JP7397663B2 - 出力プログラム、出力装置、出力方法、学習モデルの生成方法及びニューラルネットワークシステム - Google Patents

Description

特許法第３０条第２項適用 平成３１年 ２月２８日に、情報処理学会 第８１回全国大会の講演論文集ＰＤＦにて公開（ｈｔｔｐｓ：／／ｉｐｓｊ．ｉｘｓｑ．ｎｉｉ．ａｃ．ｊｐ／ｅｊ／？ａｃｔｉｏｎ＝ｒｅｐｏｓｉｔｏｒｙ＿ｕｒｉ＆ｉｔｅｍ＿ｉｄ＝１９６７６７＆ｆｉｌｅ＿ｉｄ＝１＆ｆｉｌｅ＿ｎｏ＝１） 令和 １年 ６月 ４日に、２０１９年度 人工知能学会全国大会（第３３回）にて公開 令和 １年 ７月 １日に、データサイエンティスト：ゆるふわ採用座談会にて公開 令和 １年 ７月１３日に、ＣＣＳＥ ２０１９にて公開 令和 １年 ７月１８日に、第６回 Ａｍａｚｏｎ ＳａｇｅＭａｋｅｒ 事例祭りにて公開 令和 １年１０月２５日に、ＡＷＳ Ａｕｔｏｔｅｃｈ Ｆｏｒｕｍ ２０１９にて公開

本発明は、タクシーの配車要求に関して、要求がされてからタクシー到着までの所要時間を予測し出力する出力プログラム等に関する。

タクシーを求める乗客は、街中を走っている空車のタクシーを捕まえるか、電話やネットワークを介して配車要求を行い、乗車したい地点までタクシーに迎えに来てもらう。タクシーが乗客を迎えに向かう場合、タクシー会社は、タクシーが到着するまでに、どの位の時間を要するか乗客へ伝えることが望まれている。特許文献１にはタクシーの位置から配車要求側の位置（「お迎え場所」という。）までのタクシーの移動に要する時間を推計するタクシー配車システムが提案されている。

特開２００２－２５１４３３号公報

しかしながら、従来のタクシー配車システムではお迎え場所へ迎えに行くタクシーが選択されてから、タクシーの移動に要する所要時間の推定を行う。タクシーがお迎え場所に向かい始めてから、所要時間を回答するため、その時点でキャンセルが発生するとタクシーは無駄な走行を行ったことになる。本発明は係る事情に鑑みてなされたものである。その目的は、迎えに行くタクシーが決まらずとも、お迎え場所への移動に要する時間を予測し出力可能な出力プログラム等の提供である。

本発明に係る出力プログラムは、タクシーの配車要求に応じて、配車候補となる複数台のタクシー毎に対応付けられた車両特徴量を取得し、タクシー到着までの所要時間を出力する、第１の学習モデル及び第２の学習モデルを含む学習モデルへ、取得した複数の車両特徴量を入力し、前記学習モデルより得た前記所要時間を出力する処理において、前記第１の学習モデルは、複数の前記車両特徴量を入力とし、入力された複数の前記車両特徴量の各々に対する重みを出力し、前記第２の学習モデルは、複数の前記車両特徴量及び前記車両特徴量の各々に対する前記重みを入力とし、前記所要時間を出力する処理をコンピュータに行わせることを特徴とする。

本発明にあっては、迎えに行くタクシーが決まらずとも、お迎え場所への移動に要する時間を予測し出力可能となる。

お迎え時間予測システムの構成例を示す説明図である。 出力サーバのハードウェア構成例を示すブロック図である。 乗客端末のハードウェア構成例を示すブロック図である。 運行履歴ＤＢの例を示す説明図である。 車両特徴量ＤＢの例を示す説明図である。 配車実績ＤＢの例を示す説明図である。 教師データＤＢの例を示す説明図である。 学習モデルの例を示す説明図である。 学習モデル生成処理の手順例を示すフローチャートである。 所要時間予測処理の手順例を示すフローチャートである。 所要時間表示画面の例を示す説明図である。 環境特徴量ＤＢの例を示す説明図である。 学習モデルの他の例を示す説明図である。 所要時間予測処理の他の手順例を示すフローチャートである。

（実施の形態１）
以下実施の形態を、図面を参照して説明する。図１はお迎え時間予測システムの構成例を示す説明図である。お迎え時間予測システム１００は出力サーバ１、乗客端末２及びタクシー３を含む。乗客端末２は複数台でもよい。タクシー３は複数台が前提である。出力サーバ１、乗客端末２及びタクシー３はネットワークＮを介して通信可能に接続されている。出力サーバ１は、乗客端末２から送信されたタクシー３の配車要求に関して、要求がされてからタクシー３がお迎え場所へ到着するまでの所要時間を予測し、乗客端末２へ送信する。乗客端末２はタクシー３に乗車しようとする乗客が利用する端末である。タクシー３は、運行しており、空車の車両である。タクシー３はＧＰＳ（Global Positioning System）受信機、ジャイロ、スピードメータ、加速度計等の計測装置により、位置、走行速度、走行方向が測定可能である。タクシー３は、測定した位置、走行速度、走行方向を出力サーバ１へ送信する無線通信機を備える。

図２は出力サーバのハードウェア構成例を示すブロック図である。出力サーバ１は制御部１１、主記憶部１２、補助記憶部１３、通信部１５、計時部１６及び読み取り部１７を含む。制御部１１、主記憶部１２、補助記憶部１３、通信部１５、計時部１６及び読み取り部１７はバスＢにより接続されている。出力サーバ１はサーバコンピュータ、ＰＣ（Personal Computer）等で構成する。また、出力サーバ１を複数のコンピュータからなるマルチコンピュータ、ソフトウェアによって仮想的に構築された仮想マシン又は量子コンピュータで構成してもよい。さらに、出力サーバ１の機能をクラウドサービスで実現してもよい。

制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有する。制御部１１は、補助記憶部１３に記憶された制御プログラム１Ｐ（出力プログラム）を読み出して実行することにより、出力サーバ１に係る種々の情報処理、制御処理等を行う機能部（取得部、入力部、出力部）を実現する。

主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等である。主記憶部１２は主として制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。

補助記憶部１３はハードディスク又はＳＳＤ（Solid State Drive）等であり、制御部１１が処理を実行するために必要な制御プログラム１Ｐや各種ＤＢ（Database）を記憶する。補助記憶部１３は、運行履歴ＤＢ１３１、車両特徴量ＤＢ１３２、配車実績ＤＢ１３３、教師データＤＢ１３４及び環境特徴量ＤＢ１３５を記憶する。また、補助記憶部１３は学習モデル１４を記憶する。補助記憶部１３は出力サーバ１に接続された外部記憶装置であってもよい。補助記憶部１３に記憶する各種ＤＢ等を、出力サーバ１とは異なるデータベースサーバやクラウドストレージに記憶してもよい。

通信部１５はネットワークＮを介して、乗客端末２及びタクシー３と通信を行う。また、制御部１１が通信部１５を用い、ネットワークＮ等を介して他のコンピュータから制御プログラム１Ｐをダウンロードし、補助記憶部１３に記憶してもよい。

計時部１６は時刻又は出力サーバ１が起動してからの経過時間等の時間を計時する。計時部１６は制御部１１からの求めに応じて、計時結果を制御部１１に与える回路である。計時部１６は正確な時刻を保持するために、信頼できるＮＴＰサーバとＮＴＰ（Network Time Protocol）を用いた通信を繰り返し行って、時刻補正をしてもよい。

読み取り部１７はＣＤ（Compact Disc）－ＲＯＭ及びＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読み取り部１７を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、補助記憶部１３に記憶してもよい。また、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでもよい。

図３は乗客端末のハードウェア構成例を示すブロック図である。乗客端末２はスマートフォン、タブレットコンピュータ等で構成する。乗客端末２は制御部２１、主記憶部２２、補助記憶部２３、通信部２４、位置情報取得部２５、入力部２６及び表示部２７を含む。各構成はバスＢで接続されている。

制御部２１は、一又は複数のＣＰＵ、ＭＰＵ、ＧＰＵ等の演算処理装置を有する。制御部２１は、補助記憶部２３に記憶された制御プログラム２Ｐを読み出して実行することにより、乗客端末２に係る種々の情報処理、制御処理等を行う。

主記憶部２２は、ＳＲＡＭ、ＤＲＡＭ、フラッシュメモリ等である。主記憶部２２は主として制御部２１が演算処理を実行するために必要なデータを一時的に記憶する。

補助記憶部２３はハードディスク又はＳＳＤ、制御部２１が処理を実行するために必要な制御プログラム２Ｐや各種ＤＢ（Database）を記憶する。

通信部２４はネットワークＮを介して、出力サーバ１と通信を行う。また、制御部２１が通信部２４を用い、ネットワークＮ等を介して他のコンピュータから制御プログラム２Ｐをダウンロードし、補助記憶部２３に記憶してもよい。

位置情報取得部２５は、ＧＰＳ受信機などで構成される。位置情報取得部２５は、ＧＰＳ衛星からの電波を受信する。位置情報取得部２５は、受信した衛星電波を元に、自らの位置を求める。

入力部２６はキーボードやマウスである。表示部２７は液晶表示パネル等を含む。表示部２７は出力サーバ１が出力したお迎え時間などを表示する。また、表示部２７は入力部２６と一体化したタッチパネルディスプレイでもよい。なお、乗客端末２は外部の表示装置に表示を行ってもよい。

次に、お迎え時間予測システム１００が用いるデータベースについて説明する。図４は運行履歴ＤＢの例を示す説明図である。運行履歴ＤＢ１３１はタクシー３の運行履歴を記憶する。運行履歴ＤＢ１３１は車両ＩＤ列、位置座標列、方位列、速度列及び日時列を含む。車両ＩＤ列はタクシー３を一意に特定可能な車両ＩＤを記憶する。位置座標列はタクシー３の位置を示す位置座標（地理座標）を記憶する。位置座標は例えば、緯度及び経度の値の組み合わせである。位置座標は緯経度ではなく、他座標系の座標値でもよい。方位列はタクシー３が走行している方向を方位で示す。方位は真方位又は磁石方位である。速度列はタクシー３が走行している速度を記憶する。日時列は位置、方位、速度を検出した日時を記憶する。タクシー３の位置、速度及び方位は、タクシー３に搭載されたＧＰＳ受信機やジャイロにより計測され、ネットワークＮを介して、出力サーバ１へ送信される。タクシー３の位置、速度及び方位は所定の時間間隔、例えば１秒毎に計測される。運行履歴ＤＢ１３１は出力サーバ１が記憶するのではなく、車両運行管理システム等に記憶してもよい。

図５は車両特徴量ＤＢの例を示す説明図である。車両特徴量ＤＢ１３２はお迎え時間を予測する際に生成される車両特徴量を記憶する。車両特徴量ＤＢ１３２は配車ＩＤ列、車両ＩＤ列、車両状況列、お迎え場所列及び順位列を含む。配車ＩＤ列は配車要求を一意に特定可能な配車ＩＤを記憶する。配車ＩＤは配車要求がされた場合に発番される。車両ＩＤ列は車両ＩＤを記憶する。車両状況列は配車要求時の車両の状況を記憶する。車両状況列は位置座標列、方位列及び速度列を含む。位置座標列は配車要求時のタクシー３の位置を示す位置座標を記憶する。方位列は配車要求時のタクシー３の移動の方位を記憶する。速度列は配車要求時のタクシー３の移動速度を記憶する。お迎え場所列は位置座標列、方位列及び直線距離列を含む。位置座標列はお迎え場所の位置座標を記憶する。方位列はタクシー３を基準としてお迎え場所への方位を記憶する。直線距離列はタクシー３からお迎え場所への直線距離を記憶する。順位列は直線距離の順位を記憶する。順位列に記憶する順位は、直線距離列の値が確定した後に求める。車両特徴量はある時点のスナップショットであるが、所定時間幅の時系列データとしてもよい。

図６は配車実績ＤＢの例を示す説明図である。配車実績ＤＢ１３３は過去に行った配車の情報を記憶する。配車実績ＤＢ１３３は車両ＩＤ列、車両状況列、お迎え場所列、所要時間列及び受付日時列を含む。車両ＩＤ列は配車されたタクシー３の車両ＩＤを記憶する。車両状況列は配車要求を受け付けた時の配車されたタクシー３の状況を記憶する。車両状況列は位置座標列、方位列及び速度を含む。位置座標列は、配車要求を受け付けた時の配車されたタクシー３の位置を示す位置座標を記憶する。方位列は、配車要求を受け付けた時の配車されたタクシー３が走行していた方向を示す方位を記憶する。速度列は、配車要求を受け付けた時の配車されたタクシー３が走行していた速度を記憶する。お迎え場所列は位置座標列、方位列及び直線距離列を含む。位置座標列はお迎え場所の位置座標（地理座標）を記憶する。方位列は、配車要求を受け付けた時の配車されたタクシー３の位置を基準としてお迎え場所への方位を記憶する。直線距離列は、配車要求を受け付けた時の配車されたタクシー３の位置からお迎え場所への直線距離を記憶する。所要時間列は配車されたタクシー３が配車要求されてからお迎え場所までに到着するまでに要した時間を記憶する。受付日時列は配車要求を受け付けた日時を記憶する。

