WO2023053684A1 - ゴミ収集システムおよび学習済みモデル - Google Patents

ゴミ収集システムおよび学習済みモデル Download PDF

Info

Publication number
WO2023053684A1
WO2023053684A1 PCT/JP2022/028209 JP2022028209W WO2023053684A1 WO 2023053684 A1 WO2023053684 A1 WO 2023053684A1 JP 2022028209 W JP2022028209 W JP 2022028209W WO 2023053684 A1 WO2023053684 A1 WO 2023053684A1
Authority
WO
WIPO (PCT)
Prior art keywords
garbage
amount
district
type
truck
Prior art date
Application number
PCT/JP2022/028209
Other languages
English (en)
French (fr)
Inventor
宏昌 北井
裕人 赤塚
雅之 寺田
もとこ 鈴木
貴子 小湊
Original Assignee
株式会社Ｎｔｔドコモ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2023550406A priority Critical patent/JPWO2023053684A1/ja
Publication of WO2023053684A1 publication Critical patent/WO2023053684A1/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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Definitions

  • the present disclosure relates to a garbage collection system with a function of predicting the amount of garbage in each pre-divided area, and a trained model used in the garbage collection system. Furthermore, the garbage collection system can also have a function of optimizing the garbage collection route according to the estimated amount of garbage for each area.
  • Patent Document 1 does not describe a technique from the viewpoint of accurately predicting the amount of garbage in each area to be collected for each garbage type as a premise for efficient garbage collection. There is a long-awaited technology for accurately predicting the amount of garbage in each area to be collected for each garbage type.
  • the present disclosure has been made to solve the above problems, and aims to accurately predict the amount of garbage in each area to be collected for each garbage type.
  • the applicant utilizes population transition data, based on the knowledge that the amount of garbage discharged (that is, the amount of garbage to be collected (hereinafter referred to as "amount of garbage")) fluctuates according to the population transition.
  • amount of garbage the amount of garbage discharged
  • the garbage collection system includes a data acquisition unit that acquires population transition data for each district divided in advance, and garbage amount performance data for each district and each garbage type, and and a garbage amount prediction unit for predicting the garbage amount in each district for each garbage type based on the population change data for each district and the actual garbage amount data for each district and each garbage type.
  • the data acquisition unit acquires population transition data for each district and actual garbage amount data for each district and garbage type, and the garbage amount prediction unit obtains the acquired population for each district.
  • the amount of garbage in each area is predicted for each garbage type based on the transition data and the actual garbage amount data for each area and each garbage type.
  • machine learning is used to generate a garbage amount prediction model for each garbage type to predict the amount of garbage in each district, and using the generated garbage amount prediction model,
  • the amount of garbage in each area may be predicted for each garbage type. As described above, it is possible to accurately predict the "garbage amount in each district", which fluctuates according to the population transition represented by the population transition data, for each garbage type.
  • FIG. 10 is a diagram showing an example of determination of a garbage collection route in which both the total distance traveled and the total number of vehicles are optimized;
  • FIG. 10 is a diagram showing an example of determination of garbage collection routes in which only the total number of vehicles is optimized;
  • FIG. 10 is a diagram showing an example of determining a garbage collection route in which both the total travel distance and the total number of vehicles have not been optimized;
  • FIG. 10 is a diagram showing an example of determination of a garbage collection route in which both the total travel distance and the total number of vehicles have not been optimized;
  • FIG. 11 is a functional block configuration diagram of a garbage collection system in modification 1; (a) is a diagram for explaining generation of a garbage collection route determination model by machine learning, and (b) is a diagram for explaining determination of a garbage collection route using the garbage collection route determination model.
  • FIG. 11 is a flowchart showing a garbage collection route determination process in Modification 1;
  • FIG. 11 is a functional block configuration diagram of a garbage collection system in modification 2; It is a figure which shows the hardware configuration example of each apparatus contained in a garbage collection system.
  • the garbage collection system 1 includes a garbage amount prediction device 10 that predicts the amount of garbage, and a garbage collection route determination device 20 that decides the garbage collection route.
  • a garbage collection route determination device 20 that decides the garbage collection route.
  • peripheral devices of the garbage collection system 1 there are a population statistics server 30, a garbage collection amount record history server 40, and a management server 50.
  • FIG. The demographics server 30 is a server that acquires and provides population transition data representing population transitions in pre-divided districts using a wireless network system used by a user's mobile terminal.
  • the garbage collection amount record history server 40 is a server that acquires and provides garbage amount record data and the like for each mesh and for each garbage type, and is deployed for each mesh, for example.
  • the management server 50 stores a variety of management information (for example, the starting point and destination of garbage trucks, positional information on garbage collection locations for each mesh, and the amount of collectable garbage for each garbage truck (hereinafter referred to as “capacity” in the sense of “capacity”). ”) and information on the number of personnel and vehicles that can be dispatched).
  • management information for example, the starting point and destination of garbage trucks, positional information on garbage collection locations for each mesh, and the amount of collectable garbage for each garbage truck (hereinafter referred to as “capacity” in the sense of “capacity”). ”) and information on the number of personnel and vehicles that can be dispatched).
  • the garbage amount prediction device 10 includes a data acquisition unit 11, a garbage amount prediction unit 12, and an information transmission unit 13, and the garbage collection route determination device 20 includes an information acquisition unit 21, collection route determination A section 22 and an information output section 23 are included. The function of each part will be described below.
  • the data acquisition unit 11 acquires population change data for each mesh divided in advance from the population statistics server 30, and acquires garbage amount performance data for each mesh and for each garbage type from the garbage collection amount performance history server 40.
  • garbage type means the type of garbage such as combustible garbage, non-combustible garbage, recyclable garbage, and oversized garbage.
  • the garbage amount prediction unit 12 predicts the amount of garbage for each mesh for each garbage type based on the population change data for each mesh and the actual garbage amount data for each mesh and for each garbage type obtained by the data acquisition unit 11. It is a functional part. Details of the prediction processing by the dust amount prediction unit 12 will be described later with reference to FIG.
  • the information transmission unit 13 is a functional unit that transmits to the garbage collection route determination device 20 information on the garbage amount prediction value for each mesh and for each garbage type obtained by the prediction processing by the garbage amount prediction unit 12 .
  • the information acquisition unit 21 is a functional unit that acquires various information necessary for determining the garbage collection route. For example, the information acquisition unit 21 acquires from the information transmission unit 13 the information of the garbage amount prediction value for each mesh and for each garbage type, and obtains the departure point and destination of the garbage truck used for garbage collection and the garbage amount for each mesh. Acquire from the management server 50 location information on collection locations, information on the amount of garbage that can be collected (capacity) for each garbage truck, and information on the number of personnel and vehicles that can be dispatched. The information of the previously obtained rule for determining the number is acquired from the garbage collection amount record history server 40 . It should be noted that the above rule information does not need to be acquired each time, and may be acquired each time there is a revision.
  • the collection route determining unit 22 is a functional unit that determines, for each type of garbage, the garbage collection route for each garbage truck and the allocation of personnel to each garbage truck.
  • the garbage collection route determination process by the collection route determination unit 22 includes (a) solving an optimization problem that minimizes an evaluation function whose output values are the total distance traveled by garbage trucks and the total number of garbage trucks. , a method for determining the garbage collection route for each garbage truck; and determining the garbage collection route for each garbage truck using the method.
  • the "total number of garbage trucks” means that one garbage truck reaches its destination (garbage disposal site) as “total number of 1 truck", and then moves to the garbage collection site again. It means the number obtained by counting as "2 units in total” when garbage is collected and the destination (garbage disposal site) is reached again.
  • the collection route determination unit 22 further determines the amount of garbage collected by each garbage truck, which is determined according to the determined garbage collection route, and the required number of personnel according to the amount of garbage to be collected, for each garbage type. Determine the staffing of each garbage truck based on pre-determined rules for
  • the information output unit 23 is a functional unit that outputs information on the garbage collection route for each garbage collection vehicle determined by the collection route determination unit 22 and the personnel allocation to each garbage collection vehicle.
  • the "output" can adopt various forms such as display on a display, voice output from a speaker, printing to a printer, and data output to an external device.
  • the execution timing of this process is arbitrary, and various patterns can be adopted, such as the timing at which a pre-scheduled time has come, the timing at which the operator of the dust amount prediction device 10 inputs a start command, and the like.
  • the population statistics server 30 provides population transition data for each mesh to the garbage amount prediction device 10 (step S1), and the data acquisition unit 11 of the garbage amount prediction device 10 acquires the provided data.
  • the garbage collection amount record history server 40 provides the garbage amount prediction device 10 with the garbage amount record data for each mesh and for each garbage type (step S2), and the data acquisition unit 11 of the garbage amount prediction device 10 provides Get the above data.
  • the dust amount prediction unit 12 generates and stores the dust amount prediction model 12A for each dust type as follows (step S3).
  • the garbage amount prediction unit 12 uses the population transition data for each mesh in a past predetermined period (for example, from the previous garbage collection date to the current garbage collection date) as an explanatory variable.
  • the garbage amount prediction model 12A for predicting the garbage amount for each mesh is generated by performing machine learning for each garbage type using the garbage amount actual data for each mesh and for each garbage type in the predetermined period as an objective variable. Generate for each type.
  • the garbage collection timing (day of the week) differs for each garbage type, so the processes after step S4 in FIG. 2 are executed at different timings for each garbage type.
  • An example in which combustible garbage is targeted as the garbage type will be described below, but the same processing is applied to garbage types other than combustible garbage.
  • the population statistics server 30 performs the prediction target period (for example, The population transition data for each mesh from the previous garbage collection day to the garbage collection day) is provided to the garbage amount prediction device 10 (step S4), and the data acquisition unit 11 of the garbage amount prediction device 10 obtains the provided above The population transition data for each mesh is acquired, and the garbage amount prediction unit 12, as shown in FIG. By inputting population transition data, the amount of garbage for each mesh related to the target garbage type (combustible garbage) is predicted.
  • Information on the predicted amount of dust for each mesh and for the type of dust of interest obtained by this prediction is transferred from the dust amount prediction unit 12 to the information transmission unit 13, and the information transmission unit 13 transmits the predicted value of the amount of dust for each mesh and for the type of dust of interest.
  • Information on the predicted amount of dust is sent to the dust collection route determination device 20 (step S6).
  • the management server 50 stores the starting point and destination of garbage trucks used for garbage collection, location information on garbage collection locations for each mesh, information on the collection capacity (capacity) for each garbage truck, and Information on the number of personnel and the number of vehicles that can be dispatched is sent to the garbage collection route determination device 20 (step S7), and the garbage collection amount record history server 40 receives information on rules regarding the required number of personnel according to the amount of garbage to be collected. It is transmitted to the garbage collection route determination device 20 (step S8). It should be noted that step S8 does not have to be executed each time, and may be executed each time the above rule is revised.
  • the information acquisition unit 21 of the garbage collection route determination device 20 acquires the above-mentioned various information and transfers it to the collection route determination unit 22, and the collection route determination unit 22 determines the target garbage type ( Combustible garbage), determine the garbage collection route for each garbage truck and assign personnel to each garbage truck (step S9).
  • the collection route determination unit 22 as shown on the left side of FIG. Based on the location information of the garbage collection point, the location information of the destination (garbage disposal site) of the garbage collection vehicle, and the number of vehicles and personnel that can move on the day of garbage collection, the garbage collection route for each garbage truck to be dispatched is determined.
  • the garbage collection for each garbage truck that is dispatched is solved.
  • Determine route In addition, the collection route determining unit 22 sets the upper limit of the number of personnel that can be dispatched based on the amount of garbage collected by each garbage truck based on the determined garbage collection route and the rule information on the required number of personnel according to the amount of garbage collected. Within the range of , determine the allocation of personnel to each garbage truck. Then, the determined information on the garbage collection route and personnel assignment for each garbage truck is transferred from the collection route determination unit 22 to the information output unit 23, and the information output unit 23 outputs the garbage collection route and personnel assignment for each garbage truck.
  • Placement information is output (step S10). For example, it is displayed on an operator terminal (not shown) of the garbage collection route determination device 20, so that the operator can recognize the optimized garbage collection route and staffing for each garbage truck as illustrated in FIG. It is possible to realize garbage collection operation by optimal staffing and garbage collection routes.
  • FIG. The collection route determining unit 22 determines a garbage collection route that minimizes the total distance traveled and the total number of garbage trucks. , is a garbage collection route optimized so that garbage is collected within the range of the collectible amount (capa), and both the total traveling distance and the total number of garbage trucks are minimized.
  • the garbage collection route determination example shown in FIG. 6 is optimized so that the total number of garbage trucks is the same as in FIG. Cages are non-optimized garbage collection paths.
  • the total number of garbage trucks is larger than that in FIGS. 4 vehicles", which is not optimized, and the total distance traveled is also not optimized.
  • Modification 1 In the first modification, when the collection route determining unit 22 determines the garbage collection route, the above-described method (b) “using machine learning to create a garbage collection route decision model for deciding the garbage collection route for each garbage truck” is used. generating and determining a garbage collection route for each garbage truck using a garbage collection route determination model”.
  • the collection route determination unit 22 in the garbage collection system 1 according to Modification 1, the collection route determination unit 22 generates a garbage collection route determination model 22A for determining the garbage collection route as follows, and stores and manages the model 22A. . More specifically, as shown in FIGS. 9(a) and 10, the collection route determining unit 22 determines, for each type of garbage, the location information at the time of past collection route determination and the collectible amount for each garbage truck. Information and the predicted amount of garbage for each mesh are used as explanatory variables, and the garbage collection route for each garbage truck determined when the collection route is determined is used as the objective variable to perform machine learning. A garbage collection route determination model 22A for determining collection routes is generated (step S9A in FIG. 10). Then, as shown in FIGS.
  • the collection route determining unit 22 stores the above position information at the present time and the collectible amount of each garbage truck in the generated garbage collection route determination model 22A. By inputting the information and the garbage amount prediction value for each mesh, the garbage collection route for each garbage truck is determined (step S9B in FIG. 10). Furthermore, the collection route determining unit 22 determines the amount of garbage collected by each garbage truck based on the garbage collection route that has been determined, and the rule information on the required number of personnel according to the garbage collection amount. Determine staffing (step S9C in FIG. 10).
  • a garbage collection route determination model for determining a garbage collection route is generated based on the predicted value of the amount of garbage for each mesh that can be accurately predicted, and the generated garbage collection route is determined.
  • the model it is possible to determine a garbage collection route that optimizes both the total travel distance and the total number of vehicles as shown in FIG. 5 among the three examples shown in FIGS.
  • we appropriately assign personnel to each garbage truck. can be determined to
  • the garbage collection system 1 includes the garbage amount prediction device 10 and the garbage collection route determination device 20 as shown in FIGS. 1 and 8, and the garbage collection system 1 is shown in FIG. It may be composed of a single device as follows. In that case, the information transmission unit 13 and the information acquisition unit 21 for transmitting and receiving information between devices are omitted, and the collection route determination unit 22 is used for the garbage amount prediction unit 12, the garbage collection amount history history server 40, and the management server 50. Information may be obtained directly from each of them.
  • the garbage collection system 1 having such a configuration can also perform processing similar to that of the garbage collection system 1 shown in FIGS. 1 and 8, and can obtain similar effects.
  • the garbage amount prediction model 12A (FIGS. 1, 8, and 11) and the garbage collection route determination model 22A (FIG. 8) are both so-called learned models, and are program modules that are part of artificial intelligence software. It is expected to be used as That is, these trained models are "computer instructions" used in a computer having a processor (CPU) and memory as shown in FIG. ), i.e., a computer program that causes a computer to function.
  • the above trained model is a combination of the structure of the neural network and parameters (weighting coefficients) that are strengths of connections between neurons of the neural network.
  • the processor (CPU) of the computer uses the population transition data for each mesh in the prediction target period as an input value according to the instruction from the garbage amount prediction model 12A stored in the memory, and the target garbage type for each mesh. It operates to output a dust amount prediction value.
  • the processor (CPU) of the computer in accordance with the instructions from the garbage collection route determination model 22A stored in the memory, predicts the amount of garbage of the target garbage type on the day of garbage collection, the departure point, destination and area of the garbage truck. Positional information about each garbage collection place and information on the collectible amount of each garbage truck are used as input values, and the garbage collection route for each garbage truck of the target garbage type is output.
  • each functional block may be implemented using one device that is physically or logically coupled, or directly or indirectly using two or more devices that are physically or logically separated (e.g. , wired, wireless, etc.) and may be implemented using these multiple devices.
  • a functional block may be implemented by combining software in the one device or the plurality of devices.
  • Functions include judging, determining, determining, calculating, calculating, processing, deriving, investigating, searching, checking, receiving, transmitting, outputting, accessing, resolving, selecting, choosing, establishing, comparing, assuming, expecting, assuming, Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc. can't
  • a functional block (component) that makes transmission work is called a transmitting unit or transmitter.
  • the implementation method is not particularly limited.
  • the garbage amount prediction device in the garbage collection system of the present disclosure may function as a computer that performs the processing in this embodiment.
  • FIG. 12 is a diagram showing a hardware configuration example of the dust amount prediction device 10. As shown in FIG.
  • the dust amount prediction device 10 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the garbage amount prediction device 10 will be described below as an example, the same applies to other devices (garbage collection route determination device 20) that constitute the garbage collection system.
  • the term "apparatus” can be read as a circuit, device, unit, or the like.
  • the hardware configuration of the dust amount prediction device 10 may be configured to include one or more of each device shown in the figure, or may be configured without some of the devices.
  • Each function of the dust amount prediction device 10 is performed by the processor 1001 performing calculations, controlling communication by the communication device 1004, It is realized by controlling at least one of data reading and writing in the memory 1002 and the storage 1003 .
  • the processor 1001 for example, operates an operating system and controls the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the processor 1001 reads programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • software modules software modules
  • data etc.
  • the program a program that causes a computer to execute at least part of the operations described in the above embodiments is used.
  • FIG. Processor 1001 may be implemented by one or more chips. Note that the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disc such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disc, a magneto-optical disc (for example, a compact disc, a digital versatile disc, a Blu-ray disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database including at least one of memory 1002 and storage 1003, or other suitable medium.
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called a network device, a network controller, a network card, a communication module, or the like.
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (eg, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured using a single bus, or may be configured using different buses between devices.
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Input/output information may be stored in a specific location (for example, memory) or managed using a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean that "A and B are different from C”.
  • Terms such as “separate,” “coupled,” etc. may also be interpreted in the same manner as “different.”
  • Garbage collection system 10 Garbage amount prediction device 11 Data acquisition unit 12 Garbage amount prediction unit 12A Garbage amount prediction model 13 Information transmission unit 20 Garbage collection route determination device 21 Information Acquisition unit 22 Collection route determination unit 22A Garbage collection route determination model 23 Information output unit 30 Population statistics server 40 Garbage collection amount history server 50 Management server 1001 Processor 1002 Memory 1003 Storage 1004 Communication device 1005 Input device 1006 Output device 1007 Bus.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Refuse Collection And Transfer (AREA)

Abstract

ゴミ収集システム（１）は、予め区割りされた地区ごとの人口推移データ、並びに、地区ごとおよびゴミ種別ごとのゴミ量実績データを取得するデータ取得部（１１）と、データ取得部（１１）により取得された、地区ごとの人口推移データ並びに地区ごとおよびゴミ種別ごとのゴミ量実績データに基づいて、地区ごとのゴミ量をゴミ種別ごとに予測するゴミ量予測部（１２）と、を備える。

Description

ゴミ収集システムおよび学習済みモデル
　本開示は、予め区割りされた地区ごとのゴミ量を予測する機能を備えたゴミ収集システム、および当該ゴミ収集システムにて利用される学習済みモデルに関する。さらに、上記ゴミ収集システムは、地区ごとのゴミ量予測値に応じてゴミ収集経路を最適化する機能も備えることができる。
　従来より、日常生活において出されるゴミをより効率良く収集するという課題が存在する。また、近年の新型コロナウイルス蔓延に伴う在宅勤務者の激増により、家庭から出されるゴミの量が増加している。そのため、増加するゴミを効率良く収集するための技術が提案されている（下記の特許文献１参照）。
特開２０２０－００４０７６号公報
　しかし、特許文献１には、ゴミを効率良く収集するための前提として、収集対象となる地区ごとのゴミ量をゴミ種別ごとに精度良く予測するという観点からの技術は記載されておらず、このように収集対象となる地区ごとのゴミ量をゴミ種別ごとに精度良く予測する技術が待望されている。
　本開示は、上記課題を解決するために成されたものであり、収集対象となる地区ごとのゴミ量をゴミ種別ごとに精度良く予測することを目的とする。
　ユーザの携帯端末により利用される無線ネットワークのしくみを使用して、予め区割りされた地区ごとの人口の推移を表す人口推移データを取得する技術が存在する。そこで、出願人は、人口推移データを活用し、人口の推移に応じて排出されるゴミ量（即ち、収集すべきゴミ量（以下「ゴミ量」と称する））が変動するという知見に基づいて、以下のような、地区ごとのゴミ量をゴミ種別ごとに精度良く予測する技術を発明した。
　本開示に係るゴミ収集システムは、予め区割りされた地区ごとの人口推移データ、並びに、前記地区ごとおよびゴミ種別ごとのゴミ量実績データを取得するデータ取得部と、前記データ取得部により取得された、前記地区ごとの人口推移データ並びに前記地区ごとおよび前記ゴミ種別ごとのゴミ量実績データに基づいて、前記地区ごとのゴミ量を前記ゴミ種別ごとに予測するゴミ量予測部と、を備える。
　上記のゴミ収集システムでは、データ取得部が、地区ごとの人口推移データ、並びに、地区ごとおよびゴミ種別ごとのゴミ量実績データを取得し、ゴミ量予測部が、取得された、地区ごとの人口推移データ並びに地区ごとおよびゴミ種別ごとのゴミ量実績データに基づいて、地区ごとのゴミ量をゴミ種別ごとに予測する。ここでの「ゴミ量予測」は、一例として、機械学習により、地区ごとのゴミ量を予測するためのゴミ量予測モデルをゴミ種別ごとに生成し、生成されたゴミ量予測モデルを用いて、地区ごとのゴミ量をゴミ種別ごとに予測してもよい。以上のように、人口推移データが表す人口の推移に応じて変動する「地区ごとのゴミ量」をゴミ種別ごとに精度良く予測することができる。
　本開示によれば、収集対象となる地区ごとのゴミ量をゴミ種別ごとに精度良く予測することができる。
ゴミ収集システムの機能ブロック構成図である。 ゴミ収集システムにおいて実行される処理を示すフロー図である。 （ａ）は機械学習によるゴミ量予測モデルの生成を説明するための図であり、（ｂ）はゴミ量予測モデルを用いたゴミ量予測を説明するための図である。 ゴミ収集経路の決定処理を説明するための図である。 走行距離合計値と延べ台数の両方を最適化したゴミ収集経路の決定例を示す図である。 延べ台数のみを最適化したゴミ収集経路の決定例を示す図である。 走行距離合計値と延べ台数の両方とも最適化できていないゴミ収集経路の決定例を示す図である。 変形例１におけるゴミ収集システムの機能ブロック構成図である。 （ａ）は機械学習によるゴミ収集経路決定モデルの生成を説明するための図であり、（ｂ）はゴミ収集経路決定モデルを用いたゴミ収集経路の決定を説明するための図である。 変形例１におけるゴミ収集経路決定処理を示すフロー図である。 変形例２におけるゴミ収集システムの機能ブロック構成図である。 ゴミ収集システムに含まれる各装置のハードウェア構成例を示す図である。
　添付図面を参照しながら本開示に係るゴミ収集システムの実施形態を説明する。
　図１に示すように、ゴミ収集システム１は、ゴミ量を予測するゴミ量予測装置１０と、ゴミ収集経路を決定するゴミ収集経路決定装置２０とを備える。また、ゴミ収集システム１の周辺装置として、人口統計サーバ３０、ゴミ収集量実績履歴サーバ４０および管理サーバ５０が存在する。人口統計サーバ３０は、ユーザの携帯端末により利用される無線ネットワークのしくみ等を使用して、予め区割りされた地区ごとの人口の推移を表す人口推移データを取得し提供するサーバである。なお、本実施形態は、予め区割りされた地区として、予め東西南北方向に沿った境界線でメッシュ状に区割りされた地区（以下「メッシュ」という）を用いた例で説明する。但し、メッシュを用いることは必須ではなく、行政区画の町丁目など、他の区割りされた地区を用いてもよい。ゴミ収集量実績履歴サーバ４０は、メッシュごとおよびゴミ種別ごとのゴミ量実績データ等を取得し提供するサーバであり、例えばメッシュごとに配備されている。管理サーバ５０は、さまざまな管理情報（例えば、ゴミ収集車の出発地、目的地およびメッシュごとのゴミ収集場所に関する位置情報、ゴミ収集車ごとの収集可能量（以後、キャパシティという意味で「キャパ」ともいう）の情報および出動可能な人員数・車両数の情報など）を管理し提供するサーバである。
　さて、ゴミ収集システム１において、ゴミ量予測装置１０は、データ取得部１１、ゴミ量予測部１２、および情報送信部１３を含み、ゴミ収集経路決定装置２０は、情報取得部２１、収集経路決定部２２、および情報出力部２３を含む。以下、各部の機能について説明する。
　データ取得部１１は、予め区割りされたメッシュごとの人口推移データを人口統計サーバ３０から取得するとともに、メッシュごとおよびゴミ種別ごとのゴミ量実績データをゴミ収集量実績履歴サーバ４０から取得する機能部である。なお、「ゴミ種別」とは、可燃ゴミ、不燃ゴミ、資源ゴミ、粗大ゴミなどのゴミの種別を意味する。
　ゴミ量予測部１２は、データ取得部１１により取得された、メッシュごとの人口推移データ並びにメッシュごとおよびゴミ種別ごとのゴミ量実績データに基づいて、メッシュごとのゴミ量をゴミ種別ごとに予測する機能部である。ゴミ量予測部１２による予測処理の詳細は、図３を用いて後述する。
　情報送信部１３は、ゴミ量予測部１２による予測処理で得られたメッシュごとおよびゴミ種別ごとのゴミ量予測値の情報をゴミ収集経路決定装置２０へ送信する機能部である。
　情報取得部２１は、ゴミ収集経路決定のために必要なさまざまな情報を取得する機能部である。例えば、情報取得部２１は、メッシュごとおよびゴミ種別ごとのゴミ量予測値の情報を情報送信部１３から取得し、ゴミ収集に使用されるゴミ収集車の出発地、目的地およびメッシュごとのゴミ収集場所に関する位置情報、ゴミ収集車ごとの収集可能量（キャパ）の情報および出動可能な人員数・車両数の情報を管理サーバ５０から取得し、さらに、収集すべきゴミ量に応じて必要人員数を定めるための予め求められたルールの情報をゴミ収集量実績履歴サーバ４０から取得する。なお、上記ルールの情報は毎回取得する必要はなく、改訂が有った際に、その都度取得すればよい。
　収集経路決定部２２は、ゴミ種別ごとに、ゴミ収集車ごとのゴミ収集経路および各ゴミ収集車への人員配置を決定する機能部である。収集経路決定部２２によるゴミ収集経路決定処理には、(a)ゴミ収集車の走行距離合計値およびゴミ収集車の延べ台数を出力値とする評価関数を最小化する最適化問題を解くことで、ゴミ収集車ごとのゴミ収集経路を決定する方法と、(b)機械学習により、ゴミ収集車ごとのゴミ収集経路を決定するためのゴミ収集経路決定モデルを生成し、ゴミ収集経路決定モデルを用いてゴミ収集車ごとのゴミ収集経路を決定する方法とが挙げられる。なお、ゴミ収集車の「延べ台数」とは、１台のゴミ収集車が目的地（ゴミ処理場）へ到達するまでを「延べ台数１台」とし、そこからゴミ収集場所へ再度移動してゴミ収集が行われ、目的地（ゴミ処理場）へ再度到達した場合は「延べ台数２台」としてカウントすることで得られる台数を意味する。
　本実施形態では、上記(a)の方法を説明するが、上記(b)の方法は、後の変形例１において説明する。また、収集経路決定部２２は、さらに、ゴミ種別ごとに、決定されたゴミ収集経路に応じて定まるゴミ収集車ごとのゴミ収集量、および、収集すべきゴミ量に応じて必要人員数を定めるための予め求められたルールに基づいて、各ゴミ収集車への人員配置を決定する。
　情報出力部２３は、収集経路決定部２２により決定されたゴミ収集車ごとのゴミ収集経路および各ゴミ収集車への人員配置の情報を出力する機能部である。ここでの「出力」は、ディスプレイへの表示、スピーカーからの音声出力、プリンタへの印刷、外部装置へのデータ出力など、さまざまな形態を採用できる。
　次に、図２のフロー図に沿って、ゴミ収集システム１において実行される処理を説明する。この処理の実行タイミングは、任意であり、例えば予めスケジュールされた時刻になったタイミング、ゴミ量予測装置１０の操作員が開始コマンドを入力したタイミングなど、さまざまなパターンを採用しうる。
　まず、人口統計サーバ３０は、メッシュごとの人口推移データをゴミ量予測装置１０にデータ提供し（ステップＳ１）、ゴミ量予測装置１０のデータ取得部１１が、提供された上記データを取得する。また、ゴミ収集量実績履歴サーバ４０は、メッシュごとおよびゴミ種別ごとのゴミ量実績データをゴミ量予測装置１０にデータ提供し（ステップＳ２）、ゴミ量予測装置１０のデータ取得部１１が、提供された上記データを取得する。
　次に、ゴミ量予測部１２は、以下のようにして、ゴミ量予測モデル１２Ａをゴミ種別ごとに生成し保管する（ステップＳ３）。例えば、ゴミ量予測部１２は、図３（ａ）に示すように、過去の所定期間（例えば、前回のゴミ収集日から今回のゴミ収集日まで）におけるメッシュごとの人口推移データを説明変数とし、上記の所定期間におけるメッシュごとおよびゴミ種別ごとのゴミ量実績データを目的変数として、ゴミ種別ごとに機械学習を行うことで、メッシュごとのゴミ量を予測するためのゴミ量予測モデル１２Ａをゴミ種別ごとに生成する。
　一般的に、ゴミ種別ごとにゴミ収集タイミング（曜日）が異なるため、図２におけるステップＳ４以降の処理は、ゴミ種別ごとに異なるタイミングで実行される。以下では、ゴミ種別として可燃ゴミを対象とする例を説明するが、可燃ゴミ以外のゴミ種別についても同様の処理となる。
　対象のゴミ種別（ここでは例えば可燃ゴミ）のゴミ収集日当日となり、対象のゴミ種別のゴミ量予測を実行すべきタイミングになったとき等に、人口統計サーバ３０は、予測対象期間（例えば、前回のゴミ収集日からゴミ収集日当日まで）におけるメッシュごとの人口推移データをゴミ量予測装置１０にデータ提供し（ステップＳ４）、ゴミ量予測装置１０のデータ取得部１１が、提供された上記メッシュごとの人口推移データを取得し、ゴミ量予測部１２は、図３（ｂ）に示すように、対象のゴミ種別（可燃ゴミ）のゴミ量予測モデル１２Ａに、予測対象期間におけるメッシュごとの人口推移データを入力することで、対象のゴミ種別（可燃ゴミ）に関するメッシュごとのゴミ量を予測する。この予測で得られたメッシュごとおよび対象のゴミ種別のゴミ量予測値の情報は、ゴミ量予測部１２から情報送信部１３へ転送され、情報送信部１３は、メッシュごとおよび対象のゴミ種別のゴミ量予測値の情報をゴミ収集経路決定装置２０へ送信する（ステップＳ６）。同様に、管理サーバ５０は、ゴミ収集に使用されるゴミ収集車の出発地、目的地およびメッシュごとのゴミ収集場所に関する位置情報、ゴミ収集車ごとの収集可能量（キャパ）の情報、および、出動可能な人員数・車両数の情報をゴミ収集経路決定装置２０へ送信し（ステップＳ７）、ゴミ収集量実績履歴サーバ４０は、収集すべきゴミ量に応じた必要人員数に関するルールの情報をゴミ収集経路決定装置２０へ送信する（ステップＳ８）。なお、ステップＳ８は毎回実行する必要はなく、上記ルールに改訂が有った際に、その都度実行すればよい。
　ゴミ収集経路決定装置２０の情報取得部２１は、上記のさまざまな情報を取得して、収集経路決定部２２へ転送し、収集経路決定部２２は、以下のようにして、対象のゴミ種別（可燃ゴミ）について、ゴミ収集車ごとのゴミ収集経路および各ゴミ収集車への人員配置を決定する（ステップＳ９）。例えば、収集経路決定部２２は、図４の左側に示すような、ゴミ収集当日のメッシュごと、ゴミ種別ごと（ここでは可燃ゴミ）のゴミ量予測値、ゴミ収集車の出発地の位置情報、ゴミ収集地点の位置情報、およびゴミ収集車の目的地（ゴミ処理場）の位置情報、ゴミ収集当日の出動可能な車両数・人員数の情報から、出動するゴミ収集車ごとのゴミ収集経路を変数とし、出動するゴミ収集車の走行距離合計値および出動するゴミ収集車の延べ台数を出力値とする評価関数を最小化する最適化問題を解くことで、出動するゴミ収集車ごとのゴミ収集経路を決定する。また、収集経路決定部２２は、決定されたゴミ収集経路に基づくゴミ収集車ごとのゴミ収集量と、ゴミ収集量に応じた必要人員数のルール情報に基づいて、出動可能な人員数を上限とする範囲内で、各ゴミ収集車への人員配置を決定する。そして、決定されたゴミ収集車ごとのゴミ収集経路および人員配置の情報は、収集経路決定部２２から情報出力部２３へ転送され、情報出力部２３は、ゴミ収集車ごとのゴミ収集経路および人員配置の情報を出力する（ステップＳ１０）。例えば、ゴミ収集経路決定装置２０の図示しないオペレータ用端末に表示出力され、これにより、オペレータは、図５に例示するような最適化されたゴミ収集車ごとのゴミ収集経路および人員配置を認識することができ、最適な人員配置および最適なゴミ収集経路によるゴミ収集の運用を実現することができる。
　ここで、図５～図７を用いて、ゴミ収集経路の決定例を概説する。収集経路決定部２２は、ゴミ収集車の走行距離合計値および延べ台数が最小となるようなゴミ収集経路を決定するが、図５に示すゴミ収集経路の決定例は、各ゴミ収集車には、収集可能量（キャパ）の範囲内でゴミが収集され、ゴミ収集車の走行距離合計値と延べ台数の両方が最小となるように最適化されたゴミ収集経路である。これに対し、図６に示すゴミ収集経路の決定例は、ゴミ収集車の延べ台数が図５と同じ「３台」になるように最適化されているものの、走行距離合計値が大きくなっており最適化されていないゴミ収集経路である。また、図７に示すゴミ収集経路の決定例は、ゴミ収集車のうち２号車が目的地（ゴミ処理場）へ２回到達しているため、延べ台数が図５、図６よりも多い「４台」となっており最適化されておらず、また、走行距離合計値も最適化されていないゴミ収集経路である。
　（本実施形態の効果）
　本実施形態におけるゴミ収集システム１では、人口推移データが表す人口の推移に応じて変動する「メッシュごとのゴミ量」をゴミ種別ごとに精度良く予測することができる。
　また、上記に伴い、精度良く予測できたメッシュごとのゴミ量予測値を基礎としつつ、ゴミ収集車の走行距離合計値および延べ台数を最小化するための最適化問題を解くことで、図５～図７に示す３例のうち、図５に示すような走行距離合計値と延べ台数の両方を最適化したゴミ収集経路を決定することができる。また、決定されたゴミ収集経路に基づくゴミ収集車ごとのゴミ収集量と、予めルール化されたゴミ収集量に応じた必要人員数の情報に基づいて、各ゴミ収集車への人員配置を適切に決定することができる。
　（変形例１）
　変形例１は、収集経路決定部２２がゴミ収集経路を決定する際に、前述した方法(b)「機械学習により、ゴミ収集車ごとのゴミ収集経路を決定するためのゴミ収集経路決定モデルを生成し、ゴミ収集経路決定モデルを用いてゴミ収集車ごとのゴミ収集経路を決定する方法」を採用する例である。
　図８に示すように、変形例１に係るゴミ収集システム１では、収集経路決定部２２が、以下のようにゴミ収集経路を決定するためのゴミ収集経路決定モデル２２Ａを生成し、保管管理する。より具体的には、収集経路決定部２２は、図９（ａ）および図１０に示すように、ゴミ種別ごとに、過去の収集経路決定時における位置情報、ゴミ収集車ごとの収集可能量の情報、および、メッシュごとのゴミ量予測値を説明変数とし、当該収集経路決定時に決定されたゴミ収集車ごとのゴミ収集経路を目的変数として、機械学習を行うことで、ゴミ収集車ごとのゴミ収集経路を決定するためのゴミ収集経路決定モデル２２Ａを生成する（図１０のステップＳ９Ａ）。そして、収集経路決定部２２は、図９（ｂ）および図１０に示すように、生成されたゴミ収集経路決定モデル２２Ａに、現時点での上記の位置情報、ゴミ収集車ごとの収集可能量の情報、および、メッシュごとのゴミ量予測値を入力することで、ゴミ収集車ごとのゴミ収集経路を決定する（図１０のステップＳ９Ｂ）。さらに、収集経路決定部２２は、決定されたゴミ収集経路に基づくゴミ収集車ごとのゴミ収集量、および、ゴミ収集量に応じた必要人員数のルール情報に基づいて、各ゴミ収集車への人員配置を決定する（図１０のステップＳ９Ｃ）。
　以上のような変形例１により、精度良く予測できたメッシュごとのゴミ量予測値を基礎としつつ、ゴミ収集経路を決定するためのゴミ収集経路決定モデルを生成し、生成されたゴミ収集経路決定モデルを利用することで、前述した図５～図７に示す３例のうち、図５に示すような走行距離合計値と延べ台数の両方を最適化したゴミ収集経路を決定することができる。また、決定されたゴミ収集経路に基づくゴミ収集車ごとのゴミ収集量と、予めルール化されたゴミ収集量に応じた必要人員数の情報に基づいて、各ゴミ収集車への人員配置を適切に決定することができる。
　（変形例２）
　ゴミ収集システム１は、図１、図８に示すようにゴミ量予測装置１０とゴミ収集経路決定装置２０とを含んだ構成であることは必須ではなく、ゴミ収集システム１は、図１１に示すように単一の装置で構成してもよい。その場合、装置間の情報の送受信を行う情報送信部１３および情報取得部２１を省略した構成とし、収集経路決定部２２がゴミ量予測部１２、ゴミ収集量実績履歴サーバ４０および管理サーバ５０のそれぞれから直接、情報を取得する構成とすればよい。このような構成のゴミ収集システム１においても、図１、図８に示すゴミ収集システム１と同様の処理を実行可能であり、同様の効果を得ることができる。
　（用語の説明、ハードウェア構成（図１２）の説明など）
　なお、前述したゴミ量予測モデル１２Ａ（図１、図８、図１１）およびゴミ収集経路決定モデル２２Ａ（図８）は共に、いわゆる学習済みモデルであり、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される。即ち、これらの学習済みモデルは、後述する図１２のようなプロセッサ（ＣＰＵ）及びメモリを備えるコンピュータにて用いられる「コンピュータに対する指令」であって、一の結果を得る（所定の処理を実行する）ことができるように組み合わされたもの、すなわち、コンピュータを機能させるコンピュータプログラムである。換言すれば、上記の学習済みモデルは、ニューラルネットワークの構造と当該ニューラルネットワークの各ニューロン間の結びつきの強さであるパラメータ（重み付け係数）との組み合わせである。具体的には、コンピュータのプロセッサ（ＣＰＵ）が、メモリに記憶されたゴミ量予測モデル１２Ａからの指令に従って、予測対象期間におけるメッシュごとの人口推移データを入力値として、対象ゴミ種別のメッシュごとのゴミ量予測値を出力するよう動作する。また、コンピュータのプロセッサ（ＣＰＵ）が、メモリに記憶されたゴミ収集経路決定モデル２２Ａからの指令に従って、ゴミ収集当日における対象ゴミ種別のゴミ量予測値、ゴミ収集車の出発地、目的地および地区ごとのゴミ収集場所に関する位置情報、並びに、ゴミ収集車ごとの収集可能量の情報を入力値として、対象ゴミ種別のゴミ収集車ごとのゴミ収集経路を出力するよう動作する。
　また、上記の実施形態、変形例の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）、送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示のゴミ収集システムにおけるゴミ量予測装置は、本実施形態における処理を行うコンピュータとして機能してもよい。図１２は、ゴミ量予測装置１０のハードウェア構成例を示す図である。上述のゴミ量予測装置１０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。以下、ゴミ量予測装置１０を例にして説明するが、ゴミ収集システムを構成する他の装置（ゴミ収集経路決定装置２０）についても同様である。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。ゴミ量予測装置１０のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　ゴミ量予測装置１０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインタフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、その他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa,　an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１…ゴミ収集システム、１０…ゴミ量予測装置、１１…データ取得部、１２…ゴミ量予測部、１２Ａ…ゴミ量予測モデル、１３…情報送信部、２０…ゴミ収集経路決定装置、２１…情報取得部、２２…収集経路決定部、２２Ａ…ゴミ収集経路決定モデル、２３…情報出力部、３０…人口統計サーバ、４０…ゴミ収集量実績履歴サーバ、５０…管理サーバ、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (8)

  1. 　予め区割りされた地区ごとの人口推移データ、並びに、前記地区ごとおよびゴミ種別ごとのゴミ量実績データを取得するデータ取得部と、
    　前記データ取得部により取得された、前記地区ごとの人口推移データ並びに前記地区ごとおよび前記ゴミ種別ごとのゴミ量実績データに基づいて、前記地区ごとのゴミ量を前記ゴミ種別ごとに予測するゴミ量予測部と、
    　を備えるゴミ収集システム。
  2. 　前記ゴミ量予測部は、
    　過去の所定期間における前記地区ごとの人口推移データを説明変数とし、前記所定期間における前記地区ごとおよびゴミ種別ごとのゴミ量実績データを目的変数として、前記ゴミ種別ごとに機械学習を行うことで、前記地区ごとのゴミ量を予測するためのゴミ量予測モデルを前記ゴミ種別ごとに生成し、
    　生成された前記ゴミ種別ごとのゴミ量予測モデルに、予測対象期間における前記地区ごとの人口推移データを入力することで、前記予測対象期間における前記地区ごとのゴミ量を前記ゴミ種別ごとに予測する、
    　請求項１に記載のゴミ収集システム。
  3. 　前記ゴミ種別ごとに、少なくとも、ゴミ収集に使用されるゴミ収集車の出発地、目的地および地区ごとのゴミ収集場所に関する位置情報、前記ゴミ収集車ごとの収集可能量の情報、並びに、前記ゴミ量予測部による予測で得られた前記地区ごとのゴミ量予測値に基づいて、前記ゴミ収集車ごとのゴミ収集経路を決定する収集経路決定部、
    　をさらに備える請求項１又は２に記載のゴミ収集システム。
  4. 　前記収集経路決定部は、前記ゴミ種別ごとに、
    前記ゴミ収集車ごとのゴミ収集経路を変数とし、前記ゴミ収集車の走行距離合計値および前記ゴミ収集車の延べ台数を出力値とする評価関数を最小化する最適化問題を、
    前記ゴミ収集車の出発地、目的地および地区ごとのゴミ収集場所に関する位置情報、前記ゴミ収集車ごとの収集可能量の情報、および前記地区ごとのゴミ量予測値を制約条件として解くことで、前記ゴミ収集車ごとのゴミ収集経路を決定する、
    　請求項３に記載のゴミ収集システム。
  5. 　前記収集経路決定部は、前記ゴミ種別ごとに、
    過去の収集経路決定時における前記位置情報、前記ゴミ収集車ごとの収集可能量の情報、および、前記地区ごとのゴミ量予測値を説明変数とし、当該収集経路決定時に決定された前記ゴミ収集車ごとのゴミ収集経路を目的変数として、機械学習を行うことで、前記ゴミ収集車ごとのゴミ収集経路を決定するためのゴミ収集経路決定モデルを生成し、生成されたゴミ収集経路決定モデルに、現時点での前記位置情報、前記ゴミ収集車ごとの収集可能量の情報、および、前記地区ごとのゴミ量予測値を入力することで、前記ゴミ収集車ごとのゴミ収集経路を決定する、
    　請求項３に記載のゴミ収集システム。
  6. 　前記収集経路決定部は、さらに、前記ゴミ種別ごとに、
    決定されたゴミ収集経路に応じて定まる前記ゴミ収集車ごとのゴミ収集量、および、予めルール化されたゴミ収集量に応じた必要人員数の情報に基づいて、各ゴミ収集車への人員配置を決定する、
    　請求項３～５の何れか一項に記載のゴミ収集システム。
  7. 　あるゴミ種別の地区ごとのゴミ量予測値を出力するよう、コンピュータを機能させるための学習済みモデルであって、
    　前記地区ごとの過去の人口推移データ実績値を説明変数とし、前記ゴミ種別の前記地区ごとのゴミ量実績値を目的変数とする機械学習により生成され、
    　予測対象期間における前記地区ごとの人口推移データを入力値として、前記ゴミ種別の前記地区ごとのゴミ量予測値を出力するよう、コンピュータを機能させるための学習済みモデル。
  8. 　あるゴミ種別のゴミを収集するゴミ収集車ごとのゴミ収集経路を決定するよう、コンピュータを機能させるための学習済みモデルであって、
    　地区ごとの前記ゴミ種別の過去のゴミ量実績値、前記ゴミ収集車の出発地、目的地および地区ごとのゴミ収集場所に関する位置情報、並びに、前記ゴミ収集車ごとの収集可能量の情報を説明変数とし、過去の前記ゴミ収集車ごとのゴミ収集経路の実績情報を目的変数とする機械学習により生成され、
    　ゴミ収集当日における前記ゴミ種別のゴミ量予測値、前記ゴミ収集車の出発地、目的地および地区ごとのゴミ収集場所に関する位置情報、並びに、前記ゴミ収集車ごとの収集可能量の情報を入力値として、前記ゴミ種別のゴミ収集車ごとのゴミ収集経路を出力するよう、コンピュータを機能させるための学習済みモデル。
PCT/JP2022/028209 2021-09-28 2022-07-20 ゴミ収集システムおよび学習済みモデル WO2023053684A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023550406A JPWO2023053684A1 (ja) 2021-09-28 2022-07-20

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021157923 2021-09-28
JP2021-157923 2021-09-28

Publications (1)

Publication Number Publication Date
WO2023053684A1 true WO2023053684A1 (ja) 2023-04-06

Family

ID=85782252

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/028209 WO2023053684A1 (ja) 2021-09-28 2022-07-20 ゴミ収集システムおよび学習済みモデル

Country Status (2)

Country Link
JP (1) JPWO2023053684A1 (ja)
WO (1) WO2023053684A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911481A (zh) * 2023-07-31 2023-10-20 深圳市新樟环保科技有限公司 基于大数据处理的垃圾收运系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073911A (ja) * 2000-06-01 2002-03-12 Nkk Corp 廃棄物処理施設の計画装置及び計画方法
JP2018193193A (ja) * 2017-05-18 2018-12-06 日本電信電話株式会社 ゴミ収集区間識別装置、ゴミ収集区間識別方法、及びプログラム
JP2020004076A (ja) * 2018-06-28 2020-01-09 富士通フロンテック株式会社 経路算出システム
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法
JP2021082207A (ja) * 2019-11-22 2021-05-27 株式会社タクマ 廃棄物搬入量予測装置、廃棄物搬入量予測方法および廃棄物搬入量予測プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002073911A (ja) * 2000-06-01 2002-03-12 Nkk Corp 廃棄物処理施設の計画装置及び計画方法
JP2018193193A (ja) * 2017-05-18 2018-12-06 日本電信電話株式会社 ゴミ収集区間識別装置、ゴミ収集区間識別方法、及びプログラム
JP2020004076A (ja) * 2018-06-28 2020-01-09 富士通フロンテック株式会社 経路算出システム
JP2021082207A (ja) * 2019-11-22 2021-05-27 株式会社タクマ 廃棄物搬入量予測装置、廃棄物搬入量予測方法および廃棄物搬入量予測プログラム
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911481A (zh) * 2023-07-31 2023-10-20 深圳市新樟环保科技有限公司 基于大数据处理的垃圾收运系统及方法
CN116911481B (zh) * 2023-07-31 2024-05-28 深圳市新樟环保科技有限公司 基于大数据处理的垃圾收运系统及方法

Also Published As

Publication number Publication date
JPWO2023053684A1 (ja) 2023-04-06

Similar Documents

Publication Publication Date Title
CN113316808B (zh) 通过交通状态的时空扩展搜索空间控制交通信号
JP4100630B2 (ja) Ｕｍｌ設計方法
Xiang et al. A fast heuristic for solving a large-scale static dial-a-ride problem under complex constraints
Tavakkoli-Moghaddam et al. A computer simulation model for job shop scheduling problems minimizing makespan
JP5900329B2 (ja) 情報処理装置、端末、サーバ及びデータ転送方法
CN109857555A (zh) 内存回收方法及装置、存储介质和电子设备
CN105320957A (zh) 分类器训练方法和装置
WO2023053684A1 (ja) ゴミ収集システムおよび学習済みモデル
JPWO2012011145A1 (ja) ソフトウェア保守支援装置及びそれにより検証した電子制御装置
CN104102810B (zh) 基于流行病学算法的it基础架构预测方法和系统
CN114282752A (zh) 流程任务的生成方法、装置、电子设备及存储介质
JP6959975B2 (ja) 計算機システム及びリソースの配置の決定方法
CN115409439A (zh) 基于改进蚁群算法的多车型供应链调度方法及电子设备
Haliem et al. AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning
WO2023053681A1 (ja) 献血運用システムおよび学習済みモデル
KR102631906B1 (ko) 폐기물 수거 운송차 배차 방법, 장치 및 시스템
JPWO2023053684A5 (ja)
JP7478847B2 (ja) シミュレーション装置
WO2022138168A1 (ja) シミュレーション装置
WO2023195228A1 (ja) 帰着エリア予測装置
JP2017162142A (ja) 情報処理装置及び情報処理プログラム
WO2023037780A1 (ja) 広告効果予測装置
JP2000222377A (ja) ダイナミクスを利用してコスト関数の最適値を探索する処理装置
WO2023037782A1 (ja) 広告効果予測装置
WO2023243047A1 (ja) タスク割当装置、方法およびプログラム

Legal Events

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

Ref document number: 22875562

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023550406

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE