JP6988975B2 - 情報処理方法、プログラム及び情報処理装置 - Google Patents
情報処理方法、プログラム及び情報処理装置 Download PDFInfo
- Publication number
- JP6988975B2 JP6988975B2 JP2020168529A JP2020168529A JP6988975B2 JP 6988975 B2 JP6988975 B2 JP 6988975B2 JP 2020168529 A JP2020168529 A JP 2020168529A JP 2020168529 A JP2020168529 A JP 2020168529A JP 6988975 B2 JP6988975 B2 JP 6988975B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- store
- passerby
- acquired
- evaluation
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Description
本発明は、情報処理方法、プログラム及び情報処理装置に関する。
企業等による店舗の出退店計画の策定を支援するシステムが提供されている。例えば特許文献1では、ユーザが所持する移動端末から取得した位置情報に基づき、所定の商業エリアにユーザが訪れた頻度と、ユーザが滞在した時間とを算出して商圏分析を行う商圏分析システムが開示されている。
しかしながら、特許文献1に係る発明は出退店計画の参考とするデータを提供するに過ぎず、出退店計画自体を評価するものではない。
一つの側面では、マーケティングを適切に支援することができる情報処理方法等を提供することを目的とする。
一つの側面では、情報処理方法は、公共空間に設置された配電設備に取り付けた撮像装置から取得した画像を元に、前記公共空間を通行する通行者を分析した通行者情報を取得し、該通行者情報を入力した場合に、前記公共空間の該当地点に位置する店舗への来店者に関する予測値を示す評価情報を出力するよう学習済みの学習済みモデルに、取得した前記通行者情報を入力し、前記学習済みモデルから前記評価情報を取得し、取得した前記評価情報と、前記通行者情報とに基づき、前記来店者以外の前記通行者である潜在顧客に関する潜在顧客情報を生成して出力する処理をコンピュータに実行させることを特徴とする。
一つの側面では、マーケティングを適切に支援することができる。
以下、本発明をその実施の形態を示す図面に基づいて詳述する。
(実施の形態1)
図1は、店舗評価システムの構成例を示す模式図である。本実施の形態では、道路等の公共空間に設置されたカメラ2により通行者を撮像した画像を元に通行者を分析した通行者情報に基づき、新規に出店する店舗を評価する店舗評価システムについて説明する。店舗評価システムは、情報処理装置1、カメラ2、センサ3、端末4を含む。各装置は、インターネット等のネットワークNを介して通信接続されている。
(実施の形態1)
図1は、店舗評価システムの構成例を示す模式図である。本実施の形態では、道路等の公共空間に設置されたカメラ2により通行者を撮像した画像を元に通行者を分析した通行者情報に基づき、新規に出店する店舗を評価する店舗評価システムについて説明する。店舗評価システムは、情報処理装置1、カメラ2、センサ3、端末4を含む。各装置は、インターネット等のネットワークNを介して通信接続されている。
情報処理装置1は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバ装置、パーソナルコンピュータ等である。本実施の形態では情報処理装置1がサーバ装置であるものとし、以下の説明では簡潔のためサーバ1と読み替える。サーバ1は、道路を通行する通行者を撮像した画像をカメラ2から取得し、取得した画像を分析して、年齢、性別等の属性、あるいは歩行速度、方向、動作といった行動、あるいは所持品などの種々の基準に応じて通行者を分類(分析)し、通行者の分類結果を示す通行者情報を蓄積したビッグデータを構築する。本実施の形態でサーバ1は、撮像画像から通行者を分類するよう機械学習により学習済みの分類モデル(第1の学習済みモデル)を用いて通行者の分析を行う。
さらにサーバ1は、公共空間のある地点(該当地点)に店舗を出店した場合に、当該店舗がどの程度の成果を挙げるかを予測し、出店店舗を評価する。具体的には、サーバ1は、上記の分類モデルとは異なる評価モデル(第2の学習済みモデル)であって、分類モデルから出力された通行者情報を入力として、該当地点に出店する店舗を評価した評価情報を出力する評価モデルを用いて店舗の評価を行う。
なお、本実施の形態では新規に出店する店舗を対象として評価を行うが、既に存在する既存店舗を対象として評価を行ってもよい。すなわち、本システムを出店計画に利用してもよく、既存店舗の見直し、あるいは退店計画に用いてもよい。
カメラ2は、公共空間に設置された撮像装置であり、道路を通行する通行者を撮像する。本実施の形態では、カメラ2は道路沿いに設置された配電設備、具体的には電柱に取り付けられている。カメラ2は、道路沿いの複数の地点それぞれに設置された電柱にそれぞれ取り付けられており、道路を通行する通行者を各地点から継続的に撮像する。サーバ1は、カメラ2において撮像された画像を取得し、取得した画像に映っている通行者の属性等を分析する。また、測定環境によっては,カメラ2の代わりにレーザー、赤外線により人を感知する人感センサを設置し、対象の人数、速度、滞留時間等の人の動線情報について、データを取得してもよい。
なお、本実施の形態では配電設備の一例として電柱を挙げるが、配電設備は電柱に限定されず、例えば地中化された電線の地上機器(トランス)などであってもよい。また、配電設備が設置される場所(地点)は道路に限定されず、通行者が通行可能な公共空間であればよい。また、本明細書における「道路」は歩道及び車道のいずれも含み得る。
センサ3は、カメラ2と共に電柱に取り付けられたセンシングデバイスであり、例えば温度計、湿度計、降雨量計、照度計、風速計等である。センサ3は、カメラ2が設置された地点の気温、湿度、降雨量等の天候情報を計測する。サーバ1は、センサ3から画像の撮像地点の天候情報を取得し、通行者の分類結果と関連付けて保存する。
端末4は、サーバ1からビッグデータの提供を受けるユーザが使用する端末装置であり、例えばパーソナルコンピュータ、スマートフォン、タブレット端末等の情報処理端末である。本システムを利用するユーザは特に限定されないが、例えばユーザは該当地点のマーケティングを行う事業者であり、端末4はサーバ1から該当地点に出店する店舗の評価情報の配信を受け、評価情報を表示する。
図2は、サーバ1の構成例を示すブロック図である。サーバ1は、制御部11、主記憶部12、通信部13、補助記憶部14を備える。
制御部11は、一又は複数のCPU(Central Processing Unit)、MPU(Micro-Processing Unit)、GPU(Graphics Processing Unit)等の演算処理装置を有し、補助記憶部14に記憶されたプログラムPを読み出して実行することにより、サーバ1に係る種々の情報処理、制御処理等を行う。主記憶部12は、SRAM(Static Random Access Memory)、DRAM(Dynamic Random Access Memory)、フラッシュメモリ等の一時記憶領域であり、制御部11が演算処理を実行するために必要なデータを一時的に記憶する。通信部13は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。
制御部11は、一又は複数のCPU(Central Processing Unit)、MPU(Micro-Processing Unit)、GPU(Graphics Processing Unit)等の演算処理装置を有し、補助記憶部14に記憶されたプログラムPを読み出して実行することにより、サーバ1に係る種々の情報処理、制御処理等を行う。主記憶部12は、SRAM(Static Random Access Memory)、DRAM(Dynamic Random Access Memory)、フラッシュメモリ等の一時記憶領域であり、制御部11が演算処理を実行するために必要なデータを一時的に記憶する。通信部13は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。
補助記憶部14は大容量メモリ、ハードディスク等であり、制御部11が処理を実行するために必要なプログラムP、その他のデータを記憶している。また、補助記憶部14は、分類モデル141、評価モデル142、電柱DB143、通行者DB144、周辺情報DB145を記憶している。分類モデル141は、撮像画像に映る通行者を分類する分類器(識別器)であり、機械学習により生成された学習済みモデルである。評価モデル142は、通行者情報を元に店舗の評価情報を生成する生成器(識別器)であり、機械学習により生成された学習済みモデルである。電柱DB143は、カメラ2が設置された電柱の情報を格納したデータベースである。通行者DB144は、分類モデル141を用いて分類した通行者の分類結果を格納するデータベースである。周辺情報DB145は、カメラ2が設置された電柱の周辺情報を格納したデータベースである。
なお、補助記憶部14はサーバ1に接続された外部記憶装置であってもよい。また、サーバ1は複数のコンピュータからなるマルチコンピュータであってもよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。
また、本実施の形態においてサーバ1は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ1はネットワークNを介して他のコンピュータからプログラムPをダウンロードし、補助記憶部14に記憶しても良い。また、サーバ1は、CD(Compact Disk)−ROM、DVD(Digital Versatile Disc)−ROM等の可搬型記憶媒体1aを読み取る読取部を備え、可搬型記憶媒体1aからプログラムPを読み取って実行するようにしてもよい。あるいはサーバ1は、半導体メモリ1bからプログラムPを読み込んでも良い。
図3は、電柱DB143、通行者DB144及び周辺情報DB145のレコードレイアウトの一例を示す説明図である。電柱DB143は、電柱ID列、位置情報列、カメラ情報列、センサ情報列を含む。電柱ID列は、道路上に設置された各電柱を識別するための電柱IDを記憶している。位置情報列、カメラ情報列、センサ情報列はそれぞれ、電柱IDと対応付けて、電柱が設置された地点の位置情報、電柱に設置されたカメラ2の情報、及びセンサ3の情報を記憶している。カメラ2の情報は、例えばカメラ2が取り付けられた高さ、撮像角度、倍率、撮像範囲等の情報を含み得る。センサ3の情報は、温度計、湿度計、降雨量計等のセンサ3の種類に関する情報を含み得る。
通行者DB144は、電柱ID列、日時列、天候列、通行者列を含む。電柱IDは、道路上に設置された各電柱を識別するための電柱IDを記憶している。日時列、天候列、通行者列はそれぞれ、電柱IDと対応付けて、電柱に取り付けられたカメラ2で画像を撮像した日時、該日時における電柱周辺の天候情報、及び画像に映る通行者を分類することで得た通行者情報を記憶している。
周辺情報DB145は、地域ID列、地域名列、周辺情報列を含む。地域ID列は、カメラ2が取り付けられた電柱が設置されている各地域を識別するための地域IDを記憶している。地域名列は、地域IDと対応付けて、各地域の名称を記憶している。周辺情報列は、地域IDと対応付けて、各地域の周辺情報を記憶している。周辺情報は、例えば該当地域の商圏人口、商圏規模、最寄り駅の位置等の地理データ、最寄り駅の乗降者数等の統計データのほかに、該当地域に存在する周辺店舗の店舗情報を含む。
図4は、通行者情報の学習処理に関する説明図である。図4では、機械学習を行って分類モデル141を生成する処理を概念的に図示している。図4に基づき、分類モデル141の生成処理について説明する。
本実施の形態でサーバ1は、分類モデル141として、カメラ2において撮像された画像内に映る通行者の外見、行動、所持品等に関する画像特徴量を学習するディープラーニングを行うことで、撮像画像を入力とし、通行者を分類(分析)した通行者情報を出力とするニューラルネットワークを生成する。ニューラルネットワークは例えばCNN(Convolution Neural Network)、具体的にはR−CNN(Regions with CNN)であり、撮像画像の入力を受け付ける入力層と、分類結果を出力する出力層と、撮像画像の画像特徴量を抽出する中間層とを有する。
入力層は、撮像画像に含まれる各画素の画素値の入力を受け付ける複数のニューロンを有し、入力された画素値を中間層に受け渡す。中間層は複数のニューロンを有し、撮像画像内から対象物(通行者等)を認識し、認識した対象物が映っている画像領域(図4では点線矩形枠で図示)の特徴量を抽出して出力層に受け渡す。例えば分類モデル141がCNNである場合、中間層は、入力層から入力された各画素の画素値を畳み込むコンボリューション層と、コンボリューション層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有し、対象物の画像領域の画素情報を圧縮しながら最終的に画像特徴量を抽出する。出力層はSVM(Support Vector Machine)に係る識別器であり、通行者の分類結果を出力する一又は複数のニューロンを有し、中間層から出力された画像特徴量に基づいて通行者を分類する。
なお、本実施の形態では分類モデル141がCNNであるものとして説明するが、分類モデル141はCNNに限定されず、CNN以外のニューラルネットワーク、ベイジアンネットワーク、決定木など、他の学習アルゴリズムで構築された学習済みモデルであってよい。
サーバ1は、通行者を撮像した複数の画像と、各画像における通行者を属性等に応じて分類した場合の通行者情報の正解値とが対応付けられた教師データを用いて学習を行う。例えば図4に示すように、教師データは、通行者の撮像画像に対し、通行者が映っている画像領域の座標範囲と、通行者情報とがラベル付けされたデータである。
なお、本明細書の図面では簡略のため一の画像に一人の通行者が映っているものとして図示するが、一の画像内に複数の通行者が映り込んでいても良いことは勿論である。
サーバ1は、教師データである撮像画像を入力層に入力し、中間層での演算処理を経て、出力層から通行者の分類結果を示す通行者情報を取得する。なお、出力層から出力される通行者情報は離散的な値(例えば「0」又は「1」の値)であってもよく、連続的な確率値(例えば「0」から「1」までの範囲の値)であってもよい。例えばサーバ1は、出力層から出力される分類結果として、性別、年齢といった通行者の属性、歩行速度、歩行する方向、施設(例えば道路脇の店舗)への入退場動作といった通行者の行動、及び所持品などに応じて分類した通行者情報を取得する。なお、上記の分類基準の詳細については後述する。
サーバ1は、出力層から出力された通行者情報を、教師データにおいて撮像画像に対しラベル付けされた情報、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み(結合係数)、各ニューロンで用いられる活性化関数の係数などである。パラメータの最適化の方法は特に限定されないが、例えばサーバ1は誤差逆伝播法を用いて各種パラメータの最適化を行う。
サーバ1は、教師データに含まれる各撮像画像について上記の処理を行い、分類モデル141を生成する。カメラ2から撮像画像を取得した場合、サーバ1は分類モデル141を用いて通行者を分類する。
図5は、通行者分析処理に関する説明図である。図5では、分類モデル141を用いて撮像画像から通行者を種々の基準で分類(分析)する様子を概念的に図示している。図5に基づき、通行者分析処理について説明する。
サーバ1は、道路沿いの複数の地点に設置された各電柱に取り付けられているカメラ2、2、2…からそれぞれ、通行者を撮像した画像を取得する。例えばカメラ2は継続的に撮像を行っており、サーバ1は、通行者が通行する道路をカメラ2が撮像した動画像をリアルタイムに、あるいは動画像の録画データを定期的に取得する。
サーバ1は、道路沿いの複数の地点に設置された各電柱に取り付けられているカメラ2、2、2…からそれぞれ、通行者を撮像した画像を取得する。例えばカメラ2は継続的に撮像を行っており、サーバ1は、通行者が通行する道路をカメラ2が撮像した動画像をリアルタイムに、あるいは動画像の録画データを定期的に取得する。
また、サーバ1は、各カメラ2と同じ電柱に取り付けられている各センサ3から、画像を撮像した時点の気温、湿度、降雨量等の天候情報を取得する。なお、サーバ1はセンサ3によらず、例えば所定の外部API(Application Programmable Interface)から該当地点の天候情報を取得するようにしてもよい。すなわち、電柱へのセンサ3の設置は必須ではない。
サーバ1は、カメラ2から取得した画像を分類モデル141に入力し、画像内に映る通行者を分類した通行者情報を出力として取得する。例えばサーバ1は、カメラ2で撮像された動画像を構成する各撮像時点でのフレーム画像を分類モデル141に順次入力する。サーバ1は、分類モデル141の中間層にてフレーム画像の特徴量を抽出する演算処理を行い、抽出した特徴量を分類モデル141の出力層に入力して、各地点、各撮像時点で撮像されたフレーム画像に映る通行者を分類した通行者情報を出力として取得する。
本実施の形態でサーバ1は、通行者を分類する場合に、種々の基準で分類を行う。第1の分類基準として、サーバ1は、通行者の属性に応じて分類を行う。通行者の属性は、例えば性別及び年齢である。例えばサーバ1は、通行者の男女の別、及び未成年、20〜30代、40〜50代、60代以上の年代を分類することで、計8分類で分類する。
なお、通行者の属性は性別及び年齢に限定されず、例えば通行者の顔(表情)から認識可能な感情等を属性として検知(分類)してもよい。
サーバ1は、第2の分類基準として、通行者の行動に応じて分類を行う。通行者の行動は、例えば通行者の歩行速度、歩いている方向(行先)、通行者同士の距離(集団であるか否か等)、道路上の歩いている位置(右側通行であるか左側通行であるか等)、その他の動作である。
特に本実施の形態では、サーバ1は、道路脇に立地する店舗、すなわち公共空間に存在する施設への通行者の入退場動作を検出し、検出した入退場動作に応じて通行者を分類する。入退場動作は、通行者が店舗出入口に入場(入店)、又は店舗出入口から退場(退店)する動作である。なお、サーバ1は、入場又は退場のうちいずれか一方のみを検出するようにしてもよい。また、入退場動作は店舗に現に入退場した際の動作に限定されず、例えば店舗前での立ち止まり動作、店舗に視線を向ける動作など、入退場に間接的に関わる動作であってもよい。さらにサーバ1は、より詳細な入退場動作として、単一の通行者が入退場したか、あるいは複数の通行者が集団で入退場したかも含めて検出するようにしてもよい。サーバ1は、検出した入退場動作に応じて、店舗前を通行した通行者のうち、店舗に入退場した通行者と、店舗に入場せず通過した通行者とを分類する。
サーバ1は、第3の分類基準として、通行者の所持品に応じて分類を行う。通行者の所持品は、例えば通行者が所持している傘、紙袋、カバン、スーツケース、飲み物の容器、あるいは通行者の服装、通行者が連れているペット(犬等)などである。サーバ1は、学習時にこれらの所持品の画像特徴量を学習した分類モデル141を生成し、分類モデル141を用いて通行者の所持品を検出し、検出した所持品の種類を判定する。
なお、サーバ1は撮像画像から通行者の所持品を検出するだけでなく、所持品に応じて通行者の性別、年齢等を推定することで、通行者の属性を精度良く分類する。例えばサーバ1は、天気が晴れで傘を所持している場合、日傘であるものと判断し、通行者を女性に分類する。また、例えばサーバ1は、通行者がハイヒール、スカート等を身に付けている場合、通行者を女性に分類する。このように、サーバ1は分類モデル141を用いて所持品を検出すると共に、検出した所持品に応じて通行者の属性を分類する。
サーバ1は、各カメラ2から取得した動画像内の各フレーム画像を分類モデル141に入力し、各撮像時点において各地点を通行した通行者を、上記の各分類基準に応じて分類する。なお、サーバ1は一の分類モデル141で上記の各分類基準に応じた分類を行ってもよく、各分類基準に応じて分類モデル141を複数用意しておき、複数の分類モデル141を用いて分類を行ってもよい。
サーバ1は、フレーム画像に映る通行者を分類して得た通行者情報を、当該フレーム画像を撮像した撮像時点(日時)、及び当該フレーム画像を撮像したカメラ2の設置地点と関連付けて通行者DB144に記憶する。サーバ1は上記の処理を継続して行い、通行者DB144に通行者情報を蓄積する。
本実施の形態でサーバ1は、上述の如く通行者DB144に蓄積した通行者情報をマーケティング向けに利用して、ユーザが新規に出店を計画している店舗の評価を行う。具体的には、サーバ1は、分類モデル141とは異なる評価モデル142を機械学習によって構築し、評価モデル142に通行者情報を入力して、新規に出店する店舗を評価した評価情報を出力として取得する。
図6は、店舗評価の学習処理に関する説明図である。図6では、分類モデル141から出力された通行者情報を入力とした機械学習を行い、評価モデル142を生成する様子を概念的に図示している。図6に基づき、評価モデル142を生成する機械学習処理について説明する。
例えばサーバ1は、評価モデル142として、LSTM(Long Short-Term Memory)に係るニューラルネットワークを生成する。LSTMはRNN(Recurrent Neural Network;再帰型ニューラルネットワーク)の一種であり、ある時点以前の時系列データを入力として、当該時点での予測値を出力するニューラルネットワークである。
LSTMはCNNと同様に、入力層、中間層、及び出力層を有する。入力層は、撮像時点の時系列に従って、各撮像時点での撮像画像から取得した通行者情報の入力をそれぞれ受け付ける複数のニューロンを有する。出力層は、入力層の各ニューロンに対応して、各撮像時点における店舗への来店者について予測した予測値を出力する複数のニューロンを有する。中間層は、入力層の各ニューロンへの入力値(通行者情報)に対して出力層の各ニューロンにおける出力値(予測値)を演算するための複数のニューロンを有する。中間層の各ニューロンはLSTM Blockと呼ばれ、過去の時点での入力値に関する中間層での演算結果を用いて次の時点での入力値に関する演算を行うことで、直近時点までの時系列データから次の時点の値を演算する。
