JP7019375B2 - 訪問時刻決定装置 - Google Patents

Description

本発明は、複数の訪問先に対して訪問時刻を決定する訪問時刻決定装置に関する。

特許文献１に示されるように、従来から荷物の配送において、配送先の在宅時間を推定して配送スケジュールを作成することが提案されている。

特開２０１３－１７００５０号公報

しかしながら、単に配送先の在宅時間を推定するだけでは、効率的な配送を行えないおそれがあった。例えば、複数の配送先の在宅時間が一定の時間帯に集中すると、その時間帯に集中して配送が必要になる一方で、それ以外の時間帯には配送が可能であるにもかかわらず配送を行わないという配送スケジュールになるというおそれがあった。

本発明は、上記に鑑みてなされたものであり、効率的な配送等の訪問を可能にする訪問時刻を決定することができる訪問時刻決定装置を提供することを目的とする。

上記の目的を達成するために、本発明に係る訪問時刻決定装置は、複数の訪問先に対して訪問時刻を決定する訪問時刻決定装置であって、訪問先に係る情報を入力して時刻に応じた訪問先の在宅を予測する２つのモデルであって、２つのモデルのうち予測の適合率が高い適合率重視モデル、及び予測の再現率が高い再現率重視モデルを記憶するモデル記憶部と、複数の訪問先それぞれについて、訪問先の在宅の予測に用いる訪問先に係る情報を取得する取得部と、複数の訪問先の少なくとも何れかについて、取得部によって取得された情報を用いて、モデル記憶部によって記憶された適合率重視モデルによる予測を行うと共に、複数の訪問先の少なくとも何れかについて、取得部によって取得された情報を用いて、モデル記憶部によって記憶された再現率重視モデルによる予測を行って、予め設定された訪問の条件及び当該予測の結果から当該複数の訪問先それぞれに対して訪問時刻を決定する訪問時刻決定部と、訪問時刻決定部によって決定された複数の訪問先それぞれに対する訪問時刻を示す情報を出力する出力部と、を備え、適合率は、ａ／（ａ＋ｃ）で示される値であり、再現率は、ａ／（ａ＋ｂ）で示される値であり、ａは在宅と予測して実際にも在宅であった場合の数、ｂは不在と予測して実際には在宅であった場合の数、ｃは在宅と予測して実際には不在であった場合の数である。

本発明に係る訪問時刻決定装置では、複数の訪問先の少なくとも何れかについて、適合率重視モデルによる予測が行われると共に、複数の訪問先の少なくとも何れかについて、再現率重視モデルによる予測が行われて複数の訪問先それぞれに対して訪問時刻が決定される。従って、適合率及び再現率の両方の考慮した効率的な訪問を可能にする訪問時刻を決定することができる。

本発明によれば、適合率及び再現率の両方の考慮した効率的な訪問を可能にする訪問時刻を決定することができる。

本発明の実施形態に係る訪問時刻決定装置の構成を示す図である。 予測の適合率と再現率とを説明するための図である。 本発明の実施形態に係る訪問時刻決定装置で実行される処理を示すフローチャートである。 本発明の実施形態に係る訪問時刻決定装置のハードウェア構成を示す図である。

以下、図面と共に本発明に係る訪問時刻決定装置の実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

図１に本実施形態に係る訪問時刻決定装置１０を示す。訪問時刻決定装置１０は、複数の訪問先に対して訪問時刻（訪問タイミング）を決定する装置（システム）である。具体的には、訪問時刻決定装置１０は、訪問時刻として、配送業者が荷物を配送先（訪問先）に配送（配達）する配送時刻（タイミング）を決定する。荷物の配送を行う際には、配送先の居住者が在宅している必要がある。そのため、訪問時刻決定装置１０は、配送先の居住者の在宅を予測して配送時刻を決定する。訪問時刻決定装置１０は、例えば、荷物毎に１時間単位の何れの時間帯で当該荷物を配送するかを、１日（配送を行う日）単位で決定する。

引き続いて、本実施形態に係る訪問時刻決定装置１０の機能を説明する。図１に示すように訪問時刻決定装置１０は、モデル生成部１１と、モデル記憶部１２と、取得部１３と、訪問時刻決定部１４と、出力部１５とを備えて構成される。

モデル生成部１１は、配送先に係る情報を入力して時刻に応じた配送先の在宅を予測するモデルを生成する機能部である。モデルは、配送先に係る情報及び予測対象の時刻に係る情報を説明変数として入力して、当該予測対象の時刻における配送先の在宅の可能性を示すスコアを出力する。例えば、スコアが高いほど、配送先の在宅の可能性が高いことを示す。モデルに入力する配送先に係る情報としては、例えば、予測時点より過去の配送先の在宅状況、即ち、配送先の在宅又は不在の実績を示す情報を用いることができる。過去の実績は、例えば、過去の配送時の在宅（配送できた）又は不在（配送できなかった）の情報とすることができる。モデルに入力する配送先に係る情報として、より具体的には、過去の在宅の回数の割合の値である過去の在宅の回数／（在宅の回数＋不在の回数）の値を用いることができる。また、上記の情報を実績に係る時刻、例えば、月、曜日、１日の中の時刻に対応付いた情報としてもよい。また、モデルに入力する配送先に係る情報として、上記以外の情報、例えば、配送先の位置、並びに、居住者の年齢及び性別等の属性を示す情報も用いることができる。

また、予測対象の時刻に係る情報としては、例えば、予測対象の月、曜日、１日の中の時刻を示す情報を用いることができる。また、説明変数としてモデルに入力する情報としては、上記のものに限られず、在宅状況に影響を及ぼし得る任意の情報が含まれていてもよい。例えば、予測対象の時刻における天候を示す情報を説明変数としてモデルに入力する情報としてもよい。これらの情報がモデルに入力される情報とされる場合には、当該情報は、以下のモデルの生成及びモデルを用いた予測の際に、配送先に係る情報等と同様に取得されて用いられる。

モデル生成部１１は、モデルを生成するための学習データを取得する。学習データは、モデルの説明変数及び目的変数とする情報に相当する情報である。これらの情報は、過去の実際の配送の際の情報を用いることができる。モデルの説明変数とする情報に相当する情報は、実際の配送の際の配送先に係る情報及び実際の配送の時刻に係る情報である。モデルの目的変数とする情報に相当する情報は、実際の配送の際に、配送先が在宅であったか、不在であったかを示す情報である。目的変数とする情報は、例えば、配送先が在宅であった場合には１、配送先が不在であった場合には０と数値化する。これによって、モデルから出力（算出）されるスコアが大きい（１に近い）場合には、在宅である可能性が高いことを示し、スコアが小さい（０に近い）場合には、不在である可能性が高いことを示すこととなる。

１回の配送についての上記の情報を学習データである１つのサンプルとし、モデル生成部１１は、モデルを適切に生成できる程度の複数のサンプル（例えば、数千サンプル）を取得する。例えば、訪問時刻決定装置１０の管理者等が過去の配送に基づいて上記のサンプルを生成して、訪問時刻決定装置１０に入力する。モデル生成部１１は、入力されたサンプルを受け付けて取得する。モデル生成部１１は、例えば、サンプルを用いて機械学習によってモデルを生成する。機械学習によるモデルの生成は、従来と同様に行うことができる。

本実施形態では、上記のモデルとして、適合率重視モデルと再現率重視モデルとの２つのモデルを用いる。ここで、予測の適合率と再現率とについて説明する。図２に予測と実績との組み合わせを示す。図２において、ａ～ｄはそれぞれの場合の数を示す。即ち、ａは在宅と予測して実際にも在宅であった場合の数、ｂは不在と予測して実際には在宅であった場合の数、ｃは在宅と予測して実際には不在であった場合の数、ｄは不在と予測して実際にも不在であった場合の数である。適合率は、ａ／（ａ＋ｃ）で示される値であり、在宅と予測してどれだけ本当に在宅であったかを示す値である。再現率は、ａ／（ａ＋ｂ）で示される値であり、実際に在宅であったうち、どれだけをカバーできているかを示す値である。

適合率重視モデルは、２つのモデルのうち、予測（在宅との予測）の適合率が高いモデルである。再現率重視モデルは、２つのモデルのうち、予測（在宅との予測）の再現率が高いモデルである。なお、上述したモデルは、スコアを出力（算出）するものであるが、適合率及び再現率は、スコアに基づいて在宅、不在が判断された場合のものである。例えば、スコアが、予め設定された閾値以上であった場合、在宅と判断され、閾値未満であった場合、不在と判断される場合のものである。

モデルを作成する際の学習データを、上記の通り実際の配送時の情報に基づいたものとすると、通常、サンプルは在宅であるもの（正例）が多くなり、不在であるもの（負例）が少なくなる。例えば、正例が８０％程度のサンプルとなる。正例の割合が比較的少ないサンプルを用いてモデルを生成することで適合率重視モデルを生成することができ、正例の割合が比較的多いサンプルを用いてモデルを生成することで再現率重視モデルを生成することができる。

そこで、モデル生成部１１は、上記のようにサンプルを取得して、生成するモデルに応じて取得したサンプル数を調整して適合率重視モデル及び再現率重視モデルを生成する。例えば、モデル生成部１１は、取得したサンプルをそのまま用いて再現率重視モデルを生成する。その一方で、モデル生成部１１は、取得したサンプルのうち負例を増やして、負例を増やしたサンプルを用いて適合率重視モデルを生成する。負例の増加は、例えば、１つの負例を同一の２つの負例として負例を２倍にしたり、既存の負例に基づいて従来の技術によって人工的に負例を新たに増やしたりすることで行われる。また、上記以外にも、取得したサンプルから正例を増やして、あるいは負例を減らして、再現率重視モデルを生成したり、取得したサンプルから正例を減らして、適合率重視モデルを生成したりすることとしてもよい。

また、サンプル数の調整ではなく、機械学習の際の予測の誤りに対するペナルティを変えることでそれぞれのモデルを生成することとしてもよい。例えば、負例の予測の誤りに、再現率重視モデルの生成の際よりも大きなペナルティを与えることで、適合率重視モデルを生成することとしてもよい。モデル生成部１１は、生成した適合率重視モデル及び再現率重視モデルをモデル記憶部１２に出力する。

モデル記憶部１２は、モデル生成部１１から適合率重視モデル及び再現率重視モデルを入力して、入力した２つのモデルを記憶する機能部である。モデル記憶部１２によって記憶された２つのモデルは、訪問時刻決定部１４による配送時刻の決定の際に用いられる。

取得部１３は、配送時間の決定対象となる（配送する荷物がある）複数の配送先それぞれについて、配送先の在宅の予測に用いる配送先に係る情報を取得する機能部である。取得部１３は、配送先に係る情報として、過去の配送先の在宅状況を示す情報を取得する。

例えば、学習データのサンプル（説明変数に相当する情報のみ）の生成と同様に、訪問時刻決定装置１０の管理者等が、配送時刻の決定対象となる日に配送すべき荷物がある配送先（配送時間の決定対象となる配送先）毎に上記の情報を生成して訪問時刻決定装置１０に入力する。取得部１３は、入力された情報を受け付けて取得する。取得部１３は、取得した情報を訪問時刻決定部１４に出力する。

訪問時刻決定部１４は、モデル記憶部１２によって記憶された適合率重視モデル及び再現率重視モデルを用いて複数の配送先それぞれに対して配送時刻を決定する機能部である。訪問時刻決定部１４は、複数の配送先の少なくとも何れかについて、取得部１３によって取得された情報を用いて、適合率重視モデルによる予測を行うと共に、複数の配送先の少なくとも何れかについて、取得部１３によって取得された情報を用いて、再現率重視モデルによる予測を行って、予め設定された配送（訪問）の条件及び当該予測の結果から当該複数の配送先それぞれに対して配送時刻を決定する。訪問時刻決定部１４は、複数の配送先の少なくとも何れかについて、取得部１３によって取得された情報を用いて、適合率重視モデルによる予測及び再現率重視モデルによる予測の両方を行うと共に設定された配送の条件及び当該予測の結果から当該複数の配送先それぞれに対して配送時刻を決定する。訪問時刻決定部１４は、複数の配送先それぞれについて、適合率重視モデルによる予測を行って、配送の条件及び当該予測の結果から配送時刻が決定できるか否かを判断し、配送時刻が決定できないと判断された配送先それぞれについて、再現率重視モデルによる予測を行って、当該配送の条件及び当該予測の結果から当該配送先それぞれに対して配送時刻を決定する。具体的には、訪問時刻決定部１４は、以下のように配送時刻を決定する。

訪問時刻決定部１４は、配送の条件として、単位時間（例えば、１時間）毎の配送が可能な能力である標準配送量を示す情報を記憶している。標準配送量は、例えば、配送業者が当該時間単位で配送可能な件数（荷物の数）である。標準配送量は、訪問時刻決定装置１０の管理者等によって予め設定されて訪問時刻決定装置１０に入力されている。標準配送量は、時間帯（曜日及び１日の中の時刻）に応じて設定されてもよい。標準配送量は、例えば、（配送対象となるエリアでの当該時間帯での平均配送量又は中央値）×（配送員の習熟度）の値としてもよい。配送員の習熟度は、当該エリアを担当する全配送員の平均に対する当該配送員の実績の比である。標準配送量は、以下の通り、単位時間（時間帯）毎の後述する割付上限の初期値として用いられる。

訪問時刻決定部１４は、配送時間の決定対象となる複数の配送先それぞれについて、取得部１３から配送先に係る情報を入力する。また、訪問時刻決定部１４は、モデル記憶部１２によって記憶された適合率重視モデル及び再現率重視モデルを読み出す。訪問時刻決定部１４は、当該配送先それぞれについて、配送する日の時間帯毎に適合率重視モデルによるスコアを算出する。具体的には、訪問時刻決定部１４は、配送先に係る情報及び当該時間帯（予測対象の時刻）に係る情報を説明変数として入力してスコアを算出する。上述したように時間帯（例えば、９時台、１０時台…）毎のスコアは、当該配送先の在宅の可能性を示す値である。

訪問時刻決定部１４は、配送先毎に、算出した各時間帯のスコアのうち最も高いスコアになった時間帯を割付ける。即ち、訪問時刻決定部１４は、割付けられた時間帯に配送先に荷物を配送すると（仮に）決定する。訪問時刻決定部１４は、各時間帯について、割付けられた配送先の数と割付上限の初期値である標準配送量とを比較する。全ての時間帯について、割付けられた配送先の数が標準配送量以下となっていた場合には、訪問時刻決定部１４は、それぞれの配送先について、割付けられた時間帯を配送時刻として決定する。

何れかの時間帯について割付けられた配送先の数が標準配送量を超えていた場合には、訪問時刻決定部１４は、割付けられた配送先の数が標準配送量以下になるまで、当該時間帯に割付けられた配送先からスコアが低い順に割付を外す（割付をキャンセルする）。即ち、訪問時刻決定部１４は、在宅可能性が低い配送先を当該時間帯の配送対象から外す。訪問時刻決定部１４は、割付が外されなかった配送先について、割付けられた時間帯を配送時刻として決定する。

訪問時刻決定部１４は、割付が外された配送先それぞれについて、配送する日の時間帯のうち、適合率重視モデルによるスコアによる割付で割付けられた配送先の数が標準配送量以下となっている時間帯毎に再現率重視モデルによるスコアを算出する。再現率重視モデルによるスコアの算出は、適合率重視モデルによるスコアの算出と同様に行われる。訪問時刻決定部１４は、配送先毎に、算出した各時間帯のスコアのうち最も高いスコアになった時間帯を割付ける（再割付を行う）。なお、この割付に用いるスコアには、再現率重視モデルによるスコアだけでなく、適合率重視モデルによるスコアも用いてもよい。例えば、割付に用いるスコアをα（適合率重視モデルによるスコア）＋（１－α）（再現率重視モデルによるスコア）としてもよい（０≦α＜１）。なお、αは、予め設定されたパラメータである。

訪問時刻決定部１４は、各時間帯について、割付けられた配送先の数（適合率重視モデルによるスコアによる割付も含む）と標準配送量とを比較する。全ての時間帯について、割付けられた配送先の数が標準配送量以下となっていた場合には、訪問時刻決定部１４は、それぞれの配送先について、割付けられた時間帯を配送時刻として決定する。

何れかの時間帯について割付けられた配送先の数が標準配送量を超えていた場合には、訪問時刻決定部１４は、各時間帯の割付上限を緩和する。例えば、現時点の割付上限に、予め設定した１を超える係数を乗算して新たな割付上限を算出する。訪問時刻決定部１４は、全ての割付を外して、新たな割付上限を用いて、再度、配送先の時間帯への上記の割付を行う。具体的には、適合率重視モデルによるスコアに基づく割付及び再現率重視モデルによるスコアに基づく割付を行う。訪問時刻決定部１４は、全ての配送先について割付が完了するまで、上記を繰り返す。なお、スコアの算出は、最初の１度だけ行えばよい。訪問時刻決定部１４は、決定した配送先それぞれに対する配送時刻を示す情報を出力部１５に出力する。

出力部１５は、訪問時刻決定部１４によって決定された複数の配送先それぞれに対する訪問時刻を示す情報を出力する機能部である。出力部１５は、訪問時刻決定部１４から配送先それぞれに対する配送時刻を示す情報を入力する。出力部１５は、例えば、当該情報を訪問時刻決定装置１０が備える表示装置に表示して出力する。この出力によって当該情報が、訪問時刻決定装置１０の管理者等によって参照されて、配送に用いられる。あるいは、出力部１５は、表示以外の出力を行ってもよく、他の装置又は他のモジュール等に送信して出力してもよい。以上が、本実施形態に係る訪問時刻決定装置１０の機能である。

引き続いて、図３のフローチャートを用いて、本実施形態に係る訪問時刻決定装置１０で実行される処理（訪問時刻決定装置１０が行う動作方法）を説明する。本処理では、まず、モデル生成部１１によって、配送先の在宅を予測する２つのモデルである適合率重視モデル及び再現率重視モデルが生成される（Ｓ０１）。なお、モデルの生成は、配送時刻の決定毎に行われる必要はなく、一度、モデルが作成されればその後には行われなくてもよい。続いて、取得部１３によって、配送先の在宅の予測に用いられる配送先に係る情報が取得される（Ｓ０２）。

続いて、訪問時刻決定部１４によって、配送先それぞれについて、配送する日の時間帯毎に適合率重視モデルによるスコアが算出される（Ｓ０３）。続いて、訪問時刻決定部１４によって、配送先毎に、算出した各時間帯のスコアのうち最も高いスコアになった時間帯が割付けられる（Ｓ０４）。続いて、訪問時刻決定部１４によって、割付上限に基づいて、配送先の割付がキャンセルされる（Ｓ０５）。なお、キャンセルされる割付がない場合には、全ての配送先が割付できたとして以下のＳ０９の処理が行われる。

続いて、訪問時刻決定部１４によって、割付がキャンセルされた配送先それぞれについて、配送する日の時間帯のうち、適合率重視モデルによるスコアによる割付で割付けられた配送先の数が割付上限以下となっている時間帯毎に再現率重視モデルによるスコアが算出される（Ｓ０６）。続いて、訪問時刻決定部１４によって、配送先毎に、算出した各時間帯のスコアのうち最も高いスコアになった時間帯が割付けられる（Ｓ０７）。全ての時間帯について、割付けられた配送先の数が割付上限以下となっていた場合、即ち、全ての配送先が割付けできた場合（Ｓ０８のＹＥＳ）、訪問時刻決定部１４によって、それぞれの配送先について、割付けられた時間帯を配送時刻として決定される。続いて、出力部１５によって、配送先それぞれに対する配送時刻を示す情報が出力される（Ｓ０９）。

一方で、Ｓ０７の後、全ての時間帯について、割付けられた配送先の数が割付上限以下となっていなかった場合、即ち、全ての配送先が割付けできていない場合（Ｓ０８のＮＯ）、訪問時刻決定部１４によって、各時間帯の割付上限が緩和される（Ｓ１０）。続いて、配送先の割付が全てキャンセルされて、再度、Ｓ０４～Ｓ０８の処理が繰り返される。なお、Ｓ０４～Ｓ０８の処理のうち、再現率重視モデルによるスコアの算出（Ｓ０６）は、繰り返し行われる必要はない。以上が、本実施形態に係る訪問時刻決定装置１０で実行される処理である。

本実施形態では、複数の配送先の少なくとも何れかについて、適合率重視モデルによる予測が行われると共に、複数の配送先の少なくとも何れかについて、再現率重視モデルによる予測が行われて複数の配送先それぞれに対して配送時刻が決定される。従って、適合率及び再現率の両方の考慮した効率的な訪問を可能にする配送時刻を決定することができる。

具体的には、本実施形態のように、まず適合率重視モデルによる予測に基づく割付を行い、適合率重視モデルによる予測に基づく割付で割付けられなかった配送先については、再現率重視モデルによる予測に基づく割付を行うことしてもよい。即ち、時間帯毎の標準配送量に基づく割付上限と割付けられた配送先（荷物）とのギャップ（需給ギャップ）によって、どちらのモデルの予測を用いるかを決定することとしてもよい。この構成によれば、適合率重視モデルによる予測に基づく割付によって、配送を行ったときに不在である可能性が少ない配送を行うことができる（図２に示す、持戻が少ない配送を行うことができる）。その後の当該割付で用いられていない配送余力を用いた、適合率重視モデルによる予測に基づく割付によって、在宅であるにもかかわらず配送しないという自体を防ぐことができる（図２に示す、機会損失を防ぐことができる）。

配送する荷物の需要は１日の中の時間帯、曜日あるいはお中元等の季節要因により大きく変動する。上記のよう配送時間を決定することで、需要がひっ迫している場合には予測の適合率を重視し、配送余力がある場合には在宅の可能性がある場所（居るかもしれない配送先）も回るようにすることができる。即ち、需要の変動を織り込みつつ、配送効率にあわせた効率的な配送につながる配送時刻を決定することができる。但し、適合率重視モデルによる予測及び再現率重視モデルの用い方は、必ずしも上記のものには限られない。例えば、ある配送先については、適合率重視モデルによる予測のみが行われ、別の配送先については、再現率重視モデルによる予測のみが行われることとしてもよい。この場合であっても、配送時刻の決定全体においては、適合率重視モデルによる予測と、再現率重視モデルによる予測との両方が行われる。

また、本実施形態のように予測に用いる配送先に係る情報（モデルへの入力とする情報）として、過去の配送先の在宅状況を示す情報を用いてもよい。過去の配送先の在宅状況は、過去の配送の実績等で確実に得られることができると共に配送先の在宅の予測を適切に行うことができるものである。従って、この構成によれば、適切かつ確実に配送時刻を決定することができある。但し、配送先に係る情報としては、必ずしも過去の配送先の在宅状況を示す情報を用いる必要はなく、上記以外の情報が用いられてもよい。

また、本実施形態のように、訪問時刻決定装置１０は、モデルを生成する構成であるモデル生成部１１を備えていてもよい。また、上述したようにサンプル数の調整で２つのモデルを生成してもよい。この構成によれば、配送時刻を決定するための適切な２つのモデルを用意することができ、適切かつ確実に本発明を実施することができる。但し、モデルの生成は、必ずしも訪問時刻決定装置１０において行われる必要はなく、他の装置等で生成されたモデルが予めモデル記憶部１２に記憶されていてもよい。また、上述した方法以外でモデルが生成されてもよい。

なお、本実施形態では、決定する訪問時刻として、配送時刻を決定していた。しかしながら、本発明おいて決定される訪問時刻は、必ずしも配送時刻である必要はない。即ち、本発明は、必ずしも荷物の配送を前提とするものではなく、複数の訪問先に対して訪問時刻を決定するものであれば、どのような状況を前提とするものであってもよい。また、本実施形態のモデルは、スコアを算出するものであったが、在宅か不在を分類するものであってもよい。

なお、上記実施の形態の説明に用いたブロック図は、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訪問時刻決定装置１０は、本実施形態の訪問時刻決定装置１０の処理を行うコンピュータとして機能してもよい。図４は、本実施形態に係る訪問時刻決定装置１０のハードウェア構成の一例を示す図である。上述の訪問時刻決定装置１０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、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。訪問時刻決定装置１０のハードウェア構成は、図に示した各装置を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。

訪問時刻決定装置１０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。例えば、訪問時刻決定装置１０の各機能は、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、訪問時刻決定装置１０の各機能は、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。例えば、上述の訪問時刻決定装置１０の各機能は、通信装置１００４で実現されてもよい。

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、訪問時刻決定装置１０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。

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。

情報の通知は、本明細書で説明した態様／実施形態に限られず、他の方法で行われてもよい。例えば、情報の通知は、物理レイヤシグナリング（例えば、ＤＣＩ（Downlink Control Information）、ＵＣＩ（Uplink Control Information））、上位レイヤシグナリング（例えば、ＲＲＣ（Radio Resource Control）シグナリング、ＭＡＣ（Medium Access Control）シグナリング、報知情報（ＭＩＢ（Master Information Block）、ＳＩＢ（System Information Block）））、その他の信号又はこれらの組み合わせによって実施されてもよい。また、ＲＲＣシグナリングは、ＲＲＣメッセージと呼ばれてもよく、例えば、ＲＲＣ接続セットアップ（RRC Connection Setup）メッセージ、ＲＲＣ接続再構成（RRC ConnectionReconfiguration）メッセージなどであってもよい。

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。

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。例えば、チャネル及び／又はシンボルは信号（シグナル）であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア（ＣＣ）は、キャリア周波数、セルなどと呼ばれてもよい。

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。例えば、無線リソースはインデックスで指示されるものであってもよい。

上述したパラメータに使用する名称はいかなる点においても限定的なものではない。さらに、これらのパラメータを使用する数式等は、本明細書で明示的に開示したものと異なる場合もある。様々なチャネル（例えば、ＰＵＣＣＨ、ＰＤＣＣＨなど）及び情報要素（例えば、ＴＰＣなど）は、あらゆる好適な名称によって識別できるので、これらの様々なチャネル及び情報要素に割り当てている様々な名称は、いかなる点においても限定的なものではない。

本明細書で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up)（例えば、テーブル、データベースまたは別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。

「接続された(connected)」、「結合された(coupled)」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。本明細書で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及び／又はプリント電気接続を使用することにより、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどの電磁エネルギーを使用することにより、互いに「接続」又は「結合」されると考えることができる。

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。

１０…訪問時刻決定装置、１１…モデル生成部、１２…モデル記憶部、１３…取得部、１４…訪問時刻決定部、１５…出力部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (4)

1. 複数の訪問先に対して訪問時刻を決定する訪問時刻決定装置であって、
   訪問先に係る情報を入力して時刻に応じた訪問先の在宅を予測する２つのモデルであって、２つのモデルのうち予測の適合率が高い適合率重視モデル、及び予測の再現率が高い再現率重視モデルを記憶するモデル記憶部と、
   前記複数の訪問先それぞれについて、訪問先の在宅の予測に用いる訪問先に係る情報を取得する取得部と、
   前記複数の訪問先の少なくとも何れかについて、前記取得部によって取得された情報を用いて、前記モデル記憶部によって記憶された適合率重視モデルによる予測を行うと共に、前記複数の訪問先の少なくとも何れかについて、前記取得部によって取得された情報を用いて、前記モデル記憶部によって記憶された再現率重視モデルによる予測を行って、予め設定された訪問の条件及び当該予測の結果から当該複数の訪問先それぞれに対して訪問時刻を決定する訪問時刻決定部と、
   前記訪問時刻決定部によって決定された前記複数の訪問先それぞれに対する訪問時刻を示す情報を出力する出力部と、
   を備え、
   適合率は、ａ／（ａ＋ｃ）で示される値であり、再現率は、ａ／（ａ＋ｂ）で示される値であり、ａは在宅と予測して実際にも在宅であった場合の数、ｂは不在と予測して実際には在宅であった場合の数、ｃは在宅と予測して実際には不在であった場合の数である、訪問時刻決定装置。
2. 前記訪問時刻決定部は、前記複数の訪問先それぞれについて、適合率重視モデルによる予測を行って、前記訪問の条件及び当該予測の結果から訪問時刻が決定できるか否かを判断し、訪問時刻が決定できないと判断された訪問先それぞれについて、再現率重視モデルによる予測を行って、当該訪問の条件及び当該予測の結果から当該訪問先それぞれに対して訪問時刻を決定する請求項１に記載の訪問時刻決定装置。
3. 前記取得部は、前記訪問先に係る情報として、過去の訪問先の在宅状況を示す情報を取得する請求項１又は２に記載の訪問時刻決定装置。
4. 前記適合率重視モデル及び前記再現率重視モデルを生成するための学習データである訪問先に係る情報、及び当該訪問先の時刻に応じた在宅か否かを示す情報を含む複数のサンプルを取得して、生成するモデルに応じてサンプル数を調整して前記適合率重視モデル及び前記再現率重視モデルを生成するモデル生成部を更に備える請求項１～３の何れか一項に記載の訪問時刻決定装置。

Images