JP6946542B2 - 学習システム、推定システム及び学習済モデル - Google Patents

Description

本発明は、学習システム、推定システム及び学習済モデルに関する。

サービスの需要の予測を行うシステムが知られている。例えば、タクシーの需要を予測するシステムでは、所定範囲に区切られた場所及び時間ごと（例えば５００ｍ四方のメッシュごと、３０分ごと）の需要数が予測される。特許文献１には、複数の区域に分割された地図における複数の区域各々に、当該区域各々における旅客数に関する予測値に基づく情報各々を対応付けて表示させる技術が記載されている。旅客数に関する予測値に基づく情報は、区域毎の乗用旅客車両の需要数と、空車状態の乗用旅客車両の数とに基づき、需要数はニューラルネットワークによるモデルに基づいて出力される。

特開２０１６−７５９７２号公報

所定範囲に区切られた地理的範囲であるエリア（メッシュ）ごとのサービスの需要数を予測する問題においては、メッシュごとの予測モデルを作成する方法と、メッシュによらず単一のモデルを作成する方法とがある。特異な特徴を有するメッシュが予測の対象に含まれる場合には、メッシュごとの予測モデルを作成することは有効であるが、この手法には、モデルに入力する特徴量にノイズが含まれる場合に誤差が大きくなりやすい等の欠点がある。

一方、単一のモデルにより予測を行う方法は、ノイズに対してロバストであり、全てのメッシュに対して汎用的に適用できるといった長所がある。また、単一のモデルにより予測する方法では、多くのエリアの大量のデータを入力することにより、あるエリアの需要の予測に、当該エリアに類似するエリアのデータが活用されるといった深層学習の特性を利用できる。しかしながら、単一のモデルにより予測を行う方法では、入力されるデータにおいて、需要数の値の出現数の分布のメッシュ間の偏りがある場合に、予測モデルにおける誤差が大きくなりやすかった。

そこで、本発明は、上記問題点に鑑みてなされたものであり、単一のモデルによるエリアごとのサービスの需要数の予測に際して、需要数の出現数の分布に偏りがある場合であっても、誤差を低減し、精度が高い予測が可能な学習システム、推定システム及び学習済モデルを提供することを目的とする。

上記課題を解決するために、本発明の一形態に係る学習システムは、機械学習により生成されるニューラルネットワークを含む単一の予測モデルにより、所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うための需要予測システムにおける、ニューラルネットワークを機械学習により生成する学習システムであって、過去の期間に関連づけられたメッシュごとの学習用特徴量であって、少なくとも各期間の各メッシュにおけるサービスの需要数を特徴量として含む学習用特徴量を学習データとして取得する学習データ取得部と、学習データに含まれる学習用特徴量を、メッシュごとに正規化する学習データ正規化部であって、学習用特徴量のうちの少なくとも需要数を正規化する、学習データ正規化部と、学習データ正規化部により正規化された需要数を含む学習用特徴量をニューラルネットワークに入力して得られる、サービスの需要の予測数である需要予測値に基づいて機械学習を行い、ニューラルネットワークを生成する生成部と、を備える。

上記の形態によれば、学習用特徴量に含まれる需要数がメッシュごとに正規化された後にニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮されたニューラルネットワークが生成される。従って、誤差が低減された精度が高い予測が可能な単一の予測モデルが得られる。

上記課題を解決するために、本発明の一形態に係る推定システムは、上記学習システムにより生成されたニューラルネットワークを含む予測モデルを用いて、サービスの需要の推定を行う推定システムであって、需要の推定の対象期間に関連付けられたメッシュごとの特徴量であって、少なくとも対象期間に関連付けられた期間のメッシュにおけるサービスの需要数を含む、特徴量を取得する特徴量取得部と、特徴量取得部により取得された特徴量を、メッシュごとに正規化する正規化部であって、特徴量のうちの少なくとも需要数を正規化する、正規化部と、正規化部により正規化された需要数を含む特徴量を予測モデルのニューラルネットワークに入力して、対象期間におけるサービスの需要数を推定する推定部と、推定部により推定された需要数を需要推定値として出力する出力部と、を備える。推定システムにおいて用いられる予測モデルのニューラルネットワークは、過去の期間に関連づけられたメッシュごとの特徴量であって、少なくともメッシュごとに正規化された各期間の各メッシュにおけるサービスの需要数を含む特徴量を入力値として、期間に関連付けられた所定の対象期間における前記サービスの前記需要数を出力する。

上記の形態によれば、需要の推定の対象期間に関連付けられた特徴量に含まれる需要数が、メッシュごとに正規化された後にニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮された需要数が推定される。

上記課題を解決するために、本発明の一形態に係る学習済モデルは、所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うための、機械学習により生成されるニューラルネットワークを含む学習済モデルであって、ニューラルネットワークは、過去の期間に関連づけられたメッシュごとの特徴量であって、少なくともメッシュごとに正規化された各期間の各メッシュにおけるサービスの需要数を含む特徴量を入力値として、期間に関連付けられた所定の対象期間におけるサービスの需要の予測数である需要予測値を出力する。

上記の形態によれば、メッシュごとに正規化された需要数を含む特徴量がニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮された需要の予測値が出力される。

単一のモデルによるエリアごとのサービスの需要数の予測に際して、需要数の出現数の分布に偏りがある場合であっても、誤差を低減し、精度が高い予測が可能な学習システム、推定システム及び学習済モデルを提供することが可能となる。

本実施形態に係る学習システム及び推定システムを含む需要予測システム１の機能的構成を示す図である。 需要予測システムのハードブロック図である。 本実施形態の需要予測システムにより出力されるタクシーの需要数のイメージを模式的に示す図である。 本実施形態の需要予測システムが解決する課題を説明するための図である。 本実施形態の予測モデルに含まれるニューラルネットワークの生成を模式的に示す図である。 学習用特徴量の例を示す図である。 学習システムにおける処理を模式的に示す図である。 本実施形態の学習方法の処理内容を示すフローチャートである。 本実施形態の推定方法の処理内容を示すフローチャートである。 需要予測プログラムの構成を示す図である。

本発明に係る学習システム、推定システム及び学習済モデルの実施形態について図面を参照して説明する。なお、可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

図１は、本実施形態に係る学習システム１０及び推定システム２０を含む需要予測システム１の機能的構成を示す図である。需要予測システム１は、機械学習により生成されるニューラルネットワークを含む単一の予測モデルにより、所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うためのシステムである。本実施形態の需要予測システム１は、ある期間（例えば３０分ごと）のメッシュごとのタクシーの需要数を予測する。

図１に示す例では、需要予測システム１は、学習システム１０及び推定システム２０並びに特徴量記憶部３０及び予測モデル記憶部４０を含んで構成されるが、学習システム１０及び推定システム２０並びに特徴量記憶部３０及び予測モデル記憶部４０がそれぞれ別の装置に構成されてもよい。

学習システム１０は、予測モデルに含まれるニューラルネットワークを機械学習により生成するシステムである。学習システム１０は、学習データ取得部１１、学習データ正規化部１２、サンプリング部１３、ミニバッチ正規化部１４及び生成部１５を含む。学習システム１０における各機能部は、１つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。

推定システム２０は、学習システム１０により生成されたニューラルネットワークを含む予測モデルを用いて、サービスの需要の推定を行うシステムである。推定システム２０は、特徴量取得部２１、正規化部２２、推定部２３及び出力部２４を含む。推定システム２０における各機能部は、１つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。

特徴量記憶部３０は、学習システム１０において機械学習に用いられる学習用特徴量及び需要の推定の対象期間に関連付けられた特徴量を記憶している記憶手段である。特徴量記憶部３０は、学習システム１０及び推定システムからアクセス可能に構成されていればいかなる態様の装置で構成されてもよい。

予測モデル記憶部４０は、ニューラルネットワークを含む予測モデルを記憶している記憶手段である。具体的には、予測モデル記憶部４０は、機械学習によりニューラルネットワークが生成及び更新される過程の予測モデル、及び、機械学習が完了した学習済みの予測モデル（学習済モデル）を適宜記憶する。予測モデル記憶部４０は、学習システム１０及び推定システムからアクセス可能に構成されていればいかなる態様の装置で構成されてもよい。

なお、図１に示したブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及び／又はソフトウェアの任意の組み合わせによって実現される。また、各機能ブロックの実現手段は特に限定されない。すなわち、各機能ブロックは、物理的及び／又は論理的に結合した１つの装置により実現されてもよいし、物理的及び／又は論理的に分離した２つ以上の装置を直接的及び／又は間接的に(例えば、有線及び／又は無線)で接続し、これら複数の装置により実現されてもよい。

例えば、本発明の一実施の形態における需要予測システム１は、コンピュータとして機能してもよい。図２は、本実施形態に係る需要予測システム１のハードウェア構成の一例を示す図である。需要予測システム１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。なお、学習システム１０及び推定システム２０のそれぞれは、図２に示すハードウェア構成を有していてもよい。

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。需要予測システム１のハードウェア構成は、図２に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

需要予測システム１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）で構成されてもよい。また、プロセッサ１００１は、ＧＰＵ（Graphics Processing Unit）を含んで構成されてもよい。例えば、図１に示した各機能部１１〜１５、２１〜２４などは、プロセッサ１００１で実現されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、需要予測システム１の各機能部１１〜１５、２１〜２４は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る学習方法及び推定方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ−ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ−ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。

通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。

また、需要予測システム１、学習システム１０または推定システム２０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

図３は、本実施形態の需要予測システム１により出力されるタクシーの需要数のイメージを模式的に示す図である。需要予測システム１は、例えば、現在（１０：００）を基準時として、所定時間（例えば、現在〜３０分、即ち１０：００〜１０：３０）のメッシュ群Ｍのメッシュごとのタクシーの需要数を予測する。予測された需要数は、図３において、各メッシュに重畳されて表示されている数である。一のメッシュｍは、例えば５００ｍ四方の区切られた地理的範囲である。

需要数は、予測の対象となる基準時（対象期間）に関連付けられた複数の過去の期間における複数のメッシュごとの需要数、人口、天気等の特徴量を、メッシュによらず単一の予測モデルに入力することにより得られる。

予測モデルは、ニューラルネットワークを含む。ニューラルネットワークは、ある基準期間に関連付けられた複数の過去の期間における複数のメッシュごとの需要数、人口、天気等の特徴量を学習用特徴量としてニューラルネットワークに入力して、その結果として得られる需要予測値と、基準期間における需要実績値とに基づいて、誤差計算（誤差逆伝搬）を含む機械学習を行うことにより生成される。誤差計算には、種々の損失関数を適用できる。

図４は、本実施形態の需要予測システム１が解決する課題を説明するための図である。具体的には、図４は、ある期間（例えば３０分ごと）及びあるメッシュにおけるタクシーの需要数である需要実績数の出現数を示すグラフである。図４に示すように、需要実績数の出現の傾向には大きな偏りがある。例えば、ある期間におけるメッシュｍａにおける需要実績数は「３８」である。このような、比較的大きい需要実績数を有する期間及びメッシュの出現数は、取得されたデータの全体に占める割合が極めて少ない。一方、ある期間におけるメッシュｍｂにおける需要実績数は「４」である。このような、比較的小さい需要実績数を有する期間及びメッシュの出現数は、取得されたデータの全体に占める割合が多い。

本実施形態では、上述のとおり、単一の予測モデルを用いて需要予測が行われる。単一の予測モデルにより予測を行う場合には、入力されるデータにおいて、需要数の出現数の分布にメッシュ間の偏りがある場合に、予測モデルにおける誤差が大きくなりやすかった。具体的には、図４に示すように、大きい需要実績数の出現数が少ないことに起因して、このようなデータを学習用のデータとする機械学習により生成されたニューラルネットワークを含む予測モデルでは、誤差が大きくなりやすかった。

また、機械学習によるニューラルネットワークの生成では、大量の学習用データを１エポック（ｅｐｏｃｈ）として、１エポックの学習データ群から所定数のデータをミニバッチとしてランダムにサンプリングして、ミニバッチごとに、学習データに含まれる特徴量に対して正規化を行うことが知られている。しかしながら、ミニバッチに対する正規化は、需要実績数の出現の傾向の偏りに起因する誤差の低減には効果がなかった。

かかる課題を解決すべく、本実施形態の需要予測システム１は、単一の予測モデルによるメッシュごとのサービスの需要数の予測に際して、需要数の出現数の分布に偏りがある場合であっても、誤差を低減し、精度が高い予測を可能とするものである。

図５は、本実施形態の予測モデルに含まれるニューラルネットワークの生成を模式的に示す図である。ニューラルネットワークＮＮは、過去の期間に関連づけられたメッシュごとの特徴量ＦＶであって、少なくともメッシュごとに正規化された各期間の各メッシュにおけるサービスの需要数を含む特徴量ＦＶを入力値として、期間に関連付けられた所定の対象期間におけるサービスの需要の予測数である需要予測値ｐｖを出力する。

具体的には、ニューラルネットワークＮＮには、学習の局面においては、ある基準時（対象期間）に関連付けられた複数の過去の期間における複数のメッシュごとの需要数、人口、天気等の特徴量ＦＶが、学習用特徴量として入力される。また、需要の予測の局面においては、予測の対象期間に関連付けられた複数の過去の期間における複数のメッシュごとの需要数、人口、天気等の特徴量ＦＶがニューラルネットワークＮＮに入力される。

ニューラルネットワークＮＮは、入力層ｉｅ、隠れ層ｓｅ及び出力層ｐｄを含む。入力層ｉｅには、特徴量のデータの数に応じた次元数の入力ベクトルとして学習用特徴量が入力される。そして、入力層ｉｅ、隠れ層ｓｅ及び出力層ｐｄの各層の関数による変換を経て需要予測値ＰＶが出力される。需要予測値ＰＶは、対象期間におけるサービスの需要の予測数である。

本実施形態の学習システム１０は、需要予測値ＰＶ及び対象期間における需要実績値に基づいて機械学習を行い、ニューラルネットワークＮＮを生成（更新）する。具体的には、学習システム１０は、需要予測値ＰＶ及び需要実績値に基づき、誤差計算（誤差逆伝搬）を行い、各層の関数係数の最適化を行う。なお、隠れ層ｓｅの数は図示された例に限定されない。また、ニューラルネットワークＮＮの生成及び機械学習には、周知の種々の手法を適用できる。

なお、学習済みのニューラルネットワークＮＮを含む予測モデルである学習済みモデルは、コンピュータにより読み込まれ又は参照され、コンピュータに所定の処理を実行させ及びコンピュータに所定の機能を実現させるプログラムとして捉えることができる。

即ち、本実施形態の学習済みモデルは、ＣＰＵ及びメモリを備えるコンピュータにおいて用いられる。具体的には、コンピュータのＣＰＵが、メモリに記憶された学習済みモデルからの指令に従って、ニューラルネットワークの入力層に入力された入力データ（例えば、需要数等を含む特徴量）に対し、各層に対応する学習済みの重み付け係数と応答関数等に基づく演算を行い、出力層から結果（需要予測数）を出力するよう動作する。

再び図１を参照して、需要予測システム１の各機能部について説明する。まず、学習システム１０に各機能部を説明する。

学習データ取得部１１は、予測モデルに含まれるニューラルネットワークを生成するために機械学習に供する学習データを取得する。学習データは、学習用特徴量及び当該学習用特徴量に関連付けられた需要実績値を含むことができる。

学習用特徴量は、ある基準時（期間）に関連付けられた過去の期間のメッシュごとの種々の特徴量を含み、少なくとも各期間の各メッシュにおけるサービスの需要数を含む。図６は、学習用特徴量の例を示す図である。図６に示す例では、学習用特徴量は、基準期間に関連付けられたメッシュ（メッシュＩＤ：Ａ１，Ａ２，Ａ３，・・・）ごとの種々の特徴量を含む。本実施形態では、各メッシュにおける複数の過去の期間（３０分前〜現在、１時間前から３０分前、１．５時間前〜１時間前）のタクシーの需要数、人口、天気が特徴量として用いられる。

タクシーの需要数は、個々のタクシーに設置されたＧＰＳデバイスにより定期的に収集された位置情報及び客車状態（乗客の有無）に基づき取得可能である。各メッシュにおける人口は、携帯端末のネットワークを利用して取得可能である。具体的には、モバイル端末と基地局の位置関係から取得されたメッシュごとの端末の在圏数及び人口データに基づいて、メッシュごとの人口の推定が可能である。各メッシュの天気は、天気に関する情報を提供する種々の情報サービスより取得可能である。なお、本実施形態では、学習用特徴量として、需要数、人口及び天気を取得することとしているが、取得される学習用特徴量はこれらの特徴量には限定されない。

需要実績値は、サービスの需要の実績数である。本実施形態では、学習データ取得部１１は、基準期間におけるタクシーの需要数の実績数を需要実績値として学習用特徴量とともに取得する。図６に示す例では、学習データ取得部１１は、例えば、「２０１７／１２／１５ １２：００」から３０分の間におけるタクシーの需要実績数を、当該基準期間の学習用特徴量に関連付けて取得する。

図７は、学習システム１０における処理を模式的に示す図である。以下の説明では、図１及び図７を併せて参照しながら、学習システム１０の各機能部を説明する。図７の処理ｐ１１に示されるように、学習データ取得部１１は、機械学習の対象となる一定期間の各メッシュの特徴量ｆｖ１を取得する。なお。図７に示される符号ｆｖ１〜ｆｖ７に含まれる値は、説明のための模式的なものであって、厳密に算出されたものではない。

学習データ正規化部１２は、学習データに含まれる学習用特徴量を、メッシュごとに正規化する（Ｍｅｓｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ）。特に、学習データ正規化部１２は、学習用特徴量に含まれる特徴量のうちの少なくとも需要数を正規化する。正規化は、種々の手法により行われることが可能であるが、例えば、データの分布が平均０及び分散１となるように各データを変換することである。

本実施形態では、学習データ正規化部１２は、少なくとも、タクシーの需要数をメッシュごとに正規化する。具体的には、学習データ正規化部１２は、一のメッシュにおける機械学習の対象となる一定期間の需要数のデータのうち最大値で当該メッシュの需要数を除して、正規化された需要数を得る。こうして、図７の処理ｐ１２に示されるように、学習データ正規化部１２は、学習データ取得部１１により取得された学習用特徴量ｆｖ２をメッシュごとに正規化して、正規化された学習用特徴量ｆｖ３を算出する。

なお、学習データ正規化部１２は、同じメッシュに属し且つ所定の同じ時期的属性に関連付けられた学習用特徴量ごとに正規化を行ってもよい。具体的には、学習データ正規化部１２は、同一のメッシュに属し、且つ、同じ曜日及び時刻等の属性に関連付けられた特徴量を抽出し、抽出された特徴量のうちの最大値で、抽出された特徴量を除して正規化された特徴量を得てもよい。

また、学習データ正規化部１２は、学習用特徴量における、特徴量の値の出現数の分布のメッシュ間の偏りに基づいて、当該特徴量に対する正規化の実施の要否を判定してもよい。

図４を参照して説明したように、本実施形態の需要予測システム１は、需要実績数の出現数の傾向においてメッシュ間で大きな偏りがある場合において生じうる、予測モデルの誤差を低減できるものである。このような課題に鑑みて、学習データ正規化部１２は、学習データ取得部１１により取得された学習用特徴量におけるタクシーの需要数（需要実績数）を周知の統計的手法により解析し、需要実績数の出現数のメッシュ間の偏りが所定の程度以上であった場合に、取得された学習用特徴量の需要数に対するメッシュごとの正規化を実施することとしてもよい。

