JP6761789B2 - People flow forecasters, systems and programs - Google Patents
People flow forecasters, systems and programs Download PDFInfo
- Publication number
- JP6761789B2 JP6761789B2 JP2017162797A JP2017162797A JP6761789B2 JP 6761789 B2 JP6761789 B2 JP 6761789B2 JP 2017162797 A JP2017162797 A JP 2017162797A JP 2017162797 A JP2017162797 A JP 2017162797A JP 6761789 B2 JP6761789 B2 JP 6761789B2
- Authority
- JP
- Japan
- Prior art keywords
- human flow
- data
- human
- unit
- prediction model
- 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
- 238000000034 method Methods 0.000 claims description 109
- 230000008569 process Effects 0.000 claims description 86
- 230000006870 function Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 18
- 230000000295 complement effect Effects 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 19
- 238000013500 data storage Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000005314 correlation function Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
この発明は、過去の人流等のデータに基づいて将来の人流等を予測する人流予測装置、システムおよびプログラムに関する。 The present invention relates to a human flow predictor, a system and a program for predicting a future human flow or the like based on data of a past human flow or the like.
従来、ビルやテーマパーク、商店街等がある空間(以下、対象空間と称する)において、任意の地点(以下、計測地点と称する)の人の流れ(以下、人流と称する)や通行量を把握して、対象空間内のレイアウト等の設計や空調等の設備の最適運用に生かそうという試みが成されている。 Conventionally, in a space with buildings, theme parks, shopping streets, etc. (hereinafter referred to as the target space), the flow of people (hereinafter referred to as the flow of people) and the traffic volume at any point (hereinafter referred to as the measurement point) can be grasped. Attempts have been made to utilize this in designing layouts in the target space and optimal operation of equipment such as air conditioning.
人流および通行量(以下、人流と通行量を合わせ人流等と称する)を計測する手段としては、カメラによる撮像を利用する手段(例えば、特許文献1、特許文献2を参照)、レーザによる点群を用いる手段(レーザレンジファインダ、レンジスキャナ、レーザスキャナ、以下、総称しLRFと称する)(例えば、非特許文献1を参照)、あるいは、赤外線センサを用いる手段(例えば、非特許文献2を参照)等が提案されている。 As means for measuring the traffic flow and the traffic volume (hereinafter, the traffic volume and the traffic volume are collectively referred to as a human flow or the like), a means using imaging by a camera (see, for example, Patent Document 1 and Patent Document 2), a point group using a laser. Means using (laser range finder, range scanner, laser scanner, hereinafter collectively referred to as LRF) (see, for example, Non-Patent Document 1), or means using an infrared sensor (see, for example, Non-Patent Document 2). Etc. have been proposed.
また、計測した人流等から計測時点以降の人流等を予測する技術としては、エレベータと群衆行動モデルとを組み合わせて人流等を予測する技術(例えば、特許文献3を参照)、対象空間の人流等と相関がある他の空間の人流等をもって対象空間の人流等の予測に代える技術(例えば、特許文献4を参照)、あるいは、群衆行動モデルのような何らかの予測に用いるモデルを曜日・時間帯毎のみで分類し静的に構築して利用する技術(例えば、特許文献5を参照)等が提案されている。 In addition, as a technique for predicting the flow of people after the measurement time from the measured flow of people, a technique of predicting the flow of people by combining an elevator and a crowd behavior model (see, for example, Patent Document 3), a flow of people in a target space, etc. A technique that replaces the prediction of the flow of people in the target space with the flow of people in another space that correlates with (see, for example, Patent Document 4), or a model used for some kind of prediction such as a crowd behavior model for each day and time zone. There have been proposed techniques (see, for example, Patent Document 5) that classify only by categorization and statically construct and use it.
ところが、特許文献3に記載されるような技術は、計測地点で計測された人物の数を対象区域毎に割り振るものであり、例えば商業施設の営業開始前であって人流等の計測が未だなされていない時点では営業時間内の人流等を予測することができない。すなわち、人流等を予測することができるのは、直前に計測されたデータが存在する場合に限られる。同様に、時間が離れた将来の人流等を予測することはできない。 However, the technique described in Patent Document 3 allocates the number of persons measured at the measurement points for each target area. For example, before the start of business of a commercial facility, the measurement of the flow of people and the like is still performed. At that time, it is not possible to predict the flow of people during business hours. That is, it is possible to predict the flow of people and the like only when the data measured immediately before exists. Similarly, it is not possible to predict future flow of people, etc.
そもそも、特許文献3に記載されるような、昇降機など特定の機器の利用者数のみを予測に用いる方法は、例えばエレベータがほとんど利用されない低層の施設には適用できないように、適用可能な施設が制限されてしまうという問題もあった。 In the first place, the method of using only the number of users of a specific device such as an elevator as described in Patent Document 3 for prediction cannot be applied to low-rise facilities where elevators are rarely used, for example. There was also the problem of being restricted.
また、特許文献4に記載されるような技術では、例えば商業施設の営業開始の前後のような人流等が大きく変化するような状況においては、営業開始前の周辺空間のように人物の数が少ない時点のデータをもって営業開始後の混雑時間帯の人流等を予測したとしても、その予測値は精度が低いものとなってしまう。 Further, in the technology described in Patent Document 4, in a situation where the flow of people changes significantly, for example, before and after the start of business of a commercial facility, the number of people is increased as in the surrounding space before the start of business. Even if the data at a small time point is used to predict the flow of people during the busy hours after the start of business, the predicted value will be inaccurate.
また、特許文献5に記載されるような技術では、人流等に影響を及ぼす何らかの変動があるような状況においては、静的に構築されたモデルを使用して、長期間にわたる将来の人流等を安定して正確に予測することは事実上不可能になる。 In addition, in the technology described in Patent Document 5, in a situation where there is some fluctuation that affects the flow of people, etc., a statically constructed model is used to obtain the future flow of people, etc. over a long period of time. It is virtually impossible to make stable and accurate predictions.
この発明は上記事情に着目してなされたもので、その目的とするところは、動的に更新される適切な人流予測モデルに基づいて将来の人流データを予測できる人流予測装置、システムおよびプログラムを提供することにある。 The present invention has been made in view of the above circumstances, and an object of the present invention is to provide a human flow prediction device, system and program capable of predicting future human flow data based on an appropriate dynamically updated human flow prediction model. To provide.
上記課題を解決するためにこの発明の第1の態様は、人が通行する対象空間において、当該対象空間内の対象区画に係る人流データを予測する人流予測装置であって、過去の人流データから将来の人流データを予測するための人流予測モデルを記憶する記憶媒体と、前記対象区画に係る人流データを取得するデータ取得部と、前記人流予測モデルと前記取得された人流データとに基づいて、前記対象区画に係る将来の人流データを予測する人流データ予測部と、前記データ取得部によって取得された過去の複数の人流データから当該各データの特徴量を計算し、当該計算された特徴量と前記取得された人流データとの偏自己相関を表す値を用いた統計的分析処理を実行することによって、所定の条件を満たす特徴量を選択する変数自動選択部と、前記選択された特徴量を将来の人流データを予測するための説明変数として、前記人流予測モデルを学習する人流予測モデル学習機能部とを備えるようにしたものである。 In order to solve the above problem, the first aspect of the present invention is a human flow prediction device that predicts the human flow data related to the target section in the target space in the target space through which a person passes, from the past human flow data. Based on a storage medium that stores a human flow prediction model for predicting future human flow data, a data acquisition unit that acquires human flow data related to the target section, and the human flow prediction model and the acquired human flow data. A human flow data prediction unit that predicts future human flow data related to the target section, and a plurality of past human flow data acquired by the data acquisition unit are used to calculate the feature amount of each data, and the calculated feature amount and the calculated feature amount. By executing a statistical analysis process using a value representing a partial autocorrelation with the acquired human flow data, a variable automatic selection unit that selects a feature amount satisfying a predetermined condition and the selected feature amount are selected. As an explanatory variable for predicting future human flow data, a human flow prediction model learning function unit for learning the human flow prediction model is provided.
この発明の第2の態様は、前記データ取得部が、前記対象空間に関係する物理現象を表す情報およびイベントの実施状況を表す情報の少なくとも一方を含む外部データと、前記対象空間内の施設におけるエネルギ管理に関するエネルギ管理データとのうちの少なくとも一方を、さらに取得し、前記変数自動選択部が、前記対象区画に係る過去の所定期間に取得された人流データから計算される前記特徴量と、前記過去の所定期間に取得された前記外部データおよび前記エネルギ管理データの少なくとも一方から計算される特徴量とをもとに、それぞれ前記統計的分析処理により前記所定の条件を満たす特徴量を選択し、前記人流予測モデル学習機能部が、前記選択された各特徴量を将来の人流データを予測するための説明変数として用いて、前記人流予測モデルを学習し、前記人流データ予測部が、前記学習された人流予測モデルと、前記取得された人流データと、前記取得された前記外部データおよび前記エネルギ管理データの少なくとも一方とに基づいて、前記対象区画に係る将来の人流データを予測するようにしたものである。 In a second aspect of the present invention, the data acquisition unit includes external data including at least one of information representing a physical phenomenon related to the target space and information representing the implementation status of an event, and a facility in the target space. At least one of the energy management data related to the energy management is further acquired, and the variable automatic selection unit obtains the feature amount calculated from the human flow data acquired in the past predetermined period related to the target section, and the feature amount. Based on the feature amount calculated from at least one of the external data and the energy management data acquired in the past predetermined period, the feature amount satisfying the predetermined condition is selected by the statistical analysis process, respectively. The human flow prediction model learning function unit learns the human flow prediction model by using each of the selected feature quantities as an explanatory variable for predicting future human flow data, and the human flow data prediction unit is trained. Based on the above-mentioned human flow prediction model, the acquired human flow data, and at least one of the acquired external data and the energy management data, the future human flow data related to the target section is predicted. Is.
この発明の第3の態様は、前記人流予測モデル学習機能部が、前記取得された前記対象区画に係る人流データを用いて、教師あり学習により前記人流予測モデルを動的に更新するようにしたものである。 In the third aspect of the present invention, the human flow prediction model learning function unit dynamically updates the human flow prediction model by supervised learning using the acquired human flow data related to the target section. It is a thing.
この発明の第4の態様は、前記人流予測装置が、前記取得された前記対象区画に係る人流データが示す値と、当該人流データが取得された時刻について前記対象区画に係り予め予測されている人流データが示す値との差異を計算する差異計算部をさらに備え、前記人流予測モデル学習機能部が、前記計算された差異の値が予め定められた閾値よりも大きい場合に、前記時刻までの期間に取得された少なくとも人流データに基づいて前記人流予測モデルを学習し直すようにしたものである。 In a fourth aspect of the present invention, the person flow prediction device predicts in advance the value indicated by the acquired person flow data related to the target section and the time when the person flow data is acquired in relation to the target section. A difference calculation unit for calculating the difference from the value indicated by the human flow data is further provided, and when the calculated difference value is larger than a predetermined threshold value, the human flow prediction model learning function unit up to the time. The human flow prediction model is retrained based on at least the human flow data acquired during the period.
この発明の第5の態様は、人が通行する対象空間において当該対象空間内の対象区画に係る人流データを予測する人流予測装置であって、過去の人流データから将来の人流データを予測するための人流予測モデルを記憶する記憶媒体と、前記対象区画に係る人流データを取得するデータ取得部と、前記人流予測モデルと前記取得された人流データとに基づいて前記対象区画に係る将来の人流データを予測する人流データ予測部と、前記取得された人流データを少なくとも用いて、前記人流予測モデルを動的に更新する人流予測モデル学習機能部と、前記全体通行量を表すデータと前記対象区画に係る人流データとの関係を表す関係モデルを教師あり学習により生成する補完機能部とを備え、前記人流予測モデル学習機能部が、前記対象区画に係る過去の人流データから算出可能な前記対象空間に係る全体通行量を表すデータをもとに、前記対象空間に係る将来の全体通行量を表すデータを予測する前記人流予測モデルを学習し、前記人流データ予測部が、前記人流予測モデルに基づいて前記対象空間に係る将来の全体通行量を予測し、前記関係モデルと前記予測された前記対象空間に係る将来の全体通行量とに基づいて、前記対象区画に係る将来の人流データを予測するようにしたものである。 A fifth aspect of the present invention is a human flow prediction device that predicts human flow data related to a target section in the target space in which a person passes, in order to predict future human flow data from past human flow data. A storage medium for storing the human flow prediction model, a data acquisition unit for acquiring the human flow data related to the target section, and future human flow data related to the target section based on the human flow prediction model and the acquired human flow data. A human flow data prediction unit that predicts the number of people, a human flow prediction model learning function unit that dynamically updates the human flow prediction model using at least the acquired human flow data, data representing the total traffic volume, and the target section. Bei example a completion unit which generates a supervised learning a relationship model representing the relationship between the human stream data according the pedestrian flow prediction model learning unit, the can be calculated from the past people flow data object space according to the target segments Based on the data representing the total traffic volume according to the above, the human flow prediction model for predicting the data representing the future total traffic volume related to the target space is learned, and the human flow data prediction unit is based on the human flow prediction model. wherein predicting a total traffic amount of the future according to the target space, based on said relationship model and the previous SL entire future according to predicted the target space was traffic amount predicted future human stream data according to the target segments Te It is something that I tried to do.
この発明の第1の態様によれば、対象区画に係る人流データが取得され、動的に更新される人流予測モデルと、取得された人流データとに基づいて、対象区画に係る将来の人流データが予測される。当該人流予測モデルは、取得された人流データを少なくとも用いて動的に更新される。このように、動的に更新される適切な人流予測モデルを利用することにより、将来の人流等を長期間安定して正確に予測することが可能となる。また、適切な人流予測モデルを利用することにより、例えば、施設の営業時間外等を挟むような人流等に不連続性がある時期を含む期間、例えば1日〜数週間の期間であっても、人流等を予測することが可能となる。
また、この発明の第1の態様によれば、取得されたデータから、当該データの特徴量が計算され、当該計算された特徴量と上記取得された人流データとの相関を表す値を用いた統計的分析処理が実行されることによって、所定の条件を満たす特徴量が選択される。上記人流予測モデルは、選択された特徴量を将来の人流データを予測するための説明変数として使用するものとして学習されたものである。このため、人流等を予測するために、取得されたデータから、人流等の予測の精度向上に寄与する説明変数を選択することが可能となる。
According to the first aspect of the present invention, the future people flow data related to the target area is based on the person flow prediction model in which the person flow data related to the target area is acquired and dynamically updated, and the acquired people flow data. Is expected. The flow prediction model is dynamically updated with at least the acquired flow data. In this way, by using an appropriate people flow prediction model that is dynamically updated, it is possible to stably and accurately predict future people flow and the like for a long period of time. In addition, by using an appropriate flow prediction model, for example, even during a period including a period in which there is a discontinuity in the flow of people, such as outside the business hours of the facility, for example, a period of one day to several weeks. , It becomes possible to predict the flow of people.
Further, according to the first aspect of the present invention, the feature amount of the data is calculated from the acquired data, and a value representing the correlation between the calculated feature amount and the acquired human flow data is used. By executing the statistical analysis process, a feature quantity satisfying a predetermined condition is selected. The above-mentioned human flow prediction model has been learned to use the selected features as explanatory variables for predicting future human flow data. Therefore, in order to predict the flow of people and the like, it is possible to select an explanatory variable that contributes to improving the accuracy of the prediction of the flow of people and the like from the acquired data.
この発明の第2の態様によれば、対象空間に関係する物理現象を表す情報およびイベントの実施状況を表す情報の少なくとも一方を含む外部データと、対象空間内の施設におけるエネルギ管理に関するエネルギ管理データとのうちの少なくとも一方がさらに取得される。上記人流予測モデルは、対象区画に係る過去の所定期間に取得された人流データと、過去の所定期間に取得された外部データおよびエネルギ管理データの少なくとも一方とに基づいて学習されたものであり、当該学習された人流予測モデルと、取得された人流データと、取得された外部データおよびエネルギ管理データの少なくとも一方とに基づいて、対象区画に係る将来の人流データが予測される。このように、所定の区画の人流等に大きな影響を及ぼし得る、例えば、複合商業施設における、a)施設内で開催されるイベント等、b)施設内店舗の入れ替え、c)季節商品の物販等、あるいは、公共交通機関に直結する施設等における、d)交通網の遅延や臨時便の状況、e)屋外の天候等のように、さまざまな外的要因による影響を考慮に入れて学習された人流予測モデルを利用することにより、これらの外的要因による影響を考慮に入れて将来の人流等を予測することが可能となる。
さらに、この発明の第2の態様によれば、人流データから計算される特徴量と、外部データおよびエネルギ管理データの少なくとも一方から計算される特徴量とからそれぞれ選択される特徴量を将来の人流データを予測するための説明変数として用いて、前記人流予測モデルが学習される。従って、人流等の予測精度をさらに向上させることが可能となる。
According to the second aspect of the present invention, external data including at least one of information representing a physical phenomenon related to the target space and information representing the implementation status of an event, and energy management data relating to energy management in a facility in the target space. At least one of and is further acquired. The above-mentioned human flow prediction model is trained based on the human flow data acquired in the past predetermined period related to the target section and at least one of the external data and the energy management data acquired in the past predetermined period. Future human flow data related to the target section is predicted based on the learned human flow prediction model, the acquired human flow data, and at least one of the acquired external data and energy management data. In this way, it can have a great influence on the flow of people in a predetermined section, for example, in a commercial complex, a) an event held in the facility, b) replacement of stores in the facility, c) sales of seasonal products, etc. Or, it was learned in consideration of the influence of various external factors such as d) delay of transportation network and situation of extra flights, e) outdoor weather, etc. in facilities directly connected to public transportation. By using the people flow prediction model, it is possible to predict the future people flow, etc., taking into consideration the influence of these external factors.
Further, according to the second aspect of the present invention, the feature amount selected from the feature amount calculated from the human flow data and the feature amount calculated from at least one of the external data and the energy management data is set to the future human flow. The human flow prediction model is trained using it as an explanatory variable for predicting data. Therefore, it is possible to further improve the prediction accuracy of the flow of people and the like.
この発明の第3の態様によれば、取得された対象区画に係る人流データを用いて、教師あり学習により人流予測モデルが動的に更新される。このため、さまざまな外的要因による影響を受けることにより人流予測モデルによる予測の精度が徐々に落ちる場合でも、適当な回数の更新を踏まえることにより、人流予測モデルを、外的要因による影響も反映させたものへとその都度更新することができ、当該人流予測モデルを利用することによって引き続き将来の人流等の予測を精度良く行なうことができる。 According to the third aspect of the present invention, the human flow prediction model is dynamically updated by supervised learning using the acquired human flow data related to the target section. For this reason, even if the accuracy of prediction by the human flow prediction model gradually declines due to the influence of various external factors, the human flow prediction model will reflect the influence of external factors by taking into account the appropriate number of updates. It can be updated each time to the one that has been made, and by using the person flow prediction model, it is possible to continue to accurately predict the future people flow and the like.
この発明の第4の態様によれば、上記取得された上記対象区画に係る人流データが示す値と、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データが示す値との差異が計算される。計算された差異の値が予め定められた閾値よりも大きい場合に、上記時刻までの期間に取得された少なくとも人流データに基づいて人流予測モデルが学習し直される。このため、人流等の予測値が現実の事象から大きく乖離した場合に、現在使用するのに適切な人流予測モデルを学習し直すことができる。 According to the fourth aspect of the present invention, the value indicated by the person flow data related to the acquired target section and the value indicated by the person flow data predicted in advance for the target section with respect to the time when the person flow data was acquired. The difference with is calculated. When the calculated difference value is larger than a predetermined threshold value, the human flow prediction model is retrained based on at least the human flow data acquired in the period up to the above time. Therefore, when the predicted value of the human flow or the like deviates greatly from the actual event, it is possible to relearn the human flow prediction model suitable for the current use.
この発明の第5の態様によれば、上記人流予測モデルは、対象区画に係る過去の人流データから算出可能な上記対象空間に係る全体通行量を表すデータをもとに、上記対象空間に係る将来の全体通行量を表すデータを予測するものであり、当該人流予測モデルに基づいて対象空間に係る将来の全体通行量が予測される。教師あり学習により生成された、対象空間に係る全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データが予測される。このため、例えば、対象区画のセンサが故障等により正常に動作しない場合においても対象区画に係る将来の人流等を継続して予測することが可能となる。また、人流センサの計測精度が低いような場合にも、全体通行量を経由しないで将来の人流データを予測する場合と比較して、精度が向上した将来の人流データの予測が可能となる。 According to the fifth aspect of the present invention, the traffic prediction model relates to the target space based on data representing the total traffic volume of the target space that can be calculated from the past traffic data of the target section. It predicts the data representing the future total traffic volume, and the future total traffic volume related to the target space is predicted based on the traffic prediction model. Based on the relational model that represents the relationship between the data representing the total traffic volume related to the target space and the human flow data related to the target space generated by supervised learning, and the future total traffic volume related to the predicted target space. Therefore, future data on the flow of people related to the target area is predicted. Therefore, for example, even if the sensor of the target section does not operate normally due to a failure or the like, it is possible to continuously predict the future flow of people related to the target section. Further, even when the measurement accuracy of the human flow sensor is low, it is possible to predict the future human flow data with improved accuracy as compared with the case of predicting the future human flow data without passing through the total traffic volume.
すなわちこの発明によれば、動的に更新される適切な人流予測モデルに基づいて将来の人流データを予測できる人流予測装置、システムおよびプログラムを提供することができる。 That is, according to the present invention, it is possible to provide a flow prediction device, a system and a program capable of predicting future flow data based on an appropriate dynamically updated flow prediction model.
以下、図面を参照してこの発明に係る実施形態を説明する。
[第1の実施形態]
(構成)
図1は、この発明の第1の実施形態に係る人流予測装置1の機能構成を示すブロック図である。図1に図示される人流予測装置1は、人が通行する施設等の対象空間において、当該対象空間内に存在する1以上の対象区画毎に、当該対象区画に出入りする人流や通行量等の人流等を表す人流データに基づいて、将来の人流データを予測することができる。
Hereinafter, embodiments according to the present invention will be described with reference to the drawings.
[First Embodiment]
(Constitution)
FIG. 1 is a block diagram showing a functional configuration of the human flow prediction device 1 according to the first embodiment of the present invention. In the target space such as a facility through which people pass, the person flow prediction device 1 illustrated in FIG. 1 determines the flow of people and the amount of traffic entering and exiting the target section for each one or more target sections existing in the target space. Future people flow data can be predicted based on people flow data representing people flow and the like.
センサ2は、対象区画に係る人流データを取得する人流センサと、対象空間に関係する外部データを取得する外部センサとを含んでいる。人流データは、例えば、カメラによる撮像や、レーザによる点群や、赤外線センサ等を用いて取得するものとする。外部データは、例えば、対象空間内または対象空間周辺の、代表点の温度、気温、風速、気圧、降水量、無線アクセスポイントの電波強度データ等の物理現象を表す情報である。なお、外部データは、対象空間に関係する物理現象を表す情報を含むものに限定されず、例えば、対象空間周辺の公共交通機関の特別運行情報等のデータや、対象空間に関係するイベントの実施状況を表す情報等を含むものであってもよい。 The sensor 2 includes a human flow sensor that acquires human flow data related to the target section, and an external sensor that acquires external data related to the target space. The human flow data shall be acquired by, for example, imaging with a camera, a point cloud with a laser, an infrared sensor, or the like. The external data is, for example, information representing a physical phenomenon such as temperature, temperature, wind speed, atmospheric pressure, precipitation, and radio wave intensity data of a wireless access point in or around the target space. Note that the external data is not limited to those containing information representing physical phenomena related to the target space, for example, data such as special operation information of public transportation around the target space and implementation of events related to the target space. It may include information indicating the situation and the like.
ビルエネルギ管理システム(BEMS)3は、例えば、対象空間内の空調の設定温度、ファンコイルユニット(以下、FCUと称する)の電源状態、FCUの熱源のバルブ開度、使用水量、消費電力量等を表すBEMSのデータである、BEMSデータを取得する。なお、以下ではBEMSデータを用いて人流予測処理を実行する例を説明するが、対象空間内の他の施設におけるエネルギ管理に関するエネルギ管理データを用いて人流予測処理を実行するようにしてもよい。 The building energy management system (BEMS) 3 includes, for example, the set temperature of air conditioning in the target space, the power supply state of the fan coil unit (hereinafter referred to as FCU), the valve opening of the heat source of the FCU, the amount of water used, the amount of power consumption, and the like. The BEMS data, which is the BEMS data representing the above, is acquired. In the following, an example of executing the human flow prediction process using the BEMS data will be described, but the human flow prediction process may be executed using the energy management data related to energy management in other facilities in the target space.
本実施形態に係る人流予測装置1は、制御ユニット11と、記憶ユニット12と、外部インタフェースユニット13と、入出力インタフェースユニット14とを備えている。 The person flow prediction device 1 according to the present embodiment includes a control unit 11, a storage unit 12, an external interface unit 13, and an input / output interface unit 14.
外部インタフェースユニット13は、例えば1つ以上の有線または無線の通信インタフェースユニットを含み、センサ2に含まれる人流センサから対象区画に係る人流データを、センサ2に含まれる外部センサから対象空間に関係する外部データを、BEMS3からBEMSデータを取得し、取得された人流データ、外部データ、およびBEMSデータを制御ユニット11へ入力する。 The external interface unit 13 includes, for example, one or more wired or wireless communication interface units, and is related to the human flow data related to the target section from the human flow sensor included in the sensor 2 and the target space from the external sensor included in the sensor 2. BEMS data is acquired from BEMS 3 as external data, and the acquired human flow data, external data, and BEMS data are input to the control unit 11.
入出力インタフェースユニット14は、例えば、キーボードやマウス等を含む入力部4により入力された操作信号等を制御ユニット11へ入力するとともに、制御ユニット11から出力された表示データを表示部5に表示させる。 The input / output interface unit 14 inputs, for example, an operation signal or the like input by the input unit 4 including a keyboard, a mouse, or the like to the control unit 11, and causes the display unit 5 to display the display data output from the control unit 11. ..
記憶ユニット12は、記憶媒体としてHDD(Hard Disc Drive)またはSSD(Solid State Drive)等の随時書き込みおよび読み出しが可能な不揮発メモリを使用したものであり、本実施形態を実現するために使用される記憶領域として、センサデータテーブル記憶部121と、人流予測モデルテーブル記憶部122と、補助的な関係モデルテーブル記憶部123と、人流予測データ記憶部124とを備えている。 The storage unit 12 uses a non-volatile memory such as an HDD (Hard Disc Drive) or SSD (Solid State Drive) that can be written and read at any time as a storage medium, and is used to realize the present embodiment. As a storage area, a sensor data table storage unit 121, a human flow prediction model table storage unit 122, an auxiliary relationship model table storage unit 123, and a human flow prediction data storage unit 124 are provided.
センサデータテーブル記憶部121は、人流データ、外部データ、およびBEMSデータ、ならびに、予測された将来の人流データを記憶させるために使用される。 The sensor data table storage unit 121 is used to store the human flow data, the external data, the BEMS data, and the predicted future human flow data.
人流予測モデルテーブル記憶部122は、過去の人流データから将来の人流データを予測するための人流予測モデルを記憶させるために使用される。 The human flow prediction model table storage unit 122 is used to store a human flow prediction model for predicting future human flow data from past human flow data.
関係モデルテーブル記憶部123は、例えば対象空間への入場者数または出場者数またはその両方である全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルを記憶させるために使用される。 The relational model table storage unit 123 stores, for example, a relational model that represents the relationship between the number of visitors to the target space, the number of participants, or both of the total traffic volume and the traffic data related to the target section. used.
人流予測データ記憶部124は、予測された将来の人流データを記憶させるために使用される。人流予測データ記憶部124に記憶される、予測された将来の人流データは、例えば、順次、センサデータテーブル記憶部121に移動される。なお、予測された将来の人流データは、センサデータテーブル記憶部121に直接記憶させるようにして、記憶ユニット12が人流予測データ記憶部124を備えないものとしてもよい。 The person flow prediction data storage unit 124 is used to store the predicted future person flow data. The predicted future human flow data stored in the human flow prediction data storage unit 124 is sequentially moved to, for example, the sensor data table storage unit 121. The predicted future human flow data may be stored directly in the sensor data table storage unit 121, and the storage unit 12 may not include the human flow prediction data storage unit 124.
制御ユニット11は、CPU(Central Processing Unit)を含み、本実施形態における処理機能を実行するために、データ取得部111と、人流予測部112と、変数自動選択部113と、出力部114とを備えている。 The control unit 11 includes a CPU (Central Processing Unit), and in order to execute the processing function in the present embodiment, the control unit 11 includes a data acquisition unit 111, a human flow prediction unit 112, a variable automatic selection unit 113, and an output unit 114. I have.
データ取得部111は、人流データ取得部1111と、外部データ取得部1112と、BEMSデータ取得部1113と、差異計算部1114とを備えている。 The data acquisition unit 111 includes a human flow data acquisition unit 1111, an external data acquisition unit 1112, a BEMS data acquisition unit 1113, and a difference calculation unit 1114.
人流データ取得部1111は、センサ2のうちの人流センサから対象区画に係る人流データを外部インタフェースユニット13を介して取得し、取得された人流データを記憶ユニット12のセンサデータテーブル記憶部121に記憶させる処理を実行する。 The human flow data acquisition unit 1111 acquires the human flow data related to the target section from the human flow sensor in the sensor 2 via the external interface unit 13, and stores the acquired human flow data in the sensor data table storage unit 121 of the storage unit 12. Execute the process.
外部データ取得部1112は、センサ2のうちの外部センサから対象空間に関係する外部データを外部インタフェースユニット13を介して取得し、取得された外部データを記憶ユニット12のセンサデータテーブル記憶部121に記憶させる処理を実行する。 The external data acquisition unit 1112 acquires external data related to the target space from the external sensor of the sensor 2 via the external interface unit 13, and stores the acquired external data in the sensor data table storage unit 121 of the storage unit 12. Execute the process to memorize.
BEMSデータ取得部1113は、BEMS3からBEMSデータを外部インタフェースユニット13を介して取得し、取得されたBEMSデータを記憶ユニット12のセンサデータテーブル記憶部121に記憶させる処理を実行する。 The BEMS data acquisition unit 1113 acquires BEMS data from the BEMS 3 via the external interface unit 13, and executes a process of storing the acquired BEMS data in the sensor data table storage unit 121 of the storage unit 12.
差異計算部1114は、取得された対象区画に係る人流データを受け取り、記憶ユニット12のセンサデータテーブル記憶部121に記憶される、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データを読み出す処理を実行する。その後、差異計算部1114は、取得された対象区画に係る人流データが示す値と、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データが示す値との差異を計算する処理を実行する。 The difference calculation unit 1114 receives the person flow data related to the acquired target section, and is stored in the sensor data table storage unit 121 of the storage unit 12 for the time when the person flow data is acquired, which is predicted in advance for the target section. Executes the process of reading the existing human flow data. After that, the difference calculation unit 1114 calculates the difference between the value indicated by the person flow data related to the acquired target section and the value indicated by the person flow data predicted in advance for the target section at the time when the person flow data was acquired. Execute the process to be performed.
人流予測部112は、人流予測モデル学習機能部1121と、補助的な測定器補完機能部1122と、人流データ予測部1123とを備えている。 The human flow prediction unit 112 includes a human flow prediction model learning function unit 1121, an auxiliary measuring instrument complementary function unit 1122, and a human flow data prediction unit 1123.
人流予測モデル学習機能部1121は、学習された人流予測モデルに基づく人流予測処理に先立つ人流予測モデル学習モードにおいて、記憶ユニット12のセンサデータテーブル記憶部121に記憶される、過去の所定期間に取得された対象区画に係る人流データと外部データとBEMSデータとを読み出し、読み出された、過去の所定期間に取得された対象区画に係る人流データと外部データとBEMSデータとに基づいて、過去の人流データから将来の人流データを予測するための人流予測モデルを学習し、学習された人流予測モデルを記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる処理を実行する。なお、上記所定期間は任意の期間でありオペレータが設定してもよい。 The human flow prediction model learning function unit 1121 acquires in the past predetermined period stored in the sensor data table storage unit 121 of the storage unit 12 in the human flow prediction model learning mode prior to the human flow prediction processing based on the learned human flow prediction model. The past people flow data, external data, and BEMS data related to the target section are read, and the past is based on the people flow data, external data, and BEMS data related to the target section acquired in the past predetermined period. A process of learning a human flow prediction model for predicting future human flow data from the human flow data and storing the learned human flow prediction model in the human flow prediction model table storage unit 122 of the storage unit 12 is executed. The predetermined period is an arbitrary period and may be set by the operator.
人流予測モデル学習機能部1121は、人流予測モデル学習モードにおいて人流予測モデルが構築された後に、取得された対象区画に係る人流データを受け取り、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される人流予測モデルを読み出し、当該取得された人流データを用いて、読み出された人流予測モデルを教師あり学習により動的に更新し、更新された人流予測モデルを記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる処理を実行する。 The human flow prediction model learning function unit 1121 receives the human flow data related to the acquired target section after the human flow prediction model is constructed in the human flow prediction model learning mode, and stores it in the human flow prediction model table storage unit 122 of the storage unit 12. The human flow prediction model is read out, and the read human flow prediction model is dynamically updated by supervised learning using the acquired human flow data, and the updated human flow prediction model is stored in the human flow prediction model table of the storage unit 12. The process of storing in the storage unit 122 is executed.
人流予測モデル学習機能部1121は、差異計算部1114において計算された、取得された対象区画に係る人流データが示す値と、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データが示す値との差異の値が、予め定められた閾値よりも大きいとの情報を受け取ると、当該人流データが取得された時刻までの期間に取得された人流データと外部データとBEMSデータとに基づいて、人流予測モデルを学習し直し、学習し直された人流予測モデルを記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる処理を実行する。 The person flow prediction model learning function unit 1121 predicts in advance the value indicated by the person flow data related to the acquired target section calculated by the difference calculation unit 1114 and the time when the person flow data is acquired in relation to the target section. When the information that the value of the difference from the value indicated by the human flow data is larger than the predetermined threshold value is received, the human flow data, the external data, and the BEMS data acquired during the period until the time when the person flow data is acquired are received. Based on the above, the human flow prediction model is relearned, and a process of storing the relearned human flow prediction model in the human flow prediction model table storage unit 122 of the storage unit 12 is executed.
人流データ予測部1123は、人流データ予測モードにおいて、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される人流予測モデルを読み出し、読み出された人流予測モデルに基づいて、記憶ユニット12のセンサデータテーブル記憶部121に記憶される人流データと外部データとBEMSデータとから対象区画に係る将来の人流データの予測に使用されるデータを読み出す処理を実行する。その後、人流データ予測部1123は、読み出された人流予測モデルと、読み出されたデータとに基づいて、対象区画に係る将来の人流データを予測し、予測された人流データを記憶ユニット12の人流予測データ記憶部124に記憶させる処理を実行する。なお、当該予測処理は、例えば、入出力インタフェースユニット14を介して入力部4により入力される操作信号等に応じて実行されるようにしてもよい。 In the human flow data prediction mode, the human flow data prediction unit 1123 reads out the human flow prediction model stored in the human flow prediction model table storage unit 122 of the storage unit 12, and based on the read out human flow prediction model, the sensor of the storage unit 12 A process of reading data used for predicting future human flow data related to the target section from the human flow data, external data, and BEMS data stored in the data table storage unit 121 is executed. After that, the human flow data prediction unit 1123 predicts future human flow data related to the target section based on the read human flow prediction model and the read data, and stores the predicted human flow data in the storage unit 12. The process of storing in the human flow prediction data storage unit 124 is executed. The prediction process may be executed, for example, in response to an operation signal or the like input by the input unit 4 via the input / output interface unit 14.
変数自動選択部113は、データ取得部111によって取得されたデータから、当該データの特徴量を計算し、当該計算された特徴量と取得された人流データとの相関を表す値を用いた統計的分析処理を実行することによって、所定の条件を満たす特徴量を選択する処理を実行する。その後、人流予測モデル学習機能部1121は、上記人流予測モデルとして、上記選択された特徴量を、将来の人流データを予測するための説明変数として使用する人流予測モデルを学習する処理を実行することができる。 The variable automatic selection unit 113 calculates the feature amount of the data from the data acquired by the data acquisition unit 111, and statistically uses a value representing the correlation between the calculated feature amount and the acquired human flow data. By executing the analysis process, a process of selecting a feature amount satisfying a predetermined condition is executed. After that, the human flow prediction model learning function unit 1121 executes a process of learning a human flow prediction model that uses the selected feature amount as an explanatory variable for predicting future human flow data as the human flow prediction model. Can be done.
出力部114は、記憶ユニット12の人流予測データ記憶部124に記憶される、上記予測された対象区画に係る将来の人流データを読み出し、読み出された人流データを入出力インタフェースユニット14を介して表示部5に出力して、当該データの情報を表示させる処理を実行する。 The output unit 114 reads the future human flow data related to the predicted target section stored in the human flow prediction data storage unit 124 of the storage unit 12, and reads the read human flow data via the input / output interface unit 14. A process of outputting to the display unit 5 and displaying the information of the data is executed.
測定器補完機能部1122は、例えば、上記人流予測モデルが、過去の人流データから将来の人流データを予測するために、対象区画に係る過去の人流データから算出可能な対象空間に係る全体通行量を表すデータをもとに、対象空間に係る将来の全体通行量を表すデータを予測するためのものであるような場合に利用されるものである。 In the measuring instrument complement function unit 1122, for example, in order for the above-mentioned human flow prediction model to predict future human flow data from past human flow data, the total traffic amount related to the target space that can be calculated from the past human flow data related to the target section. It is used when the data representing the future total traffic volume related to the target space is predicted based on the data representing the above.
そのような人流予測モデルを用いる場合、測定器補完機能部1122は、学習された人流予測モデルに基づく人流予測処理に先立つ関係モデル学習モードにおいて、記憶ユニット12のセンサデータテーブル記憶部121に記憶される、過去の所定期間に取得された対象区画に係る人流データと外部データとBEMSデータとを読み出し、読み出された、過去の所定期間に取得された対象区画に係る人流データと外部データとBEMSデータとに基づいて、上記全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルを教師あり学習により生成し、生成された関係モデルを記憶ユニット12の関係モデルテーブル記憶部123に記憶させる処理を実行する。なお、上記所定期間は任意の期間でありオペレータが設定してもよい。また、測定器補完機能部1122は、人流予測モデル学習機能部1121と同様に、記憶ユニット12の関係モデルテーブル記憶部123に記憶される関係モデルを更新および学習し直す処理を実行することができる。 When such a human flow prediction model is used, the measuring instrument complement function unit 1122 is stored in the sensor data table storage unit 121 of the storage unit 12 in the relational model learning mode prior to the human flow prediction processing based on the learned human flow prediction model. The human flow data, external data, and BEMS data related to the target section acquired in the past predetermined period are read out, and the human flow data, external data, and BEMS related to the target section acquired in the past predetermined period are read out. Based on the data, a relational model showing the relationship between the data representing the total traffic volume and the human flow data related to the target section is generated by supervised learning, and the generated relational model is stored in the relational model table storage unit of the storage unit 12. The process of storing in 123 is executed. The predetermined period is an arbitrary period and may be set by the operator. Further, the measuring instrument complement function unit 1122 can execute a process of updating and relearning the relational model stored in the relational model table storage unit 123 of the storage unit 12, similarly to the human flow prediction model learning function unit 1121. ..
このような場合に、人流データ予測部1123は、人流データ予測モードにおいて、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される人流予測モデルを読み出し、読み出された人流予測モデルに基づいて対象空間に係る将来の全体通行量を予測する。その後、人流データ予測部1123は、記憶ユニット12の関係モデルテーブル記憶部123に記憶される関係モデルを読み出し、読み出された関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データを予測する処理を実行する。 In such a case, the human flow data prediction unit 1123 reads out the human flow prediction model stored in the human flow prediction model table storage unit 122 of the storage unit 12 in the human flow data prediction mode, and based on the read out human flow prediction model. Predict the future total traffic volume for the target space. After that, the human flow data prediction unit 1123 reads out the relational model stored in the relational model table storage unit 123 of the storage unit 12, the read relational model, and the future total traffic volume related to the predicted target space. Based on, the process of predicting the future flow data related to the target section is executed.
(動作)
次に、以上のように構成された人流予測装置1の動作を説明する。
(motion)
Next, the operation of the human flow prediction device 1 configured as described above will be described.
(1)初期状態における人流データ予測処理
本発明の人流予測装置1では、学習された人流予測モデルに基づいて将来の人流データを予測する処理を実行するが、例えば、人流予測モデルが学習される前には、以下に説明するような、予め定められた人流予測モデルに基づいて将来の人流データを予測する処理を実行するようにしてもよい。
(1) Human flow data prediction processing in the initial state The human flow prediction device 1 of the present invention executes a process of predicting future human flow data based on the learned human flow prediction model. For example, a human flow prediction model is learned. Previously, a process of predicting future people flow data may be executed based on a predetermined people flow prediction model as described below.
図2A,2Bは、図1に示した制御ユニット11によって実行される、予め定められた人流予測モデルに基づく将来の人流データの予測処理の一例を示すフロー図である。なお、図2AのステップS101からステップS103までのセンサデータ記憶処理と、図2BのステップS104からステップS107までの人流データ予測処理とを、連続的なフローとして図示および説明しているが、上記人流データ予測処理は、上記センサデータ記憶処理とは関係なく任意のタイミングで実行することができる。例えば、上記人流データ予測処理は、オペレータによって要求された任意のタイミングで実行されるものであってもよい。 2A and 2B are flow charts showing an example of prediction processing of future human flow data based on a predetermined human flow prediction model executed by the control unit 11 shown in FIG. The sensor data storage process from step S101 to step S103 in FIG. 2A and the human flow data prediction process from step S104 to step S107 in FIG. 2B are illustrated and described as a continuous flow. The data prediction process can be executed at an arbitrary timing regardless of the sensor data storage process. For example, the human flow data prediction process may be executed at an arbitrary timing requested by the operator.
最初に、ステップS101において、センサ2のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Iiとともに人流予測装置1へ入力する。なお、識別子Iiは、1つのセンサに対して1つの識別子が設定されるようにしてもよく、また、1つのセンサが複数の計測地点において計測を行なうような場合には、計測地点毎に異なる複数個の識別子が設定されるようにしてもよい。また、識別子Iiは、例えば、センサの設置者が設定するものとする。これらは、本明細書全体を通して例えばセンサの識別子として利用して説明する識別子If,Ie等についても同様である。また、識別子Ii,If,Ie等の各々は任意のセンサを特定するものであってもよく、センサに対応するその都度異なる識別子を表すものであってもよい。 First, in step S101, pedestrian flow sensor of the sensor 2 measures the human flow or the like according to target segments of the sensor in the target space passing a person, pedestrian flow together with the identifier I i of the sensor was measured human stream data Input to the prediction device 1. As the identifier Ii , one identifier may be set for one sensor, and when one sensor measures at a plurality of measurement points, each measurement point may be set. A plurality of different identifiers may be set. Further, the identifier Ii is set by, for example, the installer of the sensor. These identifiers I f to be described by using as an identifier, for example the sensor throughout this specification also applies to I e like. Further, each of the identifiers I i , If f , I e, etc. may specify an arbitrary sensor, or may represent a different identifier corresponding to the sensor each time.
ステップS102において、人流予測装置1の制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、時刻tにおいて上記人流データとともに対応する識別子Iiを取得する。 In step S102, the control unit 11 of the pedestrian flow prediction apparatus 1 under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111 to obtain a corresponding identifier I i with the human stream data at time t.
ステップS103において、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、取得された人流データを識別子Iiと時刻tとともに、記憶ユニット12のセンサデータテーブル記憶部121に記憶させる。なお、当該センサデータテーブル記憶部121において、時刻tにおける識別子Iiにより識別される予測された人流データが記憶されている場合には、そのデータを上書きすることによって取得された人流データを記憶させるものとし、以下でも同様である。ただし、記憶ユニット12において、予測された人流データを記憶させる場所をセンサデータテーブル記憶部121とは異なる場所にしていた場合はこの限りではない。ステップS101からステップS103の処理が繰り返し実行されることによって、1つ以上の任意の数のセンサからの例えば人流データがそれぞれ、対応する識別子および時刻とともに、センサデータテーブル記憶部121に記憶されていく。 In step S103, the control unit 11 stores the acquired human flow data together with the identifier Ii and the time t in the sensor data table storage unit 121 of the storage unit 12 under the control of the human flow data acquisition unit 1111 of the data acquisition unit 111. Let me. Incidentally, in the sensor data table storage unit 121, if the predicted human stream data identified by the identifier I i at time t is stored stores the pedestrian flow data obtained by overwriting the data The same shall apply hereinafter. However, this does not apply if the storage unit 12 stores the predicted human flow data in a location different from that of the sensor data table storage unit 121. By repeatedly executing the processes of steps S101 to S103, for example, human flow data from one or more arbitrary number of sensors are stored in the sensor data table storage unit 121 together with the corresponding identifier and time, respectively. ..
図3は、図1に示した記憶ユニット12のセンサデータテーブル記憶部121に記憶されるセンサデータテーブルの一例を示す図である。センサデータテーブルは、人流データを含むセンサデータの一覧である。図3に示す例では、センサデータとして、計測された時点で対象区画に存在する人の数が記憶されている。なお、センサデータテーブルを論理的あるいは物理的に分けることによって、センサあるいは計測地点あるいは計測時刻等により異なるセンサデータテーブルへ保存するようにしてもよい。目的のデータが記憶されている場所への参照は記憶装置自身が備えるようにしてもよい、あるいは、本発明の各構成要素がデータ要求時に発行する要求文(以下、クエリと称する)にその情報を含めることにより解決してもよい。 FIG. 3 is a diagram showing an example of a sensor data table stored in the sensor data table storage unit 121 of the storage unit 12 shown in FIG. The sensor data table is a list of sensor data including human flow data. In the example shown in FIG. 3, as sensor data, the number of people existing in the target section at the time of measurement is stored. By dividing the sensor data table logically or physically, the sensor data table may be stored in different sensor data tables depending on the sensor, the measurement point, the measurement time, or the like. A reference to a place where the target data is stored may be provided by the storage device itself, or the information may be included in a request statement (hereinafter referred to as a query) issued by each component of the present invention when requesting data. It may be solved by including.
ここで、人流データは、例えば以下に示すものを表すものであるが、これに限定されるものではない。
・例えば1分間など任意の単位時間あたりに測定地点を通過した人の数(以下、通過人数と称する)
・測定地点の半径aメートルの範囲にいる人の数(以下、滞留人数と称する)
・測定地点を通過した人の移動方向
・測定地点として対象空間が外部と接続する計測点であるデータにおいて、例えば上記通過人数などを計測時刻毎に全て加算することで求められる対象空間の全体通行量
続いて、ステップS104において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、予測したい人流データの識別子Ifと予測したい時刻tfを決定し、識別子Ifにより識別される過去n回分の人流データを記憶ユニット12に要求する。なお、当該識別子Ifと時刻tfの決定は、例えば、オペレータが入力部4を介して入力するものであってもよく、以下においても同様である。過去n回分の人流データは、例えば、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される、予め定められた人流予測モデルによって決定される。
Here, the human flow data represents, for example, the following, but is not limited to this.
-The number of people who passed the measurement point per arbitrary unit time such as 1 minute (hereinafter referred to as the number of people who passed)
・ Number of people within a radius of a meter at the measurement point (hereinafter referred to as the number of people staying)
-Movement direction of people who have passed the measurement point-For data that is the measurement point where the target space is connected to the outside as the measurement point, for example, the total passage of the target space obtained by adding all the number of people passing by for each measurement time Quantity Then, in step S104, the control unit 11 determines the identifier If of the human flow data to be predicted and the time t f to be predicted under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112, and the identifier If f determines the identifier If. The storage unit 12 is requested to receive the identified past n times of human flow data. The determination of the identifier If and the time t f may be, for example, input by the operator via the input unit 4, and the same applies to the following. The past n times of human flow data are determined by, for example, a predetermined human flow prediction model stored in the human flow prediction model table storage unit 122 of the storage unit 12.
ステップS105において、記憶ユニット12は、制御ユニット11に対して、要求された過去n回分の人流データを、センサデータテーブル記憶部121から返却する。 In step S105, the storage unit 12 returns the requested past n times of human flow data to the control unit 11 from the sensor data table storage unit 121.
ステップS106において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、返却された過去n回分の人流データを取得し、人流等の最尤推定値として、取得された過去n回分の人流データの平均値を計算して、人流データの予測値とする。 In step S106, the control unit 11 acquires the returned past n times of human flow data under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112, and acquires the acquired past as the maximum likelihood estimation value of the human flow and the like. The average value of the human flow data for n times is calculated and used as the predicted value of the human flow data.
ステップS107において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、上記人流データの予測値を、時刻tfにおける識別子Ifにより識別される人流データの予測値として、記憶ユニット12の人流予測データ記憶部124に記憶させる。 In step S107, the control unit 11, under the control of the human stream data prediction unit 1123 of the pedestrian flow prediction unit 112, a predicted value of the human stream data, as a predictive value for human stream data identified by the identifier I f at time t f, It is stored in the human flow prediction data storage unit 124 of the storage unit 12.
(2)人流予測モデル学習処理
図4A,4Bは、図1に示した制御ユニットによって、学習された人流予測モデルに基づく人流予測処理に先立ち実行される、人流予測モデル学習処理の一例を示すフロー図である。なお、図4AのステップS201からステップS207までのセンサデータ記憶処理と、図4BのステップS208からステップS213までの人流予測モデル学習処理とを、連続的なフローとして図示および説明しているが、上記人流予測モデル学習処理は、上記センサデータ記憶処理とは関係なく任意のタイミングで実行することができる。例えば、上記人流予測モデル学習処理は、オペレータによって要求された任意のタイミングで実行されるものであってもよい。
(2) Human flow prediction model learning process FIGS. 4A and 4B are flows showing an example of a human flow prediction model learning process executed prior to the human flow prediction process based on the learned human flow prediction model by the control unit shown in FIG. It is a figure. The sensor data storage process from step S201 to step S207 in FIG. 4A and the human flow prediction model learning process from step S208 to step S213 in FIG. 4B are illustrated and described as a continuous flow. The human flow prediction model learning process can be executed at an arbitrary timing regardless of the sensor data storage process. For example, the human flow prediction model learning process may be executed at an arbitrary timing requested by the operator.
最初に、ステップS201において、センサ2のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Iiとともに人流予測装置1へ入力する。 First, in step S201, pedestrian flow sensor of the sensor 2 measures the human flow or the like according to target segments of the sensor in the target space passing a person, pedestrian flow together with the identifier I i of the sensor was measured human stream data Input to the prediction device 1.
ステップS202において、人流予測装置1の制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、時刻t1において上記人流データとともに対応する識別子Iiを取得する。 In step S202, the control unit 11 of the pedestrian flow prediction apparatus 1 acquires the corresponding identifier I i under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111, at time t 1 with the human stream data.
一方、ステップS203において、センサ2のうちの外部センサは、対象空間に関係する物理現象を計測し、計測された外部データを当該センサの識別子Iiとともに人流予測装置1へ入力する。なお、外部データは、対象空間に関係する物理現象を表す情報を含むものに限定されず、例えば、対象空間に関係するイベントの実施状況を表す情報等を含むものであってもよく、以下でも同様である。 On the other hand, in step S203, the external sensor of the sensor 2 measures a physical phenomenon related to the target space, the external data measured inputs together with the identifier I i of the sensor to the pedestrian flow prediction apparatus 1. Note that the external data is not limited to those containing information representing physical phenomena related to the target space, and may include, for example, information representing the implementation status of events related to the target space, and may also include the following. The same is true.
ステップS204において、人流予測装置1の制御ユニット11は、データ取得部111の外部データ取得部1112の制御の下、時刻t2において上記外部データとともに対応する識別子Iiを取得する。 In step S204, the control unit 11 of the pedestrian flow prediction apparatus 1 acquires the corresponding identifier I i under the control of an external data acquisition unit 1112 of the data acquisition unit 111, at time t 2 with the external data.
ステップS205において、BEMS3は、対象空間内のBEMSデータを当該データの識別子Iiとともに人流予測装置1へ入力する。なお、BEMSデータの代わりに、対象空間内の他の施設におけるエネルギ管理に関するエネルギ管理データが入力されるようにしてもよく、以下でも同様である。 In step S205, BEMS3 inputs BEMS data in the target space to the pedestrian flow prediction apparatus 1 together with the identifier I i of the data. In addition, instead of the BEMS data, energy management data related to energy management in other facilities in the target space may be input, and the same applies to the following.
ステップS206において、人流予測装置1の制御ユニット11は、データ取得部111のBEMSデータ取得部1113の制御の下、時刻t3において上記BEMSデータとともに対応する識別子Iiを取得する。 In step S206, the control unit 11 of the pedestrian flow prediction apparatus 1 acquires the identifier I i corresponding with the BEMS data in BEMS under the control of the data acquisition unit 1113, the time t 3 of the data acquisition unit 111.
なお、ステップS201からステップS206の各ステップの順序は便宜的なものに過ぎず、ステップS201、ステップS203、およびステップS205の各ステップは任意の順に実行されてもよく、ステップS202、ステップS204、およびステップS206の各ステップはそれぞれ、ステップS201、ステップS203、およびステップS205のうちの対応するステップの後に実行されるものであればよい。また、ステップS203からステップS206は補足的なものであり、各ステップの動作は実行されなくてもよい。 The order of each step from step S201 to step S206 is only for convenience, and each step of step S201, step S203, and step S205 may be executed in any order, and steps S202, step S204, and step S204, and each step may be executed in any order. Each step of step S206 may be executed after the corresponding step of step S201, step S203, and step S205, respectively. Further, steps S203 to S206 are supplementary, and the operation of each step may not be executed.
次に、ステップS207において、制御ユニット11は、データ取得部111の人流データ取得部1111、外部データ取得部1112、およびBEMSデータ取得部1113の制御の下、取得された人流データ、外部データ、およびBEMSデータを、各データの識別子と時刻とともに、記憶ユニット12のセンサデータテーブル記憶部121に記憶させる。ステップS201からステップS207の処理が繰り返し実行されることによって、1つ以上の任意の数のセンサからの例えば人流データ、外部データ、およびBEMSデータがそれぞれ、対応する識別子および時刻とともに、センサデータテーブル記憶部121に記憶されていく。 Next, in step S207, the control unit 11 acquires the acquired human flow data, external data, and under the control of the human flow data acquisition unit 1111, the external data acquisition unit 1112, and the BEMS data acquisition unit 1113 of the data acquisition unit 111. The BEMS data is stored in the sensor data table storage unit 121 of the storage unit 12 together with the identifier and time of each data. By repeatedly executing the processes of steps S201 to S207, for example, human flow data, external data, and BEMS data from one or more arbitrary number of sensors are stored in the sensor data table together with the corresponding identifiers and times, respectively. It is stored in the part 121.
続いて、ステップS208において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、予測したい区域人流または全体通行量等を特定する識別子Ifを決定し、識別子Ifにより識別される過去M日間分のデータ(以下、目的変数と称する)を、記憶ユニット12に要求する。 Subsequently, in step S208, the control unit 11 determines an identifier If that specifies the area people flow or the total traffic volume to be predicted under the control of the person flow prediction model learning function unit 1121 of the person flow prediction unit 112, and determines the identifier I f. The storage unit 12 is requested to have data for the past M days (hereinafter referred to as an objective variable) identified by f .
ステップS209において、記憶ユニット12は、制御ユニット11に対し、要求された過去M日間分の人流データを、センサデータテーブル記憶部121から返却する。 In step S209, the storage unit 12 returns the requested human flow data for the past M days to the control unit 11 from the sensor data table storage unit 121.
ステップS210において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、識別子Ifにより識別されるデータをSとし時刻tにおけるSが示す値をStとした時、例えば1時間等の時間の粒度をΔt(以下、単位時間と称する)とした時にn単位時間だけ前の時刻t−n×Δtの目的変数の値をSt−nと表現する場合において、j単位時間差の偏自己相関PACF(j)に関して過去m日間の範囲であって偏自己相関の絶対値|PACF(j)|が最大となる単位時間差である
ステップS211において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、決定された
ステップS212において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、上記D個のデータセットから構築できる偏回帰係数a1,a2,…を未知変数としたD本の連立方程式を最小二乗法等の方法により解くことにより、偏回帰係数を算出する。 In step S212, the control unit 11 sets the partial regression coefficients a 1 , a 2 , ... Can be constructed from the above D data sets as unknown variables under the control of the human flow prediction model learning function unit 1121 of the human flow prediction unit 112. The partial regression coefficient is calculated by solving D simultaneous equations by a method such as the least squares method.
ステップS213において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、算出された偏回帰係数alおよびalに対応する説明変数xiの識別子Ial、時刻tからの相対時刻jまたは当該説明変数の算出式、ならびに目的変数の識別子Ifを含む、将来の人流データを予測するための人流予測モデルを、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる。 In step S213, the control unit 11, a human stream under the control of the human flow prediction model learning unit 1121 of the prediction unit 112, the identifier I al explanatory variables x i corresponding to partial regression coefficients calculated a l and a l, time A human flow prediction model for predicting future human flow data, including the relative time j from t or the calculation formula of the explanatory variable, and the objective variable identifier If , is stored in the human flow prediction model table storage unit 122 of the storage unit 12. Remember.
なお、上記では人流データのみを説明変数の算出に利用する場合を説明したが、外部データおよびBEMSデータも上記説明変数の算出に利用するようにしてもよい。 Although the case where only the human flow data is used for the calculation of the explanatory variables has been described above, the external data and the BEMS data may also be used for the calculation of the explanatory variables.
なお、算出式が用いられる場合は、記憶ユニット12には、例えば、必要なセンサデータの識別子を含む算出式そのものを、当該算出式の識別子とともに記憶させておく。 When the calculation formula is used, the storage unit 12 stores, for example, the calculation formula itself including the necessary sensor data identifier together with the identifier of the calculation formula.
図5は、図1に示した記憶ユニット12の人流予測モデルテーブル記憶部122に記憶される人流予測モデルテーブルの一例を示す図である。 FIG. 5 is a diagram showing an example of a human flow prediction model table stored in the human flow prediction model table storage unit 122 of the storage unit 12 shown in FIG. 1.
1行目は、識別子「0000abcd」で識別される人流データを目的変数とするとき、例えば、前日の同時刻の当該人流データを示す「ID:0000abcd,j=24×3600」のデータが説明変数として用いられることを表している。また、3行目は、識別子「0000abcd」で識別される人流データを目的変数とするとき、例えば、過去5日間の当該人流データが示す値の平均値を示す「average(ID:0000abcd,5×24×3600)」のデータも説明変数として用いられることを表している。 In the first line, when the human flow data identified by the identifier "0000abcd" is used as the objective variable, for example, the data of "ID: 0000abcd, j = 24 × 3600" indicating the personal flow data at the same time on the previous day is the explanatory variable. Indicates that it is used as. Further, in the third line, when the human flow data identified by the identifier "0000abcd" is used as the objective variable, for example, "average (ID: 0000abcd, 5x) indicating the average value of the values indicated by the personal flow data for the past 5 days" is shown. 24 × 3600) ”data also indicates that it is used as an explanatory variable.
ここで、説明変数は、上述したものの他に例えば以下のようなものがあるが、これに限定されるものではない。
・単位時間差を|PACF(j)|が大きいものから順に上位h個
・七曜制における曜日が月曜日から日曜日までを順に1、2、…7とした場合に時刻tの属する日の曜日がkであった場合に第k要素が1でその他の要素が0であるような7次元曜日ベクトル
・ある曜日w1のStと異なる曜日のw2のSt´の相関係数ρを計算した場合に、例えば0.8などの閾値ρθと比較してρ>ρθなる曜日を1のカテゴリとし、いずれの曜日とも上記の条件を満たさない曜日はその曜日のみを1のカテゴリとするようなc個のカテゴリをもって、上記の曜日ベクトルと同じく定めるc次元曜日カテゴリベクトル
・tが属する24時間制における時(hour)
・tが属する月あるいは四季などの季節を数値化した変数
・上記の月あるいは四季を各々の要素の数である12あるいは4の次元としtが属する要素のみを1としその他の要素が0であるような月ベクトルあるいは季節ベクトル
・tが属する日あるいは時における降水確率、予想気温、等の気象データの予測値あるいは天気予報によって予報される気象
・tが属する日あるいは時において対象空間に近い位置にある公共交通機関の特別運行が存在するか否かの真偽値
・tが属する日あるいは時における対象空間あるいはその近隣施設におけるイベントが存在するか否かの真偽値
・上記イベントの規模、対象年齢層、参加費などの特徴をベクトル化したイベント特徴ベクタ
また、人流予測モデルは、上述した重回帰モデルの他に以下に示すようなものがあるが、これに限定されるものではない。
・説明変数xiのうち学習に用いたD個の平均がμi、標準偏差がσiなる時に平均が0、分散が1となるようスケーリングした
・φ(x)を説明変数の多項式とした多項式重回帰モデル
・φ(x)として多次元の説明変数を許容する基底関数としたベクトル重回帰モデル
・φ(x)として異なる説明変数の積を基底関数とした相互作用項を含む重回帰モデル
・以上の効果のうち任意の複数の効果を含む重回帰モデル
また、偏回帰係数の導出は、上述した最小二乗法を利用するものの他に以下に示すようなものがあるが、これに限定されるものではない。
・最小二乗法の変わりに確率的勾配降下法などの近似解法を用いる方法
・L1正則化あるいはL2正則化の項を加えた後に最小二乗法を適用する方法
・以上の方法のうち複数の方法を組み合わせる方法
また説明変数の算出式を記憶ユニット12に記憶させることに代えて、当該算出式によって計算されるデータ(以下、二次データと呼ぶ)を記憶ユニット12にデータとして記憶させ新たな識別子を当該二次データの識別子として付与し、当該二次データの識別子を記憶させることによって代えても良い。
Here, the explanatory variables include, for example, the following in addition to those described above, but the explanatory variables are not limited thereto.
・ The unit time difference is the highest h in order from the one with the largest | PACF (j) |
・ Variables that quantify the seasons such as the month or four seasons to which t belongs ・ The above month or four seasons are the number of each element, 12 or 4, and only the element to which t belongs is 1, and the other elements are 0. At a position close to the target space on the day or time to which the meteorological data predicted by the weather forecast or the predicted value of meteorological data such as precipitation probability, expected temperature, etc. on the day or time to which the moon vector or seasonal vector t belongs Authenticity value of whether or not there is a special operation of a certain public transportation ・ Authenticity value of whether or not there is an event in the target space or its neighboring facilities on the day or time to which t belongs ・ The scale and target of the above event Event feature vector that vectorizes features such as age group and participation fee In addition to the multiple regression model described above, the human flow prediction model includes, but is not limited to, the following.
・ Of the explanatory variables x i , when the mean of D used for learning is μ i and the standard deviation is σ i , the mean is 0 and the variance is 1.
-A method that uses an approximate solution such as a stochastic gradient descent method instead of the least-squares method-A method that applies the least-squares method after adding the terms of L1 regularization or L2 regularization-Multiple methods among the above methods Method of combining In addition, instead of storing the calculation formula of the explanatory variable in the storage unit 12, the data calculated by the calculation formula (hereinafter referred to as secondary data) is stored in the storage unit 12 as data, and a new identifier is stored. It may be given as an identifier of the secondary data and replaced by storing the identifier of the secondary data.
(3)人流予測モデル更新処理
図6A,6Bは、図1に示した制御ユニット11によって実行される人流予測モデル更新処理の一例を示すフロー図である。当該人流予測モデル更新処理では、取得された人流データを用いて、教師あり学習により人流予測モデルが動的に更新される。
(3) People flow prediction model update process FIGS. 6A and 6B are flow charts showing an example of a person flow prediction model update process executed by the control unit 11 shown in FIG. In the human flow prediction model update process, the human flow prediction model is dynamically updated by supervised learning using the acquired human flow data.
最初に、ステップS301において、センサ2のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Iiとともに人流予測装置1へ入力する。 First, in step S301, pedestrian flow sensor of the sensor 2 measures the human flow or the like according to target segments of the sensor in the target space passing a person, pedestrian flow together with the identifier I i of the sensor was measured human stream data Input to the prediction device 1.
ステップS302において、人流予測装置1の制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、時刻tにおいて上記人流データとともに対応する識別子Iiを取得する。 In step S302, the control unit 11 of the pedestrian flow prediction apparatus 1 under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111 to obtain a corresponding identifier I i with the human stream data at time t.
ステップS303において、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、取得された人流データを識別子Iiと時刻tとともに、記憶ユニット12のセンサデータテーブル記憶部121に記憶させる。その後、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、センサデータテーブル記憶部に記憶される識別子Iiにより識別される人流データが更新されたことを知らせる通知(以下、更新通知)を人流予測部112の人流予測モデル学習機能部1121へ送信する。 In step S303, the control unit 11 stores the acquired human flow data together with the identifier Ii and the time t in the sensor data table storage unit 121 of the storage unit 12 under the control of the human flow data acquisition unit 1111 of the data acquisition unit 111. Let me. Thereafter, the control unit 11, notification that under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111, a person stream data identified by the identifier I i stored in the sensor data table storage section has been updated (hereinafter , Update notification) is transmitted to the human flow prediction model learning function unit 1121 of the human flow prediction unit 112.
続いて、ステップS304において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、上記更新通知の受け取りに応じて、識別子Iiにより識別される人流データSを予測するための人流予測モデルを記憶ユニット12に要求する。 Subsequently, in step S304, the control unit 11, under the control of the human flow prediction model learning unit 1121 of the pedestrian flow prediction unit 112, in response to receiving the update notification, predicted human stream data S which is identified by the identifier I i The storage unit 12 is requested to have a human flow prediction model for this purpose.
ステップS305において、記憶ユニット12は、制御ユニット11に対して、要求された人流データSを予測するための人流予測モデル、上述した人流予測モデル学習処理において人流データSを予測するための人流予測モデルの学習に用いたデータセットに必要な説明変数の識別子または算出式を、人流予測モデルテーブル記憶部122から返却する。 In step S305, the storage unit 12 has a human flow prediction model for predicting the requested human flow data S for the control unit 11, and a human flow prediction model for predicting the human flow data S in the above-mentioned human flow prediction model learning process. The identifiers or calculation formulas of the explanatory variables required for the data set used for the training of the above are returned from the human flow prediction model table storage unit 122.
ステップS306において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、少なくとも上記データセット1つ分の必要な、人流データ、外部データ、およびBEMSデータ等のセンサデータを、記憶ユニット12に要求する。 In step S306, the control unit 11 controls sensor data such as human flow data, external data, and BEMS data required for at least one of the above data sets under the control of the human flow prediction model learning function unit 1121 of the human flow prediction unit 112. Is requested from the storage unit 12.
ステップS307において、記憶ユニット12は、制御ユニット11に対して、要求されたセンサデータを、センサデータテーブル記憶部121から返却する。 In step S307, the storage unit 12 returns the requested sensor data to the control unit 11 from the sensor data table storage unit 121.
ステップS308において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、返却されたセンサデータからデータセットを作成する。 In step S308, the control unit 11 creates a data set from the returned sensor data under the control of the human flow prediction model learning function unit 1121 of the human flow prediction unit 112.
ステップS309において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、作成されたデータセットを1つ以上用いて確率的勾配降下法等の方法により偏回帰係数を算出して更新する。 In step S309, the control unit 11 uses one or more created data sets under the control of the human flow prediction model learning function unit 1121 of the human flow prediction unit 112 to obtain a partial regression coefficient by a method such as a stochastic gradient descent method. Calculate and update.
ステップS310において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、更新された偏回帰係数alおよびalに対応する説明変数xiの識別子Ial、時刻tからの相対時刻jまたは当該説明変数の算出式、ならびに目的変数の識別子Ifを含む人流予測モデルを、記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる。 In step S310, the control unit 11, under the control of the human flow prediction model learning unit 1121 of the pedestrian flow prediction unit 112, the identifier I al explanatory variables x i corresponding to the partial regression coefficients updated a l and a l, time The human flow prediction model including the relative time j from t, the calculation formula of the explanatory variable, and the identifier If of the objective variable is stored in the human flow prediction model table storage unit 122 of the storage unit 12.
ステップS304からステップS310までの処理を、新たな人流等のデータがセンサデータテーブル記憶部121に記憶される度に繰り返すことにより、偏回帰係数の値が逐次的に更新される形で人流予測モデルが更新される(以下、この工程をオンライン学習すると称する)。 By repeating the processes from step S304 to step S310 every time new data such as human flow is stored in the sensor data table storage unit 121, the value of the partial regression coefficient is sequentially updated in the human flow prediction model. Is updated (hereinafter, this process is referred to as online learning).
(4)学習された人流予測モデルに基づく人流データ予測処理
図7は、図1に示した制御ユニット11によって実行される、上述したように学習および更新された人流予測モデルに基づいて将来の人流データを予測する処理の一例を示すフロー図である。
(4) Human flow data prediction processing based on the learned human flow prediction model FIG. 7 shows future human flow based on the learned and updated human flow prediction model as described above executed by the control unit 11 shown in FIG. It is a flow chart which shows an example of the process of predicting data.
最初に、ステップS401において、人流予測装置1の制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、予測したい人流データの識別子Ifと予測したい時刻t´を決定し、識別子Ifにより識別される人流データが示す値を目的変数とする、上述した人流予測モデル学習処理において学習された人流予測モデル、または、上述した人流予測モデル更新処理において更新された人流予測モデルを、記憶ユニット12に要求する。 First, in step S401, the control unit 11 of the human flow prediction device 1 determines the identifier If of the human flow data to be predicted and the time t'to be predicted under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112. A human flow prediction model learned in the above-mentioned human flow prediction model learning process or an updated human flow prediction model in the above-mentioned human flow prediction model update process, in which the value indicated by the human flow data identified by the identifier If is used as the objective variable. , Request the storage unit 12.
ステップS402において、記憶ユニット12は、制御ユニット11に対して、要求された人流予測モデルを、人流予測モデルテーブル記憶部122から返却する。 In step S402, the storage unit 12 returns the requested human flow prediction model to the control unit 11 from the human flow prediction model table storage unit 122.
ステップS403において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、返却された人流予測モデルに含まれる説明変数の識別子と相対時刻または当該説明変数の算出式をもとに必要な、人流データ、外部データ、BEMSデータ等のセンサデータを、記憶ユニット12に要求する。 In step S403, the control unit 11 is based on the identifier of the explanatory variable included in the returned human flow prediction model and the relative time or the calculation formula of the explanatory variable under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112. The storage unit 12 is requested to have sensor data such as human flow data, external data, and BEMS data, which are necessary for the storage unit 12.
ステップS404において、記憶ユニット12は、制御ユニット11に対して、要求されたセンサデータを、センサデータテーブル記憶部121から返却する。 In step S404, the storage unit 12 returns the requested sensor data to the control unit 11 from the sensor data table storage unit 121.
ステップS405において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、返却されたセンサデータから必要に応じて説明変数を算出する。 In step S405, the control unit 11 calculates explanatory variables from the returned sensor data as necessary under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112.
ステップS406において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、例えば重回帰モデルである人流予測モデルに含まれる偏回帰係数aiに対応する説明変数をxiとした時に、これらの積を全て加算し
ステップS407において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、上記人流データの予測値を記憶ユニット12の人流予測データ記憶部124に記憶させる。 In step S407, the control unit 11 stores the predicted value of the human flow data in the human flow prediction data storage unit 124 of the storage unit 12 under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112.
なお、人流予測データ記憶部124に記憶される予測値は、例えば、図3に示したセンサデータテーブルと同様のものに記憶される。 The predicted value stored in the human flow prediction data storage unit 124 is stored in, for example, the same as the sensor data table shown in FIG.
(5)関係モデル学習処理
図8は、図1に示した制御ユニット11によって実行される関係モデル学習処理の一例を示すフロー図である。
(5) Relational Model Learning Process FIG. 8 is a flow diagram showing an example of the relational model learning process executed by the control unit 11 shown in FIG.
最初に、ステップS501において、人流予測装置1の制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、補完したい計測器が計測している人流データの識別子Ifを決定し、全体通行量と識別子Ifにより識別される人流データとを記憶ユニット12に要求する。 First, in step S501, the control unit 11 of the human flow prediction device 1 determines the identifier If of the human flow data measured by the measuring instrument to be complemented under the control of the measuring instrument complement function unit 1122 of the human flow prediction unit 112. Then, the storage unit 12 is requested to have the total traffic volume and the human flow data identified by the identifier If .
ステップS502において、記憶ユニット12は、制御ユニット11に対して、要求された全体通行量と識別子Ifにより識別される人流データとを、センサデータテーブル記憶部121から返却する。 In step S502, the storage unit 12 returns the requested total traffic volume and the human flow data identified by the identifier If to the control unit 11 from the sensor data table storage unit 121.
ステップS503において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、時刻tにおける当該人流データStを目的変数とし、時刻tにおける全体通行量Xtを説明変数の1つとして、上述した人流予測モデル学習処理において実行したのと同様に偏回帰係数を算出する。 In step S503, the control unit 11 sets the person flow data St at time t as the objective variable and the total traffic volume X t at time t as the explanatory variable under the control of the measuring instrument complement function unit 1122 of the person flow prediction unit 112. As one, the partial regression coefficient is calculated in the same manner as that executed in the above-mentioned human flow prediction model learning process.
ステップS504において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、算出された偏回帰係数と対応する説明変数の識別子と目的変数の識別子とを含む、全体通行量を表すデータと上記人流データとの関係を表す関係モデルを、記憶ユニット12の関係モデルテーブル記憶部123に記憶させる。 In step S504, the control unit 11 includes the calculated partial regression coefficient, the corresponding explanatory variable identifier, and the objective variable identifier under the control of the measuring instrument complement function unit 1122 of the human flow prediction unit 112, and the total traffic volume. The relational model representing the relationship between the data representing the above and the human flow data is stored in the relational model table storage unit 123 of the storage unit 12.
図9は、図1に示した記憶ユニット12の関係モデルテーブル記憶部123に記憶される関係モデルテーブルの一例を示す図である。 FIG. 9 is a diagram showing an example of a relational model table stored in the relational model table storage unit 123 of the storage unit 12 shown in FIG.
ここで、説明変数は、上述したものの他に以下に示すようなものがあるが、これに限定されるものではない。
・上述した人流予測モデル学習処理における表記と同様の表記を用いた時に目的変数Stと単位時間差jの全体通行量Xt−jとの間の偏相互相関PCCF(j)に関して過去m日間の範囲であって|PCCF(j)|が最大となる単位時間差
・単位時間差を偏相互相関の絶対値|PCCF(j)|が大きいものから順に上位h個
・七曜制における曜日が月曜日から日曜日までを順に1、2、…7とした場合に時刻tの属する日の曜日がkであった場合に第k要素が1でその他の要素が0であるような7次元曜日ベクトル
・ある曜日w1のStと異なる曜日のw2のSt´の相関係数ρを計算した場合に、例えば0.8等の閾値ρθと比較してρ>ρθなる曜日を1のカテゴリとし、いずれの曜日とも上記の条件を満たさない曜日はその曜日のみを1のカテゴリとするようなc個のカテゴリをもって、上記の曜日ベクトルと同じく定めるc次元曜日カテゴリベクトル
・tが属する24時間制における時(hour)
・tが属する月あるいは四季などの季節を数値化した変数
・上記の月あるいは四季を各々の要素の数である12あるいは4の次元としtが属する要素のみを1としその他の要素が0であるような月ベクトルあるいは季節ベクトル
・tが属する日あるいは時における降水確率、予想気温、などの気象データの予測値あるいは天気予報によって予報される気象
・tが属する日あるいは時において対象空間に近い位置にある公共交通機関の特別運行が存在するか否かの真偽値
・tが属する日あるいは時における対象空間あるいはその近隣施設におけるイベントが存在するか否かの真偽値
・上記イベントの規模、対象年齢層、参加費などの特徴をベクトル化したイベント特徴ベクタ
また、関係モデルは、上述した重回帰モデルの他に以下に示すようなものがあるが、これに限定されるものではない。
・説明変数Xiのうち学習に用いたD個の平均がμi、標準偏差がσiなる時に平均が0、分散が1となるようスケーリングした
・φを説明変数の多項式とした多項式重回帰モデル
・φとして多次元の説明変数を許容する基底関数としたベクトル重回帰モデル
・φとして異なる説明変数の積を基底関数とした相互作用項を含む重回帰モデル
・以上の効果のうち任意の複数の効果を含む重回帰モデル
また、偏回帰係数の導出は、上述した最小二乗法を利用するものの他に以下に示すようなものがあるが、これに限定されるものではない。
・最小二乗法の変わりに確率的勾配降下法などの近似解法を用いる方法
・L1正則化あるいはL2正則化等の正則化項を加えた後に最小二乗法を適用する方法
・以上の方法のうち複数の方法を組み合わせる方法
Here, the explanatory variables include those shown below in addition to those described above, but are not limited thereto.
· Respect partial cross-correlation PCCF (j) between the total traffic amount X t-j target variable S t and a unit time difference j when using the same transcription as in the above-mentioned pedestrian flow prediction model learning processing of the last m days The unit time difference in which | PCCF (j) | is the maximum in the range
・ Variables that quantify the seasons such as the month or four seasons to which t belongs ・ The above month or four seasons are the number of each element, 12 or 4, and only the element to which t belongs is 1, and the other elements are 0. At a position close to the target space on the day or time to which the meteorological data predicted by the weather forecast or the predicted value of the meteorological data such as the precipitation probability, the expected temperature, etc. Authenticity value of whether or not there is a special operation of a certain public transportation ・ Authenticity value of whether or not there is an event in the target space or its neighboring facilities on the day or time to which t belongs ・ The scale and target of the above event Event feature vector that vectorizes features such as age group and participation fee In addition to the multiple regression model described above, the relational models are as shown below, but are not limited to these.
・ Of the explanatory variables X i , when the mean of D used for learning is μ i and the standard deviation is σ i , the mean is 0 and the variance is 1.
-A method that uses an approximate solution such as stochastic gradient descent instead of the least-squares method-A method that applies the least-squares method after adding regularization terms such as L1 regularization or L2 regularization-Multiple of the above methods How to combine the methods of
(6)関係モデル更新処理
図10A,10Bは、図1に示した制御ユニット11によって実行される関係モデル更新処理の一例を示すフロー図である。当該関係モデル更新処理では、取得された人流データを用いて、教師あり学習により関係モデルが動的に更新される。
(6) Relational model update processing FIGS. 10A and 10B are flow charts showing an example of the relational model update processing executed by the control unit 11 shown in FIG. In the relational model update process, the relational model is dynamically updated by supervised learning using the acquired human flow data.
最初に、ステップS601において、センサ2のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データを当該センサの識別子Iiとともに人流予測装置1へ入力する。 First, in step S601, pedestrian flow sensor of the sensor 2 measures the human flow or the like according to target segments of the sensor in the target space passing a person, pedestrian flow together with the identifier I i of the sensor was measured human stream data Input to the prediction device 1.
ステップS602において、人流予測装置1の制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、時刻tにおいて上記人流データとともに対応する識別子Iiを取得する。 In step S602, the control unit 11 of the pedestrian flow prediction apparatus 1 under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111 to obtain a corresponding identifier I i with the human stream data at time t.
ステップS603において、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、取得された人流データを識別子Iiと時刻tとともに、記憶ユニット12のセンサデータテーブル記憶部121に記憶させる。その後、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、センサデータテーブル記憶部に記憶される識別子Iiにより識別される人流データが更新されたことを知らせる通知(以下、更新通知)を人流予測部112の測定器補完機能部1122へ送信する。 In step S603, the control unit 11 stores the acquired human flow data together with the identifier Ii and the time t in the sensor data table storage unit 121 of the storage unit 12 under the control of the human flow data acquisition unit 1111 of the data acquisition unit 111. Let me. Thereafter, the control unit 11, notification that under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111, a person stream data identified by the identifier I i stored in the sensor data table storage section has been updated (hereinafter , Update notification) is transmitted to the measuring instrument complement function unit 1122 of the human flow prediction unit 112.
ステップS604において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、上記更新通知の受け取りに応じて、識別子Iiにより識別される人流データSを予測するための関係モデルを記憶ユニット12に要求する。 In step S604, the control unit 11, under control of the instrument completion unit 1122 of the pedestrian flow prediction unit 112, in response to receiving the update notification, the relationship for predicting human stream data S which is identified by the identifier I i Request the model from the storage unit 12.
ステップS605において、記憶ユニット12は、制御ユニット11に対して、要求された人流データSを予測するための関係モデル、上述した関係モデル学習処理において人流データSを予測するための関係モデルの学習に用いたデータセットに必要な説明変数の識別子または算出式を、関係モデルテーブル記憶部123から返却する。 In step S605, the storage unit 12 learns the relational model for predicting the requested human flow data S for the control unit 11 and the relational model for predicting the human flow data S in the above-mentioned relational model learning process. The identifier or calculation formula of the explanatory variable required for the data set used is returned from the relational model table storage unit 123.
ステップS606において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、少なくとも上記データセット1つ分の必要な、人流データ、外部データ、およびBEMSデータ等のセンサデータを、記憶ユニット12に要求する。 In step S606, the control unit 11 receives sensor data such as human flow data, external data, and BEMS data required for at least one of the above data sets under the control of the measuring instrument complementary function unit 1122 of the human flow prediction unit 112. , Request to the storage unit 12.
ステップS607において、記憶ユニット12は、制御ユニット11に対して、要求されたセンサデータを、センサデータテーブル記憶部121から返却する。 In step S607, the storage unit 12 returns the requested sensor data to the control unit 11 from the sensor data table storage unit 121.
ステップS608において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、返却されたセンサデータからデータセットを作成する。 In step S608, the control unit 11 creates a data set from the returned sensor data under the control of the measuring instrument complement function unit 1122 of the human flow prediction unit 112.
ステップS609において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、作成されたデータセットを1つ以上用いて確率的勾配降下法等の方法により偏回帰係数を算出して更新する。 In step S609, the control unit 11 calculates the partial regression coefficient by a method such as a stochastic gradient descent method using one or more created data sets under the control of the measuring instrument complement function unit 1122 of the human flow prediction unit 112. And update.
ステップS610において、制御ユニット11は、人流予測部112の測定器補完機能部1122の制御の下、更新された偏回帰係数と対応する説明変数の識別子と目的変数の識別子とを含む、全体通行量を表すデータと上記人流データとの関係を表す関係モデルを、記憶ユニット12の関係モデルテーブル記憶部123に記憶させる。 In step S610, the control unit 11 includes the updated partial regression coefficient, the corresponding explanatory variable identifier, and the objective variable identifier under the control of the measuring instrument complement function unit 1122 of the human flow prediction unit 112. The relational model representing the relationship between the data representing the above and the human flow data is stored in the relational model table storage unit 123 of the storage unit 12.
ステップS604からステップS610までの処理を、新たな人流等のデータがセンサデータテーブル記憶部121に記憶される度に繰り返すことにより、偏回帰係数の値が逐次的に更新される形で関係モデルが更新される(オンライン学習)。 By repeating the processes from step S604 to step S610 every time new data such as human flow is stored in the sensor data table storage unit 121, the relational model is sequentially updated in the value of the partial regression coefficient. Updated (online learning).
(7)関係モデルに基づく人流データ予測処理
図11A,11Bは、図1に示した制御ユニット11によって実行される、関係モデルに基づく人流データ予測処理の一例を示すフロー図である。
(7) People flow data prediction processing based on the relational model FIGS. 11A and 11B are flow charts showing an example of the people flow data prediction processing based on the relational model executed by the control unit 11 shown in FIG.
最初に、ステップS701において、人流予測装置1の制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、予測したい人流データの識別子Ifと予測したい時刻t´を決定し、全体通行量と識別子Ifにより識別される人流データとの関係を表す、上述した関係モデル学習処理において学習された関係モデル、または、上述した関係モデル更新処理において更新された関係モデルを、記憶ユニット12に要求する。 First, in step S701, the control unit 11 of the human flow prediction device 1 determines the identifier If of the human flow data to be predicted and the time t'to be predicted under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112. The storage unit stores the relational model learned in the above-mentioned relational model learning process or the relational model updated in the above-mentioned relational model update process, which represents the relationship between the total traffic volume and the human flow data identified by the identifier If. Request to 12.
ステップS702において、記憶ユニット12は、制御ユニット11に対して、要求された関係モデルを、関係モデルテーブル記憶部123から返却する。 In step S702, the storage unit 12 returns the requested relational model to the control unit 11 from the relational model table storage unit 123.
ステップS703において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、全体通行量を予測するための、上述した人流予測モデル学習処理において学習された人流予測モデル、または、上述した人流予測モデル更新処理において更新された人流予測モデルを、記憶ユニット12に要求する。 In step S703, the control unit 11 is a human flow prediction model learned in the above-mentioned human flow prediction model learning process for predicting the total traffic volume under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112, or The storage unit 12 is requested to use the human flow prediction model updated in the above-mentioned human flow prediction model update process.
ステップS704において、記憶ユニット12は、制御ユニット11に対して、要求された人流予測モデルを、人流予測モデルテーブル記憶部122から返却する。 In step S704, the storage unit 12 returns the requested human flow prediction model to the control unit 11 from the human flow prediction model table storage unit 122.
なお、ステップS701からステップS704の各ステップの順序は便宜的なものに過ぎず、ステップS701およびステップS703の各ステップは任意の順に実行されてもよく、ステップS702およびステップS704の各ステップはそれぞれ、ステップS701およびステップS703のうちの対応するステップの後に実行されるものであればよい。 The order of each step from step S701 to step S704 is only for convenience, and each step of step S701 and step S703 may be executed in any order, and each step of step S702 and step S704, respectively. It may be executed after the corresponding step of step S701 and step S703.
ステップS705において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、返却された人流予測モデルに含まれる説明変数の識別子と相対時刻または当該説明変数の算出式をもとに必要な、人流データ、外部データ、BEMSデータ等のセンサデータを、記憶ユニット12に要求する。 In step S705, the control unit 11 is based on the identifier of the explanatory variable included in the returned human flow prediction model and the relative time or the calculation formula of the explanatory variable under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112. The storage unit 12 is requested to have sensor data such as human flow data, external data, and BEMS data, which are necessary for the storage unit 12.
ステップS706において、記憶ユニット12は、制御ユニット11に対して、要求されたセンサデータを、センサデータテーブル記憶部121から返却する。 In step S706, the storage unit 12 returns the requested sensor data to the control unit 11 from the sensor data table storage unit 121.
ステップS707において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、返却されたセンサデータから必要に応じて説明変数を算出する。 In step S707, the control unit 11 calculates explanatory variables from the returned sensor data as necessary under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112.
ステップS708において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、上述した、学習された人流予測モデルに基づく人流データ予測処理と同様に、全体通行量を予測するための、例えば重回帰モデルである人流予測モデルより、時刻t´における全体通行量の予測値を算出する。 In step S708, the control unit 11 predicts the total traffic volume under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112, similarly to the human flow data prediction process based on the learned human flow prediction model described above. For example, the predicted value of the total traffic volume at time t'is calculated from the human flow prediction model which is a multiple regression model.
ステップS709において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、予測された時刻tにおける全体通行量
ステップS710において、制御ユニット11は、人流予測部112の人流データ予測部1123の制御の下、上記人流データの予測値を記憶ユニット12の人流予測データ記憶部124に記憶させる。 In step S710, the control unit 11 stores the predicted value of the human flow data in the human flow prediction data storage unit 124 of the storage unit 12 under the control of the human flow data prediction unit 1123 of the human flow prediction unit 112.
なお、人流予測データ記憶部124に記憶される予測値は、例えば、図3に示したセンサデータテーブルと同様のものに記憶される。 The predicted value stored in the human flow prediction data storage unit 124 is stored in, for example, the same as the sensor data table shown in FIG.
(8)変数自動選択処理
図12は、図1に示した制御ユニット11によって実行される変数自動選択処理の一例を示すフロー図である。当該変数自動選択処理では、上述したように学習される人流予測モデルにおいて説明変数として使用される変数が自動選択される。
(8) Variable automatic selection process FIG. 12 is a flow chart showing an example of the variable automatic selection process executed by the control unit 11 shown in FIG. In the variable automatic selection process, the variable used as the explanatory variable in the human flow prediction model learned as described above is automatically selected.
最初に、ステップS801において、人流予測装置1の制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、目的変数Stの識別子Ifと、関連する特徴量を抽出したい、人流データ、外部データ、およびBEMSデータ等のセンサデータの識別子Ieとを決定し、決定された、目的変数Stの識別子Ifと、関連する特徴量を抽出したいセンサデータの識別子Ieとを、変数自動選択部113へ送信する。なお、特徴量は、例えば、上記センサデータに任意の線形または非線形変換を加えた、データの特徴を表現する量である。当該センサデータの識別子Ieの決定は、例えば、自動で、センサの識別子毎に順番に、またはランダムに決定される、あるいは、オペレータにより決定されるようにしてもよい。 First, in step S801, the control unit 11 of the pedestrian flow prediction apparatus 1 is extracted under the control of the human flow prediction model learning unit 1121 of the pedestrian flow prediction unit 112, an identifier I f target variable S t, the relevant feature amounts The identifier I e of the sensor data such as the human flow data, the external data, and the BEMS data is determined, and the determined identifier I f of the objective variable St and the identifier I of the sensor data for which the related feature quantity is to be extracted. e and are transmitted to the variable automatic selection unit 113. The feature amount is, for example, an amount that expresses the feature of the data by adding an arbitrary linear or non-linear transformation to the sensor data. The determination of the identifier Ie of the sensor data may be, for example, automatically determined for each sensor identifier in order or randomly, or may be determined by the operator.
ステップS802において、制御ユニット11は、変数自動選択部113の制御の下、受信された識別子Ieより識別される過去M日間分のセンサデータsを、記憶ユニット12に要求する。 In step S802, the control unit 11 requests the storage unit 12 for the sensor data s for the past M days identified from the received identifier Ie under the control of the variable automatic selection unit 113.
ステップS803において、記憶ユニット12は、制御ユニット11に対して、要求された過去M日間分のセンサデータsを、センサデータテーブル記憶部121から返却する。 In step S803, the storage unit 12 returns the requested sensor data s for the past M days to the control unit 11 from the sensor data table storage unit 121.
ステップS804において、制御ユニット11は、変数自動選択部113の制御の下、識別子Ieにより識別されるセンサデータsを加工したデータ、例えば、センサデータsを微分した微分値s´等を算出する。 In step S804, under the control of the variable automatic selection unit 113, the control unit 11 calculates data obtained by processing the sensor data s identified by the identifier Ie , for example, a differential value s ′ obtained by differentiating the sensor data s. ..
ステップS805において、制御ユニット11は、変数自動選択部113の制御の下、上記微分値s´等を説明変数としxtとの相互相関関数γ(jΔt)を算出する。 In step S805, the control unit 11, under the control of variable automatic selection unit 113 calculates cross-correlation function γ a (jΔt) and as explanatory variables the differential value s'like x t.
ステップS806において、制御ユニット11は、変数自動選択部113の制御の下、算出された相互相関関数γ(jΔt)の絶対値の最大値γMAXを、例えば0.8等の閾値γθと比較する。当該比較の結果が、γMAX>γθの条件を満たす場合は、上記説明変数は、上記目的変数Stに係る適切な説明変数であると判定されることになる。一方、上記条件が満たされない場合は、ステップS804に戻り、センサデータsに他の変換を施したs´´に対して同様の動作が繰り返される。なお、当該相互相関関数を利用した統計的分析の代わりに、相関係数等を利用した統計的分析を用いるようにしてもよい。 In step S806, the control unit 11 compares the maximum value γ MAX of the calculated absolute value of the cross-correlation function γ (jΔt) with the threshold value γ θ such as 0.8 under the control of the variable automatic selection unit 113. To do. The comparison result, if the gamma MAX> gamma theta satisfying of the above explanatory variables will be determined to be appropriate explanatory variables relating to the target variable S t. On the other hand, if the above condition is not satisfied, the process returns to step S804, and the same operation is repeated for s ″ in which the sensor data s is subjected to other conversion. In addition, instead of the statistical analysis using the cross-correlation function, a statistical analysis using a correlation coefficient or the like may be used.
ステップS801からステップS806において上記条件が満たされるまでの動作が、必要な説明変数の数だけ繰り返される。 The operation from step S801 to step S806 until the above condition is satisfied is repeated for the number of necessary explanatory variables.
その後、ステップS807において、人流予測装置1の制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、目的変数Stの識別子Ifと、上記条件が満たされた各説明変数に係る上記識別子Ieと識別子Ieにより識別されるセンサデータの上記加工の算出式と、ならびに、上述したのと同様の方法で算出された偏回帰係数とを含む、人流予測モデルを学習し、学習された人流予測モデルを記憶ユニット12の人流予測モデルテーブル記憶部122に記憶させる。 Thereafter, in step S807, the control unit 11 of the pedestrian flow prediction apparatus 1 under the control of the human flow prediction model learning unit 1121 of the pedestrian flow prediction unit 112, an identifier I f target variable S t, the above conditions are met A human flow prediction model including the above-mentioned processing calculation formula of the above-mentioned identifier Ie related to the explanatory variable and the above-mentioned processing of the sensor data identified by the identifier Ie , and the partial regression coefficient calculated by the same method as described above. The learned and learned human flow prediction model is stored in the human flow prediction model table storage unit 122 of the storage unit 12.
ここで、説明変数の算出式は、上記微分値の他に例えば以下に示すようなものがあるが、これに限定されるものではない。
・センサデータsを連続するm個ずつ集めたものの平均値
・センサデータsを連続するm個ずつ集めて離散フーリエ変換または離散ウェーブレット変換など周波数変換して得られる複素数列Fiにおいてセンサデータの計測の単位時間Δtの逆数をfs=1/Δtとした時に(以下、fsをサンプリング周波数と称する)周波数分解能Δf=fs/mについてi番目の複素数列Fiのパワースペクトル|Fi|2または偏角arg(Fi)
・以上の説明変数のべき乗
Here, the calculation formula of the explanatory variable includes, for example, the following in addition to the above differential value, but is not limited to this.
・ Average value of a collection of m consecutive sensor data s
- sensor data s collected by m pieces continuous in complex sequence F i obtained by frequency conversion such as discrete Fourier transform or discrete wavelet transform unit inverse time Delta] t measurement of sensor data and f s = 1 / Δt sometimes (hereinafter, referred to as the sampling frequency f s) i th power spectrum of complex sequence F i for the frequency resolution Δf = f s / m | F i | 2 or declination arg (F i)
・ The power of the above explanatory variables
(9)人流予測モデル再学習処理
図13A,13Bは、図1に示した制御ユニット11によって実行される、誤差拡大時の人流予測モデル再学習処理の一例を示すフロー図である。
(9) Human flow prediction model re-learning process FIGS. 13A and 13B are flow charts showing an example of a human flow prediction model re-learning process when an error is expanded, which is executed by the control unit 11 shown in FIG.
最初に、ステップS901において、センサ2のうちの人流センサが、人が通行する対象空間内の当該センサの対象区画に係る人流等を計測し、計測された人流データStを当該センサの識別子Iiとともに人流予測装置1へ入力する。 First, in step S901, the pedestrian flow sensor of the sensor 2 measures the human flow or the like according to target segments of the sensor in the target space passing a person, the measured person stream data S t of the sensor identifier I i At the same time, it is input to the person flow prediction device 1.
ステップS902において、人流予測装置1の制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、時刻tにおいて上記人流データStとともに対応する識別子Iiを取得する。 In step S902, the control unit 11 of the pedestrian flow prediction apparatus 1 acquires the corresponding identifier I i under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111, at time t together with the human stream data S t.
ステップS903において、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、記憶ユニット12のセンサデータテーブル記憶部121に記憶されるセンサデータテーブルを参照し、時刻tについて識別子Iiにより識別される人流データの予測値が記憶されている場合には、上記取得された人流データStをセンサデータテーブル記憶部121に上書きする前に、当該予測値を表す人流予測データを記憶ユニット12に要求する。 In step S903, the control unit 11 refers to the sensor data table stored in the sensor data table storage unit 121 of the storage unit 12 under the control of the human flow data acquisition unit 1111 of the data acquisition unit 111, and identifies the identifier I at time t. When the predicted value of the human flow data identified by i is stored, the human flow prediction data representing the predicted value is stored before overwriting the acquired human flow data St in the sensor data table storage unit 121. Request to unit 12.
ステップS904において、記憶ユニット12は、制御ユニット11に対して、要求された人流予測データを、センサデータテーブル記憶部121から返却する。 In step S904, the storage unit 12 returns the requested human flow prediction data to the control unit 11 from the sensor data table storage unit 121.
ステップS905において、制御ユニット11は、データ取得部111の差異計算部1114の制御の下、人流予測データ
ステップS906において、制御ユニット11は、データ取得部111の人流データ取得部1111の制御の下、上記人流センサから取得された人流データStを識別子Iiと時刻tとともに、記憶ユニット12のセンサデータテーブル記憶部121に記憶させる。 In step S906, the control unit 11, under the control of the human stream data acquisition unit 1111 of the data acquisition unit 111, a who were stream data S t acquired from the pedestrian flow sensor together with the identifier I i and time t, the sensor data storage unit 12 It is stored in the table storage unit 121.
ステップS907において、制御ユニット11は、データ取得部111の差異計算部1114の制御の下、上記差ΔStを予め定められた閾値θと比較する。当該比較の結果が、|ΔSt|>θの条件を満たす場合は、後続するステップS908へと進む。一方、上記条件が満たされない場合は、後続するステップの処理は実行されない。なお、人流データの示す値と人流予測データの示す値との差を計算して、計算された差を閾値と比較する例を説明したが、例えば、人流データの示す値と人流予測データの示す値との比を計算して、計算された比を閾値と比較するようにしてもよい。 In step S907, the control unit 11, under the control of the difference calculation section 1114 of the data acquisition unit 111, it is compared with a threshold value θ a predetermined the difference [Delta] S t. If the result of the comparison satisfies the condition of | ΔS t |> θ, the process proceeds to the subsequent step S908. On the other hand, if the above conditions are not satisfied, the processing of the subsequent step is not executed. An example of calculating the difference between the value indicated by the human flow data and the value indicated by the human flow prediction data and comparing the calculated difference with the threshold value has been described. For example, the value indicated by the human flow data and the value indicated by the human flow prediction data are shown. The ratio to the value may be calculated and the calculated ratio compared to the threshold.
ステップS908において、制御ユニット11は、データ取得部111の差異計算部1114の制御の下、予測が正常ではないと見なして人流予測モデル学習機能部1121に対して、学習を要する人流データの識別子Iiと学習が必要であることを示す信号(以下、送信される信号を合わせて再学習要求通知と称する)とを合わせて送信する。 In step S908, the control unit 11 considers that the prediction is not normal under the control of the difference calculation unit 1114 of the data acquisition unit 111, and causes the human flow prediction model learning function unit 1121 to learn the identifier I of the human flow data that requires learning. i and a signal indicating that learning is required (hereinafter, the transmitted signals are collectively referred to as a re-learning request notification) are transmitted together.
ステップS909において、制御ユニット11は、人流予測部112の人流予測モデル学習機能部1121の制御の下、上記再学習要求通知の受け取りに応じて、識別子Iiにより識別される過去M日間分の人流データを、記憶ユニット12に要求する。 In step S909, the control unit 11, under the control of the human flow prediction model learning unit 1121 of the pedestrian flow prediction unit 112, in response to receipt of the retraining request notification, pedestrian flow past M days identified by the identifier I i Data is requested from the storage unit 12.
その後、ステップS910からステップS914まで、上述した人流予測モデル学習処理に係り説明した図4BのステップS209からステップS213までと同様の処理が実行され、記憶ユニット12の人流予測モデルテーブル記憶部122に、識別子Iiにより識別される人流データを予測するための人流予測モデルが記憶されることになる。 After that, from step S910 to step S914, the same processing as in steps S209 to S213 of FIG. 4B described in relation to the above-described human flow prediction model learning process is executed, and the human flow prediction model table storage unit 122 of the storage unit 12 is subjected to the same processing. so that the human flow prediction model for predicting human stream data identified by the identifier I i is stored.
なお、上記では、再学習要求通知の受け取りに応じて、上述した人流予測モデル学習処理と同様の処理が実行される例を説明したが、これは例に過ぎず、例えば、再学習要求通知の受け取りに応じて、上述したような人流予測モデル更新処理、関係モデル学習処理、関係モデル更新処理、関係モデルに基づく人流データ予測処理、あるいは変数自動選択処理等を利用する処理が実行されるようにしてもよい。 In the above, an example in which the same processing as the above-mentioned human flow prediction model learning processing is executed in response to the reception of the re-learning request notification has been described, but this is only an example, for example, the re-learning request notification. Depending on the receipt, the process using the above-mentioned human flow prediction model update process, relational model learning process, relational model update process, human flow data prediction process based on the relational model, variable automatic selection process, etc. is executed. You may.
(10)人流予測データ出力処理
まず、人流予測装置1の制御ユニット11は、出力部114の制御の下、出力する人流データの将来の時刻tと識別子Ifを決定する。ただし、これらは設定ファイルとして人流予測装置1の中に記述されていてもよく、あるいは、入力部4により入力された操作信号等が出力部114に通知するようにしてもよい。
(10) People flow prediction data output processing First, the control unit 11 of the people flow prediction device 1 determines the future time t and the identifier If of the people flow data to be output under the control of the output unit 114. However, these may be described in the human flow prediction device 1 as a setting file, or the operation signal or the like input by the input unit 4 may be notified to the output unit 114.
続いて、制御ユニット11は、出力部114の制御の下、記憶ユニット12の人流予測データ記憶部124またはセンサデータテーブル記憶部121を参照し、時刻tにおける、識別子Ifにより識別される人流予測データの有無を調べる。 Subsequently, the control unit 11, under the control of the output unit 114, refers to the human flow prediction data storage unit 124 or sensor data table storage unit 121 of the storage unit 12, at time t, pedestrian flow prediction is identified by an identifier I f Check for data.
制御ユニット11は、出力部114の制御の下、当該人流予測データが存在する場合には、表示部5に当該人流予測データを出力し、当該人流予測データが存在しない場合には、NULL値を出力する。なお、当該人流予測データが出力される先は、表示部5以外の他の何らかの装置であってもよい。 Under the control of the output unit 114, the control unit 11 outputs the person flow prediction data to the display unit 5 when the person flow prediction data exists, and outputs a NULL value when the person flow prediction data does not exist. Output. The destination from which the person flow prediction data is output may be some device other than the display unit 5.
(効果)
以上詳述したように、この発明の第1の実施形態では、以下のような効果が奏せられる。
(effect)
As described in detail above, in the first embodiment of the present invention, the following effects can be achieved.
(1)データ取得部111の制御の下、センサ2のうちの人流センサ、センサ2のうちの外部センサ、およびBEMS3からそれぞれ、対象空間内の対象区画に係る人流データ、外部データ、およびBEMSデータが取得される。人流予測モデル学習機能部1121の制御の下、対象区画に係る過去の所定期間に取得された人流データと、過去の所定期間に取得された外部データおよびBEMSデータとに基づいて、過去の人流データから将来の人流データを予測するための人流予測モデルが学習される。その後、人流データ予測部1123の制御の下、学習された人流予測モデルと、取得された人流データと、取得された外部データおよびBEMSデータとに基づいて、対象区画に係る将来の人流データが予測される。 (1) Under the control of the data acquisition unit 111, the human flow sensor in the sensor 2, the external sensor in the sensor 2, and the BEMS 3 receive the human flow data, the external data, and the BEMS data related to the target section in the target space, respectively. To be acquired. Under the control of the human flow prediction model learning function unit 1121, the past human flow data is based on the human flow data acquired in the past predetermined period related to the target section, and the external data and BEMS data acquired in the past predetermined period. A people flow prediction model for predicting future people flow data is learned from. After that, under the control of the human flow data prediction unit 1123, the future human flow data related to the target section is predicted based on the learned human flow prediction model, the acquired human flow data, the acquired external data, and the BEMS data. Will be done.
このように学習される人流予測モデルを利用することにより、例えば、施設の営業時間外等を挟むような人流等に不連続性がある時期を含む期間、例えば1日〜数週間の期間であっても、人流等を予測することが可能となる。 By using the flow prediction model learned in this way, for example, a period including a period in which there is a discontinuity in the flow of people such as outside the business hours of the facility, for example, a period of one day to several weeks. However, it is possible to predict the flow of people.
また、このように、所定の区画の人流等に大きな影響を及ぼし得る、例えば、複合商業施設における、a)施設内で開催されるイベント等、b)施設内店舗の入れ替え、c)季節商品の物販等、あるいは、公共交通機関に直結する施設等における、d)交通網の遅延や臨時便の状況、e)屋外の天候等のように、さまざまな外的要因による影響を考慮に入れて学習された人流予測モデルを利用することにより、これらの外的要因による影響を考慮に入れて将来の人流等を予測することが可能となる。 In addition, in this way, it is possible to have a great influence on the flow of people in a predetermined section, for example, in a commercial complex, a) an event held in the facility, b) replacement of stores in the facility, c) seasonal products. Learning in consideration of the influence of various external factors such as d) transportation network delays and temporary flight conditions, e) outdoor weather, etc. in product sales, etc., or facilities directly connected to public transportation By using the created human flow prediction model, it is possible to predict future human flow, etc., taking into consideration the effects of these external factors.
(2)人流予測モデル学習機能部1121の制御の下、取得された対象区画に係る人流データを用いて、教師あり学習により上記人流予測モデルが動的に更新される。 (2) Under the control of the human flow prediction model learning function unit 1121, the human flow prediction model is dynamically updated by supervised learning using the acquired human flow data related to the target section.
このため、さまざまな外的要因による影響を受けることにより人流予測モデルによる予測の精度が徐々に落ちる場合でも、適当な回数の更新を踏まえることにより、人流予測モデルを、外的要因による影響も反映させたものへとその都度更新することができ、当該人流予測モデルを利用することによって引き続き将来の人流等の予測を精度良く行なうことができる。 For this reason, even if the accuracy of prediction by the human flow prediction model gradually declines due to the influence of various external factors, the human flow prediction model will reflect the influence of external factors by taking into account the appropriate number of updates. It can be updated each time to the one that has been made, and by using the person flow prediction model, it is possible to continue to accurately predict the future people flow and the like.
(3)人流予測モデル学習機能部1121の制御の下、対象区画に係る過去の人流データから算出可能な対象空間に係る全体通行量を表すデータをもとに、対象空間に係る将来の全体通行量を表すデータを予測する上記人流予測モデルが学習される。また、測定器補完機能部1122の制御の下、上記全体通行量を表すデータと対象区画に係る人流データとの関係を表す関係モデルが教師あり学習により生成される。その後、人流データ予測部1123の制御の下、上記人流予測モデルに基づいて上記対象空間に係る将来の全体通行量が予測され、上記関係モデルと、上記予測された対象空間に係る将来の全体通行量とに基づいて、対象区画に係る将来の人流データが予測される。 (3) Under the control of the human flow prediction model learning function unit 1121, the future total traffic related to the target space is based on the data representing the total traffic volume related to the target space that can be calculated from the past human flow data related to the target section. The above-mentioned human flow prediction model that predicts the data representing the quantity is learned. Further, under the control of the measuring instrument complement function unit 1122, a relational model representing the relationship between the data representing the total traffic volume and the human flow data related to the target section is generated by supervised learning. After that, under the control of the person flow data prediction unit 1123, the future total traffic amount related to the target space is predicted based on the person flow prediction model, and the relational model and the future total traffic related to the predicted target space are predicted. Future traffic data for the target plot is predicted based on the quantity.
このため、例えば、対象区画のセンサが故障等により正常に動作しない場合においても対象区画に係る将来の人流等を継続して予測することが可能となる。また、人流センサの計測精度が低いような場合にも、全体通行量を経由しないで将来の人流データを予測する場合と比較して、精度が向上した将来の人流データの予測が可能となる。 Therefore, for example, even if the sensor of the target section does not operate normally due to a failure or the like, it is possible to continuously predict the future flow of people related to the target section. Further, even when the measurement accuracy of the human flow sensor is low, it is possible to predict the future human flow data with improved accuracy as compared with the case of predicting the future human flow data without passing through the total traffic volume.
(4)変数自動選択部113の制御の下、データ取得部111によって取得されたデータから、当該データの特徴量を計算し、当該計算された特徴量と取得された人流データとの相関を表す値を用いた統計的分析処理を実行することによって、所定の条件を満たす特徴量が選択される。その後、人流予測モデル学習機能部1121の制御の下、上記選択された特徴量を、将来の人流データを予測するための説明変数として使用する上記人流予測モデルが学習される。 (4) Under the control of the variable automatic selection unit 113, the feature amount of the data is calculated from the data acquired by the data acquisition unit 111, and the correlation between the calculated feature amount and the acquired human flow data is shown. By executing the statistical analysis process using the values, the feature quantities satisfying the predetermined conditions are selected. Then, under the control of the human flow prediction model learning function unit 1121, the human flow prediction model using the selected feature amount as an explanatory variable for predicting future human flow data is learned.
このため、人流等を予測するために、取得されたデータから、人流等の予測の精度向上に寄与する説明変数を選択することが可能となる。 Therefore, in order to predict the flow of people and the like, it is possible to select an explanatory variable that contributes to improving the accuracy of the prediction of the flow of people and the like from the acquired data.
(5)差異計算部1114の制御の下、取得された対象区画に係る人流データが示す値と、当該人流データが取得された時刻について対象区画に係り予め予測されている人流データが示す値との差異が計算される。当該計算された差異の値が予め定められた閾値よりも大きい場合に、人流予測モデル学習機能部1121の制御の下、当該人流データが取得された時刻までの期間に取得された少なくとも人流データに基づいて人流予測モデルが学習し直される。 (5) Under the control of the difference calculation unit 1114, the value indicated by the person flow data related to the acquired target section and the value indicated by the person flow data predicted in advance for the target section at the time when the person flow data was acquired. The difference is calculated. When the calculated difference value is larger than a predetermined threshold value, at least the human flow data acquired during the period up to the time when the human flow data is acquired under the control of the human flow prediction model learning function unit 1121. Based on this, the human flow prediction model is retrained.
このため、人流等の予測値が現実の事象から大きく乖離した場合に、現在使用するのに適切な人流予測モデルを学習し直すことができる。 Therefore, when the predicted value of the human flow or the like deviates greatly from the actual event, it is possible to relearn the human flow prediction model suitable for the current use.
[他の実施形態]
なお、この発明は上記第1の実施形態に限定されるものではない。例えば、上記第1の実施形態では、人流予測装置を1つの装置として図示して説明しているが、当該人流予測装置が備える各機能部は、空間的に分散配置されネットワーク経由で通信可能な状態に接続された複数の装置のうちの任意の装置に備えられるようにしてもよい。また、人流予測装置が備える各機能部を、クラウドなどネットワーク上の計算機または仮想技術を用いた仮想マシン上にソフトウェアとして構成してもよい。
[Other Embodiments]
The present invention is not limited to the first embodiment. For example, in the first embodiment described above, the person flow prediction device is illustrated and described as one device, but each functional unit included in the person flow prediction device is spatially distributed and can communicate via a network. It may be provided in any device among a plurality of devices connected to the state. Further, each functional unit included in the human flow prediction device may be configured as software on a computer on a network such as a cloud or a virtual machine using virtual technology.
その他、人流予測装置等の装置の種類とその構成や、センサデータテーブル、人流予測モデルテーブル、および関係モデルテーブルに記憶される情報の構成等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。 In addition, the types and configurations of devices such as the human flow prediction device, and the configurations of information stored in the sensor data table, the human flow prediction model table, and the relational model table are also variously modified without departing from the gist of the present invention. It is possible to carry out.
要するにこの発明は、上記第1の実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記第1の実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、上記第1の実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。 In short, the present invention is not limited to the first embodiment as it is, and at the implementation stage, the components can be modified and embodied within a range that does not deviate from the gist thereof. In addition, various inventions can be formed by an appropriate combination of the plurality of components disclosed in the first embodiment. For example, some components may be deleted from all the components shown in the first embodiment. In addition, components from different embodiments may be combined as appropriate.
1…人流予測装置、11…制御ユニット、111…データ取得部、1111…人流データ取得部、1112…外部データ取得部、1113…BEMSデータ取得部、1114…差異計算部、112…人流予測部、1121…人流予測モデル学習機能部、1122…測定器補完機能部、1123…人流データ予測部、113…変数自動選択部、114…出力部、12…記憶ユニット、121…センサデータテーブル記憶部、122…人流予測モデルテーブル記憶部、123…関係モデルテーブル記憶部、124…人流予測データ記憶部、13…外部インタフェースユニット、14…入出力インタフェースユニット、2…センサ、3…BEMS、4…入力部、5…表示部 1 ... People flow prediction device, 11 ... Control unit, 111 ... Data acquisition unit 1111 ... People flow data acquisition unit 1112 ... External data acquisition unit 1113 ... BEMS data acquisition unit 1114 ... Difference calculation unit, 112 ... People flow prediction unit, 1121 ... Human flow prediction model learning function unit 1122 ... Measuring instrument complement function unit 1123 ... Human flow data prediction unit, 113 ... Variable automatic selection unit, 114 ... Output unit, 12 ... Storage unit, 121 ... Sensor data table storage unit, 122 ... Human flow prediction model table storage unit, 123 ... Relationship model table storage unit, 124 ... Human flow prediction data storage unit, 13 ... External interface unit, 14 ... Input / output interface unit, 2 ... Sensor, 3 ... BEMS, 4 ... Input unit, 5 ... Display
Claims (7)
過去の人流データから将来の人流データを予測するための人流予測モデルを記憶する記憶媒体と、
前記対象区画に係る人流データを取得するデータ取得部と、
前記人流予測モデルと、前記取得された人流データとに基づいて、前記対象区画に係る将来の人流データを予測する人流データ予測部と、
前記データ取得部によって取得された過去の複数の人流データから、当該各データの特徴量を計算し、当該計算された特徴量と前記取得された人流データとの偏自己相関を表す値を用いた統計的分析処理を実行することによって、所定の条件を満たす特徴量を選択する変数自動選択部と、
前記選択された特徴量を将来の人流データを予測するための説明変数として、前記人流予測モデルを学習する人流予測モデル学習機能部と
を備える人流予測装置。 It is a human flow prediction device that predicts the human flow data related to the target section in the target space in the target space through which people pass.
A storage medium that stores a human flow prediction model for predicting future human flow data from past human flow data,
A data acquisition unit that acquires human flow data related to the target section, and
A human flow data prediction unit that predicts future human flow data related to the target section based on the human flow prediction model and the acquired human flow data.
The feature amount of each data was calculated from a plurality of past human flow data acquired by the data acquisition unit, and a value representing the partial autocorrelation between the calculated feature amount and the acquired human flow data was used. A variable automatic selection unit that selects features that satisfy predetermined conditions by executing statistical analysis processing,
A human flow prediction device including a human flow prediction model learning function unit that learns the human flow prediction model as an explanatory variable for predicting future human flow data using the selected feature amount .
前記変数自動選択部は、前記対象区画に係る過去の所定期間に取得された人流データから計算される前記特徴量と、前記過去の所定期間に取得された前記外部データおよび前記エネルギ管理データの少なくとも一方から計算される特徴量とをもとに、それぞれ前記統計的分析処理により前記所定の条件を満たす特徴量を選択し、
前記人流予測モデル学習機能部は、前記選択された各特徴量を将来の人流データを予測するための説明変数として用いて、前記人流予測モデルを学習し、
前記人流データ予測部は、前記学習された人流予測モデルと、前記取得された人流データと、前記取得された前記外部データおよび前記エネルギ管理データの少なくとも一方とに基づいて、前記対象区画に係る将来の人流データを予測する、請求項1に記載の人流予測装置。 The data acquisition unit includes external data including at least one of information representing a physical phenomenon related to the target space and information representing the implementation status of an event, and energy management data related to energy management in a facility in the target space. Get at least one more of
The variable automatic selection unit is at least the feature amount calculated from the human flow data acquired in the past predetermined period related to the target section, the external data acquired in the past predetermined period, and the energy management data. Based on the feature amount calculated from one of them, the feature amount satisfying the predetermined condition is selected by the statistical analysis process.
The human flow prediction model learning function unit learns the human flow prediction model by using each of the selected feature quantities as an explanatory variable for predicting future human flow data .
The human flow data prediction unit is based on the learned human flow prediction model, the acquired human flow data, and at least one of the acquired external data and the energy management data, and the future related to the target section. The person flow prediction device according to claim 1, which predicts the person flow data of the above.
前記人流予測モデル学習機能部は、前記計算された差異の値が予め定められた閾値よりも大きい場合に、前記時刻までの期間に取得された少なくとも人流データに基づいて前記人流予測モデルを学習し直す、請求項1乃至3のいずれかに記載の人流予測装置。 A difference calculation unit that calculates the difference between the acquired value indicated by the person flow data related to the target section and the value indicated by the person flow data predicted in advance for the target section at the time when the person flow data was acquired. Further prepare
The human flow prediction model learning function unit learns the human flow prediction model based on at least the human flow data acquired during the period up to the time when the calculated difference value is larger than a predetermined threshold value. The person flow prediction device according to any one of claims 1 to 3, which is to be corrected.
過去の人流データから将来の人流データを予測するための人流予測モデルを記憶する記憶媒体と、
前記対象区画に係る人流データを取得するデータ取得部と、
前記人流予測モデルと、前記取得された人流データとに基づいて、前記対象区画に係る将来の人流データを予測する人流データ予測部と、
前記取得された人流データを少なくとも用いて、前記人流予測モデルを動的に更新する人流予測モデル学習機能部と、
前記全体通行量を表すデータと前記対象区画に係る人流データとの関係を表す関係モデルを教師あり学習により生成する補完機能部と
を備え、
前記人流予測モデル学習機能部は、前記対象区画に係る過去の人流データから算出可能な前記対象空間に係る全体通行量を表すデータをもとに、前記対象空間に係る将来の全体通行量を表すデータを予測する前記人流予測モデルを学習し、
前記人流データ予測部は、前記人流予測モデルに基づいて前記対象空間に係る将来の全体通行量を予測し、前記関係モデルと、前記予測された前記対象空間に係る将来の全体通行量とに基づいて、前記対象区画に係る将来の人流データを予測する
人流予測装置。 It is a human flow prediction device that predicts the human flow data related to the target section in the target space in the target space through which people pass.
A storage medium that stores a human flow prediction model for predicting future human flow data from past human flow data,
A data acquisition unit that acquires human flow data related to the target section, and
A human flow data prediction unit that predicts future human flow data related to the target section based on the human flow prediction model and the acquired human flow data.
A human flow prediction model learning function unit that dynamically updates the human flow prediction model using at least the acquired human flow data,
A complementary function unit that generates a relational model representing the relationship between the data representing the total traffic volume and the human flow data related to the target section by supervised learning.
Bei to give a,
The human flow prediction model learning function unit represents the future total traffic volume related to the target space based on the data representing the total traffic volume related to the target space that can be calculated from the past human flow data related to the target section. Learn the above-mentioned human flow prediction model that predicts data,
The human flow data prediction unit predicts the future total traffic volume of the target space based on the human flow prediction model, and is based on the relational model and the future total traffic volume of the predicted target space. A human flow prediction device that predicts future human flow data related to the target section.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017162797A JP6761789B2 (en) | 2017-08-25 | 2017-08-25 | People flow forecasters, systems and programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017162797A JP6761789B2 (en) | 2017-08-25 | 2017-08-25 | People flow forecasters, systems and programs |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019040475A JP2019040475A (en) | 2019-03-14 |
JP6761789B2 true JP6761789B2 (en) | 2020-09-30 |
Family
ID=65726861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017162797A Active JP6761789B2 (en) | 2017-08-25 | 2017-08-25 | People flow forecasters, systems and programs |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6761789B2 (en) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7277257B2 (en) * | 2019-05-28 | 2023-05-18 | 株式会社日立製作所 | Movement demand estimation system and people flow estimation system |
US20220253644A1 (en) * | 2019-06-12 | 2022-08-11 | Nippon Telegraph And Telephone Corporation | Prediction device, prediction method, and prediction program |
JP7259596B2 (en) * | 2019-07-01 | 2023-04-18 | 富士通株式会社 | Prediction program, prediction method and prediction device |
US20220366307A1 (en) * | 2019-10-02 | 2022-11-17 | Nippon Telegraph And Telephone Corporation | Learning device, prediction device, learning method, and learning program |
WO2021130926A1 (en) * | 2019-12-25 | 2021-07-01 | 日本電信電話株式会社 | Flow of people prediction device, flow of people prediction method, and flow of people prediction program |
CN112270998B (en) * | 2020-09-23 | 2023-03-28 | 清华大学 | Method and device for evaluating distribution of infected persons in region |
CN112255923B (en) * | 2020-10-13 | 2023-12-19 | 日立楼宇技术(广州)有限公司 | Electric equipment control method, device, server and medium |
CN112269930B (en) * | 2020-10-26 | 2023-10-24 | 北京百度网讯科技有限公司 | Regional heat prediction model and regional heat prediction method and device |
WO2022091196A1 (en) * | 2020-10-27 | 2022-05-05 | 株式会社Archaic | Crowding prediction system |
CN112637555B (en) * | 2020-12-07 | 2023-04-07 | 北京格灵深瞳信息技术股份有限公司 | Regional thermodynamic calculation method and device, computer equipment and storage medium |
EP4343643A4 (en) * | 2021-06-29 | 2024-08-07 | Mitsubishi Electric Corp | Information processing device, program, and information processing method |
CN113657652B (en) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | Method, device, equipment and readable storage medium for predicting flow quantity |
WO2024127506A1 (en) * | 2022-12-13 | 2024-06-20 | 日本電信電話株式会社 | Prediction device, prediction method, and prediction program |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5952724B2 (en) * | 2012-12-05 | 2016-07-13 | 株式会社日立製作所 | Human flow research support system and method |
CN105488751A (en) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | Subway station passenger flow micro statistics and scheduling method |
WO2017056367A1 (en) * | 2015-09-30 | 2017-04-06 | 日本電気株式会社 | Information processing system, information processing method, and information processing program |
CN106503829A (en) * | 2016-09-26 | 2017-03-15 | 同济大学 | A kind of crowding Forecasting Methodology of the Urban Public Open Space based on multi-source data |
-
2017
- 2017-08-25 JP JP2017162797A patent/JP6761789B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019040475A (en) | 2019-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6761789B2 (en) | People flow forecasters, systems and programs | |
Stolfi et al. | Predicting car park occupancy rates in smart cities | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
JP7338704B2 (en) | People flow prediction device, people flow prediction method, and people flow prediction program | |
Wu et al. | Urban traffic flow prediction using a spatio-temporal random effects model | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN111091196B (en) | Passenger flow data determination method and device, computer equipment and storage medium | |
CN102298608A (en) | Information processing apparatus, information processing method and program | |
CN107239846B (en) | Parking lot berth prediction processing method and device | |
US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
WO2017010317A1 (en) | Display control device, display control method, and program | |
JP6462264B2 (en) | Destination prediction apparatus, destination prediction method, and program | |
Śleszyński | Expected traffic speed in Poland using Corine land cover, SRTM-3 and detailed population places data | |
JP2016038741A (en) | Movement state determination device, movement state determination method and program | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
AU2022407809A1 (en) | Methods, systems, devices and neural networks for forecasting a time series | |
Ahmed et al. | Prediction of traveller information and route choice based on real-time estimated traffic state | |
JP6744767B2 (en) | Human flow prediction device, parameter estimation device, method, and program | |
JP6807822B2 (en) | Human flow predictors, methods, and programs | |
Vu et al. | Bus running time prediction using a statistical pattern recognition technique | |
CN115222081A (en) | Academic resource prediction method and device and computer equipment | |
Nazem et al. | Revisiting the destination ranking procedure in development of an Intervening Opportunities Model for public transit trip distribution | |
Szeto | Dynamic modeling for intelligent transportation system applications | |
Andersen et al. | Exploring occupant detection model generalizability for residential buildings using supervised learning with IEQ sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190827 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200602 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200713 |
|
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: 20200901 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200907 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6761789 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |