JP7266273B2 - 情報処理装置及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

従来、物品の配送を行うための配送計画は、配送事業者が人手によって立案していた。しかしながら、適切な配送計画を立案するためには、経験豊富な立案者が必要であり、誰もが適切な配送計画を立案することはできなかった。

そこで、近年、配送先と荷量、及び配送条件等を与えられたコンピュータが、その配送条件を満足する、適切な配送計画を立案するという技術が存在する（例えば、特許文献１参照）。このような技術を利用することにより、経験豊富な立案者が存在しないような場合でも、コンピュータによって配送計画を立案することが可能となる。

特開２０１７－０６８５５５号公報

上述した特許文献１に開示の技術等の一般的な技術を用いて、適切な配送計画を立案するためには、配送先毎に異なる配送条件を、マスタとして管理しておく必要がある。しかしながら、マスタ作成のための調査や、マスタのメンテナンスは煩雑であり、適切にマスタを管理することは容易ではない。

これを避けるために、過去の配送の実績データを教師データとして機械学習を行うようなことも考えられる。この場合、機械学習を行うために膨大な実績データが必要となるが、実績データは、通常は、紙またはデジタルタコグラフ等の運行記録装置による運行記録として記録されており、機械学習のために、これらをデジタルの配送実績データにすることは困難である。

その理由であるが、紙の場合は、書式も統一されておらず、必ずしも丁寧に記載されていないため、ＯＣＲ（Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ）等の技術を用いたとしても、電子化することは実用的ではないからである。また、デジタルタコグラフ等の運行記録装置の場合は、運行の記録自体はデジタルデータで得られるが、このデータは単なる車両の軌跡や、単なる訪問地の連続したデータであり、どの配送先にどのような貨物を配送したという配送実績の情報にするには実際の配送先情報や貨物情報と照合するなどの、データの分析、加工あるいは補足が相当の工数、必要になるからである。

また、配送を行う物流業界では、事業環境が流動的に変化するため、現在の配送先および配送条件と同じような状況で配送計画を立案した十分な量の実績データが、そもそも存在しない場合が多い。また、仮に実績データが存在したとしても、これを十分な量だけ収集するのは困難である。更に、このような問題は、物流業界における配送計画のみにとどまらず、様々な業界における、作業者や機械等の何らかの作業単位に対する所定の計画を自動で立案するもの全般に起こりうるものである。

本発明は、このような状況に鑑みてなされたものであり、十分な実績データが得られない場合であっても、配送計画等の所定の計画に関する機械学習を行うための、情報処理装置及び情報処理プログラムを提供することを目的とする。

上記目的を達成するため、本発明の一態様の情報処理装置は、
入力された条件に対応した所定の計画を出力する立案手段と、
前記立案手段が出力した所定の計画を、所定の形式でユーザに提示する提示手段と、
前記所定の形式で提示された所定の計画を参照したユーザからの指示を受け付ける指示受付手段と、
少なくとも前記ユーザからの指示を教師データとした機械学習を行う学習手段と、
を備える。

本発明によれば、十分な実績データが得られない場合であっても、配送計画等の所定の計画に関する機械学習を行うことができる。

本発明の一実施形態に係る情報処理装置の構成の一例を示すブロック図である。 本発明の一実施形態における配送対象情報及び配送条件の概念を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の流れを示すフローチャートである。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第１表示例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第２表示例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第３表示例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第４表示例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第２表示例に質問を付加した例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第４表示例に質問を付加した例を示す模式図である。 本発明の一実施形態に係る情報処理装置が実行する配送条件学習処理時の第２表示例に理由を示す選択肢を付加した例を示す模式図である。

以下、添付の図面を参照して本発明の実施形態の一例について説明する。
［装置構成］
図１は、本実施形態に係る情報処理装置の構成の一例を示すブロック図である。図１に示すように、情報処理装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、通信部１４と、記憶部１５と、入力部１６と、表示部１７と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。

ＣＰＵ１１は、ＲＯＭ１２に記録されているプログラム、又は、記憶部１５からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。

通信部１４は、ＣＰＵ１１が、他の装置（図示省略）との間で通信を行うための通信制御を行う。他の装置とは、例えば、情報処理装置１０において利用する各種の情報を格納している外部記憶装置等である。
記憶部１５は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の半導体メモリで構成され、各種データを記憶する。

入力部１６は、各種ボタン、タッチパネル、あるいはマウス及びキーボード等の外部入力装置で構成され、ユーザの指示操作に応じて各種情報を入力する。
表示部１７は、液晶ディスプレイ等で構成され、ＣＰＵ１１が出力する画像データに対応する画像を表示する。
このような構成を有する情報処理装置１０は、パーソナルコンピュータやサーバ装置等の情報処理機能を有する電子機器により実現される。この電子機器は、本実施形態特有の電子機器で実現してもよいし、汎用の電子機器に本実施形態特有のソフトウェアを組み込んで実現してもよい。

［処理の概略］
次に、このような構成を有する情報処理装置１０が行なう処理の概略について説明する。情報処理装置１０は、配送条件学習処理を行なう。

具体的に、配送条件学習処理において、情報処理装置１０は、「どこから」、「どこに」、「何を」、「どれだけ」配送するかを示す情報である「配送対象情報」と、配送計画に対して要請される条件である「配送条件」とを入力され、この配送対象情報と配送条件とに対応した配送計画を立案する。この配送対象情報と配送条件とは、過去に実際に配送を行った際の実績データに対応するものであってもよいし、実績データには対応しないものであってもよい。例えば、実績データに対応しない、これから配送が予定されているものであってもよいし、ユーザが作成したものであってもよい。

また、情報処理装置１０は、立案した配送計画を、所定の形式でユーザに提示する。更に、情報処理装置１０は、所定の形式で提示された配送計画を参照したユーザからの修正指示を受け付ける。更に、情報処理装置１０は、このユーザからの修正指示を教師データとして機械学習を行なう。
この機械学習により、情報処理装置１０は、適切な配送条件を出力するための学習モデルを構築する。ここで、構築とは、新たに学習モデルを作り出すこと、及び作り出した既存の学習モデルを更新することの双方を含む。

情報処理装置１０は、このような配送条件学習処理を繰り返すことにより、十分な実績データが得られない場合であっても、ユーザの知識に基づいた修正指示により、教師データを作成することができる。すなわち、情報処理装置１０は、実績データが十分に取得できないような場合であっても、ユーザの知識を利用した機械学習を行い、適切に配送条件を出力することが可能な学習モデルを構築することができる。
また、情報処理装置１０は、配送計画に限らず、他の所定の計画についても同様に学習モデルを構築することができる。
すなわち、情報処理装置１０によれば、十分な実績データが得られない場合であっても、配送計画等の所定の計画に関する機械学習を行うことができる、という効果を奏する。

なお、この場合に、情報処理装置１０は、同じ配送対象情報と、この機械学習により構築された学習モデルから出力された新たな配送条件とに基づいて、配送計画を再度立案し、この配送計画を教師データとして再度機械学習を行なうようにしてもよい。
また、上述したように情報処理装置１０は、全く実績データが存在しない場合であっても、実績データには対応しない、例えば、ユーザが作成した情報に基づいて、配送計画等の所定の計画に関する機械学習を行うことができる。すなわち、本実施形態において、十分な実績データが得られない場合とは、実績データが不足している場合のみならず、全く実績データが存在しない場合も含む。

［機能ブロック］
次に、情報処理装置１０が、上述した配送条件学習処理を行なうための機能ブロックについて説明をする。
情報処理装置１０が動作する場合、図１に示すように、ＣＰＵ１１において、情報取得部１１１と、計画立案部１１２と、提示部１１３と、学習部１１４と、学習部１１４と、が機能する。
また、記憶部１５の一領域には、配送対象情報記憶部１５１と、配送条件記憶部１５２と、学習モデル記憶部１５３とが設定される。

配送対象情報記憶部１５１には、「どこから」、「どこに」、「何を」、「どれだけ」配送するかを示す情報である配送対象情報が記憶される。
配送条件記憶部１５２には、配送計画に対して要請される配送条件が記憶される。
これら配送対象情報、及び配送条件の具体的な内容については、図２を参照して後述する。
学習モデル記憶部１５３には、配送条件学習処理において構築された学習モデルが記憶される。

情報取得部１１１は、配送対象情報と配送条件とを取得する部分である。情報取得部１１１は、例えば、入力部１６が受け付けたユーザの入力操作や、通信部１４を介した他の装置の通信により、配送対象情報と配送条件とを取得する。この配送対象情報と配送条件とは、上述したように、実績データに対応するものであってもよいし、実績データとは対応しないものであってもよい。情報取得部１１１は、取得した配送対象情報を、配送対象情報記憶部１５１に記憶させる。また、情報取得部１１１は、取得した配送条件を、配送条件記憶部１５２に記憶させる。

計画立案部１１２は、配送条件学習処理において、配送計画を立案する部分である。計画立案部１１２は、例えば、配送対象情報記憶部１５１に記憶されている配送対象情報と、配送条件記憶部１５２に記憶されている配送条件を読み出す。すなわち、計画立案部１１２は、配送対象情報と、配送条件を入力される。
そして、計画立案部１１２は、入力された配送対象情報と、配送条件とに対応した対応した配送計画を立案する。また、計画立案部１１２は立案した配送計画を提示部１１３に対して出力する。計画立案部１１２による配送計画の立案を行なうための具体的な手法は特に限定されない。計画立案部１１２は、例えば、組み合わせ最適化等の所定のアルゴリズムに基づいた、任意の手法で配送計画の立案を行なうことができる。

提示部１１３は、配送条件学習処理において、計画立案部１１２から入力された配送計画を、所定の形式でユーザに提示する。提示は、例えば、表示部１７に、配送計画を所定の形式で表示することにより行われる。また、提示は、例えば、通信部１４を介した通信により、通信先の外部装置（図示省略）により行われてもよい。
この所定の形式で表示された配送計画は、例えば、配送計画における時系列を可視化した画像を少なくとも含む形式であり、この画像はユーザが修正指示を行なうためのユーザインタフェースとして機能する。所定の形式については、後述の［配送条件学習処理］との項目で詳細に説明をする。

学習部１１４は、提示部１１３により所定の形式で提示された配送計画を参照したユーザからの修正指示を教師データとして機械学習を行なうことにより、適切な配送条件を出力するための学習モデルを構築する部分である。学習部１１４が、機械学習を行なうためのアルゴリズムは、特に限定されない。

例えば、学習部１１４が機械学習を行うための簡単な手法として、ユーザからの修正指示に基づいて、既存の配送条件を修正するようにしてもよい。この場合、ユーザからの修正指示を既存の配送条件に追加することにより学習モデルを構築するようにする。また、この場合に、既存の配送条件が、ユーザからの修正指示と矛盾する場合には、ユーザからの修正指示を正しいとして配送条件を置き換えるようにしてもよい。
更に、ユーザからの修正指示がなかった場合には、問題がない配送条件とみなし、機械学習に用いないようにしてもよいし、より正しい配送条件であることを示す確度を向上するために機械学習に用いるようにしてもよい。そして、確度を高くした配送条件については、その後、ユーザからの修正指示と矛盾したような場合であっても、置き換えを行わず確度を下げるのみとするようにしてもよい。

また、学習部１１４は、ユーザからの修正指示を教師データとして、より複雑な手法により機械学習を行うようにしてもよい。この場合、例えば、ディープラーニングなどの一般的な教師あり（または半教師あり）機械学習アルゴリズムを利用するようにしてもよい。このように、学習部１１４が行なう機械学習の方法は特に限定されないため、既存の機械学習を含む、多様な機械学習に、本実施形態を適用することができる。
また、学習部１１４は、構築した学習モデルを学習モデル記憶部１５３に記憶させる。なお、この構築が、新たな学習モデルの新たな作成ではなく、学習モデルの更新の場合は、学習部１１４は、学習モデル記憶部１５３に記憶されている学習モデルを読み込み、この学習モデルを更新して、再度、学習モデル記憶部１５３に記憶させる。
以上説明した、各機能ブロックが協働することにより、上述した配送条件学習処理が実現される。

［配送対象情報及び配送条件］
次に、配送計画の立案の前提となる配送対象情報及び配送条件について図２を参照して説明する。図２は、配送対象情報及び配送条件の概念について示す模式図である。
図２に示すように、配送計画を立案するためには、まず受注データ（あるいは出荷指示）といった、「どこから」、「どこに」、「何を」、「どれだけ」配送するかを示す情報である配送対象情報が必要となる。例えば、配送先と、配送する荷物の種類と、配送する荷物の数や量とを示す情報が配送対象情報として必要となる。
しかしながら、配送対象情報のみに基づいて配車計画を立案することはできず、その他の所定の配車条件も満たすようにして、配車計画を立案する必要がある。配車条件としては、種々のものが考えられるが、例えば、図示するような、配送先の制約（軒先条件とも呼ばれる。）、車両情報、及びその他の配送条件が例として挙げられる。

配送先の制約（軒先条件）とは、例えば、配送可能な時間の指定や、配送可能な車格の制限（例えば、配送先に駐車できる車格の制限）や、配送時に荷物を納品するために要する作業時間等の条件である。
車両情報とは、例えば、配車に利用可能な車両の車格及び台数や、各車両の積載量や積載数の上限や、車両の発地や着地といった位置に関するものや、車両を利用可能な時間等の条件である。
その他の配送条件とは、例えば、荷物の混載の禁止や、配送先のエリアの組み合わせの可否や、荷物の積み下ろしにかかる時間等の条件である。

また、受注データ（あるいは出荷指示）に含まれる荷物をどのような容器に格納するのかといった風袋情報や、荷物の梱包後の外形的な状態を示す荷姿情報荷物の状態を示す荷姿情報も配送条件に含まれる。
配車計画を立案するユーザ又はコンピュータ（例えば、計画立案部１１２）は、これらの配送条件が満たされるように、荷寄せや荷分割をした荷物情報の作成や、名寄せ等を行いながら配送計画を立案する。

このようにして、立案される配送計画には、どのような大きさの車両が何台必要かを示す車種と車両の編成や、どの顧客をどの車両が配送するかを示す荷物や配送先の割り付けや、各車両はどのような順番で配送すれば良いかを示す訪問順等の情報が含まれる。
以上、配送対象情報及び配送条件について説明をしたが、これは配送条件の一例である。上述した情報以外の他の情報が配送条件として更に含まれていてもよいし、上述した情報が配送条件に含まれていなくてもよい。

［配送条件学習処理］
次に、情報処理装置１０が行なう配送条件学習処理の詳細について図３から図１０までを参照して説明する。まず、図３は、情報処理装置１０が実行する配送条件学習処理時の流れを示すフローチャートである。ここで、配送条件学習処理は、例えば、定期的に、あるいは、ユーザの操作等に応じて開始される。

ステップＳ１１において、計画立案部１１２は、配送対象情報記憶部１５１に記憶されている配送対象情報と、配送条件記憶部１５２に記憶されている配送条件を読み出す。すなわち、計画立案部１１２は、配送対象情報と、配送条件を入力される。

ステップＳ１２において、計画立案部１１２は、入力された配送対象情報と、配送条件とに対応した配送計画を立案する。

ステップＳ１３において、提示部１１３は、計画立案部１１２が立案した配送計画を所定の形式でユーザに対して提示する。この提示は、上述したように例えば、表示部１７への表示により実現される。この、所定の形式での表示例について、図４から図７を参照して説明する。

図４は、計画立案部１１２が立案した配送計画を所定の形式で表示した場合の、第１表示例を示す図である。図４では、配送計画を運行表の形式で表示している。具体的には、車両Ａについての配送計画を、上から下に向けて時系列に沿って表示Ｄ１１として表示している。また、同様にして、車両Ｂについての配送計画を、上から下に向けて時系列に沿って表示Ｄ１２として表示している。ユーザは、これらの表示を参照することより、どの時間に、どの時間に、どのような順番で配送を行なうべきかを把握することができる。

図５は、計画立案部１１２が立案した配送計画を所定の形式で表示した場合の、第２表示例を示す図である。図５では、配送計画を図４とは異なる形式の運行表の形式で表示している。具体的には、車両を識別するための情報を表示Ｄ２１として表示している。また、各車両についての配送計画を、左から右に向けて時系列に沿って表示Ｄ２２として表示している。ユーザは、これらの表示を参照することより、どの時間に、どの場所に、どのような順番で配送を行なうべきかを把握することができる。

図６は、計画立案部１１２が立案した配送計画を所定の形式で表示した場合の、第３表示例を示す図である。図６では、配送計画をガントチャートの形式で表示している。具体的には、車両を識別するための情報に加え、注文数や、積載率や、走行距離や、配送の開始時刻及び終了時刻等の付帯情報を表示Ｄ３１として表示している。また、各車両についての配送計画を、左から右に向けて時系列に沿って表示Ｄ３２として表示している。この点、所要時間に応じて、配送先の滞在時間及び移動時間を示す横軸のマス目の幅が異なるように表示されている。ユーザは、これらの表示を参照することより、どの時間に、どの場所に、どのような順番で配送を行なうべきかを把握することができる。

なお、図４や図５の表示例では、所要時間に関わらず移動先を示す表示の大きさは一定の大きさとなっている。従って、図４や図５の表示例では、文字の大きさや配置は均一となり、文字情報を視認しやすい表示となっている。これに対して、図６の表示例では、所要時間に応じて、配送先の滞在時間及び移動時間を示すマス目の幅が異なるように表示されている。そのため、図６の表示例では、どの時間に、どの場所に、どのような順番で配送を行なうべきかを、より直感的に把握しやすい表示となっている。

図７は、計画立案部１１２が立案した配送計画を所定の形式で表示した場合の、第４表示例を示す図である。図７では、配送計画を、配送先位置を含んだ地図の形式で表示している。具体的には、配送元の位置を表示Ｄ４１として表示している。そして、配送先の位置を表示Ｄ４２として表示している。更に、配送元から配送先までの移動経路を表示Ｄ４３として表示している。ユーザは、これらの表示を参照することより、どの場所に、どのような順番で配送を行なうべきかに加えて、配送先までの移動経路を把握することができる。なお、図７では、図示の都合上、一部の配送先と移動経路について符号を付しており、他の配送先と移動経路については符号を省略する。

以上、４つの表示例について上述した。これら上述した４つの表示例は、あくまで説明のための例示であり、提示部１１３における表示はこれらの表示例に限定されない。例えば、図７における第４表示例において、配送先の位置を示す表示Ｄ４２に、配送を行なうべき時間等の情報を更に含ませるようにしてもよい。

図３に戻り、ステップＳ１４において、学習部１１４は、入力部１６等を介して、提示部１１３により所定の形式で提示された配送計画を参照したユーザからの修正指示の入力を受け付ける。

ここで、ユーザは、ステップＳ１３における表示をユーザインタフェースとして、修正指示を行なう。この場合に、提示部１１３は、ユーザが、修正指示を行いやすいように、ユーザの操作に応じて、表示内容を変化させていくようにするとよい。この表示例の変化について、図８から図１０を参照して説明する。

図８は、図５を参照して上述した、第２表示例に質問を付加した例を示す図である。ここで、質問の内容は、任意のものであってよいが、例えば、ユーザが修正指示を行なうキッカケや気付きとなるような質問であることが望ましい。図８の例では、第２表示例に、更に「質問：午前中に配送すべきなのに指定時間外に配送してしまっている配送先をクリックして×を付けて下さい」という、具体的な誤りの有無について問いかける質問を表示Ｄ２３として表示している。ユーザは、この質問を参照し、図８の配車表形式の表示例をユーザインタフェースとして、参照箇所を指摘する。例えば、ユーザは、該当する修正箇所を画面操作で印（ここでは、「×」）を付けるなどで指示する。図８の表示例では、印を付けるための矢印として表示Ｄ２４を表示している。ユーザは、表示Ｄ２４を操作することにより、該当する修正箇所を指摘する。提示部１１３は、修正箇所として指摘された配送先に印を付ける。図８の表示例では、印としてとして表示Ｄ２５及び表示Ｄ２６を表示している。

図９は、図７を参照して上述した、第４表示例に質問を付加した例を示す図である。ここで、図９の例では、第４表示例に、更に「質問：このルートには組み合わせない配送先をクリックして×マークを付けて下さい。」という、具体的な誤りの有無について問いかける質問を表示Ｄ４４として表示している。ユーザは、この質問を参照し、図９の地図形式の表示例をユーザインタフェースとして、参照箇所を指摘する。例えば、ユーザは、該当する修正箇所を画面操作で印（ここでは、「×」）を付けるなどで指示する。図９の表示例では、印を付けるための矢印として表示Ｄ４５を表示している。ユーザは、表示Ｄ４５を操作することにより、該当する修正箇所を指摘する。提示部１１３は、修正箇所として指摘された配送先に印を付ける。図９の表示例では、印としてとして表示Ｄ４６及び表示Ｄ４７を表示している。

ユーザは、このように、図８や図９の表示例のような質問に対して、対話的に答えていくのみで、修正箇所を選択することができる。すなわち、このような表示例によれば、ユーザの負担を軽減しながらも、ユーザに対して質問に対応する修正箇所を適切に選択させることができる。

次に、この図８や図９のように質問を限定するのではなく、最初にユーザの視点で見て問題と感じる箇所を指示してもらい、次に問題と感じる理由（例えば、訪問時刻が適切でない）を選択してもらう、という例について図１０を参照して説明をする。

図１０は、図５を参照して上述した、第２表示例に問題と感じる理由を示す選択肢を付加した例を示す図である。ここで、選択肢の内容は、任意のものであってよいが、例えば、ユーザが修正指示の意図が明確となるような選択肢であることが望ましい。図１０の例では、第２表示例に、更に「おかしなところを選択して理由を選んで下さい」という、具体的な修正箇所について問いかける質問を表示Ｄ２７として表示している。ユーザは、この質問を参照し、図１０の配車表形式の表示例をユーザインタフェースとして、参照箇所を指摘する。例えば、ユーザは、該当する修正箇所を画面操作で印（ここでは、「×」）を付けるなどで指示する。図１０の表示例では、印を付けるための矢印として表示Ｄ２４を表示している。ユーザは、表示Ｄ２４を操作することにより、該当する修正箇所を指摘する。提示部１１３は、修正箇所として指摘された配送先に印を付ける。図８の表示例では、印としてとして表示Ｄ２５及び表示Ｄ２６を表示している。また、図８の表示例では、修正箇所の問題と感じる理由（すなわち、修正すべき理由）を選択するための選択肢として表示Ｄ２８を表示している。ユーザは、表示Ｄ２４を操作することにより、選択肢から理由を選択する。すると、例えば、表示Ｄ２９のように、表示Ｄ２５と対応付けて、表示Ｄ２５の問題と感じる理由（すなわち、修正すべき理由）が表示される。これにより、多くの理由に基づいた修正指示をユーザから受け付けることができる。

なお、図８、図９、及び図１０のような所定の表示において修正すべき箇所を受け付けた後に、適切な条件の入力を更にユーザから受け付けるようにしてもよい。
本実施形態によれば、これらの表示例のようなユーザインタフェースを利用することにより、ユーザは、いわば紙に対して赤ペンで修正を入れるような感覚で、修正箇所を簡便に指示することが可能となる。

図３に戻り、ステップＳ１５において、学習部１１４は、ステップＳ１４にて受け付けたユーザからの修正指示を教師データとして機械学習を行い、学習モデルを構築する。例えば、学習部１１４は、上述したように、ユーザからの修正指示に基づいて、既存の配送条件を修正することにより機械学習を行い、学習モデルを構築する。なお、ユーザからの修正指示がなかった場合であっても、機械学習を行ってもよい（あるいは行わなくてもよい）点については、上述した通りである。この配送条件の修正について具体例を用いて説明をする。

例えば、上述したように、所定の質問をする場合に、質問の内容が「本当は○○時～××時に訪問して配送しなくてはいけないのにそれ以外の時間帯での配送予定となっている箇所はどこか？」という内容であったとする。この場合、学習部１１４は、例えば、ユーザによる修正指示で指摘された配送先の配送予定となっていた時間帯は、その配送先と荷物の種類などの他の輸送条件との組み合わせに対して配送禁止の時間帯として配送条件を修正する。また、学習部１１４は、例えば、修正指示で指摘された配送先において、○○時～××時は、その配送先と荷物の種類などの他の輸送条件との組み合わせに対して配送可能な時間帯として配送条件を修正する。

また、他にも、上述したように、所定の質問をする場合に、質問の内容が「これらの訪問先を組み合わせるルートであれば、エリア的に一緒のルートに組み込むのが適切でない訪問先はどれか？」という内容であったとする。また、この質問に対する、ユーザによる修正指示の内容が、例えば、顧客Ａ、顧客Ｂ、及び顧客Ｃを訪問するルートに対して、そのようなルートであれば顧客Ｃは同じルートには組まないのが通常であるので、顧客Ｃを指定するというものであったとする。この場合、学習部１１４は、例えば、顧客Ａと顧客Ｃ、顧客Ｂと顧客Ｃの同一ルートへの混載を禁止する制限を配送条件に追加することにより、配送条件を修正する。あるいは、学習部１１４は、例えば、顧客Ｃの所属するエリア（例えば、市区町村単位のエリアや、地域を所定のメッシュで区切ったエリア等）に対して、ルート内で顧客Ｃから最も遠い訪問先の所属するエリアの混載を禁止する制限を配送条件に追加することにより、配送条件を修正する。

また、他にも、上述したように、所定の質問をする場合に、質問の内容が「車両やドライバーに対して、通常、そこには行かないと考えられる訪問先はどれか？」という内容であったとする。また、この場合、学習部１１４は、例えば、ユーザによる修正指示において、車両やドライバーに対して指示された当該の訪問先、あるいは当該の訪問先の所属するエリアを配送禁止にする制約を配送条件に追加することにより、配送条件を修正する。

また、他にも、上述したように、所定の質問をする場合に、質問の内容が「車両やドライバーに対して、大きさや荷姿・荷物種類の観点から通常、それは運ばないと考えられる荷物を運んでいる箇所はどこか？」という内容であったとする。また、この場合、学習部１１４は、例えば、ユーザによる修正指示において、車両やドライバーに対して指示された当該の荷物のサイズ感や種類、荷姿の配送を禁止にする制約を配送条件に追加することにより、配送条件を修正する。
学習部１１４は、例えばこのようにして、ユーザからの修正指示に基づいて、配送条件記憶部１５２が記憶する配送条件を修正することにより機械学習を行い、学習モデルを構築する。
そして、学習部１１４は、構築した学習モデルを学習モデル記憶部１５３に記憶させる。なお、この構築が、新たな学習モデルの新たな作成ではなく、学習モデルの更新の場合は、学習部１１４は、学習モデル記憶部１５３に記憶されている学習モデルを読み込み、この学習モデルを更新して、再度、学習モデル記憶部１５３に記憶させる。
ステップＳ１５が終了すると、今回の配送条件学習処理は終了する。

以上説明した配送条件学習処理によれば、情報処理装置１０は、十分な実績データが得られない場合であっても、ユーザの知識に基づいた、ユーザからの修正指示により教師データを作成することができる。また、情報処理装置１０は、この教師データを対象として、学習処理を行なうことができる。

従って、情報処理装置１０は、実績データが十分に取得できないような場合であっても、ユーザの知識を利用した機械学習を行い、学習モデルを構築することができる。また、情報処理装置１０は、配送計画に限らず、他の所定の計画についても同様に学習モデルを構築することができる。
すなわち、情報処理装置１０によれば、十分な実績データが得られない場合であっても、配送計画等の所定の計画に関する機械学習を行うことができる、という効果を奏する。

また、このようにして機械学習により構築された学習モデルは、適宜ユーザにより利用することができる。例えば、ユーザは、構築された学習モデルを利用することにより、実際の配送に利用するための配送計画を、適切に立案することが可能となる。この場合、学習モデルを利用した、実際に配送に利用するための配送計画の立案は、構築された学習モデルが出力する配送条件に基づいて、計画立案部１１２が立案することにより実現される。また、構築した学習モデルを他の装置（図示省略）に送信し、この他の装置にて、学習モデルを利用して、実際に配送に利用するための配送計画の立案を行なうようにしてもよい。他にも例えば、構築した学習モデルを、他の配送対象情報に基づいた機械学習を行なう際に利用するようにしてもよい。

なお、上述の説明では、ステップＳ１４において教師データとなる、ユーザからの修正指示が作成される都度、即座にステップＳ１５にて機械学習を行うというオンライン学習を行なっていた。しかし、これに限らず、配送条件学習処理におけるステップＳ１１からステップＳ１４の処理を複数回行い、教師データがある程度記憶されてから、これらの教師データを用いて、機械学習を行うというバッチ学習を行なうようにしてもよい。

以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略及び置換等種々の変更を行うことができる。これら実施形態及びその変形は、本明細書等に記載された発明の範囲及び要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
例えば、本発明の実施形態を以下の変形例のように変形してもよい。

＜第１変形例＞
上述の実施形態では、情報処理装置１０が、配送対象情報と配送条件とに基づいて、配送計画を立案する場合を想定した。これに限らず、情報処理装置１０を、他の用途に適用するようにしてもよい。すなわち、情報処理装置１０を、物流業界における配送計画のみにとどまらず、様々な業界における、作業者や機械等の何らかの作業単位に対する所定の計画を自動で立案する用途に適用するようにしてもよい。

例えば、情報処理装置１０を、生産スケジューラの立案の用途に適用するようにしてもよい。自動車等の工業品を工場で組み立てるような場合、多種多様な製品を、工程ごとにいろいろな機械を使って製造する。この場合に、情報処理装置１０が、各機械に対して、どの製品の何の工程をどの順番で投入していくかという生産スケジュールを立案する。そのためには、例えば、或る機械が或る種の製品を処理した後は、別の特定の種類の製品群についてはすぐに処理はできず、段取り替えの時間が必要になる、といった種々の条件入力が必要となる。
しかしながら、情報処理装置１０によれば、上述したように十分な実績データが得られない場合であっても、生産スケジュール等の所定の計画に関する機械学習を行うことができる。また、ユーザは、このようにして機械学習により構築された学習モデルを利用することにより、実際の生産に利用するための生産スケジュールを、適切に立案することが可能となる。

なお、情報処理装置１０は、このような生産スケジュールに限らず、作業者や機械等の何らかの作業単位に対する作業予定を自動で立案するようなもの全般に容易に適用することができる。例えば、看護師等の様々な職業の勤務スケジュール、学校の時間割、パイロットの乗務計画、船や飛行機の運航計画等の立案に容易に適用することができる。

＜第２変形例＞
上述の実施形態では、ユーザからの修正指示を教師データとして機械学習を行っていた。ただしこれは、ユーザの修正指示において、適切な配送計画そのものを受け付けることを排除するものではない。つまり、ユーザの修正指示において、適切な配送計画そのものを受け付けるようにしてもよい。例えば、図５のような形でユーザに配送計画を提示した上で、ユーザに、配送先及び到着予想時刻を示すカードを、自由に並び替えさせて正しい配送計画を作成させる。そして、このときにユーザが行った修正操作あるいは修正の結果として得られた配送計画から情報を抽出し、この抽出した情報を教師データとしてもよい。

本変形例について、配送先に対する時間指定を学習する場合を例にとって説明する。まず、前提として、学習部１１４は、各配送先に対して、配送が行われた各日における実績の訪問時刻データを教師データとして、各配送先に対して、配送が望ましいと考えられる時間帯を学習する何らかの学習モデルを構築するとする。
この場合、学習部１１４は、ステップＳ１３で提示した配送計画内に登場する各配送先の中で、ユーザが修正しなかったルート内の配送先を抽出し、それらに対してはこの配送計画内での訪問予定時刻を教師データ（以下、「第１教師データ」と称する。）とする。一方で、学習部１１４は、ユーザが修正したルート内の配送先に対しては、ユーザが修正した訪問順番に基づいて再計算された到着予想時刻を教師データ（以下、「第２教師データ」とする。
そして、学習部１１４は、配送計画から抽出した第１教師データと、ユーザからの修正指示に基づく第２教師データとに基づいて機械学習を行う。これにより、配送条件として「各配送先に対する望ましい配送時間帯」を出力する学習モデルを構築することが可能となる。

なお、上述した実施形態のように第２教師データのみを用いて機械学習を行うようにしてもよいし、第１教師データのみを用いて機械学習を行うようにしてもよい。更に、第１教師データと、第２教師データとの双方を用いて機械学習を行う場合に、これら教師データに対して、重要度を示す重み付けを与えてから機械学習を行うようにしてもよい。例えば、ユーザからの能動的な修正指示である第２教師データの方が重要と考え、第２教師データに対して重み付けを与えるようにしてもよい。

このように、第１教師データや第２教師データから機械学習を行うことにより、教師データとして完全な配送計画を用意する必要をなくすことが可能となる。すなわち、教師データとして、ユーザは、提示された配送計画の誤っている部分を修正するだけでよく、ゼロから独力で正しい配送計画を作成する必要がなくなる。従って、従来に比べて、より簡便に教師データを作成し、機械学習を行うことが可能となる。

本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。

例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。また、上述した各機能ブロックのそれぞれは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
換言すると、図に図示した機能的構成は例示に過ぎず、特に限定されない。すなわち、上述した一連の処理を全体として実行できる機能が情報処理装置１０に備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図１に図示した例に限定されない。この場合に、情報処理装置１０は、単体の装置により実現されてもよいが、複数の装置の組み合わせにより実現されてもよい。

例えば、本実施形態に含まれる機能的構成を、演算処理を実行するプロセッサによって実現することができ、本実施形態に用いることが可能なプロセッサには、シングルプロセッサ、マルチプロセッサ及びマルチコアプロセッサ等の各種処理装置単体によって構成されるものの他、これら各種処理装置と、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）又はＦＰＧＡ（Ｆｉｅｌｄ‐Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の処理回路とが組み合わせられたものを含む。

また、情報処理装置１０では、機械学習に伴う演算量が多いため、例えば、パーソナルコンピュータにＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）を搭載し、ＧＰＧＰＵ（Ｇｅｎｅｒａｌ－Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）と呼ばれる技術により、ＧＰＵを機械学習に伴う演算処理に利用するようにすると高速処理できるようになるのでよい。更には、より高速な処理を行うために、このようなＧＰＵを搭載したコンピュータを複数台用いてコンピュータ・クラスターを構築し、このコンピュータ・クラスターに含まれる複数のコンピュータにて並列処理を行うようにしてもよい。

また、一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワーク又は記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えば汎用のパーソナルコンピュータであってもよい。

このようなプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布されることによりユーザに提供されてもよく、装置本体に予め組み込まれた状態でユーザに提供されてもよい。装置本体とは別に配布される記憶媒体は、例えば、磁気ディスク（フロッピディスクを含む）、光ディスク、又は光磁気ディスク等により構成される。光ディスクは、例えば、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ），ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ），Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ（ブルーレイディスク）等により構成される。光磁気ディスクは、ＭＤ（Ｍｉｎｉ－Ｄｉｓｋ）等により構成される。また、装置本体に予め組み込まれた状態でユーザに提供される記録媒体は、例えば、プログラムが記録されている図のＲＯＭ１２、又は図１の記憶部１５に含まれるハードディスク等で構成される。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
また、本明細書において、システムの用語は、複数の装置及び複数の手段等より構成される全体的な装置を意味するものとする。

１０ 情報処理装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 通信部
１５ 記憶部
１６ 入力部
１７ 表示部
１１１ 情報取得部
１１２ 計画立案部
１１３ 提示部
１１４ 学習部
１５１ 配送対象情報記憶部
１５２ 配送条件記憶部
１５３ 学習モデル記憶部

Claims (7)

1. 入力された条件に対応した所定の計画を出力する立案手段と、
   前記立案手段が出力した所定の計画を、所定の形式でユーザに提示する提示手段と、
   前記所定の形式で提示された所定の計画を参照したユーザからの指示を受け付ける指示受付手段と、
   少なくとも前記ユーザからの指示に基づいて、前記立案手段に入力された条件を修正することにより機械学習を行い、前記機械学習により、前記所定の計画を立案するための条件を出力するための学習モデルを構築する学習手段と、
   を備え、
   前記提示手段は、前記指示受付手段が前記ユーザからの指示を受け付ける前に、前記所定の計画に加えて、前記ユーザが指示を行うキッカケ又は気付きとなる質問を提示し、
   前記立案手段は、更に、前記学習手段が構築した学習モデルの出力に基づく条件を入力され、該入力された条件に対応して前記所定の計画の内容を修正して出力する情報処理装置。
2. 前記所定の計画は、物品を配送するための配送計画であり、
   前記立案手段に入力された条件は、配送に関する条件である、
   請求項１に記載の情報処理装置。
3. 前記学習手段は、前記ユーザからの指示に加えて、前記所定の計画に含まれる情報であって、前記ユーザからの指示の対象とされなかった情報に更に基づいて機械学習を行う、
   請求項１又は２に記載の情報処理装置。
4. 前記提示手段は、前記所定の計画に加えて、前記ユーザの指示に関する選択肢を提示する、
   請求項１から３までの何れか１項に記載の情報処理装置。
5. 前記指示受付手段は、前記ユーザからの指示として、ユーザの主観に基づく適切な所定の計画の少なくとも一部を受け付ける、
   請求項１から４までの何れか１項に記載の情報処理装置。
6. 前記所定の形式は、前記所定の計画における時系列を可視化した画像を少なくとも含む形式であり、前記画像は、前記指示受付手段が指示を受け付けるためのユーザインタフェースとして機能する、
   請求項１から５までの何れか１項に記載の情報処理装置。
7. 情報処理装置としてコンピュータを機能させる情報処理プログラムであって、
   入力された条件に対応した所定の計画を出力する立案手段と、
   前記立案手段が出力した所定の計画を、所定の形式でユーザに提示する提示手段と、
   前記所定の形式で提示された所定の計画を参照したユーザからの指示を受け付ける指示受付手段と、
   少なくとも前記ユーザからの指示に基づいて、前記立案手段に入力された条件を修正することにより機械学習を行い、前記機械学習により、前記所定の計画を立案するための条件を出力するための学習モデルを構築する学習手段と、
   を備え、
   前記提示手段は、前記指示受付手段が前記ユーザからの指示を受け付ける前に、前記所定の計画に加えて、前記ユーザが指示を行うキッカケ又は気付きとなる質問を提示し、
   前記立案手段は、更に、前記学習手段が構築した学習モデルの出力に基づく条件を入力され、該入力された条件に対応して前記所定の計画の内容を修正して出力する情報処理装置、として前記コンピュータを機能させる情報処理プログラム。

Images