JP4217689B2

JP4217689B2 - 待ち時間予測方法、待ち時間予測システム、及びプログラム

Info

Publication number: JP4217689B2
Application number: JP2005099277A
Authority: JP
Inventors: 清次河内; 保憲武内; 昭範藤本
Original assignee: Chugoku Electric Power Co Inc
Current assignee: Chugoku Electric Power Co Inc
Priority date: 2005-03-30
Filing date: 2005-03-30
Publication date: 2009-02-04
Anticipated expiration: 2025-03-30
Also published as: JP2006277609A

Description

本発明は、待ち時間予測方法、待ち時間予測システム、及びプログラムに関する。

サービスの利用者に対して、サービスに関する情報を提供するシステムが知られている。例えば、特許文献１には、サービス提供手段に対する待ち数を検出し、待ち時間を予測して、待ち数が一定数を超過したサービス提供手段の待ち時間などを表示するシステムが提案されている。
特開２００４−５４６５０号公報

しかしながら、特許文献１に記載のシステムではサービスの待ち数から待ち時間を予測しているため、サービスの提供にかかる時間が変動するような状況では妥当な待ち時間を予測することができない。

本発明は、このような背景を鑑みてなされたものであり、サービスを受けるまでの待ち時間を精度よく予測することのできる、待ち時間予測方法、待ち時間予測システム、及びプログラムを提供することを目的とする。

上記課題を解決するための本発明のうち主たる発明は、サービスが提供されるまでの待ち時間を予測する方法であって、ＣＰＵとメモリとを備えるコンピュータが、前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて前記メモリに記憶し、ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを前記メモリに記憶し、現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第１の平均値を算出し、過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出し、算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出し、１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出し、前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新することとする。
本発明の待ち時間の予測方法によれば、定式化が困難な待ち時間の予測であっても、ニューラルネットワークの学習を用いることにより、良好な予測結果を期待することができる。

また、本発明のうち請求項２に記載の発明は、請求項１に記載の待ち時間予測方法であって、前記コンピュータは、前記サービスの利用を予約している予約者数を、前記サービスの予約時に対応付けて前記メモリに記憶し、現時点から前記待ち時間の予測値までの間に予約されている前記予約者数を前記メモリから読み出し、読み出した前記予約者数と前記予測提供時間とを乗算した値を、前記予測値に加算することとする。
この場合、予約された利用者の提供時間を予測値に加算することで、予約者へのサービス提供にかかる時間を考慮に入れた予測を行うことができる。したがって、より精度の高い待ち時間の予測を行うことができる。

また、本発明のうち請求項３に記載の発明は、請求項１に記載の待ち時間予測方法であって、日付毎に、前記サービスを利用した利用者数を前記メモリに記憶し、前記ニューラルネットワークはさらに、前記学習対象時が含まれる日付の前週同曜日に該当する日付に対応する前記利用者数の合計を入力信号とするように構成され、前記コンピュータは、前記現在の日付に対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数と、前記第１及び第２の平均値とを入力信号として、前記ニューラルネットワークによる前記予測提供時間を算出することとする。
この場合、直近の同曜日の利用者数もニューラルネットワークの入力信号とするので、直近の傾向を考慮に入れた提供時間の予測を行うことができる。

また、本発明の待ち時間予測方法において、前記コンピュータは、前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を前記メモリに記憶しており、前記メモリに記憶されている前記待合情報の数を前記利用予定者数として決定し、前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出し、前記利用者特定情報と前記予測提供時刻とを出力装置に出力するようにしてもよい。

また、本発明の他の態様は、サービスが提供されるまでの待ち時間を予測する方法であって、ＣＰＵとメモリとを備えるコンピュータが、前記サービスが提供された日付と、前記日付における時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯において前記サービスの提供にかかった時間である提供時間実績値と、を対応付けて前記メモリに記憶し、ニューラルネットワークの学習対象となる日付である学習対象日の前週に含まれる日付のそれぞれの、学習対象となる時間帯である学習対象時間帯における前記実績値の平均値と、前記学習対象日の前年同月同週同曜日となる日付の前記学習対象時間帯における前記実績値の平均値と、前記学習対象日から過去所定年において、前記学習対象日と同月同曜日となる日付の前記学習対象時間帯における前記実績値の平均値と、前記学習対象日の前週に含まれる日付のそれぞれの全時間帯における前記実績値の平均値と、前記学習対象日から前記所定年において、前記学習対象日と前記同月同曜日となる前記日付の全時間帯における前記実績値の平均値と、前記学習対象日における前記気象データとを入力信号とし、前記学習対象日の前記学習対象時間帯において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象日の前記学習対象時間帯における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯である予測対象時間帯における第３の利用者数とを前記メモリに記憶し、現在の日付における気象データの予測値を取得し、前週に含まれる日付の何れかと、前記予測対象時間帯とに対応する前記提供時間実績値の平均値である第１の前週実績平均値を算出し、前記予測対象日の前週に含まれる日付の何れかに対応する前記提供時間実績値の平均値である第２の前週実績平均値を算出し、現在の日付から前年同月同週同曜日となる日付と、前記予測対象時間帯とに対応する前記実績値の平均値である第１の実績平均値を算出し、現在の日付から前年同月同週同曜日となる日付に対応する前記実績値の平均値である第２の実績平均値を算出し、前記気象データの予測値と、前記第１及び第２の前週実績平均値と、前記第１及び第２の実績平均値とを入力信号として前記ニューラルネットワークにより前記予測提供時間を算出し、現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の平均値を算出し、１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記第１の係数を減算した第２の係数に、前記現在の日付に対応する提供時間実績値の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出し、前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記現在の日付に対応する提供時間実績値の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新することとする。

また、本発明の他の態様は、サービスが提供されるまでの待ち時間を予測する方法であって、ＣＰＵとメモリとを備えるコンピュータが、前記サービスが提供された日付及び時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯において前記サービスの提供にかかった時間である提供時間実績値と、前記日付の前記時間帯における利用者数とを対応付けて前記メモリに記憶し、ニューラルネットワークの学習対象となる学習対象日から特定される曜日と、学習対象となる時間帯と、前記学習対象日の前記学習対象時間帯における気象データと、前記学習対象日の前記学習対象時間帯から過去に所定期間での前記提供時間実績値の平均値と、前記学習対象日から前週同曜日となる日付における利用者数の合計値と、前記学習対象日の前記学習対象時間帯から過去に前記所定期間における利用者数の合計値とを入力信号とし、前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象日の前記学習対象時間帯における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを前記メモリに記憶し、現在の日付の前記気象データの予測値を取得し、現在の日付と、過去の何れかの時間帯である当日時間帯とに対応する前記実績値を前記メモリから読み出し、読み出した前記提供時間実績値を平均した当日実績値を算出し、現在の日付と前記当日時間帯とに対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を合計した当日利用者数を算出し、現在の日付から前週同曜日となる日付に対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を合計した前週利用者数を算出し、現在の日付から特定される曜日と、現在の時間帯と、前記気象データの予測値と、前記当日実績値と、前記当日利用者数とを入力信号として、前記ニューラルネットワークにより前記予測提供時間を算出し、現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の平均値を算出し、１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記第１の係数を減算した第２の係数に、前記現在の日付に対応する提供時間実績値の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記台２の利用者数に乗じて算出される前記利用予定者数に乗算して前記待ち時間の予測値を算出し、前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記現在の日付に対応する提供時間実績値の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新することとする。

また、本発明の待ち時間予測方法において、前記コンピュータは、前記サービスが提供された日付及び時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯における利用者数とを対応付けて前記メモリに記憶し、予測対象となる日付である予測対象日における気象データの予測値を取得し、前記予測対象日により特定される曜日と、前記気象データの予測値とに対応する前記日付を前記メモリから検索し、検索した前記日付と予測対象となる時間帯とに対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を平均して前記利用者数の予測値である予測利用者数を算出し、前記ニューラルネットワークはさらに、前記算出した前記利用者数の予測値を入力信号としてもよい。

また、本発明の他の態様は、サービスが提供されるまでの待ち時間を予測するシステムであって、ＣＰＵと、メモリと、前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて記憶する実績値記憶部と、ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成するニューラルネットワーク計算部と、現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを記憶する利用予定者数記憶部と、現在の日付に対応する前記提供時間実績値を前記利用予定者数記憶部から読み出し、読み出した前記提供時間実績値の第１の平均値を算出する提供時間平均値算出部と、過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出する平均利用者数算出部と、算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出する提供時間予測部と、前記サービスを利用する予定の利用者数である利用予定者数の入力を受け付ける利用者数入力部と、１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記利用予定者数記憶部に記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出する待ち時間予測部と、前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付ける終了指示入力部と、を備え、前記ニューラルネットワーク計算部は、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、前記待ち時間予測部は、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新することとする。

また、本発明の待ち時間予測システムでは、前記利用予定者数記憶部は、前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を記憶しており、前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出する提供時刻予測部と、前記利用者特定情報と前記予測提供時刻とを出力装置に出力する待合リスト出力部と、を備えるようにしてもよい。

また、本発明の他の態様は、サービスが提供されるまでの待ち時間を予測するためのプログラムであって、ＣＰＵとメモリとを備えるコンピュータに、前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて前記メモリに記憶するステップと、ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成するステップと、現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを前記メモリに記憶するステップと、現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第１の平均値を算出するステップと、過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出するステップと、算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出するステップと、１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出するステップと、前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付けるステップと、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行うステップと、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新するステップと、を実行させるようにする。

また、本発明のプログラムは、前記コンピュータに、前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を前記メモリに記憶するようにさせ、前記メモリに記憶されている前記待合情報の数を前記利用予定者数として決定するステップと、前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出するステップと、前記利用者特定情報と前記予測提供時刻とを出力装置に出力するステップと、をさらに実行させるようにしてもよい。

本発明によれば、サービスを受けるまでの待ち時間を精度よく予測することができる。

本実施形態では、医療機関において、診察を受ける患者や医療機関の従業者などに対して、診察の待ち時間や来院患者数の予測値を提供する情報提供システム１について説明する。

＝＝＝システム構成＝＝＝
図１は、本実施形態に係る情報提供システム１の全体構成を示す図である。図１に示すように、情報提供システム１は、医療機関において診察（サービス）を受ける患者（利用者）が使用する患者端末１０、医療機関の従業者が利用する従業者端末２０、患者が医療機関に来院した際に受付処理を行う受付端末３０、患者の診察を行う医師が操作する医師端末４０、及びサーバ装置５０を含んで構成される。患者端末１０及び従業者端末２０は、例えば、携帯電話やパーソナルコンピュータなどのコンピュータである。受付端末３０及び医師端末４０は、例えば、パーソナルコンピュータやワークステーション、セットトップボックスなどのコンピュータである。サーバ装置５０は、例えば、パーソナルコンピュータやワークステーションなどのコンピュータである。

従業者端末２０、受付端末３０、医師端末４０、及びサーバ装置５０は、医療機関の内部に設置され、ＬＡＮ（Local Area Network）６０を介して接続されており、相互に通信が可能となっている。また、ＬＡＮ６０はインターネット７０に接続されており、従業者端末２０、受付端末３０、医師端末４０、及びサーバ装置５０は、インターネット７０に接続されたコンピュータとの間で通信が可能である。患者端末１０は、インターネット７０に接続され、少なくともサーバ装置５０との間の通信が可能である。

後述するように、患者は患者端末１０を用いてサーバ装置５０にアクセスし、通院したときの診察までの待ち時間の予測を閲覧することができるようになっている。また、医師や看護士、薬剤師、経営者、事務などの医療機関の従業者は、従業者端末２０を用いてサーバ装置５０にアクセスし、来院する患者数の予測を閲覧することができるようになっている。

受付端末３０は、患者が来院したときに受付を行い、受付時刻などをサーバ装置５０が管理するデータベースに登録する。また、後述するように受付端末３０には待ち時間が表示され、患者は診察までの待ち時間を確認することができるようになっている。

医師端末４０には、患者の診療の開始時と終了時とに患者ＩＤが入力され、これに応じて医師端末４０は、患者の受診履歴をサーバ装置５０が管理するデータベースに登録する。また、医師端末４０は、例えば、医師により処方される薬などの入力を受け付けたり、電子カルテを表示したりするために用いられることもある。

＝＝＝患者端末１０＝＝＝
図２は、患者端末１０のハードウェア構成を示す図である。図２に示すように、患者端末１０は、ＣＰＵ１０１、メモリ１０２、記憶装置１０３、通信インタフェース１０４、入力装置１０５、出力装置１０６を備えている。

記憶装置１０３は、プログラムやデータを記憶する、例えば、ハードディスクドライブやＣＤ−ＲＯＭドライブ、半導体記憶装置などである。ＣＰＵ１０１は、記憶装置１０３に記憶されているプログラムをメモリ１０２に読み出して実行することにより各種の機能を実現する。通信インタフェース１０４は、通信ネットワークに接続するための、例えば、公衆電話回線や専用電話回線に接続するためのモデム、ＡＴＭインタフェース、イーサネット（登録商標）アダプタなどである。患者端末１０は、通信インタフェース１０４を介してインターネット７０に接続し、インターネットに接続している他のコンピュータとの間での通信を行う。

入力装置１０５は、データの入力を受け付ける、例えばキーボードやマウス、タッチパネル、タブレット、マイクなどである。入力装置１０５は複数備えるようにしてもよい。出力装置１０６は、データを出力する、例えばＣＲＴや液晶のディスプレイ、プリンタ、スピーカなどである。出力装置１０６は複数備えるようにしてもよい。

図３は、患者端末１０の機能ブロック図である。図３に示すように、患者端末１０は、予測待ち時間取得要求送信部１１１、予測待ち時間受信部１１２、予測待ち時間出力部１１３を備えている。

予測待ち時間取得要求送信部１１１は、医療機関に通院したときにかかる診察までの待ち時間の予測値（以下、予測待ち時間という。）を取得するためのコマンド（以下、予測待ち時間取得要求という。）をサーバ装置５０に送信する。予測待ち時間取得要求には、予測の対象となる日付（以下、予測対象日という。）が設定される。予測待ち時間取得要求に設定される予測対象日は、例えば、患者端末１０がユーザインタフェースを介して患者から入力を受け付けるようにしてもよいし、現在の日付を用いるようにしてもよい。

予測待ち時間受信部１１２は、予測待ち時間取得要求に応じてサーバ装置５０から送信される予測待ち時間を受信する。
予測待ち時間出力部１１３は、予測待ち時間受信部１１２が受信した予測待ち時間を出力装置１０６に出力する。

上記のように、本実施形態の患者端末１０を用いる患者は、来院前に患者端末１０を使用して待ち時間を参照することができるので、来院時間の予定などを立て易くなり便利である。

＝＝＝従業者端末２０＝＝＝
図４は、従業者端末２０のハードウェア構成図である。図４に示すように、従業者端末２０のハードウェア構成は患者端末１０と同様であるが、通信インタフェース１０４が接続する先はＬＡＮ６０である。

図５は、従業者端末２０の機能ブロック図である。図５に示すように、従業者端末２０は、予測患者数取得要求送信部２１１、予測患者数受信部２１２、予測患者数出力部２１３を備えている。

予測患者数取得要求送信部２１１は、医療機関に来院する患者数（利用者数）の予測値（以下、予測患者数という。）を取得するためのコマンド（以下、予測患者数取得要求という。）をサーバ装置５０に送信する。予測患者数取得要求には、予測対象日と、予測の対象になる時間帯（本実施形態では１時間単位とし、毎時０分から１時間をもって時間帯を特定するものとする。予測の対象となる時間帯を以下予測対象時間帯という。）とが設定される。
予測患者数受信部２１２は、予測患者数取得要求に応じてサーバ装置５０から送信される予測患者数を受信する。
予測患者数出力部２１３は、予測患者数受信部２１２が受信した予測患者数を出力装置１０６に出力する。

上記の予測患者数取得要求は、従業者端末２０を操作する従業員からの指示に従って送信される。従業者端末２０の出力装置１０６からは予測患者数が出力され、従業員はそれを参照することができる。したがって、従業者は、例えば、医師や看護士、薬剤師、事務その他の従業員のシフト管理の参考とすることができる。

また、例えば、医療機関の開院時間（例えば、９：００〜１６：００など）における各時間帯について、定期的に予測患者数取得要求をサーバ装置５０に送信するようにしてもよい。このようにすることで、予測値が常に従業者端末２０の出力装置１０６から出力されるようにすることができる。

＝＝＝受付端末３０＝＝＝
図６は受付端末３０のハードウェア構成図である。受付端末３０のハードウェア構成は、上述した図１に示す患者端末１０とほぼ同様であるが、患者端末１０の構成に加えて、診察券３０２の読み取り装置であるカードリーダ３０１を備えている。診察券３０２は、例えば磁気カードやＩＣカード、メモリカードなどであり、患者を特定する情報（以下、患者ＩＤという。）が記録される。カードリーダ３０１には、診察券３０２に合わせて、磁気カードリーダや接触型のＩＣカードリーダ、非接触型のＩＣカードリーダ、メモリカードリーダなどを用いることができる。なお、カードリーダ３０１に代えて、指紋や虹彩などの生体信号を患者ＩＤとして読み取る入力装置を採用するようにしてもよい。

図７は、受付端末３０の機能ブロック図である。図７に示すように、受付端末３０は、患者ＩＤ入力部３１１、医師ＩＤ入力部３１２、予測待ち時間取得要求送信部３１３、予測待ち時間受信部３１４、予測待ち時間出力部３１５、受付履歴登録要求送信部３１６を備えている。

患者ＩＤ入力部３１１は、カードリーダ３０１を介して診察券３０２に記録されている患者ＩＤを読み出す。なお、受付端末３０に、キーボードやマウス、マイクなどの入力装置１０５を備えるようにして、患者ＩＤ入力部３１１が、入力装置１０５から患者ＩＤの入力を受け付けるようにしてもよい。また、患者ＩＤ入力部３１１は、患者ＩＤの入力を受け付けると受付番号を患者ＩＤに割り当てる。

医師ＩＤ入力部３１２は、患者が受診する医師を特定する情報（以下、医師ＩＤという。）の入力を受け付ける。医師ＩＤ入力部３１２は、例えば、キーボードやマウス、タッチパネルなどの入力装置１０５から医師ＩＤの入力を受け付ける。
予測待ち時間取得要求送信部３１３は、予測待ち時間取得要求をサーバ装置５０に送信する。予測待ち時間取得要求には予測対象日と予測対象時間帯とが設定される。
予測待ち時間受信部３１４は、予測待ち時間取得要求に応じてサーバ装置５０から送信される予測待ち時間を受信する。
予測待ち時間出力部３１５は、予測待ち時間受信部３１４が受信した予測待ち時間を出力装置１０６に出力する。

なお、予測待ち時間取得要求送信部３１３は、カードリーダ３０１に診察券３０２が挿入されたことを検知して、予測待ち時間取得要求をサーバ装置５０に送信する。このようにすることで、患者は受付を行った段階で現在の待ち時間の状況を確認できるので便利である。

受付履歴登録要求送信部３１６は、診察券を挿入した患者を受け付たことを示す情報（以下、受付履歴情報という。）を登録するためのコマンド（以下、受付履歴登録要求という。）をサーバ装置５０に送信する。受付履歴登録要求には、患者ＩＤや医師ＩＤ、受付番号、現在の日時などが設定される。なお、受付履歴情報の詳細については後述する。

＝＝＝医師端末４０＝＝＝
図８は、医師端末４０のハードウェア構成図である。図８に示すように、医師端末４０のハードウェア構成は受付端末３０と同様である。

図９は、医師端末４０の機能ブロック図である。図９に示すように、医師端末４０は、診察開始指示入力部４１１、診察終了指示入力部４１２、診察履歴登録要求送信部４１３を備えている。

診察開始指示入力部４１１は、医師が患者の診察を開始したことを示す入力（以下、診察開始指示という。）を受け付ける。本実施形態では、カードリーダ３０１に診察券３０２が挿入されたことにより診察開始指示が入力されたこととする。なお、診察開始指示は、例えば、キーボードやマウス等の入力装置１０５からの入力を受け付けるようにしてもよい。また、診察開始指示入力部４１１は、診察の対象となった患者ＩＤの入力も受け付ける。本実施形態では、カードリーダ３０１に挿入された診察券３０２から患者ＩＤを読み出すようにする。診察開始指示入力部４１１は、診察開始指示が入力されると、患者ＩＤと現在の時刻（以下、診察開始時刻という。）とをメモリ１０２に記憶する。

診察終了指示入力部４１２は、医師が患者の診察を終了したことを示す入力（以下、診察終了指示という。）を受け付ける。本実施形態では、カードリーダ３０１に挿入されている診察券３０２が抜き取られたことにより診察終了指示が入力されたこととする。なお、診察終了指示は入力装置１０５からの入力を受け付けるようにしてもよい。

診察履歴登録要求送信部４１３は、患者を診察したことを示す情報（以下、診察履歴情報という。）を登録するためのコマンド（以下、診察履歴登録要求という。）をサーバ装置５０に送信する。診察履歴登録要求には、現在の日付と、現在の時刻（以下、診察終了時刻という。）と、診察を行った医師の医師ＩＤと、メモリ１０２に記憶された患者ＩＤ及び診療開始時刻とが設定される。診察履歴登録要求送信部４１３は、診察終了指示入力部４１２に診察終了指示が入力されると、上記の診察履歴登録要求をサーバ装置５０に送信する。これにより、患者の診察が終了したタイミングで、診療履歴情報がサーバ装置５０が管理するデータベースに登録される。

＝＝＝サーバ装置５０＝＝＝
図１０は、サーバ装置５０のハードウェア構成図である。図１０に示すように、サーバ装置５０のハードウェア構成は、上述した患者端末１０や従業者端末２０、受付端末１０、医師端末４０などと同様の一般的なコンピュータの構成であるが、入力装置１０５やカードリーダ３０１などを省略することができる。なお、本実施形態では、サーバ装置５０が備える出力装置１０６は、例えば、電光掲示板や大型ディスプレイなど、診察待合中の患者に対して情報を提供する表示装置を想定している。

図１１はサーバ装置５０の機能ブロック図である。図１１に示すように、サーバ装置５０は、受付履歴登録要求受信部５１１、診察履歴登録要求受信部５１２、待ち時間実績登録部５１３、待合リスト更新部５１４、待合リスト出力部５１５、予約情報登録部５１６、気象情報登録部５１７、集計情報登録部５１８、診察時間予測部５１９、ニューラルネットワーク計算部５２０、予測待ち時間取得要求受信部５２１、待ち時間予測部５２２、予測待ち時間送信部５２３、予測患者数取得要求受信部５２４、患者数予測部５２５、予測患者数送信部５２６の各機能部と、受付履歴データベース５５１、診察履歴データベース５５２、待ち時間実績データベース５５３、待合リストデータベース５５４、予約データベース５５５、気象データベース５５６、集計データベース５５７の各データベースを備えている。

受付履歴データベース５５１は受付履歴情報を記憶する。図１２に受付履歴データベース５５１に記憶される受付履歴情報の構成例を示す。図１２に示すように、受付履歴情報には、患者が来院した日付、受付番号、患者ＩＤ、受診する医師の医師ＩＤ、受付時刻が含まれている。

受付履歴登録要求受信部５１１は、受付端末３０から送信される受付履歴登録要求を受信し、受信した受付履歴登録要求に設定されている日時、受付番号、患者ＩＤ、医師ＩＤに基づいて受付履歴情報を作成し、作成した受付履歴情報を受付履歴データベース５５１に登録する。

診察履歴データベース５５２は診察履歴情報を記憶する。図１３に診察履歴データベース５５２に記憶される診察履歴情報の構成例を示す。図１３に示すように、診察履歴情報には、診察を行った日付、診察を担当した医師の医師ＩＤ、診察を受けた患者の患者ＩＤ、診察開始時刻、診察終了時刻が含まれる。

診察履歴登録要求受信部５１２は、医師端末４０から送信される診察履歴登録要求を受信し、受信した診察履歴登録要求に設定されている日付、医師ＩＤ、患者ＩＤ、診察開始時刻、診察終了時刻に基づいて診察履歴情報を作成し、作成した診察履歴情報を診察履歴データベース５５２に登録する。

待ち時間実績データベース５５３は、受付から診察までの患者の待ち時間の実績値を含む情報（以下、待ち時間実績情報という。）を記憶する。図１４に待ち時間実績データベース５５３に記憶される待ち時間実績情報の構成例を示す。図１４に示すように、待ち時間実績情報には、日付、医師ＩＤ、患者ＩＤ、受付番号、受付時間帯、待ち時間が含まれる。待ち時間実績情報は、待ち時間実績登録部５１３により、上述した受付履歴情報と診察履歴情報とに基づいて作成される。図１５は、待ち時間実績データベース５５３への待ち時間実績情報の登録処理の流れを示すフロー図である。

受付履歴情報が受付履歴データベース５５１に登録され（Ｓ６１１）、診察履歴情報が診察履歴データベース５５２に登録されると（Ｓ６１２）、診察履歴情報の診察開始時刻と受付履歴情報の受付時刻との差を待ち時間の実績値として算出し（Ｓ６１３）、受付履歴情報の受付時間が含まれる時間帯を特定する（Ｓ６１４）。待ち時間実績登録部５１３は、登録された診察履歴情報の患者ＩＤに対応する受付履歴情報を受付履歴データベース５５１から読み出し（Ｓ６１５）、診察履歴情報の日付、医師ＩＤ、患者ＩＤと、特定した時間帯と、受付履歴情報の受付番号と、算出した待ち時間の実績値とを設定した待ち時間実績情報とを設定した待ち時間実績情報を待ち時間実績データベース５５３に登録する（Ｓ６１６）。

待合リストデータベース５５４は、受診予定の患者や診察開始の予定時刻などを含む待合情報を記憶する。図１６に待合リストデータベース５５４に記憶される待合情報の構成例を示す。図１６に示すように、待合情報には、診察を行う医師の医師ＩＤに対応付けて、診察の順番、受診予定の患者の患者ＩＤ、受付番号、診察開始予定時刻、診察が終了した時刻、予約による診察かどうかを示す予約フラグ、予測される待ち時間が含まれる。診察終了時刻は、実際に患者の診察が終了した時刻が設定されるため、未受診の場合、診察終了時刻に値は設定されない。予約フラグに「○」が設定されている場合、診察が予約されていることを示し、診察予定時刻には予約時間が設定される。予約フラグの「×」が設定されている場合には、診察開始予定時刻には後述する診察開始時間の予測値が設定される。待合リストデータベース５５４は、待合リスト更新部５１４により更新される。なお、待合リスト更新部５１４による、待合リストデータベース５５４の更新処理についての詳細は後述する。

待合リスト出力部５１５は、待合リストデータベース５５４に登録されている待合情報の一覧を出力装置１０６に出力する。図１７に待合リスト出力部５１５により出力される待合リストの一例を示す。図１７には電光掲示板やディスプレイなどに表示される画面の例が示されている。なお、待合リスト出力部５１５は、図１７に示すように、後述する予約データベース５５５に登録されている、診察を予約した患者については受付番号の欄などに予約の患者である旨を表示するようにしてもよい。また、医師端末４０が、診察開始指示の入力を受け付けたときに、診察を開始した患者の患者ＩＤをサーバ装置５０に送信するようにし、待合リスト出力部５１５が、受診した患者ＩＤに対応する診察終了時刻の欄などに、その患者が診察中である旨を表示するようにしてもよい。

予約データベース５５５は、診察の予約に関する情報（以下、予約情報という。）を記憶する。図１８に予約データベース５５５に記憶される予約情報の構成例を示す。図１８に示すように、予約情報には予約日と、診察を担当する医師の医師ＩＤ、予約した患者の患者ＩＤ、及び予約時刻（診察開始予定時刻）が含まれる。予約情報登録部５１６が、予約情報を予約データベース５５５に登録する。予約情報は、例えば、電話による予約を受け付けたオペレータからの入力を受け付けるようにしたり、インターネット７０を介して予約情報を患者端末１０から受信するようにしたりすることができる。予約情報登録部５１６には、一般的な予約の受付処理の仕組みを用いることができる。

気象データベース５５６は、天気予報や気象測定値などに係る気象情報を記憶する。図１９に気象データベース５５６に記憶される気象情報の構成例を示す。図１９に示すように、気象データベース５５６に記憶される気象情報には、日付、時間帯、その時間帯における天気、最高気温、最低気温が含まれる。本実施形態では、気象情報には、予報による気象データと、測定による測定データとが混在しているものとするが、予報によるものと、測定によるものとを別のデータベースとして管理するようにしてもよい。

気象情報登録部５１７は、例えば、気象データを提供している気象会社のサーバなどにアクセスして気象情報を取得し、取得した気象情報を気象データベース５５６に登録する。なお、気象情報登録部５１７には、一般的な気象データの取得処理の仕組みを用いることができる。

集計データベース５５７は、上述した受付履歴情報や待ち時間実績情報を集計した情報（以下、集計情報という。）を記憶する。図２０に集計データベース５５７に記憶される集計情報の構成例を示す。図２０に示すように、集計情報には、日付、その日付により特定される曜日、時間帯、その日付及び時間帯での天気と最高気温と最低気温、待ち時間の平均値（待ち時間平均）、来院患者数が含まれる。

集計情報は、集計情報登録部５１８により定期的に登録される。本実施形態では、集計情報登録部５１８は、１時間毎に、直前の時間帯を集計対象の時間帯として集計情報を作成し、集計データベース５５７に登録するものとする。集計情報登録部５１８は、集計情報を生成し、気象データベース５５６から、集計対象となる日付及び時間帯に対応する天気や最高気温、最低気温を読み出して、生成した集計情報に設定する。また、集計情報登録部５１８は、待ち時間実績データベース５５３から、集計対象の日付及び時間帯に対応する待ち時間の平均値を算出して集計情報に設定する。ここで待ち時間の平均値は、後述するニューラルネットワーク計算部５２０の教師信号として与えられ、ニューラルネットワーク計算部５２０による学習が行われる。集計情報登録部５１８は、受付履歴データベース５５１から、集計対象の日付に対応する受付履歴情報のうち、受付時刻が集計対象の時間帯に含まれるものの数をカウントして来院患者数として集計情報に設定し、集計情報を集計データベース５５７に登録する。

ニューラルネットワーク計算部５２０は、図２１に示すようなフィードフォワード型のニューラルネットワークにより構成される。ニューラルネットワーク計算部５２０は、予測対象となる時間帯（以下、予測対象時間帯という。）よりも前で直近の時間帯における診察時間の実績値の平均値と、予測対象となる日付（以下、予測対象日という。）の前週同曜日に該当する日付における来院患者数の合計と、後述する患者数予測部５２５により予測される、予測対象日の来院患者数の予測値と、予測対象日から過去１年間分の診察時間の平均とを入力信号とする。なお、診察時間は診察履歴情報の診察終了時刻と診察開始時刻との差を算出して求める。また、ニューラルネットワーク計算部５２０は、待ち時間の実績値を教師信号とする。

診察時間予測部５１９は、後述するように、ニューラルネットワーク計算部５２０に入力信号を与え、ニューラルネットワーク計算部５２０からの出力信号を診察時間の予測値とする。
予測待ち時間取得要求受信部５２１は、患者端末１０や受付端末３０から送信される予測待ち時間取得要求を受信する。
待ち時間予測部５２２は、予測待ち時間取得要求に応じて、診察時間予測部５１９による診察時間の予測値に基づいて待ち時間の予測を行い、又は集計情報などに基づいて待ち時間の予測を行う。なお、待ち時間予測部５２２による待ち時間の予測処理の詳細については後述する。
予測待ち時間送信部５２３は、待ち時間予測部５２２により予測された待ち時間を、予測待ち時間取得要求の送信元となる患者端末１０や受付端末３０に送信する。
予測患者数取得要求受信部５２４は、従業者端末２０から送信される予測患者数取得要求を受信する。
患者数予測部５２５は、集計情報などに基づいて来院患者数の予測を行う。なお、来院患者数の予測処理の詳細については後述する。
予測患者数送信部５２６は、患者数予測部５２５により予測された来院患者数の予測値（以下、予測患者数という。）を従業者端末２０に送信する。

＝＝＝待ち時間の予測処理＝＝＝
医療機関に通院する患者は、事前に患者端末１０を用いてサーバ装置５０にアクセスし、待ち時間の予測値を参照して、通院するかどうか、通院するのであれば何時ごろにするかといった判断を行うことができる。患者は、当日の待ち時間以外にも、将来の日付での待ち時間の予測も要求することができる。待ち時間予測部５２２は、予測待ち時間取得要求に設定されている予測対象日に応じて異なる処理を行う。

＜予測対象日が将来の日付の場合＞
予測対象日が当日よりも後の日付である場合、待ち時間予測部５２２は、集計データベース５５７に記憶されている集計情報に基づいて待ち時間の予測を行う。図２２に、予測対象日が当日よりも後の日付である場合の待ち時間の予測処理の流れを示す。

待ち時間予測部５２２は、予測対象日の前週同曜日となる日付に該当する集計情報を集計データベース５５７から読み出し、読み出した集計情報の来院患者数を合計してｎ１とする（Ｓ６２１）。待ち時間予測部５２２は、予測対象日と予測対象時間帯とに対応する気象情報を読み出す。待ち時間予測部５２２は、集計データベース５５７に記憶されている集計情報のうち、日付から特定される月が予測対象日から特定される月であり、曜日が予測対象日から特定される曜日であり、時間帯が予測対象時間帯であり、天気と最高気温と最低気温とが上記読み出した気象情報の天気と最高気温と最低気温であるものを読み出す（Ｓ６２２）。待ち時間予測部５２２は、読み出した集計情報から日付毎に来院患者数を算出し（Ｓ６２３）、算出した来院患者数がｎ１に近いものに対応する日付を３つ特定する（Ｓ６２４）。

待ち時間予測部５２２は、特定した３つの日付のそれぞれについて、上記算出した来院患者数の合計をｎ２とし（Ｓ６２５）、ｎ１とｎ２との商を補正係数として算出する（Ｓ６２６）。待ち時間予測部５２２は、集計データベース５５７から、上記日付に対応する集計情報の待ち時間平均の平均値を算出し（Ｓ６２７）、算出した平均値に上記補正係数を乗じて補正待ち時間を算出する（Ｓ６２８）。
待ち時間予測部５２２は、上記特定した３つの日付に対応する補正待ち時間の平均値を算出して、待ち時間の予測値とする（Ｓ６２９）。

このようにして、待ち時間予測部５２２は、集計データベース５５７に記憶されている集計情報に基づいて、待ち時間の予測を行うことができる。上記のように、待ち時間予測部５２２は、過去の同様の季節や天気における待ち時間に基づいて、予測対象日の待ち時間を予測する。したがって、季節や天気などの要因との相関を考慮して待ち時間を予測できるので、医療機関の従業者の経験則などに比べ、精度の高い予測を行うことができる。

また、上述の予測処理では、直近の同曜日における来院患者数と、同様の季節や天気であった過去の日付における来院患者数との比率を用いて、待ち時間の予測値を補正している。したがって、来院患者数の変化による予測値の変動を除去し、より高精度な予測を行うことができる。なお、補正を行わずに待ち時間の予測を行うようにしてもよい。この場合、（Ｓ６２５）〜（Ｓ６２８）の処理を省略し、（Ｓ６２４）で特定した日付の何れかに対応する集計情報の待ち時間平均の平均値を算出して、待ち時間の予測値とする。

なお、上述した図２２に示した待ち時間予測部５２２による待ち時間の予測処理と同様の処理が、患者数予測部５２５による患者数の予測処理にも用いられる。図２３に、患者数予測部５２５による患者数の予測処理の流れを示す。

患者数予測部５２５は、上記図２２と同様に（Ｓ６２１）〜（Ｓ６２４）の処理を行い、３つの日付のそれぞれについて、（Ｓ６２５）及び（Ｓ６２６）の処理を行う。ここで患者数予測部５２５は、（Ｓ６２７）における待ち時間の平均値を算出する代わりに、集計情報の来院患者数の合計を算出し（Ｓ６３１）、（Ｓ６２８）に代えて来院患者数の合計に補正係数を乗じて補正来院患者数を求め（Ｓ６３２）、（Ｓ６２９）に代えて補正来院患者数の平均を、来院患者数の予測値とする（Ｓ６３３）。このようにして、待ち時間の予測と同様に、季節や天気などの要因との相関を考慮して、精度の高い患者数の予測を行うことができる。

＜予測対象日が当日の場合１＞
一方、予測対象日が当日である場合、待ち時間予測部５２２は、当日の待ち時間の実績値を考慮に入れて予測処理を行う。なお、本実施形態では、予測対象日が当日である場合には、患者端末１０から送信される予測待ち時間取得要求に当日の日付が設定されていた場合と、受付端末３０のカードリーダ３０１に患者の診察券３０２が挿入されたときに受付端末３０から予測待ち時間取得要求が送信された場合とが想定される。図２３に、予測対象日が当日である場合の待ち時間の予測処理の流れを示す。

待ち時間予測部５２２は、当日の予測対象時間帯より前の直近の時間帯をｔ１として（Ｓ６４１）、当日の日付とｔ１とに対応する集計情報を集計データベース５５７から読み出し（Ｓ６４２）、読み出した集計情報の待ち時間平均の平均を算出してｗ１とする（Ｓ６４３）。

待ち時間予測部５２２は、予測対象日と予測対象時間帯とに対応する気象情報を読み出す。待ち時間予測部５２２は、集計データベース５５７に記憶されている集計情報のうち、日付から特定される月が予測対象日から特定される月であり、曜日が予測対象日から特定される曜日であり、時間帯がｔ１であり、天気と最高気温と最低気温とが上記読み出した気象情報の天気と最高気温と最低気温であるものを読み出す（Ｓ６４４）。待ち時間予測部５２２は、読み出した集計情報のそれぞれについて、待ち時間平均と上記ｗ１との差を算出し（Ｓ６４５）、算出した差の小さいものから２つに対応する集計情報を選択する（Ｓ６４６）。待ち時間予測部５２２は、選択した集計情報の待ち時間平均の平均値を算出してｗ２とし（Ｓ６４７）、ｗ１とｗ２との差を算出して修正時間とする（Ｓ６４８）。待ち時間予測部５２２は、上記選択した集計情報の日付と予測対象時間帯とに対応する集計情報を集計データベース５５７から読み出し（Ｓ６４９）、読み出した集計情報の待ち時間平均の平均値を算出し、算出した平均値に上記修正時間を加算したものを待ち時間の予測値とする（Ｓ６５０）。

このようにして、季節や天気などの要因との相関に加え、当日の実績値をも考慮に入れた予測を行うことができるので、精度の高い予測を行うことができる。

＜予測対象日が当日の場合２＞
また、待ち時間予測部５２２は、予測待ち時間取得要求に医師ＩＤが設定されている場合（受付端末３０から送信される予測待ち時間取得要求を想定している。）には、診察時間を予測して、実際に待合中の患者の数から待ち時間の予測を行う。この場合の予測処理の流れを図２４に示す。

待ち時間予測部５２２は、待合リストデータベース５５４から、診察開始予定時刻が予測対象時間帯より過去であり直近の時間帯に含まれ、診察終了時刻が設定されている待合情報を読み出し、読み出した待合情報の診察終了時刻と診察開始予定時刻との差の平均値を直近時間帯の診察時間の平均値として算出する（Ｓ６６１）。待ち時間予測部５２２は、予測対象日の前週同曜日となる日付に対応する集計情報を集計データベース５５７から読み出し、読み出した集計情報の来院患者数の合計を算出する（Ｓ６６２）。患者数予測部５２５は、上述のようにして来院患者数を予測する（Ｓ６６３）。待ち時間予測部５２２は、診察履歴データベース５５２から、当日の日付から過去１年間に含まれる日付の診察情報のそれぞれについて、診察終了時刻と診察開始時刻との差を診察時間として求め、求めた診察時間の平均値を算出する（Ｓ６６４）。

診察時間予測部５１９は、直近の時間帯における診察時間の平均値、前週同曜日の来院患者数の合計値、予測患者数、及び過去１年分の診察時間の平均値を入力信号としてニューラルネットワーク計算部５２０に与え、ニューラルネットワーク計算部５２０からの出力信号である診察時間の予測値を取得する（Ｓ６６５）。

待ち時間予測部５２２は、待合リストデータベース５５４から、診察終了時刻が設定されておらず、予約フラグが「×」である待合情報の数をカウントして、待合中の患者数「Ｘ」を求める（Ｓ６６６）。また、待合時間予測部５２０は、待合リストデータベース５５４から、予約フラグが「○」である待合情報の数をカウントして予約患者数「ｂ」を求める（Ｓ６６７）。
待ち時間予測部５２２は、上記のようにして求めた、待合中の患者数「Ｘ」に予約患者数「ｂ」を加算したものに、ニューラルネットワークにより予測された診察時間（ａ）を乗じたものを待ち時間の予測値とする（Ｓ６６８）。

上記のようにして、待ち時間予測部５２２は、実際に待合中及び予約中の患者の数に応じた予測を行うことができるので、より精度の高い予測を行うことができる。

＝＝＝待合リストの更新処理＝＝＝
上述したように、本実施形態では、例えば電光掲示板やディスプレイなどに、待合情報が表示され、患者は待合中にも待ち時間を確認することができるようになっている。待合情報は待合リスト出力部５１５により待合リストデータベース５５４から読み出されて出力装置１０６に出力される。待合リストデータベース５５４は、サーバ装置５０が受付端末３０から受付履歴登録要求を受信したときや、医師端末４０から診察履歴登録要求を受信したときに待合リスト更新部５１４により更新される。図２５は、待合リスト更新部５１４による待合リストデータベース５５４の更新処理の流れを示すフロー図である。

待合リスト更新部５１４は、待合リストデータベース５５４に登録されている待合情報を削除する（Ｓ６７１）。診察時間予測部５１９は、上述のようにして診察時間を予測し（Ｓ６７２）、予測した診察時間を「ａ」とする（Ｓ６７３）。待合リスト更新部５１４は、診察開始予定時刻の初期値「ｔ」として、医療機関における診察開始時刻（例えば、９：００など）を設定する（Ｓ６７４）。待合リスト更新部５１４は、当日の日付に対応する、診察履歴情報を診察履歴データベース５５２から読み出し（Ｓ６７５）、予約情報を予約データベース５５５から読み出し（Ｓ６７６）、受付履歴情報を受付履歴データベース５５１から読み出す（Ｓ６７７）。

待合リスト更新部５１４は、読み出した受付履歴情報のそれぞれについて、以下の処理を行う。
待合リスト更新部５１４は、待合情報を作成して、待合情報の医師ＩＤ、患者ＩＤ、及び受付番号に受付履歴情報の該当する項目の内容を設定する。待合リスト更新部５１４は、受付履歴情報に含まれている患者ＩＤ及び医師ＩＤに対応する診察履歴情報が、上記読み出した診察履歴情報の中にあるかどうかを判断し（Ｓ６７８）、診察履歴情報がある場合には（Ｓ６７８：ＹＥＳ）、待合情報の診察開始予定時刻として、該当する診察履歴情報の診察開始時刻を設定し（Ｓ６７９）、待合情報の診察終了時刻に診察履歴情報の診察終了時刻を設定して（Ｓ６８０）、待合情報を待合リストデータベース５５４に登録する（Ｓ６８１）。待合リスト更新部５１４は、診察履歴情報の診察終了時刻を「ｔ」とする（Ｓ６８２）。

一方、診察履歴がなかった場合（Ｓ６７８：ＮＯ）、待合リスト更新部５１４は、上記読み出した予約情報の中に、予約時刻±ａの間に「ｔ」が含まれるような予約情報があるかどうかを判断する（Ｓ６８３）。予約時刻±ａの間に「ｔ」が含まれる予約情報がある場合（Ｓ６８３：ＹＥＳ）、待合リスト更新部５１４は、上記作成した待合情報とは別途の待合情報（以下、予約待合情報という。）を、該当する予約情報に基づいて作成する。待合リスト更新部５１４は、予約待合情報の患者ＩＤ及び医師ＩＤに予約情報の患者ＩＤ及び医師ＩＤを設定し、診察開始予定時刻に予約時刻を設定し、受付番号には「予約」を設定し、待ち時間には「０」を設定し、予約フラグには「○」を設定する。なお、このとき上述した（Ｓ６７８）のように、予約情報の医師ＩＤ及び患者ＩＤに対応する診察履歴情報があるかどうかを判断して、そのような診察履歴情報がある場合には、予約待合情報について（Ｓ６７９）〜（Ｓ６８２）と同様に、診察履歴情報の診察開始時刻及び診察終了時刻を設定するようにしてもよい。

待合リスト更新部５１４は、作成した予約待合情報を待合リストデータベース５５４に登録し（Ｓ６８４）、「予約時刻＋ａ」を「ｔ」とする（Ｓ６８５）。
待合リスト更新部５１４は、待合情報の診察開始予定時刻に「ｔ」を設定し（Ｓ６８６）、予約フラグに「×」を設定し、待合情報を待合リストデータベース５５４に登録する（Ｓ６８７）。待合リスト更新部５１４は、次の診察開始予定時刻となる「ｔ」に診察時間の予測値［ａ］を加算する（Ｓ６８８）。

上記のようにして、待合リスト更新部５１４は、待合リストデータベース５５４に登録される待合情報を最新の状態に更新する。待合リストデータベース５５４は、受付履歴登録要求受信部５１１が受付履歴登録要求を受信した場合や診察履歴登録要求受信部５１２が診察履歴登録要求を受信した場合に更新される。待合リスト更新部５１４は、診察時間の予測値に基づいて患者の診察開始予定時刻を設定していくので、精度の高い診察開始予定時刻の予測を行うことができる。

また、診察時間の予測はニューラルネットワークにより行われ、診察履歴が登録される毎に教師信号としてニューラルネットワーク計算部５２０に与えられ、ニューラルネットワークの学習が進められ、より予測精度の高い診察時間の予測が行われる。したがって、より信頼性の高い診察開始時刻の予測値が待合リストデータベース５５４に登録され、待合リスト出力部５１５により出力される。これにより、患者はより信頼度の高い診察開始時刻を入手することができるので、例えば、待合室を離れる際に安心でき、また診察終了の時刻も容易に予想できるので、離院後の計画を立てることもできる。

なお、本実施形態では、診察の待ち時間の予測について説明したが、例えば、薬局の待ち時間などにも容易に適用することができる。

また、受付端末３０や医師端末４０などからも、患者数や待ち時間の予測値を取得できるようにしてもよい。

また、本実施形態では、上記図２２及び図２３の（Ｓ６２４）では、ｎ１に近い来院患者数であった日付を３つ特定するものとしたが、３つに限らず、任意の複数の日付を特定するようにすることができる。同様に、図２４の（Ｓ６４６）の処理では、集計情報を２つ選択するようにしたが、１つあるいは任意の複数の集計情報を選択するようにしてもよい。

また、診察時間予測部５１９は、任意の０〜１の範囲のαをメモリ１０２に記憶しておき、（当日直近の時間帯までの診察時間の平均値）×α＋（ニューラルネットワーク計算部５２０からの出力信号）×（１−α）を診察時間の予測値としてもよい。また、この予測値をメモリ１０２に記憶しておき、診察履歴情報が診察履歴データベース５５２に登録されたときに、（予測値−診察時間）＾２が小さくなるようにαの値を０〜１の範囲で更新していくようにしてもよい。

また、上記図２２及び２３の（Ｓ６２２）、図２４の（Ｓ６４４）において、天気や最高気温は完全に一致するものではなく、例えば、最高気温は±５度など、所定の範囲にあるものを選択するようにしてもよい。また、天気や最高気温以外の気象データについても条件に加えるようにしてもよい。

また、本実施形態では、時間帯別の気象データを用いるものとしたが、一日単位の気象データを用いるようにしてもよい。この場合、気象データベース５５６の検索時には、時間帯の条件を用いないようにする。

また、本実施形態では、受診端末３０は、入力装置１０５から医師ＩＤの入力を受け付けるものとしたが、例えば、診察可能な医師の医師ＩＤのリストを記憶しておき、そのリストの中から順番に読み出していくようにしてもよい。さらに、受付端末３０は、受診する診療科などの入力を受け付けて、受診可能な医師を検索するようにしてもよい。この場合、受付端末３０は、例えば、サーバ装置５０にアクセスして、待合リストデータベース５５４を参照し、待合中の患者数が少ない医師の医師ＩＤを患者に割り当てるようにすることもできる。

以上、本実施形態について説明したが、上記実施形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物も含まれる。

本実施形態に係る情報提供システム１の全体構成を示す図である。患者端末１０のハードウェア構成を示す図である。患者端末１０の機能ブロック図である。従業者端末２０のハードウェア構成図である。従業者端末２０の機能ブロック図である。受付端末３０のハードウェア構成図である。受付端末３０の機能ブロック図である。医師端末４０のハードウェア構成図である。医師端末４０の機能ブロック図である。サーバ装置５０のハードウェア構成図である。サーバ装置５０の機能ブロック図である。受付履歴データベース５５１に記憶される受付履歴情報の構成例を示す図である。診察履歴データベース５５２に記憶される診察履歴情報の構成例を示す図である。待ち時間実績データベース５５３に記憶される待ち時間実績情報の構成例を示す。待ち時間実績データベース５５３への待ち時間実績情報の登録処理の流れを示すフロー図である。待合リストデータベース５５４に記憶される待合情報の構成例を示す図である。待合リスト出力部５１５により出力される待合リストの一例を示す図である。予約データベース５５５に記憶される予約情報の構成例を示す図である。気象データベース５５６に記憶される気象情報の構成例を示す図である。集計データベース５５７に記憶される集計情報の構成例を示す図である。ニューラルネットワーク計算部５２０の構成を示す図である。待ち時間予測部５２２による待ち時間の予測処理のフロー図である。患者数予測部５２５による患者数の予測処理のフロー図である。予測対象日が当日である場合の待ち時間の予測処理のフロー図である。予測対象日が当日である場合の待ち時間の予測処理のフロー図である。待合リスト更新部５１４による待合リストデータベース５５４の更新処理の流れを示すフロー図である。

符号の説明

１０患者端末２０従業者端末
３０受付端末４０医師端末
５０サーバ装置６０ＬＡＮ
７０インターネット１０１ＣＰＵ
１０２メモリ１０３記憶装置
１０４通信インタフェース１０５入力装置
１０６出力装置
１１１予測待ち時間取得要求送信部１１２予測待ち時間受信部
１１３予測待ち時間出力部２１１予測患者数取得要求送信部
２１２予測患者数受信部２１３予測患者数出力部
３０１カードリーダ３０２診察券
３１１患者ＩＤ入力部３１２医師ＩＤ入力部
３１３予測待ち時間取得要求送信部３１４予測待ち時間受信部
３１５予測待ち時間出力部３１６受付履歴登録要求送信部
４１１診察開始指示入力部４１２診察終了指示入力部
４１３診察履歴登録要求送信部５１１受付履歴登録要求受信部
５１２診察履歴登録要求受信部５１３待ち時間実績登録部
５１４待合リスト更新部５１５待合リスト出力部
５１６予約情報登録部５１７気象情報登録部
５１８集計情報登録部５１９診察時間予測部
５２０ニューラルネットワーク計算部５２１予測待ち時間取得要求受信部
５２２待ち時間予測部５２３予測待ち時間送信部
５２４予測患者数取得要求受信部５２５患者数予測部
５２６予測患者数送信部５５１受付履歴データベース
５５２診察履歴データベース５５３待ち時間実績データベース
５５４待合リストデータベース５５５予約データベース
５５６気象データベース５５７集計データベース

Claims

サービスが提供されるまでの待ち時間を予測する方法であって、
ＣＰＵとメモリとを備えるコンピュータが、
前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて前記メモリに記憶し、
ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、
現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを含む、前記サービスを利用する予定の利用者数である利用予定者数を決定する利用予定者数決定情報を前記メモリに記憶し、
現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第１の平均値を算出し、
過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出し、
算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出し、
１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記メモリに記憶されている利用予定者数決定情報に含まれる前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される前記利用予定者数に乗算して前記待ち時間の予測値を算出し、
前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、
前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、
前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新すること、
を特徴とする待ち時間予測方法。
請求項１に記載の待ち時間予測方法であって、
前記コンピュータは、
前記サービスの利用を予約している予約者数を、前記サービスの予約時に対応付けて前記メモリに記憶し、
現時点から前記待ち時間の予測値までの間に予約されている前記予約者数を前記メモリから読み出し、
読み出した前記予約者数と前記予測提供時間とを乗算した値を、前記予測値に加算すること、
を特徴とする待ち時間予測方法。
請求項１に記載の待ち時間予測方法であって、
日付毎に、前記サービスを利用した利用者数を前記メモリに記憶し、
前記ニューラルネットワークはさらに、前記学習対象時が含まれる日付の前週同曜日に該当する日付に対応する前記利用者数の合計を入力信号とするように構成され、
前記コンピュータは、前記現在の日付に対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数と、前記第１及び第２の平均値とを入力信号として、前記ニューラルネットワークによる前記予測提供時間を算出すること、
を特徴とする待ち時間予測方法。
請求項１に記載の待ち時間予測方法であって、
前記コンピュータは、
前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を前記メモリに記憶しており、
前記メモリに記憶されている前記待合情報の数を前記利用予定者数として決定し、
前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出し、前記利用者特定情報と前記予測提供時刻とを出力装置に出力すること、
を特徴とする待ち時間予測方法。
サービスが提供されるまでの待ち時間を予測する方法であって、
ＣＰＵとメモリとを備えるコンピュータが、
前記サービスが提供された日付と、前記日付における時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯において前記サービスの提供にかかった時間である提供時間実績値と、を対応付けて前記メモリに記憶し、
ニューラルネットワークの学習対象となる日付である学習対象日の前週に含まれる日付のそれぞれの、学習対象となる時間帯である学習対象時間帯における前記実績値の平均値と、前記学習対象日の前年同月同週同曜日となる日付の前記学習対象時間帯における前記実績値の平均値と、前記学習対象日から過去所定年において、前記学習対象日と同月同曜日となる日付の前記学習対象時間帯における前記実績値の平均値と、前記学習対象日の前週に含まれる日付のそれぞれの全時間帯における前記実績値の平均値と、前記学習対象日から前記所定年において、前記学習対象日と前記同月同曜日となる前記日付の全時間帯における前記実績値の平均値と、前記学習対象日における前記気象データとを入力信号とし、前記学習対象日の前記学習対象時間帯において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象日の前記学習対象時間帯における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、
現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯である予測対象時間帯における第３の利用者数とを前記メモリに記憶し、
現在の日付における気象データの予測値を取得し、
前週に含まれる日付の何れかと、前記予測対象時間帯とに対応する前記提供時間実績値の平均値である第１の前週実績平均値を算出し、
前記予測対象日の前週に含まれる日付の何れかに対応する前記提供時間実績値の平均値である第２の前週実績平均値を算出し、
現在の日付から前年同月同週同曜日となる日付と、前記予測対象時間帯とに対応する前記実績値の平均値である第１の実績平均値を算出し、
現在の日付から前年同月同週同曜日となる日付に対応する前記実績値の平均値である第２の実績平均値を算出し、
前記気象データの予測値と、前記第１及び第２の前週実績平均値と、前記第１及び第２の実績平均値とを入力信号として前記ニューラルネットワークにより前記予測提供時間を算出し、
現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の平均値を算出し、
１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記第１の係数を減算した第２の係数に、前記現在の日付に対応する提供時間実績値の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出し、
前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、
前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、
前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記現在の日付に対応する提供時間実績値の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新すること、
を特徴とする待ち時間予測方法。
サービスが提供されるまでの待ち時間を予測する方法であって、
ＣＰＵとメモリとを備えるコンピュータが、
前記サービスが提供された日付及び時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯において前記サービスの提供にかかった時間である提供時間実績値と、前記日付の前記時間帯における利用者数とを対応付けて前記メモリに記憶し、
ニューラルネットワークの学習対象となる学習対象日から特定される曜日と、学習対象となる時間帯と、前記学習対象日の前記学習対象時間帯における気象データと、前記学習対象日の前記学習対象時間帯から過去に所定期間での前記提供時間実績値の平均値と、前記学習対象日から前週同曜日となる日付における利用者数の合計値と、前記学習対象日の前記学習対象時間帯から過去に前記所定期間における利用者数の合計値とを入力信号とし、前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象日の前記学習対象時間帯における前記提供時間実績値を教師信号とするニューラルネットワークを構成し、
現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを前記メモリに記憶し、
現在の日付の前記気象データの予測値を取得し、
現在の日付と、過去の何れかの時間帯である当日時間帯とに対応する前記実績値を前記メモリから読み出し、読み出した前記提供時間実績値を平均した当日実績値を算出し、
現在の日付と前記当日時間帯とに対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を合計した当日利用者数を算出し、
現在の日付から前週同曜日となる日付に対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を合計した前週利用者数を算出し、
現在の日付から特定される曜日と、現在の時間帯と、前記気象データの予測値と、前記当日実績値と、前記当日利用者数とを入力信号として、前記ニューラルネットワークにより前記予測提供時間を算出し、
現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の平均値を算出し、
１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記第１の係数を減算した第２の係数に、前記現在の日付に対応する提供時間実績値の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記台２の利用者数に乗じて算出される前記利用予定者数に乗算して前記待ち時間の予測値を算出し、
前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付け、
前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、
前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記現在の日付に対応する提供時間実績値の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新すること、
を特徴とする待ち時間予測方法。
請求項１、５又は６の何れか１項に記載の待ち時間予測方法であって、
前記コンピュータは、
前記サービスが提供された日付及び時間帯と、前記日付の前記時間帯における気象データと、前記日付の前記時間帯における利用者数とを対応付けて前記メモリに記憶し、
予測対象となる日付である予測対象日における気象データの予測値を取得し、
前記予測対象日により特定される曜日と、前記気象データの予測値とに対応する前記日付を前記メモリから検索し、
検索した前記日付と予測対象となる時間帯とに対応する前記利用者数を前記メモリから読み出し、読み出した前記利用者数を平均して前記利用者数の予測値である予測利用者数を算出し、
前記ニューラルネットワークはさらに、前記算出した前記利用者数の予測値を入力信号とすること、
を特徴とする待ち時間予測方法。
サービスが提供されるまでの待ち時間を予測するシステムであって、
ＣＰＵと、メモリと、
前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて記憶する実績値記憶部と、
ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成するニューラルネットワーク計算部と、
現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを記憶する利用予定者数記憶部と、
現在の日付に対応する前記提供時間実績値を前記利用予定者数記憶部から読み出し、読み出した前記提供時間実績値の第１の平均値を算出する提供時間平均値算出部と、
過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出する平均利用者数算出部と、
算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出する提供時間予測部と、
前記サービスを利用する予定の利用者数である利用予定者数の入力を受け付ける利用者数入力部と、
１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記利用予定者数記憶部に記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出する待ち時間予測部と、
前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付ける終了指示入力部と、
を備え、
前記ニューラルネットワーク計算部は、前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行い、
前記待ち時間予測部は、前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新すること、
を特徴とする待ち時間予測システム。
請求項８に記載の待ち時間予測システムであって、
前記利用予定者数記憶部は、前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を記憶しており、
前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出する提供時刻予測部と、
前記利用者特定情報と前記予測提供時刻とを出力装置に出力する待合リスト出力部と、
を備えることを特徴とする待ち時間予測システム。
サービスが提供されるまでの待ち時間を予測するためのプログラムであって、
ＣＰＵとメモリとを備えるコンピュータに、
前記サービスの提供にかかった時間である提供時間実績値を、前記サービスが提供された日時を特定する情報に対応付けて前記メモリに記憶するステップと、
ニューラルネットワークの学習対象となる時である学習対象時が属する日における前記提供時間実績値の平均値と、前記学習対象時から過去の所定期間における前記提供時間実績値の平均値とを入力信号とし、前記学習対象時において前記サービスにかかる時間の予測値である予測提供時間を出力信号とし、前記学習対象時における前記提供時間実績値を教師信号とするニューラルネットワークを構成するステップと、
現在の日付の前週同曜日となる日付における第１の利用者数と、現在の日付と同月、同曜日、同天気、同最高気温となる日付における第２の利用者数と、前記同月、同曜日、同天気、同最高気温となる日付の現時点が含まれる時間帯における第３の利用者数とを前記メモリに記憶するステップと、
現在の日付に対応する前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第１の平均値を算出するステップと、
過去の前記所定期間における前記提供時間実績値を前記メモリから読み出し、読み出した前記提供時間実績値の第２の平均値を算出するステップと、
算出した前記第１及び第２の平均値を入力信号として前記ニューラルネットワークにより前記予測提供時間を算出するステップと、
１以下の第１の係数に前記予測提供時間を乗算した値と、１から前記係数を減算した第２の係数に前記第１の平均値を乗算した値との合計値を、前記メモリに記憶されている前記第１及び第３の利用者数の比を前記第２の利用者数に乗じて算出される利用予定者数に乗算して前記待ち時間の予測値を算出するステップと、
前記サービスが提供された後に、前記サービスの提供にかかった前記提供時間実績値の入力を受け付けるステップと、
前記入力された提供時間実績値を前記ニューラルネットワークの教師信号として前記ニューラルネットワークによる学習処理を行うステップと、
前記入力された提供時間実績値と、前記予測提供時間に前記第１の係数を乗算した値と前記第２の係数に前記第１の平均値を乗算した値とを合計した値との差が最小になるように前記第１及び第２の係数を更新するステップと、
を実行させるためのプログラム。
請求項１０に記載のプログラムであって、
前記コンピュータに、
前記サービスの提供を受ける利用者を特定する利用者特定情報と、前記利用者が前記サービスの提供を受ける順番とを対応付ける待合情報を前記メモリに記憶するようにさせ、
前記メモリに記憶されている前記待合情報の数を前記利用予定者数として決定するステップと、
前記メモリに記憶されている前記待合情報のそれぞれについて、前記サービスの提供が開始される時刻に、前記順番に前記予測提供時間を乗じた値を加算した予測提供時刻を算出するステップと、
前記利用者特定情報と前記予測提供時刻とを出力装置に出力するステップと、
をさらに実行させるためのプログラム。