JP7306487B2 - テレワーク効果予測装置、方法及びプログラム - Google Patents

Description

本発明は、テレワーク効果予測装置、方法及びプログラムに関し、特に、テレワークの効果を予測するためのテレワーク効果予測装置、方法及びプログラムに関する。

通勤時の交通機関の混雑は事故の発生や大規模イベントの運営に支障をきたすなど社会的な課題となっており、混雑の解消が望まれている。交通機関の混雑を緩和する一手段としてテレワークが期待されている。ここで、テレワークとは、ＩＣＴ（Information and Communication Technology）を活用した、場所や時間にとらわれない柔軟な働き方をいう。テレワークとしては、例えば、在宅勤務、モバイルワーク、サテライトオフィス勤務等が挙げられる。

ここで、特許文献１には、地域単位のテレワーク人口を算出する技術が開示されている。特許文献１にかかる技術は、ある年度及び地域におけるテレワーク人口のデータベースを用いて、他の年度及び他の地域について回帰分析を行うことで、他の地域のテレワーク人口を算出するものである。

尚、特許文献２には、各駅における各車両の単位時間毎の混雑率の予測データを、平日及び休祝日並びに天気毎に統計的に計算する技術が開示されている。

特開２０１８－１５６３０７号公報 特開２０１２－１７４０２５号公報

ここで、通常の通勤時間帯にテレワークを行い、時差通勤を実施することで混雑の解消が期待できる。一方、出社を必要とする業務がある場合などには、交通機関の混雑が予測される場合であってもテレワークが適当でない状況が考えられる。このように、個人にとってテレワークが効果的か否かは、様々な要因が影響を与える。しかしながら、これらを勘案して個人ごとにテレワークの効果を定量的に判断する指標が、これまでは存在しなかった。

本開示は、このような問題点を解決するためになされたものであり、個人単位でテレワークの効果を定量的に判断するための指標を提示するためのテレワーク効果予測装置、方法及びプログラムを提供することを目的とする。

本開示の第１の態様にかかるテレワーク効果予測装置は、
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを記憶する記憶手段と、
指定日における特定のユーザの通勤経路の混雑度の予測値を取得する取得手段と、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出する算出手段と、
前記テレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する予測手段と、
前記予測された効果度に基づく情報を出力する出力手段と、
を備える。

本開示の第２の態様にかかるテレワーク効果予測方法は、
コンピュータが、
指定日における特定のユーザの通勤経路の混雑度の予測値を取得し、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出し、
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測し、
前記予測された効果度に基づく情報を出力する。

本開示の第３の態様にかかるテレワーク効果予測プログラムは、
指定日における特定のユーザの通勤経路の混雑度の予測値を取得する処理と、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出する処理と、
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する処理と、
前記予測された効果度に基づく情報を出力する処理と、
をコンピュータに実行させる。

本開示により、個人単位でテレワークの効果を定量的に判断するための指標を提示するためのテレワーク効果予測装置、方法及びプログラムを提供することができる。

本実施形態１にかかるテレワーク効果予測装置の構成を示すブロック図である。 本実施形態１にかかるテレワーク効果予測方法の流れを示すフローチャートである。 本実施形態２にかかるテレワーク効果予測システムを含む全体構成を示すブロック図である。 本実施形態２にかかるテレワーク効果予測システムの構成を示すブロック図である。 本実施形態２にかかるテレワーク効果予測モデルの学習処理の流れを示すフローチャートである。 本実施形態２にかかる学習用データの例を示す図である。 本実施形態２にかかる学習用データの例を示す図である。 本実施形態２にかかる学習用データの例を示す図である。 本実施形態２にかかる重回帰パラメータの例を示す図である。 本実施形態２にかかるテレワーク効果予測方法の流れを示すフローチャートである。 本実施形態２にかかる混雑度特定処理の流れを示すフローチャートである。 本実施形態２にかかる混雑度特定の概念を説明するための図である。 本実施形態２にかかる共同作業量算出処理の流れを示すフローチャートである。 本実施形態２にかかる共同作業量算出の概念を説明するための図である。 本実施形態２にかかる混雑度及び業務量に応じた予測結果（効果度）の例を示す図である。 本実施形態２にかかる混雑度、業務量及び予測結果（効果度）のグラフ表示の例を示す図である。 本実施形態２にかかる判定結果の出力処理の流れを示すフローチャートである。 本実施形態３にかかるテレワーク効果予測方法の流れを示すフローチャートである。 本実施形態４にかかるテレワーク効果予測システムの構成を示すブロック図である。 本実施形態４にかかる遠隔会議設定処理の流れを示すフローチャートである。

以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。

＜実施形態１＞
図１は、本実施形態１にかかるテレワーク効果予測装置１００の構成を示すブロック図である。テレワーク効果予測装置１００は、テレワークの効果度を予測するための情報処理装置である。テレワーク効果予測装置１００は、記憶部１１０と、取得部１２０と、算出部１３０と、予測部１４０と、出力部１５０とを備える。

記憶部１１０は、記憶手段の一例であり、テレワーク効果予測モデル１１１を少なくとも記憶する。テレワーク効果予測モデル１１１は、通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するためのロジックが実装されたプログラムモジュール又はＡＩ（Artificial Intelligence）モデルである。

取得部１２０は、取得手段の一例であり、指定日における特定のユーザの通勤経路の混雑度の予測値を取得する。ここで、混雑度とは、公共交通機関を利用した場合の通勤経路における所定区間（例えば、駅間）の車両の混雑度合いを示す値である。例えば、電車やバスの混雑率や乗車率であるか、混雑率を正規化した値であってもよい。取得部１２０は、混雑度を予測する公知の外部システム又はユーザからの入力により混雑度の予測値を取得する。

算出部１３０は、算出手段の一例であり、指定日における特定のユーザの作業予定から共同作業量を算出する。ここで、作業予定には、特定のユーザに設定されているタスクの種類（内容）と開始予定時刻と終了予定時刻とを対応付けた情報が含まれる。また、共同作業量とは、特定のユーザのタスクのうち他のユーザと共同で行うタスク（共同作業タスク）の数や共同作業タスクに要する時間等を示すデータである。

予測部１４０は、予測手段の一例であり、テレワーク効果予測モデル１１１を用いて、取得した予測値及び算出した共同作業量からテレワークの効果度を予測する。ここで、テレワークの効果度とは、テレワークを行った場合にタスクがどの程度はかどるかを示す度合いや指標値である。出力部１５０は、出力手段の一例であり、予測された効果度に基づく情報を出力する。尚、「効果度に基づく情報」とは、効果度そのものでも良く、または、効果度から所定の変換又は加工処理が行われたデータであっても良い。また、出力部１５０は、効果度に基づく情報を、テレワーク効果予測装置１００と接続された表示装置又は通信回線を用いて外部装置、例えばユーザ端末等へ出力してもよい。

図２は、本実施形態１にかかるテレワーク効果予測方法の流れを示すフローチャートである。尚、テレワーク効果予測装置１００は、ユーザからの入力等により外部から、予測対象の日付（指定日）の指定及び特定のユーザの識別情報等の入力を受け付け済であるものとする。

まず、取得部１２０は、指定日における特定のユーザの通勤経路の混雑度の予測値を取得する（Ｓ１１）。次に、算出部１３０は、指定日における特定のユーザの作業予定から共同作業量を算出する（Ｓ１２）。尚、ステップＳ１１とＳ１２の処理順序は逆であっても良く、または、ステップＳ１１及びＳ１２が並列して処理されてもよい。

続いて、予測部１４０は、テレワーク効果予測モデル１１１を用いて、ステップＳ１１で取得した予測値及びステップＳ１２で算出した共同作業量からテレワークの効果度を予測する（Ｓ１３）。例えば、予測部１４０は、取得した予測値及び算出した共同作業量をテレワーク効果予測モデル１１１に入力し、出力結果としてテレワークの効果度を取得することにより、効果度を予測する。そして、出力部１５０は、予測された効果度に基づく情報を出力する（Ｓ１４）。

上述したようにこれまでは、業務状況と通勤の混雑状況とを照らし合わせて、通勤混雑の解消にテレワークが効果的かどうかを定量的に判断する根拠を示せていなかった。これに対し、本実施形態では、個人単位でテレワークの効果を定量的に判断するための指標を提示することができる。

尚、テレワーク効果予測装置１００は、図示しない構成としてプロセッサ、メモリ及び記憶装置を備えるものである。また、当該記憶装置には、本実施形態にかかるテレワーク効果予測方法の処理が実装されたコンピュータプログラムが記憶されている。そして、当該プロセッサは、記憶装置からコンピュータプログラムを前記メモリへ読み込ませ、当該コンピュータプログラムを実行する。これにより、前記プロセッサは、取得部１２０、算出部１３０、予測部１４０及び出力部１５０の機能を実現する。

または、取得部１２０、算出部１３０、予測部１４０及び出力部１５０は、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。また、プロセッサとして、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（field-programmable gate array）等を用いることができる。

また、テレワーク効果予測装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。また、テレワーク効果予測装置１００の機能がＳａａＳ（Software as a Service）形式で提供されてもよい。

＜実施形態２＞
本実施形態２は、上述した実施形態１の具体例である。図３は、本実施形態２にかかるテレワーク効果予測システム５を含む全体構成を示すブロック図である。路線運行実績管理及び運行時刻予測システム１、社員情報管理システム２、スケジュール管理システム３、経路検索システム４、テレワーク効果予測システム５及びユーザ端末６のそれぞれは、ネットワークＮを介して相互に接続されている。

路線運行実績管理及び運行時刻予測システム１は、公共交通機関における路線の運用実績を管理し、また、運行時刻を予測するための情報システムである。路線運行実績管理及び運行時刻予測システム１は、特定の公共交通機関又は公共交通機関とは別の企業等により運用される公知の情報システムにより実現可能である。路線運行実績管理及び運行時刻予測システム１は、外部のシステム（例えば、テレワーク効果予測システム５）からネットワークＮを介して、指定日及び（通勤）経路の入力を受け付けた場合に、当該通勤経路の混雑率を算出し、算出した混雑率をネットワークＮを介して返信する。ここで、混雑率は、各駅間の各車両の乗車率である。また、混雑率は、複数の車両の平均値とする。また、路線運行実績管理及び運行時刻予測システム１は、受け付けた指定日が将来の日付（当日の場合、将来の時刻）である場合、混雑率を予測し、混雑率の予測値を返信する。ここで、混雑率の予測処理は、過去の混雑率の履歴に基づき、一般的な予測アルゴリズムを用いて行われる。例えば、特許文献２にかかる技術を適用してもよい。

社員情報管理システム２は、本実施形態におけるテレワークの効果度の予測対象のユーザが所属する企業における社員情報を管理するための情報システムである。社員情報には、各社員（ユーザ）の識別情報に対応付けられた通勤経路に関する情報（以下、「通勤経路情報」という。）が含まれる。ここで、通勤経路情報には、自宅の最寄り駅（出発駅）、勤務先の最寄り駅（到着駅）、通過（経由）駅が含まれる。つまり、社員情報管理システム２は、社員情報のデータベースシステムを含む。社員情報管理システム２は、テレワーク効果予測システム５又はユーザ端末６からネットワークＮを介して、ユーザの識別情報（ユーザＩＤ等）を含めて通勤経路に関する情報の要求を受け付ける。その場合、社員情報管理システム２は、上記データベースから当該ユーザＩＤに対応付けられた通勤経路情報を特定し、特定した通勤経路情報を、ネットワークＮを介して要求元へ返信する。

