JP5111347B2 - プログラム及び旅客需要予測装置 - Google Patents

Description

本発明は、プログラム及び旅客需要予測装置に関する。

従来、鉄道等の交通機関における利用状況の推定は、蓄積された実際の利用状況情報を用いて行われていた。例えば、鉄道においては、利用動向が類似した駅や区間等について、それぞれの利用者数といった利用実績データの相関関係を数式化してモデル式を作成し、このモデル式を用いて、ある駅や区間での実際の利用者数から他の駅や区間での利用者数を推定する方法が知られている（例えば、特許文献１参照）。
特開２００２−２４４７１号公報

しかしながら、上述の特許文献１の推定方法は、利用実績の相関関係にもとづく推定であり、例えば駅周辺の人口の変動といった要素を考慮していないため、数年先といった将来の交通需要予測には適していない。

一方、一般的な将来の交通需要予測として四段階推定法が知られている。四段階推定法は、対象地域を「ゾーン」と呼ばれる単位地域に分割し、利用者の交通行動を次の４つの段階に分けて、ゾーン単位で段階的に交通需要を予測する方法である。
（１）発生・集中交通量の予測
（２）分布交通量の予測
（３）分担交通量（手段別交通量）の予測
（４）配分交通量の予測
しかし、例えば東京都心といった多数の鉄道路線により交通ネットワークが形成されている地域を対象として四段階推定法によって交通需要予測を行う場合、対象範囲を分割するゾーンの数が膨大であり、また、駅の数が多い上、他路線の駅との距離も比較的短い場合が多い。こうした複雑化した交通ネットワークに対して、四段階推定法を適用すると、その演算量が甚大になるといった問題がある。

本発明は、上記事情に鑑みてなされたものであり、複数の路線からなる交通ネットワークが形成されて複数駅を利用可能な地域における旅客需要の予測を比較的容易に行えるようにすることを目的としている。

上記課題を解決するための第１の発明は、
コンピュータを、
対象駅周辺の単位地域それぞれに居住等する人間が当該対象駅を利用する利用率を、当該対象駅と当該単位地域間の距離及び当該対象駅の実績利用者数と、当該対象駅周辺に競合駅が存在する場合の当該競合駅と当該単位地域間の距離を用いたハフモデル分析によって算出する利用率算出手段、
前記単位地域の中から前記対象駅の駅勢圏を決定する駅勢圏決定手段、
前記駅勢圏に居住等する人間のうちの前記対象駅を利用する駅勢圏利用者数を、前記駅勢圏とされた単位地域それぞれに居住等する実績人数及び当該単位地域の前記利用率を用いて推計する推計手段、
駅勢圏利用者数を与えることで前記対象駅の利用者数を推計可能な算出モデルを、前記対象駅の前記実績利用者数と前記駅勢圏利用者数とを用いて構築する算出モデル構築手段、
前記駅勢圏利用者数の予測値である駅勢圏予測利用者数を前記算出モデルに与えて前記対象駅の利用者数の予測値である予測利用者数を算出する予測利用者数算出手段、
として機能させるためのプログラムである。

また、他の発明として、
対象駅周辺の単位地域それぞれに居住等する人間が当該対象駅を利用する利用率を、当該対象駅と当該単位地域間の距離及び当該対象駅の実績利用者数と、当該対象駅周辺に競合駅が存在する場合の当該競合駅と当該単位地域間の距離を用いたハフモデル分析によって算出する利用率算出手段と、
前記単位地域の中から前記対象駅の駅勢圏を決定する駅勢圏決定手段と、
前記駅勢圏に居住等する人間のうちの前記対象駅を利用する駅勢圏利用者数を、前記駅勢圏とされた単位地域それぞれに居住等する実績人数及び当該単位地域の前記利用率を用いて推計する推計手段と、
駅勢圏利用者数を与えることで前記対象駅の利用者数を推計可能な算出モデルを、前記対象駅の前記実績利用者数と前記駅勢圏利用者数とを用いて構築する算出モデル構築手段と、
前記駅勢圏利用者数の予測値である駅勢圏予測利用者数を前記算出モデルに与えて前記対象駅の利用者数の予測値である予測利用者数を算出する予測利用者数算出手段と、
を備えた旅客需要予測装置を構成しても良い。

この第１の発明等によれば、対象駅周辺の単位地域の中から駅勢圏が決定され、この駅勢圏の単位地域それぞれに居住等する実績人数及び該単位地域に居住等する人間が対象駅を利用する利用率を用いて、該駅勢圏に居住等する人間のうちの対象駅を利用する駅勢圏利用者数が推計される。そして、対象駅の実績利用者数と駅勢圏利用者数とを用いて構築された算出モデルに、対象駅の駅勢圏予測利用者数を与えることで、該対象駅の予測利用者数が算出される。単位地域の利用率は、対象駅と該単位地域間の距離、対象駅の実績利用者数及び対象駅周辺の競合駅と該単位地域間の距離を用いたハフモデル分析によって算出される。これにより、対象駅の駅勢圏予測利用者数から該駅の予測利用者数が算出されるため、例えば複数の路線からなる交通ネットワークが形成されて多数の駅を利用可能な地域において、対象駅の予測利用者数を比較的容易に算出することが可能となる。

第２の発明として、第１の発明のプログラムであって、
前記算出モデル構築手段が、前記対象駅の利用者数を従属変数とし、前記駅勢圏利用者数を説明変数とした重回帰分析によって前記算出モデルを構築するように前記コンピュータを機能させるためのプログラムを構成しても良い。

この第２の発明によれば、対象駅の利用者数を従属変数とし、駅勢圏利用者数を説明変数とした重回帰分析によって、算出モデルが構築される。これにより、実績の利用者数及び駅勢圏利用者数を用いた重回帰分析によって、比較的簡易に算出モデルを構築することが可能となる。

第３の発明として、第２の発明のプログラムであって、
前記算出モデル構築手段が、前記対象駅における路線乗換利用者数、及び／又は、前記対象駅を利用駅とする施設の利用者数を前記説明変数に更に含めて前記算出モデルを構築するように前記コンピュータを機能させるためのプログラムを構成しても良い。

この第３の発明によれば、対象駅における路線乗換利用者数、及び／又は、対象駅を利用駅とする施設の利用者数を説明変数に更に含めて算出モデルが構築される。

第４の発明として、第１〜第３の何れかの発明のプログラムであって、
対象路線の各駅を前記対象駅として、前記利用率算出手段、前記駅勢圏決定手段、及び前記推計手段を順次機能させ、
前記算出モデル構築手段が、前記対象路線で共通の算出モデルを構築し、
前記予測利用者数算出手段が、前記共通の算出モデルを用いて前記対象路線の各駅の前記予測利用者数を算出する、
ように前記コンピュータを機能させるためのプログラムを構成しても良い。

この第４の発明によれば、対象路線の各駅を対象駅として利用率の算出、駅勢圏の決定、及び、駅勢圏利用者数の推計が順次なされ、該対象路線に共通の算出モデルを用いて各駅の予測利用者数が算出される。つまり、対象路線に共通の算出モデルによって、該路線の各駅の予測利用者数が算出される。

第５の発明として、第４の発明のプログラムであって、
前記算出モデル構築手段が、駅周辺環境毎に共通の算出モデルを複数構築し、
前記予測利用者数算出手段が、前記予測利用者数の算出対象駅の駅周辺環境に応じた算出モデルを用いて、当該予測利用者数を算出する、
ように前記コンピュータを機能させるためプログラムを構成しても良い。

この第５の発明によれば、駅周辺環境毎に共通の算出モデルが複数構築され、予測利用者数の算出対象駅の駅周辺環境に応じた算出モデルを用いて、当該予測利用者数が算出される。例えば住宅街やオフィス街といったように、駅周辺の環境が異なると、その駅の利用者数に影響を与える要素が異なることが多い。このため、周辺環境毎に複数の算出モデルを構築し、対象駅の駅周辺環境に応じた複数の算出モデルを用いて予測利用者数を算出することで、より精確な予測利用者数の算出が可能となる。

第６の発明として、第１〜第５の何れかの発明のプログラムであって、
前記利用率算出手段が、前記対象駅周辺の競合駅の新設を考慮する場合に前記対象駅の実績利用者数を削減補正して前記利用率を算出し、
前記推計手段、前記算出モデル構築手段、及び前記予測利用者数算出手段それぞれが、前記削減補正された利用率に基づき、前記競合駅の新設を考慮した駅勢圏利用者数、算出モデル、及び予測利用者数を算出する、
ように前記コンピュータを機能させるためのプログラムを構成しても良い。

