JP7475549B2 - 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム - Google Patents

学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム Download PDF

Info

Publication number
JP7475549B2
JP7475549B2 JP2023541248A JP2023541248A JP7475549B2 JP 7475549 B2 JP7475549 B2 JP 7475549B2 JP 2023541248 A JP2023541248 A JP 2023541248A JP 2023541248 A JP2023541248 A JP 2023541248A JP 7475549 B2 JP7475549 B2 JP 7475549B2
Authority
JP
Japan
Prior art keywords
data
emergency
location
prediction
people
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
JP2023541248A
Other languages
English (en)
Other versions
JPWO2023067726A1 (ja
Inventor
継康 劉
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 JPWO2023067726A1 publication Critical patent/JPWO2023067726A1/ja
Application granted granted Critical
Publication of JP7475549B2 publication Critical patent/JP7475549B2/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本開示は、学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラムに関する。
学習済モデルを用いて、予測を行う方法が知られている。例えば、特許文献１では、予測を行うモデルの学習方法が、提案されている。
特開２０１９－１２５０４８号公報
ところで、学習済モデルを生成するためには、学習データが必要である。通常時の予測を行う学習済モデルを生成したい場合、学習データには、通常時のデータが用意される。当該学習データを用いることで、通常時の予測を行う学習済モデルが生成される。
非常時も予測したい場合がある。当該場合、学習データには、非常時のデータも用意される。大量の非常時のデータを用意した場合、生成される学習済モデルにおける通常時の予測精度は、低い。一方、少量の非常時のデータを用意した場合、生成される学習済モデルにおける非常時の予測精度は、低い。このように、通常時と非常時とにおける精度の高い予測をどのように行うのかが問題である。
本開示の目的は、通常時と非常時とにおける精度の高い予測を行えることである。
本開示の一態様に係る学習装置が提供される。学習装置は、複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得する取得部と、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、を有する。前記学習生成部は、前記第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する。
本開示によれば、通常時と非常時とにおける精度の高い予測を行える。
実施の形態１の学習装置が有するハードウェアを示す図である。 実施の形態１の学習装置の機能を示すブロック図である。 実施の形態１の非常予測学習済モデルの生成を説明するための図（その１）である。 実施の形態１の新たな学習データの生成方法の例を示す図（その１）である。 実施の形態１の新たな学習データの生成方法の例を示す図（その２）である。 実施の形態１の再学習を説明するための図である。 実施の形態１の非常予測学習済モデルの生成を説明するための図（その２）である。 実施の形態１の予測システムを示す図である。 実施の形態１の予測装置の機能を示すブロック図である。 実施の形態２の予測装置の機能を示すブロック図である。 実施の形態２の具体例を示す図である。
以下、図面を参照しながら実施の形態を説明する。以下の実施の形態は、例にすぎず、本開示の範囲内で種々の変更が可能である。
実施の形態１．
＜学習フェーズ＞
図１は、実施の形態１の学習装置が有するハードウェアを示す図である。学習装置１００は、学習方法を実行する。学習装置１００は、プロセッサ１０１、揮発性記憶装置１０２、及び不揮発性記憶装置１０３を有する。
プロセッサ１０１は、学習装置１００全体を制御する。例えば、プロセッサ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などである。プロセッサ１０１は、マルチプロセッサでもよい。また、学習装置１００は、処理回路を有してもよい。
揮発性記憶装置１０２は、学習装置１００の主記憶装置である。例えば、揮発性記憶装置１０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。不揮発性記憶装置１０３は、学習装置１００の補助記憶装置である。例えば、不揮発性記憶装置１０３は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。
次に、学習装置１００が有する機能を説明する。
図２は、実施の形態１の学習装置の機能を示すブロック図である。学習装置１００は、記憶部１１０、取得部１２０、学習生成部１３０、及び出力部１４０を有する。
記憶部１１０は、揮発性記憶装置１０２又は不揮発性記憶装置１０３に確保した記憶領域として実現してもよい。
取得部１２０、学習生成部１３０、及び出力部１４０の一部又は全部は、処理回路によって実現してもよい。また、取得部１２０、学習生成部１３０、及び出力部１４０の一部又は全部は、プロセッサ１０１が実行するプログラムのモジュールとして実現してもよい。例えば、プロセッサ１０１が実行するプログラムは、学習プログラムとも言う。例えば、学習プログラムは、記録媒体に記録されている。
記憶部１１０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を記憶してもよい。
第１の学習データ１１１は、複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である。例えば、第１の地点は、ある駅である。天気は、晴れ、曇り、雨、台風、ゲリラ豪雨などである。なお、晴れ、曇り、及び雨は、通常の天気である。台風及びゲリラ豪雨は、非常の天気である。混雑情報は、第１の地点又は第１の地点の周辺でイベントが開催されているか否かを示す情報である。イベントが開催されていない場合の混雑情報は、通常を意味する。イベントが開催されている場合の混雑情報は、非常を意味する。なお、例えば、第１の地点が駅である場合、イベントは、駅の中で開催されているイベント、又は駅の周辺で開催されているイベント（例えば、サッカー、野球）である。また、第１の地点が駅である場合、第１の学習データ１１１は、当該駅を通る電車の運行時刻情報（すなわち、時刻表）、及び当該駅を通る電車の運行情報を含んでもよい。なお、例えば、電車の運行情報は、事故（例えば、脱線事故）が発生しているか否かを示す情報である。そして、事故が発生していない場合の運行情報は、通常を意味する。事故が発生している場合の運行情報は、非常を意味する。また、第１の学習データ１１１は、ユーザによって生成されてもよい。
通常予測学習済モデル１１２は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報（例えば、第１の情報とも言う。）が入力された場合、当該時刻の第１の地点における通常時の人数を出力する。また、第１の地点が駅である場合、通常予測学習済モデル１１２は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における通常時の人数を出力する。
真値情報１１３は、通常時における複数の時刻の第１の地点における人数を示す真値と、非常時における複数の時刻の第１の地点における人数を示す真値とを含む。なお、真値は、学習真値と呼んでもよい。
第２の学習データ１１４は、複数の時刻の、第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報である。例えば、第１の地点が横浜である場合、第１の地点以外の地点は、大阪、名古屋などである。第１の地点以外の地点が駅である場合、第２の学習データ１１４は、当該駅を通る電車の運行情報を含んでもよい。
取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を取得する。例えば、取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を記憶部１１０から取得する。また、例えば、取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を外部装置から取得する。
学習生成部１３０は、第１の学習データ１１１、通常予測学習済モデル１１２、及び真値情報１１３を用いて、非常予測学習済モデル２００を生成する。非常予測学習済モデル２００は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合、当該時刻の第１の地点における非常時の人数を出力する。また、第１の地点が駅である場合、非常予測学習済モデル２００は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における非常時の人数を出力する。
次に、非常予測学習済モデルの生成を詳細に説明する。
図３は、実施の形態１の非常予測学習済モデルの生成を説明するための図（その１）である。図３では、学習により非常予測学習済モデル２００が生成される場合を説明する。学習では、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）などが用いられてもよい。
学習生成部１３０は、第１の学習データ１１１を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、ある時刻の第１の地点における人数を出力する。例えば、第１の学習データ１１１が８時の第１の地点における天気を示す情報である場合、学習生成部１３０は、８時の第１の地点における天気を示す情報を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、８時の第１の地点における人数を出力する。また、例えば、第１の学習データ１１１が９時の第１の地点における混雑情報であり、かつ当該混雑情報が第１の地点でイベントが開催されていることを示している場合、学習生成部１３０は、９時の第１の地点における混雑情報を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、９時の第１の地点における人数を出力する。また、通常予測学習済モデル１１２は、第１の地点でイベントが開催されているため、多くの人数を出力する。なお、通常予測学習済モデル１１２が出力した値は、予測値とも言う。
図３は、通常時の真値１１３＿１を示している。通常時の真値１１３＿１は、真値情報１１３に含まれる、通常時における複数の時刻の第１の地点における人数を示す真値である。
学習生成部１３０は、予測値と、通常時の真値１１３＿１とを比較することで、誤差を算出する。例えば、学習生成部１３０は、８時の第１の地点における天気を示す情報に基づく予測値と、通常時の真値１１３＿１の中の８時の第１の地点における人数を示す真値とを比較することで、誤差を算出する。このように、学習生成部１３０は、同じ時刻に基づく予測値と真値とを比較することで、誤差を算出する。
このように、学習生成部１３０は、第１の学習データ１１１と通常予測学習済モデル１１２とを用いて、複数の時刻の第１の地点における人数を、複数の予測値として算出する。そして、学習生成部１３０は、真値情報１１３の中の通常時の真値１１３＿１と、複数の予測値とに基づいて、複数の誤差を算出する。
学習生成部１３０は、複数の誤差に基づいて、新たな学習データ１０を生成する。新たな学習データ１０の生成を詳細に説明する。
図４は、実施の形態１の新たな学習データの生成方法の例を示す図（その１）である。図４は、第１の学習データ１１１として、Ｄａｔａ０１～０４を示している。例えば、Ｄａｔａ０１は、８時の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０２は、８時３０分の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０３は、９時の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０４は、９時３０分の第１の地点における天気を示す情報である。
上記で説明したように、Ｄａｔａ０１～０４は、通常予測学習済モデル１１２に入力される。これにより、４つの予測値が出力される。学習生成部１３０は、４つの予測値と、通常時の真値１１３＿１とを比較することで、誤差ｗ１～４を算出する。学習生成部１３０は、誤差ｗ１～４に基づいて、誤差全体における複数の誤差のそれぞれの割合を算出する。例えば、学習生成部１３０は、式（１）を用いて、誤差ｗ１の割合Ｐ１を算出する。
Figure 0007475549000001
学習生成部１３０は、割合に応じて、第１の学習データ１１１に含まれるデータの数を増やす。ここで、増えるデータは、割合が大きい値のデータである。割合が大きい値のデータは、誤差が大きいデータである。誤差が大きいデータは、非常時のデータである。図４は、Ｄａｔａ０２のデータが増えることを示している。よって、Ｄａｔａ０２は、非常時のデータであると言える。そして、Ｄａｔａ０１，０３，０４は、通常時のデータであると言える。
このように、学習生成部１３０は、割合に応じて、第１の学習データ１１１の中の非常時のデータの数を増やす。学習生成部１３０は、非常時のデータが増えた第１の学習データ１１１を、新たな学習データ１０として生成する。
また、学習生成部１３０は、第１の学習データ１１１の中の通常時のデータに基づいて、通常時の共変量分布を生成する。
図３に戻って、非常予測学習済モデルの生成の説明を続ける。
図３は、非常予測モデル１１を示している。非常予測モデル１１には、初期値のパラメータが設定されている。
学習生成部１３０は、新たな学習データ１０を非常予測モデル１１に入力する。ここで、新たな学習データ１０が非常予測モデル１１に入力されることで、非常予測モデル１１は、多くの非常時のデータを用いて学習される。
