JPH10181603A - 乗車列車選択支援情報作成装置 - Google Patents

Abstract

(57)【要約】 【課題】 列車の混雑状況の予測値を基本とした、より
有益な乗車列車選択支援情報の提供を可能にし、また旅
客の混み具合の予測値を基本とした選択支援情報を提供
すること。 【解決手段】 鉄道路線の各駅に設置され、各駅におけ
る列車乗車率を入力する乗車率入力手段と、前記乗車率
入力手段からの列車乗車率を保存する乗車率保存手段
と、前記乗車率保存手段からの各駅における列車乗車率
に基づき、乗車率テーブルを作成する乗車率テーブル作
成手段と、前記乗車率テーブル作成手段からの乗車率テ
ーブルに基づき、乗車する列車を選択するための支援情
報を作成する乗車列車選択支援情報作成手段と、をそな
えた乗車列車選択支援情報作成装置。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は交通システムに関わ
り、特に鉄道システムにおける列車の乗車率と乗車列車
選択支援情報に関する。

【０００２】

【従来の技術】汎用される交通手段として重要な位置を
占める鉄道では、乗車列車選択などのユーザの意志決定
を支援する情報のニーズが高くなってきている。

【０００３】そして、乗車列車選択においては、様々な
選択可能な列車の混雑状況を基に最適列車を求め、ナビ
ゲーションシステムなどのディスプレイを通し、情報提
供が行われている。最近では、混雑情報を基に、ニュー
ラルネットワークを応用し、短時間で最適列車を求める
手法等も提案されている。

【０００４】

【発明が解決しようとする課題】上述した従来の方法で
は、いずれも現在時点のデータから導き出されるもの
で、列車の混雑状況がその後どのように変化するかまで
は、考慮されていない。よって、列車の混雑状況の変化
が激しい都市部において、より有益な情報を提供するに
は、混雑状況の変化を予測することが重要となる。 （発明の目的）本発明は、上記の点を考慮してなされた
もので、列車の混雑状況の予測値を基本とした、より有
益な乗車列車選択支援情報の提供を可能にし、また旅客
の混み具合の予測値を基本とした選択支援情報を提供す
ることにある。

【０００５】そして、ニューラルネットワーク等の手法
により、列車混雑状況の変化を予測し、乗車すべき列車
の選択などの際の支援情報を作成することにより、より
有益な支援情報を作成する手法を提案するものである。

【０００６】

【課題を解決するための手段】上記目的を達成するた
め、本発明では、請求項各項記載の装置を提供する。

【０００７】すなわち請求項１記載の乗車列車選択支援
情報作成装置は、鉄道路線の各駅に設置され、各駅にお
ける列車乗車率を入力する乗車率入力手段と、前記乗車
率入力手段からの列車乗車率を保存する乗車率保存手段
と、前記乗車率保存手段からの各駅における列車乗車率
に基づき、乗車率テーブルを作成する乗車率テーブル作
成手段と、前記乗車率テーブル作成手段からの乗車率テ
ーブルに基づき、乗車する列車を選択するための支援情
報を作成する乗車列車選択支援情報作成手段と、をそな
えた乗車列車選択支援情報作成装置である。

【０００８】また、請求項２記載の乗車列車選択支援情
報作成装置は、鉄道路線の各駅に設置され、各駅におけ
る列車乗車率を入力する乗車率入力手段と、前記乗車率
入力手段からの各駅乗車率を保存する乗車率保存手段
と、前記乗車率保存手段からの乗車率を入力とし、乗車
率予測値を演算するニューラルネットワークと、前記乗
車率保存手段からの各駅乗車率を用いて前記ニューラル
ネットワークを学習するニューラルネットワーク学習手
段と、前記ニューラルネットワークからの乗車率予測値
を用いて乗車率テーブルを作成する乗車率テーブル作成
手段と、前記乗車率テーブル作成手段からの乗車率テー
ブルに基づき、乗車する列車を選択するための支援情報
を作成する乗車列車選択支援情報作成手段と、乗車列車
選択支援情報作成装置である。

【０００９】さらに、請求項３記載の乗車列車選択支援
情報作成装置は、鉄道路線の各駅に設置され、各駅にお
ける列車乗車率を入力する乗車率入力手段と、前記乗車
率入力手段からの列車乗車率を保存する乗車率保存手段
と、前記乗車率入力手段からの列車乗車率を入力とし、
乗車率実績値を演算する乗車率実績値演算手段と、前記
乗車率実績値演算手段からの乗車率実績値を保存する乗
車率実績値保存手段と、前記乗車率入力手段からの列車
乗車率を入力とし、重み係数に基づき乗車率予測値を出
力する予測用階層形ニューラルネットワークと、前記乗
車率実績値保存手段からの乗車率実績値を入力とし、重
み係数に基づき乗車率予測値を出力する学習用階層形ニ
ューラルネットワークと、前記予測用階層形ニューラル
ネットワークおよび学習用階層形ニューラルネットワー
クの双方で用いられる前記重み係数を更新する重み係数
更新手段と、前記学習用階層形ニューラルネットワーク
からの乗車率予測値、および乗車率実績値保存手段から
の乗車率実績値を用いて前記重み係数の修正量を計算す
る階層形ニューラルネットワーク学習手段と、前記階層
形ニューラルネットワーク学習手段からの乗車率予測誤
差に基づき、予測を開始するタイミングを判断する予測
開始タイミング判断手段と、前記予測開始タイミング判
断手段からの乗車率予測値に基づき、予測乗車率を算出
する予測乗車率算出手段と、乗車率保存手段からの各駅
における列車乗車率に基づき、乗車率テーブルを作成す
る乗車率テーブル作成手段と、乗車率テーブル作成手段
からの乗車率テーブルに基づき、乗車列車を選択するた
めの支援情報を作成する乗車列車選択支援情報作成手段
と、をそなえた乗車列車選択支援情報作成装置である。

【００１０】

【発明の実施の形態】図１に、本発明の乗車列車選択支
援情報作成装置の一実施例を示す。この装置における各
要素は、次のように機能する。

【００１１】（ａ）乗車率入力手段は、鉄道路線の各駅
に設置され、各駅における列車乗車率を入力する。

【００１２】（ｂ）乗車率保存手段は、乗車率入力手段
からの列車乗車率を保存する。

【００１３】（ｃ）乗車率実績値演算手段は、乗車率入
力手段からの列車乗車率を入力とし、乗車率実績値を演
算する。

【００１４】（ｄ）乗車率実績値保存手段は、乗車率実
績値演算手段からの乗車率実績値を保存する。

【００１５】（ｅ）予測用階層形ニューラルネットワー
クは、乗車率入力手段からの列車乗車率を入力とし、重
み係数に基づき乗車率予測値を出力する。

【００１６】（ｆ）学習用階層形ニューラルネットワー
クは、乗車率実績値保存手段からの乗車率実績値を入力
とし、重み係数に基づき乗車率予測値を出力する。

【００１７】（ｇ）重み係数更新手段は、予測用階層形
ニューラルネットワークおよび学習用階層形ニューラル
ネットワークの双方で用いられる前記重み係数を更新す
る。

【００１８】（ｈ）階層形ニューラルネットワーク学習
手段は、学習用階層形ニューラルネットワークからの乗
車率予測値、および乗車率実績値保存手段からの乗車率
実績値を用いて重み係数の修正量を計算する。

【００１９】（ｉ）予測開始タイミング判断手段は、階
層形ニューラルネットワーク学習手段からの乗車率予測
誤差に基づき、予測を開始するタイミングを判断する。

【００２０】（ｊ）予測乗車率算出手段は、予測開始タ
イミング判断手段からの乗車率予測値に基づき、予測乗
車率を算出する。

【００２１】（ｋ）乗車率テーブル作成手段は、乗車率
保存手段からの各駅における列車乗車率に基づき、乗車
率テーブルを作成する。

【００２２】（ｌ）乗車列車選択支援情報作成手段は、
乗車率テーブル作成手段からの乗車率テーブルに基づ
き、乗車する列車を選択するための支援情報を作成す
る。

【００２３】図６は、上記手段（ｅ），（ｆ）において
用いる階層形ニューラルネットワークについて説明する
フローチャートである。階層形ニューラルネットワーク
は、図６に示すように、信号の流れが入力層→中間層→
出力層というように一方向にのみ流れる構成を採ってい
る。

【００２４】以下の記号は、次の通りである。

【００２５】 ｍ ：入力層の素子数 ｓ ：中間層の素子数 ｎ ：出力層の素子数 Ｕk(t) ：入力層第ｋ素子への入力（ｋ＝１〜ｍ） Ｉk(t) ：入力層第ｋ素子からの出力（ｋ＝１〜ｍ） ＮetＨj(t)：中間層第ｊ素子への入力（ｊ＝１〜ｓ） Ｈj(t) ：中間層第ｊ素子からの出力（ｊ＝１〜ｓ） Ｎet０i(t)：出力層第ｉ素子への入力（ｉ＝１〜ｎ） Ｘi(t) ：出力層第ｉ素子からの出力（ｉ＝１〜ｎ） ａjk ：入力層第ｋ素子出力端から中間層第ｊ素子
入力端への結合重み係数 ｂij ：中間層第ｊ素子出力端から出力層第ｉ素子
入力端への結合重み係数 ｆＨ（・）：中間層における入出力変換関数 ｆ０（・）：出力層における入出力変換関数 本発明では、入力Ｕｉ（ｔ）が駅乗車率保存手段からの
各駅の駅乗車率データ、出力Ｘｉ（ｔ）が乗車率予測値
に対応している。 ・入力ユニット 外部からの入力を受けて、次式により活性値ｋ（ｔ）を
決定する。

【００２６】 ｋ（ｔ）＝Ｕk （ｔ） （ｋ＝１〜ｍ） …（X.1) ・中間ユニット 入力ユニットからの信号の総和を入力ＮetＨj （ｔ）と
して受け取り、新しい活性値Ｈj （ｔ）を決定する。

【００２７】

【数１】 ただし、式（Ｘ．３）におけるｆＨ（・）は中間ユニッ
トにおける入出力関数を表す。入出力関数としては、通
常、シグモイド状（Ｓ字形）の関数が使用される。 ・出力ユニット 中間ユニットからの出力の総和を入力Ｎet０i （ｔ）と
して受け取り、新しい活性値０i （ｔ）を決定し、これ
をニューラルネットワーク全体の出力Ｘi （ｔ）とす
る。

【００２８】

【数２】 ただし、式（Ｘ．５）におけるｆ０（・）は出力ユニッ
トにおける入出力関数を表す。

【００２９】このように、ユニットを層に分離し、層ご
とに同期的に活性値を決定することにより、ニューラル
ネットワーク全体の入出力関係は、次式のように表すこ
とができる。

【００３０】

【数３】 （ｈ）は、（ｉ）よりニューラルネットワークの重み係
数ａpq，ｂpqの修正量Δａpq，Δｂpqを受け取り、次式
により重み係数を更新する手段である。

【００３１】 ａpq（ｔ＋１）＝ａpq（ｔ）＋Δａpq（ｔ） …（X.7) ｂpq（ｔ＋１）＝ｂpq（ｔ）＋Δｂpq（ｔ） …（X.8) （ｉ）は、（ｅ）より過去の乗車率実績値、（ｅ）より
それに対応する乗車率予測値を受け取り、乗車率実績値
を教師信号として、（ｇ）のネットワークの学習を行
い、重み係数の修正値を計算する手段である。

【００３２】図７により、本手段における処理フローを
示し、その処理について説明する。新たに以下の記号を
定義する。

【００３３】 Ｅ ：誤差評価関数 Ｖi(t)：出力層第ｉ素子からの出力に対する教師信号 Δａpq：重み係数ａpqの修正量 Δｂpq：重み係数ｃpqの修正量 ε ：重み係数学習パラメータ α ：重み係数学習パラメータ 本手段では、Ｖi （ｔ）はＡＶＩシステムからの乗車率
実績値に対応している。

【００３４】本手段において、結合重み係数の修正量Δ
ａpq（ｔ），Δｂpq（ｔ）は次式のように計算される。

【００３５】 Δａpq（ｔ）＝Δs ａpq（ｔ）＋α・Δａpq（ｔ−１） …（X.9) Δｂpq（ｔ）＝Δs ａpq（ｔ）＋α・Δｂpq（ｔ−１） …(X.10) ただし、式（Ｘ．９），（Ｘ．１０）におけるΔs ａpq
（ｋ），Δs ｂpq（ｋ）は、ｋ番目のサンプルデータを
用いて以下のように計算する。

【００３６】

【数４】 ここで誤差評価関数Ｅは、ネットワーク出力Ｘi （ｔ）
および教師信号Ｖi （ｔ）を用いて、

【００３７】

【数５】

【００３８】

【数６】 となる。

【００３９】予測開始タイミング判断手段は、階層形ニ
ューラルネットワーク外周手段より乗車率の予測誤差を
受け取り、予測誤差が設定された値よりも小さくなった
ならば、予測用階層形ニューラルネットワークから受け
取った乗車率予測値を出力する手段である。

【００４０】予測乗車率算出手段は、予測用階層形ニュ
ーラルネットワークから乗車率予測値を受け取り、乗車
率予測値を基に将来の渋滞状況を示す予測渋滞度を算出
する手段である。例えば、非渋滞時に対象となる路線の
乗車率がＴ［秒］とし、乗車率予測値をＴp ［秒］とす
ると、予測渋滞度Ｃは、以下の計算式で算出される。

【００４１】Ｃ＝Ｔp ／Ｔ 非渋滞：Ｃ＝１の場合 混雑（やや渋滞）：１＜Ｃ＜２ 渋滞：２＜Ｃ

【数７】 この実施例に用いられる要素のうち、乗車率保存手段
は、各駅に設置され、各駅における列車の乗車率を保存
する手段であり、乗車率テーブル作成手段は、乗車率保
存手段からの各駅乗車率に基づいて乗車率テーブルを作
成する手段である。

【００４２】図４は、乗車率テーブル作成手段は、乗車
率保存手段によって保存された乗車率より得られる、各
駅における列車の乗車率に基づいて作成される乗車率テ
ーブルである。

【００４３】そして、乗車列車選択支援情報作成手段
は、乗車率テーブル作成手段より得られる乗車率テーブ
ルに基づいて乗車列車選択支援情報を作成する手段であ
る。ここで、乗車列車選択支援情報とは、例えば、“次
にくる列車は乗車率が高い”とか、“その次にくる列車
は現在のところ乗車率が低い”等である。

【００４４】また、ニューラルネットワークは、各駅に
設置された乗車率保存手段からの乗車率を入力とし、当
該駅においての乗車率の予測値の演算結果を出力する手
段である。具体的な算出方法は、例えば、代表的なニュ
ーラルネットワークである階層形ニューラルネットワー
クでは、上述のものと同様である。

【００４５】ニューラルネットワークの入出力として
は、例えば、当該駅より、前の数駅に関して、停車中の
列車の乗車率または、最も最近停車した列車の乗車率を
ニューラルネットワークに入力とし、当該駅の乗車率の
予測値をニューラルネットワークの出力とする場合や、
ある列車に注目し、今までの駅での乗車率をニューラル
ネットワークの入力とし、当該駅でのその列車の予測乗
車率をニューラルネットワークの出力とする場合等が挙
げられる。

【００４６】ニューラルネットワーク学習手段は、ニュ
ーラルネットワーク内の重み計数を各駅に設置された乗
車率保存手段より得られる乗車率から学習する。具体的
な例としては、次のものがあげられる。当該駅より、前
の数駅に関して、停車中の列車の乗車率または、最も最
近停車した列車の乗車率をニューラルネットワークに入
力したときに得られる当該駅の乗車率の予測値と当該駅
の乗車率の実績とを比較し、両者の誤差が最小になるよ
うに重み計数を修正する（また、この他にも、ある列車
に注目し、今までの駅での乗車率をニューラルネットワ
ークの入力とし、当該駅でのその列車の予測乗車率をニ
ューラルネットワークの出力とする場合などもあり、同
様な学習が適用可能である。）。

【００４７】このような重み計数の修正（学習演算）を
種々の計測データについて行い、ニューラルネットワー
クの予測精度を向上させる。代表的なニューラルネット
ワークである階層形ニューラルネットワークでは、本手
段の詳細な演算手法は、上述の階層形ニューラルネット
ワークの学習方法と同様である。

【００４８】そして、予測乗車率テーブル作成手段は、
ニューラルネットワークより算出される予測乗車率を用
いて予測乗車率テーブルを作成する手段である。

【００４９】図５は、予測乗車率テーブル作成手段によ
り作成されるテーブルの例を示したものである。そし
て、乗車列車選択支援情報作成手段は、予測渋滞率テー
ブル作成手段より得られる予測乗車率テーブルに基づき
乗車列車選択支援情報を作成する。

【００５０】

【実施例】

（第１の実施例の構成）図２は、本発明の一実施例を示
すブロック線図である。各駅に設置されている乗車率保
存手段１１〜１ｎ（本手段は、乗車列車選択支援情報を
提供する駅より前のｎ−１の駅に設置されている）、乗
車率テーブル作成手段２０、乗車列車選択支援情報作成
手段３０により構成される。 （第１の実施例の作用）まず、各駅に設置された乗車率
保存手段１１〜１ｎにより、各駅の列車乗車率を保存す
る。次に、保存された列車乗車率を基に、乗車率テーブ
ル作成手段２０により、乗車率テーブルを作成する。最
後に、乗車率テーブルから、乗車列車選択支援情報作成
手段３０により、“今度の列車の乗車率は＊＊％で混ん
でいます。”、“次の次にくる列車の乗車率は現在＊＊
％で少ないので急いでない方はそちらをご利用下さい”
などの乗車列車選択支援情報を作成する。 （第１の実施例の効果）以上説明したように、第１の実
施例では、 （１）現時点以降に到着する列車の現在の乗車率（混み
具合）を、乗車列車選択支援情報として提供することに
より、「混んでもいいから早く目的地に着きたい」、
「時間に余裕があるので、混んでいない列車に乗りた
い」等の希望を持つ旅客の列車選択の幅が広がる、とい
う効果を有する。 （第２の実施例の構成）図３は、第２の実施例を示すブ
ロック線図である。各駅に設置されている乗車率保存手
段１１〜１ｎ（本手段は、乗車列車選択支援情報を提供
する駅、および前の駅の上流のｎ−１の駅（図３では駅
１〜ｎ−１にあたる）に設置されている）、ニューラル
ネットワーク４０、ニューラルネットワーク学習手段５
０、予測乗車率テーブル作成手段６０、乗車列車選択支
援情報作成手段７０により構成される。 （第２の実施例の作用）次に、第２の実施例の作用につ
いて説明する。まず、各駅に設置された乗車率保存手段
１１〜１ｎにより、各駅の列車乗車率を保存する。

【００５１】次に、各駅に設置された乗車率保存手段１
１〜１ｎより得られる乗車率をニューラルネットワーク
４０の入力とし、ニューラルネットワーク４０の出力と
して当該駅（駅ｎ）においての乗車率の予測値を演算す
る手段である。具体的な算出方法は、例えば、代表的な
ニューラルネットワークである階層形ニューラルネット
ワークでは、上述と同様である。ニューラルネットワー
クの入出力としては、例えば、当該駅（駅ｎ）より、前
の数駅（駅１〜駅ｎ−１）に関して、停車中の列車の乗
車率または、最も最近停車した列車の乗車率をニューラ
ルネットワークに入力し、当該駅の乗車率の予測値をニ
ューラルネットワークの出力とする手法や、ある列車に
注目し、今までの駅（駅１〜駅ｎ−１）での乗車率をニ
ューラルネットワークの入力とし、当該駅（駅ｎ）での
その列車の予測乗車率をニューラルネットワークの出力
とする手法等があげられる。

【００５２】また、ニューラルネットワーク学習手段５
０は、ニューラルネットワーク４０内の重み計数を各駅
に設置された乗車率保存手段１１〜１ｎより得られる乗
車率から学習する。具体的な例としては、次のものがあ
げられる。当該駅（駅ｎ）より、前の数駅（駅１〜駅ｎ
−１）に関して、停車中の列車の乗車率または、最も最
近停車した列車の乗車率をニューラルネットワーク４０
に入力したときに得られる当該駅（駅ｎ）の乗車率の予
測値と当該駅（駅ｎ）の乗車率の実績とを比較し、両者
の誤差が最小になるように重み計数を修正する（また、
この他にも、ある列車に注目する場合、前の数駅（駅１
〜駅ｎ−１）での乗車率をニューラルネットワーク４０
の入力とし、当該駅（駅ｎ）でのその列車の予測乗車率
をニューラルネットワーク２８の出力とする場合なども
あり、同様な学習が適用可能である）。このような重み
計数の修正（学習演算）を種々の計測データについて行
い、ニューラルネットワーク４０の予測精度を向上させ
る。代表的なニューラルネットワークである階層形ニュ
ーラルネットワークでは、本手段の詳細な演算手法は、
上述の階層形ニューラルネットワークの学習方法と同様
である。

【００５３】ニューラルネットワーク４０から得られた
各駅における各列車の予測乗車率を基に、予測乗車率テ
ーブル作成手段３０において、予測乗車率テーブルを作
成する。

【００５４】最後に、乗車列車選択支援情報作成手段に
おいて、予測渋滞率テーブル作成手段６０より得られる
予測乗車率テーブルに基づき乗車列車選択支援情報を作
成する。ここで、乗車列車選択支援情報とは、例えば、
“次にくる列車の予測乗車率は高い”とか、“その次に
くる列車は乗車率が低い”等である。 （第２の実施例の効果）以上説明したように、第２の実
施例では、第１の実施例の効果に加え、 （２）列車の予測乗車率を演算することで、乗車列車選
択支援情報を提供する駅においての今後の列車の予測乗
車率がわかるため、旅客が乗車列車選択する際により有
益な乗車列車選択支援情報を提供することができる。と
いう効果を有する。

【００５５】

【発明の効果】以上説明したように、本発明には以下の
効果がある。 （１）現時点以降に到着する列車の現在の乗車率（混み
具合）を、乗車列車選択支援情報として提供することに
より、「混んでもいいから早く目的地に着きたい」、
「時間に余裕があるので、混んでいない列車に乗りた
い」等の希望をもつ旅客の列車選択の幅が広がる。 （２）列車の予測乗車率を演算することで、乗車列車選
択支援情報を提供する駅においての今後の列車の予測乗
車率がわかるため、旅客が乗車列車選択する際により有
益な乗車列車選択支援情報を提供することができる。 （３）ニューラルネットワークを用いることにより、列
車乗車状況をニューラルネットワークが学習することに
より、今後の混雑状況の変化を示す予測混雑度を作成す
ることができる。 （４）実際の計測データを用いたニューラルネットワー
クの学習を逐次行っているため、路線や経済状態等の経
年変化に対応し、継続的にモデル精度の向上を図ること
ができる。

【図面の簡単な説明】

【図１】本発明の一実施例を示すブロック線図。

【図２】請求項１に記載の構成を示すブロック線図。

【図３】請求項２に記載の構成を示すブロック線図。

【図４】本発明により乗車率テーブルの作成例を示す
図。

【図５】本発明により作成される予測乗車率テーブルの
作成例を示す図。

【図６】駅乗車率から乗車率実績値を演算する際の信号
の流れ方を示す説明図。

【図７】ニューラルネットワークにおける演算内容を示
すフローチャート。

【符号の説明】

ａ 乗車率入力手段 ｂ 乗車率保存手段 ｃ 乗車率実績値演算手段 ｄ 乗車率実績値保存手段 ｅ 予測用階層形ニューラルネットワーク ｆ 学習用階層形ニューラルネットワーク ｇ 重み係数更新手段 ｈ 階層形ニューラルネットワーク学習手段 ｉ 予測開始タイミング判断手段 ｊ 予測乗車率演算手段 １１〜１ｎ 乗車率保存手段 ２０ 乗車率テーブル作成手段 ３０ 乗車列車選択支援情報作成手段 ４０ ニューラルネットワーク ５０ ニューラルネットワーク学習手段 ６０ 予測乗車率テーブル作成手段

Claims (3)

【特許請求の範囲】
1. 【請求項１】鉄道路線の各駅に設置され、各駅における
   列車乗車率を入力する乗車率入力手段と、 前記乗車率入力手段からの列車乗車率を保存する乗車率
   保存手段と、 前記乗車率保存手段からの各駅における列車乗車率に基
   づき、乗車率テーブルを作成する乗車率テーブル作成手
   段と、 前記乗車率テーブル作成手段からの乗車率テーブルに基
   づき、乗車する列車を選択するための支援情報を作成す
   る乗車列車選択支援情報作成手段と、 をそなえた乗車列車選択支援情報作成装置。
2. 【請求項２】鉄道路線の各駅に設置され、各駅における
   列車乗車率を入力する乗車率入力手段と、 前記乗車率入力手段からの各駅乗車率を保存する乗車率
   保存手段と、 前記乗車率保存手段からの乗車率を入力とし、乗車率予
   測値を演算するニューラルネットワークと、 前記乗車率保存手段からの各駅乗車率を用いて前記ニュ
   ーラルネットワークを学習するニューラルネットワーク
   学習手段と、 前記ニューラルネットワークからの乗車率予測値を用い
   て乗車率テーブルを作成する乗車率テーブル作成手段
   と、 前記乗車率テーブル作成手段からの乗車率テーブルに基
   づき、乗車する列車を選択するための支援情報を作成す
   る乗車列車選択支援情報作成手段と、 乗車列車選択支援情報作成装置。
3. 【請求項３】鉄道路線の各駅に設置され、各駅における
   列車乗車率を入力する乗車率入力手段と、 前記乗車率入力手段からの列車乗車率を保存する乗車率
   保存手段と、 前記乗車率入力手段からの列車乗車率を入力とし、乗車
   率実績値を演算する乗車率実績値演算手段と、 前記乗車率実績値演算手段からの乗車率実績値を保存す
   る乗車率実績値保存手段と、 前記乗車率入力手段からの列車乗車率を入力とし、重み
   係数に基づき乗車率予測値を出力する予測用階層形ニュ
   ーラルネットワークと、 前記乗車率実績値保存手段からの乗車率実績値を入力と
   し、重み係数に基づき乗車率予測値を出力する学習用階
   層形ニューラルネットワークと、 前記予測用階層形ニューラルネットワークおよび学習用
   階層形ニューラルネットワークの双方で用いられる前記
   重み係数を更新する重み係数更新手段と、 前記学習用階層形ニューラルネットワークからの乗車率
   予測値、および乗車率実績値保存手段からの乗車率実績
   値を用いて前記重み係数の修正量を計算する階層形ニュ
   ーラルネットワーク学習手段と、 前記階層形ニューラルネットワーク学習手段からの乗車
   率予測誤差に基づき、予測を開始するタイミングを判断
   する予測開始タイミング判断手段と、 前記予測開始タイミング判断手段からの乗車率予測値に
   基づき、予測乗車率を算出する予測乗車率算出手段と、 乗車率保存手段からの各駅における列車乗車率に基づ
   き、乗車率テーブルを作成する乗車率テーブル作成手段
   と、 乗車率テーブル作成手段からの乗車率テーブルに基づ
   き、乗車する列車を選択するための支援情報を作成する
   乗車列車選択支援情報作成手段と、 をそなえた乗車列車選択支援情報作成装置。