なお、図6に示すLSTMの構成は一例であって、本実施の形態はこれに限定されるものではない。例えば中間層は一層に限定されず、二層以上であってもよい。また、入力層及び出力層のニューロンの数は同数に限定されず、例えば入力に対して出力の数は少なくともよい。
また、評価モデル142はLSTMに限定されず、LSTM以外のニューラルネットワーク、SVM、ベイジアンネットワーク、決定木など、他の学習アルゴリズムで構築された学習済みモデルであってよい。
店舗評価に関する機械学習を行う場合、例えばサーバ1は、出力層から出力される評価情報の正解値として、既に存在(出店)している既存店の情報を用いる。既存店情報は、例えば既存店に来店した来店者に関する実測値であり、時間帯別の来店者数、及び各時間帯の来店者数に占める属性別の内訳等である。
サーバ1は、例えばPOS(Point of Sale)システムのように、店舗の売上を集計し、管理する管理装置から来店者数等の実測値を取得するようにしても良い。あるいはサーバ1は、カメラ2の撮像画像から検出(分類)した通行者の入場動作に基づき、既存店への来店者数、属性別の来店者数の内訳等を算出するようにしても良い。このように、来店者に関する実測値の取得経路は特に問わない。
その他にもサーバ1は、既存店の業種、既存店が存在する地点の位置情報等を既存店情報として取得する。
サーバ1は、既存店が存在する該当地点に対応する通行者情報、すなわち既存店近くの電柱に取り付けられたカメラ2により、既存店の店舗前を通行する通行者を撮像した画像から取得した通行者情報を通行者DB144から読み出し、評価モデル142に入力する。なお、サーバ1は、既存店の店舗前を撮像したカメラ2から取得した画像より分析した通行者情報だけでなく、既存店から所定範囲内に位置するその他のカメラ2で撮像された画像より取得した通行者情報も用いてもよい。これにより、既存店周辺の通行者の流れを考慮して、より俯瞰的、包括的な学習を行うことができる。上述の如く、通行者情報は、性別、年齢等の属性、歩行速度、歩行方向、店舗への入退場動作等の行動、及び通行者が所持する所持品等を含み得る。
サーバ1は、通行者DB144から読み出した通行者情報を、各通行者が撮像された撮像時点の時系列に従って評価モデル142の入力層に入力する。例えばサーバ1は、各画像が撮像された時間帯毎(例えば一時間毎)に、各時間帯で既存店の前を通行した通行者数、及び属性別、行動別、所持品別の通行者数の内訳を集計する。サーバ1は、集計した各時間帯の通行者情報を時系列に従って入力層の各ニューロンに順次入力する。
また、サーバ1は、各時間帯の通行者情報を入力すると共に、各時間帯の天候情報を通行者DB144から読み出し、入力層の各ニューロンに併せて入力する。天候情報は、各時間帯の天気、気温、湿度等の情報である。サーバ1は天候情報を併せて入力することで、天候が来店数等に与える影響も考慮した評価モデル142を構築することができる。
また、サーバ1はこの他にも、既存店の周辺状況を示す周辺情報を周辺情報DB145から読み出し、評価モデル142に入力する。周辺情報は、例えば既存店が存在する地域の商圏人口、商圏規模、最寄り駅での乗降者数等の統計データや、最寄り駅の距離等の地理的データのほかに、当該地域に存在する周辺店舗(競合店舗)のデータなどを含み得る。周辺店舗のデータは、例えば周辺店舗の業種、位置情報等を含む。
例えばサーバ1は、出店予定の店舗と業種が一致する周辺店舗の位置情報を読み出し、周辺店舗と出店店舗との距離を算出する。サーバ1は、算出した周辺店舗との距離、及び上記の統計データ、地理的データ等を評価モデル142に入力する。
サーバ1は出力層の各ニューロンから、各時間帯における来店者に関する予測値を評価情報として取得する。出力層から出力される予測値は、例えば時間帯別の来店者数、及び各時間帯の来店者数に占める属性別の内訳等を含み得る。
サーバ1は、出力層から出力された予測値を、正解値である既存店の来店者の実測値と比較し、出力層から出力される予測値が正解値に近づくよう、中間層での演算処理に用いるパラメータを最適化する。サーバ1は、上述の機械学習を複数の既存店舗(例えばチェーン展開している各系列店)について行う。これにより、サーバ1は、通行者数等の通行者情報などを入力として、来店者数等の予測値を評価情報として出力する評価モデル142を生成する。
また、上述の機械学習時に、サーバ1は、単に既存店の来店者数を学習するだけでなく、既存店の周辺に位置する周辺店舗の来店者数を学習することで、新規店舗の出店による周辺店舗の来店者数の増減を予測可能な評価モデル142を生成するようにしてもよい。
例えばサーバ1は、既存店が出店する以前の通行者情報と、既存店の出店以後の通行者情報とを用いて学習を行う。具体的には、サーバ1は、カメラ2により周辺店舗の店舗前を撮像した画像から得た通行者情報であって、既存店が出店する以前の通行者情報と、撮像時点の月日が同一で年が異なる出店以後の通行者情報とを用いて学習を行う。サーバ1は、周辺店舗前の通行者情報を参照して、通行者の入場動作から周辺店舗への来店者数の実測値を算出し、既存店の出店の前後に亘る来店者数の実測値の差分を算出する。すなわちサーバ1は、既存店の出店による周辺店舗の来店者数の増減の実績値を算出する。
サーバ1は、周辺店舗との距離等を含む上記の各種データを評価モデル142に入力し、既存店の出店による周辺店舗の来店者数の増減の予測値を算出する。そしてサーバ1は、算出した予測値を実績値と比較し、中間層の各種パラメータを最適化することで、周辺店舗の来店者数の増減を予測する評価モデル142を生成する。
サーバ1は、上述の如く通行者情報、天候情報、周辺情報等を入力した場合に評価情報を出力する評価モデル142を生成する。サーバ1は、生成した評価モデル142を用いて、新規に出店する店舗の評価情報を取得する。
図7は、店舗評価処理に関する説明図である。図7では、ユーザが店舗を新規に出店するに際して、本システムを利用して出店店舗の評価を行う様子を概念的に図示している。図7に基づき、上述の評価モデル142を用いて出店店舗の評価情報を生成して出力する処理について説明する。
例えばサーバ1はまず、端末4を介して、出店予定の該当地点を示す位置情報、及び出店店舗の業種等、出店店舗の評価を行う上で最低限必要な情報の指定入力を受け付ける。
サーバ1は、該当地点に対応する通行者情報、天候情報、周辺情報等を各データベースから読み出し、評価モデル142に入力する。例えばサーバ1は、上述の学習時と同じく店舗前の通行者数、及び属性別、行動別、所持品別の通行者数の内訳等を時間帯(撮像時点)別に集計し、天候情報、周辺情報等と共に評価モデル142の入力層の各ニューロンに順次入力する。
サーバ1は評価モデル142から、評価情報として、出店店舗への来店者数、属性別の来店者数の内訳等、来店者に関する予測値を取得する。サーバ1は、評価モデル142から取得した評価情報を端末4に出力し、シミュレーション結果として表示させる。
例えば端末4は、ユーザから月及び曜日の指定入力を受け付け、指定された月及び曜日の予測来店者数等の評価情報を示すシミュレーション結果を表示する。例えば端末4は、一日当たりの来店者数の予測値、及び来店者のうち最も多いと予測される来店者の属性(年代及び性別)を表示すると共に、時間帯別の来店者数の推移を示すグラフを表示する。
また、端末4はさらに、出店店舗への来店が予測される来店者の情報(予測値)だけでなく、来店者以外の通行者であって、出店店舗の店舗前、あるいは店舗周辺を通行する通行者である潜在顧客に関する情報を併せて表示する。潜在顧客は、来店には至らないものの、来店直前の状態にまで至った人物であり、潜在的に店舗顧客となり得る人物である。例えば端末4は、潜在顧客の情報として、潜在顧客の属性、潜在顧客の予想来店人数単位等を表示する。
