WO2011062189A1 - イベント検知装置及びイベント検知方法 - Google Patents

イベント検知装置及びイベント検知方法 Download PDF

Info

Publication number
WO2011062189A1
WO2011062189A1 PCT/JP2010/070480 JP2010070480W WO2011062189A1 WO 2011062189 A1 WO2011062189 A1 WO 2011062189A1 JP 2010070480 W JP2010070480 W JP 2010070480W WO 2011062189 A1 WO2011062189 A1 WO 2011062189A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
population
estimated
time zone
information
Prior art date
Application number
PCT/JP2010/070480
Other languages
English (en)
French (fr)
Inventor
基成 小林
大造 池田
禎矩 青柳
亨 小田原
一郎 岡島
智大 永田
Original Assignee
株式会社エヌ・ティ・ティ・ドコモ
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 株式会社エヌ・ティ・ティ・ドコモ filed Critical 株式会社エヌ・ティ・ティ・ドコモ
Publication of WO2011062189A1 publication Critical patent/WO2011062189A1/ja

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
    • G06Q10/02—Reservations, e.g. for tickets, services or events

Definitions

  • the present invention relates to an event detection device that detects whether or not an event event has occurred in a predetermined area, and an event detection method performed by the event detection device.
  • Patent Document 1 discloses a vehicle demand prediction system that performs a demand prediction of dispatch using a relationship between demand result data and variation factor result data determined for each predetermined case.
  • the vehicle demand prediction system described in Patent Document 1 uses demand record data indicating the time when the vehicle state transitions between each of the four states of an empty vehicle, a rent, a pickup vehicle, and a break.
  • event presence / absence data indicating the presence / absence of an event event that is expected to increase the number of people who need a vehicle such as a taxi
  • the demand prediction more accurately based on this event presence / absence data No consideration is given. This is considered because there is a problem that it is difficult to detect the presence / absence of an event event more accurately with respect to a prediction target area that is a target of demand prediction.
  • the present invention has been made to solve the above-described problems, and an object thereof is to provide an event detection apparatus and an event detection method capable of detecting the presence or absence of an event event with higher accuracy.
  • An event detection apparatus is an event detection apparatus that detects whether or not an event event has occurred in a predetermined area, and is configured to estimate estimated population information indicating a population estimated in the predetermined area, a normal time
  • the reference value based on the population indicated by the estimated population information acquired by the estimated acquisition means in the zone is compared with the estimated population information acquired by the estimation acquisition means in the prediction target time zone that is a target for detecting the presence or absence of an event event.
  • the comparison means and the comparison means determine that the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone, the event event And a detecting means for detecting that it has occurred.
  • the event detection apparatus first, estimated population information is acquired, and a reference value based on a population indicated by estimated population information acquired in a normal time zone and estimated population information acquired in a prediction target time zone are obtained. Compare. Here, it is detected that an event event has occurred when it is determined that the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone. . In this way, when it is determined that the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone, it is detected that an event event has occurred. By doing so, it becomes possible to more accurately detect the presence or absence of an event event in which the population is larger than the reference value based on the estimated population in the normal time zone.
  • the estimated acquisition unit acquires the number of pieces of information regarding the number of processing cases where the position registration processing by the mobile terminal has been performed within a predetermined time in a predetermined area as estimated population information.
  • the provision of a service is necessary because it is presumed that the more the number of processing that has been performed the location registration processing indicated by the number information acquired by the estimation acquisition means, the greater the number of mobile terminal holders.
  • the number of people to be played increases. For this reason, this configuration makes it possible to estimate a dynamic change in the population, and thus it is possible to perform demand prediction with higher accuracy.
  • the comparison unit uses the average value of the population indicated by the estimated population information acquired by the estimation acquisition unit in the normal time zone as a reference value.
  • the comparison unit uses a predicted value predicted by the autoregressive moving average model from the population indicated by the estimated population information acquired by the estimation acquisition unit in the normal time zone as a reference value.
  • the comparison means uses a specified value defined by a predetermined significant point in the outlier test model as a reference value from the population indicated by the estimated population information acquired by the estimation acquisition means in the normal time zone.
  • the comparison means uses the population estimated in the prediction target time zone of the correlation area having a correlation with the predetermined area with respect to the change state of the population as a reference value, and the detection means is estimated in the prediction target time zone of the correlation area. It is also preferable to detect that an event event has occurred when there is no correlation between the estimated population information and the population indicated by the estimated population information in the prediction target time zone. With this configuration, it is possible to more accurately detect the presence or absence of an event event in which the population has increased as there is no correlation between the estimated population in the prediction target time zone of the correlation area and the estimated population in the prediction target time zone of the predetermined area. Is possible.
  • An event detection method is an event detection method performed by an event detection device that detects whether or not an event event has occurred in a predetermined area, and is configured to detect estimated population information indicating a population estimated in the predetermined area.
  • the estimated population information in the prediction target time zone indicates the reference value based on the population indicated by the estimated population information in the normal time zone When it is determined that the population is larger, the event detection device And having a detection step of knowledge, the.
  • estimated population information is acquired, a reference value based on the population indicated by the estimated population information acquired in the normal time zone, and the estimated population information acquired in the prediction target time zone. Compare.
  • it is detected that an event event has occurred when it is determined that the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone. .
  • the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone, it is detected that an event event has occurred. By doing so, it becomes possible to more accurately detect the presence or absence of an event event in which the population is larger than the reference value based on the estimated population in the normal time zone.
  • an event detection apparatus and an event detection method capable of detecting the presence or absence of an event event with higher accuracy.
  • FIG. 1 is a function explanatory diagram for explaining the function of the event detection apparatus.
  • the event detection device is installed in a taxi company, and as shown in FIG. 1, an event event E in a predetermined prediction target area A that is a target for predicting the number of demands of customers who want to use a taxi dispatch service.
  • This is a device that detects whether or not (a so-called “unusual event”) has occurred.
  • the event event E there are live concerts, gatherings, entertainments, exhibitions, etc. in which there are relatively many call calls as demand from users.
  • the event detection device detects the occurrence of the event event E
  • the event detection device predicts the number of call calls and the number of passengers in the prediction target area A as the number of demands. By predicting the number of calls and the number of passengers in this way, it becomes possible to take measures such as deploying the number of operators necessary for handling calls, so that taxi dispatch can be arranged smoothly. become.
  • FIG. 2 is a graph for showing a correlation between the number of events and the number of demands in the prediction target area A.
  • FIG. 3 is a functional configuration diagram for explaining an outline of the module configuration for each function of the event detection device 10, and FIG. 4 shows the event detection device 10 (and event detection devices 20, 30, and 40 described later). It is a physical block diagram for demonstrating the outline of a physical structure.
  • the event detection device 10 includes hardware such as a CPU 101, a RAM 102, a ROM 103, a communication module 104, and an auxiliary storage device 105 as physical components. When these components operate, the functions described below are exhibited.
  • the event detection apparatus 10 includes, as functional components, a population distribution data acquisition unit 11 (estimation acquisition unit), a window extraction unit 12 (comparison unit), and a target extraction unit 13 (comparison unit).
  • the event determination unit 14 (detection unit) and the demand prediction unit 15 (prediction unit) are provided.
  • the population distribution data acquisition unit 11 is a part that acquires estimated population information indicating the population and population distribution estimated in the prediction target area A.
  • the population distribution data acquisition unit 11 counts information on the number of processing cases in which the location registration processing to a communication carrier by a mobile terminal such as a mobile phone terminal is performed within a predetermined time (for example, within 1 hour) in the prediction target area A.
  • a predetermined time for example, within 1 hour
  • OPS data may be acquired in time series and the number information may be stored as estimated population information.
  • the population distribution data acquisition unit 11 receives this estimated population information from, for example, a telecommunications carrier every time a predetermined time has elapsed (for example, every hour, every 24 hours, every weekday, every holiday). Get by.
  • number information based on static positioning data may be acquired as estimated population information, or population information related to population based on day / night statistics may be acquired as estimated population information. . An example of this estimated population information will be described later.
  • the window extraction unit 12 uses a part of the estimated time information acquired by the population distribution data acquisition unit 11 to correspond to a normal time zone w described later in which no recognizable event event E is clearly held in the prediction target area A. This is a part where information is always extracted and acquired as window partial information while moving the normal time zone w.
  • the target extraction unit 13 obtains a partial information corresponding to a prediction target time zone t, which is a target for detecting the presence or absence of the event event E, from the estimated population information acquired by the population distribution data acquisition unit 11 as target partial information. As a part that is always extracted and acquired while moving the prediction target time zone t.
  • the target extraction unit 13 compares an average value mt described later of the population indicated by the extracted target partial information with a reference value based on the population indicated by the Windows partial information acquired by the window extraction unit 12.
  • the reference value based on the population indicated by the window partial information is an average value mw described later of the population indicated by the window partial information in the first embodiment.
  • the comparison result is output to the event determination unit 14.
  • the target extraction unit 13 calculates the average value mw
  • filtering methods for excluding abnormal values, in addition to a method of calculating a simple average value. That is, by performing a known outlier test on the window part information to identify and exclude outliers as abnormal values, a part corresponding to 10% of the window part information counted from the maximum value, and a minimum There is a method of specifying and excluding 20% of extreme data with a portion corresponding to 10% counted from the value.
  • the event determination unit 14 determines that the target extraction unit 13 determines that the average value mt is larger than the average value mw and that the standard residual between the average value mw and the average value mt is larger than a predetermined threshold value. This is a part for detecting that the event event E has occurred. More specifically, the event determination unit 14 determines that the event event E is the event event E when the target extraction unit 13 determines that the average value mt is larger than the average value mw and satisfies the following formula (1). It is the part that detects that it has occurred.
  • ⁇ represents the standard deviation of the population indicated by the window partial information
  • a represents a predetermined threshold value.
  • the demand prediction unit 15 is a part that predicts the number of demands using a predetermined mathematical expression when the event determination unit 14 detects that an event event E has occurred.
  • FIG. 5 is a graph for explaining a method for comparing the target part information and the window part information.
  • the vertical axis represents the population indicated by the estimated population information acquired by the population distribution data acquisition unit 11, and the horizontal axis represents the elapsed time.
  • the window extraction unit 12 obtains, from the estimated population information, a part of information corresponding to the normal time period w in which the event event E that can be recognized in the prediction target area A is not clearly held. , Acquired as window partial information.
  • the target extraction unit 13 acquires, from the estimated population information, a part of information corresponding to the prediction target time zone t that is a target for detecting the presence or absence of the event event E as target partial information.
  • the target extraction unit 13 compares the average value mt of the population indicated by the extracted target partial information with the average value mw of the population indicated by the Window partial information. Here, the target extraction unit 13 determines that the average value mt is larger than the average value mw and satisfies the above formula (1). At this time, the event determination unit 14 detects that an event event E has occurred.
  • FIG. 6 is a flowchart showing the flow of event detection processing performed by the event detection device 10.
  • the population distribution data acquisition unit 11 uses, as population distribution data, time series information (for example, every hour) on the number of processing cases where location registration processing by a mobile terminal existing in the prediction target area A is performed within a predetermined time. , Every 24 hours, every weekday, every holiday) to create a data set (step S01, estimated acquisition step).
  • the window extraction unit 12 extracts and acquires a portion of information corresponding to the normal time zone w as window partial information from the estimated population information acquired by the population distribution data acquisition unit 11 (step S02, comparison). Step). Then, the target extraction unit 13 performs filtering for excluding abnormal values (step S03, comparison step). Then, the target extraction unit 13 calculates and acquires the average value mw of the population indicated by the window partial information and the standard deviation ⁇ (step S04, comparison step).
  • the target extraction unit 13 extracts a part of information corresponding to the prediction target time zone t from the estimated population information acquired by the population distribution data acquisition unit 11 as target partial information. (Step S05, comparison step). Then, the target extraction unit 13 calculates and acquires the average value mt of the population indicated by the target partial information (step S06, comparison step).
  • step S04 and step S06 the target extraction unit 13 compares the average value mt with the average value mw, and based on the comparison result, the event determination unit 14 determines that the event event E is It is determined whether or not it has occurred (step S07, detection step).
  • FIG. 7 is a functional configuration diagram for explaining the outline of the module configuration according to function of the event detection apparatus 20.
  • the event detection device 20 is configured by the same hardware as the event detection device 10 as shown in FIG. When these components operate, the functions described below are exhibited.
  • the event detection device 20 includes, as functional components, a population distribution data acquisition unit 21 (estimation acquisition unit), a window extraction unit 22 (comparison unit), and a target extraction unit 23 (comparison unit).
  • the event determination unit 24 (detection unit) and the demand prediction unit 25 (prediction unit) are provided.
  • the population distribution data acquisition unit 21 is a part having the same function as the population distribution data acquisition unit 11 described above, and a description thereof will be omitted.
  • the window extraction unit 22 uses the estimated population information acquired by the population distribution data acquisition unit 21 as a multiple regression model using a predicted value in a prediction target time zone t, which will be described later, as a target for detecting the presence or absence of the event event E. This is a part that is calculated by a known autoregressive moving average model (a so-called ARMA model that performs regression using autoregressive AR, moving average MA, and difference I) and is acquired as window partial information.
  • the window extraction unit 22 acquires the predicted value using estimated population information corresponding to a normal time zone w, which will be described later, where the event event E is not clearly held.
  • the explanatory variables for regression those with good prediction accuracy are selected by parameter tuning. Specifically, it is a flag indicating whether it is several hours ago, several days ago, weekday or holiday.
  • the target extraction unit 23 always moves a part of the information corresponding to the prediction target time zone t described later from the estimated population information acquired by the population distribution data acquisition unit 21 as the target partial information while moving the prediction target time zone t. This is the part that is extracted and acquired.
  • the target extracting unit 23 is based on each of the configuration values nt constituting the acquired target partial information and the population indicated by the Windows partial information acquired by the Window extracting unit 22 and corresponding to each of the configuration values nt Are compared with each other while making the configuration value nt correspond to the reference value.
  • the reference value based on the population indicated by the window partial information is the predicted value nw indicated by the window partial information in the second embodiment.
  • the comparison result is output to the event determination unit 24.
  • the target extraction unit 23 causes the corresponding configuration value nt to be larger than the prediction value nw, and the standard residual between the prediction value nw and the configuration value nt is greater than a predetermined threshold value.
  • the event determination unit 24 determines that the event event E is determined when the target extraction unit 23 determines that the constituent value nt is larger than the predicted value nw and satisfies the following formula (2). It is the part that detects that it has occurred.
  • ⁇ represents the standard deviation of the window partial information
  • b represents a predetermined threshold value.
  • the demand prediction unit 25 is a part that predicts the number of demands using a predetermined mathematical expression when the event determination unit 24 detects that an event event E has occurred.
  • FIG. 8 is a graph for explaining a method for comparing the target part information and the window part information.
  • the vertical axis represents the population indicated by the estimated population information acquired by the population distribution data acquisition unit 21, and the horizontal axis represents the elapsed time.
  • the window extraction unit 22 uses the estimated population information to calculate a predicted value in a prediction target time zone t that is a target for detecting the presence or absence of the event event E, as a known autoregressive moving average. Calculated by the model and acquired as window partial information (broken line).
  • the target extraction unit 23 acquires a part of information corresponding to the prediction target time zone t from the estimated population information as target partial information (solid line).
  • the target extraction unit 23 compares each of the configuration values nt constituting the acquired target partial information with the predicted value nw indicated by the Window partial information. Here, the target extraction unit 23 determines that the component value nt is larger than the predicted value nw and satisfies the above formula (2). At this time, the event determination unit 24 detects that an event event E has occurred.
  • FIG. 9 is a flowchart showing a flow of event detection processing performed by the event detection device 20.
  • the population distribution data acquisition unit 21 uses, as population distribution data, time series information (for example, every hour) for the number of processing cases where the location registration processing by the mobile terminal existing in the prediction target area A is performed within a predetermined time. , Every 24 hours, every weekday, every holiday) to create a data set and perform filtering to exclude outliers (step S11, estimated acquisition step).
  • the window extraction unit 22 extracts and acquires a part of information corresponding to the normal time zone w as window partial information from the estimated population information acquired by the population distribution data acquisition unit 21 (step S12, comparison). Step). Then, the window extraction unit 22 creates the variable by determining an explanatory variable set in the known autoregressive moving average model used for calculating the predicted value (that is, a 1 in the mathematical expression shown in FIG. 20) (step 1 ). S13, comparison step). Then, the window extraction unit 22 creates an autoregressive moving average model using the created explanatory variable set (step S14, comparison step).
  • the target extraction unit 23 extracts a part of information corresponding to the prediction target time zone t from the estimated population information acquired by the population distribution data acquisition unit 21 as target partial information. (Step S15, comparison step). Then, the target extraction unit 23 creates the variable by determining an explanatory variable set in the known autoregressive moving average model used for calculating the predicted value (that is, a 1 in the mathematical formula shown in FIG. 20) (step 1 ). S16, comparison step).
  • the window extraction unit 22 calculates a predicted value in the prediction target time zone t (target section) using the created autoregressive moving average model. Obtained as window partial information (step S17, comparison step). Then, the target extraction unit 23 compares the average value nt of the population indicated by the target partial information with the average value nw of the predicted value indicated by the Window partial information acquired by the Window extraction unit 22, and based on this comparison result The event determination unit 24 determines whether or not the event event E has occurred (step S18, detection step).
  • FIG. 10 is a functional configuration diagram for explaining an outline of the function-specific module configuration of the event detection device 30.
  • the event detection device 30 is configured by the same hardware as the event detection device 10 as shown in FIG. When these components operate, the functions described below are exhibited.
  • the event detection device 30 includes, as functional components, a population distribution data acquisition unit 31 (estimation acquisition unit), a window extraction unit 32 (comparison unit), and a significant point calculation unit 33 (comparison unit). ), An event determination unit 34 (detection unit), and a demand prediction unit 25 (prediction unit).
  • the population distribution data acquisition unit 31 is a part having the same function as the population distribution data acquisition units 11 and 21, and will not be described.
  • the window extraction unit 32 uses a portion of information corresponding to a normal time zone w (that is, a prediction target time zone) described later as the window partial information from the estimated population information acquired by the population distribution data acquisition unit 31 as a normal time zone. This is the part that is always extracted and acquired while moving w.
  • the significant point calculation unit 33 calculates and acquires a predetermined significant point in a known outlier test model (that is, Smirnov-Grubbs test) based on the population indicated by the window partial information acquired by the window extraction unit 32. Part. This significance point is determined based on the following mathematical formula (3).
  • the approximate upper 100 ⁇ % significance point is that t ⁇ / n is the upper 100 ⁇ % significance point of the t distribution with n ⁇ 2 degrees of freedom.
  • ⁇ is a predetermined significance level
  • n is a numerical value obtained by subtracting 1 from the number of data included in the window partial information.
  • the significant point calculation unit 33 compares the reference value defined by the acquired significant points with the population indicated by the window partial information acquired by the window extraction unit 32. The comparison result is output to the event determination unit 24.
  • the event determination unit 34 When the significant point calculation unit 33 determines that the population indicated by the window partial information is larger than the reference value defined by the significant point, the event determination unit 34 generates an outlier because the outlier is generated. This is the part that detects that E has occurred. In other words, when the data constituting the window partial information is ⁇ X1, X2,..., Xi ⁇ and the unbiased variance is V, the value obtained by the following equation (4) is greater than or equal to the significant point. Since an outlier has been generated, it is detected that an event event E has occurred.
  • the demand prediction unit 35 is a part that predicts the number of demands using a predetermined mathematical formula when the event determination unit 34 detects that an event event E has occurred.
  • FIG. 11 is a graph for explaining an outlier detection method.
  • the vertical axis represents a value based on the population indicated by the estimated population information acquired by the population distribution data acquisition unit 31, and the horizontal axis represents the elapsed time.
  • the window extraction unit 32 obtains a partial information corresponding to the normal time zone w (that is, the prediction target time zone) from the estimated population information acquired by the population distribution data acquisition unit 31. , Always extracting and acquiring the window partial information while moving the normal time zone w.
  • the significant point calculation unit 33 calculates a predetermined significant point in a known outlier test model (that is, Smirnov-Grubbs test) based on the population indicated by the window partial information acquired by the window extraction unit 32. Get. This significant point corresponds to the value indicated by “99%” in FIG.
  • the significant point calculation unit 33 compares the reference value defined by the acquired significant point with the population indicated by the window partial information acquired by the window extraction unit 32.
  • the significant point calculation unit 33 determines that the population indicated by the window partial information is larger than the reference value defined by the significant point, and detects that an outlier has been generated.
  • the event determination unit 34 detects that an event event E has occurred.
  • FIG. 12 is a flowchart showing a flow of event detection processing performed by the event detection device 30.
  • the population distribution data acquisition unit 31 acquires the number information as population distribution data (estimation acquisition step), and the window extraction unit 32 obtains the normal time zone from the estimated population information acquired by the population distribution data acquisition unit 31. A part of information corresponding to w is extracted and acquired as window partial information (step S21, comparison step).
  • the significant point calculation unit 33 calculates a predetermined significant point in a known outlier test model (that is, Smirnov-Grubbs test) based on the population indicated by the window partial information acquired by the window extraction unit 32. (Step S22, comparison step).
  • a known outlier test model that is, Smirnov-Grubbs test
  • the significant point calculation unit 33 compares the reference value defined by the acquired significant point with the population indicated by the window partial information acquired by the window extraction unit 32, and determines the event based on the comparison result.
  • the unit 34 determines whether or not the event event E has occurred (step S23, detection step).
  • FIG. 13 is a functional configuration diagram for explaining the outline of the module configuration according to function of the event detection device 40.
  • the event detection device 40 is configured by the same hardware as the event detection device 10 as shown in FIG. When these components operate, the functions described below are exhibited.
  • the event detection device 40 includes, as functional components, a population distribution data acquisition unit 41 (estimation acquisition unit), an area division unit 42 (comparison unit), and a first correlation acquisition unit 43 (comparison). Means), a pair determination unit 44 (comparison unit), a second correlation acquisition unit 45 (comparison unit), an event determination unit 46 (detection unit), and a demand prediction unit 45 (prediction unit).
  • the population distribution data acquisition unit 41 is a part having the same function as the population distribution data acquisition units 11 and 21, and will not be described.
  • the area dividing unit 42 is a part that divides the estimated population information acquired by the population distribution data acquiring unit 41 into information for each area and acquires a plurality of divided area information.
  • This area is, for example, an area in front of each station of two stations adjacent to each other on the same railway line.
  • the first correlation acquisition unit 43 relates to divided area information corresponding to a later-described normal time zone w (for example, 24 hours) in which a recognizable event event E is not clearly held in the prediction target area A, and a change situation of the population. This is a part for searching for a correlation area having a correlation while calculating a correlation coefficient from other divided area information.
  • the pair determination unit 44 selects the prediction area A and the correlation area B by selecting the division area information corresponding to the normal time zone w and the correlation area B having a correlation coefficient greater than or equal to a predetermined value with respect to the population change status. This is the part to be determined as a pair.
  • the second correlation acquisition unit 45 has a population change state estimated in the normal time zone w described later in the correlation area B and a population estimated in the normal time zone w (prediction target time zone) described later in the prediction target area A. This is a part for determining whether or not the correlation with the change state is lost. For example, when the population in the prediction target area A is overwhelmingly larger than the population in the correlation area B, it is determined that the correlation coefficient is less than a predetermined value and the correlation is lost.
  • the event determination unit 46 detects that an event event E has occurred when the second correlation acquisition unit 45 determines that there is no correlation between the correlation area B and the prediction target area A regarding the change in population. It is a part to do.
  • the demand prediction unit 47 is a part that predicts the number of demands using a predetermined mathematical formula when the event determination unit 46 detects that an event event E has occurred.
  • FIG. 14 is a graph for explaining a correlation detection method.
  • the vertical axis represents the population indicated by the estimated population information acquired by the population distribution data acquisition unit 31, and the horizontal axis represents the elapsed time.
  • the first correlation acquisition unit 43 selects a correlation area having a correlation with the divided area information (upper part of FIG. 43) corresponding to the normal time zone w from other divided area information. Search while calculating the correlation coefficient.
  • the lower part of FIG. 43 shows one divided area information among other divided area information. This divided area information is determined as a pair because the correlation coefficient with the divided area information corresponding to the normal time zone w (upper stage in FIG. 14) is a predetermined value or more.
  • FIG. 15 and FIG. 15 and 16 are flowcharts showing the flow of event detection processing performed by the event detection device 40.
  • the population distribution data acquisition unit 41 acquires the number information as population distribution data (estimation acquisition step), and the area division unit 42 is acquired by the population distribution data acquisition unit 41.
  • the estimated population information is divided into information for each area to obtain a plurality of pieces of divided area information (step S31, comparison step).
  • the first correlation acquisition unit 43 searches for a correlation area having a correlation with the divided area information corresponding to the normal time zone w while calculating the correlation coefficient from the other divided area information (step S32). , Comparison step). And the pair determination part 44 selects the correlation area B which has the correlation coefficient more than predetermined value regarding the division area information corresponding to the normal time slot
  • the second correlation acquisition unit 45 sets the correlation area B and the prediction target area A as monitoring targets (step S34, comparison step), and the normal time zone w in the correlation area B
  • a correlation coefficient between the estimated change state of the population and the estimated change state of the population in the normal time zone w (prediction target time zone) in the prediction target area A is calculated and constantly monitored (step S35, comparison step) ).
  • the second correlation acquisition unit 45 always determines whether or not the correlation has been lost based on the correlation coefficient related to the change in the population between the correlation area B and the prediction target area A. Based on this, the event determination unit 46 determines whether or not the event event E has occurred (step S36, detection step).
  • FIG. 17 is an explanatory diagram illustrating an example of estimated population information
  • FIG. 18 is an explanatory diagram illustrating an example of estimated population information when the autoregressive moving average model in the second embodiment is used.
  • the estimated population information indicates an area ID for identification for identifying each of the above areas, an area polygon indicating the shape of the area, and a time zone in which the estimated population information is valid. It includes time and the population estimated at the corresponding time.
  • the estimated population information when the autoregressive moving average model in the second embodiment is used in addition to the information shown in FIG. It includes an explanatory variable indicating the population several days ago) and an explanatory variable as flag information indicating whether it is a weekday or a holiday.
  • FIG. 19 is an explanatory diagram illustrating an example of an evaluation method for each event detection method by the event detection device.
  • event event E holding information When event event E holding information is acquired by the event detection device, it is detected by the event detection device out of the total number of events detected by the event information or the proportion indicated by the holding information. The percentage of the event can be calculated and evaluated as an event detection rate.
  • evaluation may be performed by counting as one point.
  • event event E occurs when it is determined that the population indicated by the estimated population information in the prediction target time zone is larger than the reference value based on the population indicated by the estimated population information in the normal time zone.
  • detecting it is possible to detect the presence or absence of the event event E having a population larger than the reference value based on the estimated population in the normal time zone with higher accuracy.
  • the event events E in the prediction target area A are collectively detected, the accumulation of errors does not become larger than the prediction of the number of demands for each event event E and the addition of all event events E. It becomes possible to predict the number of demands more accurately.
  • the event detection device is installed in a taxi company, and the event event E in the prediction target area A that is a target for predicting the number of demands of customers who want to use the taxi dispatch service.
  • the content of the service is not particularly limited, for example, prediction of the number of rides as an objective variable in transport services by other public transportation such as trains, buses and new transportation systems.
  • it may be sales prediction (commercial area analysis) as an objective variable in the goods sales service.
  • the presence or absence of an event event can be detected with higher accuracy.

Abstract

　より精度よくイベント行事の有無を検知することが可能なイベント検知装置及びイベント検知方法を提供する。イベント検知装置１０は、所定の予測対象エリアＡにおけるイベント行事の発生の有無を検知するイベント検知装置であって、予測対象エリアＡにおいて推定される人口を示す推定人口情報を取得する人口分布データ取得部１１と、通常時間帯において取得された推定人口情報が示す人口に基づく基準値と、予測対象時間帯において取得された推定人口情報とを比較するＷｉｎｄｏｗ抽出部１２及びｔａｒｇｅｔ抽出部１３と、基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知するイベント判定部１４とを備える。

Description

イベント検知装置及びイベント検知方法
　本発明は、所定のエリアにおけるイベント行事の発生の有無を検知するイベント検知装置と、当該イベント検知装置が行なうイベント検知方法とに関する。
　従来、タクシー等の車両の配車サービスの需要件数を予測するシステムが各種提案されている。例えば特許文献１には、予め定められた場合分けごとに決定された需要実績データと変動要因実績データとの関係を用いて配車の需要予測を行う車両需要予測システムが開示されている。
特開２００１－８４２４０号公報
　特許文献１に記載の車両需要予測システムが需要予測を行う際に用いるのは、車両の空車、賃走、迎車、休憩の四状態の各状態間で車両状態が遷移した時刻を示す需要実績データであって、タクシー等の車両を必要とする人の数が多くなると推測されるイベント行事の有無を示すイベント有無データでないため、このイベント有無データに基づいて需要予測をより精度よく行なうことに関してはなんら考慮されていない。これは、需要予測の対象となる予測対象エリアに関して、より精度よくイベント行事の有無を検知することが困難であるという問題があるためと考えられる。
　そこで本発明は、上記の問題点を解消する為になされたものであり、より精度よくイベント行事の有無を検知することが可能なイベント検知装置及びイベント検知方法を提供することを目的とする。
　本発明に係るイベント検知装置は、所定のエリアにおけるイベント行事の発生の有無を検知するイベント検知装置であって、所定のエリアにおいて推定される人口を示す推定人口情報を推定取得手段と、通常時間帯において推定取得手段によって取得された推定人口情報が示す人口に基づく基準値と、イベント行事の有無を検知する対象となる予測対象時間帯において推定取得手段によって取得された推定人口情報とを比較する比較手段と、比較手段によって、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知する検知手段と、を備えることを特徴とする。
　本発明に係るイベント検知装置では、まず、推定人口情報を取得し、通常時間帯において取得された推定人口情報が示す人口に基づく基準値と、予測対象時間帯において取得された推定人口情報とを比較する。ここで、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知する。このように、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知することにより、通常時間帯における推定人口に基づく基準値よりも人口が多くなるイベント行事の有無を、より精度よく検知することが可能になる。
　また、推定取得手段は、所定のエリアにおいて所定時間内に携帯端末による位置登録処理が行われた処理件数に関する件数情報を、推定人口情報として取得するのも好ましい。ここで、推定取得手段によって取得された件数情報によって示される位置登録処理が行われた処理件数が多くなるほど、携帯端末の保有者が多いと推測されるため、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このため、この構成により、人口の動的な変化を推定することができるようになるため、より精度良く需要予測を行なうことが可能になる。
　また、比較手段は、通常時間帯において推定取得手段によって取得された推定人口情報が示す人口の平均値を基準値とするのも好ましい。この構成により、通常時間帯における推定人口の平均値よりも人口が多くなるイベント行事の有無を、より精度よく検知することが可能になる。
　また、比較手段は、通常時間帯において推定取得手段によって取得された推定人口情報が示す人口から自己回帰移動平均モデルによって予測される予測値を基準値とするのも好ましい。この構成により、通常時間帯における推定人口から自己回帰移動平均モデルによって予測される予測値よりも人口が多くなるイベント行事の有無を、より精度よく検知することが可能になる。
　また、比較手段は、通常時間帯において推定取得手段によって取得された推定人口情報が示す人口から外れ値検定モデルにおける所定の有意点によって規定される規定値を基準値とするのも好ましい。この構成により、通常時間帯における推定人口から外れ値検定モデルにおける所定の有意点によって規定される規定値よりも人口が多くなるイベント行事の有無を、より精度よく検知することが可能になる。
　また、比較手段は、人口の変化状況に関して所定のエリアと相関関係を有する相関エリアの予測対象時間帯において推定される人口を基準値とし、検知手段は、相関エリアの予測対象時間帯において推定される人口と、予測対象時間帯における推定人口情報が示す人口との相関関係が無くなった場合に、イベント行事が発生したと検知するのも好ましい。この構成により、相関エリアの予測対象時間帯における推定人口と、所定のエリアの予測対象時間帯における推定人口との相関関係が無くなるほど人口が増加したイベント行事の有無を、より精度よく検知することが可能になる。
　本発明に係るイベント検知方法は、所定のエリアにおけるイベント行事の発生の有無を検知するイベント検知装置が行なうイベント検知方法であって、所定のエリアにおいて推定される人口を示す推定人口情報をイベント検知装置が取得する推定取得ステップと、通常時間帯において推定取得ステップで取得された推定人口情報が示す人口に基づく基準値と、イベント行事の有無を検知する対象となる予測対象時間帯において推定取得ステップで取得された推定人口情報とをイベント検知装置が比較する比較ステップと、比較ステップで、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したとイベント検知装置が検知する検知ステップと、を有することを特徴とする。
　本発明に係るイベント検知方法では、まず、推定人口情報を取得し、通常時間帯において取得された推定人口情報が示す人口に基づく基準値と、予測対象時間帯において取得された推定人口情報とを比較する。ここで、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知する。このように、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事が発生したと検知することにより、通常時間帯における推定人口に基づく基準値よりも人口が多くなるイベント行事の有無を、より精度よく検知することが可能になる。
　本発明によれば、より精度よくイベント行事の有無を検知することが可能なイベント検知装置及びイベント検知方法を提供することができる。
イベント検知装置の機能を説明するための機能説明図である。 予測対象エリアにおけるイベント数と需要件数との相関関係を示すためのグラフである。 イベント検知装置の機能別モジュール構成の概略を説明するための機能構成図である。 イベント検知装置の物理構成の概略を説明するための物理構成図である。 ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法を説明するためのグラフである。 イベント検知装置が行なうイベント検知処理の流れを示すフロー図である。 イベント検知装置の機能別モジュール構成の概略を説明するための機能構成図である。 ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法を説明するためのグラフである。 イベント検知装置が行なうイベント検知処理の流れを示すフロー図である。 イベント検知装置の機能別モジュール構成の概略を説明するための機能構成図である。 外れ値の検知手法を説明するためのグラフである。 イベント検知装置が行なうイベント検知処理の流れを示すフロー図である。 イベント検知装置の機能別モジュール構成の概略を説明するための機能構成図である。 相関関係の検知手法を説明するためのグラフである。 イベント検知装置が行なうイベント検知処理の流れを示すフロー図である。 イベント検知装置が行なうイベント検知処理の流れを示すフロー図である。 推定人口情報の一例を説明する説明図である。 第二実施形態における自己回帰移動平均モデルを用いた場合の推定人口情報の一例を説明する説明図である。 イベント検知装置による各イベント検知方法の評価方法の一例を説明する説明図である。
　以下、添付図面を参照しながら本発明の好適な実施形態を説明する。なお、図面の説明において同一要素には同一符号を付し、重複する説明を省略する。
（１）イベント検知装置の機能
　まず、本実施形態に係るイベント検知装置について、図１を用いて説明する。図１は、このイベント検知装置の機能を説明するための機能説明図である。イベント検知装置は、例えば、タクシー会社に配備され、図１に示されるように、タクシーの配車サービスの利用を望む利用客の需要件数を予測する対象となる所定の予測対象エリアＡにおけるイベント行事Ｅ（いわゆる「いつもどおり」でない特別な事象）の発生の有無を検知する装置である。イベント行事Ｅの一例として、利用客からの需要としての呼び出しコールが比較的多くなるライブコンサートや集会や催し物や展覧会等が挙げられる。
　また、イベント検知装置は、イベント行事Ｅの発生を検知すると、呼び出しコールの数や、予測対象エリアＡの乗車数を需要件数として予測する。このように呼び出しコールの数や乗車数を予測することにより、コール対応に必要な数のオペレータの配備等の対策を行なうことが可能になり、タクシーの配車の手配を円滑に行なうことができるようになる。
（２）イベント数と需要件数との相関関係
　引き続き、予測対象エリアＡにおけるイベント数と需要件数との相関関係について、図２を用いて説明する。図２は、予測対象エリアＡにおけるイベント数と需要件数との相関関係を示すためのグラフである。
　予測対象エリアＡにおけるイベント数と需要件数としてのコール数との間には、図２に示されるように、相関関係がある。同様に、予測対象エリアＡにおけるイベント数とイベント規模（例えば集客数）とを掛け合わせた数値（即ち「イベント数×イベント規模」）であるイベント集客延べ人数と、需要件数としてのコール数との間にも、相関関係がある。このため、より精度よく需要件数を予測するには、より精度よくイベント行事Ｅの有無をイベント検知装置が検知することが必要となる。
（３）イベント検知装置の構成
（３－１－１）第一実施形態に係るイベント検知装置の構成
　引き続き、第一実施形態に係るイベント検知装置の構成について、図３及び図４を用いて説明する。図３は、このイベント検知装置１０の機能別モジュール構成の概略を説明するための機能構成図であり、図４は、このイベント検知装置１０（及び後述のイベント検知装置２０，３０，４０）の物理構成の概略を説明するための物理構成図である。
　イベント検知装置１０は、図４に示されるように、物理的な構成要素としてＣＰＵ１０１、ＲＡＭ１０２、ＲＯＭ１０３、通信モジュール１０４、及び補助記憶装置１０５等のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。
　イベント検知装置１０は、図３に示されるように、機能的な構成要素として、人口分布データ取得部１１（推定取得手段）、Ｗｉｎｄｏｗ抽出部１２（比較手段）、ｔａｒｇｅｔ抽出部１３（比較手段）、イベント判定部１４（検知手段）、及び需要予測部１５（予測手段）を備えている。人口分布データ取得部１１は、予測対象エリアＡにおいて推定される人口や人口分布を示す推定人口情報を取得する部分である。
　例えば、人口分布データ取得部１１は、予測対象エリアＡにおいて所定時間内（例えば１時間以内）に、携帯電話端末といった携帯端末による通信事業者への位置登録処理が行われた処理件数に関する件数情報（いわゆるＯＰＳデータ）を、時系列で取得して、この件数情報を推定人口情報として記憶してもよい。この場合、人口分布データ取得部１１は、所定時間経過後毎（例えば、１時間毎、２４時間毎、平日になる毎、休日になる毎）に、この推定人口情報を例えば通信事業者から受信することによって取得する。また、この件数情報の代わりに、静的な測位によるデータに基づく件数情報を推定人口情報として取得してもよく、昼夜別の統計に基づく人口に関する人口情報を推定人口情報として取得してもよい。この推定人口情報の一例については後述する。
　Ｗｉｎｄｏｗ抽出部１２は、人口分布データ取得部１１によって取得された推定人口情報から、予測対象エリアＡにおいて認識可能なイベント行事Ｅが明らかに催されていない後述の通常時間帯ｗに対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として通常時間帯ｗを移動させながら常時抽出して取得する部分である。
　ｔａｒｇｅｔ抽出部１３は、人口分布データ取得部１１によって取得された推定人口情報から、イベント行事Ｅの有無を検知する対象となる後述の予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報として予測対象時間帯ｔを移動させながら常時抽出して取得する部分である。
　そして、ｔａｒｇｅｔ抽出部１３は、抽出したｔａｒｇｅｔ部分情報が示す人口の後述の平均値ｍｔと、Ｗｉｎｄｏｗ抽出部１２によって取得されたＷｉｎｄｏｗ部分情報が示す人口に基づく基準値とを比較する。ここで、Ｗｉｎｄｏｗ部分情報が示す人口に基づく基準値は、第一実施形態では、Ｗｉｎｄｏｗ部分情報が示す人口の後述の平均値ｍｗである。この比較結果は、イベント判定部１４に出力される。
　なお、Ｗｉｎｄｏｗ部分情報内に異常値が存在する場合、この異常値の存在による影響によって通常時間帯についての推定が正しく行われないことが考えられる。このため、ｔａｒｇｅｔ抽出部１３が平均値ｍｗを算出する際に、単純な平均値を算出する方法以外に、異常値を除外するための以下の二種類のフィルタリング方法がある。即ち、Ｗｉｎｄｏｗ部分情報に対して既知の外れ値検定を行なうことにより外れ値を異常値として特定して除外する方法と、Ｗｉｎｄｏｗ部分情報のうち最高値から数えて１０％に該当する部分と、最低値から数えて１０％に該当する部分との合計２０％の極端データを特定して除外する方法がある。
　イベント判定部１４は、ｔａｒｇｅｔ抽出部１３によって、平均値ｍｗよりも平均値ｍｔの方が大きく、且つ平均値ｍｗと平均値ｍｔの標準残差が所定の閾値よりも大きいと判定された場合に、イベント行事Ｅが発生したと検知する部分である。より詳しくは、イベント判定部１４は、ｔａｒｇｅｔ抽出部１３によって、平均値ｍｗよりも平均値ｍｔの方が大きく且つ下記の数式（１）を満たしていると判定された場合に、イベント行事Ｅが発生したと検知する部分である。ここで、σはＷｉｎｄｏｗ部分情報が示す人口の標準偏差を表しており、ａは所定の閾値を表している。
Figure JPOXMLDOC01-appb-M000001
　需要予測部１５は、イベント判定部１４によって、イベント行事Ｅが発生したと検知された場合に、所定の数式を用いて上記の需要件数を予測する部分である。
（３－１－２）ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法
　引き続き、ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法について、図５を用いて説明する。図５は、ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法を説明するためのグラフである。ここで、縦軸は、人口分布データ取得部１１によって取得された推定人口情報が示す人口を表しており、横軸は、経過時間を表している。
　図５に示されるように、まず、Ｗｉｎｄｏｗ抽出部１２が、推定人口情報から、予測対象エリアＡにおいて認識可能なイベント行事Ｅが明らかに催されていない通常時間帯ｗに対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として取得する。また、ｔａｒｇｅｔ抽出部１３が、推定人口情報から、イベント行事Ｅの有無を検知する対象となる予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報として取得する。
　次に、ｔａｒｇｅｔ抽出部１３が、抽出したｔａｒｇｅｔ部分情報が示す人口の平均値ｍｔと、Ｗｉｎｄｏｗ部分情報が示す人口の平均値ｍｗとを比較する。ここでは、ｔａｒｇｅｔ抽出部１３によって、平均値ｍｗよりも平均値ｍｔの方が大きく且つ上記の数式（１）を満たしていると判定される。このとき、イベント判定部１４が、イベント行事Ｅが発生したと検知する。
（３－１－３）イベント検知装置が行なうイベント検知処理の流れ
　引き続き、イベント検知装置１０が行なうイベント検知処理の流れについて、図６を用いて説明する。図６は、イベント検知装置１０が行なうイベント検知処理の流れを示すフロー図である。
　まず、人口分布データ取得部１１が、予測対象エリアＡに存在する携帯端末による位置登録処理が所定時間内に行われた処理件数に関する件数情報を、人口分布データとして時系列（例えば、１時間毎、２４時間毎、平日になる毎、休日になる毎）で取得して、データセットを作成する（ステップＳ０１、推定取得ステップ）。
　次に、Ｗｉｎｄｏｗ抽出部１２が、人口分布データ取得部１１によって取得された推定人口情報から、通常時間帯ｗに対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として抽出して取得する（ステップＳ０２、比較ステップ）。そして、ｔａｒｇｅｔ抽出部１３が、異常値を除外するためのフィルタリングを実施する（ステップＳ０３、比較ステップ）。そして、ｔａｒｇｅｔ抽出部１３が、Ｗｉｎｄｏｗ部分情報が示す人口の平均値ｍｗと、上記の標準偏差σを計算して取得する（ステップＳ０４、比較ステップ）。
　また、上記のステップＳ０２の移行と同時に、ｔａｒｇｅｔ抽出部１３が、人口分布データ取得部１１によって取得された推定人口情報から、予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報として抽出して取得する（ステップＳ０５、比較ステップ）。そして、ｔａｒｇｅｔ抽出部１３が、ｔａｒｇｅｔ部分情報が示す人口の平均値ｍｔを計算して取得する（ステップＳ０６、比較ステップ）。
　そして、上記のステップＳ０４及びステップＳ０６の両方が完了すると、ｔａｒｇｅｔ抽出部１３が、平均値ｍｔと平均値ｍｗとを比較し、この比較結果に基づいて、イベント判定部１４が、イベント行事Ｅが発生したか否かを判定する（ステップＳ０７、検知ステップ）。
（３－２－１）第二実施形態に係るイベント検知装置の構成
　引き続き、第二実施形態に係るイベント検知装置の構成について、図７及び図４を用いて説明する。図７は、このイベント検知装置２０の機能別モジュール構成の概略を説明するための機能構成図である。
　イベント検知装置２０は、図４に示されるように、上記のイベント検知装置１０と同様のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。
　イベント検知装置２０は、図７に示されるように、機能的な構成要素として、人口分布データ取得部２１（推定取得手段）、Ｗｉｎｄｏｗ抽出部２２（比較手段）、ｔａｒｇｅｔ抽出部２３（比較手段）、イベント判定部２４（検知手段）、及び需要予測部２５（予測手段）を備えている。
　人口分布データ取得部２１は、上記の人口分布データ取得部１１と同様の機能を有する部分であり、説明は割愛する。
　Ｗｉｎｄｏｗ抽出部２２は、人口分布データ取得部２１によって取得された推定人口情報を用いて、イベント行事Ｅの有無を検知する対象となる後述の予測対象時間帯ｔにおける予測値を、重回帰モデルとして既知の自己回帰移動平均モデル（自己回帰ＡＲと移動平均ＭＡと階差Ｉを用いて回帰を行なう、いわゆるＡＲＭＡモデル）によって算出してＷｉｎｄｏｗ部分情報として取得する部分である。Ｗｉｎｄｏｗ抽出部２２は、イベント行事Ｅが明らかに催されていない後述の通常時間帯ｗに対応する推定人口情報を用いて、上記の予測値を取得する。回帰の説明変数は、パラメータチューニングで予測精度の良いものが選ばれている。具体的には、数時間前、数日前、平日か休日かを示すフラグ等である。
　ｔａｒｇｅｔ抽出部２３は、人口分布データ取得部２１によって取得された推定人口情報から、後述の予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報として予測対象時間帯ｔを移動させながら常時抽出して取得する部分である。
　そして、ｔａｒｇｅｔ抽出部２３は、取得したｔａｒｇｅｔ部分情報を構成する構成値ｎｔのそれぞれと、Ｗｉｎｄｏｗ抽出部２２によって取得されたＷｉｎｄｏｗ部分情報が示す人口に基づくとともに構成値ｎｔのそれぞれに対応する基準値とを、構成値ｎｔと基準値とを対応させながら比較する。ここで、Ｗｉｎｄｏｗ部分情報が示す人口に基づく基準値は、第二実施形態では、Ｗｉｎｄｏｗ部分情報が示す予測値ｎｗである。この比較結果は、イベント判定部２４に出力される。
　イベント判定部２４は、ｔａｒｇｅｔ抽出部２３によって、上記の予測値ｎｗよりも対応する上記の構成値ｎｔの方が大きく、且つ予測値ｎｗと構成値ｎｔの標準残差が所定の閾値よりも大きいと判定された場合に、イベント行事Ｅが発生したと検知する部分である。より詳しくは、イベント判定部２４は、ｔａｒｇｅｔ抽出部２３によって、予測値ｎｗよりも構成値ｎｔの方が大きく且つ下記の数式（２）を満たしていると判定された場合に、イベント行事Ｅが発生したと検知する部分である。ここで、σはＷｉｎｄｏｗ部分情報の標準偏差を表しており、ｂは所定の閾値を表している。
Figure JPOXMLDOC01-appb-M000002
　需要予測部２５は、イベント判定部２４によって、イベント行事Ｅが発生したと検知された場合に、所定の数式を用いて上記の需要件数を予測する部分である。
（３－２－２）ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法
　引き続き、ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法について、図８を用いて説明する。図８は、ｔａｒｇｅｔ部分情報とＷｉｎｄｏｗ部分情報の比較手法を説明するためのグラフである。ここで、縦軸は、人口分布データ取得部２１によって取得された推定人口情報が示す人口を表しており、横軸は、経過時間を表している。
　図８に示されるように、まず、Ｗｉｎｄｏｗ抽出部２２が、推定人口情報を用いて、イベント行事Ｅの有無を検知する対象となる予測対象時間帯ｔにおける予測値を、既知の自己回帰移動平均モデルによって算出してＷｉｎｄｏｗ部分情報（破線）として取得する。また、ｔａｒｇｅｔ抽出部２３が、推定人口情報から、予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報（実線）として取得する。
　次に、ｔａｒｇｅｔ抽出部２３が、取得したｔａｒｇｅｔ部分情報を構成する構成値ｎｔのそれぞれと、Ｗｉｎｄｏｗ部分情報が示す予測値ｎｗとを比較する。ここでは、ｔａｒｇｅｔ抽出部２３によって、予測値ｎｗよりも構成値ｎｔの方が大きく且つ上記の数式（２）を満たしていると判定される。このとき、イベント判定部２４が、イベント行事Ｅが発生したと検知する。
（３－２－３）イベント検知装置が行なうイベント検知処理の流れ
　引き続き、イベント検知装置２０が行なうイベント検知処理の流れについて、図９を用いて説明する。図９は、イベント検知装置２０が行なうイベント検知処理の流れを示すフロー図である。
　まず、人口分布データ取得部２１が、予測対象エリアＡに存在する携帯端末による位置登録処理が所定時間内に行われた処理件数に関する件数情報を、人口分布データとして時系列（例えば、１時間毎、２４時間毎、平日になる毎、休日になる毎）で取得してデータセットを作成し、異常値を除外するためのフィルタリングを実施する（ステップＳ１１、推定取得ステップ）。
　次に、Ｗｉｎｄｏｗ抽出部２２が、人口分布データ取得部２１によって取得された推定人口情報から、通常時間帯ｗに対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として抽出して取得する（ステップＳ１２、比較ステップ）。そして、Ｗｉｎｄｏｗ抽出部２２が、予測値を算出するために用いる既知の自己回帰移動平均モデルにおける説明変数セット（即ち図２０に記載の数式中のａ１等）を決定することにより作成する（ステップＳ１３、比較ステップ）。そして、Ｗｉｎｄｏｗ抽出部２２が、作成した説明変数セットを用いて、自己回帰移動平均モデルを作成する（ステップＳ１４、比較ステップ）。
　また、上記のステップＳ１２の移行と同時に、ｔａｒｇｅｔ抽出部２３が、人口分布データ取得部２１によって取得された推定人口情報から、予測対象時間帯ｔに対応する一部分の情報を、ｔａｒｇｅｔ部分情報として抽出して取得する（ステップＳ１５、比較ステップ）。そして、ｔａｒｇｅｔ抽出部２３が、予測値を算出するために用いる既知の自己回帰移動平均モデルにおける説明変数セット（即ち図２０に記載の数式中のａ１等）を決定することにより作成する（ステップＳ１６、比較ステップ）。
　次に、上記のステップＳ１４及びステップＳ１６の両方が完了すると、Ｗｉｎｄｏｗ抽出部２２が、作成された自己回帰移動平均モデルを用いて、予測対象時間帯ｔ（ターゲット区間）における予測値を算出してＷｉｎｄｏｗ部分情報として取得する（ステップＳ１７、比較ステップ）。そして、ｔａｒｇｅｔ抽出部２３が、ｔａｒｇｅｔ部分情報が示す人口の平均値ｎｔと、Ｗｉｎｄｏｗ抽出部２２によって取得されたＷｉｎｄｏｗ部分情報が示す予測値の平均値ｎｗとを比較し、この比較結果に基づいて、イベント判定部２４が、イベント行事Ｅが発生したか否かを判定する（ステップＳ１８、検知ステップ）。
（３－３－１）第三実施形態に係るイベント検知装置の構成
　引き続き、第三実施形態に係るイベント検知装置の構成について、図１０及び図４を用いて説明する。図１０は、このイベント検知装置３０の機能別モジュール構成の概略を説明するための機能構成図である。
　イベント検知装置３０は、図４に示されるように、上記のイベント検知装置１０と同様のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。
　イベント検知装置３０は、図１０に示されるように、機能的な構成要素として、人口分布データ取得部３１（推定取得手段）、Ｗｉｎｄｏｗ抽出部３２（比較手段）、有意点計算部３３（比較手段）、イベント判定部３４（検知手段）、及び需要予測部２５（予測手段）を備えている。
　人口分布データ取得部３１は、上記の人口分布データ取得部１１，２１と同様の機能を有する部分であり、説明は割愛する。
　Ｗｉｎｄｏｗ抽出部３２は、人口分布データ取得部３１によって取得された推定人口情報から、後述の通常時間帯ｗ（即ち、予測対象時間帯）に対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として通常時間帯ｗを移動させながら常時抽出して取得する部分である。
　有意点計算部３３は、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口に基づいて、既知の外れ値検定モデル（即ち、スミルノフ・グラブス検定）における所定の有意点を計算して取得する部分である。この有意点は、下記の数式（３）に基づいて決定される。ここでは、近似的な上側１００α％有意点は、ｔα／ｎを自由度ｎ－２のｔ分布の上側１００α％有意点としている。なお、αは所定の有意水準であり、ｎは、Ｗｉｎｄｏｗ部分情報に含まれるデータの数から１を減算して得られる数値である。
Figure JPOXMLDOC01-appb-M000003
　そして、有意点計算部３３は、取得した有意点によって規定される基準値と、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口とを比較する。この比較結果は、イベント判定部２４に出力される。
　イベント判定部３４は、有意点計算部３３によって、有意点によって規定される基準値よりもＷｉｎｄｏｗ部分情報が示す人口の方が大きいと判定された場合に、外れ値が生成されたことからイベント行事Ｅが発生したと検知する部分である。言い換えれば、Ｗｉｎｄｏｗ部分情報を構成するデータを{Ｘ１，Ｘ２，…，Ｘｉ}とし、これらの不偏分散をＶとしたときの下記の数式（４）によって得られる値が、有意点以上である場合に、外れ値が生成されたことからイベント行事Ｅが発生したと検知される。
Figure JPOXMLDOC01-appb-M000004
　需要予測部３５は、イベント判定部３４によって、イベント行事Ｅが発生したと検知された場合に、所定の数式を用いて上記の需要件数を予測する部分である。
（３－３－２）外れ値の検知手法
　引き続き、外れ値の検知手法について、図１１を用いて説明する。図１１は、外れ値の検知手法を説明するためのグラフである。ここで、縦軸は、人口分布データ取得部３１によって取得された推定人口情報が示す人口に基づく値を表しており、横軸は、経過時間を表している。
　図１１に示されるように、まず、Ｗｉｎｄｏｗ抽出部３２が、人口分布データ取得部３１によって取得された推定人口情報から、通常時間帯ｗ（即ち、予測対象時間帯）に対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として通常時間帯ｗを移動させながら常時抽出して取得する。
　次に、有意点計算部３３が、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口に基づいて、既知の外れ値検定モデル（即ち、スミルノフ・グラブス検定）における所定の有意点を計算して取得する。この有意点は、図３１において「９９％」で示される値に対応している。
　次に、有意点計算部３３が、取得した有意点によって規定される基準値と、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口とを比較する。ここでは、有意点計算部３３によって、有意点によって規定される基準値よりもＷｉｎｄｏｗ部分情報が示す人口の方が大きいと判定されて、外れ値が生成されたと検知される。このとき、イベント判定部３４が、イベント行事Ｅが発生したと検知する。
（３－３－３）イベント検知装置が行なうイベント検知処理の流れ
　引き続き、イベント検知装置３０が行なうイベント検知処理の流れについて、図１２を用いて説明する。図１２は、イベント検知装置３０が行なうイベント検知処理の流れを示すフロー図である。
　まず、人口分布データ取得部３１が、件数情報を人口分布データとしてで取得し（推定取得ステップ）、Ｗｉｎｄｏｗ抽出部３２が、人口分布データ取得部３１によって取得された推定人口情報から、通常時間帯ｗに対応する一部分の情報を、Ｗｉｎｄｏｗ部分情報として抽出して取得する（ステップＳ２１、比較ステップ）。
　次に、有意点計算部３３が、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口に基づいて、既知の外れ値検定モデル（即ち、スミルノフ・グラブス検定）における所定の有意点を計算して取得する（ステップＳ２２、比較ステップ）。
　次に、有意点計算部３３が、取得した有意点によって規定される基準値と、Ｗｉｎｄｏｗ抽出部３２によって取得されたＷｉｎｄｏｗ部分情報が示す人口とを比較し、この比較結果に基づいて、イベント判定部３４が、イベント行事Ｅが発生したか否かを判定する（ステップＳ２３、検知ステップ）。
（３－４－１）第四実施形態に係るイベント検知装置の構成
　引き続き、第四実施形態に係るイベント検知装置の構成について、図１３及び図４を用いて説明する。図１３は、このイベント検知装置４０の機能別モジュール構成の概略を説明するための機能構成図である。
　イベント検知装置４０は、図４に示されるように、上記のイベント検知装置１０と同様のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。
　イベント検知装置４０は、図１３に示されるように、機能的な構成要素として、人口分布データ取得部４１（推定取得手段）、エリア分割部４２（比較手段）、第一相関取得部４３（比較手段）、ペア決定部４４（比較手段）、第二相関取得部４５（比較手段）、イベント判定部４６（検知手段）、及び需要予測部４５（予測手段）を備えている。
　人口分布データ取得部４１は、上記の人口分布データ取得部１１，２１と同様の機能を有する部分であり、説明は割愛する。
　エリア分割部４２は、人口分布データ取得部４１によって取得された推定人口情報を、エリア毎の情報に分割して複数の分割エリア情報を取得する部分である。このエリアは、例えば、同一沿線において互いに隣接する二つの駅のそれぞれの駅前エリアである。
　第一相関取得部４３は、予測対象エリアＡにおいて認識可能なイベント行事Ｅが明らかに催されていない後述の通常時間帯ｗ（例えば２４時間）に対応する分割エリア情報と、人口の変化状況に関して相関関係を有する相関エリアを、他の分割エリア情報の中から、相関係数を算出しながら検索する部分である。
　ペア決定部４４は、通常時間帯ｗに対応する分割エリア情報と、人口の変化状況に関して所定値以上の相関係数を有する相関エリアＢを選択することにより、予測対象エリアＡと相関エリアＢをペアとして決定する部分である。
　第二相関取得部４５は、相関エリアＢにおける後述の通常時間帯ｗで推測される人口の変化状況と、予測対象エリアＡにおける後述の通常時間帯ｗ（予測対象時間帯）で推測される人口の変化状況との相関関係が無くなったか否かを判定する部分である。例えば、相関エリアＢにおける人口よりも、予測対象エリアＡにおける人口の方が圧倒的に多くなった場合等に、相関係数が所定値未満となって相関関係が無くなったと判定される。
　イベント判定部４６は、第二相関取得部４５によって相関エリアＢと予測対象エリアＡとの間には人口の変化状況に関して相関関係が無くなったと判定された場合に、イベント行事Ｅが発生したと検知する部分である。
　需要予測部４７は、イベント判定部４６によって、イベント行事Ｅが発生したと検知された場合に、所定の数式を用いて上記の需要件数を予測する部分である。
（３－４－２）相関関係の検知手法
　引き続き、相関関係の検知手法について、図１４を用いて説明する。図１４は、相関関係の検知手法を説明するためのグラフである。ここで、縦軸は、人口分布データ取得部３１によって取得された推定人口情報が示す人口を表しており、横軸は、経過時間を表している。
　図１４に示されるように、第一相関取得部４３が、通常時間帯ｗに対応する分割エリア情報（図４３の上段）と相関関係を有する相関エリアを、他の分割エリア情報の中から、相関係数を算出しながら検索する。図４３の下段に、他の分割エリア情報のうち一つの分割エリア情報が示されている。この分割エリア情報は、通常時間帯ｗに対応する分割エリア情報（図１４の上段）との相関係数が所定値以上であるため、ペアとして決定される。
（３－４－３）イベント検知装置が行なうイベント検知処理の流れ
　引き続き、イベント検知装置４０が行なうイベント検知処理の流れについて、図１５及び図１６を用いて説明する。図１５及び図１６は、イベント検知装置４０が行なうイベント検知処理の流れを示すフロー図である。
　まず、図１５に示されるように、人口分布データ取得部４１が、件数情報を人口分布データとしてで取得し（推定取得ステップ）、エリア分割部４２が、人口分布データ取得部４１によって取得された推定人口情報を、エリア毎の情報に分割して複数の分割エリア情報を取得する（ステップＳ３１、比較ステップ）。
　次に、第一相関取得部４３が、通常時間帯ｗに対応する分割エリア情報と相関関係を有する相関エリアを、他の分割エリア情報の中から相関係数を算出しながら検索する（ステップＳ３２、比較ステップ）。そして、ペア決定部４４が、通常時間帯ｗに対応する分割エリア情報と、人口の変化状況に関して所定値以上の相関係数を有する相関エリアＢを選択することにより、予測対象エリアＡと相関エリアＢをペアとして決定する（ステップＳ３３、比較ステップ）。
　次に、図１６に示されるように、第二相関取得部４５が、相関エリアＢ及び予測対象エリアＡを監視対象として設定し（ステップＳ３４、比較ステップ）、相関エリアＢにおける通常時間帯ｗで推測される人口の変化状況と、予測対象エリアＡにおける通常時間帯ｗ（予測対象時間帯）で推測される人口の変化状況との相関係数を算出して常時監視する（ステップＳ３５、比較ステップ）。
　次に、第二相関取得部４５が、相関エリアＢと予測対象エリアＡとの間の人口の変化状況に関する相関係数に基づいて相関関係が無くなったか否かを常時判定し、この判定結果に基づいて、イベント判定部４６が、イベント行事Ｅが発生したか否かを判定する（ステップＳ３６、検知ステップ）。
（４）各情報の一例
　引き続き、各情報の一例について、図１７及び図１８を用いて説明する。図１７は、推定人口情報の一例を説明する説明図であり、図１８は、第二実施形態における自己回帰移動平均モデルを用いた場合の推定人口情報の一例を説明する説明図である。
　推定人口情報は、図１７に示されるように、上記の各エリアを特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、この推定人口情報が有効な時間帯を示す時間と、対応する時間において推測される人口とを含んで構成されている。
　また、第二実施形態における自己回帰移動平均モデルを用いた場合の推定人口情報は、図１８に示されるように、図１７に示された情報に加えて、所定時間前（例えば数時間前、数日前）の人口を示す説明変数や、平日か休日かを示すフラグ情報としての説明変数を含んで構成されている。
（５）各イベント検知方法の評価方法の一例
　引き続き、イベント検知装置による各イベント検知方法の評価方法の一例について、図１９を用いて説明する。図１９は、イベント検知装置による各イベント検知方法の評価方法の一例を説明する説明図である。
　イベント行事Ｅの開催情報がイベント検知装置によって取得された場合は、イベント検出した全件数のうち開催情報により示されたものの割合や、開催情報により示された全件数のうちイベント検知装置により検出されたものの割合を、イベントの検出率として算出して評価することができる。
　一方、上記の開催情報が取得できていない場合は、複数のイベント検知方法により検知されたものを実際に開催されたイベント行事Ｅとしてみなしてもよい。
　また、図１９に示されるように、正しくイベント行事Ｅを検知できた場合に１ポイントとして集計することにより評価してもよい。
（６）本発明による作用及び効果
　上記のイベント検知装置では、まず、推定人口情報を取得し、通常時間帯において取得された推定人口情報が示す人口に基づく基準値と、予測対象時間帯において取得された推定人口情報とを比較する。ここで、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事Ｅが発生したと検知する。
　このように、通常時間帯における推定人口情報が示す人口に基づく基準値よりも、予測対象時間帯における推定人口情報が示す人口の方が大きいと判定された場合に、イベント行事Ｅが発生したと検知することにより、通常時間帯における推定人口に基づく基準値よりも人口が多くなるイベント行事Ｅの有無を、より精度よく検知することが可能になる。また、予測対象エリアＡにおけるイベント行事Ｅをまとめて検知しているため、イベント行事Ｅのそれぞれについて需要件数を予測して全てのイベント行事Ｅについて足し合わせるよりも、誤差の積み重ねが大きくならずに需要件数をより精度よく予測することが可能になる。
（７）変形例
　上記の実施例では、イベント検知装置は、タクシー会社に配備され、タクシーの配車サービスの利用を望む利用客の需要件数を予測する対象となる予測対象エリアＡにおけるイベント行事Ｅの発生の有無を検知する装置として説明したが、サービスの内容は特に限定されず、例えば、電車やバスや新交通システム等他の公共交通機関による輸送サービスにおける目的変数としての乗車数の予測であってもよく、物品販売サービスにおける目的変数としての売り上げの予測（商圏分析）であってもよい。
　本発明によれば、より精度よくイベント行事の有無を検知することができる。
　１０，２０，３０，４０…イベント検知装置、１１，２１，３１，４１…人口分布データ取得部、１２，２２，３２…Ｗｉｎｄｏｗ抽出部、１３，２３…ｔａｒｇｅｔ抽出部、１４，２４，３４，４６…イベント判定部、１５，２５，３５…需要予測部、３３…有意点計算部、４２…エリア分割部、４３…第一相関取得部、４４…ペア決定部、４５…第二相関取得部、４７…需要予測部、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置、Ａ…予測対象エリア、Ｅ…イベント行事。

Claims (7)

  1. 　所定のエリアにおけるイベント行事の発生の有無を検知するイベント検知装置であって、
    　前記所定のエリアにおいて推定される人口を示す推定人口情報を推定取得手段と、
    　通常時間帯において前記推定取得手段によって取得された前記推定人口情報が示す人口に基づく基準値と、イベント行事の有無を検知する対象となる予測対象時間帯において前記推定取得手段によって取得された前記推定人口情報とを比較する比較手段と、
    　前記比較手段によって、前記通常時間帯における前記推定人口情報が示す人口に基づく基準値よりも、前記予測対象時間帯における前記推定人口情報が示す人口の方が大きいと判定された場合に、前記イベント行事が発生したと検知する検知手段と、
    を備えることを特徴とするイベント検知装置。
  2. 　前記推定取得手段は、前記所定のエリアにおいて所定時間内に携帯端末による位置登録処理が行われた処理件数に関する件数情報を、前記推定人口情報として取得することを特徴とする請求項１に記載のイベント検知装置。
  3. 　前記比較手段は、通常時間帯において前記推定取得手段によって取得された前記推定人口情報が示す人口の平均値を前記基準値とすることを特徴とする請求項1又は２に記載のイベント検知装置。
  4. 　前記比較手段は、通常時間帯において前記推定取得手段によって取得された前記推定人口情報が示す人口から自己回帰移動平均モデルによって予測される予測値を前記基準値とすることを特徴とする請求項1又は２に記載のイベント検知装置。
  5. 　前記比較手段は、通常時間帯において前記推定取得手段によって取得された前記推定人口情報が示す人口から外れ値検定モデルにおける所定の有意点によって規定される規定値を前記基準値とすることを特徴とする請求項1又は２に記載のイベント検知装置。
  6. 　前記比較手段は、人口の変化状況に関して前記所定のエリアと相関関係を有する相関エリアの前記予測対象時間帯において推定される人口を前記基準値とし、
    　前記検知手段は、前記相関エリアの前記予測対象時間帯において推定される人口と、前記予測対象時間帯における前記推定人口情報が示す人口との相関関係が無くなった場合に、前記イベント行事が発生したと検知することを特徴とする請求項1又は２に記載のイベント検知装置。
  7. 　所定のエリアにおけるイベント行事の発生の有無を検知するイベント検知装置が行なうイベント検知方法であって、
    　前記所定のエリアにおいて推定される人口を示す推定人口情報を前記イベント検知装置が取得する推定取得ステップと、
    　通常時間帯において前記推定取得ステップで取得された前記推定人口情報が示す人口に基づく基準値と、イベント行事の有無を検知する対象となる予測対象時間帯において前記推定取得ステップで取得された前記推定人口情報とを前記イベント検知装置が比較する比較ステップと、
    　前記比較ステップで、前記通常時間帯における前記推定人口情報が示す人口に基づく基準値よりも、前記予測対象時間帯における前記推定人口情報が示す人口の方が大きいと判定された場合に、前記イベント行事が発生したと前記イベント検知装置が検知する検知ステップと、
    を有することを特徴とするイベント検知方法。
     
PCT/JP2010/070480 2009-11-20 2010-11-17 イベント検知装置及びイベント検知方法 WO2011062189A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009265507A JP5171793B2 (ja) 2009-11-20 2009-11-20 事象検知装置及び事象検知方法
JP2009-265507 2009-11-20

Publications (1)

Publication Number Publication Date
WO2011062189A1 true WO2011062189A1 (ja) 2011-05-26

Family

ID=44059667

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/070480 WO2011062189A1 (ja) 2009-11-20 2010-11-17 イベント検知装置及びイベント検知方法

Country Status (2)

Country Link
JP (1) JP5171793B2 (ja)
WO (1) WO2011062189A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101599018B1 (ko) * 2014-04-23 2016-03-02 주식회사 야놀자 위치 정보를 이용한 여행 정보 제공 시스템
CN107153882B (zh) 2016-03-03 2021-10-15 北京嘀嘀无限科技发展有限公司 乘客打车时刻分布区间的预测方法和系统
JP6768105B2 (ja) * 2019-03-19 2020-10-14 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
WO2021215096A1 (ja) * 2020-04-23 2021-10-28 株式会社Ｎｔｔドコモ 人口抽出装置
JP7113051B2 (ja) * 2020-09-18 2022-08-04 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
JP7265067B1 (ja) 2022-05-19 2023-04-25 ヤフー株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09153098A (ja) * 1995-11-30 1997-06-10 Omron Corp 車両需要予測システム
JP2002342557A (ja) * 2001-05-14 2002-11-29 Nippon Telegr & Teleph Corp <Ntt> 携帯端末の位置情報に基づく人口分布統計処理システム
JP2002354517A (ja) * 2001-05-29 2002-12-06 Matsushita Electric Ind Co Ltd 人数推定装置、無線基地局、人数推定方法及び送信方法
JP2009048296A (ja) * 2007-08-15 2009-03-05 Oki Electric Ind Co Ltd 要因分析装置、要因分析システム、要因分析方法、及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2005038680A1 (ja) * 2003-10-15 2007-01-25 富士通株式会社 情報配信サービス提供システム及び同システムにおける情報配信方法並びに同システムに用いられるサーバシステム
JP4594289B2 (ja) * 2006-12-06 2010-12-08 住友電工システムソリューション株式会社 交通状況推定方法、交通状況推定装置及びコンピュータプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09153098A (ja) * 1995-11-30 1997-06-10 Omron Corp 車両需要予測システム
JP2002342557A (ja) * 2001-05-14 2002-11-29 Nippon Telegr & Teleph Corp <Ntt> 携帯端末の位置情報に基づく人口分布統計処理システム
JP2002354517A (ja) * 2001-05-29 2002-12-06 Matsushita Electric Ind Co Ltd 人数推定装置、無線基地局、人数推定方法及び送信方法
JP2009048296A (ja) * 2007-08-15 2009-03-05 Oki Electric Ind Co Ltd 要因分析装置、要因分析システム、要因分析方法、及びプログラム

Also Published As

Publication number Publication date
JP5171793B2 (ja) 2013-03-27
JP2011108193A (ja) 2011-06-02

Similar Documents

Publication Publication Date Title
JP5171793B2 (ja) 事象検知装置及び事象検知方法
US9852342B2 (en) Surveillance system
KR101748122B1 (ko) 경보의 오류율 계산 방법
US20180278894A1 (en) Surveillance system
US20130203377A1 (en) Terminal quantity estimation device and terminal quantity estimation method
CN110309735A (zh) 异常侦测方法、装置、服务器及存储介质
JP2006079483A (ja) 交通情報提供装置，交通情報提供方法
CN107679683B (zh) 软件开发进度预警方法和装置
CN108574839B (zh) 一种卡口设备异常检测方法及装置
US20140229224A1 (en) Scheduling based on customer tracking
CN110023861B (zh) 用于监控制造工厂的系统和方法
CN110990245A (zh) 基于调用链数据的微服务运行状态判断方法及装置
CN112188534A (zh) 一种异常检测方法和装置
US9826497B2 (en) Method and system for determining whether beacon device is abnormal
WO2011027734A1 (ja) 評価予測システム、評価予測方法および情報分析装置
CN111817896B (zh) 一种接口监控方法及装置
Xiao et al. Use of data from point detectors and automatic vehicle identification to compare instantaneous and experienced travel times
EP3425606B1 (en) Traffic situation estimation system and traffic situation estimation method
JP2019053578A (ja) 交通量判定システム、交通量判定方法、及び交通量判定プログラム
CN116133031A (zh) 一种楼宇网络质量评估的方法、装置、电子设备以及介质
KR101848367B1 (ko) 모션벡터와 dct 계수를 이용한 메타데이터 기반 의심영상 구분식별 방식의 영상 관제 방법
Ghazal et al. Real-time automatic detection of vandalism behavior in video sequences
Ghazal et al. Real-time vandalism detection by monitoring object activities
CN112347151B (zh) 嫌疑程度确定方法及数据分析设备
JP5544021B2 (ja) 位置管理装置および位置管理方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10831583

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10831583

Country of ref document: EP

Kind code of ref document: A1