JP7378688B2 - 学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法 - Google Patents

学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法 Download PDF

Info

Publication number
JP7378688B2
JP7378688B2 JP2023547531A JP2023547531A JP7378688B2 JP 7378688 B2 JP7378688 B2 JP 7378688B2 JP 2023547531 A JP2023547531 A JP 2023547531A JP 2023547531 A JP2023547531 A JP 2023547531A JP 7378688 B2 JP7378688 B2 JP 7378688B2
Authority
JP
Japan
Prior art keywords
congestion
past
related information
model
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023547531A
Other languages
English (en)
Other versions
JPWO2023067745A1 (ja
Inventor
大心 伊藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JPWO2023067745A1 publication Critical patent/JPWO2023067745A1/ja
Application granted granted Critical
Publication of JP7378688B2 publication Critical patent/JP7378688B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Description

本開示は、学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法に関する。
近年、駅のホーム又はコンコースにおける将来の混雑度を予測し、その混雑度を提示することで、利用客自身に混雑回避行動を促す試みが行われている。このため、駅のホーム又はコンコースにおける混雑度又は人の流れを推定する技術が提案されている。
混雑度等を推定するためには、推定したい全ての区域にセンサを配置することが望ましい。しかしながら、コスト面又は運用の難しさから、全ての区域にセンサを設置するのは困難である。
そのため、特許文献１には、駅のホーム又はコンコースにおける混雑度又は人の流れを推定する際に、ダイヤ情報及びセンサ間の動的な因果関係を考慮して、センサが設置されていない場所の混雑度又は人の流れを推定する手段が開示されている。
特開２０１３－１１６６７６号公報
しかしながら、従来の技術は、既に駅にいる利用客に対して現在の駅又は車両等の混雑度を予測して提示するのみである。従って、利用客は、将来の混雑度がわからないため、将来における混雑を回避する行動を取ることができない。これにより、これから駅等に向かおうとしている将来の利用客の満足度が低下する。
そこで、本開示の一又は複数の態様は、センサが配置されていない区域の将来における混雑を予測できるようにすることを目的とする。
本開示の第１の態様に係る学習装置は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、を備えることを特徴とする。
本開示の第２の態様に係る学習装置は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測するモデル適用部と、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、を備えることを特徴とする。
本開示の第１の態様に係る予測装置は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部と、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部と、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えることを特徴とする。
本開示の第２の態様に係る予測装置は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部と、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する予測実行部と、を備えることを特徴とする。
本開示の第１の態様に係る学習予測装置は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、前記一以上のセンサで検出された値を取得する取得部と、前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部と、前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えることを特徴とする。
本開示の第２の態様に係る学習予測装置は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測する第１の予測部と、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、前記一以上のセンサで検出された値を取得する取得部と、前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えることを特徴とする。
本開示の第１の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、及び、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、として機能させることを特徴とする。
本開示の第２の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測するモデル適用部、及び、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、として機能させることを特徴とする。
本開示の第３の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部、及び、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させることを特徴とする。
本開示の第４の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部、及び、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する予測実行部、として機能させることを特徴とする。
