JP7437358B2 - 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム - Google Patents
情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム Download PDFInfo
- Publication number
- JP7437358B2 JP7437358B2 JP2021136392A JP2021136392A JP7437358B2 JP 7437358 B2 JP7437358 B2 JP 7437358B2 JP 2021136392 A JP2021136392 A JP 2021136392A JP 2021136392 A JP2021136392 A JP 2021136392A JP 7437358 B2 JP7437358 B2 JP 7437358B2
- Authority
- JP
- Japan
- Prior art keywords
- delivery
- gas
- essential
- group
- consumer
- 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
- 238000012384 transportation and delivery Methods 0.000 title claims description 599
- 230000010365 information processing Effects 0.000 title claims description 72
- 238000000034 method Methods 0.000 title claims description 46
- 238000004891 communication Methods 0.000 claims description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000008685 targeting Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 29
- 238000007726 management method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 238000005457 optimization Methods 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 101100114417 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) con-13 gene Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 101000658138 Homo sapiens Thymosin beta-10 Proteins 0.000 description 1
- 101100114416 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) con-10 gene Proteins 0.000 description 1
- 102100034998 Thymosin beta-10 Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1は、本発明の一実施形態に係る配送システムの構成例を示す図である。配送システム800は、需要家へのガスの配送に係るシステムであってよい。例えば、配送システム800は、需要家が使用したガスの量に応じてガス容器の交換が行われるガス提供サービスにおいて、ガスを効率的に配送するためのシステムであってよい。ガスの効率的な配送とは、例えば、需要家1件あたりの交換頻度及び交換に要する時間を最小とし、配送員一人あたりのガスの配送量を最大とすることを目標としてよい。例えば、訪問したにもかかわらず、ガス残量が多くガス容器の交換が不要であった場合、交換頻度の増加につながり効率が悪い。また、各需要家への配送順序によっては、需要家間の移動に時間を要し効率が悪い。本発明の一実施形態によれば、ガス容器の効率的な配送のために、需要家のガス残量を精度よく予測し、各需要家へのガスの配送順序を適切に設定する配送システム800を実現することができる。
