JP7501791B2 - 予測装置 - Google Patents

Description

本開示は、搬送システムの将来の状態を予測する予測装置に関する。

従来、例えば半導体製造工場等において、半導体ウェハが収納されるカセット等の物品を搬送する搬送車の走行を制御する搬送システムが知られている（特許文献１参照）。このような搬送システムでは、搬送車コントローラによって、搬送対象となる物品と、荷掴み位置（Ｆｒｏｍ地点）と、荷降ろし位置（Ｔｏ地点）と、の各々を示す情報を含む搬送指令が、搬送車に割り付けられる。これにより、搬送車による物品の搬送が実現される。例えば、特許文献１には、搬送車の搬送作業の遅れに関するイベントの発生に基づいて渋滞の発生を予測する手法が記載されている。

特開２０１０－２８２５６７号公報

上記特許文献１に記載の手法では、予め定義された搬送車の搬送作業の遅れに関するイベントが発生したことを契機として渋滞予測が実行される。このため、イベントが発生していない状況においては、将来の渋滞度合いの予測を行うことができない。一方、搬送システムの渋滞度合いに関する予測情報は、最適な搬送制御（例えば、搬送指令の割付先となる搬送車の選定、搬送車の走行ルートの選定等）を行う上で有用であるため、このような予測情報を任意のタイミングで容易に得たいというニーズが存在する。

本開示は、任意のタイミングで搬送システムの将来の渋滞度合いを容易に予測することが可能な予測装置を提供することを目的とする。

本開示に係る予測装置は、複数のエリアに区分けされた搬送路と、搬送路に沿って走行して物品を搬送する複数の搬送車と、搬送車に搬送指令を割り付ける搬送車コントローラと、を含む搬送システムにおける所定の対象エリアの将来の状態を予測する予測装置であって、所定の基準時点よりも前の第１期間における搬送指令の割付状況及び複数の搬送車の位置の少なくとも一方に関するログ情報に基づく入力データを入力して、基準時点よりも後の第２期間における対象エリアの搬送車数の増減度合いの予測結果を示す出力データを出力するように機械学習された予測モデルを記憶する記憶部と、予測実行時点よりも前であって第１期間と同一の長さの過去期間におけるログ情報に基づいて、入力データに対応する予測用データを取得する取得部と、取得部により取得された予測用データを予測モデルに入力することにより、予測実行時点よりも後であって第２期間と同一の長さの将来期間における対象エリアの搬送車数の増減度合いの予測結果を示す予測情報を取得する予測部と、を備える。

上記予測装置では、第１期間におけるログ情報（搬送指令の割付状況及び複数の搬送車の位置の少なくとも一方に関する情報）に基づく入力データを入力して、第２期間における対象エリアの搬送車数の増減度合いの予測結果を示す出力データを出力するように構成された予測モデルが用意される。これにより、任意の予測実行時点において、当該予測実行時点よりも前の過去期間におけるログ情報から得られる予測用データを予測モデルに入力するだけで、当該予測実行時点よりも後の将来期間における対象エリアの搬送車数の増減度合いの予測結果を得ることができる。従って、上記予測装置によれば、任意のタイミングで搬送システムの将来の渋滞度合いを容易に予測することができる。

入力データは、第１期間に観測された第１搬送車の数を示すデータを含んでもよく、予測用データは、過去期間に観測された第１搬送車の数を示すデータを含んでもよく、第１搬送車は、対象エリア内に存在する搬送車であってもよい。上記構成によれば、過去期間において対象エリア内に存在した搬送車の数を加味して、将来期間における対象エリアの搬送車数の増減度合いを精度良く予測することが可能となる。

入力データは、第１期間に観測された第２搬送車の数を示すデータを含んでもよく、予測用データは、過去期間に観測された第２搬送車の数を示すデータを含んでもよく、第２搬送車は、搬送指令に基づいて対象エリア内の荷積み位置に向かって走行中の搬送車であってもよい。上記構成によれば、過去期間において対象エリア内の荷積み位置へと走行中の搬送車の数を加味して、将来期間における対象エリアの搬送車数の増減度合いを精度良く予測することが可能となる。

入力データは、第１期間に観測された第３搬送車の数を示すデータを含んでもよく、予測用データは、過去期間に観測された第３搬送車の数を示すデータを含んでもよく、第３搬送車は、搬送指令に基づいて対象エリア内の荷降ろし位置に向かって走行中の搬送車であってもよい。上記構成によれば、過去期間において対象エリア内の荷降ろし位置へと走行中の搬送車の数を加味して、将来期間における対象エリアの搬送車数の増減度合いを精度良く予測することが可能となる。

入力データは、第１期間に観測された第４搬送車の数を示すデータを含んでもよく、予測用データは、過去期間に観測された第４搬送車の数を示すデータを含んでもよく、第４搬送車は、対象エリアから他エリアに向かって走行中の搬送車であってもよい。上記構成によれば、過去期間において対象エリアから他エリアへと走行中の搬送車の数を加味して、将来期間における対象エリアの搬送車数の増減度合いを精度良く予測することが可能となる。

入力データは、第１期間に観測された第５搬送車の数を示すデータを含んでもよく、予測用データは、過去期間に観測された第５搬送車の数を示すデータを含んでもよく、第５搬送車は、搬送指令に基づいて対象エリア内の特定地点に向かって走行中の搬送車であってもよい。上記構成によれば、過去期間において対象エリア内の特定地点へと走行中の搬送車の数を加味して、将来期間における対象エリアの搬送車数の増減度合いを精度良く予測することが可能となる。

入力データ及び予測用データは、第５搬送車が走行中のエリアと対象エリアとの近接度毎に第５搬送車を集計することにより得られた近接度毎の搬送車数を示すデータを含んでもよい。上記構成によれば、対象エリアとの近接度による対象エリア内の搬送車数に対する影響度の差を加味して、将来期間における対象エリアの搬送車数の増減度合いをより精度良く予測することが可能となる。

入力データ及び予測用データは、第５搬送車の速度に関するデータを更に含んでもよい。上記構成によれば、第５搬送車の流入によって対象エリア内の搬送車数が増加すると想定される時期に関する手がかりとなる情報を入力データに加えることができる。その結果、将来期間における対象エリアの搬送車数の増減度合いをより精度良く予測することが可能となる。

上記予測装置は、予測モデルを生成するモデル生成部を更に備えてもよい。モデル生成部は、互いに異なる複数の時点を基準時点として用いることにより、第１期間における入力データと第２期間における対象エリアの搬送車数の増減度合いを示す正解ラベルとを含む複数の教師データを生成してもよく、生成された複数の教師データを用いて機械学習を実行することにより、予測モデルを生成してもよい。上記構成によれば、モデル生成部によって予測処理に用いるための予測モデルを適切に生成することができる。

モデル生成部は、基準時点における対象エリア内の搬送車数を基準値として、基準値からの搬送車数の増減度合いに応じた複数のレベルを設定してもよく、互いに異なる複数の時点を基準時点として用いることにより、第１期間における入力データと第２期間における対象エリアの平均搬送車数が属するレベルを示す正解ラベルとを含む複数の教師データを生成してもよい。予測部は、予測用データを予測モデルに入力することにより、予測実行時点における対象エリア内の搬送車数を基準値として、将来期間における対象エリア内の平均搬送車数が属するレベルの予測結果を示す情報を、予測情報として取得してもよい。上記構成によれば、予測実行時点の対象エリア内の搬送車数を基準として、対象エリア内の搬送車数が増加方向に向かうか、或いは減少方向に向かうかを、レベルの予測結果に基づいて容易に把握することが可能となる。

モデル生成部は、第２期間を時系列に沿った複数の小期間に区分けしてもよく、互いに異なる複数の時点を基準時点として用いることにより、第１期間における入力データと複数の小期間の各々における対象エリアの平均搬送車数が属するレベルを示す正解ラベルとを含む複数の教師データを生成してもよい。予測部は、予測用データを予測モデルに入力することにより、将来期間に含まれる複数の小期間の各々における対象エリア内の平均搬送車数が属するレベルの予測結果を示す情報を、予測情報として取得してもよい。上記構成によれば、将来期間に含まれる小期間毎にレベルの予測結果が得られるため、対象エリア内の将来の搬送車数の推移の傾向（例えば、増加し続ける傾向、減少し続ける傾向、減少した後に増加に転じる傾向、増加した後に減少に転じる傾向等のうちのいずれの傾向であるか）を予測することが可能となる。

モデル生成部は、所定の学習実行周期毎に予測モデルを生成するように構成されてもよい。モデル生成部は、前回の予測モデルの生成タイミングから今回の予測モデルの生成タイミングまでの対象期間に含まれる複数の時点を基準時点として用いることにより、複数の教師データを生成してもよく、生成された複数の教師データを用いて機械学習を実行することにより、今回の予測モデルを生成してもよい。記憶部は、モデル生成部により過去に生成された予測モデルを削除することなく、モデル生成部により生成された今回の予測モデルを対象期間に関連付けて記憶してもよい。上記構成によれば、対象期間の特徴（搬送システムの運用状況等）に応じた予測モデルを対象期間毎に生成及び保存することができる。これにより、予測に利用可能な予測モデルのバリエーションを確保することができる。

予測部は、記憶部に記憶された複数の予測モデルのうちから予測に用いるための予測モデルを任意に選択可能に構成されてもよい。

予測部は、記憶部に記憶された複数の予測モデルのうちから、直近の対象期間に関連付けられた予測モデルを選択してもよい。上記構成によれば、直近の対象期間について生成された最新の予測モデルを用いて予測を行うことにより、直近の時間帯の運用状況と同様の運用状況が継続される可能性が高い場合等において、精度良く予測を行うことが可能となる。

予測部は、記憶部に記憶された複数の予測モデルのうちから、予測実行時点を含む期間に対応する過去の対象期間に関連付けられた予測モデルを選択してもよい。上記構成によれば、予測実行時点を含む期間に対応する過去の対象期間に関連付けられた予測モデルを用いて予測を行うことにより、曜日周期性（例えば、曜日及び時間帯が同一の場合に搬送システムの運用状況がほぼ同一になる傾向）等が高い場合等において、精度良く予測を行うことが可能となる。

予測部は、第２期間よりも短い予測実行周期毎に、予測モデルを用いた予測処理を実行することにより予測情報を取得し、予測情報を搬送車コントローラに通知してもよい。上記構成によれば、搬送車コントローラに対象エリア内の搬送車数に関する予測結果を常に把握させることができる。その結果、予測結果を考慮した最適な搬送制御（例えば、搬送指令の割付先となる搬送車の選定、搬送車の走行ルートの選定等のうちの少なくとも一つ）を搬送車コントローラに継続的に実行させることが可能となる。

本開示によれば、任意のタイミングで搬送システムの将来の渋滞度合いを容易に予測することが可能な予測装置を提供することができる。

搬送システムのレイアウト例を示す図である。 一実施形態の予測装置及び搬送システムの機能構成を示すブロック図である。 （Ａ）は搬送指令ログの一例を示す図であり、（Ｂ）は搬送車情報ログの一例を示す図である。 予測装置のハードウェア構成の一例を示すブロック図である。 モデル生成処理を説明するための図である。 入力データの一例を示す図である。 ある時点における対象エリアと複数の搬送車の一例を示す図である。 入力データの他の例を示す図である。 ある時点における対象エリアと複数の搬送車の一例を示す図である。 レベルの一例を示す図である。 記憶部に記憶される複数の予測モデルの一例を示す図である。 予測モデルの基本構造の一例を示す図である。 モデル生成処理の一例を示すフローチャートである。 予測処理を説明するための図である。 予測処理の一例を示すフローチャートである。

以下、図面を参照して本開示の一実施形態について説明する。なお、図面の説明においては、同一又は同等の要素には同一の符号を付し、重複する説明を省略する場合がある。

図１に示されるように、本実施形態に係る搬送システム１は、搬送路４と、搬送路４に沿って走行可能な複数の搬送車２と、を含む。搬送路４は、例えば、工場内に敷設されたレール（軌道）等である。搬送車２は、物品を搬送する無人搬送車である。搬送車２は、例えば天井走行車、有軌道台車等である。一例として、搬送車２は、搬送路４に沿って走行可能に設けられた天井搬送車である。例えば、搬送車２は、天井走行式無人搬送車（ＯＨＴ：Overhead Hoist Transfer）である。一例として、搬送車２によって搬送される物品は、複数枚の半導体ウェハが収容されるカセット（いわゆるＦＯＵＰ（Front Opening Unified Pod））である。

搬送路４は、複数（図１の例では１２個）の区画（ベイ）に分けられている。搬送路４は、ベイ内のルートであるイントラベイルート５と、異なるベイ間を接続するルートであるインターベイルート６と、を含む。搬送路４に沿って、処理装置７及びストッカ８が設けられている。処理装置７は、半導体ウェハに対する処理を実行する装置である。ストッカ８は、搬送車２が物品を仮置きできる地点であり、バッファとしての役割を果たす。合流部９は、搬送路４上において、複数の搬送車２が同時に進入することを排除する排他制御が必要となる地点である。

搬送路４は、複数のエリアＭに区分けされている。図１では、一部のエリアＭのみが破線枠で示されている。エリアはモジュールと呼ばれることもある。なお、図１に示したエリアＭは、上述した区画（ベイ）と一致しているが、エリアＭは、必ずしも上述した区画（ベイ）と一致していなくてもよい。例えば、１つの区画（ベイ）内の一部の領域がエリアＭとして設定されてもよいし、複数の区画（ベイ）を合わせた領域がエリアＭとして設定されてもよい。

処理装置７及びストッカ８には、物品を搬入するための入庫ポート（すなわち、搬送車２が物品を荷降ろしするための地点）と、物品を搬出するための出庫ポート（すなわち、搬送車２が物品を荷掴み（荷積み）するための地点）と、が設けられている。入庫ポート及び出庫ポートは、搬送路４の下方に配置されている。入庫ポートは、出庫ポートと兼用されてもよい。ストッカ８は、物品が載置される複数の棚を有する。

図２に示されるように、搬送システム１は、ＭＣＳ（Material Control System）１１と、搬送車コントローラ１２と、ログＤＢ１３と、搬送車コントローラ１２の制御対象である複数の搬送車２と、を有する。

ＭＣＳ１１は、上位コントローラからの搬送要求を取得する。本実施形態では一例として、上位コントローラは、製造業者等により管理されるＭＥＳ（Manufacturing Execution System）３）である。ＭＥＳ３は、処理装置７と通信可能とされている。処理装置７は、処理が完了した物品の搬送要求（荷掴み要求、及び荷降ろし要求）をＭＥＳ３に送信する。ＭＥＳ３は、処理装置７から受信した搬送要求をＭＣＳ１１に送信する。

ＭＣＳ１１は、ＭＥＳ３から搬送要求を受けると、当該搬送要求を搬送指令に変換し、当該搬送指令を搬送車コントローラ１２に送信する。これにより、搬送車コントローラ１２を介して、搬送指令が特定の搬送車２に割り付けられる。搬送車コントローラ１２は、予め定められた選択基準に基づいて、搬送指令の割付先となる搬送車２を決定する。また、搬送車コントローラ１２は、予め定められたルート探索アルゴリズム（例えば公知の最短経路検索アルゴリズム等）を実行することにより、搬送指令を実行するための走行経路を決定し、当該走行経路を搬送車２に通知する。これにより、搬送車２は当該走行経路に基づいて走行する。

搬送車コントローラ１２及び搬送車２は、ルートマップを記憶している。ルートマップは、図１に示したようなレイアウトの情報である。具体的には、ルートマップは、走行ルートの配置（すなわち、図１に示されるような搬送路４の配置）、原点として設定された位置、予め設定された基準位置、及び移載位置（上述した入庫ポート、出庫ポート等の位置）の座標等を示す情報である。また、搬送車２は、自機の現在位置の座標を示す位置情報を保持しており、ルートマップと位置情報とを比較することにより、上述のように決定された走行経路に基づく走行を行う。

搬送指令には、搬送対象の物品を荷掴みするための出庫ポート（Ｆｒｏｍポート）を示す情報と、搬送対象の物品を荷降ろしするための入庫ポート（Ｔｏポート）を示す情報と、が含まれている。搬送指令が割り付けられた搬送車２は、Ｆｒｏｍポートに向かって走行する。そして、当該搬送車２は、Ｆｒｏｍポートで搬送対象の物品を荷掴みした後、当該物品をＴｏポートに向かって搬送し、Ｔｏポートで当該物品を荷降ろしする。

ログＤＢ１３は、搬送システム１の状態を示す各種ログを記憶するデータベースである。ログＤＢ１３は、単一のデータベース装置によって構成されてもよいし、複数のデータベース装置によって構成されてもよい。本実施形態では、ログＤＢ１３は、搬送指令ログと、搬送車情報ログと、を格納している。

図３の（Ａ）は、搬送指令ログの一例を示す図である。搬送指令ログは、搬送指令毎のレコード情報（１行分の情報）を含んでいる。例えば、搬送車コントローラ１２によって搬送車２に対する搬送指令の割付が行われる毎に、搬送指令ログに当該搬送指令に関するレコードが追加される。一例として、搬送指令ログは、搬送指令の割付を実行する搬送車コントローラ１２によって出力される。或いは、搬送指令ログの一部又は全部の情報は、搬送車コントローラ１２以外の装置によって出力されてもよい。

搬送指令ログは、搬送車ＩＤ、指令実行開始時刻、Ｆｒｏｍポート到着時刻、搬送完了時刻、Ｆｒｏｍポートエリア名、及びＴｏポートエリア名の情報を含み得る。「搬送車ＩＤ」は、搬送指令が割り付けられた搬送車２を特定するための識別情報である。「指令実行開始時刻」は、搬送車２によって搬送指令の実行（すなわち、Ｆｒｏｍポートへの走行）が開始された時刻である。「Ｆｒｏｍポート到着時刻」は、搬送車２がＦｒｏｍポートに到着した時刻である。「搬送完了時刻」は、搬送車２による搬送（すなわち、搬送対象の物品のＴｏポートへの入庫（荷降ろし））が完了した時刻である。「Ｆｒｏｍポートエリア名」は、Ｆｒｏｍポートが存在するエリアを示す情報である。「Ｔｏポートエリア名」は、Ｔｏポートが存在するエリアを示す情報である。なお、搬送指令ログのうち「指令実行開始時刻」、「Ｆｒｏｍポート到着時刻」、及び「搬送完了時刻」は、それぞれの時刻が確定した後に、搬送指令ログに書き込まれればよい。すなわち、「指令実行開始時刻」、「Ｆｒｏｍポート到着時刻」、及び「搬送完了時刻」は、それぞれの時刻が確定する前には、空欄（或いは未確定であることを示す情報）とされてもよい。

図３の（Ｂ）は、搬送車情報ログの一例を示す図である。搬送車情報ログは、予め定められた単位時間毎に、搬送システム１に含まれる全ての搬送車２から通知される情報を集積した情報である。以下、この「単位時間」のことをタイムステップ（ｔｓ）という。本実施形態では一例として、１ｔｓ（１単位時間）は４秒である。

搬送車情報ログは、タイムスタンプ、搬送車ＩＤ、エリア名、及び通過予定エリアの情報を含み得る。「タイムスタンプ」は、搬送車２から情報が通知された時点（例えば、ある時点を基準（０ｔｓ）とした場合のタイムステップ数）を示す情報である。「搬送車ＩＤ」は、搬送指令ログに含まれる搬送車ＩＤと同様である。「エリア名」は、タイムスタンプが示す時点において搬送車ＩＤが示す搬送車２が走行中のエリアを示す情報である。「通過予定エリア」は、搬送車ＩＤが示す搬送車２に搬送指令が割り付けられている場合に格納される情報である。具体的には、「通過予定エリア」は、搬送車２の走行予定ルートに含まれるエリアを通過予定順に並べた情報である。例えば、搬送車２がエリアＭ１、エリアＭ３、エリアＭ２をこの順に通過予定である場合には、「通過予定エリア」は、「エリアＭ１→エリアＭ３→エリアＭ２」を示す情報である。

予測装置２０は、搬送システム１における所定の対象エリアＭｘの将来の状態を予測（推論）する。より具体的には、予測装置２０は、任意の時点（予測実行時点）において、予測実行時点よりも後の将来期間における対象エリアＭｘの搬送車数の増減度合いを予測する。

図４に示されるように、予測装置２０は、一以上のＣＰＵ（Central Processing Unit）等のプロセッサ２０１と、主記憶装置である一以上のＲＡＭ（Random Access Memory）２０２及び一以上のＲＯＭ（Read Only Memory）２０３と、オペレータが操作入力を行うためのキーボード等の入力装置２０４と、オペレータに情報を提示するディスプレイ等の出力装置２０５と、搬送システム１（例えば、ＭＣＳ１１、搬送車コントローラ１２等）と通信を行うための通信モジュール２０６と、ＨＤＤ及びＳＳＤ等の補助記憶装置２０７と、を含むコンピュータシステムとして構成され得る。予測装置２０は、単一のサーバ装置によって構成されてもよいし、複数のサーバ装置によって構成されてもよい。また、本実施形態では、予測装置２０は、搬送システム１のコントローラ群とは異なる装置として構成される。このようにコントローラ群の外部にある予測装置２０で予測処理が実行される場合には、予測処理の計算負荷をコントローラ群が負担する必要がないという利点がある。すなわち、予測処理の実行によって、コントローラ群の処理負荷が増大しないという利点がある。ただし、予測装置２０は、搬送システム１のコントローラ（例えば、ＭＣＳ１１、搬送車コントローラ１２等）に組み込まれてもよい。

予測装置２０の各機能は、例えば、ＲＡＭ２０２等のメモリ上に所定のプログラムを読み込ませ、プロセッサ２０１の制御のもとで入力装置２０４及び出力装置２０５を動作させると共に通信モジュール２０６を動作させ、ＲＡＭ２０２及び補助記憶装置２０７におけるデータの読み出し及び書き込みを行うことで実現される。

図２に示されるように、予測装置２０は、機能的構成要素として、モデル生成部２１と、記憶部２２と、取得部２３と、予測部２４と、を有する。本実施形態では、予測装置２０は、モデル生成処理を実行する機能と、予測処理を実行する機能と、を有する。

モデル生成処理は、対象エリアＭｘの搬送車数の増減度合いを予測するために用いられる予測モデル３０を生成する処理である。予測処理は、モデル生成処理によって生成された予測モデル３０を用いて、実際に将来の対象エリアＭｘの搬送車数の増減度合いを予測する処理である。以下、モデル生成処理及び予測処理について詳細に説明する。

（モデル生成処理）
モデル生成処理は、主にモデル生成部２１によって実行される。モデル生成部２１によって生成された予測モデル３０は、記憶部２２に記憶される。図５は、モデル生成処理を説明するための図である。図５において、Ｔ０は基準時点を示し、Ｐ１は第１期間を示し、Ｐ２は第２期間を示す。以下、図５を適宜参照しつつ、モデル生成処理について説明する。

予測モデル３０は、所定の入力データ（説明変数）を入力して、所定の出力データ（目的変数）を出力するように機械学習されたモデルである。予測モデル３０は、例えば、ニューラルネットワーク、或いは深層学習（ディープラーニング）によって構築された多層ニューラルネットワーク等によって構成され得る。一例として、予測モデル３０は、深層学習の一種であるＲＮＮ（Recurrent Neural Network）によって構築され得る。

予測モデル３０の入力データは、所定の基準時点Ｔ０よりも前の第１期間Ｐ１における搬送指令の割付状況及び複数の搬送車２の位置の少なくとも一方に関するログ情報（本実施形態では、搬送指令ログ及び搬送車情報ログ）に基づくデータである。一例として、第１期間Ｐ１の長さは６時間である。例えば、基準時点Ｔ０が「１２：００」である場合、第１期間Ｐ１は「６：００～１２：００」である。

予測モデル３０の出力データは、基準時点Ｔ０よりも後の第２期間Ｐ２における対象エリアＭｘの搬送車数の増減度合いの予測値を示すデータである。一例として、第２期間Ｐ２の長さは５分である。例えば、基準時点Ｔ０が「１２：００」である場合、第２期間Ｐ２は「１２：００～１２：０５」である。

モデル生成部２１は、上記入力データと上記出力データに対応する正解ラベルとを含むデータセットである教師データ（訓練データ）を用いて機械学習を実行することにより、予測モデル３０を生成する。

本実施形態では、搬送指令ログ（図３の（Ａ）参照）が、入力データの基となるログ情報（搬送指令の割付状況に関するログ情報）として用いられる。また、搬送車情報ログ（図３の（Ｂ）参照）が、入力データの基となるログ情報（複数の搬送車２の位置に関するログ情報）として用いられる。すなわち、本実施形態では、予測モデル３０に対する入力データは、搬送指令ログ及び搬送車情報ログから得られる情報を加工することによって生成される。

図６は、入力データの一例を示す図である。図６に示される各データ（Ｍｘ＿ＶＨＬ、Ｍｘ＿Ｆｍ、Ｍｘ＿Ｔｏ、Ｍｘ＿Ｄｅｃ、Ｍｘ＿Ｉｎｃ）は、第１期間Ｐ１において１ｔｓ毎に集計された各時点の搬送車数を時間順に並べた時系列データ（ベクトルデータ）である。第１期間Ｐ１の長さが６時間であり、１ｔｓが４秒である場合には、第１期間Ｐ１の長さは５４００ｔｓに相当する。この場合、図６に示される各データは、５４００次元のベクトルとして表現され得る。なお、全てのデータを一度にまとめて入力するのではなく、複数のバッチに小分けにして入力するようにしてもよい。

Ｍｘ＿ＶＨＬは、第１期間Ｐ１に観測された第１搬送車の数を示すデータである。第１搬送車は、対象エリアＭｘ内に存在する搬送車２である。例えば、Ｍｘ＿ＶＨＬは、１ｔｓ毎に観測された第１搬送車の数を示す時系列データである。Ｍｘ＿ＶＨＬは、第１期間Ｐ１における搬送車情報ログ（すなわち、「タイムスタンプ」が第１期間Ｐ１内の時点を示す搬送車情報ログ）に基づいて作成され得る。例えば、モデル生成部２１は、各時点において、「エリア名」が対象エリアＭｘである搬送車情報ログの数（レコード数）を集計することにより、各時点の第１搬送車数を算出することができる。モデル生成部２１は、このようにして算出された各時点の第１搬送車数を時間順に並べることにより、Ｍｘ＿ＶＨＬを作成することができる。

Ｍｘ＿Ｆｍは、第１期間Ｐ１に観測された第２搬送車の数を示すデータである。第２搬送車は、搬送指令に基づいて対象エリアＭｘ内のＦｒｏｍポート（荷積み位置）に向かって走行中の搬送車２である。例えば、Ｍｘ＿Ｆｍは、１ｔｓ毎に観測された第２搬送車の数を示す時系列データである。Ｍｘ＿Ｆｍは、搬送指令ログに基づいて作成され得る。例えば、ある時点ｔｐに第２搬送車に該当した搬送車２に割り付けられた搬送指令に対応する搬送指令ログについて考える。このような搬送指令ログにおいては、「指令実行開始時刻」は時点ｔｐよりも前の時刻であり、「Ｆｒｏｍポート到着時刻」及び「搬送完了時刻」は時点ｔｐよりも後の時刻（或いは空欄）であり、「Ｆｒｏｍポートエリア名」は対象エリアＭｘである。従って、モデル生成部２１は、各時点について、上記条件に該当する搬送指令ログのレコード数を集計することにより、各時点の第２搬送車数を算出することができる。モデル生成部２１は、このようにして算出された各時点の第２搬送車数を時間順に並べることにより、Ｍｘ＿Ｆｍを作成することができる。

Ｍｘ＿Ｔｏは、第１期間Ｐ１に観測された第３搬送車の数を示すデータである。第３搬送車は、搬送指令に基づいて対象エリアＭｘ内のＴｏポート（荷降ろし位置）に向かって走行中の搬送車２である。例えば、Ｍｘ＿Ｔｏは、１ｔｓ毎に観測された第３搬送車の数を示す時系列データである。Ｍｘ＿Ｔｏは、搬送指令ログに基づいて作成され得る。例えば、ある時点ｔｐに第３搬送車に該当した搬送車２に割り付けられた搬送指令に対応する搬送指令ログについて考える。このような搬送指令ログにおいては、「指令実行開始時刻」及び「Ｆｒｏｍポート到着時刻」は時点ｔｐよりも前の時刻であり、「搬送完了時刻」は時点ｔｐよりも後の時刻（或いは空欄）であり、「Ｔｏポートエリア名」は対象エリアＭｘである。従って、モデル生成部２１は、各時点について、上記条件に該当する搬送指令ログのレコード数を集計することにより、各時点の第３搬送車数を算出することができる。モデル生成部２１は、このようにして算出された各時点の第３搬送車数を時間順に並べることにより、Ｍｘ＿Ｔｏを作成することができる。

Ｍｘ＿Ｄｅｃは、第１期間Ｐ１に観測された第４搬送車の数を示すデータである。第４搬送車は、対象エリアＭｘから他エリアに向かって走行中の搬送車２である。例えば、Ｍｘ＿Ｄｅｃは、１ｔｓ毎に観測された第４搬送車の数を示す時系列データである。このような第４搬送車は、対象エリアＭｘで荷積み後、他エリアのＴｏポートに向かって走行中の搬送車（以下「Ｔｏ搬送車」という。）と、対象エリアＭｘ内で巡回待機した後に、搬送指令が割り付けられて他エリアのＦｒｏｍポートに向かって走行中の搬送車（以下「Ｆｒｏｍ搬送車」という。）と、に分類される。

各時点におけるＴｏ搬送車の数は、搬送指令ログに基づいて算出され得る。例えば、ある時点ｔｐにＴｏ搬送車に該当した搬送車２に割り付けられた搬送指令に対応する搬送指令ログについて考える。このような搬送指令ログにおいては、「搬送実行開始時刻」及び「Ｆｒｏｍポート到着時刻」は時点ｔｐよりも前の時刻であり、「搬送完了時刻」は時点ｔｐよりも後の時刻（或いは空欄）であり、「Ｆｒｏｍポートエリア名」は対象エリアＭｘであり、「Ｔｏポートエリア名」は他エリアである。従って、モデル生成部２１は、各時点について、上記条件に該当する搬送指令ログのレコード数を集計することにより、各時点のＴｏ搬送車数を算出することができる。

各時点におけるＦｒｏｍ搬送車の数は、搬送指令ログ及び搬送車情報ログに基づいて算出され得る。例えば、ある時点ｔｐにＦｒｏｍ搬送車に該当した搬送車２に対応する搬送車情報ログについて考える。このような搬送車情報ログ（すなわち、「タイムスタンプ」として時点ｔｐが格納され、「搬送車ＩＤ」として当該搬送車２を示すＩＤが格納されているログ）においては、「エリア名」は対象エリアＭｘである。また、ある時点ｔｐにＦｒｏｍ搬送車に該当した搬送車２に割り付けられた搬送指令に対応する搬送指令ログについて考える。このような搬送指令ログにおいては、「搬送車ＩＤ」は上述した搬送車情報ログの要件を満たす搬送車２を示すＩＤであり、「搬送実行開始時刻」は時点ｔｐよりも前の時刻であり、「Ｆｒｏｍポート到着時刻」及び「搬送完了時刻」は時点ｔｐよりも後の時刻（或いは空欄）であり、「Ｆｒｏｍポートエリア名」は他エリアである。従って、モデル生成部２１は、各時点について、上記条件に該当する搬送指令ログのレコード数を集計することにより、各時点のＦｒｏｍ搬送車数を算出することができる。

