WO2023195228A1 - 帰着エリア予測装置 - Google Patents

帰着エリア予測装置 Download PDF

Info

Publication number
WO2023195228A1
WO2023195228A1 PCT/JP2023/004237 JP2023004237W WO2023195228A1 WO 2023195228 A1 WO2023195228 A1 WO 2023195228A1 JP 2023004237 W JP2023004237 W JP 2023004237W WO 2023195228 A1 WO2023195228 A1 WO 2023195228A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
return area
information
people
cluster
Prior art date
Application number
PCT/JP2023/004237
Other languages
English (en)
French (fr)
Inventor
佑輔 中村
喬 鈴木
曉 山田
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
Publication of WO2023195228A1 publication Critical patent/WO2023195228A1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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 return area prediction device that predicts the return area of visitors to various events, events, performances, etc. (hereinafter collectively referred to as "events").
  • the "return area” here refers to the first stop area for visitors when moving immediately after an event.For example, if a visitor goes straight home immediately after an event, the area around their home will be the return area, and the area surrounding the event will be If the visitor stops by a commercial facility immediately after the event, the area around the commercial facility becomes the return area.
  • "transport routes" related to the prediction of the return area include all routes, such as railway lines and bus routes, that operate along a predetermined route and stop at a predetermined stop.
  • Patent Document 1 the ratio of the number of people getting off at the nearest station on the day of the event before the start of the event compared to the number of people getting off at the same station on days when the event was not held is calculated, and the obtained ratio etc.
  • a technique has been disclosed for predicting the number of users at the nearest station immediately after an event ends.
  • the event ends only based on the number of people getting off at the nearest station before the event starts on the day of the event. Even if you predict the number of users at the nearest station immediately after, there is a limit to improving the accuracy of predicting the return area for visitors to a scheduled event, especially when targeting new events or new event venues. Application to prediction was difficult.
  • the number of event performances itself is far from the amount of data required for general machine learning, so if machine learning methods are applied as is, they will fit too faithfully to the small amount of training data, and the original data trends will be lost. There was a risk that overfitting would occur, which would deviate from the target area, which would impede improvement in the accuracy of predicting the return area.
  • the present disclosure has been made to solve the above problems, and aims to improve the accuracy of predicting the return area for visitors to an event scheduled to be held.
  • a return area prediction device uses a regularized regression method to obtain regression results for predicting the number of visitors to each return area of the target event from event information of the target event, and Based on the results, identify the nearest neighbor cluster closest to the regression result among the already clustered event group clusters, and calculate the number of people in each return area of the target event based on at least the centroid position of the nearest neighbor cluster.
  • a prediction unit that makes predictions is provided.
  • the prediction unit uses a regularized regression method to obtain the regression result of predicting the number of visitors of the target event for each return area from the event information of the target event. Based on the regression result, the nearest neighbor cluster closest to the regression result is identified among the event group clusters that have already been clustered. Then, the prediction unit predicts the number of people in each return area of the target event based on at least the centroid position of the identified nearest cluster. In this way, the nearest neighbor cluster closest to the regression result obtained by the regularized regression method is identified, and the number of people in each return area of the target event is predicted based on at least the centroid position of the nearest neighbor cluster. As a result, even if the event has not been held in the past or has only a small number of holdings, or even if tickets are not yet on sale, it is possible to accurately predict the number of people in each return area of the target event.
  • the prediction unit uses at least the centroid position of the nearest cluster as basic information.
  • the above regression result may be used, but it is avoided to use only the above regression result. This prevents overfitting in which the above regression result obtained by regression is obtained from the event information of the target event too faithfully and deviates from the original data trend, and prevents the improvement of prediction accuracy of the return area. can be avoided.
  • FIG. 1 is a functional block configuration diagram of a return area prediction device and related devices according to an embodiment of the invention.
  • FIG. 6 is a diagram illustrating an example of location information collected through location information collection processing.
  • FIG. 7 is a diagram illustrating an example of event information regarding a group of past events that is acquired at the beginning of predictive model learning processing.
  • FIG. 3 is a diagram illustrating an example of information on event attendees identified in predictive model learning processing.
  • (a) is a diagram showing an example of statistical visitor information (by city, ward, town, village) used to generate a predictive model
  • (b) is an example of statistical visitor information (by station) used to generate a predictive model.
  • FIG. 3 is a diagram showing an example of information (location information aggregation results before the event starts).
  • (a) is a diagram showing an example of event information of a target event that is acquired at the beginning of the return area prediction process, and (b) is an example of position information aggregate data before the event starts that is optionally acquired together with the above event information.
  • FIG. 3C is a diagram showing an example of the return area prediction result (visitors from a distance) output by the return area prediction process.
  • (a) is a flow diagram showing location information collection processing
  • (b) is a flow diagram showing prediction model learning processing
  • (c) is a flow diagram showing return area prediction processing.
  • FIG. 6 is a diagram showing a process of predicting the number of people represented by the center of gravity position as the number of people for each return area of the target event.
  • (a) is a flowchart showing modification example 1 of return area prediction processing
  • (b) is a diagram for explaining a prediction method in modification example 1.
  • (a) is a flowchart showing modification example 2 of return area prediction processing
  • (b) is a diagram for explaining a prediction method in modification example 2. It is a diagram showing an example of the hardware configuration of a return area prediction device.
  • the return area prediction device 10 includes a cluster acquisition section 11, a prediction section 12, a position information database (DB) 13, and an event database (DB) 14.
  • DB position information database
  • DB event database
  • the location information DB 13 is a database that receives (collects) and stores location information from various user terminals 20 at any time, and the location information is, for example, as shown in FIG. mesh code) and information acquisition date and time, and these are stored in the location information DB 13 along with the user's identifier (user ID).
  • the event DB 14 is a database that receives (collects) event information regarding various past event groups from the business terminal 30 at any time and stores it.
  • the event information includes, for example, the event name, performers, It includes genre, subgenre, event date, event location, opening time, performance start time, and performance closing time, and these are stored in the event DB 14 together with the event identifier (ID).
  • the business terminal 30 is a terminal related to event information collection and management work, and also inputs event information of a target event to the prediction unit 12 and calculates the number of people for each return area of the target event output from the prediction unit 12. Obtain the predicted value and output it (display output, etc.). However, the latter process (input of event information of the target event, acquisition and output of predicted number of people for each return area) may be performed by a terminal other than the business terminal 30.
  • the position information DB 13 and the event DB 14 are provided inside the return area prediction device 10, and they may be provided in an external server, etc., and the return area prediction device 10 It may also be configured to acquire necessary information.
  • the cluster acquisition unit 11 obtains the number of visitors for each return area of each event based on movement history information of visitors in past event groups, and clusters multiple events that have similar characteristics regarding the number of people in each return area. This is a functional unit that acquires event group clusters by doing so, and includes a visitor identification unit 11A, a statistical processing unit 11B, and a predictive model learning unit 11C.
  • the visitor identification unit 11A obtains event information regarding past event groups from the event DB 14, and identifies visitors to the event related to the obtained event information based on the location information stored in the location information DB 13. Identify. For example, a user whose location (mesh code in Figure 2) in the time period from the start time to the closing time of a certain event on the day of the event is a mesh that includes the venue of the event is identified as a visitor to the event. do. As shown in FIG. 4, examples of information on identified event visitors include information on the outbound route (entrance station, routes 1 and 2, departure time, arrival station, arrival time) and information regarding the return trip (entry station, routes 1 and 2, departure time, arrival station, arrival time) are obtained.
  • the statistical processing unit 11B determines the return area of each visitor after the event from the movement history of each visitor on the day of the event obtained based on the location information of the visitor specified by the visitor identification unit 11A, and calculates the return area of each visitor after the event. Statistical information on the number of people in the return area obtained by statisticizing the number of people and aggregate information on visitor movement history on the day of the event before the start of the event are acquired as "statistical visitor information". As mentioned above, the "return area" is defined as the first staying area of the visitor's movement immediately after the event, so the statistical processing unit 11B calculates the first stop area of the visitor's movement immediately after the event from the movement history of each visitor on the day of the event.
  • the retention area (for example, the area where the vehicle stayed for a predetermined reference time or more) is identified, and the identified retention area is determined as the return area.
  • "statistical information on the number of people in the return area” includes, for example, the statistical information on the number of people in the return area for each municipality shown in Figure 5(a), and the statistical information on the number of people in the return area for each station shown in Figure 5(b). Examples include statistical information on the number of people in the return area, and statistical information on the number of people in the return area regarding visitors from far away as shown in FIG. 5(c).
  • “visitors from far away” candidate facilities where visitors from far away are expected to stay on their way home (for example, Haneda Airport, Narita Airport, Tokyo Station, etc. shown in Figure 5(c)) are selected.
  • FIG. 5(c) can be obtained by identifying the visitors in the area and counting the number of visitors for each candidate facility.
  • "visitor movement history aggregate information on the day of the event before the start of the event” is as shown in Figure 5(d): entry station, arrival station, entry time, arrival time, number of people. , aggregated information including the estimated number of people.
  • the "expanded estimated number of people” is estimated based on the "number of people” that can be ascertained by a certain telecommunications company and the telecommunications company's share ratio in the telecommunications industry. This means the number of people in the telecommunications industry as a whole.
  • the "expanded estimated number of people" in the information shown in FIG. 6(b) and FIGS. 7(a) to (c) also has the same meaning.
  • the predictive model learning unit 11C inputs the visitor movement history aggregate information and the event information acquired by the visitor identification unit 11A among the statistical visitor information obtained by the statistical processing unit 11B, and inputs the statistical visitor information.
  • a prediction model that outputs statistical information on the number of people in each return area, and using a predetermined clustering method (such as Ward's method) to cluster multiple events that have similar characteristics regarding the number of people in each return area in each event of the prediction model, Get a cluster of events.
  • the generated prediction model is transferred to the prediction unit 12 and stored by the prediction unit 12.
  • the predictive model learning unit 11C updates and refines the predictive model 12A stored by the predictive unit 12 each time subsequent learning is performed.
  • the prediction unit 12 uses the event information of the target event input from the business terminal 30 using a regularized regression method (for example, ridge regression, lasso regression, etc.) while referring to the prediction model 12A.
  • the regression result of predicting the number of visitors for each return area of the target event is acquired, and based on the acquired regression result, among the event group clusters clustered and acquired by the cluster acquisition unit 11, the most recent one closest to the regression result is acquired.
  • This is a functional unit that identifies neighboring clusters, predicts the number of people in each return area of the target event based on at least the centroid position of the nearest neighboring cluster using various methods described later, and outputs the predicted value to the business terminal 30.
  • the prediction unit 12 selects the event cluster whose distance between the center of gravity of each event group cluster and the position indicated by the regression result of the prediction of the number of visitors for each return area of the target event is the closest. Identify the group cluster as the nearest neighbor cluster.
  • step S0 location information transmitted from the user terminal 20 is received and stored by the location information DB 13 at any time.
  • step S0 location information transmitted from the user terminal 20 is received and stored by the location information DB 13 at any time.
  • past event information transmitted from the business terminal 30 is similarly received and stored by the event DB 14 at any time.
  • the predictive model learning process shown in FIG. 8(b) is started, for example, with the update of past event information as a trigger.
  • the visitor identification unit 11A obtains event information regarding a group of past events from the event DB (step S1), and identifies visitors to the event related to the obtained event information based on the location information stored in the location information DB. (Step S2).
  • the location information of the identified visitors is transferred to the statistical processing unit 11B, and the statistical processing unit 11B obtains the movement history of each visitor on the day of the event from the location information of the identified visitors (step S3).
  • the return area of each visitor after the event is determined from the movement history of each visitor on the day of the event, and the number of people in each return area is statisticized to obtain statistical visitor information (step S4).
  • the obtained statistical visitor information is transferred to the predictive model learning section 11C.
  • the predictive model learning unit 11C inputs visitor movement history aggregate information among the obtained statistical visitor information and event information obtained by the visitor identification unit 11A, and calculates return area population statistics among the statistical visitor information.
  • a prediction model that outputs the information is generated and stored in the prediction unit 12 as the prediction model 12A (step S5).
  • the predictive model learning unit 11C updates and refines the predictive model 12A stored by the predictive unit 12 each time subsequent learning is performed.
  • the predictive model learning unit 11C acquires an event group cluster by clustering a plurality of events having similar characteristics regarding the number of people in each return area in each event of the predictive model using a predetermined clustering method (Ward's method, etc.) Step S6).
  • cluster X consisting of events 1 and 2
  • cluster Y consisting of event 3
  • cluster Z consisting of events 4 and 5
  • Figure 9(a) shows information on the number of people in each return area for various events.For convenience, the axis of the number of people in the return area (Adachi Ward) and the number of people in the return area (Shibuya Ward) are shown for ease of understanding.
  • the return area prediction process shown in FIG. 8(c) is started, for example, when an operator inputs an execution start command together with event information of a target event from the business terminal 30 as a trigger.
  • event information of the target event include the information illustrated in FIGS. 6(a) and 6(b), and the data format of FIG. 6(a) is similar to the past event information example of FIG. 3 described above.
  • the data format of FIG. 6(b) is the same as the information example of FIG. 5(d) described above.
  • the prediction unit 12 acquires the event information of the target event from the business terminal 30 (step S11), and uses the event information of the target event to predict the number of visitors for each return area of the target event using ridge regression or the like. A regression result is obtained (step S12). The prediction unit 12 then compares the distance between the centroid position of each event group cluster and the position indicated by the regression result (step S13). Through this comparison, the event group cluster with the shortest distance is identified as the nearest neighbor cluster. For example, as shown in FIG. 9(b), the distances between the centroid positions of event group clusters X, Y, and Z and the position indicated by the regression result of event A are compared, and event group cluster X with the shortest distance is Identified as the nearest neighbor cluster.
  • the prediction unit 12 predicts the number of people represented by the centroid position of the nearest cluster as the number of people for each return area of the target event (step S14), and outputs the prediction result to the business terminal 30. (Step S15).
  • the number of people represented by the centroid position of event group cluster X which is the nearest cluster, is taken as the predicted number of people for each return area of the target event (event A).
  • the return area prediction result for each city, ward, town, village shown in FIG. 7(a) the return area prediction result for each station shown in FIG.
  • step S15 includes various forms of output, such as display output to a display, print output to a printer, and data transmission to an external device.
  • the location information of the user terminal 20 used in the above embodiments is not limited to the connection information of the user terminal 20 to the base station, but also the GPS location information of the user terminal 20 and the Wi-Fi (registered trademark) connection information of the user terminal 20. , Bluetooth (registered trademark) beacon connection information, etc. may also be used to obtain similar results.
  • the prediction unit 12 predicts the number of people in each return area of the target event based on at least the centroid position of the identified nearest cluster. In this way, the nearest cluster closest to the regression result obtained by the regularized regression method is identified, and the number of people in each return area of the target event is predicted based on at least the centroid position of the nearest cluster. As a result, even if the event has not been held in the past or has only a limited number of holdings, or even if tickets are not yet on sale, it is possible to accurately predict the number of people in each return area of the target event.
  • the prediction unit 12 predicts the number of people represented by the centroid position of the nearest cluster as the number of people for each return area of the target event.
  • the centroid position of the nearest cluster is used as basic information.
  • the basic information at this time as in Modifications 1 and 2 described later, in addition to the centroid position of the nearest cluster, regression results obtained by a regularized regression method may also be used.
  • the cluster acquisition unit 11 uses as input the visitor movement history aggregate information and the event information acquired by the visitor identification unit 11A among the statistical visitor information, and uses the process shown in FIG. 8(b) to By generating a prediction model that outputs the statistical information on the number of people in the return area among the visitor information, and clustering multiple events with similar characteristics regarding the number of people in each return area in each event of the prediction model using a clustering method such as Ward's method, Get a cluster of events.
  • a clustering method such as Ward's method, Get a cluster of events.
  • the prediction unit 12 may predict the number of people represented by the midpoint between the centroid position of the nearest cluster and the position indicated by the regression result as the number of people for each return area of the target event. Specifically, in step S14A of the return area prediction process shown in FIG. The intermediate point is determined, and the number of people represented by the intermediate point is predicted as the number of people for each return area of the target event.
  • the distance between the position indicated by the regression result of the target event A and the centroid position of each of the event group clusters X to Z is compared, and the distance from the event group cluster X is compared.
  • step S14B of the return area prediction process shown in FIG. to decide.
  • Event B regression result in FIG. 11(b)
  • the prediction unit 12 predicts the regression result as the number of people for each return area of the target event B (step S14C).
  • step S14B if the position indicated by the regression result of the target event C does not exist within the boundary of the nearest cluster (NO in step S14B), as shown in FIG. ), the prediction unit 12 calculates the number of people represented by the intersection point R of the straight line connecting the position indicated by the regression result and the center of gravity of the nearest cluster (cluster Z) and the boundary line of the nearest cluster (cluster Z). The number of people for each return area of the event is predicted (step S14D).
  • the regression results are used as part of the basic information for prediction, but the position indicated by the regression results of the target event exists within the boundary of the nearest cluster, that is, the regression results have an appropriate value.
  • the appropriate regression result can be predicted as the number of people in each return area of the target event.
  • the prediction result will be It is possible to prevent deviation to the outer region of the neighboring cluster (cluster Z) and to prevent values from becoming inappropriate enough to be considered overfitting.
  • each functional block may be realized using one physically or logically coupled device, or may be realized using two or more physically or logically separated devices directly or indirectly (e.g. , wired, wireless, etc.) and may be realized using a plurality of these devices.
  • the functional block may be realized by combining software with the one device or the plurality of devices.
  • Functions include judgment, decision, judgment, calculation, calculation, processing, derivation, investigation, exploration, confirmation, reception, transmission, output, access, resolution, selection, selection, establishment, comparison, assumption, expectation, consideration, These include, but are not limited to, broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, and assigning. I can't do it.
  • a functional block (configuration unit) that performs transmission is called a transmitting unit or transmitter. In either case, as described above, the implementation method is not particularly limited.
  • the return area prediction device in one embodiment of the present disclosure may function as a computer that performs the processing in this embodiment.
  • FIG. 12 is a diagram illustrating a hardware configuration example of the return area prediction device 10 according to an embodiment of the present disclosure.
  • the above-described return area prediction device 10 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 word “apparatus” can be read as a circuit, a device, a unit, etc.
  • the hardware configuration of the return area prediction device 10 may be configured to include one or more of the devices shown in the figure, or may be configured without including some of the devices.
  • Each function in the return area prediction device 10 includes loading predetermined software (programs) onto hardware such as the processor 1001 and memory 1002, so that the processor 1001 performs calculations, controls communication by the communication device 1004, This is realized by controlling at least one of reading and writing data in the memory 1002 and storage 1003.
  • the processor 1001 for example, operates an operating system to control 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 unit, 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 in accordance with these.
  • 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.
  • Processor 1001 may be implemented by one or more chips. Note that the program may be transmitted from a network via a telecommunications line.
  • the memory 1002 is a computer-readable recording medium, and includes at least one of ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be done.
  • Memory 1002 may be called a register, cache, main memory, or the like.
  • the memory 1002 can store executable programs (program codes), software modules, and the like to implement a wireless communication method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, such as an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, or a magneto-optical disk (for example, a compact disk, a digital versatile disk, or a Blu-ray disk). (registered trademark disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, etc.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium mentioned 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 (transmission/reception device) for communicating between computers via at least one of a wired network and a wireless network, and is also referred to as a network device, network controller, network card, communication module, etc., for example.
  • the input device 1005 is an input device (eg, keyboard, mouse, microphone, switch, button, sensor, etc.) that accepts input from the outside.
  • the output device 1006 is an output device (for example, a display, a speaker, an LED lamp, etc.) that performs output to the outside.
  • the input device 1005 and the output device 1006 may have an integrated configuration (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 for each device.
  • notification of prescribed information is not limited to being done explicitly, but may also be done implicitly (for example, not notifying the prescribed information). Good too.
  • the input/output information may be stored in a specific location (for example, memory) or may be managed using a management table. Information etc. to be input/output may be overwritten, updated, or additionally written. The output information etc. may be deleted. The input information etc. may be transmitted to other devices.
  • the phrase “based on” does not mean “based solely on” unless explicitly stated otherwise. In other words, the phrase “based on” means both “based only on” and “based at least on.”
  • a and B are different may mean “A and B are different from each other.” Note that the term may also mean that "A and B are each different from C”. Terms such as “separate” and “coupled” may also be interpreted similarly to “different.”
  • 10...Return area prediction device 11...Cluster acquisition unit, 11A...Visitor identification unit, 11B...Statistical processing unit, 11C...Prediction model learning unit, 12...Prediction unit, 12A...Prediction model, 13...Position information DB, 14 ...Event DB, 20...User terminal, 30...Business terminal, 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)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (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

帰着エリア予測装置（１０）は、正則化された回帰手法を用いて、対象イベントのイベント情報から対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得し、取得された回帰結果に基づいて、既にクラスタリングされたイベント群クラスタのうち、上記回帰結果に最も近い最近傍クラスタを特定し、少なくとも最近傍クラスタの重心位置に基づいて、対象イベントの帰着エリアごとの人数を予測する予測部（１２）、を備える。

Description

帰着エリア予測装置
　本開示は、様々なイベント、行事、興行等（以下「イベント」と総称する）の来場者の帰着エリアを予測する帰着エリア予測装置に関する。ここでの「帰着エリア」とは、イベント直後の来場者の移動における最初の滞留エリアを意味し、例えば、イベント直後に来場者が自宅へ真っ直ぐ帰った場合は、自宅周辺が帰着エリアとなり、イベント直後に来場者が商業施設に立ち寄った場合は、その商業施設周辺が帰着エリアとなる。また、帰着エリアの予測に関わる「交通路線」としては、鉄道路線、バス路線など、予め定められたルートに沿って予め定められた停車場で停車するように運行されるあらゆる路線が含まれる。
　様々なイベントの開催を計画するにあたり、イベント会場への交通整備の施策検討、物品販売のマーケティング等を目的として、イベントに来場すると予想される来場者の帰着エリアを事前に予測することは重要となる。ところが、従来は、過去に実施されたイベントの来場者の属性情報を当該イベントのチケット販売データ等から把握し分析して得られた分析結果やイベント興行主のノウハウ等を、開催予定のイベントの来場者に関する帰着エリア情報の代替として活用することで、イベント会場への交通整備の施策検討、物品販売のマーケティング等を行っていた。また、特許文献１には、イベント当日のイベント開始前の最寄り駅の降車人員が、当該イベントが開催されなかった日の同駅の降車人員に対し増加した割合を求め、得られた割合等を用いて、イベント終了直後の最寄り駅の利用者数等を予測する技術が開示されている。
特開２０１５－２１９６７３号公報
　しかしながら、過去のイベントの来場者の属性情報に基づき得られた分析結果やイベント興行主のノウハウ等を活用しても、また、イベント当日のイベント開始前の最寄り駅の降車人員のみに基づきイベント終了直後の最寄り駅の利用者数を予測しても、開催予定のイベントの来場者に関する帰着エリアの予測精度を向上させるには限界があり、特に、新規のイベントや新規のイベント会場を対象とする予測への適用は困難であった。また、イベント興行の数自体が、一般的な機械学習に要求されるデータ数に遠く及ばないため、機械学習手法をそのまま適用した場合、少ない教師データに忠実に適合しすぎて、本来のデータ傾向から外れてしまう過学習が生じ、帰着エリアの予測精度向上を妨げるおそれがあった。
　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、開催予定のイベントの来場者に関する帰着エリアの予測精度を向上させることを目的とする。
　本開示に係る帰着エリア予測装置は、正則化された回帰手法を用いて、対象イベントのイベント情報から前記対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得し、取得された回帰結果に基づいて、既にクラスタリングされたイベント群クラスタのうち、前記回帰結果に最も近い最近傍クラスタを特定し、少なくとも前記最近傍クラスタの重心位置に基づいて、前記対象イベントの帰着エリアごとの人数を予測する予測部、を備える。
　上記の帰着エリア予測装置では、予測部が、正則化された回帰手法を用いて、対象イベントのイベント情報から対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得し、取得された回帰結果に基づいて、既にクラスタリングされたイベント群クラスタのうち、上記回帰結果に最も近い最近傍クラスタを特定する。そして、予測部は、少なくとも、特定された最近傍クラスタの重心位置に基づいて、対象イベントの帰着エリアごとの人数を予測する。このように、正則化された回帰手法による回帰結果に最も近い最近傍クラスタを特定し、少なくとも上記最近傍クラスタの重心位置に基づいて、対象イベントの帰着エリアごとの人数を予測する。これにより、たとえ過去に開催実績の無い又は開催実績の少ないイベントであっても、また、チケット未発売時であっても、対象イベントの帰着エリアごとの人数を精度良く予測することができる。
　また、予測部は、対象イベントの帰着エリアごとの人数を予測する際に、少なくとも、最近傍クラスタの重心位置を基礎情報とする。このときの基礎情報として、最近傍クラスタの重心位置に加えて、さらに上記回帰結果を用いてもよいが、上記回帰結果のみを用いることは避ける。これにより、対象イベントのイベント情報から回帰により得られた上記回帰結果に忠実に適合しすぎて本来のデータ傾向から外れてしまう過学習を未然に防止し、帰着エリアの予測精度向上が妨げられる事態を回避することができる。
　本開示によれば、開催予定のイベントの来場者に関する帰着エリアの予測精度を向上させることができる。
発明の実施形態に係る帰着エリア予測装置および関連装置の機能ブロック構成図である。 位置情報の収集処理により収集される位置情報の例を示す図である。 予測モデル学習処理の最初に取得される過去のイベント群に関するイベント情報の例を示す図である。 予測モデル学習処理において特定されたイベント来場者の情報の例を示す図である。 （ａ）は予測モデル生成に用いられる統計化来場者情報の例（市区町村単位）を示す図であり、（ｂ）は予測モデル生成に用いられる統計化来場者情報の例（駅単位）を示す図であり、（ｃ）は予測モデル生成に用いられる統計化来場者情報の例（遠方からの来場者）を示す図であり、（ｄ）は予測モデル生成に用いられる統計化来場者情報の例（イベント開演前の位置情報集計結果）を示す図である。 （ａ）は帰着エリア予測処理の最初に取得される対象イベントのイベント情報の例を示す図であり、（ｂ）はオプションとして上記イベント情報とともに取得されるイベント開演前の位置情報集計データの例を示す図である。 （ａ）は帰着エリア予測処理により出力される帰着エリア予測結果（市区町村単位）の例を示す図であり、（ｂ）は帰着エリア予測処理により出力される帰着エリア予測結果（駅単位）の例を示す図であり、（ｃ）は帰着エリア予測処理により出力される帰着エリア予測結果（遠方からの来場者）の例を示す図である。 （ａ）は位置情報の収集処理を示すフロー図であり、（ｂ）は予測モデル学習処理を示すフロー図であり、（ｃ）は帰着エリア予測処理を示すフロー図である。 （ａ）は予測モデル学習処理により取得された複数のイベント群クラスタを示す図であり、（ｂ）は最近傍のクラスタを特定する処理を示す図であり、（ｃ）は最近傍のクラスタの重心位置が表す人数を対象イベントの帰着エリアごとの人数として予測する処理を示す図である。 （ａ）は帰着エリア予測処理の変形例１を示すフロー図であり、（ｂ）は変形例１における予測手法を説明するための図である。 （ａ）は帰着エリア予測処理の変形例２を示すフロー図であり、（ｂ）は変形例２における予測手法を説明するための図である。 帰着エリア予測装置のハードウェア構成例を示す図である。
　以下、図面を参照しながら、本開示に係る帰着エリア予測装置の一実施形態を説明する。図１に示すように、帰着エリア予測装置１０は、クラスタ取得部１１、予測部１２、位置情報データベース（ＤＢ）１３、および、イベントデータベース（ＤＢ）１４を備える。以下、各部の機能を概説する。
　位置情報ＤＢ１３は、様々なユーザ端末２０からの位置情報を随時受信（収集）し、格納するデータベースであり、上記位置情報は、例えば図２に示すように在圏位置（在圏するメッシュを識別するメッシュコード）および情報取得日時を含み、これらがユーザの識別子（ユーザＩＤ）とともに位置情報ＤＢ１３に格納される。
　イベントＤＢ１４は、過去の様々なイベント群に関するイベント情報を業務用端末３０から随時受信（収集）し、格納するデータベースであり、上記イベント情報は、例えば図３に示すようにイベント名、出演者、ジャンル、サブジャンル、開催日、開催場所、開場時刻、開演時刻、閉演時刻を含み、これらがイベントの識別子（ＩＤ）とともにイベントＤＢ１４に格納される。なお、業務用端末３０は、イベント情報の収集管理業務に係る端末であるとともに、予測部１２に対象イベントのイベント情報を入力して、予測部１２から出力される対象イベントの帰着エリアごとの人数予測値を取得して出力（表示出力等）する。ただし、後者の処理（対象イベントのイベント情報入力や、帰着エリアごとの人数予測値の取得・出力）は、業務用端末３０とは別の端末によって行われる構成としてもよい。
　なお、上記の位置情報ＤＢ１３およびイベントＤＢ１４が帰着エリア予測装置１０の内部に設けられることは、必須ではなく、外部のサーバ等に設けられてもよく、帰着エリア予測装置１０が外部のサーバ等から必要な情報を取得する構成としてもよい。
　クラスタ取得部１１は、過去のイベント群における来場者の移動履歴情報に基づいて、各イベントの来場者の帰着エリアごとの人数を求め、帰着エリアごとの人数に関する特徴が近い複数のイベント同士をクラスタリングすることでイベント群クラスタを取得する機能部であり、来場者特定部１１Ａと統計処理部１１Ｂと予測モデル学習部１１Ｃとを含む。
　このうち、来場者特定部１１Ａは、過去のイベント群に関するイベント情報をイベントＤＢ１４から取得し、取得されたイベント情報に係るイベントへの来場者を、位置情報ＤＢ１３に格納された位置情報に基づいて特定する。例えば、あるイベントの開催日の開演時刻から閉演時刻までの時間帯における在圏位置（図２のメッシュコード）が、当該イベントの会場を含むメッシュであるユーザを、当該イベントへの来場者として特定する。特定されたイベント来場者の情報例は、図４に示すように、各イベント来場者を識別するユーザＩＤをキーにして、往路に関する情報（入場駅、路線１および２、出発時刻、到着駅、到着時刻）並びに復路に関する情報（入場駅、路線１および２、出発時刻、到着駅、到着時刻）が取得される。
　統計処理部１１Ｂは、来場者特定部１１Ａにより特定された来場者の位置情報に基づき得られる各来場者のイベント当日の移動履歴からイベント後の各来場者の帰着エリアを求め、帰着エリアごとの人数を統計化して得られた帰着エリア人数統計情報およびイベント当日のイベント開始前の来場者移動履歴集計情報を「統計化来場者情報」として取得する。前述したように「帰着エリア」とは、イベント直後の来場者の移動における最初の滞留エリアと定義したため、統計処理部１１Ｂは、各来場者のイベント当日の移動履歴から、イベント直後の移動における最初の滞留エリア（例えば予め定められた基準時間以上、滞留したエリア）を特定し、特定された滞留エリアを帰着エリアとして求める。
　上記の取得される統計化来場者情報のうち「帰着エリア人数統計情報」については、例えば図５（ａ）に示す市区町村単位の帰着エリア人数統計情報、図５（ｂ）に示す駅単位の帰着エリア人数統計情報、図５（ｃ）に示す遠方からの来場者に関する帰着エリア人数統計情報などが挙げられる。このうち「遠方からの来場者」については、遠方からの来場者が帰路の途中で滞留すると想定される候補施設（例えば図５（ｃ）に示す羽田空港、成田空港、東京駅など）が帰着エリアとされた来場者を特定し、候補施設ごとに該当人数をカウントすることで、図５（ｃ）に示す「人数」が得られる。一方、取得される統計化来場者情報のうち「イベント当日のイベント開始前の来場者移動履歴集計情報」については、図５（ｄ）に示す入場駅、到着駅、入場時刻、到着時刻、人数、拡大推計人数を含んだ集計情報が挙げられる。図５（ａ）～（ｄ）に示す情報例のうち、「拡大推計人数」とは、ある通信会社により把握可能な「人数」と当該通信会社の通信業界内シェア比率とに基づき推計して得られる「通信業界全体での人数」を意味する。図６（ｂ）および図７（ａ）～（ｃ）に示す情報の中の「拡大推計人数」も同義である。
　予測モデル学習部１１Ｃは、統計処理部１１Ｂにより取得された統計化来場者情報のうち来場者移動履歴集計情報および来場者特定部１１Ａにより取得されたイベント情報を入力とし、統計化来場者情報のうち帰着エリア人数統計情報を出力とする予測モデルを生成し、所定のクラスタリング手法（ウォード法等）で予測モデルの各イベントにおける帰着エリアごとの人数に関する特徴が近い複数のイベントをクラスタリングすることで、イベント群クラスタを取得する。また、生成された予測モデルは、予測部１２へ転送され、予測部１２により保管される。予測モデル学習部１１Ｃは、以後の学習の都度、予測部１２により保管された予測モデル１２Ａを更新し、ブラッシュアップしていく。
　次に、予測部１２は、予測モデル１２Ａを参照しつつ、正則化された回帰手法（例えば、リッジ回帰、ラッソ回帰等）を用いて、業務用端末３０から入力される対象イベントのイベント情報から対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得し、取得された回帰結果に基づいて、クラスタ取得部１１によりクラスタリングされ取得されたイベント群クラスタのうち、回帰結果に最も近い最近傍クラスタを特定し、後述する様々な手法で、少なくとも最近傍クラスタの重心位置に基づいて対象イベントの帰着エリアごとの人数を予測し、予測値を業務用端末３０へ出力する機能部である。最近傍クラスタの特定については、例えば、予測部１２は、イベント群クラスタそれぞれの重心位置と、前記対象イベントの来場者の帰着エリアごとの人数予測の回帰結果が示す位置との距離が最も近いイベント群クラスタを、最近傍クラスタとして特定する。
　次に、図８（ａ）～図８（ｃ）のフロー図に沿って、帰着エリア予測装置１０において実行される処理を説明する。図８（ａ）に示す位置情報の収集処理では、帰着エリア予測装置１０において、ユーザ端末２０から送信されてきた位置情報は、位置情報ＤＢ１３により随時受信され、格納されていく（ステップＳ０）。また、図示は省略したが、同様に、業務用端末３０から送信されてきた過去のイベント情報は、イベントＤＢ１４により随時受信され、格納される。
　図８（ｂ）に示す予測モデル学習処理は、例えば、過去のイベント情報が更新されたことをトリガーにして実行開始される。まず、来場者特定部１１Ａが、過去のイベント群に関するイベント情報をイベントDBから取得し（ステップＳ１）、取得されたイベント情報に係るイベントへの来場者を、位置情報DBに格納された位置情報に基づいて特定する（ステップＳ２）。特定された来場者の位置情報は統計処理部１１Ｂへ転送され、統計処理部１１Ｂは、特定された来場者の位置情報から、各来場者のイベント当日の移動履歴を取得し（ステップＳ３）、各来場者のイベント当日の移動履歴からイベント後の各来場者の帰着エリアを求め、帰着エリアごとの人数を統計化して統計化来場者情報を取得する（ステップＳ４）。取得された統計化来場者情報は予測モデル学習部１１Ｃへ転送される。
　予測モデル学習部１１Ｃは、取得された統計化来場者情報のうち来場者移動履歴集計情報および来場者特定部１１Ａにより取得されたイベント情報を入力とし、統計化来場者情報のうち帰着エリア人数統計情報を出力とする予測モデルを生成し、予測部１２に予測モデル１２Ａとして格納する（ステップＳ５）。又は、予測モデル学習部１１Ｃは、以後の学習の都度、予測部１２により保管された予測モデル１２Ａを更新し、ブラッシュアップする。
　さらに、予測モデル学習部１１Ｃは、所定のクラスタリング手法（ウォード法等）で予測モデルの各イベントにおける帰着エリアごとの人数に関する特徴が近い複数のイベントをクラスタリングすることで、イベント群クラスタを取得する（ステップＳ６）。例えば、図９（ａ）に示すように、イベント１、２から成るクラスタＸ、イベント３から成るクラスタＹ、および、イベント４、５から成るクラスタＺが、イベント群クラスタとして取得される。なお、図９（ａ）は、様々なイベントにおける帰着エリアごとの人数情報を、理解を容易にするために便宜上、帰着エリア（足立区）の人数の軸と帰着エリア（渋谷区）の人数の軸から成る二次元座標上に表示したグラフであり、実際には、分析対象の市区町村分の軸が存在する。後述する図９（ｂ）、図９（ｃ）、図１０（ｂ）、図１１（ｂ）のグラフも同様である。
　図８（ｃ）に示す帰着エリア予測処理は、例えば、オペレータによって業務用端末３０から対象イベントのイベント情報とともに実行開始コマンドが入力されたことをトリガーにして実行開始される。対象イベントのイベント情報としては、例えば図６（ａ）および図６（ｂ）に例示した情報が挙げられ、図６（ａ）のデータ形式は前述した図３の過去のイベント情報例と同様であり、図６（ｂ）のデータ形式は前述した図５（ｄ）の情報例と同様である。
　まず、予測部１２は、業務用端末３０からの対象イベントのイベント情報を取得し（ステップＳ１１）、リッジ回帰等にて対象イベントのイベント情報から対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得する（ステップＳ１２）。そして、予測部１２は、イベント群クラスタそれぞれの重心位置と、回帰結果が示す位置との距離を比較する（ステップＳ１３）。この比較で、距離が最短だったイベント群クラスタが最近傍クラスタとして特定される。例えば、図９（ｂ）に示すように、イベント群クラスタＸ、Ｙ、Ｚそれぞれの重心位置とイベントＡの回帰結果が示す位置との距離が比較され、距離が最短だったイベント群クラスタＸが最近傍クラスタとして特定される。
　さらに、予測部１２は、予測手法の一例として、最近傍クラスタの重心位置が表す人数を、対象イベントの帰着エリアごとの人数として予測し（ステップＳ１４）、予測結果を業務用端末３０へ出力する（ステップＳ１５）。例えば、図９（ｃ）に示すように、最近傍クラスタであるイベント群クラスタＸの重心位置が表す人数が、対象イベント（イベントＡ）の帰着エリアごとの人数予測値とされる。対象イベント（イベントＡ）の帰着エリアごとの人数予測値については、例えば図７（ａ）に示す市区町村単位の帰着エリア予測結果、図７（ｂ）に示す駅単位の帰着エリア予測結果、図７（ｃ）に示す遠方からの来場者に関する帰着エリア予測結果などが挙げられる。なお、ステップＳ１５での「出力」としては、ディスプレイへの表示出力、プリンタへの印刷出力、外部装置へのデータ送信など、様々な形態の出力を含む。
　上記実施形態において使用されるユーザ端末２０の位置情報は、ユーザ端末２０による基地局への接続情報に限らず、ユーザ端末２０のＧＰＳ位置情報、ユーザ端末２０のWi-Fi（登録商標）接続情報、Bluetooth（登録商標）ビーコン接続情報などを用いてもよく、同様の結果を得られる。
　以下、上記の実施形態による効果を述べる。
　予測部１２は、少なくとも、特定された最近傍クラスタの重心位置に基づいて、対象イベントの帰着エリアごとの人数を予測する。このように、正則化された回帰手法による回帰結果に最も近い最近傍クラスタを特定し、少なくとも最近傍クラスタの重心位置に基づいて、対象イベントの帰着エリアごとの人数を予測する。これにより、たとえ過去に開催実績の無い又は開催実績の少ないイベントであっても、チケット未発売時であっても、対象イベントの帰着エリアごとの人数を精度良く予測することができる。
　また、予測部１２は、予測手法の一例として、最近傍クラスタの重心位置が表す人数を、対象イベントの帰着エリアごとの人数として予測する。このように対象イベントの帰着エリアごとの人数を予測する際に、最近傍クラスタの重心位置が基礎情報として用いられる。但し、このときの基礎情報としては、後述する変形例１、２のように、最近傍クラスタの重心位置に加えて、さらに、正則化された回帰手法による回帰結果を用いてもよい。しかし、上記回帰結果のみを用いることは避ける。これにより、対象イベントのイベント情報から回帰により得られた上記回帰結果に忠実に適合しすぎて本来のデータ傾向から外れてしまう過学習を未然に防止し、帰着エリアの予測精度向上が妨げられる事態を回避することができる。
　また、クラスタ取得部１１は、図８（ｂ）に示す処理によって、統計化来場者情報のうち来場者移動履歴集計情報および来場者特定部１１Ａにより取得されたイベント情報を入力とし、統計化来場者情報のうち帰着エリア人数統計情報を出力とする予測モデルを生成し、ウォード法等のクラスタリング手法で予測モデルの各イベントにおける帰着エリアごとの人数に関する特徴が近い複数のイベントをクラスタリングすることで、イベント群クラスタを取得する。このように予測モデルを生成し、ウォード法等のクラスタリング手法で予測モデルの各イベントにおける帰着エリアごとの人数に関する特徴が近い複数のイベントをクラスタリングする手法を用いることで、過去のイベントの帰着エリアごとの人数に関する特徴を十分に反映したイベント群クラスタを取得することができ、帰着エリアの予測精度向上に資することができる。
　（対象イベントの帰着エリアごとの人数予測に関する変形例１）
　上記実施形態では、予測部１２が、最近傍のクラスタの重心位置が表す人数を、対象イベントの帰着エリアごとの人数として予測するという簡易に実現可能な処理例を説明した。しかし、これは、予測手法の一例であり、以下に述べるような、上記以外の予測手法（変形例１、２）も採用しうる。
　変形例１として、予測部１２は、最近傍クラスタの重心位置と、回帰結果が示す位置との中間点が表す人数を、対象イベントの帰着エリアごとの人数として予測してもよい。具体的には、図１０（ａ）に示す帰着エリア予測処理のステップＳ１４Ａにおいて、予測部１２が、ステップＳ１３の比較結果から特定された最近傍クラスタの重心位置と、回帰結果が示す位置との中間点を求め、当該中間点が表す人数を、対象イベントの帰着エリアごとの人数として予測する。図１０（ｂ）に示す二次元座標系で説明すると、対象のイベントＡの回帰結果が示す位置とイベント群クラスタＸ～Ｚそれぞれの重心位置との距離が比較され、イベント群クラスタＸとの距離が最短であるため、イベント群クラスタＸが最近傍クラスタとして特定され、この最近傍クラスタの重心位置と、回帰結果が示す位置との中間点Ｐが表す人数が、対象イベントの帰着エリアごとの人数として予測される。このような変形例１では、回帰結果を予測の基礎情報の一部として用いるものの、最近傍クラスタの重心位置と回帰結果が示す位置との中間点Ｐが表す人数を、対象イベントの帰着エリアごとの人数として予測するため、回帰結果を適宜に加味し且つ過学習を未然に防止しつつ、適切に対象イベントの帰着エリアごとの人数を予測することができる。
　（対象イベントの帰着エリアごとの人数予測に関する変形例２）
　次に、図１１（ａ）、（ｂ）を用いて、変形例２を説明する。図１１（ａ）に示す帰着エリア予測処理のステップＳ１４Ｂにおいて、予測部１２は、ステップＳ１３の比較結果から特定された最近傍クラスタの境界内に、回帰結果が示す位置が存在するか否かを判断する。ここで、図１１（ｂ）に「イベントＢ回帰結果」で示すように、対象イベントＢの回帰結果が示す位置Ｑが最近傍クラスタの境界内に存在していれば（ステップＳ１４ＢでＹＥＳ）、予測部１２は、当該回帰結果を対象イベントＢの帰着エリアごとの人数として予測する（ステップＳ１４Ｃ）。
　一方、ステップＳ１４Ｂで、図１１（ｂ）に「イベントＣ回帰結果」で示すように、対象イベントＣの回帰結果が示す位置が最近傍クラスタの境界内に存在していなければ（ステップＳ１４ＢでＮＯ）、予測部１２は、当該回帰結果が示す位置と最近傍クラスタ（クラスタＺ）の重心位置とを結ぶ直線と、最近傍クラスタ（クラスタＺ）の境界線との交点Ｒが表す人数を、対象イベントの帰着エリアごとの人数として予測する（ステップＳ１４Ｄ）。
　このような変形例２では、回帰結果を予測の基礎情報の一部として用いるものの、対象イベントの回帰結果が示す位置が最近傍クラスタの境界内に存在する、即ち、回帰結果が適切な値である（過学習とされるほどに不適切ではない）場合に、当該適切な回帰結果を対象イベントの帰着エリアごとの人数として予測することができる。一方、対象イベントの回帰結果が示す位置が最近傍クラスタの境界内に存在しない場合には、上記交点Ｒが表す人数を対象イベントの帰着エリアごとの人数として予測することで、予測結果が、最近傍クラスタ（クラスタＺ）の外側領域へ逸脱することを防止し、過学習とされるほどに不適切な値となることを防止することができる。
　（用語の説明、ハードウェア構成（図１２）の説明など）
　なお、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、本開示の一実施の形態における帰着エリア予測装置は、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、本開示の一実施の形態に係る帰着エリア予測装置１０のハードウェア構成例を示す図である。上述の帰着エリア予測装置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。帰着エリア予測装置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。
　帰着エリア予測装置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。
　１０…帰着エリア予測装置、１１…クラスタ取得部、１１Ａ…来場者特定部、１１Ｂ…統計処理部、１１Ｃ…予測モデル学習部、１２…予測部、１２Ａ…予測モデル、１３…位置情報ＤＢ、１４…イベントＤＢ、２０…ユーザ端末、３０…業務用端末、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 (6)

  1. 　正則化された回帰手法を用いて、対象イベントのイベント情報から前記対象イベントの来場者の帰着エリアごとの人数予測の回帰結果を取得し、取得された回帰結果に基づいて、既にクラスタリングされたイベント群クラスタのうち、前記回帰結果に最も近い最近傍クラスタを特定し、少なくとも前記最近傍クラスタの重心位置に基づいて、前記対象イベントの帰着エリアごとの人数を予測する予測部、
    　を備える帰着エリア予測装置。
  2. 　過去のイベント群における来場者の移動履歴情報に基づいて、各イベントの来場者の帰着エリアごとの人数を求め、帰着エリアごとの人数に関する特徴が近い複数のイベント同士をクラスタリングすることで、前記イベント群クラスタを取得するクラスタ取得部、
    　をさらに備える請求項１に記載の帰着エリア予測装置。
  3. 　前記クラスタ取得部は、
    　過去のイベント群に関するイベント情報を取得し、取得されたイベント情報に係るイベントへの来場者を、様々なユーザの位置情報を格納した位置情報データベースに格納された位置情報に基づいて特定する来場者特定部と、
    　前記来場者特定部により特定された来場者の位置情報に基づき得られる各来場者のイベント当日の移動履歴からイベント後の各来場者の帰着エリアを求め、帰着エリアごとの人数を統計化して得られた帰着エリア人数統計情報およびイベント当日のイベント開始前の来場者移動履歴集計情報を統計化来場者情報として取得する統計処理部と、
    　前記統計処理部により取得された前記統計化来場者情報のうち前記来場者移動履歴集計情報および前記来場者特定部により取得されたイベント情報を入力とし、前記統計化来場者情報のうち前記帰着エリア人数統計情報を出力とする予測モデルを生成し、所定のクラスタリング手法で前記予測モデルの各イベントにおける帰着エリアごとの人数に関する特徴が近い複数のイベントをクラスタリングすることで、前記イベント群クラスタを取得する予測モデル学習部と、
    　を含む請求項２に記載の帰着エリア予測装置。
  4. 　前記予測部は、
    前記最近傍クラスタの重心位置が表す人数を、前記対象イベントの帰着エリアごとの人数として予測する、
    　請求項１～３の何れか一項に記載の帰着エリア予測装置。
  5. 　前記予測部は、
    前記最近傍クラスタの重心位置と、前記回帰結果が示す位置と、の中間点が表す人数を、前記対象イベントの帰着エリアごとの人数として予測する、
    　請求項１～３の何れか一項に記載の帰着エリア予測装置。
  6. 　前記予測部は、
    　前記回帰結果が示す位置が前記最近傍クラスタの境界内に有る場合は、前記回帰結果を、前記対象イベントの帰着エリアごとの人数として予測し、
    　前記回帰結果が示す位置が前記最近傍クラスタの境界内に無い場合は、前記回帰結果が示す位置と前記最近傍クラスタの重心位置とを結ぶ直線と、当該最近傍クラスタの境界線との交点が表す人数を、前記対象イベントの帰着エリアごとの人数として予測する、
    　請求項１～３の何れか一項に記載の帰着エリア予測装置。
PCT/JP2023/004237 2022-04-04 2023-02-08 帰着エリア予測装置 WO2023195228A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022062273 2022-04-04
JP2022-062273 2022-04-04

Publications (1)

Publication Number Publication Date
WO2023195228A1 true WO2023195228A1 (ja) 2023-10-12

Family

ID=88242802

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/004237 WO2023195228A1 (ja) 2022-04-04 2023-02-08 帰着エリア予測装置

Country Status (1)

Country Link
WO (1) WO2023195228A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015018336A (ja) * 2013-07-09 2015-01-29 株式会社ゼンリンデータコム 混雑度パターンの特定及び混雑度の予測のための情報処理装置、情報処理方法及びプログラム
JP2019174876A (ja) * 2018-03-26 2019-10-10 株式会社日立ソリューションズ 人流予測装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015018336A (ja) * 2013-07-09 2015-01-29 株式会社ゼンリンデータコム 混雑度パターンの特定及び混雑度の予測のための情報処理装置、情報処理方法及びプログラム
JP2019174876A (ja) * 2018-03-26 2019-10-10 株式会社日立ソリューションズ 人流予測装置

Similar Documents

Publication Publication Date Title
JP5902607B2 (ja) 旅行時間情報提供装置、旅行時間情報提供方法
CN108985548A (zh) 实时智能和动态递送安排
US11017331B2 (en) Method and system for predicting demand for vehicles
CN109409626A (zh) 用于航线操作的调度和资源分配的累积模型
JP6682223B2 (ja) 計画管理システム及び計画管理方法
JPWO2012098853A1 (ja) 動線検出処理データ分散システム、動線検出処理データ分散方法およびプログラム
US20210375137A1 (en) System and method for management of parking spaces
Pettet et al. Hierarchical planning for resource allocation in emergency response systems
JP2009113601A (ja) 案内情報配信システム
JP2004213098A (ja) 混雑予測システム、混雑予測方法及び混雑予測プログラム
WO2023195228A1 (ja) 帰着エリア予測装置
Friese et al. Online-optimization of multi-elevator transport systems with reoptimization algorithms based on set-partitioning models
JP2009087055A (ja) 買物支援装置、コンピュータプログラム及び買物支援システム
JP7273601B2 (ja) 混雑解析装置及び混雑解析方法
WO2019167685A1 (ja) 訪問時刻決定装置
JP2007102525A (ja) 混雑予想システム、混雑予想サーバー、混雑予想方法、及びプログラム
US20220018667A1 (en) Communications server apparatus, method and communications system for managing request for transport-related services
US20230258461A1 (en) Interactive analytical framework for multimodal transportation
WO2023195229A1 (ja) 交通需要予測装置
JP2021157560A (ja) 情報処理装置、情報処理方法、及び情報処理システム
JP2022068441A (ja) 計算機システム及び計画評価方法
CN112528172A (zh) 信息处理系统以及记录媒体
WO2023037780A1 (ja) 広告効果予測装置
WO2023037781A1 (ja) 広告効果予測装置
CN114207641A (zh) 日程安排系统、日程安排程序、日程安排方法和存储介质

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: 23784523

Country of ref document: EP

Kind code of ref document: A1