サンプリング部１３は、複数の学習用特徴量のうち所定数の学習用特徴量をミニバッチとしてサンプリングする。本実施形態では、サンプリング部１３は、学習データ正規化部１２により正規化された学習用特徴量のうちの所定数の学習用特徴量をサンプリングする。例えば、サンプリング部１３は、学習データ取得部１１により１エポックの学習用データ（例えば、５０００メッシュ×５０の期間×５００日分＝７５００万レコードのデータ）が取得された場合に、所定数（例えば、１００レコード）の学習用データをランダムにサンプリングして、１つのミニバッチとして取得する。こうして、図７の処理ｐ１３に示されるように、サンプリング部１３は、学習データ正規化部１２により正規化された学習用特徴量ｆｖ３のうちの所定数をサンプリングし、ミニバッチとしての学習用特徴量ｆｖ４を取得する。

また、サンプリング部１３は、学習用特徴量をランダムにサンプリングすることに代えて、所定値以上の需要実績値に関連付けられた学習用特徴量をサンプリングすることとしてもよい。これにより、需要数のスケールが大きいメッシュに関連付けられた学習用特徴量が機械学習に用いられることになるので、出現数が少ない、大きなスケールの需要数のメッシュに対する需要予測の精度を向上させることができる。

ミニバッチ正規化部１４は、サンプリング部１３によりサンプリングされた学習用特徴量をミニバッチごとに正規化する。具体的には、ミニバッチ正規化部１４は、学習用特徴量に含まれる各特徴量のうちの少なくとも一部の特徴量に対して、ミニバッチごとの正規化を実施する。従って、ミニバッチ正規化部１４は、学習用特徴量のうちの需要数のみに対してミニバッチごとの正規化を実施してもよいし、人口及び天気等の特徴量に対して更に正規化を実施してもよい。こうして、図７の処理ｐ１４に示されるように、ミニバッチ正規化部１４は、サンプリングされた学習用特徴量ｆｖ４をミニバッチごとに正規化し、正規化された学習用特徴量ｆｖ５を取得する。

生成部１５は、少なくとも学習データ正規化部１２により正規化された需要数を含む学習用特徴量をニューラルネットワークに入力して得られる、サービスの需要の予測数である需要予測値を取得し、取得した需要予測値及び需要実績値に基づいて機械学習を行い、ニューラルネットワークを生成する。

本実施形態では、生成部１５は、ミニバッチ正規化部１４により正規化された学習用特徴量をニューラルネットワークＮＮに入力して、当該学習用特徴量に対応する対象期間の需要予測値を取得する。即ち、図７の処理ｐ１５に示されるように、生成部１５は、正規化された学習用特徴量ｆｖ５をニューラルネットワークＮＮに入力して、タクシーの需要の推定を実施し、需要予測値ｆｖ６を取得する。

生成部１５は、取得した需要予測値及び当該学習用特徴量に対応する需要実績値に基づいて誤差計算を含む機械学習を行い、ニューラルネットワークＮＮの最適化及び更新を行う。即ち、図７の処理ｐ１６に示されるように、生成部１５は、需要予測値ｆｖ６を用いた機械学習を実施して、ニューラルネットワークＮＮを生成する。

なお、生成部１５は、学習データ正規化部１２において用いられた正規化係数により変換された需要実績値を用いて、機械学習のための誤差計算を行う。具体的には、ニューラルネットワークＮＮにより出力される需要予測値は、メッシュごとに正規化された需要数に基づくので、生成部１５は、出力された需要予測値に対応するように、学習データ正規化部１２において用いられた正規化係数により正規化された需要実績値を用いて誤差計算を行う。

なお、生成部１５は、機械学習によるニューラルネットワークＮＮの生成に際して、学習データ正規化部１２において学習用特徴量のメッシュごとの正規化に用いられた値（正規化係数）を、ニューラルネットワークＮＮに入力する特徴量として用いてもよい。これにより、生成されるニューラルネットワークＮＮに、正規化された特徴量の、値の規模（スケール）のメッシュ間の差異による振る舞いの性質の違いが反映される。

次に、推定システム２０の各機能部について説明する。推定システム２０は、学習システム１０により生成されたニューラルネットワークＮＮを含む単一の予測モデル（メッシュによらない予測モデル）を用いて、タクシーの需要数の推定を行う。

特徴量取得部２１は、需要の推定の対象期間に関連付けられたメッシュごとの特徴量であって、少なくとも対象期間に関連付けられた期間の前記メッシュにおけるサービスの需要数を含む、特徴量を取得する。具体的には、例えば、現在（現在〜３０分後）を需要予測の対象期間とする場合には、特徴量取得部２１は、現在以前の過去の複数の期間のメッシュごとの特徴量を取得する。取得される特徴量は、少なくとも、各期間及び各メッシュのタクシーの需要数を含む。特徴量における項目等の内容は、学習データ取得部１１により取得される学習用特徴量と同様である。

正規化部２２は、特徴量取得部２１により取得された特徴量をメッシュごとに正規化する。本実施形態では、正規化部２２は、特徴量のうちの少なくとも前記需要数を正規化する。具体的には、正規化部２２は、学習データ正規化部１２による学習用特徴量のメッシュごとの正規化と同様に、特徴量取得部２１により取得された特徴量のうちの少なくとも需要数をメッシュごとに正規化する。

推定部２３は、正規化部２２により正規化された需要数を含む特徴量を予測モデルのニューラルネットワークＮＮに入力して、予測の対象期間におけるサービスの需要数を推定する。具体的には、推定部２３は、生成部１５による需要予測値の取得と同様に、正規化部２２により正規化された特徴量をニューラルネットワークＮＮに入力して、当該特徴量に対応するタクシーの需要数を推定する。

出力部２４は、推定部２３により推定された需要数を需要推定値として出力する。なお、出力部２４は、正規化部２２において用いられた正規化係数により変換された需要推定値を出力する。即ち、推定部２３により推定された需要数は、正規化部２２により正規化された需要数をニューラルネットワークＮＮに入力して得られたものであるので、出力部２４は、正規化に用いられた正規化係数で逆変換された需要数を需要推定値として出力する。

次に、図８を参照して、需要予測システム１における、ニューラルネットワークを生成する学習方法について説明する。図８は、本実施形態の学習方法の処理内容を示すフローチャートである。

ステップＳ１において、学習データ取得部１１は、予測モデルに含まれるニューラルネットワークＮＮを生成するために機械学習に供する学習データを取得する。学習データは、学習用特徴量及び需要実績値を含む。

ステップＳ２において、学習データ正規化部１２は、学習データに含まれる学習用特徴量を、メッシュごとに正規化する。

ステップＳ３において、サンプリング部１３は、複数の学習用特徴量のうち所定数の学習用特徴量をミニバッチとしてサンプリングする。続くステップＳ４において、ミニバッチ正規化部１４は、サンプリング部１３によりサンプリングされた学習用特徴量をミニバッチごとに正規化する。

ステップＳ５において、生成部１５は、学習用特徴量をニューラルネットワークＮＮに入力する。続いて、ステップＳ６において、生成部１５は、入力した学習用特徴量に対応する対象期間の需要予測値を取得する。

ステップＳ７において、生成部１５は、生成部１５は、取得した需要予測値及び当該学習用特徴量に対応する需要実績値に基づいて誤差計算を含む機械学習を行う。そして、ステップＳ８において、生成部１５は、ステップＳ７における機械学習に基づきニューラルネットワークＮＮを更新（生成）する。

次に、図９を参照して、需要予測システム１における、ニューラルネットワークＮＮを含む単一の予測モデルを用いてサービスの需要の推定を行う推定方法について説明する。図９は、本実施形態の推定方法の処理内容を示すフローチャートである。

ステップＳ１１において、特徴量取得部２１は、需要の推定の対象期間に関連付けられたメッシュごとの特徴量を取得する。取得される特徴量は、少なくとも対象期間に関連付けられた過去の期間の各メッシュにおけるタクシーの需要数を含む。

ステップＳ１２において、正規化部２２は、ステップＳ１１において特徴量取得部２１により取得された特徴量をメッシュごとに正規化する。

ステップＳ１３において、推定部２３は、ステップＳ１１において正規化部２２により正規化された需要数を含む特徴量を、予測モデルのニューラルネットワークＮＮに入力する。続くステップＳ１４において、推定部２３は、タクシーの需要数を推定する。具体的には、推定部２３は、ニューラルネットワークＮＮにより出力される需要数を取得する。

そして、ステップＳ１５において、ステップＳ１４において推定部２３により推定された需要数を需要推定値として出力する。

次に、コンピュータを、本実施形態の需要予測システム１として機能させるための需要予測プログラムについて説明する。図１０は、需要予測プログラムＰ１の構成を示す図である。

需要予測プログラムＰ１は、コンピュータに学習システム１０を実現させるモジュールｍ１１〜ｍ１５及びコンピュータに推定システム２０を実現させるモジュールｍ２１〜ｍ２４を含む。具体的には、需要予測プログラムＰ１は、需要予測システム１における需要予測処理を統括的に制御するメインモジュールｍ１０、学習データ取得モジュールｍ１１、学習データ正規化モジュールｍ１２、サンプリングモジュールｍ１３、ミニバッチ正規化モジュールｍ１４及び生成モジュールｍ１５、並びに特徴量取得モジュールｍ２１、正規化モジュールｍ２２、推定モジュールｍ２３及び出力モジュールｍ２４を備えて構成される。そして、各モジュールｍ１１〜ｍ１５，ｍ２１〜ｍ２４により、需要予測システム１における学習データ取得部１１、学習データ正規化部１２、サンプリング部１３、ミニバッチ正規化部１４及び生成部１５、並びに特徴量取得部２１、正規化部２２、推定部２３及び出力部２４のための各機能が実現される。なお、需要予測プログラムＰ１は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１０に示されるように、記録媒体Ｄ１に記憶される態様であってもよい。

以上説明した本実施形態の需要予測システム１における学習システム１０では、学習用特徴量に含まれる需要数がメッシュごとに正規化された後にニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮されたニューラルネットワークが生成される。従って、誤差が低減された精度が高い予測が可能な単一の予測モデルが得られる。

また、本実施形態の需要予測システム１における推定システム２０では、需要の推定の対象期間に関連付けられた特徴量に含まれる需要数が、メッシュごとに正規化された後にニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮された需要数が推定される。

また、本実施形態の予測モデル（学習済モデル）では、メッシュごとに正規化された需要数を含む特徴量がニューラルネットワークに入力される。これにより、メッシュごとの需要数の規模（スケール）の差異による特徴量の振る舞いの性質の違いが考慮された需要の予測値が出力される。

また、別の形態に係る学習システムでは、学習データ取得部は、各メッシュの学習用特徴量に関連付けられたサービスの需要の実績数である需要実績値を学習データとして取得し、生成部は、需要予測値及び学習データ正規化部において用いられた正規化係数により正規化された需要実績値を用いて、機械学習のための誤差計算を行うこととしてもよい。

ニューラルネットワークの生成のための機械学習において、正規化された需要予測値を用いて誤差計算（例えば、誤差逆伝搬による）を行うと、需要数が多いメッシュの出現数が少ないことに起因して、誤差が大きくなる。上記形態によれば、学習データの正規化に用いた正規化係数で変換された需要予測値が機械学習のための誤差計算に用いられるので、より高精度な予測が可能なニューラルネットワークが得られる。

また、別の形態に係る学習システムは、複数の学習用特徴量のうち所定数の学習用特徴量をミニバッチとしてサンプリングするサンプリング部と、サンプリング部によりサンプリングされた学習用特徴量をミニバッチごとに正規化するミニバッチ正規化部と、を更に備え、生成部は、ミニバッチ正規化部により正規化された学習用特徴量をニューラルネットワークに入力し、サンプリング部は、所定値以上の需要実績値に関連付けられた学習用特徴量をサンプリングすることとしてもよい。

上記形態によれば、機械学習によるニューラルネットワークの生成に際して、スケールが大きい需要実績値に関連付けられた学習用特徴量がニューラルネットワークに入力されるので、需要数のスケールが大きいメッシュに対する需要予測を高精度の行うことが可能な予測モデルを得ることができる。

また、別の形態に係る学習システムでは、生成部は、学習データ正規化部において学習用特徴量のメッシュごとの正規化に用いられた正規化係数を、ニューラルネットワークに入力して機械学習を行うこととしてもよい。

上記形態によれば、学習用特徴量のメッシュごとの正規化に用いられた正規化係数が機械学習のためにニューラルネットワークに入力されるので、正規化された特徴量の値の規模（スケール）のメッシュ間の差異による振る舞いの性質の違いが反映されたニューラルネットワークが生成される。

また、別の形態に係る学習システムでは、学習データ正規化部は、所定の同じ時期的属性に関連付けられた学習用特徴量ごとに正規化を行うこととしてもよい。

上記形態によれば、正規化された特徴量の値のスケールのメッシュ間及び時期的属性間の差異による当該特徴量の振る舞いの性質の違いが反映されたニューラルネットワークが生成される。

また、別の形態に係る学習システムでは、学習データ正規化部は、学習用特徴量における、特徴量の値の出現数の分布のメッシュ間の偏りに基づいて、当該特徴量に対する正規化の実施の要否を判定することとしてもよい。

上記形態によれば、特徴量の値の出現数の分布のメッシュ間の偏りが大きい場合に、当該特徴量に対するメッシュごとの正規化が誤差低減等に有効であるので、上記形態によれば、例えば、特徴量の値の出現数の分布のメッシュ間の偏りが大きい場合に正規化が実施されるように構成することにより、高精度な予測が可能なニューラルネットワークの生成に適切に寄与する正規化の処理を実施することが可能となる。

また、別の形態に係る学習システムでは、サービスの需要予測は、タクシーの需要予測であり、学習用特徴量は、各期間の各メッシュにおける人口に関する情報及び天気に関する情報のうちの少なくともいずれかを含むこととしてもよい。

上記形態によれば、タクシーの需要予測において、メッシュごとの人口に関する情報及び天気に関する情報の少なくともいずれかを含む学習用特徴量により機械学習が行われるので、人口または天気が考慮された、より高精度な予測が可能な予測モデルを得ることが可能となる。

また、別の形態に係る推定システムでは、出力部は、正規化部において用いられた正規化係数により逆変換された需要推定値を出力することとしてもよい。

上記形態によれば、正規化された値の入力に応じた需要数の値がニューラルネットワークにより出力されるので、正規化に用いられた正規化係数により出力された値を逆変換することにより、適切な需要推定値が出力される。

以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。

本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

情報等は、上位レイヤ(または下位レイヤ)から下位レイヤ(または上位レイヤ)へ出力され得る。複数のネットワークノードを介して入出力されてもよい。

入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

本明細書で説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

なお、本明細書で説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

本明細書で使用する「システム」および「ネットワーク」という用語は、互換的に使用される。

また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。

本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。

本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。

１…需要予測システム、１０…学習システム、１１…学習データ取得部、１２…学習データ正規化部、１３…サンプリング部、１４…ミニバッチ正規化部、１５…生成部、２０…推定システム、２１…特徴量取得部、２２…正規化部、２３…推定部、２４…出力部、３０…特徴量記憶部、４０…予測モデル記憶部、ｍ１０…メインモジュール、ｍ１１…学習データ取得モジュール、ｍ１２…学習データ正規化モジュール、ｍ１３…サンプリングモジュール、ｍ１４…ミニバッチ正規化モジュール、ｍ１５…生成モジュール、ｍ２１…特徴量取得モジュール、ｍ２２…正規化モジュール、ｍ２３…推定モジュール、ｍ２４…出力モジュール、ＮＮ…ニューラルネットワーク、Ｐ１…需要予測プログラム。

Claims (10)

1. 機械学習により生成されるニューラルネットワークを含む単一の予測モデルにより、所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うための需要予測システムにおける、前記ニューラルネットワークを機械学習により生成する学習システムであって、
   過去の期間に関連づけられた前記メッシュごとの学習用特徴量であって、少なくとも各期間の各メッシュにおける前記サービスの需要数を特徴量として含む学習用特徴量を学習データとして取得する学習データ取得部と、
   前記学習データに含まれる前記学習用特徴量を、前記メッシュごとに正規化する学習データ正規化部であって、前記学習用特徴量のうちの少なくとも前記需要数を正規化する、学習データ正規化部と、
   前記学習データ正規化部により正規化された前記需要数を含む前記学習用特徴量を前記ニューラルネットワークに入力して得られる、前記サービスの需要の予測数である需要予測値に基づいて機械学習を行い、前記ニューラルネットワークを生成する生成部と、
   を備える学習システム。
2. 前記学習データ取得部は、各メッシュの前記学習用特徴量に関連付けられた前記サービスの需要の実績数である需要実績値を前記学習データとして取得し、
   前記生成部は、前記需要予測値及び前記学習データ正規化部において用いられた正規化係数により正規化された前記需要実績値を用いて、前記機械学習のための誤差計算を行う、請求項１に記載の学習システム。
3. 複数の前記学習用特徴量のうち所定数の前記学習用特徴量をミニバッチとしてサンプリングするサンプリング部と、
   前記サンプリング部によりサンプリングされた前記学習用特徴量を前記ミニバッチごとに正規化するミニバッチ正規化部と、を更に備え、
   前記生成部は、前記ミニバッチ正規化部により正規化された前記学習用特徴量を前記ニューラルネットワークに入力し、
   前記サンプリング部は、所定値以上の前記需要実績値に関連付けられた前記学習用特徴量をサンプリングする、
   請求項２に記載の学習システム。
4. 前記生成部は、前記学習データ正規化部において前記学習用特徴量のメッシュごとの正規化に用いられた正規化係数を、前記ニューラルネットワークに入力して前記機械学習を行う、
   請求項１〜３のいずれか一項に記載の学習システム。
5. 前記学習データ正規化部は、所定の同じ時期的属性に関連付けられた学習用特徴量ごとに正規化を行う、
   請求項１〜４のいずれか一項に記載の学習システム。
6. 前記学習データ正規化部は、前記学習用特徴量における、特徴量の値の出現数の分布のメッシュ間の偏りに基づいて、当該特徴量に対する正規化の実施の要否を判定する、
   請求項１〜５のいずれか一項に記載の学習システム。
7. 前記サービスの需要予測は、タクシーの需要予測であり、
   前記学習用特徴量は、各期間の各メッシュにおける人口に関する情報及び天気に関する情報のうちの少なくともいずれかを含む、
   請求項１〜６のいずれか一項に記載の学習システム。
8. 機械学習により生成されるニューラルネットワークを含む単一の予測モデルにより、所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うための需要予測システムにおける、前記サービスの需要の推定を行う推定システムであって、
   需要の推定の対象期間に関連付けられた前記メッシュごとの特徴量であって、少なくとも前記対象期間に関連付けられた期間の前記メッシュにおける前記サービスの需要数を含む、特徴量を取得する特徴量取得部と、
   前記特徴量取得部により取得された前記特徴量を、前記メッシュごとに正規化する正規化部であって、前記特徴量のうちの少なくとも前記需要数を正規化する、正規化部と、
   前記正規化部により正規化された前記需要数を含む前記特徴量を前記予測モデルの前記ニューラルネットワークに入力して、前記対象期間における前記サービスの需要数を推定する推定部と、
   前記推定部により推定された需要数を需要推定値として出力する出力部と、
   を備え、
   前記予測モデルの前記ニューラルネットワークは、過去の期間に関連づけられた前記メッシュごとの特徴量であって、少なくとも前記メッシュごとに正規化された各期間の各メッシュにおける前記サービスの需要数を含む特徴量を入力値として、前記期間に関連付けられた所定の対象期間における前記サービスの前記需要数を出力する、
   推定システム。
9. 前記出力部は、前記正規化部において用いられた正規化係数により逆変換された需要推定値を出力する、
   請求項８に記載の推定システム。
10. 所定の地理的範囲を表すメッシュごとの所定のサービスの需要予測を行うための、機械学習により生成されるニューラルネットワークを含む学習済モデルであって、
    前記ニューラルネットワークは、過去の期間に関連づけられた前記メッシュごとの特徴量であって、少なくとも前記メッシュごとに正規化された各期間の各メッシュにおける前記サービスの需要数を含む特徴量を入力値として、前記期間に関連付けられた所定の対象期間における前記サービスの需要の予測数である需要予測値を出力する、学習済モデル。

Images