モデル生成部２１は、上記のように算出された各時点のＴｏ搬送車数とＦｒｏｍ搬送車数とを足し合わせることにより、各時点の第４搬送車数を算出することができる。モデル生成部２１は、このようにして算出された各時点の第４搬送車数を時間順に並べることにより、Ｍｘ＿Ｄｅｃを作成することができる。

Ｍｘ＿Ｉｎｃは、第１期間に観測された第５搬送車の数を示すデータである。第５搬送車は、搬送指令に基づいて対象エリアＭｘ内の特定地点に向かって走行中の搬送車２である。特定地点は、予測装置２０のオペレータ等によって任意に設定され得る。一例として、特定地点は、Ｆｒｏｍポート及びＴｏポートの両方を含む。この場合、第５搬送車は、上述した第２搬送車及び第３搬送車の両方を含む。すなわち、モデル生成部２１は、Ｍｘ＿ＦｍとＭｘ＿Ｔｏとを足し合わせることにより、Ｍｘ＿Ｉｎｃを作成することができる。

図７は、ある時点における対象エリアＭｘと複数の搬送車２ａ～２ｆの一例を示す図である。この例について、上述した入力データ（Ｍｘ＿ＶＨＬ、Ｍｘ＿Ｆｍ、Ｍｘ＿ｔｏ、Ｍｘ＿Ｄｅｃ、Ｍｘ＿Ｉｎｃ）について具体的に説明する。

搬送車２ａは、搬送指令に基づいて対象エリアＭｘ内のＦｒｏｍポートに向かって走行中の搬送車２である。従って、搬送車２ａは、上述した第２搬送車に該当し、Ｍｘ＿Ｆｍ及びＭｘ＿Ｉｎｃの集計対象となる。また、搬送車２ａが対象エリアＭｘ内に入った後には、搬送車２ａは、上述した第１搬送車にも該当し、Ｍｘ＿ＶＨＬの集計対象にもなる。

搬送車２ｂは、搬送指令に基づいて第１の他エリア内のＦｒｏｍポートから第２の他エリア内のＴｏポートに向かって走行中の搬送車２である。搬送車２ｂは、対象エリアＭｘを通過予定エリアとして含んでいる。この場合、搬送車２ｂが対象エリアＭｘ内を走行中の間だけ、搬送車２ｂは、上述した第１搬送車に該当し、Ｍｘ＿ＶＨＬの集計対象となる。

搬送車２ｃは、搬送指令に基づいて対象エリアＭｘ内のＦｒｏｍポートに向かって走行中の搬送車２である。従って、搬送車２ｃは、上述した第２搬送車に該当し、Ｍｘ＿Ｆｍ及びＭｘ＿Ｉｎｃの集計対象となる。また、搬送車２ｃは対象エリアＭｘ内を走行中のため、上述した第１搬送車にも該当し、Ｍｘ＿ＶＨＬの集計対象にもなる。

搬送車２ｄは、搬送指令に基づいて対象エリアＭｘ内のＴｏポートに向かって走行中の搬送車２である。従って、搬送車２ｄは、上述した第３搬送車に該当し、Ｍｘ＿Ｔｏ及びＭｘ＿Ｉｎｃの集計対象となる。また、搬送車２ｄが対象エリアＭｘ内に入った後には、搬送車２ｄは、上述した第１搬送車にも該当し、Ｍｘ＿ＶＨＬの集計対象にもなる。

搬送車２ｅは、搬送指令に基づいて対象エリアＭｘで荷積み後、他エリアのＴｏポートに向かって走行中の搬送車２である。従って、搬送車２ｅは、上述した第４搬送車（Ｔｏ搬送車）に該当し、Ｍｘ＿Ｄｅｃの集計対象となる。また、搬送車２ｅが対象エリアＭｘ内を走行中の間は、搬送車２ｅは、上述した第１搬送車にも該当し、Ｍｘ＿ＶＨＬの集計対象にもなる。

搬送車２ｆは、対象エリアＭｘ内で巡回待機した後に、搬送指令が割り付けられて他エリアのＦｒｏｍポートに向かって走行中の搬送車２である。従って、搬送車２ｆは、上述した第４搬送車（Ｆｒｏｍ搬送車）に該当し、Ｍｘ＿Ｄｅｃの集計対象となる。また、搬送車２ｆが対象エリアＭｘ内を走行中の間は、搬送車２ｆは、上述した第１搬送車にも該当し、Ｍｘ＿ＶＨＬの集計対象にもなる。

ここで、対象エリアＭｘに向かって走行中の第５搬送車（すなわち、第２搬送車及び第３搬送車のいずれかに該当する搬送車２）は、対象エリアＭｘからどのくらい離れた位置を走行中であるか否かにかかわらず、等しくＭｘ＿Ｆｍ、Ｍｘ＿Ｔｏ、及びＭｘ＿Ｉｎｃの集計対象となる。しかし、対象エリアＭｘから比較的遠い位置を走行中の第５搬送車（以下「遠方搬送車」という。）は、対象エリアＭｘに到着するまでの時間が比較的長い。また、遠方搬送車は、対象エリアＭｘに到着するまでの間に他エリア内の渋滞に嵌まるといった外乱要因の影響を受けやすい。これに対して、対象エリアＭｘから比較的近い位置を走行中の第５搬送車（以下「近隣搬送車」という。）は、対象エリアＭｘに到着するまでの時間が比較的短く、上記のような外乱要因の影響を受けにくい。このため、対象エリアＭｘ内の将来の搬送車数に与える影響度は、近隣搬送車と遠方搬送車との間で異なると考えられる。一方、上述したＭｘ＿Ｆｍ、Ｍｘ＿Ｔｏ、及びＭｘ＿Ｉｎｃは、対象エリアＭｘからの距離を考慮して搬送車数を集計したものではないため、上記のような近隣搬送車と遠方搬送車との間における影響度の違いが加味されていない。

そこで、モデル生成部２１は、図８に示される入力データを更に作成してもよい。図８に示されるＭｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３及びＭｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３は、図６に示した各データと同様の時系列データである。

Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３は、第５搬送車が走行中のエリアと対象エリアＭｘとの近接度毎に第５搬送車を集計することにより得られた近接度毎の搬送車数を示すデータである。具体的には、Ｍｘ＿Ｉｎｃ１は、対象エリアＭｘと１エリア分だけ離れた他エリア（すなわち、対象エリアＭｘと直接隣接する他エリア）から対象エリアＭｘに向かって走行中の第５搬送車のみを集計して得られた時系列データである。Ｍｘ＿Ｉｎｃ２は、対象エリアＭｘと２エリア分だけ離れた他エリアから対象エリアＭｘに向かって走行中の第５搬送車のみを集計して得られた時系列データである。Ｍｘ＿Ｉｎｃ３は、対象エリアＭｘと３エリア分だけ離れた他エリアから対象エリアＭｘに向かって走行中の第５搬送車のみを集計して得られた時系列データである。

モデル生成部２１は、以下のようにして、Ｍｘ＿Ｉｎｃ１の各時点の値を算出することができる。まず、モデル生成部２１は、対象エリアＭｘと１エリア分だけ離れた他エリアを走行中の第５搬送車（以下「近距離搬送車」という。）を、以下のようにして抽出する。すなわち、モデル生成部２１は、各第５搬送車に対応する搬送車情報ログの「エリア名」及び「通過予定エリア」を参照する。ここで、「通過予定エリア」には必ず対象エリアＭｘが含まれている。モデル生成部２１は、搬送車情報ログの「エリア名」及び「通過予定エリア」を参照することにより、各第５搬送車が対象エリアＭｘよりも１つ前に通過する予定のエリアを走行中であるか否かを判定する。モデル生成部２１は、上記判定処理において対象エリアＭｘよりも１つ前に通過する予定のエリアを走行中と判定された第５搬送車を近距離搬送車として抽出する。モデル生成部２１は、各時点において、このように抽出された近距離搬送車数を集計することにより、Ｍｘ＿Ｉｎｃ１の各時点の値を算出することができる。

Ｍｘ＿Ｉｎｃ２及びＭｘ＿Ｉｎｃ３の各時点の値についても、上述した方法と同様の方法によって得られる。具体的には、モデル生成部２１は、上記処理中の「各第５搬送車が対象エリアＭｘよりも１つ前に通過する予定のエリアを走行中であるか否かを判定する」処理における「１つ前」を「２つ前」（又は「３つ前」）に置き換えた処理を実行することにより、Ｍｘ＿Ｉｎｃ２（又は「Ｍｘ＿Ｉｎｃ３」）の各時点の値を得ることができる。

Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３は、第５搬送車の速度に関するデータである。具体的には、Ｍｘ＿Ｓｐｄ１は、各時点においてＭｘ＿Ｉｎｃ１の集計対象とされた搬送車２の平均速度の時系列データである。Ｍｘ＿Ｓｐｄ２は、各時点においてＭｘ＿Ｉｎｃ２の集計対象とされた搬送車２の平均速度の時系列データである。Ｍｘ＿Ｓｐｄ３は、各時点においてＭｘ＿Ｉｎｃ３の集計対象とされた搬送車２の平均速度の時系列データである。例えば、各搬送車２は、上位コントローラ（搬送車コントローラ１２等）に対して、１ｔｓ毎に、各搬送車２の詳細な位置情報（例えば、位置座標）を通知するように構成され得る。例えば、このように通知された位置情報を搬送車情報ログに含めることにより、モデル生成部２１は、以下のようにして各時点における各搬送車２の速度を算出することができる。すなわち、モデル生成部２１は、ある搬送車２からある時点に通知された位置座標と当該搬送車２から当該時点の１つ前の時点に通知された位置座標とを比較することにより、１ｔｓの間に搬送車２が移動した距離を把握することができる。モデル生成部２１は、当該距離を１ｔｓ（本実施形態では４秒）で割ることにより、ある時点における当該搬送車２の速度を算出することができる。モデル生成部２１は、このようにして算出された各搬送車２の速度の平均を算出することにより、Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３の各時点の値を算出することができる。

図９は、ある時点における対象エリアＭｘと複数の搬送車２ｇ～２ｏの一例を示す図である。この例について、上述した入力データ（Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３及びＭｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３）について具体的に説明する。

この例では、対象エリアＭｘと直接隣接する４つのエリアＭａ１～Ｍａ４の各々が、対象エリアＭｘと１エリア分だけ離れた他エリアに該当する。従って、これらのエリアＭａ１～Ｍａ４のいずれかを走行中の搬送車２ｇ、２ｈ、及び２ｉが、当該時点において、Ｍｘ＿Ｉｎｃ１の集計対象となる。また、これらの搬送車２ｇ、２ｈ、及び２ｉの平均速度がＭｘ＿Ｓｐｄ１の値（当該時点に対応する値）となる。

また、５つのエリアＭｂ１～Ｍｂ５の各々が、対象エリアＭｘと２エリア分だけ離れた他エリアに該当する。エリアＭｂ１及びＭｂ２は、エリアＭａ１を介して隣接している。エリアＭｂ３は、エリアＭａ２を介して対象エリアＭｘと隣接している。エリアＭｂ４は、エリアＭａ３を介して対象エリアＭｘと隣接している。エリアＭｂ５は、エリアＭａ４を介して対象エリアＭｘと隣接している。従って、これらのエリアＭｂ１～Ｍｂ５のいずれかを走行中の搬送車２ｊ、２ｋ、２ｌ、及び２ｍが、当該時点において、Ｍｘ＿Ｉｎｃ２の集計対象となる。また、これらの搬送車２ｊ、２ｋ、２ｌ、及び２ｍの平均速度がＭｘ＿Ｓｐｄ２の値（当該時点に対応する値）となる。

また、２つのエリアＭｃ１及びＭｃ２が、対象エリアＭｘと３エリア分だけ離れた他エリアに該当する。エリアＭｃ１は、エリアＭａ４及びＭｂ５を介して対象エリアＭｘと隣接している。エリアＭｃ２は、エリアＭａ３及びＭｂ４を介して対象エリアＭｘと隣接している。従って、これらのエリアＭｃ１及びＭｃ２のいずれかを走行中の搬送車２ｎ及び２ｏが、当該時点において、Ｍｘ＿Ｉｎｃ３の集計対象となる。また、これらの搬送車２ｎ及び２ｏの平均速度がＭｘ＿Ｓｐｄ３の値（当該時点に対応する値）となる。

なお、本実施形態では、対象エリアＭｘとの近接度毎の集計を行う範囲を対象エリアＭｘから３エリア分離れた範囲までとしているが、対象エリアＭｘから４エリア分以上離れた範囲についての集計データが入力データとして用いられてもよい。

次に、教師データの正解ラベルを取得するための処理について説明する。本実施形態では、モデル生成部２１は、基準時点Ｔ０における対象エリアＭｘ内の搬送車数を基準値ｎとして、基準値ｎからの搬送車数の増減度合いに応じた複数のレベルを設定する。そして、モデル生成部２１は、第２期間Ｐ２における対象エリアＭｘの平均搬送車数が属するレベルを正解ラベルとして設定する。第２期間Ｐ２における対象エリアＭｘの平均搬送車数は、以下のようにして得られる。例えば、モデル生成部２１は、第２期間Ｐ２におけるＭｘ＿ＶＨＬを生成することにより、第２期間Ｐ２における単位時間毎（１ｔｓ毎）の対象エリアＭｘ内の搬送車数を得ることができる。モデル生成部２１は、このようにして得られた第２期間Ｐ２における単位時間毎の対象エリアＭｘ内の搬送車数の平均を取ることにより、第２期間Ｐ２における対象エリアＭｘの平均搬送車数を算出することができる。

なお、本実施形態では、図５に示されるように、モデル生成部２１は、第２期間Ｐ２を時系列に沿った複数の小期間Ｐ２１～Ｐ２５に区分けし、各小期間Ｐ２１～Ｐ２５における対象エリアＭｘの平均搬送車数を算出し、小期間Ｐ２１～Ｐ２５毎のレベルを特定する。一例として、モデル生成部２１は、第２期間（５分間（７５ｔｓ））を、１分（１５ｔｓ）毎に区分けすることにより、５つの小期間Ｐ２１～Ｐ２５を設定する。例えば、第２期間Ｐ２が「１２：００～１２：０５」である場合、小期間Ｐ２１は「１２：００～１２：０１」であり、小期間Ｐ２２は「１２：０１～１２：０２」であり、小期間Ｐ２３は「１２：０２～１２：０３」であり、小期間Ｐ２４は「１２：０３～１２：０４」であり、小期間Ｐ２５は「１２：０４～１２：０５」である。

図１０は、上記レベルの一例を示す図である。本実施形態では、基準値ｎよりも搬送車数が少なくなる場合のレベルとして、減少度合いに応じたレベル１（Ｌｖ．１）及びレベル２（Ｌｖ．２）が設定されている。また、基準値ｎよりも搬送車数が多くなる場合のレベルとして、増加度合いに応じたレベル３（Ｌｖ．３）及びレベル４（Ｌｖ．４）が設定されている。

レベル１は、小期間内の平均搬送車数が「０≦平均搬送車数≦基準値ｎ－Ｎ」に該当する場合に対応するレベルである。レベル２は、小期間内の平均搬送車数が「基準値ｎ－Ｎ＜平均搬送車数≦基準値ｎ」に該当する場合に対応するレベルである。レベル３は、小期間内の平均搬送車数が「基準値ｎ＜平均搬送車数≦基準値ｎ＋Ｎ」に該当する場合に対応するレベルである。レベル４は、小期間内の平均搬送車数が「基準値ｎ＋Ｎ＜平均搬送車数≦Ｎｍａｘ」に該当する場合に対応するレベルである。ここで、「Ｎ」は予め任意に設定された刻み幅である。「Ｎｍａｘ」は対象エリアＭｘ内の最大許容搬送車数（すなわち、対象エリアＭｘ内に同時に存在することが可能な最大の搬送車数）である。

例えば、基準値ｎが「３０」であり、Ｎが「１０」であり、Ｎｍａｘが「６０」の場合、図１０の例では、平均搬送車数が「０～２０」である場合にはレベル１に該当し、平均搬送車数が「２１～３０」である場合にはレベル２に該当し、平均搬送車数が「３１～４０」である場合にはレベル３に該当し、平均搬送車数が「４１～６０」である場合にはレベル４に該当する。

以上述べたように、モデル生成部２１は、搬送指令ログ及び搬送車情報ログに基づいて得られる第１期間Ｐ１における各種時系列データ（Ｍｘ＿ＶＨＬ、ＭＸ＿Ｆｍ、ＭＸ＿Ｔｏ、ＭＸ＿Ｄｅｃ、Ｍｘ＿Ｉｎｃ、Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３、Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３）を、予測モデル３０の入力データとして取得する。

また、モデル生成部２１は、第２期間Ｐ２における対象エリアＭｘ内の平均搬送車数が属するレベルを、正解ラベルとして取得する。本実施形態では、モデル生成部２１は、各小期間Ｐ２１～Ｐ２５における対象エリアＭｘ内の平均搬送車数が属するレベルを、正解ラベルとして取得する。一例として、正解ラベルは、各小期間Ｐ２１～Ｐ２５と各レベル（レベル１～レベル４）との各組み合わせの確率値によって表される。図５の例では、小期間数が「５」であり、レベル数が「４」であるため、正解ラベルは、各組み合わせに対応する２０個（＝５×４）の値（確率値）を含む２０次元のベクトルとして表現され得る。図５の例では、小期間Ｐ２１における平均搬送車数がレベル２に属し、小期間Ｐ２２における平均搬送車数がレベル３に属し、小期間Ｐ２３における平均搬送車数がレベル３に属し、小期間Ｐ２４における平均搬送車数がレベル４に属し、小期間Ｐ２５における平均搬送車数がレベル４に属している。この場合、正解ラベルは、小期間Ｐ２１とレベル２の組み合わせ、小期間Ｐ２２とレベル３の組み合わせ、小期間Ｐ２３とレベル３の組み合わせ、小期間Ｐ２４とレベル４の組み合わせ、及び小期間Ｐ２５とレベル４の組み合わせの各々の確率値として「１」が設定され、上記以外の組み合わせの確率値として「０」が設定されたデータとなる。

モデル生成部２１は、ある基準時点Ｔ０について上述したようにして得られた入力データ及び正解ラベルの組（データセット）を、１つの教師データとして生成する。モデル生成部２１は、互いに異なる複数の時点を基準時点として用いて、各基準時点に対応する教師データを生成することにより、複数の教師データを生成することができる。モデル生成部２１は、このようにして生成された複数の教師データを用いて機械学習を実行することにより、予測モデル３０を生成する。モデル生成部２１によって生成された予測モデル３０は、記憶部２２に記憶（保存）される。

上述したモデル生成処理は、所定の学習実行周期毎に実行されてもよい。学習実行周期は、例えば６時間である。例えば、モデル生成部２１は、前回の予測モデル３０の生成タイミング（例えば、６：００）から今回の予測モデル３０の生成タイミング（例えば、１２：００）までの対象期間に含まれる複数の時点（例えば、６：００から１２：００までを１ｔｓ（４秒）毎に区切った５４００個の各時点）を基準時点として用いることにより、複数（この例では５４００個）の教師データを生成する。モデル生成部２１は、このようにして生成された複数の教師データを用いて機械学習を実行することにより、今回の予測モデル３０を生成する。そして、記憶部２２は、モデル生成部２１により過去に生成された予測モデル３０を削除することなく、モデル生成部２１により生成された今回の予測モデル３０を上記対象期間に関連付けて記憶する。上記構成によれば、対象期間の特徴（搬送システム１の運用状況等）に応じた予測モデル３０を対象期間毎に生成及び保存することができる。これにより、予測に利用可能な予測モデル３０のバリエーションを確保することができる。

なお、予測モデル３０の生成タイミング（例えば、１２：００）から５分以内の期間（１１：５５～１２：００）に含まれる基準時点に対応する教師データ（正解ラベル）は、上記生成タイミングにおいては得られていない。例えば、生成タイミング（１２：００）を基準時点とする教師データの正解ラベルは、生成タイミングから第２期間Ｐ２（本実施形態では５分）が経過した後（すなわち、「１２：０５」以降）でなければ得ることができない。従って、モデル生成部２１は、生成タイミングにおいて直ちに予測モデル３０の生成を開始するために、生成タイミングの時点において正解ラベルを得ることが可能な教師データ（例えば、６：００から１１：５５までの期間に含まれる基準時点に対応する教師データ）のみを用いて、機械学習を行ってもよい。

図１１は、記憶部２２に記憶される予測モデル３０の一例を示す図である。表中の「ＭＸ－ＤＷ＿Ｎｏ．ｈ５」の表記は、予測モデル３０のファイル名の一例である。この例では、上記表記における「Ｘ」は、時間帯を示している。具体的には、「０」は「０：００～６：００」を表し、「１」は「６：００～１２：００」を表し、「２」は「１２：００～１８：００」を表し、「３」は「１８：００～２４：００」を表している。上記表記における「Ｄ」は、曜日を表している。上記表記における「Ｗ」は、所定時点を基準（０週目）として予測モデル３０が何週目に生成されたかを表している。上記表記における「Ｎｏ」は、予測モデル３０の番号を表している。例えば、「Ｎｏ」は、入力データ又は後述するハイパーパラメータの内容が互いに異なる複数の予測モデルを用いてアンサンブル学習を行う場合等に、各予測モデルの種類を特定するために用いられる。上記表記における「．ｈ５」は、TensorFlow（登録商標）を用いて生成されたモデルに設定される拡張子である。図１１の例では、現時点が１０周目（ｗ１０）の月曜日（Ｍｏｎ）の６：００～１２：００であり、直前の時間帯までの予測モデル３０が生成及び保存されている。

図１２は、予測モデル３０の基本構造の一例を示す図である。図１２に示されるように、一例として、予測モデル３０は、入力層Ｌ１（Input Layer）と、畳み込み層Ｌ２（Convolution Layer）と、ＬＳＴＭ（Long short-term memory）層Ｌ３と、Ｄｅｎｓｅ層Ｌ４と、を含んで構成され得る。入力層Ｌ１は、予測モデル３０に対する入力データを受け付ける層である。Ｄｅｎｓｅ層Ｌ４は、畳み込み層Ｌ２及びＬＳＴＭ層Ｌ３により処理された結果を結合し、予測モデル３０から最終的に出力するためのデータ（本実施形態では、各レベル（レベル１～４）と各小期間との全ての組み合わせに対応する２０個の確率値）を生成及び出力する層である。これらの各層Ｌ１～Ｌ４は、上述した教師データを用いた機械学習の枠組みの中では調整（変更）されない外部パラメータ（ハイパーパラメータ）を含んでいる。例えば、入力層Ｌ１は、外部パラメータとして、入力データのサイズ（Input_dim、Input_length）、Batchサイズ（batch_size）等を含み得る。なお、括弧内に記載した変数名は、TensorFlow（登録商標）において定義されているＡＰＩ変数名である。以下の説明においても同様である。畳み込み層Ｌ２は、外部パラメータとして、Layerの使用の有無（Conv1D）、Filter数（filters）、Kernelサイズ（kernel_size）、Strides幅（strides）、Max Poolingの使用の有無（MaxPooling1D）、Max Poolingのpoolサイズ（pool_size）、Dropout割合（Dropout）等を含み得る。ＬＳＴＭ層Ｌ３は、外部パラメータとして、Layer数（LSTM）、Node数（units）、出力正規化（activity_regularizer）、重み正規化（recurrent_regularizer）、Dropout割合（Dropout）等を含み得る。Ｄｅｎｓｅ層Ｌ４は、外部パラメータとして、Layer数（Dense）、Node数（units）、出力正規化（activity_regularizer）、Dropout割合（Dropout）等を含み得る。これらのハイパーパラメータは、予測装置２０のオペレータ等によって、任意に調整され得る。

図１３は、モデル生成処理の一例を示すフローチャートである。モデル生成部２１は、所定の学習実行周期に基づいて定められた生成タイミング（本実施形態では、０：００、６：００、１２：００、１８：００のいずれか）が到来すると（ステップＳ１１：ＹＥＳ）、教師データを生成する（ステップＳ１２）。例えば、モデル生成部２１は、前回の予測モデル３０の生成タイミングから今回の予測モデル３０の生成タイミングまでの対象期間に含まれる複数の時点を基準時点Ｔ０（図５参照）とし、各基準時点に対応する教師データを生成することにより、複数の教師データを生成する。なお、複数の教師データのうち上記生成タイミングが到来する前に生成可能な教師データは、生成タイミングが到来する前に予め生成されてもよい。続いて、モデル生成部２１は、生成された複数の教師データを用いた機械学習を実行し、予測モデル３０を生成する（ステップＳ１３）。図１１に示されるように、モデル生成部２１によって生成された予測モデル３０は、上記対象期間に関連付けて記憶部２２に記憶される（ステップＳ１４）。

（予測処理）
予測処理は、主に取得部２３及び予測部２４によって実行される。図１４は、予測処理を説明するための図である。図１４において、Ｔ１は予測実行時点を示し、Ｐ３は過去期間（例えば６時間）を示し、Ｐ４は将来期間（例えば５分）を示す。Ｐ４１～Ｐ４５は、将来期間Ｐ４を１分（１５ｔｓ）毎に区分けすることで得られる小期間を示す。

取得部２３は、任意の予測実行時点Ｔ１よりも前の過去期間Ｐ３における予測用データを取得する。予測用データは、予測モデル３０の学習に用いられた教師データから正解ラベルを除いた部分（入力データ）に対応するデータである。過去期間Ｐ３は、第１期間Ｐ１（図５参照）と同一の長さの期間である。すなわち、過去期間Ｐ３は、予測実行時点Ｔ１をモデル生成処理における基準時点Ｔ０（図５参照）とした場合に、第１期間Ｐ１に対応する期間である。取得部２３は、上述したモデル生成部２１と同様の処理を実行することにより、搬送指令ログ及び搬送車情報ログに基づいて得られる過去期間Ｐ３における各種時系列データ（Ｍｘ＿ＶＨＬ、ＭＸ＿Ｆｍ、ＭＸ＿Ｔｏ、ＭＸ＿Ｄｅｃ、Ｍｘ＿Ｉｎｃ、Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３、Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３）を、予測用データとして取得する。

予測部２４は、取得部２３により取得された予測用データを予測モデル３０に入力することにより、予測実行時点Ｔ１よりも後の将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いの予測値を示す予測情報Ｒを取得する。本実施形態では、予測情報Ｒは、予測実行時点Ｔ１における対象エリアＭｘ内の搬送車数を基準値ｎとして、将来期間Ｐ４における対象エリアＭｘ内の平均搬送車数が属するレベルの予測結果を示す情報である。より具体的には、予測情報Ｒは、将来期間Ｐ４を１分（１５ｔｓ）毎に区分けすることで得られる小期間Ｐ４１～Ｐ４５毎の予測結果を示す。すなわち、予測情報Ｒは、将来期間Ｐ４に含まれる複数の小期間Ｐ４１～Ｐ４５の各々における対象エリアＭｘ内の平均搬送車数が属するレベルの予測結果を示す情報である。

予測情報Ｒは、予測モデル３０の学習に用いられた教師データの正解ラベルに対応するデータである。すなわち、予測情報Ｒは、将来期間Ｐ４に含まれる５つの小期間Ｐ４１～Ｐ４５と各レベル（レベル１～４）との各組み合わせ（２０通り）の確率値（予測値）である。例えば、予測部２４は、各小期間Ｐ４１～Ｐ４５において、最も確率値が高いレベルを、対象エリアＭｘ内の平均搬送車数が属すると予測されるレベル（予測結果）として得ることができる。

予測部２４は、記憶部２２に記憶された複数の予測モデル３０（図１１参照）のうちから予測に用いるための予測モデル３０を任意に選択可能に構成されてもよい。

例えば、予測部２４は、記憶部２２に記憶された複数の予測モデル３０のうちから、直近の対象期間に関連付けられた予測モデル３０を選択してもよい。図１１の例において、予測実行時点Ｔ１が１０周目（ｗ１０）の月曜日（Ｍｏｎ）の６：００～１２：００である場合、予測部２４は、その直近の対象期間に関連付けられた最新の予測モデル３０（Ｍ０－Ｍｏｎ１０＿１．ｈ５）を選択してもよい。このように直近の対象期間について生成された最新の予測モデル３０を用いて予測を行うことにより、直近の時間帯の運用状況と同様の運用状況が継続される可能性が高い場合等において、精度良く予測を行うことが可能となる。

或いは、予測部２４は、記憶部２２に記憶された複数の予測モデル３０（図１１参照）のうちから、予測実行時点を含む期間に対応する過去の対象期間に関連付けられた予測モデル３０を選択してもよい。図１１の例において、予測実行時点Ｔ１が１０周目（ｗ１０）の月曜日（Ｍｏｎ）の６：００～１２：００である場合、予測部２４は、例えば、予測実行時点Ｔ１と同じ曜日の同じ時間帯である過去の対象期間に関連付けられた予測モデル３０（Ｍ１－Ｍｏｎ９＿１．ｈ５）を選択してもよい。このように予測実行時点Ｔ１を含む期間に対応する過去の対象期間に関連付けられた予測モデル３０を用いて予測を行うことにより、曜日周期性（例えば、曜日及び時間帯が同一の場合に搬送システム１の運用状況がほぼ同一になる傾向）が高い場合等において、精度良く予測を行うことが可能となる。また、他の例として、月次周期性（例えば、毎月において日及び時間帯が同一の場合に搬送システム１の運用状況がほぼ同一になる傾向）が高い場合等には、予測部２４は、予測実行時点Ｔ１の前月の同じ日の同じ時間帯に関連付けられた予測モデル３０を選択してもよい。例えば、予測実行時点Ｔ１が５月１日の６：００～１２：００である場合、４月１日の６：００～１２：００に関連付けられた予測モデル３０が選択されてもよい。また、更に他の例として、年次周期性（例えば、毎年において月日及び時間帯が同一の場合に搬送システム１の運用状況がほぼ同一になる傾向）が高い場合等には、予測部２４は、予測実行時点Ｔ１の前年の同じ月日の同じ時間帯に関連付けられた予測モデル３０を選択してもよい。例えば、予測実行時点Ｔ１が２０２１年５月１日の６：００～１２：００である場合、２０２０年５月１日の６：００～１２：００に関連付けられた予測モデル３０が選択されてもよい。

予測部２４は、第２期間Ｐ２（すなわち、予測対象期間である将来期間Ｐ４）よりも短い予測実行周期毎に、予測モデル３０を用いた予測処理を実行することにより予測情報Ｒを取得し、予測情報Ｒを搬送車コントローラ１２に通知してもよい。予測実行周期は、例えば１分（１５ｔｓ）である。上記構成によれば、搬送車コントローラ１２に対象エリアＭｘ内の搬送車数に関する予測結果を常に把握させることができる。その結果、予測結果を考慮した最適な搬送制御（例えば、搬送指令の割付先となる搬送車２の選定、搬送車２の走行ルートの選定等）を搬送車コントローラ１２に継続的に実行させることが可能となる。その結果、搬送システム１における渋滞の発生を抑制し、搬送効率の向上を図ることができる。

図１５は、予測処理の一例を示すフローチャートである。取得部２３は、所定の予測実行周期に基づいて定められた生成タイミング（本実施形態では、１分毎のタイミング）が到来すると（ステップＳ２１：ＹＥＳ）、予測用データを取得（生成）する（ステップＳ２２）。なお、本実施形態のように、比較的短い予測実行周期で予測処理を繰り返し実行する場合、毎回の予測タイミングにおいては、取得部２３は、前回の予測タイミングから今回の予測タイミングの期間に対応する予測用データのみを新たに取得（生成）すればよい。このため、取得部２３は、ステップＳ２２の予測用データの取得処理を、比較的短時間で完了させることができる。続いて、予測部２４は、記憶部２２に記憶された複数の予測モデル３０（図１１参照）のうちから、上述したような判断基準に基づいて、予測処理に用いる予測モデル３０を選択する（ステップＳ２３）。続いて、予測部２４は、選択された予測モデル３０に予測用データを入力することにより、予測モデル３０から出力される予測情報Ｒを取得する（ステップＳ２４）。予測部２４は、取得された予測情報Ｒを搬送車コントローラ１２に通知する（ステップＳ２５）。

以上述べた予測装置２０では、第１期間Ｐ１（図５参照）におけるログ情報（搬送指令の割付状況及び複数の搬送車２の位置の少なくとも一方に関する情報）に基づく入力データ（図６及び図８参照）を入力して、第２期間Ｐ２（図５参照）における対象エリアＭｘの搬送車数の増減度合いの予測結果を示す出力データを出力するように構成された予測モデル３０が用意される。これにより、任意の予測実行時点Ｔ１（図１４参照）において、当該予測実行時点Ｔ１よりも前の過去期間Ｐ３（図１４参照）におけるログ情報から得られる予測用データを予測モデル３０に入力するだけで、当該予測実行時点Ｔ１よりも後の将来期間Ｐ４（図１４参照）における対象エリアＭｘの搬送車数の増減度合いの予測結果（予測情報Ｒ）を得ることができる。従って、予測装置２０によれば、任意のタイミングで搬送システム１の将来の渋滞度合いを容易に予測することができる。

また、Ｍｘ＿ＶＨＬ（図６参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、過去期間Ｐ３において対象エリアＭｘ内に存在した搬送車２（第１搬送車）の数を加味して、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いを精度良く予測することが可能となる。

また、Ｍｘ＿Ｆｍ（図６参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、過去期間Ｐ３において対象エリアＭｘ内の荷積み位置（Ｆｒｏｍポート）へと走行中の搬送車２（第２搬送車）の数を加味して、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いを精度良く予測することが可能となる。

また、Ｍｘ＿Ｔｏ（図６参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、過去期間Ｐ３において対象エリアＭｘ内の荷降ろし位置（Ｔｏポート）へと走行中の搬送車２（第３搬送車）の数を加味して、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いを精度良く予測することが可能となる。

また、Ｍｘ＿Ｄｅｃ（図６参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、過去期間Ｐ３において対象エリアＭｘから他エリアへと走行中の搬送車２（第４搬送車）の数を加味して、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いを精度良く予測することが可能となる。

また、Ｍｘ＿Ｉｎｃ（図６参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、過去期間Ｐ３において対象エリアＭｘ内の特定地点（本実施形態では、Ｆｒｏｍポート及びＴｏポート）へと走行中の搬送車２（第５搬送車）の数を加味して、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いを精度良く予測することが可能となる。

また、Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３（図８参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、対象エリアＭｘとの近接度による対象エリアＭｘ内の搬送車数に対する影響度の差を加味して、将来期間における対象エリアの搬送車数の増減度合いをより精度良く予測することが可能となる。すなわち、各第５搬送車を対象エリアＭｘからどの程度離れた位置を走行しているかに基づいてグループ分けし、グループ毎に区別して集計された第５搬送車数に関する情報を予測モデル３０に与えることにより、上記近接度による影響度の差を加味して予測を行うことが可能となる。

例えば、搬送システム１には、処理装置７が主に配置されたプロセスエリア、ストッカ８が主に配置されたストッカエリア、主にバイパス（迂回路）として機能するバイパスエリア等、様々な種別のエリアが存在し得る。対象エリアＭｘがこれらのうちのいずれの種別のエリアであるかによって、対象エリアＭｘに直接隣接する一以上の他エリアが属する主な種別も異なり得る。そして、エリアの種別によって、搬送車２が当該エリアを通過するのに要する平均時間も異なり得る。例えば、バイパスエリアについては、搬送車２は基本的に当該エリアを通過するだけであるため、比較的短い時間で当該エリアを通過する可能性がある。一方、プロセスエリアについては、搬送車２が物品の荷掴み又は荷降ろし等を行うことによって、当該エリアを通過するのに比較的長い時間がかかる可能性がある。このため、対象エリアＭｘに隣接するバイパスエリアに比較的多くの搬送車２が存在する場合と対象エリアＭｘに隣接するプロセスエリアに比較的多くの搬送車２が存在する場合とでは、対象エリアＭｘの将来の搬送車数の増減に与える影響度が異なる可能性がある。上記のように対象エリアＭｘとの近接度毎の搬送車数を示すＭｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３を予測モデル３０の入力データとして用いることにより、副次的に、対象エリアＭｘがどのようなエリアであるか（すなわち、対象エリアＭｘに近接するエリアが主にどのような種類のエリアであるか）といった特徴も加味した上で予測を行うことが可能となる。

また、Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３（図８参照）を予測モデル３０の入力データ（予測用データ）に含めることにより、第５搬送車の流入によって対象エリアＭｘ内の搬送車数が増加すると想定される時期に関する手がかりとなる情報を入力データに加えることができる。その結果、将来期間Ｐ４における対象エリアＭｘの搬送車数の増減度合いをより精度良く予測することが可能となる。

また、予測装置２０は、上述したモデル生成部２１を備えることにより、予測処理に用いるための予測モデル３０を適切に生成することができる。

また、モデル生成部２１は、基準時点Ｔ０における対象エリアＭｘ内の搬送車数を基準値ｎとして、基準値ｎからの搬送車数の増減度合いに応じた複数のレベルを設定する。モデル生成部２１は、互いに異なる複数の時点を基準時点Ｔ０として用いることにより、第１期間Ｐ１における入力データと第２期間Ｐ２における対象エリアＭｘの平均搬送車数が属するレベルを示す正解ラベルとを含む複数の教師データを生成する。そして、モデル生成部２１は、このような複数の教師データを用いて機械学習を実行することにより、予測モデル３０を生成する。予測部２４は、予測用データを予測モデル３０に入力することにより、予測実行時点Ｔ１における対象エリアＭｘ内の搬送車数を基準値ｎとして、将来期間Ｐ４における対象エリアＭｘ内の平均搬送車数が属するレベルの予測結果を示す情報を、予測情報Ｒとして取得する。上記構成によれば、予測実行時点Ｔ１の対象エリアＭｘ内の搬送車数を基準として、対象エリアＭｘ内の搬送車数が増加方向に向かうか、或いは減少方向に向かうかを、レベルの予測結果に基づいて容易に把握することが可能となる。

また、モデル生成部２１は、第２期間Ｐ２を時系列に沿った複数の小期間Ｐ２１～Ｐ２５に区分けし、互いに異なる複数の時点を基準時点Ｔ０として用いることにより、第１期間Ｐ１における入力データと複数の小期間Ｐ２１～Ｐ２５の各々における対象エリアＭｘの平均搬送車数が属するレベルを示す正解ラベルとを含む複数の教師データを生成する。そして、モデル生成部２１は、このような複数の教師データを用いて機械学習を実行することにより、予測モデル３０を生成する。予測部２４は、予測用データを予測モデル３０に入力することにより、将来期間Ｐ４に含まれる複数の小期間Ｐ４１～Ｐ４５の各々における対象エリアＭｘ内の平均搬送車数が属するレベルの予測結果を示す情報を、予測情報Ｒとして取得する。上記構成によれば、将来期間Ｐ４に含まれる小期間Ｐ４１～Ｐ４５毎にレベルの予測結果が得られるため、対象エリアＭｘ内の将来の搬送車数の推移の傾向（例えば、増加し続ける傾向、減少し続ける傾向、減少した後に増加に転じる傾向、増加した後に減少に転じる傾向等のうちのいずれの傾向であるか）を予測することが可能となる。

以上、本開示の実施形態について説明したが、本開示は上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

例えば、上記実施形態では、図６及び図８に示した全ての時系列データ（Ｍｘ＿ＶＨＬ、ＭＸ＿Ｆｍ、ＭＸ＿Ｔｏ、ＭＸ＿Ｄｅｃ、Ｍｘ＿Ｉｎｃ、Ｍｘ＿Ｉｎｃ１～Ｍｘ＿Ｉｎｃ３、Ｍｘ＿Ｓｐｄ１～Ｍｘ＿Ｓｐｄ３）が予測モデル３０の入力データ（予測用データ）として用いられたが、これらの時系列データの一部が、予測モデル３０の入力データとして用いられてもよい。また、予測モデル３０の入力データ（予測用データ）には、図６及び図８に示した時系列データ以外のデータが含まれてもよい。

また、上記実施形態では、予測モデル３０から５つの小期間Ｐ４１～Ｐ４５の各々の予測結果が出力されたが、小期間の数は４つ以下であってもよいし、６つ以上であってもよい。また、予測対象期間となる将来期間Ｐ４は、複数の小期間に分割されなくてもよい。すなわち、予測モデル３０は、単一の将来期間Ｐ４についての予測結果（各レベルの確率値）を出力するように構成されてもよい。

また、上記実施形態では、将来の対象エリアＭｘ内の平均搬送車に応じた４つのレベルが設定されたが、３つ以下のレベルが設定されてもよいし、５つ以上のレベルが設定されてもよい。例えば、上記実施形態では、基準時点Ｔ０（予測実行時点Ｔ１）における対象エリアＭｘ内の搬送車数（基準値ｎ）から増加する方向に２つのレベル（レベル３，レベル４）を設定し、減少する方向に２つのレベル（レベル１，レベル２）が設定されたが、より単純化して、基準値ｎよりも増加することを示すレベル及び減少することを示すレベルの２つのレベルのみが設定されてもよい。

また、予測部２４は、各小期間Ｐ４１～Ｐ４５において、「レベル１の確率＋レベル２の確率」と「レベル３の確率＋レベル４の確率」との大小を比較し、前者が大きい場合には搬送車数が現在よりも減少する可能性が高いことを示す予測結果を取得し、後者が大きい場合には搬送車数が現在よりも増大する可能性が高いことを示す予測結果を取得してもよい。なお、基準値ｎがＮｍａｘに近く、レベル４が存在しない場合には、予測部２４は、各小期間Ｐ４１～Ｐ４５について、「レベル１の確率＋レベル２の確率」と「レベル３の確率」との大小を比較すればよい。同様に、基準値ｎが０に近く、レベル１が存在しない場合には、予測部２４は、各小期間Ｐ４１～Ｐ４５について、「レベル２の確率」と「レベル３の確率＋レベル４の確率」との大小を比較すればよい。

また、上記実施形態では、１つの対象エリアＭｘに着目して予測装置２０の処理の一例を説明したが、予測装置２０は、搬送システム１内の複数の対象エリアについて予測処理を実行してもよい。例えば、モデル生成部２１は、対象エリア毎に予測モデル３０を生成し、予測部２４は、対象エリア毎に生成された予測モデル３０を用いて、各対象エリアについての予測処理を実行すればよい。

また、上記実施形態では、入力データの種類及びハイパーパラメータの設定内容が固定された単一の予測モデル３０が用いられたが、モデル生成部２１は、ある対象エリアＭｘ用の予測モデルとして、入力データの種類及びハイパーパラメータの設定内容の少なくとも一方が互いに異なる複数の予測モデル３０を生成してもよい。そして、予測部２４は、これらの複数の予測モデル３０の各々に各予測モデル３０に応じた予測用データを入力することで、各予測モデル３０から出力される予測結果（予測情報Ｒ）を取得してもよい。すなわち、予測装置２０は、上記のような複数の予測モデル３０を用いたアンサンブル学習により、対象エリアＭｘの将来の搬送車数の予測を行ってもよい。上記の場合、各小期間Ｐ４１～Ｐ４５において、各レベルの確率が予測モデル３０の数だけ得られることになる。予測部２４は、各予測モデル３０の出力結果（確率値）を小期間とレベルとの同一の組み合わせ毎に足し合わせることで、各組み合わせの値（各予測モデル３０の確率値の和）を得ることができる。予測部２４は、各小期間Ｐ４１～Ｐ４５において、最大の値を有するレベル（或いは、予め定められた閾値以上の値を有するレベル）を最終的な予測結果として取得し、搬送車コントローラ１２に通知してもよい。

また、上記実施形態では、搬送車２によって搬送される物品（被搬送物）として、複数の半導体ウェハが収容されたＦＯＵＰを例示したが、物品はこれに限定されず、例えば、ガラスウェハ、レチクル等が収容されたその他の容器やその他の物品であってもよい。また、搬送システム１が設けられる場所は、半導体製造工場に限定されず、搬送システム１は、その他の施設に設けられてもよい。

１…搬送システム、２，２ａ～２ｏ…搬送車、４…搬送路、１２…搬送車コントローラ、２０…予測装置、２１…モデル生成部、２２…記憶部、２３…取得部、２４…予測部、３０…予測モデル、Ｍ，Ｍａ１～Ｍａ４，Ｍｂ１～Ｍｂ５，Ｍｃ１～Ｍｃ２…エリア、Ｍｘ…対象エリア、Ｔ０…基準時点、Ｔ１…予測実行時点、Ｐ１…第１期間、Ｐ２…第２期間、Ｐ３…過去期間、Ｐ４…将来期間、Ｐ２１～Ｐ２５，Ｐ４１～Ｐ４５…小期間。

Claims (15)

1. 複数のエリアに区分けされた搬送路と、前記搬送路に沿って走行して物品を搬送する複数の搬送車と、前記搬送車に搬送指令を割り付ける搬送車コントローラと、を含む搬送システムにおける所定の対象エリアの将来の状態を予測する予測装置であって、
   所定の基準時点よりも前の第１期間における前記搬送指令の割付状況及び前記複数の搬送車の位置の少なくとも一方に関するログ情報に基づく入力データを入力して、前記基準時点よりも後の第２期間における前記対象エリアの搬送車数の増減度合いの予測結果を示す出力データを出力するように機械学習された予測モデルを記憶する記憶部と、
   予測実行時点よりも前であって前記第１期間と同一の長さの過去期間における前記ログ情報に基づいて、前記入力データに対応する予測用データを取得する取得部と、
   前記取得部により取得された前記予測用データを前記予測モデルに入力することにより、前記予測実行時点よりも後であって前記第２期間と同一の長さの将来期間における前記対象エリアの搬送車数の増減度合いの予測結果を示す予測情報を取得する予測部と、
   を備え、
   前記入力データは、前記第１期間に観測された第２搬送車の数を示すデータを含み、
   前記予測用データは、前記過去期間に観測された前記第２搬送車の数を示すデータを含み、
   前記第２搬送車は、前記搬送指令に基づいて前記対象エリア内の荷積み位置に向かって走行中の前記搬送車である、予測装置。
2. 前記入力データは、前記第１期間に観測された第１搬送車の数を示すデータを含み、
   前記予測用データは、前記過去期間に観測された前記第１搬送車の数を示すデータを含み、
   前記第１搬送車は、前記対象エリア内に存在する前記搬送車である、
   請求項１に記載の予測装置。
3. 前記入力データは、前記第１期間に観測された第３搬送車の数を示すデータを含み、
   前記予測用データは、前記過去期間に観測された前記第３搬送車の数を示すデータを含み、
   前記第３搬送車は、前記搬送指令に基づいて前記対象エリア内の荷降ろし位置に向かって走行中の前記搬送車である、
   請求項１又は２に記載の予測装置。
4. 前記入力データは、前記第１期間に観測された第４搬送車の数を示すデータを含み、
   前記予測用データは、前記過去期間に観測された前記第４搬送車の数を示すデータを含み、
   前記第４搬送車は、前記対象エリアから他エリアに向かって走行中の前記搬送車である、
   請求項１～３のいずれか一項に記載の予測装置。
5. 前記入力データは、前記第１期間に観測された第５搬送車の数を示すデータを含み、
   前記予測用データは、前記過去期間に観測された前記第５搬送車の数を示すデータを含み、
   前記第５搬送車は、前記搬送指令に基づいて前記対象エリア内の特定地点に向かって走行中の前記搬送車である、
   請求項１～４のいずれか一項に記載の予測装置。
6. 前記入力データ及び前記予測用データは、前記第５搬送車が走行中のエリアと前記対象エリアとの近接度毎に前記第５搬送車を集計することにより得られた前記近接度毎の搬送車数を示すデータを含む、
   請求項５に記載の予測装置。
7. 前記入力データ及び前記予測用データは、前記第５搬送車の速度に関するデータを更に含む、
   請求項５又は６に記載の予測装置。
8. 前記予測モデルを生成するモデル生成部を更に備え、
   前記モデル生成部は、
   互いに異なる複数の時点を前記基準時点として用いることにより、前記第１期間における前記入力データと前記第２期間における前記対象エリアの搬送車数の増減度合いを示す正解ラベルとを含む複数の教師データを生成し、
   生成された前記複数の教師データを用いて機械学習を実行することにより、前記予測モデルを生成する、
   請求項１～７のいずれか一項に記載の予測装置。
9. 前記モデル生成部は、
   前記基準時点における前記対象エリア内の搬送車数を基準値として、前記基準値からの搬送車数の増減度合いに応じた複数のレベルを設定し、
   互いに異なる複数の時点を前記基準時点として用いることにより、前記第１期間における前記入力データと前記第２期間における前記対象エリアの平均搬送車数が属する前記レベルを示す正解ラベルとを含む複数の教師データを生成し、
   前記予測部は、前記予測用データを前記予測モデルに入力することにより、前記予測実行時点における前記対象エリア内の搬送車数を前記基準値として、前記将来期間における前記対象エリア内の平均搬送車数が属するレベルの予測結果を示す情報を、前記予測情報として取得する、
   請求項８に記載の予測装置。
10. 前記モデル生成部は、
    前記第２期間を時系列に沿った複数の小期間に区分けし、
    互いに異なる複数の時点を前記基準時点として用いることにより、前記第１期間における前記入力データと前記複数の小期間の各々における前記対象エリアの平均搬送車数が属する前記レベルを示す正解ラベルとを含む複数の教師データを生成し、
    前記予測部は、前記予測用データを前記予測モデルに入力することにより、前記将来期間に含まれる複数の小期間の各々における前記対象エリア内の平均搬送車数が属するレベルの予測結果を示す情報を、前記予測情報として取得する、
    請求項９に記載の予測装置。
11. 前記モデル生成部は、所定の学習実行周期毎に前記予測モデルを生成するように構成されており、
    前記モデル生成部は、
    前回の予測モデルの生成タイミングから今回の予測モデルの生成タイミングまでの対象期間に含まれる複数の時点を前記基準時点として用いることにより、複数の教師データを生成し、
    生成された前記複数の教師データを用いて機械学習を実行することにより、今回の予測モデルを生成し、
    前記記憶部は、前記モデル生成部により過去に生成された予測モデルを削除することなく、前記モデル生成部により生成された前記今回の予測モデルを前記対象期間に関連付けて記憶する、
    請求項８～１０のいずれか一項に記載の予測装置。
12. 前記予測部は、前記記憶部に記憶された複数の前記予測モデルのうちから予測に用いるための前記予測モデルを任意に選択可能に構成されている、
    請求項１１に記載の予測装置。
13. 前記予測部は、前記記憶部に記憶された複数の前記予測モデルのうちから、直近の前記対象期間に関連付けられた前記予測モデルを選択する、
    請求項１２に記載の予測装置。
14. 前記予測部は、前記記憶部に記憶された複数の前記予測モデルのうちから、前記予測実行時点を含む期間に対応する過去の前記対象期間に関連付けられた前記予測モデルを選択する、
    請求項１２に記載の予測装置。
15. 前記予測部は、前記第２期間よりも短い予測実行周期毎に、前記予測モデルを用いた予測処理を実行することにより前記予測情報を取得し、前記予測情報を前記搬送車コントローラに通知する、
    請求項１～１４のいずれか一項に記載の予測装置。

Images