JP6414321B2 - 人数予測システム、人数予測方法および人数予測プログラム - Google Patents

Description

本発明は、所定の場所にいる者の人数を予測する人数予測システム、人数予測方法および人数予測プログラムに関する。

異なるパターンや規則性に従っているデータが混在して蓄積された場合であっても、そのようなデータを学習用データとして用いて、学習モデルを選択するための選択モデルを生成する技術が提案されている（例えば、特許文献１および非特許文献１，２を参照）。学習モデルは、予測値の導出に用いられる。予測用データが与えられると、予測用データと選択モデルとに基づいて学習モデルが選択される。そして、選択された学習モデルにその予測用データが適用されることによって、予測値が得られる。上記のような学習アルゴリズムは、異種混合学習と呼ばれている。特許文献１には、異種混合学習を採用した学習器の一例が記載されている。

米国特許出願公開第２０１４／０２２２７４１Ａ１号明細書

「一歩進んだ機械学習 ＩｏＴで激増するデータの活用現場に浸透」、日経ＢＰ社、「日経ビッグデータ」、２０１４年０６号、ｐ．７−１２ 藤巻遼平、森永聡、「ビッグデータ時代の最先端データマイニング」、日本電気株式会社、「ＮＥＣ技報」、２０１２年Ｎｏ．２、ｐ．８１−８５

所定の場所にいる者の人数を予測できれば、その場所の管理者にとって、その場所を管理しやすくなる。

そこで、本発明は、所定の場所にいる者の人数を予測することができる人数予測システム、人数予測方法および人数予測プログラムを提供することを目的とする。

本発明による人数予測システムは、予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成する木構造モデル生成手段と、予測用データが入力されたときに、当該予測用データに応じて、木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する学習モデル選択手段と、選択された学習モデルに予測用データを適用することによって、所定の場所にいる者の人数の予測値を算出する予測値算出手段とを備え、学習モデル選択手段が、木構造モデルの根ノードを起点として、ノードが示す条件を予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿り、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択することを特徴とする。

また、本発明による人数予測方法は、コンピュータが、予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成し、予測用データが入力されたときに、当該予測用データに応じて、木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択し、選択した学習モデルに予測用データを適用することによって、所定の場所にいる者の人数の予測値を算出し、学習モデルを選択するときに、木構造モデルの根ノードを起点として、ノードが示す条件を予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿り、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択することを特徴とする。

また、本発明による人数予測プログラムは、コンピュータに、予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成する木構造モデル生成処理、予測用データが入力されたときに、当該予測用データに応じて、木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する学習モデル選択処理、および、選択された学習モデルに予測用データを適用することによって、所定の場所にいる者の人数の予測値を算出する予測値算出処理を実行させ、学習モデル選択処理で、木構造モデルの根ノードを起点として、ノードが示す条件を予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿らせ、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択させることを特徴とする。

本発明によれば、所定の場所にいる者の人数を予測することができる。

本発明の人数予測システムの例を示すブロック図である。 学習用データの例を示す説明図である。 選択モデルの例を示す模式図である。 予測用データの例を示す説明図である。 本発明の処理経過の例を示すフローチャートである。 本発明の実施形態に係るコンピュータの構成例を示す概略ブロック図である。 本発明の人数予測システムの概要を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。

本発明の人数予測システムは、所定の場所にいる者の人数の予測値を算出する。以下に示す実施形態では、イベント会場にいる者の人数を予測する場合を例にして説明するが、人数の予測対象となる場所は、イベント会場に限定されない。

図１は、本発明の人数予測システムの例を示すブロック図である。本発明の人数予測システム１は、木構造モデル生成部２と、学習モデル選択部３と、予測値算出部４とを備える。

木構造モデル生成部２は、予め学習用データを用いて、複数の学習モデルを生成するとともに、その複数の学習モデルの中から学習モデルを選択するための木構造モデルを生成する。

図２は、学習用データの例を示す説明図である。学習用データは、予測用データで採用されている各説明変数の値と、その各説明変数の値に対応する、既に得られた実績値（本実施形態では、イベント会場にいる者の人数の実績値）との組の集合である。図２に示す例では、学習用データにおいて、説明変数として、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」、「過去一週間の平均気温」および「過去一週間の来場者数」を用いている場合を示している。学習用データにおいて、「大型連休に該当するか否か」は、実績値の測定日が大型連休に該当するか否かを意味している。実績値の測定日が大型連休に該当する場合の値が“１”であり、該当しない場合の値が“０”である。「休日・祝日に該当するか否か」に関しても同様である。また、「過去一週間」とは、実績値の測定日を基準とする過去一週間を意味する。図２に示す１行分のデータが１組のデータに該当する。図２では２組のデータのみを図示しているが、学習用データは、多数の組のデータを含んでいる。

なお、「説明変数」とは、予測の際にパラメータとして用いるデータを表す変数である。また、予測対象を表す変数を「目的変数」と呼ぶ。本実施形態では、イベント会場にいる者の人数が目的変数となる。

木構造モデル生成部２は、例えば、図２に例示する学習用データを用いて、複数の学習モデルや木構造モデルを生成する。学習用データは、例えば、人数予測システム１が備える記憶装置（図１において図示略）に予め記憶させておけばよい。そして、木構造モデル生成部２は、その記憶装置から学習用データを読み込めばよい。

学習モデルは、予測用データが与えられたときに予測値（本実施形態では、イベント会場にいる者の人数の予測値）を導出するためのモデルである。学習モデルに予測用データを適用することにより、イベント会場にいる者の人数の予測値が得られる。学習モデルは、例えば、学習用データから導出された、説明変数と目的変数との間に成り立つ規則性を示す情報である。学習モデルは、例えば、予測式の形式で生成される。この場合、予測用データがその予測式の説明変数に代入されることによって、イベント会場にいる者の人数の予測値が算出される。ここでは、学習モデルが予測式の形式である場合を例にしたが、学習モデルの形式は予測式であるとは限らない。

木構造モデル生成部２によって生成される木構造モデルは、複数の学習モデルの中から、予測用データに応じた学習モデルを選択するためのモデルである。また、この木構造モデルは、二分木の木構造となっている。以下、この木構造モデルを選択モデルと記す。図３は、選択モデルの例を示す模式図である。選択モデルは、学習モデルを葉ノードとしている。また、選択モデル内の葉ノード以外の各ノードには、予測用データに関する条件が定められている。この条件を門関数と称する場合もある。また、選択モデル内の葉ノード以外の各ノードには、２つの子ノードが存在する。なお、図３では、ノードを区別するための符号Ｎ１〜Ｎ９を便宜的に図示している。

木構造モデル生成部２は、学習モデルを葉ノードとする選択モデルや各学習モデルを生成すると、その選択モデルおよび各学習モデルを学習モデル選択部３に入力する。

学習モデル選択部３には、予測用データが入力される。図４は、予測用データの例を示す説明図である。図４に示す例では、２つの予測用データを例示している。図４(ａ)および図４（ｂ）は、それぞれ１つの予測用データを示している。前述のように、学習用データは、予測用データで採用されている各説明変数の値と、その各説明変数の値に対応する実績値を含んでいる（図２参照）。従って、予測用データで用いられる説明変数と、学習用データで用いられる説明変数とは共通である。図４に示す例では、予測用データが説明変数として、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」、「過去一週間の平均気温」および「過去一週間の来場者数」を用いている場合を示している。ただし、予測用データでは、「大型連休に該当するか否か」は、人数の予測対象日が大型連休に該当するか否かを意味している。人数の予測対象日が大型連休に該当する場合の値が“１”であり、該当しない場合の値が“０”である。「休日・祝日に該当するか否か」に関しても同様である。また、予測用データにおける「過去一週間」とは、人数の予測対象日を基準とする過去一週間を意味する。

なお、学習用データや予測用データで用いられる説明変数は、図２や図４で例示する説明変数に限定されない。例えば、「過去一定期間の平均降水量」、「過去一定期間におけるイベントのＷｅｂサイトへのアクセス数」、「過去一定期間前の時点におけるイベントの予約者数」等を説明変数として用いてもよい。また、「曜日」等が説明変数として用いられていてもよい。「曜日」は、学習用データでは、実績値の測定日の曜日を意味し、予測用データでは、人数の予測対象日の曜日を意味する。

学習モデル選択部３は、１つの予測用データが入力されると、その予測用データに応じて、選択モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する。より具体的には、学習モデル選択部３は、選択モデルの根ノードを起点として、ノードが示す条件を予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿る。そして、学習モデル選択部３は、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択する。学習モデル選択部３は、その予測用データおよび選択した学習モデルを予測値算出部４に入力する。

予測値算出部４は、学習モデル選択部３から予測用データおよび学習モデルが入力されると、その学習モデルにその予測用データを適用することによって、イベント会場にいる者の人数の予測値を算出する。

木構造モデル生成部２、学習モデル選択部３および予測値算出部４は、例えば、人数予測プログラムに従って動作するコンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、例えば、そのコンピュータのプログラム記憶装置（図１において図示略）等のプログラム記録媒体から人数予測プログラムを読み込み、その人数予測プログラムに従って、木構造モデル生成部２、学習モデル選択部３および予測値算出部４として動作する。また、木構造モデル生成部２、学習モデル選択部３および予測値算出部４がそれぞれ別のハードウェアによって実現されていてもよい。

また、人数予測システム１は、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。

また、木構造モデル生成部２を含む学習器と、学習モデル選択部３および予測値算出部４を含む予測器とがそれぞれ別々の装置として実現されていてもよい。

次に、本発明の処理経過の例を説明する。図５は、本発明の処理経過の例を示すフローチャートである。木構造モデル生成部２は、例えば、図２に例示する学習用データを用いて、複数の学習モデルや図３に例示する選択モデルを生成する（ステップＳ１）。ここでは、各学習モデルが予測式である場合を例にして説明する。

木構造モデル生成部２は、例えば、異種混合学習によって、複数の学習モデル、および選択モデルを生成してもよい。この場合、木構造モデル生成部２は、隠れ変数が木構造で表され、その木構造の葉ノードに確率モデルを表す学習モデルが配された構造である階層隠れ構造を設定する。そして、木構造モデル生成部２は、学習用データとその学習モデルとに基づいて、その階層隠れ構造において根ノードから対象ノードまでを結んだ経路に含まれる隠れ変数である経路隠れ変数の変分確率を計算する。さらに、木構造モデル生成部２は、学習用データに基づいて、算出した変分確率に対して学習モデルを最適化する。また、木構造モデル生成部２は、その階層隠れ構造のノードに定められる条件を、そのノードにおける隠れ変数の変分確率に基づいて最適化する。以上のような処理によって、木構造モデル生成部２は、複数の学習モデル、および選択モデルを生成できる。

木構造モデル生成部２が、各学習モデルや選択モデルを生成するアルゴリズムは、異種混合学習に限定されない。例えば、木構造モデル生成部２は、Bayesian Treed Linear Model あるいはDirichlet Process Mixtures of Generalized Linear Models に従って、各学習モデルや選択モデルを生成してもよい。“Bayesian Treed Linear Model ”および“Dirichlet Process Mixtures of Generalized Linear Models ”は、それぞれアルゴリズムの名称である。

また、木構造モデル生成部２は、“Ｗｅｋａ”という名称の機械学習のフリーソフトウェアで採用されているアルゴリズムに従って、各学習モデルや選択モデルを生成してもよい。“Ｗｅｋａ”で採用されている機械学習アルゴリズムには、例えば、“ＬＭＴ”という名称のアルゴリズムや、“Ｍ５Ｐ”という名称のアルゴリズムがある。

木構造モデル生成部２は、生成した各学習モデルおよび選択モデルを学習モデル選択部３に入力する。学習モデル選択部３は、その各学習モデルおよび選択モデルを保持する。

学習モデル選択部３には、予測用データが入力される。予測用データが入力されると、学習モデル選択部３は、その予測用データに応じて、選択モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する（ステップＳ２）。既に説明したように、学習モデル選択部３は、選択モデルの根ノードを起点として、ノードが示す条件を予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿る。そして、学習モデル選択部３は、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択すればよい。

図４（ａ）および図４（ｂ）に例示する各予測用データを例にして、学習モデル選択部３の動作を説明する。また、ステップＳ１で、図３に示す選択モデルが生成されたものとして学習モデル選択部３の動作を説明する。

図４（ａ）に示す予測用データが学習モデル選択部３に入力されたとする。図４（ａ）に示す予測用データは、人数の予測対象日が大型連休に該当することや、予測対象日の過去一週間の平均気温が１６℃であること等を示している。従って、図４（ａ）に示す予測用データは、選択モデルの根ノードＮ１における「大型連休に該当する。」という条件や、ノードＮ４における「過去一週間の平均気温が１９℃未満である。」という条件を満たしている。従って、学習モデル選択部３は、選択モデルの根ノードＮ１から、ノードＮ４、葉ノードＮ８の順にノードを辿り、葉ノードＮ８が示す学習モデル１を選択する（図３参照）。

また、図４（ｂ）に予測用データが学習モデル選択部３に入力されたとする。図４（ｂ）に示す予測用データは、人数の予測対象日が大型連休に該当しないこと、その予測対象日が休日・祝日に該当しないこと、予測対象日の過去一週間の来場者数が２３００人であること等を示している。従って、図４（ｂ）に予測用データは、選択モデルの根ノードＮ１における「大型連休に該当する。」という条件や、ノードＮ２における「休日・祝日に該当する。」という条件は満たさず、ノードＮ３における「過去一週間の来場者数が４０００人未満である。」という条件を満たしている。従って、学習モデル選択部３は、選択モデルの根ノードＮ１から、ノードＮ２、ノードＮ３、葉ノードＮ５の順にノードを辿り、葉ノードＮ５が示す学習モデル２を選択する（図３参照）。

ここでは、図４に示す２つの予測用データを例にして学習モデルの選択動作を説明したが、他の予測用データが入力された場合にも、学習モデル選択部３は、同様の動作で学習モデルを選択する。

学習モデル選択部３は、入力された予測用データおよび選択した学習モデルを予測値算出部４に入力する。

予測値算出部４は、入力された学習モデル（ステップＳ２で選択された学習モデル）に、予測用データを適用することによって、イベント会場にいる者の人数の予測値を算出する（ステップＳ３）。以下に、予測値の算出動作を具体的に説明する。各学習モデルが、以下の式（１）の形式で表される予測式であるものとする。

ｙ＝ａ_１ｘ_１＋ａ_２ｘ_２＋・・・＋ａ_ｎｘ_ｎ＋ｂ 式（１）

ｙは、イベント会場にいる者の人数の予測値を表す目的変数である。ｘ_１〜ｘ_ｎは、説明変数である。ａ_１〜ａ_ｎは、説明変数の係数である。ｂは定数項である。ａ_１〜ａ_ｎおよびｂの値は、予測式毎に（換言すれば、学習モデル毎に）、ステップＳ１で決定されている。

図４では、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」、「過去一週間の平均気温」および「過去一週間の来場者数」という４つの説明変数を例示している。説明を簡単にするため、これらの４つの変数に合わせて、式（１）においてｎ＝４であるものとして説明する。すなわち、予測式が、ｙ＝ａ_１ｘ_１＋ａ_２ｘ_２＋ａ_３ｘ_３＋ａ_４ｘ_４＋ｂである場合を例にして説明する。

「大型連休に該当するか否か」、「休日・祝日に該当するか否か」、「過去一週間の平均気温」および「過去一週間の来場者数」という各説明変数は、それぞれ予測式内の説明変数ｘ_１〜ｘ_４のうちの１つに対応する。予測値算出部４は、ステップＳ２で選択された予測式内の各説明変数ｘ_１〜ｘ_４に、予測用データ内の対応する説明変数の値を代入することによって、人数の予測値を算出する。

なお、図４に例示した「大型連休に該当するか否か」、「休日・祝日に該当するか否か」、「過去一週間の平均気温」および「過去一週間の来場者数」という各説明変数の値は、いずれも数値である。このように、値が数値である説明変数に関しては、予測値算出部４は、その説明変数の値（数値）を、予測式内の対応する説明変数に代入すればよい。

なお、説明変数が値として項目をとる場合がある。このような説明変数は、カテゴリ型変数と呼ばれる。なお、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」は、カテゴリ型変数に該当するが、本実施形態では、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」をそれぞれ“１”または“０”という数値で示す場合を例にしている。従って、「大型連休に該当するか否か」、「休日・祝日に該当するか否か」に関しては、その値を、ｘ_１〜ｘ_ｎのうち対応する説明変数に代入すればよい。以下、値として数値をとらないカテゴリ型変数について説明する。そのようなカテゴリ型変数の例として、例えば、「曜日」がある。「曜日」を例にすると、カテゴリ型変数「曜日」は、「日曜日」、「月曜日」、・・・等の項目を値としてとる。

１つのカテゴリ型変数の各値は、予測式内の説明変数ｘ_１〜ｘ_ｎのうちの１つに対応する。例えば、カテゴリ型変数である「曜日」の取り得る各値（「日曜日」、「月曜日」等の各項目）は、それぞれ、予測式内の説明変数ｘ_１〜ｘ_ｎのうちの１つに対応する。予測用データ内にカテゴリ型変数の値が含まれている場合、予測値算出部４は、そのカテゴリ型変数の各値に対応する予測式内の各説明変数に、二値（本例では、０と１とする。）のうちいずれかの値を代入する。例えば、予測用データ内に説明変数として「人数の予測対象日の曜日」が含まれ、その曜日の値が「月曜日」であるとする。この場合、予測値算出部４は、月曜日に対応する予測式内の説明変数に１を代入し、月曜日以外の各曜日に対応する予測式内の各説明変数に０を代入する。従って、カテゴリ型変数に該当する説明変数の値が予測用データに含まれている場合であっても、予測値算出部４は、人数の予測値を算出することができる。

本発明によれば、所定の場所にいる者の人数を予測するための学習モデルを葉ノードとする選択モデルを木構造モデル生成部２が生成する。そして、学習モデル３は、与えられた予測用データに応じて、選択モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する。さらに、予測値算出部４は、その学習モデルに予測用データを適用することによって、所定の場所にいる者の人数の予測値を算出する。従って、本発明によれば、所定の場所にいる者の人数を予測することができる。

なお、データサイエンティストが学習用データに基づいて各学習モデルおよび選択モデルを生成し、学習モデル選択部３に各学習モデルおよび選択モデルを保持させてもよい。その場合、木構造モデル生成部２が設けられていなくてよく、人数予測システム１は、ステップＳ１を実行せずに、ステップＳ２，Ｓ３を実行すればよい。

上記の実施形態では、所定の場所の例としてイベント会場を例示したが、人数の予測対象となる場所はイベント会場に限定されない。例えば、本発明の予測対象は、遊園地にいる者の人数、電車内にいる者の人数、空港にいる者の人数、小売店にいる者の人数、高速道路上にいる者の人数等であってもよい。

また、本発明は、所定の時間に所定の場所にいる者の人数を予測対象としてもよい。この場合、学習用データには、所定の時間（例えば、１５時等の特定の時間）に所定の場所にいる者の人数の実績値を含めておけばよい。そして、木構造モデル生成部２は、その学習用データを用いて、所定の時間に所定の場所にいる者の人数を予測するための学習モデルを葉ノードとする選択モデルを生成する。学習モデル選択部３の動作は、上記の実施形態で説明した動作と同様である。予測値算出部４は、学習モデル選択部３に選択された学習モデルに予測用データを適用することによって、所定の時間に所定の場所にいる者の人数の予測値を算出する。この場合、学習モデルの目的変数が上記の実施形態と異なっているが、木構造モデル生成部２や予測値算出部４の動作は、上記の実施形態で説明した動作と同様である。

また、本発明は、所定の場所にいる所定の属性の者の人数を予測対象としてもよい。属性の例として、例えば、性別、年齢、国籍等が挙げられるが、所定の属性はこれらに限定されない。この場合、学習用データには、所定の場所にいる所定の属性の者（例えば、２０代の者）の人数の実績値を含めておけばよい。そして、木構造モデル生成部２は、その学習用データを用いて、所定の場所にいる所定の属性の者の人数を予測するための学習モデルを葉ノードとする選択モデルを生成する。学習モデル選択部３の動作は、上記の実施形態で説明した動作と同様である。予測値算出部４は、学習モデル選択部３に選択された学習モデルに予測用データを適用することによって、所定の場所にいる所定の属性の者の人数の予測値を算出する。この場合、学習モデルの目的変数が上記の実施形態と異なっているが、木構造モデル生成部２や予測値算出部４の動作は、上記の実施形態で説明した動作と同様である。

また、本発明は、所定の時間に所定の場所にいる所定の属性の者の人数を予測対象としてもよい。

図６は、本発明の実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、入力デバイス１００６とを備える。入力デバイス１００６は、予測用データを入力するための入力インタフェースである。

本発明の人数予測システム１は、コンピュータ１０００に実装される。人数予測システム１の動作は、プログラムの形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って上記の処理を実行する。

補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。

また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。

次に、本発明の人数予測システムの概要を説明する。図７は、本発明の人数予測システムの概要を示すブロック図である。本発明の人数予測システムは、木構造モデル生成手段７２と、学習モデル選択手段７３と、予測値算出手段７４とを備える。

木構造モデル生成手段７２（例えば、木構造モデル生成部２）は、予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木の木構造モデル（例えば、選択モデル）を、学習用データを用いて生成する。

学習モデル選択手段７３（例えば、学習モデル選択部３）は、予測用データが入力されたときに、当該予測用データに応じて、木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する。

予測値算出手段７４（例えば、予測値算出部４）は、選択された学習モデルに予測用データを適用することによって、所定の場所にいる者の人数の予測値を算出する。

そのような構成によって、所定の場所にいる者の人数を予測することができる。

また、木構造モデル生成手段７２が、所定の時間に所定の場所にいる者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、予測値算出手段７４が、選択された学習モデルに予測用データを適用することによって、所定の時間に所定の場所にいる者の人数の予測値を算出してもよい。

また、木構造モデル生成手段７２が、所定の場所にいる所定の属性の者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、予測値算出手段７４が、選択された学習モデルに予測用データを適用することによって、所定の場所にいる所定の属性の者の人数の予測値を算出してもよい。

また、木構造モデル生成手段７２が、イベント会場にいる者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、予測値算出手段７４が、選択された学習モデルに予測用データを適用することによって、イベント会場にいる者の人数の予測値を算出してもよい。

また、木構造モデル生成手段７２が、隠れ変数が木構造で表され、当該木構造の葉ノードに確率モデルを表す学習モデルが配された構造である階層隠れ構造を設定し、学習用データと学習モデルとに基づいて、階層隠れ構造において根ノードから対象ノードまでを結んだ経路に含まれる隠れ変数である経路隠れ変数の変分確率を計算し、学習用データに基づいて、算出した変分確率に対して学習モデルを最適化し、階層隠れ構造のノードに定められる条件を、当該ノードにおける隠れ変数の変分確率に基づいて最適化することによって、木構造モデルを生成してもよい。

産業上の利用の可能性

本発明は、所定の場所にいる者の人数を予測する人数予測システムに好適に適用される。

１ 人数予測システム
２ 木構造モデル生成部
３ 学習モデル選択部
４ 予測値算出部

Claims (7)

1. 予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成する木構造モデル生成手段と、
   予測用データが入力されたときに、当該予測用データに応じて、前記木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する学習モデル選択手段と、
   選択された学習モデルに前記予測用データを適用することによって、前記所定の場所にいる者の人数の予測値を算出する予測値算出手段とを備え、
   前記学習モデル選択手段は、
   前記木構造モデルの根ノードを起点として、ノードが示す条件を前記予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿り、葉ノードに到着したときに、前記葉ノードが示す学習モデルを選択する
   ことを特徴とする人数予測システム。
2. 木構造モデル生成手段は、所定の時間に所定の場所にいる者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、
   予測値算出手段は、選択された学習モデルに予測用データを適用することによって、前記所定の時間に前記所定の場所にいる者の人数の予測値を算出する
   請求項１に記載の人数予測システム。
3. 木構造モデル生成手段は、所定の場所にいる所定の属性の者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、
   予測値算出手段は、選択された学習モデルに予測用データを適用することによって、前記所定の場所にいる前記所定の属性の者の人数の予測値を算出する
   請求項１または請求項２に記載の人数予測システム。
4. 木構造モデル生成手段は、イベント会場にいる者の人数を予測するための学習モデルを葉ノードとする木構造モデルを生成し、
   予測値算出手段は、選択された学習モデルに予測用データを適用することによって、前記イベント会場にいる者の人数の予測値を算出する
   請求項１から請求項３のうちのいずれか１項に記載の人数予測システム。
5. 木構造モデル生成手段は、隠れ変数が木構造で表され、当該木構造の葉ノードに確率モデルを表す学習モデルが配された構造である階層隠れ構造を設定し、学習用データと前記学習モデルとに基づいて、前記階層隠れ構造において根ノードから対象ノードまでを結んだ経路に含まれる隠れ変数である経路隠れ変数の変分確率を計算し、前記学習用データに基づいて、算出した変分確率に対して前記学習モデルを最適化し、前記階層隠れ構造のノードに定められる条件を、当該ノードにおける隠れ変数の変分確率に基づいて最適化することによって、木構造モデルを生成する
   請求項１から請求項４のうちのいずれか１項に記載の人数予測システム。
6. コンピュータが、
   予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成し、
   予測用データが入力されたときに、当該予測用データに応じて、前記木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択し、
   選択した学習モデルに前記予測用データを適用することによって、前記所定の場所にいる者の人数の予測値を算出し、
   前記学習モデルを選択するときに、
   前記木構造モデルの根ノードを起点として、ノードが示す条件を前記予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿り、葉ノードに到着したときに、前記葉ノードが示す学習モデルを選択する
   ことを特徴とする人数予測方法。
7. コンピュータに、
   予測用データから所定の場所にいる者の人数を予測するためのモデルである学習モデルを葉ノードとし、葉ノード以外のノードには予測用データに関する条件が定められた二分木のみからなる木構造モデルを、学習用データを用いて生成する木構造モデル生成処理、
   予測用データが入力されたときに、当該予測用データに応じて、前記木構造モデルの個々の葉ノードが示す学習モデルの中から１つの学習モデルを選択する学習モデル選択処理、および、
   選択された学習モデルに前記予測用データを適用することによって、前記所定の場所にいる者の人数の予測値を算出する予測値算出処理を実行させ、
   前記学習モデル選択処理で、
   前記木構造モデルの根ノードを起点として、ノードが示す条件を前記予測用データが満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿らせ、葉ノードに到着したときに、前記葉ノードが示す学習モデルを選択させる
   ための人数予測プログラム。

Images