例えばサーバ1は、通行者DB144に格納されている通行者情報を参照して、通行者数を属性別に集計する。そしてサーバ1は、属性別に通行者数から来店者数の予測値を差し引くことで、来店者と異なる通行者、すなわち来店に至らないと予測される潜在顧客の人数を属性別に算出する。
例えば端末4は、最も人数が多い潜在顧客の属性、潜在顧客の来店人数単位(集団で来店する場合の人数)等を表示する。さらに端末4は、属性別に来店者及び通行者それぞれの人数を示すグラフを表示する。潜在顧客に関する潜在顧客情報を提示することで、どのような人物に対して広告等を行っていくか、マーケティング上の参考情報を与えることができる。
また、サーバ1は出店店舗の来店者、潜在顧客等の情報を出力するだけでなく、出店店舗の周辺に存在する周辺店舗の来客者数の増減予測を行い、端末4に出力する。例えばサーバ1は、通行者DB144を参照して周辺店舗への来店者数を集計して出力すると共に、周辺店舗との距離等を含む各種データを評価モデル142に入力して、評価モデル142から周辺店舗の来店者数の増減の予測値を取得し、端末4に出力する。端末4は、サーバ1から取得した周辺店舗の来店者数を表示すると共に、周辺店舗の来店者数の増減の予測値を表示する。
以上より、サーバ1は各電柱に取り付けてあるカメラ2を用いて収集した通行者情報を評価モデル142に入力し、評価情報を出力として取得し、端末4に配信する。これにより、出店計画等のマーケティング支援を行うことができる。
図8は、通行者情報の学習処理の処理手順を示すフローチャートである。図8に基づき、教師データから分類モデル141を生成する機械学習処理の内容について説明する。
サーバ1の制御部11は、道路を通行する通行者を撮像した画像と、当該画像に映っている通行者を分類した場合の分類結果の正解値とを対応付けた教師データを取得する(ステップS11)。教師データは、例えば画像内の一又は複数の通行者それぞれに対し、性別、年齢等の属性、行動、所持品といった情報をラベル付けしたデータである。
サーバ1の制御部11は、道路を通行する通行者を撮像した画像と、当該画像に映っている通行者を分類した場合の分類結果の正解値とを対応付けた教師データを取得する(ステップS11)。教師データは、例えば画像内の一又は複数の通行者それぞれに対し、性別、年齢等の属性、行動、所持品といった情報をラベル付けしたデータである。
制御部11は教師データを用いて、通行者の撮像画像を入力した場合に当該通行者を分類した分類結果を出力する分類モデル141(学習済みモデル)を生成する(ステップS12)。具体的には、制御部11は、教師データである撮像画像をニューラルネットワークの入力層に入力し、撮像画像内の通行者を分類した分類結果を出力層から取得する。制御部11は、取得した分類結果を教師データの正解値(撮像画像に対してラベル付けられた情報)と比較し、出力層から出力される分類結果が正解値に近づくよう、中間層での演算処理に用いるパラメータ(重み等)を最適化する。制御部11は、生成した分類モデル141を補助記憶部14に格納し、一連の処理を終了する。
図9は、通行者分析処理の処理手順を示すフローチャートである。図9に基づき、分類モデル141を用いて通行者を分析(分類)する処理の内容を説明する。
サーバ1の制御部11は、道路沿いに設置された電柱に設けられたカメラ2から、道路を通行する通行者を撮像した画像を取得する(ステップS31)。具体的には、制御部11は、道路沿いの複数の地点それぞれに設置されている各電柱に対応するカメラ2、2、2…からそれぞれ、道路を継続的に撮像した動画像を取得する。また、制御部11は、画像を撮像した際の日時、及び各撮像時点における各地点の天候情報等を取得する(ステップS32)。
サーバ1の制御部11は、道路沿いに設置された電柱に設けられたカメラ2から、道路を通行する通行者を撮像した画像を取得する(ステップS31)。具体的には、制御部11は、道路沿いの複数の地点それぞれに設置されている各電柱に対応するカメラ2、2、2…からそれぞれ、道路を継続的に撮像した動画像を取得する。また、制御部11は、画像を撮像した際の日時、及び各撮像時点における各地点の天候情報等を取得する(ステップS32)。
制御部11は、カメラ2から取得した画像を分類モデル141に入力し、画像に映る通行者を分類した分類結果を示す通行者情報を分類モデル141から取得する(ステップS33)。具体的には、制御部11は、各カメラ2から取得した動画像を構成する各フレーム画像を分類モデル141に入力し、各撮像時点、及び各地点で撮像された通行者を分類した分類結果を取得する。例えば制御部11は、通行者を性別、年齢等で区分した属性、施設への入退場動作を含む行動、所持品等の基準で分類した分類結果を取得する。制御部11は、撮像時点及び撮像地点と関連付けて、通行者の分類結果を示す通行者情報を通行者DB144に記憶し(ステップS34)、一連の処理を終了する。
図10は、店舗評価の学習処理の処理手順を示すフローチャートである。図10に基づき、評価モデル142を生成する機械学習処理の内容について説明する。
サーバ1の制御部11は、機械学習の教師データに用いる既存店情報を取得する(ステップS51)。既存店情報は、道路沿い(公共空間)に存在する既存店に関する情報であり、既存店の位置情報等のほかに、既存店に来店した来店者に関する実測値を含む。来店者に関する実測値は、例えば時間帯別の来店者数、及び属性別の来店者数の内訳等を含み得る。
サーバ1の制御部11は、機械学習の教師データに用いる既存店情報を取得する(ステップS51)。既存店情報は、道路沿い(公共空間)に存在する既存店に関する情報であり、既存店の位置情報等のほかに、既存店に来店した来店者に関する実測値を含む。来店者に関する実測値は、例えば時間帯別の来店者数、及び属性別の来店者数の内訳等を含み得る。
さらに制御部11は、既存店の周辺地域に設置されている各カメラ2での撮像画像から得た通行者情報、当該撮像画像の撮像時点における天候情報、当該周辺地域に関する周辺情報等を各データベースから読み出す(ステップS52)。周辺情報は、店舗の周辺状況を示すデータであり、例えば商圏人口、商圏規模、最寄り駅での乗降者数等の統計データ、最寄り駅の距離等の地理的データのほかに、既存店の周辺に位置する周辺店舗のデータなどを含み得る。周辺店舗のデータは、例えば既存店との距離等である。
制御部11は、ステップS51で取得した既存店情報、及びステップS52で取得した通行者情報等を教師データとして用いて、通行者情報を入力した場合に店舗の評価情報を出力する評価モデル142を生成する(ステップS53)。具体的には、制御部11は、既存店が位置する該当地点に対応する一又は複数のカメラ2で撮像された画像から得た通行者情報であって、各時間帯(撮像時点)に撮像された画像から得た通行者情報をニューラルネットワークの入力層に入力する。また、制御部11は、各時間帯の天候情報、既存店の周辺情報等を入力層に入力する。制御部11は、例えば既存店に来店した来店者に関する予測値を既存店の評価情報として出力層から取得する。来店者に関する予測値は、例えば時間帯別の来店者数、及び属性別の来店者の内訳等である。制御部11は、来店者に関する予測値を、正解値である既存店の来店者に係る実測値と比較し、出力層から出力される予測値が正解値に近づくよう、中間層での演算処理に用いるパラメータ(重み等)を最適化する。制御部11は、生成した分類モデル141を補助記憶部14に格納し、一連の処理を終了する。
図11は、店舗評価処理の処理手順を示すフローチャートである。図11に基づき、評価モデル142を用いて該当地点に出店する店舗を評価する処理の内容について説明する。
サーバ1の制御部11は、端末4を介して、新規に店舗を出店する該当地点を示す位置情報、出店店舗の業種等の入力を受け付ける(ステップS71)。制御部11は、該当地点に対応する通行者情報、天候情報、周辺情報等を各データベースから読み出す(ステップS72)。例えば制御部11は、該当地点の周辺に設置されている一又は複数のカメラ2それぞれにおいて、各時間帯(撮像時点)に撮像された画像から取得した通行者情報と、各時間帯の天候情報とを通行者DB144から読み出す。また、制御部11は、該当地点に対応する地域の周辺情報を周辺情報DB145から読み出す。
サーバ1の制御部11は、端末4を介して、新規に店舗を出店する該当地点を示す位置情報、出店店舗の業種等の入力を受け付ける(ステップS71)。制御部11は、該当地点に対応する通行者情報、天候情報、周辺情報等を各データベースから読み出す(ステップS72)。例えば制御部11は、該当地点の周辺に設置されている一又は複数のカメラ2それぞれにおいて、各時間帯(撮像時点)に撮像された画像から取得した通行者情報と、各時間帯の天候情報とを通行者DB144から読み出す。また、制御部11は、該当地点に対応する地域の周辺情報を周辺情報DB145から読み出す。
制御部11は、ステップS72で読み出した通行者情報等を評価モデル142に入力し、該当地点に出店する店舗を評価した評価情報を出力として取得する(ステップS73)。具体的には、制御部11は、周辺情報を評価モデル142に入力すると共に、各時間帯(撮像時点)での撮像画像に対応する通行者情報を時系列に従って評価モデル142に順次入力し、各時間帯の来店者に関する予測値を評価情報として取得する。また、例えば制御部11は、出店店舗への来店者に関する予測値だけでなく、周辺店舗への来店者の増減を予測した予測値を取得する。
制御部11は、ステップS73で取得した評価情報と、ステップS72で取得した通行者情報とに基づき、店舗周辺を通行する通行者であって、来店者以外の通行者である潜在顧客に関する潜在顧客情報を生成する(ステップS74)。例えば制御部11は、来店者以外の通行者のうち、最も多い通行者の属性等を潜在顧客情報として通行者情報から抽出する。制御部11は、ステップS73で取得した評価情報、ステップS74で生成した潜在顧客情報等を端末4に出力し(ステップS75)、一連の処理を終了する。
なお、上記では店舗の評価情報として店舗への来店者数を挙げたが、本実施の形態はこれに限定されるものではなく、例えば客単価、売上等の予測値であってもよい。すなわち、評価情報は来店者に関する予測値に限定されない。
また、上記ではサーバ1が、機械学習と、機械学習の成果物である学習済みモデルを用いた処理との双方を行ったが、本実施の形態はこれに限定されるものではない。例えばサーバ1が生成した評価モデル142を端末4にインストールし、端末4が店舗評価を行ってもよい。すなわち、機械学習の処理主体と学習済みモデルを用いた処理の処理主体とは別個のハードウェアであってもよい。
また、上記ではサーバ1が通行者分析処理及び店舗評価処理の双方を行ったが、本実施の形態はこれに限定されるものではなく、各処理の処理主体は別個であってもよい。
以上より、本実施の形態1によれば、道路沿いの各電柱に取り付けたカメラ2での撮像画像を元に通行者情報を収集し、収集した通行者情報を評価モデル142に入力して店舗の評価情報を取得し、ユーザに提示する。これにより、出店計画等のマーケティングを適切に支援することができる。
また、本実施の形態1によれば、店舗への来店者数、来店者の属性といった来店者に関する予測値を提示し、マーケティングをより適切に支援することができる。
また、本実施の形態1によれば、店舗に来店する来店者だけでなく、潜在的に来店者となり得る潜在顧客についても分析を行い、ユーザに提示することができる。
また、本実施の形態1によれば、通行者の情報だけでなく、店舗周辺の統計的、あるいは地理的データや、周辺店舗の情報を考慮して店舗の評価を行うことができる。
また、本実施の形態1によれば、店舗出店による周辺店舗への影響力を考慮して評価を行うことができる。
また、本実施の形態1によれば、分類モデル141を用いることで撮像画像から通行者情報を正確かつ自動的に分析することができ、より適切な店舗評価システムを構築することができる。
(実施の形態2)
本実施の形態では、出店の是非を検討するための評価情報を提示するだけでなく、出店を計画している店舗が、予測される来店者に適ったものになっているか否かをチェックする形態について述べる。なお、実施の形態1と重複する内容については同一の符号を付して説明を省略する。
図12は、実施の形態2の概要を示す説明図である。図12に基づき、本実施の形態の概要について説明する。
本実施の形態では、出店の是非を検討するための評価情報を提示するだけでなく、出店を計画している店舗が、予測される来店者に適ったものになっているか否かをチェックする形態について述べる。なお、実施の形態1と重複する内容については同一の符号を付して説明を省略する。
図12は、実施の形態2の概要を示す説明図である。図12に基づき、本実施の形態の概要について説明する。
本実施の形態でサーバ1は、評価モデル142を用いた出店店舗の評価を行う場合に、出店を予定している該当地点の位置情報、出店店舗の業種等の他に、出店店舗に関する店舗情報を取得する。店舗情報は、例えば出店店舗のレイアウトに関する情報である。レイアウトに関する情報は、例えば座席、床面積、出入口等について、各種レイアウトの数量又は配置を示すデータである。
サーバ1は実施の形態1と同様に、評価モデル142に通行者情報等を入力し、出店店舗への来店者数の予測値等、出店店舗を評価した評価情報を取得する。そしてサーバ1は、評価モデル142から取得した評価情報、すなわち来店者に関する予測値と、上記の店舗情報、すなわち店舗のレイアウトとを比較し、出店を計画している店舗が、予測される来店者に適ったものになっているか、両者の適合度合いを推定する。
例えばサーバ1は、各時間帯の来店者数の予測値を座席数と比較し、来店者数の予測値が座席数を超過する回数をカウントする。これによりサーバ1は、来店機会の損失頻度、すなわち来店者と店舗レイアウトとの適合度合いを推定する。例えばサーバ1は、カウントした回数が所定の閾値以上である場合、座席数の不足を端末4に通知し、店舗規模の拡張をユーザに提案する。
また、上記の通知を行う場合、サーバ1は、推定した適合度合いに応じて店舗レイアウトの修正案を生成して出力する。上記の例に則して説明した場合、サーバ1は、座席数に対する来店者数の超過分(差分)の平均値等を算出することで、推奨すべき座席の増加数を算出してユーザに通知する。これにより、どの程度店舗規模を拡張すれば良いか、ユーザに一案を提示する。
なお、サーバ1は座席数以外にも、例えば来店者数に応じて床面積、出入口数等の不足を推定し、各種対象物の修正案を提示してもよい。また、上記の適合度合いの推定に際して対象とするデータは各種対象物の数量に限定されず、例えば座席、出入口等の配置位置(座標値)についてであってもよい。
また、上記では適合度合いをチェックする対象として店舗レイアウトを一例に説明を行ったが、例えばサーバ1は、店舗で提供予定の商品又はサービスを対象として、予測される来店者の属性と提供予定の商品等とのマッチングを行い、適合度合いを推定してもよい。また、例えばサーバ1は、予定している従業員数、営業時間等と来店者の予測値とを比較し、適合度合いを推定してもよい。このように、評価情報との比較対象とする店舗情報は出店店舗のレイアウトに関する情報に限定されない。
図13は、実施の形態2に係る店舗評価処理の処理手順を示すフローチャートである。 サーバ1の制御部11は、新規に店舗を出店する該当地点の位置情報、出店店舗の業種等の他に、出店店舗のレイアウトに関する情報等を含む店舗情報の入力を端末4から受け付ける(ステップS201)。レイアウトに関する情報は、例えば店舗内の座席、床面積、出入口等の数量及び配置を示すデータである。制御部11は、処理をステップS72に移行する。
制御部11は、評価モデル142から来客数の予測値等を示す評価情報を取得し(ステップS73)、潜在顧客情報を生成した後(ステップS74)、以下の処理を実行する。制御部11は、ステップS73で取得した評価情報と、ステップS201で取得した店舗情報とに基づき、出店店舗への来店が予測される来店者と、出店予定の店舗との適合度合いを推定する(ステップS202)。例えば制御部11は、店舗情報に含まれるレイアウトの情報と、評価情報に含まれる来店者の予測値とに基づき、座席数や床面積が不足しているか否か、出入口の位置が適切であるか否か等を推定する。また、例えば制御部11は、推定した適合度合いに応じて店舗情報の修正案を生成する。制御部11は、推定した適合度合い、及び生成した店舗情報の修正案を評価情報、潜在顧客情報等と共に端末4に出力し(ステップS203)、一連の処理を終了する。
以上より、本実施の形態2によれば、出店予定の店舗に関する店舗情報と、来店が予測される来店者との適合度合いを推定することで、どのような店舗を出店すべきかを含めて総合的な支援を行うことができる。
また、本実施の形態2によれば、出店計画の修正案を提示することで、より適切な支援を行うことができる。
また、本実施の形態2によれば、店舗レイアウトの見直しをユーザに促すことができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
1 サーバ(情報処理装置)
11 制御部
12 主記憶部
13 通信部
14 補助記憶部
P プログラム
141 分類モデル
142 評価モデル
143 電柱DB
144 通行者DB
145 周辺情報DB
11 制御部
12 主記憶部
13 通信部
14 補助記憶部
P プログラム
141 分類モデル
142 評価モデル
143 電柱DB
144 通行者DB
145 周辺情報DB
Claims (9)
- 公共空間に設置された配電設備に取り付けた撮像装置から取得した画像を元に、前記公共空間を通行する通行者を分析した通行者情報を取得し、
該通行者情報を入力した場合に、前記公共空間の該当地点に位置する店舗への来店者に関する予測値を示す評価情報を出力するよう学習済みの学習済みモデルに、取得した前記通行者情報を入力し、
前記学習済みモデルから前記評価情報を取得し、
取得した前記評価情報と、前記通行者情報とに基づき、前記来店者以外の前記通行者である潜在顧客に関する潜在顧客情報を生成して出力する
処理をコンピュータに実行させることを特徴とする情報処理方法。 - 前記店舗に関する店舗情報を取得し、
前記学習済みモデルから取得した前記評価情報と、前記店舗情報とに基づき、前記来店者と前記店舗との適合度合いを推定する
ことを特徴とする請求項1に記載の情報処理方法。 - 推定した前記適合度合いに基づき、前記店舗情報の修正案を生成して出力する
ことを特徴とする請求項2に記載の情報処理方法。 - 前記店舗のレイアウトに関する前記店舗情報を取得し、
前記評価情報が示す前記予測値と、前記店舗情報が示す前記レイアウトとに基づいて前記適合度合いを推定する
ことを特徴とする請求項2又は3に記載の情報処理方法。 - 前記該当地点の周辺状況に関する周辺情報を取得し、
前記通行者情報及び周辺情報を前記学習済みモデルに入力して前記評価情報を取得する
ことを特徴とする請求項1〜4のいずれか1項に記載の情報処理方法。 - 前記周辺情報は、前記該当地点の周辺に位置する周辺店舗に関する情報を含み、
前記通行者情報及び周辺情報を前記学習済みモデルに入力して、前記店舗の出店による前記周辺店舗の来店者数の増減を予測した予測値を取得する
ことを特徴とする請求項5に記載の情報処理方法。 - 前記画像を入力した場合に前記通行者を分類するよう学習済みの第1の学習済みモデルに、前記撮像装置から取得した前記画像を入力し、
前記第1の学習済みモデルから、前記通行者を分類した分類結果を示す前記通行者情報を取得し、
取得した前記通行者情報を第2の前記学習済みモデルに入力して前記評価情報を取得する
ことを特徴とする請求項1〜6のいずれか1項に記載の情報処理方法。 - 公共空間に設置された配電設備に取り付けた撮像装置から取得した画像を元に、前記公共空間を通行する通行者を分析した通行者情報を取得し、
該通行者情報を入力した場合に、前記公共空間の該当地点に位置する店舗への来店者に関する予測値を示す評価情報を出力するよう学習済みの学習済みモデルに、取得した前記通行者情報を入力し、
前記学習済みモデルから前記評価情報を取得し、
取得した前記評価情報と、前記通行者情報とに基づき、前記来店者以外の前記通行者である潜在顧客に関する潜在顧客情報を生成して出力する
処理をコンピュータに実行させることを特徴とするプログラム。 - 公共空間に設置された配電設備に取り付けた撮像装置から取得した画像を元に、前記公共空間を通行する通行者を分析した通行者情報を取得する取得部と、
該通行者情報を入力した場合に、前記公共空間の該当地点に位置する店舗への来店者に関する予測値を示す評価情報を出力するよう学習済みの学習済みモデルに、取得した前記通行者情報を入力する入力部と、
前記学習済みモデルから前記評価情報を取得する評価部と、
取得した前記評価情報と、前記通行者情報とに基づき、前記来店者以外の前記通行者である潜在顧客に関する潜在顧客情報を生成して出力する出力部と
を備えることを特徴とする情報処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020168529A JP6988975B2 (ja) | 2018-12-11 | 2020-10-05 | 情報処理方法、プログラム及び情報処理装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018231830A JP6825613B2 (ja) | 2018-12-11 | 2018-12-11 | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 |
JP2020168529A JP6988975B2 (ja) | 2018-12-11 | 2020-10-05 | 情報処理方法、プログラム及び情報処理装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018231830A Division JP6825613B2 (ja) | 2018-12-11 | 2018-12-11 | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020205127A JP2020205127A (ja) | 2020-12-24 |
JP6988975B2 true JP6988975B2 (ja) | 2022-01-05 |
Family
