WO2011065256A1 - 需要予測装置及び需要予測方法 - Google Patents

需要予測装置及び需要予測方法 Download PDF

Info

Publication number
WO2011065256A1
WO2011065256A1 PCT/JP2010/070381 JP2010070381W WO2011065256A1 WO 2011065256 A1 WO2011065256 A1 WO 2011065256A1 JP 2010070381 W JP2010070381 W JP 2010070381W WO 2011065256 A1 WO2011065256 A1 WO 2011065256A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
area
demand
distance
information
Prior art date
Application number
PCT/JP2010/070381
Other languages
English (en)
French (fr)
Inventor
基成 小林
池田　大造
禎矩 青柳
亨 小田原
岡島　一郎
永田　智大
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
Priority to EP10833103.4A priority Critical patent/EP2506193A4/en
Priority to US13/511,216 priority patent/US20120265580A1/en
Publication of WO2011065256A1 publication Critical patent/WO2011065256A1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q50/40—

Definitions

  • the present invention relates to a demand prediction device for predicting the number of demands of users who desire to use a service, and a demand prediction method performed by the demand prediction 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. And since it is not geographical data which shows the place estimated that there are many people who require vehicles, such as a taxi, it does not consider at all about performing a demand forecast based on this geographical data. Thereby, there exists a problem that the prediction precision in demand prediction may worsen.
  • the present invention has been made to solve the above-described problems, and an object thereof is to provide a demand prediction apparatus and a demand prediction method capable of performing demand prediction with higher accuracy.
  • the demand prediction apparatus is a demand prediction apparatus that predicts the number of demands of users who desire to use a service, and includes an estimation acquisition unit that acquires estimated population information indicating a population estimated in a predetermined area, Distance acquisition means for acquiring relative distance information indicating the distance between the position of the prediction reference area included in the area and the position of the prediction target area that is the prediction target of the number of demands based on the prediction reference area, and the estimation acquisition means Prediction means for predicting the number of demands in the prediction target area by performing regression analysis using the estimated population information acquired by the above and the residual based on the relative distance information acquired by the distance acquisition means, The means is characterized in that the number of demands is predicted by weighting so that the residual becomes smaller as the distance indicated by the relative distance information becomes shorter.
  • estimated population information indicating a population estimated in a predetermined area is acquired, and the position of the prediction reference area included in the predetermined area and the number of demands based on the prediction reference area are calculated.
  • Relative distance information indicating the distance from the position of the prediction target area to be predicted is acquired.
  • the number of demands in the prediction target area is predicted by performing regression analysis using the estimated population information and the residual based on the relative distance information. Note that weighting is performed so that the residual becomes smaller as the distance indicated by the relative distance information is shorter.
  • the demand prediction apparatus not only the above estimated population information having a correlation with the number of persons estimated to require service provision is taken into consideration, but also the position of the prediction reference area and the prediction target area As the distance to the location of the demand is shorter, the number of demands is predicted by performing regression analysis taking into consideration the geographical data as the residual that becomes the difference when forecasting the number of demands. Demand prediction can be performed.
  • the demand prediction apparatus is a demand prediction apparatus for predicting the number of demands of users who desire to use a service, and an estimation acquisition means for acquiring estimated population information indicating a population estimated in a predetermined area; , Event acquisition means for acquiring scale information and event position information relating to an event in a predetermined area, the position of the event indicated by the event position information acquired by the event acquisition means, and the position of the prediction reference area for which the number of demands is predicted
  • the distance acquisition means for acquiring the reference distance information indicating the distance, the estimated population information acquired by the estimation acquisition means, the scale information of the event acquired by the event acquisition means, and the reference distance information acquired by the distance acquisition means
  • a prediction means for predicting, predicting means, the distance indicated by the reference distance information is characterized in that a demand is predicted number was weighted to shorter explanatory variables increases.
  • the demand prediction device first, estimated population information, scale information, and event position information are acquired, and reference distance information indicating the distance between the position of the event indicated by the event position information and the position of the prediction reference area is obtained. get. Then, the number of demands in the prediction reference area is predicted by performing regression analysis using the estimated population information and the explanatory variables based on the scale information and the reference distance information. Note that weighting is performed so that the explanatory variable based on the scale information and the reference distance information becomes larger as the distance indicated by the reference distance information is shorter.
  • the demand prediction apparatus not only the above estimated population information having a correlation with the number of persons estimated to be required to provide services, but also the position of the event and the position of the prediction reference area Since the number of demands is predicted by regression analysis taking into account the condition that the above-mentioned explanatory variable becomes larger as geographical data, the demand forecast can be made with higher accuracy.
  • the distance acquisition means is a relative value indicating a distance between the position of the prediction reference area included in the predetermined area and the position of the prediction target area that is located on the same road as the prediction reference area and is a prediction target of the number of demands.
  • the distance information is acquired, and the predicting means is smaller in the distance indicated by the relative distance information acquired by the distance acquiring means, and becomes smaller in the prediction target area by performing regression analysis using the residual based on the relative distance information. It is also preferable to predict the number of demands.
  • Demand is determined by regression analysis taking into account the condition that the residual that becomes the difference when forecasting the number of demands becomes smaller as the distance between the position of the prediction reference area and the position of the prediction target area becomes shorter. Since the number of cases is predicted, the demand can be predicted with higher accuracy.
  • the estimated acquisition unit acquires the number information regarding the number of processing cases where the location 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 estimated acquisition means acquires weather information related to the weather in the predetermined area and acquires estimated population information based on the weather information.
  • the distance acquisition unit acquires region attribute information related to the attribute of the region including the prediction reference area, and the prediction unit calculates the coefficient of the explanatory variable based on the attribute indicated by the region attribute information acquired by the distance acquisition unit. It is also preferable to predict the number of demands. With this configuration, the number of demands can be predicted based on the attribute of the area including the prediction reference area.
  • the demand prediction method is a demand prediction method performed by a demand prediction device that predicts the number of demands of users who desire to use a service, and the estimated population information indicating the population estimated in a predetermined area is the demand prediction device.
  • Demands relative distance information indicating the distance between the estimation acquisition step acquired by the user, the position of the prediction reference area included in the predetermined area, and the position of the prediction target area that is the target of prediction of the number of demands based on the prediction target area.
  • the demand prediction device performs regression analysis using the distance acquisition step acquired by the prediction device, the estimated population information acquired in the estimation acquisition step, and the residual based on the relative distance information acquired in the distance acquisition step, A prediction step in which the demand prediction device predicts the number of demands in the prediction target area, and the distance indicated by the relative distance information is short in the prediction step. Residual weighted so as to reduce demand prediction unit demand count and is characterized by predicting higher.
  • estimated population information indicating a population estimated in a predetermined area is acquired, and the position of the prediction reference area included in the predetermined area and the number of demands based on the prediction reference area are calculated.
  • Relative distance information indicating the distance from the position of the prediction target area to be predicted is acquired.
  • the number of demands in the prediction target area is predicted by performing regression analysis using the estimated population information and the residual based on the relative distance information. Note that weighting is performed so that the residual becomes smaller as the distance indicated by the relative distance information is shorter.
  • the demand prediction apparatus not only the above estimated population information having a correlation with the number of persons estimated to require service provision is taken into consideration, but also the position of the prediction reference area and the prediction target area As the distance to the location of the demand is shorter, the number of demands is predicted by performing regression analysis taking into consideration the geographical data as the residual that becomes the difference when forecasting the number of demands. Demand prediction can be performed.
  • the demand prediction method is a demand prediction method performed by a demand prediction device that predicts the number of demands of a user who desires to use a service, and demands estimated population information indicating a population estimated in a predetermined area.
  • An estimation acquisition step acquired by the prediction device; an event acquisition step in which the demand prediction device acquires scale information and event position information regarding an event in a predetermined area; and an event position indicated by the event position information acquired in the event acquisition step; It is acquired in the distance acquisition step in which the demand prediction device acquires reference distance information indicating the distance to the position of the prediction target area that is the target of the number of demands, the estimated population information acquired in the estimation acquisition step, and the event acquisition step.
  • Explanatory variables based on the scale information of the event and the reference distance information acquired in the distance acquisition step The demand prediction device performs a regression analysis by using the prediction step in which the demand prediction device predicts the number of demands in the prediction target area. In the prediction step, the explanatory variable becomes smaller as the distance indicated by the reference distance information is shorter.
  • the demand forecasting apparatus predicts the number of demands by weighting so as to increase.
  • the demand prediction device first, estimated population information, scale information, and event position information are acquired, and reference distance information indicating the distance between the position of the event indicated by the event position information and the position of the prediction reference area is obtained. get. Then, the number of demands in the prediction reference area is predicted by performing regression analysis using the estimated population information and the explanatory variables based on the scale information and the reference distance information. Note that weighting is performed so that the explanatory variable based on the scale information and the reference distance information becomes larger as the distance indicated by the reference distance information is shorter.
  • the demand prediction apparatus not only the above estimated population information having a correlation with the number of persons estimated to be required to provide services, but also the position of the event and the position of the prediction reference area Since the number of demands is predicted by regression analysis taking into account the condition that the above-mentioned explanatory variable becomes larger as geographical data, the demand forecast can be made with higher accuracy.
  • FIG. 1 and FIG. 3 are functional explanatory diagrams for explaining the function of this demand prediction server
  • FIG. 2 is an image diagram for explaining the superposition of each data in the demand prediction.
  • the demand prediction server is a device that is deployed in a taxi company, for example, and predicts the number of call calls as a demand from a customer who wants to use a taxi dispatch service or the number of passengers per predetermined area 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.
  • the demand prediction server first, as shown in FIG. 1, among the predetermined areas M1 to M9 divided in a mesh shape, some areas where the provision of taxi dispatch service is most required by the event E M3 is selected, and reference distance information indicating the distance between the position of the event E in the area M3 and the position of the prediction reference area A1 that is a reference for predicting demand is acquired.
  • the demand prediction server performs a regression analysis using the estimated population information in the area M9 including the prediction reference area A1, the explanatory variable based on the scale information of the event E and the reference distance information, and thereby the prediction reference area Predict the number of demands in A1.
  • said explanatory variable namely, the impact with respect to the taxi demand by the event E
  • the distance which said reference distance information shows is short.
  • the demand forecast server not only takes into account the above estimated population information correlated with the number of people estimated to be required to provide taxi dispatch services, but the shorter the reference distance information, the more events Since the number of demands is predicted by performing regression analysis taking into account the condition that the explanatory variable related to impact becomes large as geographical data, it becomes possible to perform demand prediction with higher accuracy.
  • the demand prediction server obtains a regression equation for predicting the demand for the prediction reference area A1, and at the same time, similarly to the prediction reference area A1, the prediction target areas A2 to A2 in the area group G located on the same road R are obtained.
  • a regression equation for predicting demand for each of A4 is obtained. Then, after the demand for the prediction reference area A1 is predicted, the demand for the prediction target area A2 is predicted. Furthermore, after the demand for the prediction target area A2 is predicted, the demand for the prediction target area A3 is predicted. After the demand for the prediction target area A3 is predicted, the demand for the prediction target area A4 is predicted.
  • the sum of the squares of the residuals of each regression equation is minimized, but here it is considered that the regression equation is more similar as the geographical location is closer.
  • a weight is applied to place importance on the geographical proximity. For example, among the prediction target areas A2 to A4, the prediction target area A2 closest to the prediction reference area A1 and the prediction reference area A1 are considered to have the most similar regression equations, and the prediction target farthest from the prediction reference area A1 It is considered that the regression equation is considered not to be the most similar between the area A4 and the prediction reference area A1.
  • the prediction reference area A1 and Estimated population information D05 to be described later regarding the overlapping area the prediction reference area A1 and Estimated population information D05 to be described later regarding the overlapping area
  • event E regarding the area overlapping with the prediction reference area A1 event information regarding its holding time period, etc. Digitize, linearize, and overlay.
  • the estimated population information is information shown by, for example, an hourly mesh population density chart, and the weather information is, for example, information on a rectangular area of about 10 to 500 m per side or areas M1 to M9 per day. Information about the entire area. Moreover, event information is the information regarding the area subdivided rather than said rectangular area for every day, for example.
  • the population indicated by the estimated population information is subjected to linearization processing without value conversion to become linearized population distribution data.
  • the precipitation included in the weather information is set to “0” if it is less than 1 mm, and is set to “1” if it is 1 mm or more, and becomes linearized weather data.
  • the precipitation included in the weather information is “0” if it is less than 1 mm, “1” if it is less than 5 mm, “2” if it is 10 mm or less, and “3” if it is 20 mm or more.
  • the linearization processing may be performed to obtain linearized weather data.
  • the temperature included in the weather information (for example, the highest temperature) is 10 to 20 ° C., the lowest discomfort index is “1”, and if it is less than 10 ° C. or 30 ° C. or higher, the discomfort index is “2”. If the temperature is 35 ° C. or higher, linearization processing may be performed so that the highest discomfort index is “3”.
  • the event category included in the event information is “1”, which is the lowest event size if it is “Sports”, “2” if it is “Exhibition”, and “Festival / Fireworks”. For example, a linearization process for setting the maximum event scale to “3” is performed to obtain linearized event data.
  • the event holding time included in the event information is “1” as the lowest usage rate when it is “1 weekday”, “2” as the usage rate when it is “15:00 on weekdays”, and “holiday” If it is “17:00”, linearization processing is performed so that the degree of utilization is “3”, which is the highest, and linearized event data is obtained.
  • the above-described linearization processing method is an example, and it is preferable to perform the linearization processing while creating a scatter diagram and observing the tendency.
  • spatial weighting geometric weighting processing is performed.
  • the distance between the prediction reference area A1 and the prediction target area on the same road R as the prediction reference area A1 is shorter, the residual in the regression equation for demand prediction is emphasized and weighted.
  • a spatial regression analysis is performed. Thereby, the closer the distance between the areas, the closer the coefficient of the explanatory variable in the regression equation used for predicting the number of demands becomes (that is, the regression equation is similar).
  • the prediction reference area A1 or the prediction target area is included in the area of the facility that affects the taxi demand, such as around the station and bus stop used by the user, around the hospital, and around the traffic blank area
  • the coefficient of the explanatory variable in the regression equation used for prediction of the number of demands related to the prediction reference area A1 and the prediction target area is calculated on the basis of the facility information indicating the attribute of the region.
  • a regression analysis is performed using the actual number of rides, a regression equation is obtained with the number of demands Y i and Y k predicted for the determined application range as objective variables, and this regression equation is used.
  • the number of demands is information relating to an area that is subdivided from the rectangular area for each hour, for example.
  • FIG. 4 is a functional configuration diagram for explaining the outline of the module configuration by function of the demand prediction server 10
  • FIG. 5 is a physical configuration diagram for explaining the outline of the physical configuration of the demand prediction server 10. is there.
  • the demand prediction server 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 demand prediction server 10 includes, as functional components, a data acquisition unit 1 (estimation acquisition unit), a linearization execution unit 2 (event acquisition unit), and a space weighting unit 3 (distance acquisition unit). ), A regression analysis unit 4 (prediction unit), and a demand prediction unit 5 (prediction unit).
  • the data acquisition unit 1 is a part that acquires estimated population information indicating the population and population distribution estimated in the predetermined areas M1 to M9.
  • the estimated population information includes a data acquisition unit together with an identification area ID for specifying the predetermined areas M1 to M9, an area polygon indicating the shape of the area, and a time indicating an effective time zone of the estimated population information. 1 is stored in a storage format to be described later.
  • the data acquisition unit 1 counts the number of processing cases in which the location registration processing to the communication carrier by the mobile terminal such as the mobile phone terminal is performed within the predetermined area M1 to M9 within a predetermined time (for example, within 1 hour).
  • Information may be acquired as estimated population information, number information based on static positioning data may be acquired as estimated population information, and population information related to population based on day / night statistics is acquired as estimated population information. May be.
  • the data acquisition unit 1 acquires estimated population information every time a predetermined time has elapsed (for example, every hour).
  • the data acquisition unit 1 acquires this number information by receiving it from, for example, a communication carrier.
  • the data acquisition unit 1 can acquire weather information related to the weather in the predetermined areas M1 to M9, and can also acquire estimated population information based on the weather information. Further, the data acquisition unit 1 can acquire event information related to the event E performed in the predetermined areas M1 to M9, and can also acquire estimated population information based on the event information.
  • the linearization execution unit 2 is a part that acquires scale information and event position information related to the event E in the predetermined areas M1 to M9.
  • the scale information is information indicating a population such as the number of customers that the event E attracts
  • the event position information is information indicating a place where the provision of a taxi dispatch service is relatively strongly required by the event E being held.
  • the linearization execution unit 2 then predicts population information D05, which will be described later, on the area overlapping the prediction reference area A1 that is the target of forecasting the number of demands, and weather information D06, on the weather and temperature described later, related to the area overlapping the prediction reference area A1. Then, the event E in the area overlapping with the prediction reference area A1 and the event information related to the holding time zone are digitized to perform linearization for linear regression. As described above, since information related to the area overlapping with the prediction reference area A1 is necessary, the mesh shapes included in the information such as the estimated population information D05 and the weather information D06 may be different from each other.
  • the function used for linearization is set by referring to a scatter diagram (for example, a proportional relationship or a quadratic function relationship) between the objective variable (the number of taxi demands) and each explanatory variable.
  • the prediction reference area A1 covers a part of the road R, and this road R is stored as a road line in a storage format described later by the linearization execution unit 2 together with an identification road ID.
  • the space weighting unit 3 acquires reference distance information indicating the distance between the position of the event E indicated by the event position information acquired by the linearization execution unit 2 and the position of the prediction reference area A1 that is a target of prediction of the number of demands. Part. Further, the space weighting unit 3 acquires relative distance information indicating the distance between the position of the prediction reference area A1 and the positions of the prediction target areas A2 to A4 located on the same road R as the prediction reference area A1. . Furthermore, the space weighting unit 3 is a facility relating to the attributes of facilities in areas including the prediction reference area A1 and the prediction target areas A2 to A4 (for example, facilities such as around stations and bus stops, around hospitals, and around empty traffic zones). Get information (region attribute information).
  • the spatial weighting unit 3 performs spatial weighting (geographic weighting) processing in the regression analysis together with the regression analysis unit 4 using the acquired relative distance information.
  • the spatial weighting unit 3 is similar to the regression equation as the geographical location is closer (that is, the coefficient of the explanatory variable is smaller). Is close).
  • the space weighting unit 3 applies weighting in order to place importance on geographically close places. For example, it is considered that the regression equation becomes similar as the distance between the prediction reference area A1 and the prediction target area on the same road R as the prediction reference area A1 is shorter.
  • the facility ID for identifying the facility as the facility information, the polygon indicating the shape of the facility, and the influence of the facility on the population change will be described later by the space weighting unit 3. Stored in storage format.
  • the regression analysis unit 4 uses the estimated population information acquired by the data acquisition unit 1, the scale information acquired by the linearization execution unit 2, and the explanatory variables based on the reference distance information acquired by the space weighting unit 3. This is a part that calculates and generates prediction data such as a regression equation including explanatory variables used when predicting the number of demands in the prediction reference area A1 by performing regression analysis.
  • the regression analysis unit 4 performs weighting so that the explanatory variable becomes larger as the distance indicated by the reference distance information acquired by the space weighting unit 3 is shorter. Further, the regression analysis unit 4 performs regression analysis with weighting so as to reduce the residual, thereby calculating the coefficient of the explanatory variable in the regression equation and predicting the number of demands in the prediction target areas A2 to A4. Regarding the coefficient of the explanatory variable in the regression equation, the coefficient of the explanatory variable becomes closer as the distance (for example, d ij described later) indicated by the relative distance information acquired by the space weighting unit 3 is shorter (that is, the regression equation is It will be similar).
  • the regression analysis part 4 can also calculate the coefficient of the explanatory variable in the regression formula used for prediction of the number of demands based on the attribute which the facility information acquired by the space weighting part 3 shows.
  • the explanatory variable in the regression equation used to predict the number of demands The coefficients of are close to each other.
  • the point indicating the point where the user actually gets on the taxi and the time indicating the date and time when the ride is used are used for calculating the explanatory variables, and a storage format described later by the regression analysis unit 4 Is memorized.
  • the regression analysis unit 4 uses the following mathematical formulas (1) to (3) for obtaining the objective variable K i indicating the number of demands at the position i in the prediction reference area A1.
  • a coefficient for example, ⁇ in (n is 0,..., N)
  • ⁇ in (n is 0,..., N) is obtained and determined as a regression equation for obtaining the number of demands at the position i.
  • x ni (n is 0,..., N) is a numerical value obtained by linearizing the population, precipitation, and temperature at the point i
  • ⁇ i is the number of demands predicted using the regression equation and the actual ride It is a residual indicating a deviation from the number.
  • ⁇ in (n is 0,..., N) that minimizes the value of the following formula (4) using ⁇ i , ⁇ j , ⁇ k ,.
  • d ij indicates the distance between the two points i and j
  • b i is a value that is changed according to the position i (more specifically, an attribute value indicated by the facility information).
  • the regression analysis unit 4 sets “j” to the subscript “i” in the above formulas (1) to (4) in order to determine the regression formula for obtaining the number of demands using the area A2 as the prediction reference area. "Is applied to determine a regression equation for determining the number of demands at the position j. As described above, after the processing related to the area A1 is completed, other areas such as the area A2 and the area A3 are changed to the prediction reference area, and the processing related to each area is similarly performed.
  • the regression analysis unit 4 also calculates the coefficient ⁇ of the explanatory variable based on the attribute indicated by the facility information stored in the space weighting unit 3 to predict the number of demands. More specifically, the coefficient ⁇ of the explanatory variable is calculated in consideration of the residual weight in the spatial regression analysis based on the attribute indicated by the facility information. For example, if the dispatch taxi is made relatively large space, such as near station, area affecting a wide range with respect to taxi demand (i.e., the b i is relatively large area as influential below) Therefore, the coefficient ⁇ of the explanatory variable in the regression equation used to predict the number of demands is a close value (that is, the range in which the regression equation is similar becomes relatively wide).
  • the demand prediction unit 5 is a part for predicting the number of demands in each of the prediction reference area A1 and the prediction target areas A2 to A4 using the prediction data generated by the regression analysis unit 4.
  • the demand prediction unit 5 can be visualized by color-coding and displaying on a map according to the number of demands as a prediction result.
  • the regression equation including explanatory variables used when predicting the number of demands in each of the prediction reference area A1 and the prediction target areas A2 to A4, and the predicted number of demands obtained using this regression formula are the demand forecasting unit 5 is stored in a storage format to be described later.
  • FIG. 6 is a DB configuration diagram illustrating an example of a storage format of area ID and estimated population information.
  • an identification area ID for specifying a predetermined area As shown in FIG. 6, in the data acquisition unit 1, an identification area ID for specifying a predetermined area, an area polygon indicating the shape of the area, and a time zone in which the estimated population information is valid are shown. Time and estimated population information in this area are stored in association with each other.
  • FIG. 7 is a DB configuration diagram illustrating an example of a storage format of area ID and precipitation.
  • an area ID for identification for specifying a predetermined area As shown in FIG. 7, in the data acquisition unit 1, an area ID for identification for specifying a predetermined area, an area polygon indicating the shape of the area, and a time zone in which the information regarding precipitation is valid are displayed. The indicated time and the precipitation are stored in association with each other.
  • FIG. 8 is a DB configuration diagram illustrating an example of a storage format of area ID and temperature.
  • an identification area ID for specifying a predetermined area As shown in FIG. 8, in the data acquisition unit 1, an identification area ID for specifying a predetermined area, an area polygon indicating the shape of the area, and a time zone in which information on the temperature is valid are shown. Time and temperature are stored in association with each other.
  • FIG. 9 is a DB configuration diagram illustrating an example of a storage format of event information.
  • FIG. 10 is a DB configuration diagram illustrating an example of a storage format of road IDs and road lines.
  • road lines and identification road IDs uniquely assigned to the respective road lines are stored in association with each other.
  • FIG. 11 is a DB configuration diagram illustrating an example of a storage format of facility IDs and influences.
  • a facility ID for identification uniquely assigned to each facility such as around a station and a bus stop, around a hospital, or around a traffic blank area, and the polygon of this facility And the influence of this facility are stored in association with each other.
  • a default value b n (n is j,..., K) is initially set, and when a taxi is dispatched to a relatively large place such as the vicinity of a station as described above. Since it is a prediction application area that affects a wide range regarding taxi demand, a value larger than this default value b n is set as the geographical weight value.
  • FIG. 12 is a DB for explaining an example of a storage format of a point indicating in xy coordinates (that is, latitude and longitude) a point where a user actually gets on a taxi and a time indicating the date and time when the ride is performed. It is a block diagram.
  • FIG. 13 is a DB configuration diagram illustrating an example of a storage format of a day of the week corresponding to a time indicating the date and time when the boarding was performed, and whether the day is a weekday or a holiday.
  • the regression analysis unit 4 stores points and time in association with each other. Further, as shown in FIG. 13, the calendar information is stored in association with the day of the week corresponding to the time indicating the date and time when the boarding was performed and whether the day is a weekday or a holiday.
  • FIG. 14 is a DB configuration diagram illustrating an example of a storage format of area IDs and center point points
  • FIG. 15 is an example of a storage format of area IDs and regression equations as regression equation data D11 described later. It is DB structure figure to explain.
  • FIG. 16 is a DB configuration diagram illustrating an example of the storage format of the area ID and the predicted number of rides that can be regarded as the predicted number of demands
  • FIG. 18 is a DB configuration diagram explaining an example of a memory
  • FIG. 18 is a DB configuration diagram illustrating an example of a storage format of area IDs and various types of information as past performance data.
  • the area ID for identification for specifying a predetermined area the area polygon indicating the shape of the area, and the position of the center point such as the center of gravity of the area are determined.
  • a central point indicated by xy coordinates ie, latitude and longitude is stored in association with each other.
  • the demand prediction unit 5 uses the area ID, the area polygon, the center point, and the number of demands related to the corresponding predetermined area as regression equation data D11 described later. Are stored in association with each other.
  • the area ID, the area polygon, the center point, and the predicted number of rides obtained using the corresponding regression equation are stored in association with each other.
  • the demand prediction unit 5 indicates the time zone in which the area ID, the area polygon, the center point, and the information on precipitation and temperature are valid as past performance data. Time, the number of passengers actually boarded by passengers, the normal population without events, precipitation, temperature, the above event impacts, and the above geographical weight values It is remembered.
  • FIG. 19 is a flowchart showing the flow of area extraction processing for extracting a predetermined area overlapping with a road.
  • the data acquisition unit 1 determines and generates detailed mesh information including boundary information for defining a predetermined area divided into a rectangular mesh having an arbitrary size of about 10 to 500 m on a side (step S01).
  • the entire predetermined area is, for example, a substantially rectangular shape with several kilometers to several tens of kilometers in the vertical and horizontal directions.
  • the shape of the predetermined area is not limited to a mesh shape.
  • the data acquisition unit 1 checks the overlap between the mesh-shaped predetermined area and the road R by using the road data D01 indicating the area of the road R, and determines the predetermined area overlapping the road R as the prediction reference area.
  • the result display area data D02 is generated by obtaining the estimated population information extracted as A1 and indicating the population estimated in this predetermined area (step S02, estimated acquisition step). Then, a series of area extraction processing ends.
  • FIG. 20 is a flowchart showing a flow of regression equation calculation processing for calculating a regression equation.
  • linearization event data D08 including scale information and event position information regarding event E acquired by 2
  • facility data D04 indicating the facility ID, polygon, and influence stored by the space weighting unit 3
  • linearized population distribution data D05, linearized weather data D06, linearized temperature data D07, and linearized time zone data D09 linearized by the linearization execution unit 2 are generated (event acquisition step).
  • the space weighting unit 3 acquires these data, acquires reference distance information indicating the distance between the position of the event E and the prediction reference area A1, and at the same time, the prediction reference area A1 and the prediction target area (in this case, prediction) Relative distance information indicating the distance to the target area A2 is acquired (distance acquisition step), and analysis processing is performed together with the regression analysis unit 4 to generate analysis data D10 (step S03). More specifically, the combination of the boarding data D03 as the first process, the combination of the linearized population distribution data D05 as the second process, and the combination of the linearized weather data D06 as the third process. The combination of the linearized temperature data D07 as the fourth process, the combination of the linearized event data D08 as the fifth process, the combination of the facility data D04 as the sixth process, and the seventh process The linearization time zone data D09 is combined.
  • the number of boarding points in each designated time width (for example, 1 o'clock, 2 o'clock, etc.) included in each area polygon is counted and added to the “boarding number”. Is done.
  • processing for adding the influence of each polygon of the facility data D04 overlapping the center point to the “geographic weight value” is performed. If there are no overlapping polygons, a constant is initially set as a default value b n (n is j,..., K).
  • the regression analysis unit 4 uses the generated analysis data D10 to perform a spatial regression analysis for a point or area (for example, position i) where the spatial regression analysis has not been performed (step S04, prediction). Step).
  • residuals ⁇ i , ⁇ j , ⁇ k ,... are obtained.
  • the regression analysis part 4 determines whether execution of the spatial regression analysis was complete
  • the residuals ⁇ i , ⁇ j , ⁇ k ,... are similarly obtained by applying “j” to the subscript “i” in the above formulas (1) to (4).
  • the regression analysis unit 4 is used to predict the number of demands based on the execution result of the spatial regression analysis.
  • the regression data for prediction D11 such as the regression equation including the explanatory variables to be calculated is calculated and generated. Then, a series of regression equation calculation processing ends.
  • FIG. 21 is a flowchart showing the flow of data generation processing for generating prediction result data.
  • linearized population distribution data D05 in addition to the regression data for prediction D11 generated by the regression analysis unit 4, facility data D04 (see FIG. 11), linearized population distribution data D05, linearized weather data D06, linearized temperature data D07, linear Demand prediction unit 5 generates prediction data D17 in which the area and date / time for which the number of demands are to be predicted and the regression data D11 for prediction are associated with each other using the event data D08 and the linearized time zone data D09 (Step S06, prediction step). More specifically, here, the combination of the linearized population distribution data D05 as the first process, the combination of the linearized weather data D06 as the second process, and the linearized temperature data D07 as the third process. The combination, the combination of the linearized event data D08 as the fourth process, the combination of the facility data D04 as the fifth process, and the combination of the linearized time zone data as the sixth process are performed.
  • processing for adding the population value of the time corresponding to the target area of the linearized population distribution data D05 overlapping the central point to “population” is performed.
  • processing for adding the influence of each polygon of the facility data D04 overlapping the center point to the “geographic weight value” is performed. If there are no overlapping polygons, a constant is initially set as a default value b n (n is j,..., K).
  • processing for adding the corresponding time zone value is performed.
  • the predicted value of the linearized population distribution data D05 for example, an average value in the attribute of the target day (for example, day of the week, time, holiday or weekday) is used.
  • weather forecast data is used as the predicted values of the linearized weather data D06 and the linearized temperature data D07.
  • the predicted value of the linearized event data D08 for example, information posted on an event aggregation site or a detection result by an event discovery algorithm is used.
  • the demand prediction unit 5 predicts the number of demands in the prediction reference area A1 and the prediction target areas A2 to A4 using the generated prediction data D17 (step S07, prediction step), and a prediction result indicating the prediction result Data D18 (see FIG. 15) is calculated and generated. Then, a series of data generation processing ends.
  • the demand prediction server 10 first acquires estimated population information indicating the population estimated in a predetermined area, and uses the position of the prediction reference area included in the predetermined area and the prediction reference area as a reference.
  • the relative distance information indicating the distance to the position of the prediction target area that is the prediction target of the number of demands is acquired.
  • the number of demands in the prediction target area is predicted by performing regression analysis using the estimated population information and the residual based on the relative distance information. Note that weighting is performed so that the residual becomes smaller as the distance indicated by the relative distance information is shorter.
  • the demand prediction server 10 not only takes into account the above-mentioned estimated population information correlated with the number of people estimated to require service provision, but also the position of the prediction reference area and the position of the prediction target area. As the distance of is shorter, the number of demands is predicted by performing regression analysis taking into account the condition that the residual that becomes the difference when forecasting the number of demands becomes smaller as geographical data. It becomes possible to do.
  • the demand prediction server 10 first acquires estimated population information, scale information, and event position information, and acquires reference distance information indicating the distance between the event position indicated by the event position information and the position of the prediction reference area. To do. Then, the number of demands in the prediction reference area is predicted by performing regression analysis using the estimated population information and the residual based on the scale information and the reference distance information. Note that weighting is performed so that the explanatory variable based on the scale information and the reference distance information becomes larger as the distance indicated by the reference distance information is shorter.
  • the demand prediction server 10 not only takes the above estimated population information correlated with the number of people estimated to be in need of service provision, but also the distance between the event position and the prediction reference area position. As the number is shorter, the number of demands is predicted by performing regression analysis taking into account the condition that the explanatory variable becomes larger as geographical data, so that the demand prediction can be performed with higher accuracy.
  • Demand prediction can be performed with higher accuracy based on the attributes of the area including the prediction reference area and the prediction target area.
  • the demand prediction server 10 has been described as a device that is deployed in a taxi company and predicts the demand of a customer who wants to use a taxi dispatch service.
  • the contents of the service are particularly limited.
  • it may be a prediction of the number of passengers as an objective variable in a transportation service by other public transportation such as a train, a bus, or a new transportation system, or a prediction of sales as an objective variable in an article sales service (trade area analysis). It may be.
  • demand prediction can be performed with higher accuracy.
  • DESCRIPTION OF SYMBOLS 1 ... Data acquisition part, 2 ... Linearization execution part, 3 ... Spatial weighting part, 4 ... Regression analysis part, 5 ... Demand prediction part, 10 ... Demand prediction server, 101 ... CPU, 102 ... RAM, 103 ... ROM, 104 Communication module 105 Auxiliary storage device A1 Prediction reference area A2 to A4 Prediction target area D01 Road data D02 Result display area data D03 Ride data D04 Facility data D05 Linearization Population distribution data, D06 ... Linearized weather data, D07 ... Linearized temperature data, D08 ... Linearized event data, D09 ... Linearized time zone data, D10 ... Analytical data, D11 ... Regression data for prediction, D17 ... For prediction Data, D18 ... Prediction result data, E ... Event, G ... Area group, M1 to M9 ... Area, R ... Road.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

　より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供する。需要予測サーバ１０は、所定エリア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データ取得部１と、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する空間加重部３と、データ取得部１によって取得された推定人口情報と、空間加重部３によって取得された相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する回帰分析部４及び需要予測部５と、を備える。

Description

需要予測装置及び需要予測方法
　本発明は、サービスの利用を望む利用者の需要件数を予測する需要予測装置と、当該需要予測装置が行なう需要予測方法とに関する。
　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いと推測される場所を示す地理データでないため、この地理データに基づいて需要予測を行なうことに関してはなんら考慮されていない。これにより、需要予測における予測精度が悪くなるおそれがあるという問題がある。
　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、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することを目的とする。
　本発明に係る需要予測装置は、サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、所定エリア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推定取得手段と、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する距離取得手段と、推定取得手段によって取得された推定人口情報と、距離取得手段によって取得された相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する予測手段と、を備え、予測手段は、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けして需要件数を予測することを特徴とする。
　本発明に係る需要予測装置では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、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。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、本発明に係る需要予測装置は、サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、所定エリア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推定取得手段と、所定エリアにおけるイベントに関する規模情報及びイベント位置情報を取得するイベント取得手段と、イベント取得手段によって取得されたイベント位置情報が示すイベントの位置と、需要件数の予測対象となる予測基準エリアの位置との距離を示す基準距離情報を取得する距離取得手段と、推定取得手段によって取得された推定人口情報と、イベント取得手段によって取得されたイベントの規模情報及び距離取得手段によって取得された基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する予測手段と、を備え、予測手段は、基準距離情報が示す距離が短いほど説明変数が大きくなるように重み付けして需要件数を予測することを特徴とする。
　本発明に係る需要予測装置では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、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。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、距離取得手段は、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアと同一の道路上に位置するとともに需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得し、予測手段は、距離取得手段によって取得された相対距離情報が示す距離が短いほど小さくなる、当該相対距離情報に基づく残差を用いて回帰分析することによって、予測対象エリアにおける需要件数を予測するのも好ましい。予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、推定取得手段は、所定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、推定取得手段は、所定エリアにおける天候に関する天候情報を取得するとともに当該天候情報に基づく推定人口情報を取得するのも好ましい。この構成により、所定エリアにおける天候に関する天候情報が考慮に入れられて需要件数が予測されるため、より精度良く需要予測を行なうことが可能になる。
　また、距離取得手段は、予測基準エリアが含まれる領域の属性に関する領域属性情報を取得し、予測手段は、距離取得手段によって取得された領域属性情報が示す属性に基づいた説明変数の係数を算出して需要件数を予測するのも好ましい。この構成により、予測基準エリアが含まれる領域の属性に基づいて、需要件数を予測することが可能になる。
　本発明に係る需要予測方法は、サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、所定エリアにおいて推定される人口を示す推定人口情報を需要予測装置が取得する推定取得ステップと、所定エリアに含まれる予測基準エリアの位置と、当該予測対象エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を需要予測装置が取得する距離取得ステップと、推定取得ステップで取得された推定人口情報と、距離取得ステップで取得された相対距離情報に基づく残差とを用いて需要予測装置が回帰分析することによって、予測対象エリアにおける需要件数を需要予測装置が予測する予測ステップと、を有し、予測ステップでは、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けして需要件数を需要予測装置が予測することを特徴とする。
　本発明に係る需要予測方法では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、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。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、本発明に係る需要予測方法は、サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、所定エリアにおいて推定される人口を示す推定人口情報を需要予測装置が取得する推定取得ステップと、所定エリアにおけるイベントに関する規模情報及びイベント位置情報を需要予測装置が取得するイベント取得ステップと、イベント取得ステップで取得されたイベント位置情報が示すイベントの位置と、需要件数の予測対象となる予測対象エリアの位置との距離を示す基準距離情報を需要予測装置が取得する距離取得ステップと、推定取得ステップで取得された推定人口情報と、イベント取得ステップで取得されたイベントの規模情報及び距離取得ステップで取得された基準距離情報に基づく説明変数とを用いて需要予測装置が回帰分析することによって、予測対象エリアにおける需要件数を需要予測装置が予測する予測ステップと、を有し、予測ステップでは、基準距離情報が示す距離が短いほど説明変数が大きくなるように重み付けして需要件数を需要予測装置が予測することを特徴とする。
　本発明に係る需要予測装置では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、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。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　本発明によれば、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することができる。
需要予測サーバの機能を説明するための機能説明図である。 需要予測における各データの重ねあわせを説明するためのイメージ図である。 需要予測サーバの機能を説明するための機能説明図である。 需要予測サーバ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。 需要予測サーバの物理構成の概略を説明するための物理構成図である。 エリアＩＤと推定人口情報との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと降水量との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと気温との記憶形式の一例を説明するＤＢ構成図である。 イベント情報の記憶形式の一例を説明するＤＢ構成図である。 道路ＩＤと道路ラインとの記憶形式の一例を説明するＤＢ構成図である。 施設ＩＤと影響力との記憶形式の一例を説明するＤＢ構成図である。 実際の乗車地点ポイントと乗車日時との記憶形式の一例を説明するＤＢ構成図である。 乗車日時に対応する曜日と、その日は平日であるか休日であるかとの記憶形式の一例を説明するＤＢ構成図 エリアＩＤと中心点ポイントとの記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと回帰式との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと予想乗車数との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと回帰式との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと予想乗車数との記憶形式の一例を説明するＤＢ構成図である。 道路と重なる所定エリアを抽出するエリア抽出処理の流れを示すフローチャートである。 回帰式を算出する回帰式算出処理の流れを示すフローチャートである。 予測結果データを生成するデータ生成処理の流れを示すフローチャートである。
　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）需要予測サーバの機能
　まず、本実施形態に係る需要予測装置としての需要予測サーバについて、図１～図３を用いて説明する。図１及び図３は、この需要予測サーバの機能を説明するための機能説明図であり、図２は、需要予測における各データの重ねあわせを説明するためのイメージ図である。需要予測サーバは、例えば、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からの需要としての呼び出しコールの数や、所定エリア毎の乗車数を需要件数として予測する装置である。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。
　需要予測サーバでは、まず、図１に示されるように、メッシュ状に区切られた所定エリアＭ１～Ｍ９の中から、イベントＥの開催によってタクシーの配車サービスの提供が最も必要とされる一部エリアＭ３を選択し、このエリアＭ３内のイベントＥの位置と、需要を予測する際の基準となる予測基準エリアＡ１の位置との距離を示す基準距離情報を取得する。
　そして、需要予測サーバでは、予測基準エリアＡ１が含まれるエリアＭ９における推定人口情報と、イベントＥの規模情報及び上記の基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアＡ１における需要件数を予測する。なお、上記の基準距離情報が示す距離が短いほど、上記の説明変数（即ち、イベントＥによるタクシー需要に対するインパクト）が大きくなるように重み付けされている。
　ここで、推定人口情報によって示される人口が多くなるほど、タクシーの配車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。需要予測サーバでは、タクシーの配車サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、上記の基準距離情報が短いほど、イベントインパクトに関する説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、需要予測サーバでは、予測基準エリアＡ１に関して需要を予測するための回帰式を求めると同時に、予測基準エリアＡ１と同様に同一の道路Ｒ上に位置するエリアグループＧ内の予測対象エリアＡ２～Ａ４のそれぞれに関して需要を予測するための回帰式を求める。そして、予測基準エリアＡ１に関する需要が予測された後、予測対象エリアＡ２に関する需要が予測される。更に、予測対象エリアＡ２に関する需要が予測された後、予測対象エリアＡ３に関する需要が予測され、予測対象エリアＡ３に関する需要が予測された後、予測対象エリアＡ４に関する需要が予測される。通常の回帰分析では、各回帰式の残差の二乗和が最小になるようにするが、ここでは、地理的に近いところほど回帰式が似ていると考えられることが考慮され、残差の二乗和が算出される際に、地理的に近いところを重要視するために加重がかけられる。例えば、予測対象エリアＡ２～Ａ４の中で予測基準エリアＡ１に最も近い予測対象エリアＡ２と予測基準エリアＡ１とでは回帰式が最も似ていると考えられるとともに、予測基準エリアＡ１に最も遠い予測対象エリアＡ４と予測基準エリアＡ１とでは回帰式が最も似ていないと考えられることが考慮される。
　なお、需要予測サーバでは、図２に示されるように、例えば予測基準エリアＡ１等に関する需要予測を行って予測結果データＤ１８を算出するための回帰分析を行なう際に、まず、予測基準エリアＡ１と重なるエリアに関する後述の推定人口情報Ｄ０５や、予測基準エリアＡ１と重なるエリアに関する後述の天気や気温に関する天候情報Ｄ０６や、予測基準エリアＡ１と重なるエリアにおけるイベントＥやその開催時間帯に関するイベント情報等を数値化して線形化し、重ね合わせる。このように、各データを重ね合わせることによって、人口や天候やイベントＥ等の各要素を考慮して需要件数を予測することが可能になる。
　推定人口情報は、例えば１時間毎のメッシュ人口密度図等で示された情報であり、天候情報は、例えば１時間毎の一辺１０～５００ｍ程度の矩形エリアに関する情報や１日毎のエリアＭ１～Ｍ９全域に関する情報である。また、イベント情報は、例えば１日毎の上記の矩形エリアよりも細分化されたエリアに関する情報である。
　例えば、推定人口情報によって示される人口は、値変換のない線形化処理が行なわれて線形化人口分布データとなる。また、天候情報に含まれる降水量は、１ｍｍ未満であれば「０」とするとともに、１ｍｍ以上であれば「１」とする線形化処理が行なわれて線形化天気データとなる。なお、天候情報に含まれる降水量は、１ｍｍ未満であれば「０」とし、５ｍｍ未満であれば「１」とし、１０ｍｍ以下であれば「２」とし、２０ｍｍ以上であれば「３」とする線形化処理が行なわれて線形化天気データとなってもよい。
　また、天候情報に含まれる気温（例えば最高気温）は、１０～２０℃であれば不快指数として最低の「１」とし、１０℃未満又は３０℃以上であれば不快指数として「２」とし、３５℃以上であれば不快指数として最高の「３」とする線形化処理が行なわれて線形化天気データとなってもよい。
　また、イベント情報に含まれるイベントのカテゴリは、「スポーツ」であればイベント規模として最低の「１」とし、「展示会」であればイベント規模として「２」とし、「祭り・花火」であればイベント規模として最高の「３」とする線形化処理が行なわれて線形化イベントデータとなる。
　また、イベント情報に含まれるイベントの開催時間帯は、「平日１時」であれば利用度として最低の「１」とし、「平日１５時」であれば利用度として「２」とし、「休日１７時」であれば利用度として最高の「３」とする線形化処理が行なわれて線形化イベントデータとなる。なお、上記の線形化処理の方法は一例であって、散布図等を作成して傾向を見ながら線形化処理を行なうのが好ましい。
　そして、需要予測サーバでは、図３に示されるように、空間加重（地理的加重）処理が行われる。この処理では、予測基準エリアＡ１と、この予測基準エリアＡ１と同一の道路Ｒ上の予測対象エリアとの間の距離が短いほど、需要予測のための回帰式における残差を重要視して加重をかける空間回帰分析が行われる。これにより、エリア間の距離が近いほど、需要件数の予測に用いられる回帰式における説明変数の係数が近い値になる（即ち、回帰式が似てくる）。
　ここで、利用者によって利用される駅及びバス停周辺や病院周辺や交通空白地帯周辺等の、タクシー需要に影響を与える施設の領域内に、予測基準エリアＡ１や予測対象エリアが含まれる場合、このような領域の属性を示す施設情報にも基づいて、予測基準エリアＡ１や予測対象エリアに関する需要件数の予測に用いられる回帰式における説明変数の係数が算出される。需要予測サーバでは、実際の乗車数を用いて回帰分析を行なって、決定された適用範囲に関して予測される需要件数ＹｉやＹｋを目的変数とした回帰式を求めて、この回帰式を用いて需要件数を求める。需要件数は、例えば１時間毎の上記の矩形エリアよりも細分化されたエリアに関する情報である。
（２）需要予測サーバの構成
　引き続き、需要予測サーバの構成について、図４及び図５を用いて説明する。図４は、この需要予測サーバ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５は、この需要予測サーバ１０の物理構成の概略を説明するための物理構成図である。
　需要予測サーバ１０は、図５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。
　需要予測サーバ１０は、図４に示されるように、機能的な構成要素として、データ取得部１（推定取得手段）、線形化実行部２（イベント取得手段）、空間加重部３（距離取得手段）、回帰分析部４（予測手段）、及び需要予測部５（予測手段）を備えている。
　データ取得部１は、上記の所定エリアＭ１～Ｍ９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。推定人口情報は、上記の所定エリアＭ１～Ｍ９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ともにデータ取得部１によって後述する記憶形式で記憶される。
　ここで、データ取得部１は、この所定エリアＭ１～Ｍ９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を推定人口情報として取得してもよく、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。データ取得部１は、所定時間経過後毎（例えば１時間毎）に、推定人口情報を取得する。データ取得部１は、この件数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、データ取得部１は、上記の所定エリアＭ１～Ｍ９における天候に関する天候情報を取得するとともに、この天候情報に基づく推定人口情報を取得することも可能である。更に、データ取得部１は、上記の所定エリアＭ１～Ｍ９において行われるイベントＥに関するイベント情報を取得するとともに、このイベント情報に基づく推定人口情報を取得することも可能である。
　線形化実行部２は、所定エリアＭ１～Ｍ９におけるイベントＥに関する規模情報及びイベント位置情報を取得する部分である。規模情報は、イベントＥが集客する集客数といった人口を示す情報であり、イベント位置情報は、イベントＥの開催によってタクシーの配車サービスの提供が比較的強く必要とされる場所を示す情報である。
　そして、線形化実行部２は、需要件数の予測対象となる予測基準エリアＡ１と重なるエリアに関する後述の推定人口情報Ｄ０５や、予測基準エリアＡ１と重なるエリアに関する後述の天気や気温に関する天候情報Ｄ０６や、予測基準エリアＡ１と重なるエリアにおけるイベントＥやその開催時間帯に関するイベント情報等を数値化して、線形回帰のための線形化を行なう。上記したように、予測基準エリアＡ１と重なるエリアに関する情報が必要となるため、推定人口情報Ｄ０５や天候情報Ｄ０６等の各情報が有するメッシュ形状は互いに異なっていてもよい。線形化を行なう際に用いる関数は、目的変数（タクシー需要件数）と各説明変数との散布図（例えば、比例の関係か二次関数の関係かを示す図）等を参照することにより設定される。
　なお、予測基準エリアＡ１は道路Ｒの一部をカバーしており、この道路Ｒは道路ラインとして識別用の道路ＩＤとともに線形化実行部２によって後述する記憶形式で記憶される。
　空間加重部３は、線形化実行部２によって取得されたイベント位置情報が示すイベントＥの位置と、需要件数の予測対象となる予測基準エリアＡ１の位置との距離を示す基準距離情報を取得する部分である。また、空間加重部３は、予測基準エリアＡ１の位置と、予測基準エリアＡ１と同一の道路Ｒ上に位置する予測対象エリアＡ２～Ａ４のそれぞれの位置との距離を示す相対距離情報を取得する。更に、空間加重部３は、予測基準エリアＡ１及び予測対象エリアＡ２～Ａ４のそれぞれが含まれる領域の施設（例えば、駅及びバス停周辺や病院周辺や交通空白地帯周辺等の施設）の属性に関する施設情報（領域属性情報）を取得する。
　そして、空間加重部３は、取得した相対距離情報を用いて、回帰分析における空間加重（地理的加重）処理を回帰分析部４とともに行なう。通常の回帰分析では、各回帰式の残差の二乗和が最小になるようにするが、空間加重部３は、地理的に近いところほど回帰式が似ている（即ち、説明変数の係数が近い）ことを考慮している。言い換えれば、空間加重部３は、残差の二乗和を算出する際に、地理的に近いところを重要視するために加重をかける。例えば、予測基準エリアＡ１と、この予測基準エリアＡ１と同一の道路Ｒ上の予測対象エリアとの間の距離が短いほど、回帰式が似てくることが考慮されている。
　なお、上記の施設情報としての、施設を特定するための識別用の施設ＩＤと、この施設の形状を示すポリゴンと、この施設が与える人口変化に関する影響力とは、空間加重部３によって後述する記憶形式で記憶される。
　回帰分析部４は、データ取得部１によって取得された推定人口情報と、線形化実行部２によって取得された規模情報及び空間加重部３によって取得された基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアＡ１における需要件数を予測する際に用いられる説明変数を含む回帰式といった予測用データを、算出して生成する部分である。
　また、回帰分析部４は、空間加重部３により取得された基準距離情報が示す距離が短いほど、上記の説明変数が大きくなるように重み付けを行なう。更に、回帰分析部４は、残差が小さくなるように重み付けして回帰分析を行なうことによって、回帰式における説明変数の係数を算出して、予測対象エリアＡ２～Ａ４における需要件数を予測する。回帰式における説明変数の係数に関しては、空間加重部３によって取得された相対距離情報が示す距離（例えば後述のｄｉｊ）が短いほど、説明変数の係数が近い値になる（即ち、回帰式が似てくる）。なお、回帰分析部４は、空間加重部３によって取得された施設情報が示す属性にも基づいて、需要件数の予測に用いられる回帰式における説明変数の係数を算出することもできる。これによって例えば、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与えるエリアであるため、需要件数の予測に用いられる回帰式における説明変数の係数が近い値になる。上記の説明変数を算出するために用いる実際に利用客によるタクシーへの乗車が行なわれた地点を示すポイントと、乗車が行なわれた日時を示す時間とは、回帰分析部４によって後述する記憶形式で記憶される。
　ここで、回帰分析部４によって算出される回帰式について説明する。回帰分析部４は、予測基準エリアＡ１の位置ｉにおける需要件数を示す目的変数Ｋｉを求めるための下記の数式（１）～（３）に関して、最も当てはまりがよくなる位置ｉにおける最適な説明変数の係数（例えばβｉｎ（ｎは０，…，ｎ））を求め、位置ｉにおける需要件数を求めるための回帰式として確定させる。なお、ｘｎｉ（ｎは０，…，ｎ）は、地点ｉにおける人口や降水量や気温が線形化された数値であり、εｉは、回帰式を用いて予測した需要件数と実際の乗車数とのズレを示す残差である。ここで、εｉ、εｊ、εｋ、…が用いられた下記の数式（４）の値が最小となるようなβｉｎ（ｎは０，…，ｎ）が求められる。なお、ｄｉｊは、地点ｉと地点ｊの二地点間の距離を示し、ｂｉは位置ｉに応じて変更される値（より詳しくは、施設情報が示す属性値）である。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　次に、回帰分析部４は、エリアＡ２を予測基準エリアとして、需要件数を求めるための回帰式を確定するために、上記の数式（１）～数式（４）における添字「ｉ」に「ｊ」を当てはめて、位置ｊにおける需要件数を求めるための回帰式として確定させる。このように、エリアＡ１に関する処理の終了後は、エリアＡ２、エリアＡ３といったように他のエリアを予測基準エリアに変更し、それぞれのエリアに関する処理を同様に行う。
　また、回帰分析部４は、空間加重部３に記憶される施設情報が示す属性にも基づいた説明変数の係数βを算出して需要件数を予測する。より詳しくは、施設情報が示す属性に基づいて空間回帰分析における残差の重みが考慮されて、説明変数の係数βが算出される。例えば、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与えるエリア（即ち、後述の影響力としての上記ｂｉが比較的大きいエリア）であるため、需要件数の予測に用いられる回帰式における説明変数の係数βが近い値になる（即ち、回帰式が似ている範囲が比較的広くなる）。一方、病院周辺（特に患者専用出入口等の局所的な場所）といったような比較的狭い場所に対してタクシーの配車が行われる場合、タクシー需要に関して狭い範囲に影響を与えるエリア（即ち、後述の影響力としての上記ｂｉが比較的小さいエリア）であるため、需要件数の予測に用いられる回帰式における説明変数の係数βが離れた値になる（即ち、回帰式が似ている範囲が比較的狭くなる）。
　需要予測部５は、回帰分析部４によって生成された予測用データを用いて、予測基準エリアＡ１や予測対象エリアＡ２～Ａ４のそれぞれにおける需要件数を予測する部分である。需要予測部５は、予測結果としての需要件数の多少に応じて地図上に色分けして表示することにより可視化することができる。予測基準エリアＡ１や予測対象エリアＡ２～Ａ４のそれぞれにおける需要件数を予測する際に用いられる説明変数を含む回帰式と、この回帰式を用いて得られる予測される需要件数とは、需要予測部５によって後述する記憶形式で記憶される。
（３）エリアＩＤと推定人口情報との記憶形式の一例
　引き続き、データ取得部１によって記憶されるエリアＩＤと推定人口情報との記憶形式の一例について、図６を用いて説明する。図６は、エリアＩＤと推定人口情報との記憶形式の一例を説明するＤＢ構成図である。
　図６に示されるように、データ取得部１においては、所定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、このエリアにおける推定人口情報とが関連付けて記憶されている。
（４）エリアＩＤと降水量との記憶形式の一例
　引き続き、データ取得部１によって記憶されるエリアＩＤと天候情報である降水量との記憶形式の一例について、図７を用いて説明する。図７は、エリアＩＤと降水量との記憶形式の一例を説明するＤＢ構成図である。
　図７に示されるように、データ取得部１においては、所定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、この降水量に関する情報が有効な時間帯を示す時間と、降水量とが関連付けて記憶されている。
（５）エリアＩＤと気温との記憶形式の一例
　引き続き、データ取得部１によって記憶されるエリアＩＤと天候情報である気温との記憶形式の一例について、図８を用いて説明する。図８は、エリアＩＤと気温との記憶形式の一例を説明するＤＢ構成図である。
　図８に示されるように、データ取得部１においては、所定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、この気温に関する情報が有効な時間帯を示す時間と、気温とが関連付けて記憶されている。
（６）イベント情報の記憶形式の一例
　引き続き、データ取得部１によって記憶されるイベント情報の記憶形式の一例について、図９を用いて説明する。図９は、イベント情報の記憶形式の一例を説明するＤＢ構成図である。
　図９に示されるように、データ取得部１においては、イベント開催エリアの中心位置をｘｙ座標（即ち緯度経度）で示すポイントと、このイベントの開催時間帯を示す時間と、このイベントの動員数や集客数や来場者数を示すイベント規模とが関連付けて記憶されている。
（７）道路ＩＤと道路ラインとの記憶形式の一例
　引き続き、線形化実行部２によって記憶される道路ＩＤと道路ラインとの記憶形式の一例について、図１０を用いて説明する。図１０は、道路ＩＤと道路ラインとの記憶形式の一例を説明するＤＢ構成図である。
　図１０に示されるように、線形化実行部２においては、道路ラインと、道路ラインそれぞれに対して一意に割り振られた識別用の道路ＩＤとが関連付けて記憶されている。
（８）施設ＩＤと影響力との記憶形式の一例
　引き続き、空間加重部３によって記憶される施設情報である施設ＩＤと影響力との記憶形式の一例について、図１１を用いて説明する。図１１は、施設ＩＤと影響力との記憶形式の一例を説明するＤＢ構成図である。
　図１１に示されるように、空間加重部３においては、駅及びバス停周辺や病院周辺や交通空白地帯周辺等の施設それぞれに対して一意に割り振られた識別用の施設ＩＤと、この施設のポリゴンと、この施設による影響力とが関連付けて記憶されている。この影響力としては、デフォルト値ｂｎ（ｎはｊ，…，ｋ）が初期設定されており、上記のように、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与える予測適用エリアであるため、このデフォルト値ｂｎよりも大きい値が地理的加重値として設定される。同様に、病院周辺（特に患者専用出入口等の局所的な場所）といったような比較的狭い場所に対してタクシーの配車が行われる場合、タクシー需要に関して狭い範囲に影響を与える予測適用エリアであるため、このデフォルト値ｂｎよりも小さい値が地理的加重値として設定される。
（９）乗車が行なわれた地点と日時との記憶形式の一例
　引き続き、回帰分析部４によって記憶される、乗車が行なわれた地点と日時との記憶形式の一例について、図１２及び図１３を用いて説明する。図１２は、実際に利用客によるタクシーへの乗車が行なわれた地点をｘｙ座標（即ち緯度経度）で示すポイントと、乗車が行なわれた日時を示す時間との記憶形式の一例を説明するＤＢ構成図である。また、図１３は、乗車が行なわれた日時を示す時間に対応する曜日と、その日は平日であるか休日であるかとの記憶形式の一例を説明するＤＢ構成図である。
　図１２に示されるように、回帰分析部４においては、ポイントと、時間とが関連付けて記憶されている。また、図１３に示されるように、カレンダー情報として、乗車が行なわれた日時を示す時間に対応する曜日と、その日は平日であるか休日であるかが関連付けて記憶されている。
（１０）エリアＩＤと対応付けて記憶される情報の記憶形式の一例
　引き続き、需要予測部５によって記憶される、エリアＩＤと対応付けて記憶される情報の記憶形式の一例について、図１４～図１８を用いて説明する。図１４は、エリアＩＤと中心点ポイントとの記憶形式の一例を説明するＤＢ構成図であり、図１５は、エリアＩＤと、後述の回帰式データＤ１１としての回帰式との記憶形式の一例を説明するＤＢ構成図である。また、図１６は、エリアＩＤと、予測された需要件数としてみなすことができる予想される乗車数との記憶形式の一例を説明するＤＢ構成図であり、図１７は、エリアＩＤと、後述の予測用データＤ１７としての回帰式との記憶形式の一例を説明するＤＢ構成図である。更に、図１８は、エリアＩＤと、過去の実績データとしての各種情報との記憶形式の一例を説明するＤＢ構成図である。
　図１４に示されるように、需要予測部５においては、所定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、このエリアの重心点といった中心点の位置をｘｙ座標（即ち緯度経度）で示す中心点ポイントとが関連付けて記憶されている。
　また、図１５に示されるように、需要予測部５においては、後述の回帰式データＤ１１としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、対応する所定エリアに関する需要件数の予測に用いられる回帰式とが関連付けて記憶されている。
　更に、図１６に示されるように、需要予測部５においては、予測結果としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、対応する回帰式を用いて得られる予測される乗車数とが関連付けて記憶されている。
　また、図１７に示されるように、需要予測部５においては、後述の予測用データＤ１７としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、回帰式と、降水量及び気温に関する情報が有効な時間帯を示す時間と、イベントが催されない通常時の人口と、降水量と、気温と、イベントが催された場合の動員数や集客数や来場者数を示すイベントインパクトと、上記の地理的加重値とが関連付けて記憶されている。
　更に、図１８に示されるように、需要予測部５においては、過去の実績データとしての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、降水量及び気温に関する情報が有効な時間帯を示す時間と、利用客によって実際に乗車が行なわれた乗車数と、イベントが催されない通常時の人口と、降水量と、気温と、上記のイベントインパクトと、上記の地理的加重値とが関連付けて記憶されている。
（１１）道路と重なる所定エリアを抽出するエリア抽出処理の流れ
　引き続き、データ取得部１によって行なわれる、道路と重なる所定エリアを抽出するエリア抽出処理の流れについて、図１９を用いて説明する。図１９は、道路と重なる所定エリアを抽出するエリア抽出処理の流れを示すフローチャートである。
　まず、データ取得部１が、一辺１０～５００ｍ程度の任意のサイズの矩形のメッシュ状に区切られた所定エリアを規定するための境界情報を含む詳細メッシュ情報を決定して生成する（ステップＳ０１）。この所定エリア全体は、例えば縦及び横のそれぞれが数ｋｍ～数十ｋｍの略矩形状である。なお、上記の所定エリアの形状は、メッシュ状に限られない。
　次に、データ取得部１が、道路Ｒの領域を示す道路データＤ０１を用いて、上記のメッシュ状の所定エリアと道路Ｒとの重なりを調べて、道路Ｒと重なる所定エリアを、予測基準エリアＡ１として抽出し、この所定エリア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ことによって、結果表示エリアデータＤ０２を生成する（ステップＳ０２、推定取得ステップ）。そして、一連のエリア抽出処理が終了する。
（１２）回帰式を算出する回帰式算出処理の流れ
　引き続き、線形化実行部２、空間加重部３、及び回帰分析部４によって行なわれる、回帰式を算出する回帰式算出処理の流れについて、図２０を用いて説明する。図２０は、回帰式を算出する回帰式算出処理の流れを示すフローチャートである。
　まず、データ取得部１によって生成された結果表示エリアデータＤ０２の他に、回帰分析部４によって記憶される乗車地点ポイントと乗車日時とを示す乗車データＤ０３（図１２参照）や、線形化実行部２によって取得されたイベントＥに関する規模情報及びイベント位置情報を含む線形化イベントデータＤ０８や、空間加重部３によって記憶される施設ＩＤとポリゴンと影響力とを示す施設データＤ０４（図１１参照）や、線形化実行部２によって線形化された線形化人口分布データＤ０５や線形化天気データＤ０６や線形化気温データＤ０７や線形化時間帯データＤ０９が、生成される（イベント取得ステップ）。
　そして、空間加重部３が、これらのデータを取得して、イベントＥの位置と予測基準エリアＡ１との距離を示す基準距離情報を取得するとともに、予測基準エリアＡ１と予測対象エリア（ここでは予測対象エリアＡ２とする）との距離を示す相対距離情報を取得し（距離取得ステップ）、回帰分析部４とともに分析処理を行なうことによって、分析データＤ１０を生成する（ステップＳ０３）。ここでは、より詳しくは、第一の処理としての乗車データＤ０３の結合と、第二の処理としての線形化人口分布データＤ０５の結合と、第三の処理としての線形化天気データＤ０６の結合と、第四の処理としての線形化気温データＤ０７の結合と、第五の処理としての線形化イベントデータＤ０８の結合と、第六の処理としての施設データＤ０４の結合と、第七の処理としての線形化時間帯データＤ０９の結合とが行なわれる。
　第一の処理としての乗車データＤ０３の結合では、各エリアポリゴンに含まれる各指定時間幅（例えば１時台、２時台等）の乗車ポイント数をカウントし、「乗車数」に追加する処理が行われる。
　第二の処理としての線形化人口分布データＤ０５の結合では、中心点ポイントと重なる線形化人口分布データＤ０５の対象エリアに対応する時間の人口値を「人口」に追加する処理が行われる。
　第三の処理としての線形化天気データＤ０６の結合では、中心点ポイントと重なる線形化天気データＤ０６の対象エリアに対応する時間の降水量値を「降水量」に追加する処理が行われる。
　第四の処理としての線形化気温データＤ０７の結合では、中心点ポイントと重なる線形化気温データＤ０７の対象エリアに対応する時間の気温値を「気温」に追加する処理が行われる。
　第五の処理としての線形化イベントデータＤ０８の結合では、中心点ポイントからイベントデータの各ポイントまでの距離を計算し、イベント規模に距離による減衰関数を掛け合わせて、全てのイベントに関して足し合わせた値を「イベントインパクト」に追加する処理が行われる。
　第六の処理としての施設データＤ０４の結合では、中心点ポイントと重なる施設データＤ０４の各ポリゴンの影響力を「地理的加重値」に追加する処理が行われる。なお、重なるポリゴンがない場合は、定数がデフォルト値ｂｎ（ｎはｊ，…，ｋ）として初期設定される。
　第七の処理としての線形化時間帯データＤ０９の結合では、対応する時間帯の値を追加する処理が行われる。
　次に、回帰分析部４が、生成された分析データＤ１０を用いて、空間回帰分析の実行がされていない地点やエリア（例えば位置ｉとする）に関して空間回帰分析を実行する（ステップＳ０４、予測ステップ）。ここで、残差εｉ、εｊ、εｋ、…が求められる。そして、回帰分析部４が、需要件数の予測対象となる全ての地点やエリアに関して空間回帰分析の実行が終了したか否かを判定する（ステップＳ０５、予測ステップ）。空間回帰分析の実行がされていない地点やエリアがある場合は（例えば位置ｊとする）、上記のステップＳ０４に戻って移行し、（ここでは位置ｊに関して）空間回帰分析が実行される。より詳しくは、例えば、上記の数式（１）～数式（４）における添字「ｉ」に「ｊ」を当てはめて、同様に残差εｉ、εｊ、εｋ、…が求められる。一方、需要件数の予測対象となる全ての地点やエリアに関して空間回帰分析の実行が終了した場合は、回帰分析部４が、空間回帰分析の実行結果に基づいて、需要件数を予測する際に用いられる説明変数を含む回帰式といった予測用回帰式データＤ１１を、算出して生成する。そして、一連の回帰式算出処理が終了する。
（１３）予測結果データを生成するデータ生成処理の流れ
　引き続き、需要予測部５によって行なわれる、回帰式に各説明変数の予測値を代入することによって予測結果データを生成するデータ生成処理の流れについて、図２１を用いて説明する。図２１は、予測結果データを生成するデータ生成処理の流れを示すフローチャートである。
　まず、回帰分析部４によって生成された予測用回帰式データＤ１１の他に、施設データＤ０４（図１１参照）や、線形化人口分布データＤ０５や線形化天気データＤ０６や線形化気温データＤ０７や線形化イベントデータＤ０８や線形化時間帯データＤ０９を用いて、需要予測部５が、需要件数の予測対象となるエリア及び日時と予測用回帰式データＤ１１とが対応付けされた予測用データＤ１７を生成する（ステップＳ０６、予測ステップ）。ここでは、より詳しくは、第一の処理としての線形化人口分布データＤ０５の結合と、第二の処理としての線形化天気データＤ０６の結合と、第三の処理としての線形化気温データＤ０７の結合と、第四の処理としての線形化イベントデータＤ０８の結合と、第五の処理としての施設データＤ０４の結合と、第六の処理としての線形化時間帯データの結合とが行なわれる。
　第一の処理としての線形化人口分布データＤ０５の結合では、中心点ポイントと重なる線形化人口分布データＤ０５の対象エリアに対応する時間の人口値を「人口」に追加する処理が行われる。
　第二の処理としての線形化天気データＤ０６の結合では、中心点ポイントと重なる線形化天気データＤ０６（予測値）の対象エリアに対応する時間の降水量値を「降水量」に追加する処理が行われる。
　第三の処理としての線形化気温データＤ０７（予測値）の結合では、中心点ポイントと重なる線形化気温データＤ０７の対象エリアに対応する時間の気温値を「気温」に追加する処理が行われる。
　第四の処理としての線形化イベントデータＤ０８（予測値）の結合では、中心点ポイントからイベントデータの各ポイントまでの距離を計算し、イベント規模に距離による減衰関数を掛け合わせて、全てのイベントに関して足し合わせた値を「イベントインパクト」に追加する処理が行われる。
　第五の処理としての施設データＤ０４の結合では、中心点ポイントと重なる施設データＤ０４の各ポリゴンの影響力を「地理的加重値」に追加する処理が行われる。なお、重なるポリゴンがない場合は、定数がデフォルト値ｂｎ（ｎはｊ，…，ｋ）として初期設定される。
　第六の処理としての線形化時間帯データの結合では、対応する時間帯の値を追加する処理が行われる。
　なお、線形化人口分布データＤ０５の予測値は、例えば、対象の日の属性（例えば曜日、時間、休日か平日か）における平均的な値が用いられる。また、線形化天気データＤ０６、線形化気温データＤ０７の予測値は、例えば、天気予報データが用いられる。更に、線形化イベントデータＤ０８の予測値は、例えば、イベント集約サイトに掲載された情報や、イベント発見アルゴリズムによる検出結果が用いられる。
　そして、需要予測部５が、生成された予測用データＤ１７を用いて、予測基準エリアＡ１や予測対象エリアＡ２～Ａ４における需要件数を予測し（ステップＳ０７、予測ステップ）、予測結果を示す予測結果データＤ１８（図１５参照）を算出して生成する。そして、一連のデータ生成処理が終了する。
（１４）本発明による作用及び効果
　需要予測サーバ１０では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。
　ここで、取得された推定人口情報によって示される人口が多くなるほど、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。需要予測サーバ１０では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、需要予測サーバ１０では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく残差とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど、規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。
　ここで、取得された推定人口情報によって示される人口が多くなるほど、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。需要予測サーバ１０では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。
　また、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、所定エリアにおける天候に関する天候情報が考慮に入れられて需要件数が予測されるため、より精度良く需要予測を行なうことが可能になる。
　また、予測基準エリアや予測対象エリアが含まれる領域の属性に基づいて、より精度良く需要予測を行なうことが可能になる。
（１５）変形例
　上記の実施例では、需要予測サーバ１０は、タクシー会社に配備され、タクシー配車サービスの利用を望む利用客の需要を予測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、より精度良く需要予測を行なうことができる。
　１…データ取得部、２…線形化実行部、３…空間加重部、４…回帰分析部、５…需要予測部、１０…需要予測サーバ、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置、Ａ１…予測基準エリア、Ａ２～Ａ４…予測対象エリア、Ｄ０１…道路データ、Ｄ０２…結果表示エリアデータ、Ｄ０３…乗車データ、Ｄ０４…施設データ、Ｄ０５…線形化人口分布データ、Ｄ０６…線形化天気データ、Ｄ０７…線形化気温データ、Ｄ０８…線形化イベントデータ、Ｄ０９…線形化時間帯データ、Ｄ１０…分析データ、Ｄ１１…予測用回帰式データ、Ｄ１７…予測用データ、Ｄ１８…予測結果データ、Ｅ…イベント、Ｇ…エリアグループ、Ｍ１～Ｍ９…エリア、Ｒ…道路。

Claims (8)

  1. 　サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、
    　所定エリア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推定取得手段と、
    　前記所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する距離取得手段と、
    　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、前記距離取得手段によって取得された前記相対距離情報に基づく残差とを用いて回帰分析することによって、前記予測対象エリアにおける需要件数を予測する予測手段と、
    を備え、
    　前記予測手段は、前記相対距離情報が示す距離が短いほど前記残差が小さくなるように重み付けして前記需要件数を予測することを特徴とする需要予測装置。
  2. 　サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、
    　所定エリア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推定取得手段と、
    　前記所定エリアにおけるイベントに関する規模情報及びイベント位置情報を取得するイベント取得手段と、
    　前記イベント取得手段によって取得された前記イベント位置情報が示す前記イベントの位置と、需要件数の予測対象となる予測基準エリアの位置との距離を示す基準距離情報を取得する距離取得手段と、
    　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、前記イベント取得手段によって取得された前記イベントの規模情報及び前記距離取得手段によって取得された前記基準距離情報に基づく説明変数とを用いて回帰分析することによって、前記予測基準エリアにおける需要件数を予測する予測手段と、
    を備え、
    　前記予測手段は、前記基準距離情報が示す距離が短いほど前記説明変数が大きくなるように重み付けして前記需要件数を予測することを特徴とする需要予測装置。
  3. 　前記距離取得手段は、前記所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアと同一の道路上に位置するとともに需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得し、
    　前記予測手段は、前記距離取得手段によって取得された前記相対距離情報が示す距離が短いほど小さくなる、当該相対距離情報に基づく残差を用いて回帰分析することによって、前記予測対象エリアにおける需要件数を予測することを特徴とする請求項２に記載の需要予測装置。
  4. 　前記推定取得手段は、前記所定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１～３のいずれかに記載の需要予測装置。
  5. 　前記推定取得手段は、前記所定エリアにおける天候に関する天候情報を取得するとともに当該天候情報に基づく前記推定人口情報を取得することを特徴とする請求項１～４のいずれかに記載の需要予測装置。
  6. 　前記距離取得手段は、前記予測基準エリアが含まれる領域の属性に関する領域属性情報を取得し、
    　前記予測手段は、前記距離取得手段によって取得された前記領域属性情報が示す前記属性に基づいた説明変数の係数を算出して需要件数を予測することを特徴とする請求項１～５のいずれかに記載の需要予測装置。
  7. 　サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、
    　所定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需要予測装置が取得する推定取得ステップと、
    　前記所定エリアに含まれる予測基準エリアの位置と、当該予測対象エリアを基準とした需要件数の予測対象となる比較対象エリアの位置との距離を示す相対距離情報を前記需要予測装置が取得する距離取得ステップと、
    　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、前記距離取得ステップで取得された前記相対距離情報に基づく残差とを用いて前記需要予測装置が回帰分析することによって、前記予測対象エリアにおける需要件数を前記需要予測装置が予測する予測ステップと、
    を有し、
    　前記予測ステップでは、前記相対距離情報が示す距離が短いほど前記残差が小さくなるように重み付けして前記需要件数を前記需要予測装置が予測することを特徴とする需要予測方法。
  8. 　サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、
    　所定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需要予測装置が取得する推定取得ステップと、
    　前記所定エリアにおけるイベントに関する規模情報及びイベント位置情報を前記需要予測装置が取得するイベント取得ステップと、
    　前記イベント取得ステップで取得された前記イベント位置情報が示す前記イベントの位置と、需要件数の予測対象となる予測対象エリアの位置との距離を示す基準距離情報を前記需要予測装置が取得する距離取得ステップと、
    　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、前記イベント取得ステップで取得された前記イベントの規模情報及び前記距離取得ステップで取得された前記基準距離情報に基づく説明変数とを用いて前記需要予測装置が回帰分析することによって、前記予測対象エリアにおける需要件数を前記需要予測装置が予測する予測ステップと、
    を有し、
    　前記予測ステップでは、前記基準距離情報が示す距離が短いほど前記説明変数が大きくなるように重み付けして前記需要件数を前記需要予測装置が予測することを特徴とする需要予測方法。
PCT/JP2010/070381 2009-11-24 2010-11-16 需要予測装置及び需要予測方法 WO2011065256A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP10833103.4A EP2506193A4 (en) 2009-11-24 2010-11-16 DEMAND PREDICTION DEVICE AND APPLICATION PREDICTION METHOD
US13/511,216 US20120265580A1 (en) 2009-11-24 2010-11-16 Demand prediction device and demand prediction method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009266674A JP5129799B2 (ja) 2009-11-24 2009-11-24 需要予測装置及び需要予測方法
JP2009-266674 2009-11-24

Publications (1)

Publication Number Publication Date
WO2011065256A1 true WO2011065256A1 (ja) 2011-06-03

Family

ID=44066361

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/070381 WO2011065256A1 (ja) 2009-11-24 2010-11-16 需要予測装置及び需要予測方法

Country Status (4)

Country Link
US (1) US20120265580A1 (ja)
EP (1) EP2506193A4 (ja)
JP (1) JP5129799B2 (ja)
WO (1) WO2011065256A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018154958A1 (ja) * 2017-02-27 2018-08-30 株式会社Ｎｔｔドコモ 需要予測装置
CN108910553A (zh) * 2018-05-25 2018-11-30 夏传友 一种运单在车辆厢体中的堆叠方法、装置及存储介质

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5480755B2 (ja) * 2010-08-26 2014-04-23 株式会社Ｎｔｔドコモ 需要予測システム及び需要予測方法
US9424515B2 (en) * 2011-12-05 2016-08-23 FasterFare, LLC Predicting taxi utilization information
US20150142518A1 (en) * 2012-05-22 2015-05-21 Mobiag, Lda. System for making available for hire vehicles from a fleet aggregated from a plurality of vehicle fleets
JP6423520B2 (ja) * 2014-04-24 2018-11-14 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド サービスの供給状況を管理するシステム及び方法
US10458801B2 (en) 2014-05-06 2019-10-29 Uber Technologies, Inc. Systems and methods for travel planning that calls for at least one transportation vehicle unit
US9552559B2 (en) 2014-05-06 2017-01-24 Elwha Llc System and methods for verifying that one or more directives that direct transport of a second end user does not conflict with one or more obligations to transport a first end user
US20160034931A1 (en) * 2014-07-31 2016-02-04 Applied Predictive Technologies, Inc. Systems and methods for generating a location specific index of economic activity
EP3183707A4 (en) * 2014-08-21 2018-02-28 Uber Technologies Inc. Arranging a transport service for a user based on the estimated time of arrival of the user
US9985919B2 (en) * 2014-09-18 2018-05-29 International Business Machines Corporation Event notification
WO2016127918A1 (zh) * 2015-02-13 2016-08-18 北京嘀嘀无限科技发展有限公司 一种运力调度方法及系统
US10360521B2 (en) * 2015-06-12 2019-07-23 Sap Se Dynamic location recommendation for public service vehicles
US11107009B2 (en) 2015-06-15 2021-08-31 International Business Machines Corporation Managing user transportation needs without user intervention
US10984498B2 (en) * 2015-06-15 2021-04-20 International Business Machines Corporation Managing transportation deployment using customer activity
CN106557829B (zh) * 2015-09-30 2021-07-27 百度在线网络技术（北京）有限公司 用车业务中获取需求与运力不匹配区域的方法和装置
US9939279B2 (en) 2015-11-16 2018-04-10 Uber Technologies, Inc. Method and system for shared transport
US10685416B2 (en) 2015-12-10 2020-06-16 Uber Technologies, Inc. Suggested pickup location for ride services
US11227243B2 (en) 2016-01-29 2022-01-18 At&T Intellectual Property I, L.P. Communication system with enterprise analysis and methods for use therewith
US10242574B2 (en) 2016-03-21 2019-03-26 Uber Technologies, Inc. Network computer system to address service providers to contacts
JP6688149B2 (ja) * 2016-05-12 2020-04-28 株式会社Ｎｔｔドコモ タクシー需要推定システム
US10484415B1 (en) * 2016-12-16 2019-11-19 Worldpay, Llc Systems and methods for detecting security risks in network pages
US9898791B1 (en) 2017-02-14 2018-02-20 Uber Technologies, Inc. Network system to filter requests by destination and deadline
CN106909979B (zh) * 2017-02-28 2023-05-23 上海量明科技发展有限公司 基于用户行为预约共享车辆的方法、订车终端和系统
US10963824B2 (en) 2017-03-23 2021-03-30 Uber Technologies, Inc. Associating identifiers based on paired data sets
WO2018207878A1 (ja) * 2017-05-11 2018-11-15 株式会社Ｎｔｔドコモ 需要予測装置
TWI635447B (zh) * 2017-06-16 2018-09-11 宏碁股份有限公司 乘車需求量預測方法及系統
US10721327B2 (en) 2017-08-11 2020-07-21 Uber Technologies, Inc. Dynamic scheduling system for planned service requests
US10731998B2 (en) 2017-11-05 2020-08-04 Uber Technologies, Inc. Network computer system to arrange pooled transport services
JP6946542B2 (ja) * 2018-02-14 2021-10-06 株式会社Ｎｔｔドコモ 学習システム、推定システム及び学習済モデル
US10719792B2 (en) * 2018-03-26 2020-07-21 GM Global Technology Operations LLC System and method to distribute and execute rideshare tasks
CN108596381B (zh) * 2018-04-18 2022-06-03 北京交通大学 基于od数据的城市停车需求预测方法
US11429987B2 (en) * 2018-05-09 2022-08-30 Volvo Car Corporation Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences
US11816179B2 (en) 2018-05-09 2023-11-14 Volvo Car Corporation Mobility and transportation need generator using neural networks
US20210192410A1 (en) * 2018-07-04 2021-06-24 Sony Corporation Information processing device, information processing method, and program
JP7396277B2 (ja) * 2018-07-24 2023-12-12 ソニーグループ株式会社 情報処理装置、情報処理方法及びプログラム
JP6894418B2 (ja) * 2018-10-31 2021-06-30 トヨタ自動車株式会社 需要予測情報の表示制御方法、表示制御装置、及び表示制御プログラム
JP7229863B2 (ja) * 2019-06-25 2023-02-28 Kddi株式会社 時間帯毎に各エリアに滞在するユーザ数を推定するプログラム、装置及び方法
DE102019004753A1 (de) * 2019-07-08 2021-01-14 Daimler Ag Verfahren zur Koordination einer autonomen Fahrzeugflotte, sowie Fahrzeugflottenkoordinierunssystem
CN111128353B (zh) * 2019-11-20 2023-04-18 泰康保险集团股份有限公司 定点药店的售药行为监测方法及装置、存储介质
US11570276B2 (en) 2020-01-17 2023-01-31 Uber Technologies, Inc. Forecasting requests based on context data for a network-based service
US11669786B2 (en) 2020-02-14 2023-06-06 Uber Technologies, Inc. On-demand transport services
US20210295224A1 (en) * 2020-03-23 2021-09-23 Lyft, Inc. Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
US20220028022A1 (en) * 2020-07-27 2022-01-27 Windigo Logistics, Inc. Optimized logistic planning
CN112242040B (zh) * 2020-10-16 2021-11-26 成都中科大旗软件股份有限公司 一种景区客流多维度监管系统及方法
CN115270904B (zh) * 2022-04-13 2023-04-18 广州市城市规划勘测设计研究院 一种义务教育阶段适龄常住人口空间化方法和系统
US20230342874A1 (en) * 2022-04-25 2023-10-26 Toyota Motor North America, Inc. Prioritizing access to shared vehicles based on need
CN117056730A (zh) * 2023-09-08 2023-11-14 广西大也智能数据有限公司 数据预测的方法、装置、设备及存储介质

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
JP2001084240A (ja) 1999-09-13 2001-03-30 Riosu Corp:Kk 車両需要予測システム及び方法
JP2001155284A (ja) * 1999-11-29 2001-06-08 Riosu Corp:Kk 車両配置計画立案支援システム及び方法
JP2008052455A (ja) * 2006-08-23 2008-03-06 Fujitsu Ten Ltd 需要予測装置およびプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332247B1 (en) * 1997-06-12 2012-12-11 G. William Bailey Methods and systems for optimizing network travel costs
JP2003122877A (ja) * 2001-10-09 2003-04-25 Oki Electric Ind Co Ltd 地域内人口算出システム
JP3860496B2 (ja) * 2002-03-28 2006-12-20 富士通株式会社 配車方法、および配車プログラム
US20100138275A1 (en) * 2008-12-03 2010-06-03 Arash Bateni Automatic event shifting of demand patterns using multi-variable regression
TWI393378B (zh) * 2009-04-07 2013-04-11 Inst Information Industry 熱點分析系統及方法，及其電腦程式產品
US8676668B2 (en) * 2009-08-12 2014-03-18 Empire Technology Development, Llc Method for the determination of a time, location, and quantity of goods to be made available based on mapped population activity

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
JP2001084240A (ja) 1999-09-13 2001-03-30 Riosu Corp:Kk 車両需要予測システム及び方法
JP2001155284A (ja) * 1999-11-29 2001-06-08 Riosu Corp:Kk 車両配置計画立案支援システム及び方法
JP2008052455A (ja) * 2006-08-23 2008-03-06 Fujitsu Ten Ltd 需要予測装置およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
See also references of EP2506193A4
TSUTOMU ONO ET AL.: "Proposal and Evaluation of a Multivariate Linear Analysis Model in 'Jinryu' Transportation Methods", JOURNAL OF JAPAN INDUSTRIAL MANAGEMENT ASSOCIATION, vol. 56, no. 3, 15 August 2005 (2005-08-15), pages 219 - 226 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018154958A1 (ja) * 2017-02-27 2018-08-30 株式会社Ｎｔｔドコモ 需要予測装置
JPWO2018154958A1 (ja) * 2017-02-27 2019-11-21 株式会社Ｎｔｔドコモ 需要予測装置
CN108910553A (zh) * 2018-05-25 2018-11-30 夏传友 一种运单在车辆厢体中的堆叠方法、装置及存储介质

Also Published As

Publication number Publication date
US20120265580A1 (en) 2012-10-18
EP2506193A1 (en) 2012-10-03
EP2506193A4 (en) 2013-11-20
JP5129799B2 (ja) 2013-01-30
JP2011113141A (ja) 2011-06-09

Similar Documents

Publication Publication Date Title
JP5129799B2 (ja) 需要予測装置及び需要予測方法
Ni et al. A spatial econometric model for travel flow analysis and real-world applications with massive mobile phone data
US10430736B2 (en) System and method for estimating a dynamic origin-destination matrix
Lepofsky et al. Transportation hazard analysis in integrated GIS environment
US20190228358A1 (en) Transportation System, Schedule Proposal System, and Train Operations System
Fumagalli et al. Challenges for public transportation: Consequences and possible alternatives for the Covid-19 pandemic through strategic digital city application
Levine et al. Project-level accessibility analysis for land-use planning
Mützel et al. Investigating spatio-temporal mobility patterns and changes in metro usage under the impact of COVID-19 using Taipei Metro smart card data
Sariyer et al. An analysis of Emergency Medical Services demand: Time of day, day of the week, and location in the city
EP3451275B1 (en) Information processing device and method
KR20020064989A (ko) 이동 상황 정보 제공 방법 및 서버
JP2011060059A (ja) 滞留時間を考慮した行動計画情報提供方法
Chen et al. Development of fuzzy logic forecast models for location-based parking finding services
CN105893537A (zh) 地理信息点的确定方法和装置
JP6688149B2 (ja) タクシー需要推定システム
JP2011108194A (ja) 需要予測装置及び需要予測方法
Horn et al. QZTool—automatically generated origin-destination matrices from cell phone trajectories
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
JP2018180104A (ja) 分析支援装置
Sandlin et al. A Methodology to Determine the Economically Feasible Capacity for Rural Demand Response Transit Systems
KR20180036411A (ko) 관광지의 혼잡도를 추정하는 방법 및 시스템
Yang et al. An experimental contingent valuation of users’ attitudes towards a crowd management system
Almasri et al. TransCAD and GIS technique for estimating traffic demand and its application in Gaza city
Yasumoto et al. Population mobility modeling based on call detail records of mobile phones for heat exposure assessment in Dhaka, Bangladesh
JP7205197B2 (ja) 交通量調査装置、交通量調査方法、プログラム

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: 10833103

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2010833103

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13511216

Country of ref document: US