WO2023067726A1 - 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム - Google Patents

学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム Download PDF

Info

Publication number
WO2023067726A1
WO2023067726A1 PCT/JP2021/038771 JP2021038771W WO2023067726A1 WO 2023067726 A1 WO2023067726 A1 WO 2023067726A1 JP 2021038771 W JP2021038771 W JP 2021038771W WO 2023067726 A1 WO2023067726 A1 WO 2023067726A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
emergency
normal
prediction
information
Prior art date
Application number
PCT/JP2021/038771
Other languages
English (en)
French (fr)
Inventor
継康 劉
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2023541248A priority Critical patent/JP7475549B2/ja
Priority to PCT/JP2021/038771 priority patent/WO2023067726A1/ja
Priority to CN202180103229.6A priority patent/CN118103855A/zh
Priority to EP21961379.1A priority patent/EP4401017A1/en
Publication of WO2023067726A1 publication Critical patent/WO2023067726A1/ja
Priority to US18/628,202 priority patent/US20240249209A1/en

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
    • G06Q50/40—Business processes related to the transportation industry

Definitions

  • the present disclosure relates to a learning device, a prediction device, a prediction system, a learning method, a prediction method, and a prediction program.
  • Patent Literature 1 proposes a method of learning a model for prediction.
  • learning data is necessary to generate a trained model.
  • normal time data is prepared as learning data.
  • a trained model for normal prediction is generated.
  • emergency data is also prepared as learning data.
  • the generated learned model has low prediction accuracy during normal times.
  • the generated trained model has low prediction accuracy for emergencies.
  • the purpose of this disclosure is to make highly accurate predictions in normal times and in emergencies.
  • a learning device provides first learning data, which is information indicating at least one of weather at a first point at a plurality of times and congestion information, which is information about congestion, at the first point at a certain time.
  • a normal prediction trained model that outputs the normal number of people at the first point at the time, and at normal times an acquisition unit that acquires true value information including a true value indicating the number of people at the first point at a plurality of times and a true value indicating the number of people at the first point at a plurality of times during an emergency; 1 learning data, the normal prediction trained model, and the true value information, when the first information is input, an emergency prediction that outputs the number of people in an emergency at the first point at the time
  • a learning generation unit that generates a trained model, and an output unit that outputs the normal prediction trained model and the emergency prediction trained model.
  • FIG. 3 is a diagram showing hardware included in the learning device according to the first embodiment
  • FIG. 2 is a block diagram showing functions of the learning device of Embodiment 1
  • FIG. FIG. 4 is a diagram (part 1) for explaining generation of an emergency prediction trained model according to Embodiment 1
  • FIG. 4 is a diagram (part 1) showing an example of a method for generating new learning data according to the first embodiment
  • FIG. 10 is a diagram (part 2) showing an example of a method for generating new learning data according to the first embodiment
  • FIG. 3 is a diagram for explaining re-learning according to the first embodiment
  • FIG. 4 is a diagram (part 2) for explaining generation of an emergency prediction trained model according to Embodiment 1; 1 is a diagram showing a prediction system according to Embodiment 1; FIG. 2 is a block diagram showing functions of the prediction device of Embodiment 1; FIG. FIG. 10 is a block diagram showing functions of a prediction device according to Embodiment 2; FIG. FIG. 10 is a diagram showing a specific example of the second embodiment;
  • FIG. 1 is a diagram showing hardware included in a learning device according to Embodiment 1. As shown in FIG. Learning device 100 executes a learning method.
  • the learning device 100 has a processor 101 , a volatile memory device 102 and a non-volatile memory device 103 .
  • the processor 101 controls the learning device 100 as a whole.
  • the processor 101 is a CPU (Central Processing Unit), FPGA (Field Programmable Gate Array), or the like.
  • Processor 101 may be a multiprocessor.
  • the learning device 100 may have a processing circuit.
  • the volatile memory device 102 is the main memory device of the learning device 100 .
  • the volatile memory device 102 is RAM (Random Access Memory).
  • the nonvolatile storage device 103 is an auxiliary storage device for the learning device 100 .
  • the nonvolatile storage device 103 is a HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • FIG. 2 is a block diagram showing functions of the learning device according to the first embodiment.
  • the learning device 100 has a storage unit 110 , an acquisition unit 120 , a learning generation unit 130 and an output unit 140 .
  • the storage unit 110 may be implemented as a storage area secured in the volatile storage device 102 or the nonvolatile storage device 103 .
  • a part or all of the acquisition unit 120, the learning generation unit 130, and the output unit 140 may be realized by a processing circuit.
  • part or all of the acquisition unit 120, the learning generation unit 130, and the output unit 140 may be implemented as modules of a program executed by the processor 101.
  • FIG. For example, the program executed by processor 101 is also called a learning program.
  • the learning program is recorded on a recording medium.
  • the storage unit 110 may store the first learning data 111, the normal prediction trained model 112, the true value information 113, and the second learning data 114.
  • the first learning data 111 is information that indicates at least one of the weather at a first point at a plurality of times and congestion information that is information about congestion.
  • the first point is a station.
  • the weather is sunny, cloudy, rainy, typhoon, torrential rain, and so on. Sunny, cloudy, and rainy are normal weather. Typhoons and torrential rains are extreme weather.
  • the congestion information is information indicating whether an event is being held at or around the first point. Congestion information when an event is not held means normal. Congestion information when an event is being held means an emergency. Note that, for example, if the first point is a station, the event is an event held in the station or an event held around the station (for example, soccer or baseball).
  • the first learning data 111 may include train operation time information (that is, a timetable) that passes through the station and train operation information that passes through the station.
  • train operation information is information indicating whether or not an accident (for example, a derailment accident) has occurred. Operation information when no accident has occurred means normal operation. Operation information when an accident has occurred means an emergency.
  • the first learning data 111 may be generated by a user.
  • the normal prediction trained model 112 When information indicating at least one of weather and congestion information at a first point at a certain time (for example, also referred to as first information) is input, the normal prediction trained model 112 performs Output the normal number of people at the first location.
  • the normal prediction trained model 112 includes information indicating at least one of weather and congestion information at the first point at a certain time, and train operation time information. and information indicating at least one of train operation information is input, the number of people in normal times at the first point at the time is output.
  • the true value information 113 includes a true value indicating the number of people at the first point at multiple times during normal times and a true value indicating the number of people at the first point at multiple times during an emergency. Note that the true value may also be called a learned true value.
  • the second learning data 114 is information indicating at least one of weather and congestion information at points other than the first point at a plurality of times. For example, if the first point is Yokohama, points other than the first point are Osaka, Nagoya, and the like. If the point other than the first point is a station, the second learning data 114 may include train operation information passing through the station.
  • the acquisition unit 120 acquires the first learning data 111, the normal prediction trained model 112, the true value information 113, and the second learning data 114. For example, the acquisition unit 120 acquires the first learning data 111 , the normal prediction trained model 112 , the true value information 113 , and the second learning data 114 from the storage unit 110 . Also, for example, the acquisition unit 120 acquires the first learning data 111, the normal prediction trained model 112, the true value information 113, and the second learning data 114 from an external device.
  • the learning generation unit 130 uses the first learning data 111, the normal prediction trained model 112, and the true value information 113 to generate the emergency prediction trained model 200.
  • the emergency prediction trained model 200 outputs the number of people in an emergency at the first point at that time. do.
  • the emergency prediction trained model 200 includes information indicating at least one of weather and congestion information at the first point at a certain time, and train operation time information. and information indicating at least one of train operation information is input, the number of people in an emergency at the first point at the relevant time is output.
  • FIG. 3 is a diagram (part 1) for explaining generation of an emergency prediction trained model according to the first embodiment.
  • FIG. 3 illustrates a case where an emergency prediction trained model 200 is generated by learning.
  • GBDT Gram Boosting Decision Tree
  • LSTM Long Short Term Memory
  • the learning generation unit 130 inputs the first learning data 111 to the normal prediction trained model 112 .
  • the normal prediction trained model 112 outputs the number of people at the first point at a certain time. For example, if the first learning data 111 is information indicating the weather at the first point at 8:00, the learning generation unit 130 generates the information indicating the weather at the first point at 8:00 as normal prediction trained model 112. to enter. As a result, the normal prediction trained model 112 outputs the number of people at the first point at 8:00.
  • the learning generation unit 130 inputs the congestion information at the first point at 9:00 to the normal prediction trained model 112 .
  • the normal prediction trained model 112 outputs the number of people at the first point at 9:00.
  • the normal prediction trained model 112 outputs a large number of people because the event is being held at the first location. Note that the value output by the normal prediction trained model 112 is also called a predicted value.
  • FIG. 3 shows the true value 113_1 in normal times.
  • the normal time true value 113_1 is a true value that is included in the true value information 113 and indicates the number of people at the first point at a plurality of times in the normal time.
  • the learning generation unit 130 calculates the error by comparing the predicted value with the normal true value 113_1. For example, the learning generation unit 130 generates a prediction value based on information indicating the weather at the first location at 8:00 and a true value indicating the number of people at the first location at 8:00 among the true values 113_1 during normal times. An error is calculated by the comparison. In this way, the learning generation unit 130 calculates the error by comparing the predicted value and the true value based on the same time.
  • the learning generation unit 130 uses the first learning data 111 and the normal prediction trained model 112 to calculate the number of people at the first point at multiple times as multiple prediction values. Then, the learning generation unit 130 calculates a plurality of errors based on the normal true value 113_1 in the true value information 113 and the plurality of predicted values.
  • the learning generation unit 130 generates new learning data 10 based on multiple errors. Generation of new learning data 10 will be described in detail.
  • FIG. 4 is a diagram (part 1) showing an example of a method for generating new learning data according to the first embodiment.
  • FIG. 4 shows Data 01 to 04 as first learning data 111 .
  • Data01 is information indicating the weather at the first point at 8:00.
  • Data02 is information indicating the weather at the first location at 8:30.
  • Data03 is information indicating the weather at the first point at 9:00.
  • Data04 is information indicating the weather at the first location at 9:30.
  • Data 01 to 04 are normally input to the predictive trained model 112. This outputs four predicted values.
  • the learning generation unit 130 calculates errors w1 to w4 by comparing the four predicted values with the normal true value 113_1. Based on the errors w1 to w4, the learning generator 130 calculates the ratio of each of the plurality of errors to the total error. For example, the learning generator 130 calculates the ratio P1 of the error w1 using Equation (1).
  • the learning generation unit 130 increases the number of data included in the first learning data 111 according to the ratio.
  • the increasing data is data with a large ratio.
  • Data with a large ratio is data with a large error.
  • Data with a large error is data in an emergency.
  • FIG. 4 shows that the data of Data02 increases. Therefore, Data02 can be said to be emergency data.
  • Data01, 03, and 04 can be said to be normal data.
  • the learning generator 130 increases the number of emergency data in the first learning data 111 according to the ratio.
  • the learning generation unit 130 generates the first learning data 111 with the increased emergency data as the new learning data 10 . Also, the learning generation unit 130 generates a normal covariate distribution based on normal data in the first learning data 111 .
  • FIG. 3 shows the emergency prediction model 11.
  • Initial parameters are set in the emergency prediction model 11 .
  • the learning generation unit 130 inputs new learning data 10 to the emergency prediction model 11 .
  • new learning data 10 is input to the emergency prediction model 11, so that the emergency prediction model 11 is learned using a large amount of emergency data.
  • the emergency prediction model 11 outputs the number of people in an emergency at the first point at a certain time. Further, when the first point is a station, the emergency prediction model 11 includes information indicating at least one of weather and congestion information at the first point at a certain time, train operation time information, and train schedule information. and information indicating at least one of the operation information is input, the number of people in an emergency at the first point at the relevant time is output. Note that the value output by the emergency prediction model 11 is also called a prediction value.
  • FIG. 3 shows the true value 113_2 in an emergency.
  • the emergency true value 113_2 is a true value that is included in the true value information 113 and indicates the number of people at a first point at a plurality of times during an emergency.
  • the learning generation unit 130 calculates the error by comparing the predicted value with the emergency true value 113_2. For example, the learning generation unit 130 generates a predicted value based on information indicating the weather at the first location at 9:00 and a true value indicating the number of people at the first location at 9:00 in the emergency true values 113_2. An error is calculated by the comparison. In this way, the learning generation unit 130 calculates the error by comparing the predicted value and the true value based on the same time. The learning generation unit 130 generates new learning data 12 based on the error. Generation of new learning data 12 will be described in detail.
  • FIG. 5 is a diagram (part 2) showing an example of a method for generating new learning data according to the first embodiment.
  • FIG. 5 shows Data 01 to 04 as new learning data 10 .
  • new learning data 10 is input to the emergency prediction model 11 .
  • This outputs six predicted values.
  • the learning generation unit 130 calculates errors w11 to w16 by comparing the six predicted values with the emergency true value 113_2. Based on the errors w11 to w16, the learning generator 130 calculates the ratio of each of the plurality of errors to the total error.
  • the learning generation unit 130 increases the number of data included in the new learning data 10 according to the ratio.
  • the learning generation unit 130 generates new learning data 12 by increasing the number of data included in the new learning data 10 .
  • the new learning data 12 is also called learning information including the first learning data 111 .
  • the learning generation unit 130 generates a covariate distribution for emergency based on the data for emergency in the new learning data 10 .
  • the learning generating unit 130 adjusts the parameters in the emergency prediction model 11 when the error in learning the emergency prediction model 11 using emergency data is larger than a predetermined threshold. That is, since the emergency prediction model 11 constitutes a neural network, the learning generation unit 130 adjusts parameters, which are weights used in the neural network.
  • the learning generation unit 130 inputs the new learning data 12 to the normal prediction trained model 112 .
  • the learning generation unit 130 then generates new learning data 10 .
  • the learning generation unit 130 inputs the generated new learning data 10 to the emergency prediction model 11 .
  • the learning generation unit 130 generates learning data for the normal prediction trained model 112 and the emergency prediction model 11 until the error when the emergency prediction model 11 learns the emergency data is equal to or less than the threshold and the error converges. Repeat the process of entering Then, when the error converges, the emergency predictive trained model 200 is generated.
  • the learning generation unit 130 generates the emergency prediction trained model 200 using the emergency true value 113_2 in the true value information 113 and the new learning data 10 . Also, in the above description, it has been explained that the covariate distribution for the normal time and the covariate distribution for the emergency time are generated. Information including the normal covariate distribution and the emergency covariate distribution is called covariate distribution information 210 .
  • the learning generation unit 130 may relearn the normal prediction trained model 112 . That is, the learning generation unit 130 re-learns the normal prediction trained model 112 while learning the emergency prediction model 11 .
  • FIG. 6 is a diagram for explaining re-learning in the first embodiment.
  • the learning generation unit 130 uses the normal prediction trained model 112 and the normal prediction data included in the first learning data 111 or the new learning data 12 to calculate the number of people at the first point at a certain time, Calculated as a predicted value.
  • the learning generator 130 calculates the error between the normal true value 113_1 and the predicted value.
  • the learning generation unit 130 adjusts the parameters in the normal prediction trained model 112 when the calculated error is within a predetermined range. That is, since the normal predictive trained model 112 constitutes a neural network, the learning generator 130 adjusts parameters, which are weights used in the neural network. Note that the range is a range of small values.
  • the learning generation unit 130 re-learns the normal prediction trained model 112 .
  • the learning generation unit 130 can further reduce the error.
  • the learning generation unit 130 can improve the prediction accuracy of the normal prediction trained model 112 .
  • FIGS. 3 and 6 the case where the process of inputting learning data to the normal prediction trained model 112 and the emergency prediction model 11 is repeated has been explained. A method different from FIGS. 3 and 6 will be described below.
  • FIG. 7 is a diagram (part 2) for explaining generation of an emergency prediction trained model according to Embodiment 1.
  • the learning generation unit 130 inputs the first learning data 111 to the normal prediction trained model 112 .
  • the normal prediction trained model 112 outputs the number of people at the first point at a certain time.
  • the learning generation unit 130 calculates the error by comparing the predicted value with the normal true value 113_1.
  • the learning generation unit 130 identifies data corresponding to an error equal to or larger than a predetermined threshold among the first learning data 111 .
  • the normal prediction trained model 112 since the normal prediction trained model 112 has not learned emergency data, when the normal prediction trained model 112 receives emergency data, the error becomes large. Therefore, data in which the error between the predicted value and the normal true value 113_1 is greater than or equal to the threshold value can be said to be emergency data. Therefore, the identified data is emergency data.
  • the learning generation unit 130 generates the identified emergency data as new learning data 21 . Therefore, all the data included in the new learning data 21 are emergency data.
  • the learning generation unit 130 generates Identify emergency data from Then, the learning generation unit 130 generates the identified emergency data as new learning data 21 .
  • the learning generation unit 130 identifies normal data from the first learning data 111 based on the new learning data 21 (that is, emergency data). In other words, the learning generation unit 130 identifies the normal data by removing the new learning data 21 from the first learning data 111 .
  • the learning generation unit 130 generates a normal covariate distribution based on normal data.
  • the learning generator 130 generates an emergency covariate distribution based on new learning data 21 (that is, emergency data).
  • the learning generation unit 130 inputs new learning data 21 to the emergency prediction model 11.
  • the emergency prediction model 11 outputs the number of people at the first point at a certain time. Note that the value output by the emergency prediction model 11 is also called a prediction value.
  • the learning generation unit 130 calculates an error by comparing the predicted value with the emergency true value 113_2.
  • the learning generation unit 130 generates, as new learning data 22 , data corresponding to errors equal to or greater than a predetermined threshold among the new learning data 21 .
  • the data corresponding to the error equal to or larger than the threshold is emergency data when the learning is not well done.
  • the learning generation unit 130 adjusts the parameters in the emergency prediction model 11 when the error when the emergency prediction model 11 is learned using emergency data is equal to or greater than the threshold.
  • the learning generation unit 130 Since the learning generation unit 130 has adjusted the parameters in the emergency prediction model 11, it inputs new learning data 22 to the emergency prediction model 11 in order to confirm that the prediction accuracy of the emergency prediction model 11 has improved.
  • the learning generation unit 130 repeats the process of inputting learning data to the emergency prediction model 11 until the error when the emergency prediction model 11 learns emergency data becomes smaller than the threshold and the error converges. Then, when the error converges, the emergency predictive trained model 200 is generated.
  • the learning generation unit 130 generates the emergency prediction trained model 200 using the new learning data 21 and the emergency true value 113_2 in the true value information 113 . Also, in the above description, it has been explained that the covariate distribution for the normal time and the covariate distribution for the emergency time are generated. Information including the normal covariate distribution and the emergency covariate distribution is called covariate distribution information 210 .
  • the learning method of the emergency prediction model 11 in FIGS. 3, 6, and 7 can learn without attaching a label indicating whether the data is normal data or emergency data to the first learning data 111. is characterized by Therefore, using the learning method can reduce the user's burden of creating learning data.
  • the learning generation unit 130 uses the first learning data 111 to determine whether the information is normal time.
  • a decision-learned model 220 is generated that outputs data or emergency data. For example, when information indicating that the weather is fine at the first point at 10:00 is input, the determination-learned model 220 outputs information indicating that the information is normal data. Also, for example, when information indicating that the weather at the first point at 11:00 is torrential rain is input, the determination-learned model 220 outputs information indicating that the information is emergency data. do.
  • the judgment-learned model 220 is also referred to as a first judgment-learned model.
  • Learning generation unit 130 uses first learning data 111 to generate information when information indicating at least one of weather and congestion information at a first point at a certain time and operation information is input. and operation information is data for normal times or data for emergencies.
  • the learning generation unit 130 when information indicating at least one of the weather and congestion information at the first point at a certain time is input, the information is normally A judgment-learned model 220 may be generated that outputs the probability of time data and the probability of emergency data.
  • the learning generating unit 130 uses the first learning data 111, and when information indicating at least one of the weather and congestion information at the first point at a certain time and operation information is input, A decision-learned model 220 that outputs the probability that the information including the information and the operation information is normal data and the probability that it is emergency data may be generated.
  • Learning generation unit 130 uses second learning data 114 to generate information indicating at least one of weather and congestion information at a point other than the first point at a certain time (for example, it is also referred to as second information). ) are input, judgment-learned models 230 and 231 are generated that output whether the information is normal data or emergency data. For example, using the second learning data 114, the learning generation unit 130, when information indicating at least one of weather and congestion information in Osaka at a certain time is input, determines whether the information is normal data. or emergency data is generated. Further, for example, learning generation unit 130 uses second learning data 114 to determine whether information indicating at least one of weather and congestion information in Nagoya at a certain time is input, when the information is normal time. or emergency data is generated.
  • the judgment-learned models 230 and 231 are also referred to as second judgment-learned models. It should be noted that the points other than the first point are desirably points close to the first point.
  • Learning generation unit 130 uses second learning data 114 when information indicating at least one of weather and congestion information at a point other than the first point at a certain time and operation information is input. It is also possible to generate determination-learned models 230 and 231 that output whether information including the information and operation information is normal data or emergency data.
  • the learning generation unit 130 uses the second learning data 114 to generate the information.
  • the judgment-learned models 230 and 231 that output the probability of normal data and the probability of emergency data may be generated.
  • Learning generation unit 130 uses second learning data 114 when information indicating at least one of weather and congestion information at a point other than the first point at a certain time and operation information is input. It is also possible to generate determination-learned models 230 and 231 that output the probability that the information containing the information and the operation information is normal data and the probability that it is emergency data. In the above description, a case has been described in which two decision-learned models (that is, decision-learned models 230 and 231) are generated. The learning generation unit 130 may generate one determination-learned model (for example, the determination-learned model 230).
  • the learning device 100 generates an emergency prediction trained model 200, covariate distribution information 210, a judgment trained model 220, a judgment trained model 230, and a judgment trained model 231. Also, when the normal prediction trained model 112 is re-learned, the learning device 100 generates the re-learned normal prediction trained model 112 .
  • the output unit 140 outputs information.
  • the output section 140 outputs the information to the storage section 110 .
  • the output unit 140 outputs the information to an external device.
  • the information includes the normal prediction trained model 112, the emergency prediction trained model 200, the covariate distribution information 210, the judgment trained model 220, the judgment trained model 230, and the judgment trained model 231.
  • the output unit 140 may output the re-learned normal prediction trained model 112 .
  • the learning device 100 prepares the normal prediction trained model 112 and the emergency prediction trained model 200 .
  • the normal prediction trained model 112 and the emergency prediction trained model 200 highly accurate predictions can be made in normal times and in emergencies. Therefore, by preparing the normal prediction trained model 112 and the emergency prediction trained model 200, highly accurate predictions can be made in normal times and in emergencies.
  • FIG. 8 is a diagram showing a prediction system according to Embodiment 1.
  • the prediction system includes prediction device 300 and server 400 .
  • the prediction device 300 executes a prediction method.
  • Prediction device 300 has a processor, volatile storage, and non-volatile storage.
  • the prediction device 300 may also have processing circuitry.
  • server 400 is a cloud server.
  • FIG. 9 is a block diagram showing functions of the prediction device of Embodiment 1.
  • the prediction device 300 has a storage unit 310 , an acquisition unit 320 , a normal prediction unit 330 , an emergency prediction unit 340 , a determination unit 350 , a calculation unit 360 and an output unit 370 .
  • the storage unit 310 may be realized as a storage area secured in a volatile storage device or a non-volatile storage device of the prediction device 300 .
  • Some or all of the acquisition unit 320 , the normal prediction unit 330 , the emergency prediction unit 340 , the determination unit 350 , the calculation unit 360 , and the output unit 370 may be implemented by the processing circuit of the prediction device 300 .
  • Some or all of the acquisition unit 320, the normal prediction unit 330, the emergency prediction unit 340, the determination unit 350, the calculation unit 360, and the output unit 370 are implemented as modules of programs executed by the processor of the prediction device 300.
  • the program is also called a prediction program.
  • the prediction program is recorded on a recording medium.
  • the storage unit 310 may store the actual data 311 , the normal prediction trained model 112 , the emergency prediction trained model 200 , the covariate distribution information 210 , and the judgment trained model 220 .
  • the actual data 311 is information indicating at least one of the weather at a first point at a certain time and congestion information, which is information about congestion. Also, when the first point is a station, the actual data 311 may include train operation time information (that is, a timetable) that passes through the station and train operation information that passes through the station.
  • the server 400 may store the actual data 311, the normal prediction trained model 112, the emergency prediction trained model 200, the covariate distribution information 210, and the judgment trained model 220.
  • the normal prediction trained model 112 is relearned by the learning device 100, the normal prediction trained model 112 stored in the storage unit 310 or the server 400 is the relearned trained model.
  • the acquisition unit 320 acquires the actual data 311 , the normal prediction trained model 112 , the emergency prediction trained model 200 , the covariate distribution information 210 , and the judgment trained model 220 .
  • the acquisition unit 320 acquires the actual data 311 , the normal prediction trained model 112 , the emergency prediction trained model 200 , the covariate distribution information 210 , and the judgment trained model 220 from the storage unit 310 .
  • the acquisition unit 320 acquires the actual data 311 , the normal prediction trained model 112 , the emergency prediction trained model 200 , the covariate distribution information 210 , and the judgment trained model 220 from the server 400 .
  • the normal prediction unit 330 uses the actual data 311 and the normal prediction trained model 112 to predict the number of people at the first point at the time indicated by the actual data 311 .
  • a predicted result is usually called a predicted result 331 . That is, the normal prediction result 331 indicates the number of people in normal times.
  • the emergency prediction unit 340 uses the actual data 311 and the emergency prediction trained model 200 to predict the number of people at the first point at the time indicated by the actual data 311 .
  • a predicted result is called an emergency predicted result 341 . That is, the emergency prediction result 341 indicates the number of people in an emergency.
  • the determination unit 350 uses the actual data 311 and the determination-learned model 220 to determine whether the actual data 311 is normal data or emergency data.
  • the determined result is called a determination result 351 .
  • the determination unit 350 uses the actual data 311, the covariate distribution information 210, and the determination-learned model 220 to determine whether the actual data 311 is normal data or emergency data. may By using the covariate distribution information 210, the determination unit 350 can perform highly accurate determination.
  • the calculation unit 360 uses the normal prediction result 331, the emergency prediction result 341, and the determination result 351 to calculate the number of people at the first point at the time indicated by the actual data 311. For example, when the determination result 351 indicates that the actual data 311 is normal data, the calculation unit 360 calculates the result indicated by the normal prediction result 331 at the first point at the time indicated by the actual data 311. Calculate as the number of people. You may consider the said calculation as follows. The calculation unit 360 multiplies the normal prediction result 331 by “1” and multiplies the emergency prediction result 341 by “0” to calculate the number of people at the first point at the time indicated by the actual data 311 .
  • the calculation unit 360 calculates the result indicated by the emergency prediction result 341 as the first time at the time indicated by the actual data 311. Calculated as the number of people at the location.
  • the judgment-learned model 220 may output the probability of normal data and the probability of emergency data. If the judgment-learned model 220 can output two probabilities, the judging unit 350 uses the actual data 311 and the judgment-learned model 220 to determine the probability that the actual data 311 is normal data and the emergency data. Determine probability. The determined result is called a determination result 351 . Further, the determination unit 350 uses the actual data 311, the covariate distribution information 210, and the determination-learned model 220 to determine the probability that the actual data 311 is normal data and the probability that it is emergency data. may
  • the calculation unit 360 uses the normal prediction result 331, the emergency prediction result 341, and the judgment result 351 to calculate the number of people at the first point at the time indicated by the actual data 311. Calculate For example, it is assumed that the determination result 351 indicates a probability of "80%" for normal data and a probability of "20%" for emergency data.
  • the calculation unit 360 calculates the number of people at the first point at the time indicated by the actual data 311 using the weighted average. Specifically, the calculation unit 360 calculates the number of people using Equation (2).
  • the calculation unit 360 may calculate the number of people using Equation (2).
  • the output unit 370 outputs the calculated result 500 .
  • output unit 370 outputs result 500 to a display connected to prediction device 300 .
  • the output unit 370 outputs the result 500 to another device.
  • the prediction device 300 uses the normal prediction trained model 112 and the emergency prediction trained model 200 to make highly accurate predictions in normal times and in emergencies. Therefore, the prediction device 300 can make highly accurate predictions in normal times and in emergencies.
  • Embodiment 2 Next, Embodiment 2 will be described. In Embodiment 2, mainly matters different from Embodiment 1 will be described. In the second embodiment, descriptions of items common to the first embodiment are omitted.
  • the server 400 may store the judgment-learned models 230 and 231 .
  • FIG. 10 is a block diagram showing functions of the prediction device according to the second embodiment.
  • the storage unit 310 may store the judgment-learned models 230 and 231 .
  • Acquisition unit 320 acquires judgment-learned models 230 and 231 instead of judgment-learned model 220 .
  • the acquisition unit 320 acquires the judgment-learned models 230 and 231 from the storage unit 310 .
  • the acquisition unit 320 acquires the judgment-learned models 230 and 231 from the server 400 .
  • the determination unit 350 uses the actual data 311 and the determination-learned model 230 to determine whether the actual data 311 is normal data or emergency data.
  • the determined result is called determination result 352 .
  • the determination unit 350 uses the actual data 311, the covariate distribution information 210, and the determination-learned model 230 to determine whether the actual data 311 is normal data or emergency data. good too.
  • the determination unit 350 uses the actual data 311 and the determination-learned model 231 to determine whether the actual data 311 is normal data or emergency data.
  • the determined result is called a determination result 353 .
  • the determination unit 350 uses the actual data 311, the covariate distribution information 210, and the determination-learned model 231 to determine whether the actual data 311 is normal data or emergency data. good too.
  • the calculation unit 360 uses the normal prediction result 331, the emergency prediction result 341, and the determination results 352 and 353 to calculate the number of people at the first point at the time indicated by the actual data 311. For example, if the determination results 352 and 353 indicate normal data, the calculation unit 360 calculates the result indicated by the normal prediction result 331 as the number of people at the first point at the time indicated by the actual data 311. do. Further, for example, when the determination results 352 and 353 indicate that the data is for an emergency, the calculation unit 360 calculates the result indicated by the emergency prediction result 341 as the number of people at the first location at the time indicated by the actual data 311.
  • the calculation unit 360 determines that the probability of the data being normal is "50%" and the probability of being data of the emergency is "50%". do.
  • the calculation unit 360 calculates the number of people at the first point at the time indicated by the actual data 311 using a weighted average, as in Equation (2).
  • the judgment-learned models 230 and 231 may output the probability of normal data and the probability of emergency data. If the decision-learned model 230 can output two probabilities, the decision unit 350 uses the actual data 311 and the decision-learned model 230 to determine the probability that the actual data 311 is normal data and the emergency data. Determine probability. The determined result is called a determination result 352 . If the decision-learned model 231 can output two probabilities, the decision unit 350 uses the actual data 311 and the decision-learned model 231 to determine the probability that the actual data 311 is normal data and the emergency data. Determine probability. The determined result is called a determination result 353 .
  • the calculation unit 360 calculates the probability that the actual data 311 is normal data and the probability that it is emergency data. can be calculated. Specifically, using the actual data 311 and the judgment-learned model 230, the calculation unit 360 calculates the probability that the actual data 311 is normal data (eg, 60%) and the probability that the actual data 311 is emergency data (eg, 60%). 40%). Using the actual data 311 and the determination-learned model 231, the calculation unit 360 calculates the probability that the actual data 311 is normal data (eg, 60%) and the probability that it is emergency data (eg, 40%).
  • the calculator 360 uses the normal covariate distribution of the covariate distribution information 210 and the actual data 311 to calculate the probability (for example, 60%) that the actual data 311 is normal data.
  • the calculator 360 uses the emergency covariate distribution of the covariate distribution information 210 and the actual data 311 to calculate the probability (for example, 40%) that the actual data 311 is emergency data.
  • the calculator 360 uses the coefficient to calculate the probability that the actual data 311 is normal data.
  • the calculation unit 360 calculates the probability that the actual data 311 is normal data using Equation (3).
  • the coefficient for the output result of the decision-learned model 230 is assumed to be 0.4. Assume that the coefficient for the output result of the decision-learned model 231 is 0.2. A coefficient of 0.4 is used for the results when using the normal covariate distribution.
  • the calculation unit 360 multiplies the result by 100 to calculate the probability (for example, 60%) that the data is normal data.
  • the probability for example, 60%
  • the calculation unit 360 calculates the number of people at the first point at the time indicated by the actual data 311 using a weighted average, as in Equation (2).
  • Equation (2) a weighted average
  • FIG. 11 is a diagram showing a specific example of the second embodiment.
  • Actual data 311 includes information about the weather in Yokohama at 7:00.
  • the normal prediction unit 330 predicts the number of people in Yokohama at 7:00 using the information about the weather in Yokohama at 7:00 and the normal prediction trained model 112 .
  • the predicted result is the normal predicted result 331 .
  • the emergency prediction unit 340 predicts the number of people in Yokohama at 7:00 by using the information about the weather in Yokohama at 7:00 and the emergency prediction trained model 200 .
  • the predicted result is the emergency predicted result 341 .
  • the determination-learned model 230 is a learned model that, when inputting information about the weather in Osaka at a certain time, outputs whether the information is normal data or emergency data.
  • the judgment-learned model 231 is a trained model that, when inputting information about the weather in Nagoya at a certain time, outputs whether the information is normal data or emergency data. do.
  • the determination unit 350 uses the information about the weather in Yokohama at 7:00 and the determination-learned model 230 to determine whether the information is normal data or emergency data. The determined result is the determination result 352 . The determination unit 350 uses the information about the weather in Yokohama at 7:00 and the determination-learned model 231 to determine whether the information is normal data or emergency data. The determined result is the determination result 353 .
  • the calculation unit 360 calculates the number of people in Yokohama at 7:00 using the normal prediction result 331, the emergency prediction result 341, and the determination results 352 and 353.
  • the output unit 370 outputs the calculated result 501 .
  • the judgment-learned model 230 is a learned model that outputs whether the information about the weather in Osaka at a certain time is normal data or emergency data. Nevertheless, determination unit 350 uses determination-learned model 230 to determine whether the information about the weather in Yokohama at 7:00 is normal data or emergency data.
  • the reason for the determination using the determination-learned model 230 is as follows. The difference between the judgment-learned model 220 and the judgment-learned model 230 is the point indicated by the learning data at the time of learning. Even if the location is different, the content of judgment does not change.
  • the determination-learned model 220 when information indicating that the weather in Yokohama is sunny is input to the determination-learned model 220, the determination-learned model 220 outputs that the actual data 311 is normal data.
  • determination-learned model 230 outputs that actual data 311 is normal data. In this way, the content of the judgment does not change. Therefore, it is considered that there is no problem even if the decision-learned model 230 is used instead of the decision-learned model 220 . Therefore, the determination unit 350 uses the determination-learned model 230 .
  • the reason why the determination unit 350 uses the determination-learned model 231 is the same.
  • the determination unit 350 can determine weather information in Yokohama without using the determination-learned model 220 as in the first embodiment.
  • New learning data 11 Emergency prediction model 12 New learning data 21 New learning data 22 New learning data 100 Learning device 101 Processor 102 Volatile storage device 103 Non-volatile storage device 110 Storage Part 111 First learning data 112 Normal prediction trained model 113 True value information 113_1 Normal true value 113_2 Emergency true value 114 Second learning data 120 Acquisition unit 130 Learning generation unit , 140 Output unit, 200 Emergency prediction trained model, 210 Covariate distribution information, 220 Judgment trained model, 230 Judgment trained model, 231 Judgment trained model, 300 Predictor, 310 Storage unit, 311 Actual data, 320 Acquisition Unit, 330 Normal prediction unit, 331 Normal prediction result, 340 Emergency prediction unit, 341 Emergency prediction result, 350 Judgment unit, 351 Judgment result, 352 Judgment result, 353 Judgment result, 360 Calculation unit, 370 Output unit, 400 Server, 500 Result, 501 result.

Landscapes

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

Abstract

学習装置（１００）は、複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ（１１１）、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、時刻の第１の地点における通常時の人数を出力する通常予測学習済モデル（１１２）、及び通常時と非常時における複数の時刻の第１の地点における人数を示す真値とを含む真値情報（１１３）を取得する取得部（１２０）と、第１の学習データ（１１１）、通常予測学習済モデル（１１２）、及び真値情報（１１３）を用いて、第１の情報が入力された場合、時刻の第１の地点における非常時の人数を出力する非常予測学習済モデル（２００）を生成する学習生成部（１３０）と、通常予測学習済モデル（１１２）と非常予測学習済モデル（２００）とを出力する出力部（１４０）と、を有する。

Description

学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
　本開示は、学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラムに関する。
　学習済モデルを用いて、予測を行う方法が知られている。例えば、特許文献１では、予測を行うモデルの学習方法が、提案されている。
特開２０１９－１２５０４８号公報
　ところで、学習済モデルを生成するためには、学習データが必要である。通常時の予測を行う学習済モデルを生成したい場合、学習データには、通常時のデータが用意される。当該学習データを用いることで、通常時の予測を行う学習済モデルが生成される。
　非常時も予測したい場合がある。当該場合、学習データには、非常時のデータも用意される。大量の非常時のデータを用意した場合、生成される学習済モデルにおける通常時の予測精度は、低い。一方、少量の非常時のデータを用意した場合、生成される学習済モデルにおける非常時の予測精度は、低い。このように、通常時と非常時とにおける精度の高い予測をどのように行うのかが問題である。
　本開示の目的は、通常時と非常時とにおける精度の高い予測を行えることである。
　本開示の一態様に係る学習装置が提供される。学習装置は、複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得する取得部と、前記第１の学習データ、前記通常予測学習済モデル、及び前記真値情報を用いて、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、を有する。
　本開示によれば、通常時と非常時とにおける精度の高い予測を行える。
実施の形態１の学習装置が有するハードウェアを示す図である。 実施の形態１の学習装置の機能を示すブロック図である。 実施の形態１の非常予測学習済モデルの生成を説明するための図（その１）である。 実施の形態１の新たな学習データの生成方法の例を示す図（その１）である。 実施の形態１の新たな学習データの生成方法の例を示す図（その２）である。 実施の形態１の再学習を説明するための図である。 実施の形態１の非常予測学習済モデルの生成を説明するための図（その２）である。 実施の形態１の予測システムを示す図である。 実施の形態１の予測装置の機能を示すブロック図である。 実施の形態２の予測装置の機能を示すブロック図である。 実施の形態２の具体例を示す図である。
　以下、図面を参照しながら実施の形態を説明する。以下の実施の形態は、例にすぎず、本開示の範囲内で種々の変更が可能である。
実施の形態１．
＜学習フェーズ＞
　図１は、実施の形態１の学習装置が有するハードウェアを示す図である。学習装置１００は、学習方法を実行する。学習装置１００は、プロセッサ１０１、揮発性記憶装置１０２、及び不揮発性記憶装置１０３を有する。
　プロセッサ１０１は、学習装置１００全体を制御する。例えば、プロセッサ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）などである。プロセッサ１０１は、マルチプロセッサでもよい。また、学習装置１００は、処理回路を有してもよい。
　揮発性記憶装置１０２は、学習装置１００の主記憶装置である。例えば、揮発性記憶装置１０２は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。不揮発性記憶装置１０３は、学習装置１００の補助記憶装置である。例えば、不揮発性記憶装置１０３は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）である。
　次に、学習装置１００が有する機能を説明する。
　図２は、実施の形態１の学習装置の機能を示すブロック図である。学習装置１００は、記憶部１１０、取得部１２０、学習生成部１３０、及び出力部１４０を有する。
　記憶部１１０は、揮発性記憶装置１０２又は不揮発性記憶装置１０３に確保した記憶領域として実現してもよい。
　取得部１２０、学習生成部１３０、及び出力部１４０の一部又は全部は、処理回路によって実現してもよい。また、取得部１２０、学習生成部１３０、及び出力部１４０の一部又は全部は、プロセッサ１０１が実行するプログラムのモジュールとして実現してもよい。例えば、プロセッサ１０１が実行するプログラムは、学習プログラムとも言う。例えば、学習プログラムは、記録媒体に記録されている。
　記憶部１１０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を記憶してもよい。
　第１の学習データ１１１は、複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である。例えば、第１の地点は、ある駅である。天気は、晴れ、曇り、雨、台風、ゲリラ豪雨などである。なお、晴れ、曇り、及び雨は、通常の天気である。台風及びゲリラ豪雨は、非常の天気である。混雑情報は、第１の地点又は第１の地点の周辺でイベントが開催されているか否かを示す情報である。イベントが開催されていない場合の混雑情報は、通常を意味する。イベントが開催されている場合の混雑情報は、非常を意味する。なお、例えば、第１の地点が駅である場合、イベントは、駅の中で開催されているイベント、又は駅の周辺で開催されているイベント（例えば、サッカー、野球）である。また、第１の地点が駅である場合、第１の学習データ１１１は、当該駅を通る電車の運行時刻情報（すなわち、時刻表）、及び当該駅を通る電車の運行情報を含んでもよい。なお、例えば、電車の運行情報は、事故（例えば、脱線事故）が発生しているか否かを示す情報である。そして、事故が発生していない場合の運行情報は、通常を意味する。事故が発生している場合の運行情報は、非常を意味する。また、第１の学習データ１１１は、ユーザによって生成されてもよい。
　通常予測学習済モデル１１２は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報（例えば、第１の情報とも言う。）が入力された場合、当該時刻の第１の地点における通常時の人数を出力する。また、第１の地点が駅である場合、通常予測学習済モデル１１２は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における通常時の人数を出力する。
　真値情報１１３は、通常時における複数の時刻の第１の地点における人数を示す真値と、非常時における複数の時刻の第１の地点における人数を示す真値とを含む。なお、真値は、学習真値と呼んでもよい。
　第２の学習データ１１４は、複数の時刻の、第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報である。例えば、第１の地点が横浜である場合、第１の地点以外の地点は、大阪、名古屋などである。第１の地点以外の地点が駅である場合、第２の学習データ１１４は、当該駅を通る電車の運行情報を含んでもよい。
　取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を取得する。例えば、取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を記憶部１１０から取得する。また、例えば、取得部１２０は、第１の学習データ１１１、通常予測学習済モデル１１２、真値情報１１３、及び第２の学習データ１１４を外部装置から取得する。
　学習生成部１３０は、第１の学習データ１１１、通常予測学習済モデル１１２、及び真値情報１１３を用いて、非常予測学習済モデル２００を生成する。非常予測学習済モデル２００は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合、当該時刻の第１の地点における非常時の人数を出力する。また、第１の地点が駅である場合、非常予測学習済モデル２００は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における非常時の人数を出力する。
　次に、非常予測学習済モデルの生成を詳細に説明する。
　図３は、実施の形態１の非常予測学習済モデルの生成を説明するための図（その１）である。図３では、学習により非常予測学習済モデル２００が生成される場合を説明する。学習では、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅ）、ＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｍｅｍｏｒｙ）などが用いられてもよい。
　学習生成部１３０は、第１の学習データ１１１を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、ある時刻の第１の地点における人数を出力する。例えば、第１の学習データ１１１が８時の第１の地点における天気を示す情報である場合、学習生成部１３０は、８時の第１の地点における天気を示す情報を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、８時の第１の地点における人数を出力する。また、例えば、第１の学習データ１１１が９時の第１の地点における混雑情報であり、かつ当該混雑情報が第１の地点でイベントが開催されていることを示している場合、学習生成部１３０は、９時の第１の地点における混雑情報を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、９時の第１の地点における人数を出力する。また、通常予測学習済モデル１１２は、第１の地点でイベントが開催されているため、多くの人数を出力する。なお、通常予測学習済モデル１１２が出力した値は、予測値とも言う。
　図３は、通常時の真値１１３＿１を示している。通常時の真値１１３＿１は、真値情報１１３に含まれる、通常時における複数の時刻の第１の地点における人数を示す真値である。
　学習生成部１３０は、予測値と、通常時の真値１１３＿１とを比較することで、誤差を算出する。例えば、学習生成部１３０は、８時の第１の地点における天気を示す情報に基づく予測値と、通常時の真値１１３＿１の中の８時の第１の地点における人数を示す真値とを比較することで、誤差を算出する。このように、学習生成部１３０は、同じ時刻に基づく予測値と真値とを比較することで、誤差を算出する。
　このように、学習生成部１３０は、第１の学習データ１１１と通常予測学習済モデル１１２とを用いて、複数の時刻の第１の地点における人数を、複数の予測値として算出する。そして、学習生成部１３０は、真値情報１１３の中の通常時の真値１１３＿１と、複数の予測値とに基づいて、複数の誤差を算出する。
　学習生成部１３０は、複数の誤差に基づいて、新たな学習データ１０を生成する。新たな学習データ１０の生成を詳細に説明する。
　図４は、実施の形態１の新たな学習データの生成方法の例を示す図（その１）である。図４は、第１の学習データ１１１として、Ｄａｔａ０１～０４を示している。例えば、Ｄａｔａ０１は、８時の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０２は、８時３０分の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０３は、９時の第１の地点における天気を示す情報である。例えば、Ｄａｔａ０４は、９時３０分の第１の地点における天気を示す情報である。
　上記で説明したように、Ｄａｔａ０１～０４は、通常予測学習済モデル１１２に入力される。これにより、４つの予測値が出力される。学習生成部１３０は、４つの予測値と、通常時の真値１１３＿１とを比較することで、誤差ｗ１～４を算出する。学習生成部１３０は、誤差ｗ１～４に基づいて、誤差全体における複数の誤差のそれぞれの割合を算出する。例えば、学習生成部１３０は、式（１）を用いて、誤差ｗ１の割合Ｐ１を算出する。
Figure JPOXMLDOC01-appb-M000001
　学習生成部１３０は、割合に応じて、第１の学習データ１１１に含まれるデータの数を増やす。ここで、増えるデータは、割合が大きい値のデータである。割合が大きい値のデータは、誤差が大きいデータである。誤差が大きいデータは、非常時のデータである。図４は、Ｄａｔａ０２のデータが増えることを示している。よって、Ｄａｔａ０２は、非常時のデータであると言える。そして、Ｄａｔａ０１，０３，０４は、通常時のデータであると言える。
　このように、学習生成部１３０は、割合に応じて、第１の学習データ１１１の中の非常時のデータの数を増やす。学習生成部１３０は、非常時のデータが増えた第１の学習データ１１１を、新たな学習データ１０として生成する。
　また、学習生成部１３０は、第１の学習データ１１１の中の通常時のデータに基づいて、通常時の共変量分布を生成する。
　図３に戻って、非常予測学習済モデルの生成の説明を続ける。
　図３は、非常予測モデル１１を示している。非常予測モデル１１には、初期値のパラメータが設定されている。
　学習生成部１３０は、新たな学習データ１０を非常予測モデル１１に入力する。ここで、新たな学習データ１０が非常予測モデル１１に入力されることで、非常予測モデル１１は、多くの非常時のデータを用いて学習される。
　非常予測モデル１１は、ある時刻の第１の地点における非常時の人数を出力する。また、第１の地点が駅である場合、非常予測モデル１１は、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と、電車の運行時刻情報と電車の運行情報とのうちの少なくとも１つを示す情報とが入力された場合、当該時刻の第１の地点における非常時の人数を出力する。なお、非常予測モデル１１が出力した値は、予測値とも言う。
　図３は、非常時の真値１１３＿２を示している。非常時の真値１１３＿２は、真値情報１１３に含まれる、非常時における複数の時刻の第１の地点における人数を示す真値である。
　学習生成部１３０は、予測値と、非常時の真値１１３＿２とを比較することで、誤差を算出する。例えば、学習生成部１３０は、９時の第１の地点における天気を示す情報に基づく予測値と、非常時の真値１１３＿２の中の９時の第１の地点における人数を示す真値とを比較することで、誤差を算出する。このように、学習生成部１３０は、同じ時刻に基づく予測値と真値とを比較することで、誤差を算出する。学習生成部１３０は、誤差に基づいて、新たな学習データ１２を生成する。新たな学習データ１２の生成を詳細に説明する。
　図５は、実施の形態１の新たな学習データの生成方法の例を示す図（その２）である。図５は、新たな学習データ１０として、Ｄａｔａ０１～０４を示している。上記で説明したように、新たな学習データ１０は、非常予測モデル１１に入力される。これにより、６つの予測値が出力される。学習生成部１３０は、６つの予測値と、非常時の真値１１３＿２とを比較することで、誤差ｗ１１～１６を算出する。学習生成部１３０は、誤差ｗ１１～１６に基づいて、誤差全体における複数の誤差のそれぞれの割合を算出する。
　学習生成部１３０は、割合に応じて、新たな学習データ１０に含まれるデータの数を増やす。学習生成部１３０は、新たな学習データ１０に含まれるデータの数を増やすことで、新たな学習データ１２を生成する。ここで、新たな学習データ１２は、第１の学習データ１１１を含む学習情報とも言う。
　また、学習生成部１３０は、新たな学習データ１０の中の非常時のデータに基づいて、非常時の共変量分布を生成する。
　図３に戻って、非常予測学習済モデルの生成の説明を続ける。
　学習生成部１３０は、非常時のデータを用いて非常予測モデル１１を学習させたときの誤差が予め定められた閾値よりも大きい場合、非常予測モデル１１の中のパラメータを調整する。すなわち、非常予測モデル１１は、ニューラルネットワークを構成しているため、学習生成部１３０は、ニューラルネットワークで用いられる重みであるパラメータを調整する。
　学習生成部１３０は、新たな学習データ１２を通常予測学習済モデル１１２に入力する。そして、学習生成部１３０は、新たな学習データ１０を生成する。学習生成部１３０は、生成された新たな学習データ１０を非常予測モデル１１に入力する。学習生成部１３０は、非常時のデータを非常予測モデル１１に学習させたときの誤差が閾値以下であり、かつ誤差が収束するまで、通常予測学習済モデル１１２と非常予測モデル１１とに学習データを入力する処理を繰り返す。そして、誤差が収束した場合、非常予測学習済モデル２００が、生成される。
　このように、学習生成部１３０は、真値情報１１３の中の非常時の真値１１３＿２と、新たな学習データ１０とを用いて、非常予測学習済モデル２００を生成する。
　また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報２１０と呼ぶ。
　図３の説明では、非常予測モデル１１が学習される場合を説明した。学習生成部１３０は、通常予測学習済モデル１１２を再学習させてもよい。すなわち、学習生成部１３０は、非常予測モデル１１を学習させながら、通常予測学習済モデル１１２を再学習させる。再学習を説明する。
　図６は、実施の形態１の再学習を説明するための図である。学習生成部１３０は、第１の学習データ１１１又は新たな学習データ１２に含まれている通常時のデータと通常予測学習済モデル１１２とを用いて、ある時刻の第１の地点における人数を、予測値として算出する。学習生成部１３０は、通常時の真値１１３＿１と予測値との誤差を算出する。学習生成部１３０は、算出された誤差が予め定められた範囲に含まれる場合、通常予測学習済モデル１１２の中のパラメータを調整する。すなわち、通常予測学習済モデル１１２は、ニューラルネットワークを構成しているため、学習生成部１３０は、ニューラルネットワークで用いられる重みであるパラメータを調整する。なお、当該範囲は、小さい値の範囲である。
　このように、学習生成部１３０は、通常予測学習済モデル１１２を再学習する。これにより、学習生成部１３０は、当該誤差をより小さくできる。言い換えれば、学習生成部１３０は、通常予測学習済モデル１１２の予測精度を向上できる。
　図３，６では、通常予測学習済モデル１１２と非常予測モデル１１とに学習データが入力される処理が、繰り返される場合を説明した。以下、図３，６と異なる方法を説明する。
　図７は、実施の形態１の非常予測学習済モデルの生成を説明するための図（その２）である。
　学習生成部１３０は、第１の学習データ１１１を通常予測学習済モデル１１２に入力する。これにより、通常予測学習済モデル１１２は、ある時刻の第１の地点における人数を出力する。
　学習生成部１３０は、予測値と、通常時の真値１１３＿１とを比較することで、誤差を算出する。学習生成部１３０は、第１の学習データ１１１のうち、予め定められた閾値以上の誤差に対応するデータを特定する。ここで、通常予測学習済モデル１１２は、非常時のデータを学習していないため、非常時のデータが通常予測学習済モデル１１２に入力された場合、誤差は、大きくなる。そのため、予測値と通常時の真値１１３＿１との誤差が当該閾値以上であるデータは、非常時のデータであると言える。よって、特定されたデータは、非常時のデータである。学習生成部１３０は、特定された非常時のデータを、新たな学習データ２１として生成する。よって、新たな学習データ２１に含まれるデータは、全て非常時のデータである。
　このように、学習生成部１３０は、第１の学習データ１１１、通常予測学習済モデル１１２、及び真値情報１１３の中の通常時の真値１１３＿１を用いて、第１の学習データ１１１の中から非常時のデータを特定する。そして、学習生成部１３０は、特定された非常時のデータを、新たな学習データ２１として生成する。
　学習生成部１３０は、新たな学習データ２１（すなわち、非常時のデータ）に基づいて、第１の学習データ１１１の中から通常時のデータを特定する。すなわち、学習生成部１３０は、第１の学習データ１１１の中から新たな学習データ２１を取り除くことで、通常時のデータを特定する。学習生成部１３０は、通常時のデータに基づいて、通常時の共変量分布を生成する。学習生成部１３０は、新たな学習データ２１（すなわち、非常時のデータ）に基づいて、非常時の共変量分布を生成する。
　学習生成部１３０は、新たな学習データ２１を非常予測モデル１１に入力する。非常予測モデル１１は、ある時刻の第１の地点における人数を出力する。なお、非常予測モデル１１が出力した値は、予測値とも言う。
　学習生成部１３０は、予測値と、非常時の真値１１３＿２とを比較することで、誤差を算出する。学習生成部１３０は、新たな学習データ２１のうち、予め定められた閾値以上の誤差に対応するデータを、新たな学習データ２２として生成する。ここで、閾値以上の誤差に対応するデータは、学習が上手にできていない場合の非常時のデータである。
　また、学習生成部１３０は、非常時のデータを用いて非常予測モデル１１を学習させたときの誤差が当該閾値以上である場合、非常予測モデル１１の中のパラメータを調整する。
　学習生成部１３０は、非常予測モデル１１の中のパラメータを調整したので、非常予測モデル１１の予測精度が向上したことを確認するために、新たな学習データ２２を非常予測モデル１１に入力する。学習生成部１３０は、非常予測モデル１１による非常時のデータを学習した時の誤差が当該閾値よりも小さくなり、かつ誤差が収束するまで、非常予測モデル１１に学習データを入力する処理を繰り返す。そして、当該誤差が収束した場合、非常予測学習済モデル２００が、生成される。
　このように、学習生成部１３０は、新たな学習データ２１及び真値情報１１３の中の非常時の真値１１３＿２を用いて、非常予測学習済モデル２００を生成する。
　また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報２１０と呼ぶ。
　また、図３，６，７の非常予測モデル１１の学習方法は、通常時のデータ又は非常時のデータであるか否かを示すラベルを第１の学習データ１１１に付さないで学習できる点に特徴がある。よって、当該学習方法を用いることは、ユーザによる学習データの作成負担を軽減できる。
　図２に戻って、学習生成部１３０の機能をさらに説明する。
　学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２２０を生成する。例えば、１０時の第１の地点における天気が晴れであることを示す情報が入力された場合、判定学習済モデル２２０は、当該情報が通常時のデータであることを示す情報を出力する。また、例えば、１１時の第１の地点における天気がゲリラ豪雨であることを示す情報が入力された場合、判定学習済モデル２２０は、当該情報が非常時のデータであることを示す情報を出力する。ここで、判定学習済モデル２２０は、第１の判定学習済モデルとも言う。
　学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２２０を生成してもよい。
　また、学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２２０を生成してもよい。
　また、学習生成部１３０は、第１の学習データ１１１を用いて、ある時刻の第１の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２２０を生成してもよい。
　学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報（例えば、第２の情報とも言う。）が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０，２３１を生成する。例えば、学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の大阪における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０を生成する。また、例えば、学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の名古屋における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３１を生成する。ここで、判定学習済モデル２３０，２３１は、第２の判定学習済モデルとも言う。
　なお、第１の地点以外の地点は、第１の地点と近い地点であることが望ましい。
　学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報と含む情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル２３０，２３１を生成してもよい。
　学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報が入力された場合に当該情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２３０，２３１を生成してもよい。
　学習生成部１３０は、第２の学習データ１１４を用いて、ある時刻の第１の地点以外の地点における天気と混雑情報とのうちの少なくとも１つを示す情報と運行情報とが入力された場合に当該情報と運行情報とを含む情報が通常時のデータである確率と非常時のデータである確率とを出力する判定学習済モデル２３０，２３１を生成してもよい。　なお、上記では、２つの判定学習済モデル（すなわち、判定学習済モデル２３０，２３１）が生成される場合を説明した。学習生成部１３０は、１つの判定学習済モデル（例えば、判定学習済モデル２３０）を生成してもよい。
　図２が示すように、学習装置１００は、非常予測学習済モデル２００、共変量分布情報２１０、判定学習済モデル２２０、判定学習済モデル２３０、及び判定学習済モデル２３１を生成する。また、通常予測学習済モデル１１２が再学習された場合、学習装置１００は、再学習された通常予測学習済モデル１１２を生成する。
　出力部１４０は、情報を出力する。例えば、出力部１４０は、当該情報を記憶部１１０に出力する。例えば、出力部１４０は、当該情報を外部装置に出力する。なお、例えば、当該情報は、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、判定学習済モデル２２０、判定学習済モデル２３０、及び判定学習済モデル２３１である。出力部１４０は、再学習された通常予測学習済モデル１１２を出力してもよい。
　学習フェーズによれば、学習装置１００は、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用意する。後述するように、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用いれば、通常時と非常時とにおける精度の高い予測が行える。よって、通常予測学習済モデル１１２と非常予測学習済モデル２００とが用意されることで、通常時と非常時とにおける精度の高い予測が行える。
　次に、活用フェーズを説明する。
＜活用フェーズ＞
　図８は、実施の形態１の予測システムを示す図である。予測システムは、予測装置３００とサーバ４００とを含む。予測装置３００は、予測方法を実行する。予測装置３００は、プロセッサ、揮発性記憶装置、及び不揮発性記憶装置を有する。また、予測装置３００は、処理回路を有してもよい。例えば、サーバ４００は、クラウドサーバである。
　図９は、実施の形態１の予測装置の機能を示すブロック図である。予測装置３００は、記憶部３１０、取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０を有する。
　記憶部３１０は、予測装置３００が有する揮発性記憶装置又は不揮発性記憶装置に確保した記憶領域として実現してもよい。
　取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０の一部又は全部は、予測装置３００が有する処理回路によって実現してもよい。また、取得部３２０、通常予測部３３０、非常予測部３４０、判定部３５０、算出部３６０、及び出力部３７０の一部又は全部は、予測装置３００が有するプロセッサが実行するプログラムのモジュールとして実現してもよい。例えば、当該プログラムは、予測プログラムとも言う。例えば、予測プログラムは、記録媒体に記録されている。
　記憶部３１０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶してもよい。
　実データ３１１は、ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である。また、第１の地点が駅である場合、実データ３１１は、当該駅を通る電車の運行時刻情報（すなわち、時刻表）、及び当該駅を通る電車の運行情報を含んでもよい。
　ここで、サーバ４００は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶してもよい。
　なお、通常予測学習済モデル１１２が、学習装置１００により再学習された場合、記憶部３１０又はサーバ４００に格納されている通常予測学習済モデル１１２は、再学習された学習済モデルである。
　取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を取得する。例えば、取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０を記憶部３１０から取得する。また、例えば、取得部３２０は、実データ３１１、通常予測学習済モデル１１２、非常予測学習済モデル２００、共変量分布情報２１０、及び判定学習済モデル２２０をサーバ４００から取得する。
　通常予測部３３０は、実データ３１１と通常予測学習済モデル１１２と用いて、実データ３１１が示す時刻の第１の地点における人数を予測する。予測された結果は、通常予測結果３３１と呼ぶ。すなわち、通常予測結果３３１は、通常時の人数を示す。
　非常予測部３４０は、実データ３１１と非常予測学習済モデル２００と用いて、実データ３１１が示す時刻の第１の地点における人数を予測する。予測された結果は、非常予測結果３４１と呼ぶ。すなわち、非常予測結果３４１は、非常時の人数を示す。
　判定部３５０は、実データ３１１と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５１と呼ぶ。
　また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。共変量分布情報２１０が用いられることで、判定部３５０は、精度の高い判定を行うことができる。
　算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５１を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５１が、実データ３１１が通常時のデータであることを示している場合、算出部３６０は、通常予測結果３３１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。当該算出を次のように考えてもよい。算出部３６０は、通常予測結果３３１に“１”を乗算し、非常予測結果３４１に“０”を乗算することで、実データ３１１が示す時刻の第１の地点における人数を算出する。また、例えば、判定結果３５１が、実データ３１１が非常時のデータであることを示している場合、算出部３６０は、非常予測結果３４１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。
　ここで、上記したように、判定学習済モデル２２０は、通常時のデータである確率と非常時のデータである確率とを出力してもよい。判定学習済モデル２２０が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２２０を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５１と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２２０とを用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定してもよい。
　判定学習済モデル２２０が２つの確率を出力できる場合、算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５１を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５１は、通常時のデータである確率“８０％”と非常時のデータである確率“２０％”とを示しているものとする。算出部３６０は、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。具体的には、算出部３６０は、式（２）を用いて、当該人数を算出する。
Figure JPOXMLDOC01-appb-M000002
　このように、算出部３６０は、式（２）を用いて、当該人数を算出してもよい。
　出力部３７０は、算出された結果５００を出力する。例えば、出力部３７０は、予測装置３００に接続されるディスプレイに結果５００を出力する。また、例えば、出力部３７０は、他の装置に結果５００を出力する。
　活用フェーズによれば、予測装置３００は、通常予測学習済モデル１１２と非常予測学習済モデル２００とを用いて、通常時と非常時とにおける精度の高い予測を行う。よって、予測装置３００は、通常時と非常時とにおける精度の高い予測を行える。
実施の形態２．
　次に、実施の形態２を説明する。実施の形態２では、実施の形態１と相違する事項を主に説明する。そして、実施の形態２では、実施の形態１と共通する事項の説明を省略する。
　実施の形態１では、判定学習済モデル２２０が用いられる場合を説明した。実施の形態２では、判定学習済モデル２３０，２３１が用いられる場合を説明する。
　ここで、サーバ４００は、判定学習済モデル２３０，２３１を記憶してもよい。
　図１０は、実施の形態２の予測装置の機能を示すブロック図である。記憶部３１０は、判定学習済モデル２３０，２３１を記憶してもよい。
　取得部３２０は、判定学習済モデル２２０に代えて、判定学習済モデル２３０，２３１を取得する。例えば、取得部３２０は、判定学習済モデル２３０，２３１を記憶部３１０から取得する。また、例えば、取得部３２０は、判定学習済モデル２３０，２３１をサーバ４００から取得する。
　判定部３５０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５２と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。
　判定部３５０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５３と呼ぶ。また、判定部３５０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータであるか、又は非常時のデータであるかを判定してもよい。
　算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５２，３５３を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。例えば、判定結果３５２，３５３が通常時のデータであることを示している場合、算出部３６０は、通常予測結果３３１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。また、例えば、判定結果３５２，３５３が非常時のデータであることを示している場合、算出部３６０は、非常予測結果３４１が示す結果を、実データ３１１が示す時刻の第１の地点における人数として算出する。また、判定結果３５２と判定結果３５３とが異なる場合、算出部３６０は、通常時のデータである確率が“５０％”であり、非常時のデータである確率が“５０％”であると判定する。算出部３６０は、式（２）のように、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。
　ここで、上記したように、判定学習済モデル２３０，２３１は、通常時のデータである確率と非常時のデータである確率とを出力してもよい。判定学習済モデル２３０が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５２と呼ぶ。判定学習済モデル２３１が２つの確率を出力できる場合、判定部３５０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを判定する。そして、判定された結果は、判定結果３５３と呼ぶ。
　判定学習済モデル２３０，２３１が２つの確率を出力できる場合、算出部３６０は、判定結果３５２，３５３が示す通常時のデータである確率の平均を算出する。例えば、平均値が“８０％”である場合、算出部３６０は、非常時のデータである確率を“２０％（＝１００－８０）”とする。また、算出部３６０は、判定結果３５２，３５３が示す非常時のデータである確率の平均を算出した後に、平均値（例えば、２０％）を用いて、通常時のデータである確率（例えば、８０％）を算出してもよい。算出部３６０は、式（２）のように、実データ３１１が示す時刻の第１の地点における人数を算出する。
　また、算出部３６０は、実データ３１１と共変量分布情報２１０と判定学習済モデル２３０，２３１とを用いて、実データ３１１が通常時のデータである確率と非常時のデータである確率とを算出してもよい。詳細には、算出部３６０は、実データ３１１と判定学習済モデル２３０を用いて、実データ３１１が通常時のデータである確率（例えば、６０％）と非常時のデータである確率（例えば、４０％）とを算出する。算出部３６０は、実データ３１１と判定学習済モデル２３１を用いて、実データ３１１が通常時のデータである確率（例えば、６０％）と非常時のデータである確率（例えば、４０％）とを算出する。算出部３６０は、共変量分布情報２１０のうちの通常時の共変量分布と実データ３１１とを用いて、実データ３１１が通常時のデータである確率（例えば、６０％）を算出する。算出部３６０は、共変量分布情報２１０のうちの非常時の共変量分布と実データ３１１とを用いて、実データ３１１が非常時のデータである確率（例えば、４０％）を算出する。算出部３６０は、係数を用いて、実データ３１１が通常時のデータである確率を算出する。例えば、算出部３６０は、式（３）を用いて、実データ３１１が通常時のデータである確率を算出する。ここで、判定学習済モデル２３０の出力結果に対する係数を０．４とする。判定学習済モデル２３１の出力結果に対する係数を０．２とする。通常時の共変量分布を用いたときの結果に対する係数を０．４とする。
Figure JPOXMLDOC01-appb-M000003
　算出部３６０は、結果に１００を乗算することで、通常時のデータである確率（例えば、６０％）を算出する。確率が“６０％”である場合、算出部３６０は、非常時のデータである確率を“４０％（＝１００－６０）”とする。算出部３６０は、式（２）のように、重み付き平均を用いて、実データ３１１が示す時刻の第１の地点における人数を算出する。上記では、通常時のデータである確率が算出された後に、非常時のデータである確率が算出される場合を説明した。しかし、算出部３６０は、同様の方法で、非常時のデータである確率を算出した後に、実データ３１１が通常時のデータである確率を算出してもよい。
　次に、具体例を説明する。
　図１１は、実施の形態２の具体例を示す図である。実データ３１１は、７時の横浜における天気に関する情報を含む。
　通常予測部３３０は、７時の横浜における天気に関する情報と、通常予測学習済モデル１１２とを用いて、７時の横浜における人数を予測する。予測された結果は、通常予測結果３３１である。
　非常予測部３４０は、７時の横浜における天気に関する情報と、非常予測学習済モデル２００と用いて、７時の横浜における人数を予測する。予測された結果は、非常予測結果３４１である。
　ここで、判定学習済モデル２３０は、ある時刻の大阪における天気に関する情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルであるものとする。判定学習済モデル２３１は、ある時刻の名古屋における天気に関する情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルであるものとする。
　判定部３５０は、７時の横浜における天気に関する情報と、判定学習済モデル２３０とを用いて、当該情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５２である。
　判定部３５０は、７時の横浜における天気に関する情報と、判定学習済モデル２３１とを用いて、当該情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果３５３である。
　算出部３６０は、通常予測結果３３１、非常予測結果３４１、及び判定結果３５２，３５３を用いて、７時の横浜における人数を算出する。
　出力部３７０は、算出された結果５０１を出力する。
　上記したように、判定学習済モデル２３０は、ある時刻の大阪における天気に関する情報が通常時のデータであるか、又は非常時のデータであるかを出力する学習済モデルである。それにも関わらず、判定部３５０は、判定学習済モデル２３０を用いて、７時の横浜における天気に関する情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定学習済モデル２３０を用いて判定する理由は、次の通りである。判定学習済モデル２２０と判定学習済モデル２３０との違いは、学習時における学習データが示す地点である。地点が異なっても、判定内容は、変わらない。例えば、横浜の天気が晴れであることを示す情報が判定学習済モデル２２０に入力された場合、判定学習済モデル２２０は、実データ３１１が通常時のデータであることを出力する。大阪の天気が晴れであることを示す情報が判定学習済モデル２３０に入力された場合、判定学習済モデル２３０は、実データ３１１が通常時のデータであることを出力する。このように、判定内容は、変わらない。よって、判定学習済モデル２２０の代わりに、判定学習済モデル２３０が用いられても問題はないと考えられる。そのため、判定部３５０は、判定学習済モデル２３０を用いる。判定部３５０が判定学習済モデル２３１を用いる理由も同様である。
　このように、判定部３５０は、実施の形態１のように判定学習済モデル２２０を用いずに、横浜における天気に関する情報を判定できる。
　実施の形態２では、２つの判定学習済モデルが用いられる場合を説明した。１つの判定学習済モデルが用いられてもよい。
　以上に説明した各実施の形態における特徴は、互いに適宜組み合わせることができる。
　１０　新たな学習データ、　１１　非常予測モデル、　１２　新たな学習データ、　２１　新たな学習データ、　２２　新たな学習データ、　１００　学習装置、　１０１　プロセッサ、　１０２　揮発性記憶装置、　１０３　不揮発性記憶装置、　１１０　記憶部、　１１１　第１の学習データ、　１１２　通常予測学習済モデル、　１１３　真値情報、　１１３＿１　通常時の真値、　１１３＿２　非常時の真値、　１１４　第２の学習データ、　１２０　取得部、　１３０　学習生成部、　１４０　出力部、　２００　非常予測学習済モデル、　２１０　共変量分布情報、　２２０　判定学習済モデル、　２３０　判定学習済モデル、　２３１　判定学習済モデル、　３００　予測装置、　３１０　記憶部、　３１１　実データ、　３２０　取得部、　３３０　通常予測部、　３３１　通常予測結果、　３４０　非常予測部、　３４１　非常予測結果、　３５０　判定部、　３５１　判定結果、　３５２　判定結果、　３５３　判定結果、　３６０　算出部、　３７０　出力部、　４００　サーバ、　５００　結果、　５０１　結果。

Claims (24)

  1. 　複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得する取得部と、
    　前記第１の学習データ、前記通常予測学習済モデル、及び前記真値情報を用いて、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、
    　前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、
    　を有する学習装置。
  2. 　前記第１の学習データは、前記第１の地点が駅である場合、前記駅を通る電車の運行情報を含む、
    　請求項１に記載の学習装置。
  3. 　前記学習生成部は、
    　前記第１の学習データ又は前記第１の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第１の地点における人数を、複数の予測値として算出し、
    　通常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、
    　誤差全体における前記複数の誤差のそれぞれの割合を算出し、
    　前記割合に応じて、前記第１の学習データ又は前記学習情報の中の非常時のデータの数を増やし、
    　前記非常時のデータが増えた前記第１の学習データ又は前記学習情報を、新たな学習データとして生成し、
    　非常時における複数の時刻の前記第１の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する、
    　請求項１又は２に記載の学習装置。
  4. 　前記学習生成部は、
    　前記第１の学習データ又は前記学習情報に含まれている通常時のデータと、前記通常予測学習済モデルとを用いて、ある時刻の前記第１の地点における人数を算出し、
    　通常時における前記第１の地点における人数を示す前記真値と、算出された人数との誤差を算出し、
    　算出された誤差が予め定められた範囲に含まれる場合、前記通常予測学習済モデルを再学習し、
    　前記出力部は、
    　再学習された前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
    　請求項３に記載の学習装置。
  5. 　前記学習生成部は、
    　前記第１の学習データ、前記通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記第１の学習データの中から非常時のデータを特定し、
    　特定された非常時のデータを、新たな学習データとして生成し、
    　前記新たな学習データ及び非常時における複数の時刻の前記第１の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する、
    　請求項１又は２に記載の学習装置。
  6. 　前記学習生成部は、前記第１の学習データを用いて、前記第１の情報が入力された場合に前記第１の情報が通常時のデータであるか、又は非常時のデータであるかを出力する第１の判定学習済モデル、又は前記第１の情報が入力された場合に前記第１の情報が通常時のデータである確率と非常時のデータである確率とを出力する第１の判定学習済モデルを生成する、
    　請求項１に記載の学習装置。
  7. 　前記第１の学習データは、前記第１の地点が駅である場合、前記駅を通る電車の運行情報を含み、
    　前記学習生成部は、前記第１の学習データを用いて、前記第１の情報と前記運行情報とが入力された場合に、前記第１の情報と前記運行情報とを含む情報が通常時のデータであるか、又は非常時のデータであるかを出力する第１の判定学習済モデル、又は前記第１の情報と前記運行情報とが入力された場合に、前記第１の情報と前記運行情報とを含む情報が通常時のデータである確率と非常時のデータである確率とを出力する第１の判定学習済モデルを生成する、
    　請求項１に記載の学習装置。
  8. 　前記取得部は、複数の時刻の、前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報である第２の学習データを取得し、
    　前記学習生成部は、前記第２の学習データを用いて、ある時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第２の情報が入力された場合に前記第２の情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデル、又は前記第２の情報が入力された場合に前記第２の情報が通常時のデータである確率と非常時のデータである確率とを出力する第２の判定学習済モデルを生成する、
    　請求項１に記載の学習装置。
  9. 　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得する取得部と、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    　前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    　前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    　算出された結果を出力する出力部と、
    　を有する予測装置。
  10. 　前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    　前記判定部は、前記実データと前記共変量分布情報と前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
    　請求項９に記載の予測装置。
  11. 　前記判定部は、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    　請求項９に記載の予測装置。
  12. 　前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    　前記判定部は、前記実データと前記共変量分布情報と前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    　請求項１１に記載の予測装置。
  13. 　前記実データは、前記第１の地点が駅である場合、前記駅を通る電車の運行情報を含む、
    　請求項９から１２のいずれか１項に記載の予測装置。
  14. 　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得する取得部と、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    　前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    　前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    　算出された結果を出力する出力部と、
    　を有する予測装置。
  15. 　前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    　前記判定部は、前記実データと前記共変量分布情報と前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
    　請求項１４に記載の予測装置。
  16. 　前記第２の判定学習済モデルは、前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータである確率と非常時のデータである確率とを出力する学習済モデルであり、
    　前記判定部は、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    　請求項１４に記載の予測装置。
  17. 　前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
    　前記判定部は、前記実データと前記共変量分布情報と前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
    　請求項１４に記載の予測装置。
  18. 　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを記憶するサーバと、
    　予測装置と、
    　を含み、
    　前記予測装置は、
    　前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第１の判定学習済モデルを前記サーバから取得する取得部と、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    　前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    　前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    　算出された結果を出力する出力部と、
    　を有する、
    　予測システム。
  19. 　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを記憶するサーバと、
    　予測装置と、
    　を含み、
    　前記予測装置は、
    　前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第２の判定学習済モデルを前記サーバから取得する取得部と、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測する通常予測部と、
    　前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測する非常予測部と、
    　前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出する算出部と、
    　算出された結果を出力する出力部と、
    　を有する、
    　予測システム。
  20. 　学習装置が、
    　複数の時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である第１の学習データ、ある時刻の前記第１の地点における天気と前記混雑情報とのうちの少なくとも１つを示す第１の情報が入力された場合、前記時刻の前記第１の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第１の地点における人数を示す真値と、非常時における複数の時刻の前記第１の地点における人数を示す真値とを含む真値情報を取得し、
    　前記第１の学習データ、前記通常予測学習済モデル、及び前記真値情報を用いて、前記第１の情報が入力された場合、前記時刻の前記第１の地点における非常時の人数を出力する非常予測学習済モデルを生成し、
    　前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
    　学習方法。
  21. 　予測装置が、
    　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得し、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    　算出された結果を出力する、
    　予測方法。
  22. 　予測装置が、
    　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得し、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    　算出された結果を出力する、
    　予測方法。
  23. 　予測装置に、
    　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第１の判定学習済モデルを取得し、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第１の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    　算出された結果を出力する、
    　処理を実行させる予測プログラム。
  24. 　予測装置に、
    　ある時刻の第１の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも１つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第１の地点以外の地点における天気と前記混雑情報とのうちの少なくとも１つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第２の判定学習済モデルを取得し、
    　前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第１の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第１の地点における非常時の人数を予測し、前記実データと前記第２の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
    　前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第１の地点における人数を算出し、
    　算出された結果を出力する、
    　処理を実行させる予測プログラム。
PCT/JP2021/038771 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム WO2023067726A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2023541248A JP7475549B2 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
PCT/JP2021/038771 WO2023067726A1 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
CN202180103229.6A CN118103855A (zh) 2021-10-20 2021-10-20 学习装置、预测装置、预测系统、学习方法、预测方法以及预测程序
EP21961379.1A EP4401017A1 (en) 2021-10-20 2021-10-20 Training device, prediction device, prediction system, training method, prediction method, and prediction program
US18/628,202 US20240249209A1 (en) 2021-10-20 2024-04-05 Learning device, prediction device, prediction system, learning method, and prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/038771 WO2023067726A1 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/628,202 Continuation US20240249209A1 (en) 2021-10-20 2024-04-05 Learning device, prediction device, prediction system, learning method, and prediction method

Publications (1)

Publication Number Publication Date
WO2023067726A1 true WO2023067726A1 (ja) 2023-04-27

Family

ID=86058011

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/038771 WO2023067726A1 (ja) 2021-10-20 2021-10-20 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム

Country Status (5)

Country Link
US (1) US20240249209A1 (ja)
EP (1) EP4401017A1 (ja)
JP (1) JP7475549B2 (ja)
CN (1) CN118103855A (ja)
WO (1) WO2023067726A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119109A1 (en) * 2009-11-13 2011-05-19 Bank Of America Corporation Headcount forecasting system
WO2019049688A1 (ja) * 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
JP2019125048A (ja) 2018-01-12 2019-07-25 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置
WO2021130926A1 (ja) * 2019-12-25 2021-07-01 日本電信電話株式会社 人流予測装置、人流予測方法、及び人流予測プログラム
WO2021193864A1 (ja) * 2020-03-25 2021-09-30 国立大学法人広島大学 Ａｉによる事象クラスの判別方法及び判別システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119109A1 (en) * 2009-11-13 2011-05-19 Bank Of America Corporation Headcount forecasting system
WO2019049688A1 (ja) * 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
JP2019125048A (ja) 2018-01-12 2019-07-25 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置
WO2021130926A1 (ja) * 2019-12-25 2021-07-01 日本電信電話株式会社 人流予測装置、人流予測方法、及び人流予測プログラム
WO2021193864A1 (ja) * 2020-03-25 2021-09-30 国立大学法人広島大学 Ａｉによる事象クラスの判別方法及び判別システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HOTTA, MIYAKO: "IS3-09 Suggested congestion degree estimation procedure based on small amount of training data", THE 20TH SYMPOSIUM ON SENSING VIA IMAGE INFORMATION (SSII20014); JUNE 11-13, 2014, vol. 20, 13 June 2014 (2014-06-13) - 13 June 2014 (2014-06-13), pages IS3 - IS3-09-6, XP009547686, ISBN: 978-4-9906491-2-8 *
角田 啓介. 施設管理支援に向けた常時型人流予測. 情報処理学会研究報告. 20 January 2020. (TSUNODA, Keisuke. Continuous Prediction of People Flow for Supporting Facility Management. IPSJ SIG Technical Report) *

Also Published As

Publication number Publication date
JPWO2023067726A1 (ja) 2023-04-27
EP4401017A1 (en) 2024-07-17
CN118103855A (zh) 2024-05-28
JP7475549B2 (ja) 2024-04-26
US20240249209A1 (en) 2024-07-25

Similar Documents

Publication Publication Date Title
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
Lin et al. Quantifying uncertainty in short-term traffic prediction and its application to optimal staffing plan development
JP7079662B2 (ja) 電力需要予測システム、学習装置及び電力需要予測方法
US10902311B2 (en) Regularization of neural networks
US20170082665A1 (en) Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
US20200265295A1 (en) Data processing apparatus, data processing method, and storage medium
CN111861013A (zh) 一种电力负荷预测方法及装置
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN112749041B (zh) 虚拟化网络功能备份策略自决策方法、装置及计算设备
Yang et al. Airport arrival flow prediction considering meteorological factors based on deep‐learning methods
Yulita et al. Comparison multi-layer perceptron and linear regression for time series prediction of novel coronavirus covid-19 data in West Java
US20230281472A1 (en) Generating training data sets for power output prediction
Oh et al. Storm-induced power grid damage forecasting method for solving low probability event data
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
WO2023067726A1 (ja) 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
Choi et al. The empirical evaluation of models predicting bike sharing demand
Triana et al. Bagging and boosting techniques in prediction of particulate matters
CN114611753A (zh) 一种航班飞机轨迹数据预测系统及方法
CN109800923B (zh) 一种分散式风力发电短期功率组合预测方法
WO2020202594A1 (en) Learning system, method and program
CN112446516A (zh) 一种出行预测方法及装置

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: 21961379

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023541248

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2021961379

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202180103229.6

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2021961379

Country of ref document: EP

Effective date: 20240410

NENP Non-entry into the national phase

Ref country code: DE