JP7112318B2

JP7112318B2 - 狭域情報の推定方法、狭域情報の推定装置及びプログラム

Info

Publication number: JP7112318B2
Application number: JP2018218552A
Authority: JP
Inventors: 信一円谷; 静香高橋
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 2018-11-21
Filing date: 2018-11-21
Publication date: 2022-08-03
Anticipated expiration: 2038-11-21
Also published as: JP2020086788A

Description

本発明は、狭域情報の推定方法、狭域情報の推定装置及びプログラムに関する。

特許文献１には、衛星画像から得られる情報に基づいて、船舶の衝突リスクを評価する技術が開示されている。特許文献１には、衛星画像に基づいて画像撮影時における船舶の位置を特定し、特定した位置と船舶の速度データから、所与の基準位置の近傍を同時間帯に航行する船舶を求め、それらのうち、基準位置の近傍を別方向に移動する船舶に注目して、船舶の衝突リスクを算出する技術が開示されている。

特開２０１７－９７４９３号公報

衛星画像のような広域を対象とする画像からは、画像撮影時の広範囲における移動体の位置情報を取得することができる。特許文献１に開示された技術のように、移動体の行動が決まっていれば、ある時刻に撮影された衛星画像に基づいて、その後の移動体の位置を推定することができる。衛星画像に写る特定の場所に注目するならば、移動体が、その場所に離合集散する状況を予測することができる。しかし、移動体の行動が決まっていない場合、衛星画像を撮影した後の移動体の分布や特定の場所への集合状況を予測することは難しい。

そこでこの発明は、上述の課題を解決することのできる狭域情報の推定方法、狭域情報の推定装置及びプログラムを提供することを目的としている。

本発明の一態様によれば、狭域情報の推定方法は、一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得するステップと、前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するステップと、前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出するステップと、を有する。

本発明の一態様によれば、前記推定モデルを取得するステップでは、前記範囲に含まれる移動体の経路を所定の長さごとに区切ってできた区間ごとの移動体の数について、所定の時間後に前記場所に至る移動体の数に前記場所へ進入する確率を乗じた値を、所定の範囲の前記区間について合計して、その合計した値が、前記所定の時間後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得する。

本発明の一態様によれば、前記推定モデルの前記合計した値について、さらに、所定の前記区間に接続する移動体が留まる空間から当該区間へ流入する前記移動体の推定値を加算し、当該区間から前記空間へ退出する前記移動体の推定値を減算する。

本発明の一態様によれば、前記推定モデルを取得するステップにおいて、所定の時間後に第１の前記場所に至る可能性がある前記移動体のうち、該第１の場所に至る前に第２の前記場所へ進入する前記移動体を除外して、前記所定の時間後に前記第１の場所へ進入する前記移動体の数を算出する。

本発明の一態様によれば、前記確率を算出するステップでは、前記推定モデルのうち、前記区間に存在する移動体の数を、前記広域情報に含まれる当該区間に対応する区間の移動体の数とし、前記推定モデルに基づく前記場所へ進入する前記移動体の数を、実際に当該場所へ進入した前記移動体の数とする方程式における解を算出して、当該解を前記確率とする。

本発明の一態様によれば、前記推定モデルを取得するステップにおいて、前記場所へ進入する確率は時間によらず一定であるとし、前記区間について合計した値にさらに誤差用の変数を追加した値が、前記所定の時間後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得し、前記確率を算出するステップでは、前記誤差用の変数の二乗を最小にする前記確率を算出する。

本発明の一態様によれば、前記広域情報は、衛星画像である。

本発明の一態様によれば、狭域情報の推定装置は、一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する広域情報取得部と、前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するモデル生成部と、前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する推定部と、を備える。

本発明の一態様によれば、プログラムは、コンピュータを、一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する手段、前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得する手段、前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する手段、として機能させる。

本発明によれば、ある時刻に取得した広域情報から任意の時間帯における境域情報を推定することができる。

本発明の一実施形態における狭域情報の推定装置の機能ブロック図である。本発明の一実施形態における広域情報の一例を示す第１の図である。本発明の一実施形態における広域情報を説明する第１の図である。本発明の一実施形態における広域情報を説明する第２の図である。本発明の一実施形態における推定モデルを説明する図である。本発明の一実施形態における狭域情報の推定処理の一例を示すフローチャートである。本発明の一実施形態における広域情報の一例を示す第２の図である。本発明の一実施形態における推定装置のハードウェア構成の一例を示す図である。

＜実施形態＞
以下、本発明の一実施形態による狭域情報の推定方法を図１～図８を参照して説明する。図１は、本発明の一実施形態における狭域情報の推定装置の機能ブロック図である。
図１に示す推定装置１０は、ある時刻における所定の範囲に含まれる移動体群の位置情報（広域情報）と移動体の挙動を示す推定モデルから、広域情報に含まれる所定の場所を利用する移動体の数（狭域情報）や、所定の区間を走行する移動体の数（狭域情報）を推定する。

（推定装置の構成）
推定装置１０は、サーバ端末やＰＣ（personal computer）等のコンピュータによって構成される。図示するように推定装置１０は、広域情報取得部１１、解析部１２、狭域実績情報取得部１３、モデル生成部１４、推定部１５、出力部１６、記憶部１７を備える。

広域情報取得部１１は、ある時刻における所定の範囲（例えば、数十キロメートル四方）に存在する移動体群の位置情報を含む広域情報を取得する。広域情報とは、例えば、衛星画像である。
解析部１２は、広域情報を解析して、広域情報に含まれる移動体の経路、当該経路上の所定の区間ごとの移動体の数、移動方向を取得する。例えば、解析部１２は、衛星画像を解析して、衛星画像に移った道路、道路を所定区間ごとに区切ったときの区間ごとの車両数を算出する。

狭域実績情報取得部１３は、広域情報に含まれる所定の区間や場所に存在する移動体の数に関して実際に確認された実績値を取得する。例えば、狭域実績情報取得部１３は、解析部１２が解析した区間や場所のうちの少なくとも１つ（例えば、店舗Ａ）について、実際にある時間帯に当該店舗Ａに立ち寄った移動体の数、あるいはそれに関連する情報（例えば、利用者の人数、売り上げ情報など）を取得する。

モデル生成部１４は、広域情報に含まれる１つまたは複数の場所（以下、スポットと記載する。）を利用する移動体群の挙動を示す推定モデルを生成または取得する。このモデルは、例えば、広域情報に含まれる移動体群の位置とスポットの位置関係と、広域情報が採取された時刻と、移動体群の移動速度と、各位置に存在する移動体がスポットを利用する確率と、を用いて所定の時間帯にスポットを利用する移動体の数を示すものである。
推定部１５は、モデル生成部１４が生成したモデルに解析部１２が算出した移動体の数や、狭域実績情報取得部１３が取得した実績値を適用して、スポットを利用する移動体の確率を計算する。

出力部１６は、スポットを利用する移動体の確率等を出力する。
記憶部１７は、広域情報、移動体群の挙動を示すモデル、スポットの利用に関する実績値などを記憶する。

（広域情報について）
図２は、本発明の一実施形態における広域情報の一例を示す第１の図である。図３、図４は、それぞれ、本発明の一実施形態における広域情報を説明する第１の図、第２の図である。
図２に衛星画像から当該画像に写った道路、スポットを抽出した図を示す。図２のＲｏｏｔ１は紙面左右方向を走る道路、Ｒｏｏｔ２は紙面上下方向を走る道路である。Ｒｏｏｔ１について、紙面左から右へ走行する車線を上り（Ｕｐ）、右から左へ走行する車線を下り（Ｄｏｗｎ）とする。Ｒｏｏｔ２について、紙面下から上へ走行する車線を上り（Ｕｐ）、上から下へ走行する車線を下り（Ｄｏｗｎ）とする。Ｃｒｏｓｓ１は、Ｒｏｏｔ１とＲｏｏｔ２の交差点である。Ｓｐｏｔ１～Ｓｐｏｔ６は、Ｒｏｏｔ１とＲｏｏｔ２を走行する車両が立ち寄るスポット（店舗、病院や役所等の施設、駐車場など）である。Ｒｏｏｔ１を所定の長さで区切った各区間を、左から順にＳｅｃｔｉｏｎ１～Ｓｅｃｔｉｏｎ１０とする。図３に示すように、各区間の長さは、例えば、Ｒｏｏｔ１を走行する車両の平均速度（ｖ１）に所定時間Δｔを乗じた距離とすることができる。同様に、Ｒｏｏｔ２についても、例えば、Ｒｏｏｔ２を走行する車両の平均速度（ｖ２）に所定時間Δｔを乗じた距離ごとに区切ったＳｅｃｔｉｏｎ１～Ｓｅｃｔｉｏｎ８を設ける。なお、区間の設定に用いるΔｔは、例えば、数秒～数分である。

なお、図２には記載していないが、実際の衛星画像には道路上を走行する車両が写っている。図４を参照すると、例えば、図２の衛星画像の撮影時にＲｏｏｔ１のＳｅｃｔｉｏｎ２を走行している車両３０は、６×Δｔ後にＲｏｏｔ２のＳｅｃｔｉｏｎ７に至る可能性がある。つまり、車両３０は、６×Δｔ後にＳｐｏｔ６を訪れる可能性がある。個々の車両速度は異なると考えられるが、多くの車両速度は平均速度に近いものであり、これを均一の速度（平均速度）と見なすことが可能であるため、衛星画像に基づいて未来の所定時間まで（広域情報の範囲外へ車両３０が退出するまで）の車両３０の挙動をある程度推定することができる（このため、Δｔは、Δｔの時間経過の間に平均速度が大きく変動しないような値に設定する必要がある）。同様に車両３１は、衛星画像を撮影した時刻よりも１×Δｔ前にＳｐｏｔ６を出発した車両である可能性がある。このように衛星画像に基づいて、衛星画像の撮影時を基準とする過去および未来の所定の時間帯における車両の位置情報を推定することができる。

また、Ｓｐｏｔ６に注目すると、衛星画像の撮影時にＲｏｏｔ１のＳｅｃｔｉｏｎ１を上り方向へ走行する車両は７×Δｔ後にＳｐｏｔ６を利用する可能性があり、Ｒｏｏｔ１のＳｅｃｔｉｏｎ２を上り方向へ走行する車両は６×Δｔ後にＳｐｏｔ６を利用する可能性があり、Ｒｏｏｔ１のＳｅｃｔｉｏｎ３を上り方向へ走行する車両は５×Δｔ後にＳｐｏｔ６を利用する可能性がある。Ｒｏｏｔ１のＳｅｃｔｉｏｎ４～Ｓｅｃｔｉｏｎ５を上り方向へ走行する車両、Ｒｏｏｔ１のＳｅｃｔｉｏｎ６～Ｓｅｃｔｉｏｎ１０を下り方向へ走行する車両、Ｒｏｏｔ２のＳｅｃｔｉｏｎ１～Ｓｅｃｔｉｏｎ８を走行する車両についても同様の推定が可能である。すると、所定の時間帯ｔ～ｔ＋Δｔの間にＳｐｏｔ６を利用する車両の総数は、所定の時間帯ｔ～ｔ＋Δｔの間にＲｏｏｔ２のＳｅｃｔｉｏｎ７を通行する可能性がある各区間の車両数に、Ｓｐｏｔ６を利用する確率Ｐを乗じた値の和で表すことができる。

これらのことから、広域情報には、その広域情報が採取された時刻（例えば、衛星画像の撮影時刻）を基準に過去および未来の所定時間の範囲における移動体の位置情報、あるいは移動体によるスポットの利用状況を示唆する情報が含まれていると考えられる。本実施形態では、広域情報が有するこの性質を利用して、ある時刻に取得した広域情報から、未来又は過去のスポットの利用状況（狭域情報）等を推定する。

（推定モデル）
次に単純な例を用いて、広域情報に基づいてスポットを利用する車両数を算出する方法を説明する。
図５は、本発明の一実施形態における推定モデルを説明する図である。
図５に例示する広域情報は、図２～図４と同様にＲｏｏｔ１、Ｓｅｃｔｉｏｎ１～Ｓｅｃｔｉｏｎ５、Ｓｐｏｔ－ａ、Ｓｐｏｔ－ｂを含む。広域情報の採取時刻を時刻ｔとする。時刻ｔにＳｐｏｔ－ｉの前を走行する車両が、Ｓｐｏｔ－ｉに入る確率をＰ（ｉ，ｌ，ｔ）とする。ｌは、走行方向を示し、ｌ＝１は上り、ｌ＝２は下りとする。また、時刻ｔに道路ｊの区間（Ｓｅｃｔｉｏｎ）ｋを、走行方向ｌ（１：上り、２：下り）へ走行する車両の数をｎ（ｊ，ｋ，ｌ，ｔ）とする。
また、Ｓｐｏｔ－ａおよびＳｐｏｔ－ｂの滞在時間を「２」とする。すると、Ｓｐｏｔ－ａを利用する車両は、Ｓｐｏｔ－ａの利用開始から時間「２」の間はＳｐｏｔ－ｂを利用することはない。つまり、Ｓｐｏｔ－ａとＳｐｏｔ－ｂを利用する確率Ｐには排他性が存在する。

これらを前提に時刻ｔ＝２にＳｐｏｔ－ａを利用する車両数は、以下の式で表すことができる。
Ｓｐｏｔ－ａを利用する車両数＝
ｎ（１，１，１，０）×Ｐ（ａ，１，２）＋
ｎ（１，２，１，０）×Ｐ（ａ，１，１）＋
ｎ（１，３，１，０）×Ｐ（ａ，１，０）＋
ｎ（１，３，２，０）×Ｐ（ａ，２，０）＋
ｎ（１，４，２，０）×Ｐ（ａ，２，１）×（１－Ｐ（ｂ，２，０））＋
ｎ（１，５，２，０）×Ｐ（ａ，２，２）×（１－Ｐ（ｂ，２，１））

時刻ｔ＝２にＳｐｏｔ－ｂを利用する車両数は、以下の式で表すことができる。
Ｓｐｏｔ－ｂを利用する車両数＝
ｎ（１，１，１，０）×（１－Ｐ（ａ，１，２））×Ｐ（ｂ，１，３）＋
ｎ（１，２，１，０）×（１－Ｐ（ａ，１，１））×Ｐ（ｂ，１，２）＋
ｎ（１，３，１，０）×（１－Ｐ（ａ，１，０））×Ｐ（ｂ，１，１）＋
ｎ（１，４，１，０）×Ｐ（ｂ，１，０）＋
ｎ（１，４，２，０）×Ｐ（ｂ，２，０）＋
ｎ（１，５，２，０）×Ｐ（ｂ，２，１）
ここで、各スポットでの滞在時間がΔｔよりも十分に長いと仮定すれば、各スポット利用に排他性が仮定できる。上記の式のようにＳｐｏｔ－ａの利用とＳｐｏｔ－ｂの利用との間に排他性が仮定できる時間幅「２」の範囲に限定して、各スポット（Ｓｐｏｔ－ａ、ｂ）を利用する車両数の推定モデルを構築することで、対象とする空間の範囲を限定しつつ、一方のスポットの推定モデルに、他のスポットの利用確率Ｐを組み込み、確率Ｐの算出を容易にすることができる。

また、Ｓｐｏｔ－ａの近隣を走行する車両がＳｐｏｔ－ａに立ち寄る確率が、ごく短期間に大きく変動することは考えにくいことから、時刻ｔ＝０～２の各時刻において、Ｓｐｏｔ－ａを利用する確率に変動がないとする。例えば、Ｐ（ａ，１，１）とＰ（ａ，１，２）をＰ（ａ，１，０）に置き換える。すると、上記の各式は以下のようにまとめることができる。
Ｓｐｏｔ－ａを利用する車両数＝
ｎ（１，１，１，０）×Ｐ（ａ，１，０）＋
ｎ（１，２，１，０）×Ｐ（ａ，１，０）＋
ｎ（１，３，１，０）×Ｐ（ａ，１，０）＋
ｎ（１，３，２，０）×Ｐ（ａ，２，０）＋
ｎ（１，４，２，０）×Ｐ（ａ，２，０）×（１－Ｐ（ｂ，２，０））＋
ｎ（１，５，２，０）×Ｐ（ａ，２，０）×（１－Ｐ（ｂ，２，１））
＝Ｐ（ａ，１，０）×［ｎ（１，１，１，０）＋ｎ（１，２，１，０）＋ｎ（１，３，１，０）］＋Ｐ（ａ，２，０）×［ｎ（１，３，２，０）＋ｎ（１，４，２，０）×（１－Ｐ（ｂ，２，０））＋ｎ（１，５，２，０）×（１－Ｐ（ｂ，２，１））］・・・（０Ａ）

Ｓｐｏｔ－ｂを利用する車両数＝
ｎ（１，１，１，０）×（１－Ｐ（ａ，１，０））×Ｐ（ｂ，１，０）＋
ｎ（１，２，１，０）×（１－Ｐ（ａ，１，０））×Ｐ（ｂ，１，０）＋
ｎ（１，３，１，０）×（１－Ｐ（ａ，１，０））×Ｐ（ｂ，１，０）＋
ｎ（１，４，１，０）×Ｐ（ｂ，１，０）＋
ｎ（１，４，２，０）×Ｐ（ｂ，２，０）＋
ｎ（１，５，２，０）×Ｐ（ｂ，２，０）
＝Ｐ（ｂ，１，０）×［ｎ（１，１，１，０）×（１－Ｐ（ａ，１，０））＋
ｎ（１，２，１，０）×（１－Ｐ（ａ，１，０））＋ｎ（１，３，１，０）×（１－Ｐ（ａ，１，０））＋ｎ（１，４，１，０）］＋Ｐ（ｂ，２，０）×［ｎ（１，４，２，０）＋ｎ（１，５，２，０）］・・・（０Ｂ）

さらに、Ａ１＝Ｐ（ａ，１，０）、Ａ２＝Ｐ（ａ，２，０）、Ｂ１＝Ｐ（ｂ，１，０）、Ｂ２＝Ｐ（ｂ，２，０）とおくと、Ｓｐｏｔ－ａとＳｐｏｔ－ｂを利用する車両数はそれぞれ以下のようになる。
Ｓｐｏｔ－ａを利用する車両数＝
Ａ１×［ｎ（１，１，１，０）＋ｎ（１，２，１，０）＋ｎ（１，３，１，０）］＋Ａ２×［ｎ（１，３，２，０）＋（１－Ｂ２）［ｎ（１，４，２，０）＋ｎ（１，５，２，０）］・・・（１）

Ｓｐｏｔ－ｂを利用する車両数＝
Ｂ１×［（１－Ａ１）×（（ｎ（１，１，１，０）＋ｎ（１，２，１，０）＋ｎ（１，３，１，０））＋ｎ（１，４，１，０）］＋
Ｂ２×（ｎ（１，４，２，０）＋ｎ（１，５，２，０））・・・（２）
モデル生成部１４は、上記のような手順で推定モデルを生成する。

（狭域情報の算出）
これまでに説明したように、図５の広域情報から、Ｓｐｏｔ－ａを利用する車両数の推定モデル（式（１））、Ｓｐｏｔ－ｂを利用する車両数の推定モデル（式（２））が得られる。本実施形態では、推定部１５が、狭域情報を示す推定モデル（式（１）、式（２））に、広域情報から得られる区間ごとの車両数、実際にＳｐｏｔ－ａを利用した車両数の実績値などを適用して、上り方向を走行する車両がＳｐｏｔ－ａを利用する確率Ａ１、下り方向を走行する車両がＳｐｏｔ－ａを利用する確率Ａ２、上り方向を走行する車両がＳｐｏｔ－ｂを利用する確率Ｂ１、下り方向を走行する車両がＳｐｏｔ－ｂを利用する確率Ｂ２を算出する。以下に確率Ａ１～Ｂ２の算出手法を２つ例示する。

（算出手法１）
ある２日間の時刻ｔにおける確率Ａ１、確率Ａ２、確率Ｂ１、確率Ｂ２が等しいとみなせるとする。これは、人の行動には周期性があり、例えば、Ｒｏｏｔ１を通行して向かう先で特別なイベントなどが無い限り、同じ時刻ｔにおける確率Ａ１等には、大きな変動が無いとの考えに基づく。例えば、月曜日の夕方１６時における確率Ａ１と翌火曜日の夕方１６時の確率Ａ１には大きな差は無いと考える。Ｎ_０をＤａｙ０の時刻ｔにおけるＳｐｏｔ－ａの利用車両数、Ｎ_１をＤａｙ１の時刻ｔにおけるＳｐｏｔ－ａの利用車両数とする。また、Ｓｐｏｔ－ｂの利用車両数をＳｐｏｔ－ａの利用数のα倍（αは所定の定数）と仮定する。すると、任意のＤａｙ０とＤａｙ１について、以下４つの式からなる式（３）が成立する。
Ｎ_０＝Ａ１×ｏｂ１＋Ａ２×［ｏｂ２＋（１－Ｂ２）×ｏｂ３］
αＮ_０＝Ｂ１×［（１－Ａ１）×ｏｂ４＋ｏｂ５］＋Ｂ２×ｏｂ６
Ｎ_１＝Ａ１×ｏｂ１´＋Ａ２×［ｏｂ２´＋（１－Ｂ２）×ｏｂ３´］
αＮ_１＝Ｂ１×［（１－Ａ１）×ｏｂ４´＋ｏｂ５´］＋Ｂ２×ｏｂ６´
・・・・（３）

なお、ｏｂ１～ｏｂ４はＤａｙ０の時刻ｔにおける所定の区間の車両数に関する値、ｏｂ１´～ｏｂ４´はＤａｙ１の時刻ｔにおける所定の区間の車両数に関する値である。例えば、ｏｂ１＝ｎ（１，１，１，０）＋ｎ（１，２，１，０）＋ｎ（１，３，１，０）、ｏｂ２＝ｎ（１，３，２，０）、ｏｂ３＝ｎ（１，４，２，０）＋ｎ（１，５，２，０）、ｏｂ４＝ｎ（１，１，１，０）＋ｎ（１，２，１，０）＋ｎ（１，３，１，０）、ｏｂ５＝ｎ（１，４，１，０）、ｏｂ６＝ｎ（１，４，２，０）＋ｎ（１，５，２，０）である。

式（３）が得られると、広域情報を解析して得られるｏｂ１～ｏｂ４、ｏｂ１´～ｏｂ４´、Ｎ_０、Ｎ_１を式（３）に代入して、式（３）の方程式を解くことにより、確率Ａ１，Ａ２，Ｂ１，Ｂ２を算出することができる。例えば、ｏｂ１～ｏｂ４、ｏｂ１´～ｏｂ４´については、衛星画像を解析して、各区間（Ｓｅｃｔｉｏｎ１～Ｓｅｃｔｉｏｎ５）を走行している車両数を算出することによって得ることができる。また、Ｎ_０、Ｎ_１については、例えば、衛星画像に写ったＳｐｏｔ－ａの駐車場の駐車台数の何割かが、時刻ｔ～ｔ＋２の間にＳｐｏｔ－ａに入った車両であるとして、Ｎ_０、Ｎ_１を推定してもよい。より好ましくは、Ｎ_０、Ｎ_１について、Ｓｐｏｔ－ａの関係者などから時刻ｔ～ｔ＋２に立ち寄った車両の正確な数を得てもよい。

確率Ａ１～Ｂ２を算出すると、例えば、Ｄａｙ２の時刻ｔに撮影した衛星画像に基づいて、Ｄａｙ２の時刻ｔ＋２におけるＳｐｏｔ－ａ、Ｓｐｏｔ－ｂの利用車数を推定することができる。同様に、過去の時刻ｔに撮影した衛星画像に基づいて、その日の時刻ｔ～ｔ＋２にＳｐｏｔ－ａ、Ｓｐｏｔ－ｂを利用した車両数を推定することができる。

なお、例えば、日々、時刻ｔに撮影された衛星画像を取得して、例えば、最新の衛星画像と１日前の衛星画像を解析した区間ごとの車両数と、好ましくは日々の時刻ｔ～ｔ＋２にＳｐｏｔ－ａを利用した車両数の実績値と、式（３）とを用いて、日々、最新の確率Ａ１～Ｂ２を算出するようにしてもよい。例えば、Ｓｐｏｔ－ａが自社店舗であり、Ｓｐｏｔ－ａを利用した車両数を入手することができるとする。また、Ｓｐｏｔ－ａとＳｐｏｔ－ｂは、異なる企業が経営する同業種の競合する店舗であるとする。本実施形態の狭域情報の推定方法によれば、Ｓｐｏｔ－ａを経営する企業は、算出した最新の確率Ｂ１、Ｂ２と、日々の衛星画像と、式３と、自社のＳｐｏｔ－ａの利用実績のデータに基づいて、Ｓｐｏｔ－ｂの日々の利用状況を推定することができる。

（算出手法２）
次に上記と異なる確率Ａ１～Ｂ２の算出手法を説明する。算出手法１と同様に人の行動には周期性があり、日が異なっていても同じ時刻ｔにおける確率Ａ１、Ａ２、Ｂ１、Ｂ２は一定とみなせると考える。つまり、確率Ａ１、Ａ２、Ｂ１、Ｂ２をそれぞれ一定の確率ａ１、ａ２、ｂ１、ｂ２とおく。すると、ある日ｊ（Ｄａｙｊ）の時刻ｔにおけるＳｐｏｔ－ａの利用車両数Ｎ_ｉ、Ｓｐｏｔ－ｂの利用車両数αＮ_ｉは以下２つの式のように表すことができる。
Ｎ_ｊ＝ａ１×ｏｂ１_ｊ＋ａ２×［ｏｂ２_ｊ＋（１－ｂ２）×ｏｂ３_ｊ］＋δ_１ｊ
αＮ_ｊ＝ｂ１×［（１－ａ１）×ｏｂ４_ｊ＋ｏｂ５_ｊ］＋ｂ２×ｏｂ６_ｊ＋δ_２ｊ
・・・・（４）

δ_１ｊ、δ_２ｊは、確率Ａ１、Ａ２、Ｂ１、Ｂ２を固定値ａ１、ａ２、ｂ１、ｂ２としたことによる左辺と右辺の誤差を埋める変数である。ここでΔｊ＝δ_１ｊ＋δ_２ｊとおく。すると、式（４）は、以下のように変形できる。
Δｊ＝Ｎ_ｊ×（１＋α）－［ａ１×ｏｂ_１ｊ＋ａ２×（ｏｂ_２ｊ＋（１－ｂ２）×ｏｂ_３ｊ）］－［ｂ１×（（１－ａ１）×ｏｂ_４ｊ＋ｏｂ_５ｊ）＋ｂ２×ｏｂ_６ｊ）］
・・・・（５）
ここで、

とおくと、最も合理的なａ１、ａ２、ｂ１、ｂ２は、Ｆを最小化するａ１、ａ２、ｂ１、ｂ２を探す最小二乗法の問題となる。このようなａ１、ａ２、ａ３、ａ４の組合せは、最小二乗法により以下の式（７）を満たす。算出手法１と同様にして、Ｎ_ｊ、ｏｂ_１ｊ～ｏｂ_６ｊに衛星画像などから得られる数値やスポットの利用に関する実績値を代入し、以下の４つの式からなる式（７）を解くことで、最も合理的なａ１、ａ２、ｂ１、ｂ２を得ることができる。
∂Ｆ／∂ａ１＝０
∂Ｆ／∂ａ２＝０
∂Ｆ／∂ｂ１＝０
∂Ｆ／∂ｂ２＝０・・・・（７）

なお、日々、時刻ｔに撮影された衛星画像を取得して、Ｎ_ｊ、ｏｂ_１ｊ～ｏｂ_６ｊに対して、衛星画像を解析して得られる数値などを代入した式（５）を蓄積し、より多数の（Δｊ）^２について、Ｆを最小化するａ１、ａ２、ｂ１、ｂ２を算出すれば、より高精度な確率ａ１、ａ２、ｂ１、ｂ２が算出できる。
また、式（６）の代わりに重みγを導入した以下の式（６´）を用いてもよい。

式（６´）によれば、例えば、１週間以上前のΔｊに対して重みγ＝０を与えることで、最新の１週間のデータに基づく確率ａ１～ｂ２を算出することができる。また、イベント等が開催された特別な日については、その日のγに対して他の日より小さな重みを与えることによって、特別な日の影響を小さくすることができる。

また、例えば、月～水および金曜日の車両の走行状況やＳｐｏｔ－ａの利用確率が同程度で、木曜日だけ異なるような場合、月～水および金曜日の時刻ｔのデータについて式（６）や式（６´）を設けて解（ａ１～ｂ２）を算出し、毎週木曜日のデータだけを集めて別途、式（６）や式（６´）を設けて、木曜日についての解（ａ１～ｂ２）を算出することができる。

また、例えば、広域情報を、日に２回採取するような場合であって、一方は昼間や夜間の閑散とした交通状況の時間帯で、他方は朝方や夕方の渋滞時間であるような場合、例えば、図３のΔｔを車両の走行状況（走行速度）に合わせて調節することによって区間の長さを変更し、２つの時間帯ごとにそれぞれ式（６）や式（６´）を設けて、確率ａ１～ｂ２を算出してもよい。
なお、図５の例では、スポットを２か所としたが、スポットの数は１つでも良いし、３つ以上であってもよい。

次に図６を用いて、推定装置１０による狭域情報の推定処理の流れを説明する。
図６は、本発明の一実施形態における狭域情報の推定処理の一例を示すフローチャートである。
まず、広域情報取得部１１が広域情報を取得する（ステップＳ１１）。例えば、広域情報取得部１１は、衛星画像、航空機等による航空写真などを取得する。なお、広域情報は、ある時刻における所定範囲（数十キロメートル四方）での移動体の分布が分かる情報であれば、画像に限定されない。例えば、所定範囲に存在する車両の車載器から得た信号を所定範囲の地図情報にマッピングした情報などでも良い。

次にモデル生成部１４が、推定モデルを生成する（ステップＳ１２）。図５の例では、モデル生成部１４は、式（１）、式（２）を生成する。また、モデル生成部１４は、外部で作成された推定モデルを取得してもよい。モデル生成部１４は、推定モデルを記憶部１７に記録する。

次に解析部１２が広域情報を解析する（ステップＳ１３）。例えば、解析部１２は、広域情報取得部１１が取得した広域情報に含まれる道路を所定の区間に分割し、区間ごとの車両数を算出する。なお、各区間の長さは、予め記憶部１７に登録されているとする。例えば、広域情報が画像であれば、解析部１２は、画像認識技術を用いて道路、車両などを認識し、各車両の走行位置、走行方向を解析する。

次に狭域実績情報取得部１３が、推定モデルに含まれるスポットの利用に関する実績値（狭域の実績情報）を取得する（ステップＳ１４）。例えば、狭域実績情報取得部１３は、Ｓｐｏｔ－ａの関係者がＳｐｏｔ－ａの駐車場に設けられた監視カメラの映像を解析して得た所定の時間帯に入店した車両数を取得する。

次に推定部１５が、ステップＳ１３で解析した区間ごと、走行方向ごとの車両数や、ステップＳ１４で取得した実績値を推定モデルに代入して、上記の算出手法１や算出手法２により、スポットを利用する確率を算出する（ステップＳ１５）。

次に出力部１６が、ステップＳ１５で算出した確率や狭域情報を出力する（ステップＳ１６）。例えば、出力部１６は、確率Ａ１、Ａ２、Ｂ１，Ｂ２を出力する。Ｓｐｏｔ－ａの経営者は、出力された確率を見て、自店舗（Ｓｐｏｔ－ａ）と近隣の競合店舗（Ｓｐｏｔ－ｂ）の何れの集客力が高いかを知ることができる。また、推定部１５が、式（２）と、確率Ｂ１、Ｂ２、解析部１２が解析した区間および走行方向ごとの車両数に基づいてＳｐｏｔ－ｂの利用車両数を算出し、出力部１６が、Ｓｐｏｔ－ｂを利用する車両数を出力してもよい。

本実施形態によれば、所定の時刻における広域情報に基づいて、狭域情報を推定することができる。なお、例えば、図２のＳｐｏｔ６の利用確率は、図５と同様にして算出することができるが、図２の例の場合、時刻ｔにＲｏｏｔ１のＳｅｃｔｉｏｎ２を走行する車両については、さらにＣｒｏｓｓ１を左折する確率を乗じる等の処理を行う。また、Ｒｏｏｔ１に沿って駐車場や集合住宅などが存在する場合、駐車場に車両が入る確率、駐車場から車両がＲｏｏｔ１に出る確率をさらに加えることにより、車両の挙動を推定するモデルを生成することができる。例えば、駐車場と接続された区間については、広域情報に基づいて算出した車両数に対して、当該駐車場から出てくる車両数の推定値を加算し、当該駐車場に駐車する車両数の推定値を減算してもよい。あるいは、式０Ａに対して、（駐車場から出てくる車両数の推定値）×（駐車場から出た車両がＳｐｏｔ－ａを利用する確率）の項を加えたり、駐車場に接続された区間の項に対して、さらに（１－駐車場に入る確率）を乗じたりしてもよい。式０Ｂについても同様である。なお、駐車場に停車している車両数が衛星画像からわかる場合、その値に基づいて駐車場から出てくる車両数を推定してもよい。あるいは、過去の実績値に基づいて駐車場から出てくる車両数、駐車場に入る車両数を推定してもよい。

なお、上記の通り、時間ごと、地域ごとに推定モデルを生成して、確率を算出し時間および地域ごとの確率をデータベース化することにより、精度の高い狭域情報を算出することができる。

また、鉄道などの公共交通機関の利用者がスポットを利用する確率を、同様の考え方によって推定することができる。
図７は、本発明の一実施形態における広域情報の一例を示す第２の図である。
図７において、駅４０は、鉄道の停車駅である。鉄道などの公共交通機関では、利用者数などを比較的入手しやすい。また、鉄道の運航スケジュールは予め定められている。従って、例えば、駅４０で降車した利用者のうち一定の割合の利用者が駅４０から車両を利用するとし、さらにそれらの車両がＳｅｃｔｉｏｎ９からＲｏｏｔ１へ流入すると仮定する等して、式（１）等の車両の挙動を推定する推定モデルに、列車到着後から所定の時間後は鉄道利用者による車両が加わるなどのパラメータを追加して、スポットの利用確率を算出してもよい。

上記の実施形態では、特定のスポットに対する日常的な利用状況を推定する例を取り上げたが、狭域情報の推定方法は、例えば、災害時の住民の行動予測にも利用することができる。災害などの場合、災害時の人々の振る舞いは繰り返されるとの前提に基づき、災害時の災害発生位置、住民の避難経路、避難先などの記録（広域情報）を蓄積する。そして、例えば、災害の発生場所、避難先などを図２等で例示した広域情報におけるスポットとして、上記で説明したものと同様の推定モデルを生成する。そして、災害時に蓄積した行動の記録を適用し、災害時の住民の行き先の確率を推定する。推定の結果、例えば、最も人が集まりやすい場所が分かれば、その場所に救護や物資を集中させるなどの対処や混雑を防ぐため他の場所へ誘導するなどの対策を講じることができる。また、地域ごとに行動の特性が異なる場合、推定した確率に地域係数などを乗じて補正してもよい。

図８は、本発明の一実施形態における推定装置のハードウェア構成の一例を示す図である。
コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述の推定装置１０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。なお、記憶部１７は、補助記憶装置９０３に記憶されている。

推定装置１０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、推定装置１０は、複数のコンピュータ９００によって構成されていても良い。記憶部１７は、コンピュータ９００とは別体の外部記憶装置に記憶されていても良い。

その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
例えば、上記の実施形態では、数学的な手法により推定モデルの解を算出したが、機械学習、深層学習などの手法によって、最適な解を探索してもよい。

なお、車両がスポットを利用することや、住民が避難場所へ避難することは移動体の場所へ進入の一例である。Ｓｐｏｔ－ａ、Ｓｐｏｔ－ｂは、それぞれ第２の場所、第１の場所の一例である。Ｓｐｏｔ－ａ、Ｓｐｏｔ－ｂを利用する車両数や、所定の区間を走行する車両数、災害時に避難所など所定のスポットを利用する住民の数などは、狭域情報の一例である。式（１）、式（２）などは、所定の範囲に含まれる所定の場所への進入に関する移動体群の挙動を示す推定モデルの一例である。

１０・・・推定装置
１１・・・広域情報取得部
１２・・・解析部
１３・・・狭域実績情報取得部
１４・・・モデル生成部
１５・・・推定部
１６・・・出力部
１７・・・記憶部
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims

一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得するステップと、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するステップと、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出するステップと、
を有する狭域情報の推定方法。
前記推定モデルを取得するステップでは、
前記範囲に含まれる移動体の経路を所定の長さごとに区切ってできた区間ごとの移動体の数について、所定の時間後に前記場所に至る移動体の数に前記場所へ進入する確率を乗じた値を、所定の範囲の前記区間について合計して、その合計した値が、前記所定の時間
後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得する、
請求項１に記載の狭域情報の推定方法。
前記推定モデルの前記合計した値について、さらに、所定の前記区間に接続する移動体が留まる空間から当該区間へ流入する前記移動体の推定値を加算し、当該区間から前記空間へ退出する前記移動体の推定値を減算する、
請求項２に記載の狭域情報の推定方法。
前記推定モデルを取得するステップにおいて、
所定の時間後に第１の前記場所に至る可能性がある前記移動体のうち、該第１の場所に至る前に第２の前記場所へ進入する前記移動体を除外して、前記所定の時間後に前記第１の場所へ進入する前記移動体の数を算出する、
請求項２または請求項３に記載の狭域情報の推定方法。
前記確率を算出するステップでは、
前記推定モデルのうち、前記区間に存在する移動体の数を、前記広域情報に含まれる当該区間に対応する区間の移動体の数とし、前記推定モデルに基づく前記場所へ進入する前記移動体の数を、実際に当該場所へ進入した前記移動体の数とする方程式における解を算出して、当該解を前記確率とする、
請求項２から請求項４の何れか１項に記載の狭域情報の推定方法。
前記推定モデルを取得するステップにおいて、
前記場所へ進入する確率は時間によらず一定であるとし、前記区間について合計した値にさらに誤差用の変数を追加した値が、前記所定の時間後に前記場所へ進入する前記移動体の数に等しいとする推定モデルを取得し、
前記確率を算出するステップでは、
前記誤差用の変数の二乗を最小にする前記確率を算出する、
請求項２から請求項５の何れか１項に記載の狭域情報の推定方法。
前記広域情報は、衛星画像である、
請求項１から請求項６の何れか１項に記載の狭域情報の推定方法。
一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する広域情報取得部と、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得するモデル生成部と、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する推定部と、
を備える狭域情報の推定装置。
コンピュータを、
一の時刻における、所定の範囲に存在する移動体群の位置情報を含む広域情報を取得する手段、
前記範囲に含まれる所定の場所への進入に関する前記移動体群の挙動を示す推定モデルを取得する手段、
前記広域情報と前記推定モデルとに基づいて、前記一の時刻に前記範囲に存在する移動体群が、前記一の時刻を基準とする所定の時間帯に前記場所へ進入する確率を算出する手段、
として機能させるためのプログラム。