JP4796167B2 - イベント判断装置 - Google Patents

Description

本発明は、ある地点においてイベントが開催されるか否かを判断するイベント判断装置に関する。

ユーザがイベントに関する情報（イベント情報）を取得する場合、一般的にイベント情報（イベントの開催場所、日時などの情報）が掲載された雑誌やＷｅｂなどを利用して取得する。ただし、イベント情報は体系化されておらず、すべてのイベント情報を管理することはできないため、規模の小さいイベントの情報や、雑誌やＷｅｂ上で公開されていないイベントの情報を取得することは困難である。あらゆるイベント情報を取得することは困難であるが、そのような広範囲なイベント情報を把握することができれば、イベントの情報を加味した渋滞予測なども可能となり、様々な分野で利用することができる。

ここで、従来の渋滞予測は、過去の統計情報（過去の混雑度）に基づいた定期的な渋滞予測である。具体的な方法には、統計的推定、時系列予測、時系列パターンのパターンマッチングなどがある。統計的渋滞予測は、既存のカーナビゲーションシステムや関連研究にて行われている手法で、主に中長期（数時間〜数日先）の予測に利用される。基本的には過去の統計から特定の日時の各リンクの渋滞度を予測する。例えば「日曜日の朝９：００−１０：００」などと統計を取り、その平均値を予測値として提示する。あるいは、これら属性（曜日、天気、時間帯など）との関係を機械学習手法（決定木、ニューラルネット、ベイズ手法など）によりきめ細かく推定する手法も提案されている。参考資料としては、ホンダインターナビＶＩＣＳ渋滞予測情報（http://premium-club.jp/PR/technology/tech3.html）がある。

時系列予測は、通常の時系列予測手法（ＡＲモデル、ＡＲＩＭＡモデル、カルマンフィルタなど）に基づいて、各リンクの予測値を求めるものである。過去数分の時系列データから回帰モデルにより数分後までの予測をするというようなモデルである。比較的短期の予測（数分〜数時間先）に利用される（下記の特許文献１を参照）。

パターンマッチングは、上記の時系列予測では非線形の事象に対応できないが、交通パターンを典型的な挙動の連続としてとらえることで予測する手法である。現在の渋滞度時系列パターンを元に次の時刻のパターンを過去のパターンデータベース（統計）から推定する。機械学習手法が用いられる（下記の特許文献２を参照）。

また、渋滞予測の中でもイベントに関する渋滞を予測する手法も存在し、下記の特許文献３、４に開示されている。しかし、この手法はイベント情報のデータの収集については雑誌やＷｅｂの編纂のように、人手によるデータエントリーを必須としている。渋滞予測の根拠となる特徴量情報も特許文献３に開示された技術では用いられておらず、特許文献４に開示された技術のようにイベントの日時、予想人出、交通規制などあらかじめ用意された情報を前提としており、限定的である。

なお、イベント情報をＷｅｂ上から抽出する試みがあり、これらはＨＴＭＬ情報や言語情報を用いてイベントの情報（日時、場所、ジャンルなど）を抽出できる。しかし、応用はイベント情報を整形してユーザに配信するなど1次的な利用が主である。参考資料としては「ＨＴＭＬ文書からのイベント情報抽出（三宅新二／岡部一光／鳥越秀知／横田一正）」（http://fw8.bookpark.ne.jp/cm/ipsj/particulars.asp?content_id=IPSJ-DBS02128005-PRT）がある。Ｗｅｂや雑誌に載らないような情報（小学校の運動会など）もあり、収集技術によっても、十分に包括的なデータを得るのは難しい。またＷｅｂや雑誌の情報では、雨天による中止などの情報までは追跡しきれていない場合が多く、リアルタイムの情報としては十分ではない。

なお、本願の出願人がした出願で未公開の出願があり、その出願ではプローブカーからのＰＯＩの存在、タイプなどを抽出するシステムを開示している。その出願ではイベントの抽出についても簡単な方法（単純な閾値での判定）を記述しているが、実現性には乏しい。

特開２００１−３０７２７８号公報（要約） 特開２００２−２９８２８１号公報（要約） 特開２００４−２７２４０８号公報（要約） 特開２００４−２８０７３１号公報（要約）

上述した従来の渋滞予測は過去の統計（対象日時の平均、時系列、パターンなど）に基づいた予測であり、交通量から交通量を予測している。これでは、非定常的な交通事象や交通量の定常的変動以外の要因の交通事象の予測が不可能である。定常的な交通事象以外の渋滞の原因となるものには、交通事故や工事、そして事前の情報がないスポーツ、お祭りなどのイベントなどがある。事前にイベント情報が把握されていなければイベント時には大規模な交通の集中が起こり、広範囲で渋滞が起こることがある。イベントに関する渋滞予測方法であっても事前のイベント情報がない突発的なイベントの場合には渋滞予測は困難である。