スケジュール管理システム３は、上記予測対象のユーザが所属する企業における各社員の作業スケジュール（作業予定）を管理するための情報システムである。作業スケジュールには、ユーザの識別情報に対応付けられた日ごとのタスクリストが含まれる。タスクリストに含まれる各タスクは、タスクの識別情報（タスクＩＤ）、タスク種別又は内容、作業開始予定時刻、作業終了予定時刻が対応付けられている。つまり、スケジュール管理システム３は、作業スケジュールのデータベースシステムを含む。スケジュール管理システム３は、テレワーク効果予測システム５又はユーザ端末６からネットワークＮを介して、ユーザＩＤ等を含めてタスクリストの要求を受け付ける。その場合、スケジュール管理システム３は、上記データベースから当該ユーザＩＤに対応付けられたタスクリストを特定し、特定したタスクリストを、ネットワークＮを介して要求元へ返信する。

経路検索システム４は、交通機関の経路検索を行うための情報システムである。経路検索システム４は、ネットワークＮを介して、ユーザ端末６等から出発駅と到着駅とを含む検索要求を受信し、交通機関の経路情報の検索結果を要求元へ返信する。尚、経路検索システム４は、路線運行実績管理及び運行時刻予測システム１と連携して検索を行っても良い。

ユーザ端末６は、予測対象のユーザ又はその関係者であるユーザにより操作が行われる端末装置である。ユーザ端末６は、例えば、パーソナルコンピュータ、スマートフォン、タブレット端末等である。ユーザ端末６は、ユーザの操作に応じて、ネットワークＮを介して社員情報管理システム２、スケジュール管理システム３、経路検索システム４又はテレワーク効果予測システム５へアクセスする。そして、ユーザ端末６は、ネットワークＮを介して各システムから応答結果を受信し、画面に表示等を行う。特に、本実施形態では、ユーザ端末６は、ユーザの入力に応じて、予測対象のユーザ（特定のユーザ）の識別情報等を含むテレワーク効果の予測要求を、ネットワークＮを介して、テレワーク効果予測システム５へ送信する。そして、ユーザ端末６は、ネットワークＮを介して、テレワーク効果予測システム５から予測された効果度に基づく情報を受信し、画面に表示を行う。

テレワーク効果予測システム５は、上述したテレワーク効果予測装置１００の一例であり、テレワークの効果度の予測を行う情報システムである。テレワーク効果予測システム５は、ネットワークＮを介して、ユーザ端末６からテレワーク効果の予測要求を受信する。そして、テレワーク効果予測システム５は、予測要求に応じて、路線運行実績管理及び運行時刻予測システム１、社員情報管理システム２及びスケジュール管理システム３から適宜、通勤経路、混雑率、タスクリストを取得する。そして、テレワーク効果予測システム５は、混雑率から混雑度を特定し、タスクリストから共同作業量を算出する。そして、テレワーク効果予測システム５は、混雑度及び共同作業量を後述するテレワーク効果予測モデルに入力し、効果度を取得することにより予測する。その後、テレワーク効果予測システム５は、ネットワークＮを介して、予測された効果度に基づく情報をユーザ端末６へ送信する。

また、テレワーク効果予測システム５は、テレワーク効果予測モデルの学習装置としての側面を備える。テレワーク効果予測システム５は、ネットワークＮを介して、路線運行実績管理及び運行時刻予測システム１、社員情報管理システム２及びスケジュール管理システム３から機械学習の学習用の入力データを取得する。また、テレワーク効果予測システム５は、テレワークを実際に行ったユーザから、実施日におけるテレワークの効果度を評価したアンケート結果を取得し、機械学習の学習用の正解データとする。テレワーク効果予測システム５は、学習用データ（入力データ及び正解データ）を用いてテレワーク効果予測モデルの学習を行い、最適なパラメータに更新する。

図４は、本実施形態２にかかるテレワーク効果予測システム５の構成を示すブロック図である。テレワーク効果予測システム５は、１台のコンピュータ装置で実現する場合のハードウェア構成の一部を模式的に示したものである。尚、テレワーク効果予測システム５は、２台以上のコンピュータ装置により冗長化しても良いし、複数台のコンピュータ装置に機能を分割して実現してもよい。

テレワーク効果予測システム５は、記憶部５１と、メモリ５２と、制御部５３と、ＩＦ（Interface）部５４とを備える。記憶部５１は、上述した記憶部１１０の一例であり、ハードディスク、フラッシュメモリ等の記憶装置である。記憶部５１は、混雑度５１１と、共同作業量５１２と、テレワーク効果予測モデル５１３と、テレワーク効果予測プログラム５１４とを少なくとも記憶する。

混雑度５１１は、通勤経路を複数の区間に分けた場合の各区間における混雑率から選出された、時間帯ごとの最大の混雑率を正規化した値である。共同作業量５１２は、特定の時間帯に設定されたタスクのうち共同作業に該当する作業量（重複して設定された共同作業のタスク数）である。

テレワーク効果予測モデル５１３は、上述したテレワーク効果予測モデル１１１の一例である。テレワーク効果予測モデル５１３は、通勤の混雑度合い及び業務状況と、テレワークの効果の関係を定量化したモデルである。テレワーク効果予測モデル５１３は、混雑度５１１及び共同作業量５１２（の正規化値）を入力とし、テレワークの効果度を出力とする、学習済みのモデルである。テレワーク効果予測モデル５１３は、例えば、重回帰分析、サポートベクターマシン、ニューラルネットワーク等により実現可能である。尚、学習処理については後述する。

テレワーク効果予測プログラム５１４は、本実施形態にかかるテレワーク効果予測方法が実装されたコンピュータプログラムである。

メモリ５２は、ＲＡＭ（Random Access Memory）等の揮発性記憶装置であり、制御部５３の動作時に一時的に情報を保持するための記憶領域である。ＩＦ部５４は、テレワーク効果予測システム５の外部との入出力を行うインタフェースである。例えば、ＩＦ部５４は、ネットワークＮを介して受け付けた予測要求を制御部５３へ出力し、予測結果等をネットワークＮを介して要求元へ送信する。

制御部５３は、テレワーク効果予測システム５の各構成を制御するプロセッサつまり制御装置である。制御部５３は、記憶部５１からテレワーク効果予測プログラム５１４をメモリ５２へ読み込ませ、テレワーク効果予測プログラム５１４を実行する。これにより、制御部５３は、学習部５３１、特定部５３２、算出部５３３、予測部５３４及び出力部５３５の機能を実現する。尚、特定部５３２は取得部１２０の一例であり、算出部５３３は算出部１３０の一例であり、予測部５３４は予測部１４０の一例であり、出力部５３５は出力部１５０の一例である。

学習部５３１は、学習手段の一例であり、テレワーク効果予測モデル５１３の学習を行う。その際、学習部５３１は、複数のユーザのそれぞれの通勤経路における過去の混雑率と、各ユーザの過去の作業日における共同作業量とを機械学習の学習用の入力データとして用いる。また、学習部５３１は、各ユーザによる当該作業日におけるテレワークの効果度の評価情報を機械学習の学習用の正解データとして用いる。ここで、過去の混雑率の代わりに、正規化した混雑度５１１を入力データとしてもよい。また、共同作業量の代わりに、共同作業量を正規化した値（以下、「業務量」と呼ぶ。）を入力データとしてもよい。また、「テレワークの効果度の評価情報」とは、各ユーザにアンケートを取り、効果度を数値で評価したものとする。評価情報は、例えば、テレワークを実施した日と実施しなかった日とを同様の評価基準で１０段階で評価したものであってもよい。このとき、例えば、評価値が０に近いほど効果が低く、１０に近いほど効果が高いことを示しても良い。また、評価情報は、同一の通勤経路を利用している複数のユーザによる評価値の平均値を用いても良い。これらにより、予測精度の高いモデルを生成できる。

尚、本実施形態において学習部５３１は必須ではない。例えば、テレワーク効果予測システム５は、外部で事前に学習済みのテレワーク効果予測モデル５１３を記憶部５１に格納してもよい。また、学習部５３１は、テレワーク効果予測システム５とは異なる情報処理装置に備えられたものであってもよい。

特定部５３２は、ユーザ端末６からの予測要求に応じて、指定日における特定のユーザの通勤経路の各駅間の混雑率を取得し、時間帯ごとに駅間の混雑率を平滑化して最大の混雑率を特定する。さらに、特定部５３２は、混雑率を正規化して混雑度として特定する。

算出部５３３は、ユーザ端末６からの予測要求に応じて、指定日における特定のユーザのタスクリストを取得し、各タスクを個人作業又は共同作業のいずれかに分類する。算出部５３３は、共同作業に分類されたタスクの実施予定時間帯の重なり度合いを算出し、重なり度合いを正規化して（共同作業の）業務量として算出する。

予測部５３４は、特定された混雑度と算出された業務量とをテレワーク効果予測モデル５１３に入力し、出力結果をテレワークの効果度として取得することにより予測する。

出力部５３５は、予測部５３４により予測された効果度に対する判定結果を出力する。ここで、出力部５３５は、効果度が閾値を超えた場合にテレワークが効果的であると判定し、効果度が閾値以下の場合にテレワークが効果的でないと判定してもよい。また、出力部５３５は、時間帯ごとに効果度を出力してもよい。例えば、出力部５３５は、時間軸に沿って効果度をグラフ表示するようにユーザ端末６へ出力してもよい。すなわち、出力部５３５は、指定日における時間帯に応じた、かつ、予測された効果度に基づく情報を出力してもよい。

図５は、本実施形態２にかかるテレワーク効果予測モデルの学習処理の流れを示すフローチャートである。まず、学習部５３１は、路線運行実績管理及び運行時刻予測システム１から所定の（１以上の）ユーザの通勤経路における過去の混雑率を取得する（Ｓ２１）。具体的には、学習部５３１は、ネットワークＮを介して路線運行実績管理及び運行時刻予測システム１に対して、所定の（１以上の）通勤経路における過去の混雑率の取得要求を送信する。そして、路線運行実績管理及び運行時刻予測システム１は、取得要求に応じて、過去の混雑率の履歴から所定の通勤経路に対応する複数の時間帯の混雑率を取得し、テレワーク効果予測システム５へ返信する。

次に、学習部５３１は、スケジュール管理システム３から所定の（１以上の）ユーザの過去のスケジュールの共同作業量を取得する（Ｓ２２）。具体的には、学習部５３１は、ネットワークＮを介してスケジュール管理システム３に対して、所定の（１以上の）ユーザにおける過去の共同作業量の取得要求を送信する。そして、スケジュール管理システム３は、取得要求に応じて、過去のスケジュールの履歴から所定のユーザに対応する複数の時間帯のタスクリストを取得し、テレワーク効果予測システム５へ返信する。そして、学習部５３１は、取得したタスクリストから各タスクを個人作業又は共同作業のいずれかに分類し、共同作業に分類されたタスクの実施予定時間帯の重なり度合いを共同作業量として算出する。

続いて、学習部５３１は、ユーザが作成した過去のテレワーク効果に対するアンケート結果を取得する（Ｓ２３）。例えば、学習部５３１は、ユーザ端末６からネットワークＮを介して、複数の時間帯のアンケート結果の入力を受け付ける。ここで、アンケート結果とは、上述した「テレワークの効果度の評価情報」に相当する。尚、ステップＳ２１からＳ２３の処理順序は、これに限定されない。

その後、学習部５３１は、混雑率と共同作業量とアンケート結果を正規化する（Ｓ２４）。つまり、学習部５３１は、複数の時間帯の各混雑率について、２００％を基準値（例えば「１．０」）として正規化して、各値を混雑度とする。また、学習部５３１は、複数の時間帯の各共同作業量について、「６」を最大値として正規化して、各値を業務量とする。また、学習部５３１は、複数の時間帯の各アンケート結果について、「１０」を最大値として正規化して、各値を目標値とする。

以上、ステップＳ２１からＳ２４により、テレワーク効果予測モデル５１３の学習用データが生成できる。つまり、ここでの学習用データは、時間帯ごとの混雑度、業務量及び目標値のデータセットである。ここで、図６から図８は、本実施形態２にかかる学習用データの例を示す図である。ここでは、異なる日付における６時から２３時までの１時間ごとの混雑率と混雑度、共同作業量と業務量、並びに、アンケート結果と目標値の関係を示す。

続いて、学習部５３１は、正規化後の混雑率（混雑度）と正規化後の共同作業量（業務量）を入力、正規化後のアンケート結果（目標値）を出力として重回帰分析を行い、重回帰パラメータを算出する（Ｓ２５）。図９は、本実施形態２にかかる重回帰パラメータの例を示す図である。学習部５３１は、算出された重回帰パラメータをテレワーク効果予測モデル５１３に設定して記憶部５１に保存する。

図１０は、本実施形態２にかかるテレワーク効果予測方法の流れを示すフローチャートである。まず、テレワーク効果予測システム５は、ユーザ情報及びテレワーク効果予測日の入力を受け付ける（Ｓ３１）。具体的には、ユーザ端末６は、ユーザの入力により、特定のユーザの識別情報等のユーザ情報とテレワーク効果予測日（以下、「指定日」という。）を受け付け、ネットワークＮを介してテレワーク効果予測システム５へユーザ情報及び指定日を送信する。これに応じて、テレワーク効果予測システム５の制御部５３は、ユーザ情報及び指定日を受信する。言い換えると、テレワーク効果予測システム５は、ユーザ端末６からテレワークの効果度の予測要求を受信する。

次に、特定部５３２は、混雑度特定処理を行う（Ｓ３２）。図１１は、本実施形態２にかかる混雑度特定処理の流れを示すフローチャートである。また、図１２は、本実施形態２にかかる混雑度特定の概念を説明するための図である。以下、図１１に沿って説明し、適宜、図１２を参照する。

まず、特定部５３２は、通勤経路情報を取得する（Ｓ３２１）。具体的には、特定部５３２は、ネットワークＮを介して社員情報管理システム２に対して、通勤経路情報の取得要求を送信する。ここで、特定部５３２は、取得要求にステップＳ３１で受信したユーザ情報を含める。これに応じて、社員情報管理システム２は、上述したように、取得要求に含まれるユーザ情報から通勤経路情報を特定し、特定した通勤経路情報をネットワークＮを介してテレワーク効果予測システム５へ返信する。これにより、特定部５３２は、受信したユーザ情報における通勤経路情報を取得する。

次に、特定部５３２は、通勤経路における各駅間の混雑率の予測値を取得する（Ｓ３２２）。具体的には、特定部５３２は、ネットワークＮを介して路線運行実績管理及び運行時刻予測システム１に対して、ステップＳ３１で受信した指定日及びステップＳ３２１で取得した通勤経路を含めた混雑率の予測値の取得要求を送信する。これに応じて、路線運行実績管理及び運行時刻予測システム１は、過去の混雑率に基づき、取得要求に含まれる指定日及び通勤経路における混雑率の予測値を算出する。このとき、路線運行実績管理及び運行時刻予測システム１は、通勤経路を複数の区間（駅間）に分割し、駅間ごとに車両の混雑率の予測値（時系列の推移）を算出する。そして、路線運行実績管理及び運行時刻予測システム１は、算出した混雑率の予測値を、ネットワークＮを介してテレワーク効果予測システム５へ返信する。これにより、特定部５３２は、指定日及び特定のユーザの通勤経路における混雑率の予測値を取得する。図１２のＳ３２２の例では、出発駅と通過駅Ａの間、通過駅Ａと通過駅Ｂの間、及び、通過駅Ｂと到着駅の間のそれぞれの混雑率の時間の推移の予測が取得されたことを示す。尚、路線運行実績管理及び運行時刻予測システム１は、取得要求に応じてリアルタイムに混雑率を算出する必要はなく、予めタイミングを設定したバッチ処理により順次、混雑率の予測値を算出し、保持していてもよい。

続いて、特定部５３２は、駅間ごとに、混雑率を１時間毎にサンプリング（平滑化）する（Ｓ３２３）。具体的には、特定部５３２は、取得した駅間の混雑率の時系列の推移を所定範囲の時間帯（例えば１時間）ごとに分割する。図１２のＳ３２３の例では、各駅間の混雑率の時系列の推移を１時間ごとに３分割していることを示す。尚、「所定範囲」は、１時間に限定されず、設定により変更可能としてよい。そして、特定部５３２は、駅間の混雑率を時間帯ごとに平滑化する。例えば、特定部５３２は、出発駅から通過駅Ａの間で分割された各時間帯において混雑率を平均化する。または、特定部５３２は、各時間帯において最大の混雑率をその時間帯の混雑率とする。尚、特定部５３２は、各時間帯において他の混雑率より大きく乖離している混雑率を平均化又は除去してもよい。

その後、特定部５３２は、１時間毎に複数の駅間の中で最大の混雑率を選出する（Ｓ３２４）。つまり、特定部５３２は、時間帯ごとに駅間を横断して平滑化された混雑率を比較し、その中で最大の混雑率を選出する。言い換えると、特定部５３２は、駅間で時間帯が共通する混雑率のうち最大の混雑率を選出し、当該時間帯の混雑率とする。図１２のＳ３２４の例では、第１の時間帯と第３の時間帯において通過駅Ｂから到着駅の間の（平滑化された）混雑率が選出され、第２の時間帯において通過駅Ａから通過駅Ｂの間の混雑率が選出されたことを示す。

そして、特定部５３２は、各時間帯で選出された混雑率を正規化して混雑度として特定する（Ｓ３２５）。例えば、特定部５３２は、各混雑率の値について、０％から２００％を０から１の範囲となるように正規化し、正規化後の値を混雑度とする。そのため、仮に混雑度が２２０％の場合、混雑度は１．１と算出される。この場合、正規化の最大値を２００％と呼ぶこともある。そして、正規化の最大値は２００％に限定されず、設定により変更可能としてよい。

図１０に戻り説明を続ける。ステップＳ３１の後、特定部５３２は、共同作業量算出処理を行う（Ｓ３３）。図１３は、本実施形態２にかかる共同作業量算出処理の流れを示すフローチャートである。また、図１４は、本実施形態２にかかる共同作業量算出の概念を説明するための図である。以下、図１３に沿って説明し、適宜、図１４を参照する。

まず、算出部５３３は、スケジュール管理システム３からタスクリストを取得する（Ｓ３３１）。具体的には、算出部５３３は、ネットワークＮを介してスケジュール管理システム３に対して、タスクリストの取得要求を送信する。ここで、算出部５３３は、取得要求にステップＳ３１で受信したユーザ情報及び指定日を含める。但し、スケジュール管理システム３のアクセスに必要なユーザ情報が不足している場合には、事前に、算出部５３３は、ステップＳ３１で受信したユーザ情報から詳細なユーザ情報を取得するように、社員情報管理システム２へ要求しておくものとする。

スケジュール管理システム３は、テレワーク効果予測システム５からタスクリストを取得要求を受信すると、上述したように、取得要求に含まれるユーザ情報に対応付けられたタスクリストを特定する。そして、スケジュール管理システム３は、特定したタスクリストを、ネットワークＮを介してテレワーク効果予測システム５へ返信する。これにより、算出部５３３は、受信したユーザ情報及び指定日におけるタスクリストを取得する。図１４のＳ３３１の例では、一定時間内にタスクＡからＧが一部重複して設定されていることを示す。

次に、算出部５３３は、タスクリスト内の各タスクを個人作業又は共同作業のいずれかに分類する（Ｓ３３２）。例えば、タスクの種別又は内容がプログラムのコーディングや資料作成である場合、当該タスクは個人作業と分類される。一方、タスクの種別又は内容が会議や客先訪問である場合、当該タスクは共同作業と分類される。図１４のＳ３３２の例では、上述したタスクＡからＧが個人作業又は共同作業のいずれかに分類されたことを示す。

続いて、算出部５３３は、作業時間帯を１時間毎に分割する（Ｓ３３３）。例えば、算出部５３３は、指定日の午前６時から２４時までを１時間単位の時間帯に分割する。図１４のＳ３３３の例では、作業時間帯が６分割されたことを示す。尚、分割する時間帯は、１時間毎に限定されず、設定により変更可能としてよい。

その後、算出部５３３は、時間帯毎に共同作業の合計値を算出する（Ｓ３３４）。つまり、算出部５３３は、時間帯毎に共同作業に分類されたタスクの数を集計する。図１４のＳ３３４の例では、左から３番目の時間帯において、共同作業が３つ重複するため、合計値が３として算出されることを示す。

そして、算出部５３３は、時間帯毎に共同作業量を正規化する（Ｓ３３５）。例えば、算出部５３３は、各時間帯の共同作業量について、「６」を最大値として正規化して、各値を業務量とする。尚、共同作業量の最大値は、６に限定されず、設定により変更可能としてよい。

図１０に戻り説明を続ける。ステップＳ３２及びＳ３３の後、予測部５３４は、テレワークの効果度を予測する（Ｓ３４）。具体的には、上述したように、予測部５３４は、ステップＳ３２で特定された混雑度とステップＳ３３で算出された業務量とをテレワーク効果予測モデル５１３に入力し、出力結果をテレワークの効果度として取得する。図１５は、本実施形態２にかかる混雑度及び業務量に応じた予測結果（効果度）の例を示す図である。また、図１６は、本実施形態２にかかる混雑度、業務量及び予測結果（効果度）のグラフ表示の例を示す図である。

その後、出力部５３５は、効果度に対する判定結果の出力処理を行う（Ｓ３５）。図１７は、本実施形態２にかかる判定結果の出力処理の流れを示すフローチャートである。まず、出力部５３５は、各時間帯のテレワークの効果度のそれぞれについて、閾値Ｔより大きいか否かを判定する（Ｓ３５１）。ここで閾値Ｔは例えば０．５とする。そのため、テレワークの効果度が０．５より大きい場合、出力部５３５は、テレワークが効果的であることを判定結果として設定する（Ｓ３５２）。一方、テレワークの効果度が０．５以下である場合、出力部５３５は、テレワークが効果的ではないことを判定結果として設定する（Ｓ３５３）。尚、各時間帯についてステップＳ３５１からＳ３５３を繰り返してもよい。

ステップＳ３５２又はＳ３５３の後、出力部５３５は、判定結果等をユーザ端末６へ出力する（Ｓ３５４）。すなわち、出力部５３５は、時間帯毎の判定結果や効果度をネットワークＮを介してユーザ端末６へ送信する。これに応じて、ユーザ端末６は、受信した時間帯毎の判定結果や効果度を画面に表示する。尚、出力部５３５は、図１６に示したようなグラフをネットワークＮを介してユーザ端末６へ出力し、ユーザ端末６の画面に表示させてもよい。

このように、ユーザ端末６のユーザは、ステップＳ３１で入力した特定のユーザ及び指定日について、時間帯毎にテレワークを行うことが効果的か否かを客観的な指標により把握することができる。そのため、より適切なタイミングでテレワークを行うことができる。そして、それ故にテレワークの普及及び促進に寄与することができる。

上述したように、現状では、テレワークが効果的かどうかの定量的な指標が存在しないため、主観的な基準以外で将来的なテレワークを実施するべきかどうか判断できなかった。ここで、テレワークの効果の指標は、例えば通勤電車の混雑率が高ければ高くなり、共同作業が必要な業務が増えるほど低くなるような、通勤混雑と業務内容に相関があるといえる。そのため、本実施形態では、テレワーク効果予測モデル５１３を用いることで、将来的なテレワークの効果度を定量的に予測することができる。

＜実施形態３＞
本実施形態３は、上述した実施形態２の改良例である。ここでは、特定のユーザが複数の通勤経路を選択し得る場合におけるテレワークの効果度の予測を対象とする。例えば、複数の通勤経路としては、勤務先の最寄り駅に向かう通常の経路の他に迂回経路がある場合がある。または、複数の通勤経路としては、通常の勤務先以外のサテライトオフィスがあり、到着駅にサテライトオフィスの最寄り駅が指定できる場合などがある。尚、本実施形態３にかかるテレワーク効果予測システム及び周辺のシステムは、図３と同等であり、テレワーク効果予測システム５の構成図も図４と同等であるため、図示及び詳細な説明を省略する。以下では、本実施形態３に特有の構成及び処理を中心に説明する。

本実施形態３にかかる特定部５３２は、指定日における特定のユーザの通勤経路が複数ある場合、各通勤経路に対応する複数の予測値を取得する。本実施形態３にかかる予測部５３４は、予測値が複数取得された場合、各通勤経路に対応する複数の効果度を予測する。本実施形態３にかかる出力部５３５は、予測された複数の効果度をソートし、ソート結果に基づく情報を出力する。これらにより、より適切な通勤経路を選択して出勤ができる。例えば、サテライトオフィスを利用する場合の経路も示され得るため、結果的にテレワークを促進することにもなり得る。

さらに、出力部５３５は、ソート結果のうち効果度が所定値より低い通勤経路を出力する。これにより、テレワークの効果度が低い場合に、適切な通勤経路を選択して出勤することで、勤務先での業務をより適切に行うことができる。

図１８は、本実施形態３にかかるテレワーク効果予測方法の流れを示すフローチャートである。ここでは、上述した図１０と同様の処理については説明を省略する。

まず、ステップＳ３２において、指定日における特定のユーザの通勤経路が複数存在するものとする。この場合、特定部５３２は、各通勤経路に対応する複数の予測値を取得し、通勤経路ごとの混雑度を特定する。

ステップＳ３２及びＳ３３の後、予測部５３４は、未予測の通勤経路を一つ選択する（Ｓ４１）。そして、予測部５３４は、選択した通勤経路に関するテレワークの効果度を予測する（Ｓ３４）。その後、予測部５３４は、未予測の通勤経路があるか否かを判定する（Ｓ４２）。未予測の通勤経路があると判定した場合、予測部５３４は、ステップＳ４１、Ｓ３４及びＳ４２を繰り返す。

一方、ステップＳ４２において、未予測の通勤経路がないと判定した場合、出力部５３５は、効果度が低い順に通勤経路をソートする（Ｓ４３）。その後、出力部５３５は、ソート結果のうち効果度が所定値以下の通勤経路を出力する（Ｓ４４）。例えば、出力部５３５は、ネットワークＮを介してユーザ端末６へ、ソート結果を送信する。または、出力部５３５は、ネットワークＮを介してユーザ端末６へ、効果度が所定値以下の通勤経路を送信する。これに応じて、ユーザ端末６は、受信した通勤経路のソート結果を画面に表示する。

＜実施形態４＞
本実施形態４は、上述した実施形態２又は３の改良例である。本実施形態４は、遠隔会議の自動設定方法である。図１９は、本実施形態４にかかるテレワーク効果予測システム５ａの構成を示すブロック図である。テレワーク効果予測システム５ａは、上述したテレワーク効果予測システム５と比べて、設定部５３６が追加され、テレワーク効果予測プログラム５１４がテレワーク効果予測プログラム５１４ａに置き換わったものである。これら以外の構成は、実施形態２と同様であるため説明を省略する。

設定部５３６は、算出部５３３が算出した効果度が所定値より高く、当該効果度に対応する時間帯に共同作業が予定されている場合、特定のユーザを遠隔会議の参加者として設定する。テレワーク効果予測プログラム５１４ａは、本実施形態２又は３にかかるテレワーク効果予測方法に加え、後述する遠隔会議設定処理が実装されたコンピュータプログラムである。

図２０は、本実施形態４にかかる遠隔会議設定処理の流れを示すフローチャートである。例えば、図１０のステップＳ３４による効果度の予測が済んでいるものとする。また、本遠隔会議設定処理は、ステップＳ３５の出力処理と並列又は独立して実行してもよい。

まず、設定部５３６は、各時間帯のテレワークの効果度のそれぞれについて、閾値Ｔより大きいか否かを判定する（Ｓ５１）。テレワークの効果度が閾値Ｔより大きい場合、設定部５３６は、対応する時間帯に共同作業が予定されているか否かを判定する（Ｓ５２）。対応する時間帯に共同作業が予定されている場合、設定部５３６は、特定のユーザを遠隔会議の参加者として設定する（Ｓ５３）。例えば、設定部５３６は、ネットワークＮを介してスケジュール管理システム３に対して遠隔会議の設定要求を送信する。その際、設定要求には、遠隔会議の参加者に特定のユーザを含める。尚、ステップＳ５１又はＳ５２においてＮＯと判定された場合、当該処理を終了する。

このように本実施形態４では、上述したようにテレワークの効果度を予測し、テレワークが効果的とされ、かつ、テレワークが効果的とされる時間帯に予定されている共同作業が会議である場合において、自動的に新規で遠隔会議を設定するものである。これにより、遠隔会議の利用を促進できる。

＜その他の実施形態＞
上述した各実施形態は、電車の混雑情報を提供する技術分野又は業務管理技術を提供する技術分野での新たな付加価値として利用が考えられる。

尚、上述の実施形態では、ハードウェアの構成として説明したが、これに限定されるものではない。本開示は、任意の処理を、ＣＰＵにコンピュータプログラムを実行させることにより実現することも可能である。

上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、ＤＶＤ（Digital Versatile Disc）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

なお、本開示は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。また、本開示は、それぞれの実施形態を適宜組み合わせて実施されてもよい。

上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
（付記Ａ１）
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを記憶する記憶手段と、
指定日における特定のユーザの通勤経路の混雑度の予測値を取得する取得手段と、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出する算出手段と、
前記テレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する予測手段と、
前記予測された効果度に基づく情報を出力する出力手段と、
を備えるテレワーク効果予測装置。
（付記Ａ２）
複数のユーザのそれぞれの通勤経路における過去の混雑率と、各ユーザの過去の作業日における共同作業量と、各ユーザによる当該作業日におけるテレワークの効果度の評価情報とを用いて、前記テレワーク効果予測モデルを学習する学習手段をさらに備える
付記Ａ１に記載のテレワーク効果予測装置。
（付記Ａ３）
前記出力手段は、前記予測された効果度に対する判定結果を出力する
付記Ａ１又はＡ２に記載のテレワーク効果予測装置。
（付記Ａ４）
前記出力手段は、前記指定日における時間帯に応じた前記予測された効果度に基づく情報を出力する
付記Ａ１乃至Ａ３のいずれか１項に記載のテレワーク効果予測装置。
（付記Ａ５）
前記取得手段は、前記指定日における前記特定のユーザの通勤経路が複数ある場合、各通勤経路に対応する複数の前記予測値を取得し、
前記予測手段は、前記予測値が複数取得された場合、各通勤経路に対応する複数の前記効果度を予測し、
前記出力手段は、前記予測された複数の前記効果度をソートし、ソート結果に基づく情報を出力する
付記Ａ１乃至Ａ４のいずれか１項に記載のテレワーク効果予測装置。
（付記Ａ６）
前記出力手段は、前記ソート結果のうち効果度が所定値より低い通勤経路を出力する
付記Ａ５に記載のテレワーク効果予測装置。
（付記Ａ７）
前記算出した効果度が所定値より高く、当該効果度に対応する時間帯に共同作業が予定されている場合、前記特定のユーザを遠隔会議の参加者として設定する設定部をさらに備える
付記Ａ１乃至Ａ６のいずれか１項に記載のテレワーク効果予測装置。
（付記Ｂ１）
コンピュータが、
指定日における特定のユーザの通勤経路の混雑度の予測値を取得し、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出し、
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測し、
前記予測された効果度に基づく情報を出力する、
テレワーク効果予測方法。
（付記Ｃ１）
指定日における特定のユーザの通勤経路の混雑度の予測値を取得する処理と、
前記指定日における前記特定のユーザの作業予定から共同作業量を算出する処理と、
通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する処理と、
前記予測された効果度に基づく情報を出力する処理と、
をコンピュータに実行させるテレワーク効果予測プログラムが格納された非一時的なコンピュータ可読媒体。

以上、実施形態（及び実施例）を参照して本願発明を説明したが、本願発明は上記実施形態（及び実施例）に限定されものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１００ テレワーク効果予測装置
１１０ 記憶部
１１１ テレワーク効果予測モデル
１２０ 取得部
１３０ 算出部
１４０ 予測部
１５０ 出力部
１ 路線運行実績管理及び運行時刻予測システム
２ 社員情報管理システム
３ スケジュール管理システム
４ 経路検索システム
５ テレワーク効果予測システム
５ａ テレワーク効果予測システム
５１ 記憶部
５１１ 混雑度
５１２ 共同作業量
５１３ テレワーク効果予測モデル
５１４ テレワーク効果予測プログラム
５１４ａ テレワーク効果予測プログラム
５２ メモリ
５３ 制御部
５３１ 学習部
５３２ 特定部
５３３ 算出部
５３４ 予測部
５３５ 出力部
５３６ 設定部
５４ ＩＦ部
６ ユーザ端末
Ｎ ネットワーク

Claims (9)

1. 通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを記憶する記憶手段と、
   指定日における特定のユーザの通勤経路の混雑度の予測値を取得する取得手段と、
   前記指定日における前記特定のユーザの作業予定から共同作業量を算出する算出手段と、
   前記テレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する予測手段と、
   前記予測された効果度に基づく情報を出力する出力手段と、
   を備えるテレワーク効果予測装置。
2. 複数のユーザのそれぞれの通勤経路における過去の混雑率と、各ユーザの過去の作業日における共同作業量と、各ユーザによる当該作業日におけるテレワークの効果度の評価情報とを用いて、前記テレワーク効果予測モデルを学習する学習手段をさらに備える
   請求項１に記載のテレワーク効果予測装置。
3. 前記出力手段は、前記予測された効果度に対する判定結果を出力する
   請求項１又は２に記載のテレワーク効果予測装置。
4. 前記出力手段は、前記指定日における時間帯に応じた前記予測された効果度に基づく情報を出力する
   請求項１又は２に記載のテレワーク効果予測装置。
5. 前記取得手段は、前記指定日における前記特定のユーザの通勤経路が複数ある場合、各通勤経路に対応する複数の前記予測値を取得し、
   前記予測手段は、前記予測値が複数取得された場合、各通勤経路に対応する複数の前記効果度を予測し、
   前記出力手段は、前記予測された複数の前記効果度をソートし、ソート結果に基づく情報を出力する
   請求項１又は２に記載のテレワーク効果予測装置。
6. 前記出力手段は、前記ソート結果のうち前記効果度が所定値より低い通勤経路を出力する
   請求項５に記載のテレワーク効果予測装置。
7. 前記算出した効果度が所定値より高く、当該効果度に対応する時間帯に共同作業が予定されている場合、前記特定のユーザを遠隔会議の参加者として設定する設定部をさらに備える
   請求項１又は２に記載のテレワーク効果予測装置。
8. コンピュータが、
   指定日における特定のユーザの通勤経路の混雑度の予測値を取得し、
   前記指定日における前記特定のユーザの作業予定から共同作業量を算出し、
   通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測し、
   前記予測された効果度に基づく情報を出力する、
   テレワーク効果予測方法。
9. 指定日における特定のユーザの通勤経路の混雑度の予測値を取得する処理と、
   前記指定日における前記特定のユーザの作業予定から共同作業量を算出する処理と、
   通勤経路の混雑度とユーザの共同作業量とに基づいてテレワークの効果度を予測するテレワーク効果予測モデルを用いて、前記取得した予測値及び前記算出した共同作業量から前記テレワークの効果度を予測する処理と、
   前記予測された効果度に基づく情報を出力する処理と、
   をコンピュータに実行させるテレワーク効果予測プログラム。

Images