図７は教師データＤＢの例を示す説明図である。教師データＤＢ１３４は学習モデル１４を生成及び再学習するための教師データを記憶する。教師データＤＢ１３４に記憶する複数レコードで一群の教師データとなる。教師データＤＢ１３４はＩＤ列、車両ＩＤ列、車両状況列、お迎え場所列、順位列、所要時間列及び受付日時列を含む。ＩＤ列は教師データのＩＤを記憶する。ＩＤ列の値が互いに等しい複数レコードの集まりが一群の教師データを示す。車両ＩＤ列はタクシー３の車両ＩＤを記憶する。車両状況列はタクシー３の状況を記憶する。車両状況列が記憶する内容は、配車実績ＤＢ１３３の車両状況列と同様である。但し、教師データＤＢ１３４は配車されたタクシー３のみでなく、処理対象となったタクシー３のデータも記憶する。お迎え場所列及び順位列が記憶する内容は、それぞれ配車実績ＤＢ１３３のお迎え場所列及び順位列と同様である。所要時間列は実際に配車されたタクシー３が配車要求されてからお迎え場所までに到着するまでに要した時間を記憶する。なお、処理対象となったタクシー３については、所要時間列はNULLなどを記憶する。受付日時列は配車実績ＤＢ１３３の受付日時列と同様である。

図８は学習モデルの例を示す説明図である。学習モデル１４は第１モデル１４１（第１の学習モデル、第１のニューラルネットワーク）及び第２モデル１４２（第２の学習モデル、第２のニューラルネットワーク）を含む。第１モデル１４１は注意機構（アテンション機構）である。注意機構は機械翻訳や画像認識などで使われるニューラルネットワーク構造である。第１モデル１４１は、複数の車両特徴量を入力とし、各車両特徴量に対する重みを出力する。第２モデル１４２も全結合型ニューラルネットワークである。第２モデル１４２は、複数の車両特徴量と各車両特徴量の重みを入力とし、所要時間を出力する。

第１モデル１４１は入力層としての全結合層１４１１、結合層１４１２、中間層としての全結合層１４１３、出力層１４１４を含む。処理対象とする複数台のタクシー３の車両特徴量それぞれが複数の全結合層１４１１それぞれに入力される。全結合層１４１１の出力は結合層１４１２により結合され、全結合層１４１３に入力され、各車両特徴量に対する重みに相当する値が算出される。全結合層１４１３の出力は出力層１４１４においてSoftmax関数により所定範囲に含まれる値に正規化され、各車両特徴量の重みを出力する。なお、第１モデル１４１として、中間層がすべて全結合層となっている全結合型（フィードフォワード）ニューラルネットワークを示しているが、それに限らない。第１モデル１４１として、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）等を採用してもよい。

第２モデル１４２は全結合層１４１１、結合層１４１２、Ｄｏｔ内積演算層１４２１、全結合層１４２２及び出力層１４２３を含む。全結合層１４１１及び結合層１４１２は第１モデル１４１と共通する層である。第２モデル１４２において、全結合層１４１１の出力は結合層１４１２により結合され、Ｄｏｔ内積演算層１４２１に入力される。また、Ｄｏｔ内積演算層１４２１には、第１モデル１４１が出力した各車両特徴量の重みが入力される。Ｄｏｔ内積演算層１４２１では、結合層１４１２が出力した値と、第１モデル１４１が出力した重みとをＤｏｔ内積演算し、重み付けをする。重み付けしたデータは全結合層１４２２に入力される。全結合層１４２２により、所要時間が推定され、出力層１４２３において線形変換され、最終結果としての所要時間が出力される。出力層１４２３において線形変換ではなく、Softmax関数、恒等関数での処理でもよい。なお、図８に示す学習モデル１４は一例であり、他の構成、ＣＮＮやＲＮＮ等であってもよい。第１モデル１４１と同様に、第２モデル１４２は全結合型ニューラルネットワークに限らず、第１モデル１４１として、ＣＮＮやＲＮＮ等を採用してもよい。

続いて、出力サーバ１が行う情報処理について説明する。図９は学習モデル生成処理の手順例を示すフローチャートである。出力サーバ１の制御部１１は、配車実績ＤＢ１３３より処理対象とする配車実績を１つ取得する（ステップＳ１）。制御部１１は配車実績に含まれるお迎え場所の位置座標と受付日時とに基づき運行履歴ＤＢ１３１を検索し、受付日時に、お迎え場所付近を走行していた又は客待ちをしていたタクシー３の運行履歴を取得する（ステップＳ２）。お迎え場所の付近とは、例えばお迎え場所を中心とする半径３ｋｍの範囲内である。制御部１１は運行履歴に含まれる位置座標と、お迎え場所の位置座標とから、タクシー３の位置とお迎え場所との直線距離を算出する（ステップＳ３）。制御部１１は算出した直線距離の短い順に運行履歴の順位付けを行い、上位の運行履歴を選択する（ステップＳ４）。例えば、制御部１１は上位１０位を選択する。制御部１１は配車実績、選択した運行履歴、及び算出した直線距離とその順位から、教師データを作成する（ステップＳ５）。制御部１１は配車実績及び選択した運行履歴並びに直線距離及びその順位から、車両特徴量を作成する。出力すべき正解値は配車実績に含まれる所要時間である。複数の車両特徴量と所要時間との組み合わせが教師データである。制御部１１は作成した教師データを用いて、学習モデル１４の学習を行う（ステップＳ６）。制御部１１は教師データに含まれる車両特徴量を第１モデル１４１に入力する。第１モデル１４１が出力した重み付けと車両特徴量とを第２モデル１４２に入力し、出力として予測所要時間を取得する。制御部１１は出力された予測所要時間と正解値とを比較し、予測所要時間が正解値に近づくように、第１モデル１４１の全結合層１４１３及び第２モデル１４２の全結合層１４２２での演算処理に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）、各ニューロンで用いられる活性化関数の係数などである。パラメータの最適化の方法は特に限定されないが、例えば制御部１１は誤差逆伝播法を用いて各種パラメータの最適化を行う。制御部１１は未処理の配車実績がある否かを判定する（ステップＳ７）。制御部１１は未処理の配車実績があると判定した場合（ステップＳ７でＹＥＳ）、処理をステップＳ１に戻し学習を繰り返す。制御部１１は未処理の配車実績がないと判定した場合（ステップＳ７でＮＯ）、学習結果を出力し（ステップＳ８）処理を終了する。学習結果とは例えば、全結合層１４１３及び全結合層１４２２での演算処理に用いるパラメータの最適化された値である。これらの値は、学習モデル１４の構成要素として、補助記憶部１３に記憶される。

図１０は所要時間予測処理の手順例を示すフローチャートである。乗客は乗客端末２の配車アプリケーションプログラムを用いて、タクシー３の配車要求を行う。乗客端末２の制御部２１は配車要求を出力サーバ１へ送信する（ステップＳ２１）。配車要求には乗客端末２の位置座標が含まれている。当該位置座標は位置情報取得部２５により取得する。出力サーバ１の制御部１１は配車要求を受信する（ステップＳ２２）。制御部１１は配車要求に含まれるお迎え場所の位置座標に基づき、運行履歴ＤＢを検索し、お迎え場所付近を走行している又は客待ちをしているタクシー３を特定する（ステップＳ２３）。ここで、特定するタクシー３は複数台を前提とするが、所定の台数以下となるよう、お迎え場所付近と判断する基準を動的に変化させてよい。制御部１１は特定したタクシー３の最新位置（出発地）とお迎え場所との直線距離を算出する（ステップＳ２４）。制御部１１は算出した直線距離の短い順にタクシー３の順位付けを行い、上位のタクシー３を選択する（ステップＳ２５）。制御部１１は選択したタクシー３それぞれについての特徴量を作成する（ステップＳ２６）。制御部１１は車両特徴量を学習モデル１４に入力し、所要時間の予測を行う（ステップＳ２７）。制御部１１は学習モデル１４の出力として得た予測所要時間を乗客端末２へ送信する（ステップＳ２８）。乗客端末２の制御部２１は予測所要時間を受信し、表示部２７に表示する（ステップＳ２９）。乗客は予測所要時間を見て、配車依頼するかキャンセルするかを判断し、回答を乗客端末２に入力する。制御部２１は回答を取得し、取得した回答を出力サーバ１へ送信する（ステップＳ３０）。出力サーバ１の制御部１１は回答を受信する（ステップＳ３１）。制御部１１は回答が配車依頼であるか否かを判定する（ステップＳ３２）。制御部１１は回答が配車依頼でないと判定した場合（ステップＳ３２でＮＯ）、処理を終了する。制御部１１は回答が配車依頼であると判定した場合（ステップＳ３２でＹＥＳ）、タクシー３へ迎車指示を送信する（ステップＳ３３）。迎車指示を送信するタクシー３は、例えば直線距離が最も短い車両や、第１モデル１４１が出力した重みが最も大きい車両とする。制御部１１はタクシー３が現着した否かを判定する（ステップＳ３４）。現着とはタクシー３がお迎え場所に到着したことである。現着したか否かの判定は、タクシー３の位置とお迎え場所の位置とを比較することで行う。また、タクシー３の運転手から無線で現着報告を受け、報告を受けたオペレータが現着した旨を入力する。制御部１１はタクシー３が現着していないと判定した場合（ステップＳ３４でＮＯ）、ステップＳ３４を繰り返し行う。制御部１１はタクシー３が現着したと判定した場合（ステップＳ３４でＹＥＳ）、所要時間を含む配車実績を配車実績ＤＢ１３３に記憶し（ステップＳ３５）、処理を終了する。

なお、配車実績と予測に用いた車両特徴量から、教師データを生成し、教師データＤＢ１３４に記憶してもよい。追加した教師データは学習モデル１４の再学習に用いられる。学習モデル１４の再学習は、配車実績が発生するたびに行ってもよいし、夜間バッチ処理により、その日に追加された複数の教師データによる再学習をしてもよい。

図１１は所要時間表示画面の例を示す説明図である。所要時間表示画面ｄ０１は所要時間ｄ０１１、依頼ボタンｄ０１２、キャンセルボタンｄ０１３、お迎え場所アイコンｄ０１４、目的地アイコンｄ０１５及び乗車時間・料金表示ｄ０１６を含む。所要時間ｄ０１１はタクシー３がお迎え場所に到着するまでの予測所要時間を示す。図１１に示すように、表示する予測所要時間はある程度の幅を持たせてもよい。所要時間予測処理で得た予測所要時間を中心として、数％前後の幅を持たせればよい。依頼ボタンｄ０１２は予測所要時間を確認した上で配車を依頼する場合に操作するボタンである。キャンセルボタンｄ０１３は配車依頼をキャンセルする場合に操作するボタンである。お迎え場所アイコンｄ０１４は乗客の位置、お迎え場所を示めす。目的地アイコンｄ０１５は目的地を示す。乗車時間・料金表示ｄ０１６はお迎え場所から目的地までのタクシー３の乗車時間と乗車料金の予測値を示す。乗車時間と乗車料金の予測値の算出は、公知の技術であるから説明を省略する。

本実施の形態においては、配車要求がされてからタクシー３がお迎え場所に到着するまでの所要時間を予測し出力することが可能となる。乗客は所要時間を確認してから配車を依頼するか配車要求をキャンセルするかを決定する。そのため、タクシー３がお迎え場所に向かい始めてから、キャンセルすることを抑止可能である。

（実施の形態２）
本実施の形態は学習モデル１４の入力に環境特徴量を追加する形態に関する。お迎え場所までの所要時間は道路の混雑状況によって変動する。そして、混雑状況には一定の傾向が認められる。日、曜日、平日か祝休日かによって、道路の混雑状況が変動することが知られている。環境特徴量はタクシー３との因果関係は薄いが道路の混雑状況に影響すると思われる項目を集めたものである。本実施の形態におけるシステム構成、ハードウェア構成、情報処理は実施の形態１と同様である。以下の説明においては、実施の形態１と異なる点を説明する。

図１２は環境特徴量ＤＢの例を示す説明図である。環境特徴量ＤＢ１３５は環境特徴量を記憶する。環境特徴量ＤＢ１３５は例えば、出力サーバ１の補助記憶部１３に記憶する。環境特徴量ＤＢ１３５はＩＤ列、日列、曜日列、時刻列及び祝休日列を含む。ＩＤ列は教師データを特定するＩＤを記憶する。ＩＤにより教師データＤＢ１３４に記憶する教師データとの対応関係を特定することが可能となる。日列は配車要求がされた日の年月を除いた日付を記憶する。曜日列は配車要求がされた日の曜日を記憶する。時刻列は配車要求がされた時刻を記憶する。祝休日列は配車要求がされた日が祝休日であるか否かを記憶する。環境特徴量は上述した項目に限られない。環境特徴量に、配車要求がされたときの天候、気温、湿度、を含めてもよい。また、環境特徴量に、マラソンや駅伝と言った公共道路を使用するイベントの有無を含めてもよい。

図１３は学習モデルの他の例を示す説明図である。図１３に示す学習モデル１４において、第１モデル１４１の構成は実施の形態１と同一である。第２モデル１４２は実施の形態１のモデルに加え、環境特徴量の入力を受け付ける全結合層１４２４と、当該全結合層１４２４の出力と、Ｄｏｔ内積演算層１４２１の出力とを結合する結合層１４２５が追加されている。

本実施の形態において、学習モデル１４の生成に用いる教師データには、車両特徴量に加えて、環境特徴量を含める。また、所要時間を予測する際にも、学習モデル１４への入力として、環境特徴量を含める。図１４は所要時間予測処理の他の手順例を示すフローチャートである。図１４に示す処理は図１０に示した処理と同様である。図１０と同様な処理については、同じステップ番号を付し説明を省略する。また、ステップＳ２８以降は図１０に示した処理と同様であるから、図示及び説明を省略する。出力サーバ１の制御部１１は、選択したタクシー３の車両特徴量を生成した（ステップＳ２６）後、環境特徴量を取得する（ステップＳ３６）。環境特徴量は環境特徴量ＤＢ１３５から取得する。本実施の形態における環境特徴量は、計時部１６により管理されている暦データから生成することも可能である。制御部１１は学習モデル１４に車両特徴量と環境特徴量とを入力して、所要時間の予測を行う（ステップＳ２７）。ステップＳ２８以降が実行される。

本実施の形態は実施の形態１が奏する効果に加えて以下の効果を奏する。所要時間の変動の原因となる道路の混雑影響と関連する環境特徴量を学習モデル１４の入力に含めることで、所要時間の予測精度が向上することが期待される。

車両特徴量に含まれる項目は上述したものに限られない。車両特徴量に車両の種別（小型、中型、大型、ワンボックス、ワゴン、ジャンボ等）や乗車予定人数、乗客の年齢構成、大型荷物（スーツケース、スキー板、スノーボード、ゴルフバッグ等）の有無を含めてもよい。また、車両特徴量に加えて、車両と対応付く他の特徴量を学習モデル１４に入力してもよい。例えば、タクシー３を運転するドライバーの特徴量である。当該特徴量は、例えば、性別、年齢、ドライバー歴、１日の目標売上とその時点での売上である。さらに、迎車指示に対する応答性（すぐに応答する、応答に時間を要する、応答しない）など、ドライバーの性格的な特徴量を含めてもよい。

上述の実施の形態において、タクシー３は人間のドライバーが運転する有人タクシーを前提としていたが、それに限らない。ドライバーが乗車しない無人タクシーでもよい。さらに、地上を走行する車両のタクシーに限らず、ドローンを用いたタクシーのように、空輸によるタクシーについても、上述の実施の形態を適用してもよい。

各実施の形態で記載されている技術的特徴（構成要件）はお互いに組み合わせ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１００ 時間予測システム
１ 出力サーバ
１１ 制御部
１２ 主記憶部
１３ 補助記憶部
１３１ 運行履歴ＤＢ
１３２ 車両特徴量ＤＢ
１３３ 配車実績ＤＢ
１３４ 教師データＤＢ
１３５ 環境特徴量ＤＢ
１４ 学習モデル
１４１ 第１モデル
１４２ 第２モデル
１５ 通信部
１６ 計時部
１７ 読み取り部
１Ｐ 制御プログラム
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
２ 乗客端末
２１ 制御部
２２ 主記憶部
２３ 補助記憶部
２４ 通信部
２５ 位置情報取得部
２６ 入力部
２７ 表示部
２Ｐ 制御プログラム
３ タクシー

Claims (9)

1. タクシーの配車要求に応じて、配車候補となる複数台のタクシー毎に対応付けられた車両特徴量を取得し、
   タクシー到着までの所要時間を出力する、第１の学習モデル及び第２の学習モデルを含む学習モデルへ、取得した複数台のタクシーについての複数の車両特徴量を入力し、
   前記学習モデルより得た前記所要時間を出力する
   処理において、
   前記第１の学習モデルは、複数の前記車両特徴量を入力とし、入力された複数の前記車両特徴量の各々に対する重みを出力し、
   前記第２の学習モデルは、複数の前記車両特徴量及び前記車両特徴量の各々に対する前記重みを入力とし、前記所要時間を出力する
   処理をコンピュータに行わせることを特徴とする出力プログラム。
2. 前記車両特徴量は、出発地の地理座標、お迎え場所の地理座標、出発時の方向及び速度、前記出発地から前記お迎え場所への方向及び直線距離並びに該直線距離の順位を少なくとも１つ含む
   ことを特徴とする請求項１に記載の出力プログラム。
3. 前記学習モデルは、入力として環境特徴量を含む
   ことを特徴とする請求項１又は請求項２に記載の出力プログラム。
4. 前記第２の学習モデルは、前記車両特徴量及び前記重み並びに環境特徴量を入力とする
   ことを特徴とする請求項１から請求項３の何れか１項に記載の出力プログラム。
5. 前記環境特徴量は、月日、曜日及び時刻並びに祝休日の区別を少なくとも１つを含む
   ことを特徴とする請求項３又は請求項４に記載の出力プログラム。
6. タクシーの配車要求に応じて、配車候補となる複数台のタクシー毎に対応付けられた車両特徴量を取得する取得部と、
   複数台のタクシーについての車両特徴量を入力した場合に、タクシー到着までの所要時間を出力する、第１の学習モデル及び第２の学習モデルを含む学習モデルへ取得した複数の車両特徴量を入力する入力部と、
   前記学習モデルより得た前記所要時間を出力する出力部と
   を備え、
   前記第１の学習モデルは、複数の前記車両特徴量を入力とし、入力された複数の前記車両特徴量の各々に対する重みを出力し、
   前記第２の学習モデルは、複数の前記車両特徴量及び前記車両特徴量の各々に対する前記重みを入力とし、前記所要時間を出力する
   ことを特徴とする出力装置。
7. 複数台のタクシーについての車両特徴量を入力した場合に、タクシー到着までの所要時間を出力する、第１の学習モデル及び第２の学習モデルを含む学習モデルを記憶した記憶部を有するコンピュータが、
   タクシーの配車要求に応じて、配車候補となる複数台のタクシー毎に対応付けられた車両特徴量を取得し、
   前記学習モデルへ取得した複数の車両特徴量を入力し、
   前記学習モデルより得た前記所要時間を出力する
   処理を実行するにおいて、
   前記第１の学習モデルは、複数の前記車両特徴量を入力とし、入力された複数の前記車両特徴量の各々に対する重みを出力し、
   前記第２の学習モデルは、複数の前記車両特徴量及び前記車両特徴量の各々に対する前記重みを入力とし、前記所要時間を出力する
   ことを特徴とする出力方法。
8. タクシーの配車要求に応じて、配車候補となる複数台のタクシー毎に対応付けられた車両特徴量と、タクシー到着までの所要時間とを対応付けた教師データを取得し、
   取得した前記教師データに基づき、複数の前記車両特徴量を入力した場合に、前記所要時間を出力する学習モデルを生成する
   処理において、
   前記教師データに基づき、複数の前記車両特徴量を入力した場合に、入力された複数の前記車両特徴量の各々に対する重みを出力する第１の学習モデルを生成し、
   前記教師データに基づき、複数の前記車両特徴量及び前記車両特徴量の各々に対する前記重みを入力した場合に、前記所要時間を出力する第２の学習モデルを生成し、
   生成した前記第１の学習モデル及び前記第２の学習モデルに基づき、前記学習モデルを生成する
   処理をコンピュータが実行することを特徴とする学習モデルの生成方法。
9. タクシーの配車要求に応じて生成された複数台のタクシーについての複数の車両特徴量を入力とし、入力された複数の前記車両特徴量の各々に対する重みを出力する第１のニューラルネットワークと、
   複数の前記車両特徴量及び前記第１のニューラルネットワークから得た複数の前記車両特徴量の各々に対する重みを入力とし、前記配車要求に係るお迎え場所に到着するまでの所要時間を出力する第２のニューラルネットワークとを
   １つ以上のコンピュータによって実装するニューラルネットワークシステム。

Images