JP7008199B2 - 需要予測装置および需要予測方法 - Google Patents

Description

本開示は、配送車両の台数を予測する需要予測装置および需要予測方法に関する。

特許文献１には、燃料の需要がある需要設備での燃料の在庫量と実際に配送された燃料の実績配送量とに基づいて需要設備での所定期間の燃料実績値を導出し、燃料実績値と予測モデルとに基づいて燃料の需要予測値を導出し、燃料の在庫量と燃料の配送予定量と需要予測値とに基づいて燃料の在庫予測値を導出する配送計画装置が開示されている。この配送計画装置は、燃料の在庫量と需要予測値と在庫予測値とを用いて、車両の配送台数を変数の１つとした目的関数を最小にする最適化問題を解くことで、配送台数の解を出力する。

日本国特許第６２０５３１０号公報

本開示は、上述した従来の状況に鑑みて案出され、個宅等の宅配に必要な配送車両の台数を予測し、効率的な配送計画の実現を支援する需要予測装置および需要予測方法を提供することを目的とする。

本開示は、配送日時を含む入力変数を取得する入力変数取得部と、配送対象エリアを構成する複数個のセグメントのうち少なくとも１つのセグメントに分布する配送先の分布数を前記セグメントごとに示すヒートマップを予測するためのヒートマップ予測モデルを用いて、前記入力変数に対応するヒートマップを予測するヒートマップ予測部と、配送先に荷物を配送するための配送車両の最少台数を予測するための最少台数予測モデルを用いて、前記予測されたヒートマップに対応する前記配送車両の最少台数を予測する最少台数予測部と、前記予測された最少台数を、前記入力変数に含まれる配送日時における配送車両の使用台数として決定する台数決定部と、を備える、需要予測装置を提供する。

また、本開示は、需要予測装置における需要予測方法であって、配送日時を含む入力変数を取得するステップと、配送対象エリアを構成する複数個のセグメントのうち少なくとも１つのセグメントに分布する配送先の分布数を前記セグメントごとに示すヒートマップを予測するためのヒートマップ予測モデルを用いて、前記入力変数に対応するヒートマップを予測するステップと、配送先に荷物を配送するための配送車両の最少台数を予測するための最少台数予測モデルを用いて、前記予測されたヒートマップに対応する前記配送車両の最少台数を予測するステップと、前記予測された最少台数を、前記入力変数に含まれる配送日時における配送車両の使用台数として決定するステップと、を有する、需要予測方法を提供する。

本開示によれば、個宅等の宅配に必要な配送車両の台数を予測できるので、効率的な配送計画の実現を支援できる。

実施の形態１に係る需要予測装置のハードウェア構成例を詳細に示すブロック図 需要予測装置の動作概要例を説明する図 過去の外部情報および配送実績に基づいて荷物量を学習する動作手順の一例を示すフローチャート 将来の入力変数と荷物量学習モデルとに基づいて予測された荷物量の配送に用いる配送車両の台数を予測する動作手順の一例を示すフローチャート ヒートマップを予測するためのヒートマップ予測エンジンを学習する動作手順の一例を示すフローチャート ヒートマップに基づく最少台数を予測するための最少台数予測エンジンを学習する動作手順の一例を示すフローチャート 将来の入力変数とヒートマップ学習モデルと最少台数学習モデルとに基づいてトラックの最少台数を予測する動作手順の一例を示すフローチャート トラックの最少台数を決定する動作手順の一例を示すフローチャート トラック１台で配送した過去の配送実績の一例を示す説明図 図９に示す過去の配送実績に基づいて作成されたヒートマップおよびその行列の一例を示す説明図 将来の入力変数を用いてヒートマップ学習モデルから出力される予測ヒートマップの一例を示す説明図 荷物量が多いためにトラック２台で配送した過去の配送実績の一例を示す説明図 営業所からの距離が離れているためにトラック２台で配送した過去の配送実績の一例を示す説明図 図１３に示す過去の配送実績に基づいて学習時に作成されるヒートマップおよびその行列の一例を示す説明図 将来の入力変数を用いてヒートマップ学習モデルから出力される予測ヒートマップの一例を示す説明図 軒数が多いためにトラック２台で配送した過去の配送実績の一例を示す説明図 図１６に示す過去の配送実績に基づいて学習時に作成されるヒートマップおよびその行列の一例を示す説明図 将来の入力変数を用いてヒートマップ学習モデルから出力される予測ヒートマップの一例を示す説明図 実施の形態２に係る需要予測システムのハードウェア構成例を示すブロック図 実施の形態２に係る荷物仕分けシステムの構成例を示すブロック図 実施の形態２に係る投影支持装置の構成例を示すブロック図 荷物仕分けシステムの稼働例を示す概念図 荷物に対する投影例を示す図 実施の形態２に係る投影指示装置の動作手順例を示すフローチャート 実施の形態２に係る在庫管理システムの構成例を示すブロック図 棚札が付された陳列棚の模式的な正面図 図２５に示された陳列棚の正面図 棚割情報の一例を示す図 コンピュータの構成例を示す図 実施の形態２に係る在庫監視装置の動作手順例を示すフローチャート 陳列棚における棚札の検出例を示す図 監視エリアの設定例を示す図

（本開示の一形態を得るに至った経緯）
近年、オンラインショッピング等の普及に伴って宅配サービスにおける宅配量が増加しているが、宅配量がいくら多くても、荷物は、決められた時間までに配送しなければならないという決まりがある。このため、配送時間および宅配量に見合った配送車両（例えば、配送用の小型のトラック）の台数およびドライバーの人数を確保する必要がある。

しかし、多くの営業所では、トラックの台数およびドライバーの人数は、現状において豊富でなく、事前に確保しておく必要がある場合も多い。仮に、確実に荷物を配送できるように、多めにトラックの台数を用意すると、コストが増える。一方、コストを抑えるために少なめにトラックの台数を用意すると、トラックの台数が足りなくなり、配送が間に合わなくなる可能性がある。

上述した特許文献１では、車両が燃料を配送する配送先は予め決められた個々の需要設備であり、個々の需要設備ごとの燃料の消費量から燃料の需要予測が可能となる。つまり、燃料の需要予測値を燃料の配送量とみなせる。この特許文献１の構成を、例えば宅配のように配送先が都度異なる個々の個宅であるユースケースに適用しようとすると、次の課題が生じる。具体的には、宅配のように個別の配送先（つまり、個宅）ごとの注文回数が少なく、個々の配送先における注文の需要を予測するための十分な学習用のデータ（言い換えると、配送実績）が収集できないので、個々の配送先における注文の需要予測が困難になる。従って、特許文献１の構成を用いても、複数ある配送先に荷物等を配送する配送車両の台数を予測する（言い換えると、配送車両の台数の最適解を解く）ことは困難であるという課題があった。

そこで、以下の実施の形態では、配送先の多寡および荷物量によることなく、荷物を配送する配送車両の台数を予測し、効率的な配送計画の実現を支援する需要予測装置の例を説明する。

（実施の形態１）
以下、適宜図面を参照しながら、本開示に係る需要予測装置および需要予測方法を具体的に開示した実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。

図１は、実施の形態１に係る需要予測装置５の内部構成の一例を詳細に示すブロック図である。需要予測装置５は、プロセッサ１０と、メモリ（図示略）と、ストレージ３０と、入力部５０と、出力部６０と、通信部７０とを含む構成である。

プロセッサ１０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）またはＦＰＧＡ（Field-Programmable Gate Array）を用いて構成される。

プロセッサ１０は、情報取得部１１、荷物量学習部１２、荷物量予測部１３および第１台数予測部１４を含む機能的構成を有する。また、プロセッサ１０は、ヒートマップ作成部１５、ヒートマップ学習部１６およびヒートマップ予測部１７を含む機能的構成を有する。また、プロセッサ１０は、最少台数決定部１８、最少台数学習部１９、第２台数予測部２０および台数決定部２１を含む機能的構成を有する。これらの機能的構成の各部は、プロセッサ１０がそれぞれの各部に対応するプログラムおよびデータをメモリ（図示略）から読み込んで実行することで実現される。これらの機能的構成の各部の詳細については後述する。

メモリ（図示略）は、例えばＲＡＭ（Random Access Memory）とＲＯＭ（Read Only Memory）を用いて構成され、需要予測装置５の動作の実行に必要なプログラムおよびデータ、更には、動作中に生成されたデータもしくは情報等を一時的に保存する。ＲＡＭは、例えばプロセッサ１０の動作時に使用されるワークメモリである。ＲＯＭは、例えばプロセッサ１０を制御するためのプログラムおよびデータを予め記憶する。

ストレージ３０は、例えばフラッシュメモリ、ＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）を用いて構成される。ストレージ３０は、外部情報保存部３１、配送実績保存部３２、荷物量学習モデル保存部３３、ヒートマップ学習モデル保存部３４および最少台数学習モデル保存部３５を有する。

外部情報保存部３１は、過去に配送対象エリア内で配送が行われた時の天候、年月日時、曜日、イベント等の過去の外部情報を関連付けて保存する。イベント情報は、イベント日時、内容等を含む。イベント情報は、例えば、商品のキャンペーン、配送先付近で行われる運動会もしくはコンサート、道路工事等の情報が挙げられる。これらのイベント有無は、荷物量の増加や配送ルートの変更等に影響を及ぼす。なお、商品のキャンペーンの情報は、商品の価格の情報であってもよい。例えば、キャンペーン期間中、商品は安価になるため、荷物量の増減に影響を及ぼす。例えば、キャンペーン期間直前は、荷物量が通常より減少し、キャンペーン期間中は荷物量が通常より増加し、キャンペーン期間直後は荷物量が減少する等が考えられる。また、価格が通常の半額かあるいは通常の３０％ＯＦＦか等でも荷物量が変化する。

配送実績保存部３２は、過去の配送対象エリア内での配送実績の情報を保存する。過去の配送実績の情報は、過去に荷物が配送された個々の配送先の住所、荷物量、配送ルート等の情報を含む。外部情報保存部３１に保存される過去の外部情報と配送実績保存部３２に保存される過去の配送実績とは同一の配送に関連する外部情報と配送実績とが切り分けられて保存されている。なお、外部情報保存部３１に保存される過去の外部情報と配送実績保存部３２に保存される過去の配送実績とは、同一の配送ではなく、それぞれ異なる過去の配送に関連する外部情報、配送実績であってもよい。

なお、外部情報保存部３１および配送実績保存部３２は、配送実績保存部３２として一体的に構成されてもよい。この場合、配送実績保存部３２は、過去に配送が行われた時の外部情報（例えば、天候、年月日時、曜日、イベント等）と、過去に配送が行われた配送実績の情報（例えば、個々の配送先の住所、荷物量、配送ルート等）とを関連付けて記憶していればよい。

荷物量学習モデル保存部３３は、荷物量学習部１２の学習処理（例えば機械学習処理）によって生成された荷物量学習モデルｍｄ１を保存する。

ヒートマップ学習モデル保存部３４は、ヒートマップ学習部１６の学習処理（例えば機械学習処理）によって生成されたヒートマップ学習モデルｍｄ２を保存する。

最少台数学習モデル保存部３５は、最少台数学習部１９の学習処理（例えば機械学習処理）によって生成された最少台数学習モデルｍｄ３を保存する。

入力部５０は、需要予測装置５の利用者（ユーザ）の入力操作を受け付ける、キーボード、マウス等の入力デバイスを用いて構成され、入力デバイスを介して、利用者により設定された将来（言い換えると、予測対象となる今後または未来）の入力変数を入力する。将来の入力変数は、年月日時、曜日、天気予報、イベント等の情報である。

出力部６０は、液晶表示装置（ＬＣＤ：Liquid Crystal Display）もしくは有機ＥＬ（Electroluminescence）等の表示デバイスを有し、予測されたトラック（配送車両の一例）の台数、および複数のトラックを用いた配送計画を出力する。

通信部７０は、ネットワークＮＷを介してサーバ８０と通信可能に接続される。

サーバ８０は、需要予測装置５の要求に従って、例えば天候情報およびイベント情報等の各種情報のうち少なくとも１つを提供する。

情報取得部１１は、外部情報保存部３１に保存されている過去の外部情報を取得する。外部情報は、過去に配送が行われた時の天候、年月日時、曜日、イベント等の情報を含む。情報取得部１１は、配送実績保存部３２に保存されている過去の配送実績の情報に含まれる荷物量を取得する。情報取得部１１は、配送実績保存部３２に保存されている過去の配送実績の情報に含まれる配送先の住所および配送ルートを取得する。

また、情報取得部１１は、利用者の入力部５０を用いた操作によって入力された、将来の入力変数（例えば、年月日時、曜日、天候、イベントの名称）を取得する。なお、情報取得部１１は、入力部５０の情報に基づいて、天候等の将来の入力変数をサーバから取得してもよい。

荷物量学習部１２は、例えばＡＩ（Artificial Intelligent）を用いたプログラムにより構成され、情報取得部１１により取得された過去の配送実績の荷物量とその配送当時の外部情報との組を複数用いた荷物量予測エンジンの学習処理（例えば、機械学習処理）により、荷物量学習モデルｍｄ１を生成する。荷物量学習モデルｍｄ１は、入力された外部情報を条件として、その条件の下で予測される荷物量を演算して出力するためのプログラムの一例である。

荷物量予測部１３は、情報取得部１１により取得された将来の入力変数と、荷物量学習モデル保存部３３に保存されている荷物量学習モデルｍｄ１とを用いて、将来の入力変数に対応する（つまり、将来の入力変数の条件下で）、配送対象エリア内での配送される荷物量を予測する。

第１台数予測部１４は、荷物量予測部１３によって予測された荷物量をトラック１台の積載量（言い換えると、積載可能量）で除算することで、荷物量予測部１３によって予測された荷物量の荷物を配送するために必要なトラック台数を演算（予測）する。なお、実施の形態１において、それぞれの荷物の配送に用いられる１台以上のトラックの積載量はいずれも同じであると想定する。実際、多くの配送営業所（つまり、荷物を配送する拠点となる営業所のことで、以下では「営業所」と略記する）では、荷物の配送において、同一の車種の車両を利用していることが多い。なお、複数のトラックの積載量は必ずしも同一でなく、多少異なってもよい。その場合、予測された荷物量を除算する際、分母として、複数のトラックの積載量の平均値を用いてよい。

ヒートマップ作成部１５は、配送実績保存部３２に保存されている過去の配送実績ごとに、情報取得部１１により取得された複数の配送先の住所と営業所の住所とを基に、過去の配送実績に対応するヒートマップｈｐを作成する。なお、営業所の住所は、過去の配送実績に含まれてもよいし、メモリ（図示略）に予め登録されてもよい。実施の形態１において、ヒートマップとは、例えば営業所が管轄する配送対象エリアをｍ＊ｎ（ｍ，ｎ：１以上の整数だが、（ｍ，ｎ）＝（１，１）とはならない）個のセグメントに区画し、セグメントごとに分布する配送先の軒数、あるいは軒数および荷物量を示す定量的マップとして表したものである。ヒートマップの具体例の詳細については、後述する。

ヒートマップ学習部１６は、例えばＡＩを用いたプログラムにより構成され、過去の外部情報に対応する配送実績に基づいてヒートマップ作成部１５により作成されたヒートマップｈｐを複数用いて、ヒートマップｈｐと外部情報との関連性を規定するヒートマップ予測エンジンの学習処理（例えば、機械学習処理）を行い、ヒートマップ学習モデルｍｄ２を生成する。ヒートマップ学習モデルｍｄ２は、入力された外部情報を条件として、その条件の下で予測されるヒートマップｈｐを演算して出力するためのプログラムの一例である。

ヒートマップ予測部１７は、情報取得部１１により取得された将来の入力変数と、ヒートマップ学習モデル保存部３４に保存されているヒートマップ学習モデルｍｄ２とを用いて、将来の入力変数に対応する（つまり、将来の入力変数の条件下で）、配送対象エリア内を構成するセグメントごとに配送される荷物量の分布数を示すヒートマップを予測する。ここで、ヒートマップ予測部１７により予測されたヒートマップを便宜的に「予測ヒートマップｐｈｐ」と称し、ヒートマップ学習部１６により学習時に過去の実績に基づいて作成される「ヒートマップｈｐ」と区別する。

最少台数決定部１８は、配送実績保存部３２に保存されている過去の配送実績を基に、その配送実績に含まれる荷物量の配送に必要なトラックの理論的な最少台数を決定する。なお、最少台数の決定は、既存の公知技術であり、詳細な説明は省略する。例えば、最少台数は、配送コストが最も下がるように決定されてよい。配送コストは、例えば複数のトラックで配送する場合、配送ルートの状況に応じて、配送先の荷物を置換したり、交換したり、あるいは移管することによって下げることができるパラメータである。ここで、置換は、配送先の順序を入れ替えることを表す。交換は、複数の配送ルートの間で配送先を入れ替えることを表す。移管は、別の配送ルートに配送先を移すことを表す。

また、最少台数は、配送条件（例えば、顧客により予め指定された配送枠（午前中等）に届ける等）を満たすように決定されてよい。また、最少台数は、営業所の規則等によっても決定されてもよい。例えば、配送予定の総荷物量に対し、トラックの移動距離、配送先の軒数、トラックの積載量等を目安に、営業所ごとに決定されてもよい。

最少台数学習部１９は、例えばＡＩを用いたプログラムにより構成され、最少台数決定部１８により決定された過去の配送実績に基づく最少台数と、ヒートマップ作成部１５により作成された過去の配送実績に基づくヒートマップｈｐとの組を複数用いて、最少台数とヒートマップｈｐとの関連性を規定する最少台数予測エンジンの学習処理（例えば、機械学習処理）を行い、最少台数学習モデルｍｄ３を生成する。最少台数学習モデルｍｄ３は、入力された予測ヒートマップｐｈｐを条件として、その条件の下で使用されるトラックの最少台数を演算して出力するためのプログラムの一例である。

第２台数予測部２０は、最少台数学習モデル保存部３５に保存されている最少台数学習モデルｍｄ３と、ヒートマップ予測部１７で予測された予測ヒートマップｐｈｐとを用いて、予測ヒートマップｐｈｐのセグメントに分布している１つ以上の配送先に荷物を配送するために必要なトラックの最少台数を予測する。

台数決定部２１は、第１台数予測部１４によって予測されたトラックの最少台数の予測値と、第２台数予測部２０によって予測されたトラックの最少台数の予測値とを比較する。台数決定部２１は、この比較により、入力部５０から入力された将来の入力変数に対応するトラックの使用台数として、予測値の数が大きい（つまり、配送台数が多い）方をトラックの台数の予測値に決定する。これは、将来の入力変数に対応する使用台数として、予測値の数が小さい（つまり、配送台数が少ない）方の予測値を用いると、配送要件（時間内に全ての配送を終える）を満たさなくなる可能性が高くなるためである。

なお、上記の配送要件を満たさないリスクを負ってもよく、最少のトラック台数で配送することが営業所の方針等である場合、将来の入力変数に対応する使用台数として、少ない方の最少台数の予測値を決定してもよい。

次に、上述した実施の形態１に係る需要予測装置５の動作概要の一例について、図２を参照して説明する。

図２を参照して、営業所からトラックで荷物を配送する場合の需要予測の動作概要の一例を示す。図２は、需要予測装置５の動作概要例を説明する図である。

図２において、マップｍｐ１は、営業所が管轄する配送対象エリアを示し、例えば４行＊７列（上述した、ｍ＝４、ｎ＝７の例に対応）で表される複数のセグメントに区画される。＊（アスタリスク）は乗算の演算子を示し、以下同様である。

ヒートマップ作成部１５は、例えば過去の配送実績の一つを配送実績保存部３２から読み出し、その配送実績の情報に含まれる営業所ｏおよび配送先ｐ１，ｐ２，ｐ３，ｐ４，ｐ５，ｐ６，ｐ７，ｐ８，ｐ９のそれぞれの住所の情報を、マップｍｐ１の対応するセグメント内に分布するように割り当てる。各セグメントは、例えば数学的には、行列の要素で表すことが可能である。また、マップｍｐ１には、過去の配送実績に基づき、１台のトラックで配送された配送先が丸い枠ｗ１，ｗ２，ｗ３でそれぞれ囲まれている。枠ｗ１は、Ａ行２列のセグメント内に分布（位置）する２軒の配送先ｐ１，ｐ２と、Ｂ行２列のセグメント内に分布（位置）する１軒の配送先ｐ３を囲む。同様に、枠ｗ２は、Ｄ行３列のセグメント内に分布（位置）する３軒の配送先ｐ４，ｐ５，ｐ６を囲む。枠ｗ３は、Ｂ行４列のセグメント内に分布（位置）する１軒の配送先ｐ７と、Ｂ行６列のセグメント内に分布（位置）する１軒の配送先ｐ８と、Ｄ行６列のセグメント内に分布（位置）する１軒の配送先ｐ９を囲む。

ヒートマップ作成部１５は、過去の配送実績に基づいて、マップｍｐ１のようにそれぞれのセグメントに配送先をプロット（割り当て）した上で、紙面中央のヒートマップｈｐを作成する。ヒートマップｈｐは、セグメントごとに、セグメント内に分布する配送先（軒）の分布数を定量的に示す。図２では、一例として、軒数が１軒分布しているＢ行２列，Ｂ行４列，Ｂ行６列，Ｄ行６列の各セグメントは、黄色（図中、粗いハッチ）で描画される。軒数が２軒分布しているＡ行２列のセグメントは、オレンジ色（図中、黄色を示す粗いハッチより細かいハッチ）で描画される。軒数が３軒分布しているＤ行３列のセグメントは、濃い赤色（図中、オレンジ色を示すハッチよりさらに細かいハッチ）で描画される。

マップｍｐ３は、最少台数決定部１８が最少台数を決定する際に生成され、マップｍｐ１と同様の配送対象エリアを示す。なお、マップｍｐ３では、説明を簡単にするために、マップｍｐ１のセグメント内に分布（位置）する配送先ｐ１～ｐ９と同じ配送先ｐ１～ｐ９が同じセグメント内に分布（位置）するようにしている。マップｍｐ３には、マップｍｐ１のセグメント内に分布（位置）する配送先ｐ１～ｐ９に対し、最少台数決定部１８を用いて決定されたトラックの台数に基づき、各トラックが配送する配送先を囲む枠ｗ４，ｗ５が示される。枠ｗ４は、配送先ｐ１～ｐ３，ｐ７，ｐ８を囲む。枠ｗ５は、配送先ｐ４～ｐ６，ｐ９を囲む。

次に、実施の形態１に係る需要予測装置５の行うそれぞれの動作手順について、図３～図８を参照して説明する。図３～図８のそれぞれのフローチャートにおいて、各処理は、需要予測装置５のプロセッサＰＲＣ１（図１参照）により実行される。

図３は、過去の外部情報および配送実績に基づいて荷物量を学習する動作手順の一例を示すフローチャートである。図３において、情報取得部１１は、外部情報保存部３１に保存されている過去の外部情報を取得する（Ｓ１）。また、情報取得部１１は、配送実績保存部３２に保存されている過去の配送実績を取得する（Ｓ２）。

荷物量学習部１２は、ステップＳ１において取得された過去の外部情報と、その外部情報に対応した、ステップＳ２において取得された配送実績（例えば、配送された荷物量）との関連性に基づき、入力変数（例えば、年月日時、曜日、天気予報、イベントの名称等）に対する荷物量を予測するための荷物量予測エンジンを学習する（Ｓ３）。上述したように、このステップＳ３の学習には、荷物量学習部１２による機械学習処理が実行される。荷物量学習部１２は、ステップＳ３による学習処理の結果として荷物量学習モデルｍｄ１を生成し、その荷物量学習モデルｍｄ１を荷物量学習モデル保存部３３に保存する（Ｓ４）。この後、プロセッサ１０による図３の動作手順で規定される一連の処理が終了する。

図４は、将来の入力変数と荷物量学習モデルとに基づいて予測された荷物量の配送に用いる配送車両の台数を予測する動作手順の一例を示すフローチャートである。図４において、入力部５０は、利用者の操作によって入力された将来の入力変数を受け付けて取得する（Ｓ１１）。将来の入力変数は、トラックによる荷物の配送に影響があると考えられる年月日時、曜日、天気予報、イベントの名称等を含む。荷物量予測部１３は、荷物量学習モデル保存部３３に保存されている荷物量学習モデルｍｄ１を読み込む（Ｓ１２）。

荷物量予測部１３は、ステップＳ１２において読み出された荷物量学習モデルｍｄ１とステップＳ１１において入力された将来の入力変数とを用いて、入力された入力変数を満たす（つまり、将来の入力変数の条件下で）配送される荷物量を予測する（Ｓ１３）。

第１台数予測部１４は、ステップＳ１３において予測された荷物量を、トラック１台の積載量（言い換えると、積載可能量）で除算する（Ｓ１４）。第１台数予測部１４は、この除算の結果、トラック台数の予測値として、除算結果に相当する第１予測台数値をプロセッサ１０内のメモリ（図示略）に一時記憶する（Ｓ１５）。この後、プロセッサ１０による図４の動作手順で規定される一連の処理が終了する。

図５は、ヒートマップｈｐを予測するためのヒートマップ予測エンジンを学習する動作手順の一例を示すフローチャートである。図５において、情報取得部１１は、外部情報保存部３１に保存されている過去の外部情報を取得する（Ｓ２１）。また、情報取得部１１は、配送実績保存部３２に保存されている過去の配送実績の情報の中から、当時の配送先である顧客の位置情報（例えば、顧客の住所または居所の情報）を取得する（Ｓ２２）。また、情報取得部１１は、メモリ（図示略）から営業所の位置情報（例えば、営業所の居所の情報）を取得する。

ヒートマップ作成部１５は、ステップＳ２２において取得された顧客および営業所のそれぞれの位置情報を用いて、過去の配送実績に対応するヒートマップｈｐ（図２参照）を作成する（Ｓ２３）。過去の配送実績に対応するヒートマップｈｐは、過去の配送実績の情報に含まれる１つ以上の配送先が、配送対象エリアを構成する複数のセグメント（小エリア）のうちいずれに何個分布するかを定量的に示す指標である。

ヒートマップ学習部１６は、ステップＳ２１において取得された過去の外部情報と、ステップＳ２３において作成されたヒートマップｈｐとの関連性に基づき、入力変数（例えば、年月日時、曜日、天気予報、イベントの名称等）に対応するヒートマップを予測するためのヒートマップ予測エンジンを学習する（Ｓ２４）。上述したように、このステップＳ２４の学習には、ヒートマップ学習部１６による機械学習処理が実行される。ヒートマップ学習部１６は、ステップＳ２４による学習処理の結果としてヒートマップ学習モデルｍｄ２を生成し、そのヒートマップ学習モデルｍｄ２をヒートマップ学習モデル保存部３４に保存する（Ｓ２５）。この後、プロセッサ１０による図５の動作手順で規定される一連の処理が終了する。

図６は、ヒートマップに基づく最少台数を予測するための最少台数予測エンジンを学習する動作手順の一例を示すフローチャートである。図６において、情報取得部１１は、配送実績保存部３２に保存されている過去の配送実績を取得する（Ｓ３１）。最少台数決定部１８は、ステップＳ３１において取得された配送実績の情報に含まれる配送条件（後述参照）の下で、顧客の住所または居所に荷物を配送するためのトラックの理論的な最少台数を演算し、この演算結果として得られた最少台数を決定する（Ｓ３２）。

ここで、配送条件は、例えば、午前中（１０：００～１２：００）の配送枠、１２：００～１４：００の配送枠、１４：００～１６：００の配送枠、１６：００～１８：００の配送枠、１８：００～２０：００の配送枠のうちいずれかに荷物を届けることが挙げられる。また、配送条件には、例えば、配送先である顧客の住所または居所と他の顧客の住所または居所との間の距離が一定値以上離れた場合には、複数のトラックを使用することが含まれてもよい。また、配送条件には、例えば、上述した配送枠の時間帯内に１台のトラックで配送可能な最大の顧客数が含まれてもよい。

最少台数学習部１９は、ステップＳ３１において取得された過去の配送実績に基づく最少台数の演算結果と、同一の過去の配送実績に基づくヒートマップｈｐとの関連性に基づき、ヒートマップｈｐに対する最少台数を予測するための最少台数予測エンジンを学習する（Ｓ３３）。上述したように、このステップＳ３３の学習には、最少台数学習部１９による機械学習処理が実行される。最少台数学習部１９は、ステップＳ３３による学習処理の結果として最少台数学習モデルｍｄ３を生成し、その最少台数学習モデルｍｄ３を最少台数学習モデル保存部３５に保存する（Ｓ３４）。この後、プロセッサ１０による図７の動作手順で規定される一連の処理が終了する。

図７は、将来の入力変数とヒートマップ学習モデルと最少台数学習モデルとに基づいてトラックの最少台数を予測する動作手順の一例を示すフローチャートである。図７において、入力部５０は、利用者の操作によって入力された将来の入力変数を受け付けて取得する（Ｓ４１）。ヒートマップ予測部１７は、ヒートマップ学習モデル保存部３４に保存されているヒートマップ学習モデルｍｄ２を読み込む（Ｓ４２）。ヒートマップ予測部１７は、ステップＳ４２において読み出されたヒートマップ学習モデルｍｄ２とステップＳ４１において取得された将来の入力変数とを用いて、その入力変数を満たす予測ヒートマップｐｈｐを生成する（Ｓ４３）。

第２台数予測部２０は、最少台数学習モデル保存部３５に保存されている最少台数学習モデルｍｄ３を読み込む（Ｓ４４）。第２台数予測部２０は、ステップＳ４４において読み出された予測ヒートマップｐｈｐと、最少台数学習モデルｍｄ３とを用いて、予測ヒートマップｐｈｐにより規定（言い換えると、ステップＳ４１において取得された入力変数に対応して分布すると予測）される１つ以上の配送先への配送に必要なトラックの最少台数を予測して演算する（Ｓ４５）。第２台数予測部２０は、ステップＳ４５の演算結果を第２予測台数値として、プロセッサ１０内のメモリ（図示略）に一時記憶する（Ｓ４６）。この後、プロセッサ１０による図７の動作手順で規定される一連の処理が終了する。

図８は、トラックの最少台数を決定する動作手順の一例を示すフローチャートである。図８において、台数決定部２１は、プロセッサ１０のメモリ（図示略）に一時記憶された第１予測台数値および第２予測台数値を読み出す（Ｓ５１）。台数決定部２１は、ステップＳ５１において読み出された第１予測台数値と第２予測台数値のうち、値が大きい方を選択する（Ｓ５２）。台数決定部２１は、ステップＳ５２において選択された予測台数値を、利用者の操作により入力部５０から入力された将来の入力変数に対するトラックの使用台数として決定する（Ｓ５３）。この後、プロセッサ１０による図８の動作手順で規定される一連の処理が終了する。

次に、最少台数学習モデルｍｄ３に将来の入力変数とともに入力され、トラックの最少台数を予測するために用いられる予測ヒートマップｐｈｐを、ヒートマップ学習モデルｍｄ２を用いて取得する動作の具体例を説明する。

（トラック１台で配送する例）
図９は、トラック１台で配送した過去の配送実績の一例を示す説明図である。マップｍｐ１１は、営業所が管轄する配送対象エリアを表しており、例えば５行＊５列（上述した、ｍ＝ｎ＝５の例に対応）で表される複数のセグメントに区画される。ここでは、便宜的に、マップｍｐ１１の各行をＡ～Ｅで表し、各列を１～５で表し、各セグメントを行列の要素Ａ１～Ｅ５で表す。

過去の配送実績（配送情報の一例）は、配送日時：２０１８年５月２８日（月） １０：００～１２：００、トラック積載量：１２個、営業所の住所：ｏ、および配送先情報を含む。配送先情報は、配送先：１軒目、荷物量：３個、住所：ｘ１、配送先：２軒目、荷物量：３個、住所：ｘ２、配送先：３軒目、荷物量：３個、住所：ｘ３、配送先：４軒目、荷物量：３個、住所：ｘ４を含む。

マップｍｐ１１には、営業所ｏ、配送先の住所ｘ１～ｘ４、配送時刻［１０：００］～［１２：００］、および配送ルートｒｔが描画される。ここでは、１台のトラックが、営業所ｏを時刻１０：００に出発し、時刻１０：３０に１軒目の配送を行い、時刻１１：００に２軒目の配送を行い、時刻１１：３０に３軒目の配送を行い、時刻１２：００に４軒目の配送を行ったことが示される。

図１０は、図９に示す過去の配送実績に基づいて作成されたヒートマップｈｐ１およびその行列の一例を示す説明図である。このヒートマップｈｐ１は、一例として、ヒートマップ作成部１５によって作成され、学習時（図５のステップＳ２４参照）に入力される。ヒートマップｈｐ１では、Ｃ行２列およびＤ行３列の各セグメントは、黄色（図中、粗いハッチ）で描画される。Ｄ行２列のセグメントは、オレンジ色（図中、黄色を示す粗いハッチより細かいハッチ）で描画される。

ここで、ヒートマップｈｐ１を、軒数を示す行列で表した場合、行列の要素Ｃ２で表されるセグメントには、１軒の配送先があるので、行列の要素Ｃ２には、値１が登録される。同様に、行列の要素Ｄ２で表されるセグメントには、２軒の配送先があるので、行列の要素Ｄ２には、値２が登録される。行列の要素Ｄ３で表されるセグメントには、１軒の配送先があるので、行列の要素Ｄ３には、値１が登録される。また、行列の要素Ｃ３で表されるセグメントには、営業所ｏがあるので、行列の要素Ｃ３には、値１が登録される。

また、ヒートマップｈｐ１を、軒数と荷物量とを示す行列で表した場合、行列の要素Ｃ２で表されるセグメントには、３個の荷物があるので、行列の要素Ｃ２には、値３が登録される。同様に、行列の要素Ｄ２で表されるセグメントには、６個の荷物があるので、行列の要素Ｄ２には、値６が登録される。行列の要素Ｄ３で表されるセグメントには、３個の荷物があるので、行列の要素Ｄ３には、値３が登録される。その他の行列には、荷物量が無いので、その他の要素には、値０が登録される。これにより、軒数だけでなく荷物量を追加した行列によるヒートマップｈｐ１を学習に用いることで、トラック台数の予測に荷物量を加味することができる。

図１１は、将来の入力変数を用いてヒートマップ学習モデルｍｄ２から出力される予測ヒートマップｐｈｐ１の一例を示す図である。ここでは、予測ヒートマップｐｈｐの一例として、予測ヒートマップｐｈｐ１は、図１０に示した過去の配送実績を基に作成されたヒートマップｈｐ１と同じ分布に生成されているが、異なる分布に生成されてよい。予測ヒートマップｐｈｐ１は、図１０に示した過去の配送実績に基づいて作成され、図１０に示すヒートマップ行列の要素Ｃ２に対応するセグメント内に１軒、同ヒートマップ行列の要素Ｄ２に対応するセグメント内に２軒、同ヒートマップ行列の要素Ｄ３に対応するセグメント内に１軒の配送先がそれぞれ分布することを定量的に示す。

（荷物量によってトラック２台で配送する例）
図１２は、荷物量が多いためにトラック２台で配送した過去の配送実績の一例を示す図である。マップｍｐ１２は、マップｍｐ１１と同様、営業所が管轄する配送対象エリアを示しており、例えば５行＊５列（上述した、ｍ＝ｎ＝５の例に対応）で表される複数のセグメントに区画される。

過去の配送実績（配送情報の一例）は、配送日時：２０１８年５月２９日（火） １０：００～１２：００、トラック積載量：１２個、営業所の住所：ｏ、および配送先情報を含む。配送先情報は、配送先：１軒目、荷物量：６個、住所：ｘ１、配送先：２軒目、荷物量：６個、住所：ｘ２、配送先：３軒目、荷物量：６個、住所：ｘ３、配送先：４軒目、荷物量：６個、住所：ｘ４を含む。

マップｍｐ１２には、営業所ｏ、配送先の住所ｘ１～ｘ４、配送時刻［１０：００］～［１２：００］、および配送ルートｒｔ１，ｒｔ２が描画される。ここでは、１台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ１に従い、時刻１０：３０に１軒目の配送を行い、時刻１１：００に２軒目の配送を行う。２台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ２に従い、時刻１１：３０に３軒目の配送を行い、時刻１２：００に４軒目の配送を行う。つまり、図９に示す配送実績の例と比べて、配送される荷物量が多いため、図１２では、理論的な最少台数として２台と決定された例が示されている。

（距離によってトラック２台で配送する例）
図１３は、営業所からの距離が離れているためにトラック２台で配送した過去の配送実績の一例を示す説明図である。マップｍｐ２１は、マップｍｐ１１と同様、営業所が管轄する配送対象エリアを示しており、５行＊５列（上述した、ｍ＝ｎ＝５の例に対応）で表される複数のセグメントに区画される。

過去の配送実績（配送情報の一例）は、配送日時：２０１８年５月３０日（水） １０：００～１２：００、トラック積載量：１２個、営業所の住所：ｏ、および配送先情報を含む。配送先情報は、配送先：１軒目、荷物量：３個、住所：ｙ１、配送先：２軒目、荷物量：３個、住所：ｙ２、配送先：３軒目、荷物量：３個、住所：ｙ３、配送先：４軒目、荷物量：３個、住所：ｙ４を含む。

マップｍｐ２１には、営業所ｏ、配送先の住所ｙ１～ｙ４、配送時刻［１０：００］～［１２：００］、および配送ルートｒｔ３，ｒｔ４が描画される。ここでは、１台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ３に従い、時刻１１：００に１軒目の住所ｙ１で配送を行い、時刻１１：３０に２軒目の住所ｙ２で配送を行う。２台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ４に従い、時刻１１：００に３軒目の住所ｙ３で配送を行い、時刻１１：３０に４軒目の住所ｙ４で配送を行う。つまり、図９に示す配送実績の例と比べて、それぞれの配送先の位置情報（つまり、顧客の住所または居所）と営業所との距離が離れているために、図１３では、理論的な最少台数として２台と決定された例が示されている。

図１４は、図１３に示す過去の配送実績に基づいて学習時に作成されるヒートマップｈｐ３およびその行列の一例を示す説明図である。ヒートマップｈｐ３は、一例として、ヒートマップ作成部１５によって作成され、学習時（図５のステップＳ２４参照）に入力される。ヒートマップｈｐ３では、行列の要素Ｅ４，Ｅ５でそれぞれ表されるセグメントは、黄色（図中、粗いハッチ）で描画される。行列の要素Ａ２で表されるセグメントは、オレンジ色（図中、黄色を示す粗いハッチより細かいハッチ）で描画される。

ここで、ヒートマップｈｐ３を、軒数を示す行列で表した場合、行列の要素Ａ２で表されるセグメントには、２軒の配送先があるので、行列の要素Ａ２には、値２が登録される。同様に、行列の要素Ｅ４，Ｅ５でそれぞれ表されるセグメントには、１軒の配送先があるので、行列の要素Ｅ４，Ｅ５には、それぞれ値１が登録される。また、行列の要素Ｃ３で表されるセグメントには、営業所ｏがあるので、行列の要素Ｃ３には、値１が登録される。

また、ヒートマップｈｐ３を、軒数と荷物量とを示す行列で表した場合、行列の要素Ａ２で表されるセグメントには、６個の荷物があるので、行列の要素Ａ２には、値６が登録される。同様に、行列の要素Ｅ４，Ｅ５でそれぞれ表されるセグメントには、３個の荷物があるので、行列の要素Ｅ４，Ｅ５には、それぞれ値３が登録される。その他の行列には、荷物量が無いので、値０が登録される。これにより、軒数だけでなく荷物量を追加した行列によるヒートマップｈｐ３を学習に用いることで、トラック台数の予測に荷物量を加味することができる。

図１５は、将来の入力変数を用いてヒートマップ学習モデルｍｄ２から出力される予測ヒートマップｐｈｐ３の一例を示す説明図である。ここでは、予測ヒートマップｐｈｐ３は、図１４に示した過去の配送実績を基に作成されたヒートマップｈｐ３と同じ分布に生成されているが、異なる分布に生成されてよい。予測ヒートマップｐｈｐ３は、図１３に示した過去の配送実績に基づいて作成され、図１４に示すヒートマップ行列の要素Ａ２に対応するセグメント内に２軒、同ヒートマップ行列の要素Ｅ４に対応するセグメント内に１軒、同ヒートマップ行列の要素Ｅ５に対応するセグメント内に１軒の配送先がそれぞれ分布することを定量的に示す。

（軒数によってトラック２台で配送する例）
図１６は、軒数が多いためにトラック２台で配送した過去の配送実績の一例を示す説明図である。マップｍｐ３１は、マップｍｐ１１と同様、営業所が管轄する配送対象エリアを示しており、５行＊５列（上述した、ｍ＝ｎ＝５の例に対応）で表される複数のセグメントに区画される。

過去の配送実績（配送情報の一例）は、配送日時：２０１８年５月３１日（木） １０：００～１２：００、トラック積載量：１２個、営業所の住所：ｏ、および配送先情報を含む。配送先情報は、配送先：１軒目、荷物量：２個、住所：ｘ１、配送先：２軒目、荷物量：２個、住所：ｘ２、配送先：３軒目、荷物量：２個、住所：ｘ３、配送先：４軒目、荷物量：２個、住所：ｘ４、配送先：５軒目、荷物量：２個、住所：ｘ５、配送先：６軒目、荷物量：２個、住所：ｘ６を含む。

マップｍｐ３１には、営業所ｏ、配送先の住所ｘ１～ｘ６、配送時刻［１０：００］～［１２：００］、および配送ルートｒｔ５，ｒｔ６が描画される。ここでは、１台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ５に従い、時刻１０：３０に１軒目の住所ｘ１で配送を行い、時刻１１：００に２軒目の住所ｘ２で配送を行い、時刻１１：３０に３軒目の住所ｘ３で配送を行い、時刻１２：００に４軒目の住所ｘ４で配送を行う。２台目のトラックは、営業所ｏを時刻１０：００に出発し、配送ルートｒｔ６に従い、時刻１０：３０に５軒目の住所ｘ５で配送を行い、時刻１１：００に６軒目の住所ｘ６で配送を行う。つまり、図９に示す配送実績の例と比べて、配送される配送先の数（つまり、軒数）が多いため、図１６では、理論的な最少台数として２台と決定された例が示されている。

図１７は、図１６に示す過去の配送実績に基づいて学習時に作成されるヒートマップｈｐ５およびその行列の一例を示す説明図である。ヒートマップｈｐ５は、一例として、ヒートマップ作成部１５によって作成され、学習時（図５のステップＳ２４参照）に入力される。ヒートマップｈｐ５では、行列の要素Ｃ２，Ｄ３でそれぞれ表されるセグメントは、黄色（図中、粗いハッチ）で描画される。行列の要素Ｄ２，Ｄ４でそれぞれ表されるセグメントは、オレンジ色（図中、黄色を示す粗いハッチより細かいハッチ）で描画される。

ここで、ヒートマップｈｐ５を、軒数を示す行列で表した場合、行列の要素Ｃ２，Ｄ３でそれぞれ表されるセグメントには、１軒の配送先があるので、行列の要素Ｃ２，Ｄ３には、それぞれ値１が登録される。同様に、行列の要素Ｄ２，Ｄ４で表されるセグメントには、２軒の配送先があるので、行列の要素Ｄ２，Ｄ４には、値２が登録される。また、行列の要素Ｃ３で表されるセグメントには、営業所ｏがあるので、行列の要素Ｃ３には、値１が登録される。

また、ヒートマップｈｐ５を、軒数と荷物量とを示す行列で表した場合、行列の要素Ｃ２，Ｄ３でそれぞれ表されるセグメントには、１個の荷物があるので、行列の要素Ｃ２，Ｄ３には、それぞれ値２が登録される。同様に、行列の要素Ｄ２，Ｄ４で表されるセグメントには、それぞれ２個の荷物があるので、行列の要素Ｄ２，Ｄ４には、それぞれ値４が登録される。その他の行列には、荷物量が無いので、値０が登録される。これにより、軒数だけでなく荷物量を追加した行列によるヒートマップｈｐ５を学習に用いることで、トラック台数の予測に荷物量を加味することができる。

図１８は、将来の入力変数を用いてヒートマップ学習モデルｍｄ２から出力される予測ヒートマップｐｈｐ５の一例を示す説明図である。ここでは、予測ヒートマップｐｈｐ５は、図１７に示した過去の配送実績を基に作成されたヒートマップｈｐ５と同じ分布に生成されているが、異なる分布に生成されてよい。予測ヒートマップｐｈｐ５は、図１６に示した過去の配送実績に基づいて作成され、図１７に示すヒートマップ行列の要素Ｃ２に対応するセグメント内に１軒、同ヒートマップ行列の要素Ｄ２に対応するセグメント内に２軒、同ヒートマップ行列の要素Ｄ３に対応するセグメント内に１軒、同ヒートマップ行列の要素Ｄ４に対応するセグメント内に２軒の配送先がそれぞれ分布することを定量的に示す。

以上により、実施の形態１に係る需要予測装置５では、入力部５０（入力変数取得部の一例）は、利用者の操作によって入力された、配送日時を含む入力変数を取得する。ヒートマップ予測部１７は、配送対象エリアを構成する複数個のセグメントのうち少なくとも１つのセグメントに分布する配送先の軒数（分布数の一例）をセグメントごとに示すヒートマップｈｐを予測するためのヒートマップ学習モデルｍｄ２（ヒートマップ予測モデルの一例）を用いて、入力変数に対応する予測ヒートマップｐｈｐを予測する。第２台数予測部２０（最少台数予測部の一例）は、配送先に荷物を配送するためのトラック（配送車両の一例）の最少台数を予測するための最少台数学習モデルｍｄ３（最少台数予測モデルの一例）を用いて、予測ヒートマップｐｈｐ（予測されたヒートマップの一例）に対応するトラックの最少台数を予測する。台数決定部２１は、予測された最少台数を、入力変数に含まれる配送日時におけるトラックの使用台数として決定する。

これにより、需要予測装置５は、物流（例えば、荷物の配送）において、個宅等の宅配に必要なトラックの台数を予測できるので、効率的な配送計画の実現を支援できる。また、需要予測装置５は、配送先の軒数を個々の配送先の住所ではなくセグメント化して定量的に示したヒートマップで表すことで、入力された入力変数に対応する配送先の軒数を予測するためのヒートマップ学習モデルｍｄ２および最少台数学習モデルｍｄ３をそれぞれ生成するための学習用データ量を増やすことができ、学習精度を高めることができる。

また、需要予測装置５では、情報取得部１１（配送実績取得部の一例）は、配送日時と複数の配送先のそれぞれの位置情報とを含む過去の配送実績情報を取得する。ヒートマップ作成部１５は、複数の配送先のそれぞれの住所（位置情報の一例）を用いて、複数の配送先のそれぞれが分布するセグメントを決定し、複数の配送先のそれぞれに対応するヒートマップｈｐを、過去の配送実績情報ごとに作成する。ヒートマップ学習部１６は、過去の外部情報（配送実績情報の一例）と過去の外部情報ごとに作成されたヒートマップｈｐとの関連性の学習に基づいて、ヒートマップ学習モデルｍｄ２を生成する。これにより、需要予測装置５は、過去の配送日時および配送先の位置情報に基づいて配送対象エリア内の配送先の数（つまり、軒数）を予測可能なヒートマップ学習モデルｍｄ２を用いて、将来の入力変数に対応した信頼性の高い予測ヒートマップｐｈｐを容易に作成でき、ヒートマップの予測精度を向上できる。

また、需要予測装置５では、情報取得部１１（配送実績取得部の一例）は、配送日時と複数の配送先のそれぞれの住所とを含むヒートマップｈｐ（過去の配送実績情報の一例）を取得する。最少台数決定部１８は、複数の配送先のそれぞれの住所を用いて、複数の配送先のそれぞれに荷物を配送するためのトラックの最少台数を決定する。最少台数学習部１９は、ヒートマップｈｐ（配送実績情報の一例）と過去の配送実績情報に対応して決定された最少台数との関連性の学習に基づいて、最少台数学習モデルｍｄ３（最少台数予測モデルの一例）を生成する。これにより、需要予測装置５は、過去の配送実績に基づいてその配送実績の情報に含まれる配送先の数（つまり、軒数）に対応して配送可能なトラックの最少台数を予測可能な最少台数学習モデルｍｄ３を生成できるので、将来の入力変数に対応した信頼性の高い最少台数の予測を容易に行え、最少台数の予測精度を向上できる。

また、需要予測装置５では、情報取得部１１（配送実績取得部の一例）は、配送日時と配送された荷物量とを含む過去の配送実績情報を取得する。荷物量学習部１２は、配送日時と配送された荷物量との関連性の学習に基づいて、配送される荷物量を予測するための荷物量学習モデルｍｄ１（荷物量予測モデルの一例）を生成する。これにより、需要予測装置５は、過去の配送日時と配送実績とに基づいて配送される荷物量を予測可能な荷物量学習モデルｍｄ１を生成でき、荷物量の予測精度を向上できる。

また、需要予測装置５では、荷物量予測部１３は、荷物量学習モデルｍｄ１を用いて、将来の入力変数に対応する荷物量を予測する。これにより、需要予測装置５は、荷物量学習モデルｍｄ１を用いることで、将来の入力変数に対応した信頼性の高い荷物量の予測を容易に行える。

また、需要予測装置５では、第１台数予測部１４（台数予測部の一例）は、予測された荷物量とトラックの積載量とに基づいて、予測された荷物量の荷物を配送するトラックの台数を予測する。台数決定部２１は、予測された荷物量に基づくトラックの台数の予測値と、予測ヒートマップｐｈｐに基づくトラックの台数の予測値とのうち数が大きい方を、入力変数に含まれる配送日時における配送車両の使用台数として決定する。これにより、需要予測装置５は、将来の入力変数に対応するトラックの使用台数として、数が大きい方の最少台数を決定することで、配送要件（時間内に全ての配送を終える）を満たさなくなるリスクを減少させることができる。

また、需要予測装置５では、台数決定部２１は、決定されたトラックの使用台数に関する情報を出力部６０に出力する。これにより、利用者は、トラックの使用台数を把握し、必要なトラックの台数をいち早く確保するように努めるようになる。また、トラックの配送計画の策定に貢献できる。

また、需要予測装置５では、将来の入力変数は、配送日時、曜日、天気予報、イベントの情報を含む。これにより、需要予測装置５は、荷物の配送に影響する種々の要因（つまり、配送日時、曜日、天気予報、イベント名等）を考慮して、トラックの台数を的確に予測できる。特にイベントの情報、例えば荷物である商品のキャンペーン、配送先付近で行われる運動会やコンサート、道路工事等の情報によって、トラックの台数を予測する精度が高まる。

以上、図面を参照しながら各種の実施の形態について説明したが、本開示はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例、修正例、置換例、付加例、削除例、均等例に想到し得ることは明らかであり、それらについても当然に本開示の技術的範囲に属するものと了解される。また、発明の趣旨を逸脱しない範囲において、上述した各種の実施の形態における各構成要素を任意に組み合わせてもよい。

上述した実施の形態では、例えば、運送事業者が個人宅もしくは会社等に荷物を配送するユースケースを例示して説明したが、商品等の販売店が自店の扱う商品を個人宅もしくは会社等に配送するユースケースにも同様に適用可能である。

上述した実施の形態では、配送車両として、トラックを例示して説明したが、軽乗用車、ワンボックスカー、バイク等の車両であってもよい。

上述した実施の形態では、配送日時を年月日時として説明したが、日付のみ、曜日のみ等、ユースケースに応じて設定してもよい。

（実施の形態２）
実施の形態１では、宅配のように個別の配送先（つまり、個宅）に荷物を配送するユースケースについて示した。実施の形態２では、実施の形態１を拡張し、商品等を、倉庫あるいは生産拠点からその商品を消費者に提供する店舗等にトラックで運搬するユースケースについて説明する。なお、実施の形態１は、実施の形態２から完全に独立した内容（言い換えると、実施の形態２の内容とは切り離された内容）となっているが、実施の形態２は実施の形態１に係る構成をベースにしてその内容を発展的に拡張したものである。

図１９は、実施の形態２に係る需要予測システムのハードウェア構成例を示すブロック図である。実施の形態２に係る需要予測システムは、実施の形態１に係る需要予測装置５を含んで構成される。実施の形態１と同一の構成要素については同一の符号を用いることで、その説明を省略する。

需要予測システムは、物流センター１００と、店舗２００と、需要予測装置５と、出力部６０と、サーバ８０と、を含んで構成される。なお、物流センター１００は、例えば倉庫、生産拠点等の商品（荷物）の配送にあたって拠点となる施設である。図１９に示されるように、倉庫および／または生産拠点および／または物流センター１００には、消費者あるいは店舗のそれぞれが注文した商品（荷物）を仕分けるためのシステム１０１が設けられる。

また、店舗２００には、棚に陳列された商品の在庫量に関する棚在庫状況あるいは商品の欠品を検知する欠品検知システム２０１と、店舗内を移動する消費者の動線を分析するための動線分析システム２０２とが設けられる。なお、店舗２００に設けられる動線分析システム２０２は、必須の構成でなく、省略されてよい。

実施の形態２に係る出力部６０は、実施の形態１とは異なる場所に設けられてよい。需要予測装置５以外に複数備えられていてもよい。これにより、プロセッサ１０によって決定されたトラックの必要台数は、倉庫および／または生産拠点および／または物流センター１００、または店舗２００に速やかに通知される。よって、利用者は、必要なトラックの台数をいち早く確保するように努めるようになるため、トラックの配送計画の策定に貢献できる。また、出力部６０の設置場所は、倉庫および／または生産拠点および／または物流センター１００、または店舗２００以外であってもよく、例えばトラックを所有あるいは管理するような会社、部門等でもよい。

実施の形態２において、プロセッサ１０は、仕分けシステム１０１から直接的または間接的に荷物の荷物体積データを受信し、荷物体積データに基づいて、配送する荷物の体積を計算してもよい。これにより、利用者は、仕分けシステム１０１から得られるリアルタイムに近い実測データを使用でき、必要な台数のトラックを手配する際に、より短時間でより精度の高い必要トラック数を算出できる。なお、この荷物体積データは、後述する、ラベルリーダ１１０が読み込んだラベル記録情報から取得した荷物の特定が可能な荷物特定情報と、距離画像センサ２２が生成した荷物の体積またはサイズ等を示す距離画像とを含む。

また、プロセッサ１０は、配送する荷物量を予測するために、店舗の欠品検知システム２０１の欠品情報に基づいた商品需要予測情報を直接的または間接的に受信し、その情報を使用しても良い。欠品情報とは、後述する欠品検知システム２０１において検知された、店舗内に設置された棚の商品（在庫）に関する情報（例えば、特定の商品、あるいは特定の商品が配置された在庫において、欠品が生じた状態（つまり既定の陳列数に足りてない状態）を意味する情報）である。これにより、仕分けシステム１０１は、検知システム２０１から得られるリアルタイムに近い実測データを使用できるため、より精度の高い計算ができる。なお、この欠品情報とは、例えば、商品情報、欠品検出部２２３による検出結果、および／または、検出結果に基づく情報を含む通知情報を含む。欠品情報は、一例として、商品２７０の欠品検知を通知する情報（「通知情報」、「欠品情報」、または、「アラート情報」と称されてもよい）である。

さらに、欠品情報としては、欠品検出部２２３による検出結果および棚札検出部２２１による検出結果のいずれか一方または双方と、棚割情報４００と、が関連付けられた情報に基づいて生成された通知情報としてもよい。この場合の欠品情報は、例えば、欠品検出部２２３による検出結果と棚割情報４００とが関連付けられた情報に基づく、商品２７０の欠品検知に係る場所（欠品エリア）、および／または、欠品検知した商品２７０の商品名を含む通知情報とする。

なお、実施の形態２に係る情報取得部１１は、外部情報保存部３１に保存されている過去の外部情報と、配送実績保存部３２に保存されている過去の配送実績の情報に含まれる荷物量、過去の配送実績の情報に含まれる配送先の住所および配送ルートとを取得するとともに、上記で説明した仕分けシステム１０１からの荷物体積データと、欠品検知システム２０１からの欠品情報および／または商品需要予測情報とを受信する。商品需要予測情報は、情報取得部１１が欠品情報を受信した後に需要予測装置５内で生成されてもよいし、欠品検知システム２０１内で生成されて情報取得部１１に取得されても良い。

また、実施の形態２において、荷物体積データおよび／または商品需要予測情報は、実施の形態１で説明された外部情報および／または配送実績の一部として扱われ、第１予測台数値および／または第２予測台数値を算出する際に利用される。詳細に言えば、荷物体積データおよび／または商品需要予測情報は、実施の形態１に係る荷物量学習モデルｍｄ１、ヒートマップ学習モデルｍｄ２、最少台数学習モデルｍｄ３のうち少なくとも一つを生成することに利用されても良く、荷物量の予測、ヒートマップｈｐの演算あるいはトラックの最小台数予測等に利用されても良い。なお、商品需要予測情報は、欠品情報を使って生成され、対象店舗における対象商品の需要の程度、数または量等を表す。このようにして、荷物体積データおよび／または商品需要予測情報は、トラックの使用台数を決定するために利用される。

なお、実施の形態２におけるプロセッサ１０は、必ずしも第１予測台数値および第２予測台数値の双方を算出する必要はない。プロセッサ１０は、一方の算出結果を使って、トラックの使用台数を決定しても良い。

実施の形態２における入力部５０は、将来（言い換えると、予測対象となる今後または未来）の入力変数を需要予測装置５の利用者（ユーザ）の入力操作を受け付けるが、入力変数の入力はユーザの入力に限らない。入力部５０は、需要予測装置５によって自動的に入力されても良い。

実施の形態２における荷物量学習部１２は、例えばＡＩ（Artificial Intelligent）を用いたプログラムにより構成されるが、必ずしもＡＩを用いなくてもよい。また、実施の形態２における需要予測装置５は、必ずしもヒートマップを使用しなくてもよく、需要予測装置５が管理するサプライチェーン全体が含まれるエリアを個のセグメントに区画し、セグメント単位で配送量あるいは配送先の件数等を計算してもよい。なお、サプライチェーンとは、実施の形態２においては、少なくとも、倉庫および／または生産拠点および／または物流センター、店舗を含む。

次に、図２０を参照して仕分けシステム１０１について説明する。図２０は、実施の形態に係る荷物仕分けシステムの構成例を示すブロック図である。図２０に示す荷物仕分けシステム１００は、例えば工場等の生産拠点、倉庫または物流センターに設置される。荷物仕分けシステム１０１は、ラベルリーダ１１０と、画像センサ１２０と、投影指示装置１３０と、プロジェクタ１４０と、を備える。

荷物仕分けシステム１０１は、搬送コンベヤにより搬送される荷物を仕分ける作業員の作業を支援するシステムである。荷物仕分けシステム１０１は、例えば小売業者、卸売業者、インターネット流通業者等が所有する物流センターに設置される。仕分け対象の荷物は、一般的には略直方体の形状を有するものであるが、その外形は特に限定はされず、荷物の種類も特に限定されない。なお、荷物仕分けシステムの構成は図２０に記載したものに限定されない。例えば、一台のラベルリーダ１１０に複数の画像センサ１２０と、投影指示装置１３０と、プロジェクタ１４０を接続させる等、各構成要素の数量は目的に応じて適宜変更させることができる。

読取装置としてのラベルリーダ１１０は、図示しないレンズ、イメージセンサ等の各種の要素を含む装置である。ラベルリーダ１１０を用いることで、作業員は、搬送コンベヤにより搬送されてくる荷物に貼付されたラベルから当該荷物に関する各種の情報を記録したラベル記録情報を読み取ることができる。これにより、作業員は、読み取られたラベル記録情報を用いて、当該荷物を特定できる。ラベルリーダ１１０は、読み取られた情報に基づいて荷物特定情報を定義づける。

画像センサ１２０は、図示しないレンズ、イメージセンサ等の各種の要素を含む撮像装置である。画像センサ１２０は、一般的には撮像カメラとして構成される。撮像カメラは３次元カメラ、複数台の２次元カメラ等である。画像センサ１２０は、距離画像センサ１２２と色画像センサ１２４とを含む。

距離画像センサ１２２は、搬送コンベヤにより搬送されてくる荷物を撮像し、距離画像を生成する。生成された距離画像は、荷物の位置、荷物までの距離、荷物の体積あるいはサイズ等を示す情報として荷物の位置を特定するために使用される。なお、距離画像とは、撮像位置から各画素が示す位置（荷物の表面を含む）までの距離を示す距離情報を収容した画像のことをいう（つまり、本開示において「画像」の語は距離画像を含む）。また、「距離画像」という文言には、距離を示す数値を列挙したテーブル等、人の目で画像として認識できないものも含まれる。すなわち「距離画像」は、撮像した領域内における座標と距離との関係を示す情報であればよく、そのデータ構造は問わない。よって、距離画像センサ１２２は、他のセンシングデバイス（例えば超音波センサ、赤外線センサ、ステレオカメラ、単眼ビデオカメラ等）によって代替されてよい。

色画像センサ１２４は、距離画像が生成された荷物を撮像し、色画像を生成する。「色画像」とは、荷物の表面の色を所定の階調で表現した画像のことをいい、「階調」にはＲＧＢの２５６階調のみならず、グレースケール等あらゆるものが含まれる。本開示において色画像センサ１２４は、距離画像センサ１２２が特定した各荷物を追跡するために用いられる。色画像センサ１２４は、他のセンシングデバイス（例えば超音波センサ、赤外線センサ、ステレオカメラ、単眼ビデオカメラなど）によって代替されてよい。

つまり、本開示において「画像」の語は、距離画像と色画像の少なくとも一方もしくは双方を含む。また、センシング情報は、距離画像センサおよび色画像センサを含むセンシングデバイスとしての画像センサから出力される情報である。

よって、実施の形態２に係る距離画像センサ１２２および色画像センサ１２４は、センシングデバイスの一例として画像センサ１２０（距離画像センサ１２２および色画像センサ１２４を含む）を用いて説明を行う。また、実施の形態２に係る画像センサ１２０は、距離画像センサ１２２の出力結果である距離画像と、色画像センサ１２４の出力結果である色画像とをセンシング情報の例として用いて説明を行う。

図２１は、実施の形態２に係る投影支持装置の構成例を示すブロック図である。投影指示装置１３０は、荷物仕分けシステム１０１における演算装置としての役割を果たす。図２１に示すように、投影指示装置１３０は、バスを介して接続された入力部１３２と、プロセッサ１３４と、メモリ１３６と、出力部１３８と、を含んで構成される。

入力部１３２は、ラベルリーダ１１０が読み込んだラベル記録情報から取得した荷物の特定が可能な荷物特定情報、距離画像センサ２２が生成した距離画像、色画像センサ１２４が生成した色画像の入力を受け付ける。

プロセッサ１３４は、一般的な演算装置によって構成され、荷物特定情報、距離画像および色画像に基づいて、荷物に投影する投影画像を生成する。なお、本開示において「プロセッサ」は単一のプロセッサのみを意味するものではない。「プロセッサ」は、複数の同一目的のプロセッサおよび目的の異なるプロセッサ（例えば、汎用ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）に限らず、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ））が共同して処理を行う場合の動作主体を意味する語としても使用される。

記憶装置の一例としてのメモリ１３６は、プロセッサ１３４が各種処理に必要な制御プログラムの読み込み、データの退避等の操作を行う。すなわち、プロセッサ１３４とメモリ１３６とは、協働して投影指示装置１３０による各種処理を制御する。

出力部１３８は、プロセッサ１３４によって生成された投影画像をプロジェクタ１４０に出力する。

プロジェクタ１４０は、一般的な投影装置により構成され、投影指示装置１３０から受信した投影画像を含む投影光を荷物に投影し、荷物上に表示する。

荷物仕分けシステム１０１は、ラベルリーダ１１０と、画像センサ１２０（距離画像センサ１２２および色画像センサ１２４）と、投影指示装置１３０と、プロジェクタ１４０とを有線通信または無線通信可能に接続して構築される。また、荷物仕分けシステム１０１は、ラベルリーダ１１０と、画像センサ１２０と、投影指示装置１３０と、プロジェクタ１４０のうちいずれかの２台以上の装置を一体型の装置として構築することもできる。例えば、荷物仕分けシステム１０１は、画像センサ１２０とプロジェクタ１４０とを合わせて、一体型の撮像投影装置として構築できる（図２２Ａ参照）。

［システムの概要］
図２２Ａは、荷物仕分けシステム１０１の稼働例を示す概念図である。図２２Ｂは、荷物Ｐに対する投影例を示す図である。以下、図２２Ａおよび図２２Ｂを参照して、荷物仕分けシステム１０１が物流センターに設置され、稼働している状況について説明する。なお、投影支持装置１３０は、図２２Ａおよび図２２Ｂにおいて図を省略している。

従来の方法によれば、各搬送コンベヤ１５０に配置された作業者Ｍは、搬送コンベヤ１５０により矢印Ｘ方向に搬送されてくる各荷物Ｐに貼付されたラベルのそれぞれを目視によってチェックしていた。さらに作業者Ｍは、配送を担当する荷物が到着すると、当該荷物を拾い上げて（ピックアップ）、作業者Ｍ自身の足元、かごまたはトラックの荷台等の近傍に一旦置く必要があった。しかしながら、作業者Ｍが各荷物Ｐのそれぞれに対して目視による仕分けを行う場合、作業者Ｍの作業効率には限界があるため、搬送コンベヤ１５０の搬送速度を所定の速度以下に抑える必要があった。結果として、従来の方法では、作業者Ｍが単位時間内に仕分け可能な荷物量の限界値（つまり、作業者Ｍの作業効率）は低かった。また、従来の方法は、作業者Ｍがラベルの目視に際して誤認を行うため、誤った仕分けを引き起こす可能性があった。近年、荷物の流通量は増大しており、これらの問題はより注目されつつある。

実施の形態２に示す荷物仕分けシステム１０１は、図２２Ａに示すように、搬送コンベヤ１５０の上方に配置されたラベルリーダ１１０が、搬送コンベヤ１５０により搬送されてくる各荷物Ｐのそれぞれに貼付されたラベルを読み取る。ラベルには、当該荷物に関する各種の情報を含むラベル記録情報が含まれている。ラベル記録情報は、当該荷物に個別に付与される荷物特定番号、発送人の氏名、住所、電話番号、受取人の氏名、住所、電話番号、荷物の種類等に関する情報を含む。なお、ラベルの読み込み処理は、担当の作業者Ｍによって行われ、ラベルリーダ１１０としてのバーコードリーダをラベル内のバーコードに手作業で当てて読み込んでも良い。これにより、実施の形態２に示す荷物仕分けシステム１０１は、作業者Ｍの目視による仕分け作業が不要となり、作業者Ｍの作業効率（つまり、仕分け可能な荷物量の限界値）を向上させることができる。

画像センサ１２０は、搬送コンベヤ１５０により搬送されてくる荷物Ｐの画像（距離画像および色画像）を撮像し、荷物Ｐの位置、荷物Ｐまでの距離、荷物Ｐの体積やサイズ（荷物Ｐが直方体の場合は３辺の長さ）、荷物Ｐの色、荷物Ｐの模様等の情報を取得する。尚、ラベルリーダ１１０、画像センサ１２０の配置位置、またはセンシングデバイスの種類、処理の順序は特に図示した形態に限定されない。上述した様に、実施の形態２では、画像センサ１２０とプロジェクタ１４０が一体型の撮像投影装置１６０として構築され、搬送コンベヤ１５０の上方に配置されている。

なお、投影支持装置１３０（図示略）は、例えば搬送コンベヤ１５０の近傍、あるいは別の部屋に配置されたコンピュータにより構成される。投影支持装置１３０は、ラベルリーダ１１０が獲得した荷物を特定する情報と、画像センサ１２０が生成した距離画像と、色画像とに基づいて、荷物Ｐ（荷物Ｐが直方体の場合は、例えば上面）に表示する投影画像を生成する。投影指示装置１３０は、荷物Ｐに投影する投影画像の投影指示をプロジェクタ１４０に出力する。

投影指示を受けた、画像投影装置の一例としてのプロジェクタ１４０は、投影指示装置１３０によって生成された投影画像を含む投影光を荷物Ｐに投影し、荷物Ｐ上に投影画像を表示する。ここで荷物Ｐに表示される投影画像は、例えば、当該荷物Ｐの配送先住所に対応した仕分け場所を示す色を有する文字ＸＡ，ＸＢのそれぞれの画像である（図２２Ｂ参照）。なお、投影画像は、例えば、仕分けられた荷物Ｐを運ぶトラックの番号（トラック自体の番号や駐車場番号等）、あるいは当該トラック等に搬入されるべき棚または箱等の番号等に対応していてもよい。また、投影画像は、直接的に棚や箱等の番号に対応させたものに限らず、ピックアップした荷物を他の場所またはトラック等へ移動させるシューターの番号等に対応していてもよい。

また、トラック等の配送車両の駐車位置は、交通状況等に応じて頻繁に変わるため、搬送コンベヤ１５０周辺から見た仕分け先を随時対応させることは難しい場合がある。そのため、プロジェクタ１４０は、搬送コンベヤ１５０と搬送トラック等の配送車両との間にシューターを備え、搬送コンベヤ１５０周辺では荷物Ｐにシューターの番号を投影してもよい。これにより、作業者Ｍは、搬送コンベヤ１５０周辺の構成を随時変えることなく、シューターの出口の配置換え等で仕分け先の変化に対応することが出来る。

プロジェクタ１４０は、状況に応じて、様々な種類の投影画像を投影する。数字を表示する場合の他の例として、投影画像は、配送先住所に対応した郵便番号あるいは荷物Ｐをピックアップすべき作業者Ｍ１を識別可能な番号等であってもよい。さらに他の例としてプロジェクタ１４０は、仕分け方向を示す矢印（搬送コンベヤ１５０の搬送方向に対して右または左等）または文字（「左」「右」等）を投影してもよい。

なお、本開示において「画像投影装置」とは光線を直接荷物に投影するものに限定されない。本開示において「画像投影装置」には画像を表示可能な眼鏡も含む。つまり、本開示において、荷物に投影光を投影する、荷物に画像を表示する、荷物に画像を投影する、等と表現した場合、その表現は、画像を表示可能な眼鏡を介して、擬似的に、荷物に投影光が投影されているかのように作業者に認識させることも含む。つまり、投影光は、作業者が画像を表示可能な特殊な眼鏡を装着している場合、眼鏡を介して視認される荷物Ｐの像に投影画像を重ねあわせても投影されてよい。

図２２Ａにおいて、荷物を拾い上げる担当の作業者Ｍ（他の作業者は省略）は、搬送コンベヤ１５０の近傍に立っており、それぞれの担当の領域に到達した荷物を、文字ＸＡ，ＸＢ，ＸＣ，ＸＤ，ＸＥのそれぞれ等で示すように搬送コンベヤ１５０から拾い上げる。

例えば荷物Ｐ１は、ラベルに「ＡＡＡ１１１」で示された荷物特定情報を有している。ここで、「ＡＡＡ１１１」で示された荷物特定情報は、領域Ａで仕分けの対象になる旨が特定されているとする。この場合プロセッサ１３４は、荷物Ｐ１が特定領域に到着すると、図２２Ｂに示すように生成した投影画像をプロジェクタ１４０に出力する。プロジェクタ１４０は、入力された投影画像を荷物Ｐ１に投影する。よって、当該領域の作業者Ｍは、自身が担当する特定領域に到着した、自身が拾い上げるべき荷物Ｐ１に容易に着目することが可能となり、結果的に荷物の仕分けをより効率的かつ正確に行うことが可能となる。

実施の形態２では、図２２Ａに示すように１台のプロジェクタ１４０に対して、複数の特定領域の投影の有無を切り替えさせてもよく、複数台のプロジェクタ１４０のそれぞれに対して、それぞれ担当の特定領域における投影の有無を切り替えさせてもよい。

以下、実施の形態２に係る荷物仕分けシステム１０１において、投影指示装置１３０が行う荷物仕分けの動作の概要を説明する。

［動作の概要］
図２３は、実施の形態２に係る投影指示装置１３０の動作手順例を示すフローチャートである。

まず、作業者は、ラベルリーダ１１０を用いて荷物のラベルのラベル記録情報を読み取る。入力部１３２は、ラベルリーダ１１０によって読み取られたラベル記録情報に対応した荷物特定情報を取得する（Ｓ１０１）。ここで、荷物特定情報とは、当該荷物に個別に付与される荷物特定番号、発送人の氏名，住所，電話番号、受取人の氏名，住所，電話番号、荷物の種類、等に類似する情報の少なくとも一つ含む情報である。

プロセッサ１３４は、当該荷物特定情報に対応する当該荷物を特定するための荷物特定番号としてのＩＤを付与し、ＩＤを付与した時刻に対応する時刻情報とともにメモリ１３６に記録する（Ｓ１０２）。なお、メモリ１３６に記録するＩＤは、荷物特定情報に元から記録されていた荷物特定番号でもよいし、投影指示装置１３０が新しいＩＤを生成して付与してもよい。

一方、ステップＳ１０１およびステップＳ１０２の処理と並行して、入力部１３２は、画像センサ１２０における距離画像センサ１２２によって荷物の距離画像を撮像した後、距離画像センサ１２２からセンシング情報としての距離画像を取得する（Ｓ１２０）。

プロセッサ１３４は、取得された距離画像に存在する荷物に対応するＩＤがメモリ１３６に存在するか否かを判定する（Ｓ１３０）。なお、距離画像に存在する荷物に対応するＩＤがメモリ１３６に存在するか否かを判定する手法の一例としては、次のような手順によることが挙げられる。

プロセッサ１３４は、ラベルリーダ１１０と距離画像センサ１２２との間の距離（既知とする）、および搬送コンベヤ１５０の速度に基づいて、荷物がラベルリーダ１１０と距離画像センサ１２２との間を移動するために要する時間を算出する。そして、プロセッサ１３４は、距離画像を取得した時刻から算出された時間を引くことにより、距離画像に存在する荷物がラベルリーダ１１０（およびプロセッサ１３４）によりＩＤを付与された時刻を推定する。これにより、プロセッサ１３４は、推定された時刻に近接して付与されたＩＤが取得された距離画像に存在する荷物に対応するＩＤであるか否かを推定できる。

また、上述したステップＳ１３０の処理における判定手法はこれに限らず、ラベルリーダ１１０の近辺に他の距離画像センサを設置する手法でもよい。この手法においてプロセッサ１３４は、ラベルリーダ１１０（およびプロセッサ１３４）がＩＤを付与した時から、ラベルリーダ１１０の近辺に設置した他の距離画像センサを用いて当該ＩＤが付与された荷物を追跡することで、時刻毎に当該荷物（およびＩＤ）とラベルリーダ１１０との距離を計測する。これにより、プロセッサ１３４は、計測された荷物（およびＩＤ）とラベルリーダ１１０との距離と、ステップＳ１２０で取得された距離画像における荷物の距離と、２つの距離画像センサとの距離（既知とする）から所定のステップＳ１２０で取得された距離画像における荷物のＩＤを推定することができる。

このようにして、プロセッサ１３４は、当該距離画像に含まれる荷物に対応するＩＤがメモリ１３６に存在するか否かを判定する（Ｓ１３０）。すなわち、ステップＳ１０２の処理の説明で述べたように、メモリ１３６は、荷物特定情報，ＩＤ，ＩＤを付与した時刻に対応する時刻情報等を予め記録している。一方、プロセッサ１３４は、例えば上述したように、距離画像を取得した時刻から荷物がラベルリーダ１１０と距離画像センサ１２２の間を移動するまでに要した時間を引くことによって、距離画像に存在する荷物がラベルリーダ１１０（およびプロセッサ１３４）によりＩＤを付与された時刻が推定できる。プロセッサ１３４は、予めメモリ１３６に記録された時刻情報と推定した時刻とを比較し、これらの値が近い場合は（例えば、時間差が所定の閾値時間以下の場合等）、距離画像に含まれる荷物に対応するＩＤがメモリ１３６に存在すると判定することができる。メモリ１３６に荷物に対応するＩＤが存在すると判定した場合（Ｓ１３０，Ｙｅｓ）、ステップＳ１６０以降の処理に進む。

一方、ステップＳ１３０の処理において、メモリ１３６に荷物に対応するＩＤが存在しないと判定した場合（Ｓ１３０，Ｎｏ）、プロセッサ１３４は、当該荷物にＩＤが付与されていないことを前提として、当該荷物の位置を改めて特定する（Ｓ１４０）。プロセッサ１３４は、特定された荷物にＩＤを付与する（Ｓ１５０）。

また、上述のステップと並行して、色画像センサ１２４は、距離画像を取得した各荷物の色画像を生成する。プロセッサ１３４は、入力部１３２が取得する色画像センサ１２４からの色画像に基づき、搬送コンベヤ１５０により搬送されて移動するＩＤ付きの荷物を追跡する（Ｓ１６０）。

プロセッサ１３４は、ステップＳ１６０の処理と同様に、色画像に基づき、追跡していた荷物が作業者により拾い上げられたか否かを判定する（Ｓ１７０）。

プロセッサ１３４は、ステップＳ１７０の処理において、荷物が作業者により拾い上げられていないと判定した場合（Ｓ１７０，Ｎｏ）、荷物が述する特定領域（その荷物が拾い上げられるべき所定の仕分けエリア）に存在するか否かを判定する（Ｓ１８０）。

プロセッサ１３４は、ステップＳ１８０の処理において、荷物が特定領域に存在する（到達した）と判定した場合（Ｓ１８０，Ｙｅｓ）、投影画像を生成し、プロジェクタ１４０に送信する（Ｓ１９０）。

プロセッサ１３４は、ステップＳ１８０の処理において、荷物が特定領域に存在する（到達した）と判定しない場合（Ｓ１８０，Ｎｏ）、ステップＳ１６０に戻り、プロセッサ１３４は、荷物の追跡を続行する。

また、プロセッサ１３４は、ステップＳ１７０の処理において、荷物が作業者により拾い上げられたと判定した場合（Ｓ１７０，Ｙｅｓ）、荷物の詳細情報をメモリ３６から読み出す（Ｓ１７５）。

投影指示装置１３０（またはプロセッサ１３４）は、メモリ３６から読み出された荷物の詳細情報を含む投影画像を生成し、出力部１３８によって生成された投影画像をプロジェクタ１４０に出力する（Ｓ１９０）。プロジェクタ１４０は、投影指示装置１３０から取得された当該投影画像を対応する荷物に投影する。

以上は、実施の形態２に係る投影指示装置１３０のプロセッサ１３４等が行う動作手順例である。なお、図２３に示す投影支持装置１３０の動作手順例は、上述したものには限定されない。例えば、ステップＳ１７０における判定処理等は省略することも可能である。また、ステップＳ１７０の処理における判定手法は、作業者の手と荷物との接触判定、色画像または距離画像等を利用することも可能である。

次に、図２４～図３１を参照して、欠品検知システム２０１について説明する。

［システム構成例］
図２４は、実施の形態２に係る在庫管理システムの構成例を示すブロック図である。図１に示す在庫管理システム２０１は、例えば、カメラ２１０と、コンピュータ２２０と、を備えてよい。なお、「在庫管理システム」は、「在庫監視システム」と言い換えられてもよい。

カメラ２１０は、例えば、商品を販売する店舗内に設置されて、商品が陳列されるエリア（例えば、商品の陳列棚２５０が設置されたエリア）を撮影する。陳列棚２５０が設置される店舗の業種または業態、店舗が扱う商品の種類は限定されない。

陳列棚２５０は、例えばスーパーマーケット、コンビニエンスストア、百貨店、量販店、ディスカウントストア、あるいは各種施設に設置された売店や販売ブース（又は販売コーナー）に設けられてよい。また、陳列棚２５０は、屋内に限らず屋外に設けられてもよい。

カメラ２１０は、陳列棚２５０が含まれるエリアを撮影する専用のカメラであってもよいし、防犯カメラのように他の目的あるいは用途で利用されるカメラと兼用であってもよい。また、カメラ２１０は、在庫管理システム２０１に、複数台設けられてもよい。

カメラ２１０による撮影対象（「監視対象」と言い換えてもよい）と陳列棚２５０とは、１対１に対応付けられてもよいし、１対多あるいは多対１に対応付けられてもよい。例えば、１つのカメラ２１０で１つの陳列棚２５０を撮影対象としてもよいし、１つのカメラ２１０で複数の陳列棚２５０のそれぞれを撮影対象としてもよい。

例えば、カメラ２１０は、ＰＴＺ（Pan Tilt Zoom）カメラのような撮影方向および／または画角が可変のカメラを用いてもよい。これによりＰＴＺカメラ２１０は、１台のＰＴＺカメラ２１０で、異なる複数の陳列棚２５０のそれぞれを撮影対象に含めることができる。あるいは、１台のＰＴＺカメラ２１０で、１つの陳列棚２５０の異なる領域または空間を撮影対象に含めることができる。

カメラ２１０は、例えば１つの陳列棚２５０の幅方向または高さ方向を１台のカメラ２１０ではカメラ映像に収めることが困難な場合、１台以上のＰＴＺカメラ２１０の撮影方向を可変制御することで、幅方向または高さ方向の異なる複数の領域または空間をカメラ映像に収めることができる。

このように、カメラ２１０にＰＴＺカメラを用いることで、陳列棚２５０毎に、あるいは、陳列棚２５０の異なる領域又は空間毎に、カメラ２１０を設置しなくてよいため、在庫管理システム２０１におけるカメラ２１０の設置台数を削減できる。

図２４に例示したコンピュータ２２０は、情報処理装置の一例であって、パーソナルコンピュータ（ＰＣ）でもよいし、サーバでもよい。サーバには、クラウドサーバが含まれてよい。コンピュータ２２０とカメラ２１０とは、例えば、有線または無線によって接続されて、互いに通信する。また、コンピュータ２２０とカメラ２１０とは、ネットワークを介して接続されてもよい。

なお、「ネットワーク」は、有線ネットワークでもよいし、無線ネットワークでもよい。有線ネットワークの一例としては、イントラネット、インターネット、および有線ＬＡＮ（Local Area Network）が挙げられる。無線ネットワークの一例としては、無線ＬＡＮが挙げられる。

コンピュータ２２０は、例えば、カメラ２１０で撮影された映像データ（以下「カメラ映像」と略称することがある）を受信し、受信したカメラ映像を解析する。例えば、コンピュータ２２０は、陳列棚２５０のカメラ映像を映像認識することによって、陳列棚２５０における商品の在庫を監視し、商品の不足あるいは欠品を検知する。

なお、「映像認識」は、「画像認識」と言い換えられてもよい。また、商品の不足あるいは欠品を検知することを、便宜的に、「欠品検知」と総称することがある。「検知」は、「検出」に言い換えられてもよい。また、カメラ映像の受信元は、カメラ２１０でもよいし、例えば、カメラ２１０で撮影された映像データを録画する録画装置でもよい。

商品の在庫を監視することには、陳列棚２５０に付された棚札の位置を検知することが含まれてよい。棚札には、例えば、商品名および／または価格といった、商品に関する情報（以下「商品情報」と称する）が示されてよい。棚札は、紙棚札であってもよいし、電子棚札であってもよい。電子棚札は、液晶ディスプレイ等で構成されていてもよいし、電子ペーパー等で構成されていてもよい。また、電子棚札は、無線通信機能等を備えており、提示する情報を遠隔で書き換えられるものであってもよい。なお、「棚札」は、棚タグ、棚カードまたは棚ラベルといった別の呼称で呼ばれてもよい。

コンピュータ２２０は、例えば、カメラ映像の映像認識によって、陳列棚２５０に付された棚札の位置を検知し、検知した棚札位置に基づいて、陳列棚２５０において在庫を監視する対象の領域または空間を設定してよい。

以下において、商品の在庫を監視する対象の領域または空間は、「監視エリア」または「監視範囲」と総称されることがある。陳列棚２５０における監視エリアの設定例は、映像認識によって検知された棚札２５１の位置に基づいて行われ、詳細については後述する。

図２５は、棚札２５１が付された陳列棚２５０の模式的な正面図である。図２６は、図２５に示された陳列棚２５０の正面図である。図２６には、図２５に示された陳列棚２５０の正面図が部分的に拡大されて示されている。非限定的な一例として、図２５および図２６に示される陳列棚２５０の陳列スペースは、３つの棚板２５２によって、陳列棚２５０の高さ方向に４つの空間に区分された態様が示されている。また、図２５および図２６において、点線枠で囲んだ領域は、商品２７０の欠品が生じた状況を表している。

また、図２６には、陳列棚２５０をカメラ２１０で撮影した映像データをコンピュータ２２０において映像認識し、検出された棚札２５１の位置に基づいて設定された監視エリアにおいて商品の不足または欠品を検出した場合に、その情報を出力する例が併記されている。

陳列棚２５０において高さ方向に区分された陳列スペースは、「棚段」と称されてもよい。図２５には、２つの棚段に着目した例が示されている。なお、１つの陳列棚２５０における陳列スペースの区分方法は図２５に示す例に限定されず、例えば陳列棚２５０は、陳列棚２５０の高さ方向に限らず、陳列棚２５０の幅方向に陳列スペースが区分されてもよい。

棚札２５１は、陳列される商品２７０との対応関係を視認可能な、陳列棚２５０のいずれかの位置に付されてよい。例えば、棚札２５１は、棚板２５２に付されてよい。商品２７０は、例えば、陳列スペースのそれぞれにおいて、対応する棚札２５１の位置に対応した領域または空間（図２５および図２６の例では、棚札２５１の上部空間）に陳列される。

監視エリアの設定および／または在庫の監視には、検知された棚札２５１の位置情報に加えて、棚割に関する情報（以下「棚割情報」と称する）が用いられてよい。「棚割」とは、例えば、陳列棚２５０のどの陳列スペースに、どのような商品を幾つ陳列するか（または、割り当てる）を計画することを表す。

図２７は、棚割情報４００の一例を示す図である。図２７に示すように、棚割情報４００には、例えば、商品２７０が陳列される位置を示す情報と、その位置に陳列される商品２７０に関する情報と、が含まれてよい。なお、以下において、商品２７０が陳列される位置を示す情報を「陳列位置情報」と称することがあり、商品２７０に関する情報を「商品情報」と称することがある。

非限定的な一例として、陳列位置情報には、店舗番号、階数、通路番号、棚番号、棚段番号、および棚段における陳列位置のいずれか１つ以上を示す情報が含まれてよい。

商品情報には、例えば、商品２７０の種類または内容といった個々の商品２７０を特定または識別可能な情報が含まれてよい。商品２７０を特定または識別可能な情報の非限定的な一例としては、「ＸＸＸパスタ」または「ＹＹＹカレー」といった商品名、あるいは、商品コードが挙げられる。

なお、商品情報は、例えば、商品２７０のサイズ（幅、高さ、及び、奥行きの少なくとも１つ）を示す情報が含まれてもよいし、陳列する商品２７０の個数を示す情報、別言すると、陳列数を示す情報が含まれてもよい。また、商品情報には、商品２７０の価格を示す情報が含まれてもよい。

「陳列数」は、例えば、棚段の幅方向、高さ方向、および奥行き方向の１つ以上についての、商品２７０の陳列数を示してよい。商品２７０のサイズを示す情報と、商品２７０の陳列数を示す情報と、の一方または双方を基に、例えば、棚段において複数の商品２７０が占める空間または領域を特定する精度を向上することが可能である。

したがって、コンピュータ２２０は、棚割情報４００を参照することで、棚札位置に基づく監視エリアの設定精度を向上でき、その結果、商品２７０の欠品検知精度を向上できる。

また、コンピュータ２２０は、陳列棚２５０に付された棚札２５１の、映像認識に基づく検知結果（例えば、棚札位置）を、棚割情報４００に基づいて補正してもよい。棚札位置を補正することには、例えば映像認識による棚札２５１の検知漏れを、棚割情報４００に基づいて訂正することが含まれてよい。棚割情報４００を用いた監視エリアの設定例および棚札位置の補正例については、後述する。

［コンピュータ２２０の構成例］
次に、図２８を参照して、コンピュータ２２０の構成例について説明する。図２８は、コンピュータ２２０の構成例を示す図である。図２８に示すように、コンピュータ２２０は、例示的に、プロセッサ２０１と、入力装置２０２と、出力装置２０３と、メモリ２０４と、ストレージ２０５と、通信部２０６と、を備えてよい。

プロセッサ２１１は、コンピュータ２２０の動作を制御する。プロセッサ２１１は、演算能力を備えた回路またはデバイスの一例である。プロセッサ２１１には、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、およびＧＰＵ（Graphics Processing Unit）の少なくとも１つが用いられてよい。

入力装置２１２は、例えば、キーボードや、マウス、操作ボタン、およびマイクロフォンの少なくとも１つを含んでよい。入力装置２１２を通じて、プロセッサ２１１にデータまたは情報が入力されてよい。

出力装置２１３は、例えば、ディスプレイ（またはモニタ）、プリンタ、およびスピーカの少なくも１つを含んでよい。ディスプレイは、例示的に、タッチパネル式のディスプレイであってもよい。タッチパネル式のディスプレイは、入力装置２１２および出力装置２１３の双方に該当すると捉えてよい。

メモリ２１３は、例えば、プロセッサ２１１によって実行されるプログラム、およびプログラムの実行に応じて処理されるデータまたは情報を記憶する。メモリ２１３には、ＲＡＭ（Random Access Memory）およびＲＯＭ（Read Only Memory）が含まれてよい。ＲＡＭは、プロセッサ２１１のワークメモリに用いられてよい。「プログラム」は、「ソフトウェア」あるいは「アプリケーション」と称されてもよい。

ストレージ２１５は、プロセッサ２１１によって実行されるプログラム、および、プログラムの実行に応じて処理されるデータまたは情報を記憶する。ストレージ２１５に、既述の棚割情報４００が記憶されてよい。なお、棚割情報４００は、予めストレージ２１５に記憶されてもよいし、例えば、棚割情報４００を管理する棚割システム（不図示）から提供されてストレージ２１５に記憶されてもよい。

ストレージ２１５は、ハードディスクドライブ（ＨＤＤ）、またはソリッドステートドライブ（ＳＳＤ）といった半導体ドライブ装置を含んでよい。半導体ドライブ装置の追加でまたは代替で、フラッシュメモリのような不揮発性メモリが、ストレージ２１５に含まれてもよい。

プログラムには、上述したように映像認識によって商品１７０の在庫を監視する在庫監視プログラムが含まれてよい。在庫監視プログラムを成すプログラムコードの全部または一部は、メモリ２１４および／またはストレージ２１５に記憶されてもよいし、オペレーティングシステム（ＯＳ）の一部に組み込まれてよい。

プログラムおよび／またはデータは、コンピュータ２２０が読取可能な記録媒体に記録された形態で提供されてよい。記録媒体の一例としては、フレキシブルディスク，ＣＤ－ＲＯＭ，ＣＤ－Ｒ，ＣＤ－ＲＷ，ＭＯ，ＤＶＤ，ブルーレイディスク，ポータブルハードディスク等が上げられる。また、ＵＳＢ（Universal Serial Bus）メモリ等の半導体メモリも記録媒体の一例である。

また、プログラムおよび／またはデータは、例えば、サーバ（不図示）から通信回線を介してコンピュータ２２０に提供（ダウンロード）されてもよい。例えば、通信部２０６を通じてプログラムおよび／またはデータがコンピュータ２２０に提供されて、メモリ２１４および／またはストレージ２１５に記憶されてよい。また、プログラムおよび／またはデータは、入力装置２１２を通じてコンピュータ２２０に提供されて、メモリ２１４および／またはストレージ２１５に記憶されてもよい。

通信部２０６は、例えば、カメラ２１０と通信するための通信インタフェース（ＩＦ）２６１を備える。通信ＩＦ２６１は、有線インタフェースおよび無線インタフェースのいずれであってもよい。

例えば、通信ＩＦ２６１は、カメラ２１０で撮影された映像データを受信する。受信した映像データは、例えば、プロセッサ２１１を介して、メモリ２１４および／またはストレージ２１５に記憶される。カメラ２１０がＰＴＺカメラである場合、通信部２０６は、例えば、プロセッサ２１１からの指示に応じてＰＴＺカメラ２２０と通信することで、ＰＴＺカメラ２２０の撮影方向および／または画角を制御してよい。

また、通信部２１６は、コンピュータ２２０とは異なる「他のコンピュータ」（不図示）と通信するための通信ＩＦ２６２を備えてもよい。「他のコンピュータ」は、例えば、有線または無線のネットワークに接続されたサーバでもよいし、有線または無線のネットワークに接続されたユーザ端末でもよい。「他のコンピュータ」が、既述の棚割システムにおけるコンピュータに該当してもよい。

ユーザ端末は、例えば、商品２７０の在庫管理者に所持されてよい。ユーザ端末の非限定的な一例としては、ＰＣ、携帯電話（スマートフォンを含む）、およびタブレット端末が挙げられる。ユーザ端末に、商品の在庫管理または在庫監視に係る情報が提供されてよい。

プロセッサ２１１が、例えば、メモリ２１４および／またはストレージ２１５に記憶された在庫監視プログラムを読み出して実行することにより、コンピュータ２２０を、映像認識によって商品２７０の在庫を監視する在庫監視装置として機能させることができる。

例えば、プロセッサ２１１が在庫監視プログラムを実行することによって、図２８に例示する、棚札検出部２２１、監視エリア設定部２２２、欠品検出部２２３、および出力部２２４を含む在庫監視装置２２０が具現される。オプションとして、在庫監視装置２２０において、棚札関連付け部２２５、および検出棚札補正部２２６の一方または双方が、在庫監視プログラムの実行に応じて具現されてもよい。

棚札検出部２２１は、例えば、陳列棚２５０の全部または一部が含まれるカメラ映像の映像認識によって、カメラ映像に含まれる棚札２５１を検出する。例えば、棚札検出部２２１は、棚札２５１の形状および／または色に対応したテンプレート画像を用いて、カメラ映像に対してパターンマッチングを行うことにより、棚札２５１を検出してよい。

監視エリア設定部２２２は、例えば、棚札検出部２２１によって検出された棚札２５１の位置に基づいて、陳列棚２５０における監視エリアを設定する。

欠品検出部２２３は、監視部の一例であって、例えば、監視エリア設定部２２２によって設定された監視エリアにおける商品の有無に対応した映像変化に基づいて、陳列棚２５０における商品２７０の在庫（または「陳列状況」と称してもよい）を監視する。

例えば、欠品検出部２２３は、商品２７０が不足または欠品した場合に監視エリアに現れる背景映像をテンプレート画像に用いて、監視エリアのカメラ映像に対してパターンマッチングを行うことにより、商品２７０の不足または欠品を検出してよい。

なお、カメラ２１０の設置位置および／または撮影方向によって、カメラ映像において棚札２５１の形状が変わり得る。例えば、陳列棚２５０を正面から捉えたカメラ映像と、陳列棚２５０を正面からずれた斜め方向から捉えたカメラ映像とでは、棚札２５１の形状が異なる。

また、カメラ２１０の設置位置および／または撮影方向（以下、便宜的に「カメラ位置」と総称することがある）によって、商品２７０が不足または欠品した場合にカメラ映像に現れる背景映像も変わり得る。

例えば、陳列棚２５０を正面から捉えたカメラ映像では、陳列棚２５０の背面に位置する背板の正面方向の画像が背景映像に相当し得る。また、陳列棚２５０を斜め上方から捉えたカメラ映像では、例えば、棚板２５２の商品２７０が陳列される面が背景映像に相当し得る。陳列棚２５０を斜め側方から捉えたカメラ映像では、例えば、棚段を左右方向に仕切る仕切り板（図示せず）の表面が背景映像に相当し得る。

このように、カメラ位置によって棚札２５１の形状および／または背景映像が変わるため、映像認識のパターンマッチングに用いるテンプレート画像（「認識モデル」と言い換えてもよい）は、カメラ位置に対応して用意されてよい。なお、実施の形態２では、認識モデルはテンプレート画像であり、パターンマッチングによって棚札の形状および／または背景映像を認識するものとして説明するが、他の実装方法も可能である。例えば、棚札および／または背景映像それぞれについて機械学習を行うことにより生成した学習済モデルを認識モデルとして用いて、棚札および／または背景映像を認識してもよい。

例えば、カメラ２１０が複数の場所に設置されている場合、および／または、ＰＴＺカメラ２１０のように撮影方向が可変である場合には、複数のテンプレート画像が用意されてよい。テンプレート画像は、例えば、ストレージ２１５に記憶され、プロセッサ２１１によって適時に読み出される。

出力部２２４は、例えば在庫管理者に提示（例えば、通知）する情報を生成して出力する通知情報生成部の一例である。出力部２２４は、例えば、欠品検出部２２３による検出結果、および／または、検出結果に基づく情報を含む通知情報を生成して出力装置２１３および／または通信部２１６へ出力する。

非限定的な一例として、商品２７０の欠品検知を通知する情報（「通知情報」、「欠品情報」、または「アラート情報」と称されてもよい）が、出力装置２１３の一例であるディスプレイおよび／またはプリンタへ出力されてよい。

なお、出力部２２４は、欠品検出部２２３による検出結果および棚札検出部２２１による検出結果のいずれか一方または双方と、棚割情報４００と、が関連付けられた情報に基づいて、通知情報を生成してもよい。

例えば、欠品検出部２２３による検出結果と棚割情報４００とが関連付けられた情報を基に、出力部２２４は、商品２７０の欠品検知に係る場所（欠品エリア）、および／または、欠品検知した商品２７０の商品名を含む通知情報を生成できる。

なお、通知情報は、例えば、通信部２１６を介して「他のコンピュータ」へ送信されてもよい。通信部２１６を介した通知情報の送信には、電子メールが利用されてもよい。

棚札関連付け部２２５は、例えば、棚札検出部２２１によって検出された棚札２５１のそれぞれに対して、棚割情報４００（例えば、商品情報）を関連付ける。

検出棚札補正部２２６は、例えば、棚割情報４００に商品情報の一例として商品２７０のサイズおよび陳列数に関する情報が含まれる場合に、棚札検出部２２１によって検出された棚札位置を商品情報に基づいて補正してよい。

なお、図２８に例示したコンピュータ（在庫監視装置）２２０の構成は、あくまでも例示である。在庫監視装置２２０においてハードウェアおよび／または機能ブロックの増減が適宜に行なわれてよい。例えば、ハードウェアおよび／または機能ブロックの追加、削除、分割、または、統合が、在庫監視装置２２０において、適宜に行なわれてよい。

［動作例］
次に、図２９を参照して、在庫監視装置２２０の動作例について説明する。図２９は、実施の形態２に係る在庫監視装置２２０の動作手順例を示すフローチャートである。

図２９に示すように、在庫監視装置２２０は、例えば、カメラ映像を取得し（Ｓ２１１）、取得したカメラ映像を、例えば棚札検出部２２１において解析することによって、カメラ映像に含まれる棚札２５１を検出する（Ｓ２１２ａ）。例えば、図３０において太枠５００を付して示すように、映像認識によって８個の棚札２５１が検出される。

図３０の例では、下からｍ段目の棚板２５２において２つの棚札２５１が検出され、その上段に位置する（下からｍ＋１段目の）棚板２５２、および、更に上段に位置する（下からｍ＋２段目）の棚板２５２において、それぞれ、３つの棚札２５１が検出されている。なお、ｍは１以上の整数である。

下からｍ段目の棚板２５２において検出された２つの棚札２５１の位置は、例えば左から順に、ｎ番目およびｎ＋１番目（ｎは１以上の整数）の位置である。同様に、下からｍ＋１番目の棚板２５２において検出された３つの棚札２５１の位置は、例えば左から順に、ｎ番目、ｎ＋１番目、および、ｎ＋２番目の位置である。下からｍ＋２番目の棚板２５２において検出された３つの棚札２５１の位置は、例えば左から順に、ｎ番目、ｎ＋１番目、および、ｎ＋２番目の位置である。なお、「ｍ段目およびｎ番目」の位置を、「ｍ段ｎ番」または「ｍ段ｎ列」の位置と表記することがある。

在庫管理システム２０１に複数台のカメラ２１０が備えられている場合、あるいは、カメラ２１０にＰＴＺカメラが用いられる場合、在庫監視装置２２０は、例えば、カメラ位置を示す情報を取得して棚札検出部２２１に与えてよい（図２９のＳ２１１ａ）。

カメラ位置を示す情報は、例えば、棚割情報４００と予め関連付けられていてよい。棚札検出部２２１は、例えば、カメラ位置を示す情報と棚割情報４００に基づいて、いずれのカメラ２１０のいずれの撮影方向のカメラ映像であるかを識別して、映像認識による棚札２５１の検出に適した認識モデルを設定してよい。なお、カメラ位置を示す情報と棚割情報４００との関連付けの一例については後述する。

棚札２５１の検出（図２９のＳ２１２）に応じて、在庫監視装置２２０は、例えば監視エリア設定部２２２によって、商品２７０の在庫を監視する監視エリアを設定する（図２９のＳ２１３）。例えば、監視エリア設定部２２２は、検出された棚札２５１のうちの１つを基準棚札２５１に設定する。非限定的な一例として、図３０には、左下（１段１番）の棚札２５１が基準棚札２５１に設定される態様が示されている。

基準棚札２５１は、在庫監視装置２２０（例えば、監視エリア設定部２２２）が自律的に設定してもよいし、在庫監視装置２２０のユーザ（例えば、在庫管理者）によって指定（マニュアル指定）されてもよい。

例えば、基準棚札２５１の色（例えば、フレームカラー）および／または形状といった外観を他の棚札２５１の外観とは異ならせておくことで、映像認識によって基準棚札２５１を自律的に設定可能である。

あるいは、「○段△番」の棚札２５１といった情報が、基準棚札２５１を指定する情報として入力装置２１２を通じて監視エリア設定部２２２に入力されてもよい。また、マニュアル指定は、自律的な設定の補完に用いられてもよい。

基準棚札２５１の設定に応じて、監視エリア設定部２２２は、例えば、図２７に例示した棚割情報４００（例えば、陳列位置情報）を基に、基準棚札２５１に対して上下方向および／または左右方向に隣り合う棚札２５１を検出してよい。

なお、上下方向および／または左右方向に隣り合う棚札２５１を、便宜的に、「隣接棚札２５１」と称することがある。隣接棚札２５１の「検出」は、隣接棚札２５１の「検索」または「探索」と言い換えられてもよい。

監視エリア設定部２２２は、検出した棚札２５１間の距離に基づいて、監視エリアを設定してよい。監視エリアの設定例を図３１に示す。

図３１は、監視エリアの設定例を示す図である。図３１において、例えば、ｍ（＝１）段ｎ（＝１）番の棚札２５１を基準棚札に設定した場合、監視エリア設定部２２３は、基準棚札２５１と隣接棚札２５１との間の距離を求める。

例えば、ｍ段ｎ番の基準棚札２５１と、右方向のｍ段ｎ＋１番の棚札２５１と、の間の距離Ｒｘが検出され、また、基準棚札２５１と、上方向のｍ＋１段ｎ番の棚札２５１と、の間の距離Ｒｙが検出される。

監視エリア設定部２２２は、例えば、距離ＲｘおよびＲｘによって定まるサイズおよび形状の監視エリアＭＡ（点線枠参照）を、１段１番の棚札２５１についての監視エリアに設定する。監視エリア設定部２２２は、他の棚札２５１についても、隣接棚札２５１との間の距離ＲｘおよびＲｙを検出することで、映像認識によって検出された棚札２５１のそれぞれについて監視エリアＭＡを設定する。

なお、監視エリアＭＡの形状は、矩形でもよいし楕円形のような円形でもよい。また、棚札２５１間の距離に基づいて監視エリアＭＡが設定されるため、棚札２５１は、一定のルール（例えば、商品２７０の左下に棚札２５１を設置するといったルール）に従って設置されることが好ましい。一定のルールが定められていれば、各棚札２５１の位置とこのルールに基づいて正確な監視エリアＭＡを設定することができる。例えば、商品２７０の左下に棚札２５１が配置されるのであれば、監視エリアは当該棚札２５１の右側に存在することが分かる。

また、棚札２５１が設置されない棚段（例えば、最上段の棚段）が存在する場合、ダミーの棚札２５１を設置することで、ダミーの棚札２５１を含む棚札２５１間の距離が求められてよい。なお、ダミーの棚札２５１を使って最上段の棚段より上の距離Ｒｙを求める場合には、例えば棚に設置するＰＯＰにダミーの棚段２５１を設置する等としてもよい。あるいは、棚札２５１が設置されない棚段における距離Ｒｙについては、他の棚段（例えば、下段の棚段）との距離に基づいて、棚札２５１間の距離が求められてもよい。具体的には、パースの歪みの少ない直下の棚段のＲｙを再利用したり、あるいは、カメラのパラメータを踏まえて他の棚段のＲｙを変換してＲｙを推定したりしてもよい。あるいは、棚札２５１が設置されない棚段については、手動で棚札２５１間の距離が設定されてもよい。

また、棚段の右端に位置する棚札２５１については、隣り合う別の陳列棚２５０が存在すれば、その陳列棚２５０に付された棚札２５１との間の距離として棚札２５１間の距離が求められてよい。あるいは、棚段の右端に位置する棚札２５１については、カメラ映像の画像端との距離が棚札２５１間の距離として設定されてもよい。

なお、棚割情報４００には、例えば、監視対象である商品２７０の幅、高さ、奥行き、および、陳列数の１つ以上に関する情報が含まれてよい。この場合、当該情報を基に、検出棚札補正部２２６において、棚札検出部２２１によって検出された棚札位置が補正されてよい。

別言すると、棚割情報４００は、映像認識による棚札２５１の検出結果の精度確認および／または補正に用いられてよい。棚札２５１棚札位置の補正によって、監視対象である商品２７０の欠品検出精度を高めることができる。

監視エリアＭＡの設定後、在庫監視装置２２０は、欠品検出部２２３にて、例えば、個々の監視エリアＭＡのカメラ映像と背景映像とのパターンマッチングによって、監視エリアＭＡにおいて商品２７０が不足または欠品している領域を検出する（図２９のＳ２１４）。

例えば図３１において、ｍ段ｎ列の棚札２５１に対しては、３つの商品２７０を陳列できるスペースに、２つの商品２７０しか陳列されていない。そのため、監視エリアＭＡのカメラ映像において、商品２７０の１つ分に相当する背景映像が現れる。

また、図２９に示すように、在庫監視装置２２０は、例えば、監視エリアＭＡにおいて検出された商品２７０が不足または欠品している領域と、その領域あるいは商品２７０に関する棚割情報４００とを関連付ける（Ｓ２１４ａ）。

欠品検出部２２３は、監視エリアＭＡに現れた背景映像とテンプレート画像とがパターンマッチングにおいて一致することによって、背景映像の現れた領域に商品２７０が陳列されていないことを検出する。別言すると、棚札２５１に対応する商品２７０の不足または欠品が検出される。

商品２７０の不足または欠品の検出に応じて、在庫監視装置２２０は、例えば出力部２２４によって、商品２７０の欠品検知を通知する情報を生成して出力する（図２９のＳ２１５）。商品２７０の欠品検知を通知する情報には、文字情報および／または音声情報が含まれてもよいし、例えばカメラ映像が表示されるディスプレイにおいて、欠品検知に係る領域を強調表示するための情報が含まれてもよい。

強調表示の非限定的な態様の一例としては、以下が挙げられる。以下の強調表示態様は、適宜に、組み合わされてもよい。

・カメラ映像において、欠品検知に係る領域（以下、便宜的に「欠品エリア」と総称することがある）の色を、他の領域の色よりも目立つ色（強調色）に変更する。

・欠品エリアを点滅表示する。

・欠品エリアを、実線枠または点線枠を付して表示する。実線枠または点線枠には、色（強調色）が付されてもよい。

・欠品エリアに付した実線枠または点線枠を点滅表示する。

以上のように、上述した在庫監視装置２２０によれば、陳列棚２５０が含まれるカメラ映像の映像認識によって検出した棚札２５１の位置に基づいて、カメラ映像における陳列棚２５０に対して監視エリアを設定するので、例えばマニュアル操作によらずに、陳列棚２５０が含まれるカメラ映像に対して監視エリアを適切に設定できる。なお、基準棚札をマニュアル指定する場合は、監視エリアの設定にあたってマニュアル操作を完全に排除することはできないが、監視エリアの設定の大部分を自動化でき、また、正確な基準棚札を設定できるため、従来と比べて精度よく、かつ、素早く監視エリアを設定することができる。

別言すると、陳列棚２５０において監視対象とする陳列スペースの設定を自動化できる。したがって、例えば、陳列棚２５０とカメラ２１０との相対的な位置関係が、振動等の外的要因で変動しても、映像認識による棚札２５１の検出によって、適切な監視エリアの再設定が可能である。

そして、在庫監視装置２２０は、設定した監視エリアにおける商品２７０の有無に対応した映像変化に基づいて、陳列棚２５０における商品２７０の在庫を監視し、監視結果を例えば在庫管理者に通知するので、特定の商品が欠品した状態で放置されるケースを抑制できる。したがって、商品販売の機会が喪失することを抑制でき、顧客に対するイメージアップにもつながる。

なお、本出願は、２０１８年６月７日出願の日本特許出願（特願２０１８－１０９２５１）に基づくものであり、その内容は本出願の中に参照として援用される。

本開示は、個宅等の宅配に必要な配送車両の台数を予測し、効率的な配送計画の実現を支援する需要予測装置および需要予測方法として有用である。

５ 需要予測装置
１０ プロセッサ
１１ 情報取得部
１２ 荷物量学習部
１３ 荷物量予測部
１４ 第１台数予測部
１５ ヒートマップ作成部
１６ ヒートマップ学習部
１７ ヒートマップ予測部
１８ 最少台数決定部
１９ 最少台数学習部
２０ 第２台数予測部
２１ 台数決定部
３１ 外部情報保存部
３２ 配送実績保存部
３３ 荷物量学習モデル保存部
３４ ヒートマップ学習モデル保存部
３５ 最少台数学習モデル保存部
６０ 出力部
７０ 通信部
８０ サーバ
ＮＷ ネットワーク

Claims (8)

1. 配送日時を含む入力変数を取得する入力変数取得部と、
   配送対象エリアを構成する複数個のセグメントのうち少なくとも１つのセグメントに分布する配送先の分布数を前記セグメントごとに示すヒートマップを予測するためのヒートマップ予測モデルを用いて、前記入力変数に対応するヒートマップを予測するヒートマップ予測部と、
   配送先に荷物を配送するための配送車両の最少台数を予測するための最少台数予測モデルを用いて、前記予測されたヒートマップに対応する前記配送車両の最少台数を予測する最少台数予測部と、
   前記予測された最少台数を、前記入力変数に含まれる配送日時における配送車両の使用台数として決定する台数決定部と、を備える、
   需要予測装置。
2. 配送日時と複数の配送先のそれぞれの位置情報とを含む過去の配送実績情報を取得する配送実績取得部と、
   前記複数の配送先のそれぞれの位置情報を用いて、前記複数の配送先のそれぞれが分布するセグメントを決定し、前記複数の配送先のそれぞれに対応する前記ヒートマップを、前記過去の配送実績情報ごとに作成するヒートマップ作成部と、
   前記配送実績情報と前記配送実績情報ごとに作成されたヒートマップとの関連性の学習に基づいて、前記ヒートマップ予測モデルを生成するヒートマップ学習部と、をさらに備える、
   請求項１に記載の需要予測装置。
3. 配送日時と複数の配送先のそれぞれの位置情報とを含む過去の配送実績情報を取得する配送実績取得部と、
   前記複数の配送先のそれぞれの位置情報を用いて、前記複数の配送先のそれぞれに荷物を配送するための配送車両の最少台数を決定する最少台数決定部と、
   前記配送実績情報と前記配送実績情報に対応して決定された最少台数との関連性の学習に基づいて、前記最少台数予測モデルを生成する最少台数学習部と、をさらに備える、
   請求項１に記載の需要予測装置。
4. 配送日時と配送された荷物量とを含む過去の配送実績情報を取得する配送実績取得部と、
   前記配送日時と前記配送された荷物量との関連性の学習に基づいて、配送される荷物量を予測するための荷物量予測モデルを生成する荷物量学習部と、
   前記荷物量予測モデルを用いて、前記入力変数に対応する荷物量を予測する荷物量予測部と、
   前記予測された荷物量と前記配送車両の積載量とに基づいて、前記予測された荷物量の荷物を配送する配送車両の台数を予測する台数予測部と、をさらに備え、
   前記台数決定部は、前記予測された荷物量に基づく前記配送車両の台数の予測値と、前記予測されたヒートマップに基づく前記配送車両の台数の予測値とに基づいて、前記入力変数に含まれる配送日時における配送車両の使用台数を決定する、
   請求項１に記載の需要予測装置。
5. 前記台数決定部は、前記予測された荷物量に基づく前記配送車両の台数の予測値と、前記予測されたヒートマップに基づく前記配送車両の台数の予測値とのうち数が大きい方を、前記入力変数に含まれる配送日時における配送車両の使用台数として決定する、
   請求項４に記載の需要予測装置。
6. 前記台数決定部は、前記決定された配送車両の使用台数に関する情報を出力部に出力する、
   請求項１に記載の需要予測装置。
7. 前記入力変数は、前記配送日時、曜日、天気予報、イベントの情報を含む、
   請求項１に記載の需要予測装置。
8. 需要予測装置における需要予測方法であって、配送日時を含む入力変数を取得するステップと、
   配送対象エリアを構成する複数個のセグメントのうち少なくとも１つのセグメントに分布する配送先の分布数を前記セグメントごとに示すヒートマップを予測するためのヒートマップ予測モデルを用いて、前記入力変数に対応するヒートマップを予測するステップと、
   配送先に荷物を配送するための配送車両の最少台数を予測するための最少台数予測モデルを用いて、前記予測されたヒートマップに対応する前記配送車両の最少台数を予測するステップと、
   前記予測された最少台数を、前記入力変数に含まれる配送日時における配送車両の使用台数として決定するステップと、を有する、
   需要予測方法。

Images