非常予測モデル１１は、ある時刻の第１の地点における非常時の人数を出力する。また、第１の地点が駅である場合、非常予測モデル１１は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における非常時の人数を出力する。なお、非常予測モデル１１が出力した値は、予測値とも言う。
図３は、非常時の真値１１３＿２を示している。非常時の真値１１３＿２は、真値情報１１３に含まれる、非常時における複数の時刻の第１の地点における人数を示す真値である。
学習生成部１３０は、予測値と、非常時の真値１１３＿２とを比較することで、誤差を算出する。例えば、学習生成部１３０は、９時の第１の地点における天気を示す情報に基づく予測値と、非常時の真値１１３＿２の中の９時の第１の地点における人数を示す真値とを比較することで、誤差を算出する。このように、学習生成部１３０は、同じ時刻に基づく予測値と真値とを比較することで、誤差を算出する。学習生成部１３０は、誤差に基づいて、新たな学習データ１２を生成する。新たな学習データ１２の生成を詳細に説明する。
図５は、実施の形態１の新たな学習データの生成方法の例を示す図（その２）である。図５は、新たな学習データ１０として、Ｄａｔａ０１～０４を示している。上記で説明したように、新たな学習データ１０は、非常予測モデル１１に入力される。これにより、６つの予測値が出力される。学習生成部１３０は、６つの予測値と、非常時の真値１１３＿２とを比較することで、誤差ｗ１１～１６を算出する。学習生成部１３０は、誤差ｗ１１～１６に基づいて、誤差全体における複数の誤差のそれぞれの割合を算出する。
学習生成部１３０は、割合に応じて、新たな学習データ１０に含まれるデータの数を増やす。学習生成部１３０は、新たな学習データ１０に含まれるデータの数を増やすことで、新たな学習データ１２を生成する。ここで、新たな学習データ１２は、第１の学習データ１１１を含む学習情報とも言う。
また、学習生成部１３０は、新たな学習データ１０の中の非常時のデータに基づいて、非常時の共変量分布を生成する。
図３に戻って、非常予測学習済モデルの生成の説明を続ける。
学習生成部１３０は、非常時のデータを用いて非常予測モデル１１を学習させたときの誤差が予め定められた閾値よりも大きい場合、非常予測モデル１１の中のパラメータを調整する。すなわち、非常予測モデル１１は、ニューラルネットワークを構成しているため、学習生成部１３０は、ニューラルネットワークで用いられる重みであるパラメータを調整する。
学習生成部１３０は、新たな学習データ１２を通常予測学習済モデル１１２に入力する。そして、学習生成部１３０は、新たな学習データ１０を生成する。学習生成部１３０は、生成された新たな学習データ１０を非常予測モデル１１に入力する。学習生成部１３０は、非常時のデータを非常予測モデル１１に学習させたときの誤差が閾値以下であり、かつ誤差が収束するまで、通常予測学習済モデル１１２と非常予測モデル１１とに学習データを入力する処理を繰り返す。そして、誤差が収束した場合、非常予測学習済モデル２００が、生成される。
このように、学習生成部１３０は、真値情報１１３の中の非常時の真値１１３＿２と、新たな学習データ１０とを用いて、非常予測学習済モデル２００を生成する。
また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報２１０と呼ぶ。
図３の説明では、非常予測モデル１１が学習される場合を説明した。学習生成部１３０は、通常予測学習済モデル１１２を再学習させてもよい。すなわち、学習生成部１３０は、非常予測モデル１１を学習させながら、通常予測学習済モデル１１２を再学習させる。再学習を説明する。
図６は、実施の形態１の再学習を説明するための図である。学習生成部１３０は、第１の学習データ１１１又は新たな学習データ１２に含まれている通常時のデータと通常予測学習済モデル１１２とを用いて、ある時刻の第１の地点における人数を、予測値として算出する。学習生成部１３０は、通常時の真値１１３＿１と予測値との誤差を算出する。学習生成部１３０は、算出された誤差が予め定められた範囲に含まれる場合、通常予測学習済モデル１１２の中のパラメータを調整する。すなわち、通常予測学習済モデル１１２は、ニューラルネットワークを構成しているため、学習生成部１３０は、ニューラルネットワークで用いられる重みであるパラメータを調整する。なお、当該範囲は、小さい値の範囲である。
このように、学習生成部１３０は、通常予測学習済モデル１１２を再学習する。これにより、学習生成部１３０は、当該誤差をより小さくできる。言い換えれば、学習生成部１３０は、通常予測学習済モデル１１２の予測精度を向上できる。
図３，６では、通常予測学習済モデル１１２と非常予測モデル１１とに学習データが入力される処理が、繰り返される場合を説明した。以下、図３，６と異なる方法を説明する。
図７は、実施の形態１の非常予測学習済モデルの生成を説明するための図（その２）である。
学習生成部１３０は、第１の学習データ１１１を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、ある時刻の第１の地点における人数を出力する。
学習生成部１３０は、予測値と、通常時の真値１１３＿１とを比較することで、誤差を算出する。学習生成部１３０は、第１の学習データ１１１のうち、予め定められた閾値以上の誤差に対応するデータを特定する。ここで、通常予測学習済モデル１１２は、非常時のデータを学習していないため、非常時のデータが通常予測学習済モデル１１２に入力された場合、誤差は、大きくなる。そのため、予測値と通常時の真値１１３＿１との誤差が当該閾値以上であるデータは、非常時のデータであると言える。よって、特定されたデータは、非常時のデータである。学習生成部１３０は、特定された非常時のデータを、新たな学習データ２１として生成する。よって、新たな学習データ２１に含まれるデータは、全て非常時のデータである。
このように、学習生成部１３０は、第１の学習データ１１１、通常予測学習済モデル１１２、及び真値情報１１３の中の通常時の真値１１３＿１を用いて、第１の学習データ１１１の中から非常時のデータを特定する。そして、学習生成部１３０は、特定された非常時のデータを、新たな学習データ２１として生成する。
学習生成部１３０は、新たな学習データ２１（すなわち、非常時のデータ）に基づいて、第１の学習データ１１１の中から通常時のデータを特定する。すなわち、学習生成部１３０は、第１の学習データ１１１の中から新たな学習データ２１を取り除くことで、通常時のデータを特定する。学習生成部１３０は、通常時のデータに基づいて、通常時の共変量分布を生成する。学習生成部１３０は、新たな学習データ２１（すなわち、非常時のデータ）に基づいて、非常時の共変量分布を生成する。
学習生成部１３０は、新たな学習データ２１を非常予測モデル１１に入力する。非常予測モデル１１は、ある時刻の第１の地点における人数を出力する。なお、非常予測モデル１１が出力した値は、予測値とも言う。
学習生成部１３０は、予測値と、非常時の真値１１３＿２とを比較することで、誤差を算出する。学習生成部１３０は、新たな学習データ２１のうち、予め定められた閾値以上の誤差に対応するデータを、新たな学習データ２２として生成する。ここで、閾値以上の誤差に対応するデータは、学習が上手にできていない場合の非常時のデータである。
また、学習生成部１３０は、非常時のデータを用いて非常予測モデル１１を学習させたときの誤差が当該閾値以上である場合、非常予測モデル１１の中のパラメータを調整する。
学習生成部１３０は、非常予測モデル１１の中のパラメータを調整したので、非常予測モデル１１の予測精度が向上したことを確認するために、新たな学習データ２２を非常予測モデル１１に入力する。学習生成部１３０は、非常予測モデル１１による非常時のデータを学習した時の誤差が当該閾値よりも小さくなり、かつ誤差が収束するまで、非常予測モデル１１に学習データを入力する処理を繰り返す。そして、当該誤差が収束した場合、非常予測学習済モデル２００が、生成される。
このように、学習生成部１３０は、新たな学習データ２１及び真値情報１１３の中の非常時の真値１１３＿２を用いて、非常予測学習済モデル２００を生成する。
また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報２１０と呼ぶ。
また、図３，６，７の非常予測モデル１１の学習方法は、通常時のデータ又は非常時のデータであるか否かを示すラベルを第１の学習データ１１１に付さないで学習できる点に特徴がある。よって、当該学習方法を用いることは、ユーザによる学習データの作成負担を軽減できる。
図２に戻って、学習生成部１３０の機能をさらに説明する。
学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２２０を生成する。例えば、１０時の第１の地点における天気が晴れであることを示す情報が入力された場合、判定学習済モデル２２０は、当該情報が通常時のデータであることを示す情報を出力する。また、例えば、１１時の第１の地点における天気がゲリラ豪雨であることを示す情報が入力された場合、判定学習済モデル２２０は、当該情報が非常時のデータであることを示す情報を出力する。ここで、判定学習済モデル２２０は、第１の判定学習済モデルとも言う。
学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２２０を生成してもよい。
また、学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２２０を生成してもよい。
また、学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２２０を生成してもよい。
学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報（例えば、第２の情報とも言う。）が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０，２３１を生成する。例えば、学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の大阪における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０を生成する。また、例えば、学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の名古屋における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３１を生成する。ここで、判定学習済モデル２３０，２３１は、第２の判定学習済モデルとも言う。
なお、第１の地点以外の地点は、第１の地点と近い地点であることが望ましい。
学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報と含む情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０，２３１を生成してもよい。
学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２３０，２３１を生成してもよい。
学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２３０，２３１を生成してもよい。 なお、上記では、２つの判定学習済モデル（すなわち、判定学習済モデル２３０，２３１）が生成される場合を説明した。学習生成部１３０は、１つの判定学習済モデル（例えば、判定学習済モデル２３０）を生成してもよい。
図２が示すように、学習装置１００は、非常予測学習済モデル２００、共変量分布情報２１０、判定学習済モデル２２０、判定学習済モデル２３０、及び判定学習済モデル２３１を生成する。また、通常予測学習済モデル１１２が再学習された場合、学習装置１００は、再学習された通常予測学習済モデル１１２を生成する。
出力部１４０は、情報を出力する。例えば、出力部１４０は、当該情報を記憶部１１０に出力する。例えば、出力部１４０は、当該情報を外部装置に出力する。なお、例えば、当該情報は、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、判定学習済モデル２２０、判定学習済モデル２３０、及び判定学習済モデル２３１である。出力部１４０は、再学習された通常予測学習済モデル１１２を出力してもよい。
学習フェーズによれば、学習装置１００は、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用意する。後述するように、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用いれば、通常時と非常時とにおける精度の高い予測が行える。よって、通常予測学習済モデル１１２と非常予測学習済モデル２００とが用意されることで、通常時と非常時とにおける精度の高い予測が行える。
次に、活用フェーズを説明する。
＜活用フェーズ＞
図８は、実施の形態１の予測システムを示す図である。予測システムは、予測装置３００とサーバ４００とを含む。予測装置３００は、予測方法を実行する。予測装置３００は、プロセッサ、揮発性記憶装置、及び不揮発性記憶装置を有する。また、予測装置３００は、処理回路を有してもよい。例えば、サーバ４００は、クラウドサーバである。
図９は、実施の形態１の予測装置の機能を示すブロック図である。予測装置３００は、記憶部３１０、取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０を有する。
記憶部３１０は、予測装置３００が有する揮発性記憶装置又は不揮発性記憶装置に確保した記憶領域として実現してもよい。
取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０の一部又は全部は、予測装置３００が有する処理回路によって実現してもよい。また、取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０の一部又は全部は、予測装置３００が有するプロセッサが実行するプログラムのモジュールとして実現してもよい。例えば、当該プログラムは、予測プログラムとも言う。例えば、予測プログラムは、記録媒体に記録されている。
記憶部３１０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶してもよい。
実データ３１１は、ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である。また、第１の地点が駅である場合、実データ３１１は、当該駅を通る電車の運行時刻情報（すなわち、時刻表）、及び当該駅を通る電車の運行情報を含んでもよい。
ここで、サーバ４００は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶してもよい。
なお、通常予測学習済モデル１１２が、学習装置１００により再学習された場合、記憶部３１０又はサーバ４００に格納されている通常予測学習済モデル１１２は、再学習された学習済モデルである。
取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を取得する。例えば、取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶部３１０から取得する。また、例えば、取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０をサーバ４００から取得する。
通常予測部３３０は、実データ３１１と通常予測学習済モデル１１２と用いて、実データ３１１が示す時刻の第１の地点における人数を予測する。予測された結果は、通常予測結果３３１と呼ぶ。すなわち、通常予測結果３３１は、通常時の人数を示す。
非常予測部３４０は、実データ３１１と非常予測学習済モデル２００と用いて、実データ３１１が示す時刻の第１の地点における人数を予測する。予測された結果は、非常予測結果３４１と呼ぶ。すなわち、非常予測結果３４１は、非常時の人数を示す。
判定部３５０は、実データ３１１と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５１と呼ぶ。
また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。共変量分布情報２１０が用いられることで、判定部３５０は、精度の高い判定を行うことができる。
算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５１を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５１が、実データ３１１が通常時のデータであることを示している場合、算出部３６０は、通常予測結果３３１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。当該算出を次のように考えてもよい。算出部３６０は、通常予測結果３３１に“１”を乗算し、非常予測結果３４１に“０”を乗算することで、実データ３１１が示す時刻の第１の地点における人数を算出する。また、例えば、判定結果３５１が、実データ３１１が非常時のデータであることを示している場合、算出部３６０は、非常予測結果３４１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。
ここで、上記したように、判定学習済モデル２２０は、通常時のデータである確率と非常時のデータである確率とを出力してもよい。判定学習済モデル２２０が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２２０を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５１と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定してもよい。
判定学習済モデル２２０が２つの確率を出力できる場合、算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５１を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５１は、通常時のデータである確率“８０％”と非常時のデータである確率“２０％”とを示しているものとする。算出部３６０は、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。具体的には、算出部３６０は、式（２）を用いて、当該人数を算出する。
Figure 0007475549000002
このように、算出部３６０は、式（２）を用いて、当該人数を算出してもよい。
出力部３７０は、算出された結果５００を出力する。例えば、出力部３７０は、予測装置３００に接続されるディスプレイに結果５００を出力する。また、例えば、出力部３７０は、他の装置に結果５００を出力する。
活用フェーズによれば、予測装置３００は、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用いて、通常時と非常時とにおける精度の高い予測を行う。よって、予測装置３００は、通常時と非常時とにおける精度の高い予測を行える。
実施の形態２．
次に、実施の形態２を説明する。実施の形態２では、実施の形態１と相違する事項を主に説明する。そして、実施の形態２では、実施の形態１と共通する事項の説明を省略する。
実施の形態１では、判定学習済モデル２２０が用いられる場合を説明した。実施の形態２では、判定学習済モデル２３０，２３１が用いられる場合を説明する。
ここで、サーバ４００は、判定学習済モデル２３０，２３１を記憶してもよい。
図１０は、実施の形態２の予測装置の機能を示すブロック図である。記憶部３１０は、判定学習済モデル２３０，２３１を記憶してもよい。
取得部３２０は、判定学習済モデル２２０に代えて、判定学習済モデル２３０，２３１を取得する。例えば、取得部３２０は、判定学習済モデル２３０，２３１を記憶部３１０から取得する。また、例えば、取得部３２０は、判定学習済モデル２３０，２３１をサーバ４００から取得する。
判定部３５０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５２と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。
判定部３５０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５３と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。
算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５２，３５３を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５２，３５３が通常時のデータであることを示している場合、算出部３６０は、通常予測結果３３１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。また、例えば、判定結果３５２，３５３が非常時のデータであることを示している場合、算出部３６０は、非常予測結果３４１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。また、判定結果３５２と判定結果３５３とが異なる場合、算出部３６０は、通常時のデータである確率が“５０％”であり、非常時のデータである確率が“５０％”であると判定する。算出部３６０は、式（２）のように、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。
ここで、上記したように、判定学習済モデル２３０，２３１は、通常時のデータである確率と非常時のデータである確率とを出力してもよい。判定学習済モデル２３０が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５２と呼ぶ。判定学習済モデル２３１が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５３と呼ぶ。
判定学習済モデル２３０，２３１が２つの確率を出力できる場合、算出部３６０は、判定結果３５２，３５３が示す通常時のデータである確率の平均を算出する。例えば、平均値が“８０％”である場合、算出部３６０は、非常時のデータである確率を“２０％（＝１００－８０）”とする。また、算出部３６０は、判定結果３５２，３５３が示す非常時のデータである確率の平均を算出した後に、平均値（例えば、２０％）を用いて、通常時のデータである確率（例えば、８０％）を算出してもよい。算出部３６０は、式（２）のように、実データ３１１が示す時刻の第１の地点における人数を算出する。
また、算出部３６０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３０，２３１とを用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを算出してもよい。詳細には、算出部３６０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータである確率（例えば、６０％）と非常時のデータである確率（例えば、４０％）とを算出する。算出部３６０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータである確率（例えば、６０％）と非常時のデータである確率（例えば、４０％）とを算出する。算出部３６０は、共変量分布情報２１０のうちの通常時の共変量分布と実データ３１１とを用いて、実データ３１１が通常時のデータである確率（例えば、６０％）を算出する。算出部３６０は、共変量分布情報２１０のうちの非常時の共変量分布と実データ３１１とを用いて、実データ３１１が非常時のデータである確率（例えば、４０％）を算出する。算出部３６０は、係数を用いて、実データ３１１が通常時のデータである確率を算出する。例えば、算出部３６０は、式（３）を用いて、実データ３１１が通常時のデータである確率を算出する。ここで、判定学習済モデル２３０の出力結果に対する係数を０．４とする。判定学習済モデル２３１の出力結果に対する係数を０．２とする。通常時の共変量分布を用いたときの結果に対する係数を０．４とする。
Figure 0007475549000003
算出部３６０は、結果に１００を乗算することで、通常時のデータである確率（例えば、６０％）を算出する。確率が“６０％”である場合、算出部３６０は、非常時のデータである確率を“４０％（＝１００－６０）”とする。算出部３６０は、式（２）のように、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。上記では、通常時のデータである確率が算出された後に、非常時のデータである確率が算出される場合を説明した。しかし、算出部３６０は、同様の方法で、非常時のデータである確率を算出した後に、実データ３１１が通常時のデータである確率を算出してもよい。
次に、具体例を説明する。
図１１は、実施の形態２の具体例を示す図である。実データ３１１は、７時の横浜における天気に関する情報を含む。
通常予測部３３０は、７時の横浜における天気に関する情報と、通常予測学習済モデル１１２とを用いて、７時の横浜における人数を予測する。予測された結果は、通常予測結果３３１である。
非常予測部３４０は、７時の横浜における天気に関する情報と、非常予測学習済モデル２００と用いて、７時の横浜における人数を予測する。予測された結果は、非常予測結果３４１である。
ここで、判定学習済モデル２３０は、ある時刻の大阪における天気に関する情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルであるものとする。判定学習済モデル２３１は、ある時刻の名古屋における天気に関する情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルであるものとする。
判定部３５０は、７時の横浜における天気に関する情報と、判定学習済モデル２３０とを用いて、当該情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５２である。
判定部３５０は、７時の横浜における天気に関する情報と、判定学習済モデル２３１とを用いて、当該情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５３である。
算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５２，３５３を用いて、７時の横浜における人数を算出する。
出力部３７０は、算出された結果５０１を出力する。
上記したように、判定学習済モデル２３０は、ある時刻の大阪における天気に関する情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルである。それにも関わらず、判定部３５０は、判定学習済モデル２３０を用いて、７時の横浜における天気に関する情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定学習済モデル２３０を用いて判定する理由は、次の通りである。判定学習済モデル２２０と判定学習済モデル２３０との違いは、学習時における学習データが示す地点である。地点が異なっても、判定内容は、変わらない。例えば、横浜の天気が晴れであることを示す情報が判定学習済モデル２２０に入力された場合、判定学習済モデル２２０は、実データ３１１が通常時のデータであることを出力する。大阪の天気が晴れであることを示す情報が判定学習済モデル２３０に入力された場合、判定学習済モデル２３０は、実データ３１１が通常時のデータであることを出力する。このように、判定内容は、変わらない。よって、判定学習済モデル２２０の代わりに、判定学習済モデル２３０が用いられても問題はないと考えられる。そのため、判定部３５０は、判定学習済モデル２３０を用いる。判定部３５０が判定学習済モデル２３１を用いる理由も同様である。
このように、判定部３５０は、実施の形態１のように判定学習済モデル２２０を用いずに、横浜における天気に関する情報を判定できる。
実施の形態２では、２つの判定学習済モデルが用いられる場合を説明した。１つの判定学習済モデルが用いられてもよい。
以上に説明した各実施の形態における特徴は、互いに適宜組み合わせることができる。
１０ 新たな学習データ、 １１ 非常予測モデル、 １２ 新たな学習データ、 ２１ 新たな学習データ、 ２２ 新たな学習データ、 １００ 学習装置、 １０１ プロセッサ、 １０２ 揮発性記憶装置、 １０３ 不揮発性記憶装置、 １１０ 記憶部、 １１１ 第１の学習データ、 １１２ 通常予測学習済モデル、 １１３ 真値情報、 １１３＿１ 通常時の真値、 １１３＿２ 非常時の真値、 １１４ 第２の学習データ、 １２０ 取得部、 １３０ 学習生成部、 １４０ 出力部、 ２００ 非常予測学習済モデル、 ２１０ 共変量分布情報、 ２２０ 判定学習済モデル、 ２３０ 判定学習済モデル、 ２３１ 判定学習済モデル、 ３００ 予測装置、 ３１０ 記憶部、 ３１１ 実データ、 ３２０ 取得部、 ３３０ 通常予測部、 ３３１ 通常予測結果、 ３４０ 非常予測部、 ３４１ 非常予測結果、 ３５０ 判定部、 ３５１ 判定結果、 ３５２ 判定結果、 ３５３ 判定結果、 ３６０ 算出部、 ３７０ 出力部、 ４００ サーバ、 ５００ 結果、 ５０１ 結果。

Claims (21)

  1. 複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得する取得部と、
    前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、
    前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、
    を有し、
    前記学習生成部は、
    前記第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、
    通常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、
    誤差全体における前記複数の誤差のそれぞれの割合を算出し、
    前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、
    前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、
    非常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する、
    学習装置。
  2. 前記学習生成部は、
    前記第１の学習データ又は前記学習情報に含まれている通常時のデータと、前記通常予測学習済モデルとを用いて、ある時刻の前記第１の地点における人数を算出し、
    通常時における前記第１の地点における人数を示す前記真値と、算出された人数との誤差を算出し、
    算出された誤差が予め定められた範囲に含まれる場合、前記通常予測学習済モデルを再学習し、
    前記出力部は、
    再学習された前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
    請求項１に記載の学習装置。
  3. 複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得する取得部と、
    前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、
    前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、
    を有し、
    前記学習生成部は、
    前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、
    前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、
    特定された非常時のデータを、新たな学習データとして生成し、
    前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する、
    学習装置。
  4. 前記第１の学習データは、前記第１の地点が駅である場合、前記駅を通る電車の運行情報を含む、
    請求項１から３のいずれか１項に記載の学習装置。
  5. ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得する取得部と、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    算出された結果を出力する出力部と、
    を有し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測装置。
  6. 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    前記判定部は、前記実データと前記共変量分布情報と前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
    請求項５に記載の予測装置。
  7. 前記判定部は、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    請求項５に記載の予測装置。
  8. 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    前記判定部は、前記実データと前記共変量分布情報と前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    請求項７に記載の予測装置。
  9. 前記実データは、前記第１の地点が駅である場合、前記駅を通る電車の運行情報を含む、
    請求項５から８のいずれか１項に記載の予測装置。
  10. ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得する取得部と、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    算出された結果を出力する出力部と、
    を有し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測装置。
  11. 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    前記判定部は、前記実データと前記共変量分布情報と前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
    請求項１０に記載の予測装置。
  12. 前記第２の判定学習済モデルは、前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータである確率と非常時のデータである確率とを出力する学習済モデルであり、
    前記判定部は、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    請求項１０に記載の予測装置。
  13. 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    前記判定部は、前記実データと前記共変量分布情報と前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    請求項１０に記載の予測装置。
  14. ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを記憶するサーバと、
    予測装置と、
    を含み、
    前記予測装置は、
    前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第１の判定学習済モデルを前記サーバから取得する取得部と、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    算出された結果を出力する出力部と、
    を有し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測システム。
  15. ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを記憶するサーバと、
    予測装置と、
    を含み、
    前記予測装置は、
    前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第２の判定学習済モデルを前記サーバから取得する取得部と、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    算出された結果を出力する出力部と、
    を有し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測システム。
  16. 学習装置が、
    複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得し、
    前記第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、
    通常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、
    誤差全体における前記複数の誤差のそれぞれの割合を算出し、
    前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、
    前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、
    非常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成し、
    前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
    学習方法。
  17. 学習装置が、
    複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得し、
    前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、
    前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、
    特定された非常時のデータを、新たな学習データとして生成し、
    前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成し、
    前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
    学習方法。
  18. 予測装置が、
    ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得し、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    算出された結果を出力し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測方法。
  19. 予測装置が、
    ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得し、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    算出された結果を出力し、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測方法。
  20. 予測装置に、
    ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得し、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    算出された結果を出力する、
    処理を実行させる予測プログラムであり、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測プログラム。
  21. 予測装置に、
    ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得し、
    前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    算出された結果を出力する、
    処理を実行させる予測プログラムであり、
    前記非常予測学習済モデルは、第１の学習方法又は第２の学習方法により、生成された学習済モデルであり、
    前記第１の学習方法は、複数の時刻の前記第１の地点における天気と、前記混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第１の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第１の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
    前記第２の学習方法は、前記第１の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
    予測プログラム。
JP2023541248A 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム Active JP7475549B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/038771 WO2023067726A1 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム

Publications (2)

Publication Number Publication Date
JPWO2023067726A1 JPWO2023067726A1 (ja) 2023-04-27
JP7475549B2 true JP7475549B2 (ja) 2024-04-26

Family

ID=86058011

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023541248A Active JP7475549B2 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム

Country Status (3)

Country Link
JP (1) JP7475549B2 (ja)
CN (1) CN118103855A (ja)
WO (1) WO2023067726A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119109A1 (en) 2009-11-13 2011-05-19 Bank Of America Corporation Headcount forecasting system
WO2019049688A1 (ja) 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
WO2021130926A1 (ja) 2019-12-25 2021-07-01 日本電信電話株式会社 人流予測装置、人流予測方法、及び人流予測プログラム
WO2021193864A1 (ja) 2020-03-25 2021-09-30 国立大学法人広島大学 Ａｉによる事象クラスの判別方法及び判別システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6992526B2 (ja) 2018-01-12 2022-01-13 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119109A1 (en) 2009-11-13 2011-05-19 Bank Of America Corporation Headcount forecasting system
WO2019049688A1 (ja) 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
WO2021130926A1 (ja) 2019-12-25 2021-07-01 日本電信電話株式会社 人流予測装置、人流予測方法、及び人流予測プログラム
WO2021193864A1 (ja) 2020-03-25 2021-09-30 国立大学法人広島大学 Ａｉによる事象クラスの判別方法及び判別システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
堀田 都，少ない学習データに基づく混雑度推定手法の提案，ＳＳＩＩ２０１４ 第２０回画像センシングシンポジウム，日本，画像センシング技術研究会，2014年06月13日，ISBN978-4-9906491-2-8，IS3-09-1～IS3-09-6
角田 啓介，施設管理支援に向けた常時型人流予測，情報処理学会研究報告，日本，情報処理学会，2020年01月20日，1～9

Also Published As

Publication number Publication date
JPWO2023067726A1 (ja) 2023-04-27
CN118103855A (zh) 2024-05-28
WO2023067726A1 (ja) 2023-04-27

Similar Documents

Publication Publication Date Title
US20180136617A1 (en) Systems and methods for continuously modeling industrial asset performance
CN113052149B (zh) 视频摘要生成方法、装置、计算机设备及介质
US10379146B2 (en) Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data
JP7079662B2 (ja) 電力需要予測システム、学習装置及び電力需要予測方法
US10902311B2 (en) Regularization of neural networks
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
CN110942086A (zh) 数据预测优化方法、装置、设备及可读存储介质
KR102330423B1 (ko) 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템
CN112598248A (zh) 负荷预测方法、装置、计算机设备和存储介质
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
CN112749041B (zh) 虚拟化网络功能备份策略自决策方法、装置及计算设备
CN114881343A (zh) 基于特征选择的电力系统短期负荷预测方法及装置
EP4252151A1 (en) Data source correlation techniques for machine learning and convolutional neural models
Indra et al. Modeling of optimal deep learning based flood forecasting model using twitter data
JP7475549B2 (ja) 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
CN116388864B (zh) 量子网络设备性能预测方法、装置、电子设备及存储介质
RU2632124C1 (ru) Способ прогнозной оценки эффективности многоэтапных процессов
CN113825165A (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN114611753A (zh) 一种航班飞机轨迹数据预测系统及方法
KR102115973B1 (ko) 이질성 학습 기반의 정보 분류 장치
Triana et al. Bagging and boosting techniques in prediction of particulate matters
CN112446516A (zh) 一种出行预测方法及装置
CN115545355B (zh) 基于多类信息融合识别的电网故障诊断方法、装置及设备
JP7439923B2 (ja) 学習方法、学習装置及びプログラム
CN112418559B (zh) 一种用户选择行为预测方法及装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230705

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230705

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231024

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231219

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: 20240319

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240416

R150 Certificate of patent or registration of utility model

Ref document number: 7475549

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150