JP6744767B2 - 人流予測装置、パラメータ推定装置、方法、及びプログラム - Google Patents
人流予測装置、パラメータ推定装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP6744767B2 JP6744767B2 JP2016122069A JP2016122069A JP6744767B2 JP 6744767 B2 JP6744767 B2 JP 6744767B2 JP 2016122069 A JP2016122069 A JP 2016122069A JP 2016122069 A JP2016122069 A JP 2016122069A JP 6744767 B2 JP6744767 B2 JP 6744767B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- flow information
- time
- model
- external information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Description
多変量モデルを、制御策推定を目的としたWhat-If予測に応用する際は、実施可能な制御策の候補(シナリオ)が与えられた下で各々のシナリオを外部情報として入力し、予測を行う。制御策としては、例えば、イベント会場において"ある時間帯に追加の小さなプログラムを実施する"、"サイネージで来場者に向けてルート推薦をする"等が考えられる。それぞれの制御策についていくつかのシナリオを生成し、各々のシナリオに基づいてWhat-If予測を行い、予測結果をみてシナリオの効果を評価する。評価基準は、"混雑を平準化したい"、"とにかく人を増やしたい"、"急な人数の増加・減少を防ぎたい"等、希望に合わせて任意に設定すればよい。"ある時間帯に追加の小さなプログラムを実施する"という例なら、追加のイベントを実施する時間帯・場所の組み合わせで複数のシナリオを生成しそれぞれのシナリオに基づいてWhat-If予測を行う。図2、図3に多変量モデルによる予測・What-If 予測の入出力関係と手順を示す。図2が多変量モデルを用いたシンプルな予測、図3が多変量モデルを用いたWhat-If予測に対応している。予測の手続きは大きく学習と推論という2つのフェーズに分けられる。学習時の手続きは、シンプルな予測を行う場合・What-If 予測を行う場合で同一である。人流情報の自己相関・人流情報と外部情報の相互相関を推定する。推論時には、シンプルな予測を行う場合は、学習時と同じく実際の外部情報を入力とし、それに基づいて予測値を算出する。What-If予測を行う場合は、まず、不確定要素の数値についていくつかの仮定を置き、それぞれに基づいたシナリオを生成する。それらのシナリオを外部情報として用い、予測を行うことでWhat-If予測が可能になる。
次に、本発明の第1の実施の形態に係る人流情報予測装置の構成について説明する。図4に示すように、本発明の第1の実施の形態に係る人流情報予測装置100は、CPUと、RAMと、後述する各処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。人流情報予測装置100は、各時刻の人流を表す人流情報と、人流と相関がある各時刻の外部情報とに基づいて、予測対象時刻の人流を予測する。この人流情報予測装置100は、機能的には図4に示すように、入力部10と、人流情報格納部12と、外部情報格納部14と、パラメータ推定部16と、畳み込みモデルパラメータ格納部18と、ガウス過程パラメータ格納部20と、予測部22と、出力部24とを備えている。
に対応するgのベクトル
次に、本発明の第1の実施の形態に係る人流情報予測装置100の作用について説明する。
まず、人流情報予測装置100は、入力部10より人流情報yが入力されると、人流情報yを人流情報格納部12に格納し、入力部10により外部情報gが入力されると、外部情報gを外部情報格納部14に格納する。そして、人流情報予測装置100は、図7に示す学習処理ルーチンを実行する。
次に、図8に示す人流情報予測処理ルーチンについて説明する。
次に、上記第1の実施の形態に係る人流情報予測装置100を用いて、人流情報(エリアごとの人数の時間変化)と外部情報(時間帯別エリア人気度)から近未来のエリア人数を予測し、予測性能を比較した結果を図9に示す。次式で定義される指標を用いて予測性能の評価を行った。
次に、第2の実施の形態に係る人流情報予測装置について説明する。なお、第2の実施の形態に係る人流情報予測装置は、第1の実施の形態と同様の構成となっているため、同一符号を付して説明を省略する。
の巡回行列である。式の形は(14) 式と同じだが、実際の外部情報gの代わりに仮の外部情報g’を用いている点が異なる。
次に、本発明の第2の実施の形態に係る人流情報予測装置100の作用について説明する。
12 人流情報格納部
14 外部情報格納部
16 パラメータ推定部
18 畳み込みモデルパラメータ格納部
20 ガウス過程パラメータ格納部
22 予測部
24 出力部
100 人流情報予測装置
Claims (7)
- 各時刻の人流を表す人流情報と、前記人流と相関がある各時刻の外部情報とを受け付ける入力部と、
前記入力部により受け付けた前記人流情報及び前記外部情報に基づいて、各時刻の前記外部情報による前記人流情報への影響をモデル化した畳み込みモデル、及び過去の各時刻の人流情報による前記人流情報への影響をモデル化したガウス過程モデルの和で表わされる、前記人流情報及び前記外部情報の関係を表す多変量モデルのパラメータを学習するパラメータ推定部と、
を含み、
前記パラメータ推定部は、前記人流情報及び前記外部情報に基づいて、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定する際に、前記畳み込みモデルの畳み込み項を離散化し、以下の(A)式にしがって、前記外部情報を単位時間ずつずらして前記人流情報との相関を算出することにより、単位時間jごとの前記回帰係数βjを推定し、
(A)
推定した単位時間jごとの回帰係数βjと、人流情報yと、外部情報gとに基づいて、(B)式に従って、ガウス過程モデルの値e(t)を計算し、
(B)
前記計算された前記ガウス過程モデルの値e(t)及び各時刻の前記人流情報に基づいて、前記ガウス過程モデルの値e(t)と、過去の各時刻の人流情報との関係を、ガウス過程でフィッティングして、前記ガウス過程モデルのハイパーパラメータを推定し、
前記推定された前記ガウス過程モデルのハイパーパラメータ、前記人流情報、及び前記外部情報に基づいて、(C)式に従って、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定して、(B)式に従って、前記ガウス過程モデルの値を計算することを繰り返す
パラメータ推定装置。
(C)
ただし、Gは、時刻
に対応する外部情報gのベクトル
の巡回行列であり、yは、ベクトル
であり、τjは、j番目の単位時間であり、Λは前記ガウス過程のハイパーパラメータである。 - 各時刻の人流を表す人流情報と、前記人流と相関がある各時刻の外部情報とを受け付ける入力部と、
前記入力部により受け付けた前記人流情報及び前記外部情報に基づいて、各時刻の前記外部情報による前記人流情報への影響をモデル化した畳み込みモデル、及び過去の各時刻の人流情報による前記人流情報への影響をモデル化したガウス過程モデルの和で表わされる、前記人流情報及び前記外部情報の関係を表す多変量モデルのパラメータを学習するパラメータ推定部と、
前記入力部により受け付けた前記人流情報及び前記外部情報と、前記パラメータ推定部によって学習された前記多変量モデルのパラメータとに基づいて、以下の(D)式にしたがって予測対象時刻の人流を予測する予測部と、
(D)
を含み、
前記パラメータ推定部は、前記人流情報及び前記外部情報に基づいて、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定する際に、前記畳み込みモデルの畳み込み項を離散化し、以下の(A)式にしがって、前記外部情報を単位時間ずつずらして前記人流情報との相関を算出することにより、単位時間jごとの前記回帰係数βjを推定し、
(A)
推定した単位時間jごとの回帰係数βjと、人流情報yと、外部情報gとに基づいて、(B)式に従って、ガウス過程モデルの値e(t)を計算し、
(B)
前記計算された前記ガウス過程モデルの値e(t)及び各時刻の前記人流情報に基づいて、前記ガウス過程モデルの値e(t)と、過去の各時刻の人流情報との関係を、ガウス過程でフィッティングして、前記ガウス過程モデルのハイパーパラメータを推定し、
前記推定された前記ガウス過程モデルのハイパーパラメータ、前記人流情報、及び前記外部情報に基づいて、(C)式に従って、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定して、(B)式に従って、前記ガウス過程モデルの値を計算することを繰り返す
人流情報予測装置。 - 前記入力部は、制御シナリオに基づく複数の前記外部情報を受け付け、
前記予測部は、前記受け付けた複数の前記外部情報の各々に対し、前記人流情報と、前記外部情報と、前記多変量モデルとに基づいて、予測対象時刻の人流を予測する請求項2記載の人流情報予測装置。 - 入力部が、各時刻の人流を表す人流情報と、前記人流と相関がある各時刻の外部情報とを受け付け、
パラメータ推定部が、前記入力部により受け付けた前記人流情報及び各時刻の前記外部情報に基づいて、前記外部情報による前記人流情報への影響をモデル化した畳み込みモデル、及び過去の各時刻の人流情報による前記人流情報への影響をモデル化したガウス過程モデルの和で表わされる、前記人流情報及び前記外部情報の関係を表す多変量モデルのパラメータを学習する
ことを含む、パラメータ推定装置が実行するパラメータ推定方法であって、
前記パラメータ推定部は、前記人流情報及び前記外部情報に基づいて、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定する際に、前記畳み込みモデルの畳み込み項を離散化し、以下の(A)式にしがって、前記外部情報を単位時間ずつずらして前記人流情報との相関を算出することにより、単位時間jごとの前記回帰係数βjを推定し、
(A)
推定した単位時間jごとの回帰係数βjと、人流情報yと、外部情報gとに基づいて、(B)式に従って、ガウス過程モデルの値e(t)を計算し、
(B)
前記計算された前記ガウス過程モデルの値e(t)及び各時刻の前記人流情報に基づいて、前記ガウス過程モデルの値e(t)と、過去の各時刻の人流情報との関係を、ガウス過程でフィッティングして、前記ガウス過程モデルのハイパーパラメータを推定し、
前記推定された前記ガウス過程モデルのハイパーパラメータ、前記人流情報、及び前記外部情報に基づいて、(C)式に従って、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定して、(B)式に従って、前記ガウス過程モデルの値を計算することを繰り返す
パラメータ推定方法。 - 入力部が、各時刻の人流を表す人流情報と、前記人流と相関がある各時刻の外部情報とを受け付け、
パラメータ推定部が、前記入力部により受け付けた前記人流情報及び各時刻の前記外部情報に基づいて、前記外部情報による前記人流情報への影響をモデル化した畳み込みモデル、及び過去の各時刻の人流情報による前記人流情報への影響をモデル化したガウス過程モデルの和で表わされる、前記人流情報及び前記外部情報の関係を表す多変量モデルのパラメータを学習し、
予測部が、前記入力部により受け付けた前記人流情報及び前記外部情報と、前記パラメータ推定部によって学習された前記多変量モデルのパラメータとに基づいて、以下の(D)式にしたがって予測対象時刻の人流を予測する
(D)
ことを含む、人流情報予測装置が実行する人流情報予測方法であって、
前記パラメータ推定部は、前記人流情報及び前記外部情報に基づいて、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定する際に、前記畳み込みモデルの畳み込み項を離散化し、以下の(A)式にしがって、前記外部情報を単位時間ずつずらして前記人流情報との相関を算出することにより、単位時間jごとの前記回帰係数βjを推定し、
(A)
推定した単位時間jごとの回帰係数βjと、人流情報yと、外部情報gとに基づいて、(B)式に従って、ガウス過程モデルの値e(t)を計算し、
(B)
前記計算された前記ガウス過程モデルの値e(t)及び各時刻の前記人流情報に基づいて、前記ガウス過程モデルの値e(t)と、過去の各時刻の人流情報との関係を、ガウス過程でフィッティングして、前記ガウス過程モデルのハイパーパラメータを推定し、
前記推定された前記ガウス過程モデルのハイパーパラメータ、前記人流情報、及び前記外部情報に基づいて、(C)式に従って、前記畳み込みモデルのパラメータとして、単位時間ごとの回帰係数を推定して、(B)式に従って、前記ガウス過程モデルの値を計算することを繰り返す
人流情報予測方法。 - 前記入力部が受け付けることでは、制御シナリオに基づく複数の前記外部情報を受け付け、
前記予測部が予測することでは、前記受け付けた複数の前記外部情報の各々に対し、前記人流情報と、前記外部情報と、前記多変量モデルとに基づいて、予測対象時刻の人流を予測する請求項5記載の人流情報予測方法。 - コンピュータを、請求項2若しくは請求項3記載の人流情報予測装置、又は請求項1記載のパラメータ推定装置を構成する各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016122069A JP6744767B2 (ja) | 2016-06-20 | 2016-06-20 | 人流予測装置、パラメータ推定装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016122069A JP6744767B2 (ja) | 2016-06-20 | 2016-06-20 | 人流予測装置、パラメータ推定装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017227994A JP2017227994A (ja) | 2017-12-28 |
JP6744767B2 true JP6744767B2 (ja) | 2020-08-19 |
Family
ID=60891751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016122069A Active JP6744767B2 (ja) | 2016-06-20 | 2016-06-20 | 人流予測装置、パラメータ推定装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6744767B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7006187B2 (ja) | 2017-11-28 | 2022-01-24 | トヨタ自動車株式会社 | 移動体、配車システム、サーバ、及び移動体の配車方法 |
CN111327453B (zh) * | 2020-01-19 | 2023-04-07 | 国网福建省电力有限公司经济技术研究院 | 一种考虑网格化动态、静态分量的通信带宽估算方法 |
CN113240179B (zh) * | 2021-05-18 | 2022-02-11 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
JP7232487B1 (ja) * | 2023-01-10 | 2023-03-03 | 株式会社アドインテ | 推定システム及び推定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045919A (ja) * | 2014-08-27 | 2016-04-04 | 株式会社日立製作所 | 人流動推定システム、方法、およびプログラム |
JP2016085014A (ja) * | 2014-10-29 | 2016-05-19 | 株式会社日立製作所 | 空調制御方法及びシステム |
-
2016
- 2016-06-20 JP JP2016122069A patent/JP6744767B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017227994A (ja) | 2017-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6744767B2 (ja) | 人流予測装置、パラメータ推定装置、方法、及びプログラム | |
US9727671B2 (en) | Method, system, and program storage device for automating prognostics for physical assets | |
Chen | Improving forecasting accuracy of project earned value metrics: Linear modeling approach | |
Srivastava et al. | Software test effort estimation: a model based on cuckoo search | |
Chen et al. | Bayesian Monte Carlo simulation–driven approach for construction schedule risk inference | |
Murphy et al. | Risky planning on probabilistic costmaps for path planning in outdoor environments | |
JP2019040475A (ja) | 人流予測装置、システムおよびプログラム | |
Pereira et al. | A metamodel for estimating error bounds in real-time traffic prediction systems | |
Sun et al. | Reliability-based traffic network design with advanced traveler information systems | |
JP6397380B2 (ja) | 時空間変数予測装置及びプログラム | |
JP6775469B2 (ja) | Odトラヒック予測装置、方法、及びプログラム | |
JP6853955B2 (ja) | 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム | |
Salas-Morera et al. | New approach to the distribution of project completion time in pert networks | |
JP6807822B2 (ja) | 人流量予測装置、方法、及びプログラム | |
JP2018073236A (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
Yang et al. | Theoretical development of stochastic delay analysis and forecast method | |
Wijesuriya et al. | Bayes-adaptive planning for data-efficient verification of uncertain Markov decision processes | |
JP6126516B2 (ja) | 訪問poi推定装置 | |
Okamura et al. | Variational Bayes for phase-type distribution | |
Jasberg et al. | Assessment of prediction techniques: the impact of human uncertainty | |
Ertaç et al. | Forecasting Istanbul monthly temperature by multivariate partial least square | |
JP6558860B2 (ja) | 推定装置、予測装置、方法、及びプログラム | |
CN115222081A (zh) | 学位资源预测方法、装置及计算机设备 | |
JP6433876B2 (ja) | パラメータ推定装置、予測装置、方法、及びプログラム | |
Gralla et al. | Inverting prediction models in micro production for process design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180817 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190917 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191106 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200407 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200609 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200618 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200729 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200731 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6744767 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |