WO2022039141A1 - 引越費用推定プログラム及びシステム - Google Patents

引越費用推定プログラム及びシステム Download PDF

Info

Publication number
WO2022039141A1
WO2022039141A1 PCT/JP2021/029978 JP2021029978W WO2022039141A1 WO 2022039141 A1 WO2022039141 A1 WO 2022039141A1 JP 2021029978 W JP2021029978 W JP 2021029978W WO 2022039141 A1 WO2022039141 A1 WO 2022039141A1
Authority
WO
WIPO (PCT)
Prior art keywords
moving
information
association
degree
cost
Prior art date
Application number
PCT/JP2021/029978
Other languages
English (en)
French (fr)
Inventor
綾子 澤田
Original Assignee
Ａｓｓｅｓｔ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 Ａｓｓｅｓｔ株式会社 filed Critical Ａｓｓｅｓｔ株式会社
Publication of WO2022039141A1 publication Critical patent/WO2022039141A1/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Definitions

  • reference transport amount information and the transport amount information are configured from the two types and amounts of the household goods to be transported will be described as an example, but the description is not limited to this.
  • the reference transport amount information and the transport amount information may be configured from any one of the types or quantities of the household goods to be transported.
  • the most suitable moving cost can be searched for and displayed to the user from the newly acquired transport amount information.
  • the user that is, the client or the moving company, can determine the moving cost based on the searched moving cost, or indirectly determine the man-hours and time of moving. Can be done.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • This analysis may be performed by artificial intelligence.
  • the moving cost is analyzed from the past data. If there are many cases where the moving cost is 95,000 yen, the degree of association that leads to this 95,000 yen is set higher, and if there are many cases where the moving cost is 233,000 yen and there are few cases where the moving cost is 95,000 yen, the moving cost is 233000. Set the degree of association that leads to the yen high and the degree of association that leads to the moving cost of 95,000 yen low. For example, in the example of the intermediate node 61a, it is linked to the output of the moving cost of 156000 yen and the moving cost of 32000 yen. The degree of association of the connected w14 is set to 2 points.
  • the intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the degrees of association w1 to w12 may all have the same value, and the weights in the selection of the intermediate node 61 may all be the same.
  • the input data is, for example, reference transport amount information P01 to P03 and reference date and time information P18 to 21.
  • the intermediate node shown in FIG. 5 is a combination of reference date and time information with reference transport amount information as such input data.
  • Each intermediate node is further linked to the output. In this output, the moving cost as an output solution is displayed.
  • the above-mentioned degree of association may be updated.
  • This update may reflect information provided, for example, via a public communication network such as the Internet.
  • the transportation amount information for reference, the distance information for reference, the date and time information for reference, the packing information for reference, the building structure information for reference, and the attribute information for reference are acquired, and the knowledge, information, and data regarding the moving cost and improvement measures for these are acquired.
  • the degree of association is increased or decreased according to these.
  • the input data is, for example, reference transport amount information P01 to P03 and reference market condition information P22 to 25.
  • the intermediate node shown in FIG. 13 is a combination of the reference market condition information and the reference transport amount information as such input data.
  • Each intermediate node is further linked to the output. In this output, the moving cost as an output solution is displayed.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually searching for moving costs from now on, the above-mentioned learned data will be used. In such a case, the transportation amount information to be determined for the moving cost and the area information are actually acquired.
  • the degree of association shown in FIG. 15 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association.
  • the node 61d is associated with a moving cost of 95,000 yen by w19 and a moving cost of 233,000 yen by the degree of association w20.
  • the moving cost of 95,000 yen, which has the highest degree of association is selected as the optimum solution.
  • the combination with the reference resource availability information instead of the above-mentioned reference external environment information and the moving cost for the combination have three or more levels of association. May be set.
  • the reference resource securing possibility information referred to here is information on the securing possibility of moving resources consisting of the above-mentioned physical resources and / or human resources at the time of past moving. It shows how busy or vacant the truck is as a physical resource, how much the reservation status is, and how much the necessary materials and cardboard inventory and stockpile are.
  • human resources it is information on the degree of work entry of workers, the degree of schedule filling in the schedule, the number of free workers, and the like. If there is no room for physical resources and human resources, the unit price for moving tends to rise, so these are also added to the explanatory variables.
  • the amount of work required for moving may be learned.
  • Such a work amount is learned by the degree of association with any one or more of the reference information described in the second embodiment in addition to the above-mentioned reference transport amount information and the reference transport amount information. By doing so, it is possible to estimate the amount of work required for moving in the same manner as described above.
  • the reference distance information, the reference date and time information, the reference packing information, the reference building structure information, or the second embodiment will be described.
  • FIG. 19 it is an example of using the degree of association between the reference transport amount information and the moving cost in three or more stages.
  • this degree of association it is the same as in FIG. 3, but in this example, other reference information different from the reference transport amount information is further associated with this moving cost.
  • the moving source or the moving destination is the second floor of the condominium, but the condominium has a structure without an elevator.
  • the structure With such a structure, it is necessary to transport the cargo using the stairs, which increases the burden of labor and the number of work man-hours, which often increases the cost.
  • the weighting is lowered for the lower moving cost (32000 yen) searched from the transport amount information via the degree of association, in other words, the search solution with a low moving cost is not connected.
  • the reference resource securing possibility information both physical resources and human resources are surplus, and it is assumed that the situation can be easily secured.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】引越の費用を高精度に判断する。 【解決手段】引越費用を推定する引越費用推定プログラムにおいて、引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得ステップと、過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越費用との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、引越費用を推定する推定ステップとをコンピュータに実行させることを特徴とする。

