JP5856456B2

JP5856456B2 - 人流予測装置および方法

Info

Publication number: JP5856456B2
Application number: JP2011264902A
Authority: JP
Inventors: 加藤　学; 加藤　　学; 匠伏木; 伏木　　匠; 直樹三和
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2011-12-02
Filing date: 2011-12-02
Publication date: 2016-02-09
Anticipated expiration: 2031-12-02
Also published as: JP2013116676A

Description

本発明は、人流予測装置および方法に関し、特に、駅のホームやコンコースにおける混雑度や人の流れを推定するための人流予測装置および方法に関する。

本技術分野の背景技術として特許文献１〜５がある。特許文献１には、列車混雑率情報の収集及び提供システムが開示されており、「駅構内監視装置は、駅構内に入出車する列車毎の乗降客を監視して、該乗降客の動画像を取得し、人物行動認識装置は、上記駅構内監視装置から上記乗降客の動画像を受入れて、上記列車毎に、乗車客と降車客とを識別し、混雑率解析装置は、上記乗車客と降車客とから上記列車毎の混雑率を算出し、列車ダイヤＤＢ、または突発的事象ＤＢは、上記列車毎、及び駅毎の混雑率を格納し、ＷＥＢサーバ装置は、端末装置から受け入れる要求に基づいて上記、列車毎及び駅毎の混雑率を列車ダイヤＤＢ、または突発的事象ＤＢから読み出して提供する」と記載されている。

また、特許文献２には、混雑状況予測プログラム、混雑状況予測プログラムを記録したコンピュータ読み取り可能な記録媒体および混雑状況予測装置、ならびにナビゲーションプログラム、ナビゲーションプログラムを記録したコンピュータ読み取り可能な記録媒体およびナビゲーション装置が開示されており、「混雑状況を予測する装置であって、任意地点に関する現時刻での混雑現在情報を受信する混雑現在情報受信手段、任意地点に関する混雑過去情報を予め記憶しておく混雑過去情報記憶手段、混雑現在情報受信手段により受信した混雑現在情報と、混雑過去情報記憶手段に記憶されている当該地点に関する当該現時刻と同時刻での複数の混雑過去情報それぞれとの類似度を算出する類似度算出手段、および算出された類似度が最も大きい混雑過去情報に続く所定時間先の時刻の混雑過去情報を、混雑過去情報記憶手段から読み出し、当該地点に関する混雑予測情報とみなす混雑予測手段、ならびに、任意分岐点に任意移動路から流入してくる現時刻での移動体数を受信する移動体数受信手段、任意分岐点に任意移動路から流入した移動体が他の移動路へ分岐する確率を予め記憶しておく分岐確率記憶手段、および移動体数受信手段により受信した移動体数と、分岐確率記憶手段に記憶されている当該分岐点に当該移動路から流入した移動体が他の移動路へ分岐する確率とを掛け合わせて、当該他の移動路への流入予測量を算出する流入予測量算出手段、ならびに、前記混雑予測情報と前記流入予測量とを合成して、合成混雑予測情報を算出する合成混雑予測情報算出手段、ならびに、各移動体の現時刻での移動計画情報を受信する移動計画情報受信手段、移動計画情報受信手段により受信した移動計画情報および前記合成混雑予測情報に基づいて、各移動体の移動計画情報に含まれる移動予定地点までの移動所要時間を算出する移動所要時間算出手段、および同じ移動予定地点までの同じ移動所要時間を有する移動体の数を足し合わせて、当該移動予定地点に関する移動予測情報を算出する移動予測情報算出手段を有することを特徴とする」と記載されている。

また、特許文献３には、乗客流動予測システムが開示され、特許文献４には、コンテンツ推薦装置、コンテンツ推薦方法及びコンピュータプログラムが開示され、特許文献５には、混雑状況通知システムが開示されている。

特開２００７−１３８１号公報特開２０１０−２８７２５１号公報特開２０１０−０６１３２１号公報特開２００７−０５８３９８号公報特開２０００−１９０８４７号公報

駅のホームやコンコースにおける混雑度や人の流れを推定するためには、推定したいすべての個所にセンサを配置することが望ましい。しかしコスト面や運用の難しさから、すべての個所にセンサを設置するのは困難である。

さらに上記公知例において、混雑予測のための分岐/移動確率の計算に必要なセンサ間の因果関係・依存関係は、固定的な空間情報に基づき構造化されている。しかし、駅の混雑や人の流れは列車ダイヤ等の動的な因果関係により影響を受けるため、固定的な空間情報の考慮では正確な混雑度や人の流れを推定することは困難である。

本発明は、駅のホームやコンコースにおける混雑度や人の流れを推定する際に、固定的な空間情報だけではなく、ダイヤ情報およびセンサ間の動的な因果関係を考慮して、センサが設置されていない個所の混雑度や人の流れを推定できる人流推定装置及び方法を提供することを目的としている。

上記課題を解決するために、本発明の人流予測装置１００は、撮像部１０１と、撮像部１０１において得られた撮影画像から人物領域を検出し人物領域の特徴量を抽出する特徴抽出部１０２と、特徴抽出履歴情報および移動体ダイヤ情報、駅の入出場履歴情報を格納する人流データ管理部１０３と、前記特徴抽出履歴情報とダイヤ情報、入出場履歴情報間の因果関係を構造化したルールベースを格納する因果関係格納部１０７と、因果関係格納部１０７において格納された因果関係に基づいて人物が通行可能な個所における混雑度を推定する人流判定部１０８から構成されることを特徴とする。

本発明によれば、動的な因果関係を考慮することができ、センサが設置されていない車両やホーム、コンコースなどの人物が通行可能な個所における混雑度や人の流れを予測することができる。また、センサが設置されていない箇所においても混雑度や人の流れの予測の精度を上げることができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

人流予測装置１００の第１の実施例における構成図の例である。撮像部１０１が取得する映像の例である。撮像部１０１の駅における設置状況の例を模式的に示した図である。特徴抽出部１０２の処理内容を示すフローチャートである。人流データ管理部１０３に格納される履歴データベース１０５に格納される特徴抽出結果データ５００の構造の例を示した図である。人流データ管理部１０３に格納される履歴データベース１０５に格納されるデータ６００の構造の例を示した図である。ダイヤ情報データベース１０６に格納する列車の運行情報データであるダイヤ情報の例を示した図である。第１の実施例における、因果関係格納部１０７によって格納されるベイジアンネットワークモデル８０１の構成例を示す図である。確率計算部１１０の概略処理内容を示すフローチャートである。確率計算部１１０で計算される、事前確率Ｐ（Ａ），Ｐ（Ｂ）の例を示した図である。条件付確率Ｐ（Ｃ｜Ａ）の計算を計算する処理であるステップＳ９０２の詳細を表すフローチャートである。図９のステップＳ９０２、および図１１で説明したフローチャートによって作成された条件付確率Ｐ（Ａ｜Ｃ）を表す表である。条件付確率Ｐ（Ｄ｜Ｃ）を計算する処理であるステップＳ９０３の詳細を表すフローチャートである。図９のステップＳ９０３、および図１３で説明したフローチャートによって作成された条件付確率Ｐ（Ｄ｜Ｃ）を表す表である。条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を計算する処理であるステップＳ９０４の詳細を表すフローチャートである。図９のステップＳ９０４、および図１６で説明したフローチャートによって作成された条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を表す表である。確率計算部１１０の処理手順を示すフローチャートである。人流情報操作部１０９で表示される画面の例を示した図である。人流情報操作部１０９で表示される、ベイジアンネットワークモデル８０１における確率変数間の因果関係を設定する画面の例を示した図である。人流情報操作部１０９で表示される、確率計算部１１０の動作時における画面の表示例を示した図である。人流情報操作部１０９で表示される、確率推論部１１１の動作時における画面の表示例を示した図である。確率推論部１１１における判定結果を運行管理装置１１３における表示画面に表示した例を示した図である。情報提供装置１１４における表示例を示した図である。実施例２における人流予測装置２４００を示す構成図の例である。実施例２における、人流データ管理部１０３に格納される履歴データベース１０５に格納されるデータの例を示した図である。実施例２における、因果関係格納部１０７において格納されるベイジアンネットワークモデル２６０１の例を示した図である。

以下、本発明の実施の形態について、図面を参照して説明する。

本実施例では、人流予測装置１００の例を説明する。図１は、本実施例の人流予測装置１００の構成図の例である。

人流予測装置１００は、撮像部１０１、特徴抽出部１０２、人流データ管理部１０３、人流情報制御部１０４を有する。人流データ管理部１０３は、履歴データベース１０５、ダイヤ情報データベース１０６を有する。また人流情報制御部１０４は、因果関係格納部１０７、人流判定部１０８、人流情報操作部１０９から構成される。さらに人流判定部１０８は、確率計算部１１０、確率推論部１１１から構成される。さらに、人流予測装置１００は、ネットワーク１１２を介して、運行管理装置１１３および情報提供装置１１４と接続されている。

以下、人流予測装置１００内の各装置の動作について詳細に説明する。撮像部１０１は、駅のホームや階段、エスカレータ付近に複数設置され、混雑状況が分かるような画像データ２０１を取得する。図２に取得される画像データ２０１の例を示す。

図３は、撮像部１０１の駅での設置状況の例を模式的に示した図である。撮像部１０１は例えばＡ線の列車３０１が到着するＡ線ホーム３０２の階段３０３付近に設置され、Ａ線ホーム３０２の混雑状況を撮影できるように設置される。また、Ｂ線の列車３０４が到着するＢ線ホーム３０５には撮像部１０１は設置されていないものとする。

特徴抽出部１０２では、撮像部１０１によって取得された画像データ２０１に対してデジタル変換やエラー訂正等の処理を行い、メモリ等の一時記憶媒体に格納する。そして取得された画像データ２０１に対して所定の処理を行うことにより、ホームの混雑度２５０を計測する。混雑度２５０の計測結果は人流データ管理部１０３内の履歴データベース１０５として格納される。

以下、特徴抽出部１０２の動作について説明する。図４は、特徴抽出部１０２の処理手順を示すフローチャートである。図４において、処理手順は、人物候補領域検出処理を行うステップＳ４０１、特徴量抽出処理を行うステップＳ４０２、人物候補領域判定処理を行うステップＳ４０３、混雑度判定処理を行うステップＳ４０４、データベース格納処理を行うステップＳ４０５から構成される。

人物候補領域検出処理を行うステップＳ４０１は、例えば以下のようにして行われる。あらかじめ撮像範囲内に人物が存在していない時の画像を背景画像として記憶しておき、入力された画像２０１に対して、この背景画像との差分処理を行うことによって、人物候補領域が検出される。

特徴量抽出処理を行うステップＳ４０２は、例えば以下のようにして行われる。入力された人物候補領域に対してソーベルフィルタやラプラスフィルタを利用して濃淡エッジを検出する。そして、検出されたエッジ情報に対してハフ変換を行うことで、円または楕円領域を検出する。

人物候補領域判定処理を行うステップＳ４０３は、例えば特徴量抽出処理４０２によって得られた円または楕円領域に対して、所定の閾値以上の大きさを有する領域を頭部領域と判定することによって行われる。

候補領域数レベル判定処理を行うステップＳ４０４は、例えば以下のようにして行われる。人物候補領域判定処理を行うステップＳ４０３によって抽出された人物候補領域の数を集計し、集計数を所定の閾値に応じて、レベル１からＮまでの複数段階に分割する。

データベース格納処理を行うステップＳ４０５では、混雑度判定処理を行うステップＳ４０４で判定された混雑度２５０を履歴データベース１０５中のデータベースとして格納する。

図５は、データベース格納処理を行うステップＳ４０５の処理結果である、人流データ管理部１０３に格納される履歴データベース１０５に格納される画像処理結果データ５００の構造の例を示した図である。画像処理結果データ５００には、レコードＩＤ５０１、ホームＩＤ５０２、カメラＩＤ５０３、日付５０４、時刻５０５、人物候補領域数５０６、候補領域数レベル５０７の各要素から構成されるデータが格納される。レコードＩＤ５０１は、各レコードにユニークに割り当てられたＩＤである。ホームＩＤ５０２は、駅内のどのホームに設置されたカメラかを識別するためのＩＤである。カメラＩＤ５０３は、設置されたカメラをユニークに識別するためのＩＤである。日付５０４、および時刻５０５は、人数を計測した日時であり、所定の時間単位で記録される。人物候補領域数５０６は、日付５０４および時刻５０５において計測された人物候補領域数である。候補領域数レベル５０７は、候補領域数レベル判定処理を行うステップＳ４０４で判定された候補領域数レベルである。この画像処理結果データ５００は所定の期間分保存される。

一方、人流データ管理部１０３に格納される履歴データベース１０５には、利用者の出発駅６０４（Ｏ）と到着駅６０５（Ｄ）の組み合わせ毎に通過した人数６０６を集計したデータも格納される。このデータはＯＤデータ６００と呼ばれ、例えば、［特許文献３］に開示されているような情報である。ＯＤデータ６００は、改札を通過した定期券あるいは乗車券を集計して作成される。

図６は、人流データ管理部１０３に格納される履歴データベース１０５に格納されるＯＤデータ６００の構造の例を示した図である。ＯＤデータ６００は、日付６０１、開始時刻６０２、終了時刻６０３、出発駅６０４、到着駅６０５、人数６０６、混雑度６０７の各要素から構成されるデータを格納する。日付６０１、開始時刻６０２、終了時刻６０３は通過した人数６０６の集計を行った日付６０１および開始時刻６０２、終了時刻６０３である。混雑度６０７は、出発駅６０４、到着駅６０５を通過する人数６０６から所定の閾値に応じて、混雑度６０７を判定した結果である。本実施例では、混雑度６０７を閑散（ｌｅｖｅｌ＝０）、普通（ｌｅｖｅｌ＝１）、混雑（ｌｅｖｅｌ＝２）の３段階に分類している。このＯＤデータ６００は所定の期間分保存される。

ダイヤ情報データベース１０６には、列車の運行情報データであるダイヤ情報データ７０１を格納する。図７はダイヤ情報データ７０１の例を示した図である。ダイヤ情報データ７０１は、横軸に時刻７０２、縦軸に位置（駅）７０３を表し、線７０４は１本の列車の運行を表す。これにより、どの列車がいつどこの駅に存在するかを表現することができる。

人流情報制御部１０４では、人流データ管理部１０３に格納された履歴データベース１０５、およびダイヤ情報データベース１０６に格納された履歴データに基づいて、画像処理によって混雑度６０７が直接観測できないＢ線ホーム３０５における混雑度６０７を推定する。

本実施例では、混雑度６０７の推定処理にベイジアンネットワーク（Bayesian Network、例えば［特許文献４］参照。）を用いて説明することにする。ベイジアンネットワークとは、履歴データに基づいて様々な事象の因果関係や依存関係をベイズの定理を用いて表現するものであり、複雑な因果関係や依存関係を有向グラフによって表すとともに、個々の定性的な関係を条件付確率で表す確率推論のモデルである。特許文献４には、被験者に対してアンケート等の聞き取り調査を実施して集めたデータに基づいてベイジアンネットワークのモデルを作成し、作成したモデルにユーザの状況を照らし合わせることによってユーザの嗜好を推定し、コンテンツを推薦する技術が記載されている。

人流情報制御部１０４は、このベイジアンネットワークモデル８０１を用いて混雑度を推定する。人流情報制御部１０４は、因果関係格納部１０７、人流判定部１０８、人流情報操作部１０９から構成される。さらに人流判定部１０８は確率計算部１１０、確率推論部１１１から構成される。

以下、各処理について説明する。因果関係格納部１０７では、例えば図３で示した駅の構造に基づいて、事象の因果関係を有向グラフによって表現したモデルを格納する。図８に、因果関係格納部１０７に格納されるベイジアンネットワークモデル８０１の例を示す。ベイジアンネットワークモデル８０１は、Ａ線ダイヤに関する確率変数Ａ８０２、Ｂ線ダイヤに関する確率変数Ｂ８０３、Ａ線ホーム混雑度に関する確率変数Ｃ８０４、Ａ線ホーム画像観測データに関する確率変数Ｄ８０５、Ｂ線ホーム混雑度に関する確率変数Ｅ８０６を有する。ベイジアンネットワークモデル８０１においては、Ａ線ダイヤに関する確率変数Ａ８０２とＡ線ホーム混雑度に関する確率変数Ｃ８０４、Ａ線ホーム混雑度に関する確率変数Ｃ８０４とＡ線ホーム画像観測データに関する確率変数Ｄ８０５、Ｂ線ダイヤに関する確率変数Ｂ８０３とＢ線ホーム混雑度に関する確率変数Ｅ８０６、Ａ線ホーム混雑度に関する確率変数Ｃ８０４とＢ線ホーム混雑度に関する確率変数Ｅ８０６がそれぞれ因果関係を有している（図８中の矢印で示されている）。また、各因果関係には事前確率および条件付確率が設定され、すべての確率変数の結合確率は以下の式によって表わされる。

確率計算部１１０では、人流データ管理部１０３に格納された履歴データベース１０５、およびダイヤ情報データベース１０６に格納された画像処理結果データ５００、ＯＤデータ６００、ダイヤ情報データベース７０１と、因果関係格納部１０７によって格納されたベイジアンネットワークモデル８０１に基づいて、事前確率および条件付確率を計算する。

以下、確率計算部１１０の動作について説明する。図９は、確率計算部１１０の概略処理手順を示すフローチャートである。図９において、処理手順は、事前確率Ｐ（Ａ）、Ｐ（Ｂ）を計算する処理を行うステップＳ９０１、条件付き確率Ｐ（Ｃ｜Ａ）１２０１を計算する処理を行うステップＳ９０２、条件付き確率Ｐ（Ｄ｜Ｃ）１４０１を計算する処理を行うステップＳ９０３、条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を計算する処理を行うステップＳ９０４から構成される。

以下、各処理について説明する。事前確率Ｐ（Ａ）、Ｐ（Ｂ）を計算する処理を行うステップＳ９０１では、図８で示したベイジアンネットワークモデル８０１において、事象８０２および８０３が発生する確率を計算する。具体的には、ダイヤ情報データベース１０６に格納されているダイヤ情報データ７０１に基づいて、所定の時間間隔ｔからｔ＋１までにＡ線およびＢ線に列車が存在する時間の割合を求める。そしてその割合を事前確率Ｐ（Ａ）、Ｐ（Ｂ）として格納する。

図１０に格納される事前確率Ｐ（Ａ）、Ｐ（Ｂ）の例を示す。事前確率Ｐ（Ａ）１００１は所定の時間間隔で確率が格納される。具体的には開始時刻１００２、終了時刻１００３、Ａ線に列車が存在しない（Ａ＝０）確率Ｐ（Ａ＝０）１００４、Ａ線に列車が存在する（Ａ＝１）確率Ｐ（Ａ＝１）１００５を表すデータが格納される。事前確率Ｐ（Ｂ）１００６も同様に、開始時刻１００７、終了時刻１００８、Ｂ線に列車が存在しない（Ｂ＝０）確率Ｐ（Ｂ＝０）１００９、Ｂ線に列車が存在する（Ｂ＝１）確率Ｐ（Ｂ＝１）１０１０を表すデータが格納される。

図１１は条件付き確率Ｐ（Ｃ｜Ａ）１２０１を計算する処理であるステップＳ９０２の詳細を表すフローチャートである。ステップＳ１１０１において、人流データ管理部１０３の履歴データベース１０５に格納されるＯＤデータ６００を読み込む。

次にステップＳ１１０２において、ダイヤ情報データベース１０６に格納される、ダイヤ情報データ７０１を読み込む。

ステップＳ１１０３において、ステップＳ１１０１において読み込んだＯＤデータ６００から、当該駅においてＡ線ホーム３０２を使用したと考えられるデータを検索する。

ステップＳ１１０４において、Ａ線ホーム３０２に列車が存在する時刻において、混雑度ごとに事象の数を集計し、条件付き確率を計算する。具体的には、ステップＳ１１０３において検索したＯＤデータ６００の中から、さらに開始時刻６０２、終了時刻６０３のうちＡ線ホーム３０２に列車が存在する時刻に該当するデータを有するデータを抽出し、混雑度６０７毎に事象の数を集計する。そして混雑度６０７毎に集計した事象の数を全数で割ることによって、Ａ線ホーム３０２に列車が存在する場合における混雑度６０７毎の条件付き確率Ｐ（Ｃ｜Ａ＝０）を計算する。

ステップＳ１１０５において、Ａ線ホーム３０２に列車が存在しない時刻において、混雑度６０７ごとに事象の数を集計し、条件付き確率を計算する。計算の方法はステップＳ１１０４の場合と同様である。

図１２は、図９のステップＳ９０２、および図１１で説明したフローチャートによって作成された条件付き確率Ｐ（Ａ｜Ｃ）１２０１を表す表である。表は、Ａ線ホーム３０２に列車が存在しない事象（Ａ＝０）、および存在する事象（Ａ＝１）それぞれに対して、開始時刻１００２および終了時刻１００３毎にＡ線ホーム３０２における混雑度６０７の３レベル（閑散Ｃ＝０、普通Ｃ＝１、混雑Ｃ＝２）が発生する条件付き確率を表している。この表が開始時刻１００２および終了時刻１００３の分だけ存在する。

図１３は条件付き確率Ｐ（Ｄ｜Ｃ）１４０１を計算する処理を行うステップＳ９０３の詳細を表すフローチャートである。ステップＳ１３０１において、人流データ管理部１０３の履歴データベース１０５に格納される画像処理結果データ５００を読み込む。

ステップＳ１３０２において、人流データ管理部１０３の履歴データベース１０５に格納されるＯＤデータ６００を読み込む。

次にステップＳ１３０３において、ステップＳ１３０２において読み込んだＯＤデータ６００から、当該駅においてＡ線ホーム３０２を使用したと考えられるデータを検索する。

そしてステップＳ１３０４において、混雑度６０７、および候補領域数レベル５０７の組み合わせ毎に事象の数を集計し、条件付き確率を計算する。具体的には、ステップＳ１３０２において検索したＯＤデータ６００の中から、さらに混雑度６０７のカラムに格納されている混雑度６０７毎に、開始時刻６０２のカラムに格納されている時刻をキーに画像処理結果データ５００から同時刻のデータレコードを検索する。そして画像処理結果データベースの候補領域数レベル５０７のカラムに格納されている候補領域数レベル５０７毎に、混雑度Ｃ＝ｉ、かつ候補領域数レベルＤ＝ｊである事象の数を集計する。そして各事象の数を全数で除算することにより、条件付き確率Ｐ（Ｄ｜Ｃ）１４０１を計算する。

図１４は図９のステップＳ９０３、および図１３で説明したフローチャートによって作成された条件付き確率Ｐ（Ｄ｜Ｃ）１４０１を表す表である。図１４の表は、Ａ線ホームにおける混雑度の３レベル（閑散Ｃ＝０、普通Ｃ＝１、混雑Ｃ＝２）ごとに候補領域数レベル（Ｄ＝１、…Ｎ）が発生する条件付き確率Ｐ（Ｄ｜Ｃ）１４０１を表している。

図１５は、条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を計算する処理を行うステップＳ９０４の詳細を表すフローチャートである。条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を計算する処理を行うステップＳ９０４は、以下のステップＳで行われる。

まず、ステップＳ１５０１において、人流データ管理部１０３の履歴データベース１０５に格納されるＯＤデータ６００を読み込む。

次に、ステップＳ１５０２において、ダイヤ情報データベース１０６に格納される、ダイヤ情報データ７０１を読み込む。

次に、ステップＳ１５０３において、ステップＳ１５０１において読み込んだＯＤデータ６００から、当該駅においてＡ線ホーム３０２を使用したと考えられるデータを検索する。

ステップＳ１５０４において、ステップＳ１５０１において読み込んだＯＤデータ６００から、当該駅においてＢ線ホーム３０５を使用したと考えられるデータを検索する。

ステップＳ１５０５において、Ｂ線ホーム３０５に列車が存在する時刻において、Ａ線における混雑度６０７毎にＢ線ホーム３０５における混雑事象の数を集計し、条件付き確率を計算する。具体的には、ステップＳ１５０３において抽出したＯＤデータ７０１から、Ｂ線ホーム３０５に列車が存在する時刻に該当するＯＤデータ６００を抽出する。そして、抽出したＯＤデータ６００に格納されている時刻をキーに、ステップＳ１５０４において読み込んだＯＤデータ６００からＢ線ホーム３０５を使用したと考えられる事象の数を、Ａ線ホーム３０２およびＢ線ホーム３０５の混雑度６０７毎に集計する。そして混雑度６０７毎に集計した事象の数を全数で割ることによって、Ｂ線ホーム３０５に列車が存在しかつＡ線ホーム３０２における混雑度６０７毎の、Ｂ線ホーム３０５における混雑度６０７の条件付き確率Ｐ（Ｅ｜Ｂ＝１，Ｃ）を計算する。

そして、ステップＳ１５０６において、Ｂ線ホーム３０５に列車が存在しない時刻において、Ａ線ホーム３０２における混雑度毎にＢ線ホーム３０５における混雑事象の数を集計し、Ｂ線ホーム３０５に列車が存在せず、かつＡ線ホーム３０２における混雑度６０７毎の、Ｂ線ホーム３０５における混雑度６０７の条件付き確率Ｐ（Ｅ｜Ｂ＝０，Ｃ）を計算する。計算の方法はステップＳ１５０５の場合と同等である。

図１６は、図９のステップＳ９０４、および図１５で説明したフローチャートによって作成された条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を表す表である。図１６の表は、Ｂ線ホーム３０５に列車が存在しない事象（Ｂ＝０）、および存在する事象（Ｂ＝１）と、Ａ線ホーム３０２における混雑度６０７の３レベル（閑散Ｃ＝０、普通Ｃ＝１、混雑Ｃ＝２）の組み合わせ毎に、Ｂ線ホーム３０５における混雑度６０７の３レベル（閑散Ｃ＝０、普通Ｃ＝１、混雑Ｃ＝２）が発生する条件付き確率を表している。

次に、確率推論部１１１の動作について説明する。図１７は、確率推論部１１１の処理手順を示すフローチャートである。確率推論部１１１は、確率計算部１１０によって計算された条件付き確率、および特徴抽出部１０２によって観測された画像処理結果から事後確率を計算し、Ｂ線ホーム３０５における混雑度６０７ごとの確率を計算し、混雑度６０７を推定する。

ステップＳ１７０１において、確率計算部１１０によって計算された条件付き確率表を読み込む。

次にステップＳ１７０２において、図４に示した特徴抽出部１０２の処理に従って候補領域数レベル５０７を判定する。

ステップＳ１７０３において、ステップＳ１７０２によって判定された候補領域数レベルの条件を事前条件として、Ａ線ホーム３０２における混雑（閑散Ｃ＝０、普通Ｃ＝１、混雑Ｃ＝２）が発生する確率Ｐ（Ｃ｜Ｄ）を計算する。具体的には以下のようにして計算される。例えば候補領域数レベルＤが１と観測されたとき、Ａ線ホーム３０２が混雑（Ｃ＝２）している確率Ｐ（Ｃ＝２｜Ｄ＝１）は、（式１）およびベイズの定理より、（式２）に従って計算される。

ステップＳ１７０４において、Ａ線ホーム３０２の混雑度を推定する。具体的には、ステップＳ１７０３において計算した条件付き確率Ｐ（Ｃ｜Ｄ）のうち、最も確率が大きくなる混雑度Ｃｍａｘを、Ａ線ホーム３０２における混雑度と推定する。

ステップＳ１７０５において、ステップＳ１７０１において読み込まれた条件付き確率のうちＢ線ホーム３０５に列車が存在する確率Ｂおよび、ステップＳ１７０４において推定されたＡ線ホーム３０２の混雑度Ｃを事前条件として、Ｂ線ホーム３０５における混雑（閑散Ｅ＝０、普通Ｅ＝１、混雑Ｅ＝２）が発生する確率Ｐ（Ｅ｜Ｂ，Ｃ）を計算する。具体的には以下のようにして計算される。例えばＢ線ホーム３０５に列車が存在（Ｂ＝１）し、Ａ線ホーム３０２が混雑（Ｃ＝２）していると判定された場合に、Ｂ線ホーム３０５が混雑（Ｅ＝２）している確率Ｐ（Ｅ＝２｜Ｂ＝１，Ｃ＝２）は、（式１）およびベイズの定理より、（式３）に従って計算される。

ステップＳ１７０６において、Ｂ線ホーム３０５の混雑度を推定する。具体的には、ステップＳ１７０５において計算した条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１のうち、最も確率が大きくなる混雑度Ｅｍａｘを、Ｂ線ホーム３０５における混雑度と推定する。

上記までで説明した、因果関係格納部１０７、および確率計算部１１０、確率推論部１１１の処理は、ユーザから人流情報操作部１０９を介して行われる。図１８から図２１に人流情報操作部１０９における画面の表示例を示す。

図１８に、人流情報操作部１０９における画面の表示例を示す。画面１８０１には、ベイジアンネットワークモデル８０１を構成する各確率変数である、ダイヤに関する確率変数１８０２、ホーム混雑度に関する確率変数１８０３、観測データに関する確率変数１８０４が選択可能である。ユーザが確率変数を選択した後、追加ボタン１８０５を押すと、画面上に確率変数Ａ８０２、確率変数Ｂ８０３、確率変数Ｃ８０４、確率変数Ｄ８０５、確率変数Ｅ８０６を表すノードが追加される。

図１９に、さらに因果関係格納部１０７に格納する、ベイジアンネットワークモデル８０１における確率変数間の因果関係を設定する画面の例を示す。画面１９０１ではノード８０２および８０４を選択した後、関連付けボタン１９０２を押すと、ノード間の因果関係を表す矢印１９０３が表示される。

図２０に、確率計算部１１０における画面の表示例を示す。画面２００１では、ベイジアンネットワークモデル８０１が設定された後、計算実行ボタン２００２が選択されると、確率計算部１１０の処理が実行される例を示している。

図２１に、確率推論部１１１における画面の表示例を示す。画面２１０１では、推論実行ボタン２１０２が押されると確率推論部１１１の処理が実行される例を示している。画面２１０１では、さらに画面が分割されて、駅の構造２１０３が表示され、Ａ線ホームの混雑度の時間変化２１０４、Ｂ線ホームの混雑度の時間変化２１０５が別ウィンドウに表示される例を示している。

確率推論部１１１において推定された推定結果は、ネットワーク１１２を介して運行管理装置１１３に随時送信され、指令員による列車運行管理業務に利用される。図２２に確率推論部１１１における判定結果を運行管理装置１１３における表示画面に表示した例を示す。

運行管理装置１１３における表示画面２２０１には、例えば特開２００２−５９８３６号公報にあるように列車の在線状況が表示される。この表示画面２２０１における駅の存在場所を示す表示２２０２の下に、例えば各駅における混雑の状況を示すアイコン２２０３を表示することができる。このアイコン２２０３に表示されるデータは、確率推論部１１１において推定された推定結果である。各駅には複数の路線が存在する。

このためアイコン２２０３に表示される判定結果は、例えばこのうちひとつでも混雑と判定されれば、混雑と表示することができる。あるいはすべてのホームの状況を表示してもよい。列車運行管理業務をおこなう指令員は、この表示画面２２０１に表示された情報を用いて、適切な列車の運行を指令することができる。

運行管理装置１１３における表示画面２２０１に表示された判定結果２２０３は、ネットワーク１１２を介して情報提供装置１１４に表示してもよい。情報提供装置１１４の例として、例えば駅の入り口やホームに設置された情報提供装置、あるいは鉄道の利用者が所持する携帯電話、駅員が所持する端末装置などが挙げられる。

情報提供装置１１４における表示例を図２３に示す。表示画面２３０１には、混雑が発生した駅について、例えば判定結果をアイコン１３０２で表示される。表示内容は運行管理装置１１３における表示画面２２０１に表示された判定結果２２０３と同等である。

本実施例では、人流予測を行う装置１００の別の装置構成例を説明する。

図２４は、実施例２における人流予測装置２４００を示す構成図の例である。図２４の人流予測装置２４００のうち、既に説明した図１に示された同一の符号を付された構成と同一の機能を有する部分については、説明を省略する。

実施例２における人流予測装置２４００では、実施例１の構成に加えて、さらに乗車率計測部２４０１が備えられた構成になっている。

以下、人流予測装置２４００について説明する。乗車率計測部２４０１は、列車の各車両２０１に搭載された応荷重装置から計測された各車両の乗車率情報を収集する。これは例えば特許文献５に記載の手段で実現できる。

収集された乗車率情報は、例えば図２５に示すような情報として、人流データ管理部１０３に格納される履歴データベース１０５に格納される。履歴データベース１０５に格納される情報２５００は、レコードＩＤ２５０１、列車ＩＤ２５０２、車両ＩＤ２５０３、日付２５０４、時刻２５０５、乗車率２５０６、混雑度２５０７の各要素から構成される。

レコードＩＤ２５０１は、各レコードにユニークに割り当てられたＩＤである。列車ＩＤ２５０２は、列車を識別するためのＩＤである。車両ＩＤ２５０３は、列車内の車両を識別するためのＩＤである。日付２５０４、および時刻２５０５は、乗車率２５０６を計測した日時であり、所定の時間単位で記録される。乗車率２５０６は、計測された乗車率である。混雑度２５０７は、乗車率２５０６から所定の閾値に応じて、混雑度２５０７を判定した結果である。

混雑度２５０７は、実施例１における画像処理結果データ５００中の候補領域数レベル５０７に相当する情報である。

乗車率計測部２４０１によって計測される人数２５０６は、本実施例の場合は図２におけるＢ線ホーム３０５の列車３０４に関する情報であるとする。撮像部１０１の設置状況等、その他の条件は、図２に示したものと同じであるとする。

本実施例における、因果関係格納部１０７において格納されるベイジアンネットワークモデル２６０１を図２６に示す。実施例１との違いは、Ｂ線列車乗車率に関する確率変数Ｆ２６０２が追加されたことである。

この場合における、すべての確率変数の結合確率は以下の式によって表わされる。

確率計算部１１０では、さらに確率変数Ｆ２６０２が新たに加わった場合の条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ，Ｆ）を計算する処理がおこなわれる。計算の方法は実施例１の図９において、条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）１６０１を計算する処理であるステップＳ９０４の変わりに、条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ，Ｆ）を計算する処理がおこなわれる。

確率推論部１１１では、さらに乗車率を読み込む処理が加えられる。また、確率Ｐ（Ｅ｜Ｂ，Ｃ）を計算する処理１７０５の代わりに、確率Ｐ（Ｅ｜Ｂ，Ｃ、Ｆ）を計算する処理が行われる。

確率推論部１１１において判定された判定結果は、ネットワーク１１２を介して運行管理装置１１３に随時送信され、指令員による列車運行管理業務や利用者への情報提供に利用される。利用方法は実施例１で示した方法と同等である。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。具体的には、第３の実施例として、実施例１における撮像部１０１と特徴抽出部１０２の構成の代わりに、実施例２において記載した乗車率計測部２４０１を備えた構成も実現可能である。

また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１００人流予測装置
１０１撮像部
１０２特徴抽出部
１０３人流データ管理部
１０４人流情報制御部
１０５履歴データベース
１０６ダイヤ情報データベース
１０７因果関係格納部
１０８人流判定部
１０９人流情報操作部
１１０確率計算部
１１１確率推論部
１１２ネットワーク
１１３運行管理装置
１１４情報提供装置
２０１画像データ
２４０乗車率計測部
２５０混雑度
３０１列車
３０２Ａ線ホーム
３０３階段
３０４列車
３０５Ｂ線ホーム
５００特徴抽出結果データ
５００画像処理結果データ
５０１レコードＩＤ
５０２ホームＩＤ
５０３カメラＩＤ
５０４日付
５０５時刻
５０６人物候補領域数
５０７候補領域数レベル
６００ＯＤデータ
６０１日付
６０２開始時刻
６０２開始時刻ＩＤ
６０３終了時刻
６０４出発駅
６０５到着駅
６０６人数
６０７混雑度
７０１ダイヤ情報データ
７０２時刻
７０３位置（駅）
７０４線
８０１ベイジアンネットワークモデル
８０２確率変数Ａ
８０３確率変数Ｂ
８０４確率変数Ｃ
８０５確率変数Ｄ
８０６確率変数Ｅ
１００１事前確率Ｐ（Ａ）
１００２開始時刻
１００３終了時刻
１００４確率Ｐ（Ａ＝０）
１００５確率Ｐ（Ａ＝１）
１００６事前確率Ｐ（Ｂ）
１００７開始時刻
１００８終了時刻
１００９確率Ｐ（Ｂ＝０）
１０１０確率Ｐ（Ｂ＝１）
１２０１条件付き確率Ｐ（Ｃ｜Ａ）
１４０１条件付き確率Ｐ（Ｄ｜Ｃ）
１６０１条件付き確率Ｐ（Ｅ｜Ｂ，Ｃ）
１８０１画面
１８０２確率変数
１８０３確率変数
１８０４確率変数
１８０５追加ボタン
１９０１画面
１９０２関連付けボタン
１９０３矢印
２００１画面
２００２計算実行ボタン
２１０１画面
２１０２推論実行ボタン
２１０３駅の構造
２１０４時間変化
２１０５時間変化
２２０１表示画面
２２０２表示
２２０３アイコン
２２０３判定結果
２３０１表示画面
２４００人流予測装置
２４０１乗車率計測部
２５００情報
２５０１レコードＩＤ
２５０２列車ＩＤ
２５０３車両ＩＤ
２５０４日付
２５０５時刻
２５０６乗車率
２５０７混雑度
２６０１ベイジアンネットワークモデル
２６０２確率変数Ｆ

Claims

撮像部と、
前記撮像部において得られた撮影画像から人物領域を検出し人物領域の候補数レベルを判定する特徴抽出部と、
所定時間ごとの前記候補数レベルを含む特徴抽出履歴情報および移動体ダイヤ情報、駅の入出場履歴情報を格納する人流データ管理部と、
前記特徴抽出履歴情報と移動体ダイヤ情報、入出場履歴情報間の因果関係を有向グラフで表現したモデルを格納する因果関係格納部と、
前記特徴抽出履歴情報と前記移動体ダイヤ情報と前記入出場履歴情報と前記モデルに基づいて、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度を推定する人流判定部、
から構成されることを特徴とする人流予測装置。
請求項１に記載の人流予測装置において、
前記人流判定部は、前記モデルとしてベイジアンネットワークモデルを採用し、前記ベイジアンネットワークモデルに基づいて、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度ごとの確率を計算し、前記計算された混雑度ごとの確率が最も大きくなる混雑度を、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度と推定することを特徴とする人流予測装置。
請求項１または２に記載の人流予測装置において、
さらに、前記モデルを作成し、混雑度を推定する人流情報操作部を備えたことを特徴とする人流予測装置。
請求項１ないし３のいずれかの請求項に記載の人流予測装置において、
さらに、前記推定された混雑度を表示する情報提供装置を備えたことを特徴とする人流予測装置。
請求項１ないし４のいずれかの請求項に記載の人流予測装置において、
さらに、列車の乗車率を計測する乗車率計測部を備え、前記人流データ管理部に乗車率計測情報を格納し、前記特徴抽出履歴情報と移動体ダイヤ情報と入出場履歴情報と前記乗車率計測情報との因果関係を有向グラフで表現したモデルに基づいて、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度を推定することを特徴とする人流予測装置。
請求項１ないし４のいずれかの請求項に記載の人流予測装置において、
前記撮像部および前記特徴抽出部の代わりに乗車率を計測する乗車率計測部を備えたことを特徴とする人流予測装置。
撮影画像から混雑度を直接観測できない個所における混雑度を推定する混雑度推定手段が、撮像部において得られた前記撮影画像から人物領域を検出した結果に基づいて決定される、所定時間ごとの人物領域候補数レベルを含んだ特徴抽出履歴情報と、移動体ダイヤ情報、および駅の入出場履歴情報間の因果関係を有向グラフで表現したモデルに基づいて、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度を推定することを特徴とする人流予測方法。
請求項７に記載の人流予測方法において、
さらに、前記モデルとしてベイジアンネットワークモデルを採用し、前記ベイジアンネットワークモデルに基づいて前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度ごとの確率を計算し、前記計算された混雑度ごとの確率が最も大きくなる混雑度を、前記撮像部において得られた撮影画像から混雑度を直接観測できないホームにおける混雑度と推定することを特徴とする人流予測方法。
請求項８に記載の人流予測方法において、
さらに、前記モデルを作成し、前記作成されたモデルに基づいて推定された混雑度を表示手段に表示することを特徴とする人流予測方法。