JP6688149B2 - タクシー需要推定システム - Google Patents

Description

本発明は、タクシーの需要を推定するタクシー需要推定システムに関する。

従来、タクシーの営業実績を示す営業実績データからタクシーの需要を推定するシステムがある。例えば、特許文献１には、タクシーの乗車が見込まれるロケーションを予測するシステムが開示されている。このシステムは、営業実績データからエリアごとにタクシーの乗車確率を算出し、気象条件、他の交通機関の状況、時間など乗車との因果関係にある項目で解析を行う。

特開２０１４−１３０５５２号公報

特許文献１には記載のシステムでは、タクシーの営業がされているエリアにおけるタクシーの需要を推定することはできるものの、タクシーの営業が十分にされていないエリアにおけるタクシーの需要を推定することは難しい。このため、タクシーの営業が十分にされていないエリアについても、タクシーの需要、即ち、タクシーの乗車が見込まれるロケーションを推定することが望まれている。

本発明は、タクシーの営業が十分にされていないエリアについても、タクシーの需要を推定可能なタクシー需要推定システムを提供することを目的とする。

上記の目的を達成するために、本発明に係るタクシー需要推定システムは、エリアごとのタクシーの乗車数を示す乗車情報を取得する乗車情報取得手段と、施設の位置を示す情報を含む施設に関する施設情報を取得する施設情報取得手段と、乗車情報取得手段によって取得された各エリアでの乗車情報、及び施設情報取得手段によって取得された当該各エリア内外の施設に係る施設情報に基づいて、タクシーの需要が見込まれるエリアを推定する推定手段と、推定手段によって推定されたエリアを示す情報を出力する出力手段と、を備える。

本発明に係るタクシー需要推定システムは、施設に着目して、タクシーの需要が見込まれるエリアを推定するので、タクシーの営業が十分にされておらず、タクシーの乗車情報がないエリアについても、タクシーの需要が推定可能である。

施設情報取得手段は、施設の種類を示す情報を含む施設情報を取得し、推定手段は、施設の種類に基づいて、タクシーの需要が見込まれるエリアを推定してもよい。この場合、例えば、タクシーの需要の要因となる施設と同じ種類の施設を有するエリアをタクシーの需要が見込まれるエリアとして推定することができる。

施設情報取得手段は、施設の特徴を示す特徴量を示す情報を含む施設情報を取得し、推定手段は、エリア内の施設の特徴量と、当該エリアでのタクシーの乗車数との関係式を推定し、推定した関係式を用いて、当該エリア外の施設の特徴量から当該エリア外の施設に係るタクシーの乗車数を推定し、推定したタクシーの乗車数から、タクシーの需要が見込まれるエリアを推定してもよい。この場合、例えば、推定したタクシーの乗車数が多い施設が含まれるエリアをタクシーの需要が見込まれるエリアとして推定することができる。

施設情報取得手段は、施設に係る人の数を示す情報を含む施設情報を取得し、推定手段は、エリア外の施設に係る人の数に基づいて、タクシーの需要が見込まれるエリアを推定してもよい。この場合、例えば、施設に係る人の数が多い施設が含まれるエリアをタクシーの需要が見込まれるエリアとして推定することができる。

施設情報取得手段は、施設に係る人の数を示す情報を含む施設情報を取得し、推定手段は、エリア内の施設に係る人の数に基づいて、当該施設から、タクシーの需要が見込まれるエリアの推定に用いるエリア内の施設を抽出してもよい。この場合、例えば、施設に係る人の数が多い施設を推定に用いるエリア内の施設として抽出することができる。この結果、タクシーの需要が見込まれるエリアを精度よく推定することができる。

乗車情報取得手段は、タクシーの乗車位置を示す情報を取得し、乗車位置をクラスタリングして乗車情報を取得してもよい。この場合、タクシーの需要の要因となる施設が同じである乗車情報を一まとまりにして扱うことができる。この結果、タクシーの需要が見込まれるエリアを精度よく推定することができる。

本発明では、タクシーの営業が十分にされていないエリアについても、タクシーの需要を推定可能である。

実施形態に係るタクシー需要推定システムのブロック図である。 サーバのハードウェア構成を示す図である。 事象発生ポイントテーブルの例を示す図である。 営業データの空間クラスタリングについて説明するための図である。 事象発生ポイントクラスタテーブルの例を示す図である。 カテゴリ別平均期待値テーブルの例を示す図である。 高寄与施設リストテーブルの例を示す図である。 施設特徴量テーブルの例を示す図である。 潜在施設リストテーブルの例を示す図である。 タクシー需要推定システムの動作を示すフローチャートである。

以下、図面と共に本発明に係るタクシー需要推定システムの実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

図１は、実施形態に係るタクシー需要推定システムのブロック図である。タクシー需要推定システム（以下、単に「システム」とも言う。）１は、タクシーの需要を推定するためのものであって、具体的には、タクシーの需要が見込まれるエリアを推定するためのコンピュータシステムである。

図２は、タクシー需要推定システムのハードウェア構成を示す図である。図２に示されるように、システム１は、１つ以上のＣＰＵ（Central Processing Unit）１０１、主記憶装置であるＲＡＭ（Random Access Memory）１０２及びＲＯＭ（Read Only Memory）１０３、通信を行うための通信モジュール１０４、並びにハードディスク等の補助記憶装置等のハードウェア１０５を備えるコンピュータを含むものとして構成される。これらの構成要素がプログラム等により動作することにより、図１のシステム１の各機能要素による機能が発揮される。なお、システム１は複数台のコンピュータによるコンピュータシステムによって構成されていてもよい。以下、図１に示される各機能要素及び各データベースについて説明する。

図１に示されるように、システム１は、乗車情報取得部２と、施設情報取得部３と、推定部４と、出力部５と、営業データ記憶部１１と、施設情報記憶部１２と、を備えている。

営業データ記憶部１１は、タクシーの営業データ（営業実績データ）を記憶する装置である。営業データには、乗客がタクシーに乗車した位置である乗車位置を示す、例えば緯度経度からなる乗車位置情報と、乗客がタクシーに乗車した時刻である乗車時刻を示す乗車時刻情報とが含まれる。営業データ記憶部１１は、具体的には、図３に示されるような事象発生ポイントテーブルに営業データを記憶している。営業データ記憶部１１に営業データを記憶させる方法は限定されない。例えば、乗客がタクシーに乗車する度に、各タクシーに備えられた端末が営業データを生成して、生成した営業データを営業データ記憶部１１に通信網を介して送信する構成としてもよい。

乗車情報取得部２は、エリアごとのタクシーの乗車数を示す乗車情報を取得する乗車情報取得手段である。乗車情報取得部２は、タクシーの乗車位置を示す情報を取得し、乗車位置をクラスタリングして乗車情報を取得する。具体的には、まず、乗車情報取得部２は、営業データ記憶部１１から営業データを取得する。乗車情報取得部２は、例えば、１週間ごとに、その前の１週間分の営業データを取得する。乗車情報取得部２は、このように予め定められた所定のタイミングで営業データを取得してもよいし、それ以外のタイミングで営業データを取得してもよい。また、乗車情報取得部２は、営業データ記憶部１１に記憶された営業データのうち、このように予め定められた所定期間の営業データを取得してもよいし、全期間の営業データを取得してもよい。

続いて、乗車情報取得部２は、取得した営業データを曜日及び時間帯ごとに分類（層別）し、分類した営業データを空間クラスタリングする。図４を参照して、営業データの空間クラスタリングについて説明する。図４では、乗車時刻がある曜日及び時間帯である複数の営業データそれぞれの乗車位置が地図上の対応する位置であるポイント（事象発生ポイント）で示されている。乗車情報取得部２は、これらの複数のポイントから、空間的に互いに近い範囲に位置するポイントの集合としてクラスタＣ１〜Ｃ５を生成する。空間クラスタリングは、例えば公知技術のミーンシフト法を用いて行われる。

乗車情報取得部２は、曜日及び時間帯ごとに営業データの空間クラスタリングを行ってクラスタを生成し、生成したクラスタごとに、クラスタの重心位置と、クラスタの大きさと、クラスタ内の事象発生ポイント数、即ちタクシーの乗車数と、を求める。クラスタの重心位置とは、クラスタに含まれる事象発生ポイントの平均位置である。クラスタの大きさとは、クラスタに含まれる事象発生ポイントのうち、重心位置から最も離れた事象発生ポイントと重心位置とがなす距離である。乗車情報取得部２は、図５の事象発生ポイントクラスタテーブルに示すクラスタ情報を生成する。クラスタ情報は、クラスタの重心位置を示す、例えば緯度経度からなる重心位置情報と、曜日と、時間帯と、クラスタを示すクラスタＩＤと、クラスタの大きさと、クラスタ内の事象発生ポイント数と、からなる。

図５は、事象発生ポイントクラスタテーブルの例を示す図である。ここでは、時間帯は１時間ごとに設定されており、例えば、「１」は午前１時台の時間帯（午前１時以降午前２時より前の時間帯）を示している。なお、時間帯は、営業データ数が意味のある数となるように、営業データ数の分布に応じて設定されてもよい。例えば、営業データ数が少ない深夜の時間帯を１つの時間帯としてもよい。また、各時間帯の営業データ数の分布が均等となるように、１日をｎ分割（ｎは自然数）して時間帯を設定してもよい。乗車情報取得部２は、営業データ及びクラスタ情報を推定部４に送出する。

施設情報記憶部１２は、施設（例えばＰＯＩ：point of interest）に関する施設情報を記憶する装置である。施設情報には、施設の位置を示す、例えば緯度経度からなる位置情報、施設の種類を示すカテゴリ、施設の特徴を示す特徴量、施設に係る人の数を示す情報などが含まれる。カテゴリは、例えば、駅、ホテル、モール、病院、大使館、寺、博物館等である。特徴量については後述する。施設情報記憶部１２は、施設ごとにこれらの施設情報を対応付けて記憶している。施設情報記憶部１２に施設情報を記憶させる方法は限定されない。例えば、システム１０の管理者が予め施設情報記憶部１２に施設情報を記憶させる構成とすることができる。

具体的には、施設情報記憶部１２は、施設に係る人の数を示す情報として、施設へのチェックイン数を記憶している。チェックインとは、ＳＮＳ（Social Networking Service）の利用ユーザが特定施設を訪問したことを知らせるために行う投稿である。チェックイン数が多い施設は、このような投稿が多く行われた施設であるため、チェックイン数は、施設の人気度を示すパラメータと考えることができる。チェックイン数が多い施設は、多くの人が訪れる施設であるため、タクシー需要の要因となり得る。チェックイン数は、曜日及び時間帯等によらず、施設より一意に特定される値である。なお、チェックイン数は、当該ＳＮＳにより一般に公開されているので、例えば、システム１０の管理者がチェックイン数を入手して、他の施設情報と共に、予め施設情報記憶部１２に記憶させる構成とすることができる。あるいは、施設情報記憶部１２は、施設のチェックイン数の情報を保持しているＳＮＳのサーバから、当該情報を取得してもよい。

施設情報取得部３は、施設の位置を示す情報、施設の種類を示す情報、施設の特徴を示す情報、及び施設に係る人の数を示す情報を含む施設に関する施設情報を取得する施設情報取得手段である。具体的には、施設情報取得部３は、施設情報記憶部１２から施設情報を取得する。施設情報取得部３は、乗車情報取得部２が乗車情報を取得するのと同期して、予め定められた所定のタイミングで施設情報を取得してもよいし、それ以外のタイミングで施設情報を取得してもよい。施設情報取得部３は、取得した施設情報を推定部４に送出する。