Description

引越費用推定プログラム及びシステム
　本発明は、引越の費用を高精度に推定する上で好適な引越費用推定プログラム及びシステムに関する。
　様々な事業者によって提供される引越サービスは、見積りの依頼、見積り、成約、引越の流れで行われることが多い。見積りの依頼は、電話や、ウェブ上で行われることが多い。一般的に、見積りは、スタッフが、引越元の依頼者の自宅を訪問し、部屋を下見することで行われている。
　しかしながら、引越の見積を行う都度、引越サービス会社のスタッフが依頼者の自宅に訪問する労力の負担は過大であり、また依頼者側としても引越の見積りだけのために、プライベートな自宅という空間内に事業者を入れたくないという要望が強くなってきている。引越客に負担をかけることなく、簡単な処理で引越の見積りをすることができる技術が知られているが（例えば、特許文献１参照。）、より高精度な費用見積もりを行うことができるシステムが従来より望まれていた。
特開２００５－２６６９０４号公報
　そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、引越の費用をより高精度に推定することが可能な引越費用推定プログラム及びシステムを提供することにある。
　本発明に係る引越費用推定プログラムは、引越費用を推定する引越費用推定プログラムにおいて、引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得ステップと、過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越費用との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、引越費用を推定する推定ステップとをコンピュータに実行させることを特徴とする。
　特段のスキルや経験が無くても、誰でも手軽に引越費用の推定を高精度に行うことができる。
本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。
　以下、本発明を適用した引越費用推定プログラムについて、図面を参照しながら詳細に説明をする。
第１実施形態
　図１は、本発明を適用した引越費用推定プログラムが実装される引越費用推定システム１の全体構成を示すブロック図である。引越費用推定システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置２に接続されたデータベース３とを備えている。
　情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。
　データベース３は、引越費用推定を行う上で必要な様々な情報が蓄積される。引越費用推定を行う上で必要な情報としては、過去において撮像した引越元の家屋内の画像を解析することにより、搬送対象となる家財の種類と量とから関連付けられる参照用搬送量情報、引越元から引越先までの参照用距離情報、引越日時に関する参照用日時情報、引越の際における荷造りサービスの提供度合に関する参照用荷造り情報、引越元又は引越先の建物の構造に関する参照用建物構造情報、上記引越の依頼者の属性に関する参照用属性情報と、これらに対して実際に判断がなされる引越費用とのデータセットが記憶されている。
　つまり、データベース３には、このような参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れか１以上と、引越費用が互いに紐づけられて記憶されている。
　推定装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置２による探索解を得ることができる。
　図２は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。
  制御部２４は、内部バス２１を介して制御信号を送信することにより、推定装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。
　操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。
　推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
  表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。
  記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。
　上述した構成からなる引越費用推定システム１における動作について説明をする。
　引越費用推定システム１では、例えば図３に示すように、参照用搬送量情報と、引越費用との３段階以上の連関度が予め設定されていることが前提となる。参照用搬送量情報とは、引越元の家屋内を撮像した画像を解析することにより得られるものであり、搬送対象となる家財の種類と量とから関連付けられる。この参照用搬送量情報は、引越元の家屋内を撮像した画像を解析することで、例えばテーブルが何個あり、椅子が何個あり、棚が何個あるかを画像解析技術を通じて抽出する。このとき、人工知能を活用し、机や椅子、棚、ソファ、テレビ等の家財の画像データを学習させておき、実際に参照用搬送量情報を取得する際には、これらの学習させた画像データと照らし合わせて、その種類と量を判別するようにしてもよい。このとき、仮に棚の中に家財が収納されていれば、その収納されている家財の種類と量を同様に人工知能を活用して判別するようにしてもよい。
　なお、この参照用搬送量情報を得る方法としては、引越元の家屋内を撮像した画像を解析することにより得る場合に限定されるものではない。例えば、参照用搬送量情報そのもの、或いはこれを構成する家財の種類と量がキーボードやタッチパネルを通じた手入力により入力されるものであってもよく、テーブルが何個あり、椅子が何個あり、棚が何個あるか、個数をユーザに選択させるものであってもよい。またチャットのようにユーザに対する質問に対して得られた回答のテキスト情報につき、形態素解析、構文解析を行い、それぞれから抽出した単語等から参照用搬送量情報を取得してもよい。また、ユーザにより発せられた音声データを取得してこれをテキスト情報に変換し、同様に参照用搬送量情報を取得してもよい。
　搬送量情報を取得する方法も同様に、ユーザの音声や手入力で行うようにしてもよい。
　また、以下の説明においては、搬送対象となる家財の種類及び量の２つから参照用搬送量情報、搬送量情報を構成する場合を例にとり説明をするが、これに限定されるものではなく、搬送対象となる家財の種類又は量の何れか１つから参照用搬送量情報、搬送量情報を構成するものであってもよい。
　その他、参照用搬送量情報、搬送量情報を取得する方法としては、これ以外に、引越元の家屋の広さから関連付けてもよい。つまり、過去において取得した引越元の家屋の広さと、参照用搬送量情報との間で互いに関連付けを行っておく。例えば家屋の広さが広くなることに応じて、参照用搬送量情報における搬送量がより多くなるように検量線等を作成しておく。そしてその検量線を参照し、家屋の広さから参照用搬送量情報を算出できるようにしておく。同様に、家屋の広さから搬送量情報を検量線を利用して導き出す。この家屋の広さは、後述する参照用広さ情報、広さ情報であってもよく、参照用広さ情報と参照用搬送量情報とを互いに関連付けておき、同様に広さ情報を搬送量情報に互いに関連付けておくようにしてもよい。
　その他、参照用搬送量情報、搬送量情報を取得する方法としては、これ以外に、引越の依頼者の属性から関連付けてもよい。つまり、過去において取得した引越の依頼者の属性と、参照用搬送量情報との間で互いに関連付けを行っておく。例えば引越の依頼者の属性として家族構成人数が多くなることに応じて、参照用搬送量情報における搬送量がより多くなるように検量線等を作成しておく。そしてその検量線を参照し、家屋の広さから参照用搬送量情報を算出できるようにしておく。引越の依頼者の属性は、後述する参照用属性情報、属性情報であってもよく、参照用属性情報と参照用搬送量情報とを互いに関連付けておき、同様に属性情報を搬送量情報に互いに関連付けておくようにしてもよい。
　引越費用とは、依頼者が引越業者に対して支払う引越費用である。引越費用は、具体的に１円レベルまで細かく設定されていてもよいし、大まかに高い、中程度、安い、程度の３段階以上で設定されていてもよい。また、引越費用の代替として作業量や作業時間等の指標に置き換えて表示するようにしてもよい。また引越費用は、依頼者が引越業者に対して支払う引越費用に限定されるものではなく、引越業者における原価であってもよい。つまり、引越業者が実際に依頼者に対して引越費用の見積もりを出す場合、実際に自ら負担する原価に利益を加算して提案をする。その利益を加算する前の原価を学習データとして学習させることにより、探索解として引越の原価を得ることができる。引越業者は、この引越の原価に自ら取るべき利益を加算して依頼者に提案することができる。
　図３の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用搬送量情報Ｐ０１～Ｐ０３は、出力としての引越費用に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報は、この出力解としての引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報がこの連関度を介して左側に配列し、各引越費用が連関度を介して右側に配列している。連関度は、左側に配列された参照用搬送量情報に対して、何れの引越費用と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用搬送量情報が、いかなる引越費用に紐付けられる可能性が高いかを示す指標であり、参照用搬送量情報から最も確からしい引越費用を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての引越費用と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
Figure JPOXMLDOC01-appb-T000001
　推定装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、その場合の引越費用の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。
　例えば、参照用搬送量情報が、テーブルが１個、椅子が４個、テレビ台が１個、テレビ１台、ソファセット１個、事務デスク１台、事務用いす１個、布団８枚、ベッド２台、段ボール４０箱であるものとする。このような参照用搬送量情報に対する引越費用としては引越費用３２０００円が多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用搬送量情報（テーブルが１個、椅子が４個、テレビ台が１個、テレビ１台、ソファセット１個、事務デスク１台、事務用いす１個、布団８枚、ベッド２台、段ボール４０箱）との連関度が強くなる。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用搬送量情報Ｐ０１である場合に、過去の引越費用の評価を行った結果の各種データから分析する。こ参照用搬送量情報Ｐ０１である場合に、引越費用１５６０００円の事例が多い場合には、この引越費用の評価につながる連関度をより高く設定し、引越費用９５０００円の事例が多い場合には、この引越費用の評価につながる連関度をより高く設定する。例えば参照用搬送量情報Ｐ０１の例では、引越費用１５６０００円と、引越費用９５０００円にリンクしているが、以前の事例から引越費用１５６０００円につながるｗ１３の連関度を７点に、引越費用９５０００円につながるｗ１４の連関度を２点に設定している。
　また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の引越対象の家屋内を撮像した画像と実際に見積もった引越費用とのデータセットを通じて作った後に、実際にこれから新たに引越費用の判別を行う上で、上述した学習済みデータを利用して引越費用を探索することとなる。かかる場合には、実際に判別対象の領域において搬送量情報を新たに取得する。新たに取得する搬送量情報は、上述した情報取得部９により入力される。搬送量情報は、引越費用を判別しようとする家屋内の画像を撮像することで、引越対象の家財の種類と量を判別することで行う。この判別方法は、上述した参照用搬送量情報と同様の手法で行うようにしてもよい。
　このようにして新たに取得した搬送量情報に基づいて、引越費用を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して引越費用３２０００円がｗ１５、引越費用９５０００円が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高いて引越費用３２０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択すること、或いは連関度のより高いものを優先させて解探索することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用９５０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　このようにして、新たに取得する搬送量情報から、最も好適な引越費用を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち依頼者又は引越業者は、探索された引越費用に基づいて引越のコストを判別することができ、又は間接的に引越の工数や時間の判別も行うことができる。
　なお、この搬送量情報において判別する家財の種類としては、更に細かい分類を設定してもよい。かかる場合には、家財の種類を判別する際に、電気製品であるか否か、取扱注意品であるか否か、割れ物であるか否か、ピアノであるか否か、の何れか１以上を判別するようにしてもよい。仮に電気製品であれば、テレビ、パーソナルコンピュータ、電子レンジ、冷蔵庫、洗濯機等、搬送をする上でそれなりの注意、労力をかける必要があるものも含まれており、その分において作業工数が増加する分、引越費用は増大する。これらを判別する上では、予めこれら電気製品の各種類ごとに画像を学習させておき、その学習データを照らし合わせて判別するようにしてもよい。
　同様に取扱注意品や割れ物（例えば高価な壺や骨とう品など）が含まれている場合もそれなりの注意、労力をかける必要があるものも含まれており、その分において作業工数が増加する分、引越費用は増大する。これらを判別する上では、予めこれら取扱注意品や割れ物の各種類ごとに画像を学習させておき、その学習データを照らし合わせて判別するようにしてもよいし、割れ物や取扱注意品のラベルが段ボールに張り付けてある場合には、これを読み取ることで判別するようにしてもよい。
　また、ピアノの搬送も労力の負担は過大であり、クレーン等が必要な場合もある。ピアノの判別も同様に画像を学習させておき、判別精度を向上させるようにしてもよい。
　家財の種類として、これらの電気製品、取扱注意品、割れ物、ピアノが含まれている場合における引越費用との学習用データセットを収集しておき、上述した連関度を形成しておくことで同様に引越費用の推定を行うことが可能となる。
　なお、この搬送量情報として判別する家財の種類は、家財の大きさも含まれる。例えば、同じテレビであってもその大きさによって搬送の労力の負担は大きく異なる。このため、家財の種類を判別する際に、その大きさも含めて判別するようにしてもよい。例えば、テレビであれば、画面の大きさ別（例えば型等）で分類してもよいし、冷蔵庫であればその容積別に分類してしてもよい。
　情報取得ステップにおいて搬送対象となる家財の種類として大きさを判別する場合には、予め参照用搬送量情報を取得する上で、これらの家財の大きさを含めて予め学習させておく必要がある。
　図４の例では、参照用搬送量情報と、参照用距離情報との組み合わせが形成されていることが前提となる。参照用距離情報とは、引越元から引越先までの距離に関するあらゆる情報であり、例えばｋｍ単位で表示されていてもよいし、東京（引越元）から大阪（引越先）等のように地域、都市、地方、県、市区町村、地点名単位で表示されていてもよい。
　引越費用は、参照用搬送量情報に加え、引越元から引越先までの距離に応じて異なる。距離が長いほど引越に費やす時間が増加し、またガソリン代等のコストも増加することから、引越費用が高くなる。このため、参照用搬送量情報に加え、このような参照用距離情報と組み合わせて引越費用を定義することにより、引越費用を高精度に評価することができる。
　図４の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用距離情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用距離情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用距離情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用距離情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。連関度は、左側に配列された参照用搬送量情報と参照用距離情報に対して、引越費用と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用搬送量情報と参照用距離情報が、いかなる引越費用に紐付けられる可能性が高いかを示す指標であり、参照用搬送量情報と参照用距離情報から最も確からしい引越費用を選択する上での的確性を示すものである。このため、これらの参照用搬送量情報と参照用距離情報の組み合わせで、最適な引越費用を探索していくこととなる。
　図４の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　推定装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と参照用距離情報、並びにその場合の引越費用が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。
　例えば、過去にあった実際の事例における参照用搬送量情報が、テーブルが２個、椅子が２個、冷蔵庫１台、洗濯機１台、布団３枚、ベッド１台、段ボール２０箱であるものとする。また参照用距離情報が、１５０ｋｍであるものとする。かかる場合に、実際にその引越費用がいくらであったかを示す引越費用をデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような参照用搬送量情報や、参照用距離情報は、引越業者が管理する管理データベースから抽出するようにしてもよい。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用搬送量情報Ｐ０１で、参照用距離情報Ｐ１６である場合に、その引越費用を過去のデータから分析する。引越費用が９５０００円の事例が多い場合には、この９５０００円につながる連関度をより高く設定し、引越費用２３３０００円の事例が多く、引越費用９５０００円の事例が少ない場合には、引越費用２３３０００円につながる連関度を高くし、引越費用９５０００円につながる連関度を低く設定する。例えば中間ノード６１ａの例では、引越費用１５６０００円と引越費用３２０００円の出力にリンクしているが、以前の事例から引越費用１５６０００円につながるｗ１３の連関度を７点に、引越費用３２０００円につながるｗ１４の連関度を２点に設定している。
　また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図４に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して、参照用距離情報Ｐ１４の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。ノード６１ｃは、参照用搬送量情報Ｐ０２に対して、参照用位置情報Ｐ１５、Ｐ１７の組み合わせのノードであり、引越費用３２０００円の連関度がｗ１７、引越費用２３３０００円の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に搬送量情報と、距離情報とを取得する。距離情報は、実際に引越の依頼者を介して入力された引越元と引越先の住所に基づいて抽出するようにしてもよい。
　このようにして新たに取得した搬送量情報、距離情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、距離情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。
Figure JPOXMLDOC01-appb-T000002
　この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。
　図５は、上述した参照用搬送量情報に加え、上述した参照用距離情報の代わりに参照用日時情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定されている例を示している。
　参照用位置情報の代わりに説明変数として加えられるこの参照用日時情報は、引越の日時に関するあらゆる情報である。参照用日時情報は、具体的な日にち、曜日に加え、開始時間、終了時間まで規定されていてもよいし、大まかに月や季節（例えば６～８月等）の範囲で規定されていてもよい。引越の日時によって混雑する場合としない場合がある。例えば、就職や入学等があり、いわゆる引越シーズンであるから、引越の依頼が殺到し、作業員が多忙になることから引越の単価が上昇しやすい。このため、この参照用日時情報を組み合わせて連関度を形成することにより、引越費用の判断精度を向上させる趣旨である。
　図５の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用日時情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用日時情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用日時情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用日時情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。連関度は、左側に配列された参照用搬送量情報と参照用日時情報に対して、引越費用と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用搬送量情報と参照用日時情報が、いかなる引越費用に紐付けられる可能性が高いかを示す指標であり、参照用搬送量情報と参照用日時情報から最も確からしい引越費用を選択する上での的確性を示すものである。
　推定装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用日時情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、参照用日時情報が、「３月１５日の午後」であったものとする。かかる場合に、引越費用が２３３０００円と判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用搬送量情報Ｐ０１で、参照用日時情報Ｐ２０である場合に、その引越費用を過去のデータから分析する。引越費用１５６０００円の事例が多い場合には、この引越費用が１５６０００円につながる連関度をより高く設定し、引越費用が３２０００円の事例が多く、引越費用が１５６０００円の事例が少ない場合には、引越費用が３２０００円につながる連関度を高くし、引越費用が１５６０００円につながる連関度を低く設定する。例えば中間ノード６１ａの例では、引越費用３２０００円と引越費用１５６０００円の出力にリンクしているが、以前の事例から引越費用１５６０００円につながるｗ１３の連関度を７点に、引越費用３２０００円につながるｗ１４の連関度を２点に設定している。
　また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図５に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用日時情報Ｐ１８の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。ノード６１ｃは、参照用搬送量情報Ｐ０２に対して、参照用日時情報Ｐ１９、Ｐ２１の組み合わせのノードであり、引越費用３２０００円の連関度がｗ１７、引越費用２３３０００円の連関度がｗ１８となっている。このような連関度が、人工知能でいうところの学習済みデータとなる。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、日時情報とを取得する。ここで日時情報は、引越費用を実際に見積もる際に、依頼者側が希望する引越の日時を入力してもよい。
　このようにして新たに取得した搬送量情報と、日時情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、日時情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図６は、上述した参照用搬送量情報に加え、上述した参照用距離情報の代わりに参照用荷造り情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定されている例を示している。
　参照用距離情報の代わりに説明変数として加えられるこの参照用荷造り情報は、実際に引越をする上で引越の事業者側が荷造りに関するサービスをどの程度提供するかを示すものである。例えば段ボールへの梱包を全て請け負う場合か、或いは布団のみの荷造りのみを請け負うかによって、作業量は大幅に異なり、引越費用もこれに応じて増減する。このため、この参照用荷造り情報を組み合わせて連関度を形成することにより、引越費用の判断精度を向上させる趣旨である。
　図６の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用荷造り情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用荷造り情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用荷造り情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用荷造り情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用荷造り情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、参照用荷造り情報が、「全荷物の梱包を業者側が行う」であったものとする。かかる場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図６に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用荷造り情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、荷造り情報とを取得する。ここで荷造り情報は、引越を依頼する依頼者の希望に基づいて都度入力してもよい。
　このようにして新たに取得した搬送量情報と、荷造り情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、荷造り情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図７は、上述した参照用搬送量情報に加え、上述した参照用距離情報の代わりに参照用建物構造情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定されている例を示している。
　この参照用建物構造情報は、引越元の建物の構造に関するあらゆる情報、又は引越先の建物の構造に関するあらゆる情報を含むものである。引越元又は引越先の建物の構造に関する情報としては、一軒家か、マンションか、ビルか、一軒家であれば平屋か、多階層か、またビル又はマンションであれば、エレベータの有無、エントランスからの距離、駐車スペースの有無等、あらゆる情報が含まれる。仮にエレベータが無い建物の場合には、階段を通じて荷物を搬送しなければならず、労力の負担が増大するため引越費用は高くなる。このため、参照用建物構造情報を組み合わせて連関度を形成することにより、引越費用の判断精度を向上させる趣旨である。
　図７の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用建物構造情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用建物構造情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用建物構造情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用建物構造情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用建物構造情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、参照用建物構造情報が、「３階建てのマンションでエレベータが無し」であったものとする。かかる場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図６に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用建物構造情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、建物構造情報とを取得する。ここで建物構造情報は、引越を依頼する依頼者の希望に基づいて都度入力してもよい。
　このようにして新たに取得した搬送量情報と、建物構造情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、建物構造情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また本発明では、上述した参照用搬送量情報に加え、上述した参照用距離情報の代わりに参照用属性情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度を設定してもよい。ここでいう参照用属性情報とは、引越を依頼する依頼者の属性を示すものであり、例えば依頼者が法人か、個人か、また法人であればその業種や従業員数、個人であれば単身者か、所帯持ちか、所帯持ちであればその家族の構成人数等や家族構成（父、母、中学３年、小学５年等）を示すものである。法人であっても、従業員数が多ければその分机やロッカー等の什器の数は増加し、また製造業であれば製造設備や在庫等、搬送する物品数は、サービス業よりも増加する傾向にあるため、その分作業工数は増加し、引越費用は増加する。
　このような参照用属性情報とを含む組み合わせと引越費用との３段階以上の連関度を設定しておくことで、上記図４～図７と同様に、引越費用を推定するケースにおいて引越の依頼者に関する属性情報の入力を受け付ける。そして参照用属性情報とを含む組み合わせと引越費用との３段階以上の連関度を利用し、入力された属性情報に応じた参照用属性情報に基づき、新たに引越費用を推定する。
　上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。
　上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に引越費用の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
　なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。
　なお、上述した連関度では、参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。
　いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して引越費用を求める。
　なお本発明は、上述した実施の形態に限定されるものではない。探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図８に示すように、引越に必要な作業量を学習させるようにしてもよい。ここでいう作業量とは、例えば通常の作業員が一人で全て引越作業を行った場合に何時間かかるか、或いは所定数からなる作業員で引越作業を全て行った場合に何時間かかるか等、作業量に関するあらゆる情報を示すものであり、例えば作業量Ａは、作業員３人で１９時間、作業量Ｂは、作業員３人で８時間等で構成される。この作業量の代替として、例えば所定数からなる作業員により引越作業を全て行った場合における時間量で構成してもよい。また作業量は時間で示される以外に、搬送すべき荷物の数や量、搬送すべき荷物の見かけ上の体積等で構成してもよい。
　このような作業量を、上述した参照用搬送量情報や、当該参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越の作業量を推定することができる。そして、この作業量を推定できれば、必要な資材やいかに説明する物的資源や人的資源の種類や量を見積もることができ、更には費用の見積もりも行うことができる。
　なお本発明は、上述した実施の形態に限定されるものではない。探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図９に示すように、引越に必要な物的資源及び／又は人的資源からなる引越資源を学習させるようにしてもよい。ここでいう引越資源における物的資源は、必要な搬送手段として、軽トラック、３トントラック、４トントラック等の何れの種類が何台が必要か、必要な梱包資材やダンボールの種類や量、必要な養生のための部材等の種類や量等、引越に必要なあらゆる物の種類や量に関する情報である。また引越に必要な人的資源とは、必要な作業員の数に加え、いかなる専門性を持った作業員が必要になるかを示す情報である。例えば、エアコンの脱着、クレーンでの荷物搬送、ピアノの搬送、ハウスクリーニング、大型オフィス家具の設置等は、それぞれに応じた経験や専門性を持った作業員が対応する必要があるため、そのような情報もこの人的資源に含まれる。例えば図９において、引越資源Ａは、物的資源として軽トラック１台、ダンボール３０箱、養生部品○○、人的資源として作業員５名、引越資源Ｂは、物的資源として４トントラック２台、ダンボール２００箱、養生部品○○、人的資源として作業員２０名、うち二人がオフィス家具設置要員等で構成される。
　このような引越資源を、上述した参照用搬送量情報や、当該参照用搬送量情報に加え、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越に必要な引越資源を推定することができる。この引越資源は、物的資源、人的資源の両方により構成される場合に限定されるものではなく、何れか一方で構成されるものであってもよい。
　また上述した連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　かかる場合には、図１０に示すように、入力データとして参照用搬送量情報が入力され、出力データとして引越費用（その他、作業量等）が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。
　また本発明は、図１１に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて肉質を判別するものである。この参照用情報Ｙが参照用搬送量情報であり、参照用情報Ｖが参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報等の何れかであるものとする。
　このとき、図１１に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（引越費用）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用搬送量情報）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。
　また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
　このような３段階以上の数値で表される連関度に基づいて最も確からしい引越費用、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
　これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
　更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
　更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用搬送量情報、参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報を取得し、これらに対する引越費用、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
　つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
　また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
　また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
　第２実施形態
　以下、本発明を適用した引越費用推定プログラムの第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する引越費用推定システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。
　第２実施形態では、例えば図１２に示すように、上述した参照用搬送量情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定するものである。
　参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、その審査対象の企業の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよく、例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。
　図１２の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用外部環境情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用外部環境情報が組み合わさったものが、図１２に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用外部環境情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図１２に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用外部環境情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１２に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、ある参照用外部環境情報である場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図１２に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用外部環境情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、外部環境情報とを取得する。ここで外部環境情報は、引越を依頼する依頼者の希望に基づいて都度入力してもよい。
　このようにして新たに取得した搬送量情報と、外部環境情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図１２（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　第２実施形態では、例えば図１３に示すように、上述した参照用搬送量情報と、参照用市況情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定するものである。
　参照用市況情報とは、市況に関する様々な情報である。ここでいう市況は、一企業、またその企業を含む業界全体、或いは日本全体、世界全体までいかなる範囲をターゲットにしてもよい。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、PER（株価収益率）、PBR（株価純資産倍率）、ROE（株主資本利益率）等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。参照用市況情報は、市場将来性自体を類型化しておくようにしてもよい。つまり図８の参照用市況情報Ｐ２６～Ｐ２９は類型別に分類した情報であってもよく、例えば、株価の伸び率が年〇％以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン（例えば、株価の伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。
　図１３の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用市況情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用市況情報が組み合わさったものが、図１３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用市況情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用市況情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図１３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用市況情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１３に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、ある参照用市況情報である場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図１３に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用市況情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、市況情報とを取得する。ここで市況情報は、引越を依頼する依頼者の希望に基づいて都度入力してもよい。
　このようにして新たに取得した搬送量情報と、市況情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図１３（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、市況情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　第２実施形態では、例えば図１４に示すように、上述した参照用搬送量情報と、参照用道路状況情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定するものである。
　参照用道路状況情報、道路状況情報とは、引越元及び／又は引越先の道路状況に関する情報である。引越元の家屋、引越先の家屋がそれぞれ面している車道や歩道の道幅、周囲の人通り、車両や人の通行量、駐車スペースの有無等に関する情報である。この参照用道路状況情報には、引越先、引越元の家屋の周囲にある他の家屋の状況も反映される場合がある。このような道路の状況により、引越に利用する車両の駐車位置や作業性にも影響が及び、引越費用に反映される場合もあることからこれらを説明変数として入れたものである。
　図１４の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用道路状況情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用道路状況情報が組み合わさったものが、図１４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用道路状況情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用道路状況情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図１４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用道路状況情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１４に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、ある参照用道路状況情報である場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図１４に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用道路状況情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、道路状況情報とを取得する。
　このようにして新たに取得した搬送量情報と、道路状況情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図１４（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、道路状況情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　第２実施形態では、例えば図１５に示すように、上述した参照用搬送量情報と、参照用広さ情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定するものである。
　参照用広さ情報、広さ情報とは、引越元の家屋の広さに関する情報であり、例えば坪数や専有面積（ｍｍ２）、更には間取り（例えば３ＬＤＫ等）で表されるものであってもよい。参照用搬送量情報に加えて、参照用広さ情報も加われば、実際の搬送量をより高精度に推定することができることから、これを説明変数として加えたものである。
　図１５の例では、入力データとして例えば参照用搬送量情報Ｐ０１～Ｐ０３、参照用広さ情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用搬送量情報に対して、参照用広さ情報が組み合わさったものが、図１５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用搬送量情報と参照用広さ情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報と参照用広さ情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図１５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用搬送量情報と、参照用広さ情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１５に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用搬送量情報に対して、ある参照用広さ情報である場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図１５に示す連関度の例で、ノード６１ｂは、参照用搬送量情報Ｐ０１に対して参照用広さ情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の搬送量情報と、広さ情報とを取得する。
　このようにして新たに取得した搬送量情報と、広さ情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図１５（表１）に示す連関度を参照する。例えば、新たに取得した搬送量情報がＰ０２と同一かこれに類似するものである場合であって、広さ情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また本発明では、上述した参照用搬送量情報に加え、上述した参照用外部環境情報の代わりに参照用資源確保可能性情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度を設定してもよい。ここでいう参照用資源確保可能性情報とは、過去の引越時における上述した物的資源及び／又は人的資源からなる引越資源の確保可能性に関する情報である。物的資源としてのトラックの混み具合や空き具合、予約状況がどの程度であるか、また必要な資材、ダンボールの在庫や備蓄がどの程度であるかを示すものである。また人的資源に関しては、作業員の仕事の入り具合、スケジュール表における予定の埋まり具合、手の空いている作業員の数等に関する情報である。物的資源、人的資源において余裕がない場合は引越の単価が上がる傾向にあることから、これらも説明変数に加えたものである。
　このような参照用資源確保可能性情報とを含む組み合わせと引越費用との３段階以上の連関度を設定しておくことで、上記図１２～図１５と同様に、引越費用を推定するケースにおいて、引越時における引越しに必要な物的資源及び／又は人的資源からなる引越資源の確保可能性に関する資源確保可能性情報の入力を受け付ける。そして参照用資源確保可能性情報とを含む組み合わせと引越費用との３段階以上の連関度を利用し、入力された資源確保可能性情報に応じた参照用資源確保可能性情報に基づき、新たに引越費用を推定する。
　また本発明では、上述した参照用搬送量情報に加え、上述した参照用外部環境情報の代わりに参照用財務情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度を設定してもよい。ここでいう参照用財務情報とは、過去の引越があったときよりも以前に審査を行った企業の過去の財務内容が反映されたものが参照用財務情報である。この参照用財務情報の例としては、その決算内容を提供してもらった引越運営会社の決算書等を始めとしたあらゆる決算に関するデータや、引越代行業者内で保有している売上や利益等の帳簿の数字であり、例えば決算書に記載された帳簿情報、財務情報の数値が中心であり、売上や利益に加え、流動比率、流動負債、自己資本比率　株主資本、総資本、ギアリング比率、有利子負債、自己資本、売上高経常利益率、経常利益、売上高、総資本経常利益率、経常利益、総資本、当期利益額、経常利益増加率、当期経常利益、前期経常利益、売上高、返済能力、債務償還年数、有利子負債、運転資金、キャッシュフロー、営業利益、減価償却費等である。参照用財務情報には、これらの決算書の数値以外に、債務超過になっていないか、役員からの借入金や棚卸資産（在庫）等がどの程度あるか等も含めるようにしてもよい。これらの参照用財務情報は１年分であっても数年分であってもよい。仮に売上等が上がっていない場合には、少し値下げしてでも顧客を獲得した場合があり、引越費用にも影響が出てくるため、これを説明変数として加えたものである。
　このような参照用財務情報とを含む組み合わせと引越費用との３段階以上の連関度を設定しておくことで、上記図１２～図１５と同様に、引越費用を推定するケースにおいて、引越代行業者の財務情報の入力を受け付ける。そして参照用財務情報とを含む組み合わせと引越費用との３段階以上の連関度を利用し、入力された財務情報に応じた参照用財務情報に基づき、新たに引越費用を推定する。
　また本発明では、上述した参照用搬送量情報に加え、上述した参照用外部環境情報の代わりに引越のオプションに関する参照用オプション情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度を設定してもよい。ここでいう参照用オプション情報とは、引越を行う上で、これを業者に委託する顧客側において選択可能なあらゆるサービスを含むものであり、例えばエアコンの脱着、クレーンでの荷物搬送の有無や程度、ピアノ搬送の有無、不用品回収の有無、荷解き、ハウスクリーニング、車や二輪車の輸送の有無とその量、オフィス家具設置工事の有無とその程度等である。
　このような参照用オプション情報とを含む組み合わせと引越費用との３段階以上の連関度を設定しておくことで、上記図１２～図１５と同様に、引越費用を推定するケースにおいて、オプション情報の入力を受け付ける。そして参照用オプション情報とを含む組み合わせと引越費用との３段階以上の連関度を利用し、入力されたオプション情報に応じた参照用オプション情報に基づき、新たに引越費用を推定する。
　また本発明では、上述した参照用搬送量情報に加え、上述した参照用外部環境情報の代わりに引越における引越元又は引越先のそれぞれの住所に関する参照用住所情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度を設定してもよい。ここでいう参照用住所情報とは、引越元又は引越先の住所に関する情報である。住所に応じて、引越の作業単価が異なる場合があることから、これを説明変数として加えている。住所に関する情報は、細かい町、丁目、番地レベルまで言及されたものであってもよいが、これに限定されるものではなく、市区町村レベル、都道府県レベル、更には地方レベルまで拡大したものであってもよい。
　このような参照用住所情報とを含む組み合わせと引越費用との３段階以上の連関度を設定しておくことで、上記図１２～図１５と同様に、引越費用を推定するケースにおいて、住所情報の入力を受け付ける。そして参照用住所情報とを含む組み合わせと引越費用との３段階以上の連関度を利用し、入力された住所情報に応じた参照用住所情報に基づき、新たに引越費用を推定する。
　なお、搬送量情報に加えて、外部環境情報、市況情報、道路状況情報、広さ情報、資源確保可能性情報、財務情報、オプション情報、住所情報との何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報を参照用搬送量情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度からなる学習用データを作っておくことで、同様に引越費用の解探索を行うことができる。
　また搬送量情報に加えて、外部環境情報、市況情報、道路状況情報、広さ情報、資源確保可能性情報、財務情報、オプション情報、住所情報の何れか１以上に加え、更に、第１実施形態における参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度からなる学習用データを作っておくことで、同様に引越費用の解探索を行うことができる。
　また、第２実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図８に示すように、引越に必要な作業量を学習させるようにしてもよい。このような作業量を、上述した参照用搬送量情報や、当該参照用搬送量情報に加え、第２実施形態において説明した各参照用情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越に必要な作業量を推定することができる。
　また、第２実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図９に示すように、引越に必要な物的資源及び／又は人的資源からなる引越資源を学習させるようにしてもよい。このような引越資源を、上述した参照用搬送量情報や、当該参照用搬送量情報に加え、第２実施形態において説明した各参照用情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越に必要な引越資源を推定することができる。この引越資源は、物的資源、人的資源の両方により構成される場合に限定されるものではなく、何れか一方で構成されるものであってもよい。
　第３実施形態
　以下、本発明を適用した引越費用推定プログラムの第３実施形態について説明をする。この第３実施形態を実行する上では、第１実施形態において使用する引越費用推定システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。
　第３実施形態においては、入力データ、即ちニューラルネットワークの入力において、図３に示す参照用搬送量情報の代替として、図１６に示すように参照用広さ情報を出力解としての引越費用との関係において学習させるようにしてもよい。以下に説明する参照用広さ情報、広さ情報は、何れも第２実施形態において説明したものと同様である。
　引越元の家屋の広さが広いほど、家財が多く、その分に応じて搬送量が多くなる場合がある。本実施形態においては、搬送量というパラメータではなく、参照用広さ情報を介して探索解としての引越費用を探索するものである。具体的な探索方法は、第１実施形態と同様であるため、その説明を引用することで以下での説明は省略する。
　図１７は、上述した参照用広さ情報と、参照用距離情報との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度が設定するものである。
　図１７の例では、入力データとして例えば参照用広さ情報Ｐ０１～Ｐ０３、参照用距離情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用広さ情報に対して、参照用距離情報が組み合わさったものが、図１７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、引越費用が表示されている。
　参照用広さ情報と参照用距離情報との各組み合わせ（中間ノード）は、この出力解としての、引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用広さ情報と参照用距離情報がこの連関度を介して左側に配列し、引越費用が連関度を介して右側に配列している。
　推定装置２は、このような図１７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用広さ情報と、参照用距離情報、並びにその場合の引越費用が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１７に示す連関度を作り上げておく。
　例えば、過去にあった実際の引越費用の評価時において、ある参照用広さ情報に対して、ある参照用距離情報である場合に、引越費用が２３３０００円である事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
　図１７に示す連関度の例で、ノード６１ｂは、参照用広さ情報Ｐ０１に対して参照用距離情報Ｐ２２の組み合わせのノードであり、引越費用９５０００円の連関度がｗ１５、引越費用１１９０００円の連関度がｗ１６となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから引越費用の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその引越費用の判別対象の広さ情報と、距離情報とを取得する。
　このようにして新たに取得した広さ情報と、距離情報に基づいて、最適な引越費用を探索する。かかる場合には、予め取得した図１７（表１）に示す連関度を参照する。例えば、新たに取得した広さ情報がＰ０２と同一かこれに類似するものである場合であって、距離情報がＰ２５に対応する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、引越費用９５０００円がｗ１９、引越費用２３３０００円が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い引越費用９５０００円を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる引越費用２３３０００円を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　このように、参照用広さ情報に加えて、第１実施形態における参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報、或いは第２実施形態において説明した参照用外部環境情報、参照用市況情報、参照用道路状況情報、参照用資源確保可能性情報、参照用財務情報、参照用オプション情報、参照用住所情報の何れか１以上との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度からなる学習用データを作っておくことで、同様に引越費用の解探索を行うことができる。
　第３実施形態においては、入力データ、即ちニューラルネットワークの入力において、図３に示す参照用搬送量情報の代替として、図１８に示すように参照用属性情報を出力解としての引越費用との関係において学習させるようにしてもよい。以下に説明する参照用属性情報、属性情報は、何れも第１実施形態において説明したものと同様である。
　参照用属性情報の中でも、特に家族構成によって家財の多寡が決まる場合があり、また家族の人数によっても家財の多寡が支配され、それに応じて搬送量が変化する場合がある。本実施形態においては、搬送量というパラメータではなく、参照用属性情報を介して探索解としての引越費用を探索するものである。具体的な探索方法は、第１実施形態と同様であるため、その説明を引用することで以下での説明は省略する。
　また、図１７に示すように、参照用属性情報に加えて、第１実施形態における参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、或いは第２実施形態において説明した参照用外部環境情報、参照用市況情報、参照用道路状況情報、参照用資源確保可能性情報、参照用財務情報、参照用オプション情報、参照用住所情報の何れか１以上との組み合わせと、当該組み合わせに対する引越費用との３段階以上の連関度からなる学習用データを作っておくことで、同様に引越費用の解探索を行うことができる。
　また、第３実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図８に示すように、引越に必要な作業量を学習させるようにしてもよい。このような作業量を、上述した参照用広さ情報、参照用属性情報や、当該参照用広さ情報、参照用属性情報に加え、各実施形態において説明した各参照用情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越に必要な作業量を推定することができる。
　また、第３実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図９に示すように、引越に必要な物的資源及び／又は人的資源からなる引越資源を学習させるようにしてもよい。このような引越資源を、上述した参照用広さ情報、参照用属性情報や、当該参照用広さ情報、参照用属性情報に加え、第２実施形態において説明した各参照用情報の何れか１以上との組み合わせの連関度で学習させておくことで、上述と同様に引越に必要な引越資源を推定することができる。この引越資源は、物的資源、人的資源の両方により構成される場合に限定されるものではなく、何れか一方で構成されるものであってもよい。
第４実施形態
　図１９の例では、参照用搬送量情報と引越費用との３段階以上の連関度を利用する例である。この連関度のみに着目した場合、図３と同様であるが、この例では更に、参照用搬送量情報とは異なる他の参照用情報がこの引越費用に紐付いている。
　参照用搬送量情報と、引越費用とが互いに紐づけられた連関度が形成されていることが前提となる。図１９の例では、入力データとして例えば参照用搬送量情報Ｐ１１～Ｐ１３であるものとする。このような入力データとしての参照用搬送量情報は、出力に連結している。この出力においては、出力解としての引越費用であるものとする。
　参照用搬送量情報は、この出力解としての引越費用に対して３段階以上の連関度を通じて互いに連関しあっている。参照用搬送量情報がこの連関度を介して左側に配列し、各引越費用が連関度を介して右側に配列している。
　判別装置２は、このような図１９に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用搬送量情報のときにいかなる引越費用であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１９に示す連関度を作り上げておく。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、解を探索することとなる。かかる場合には、撮像した搬送量情報を取得すると共に、他の参照用情報に応じた各情報も同様に取得しておく。
　先ず、新たに取得した搬送量情報に基づいて、引越費用を探索する。かかる場合には、予め取得した図１９に示す連関度を利用する。例えば、新たに取得した搬送量情報が、参照用搬送量情報Ｐ１２と同一かこれに類似するものである場合には、連関度を介して引越費用３０％が連関度ｗ１５、引越費用Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い引越費用Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる品質Ｃを解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。また、この選択する出力解は１つに限られず、２以上選択するものであってもよい。かかる場合には、連関度の上位から順に２以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。
　連関度を通じて求められる引越費用は、更に、参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。
　ここでいう参照用情報とは、第１実施形態、第２実施形態において説明したあらゆる参照用情報が含まれ、例えば、第１実施形態における参照用距離情報、参照用日時情報、参照用荷造り情報、参照用建物構造情報、参照用属性情報、或いは第２実施形態において説明した参照用外部環境情報、参照用市況情報、参照用道路状況情報、参照用資源確保可能性情報、参照用財務情報、参照用オプション情報、参照用住所情報の何れか１以上がこれに含まれる。
　例えば、参照用情報の一つとして、参照用建物構造情報において、引越元又は引越先がマンションの２階であるが、そのマンションがエレベータがない構造であるものする。このような構造であれば、階段を利用して荷物の搬送が必要となり、労力の負担が大きくなり、また作業工数も多くなるため、費用が上がるケースが多い。このとき、搬送量情報から連関度を介して探索されたより低い引越費用に対して（３２０００円）に対して、重み付けを下げる処理を行い、換言すれば引越費用が低い探索解につながらないようにする処理を行うように予め設定しておく。これに対して、例えば参照用資源確保可能性情報において、物的資源、人的資源が共に余っており、容易に確保できそうな状況であるものとする。このとき、搬送量情報から連関度を介した判別結果が、より高い引越費用である場合、当該引越費用への重み付けを下げる処理を行い、換言すれば引越費用が低い探索解につながらないようにする処理を行うように予め設定しておく。
　例えば、参照用情報Ｇが、より低い引越費用を示唆するような分析結果であり、参照用情報Ｆが、より高い引越費用を示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、引越費用の重み付けを下げる処理を行い、換言すれば引越費用そのものを下げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、引越費用の重み付けを上げる処理を行い、換言すれば引越費用そのものを上げる処理を行う。つまり、引越費用につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよいし、搬送量情報と引越費用との間で独立して先ずは引越費用を求め、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての引越費用にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。
　また、参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて引越費用を探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する引越費用がより高いものにつながるケースほど、連関度を介して求められた探索解としての引越費用をより高く修正し、参照用情報の示唆する引越費用がより低いものにつながるケースほど、連関度を介して求められた探索解としての引越費用をより低く修正する。
　また、この第４実施形態においては、あくまで参照用搬送量情報に対する引越費用の連関度を利用し、その他の参照用情報を介してその引越費用に修正を加えるものであるが、これに限定されるものではなく、第３実施形態において説明したように、参照用広さ情報、参照用属性情報の何れか１つに対する引越費用の連関度を利用し、その他の参照用情報を介してその引越費用に修正を加えるものであってもよい。
　更にこの第４実施形態においては、第１～３実施形態と組み合わせて引越費用を判断するようにしてもよい。即ち、第４実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第１～３実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる引越費用を探索するようにしてもよい。
　また、第４実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図８に示すように、引越に必要な作業量を学習させるようにしてもよい。第４実施形態においても、探索解、即ちニューラルネットワークの出力において、引越費用の代替として、例えば図９に示すように、引越に必要な物的資源及び／又は人的資源からなる引越資源を学習させるようにしてもよい。
１　引越費用推定システム
２　推定装置
２１　内部バス
２３　表示部
２４　制御部
２５　操作部
２６　通信部
２７　推定部
２８　記憶部
６１　ノード
 

Claims (12)

  1. 　引越費用を推定する引越費用推定プログラムにおいて、
    　引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得ステップと、
    　過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越費用との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、引越費用を推定する推定ステップとをコンピュータに実行させること
    　を特徴とする引越費用推定プログラム。
  2. 　上記情報取得ステップ及び上記推定ステップでは、上記搬送対象となる家財の種類として、電気製品であるか否か、取扱注意品であるか否か、割れ物であるか否か、ピアノであるか否か、の何れか１以上を判別すること
    　を特徴とする請求項１記載の引越費用推定プログラム。
  3. 　上記情報取得ステップでは、音声又は手入力により入力された上記家財の種類及び／又は量から関連付けられる搬送量情報を取得し、
    　上記推定ステップでは、過去において入力された上記家財の種類及び／又は量から関連付けられる参照用搬送量情報を取得すること
    　を特徴とする請求項１又は２記載の引越費用推定プログラム。
  4. 　上記情報取得ステップでは、引越元から引越先までの距離情報を取得し、
    　上記推定ステップでは、上記参照用搬送量情報と、上記参照用搬送量情報を取得する際の引越における引越元から引越先までの参照用距離情報とを有する組み合わせと、上記引越費用との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した距離情報に応じた参照用距離情報に基づき、引越費用を推定すること
    　を特徴とする請求項１～３のうち何れか１項記載の引越費用推定プログラム。
  5. 　上記情報取得ステップでは、引越日時に関する日時情報を取得し、
    　上記推定ステップでは、上記参照用搬送量情報と、上記参照用搬送量情報を取得する際の引越における引越日時に関する参照用日時情報とを有する組み合わせと、上記引越費用との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した日時情報に応じた参照用日時情報に基づき、引越費用を推定すること
    　を特徴とする請求項１～３のうち何れか１項記載の引越費用推定プログラム。
  6. 　上記情報取得ステップでは、引越の際における荷造りサービスの提供度合に関する荷造り情報を取得し、
    　上記推定ステップでは、上記参照用搬送量情報と、上記参照用搬送量情報を取得する際の引越の際における荷造りサービスの提供度合に関する参照用荷造り情報とを有する組み合わせと、上記引越費用との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した荷造り情報に応じた参照用荷造り情報に基づき、引越費用を推定すること
    　を特徴とする請求項１～３のうち何れか１項記載の引越費用推定プログラム。
  7. 　上記情報取得ステップでは、引越元又は引越先の建物の構造に関する建物構造情報を取得し、
    　上記推定ステップでは、上記参照用搬送量情報と、上記参照用搬送量情報を取得する際の引越の引越元又は引越先の建物の構造に関する参照用建築構造情報とを有する組み合わせと、上記引越費用との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した建築構造情報に応じた参照用建築構造情報に基づき、引越費用を推定すること
    　を特徴とする請求項１～３のうち何れか１項記載の引越費用推定プログラム。
  8. 　上記情報取得ステップでは、上記引越の依頼者の属性に関する属性情報を取得し、
    　上記推定ステップでは、上記参照用搬送量情報と、上記参照用搬送量情報を取得する際の引越の依頼者の属性に関する参照用属性情報とを有する組み合わせと、上記引越費用との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した属性情報に応じた参照用属性情報に基づき、引越費用を推定すること
    　を特徴とする請求項１～３のうち何れか１項記載の引越費用推定プログラム。
  9. 　上記推定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
    　を特徴とする請求項１～８のうち何れか１項記載の引越費用推定プログラム。
  10. 　引越の作業量を推定する引越作業量推定プログラムにおいて、
    　引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得ステップと、
    　過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越に必要な作業量との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、作業量を推定する推定ステップとをコンピュータに実行させること
    　を特徴とする引越作業量推定プログラム。
  11. 　引越に必要な引越資源を推定する引越資源推定プログラムにおいて、
    　引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得ステップと、
    　過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越に必要な物的資源及び／又は人的資源からなる引越資源との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、引越資源を推定する推定ステップとをコンピュータに実行させること
    　を特徴とする引越資源推定プログラム。
  12. 　引越費用を推定する引越費用推定システムにおいて、
    　引越元の家屋内の搬送対象となる家財の種類及び／又は量から関連付けられる搬送量情報を取得する情報取得手段と、
    　過去において取得した引越元の家屋内の搬送対象となる家財の種類及び／又は量とから関連付けられる参照用搬送量情報と、引越費用との３段階以上の連関度を利用し、上記情報取得手段により取得された搬送量情報に応じた参照用搬送量情報に基づき、上記連関度のより高いものを優先させて、引越費用を推定する推定手段とを備えること
    　を特徴とする引越費用推定システム。
PCT/JP2021/029978 2020-08-17 2021-08-17 引越費用推定プログラム及びシステム WO2022039141A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-137547 2020-08-17
JP2020137547A JP2022033574A (ja) 2020-08-17 2020-08-17 引越費用推定プログラム及びシステム

Publications (1)

Publication Number Publication Date
WO2022039141A1 true WO2022039141A1 (ja) 2022-02-24

Family

ID=80350415

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/029978 WO2022039141A1 (ja) 2020-08-17 2021-08-17 引越費用推定プログラム及びシステム

Country Status (2)

Country Link
JP (1) JP2022033574A (ja)
WO (1) WO2022039141A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001357257A (ja) * 2000-06-16 2001-12-26 Hikkoshi Service:Kk 引越しサービスシステム
JP2013016140A (ja) * 2011-06-30 2013-01-24 Chuo Hikkoshi Center Co Ltd 引っ越し作業依頼契約の契約内容確認書面作成システム
JP2019067296A (ja) * 2017-10-04 2019-04-25 ヤマトホームコンビニエンス株式会社 引越し見積りシステム、引越し見積り方法、および引越し見積りプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001357257A (ja) * 2000-06-16 2001-12-26 Hikkoshi Service:Kk 引越しサービスシステム
JP2013016140A (ja) * 2011-06-30 2013-01-24 Chuo Hikkoshi Center Co Ltd 引っ越し作業依頼契約の契約内容確認書面作成システム
JP2019067296A (ja) * 2017-10-04 2019-04-25 ヤマトホームコンビニエンス株式会社 引越し見積りシステム、引越し見積り方法、および引越し見積りプログラム

Also Published As

Publication number Publication date
JP2022033574A (ja) 2022-03-02

Similar Documents

Publication Publication Date Title
JP2021163002A (ja) 商品需要予測プログラム
JP2022007877A (ja) 不動産取引価格提案プログラム
JP2021144357A (ja) 不動産ローン借り換え融資条件提案プログラム
WO2022039141A1 (ja) 引越費用推定プログラム及びシステム
JP6797434B1 (ja) 引越費用推定プログラム及びシステム
JP2022033575A (ja) 引越費用推定プログラム
JP2022033577A (ja) 引越費用推定プログラム
JP2022033576A (ja) 引越費用推定プログラム
WO2020226003A1 (ja) 融資先信用度判定プログラム及びシステム
JP2021174265A (ja) 宿泊料の増減率判定プログラム
JP6773346B1 (ja) 入居推薦業者提案プログラム、不動産取引価格提案プログラム
Silahtaroğlu Implementing adaptive strategies of decision support systems during crises
WO2022085612A1 (ja) 不動産取引価格提案プログラム
WO2022065363A1 (ja) 不正経費検出プログラム
JP6955286B1 (ja) 不正経費検出プログラム
JP7122768B2 (ja) 物品購買タイミング提案プログラム
JP2021140202A (ja) 不動産融資条件提案プログラム
JP2021140800A (ja) 不動産融資可否判断プログラム
JP2021163003A (ja) 物流拠点商品配送計画プログラム
WO2020226004A1 (ja) 株取引情報表示プログラム及びシステム
JP2022066713A (ja) 空き家取引価格提案プログラム
JP2022108346A (ja) 商品需要予測プログラム
JP2022066712A (ja) 不動産騰落率予測プログラム及びシステム
JP2022108347A (ja) 商品需要予測プログラム
JP2022052880A (ja) 不正経費検出プログラム

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: 21858285

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM A1205A DATED 15.06.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21858285

Country of ref document: EP

Kind code of ref document: A1