顧客の行動パターンを取得する取得部と、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する予測部と、を有する。

また、本発明にかかる情報処理方法は、水素を燃料とする車両に関する顧客の行動パターンを取得し、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。

また、本発明にかかるプログラムは、水素を燃料とする車両に関する顧客の行動パターンを取得するステップと、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測するステップと、をコンピュータに実行させる。

本発明は、顧客の行動パターンを用いて水素の需要を予測するように構成されているので、顧客が予約を行わなくても、水素の需要を予測することができる。したがって、本発明は、水素の需要を精度よく予測することが可能となる。

また、好ましくは、前記予測部は、予測された需要に基づいて、タイミングに応じた供給可能な水素量を決定する。
本発明は、このように構成されていることによって、水素ステーションの収益の安定化を図ることが可能となる。

また、好ましくは、前記予測部は、予測された需要に基づいて、水素の高圧ガスを準備するタイミングを決定する。
本発明は、このように構成されていることによって、顧客が水素ステーションを訪問した際に水素を車両に供給できないといった機会損失を抑制することが可能となる。

また、好ましくは、前記予測部は、前記行動パターンで示される、前記顧客が水素を車両に充填するタイミングに基づいて、水素の需要を予測する。
本発明は、このように構成されていることによって、水素の需要の予測精度を向上することができる。

また、好ましくは、前記予測部は、前記行動パターンで示される、前記顧客からの予約情報に基づいて、水素の需要を予測する。
本発明は、このように構成されていることによって、水素の需要の予測精度を向上することができる。

また、好ましくは、前記需要予測モデルに対して機械学習を行う学習部をさらに有し、前記学習部は、前記予測部によって予測された需要と実際の需要との差分に応じて、前記需要予測モデルに対する学習を継続して行う。
本発明は、このように構成されていることによって、需要の予測精度を、さらに向上させることができる。

また、好ましくは、予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを顧客に通知する通知部をさらに有する。
本発明は、このように構成されていることによって、水素の需要と供給との調整をより確実に行うことが可能となる。

また、好ましくは、複数の前記水素ステーションによって水素ステーション群が構成され、前記通知部は、ある水素ステーションが実際に供給可能な水素量がその水素ステーションにおける予測された需要量を下回る場合に、当該水素ステーションが属する前記水素ステーション群における、水素を供給可能な他の水素ステーションで水素を供給できる旨を、顧客に通知する。
本発明は、このように構成されていることによって、水素ステーション群における水素の供給のバランスをとることが可能となる。

本発明によれば、水素ステーションにおける水素の需要を精度よく予測することが可能な情報処理装置、情報処理方法及びプログラムを提供できる。

実施の形態１にかかる情報処理システムを示す図である。 実施の形態１にかかる情報処理装置のハードウェア構成を示す図である。 実施の形態１にかかる情報処理装置の構成を示すブロック図である。 実施の形態１にかかる需要予測モデルに入力される入力データを例示する図である。 実施の形態１にかかる入力データにおける特徴量を例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる需要予測モデルから出力される出力データを例示する図である。 実施の形態１にかかる需要予測部によって得られた需要予測を例示する図である。 実施の形態１にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態１にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態２にかかる水素ステーション群を例示する図である。 実施の形態２にかかる情報処理装置の構成を示すブロック図である。 実施の形態２にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。

（実施の形態１）
以下、図面を参照して本発明の実施の形態について説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

図１は、実施の形態１にかかる情報処理システム１を示す図である。情報処理システム１は、複数の車両２と、情報処理装置１０とを有する。車両２は、水素を燃料とする車両（例えば燃料電池車）である。情報処理装置１０は、例えばサーバ等のコンピュータである。情報処理装置１０と車両２とは、無線等のネットワーク１ａを介して、通信可能に接続され得る。なお、車両２は、図２を用いて後述する、情報処理装置１０のハードウェア構成を有していてもよい。

情報処理装置１０は、車両２に水素を供給する水素ステーションにおける水素の需要を予測する。具体的には、情報処理装置１０は、ディープラーニング、ニューラルネットワーク、又はリカレントニューラルネットワーク等の機械学習のアルゴリズムによって、水素の需要を予測する。情報処理装置１０は、１つ又は複数のコンピュータによって実現され得る。また、情報処理装置１０は、クラウドシステムによって実現されてもよい。したがって、情報処理装置１０は、物理的に１つの装置によって実現されることに限定されない。

図２は、実施の形態１にかかる情報処理装置１０のハードウェア構成を示す図である。情報処理装置１０は、主要なハードウェア構成として、ＣＰＵ１２（Central Processing Unit）と、ＲＯＭ１４（Read Only Memory）と、ＲＡＭ１６（Random Access Memory）と、インタフェース部１８（ＩＦ；Interface）とを有する。ＣＰＵ１２、ＲＯＭ１４、ＲＡＭ１６及びインタフェース部１８は、データバスなどを介して相互に接続されている。

ＣＰＵ１２は、制御処理及び演算処理等を行う演算装置（処理デバイスまたはプロセッサ）としての機能を有する。なお、演算装置は、ＮＰＵ（Neural network Processing Unit）又はＧＰＵ（Graphics Processing Unit）等の、機械学習のための専用の装置によって実現されてもよい。ＲＯＭ１４は、ＣＰＵ１２（演算装置）によって実行される制御プログラム及び演算プログラム等を記憶するストレージとしての機能を有する。ＲＡＭ１６は、処理データ等を一時的に記憶するメモリとしての機能を有する。インタフェース部１８は、有線又は無線を介して外部と信号の入出力を行う、通信装置としての機能を有する。また、インタフェース部１８は、ユーザによるデータの入力の操作を受け付け、ユーザに対して情報を表示するための処理を行う、ユーザインタフェースとしての機能を有する。インタフェース部１８は、需要予測の結果を表示してもよい。

図３は、実施の形態１にかかる情報処理装置１０の構成を示すブロック図である。実施の形態１にかかる情報処理装置１０は、学習部１００と、学習済みモデル格納部１２２と、入力データ取得部１２４（取得部）と、予測部１４０と、通知部１５０と、学習継続処理部１６０とを有する。学習部１００は、教師データ取得部１０２と、需要予測モデル学習部１０４とを有する。予測部１４０は、需要予測部１４２と、供給可能量決定部１４４とを有する。

これらの構成要素は、例えば、ＣＰＵ１２（演算装置）がＲＯＭ１４（記憶装置）に記憶されたプログラムを実行することによって実現可能である。また、各構成要素は、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールするようにして、実現されるようにしてもよい。なお、各構成要素は、上記のようにソフトウェアによって実現されることに限定されず、何らかの回路素子等のハードウェアによって実現されてもよい。また、上記構成要素の１つ以上は、物理的に別個のハードウェアによってそれぞれ実現されてもよい。例えば、学習部１００は、他の構成要素と別個のハードウェアによって実現されてもよい。

学習部１００は、上述した機械学習アルゴリズムによって、水素ステーションの水素の需要を予測するための需要予測モデルを学習する。言い換えると、学習部１００は、需要予測モデルに対して機械学習を行う。学習部１００は、少なくとも顧客の行動パターンを用いて水素の需要を予測するように機械学習を行う。したがって、需要予測モデルは、少なくとも顧客の行動パターンを示す顧客行動パターン情報を含む入力データを入力として、水素ステーションごとの需要（水素の予測需要量（需要予測量））を出力する。需要予測量は、予め定められた期間後（例えば１日後、２日後、１週間後、１カ月後等）の、水素の需要量を示す。

教師データ取得部１０２は、入力データと正解データとの組である教師データを取得する。入力データは、顧客行動パターン情報と、地域情報とを含む。ここで、入力データは、時間の経過とともにその特徴量の値が変化する時系列データである。

顧客行動パターン情報は、複数の顧客それぞれの行動パターンを示す。したがって、顧客行動パターン情報は、複数の顧客それぞれについて生成され得る。顧客行動パターン情報は、例えば、顧客の所有する車両２から、ネットワーク１ａを介して取得され得る。顧客行動パターン情報は、例えば、顧客が車両２に水素を充填するタイミング（充填する頻度）、顧客が訪問した水素ステーション、及び、水素を充填する際の充填量を示す。詳しくは後述する。

地域情報は、顧客の行動パターンとは異なる情報であり、地域における各種の情報を示す。地域情報は、例えば、天候、対応する地域の水素ステーションに関する情報、及び、対応する地域のイベントに関する情報等を示す。詳しくは後述する。

正解データは、運用段階（推論段階、予測段階）における、出力データに対応する。ここで、上述したように、出力データは、水素ステーションごとの、予め定められた期間後の水素の需要量を示す。したがって、正解データは、水素ステーションごとの、あるタイミングにおける実際の水素の需要量に対応している。

需要予測モデル学習部１０４は、取得された教師データを用いて、需要予測モデルの学習処理を行う。需要予測モデルは、例えば、ディープラーニング、ニューラルネットワーク、又はリカレントニューラルネットワーク等の機械学習アルゴリズムによって実現され得る。需要予測モデル学習部１０４は、入力データを入力とし、予測された値と正解データとの差が小さくなるように、需要予測モデルの学習を行う。需要予測モデル学習部１０４は、予測された値と正解データとの差が小さくなるように、重みとなるパラメータの調整等を行う。需要予測モデル学習部１０４は、ある期間（例えば数カ月間）における教師データを学習用データとして用いて需要予測モデルを生成してもよい。そして、需要予測モデル学習部１０４は、その期間の後の所定期間（例えば数週間）における教師データを評価用データとして用いて、需要予測モデルのパラメータ（重み等）を調整してもよい。また、需要予測モデル学習部１０４は、オートエンコーダにより、入力データから重要な特徴量を抽出してもよい。

図４は、実施の形態１にかかる需要予測モデルに入力される入力データを例示する図である。図４に例示するように、入力データは、複数の特徴量の時系列データである。図４の例では、横軸を時間軸とし、縦軸を時系列の特徴量とした入力データが示されている。つまり、各特徴量ｘ_１，ｘ_２，ｘ_３，・・・，ｘ_Ｎは、時系列データである。Ｎは、特徴量の数である。特徴量は、例えば、所定期間Δｔごとにサンプリングされてもよい。この場合、図４の横軸におけるｔ_１，ｔ_２，ｔ_３，・・・，ｔ_ｋの時間間隔は、Δｔである。また、Δｔは、例えば３０分でもよいし、１時間でもよいし、６時間でもよいし、１日（２４時間）でもよい。このサンプリング周期Δｔは、所望の需要予測の時系列的な細かさに依存して、適宜、設定され得る。例えば、数時間ごとの需要予測を得たい場合のサンプリング周期Δｔは、数日ごとの需要予測を得たい場合のサンプリング周期Δｔよりも短くてもよい。

また、入力データは、顧客及び地域ごとに生成され得る。例えば、顧客＃１，顧客＃２，顧客＃３についての入力データ（顧客行動パターン情報）Ｕ_１，Ｕ_２，Ｕ_３が、それぞれ生成される。また、例えば、地域＃１，地域＃２，地域＃３についての入力データ（地域情報）Ｕ_ｍ＋１，Ｕ_ｍ＋２，Ｕ_ｍ＋３が、それぞれ生成される。これらの入力データＵ_１～Ｕ_Ｍの組が、入力データとして、需要予測モデルに入力される。

図５は、実施の形態１にかかる入力データにおける特徴量を例示する図である。なお、図５に例示する特徴量は、一例にすぎず、他の様々な特徴量が可能である。ここで、図５において、成分ｘ_１～ｘ_ｎは、顧客行動パターン情報における特徴量を示す。また、成分ｘ_ｎ＋１～ｘ_Ｎは、地域情報における特徴量を示す。なお、顧客行動パターン情報において、ｘ_ｎ＋１～ｘ_Ｎの値は、０であってもよい。同様に、地域情報において、ｘ_１～ｘ_ｎの値は、０であってもよい。

顧客行動パターン情報に含まれる特徴量について、図５に示す例では、成分ｘ_１は、対応する顧客の、対応する時間（サンプリング時間）における車両２の位置（車両位置）を示す。また、成分ｘ_２は、対応する顧客の車両２の、対応する時間（サンプリング時間）における水素残量を示す。水素残量は、充填率（State Of Charge：ＳＯＣ）であってもよい。

また、成分ｘ_３は、対応する時間（サンプリング時間）における、対応する顧客が車両２に水素を充填するために訪問した水素ステーションを示す。なお、ｘ_３の成分値は、例えば、「水素ステーションＡ：ｘ_３＝１」、「水素ステーションＢ：ｘ_３＝２」といったように、水素ステーションごとに予め定められている。なお、対応する時間（サンプリング時間）に顧客が水素ステーションを訪問していない場合、ｘ_３の成分値は、０であってもよい。

また、成分ｘ_４は、対応する顧客の車両２に充填された水素の充填量を示す。なお、充填量は、水素を充填した際に増加した充填率であってもよい。なお、対応する時間（サンプリング時間）において顧客が水素を車両２に充填していない場合、ｘ_４の成分値は、０であってもよい。また、成分ｘ_５は、対応する顧客に関する予約情報を示す。予約情報は、対応する時間（サンプリング時間）について、顧客が水素ステーションを訪問して水素を充填することを予め予約したか否かを示す。なお、ｘ_５の成分値は、例えば、「予約有：ｘ_５＝１」、「予約無：ｘ_５＝０」といったように、予約の有無ごとに予め定められている。

また、成分ｘ_６は、対応する顧客の水素ステーションごとの訪問頻度を示す。また、成分ｘ_７は、対応する顧客が車両２に水素を充填する充填頻度を示す。また、成分ｘ_８は、対応する顧客の行動パターンの季節変動を示す。なお、後述するように、ｘ_６～ｘ_８は、時系列データでなくてもよく、顧客行動パターン情報から導き出され得る。したがって、ｘ_６～ｘ_８は、特徴量として含まれていなくてもよい。

地域情報に含まれる特徴量について、図５に示す例では、成分ｘ_ｎ＋１は、対応する時間（サンプリング時間）における、対応する地域の天気を示す。なお、ｘ_ｎ＋１の成分値は、例えば、「晴天：ｘ_ｎ＋１＝１」、「雨天：ｘ_ｎ＋１＝２」といったように、天気（晴天、雨天等）ごとに、予め定められている。また、成分ｘ_ｎ＋２は、対応する時間（サンプリング時間）における、対応する地域の気温を示す。また、成分ｘ_ｎ＋３は、対応する時間（サンプリング時間）における、対応する地域に設けられた水素ステーションの稼働状況を示す。稼働状況は、例えば、曜日ごと及び時間帯ごとに、対応する水素ステーションが稼働しているか否かを示す。また、成分ｘ_ｎ＋４は、対応する地域のイベント開催情報を示す。イベント開催情報は、対応する時間（サンプリング時間）において開催させるイベントの種類、及び、イベントの規模（収容人数等）を示してもよい。

図６～図９は、実施の形態１にかかる顧客行動パターンを例示する図である。図６～図９に例示した顧客行動パターンは、横軸を時間とし、縦軸を、対応する顧客の車両２の水素の充填率（水素残量）とするグラフとして示されている。したがって、顧客行動パターンは、時系列データである。なお、図６～図９は、水素の充填率の時間経過を示している。したがって、図６～図９における充填率の時間経過は、図５に例示した特徴量の「水素残量」に対応する。なお、顧客行動パターンは、対応する車両２の位置の時間経過を示してもよい。この場合、車両２の位置の時間経過は、図５に例示した特徴量の「車両位置」に対応する。

図６は、顧客＃１の顧客行動パターンを例示する。図６に例示した顧客行動パターンでは、顧客＃１の車両２では、水素の充填率が９０％のときから２週間程度が経過すると、充填率が２０％まで低下する。そして、１回目に充填率が２０％まで低下したとき（時間ｔ１１）に、顧客＃１は、水素ステーションＡを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＡを訪問して水素を充填する旨の予約を行っている。

また、２回目に充填率が２０％まで低下したとき（時間ｔ１２）に、顧客＃１は、水素ステーションＢを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＢを訪問して水素を充填する旨の予約を行っていない。また、３回目に充填率が２０％まで低下したとき（時間ｔ１３）に、顧客＃１は、水素ステーションＡを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＡを訪問して水素を充填する旨の予約を行っていない。

ここで、図６に例示した顧客行動パターンにおいて、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ水素ステーションＡ、水素ステーションＢ及び水素ステーションＡを訪問したことは、図５に例示した特徴量の「訪問した水素ステーション」に対応する。また、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ充填率７０％分の水素が充填されたことは、図５に例示した特徴量の「１回当たりの充填量」に対応する。また、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ「予約：有」、「予約：無」及び「予約：無」であることは、図５に例示した特徴量の「予約情報」に対応する。

