JP7428124B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
JP7428124B2
JP7428124B2 JP2020523627A JP2020523627A JP7428124B2 JP 7428124 B2 JP7428124 B2 JP 7428124B2 JP 2020523627 A JP2020523627 A JP 2020523627A JP 2020523627 A JP2020523627 A JP 2020523627A JP 7428124 B2 JP7428124 B2 JP 7428124B2
Authority
JP
Japan
Prior art keywords
area
areas
cluster
clustering
actual vehicle
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
JP2020523627A
Other languages
English (en)
Other versions
JPWO2019235253A1 (ja
Inventor
隆仁 右田
克俊 金盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Sony Group Corp
Original Assignee
Sony Corp
Sony Group Corp
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 Sony Corp, Sony Group Corp filed Critical Sony Corp
Publication of JPWO2019235253A1 publication Critical patent/JPWO2019235253A1/ja
Application granted granted Critical
Publication of JP7428124B2 publication Critical patent/JP7428124B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Market segmentation based on location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

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

Description

本技術は、情報処理装置、情報処理方法、およびプログラムに関し、特に、タクシーの乗車需要を、より効率的に学習し、予測することができるようにした情報処理装置、情報処理方法、およびプログラムに関する。
タクシー業界において、タクシーの乗車需要を予測し、より効果的な営業を実施する取り組みが活発化してきている（例えば、特許文献１参照）。
特開２０１７－１９４８６３号公報
タクシーの需要を予測するシステムにおいては、膨大な蓄積データを、より効率的に学習し、予測することが望まれる。
本技術は、このような状況に鑑みてなされたものであり、タクシーの乗車需要を、より効率的に学習し、予測することができるようにするものである。
本技術の第１の側面の情報処理装置は、営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する制御部を備える。
本技術の第１の側面の情報処理方法は、情報処理装置が、
営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する。
本技術の第１の側面のプログラムは、コンピュータに、営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する処理を実行させるためのものである。
本技術の第２の側面の情報処理装置は、営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する制御部を備える。
本技術の第２の側面の情報処理方法は、情報処理装置が、営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する。
本技術の第２の側面のプログラムは、コンピュータに、営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する処理を実行させる。
本技術の第１の側面においては、営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器が生成される。
本技術の第２の側面においては、営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要が予測される。
なお、プログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。
なお、本技術の一側面の情報処理装置は、コンピュータにプログラムを実行させることにより実現することができる。
また、本技術の一側面の情報処理装置を実現するために、コンピュータに実行させるプログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。
情報処理装置は、独立した装置であっても良いし、１つの装置を構成している内部ブロックであっても良い。
本技術の一側面によれば、タクシーの乗車需要を、より効率的に学習し、予測することができる。
なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
本技術を適用した予測システムの一実施の形態の構成例を示すブロック図である。 需要予測アプリによる需要予測画面の例を示す図である。 予測システムの構成例を示すブロック図である。 車両動態ログデータの例を示す図である。 実車データの生成例を説明する図である。 実車シーケンスデータの例を示す図である。 実車シーケンスデータ生成処理を説明するフローチャートである。 学習予測処理を説明するフローチャートである。 第１のクラスタリングの結果例を示す図である。 第１のクラスタリングの結果例を示す図である。 ２段階クラスタリングの結果例を示す図である。 未知エリアクラスタ分類処理を説明するフローチャートである。 需要予測画面の第１表示例を示す図である。 需要予測画面の第２表示例を示す図である。 需要予測画面の第３表示例を示す図である。 乗車位置の学習を説明する図である。 需要予測画面の第４表示例を示す図である。 需要予測画面の第５表示例を示す図である。 需要予測画面の第６表示例を示す図である。 乗車料金予測画面の例を示す図である。 乗車位置の学習を説明する図である。 降車位置の学習を説明する図である。 乗車位置の学習を説明する図である。 本技術を適用したコンピュータの一実施の形態の構成例を示すブロック図である。
以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．予測システムの構成例
２．需要予測アプリの画面例
３．ブロック図
４．実車シーケンスデータ生成処理
５．学習予測処理
６．未知エリアクラスタ分類処理
７．エリアARの結合表示
８．需要方向と頻度の表示
９．ピンポイント予測の表示
１０．付け待ち時間予測の表示
１１．ロング度予測の表示
１２．乗車距離予測の表示
１３．乗車料金予測の表示
１４．乗車位置の学習
１５．降車位置の学習
１６．乗車位置の学習
１７．コンピュータ構成例
＜１．予測システムの構成例＞
図１は、本技術を適用した予測システムの一実施の形態の構成例を示している。
図１の予測システム１は、複数のタクシー１１と、サーバ（情報処理装置）１２とで構成され、タクシー１１から取得されるデータに基づいて、タクシー１１の営業地域における乗車の需要を予測するシステムである。
タクシー１１は、所定の営業地域を走行して、乗客を乗車させる営業車両である。タクシー１１には、料金メータ２１、車両管理装置２２、および、端末装置２３が、搭載されている。
料金メータ２１は、ドライバによる「実車」および「空車」の操作を受け付ける。「実車」とは、乗客を乗車させて走行している状態を表し、「空車」とは、乗客を乗車させずに走行している状態を表す。料金メータ２１は、「実車」時には、走行した時間または距離の少なくとも一方に応じて料金（運賃）を計算し、所定の表示部に表示する。
車両管理装置２２は、タクシー１１が走行した位置（経路）、「実車」または「空車」のステータスなどを所定の時間間隔で時系列に記録した車両動態ログデータを生成し、所定のネットワークを介して、サーバ１２に送信する。「実車」または「空車」のステータスは、料金メータ２１から取得される。
端末装置２３は、例えば、スマートフォンやタブレット端末等の情報処理装置で構成される。端末装置２３には、サーバ１２から送信されてくる乗車需要予測データを用いて、乗車の需要予測をディスプレイに表示するアプリケーションプログラム（以下、単に、需要予測アプリとも称する）が格納されている。
需要予測アプリは、ドライバの操作によって、端末装置２３上で起動され、実行される。需要予測アプリは、所定のネットワークを介して、サーバ１２から送信されてくる乗車需要予測データを受信し、受信した乗車需要予測データに基づいて、地図上に乗車需要を予測した予測結果をディスプレイに表示する。乗車需要を予測した予測結果の具体的な表示例は、図２等を参照して後述する。
サーバ１２は、ネットワークを介して、複数のタクシー１１から、車両動態ログデータを取得する。そして、サーバ１２は、取得した多数の車両動態ログデータを用いて、乗車需要予測データを生成し、複数のタクシー１１それぞれへ、ネットワークを介して送信する。
サーバ１２、車両管理装置２２、および、端末装置２３を接続するネットワークは、例えば、所謂3G回線や4G回線等の移動体通信網、インターネット、公衆電話回線網、衛星通信網などで構成される。
タクシー１１のドライバは、需要予測アプリによって端末装置２３のディスプレイに表示された、乗車需要予測を参考にしながら、乗客獲得のため、タクシー１１を運転する。
＜２．需要予測アプリの画面例＞
図２は、端末装置２３において需要予測アプリによって表示された需要予測画面の例を示している。
図２の需要予測画面には、地図４１が表示されるとともに、現在地マーク６１、拡大縮小ボタン６２、需要予測メッシュ６３、設定ボタン６４などが、地図４１の上に重畳表示されている。
また、需要予測画面には、地図４１の表示領域とは異なる領域に、予測時刻設定領域４２が設けられており、予測時刻設定領域４２には、予測時刻表示７１と、予測時刻変更ボタン７２Aおよび７２Bが含まれる。
現在地マーク６１は、タクシー１１の現在地を表す。拡大縮小ボタン６２は、地図４１の縮尺を拡大したり、縮小したりする場合に操作される。
需要予測メッシュ６３は、複数のエリアARを行列状に配置されて構成される。エリアARは、需要予測メッシュ６３を格子状に分割した１つの領域を表す。なお、図２の例では、地図４１上の一部の領域に、4ｘ7の２８個のエリアARが配置されているが、地図４１上の全ての領域にエリアARを重畳表示させてもよい。
需要予測メッシュ６３の各エリアARは、サーバ１２から送信されてきた乗車需要予測データに基づいて、乗車需要の度合いに応じた色や濃度で表示されている。例えば、図２において、濃度が濃いエリアARは、乗車需要が高いエリアARを表し、濃度が薄いエリアARは、乗車需要が低いエリアARを表す。
設定ボタン６４は、需要予測画面で表示可能な項目の選択や、表示の順番など、需要予測画面の表示に関する各種の設定を行う際に操作される。需要予測画面で表示可能な各項目の詳細は後述する。
予測時刻設定領域４２の予測時刻表示７１は、需要予測メッシュ６３が表示している需要予測の該当時刻を表示する。すなわち、需要予測メッシュ６３には、予測時刻表示７１に表示されている時刻の需要予測が表示される。予測時刻表示７１をタップすると、現在の時刻にリセットされる。予測時刻変更ボタン７２Aおよび７２Bは、予測時刻表示７１の予測時刻を所定単位（例えば、１０分）で進めたり、戻したりする場合に操作される。
以上のように、端末装置２３の需要予測アプリは、サーバ１２から送信されてくる乗車需要予測データを受信し、受信した乗車需要予測データに基づいて、地図４１上に乗車需要を予測した需要予測メッシュ６３を、予測結果としてディスプレイに表示する。
なお、図２の例では、需要予測メッシュ６３の各エリアARが、乗車需要の度合いに応じて、色や濃度が異なる表示で表示されることとしたが、後述する図１３に示されるように、乗車数の予測結果を併せて表示することもできる。
＜３．ブロック図＞
次に、タクシー１１に搭載された各装置、および、サーバ１２の詳細構成について説明する。
図３は、サーバ１２、料金メータ２１、車両管理装置２２、および、端末装置２３の構成例を示すブロック図である。
料金メータ２１は、ドライバによる「実車」または「空車」の操作を受け付け、「実車」または「空車」のステータスと、料金（運賃）を所定の表示部に表示する。料金メータ２１は、「実車」または「空車」のステータスを、車両管理装置２２に供給する。
車両管理装置２２は、位置検出部１０１、速度検出部１０２、制御部１０３、記憶部１０４、および、通信部１０５を備える。
位置検出部１０１は、例えば、GPS (Global Positioning System)受信機等で構成され、測位衛星が放送する測位信号を受信してタクシー１１の現在位置を検出する。また、位置検出部１０１は、ジャイロセンサ、地磁気センサ等を備え、タクシー１１の進行方向を検出する。
速度検出部１０２は、速度センサや加速度センサ等で構成され、タクシー１１の移動速度を検出する。なお、速度検出部１０２は、タクシー１１のホイールの回転速度を検出する速度センサから測定値を取得することにより、タクシー１１の移動速度を検出してもよい。
制御部１０３は、例えば、CPU（Central Processing Unit）、RAM（Random Access Memory）等で構成され、記憶部１０４に記憶されている動作制御プログラムを読み出し、動作制御プログラムにしたがって、車両管理装置２２全体の動作を制御する。具体的には、制御部１０３は、料金メータ２１、位置検出部１０１、および、速度検出部１０２のそれぞれから、一定時間間隔でデータを取得して、車両動態ログデータを生成し、記憶部１０４に記憶させる。また、制御部１０３は、記憶部１０４に記憶されている車両動態ログデータを、予め設定された所定のタイミングで、定期的または不定期に、通信部１０５を介して、サーバ１２に送信する。
記憶部１０４は、例えば、ハードディスク、ROM（Read Only Memory）、RAM、およびNVRAM（Non Volatile RAM）などで構成され、車両動態ログデータを記憶する。通信部１０５は、制御部１０３の制御に従い、サーバ１２と所定の通信を行う。通信部１０５は、所定のネットワークを介したネットワーク通信を行うネットワークインタフェースで構成される。
サーバ１２は、制御部１２１、記憶部１２２、および、通信部１２３を備える。
制御部１２１は、例えば、CPU、RAM等で構成され、記憶部１２２に記憶されている動作制御プログラムを読み出し、動作制御プログラムにしたがって、サーバ１２全体の動作を制御する。
制御部１２１は、機能的には、データ生成部１３１、学習部１３２、および、予測部１３３を少なくとも備え、機械学習により、地図４１上のエリアARごとの乗車需要を予測する。機械学習の手法は、例えば、k-means法、自己組織化マップ（SOM）、ニューラルネットワーク、HMM（隠れマルコフモデル）など、任意の手法を選択することができる。
データ生成部１３１は、通信部１２３を介して複数のタクシー１１の車両管理装置２２それぞれから取得した車両動態ログデータを記憶部１２２に記憶させる。
図４は、タクシー１１の車両管理装置２２によって生成され、サーバ１２へ送信されてくる車両動態ログデータの例を示している。
車両管理装置２２は、所定の時間間隔（例えば、１分間隔）で、車両動態ログデータを生成し、蓄積する。
車両動態ログデータとして生成される項目には、図４に示されるように、タクシー１１が所属する会社を識別する会社ID、タクシー１１の車両を識別する無線ID、タクシー１１に乗務しているドライバを識別する乗務員ID、ステータスの生成時刻を表すステータス時刻、タクシー１１の位置情報である緯度および経度、タクシー１１の走行速度および進行方向を示す方向および速度、並びに、「実車」または「空車」のステータスが含まれる。
データ生成部１３１は、記憶部１２２に記憶された車両動態ログデータから、実車に関するデータである実車データを生成する。
図５は、実車データの生成例を示している。
実車データは、車両動態ログデータから、タクシー１１の乗車に関する情報を抽出したデータであり、車両動態ログデータにおいて、ステータスが「空車」から「実車」となる乗車変化点と、「実車」から「空車」となる降車変化点の情報から生成される。
実車データには、例えば、図５に示されるように、ID、乗車時刻、出発地点、到着地点、乗車時間、乗車距離、および、運賃の各項目が含まれる。
IDは、車両動態ログデータの会社ID、無線ID、および乗務員IDを結合したデータである。
乗車時刻には、乗車変化点の「空車」のステータス時刻と、「実車」のステータス時刻との間の時刻が算出され、記録される。
出発地点には、乗車変化点の「空車」の緯度および経度と、「実車」の緯度および経度との間の緯度および経度が算出され、記録される。
到着地点には、降車変化点の「空車」の緯度および経度と、「実車」の緯度および経度との間の緯度および経度が算出され、記録される。
乗車時間には、乗車時刻から、降車変化点の「空車」のステータス時刻と、「実車」のステータス時刻との間の時刻までの時間（単位は例えば、分）が算出され、記録される。
乗車距離には、出発地点から到着地点までの距離（単位は例えば、km）が算出され、記録される。
運賃は、乗車時間と乗車距離から、タクシー運賃の規定に従って算出され、記録される。
なお、実車データの各項目の算出方法は、上述した方法に限定されず、それ以外の方法でもよい。例えば、ステータスが「実車」となっている最初と最後の車両動態ログデータから上記の各項目を算出してもよい。また、運賃や乗車距離の情報は、乗車変化点と降車変化点の位置から計算するのではなく、車両動態ログデータの一部として車両管理装置２２から取得するようにしてもよい。
データ生成部１３１は、多数のタクシー１１の車両管理装置２２の車両動態ログデータから生成された多数の実車データに基づいて、所定の時間単位（１０分間）の乗車数を表す時系列データである実車シーケンスデータを、エリアARごとに生成する。例えば、データ生成部１３１は、１０分ごとの乗車数をカウントした時系列データである実車シーケンスデータを、エリアARごとに生成する。
図６は、タクシー１１の営業地域を分割して得られる複数のエリアARのうち、エリア１２２３、エリア１２２４、および、エリア１２２５の３つのエリアARの実車シーケンスデータの例を示している。
実車シーケンスデータの横軸は日付および時刻であり、縦軸は、乗車数を表す。図６に示される実車シーケンスデータは８日間分のデータであるが、実車シーケンスデータの作成期間は、１週間、１か月、１年間等、任意の期間に設定することができる。例えば、実車シーケンスデータの作成期間を、１週間に設定すると曜日による変動を捉えることができ、数か月や１年間等の長期に設定すると、曜日による変動の他、年末年始やゴールデンウイーク、夏休み等の季節的な変動も捉えることができる。
エリア１２２３の実車シーケンスデータ例で言えば、例えば、乗車時刻が２０１７年３月２１日の１０時から１０時１０分の間に含まれ、出発地点がエリア１２２３内に位置する実車データの数が、乗車数としてカウントされる。そのカウント結果が、２０１７年３月２１日の１０時から１０時１０分のエリア１２２３の実車シーケンスデータとなる。同様の処理が、取得された実車データの全期間で算出され、エリア１２２３の実車シーケンスデータが生成される。
図３に戻り、学習部１３２は、多数のタクシー１１の車両管理装置２２から取得した実車データに基づいて生成された、多数かつ長期間の実車シーケンスデータを用いて、乗車需要を予測する予測器を学習により生成する。
予測部１３３は、学習部１３２により生成された予測器を用いて、所定の時刻または時間帯の乗車需要を予測する。予測部１３３の予測結果は、乗車需要予測データとして、端末装置２３に送信される。
記憶部１２２は、車両管理装置２２それぞれから取得した車両動態ログデータ、および、車両動態ログデータから生成された実車シーケンスデータを記憶する。車両動態ログデータから実車シーケンスデータを生成するための中間データである実車データも、記憶部１２２に記憶してもよい。
通信部１２３は、制御部１２１の制御に従い、車両管理装置２２および端末装置２３と所定の通信を行う。通信部１２３は、所定のネットワークを介したネットワーク通信を行うネットワークインタフェースで構成される。
端末装置２３は、制御部１４１、操作部１４２、表示部１４３、および、通信部１４４を備える。
制御部１４１は、例えば、CPU、RAM等で構成され、図示せぬ記憶部に記憶されている動作制御プログラムにしたがって、端末装置２３全体の動作を制御する。例えば、制御部１４１は、ユーザであるドライバの操作に基づいて、需要予測アプリを実行する。
操作部１４２は、端末装置２３に設けられた複数の操作ボタン、表示部１４３に重畳されたタッチパネル等で構成され、ユーザの操作を受け付け、受け付けた操作に対応する操作信号を制御部１４１に供給する。
表示部１４３は、例えば、LCD(Liquid Crystal Display)等で構成され、図２の需要予測画面など、所定の情報を表示する。
通信部１４４は、制御部１４１の制御に従い、サーバ１２と所定の通信を行う。通信部１４４は、所定のネットワークを介したネットワーク通信を行うネットワークインタフェースで構成される。
サーバ１２、料金メータ２１、車両管理装置２２、および、端末装置２３は、以上のように構成されている。
以下では、サーバ１２、車両管理装置２２、および、端末装置２３のそれぞれが実行する処理の詳細について説明する。
＜４．実車シーケンスデータ生成処理＞
初めに、図７のフローチャートを参照して、サーバ１２による実車シーケンスデータ生成処理について説明する。この処理は、例えば、定期的または不定期等の所定のタイミングで実行することができる。
初めに、ステップＳ１において、サーバ１２のデータ生成部１３１は、複数のタクシー１１の車両管理装置２２それぞれから、ネットワークを介して送信されてくる車両動態ログデータを取得（受信）する。なお、各車両管理装置２２は、車両動態ログデータを任意のタイミングで個別にサーバ１２へ送信することができ、同時である必要はない。
ステップＳ２において、データ生成部１３１は、取得した車両動態ログデータから、実車データを生成する。実車データは、例えば、乗車時刻や出発地点などのように、車両動態ログデータの項目から算出されるデータと、運賃などのように、サーバ１２側で追加される外部データとを含む。外部データとしては、その他、例えば、曜日や平日または休日などの日付に関連する日付関連情報、該当するエリアARでデータ取得日に行われたイベント等に関するイベント情報、天候の情報などを設けることができる。実車データとして外部データを付加することにより、例えば、曜日ごとや、イベントの有無、天候などに応じた状況毎の乗車需要を学習および予測することができる。
ステップＳ３において、データ生成部１３１は、多数のタクシー１１の車両管理装置２２から生成された多数の実車データに基づいて、エリアARごとの実車シーケンスデータを生成し、記憶部１２２に記憶して、実車シーケンスデータ生成処理を終了する。
＜５．学習予測処理＞
次に、図８のフローチャートを参照して、生成されたエリアARごとの実車シーケンスデータを用いて乗車需要を学習および予測する学習予測処理について説明する。この処理も、例えば、定期的または不定期等の所定のタイミングで実行することができる。
初めに、ステップＳ２１において、サーバ１２の学習部１３２は、タクシー１１の営業地域を分割して得られる複数のエリアARのなかから、代表エリアを抽出する。学習部１３２は、複数のエリアARのなかから、予め決定した所定数だけ、エリアARを選択して、代表エリアとする。代表エリアは、ランダムに決定してもよいし、例えば、都心部のエリアARと郊外のエリアAR、駅に近いエリアARと駅が遠いエリアAR、または、駅が多いエリアARと駅が少ないエリアARなど、知見を持つユーザが、所定の基準で選択してもよい。
ステップＳ２２において、学習部１３２は、代表エリアとして抽出された各エリアARの実車シーケンスデータを用いて、２段階クラスタリングを実施する。より具体的には、学習部１３２は、第１のパラメータを用いて、抽出された複数の各エリアARをクラスタリングする第１のクラスタリングを実行し、第２のパラメータを用いて、抽出された複数の各エリアARをクラスタリングする第２のクラスタリングを実行する。
例えば、学習部１３２は、第１のパラメータとして、エリアAR内における単位時間当たり（例えば、１日）の乗車数の平均と分散を用いて、第１のクラスタリングを実行し、第２のパラメータとして、エリアAR内における単位時間当たり（例えば、１日）の平均乗車数の波形を用いて、第２のクラスタリングを実行する。なお、クラスタリングの手法は、例えば、k-means法などを用いることができる。
図９および図１０は、乗車数の平均と分散をパラメータとして、代表エリアである複数のエリアARをクラスタリングした第１のクラスタリングの結果例を示している。
図９は、横軸を平均、縦軸を分散として、代表エリアとして抽出された複数のエリアARの分布を示している。
図１０は、代表エリアである複数のエリアARの実車シーケンスデータを、クラスタごとに示した図である。図１０の横軸は時刻（０時から２４時）、縦軸は乗車数を表す。
実車シーケンスデータは、基本的には、１日の各時間帯（朝、昼、夜など）ごとに同様の特徴が現れるため、クラスタリングは、実車シーケンスデータを基本単位（１日）毎に分割したデータを用いて行われている。
図９および図１０では、代表エリアとして抽出された複数のエリアAR（の実車シーケンスデータ）が、６個のクラスタに分類されている。
図１１は、第１のクラスタリングのクラスタリング結果と、第２のクラスタリングのクラスタリング結果をまとめた、２段階クラスタリング結果の例を示している。
図１１において、横方向（列単位）が１段階目のクラスタリング結果を表し、縦方向（行単位）が２段階目のクラスタリング結果を表す。行列状に配置された各グラフの横軸および縦軸は図１０と同様である。
図１１において、列番号１、列番号２、列番号３、・・・・が、第１のクラスタリングによるクラスタリング結果であり、縦方向に並ぶ複数のエリアARが乗車数の平均と分散が類似するエリアARの集合（エリアAR群）となっている。一方、行番号A、行番号B、行番号C、・・・が、第２のクラスタリングによるクラスタリング結果であり、第１のクラスタリングのクラスタリング結果である各エリアAR群を、平均乗車数の波形が類似するエリアARでさらにクラスタリングした結果となっている。行列状の各グラフ内の数字は、そのクラスタに分類されたエリアARの数を表す。例えば、行番号Dおよび列番号２のクラスタD-2のグラフ内の数字「４６８」は、代表エリアのうち、４６８個のエリアARがクラスタD-2に分類されたことを表している。第１のパラメータとして用いた単位時間当たりの乗車数の平均と分散は、単位時間当たりの乗車数の大小と単位時間内の乗車数の変化の大きさを表し、第２のパラメータとして用いた単位時間当たりの平均乗車数の波形は、単位時間内の乗車数の時間による変化の傾向を表す。
なお、２段階目のクラスタリングは、１段階目のクラスタリング結果毎に、個別に実行してもよいし、１段階目のクラスタリング結果とは別に、代表エリアとして抽出された複数のエリアAR全体で実行してもよい。
本実施の形態では、例えば、タクシー１１の営業地域が、４４００個のエリアARに分割され、さらに４４００個のうち、半分の２２００個のエリアARを代表メッシュとして抽出し、２２００個のエリアARに対して、２段階クラスタリングを実施することにより、４４個のクラスタに分類されたこととする。
次に、図８のステップＳ２３において、学習部１３２は、クラスタ毎に、クラスタに属する実車シーケンスデータを用いて、学習率などに代表される予測器の学習パラメータを調整して、ステップＳ２４に進む。
ステップＳ２４において、学習部１３２は、調整された学習パラメータと、クラスタに属する１以上のエリアARの実車シーケンスデータを用いて、クラスタ毎に、乗車需要を予測する予測器を学習して、ステップＳ２５に進む。
ステップＳ２５において、予測部１３３は、学習部１３２により生成された予測器を用いて、所定のエリアARにおける所定の時刻の乗車需要を予測する。例えば、クラスタC-4に属するエリアARの乗車需要を予測する場合、クラスタC-4の予測器を用いて、所定の時刻の乗車需要が予測される。
ステップＳ２１乃至Ｓ２４の学習処理とステップＳ２５の予測処理は、連続する処理として実行してもよいし、ステップＳ２５の予測処理を、ステップＳ２１乃至Ｓ２４の処理とは異なるタイミングで実行してもよい。
例えば、ステップＳ２５の処理は、ステップＳ２４の処理に続けて実行され、タクシー１１の営業地域を構成する各エリアARの所定の時刻の乗車需要が算出され、記憶部１２２に記憶される。そして、端末装置２３からの要求に応じて、記憶部１２２に記憶された需要の予測データが、乗車需要予測データとして、端末装置２３に送信される。
あるいはまた、端末装置２３から、１以上のエリアARの所定の時刻の乗車需要の予測データが要求されたタイミングにおいて、ステップＳ２５の処理が実行され、ステップＳ２５の処理結果が、乗車需要予測データとして、端末装置２３に送信される。
乗車需要予測データを受信した端末装置２３の需要予測アプリは、図２に示したように、予測結果である各エリアARの乗車数に応じて、色や濃度を変えた需要予測メッシュ６３を表示する。
以上の学習予測処理によれば、営業地域を構成する４４００個のエリアARのうち、代表エリアとして抽出された２２００個のエリアARそれぞれが、所定のクラスタに分類され、分類結果に応じて、乗車需要を予測することができる。
一方で、代表エリアとして抽出されなかった残りの２２００個のエリアAR（以下、未知エリアARとも称する。）については、この段階では、どのクラスタに分類されるかが不明であり、乗車需要を予測することができない。
＜６．未知エリアクラスタ分類処理＞
そこで次に、未知エリアARの乗車需要を予測するための処理について説明する。
図１２のフローチャートを参照して、未知エリアARが属するクラスタを判別する未知エリアクラスタ分類処理について説明する。この処理は、例えば、定期的または不定期等の所定のタイミングで実行することができる。
初めに、ステップＳ４１において、サーバ１２の学習部１３２は、学習予測処理で分類された各クラスタの実車シーケンスデータの特徴（平均、分散、形状）を学習する。換言すれば、代表エリアとして抽出された２２００個のエリアARの実車シーケンスデータと、クラスタとの関係が、学習器で学習される。
ステップＳ４２において、サーバ１２の予測部１３３は、ステップＳ４１の学習で得られたパラメータを用いた分類器に、未知エリアARの実車シーケンスデータを入力し、未知エリアARのクラスタを判別する。
以上のように、未知エリアクラスタ分類処理によれば、代表エリアのクラスタリング結果と実車シーケンスデータとの関係を学習して生成した分類器を用いて、代表エリア以外の未知エリアARのクラスタリングを実行することができる。
未知エリアARのクラスタが判別できると、判別されたクラスタの予測器を用いて、上述したステップＳ２５の予測処理を実行することで、未知エリアARの乗車需要を予測することができる。
したがって、図８の学習予測処理および図１２の未知エリアクラスタ分類処理の両方を実行することで、タクシー１１の営業地域を構成する４４００個の全てのエリアARの乗車需要の予測が可能である。
図８の学習予測処理では、ステップＳ２１の処理である代表エリアの抽出を行うことで、学習するエリアARの数、換言すれば、実車シーケンスデータのデータ量を減らすことができるので、演算負荷を軽減し、乗車需要予測にかかるコストよび時間を削減することができる。
また、ステップＳ２２により、代表エリアとして抽出された各エリアARの実車シーケンスデータを用いて、２段階クラスタリングを実施することで、学習器の数を減らすことができ、乗車需要予測にかかるコストよび時間を削減することができる。具体的には、２段階クラスタリングを実施しない場合には、代表エリアとして抽出されたエリアAR数（２２００個）の学習器が必要となるが、２段階クラスタリングを実施し、所定数のクラスタに分類できたことにより、学習に必要な学習器の数をクラスタ数（４４個）とすることができる。
各クラスタの学習器には、そのクラスタに分類された全てのエリアARの実車シーケンスデータを用いることができる。すなわち、例えば、エリア１２２３の乗車需要予測を学習する場合に、一般的には、そのエリア１２２３で取得された実車シーケンスデータのみを用いて学習が行われる。これに対して、本技術では、エリア１２２３が、例えば、クラスタD-2に分類され、クラスタD-2に属するエリアARが４６８個存在する場合に、エリア１２２３以外のエリアARを含めた４６８個のエリアARの実車シーケンスデータを用いて学習を行うことができる。したがって、１つの学習器に対して、１エリアARで取得できるデータ量よりも多いデータ量で学習を行うことができるので、予測精度を向上させることができる。
そして、学習予測処理において代表エリアとして抽出されない未知エリアARについても、未知エリアクラスタ分類処理により、未知エリアARのクラスタを判別して、判別されたクラスタの予測器を用いて、未知エリアARの乗車需要を予測することができる。
なお、上述したステップＳ２３およびＳ２４では、代表エリアとして抽出された各エリアARの実車シーケンスデータのみを用いて、学習パラメータの調整および予測器の学習を行ったが、営業地域に含まれる全ての未知エリアARについてクラスタが判別された後に、未知エリアARの実車シーケンスデータも加えて、学習パラメータの調整および予測器の学習を行ってもよい。
したがって、図１の予測システム１によれば、より効率的に学習し、予測することができる。また、少ないデータ量で、予測精度を向上させることができる。
上述した学習予測処理および未知エリアクラスタ分類処理では、曜日、平日、または、休日などに関係なく、複数のタクシー１１の車両管理装置２２から取得される全ての車両動態ログデータから生成した実車シーケンスデータを用いて、クラスタ分類や学習を行った。
しかしながら、実車シーケンスデータを、曜日、平日、休日、または、天候、などのカテゴリに分けて、カテゴリごとに、クラスタ分類や学習を行うようにしてもよい。これにより、曜日、平日、休日、天候、イベントの有無など、所定の条件ごとに乗車需要を予測し、予測結果をディスプレイに表示することができる。
＜７．エリアARの結合表示＞
以下では、端末装置２３の需要予測アプリが乗車需要の予測結果をディスプレイに表示する各種の表示例について説明する。
図１３は、需要予測アプリが表示する需要予測画面の第１表示例を示している。
図２に示した需要予測画面では、需要予測メッシュ６３は、同一の矩形サイズのエリアARを行列状に配置して構成されていた。また、予測結果である各エリアARの乗車数は、画面上に表示されていなかった。
これに対して、図１３の需要予測メッシュ６３では、予測結果である各エリアARの乗車数が、エリアAR内に表示されている。
また、需要予測アプリは、隣接する複数のエリアARの乗車数が所定の閾値以下となる複数のエリアARについては、１つのエリアARに結合して、乗車数を表示している。図１３の第１表示例では、隣接する複数のエリアARの乗車数が１０人以下となる複数のエリアARが、１つのエリアARとして結合して表示されている。具体的には、同一の矩形サイズで表示した場合の乗車数が、「４」、「２」、「２」、および、「１」となるような２×２のエリアARが、１つのエリアARに結合され、「９」として表示されている。なお、勿論、隣接の乗車数によっては、１０以下であっても結合されない場合もある。
予測される乗車数が、例えば、０、１、２など小さい場合に、需要を当てることは難しいため、需要予測アプリは、乗車数が一定以上の値となるようなエリアAR単位で、需要予測を表示することができる。これにより、予測の精度を向上させることができ、より有用な情報をドライバに提供することができる。
なお、予測結果として表示する乗車数は、例えば、「１０－１３」のように、ある程度の幅を持たせた値でもよい。
＜８．需要方向と頻度の表示＞
図１４は、需要予測アプリが表示する需要予測画面の第２表示例を示している。
図１４では、各エリアARの乗車需要の度合いに応じた色や濃度の表示は省略されている。
図１４は、地図４１に重畳表示された需要予測メッシュ６３の各エリアARのうち、ドライバが注目するエリアAR(以下、注目エリアARと称する。)について、さらに詳細な予測結果を表示する表示例を示している。
ドライバが、地図４１に重畳表示された需要予測メッシュ６３の各エリアARのなかから、所定のエリアARをタップ（タッチ）するなど、注目エリアARを指定する操作を行うと、需要予測アプリは、指定された注目エリアARに対して、図１４に示されるような表示を行う。
図１４では、ドライバにより指定された注目エリアARに対して、他のエリアARよりも太い幅の枠である注目エリア枠２１１が表示されている。そして、注目エリア枠２１１から外側に向かう矢印２１２－１乃至２１２－８が表示されている。矢印２１２－１乃至２１２－８それぞれを特に区別しない場合には、単に矢印２１２と称する。
矢印２１２の方向は、注目エリアARで乗車する乗客の移動方向を表し、矢印２１２の長さは、注目エリアARで乗車し、矢印２１２の方向へ移動する乗客の平均的な移動距離を表す。また、矢印２１２の幅（矢の方向に垂直な方向の太さ）は、全方向に対する、その矢印２１２が示す方向の乗車の割合を表す。
したがって、図１４の例では、注目エリアARで乗車する乗客は、乗車の割合としては、矢印２１２－３の方向へ移動する乗客が多く、矢印２１２－４の方向へ移動する乗客は、移動距離が長いことを示している。また例えば、注目エリアARで乗車する乗客のうち、矢印２１２－２や矢印２１２－６へ移動する乗客は少なく、移動距離も短いことを示している。
ドライバは、例えば、いわゆる「流し」（タクシー１１を走らせながら、乗客を探すこと）を行うエリアARを決定する際、需要予測メッシュ６３の所定のエリアARを注目エリアARに設定し、矢印２１２を表示させることで、ドライバが帰る方向と同じ方向の乗客が多いエリアARを探す、などを行うことができる。
各エリアARの乗客の移動方向は、車両動態ログデータの方向（進行方向）の情報も含めて学習することで予測することができる。
なお、矢印２１２を表示する数、換言すれば、乗客の移動方向の予測数は、図１４に示した８以外の数であってもよい。また、全方向における矢印２１２の方向へ移動する乗客の割合は、矢印の幅で表す以外の方法、例えば、色の違いや数字の表記などで表してもよい。
＜９．ピンポイント予測の表示＞
図１５は、需要予測アプリが表示する需要予測画面の第３表示例を示している。
図１５も、ドライバが所定のエリアARを注目エリアARとして選択した場合に、さらに詳細な予測結果を表示する表示例を示している。
営業地域を所定の単位で分割したエリアARのなかには、例えば、駅前やホテル前のタクシー乗り場など、乗車位置が決まっており、他と比較して乗車数が多い場所が存在することがある。
そのような乗車数が多い乗車位置が注目エリアAR内に存在する場合、需要予測アプリは、注目エリアAR全体の乗車数とは別に、乗車数が多い乗車位置と、その乗車位置での乗車数をピンポイントで予測して表示することができる。以下では、注目エリアAR内で特定された、乗車数が多い乗車位置をピンポイント乗車位置と称する。
図１５では、注目エリアAR内の所定の位置に、ピンポイント乗車位置を表すピンポイント乗車位置マーク２２１が表示され、そのピンポイント乗車位置マーク２２１において予測される乗車数を表示する乗車数表示２２２が表示されている。図１５において、注目エリア枠２１１内に表示された「４３」は、注目エリアAR全体としての乗車数であり、そのうち、乗車数表示２２２の「２９」は、ピンポイント乗車位置マーク２２１のピンポイント乗車位置「品川駅高輪口タクシー乗り場」における乗車数を示している。このように、注目エリアARの乗車数に加えて、ピンポイント乗車位置と、そこで予測される乗車数を表示することにより、実車率を上げることができる。
ピンポイント乗車位置は、エリアAR内において乗車位置が決まっている場所を一つ一つ調査するのではなく、実車データを用いて学習することで推定することができる。
具体的には、図１６の左側の黒丸で示されるように、乗客の過去の乗車位置は、実車データの出発地点の情報から把握できる。乗客の過去の乗車位置を学習することにより、図１６の右側に示されるように、黒丸で示される乗車位置の推定値と、その乗車位置の確率（尤度）が算出される。乗車位置の確率は、０乃至１の範囲の数字で表され、図１６では、乗車位置の近傍に表示されている。需要予測アプリは、例えば、乗車位置の確率が所定の閾値（例えば、０．８）以上の乗車位置の推定値を、注目エリアAR内における、ピンポイント乗車位置として表示することができる。
＜１０．付け待ち時間予測の表示＞
図１７は、需要予測アプリが表示する需要予測画面の第４表示例を示している。
図１７も、ドライバが所定のエリアARを注目エリアARとして選択した場合に、さらに詳細な予測結果を表示する表示例を示している。
駅前やホテル前のタクシー乗り場など、乗車位置が決まっていて、乗車数が多い場所では、いわゆる「付け待ち」と呼ばれる、乗車位置で乗客を乗せるタクシー１１の列に並んでタクシー１１を待機させた状態で乗客を獲得する方法がある。付け待ちの不利な点は、例えば、タクシー乗り場でタクシー１１の長い列ができている場合に、タクシー１１の長い列の最後に並んでから、乗客を乗せるまでの時間がかかるということである。
そこで、需要予測アプリは、乗車数が多い乗車位置（ピンポイント乗車位置）で、付け待ちが行われている場合に、付け待ちにかかる時間、換言すれば、乗車位置で待って乗客を乗せるまでに要する時間を表示することができる。
具体的には、図１７に示されるように、注目エリアAR内のピンポイント乗車位置マーク２２１が付け待ちの場所である場合に、需要予測アプリは、ピンポイント乗車位置マーク２２１での乗車数表示２２２内に、付け待ち開始ボタン２２３を表示させる。需要予測アプリは、付け待ち開始ボタン２２３がタップ（タッチ）された場合、付け待ちを行った場合の付け待ちに要する時間（付け待ち時間）を示す付け待ち表示２２４を表示する。図１７の例では、付け待ち時間として「２０分」が表示されている。
例えば、ドライバは、ピンポイント乗車位置において、付け待ち表示２２４を表示させることにより、付け待ち時間を確認し、付け待ちする場所を選択することができる。付け待ち表示２２４に表示される付け待ち時間は、「１５分－２０分」のように、一定の幅を持った値でもよい。
車両動態ログデータでは、ステータスが「空車」から「実車」となる乗車変化点と、その乗車変化点より少し前において、タクシー１１がゆっくりと移動している状態を検出することができるので、タクシー１１の付け待ち動作を検出することができる。例えば、乗車変化点の時刻より前の所定期間内または所定距離内における所定速度以下(時速5km/ｈ以下)での走行を付け待ち動作として検出することができる。したがって、付け待ち動作を学習することにより、所定の乗車位置における付け待ち時間を予測することができる。
＜１１．ロング度予測の表示＞
図１８は、需要予測アプリが表示する需要予測画面の第５表示例を示している。
図１８も、ドライバが所定のエリアARを注目エリアARとして選択した場合に、さらに詳細な予測結果を表示する表示例を示している。
営業地域を所定の単位で分割したエリアARのなかには、例えば、羽田空港や成田空港を目的地とする場合など、乗車距離が長距離（所定の距離以上）となる乗車の割合が多いエリアARや乗車位置がある。ドライバが、長距離の乗客の可能性を判断できることが好ましい。
そこで、需要予測アプリは、図１８に示されるように、注目エリアAR全体の乗車数とは別に、注目エリアARの長距離の乗客の割合を表示するロング表示２４１を行うことができる。
ロング表示２４１では、注目エリアARの全乗車数のうち、乗車距離が長距離となる乗車の割合（比率）が、ロング度として表示される。また、ロング表示２４１では、乗車距離を複数の区分に分割し、分割した区分ごとの乗車の割合が、ロング区分として、棒グラフで表示される。図１８に示される「All」の棒グラフは、営業地域全体における区分ごとの乗車の割合を示し、「This」の棒グラフは、注目エリアARの区分ごとの乗車の割合を示している。
ロング表示２４１は、図１８に示したように、注目エリアARについてのロング度およびロング区分を表示してもよいし、ピンポイント乗車位置マーク２２１に付随して表示させ、ピンポイント乗車位置についてのロング度およびロング区分を表示してもよい。
図１８のロング表示２４１の棒グラフは、ロング区分として、乗車距離を複数の区分に分割して、分割した区分（乗車距離）ごとの乗車の割合を示したが、乗車料金を複数の区分に分割して、分割した区分（乗車料金）ごとの乗車の割合を示してもよい。
また、ロング表示２４１は、時間帯や天候ごとに乗車需要を予測して、所定の時間帯や天候に特化したロング度やロング区分を表示してもよい。
ロング度やロング区分は、実車データの乗車距離と運賃の項目を含めて学習することで、予測することができる。
＜１２．乗車距離予測の表示＞
図１９は、需要予測アプリが表示する需要予測画面の第６表示例を示している。
図１９も、ドライバが所定のエリアARを注目エリアARとして選択した場合に、さらに詳細な予測結果を表示する表示例を示している。
需要予測アプリは、図１９に示されるように、所定のエリアARが注目エリアARとして選択された場合、注目エリアARで乗車する乗客の平均乗車距離とその信頼区間を表示する乗車距離表示２５１を行うことができる。信頼区間は、母集団の平均値（母平均）が所定の信頼度で含まれる範囲を表す。
乗車距離表示２５１では、注目エリアARにおける乗車の平均乗車距離が、「2.4km」であり、例えば９５％の信頼度における平均乗車距離の信頼区間が、「1.1kmから3.7km」であることが表示されている。信頼区間の信頼度は９５％に限定されず、９９％など任意に設定することができる。
このように、注目エリアARの平均乗車距離およびその信頼区間を表示することにより、ドライバが、例えば、残りの勤務時間に適した乗車距離のエリアARを探したり、「流し」の経路として、乗車距離の長いエリアARを探したりすることができる。
乗車距離表示２５１は、図１９に示したように、注目エリアARについて表示してもよいし、ピンポイント乗車位置マーク２２１に付随して表示させ、ピンポイント乗車位置についての平均乗車距離および信頼区間を表示してもよい。
あるいはまた、平均乗車距離および信頼区間の代わりに、平均乗車料金（運賃）と信頼区間を示してもよい。
あるいはまた、平均乗車距離および信頼区間の代わりに、平均乗車時間と信頼区間を示してもよい。
また、乗車距離表示２５１は、時間帯や天候ごとに乗車需要を予測して、所定の時間帯や天候に特化した、平均乗車距離と信頼区間、平均乗車料金と信頼区間、または、平均乗車時間と信頼区間を表示してもよい。
＜１３．乗車料金予測の表示＞
タクシー１１は、乗ってみないと乗車料金が確定しないため、利用を控える利用者も存在する。需要予測アプリは、現在地と目的地とから、乗車料金を予想して表示する機能を備える。
図２０は、需要予測アプリが表示する乗車料金予測画面の例を示している。
需要予測アプリは、目的地までの移動に要する時間および料金を予測結果としてディスプレイに表示させるとともに、目的地までの移動経路を所定の単位に分割した分割単位ごとの、移動に要する時間および料金を、予測結果としてディスプレイに表示させる。
図２０の乗車料金予測画面において、個別表示２６１は、分割単位ごとの移動に要する時間および料金を示している。目的地表示２６２は、目的地までの移動に要する時間および料金を示している。
乗車料金と移動時間の学習は、図５に示した実車データをそのまま用いる場合には、出発地点と到着地点の両方が同じデータが必要となるため、学習が難しい。そこで、制御部１２１は、車両動態ログデータから、分割単位ごとの移動に要する時間および料金を学習する。そして、制御部１２１は、出発地点から到着地点までに含まれる各分割単位の時間および料金の総和を求めることにより、目的地までの移動に要する時間および料金を算出する。分割単位は、例えば、所定の距離、所定の時間、または、道路の区画（ブロック）などで区切られた単位、信号や交差点で区切られた単位、などの少なくとも１つまたは複数を用いて分割した単位とすることができる。
分割単位ごとの移動時間および料金、並びに、目的地までの移動時間および料金は、例えば、「５分－１０分」、「３００円－５００円」のように所定の幅を持たせた表示としてもよい。
図１３ないし図２０を参照して説明した各種の表示により、タクシー１１のドライバは、より効率的な営業を行うことができる。すなわち、需要予測アプリは、乗車率の向上に貢献する予測結果を提示することができる。
図１３ないし図２０を参照して説明した各種の表示は、ドライバが、需要予測アプリの設定ボタン６４を操作してディスプレイに表示させた設定画面において、表示のオンオフや、表示の順番などを適宜設定することができる。
＜１４．乗車位置の学習＞
次に、サーバ１２が行う、乗車需要以外の学習および予測について説明する。
図２１は、ビル（建物）に対する乗車位置の学習を説明する図である。
例えば、タクシー１１の利用者（客）は、ビル２７１内の所定の位置から、スマートフォン等の端末で実行させた配車アプリ２７２を使ってタクシー１１を手配し、ビル２７１の車寄せなど所定の位置２７３でタクシー１１に乗車する。この場合、配車アプリ２７２は、タクシー１１を手配したタイミングにおける利用者の位置情報を、端末内のGPS受信機から取得し、配車依頼時位置情報としてサーバ１２に送信する。また、利用者がタクシー１１に乗車したタイミングにおける利用者の位置情報である乗車時位置情報が、タクシー１１の車両管理装置２２から送信される車両動態ログデータから取得できる。
サーバ１２は、配車依頼時位置情報と乗車時位置情報との関係を学習する。これにより、利用者がビル２７１内の所定の位置からタクシー１１を手配した場合に、ドライバがタクシー１１をビル２７１のどこに着ければよいか、ビル２７１の乗車位置を学習することができる。サーバ１２は、学習結果を乗車位置リストとして記憶部１２２に記憶する。需要予測アプリは、学習されたビル２７１の乗車位置を、地図４１上に表示することができる。また、利用者がビル２７１を目的地として指定した場合に、ドライバは、学習されたビル２７１の乗車位置を、降車位置とすることができる。
また、サーバ１２は、タクシー１１の手配が実際に行われたビル２７１以外のビルについても、学習された配車依頼時位置情報と乗車時位置情報との関係から、ビルの乗車位置を類推して地図４１上に表示することができる。
＜１５．降車位置の学習＞
図２１は、ビル（建物）に対する降車位置の学習を説明する図である。
例えば、利用者は、所定の位置２７４でタクシー１１を降車し、目的地である所定のビル２７１に移動する。利用者がタクシー１１を降車したタイミングにおける利用者の位置情報である降車時位置情報が、タクシー１１の車両管理装置２２から送信される車両動態ログデータから取得できる。また、配車アプリ２７２は、利用者がタクシー１１を降車後に移動したビル２７１の位置情報を、端末内のGPS受信機から取得し、移動後位置情報としてサーバ１２に送信する。
サーバ１２は、降車時位置情報と移動後位置情報との関係を学習する。これにより、利用者がビル２７１を目的地として指定した場合に、ドライバは、利用者をどこで降ろせばよいか、ビル２７１の降車位置を学習することができる。サーバ１２は、学習結果を降車位置リストとして記憶部１２２に記憶する。需要予測アプリは、学習されたビル２７１の降車位置を、地図４１上に表示することができる。また、利用者がビル２７１内の所定の位置から、配車アプリ２７２を使ってタクシー１１を手配した場合に、ドライバは、学習されたビル２７１の降車位置を、乗車位置としても活用することができる。
＜１６．乗車位置の学習＞
図２１および図２２を参照して説明した例では、学習した乗車位置を降車位置としても表示したり、学習した降車位置を乗車位置としても表示することを説明したが、一般に、ビル（建物）に対する乗車位置と降車位置は、タクシープールや車寄せ、玄関口などの場所であることが多く、一致するか、近くであることが多い。
そこで、サーバ１２は、図２３に示されるように、乗車時位置情報と降車時位置情報を学習し、ビル２７１に最適な乗車位置を学習し、乗車位置リストとして記憶部１２２に記憶する。需要予測アプリは、学習されたビル２７１の乗車位置を、地図４１上に表示することができる。
＜１７．コンピュータ構成例＞
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているマイクロコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
図２４は、サーバ１２、車両管理装置２２、または、端末装置２３が実行する各処理をコンピュータがプログラムにより実行する場合の、コンピュータのハードウエアの構成例を示すブロック図である。
コンピュータにおいて、CPU（Central Processing Unit）３０１，ROM（Read Only Memory）３０２，RAM（Random Access Memory）３０３は、バス３０４により相互に接続されている。
バス３０４には、さらに、入出力インタフェース３０５が接続されている。入出力インタフェース３０５には、入力部３０６、出力部３０７、記憶部３０８、通信部３０９、及びドライブ３１０が接続されている。
入力部３０６は、操作ボタン、キーボード、マウス、マイクロホン、タッチパネル、入力端子などよりなる。出力部３０７は、ディスプレイ、スピーカ、出力端子などよりなる。記憶部３０８は、ハードディスク、RAMディスク、不揮発性のメモリなどよりなる。通信部３０９は、ネットワークインタフェースなどよりなる。ドライブ３１０は、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブル記録媒体３１１を駆動する。
以上のように構成されるコンピュータでは、CPU３０１が、例えば、記憶部３０８に記憶されているプログラムを、入出力インタフェース３０５及びバス３０４を介して、RAM３０３にロードして実行することにより、上述した一連の処理が行われる。RAM３０３にはまた、CPU３０１が各種の処理を実行する上において必要なデータなども適宜記憶される。
コンピュータ（CPU３０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブル記録媒体３１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
コンピュータでは、プログラムは、リムーバブル記録媒体３１１をドライブ３１０に装着することにより、入出力インタフェース３０５を介して、記憶部３０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部３０９で受信し、記憶部３０８にインストールすることができる。その他、プログラムは、ROM３０２や記憶部３０８に、あらかじめインストールしておくことができる。
本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。
また、本明細書において、フローチャートに記述されたステップは、記載された順序に沿って時系列的に行われる場合はもちろん、必ずしも時系列的に処理されなくとも、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで実行されてもよい。
本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。
上述した実施の形態は、営業車両として、タクシーの乗車の需要を予測する予測システムの例について説明したが、客（人）を乗せるその他の営業車両、具体的には、バス、電車、飛行機、船、ヘリコプターなどや、物（荷物）を載せる営業車両、トラック、ダンプ等の需要を予測するシステムにも適用することができる。また、営業車両は、ドローン等の無人で動く輸送車両であってもよい。
例えば、上述した実施の形態の全てまたは一部を適宜組み合わせた形態を採用することができる。
例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。
また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。
さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。
なお、本明細書に記載された効果はあくまで例示であって限定されるものではなく、本明細書に記載されたもの以外の効果があってもよい。
なお、本技術は以下のような構成も取ることができる。
（１）
営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示すエリア毎のデータである実車シーケンスデータを用いて、第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行する制御部を備える
を備える情報処理装置。
（２）
前記実車シーケンスデータは、前記エリア内における所定の時間間隔ごとの乗車数を表す
前記（１）に記載の情報処理装置。
（３）
前記第１のパラメータは、前記エリア内における単位時間当たりの乗車数の平均と分散であり、前記第２のパラメータは、前記エリア内における単位時間当たりの平均乗車数の波形である
前記（１）または（２）に記載の情報処理装置。
（４）
前記第１のパラメータは、前記エリア内における所定の曜日の単位時間当たりの乗車数の平均と分散であり、前記第２のパラメータは、前記エリア内における所定の曜日の単位時間当たりの平均乗車数の波形である
前記（３）に記載の情報処理装置。
（５）
前記第１のパラメータは、前記エリア内における平日または休日の単位時間当たりの乗車数の平均と分散であり、前記第２のパラメータは、前記エリア内における平日または休日の単位時間当たりの平均乗車数の波形である
前記（３）に記載の情報処理装置。
（６）
前記制御部は、前記営業地域に対応する全エリアのなかから、所定数のエリアを代表エリアとして抽出し、抽出した前記代表エリアの前記実車シーケンスデータを用いて、前記第１のクラスタリングおよび前記第２のクラスタリングを実行する
前記（１）乃至（５）のいずれかに記載の情報処理装置。
（７）
前記制御部は、前記代表エリアのクラスタリング結果と、前記代表エリアの前記実車シーケンスデータとの関係を学習して生成した分類器を用いて、前記代表エリア以外の前記エリアである未知エリアのクラスタリングを実行する
前記（６）に記載の情報処理装置。
（８）
前記制御部は、前記未知エリアのクラスタリング結果と同じクラスタの予測器を用いて、前記未知エリアの乗車需要を予測する
前記（７）に記載の情報処理装置。
（９）
前記制御部は、所定のクラスタに属する１以上の前記エリアの前記実車シーケンスデータを使用して、前記所定のクラスタに属する前記エリアの乗車需要を予測する予測器を学習により生成し、生成された前記予測器を用いて、前記エリアの乗車需要を予測する
前記（１）乃至（８）のいずれかに記載の情報処理装置。
（１０）
前記制御部は、前記客が前記営業車両の配車を依頼した位置を表す配車依頼時位置情報と、配車された前記営業車両に前記客が乗車した位置を表す乗車時位置情報とから、乗車位置を学習する
前記（１）乃至（９）のいずれかに記載の情報処理装置。
（１１）
前記制御部は、前記客が前記営業車両を降車した位置を表す降車時位置情報と、降車した後に移動した位置を表す移動後位置情報とから、降車位置を学習する
前記（１）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
前記制御部は、前記客が前記営業車両を降車した位置を表す降車時位置情報と、前記客が前記営業車両に乗車した位置を表す乗車時位置情報とから、乗車位置を学習する
前記（１）乃至（１１）のいずれかに記載の情報処理装置。
（１３）
情報処理装置が、
営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示すエリア毎のデータである実車シーケンスデータを用いて、第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行する
情報処理方法。
（１４）
コンピュータに、
営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示すエリア毎のデータである実車シーケンスデータを用いて、第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行する
処理を実行させるためのプログラム。
１ 予測システム， １１ タクシー， １２ サーバ， ２２ 車両管理装置， ２３ 端末装置， ６３ 需要予測メッシュ， １２１ 制御部， １３１ データ生成部， １３２ 学習部， １３３ 予測部， １４１ 制御部， １４２ 操作部， １４３ 表示部， ２１１ 注目エリア枠， ２１２ 矢印， ２２１ ピンポイント乗車位置マーク， ２２２ 乗車数表示， ２２３ 付け待ち開始ボタン， ２２４ 付け待ち表示， ２４１ ロング表示， ２５１ 乗車距離表示， ２６１ 個別表示， ２６２ 目的地表示， ３０１ CPU， ３０２ ROM， ３０３ RAM， ３０６ 入力部， ３０７ 出力部， １３０８ 記憶部， ３０９ 通信部， ３１０ ドライブ

Claims (16)

  1. 営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する制御部を
    備える情報処理装置。
  2. 前記制御部は、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する
    請求項１に記載の情報処理装置。
  3. 前記実車シーケンスデータは、前記エリア内における所定の時間間隔ごとの乗車数を表す
    請求項１に記載の情報処理装置。
  4. 前記第１のパラメータは、前記エリア内における所定の曜日の単位時間当たりの乗車数の平均と分散であり、前記第２のパラメータは、前記エリア内における所定の曜日の単位時間当たりの平均乗車数の波形である
    請求項１に記載の情報処理装置。
  5. 前記第１のパラメータは、前記エリア内における平日または休日の単位時間当たりの乗車数の平均と分散であり、前記第２のパラメータは、前記エリア内における平日または休日の単位時間当たりの平均乗車数の波形である
    請求項１に記載の情報処理装置。
  6. 前記制御部は、前記営業地域に対応する全ての前記エリアのなかから、所定数の前記エリアを代表エリアとして抽出し、抽出した前記代表エリアの前記実車シーケンスデータを用いて、前記第１のクラスタリングおよび前記第２のクラスタリングを実行する
    請求項１に記載の情報処理装置。
  7. 前記制御部は、各前記クラスタの前記実車シーケンスデータの特徴を学習して生成した分類器を用いて、前記代表エリア以外の前記エリアである未知エリアの前記実車シーケンスデータの特徴に基づいて、前記未知エリアのクラスタリングを実行する
    請求項６に記載の情報処理装置。
  8. 前記制御部は、前記分類器を用いたクラスタリングにより判別した前記未知エリアの前記クラスタの前記予測器を用いて、前記未知エリアの乗車需要を予測する
    請求項７に記載の情報処理装置。
  9. 前記制御部は、前記客が前記営業車両の配車を依頼した位置を表す配車依頼時位置情報と、配車された前記営業車両に前記客が乗車した位置を表す乗車時位置情報とから、乗車位置を学習する
    請求項１に記載の情報処理装置。
  10. 前記制御部は、前記客が前記営業車両を降車した位置を表す降車時位置情報と、降車した後に移動した位置を表す移動後位置情報とから、降車位置を学習する
    請求項１に記載の情報処理装置。
  11. 前記制御部は、前記客が前記営業車両を降車した位置を表す降車時位置情報と、前記客が前記営業車両に乗車した位置を表す乗車時位置情報とから、乗車位置を学習する
    請求項１に記載の情報処理装置。
  12. 情報処理装置が、
    営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する
    情報処理方法。
  13. コンピュータに、
    営業地域を複数のエリアに分割し、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリングを実行し、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングを実行し、前記第１のクラスタリング及び前記第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により、各前記クラスタに属する前記エリアの乗車需要を予測する予測器を生成する
    処理を実行させるためのプログラム。
  14. 営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する制御部を
    備える情報処理装置。
  15. 情報処理装置が、
    営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する
    情報処理方法。
  16. コンピュータに、
    営業地域が複数のエリアに分割され、営業車両が客を乗車させたことを示す前記エリア毎のデータである実車シーケンスデータを用いて、前記エリア内における単位時間当たりの乗車数の平均と分散を含む第１のパラメータを用いて前記複数のエリアをクラスタリングする第１のクラスタリング、及び、前記エリア内における単位時間当たりの平均乗車数の波形を含む第２のパラメータを用いて前記複数のエリアをクラスタリングする第２のクラスタリングにより分類されたクラスタ毎に、各前記クラスタに属する１以上の前記エリアの前記実車シーケンスデータを用いた学習により生成された、各前記クラスタに属する前記エリアの乗車需要を予測する予測器であって、各前記エリアが属する前記クラスタの前記予測器を用いて、各前記エリアの乗車需要を予測する
    処理を実行させるためのプログラム。
JP2020523627A 2018-06-08 2019-05-24 情報処理装置、情報処理方法、およびプログラム Active JP7428124B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018110263 2018-06-08
JP2018110263 2018-06-08
PCT/JP2019/020606 WO2019235253A1 (ja) 2018-06-08 2019-05-24 情報処理装置、情報処理方法、およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2019235253A1 JPWO2019235253A1 (ja) 2021-06-17
JP7428124B2 true JP7428124B2 (ja) 2024-02-06

Family

ID=68770709

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020523627A Active JP7428124B2 (ja) 2018-06-08 2019-05-24 情報処理装置、情報処理方法、およびプログラム

Country Status (5)

Country Link
US (1) US20210125201A1 (ja)
JP (1) JP7428124B2 (ja)
CN (1) CN112204604A (ja)
DE (1) DE112019002896T5 (ja)
WO (1) WO2019235253A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3816963A4 (en) * 2018-06-29 2021-08-04 Sony Group Corporation INFORMATION PROCESSING DEVICE, MOBILE DEVICE, INFORMATION PROCESSING SYSTEM, PROCESS AND PROGRAM
JP7175135B2 (ja) * 2018-08-13 2022-11-18 株式会社デンソーテン 情報提供装置、サーバ装置、および情報提供方法
CN114009067B (zh) * 2020-02-18 2023-04-04 格步计程车控股私人有限公司 将地理区域划分为用于动态定价的逻辑区域的系统和方法
JP7330141B2 (ja) * 2020-06-24 2023-08-21 株式会社Ｋｄｄｉ総合研究所 情報処理装置、情報処理方法およびプログラム
JP7585112B2 (ja) * 2021-03-24 2024-11-18 Ｇｏ株式会社 配車管理装置、配車管理方法及び配車管理システム
US11410468B1 (en) * 2021-08-28 2022-08-09 Beamlive Inc. Cloud-based soft digital meter for taxi transportation
CN113865603B (zh) * 2021-08-30 2024-06-07 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质
WO2024004874A1 (ja) * 2022-06-29 2024-01-04 日本電気株式会社 捜索装置、捜索方法、及び、記録媒体

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009009282A (ja) 2007-06-27 2009-01-15 Fujitsu Ten Ltd 需要情報送信装置
JP2012050241A (ja) 2010-08-26 2012-03-08 Ntt Docomo Inc 需要予測システム及び需要予測方法
WO2018190428A1 (ja) 2017-04-14 2018-10-18 株式会社Ｎｔｔドコモ 需要予測装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009009282A (ja) 2007-06-27 2009-01-15 Fujitsu Ten Ltd 需要情報送信装置
JP2012050241A (ja) 2010-08-26 2012-03-08 Ntt Docomo Inc 需要予測システム及び需要予測方法
WO2018190428A1 (ja) 2017-04-14 2018-10-18 株式会社Ｎｔｔドコモ 需要予測装置

Also Published As

Publication number Publication date
JPWO2019235253A1 (ja) 2021-06-17
CN112204604A (zh) 2021-01-08
WO2019235253A1 (ja) 2019-12-12
US20210125201A1 (en) 2021-04-29
DE112019002896T5 (de) 2021-02-25

Similar Documents

Publication Publication Date Title
JP7428124B2 (ja) 情報処理装置、情報処理方法、およびプログラム
JP7695627B2 (ja) 情報処理装置、情報処理方法、およびプログラム
US20220366326A1 (en) Systems and Methods of Multimodal Transportation Management
CN107506864B (zh) 一种客运巴士路线规划方法和装置
CN109035770B (zh) 一种大数据环境下公交载客量实时分析预测方法
US9786173B2 (en) Dynamic routing of transit vehicles
JP6322048B2 (ja) 混雑予測装置及び混雑予測方法
US11182871B2 (en) System and apparatus for ridesharing
US20140122190A1 (en) System and methods for detection and selection of a resource among available resources
JP2017091008A (ja) データ処理方法およびデータ処理システム
US20150310356A1 (en) Facility and infrastructure utilization
CN116258342A (zh) 停车管理服务系统
Kyriakou et al. Analysis of spatiotemporal data to predict traffic conditions aiming at a smart navigation system for sustainable urban mobility
JP7425680B2 (ja) ナビゲーション装置、及びナビゲーション方法
JP2021018697A (ja) 交通予測システム、交通予測装置、および、交通予測方法
JP2002367089A (ja) 渋滞情報提供センタ及び方法
JP2012226503A (ja) 移動分析方法および移動分析装置
Bulygin et al. On the analysis of individual data on transport usage
JP6364535B2 (ja) 情報処理システム、情報処理サーバ、情報処理方法、および、情報処理プログラム
Guin et al. Identification of Bus Stations on the Urban Transport Network Based on GPS Tracking Data
CN121528024A (zh) 多源异构数据融合的智慧停车诱导与反向寻车系统
Prileszky The questions of acquisition and use of operational information in urban public transport
Wong Automating bus stop dwell time measurements for London Buses using iBus
SU Analysis of the congestion conditions of highway service area using probe data and drone movie data

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220405

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230707

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231121

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231226

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240108

R151 Written notification of patent or utility model registration

Ref document number: 7428124

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151