JP7414502B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JP7414502B2 JP7414502B2 JP2019223816A JP2019223816A JP7414502B2 JP 7414502 B2 JP7414502 B2 JP 7414502B2 JP 2019223816 A JP2019223816 A JP 2019223816A JP 2019223816 A JP2019223816 A JP 2019223816A JP 7414502 B2 JP7414502 B2 JP 7414502B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- input data
- relationship
- model
- input
- 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
Links
- 230000010365 information processing Effects 0.000 title claims description 38
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000605 extraction Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 24
- 238000013500 data storage Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 239000000284 extract Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
・ワンホット符号化(One-hot Encoding):任意の事象のカテゴリ値を機械学習モデルが解釈しやすい形式のデータ(特徴量)で表す。
・カウント符号化(Count Encoding):任意の期間内におけるカテゴリの出現回数を特徴量とする。
・コンソリデーション符号化(Consolidation Encoding):データ内に存在する表記揺れ等の事項を解消しながら特徴量に符号化する。
・インタラクション(Interaction):特徴量同士の関係を新たな特徴量とする。
・トレンドライン(Trend lines)データセットを任意の時系列の傾向データに加工し、傾向値を特徴量として表す。
・誤差(二乗平均平方根誤差(RMSE)、平均絶対誤差(MAE)など):
変数同士のユークリッド距離を評価し、誤差の大きさにより関係性を評価する。
・データ整形:
変数の変動に応じた移動平均線または包絡線を描き、それら同士の関係性を相関係数、誤差、および、その他の手法で評価する。
・位相変化度数:
ある時間幅で、需要量が増加から減少に転じた極値の個数、および、減少から増加に転じた極値の個数で関係性を評価する。
・位相変化インターバル:
ある時間幅で、需要量が増加から減少に転じた極値の時刻、および、減少から増加に転じた極値の時刻のそれぞれの時間的間隔分布で関係性を評価する。
・ヒストグラム密度推定(Peristimulus Time Histogram):
ある時間幅でのイベント発生頻度を回数で表し、ある期間内に発生したイベントの回数に着目して関係性を評価する。例えば、単位期間の間にスパイクが何回発生したかで度数分布が作成される。
・発火時間間隔(interspike interval):
全期間での突発的な変動の発生頻度で度数分布(例えばスパイクの間隔の長さの度数分布)を作成し、前にスパイクが発生してから次のスパイクが発生するまでの期間に着目し関係性を評価する。
本実施形態の情報処理装置は、以下のようなシステムに適用しうる。
(適用例1)道路上における渋滞を予測するシステム
交通における渋滞が起こる要因は様々であるが、その1つに交通需要という要因がある。交通需要とは、各時間帯に道路を通過する車両台数であり、道路を通過可能な交通量(交通容量)に制限が無かった場合の交通量を指す。例えば、1分間あたり50台の車両が通過する交通容量を想定して設計された道路区間に対して、それ以上の車両が殺到する場合、多くの場合はボトルネックとなり渋滞が発生する。
例えば自動車保険を取り扱う事業者のコールセンター業務では、オペレータの人員配置を最適化することが求められている。時間別および地域別に発生しうる入電数の需要を予測することにより、遊休人材の抑制によるコストダウン、および、雇用計画の精微化による経営計画の精度上昇を実現できる。また地域ごとに発生しうる入電の種別を予測することによって、その事例に対応可能なアフターサービス要員を事前に緻密に配置することが可能となる。この結果、入電発生からサービスを行うまでの時間を短縮し、顧客満足度を高めることができる。
時間別および地域別に発生しうる入電の種別を予測することにより、その時間に該当地域を走行する自動車保険の利用者に対して「エンジン不停止の発生にご注意ください」といった注意喚起を行うことができる。また、発生確率が高いと予測される事象(パンク、オーバーヒート、衝突など)について、例えば「走行中、道路上の異物にご注意ください」というように、エンドユーザに回避するために行うべき行動を情報提供することが可能となる。
事故および故障が多い地域の天候情報、および、その地域でよく利用される車種を入電情報から蓄積し、また、その地域および時間帯におけるエンドユーザの自動車の利用目的などをヒアリングすることで得たデータを新たに追加データとして加えることができる。このようにして追加した追加データを精度向上に活用し、継続的に機械学習モデルの予測精度を改善することができる。
101 取得部
102 符号化部
103 抽出部
104 学習部
105 出力制御部
111 推論部
121 事象データ記憶部
122 気象データ記憶部
123 追加データ記憶部
124 地理データ記憶部
125 特徴量記憶部
126 モデル記憶部
127 抽出情報記憶部
131 表示部
Claims (8)
- 位置に応じて値が連続的に変化する時系列データを含む入力データを入力して推論結果を出力するモデルに入力する前記入力データ、および、前記モデルによる推論の正解を表す正解データを取得する取得部と、
前記入力データから選択された第1入力データと、前記正解データと、を用いて前記モデルを学習する学習部と、
学習された前記モデルによる推論結果に対する前記第1入力データの寄与度を出力する出力制御部と、を備え、
前記学習部は、前記入力データのうち出力された前記寄与度に応じて指定された第2入力データに基づく第3入力データと、前記正解データと、を用いて前記モデルをさらに学習し、
前記第2入力データと前記時系列データとの関係を表す第1関係情報は、前記第3入力データと前記時系列データとの関係を表す第2関係情報と一致または類似し、
前記第1関係情報は、前記第2入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布であり、
前記第2関係情報は、前記第3入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布である、
情報処理装置。 - 前記第1関係情報は、前記第2入力データおよび前記第2入力データに相関するデータを含むデータと前記時系列データとの関係を表す、
請求項1に記載の情報処理装置。 - 前記学習部は、複数の度数分布間の距離により、前記第1関係情報と前記第2関係情報とが一致または類似するか判定する、
請求項1に記載の情報処理装置。 - 前記入力データから前記第1入力データをランダムに選択する抽出部をさらに備え、
前記学習部は、抽出部により選択された前記第1入力データと、前記正解データと、を用いて前記モデルを学習する、
請求項1に記載の情報処理装置。 - 前記時系列データは、予め定められた地域ごとの気象データである、
請求項1に記載の情報処理装置。 - 前記出力制御部は、さらに、学習された前記モデルによる推論結果を表示装置に表示する、
請求項1に記載の情報処理装置。 - 情報処理装置が実行する情報処理方法であって、
位置に応じて値が連続的に変化する時系列データを含む入力データを入力して推論結果を出力するモデルに入力する前記入力データ、および、前記モデルによる推論の正解を表す正解データを取得する取得ステップと、
前記入力データから選択された第1入力データと、前記正解データと、を用いて前記モデルを学習する第1学習ステップと、
学習された前記モデルによる推論結果に対する前記第1入力データの寄与度を出力する出力制御ステップと、
前記入力データのうち出力された前記寄与度に応じて指定された第2入力データに基づく第3入力データと、前記正解データと、を用いて前記モデルをさらに学習する第2学習ステップと、を含み、
前記第2入力データと前記時系列データとの関係を表す第1関係情報は、前記第3入力データと前記時系列データとの関係を表す第2関係情報と一致または類似し、
前記第1関係情報は、前記第2入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布であり、
前記第2関係情報は、前記第3入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布である、
情報処理方法。 - コンピュータを、
位置に応じて値が連続的に変化する時系列データを含む入力データを入力して推論結果を出力するモデルに入力する前記入力データ、および、前記モデルによる推論の正解を表す正解データを取得する取得部と、
前記入力データから選択された第1入力データと、前記正解データと、を用いて前記モデルを学習する学習部と、
学習された前記モデルによる推論結果に対する前記第1入力データの寄与度を出力する出力制御部と、として機能させ、
前記学習部は、前記入力データのうち出力された前記寄与度に応じて指定された第2入力データに基づく第3入力データと、前記正解データと、を用いて前記モデルをさらに学習し、
前記第2入力データと前記時系列データとの関係を表す第1関係情報は、前記第3入力データと前記時系列データとの関係を表す第2関係情報と一致または類似し、
前記第1関係情報は、前記第2入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布であり、
前記第2関係情報は、前記第3入力データと前記時系列データとの関係を表す指標値が指定期間に含まれる複数の期間それぞれで出現する回数を表す度数分布である、
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019223816A JP7414502B2 (ja) | 2019-12-11 | 2019-12-11 | 情報処理装置、情報処理方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019223816A JP7414502B2 (ja) | 2019-12-11 | 2019-12-11 | 情報処理装置、情報処理方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021093020A JP2021093020A (ja) | 2021-06-17 |
JP7414502B2 true JP7414502B2 (ja) | 2024-01-16 |
Family
ID=76313144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019223816A Active JP7414502B2 (ja) | 2019-12-11 | 2019-12-11 | 情報処理装置、情報処理方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7414502B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012092760A (ja) | 2010-10-27 | 2012-05-17 | Waseda Univ | 応答曲面モデル構築装置及びプログラム |
JP2016004525A (ja) | 2014-06-19 | 2016-01-12 | 株式会社日立製作所 | データ分析システム及びデータ分析方法 |
JP2017123088A (ja) | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
JP2019087027A (ja) | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 需要予測装置、需要予測方法および需要予測プログラム |
-
2019
- 2019-12-11 JP JP2019223816A patent/JP7414502B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012092760A (ja) | 2010-10-27 | 2012-05-17 | Waseda Univ | 応答曲面モデル構築装置及びプログラム |
JP2016004525A (ja) | 2014-06-19 | 2016-01-12 | 株式会社日立製作所 | データ分析システム及びデータ分析方法 |
JP2017123088A (ja) | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
JP2019087027A (ja) | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 需要予測装置、需要予測方法および需要予測プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021093020A (ja) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Terti et al. | Toward probabilistic prediction of flash flood human impacts | |
Lin et al. | Real-time traffic accidents post-impact prediction: Based on crowdsourcing data | |
Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
US20200242523A1 (en) | Proactive spatiotemporal resource allocation and predictive visual analytics system | |
Nguyen et al. | Automatic classification of traffic incident's severity using machine learning approaches | |
US20090312943A1 (en) | System and Method for Weather Mapping to Road Segments | |
CN110428091A (zh) | 基于数据分析的风险识别方法及相关设备 | |
JP6802916B2 (ja) | 需要予測装置 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Weng et al. | Cluster-based lognormal distribution model for accident duration | |
JP2021182189A (ja) | 事故予測方法、コンピュータプログラム、事故予測装置及び学習モデル生成方法 | |
CN111444302A (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
CN112651546A (zh) | 一种公交线路优化方法以及系统 | |
Zhang et al. | Machine learning based real-time prediction of freeway crash risk using crowdsourced probe vehicle data | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
Yakar | A multicriteria decision making–based methodology to identify accident-prone road sections | |
Iranmanesh et al. | Identifying high crash risk segments in rural roads using ensemble decision tree-based models | |
Trirat et al. | MG-TAR: multi-view graph convolutional networks for traffic accident risk prediction | |
Kalair et al. | Dynamic and interpretable hazard-based models of traffic incident durations | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN112949784B (zh) | 一种居民出行链模型构建方法及居民出行链获取方法 | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
Nicoletta et al. | Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services | |
JP7414502B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7490599B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221006 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230929 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231121 |
|
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: 20231205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231228 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7414502 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |