WO2020175140A1 - 学習装置、推定装置、学習方法、推定方法、及びプログラム - Google Patents

学習装置、推定装置、学習方法、推定方法、及びプログラム Download PDF

Info

Publication number
WO2020175140A1
WO2020175140A1 PCT/JP2020/005315 JP2020005315W WO2020175140A1 WO 2020175140 A1 WO2020175140 A1 WO 2020175140A1 JP 2020005315 W JP2020005315 W JP 2020005315W WO 2020175140 A1 WO2020175140 A1 WO 2020175140A1
Authority
WO
WIPO (PCT)
Prior art keywords
route
moving bodies
road
date
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2020/005315
Other languages
English (en)
French (fr)
Inventor
具治 岩田
清水　仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to US17/433,397 priority Critical patent/US11940281B2/en
Publication of WO2020175140A1 publication Critical patent/WO2020175140A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3423—Multimodal routing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Definitions

  • the present invention relates to a learning device, an estimation device, a learning method, an estimation method, and a program.
  • Non-Patent Document 1 Hitoshi Shimizu, Tatsush i Matsubayash i ,Yusuke Tanaka, Tomoharu Iwata, Naonori Ueda, Hiroshi Sawada. ′′Improving route traffic estimation by considering staying population”, PRIMA, 2018
  • Non-Patent Document 2 Yaguang Li, Rose Yu, Cyrus Shahabi, Yan Liu, “Diffusion Convolutional ⁇ Recurrent Neural Network: Data-Driven Traffic Forecast i ng”, ICLR, 2018
  • the tomographic model has a problem in that it is possible to estimate the current number of people but not the future number of people.
  • route information can be used in methods for estimating future traffic. ⁇ 2020/175 140 2 (: 170? 2020 /005315
  • the present invention has been made in view of the above problems, and an object of the present invention is to enable highly accurate estimation of the number of moving bodies for each road and the number of moving bodies for each route in the future.
  • a learning device provides route information representing a route constituted by a road on one of a plurality of roads, and observation of the plurality of roads.
  • the input means for inputting the number of moving bodies representing the number of moving bodies at each date and time on the target road, the route information, and the number of moving bodies information, the number of moving bodies for each road and each route
  • learning means for learning model parameters that represent the relationship between the number of moving bodies and the number of moving bodies for each route at different dates and times.
  • the learning device is configured such that route information indicating a route constituted by one of a plurality of roads, the number of moving bodies for each road, and the movement for each route.
  • Input means for inputting the parameters of the learned model representing the relationship between the number of moving bodies for each route at different dates and times, using the route information and the parameters of the learned model, It is characterized by having an estimating means for estimating at least one of the number of moving bodies for each road at the date and time of the estimation target and the number of moving bodies for each route at the date and time of the estimation target.
  • FIG. 1 is a diagram showing an example of a functional configuration of a learning device and an estimation device in an embodiment of the present invention.
  • FIG. 2 is a diagram showing an example of a hardware configuration of a learning device and an estimation device according to the embodiment of the present invention.
  • FIG. 3 is a flow chart showing an example of learning processing in the embodiment of the present invention. ⁇ 02020/175 140 3 (: 17 2020/005315
  • FIG. 4 is a flow chart showing an example of estimation processing in the embodiment of the present invention.
  • the moving body is a pedestrian
  • the present invention is not limited to this.
  • the embodiment of the present invention can be similarly applied to an arbitrary moving body such as an automobile or a bicycle.
  • the present invention is not limited to this.
  • the embodiment of the present invention can be similarly applied to an arbitrary path such as a passage in an event venue or a highway.
  • the embodiment of the present invention can be similarly applied, for example, by using the traffic flowing on the communication network as the moving body and the link constituting the communication network as the road.
  • route information the number of people per road, which is an example of time-series data of the number of moving bodies on some roads, and auxiliary information are given. I shall.
  • the route information 8 is represented by a matrix "IX" representing the relationship between roads, where I is the number of roads, and “is the number of routes, and the () element includes the road _1 in the route ". If it is not included, it takes 0. Each route consists of one or more roads.
  • Is information related to the date ( ⁇ , such as the expected number of visitors to the event on the date, the opening and closing times of the event, the closing time, etc.
  • the day of the week and the date of the day May be information such as whether it is a holiday, etc.
  • the auxiliary information may be information about time, information about roads, information about routes, etc. instead of information about date 001.
  • route information 8 and the number of people per road And the supplementary information 3 are used for each route (hereinafter, also referred to as “route-specific number”). ⁇ 0 2020/175 1405 5 (: 17 2020 /005315
  • And 0 1 is the number of people present on the route at time I on date 0 1.
  • the relation is an arbitrary function that outputs the number of people (that is,) for each route at the time ⁇ I on the date 0 1.
  • a neural network or the like can be used.
  • the estimated value of the number of people per road (hereinafter, also referred to as “estimated number of people by road”) is calculated by using the learned route-specific number of people and the relationship, and the auxiliary information 3. )
  • estimated number of people by route (hereinafter also referred to as “estimated number of people by route.)
  • the date to be estimated is the date to be estimated, and is, for example, the present or past date or future (future) date when the road is not necessarily observed at all time 1 of the date.
  • the auxiliary information 3 corresponds to the date. May be included. It is also possible to estimate the estimated number of people X by road and estimated number of people by estimated route at a future time on the current date. Further, only one of the estimated number of people X by road and the estimated number of people by estimated route may be estimated.
  • FIG. 1 is a diagram showing an example of a functional configuration of the learning device 10 and the estimation device 20 according to the embodiment of the present invention.
