JP7338704B2 - 人流予測装置、人流予測方法、及び人流予測プログラム - Google Patents

Description

開示の技術は、人流予測装置、人流予測方法、及び人流予測プログラムに関する。

従来、商業施設や通路といった公共空間における維持、管理及び運営、並びにそれらの最適化に向けた人流の予測方法としては、イベント発生時などの混雑時において人の流れを統計的に算出し、予測する方法があった。

上田，時空間データ解析技術とその集団最適誘導への応用，信学会通信ソサエティマガジン，Vol.45, pp.21-28, 2018.

従来技術は、イベント発生時といった、画一的な人の流れが短期間で生じた際の人流予測に適した手法である。しかし、空間において人の流れは日時及び時間によって様々に変化し、かつ様々な方向及び速度で移動が行われる。よって様々な人が出入りする商業施設等の維持、管理、及び運営に役立つように、人流を常時予測することは困難であった。

開示の技術は、上記の点に鑑みてなされたものであり、空間の変化に対してロバストに人流を予測できる人流予測装置、人流予測方法、及び人流予測プログラムを提供することを目的とする。

本開示の第１態様は、人流予測装置であって、予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択する学習データ選択部と、選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納する予測モデル作成部と、前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する予測部と、を含む。

開示の技術によれば、空間の変化に対してロバストに人流を予測できる。

本実施形態の人流予測装置のハードウェア構成を示すブロック図である。 本実施形態の人流予測装置の機能的な構成を示すブロック図である。 人流予測装置による人流算出処理の流れを示すフローチャートである。 人流予測装置による人流予測処理の流れを示すフローチャートである。 学習データの選択処理の流れを示すフローチャートである。 方向別に移動人数を予測する場合の人流予測装置に対する入出力に係る構成例である。

以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

以下、本実施形態の構成について説明する。なお、本実施形態の構成及び作用について説明した後に、本実施形態の具体的態様１～３（以下、単に具体的態様と記載する）で具体的な処理の例を説明する。

＜本実施形態の構成及び作用＞
図１は、本実施形態の人流予測装置１００のハードウェア構成を示すブロック図である。

図１に示すように、人流予測装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、人流算出プログラム及び人流予測プログラムが格納されている。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。

通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。以上が人流予測装置１００のハードウェア構成である。

次に、人流予測装置１００の各機能構成について説明する。図２は、本実施形態の人流予測装置１００の機能的な構成を示すブロック図である。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された人流予測プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。

図１に示すように、人流予測装置１００は、人流算出部１０１と、人流データ記憶部１０２と、学習データ選択部１０３と、予測モデル作成部１０４と、モデル記憶部１０５と、予測部１０６とを含んで構成されている。人流予測装置１００の入出力となる機能として、人流計測手段１２０と、軌跡データ記憶装置１２１と、算出用設定値１２２と、データ選択用設定値１２３と、モデル作成用設定値１２４と、予測コマンド１２５と、外部情報１２６と、予測結果１２７とが存在する。

以下に、人流予測装置１００装置の各部、及び入出力について説明する。

人流計測手段１２０は、センサを用いて、ある空間を通行する人の動きを計測する。計測では、平面的又は立体的に定義された空間における人の動きとして、ある一定間隔ごとに、各人の存在する座標とその識別子（以下、ユーザＩＤと記載する）、及び時刻を同時に記録する。これにより、定義された空間内での各人の動作が記録される。なお、座標は例えばＧＰＳでの緯度、経度情報、及び計測手段内で定義された座標情報を用いる。またユーザＩＤは、事前にユーザがシステム等へ登録を行うＩＤの他に、人流計測手段１２０にて自動的に付与されるＩＤを用いてもよい。

軌跡データ記憶装置１２１は、人流計測手段１２０で計測した、時刻、ユーザＩＤ、座標、及び測定したエリアのＩＤを軌跡データとして記録するデータベース等の装置である。測定したエリアとは、ＧＰＳ、又は人流計測手段１２０で定義された座標系において任意の形状の平面又は空間として定義された領域である。このように軌跡データは、移動対象の時刻ごとの座標を含むデータである。

算出用設定値１２２は、人流算出部１０１で用いる設定値である。設定値としては、算出する期間、算出対象とするエリアＩＤ、軌跡データ記憶装置１２１に蓄積された座標情報から算出したい人流の方向に変換するためのルール、及び算出する速度の統計値の種類等が挙げられる。変換するためのルールの例としては、算出方向を東西南北の４方向としたうえで、各ユーザＩＤの軌跡データから、緯度、及び経度のうち期間内で最も大きく移動した方のみを取り出し、取り出した軌跡データに基づいて東西南北を決定するルールが挙げられる。また、速度の統計値の例としては、平均値、標準偏差、及び最大値等が挙げられる。このように、算出用設定値１２２は、方向のルール及び算出対象の種類を含む設定値である。

人流算出部１０１は、軌跡データ記憶装置１２１から入力された軌跡データと、算出用設定値１２２とに基づいて、人流データを算出し、人流データ記憶部１０２に格納する。ここで算出する人流データは、後述する本実施形態の具体的態様で述べるように、任意の方向別の移動人数、又は任意の方向別の移動速度の統計値を想定する。

データ選択用設定値１２３は、学習データ選択部１０３が使用する設定値である。具体的には、学習データの選択に用いるクロスバリデーションの種類（例えば、ｎ＿ｆｏｌｄ、１ ｄａｙ ｏｕｔ等）、及びその評価値の種類（例えば、ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ等）、学習データの最小数、最大数、学習データ選択用前後期間の初期値、及び最大値が挙げられる。

外部情報１２６は、人流予測に用いる予測モデルに含まれうる、人流データ以外のデータである。具体的には、各日時における天候、カレンダー情報、及び対象エリアにおけるイベントの開催日時が挙げられる。

学習データ選択部１０３は、予測モデル作成部１０４から入力されたデータ選択コマンドに含まれる予測条件に基づいて、人流データ記憶部１０２内の過去に蓄積された人流データと、外部情報１２６とを取得する。学習データ選択部１０３は、データ選択用設定値１２３に基づいて、予測モデル作成に用いる学習データを選択し、予測モデル作成部１０４に送信する。学習データの選択方法としては、予測日の前後数日の特徴を抽出したうえで、類似した特徴を持つデータを選択する方法が挙げられる。例えば金曜日のデータを予測するためには、前日が平日、当日は平日、次の日が休日となるデータを選択する方法がある。詳細については、本実施形態の具体的態様において説明する。

なお、具体的態様で後述するように、学習データ選択部１０３は、クロスバリデーションを実施して得られる誤差が小さくなる組の特徴量の各々を学習データとして選択する。学習データ選択部１０３は、予測対象日の前後δ日に関する特徴ベクトルを算出する。学習データ選択部１０３は、所定の条件の人流データのうち、予測対象日の特徴ベクトルと同じ特徴ベクトルである前後δ日の人流データと、当該人流データに対応する外部情報とを取得する。同じ特徴ベクトルがなければ類似する特徴ベクトルの前後δ日の人流データを取得する。学習データ選択部１０３は、取得した前後δ日の人流データと外部情報との組の特徴量の各々を算出し、前後δ日の特徴ベクトルと、組の特徴量の各々とを、学習データとして選択する。ここで、学習データの選択は、前後δ日をカウントアップし、前後δ日について、組の特徴量の各々を評価用とモデル作成用とに分けてクロスバリデーションを実施し、前後δ日のうち、得られる誤差が小さくなる組の特徴量の各々を学習データとして選択する。例えば、δ＝１、δ＝２でクロスバリデーションを実施した場合を比較すると、前後１日の組の特徴量の各々での誤差Ａと、前後２日の組の特徴量の各々での誤差Ｂとを比較して、誤差が小さかった組の特徴量の各々を学習データとする、ということである。

モデル作成用設定値１２４は、予測モデル作成に用いる設定値である。具体的には、予測モデル作成タイミング、作成した予測モデルを使用する予測対象日、及び予測モデルの種類等が挙げられる。

予測モデル作成部１０４は、学習データ選択部１０３で選択した学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部１０５に格納する。予測モデル作成部１０４は、予測部１０６からモデル作成コマンドが入力されると、学習データ選択部１０３に学習データを選択するためのコマンドであるデータ選択コマンドを送信する。予測モデル作成部１０４は、学習データ選択部１０３から学習データを受信し、受信した学習データとモデル作成用設定値とに基づいて、予測モデルを学習し、モデル記憶部１０５に格納する。なお、本開示における予測モデルとは、重回帰、ロジスティック回帰、Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅ（ＰＬＳ）回帰のような線形モデル、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ（ＳＶＲ）のような非線形モデル、又はＤｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＤＮＮ）のようなニューラルネットワークが含まれるが、それらのモデルに限定されない。

モデル記憶部１０５は、予測モデル作成部が作成した予測モデルを保存するデータベース等である。

予測コマンド１２５は、予測部１０６に人流予測を指示するコマンドであり、予測条件、並びに許容条件を含む。予測条件は、予測対象期間、予測対象とするエリアを示すエリアＩＤ、方向、及び予測したい予測対象としての移動人数又は移動速度等を含む。予測対象期間は、予測対象の日又は日時が指定される。許容条件は、モデル選択方法である。モデル選択方法は、例えば、平日、休日、又は祝日といった日の区分に関する特徴が近い予測モデルを選択するという方法である。モデル選択方法が、本開示の予測モデルの特徴に関する許容条件の一例である。予測条件、及び許容条件の詳細については、本実施形態の具体的態様において説明する。

予測部１０６は、予測コマンド１２５に基づいて、人流データ記憶部１０２から人流データを取得後、モデル記憶部１０５から予測モデルを選択して、選択した予測モデルに基づいて、予測条件における人流データを予測し、予測結果１２７として出力する。その際、予測に使用できる予測モデルがモデル記憶部１０５に存在しなかった場合、つまり予測条件、及びモデル選択方法の条件を満たす予測モデルがなかった場合は、予測モデル作成部１０４にモデル作成コマンドを送信する。

次に、人流予測装置１００の作用について説明する。作用は、人流算出処理と、人流予測処理とに分けて説明する。

図３は、人流予測装置１００による人流算出処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から人流算出プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、人流算出処理が行なわれる。ＣＰＵ１１が人流予測装置１００の各部として処理を実行する。

ステップＳ１００において、ＣＰＵ１１が人流算出部１０１として、算出用設定値１２２を取得する。取得方法として外部に用意された設定ファイルを読み込む、又は定義された何かしらの信号を端末等から人流算出部１０１へ送信する方法が挙げられるが、これらの方法に限定されない。

ステップＳ１０２において、ＣＰＵ１１が人流算出部１０１として、算出用設定値１２２に基づいて、軌跡データ記憶装置１２１から軌跡データを取得後、人流データを算出する。具体的には、算出用設定値１２２に従って軌跡データ記憶装置１２１から算出期間におけるエリアＩＤが付与された軌跡データを取得後、設定された方向別に、期間内で移動したユーザの移動人数又は当該ユーザの移動速度の統計値を算出する。なお、算出結果に、算出期間、及びエリアＩＤを対応付けて人流データとする。

ステップＳ１０４において、ＣＰＵ１１が人流算出部１０１として、ステップＳ１０２で算出した人流データを人流データ記憶部１０２に格納する。

次に、人流予測処理について説明する。図４は、人流予測装置１００による人流予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から人流予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、人流予測処理が行なわれる。ＣＰＵ１１が人流予測装置１００の各部として処理を実行する。

ステップＳ１１０において、ＣＰＵ１１は予測部１０６として、予測条件、及び許容条件を含む予測コマンド１２５を受信する。予測コマンド１２５は例えば、ＳＳＨ等の通信プロトコルで予め定義された信号で受信する手段が挙げられるが、これに限られない。

ステップＳ１１２において、ＣＰＵ１１は予測部１０６として、予測コマンド１２５に基づいて、モデル記憶部１０５から、予測条件、及び許容条件を満たす予測モデルを検索する。

ステップＳ１１４において、ＣＰＵ１１は予測部１０６として、ステップＳ１１２の検索において、予測条件及び許容条件を満たす予測モデルが存在したか否かを判定する。予測モデルが存在した場合には、ステップＳ１２６へ移行し、予測モデルが存在しなかった場合にはステップＳ１１６へ移行する。

ステップＳ１１６において、ＣＰＵ１１は予測部１０６として、予測モデルを作成するため、予測モデル作成部１０４へモデル作成コマンドを送信する。

ステップＳ１１８において、ＣＰＵ１１は予測モデル作成部１０４として、モデル作成コマンドを受信後、学習データ選択部１０３へデータ選択コマンドを送信する。

ステップＳ１２０において、ＣＰＵ１１は学習データ選択部１０３として、学習データを選択し、予測モデル作成部１０４へ送信する。学習データの選択は、データ選択コマンドを受信後、人流データ記憶部１０２から人流データを取得し、当該人流データに対応する外部情報を取得してから行う。具体的な選択処理については後述する。

ステップＳ１２２において、ＣＰＵ１１は予測モデル作成部１０４として、学習データ選択部１０３で選択した学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習する。

ステップＳ１２４において、ＣＰＵ１１は予測モデル作成部１０４として、モデル記憶部１０５に学習した予測モデルを格納すると共に予測部１０６へ予測モデルの学習の完了を通知し、ステップＳ１２６へ進む。

ステップＳ１２６において、ＣＰＵ１１は予測部１０６として、予測コマンド１２５に基づいて、モデル記憶部１０５から予測条件及び許容条件を満たす予測モデルを選択する。ステップＳ１１６～Ｓ１２４を実行している場合には、当該処理で学習した予測モデルが選択される。ステップＳ１１２の検索で複数の予測モデルが予測条件及び許容条件を満していた場合には、例えば、許容条件を最も満たしている予測モデルを選択すればよい。

ステップＳ１２８において、ＣＰＵ１１は予測部１０６として、選択した予測モデルによる予測に必要な人流データを取得する。

ステップＳ１３０において、ＣＰＵ１１は予測部１０６として、選択した予測モデルによる予測に必要な外部情報１２６を取得する。

なお、ステップＳ１２８及びステップＳ１３０で予測モデルの予測に必要な人流データ及び外部情報１２６とは、選択した予測モデルに含まれる特徴量に対応する対象である。例えば予測モデルの特徴量として、予測日の２日前の同時刻期間、同じエリアＩＤの人流データ、及び気温を利用していた場合は、予測対象日基準で２日前の同時刻の期間、かつ、同じエリアＩＤの人流データを人流データ記憶部１０２から取得する。また、当該人流データに対応する期間の気温を外部情報１２６から取得する。

ステップＳ１３２において、ＣＰＵ１１は予測部１０６として、取得した人流データと外部情報１２６とを選択した予測モデルへの入力として用いて、予測条件における人流データを予測し、予測結果１２７として出力する。

次に、ステップＳ１２０の学習データの選択処理の詳細について説明する。図５は、学習データの選択処理の流れを示すフローチャートである。以下の処理は、ＣＰＵ１１が学習データ選択部１０３として実行する。以下の処理は、予測モデル作成部１０４から、設定値δ’と予測対象日とに関する情報を含んだデータ選択コマンドを受信した後の処理である。

ステップＳ１４０において、ＣＰＵ１１は、変数δ＝δ’、ｉ＝１とそれぞれ設定する。

ステップＳ１４２において、ＣＰＵ１１は、予測対象日の前後δ日に関する特徴ベクトルを算出する。一例としては、δ＝１であれば前後１日の特徴ベクトルを算出する。特徴は平日又は休日とする場合、休日を（１）、平日を（０）で表すとすると、予測対象日が平日、前日が休日、次の日が平日であれば、特徴ベクトルは［１，０，０］となる。

ステップＳ１４４において、ＣＰＵ１１は、人流データ記憶部１０２内の人流データに対し、ステップＳ１４２と同様の特徴ベクトルを算出する。

ステップＳ１４６において、ＣＰＵ１１は、予測対象日と特徴ベクトルが類似するＮ件の人流データと、Ｎ件の人流データに対応する外部情報１２６とを取得する。特徴ベクトルの比較には例えばコサイン類似度を用いるが、それに限られない。

ステップＳ１４８において、ＣＰＵ１１は、人流データと外部情報１２６と組の特徴量の各々を算出する。特徴量の例としては、Ｎ件の人流データについて、天候情報の晴れ、曇り、及び雨でカテゴリ変数化した平均、標準偏差等が挙げられる。組の特徴量の具体例については、具体的態様において後述する。

ステップＳ１５０において、ＣＰＵ１１は、組の特徴量の各々を、評価用とモデル作成用とに分けた上でクロスバデーションを実施し、誤差ａ（ｉ）を算出する。これにより、様々な組み合わせの特徴量を使用した時における精度を算出し、特徴量の有効性を自動で判定できる。

ステップＳ１５２において、ＣＰＵ１１は、δ＞δ’であるか否かを判定し、δ＞δ’である場合にはステップＳ１５４へ移行し、δ＞δ’でない場合にはステップＳ１５６へ移行する。

ステップＳ１５４において、ＣＰＵ１１は、ａ（ｉ－１）＜ａ（ｉ）であるか否かを判定し、ａ（ｉ－１）＜ａ（ｉ）である場合にはステップＳ１５８へ移行し、ａ（ｉ－１）＜ａ（ｉ）でない場合にはステップＳ１５６へ移行する。

ステップＳ１５６において、ＣＰＵ１１は、δ及びｉをそれぞれ１カウントアップし、ステップＳ１４２へ戻る。

ステップＳ１５８において、ＣＰＵ１１は、ａ（ｉ－１）を求めるのに用いた組の特徴量の各々と当該組に対応する特徴ベクトルとを学習データとして選択し、予測モデル作成部１０４へ送信する。

以上のように、学習データの選択処理では、変数δを増やして対象のデータを増やした場合の誤差ａ（ｉ）と、増やす前の誤差ａ（ｉ－１）とを比較して、誤差ａ（ｉ）の方が大きくなった場合に、誤差ａ（ｉ－１）のデータを学習データとして採用するようにしている。この処理により、最も高い精度、すなわち組の特徴量の間の誤差が最小となる学習データが選択される。なお、変数δの上限を定めるようにしてもよい。

＜本実施形態の具体的態様１＞
次に、本実施形態の具体的態様１について説明する。具体的態様１は、方向別に移動人数を予測する場合についてである。具体的態様１では、商業施設内での通路のある定義したエリア内における人流を予測する例を挙げる。図６は、方向別に移動人数を予測する場合の人流予測装置１００の入出力に対する係る構成例である。人流計測手段１２０として、ＬＲＦ（Ｌａｓｅｒ Ｒａｎｇｅ Ｆｉｎｄｅｒ）センサを複数設置した、ＬＲＦセンサシステムとして構成される。外部情報１２６として天候情報、及びカレンダー情報を用いる。各種設定値は操作端末１１０より受信する。

まず人流算出処理について説明する。軌跡データの例を表１に示す。

表１のデータでは、日付を含んだ計測時刻、エリアＩＤ、ユーザＩＤ、並びに各ユーザの位置を示すＸ座標及びＹ座標が含まれる。なお、ここでのＸ座標及びＹ座標はＬＲＦセンサシステムで設定できる相対座標であり、Ｘ軸は東西、Ｙ軸は南北にそれぞれ対応し、ｍｍ単位である。このようなデータを含んだ軌跡データが複数日、複数ユーザ分、軌跡データ記憶装置１２１に格納されていることを前提とする。

以下では、上述した作用のフローチャートの流れに沿って説明する。まず人流算出部１０１は、算出用設定値１２２として、操作端末１１０より以下の情報をＳＳＨで受信したとする（ステップＳ１００に相当、以下同様）。
・算出対象期間：2019/5/11 7:00:00から23:00:00まで
・算出間隔：３０分
・算出対象エリア：１Ｆ＿１
・方向：北、南
・方向算出ルール：最も大きく移動した軸のみ
・算出対象の種類：総通過人数

人流算出部１０１は、算出用設定値１２２を受信すると、２０１９／５／１１の７：００：００から２３：００：００までの１Ｆ＿１の軌跡データを軌跡データ記憶装置１２１から取得する。そして、人流算出部１０１は、７：００：００－７：２９：５９，７：３０：００－７：５９：５９，．．．と３０分ごとの期間それぞれに対し、期間内の軌跡データに対し、設定された方向の総通過人数を人流データとして算出する。１２：００：００－１２：２９：５９までのデータに着目し、表１の２人のユーザの軌跡データを例に挙げると、ＩＤ０００１のユーザは４秒間でＸ方向に２９５ｍｍ、Ｙ方向に４００９ｍｍ動いている。この場合、方向算出ルールでは最も大きく移動した軸のみとしているため、最も移動方向が大きいＹ軸の正方向、すなわち北方向に移動したとし、北方向への通過１名とカウントする。ＩＤ０００２のユーザの場合、３秒間でＸ方向が－３１４ｍｍ、Ｙ方向に－２９９５ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の負方向、すなわち南方向に移動したとし、南方向への通過１名としてカウントする。このように、各期間の軌跡データに対し、ユニークなＩＤごとに上記の計算を適用し、北方向、南方向の総通過人数を算出する（ステップＳ１０２）。なお、もしＸ軸方向に最も大きく移動したユーザの場合、方向が東西であり、算出用設定値１２２「方向：北、南」にマッチしないため、通過人数の算出対象から除外する。ただし、方向算出ルールに特に指定がない場合は、Ｙ軸のうち最も大きく移動した方向のみに着目して人数算出に用いてもよい。

算出した通過人数の人流データの例を表２に示す。

表２のように、期間（開始時刻及び終了時刻）、エリアＩＤ、北方向及び南方向それぞれの通過人数、というデータ構造で人流データを人流データ記憶部１０２に格納する（ステップＳ１０４）。

次に人流予測処理について説明する。前提として、モデル記憶部１０５には予測モデルが１つも格納されておらず、かつ、人流データ記憶部１０２には前述の方法で算出された、２０１９／５／１１から１０／３１までの７：００：００から２３：００：００までの３０分ごとの人流データが保存されているとする。まず操作端末１１０は予測部１０６に対し、次の予測コマンド１２５をＳＳＨで送信する（ステップＳ１１０）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後１日の平日及び休日が近い予測モデル
・モデル選択用最大許容距離：０．２５

予測コマンド１２５は、予測条件と、許容条件とに分けられる。予測条件が、予測対象期間、予測間隔、予測対象エリア、及び予測対象の種類である。許容条件が、モデル選択方法、及びモデル選択用最大許容距離である。なお、モデル選択用最大許容距離とは、予測モデル選択において予測対象と予測モデルの距離を算出した際、その値以下の予測モデルがない場合は新たに予測モデルを作成するための設定値である。つまり、許容条件は、予測条件の予測対象期間に指定された日の前後の日に関する特徴ベクトルに対する、予測モデルが有する前後の日に関する特徴ベクトルの距離について定められている。

予測部１０６は、予測コマンド１２５を受信すると、まず、モデル記憶部１０５で、予測条件及びモデル選択用最大許容距離：０．２５を満たす予測モデルを検索する（Ｓ１１２）。まず、予測条件での絞り込みとして、予測コマンド１２５に含まれる予測対象期間、エリアＩＤ、及び予測対象の種類が一致する予測モデルに絞り込む。ここで、仮に表３に示す予測モデルがモデル記憶部１０５に格納されていたとする。

表２に示すモデル特徴量が、予測モデルが有する前後の日に関する特徴ベクトルである。この場合、表２に含まれるＩＤ１及びＩＤ３の予測モデルが対象となる。次に、絞り込んだ予測モデルの中からモデル選択方法、及びモデル選択用最大許容距離に基づいて予測モデルを選択する。予測対象期間である２０１９／１１／５は火曜日であり、前日の１１／４は祝日、次の１１／６は平日であったとする。そのため特徴ベクトルにすると［１、０、０］と算出される。予測対象期間と予測モデルの特徴ベクトルに対して平均距離を算出すると、ＩＤ１の予測モデルは０．３３、ＩＤ３の予測モデルは０．６６となる。これらの数値はモデル選択用最大許容距離を満たさないと判定される（ステップＳ１１４）。予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後δ日の休日・平日が近いモデル
・δ’＝１，Ｎ＝１０

予測モデル作成部１０４は上記モデル作成コマンドを受信後、学習データ選択部１０３へモデル作成コマンドと同様のデータ選択コマンドを送信する（ステップＳ１１８）。

学習データ選択部１０３は、上記データ選択コマンドを受信すると、予測モデル作成のための学習データを選択する処理を行う（ステップＳ１２０）。学習データを選択する処理は、まず、変数δ及びｉの初期値を変数δ＝δ’、ｉ＝１と設定する（ステップＳ１４０）。学習データ選択部１０３は、外部情報１２６のカレンダー情報を取得した上で、予測対象日の前後δ日の平日及び休日を示す特徴ベクトルを算出する（ステップＳ１４２）。

次に、学習データ選択部１０３は、人流データの特徴ベクトルを算出する（ステップＳ１４４）。ここでは、学習データ選択部１０３は、まず、データ選択コマンドの予測条件に従って、２０１９／１１／５より前の、１Ｆ＿１エリアの北方向、南方向の総通過人数の人流データが人流データ記憶部１０２に含まれているか検索する。検索として得られる表４に一例を示す。

表４に示すような、２０１９／５／１１から１０／３１までの予測条件を満たす人流データが人流データ記憶部１０２に蓄積されているとする。学習データ選択部１０３は、人流データ記憶部１０２内の予測条件を満たす人流データの各日に対し、前後δ＝１日の平日及び休日を特徴ベクトルとして算出する。

学習データ選択部１０３は、予測対象日と特徴ベクトルが類似する人流データと外部情報１２６とを取得する（ステップＳ１４６）。Ｎ＝１０であるため、特徴ベクトルが近い人流データ１０件と、同じ日付の外部情報１２６の天候情報（晴れ、曇り、雨）を１０件取得する。例えば、２０１９／１１／５の場合、特徴ベクトルは［１，０，０］となるので、この特徴ベクトルと一致する５／１１から１０／３１までの人流データを１０件選ぶ。１０件以上ある場合は、予測対象日から日付が近い順に１０件を取得する。例えば、１０／２８、１０／２３、１０／１５、１０／７、９／３０、９／１７、９／９、９／２、８／２６、８／１９等が選ばれる。

そして、学習データ選択部１０３は、取得した前後δ日の人流データと外部情報１２６（天候情報）との組の特徴量の各々を算出する（ステップＳ１４８）。組の特徴量の例を表５に示す。

組の特徴量は、１０日分を１日ごとに分けた組ごとに算出する。表５は、ある１日の組の特徴量である。つまり、δ＝１であれば、ある１日について、前日、当日、翌日の３日間の人流データ及び天候情報を用いて組の特徴量を算出する。このように、１日ごとに分けて組の特徴量を算出するのは、クロスバリデーションを実施する上で、評価用とモデル作成用とに分ける必要があるからである。よって、分け方は１日単位でなくてもよい。表５に示すように、組の特徴量は、各行を７：００：００から２３：００：００までの３０分間隔の期間とする。また、組の特徴量として、方向を北方向と南方向とに分け、天候を晴れ、曇り、及び雨に日それぞれに分けたときの平均通過人数、及び通過人数の標準偏差を算出する。

次に、学習データ選択部１０３は、誤差ａ（ｉ）を算出する。本実施形態では、組の特徴量をそれぞれ、取得した１０件のデータの組の一部を評価用、残りをモデル作成用に分けた上で、クロスバリデーションを実施して誤差ａ（ｉ）を算出する。例えば、１０日分の１０組の特徴量について、ある１日を評価用、残り９日をモデル作成用とする。全ての日付に対して評価用とモデル作成用とを入れ替えて、クロスバリデーションを実施する（１ ｄａｙ ｏｕｔ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎという）。この例では、計１０パターンのクロスバリデーションが実施され、精度が１０種類算出されるため、これらの平均精度を誤差ａ（ｉ）として算出する（ステップＳ１５０）。

ここでは評価はＰＬＳ回帰を使用し、精度は評価用の評価値とモデル作成用の予測値との平均絶対誤差とし、誤差ａ（１）＝０．２５と算出されたとする。初回は、δ＝δ’であり、δ＞δ’ではないため、ステップＳ１５６に進み、ｉ＝ｉ＋１＝２、δ＝δ＋１＝２とカウントアップする（ステップＳ１５２～Ｓ１５６）。次は、δ＝２とした場合のデータ選択、及び誤差ａ（２）の算出を行う（ステップＳ１４２～Ｓ１５０）。この結果、誤差ａ（２）＝０．３２と算出されたならば、δ（２）＞δ’（１）であり、かつ、ａ（ｉ－１）＜ａ（ｉ）であるため、ａ（ｉ－１）を求めるのに用いたデータ１０件（１０／２８、１０／２３、１０／１５、１０／７、９／３０、９／１７、９／９、９／２、８／２６、８／１９）の特徴量の各々を予測モデル作成部１０４へ送信する（ステップＳ１５８）。

予測モデル作成部１０４は、学習データを受信後、再度１０件のうち、最近の１件（１０／２８）を残り９件を用いてＰＬＳ回帰モデルで予測する予測モデルを作成する。予測モデル作成部１０４は、予測モデルの特徴量（特徴量名）、及び当該特徴量の係数をモデル記憶部１０５へ格納すると、同時に、計算完了を予測部１０６へ通知する（ステップＳ１２４）。予測モデルがモデル記憶部１０５に追加された場合の例を表６に示す。ＩＤ４が追加で格納された予測モデルである。

次に、予測部１０６は通知を受信後、モデル記憶部１０５から予測条件及び許容条件を満たす予測モデルであるＩＤ４の予測モデルを取得する（ステップＳ１２６）。さらに、予測部１０６は、予測モデルに含まれる条件である、特徴ベクトルの前日が休日、当日が平日、次の日が平日となる日の南北方向それぞれの通過人数を人流データ記憶部１０２から取得する（ステップＳ１２８）。ここでは予測モデルの学習に用いた特徴量の各日付の人流データが対象になる。そして、予測部１０６は、条件を満たす同じ日の外部情報１２６の天候情報を取得する（ステップＳ１２８）。次に、予測部１０６は、予測モデルに基づいて、通過人数を予測する（ステップＳ１３０）。ここでは、まず、予測モデルに含まれる、取得した日付の各々の人流データについて、７：００：００から２３：００：００までの３０分間隔の期間における北方向、及び南方向の、天候（晴れ、曇り、又は雨）に日それぞれに分けたときの平均通過人数、通過人数の標準偏差を算出した上で予測を行う。予測は、取得した予測モデルである、各特徴量への係数を用いたＰＬＳ回帰モデルで、予測対象期間である１１／５の７：００：００から２３：００：００までの３０分間隔の、南北方向それぞれの通過人数を予測し、予測結果１２７として出力する。出力した図示しない何らかの記憶装置に格納してもよい。

以上が、本実施形態の具体的態様１についての説明である。

＜本実施形態の具体的態様２＞
次に、具体的態様２について説明する。具体的態様２は、方向別に移動速度を予測する場合についてである。具体的態様２については、具体的態様１との差分についてのみ説明する。

人流算出部１０１は、算出用設定値１２２として、操作端末１１０より以下の情報をＳＳＨで受信したとする（ステップＳ１００）。算出対象の種類が、平均速度となっている点が具体的態様１と異なる。
・算出対象期間：2019/5/11 7:00:00から23:00:00まで
・算出間隔：３０分
・算出対象エリア：１Ｆ＿１
・方向：北、南
・方向算出ルール：最も大きく移動した軸のみ
・算出対象の種類：平均速度

人流算出部１０１は、３０分ごとの期間それぞれに対し、期間内の軌跡データに対し、設定された方向の平均速度を人流データとして算出する。人流算出部１０１は、１２：００：００－１２：２９：５９までのデータに着目し、表１に挙げた２ユーザについて、平均速度を求める。ＩＤ０００１のユーザは４秒間でＸ方向に２９５ｍｍ、Ｙ方向に４００９ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の正方向、すなわち北方向に移動したとし、その通過速度１００２．２５ｍｍ／ｓｅｃとする。ＩＤ０００２のユーザの場合、３秒間でＸ方向が－３１４ｍｍ、Ｙ方向に－２９９５ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の負方向、すなわち南方向に移動したとし、その通過速度は９９８．３３ｍｍ／ｓｅｃする。このように、各期間の軌跡データに対し、ユニークなＩＤごとに上記の計算を適用し、北方向、及び南方向の平均速度を人流データとして算出する。

算出した平均速度の人流データの例を表７に示す。

ステップＳ１４６で検索される人流データは表８のようになる。

以後のステップの処理は、各コマンドについて、算出対象の種類を平均速度とすれば具体的態様１と同様である。

＜本実施形態の具体的態様３＞
次に、具体的態様３について説明する。具体的態様３は、モデル選択方法に天候情報用いる場合についてである。具体的態様３については、具体的態様１との差分についてのみ説明する。

具体的態様１及び２では、予測対象日の前後δ日の平日及び休日を特徴ベクトルとし、予測部１０６、及び学習データ選択部１０３では当該特徴ベクトルを用いたモデル選択方法としていた。具体的態様３では、他の特徴ベクトルの例として、外部情報１２６の天候情報を用いて、予測対象日の前後δ日の天候情報を特徴ベクトルとする例を挙げる。ここでの１日の天候とは、晴れを０、曇りを１、雨を２とした際の１日の最も時間が長かった天候を指す。

予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後１日の天候情報が近い予測モデル
・δ’＝１，Ｎ＝１０

ここで、仮に表９に示す予測モデルがモデル記憶部１０５に格納されていたとする。

予測対象日である２０１９／１１／５は雨、前日の１１／４は晴れ、翌日の１１／６の予報は雨とすると、特徴ベクトルは［０，２，２］となる。予測対象と予測モデルの特徴ベクトルに対して平均距離を算出すると、ＩＤ１は１．３３、ＩＤ３は１．０となる。これらの数値はモデル選択用最大許容距離を満たさないと判定される（ステップＳ１１４）。予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後δ日の天候情報が近いモデル
・δ’＝１，Ｎ＝１０

学習データ選択部１０３は、外部情報１２６の天候情報を取得した上で、予測対象日の前後１日の天候情報を示す特徴ベクトルを算出する（ステップＳ１４２）。また、学習データ選択部１０３は、人流データ記憶部１０２内の予測条件を満たす人流データの各日に対し、前後δ＝１日の天候情報を特徴ベクトルとして算出する（ステップＳ１４４）。以降は、同様に学習データの選択を行う。

ステップＳ１２４で、予測モデルがモデル記憶部１０５に追加された場合の例を表１０に示す。ＩＤ４が追加で格納された予測モデルである。

以上説明したように本実施形態の人流予測装置１００によれば、空間の変化に対してロバストに人流を予測できる。

また、本開示の手法により、日時及び時間によってさまざまに変化し、かつ様々な方向及び速度で人が行きかう空間においても、各エリアにおける各方向の時間帯後の通過人数、又は平均速度を１日以上前に常時予測できる。これにより、日常で必要となる、空調制御、商品仕入れの最適化、及びメンテナンス計画の策定といった、商業施設等の維持、管理、及び運営に役立てることができる。

また、上述の実施形態に限定されず、本開示の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、組の特徴量の各々が所定の条件を満たす場合に、クロスバリデーションを行わずに、学習データとして採用するようにしてもよい。

また、例えば、誤差ａ（ｉ）が所定の値を満たす場合には、誤差ａ（ｉ）を求めた組の特徴量の各々を学習データとして採用するようにしてもよい。

また、例えば、クロスバリデーション以外の他の検定手法によって、誤差ａ（ｉ）を算出するようにしてもよい。

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した人流算出処理及び人流予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、人流算出処理及び人流予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記各実施形態では、人流算出プログラム及び人流予測プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

以上の実施形態に関し、更に以下の付記を開示する。

（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
ように構成されている人流予測装置。

（付記項２）
人流予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
非一時的記憶媒体。

１００ 人流予測装置
１０１ 人流算出部
１０２ 人流データ記憶部
１０３ 学習データ選択部
１０４ モデル記憶部
１０４ 予測モデル作成部
１０５ モデル記憶部
１０６ 予測部
１１０ 操作端末
１２０ 人流計測手段
１２１ 軌跡データ記憶装置
１２２ 算出用設定値
１２３ データ選択用設定値
１２４ モデル作成用設定値
１２５ 予測コマンド
１２６ 外部情報
１２７ 予測結果

Claims (8)

1. 予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択する学習データ選択部と、
   選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納する予測モデル作成部と、
   前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する予測部と、を含み、
   前記許容条件は、前記予測条件に対する前記予測モデルが有する前後の日に関する特徴ベクトルの距離について定められている、人流予測装置。
2. 前記予測条件及び前記許容条件を満たす前記予測モデルが前記モデル記憶部にない場合に、前記学習データ選択部による前記学習データの選択、及び前記予測モデル作成部による前記予測モデルの学習を行う請求項１に記載の人流予測装置。
3. 前記学習データ選択部は、
   予測対象日の前後δ日の特徴ベクトルを算出し、
   前記人流データのうち、算出した前記予測対象日の前記前後δ日に関する特徴ベクトルに対応する前後δ日の人流データと、当該人流データに対応する外部情報とを取得し、
   取得した前記前後δ日の人流データと前記外部情報との組の特徴量の各々を算出し、
   前記前後δ日の特徴ベクトルと、前記組の特徴量とを、前記学習データとして選択する請求項１又は請求項２に記載の人流予測装置。
4. 前記学習データ選択部は、前記前後δ日をカウントアップし、前記組の特徴量の各々を評価用とモデル作成用とに分けてクロスバリデーションを実施し、前記前後δ日のうち、得られる誤差が小さくなる前記組の特徴量の各々を学習データとして選択する請求項３に記載の人流予測装置。
5. 前記予測条件として、算出間隔、予測対象とするエリア、方向、及び予測したい移動人数又は移動速度を示す対象を含む請求項１ないし４の何れか１項に記載の人流予測装置。
6. 人流算出部を更に含み、
   前記人流算出部は、移動対象の時刻ごとの座標を含む軌跡データと、方向のルール及び算出対象の種類を含む算出用設定値とに基づいて、任意の方向別の移動人数、又は任意の方向別の移動速度の統計値として、前記人流データを算出する請求項１ないし５の何れか１項に記載の人流予測装置。
7. 予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
   選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
   前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
   処理をコンピュータに実行させる人流予測方法であって、
   前記許容条件は、前記予測条件に対する前記予測モデルが有する前後の日に関する特徴ベクトルの距離について定められている、人流予測方法。
8. コンピュータを請求項１ないし６の何れか１項に記載の人流予測装置として機能させるための人流予測プログラム。