JP7176385B2 - 分析プログラム、分析方法および分析装置 - Google Patents

Description

本発明の実施形態は、分析プログラム、分析方法および分析装置に関する。

従来、空港等において生じる混雑を解消するための人員配置やカウンター設置等の設備投資の検討に人流シミュレーションが活用されている。この人流シミュレーションでは、評価対象とする仮想空間に、設備投資の計画に従った設備と、歩行者を模した複数の歩行者エージェント（以下、エージェントとも呼ぶ）とを配置する。そして、仮想空間に配置された設備を取得（認知）した情報に基づく複数の歩行者エージェントの行動をシミュレーションする。そして、シミュレーションにより出力された複数の歩行者エージェントの行動ログを確認することで、設備投資の計画（施策）を評価する。

特開２０１７－２２４２０１号公報

しかしながら、上記の従来技術では、シミュレーション結果として出力される複数の歩行者エージェントの行動ログにおいて検討対象となるデータの種類（項目数）は膨大なものとなる。このため、シミュレーションにより得られたデータ項目を分析して混雑を解消させるような施策の検討は、容易なものではなく、例えば専門家においても多大な時間を要するという問題がある。

１つの側面では、複数のエージェントによる人流シミュレーションの分析を支援可能とする分析プログラム、分析方法および分析装置を提供することを目的とする。

１つの案では、分析プログラムは、コンピュータに、分類する処理と、変換を実行する処理と、特定する処理とを実行させる。分類する処理は、複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、エージェントにおける複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類する。変換を実行する処理は、複数のグループのうち複数のデータ項目を含むグループについて、所定のルールに基づいて、グループに含まれるデータ項目について、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行する。特定する処理は、変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する。

１つの側面では、複数のエージェントによる人流シミュレーションの分析を支援することができる。

図１は、シミュレーション出力データの分析を説明する説明図である。 図２は、エージェントモデルを説明する説明図である。 図３は、モデルの出力を説明する説明図である。 図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。 図５は、シミュレーション出力データの一例を説明する説明図である。 図６は、分類結果の一例を説明する説明図である。 図７は、変換結果の一例を説明する説明図である。 図８は、実施形態にかかる情報処理装置の動作例を示すフローチャートである。 図９は、組み合わせの特定を説明する説明図である。 図１０は、特定した組み合わせからの施策検討を例示する説明図である。 図１１は、効果の一例を説明する説明図である。 図１２は、実施形態にかかる情報処理装置のハードウエア構成の一例を示すブロック図である。

以下、図面を参照して、実施形態にかかる分析プログラム、分析方法および分析装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する分析プログラム、分析方法および分析装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

［シミュレーション結果の分析］
図１は、シミュレーション出力データの分析を説明する説明図である。図１に示すように、複数のエージェントを用いて施設（本実施形態では空港を例示）における人流シミュレーションを行うことでシミュレーション出力データ２０が得られる。このシミュレーション出力データ２０は、ＩＤ等で識別される各エージェントの行動内容に対応するログを含むデータであり、行動内容を示すデータ項目（項目１、項目２、項目２…）ごとに、シミュレーション上で再現されたエージェントの状態を示す値（１－Ａ、１－Ｂ…）が格納される。なお、本実施例においては、歩行者を模したエージェントを用いたシミュレーションについて説明するが、エージェントは歩行者を模したものに限定される必要はなく、目的とするシミュレーションの内容に応じて、人間以外の動物や車両等を模したものとすることもできる。

このシミュレーション出力データ２０を用いて混雑等に対処する施策を検討する場合は、待ち時間のデータ項目が所定値（例えば３０分）以上である混雑エージェント群のデータを分析対象とする。次いで、分析対象とした混雑エージェント群と高一致率となるデータ項目同士およびその値の組み合わせを見つけ出し、混雑原因を推定する。したがって、検討対象となるデータの種類（項目数、各項目における値）が多くなると、検討はより困難なものとなる。シミュレーションの実行においては、特に、シミュレーションが精密になるほど、エージェントについての定義や出力データが多数かつ厳密である必要がある。一方で、混雑原因を推定や施策の検討においては、シミュレーションのログの数値そのものは必ずしも適切ではない（過剰に細かい）という側面もある。

そこで、本実施形態では、エージェントに関する行動をシミュレーションするモデル（エージェントモデル）に着目し、各モデルが出力するデータ項目を、モデル要素の異同に応じて取りまとめることで、検討対象となるデータの種類を削減する。このように、本実施形態では、データの種類を削減することで、施策の検討を容易に行うことができるように支援する。

図２は、エージェントモデルを説明する説明図である。図２に示すように、各エージェント１００は、シミュレーションの要素として属性モデル１０１、認知モデル１０２および行動モデル１０３を有し、シミュレーション上でエージェント１００が行動する空間として表現される環境１０５において自律的に動作する主体である。なお、動作主体となる各エージェント１００は、個人または家族等の複数人のグループであってもよい。

属性モデル１０１は、シミュレーション中で不変なエージェント１００固有の性質である。例えば、属性モデル１０１は、搭乗する便などの目的、年齢、性別等のエージェント１００について事前定義されるデータ項目を含む。属性モデル１０１は、認知モデル１０２や行動モデル１０３のパラメータに影響を与える。

認知モデル１０２は、エージェント１００における環境１０５からの情報取得（認知）に関するモデルである。認知モデル１０２は、目的、年齢、性別等の属性モデル１０１による影響を受けて環境１０５から認知情報１０４を取得する。

行動モデル１０３は、エージェント１００における環境１０５への作用（行動）に関するモデルである。行動モデル１０３は、目的、年齢、性別等の属性モデル１０１および環境１０５からの認知情報１０４をもとに判断した動作を行い、環境１０５へ行動に対応する作用を及ぼす。

図３は、モデルの出力を説明する説明図である。図３に示すように、属性モデル１０１、認知モデル１０２および行動モデル１０３は、例えば同一の形式でまとめて表現されることから、モデル要素（モデルまたはサブモデル）の異同に応じて分類して取りまとめることで、データ項目数と取り得る値を減少させることができる。

例えば、認知モデル１０２のサブモデルである位置情報認知モデル１０２ａは、認知した位置情報として同一の形式で表現される。したがって、位置情報認知モデル１０２ａが出力するデータ項目を、認知した位置情報として取りまとめることができる。同様に、混雑情報認知モデル１０２ｂが出力するデータ項目は、認知した混雑情報として取りまとめることができる。

また、行動モデル１０３についても同様である。例えば、行動モデル１０３のサブモデルである目的地選択モデル１０３ａが出力するデータ項目は、選択した目的地として取りまとめることができる。同様に、移動モデル１０３ｂについては移動先として、列形成モデル１０３ｃについては待ち時間として取りまとめることができる。

このようにモデルの異同に応じてデータ項目を取りまとめることで、属性－認知－行動の関係性について、混雑エージェント群と高一致率となるデータ項目同士およびその値の組み合わせを見つけることが容易なものとなる。

［分析装置の機能構成］
図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。図４に示す分析装置１は、分析装置の一例であり、例えば、サーバコンピュータなどのコンピュータである。分析装置１は、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるコンピュータシステムとして実装してもよい。すなわち、以下に説明する分析装置１の構成は、複数台のコンピュータによる情報処理システムで処理を分散して実行してもよい。なお、本実施形態では、分析装置１を１台のコンピュータとした場合を例として説明する。

図４に示すように、分析装置１は、入力部１０、記憶部１１、分類部１２、変換部１３、特定部１４および出力部１５を有する。

入力部１０は、各種データの入力を受け付け、受け付けたデータを記憶部１１に格納する処理部である。例えば、入力部１０は、複数のエージェント１００を用いた人流シミュレーションの結果であるシミュレーション出力データ２０の入力を受け付け、受け付けたシミュレーション出力データ２０を記憶部１１に格納する。また、入力部１０は、項目－モデル対応情報２１、統合ルール情報２２等の設定情報の入力を受け付け、受け付けた項目－モデル対応情報２１、統合ルール情報２２等を記憶部１１に格納する。

記憶部１１は、ハードディスク装置等の記憶装置であり、シミュレーション出力データ２０、項目－モデル対応情報２１、統合ルール情報２２、分類結果２３および変換結果２４等の各種情報を記憶する。

シミュレーション出力データ２０は、個人またはグループに対応したエージェント１００を示すＩＤごとの、各エージェント１００の属性、行動内容に対応するログを含むデータである。

図５は、シミュレーション出力データ２０の一例を説明する説明図である。図５に示すように、シミュレーション出力データ２０には、エージェント１００（ＩＤ）ごとに、属性、行動内容に対応するデータ項目（便名、人数、…）においてシミュレーション上で再現されたエージェント１００の状態を示す値が格納される。

このシミュレーション出力データ２０については、シミュレーションにおけるエージェント１００の行動が所定の条件を満たすエージェント１００のログデータを集めたものであってもよい。例えば、ＢＢ待ち、Ｃ待ち、ＨＪ待ち等の待ち時間において、所定値（３０分）以上である、混雑エージェント群に対応するログデータを集めたものであってもよい。

項目－モデル対応情報２１は、各データ項目の出力元のモデル、すなわち、シミュレーション出力データ２０における各データ項目と、エージェント１００の属性モデル１０１、認知モデル１０２、行動モデル１０３およびそのサブモデルとの対応関係を示すデータである。例えば、項目－モデル対応情報２１には、属性モデル１０１に関するデータ項目として｛便名、人数、預け荷物、到着時刻｝が示されている。また、認知モデル１０２のサブモデルである案内板認知モデルに関するデータ項目としては、｛案内板Ａ、案内板Ｂ、案内板Ｃ｝が示されている。また、行動モデル１０３のサブモデルである目的地選択モデル１０３ａに関するデータ項目としては、｛ＢＢ号機、ＣＩ号機、ＨＪ号機｝が示されている。同様に、行動モデル１０３のサブモデルである列形成モデル１０３ｃに関するデータ項目としては、｛ＢＢ待ち、ＣＩ待ち、ＨＪ待ち｝が示されている。

このような項目－モデル対応情報２１を参照することで、シミュレーション出力データ２０に含まれるデータ項目を、エージェント１００の属性モデル１０１、認知モデル１０２、行動モデル１０３およびそのサブモデルに対応したものに分類することができる。この項目－モデル対応情報２１については、ユーザが設定したものが入力部１０を介して記憶部１１に格納される。

統合ルール情報２２は、エージェント１００のモデルに応じて分類したデータ項目のグループについて、データの取りまとめを行う際のルール（規則）を示すデータである。具体的には、統合ルール情報２２には、エージェント１００の属性モデル１０１、認知モデル１０２、行動モデル１０３およびそのサブモデルで分類したデータ項目のグループごとに、データの取りまとめに関するルールが記述されている。

分類結果２３は、シミュレーション出力データ２０について、項目－モデル対応情報２１をもとにした分類部１２による処理結果である。変換結果２４は、分類結果２３および統合ルール情報２２をもとにした分類部１２によるシミュレーション出力データ２０に対する処理結果である。

分類部１２は、シミュレーション出力データ２０に含まれる複数のデータ項目を、項目－モデル対応情報２１をもとに分類する処理を行う処理部である。具体的には、シミュレーション出力データ２０に含まれる各データ項目について、項目－モデル対応情報２１を参照して出力元となるモデル（エージェント１００の属性モデル１０１、認知モデル１０２、行動モデル１０３およびそのサブモデル）を特定する。次いで、シミュレーション出力データ２０は、特定したモデルの異同に応じてデータ項目を複数のグループに分類し、処理結果を分類結果２３として記憶部１１に格納する。

図６は、分類結果２３の一例を説明する説明図である。図６に示すように、例えば、分類結果２３において、シミュレーション出力データ２０における便名、人数、預け荷物、到着時刻のデータ項目は、属性モデル１０１に関する「属性」のグループとして分類される。また、シミュレーション出力データ２０における案内板Ａ、案内板Ｂ、案内板Ｃのデータ項目は、認知モデル１０２の「案内板認知モデル」のグループとして分類される。また、シミュレーション出力データ２０におけるＢＢ号機、ＣＩ号機、ＨＪ号機のデータ項目は、行動モデル１０３の「目的地選択モデル」のグループとして分類される。また、シミュレーション出力データ２０におけるＢＢ待ち、ＣＩ待ち、ＨＪ待ちのデータ項目は、行動モデル１０３の「列形成モデル」のグループとして分類される。

変換部１３は、シミュレーション出力データ２０について、エージェント１００のモデルに応じて分類したデータ項目のグループごとにデータの取りまとめを行い、処理結果を変換結果２４として記憶部１１に格納する処理を行う処理部である。具体的には、変換部１３は、分類部１２による分類結果２３において分類した各グループについて、統合ルール情報２２のルールに従ったクラスタリング処理によりクラスタに区分するなどして、データの取りまとめを行う。次いで、変換部１３は、シミュレーション出力データ２０について、グループで取りまとめた値（例えばクラスタリング処理により区分されたクラスタに対応する値）に変換した変換結果２４を記憶部１１に格納する。

一例として、案内板認知モデルに関するデータ項目については、三次元二値データ（案内板Ａ、案内板Ｂ、案内板Ｃ：｛見た、見ない、見ない｝→｛１，０，０｝）としてクラスタリングするように統合ルール情報２２にルールが設定されているものとする。この場合、生成されるクラスタとしては、｛０，０，０｝，｛０，０，１｝，｛０，１，０｝，｛０，１，１｝→案内板Ａを見ないクラスタがある。また、｛１，０，０｝，｛１，０，１｝→案内板Ａを見て、案内版Ｂを見ないクラスタがある。また、｛１，１，０｝，｛１，１，１｝→案内板Ａ、Ｂを見るクラスタがある。

また、目的地選択モデル１０３ａに関するデータ項目については、ＢＢ号機、ＣＩ号機、ＨＪ号機を長さ３文字の文字列データとしてクラスタリングするように統合ルール情報２２にルールが設定されているものとする。例えば、ＢＢ号機、ＣＩ号機、ＨＪ号機：｛２号機、４号機、３号機｝→“２４３”のように３文字の文字列データとする。この場合、生成されるクラスタとしては、“１１＊”，“１２＊”→ＢＢが１号機、ＣＩが１号機または２号機、ＨＪは任意とするクラスタがある。また、“２＊＊”→ＢＢが２号機、ＣＨ、ＨＪが任意とするクラスタがある。

列形成モデル１０３ｃに関するデータ項目については、ＢＢ、ＣＩ、ＨＪの各待ち時間を３次元実数値としてクラスタリングするように統合ルール情報２２にルールが設定されているものとする。例えば、ＢＢ待ち、ＣＩ待ち、ＨＪ待ち：｛１０分、１５分、５分｝→｛１０，１５，５｝のように３次元実数値とする。この場合、生成されるクラスタとしては、｛５未満，５未満，１０未満｝→全体的に待ちが少ないクラスタがある。また、｛５未満，５以上１０未満，１５以上｝→ＨＪの待ちが多いクラスタがある。また、｛１０以上１５未満，１０以上１５未満，１０未満｝→ＢＢ、ＣＩで少し待つクラスタがある。

このように、変換部１３は、分類部１２による分類結果２３において分類した複数のグループのうち複数のデータ項目を含むグループについて、統合ルール情報２２に基づいて、グループに含まれるデータ項目について、グループに含まれるデータ項目の数より少ない数のデータ項目への変換を行う。

図７は、変換結果２４の一例を説明する説明図である。図７に示すように、変換結果２４おいて、属性モデル１０１に関するデータ項目の値は、例えばクラスタリング処理によって、人数、預け荷物の多少、到着時刻の時間帯に応じたクラスタに分けられる。また、行動モデル１０３に関するデータ項目およびその値は、目的地選択モデル１０３ａ、１０３ｂに対応するルールに従ってまとめられたクラスタに分けられる。

特定部１４は、変換部１３による変換後の変換結果２４をもとに、データ統合後のシミュレーション出力データ２０において所定以上の出現傾向を有するデータ項目の組合せを特定する処理を行う処理部である。具体的には、特定部１４は、変換結果２４に含まれるデータ項目および各項目における値について、特徴的に出現する（出現傾向の高い）ものの組合せを、例えば公知の機械学習技術を用いることで特定する。

なお、特定部１４では、項目－モデル対応情報２１をもとにエージェント１００の行動モデル１０３関するデータ項目を基準として他の項目との組み合わせを行い、所定以上の出現傾向を有するデータ項目の組合せを特定してもよい。これにより、特定部１４は、エージェント１００の行動に関するデータ項目を含み、かつ、行動に関するデータ項目および認知に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせを特定できる。

出力部１５は、特定部１４が特定したデータ項目に関する組み合わせをディスプレイやファイルなどに出力する処理部である。これにより、分析装置１は、特定部１４が特定した組み合わせをディスプレイやファイルなどに出力する。例えば、出力部１５は、特定部１４が特定した、エージェント１００の作用に関するデータ項目を含み、かつ、作用に関するデータ項目および情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせを出力する。

［処理の流れ］
図８は、実施形態にかかる分析装置１の動作例を示すフローチャートである。図８に示すように、処理が開始されると、入力部１０は、人流シミュレーションの結果であるシミュレーション出力データ２０を取得し（Ｓ１）、取得したシミュレーション出力データ２０を記憶部１１に格納する。

次いで、分類部１２は、シミュレーション出力データ２０に含まれる複数のデータ項目を、項目－モデル対応情報２１をもとにモデル要素の異同に応じて分類し（Ｓ２）、分類結果２３を記憶部１１に格納する。次いで、変換部１３は、分類結果２３における、モデル要素の異同に応じて分類したデータ項目のグループについて、グループに含まれる複数のデータ項目を統合ルール情報２２をもとに統合する（Ｓ３）。次いで、変換部１３は、シミュレーション出力データ２０について統合した結果である変換結果２４を記憶部１１に格納する。

次いで、特定部１４は、変換結果２４をもとに、変換後のシミュレーション出力データ２０において所定以上の出現傾向を有するデータ項目の組合せを特定する（Ｓ４）。次いで、出力部１５は、特定部１４が特定したデータ項目に関する組み合わせをディスプレイやファイルなどに出力し（Ｓ５）、処理を終了する。

図９は、組み合わせの特定を説明する説明図である。図９に示すように、各エージェント１００のログを含むシミュレーション出力データ２０については、モデル要素の異同に応じてデータ項目を分類し、分類したグループごとにデータの取りまとめを行っている。例えば、行動モデル１０３における「行動結果」については、直進するパターン、遠回りが多いパターン、通路Ｃを通るパターンなどのクラスタで取りまとめている。また、認知モデル１０２における「案内板認知」については、ほとんど見ないパターン、１と２だけみるパターン、全部見るパターンなどのクラスタで取りまとめている。また、属性モデル１０１における「目的地」については、すぐにＸに行くパターン、なかなか決めないパターン、Ｙ→Ｚパターンなどのクラスタで取りまとめている。

このように、分析装置１では、データの種類を削減することで、例えば混雑エージェント群に対して所定以上の出現傾向を有し、互いに相関するデータ項目の組み合わせを容易に見つけることができる。

図１０は、特定した組み合わせからの施策検討を例示する説明図である。図１０に示すように、説明したいエージェント群の集合２００に対し、ＴＷ２９２便を目的とするエージェント群の集合２０１と、ＢＢ１号機・ＣＩ１ｏｒ２号機を使用するエージェント群の集合２０２とあるものとする。この場合、集合２００に対する、集合２０１と、集合２０１との重複から、属性（ＴＷ２９２を目的）と行動（ＢＢ１号機・ＣＩ１ｏｒ２号機の使用）のデータ項目の組み合わせが特定される。これにより、例えば、ＴＷ２９２の利用者に対しては、ＢＢ１号機・ＣＩ１ｏｒ２号機の利用を避けるような施策が有効であると解釈することができる。

［効果］
以上のように、分析装置１は、分類部１２と、変換部１３と、特定部１４とを有する。分類部１２は、複数のエージェント１００を用いたシミュレーションの実行に応じて出力されるシミュレーション出力データ２０に含まれる複数のデータ項目を、エージェント１００における複数のデータ項目それぞれのデータ出力元のモデル要素（属性モデル１０１、認知モデル１０２、行動モデル１０３）の異同に応じて複数のグループに分類する。変換部１３は、複数のグループのうち複数のデータ項目を含むグループについて、所定のルールが記述された統合ルール情報２２に基づいて、グループに含まれるデータ項目について、グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行する。特定部１４は、変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを、例えば機械学習技術を用いることで特定する。

このように、分析装置１は、データ出力元のモデル要素の異同に応じてグループ分けした中でデータ項目を少なくするので、混雑等の検討対象となるデータ項目が多くなることを抑止でき、施策の検討を容易なものとするようにデータ分析を支援することができる。例えば、混雑などの理由で所定以上の出現傾向を有するデータ項目の組み合わせを容易に特定でき、混雑を解消するための施策検討を早期に進めることができる。

図１１は、効果の一例を説明する説明図である。図１１では、空港到着（Ｓ１０１）→預け荷物（ＢＢ）検査（Ｓ１０２）→チェックイン（Ｓ１０３）→保安（ＨＪ）検査（Ｓ１０４）→出国審査（Ｓ１０５）→搭乗（Ｓ１０６）のシミュレーション出力データ２０を分析している。

ここで、ケースＣ１は、シミュレーション出力データ２０におけるデータ項目をそのままにして専門家が分析した場合を例示している。ケースＣ２は、分析装置１によりモデル要素の異同に応じてデータ項目の取りまとめを行った場合を例示している。

図９に示すように、ケースＣ１では、検討対象となるデータの種類（項目数）は膨大なものとなる。したがって、Ｓ１０２、Ｓ１０３においてＴＷ２９２便客の混雑があり、１０４において、ＴＷ２３２便客の混雑がある程度を判別することが限度である。

これに対し、ケースＣ２では、混雑等の検討対象となるデータ項目が多くなることが抑止されることから、混雑などの理由で所定以上の出現傾向を有するデータ項目の組み合わせを容易に特定できる。例えば、Ｓ１０２、Ｓ１０３においては、ＴＷ２９２便客の中で１０：３０～１０：５０に到着する客が混雑することが容易にわかる。また、Ｓ１０４においては、ＴＷ２３２便客の中で６：５０～７：２０に到着する客が混雑することが容易にわかる。

したがって、ケースＣ２では、ケースＣ１に対し、分析時間をより少なくできる。また、特定したデータ項目の組み合わせに基づく施策については、待ち旅客数の減少率、追加レーン数（設備投資）において、ケースＣ１よりも優位なものを作成することが可能となる。

また、シミュレーション出力データ２０において、例えば列における待ち時間が３０分以上など、エージェント１００の行動が所定の条件を満たすエージェント１００のログデータについて適用することで、混雑等の条件に対応した施策検討を行うことができる。

また、変換部１３は、各グループのモデル要素に応じたルールが示された統合ルール情報２２をもとに、分類したグループのモデル要素に応じたルールに基づいて、当該グループに含まれるデータ項目の変換を実行する。これにより、分析装置１では、属性モデル１０１、認知モデル１０２、行動モデル１０３または各モデルのサブモデル（位置情報認知モデル１０２ａ、混雑情報認知モデル１０２ｂ…）に対応したデータ項目の変換を行うことができる。

また、変換部１３は、グループに含まれる複数のデータ項目について、１つのデータ項目への変換を実行する。例えば、分析装置１は、認知モデル１０２のサブモデルである案内板認知モデルに関する複数のデータ項目を１つのデータ項目としてまとめてもよい。これにより、分析装置１では、エージェント１００における案内板の認知について、１つのデータ項目として取り扱うことができ、施策の検討を容易なものとするようにデータ分析を支援することができる。

また、変換部１３は、変換後のデータ項目について、クラスタリング処理により切り分けたクラスタに対応する値に変換する。これにより、分析装置１では、データ項目について、細かな値として評価するのではなく、クラスタとして大きく分けた値で評価することができ、データ分析が容易なものとすることができる。例えば、分析装置１では、エージェント１００の待ち時間などについて、所定の閾値で区切ったクラスタ、待ち時間の分布に応じて区切ったクラスタなどにより、待ち時間の大小を容易に評価することができる。

また、例えば、多様な条件における検証を行うためにシミュレーションの数が増大することに応じて、出力される結果データも増大する。大量の結果データから、混雑原因に関連するデータ項目やデータ項目の組み合わせを特定しようとする場合、人手での特定は煩雑であるので、本実施例のように機械学習技術を利用することが考えられる。しかしながら、機械学習技術を用いた場合、混雑エージェント群と高一致率となるデータ項目同士や値の組み合わせが機械的に出力される。そして、出力結果の中には、施策に結びつかないデータ項目の組み合わせや、特定された結果を踏まえた施策の実現が困難なデータ項目、組み合わせも含まれてしまう。これに対して、例えば、本実施例の分析装置１は、特定部１４が特定したデータ項目の組み合わせを出力する出力部１５を有する。これにより、ユーザは、出力部１５より出力されたデータ項目の組み合わせを確認して施策の検討を行うことができる。

また、変換後のデータ項目の各々は、シミュレーションにおける環境１０５に対するエージェント１００の作用（行動）に関するデータ項目、環境１０５からのエージェント１００の情報取得（認知）に関するデータ項目、エージェント１００に関する事前定義（属性）に関するデータ項目のいずれかである。そして、出力部１５は、エージェント１００の作用に関するデータ項目を含み、かつ、作用に関するデータ項目および情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせを出力する。

エージェント１００に関する行動をシミュレーションするモデル（エージェントモデル）については、エージェント１００の要素として、属性モデル１０１、認知モデル１０２および行動モデル１０３がある。この要素の中で、行動モデル１０３におけるエージェント１００の行動に関するデータ項目は、エージェント１００を取り巻く環境１０５に作用し、その後のエージェント１００の行動または認知に影響を及ぼす。このため、エージェント１００の行動に関するデータ項目を基準として他の項目との組み合わせを検討することで、エージェント１００の行動により生じる事象（混雑など）の因果関係を容易に推定することができる。

したがって、分析装置１は、所定以上の出現傾向を有するデータ項目の組合せ、すなわち、エージェント１００における属性－認知－行動の関係性のある組み合わせにおいて、エージェント１００の行動に関するデータ項目を基準として他のデータ項目を組み合わせたものを出力することで、例えば混雑を解消させるような施策の検討を支援することができる。

［その他］
分析装置１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エア上で、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。また、分析装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

ところで、上記の実施形態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（ハードウエア）の一例を説明する。図１２は、実施形態にかかる分析装置１のハードウエア構成の一例を示すブロック図である。

図１２に示すように、分析装置１は、各種演算処理を実行するＣＰＵ３０１と、データ入力を受け付ける入力装置３０２と、モニタ３０３と、スピーカ３０４とを有する。また、分析装置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３０５と、各種装置と接続するためのインタフェース装置３０６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３０７とを有する。また、分析装置１は、各種情報を一時記憶するＲＡＭ３０８と、ハードディスク装置３０９とを有する。また、分析装置１内の各部（３０１～３０９）は、バス３１０に接続される。

ハードディスク装置３０９には、上記の実施形態で説明した入力部１０、記憶部１１、分類部１２、変換部１３、特定部１４および出力部１５にかかる各種の処理を実行するためのプログラム３１１が記憶される。また、ハードディスク装置３０９には、プログラム３１１の実行時に参照されるシミュレーション出力データ２０、項目－モデル対応情報２１および統合ルール情報２２等の各種データ３１２が記憶される。入力装置３０２は、例えば、分析装置１の操作者から操作情報の入力を受け付ける。モニタ３０３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３０６は、例えば印刷装置等が接続される。通信装置３０７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。

ＣＰＵ３０１は、ハードディスク装置３０９に記憶されたプログラム３１１を読み出して、ＲＡＭ３０８に展開して実行することで、入力部１０、記憶部１１、分類部１２、変換部１３、特定部１４および出力部１５にかかる各種の処理を行う。なお、プログラム３１１は、ハードディスク装置３０９に記憶されていなくてもよい。例えば、分析装置１が読み取り可能な記憶媒体に記憶されたプログラム３１１を、分析装置１が読み出して実行するようにしてもよい。分析装置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、分析装置１がこれらからプログラム３１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、
複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類し、
前記複数のグループのうち複数のデータ項目を含むグループについて、所定のルールに基づいて、グループに含まれるデータ項目について、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行し、
前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する、
処理を実行させることを特徴とする分析プログラム。

（付記２）前記出力データは、前記シミュレーションにおける前記エージェントの行動が所定の条件を満たすエージェントのログデータである、
ことを特徴とする付記１に記載の分析プログラム。

（付記３）前記変換を実行する処理は、分類した前記グループのモデル要素に応じたルールに基づいて、当該グループに含まれるデータ項目の変換を実行する、
ことを特徴とする付記１または２に記載の分析プログラム。

（付記４）前記変換を実行する処理は、前記グループに含まれる複数のデータ項目について、１つのデータ項目への変換を実行する、
ことを特徴とする付記１乃至３のいずれか一に記載の分析プログラム。

（付記５）前記変換を実行する処理は、変換後の前記データ項目について、クラスタリング処理により切り分けたクラスタに対応する値に変換する、
ことを特徴とする付記１乃至４のいずれか一に記載の分析プログラム。

（付記６）特定した前記データ項目の組み合わせを出力する処理をさらにコンピュータに実行させる、
ことを特徴とする付記１乃至５のいずれか一に記載の分析プログラム。

（付記７）変換後の前記データ項目の各々は、前記シミュレーションにおける環境に対する前記エージェントの作用に関するデータ項目、前記環境からの前記エージェントの情報取得に関するデータ項目、前記エージェントに関する事前定義に関するデータ項目のいずれかであり、
前記出力する処理は、前記作用に関するデータ項目を含み、かつ、当該作用に関するデータ項目および前記情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせ出力する、
ことを特徴とする付記６に記載の分析プログラム。

（付記８）コンピュータが、
複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類し、
前記複数のグループのうち複数のデータ項目を含むグループについて、所定のルールに基づいて、グループに含まれるデータ項目について、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行し、
前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する、
処理を実行することを特徴とする分析方法。

（付記９）前記出力データは、前記シミュレーションにおける前記エージェントの行動が所定の条件を満たすエージェントのログデータである、
ことを特徴とする付記８に記載の分析方法。

（付記１０）前記変換を実行する処理は、分類した前記グループのモデル要素に応じたルールに基づいて、当該グループに含まれるデータ項目の変換を実行する、
ことを特徴とする付記８または９に記載の分析方法。

（付記１１）前記変換を実行する処理は、前記グループに含まれる複数のデータ項目について、１つのデータ項目への変換を実行する、
ことを特徴とする付記８乃至１０のいずれか一に記載の分析方法。

（付記１２）前記変換を実行する処理は、変換後の前記データ項目について、クラスタリング処理により切り分けたクラスタに対応する値に変換する、
ことを特徴とする付記８乃至１１のいずれか一に記載の分析方法。

（付記１３）特定した前記データ項目の組み合わせを出力する処理をさらにコンピュータが実行する、
ことを特徴とする付記８乃至１２のいずれか一に記載の分析方法。

（付記１４）変換後の前記データ項目の各々は、前記シミュレーションにおける環境に対する前記エージェントの作用に関するデータ項目、前記環境からの前記エージェントの情報取得に関するデータ項目、前記エージェントに関する事前定義に関するデータ項目のいずれかであり、
前記出力する処理は、前記作用に関するデータ項目を含み、かつ、当該作用に関するデータ項目および前記情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせ出力する、
ことを特徴とする付記１３に記載の分析方法。

（付記１５）複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類する分類部と、
前記複数のグループのうち複数のデータ項目を含むグループについて、所定のルールに基づいて、グループに含まれるデータ項目について、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行する変換部と、
前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する特定部と、
を有することを特徴とする分析装置。

（付記１６）前記出力データは、前記シミュレーションにおける前記エージェントの行動が所定の条件を満たすエージェントのログデータである、
ことを特徴とする付記１５に記載の分析装置。

（付記１７）前記変換部は、分類した前記グループのモデル要素に応じたルールに基づいて、当該グループに含まれるデータ項目の変換を実行する、
ことを特徴とする付記１５または１６に記載の分析装置。

（付記１８）前記変換部は、前記グループに含まれる複数のデータ項目について、１つのデータ項目への変換を実行する、
ことを特徴とする付記１５乃至１７のいずれか一に記載の分析装置。

（付記１９）前記変換部は、変換後の前記データ項目について、クラスタリング処理により切り分けたクラスタに対応する値に変換する、
ことを特徴とする付記１５乃至１８のいずれか一に記載の分析装置。

（付記２０）特定した前記データ項目の組み合わせを出力する出力部をさらに有する、
ことを特徴とする付記１５乃至１９のいずれか一に記載の分析装置。

（付記２１）変換後の前記データ項目の各々は、前記シミュレーションにおける環境に対する前記エージェントの作用に関するデータ項目、前記環境からの前記エージェントの情報取得に関するデータ項目、前記エージェントに関する事前定義に関するデータ項目のいずれかであり、
前記出力部は、前記作用に関するデータ項目を含み、かつ、当該作用に関するデータ項目および前記情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせ出力する、
ことを特徴とする付記２０に記載の分析装置。

１…分析装置
１０…入力部
１１…記憶部
１２…分類部
１３…変換部
１４…特定部
１５…出力部
２０…シミュレーション出力データ
２１…項目－モデル対応情報
２２…統合ルール情報
２３…分類結果
２４…変換結果
１００…エージェント
１０１…属性モデル
１０２…認知モデル
１０２ａ…位置情報認知モデル
１０２ｂ…混雑情報認知モデル
１０３…行動モデル
１０３ａ…目的地選択モデル
１０３ｂ…移動モデル
１０３ｃ…列形成モデル
１０４…認知情報
１０５…環境
２００～２０２…集合
３０１…ＣＰＵ
３０２…入力装置
３０３…モニタ
３０４…スピーカ
３０５…媒体読取装置
３０６…インタフェース装置
３０７…通信装置
３０８…ＲＡＭ
３０９…ハードディスク装置
３１０…バス
３１１…プログラム
３１２…各種データ
Ｃ１、Ｃ２…ケース

Claims (8)

1. コンピュータに、
   複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、前記複数のデータ項目それぞれについてデータの出力元のモデル要素との対応関係を示す情報に基づいて特定される、前記エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類し、
   前記複数のグループのうち複数のデータ項目を含むグループについて、当該グループに含まれるデータ項目を所定のルールに基づいてクラスタリングすることにより区分されたクラスタに対応する値に当該グループに含まれるデータ項目を変換することで、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行し、
   前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する、
   処理を実行させることを特徴とする分析プログラム。
2. 前記出力データは、前記シミュレーションにおける前記エージェントの行動が所定の条件を満たすエージェントのログデータである、
   ことを特徴とする請求項１に記載の分析プログラム。
3. 前記変換を実行する処理は、分類した前記グループのモデル要素に応じたルールに基づいて、当該グループに含まれるデータ項目の変換を実行する、
   ことを特徴とする請求項１または２に記載の分析プログラム。
4. 前記変換を実行する処理は、前記グループに含まれる複数のデータ項目について、１つのデータ項目への変換を実行する、
   ことを特徴とする請求項１乃至３のいずれか一項に記載の分析プログラム。
5. 特定した前記データ項目の組み合わせを出力する処理をさらにコンピュータに実行させる、
   ことを特徴とする請求項１乃至４のいずれか一項に記載の分析プログラム。
6. 変換後の前記データ項目の各々は、前記シミュレーションにおける環境に対する前記エージェントの作用に関するデータ項目、前記環境からの前記エージェントの情報取得に関するデータ項目、前記エージェントに関する事前定義に関するデータ項目のいずれかであり、
   前記出力する処理は、前記作用に関するデータ項目を含み、かつ、当該作用に関するデータ項目および前記情報取得に関するデータ項目の少なくともいずれかのデータ項目を含む組み合わせ出力する、
   ことを特徴とする請求項５に記載の分析プログラム。
7. コンピュータが、
   複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、前記複数のデータ項目それぞれについてデータの出力元のモデル要素との対応関係を示す情報に基づいて特定される、前記エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類し、
   前記複数のグループのうち複数のデータ項目を含むグループについて、当該グループに含まれるデータ項目を所定のルールに基づいてクラスタリングすることにより区分されたクラスタに対応する値に当該グループに含まれるデータ項目を変換することで、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行し、
   前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する、
   処理を実行することを特徴とする分析方法。
8. 複数のエージェントを用いたシミュレーションの実行に応じて出力される出力データに含まれる複数のデータ項目を、前記複数のデータ項目それぞれについてデータの出力元のモデル要素との対応関係を示す情報に基づいて特定される、前記エージェントにおける前記複数のデータ項目それぞれのデータ出力元のモデル要素の異同に応じて複数のグループに分類する分類部と、
   前記複数のグループのうち複数のデータ項目を含むグループについて、当該グループに含まれるデータ項目を所定のルールに基づいてクラスタリングすることにより区分されたクラスタに対応する値に当該グループに含まれるデータ項目を変換することで、当該グループに含まれるデータ項目の数より少ない数のデータ項目への変換を実行する変換部と、
   前記変換後の出力データにおいて所定以上の出現傾向を有するデータ項目の組合せを特定する特定部と、
   を有することを特徴とする分析装置。

Images