ID=79239749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020168529A Active JP6988975B2 (ja) | 2018-12-11 | 2020-10-05 | 情報処理方法、プログラム及び情報処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6988975B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7130093B1 (ja) | 2021-05-31 | 2022-09-02 | 楽天グループ株式会社 | 情報処理システム、方法及びプログラム |
JP7297325B2 (ja) * | 2021-10-01 | 2023-06-26 | 株式会社ヒスコム | 自動販売機システム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0721151A (ja) * | 1993-07-01 | 1995-01-24 | Toshiba Corp | 売上高予測装置 |
JPH08314888A (ja) * | 1995-05-23 | 1996-11-29 | Nec Corp | 店舗出店シミュレーション装置 |
JP2000067369A (ja) * | 1998-08-24 | 2000-03-03 | Nri & Ncc Co Ltd | 通行人検出機能付自動販売機及び通行状況検出システム |
JP4198951B2 (ja) * | 2002-07-17 | 2008-12-17 | 独立行政法人科学技術振興機構 | グループ属性推定方法及びグループ属性推定装置 |
WO2015059807A1 (ja) * | 2013-10-25 | 2015-04-30 | 株式会社日立製作所 | 情報処理システムおよび情報処理方法 |
US20170364854A1 (en) * | 2014-12-04 | 2017-12-21 | Nec Corporation | Information processing device, conduct evaluation method, and program storage medium |
JP6662653B2 (ja) * | 2016-02-04 | 2020-03-11 | ソフトバンク株式会社 | 道路交通調査システム |
WO2018110164A1 (ja) * | 2016-12-15 | 2018-06-21 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理プログラム |
-
2020
- 2020-10-05 JP JP2020168529A patent/JP6988975B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020205127A (ja) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10915131B2 (en) | System and method for managing energy | |
CN107832680B (zh) | 用于视频分析的计算机化的方法、系统和存储介质 | |
Chen et al. | Forecasting spatial dynamics of the housing market using support vector machine | |
Dolega et al. | Estimating attractiveness, hierarchy and catchment area extents for a national set of retail centre agglomerations | |
US20180293612A1 (en) | Digital information gathering and analyzing method and apparatus | |
JP4972491B2 (ja) | 顧客動作判定システム | |
US8812344B1 (en) | Method and system for determining the impact of crowding on retail performance | |
JP3800257B2 (ja) | 注目情報計測方法及び装置並びにそれを用いた各種システム | |
US8577705B1 (en) | Method and system for rating the role of a product category in the performance of a store area | |
JP6825613B2 (ja) | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 | |
Li et al. | Exploring the association between street built environment and street vitality using deep learning methods | |
JP4069932B2 (ja) | 人間検知装置および人間検知方法 | |
JP6988975B2 (ja) | 情報処理方法、プログラム及び情報処理装置 | |
JP6517325B2 (ja) | 人口統計情報を求めるシステム及び方法 | |
JP2006221329A (ja) | 行動予測装置、行動予測方法および行動予測プログラム | |
JPH1049718A (ja) | 通過人数計測装置及びそれを用いた入退場者数管理システム | |
US20240029138A1 (en) | System and method for visually tracking persons and imputing demographic and sentiment data | |
JP2022042014A (ja) | 制御方法、プログラム、情報処理装置、及び情報処理システム | |
JP6506572B2 (ja) | 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法 | |
JP6874754B2 (ja) | 情報処理方法、プログラム、情報処理装置、学習済みモデルの生成方法及び学習済みモデル | |
CN113947438A (zh) | 店铺销售效果预测方法及装置 | |
CN112150193A (zh) | 一种客群分析方法、系统及存储介质 | |
US11151584B1 (en) | Method and system for collecting shopper response data tied to marketing and merchandising elements | |
KR102605216B1 (ko) | 지역 상권 및 상점 데이터를 활용하여 프랜차이즈 업종을 추천하는 방법 및 시스템 | |
Keh et al. | Video-Based Gender Profiling on Challenging Camera Viewpoint for Restaurant Data Analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201009 |
|
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: 20211102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6988975 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |