JP7778574B2 - 遅延予測システム、遅延予測プログラム及び遅延予測方法 - Google Patents
遅延予測システム、遅延予測プログラム及び遅延予測方法Info
- Publication number
- JP7778574B2 JP7778574B2 JP2022004611A JP2022004611A JP7778574B2 JP 7778574 B2 JP7778574 B2 JP 7778574B2 JP 2022004611 A JP2022004611 A JP 2022004611A JP 2022004611 A JP2022004611 A JP 2022004611A JP 7778574 B2 JP7778574 B2 JP 7778574B2
- Authority
- JP
- Japan
- Prior art keywords
- train
- information
- delay
- destination
- trains
- 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
Links
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、遅延予測システム、遅延予測プログラム及び遅延予測方法に関する。
従来、列車やバス等の移動体の遅延発生時において、ユーザに対して移動体の遅延時間や出発及び到着時刻等の情報を配信するシステムが知られている。例えば、特許文献１には、列車の遅延発生時において、列車の運行計画である計画ダイヤと現在の運行状況を示す実績ダイヤとに基づいて、列車の遅延時間や出発及び到着時刻等の情報を順次更新してユーザが所持するユーザ端末に表示させるシステムが開示されている。
しかしながら、特許文献１に記載の遅延予測システムは、計画ダイヤと実績ダイヤとの差分を遅延時間としているため、復旧作業の進捗状況やダイヤの変更等により遅延時間が時々刻々と変化するものである。すなわち、特許文献１に記載の遅延時間は、あくまでも出発時における遅延時間に過ぎず、到着時における遅延時間ではない。このため、特許文献１に記載の遅延予測システムでは、当初表示される遅延時間と、最終的な到着時の遅延時間との間に大きな乖離が生じるおそれがあり、これにより、ユーザの不満を増大させてしまうという問題がある。
本発明は、遅延発生時において、目的地における最終的な到着遅延時間をユーザに知らせることが可能な遅延予測システム、遅延予測プログラム及び遅延予測方法に関する。
本発明に係る遅延予測システムは、所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成部と、前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習部とを備えている。
また、本発明に係る遅延予測システムは、所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測部とを更に備えている。
さらに、本発明に係る遅延予測システムにおいて、前記移動体は、列車であり、前記移動体の密度に関連する情報には、現在地から目的地までの列車密度に関連する情報が含まれている。
また、本発明に係る遅延予測システムにおいて、前記現在地から目的地までの列車密度に関連する情報には、現在地から目的地までの間に存在する駅数に関する情報及び現在地から目的地までの間に存在する列車本数に関する情報と、現在地から目的地までの間に存在する列車の駅停車時間の合計に関する情報と、現在地から目的地までの計画走行時間に関する情報との少なくとも１つの情報が含まれている。
さらに、本発明に係る遅延予測システムにおいて、前記移動体の密度に関連する情報には、線区における列車密度に関連する情報が含まれている。
また、本発明に係る遅延予測システムにおいて、前記線区における列車密度に関連する情報には、線区の一方の線路上に存在する列車本数に関する情報と、線区全体に存在する列車本数に関する情報と、線区全体に存在する列車の駅停車時間の合計に関する情報との少なくとも１つの情報が含まれている。
さらに、本発明に係る遅延予測システムにおいて、前記移動体の密度に関連する情報には、線区内の他の駅における列車密度に関連する情報が含まれている。
また、本発明に係る遅延予測システムにおいて、前記線区内の他の駅における列車密度に関連する情報には、複数の線区が接続された接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間に関する情報及び前記遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間に関する情報の少なくとも一方の情報が含まれている。
さらに、本発明に係る遅延予測システムにおいて、前記移動体の密度に関連する情報には、直近列車間における列車密度に関連する情報が含まれている。
また、本発明に係る遅延予測システムにおいて、前記直近列車間における列車密度に関連する情報には、自列車と直近前方の列車までの間に存在する駅数に関する情報が含まれている。
さらに、本発明に係る遅延予測システムにおいて、前記直近列車間における列車密度に関連する情報には、自列車と直近後方の列車までの間に存在する駅数に関する情報が含まれている。
また、本発明に係る遅延予測システムにおいて、前記説明変数には、移動体の乗車率に関連する情報が含まれている。
さらに、本発明に係る遅延予測システムにおいて、前記説明変数には、現在地における移動体の計画、実績、遅延に関する情報が含まれている。
また、本発明に係る遅延予測システムは、前記予測部により予測された目的地における移動体の到着遅延時間を表示するユーザ端末を更に備えている。
本発明に係る遅延予測プログラムは、コンピュータに、所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成工程と、前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習工程とを実行させるように構成されている。
本発明に係る遅延予測プログラムは、所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測工程を更に含んでいる。
本発明に係る遅延予測方法は、所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成工程と、前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習工程とを含んでいる。
本発明に係る遅延予測方法は、所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測工程を更に含んでいる。
本発明の遅延予測システム、遅延予測プログラム及び遅延予測方法によれば、遅延発生時において、目的地における最終的な到着遅延時間をユーザに知らせることができる。
以下、本発明を実施するための好適な実施形態について、図面を用いて説明する。なお、以下の実施形態は、各請求項に係る発明を限定するものではなく、また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。また、本実施形態においては、一部の構成要素が省略されている場合がある。
[遅延予測システムの構成]
本実施形態に係る遅延予測システム１は、概略的には、所定の区間における複数の列車１００の過去の運転実績を示す過去実績データ（以下、単に列車１００の過去実績データという。）を用いて、目的地における列車１００の到着遅延時間を予測する遅延予測モデルを生成し、所定の区間における複数の列車１００の直近の運転実績を示す直近実績データ（以下、単に列車１００の直近実績データという。）と、遅延予測モデルとに基づいて、目的地における列車１００の到着遅延時間の予測を行うシステムである。
本実施形態に係る遅延予測システム１は、概略的には、所定の区間における複数の列車１００の過去の運転実績を示す過去実績データ（以下、単に列車１００の過去実績データという。）を用いて、目的地における列車１００の到着遅延時間を予測する遅延予測モデルを生成し、所定の区間における複数の列車１００の直近の運転実績を示す直近実績データ（以下、単に列車１００の直近実績データという。）と、遅延予測モデルとに基づいて、目的地における列車１００の到着遅延時間の予測を行うシステムである。
図１に示すように、本実施形態に係る遅延予測システム１は、鉄道会社または関連会社が管理する格納サーバ２００及び学習サーバ３００と、列車１００を利用するユーザが所持するユーザ端末４００とを備えている。また、格納サーバ２００、学習サーバ３００及びユーザ端末４００は、通信ネットワークＮＷを介して相互にデータ通信可能に構成されている。なお、本実施形態において、格納サーバ２００及び学習サーバ３００はそれぞれ独立したサーバであるものとして説明するが、これに限定されず、格納サーバ２００及び学習サーバ３００を含む１つのサーバであっても良く、また、格納サーバ２００、学習サーバ３００がそれぞれ複数あっても良い。
また、本実施形態に係る遅延予測システム１は、列車１００に限定されず、運行計画によって運行される任意の移動体、例えば、バス、船、飛行機等にも適用することができる。また、本実施形態において、列車１００の運転実績を示すデータ（以下、単に列車１００の運転実績データという。）は、無線通信により列車１００から遅延予測システム１の格納サーバ２００にリアルタイムに送信される。なお、「リアルタイムに送信」には、数秒から数分程度の遅れや、電波障害等によりデータを送信できない場合の再送が含まれる。
[用語の説明]
本実施形態において、「所定の区間」とは、鉄道会社等によって指定されたある特定の区間である線区をいい、「線区」とは、遅延予測システム１が学習を行う区間及び到着遅延時間の予測を行うことができる区間をいい、路線全体、路線のうちのある特定の区間を含むものである。なお、「所定の区間」は、線区に限定されず、例えば、移動体がバスの場合には、複数のバス停のうちのある特定の区間、移動体が船の場合には、複数の船着き場のうちのある特定の区間、移動体が飛行機の場合には、複数の空港のうちのある特定の区間等、移動体ごとに任意に定められるものである。
本実施形態において、「所定の区間」とは、鉄道会社等によって指定されたある特定の区間である線区をいい、「線区」とは、遅延予測システム１が学習を行う区間及び到着遅延時間の予測を行うことができる区間をいい、路線全体、路線のうちのある特定の区間を含むものである。なお、「所定の区間」は、線区に限定されず、例えば、移動体がバスの場合には、複数のバス停のうちのある特定の区間、移動体が船の場合には、複数の船着き場のうちのある特定の区間、移動体が飛行機の場合には、複数の空港のうちのある特定の区間等、移動体ごとに任意に定められるものである。
本実施形態において、「列車１００の運転実績データ」とは、後述する第１の情報～第４の情報及び目的変数に関する情報を含むデータであり、走行中の全列車及び線区内の全駅の情報、実績ダイヤ、計画ダイヤ（運行計画）、実行ダイヤに関する情報等を含んでいる。なお、実行ダイヤとは、列車１００の遅延等が発生した場合に、計画ダイヤに基づいて運行計画を変更したときのダイヤである。「列車１００の過去実績データ」とは、格納サーバ２００に蓄積されている列車１００の過去の運転実績データであり、「列車１００の直近実績データ」とは、格納サーバ２００に蓄積されている列車１００の運転実績データの内、最新のデータである。また、「前駅」とは、現在地を基準とした場合の現在地の１つ手前の駅であり、「後駅」とは、現在地を基準とした場合の現在地の次の駅である。さらに、「接続駅」とは、異なる複数の線区が接続された駅をいう。
[格納サーバの構成]
格納サーバ２００は、無線通信により列車１００からリアルタイムに送信される列車１００の運転実績データを蓄積するサーバであり、図１に示すように、列車１００の運転実績データを格納する記憶部２１０と、該記憶部２１０に格納された列車１００の運転実績データから列車１００の直近実績データを抽出する抽出部２２０とを備えている。なお、格納サーバ２００と、列車１００とは通信ネットワークＮＷを介してデータ通信可能に構成されている。また、記憶部２１０に格納された列車１００の運転実績データ（列車１００の過去実績データ）は、ダンプデータとして所定の時間ごと、例えば、３０秒ごとに学習サーバ３００に送信される。
格納サーバ２００は、無線通信により列車１００からリアルタイムに送信される列車１００の運転実績データを蓄積するサーバであり、図１に示すように、列車１００の運転実績データを格納する記憶部２１０と、該記憶部２１０に格納された列車１００の運転実績データから列車１００の直近実績データを抽出する抽出部２２０とを備えている。なお、格納サーバ２００と、列車１００とは通信ネットワークＮＷを介してデータ通信可能に構成されている。また、記憶部２１０に格納された列車１００の運転実績データ（列車１００の過去実績データ）は、ダンプデータとして所定の時間ごと、例えば、３０秒ごとに学習サーバ３００に送信される。
抽出部２２０は、記憶部２１０に格納された列車１００の運転実績データから列車１００の直近実績データを抽出するように構成されている。具体的には、抽出部２２０は、ユーザがユーザ端末４００を操作することにより入力された線区の情報及び現在地、目的地の駅情報（例えば駅名）、入力された時刻の情報等の入力情報に基づいて、遅延予測の対象となる列車１００の直近実績データを抽出するように構成されている。なお、抽出部２２０により抽出された列車１００の直近実績データは、学習サーバ３００に送信される。また、ユーザに入力される現在地の駅情報としては、線区内に存在する複数の駅の内、ユーザによって選択された駅の情報、例えば、ユーザが列車１００を乗車する駅、ユーザが遅延予測を検索する地点近くの駅等の線区内に存在する任意の駅の情報が入力される。また、目的地の駅情報としては、線区内に存在する複数の駅の内、ユーザが列車１００の到着遅延時間の検索を所望する駅、例えば、ユーザが列車１００を降車する駅等の線区内に存在する任意の駅の情報が入力される。
[学習サーバの構成]
学習サーバ３００は、列車１００の過去実績データを用いて機械学習を行うと共に、目的地における列車１００の到着遅延時間の予測を行うサーバである。具体的には、学習サーバ３００は、図１に示すように、学習サーバ３００全体の制御を行う制御部３１０を備えている。
学習サーバ３００は、列車１００の過去実績データを用いて機械学習を行うと共に、目的地における列車１００の到着遅延時間の予測を行うサーバである。具体的には、学習サーバ３００は、図１に示すように、学習サーバ３００全体の制御を行う制御部３１０を備えている。
制御部３１０は、図１に示すように、各種データを格納する記憶部３１１と、機械学習に必要な教師データを生成する教師データ生成部３１２と、教師データに基づいて学習を行う学習部３１３と、目的地における列車１００の到着遅延時間の予測を行う予測部３１４とを備えている。
ここで、教師データとは、学習部３１３に学習をさせるための教材となるデータであり、本実施形態においては、日や対象を特定するための情報（以下、第１の情報という。）と、現在地における列車１００の計画、実績、遅延に関する情報（以下、第２の情報という。）と、前駅における列車１００の実績、遅延に関する情報（以下、第３の情報という。）と、列車１００の乗車率に関連する情報（以下、第４の情報という。）と、所定の区間における列車１００の密度に関連する情報（以下、第５の情報という。）とを説明変数とし、目的地における列車１００の実際の到着遅延時間を目的変数として含んでいる。なお、本実施形態において、説明変数には、上記第１の情報～第５の情報が含まれるものとして説明したが、これに限定されず、少なくとも第５の情報（所定の区間における列車１００の密度に関連する情報）が含まれていればよい。
制御部３１０は、プロセッサであるＣＰＵであり、記憶部３１１は、例えば、ＲＡＭ、ＲＯＭ等のメモリ、ＨＤＤ、ＳＤＤ等である。また、本実施形態に係る学習サーバ３００は、記憶部３１１に格納された遅延予測プログラムをＲＡＭに展開し、これをＣＰＵが解釈及び実行することにより、教師データ生成部３１２、学習部３１３及び予測部３１４の各種機能を実現するように構成されている。
ここで、遅延予測プログラムとは、コンピュータに、所定の区間における複数の列車１００の過去実績データに基づいて、第１の情報～第５の情報を説明変数とし、目的地における列車１００の到着遅延時間を目的変数とする教師データを生成する教師データ生成工程と、該教師データを用いた機械学習により、目的地における列車１００の到着遅延時間を予測する遅延予測モデルを生成する学習工程と、所定の区間における複数の列車１００の直近実績データと、遅延予測モデルとに基づいて、目的地における列車１００の到着遅延時間の予測を行う予測工程とを実行させるように構成されたプログラムである。
記憶部３１１は、遅延予測プログラムを格納するプログラム格納エリアと、プログラムの実行に必要となる各種データを格納するデータ格納エリアとを備えている。
データ格納エリアには、格納サーバ２００から送信された列車１００の過去実績データと、教師データに関する情報が入力されるデータベースと、教師データ生成部３１２により生成された教師データと、学習部３１３により生成された遅延予測モデルと、格納サーバ２００から送信された列車１００の直近実績データとが格納されている。
記憶部３１１に格納された図２に示すデータベースは、教師データに関する情報が入力されるデータベースであり、教師データ生成部３１２によって説明変数及び目的変数の各項目にデータが入力された状態のデータベースが学習部３１３に入力される教師データとなる。また、図２に示すように、記憶部３１１に格納されたデータベースは、説明変数の項目が第１の情報～第５の情報の各項目にデータ分類されている。第１の情報～第５の情報の各項目については後述する。
教師データ生成部３１２は、記憶部３１１に格納された列車１００の過去実績データに基づいて、学習部３１３に学習させるための教師データを生成するように構成されている。具体的には、教師データ生成部３１２は、記憶部３１１に格納された列車１００の過去実績データに基づいて、第１の情報～第４の情報及び目的変数に関する情報を生成するように構成されている。また、教師データ生成部３１２は、第１の情報～第４の情報に基づいて、第５の情報を生成するように構成されている。なお、教師データ生成部３１２は、線区内に存在する全駅及び全列車について、第１の情報～第５の情報及び目的変数に関する情報を生成する。
また、教師データ生成部３１２により行われる教師データの生成は、例えば日次処理により行われ、教師データの生成と同時に記憶部３１１に格納された列車１００の過去実績データが削除される。また、教師データ生成部３１２によって生成された第１の情報～第５の情報及び目的変数に関する情報は、記憶部３１１に格納された図２に示すデータベースのＮｏ．ごとに格納され、該格納された状態のデータベースが学習部３１３に入力される教師データとなる。
次に、図３～図７を用いて、第１の情報から第５の情報に含まれる情報について説明する。なお、以下、説明の便宜上、線区内を走行する列車１００の内、ある一の列車（自列車１００Ａ）を対象として説明する。なお、自列車１００Ａ以外の列車を他列車１００Ｂとして説明する。
[第１の情報]
第１の情報は、日や対象を特定するための情報であり、図３に示すように、記憶部３１１に格納されたデータベースの（１）施行日、（２）土日祝祭日、（３）線区名、（４）方向名、（５）列車番号、（６）前駅名、（７）現在地名、（８）駅順序番号、（９）後駅名、（１０）目的地名、（１１）終着駅名、（１２）始発駅名、（１３）始発駅出発時刻の各項目にデータ分類されて入力される。なお、（７）現在地名の項目には、線区内に存在する複数の駅のそれぞれの名称が入力される。すなわち、１つのセルには、線区内に存在する複数の駅のうちある特定の１の駅（例えばＡ駅）の名称が入力され、別のセルには、Ｂ駅、さらに別のセルにはＣ駅等、各セルに各駅の名称がそれぞれ入力される。また、（１０）目的地名の項目には、現在地から終着駅までの間に存在する駅の名称がそれぞれ入力される。すなわち、（７）現在地名に線区内に存在する任意の駅（例えば、Ａ駅）の名称が入力されている場合、（１０）目的地名には、線区内に存在するＡ駅以降の駅名が総当たり的に入力される。例えば、図２に示すデータベースの１列目に（７）現在地名がＡ駅、（１０）目的地名が線区内に存在するＡ駅以降のＢ駅が入力され、データベースの２列目に（７）現在地名がＡ駅、（１０）目的地名がＢ駅の次駅であるＣ駅が入力される。
第１の情報は、日や対象を特定するための情報であり、図３に示すように、記憶部３１１に格納されたデータベースの（１）施行日、（２）土日祝祭日、（３）線区名、（４）方向名、（５）列車番号、（６）前駅名、（７）現在地名、（８）駅順序番号、（９）後駅名、（１０）目的地名、（１１）終着駅名、（１２）始発駅名、（１３）始発駅出発時刻の各項目にデータ分類されて入力される。なお、（７）現在地名の項目には、線区内に存在する複数の駅のそれぞれの名称が入力される。すなわち、１つのセルには、線区内に存在する複数の駅のうちある特定の１の駅（例えばＡ駅）の名称が入力され、別のセルには、Ｂ駅、さらに別のセルにはＣ駅等、各セルに各駅の名称がそれぞれ入力される。また、（１０）目的地名の項目には、現在地から終着駅までの間に存在する駅の名称がそれぞれ入力される。すなわち、（７）現在地名に線区内に存在する任意の駅（例えば、Ａ駅）の名称が入力されている場合、（１０）目的地名には、線区内に存在するＡ駅以降の駅名が総当たり的に入力される。例えば、図２に示すデータベースの１列目に（７）現在地名がＡ駅、（１０）目的地名が線区内に存在するＡ駅以降のＢ駅が入力され、データベースの２列目に（７）現在地名がＡ駅、（１０）目的地名がＢ駅の次駅であるＣ駅が入力される。
（１）施行日には、自列車１００Ａが走行した日付が入力される。（２）土日祝祭日には、（１）施行日に入力された日付が土日祝祭日に該当する場合「１」、該当しない場合「０」の情報が入力される。（３）線区名には、自列車１００Ａが走行する線区の名称に関する情報が入力される。（４）方向名には、「上り」又は「下り」のいずれかの情報が入力される。（５）列車番号には、自列車１００Ａの列車番号が入力される。（６）前駅名、（７）現在地名、（９）後駅名、（１０）目的地名、（１１）終着駅名、（１２）始発駅名には、それぞれ対象となる駅の名称に関する情報が入力される。（８）駅順序番号には、線区、方向ごとに定められた起点駅（最初の駅）から現在地までの駅数に関する情報が入力され、（１３）始発駅出発時刻には、自列車１００Ａが始発駅を出発した時刻が入力される。
[第２の情報]
第２の情報は、現在地における列車１００の計画、実績、遅延に関する情報であり、図４に示すように、記憶部３１１に格納されたデータベースの（１４）計画到着時刻、（１５）実績到着時刻、（１６）到着遅延時分、（１７）計画出発時刻、（１８）実績出発時刻、（１９）出発遅延時分、（２０）停車時間の各項目にデータ分類されて入力される。
第２の情報は、現在地における列車１００の計画、実績、遅延に関する情報であり、図４に示すように、記憶部３１１に格納されたデータベースの（１４）計画到着時刻、（１５）実績到着時刻、（１６）到着遅延時分、（１７）計画出発時刻、（１８）実績出発時刻、（１９）出発遅延時分、（２０）停車時間の各項目にデータ分類されて入力される。
（１４）計画到着時刻には、計画ダイヤあるいは実行ダイヤにおける現在地への到着時刻が入力される。（１５）実績到着時刻には、現在地への実際の到着時刻が入力される。（１６）到着遅延時分には、（１５）実績到着時刻から（１４）計画到着時刻を差し引いた時間が入力される。なお、差し引いた値が「－」になる場合には「０」と入力される。（１７）計画出発時刻には、計画ダイヤあるいは実行ダイヤにおける現在地の出発時刻が入力される。（１８）実績出発時刻には、現在地における実際の出発時刻が入力される。（１９）出発遅延時分には、（１８）実績出発時刻から（１７）計画出発時刻を差し引いた時間が入力される。（２０）停車時間には、（１８）実績出発時刻から（１５）実績到着時刻を差し引いた時間が入力される。
[第３の情報]
第３の情報は、前駅における列車１００の実績、遅延に関する情報であり、図５に示すように、記憶部３１１に格納されたデータベースの（２１）前駅実績到着時刻、（２２）前駅到着遅延時分、（２３）前駅実績出発時刻、（２４）前駅出発遅延時分、（２５）前走行駅間経過時間の各項目にデータ分類されて入力される。
第３の情報は、前駅における列車１００の実績、遅延に関する情報であり、図５に示すように、記憶部３１１に格納されたデータベースの（２１）前駅実績到着時刻、（２２）前駅到着遅延時分、（２３）前駅実績出発時刻、（２４）前駅出発遅延時分、（２５）前走行駅間経過時間の各項目にデータ分類されて入力される。
（２１）前駅実績到着時刻には、前駅への実際の到着時刻が入力される。（２２）前駅到着遅延時分には、（２１）前駅実績到着時刻から計画ダイヤあるいは実行ダイヤにおける前駅への到着時刻を差し引いた時間が入力される。（２３）前駅実績出発時刻には、前駅における実際の出発時刻が入力される。（２４）前駅出発遅延時分には、（２３）前駅実績出発時刻から計画ダイヤあるいは実行ダイヤにおける前駅の出発時刻を差し引いた時間が入力される。（２５）前走行駅間経過時間には、第２の情報の（１５）実績到着時刻から（２３）前駅実績出発時刻を差しい引いた時間が入力される。
[第４の情報]
第４の情報は、列車１００の乗車率に関連する情報であり、図６に示すように、記憶部３１１に格納されたデータベースの（２６）普通車乗員数、（２７）特別車両乗員数の各項目にデータ分類されて入力される。ここで、「普通車」とは、列車１００のうち通常料金で乗車をすることができる車両をいい、「特別車両」とは、列車１００のうち通常料金よりも多い料金を支払うことにより乗車できる車両をいい、例えば、グリーン車、指定席等である。
第４の情報は、列車１００の乗車率に関連する情報であり、図６に示すように、記憶部３１１に格納されたデータベースの（２６）普通車乗員数、（２７）特別車両乗員数の各項目にデータ分類されて入力される。ここで、「普通車」とは、列車１００のうち通常料金で乗車をすることができる車両をいい、「特別車両」とは、列車１００のうち通常料金よりも多い料金を支払うことにより乗車できる車両をいい、例えば、グリーン車、指定席等である。
（２６）普通車乗員数には、自列車１００Ａの普通車における乗員数が入力される。（２７）特別車両乗員数には、自列車１００Ａの特別車両における乗員数が入力される。なお、特別車両がない場合には「０」と入力される。
[第５の情報]
第５の情報は、所定の区間における列車１００の密度に関連する情報であり、第１の情報～第４の情報に基づいてデータが算出される。また、第５の情報は、図７に示すように、記憶部３１１に格納されたデータベースの（２８）現在地から目的地までの列車密度、（２９）線区における列車密度、（３０）線区内の他の駅における列車密度、（３１）直近列車間における列車密度の各項目にデータ分類されて入力される。ここで、「直近列車」とは、線区内の線路を走行する複数の列車１００のうち、自列車１００Ａの前後を走行する他列車１００Ｂをいう。
第５の情報は、所定の区間における列車１００の密度に関連する情報であり、第１の情報～第４の情報に基づいてデータが算出される。また、第５の情報は、図７に示すように、記憶部３１１に格納されたデータベースの（２８）現在地から目的地までの列車密度、（２９）線区における列車密度、（３０）線区内の他の駅における列車密度、（３１）直近列車間における列車密度の各項目にデータ分類されて入力される。ここで、「直近列車」とは、線区内の線路を走行する複数の列車１００のうち、自列車１００Ａの前後を走行する他列車１００Ｂをいう。
（２８）現在地から目的地までの列車密度の項目は、「現在地から目的地までの間に存在する駅数」、「現在地から目的地までの間に存在する列車本数」、「現在地から目的地までの間に存在する列車の駅停車時間の合計」、「現在地から目的地までの計画走行時間」の各項目にデータ分類されており、第５の情報は、各項目にデータ分類されて入力される。
「現在地から目的地までの間に存在する駅数」には、自列車１００Ａの第１の情報の（７）現在地名及び（１０）目的地名の情報に基づいて算出された、現在地から目的地までの間に存在する駅数が入力される。「現在地から目的地までの間に存在する列車本数」には、自列車１００Ａの第１の情報の（７）現在地名及び（１０）目的地名の情報と、他列車１００Ｂの第１の情報の（７）現在地名の情報とに基づいて算出された、現在地から目的地までの間に存在する列車本数が入力される。「現在地から目的地までの間に存在する列車の駅停車時間の合計」には、自列車１００Ａの第１の情報の（７）現在地名及び（１０）目的地名の情報と、他列車１００Ｂの第２の情報の（２０）停車時間の情報とに基づいて算出された、現在地から目的地までの間に存在する列車の駅停車時間の合計が入力される。「現在地から目的地までの計画走行時間」には、自列車１００Ａの第１の情報の（７）現在地名及び（１０）目的地名の情報と、計画ダイヤあるいは実行ダイヤの情報とに基づいて、目的地への計画到着時刻から現在地の計画出発時刻を差し引いた時間が入力される。
（２９）線区における列車密度の項目は、「線区の一方の線路上に存在する列車本数」、「線区全体に存在する列車本数」、「線区全体に存在する列車の駅停車時間の合計」の各項目にデータ分類されており、第５の情報は、各項目にデータ分類されて入力される。なお、「線区の一方の線路上」とは、自列車１００Ａが走行する線路、又は自列車１００Ａが走行する線路と反対側に存在する線路のいずれかをいう。
「線区の一方の線路上に存在する列車本数」には、自列車１００Ａ及び他列車１００Ｂの第１の情報の（４）方向名の情報と、第２の情報の（１８）実績出発時刻の情報とに基づいて算出された、線区の一方の線路上に存在する列車本数が入力される。「線区全体に存在する列車本数」には、自列車１００Ａ及び他列車１００Ｂの第２の情報の（１８）実績出発時刻の情報に基づいて算出された、線区全体に存在する列車本数が入力される。「線区全体に存在する列車の駅停車時間の合計」には、自列車１００Ａ及び他列車１００Ｂの第２の情報の（２０）停車時間の情報に基づいて算出された、線区全体に存在する列車の駅停車時間の合計が入力される。
（３０）線区内の他の駅における列車密度の項目は、「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」、「接続駅における遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」の各項目にデータ分類されており、第５の情報は、各項目にデータ分類されて入力される。ここで、「一方線路」とは、自列車１００Ａが走行する線路をいい、「他方線路」とは、自列車１００Ａが走行する線路と反対側に存在する線路をいう。なお、自列車１００Ａが走行する線路と反対側に存在する線路が「一方線路」であっても良いし、自列車１００Ａが走行する線路が「他方線路」であっても良い。また、（３０）線区内の他の駅における列車密度に関連する情報は、「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」に関する情報、又は「遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」に関する情報の少なくとも一方の情報が含まれる態様であっても良い。
「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」及び「接続駅における遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」には、当該一方線路及び他方線路を走行する他列車１００Ｂのうち、対象となる列車の接続駅における遅列車到着遅延時間が入力される。具体的には、自列車１００Ａ及び他列車１００Ｂの第１の情報の（４）方向名に基づいて、一方線路及び他方線路を走行する他列車１００Ｂをそれぞれ特定すると共に、他列車１００Ｂの第１の情報の（７）現在地名と、自列車１００Ａ及び他列車１００Ｂの第２の情報の（１８）実績出発時刻とに基づいて、自列車１００Ａが現在地を出発した時刻又は直近において、一方線路及び他方線路における接続駅を出発した他列車１００Ｂを更にそれぞれ特定する。そして、当該特定された他列車１００Ｂの第２の情報の（１６）到着遅延時分に基づいて算出された、接続駅における列車到着遅延時間が入力される。
（３１）直近列車間における列車密度の項目は、「自列車と直近前方の列車までの間に存在する駅数」、「自列車と直近後方の列車までの間に存在する駅数」の各項目にデータ分類されており、第５の情報は、各項目にデータ分類されて入力される。
「自列車と直近前方の列車までの間に存在する駅数」には、自列車１００Ａ及び自列車１００Ａの直近前方を走行する他列車１００Ｂの第１の情報の（７）現在地名に基づいて算出された、自列車と直近前方の列車までの間に存在する駅数が入力される。「自列車と直近後方の列車までの間に存在する駅数」には、自列車１００Ａ及び自列車１００Ａの直近後方を走行する他列車１００Ｂの第１の情報の（７）現在地名に基づいて算出された、自列車と直近後方の列車までの間に存在する駅数が入力される。
学習部３１３は、記憶部３１１に格納された教師データを用いた一般的なツール、例えば、ＡｕｔｏＭＬ（Ａｕｔｏｍａｔｅｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）等による機械学習により、目的地における列車１００の到着遅延時間を予測する遅延予測モデルを生成するように構成されている。なお、学習部３１３による学習は、教師データが一定の量生成された段階で行われても良いし、日次処理により行われても良いし、教師データの生成と同時に行われても良い。
予測部３１４は、記憶部３１１に格納された列車１００の直近実績データと、遅延予測モデルとに基づいて、目的地における列車１００の到着遅延時間の予測を行うように構成されている。具体的には、予測部３１４は、記憶部３１１に格納された列車１００の直近実績データに基づいて、第１の情報～第５の情報を生成し、該第１の情報～第５の情報を説明変数として遅延予測モデルに入力することにより、目的変数として目的地における列車１００の到着遅延時間を算出するように構成されている。
[ユーザ端末の構成]
ユーザ端末４００は、列車１００を利用するユーザが所持するスマートフォンやタブレット端末等のモバイルデバイスであり、図１０に示すように、ユーザからの各種の入力操作を受け付ける操作部４１０と、目的地における列車１００の到着遅延時間を検索するための検索画面や、予測部３１４により予測された目的地における列車１００の到着遅延時間（予測結果）を表示する表示部４２０と、ユーザ端末４００内に制御部４３０を備えている。なお、操作部４１０及び表示部４２０は、スマートフォン等のモバイルデバイスが通常有する機能を転用することが可能であるため、その詳細な説明を省略する。
ユーザ端末４００は、列車１００を利用するユーザが所持するスマートフォンやタブレット端末等のモバイルデバイスであり、図１０に示すように、ユーザからの各種の入力操作を受け付ける操作部４１０と、目的地における列車１００の到着遅延時間を検索するための検索画面や、予測部３１４により予測された目的地における列車１００の到着遅延時間（予測結果）を表示する表示部４２０と、ユーザ端末４００内に制御部４３０を備えている。なお、操作部４１０及び表示部４２０は、スマートフォン等のモバイルデバイスが通常有する機能を転用することが可能であるため、その詳細な説明を省略する。
制御部４３０は、図１に示すように、操作部４１０、表示部４２０を動作させるための命令を含むプログラムや到着遅延時間を検索するためのプログラム（アプリケーション）等を格納する記憶部４３１と、操作部４１０を制御する操作制御部４３２と、表示部４２０を制御する表示制御部４３３とを備えている。
制御部４３０は、プロセッサであるＣＰＵであり、記憶部４３１は、例えば、ＲＡＭ、ＲＯＭ等のメモリである。また、本実施形態に係るユーザ端末４００は、記憶部４３１に格納されたプログラムをＲＡＭに展開し、これをＣＰＵが解釈及び実行することにより、操作部４１０の入力操作を電気信号に変換して出力すると共に、表示部４２０に目的地における列車１００の到着遅延時間を検索するための遅延時間検索画面や、予測部３１４により予測された目的地における列車１００の到着遅延時間を表示することができる。
[遅延予測方法]
次に、図８及び図９を用いて本実施形態に係る遅延予測システム１を用いた遅延予測方法について説明する。
次に、図８及び図９を用いて本実施形態に係る遅延予測システム１を用いた遅延予測方法について説明する。
[学習方法]
まず、学習方法について、図８を用いて説明する。列車１００は、走行中に列車１００の運転実績データを格納サーバ２００にリアルタイムに送信する（Ｓ１）。格納サーバ２００は、列車１００の運転実績データを受信し（Ｓ２）、記憶部２１０に格納する。また、格納サーバ２００は、列車１００の運転実績データ（列車１００の過去実績データ）を学習サーバ３００に送信する（Ｓ３）。学習サーバ３００は、列車１００の過去実績データを受信し（Ｓ４）、記憶部３１１に格納する。また、学習サーバ３００は、教師データ生成部３１２により、記憶部３１１に格納された過去実績データに基づいて、第１の情報～第５の情報を説明変数とし、目的地における列車１００の到着遅延時間を目的変数とする教師データを生成する（Ｓ５）。生成された教師データは、記憶部３１１に格納される。さらに、学習サーバ３００は、学習部３１３により、記憶部３１１に格納された教師データを用いて機械学習を行うと共に、列車１００の到着遅延時間を予測する遅延予測モデルを生成する（Ｓ６）。生成された遅延予測モデルは、記憶部３１１に格納される。
まず、学習方法について、図８を用いて説明する。列車１００は、走行中に列車１００の運転実績データを格納サーバ２００にリアルタイムに送信する（Ｓ１）。格納サーバ２００は、列車１００の運転実績データを受信し（Ｓ２）、記憶部２１０に格納する。また、格納サーバ２００は、列車１００の運転実績データ（列車１００の過去実績データ）を学習サーバ３００に送信する（Ｓ３）。学習サーバ３００は、列車１００の過去実績データを受信し（Ｓ４）、記憶部３１１に格納する。また、学習サーバ３００は、教師データ生成部３１２により、記憶部３１１に格納された過去実績データに基づいて、第１の情報～第５の情報を説明変数とし、目的地における列車１００の到着遅延時間を目的変数とする教師データを生成する（Ｓ５）。生成された教師データは、記憶部３１１に格納される。さらに、学習サーバ３００は、学習部３１３により、記憶部３１１に格納された教師データを用いて機械学習を行うと共に、列車１００の到着遅延時間を予測する遅延予測モデルを生成する（Ｓ６）。生成された遅延予測モデルは、記憶部３１１に格納される。
[予測方法]
次に、遅延予測方法について、図９を用いて説明する。ユーザは、ユーザ端末４００の表示部４２０に表示された検索画面に従い、操作部４１０を操作して線区及び現在地、目的地を入力する。ユーザ端末４００は、入力された線区の情報及び現在地、目的地の駅情報、入力された時刻の情報等の入力情報を格納サーバ２００に送信する（Ｓ７）。格納サーバ２００は、ユーザ端末４００から現在地及び目的地等の入力情報を受信し（Ｓ８）、記憶部２１０に格納する。また、格納サーバ２００は、抽出部２２０により、入力された線区の情報及び現在地、目的地の駅情報と、入力された時刻の情報に基づいて、記憶部２１０に格納された列車１００の過去実績データから遅延予測の対象となる列車１００の直近実績データを抽出し（Ｓ９）、抽出された列車１００の直近実績データを学習サーバ３００に送信する（Ｓ１０）。学習サーバ３００は、列車１００の直近実績データを受信し（Ｓ１１）、記憶部３１１に格納する。
次に、遅延予測方法について、図９を用いて説明する。ユーザは、ユーザ端末４００の表示部４２０に表示された検索画面に従い、操作部４１０を操作して線区及び現在地、目的地を入力する。ユーザ端末４００は、入力された線区の情報及び現在地、目的地の駅情報、入力された時刻の情報等の入力情報を格納サーバ２００に送信する（Ｓ７）。格納サーバ２００は、ユーザ端末４００から現在地及び目的地等の入力情報を受信し（Ｓ８）、記憶部２１０に格納する。また、格納サーバ２００は、抽出部２２０により、入力された線区の情報及び現在地、目的地の駅情報と、入力された時刻の情報に基づいて、記憶部２１０に格納された列車１００の過去実績データから遅延予測の対象となる列車１００の直近実績データを抽出し（Ｓ９）、抽出された列車１００の直近実績データを学習サーバ３００に送信する（Ｓ１０）。学習サーバ３００は、列車１００の直近実績データを受信し（Ｓ１１）、記憶部３１１に格納する。
学習サーバ３００は、予測部３１４により、記憶部３１１に格納された列車１００の直近実績データと、遅延予測モデルとに基づいて、目的地における列車１００の到着遅延時間の予測を行い（Ｓ１２）、ユーザ端末４００に予測結果を送信する（Ｓ１３）。ユーザ端末４００は、予測結果を受信し（Ｓ１４）、図１０に示すように、予測結果を表示部４２０に表示する（Ｓ１５）。
[本実施形態に係る遅延予測システムの利点]
このように本実施形態に係る遅延予測システム１は、所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成部３１２と、教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習部３１３とを備えている。
このように本実施形態に係る遅延予測システム１は、所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成部３１２と、教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習部３１３とを備えている。
このような構成を備える遅延予測システム１によれば、所定の区間に存在する移動体の数等の密度度合いは、移動体の遅延に大きな影響を与えるため、所定の区間における移動体の密度に関連する情報を学習させることにより、遅延発生時において、最終的な遅延時間を正確に予測することが可能な遅延予測モデルを生成することができるという従来にない顕著な利点を有する。また、システム内に教師データ生成部３１２及び学習部３１３が備えられているため、学習精度が向上するという利点も有する。
また、本実施形態に係る遅延予測システム１は、所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測部３１４とを更に備えている。このような構成を備える遅延予測システム１によれば、遅延予測システム１が予測部３１４を備えているため、遅延予測モデルの生成から目的地における移動体の到着遅延時間の予測までを一のシステムで行うことができるという利点を有する。
さらに、本実施形態に係る遅延予測システム１において、移動体は、列車１００であり、移動体の密度に関連する情報には、現在地から目的地までの列車密度に関連する情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３がユーザが列車１００を利用する区間における列車の密度度合いを学習することができるため、遅延発生時において、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
また、本実施形態に係る遅延予測システム１において、現在地から目的地までの列車密度に関連する情報には、現在地から目的地までの間に存在する駅数に関する情報及び現在地から目的地までの間に存在する列車本数に関する情報と、現在地から目的地までの間に存在する列車の駅停車時間の合計に関する情報と、現在地から目的地までの計画走行時間に関する情報との少なくとも１つの情報が含まれている。
このような構成を備える遅延予測システム１によれば、例えば、現在地から目的地までの間に存在する駅数に関する情報及び現在地から目的地までの間に存在する列車本数に関する情報が含まれている場合には、学習部３１３が列車１００の走行可否の判断に関係する現在地から目的地までの間に存在する駅数及び列車本数を考慮して学習を行うことができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。また、現在地から目的地までの間に存在する列車の駅停車時間の合計に関する情報が含まれている場合には、遅延の原因や復旧作業進捗度等の状況に応じて変化する列車の駅停車時間を学習部３１３が考慮して学習できるため、目的地における最終的な遅延時間を正確に予測することができるという利点も有する。さらに、現在地から目的地までの計画走行時間に関する情報が含まれている場合には、学習部３１３が列車１００の実際の走行時間と計画ダイヤあるいは実行ダイヤにおける走行時間とを比較して学習を行うことができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
さらに、本実施形態に係る遅延予測システム１において、移動体の密度に関連する情報には、線区における列車密度に関連する情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３がユーザが列車１００を利用する区間以外の区間における列車の密度度合いも考慮して学習できるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
また、本実施形態に係る遅延予測システム１において、線区における列車密度に関連する情報には、線区の一方の線路上に存在する列車本数に関する情報と、線区全体に存在する列車本数に関する情報と、線区全体に存在する列車の駅停車時間の合計に関する情報との少なくとも１つの情報が含まれている。このような構成を備える遅延予測システム１によれば、例えば、線区の一方の線路上に存在する列車本数に関する情報や線区全体に存在する列車本数に関する情報が含まれている場合には、学習部３１３が列車１００が走行する線区全体や、走行する線区及び走行しない線区の線区全体に存在する列車本数について学習することにより、列車１００の密度度合いをより適切に考慮して学習することができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。また、線区全体に存在する列車の駅停車時間の合計に関する情報が含まれている場合には、学習部３１３が線区全体に存在する列車１００の駅停車時間の合計を加味して学習することができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
また、本実施形態に係る遅延予測システム１において、移動体の密度に関連する情報には、線区内の他の駅における列車密度に関連する情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３が現在地以外の駅における列車の密度度合いも考慮して学習できるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
さらに、本実施形態に係る遅延予測システム１において、線区内の他の駅における列車密度に関連する情報には、複数の線区が接続された接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間に関する情報及び該遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間に関する情報の少なくとも一方の情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３が複数の線区が接続された接続駅における列車１００の遅延の動向を考慮して学習でき、接続駅における遅延時間が目的地における到着遅延時間に与える影響を考慮して学習できるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
また、本実施形態に係る遅延予測システム１において、移動体の密度に関連する情報には、直近列車間における列車密度に関連する情報が含まれている。また、直近列車間における列車密度に関連する情報には、自列車と直近前方の列車までの間に存在する駅数に関する情報が含まれている。さらに、直近列車間における列車密度に関連する情報には、自列車と直近後方の列車までの間に存在する駅数に関する情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３が直近列車間における列車密度について学習することにより、自列車１００Ａが走行できる状態か否かの判断をすることができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
さらに、本実施形態に係る遅延予測システム１において、説明変数には、移動体の乗車率に関連する情報が含まれている。このような構成を備える遅延予測システム１によれば、学習部３１３が移動体の乗車率について学習することにより、移動体の乗車率が遅延時間に与える影響を考慮して遅延時間の予測を行うことができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
また、本実施形態に係る遅延予測システム１において、説明変数には、現在地における移動体の計画、実績、遅延に関する情報が含まれてる。このような構成を備える遅延予測システム１によれば、学習部３１３が現在地における移動体の計画、実績、遅延について学習することにより、計画ダイヤまたは実行ダイヤと実績ダイヤとに基づいて遅延時間を予測することができるため、目的地における最終的な遅延時間を正確に予測することができるという利点を有する。
さらに、本実施形態に係る遅延予測システム１は、予測部３１４により予測された目的地における移動体の到着遅延時間を表示するユーザ端末４００を更に備えている。このような構成を備える遅延予測システム１によれば、予測部３１４により予測された到着遅延時間をユーザが所持するユーザ端末４００上に表示できるため、遅延発生時において、ユーザに目的地における最終的な遅延時間を案内することができるという利点を有する。
[変形例]
本発明は、上述した実施形態に限定されるものではなく、本発明の技術思想を逸脱しない範囲内において種々の改変を行なうことができる。
本発明は、上述した実施形態に限定されるものではなく、本発明の技術思想を逸脱しない範囲内において種々の改変を行なうことができる。
例えば、上述した実施形態では、列車１００の密度に関連する情報には、「現在地から目的地までの列車密度」、「線区における列車密度」、「線区内の他の駅における列車密度」、「直近列車間における列車密度」に関連する情報が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良いし、いずれか２つ、又はいずれか３つの情報が含まれる態様であっても良いし、これらの情報に加えて、又はこれらの情報によらず、軌道回路の情報やキロ程の情報等の他の情報が含まれる態様であっても良い。
また、上述した実施形態では、現在地から目的地までの列車密度に関連する情報には、「現在地から目的地までの間に存在する駅数」、「現在地から目的地までの間に存在する列車本数」、「現在地から目的地までの間に存在する列車の駅停車時間の合計」、「現在地から目的地までの計画走行時間」に関する情報が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良いし、いずれか２つ、又はいずれか３つの情報が含まれる態様であっても良い。
さらに、上述した実施形態では、線区における列車密度に関連する情報には、「線区の一方の線路上に存在する列車本数」、「線区全体に存在する列車本数」、「線区全体に存在する列車の駅停車時間の合計」に関する情報が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良いし、いずれか２つの情報が含まれる態様であっても良い。
また、上述した実施形態では、線区内の他の駅における列車密度に関連する情報には、「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」、「接続駅における遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」に関する情報が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良い。
さらに、上述した実施形態では、直近列車間における列車密度に関連する情報には、「自列車と直近前方の列車までの間に存在する駅数」、「自列車と直近後方の列車までの間に存在する駅数」に関する情報が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良い。
また、上述した実施形態では、説明変数には、「日や対象を特定するための情報」、「現在地における列車１００の計画、実績、遅延に関する情報」、「前駅における列車１００の実績、遅延に関する情報」、「列車１００の乗車率に関連する情報」が含まれるものとして説明したが、これに限定されず、これらの情報のうち、いずれか１つのみが含まれる態様であっても良いし、いずれか２つ、又はいずれか３つの情報が含まれる態様であっても良いし、これらの情報に加えて、又はこれらの情報によらず、他の情報が含まれる態様であっても良い。
さらに、上述した実施形態では、遅延予測システム１は、ユーザ端末４００を備えており、ユーザ端末４００の表示部４２０上に目的地における列車１００の到着遅延時間を表示するものとして説明したが、これに限定されず、例えば、電光掲示板や鉄道会社が管理するＷＥＢサイト上に到着遅延時間を表示する態様であっても良い。
また、上述した実施形態では、「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」及び「接続駅における遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」に関する情報について、１の接続駅を対象としたが、これに限定されず、複数の接続駅を対象としても良い。
さらに、上述した実施形態では、線区内の他の駅における列車密度に関連する情報について、接続駅を対象としたが、これに限定されず、鉄道会社等によって定められた任意の駅であっても良い。
また、上述した実施形態では、「接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間」及び「接続駅における遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間」に関する情報について、接続駅における遅延予測対象線区を走行する列車の列車到着遅延時間を対象として説明したが、これに限定されるものではない。例えば、これに代えて又はこれに加えて、接続駅における他線区を走行する列車の列車到着遅延時間を対象としても良い。このような同一線区ではない他線区の遅延情報等を考慮することによっても、接続駅周辺の情報を加味した精度の高い予測が可能となる。
また、上述した実施形態では、説明変数には、「前駅における列車１００の実績、遅延に関する情報」が含まれるものとして説明したが、これに限定されず、例えば、「前々駅」や「前々々駅」等の前駅よりも後方に存在する駅における列車１００の実績、遅延に関する情報が含まれていても良い。
さらに、上述した実施形態では、上述した実施形態では、現在地から目的地までの列車密度に関連する情報には、「現在地から目的地までの計画走行時間」に関する情報が含まれるものとして説明したが、これに限定されず、「現在地から目的地までの距離」に関する情報が含まれる態様であっても良い。
上記のような変形例が本発明の範囲に含まれることは、特許請求の範囲の記載から明らかである。
１ ：遅延予測システム
１００ ：列車
２００ ：格納サーバ
２１０ ：記憶部
２２０ ：抽出部
３００ ：学習サーバ
３１０ ：制御部
３１１ ：記憶部
３１２ ：教師データ生成部
３１３ ：学習部
３１４ ：予測部
４００ ：ユーザ端末
４１０ ：操作部
４２０ ：表示部
４３０ ：制御部
４３１ ：記憶部
４３２ ：操作制御部
４３３ ：表示制御部
ＮＷ ：通信ネットワーク
１００ ：列車
２００ ：格納サーバ
２１０ ：記憶部
２２０ ：抽出部
３００ ：学習サーバ
３１０ ：制御部
３１１ ：記憶部
３１２ ：教師データ生成部
３１３ ：学習部
３１４ ：予測部
４００ ：ユーザ端末
４１０ ：操作部
４２０ ：表示部
４３０ ：制御部
４３１ ：記憶部
４３２ ：操作制御部
４３３ ：表示制御部
ＮＷ ：通信ネットワーク
Claims (18)
- 所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成部と、
前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習部と
を備えることを特徴とする遅延予測システム。 - 所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測部とを更に備える
ことを特徴とする請求項１に記載の遅延予測システム。 - 前記移動体は、列車であり、
前記移動体の密度に関連する情報には、現在地から目的地までの列車密度に関連する情報が含まれる
ことを特徴とする請求項１又は２に記載の遅延予測システム。 - 前記現在地から目的地までの列車密度に関連する情報には、
現在地から目的地までの間に存在する駅数に関する情報及び現在地から目的地までの間に存在する列車本数に関する情報と、
現在地から目的地までの間に存在する列車の駅停車時間の合計に関する情報と、
現在地から目的地までの計画走行時間に関する情報と
の少なくとも１つの情報が含まれる
ことを特徴とする請求項３に記載の遅延予測システム。 - 前記移動体の密度に関連する情報には、線区における列車密度に関連する情報が含まれる
ことを特徴とする請求項３又は４に記載の遅延予測システム。 - 前記線区における列車密度に関連する情報には、
線区の一方の線路上に存在する列車本数に関する情報と、
線区全体に存在する列車本数に関する情報と、
線区全体に存在する列車の駅停車時間の合計に関する情報と
の少なくとも１つの情報が含まれる
ことを特徴とする請求項５に記載の遅延予測システム。 - 前記移動体の密度に関連する情報には、線区内の他の駅における列車密度に関連する情報が含まれる
ことを特徴とする請求項３～６のいずれか１項に記載の遅延予測システム。 - 前記線区内の他の駅における列車密度に関連する情報には、複数の線区が接続された接続駅における遅延予測対象線区の一方線路を走行する列車の列車到着遅延時間に関する情報及び前記遅延予測対象線区の他方線路を走行する列車の列車到着遅延時間に関する情報の少なくとも一方の情報が含まれる
ことを特徴とする請求項７に記載の遅延予測システム。 - 前記移動体の密度に関連する情報には、直近列車間における列車密度に関連する情報が含まれる
ことを特徴とする請求項３～８のいずれか１項に記載の遅延予測システム。 - 前記直近列車間における列車密度に関連する情報には、自列車と直近前方の列車までの間に存在する駅数に関する情報が含まれる
ことを特徴とする請求項９に記載の遅延予測システム。 - 前記直近列車間における列車密度に関連する情報には、自列車と直近後方の列車までの間に存在する駅数に関する情報が含まれる
ことを特徴とする請求項９又は１０に記載の遅延予測システム。 - 前記説明変数には、移動体の乗車率に関連する情報が含まれる
ことを特徴とする請求項１～１１のいずれか１項に記載の遅延予測システム。 - 前記説明変数には、現在地における移動体の計画、実績、遅延に関する情報が含まれる
ことを特徴とする請求項１～１２のいずれか１項に記載の遅延予測システム。 - 前記予測部により予測された目的地における移動体の到着遅延時間を表示するユーザ端末を更に備える
ことを特徴とする請求項２に記載の遅延予測システム。 - コンピュータに、
所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成工程と、
前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習工程と
を実行させることを特徴とする遅延予測プログラム。 - 所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測工程を更に含む
ことを特徴とする請求項１５に記載の遅延予測プログラム。 - 所定の区間における複数の移動体の過去の運転実績を示す過去実績データに基づいて、所定の区間における移動体の密度に関連する情報を少なくとも含む情報を説明変数とし、目的地における移動体の到着遅延時間を目的変数とする教師データを生成する教師データ生成工程と、
前記教師データを用いた機械学習により、目的地における移動体の到着遅延時間を予測する遅延予測モデルを生成する学習工程と
を含むことを特徴とする遅延予測方法。 - 所定の区間における複数の移動体の直近の運転実績を示す直近実績データと、前記遅延予測モデルとに基づいて、目的地における移動体の到着遅延時間の予測を行う予測工程を更に含む
ことを特徴とする請求項１７に記載の遅延予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022004611A JP7778574B2 (ja) | 2022-01-14 | 2022-01-14 | 遅延予測システム、遅延予測プログラム及び遅延予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022004611A JP7778574B2 (ja) | 2022-01-14 | 2022-01-14 | 遅延予測システム、遅延予測プログラム及び遅延予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023103847A JP2023103847A (ja) | 2023-07-27 |
| JP7778574B2 true JP7778574B2 (ja) | 2025-12-02 |
Family
ID=87378393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022004611A Active JP7778574B2 (ja) | 2022-01-14 | 2022-01-14 | 遅延予測システム、遅延予測プログラム及び遅延予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7778574B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12373769B1 (en) | 2024-08-26 | 2025-07-29 | Telegraph System, Inc. | Machine learning-based prediction of equipment arrival times in a railroad network |
| KR102848571B1 (ko) * | 2024-12-27 | 2025-08-21 | 주식회사 디메타 (D-meta,corp.) | 열차의 지연 및 경합 예측 시스템 및 방법 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014172498A (ja) | 2013-03-08 | 2014-09-22 | Mitsubishi Electric Corp | 乗車率予測装置及び予測係数算出装置 |
| US20160267390A1 (en) | 2015-03-13 | 2016-09-15 | International Business Machines Corporation | Disruption forecasting in complex schedules |
| US20180365249A1 (en) | 2017-06-20 | 2018-12-20 | International Business Machines Corporation | Predictive model clustering |
| JP2019123479A (ja) | 2018-01-19 | 2019-07-25 | 株式会社東芝 | 遅延時間分析装置、遅延時間分析方法、及び列車運転支援システム |
| WO2019229815A1 (ja) | 2018-05-28 | 2019-12-05 | 株式会社日立製作所 | 鉄道車両システム |
| JP2020037297A (ja) | 2018-09-03 | 2020-03-12 | 西日本旅客鉄道株式会社 | 列車在線監視システム及び拠点装置 |
| JP2021037925A (ja) | 2019-08-30 | 2021-03-11 | Ａｓｓｅｓｔ株式会社 | ダイヤ修正プログラム及びシステム、後続列車遅延時間推定プログラム |
| JP2021138275A (ja) | 2020-03-05 | 2021-09-16 | 東日本旅客鉄道株式会社 | 経路検索支援プログラム、経路検索支援装置、経路検索支援方法及び端末装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3397578B2 (ja) * | 1996-05-27 | 2003-04-14 | 西日本旅客鉄道株式会社 | 電鉄負荷管理装置 |
-
2022
- 2022-01-14 JP JP2022004611A patent/JP7778574B2/ja active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014172498A (ja) | 2013-03-08 | 2014-09-22 | Mitsubishi Electric Corp | 乗車率予測装置及び予測係数算出装置 |
| US20160267390A1 (en) | 2015-03-13 | 2016-09-15 | International Business Machines Corporation | Disruption forecasting in complex schedules |
| US20180365249A1 (en) | 2017-06-20 | 2018-12-20 | International Business Machines Corporation | Predictive model clustering |
| JP2019123479A (ja) | 2018-01-19 | 2019-07-25 | 株式会社東芝 | 遅延時間分析装置、遅延時間分析方法、及び列車運転支援システム |
| WO2019229815A1 (ja) | 2018-05-28 | 2019-12-05 | 株式会社日立製作所 | 鉄道車両システム |
| JP2020037297A (ja) | 2018-09-03 | 2020-03-12 | 西日本旅客鉄道株式会社 | 列車在線監視システム及び拠点装置 |
| JP2021037925A (ja) | 2019-08-30 | 2021-03-11 | Ａｓｓｅｓｔ株式会社 | ダイヤ修正プログラム及びシステム、後続列車遅延時間推定プログラム |
| JP2021138275A (ja) | 2020-03-05 | 2021-09-16 | 東日本旅客鉄道株式会社 | 経路検索支援プログラム、経路検索支援装置、経路検索支援方法及び端末装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023103847A (ja) | 2023-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883640B (zh) | 数字孪生车站系统、基于该系统的作业调度方法及应用 | |
| Miller-Hooks et al. | Least expected time paths in stochastic, time-varying transportation networks | |
| JP7032881B2 (ja) | 車両の走行スケジュールを管理するためのシステム、方法、及びプログラム | |
| US20140088865A1 (en) | Apparatus and method for predicting arrival times in a transportation network | |
| JP7520706B2 (ja) | 運行支援システムおよび運行支援方法 | |
| JPH10505036A (ja) | スケジューリングシステム及びその方法 | |
| Grube et al. | An event-driven simulator for multi-line metro systems and its application to Santiago de Chile metropolitan rail network | |
| JP7778574B2 (ja) | 遅延予測システム、遅延予測プログラム及び遅延予測方法 | |
| US20200356931A1 (en) | Resource mediation system and resource mediation apparatus | |
| WO2016135650A1 (en) | A system and method of calculating a price for a vehicle journey | |
| Bhaskar et al. | An investigation of timed transfer coordination using event-based multi agent simulation | |
| JP6633981B2 (ja) | 交通情報配信システムおよび交通情報配信方法 | |
| Zhang et al. | Traveler information tool with integrated real-time transit information and multimodal trip planning: Design and implementation | |
| JP4943982B2 (ja) | 駅及び車両基地構内入換計画作成装置 | |
| Daduna | Evolution of public transport in rural areas-new technologies and digitization | |
| Bolkovska et al. | Simulation-based public transport multi-modal hub analysis and planning | |
| JP2020019462A (ja) | 輸送力調整装置、輸送力調整システムおよび輸送力調整方法 | |
| CN114943305B (zh) | 数据处理方法、装置、存储介质及服务器 | |
| JP7146203B1 (ja) | 交通車両の運行状況解析装置、情報端末、コンピュータプログラム | |
| Cha et al. | Discrete event simulation of Maglev transport considering traffic waves | |
| Nesheli et al. | An optimization model for planning limited-stop transit operations | |
| EP4131134A1 (en) | Resource management plan assistance device and resource management plan assistance method | |
| Bojic et al. | Optimal railway disruption bridging using heterogeneous bus fleets | |
| JP2017154536A (ja) | 乗務員運用管理システムおよび乗務員運用管理方法 | |
| Qurashi et al. | Modeling autonomous dynamic vanpooling services in sumo by integrating the dynamic routing scheduler |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20241015 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20250630 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250729 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250828 |
|
| 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: 20251104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20251119 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7778574 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |