WO2021130926A1 - 人流予測装置、人流予測方法、及び人流予測プログラム - Google Patents

人流予測装置、人流予測方法、及び人流予測プログラム Download PDF

Info

Publication number
WO2021130926A1
WO2021130926A1 PCT/JP2019/050951 JP2019050951W WO2021130926A1 WO 2021130926 A1 WO2021130926 A1 WO 2021130926A1 JP 2019050951 W JP2019050951 W JP 2019050951W WO 2021130926 A1 WO2021130926 A1 WO 2021130926A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
model
data
flow
human flow
Prior art date
Application number
PCT/JP2019/050951
Other languages
English (en)
French (fr)
Inventor
啓介 角田
崇洋 秦
元紀 中村
和昭 尾花
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US17/788,185 priority Critical patent/US20230030127A1/en
Priority to JP2021566657A priority patent/JP7338704B2/ja
Priority to PCT/JP2019/050951 priority patent/WO2021130926A1/ja
Publication of WO2021130926A1 publication Critical patent/WO2021130926A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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

Definitions

  • the disclosed technology relates to a person flow prediction device, a person flow prediction method, and a person flow prediction program.
  • the conventional technology is a method suitable for predicting the flow of people when a uniform flow of people occurs in a short period of time, such as when an event occurs.
  • the flow of people changes variously depending on the date and time and time, and moves in various directions and speeds. Therefore, it was difficult to constantly predict the flow of people so that it would be useful for the maintenance, management, and operation of commercial facilities where various people come and go.
  • the disclosed technology was made in view of the above points, and an object of the present invention is to provide a human flow prediction device, a human flow prediction method, and a human flow prediction program that can robustly predict the flow of people in response to changes in space.
  • the first aspect of the present disclosure is a human flow prediction device, which is learning to select learning data related to human flow data at a plurality of dates and times corresponding to the prediction target period based on a prediction condition including a prediction target period to be predicted.
  • a prediction model that is a prediction model having predetermined characteristics based on the data selection unit and the selected training data, and that learns a prediction model for predicting human flow data at a predetermined date and time and stores it in the model storage unit.
  • the prediction model is selected from the model storage unit based on the creation unit, the prediction conditions, and the permissible conditions related to the characteristics of the prediction model, and based on the selected prediction model, the flow data under the prediction conditions is obtained.
  • FIG. 1 is a block diagram showing a hardware configuration of the human flow prediction device 100 of the present embodiment.
  • the human flow prediction device 100 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input unit 15, a display unit 16, and a communication interface. It has (I / F) 17.
  • the configurations are connected to each other via a bus 19 so as to be communicable with each other.
  • the CPU 11 is a central arithmetic processing unit that executes various programs and controls each part. That is, the CPU 11 reads the program from the ROM 12 or the storage 14, and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above configurations and performs various arithmetic processes according to the program stored in the ROM 12 or the storage 14. In the present embodiment, the ROM 12 or the storage 14 stores a human flow calculation program and a human flow prediction program.
  • the ROM 12 stores various programs and various data.
  • the RAM 13 temporarily stores a program or data as a work area.
  • the storage 14 is composed of a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used for performing various inputs.
  • the display unit 16 is, for example, a liquid crystal display and displays various types of information.
  • the display unit 16 may adopt a touch panel method and function as an input unit 15.
  • the communication interface 17 is an interface for communicating with other devices such as terminals, and for example, standards such as Ethernet (registered trademark), FDDI, and Wi-Fi (registered trademark) are used.
  • Ethernet registered trademark
  • FDDI FDDI
  • Wi-Fi registered trademark
  • FIG. 2 is a block diagram showing a functional configuration of the human flow prediction device 100 of the present embodiment.
  • Each functional configuration is realized by the CPU 11 reading the human flow prediction program stored in the ROM 12 or the storage 14, deploying it in the RAM 13, and executing it.
  • the human flow prediction device 100 includes a human flow calculation unit 101, a human flow data storage unit 102, a learning data selection unit 103, a prediction model creation unit 104, a model storage unit 105, and a prediction unit 106. Is configured to include. As the input / output functions of the human flow prediction device 100, the human flow measuring means 120, the locus data storage device 121, the calculation setting value 122, the data selection setting value 123, the model creation setting value 124, and the prediction command There are 125, external information 126, and a prediction result 127.
  • the human flow measuring means 120 measures the movement of a person passing through a certain space by using a sensor.
  • a sensor In the measurement, as the movement of a person in a space defined in a plane or three-dimensional manner, the coordinates at which each person exists, its identifier (hereinafter referred to as a user ID), and the time are simultaneously recorded at regular intervals. .. This records each person's actions within the defined space.
  • the coordinates for example, the latitude and longitude information in GPS and the coordinate information defined in the measuring means are used.
  • an ID that is automatically assigned by the person flow measuring means 120 may be used as the user ID.
  • the locus data storage device 121 is a device such as a database that records the time, the user ID, the coordinates, and the ID of the measured area as locus data measured by the human flow measuring means 120.
  • the measured area is an area defined as a plane or space having an arbitrary shape in the coordinate system defined by GPS or the human flow measuring means 120. In this way, the locus data is data including the coordinates for each time of the movement target.
  • the calculation set value 122 is a set value used by the human flow calculation unit 101.
  • the set values include the period to be calculated, the area ID to be calculated, the rule for converting the coordinate information stored in the locus data storage device 121 into the direction of the flow of people to be calculated, the type of statistical value of the speed to be calculated, and the like. Can be mentioned.
  • the rule for conversion after setting the calculation direction to four directions of north, south, east, and west, only the latitude and longitude that have moved the most within the period are extracted and extracted from the trajectory data of each user ID. There is a rule to determine north, south, east and west based on the trajectory data. Further, examples of the velocity statistical value include an average value, a standard deviation, a maximum value, and the like.
  • the calculation setting value 122 is a setting value including the direction rule and the type of calculation target.
  • the human flow calculation unit 101 calculates the human flow data based on the locus data input from the locus data storage device 121 and the calculation set value 122, and stores the human flow data in the human flow data storage unit 102.
  • the human flow data calculated here as described in a specific embodiment of the present embodiment described later, a statistical value of the number of people moving in any direction or the moving speed in any direction is assumed.
  • the data selection setting value 123 is a setting value used by the learning data selection unit 103. Specifically, the type of cross-validation used for selecting training data (for example, n_fold, 1-day out, etc.), the type of evaluation value thereof (for example, mean absolute eraser, etc.), the minimum number and maximum number of training data, The initial value and the maximum value of the period before and after the training data selection can be mentioned.
  • the type of cross-validation used for selecting training data for example, n_fold, 1-day out, etc.
  • the type of evaluation value thereof for example, mean absolute eraser, etc.
  • the initial value and the maximum value of the period before and after the training data selection can be mentioned.
  • External information 126 is data other than human flow data that can be included in the prediction model used for human flow prediction. Specifically, the weather at each date and time, calendar information, and the date and time of the event in the target area can be mentioned.
  • the learning data selection unit 103 acquires the human flow data accumulated in the past in the human flow data storage unit 102 and the external information 126 based on the prediction conditions included in the data selection command input from the prediction model creation unit 104. To do.
  • the learning data selection unit 103 selects the learning data to be used for creating the prediction model based on the data selection set value 123, and transmits it to the prediction model creation unit 104.
  • As a method of selecting training data there is a method of extracting characteristics of several days before and after the predicted date and then selecting data having similar characteristics. For example, in order to predict Friday data, there is a method of selecting data in which the previous day is a weekday, the current day is a weekday, and the next day is a holiday. Details will be described in a specific embodiment of the present embodiment.
  • the learning data selection unit 103 selects each of the set of feature quantities that reduces the error obtained by performing cross-validation as training data.
  • the learning data selection unit 103 calculates a feature vector related to ⁇ days before and after the prediction target date.
  • the learning data selection unit 103 acquires the human flow data of the ⁇ days before and after, which is the same feature vector as the feature vector of the prediction target day, and the external information corresponding to the human flow data, among the human flow data under the predetermined conditions. If there is no same feature vector, the human flow data of ⁇ days before and after the similar feature vector is acquired.
  • the learning data selection unit 103 calculates each of the feature quantities of the set of the acquired human flow data of ⁇ days before and after and the external information, and uses each of the feature vectors of the ⁇ days before and after and each of the feature quantities of the set as training data. select.
  • the ⁇ days before and after are counted up, and for the ⁇ days before and after, each of the feature quantities of the set is divided into one for evaluation and one for model creation, and cross-validation is performed.
  • Each of the set of features that reduces the obtained error is selected as training data.
  • the model creation setting value 124 is a setting value used for predictive model creation. Specifically, the timing of creating the forecast model, the date of the forecast target using the created forecast model, the type of the forecast model, and the like can be mentioned.
  • the prediction model creation unit 104 is a prediction model having a predetermined feature based on the training data selected by the training data selection unit 103, and learns a prediction model for predicting human flow data at a predetermined date and time, and models the model. It is stored in the storage unit 105.
  • the prediction model creation unit 104 transmits a data selection command, which is a command for selecting training data, to the training data selection unit 103.
  • the prediction model creation unit 104 receives learning data from the training data selection unit 103, learns the prediction model based on the received learning data and the set value for model creation, and stores it in the model storage unit 105.
  • the prediction model in the present disclosure includes a linear model such as multiple regression, logistic regression, Partial Rest Square (PLS) regression, a nonlinear model such as Support Vector Regression (SVR), or a Deep Neural Network (DNN).
  • a linear model such as multiple regression, logistic regression, Partial Rest Square (PLS) regression, a nonlinear model such as Support Vector Regression (SVR), or a Deep Neural Network (DNN).
  • PLS Partial Rest Square
  • SVR Support Vector Regression
  • DNN Deep Neural Network
  • the model storage unit 105 is a database or the like that stores the prediction model created by the prediction model creation unit.
  • the prediction command 125 is a command for instructing the prediction unit 106 to predict the flow of people, and includes prediction conditions and allowable conditions.
  • the prediction conditions include a prediction target period, an area ID indicating an area to be predicted, a direction, and the number of people or speed of movement as the prediction target to be predicted.
  • the permissible condition is the model selection method.
  • the model selection method is, for example, a method of selecting a prediction model having similar characteristics regarding the division of days such as weekdays, holidays, or holidays.
  • the model selection method is an example of an acceptable condition for the characteristics of the prediction model of the present disclosure. Details of the prediction conditions and the allowable conditions will be described in the specific aspects of the present embodiment.
  • the prediction unit 106 acquires the human flow data from the human flow data storage unit 102 based on the prediction command 125, selects a prediction model from the model storage unit 105, and obtains the human flow data under the prediction conditions based on the selected prediction model. It makes a prediction and outputs it as a prediction result 127.
  • the prediction model creation unit 104 has a model creation command. To send.
  • FIG. 3 is a flowchart showing the flow of the person flow calculation process by the person flow prediction device 100.
  • the person flow calculation process is performed by the CPU 11 reading the person flow calculation program from the ROM 12 or the storage 14, expanding the program into the RAM 13 and executing the program.
  • the CPU 11 executes the process as each part of the human flow prediction device 100.
  • step S100 the CPU 11 acquires the calculation set value 122 as the human flow calculation unit 101.
  • the acquisition method include a method of reading an externally prepared setting file or a method of transmitting some defined signal from a terminal or the like to the human flow calculation unit 101, but the method is not limited to these methods.
  • step S102 the CPU 11, as the human flow calculation unit 101, acquires the locus data from the locus data storage device 121 based on the calculation set value 122, and then calculates the human flow data. Specifically, after acquiring the locus data to which the area ID in the calculation period is assigned from the locus data storage device 121 according to the calculation set value 122, the number of users who have moved within the period or the user in each set direction. Calculate the statistical value of the moving speed of. The calculation result is associated with the calculation period and the area ID to obtain human flow data.
  • step S104 the CPU 11 serves as the person flow calculation unit 101 and stores the person flow data calculated in step S102 in the person flow data storage unit 102.
  • FIG. 4 is a flowchart showing the flow of the person flow prediction process by the person flow prediction device 100.
  • the person flow prediction process is performed by the CPU 11 reading the person flow prediction program from the ROM 12 or the storage 14, expanding it into the RAM 13 and executing the program.
  • the CPU 11 executes the process as each part of the human flow prediction device 100.
  • step S110 the CPU 11 receives the prediction command 125 including the prediction condition and the allowable condition as the prediction unit 106.
  • the prediction command 125 includes, for example, means for receiving a signal defined in advance by a communication protocol such as SSH, but is not limited thereto.
  • step S112 the CPU 11 searches the model storage unit 105 for a prediction model that satisfies the prediction conditions and the allowable conditions based on the prediction command 125 as the prediction unit 106.
  • step S114 the CPU 11 determines whether or not a prediction model that satisfies the prediction conditions and the permissible conditions exists in the search in step S112 as the prediction unit 106. If the prediction model exists, the process proceeds to step S126, and if the prediction model does not exist, the process proceeds to step S116.
  • step S116 the CPU 11 sends a model creation command to the prediction model creation unit 104 in order to create the prediction model as the prediction unit 106.
  • step S118 the CPU 11 sends the data selection command to the learning data selection unit 103 after receiving the model creation command as the prediction model creation unit 104.
  • step S120 the CPU 11 selects the learning data as the learning data selection unit 103 and transmits it to the prediction model creation unit 104.
  • the learning data is selected after receiving the data selection command, acquiring the human flow data from the human flow data storage unit 102, and acquiring the external information corresponding to the human flow data. The specific selection process will be described later.
  • the CPU 11 is a prediction model having predetermined characteristics based on the learning data selected by the learning data selection unit 103 as the prediction model creation unit 104, and is a prediction for predicting the human flow data at a predetermined date and time. Learn the model.
  • step S124 the CPU 11 stores the learned prediction model in the model storage unit 105 as the prediction model creation unit 104, notifies the prediction unit 106 of the completion of learning of the prediction model, and proceeds to step S126.
  • step S126 the CPU 11 selects a prediction model that satisfies the prediction conditions and the allowable conditions from the model storage unit 105 based on the prediction command 125 as the prediction unit 106.
  • steps S116 to S124 are being executed, the prediction model learned in the process is selected.
  • the prediction model that most satisfies the allowable conditions may be selected.
  • step S130 the CPU 11 acquires the external information 126 necessary for prediction by the selected prediction model as the prediction unit 106.
  • the human flow data and external information 126 required for the prediction of the prediction model in steps S128 and S130 are targets corresponding to the features included in the selected prediction model. For example, if the same time period two days before the prediction date, the flow data of the same area ID, and the temperature are used as the feature quantities of the prediction model, the period of the same time two days before the prediction target date and the same time period and the temperature are used.
  • the people flow data of the same area ID is acquired from the people flow data storage unit 102.
  • the temperature during the period corresponding to the person flow data is acquired from the external information 126.
  • step S132 the CPU 11 uses the acquired human flow data and the external information 126 as inputs to the selected prediction model as the prediction unit 106, predicts the human flow data under the prediction conditions, and outputs the prediction result 127.
  • FIG. 5 is a flowchart showing the flow of the learning data selection process.
  • the following processing is executed by the CPU 11 as the learning data selection unit 103.
  • the following processing is processing after receiving a data selection command including information on the set value ⁇ 'and the prediction target date from the prediction model creation unit 104.
  • step S142 the CPU 11 calculates a feature vector related to ⁇ days before and after the prediction target date.
  • ⁇ 1, the feature vector for one day before and after is calculated. If the feature is a weekday or a holiday, and the holiday is represented by (1) and the weekday is represented by (0), if the prediction target day is a weekday, the previous day is a holiday, and the next day is a weekday, the feature vector is [1, 0,0].
  • step S144 the CPU 11 calculates the same feature vector as in step S142 for the human flow data in the human flow data storage unit 102.
  • step S146 the CPU 11 acquires N personal flow data having a feature vector similar to that of the prediction target date and external information 126 corresponding to the N personal flow data.
  • cosine similarity is used for comparison of feature vectors, but the comparison is not limited to this.
  • step S148 the CPU 11 calculates each of the human flow data, the external information 126, and the feature amount of the set.
  • feature quantities include averages, standard deviations, and the like, which are categorized by weather information such as sunny, cloudy, and rain for N human flow data.
  • weather information such as sunny, cloudy, and rain for N human flow data.
  • a specific example of the feature amount of the set will be described later in a specific embodiment.
  • step S150 the CPU 11 divides each of the feature quantities of the set into those for evaluation and those for model creation, performs cross-validation, and calculates the error a (i).
  • the accuracy when various combinations of features are used can be calculated, and the effectiveness of the features can be automatically determined.
  • step S152 the CPU 11 determines whether or not ⁇ > ⁇ ', and if ⁇ > ⁇ ', the process proceeds to step S154, and if ⁇ > ⁇ ', the process proceeds to step S156.
  • step S154 the CPU 11 determines whether or not a (i-1) ⁇ a (i) is satisfied, and if a (i-1) ⁇ a (i), the process proceeds to step S158, and a (I-1) If ⁇ a (i) is not satisfied, the process proceeds to step S156.
  • step S156 the CPU 11 counts up ⁇ and i by 1 and returns to step S142.
  • step S158 the CPU 11 selects each of the feature quantities of the set used to obtain a (i-1) and the feature vector corresponding to the set as learning data, and transmits the feature vector to the prediction model creation unit 104.
  • the error a (i) when the variable ⁇ is increased to increase the target data is compared with the error a (i-1) before the increase, and the error a is compared.
  • the size of (i) becomes larger the data of the error a (i-1) is adopted as the training data.
  • This process selects the training data with the highest accuracy, i.e. the least error between the features of the set.
  • the upper limit of the variable ⁇ may be set.
  • a specific aspect 1 is a case where the number of people to move is predicted for each direction.
  • FIG. 6 is a configuration example relating to the input / output of the person flow prediction device 100 when predicting the number of moving people for each direction.
  • the human flow measuring means 120 is configured as an LRF sensor system in which a plurality of LRF (Laser Range Finder) sensors are installed. Weather information and calendar information are used as external information 126.
  • Various setting values are received from the operation terminal 110.
  • Table 1 shows an example of trajectory data.
  • the data in Table 1 includes the measurement time including the date, the area ID, the user ID, and the X and Y coordinates indicating the position of each user.
  • the X-coordinate and the Y-coordinate here are relative coordinates that can be set by the LRF sensor system, and the X-axis corresponds to the east-west and the Y-axis corresponds to the north-south, in mm units. It is assumed that the locus data including such data is stored in the locus data storage device 121 for a plurality of days and for a plurality of users.
  • the human flow calculation unit 101 When the human flow calculation unit 101 receives the calculation set value 122, it acquires the trajectory data of 1F_1 from 7:00 to 23:00 on May 11, 2019 from the trajectory data storage device 121. Then, the person flow calculation unit 101 is set to 7: 00: 00-7: 29: 59, 7: 30: 00-7: 59: 59 ,. .. .. For each of the periods of 30 minutes and 30 minutes, the total number of people passing in the set direction is calculated as the flow data for the trajectory data within the period.
  • the user with ID0001 has 295 mm in the X direction and 4009 mm in the Y direction in 4 seconds. moving.
  • the axis since only the axis that has moved the largest is used in the direction calculation rule, it is assumed that the axis has moved in the positive direction of the Y axis that has the largest movement direction, that is, in the north direction, and is counted as one person passing in the north direction.
  • the X direction moves -314 mm and the Y direction -2995 mm in 3 seconds.
  • the user moves in the negative direction of the Y axis, which has the largest movement direction, that is, in the south direction, and moves in the south direction. Count as one passer.
  • the above calculation is applied to the locus data of each period for each unique ID, and the total number of people passing in the north direction and the south direction is calculated (step S102). If the user moves the most in the X-axis direction, the direction is east-west and does not match the calculation setting value 122 "direction: north, south", so that the user is excluded from the calculation target of the number of passing people.
  • the number of people may be calculated by focusing only on the direction in which the Y-axis is moved the most.
  • Table 2 shows an example of the calculated flow data of the number of passing people.
  • the human flow data is stored in the human flow data storage unit 102 with a data structure of a period (start time and end time), an area ID, and the number of passers in each of the north and south directions (step S104).
  • the flow prediction process will be described.
  • no prediction model is stored in the model storage unit 105, and the human flow data storage unit 102 is calculated by the above method, 7: from May 11, 2019 to October 31, 2019. It is assumed that the human flow data every 30 minutes from 00:00 to 23:00 is stored.
  • the operation terminal 110 transmits the next prediction command 125 to the prediction unit 106 by SSH (step S110).
  • ⁇ Forecast period November 5, 2019
  • Prediction interval 30 minutes
  • Prediction target area 1F_1
  • Direction North, South
  • Type of prediction target Total number of passers
  • Model selection method Prediction model with close weekdays and holidays on the previous and next days ⁇ Maximum allowable distance for model selection: 0.25
  • the prediction command 125 is divided into a prediction condition and an allowable condition.
  • the prediction conditions are the prediction target period, the prediction interval, the prediction target area, and the type of the prediction target.
  • the permissible conditions are the model selection method and the maximum permissible distance for model selection.
  • the maximum allowable distance for model selection is a set value for creating a new prediction model when the distance between the prediction target and the prediction model is calculated in the prediction model selection and there is no prediction model less than that value. .. That is, the permissible condition is defined as the distance of the feature vector for the days before and after the day before and after the day specified in the prediction target period of the prediction condition with respect to the feature vector for the day before and after the day.
  • the prediction unit 106 Upon receiving the prediction command 125, the prediction unit 106 first searches the model storage unit 105 for a prediction model that satisfies the prediction conditions and the maximum allowable distance for model selection: 0.25 (S112). First, as a narrowing down based on the prediction conditions, the prediction model in which the prediction target period, the area ID, and the type of the prediction target included in the prediction command 125 match is narrowed down. Here, it is assumed that the prediction model shown in Table 3 is stored in the model storage unit 105.
  • the model features shown in Table 2 are the feature vectors for the days before and after the predicted model.
  • the prediction models of ID1 and ID3 included in Table 2 are targeted.
  • the prediction model is selected from the narrowed-down prediction models based on the model selection method and the maximum allowable distance for model selection. It is assumed that the forecast period, November 5, 2019, is Tuesday, November 4, the previous day is a holiday, and the next November 6, is a weekday. Therefore, when it is used as a feature vector, it is calculated as [1, 0, 0].
  • the prediction model of ID1 is 0.33 and the prediction model of ID3 is 0.66.
  • the prediction unit 106 transmits the following model creation command to the prediction model creation unit 104 (step S116).
  • ⁇ Forecast period November 5, 2019
  • Prediction interval 30 minutes
  • Prediction target area 1F_1
  • Direction North, South
  • Type of forecast target Total number of passers
  • Model selection method Holidays before and after ⁇ days
  • the prediction model creation unit 104 After receiving the model creation command, the prediction model creation unit 104 transmits a data selection command similar to the model creation command to the learning data selection unit 103 (step S118).
  • the learning data selection unit 103 calculates the feature vector of the human flow data (step S144).
  • the person flow data of the total number of people passing in the north direction and the south direction of the 1F_1 area before November 5, 2019 is the person flow data storage unit 102. Search if it is included in. An example is shown in Table 4 obtained as a search.
  • the learning data selection unit 103 calculates each of the feature quantities of the set of the acquired human flow data of ⁇ days before and after and the external information 126 (weather information) (step S148).
  • Table 5 shows an example of the set features.
  • the feature amount of the group is calculated for each group divided into 10 days.
  • the feature amount of the set is a period of 30 minutes interval from 7:00:00 to 23:00: 00 for each row.
  • the direction is divided into the north direction and the south direction, and the average number of people passing and the standard deviation of the number of people passing when the weather is divided into sunny, cloudy, and rainy days are calculated.
  • the learning data selection unit 103 calculates the error a (i).
  • cross-validation is performed to obtain an error a (i). calculate. For example, for 10 sets of features for 10 days, one day is for evaluation and the remaining 9 days are for model creation. Cross-validation is performed by switching the evaluation and model creation for all dates (called 1 day out cross validation). In this example, a total of 10 patterns of cross-validation are performed and 10 types of accuracy are calculated. Therefore, the average accuracy of these is calculated as an error a (i) (step S150).
  • the evaluation uses PLS regression
  • the accuracy is the mean absolute error between the evaluation value for evaluation and the predicted value for model creation
  • the prediction model creation unit 104 After receiving the training data, the prediction model creation unit 104 creates a prediction model that predicts the latest one (10/28) of the 10 cases again by the PLS regression model using the remaining 9 cases.
  • the prediction model creation unit 104 stores the feature amount (feature amount name) of the prediction model and the coefficient of the feature amount in the model storage unit 105, and at the same time notifies the prediction unit 106 of the completion of calculation (step S124).
  • Table 6 shows an example when the prediction model is added to the model storage unit 105. This is a prediction model in which ID4 is additionally stored.
  • the prediction unit 106 acquires the prediction model of ID4, which is a prediction model satisfying the prediction conditions and the allowable conditions, from the model storage unit 105 (step S126). Further, the prediction unit 106 acquires from the human flow data storage unit 102 the number of people passing through each of the north-south directions on the day when the day before the feature vector is a holiday, the day is a weekday, and the next day is a weekday, which is a condition included in the prediction model. (Step S128). Here, the human flow data of each date of the feature quantity used for learning the prediction model is targeted. Then, the prediction unit 106 acquires the weather information of the external information 126 on the same day that satisfies the condition (step S128).
  • the prediction unit 106 predicts the number of passing people based on the prediction model (step S130).
  • the weather nothward and southward
  • the forecast is made after calculating the average number of people passing by and the standard deviation of the number of people passing by when divided into days (sunny, cloudy, or rainy).
  • the prediction is a PLS regression model that uses the coefficients for each feature amount, which is the acquired prediction model, and is at intervals of 30 minutes from 7:00 to 23:00 on 11/5, which is the prediction target period.
  • the number of people passing in each of the north and south directions is predicted, and the prediction result is output as 127.
  • the output may be stored in some storage device (not shown).
  • a specific aspect 2 is a case where the moving speed is predicted for each direction.
  • the specific aspect 2 only the difference from the specific aspect 1 will be described.
  • the human flow calculation unit 101 receives the following information from the operation terminal 110 by SSH as the calculation set value 122 (step S100). It differs from the specific aspect 1 in that the type of calculation target is the average speed. ⁇ Calculation target period: 2019/5/11 from 7:00:00 to 23:00:00 ⁇ Calculation interval: 30 minutes ⁇ Calculation target area: 1F_1 ⁇ Direction: North, South ⁇ Direction calculation rule: Only the axis that moved the most ⁇ Type of calculation target: Average speed
  • the human flow calculation unit 101 calculates the average velocity in the set direction as the human flow data for the trajectory data within the period for each period every 30 minutes.
  • the human flow calculation unit 101 pays attention to the data from 12:00 to 12:29:59, and obtains the average speed for the two users listed in Table 1.
  • the user of ID0001 is moving 295 mm in the X direction and 4009 mm in the Y direction in 4 seconds. In this case, it is assumed that the user moves in the positive direction of the Y axis, which has the largest movement direction, that is, in the north direction, and the passing speed is 1002.25 mm / sec. And. In the case of the user of ID0002, the X direction moves -314 mm and the Y direction -2995 mm in 3 seconds.
  • Table 7 shows an example of the calculated average velocity human flow data.
  • the human flow data searched in step S146 is as shown in Table 8.
  • the processing of the subsequent steps is the same as that of the specific mode 1 if the type of calculation target is the average speed for each command.
  • Specific aspect 3 is a case where weather information is used as a model selection method. Regarding the specific aspect 3, only the difference from the specific aspect 1 will be described.
  • weekdays and holidays on ⁇ days before and after the prediction target date were used as feature vectors, and the prediction unit 106 and the learning data selection unit 103 used the feature vector as a model selection method.
  • the weather information of the external information 126 is used and the weather information of ⁇ days before and after the prediction target date is used as the feature vector.
  • the weather of the day here refers to the weather with the longest time of the day when sunny is 0, cloudy is 1, and rain is 2.
  • the prediction unit 106 transmits the following model creation command to the prediction model creation unit 104 (step S116).
  • ⁇ Forecast period November 5, 2019
  • Prediction interval 30 minutes
  • Prediction target area 1F_1
  • Direction North, South
  • Type of forecast target Total number of passers
  • the feature vector is [0,2,2].
  • ID1 is 1.33 and ID3 is 1.0. It is determined that these numerical values do not satisfy the maximum allowable distance for model selection (step S114).
  • the prediction unit 106 transmits the following model creation command to the prediction model creation unit 104 (step S116).
  • Table 10 shows an example when the prediction model is added to the model storage unit 105 in step S124. This is a prediction model in which ID4 is additionally stored.
  • the human flow prediction device 100 of the present embodiment it is possible to robustly predict the human flow in response to changes in space.
  • the number of people passing after the time zone in each direction in each area or the average speed is set to 1 even in a space where people come and go in various directions and speeds, which changes variously depending on the date and time and time. Can always be predicted more than a day ago. This can be useful for the maintenance, management, and operation of commercial facilities, etc., which are necessary in daily life, such as air conditioning control, optimization of product purchase, and formulation of maintenance plans.
  • each of the feature quantities of the set satisfies a predetermined condition, it may be adopted as learning data without cross-validation.
  • each of the feature quantities of the set for which the error a (i) is obtained may be adopted as the learning data.
  • the error a (i) may be calculated by a test method other than cross-validation.
  • processors other than the CPU may execute the person flow calculation process and the person flow prediction process executed by the CPU by reading the software (program) in each of the above embodiments.
  • the processors include PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing FPGA (Field-Programmable Gate Array), and ASIC (Application Specific Integrated Circuit) for executing ASIC (Application Special Integrated Circuit).
  • PLD Programmable Logic Device
  • FPGA Field-Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • An example is a dedicated electric circuit or the like, which is a processor having a circuit configuration designed exclusively for the purpose.
  • the flow calculation process and the flow prediction process may be executed by one of these various processors, or with a combination of two or more processors of the same type or different types (for example, a plurality of FPGAs and a CPU). It may be executed in combination with FPGA, etc.).
  • the hardware structure of these various processors is, more specifically, an electric circuit in which circuit elements such as semiconductor elements are combined.
  • the program is a non-temporary storage medium such as a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital entirely Disk Online Memory), and a USB (Universal Serial Bus) memory. It may be provided in the form. Further, the program may be downloaded from an external device via a network.
  • (Appendix 1) With memory With at least one processor connected to the memory Including The processor Based on the prediction conditions including the prediction target period to be predicted, learning data related to the flow data of a plurality of dates and times corresponding to the prediction target period is selected. Based on the selected learning data, a prediction model having a predetermined feature for predicting human flow data at a predetermined date and time is learned, stored in a model storage unit, and stored. The prediction model is selected from the model storage unit based on the prediction conditions and the permissible conditions related to the characteristics of the prediction model, and the human flow data under the prediction conditions is predicted based on the selected prediction model.
  • a flow forecaster configured to.
  • a non-temporary storage medium that stores a program that can be executed by a computer to perform human flow prediction processing. Based on the prediction conditions including the prediction target period to be predicted, learning data related to the flow data of a plurality of dates and times corresponding to the prediction target period is selected. Based on the selected learning data, a prediction model having a predetermined feature for predicting human flow data at a predetermined date and time is learned, stored in a model storage unit, and stored. The prediction model is selected from the model storage unit based on the prediction conditions and the permissible conditions related to the characteristics of the prediction model, and the human flow data under the prediction conditions is predicted based on the selected prediction model.
  • Non-temporary storage medium Based on the prediction conditions including the prediction target period to be predicted, learning data related to the flow data of a plurality of dates and times corresponding to the prediction target period is selected. Based on the selected learning data, a prediction model having a predetermined feature for predicting human flow data at a predetermined date and time is learned, stored in a model storage unit,
  • Human flow prediction device 101 Human flow calculation unit 102 Human flow data storage unit 103 Learning data selection unit 104 Model storage unit 104 Prediction model creation unit 105 Model storage unit 106 Prediction unit 110 Operation terminal 120 Human flow measurement means 121 Trajectory data storage device 122 Calculation setting Value 123 Data selection setting value 124 Model creation setting value 125 Prediction command 126 External information 127 Prediction result

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

空間の変化に対してロバストに人流を予測できる。　人流予測装置は、予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択する学習データ選択部と、選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納する予測モデル作成部と、前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する予測部と、を含む。

Description

人流予測装置、人流予測方法、及び人流予測プログラム
　開示の技術は、人流予測装置、人流予測方法、及び人流予測プログラムに関する。
　従来、商業施設や通路といった公共空間における維持、管理及び運営、並びにそれらの最適化に向けた人流の予測方法としては、イベント発生時などの混雑時において人の流れを統計的に算出し、予測する方法があった。
上田，時空間データ解析技術とその集団最適誘導への応用，信学会通信ソサエティマガジン，Vol.45, pp.21-28, 2018.
　従来技術は、イベント発生時といった、画一的な人の流れが短期間で生じた際の人流予測に適した手法である。しかし、空間において人の流れは日時及び時間によって様々に変化し、かつ様々な方向及び速度で移動が行われる。よって様々な人が出入りする商業施設等の維持、管理、及び運営に役立つように、人流を常時予測することは困難であった。
　開示の技術は、上記の点に鑑みてなされたものであり、空間の変化に対してロバストに人流を予測できる人流予測装置、人流予測方法、及び人流予測プログラムを提供することを目的とする。
　本開示の第１態様は、人流予測装置であって、予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択する学習データ選択部と、選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納する予測モデル作成部と、前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する予測部と、を含む。
　開示の技術によれば、空間の変化に対してロバストに人流を予測できる。
本実施形態の人流予測装置のハードウェア構成を示すブロック図である。 本実施形態の人流予測装置の機能的な構成を示すブロック図である。 人流予測装置による人流算出処理の流れを示すフローチャートである。 人流予測装置による人流予測処理の流れを示すフローチャートである。 学習データの選択処理の流れを示すフローチャートである。 方向別に移動人数を予測する場合の人流予測装置に対する入出力に係る構成例である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　以下、本実施形態の構成について説明する。なお、本実施形態の構成及び作用について説明した後に、本実施形態の具体的態様１～３（以下、単に具体的態様と記載する）で具体的な処理の例を説明する。
＜本実施形態の構成及び作用＞
　図１は、本実施形態の人流予測装置１００のハードウェア構成を示すブロック図である。
　図１に示すように、人流予測装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、人流算出プログラム及び人流予測プログラムが格納されている。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
　表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。
　通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。以上が人流予測装置１００のハードウェア構成である。
　次に、人流予測装置１００の各機能構成について説明する。図２は、本実施形態の人流予測装置１００の機能的な構成を示すブロック図である。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された人流予測プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
　図１に示すように、人流予測装置１００は、人流算出部１０１と、人流データ記憶部１０２と、学習データ選択部１０３と、予測モデル作成部１０４と、モデル記憶部１０５と、予測部１０６とを含んで構成されている。人流予測装置１００の入出力となる機能として、人流計測手段１２０と、軌跡データ記憶装置１２１と、算出用設定値１２２と、データ選択用設定値１２３と、モデル作成用設定値１２４と、予測コマンド１２５と、外部情報１２６と、予測結果１２７とが存在する。
　以下に、人流予測装置１００装置の各部、及び入出力について説明する。
　人流計測手段１２０は、センサを用いて、ある空間を通行する人の動きを計測する。計測では、平面的又は立体的に定義された空間における人の動きとして、ある一定間隔ごとに、各人の存在する座標とその識別子（以下、ユーザＩＤと記載する）、及び時刻を同時に記録する。これにより、定義された空間内での各人の動作が記録される。なお、座標は例えばＧＰＳでの緯度、経度情報、及び計測手段内で定義された座標情報を用いる。またユーザＩＤは、事前にユーザがシステム等へ登録を行うＩＤの他に、人流計測手段１２０にて自動的に付与されるＩＤを用いてもよい。
　軌跡データ記憶装置１２１は、人流計測手段１２０で計測した、時刻、ユーザＩＤ、座標、及び測定したエリアのＩＤを軌跡データとして記録するデータベース等の装置である。測定したエリアとは、ＧＰＳ、又は人流計測手段１２０で定義された座標系において任意の形状の平面又は空間として定義された領域である。このように軌跡データは、移動対象の時刻ごとの座標を含むデータである。
　算出用設定値１２２は、人流算出部１０１で用いる設定値である。設定値としては、算出する期間、算出対象とするエリアＩＤ、軌跡データ記憶装置１２１に蓄積された座標情報から算出したい人流の方向に変換するためのルール、及び算出する速度の統計値の種類等が挙げられる。変換するためのルールの例としては、算出方向を東西南北の４方向としたうえで、各ユーザＩＤの軌跡データから、緯度、及び経度のうち期間内で最も大きく移動した方のみを取り出し、取り出した軌跡データに基づいて東西南北を決定するルールが挙げられる。また、速度の統計値の例としては、平均値、標準偏差、及び最大値等が挙げられる。このように、算出用設定値１２２は、方向のルール及び算出対象の種類を含む設定値である。
　人流算出部１０１は、軌跡データ記憶装置１２１から入力された軌跡データと、算出用設定値１２２とに基づいて、人流データを算出し、人流データ記憶部１０２に格納する。ここで算出する人流データは、後述する本実施形態の具体的態様で述べるように、任意の方向別の移動人数、又は任意の方向別の移動速度の統計値を想定する。
　データ選択用設定値１２３は、学習データ選択部１０３が使用する設定値である。具体的には、学習データの選択に用いるクロスバリデーションの種類（例えば、ｎ＿ｆｏｌｄ、１　ｄａｙ　ｏｕｔ等）、及びその評価値の種類（例えば、ｍｅａｎ　ａｂｓｏｌｕｔｅ　ｅｒｒｏｒ等）、学習データの最小数、最大数、学習データ選択用前後期間の初期値、及び最大値が挙げられる。
　外部情報１２６は、人流予測に用いる予測モデルに含まれうる、人流データ以外のデータである。具体的には、各日時における天候、カレンダー情報、及び対象エリアにおけるイベントの開催日時が挙げられる。
　学習データ選択部１０３は、予測モデル作成部１０４から入力されたデータ選択コマンドに含まれる予測条件に基づいて、人流データ記憶部１０２内の過去に蓄積された人流データと、外部情報１２６とを取得する。学習データ選択部１０３は、データ選択用設定値１２３に基づいて、予測モデル作成に用いる学習データを選択し、予測モデル作成部１０４に送信する。学習データの選択方法としては、予測日の前後数日の特徴を抽出したうえで、類似した特徴を持つデータを選択する方法が挙げられる。例えば金曜日のデータを予測するためには、前日が平日、当日は平日、次の日が休日となるデータを選択する方法がある。詳細については、本実施形態の具体的態様において説明する。
　なお、具体的態様で後述するように、学習データ選択部１０３は、クロスバリデーションを実施して得られる誤差が小さくなる組の特徴量の各々を学習データとして選択する。学習データ選択部１０３は、予測対象日の前後δ日に関する特徴ベクトルを算出する。学習データ選択部１０３は、所定の条件の人流データのうち、予測対象日の特徴ベクトルと同じ特徴ベクトルである前後δ日の人流データと、当該人流データに対応する外部情報とを取得する。同じ特徴ベクトルがなければ類似する特徴ベクトルの前後δ日の人流データを取得する。学習データ選択部１０３は、取得した前後δ日の人流データと外部情報との組の特徴量の各々を算出し、前後δ日の特徴ベクトルと、組の特徴量の各々とを、学習データとして選択する。ここで、学習データの選択は、前後δ日をカウントアップし、前後δ日について、組の特徴量の各々を評価用とモデル作成用とに分けてクロスバリデーションを実施し、前後δ日のうち、得られる誤差が小さくなる組の特徴量の各々を学習データとして選択する。例えば、δ＝１、δ＝２でクロスバリデーションを実施した場合を比較すると、前後１日の組の特徴量の各々での誤差Ａと、前後２日の組の特徴量の各々での誤差Ｂとを比較して、誤差が小さかった組の特徴量の各々を学習データとする、ということである。
　モデル作成用設定値１２４は、予測モデル作成に用いる設定値である。具体的には、予測モデル作成タイミング、作成した予測モデルを使用する予測対象日、及び予測モデルの種類等が挙げられる。
　予測モデル作成部１０４は、学習データ選択部１０３で選択した学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部１０５に格納する。予測モデル作成部１０４は、予測部１０６からモデル作成コマンドが入力されると、学習データ選択部１０３に学習データを選択するためのコマンドであるデータ選択コマンドを送信する。予測モデル作成部１０４は、学習データ選択部１０３から学習データを受信し、受信した学習データとモデル作成用設定値とに基づいて、予測モデルを学習し、モデル記憶部１０５に格納する。なお、本開示における予測モデルとは、重回帰、ロジスティック回帰、Ｐａｒｔｉａｌ　Ｌｅａｓｔ　Ｓｑｕａｒｅ（ＰＬＳ）回帰のような線形モデル、Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｒｅｇｒｅｓｓｉｏｎ（ＳＶＲ）のような非線形モデル、又はＤｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ（ＤＮＮ）のようなニューラルネットワークが含まれるが、それらのモデルに限定されない。
　モデル記憶部１０５は、予測モデル作成部が作成した予測モデルを保存するデータベース等である。
　予測コマンド１２５は、予測部１０６に人流予測を指示するコマンドであり、予測条件、並びに許容条件を含む。予測条件は、予測対象期間、予測対象とするエリアを示すエリアＩＤ、方向、及び予測したい予測対象としての移動人数又は移動速度等を含む。予測対象期間は、予測対象の日又は日時が指定される。許容条件は、モデル選択方法である。モデル選択方法は、例えば、平日、休日、又は祝日といった日の区分に関する特徴が近い予測モデルを選択するという方法である。モデル選択方法が、本開示の予測モデルの特徴に関する許容条件の一例である。予測条件、及び許容条件の詳細については、本実施形態の具体的態様において説明する。
　予測部１０６は、予測コマンド１２５に基づいて、人流データ記憶部１０２から人流データを取得後、モデル記憶部１０５から予測モデルを選択して、選択した予測モデルに基づいて、予測条件における人流データを予測し、予測結果１２７として出力する。その際、予測に使用できる予測モデルがモデル記憶部１０５に存在しなかった場合、つまり予測条件、及びモデル選択方法の条件を満たす予測モデルがなかった場合は、予測モデル作成部１０４にモデル作成コマンドを送信する。
　次に、人流予測装置１００の作用について説明する。作用は、人流算出処理と、人流予測処理とに分けて説明する。
　図３は、人流予測装置１００による人流算出処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から人流算出プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、人流算出処理が行なわれる。ＣＰＵ１１が人流予測装置１００の各部として処理を実行する。
　ステップＳ１００において、ＣＰＵ１１が人流算出部１０１として、算出用設定値１２２を取得する。取得方法として外部に用意された設定ファイルを読み込む、又は定義された何かしらの信号を端末等から人流算出部１０１へ送信する方法が挙げられるが、これらの方法に限定されない。
　ステップＳ１０２において、ＣＰＵ１１が人流算出部１０１として、算出用設定値１２２に基づいて、軌跡データ記憶装置１２１から軌跡データを取得後、人流データを算出する。具体的には、算出用設定値１２２に従って軌跡データ記憶装置１２１から算出期間におけるエリアＩＤが付与された軌跡データを取得後、設定された方向別に、期間内で移動したユーザの移動人数又は当該ユーザの移動速度の統計値を算出する。なお、算出結果に、算出期間、及びエリアＩＤを対応付けて人流データとする。
ステップＳ１０４において、ＣＰＵ１１が人流算出部１０１として、ステップＳ１０２で算出した人流データを人流データ記憶部１０２に格納する。
　次に、人流予測処理について説明する。図４は、人流予測装置１００による人流予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から人流予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、人流予測処理が行なわれる。ＣＰＵ１１が人流予測装置１００の各部として処理を実行する。
　ステップＳ１１０において、ＣＰＵ１１は予測部１０６として、予測条件、及び許容条件を含む予測コマンド１２５を受信する。予測コマンド１２５は例えば、ＳＳＨ等の通信プロトコルで予め定義された信号で受信する手段が挙げられるが、これに限られない。
　ステップＳ１１２において、ＣＰＵ１１は予測部１０６として、予測コマンド１２５に基づいて、モデル記憶部１０５から、予測条件、及び許容条件を満たす予測モデルを検索する。
　ステップＳ１１４において、ＣＰＵ１１は予測部１０６として、ステップＳ１１２の検索において、予測条件及び許容条件を満たす予測モデルが存在したか否かを判定する。予測モデルが存在した場合には、ステップＳ１２６へ移行し、予測モデルが存在しなかった場合にはステップＳ１１６へ移行する。
　ステップＳ１１６において、ＣＰＵ１１は予測部１０６として、予測モデルを作成するため、予測モデル作成部１０４へモデル作成コマンドを送信する。
　ステップＳ１１８において、ＣＰＵ１１は予測モデル作成部１０４として、モデル作成コマンドを受信後、学習データ選択部１０３へデータ選択コマンドを送信する。
　ステップＳ１２０において、ＣＰＵ１１は学習データ選択部１０３として、学習データを選択し、予測モデル作成部１０４へ送信する。学習データの選択は、データ選択コマンドを受信後、人流データ記憶部１０２から人流データを取得し、当該人流データに対応する外部情報を取得してから行う。具体的な選択処理については後述する。
　ステップＳ１２２において、ＣＰＵ１１は予測モデル作成部１０４として、学習データ選択部１０３で選択した学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習する。
　ステップＳ１２４において、ＣＰＵ１１は予測モデル作成部１０４として、モデル記憶部１０５に学習した予測モデルを格納すると共に予測部１０６へ予測モデルの学習の完了を通知し、ステップＳ１２６へ進む。
　ステップＳ１２６において、ＣＰＵ１１は予測部１０６として、予測コマンド１２５に基づいて、モデル記憶部１０５から予測条件及び許容条件を満たす予測モデルを選択する。ステップＳ１１６～Ｓ１２４を実行している場合には、当該処理で学習した予測モデルが選択される。ステップＳ１１２の検索で複数の予測モデルが予測条件及び許容条件を満していた場合には、例えば、許容条件を最も満たしている予測モデルを選択すればよい。
　ステップＳ１２８において、ＣＰＵ１１は予測部１０６として、選択した予測モデルによる予測に必要な人流データを取得する。
　ステップＳ１３０において、ＣＰＵ１１は予測部１０６として、選択した予測モデルによる予測に必要な外部情報１２６を取得する。
　なお、ステップＳ１２８及びステップＳ１３０で予測モデルの予測に必要な人流データ及び外部情報１２６とは、選択した予測モデルに含まれる特徴量に対応する対象である。例えば予測モデルの特徴量として、予測日の２日前の同時刻期間、同じエリアＩＤの人流データ、及び気温を利用していた場合は、予測対象日基準で２日前の同時刻の期間、かつ、同じエリアＩＤの人流データを人流データ記憶部１０２から取得する。また、当該人流データに対応する期間の気温を外部情報１２６から取得する。
　ステップＳ１３２において、ＣＰＵ１１は予測部１０６として、取得した人流データと外部情報１２６とを選択した予測モデルへの入力として用いて、予測条件における人流データを予測し、予測結果１２７として出力する。
　次に、ステップＳ１２０の学習データの選択処理の詳細について説明する。図５は、学習データの選択処理の流れを示すフローチャートである。以下の処理は、ＣＰＵ１１が学習データ選択部１０３として実行する。以下の処理は、予測モデル作成部１０４から、設定値δ’と予測対象日とに関する情報を含んだデータ選択コマンドを受信した後の処理である。
　ステップＳ１４０において、ＣＰＵ１１は、変数δ＝δ’、ｉ＝１とそれぞれ設定する。
　ステップＳ１４２において、ＣＰＵ１１は、予測対象日の前後δ日に関する特徴ベクトルを算出する。一例としては、δ＝１であれば前後１日の特徴ベクトルを算出する。特徴は平日又は休日とする場合、休日を（１）、平日を（０）で表すとすると、予測対象日が平日、前日が休日、次の日が平日であれば、特徴ベクトルは［１，０，０］となる。
　ステップＳ１４４において、ＣＰＵ１１は、人流データ記憶部１０２内の人流データに対し、ステップＳ１４２と同様の特徴ベクトルを算出する。
　ステップＳ１４６において、ＣＰＵ１１は、予測対象日と特徴ベクトルが類似するＮ件の人流データと、Ｎ件の人流データに対応する外部情報１２６とを取得する。特徴ベクトルの比較には例えばコサイン類似度を用いるが、それに限られない。
　ステップＳ１４８において、ＣＰＵ１１は、人流データと外部情報１２６と組の特徴量の各々を算出する。特徴量の例としては、Ｎ件の人流データについて、天候情報の晴れ、曇り、及び雨でカテゴリ変数化した平均、標準偏差等が挙げられる。組の特徴量の具体例については、具体的態様において後述する。
　ステップＳ１５０において、ＣＰＵ１１は、組の特徴量の各々を、評価用とモデル作成用とに分けた上でクロスバデーションを実施し、誤差ａ（ｉ）を算出する。これにより、様々な組み合わせの特徴量を使用した時における精度を算出し、特徴量の有効性を自動で判定できる。
　ステップＳ１５２において、ＣＰＵ１１は、δ＞δ’であるか否かを判定し、δ＞δ’である場合にはステップＳ１５４へ移行し、δ＞δ’でない場合にはステップＳ１５６へ移行する。
　ステップＳ１５４において、ＣＰＵ１１は、ａ（ｉ－１）＜ａ（ｉ）であるか否かを判定し、ａ（ｉ－１）＜ａ（ｉ）である場合にはステップＳ１５８へ移行し、ａ（ｉ－１）＜ａ（ｉ）でない場合にはステップＳ１５６へ移行する。
　ステップＳ１５６において、ＣＰＵ１１は、δ及びｉをそれぞれ１カウントアップし、ステップＳ１４２へ戻る。
　ステップＳ１５８において、ＣＰＵ１１は、ａ（ｉ－１）を求めるのに用いた組の特徴量の各々と当該組に対応する特徴ベクトルとを学習データとして選択し、予測モデル作成部１０４へ送信する。
　以上のように、学習データの選択処理では、変数δを増やして対象のデータを増やした場合の誤差ａ（ｉ）と、増やす前の誤差ａ（ｉ－１）とを比較して、誤差ａ（ｉ）の方が大きくなった場合に、誤差ａ（ｉ－１）のデータを学習データとして採用するようにしている。この処理により、最も高い精度、すなわち組の特徴量の間の誤差が最小となる学習データが選択される。なお、変数δの上限を定めるようにしてもよい。
＜本実施形態の具体的態様１＞
　次に、本実施形態の具体的態様１について説明する。具体的態様１は、方向別に移動人数を予測する場合についてである。具体的態様１では、商業施設内での通路のある定義したエリア内における人流を予測する例を挙げる。図６は、方向別に移動人数を予測する場合の人流予測装置１００の入出力に対する係る構成例である。人流計測手段１２０として、ＬＲＦ（Ｌａｓｅｒ　Ｒａｎｇｅ　Ｆｉｎｄｅｒ）センサを複数設置した、ＬＲＦセンサシステムとして構成される。外部情報１２６として天候情報、及びカレンダー情報を用いる。各種設定値は操作端末１１０より受信する。
　まず人流算出処理について説明する。軌跡データの例を表１に示す。
Figure JPOXMLDOC01-appb-T000001
　表１のデータでは、日付を含んだ計測時刻、エリアＩＤ、ユーザＩＤ、並びに各ユーザの位置を示すＸ座標及びＹ座標が含まれる。なお、ここでのＸ座標及びＹ座標はＬＲＦセンサシステムで設定できる相対座標であり、Ｘ軸は東西、Ｙ軸は南北にそれぞれ対応し、ｍｍ単位である。このようなデータを含んだ軌跡データが複数日、複数ユーザ分、軌跡データ記憶装置１２１に格納されていることを前提とする。
　以下では、上述した作用のフローチャートの流れに沿って説明する。まず人流算出部１０１は、算出用設定値１２２として、操作端末１１０より以下の情報をＳＳＨで受信したとする（ステップＳ１００に相当、以下同様）。
　・算出対象期間：2019/5/11 7:00:00から23:00:00まで
　・算出間隔：３０分
　・算出対象エリア：１Ｆ＿１
　・方向：北、南
　・方向算出ルール：最も大きく移動した軸のみ
　・算出対象の種類：総通過人数
　人流算出部１０１は、算出用設定値１２２を受信すると、２０１９／５／１１の７：００：００から２３：００：００までの１Ｆ＿１の軌跡データを軌跡データ記憶装置１２１から取得する。そして、人流算出部１０１は、７：００：００－７：２９：５９，７：３０：００－７：５９：５９，．．．と３０分ごとの期間それぞれに対し、期間内の軌跡データに対し、設定された方向の総通過人数を人流データとして算出する。１２：００：００－１２：２９：５９までのデータに着目し、表１の２人のユーザの軌跡データを例に挙げると、ＩＤ０００１のユーザは４秒間でＸ方向に２９５ｍｍ、Ｙ方向に４００９ｍｍ動いている。この場合、方向算出ルールでは最も大きく移動した軸のみとしているため、最も移動方向が大きいＹ軸の正方向、すなわち北方向に移動したとし、北方向への通過１名とカウントする。ＩＤ０００２のユーザの場合、３秒間でＸ方向が－３１４ｍｍ、Ｙ方向に－２９９５ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の負方向、すなわち南方向に移動したとし、南方向への通過１名としてカウントする。このように、各期間の軌跡データに対し、ユニークなＩＤごとに上記の計算を適用し、北方向、南方向の総通過人数を算出する（ステップＳ１０２）。なお、もしＸ軸方向に最も大きく移動したユーザの場合、方向が東西であり、算出用設定値１２２「方向：北、南」にマッチしないため、通過人数の算出対象から除外する。ただし、方向算出ルールに特に指定がない場合は、Ｙ軸のうち最も大きく移動した方向のみに着目して人数算出に用いてもよい。
　算出した通過人数の人流データの例を表２に示す。
Figure JPOXMLDOC01-appb-T000002
　表２のように、期間（開始時刻及び終了時刻）、エリアＩＤ、北方向及び南方向それぞれの通過人数、というデータ構造で人流データを人流データ記憶部１０２に格納する（ステップＳ１０４）。
　次に人流予測処理について説明する。前提として、モデル記憶部１０５には予測モデルが１つも格納されておらず、かつ、人流データ記憶部１０２には前述の方法で算出された、２０１９／５／１１から１０／３１までの７：００：００から２３：００：００までの３０分ごとの人流データが保存されているとする。まず操作端末１１０は予測部１０６に対し、次の予測コマンド１２５をＳＳＨで送信する（ステップＳ１１０）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後１日の平日及び休日が近い予測モデル
・モデル選択用最大許容距離：０．２５
　予測コマンド１２５は、予測条件と、許容条件とに分けられる。予測条件が、予測対象期間、予測間隔、予測対象エリア、及び予測対象の種類である。許容条件が、モデル選択方法、及びモデル選択用最大許容距離である。なお、モデル選択用最大許容距離とは、予測モデル選択において予測対象と予測モデルの距離を算出した際、その値以下の予測モデルがない場合は新たに予測モデルを作成するための設定値である。つまり、許容条件は、予測条件の予測対象期間に指定された日の前後の日に関する特徴ベクトルに対する、予測モデルが有する前後の日に関する特徴ベクトルの距離について定められている。
　予測部１０６は、予測コマンド１２５を受信すると、まず、モデル記憶部１０５で、予測条件及びモデル選択用最大許容距離：０．２５を満たす予測モデルを検索する（Ｓ１１２）。まず、予測条件での絞り込みとして、予測コマンド１２５に含まれる予測対象期間、エリアＩＤ、及び予測対象の種類が一致する予測モデルに絞り込む。ここで、仮に表３に示す予測モデルがモデル記憶部１０５に格納されていたとする。
Figure JPOXMLDOC01-appb-T000003
　表２に示すモデル特徴量が、予測モデルが有する前後の日に関する特徴ベクトルである。この場合、表２に含まれるＩＤ１及びＩＤ３の予測モデルが対象となる。次に、絞り込んだ予測モデルの中からモデル選択方法、及びモデル選択用最大許容距離に基づいて予測モデルを選択する。予測対象期間である２０１９／１１／５は火曜日であり、前日の１１／４は祝日、次の１１／６は平日であったとする。そのため特徴ベクトルにすると［１、０、０］と算出される。予測対象期間と予測モデルの特徴ベクトルに対して平均距離を算出すると、ＩＤ１の予測モデルは０．３３、ＩＤ３の予測モデルは０．６６となる。これらの数値はモデル選択用最大許容距離を満たさないと判定される（ステップＳ１１４）。予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後δ日の休日・平日が近いモデル
・δ’＝１，Ｎ＝１０
　予測モデル作成部１０４は上記モデル作成コマンドを受信後、学習データ選択部１０３へモデル作成コマンドと同様のデータ選択コマンドを送信する（ステップＳ１１８）。
　学習データ選択部１０３は、上記データ選択コマンドを受信すると、予測モデル作成のための学習データを選択する処理を行う（ステップＳ１２０）。学習データを選択する処理は、まず、変数δ及びｉの初期値を変数δ＝δ’、ｉ＝１と設定する（ステップＳ１４０）。学習データ選択部１０３は、外部情報１２６のカレンダー情報を取得した上で、予測対象日の前後δ日の平日及び休日を示す特徴ベクトルを算出する（ステップＳ１４２）。
次に、学習データ選択部１０３は、人流データの特徴ベクトルを算出する（ステップＳ１４４）。ここでは、学習データ選択部１０３は、まず、データ選択コマンドの予測条件に従って、２０１９／１１／５より前の、１Ｆ＿１エリアの北方向、南方向の総通過人数の人流データが人流データ記憶部１０２に含まれているか検索する。検索として得られる表４に一例を示す。
Figure JPOXMLDOC01-appb-T000004
　表４に示すような、２０１９／５／１１から１０／３１までの予測条件を満たす人流データが人流データ記憶部１０２に蓄積されているとする。学習データ選択部１０３は、人流データ記憶部１０２内の予測条件を満たす人流データの各日に対し、前後δ＝１日の平日及び休日を特徴ベクトルとして算出する。
　学習データ選択部１０３は、予測対象日と特徴ベクトルが類似する人流データと外部情報１２６とを取得する（ステップＳ１４６）。Ｎ＝１０であるため、特徴ベクトルが近い人流データ１０件と、同じ日付の外部情報１２６の天候情報（晴れ、曇り、雨）を１０件取得する。例えば、２０１９／１１／５の場合、特徴ベクトルは［１，０，０］となるので、この特徴ベクトルと一致する５／１１から１０／３１までの人流データを１０件選ぶ。１０件以上ある場合は、予測対象日から日付が近い順に１０件を取得する。例えば、１０／２８、１０／２３、１０／１５、１０／７、９／３０、９／１７、９／９、９／２、８／２６、８／１９等が選ばれる。
　そして、学習データ選択部１０３は、取得した前後δ日の人流データと外部情報１２６（天候情報）との組の特徴量の各々を算出する（ステップＳ１４８）。組の特徴量の例を表５に示す。
Figure JPOXMLDOC01-appb-T000005
　組の特徴量は、１０日分を１日ごとに分けた組ごとに算出する。表５は、ある１日の組の特徴量である。つまり、δ＝１であれば、ある１日について、前日、当日、翌日の３日間の人流データ及び天候情報を用いて組の特徴量を算出する。このように、１日ごとに分けて組の特徴量を算出するのは、クロスバリデーションを実施する上で、評価用とモデル作成用とに分ける必要があるからである。よって、分け方は１日単位でなくてもよい。表５に示すように、組の特徴量は、各行を７：００：００から２３：００：００までの３０分間隔の期間とする。また、組の特徴量として、方向を北方向と南方向とに分け、天候を晴れ、曇り、及び雨に日それぞれに分けたときの平均通過人数、及び通過人数の標準偏差を算出する。
　次に、学習データ選択部１０３は、誤差ａ（ｉ）を算出する。本実施形態では、組の特徴量をそれぞれ、取得した１０件のデータの組の一部を評価用、残りをモデル作成用に分けた上で、クロスバリデーションを実施して誤差ａ（ｉ）を算出する。例えば、１０日分の１０組の特徴量について、ある１日を評価用、残り９日をモデル作成用とする。全ての日付に対して評価用とモデル作成用とを入れ替えて、クロスバリデーションを実施する（１　ｄａｙ　ｏｕｔ　ｃｒｏｓｓ　ｖａｌｉｄａｔｉｏｎという）。この例では、計１０パターンのクロスバリデーションが実施され、精度が１０種類算出されるため、これらの平均精度を誤差ａ（ｉ）として算出する（ステップＳ１５０）。
　ここでは評価はＰＬＳ回帰を使用し、精度は評価用の評価値とモデル作成用の予測値との平均絶対誤差とし、誤差ａ（１）＝０．２５と算出されたとする。初回は、δ＝δ’であり、δ＞δ’ではないため、ステップＳ１５６に進み、ｉ＝ｉ＋１＝２、δ＝δ＋１＝２とカウントアップする（ステップＳ１５２～Ｓ１５６）。次は、δ＝２とした場合のデータ選択、及び誤差ａ（２）の算出を行う（ステップＳ１４２～Ｓ１５０）。この結果、誤差ａ（２）＝０．３２と算出されたならば、δ（２）＞δ’（１）であり、かつ、ａ（ｉ－１）＜ａ（ｉ）であるため、ａ（ｉ－１）を求めるのに用いたデータ１０件（１０／２８、１０／２３、１０／１５、１０／７、９／３０、９／１７、９／９、９／２、８／２６、８／１９）の特徴量の各々を予測モデル作成部１０４へ送信する（ステップＳ１５８）。
　予測モデル作成部１０４は、学習データを受信後、再度１０件のうち、最近の１件（１０／２８）を残り９件を用いてＰＬＳ回帰モデルで予測する予測モデルを作成する。予測モデル作成部１０４は、予測モデルの特徴量（特徴量名）、及び当該特徴量の係数をモデル記憶部１０５へ格納すると、同時に、計算完了を予測部１０６へ通知する（ステップＳ１２４）。予測モデルがモデル記憶部１０５に追加された場合の例を表６に示す。ＩＤ４が追加で格納された予測モデルである。
Figure JPOXMLDOC01-appb-T000006
　次に、予測部１０６は通知を受信後、モデル記憶部１０５から予測条件及び許容条件を満たす予測モデルであるＩＤ４の予測モデルを取得する（ステップＳ１２６）。さらに、予測部１０６は、予測モデルに含まれる条件である、特徴ベクトルの前日が休日、当日が平日、次の日が平日となる日の南北方向それぞれの通過人数を人流データ記憶部１０２から取得する（ステップＳ１２８）。ここでは予測モデルの学習に用いた特徴量の各日付の人流データが対象になる。そして、予測部１０６は、条件を満たす同じ日の外部情報１２６の天候情報を取得する（ステップＳ１２８）。次に、予測部１０６は、予測モデルに基づいて、通過人数を予測する（ステップＳ１３０）。ここでは、まず、予測モデルに含まれる、取得した日付の各々の人流データについて、７：００：００から２３：００：００までの３０分間隔の期間における北方向、及び南方向の、天候（晴れ、曇り、又は雨）に日それぞれに分けたときの平均通過人数、通過人数の標準偏差を算出した上で予測を行う。予測は、取得した予測モデルである、各特徴量への係数を用いたＰＬＳ回帰モデルで、予測対象期間である１１／５の７：００：００から２３：００：００までの３０分間隔の、南北方向それぞれの通過人数を予測し、予測結果１２７として出力する。出力した図示しない何らかの記憶装置に格納してもよい。
　以上が、本実施形態の具体的態様１についての説明である。
＜本実施形態の具体的態様２＞
次に、具体的態様２について説明する。具体的態様２は、方向別に移動速度を予測する場合についてである。具体的態様２については、具体的態様１との差分についてのみ説明する。
　人流算出部１０１は、算出用設定値１２２として、操作端末１１０より以下の情報をＳＳＨで受信したとする（ステップＳ１００）。算出対象の種類が、平均速度となっている点が具体的態様１と異なる。
　・算出対象期間：2019/5/11 7:00:00から23:00:00まで
　・算出間隔：３０分
　・算出対象エリア：１Ｆ＿１
　・方向：北、南
　・方向算出ルール：最も大きく移動した軸のみ
　・算出対象の種類：平均速度
　人流算出部１０１は、３０分ごとの期間それぞれに対し、期間内の軌跡データに対し、設定された方向の平均速度を人流データとして算出する。人流算出部１０１は、１２：００：００－１２：２９：５９までのデータに着目し、表１に挙げた２ユーザについて、平均速度を求める。ＩＤ０００１のユーザは４秒間でＸ方向に２９５ｍｍ、Ｙ方向に４００９ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の正方向、すなわち北方向に移動したとし、その通過速度１００２．２５ｍｍ／ｓｅｃとする。ＩＤ０００２のユーザの場合、３秒間でＸ方向が－３１４ｍｍ、Ｙ方向に－２９９５ｍｍ動いており、この場合は最も移動方向が大きいＹ軸の負方向、すなわち南方向に移動したとし、その通過速度は９９８．３３ｍｍ／ｓｅｃする。このように、各期間の軌跡データに対し、ユニークなＩＤごとに上記の計算を適用し、北方向、及び南方向の平均速度を人流データとして算出する。
　算出した平均速度の人流データの例を表７に示す。
Figure JPOXMLDOC01-appb-T000007
　ステップＳ１４６で検索される人流データは表８のようになる。
Figure JPOXMLDOC01-appb-T000008
　以後のステップの処理は、各コマンドについて、算出対象の種類を平均速度とすれば具体的態様１と同様である。
＜本実施形態の具体的態様３＞
次に、具体的態様３について説明する。具体的態様３は、モデル選択方法に天候情報用いる場合についてである。具体的態様３については、具体的態様１との差分についてのみ説明する。
　具体的態様１及び２では、予測対象日の前後δ日の平日及び休日を特徴ベクトルとし、予測部１０６、及び学習データ選択部１０３では当該特徴ベクトルを用いたモデル選択方法としていた。具体的態様３では、他の特徴ベクトルの例として、外部情報１２６の天候情報を用いて、予測対象日の前後δ日の天候情報を特徴ベクトルとする例を挙げる。ここでの１日の天候とは、晴れを０、曇りを１、雨を２とした際の１日の最も時間が長かった天候を指す。
　予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後１日の天候情報が近い予測モデル
・δ’＝１，Ｎ＝１０
　ここで、仮に表９に示す予測モデルがモデル記憶部１０５に格納されていたとする。
Figure JPOXMLDOC01-appb-T000009
　予測対象日である２０１９／１１／５は雨、前日の１１／４は晴れ、翌日の１１／６の予報は雨とすると、特徴ベクトルは［０，２，２］となる。予測対象と予測モデルの特徴ベクトルに対して平均距離を算出すると、ＩＤ１は１．３３、ＩＤ３は１．０となる。これらの数値はモデル選択用最大許容距離を満たさないと判定される（ステップＳ１１４）。予測部１０６は、予測モデル作成部１０４へ以下のモデル作成コマンドを送信する（ステップＳ１１６）。
・予測対象期間：２０１９／１１／５
・予測間隔：３０分
・予測対象エリア：１Ｆ＿１
・方向：北、南
・予測対象の種類：総通過人数
・モデル選択方法：前後δ日の天候情報が近いモデル
・δ’＝１，Ｎ＝１０
　学習データ選択部１０３は、外部情報１２６の天候情報を取得した上で、予測対象日の前後１日の天候情報を示す特徴ベクトルを算出する（ステップＳ１４２）。また、学習データ選択部１０３は、人流データ記憶部１０２内の予測条件を満たす人流データの各日に対し、前後δ＝１日の天候情報を特徴ベクトルとして算出する（ステップＳ１４４）。以降は、同様に学習データの選択を行う。
　ステップＳ１２４で、予測モデルがモデル記憶部１０５に追加された場合の例を表１０に示す。ＩＤ４が追加で格納された予測モデルである。
Figure JPOXMLDOC01-appb-T000010
　以上説明したように本実施形態の人流予測装置１００によれば、空間の変化に対してロバストに人流を予測できる。
　また、本開示の手法により、日時及び時間によってさまざまに変化し、かつ様々な方向及び速度で人が行きかう空間においても、各エリアにおける各方向の時間帯後の通過人数、又は平均速度を１日以上前に常時予測できる。これにより、日常で必要となる、空調制御、商品仕入れの最適化、及びメンテナンス計画の策定といった、商業施設等の維持、管理、及び運営に役立てることができる。
　また、上述の実施形態に限定されず、本開示の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
　例えば、組の特徴量の各々が所定の条件を満たす場合に、クロスバリデーションを行わずに、学習データとして採用するようにしてもよい。
　また、例えば、誤差ａ（ｉ）が所定の値を満たす場合には、誤差ａ（ｉ）を求めた組の特徴量の各々を学習データとして採用するようにしてもよい。
　また、例えば、クロスバリデーション以外の他の検定手法によって、誤差ａ（ｉ）を算出するようにしてもよい。
　なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した人流算出処理及び人流予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、人流算出処理及び人流予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記各実施形態では、人流算出プログラム及び人流予測プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　以上の実施形態に関し、更に以下の付記を開示する。
　（付記項１）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
　選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
　前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
　ように構成されている人流予測装置。
　（付記項２）
　人流予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
　予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
　選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
　前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
　非一時的記憶媒体。
１００ 人流予測装置
１０１ 人流算出部
１０２ 人流データ記憶部
１０３ 学習データ選択部
１０４ モデル記憶部
１０４ 予測モデル作成部
１０５ モデル記憶部
１０６ 予測部
１１０ 操作端末
１２０ 人流計測手段
１２１ 軌跡データ記憶装置
１２２ 算出用設定値
１２３ データ選択用設定値
１２４ モデル作成用設定値
１２５ 予測コマンド
１２６ 外部情報
１２７ 予測結果

Claims (8)

  1. 　予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択する学習データ選択部と、
    　選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納する予測モデル作成部と、
    　前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する予測部と、
    　を含む人流予測装置。
  2. 　前記許容条件は、前記予測条件に対する前記予測モデルが有する前後の日に関する特徴ベクトルの距離について定められ、
    　前記予測条件及び前記許容条件を満たす前記予測モデルが前記モデル記憶部にない場合に、前記学習データ選択部による前記学習データの選択、及び前記予測モデル作成部による前記予測モデルの学習を行う請求項１に記載の人流予測装置。
  3. 　前記学習データ選択部は、
    　予測対象日の前後δ日の特徴ベクトルを算出し、
    　前記人流データのうち、算出した前記予測対象日の前記前後δ日に関する特徴ベクトルに対応する前後δ日の人流データと、当該人流データに対応する外部情報とを取得し、
    　取得した前記前後δ日の人流データと前記外部情報との組の特徴量の各々を算出し、
    　前記前後δ日の特徴ベクトルと、前記組の特徴量とを、前記学習データとして選択する請求項１又は請求項２に記載の人流予測装置。
  4. 　前記学習データ選択部は、前記前後δ日をカウントアップし、前記組の特徴量の各々を評価用とモデル作成用とに分けてクロスバリデーションを実施し、前記前後δ日のうち、得られる誤差が小さくなる前記組の特徴量の各々を学習データとして選択する請求項３に記載の人流予測装置。
  5. 　前記予測条件として、算出間隔、予測対象とするエリア、方向、及び予測したい移動人数又は移動速度を示す対象を含む請求項１ないし４の何れか１項に記載の人流予測装置。
  6. 　人流算出部を更に含み、
    　前記人流算出部は、移動対象の時刻ごとの座標を含む軌跡データと、方向のルール及び算出対象の種類を含む算出用設定値とに基づいて、任意の方向別の移動人数、又は任意の方向別の移動速度の統計値として、前記人流データを算出する請求項１ないし５の何れか１項に記載の人流予測装置。
  7. 　予測対象とする予測対象期間を含む予測条件に基づいて、前記予測対象期間に対応する複数の日時の人流データに関する学習データを選択し、
    　選択した前記学習データに基づいて、所定の特徴を有する予測モデルであって、所定の日時の人流データを予測するための予測モデルを学習し、モデル記憶部に格納し、
    　前記予測条件と、前記予測モデルの特徴に関する許容条件とに基づいて、前記モデル記憶部から前記予測モデルを選択し、選択した前記予測モデルに基づいて、前記予測条件における人流データを予測する、
    　処理をコンピュータに実行させる人流予測方法。
  8. 　コンピュータを請求項１ないし６の何れか１項に記載の人流予測装置として機能させるための人流予測プログラム。
PCT/JP2019/050951 2019-12-25 2019-12-25 人流予測装置、人流予測方法、及び人流予測プログラム WO2021130926A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/788,185 US20230030127A1 (en) 2019-12-25 2019-12-25 People flow prediction device, people flow prediction method, and people flow prediction program
JP2021566657A JP7338704B2 (ja) 2019-12-25 2019-12-25 人流予測装置、人流予測方法、及び人流予測プログラム
PCT/JP2019/050951 WO2021130926A1 (ja) 2019-12-25 2019-12-25 人流予測装置、人流予測方法、及び人流予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/050951 WO2021130926A1 (ja) 2019-12-25 2019-12-25 人流予測装置、人流予測方法、及び人流予測プログラム

Publications (1)

Publication Number Publication Date
WO2021130926A1 true WO2021130926A1 (ja) 2021-07-01

Family

ID=76574099

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/050951 WO2021130926A1 (ja) 2019-12-25 2019-12-25 人流予測装置、人流予測方法、及び人流予測プログラム

Country Status (3)

Country Link
US (1) US20230030127A1 (ja)
JP (1) JP7338704B2 (ja)
WO (1) WO2021130926A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347384A (zh) * 2021-08-06 2021-09-03 北京电信易通信息技术股份有限公司 一种基于时序表征学习的视频会议流量预测方法及系统
CN113993153A (zh) * 2021-10-27 2022-01-28 中国联合网络通信集团有限公司 人群聚集预测方法、装置、设备和计算机可读存储介质
CN114283386A (zh) * 2022-01-28 2022-04-05 浙江传媒学院 一种基于大数据的分析适应密集场景人流实时监测系统
CN114463054A (zh) * 2022-01-21 2022-05-10 浪潮卓数大数据产业发展有限公司 基于一卡通的园区门店客流量预测方法及系统
WO2023067726A1 (ja) * 2021-10-20 2023-04-27 三菱電機株式会社 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
WO2024038555A1 (ja) * 2022-08-18 2024-02-22 日本電気株式会社 システム、装置、方法、及び非一時的なコンピュータ可読媒体

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11874671B2 (en) 2018-11-08 2024-01-16 SafeAI, Inc. Performing tasks using autonomous machines
US11713059B2 (en) * 2021-04-22 2023-08-01 SafeAI, Inc. Autonomous control of heavy equipment and vehicles using task hierarchies
CN114723480B (zh) * 2022-03-28 2024-04-30 西南石油大学 一种针对乡村旅游的客流量预测方法及货物调度系统
CN116167625B (zh) * 2023-04-25 2023-08-18 湖南工商大学 一种基于深度学习的踩踏风险评估方法
CN117557300B (zh) * 2024-01-12 2024-04-05 湖南大学 基于主要设备的能耗数据推演商业活跃度的方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018028939A (ja) * 2017-11-02 2018-02-22 ヤフー株式会社 分類支援装置、分類支援方法、および分類支援プログラム
JP2019040475A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 人流予測装置、システムおよびプログラム
JP2019185236A (ja) * 2018-04-05 2019-10-24 矢崎エナジーシステム株式会社 案内システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019040475A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 人流予測装置、システムおよびプログラム
JP2018028939A (ja) * 2017-11-02 2018-02-22 ヤフー株式会社 分類支援装置、分類支援方法、および分類支援プログラム
JP2019185236A (ja) * 2018-04-05 2019-10-24 矢崎エナジーシステム株式会社 案内システム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347384A (zh) * 2021-08-06 2021-09-03 北京电信易通信息技术股份有限公司 一种基于时序表征学习的视频会议流量预测方法及系统
CN113347384B (zh) * 2021-08-06 2021-11-05 北京电信易通信息技术股份有限公司 一种基于时序表征学习的视频会议流量预测方法及系统
WO2023067726A1 (ja) * 2021-10-20 2023-04-27 三菱電機株式会社 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
JP7475549B2 (ja) 2021-10-20 2024-04-26 三菱電機株式会社 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
CN113993153A (zh) * 2021-10-27 2022-01-28 中国联合网络通信集团有限公司 人群聚集预测方法、装置、设备和计算机可读存储介质
CN113993153B (zh) * 2021-10-27 2023-07-04 中国联合网络通信集团有限公司 人群聚集预测方法、装置、设备和计算机可读存储介质
CN114463054A (zh) * 2022-01-21 2022-05-10 浪潮卓数大数据产业发展有限公司 基于一卡通的园区门店客流量预测方法及系统
CN114283386A (zh) * 2022-01-28 2022-04-05 浙江传媒学院 一种基于大数据的分析适应密集场景人流实时监测系统
WO2024038555A1 (ja) * 2022-08-18 2024-02-22 日本電気株式会社 システム、装置、方法、及び非一時的なコンピュータ可読媒体

Also Published As

Publication number Publication date
JP7338704B2 (ja) 2023-09-05
US20230030127A1 (en) 2023-02-02
JPWO2021130926A1 (ja) 2021-07-01

Similar Documents

Publication Publication Date Title
WO2021130926A1 (ja) 人流予測装置、人流予測方法、及び人流予測プログラム
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN110516708B (zh) 一种基于轨迹与路网匹配的路径预测方法
Zhang et al. A framework for passengers demand prediction and recommendation
RU2721176C2 (ru) Системы и способы для предсказания поведения пользователя на основе данных о местоположении
JP6761789B2 (ja) 人流予測装置、システムおよびプログラム
US20150317589A1 (en) Forecasting system using machine learning and ensemble methods
Chen et al. Efficient traffic speed forecasting based on massive heterogenous historical data
JP2015125775A (ja) システムでの需要の予測のためのマルチタスク学習システムおよび方法
JP2009069924A (ja) 交通状況予測装置，交通状況予測方法
CN105683716A (zh) 场境交通或通行警示
Singh et al. A review of bus arrival time prediction using artificial intelligence
WO2017033443A1 (ja) 渋滞予測システム、渋滞予測方法、及び、記録媒体
Zhou et al. A comprehensive review of the applications of machine learning for HVAC
Elleuch et al. Neural congestion prediction system for trip modelling in heterogeneous spatio-temporal patterns
Xiangxue et al. Wavelet‐based short‐term forecasting with improved threshold recognition for urban expressway traffic conditions
Klosa et al. Short-term traffic flow forecast using regression analysis and graph convolutional neural networks
Lee et al. Development of reinforcement learning-based traffic predictive route guidance algorithm under uncertain traffic environment
Han et al. Ensemblefollower: A hybrid car-following framework based on reinforcement learning and hierarchical planning
CN116324523A (zh) 湍流预测系统以及湍流预测方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
Liu et al. MCT‐TTE: Travel Time Estimation Based on Transformer and Convolution Neural Networks
Miller et al. Advanced tutorial on microscopic discrete-event traffic simulation
Yao et al. Functional data analysis of daily curves in traffic: Transportation forecasting in the real-time
Li et al. An Overview and General Framework for Spatiotemporal Modeling and Applications in Transportation and Public Health

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: 19957866

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021566657

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19957866

Country of ref document: EP

Kind code of ref document: A1