詳細は後述するが、図5を用いて、上記3つのステップで用いられるアルゴリズムについて簡単に説明する。予測部120は、残量予測ステップ10を実行してよい。予測部120は、検針データDB 212から検針データを取得し、必要に応じて所定の補完アルゴリズム11で検針データを補完してよい。その後、過去の検針データを用いた教師ありの所定の機械学習の手法、又は、所定の近似手法を用いて、需要家ごとに、当該需要家の将来のガス使用量を予測する予測モデル12を生成してよい。所定の機械学習の手法とは、例えば、線形回帰(Linear Regression)、サポートベクトル回帰(Support Vector Regression:SVR)、ランダムフォレスト回帰(Random Forest regression)、又は勾配ブースティング回帰(Gradient Boosting Regression:GBT)、k最近傍法(k-Nearest Neighbor:kNN)、勾配ブースティング決定木(Gradient Boosting Decision Tree:GBDT)などであってよい。また、所定の近似手法として、TQ(Third Quartile)モデルが用いられてもよい。予測部120は、需要家ごとに、生成した予測モデルを用いて、将来の数日間にわたるガスの使用量を算出してよい。
図1に戻り、サーバ100の各機能部の機能について簡単に説明する。サーバ100は、配送システム800における上述の演算処理を実行するサーバであって、通信部110、予測部120、グループ生成部130及び配送順序設定部140を備えてよい。なお、図1では、予測部120、グループ生成部130及び配送順序設定部140を、1つのサーバ100における機能部として示してある。しかしながら、各機能部は、それぞれ別個のサーバやエンジンで実現されてもよい。また、サーバ100は、例えば、ネットワークを介して通信を行うことで協調動作する分散型サーバシステムでもよく、いわゆるクラウドサーバでもよい。すなわち、サーバ100は、物理的なサーバに限らず、ソフトウェアによる仮想的なサーバも含まれてよい。
ここで、図8のフローチャートを用いて、本発明の一実施形態に係る予測モデルの生成処理について説明する。なお、図8のフローチャートは、一の需要家ごとに実行されてよい。まず、予測部120は、一の需要家が、スマートメーターを設置した設置需要家あるか否かを判定してよい(ステップS10)。なお、設置需要家の場合、メーター320の検針値は、所定の第1間隔で取得され、通信装置310から管理サーバ210へ送信される。所定の第1間隔は、例えば、1日であってよい。すなわち、通信装置310から管理サーバ210へ、毎日所定の時刻に、検針値が送信されてよい。
図10(a)は、線形補完のうち内挿補完を説明する図である。まず、欠損期間の累積使用量の差分D(t,t+N-1)を算出し、差分D(t,t+N-1)を欠損日数Nで割ることで欠損期間の平均日単位使用量μ1を算出する。さらに、算出した欠損期間の平均日単位使用量μ1を用いて欠損日i∈[t,t+N-1]の累積使用量を算出することができる。すなわち、欠損日の累積使用量は以下となる。
図10(b)は、線形補完のうち外挿補完を説明する図である。外挿補完の場合、補完対象需要家の平均日単位使用量μ2を算出し、算出した欠損期間の平均日単位使用量μ2を用いて欠損日i∈[t,t+N-1]の累積使用量を算出すればよい。すなわち、欠損日の累積使用量は以下となる。なお、平均日単位使用量ではなく、第3四分位数が用いられてもよい。
図11は、複数の需要家から、検針データの傾向が欠損のある需要家と類似する類似需要家を抽出し、補完に用いる場合を説明する図である。まず、補完対象の需要家iに対して、Lという類似度関数を用いて類似度の高いK個の設置需要家を抽出し、集合N(K,L)を獲得する。そして、欠損期間中i∈[t-1,t+N-1]の日単位使用量を、以下の式を用いて、集合N(K,L)から算出する。
図示しないが、類似需要家による外挿補完の場合は、上述した内挿の場合において、日単位使用量を修正せず、式(3)のμiを用いて、欠損日i∈[t,t+N-1]の累積使用量を以下の式で算出してよい。
図12は、一の需要家の検針データの周期性を利用して欠損データを補完する周期補完を説明する図である。日単位使用量の欠損日i∈[t-1,t+N-1]について、同じ曜日の日付集合をΛiとする。このとき、欠損日iの日単位使用量は、以下の式で表せる。
図示しないが、一の需要家の検針データの周期性を利用した周期補完による外挿補完の場合は、上述した内挿の場合において、日単位使用量を修正せず、式(7)のμi用いて、欠損日i∈[t,t+N-1]の累積使用量を以下の式で算出してよい。
本発明の一実施形態による予測モデルの生成について説明する。予測部120は、過去の第1日におけるガスの使用量を目的変数、当該第1日より以前の所定期間にわたるガスの使用量及び天候に関する情報を説明変数とする機械学習によって、予測モデルを生成してよい。例えば、予測実行日をt、xiをi日目の日単位使用量、Kをモデルに入力する期間、Sをサンプル数とし、天候データについて、最高気温、最低気温、昼の天気概況、夜の天気概況をそれぞれwi hight,wi low,wi daytime,wi nightとする。このとき、一の需要家に対して予測モデルで学習に使用される説明変数行列Xと目的変数ベクトルYは、それぞれ以下の式で表すことができる。
本発明の一実施形態によれば、スマートメーターが設置されていない非設置需要家についても、将来のガス使用量を予測できてよい。これについて、引き続き図8のフローチャートを用いて説明する。
次に、本発明の一実施形態における予測処理(ステップS16)について説明する。図15は、予測処理の概要を説明する概略図である。また、図16は、予測処理に係るフローチャートの一例である。
グループ生成部130は、配送に関する所定の条件に基づいて、必須需要家及び準必須需要家をグループ化(トリップ分割)してもよい。図19~22を用いて、トリップ分割の各アルゴリズムについて説明する。
トリップ分割アルゴリズムは、必須需要家にのみ配送することを考えた場合に、効率的なトリップを大まかに作成することを目的としてよい。このことを、図19を用いて説明する。図19(a)のように必須需要家群CON10が存在した場合、図19(b)のようなトリップTR1,TR2のように、配送先の近い必須需要家群でまとまってトリップが作成されることが好ましい。これに対し、図19(c)のようなトリップTR3,TR4は、必須需要家間の移動経路が長くなり効率が悪い。なお、トリップ分割アルゴリズムとしては、既存のビンパッキング問題のアルゴリズムであるNF(Next-Fit)法を改良したものを利用し、全ての必須需要家を対象とした最適化問題の手法で、最適解又は近似解を求めてよい。
グリーディアルゴリズムは、上述のアルゴリズムでトリップ分割された必須需要家のトリップに、準必須需要家のうち危険度の高い需要家をできるだけ組み込むことを目的としてよい。グループ生成部130は、準必須需要家を危険度が高い順に並び替えて、準必須需要家の危険度の高い順から、各必須需要家のトリップごとに、配送車両(トラック)の積載重量及び積載空間を制約条件として、配送車両に積載可能か否かを算出してよい。
図20は、配送領域最小化アルゴリズムの概要を説明する概略図である。配送領域最小化アルゴリズムは、配送領域をできるだけ小さくして効率的な配送を目指しつつ、準必須需要家の一部へ配送することを目指すアルゴリズムであってよい。すなわち、グループ生成部130は、準必須需要家を抽出するための所定の条件として、少なくとも、ガス容器の配送車両の配送容量に関する制約条件の下に、一のグループにおける複数の必須需要家及び準必須需要家の配送領域が所定範囲内となるように、一のグループに含ませる準必須需要家を抽出してよい。
(複数日)配送領域最小化アルゴリズムは、配送日における必須需要家の数を考慮し、配送日全体で配送領域を平準化することを目的としてよい。図21を用いて説明する。図21(a)は、需要家群CON12において、第1配送日の配送領域として、必須需要家を含む配送領域AR41が設定されたとする。その後、第1配送日に配送されなかった準必須需要家P1が必須需要家C1となり、その他の必須需要家も含めるため、第2配送日の配送領域として、配送領域AR42が設定されることになる。この場合、第2配送日の配送領域AR42が大きくなる。
図22は、獲得危険度最大化アルゴリズムの概要を説明する概略図である。獲得危険度最大化アルゴリズムは、必須需要家間の移動経路を短くし、必須需要家間の移動途中に準必須需要家が存在すれば配送を行うことを目指すアルゴリズムであってよい。すなわち、グループ生成部130は、所定の条件として、少なくとも、ガス容器の配送車両の配送容量に関する制約条件の下にグループ生成部が必須需要家をグループ化した場合に、一のグループの配送領域に位置する準必須需要家を、一のグループに含ませる準必須需要家として抽出してよい。
次に、本発明の一実施形態による配送ルート設定処理について説明する。配送ルート設定処理の概要を図23に示す。配送ルート設定処理により、図23(a)に示す、配送リスト設定処理によって算出された各トリップTP10,TP11を入力とし、図23(b)に示すように、各トリップに含まれる必須需要家・準必須需要家への適切な配送ルートに関する情報が出力されてよい。図24に、配送ルートに関するテーブルTB20の一例を示す。図のように、配送ルートに関する情報には、配送すべき各需要家への配送時間に関する情報が含まれてよい。
ステップP10で、巡回セールスマン問題による解が見つかった場合、ステップP11へ進み、配送順序設定部140は、配送ボンベ数を最大とする配送順序を求めてよい。すなわち、配送順序設定部140は、少なくとも配送員の勤務時間に関する制約条件の下に、グループ生成部130によって生成された一のグループに含まれる必須需要家へ必ず配送した上で、一のグループに含まれる準必須需要家へ配送するガス容器数を最大にする第1数理モデルに基づいて、配送順序を設定してよい。なお、制約条件として、需要家が指定する配送時間に関する条件が追加されてもよい。
ステップP15の、必須需要家のみ配送ボンベ数の最大化について説明する。ステップP15が適用される場合とは、ステップP10,P13,P14において、配送員の勤務時間に関する制約(例えば、図3の配送員情報テーブルTB2に含まれる、配送員の勤務時間帯)を満足する解が得られない場合であってよい。この場合、ステップP15では残業時間の上限内でできるだけ必須需要家に配送することを目的としてよい。すなわち、配送順序設定部140は、配送員の勤務時間に関する制約条件を満足する配送順序が設定不可能な場合に、制約条件によらず、一のグループに含まれる準必須需要家へガス容器を配送せず、一のグループに含まれる必須需要家のうち、配送員の所定の勤務時間上限内に配送するガス容器数を最大にする必須需要家への配送順序を設定してよい。
勤務時間を最小化するアルゴリズムは、トリップ内に含まれる需要家への配送ルートを求める場合に、上述と同様に、配送員の勤務時間に関する制約を満足する解が得られない場合(残業が発生する場合)に実行されてよい。従って、勤務時間を最小化するとは、配送員の残業時間を最小化すると同義と考えてよい。勤務時間を最小化するためには、配送先を回る時間を最小化することを目的とした数理モデルの解を求めればよい。
本アルゴリズムは、必須需要家のみを配送しても、残業可能な上限時間を超える場合、配送を完了する時間が、残業可能な上限時間より早くなるまで、必須需要家のうち危険度の低い需要家を、トリップから削除するものであってよい。すなわち、配送順序設定部140は、グループ生成部130によって生成されたグループに含まれる必須需要家へ配送すると、配送員の所定の勤務時間上限を超過する場合に、上述した第1確率が低い順に、グループから必須需要家を削除し、所定の勤務時間上限内で配送可能な配送順序を設定してよい。なお、配送員の所定の勤務時間上限とは、残業として勤務可能な時間の上限を指してよい。
時間制約付きTSPのアルゴリズム(ステップP20)は、TSPにおいて、各地点の到着時刻の制約を加えた問題を指す。すなわち、配送順序設定部140は、グループ生成部130によって生成されたグループに含まれる必須需要家及び準必須需要家によって指定された配送時間に応じた、時間制約付き巡回セールスマン問題(TSP-TW)による配送順序を設定してよい。なお、時間制約付きTSPの近似解法としては、蟻コロニー最適化(Ant Colony Optimization:ACO)といった既存の手法を用いてよい。これにより、配送ルート設定において、各需要家の配送時間指定への対応が可能となる。
配送リスト修正のアルゴリズム(ステップP21)は、時間制約付きTSPのアルゴリズムによる最適解の場合、配送員の所定の勤務時間上限を超過する場合に、どの需要家を配送リストから外せば適当かを考える問題であってよい。すなわち、配送順序設定部140は、時間制約付きTSPによって設定された配送順序によっては、配送員の勤務時間上限内に配送不可能である場合に、一のグループに含まれる準必須需要家のうち、配送時間の低減に寄与する準必須需要家を間引いた配送順序に更新してよい。
サーバ100のハードウェア構成について説明する。図22は、本実施形態におけるサーバ100を実現可能なコンピュータのハードウェア構成例である。サーバ100は、プロセッサ101と、ストレージ102と、メモリ103と、入出力インタフェース(入出力I/F)104と、通信インタフェース(通信I/F)105とを含む。各構成要素は、バスBを介して相互に接続される。サーバ100は、これら各構成要素の協働により、本実施形態に記載される機能や方法を実現する。例えば、サーバ100の各機能部をソフトウェアにより実現する場合、ストレージ102からメモリ103に読み込まれたプログラムに含まれる命令をプロセッサ101が実行することによって実現される。すなわち、本実施形態に係るサーバ100は、プロセッサ101がメモリ103上に読み込まれたプログラムを実行することにより、通信部110、予測部120、グループ生成部130及び配送順序設定部140として機能する。
110 通信部
120 予測部(残量予測エンジン)
130 グループ生成部(配送リスト設定エンジン)
140 配送順序設定部(配送ルート設定エンジン)
210 管理サーバ
212 検針データDB(データベース)
213 予測モデルDB
220 事業者DB
221 需要家情報DB
222 配送員情報DB
223 配送車両情報DB
230 外部DB
231 天候情報DB
232 道路情報DB
310 通信装置
320,420 メーター
330A,330B,430A,430B ガス容器
440 検針員
441 通信端末
500 配送員
510 通信端末
800 配送システム
Claims (27)
- 需要家へのガスの配送に係る配送システムにおける情報処理装置であって、
前記需要家のガスの使用量に関する情報を取得する取得部と、
過去のガスの使用量から将来のガスの予測使用量を算出する予測部と、
配送日においてガスを配送する必須需要家を含み、かつ、前記配送日において配送に関する条件に応じてガスを配送する準必須需要家を含むグループを生成可能なグループ生成部と、
前記グループにおけるガスの配送順序を設定する配送順序設定部と、を備え、
前記グループ生成部は、前記予測使用量に基づいて、需要家のガスの残量に関する条件を満たす日付であって、需要家が前記必須需要家となる第1転換日、及び需要家が前記準必須需要家となる第2転換日を算出し、配送日において前記第1転換日を迎えており前記必須需要家である需要家を含み、かつ、前記配送日において前記第2転換日を迎えており前記準必須需要家である需要家を前記配送に関する条件に応じて含む前記グループを生成する、
情報処理装置。 - 前記グループ生成部は、
前記配送に関する条件として、前記配送日における前記必須需要家の数が配送上限数以下である場合に、前記必須需要家を含み、かつ、前記準必須需要家を含む前記グループを生成する、請求項1に記載の情報処理装置。 - 前記予測部は、需要家ごとに、少なくとも過去の所定期間にわたるガスの使用量に関するデータセットに基づいて生成した予測モデルに基づいて、将来の予測使用量を前記需要家ごとに算出し、
前記グループ生成部は、前記ガスの残量に関する条件を満たす日付として、前記ガスの残量が第1閾値以下となる日を前記第1転換日とし、前記ガスの残量が、前記第1閾値よりも大きい第2閾値以下となる日を前記第2転換日とする、請求項1または2に記載の情報処理装置。 - 前記グループ生成部は、前記ガスの残量に関する条件を満たす日付として、前記予測モデルの予測精度情報と、前記将来の予測使用量とに基づき算出される、ガスの残量が所定の閾値以下となる確率に基づいて、前記ガスの残量が前記第1閾値以下となる第1確率が最初に第1基準値以上となる日を、前記第1転換日とし、前記ガスの残量が、前記第1閾値よりも大きい第2閾値以下となる第2確率が最初に第2基準値以上となる日を、前記第2転換日とする、請求項3に記載の情報処理装置。
- 前記予測部は、過去の第1日におけるガスの使用量を目的変数、前記過去の第1日より以前の所定期間にわたるガスの使用量、及び、少なくとも前記過去の第1日における天候に関する情報を説明変数とした機械学習によって、前記予測モデルを生成する、請求項3または4に記載の情報処理装置。
- 前記予測部は、将来の所定期間にわたる予測使用量の算出に、過去の使用量と、前記予測モデルによって予測した予測使用量とを用いるものであって、
前記グループ生成部は、前記予測モデルを用いて算出した、過去の時点における予測使用量である過去予測使用量と、当該過去の時点における実際のガスの使用量とに基づいて、前記予測モデルの前記予測精度情報を算出する、請求項4に記載の情報処理装置。 - 前記グループ生成部において、前記第1転換日は、前記第1基準値が小さくなるにつれて、予測を実行した日に近く算出され、前記第2転換日は、前記第2基準値が小さくなるにつれて、予測を実行した日に近く算出される、請求項4に記載の情報処理装置。
- 前記取得部は、前記ガスの使用量に関する情報を第1間隔で取得するものであって、
前記予測部は、一の需要家の連続する前記ガスの使用量に関する情報が取得された間隔が、前記第1間隔以上第2間隔未満の区間が存在する場合に、所定のアルゴリズムによって、前記第1間隔以上前記第2間隔未満の区間における前記ガスの使用量に関する情報を補完し、前記過去の所定期間にわたるガスの使用量に関するデータセットを生成する、請求項3~7のいずれか一項に記載の情報処理装置。 - 前記予測部は、一の需要家の連続する前記ガスの使用量に関する情報が取得された間隔が、前記第2間隔以上の区間が存在する場合に、ガスの使用傾向が前記一の需要家のガスの使用傾向と類似する他の需要家を複数抽出し、当該複数の他の需要家のガスの使用量に関する情報を線形結合したデータセットを、前記過去の所定期間にわたるガスの使用量に関するデータセットとして用いて、前記一の需要家の将来の予測使用量を算出する、請求項8に記載の情報処理装置。
- 前記予測部は、一の需要家の連続する前記ガスの使用量に関する情報が取得された間隔が前記第2間隔以上の区間が存在し、かつ、前記一の需要家の日単位の使用量の第3四分位数が、複数の他の需要家の日単位の使用量の第3四分位数のうち最大のものより大きい場合に、前記一の需要家の過去の所定期間にわたるガスの使用量に関するデータセットを、前記一の需要家の日単位の使用量の第3四分位数で生成する、請求項8又は9に記載の情報処理装置。
- 前記予測部は、前記予測モデルを、線形回帰(Linear Regression)、サポートベクトル回帰(Support Vector Regression)、ランダムフォレスト回帰(Random Forest regre ssion)、勾配ブースティング回帰(Gradient Boosting Regression)、又は勾配ブースティング決定木(Gradient Boosting Decision Tree)を用いたアルゴリズムによって生成する、請求項3~10のいずれか一項に記載の情報処理装置。
- 前記グループ生成部は、少なくとも、ガス容器の配送車両の配送容量に関する制約条件の下に、前記グループにおける前記必須需要家及び準必須需要家の配送領域が所定範囲内となるように、前記グループに含ませる前記準必須需要家を抽出する、請求項1~11のいずれか一項に記載の情報処理装置。
- 前記グループ生成部は、少なくとも、ガス容器の配送車両の配送容量に関する制約条件の下に前記グループ生成部が前記必須需要家をグループ化した場合に、前記グループの配送領域に位置する前記準必須需要家を、前記グループに含ませる準必須需要家として抽出する、請求項1~12のいずれか一項に記載の情報処理装置。
- 前記配送順序設定部によって設定される配送順序は、
前記グループ生成部によって生成された前記グループについて、前記グループに含まれる必須需要家のみを対象として、巡回セールスマン問題(TSP)によって必須需要家を巡回する配送順序を含む、請求項1~13のいずれか一項に記載の情報処理装置。 - 前記配送順序設定部によって設定される配送順序は、
少なくとも配送員の勤務時間に関する制約条件の下に、前記グループ生成部によって生成された前記グループに含まれる必須需要家へ必ず配送した上で、前記グループに含まれる準必須需要家へ配送するガス容器数を最大にする第1数理モデルに基づいて設定された配送順序を含む、請求項1~14のいずれか一項に記載の情報処理装置。 - 前記配送順序設定部によって設定される配送順序は、
配送員の勤務時間に関する制約条件の下では、前記グループ生成部によって生成された前記グループに含まれる準必須需要家へ配送する配送順序が設定できない場合、前記グループに含まれる必須需要家へ配送する配送時間を最短にする第2数理モデルに基づいて設定された配送順序を含む、請求項15に記載の情報処理装置。 - 前記配送順序設定部によって設定される配送順序は、
少なくとも配送員の勤務時間に関する制約条件の下に、前記グループ生成部によって生成された前記グループに含まれる必須需要家へ必ず配送した上で、前記グループに含まれる準必須需要家へガス容器を配送しない配送順序のうち、配送距離を最短にする第3数理モデルに基づいて設定された配送順序を含む、請求項16に記載の情報処理装置。 - 前記配送順序設定部によって設定される配送順序は、
前記配送員の勤務時間に関する制約条件にて前記第1から第3数理モデルによる配送順序が設定不可能な場合に、前記制約条件によらず、前記グループに含まれる準必須需要家へガス容器を配送せず、前記グループに含まれる必須需要家へ、前記配送員の所定の勤務時間上限内に配送するように設定された配送順序を含む、請求項17に記載の情報処理装置。 - 前記配送順序設定部によって設定される配送順序は、
前記配送員の勤務時間に関する制約条件にて前記第1から第3数理モデルによる配送順序が設定不可能な場合に、前記制約条件によらず、前記グループに含まれる準必須需要家へガス容器を配送せず、前記グループに含まれる必須需要家のうち、前記配送員の所定の勤務時間上限内に配送するガス容器数を最大にする必須需要家への配送順序を含む、請求項17に記載の情報処理装置。 - 前記配送順序設定部は、前記グループ生成部によって生成された前記グループに含まれる必須需要家へ配送すると、配送員の所定の勤務時間上限を超過する場合に、前記第1確率が低い順に、前記グループから前記必須需要家を削除し、前記所定の勤務時間上限内で配送可能な配送順序を設定する、請求項4に記載の情報処理装置。
- 前記配送順序設定部によって設定される配送順序は、
前記グループ生成部によって生成された前記グループに含まれる必須需要家及び準必須需要家によって指定された配送時間に応じた、時間制約付き巡回セールスマン問題(TSP-TW)によって設定された配送順序を含む、請求項1~20のいずれか一項に記載の情報処理装置。 - 前記配送順序設定部は、前記時間制約付き巡回セールスマン問題によって設定された配送順序によっては、配送員の勤務時間上限内に配送不可能である場合に、前記グループに含まれる準必須需要家のうち、配送時間の低減に寄与する準必須需要家を間引いた配送順序に更新する、請求項21に記載の情報処理装置。
- 前記グループ生成部は、複数の需要家に対して、一のガス容器に関する情報が関連付けられている場合、前記複数の需要家について予測した前記予測使用量を合算して、前記第
1閾値を算出する、請求項5に記載の情報処理装置。 - 前記配送順序設定部によって設定された配送順序に関する情報を、配送員の通信端末へ送信する通信部をさらに備える、請求項1~23のいずれか一項に記載の情報処理装置。
- 需要家へのガスの配送に係る配送システムにおける情報処理装置が、
前記需要家のガスの使用量に関する情報を取得するステップと、
過去のガスの使用量から将来のガスの予測使用量を算出するステップと、
配送日においてガスを配送する必須需要家を含み、かつ、前記配送日において配送に関する条件に応じてガスを配送する準必須需要家を含むグループを生成するステップと、
前記グループにおけるガスの配送順序を設定するステップと、を実行し、
前記グループを生成するステップは、前記予測使用量に基づいて、需要家のガスの残量に関する条件を満たす日付であって、需要家が前記必須需要家となる第1転換日、及び需要家が前記準必須需要家となる第2転換日を算出し、配送日において前記第1転換日を迎えており前記必須需要家である需要家を含み、かつ、前記配送日において前記第2転換日を迎えており前記準必須需要家である需要家を前記配送に関する条件に応じて含む前記グループを生成する、情報処理装置の制御方法。 - 需要家へのガスの配送に係る配送システムにおける情報処理装置に、
前記需要家のガスの使用量に関する情報を取得する機能と、
過去のガスの使用量から将来のガスの予測使用量を算出する機能と、
配送日においてガスを配送する必須需要家を含み、かつ、前記配送日において配送に関する条件に応じてガスを配送する準必須需要家を含むグループを生成する機能と、
前記グループにおけるガスの配送順序を設定する機能と、を実現させ、
前記グループを生成する機能は、前記予測使用量に基づいて、需要家のガスの残量に関する条件を満たす日付であって、需要家が前記必須需要家となる第1転換日、及び需要家が前記準必須需要家となる第2転換日を算出し、配送日において前記第1転換日を迎えており前記必須需要家である需要家を含み、かつ、前記配送日において前記第2転換日を迎えており前記準必須需要家である需要家を前記配送に関する条件に応じて含む前記グループを生成する、情報処理装置の制御プログラム。 - 需要家へのガスの配送に係る配送システムであって、
前記需要家のガスの使用量に関する情報を取得する取得部と、
過去のガスの使用量から将来のガスの予測使用量を算出する予測部と、
配送日においてガスを配送する必須需要家を含み、かつ、前記配送日において配送に関する条件に応じてガスを配送する準必須需要家を含むグループを生成可能なグループ生成部と、
前記グループにおけるガスの配送順序を設定する配送順序設定部と、を備え、
前記グループ生成部は、前記予測使用量に基づいて、需要家のガスの残量に関する条件を満たす日付であって、需要家が前記必須需要家となる第1転換日、及び需要家が前記準必須需要家となる第2転換日を算出し、配送日において前記第1転換日を迎えており前記必須需要家である需要家を含み、かつ、前記配送日において前記第2転換日を迎えており前記準必須需要家である需要家を前記配送に関する条件に応じて含む前記グループを生成する、配送システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021136392A JP7437358B2 (ja) | 2021-08-24 | 2021-08-24 | 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021136392A JP7437358B2 (ja) | 2021-08-24 | 2021-08-24 | 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023030962A JP2023030962A (ja) | 2023-03-08 |
JP7437358B2 true JP7437358B2 (ja) | 2024-02-22 |
Family
ID=85414303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021136392A Active JP7437358B2 (ja) | 2021-08-24 | 2021-08-24 | 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7437358B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7422915B1 (ja) | 2023-03-10 | 2024-01-26 | Kddi株式会社 | 情報処理装置、情報処理方法及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019020831A (ja) | 2017-07-12 | 2019-02-07 | アズビル金門株式会社 | Lpガスのタンク配送計画装置、及び、lpガスのタンク配送計画方法 |
JP2019219783A (ja) | 2018-06-18 | 2019-12-26 | 株式会社エナジー・ソリューションズ | 配送計画生成システムおよびプログラム |
JP2020013415A (ja) | 2018-07-19 | 2020-01-23 | 東洋計器株式会社 | Lpガス配送管理システム |
JP6744472B1 (ja) | 2019-10-07 | 2020-08-19 | 株式会社ミツウロコクリエイティブソリューションズ | ガス供給管理システム、ガス供給管理方法およびプログラム |
-
2021
- 2021-08-24 JP JP2021136392A patent/JP7437358B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019020831A (ja) | 2017-07-12 | 2019-02-07 | アズビル金門株式会社 | Lpガスのタンク配送計画装置、及び、lpガスのタンク配送計画方法 |
JP2019219783A (ja) | 2018-06-18 | 2019-12-26 | 株式会社エナジー・ソリューションズ | 配送計画生成システムおよびプログラム |
JP2020013415A (ja) | 2018-07-19 | 2020-01-23 | 東洋計器株式会社 | Lpガス配送管理システム |
JP6744472B1 (ja) | 2019-10-07 | 2020-08-19 | 株式会社ミツウロコクリエイティブソリューションズ | ガス供給管理システム、ガス供給管理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023030962A (ja) | 2023-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1727846B (zh) | 交通信息提供装置 | |
CN109447355B (zh) | 仓库货物的配送优化方法、装置、介质和计算设备 | |
US8762291B2 (en) | Robust optimization of bulk gas distribution | |
Roldán et al. | Robustness of inventory replenishment and customer selection policies for the dynamic and stochastic inventory-routing problem | |
US20220414590A1 (en) | System and Method to Predict Service Level Failure in Supply Chains | |
JP2016062191A (ja) | 電力取引支援装置、電力取引支援システム、制御方法及びプログラム | |
JP2010039833A (ja) | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 | |
JP7099805B2 (ja) | 予測装置、予測システム、予測方法及びプログラム | |
CN110544055A (zh) | 订单处理方法和装置 | |
JP7437358B2 (ja) | 情報処理装置、情報処理装置の制御方法、情報処理装置の制御プログラム、及び配送システム | |
JP7372727B2 (ja) | 系統運用者側コンピュータ、発電事業者側コンピュータ、電力システム、制御方法及びプログラム | |
Zhang et al. | A two-stage robust model for express service network design with surging demand | |
CN110751359B (zh) | 一种自动化航线网络评估方法、电子设备及存储介质 | |
JP7316233B2 (ja) | データ処理システムおよびデータ処理方法 | |
JP6946542B2 (ja) | 学習システム、推定システム及び学習済モデル | |
JP2021128478A5 (ja) | ||
US20220147926A1 (en) | Information processing apparatus, information processing method, and program | |
CN106537442A (zh) | 收集量调节辅助装置,收集量调节辅助方法和计算机可读记录介质 | |
JP7437542B1 (ja) | 情報処理装置、情報処理装置の制御方法、及び情報処理装置の制御プログラム | |
CN114781691A (zh) | 货运需求预测方法、系统、设备及存储介质 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN114626660A (zh) | 用于激增调整预报的方法和装置 | |
CN111523802B (zh) | 送达时间应答方法、装置、设备及介质 | |
JP6307105B2 (ja) | ガス使用量の予測システムおよび予測方法 | |
WO2023181453A1 (ja) | 災害対策計画立案システム及び災害対策計画立案方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220311 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230705 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231010 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231025 |
|
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: 20240116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7437358 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |