JP7031503B2 - シミュレーションプログラム、シミュレーション方法およびシミュレーション装置 - Google Patents

Description

本発明は、シミュレーションプログラム、シミュレーション方法およびシミュレーション装置に関する。

百貨店やショッピングモール等の施設におけるテナント（以下、小施設ともいう。）のレイアウト設計を行う場合に、人間の情報探索行動（以下、探索行動ともいう。）のシミュレーションが活用されている。このシミュレーションでは、百貨店やショッピングモール等の施設に対応する仮想空間に、各テナントと、利用者を模した利用者エージェント（以下、エージェントともいう。）とを配置する。エージェントが各テナントをどの順番で訪れるかをシミュレーションすることで、百貨店やショッピングモールにおける利用者の流れを模擬している。

一方、現実世界においては、ある施設に複数のテナントが入居する場合、当該施設に初めて訪れた人は目に付いた数店舗で購買判断を行い、リピータは当該施設を十分探索してから購買判断することが知られている。すなわち、施設の利用に対する知識量（経験値）によって購買前の情報探索行動が変化することが知られている。

特表２０１７－５０２４０１号公報 特開２０１６－００４３５３号公報 特開２００６－２２１３２９号公報 特開２０１６－１６４７５０号公報 特開２００４－２５８７６２号公報 特開２００８－１２３４８７号公報

Bettman,J.R., & Park,C.W.，" Effects of Prior Knowledge and Experience and Phase of the Choice Process on Consumer Decision Processes: A Protocol Analysis."，Journal of Consumer Research，(1980)，7-234-248. Johnson,E.J., & Russo,J.E.，"Product Familiarity and Learning New Information."，Journal of Consumer Research，(1984)，11-542-550.

しかしながら、上述のシミュレーションにおける利用者の流れの模擬では、利用者が施設に初めて訪れた人であるか、リピータであるかが考慮されていない。このため、利用者の当該施設の利用経験に応じた探索行動を再現することが難しい。

一つの側面では、利用者の経験に応じた探索行動を再現することができるシミュレーションプログラム、シミュレーション方法およびシミュレーション装置を提供することにある。

一つの態様では、シミュレーションプログラムは、エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行うシミュレーションをコンピュータに実行させる。また、シミュレーションプログラムは、前記エージェントに設定された経験スコアと、前記複数の選択候補それぞれの期待値とに基づき、前記エージェントに対する前記複数の選択候補それぞれの偏向期待値を算出する処理をコンピュータに実行させる。シミュレーションプログラムは、前記エージェントの選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、前記確認行動の継続判断を行う処理をコンピュータに実行させる。

利用者の経験に応じた探索行動を再現することができる。

図１は、実施例１におけるシミュレーション装置の機能構成の一例を示すブロック図である。 図２は、期待値と実評価値を用いた探索行動のシミュレーションの一例を示す図である。 図３は、シミュレーションにおける探索行動の分類の一例を示す図である。 図４は、期待値の分散を操作して探索行動を表現した場合の一例を示す図である。 図５は、未探索施設の評価の違いによる探索行動の違いの一例を示す図である。 図６は、期待値平均と偏向期待値の一例を示す図である。 図７は、選択候補情報の一例を示す図である。 図８は、経験情報の一例を示す図である。 図９は、レイアウト情報の一例を示す図である。 図１０は、偏向期待値と実評価値を用いた探索行動の一例を示す図である。 図１１は、偏向期待値をエキスパートとした場合の探索行動の一例を示す図である。 図１２は、偏向期待値をノービスとした場合の探索行動の一例を示す図である。 図１３は、偏向期待値をミドルとした場合の探索行動の一例を示す図である。 図１４は、実施例１の判定処理の一例を示すフローチャートである。 図１５は、実施例２におけるシミュレーション装置の機能構成の一例を示すブロック図である。 図１６は、繰り返し利用により偏向期待値を変化させる場合の一例を示す図である。 図１７は、繰り返し利用により偏向期待値を変化させる場合の他の一例を示す図である。 図１８は、実施例２の判定処理の一例を示すフローチャートである。 図１９は、実施例３におけるシミュレーション装置の機能構成の一例を示すブロック図である。 図２０は、実施例３の判定処理の一例を示すフローチャートである。 図２１は、実施例４におけるシミュレーション装置の機能構成の一例を示すブロック図である。 図２２は、満足度と満足度格差の算出の一例を示す図である。 図２３は、レイアウト設計の評価の一例を示す図である。 図２４は、利用者シナリオの比較の一例を示す図である。 図２５は、各実施例にかかるシミュレーション装置のハードウェア構成の一例を示すブロック図である。

以下、図面に基づいて、本願の開示するシミュレーションプログラム、シミュレーション方法およびシミュレーション装置の実施例を詳細に説明する。なお、本実施例により、開示技術が限定されるものではない。また、以下の実施例は、矛盾しない範囲で適宜組みあわせてもよい。

図１は、実施例１におけるシミュレーション装置の機能構成の一例を示すブロック図である。図１に示すシミュレーション装置１は、例えばＰＣ（パーソナルコンピュータ）等の情報処理装置である。シミュレーション装置１は、エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行う。また、シミュレーション装置１は、エージェントに設定された経験スコアと、複数の選択候補それぞれの期待値とに基づき、エージェントに対する複数の選択候補それぞれの偏向期待値を算出する。シミュレーション装置１は、エージェントの選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、確認行動の継続判断を行う。これにより、シミュレーション装置１は、利用者の経験に応じた探索行動を再現することができる。

まず、図２から図６を用いて、期待値と実評価値を用いた探索行動、および、偏向期待値について説明する。図２は、期待値と実評価値を用いた探索行動のシミュレーションの一例を示す図である。図２に示すように、探索行動のシミュレーションでは、ある施設における各小施設の期待値を入力する（ステップＳ１）。期待値は、小施設における商品への予想満足度であり、平均と分散を持つ値である。次に、シミュレーションでは、各小施設への選好や時間制約から訪問先を決定する。また、決定した訪問先を訪れて実評価値を算出する（ステップＳ２）。次に、シミュレーションでは、算出した実評価値が全ての未探索小施設の期待値および他の実評価値より高ければ（ステップＳ３：上図）、探索を終了し、当該小施設で商品を購入する（ステップＳ４）。算出した実評価値が全ての未探索小施設の期待値および他の実評価値より高くなければ（ステップＳ３：下図）、ステップＳ２に戻り、次の訪問先を決定する。なお、ステップＳ３において、全ての候補小施設を探索する場合には、全ての実評価値を比較し、最も値が高い小施設に戻って商品を購入するようにしてもよい（ステップＳ４）。

図２の探索行動のシミュレーションでは、施設の利用経験が多く、効率的に探索をして購入判断を行うエキスパートを表すことができる。しかしながら、図２の例では、後述するノービスやミドルは表現できず、利用者の施設の利用経験に応じた探索行動を再現することは難しい。

図３は、シミュレーションにおける探索行動の分類の一例を示す図である。この分類は、現実世界における人間の分類に対応させて、仮想空間におけるエージェントを分類したものである。図３に示すように、利用者の施設の利用経験に応じた探索行動は、ノービス、ミドルおよびエキスパートの３つに分類することができる。図３では、簡単のために、期待値と実評価値とを同じ値とし、期待値を用いて説明する。

ノービスは、施設の利用経験が少なく、手近な数施設の探索で購買判断を行う。換言すれば、ノービスは、施設の利用に対する経験値が小さい人間に対応するエージェントである。図３の例では、小施設の訪問順に、期待値が「７」、「１０」と続くと、期待値「１０」の施設で購入を判断してしまい、その後の小施設は訪れない。つまり、ノービスは、情報探索軌跡が少ないといえる。

ミドルは、施設の利用経験が中程度であり、広く探索をして購入判断を行う。換言すれば、ミドルは、施設の利用に対する経験値が中程度の人間に対応するエージェントである。図３の例では、小施設の訪問順に、期待値が「７」、「１０」、「１６」、「５」、「１５」と広く探索を行い、期待値「１６」の施設に戻って購入を判断する。つまり、ミドルは、情報探索軌跡が多いといえる。

エキスパートは、施設の利用経験が多く、効率的に探索をして購入判断を行う。換言すれば、エキスパートは、施設の利用に対する経験値が大きい人間に対応するエージェントである。図３の例では、小施設の訪問順に、期待値が「７」、「１０」、「１６」と続くと、期待値「１６」の施設で購入を判断し、その後の小施設は訪れない。つまり、エキスパートは、情報探索軌跡が少ないといえる。

図２の探索行動のシミュレーションにおいて、ノービス、ミドルおよびエキスパートの利用者を表すエージェントを作り分けようとする場合、例えば、期待値の分散を操作すること、および、エージェントタイプに応じた処理を行うことが考えられる。なお、エージェントタイプに応じた処理とは、ノービス、ミドルおよびエキスパートについて、個別モデリングを行うことである。

図４は、期待値の分散を操作して探索行動を表現した場合の一例を示す図である。図４は、期待値の分散を操作することで、ノービスやミドルの不正確な購入判断を表現しようとした場合である。この場合、エキスパートは、分散「０」で表現でき、ノービスおよびミドルは、どちらも分散「１００」で表現できる。つまり、図４の例では、情報探索軌跡の多さが異なる利用者を生成することができる。ところが、ノービスおよびミドルは、どちらも分散「１００」であるので、これらを作り分けることができない。

一方、エージェントタイプに応じた処理を行う場合、シミュレーション中にエージェントタイプを判定する箇所が増加する。このため、エージェント数やシミュレーション空間や時間を増加させた場合、求められる計算リソースが急増することになる。

そこで、期待値と実評価値との比較に基づいた探索行動という判定の枠組みの中で、探索行動を変化させることを考える。図５は、未探索施設の評価の違いによる探索行動の違いの一例を示す図である。図５に示すように、ノービスは、未探索の小施設を過小評価しているため、訪問順の先頭側の小施設で購入を判断し探索を終了していると捉えることができる。また、ミドルは、未探索の小施設を過大評価しているため、途中の小施設での購入を見送って探索を継続し、全ての小施設を訪問してから、最も実評価値が高い小施設に戻ると捉えることができる。すなわち、ノービスとミドルでは、未探索施設に対して想定している評価値が異なっているといえる。

従って、期待値に対して、ノービスとミドルで想定している評価値が異なっている点を反映するようにすればよい。つまり、期待値と利用者の経験とに基づいて算出する偏向期待値（Biased Expected Value）を導入することで、ノービス、ミドルおよびエキスパートの購入判断の違いを表現する。

図６は、期待値平均と偏向期待値の一例を示す図である。図６に示すように、図２の探索行動のシミュレーションでは、未探索施設の期待値７１は、範囲７２の期待値であることを暗に仮定している。これに対し、未探索施設の期待値を、過去の利用経験により歪められた期待値であると考えた偏向期待値は、ノービスの場合、範囲７２の期待値よりも低い偏向期待値７３とする。ミドルの場合、範囲７２の期待値よりも高い偏向期待値７４とする。エキスパートの場合、偏向期待値７５を範囲７２の期待値と等しいとする。本実施例では、このように、偏向期待値を算出することで、ノービス、ミドルおよびエキスパートを表現する。すなわち、通常のシミュレーションでは未探索施設の期待値を用いるのに対し、本実施例では期待値を操作（修正）した偏向期待値を期待値の代わりに用いることにより、ノービス、ミドルおよびエキスパートを表現する。

続いて、シミュレーション装置１の構成について説明する。図１に示すように、シミュレーション装置１は、入力部１０、入力情報格納部２０、シミュレーション管理部３０、シミュレーション実行部４０、シミュレーション結果出力部５０およびエージェント情報格納部６０を有する。

入力部１０は、例えばマウスやキーボードなどの入力装置より、選択候補情報１１、経験情報１２およびレイアウト情報１３等のシミュレーションにかかる入力情報を受け付ける。

入力情報格納部２０は、入力部１０より入力された選択候補情報１１、経験情報１２およびレイアウト情報１３等の入力情報をＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）等の記憶装置に格納する。

選択候補情報１１は、施設における小施設に対応する選択候補と、各小施設の期待値とを対応付けた情報である。図７は、選択候補情報の一例を示す図である。入力部１０は、図７に示すような、選択候補集合と、各選択候補に対する期待値とを対応付けた情報の入力を受け付ける。選択候補集合は、小施設をＦ１、Ｆ２といったＩＤ（Identifier）を用いて表している。期待値は、商品への予想満足度を表し、平均と分散を持つ。なお、図７の例では、簡単のために分散０の場合における期待値を表している。

経験情報１２は、施設における小施設に対応する選択候補と、各小施設に対するノービス、ミドルおよびエキスパートの経験スコアとを対応付けた情報である。経験スコアは、施設の利用に対する経験値を数値化した指標であり、エージェントごとに設定される。図８は、経験情報の一例を示す図である。入力部１０は、図８に示すような、選択候補集合と、各選択候補に対する、ノービス、ミドルおよびエキスパートの経験スコアとを対応付けた情報の入力を受け付ける。ここで、経験スコアＮは、ノービスの経験スコアを示す。経験スコアＭは、ミドルの経験スコアを示す。経験スコアＥは、エキスパートの経験スコアを示す。

レイアウト情報１３は、施設における小施設のレイアウト、つまりエージェントの訪問順を示す情報である。図９は、レイアウト情報の一例を示す図である。入力部１０は、図９に示すように、例えば、レイアウトＬ１として、小施設Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５といった順番の情報の入力を受け付ける。つまり、レイアウトＬ１では、エージェントが小施設Ｆ１から順に、小施設Ｆ５に向かって訪問することを表す。なお、図９のレイアウト情報１３は、レイアウトＬ１～Ｌ４の４つのレイアウトを受け付けた場合のレイアウト情報である。

シミュレーション管理部３０は、シミュレーション実行部４０が実行する、施設の利用者の探索行動をシミュレーションする処理を管理する。すなわち、シミュレーション管理部３０、および、シミュレーション実行部４０は、エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行うシミュレーションを実行する。

シミュレーション管理部３０は、シミュレーション実行部４０が行うシミュレーションの進行に応じて、入力情報格納部２０に格納された入力情報と、エージェント情報格納部６０に格納されたシミュレーションの途中経過（各店舗に対する偏向期待値および実評価値）とを読み出す。また、シミュレーション管理部３０は、読み出した内容をシミュレーション実行部４０へ出力する。さらに、シミュレーション管理部３０は、シミュレーション実行部４０が利用者の行動を逐次シミュレーションした結果を、シミュレーション結果出力部５０へ出力する。

また、シミュレーション管理部３０は、シミュレーションの進行に応じて、選択候補集合から未確認の選択候補（小施設）をひとつ抽出し、シミュレーション実行部４０に対して出力する。シミュレーション管理部３０は、例えば、レイアウト情報１３を参照し、施設のレイアウト、利用者の各小施設への選好や時間制約から訪問先を決定する。シミュレーション管理部３０は、決定した訪問先である未確認の選択候補を抽出し、シミュレーション実行部４０に対して出力する。

シミュレーション管理部３０は、選択部４３によって、決定した選択候補がエージェント情報格納部６０に格納されると、エージェントを決定した選択候補に移動させ、当該選択候補の小施設での購入を決定する。シミュレーション管理部３０は、エージェントの移動および購入結果を、シミュレーション結果出力部５０に出力する。

シミュレーション実行部４０は、施設の利用者が、実際に各小施設を訪問した際の評価値を逐次シミュレーションする。さらに、シミュレーション実行部４０は、偏向期待値と実評価値とに基づいて、利用者が次にとるべき行動を判定する。具体的には、シミュレーション実行部４０は、未確認の小施設を確認するか、または、既確認の小施設の中からひとつの小施設を選択するかを判定する。シミュレーション実行部４０は、シミュレーションした結果をシミュレーション管理部３０へ出力する。

シミュレーション実行部４０は、算出部４１と、判定部４２と、選択部４３とを有する。

算出部４１は、利用者（エージェント）に対する小施設それぞれの偏向期待値および実評価値を算出する。算出部４１は、選択候補情報１１および経験情報１２を参照し、経験情報１２に基づいて、各選択候補に対する偏向期待値を算出する。算出部４１は、経験スコアが小さい場合、偏向期待値＜期待値平均となるように偏向期待値を算出する。算出部４１は、例えば、経験スコアが０の小施設については、偏向期待値を０とする。

算出部４１は、経験スコアが中程度の場合、偏向期待値＞期待値平均となるように偏向期待値を算出する。算出部４１は、例えば、経験スコアが０より大きくかつ５未満の小施設については、期待値に対して＋５とした値を偏向期待値とする。算出部４１は、経験スコアが大きい場合、偏向期待値＝期待値平均となるように偏向期待値を算出する。算出部４１は、例えば、経験スコアが５以上の小施設については、選択候補情報１１の期待値をそのまま偏向期待値とする。なお、偏向期待値は、期待値が分散を持つ場合、対応する分散の値を持つ。算出部４１は、シミュレーション管理部３０を介して、算出した偏向期待値をシミュレーション結果出力部５０に出力する。

なお、偏向期待値は、時間帯により、利用者の情報探索行動が変化する場合を再現するようにしてもよい。例えば、昼間は、全エージェントの偏向期待値を大きく、つまり情報探索軌跡を長くし、夕食時間帯を経過すると、全エージェントの偏向期待値を小さく、つまり情報探索軌跡を短くするようにしてもよい。これにより、時間帯による情報探索行動の変化を再現できる。

さらに、偏向期待値は、利用経験以外の属性により、利用者の情報探索行動が変化する場合を再現するようにしてもよい。例えば、共に行動する人々（グループ）の人数が少ないほど、偏向期待値を大きく、つまり情報探索軌跡を長くし、グループの人数が多いほど偏向期待値を小さく、つまり情報探索軌跡を短くするようにしてもよい。同様に、例えば、一人客は、偏向期待値を大きく、つまり情報探索軌跡を長くし、家族連れ客は、偏向期待値を小さく、つまり情報探索軌跡を短くするようにしてもよい。これにより、グループ構成による情報探索行動の違いを再現できる。

また、算出部４１は、シミュレーション管理部３０から入力された選択候補に対して、実評価値を算出する。算出部４１は、例えば、期待値が正規分布であるとし、期待値の平均および分散に基づいて、実評価値を確率的に算出する。算出部４１は、算出した実評価値をシミュレーション結果出力部５０に出力する。

言い換えると、算出部４１は、エージェントに設定された経験スコアと、複数の選択候補それぞれの期待値とに基づき、エージェントに対する複数の選択候補それぞれの偏向期待値を算出する。また、複数の選択候補それぞれの偏向期待値は、エージェントに設定されたグループ構成に応じて算出される。また、複数の選択候補それぞれの偏向期待値は、時間帯に基づき設定される。また、算出部４１は、エージェントに設定された経験スコアが相対的に小さい場合、複数の選択候補それぞれについて期待値よりも小さい値を偏向期待値として算出する。また、算出部４１は、エージェントに設定された経験スコアが相対的に中程度である場合、複数の選択候補それぞれについて期待値より大きい値を偏向期待値として算出する。また、算出部４１は、エージェントに設定された経験スコアが相対的に大きい場合、複数の選択候補それぞれについて期待値を偏向期待値として算出する。

判定部４２は、全ての選択候補（小施設）を確認したか否かを判定する。判定部４２は、全ての選択候補を確認していないと判定した場合には、実評価値および偏向期待値に基づいて、確認行動の継続判断を行う。つまり、判定部４２は、実評価値および偏向期待値に基づいて、小施設の探索を終了するか否かを判定する。判定部４２は、当該判定において、抽出された選択候補の実評価値が全ての偏向期待値、および、他の全ての実評価値より高ければ、小施設の探索を終了すると判定する。判定部４２は、抽出された選択候補の実評価値以上の偏向期待値があれば、小施設の探索を継続する。判定部４２は、小施設の探索を終了しないと判定した場合には、シミュレーション管理部３０に対して、次の未確認の選択候補の抽出を指示する。

判定部４２は、小施設の探索を終了すると判定した場合には、選択指示を選択部４３に出力する。また、判定部４２は、全ての選択候補を確認したと判定した場合にも、選択指示を選択部４３に出力する。

言い換えると、判定部４２は、エージェントの選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、確認行動の継続判断を行う。また、判定部４２は、既確認の選択候補の評価値の最大値が未確認の選択候補の期待値の最大値よりも大きい場合に、確認行動を終了するものと判断する。また、判定部４２は、既確認の選択候補の評価値の最大値が未確認の選択候補の期待値の最大値よりも小さい場合に、確認行動を継続するものと判断する。

選択部４３は、判定部４２から選択指示が入力されると、エージェント情報格納部６０を参照し、実評価値に基づいて、選択候補を決定する。選択部４３は、決定した選択候補をシミュレーション結果出力部５０に出力する。

シミュレーション結果出力部５０は、偏向期待値、実評価値、決定した選択候補、ならびに、エージェントの移動および購入結果を、エージェント情報格納部６０に格納する。また、シミュレーション結果出力部５０は、偏向期待値、実評価値、決定した選択候補、ならびに、エージェントの移動および購入結果を、モニタ等の表示装置やプリンタ等に表示する。なお、シミュレーション結果出力部５０は、逐次シミュレーションした結果を逐次出力してもよい。また、シミュレーション結果出力部５０は、所定時間にわたってシミュレーションした結果の集計結果を出力してもよい。

エージェント情報格納部６０は、シミュレーションによって得た偏向期待値、実評価値、決定した選択候補、ならびに、エージェントの移動および購入結果等をＲＡＭ、ＨＤＤ等の記憶装置に格納する。

ここで、図１０から図１３を用いて偏向期待値を用いた探索行動について説明する。図１０は、偏向期待値と実評価値を用いた探索行動の一例を示す図である。図１０に示すように、シミュレーション装置１は、選択候補情報１１および経験情報１２に基づいて、各小施設に置かれた商品の偏向期待値を設定する（ステップＳ１１）。

シミュレーション装置１は、レイアウト情報１３を参照し、施設のレイアウト、利用者の各小施設への選好や時間制約から訪問先を決定する。シミュレーション管理部３０は、決定した訪問先である未確認の選択候補を抽出し、実評価値を算出する（ステップＳ１２）。

シミュレーション装置１は、抽出された選択候補の実評価値以上の偏向期待値があれば、ステップＳ１２に戻り、小施設の探索を継続する。一方、シミュレーション装置１は、抽出された選択候補の実評価値が全ての偏向期待値、および、他の全ての実評価値より高ければ、小施設の探索を終了すると判定する（ステップＳ１３）。

シミュレーション装置１は、実評価値に基づいて、選択候補を決定する。シミュレーション装置１は、エージェントを決定した選択候補に移動させ、当該選択候補の小施設での購入を決定する（ステップＳ１４）。これにより、シミュレーション装置１は、偏向期待値に基づいて決定した小施設で利用者が商品を購入する動きをシミュレーションできる。

図１１は、偏向期待値をエキスパートとした場合の探索行動の一例を示す図である。図１１では、複数の小施設を有する施設８０に対して、エージェントであるエキスパート８１が偏向期待値に基づいて行動する場合を説明する。エキスパート８１の偏向期待値は、期待値平均であるとする。なお、ここでは、期待値が定数（分散０）の場合について説明する。

図１１では、施設８０の小施設８０ａ～８０ｅの順に、期待値が「７」、「１０」、「１７」、「５」、「１５」である。また、同様に、エキスパート８１の偏向期待値が「７」、「１０」、「１７」、「５」、「１５」である。エキスパート８１は、小施設８０ａ～８０ｅの順に訪問する場合、小施設８０ａ，８０ｂでは、探索を継続すると判定し、小施設８０ｃで購入を決定する。すなわち、エキスパート８１は、効率的に探索をして購入判断を行い、情報探索軌跡が少ないことを再現することができる。

図１２は、偏向期待値をノービスとした場合の探索行動の一例を示す図である。図１２では、複数の小施設を有する施設８０に対して、エージェントであるノービス８２が偏向期待値に基づいて行動する場合を説明する。ノービス８２の偏向期待値は、小施設の利用経験がない場合は「０」とする。なお、ここでは、期待値が定数（分散０）の場合について説明する。

図１２では、施設８０の小施設８０ａ～８０ｅの順に、期待値が「７」、「１０」、「１７」、「５」、「１５」である。また、小施設８０ａ～８０ｅの順に、ノービス８２の偏向期待値が「７」、「１０」、「０」、「０」、「０」である。ノービス８２は、小施設８０ａ～８０ｅの順に訪問する場合、小施設８０ａでは、探索を継続すると判定し、小施設８０ｂで購入を決定する。すなわち、ノービス８２は、手近な数施設の探索で購入判断を行い、情報探索軌跡が少ないことを再現することができる。

図１３は、偏向期待値をミドルとした場合の探索行動の一例を示す図である。図１３では、複数の小施設を有する施設８０に対して、エージェントであるミドル８３が偏向期待値に基づいて行動する場合を説明する。ミドル８３の偏向期待値は、期待値平均より大きいものとする。なお、ここでは、期待値が定数（分散０）の場合について説明する。

図１３では、施設８０の小施設８０ａ～８０ｅの順に、期待値が「７」、「１０」、「１７」、「５」、「１５」である。また、小施設８０ａ～８０ｅの順に、ミドル８３の偏向期待値が「１２」、「１５」、「２２」、「１０」、「２０」である。ミドル８３は、小施設８０ａ～８０ｅの順に訪問する場合、小施設８０ａ～８０ｄでは、探索を継続すると判定し、小施設８０ｅまで探索した後で小施設８０ｃに戻り、小施設８０ｃで購入を決定する。すなわち、ミドル８３は、広く探索をして購入判断を行い、情報探索軌跡が多いことを再現することができる。

次に、実施例１のシミュレーション装置１の動作について説明する。図１４は、実施例１の判定処理の一例を示すフローチャートである。

シミュレーション装置１の入力部１０は、処理が開始されると、選択候補情報１１、つまり選択候補集合の入力と、各選択候補に対する期待値の入力とを受け付ける（ステップＳ２１，Ｓ２２）。また、入力部１０は、経験情報１２およびレイアウト情報１３の入力を受け付け、選択候補情報１１とともに、入力情報格納部２０へ格納する。

算出部４１は、選択候補情報１１および経験情報１２を参照し、経験情報１２に基づいて、ノービス、ミドルおよびエキスパートについて、各選択候補に対する偏向期待値を算出する（ステップＳ２３）。算出部４１は、シミュレーション管理部３０を介して、算出した偏向期待値をシミュレーション結果出力部５０に出力する。

シミュレーション管理部３０は、シミュレーションの進行に応じて、選択候補集合から未確認の選択候補をひとつ抽出し、シミュレーション実行部４０に対して出力する（ステップＳ２４）。

算出部４１は、シミュレーション管理部３０から入力された選択候補、つまり抽出した選択候補に対してエージェントを移動させ、実評価値を算出する（ステップＳ２５）。算出部４１は、算出した実評価値をシミュレーション結果出力部５０に出力する。

判定部４２は、全ての選択候補を確認したか否かを判定する（ステップＳ２６）。判定部４２は、全ての選択候補を確認していないと判定した場合には（ステップＳ２６：否定）、実評価値および偏向期待値に基づいて、小施設の探索を終了するか否かを判定する（ステップＳ２７）。判定部４２は、小施設の探索を終了しないと判定した場合には（ステップＳ２７：否定）、シミュレーション管理部３０に対して、次の未確認の選択候補の抽出を指示し、ステップＳ２４に戻る。

判定部４２は、全ての選択候補を確認したと判定した場合（ステップＳ２６肯定）、または、小施設の探索を終了したと判定した場合（ステップＳ２７：肯定）には、選択指示を選択部４３に出力する。

選択部４３は、判定部４２から選択指示が入力されると、エージェント情報格納部６０を参照し、実評価値に基づいて、選択候補を決定する（ステップＳ２８）。選択部４３は、決定した選択候補をシミュレーション結果出力部５０に出力する。

シミュレーション管理部３０は、エージェントを決定した選択候補に移動させる（ステップＳ２９）。シミュレーション管理部３０は、当該選択候補の小施設での購入を決定し、エージェントの移動および購入結果を、シミュレーション結果出力部５０に出力する（ステップＳ３０）。これにより、シミュレーション装置１は、利用者の経験に応じた探索行動を再現することができる。また、シミュレーション装置１は、図２に示す探索行動のシミュレーションと同等の計算リソースで、利用者の経験に応じた情報探索行動を再現することができる。

このように、シミュレーション装置１は、エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行う。また、シミュレーション装置１は、エージェントに設定された経験スコアと、複数の選択候補それぞれの期待値とに基づき、エージェントに対する複数の選択候補それぞれの偏向期待値を算出する。また、シミュレーション装置１は、エージェントの選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、確認行動の継続判断を行う。その結果、シミュレーション装置１は、利用者の経験に応じた探索行動を再現することができる。

また、シミュレーション装置１では、複数の選択候補それぞれの偏向期待値は、エージェントに設定されたグループ構成に応じて算出される。その結果、シミュレーション装置１は、グループ構成による情報探索行動の違いを再現できる。

また、シミュレーション装置１では、複数の選択候補それぞれの偏向期待値は、時間帯に基づき設定される。その結果、シミュレーション装置１は、時間帯による情報探索行動の変化を再現できる。

また、シミュレーション装置１では、エージェントに設定された経験スコアが相対的に小さい場合、複数の選択候補それぞれについて期待値よりも小さい値が偏向期待値として算出される。また、シミュレーション装置１では、エージェントに設定された経験スコアが相対的に中程度である場合、複数の選択候補それぞれについて期待値より大きい値が偏向期待値として算出される。また、シミュレーション装置１は、エージェントに設定された経験スコアが相対的に大きい場合、複数の選択候補それぞれについて期待値を偏向期待値として算出する。その結果、シミュレーション装置１は、利用者の経験に応じた探索行動を再現することができる。

また、シミュレーション装置１は、既確認の選択候補の評価値の最大値が未確認の選択候補の期待値の最大値よりも大きい場合に、確認行動を終了するものと判断する。また、シミュレーション装置１は、既確認の選択候補の評価値の最大値が未確認の選択候補の期待値の最大値よりも小さい場合に、確認行動を継続するものと判断する。その結果、シミュレーション装置１は、利用者の経験に応じた探索行動を再現することができる。

上記実施例１では、施設に対する１回の訪問経験のシミュレーションについて説明したが、複数回の訪問経験についてシミュレーションしてもよく、この場合の実施の形態につき、実施例２として説明する。なお、実施例１のシミュレーション装置１と同一の構成には同一符号を付すことで、その重複する構成および動作の説明については省略する。

図１５は、実施例２におけるシミュレーション装置の機能構成の一例を示すブロック図である。図１５に示すシミュレーション装置１ａは、実施例１のシミュレーション装置１と比較して、シミュレーション管理部３０およびシミュレーション実行部４０に代えてシミュレーション管理部３０ａおよびシミュレーション実行部４０ａを有する。また、シミュレーション実行部４０ａは、実施例１のシミュレーション実行部４０と比較して、算出部４１に代えて、算出部４１ａを有する。

シミュレーション管理部３０ａは、実施例１のシミュレーション管理部３０に対し、さらに、シミュレーションの結果に基づいて、入力情報格納部２０に格納された経験情報１２を更新する。シミュレーション管理部３０ａは、エージェントの移動および購入結果を、シミュレーション結果出力部５０に出力した後に、施設の利用回数が１回増加したことを経験情報１２の各経験スコアに反映する。シミュレーション管理部３０ａは、例えば、小施設８０ａ～８０ｅを有する施設８０において、小施設８０ａ～８０ｅのうち、いずれかにおける購入が確定すると、小施設８０ａ～８０ｅのそれぞれの経験スコアを「１」増加させる。なお、経験スコアの更新は、利用者に対応する経験スコアを設け、利用者の経験スコアを更新するようにしてもよい。シミュレーション管理部３０ａは、経験情報１２の更新が終了すると、算出部４１ａに対して、偏向期待値の算出を指示する。

算出部４１ａは、算出部４１に対し、さらに、更新された経験スコアに基づいて、偏向期待値を更新することで、施設を繰り返し利用することを再現する。算出部４１ａは、選択候補情報１１および経験情報１２を参照し、選択候補情報１１の期待値および経験情報１２に基づいて、ノービス、ミドルおよびエキスパートのそれぞれについて、各選択候補に対する偏向期待値を算出する。このとき、算出部４１ａは、２回目以降の偏向期待値の算出では、更新された経験スコアを含む経験情報１２を参照することになる。なお、偏向期待値の算出は、実施例１の偏向期待値の算出と同様であるので、その説明を省略する。

ここで、図１６および図１７を用いて、偏向期待値を変化させる場合について説明する。図１６は、繰り返し利用により偏向期待値を変化させる場合の一例を示す図である。図１６では、小施設８０ａ～８０ｅそれぞれの経験スコアを利用回数に応じて更新する場合を表す。まず、利用者は、施設８０の利用経験が少ないノービス８５ａであるとする。

図１６では、小施設８０ａ～８０ｅの順に、期待値が「７」、「１０」、「１７」、「５」、「１５」である。また、小施設８０ａ～８０ｅの順に、ノービス８５ａの経験スコアが「５」、「５」、「０」、「０」、「０」である。さらに、小施設８０ａ～８０ｅの順に、ノービス８５ａの偏向期待値が「７」、「１０」、「０」、「０」、「０」である。すなわち、ノービス８５ａは、未利用施設の偏向期待値はゼロである。この場合、ノービス８５ａは、実施例１のノービス８２と同様に、小施設８０ｂで購入を決定する。つまり、ノービス８５ａは、情報探索軌跡が少ないことを再現することができる。

その後、ノービス８５ａは、利用経験、施設内のサイネージや店頭広告の情報等に基づいて、過大評価された偏向期待値を形成し、ミドル８５ｂに変化する。ミドル８５ｂは、施設８０の利用回数が中程度であるとする。ここで、施設内のサイネージや店頭広告の情報は、エージェントに提示された選択候補に関する案内情報の一例である。

ミドル８５ｂの経験スコアは、小施設８０ａ～８０ｅの順に「６」、「６」、「１」、「１」、「１」である。ミドル８５ｂの偏向期待値は、小施設８０ａ～８０ｅの順に「７」、「１０」、「２２」、「１０」、「２０」である。すなわち、ミドル８５ｂは、利用経験が少ない施設は、過大評価されたままである。この場合、ミドル８５ｂは、実施例１のミドル８３と同様に、小施設８０ａ～８０ｅの順に訪問した後で小施設８０ｃに戻り、小施設８０ｃで購入を決定する。つまり、ミドル８５ｂは、情報探索軌跡が多いことを再現することができる。

さらに、ミドル８５ｂは、利用経験が増すほど、偏向期待値が期待値平均からの乖離が小さくなり、最終的に期待値平均と一致する偏向期待値を形成し、エキスパート８５ｃに変化する。エキスパート８５ｃは、施設８０の利用回数が多いとする。

エキスパート８５ｃの経験スコアは、小施設８０ａ～８０ｅの順に「１０」、「１０」、「５」、「５」、「５」である。エキスパート８５ｃの偏向期待値は、小施設８０ａ～８０ｅの順に「７」、「１０」、「１７」、「５」、「１５」である。この場合、エキスパート８５ｃは、実施例１のエキスパート８１と同様に、小施設８０ｃで購入を決定する。つまり、エキスパート８５ｃは、情報探索軌跡が少ないことを再現することができる。

このように、図１６の例では、複数の選択候補それぞれの偏向期待値は、エージェントの選択候補それぞれに対する訪問回数に基づき設定される。また、複数の選択候補それぞれの偏向期待値は、シミュレーションにおいてエージェントに提示された当該選択候補に関する案内情報に基づき設定される。

図１７は、繰り返し利用により偏向期待値を変化させる場合の他の一例を示す図である。図１７では、小施設８０ａ～８０ｅを含む施設８０全体の経験スコアを利用回数に応じて更新する場合を表す。図１７は、ある施設に熟知すると、未探索小施設を含む施設全体をよく探索できるようになる状況を再現する場合の例である。つまり、図１７では、利用者の熟練度により偏向期待値を決定する。まず、利用者は、施設８０の利用経験が少ないノービス８６ａであるとする。

図１７では、小施設８０ａ～８０ｅの順に、期待値が「７」、「１０」、「１７」、「５」、「１５」である。また、ノービス８６ａの施設８０全体に対する経験スコアは「０」である。この場合の経験スコアは、例えば、小施設８０ａ～８０ｅの合計利用回数とすることができる。また、経験スコアの値が大きいほど、小施設８０ａ～８０ｅの偏向期待値が期待値平均に近づくものとする。さらに、小施設８０ａ～８０ｅの順に、ノービス８６ａの偏向期待値が「７」、「１０」、「０」、「０」、「０」である。この場合、ノービス８６ａは、実施例１のノービス８２と同様に、小施設８０ｂで購入を決定する。つまり、ノービス８６ａは、情報探索軌跡が少ないことを再現することができる。

その後、ノービス８６ａは、小施設８０ａ～８０ｅの合計利用回数の増加に基づいて、過大評価された偏向期待値を形成し、ミドル８６ｂに変化する。ミドル８６ｂは、施設８０の利用回数が中程度であるとする。

ミドル８６ｂの経験スコアは、「１」である。ミドル８６ｂの偏向期待値は、小施設８０ａ～８０ｅの順に「７」、「１０」、「２２」、「１０」、「２０」である。この場合、ミドル８６ｂは、実施例１のミドル８３と同様に、小施設８０ａ～８０ｅの順に訪問した後で小施設８０ｃに戻り、小施設８０ｃで購入を決定する。つまり、ミドル８６ｂは、情報探索軌跡が多いことを再現することができる。

さらに、ミドル８６ｂは、小施設８０ａ～８０ｅの合計利用回数の増加に基づいて、偏向期待値が期待値平均からの乖離が小さくなり、最終的に期待値平均と一致する偏向期待値を形成し、エキスパート８６ｃに変化する。エキスパート８６ｃは、施設８０の利用回数が多いとする。

エキスパート８６ｃの経験スコアは「５」である。エキスパート８６ｃの偏向期待値は、小施設８０ａ～８０ｅの順に「７」、「１０」、「１７」、「５」、「１５」である。この場合、エキスパート８６ｃは、実施例１のエキスパート８１と同様に、小施設８０ｃで購入を決定する。つまり、エキスパート８６ｃは、情報探索軌跡が少ないことを再現することができる。ここで、図１７の例では、小施設８０ｄの訪問回数が１回、小施設８０ａ～８０ｃ，８０ｅの訪問回数が５回であったとしても、小施設８０ｄの偏向期待値を小施設８０ａ～８０ｃ，８０ｅと同程度の正確さで生成することができる。つまり、図１７の例では、施設８０全体に熟知することで、訪問経験が少ない小施設８０ｄも含めてよく探索できるようになる状況を再現できる。

このように、図１７の例では、複数の選択候補それぞれの偏向期待値は、エージェントに設定された熟練度に応じて算出される。

次に、実施例２のシミュレーション装置１ａの動作について説明する。図１８は、実施例２の判定処理の一例を示すフローチャートである。以下の説明では、判定処理のステップＳ２１，Ｓ２２，Ｓ２４～Ｓ３０の処理は、実施例１と同様であるので、その説明を省略する。

シミュレーション装置１の入力部１０は、処理が開始されると、経験情報１２の入力を受け付ける（ステップＳ４１）。入力部１０は、受け付けた経験情報１２を入力情報格納部２０へ格納し、ステップＳ２１に進む。

算出部４１ａは、ステップＳ２２に続いて、下記の処理を実行する。算出部４１ａは、選択候補情報１１および経験情報１２を参照し、選択候補情報１１の期待値および経験情報１２に基づいて、ノービス、ミドルおよびエキスパートのそれぞれについて、各選択候補に対する偏向期待値を算出する（ステップＳ４２）。算出部４１ａは、シミュレーション管理部３０を介して、算出した偏向期待値をシミュレーション結果出力部５０に出力し、ステップＳ２４に進む。

シミュレーション管理部３０ａは、ステップＳ３０に続いて、下記の処理を実行する。シミュレーション管理部３０ａは、施設の利用回数が１回増加したことを経験情報１２の各経験スコアに反映し、経験情報１２を更新する（ステップＳ４３）。シミュレーション管理部３０ａは、経験情報１２の更新が終了すると、算出部４１ａに対して、偏向期待値の算出を指示し、ステップＳ４３に戻る。これにより、シミュレーション装置１ａは、利用者の繰り返し利用による経験に応じた探索行動を再現することができる。

このように、シミュレーション装置１ａでは、複数の選択候補それぞれの偏向期待値は、エージェントの選択候補それぞれに対する訪問回数に基づき設定される。その結果、シミュレーション装置１ａは、利用者の小施設の利用回数に応じた探索行動を再現することができる。

また、シミュレーション装置１ａでは、複数の選択候補それぞれの偏向期待値は、エージェントに設定された熟練度に応じて算出される。その結果、シミュレーション装置１ａは、利用者の施設全体の利用回数に応じた探索行動を再現することができる。

また、シミュレーション装置１ａでは、複数の選択候補それぞれの偏向期待値は、シミュレーションにおいてエージェントに提示された当該選択候補に関する案内情報に基づき設定される。その結果、シミュレーション装置１ａは、施設内のサイネージや店頭広告の情報を反映した探索行動を再現することができる。

上記実施例２では、施設に対する複数回の訪問経験のシミュレーションについて説明したが、１回の訪問経験中に偏向期待値が変化する場合についてシミュレーションしてもよく、この場合の実施の形態につき、実施例３として説明する。なお、実施例１のシミュレーション装置１と同一の構成には同一符号を付すことで、その重複する構成および動作の説明については省略する。

図１９は、実施例３におけるシミュレーション装置の機能構成の一例を示すブロック図である。図１９に示すシミュレーション装置１ｂは、実施例１のシミュレーション装置１と比較して、シミュレーション管理部３０およびシミュレーション実行部４０に代えてシミュレーション管理部３０ｂおよびシミュレーション実行部４０ｂを有する。また、シミュレーション実行部４０ｂは、実施例１のシミュレーション実行部４０と比較して、算出部４１に代えて、算出部４１ｂを有する。

シミュレーション管理部３０ｂは、実施例１のシミュレーション管理部３０に対し、さらに、利用者が施設を回遊中に経験スコアが変化した場合に、偏向期待値を更新する。シミュレーション管理部３０ｂは、選択候補集合から抽出した未確認の選択候補をシミュレーション実行部４０に対して出力した後に、利用者が施設を回遊中に入力情報格納部２０に格納された経験情報１２の経験スコアが変化したか否かを判定する。シミュレーション管理部３０ｂは、経験スコアが変化したと判定した場合には、算出部４１ｂに対して偏向期待値の算出を指示する。

また、シミュレーション管理部３０ｂは、利用者が施設を回遊中の経験スコアをシミュレーションの条件に応じて変化させる。シミュレーション管理部３０ｂは、変化させた経験スコアに基づいて、入力情報格納部２０に格納された経験情報１２を更新する。

ここで、利用者が施設を回遊中に経験スコアが変化する場合について説明する。まず、情報を取得すると、情報探索が変化する場合がある。この場合、例えば、店頭でサイネージ等に表示された案内情報を視認した場合に、当該案内情報が正確であると、当該小施設の偏向期待値を期待値平均に近づける。また、当該案内情報が誇大広告であった場合、当該小施設の偏向期待値を大きくする。これにより、情報提示の効果を再現する。

次に、残り時間に応じて、情報探索軌跡が変化する場合がある。例えば、残り時間が多いほど、全小施設の偏向期待値を大きくし、情報探索が深くなることを再現する。また、例えば、残り時間が少なくなるほど、全小施設の偏向期待値を小さくし、情報探索が浅くなることを再現する。また、例えば、残り時間がゼロになったら、全小施設の偏向期待値をゼロとし、情報探索の打ち切りを再現する。これにより、残り時間の変化による情報探索行動の変化を再現する。

さらに、利用者の疲労具合に応じて、情報探索軌跡が変化する場合がある。例えば、合計探索距離が短いほど、全小施設の偏向期待値を大きくし、情報探索が深くなることを再現する。また、例えば、合計探索距離が長くなるほど、全小施設の偏向期待値を小さくし、情報探索が浅くなることを再現する。また、例えば、合計探索距離がある閾値、例えば疲労を我慢できる限界値を超えたら、全小施設の偏向期待値をゼロとし、情報探索の打ち切りを再現する。これにより、疲労による情報探索行動の変化を再現する。

算出部４１ｂは、算出部４１に対し、さらに、更新された経験スコアに基づいて、偏向期待値を更新することで、情報提示、残り時間および疲労等による情報探索行動の変化を再現する。算出部４１ｂは、シミュレーション管理部３０ｂから偏向期待値の算出を指示されると、選択候補情報１１および経験情報１２を参照し、選択候補情報１１の期待値および経験情報１２に基づいて、各選択候補に対する偏向期待値を算出する。なお、偏向期待値は、ノービス、ミドルおよびエキスパートのそれぞれについて算出される。このとき、算出部４１ｂは、２回目以降の偏向期待値の算出では、更新された経験スコアを含む経験情報１２を参照することになる。なお、偏向期待値の算出は、実施例１の偏向期待値の算出と同様であるので、その説明を省略する。

次に、実施例３のシミュレーション装置１ｂの動作について説明する。図２０は、実施例３の判定処理の一例を示すフローチャートである。以下の説明では、判定処理のステップＳ２１～Ｓ２４，Ｓ２５～Ｓ３０の処理は、実施例１と同様であるので、その説明を省略する。

シミュレーション管理部３０ｂは、ステップＳ２４に続いて、下記の処理を実行する。シミュレーション管理部３０ｂは、経験スコアが変化したか否かを判定する（ステップＳ５１）。シミュレーション管理部３０ｂは、経験スコアが変化したと判定した場合には（ステップＳ５１：肯定）、算出部４１ｂに対して偏向期待値の算出を指示する。

算出部４１ｂは、シミュレーション管理部３０ｂから偏向期待値の算出を指示されると、選択候補情報１１の期待値と経験情報１２の更新された経験スコアから偏向期待値を算出し（ステップＳ５２）、ステップＳ２５に進む。

一方、シミュレーション管理部３０ｂは、経験スコアが変化していないと判定した場合には（ステップＳ５１：否定）、偏向期待値を算出せずにステップＳ２５に進む。これにより、シミュレーション装置１ｂは、１回の訪問経験中に偏向期待値が変化する場合における探索行動を再現することができる。

上記実施例１では、施設に対する１回の訪問経験のシミュレーションについて説明したが、さらにレイアウト設計の評価を行ってもよく、この場合の実施の形態につき、実施例４として説明する。なお、実施例１のシミュレーション装置１と同一の構成には同一符号を付すことで、その重複する構成および動作の説明については省略する。

図２１は、実施例４におけるシミュレーション装置の機能構成の一例を示すブロック図である。図２１に示すシミュレーション装置１ｃは、実施例１のシミュレーション装置１と比較して、シミュレーション実行部４０に代えてシミュレーション実行部４０ｃを有する。また、シミュレーション実行部４０ｃは、実施例１のシミュレーション実行部４０と比較して、さらに評価部４４を有する。なお、シミュレーション装置１ｃでは、レイアウト情報１３の全てのレイアウトＬ１～Ｌ４について、シミュレーションを実行するものとする。

評価部４４は、シミュレーション管理部３０を介して、エージェント情報格納部６０から、レイアウトＬ１～Ｌ４について、各小施設における各エージェント（ノービス、ミドルおよびエキスパート）の偏向期待値と実評価値とを取得する。また、評価部４４は、シミュレーション管理部３０を介して、入力情報格納部２０に格納された選択候補情報１１の期待値を取得する。

評価部４４は、小施設のＩＤと期待値（ＥＶ）、および、各エージェントの偏向期待値（ＢＥＶ）と実評価値（Ｖ）に基づいて、選択小施設の質（ｑ）、探索コスト（ｃ）を求める。また、評価部４４は、選択小施設の質（ｑ）、および、探索コスト（ｃ）に基づいて、満足度（ｓ）を求める。

ここで、選択小施設の質（ｑ）は、各エージェントにおいて購入判断をした小施設の実評価値（Ｖ）に対応する。探索コスト（ｃ）は、各エージェントにおいて探索を行った小施設の数にマイナス符号を付与したものである。満足度（ｓ）は、下記の式（１）を用いて算出する。

満足度（ｓ）＝ ｗ１×ｑ ＋ ｗ２×ｃ ・・・（１）

ここで、ｗ１およびｗ２は、選択小施設の質（ｑ）と探索コスト（ｃ）との相対的な重み係数を示し、エージェントの性質や小施設の性質によって変更する。なお、以下の説明では、ｗ１＝１、ｗ２＝１として満足度（ｓ）を算出している。

評価部４４は、満足度（ｓ）を算出すると、満足度格差を、ジニ係数を用いて算出する。ここで、利用者集合Ｕを考えると、利用者ｉ∈Ｕの満足度をｓｉ、利用者ｊ∈Ｕの満足度をｓｊとする。なお、ｉ≠ｊである。また、利用者集合Ｕの平均満足度を＾ｓとすると、満足度格差は、下記の式（２）を用いて算出できる。

なお、Ｇは、「０」～「１」の実数であり、「０」に近いほど格差が小さく、「１」に近いほど格差が大きい。

ここで、図２２を用いて、満足度と満足度格差の算出について説明する。図２２は、満足度と満足度格差の算出の一例を示す図である。図２の表９０に示すように、小施設Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５の期待値（ＥＶ）が、それぞれ「７」、「１０」、「１７」、「５」、「１５」であった場合、ノービスは、小施設Ｆ２を選択するので選択小施設の質（ｑ）は「１０」となる。また、探索コスト（ｃ）は、「－２」となる。ミドルは、小施設Ｆ３を選択するので選択小施設の質（ｑ）は「１７」となり、探索コスト（ｃ）は、「－６」となる。エキスパートは、小施設Ｆ３を選択するので選択小施設の質（ｑ）は「１７」となり、探索コスト（ｃ）は、「－３」となる。従って、満足度（ｓ）は、ノービスが「８」、ミドルが「１１」、エキスパートが「１４」となり、満足度格差（Ｇ）は、「０．１８１８」となる。このように、評価部４４は、多様な利用者の満足度と満足度格差を評価する。

次に、図２３を用いて、レイアウト設計の評価について説明する。図２３は、レイアウト設計の評価の一例を示す図である。図２３の表９１は、小施設をＦ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５の順に、入口側から奥側へ向けて並べたベースライン設計の場合における満足度および満足度格差を示す。表９２は、小施設をＦ３、Ｆ５、Ｆ２、Ｆ１、Ｆ４の順に、評価が高い施設を入口側から奥側へと配置した場合における満足度および満足度格差を示す。表９３は、小施設をＦ４、Ｆ１、Ｆ２、Ｆ５、Ｆ３の順に、評価が高い施設を奥側から入口側へと配置した場合における満足度および満足度格差を示す。表９４は、小施設をＦ５、Ｆ４、Ｆ３、Ｆ２、Ｆ１の順に、ベースライン設計を左右反転させて配置した場合における満足度および満足度格差を示す。表９１～表９４に示すように、評価部４４は、ベースライン設計を左右反転した場合が、満足度格差が最も小さいレイアウトであると評価する。

続いて、図２４を用いて、利用者シナリオの比較について説明する。図２４は、利用者シナリオの比較の一例を示す図である。図２４は、利用者シナリオとして、ベースラインシナリオと、ノービスが多いシナリオとについて、満足度格差および平均満足度について比較したものである。ベースラインシナリオは、例えば、通常の休日を想定したシナリオであり、ノービスが１０人、ミドルが１５人、エキスパートが２０人であるとする。また、ノービスが多いシナリオは、例えば、大型連休や年末年始のバーゲンシーズンを想定したシナリオであり、ノービスが１００人、ミドルが０人、エキスパートが１０人であるとする。

レイアウトは、図２３のベースライン設計、評価が高い施設を入口に配置、評価が高い施設を奥に配置、および、ベースライン設計を左右反転の４つのレイアウトを用いる。なお、図２４では、各レイアウトを、それぞれ、ベースライン設計、評価高は入口付近、評価高は奥、および、ベースライン反転として表している。

図２４の表９５は、満足度格差について、ベースラインシナリオと、ノービスが多いシナリオとを比較したものである。表９５では、ベースラインシナリオのベースライン反転と、ノービスが多いシナリオの評価高は入口付近およびベースライン反転とが、満足度格差「０．００００」で最も満足度格差が小さい。評価部４４は、この場合、ベースラインシナリオでは、満足度格差が最も小さいベースライン反転レイアウトがよいと評価できる。一方、評価部４４は、ノービスが多いシナリオでは、評価高は入口付近レイアウトか、ベースライン反転レイアウトか、どちらのレイアウトがよいか評価できない。

このため、ノービスが多いシナリオについて、表９６に示すように、平均満足度を比較する。すると、ノービスが多いシナリオの評価高は入口付近レイアウトは、平均満足度が「１６」であり、ベースライン反転レイアウトは、平均満足度が「１４」である。従って、評価部４４は、ノービスが多いシナリオでは、評価高は入口付近レイアウトがよいと評価できる。このように、評価部４４は、シナリオごとのレイアウト施策の善し悪しを評価することができる。

すなわち、シミュレーション装置１ｃは、レイアウト設計において、様々な利用経験の利用者が、よい商品を無駄な情報探索なく選択できたかを評価することができる。また、シミュレーション装置１ｃは、多様な利用者の満足度を下げないレイアウト設計であるかを評価することができる。

このように、シミュレーション装置１ｃは、確認行動の継続判断の結果を用いて、複数の選択候補の複数のレイアウトの評価を行う。その結果、シミュレーション装置１ｃは、施設内の小施設のレイアウトを評価することができる。

また、図示した各部の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各部の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、判定部４２と選択部４３とを統合してもよい。また、図示した各処理は、上記の順番に限定されるものでなく、処理内容を矛盾させない範囲において、同時に実施してもよく、順序を入れ替えて実施してもよい。

なお、上記の各実施例におけるシミュレーション装置１，１ａ，１ｂ，１ｃで行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウェア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。

ところで、上記の各実施例で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の各実施例と同様の機能を有するプログラムを実行するコンピュータ（ハードウェア）の一例を説明する。図２５は、各実施例にかかるシミュレーション装置のハードウェア構成の一例を示すブロック図である。なお、図２５では、シミュレーション装置１を一例として説明するが、シミュレーション装置１ａ，１ｂ，１ｃについても同様である。

図２５に示すように、シミュレーション装置１は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、シミュレーション装置１は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、シミュレーション装置１は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、シミュレーション装置１内の各部（１０１～１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の各実施例で説明した各種の処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。入力装置１０２は、例えば、シミュレーション装置１の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、ＬＡＮ（Local Area Network）等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、各種の処理を行う。なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、シミュレーション装置１が読み取り可能な記憶媒体に記憶されたプログラム１１１を、シミュレーション装置１が読み出して実行するようにしてもよい。シミュレーション装置１が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にこのプログラムを記憶させておき、シミュレーション装置１がこれらからプログラムを読み出して実行するようにしてもよい。

１，１ａ，１ｂ，１ｃ シミュレーション装置
１０ 入力部
１１ 選択候補情報
１２ 経験情報
１３ レイアウト情報
２０ 入力情報格納部
３０，３０ａ，３０ｂ シミュレーション管理部
４０，４０ａ，４０ｂ，４０ｃ シミュレーション実行部
４１，４１ａ，４１ｂ 算出部
４２ 判定部
４３ 選択部
４４ 評価部
５０ シミュレーション結果出力部
６０ エージェント情報格納部

Claims (11)

1. エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行うシミュレーションプログラムであって、
   前記エージェントに設定された経験スコアと、前記複数の選択候補それぞれの期待値とに基づき、前記エージェントに対する前記複数の選択候補それぞれの偏向期待値を算出し、
   前記エージェントの選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、前記確認行動の継続判断を行う、
   処理をコンピュータに実行させるシミュレーションプログラム。
2. 前記複数の選択候補それぞれの偏向期待値は、前記エージェントの選択候補それぞれに対する訪問回数に基づき設定される、
   請求項１に記載のシミュレーションプログラム。
3. 前記複数の選択候補それぞれの偏向期待値は、前記エージェントに設定された熟練度に応じて算出される、
   請求項１または２に記載のシミュレーションプログラム。
4. 前記複数の選択候補それぞれの偏向期待値は、シミュレーションにおいて前記エージェントに提示された当該選択候補に関する案内情報に基づき設定される、
   請求項１～３のいずれか１つに記載のシミュレーションプログラム。
5. 前記複数の選択候補それぞれの偏向期待値は、前記エージェントに設定されたグループ構成に応じて算出される、
   請求項１～４のいずれか１つに記載のシミュレーションプログラム。
6. 前記複数の選択候補それぞれの偏向期待値は、時間帯に基づき設定される、
   請求項１～５のいずれか１つに記載のシミュレーションプログラム。
7. 前記確認行動の継続判断の結果を用いて、前記複数の選択候補の複数のレイアウトの評価を行う処理を前記コンピュータに実行させる、
   請求項１～６のいずれか１つに記載のシミュレーションプログラム。
8. 前記エージェントに設定された前記経験スコアが相対的に小さい場合、前記複数の選択候補それぞれについて前記期待値よりも小さい値が前記偏向期待値として算出され、前記エージェントに設定された前記経験スコアが相対的に中程度である場合、前記複数の選択候補それぞれについて前記期待値より大きい値が前記偏向期待値として算出され、前記エージェントに設定された前記経験スコアが相対的に大きい場合、前記複数の選択候補それぞれについて前記期待値を前記偏向期待値として算出する、
   請求項１～７のいずれか１つに記載のシミュレーションプログラム。
9. 前記継続判断においては、前記既確認の選択候補の評価値の最大値が前記未確認の選択候補の期待値の最大値よりも大きい場合に、前記確認行動を終了するものと判断し、前記既確認の選択候補の評価値の最大値が前記未確認の選択候補の期待値の最大値よりも小さい場合に、前記確認行動を継続するものと判断する、
   請求項１～８のいずれか１つに記載のシミュレーションプログラム。
10. エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行うシミュレーション方法であって、
    前記エージェントに設定された経験スコアと、前記複数の選択候補それぞれの期待値とに基づき、前記エージェントに対する前記複数の選択候補それぞれの偏向期待値を算出し、
    前記エージェントは選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、前記確認行動の継続判断を行う、
    処理をコンピュータが実行するシミュレーション方法。
11. エージェントが、それぞれ期待値が設定された複数の選択候補を順に確認する確認行動を行うシミュレーション装置であって、
    前記エージェントに設定された経験スコアと、前記複数の選択候補それぞれの期待値とに基づき、前記エージェントに対する前記複数の選択候補それぞれの偏向期待値を算出する算出部と、
    前記エージェントは選択候補の確認ごとに、未確認の選択候補の偏向期待値、および、既確認の選択候補の評価値に基づき、前記確認行動の継続判断を行う判定部と、
    を有するシミュレーション装置。

Images