イベント情報はあらかじめ収集することもできるが、Ｗｅｂなどに発表される事前のイベント情報は、多くのサイトに分離、散在しており、記述内容や形式もまちまちである。また、イベント情報を収集するサイトもあるが網羅性が低い。このような状況では、イベント情報の収集も不十分であり、定期的なイベントでない場合には既存の渋滞予測手法では予測が困難である。以上のことから、イベントの開催場所と日時だけでもあらかじめ分かれば、より正確な渋滞予測ができることになる。

本発明は、上記の問題点に鑑み、渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができるイベント判断および予測が可能な装置を提供することを目的とする。

上記目的を達成するために、本発明によれば、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記所定の地点へ到来する到来者の人数を含む情報であって、ナビゲーションシステムにおいて目的地を前記所定の地点に設定した時点における地点の情報である所定の情報を受信する受信手段と、前記所定の情報に含まれる前記到来者の人数と、前記目的地を前記所定の地点に設定した時点における前記地点から前記所定の地点までの距離に応じた到来時間に基づいて、前記所定の地点への到来者の人数の時系列データを生成する生成手段と、前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、備えるイベント判断装置が提供される。このイベント判定を、エリア内の複数の区画に対して行うことで、任意の区画のイベントを抽出できる。この構成により、渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができる。

また、本発明によれば、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、複数のエリアに地図を分割する分割手段と、分割された分割エリアごとの前記所定の地点への到来割合を過去のデータに基づいて算出する算出手段と、前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記分割エリアそれぞれから出発する出発者の数を含む所定の情報を受信する受信手段と、算出された前記到来割合に、該当する分割エリアから出発する前記出発者の数を掛けて得られる分割エリアごとの前記所定の地点への到来数と、前記各分割エリアから前記所定の地点までの距離に応じた到来時間とに基づいて前記所定の地点への到来者の人数の時系列データを生成する生成手段と、前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、備えるイベント判断装置が提供される。この構成により、開催候補地への過去の到来者の出発地の情報を利用して、イベントが開催されるか否かを正確に判断することができる。

また、本発明によれば、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記所定の地点へ到来する到来者の人数を含む情報であって、プローブシステムのプローブの出発地から現在地までの地図上におけるベクトルと、前記現在地から前記所定の地点までの地図上におけるベクトルとの内角の角度が所定の範囲にあるプローブからのプローブ情報及び／又は、携帯移動端末の出発地から現在地までの地図上におけるベクトルと、前記現在地から前記所定の地点までの地図上におけるベクトルとの内角の角度が所定の範囲にある携帯移動端末からの移動履歴情報である所定の情報を受信する受信手段と、前記所定の情報に含まれる前記到来者の人数と、前記現在地から前記所定の地点までの距離に応じた到来時間に基づいて、前記所定の地点への到来者の人数の時系列データを生成する生成手段と、前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、備えるイベント判断装置が提供される。この構成により、進行方向を示すベクトルを利用して、イベントが開催されるか否かを正確に判断することができる。

また、本発明のイベント判断装置において、前記判断手段は、前記第１の時系列データ及び前記第２の時系列データそれぞれに対して所定のモデル化を行い、前記生成手段で生成された時系列データを前記モデル化されたモデルに当てはめ、前記所定の地点においてイベントが開催されるか否かを判断することは、本発明の好ましい態様である。この構成により、容易に判断することができる。

また、本発明によれば、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、プローブシステムの複数のプローブ及び／又は複数の携帯移動端末から、前記複数のプローブ及び／又は複数の携帯移動端末それぞれが出発をしたときには出発地の情報を含む出発した旨の情報、目的地へ到着したときには目的地の情報を含む到着した旨の情報を受信する受信手段と、前記受信手段で受信した複数の情報に基づいて、複数の出発と到着を示す時系列点分布データであって、所定の時間区間の定常時系列を除いた前記時系列点分布データを地図上に重ねて生成する生成手段と、前記地図上に重ねられた前記時系列点分布データのデータ数に基づいて、重ねられたデータ数の最も多い前記地図上の地点をイベントの開催があるとされる地点であると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、備えるイベント判断装置が提供される。この構成により、渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができる。

また、本発明によれば、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、複数のプローブシステムのプローブ及び／又は複数の携帯移動端末が前記所定の地点に到達した旨と出発地の情報を含む情報を前記複数のプローブ及び／又は前記複数の携帯移動端末から受信する受信手段と、受信した複数の情報に基づき、前記所定の地点へ到達した前記複数のプローブ及び／又は前記複数の携帯移動端末の出発地の分布を主成分分析により分離し、分離された成分ごとに到来者の人数の時系列データを生成する生成手段と、前記所定の地点で過去にイベントがあった際の第１の時系列データとイベントがなかった際の第２の時系列データをあらかじめ記憶している所定の記憶領域から取得する取得手段と、前記生成手段で生成された前記時系列データそれぞれにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データそれぞれにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、備えるイベント判断装置が提供される。この構成により、複数の要素時系列を比較することができ、より精度よく渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができる。

本発明のイベント判断装置は、上記構成を有し、渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができる。

本発明の実施の形態におけるイベントがあるか否かを判断する方法について説明するための図である。 本発明の実施の形態におけるイベントがあるか否かを判断する他の方法について説明するための図である。 本発明の実施の形態におけるイベント状態のラベリングの一例を示す図である。 本発明の実施の形態における出発地の分布を主成分分析により複数の成分に分離する方法を説明するための図である。 本発明の実施の形態におけるイベントの開催候補地へ到達した人の過去の出発地の点分布を用いる方法について説明するための図である。 本発明の実施の形態における方向の同定の方法の一例を説明するための図である。 本発明の実施の形態における到来候補者と判断する方法について説明するための図である。 本発明の実施の形態における到来候補者と判断する方法について説明するための他の図である。 本発明の実施の形態に係るイベント判断装置の構成の一例を示す構成図である。 本発明の実施の形態におけるＷｅｂから抽出される情報の一例を示す図である。

本発明の実施の形態の一例について説明する。ここでは、開催候補地（開催候補地の敷地内又は開催候補地の敷地周辺道路の範囲内）に到来する人や車両などの到来数（の統計）を取得し、取得された到来数を利用してイベントがあるか否かを判断する。ここで、到来数は開催候補地へ到来した人の人数（歩行者の人数のみだけでなく、車両に搭乗している者の人数を合わせた数）であってもよく、到来した人の人数及び到来した車両の数であってもよい。車両に搭乗している者の人数は、エンジンをかけて車両を走行させる前にあらかじめ入力される数でもよく、車両１台あたりの平均搭乗者数を統計的に求めておいてもよい。また、開催候補地（上述する所定の地点に相当）は、あらかじめ決定された場所であって、イベントの開催があると考えられる場所である。

開催候補地へ人や車両が到来したと判断する基準は、例えば開催候補地での人の停止、車両の駐車、タクシーの降車などである。すなわち、例えば開催候補地で人がある一定時間以上停止した場合や、開催候補地で車両が駐車した場合や、開催候補地でタクシーから人が降りた場合には、開催候補地へ人や車両が到来したと判断される。到来数は、例えばＧＰＳ機能が付いた携帯移動端末からのＧＰＳ携帯ログや、プローブシステムにおけるプローブ（プローブカー、プローブパーソンなど）から送られる情報により求められる。これらの情報を空間的動態情報とも言う。

また、到来数は、各携帯移動端末や各プローブから収集される情報に基づいて求めるのではなく、不図示の通知装置が各携帯移動端末や各プローブから情報を収集して到来数を測定し、イベント判断装置に到来数の測定結果が通知されるようにしてもよい。この通知装置はイベント判断装置の構成要素でもよく、またイベント判断装置の構成要素でなくてもよい。不図示の通知装置がイベント判断装置の構成要素となる場合、後述する受信手段が所定の情報を受信するということには、所定の情報を有線などで渡された情報を取得するという概念を含む。

なお、到来数を求める場合、実際のプローブ情報の空間的動態情報だけでなく、補完的にＷｅｂ上の情報も用いるようにしてもよい。ＰＯＩの属性から、Ｗｅｂ上の情報を取得する場合、属性情報のみならずテキストの情報、サイトのランク情報などを取得するようにしてもよい。具体的には、ＨＴＭＬ構造などから属性抽出を行う。イベントに関する説明文、投稿情報も同時にイベントと関連付けられた記事（文章）として抽出する。文章の部分は単語頻度をＴＦ／ＩＤＦなどのモデルでベクトル化する手法に基づき、数量化する（この際次元を圧縮するために品詞（名詞、動詞、形容詞など）の限定、主成分分析、重回帰分析などにより渋滞と関連する属性の選別などを行う）。Ｗｅｂ上から抽出される情報は、例えば図１０に示すような形になる。この情報はそのＰＯＩに関するトピックをまとめたものであり、イベント情報のジャンル情報の補完情報とも言える。抽出後、イベントのジャンル（スポーツ、コンサートなど）ごとに情報が正規化したデータベースに格納される。

ここでの実施の形態では、以前に開催候補地でイベントがあった場合とイベントがなかった場合のモデルを過去の到来者数の時系列データ（以下、到来者の時系列データとも言う）に基づいて生成し、生成されたモデルを利用して当該開催候補地でイベントがあるか否かを判断する。具体的には、イベントがあるか否かを判断する場合、空間的動態情報に基づく到来者の時系列データが、イベントがあった場合のモデルとイベントがなかった場合のモデルのどちらに相当するかを比較し判断する。イベントがあった場合のモデルに相当するデータであれば、当該開催候補地でイベントが行われると判断できる。なお、モデル化せずに時系列データそのもののパターンを比較してイベントがあるか否かを判断するようにしてもよく、その場合について図１を用いて説明する。

図１に示すような過去の到来者の時系列データ（イベントがない場合の時系列データ１０１、イベントがある場合の時系列データ１０２）がある場合に、イベントがあるか否かを判断する時点での時系列データ１０３がどちらの時系列データのパターンに相当又は近似するかを判断する。ここでは、地点１０４の部分に混雑度のピークがあり、イベントがあった場合の時系列データに近似するため、時系列データ１０３の場合にはイベントがあると判断される。ここで、相当とは完全一致以外にほぼ一致を含む概念であり、近似とは完全一致やほぼ一致ではないが、類似度が高いものを含む概念である。

なお、上述したモデル化はイベントがある場合とない場合のパターンが区別できれば、単純な線形予測、回帰分析、機械学習、時系列モデル、状態空間モデルなどでもよい。また、一日における定常トラフィックなどはあらかじめ差し引いておき、差分のみでモデル化することもできる。また、上記の時系列データにおいて、開催候補地のデータのみならず、周辺の空間的動態情報（開催候補地周辺の人や車両の動向の情報）などを加味することで、より精度が高く、長期の予測が可能なモデルを構築できる。例えば、複数の場所の空間的動態情報から開催候補地へ向かいそうな人の集計を取り、それを到来候補者としてイベントがあるか否かの判断に利用する。それにより、開催候補地（現地）のみのデータよりもより精度の高いイベント検出ができる。

また、イベントがあるか否かを判断する方法として以下のような方法もある。人や車両の到着数（到来数）及び発車数（出発数）をカウントし、各エリア、各時間帯に統計を取ると図２に示すような３次元ヒストグラムが得られる。具体的には、複数のプローブ及び／又は複数の携帯移動端末が出発をしたときには出発地の情報を含む出発した旨の情報、目的地へ到着したときには目的地の情報を含む到着した旨の情報をプローブや携帯移動端末から複数受信し、受信した複数の情報に基づいて、複数の出発と到着を示す時系列データを地図上に重ねて、例えば図２に示すようなヒストグラムを生成する。

ここで、出発とは、プローブカーのエンジンがかかって発車したとき、パーキングブレーキに入っていたレバーをドライブモードのレバーに切り換えて発車したとき、携帯移動端末に対して所定の操作がなされ、それに応じた信号が送信されて携帯移動端末が発車したときなどを言う。また、到着とは、プローブカーのエンジンが停止したとき、ドライブモードのレバーからパーキングブレーキのレバーに切り替わって所定の時間が経過したとき、所定の時間、一時停止したとき、携帯移動端末に対して所定の操作がなされ、それに応じた信号が送信されたとき、携帯移動端末が所定の時間、一時停止したときなどを言う。

このような３次元ヒストグラムによるモデル化を用いてイベントがあるか否かを判断するようにしてもよい。例えば、単純な合計とするのではなく、トレンド成分（一日おきの定常の変化など）を除去する。すなわち、例えば混雑が予想される朝夕の通勤時などの特殊な時間帯などを除いた合計とする。エリアごとの平均値を除し標準化を行うなどの適切な前処理を行うことで、イベント時のように普段と異なる動きをする場所を抽出することができる。

図２では黒塗りのセルが到着数、白塗りのセルが出発数を示している。図２の円柱２０１内に示すように、イベントが発生する場所では到着→出発というパターンが多く見られる。このことを利用して、パターンマッチングや状態空間モデル（ＨＭＭ：Hidden Markov Model）などにより、イベントの検出や、イベント前状態、後状態なども含めたイベント状態検出あるいはそれを応用したイベント予測を行うことができる。なお、ＨＭＭについては以下を参照。
http://ja.wikipedia.org/wiki/%E9%9A%A0%E3%82%8C%E3%83%9E%E3%83%AB%E3%82%B3%E3%83%95%E3%83%A2%E3%83%87%E3%83%AB
イベント前状態を定義することで、実質的に事前のイベント発生予測が可能となる。

イベント状態検出では、例えば図３に示すようなイベント状態のラベリングが可能である。これはＨＭＭを用いているが、到着数と出発数の実数の差分や、前期との差分などを用いて状態を決定している。また、予め固定された時空間グリッドに依存しないようにするため、時空間スキャン統計量（http://www.geog.or.jp/journal/back/pdf117-2/p506-521.pdf）を用いたエリア抽出を併用することもできる。

また、上述した分析で用いる時系列は、到着数（到来数）と発車数（出発数）の２つのみであったが、これを到来者の出発地の成分を用いて表現することで複数の時系列を利用する。これにより、イベント時とイベント時以外の時間帯の到来者の質的な変化も捉えることができ、より精度高くイベント開催を抽出できる。図４に示すように、地点（ＰＯＩ）４００への到来者の出発地の分布４０１を主成分分析により成分４０２から４０４に分離する。

成分４０２は、エリア４０５、４０６を出発した到来者の分布を示し、成分４０３は、エリア４０７、４０８を出発した到来者の分布を示し、成分４０４はエリア４０９を出発した到来者の分布を示している。代表する主成分を例えば上位数個程度抽出して、各々の
成分における各エリアからの到来者を合計した時系列データ４１０から４１２を利用し、イベントがあるか否かを判断する。図４の場合では、成分４０３における時系列データ４１１がある時間にピークをむかえ、その後到来者の数が減少しているため、地点４００ではイベントがあると判断できる。なお、出発者の場合には、出発者の目的地の分布を主成分分析によって各成分に分離して、それぞれの成分の時系列を利用する。

なお、主成分分析については以下を参照。主成分分析における変数として各地点の出発者数（グリッドや行政区画などで集計された値でもよい）をとることで、同じ時間帯に到来する地域を分類することができる。例えばイベント発生前に特有の地域からの到来が比較的突出する場合などには有効である。
http://ja.wikipedia.org/wiki/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90

ここで、上述した、到来する人や車両などの到来数（の統計）を取得し、取得された到来数を利用してイベントがあるか否かを判断する方法の場合には、実際に開催候補地へ到来した車両や人のデータに基づいてイベントがあるか否かを判断している。しかし、実際に開催候補地へ到来した車両や人のデータではなく、開催候補地へ将来到来すると思われる者を開催候補地への到来者とみなしてイベントがあるか否かを判断することもできる。以下では、開催候補地へ将来到来すると思われる到来者の予測について説明する。

まず、チケット予約情報や、駐車場などの予約情報や、例えば前日の開催候補地（ＰＯＩ）に関するＷｅｂホームページのアクセス数などの情報（Ｗｅｂホームページのアクセス数による方が、駐車場などより一般的なＰＯＩを扱えるというのが特徴）を利用して開催候補地でイベントがあるか否かを判断する。イベント開催日時がわかっている場合は、その規模、渋滞度を、過去のデータ（チケット、駐車場、Ｗｅｂアクセスと実際の混雑度の関連）を機械学習モデルなどで学習する。具体的には、例えば駐車場の予約情報の場合、駐車場予約サイトなどのＰＯＳ情報から予約状況を取得し、予約された駐車場の使用時間に基づいて開催候補地への到来者の時系列データを生成する。

なお、Ｗｅｂホームページのアクセス数の情報などの場合であっても同様に時系列データを生成することが可能である。そして、イベントがない場合の過去の予約状況による到来者の時系列データとイベントがあった場合の過去の予約状況による到来者の時系列データとに基づいてモデル化を行い、今回生成した時系列データが、イベントがなかった場合とイベントがあった場合のどちらに相当するかを判断する。なお、上述したように、モデル化せずに単に時系列データを比較してイベントがあるか否かの判断を行うようにしてもよい。

また、この他にも、カーナビゲーションシステムなどで目的地を開催候補地に設定した場合、設定時の地点と開催候補地との距離から到達予想時間を求める。このように到達予想時間を求めることによって、開催候補地へ到来する車両の正確な時系列データが生成される。そして、過去にカーナビゲーションシステムで開催候補地へ目的地を設定した場合で、イベントがなかった場合とイベントがあった場合との時系列データからモデル化し、今回生成された時系列データがどちらのモデルに相当するかを判断する。これにより、イベントがあるか否かを判断することができる。なお、上述したように、モデル化せずに単に時系列データを比較してイベントがあるか否かの判断を行うようにしてもよい。

また、上述した方法以外にも、イベントの開催候補地へ到達した人の過去の出発地の点分布を用いる方法もある。この方法では、その点分布をグリッド（地図の分割エリア）などで集計して、その開催候補地へ来る人の割合が多い（関連の深い）グリッドがわかる。具体的に図５を用いて説明する。まず、図５に示すような複数のグリッドに分割された過去の点分布（データ）から、グリッドごとのイベントの開催候補地５０１への到来者数の割合αを求める。あるグリッド５０２内には候補となる複数の出発点がある。これらの出発点を出発した人（車両も含む）が開催候補地５０１へどの程度到達したかの割合（到来割合）αを算出する。すなわち、図５に示すグリッド５０１の場合、α＝３（到達数）／６（出発点の数）＝０．５となる。このようにして各グリッドについてαを算出する。

そして、今回の各グリッドの該当する出発点の数（例えば、受信部などによって外部から受信される）ｘと当該グリッドの割合αとを掛け合わせる。この処理によりグリッドごとの開催候補地への到来数がわかる。そして、その到来数と、各グリッドから開催候補地までの距離に応じた到来時間とに基づいて、開催候補地への到来者の時系列データが生成される。生成された時系列データから、イベントがあるか否かが判断される。なお、グリッドから開催候補地までの距離は、各出発点から開催候補地までの距離としてもよく、グリッドの中心地をそのグリッドの出発点としてその出発点から開催候補地までの距離としてもよい。

なお、実際にグリッドを出発する者すべてに対して、グリッドから開催候補地までの距離に応じた到来時間を求め、それに基づいて開催候補地への到来者の時系列データを生成するものでもよい。

また、上記において各グリッドから開催候補地方面へ向かう出発者のみを到来候補者としてもよい。なお、方向の同定は図６に示すように行う。ここで、円６０１は出発地６０５から半径ｄ［ｍ］の円であり、実線６０２は実際の動態観測点をつないだもの（出発地６０５含め４点を結んでいる）であり、破線ベクトル６０３は出発地６０５から現在地（４点目のプローブ点）へのベクトルであり、実線ベクトル６０４は出発地ポリゴン６０６（あるいはグリッド）の中心からナゴヤドームのＰＯＩポリゴン６０７（あるいはグリッド）の中心へのベクトルである。ここで、プローブ点が円６０１の外側へ出た時点（ｄ［ｍ］以上離れた場合）あるいはグリッドを出た時点で方向確定とし、破線ベクトル６０３と実線ベクトル６０４との内角の角度が所定の範囲内のものをＰＯＩターゲットのプローブ（対象となるプローブ）とする。

また、上述した方法以外に、到来候補者（対象となるプローブ）を以下のように定義してもよい。例えば、すべてのイベントの開催候補地へ向かう人が到来候補者であるという定義にしてもよい。なお、上記において、図７に示すように、イベントの開催候補地へ向かう人のうち、出発地７０１から現在地７０２までのベクトルと現在地から開催候補地７０３までのベクトルとの内角がある閾値以下の人を到来候補者であるという定義にしてもよい。また、上記において、イベントの開催候補地へ向かう人のうち、ある一定期間以上、現在地と開催候補地との距離が減少している人を到来候補者であるという定義にしてもよい。

また、図８に示すように、例えばナゴヤドーム（開催候補地、ここではＰＯＩとも言う）へ接近する人や車両のうち、ベクトル間の内角の角度θが所定の範囲にあるもの（人や車両）を到来候補とされ、情報が収集される。この車両の条件は以下に示すものである。まず、ＰＯＩを中心に複数の同心円を生成する。同心円のインデックスはＰＯＩに近いものから１、２、・・・とする。出発後はじめて同心円ｉ内に進入したプローブからデータを取得する。そのとき同心円ｉの半径はｓのｉ倍となる。ここで、ｓは同心円（ｉ＋１）の半径から同心円ｉの半径を引いた間隔を言う。

実際にはｉ＋１番目を飛び越してｉ番目の同心円まで進入するプローブなども存在するため、同心円（ｉ＋１）と同心円ｉの間のドーナツ型領域に存在するものをｉ区間侵入プローブと定義する。そして、図８に示すように、地点８０３から地点８０２への向きと、地点８０２からＰＯＩへの向きとの角度θが所定の範囲にあるもののプローブの情報が収集される。また、地点８０２から所定の距離ｄ［ｍ］以上走行していることも条件となる。

上述した方法でイベントがあるか否かがわかることにより、イベント会場付近でイベントを加味した渋滞予測を行うことで、予測しがたい渋滞を予告し、交通情報サービス利用者の利便性が高まる。具体的には、イベントあり、なしの統計による予測モデルを構築し、渋滞予測を行う。ここでの予測モデルとしては、例えば、単純な期間（時間など）の平均値による予測モデルや、曜日、時間帯などの説明変数を利用した線形予測（回帰）モデルの変数にイベントあり、なしを加えるモデルや、イベントあり、なしを状態変数として導入した状態空間モデル（カルマンフィルターなど）や、交通シミュレーションを用いる場合はＯＤ（Origin Destination）設定などにイベントの情報を加味するモデルなどがある。

また、開催候補地、イベントのタイプの情報を上記イベントによる交通変動への付加的パラメータとしてもよい。具体的には、イベント属性（タイプ、規模、場所、時期など）と総到来者数又は交通変動への影響度（近隣交通量、旅行時間など）を重回帰分析、機械学習などで関係を求め、属性からそれらを推定する。これにより未知のイベントに対する予測精度を向上させる。

ここで、本発明の実施の形態に係るイベント判断装置の構成の一例について図９を用いて説明する。図９に示すように、イベント判断装置は、受信部９０１、生成部９０２、取得部９０３、判断部９０４、格納部９０５、分割部９０６、算出部９０７から構成されている。受信部９０１は、イベントが開催されるか否かを判断するために用いられる、開催候補地へ到来する到来者の人数を含む所定の情報を受信するものである。この所定の情報とは、例えば、上述したような空間的動態情報や、駐車場予約の情報や、ナビゲーションシステムにおいて目的地を開催候補地に設定した時点における地点の情報などであって、これらに限られるものではない。

生成部９０２は、所定の情報に基づいて開催候補地への到来者の人数の時系列データを生成するものである。取得部９０３は、開催候補地で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データを、例えば格納手段９０５から取得するものである。なお、取得部９０３は、第１の時系列データ及び第２の時系列データを格納部９０５から取得せず、外部などから取得するようにしてもよい。

判断部９０４は、生成手段９０２で生成された時系列データのパターンを、取得された第１の時系列データ及び第２の時系列データそれぞれのパターンと比較し、生成された時系列データのパターンが第１の時系列データのパターンに相当するか、第２の時系列データのパターンに相当するかを判断し、第１の時系列データのパターンに相当する場合に、開催候補地においてイベントが開催されると判断するものである。格納部９０５は、上述した第１の時系列データ及び第２の時系列データを格納したり、イベント判断装置自身の処理に必要な情報を格納したりする。上述したように、格納部９０５はイベント判断装置の構成要素でなくてもよい。なお、ここでは時系列データそのものによるパターンの比較を行っているが、上述したようにモデル化してパターンを比較するようにしてもよい。

分割部９０６は、図５に示す複数のエリアに地図を分割するものである。算出部９０７は、分割されたグリッド（分割エリア）ごとの開催候補地への到来割合を過去のデータに基づいて算出するものである。なお、分割部９０６及び算出部９０７は、到来割合を用いて到来者の時系列データを生成する場合にのみ必須であり、他の方法で時系列データを生成する場合には必須ではない。

本発明に係るイベント判断装置は、渋滞予測など様々な分野で利用することができるイベント情報のうちのイベントの開催場所を特定することができるため、所定の地点においてイベントが開催されるか否かを判断するイベント判断装置などに有用である。

１０１ イベントがない場合の時系列データ
１０２ イベントがある場合の時系列データ
１０３ 現時点での時系列データ
１０４、８０２、８０３ 地点
２０１ 円柱
４００ 地点（ＰＯＩ）
４０１ 出発地の分布
４０２、４０３、４０４ 成分
４０５、４０６、４０７、４０８、４０９ エリア
４１０、４１１、４１２ 各エリアからの到来者を合計した時系列データ
５０１、７０３ 開催候補地
５０２ グリッド（分割エリア）
６０１ 円
６０２ 実線
６０３ 破線ベクトル
６０４ 実線ベクトル
６０５ 出発地
６０６ 出発地ポリゴン
６０７ ＰＯＩポリゴン
７０１ 出発地
７０２ 現在地
８０１ 中心方向
９０１ 受信部（受信手段）
９０２ 生成部（生成手段）
９０３ 取得部（取得手段）
９０４ 判断部（判断手段）
９０５ 格納部（記憶領域）

Claims (6)

1. 所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、
   前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記所定の地点へ到来する到来者の人数を含む情報であって、ナビゲーションシステムにおいて目的地を前記所定の地点に設定した時点における地点の情報である所定の情報を受信する受信手段と、
   前記所定の情報に含まれる前記到来者の人数と、前記目的地を前記所定の地点に設定した時点における前記地点から前記所定の地点までの距離に応じた到来時間に基づいて、前記所定の地点への到来者の人数の時系列データを生成する生成手段と、
   前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、
   前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、
   備えるイベント判断装置。
2. 所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、
   複数のエリアに地図を分割する分割手段と、
   分割された分割エリアごとの前記所定の地点への到来割合を過去のデータに基づいて算出する算出手段と、
   前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記分割エリアそれぞれから出発する出発者の数を含む所定の情報を受信する受信手段と、
   算出された前記到来割合に、該当する分割エリアから出発する前記出発者の数を掛けて得られる分割エリアごとの前記所定の地点への到来数と、前記各分割エリアから前記所定の地点までの距離に応じた到来時間とに基づいて前記所定の地点への到来者の人数の時系列データを生成する生成手段と、
   前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、
   前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、
   備えるイベント判断装置。
3. 所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、
   前記所定の地点でイベントが開催されるか否かを判断するために用いられる、前記所定の地点へ到来する到来者の人数を含む情報であって、プローブシステムのプローブの出発地から現在地までの地図上におけるベクトルと、前記現在地から前記所定の地点までの地図上におけるベクトルとの内角の角度が所定の範囲にあるプローブからのプローブ情報及び／又は、携帯移動端末の出発地から現在地までの地図上におけるベクトルと、前記現在地から前記所定の地点までの地図上におけるベクトルとの内角の角度が所定の範囲にある携帯移動端末からの移動履歴情報である所定の情報を受信する受信手段と、
   前記所定の情報に含まれる前記到来者の人数と、前記現在地から前記所定の地点までの距離に応じた到来時間に基づいて、前記所定の地点への到来者の人数の時系列データを生成する生成手段と、
   前記所定の地点で過去にイベントがあった際の到来者の人数の第１の時系列データとイベントがなかった際の到来者の人数の第２の時系列データとをあらかじめ記憶している所定の記憶領域から取得する取得手段と、
   前記生成手段で生成された前記時系列データにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、
   備えるイベント判断装置。
4. 前記判断手段は、前記第１の時系列データ及び前記第２の時系列データそれぞれに対して所定のモデル化を行い、前記生成手段で生成された時系列データを前記モデル化されたモデルに当てはめ、前記所定の地点においてイベントが開催されるか否かを判断する請求項１から３のいずれか１つに記載のイベント判断装置。
5. 所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、
   プローブシステムの複数のプローブ及び／又は複数の携帯移動端末から、前記複数のプローブ及び／又は複数の携帯移動端末それぞれが出発をしたときには出発地の情報を含む出発した旨の情報、目的地へ到着したときには目的地の情報を含む到着した旨の情報を受信する受信手段と、
   前記受信手段で受信した複数の情報に基づいて、複数の出発と到着を示す時系列点分布データであって、所定の時間区間の定常時系列を除いた前記時系列点分布データを地図上に重ねて生成する生成手段と、
   前記地図上に重ねられた前記時系列点分布データのデータ数に基づいて、重ねられたデータ数の最も多い前記地図上の地点をイベントの開催があるとされる地点であると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、
   備えるイベント判断装置。
6. 所定の地点においてイベントが開催されるか否かを判断するイベント判断装置であって、
   複数のプローブシステムのプローブ及び／又は複数の携帯移動端末が前記所定の地点に到達した旨と出発地の情報を含む情報を前記複数のプローブ及び／又は前記複数の携帯移動端末から受信する受信手段と、
   受信した複数の情報に基づき、前記所定の地点へ到達した前記複数のプローブ及び／又は前記複数の携帯移動端末の出発地の分布を主成分分析により分離し、分離された成分ごとに到来者の人数の時系列データを生成する生成手段と、
   前記所定の地点で過去にイベントがあった際の第１の時系列データとイベントがなかった際の第２の時系列データをあらかじめ記憶している所定の記憶領域から取得する取得手段と、
   前記生成手段で生成された前記時系列データそれぞれにおける各時間の到来者の人数を、取得された前記第１の時系列データ及び前記第２の時系列データそれぞれにおける各時間の到来者の人数と比較し、生成された前記時系列データそれぞれにおける各時間の到来者の人数が前記第１の時系列データにおける各時間の到来者の人数と同一又は近似するか、または前記第２の時系列データにおける各時間の到来者の人数と同一又は近似するかを判断し、前記第１の時系列データにおける各時間の到来者の人数と同一又は近似する場合に、前記所定の地点においてイベントが開催されると判断し、イベントが開催される地点の情報を所定の記憶領域に格納する判断手段とを、
   備えるイベント判断装置。

Images