また、顧客＃１が時間ｔ１１及び時間ｔ１３に水素ステーションＡを訪問し、時間ｔ１２に水素ステーションＢを訪問したことは、図５に例示した特徴量の「水素ステーションごとの訪問頻度」に対応する。また、２週間ごとに水素が充填されたことは、図５に例示した特徴量の「充填頻度」に対応する。

図７は、図６とは異なる季節の顧客＃１の顧客行動パターンを例示する。図６は、夏期の顧客行動パターンに対応し、図７は、冬期の顧客行動パターンに対応する。夏期では、顧客＃１は、充填率が２０％まで低下したときに水素を車両２に充填しているが、冬期では、顧客＃１は、充填率が４０％まで低下したときに水素を車両２に充填している。つまり、顧客＃１は、冬期では、夏期よりも、充填率が低下しないうちに水素を車両２に充填している。一方、夏期では、顧客＃１は、２週間ごとに水素を車両２に充填しているが、冬期では、顧客＃１は、３週間ごとに水素を車両２に充填している。つまり、顧客＃１の充填頻度は、冬期の方が夏期よりも低い。このように、季節に応じて行動パターンが異なることは、図５に例示した特徴量の「季節変動」に対応する。

図８は、顧客＃２の顧客行動パターンを例示する。また、図９は、顧客＃３の顧客行動パターンを例示する。なお、図８と図９とで、時間軸は同じであるとする。図８に例示するように、顧客＃２は、１カ月ごとに水素を車両２に充填する。また、顧客＃２は、充填率が２０％まで低下したときに、水素を車両２に充填する。一方、図９に例示するように、顧客＃３は、２週間ごとに水素を車両２に充填するが、２カ月間水素を車両２に充填しないこともある。また、顧客＃３は、充填率が４０％まで低下したときに、水素を車両２に充填する。つまり、顧客＃３は、顧客＃２よりも、通常の充填頻度が高い。また、顧客＃３は、顧客＃２よりも、充填率が低下しないうちに水素を車両２に充填している。また、顧客＃２は、概ね同じ周期で水素を車両２に充填するのに対し、顧客＃３は、水素の消費が少ない期間があるので、水素を車両２に充填する周期は一定でない。このように、顧客によって、行動パターンは異なり得る。

図１０は、実施の形態１にかかる需要予測モデルから出力される出力データを例示する図である。図１０に例示するように、需要予測モデルからは、各水素ステーションにおける、所定期間後の予測される水素の需要量が出力される。図１０の例では、水素ステーションＡについて、期間Ｔ_１後の水素の需要量、期間Ｔ_２後の水素の需要量、期間Ｔ_３後の水素の需要量、及び期間Ｔ_４後の水素の需要量が、需要予測モデルから出力される。水素ステーションＢ及び水素ステーションＣについても同様である。

ここで、学習段階において使用される教師データにおいて、正解データは、図１０に例示した出力データに対応し得る。したがって、正解データは、例えば、水素ステーションＡについて、入力される顧客行動パターン情報の時系列上の最後の時点（図４のｔ_ｋに対応）から期間Ｔ_１後、期間Ｔ_２後、期間Ｔ_３後、及び期間Ｔ_４後の、水素の実際の需要量であってもよい。

なお、学習段階では、顧客行動パターン情報については、水素需要の予測対象タイミング（期間Ｔ_１後等の、所定期間後の時点）よりも前の情報が、入力データとして使用され得る。なお、運用段階では、顧客行動パターン情報については、時系列上の過去の情報が、入力データとして使用され得る。なぜならば、運用段階において、将来の顧客行動パターン情報を取得することは、実質的に困難であるからである。なお、顧客行動パターン情報において、予約情報については、予測対象タイミングで予約が有る場合には、予測対象タイミングまでの情報（将来の情報）が、入力データとして使用されてもよい。

一方、地域情報については、予測対象タイミングまでの情報も、入力データとして使用されてもよい。つまり、運用段階において、地域情報については、将来の情報も、入力データとして使用され得る。ここで、図５の例において、「天気」及び「気温」は、天気予報から取得可能である。また、「水素ステーションの稼働状況」は、水素ステーションの稼働予定から取得可能である。また、「イベント開催情報」は、イベントの開催予定から取得可能である。

需要予測モデル学習部１０４は、時間Ｔ_０における期間Ｔ_１後の需要予測を学習する場合には、Ｔ_０から過去に遡った期間ΔＴ分の入力データを入力とし、時間Ｔ_０から期間Ｔ_１後の実際の水素の需要量を正解データとして、需要予測モデルの学習を行ってもよい。なお、ΔＴは、図４の時間軸におけるｔ_１からｔ_ｋまでの期間に対応する。ここで、ΔＴ＞Δｔである。例えばサンプリング周期がΔｔ＝３０分である場合、ΔＴ＝６時間として、Ｔ_０から過去６時間分の入力データを、需要予測モデルに入力してもよい。また、サンプリング周期がΔｔ＝２４時間である場合、ΔＴ＝１カ月として、Ｔ_０から過去１カ月分の入力データを、需要予測モデルに入力してもよい。あるいは、サンプリング周期がΔｔ＝２４時間である場合、ΔＴ＝１年として、Ｔ_０から過去１年分の入力データを、需要予測モデルに入力してもよい。

需要予測モデル学習部１０４は、需要予測モデルの学習が終了すると、学習済みモデル格納部１２２に、学習済みの需要予測モデルを出力する。これにより、学習済みモデル格納部１２２は、予め機械学習によって生成された学習済みモデルである需要予測モデルを格納する。そして、学習済みモデルである需要予測モデルは、図４及び図５に例示したような特徴量を含む時系列データである入力データを入力とし、図１０に例示したような水素ステーションごとの水素の予測された需要を出力とする。

また、学習部１００は、後述する予測部１４０によって予測された需要と実際の需要との差分に応じて、需要予測モデルに対する学習を継続して行ってもよい。詳しくは後述する。

入力データ取得部１２４は、運用段階において、上述した入力データを取得する。ここで、入力データ取得部１２４は、少なくとも、顧客行動パターン（顧客行動パターン情報）を、入力データとして取得する。入力データ取得部１２４は、各車両２から、ネットワーク１ａを介して、インタフェース部１８を用いて、入力データである顧客行動パターン情報を取得する。また、入力データ取得部１２４は、地域情報を、入力データとして取得する。また、入力データ取得部１２４は、例えば、現在の時点から所定期間遡った時点までの間の、時系列データである顧客行動パターン情報を取得する。また、入力データ取得部１２４は、例えば、現在から所定期間遡った時点から、将来の取得可能な時点までの間の、時系列データである地域情報を取得する。

予測部１４０は、学習済みモデル格納部１２２に格納された需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。つまり、予測部１４０は、少なくとも顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。

需要予測部１４２は、学習済みモデル格納部１２２に格納された需要予測モデルに、入力データ取得部１２４によって取得された入力データを入力する。これにより、需要予測モデルは、図１０に例示したような、水素ステーションごとの水素の予測需要量を出力する。これにより、需要予測部１４２は、水素ステーションごとに、水素の需要量を予測する。

このように、需要予測部１４２（予測部１４０）は、少なくとも顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測するように構成されている。これにより、実施の形態１にかかる情報処理装置１０は、水素ステーションにおける水素の需要を精度よく予測することができる。すなわち、顧客の行動パターンを用いて水素の需要を予測するように構成されているので、顧客が水素ステーションを訪問して水素を充填する旨の予約を行わなくても、水素の需要を予測することができる。したがって、実施の形態１にかかる情報処理装置１０は、水素の需要を精度よく予測することが可能となる。

また、図５に例示した特徴量「水素残量」、「訪問した水素ステーション」及び「１回当たりの充填量」から、時系列データである顧客行動パターン情報には、顧客が水素を車両に充填するタイミングが示されていると言える。つまり、特徴量「水素残量」の成分値が上昇し、特徴量「訪問した水素ステーション」及び「１回当たりの充填量」の成分値が変化したタイミングが、顧客が水素を車両に充填したタイミングに対応する。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客が水素を車両に充填するタイミングを用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、顧客が水素を車両に充填するタイミングは、概ね同じ周期であることが多い。したがって、その周期に対応するタイミングで需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

また、図５に例示するように、顧客行動パターン情報には、車両位置が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客の車両位置を用いて、水素の需要を予測する。また、図５に例示するように、顧客行動パターン情報には、水素残量が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客の車両２の水素残量を用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、例えば、顧客の車両２の水素残量が、充填が必要となる程度（図６及び図８の例では充填率２０％、図７及び図９の例では充填率４０％）まで少なくなったタイミングで、顧客は水素ステーションを訪問する可能性が高い。また、顧客は、そのタイミングにおける車両位置に近い水素ステーションを訪問する可能性が高い。したがって、そのタイミングにおいて、そのタイミングにおける車両位置に近い水素ステーションの需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

また、図５に例示するように、顧客行動パターン情報には、予約情報が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客からの予約情報を用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、顧客は、予約情報に対応するタイミングで、水素ステーションを訪問する可能性が非常に高い。したがって、そのタイミングで需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

図１１は、実施の形態１にかかる需要予測部１４２によって得られた需要予測を例示する図である。図１１は、水素ステーションＡの需要予測を例示する。また、図１１は、横軸を時間軸とし、縦軸を予測需要量とするグラフを示す。ここで、需要予測モデルからは、図１０に例示するように、複数のタイミング（Ｔ_１後，Ｔ_２後，Ｔ_３後，Ｔ_４後，・・・）における予測需要量が出力される。したがって、これらの複数のタイミングにおける予測需要量をプロットすることによって、図１１に例示するグラフが生成され得る。

図１１に例示する需要予測では、Ｔａに対応するタイミングで需要が増加している。また、Ｔｂに対応するタイミングで需要が減少している。また、Ｔｃに対応するタイミングで需要が増加している。なお、Ｔａ，Ｔｂ，Ｔｃは、時刻を示していてもよいし、時間帯を示していてもよいし、日付を示していてもよい。各タイミングが時刻、時間帯又は日付のいずれを示すかは、どのタイミングの需要予測を行うかに依存し得る。例えば、需要予測モデルが１日のうちの時間帯ごとの需要予測を行うように構成されている場合は、上記のタイミングは、時間帯を示し得る。また、需要予測モデルが１週間又は１カ月のうちの日付ごとの需要予測を行うように構成されている場合は、上記のタイミングは、日付を示し得る。

供給可能量決定部１４４は、予測された需要に基づいて、タイミングに応じた供給可能な水素量（供給可能量）を決定する。具体的には、供給可能量決定部１４４は、需要が多いと予測されたタイミングでは供給可能量を多くするように、供給可能量を決定する。一方、供給可能量決定部１４４は、需要が少ないと予測されたタイミングでは供給可能量を少なくするように、供給可能量を決定する。図１１の例では、供給可能量決定部１４４は、水素ステーションＡについて、Ｔａのタイミングにおける供給可能量がＴｂのタイミングにおける供給可能量よりも多くなるように、各タイミングにおける供給可能量を決定する。同様に、供給可能量決定部１４４は、水素ステーションＡについて、Ｔｃのタイミングにおける供給可能量がＴｂのタイミングにおける供給可能量よりも多くなるように、各タイミングにおける供給可能量を決定する。

このように、供給可能量決定部１４４（予測部１４０）が、予測された需要に基づいて、タイミングに応じた供給可能な水素量（供給可能量）を決定することにより、水素ステーションの収益の安定化を図ることが可能となる。すなわち、需要が多いと予測されるタイミングで供給可能量を多くすることで、顧客が水素を車両２に充填しようと水素ステーションを訪問した際に水素ステーションが水素を供給できないといった機会損失を抑制することができる。また、需要が少ないと予測されるタイミングで供給可能量を少なくすることで、準備過剰によるロスを抑制することができる。したがって、水素ステーションの収益を安定させることが可能となる。

また、供給可能量決定部１４４は、予測された水素の需要に基づいて、水素の発注のタイミングに応じて、水素準備量を決定してもよい。具体的には、供給可能量決定部１４４は、各水素ステーションについて、発注の頻度に応じた期間の需要に対応する水素準備量を決定する。例えば、水素ステーションＡについては１週間ごとに水素を発注する場合、供給可能量決定部１４４は、水素ステーションＡについて、予測された水素の１週間分の需要に対応する水素準備量を決定する。例えば、水素準備量は、１週間のうちの需要が予測された各タイミングにおける予測需要量を合計することによって、決定されてもよい。このように、供給可能量決定部１４４（予測部１４０）が、予測された水素の需要に基づいて、水素の発注のタイミングに応じて、水素準備量を決定することによって、上述した機会損失又は準備過剰をさらに抑制できる。

また、供給可能量決定部１４４は、予測された需要に基づいて、水素の高圧ガスを準備するタイミングを決定してもよい。具体的には、１日のうちの時間帯ごとに水素の需要が予測されている場合、供給可能量決定部１４４は、需要が高くなる時間帯よりも所定時間前（例えば１時間前）に高圧ガス（高圧水素）を準備するように、高圧ガスを準備するタイミングを決定する。なお、「所定時間」は、水素の高圧化に要する時間に応じて、適宜、設定され得る。水素ステーションでは、水素が準備してあったとしても、水素を高圧化しておかないと、車両２に水素を供給できない。したがって、予測された需要に基づいて水素の高圧ガスを準備するタイミングを決定することで、顧客が水素ステーションを訪問した際に水素を車両２に供給できないといった機会損失を抑制することが可能となる。

通知部１５０は、予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを、顧客に通知する。通知部１５０は、インタフェース部１８を用いて、ネットワーク１ａを介して、顧客の装置に対して、水素を供給可能な水素ステーション及びその水素ステーションで水素を供給可能なタイミング（時間帯）を示す通知（供給可能通知）を送信する。

具体的には、通知部１５０は、各水素ステーションについて、水素の需要があると予測されたタイミングを判定する。例えば、通知部１５０は、各水素ステーションについて、水素の需要量が予め定められた値以上であると予測されたタイミングを判定する。そして、通知部１５０は、各水素ステーションについて、水素の需要量があると予測されたタイミングを、水素を供給可能なタイミングと設定する。そして、通知部１５０は、この水素ステーション及びタイミングに応じて、供給可能通知を生成する。通知部１５０は、生成された供給可能通知を送信する。

例えば、通知部１５０は、顧客の車両２に対して、供給可能通知を送信してもよい。これにより、車両２に、供給可能通知が表示される。この場合において、通知部１５０は、車両２に搭載されたナビゲーションシステムを用いて、供給可能通知を表示させるようにしてもよい。例えば、通知部１５０は、ナビゲーションシステムの画面に、水素を供給可能な水素ステーションが表示されている場合に、その水素ステーションで水素が供給できるタイミングを表示させるようにしてもよい。

また、例えば、通知部１５０は、顧客の所有する端末（スマートフォン等）に対して、供給可能通知を送信してもよい。この場合、通知部１５０は、顧客の端末で実現可能なナビゲーションシステムについて、上述した車両２のナビゲーションシステムについての処理と同様の処理を行ってもよい。あるいは、通知部１５０は、水素ステーションと水素を供給可能なタイミングとを対応付けたリストを端末に表示させるようにしてもよい。

あるいは、通知部１５０は、水素ステーションのウェブサイトに、供給可能通知を表示させるようにしてもよい。この場合、通知部１５０は、ウェブサイト上に地図を表示させて、地図上に表示された水素ステーションで水素を供給可能なタイミングを表示させるようにしてもよい。あるいは、通知部１５０は、水素ステーションと水素を供給可能なタイミングとを対応付けたリストを、ウェブサイトに表示させるようにしてもよい。

通知部１５０が、予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを顧客に通知することによって、顧客に対する利便性を向上させることができる。さらに、水素ステーションの側にとっても、準備した水素を供給できる可能性がより高まる。したがって、上記の通知を顧客に行うことによって、水素の需要と供給との調整をより確実に行うことが可能となる。

また、通知部１５０は、水素を供給可能な水素ステーション及び水素を供給可能なタイミングを通知する際に、水素の価格も通知するようにしてもよい。これにより、顧客は水素の価格と水素を車両２に充填できるタイミングとを同時に把握することができるので、顧客に対する利便性が向上する。

学習継続処理部１６０は、需要予測モデルの学習を継続するための処理を行う。具体的には、学習継続処理部１６０は、需要の予測値に対応する実績値（実際の需要量）を取得する。そして、学習継続処理部１６０は、需要の予測値と実績値との差分に応じて、学習部１００による学習の継続処理（学習継続処理）を行う。さらに具体的には、学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上である場合に、学習継続処理を行う。すなわち、需要の予測値と実績値との差分が大きくなった場合とは、需要予測モデルによる需要予測の精度が低下した可能性がある場合である。したがって、この場合に、需要予測モデルの再学習を行うことが好ましい。なお、上記の閾値は、要求される需要の精度に応じて、適宜、定められ得る。

学習継続処理は、例えば、以下のようにして行われ得る。学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上となった時点までの顧客行動パターン情報（及び地域情報）を、入力データとして取得する。また、学習継続処理部１６０は、その時点までに得られた需要の実績値を、正解データとして取得する。ここで、この時点では、需要予測モデルの学習段階よりも時間が経過していることから、この時点で取得される入力データのデータ量は、需要予測モデルの学習段階で用いられた入力データのデータ量よりも多い。そして、学習継続処理部１６０は、取得された入力データと正解データとの組を教師データとして、需要予測モデルの再学習を行うように、処理を行う。これにより、学習部１００は、需要予測モデルの再学習を行う。

なお、学習継続処理は、需要の予測値と実績値との差分が閾値以上となった時点で、直ちに実行される必要はない。例えば、需要の予測値と実績値との差分が閾値以上となることが、所定回数以上発生した場合に、学習継続処理が実行されてもよい。

このように、情報処理装置１０は、予測部１４０によって予測された需要と実際の需要との差分に応じて、機械学習のアルゴリズムに対する学習を継続して行ってもよい。このような構成によって、需要予測モデルが、実際の運用に合わせて調整されるので、需要の予測精度を、さらに向上させることが可能となる。

図１２及び図１３は、実施の形態１にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図１２及び図１３に示すフローチャートは、水素の需要を予測するための需要予測方法に対応する。

図１２は、需要予測モデルの学習段階における処理を示す。教師データ取得部１０２は、上述したように、入力データと正解データとの組である教師データを取得する（ステップＳ１０２）。需要予測モデル学習部１０４は、上述したように、取得された教師データを用いて、需要予測モデルの学習処理を行う（ステップＳ１０４）。

図１３は、需要予測モデルの運用段階における処理を示す。入力データ取得部１２４は、上述したように、入力データを取得する（ステップＳ１１２）。ここで、上述したように、入力データには、少なくとも、顧客行動パターン（顧客行動パターン情報）が含まれている。

需要予測部１４２は、上述したように、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量を取得する（ステップＳ１１４）。供給可能量決定部１４４は、上述したように、予測された需要に基づいて、供給可能量を決定する（ステップＳ１１６）。通知部１５０は、上述したように、水素を供給可能な水素ステーション及び時間帯（タイミング）を、顧客に通知する（ステップＳ１１８）。

学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上であるか否かを判定する（ステップＳ１２０）。需要の予測値と実績値との差分が閾値以上であると判定された場合（Ｓ１２０のＹＥＳ）、学習継続処理部１６０は、上述したように、学習継続処理を行う（ステップＳ１２２）。一方、需要の予測値と実績値との差分が閾値以上であると判定されなかった場合（Ｓ１２０のＮＯ）、Ｓ１２２の処理は行われない。そして、Ｓ１１２～Ｓ１２２の処理が、繰り返され得る。

（実施の形態２）
次に、実施の形態２について説明する。実施の形態２においては、複数の水素ステーションから構成される水素ステーション群（水素ステーショングループ）を考慮する点で、実施の形態１と異なる。なお、実施の形態２にかかる情報処理システム１の構成については、図１に示した実施の形態１にかかる情報処理システム１の構成と実質的に同様であるので、説明を省略する。また、実施の形態２にかかる情報処理装置１０のハードウェア構成については、図２に示した実施の形態１にかかる情報処理装置１０のハードウェア構成と実質的に同様であるので、説明を省略する。

図１４は、実施の形態２にかかる水素ステーション群を例示する図である。図１４に例示するように、複数の水素ステーションによって水素ステーション群が構成されている。例えば、水素ステーション群Ｘは、水素ステーションＡと水素ステーションＢとによって構成されている。言い換えると、水素ステーションＡ及び水素ステーションＢは、水素ステーション群Ｘに属している。また、水素ステーション群Ｙは、水素ステーションＣと水素ステーションＤとによって構成されている。言い換えると、水素ステーションＣ及び水素ステーションＤは、水素ステーション群Ｙに属している。なお、１つの水素ステーションが、複数の水素ステーション群に属していてもよい。

水素ステーション群は、例えば、水素を納入する納入元（水素製造業者等）が同じである複数の水素ステーションによって、構成され得る。また、水素ステーション群は、例えば、同じ地域に設けられた複数の水素ステーションによって、構成され得る。なお、水素ステーション群を構成する水素ステーションの数は２以上の任意の数であり得る。また、水素ステーション群ごとに、構成される水素ステーションの数は、異なっていてもよい。

図１５は、実施の形態２にかかる情報処理装置１０の構成を示すブロック図である。実施の形態２にかかる情報処理装置１０は、図３に示した実施の形態１にかかる情報処理装置１０の構成要素と実質的に同じ構成要素を有する。さらに、実施の形態２にかかる情報処理装置１０は、供給判定部２１０を有する。実施の形態２にかかる情報処理装置１０において、図３に示した情報処理装置１０の構成要素の機能については、特記しない限り、実施の形態１のものと実質的に同様であるので、説明を省略する。

供給判定部２１０は、各水素ステーションが、予測された需要に対応する水素を実際に供給できるのか否かを判定する。具体的には、供給判定部２１０は、各水素ステーションにおいて、需要が予測されたタイミングにおける実際の供給可能量を取得する。なお、実際の供給可能量は、供給可能量決定部１４４によって決定された供給可能量と異なっている可能性がある。すなわち、場合によっては、予測された需要に合わせて水素を準備できないことがある。その場合、実際の供給可能量は、供給可能量決定部１４４によって決定された供給可能量（つまり予測された需要量）よりも少なくなる。

供給判定部２１０は、各水素ステーションについて、予測された需要量とその予測されたタイミングにおける実際の供給可能量とを比較する。そして、供給判定部２１０は、実際の供給可能量が予測された需要量を下回る場合に、その水素ステーションにおいて、そのタイミングで水素を十分に顧客に供給できない可能性があると判定する。

この場合、供給判定部２１０は、その水素ステーションが属する水素ステーション群における、水素を供給可能な他の水素ステーションを、顧客に通知（提案）すると決定する。また、供給判定部２１０は、他の水素ステーションについて、そのタイミングにおいて、実際の供給可能量が予測された需要量以上であることを判定する。

したがって、この場合、通知部１５０は、この水素ステーションが属する水素ステーション群における、水素を供給可能な他の水素ステーションで水素を供給できる旨を、顧客に通知する。例えば、あるタイミングにおいて、水素ステーションＡについて実際の供給可能量が予測された需要量を下回るが、水素ステーションＢについては、実際の供給可能量が予測された需要量以上であるとする。この場合、通知部１５０は、水素ステーションＡが属する水素ステーション群Ｘにおける水素ステーションＢで水素を供給できる旨を、顧客に通知する。つまり、通知部１５０は、そのタイミングにおいて水素ステーションＡが水素を供給可能であると通知しなくてもよい。

実施の形態２にかかる情報処理装置１０は、ある水素ステーションにおいて、あるタイミングについて予測された需要に応じた十分な水素を供給できない場合に、そのタイミングで水素を供給可能な別の水素ステーションを顧客に通知するように構成されている。これにより、同じ水素ステーション群において、ある水素ステーションでは水素を供給できない可能性があるのに別の水素ステーションでは水素を供給できる可能性があるという、水素の供給のアンバランスを抑制できる。つまり、水素ステーション群における水素の供給のバランスをとることが可能となる。

図１６は、実施の形態２にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図１６は、需要予測モデルの運用段階における需要予測方法に対応する。図１３のＳ１１２と同様に、入力データ取得部１２４は、入力データ（少なくとも顧客行動パターン情報を含む）を取得する（ステップＳ２１２）。図１３のＳ１１４と同様に、需要予測部１４２は、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量を取得する（ステップＳ２１４）。図１３のＳ１１４と同様に、供給可能量決定部１４４は、予測された需要に基づいて、供給可能量を決定する（ステップＳ２１６）。

供給判定部２１０は、上述したように、ある水素ステーションについて、予測されたタイミングにおける、実際の供給可能量を取得する（ステップＳ２１８）。供給判定部２１０は、実際の供給可能量が予測された需要量を下回るか否かを判定する（ステップＳ２２０）。実際の供給可能量が予測された需要量を下回ると判定された場合（Ｓ２２０のＹＥＳ）、通知部１５０は、上述したように、その水素ステーションと同じ水素ステーション群の他の水素ステーションを、顧客に通知する（ステップＳ２２２）。一方、実際の供給可能量が予測された需要量を下回ると判定されなかった場合（Ｓ２２０のＮＯ）、通知部１５０は、Ｓ２２２の処理を行わない。この場合、通知部１５０は、Ｓ１１８の処理を行ってもよい。

（変形例）
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートの複数のステップの順序は、適宜、変更可能である。また、上述したフローチャートの１つ以上のステップは、適宜、省略可能である。

プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。

１ 情報処理システム
２ 車両
１０ 情報処理装置
１００ 学習部
１０２ 教師データ取得部
１０４ 需要予測モデル学習部
１２２ 学習済みモデル格納部
１２４ 入力データ取得部
１４０ 予測部
１４２ 需要予測部
１４４ 供給可能量決定部
１５０ 通知部
１６０ 学習継続処理部
２１０ 供給判定部

Claims (10)

1. 水素を燃料とする車両に関する顧客の行動パターンを取得する取得部と、
   予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する予測部と、
   を有する情報処理装置。
2. 前記予測部は、予測された需要に基づいて、タイミングに応じた供給可能な水素量を決定する、
   請求項１に記載の情報処理装置。
3. 前記予測部は、予測された需要に基づいて、水素の高圧ガスを準備するタイミングを決定する、
   請求項２に記載の情報処理装置。
4. 前記予測部は、前記行動パターンで示される、前記顧客が水素を車両に充填するタイミングに基づいて、水素の需要を予測する、
   請求項１から３のいずれか１項に記載の情報処理装置。
5. 前記予測部は、前記行動パターンで示される、前記顧客からの予約情報に基づいて、水素の需要を予測する、
   請求項１から４のいずれか１項に記載の情報処理装置。
6. 前記需要予測モデルに対して機械学習を行う学習部、
   をさらに有し、
   前記学習部は、前記予測部によって予測された需要と実際の需要との差分に応じて、前記需要予測モデルに対する学習を継続して行う、
   請求項１から５のいずれか１項に記載の情報処理装置。
7. 予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを顧客に通知する通知部、
   をさらに有する請求項１から６のいずれか１項に記載の情報処理装置。
8. 複数の前記水素ステーションによって水素ステーション群が構成され、
   前記通知部は、ある水素ステーションにおいて実際に供給可能な水素量がその水素ステーションにおける予測された需要量を下回る場合に、当該水素ステーションが属する前記水素ステーション群における、水素を供給可能な他の水素ステーションで水素を供給できる旨を、顧客に通知する、
   請求項７に記載の情報処理装置。
9. 水素を燃料とする車両に関する顧客の行動パターンを取得し、
   予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する、
   情報処理方法。
10. 水素を燃料とする車両に関する顧客の行動パターンを取得するステップと、
    予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも前記行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測するステップと、
    をコンピュータに実行させるプログラム。

Images