この第６の発明によれば、対象駅周辺の競合駅の新設を考慮する場合、対象駅の実績利用者数を削減補正して算出された利用率に基づき、競合駅の新設を考慮した駅勢圏利用者数、算出モデル及び予測利用者数が算出される。対象駅周辺に競合駅が新設された場合、対象駅の利用者の一部が新設された競合駅を利用すると考えられる。このため、競合駅の新設を考慮して構築した算出モデルを用いることで、競合駅が新設された場合の対象駅の予測利用者数の算出が可能となる。

第７の発明として、第４又は第５の発明のプログラムであって、
前記対象路線の各駅について算出された前記予測利用者数をもとに、前記対象路線の各駅間の実績ＯＤデータを用いた所定の分布交通量予測演算処理によって、前記対象路線の各駅間の予測ＯＤデータを算出する予測ＯＤデータ算出手段として前記コンピュータを機能させるためのプログラムを構成しても良い。

この第７の発明によれば、算出された対象路線の各駅の予測利用者数をもとに、該路線の各駅間の実績ＯＤデータを用いた所定の分布交通量予測演算処理によって、該路線の各駅間の予測ＯＤデータが算出される。

第８の発明として、第４又は第５の発明のプログラムであって、
前記利用率算出手段が、前記対象駅周辺所定範囲内に前記対象路線に対する新設の競合路線の競合駅が存在する場合に、前記対象駅の実績利用者数を削減補正した利用率である新線考慮利用率を算出する新線考慮利用率算出手段と、削減補正しない利用率である新線非考慮利用率を算出する新線非考慮利用率算出手段とを有し、
前記推計手段、前記算出モデル構築手段、及び前記予測利用者数算出手段それぞれが、前記新線考慮利用率に基づく新線考慮駅勢圏利用者数、新線考慮算出モデル、及び新線考慮予測利用者数を算出するとともに、前記新線非考慮利用率に基づく新線非考慮駅勢圏利用者数、新線非考慮算出モデル、及び新線非考慮予測利用者数を算出する、
ように前記コンピュータを機能させ、
前記新線非考慮予測利用者数をもとに、前記対象路線の各駅間の実績ＯＤデータを用いた所定の分布交通量予測演算処理によって、前記新設の競合路線を考慮しない前記対象路線の各駅間の予測ＯＤデータである新線非考慮予測ＯＤデータを算出する新線非考慮予測ＯＤデータ算出手段、
前記新設の競合路線を利用した代替経路を含めた、前記対象路線上の各駅間の利用経路それぞれを選択する確率を算出する選択確率算出手段、
前記選択確率算出手段により算出された各利用経路の選択確率に従って、前記新線非考慮予測ＯＤデータの各駅間の利用者数を減量補正する予測ＯＤデータ補正手段、
前記新線考慮予測利用者数をもとに、前記予測ＯＤデータ補正手段により補正されたＯＤデータを用いた所定の分布交通量予測演算処理によって、前記新設の競合路線を考慮した前記対象路線の各駅間の予測ＯＤデータである新線考慮予測ＯＤデータを算出する新線考慮予測ＯＤデータ算出手段、
として前記コンピュータを機能させるためのプログラムを構成しても良い。

この第８の発明によれば、対象路線に対する競合路線が新設された場合の、対象路線の各駅間の予測ＯＤデータである新線考慮予測ＯＤデータが算出される。つまり、競合路線が新設された場合、対象路線の利用者の一部がこの競合路線を利用すると考えられるが、この競合路線への利用者の流出を考慮した対象路線の予測ＯＤデータの算出が可能となる。

第９の発明として、第１〜第８の何れかの発明のプログラムであって、
前記予測利用者数算出手段により算出された前記対象駅の前記予測利用者数を用いて、前記対象駅における時間帯別利用者数を予測する時間帯別利用者数予測手段として前記コンピュータを機能させるためのプログラムを構成しても良い。

この第９の発明によれば、算出された対象駅の予測利用者数を用いて、対象駅における時間帯別利用者数が予測される。

以下、図面を参照して、本発明の好適な実施形態を説明する。なお、以下では、鉄道の需要予測について説明するが、本発明の適用可能な実施形態がこれに限定されるものではない。

〔概要〕
本実施形態の将来需要予測装置は、駅利用者数や人口等の実績データをもとに、将来の駅利用者数（需要）を予測する処理を行う装置である。また、本実施形態における旅客需要予測では、例えば東京都心部のような、複数の路線によって交通ネットワークが形成されている地域を対象としている。

図１は、本実施形態の将来需要予測処理の大まかな流れを示す図である。同図に示すように、将来需要予測処理では、先ず、各駅の駅勢圏を設定する（ステップＡ１）。駅勢圏とは、その駅を利用する割合がある程度以上見込める地域範囲のことである。次いで、駅勢圏から推測される各駅の利用者数等をもとに、各駅の発生・集中交通量を予測（算出）するための発生・集中交通量予測モデル（以下、単に「予測モデル」ともいう）を構築する（ステップＡ３）。そして、構築した発生・集中交通量予測モデルに基づいて、各駅の利用者数等の将来需要を予測する（ステップＡ５）。以下、このような将来需要予測装置にかかる二つの実施例を説明する。

〔第１実施例〕
先ず、第１実施例を説明する。

［構成］
図２は、第１実施例における旅客需要予測装置１の構成を示すブロック図である。同図によれば、旅客需要予測装置１は、処理部１０と、入力部２０と、表示部３０と、通信部４０と、記憶部５０とを備えて構成される。

処理部１０は、記憶部５０に記憶されたプログラムやデータ、入力部２０から入力されたデータ等に基づいて旅客需要予測装置１を構成する各部への指示やデータ転送を行い、旅客需要予測装置１の全体制御を行う。

また、処理部１０は、旅客需要予測プログラム５１０に従った旅客需要予測処理を行う。旅客需要予測処理では、先ず、対象路線の駅それぞれについて駅勢圏の範囲を設定する。駅勢圏とは、その駅を利用する人がある程度存在するとみなせる地域範囲のことである。本実施形態では、「○○町１丁目」といった町丁目（ゾーン）を予測単位としたハフモデル分析を行って、各駅の駅勢圏の範囲を設定する。具体的には、対象路線の駅（対象駅）を中心とする所定範囲（例えば、２ｋｍ圏内）を設定する。

そして、この所定範囲内に当該ゾーンの面積が所定割合（例えば、５０％）含まれるゾーンそれぞれを対象としたハフモデル分析により、各ゾーンの利用率（吸引率）Ｐを算出する。利用率Ｐ_ｉｊは、ゾーンｊにおいて選択可能な駅の集合Ｋ_ｊのうちから対象駅ｉを利用する割合であり、次式（１）で与えられる。

式（１）において、Ｓ_ｉは駅ｉの定期券利用者数であり、Ｄ_ｉｊはゾーンｊの中心地から対象駅ｉまでの道路に沿った距離であり、λは予め定められた距離抵抗係数（定数）である。また、Ｋ_ｊはゾーンｊにおいて選択可能な駅の集合であり、対象駅ｉを中心とする所定範囲（例えば、２ｋｍ圏内）の他の駅の集合とする。そして、利用率Ｐが所定値（例えば、２０％）以上のゾーンの集合を、対象駅の駅勢圏の範囲とする。

利用率Ｐの算出にあたり、各駅ｉの定期券利用者Ｓ_ｉは、年間利用者数実績データ５２７から取得する。年間利用者数実績データ５２７は、駅利用者の実績データである。図３は、年間利用者数実績データ５２７のデータ構成の一例を示す図である。同図によれば、年間利用者数実績データ５２７は、対象路線の駅それぞれについての複数のデータ５２７−１，５２７−２，・・・から構成され、各データ５２７は、過去の複数年度（同図では、平成１２年度〜平成１８年度）それぞれの入場者数、出場者数及びその合計人数が、券種別（定期券／定期券以外利用）に格納されている。なお、この駅利用者数は、１年間の延べ人数である。

また、ゾーンｊから駅ｉまでの距離Ｄ_ｉｊは、ゾーンデータ５２２から取得する。ゾーンデータ５２２は、対象路線沿線のゾーンについてのデータである。図４は、ゾーンデータ５２２のデータ構成の一例を示す図である。同図によれば、ゾーンデータ５２２は、対象路線沿線のゾーン５２２ａそれぞれについて、中心地の位置５２２ｂと、最寄り駅までの距離５２２ｃとを対応付けて格納されている。距離５２２ｃは、該ゾーンの中心地から道路に沿った最短距離である。また、最寄り駅には、対象路線以外の他路線の駅も含む。

また、対象路線の駅についてのデータは駅データ５２３に格納されている。図５は、駅データ５２３のデータ構成の一例を示す図である。同図によれば、駅データ５２３は、対象路線の駅５２３ａそれぞれについて、周辺環境５２３ｂと、位置５２３ｃとを対応付けて格納している。

各駅の駅勢圏の範囲を決定すると、続いて、駅勢圏の範囲であるゾーンそれぞれについて、勢圏内夜間人口及び勢圏内就業者数を算出する。勢圏内夜間人口は、ゾーン内の夜間人口のうち対象駅を利用すると見込まれる人数であり、ゾーン内の夜間人口に利用率Ｐを乗じて算出する。また、勢圏内就業者数は、ゾーン内の就業者数のうち対象駅を利用すると見込まれる人数であり、ゾーン内の就業者数に利用率Ｐを乗じて算出する。このとき、勢圏内夜間人口及び勢圏内就業者数は、将来の旅客需要の予測対象年度を含む複数年度それぞれについての値を算出する。また、夜間人口についてのデータは夜間人口データ５２５に格納され、就業者数についてのデータは就業者数データ５２６に格納されている。

図６は、夜間人口データ５２５のデータ構成の一例を示す図である。同図によれば、夜間人口データ５２５は、対象路線沿線のゾーン５２５ａそれぞれについて、複数年度（同図では、平成１２年度〜平成３０年度）それぞれの夜間人口５２５ｂを対応付けて格納している。夜間人口５２５ｂには、年度によって、実績値と、実績値の増減率（１年当たりの増減人数）がそのまま維持されるとして算出した推計値とが含まれる。同図では、例えば、過去の年度である「平成１２年度〜平成１８年度」が実績値であり、それ以外の「平成１９年度〜平成３０年度」については推計値となっている。

図７は、就業者数データ５２６のデータ構成の一例を示す図である。同図によれば、就業者数データ５２６は、対象路線沿線のゾーン５２６ａそれぞれについて、複数年度（同図では、平成１２年度〜平成３０年度）それぞれの就業者数５２６ｂを対応付けて格納している。就業者数５２６ｂには、夜間人口データ５２５と同様に、年度によって、実績値と、実績値の増減率から算出した推計値とが含まれる。同図では、例えば、過去の年度である「平成１２年度〜平成１８年度」が実績値であり、それ以外の「平成１９年度〜平成３０年度」については推計値となっている。

このように対象路線の各駅に設定した駅勢圏についてのデータは、駅勢圏データ５３１として記憶される。図８は、駅勢圏データ５３１のデータ構成の一例を示す図である。同図によれば、駅勢圏データ５３１は、対象路線の駅それぞれについての複数のデータ５３１−１，５３１−２，・・・から構成され、各データ５３１は、該当する駅についての利用率データ５３２と、勢圏内夜間人口データ５３３と、勢圏内就業者数データ５３４とを含んでいる。

利用率データ５３２は、図９に示すように、該当する駅の駅勢圏であるゾーン５３２ａそれぞれについて、利用率５３２ｂを対応付けて格納している。

勢圏内夜間人口データ５３３は、図１０に示すように、該当する駅の駅勢圏であるゾーン５３３ａそれぞれについて、将来の予測対象年度を含む複数年度（同図では、平成１２年度〜平成３０年度）それぞれの勢圏内夜間人口５３３ｂを対応付けて格納している。勢圏内夜間人口５３３ｂは、夜間人口データ５２５をもとに算出された値である。

勢圏内就業者数データ５３４は、図１１に示すように、該当する駅の駅勢圏であるゾーン５３４ａそれぞれについて、予測対象年度を含む複数年度（同図では、平成１２年度〜平成３０年度）それぞれの勢圏内就業者数５３４ｂを対応付けて格納している。勢圏内就業者数５３４ｂは、就業者数データ５２６をもとに算出された値である。

続いて、生成した駅勢圏データ５３１をもとに、駅利用者数を予測するための発生・集中交通量予測モデルを構築する。発生・集中交通量予測モデルは、ある駅の勢圏内夜間人口、勢圏内就業者数、接続駅利用者数（乗換者数）及び近郊の主要施設の来場者数を説明変数Ｘとし、該駅の利用者数を従属変数Ｙとした重回帰分析によって構築する。ここで、主要施設は、例えば大規模商業施設といった多数の集客が見込める施設のことである。

また、発生・集中交通量予測モデルは、駅利用者を「定期券利用者」及び「定期券以外利用者」の券種別に区分するとともに、駅の周辺環境（立地条件）を、「住宅地」、「オフィス街」及び「商業地域」の３種類に区分して構築する。つまり、発生・集中交通量予測モデルとして、「利用券種」及び「駅の周辺環境」の組合せ毎の合計６種類の予測モデルが構築される。

発生・集中交通量予測モデルのモデル式は、次式（２）となる。

そして、この式（２）におけるパラメータβ及び定数項αの値は、図１２に一例を示す予測モデルデータ５３５に格納されている。これらのパラメータβ及び定数項αの値は、駅勢圏データ５３１や年間利用者数実績データ等を参照して、過去の複数年度の実績データを用いた上述の重回帰分析によって算出される値である。

また、説明変数Ｘの１つである「主要施設の来場者数」についての実績データは、主要施設テーブル５２４に格納され、「接続駅利用者数（乗換利用者数）」についての実績データは、乗換利用者数実績データ５２８に格納されている。

図１３は、主要施設テーブル５２４のデータ構成の一例を示す図である。同図によれば、主要施設テーブル５２４は、対象路線の主要施設５２４ａそれぞれについて、最寄り駅（利用駅）５２４ｂと、年間来場者数５２４ｃとを対応付けて格納している。

図１４は、乗換利用者数実績データ５２８のデータ構成の一例を示す図である。同図によれば、乗換利用者数実績データ５２８は、駅利用者数に含まれる接続駅利用者数の実績データであり、対象路線の駅それぞれについての複数のデータ５２８−１，５２８−２，・・・から構成され、各データ５２８は、該当する駅について、複数年度（同図では、平成１２年度〜平成１８年度）それぞれの入場人数及び出場人数のうち、他路線への乗換利用者数（接続駅利用者数）を格納している。

その後、構築した発生・集中交通量予測モデルを用いて将来需要を予測する。具体的には、発生・集中交通量予測モデルを用いて、将来の予測対象年度（例えば、平成２０年度〜平成３０年度）それぞれの各駅の発生・集中交通量の予測値を算出する。すなわち、駅勢圏データ５３１、乗換利用者数実績データ５２８及び主要施設テーブル５２４における予測対象年度に該当するデータをもとに、式（２）のモデル式に従って、発生・集中交通量の予測値を算出する。このとき、予測モデルデータ５３５に従って、各駅の立地条件（周辺環境）に応じた予測モデルを用いるとともに、券種別に発生・集中交通量の予測値を算出する。そして、各駅について、算出した券種別の予測値の合計を、該駅の発生・集中交通量の予測値とする。この発生・集中交通量の予測値が駅利用者数の予測値であり、この駅利用者数の予測値のデータは、年間利用者数予測データ５４１に格納される。

図１５は、年間利用者数予測データ５４１のデータ構成の一例を示す図である。同図によれば、年間利用者数予測データ５４１は、対象路線の駅５４１ａそれぞれについて、予測対象年度（同図では、平成２０年度〜平成３０年度）それぞれの利用者数５４１ｂの予測値を対応付けて格納している。

続いて、算出した各駅の発生・集中交通量から、該駅の発生交通量及び集中交通量を算出する。ここでは、各駅の発生交通量及び集中交通量の実績値の比率を保つように、発生・集中交通量の予測値を配分して発生交通量及び集中交通量とする。各駅の発生交通量及び集中交通量の実績値は、実績のＯＤデータから取得する。実績のＯＤデータは、実績ＯＤデータ５２９として記憶されている。

図１６は、実績ＯＤデータ５２９のデータ構成の一例を示す図である。同図によれば、実績ＯＤデータ５２９は、過去の複数年度（同図では、平成１２年度〜平成１８年度）それぞれについての複数のデータ５２９−１，５２９−２，・・・から構成され、各データ５２９は、該当する駅について出発駅と到着駅との組合せ毎にその利用者数（ＯＤデータ）を格納している。

予測した発生・集中交通量についてのデータは、予測交通量データ５４２に格納される。図１７は、予測交通量データ５４２のデータ構成の一例を示す図である。同図によれば、予測交通量データ５４２は、予測対象年度（同図では、平成２０年度〜平成３０年度）それぞれについての複数のデータ５４２−１，５４２−２，・・・から構成され、各データ５４２は、対象路線の駅５４２ａ毎に、予測した発生・集中交通量５４２ｂと、発生交通量５４２ｃと、集中交通量５４２ｄとを対応付けて格納している。発生交通量５４２ｃと集中交通量５４２ｄとの合計が、発生・集中交通量５４２ｂとなる。

そして、発生・集中交通量をもとに、分布交通量を算出して予測ＯＤデータを作成する。分布交通量の算出は、現在パターン法の一種であるフレーター法によって行う。「現在パターン法」とは、現状のＯＤデータの分布パターンがそのまま維持されると仮定し、交通量の伸び率から将来の交通量を予測する手法である。ここでは、現状のＯＤデータとして、実績ＯＤデータ５２９として記憶されている過去のＯＤデータを用いる。このように、発生・集中交通量予測モデルから、予測対象年度それぞれについての各駅の発生・集中交通量を予測し、予測ＯＤデータを作成する。予測したＯＤデータについては、予測ＯＤデータ５４３として記憶される。この予測ＯＤデータ５４３は、予測ＯＤデータ５４３と同様のデータ構成であり、予測対象年度（例えば、平成２０年度〜平成３０年度）それぞれの予測ＯＤデータを含んで構成される。

更に、算出した予測対象年度毎の予測ＯＤデータから、各駅間の断面交通量の予測値を算出する。算出した断面交通量についてのデータは、断面交通量予測データ５４４として記憶される。図１８は、断面交通量予測データ５４４のデータ構成の一例を示す図である。同図によれば、断面交通量予測データ５４４は、対象路線の駅間５４４ａそれぞれについて、予測対象年度（同図では、平成２０年度〜平成３０年度）それぞれの断面交通量５４４ｂを対応付けて格納している。

続いて、予測対象年度（例えば、平成２０年度〜平成３０年度）それぞれの各駅の駅利用者数の予測値から、各駅の時間帯別利用者数の予測値を算出する。先ず、駅利用者数から１日当たりの駅利用者数を算出する。駅利用者数は、平日と休日（土・日・祝日）とで大きな差があるため、１日当たりの駅利用者数として、平日と休日とにわけて算出する。すなわち、年度ｔにおける平日の駅利用者数ｘ_Ｗ ^ｔを次式（３ａ）に従って算出し、休日の駅利用者数ｘ_Ｈ ^ｔを次式（３ｂ）に従って算出する。

但し、１年（３６５日）における平日の平均日数を「２５０日」、休日の平均日数を「１１５日」としている。式（３ａ），（３ｂ）において、μ_Ｗは平日の駅利用者数の実績値であり、μ_Ｈは休日の駅利用者数の実績値である。また、Ｘ_ｔは年度ｔの駅利用者数（予測値）である。

ここで、１日当たりの駅利用者数の実績データは、日別利用者数実績データ５４５として記憶されている。図１９は、日別利用者数実績データ５４５のデータ構成の一例を示す図である。同図によれば、日別利用者数実績データ５４５は、対象路線の駅５４５ａそれぞれについて、平日及び休日それぞれの１日当たりの平均の駅利用者数５４５ｂを対応付けて格納している。

また、算出された１日当たりの駅利用者数の予測値は、日別利用者数予測データ５４６に格納される。図２０は、日別利用者数予測データ５４６のデータ構成の一例を示す図である。同図によれば、日別利用者数予測データ５４６は、対象路線の駅それぞれについての複数のデータ５４６−１，５４６−２，・・・から構成され、各データ５４６は、予測対象年度５４６ａ毎に、平日及び休日それぞれの１日当たりの駅利用者数５４６ｂの予測値を対応付けて格納している。

次いで、算出した１日当たりの駅利用者数の予測値から、時間帯別の利用者数の予測値を算出する。ここで、１日の時間帯別の利用者数の分布（波動パターン）が年度によって変化しないと仮定すると、次式（４ａ），（４ｂ）の関係が成り立つ。

この式（４ａ）から、ｔ年度の平日の時間帯ｉにおける駅利用者数ｘ_Ｗ ^ｔ，ｉは次式（５）で与えられる。

式（５）において、μ_Ｗ ^ｉは平日の時間帯ｉにおける駅利用者数の実績値である。また、α_Ｗは平日の駅利用者数についての拡大係数であり、次式（６）で与えられる。

また、式（４ｂ）から、ｔ年度の休日の時間帯ｉにおける駅利用者数ｘ_Ｈ ^ｔ，ｉは次式（７）で与えられる。

式（７）において、μ_Ｈ ^ｉは休日の時間帯ｉにおける駅利用者数の実績値である。また、α_Ｈは休日の駅利用者数についての拡大係数であり、次式（８）で与えられる。

ここで、時間帯別の駅利用者数の実績データは、時間帯別利用者数実績データ５４７として記憶されている。図２１は、時間帯別利用者数実績データ５４７のデータ構成の一例を示す図である。同図によれば、時間帯別利用者数実績データ５４７は、対象路線の駅それぞれについてのデータ５４７−１，５４７−２，・・・から構成され、各データ５４７は、一日の時間帯５４７ａ毎に、平日及び休日それぞれの駅利用者数５４７ｂを対応付けて格納している。

また、拡大係数α_Ｗ，α_Ｈは、利用者数拡大係数データ５４９に格納される。図２２は、利用者数拡大係数データ５４９のデータ構成の一例を示す図である。同図によれば、利用者数拡大係数データ５４９は、対象路線の駅５４９ａ毎に、駅利用者についての拡大係数５４９ｂを対応付けて格納している。拡大係数５４９ｂは、予測対象年度それぞれについて、平日の駅利用者についての拡大係数α_Ｗと、休日の駅利用者についての拡大係数α_Ｈとを格納している。

そして、算出された時間帯別の駅利用者数の予測値は、時間帯別利用者数予測データ５４８に格納される。図２３は、時間帯別利用者数予測データ５４８のデータ構成の一例を示す図である。同図によれば、時間帯別利用者数予測データ５４８は、対象路線の駅それぞれについての複数のデータ５４８−１，５４８−２，・・・から構成され、各データ５４８は、１日の時間帯５４８ａ毎に、予測対象年度それぞれについて平日及び休日それぞれの予測した１日当たりの駅利用者数５４８ｂを対応付けて格納している。

続いて、時間帯別の駅利用者数のばらつき（標準偏差）を算出する。ここで、時間帯の駅利用者数のばらつきが年度によって変化しないと仮定すると、次式（９ａ），（９ｂ）が成り立つ。

この式（９ａ）から、ｔ年度の平日の時間帯ｉにおける駅利用者数の標準偏差ｙ_Ｗ ^ｔ，ｉは、次式（１０）で与えられる。

式（１０）において、δ_Ｗ ^ｉは平日の時間帯ｉにおける駅利用者数の標準偏差の実績値である。また、β_Ｗは、平日の駅利用者数の標準偏差についての拡大係数であり、次式（１１）で与えられる。

また、式（９ｂ）から、ｔ年度の休日の時間帯ｉにおける駅利用者数の標準偏差ｙ_Ｈ ^ｔ，ｉは、次式（１２）で与えられる。

式（１２）において、δ_Ｈ ^ｉは、休日の時間帯ｉにおける駅利用者数の標準偏差の実績値である。また、β_Ｈは、休日の駅利用者数の標準偏差についての拡大係数であり、次式（１３）で与えられる。

ここで、時間帯別の駅利用者数の標準偏差の実績データは、標準偏差実績データ５５１として記憶されている。図２４は、標準偏差実績データ５５１のデータ構成の一例を示す図である。同図によれば、標準偏差実績データ５５１は、対象路線の駅それぞれについての複数のデータ５５１−１，５５１−２，・・・から構成され、各データ５５１は、１日の時間帯５５１ａそれぞれについて、平日及び休日それぞれの駅利用者数の実績の標準偏差５５１ｂを対応付けて格納している。

また、駅利用者数の標準偏差についての拡大係数βは、標準偏差拡大係数データ５５３に格納される。図２５は、標準偏差拡大係数データ５５３のデータ構成の一例を示す図である、同図によれば、標準偏差拡大係数データ５５３は、対象路線の駅それぞれについての複数のデータ５５３−１，５５３−２，・・・から構成され、各データ５５３は、１日の時間帯５５３ａ毎に、駅利用者数の標準偏差についての拡大係数５５３ｂを対応付けて格納している。拡大係数５５３ｂは、予測対象年度それぞれについて、平日の駅利用者数の標準偏差についての拡大係数β_Ｗと、休日の駅利用者数の標準偏差についての拡大係数β_Ｈとを格納している。

そして、算出された、時間帯別の駅利用者数の標準偏差の予測値は、標準偏差予測データ５５２に格納される。図２６は、標準偏差予測データ５５２のデータ構成の一例を示す。同図によれば、標準偏差予測データ５５２は、対象路線の駅それぞれについての複数のデータ５５２−１，５５２−２，・・・から構成され、各データ５５２は、時間帯５５２ａ毎に、予測年度それぞれについて平日及び休日それぞれの駅利用者数の予測した標準偏差５５２ｂを対応付けて格納している。

図２に戻り、入力部２０は、例えばキーボードやマウス、タッチパネル、各種スイッチ等で実現される入力装置であり、操作入力に応じた入力信号を処理部１０に出力する。表示部３０は、例えばＬＣＤ（Liquid Crystal Display）やＥＬＤ（Electronic Luminescent Display）等で実現される表示装置であり、処理部１０から入力される表示信号に基づく各種画面を表示する。通信部４０は、例えば無線通信モジュールやルータ、モデム、ＴＡ、有線用の通信ケーブルのジャックや制御回路等で実現される通信装置であり、外部機器との間でデータ通信を行う。

記憶部５０は、処理部１０が旅客需要予測装置１を統合的に制御するための諸機能を実現するためのシステムプログラムや、本実施形態を実行するためのプログラムやデータ等を記憶しているとともに、処理部１０の作業領域として用いられ、処理部１０が各種プログラムに従って実行した演算結果や、入力部２０からの入力信号が一時的に格納される。第１実施例では、記憶部５０には、プログラムとして旅客需要予測プログラム５１０が記憶されるとともに、データとして、地図ＤＢ５２１と、ゾーンデータ５２２と、駅データ５２３と、主要施設テーブル５２４と、夜間人口データ５２５と、就業者数データ５２６と、年間利用者数実績データ５２７と、乗換利用者数実績データ５２８と、実績ＯＤデータ５２９と、駅勢圏データ５３１と、予測モデルデータ５３５と、年間利用者数予測データ５４１と、予測交通量データ５４２と、予測ＯＤデータ５４３と、断面交通量予測データ５４４と、日別利用者数実績データ５４５と、日別利用者数予測データ５４６と、時間帯別利用者数実績データ５４７と、時間帯別利用者数予測データ５４８と、利用者数拡大係数データ５４９と、標準偏差実績データ５５１と、標準偏差予測データ５５２と、標準偏差拡大係数データ５５３とが記憶される。

［処理の流れ］
図２７は、旅客需要予測処理の流れを説明するためのフローチャートである。同図によれば、処理部１０は、先ず、将来の予測対象年度（例えば、平成２０年度〜平成３０年度）を決定する（ステップＢ１）。

次いで、決定した予測対象年度に応じたデータ整備を行う（ステップＢ３）。すなわち、実績データをもとに夜間人口の増加率を算出し、この増加率が維持されると仮定して、実績データの無い年度や決定した将来の予測対象年度を含む各年度の夜間人口を算出（推計）して、夜間人口データ５２５を生成する。また、実績データをもとに就業者数の増加率を算出し、この増加率が維持されると仮定して、実績データの無い年度や決定した将来の予測対象年度を含む各年度の修業者数を算出（推計）して就業者数データ５２６を生成する。その後、駅勢圏データ生成処理を行って、対象路線の各駅についての駅勢圏データ５３１を生成する（ステップＢ５）。

図２８は、駅勢圏データ生成処理の流れを説明するフローチャートである。同図によれば、対象路線の駅それぞれを対象としたループＡの処理を行う。ループＡでは、対象駅を中心とする所定範囲（例えば、２ｋｍ圏内）に存在する他の駅を、対象駅の競合駅として抽出する（ステップＣ１）。また、対象駅を中心とする所定範囲（例えば、２ｋｍ圏内）のゾーン（町丁目）を、対象駅の駅勢圏の候補のゾーンとして抽出する（ステップＣ３）。

続いて、抽出したゾーンそれぞれを対象としたループＢの処理を行う。ループＢでは、対象ゾーンから、対象駅及び競合駅それぞれまでの距離Ｄを算出する（ステップＣ５）。
次いで、算出した各駅までの距離Ｄと、対象駅の定期券利用者数Ｓとをもとに、対象ゾーンの利用率Ｐを算出する（ステップＣ７）。そして、算出した利用率Ｐから、対象ゾーンが対象駅の駅勢圏とするか否かを判断する。すなわち、利用率Ｐが所定値以上ならば、対象ゾーンは対象駅の駅勢圏とし、所定値未満ならば、駅勢圏でないとする（ステップＣ９）。ループＢはこのように行われる。

抽出した全てのゾーンを対象としたループＢの処理を行うと、続いて、対象駅の駅勢圏のゾーンそれぞれについて、該ゾーンの夜間人口に該ゾーンの利用率Ｐを乗じて勢圏内夜間人口を算出するとともに、該ゾーンの就業者数に該ゾーンの利用率Ｐを乗じて勢圏内就業者数を算出する（ステップＣ１１）。その後、対象駅の駅勢圏の各ゾーンの勢圏内夜間人口の総和を算出して対象駅の勢圏内夜間人口とするとともに、各ゾーンの勢圏内就業者数の総和を算出して対象駅の勢圏内就業者数とする（ステップＣ１３）。ループＡはこのように行われる。全ての駅を対象としたループＡの処理を終了すると、駅勢圏データ生成処理を終了する。

駅勢圏データ生成処理を終了すると、続いて、発生・集中交通量予測モデルを構築する（ステップＢ７）。すなわち、生成した駅勢圏データ５３１や年間利用者数実績データ５２７等をもとに、過去の複数年度の実績データを用いた重回帰分析によって、式（２）で与えられる発生・集中交通量予測モデルのモデル式のパラメータβ及び定数項αの値を決定する。また、発生・集中交通量予測モデルは、利用券種及び駅の周辺環境の組合せ毎の複数の予測モデルを構築する。

その後、構築した発生・集中交通量予測モデルを用いた将来需要の予測を行う。具体的には、構築した予測モデルを用いて、予測対象年度毎に、各駅の発生・集中交通量の予測値を券種別に算出し、この券種別の予測値の合計値を該駅の発生・集中交通量（すなわち、該駅の利用者数）の予測値とする（ステップＢ９）。次いで、算出した各駅の発生・集中交通量をもとに、実績ＯＤデータ５２９を用いたフレーター法（現在パターン法）によって分布交通量の予測値を算出し、予対象年度それぞれの予測ＯＤデータを生成する（ステップＢ１１）。そして、算出した予測対象年度毎の予測ＯＤデータをもとに、予測対象年度それぞれの断面交通量の予測値を算出する（ステップＢ１３）。

続いて、時間帯別利用者数予測処理を行い、算出した予測対象年度それぞれの年間の駅利用者数の予測値から、時間帯別の駅利用者数（波動パターン）を予測する（ステップＢ１５）。すなわち、算出した予測対象年度それぞれの各駅の駅利用者数の予測値、及び、日別利用者数実績データ５４５として記憶されている各駅の１日当たりの利用者数の実績値をもとに、式（３ａ），（３ｂ）に従って、各駅における平日及び休日それぞれの１日当たりの駅利用者数の予測値を算出する（ステップＢ１７）。

次いで、算出した１日当たりの駅利用者数の予測値をもとに、式（６），（８）に従って、平日及び休日それぞれの駅利用者数についての拡大係数α_Ｈ，α_Ｗを算出する（ステップＢ１９）。そして、算出した拡大係数α_Ｈ，α_Ｗ、及び、時間帯別利用者数実績データ５４７として記憶されている各駅の時間帯別の駅利用者の実績値をもとに、式（５），（７）に従って、予測対象年度それぞれについて各駅の時間帯別の駅利用者数の予測値を算出する（ステップＢ２１）。

続いて、算出した各駅の時間帯別の駅利用者の予測値をもとに、式（１１），（１３）に従って、１日当たりの駅利用者数の標準偏差についての拡大係数β_Ｗ，β_Ｈを算出する（ステップＢ２３）。そして、算出した拡大係数β_Ｗ，β_Ｈ、及び、標準偏差実績データ５５１として記憶されている各駅の駅利用者数の標準偏差の実績値をもとに、式（１０），（１２）に従って、予測対象年度それぞれについて、各駅の時間帯別の利用者数の標準偏差の予測値を算出する（ステップＢ２５）。以上の処理を行うと、処理部１０は、旅客需要予測処理を終了する。

［作用・効果］
このように、第１実施例によれば、対象路線の将来の需要予測として、先ず、対象路線の駅それぞれについて、対象駅周辺のゾーン（単位地域）それぞれの対象駅の利用率Ｐが算出され、各ゾーンの夜間人口や就業者数の実績値及び利用率Ｐから、対象駅を利用する駅勢圏利用者数である勢圏内夜間人口及び勢圏内就業者数が算出される。次いで、各駅の駅勢圏利用者数や実績利用者数等に基づく重回帰分析によって、各駅の発生・集中交通量を予測するための発生・集中交通量予測モデルが構築される。そして、構築した予測モデルを用いて、各駅の駅勢圏利用者数の予測値から将来の該駅の利用者数の予測値等が算出される。これにより、例えば東京都心といった複数路線によって交通ネットワークが形成された地域において、各駅の利用者数の予測値を比較的容易に算出できる。また、集中・発生交通量予測モデルは、重回帰分析によって比較的容易に構築できる。更に、集中・発生交通量予測モデルは、駅の周辺環境（例えば、住宅地やオフィス街等）及び利用券種（例えば、定期券や定期以外）の組合せ毎に構築される。これにより、より精確な利用者数の予測が実現される。

〔第２実施例〕
次に、第２実施例を説明する。第２実施例は、近い将来に開業予定の新線（新たな競合路線）の影響を考慮した実施例である。なお、第２実施例において、上述の第１実施例と同一要素については同符号を付し、詳細な説明を省略・簡略化する。

［構成］
図２９は、第２実施例における旅客需要予測装置２の構成を示す図である。同図によれば、旅客需要予測装置２は、処理部１０と、入力部２０と、表示部３０と、通信部４０と、記憶部６０とを備えて構成される。

処理部１０は、旅客需要予測プログラム６１０に従った第２旅客需要予測処理を行う。但し、第２旅客需要予測処理における旅客需要の予測対象年度は、新線開業以降の年度であるとする。例えば、新線開業予定が平成２２年度の場合、平成２３年度以降を予測対象年度とする。なお、新線開業予定の年度以前の年度については、上述の第１実施例によって予測される。

第２旅客需要予測処理では、処理部１０は、先ず、新線の開業を考慮した場合の駅勢圏データ（以下、「新線考慮駅勢圏データ」という）を生成する。すなわち、対象路線の駅それぞれについて、その対象駅周辺のゾーンそれぞれの該対象駅の利用率を、式（１）に従って算出する。そして、対象駅周辺のゾーンのうち、利用率が所定値以上のゾーンを該対象駅の駅勢圏範囲とする。

このとき、対象駅の競合駅を、既存路線（対象路線を含む）の駅及び開業予定の新線の駅とする。また、対象駅ｉの定期券利用者数Ｓｉとして、該対象駅の実績の定期券利用者数を、新線開業による利用者数の減少を考慮して減少補正した値を用いる。具体的には、例えば、実績の定期券利用者数を１０％減少させた値とする。なお、実績の定期券利用者数は、年間利用者数実績データ５２７に格納されている。

次いで、対象駅それぞれについて、夜間人口データ５２５として記憶されている夜間人口や就業者数データ５２６として記憶されている就業者数の実績データ、駅勢圏のゾーンそれぞれの利用率をもとに、該対象駅の勢圏内夜間人口及び勢圏内就業者数を算出する。生成された新線考慮駅勢圏データは、新線考慮駅勢圏データ６２２として記憶される。

次いで、生成した新線考慮駅勢圏データ６２２をもとに、新線を考慮した場合の発生・集中交通量予測モデル（以下、「新線考慮予測モデル」という）を構築する。すなわち、第１実施例と同様に、新線考慮駅勢圏データ６２２や年間利用者数実績データ５２７、主要施設テーブル５２４等を参照し、過去の複数年度のデータを用いた重回帰分析によって、式（２）に示したモデル式のパラメータβ及び定数項αの値を決定する。また、新線考慮予測モデルとして、利用券種及び駅の周辺環境の組合せ毎の合計６種類の予測モデルを構築する。構築された新線考慮予測モデルについてのデータ（モデル式のパラメータβ及び定数項αの値）は、新線考慮予測モデルデータ６２４として記憶される。

そして、構築した新線考慮予測モデルを用いて、予測対象年度の旅客需要を予測する。すなわち、新線考慮予測モデルを用いて、予測対象年度それぞれの各駅の発生・集中交通量の予測値を算出する。算出した発生・集中交通量は、駅利用者数の予測値として年間利用者数予測データ５４１に格納される。

次いで、各駅の発生・集中交通量の予測値をもとに、現在パターン法（例えば、フレーター法）によって分布交通量の予測値を算出して、新線を考慮した場合の予測ＯＤデータ（以下、「新線考慮予測ＯＤデータ」という）を生成する。このとき、フレーター法で用いる「現状のＯＤデータ」として、新線を考慮しない場合の予測ＯＤデータ（以下、「新線非考慮予測ＯＤデータ」という）を、新線開業を考慮して利用者数を減少補正したＯＤデータ（以下、「補正ＯＤデータ」という）を用いる。

「新線非考慮予測ＯＤデータ」は、第１実施例における「予測ＯＤデータ」に該当し、第１実施例と同様に生成される。すなわち、先ず、新線の開業を考慮しない場合の駅勢圏データ（以下、「新線非考慮駅勢圏データ」という）を生成する。このとき、対象駅の競合駅は既存路線の駅のみとし、開業予定の新線の駅については含まない。また、対象駅ｉの定期券利用者数Ｓｉとして、年間利用者数実績データ５２７として記憶されている実績の定期券利用者数を用いて、各ゾーンの利用率を算出する。生成された新線非考慮駅勢圏データは、新線非考慮駅勢圏データ６２１として記憶される。

次いで、新線非考慮駅勢圏データ６２１等をもとに、新線を考慮しない場合の発生・集中交通量予測モデル（以下、「新線非考慮予測モデル」という）を構築する。この新線非考慮予測モデルは、第１実施例における「発生・集中交通量予測モデル」に該当する。構築された新線非考慮予測モデルについてのデータ（モデル式のパラメータβの値）は、新線非考慮予測モデルデータ６２３として記憶される。

続いて、この新線非考慮予測モデルに従って、予測対象年度それぞれの各駅の発生・集中交通量を算出し、更に現在パターン法によって分布交通量を算出して、新線を考慮しない場合の予測ＯＤデータ（新線非考慮予測ＯＤデータ）を生成する。このとき、現在パターン法による分布交通量の算出に用いる「現状のＯＤデータ」として、実績ＯＤデータ５２９として記憶されている実績ＯＤデータを用いる。算出された新線非考慮予測ＯＤデータは、新線非考慮予測ＯＤデータ６２７として記憶される。

そして、生成した新線非考慮予測ＯＤデータ６２７をもとに、所定の経路選択モデルに基づく対象路線と新線との経路配分を行って、補正ＯＤデータを生成する。

図３０は、経路選択モデルを説明するための図である。同図では、出発駅である「Ａ駅」から目的駅である「Ｄ駅」に向かう場合を示している。Ａ駅からＤ駅に向かう経路として、対象路線を経由する経路（対象経路）と、新線を経由する経路（新線経路）とがある。そして、これらの経路のうちから対象路線を選択する確率Ｒは、次式（１４）で与えられる。

式（１４）において、Ｕｉは経路ｉの効用値であり、次式（１５）で与えられる。但し、ｉ＝１は対象経路を表し、ｉ＝２は新線経路を表す。

式（１５）において、説明変数Ｘには、「乗車時間」、「乗換時間＋待ち時間」、「所要時間」及び「費用」が含まれる。「所要時間」は、「乗車時間」と「乗り換え時間＋待ち時間」との合計である。

図３１は、このような経路選択モデルについてのデータである経路選択モデルデータ６２５のデータ構成の一例を示す図である。同図によれば、経路選択モデルデータ６２５は、経路選択モデルのモデル式のパラメータβ及び定数項αの値を格納している。これらの値は、例えば所定の調査結果等から予め定められる値である。

この経路選択モデルに従って、対象路線の全ての駅を対象として、出発駅から目的駅までの組合せそれぞれについて対象経路の選択確率を算出する。そして、新線非考慮予測ＯＤデータにおいて、各駅間の利用者数に該当する対象路経路の選択確率を乗じて減少させたＯＤデータを生成し、補正ＯＤデータとする。なお、新線経路が存在しない駅間については、対象経路の選択確率は「１．０」となり、該駅間の利用者数は変更されない。生成された補正ＯＤデータは、補正ＯＤデータ６２８として記憶される。

また、経路選択モデルに従って算出された対象経路の選択確率についてのデータは、経路選択確率データ６２６に格納される。図３２は、経路選択確率データ６２６のデータ構成の一例を示す図である。同図によれば、経路選択確率データ６２６は、対象路線の出発駅と目的駅との組み合わせそれぞれについて、該駅間の対象経路の選択確率を対応付けて格納している。

なお、経路選択モデルは、例えば「通勤目的」及び「私事目的」といった目的別に構築することにしても良い。この場合、対象経路の選択確率を目的別に算出し、算出した目的別の確率の平均値を、対象経路の選択確率として用いる。

このように、予測対象年度それぞれの新線考慮予測ＯＤデータを生成すると、続いて、第１実施例と同様に、断面交通量及び時間帯別利用者数それぞれの予測値の算出を行う。

図２９に戻り、第２実施例では、記憶部６０には、プログラムとして旅客需要予測プログラム６１０が記憶されるとともに、データとして、地図ＤＢ５２１と、ゾーンデータ５２２と、駅データ５２３と、主要施設テーブル５２４と、夜間人口データ５２５と、就業者数データ５２６と、年間利用者数実績データ５２７と、乗換利用者数実績データ５２８と、実績ＯＤデータ５２９と、新線非考慮駅勢圏データ６２１と、新線考慮駅勢圏データ６２２と、新線非考慮予測モデルデータ６２３と、新線考慮予測モデルデータ６２４と、経路選択モデルデータ６２５と、経路選択確率データ６２６と、年間利用者数予測データ５４１と、予測交通量データ５４２と、新線非考慮予測ＯＤデータ６２７と、補正ＯＤデータ６２８と、新線考慮予測ＯＤデータ６２９と、断面交通量予測データ５４４と、日別利用者数実績データ５４５と、日別利用者数予測データ５４６と、時間帯別利用者数実績データ５４７と、時間帯別利用者数予測データ５４８と、利用者数拡大係数データ５２９と、標準偏差実績データ５５１と、標準偏差予測データ５５２と、標準偏差拡大係数データ５５３とが記憶される。

［処理の流れ］
図３３は、第２実施例における第２旅客需要予測処理の流れを説明するフローチャートである。同図によれば、処理部１０は、先ず、新線開業予定の年度以降の年度を、旅客需要の予測対象年度として決定する（ステップＤ１）。次いで、決定した予測対象年度に応じて、夜間人口データ５２５や就業者数データ５２６等を生成する等のデータ整備を行う（ステップＢ３）。その後、新線考慮駅勢圏データ生成処理を行って、新線考慮駅勢圏データを生成する（ステップＤ５）。

図３４は、新線考慮駅勢圏データ生成処理の流れを説明するフローチャートである。同図によれば、対象路線の駅それぞれを対象としたループＣの処理を行う。ループＣでは、既存路線及び新線それぞれの駅から、対象駅周辺の競合駅を抽出する（ステップＥ１）。また、対象駅周辺のゾーンを抽出する（ステップＣ３）。また、対象駅の定期券利用者数を、例えば所定割合だけ減少させて補正する（ステップＥ５）。

次いで、抽出したゾーンそれぞれを対象としたループＤの処理を行う。ループＤでは、対象ゾーンから対象駅及び競合駅それぞれまでの距離Ｄを算出し（ステップＣ５）、算出した距離Ｄ、及び、対象駅の補正後の定期券利用者数をもとに、対象ゾーンの利用率を算出する（ステップＥ７）。そして、算出した利用率Ｐが所定値以上であるか否かによって、対象ゾーンは対象駅を駅勢圏とするか否かを判断する（ステップＣ９）。ループＤはこのように行われる。

全てのゾーンを対象としたループＤの処理を終了すると、続いて、対象駅の駅勢圏としたゾーンそれぞれの勢圏内夜間人口及び勢圏内就業者数を算出する（ステップＣ１１）。そして、算出した各ゾーンの勢圏内夜間人口及び勢圏内就業者数それぞれの合計を、対象駅の勢圏内夜間人口及び勢圏内就業者数とする（ステップＣ１３）。ループＣはこのように行われる。全ての駅を対象としたループＣを終了すると、新線考慮駅勢圏データ生成処理を終了する。

新線考慮駅勢圏データを生成すると、続いて、生成した新線考慮駅勢圏データ６２２や年間利用者数実績データ５２７等をもとに、過去の複数年度のデータを用いた重回帰分析によって、新線を考慮した発生・集中交通量予測モデル（新線考慮予測モデル）を構築する（ステップＤ７）。その後、構築した新線考慮予測モデルを用いた将来需要の予測を行う（ステップＡ５）。すなわち、新線考慮予測モデルを用いて、予測対象年度それぞれについて、各駅の発生・集中交通量の予測値を算出し、該駅の利用者数の予測値とする（ステップＤ９）。また、補正ＯＤデータ生成処理を行って、補正ＯＤデータを生成する（ステップＤ１１）。

図３５は、補正ＯＤデータ生成処理の流れを説明するためのフローチャートである。同図によれば、補正ＯＤデータ生成処理では、先ず、新線を考慮しない予測ＯＤデータ（新線非考慮予測ＯＤデータ）を生成する。すなわち、第１駅勢圏データ生成処理を行って、新線非考慮駅勢圏データを生成する（ステップＦ１）。この第１駅勢圏データ生成処理は、第１実施例における駅勢圏データ生成処理（図２８参照）と同様の処理である。

次いで、生成した新線非考慮駅勢圏データや年間利用者数実績データ５２７にもとづく重回帰分析によって、新線を考慮しない発生・集中交通量予測モデル（新線非考慮予測モデル）を構築する（ステップＦ３）。そして、構築した新線非考慮予測モデルを用いて、各駅の発生・集中交通量の予測値を算出する（ステップＦ５）。次いで、算出した各駅の発生・集中交通量をもとに、「実績ＯＤデータ」を用いた現在パターン法によって分布交通量の予測値を算出し、新線を考慮しない予測ＯＤデータ（新線非考慮予測ＯＤデータ）を生成する（ステップＦ７）。

新線非考慮予測ＯＤデータを生成すると、続いて、対象路線についての出発駅及び目的駅の組合せそれぞれを対象としたループＥの処理を行う。ループＥでは、対象の出発駅から目的駅に向かう経路であって、新線を経由する経路（新線経路）を設定する（ステップＦ９）。次いで、経路選択モデルに従って、対象の出発駅から目的駅に向かう経路であって、対象路線を経由する経路（対象経路）の選択確率Ｒを算出する（ステップＦ１１）。そして、生成した新線非考慮予測ＯＤデータ６２７において、該当する駅間の利用者数に算出した選択確率Ｒを乗じて減少補正する（ステップＦ１３）。ループＥはこのように行われる。

全ての出発駅及び目的駅の組合せを対象としたループＥの処理を終了すると、減少補正後の新線非考慮予測ＯＤデータにおいて、各駅の発生交通量及び集中交通量を再算出し、補正ＯＤデータとする（ステップＦ１５）。以上の処理を行うと、補正ＯＤデータ生成処理を終了する。

補正ＯＤデータ生成処理を終了すると、算出した発生・集中交通量をもとに、生成した補正ＯＤデータを用いた現在パターン法によって分布交通量の予測値を算出し、予測対象年度それぞれの予測ＯＤデータ（新線考慮予測ＯＤデータ）を生成する（ステップＤ１３）そして、生成した新線考慮予測ＯＤデータをもとに、断面交通量の予測値を算出する（ステップＢ１３）。

続いて、時間帯別利用者数予測処理（図２７参照）を行い、算出した予測対象年度それぞれの年間の駅利用者数の予測値から時間帯別の駅利用者数（波動パターン）を予測する（ステップＢ１５）。以上の処理を行うと、処理部１０は、第２旅客需要予測処理を終了する。

［作用・効果］
このように、第２実施例によれば、開業予定の新たな競合路線（新線）を考慮した将来の需要予測が実現される。すなわち、各ゾーンの対象駅の利用率Ｐは、開業予定の新線の駅を対象駅の競合駅に含めるとともに、対象駅の利用者の実績値を減少補正した値を用いて算出される。そして、この利用率Ｐを用いて算出された駅勢圏利用者数に基づいて、新設される競合路線を考慮した発生・集中交通量予測モデル（新線考慮予測モデル）が構築される。対象駅周辺に競合駅が新設された場合、現在の対象駅の利用者の一部が新設された競合駅を利用すると考えられる。このため、新設される競合駅への利用者の流出を考慮した発生・集中交通量予測モデル（新線考慮予測モデル）を用いることで、競合駅が新線された場合の将来需要の予測が可能となる。

〔変形例〕
なお、本発明の適用可能な実施形態は上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能なのは勿論である。

旅客需要予測処理の大まかなフローチャート。 第１実施例における旅客需要予測装置の構成図。 年間利用者数実績データのデータ構成例。 ゾーンデータのデータ構成例。 駅データのデータ構成例。 夜間人口データのデータ構成例。 就業者数データのデータ構成例。 駅勢圏データのデータ構成例。 利用率データのデータ構成例。 勢圏内夜間人口データのデータ構成例。 勢圏内就業者数データのデータ構成例。 予測モデルデータのデータ構成例。 主要施設テーブルのデータ構成例。 乗換利用者数実績データのデータ構成例。 年間利用者数予測データのデータ構成例。 実績ＯＤデータのデータ構成例。 予測交通量データのデータ構成例。 断面交通量予測データのデータ構成例。 日別利用者数実績データのデータ構成例。 日別利用者数予測データのデータ構成例。 時間帯別利用者数実績データのデータ構成例。 利用者数拡大係数データのデータ構成例。 時間帯別利用者数予測データのデータ構成例。 標準偏差実績データのデータ構成例。 標準偏差拡大係数データのデータ構成例。 標準偏差予測データのデータ構成例。 旅客需要予測処理のフローチャート。 駅勢圏データ生成処理のフローチャート。 第２実施例における旅客需要予測装置の構成図。 経路選択モデルの概要図。 経路選択モデルデータのデータ構成例。 経路選択確率データのデータ構成例。 第２実施例における旅客需要予測処理のフローチャート。 新線考慮駅勢圏データ生成処理のフローチャート。 補正ＯＤデータ生成処理のフローチャート。

符号の説明

１，２ 旅客需要予測装置
１０ 処理部
５０，６０ 記憶部
５１０，６１０ 旅客需要予測プログラム
５２１ 地図データ、５２２ ゾーンデータ、５２３ 駅データ
５２４ 主要施設テーブル、５２５ 夜間人口データ、５２６ 就業者数データ
５２７ 年間利用者数実績データ、５２８ 乗換利用者数実績データ
５２９ 実績ＯＤデータ、５３１ 駅勢圏データ、５３５ 予測モデルデータ
５４１ 年間利用者数予測データ、５４２ 予測交通量データ
５４３ 予測ＯＤデータ、５４４ 断面交通量予測データ
５４５ 日別利用者数実績データ、５４６ 日別利用者数予測データ
５４７ 時間帯別利用者数実績データ、５４８ 時間帯別利用者数予測データ
５４９ 利用者拡大係数データ
５５１ 標準偏差実績データ、５５２ 標準偏差予測データ
５５３ 標準偏差拡大係数データ
６２１ 新線非考慮駅勢圏データ、６２２ 新線考慮駅勢圏データ
６２３ 新線非考慮予測モデルデータ、６２４ 新線考慮予測モデルデータ
６２５ 経路選択モデルデータ、６２６ 経路選択確率データ
６２７ 新線非考慮予測ＯＤデータ、６２８ 補正ＯＤデータ
６２９ 新線考慮予測ＯＤデータ

Claims (10)

1. コンピュータを、
   対象駅周辺の単位地域それぞれに居住、就業等（以下「居住等」という。）する人間が当該対象駅を利用する利用率を、当該対象駅と当該単位地域間の距離及び当該対象駅の実績利用者数と、当該対象駅周辺に競合駅が存在する場合の当該競合駅と当該単位地域間の距離を用いたハフモデル分析によって算出する利用率算出手段、
   前記単位地域の中から前記対象駅の駅勢圏を決定する駅勢圏決定手段、
   前記駅勢圏に居住等する人間のうちの前記対象駅を利用する駅勢圏利用者数を、前記駅勢圏とされた単位地域それぞれに居住等する実績人数及び当該単位地域の前記利用率を用いて推計する推計手段、
   駅勢圏利用者数を与えることで前記対象駅の利用者数を推計可能な算出モデルを、前記対象駅の前記実績利用者数と前記駅勢圏利用者数とを用いて構築する算出モデル構築手段、
   前記駅勢圏利用者数の予測値である駅勢圏予測利用者数を前記算出モデルに与えて前記対象駅の利用者数の予測値である予測利用者数を算出する予測利用者数算出手段、
   として機能させるためのプログラム。
2. 前記算出モデル構築手段が、前記対象駅の利用者数を従属変数とし、前記駅勢圏利用者数を説明変数とした重回帰分析によって前記算出モデルを構築するように前記コンピュータを機能させるための請求項１に記載のプログラム。
3. 前記算出モデル構築手段が、前記対象駅における路線乗換利用者数、及び／又は、前記対象駅を利用駅とする施設の利用者数を前記説明変数に更に含めて前記算出モデルを構築するように前記コンピュータを機能させるための請求項２に記載のプログラム。
4. 対象路線の各駅を前記対象駅として、前記利用率算出手段、前記駅勢圏決定手段、及び前記推計手段を順次機能させ、
   前記算出モデル構築手段が、前記対象路線で共通の算出モデルを構築し、
   前記予測利用者数算出手段が、前記共通の算出モデルを用いて前記対象路線の各駅の前記予測利用者数を算出する、
   ように前記コンピュータを機能させるための請求項１〜３の何れか一項に記載のプログラム。
5. 前記算出モデル構築手段が、駅周辺環境毎に共通の算出モデルを複数構築し、
   前記予測利用者数算出手段が、前記予測利用者数の算出対象駅の駅周辺環境に応じた算出モデルを用いて、当該予測利用者数を算出する、
   ように前記コンピュータを機能させるための請求項４に記載のプログラム。
6. 前記利用率算出手段が、前記対象駅周辺の競合駅の新設を考慮する場合に前記対象駅の実績利用者数を削減補正して前記利用率を算出し、
   前記推計手段、前記算出モデル構築手段、及び前記予測利用者数算出手段それぞれが、前記削減補正された利用率に基づき、前記競合駅の新設を考慮した駅勢圏利用者数、算出モデル、及び予測利用者数を算出する、
   ように前記コンピュータを機能させるための請求項１〜５の何れか一項に記載のプログラム。
7. 前記対象路線の各駅について算出された前記予測利用者数をもとに、前記対象路線の各駅間の実績ＯＤデータを用いた所定の分布交通量予測演算処理によって、前記対象路線の各駅間の予測ＯＤデータを算出する予測ＯＤデータ算出手段として前記コンピュータを機能させるための請求項４又は５に記載のプログラム。
8. 前記利用率算出手段が、前記対象駅周辺所定範囲内に前記対象路線に対する新設の競合路線の競合駅が存在する場合に、前記対象駅の実績利用者数を削減補正した利用率である新線考慮利用率を算出する新線考慮利用率算出手段と、削減補正しない利用率である新線非考慮利用率を算出する新線非考慮利用率算出手段とを有し、
   前記推計手段、前記算出モデル構築手段、及び前記予測利用者数算出手段それぞれが、前記新線考慮利用率に基づく新線考慮駅勢圏利用者数、新線考慮算出モデル、及び新線考慮予測利用者数を算出するとともに、前記新線非考慮利用率に基づく新線非考慮駅勢圏利用者数、新線非考慮算出モデル、及び新線非考慮予測利用者数を算出する、
   ように前記コンピュータを機能させ、
   前記新線非考慮予測利用者数をもとに、前記対象路線の各駅間の実績ＯＤデータを用いた所定の分布交通量予測演算処理によって、前記新設の競合路線を考慮しない前記対象路線の各駅間の予測ＯＤデータである新線非考慮予測ＯＤデータを算出する新線非考慮予測ＯＤデータ算出手段、
   前記新設の競合路線を利用した代替経路を含めた、前記対象路線上の各駅間の利用経路それぞれを選択する確率を算出する選択確率算出手段、
   前記選択確率算出手段により算出された各利用経路の選択確率に従って、前記新線非考慮予測ＯＤデータの各駅間の利用者数を減量補正する予測ＯＤデータ補正手段、
   前記新線考慮予測利用者数をもとに、前記予測ＯＤデータ補正手段により補正されたＯＤデータを用いた所定の分布交通量予測演算処理によって、前記新設の競合路線を考慮した前記対象路線の各駅間の予測ＯＤデータである新線考慮予測ＯＤデータを算出する新線考慮予測ＯＤデータ算出手段、
   として前記コンピュータを機能させるための請求項４又は５に記載のプログラム。
9. 前記予測利用者数算出手段により算出された前記対象駅の前記予測利用者数を用いて、前記対象駅における時間帯別利用者数を予測する時間帯別利用者数予測手段として前記コンピュータを機能させるための請求項１〜８の何れか一項に記載のプログラム。
10. 対象駅周辺の単位地域それぞれに居住等する人間が当該対象駅を利用する利用率を、当該対象駅と当該単位地域間の距離及び当該対象駅の実績利用者数と、当該対象駅周辺に競合駅が存在する場合の当該競合駅と当該単位地域間の距離を用いたハフモデル分析によって算出する利用率算出手段と、
    前記単位地域の中から前記対象駅の駅勢圏を決定する駅勢圏決定手段と、
    前記駅勢圏に居住等する人間のうちの前記対象駅を利用する駅勢圏利用者数を、前記駅勢圏とされた単位地域それぞれに居住等する実績人数及び当該単位地域の前記利用率を用いて推計する推計手段と、
    駅勢圏利用者数を与えることで前記対象駅の利用者数を推計可能な算出モデルを、前記対象駅の前記実績利用者数と前記駅勢圏利用者数とを用いて構築する算出モデル構築手段と、
    前記駅勢圏利用者数の予測値である駅勢圏予測利用者数を前記算出モデルに与えて前記対象駅の利用者数の予測値である予測利用者数を算出する予測利用者数算出手段と、
    を備えた旅客需要予測装置。

Images