  • the learning device 10 includes a learning processing unit 10 1 and a storage unit 10 2.
  • the learning processing unit 1101 includes route information 8 and the number of people per road. And the supplementary information 3 as input, learn the number of people by route and the relationship. At this time, the learning processing unit 101 considers the relationship between the number of people on each road and the number of people on each route, and the relationship between the number of people on each route at different dates and times (that is, date 0 1 and time 1). Learn the model parameters (that is, the number of people by route, and the parameters of the relationship).
  • the learning processing unit 1 0 1 includes an input unit 1 1 1, a learning unit 1 1 2, and an output unit 1 1 3.
  • the input unit 1 1 1 is the route information 8 and the number of people per road. Enter auxiliary information 3 and. Note that the input section 11 1 includes the route information 8 and the road information stored in the storage section 102. ⁇ 02020/175 140 7 (: 17 2020/005315
  • Every person And auxiliary information may be entered, or the route information and the number of people per road may be input from other devices connected via the communication network. And auxiliary information 3 may be received and input. Or, the input part 1 1 1 1 is the route information 8 and the number of people per road. At least one of the above and auxiliary information 3 may be input from the storage unit 102, and the rest may be received and input from another device.
  • the learning unit 1 12 learns the number of people by route and (the parameter of) by using the route information 8 input by the input unit 1 1 1, the number of people per road ⁇ , and the auxiliary information 3. It
  • the above equation (1) indicates that the number of people passing through a certain road can be approximated by the total number of people passing through the road. Note that instead of the relationship shown in the above equation (1), a relationship considering the time to travel the route may be used, or a relationship in which the travel time changes depending on congestion may be used.
  • the number of people for each route at time I on date 001 can be estimated from the auxiliary information on date 001 and the number of people for each route at the previous time 1, 0-1, and so on.
  • the number of people for each route at the time of day ⁇ I can be estimated (approximated) by the following equation (2).
  • the relation is an arbitrary function that outputs the number of people for each route at the time of date, and for example, a neural network or the like is used.
  • the number of passengers for each route at the time before the time ⁇ I is 1, 1, 2,-
  • the learning unit 1 1 2 is the number of people per road.
  • the number of people by route should satisfy the relationship shown in equation (1) above and the relationship shown in equation (2) above (or equation (3) below) as much as possible. Learn the relationship and the parameters of the relationship.
  • the learning unit 11 12 learns the number of people by route and the relationship by an arbitrary optimization method so as to minimize the error coefficient shown in the following equation (4).
  • Error 2 was used, but for example, when long-term prediction is desired, the error of the estimated value estimated in the long term may be used. Further, instead of minimizing the squared error, for example, maximum likelihood or Bayesian estimation may be used.
  • the output unit 1 13 outputs the route-specific number of people learned by the learning unit 1 12 and the relationship (that is, the learned route-based number of people and relationship (parameter thereof)).
  • the output unit 113 may output (save) the learned route-specific number of persons and the relationship f to the storage unit 102, or may output another device (for example, a device connected via the communication network). It may be output to the estimation device 20).
  • the estimation device 20 includes an estimation processing unit 20 1 and a storage unit 20 2.
  • the estimation processing unit 201 inputs the trained model (that is, the trained number of people by route and relationship and the auxiliary information 3 as input to the estimated number of people by road X and the estimated number of people by route). presume.
  • the estimation processing unit 2 0 1 includes an input unit 2 1 1, an estimation unit 2 1 2 and an output unit 2 1 3.
  • the input unit 2 11 inputs the learned route-specific number of persons and the relationship (parameters), the route information 8, and the auxiliary information 3.
  • the input unit 211 may input the learned route-specific number of persons stored in the storage unit 202 and the relation, route information 8 and auxiliary information, or via a communication network. It is also possible to receive and input the learned route-specific number of people and the relationship, route information 8 and auxiliary information 3 from other connected devices (for example, learning device 10).
  • the input unit 2 11 inputs at least one of the learned number of people by route, the learned relationship, the route information 8 and the auxiliary information 3 from the storage unit 2 0 2, and the rest of the other. May be received and input from the device
  • the estimation unit 2 11 uses the learned route-specific number of persons and the relationship input from the input unit 2 11 and the route information 8 and the auxiliary information 3 to estimate the estimated number of people by road and the estimated route. ⁇ 02020/175 140 10 boxes (: 17 2020/005315
  • the estimated number of people may be substituted into the relational expression shown in equation (5) above.
  • the estimation unit 2 1 2 estimates the number of people by the following equation (6).
  • the estimation unit 2 12 estimates the estimated number of people by road, for example, by the following equation (7).
  • the output unit 2 13 outputs the estimated number of people by road Xd* and the estimated number of people by estimated route Yd* estimated by the estimation unit 2 1 2.
  • the output unit 2 13 may output (save) the estimated number of people by road Xd* and the estimated number of people by route Yd* to the storage unit 202, or may be connected via a communication network. May be output to the device.
  • the learning device 10 and the estimation device 20 are different devices.
  • the learning device 10 and the estimation device 20 are one device. It may be realized by the device.
  • the device may be configured to have a learning processing unit 101, an estimation processing unit 201, and a storage unit.
  • FIG. 2 is a diagram showing an example of a hardware configuration of the learning device 10 and the estimation device 20 according to the embodiment of the present invention. Since the learning device 10 and the estimation device 20 can be realized with the same hardware configuration, the hardware configuration of the learning device 10 will be mainly described below.
  • learning device 10 includes an input device 30 1, a display device 30 2, an external I/F 30 3, and a RAM (Random). It has an access memory (Memory) 304, a ROM (Read Only Memory) 305, a processor 306, a communication I/F 307, and an auxiliary storage device 308. Each of these hardware is connected via bus B so that they can communicate with each other.
  • the input device 301 is, for example, a keyboard, a mouse, a touch panel, etc., and is used by the user to input various operations.
  • the display device 302 is, for example, a display, and displays the processing result of the learning device 10 and the like.
  • the learning device 10 and the estimation device 20 do not need to have at least one of the input device 301 and the display device 302.
  • the external I/F 030 is an interface with an external device.
  • the external device includes a recording medium 303a and the like.
  • the learning device 10 is connected to the external device / F 3 0 3 via It is possible to read and write the recording medium 303a.
  • the recording medium 303a may store, for example, one or more programs that realize the learning processing unit 101 and one or more programs that realize the estimation processing unit 201.
  • Examples of the recording medium 303a include a flexible disk, a CD (Compact Disc), a DVD (Digital Versatile Disk) % SD memory card (Secure Digital memory card), and a USB (Universal Serial Bus) memory card. is there.
  • the RAM 304 is a volatile semiconductor memory that temporarily holds programs and data.
  • the ROM 305 is a non-volatile semiconductor memory that can retain programs and data even when the power is turned off. In ROM305, for example,
  • the processor 306 is, for example, a CPU (Central Processing Unit) or a GPU.
  • the learning processing unit 101 is realized by reading one or more programs stored in the ROM 305, the auxiliary storage device 308, or the like onto the RAM 304 and causing the processor 306 to execute the processing.
  • the estimation processing unit 201 is realized by reading one or more programs stored in the ROM 305, the auxiliary storage device 308, or the like onto the RAM 304 and causing the processor 306 to execute the processing.
  • the communication I/F 307 is an interface for connecting the learning device 10 to a communication network.
  • One or more programs that realize the learning processing unit 101 and one or more programs that realize the estimation processing unit 201 may be acquired (downloaded) from a predetermined server device or the like via the communication server /F 307. ..
  • the auxiliary storage device 308 is, for example, an HDD (Hard Disk Drive) or an SSD (So lid State Drive), and is a non-volatile memory that stores programs and data. ⁇ 2020/175 140 13 ⁇ (: 170? 2020 /005315
  • the programs and data stored in the auxiliary storage device 308 include, for example, 0 3 and application programs that realize various functions on the 0 3.
  • the auxiliary storage device 308 of the learning device 10 stores one or more programs that realize the learning processing unit 10 1.
  • One or more programs that realize the estimation processing unit 20 1 are stored in the auxiliary storage device 30 8 of 20.
  • the storage unit 102 included in the learning device 10 can be realized by using, for example, the auxiliary storage device 308.
  • the storage unit 20 2 included in the estimation device 20 can be realized by using, for example, the auxiliary storage device 30 8.
  • the learning device 10 can realize various processes described later by having the hardware configuration shown in FIG.
  • the estimation device 20 according to the embodiment of the present invention has the hardware configuration shown in FIG. 2 and thus can realize various processes described later.
  • the learning device 10 and the estimation device 20 according to the embodiment of the present invention are each realized by one device (computer). Not limited. At least one of the learning device 10 and the estimation device 20 according to the embodiment of the present invention may be realized by a plurality of devices (computers). In addition, a single device (computer) may have multiple processors 306 and multiple memories ([3 ⁇ 4 1 ⁇ /1 3 0 4 or [3 ⁇ 4 ⁇ 1 ⁇ /1 3 0 5, auxiliary storage device
  • FIG. 3 is a flow chart showing an example of the learning process in the embodiment of the present invention.
  • the input section 1 1 1 1 is the route information 8 and the number of people per road. And auxiliary information 3 (step 3101).
  • the learning unit 1 1 1 2 sets the route information 8 and the number of people per road.
  • the auxiliary information 3 and, for example, the above equation (4) can be optimized by an arbitrary optimization method.
  • the output unit 113 outputs the learned route-specific number of people and the relationship (step 3103). As a result, the number of trainees and their relationships by route can be obtained.
  • FIG. 4 is a flow chart showing an example of the estimation processing according to the embodiment of the present invention.
  • the input unit 2 11 inputs the learned route-specific number of people, the learned relationship, the route information 8, and the auxiliary information 3 (step 3201).
  • the estimation unit 2 1 2 uses the learned number of people by route, the learned relationship, the route information 8, and the auxiliary information 3 to obtain the above equation (5) or the equation (5). 6) is used to estimate the estimated number of people by route, and Eq. (7) is used to estimate the estimated number of people by road* (step 3202). Note that the estimation unit 211 may estimate only one of the estimated number of people by road and the estimated number of people by route.
  • the output unit 2 13 outputs the estimated number of people by road and the estimated number of people by route (or one of the estimated number of people by road and the estimated number of people by route) (Ste 3203). As a result, at least one of the estimated number of people by road and the estimated number of people by route can be obtained.
  • the error one hour ahead was 0.326. It should be noted that the error when the value at the previous time is used for the estimation as it is is 0.408, and it can be seen that the estimation error is smaller when the embodiment of the present invention is used. In addition, the error on the unobserved date (that is, the road is not observed at all times) is 0.455, and it can be seen that the estimation can be done with some accuracy even on the unobserved date.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

複数の道のうちの１上の道で構成される経路を表す経路情報と、前記複数の道のうちの観測対象の道における日時毎の移動体数を表す移動体数情報とを入力する入力手段と、前記経路情報と、前記移動体数情報とを用いて、前記道毎の移動体数と前記経路毎の移動体数との関係及び異なる日時での経路毎の移動体数間の関係を表すモデルのパラメータを学習する学習手段と、を有することを特徴とする。

Description

明 細 書
発明の名称 ：
学習装置、 推定装置、 学習方法、 推定方法、 及びプログラム
技術分野
[0001] 本発明は、 学習装置、 推定装置、 学習方法、 推定方法、 及びプログラムに 関する。
背景技術
[0002] 道路の混雑状況を把握することは、 安全性や利便性等の観点から重要な課 題である。 このため、 センサや人を配置等することにより道路の混雑状況を 把握することが従来から行われているが、 多くの道路にセンサや人を配置す ることには膨大なコストが掛かる。
[0003] これに対して、 トモグラフィックモデルにより道路の混雑状況を把握する 手法が提案されている （例えば、 非特許文献 1参照） 。 また、 将来のトラフ ィックを推定する手法も提案されている （例えば、 非特許文献 2参照） 。 先行技術文献
非特許文献
[0004] 非特許文献 1 : Hitoshi Shimizu, Tatsush i Matsubayash i , Yusuke Tanaka, T omoharu Iwata, Naonori Ueda, Hiroshi Sawada. ’’Improving route traffic estimation by considering staying population”， PRIMA, 2018
非特許文献 2 : Yaguang Li, Rose Yu, Cyrus Shahabi, Yan Liu, ” Diffusion Convolutional· Recurrent Neural Network: Data-Driven Traffic Forecast i ng”， ICLR, 2018
発明の概要
発明が解決しようとする課題
[0005] しかしながら、 トモグラフィックモデルでは、 現在の人数を推定すること はできるが、 将来の人数を推定することはできないという問題点がある。 ま た、 将来のトラフィックを推定する手法では、 経路情報を用いることができ 〇 2020/175140 2 卩（：170? 2020 /005315
ないため、 未観測の道路における人数の推定精度が低いという問題点がある
［0006］ 本発明は、 上記の問題点に鑑みてなされたもので、 将来の道毎の移動体数 及び経路毎の移動体数を高い精度で推定可能とすることを目的とする。
課題を解決するための手段
［0007］ 上記目的を達成するため、 本発明の実施の形態における学習装置は、 複数 の道のうちの 1上の道で構成される経路を表す経路情報と、 前記複数の道の うちの観測対象の道における日時毎の移動体数を表す移動体数情報とを入力 する入力手段と、 前記経路情報と、 前記移動体数情報とを用いて、 前記道毎 の移動体数と前記経路毎の移動体数との関係及び異なる日時での経路毎の移 動体数間の関係を表すモデルのパラメータを学習する学習手段と、 を有する ことを特徴とする。
［0008］ また、 本発明の実施の形態における学習装置は、 複数の道のうちの 1上の 道で構成される経路を表す経路情報と、 前記道毎の移動体数と前記経路毎の 移動体数との関係及び異なる日時での経路毎の移動体数間の関係を表す学習 済モデルのパラメータとを入力する入力手段と、 前記経路情報と、 前記学習 済モデルのパラメータとを用いて、 推定対象の日時における道毎の移動体数 と、 前記推定対象の日時における経路毎の移動体数との少なくとも一方を推 定する推定手段と、 を有することを特徴とする。
発明の効果
［0009］ 将来の道毎の移動体数及び経路毎の移動体数を高い精度で推定することが できる。
図面の簡単な説明
［0010］ ［図 1］本発明の実施の形態における学習装置及び推定装置の機能構成の一例を 示す図である。
［図 2］本発明の実施の形態における学習装置及び推定装置のハードウエア構成 の一例を示す図である。
［図 3］本発明の実施の形態における学習処理の一例を示すフローチヤートであ \¥02020/175140 3 卩（：17 2020/005315
る。
[図 4]本発明の実施の形態における推定処理の一例を示すフローチヤートであ る。
発明を実施するための形態
[001 1 ] 以下、 本発明の実施の形態について説明する。 本発明の実施の形態では、 経路情報と、 一部の道における移動体数の時系列データと、 補助情報とが与 えられたときに、 道毎の移動体数と、 経路毎の移動体数とを推定する場合に ついて説明する。
[0012] なお、 本発明の実施の形態では、 一例として、 移動体が歩行者である場合 について説明するが、 これに限られない。 本発明の実施の形態は、 例えば、 自動車や自転車等の任意の移動体に対しても同様に適用可能である。
[0013] また、 本発明の実施の形態では、 一例として、 道が道路である場合につい て説明するが、 これに限られない。 本発明の実施の形態は、 例えば、 イベン 卜会場の通路や高速道路等の任意の道に対しても同様に適用可能である。 更 に、 本発明の実施の形態は、 例えば、 通信ネッ トワーク上を流れるトラフィ ックを移動体、 通信ネッ トワークを構成するリンクを道としても同様に適用 可能である。
[0014] 上述したように、 本発明の実施の形態では、 経路情報と、 一部の道におけ る移動体数の時系列データの一例である道路毎人数と、 補助情報とが与えら れるものとする。
[0015] 経路情報八は、 Iを道路数、 」を経路数として、 道路と経路との関係を表す I X」行列で表され、 その（ 』）要素 は、 経路』に道路 _1が含まれていたら 1、 含まれていなければ 0をとる。 なお、 各経路は 1つ以上の道路で構成される。
[0016] 道路毎人数
[0017] \¥02020/175140 4 卩（：17 2020/005315
[数 1 ]
Figure imgf000006_0001
は、 観測された道路における時刻毎の通過人数であり、 乂 丨は日付 の時刻士 に道路 _1を通過した人数、
[0018] [数 2]
は観測した道路 （つまり、 観測対象の道路） の集合、 〇は日付数、 丁 は日付 の時刻数を表す。 なお、
Figure imgf000006_0002
日付〇1の時刻· Iに道路 _1に存在する人数であ ってもよい。
[0019] 補助情報
[0020] [数 3]
8 = {8^} d= l
は、 日付（^に関する情報であり、 例えば、 日付 のイベントの予想来場者数、 イベントの開場時刻や開演時刻、 閉演時刻等の情報である。 また、 例えば、 日付〇1の曜日や日付〇1が祝日か否か等の情報であってもよい。 なお、 補助情報 は、 日付〇1に関する情報ではなく、 例えば、 時刻に関する情報や道路に関する 情報、 経路に関する情報等であってもよい。
[0021 ] 本発明の実施の形態では、 まず、 経路情報八と、 道路毎人数
Figure imgf000006_0003
と、 補助情 報 3とを用いて、 経路毎の人数 （以降、 「経路別人数」 とも表す。 ） \¥0 2020/175140 5 卩（：17 2020 /005315
[0022] [数 4]
Figure imgf000007_0001
と、 関係 とを学習する。 ここで、
[0023] [数 5]
Figure imgf000007_0002
であり、 〇1 は日付〇1の時刻· Iに経路』に存在する人数である。 また、 関係干は 、 日付〇1の時刻· Iにおける経路毎の人数 （つまり、 ） を出力する任意の関数 である。 なお、 関係 としては、 例えば、 ニューラルネッ トワーク等を用いる ことができる。
[0024] そして、 本発明の実施の形態では、 学習済みの経路別人数丫及び関係 と、 補助情報 3とを用いて、 道路毎人数の推定値 （以降、 「推定道路別人数」 とも 表す。 ）
[0025] [数 6]
¾* = {{ * } 1=1 } 1
と、 経路別人数の推定値 （以降、 「推定経路別人数」 とも表す。 ）
[0026] \¥02020/175140 6 卩（：17 2020/005315
[数 7]
Figure imgf000008_0001
とを推定する。 ここで、 は推定対象の日付であり、 例えば、 日付 の全て の時刻 1で必ずしも道路が観測されていない現在又は過去の日付や将来 （未来 ） の日付等である。 このとき、 補助情報 3には、 日付 に対応する
Figure imgf000008_0002
が含ま れていてもよい。 なお、 現在の日付 の将来の時刻における推定道路別人数 X や推定経路別人数丫 の推定も可能である。 また、 推定道路別人数 X と推 定経路別人数丫 とのいずれか一方のみが推定されてもよい。
[0027] ＜学習装置 1 0及び推定装置 2 0の機能構成＞
まず、 経路別人数丫及び関係 を学習する学習装置 1 〇と、 推定道路別人数 X 及び推定経路別人数丫 の少なくとも一方を推定する推定装置 2 0との機能 構成について、 図 1 を参照しながら説明する。 図 1は、 本発明の実施の形態 における学習装置 1 0及び推定装置 2 0の機能構成の一例を示す図である。
[0028] 《学習装置 1 0》
図 1 に示すように、 本発明の実施の形態における学習装置 1 0は、 学習処 理部 1 0 1 と、 記憶部 1 0 2とを有する。
[0029] 学習処理部 1 0 1は、 経路情報八と、 道路毎人数
Figure imgf000008_0003
と、 補助情報 3とを入 力として、 経路別人数丫と、 関係 とを学習する。 このとき、 学習処理部 1 0 1は、 道路毎の人数と経路毎の人数との関係、 及び、 異なる日時 （つまり、 日付〇1及び時刻 1） での経路毎の人数間の関係を考慮したモデルのパラメータ （つまり、 経路別人数丫、 及び関係 のパラメータ） を学習する。
[0030] ここで、 学習処理部 1 0 1 には、 入力部 1 1 1 と、 学習部 1 1 2と、 出力 部 1 1 3とが含まれる。
[0031 ] 入力部 1 1 1は、 経路情報八と、 道路毎人数
Figure imgf000008_0004
補助情報 3とを入力す る。 なお、 入力部 1 1 1は、 記憶部 1 〇 2に記憶されている経路情報八と道路 \¥02020/175140 7 卩（：17 2020/005315
毎人数
Figure imgf000009_0001
と補助情報 とを入力してもよいし、 通信ネッ トワークを介して接 続される他の装置から経路情報八と道路毎人数
Figure imgf000009_0002
と補助情報 3とを受信及び 入力してもよい。 又は、 入力部 1 1 1は、 経路情報八と道路毎人数
Figure imgf000009_0003
と補助 情報 3とのうちの少なくとも 1つを記憶部 1 0 2から入力し、 残りを他の装置 から受信及び入力してもよい。
[0032] 学習部 1 1 2は、 入力部 1 1 1 により入力された経路情報八と道路毎人数乂〇 と補助情報 3とを用いて、 経路別人数丫及び関係 （のパラメータ） を学習す る。
[0033] ここで、 日付〇1の時亥 に道路 1を通過した人数乂 丨と、 日付〇1の時亥 に経路 』に存在する人数 〇1 との間には、 以下の式 （1） に示す関係が成り立つ。
[0034] [数 8]
Figure imgf000009_0004
上記の式 （1） は、 或る道路の通過人数は、 その道路を通る経路の人数の 総和で近似できることを表している。 なお、 上記の式 （1） に示す関係の代 わりに、 経路を移動する時間を考慮した関係が用いられてもよいし、 混雑に 応じて移動時間が変化する関係が用いられてもよい。
[0035] また、 日付〇1の時刻· Iにおける経路毎の人数 は、 日付〇1の補助情報 やそ の前の時刻の経路毎の人数 卜1 , 〇1パ-2, 等から推定できるとする
。 すなわち、 日付 の時刻· Iにおける経路毎の人数 は、 以下の式 （2） によ り推定 （近似） できるとする。
[0036] [数 9]
《 /（ 呂 #— 1， #— 2， . . .） （2） \¥02020/175140 8 卩（：17 2020/005315
ここで、 上述したように、 関係 は日付 の時亥 における経路毎の人数 を出力する任意の関数であり、 例えば、 ニューラルネッ トワーク等が用いら れる。
[0037] 将来の日付 の時刻· 1における経路毎の人数 を推定する場合には、 上記の 式 （2） の代わりに、 以下の式 （3） を用いる。
[0038] [数 10] £ « ） （3）
すなわち、 当該時刻· Iよりも前の時刻の経路毎の人数 卜1 , 卜2, -
-等を入力としない関係干を用いる。
[0039] なお、 上記の式 （2） 及び式 （3） では、 異なる日時での経路毎の人数間 の関係を用いたが、 例えば、 異なる日時での道路毎の人数の関係が用いられ てもよい。
[0040] 学習部 1 1 2は、 道路毎人数
Figure imgf000010_0001
（及び補助情報 3） が与えられたときに、 上記の式 （1） に示す関係と、 上記の式 （2） （又は式 （3） ） に示す関係 とをなるべく満たすように、 経路別人数丫と関係 （のパラメータ） とを学習 する。 例えば、 学習部 1 1 2は、 以下の式 （4） に示す誤差巳を最小化する ように、 任意の最適化手法により経路別人数丫と関係 とを学習する。
[0041 ] [数 1 1 ]
Figure imgf000010_0002
ここで、 ス＞0はハイパーパラメータである。 なお、 上記の式 （4） の第二 項では次の時刻における経路毎の人数 の推定値の誤差 （つまり、 時刻· 1-1
Figure imgf000010_0003
〇 2020/175140 9 卩（：170? 2020 /005315
卜2, ）との誤差） を用いたが、 例えば、 長期予測をしたい場合に は長期的に推定された推定値の誤差が用いられてもよい。 また、 二乗誤差の 最小化の代わりに、 例えば、 尤度の最大化やベイズ推定等が用いられてもよ い。
[0042] 出力部 1 1 3は、 学習部 1 1 2により学習された経路別人数丫及び関係干 （ つまり、 学習済みの経路別人数丫及び関係 （のパラメータ） ） を出力する。 なお、 出力部 1 1 3は、 学習済みの経路別人数丫及び関係 fを記憶部 1 0 2に 出力 （保存） してもよいし、 通信ネッ トワークを介して接続される他の装置 （例えば推定装置 2 0） に出力してもよい。
[0043] 《推定装置 2 0》
図 1 に示すように、 本発明の実施の形態における推定装置 2 0は、 推定処 理部 2 0 1 と、 記憶部 2 0 2とを有する。
[0044] 推定処理部 2 0 1は、 学習済みのモデル （つまり、 学習済みの経路別人数丫 及び関係 と、 補助情報 3とを入力として、 推定道路別人数 X と推定経路別 人数丫 とを推定する。
[0045] ここで、 推定処理部 2 0 1 には、 入力部 2 1 1 と、 推定部 2 1 2と、 出力 部 2 1 3とが含まれる。
[0046] 入力部 2 1 1は、 学習済みの経路別人数丫及び関係 （のパラメータ） と、 経路情報八と、 補助情報 3とを入力する。 なお、 入力部 2 1 1は、 記憶部 2 0 2に記憶されている学習済みの経路別人数丫及び関係 と経路情報八と補助情報 とを入力してもよいし、 通信ネッ トワークを介して接続される他の装置 （例 えば学習装置 1 〇） から学習済みの経路別人数丫及び関係 と経路情報八と補助 情報 3とを受信及び入力してもよい。 又は、 入力部 2 1 1は、 学習済みの経路 別人数丫と学習済みの関係 と経路情報八と補助情報 3とのうちの少なくとも 1 つを記憶部 2 0 2から入力し、 残りを他の装置から受信及び入力してもよい
[0047] 推定部 2 1 2は、 入力部 2 1 1 により入力された学習済みの経路別人数丫及 び関係 と経路情報八と補助情報 3とを用いて、 推定道路別人数乂 及び推定経 \¥02020/175140 10 卩（：17 2020/005315
路別人数丫 を推定する。
[0048] 推定部 2 1 2は、 例えば、 現在の時刻を卜1、 推定対象の日付を（^= として 、 以下の式 （5） により次の時刻· 1における経路毎の人数 を推定する。
[0049] [数 12]
Figure imgf000012_0001
なお、 長期予測を行う場合には、 推定された人数 も、 上記の式 （5） に 示す関係式 に代入すればよい。
[0050] また、 全ての時刻で道路が未観測の日付（^=（^ の時刻· 1における経路毎の人数 を推定する場合 （例えば、 日付〇1=〇1 が将来の日付である場合等） には、 推 定部 2 1 2は、 以下の式 （6） により人数 を推定する。
[0051 ] [数 13]
Figure imgf000012_0002
すなわち、 推定対象の時刻· 1よりも前の時刻における経路毎の人数 卜1 , 〇1パ-2, 等を入力としない関係干を用いる。
[0052] また、 推定部 2 1 2は、 例えば、 以下の式 （7） により推定道路別人数乂 を推定する。
[0053] [数 14]
又 = （7）
すなわち、 推定道路別人数乂 は、 経路毎の人数 （の推定値） と、 経路 情報八とを用いて推定することができる。 [0054] 出力部 2 1 3は、 推定部 2 1 2により推定された推定道路別人数 Xd*及び推 定経路別人数 Yd*を出力する。 なお、 出力部 2 1 3は、 推定道路別人数 Xd*及 び推定経路別人数 Yd*を記憶部 2 0 2に出力 (保存) してもよいし、 通信ネッ トワークを介して接続される他の装置に出力してもよい。
[0055] ここで、 本発明の実施の形態では、 学習装置 1 0と推定装置 2 0とが異な る装置である場合について説明するが、 学習装置 1 0と推定装置 2 0とが 1 台の装置で実現されていてもよい。 この場合、 当該装置は、 学習処理部 1 0 1 と、 推定処理部 2 0 1 と、 記憶部とを有するように構成されていればよい
[0056] ＜学習装置 1 0及び推定装置 2 0のハードウェア構成＞
次に、 本発明の実施の形態における学習装置 1 〇及び推定装置 2 0のハー ドウェア構成について、 図 2を参照しながら説明する。 図 2は、 本発明の実 施の形態における学習装置 1 〇及び推定装置 2 0のハードウェア構成の一例 を示す図である。 なお、 学習装置 1 〇及び推定装置 2 0は同様のハードウェ ア構成で実現可能であるため、 以降では、 主に、 学習装置 1 0のハードウェ ア構成について説明する。
[0057] 図 2に示すように、 本発明の実施の形態における学習装置 1 0は、 入力装 置 3 0 1 と、 表示装置 3 0 2と、 外部 I / F 3 0 3と、 R A M (Random Acce ss Memory) 3 0 4と、 R O M (Read On ly Memory) 3 0 5と、 プロセッサ 3 0 6と、 通信 I / F 3 0 7と、 補助記憶装置 3 0 8とを有する。 これら各ハ -ドウェアは、 それぞれがバス Bを介して通信可能に接続されている。
[0058] 入力装置 3 0 1は、 例えばキーボードやマウス、 タッチパネル等であり、 ユーザが各種操作を入力するのに用いられる。 表示装置 3 0 2は、 例えばデ ィスプレイ等であり、 学習装置 1 0の処理結果等を表示する。 なお、 学習装 置 1 〇及び推定装置 2 0は、 入力装置 3 0 1及び表示装置 3 0 2の少なくと も一方を有していなくてもよい。
[0059] 外部 I / F 3 0 3は、 外部装置とのインタフェースである。 外部装置には 、 記録媒体 3 0 3 a等がある。 学習装置 1 0は、 外部丨 / F 3 0 3を介して 、 記録媒体 303 aの読み取りや書き込み等を行うことができる。 記録媒体 303 aには、 例えば、 学習処理部 1 01 を実現する 1以上のプログラムや 推定処理部 201 を実現する 1以上のプログラム等が記録されていてもよい
[0060] 記録媒体 303 aとしては、 例えば、 フレキシブルディスク、 CD (Compa ct Disc) 、 DVD (Digital Versatile Disk) % S Dメモリカード (Secure Digital memory card) 、 US B (Universal Serial Bus) メモリカード等 がある。
[0061] RAM304は、 プログラムやデータを一時保持する揮発性の半導体メモ リである。 ROM305は、 電源を切ってもプログラムやデータを保持する ことができる不揮発性の半導体メモリである。 ROM305には、 例えば、
0 s (Operating System) に関する設定情報や通信ネッ トワークに関する設 定情報等が格納されている。
[0062] プロセッサ 306は、 例えば C P U (Central Processing Unit) や G P U
(Graphics Processing Unit) 等であり、 R〇 M 305や補助記憶装置 30 8等からプログラムやデータを R AM304上に読み出して処理を実行する 演算装置である。 学習処理部 1 01は、 ROM305や補助記憶装置 308 等に格納されている 1以上のプログラムを R AM 304上に読み出してプロ セッサ 306が処理を実行することで実現される。 同様に、 推定処理部 20 1は、 ROM 305や補助記憶装置 308等に格納されている 1以上のプロ グラムを RAM 304上に読み出してプロセッサ 306が処理を実行するこ とで実現される。
[0063] 通信 I /F 307は、 学習装置 1 0を通信ネッ トワークに接続するための インタフエースである。 学習処理部 1 01 を実現する 1以上のプログラムや 推定処理部 201 を実現する 1以上のプログラムは、 通信丨 /F 307を介 して、 所定のサーバ装置等から取得 (ダウンロード) されてもよい。
[0064] 補助記憶装置 308は、 例えば H DD (Hard Disk Drive) や SS D (So l i d State Drive) 等であり、 プログラムやデータを格納している不揮発性の記 〇 2020/175140 13 卩（：170? 2020 /005315
憶装置である。 補助記憶装置 3 0 8に格納されているプログラムやデータに は、 例えば、 0 3 , 当該〇 3上で各種機能を実現するアプリケーシヨンプロ グラム等がある。 また、 学習装置 1 0の補助記憶装置 3 0 8には学習処理部 1 0 1 を実現する 1以上のプログラムが格納されている。 同様に、 推定装置
2 0の補助記憶装置 3 0 8には推定処理部 2 0 1 を実現する 1以上のプログ ラムが格納されている。
[0065] また、 学習装置 1 0が有する記憶部 1 0 2は、 例えば補助記憶装置 3 0 8 を用いて実現可能である。 同様に、 推定装置 2 0が有する記憶部 2 0 2は、 例えば補助記憶装置 3 0 8を用いて実現可能である。
[0066] 本発明の実施の形態における学習装置 1 0は、 図 2に示すハードウエア構 成を有することにより、 後述する各種処理を実現することができる。 同様に 、 本発明の実施の形態における推定装置 2 0は、 図 2に示すハードウエア構 成を有することにより、 後述する各種処理を実現することができる。
[0067] なお、 図 2に示す例では、 本発明の実施の形態における学習装置 1 0及び 推定装置 2 0がそれぞれ 1台の装置 （コンピュータ） で実現されている場合 を示したが、 これに限られない。 本発明の実施の形態における学習装置 1 〇 及び推定装置 2 0の少なくとも一方が、 複数台の装置 （コンピュータ） で実 現されていてもよい。 また、 1台の装置 （コンピュータ） には、 複数のプロ セッサ 3 0 6や複数のメモリ （[¾ 1\/1 3 0 4や [¾〇1\/1 3 0 5、 補助記憶装置
3 0 8等） が含まれていてもよい。
[0068] <学習処理 >
次に、 本発明の実施の形態における学習処理 （経路別人数丫と関係 とを学 習する処理） について、 図 3を参照しながら説明する。 図 3は、 本発明の実 施の形態における学習処理の一例を示すフローチヤートである。
[0069] まず、 入力部 1 1 1は、 経路情報八と、 道路毎人数
Figure imgf000015_0001
と、 補助情報 3とを 入力する （ステップ 3 1 0 1） 。
[0070] 次に、 学習部 1 1 2は、 経路情報八と、 道路毎人数
Figure imgf000015_0002
補助情報 3とを 用いて、 例えば上記の式 （4） を任意の最適化手法により最適化することで 〇 2020/175140 14 卩（：170? 2020 /005315
、 経路別人数丫及び関係 を学習する （ステップ 3 1 0 2） 。
[0071 ] そして、 出力部 1 1 3は、 学習済みの経路別人数丫及び関係 を出力する （ ステップ 3 1 0 3） 。 これにより、 学習済みの経路別人数丫及び関係 が得ら れる。
[0072] <推定処理 >
次に、 本発明の実施の形態における推定処理 （推定道路別人数 X と推定経 路別人数丫 とを推定する処理） について、 図 4を参照しながら説明する。 図 4は、 本発明の実施の形態における推定処理の一例を示すフローチヤートで ある。
[0073] まず、 入力部 2 1 1は、 学習済みの経路別人数丫と、 学習済みの関係 と、 経路情報八と、 補助情報 3とを入力する （ステップ 3 2 0 1） 。
[0074] 次に、 推定部 2 1 2は、 学習済みの経路別人数丫と、 学習済みの関係 と、 経路情報八と、 補助情報 3とを用いて、 上記の式 （5） 又は式 （6） により推 定経路別人数丫 を推定すると共に、 上記の式 （7） により推定道路別人数乂 *を推定する （ステップ 3 2 0 2） 。 なお、 推定部 2 1 2は、 推定道路別人数 乂 及び推定経路別人数丫 のうちのいずれか一方のみを推定してもよい。
[0075] そして、 出力部 2 1 3は、 推定道路別人数乂 及び推定経路別人数丫 （又 は、 推定道路別人数乂 及び推定経路別人数丫 のうちのいずれか一方） を出 力する （ステップ 3 2 0 3） 。 これにより、 推定結果として、 推定道路別人 数乂 及び推定経路別人数丫 の少なくとも 1つが得られる。
[0076] <評価結果 >
最後に、 一例として、 イベント会場付近の経路数を 80、 道路数を 227、 観測 された道路数を 37としたデータを用いた推定結果の評価結果を示す。 補助情 報 3としては、 イベントの開場時刻、 開演時刻、 閉演時刻、 予想来場者数を用 いた。 また、 学習データの日数を 7、 開発データの日数を 1、 テストデータの 日数を 1とした。
[0077] 評価尺度としては、 以下の式 （8） に示す正則化誤差 £を用いた。
[0078] 〇 2020/175140 15 卩（：170? 2020 /005315
[数 15]
Figure imgf000017_0001
ここで、
[0079] [数 16]
は日付 の時亥 I」†に道路 Iを通過した人数の推定値、
Figure imgf000017_0002
はその観測値を表す
[0080] このとき、 1時刻先の誤差は 0.326であった。 なお、 前の時刻の値をそのま ま推定に用いた場合の誤差は 0.408であり、 本発明の実施の形態を用いた場合 の方が、 推定誤差が小さいことがわかる。 また、 未観測の日付 （つまり、 全 ての時刻で道路が未観測） での誤差は 0.455であり、 未観測の日付でも或る程 度の精度で推定が可能であることがわかる。
[0081] 本発明は、 具体的に開示された上記の実施形態に限定されるものではなく 、 特許請求の範囲から逸脱することなく、 種々の変形や変更が可能である。 符号の説明
[0082] 1 0 学習装置
20 推定装置
1 01 学習処理部
1 02 記憶部
1 1 1 入力部
1 1 2 学習部 140 16 卩〇/·!? 2020 /005315 1 3 出力部
1 推定処理部
2 記憶部
1 1 入力部
1 2 推定部
1 3 出力部

Claims

〇 2020/175140 17 卩（：170? 2020 /005315 請求の範囲
[請求項 1 ] 複数の道のうちの 1上の道で構成される経路を表す経路情報と、 前 記複数の道のうちの観測対象の道における日時毎の移動体数を表す移 動体数情報とを入力する入力手段と、
前記経路情報と、 前記移動体数情報とを用いて、 前記道毎の移動体 数と前記経路毎の移動体数との関係及び異なる日時での経路毎の移動 体数間の関係を表すモデルのパラメータを学習する学習手段と、 を有することを特徴とする学習装置。
[請求項 2] 前記モデルは、
日付 の時刻· Iに道 Iを通過した移動体数と、 前記日付 の前記時刻士 に前記道 を含む経路』上の移動体数の総和との近似関係と、
時刻 1と、 日付（^に関する補助的な情報 とを少なくとも入力とし、 前記日付〇1の前記時刻· 1における経路』毎の移動体数を出力する関数干で ある、 ことを特徴とする請求項 1 に学習装置。
[請求項 3] 前記関数 は、 前記時刻· 1により前の時刻における経路』毎の移動体 数を更に入力とする、 ことを特徴とする請求項 2に記載の学習装置。
[請求項 4] 複数の道のうちの 1上の道で構成される経路を表す経路情報と、 前 記道毎の移動体数と前記経路毎の移動体数との関係及び異なる日時で の経路毎の移動体数間の関係を表す学習済モデルのパラメータとを入 力する入力手段と、
前記経路情報と、 前記学習済モデルのパラメータとを用いて、 推定 対象の日時における道毎の移動体数と、 前記推定対象の日時における 経路毎の移動体数との少なくとも一方を推定する推定手段と、 を有することを特徴とする推定装置。
[請求項 5] 前記学習済モデルは、
日付 の時刻· Iに道 Iを通過した移動体数と、 前記日付 の前記時刻士 に前記道 _1を含む経路』上の移動体数の総和との近似関係を表す学習済 モデルと、 〇 2020/175140 18 卩（：170? 2020 /005315
時刻 1と、 日付（^に関する補助的な情報 とを少なくとも入力とし、 前記日付〇1の前記時刻· 1における経路』毎の移動体数を出力する関数干で 表される学習済モデルと、 の少なくとも一方である、 ことを特徴とす る請求項 4に記載の推定装置。
[請求項 6] 複数の道のうちの 1上の道で構成される経路を表す経路情報と、 前 記複数の道のうちの観測対象の道における日時毎の移動体数を表す移 動体数情報とを入力する入力手順と、
前記経路情報と、 前記移動体数情報とを用いて、 前記道毎の移動体 数と前記経路毎の移動体数との関係及び異なる日時での経路毎の移動 体数間の関係を表すモデルのパラメータを学習する学習手順と、 をコンピュータが実行することを特徴とする学習方法。
[請求項 7] 複数の道のうちの 1上の道で構成される経路を表す経路情報と、 前 記道毎の移動体数と前記経路毎の移動体数との関係及び異なる日時で の経路毎の移動体数間の関係を表す学習済モデルのパラメータとを入 力する入力手順と、
前記経路情報と、 前記学習済モデルのパラメータとを用いて、 推定 対象の日時における道毎の移動体数と、 前記推定対象の日時における 経路毎の移動体数との少なくとも一方を推定する推定手順と、 をコンピュータが実行することを特徴とする推定方法。
[請求項 8] コンピュータを、 請求項 1乃至 3の何れか一項に記載の学習装置に おける各手段、 又は、 請求項 4又は 5に記載の推定装置における各手 段、 として機能させるためのプログラム。
PCT/JP2020/005315 2019-02-27 2020-02-12 学習装置、推定装置、学習方法、推定方法、及びプログラム Ceased WO2020175140A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/433,397 US11940281B2 (en) 2019-02-27 2020-02-12 Learning apparatus, estimation apparatus, learning method, estimation method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-034024 2019-02-27
JP2019034024A JP7234691B2 (ja) 2019-02-27 2019-02-27 学習装置、推定装置、学習方法、推定方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2020175140A1 true WO2020175140A1 (ja) 2020-09-03

Family

ID=72239935

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/005315 Ceased WO2020175140A1 (ja) 2019-02-27 2020-02-12 学習装置、推定装置、学習方法、推定方法、及びプログラム

Country Status (3)

Country Link
US (1) US11940281B2 (ja)
JP (1) JP7234691B2 (ja)
WO (1) WO2020175140A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010287206A (ja) * 2009-05-15 2010-12-24 Sumitomo Electric Ind Ltd 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
JP2016222114A (ja) * 2015-05-29 2016-12-28 株式会社日立製作所 データ処理システム、及び、データ処理方法
WO2017122258A1 (ja) * 2016-01-12 2017-07-20 株式会社日立国際電気 混雑状況監視システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06266993A (ja) * 1993-03-11 1994-09-22 Hitachi Ltd 道路交通制御装置
US20200051430A1 (en) * 2018-08-08 2020-02-13 Hcl Technologies Limited System and method to generate recommendations for traffic management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010287206A (ja) * 2009-05-15 2010-12-24 Sumitomo Electric Ind Ltd 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
JP2016222114A (ja) * 2015-05-29 2016-12-28 株式会社日立製作所 データ処理システム、及び、データ処理方法
WO2017122258A1 (ja) * 2016-01-12 2017-07-20 株式会社日立国際電気 混雑状況監視システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IIYAMA, MASAAKI ET AL.: "Out- of-view People Counting in the Area with Multiple Cameras", IEICE TECHNICAL REPORT, vol. 116, no. 150, 13 July 2016 (2016-07-13), pages 43 - 46 *
KIYOTAKE, HIROSHI ET AL.: "Estimation of people flow considering time delay", PROCEEDINGS OF THE 32ND NATIONAL CONFERENCE OF THE JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE DVD [ DVD -ROM], 2018 NATIONAL CONFERENCE OF THE JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE (32ND, 8 June 2018 (2018-06-08) *

Also Published As

Publication number Publication date
US11940281B2 (en) 2024-03-26
US20220146270A1 (en) 2022-05-12
JP7234691B2 (ja) 2023-03-08
JP2020140333A (ja) 2020-09-03

Similar Documents

Publication Publication Date Title
US11281969B1 (en) Artificial intelligence system combining state space models and neural networks for time series forecasting
JP6853968B2 (ja) パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム
Wang et al. Deep Q learning-based traffic signal control algorithms: Model development and evaluation with field data
Helbing et al. The physics of traffic and regional development
WO2019218465A1 (zh) 一种用户行为提示生成方法、装置、终端设备及介质
JP2019067224A (ja) 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム
Kopper et al. Deeppamm: Deep piecewise exponential additive mixed models for complex hazard structures in survival analysis
WO2022025244A1 (ja) 車両事故予測システム、車両事故予測方法、車両事故予測プログラム、及び、学習済みモデル生成システム
US10984343B2 (en) Training and estimation of selection behavior of target
Van Hinsbergen et al. A general framework for calibrating and comparing car-following models
Elliott et al. Modelling the travel time of transit vehicles in real‐time through a GTFS‐based road network using GPS vehicle locations
Masselot et al. Constrained groupwise additive index models
Chen et al. Modeling conditional distributions for functional responses, with application to traffic monitoring via GPS-enabled mobile phones
JP6812229B2 (ja) 決定装置、決定方法、及び決定プログラム
Lou A unified framework of proactive self-learning dynamic pricing for high-occupancy/toll lanes
WO2020175140A1 (ja) 学習装置、推定装置、学習方法、推定方法、及びプログラム
Heumann et al. Linear Regression
Shahrokhi Shahraki et al. An efficient soft computing-based calibration method for microscopic simulation models
JP7294383B2 (ja) パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム
CN107644147B (zh) 从多个结果确定充分原因的系统和方法
US20240062106A1 (en) Time-series data prediction apparatus, learning apparatus, estimation apparatus, method, and program
JP2020086746A (ja) 推定装置、推定方法及びプログラム
JP7135824B2 (ja) 学習装置、推定装置、学習方法、推定方法、及びプログラム
US20150269335A1 (en) Method and system for estimating values derived from large data sets based on values calculated from smaller data sets
WO2021250753A1 (ja) 学習方法、学習装置及びプログラム

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: 20762037

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: 20762037

Country of ref document: EP

Kind code of ref document: A1