推定部４は、乗車情報取得手段によって取得された各エリア（クラスタ）での乗車情報、及び施設情報取得手段によって取得された当該各エリア内外の施設に係る施設情報に基づいて、タクシーの需要が見込まれるエリアを推定する推定手段である。施設情報には、施設の種類を示すカテゴリの情報が含まれる。まず、推定部４は、乗車情報取得部２からクラスタ情報を入力すると共に、施設情報取得部３から施設情報を入力する。続いて、推定部４は、入力した施設情報及びクラスタ情報に基づき、施設情報により示される施設の中から、クラスタ情報により示されるクラスタごとに、クラスタ内の施設を検出する。クラスタ内の施設とは、クラスタの重心位置からクラスタの大きさである距離ｄの範囲（クラスタの重心位置を中心、距離ｄを半径とする円）内に位置する施設である。ここで、推定部４は、クラスタのうち、上記の推定に用いるクラスタを抽出してもよい。例えば、クラスタに含まれる営業データの数が上位の予め設定した数のクラスタ（即ち、よくタクシーが乗車されているクラスタ）を上記の推定に用いるクラスタとしてもよい。

続いて、推定部４は、クラスタ内の施設の特徴量と、当該クラスタでのタクシーの乗車数との関係式（需要推定関数）を推定する。ここで、タクシー乗車に寄与する可能性が低い施設に基づき推定した関係式によれば、タクシーの営業が十分にされていないエリアの施設についてのタクシー乗車数の推定精度が低下する可能性がある。そこで、推定部４は、エリア内の施設に係る人の数に基づいて、当該施設から、タクシーの需要が見込まれるエリアの推定に用いる施設を抽出する。具体的には、推定部４は、クラスタ内の施設の中から、特に、施設のチェックイン数及びカテゴリに着目して、タクシー乗車に寄与する可能性が高い施設である高寄与施設を抽出する高精度化フィルタ処理を行う。高精度化フィルタ処理によれば、タクシー乗車に寄与する可能性が低い施設を排除することができる。

高精度化フィルタ処理について説明する。推定部４は、乗車情報取得部２から営業データを入力する。推定部４は、営業データに基づき、クラスタ情報により示される全クラスタ内の全施設のそれぞれから予め定められた所定距離（例えば１００ｍ以下）の範囲（施設を中心、所定距離を半径とする円）内で発生したタクシー乗車数の平均値である平均期待値をカテゴリ、曜日及び時間帯ごとに求める。推定部４は、求めた平均期待値をカテゴリ、曜日及び時間帯と対応づけて、図６に示されるようなカテゴリ別平均期待値テーブルに記憶する。続いて、推定部４は、クラスタ内の施設ごとに、対応するカテゴリ、曜日及び時間帯におけるタクシーの乗車への寄与度を下式（１）から求める。ただし、クラスタ内の施設の数をｎ（ｎは自然数）、チェックイン数をｘ_ｐ、平均期待値をｘ_ｅ、寄与度をｘ_ｃとする。なお、チェックイン数が０の施設は寄与度の計算から除外される。すなわち、ｘ_ｐ＝０の場合は下記式（１）によらず、ｘ_ｃ＝０とされる。また、クラスタ内の全施設の寄与度の総和が１となるように、寄与度をクラスタ内の全施設の寄与度の総和で割って正規化してもよい。
ｘ_ｃ＝ｌｏｇ（ｘ_ｐ）＊ｘ_ｅ （１）

推定部４は、クラスタごとに、寄与度が上位Ｎ（Ｎは予め設定された自然数）件の施設を高寄与施設として抽出する。このような高精度化フィルタ処理によれば、人気度だけでなく、カテゴリ、曜日及び時間帯が考慮されるので、高寄与施設を高い精度で抽出することができる。例えば、金曜、深夜の時間帯において、駅、ハンバーガーショップ、及びバーが同じクラスタ内の施設として検出された場合、高精度化フィルタ処理を行うことにより、駅及びバーを高寄与施設として抽出することができる。なお、推定部４が施設の営業時間を予め記憶しておき、営業時間外の場合は高精度化フィルタ処理によりその施設を除外するように構成してもよい。推定部４がこのようにして抽出した高寄与施設を示す高寄与施設情報は、図７に示されるような高寄与施設リストテーブル（ＰＯＩリストテーブル）の情報である。高寄与施設情報には、高寄与施設の名称、高寄与施設の位置情報、チェックイン数、及びカテゴリ、曜日、時間帯、及びクラスタＩＤが含まれる。

続いて、推定部４は、各高寄与施設の特徴量を説明変数（ｘ）に設定すると共に、各高寄与施設に対応するクラスタでのタクシーの乗車数を目的変数（ｙ）に設定して、高寄与施設の特徴量とタクシーの乗車数との関係式を曜日、時間帯及び施設のカテゴリごとに推定する。説明変数とする高寄与施設の特徴量は、例えば、最も近い学校までの距離（ｘ０）、最も近い商業施設までの距離（ｘ１）、最も近い駅までの距離（ｘ２）、最も近い駅の一日の電車本数（ｘ３）、最も近いバス停までの距離（ｘ４）、最も近いバス停の一日のバスの本数（ｘ５）、平日の時間帯（朝、昼、夕、夜、深夜）ごとの人口（ｘ６_１，ｘ６_２，・・・）、平日休日の差分人口（ｘ７）、及び世代別（０代、１０代、２０代、３０代・・・９０代以上）人口（ｘ８_０，ｘ８_１，・・・，ｘ８_９）である。人口に関するデータ（ｘ６，ｘ７及びｘ８）は、例えば、政府公表値であってもよいし、携帯電話の運用データから日本全国の属性別人口を時間帯別に推計したモバイル空間統計のデータからメッシュごとに計算したものであってもよい。ｘ６について、推定部４は、例えば、推定する対象となる時間帯以外の時間帯の特徴量の重みを減らして関係式を推定してもよいし、推定する対象となる時間帯が予め決まっていれば、ｘ６として、対応する特徴量のみを説明変数に設定してもよい。また、推定する対象が平日であれば、推定部４は、例えば、ｘ７の重みを減らして関係式を推定してもよいし、ｘ７を説明変数に設定しなくてもよい。関係式の推定は、具体的には、これらの説明変数（ｘ０〜ｘ８）を線形結合形式で表現し、回帰分析により各説明変数に係るパラメータを学習することにより行われる。回帰分析には、一般的に重回帰分析、Random Forest、Support Vector Regressionなどが用いられる。高寄与施設を含む各施設の特徴量は、上述のように、施設情報記憶部１２が予め記憶している。施設情報記憶部１２は、例えば、図８に示される施設特徴量テーブルに各施設の名称と特徴量とを対応付けて記憶している。

続いて、推定部４は、推定した関係式を用いて、エリア外の施設の特徴量からエリア外の施設に係るタクシーの乗車数を推定し、推定したタクシーの乗車数に基づいて、タクシーの需要が見込まれるエリアを推定する。具体的には、推定部４は、施設情報により示される施設の中から、クラスタ情報により示されるクラスタに含まれない施設をエリア外の施設として検出する。推定部４は、曜日、時間帯及びカテゴリごとに推定した関係式を用いて、曜日、時間帯及びカテゴリごとにエリア外の施設それぞれについてタクシーの乗車数を推定乗車数として算出する。

推定部４は、エリア外の施設のうち、算出された乗車数（スコア）が予め設定された閾値以上の施設をタクシー需要の要因となり得る潜在的な施設として抽出する。推定部４は、当該施設を含むエリア、例えば、当該施設の近傍のエリアを、タクシーの需要が見込まれるエリアと推定する。推定部４が抽出した潜在的な施設を示す情報である潜在施設情報は、図９に示されるような潜在施設リストテーブルの情報である。潜在施設情報には、施設の名称、曜日、時間帯、位置情報、カテゴリ、及び推定乗車数が含まれる。推定部４は、生成した潜在施設情報を出力部５に送出する。

出力部５は、推定手段によって推定された施設を示す情報を、タクシーの需要が見込まれるエリアを示す情報として出力する出力手段である。具体的には、出力部５は、推定部４から潜在施設情報を入力し、例えば、通信網を介して各タクシーに備えられた端末に潜在施設情報を配信してもよい。なお、出力部５は、これ以外の手段で潜在施設情報を出力してもよい。

図１０は、タクシー需要推定システムの動作を示すフローチャートである。図１０に示されるように、まず、システム１は、予め定められた所定のタイミングで、乗車情報取得部２により営業データを営業データ記憶部１１から取得して、クラスタを生成すると共に（Ｓ１１）、施設情報取得部３により施設情報を施設情報記憶部１２から取得する（Ｓ１２）。次に、システム１は、施設情報及びクラスタ情報に基づき、推定部４によりクラスタ内の施設を検出し、検出した施設の中から高寄与施設を抽出する（Ｓ１３）。続いて、システム１は、推定部４により、高寄与施設の特徴量とタクシーの乗車数との関係式を推定し（Ｓ１４）、推定した関係式を用い、エリア外の施設についてタクシーの推定乗車数を算出する（Ｓ１５）。更に、システム１は、推定部４により、タクシーの推定乗車数に基づいて、潜在的な施設を抽出する（Ｓ１６）。システム１は、出力部５により、潜在施設情報を出力する（Ｓ１７）。

以上説明したように、システム１により出力される潜在施設情報は、タクシー需要の要因となり得る潜在的な施設を示す情報である。システム１が潜在施設情報を出力することは、システム１が潜在的な施設の周辺をタクシーの需要が見込まれるエリアとして推定することに相当する。このように、システム１は、施設に着目してタクシーの需要が見込まれるエリアを推定するので、タクシーの営業が十分にされておらず、営業データがないエリアについても、タクシーの需要が推定可能である。システム１は、高精度フィルタ化処理を行うので、人気度だけでなく、カテゴリ、曜日及び時間帯を考慮して、タクシーの需要が見込まれるエリアの推定に用いる高寄与施設を抽出することができる。この結果、タクシーの需要が見込まれるエリアを精度よく推定することができる。また、システム１は、営業データに含まれる事象発生ポイントをクラスタリングしてクラスタを生成する。このため、タクシーの需要の要因となる施設が同じであるタクシーの乗車情報を一まとまりにして扱うことができる。この結果、タクシーの需要が見込まれるエリアの推定を更に精度よく推定することができる。

以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、または他のものに適用したものであってもよい。

例えば、システム１は、管理者がリクエストしたタイミングで、その時点のタクシーの需要を推定してもよい。具体的には、システム１は、その時点からの予め定められた所定時間を推定対象の時間帯として潜在施設情報を出力する。例えば、その時点が水曜日の午後１時であった場合、システム１は、水曜日の午後１時台を推定対象の時間帯とする。このように推定対象の曜日及び時間帯が１つであるため、システム１の処理負荷が低減される。ここで、推定部４は、エリア外の施設の中から、タクシー需要の要因となり得る潜在的な施設を抽出する際に、単に、算出された乗車数（スコア）が予め設定された閾値以上の施設を抽出するのではなく、算出された乗車数（スコア）が予め設定された閾値以上、かつ、人流データ数が予め設定された閾値以上の施設を抽出してもよい。人流データ数とは、その時点から直近ｔ分間に施設周辺に滞在した人の数である。人流データ数によれば、直近の施設の状況をシステム１の推定結果に反映させることができる。

例えば、ユーザが所持しているスマートフォンが、定期的（例えば、数分ごと）に測位を行って、測位によって得られたスマートフォンログをシステム１に送信するようにしておく。推定部４は、スマートフォンのＧＰＳやＷｉＦｉ等の測位点抽出機能により取得される位置情報を含むスマートフォンログを受信して、当該スマートフォンログから、施設から予め定められた所定距離（例えば１００ｍ以下）の範囲内における直近３０分間の人流データ数を取得する。なお、移動判定をすることで、既に車及び電車等の乗り物で移動を行っている人の数を人流データ数から取り除いてもよい。具体的には、例えば、直近ｔ分以内のスマートフォンログによって求められる速度が閾値以下の人の人流データ数を施設周辺の人流データ数として抽出する。また、滞留判定を行って、人流データ数を算出することとしてもよい。例えば、一定時間以上、上記の範囲に位置している人の人流データ数を施設周辺の人流データ数として抽出する。また、人流データ数をスコアとして、施設からの距離が遠くなるほどスコアへの影響がなくなるように重み付けしてもよい。なお、スマートフォンログを用いて、例えば、１カ月間、１年間の人流データ数の平均値を求め、上述の施設の特徴量における人口に関するデータとすることも可能である。

例えば、システム１は、必ずしも曜日及び時間の両方を考慮しなくてもよい。システム１は、曜日及び時間のいずれか一方のみを考慮してもよいし、曜日及び時間の両方ともを考慮せず、タクシーの需要が見込まれるエリアを推定してもよい。また、システム１は、少なくとも施設情報のいずれか１つを考慮すればよく、必ずしも施設のカテゴリを考慮しなくてもよい。また、乗車情報取得部２は、営業データの空間クラスタリングを行わず、予め定められた矩形のメッシュ領域ごとに営業データを分類してもよい。また、推定部４は、高精度化フィルタ処理を行わず、クラスタ内の施設のうち、例えば、チェックイン数が上位Ｎ件の施設を高寄与施設として抽出してもよい。

また、上述した実施形態では、施設に係る人の数を、算出に用いる処理ごとにチェックイン数及び人流データ数としたが、それらを入れ替えることとしてもよい。即ち、チェックイン数を用いていたところに人流データ数を、人流データ数を用いていたところにチェックイン数を用いてもよい。また、施設に係る人の数は、チェックイン数及び人流データ数以外であってもよい。

１…タクシー需要推定システム、２…乗車情報取得部、３…施設情報取得部、４…推定部、５…出力部。

Claims (5)

1. エリアごとのタクシーの乗車数を示す乗車情報を取得する乗車情報取得手段と、
   施設の位置を示す情報を含む施設に関する施設情報を取得する施設情報取得手段と、
   前記乗車情報取得手段によって取得された各エリアでの乗車情報、及び前記施設情報取得手段によって取得された当該各エリア内外の施設に係る施設情報に基づいて、タクシーの需要が見込まれるエリアを推定する推定手段と、
   前記推定手段によって推定されたエリアを示す情報を出力する出力手段と、
   を備え、
   前記施設情報取得手段は、前記施設の特徴を示す特徴量を示す情報を含む前記施設情報を取得し、
   前記推定手段は、エリア内の施設の特徴量と、当該エリアでのタクシーの乗車数との関係式を推定し、推定した関係式を用いて、当該エリア外の施設の特徴量から当該エリア外の施設に係るタクシーの乗車数を推定し、推定したタクシーの乗車数から、タクシーの需要が見込まれるエリアを推定する、タクシー需要推定システム。
2. 前記施設情報取得手段は、前記施設の種類を示す情報を含む前記施設情報を取得し、
   前記推定手段は、前記施設の種類に基づいて、タクシーの需要が見込まれるエリアを推定する、請求項１に記載のタクシー需要推定システム。
3. 前記施設情報取得手段は、前記施設に係る人の数を示す情報を含む前記施設情報を取得し、
   前記推定手段は、エリア外の施設に係る人の数に基づいて、タクシーの需要が見込まれるエリアを推定する、請求項１又は２に記載のタクシー需要推定システム。
4. 前記施設情報取得手段は、前記施設に係る人の数を示す情報を含む前記施設情報を取得し、
   前記推定手段は、エリア内の施設に係る人の数に基づいて、当該施設から、タクシーの需要が見込まれるエリアの推定に用いる前記エリア内の施設を抽出する、請求項１〜３の何れか一項に記載のタクシー需要推定システム。
5. 前記乗車情報取得手段は、タクシーの乗車位置を示す情報を取得し、乗車位置をクラスタリングして乗車情報を取得する、請求項１〜４の何れか一項に記載のタクシー需要推定システム。

Images