本開示の第５の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、前記一以上のセンサで検出された値を取得する取得部、前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部、及び、前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させることを特徴とする。
本開示の第６の態様に係るプログラムは、コンピュータを、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測する第１の予測部、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、前記一以上のセンサで検出された値を取得する取得部、及び、前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させることを特徴とする。
本開示の第１の態様に係る学習方法は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成し、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成することを特徴とする。
本開示の第２の態様に係る学習方法は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成し、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測し、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成することを特徴とする。
本開示の第１の態様に係る予測方法は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得し、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測し、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測することを特徴とする。
本開示の第２の態様に係る予測方法は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得し、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測することを特徴とする。
本開示の第１の態様に係る学習予測方法は、ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成し、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成し、前記一以上のセンサで検出された値を取得し、前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測し、前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測することを特徴とする。
本開示の第２の態様に係る学習予測方法は、ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成し、前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測し、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成し、前記一以上のセンサで検出された値を取得し、前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測することを特徴とする。
本開示の一又は複数の態様によれば、センサが配置されていない区域における将来の混雑を予測することができる。
実施の形態１及び２に係る混雑予測システムの構成を概略的に示すブロック図である。 混雑予測システムにおいて混雑を予測する区域と、センサの設置位置とを説明する概略図である。 実施の形態１における混雑予測装置の構成を概略的に示すブロック図である。 過去混雑区域データの一例を示す概略図である。 過去センサデータの一例を示す概略図である。 コンピュータの構成を概略的に示すブロック図である。 実施の形態１における補正モデル生成処理の一例を示すフローチャートである。 実施の形態１における予測モデル学習処理の一例を示すフローチャートである。 実施の形態１における予測処理の一例を示すフローチャートである。 （Ａ）及び（Ｂ）は、過去混雑度データ及びリアルタイム混雑度データを説明するための概略図である。 実施の形態２における混雑予測装置の構成を概略的に示すブロック図である。 実施の形態２における混雑予測装置での処理を説明するための概略図である。
実施の形態１．
図１は、実施の形態１に係る混雑予測システム１００の構成を概略的に示すブロック図である。
混雑予測システム１００は、第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・と、混雑予測装置１２０とを備える。
第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・と、混雑予測装置１２０とは、例えば、インターネット等のネットワーク１０１に接続されており、第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・で検出された値を示すデータであるセンサデータは、混雑予測装置１２０に送信される。
第１センサ１１０Ａ、第２センサ１１０Ｂ及び第３センサ１１０Ｃの各々を特に区別する必要がない場合には、第１センサ１１０Ａ、第２センサ１１０Ｂ及び第３センサ１１０Ｃの何れか一つを、センサ１１０という。
なお、図１には、三つのセンサ１１０が示されているが、センサ１１０の数については、少なくとも一つ以上あればよい。
複数のセンサ１１０には、対称空間に係る混雑データを取得する混雑センサと、対象空間に関係する外部データを取得する外部センサとが含まれる。
混雑データは、例えば、カメラにより撮像された撮像データ、レーザにより検出された点群を示す点群データ、又は、赤外線センサで検出された赤外線撮像データ等である。混雑データについては、これらのデータから混雑予測装置１２０又はその他の装置で解析され、混雑データに含まれている人の人数が特定されるものとする。
外部データは、例えば、対象空間内又は対象空間周辺の、代表点の温度、気温、風速、気圧若しくは降水量、又は、無線アクセスポイントの電波強度等の物理量を表すデータである。なお、外部データは、上記の物理量を表すデータに限定されず、例えば、対象空間内又は対象空間周辺の公共交通機関の特別運行情報等のデータ、又は、対象空間に関係するイベントの実施状況を表す情報等のデータであってもよい。
図２は、混雑予測システム１００において、混雑を予測する区域と、センサ１１０の設置位置とを説明する概略図である。
実施の形態１では、混雑を予測する区域をｍ個の区域（ｍは、２以上の整数）とする。また、センサ１１０が設置されている区域をｎ個の区域（ｎは、１以上の整数、かつ、ｎ＜ｍ）とする。
例えば、図２に示されているように、混雑予測システム１００は、第１区域～第８区域のそれぞれについて混雑度を予測するものとする。第１区域～第８区域のそれぞれにセンサ１１０が配置されていればよいが、コスト等の関係から、図２に示されているように、第１区域、第３区域、第５区域及び第６区域にしかセンサ１１０は配置されていないものとする。この例では、ｍ＝８、ｎ＝４となる。
図３は、実施の形態１における混雑予測装置１２０の構成を概略的に示すブロック図である。
混雑予測装置１２０は、記憶部１３０と、制御部１４０と、通信部１８０とを備える。
制御部１４０は、補正部１５０と、学習部１６０と、予測部１７０とを備える。
混雑予測装置１２０は、過去における各区域の混雑情報、気象情報及びイベント情報等の混雑に関連する情報である混雑関連情報を示す過去混雑区域データと、何れかの区域に設置されたセンサ１１０からの過去のセンサデータである過去センサデータとに基づいてモデルを生成して、現在のセンサデータからそのモデルを用いて予測を行う。
言い換えると、混雑予測装置１２０は、学習モデルを学習する学習装置、学習モデルを用いて予測を行う予測装置、及び、これらの両方を行う学習予測装置として機能する。
記憶部１３０は、過去混雑区域データ記憶部１３１と、過去センサデータ記憶部１３２と、補正モデル記憶部１３３と、予測モデル記憶部１３４とを備える。
過去混雑区域データ記憶部１３１は、ｍ個の区域のそれぞれにおける過去の混雑に関連する情報である混雑関連情報を示す過去混雑区域データを記憶する。混雑関連情報は、ｍ個の区域のそれぞれにおける過去の混雑度を含む。
図４は、過去混雑区域データの一例を示す概略図である。
図４に示されている過去混雑区域データは、区域及び時刻毎に、混雑情報、気象情報及びイベント情報を表す。
混雑情報は、その区域の混雑度を示す情報である。例えば、混雑情報は、その区域内の滞在人数又は何らかの基準で定められた混雑ランク等のように、その区域内の混雑の状況を示す数値である混雑度を示す。
混雑センサが配置されている区域については、混雑情報は、混雑センサで取得された混雑データから生成されればよい。
また、混雑センサが配置されていない区域については、別の装置で取得された情報又はオペレータにより入力された情報に基づいて、混雑情報が生成されればよい。
気象情報は、その区域の気象を示す情報である。例えば、気象情報は、その区域内の降水量、降水確率、湿度、気温又は風速等のように、その区域における気象に関する数値である。
イベント情報は、その区域でのイベントに関する情報である。例えば、イベント情報は、その区域内で開催されるイベントの来客人数、又は、その区域内でのイベントの有無を表すフラグ等のように、その区域におけるイベントに関する数値である。
なお、対応する外部センサが配置されている地域については、気象情報及びイベント情報の少なくとも何れか一方は、外部センサで取得された外部データから生成されればよい。
また、対応する外部センサが配置されていない地域については、気象情報及びイベント情報の少なくとも何れか一方は、他の装置で取得された情報又はオペレータにより入力された情報に基づいて、生成されればよい。
以上のように、過去混雑区域データにより、時刻毎に混雑に関連する情報が示される。
図３に戻り、過去センサデータ記憶部１３２は、ｍ個の区域に含まれるｎ個の区域に設置された一以上のセンサで、過去において検出された値を示す過去センサデータを記憶する。
図５は、過去センサデータの一例を示す概略図である。
図５に示されている過去センサデータは、時刻毎に、センサ１１０で検出された値を示す。
図３に戻り、補正モデル記憶部１３３は、センサ１１０で検出された値から、センサ１１０で検出された時点の混雑関連情報を予測するための学習モデルである補正モデルを記憶する。
予測モデル記憶部１３４は、混雑関連情報から将来の混雑度を予測するための学習モデルである予測モデルを記憶する。
制御部１４０の補正部１５０は、読出部１５１と、補正モデル生成部１５２と、補正モデル出力部１５３とを備える。
読出部１５１は、過去混雑区域データ及び過去センサデータから、重複する期間に含まれているデータである値を読み出す。読み出された値は、補正モデル生成部１５２に与えられる。
補正モデル生成部１５２は、過去センサデータで示される値を入力データとし、過去混雑区域データで示される混雑関連情報を正解データとすることで、一以上のセンサ１１０で検出される値から、一以上のセンサ１１０が検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部として機能する。
例えば、補正モデル生成部１５２は、センサ１１０で検出された、ある時点における値を入力データとし、その時点における混雑関連情報を正解データとすることで、第１のモデルを学習する。
ここでは、補正モデル生成部１５２は、読出部１５１で読み出された値を用いて、センサ１１０で検出された値から混雑関連情報を予測するための第１のモデルとしての補正モデルを生成する。生成された補正モデルは、補正モデル出力部１５３に与えられる。
補正モデル出力部１５３は、補正モデル生成部１５２で生成された学習モデルを補正モデル記憶部１３３に記憶させる。
制御部１４０の学習部１６０は、読出部１６１と、モデル学習部１６２と、予測モデル出力部１６３とを備える。
読出部１６１は、過去混雑区域データ記憶部１３１から過去混雑区域データを読み出す。読み出された過去混雑区域データは、モデル学習部１６２に与えられる。
モデル学習部１６２は、過去混雑区域データにおいて、第１の時点における混雑関連情報を入力データとし、第１の時点よりも後の第２の時点における混雑関連情報に含まれている混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部として機能する。
例えば、モデル学習部１６２は、一又は複数の時間帯に含まれる一又は複数の地域の一又は複数の混雑関連情報を入力データとし、一又は複数の時間帯よりも後の時刻におけるｍ個の区域の内の一つの区域の混雑度を正解データとすることで、第２のモデルを学習する。
具体的には、ある日の１３：００～１４：００までの全ての区域における混雑関連情報を入力データとし、同じ日の１４：３０における第１区域の混雑関連情報に含まれている混雑情報で示される混雑度を正解データとすることで、第１区域の３０分後における混雑度を予測することのできる予測モデルを学習することができる。ここでは、全ての区域の混雑関連情報が入力データとして使用されているが、将来の混雑度を予測する区域の混雑関連情報だけが入力データとして使用されてもよく、また、全ての区域から選択された一又は複数の区域の混雑関連情報のみが入力データとして使用されてもよい。
ここでは、モデル学習部１６２は、過去混雑区域データを用いて、混雑関連情報から、将来の混雑度を予測するための第２のモデルとしての予測モデルを生成する。生成された予測モデルは、予測モデル出力部１６３に与えられる。
予測モデル出力部１６３は、モデル学習部１６２で生成された予測モデルを予測モデル記憶部１３４に記憶させる。
制御部１４０の予測部１７０は、取得部１７１と、補正モデル適用部１７２と、予測実行部１７３と、予測結果出力部１７４とを備える。
取得部１７１は、通信部１８０を介して、センサ１１０から検出された値を取得する。ここで取得される値を示すデータをリアルセンサデータともいう。リアルセンサデータは、補正モデル適用部１７２に与えられる。
補正モデル適用部１７２は、補正モデルを用いて、取得部１７１で取得された値から、センサ１１０が検出を行った時点における混雑関連情報を予測する第１の予測部として機能する。
ここでは、補正モデル適用部１７２は、リアルセンサデータを予め定められた期間蓄積し、そのリアルセンサデータを、補正モデル記憶部１３３に記憶されている補正モデルに入力することにより、その期間における全ての区域における混雑関連情報を予測する。
ここで予測された混雑関連情報は、予測実行部１７３に与えられる。
予測実行部１７３は、予測モデルを用いて、補正モデル適用部１７２で予測された混雑関連情報から、ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部として機能する。
予測実行部１７３は、補正モデル適用部１７２で予測された混雑関連情報を予め定められた期間蓄積することで、その蓄積された混雑関連情報をリアルタイム混雑区域データとする。
そして、予測実行部１７３は、予測モデルを予測モデル記憶部１３４から読み出す。予測実行部１７３は、読み出された予測モデルに、リアルタイム混雑区域データと、将来の混雑度を予測する区域である対象区域とを入力することで、対象区域の将来における混雑度を予測する。ここで予測された混雑度は、予測結果出力部１７４に与えられる。
予測結果出力部１７４は、予測実行部１７３で予測された混雑度を、予測結果として出力する。
例えば、予測結果出力部１７４は、その混雑度を示す画面画像である予測結果画面画像を生成し、その予測結果画面画像を、図示しない表示部に表示することにより、予測結果を出力してもよい。
また、予測結果出力部１７４は、その混雑度を示す情報である予測結果情報を生成し、その予測結果情報を、通信部１８０を介して他の装置に送信することにより、予測結果を出力してもよい。
通信部１８０は、ネットワーク１０１を介した通信を実行する。
例えば、通信部１８０は、センサ１１０で検出された値を示すデータを受信する。
以上の混雑予測装置１２０は、例えば、図７に示されているコンピュータ１０により実現することができる。
図６は、コンピュータ１０の構成を概略的に示すブロック図である。
コンピュータ１０は、プロセッサ１１と、揮発性記憶装置１２と、不揮発性記憶装置１３と、通信装置１４とを備える。
プロセッサ１１を内蔵するコンピュータ１０は、例えば、パーソナルコンピュータ、サーバ型コンピュータ等の据え置き型コンピュータ、スマートフォン、タブレット型コンピュータ等の可搬型コンピュータ、あるいは、機器組み込み用途のマイクロコンピュータ、又は、ＳｏＣ（Ｓｙｓｔｅｍ ｏｎ Ｃｈｉｐ）等である。
プロセッサ１１は、コンピュータ１０の全体を制御する。例えば、プロセッサ１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又は、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。プロセッサ１１は、単一のプロセッサでもマルチプロセッサでもよい。
揮発性記憶装置１２は、コンピュータ１０の主記憶装置である。例えば、揮発性記憶装置１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
不揮発性記憶装置１３は、コンピュータ１０の補助記憶装置である。例えば、不揮発性記憶装置１３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。
通信装置１４は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）等の通信インタフェースである。
プロセッサ１１は、作業用メモリとして揮発性記憶装置１２を使用し、不揮発性記憶装置１３から、通信路１５を通じて読み出されたコンピュータプログラムに従って動作する。なお、コンピュータプログラムは、コンピュータ１０の外部から供給されてもよい。また、コンピュータプログラムは、コンピュータ１０で読み取り可能な不揮発性記憶媒体、例えば、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）又はフラッシュメモリ等により配布されてもよい。言い換えると、コンピュータプログラムは、プログラムプロダクトにより提供されてもよい。
ここで、図３に示されている混雑予測装置１２０の記憶部１３０は、揮発性記憶装置１２又は不揮発性記憶装置１３により実現することができる。
制御部１４０は、不揮発性記憶装置１３に記憶されているプログラムを、プロセッサ１１が揮発性記憶装置１２に読み出し、そのプログラムを実行することで実現することができる。
通信部１８０は、通信装置１４により実現することができる。
なお、混雑予測装置１２０は、コンピュータ以外にＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の処理回路を有してもよい。処理回路は、単一回路又は複合回路でもよい。
言い換えると、混雑予測装置１２０は、処理回路網により実現することができる。
次に、混雑予測装置１２０の動作について説明する。
図７は、補正部１５０によって実行される補正モデル生成処理の一例を示すフローチャートである。
まず、読出部１５１は、過去混雑区域データ記憶部１３１と、過去センサデータ記憶部１３２とから、重複する期間のデータを読み出す（Ｓ１０）。読み出されたデータは、補正モデル生成部１５２に与えられる。
次に、補正モデル生成部１５２は、ステップＳ１１で読み出されたデータを用いて、補正モデルを生成する（Ｓ１１）。生成された補正モデルは、補正モデル出力部１５３に与えられる。
ここで、補正モデルの生成処理には、例えば、重回帰等の回帰手法を用いることができる。
具体的には、補正モデル生成部１５２は、下記の式（１）に示すような、重回帰式を補正モデルとして用い、過去混雑区域データに含まれている値ｙと、過去センサデータで示される値ｘ１～ｋを入力に、補正モデルのパラメータである補正係数α１～αｋ、定数項βを最小二乗法等により最適化して、補正モデルを生成する。
ｙ ＝ α１ｘ１＋α２ｘ２＋α３ｘ３＋・・・＋αｋｘｋ＋β
（１）
なお、補正モデル生成部１５２は、いかなる学習アルゴリズムを用いて補正モデルを生成してもよい。例えば、補正モデル生成部１５２は、単回帰又は重回帰等の公知の統計的手法の他、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、サポートベクターマシン（ＳＶＭ）、勾配ブースティング決定木（ＧＢＤＴ）、クラスタリング又は強化学習等の機械学習アルゴリズムを用いてモデルを生成してもよい。
次に、補正モデル出力部１５３は、補正モデルを、補正モデル記憶部１３３に記憶させる（Ｓ１２）。
図８は、学習部１６０によって実行される予測モデル学習処理の一例を示すフローチャートである。
まず、読出部１６１は、過去混雑区域データ記憶部１３１から過去混雑区域データを読み出す（Ｓ２０）。読み出された過去混雑区域データは、モデル学習部１６２に与えられる。
次に、モデル学習部１６２は、過去混雑区域データを学習データとして用いて予測モデルを生成する（Ｓ２１）。生成された予測モデルは、予測モデル出力部１６３に与えられる。
なお、モデル学習部１６２は、いかなる学習アルゴリズムを用いてモデルを生成してもよい。例えば、モデル学習部１６２は、ニューラルネットワーク、サポートベクターマシン、勾配ブースティング決定木、クラスタリング又は強化学習等の学習アルゴリズムを用いて予測モデルを生成すればよい。
次に、予測モデル出力部１６３は、予測モデルを予測モデル記憶部１３４に記憶させる（Ｓ２２）。
図９は、予測部１７０によって実行される予測処理の一例を示すフローチャートである。
まず、取得部１７１は、センサ１１０からリアルセンサデータを取得する（Ｓ３０）。リアルセンサデータは、補正モデル適用部１７２に与えられる。
次に、補正モデル適用部１７２は、補正モデル記憶部１３３から補正モデルを取得する（Ｓ３１）。
そして、補正モデル適用部１７２は、リアルセンサデータを予め定められた期間蓄積し、そのリアルセンサデータを補正モデルに入力することにより、リアルセンサデータを補正して、混雑関連情報を予測することでリアルタイム混雑区域データを取得する（Ｓ３２）。
図１０（Ａ）及び（Ｂ）は、過去混雑区域データ及びリアルタイム混雑区域データを説明するための概略図である。
図１０（Ａ）に示されているラインＬ１～Ｌ３は、センサ１１０で検出された値を示す。
また、図１０（Ａ）に示されているラインＬ４は、過去混雑区域データに含まれている混雑度を示す。
図１０（Ｂ）に示されているラインＬ４は、図１０（Ａ）と同様に、過去混雑区域データに含まれている混雑度である。
図１０（Ｂ）に示されているラインＬ５は、図１１（Ａ）におけるラインＬ１～Ｌ３で示されている値をリアルセンサデータとして、補正モデル記憶部１３３に記憶されている補正モデルに入力することで予測された混雑度を示している。言い換えると、ラインＬ５は、リアルタイム混雑区域データに含まれている混雑度を示している。
全ての区域についてリアルタイムでのセンサ１１０による検出が難しいため、補正部１５０による補正モデルの学習時には、過去混雑区域データを学習データとして用いて、補正モデルを学習しておく。そして、予測部１７０による予測時には、このようにして学習された補正モデルを用いて、リアルセンサデータからリアルタイム混雑区域データを生成し、生成されたリアルタイム混雑区域データを予測モデルの入力とすることで予測を実行する。これにより、リアルタイムでの取得は困難だが、過去のデータが蓄積されている混雑区域データと、リアルタイムでの取得はできるが、全ての区域ではデータが蓄積されていないセンサデータとの、それぞれの利点が生かされることとなる。
図９に戻り、予測実行部１７３は、予測モデル記憶部１３４から予測モデルを取得する（Ｓ３３）。
そして、補正モデル適用部１７２は、ステップＳ３２で予測された混雑関連情報を予め定められた期間蓄積することで、その蓄積された混雑関連情報をリアルタイム混雑区域データとして、予測モデルに入力することで、予測を行う区域である対象区域の将来における混雑度を予測する（Ｓ３４）。予測された混雑度は、予測結果出力部１７４に与えられる。
次に、予測結果出力部１７４は、予測された混雑度を混雑度予測結果として混雑予測装置１２０から出力する（Ｓ３５）。
以上のように、実施の形態１によれば、予測対象区域の過去の混雑度をモデルに学習させ、そのモデルにいくつかの区域に設置されたセンサ１１０のセンサデータを入力することで、センサ１１０が設置されていない区域の将来の混雑度が予測できる。このため、利用者が事前の混雑回避行動をとることが可能となり、利用者の満足度が向上する。
実施の形態２．
図１に示されているように、実施の形態２に係る混雑予測システム２００は、第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・と、混雑予測装置２２０とを備える。
第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・と、混雑予測装置２２０とは、例えば、インターネット等のネットワーク１０１に接続されており、第１センサ１１０Ａ、第２センサ１１０Ｂ、第３センサ１１０Ｃ、・・・で検出されたデータであるセンサデータは、混雑予測装置２２０に送信される。
実施の形態２に係る混雑予測システム２００のセンサ１１０は、実施の形態１に係る混雑予測システム１００のセンサ１１０と同様である。
図１１は、実施の形態２における混雑予測装置２２０の構成を概略的に示すブロック図である。
混雑予測装置２２０は、記憶部２３０と、制御部２４０と、通信部１８０とを備える。
制御部２４０は、補正部２５０と、学習部２６０と、予測部２７０とを備える。
実施の形態２における混雑予測装置２２０の通信部１８０は、実施の形態１における混雑予測装置１２０の通信部１８０と同様である。
実施の形態２における混雑予測装置２２０は、過去における各区域の混雑情報、気象情報及びイベント情報等の混雑に関係する情報を含む過去混雑区域データと、何れかの区域に設置されたセンサ１１０からの過去のセンサデータである過去センサデータとに基づいてモデルを生成して、現在のセンサデータからそのモデルを用いて予測を行う。
言い換えると、混雑予測装置２２０は、学習モデルを学習する学習装置、学習モデルを用いて予測を行う予測装置、及び、これらの両方を行う学習予測装置として機能する。
記憶部２３０は、過去混雑区域データ記憶部１３１と、過去センサデータ記憶部１３２と、補正モデル記憶部２３３と、予測モデル記憶部２３４とを備える。
実施の形態２における記憶部２３０の過去混雑区域データ記憶部１３１及び過去センサデータ記憶部１３２は、実施の形態１における記憶部１３０の過去混雑区域データ記憶部１３１及び過去センサデータ記憶部１３２と同様である。
補正モデル記憶部２３３は、混雑関連情報から、混雑関連情報が取得された時点で、センサ１１０で検出される値を予測するための学習モデルである補正モデルを記憶する。
予測モデル記憶部２３４は、センサ１１０で検出される値から将来の混雑度を予測するための学習モデルである予測モデルを記憶する。
制御部２４０の補正部２５０は、読出部１５１と、補正モデル生成部２５２と、補正モデル出力部１５３とを備える。
実施の形態２における補正部２５０の読出部１５１及び補正モデル出力部１５３は、実施の形態１における補正部１５０の読出部１５１及び補正モデル出力部１５３と同様である。
補正モデル生成部２５２は、過去混雑区域データで示される混雑関連情報を入力データとし、過去センサデータで示される値を正解データとすることで、混雑関連情報から、混雑関連情報が取得された時点における一以上のセンサ１１０で検出される値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部として機能する。
例えば、補正モデル生成部２５２は、ある時点の混雑関連情報を入力データとして、その時点においてセンサ１１０で検出された値を正解データすることで、第１のモデルを学習する。
ここでは、補正モデル生成部２５２は、読出部１５１で読み出された混雑関連情報を用いて、センサ１１０で検出された値を予測するための第１のモデルとしての補正モデルを生成する。生成された補正モデルは、補正モデル出力部１５３に与えられる。
制御部２４０の学習部２６０は、読出部１６１と、モデル学習部２６２と、予測モデル出力部１６３と、補正モデル適用部２６４とを備える。
実施の形態２における学習部２６０の読出部１６１及び予測モデル出力部１６３は、実施の形態１における学習部２６０の読出部１６１及び予測モデル出力部１６３と同様である。
但し、実施の形態２における読出部１６１は、過去混雑区域データ記憶部１３１から読み出された過去混雑区域データを、補正モデル適用部２６４に与える。
補正モデル適用部２６４は、補正モデルを用いて、読出部１６１から与えられた過去混雑区域データで示される混雑関連情報から、その混雑関連情報が取得された時点において、センサ１１０で検出される値を予測するモデル適用部として機能する。ここで予測された値を示すセンサデータを予測センサデータともいう。予測センサデータは、モデル学習部１６２に与えられる。
モデル学習部２６２は、第１の時点における予測センサデータを入力データとし、第１の時点よりも後の第２の時点における、過去混雑区間データの混雑関連情報に含まれている混雑度を正解データとすることで、センサデータから将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部として機能する。
例えば、モデル学習部２６２は、一又は複数の時間帯に含まれる予測センサデータを入力データとし、一又は複数の時間帯よりも後の時刻におけるｍ個の区域の内の一つの区域の混雑度を正解データとすることで、第２のモデルを学習する。生成された予測モデルは、予測モデル出力部１６３に与えられる。
制御部２４０の予測部２７０は、取得部１７１と、予測実行部２７３と、予測結果出力部１７４とを備える。
実施の形態２における予測部２７０の取得部１７１及び予測結果出力部１７４は、実施の形態１における予測部１７０の取得部１７１及び予測結果出力部１７４と同様である。
但し、実施の形態１における取得部１７１は、センサ１１０から取得された値を示すデータであるリアルセンサデータを、予測実行部２７３に与える。
予測実行部２７３は、予測モデルを用いて、取得部１７１から与えられたリアルセンサデータから、ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部として機能する。
予測実行部２７３は、取得部１７１からのリアルセンサデータを予め定められた期間蓄積することで、その蓄積されたリアルセンサデータを対象センサデータとする。
そして、予測実行部２７３は、予測モデルを予測モデル記憶部１３４から読み出す。予測実行部２７３は、読み出された予測モデルに、対象センサデータと、将来の混雑度を予測する区域である対象区域とを入力することで、対象区域の将来における混雑度を予測する。ここで予測された混雑度は、予測結果出力部１７４に与えられる。
以上のように、実施の形態２によれば、予測対象区域の過去の混雑度をモデルに学習させ、そのモデルにいくつかの区域に設置されたセンサ１１０のセンサデータを入力することで、センサ１１０が設置されていない区域の将来の混雑度が予測できる。このため、利用者が事前の混雑回避行動をとることが可能となり、利用者の満足度が向上する。
また、実施の形態２によれば、例えば、図１２に示されているように、センサデータが取得されている期間が、過去混雑区域データが取得されている期間よりも短くても、センサデータ及び過去混雑区域データの両方が取得されている期間ｔ１があれば、補正モデル生成部２５２は、期間ｔ１におけるこれらのデータを利用することで補正モデルを生成することができる。
そして、補正モデル適用部２６４は、センサデータが取得されていない期間ｔ０におけるセンサデータを、補正モデルを用いて予測することができる。
このため、モデル学習部２６２は、その予測されたセンサデータを用いて、予測モデルを生成することができる。
以上により、実施の形態２では、センサデータを取得する負荷を軽減することができ、例えば、混雑予測装置２２０を運用する直前にセンサ１１０を配置して、センサデータを取得することで、将来における混雑度を予測することができるようになる。
なお、モデル学習部２６２は、予測モデルを学習する際に、期間ｔ１におけるセンサデータも利用してもよい。これにより、予測の精度を高めることができる。
また、実施の形態１又は２によれば、センサ１１０の設置コストを低減できるだけでなく、予測に使うためのデータ蓄積の時間、並びに、データ収集工数も低減することができる。
実施の形態１又は２は、以上に記載された例に限定されるものではなく、混雑予測装置１２０、２２０の構成、その記憶部１３０、２３０に記憶される情報の構成等については、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
要するにこの発明は、上記の実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記の実施の形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、上記の実施の形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施の形態に亘る構成要素が適宜組み合わされてもよい。
１００，２００ 混雑予測システム、 １１０ センサ、 １２０，２２０ 混雑予測装置、 １３０，２３０ 記憶部、 １３１ 過去混雑区域データ記憶部、 １３２ 過去センサデータ記憶部、 １３３，２３３ 補正モデル記憶部、 １３４，２３４ 予測モデル記憶部、 １４０ 制御部、 １５０，２５０ 補正部、 １５１ 読出部、 １５２，２５２ 補正モデル生成部、 １５３ 補正モデル出力部、 １６０，２６０ 学習部、 １６１ 読出部、 １６２，２６２ モデル学習部、 １６３ 予測モデル出力部、 ２６４ 補正モデル適用部、 １７０，２７０ 予測部、 １７１ 取得部、 １７２ 補正モデル適用部、 １７３，２７３ 予測実行部、 １７４ 予測結果出力部、 １８０ 通信部。

Claims (19)

  1. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、
    前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、を備えること
    を特徴とする学習装置。
  2. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、
    前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測するモデル適用部と、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、を備えること
    を特徴とする学習装置。
  3. 前記過去混雑区域データは、時刻毎に前記混雑関連情報を示し、
    前記過去センサデータは、時刻毎に前記値を示すこと
    を特徴とする請求項１又は２に記載の学習装置。
  4. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部と、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部と、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えること
    を特徴とする予測装置。
  5. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部と、
    前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する予測実行部と、を備えること
    を特徴とする予測装置。
  6. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、
    前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、
    前記一以上のセンサで検出された値を取得する取得部と、
    前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部と、
    前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えること
    を特徴とする学習予測装置。
  7. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部と、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部と、
    前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部と、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測する第１の予測部と、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部と、
    前記一以上のセンサで検出された値を取得する取得部と、
    前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部と、を備えること
    を特徴とする学習予測装置。
  8. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、
    前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、及び、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、として機能させること
    を特徴とするプログラム。
  9. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、
    前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測するモデル適用部、及び、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、として機能させること
    を特徴とするプログラム。
  10. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部、及び、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させること
    を特徴とするプログラム。
  11. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得する取得部、及び、
    前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する予測実行部、として機能させること
    を特徴とするプログラム。
  12. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、
    前記過去センサデータで示される前記値を入力データとし、前記過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、
    前記一以上のセンサで検出された値を取得する取得部、
    前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測する第１の予測部、及び、
    前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させること
    を特徴とするプログラム。
  13. コンピュータを、
    ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データを記憶する過去混雑区域データ記憶部、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータを記憶する過去センサデータ記憶部、
    前記過去混雑区域データで示される前記混雑関連情報を入力データとし、前記過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成する第１のモデル生成部、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測する第１の予測部、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成する第２のモデル生成部、
    前記一以上のセンサで検出された値を取得する取得部、及び、
    前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測する第２の予測部、として機能させること
    を特徴とするプログラム。
  14. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成し、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成すること
    を特徴とする学習方法。
  15. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを生成し、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測し、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成すること
    を特徴とする学習方法。
  16. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得し、
    前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで生成された、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測し、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれている前記混雑度を正解データとすることで生成された、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測すること
    を特徴とする予測方法。
  17. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで検出された値を取得し、
    前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで生成された、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出される値を予測するための学習モデルである第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測することで得られた、前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで生成された、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測すること
    を特徴とする予測方法。
  18. ｍ個の区域（ｍは２以上の整数）に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を入力データとし、前記ｍ個の区域のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を正解データとすることで、前記一以上のセンサで検出される値から、前記一以上のセンサが検出を行う時点における混雑関連情報を予測するための学習モデルである第１のモデルを生成し、
    前記過去混雑区域データで示される、第１の時点における前記混雑関連情報を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、混雑関連情報から将来における混雑度を予測するための学習モデルである第２のモデルを生成し、
    前記一以上のセンサで検出された値を取得し、
    前記第１のモデルを用いて、前記取得された値から、前記一以上のセンサが検出を行った時点における混雑関連情報を予測し、
    前記第２のモデルを用いて、前記予測された混雑関連情報から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測すること
    を特徴とする学習予測方法。
  19. ｍ個の区域（ｍは２以上の整数）のそれぞれにおける過去の混雑度を含む混雑関連情報を示す過去混雑区域データで示される前記混雑関連情報を入力データとし、前記ｍ個の区域に含まれるｎ個の区域（ｎは１以上の整数、かつ、ｎ＜ｍ）に設置された一以上のセンサで過去において検出された値を示す過去センサデータで示される前記値を正解データとすることで、前記混雑関連情報から、前記混雑関連情報が取得された時点における、前記一以上のセンサで検出された値を予測するための学習モデルである第１のモデルを生成し、
    前記第１のモデルを用いて、前記過去混雑区域データで示される、第１の時点における前記混雑関連情報から、前記第１の時点における前記一以上のセンサで検出される値を予測し、
    前記予測された値を入力データとし、前記過去混雑区域データで示される、前記第１の時点よりも後の第２の時点における前記混雑関連情報に含まれる前記混雑度を正解データとすることで、前記一以上のセンサで検出される値から将来における混雑度を予測するための学習モデルである第２のモデルを生成し、
    前記一以上のセンサで検出された値を取得し、
    前記第２のモデルを用いて、前記取得された値から、前記ｍ個の区域に含まれる何れかの区域の将来における混雑度を予測すること
    を特徴とする学習予測方法。
JP2023547531A 2021-10-21 2021-10-21 学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法 Active JP7378688B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/038860 WO2023067745A1 (ja) 2021-10-21 2021-10-21 学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法

Publications (2)

Publication Number Publication Date
JPWO2023067745A1 JPWO2023067745A1 (ja) 2023-04-27
JP7378688B2 true JP7378688B2 (ja) 2023-11-13

Family

ID=86057994

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023547531A Active JP7378688B2 (ja) 2021-10-21 2021-10-21 学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法

Country Status (5)

Country Link
US (1) US20240257289A1 (ja)
EP (1) EP4401013A1 (ja)
JP (1) JP7378688B2 (ja)
CN (1) CN118076959A (ja)
WO (1) WO2023067745A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009146252A (ja) 2007-12-17 2009-07-02 Sony Corp 情報処理装置、情報処理方法、及びプログラム
US20160124906A1 (en) 2013-06-07 2016-05-05 Yandex Europe Ag Methods and systems for representing a degree of traffic congestion using a limited number of symbols

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5856456B2 (ja) 2011-12-02 2016-02-09 株式会社日立製作所 人流予測装置および方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009146252A (ja) 2007-12-17 2009-07-02 Sony Corp 情報処理装置、情報処理方法、及びプログラム
US20160124906A1 (en) 2013-06-07 2016-05-05 Yandex Europe Ag Methods and systems for representing a degree of traffic congestion using a limited number of symbols

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAPHIPHAN, Panraphee, et al.，"Real Time Traffic Congestion Degree Computation for Minor Sensorless Roads Using Cost Efficient Con，Proceedings of 2010 13th International IEEE Annual Conference on Intelligent Transportation Systems，IEEE，2010年09月22日，Pages 1741-1746，ISBN: 978-1-4244-7659-6, <DOI: 10.1109/ITSC.2010.5625230>.

Also Published As

Publication number Publication date
JPWO2023067745A1 (ja) 2023-04-27
WO2023067745A1 (ja) 2023-04-27
US20240257289A1 (en) 2024-08-01
EP4401013A1 (en) 2024-07-17
CN118076959A (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
JP7082461B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
US10699214B2 (en) Automatic identification and deployment of virtual sensor models
US20220139070A1 (en) Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program
US10896378B2 (en) Fast detection of energy consumption anomalies in buildings
US20220277225A1 (en) Method and device for detecting anomalies, corresponding computer program and non-transitory computer-readable medium
US11620474B2 (en) Model reselection for accommodating unsatisfactory training data
CN112966865B (zh) 携号转网预测方法、装置及设备
JP5480755B2 (ja) 需要予測システム及び需要予測方法
KR20210055560A (ko) 인공지능 서비스에 대한 성능 관리 장치 및 방법
US20190122251A1 (en) Automated Attribution Modeling and Measurement
CN112202726A (zh) 一种基于上下文感知的系统异常检测方法
US20200073683A1 (en) Automated user interface analysis
US20170017735A1 (en) System and method for energy sample forecasting of hvac-r systems
JP2020052459A (ja) 故障予知方法、故障予知装置および故障予知プログラム
CN114356895B (zh) 基于异常工况数据库管理的方法、装置、设备及存储介质
WO2021048902A1 (ja) 学習モデル適用システム、学習モデル適用方法、及びプログラム
US11328205B2 (en) Generating featureless service provider matches
KR20210061739A (ko) 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
CN110163401B (zh) 时间序列的预测方法、数据预测方法和装置
JP7378688B2 (ja) 学習装置、予測装置、学習予測装置、プログラム、学習方法、予測方法及び学習予測方法
US11527091B2 (en) Analyzing apparatus, control method, and program
KR101935161B1 (ko) Ｓｎｓ와 여론조사를 융합한 예측 시스템 및 방법
JP6896380B2 (ja) 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム
CN112308045B (zh) 一种密集人群的检测方法、装置及电子设备
CN111382874B (zh) 实现线上机器学习模型的更新迭代的方法和装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230804

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230804

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231003

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231031

R150 Certificate of patent or registration of utility model

Ref document number: 7378688

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150