JP7501601B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本開示は、情報処理装置、情報処理方法及びプログラムに関する。

近年、ドローン及び自動運転技術等の、移動体に関する技術が多く開発されている。そのひとつとして、移動体を用いて輸送物を効率的に輸送するための技術がある。

例えば、下記特許文献１には、タクシーの需要予測に関し、地上を網目状のメッシュに区切り、メッシュごとに将来の乗客数を予測する技術が開示されている。

特開２０１２－０４３２９６号公報

上記特許文献１に記載の技術では、予測対象空間の粒度（即ち、メッシュの大きさ）は均一且つ固定的に設定される。設定されるメッシュが小さいと、メッシュごとのデータ数が不足して、予測精度が悪いメッシュが発生するおそれがある。他方、予測精度を向上させるためにメッシュを大きく設定することも可能ではあるが、予測結果の用途を考慮すると、メッシュは小さいほど望ましいと言える。需要が発生すると予測される場所が曖昧になることは望ましくためである。しかし、上記特許文献１では、メッシュの大きさに関し何ら工夫がされていなかった。

そこで、本開示では、予測対象空間の設定を最適化することが可能な仕組みを提案する。

本開示によれば、輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定する決定部を備え、前記決定部は、前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合する情報処理装置が提供される。

また、本開示によれば、輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定すること、前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合することとを含む、プロセッサにより実行される情報処理方法が提供される。

また、本開示によれば、コンピュータを、輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定する決定部として機能させ、前記決定部は、前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合するプログラムが提供される。

以上説明したように本開示によれば、予測対象空間の設定を最適化することが可能な仕組みが提供される。なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。

本開示の一実施形態に係る移動体制御システムの構成の一例を示す図である。 本実施形態に係る需要予測装置の機能構成の一例を示すブロック図である。 本実施形態に係る単位セルの設定の一例を示す図である。 初期状態において行われる１回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。 初期状態において行われる２回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。 初期状態において行われる３回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。 本実施形態に係る需要予測装置により初期状態において実行される１回目の過去の需要予測に伴うセル結合処理の流れの一例を示すフローチャートである。 本実施形態に係る需要予測装置により初期状態において実行される２回目以降の過去の需要予測に伴うセル結合処理の流れの一例を示すフローチャートである。 Ｘ回目の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。 Ｘ回目の需要予測に伴うセル分割処理において生成されるセルリストの一例を示す図である。 本実施形態に係る需要予測装置により実行されるＸ回目の需要予測に伴うセル分割処理の流れの一例を示すフローチャートである。 本実施形態に係る単位セルの地図情報に基づく設定の一例を説明するための図である。 本実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。

以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

なお、説明は以下の順序で行うものとする。
１．概要
１．１．システム構成
１．２．提案技術の概要
２．機能構成例
３．セルの結合及び分割
３．１．セルの結合
３．２．セルの分割
３．３．補足
４．ハードウェア構成例
５．まとめ

＜＜１．概要＞＞
＜１．１．システム構成＞
図１は、本開示の一実施形態に係る移動体制御システムの構成の一例を示す図である。図１に示すように、本実施形態に係る移動体制御システム１は、ひとつ以上の移動体２との間で情報を送受信し、移動体２を制御する。

（１）移動体２
移動体２は、陸上、空中、水上、水中又は宇宙空間等の実空間を任意に移動する。例えば、移動体２は、トラック、バス若しくはタクシー等の車両、飛行機若しくはドローン等の飛行体、船、潜水艦、又は人工衛星等として実現され得る。移動体２は、任意の輸送対象物を積み輸送することができる。輸送対象物としては、人間、動物、又は貨物等が挙げられる。本明細書では、移動体２はタクシーであり、輸送対象物は乗客（人間）であるものとし、配車のユースケースについて説明する。

図１に示すように、移動体２は、ログ生成装置２１及び端末装置２２を含む。

・ログ生成装置２１
ログ生成装置２１は、タクシー２による輸送対象物の輸送に関する情報を検出する。例えば、ログ生成装置２１は、ＧＮＳＳ衛星３からのＧＮＳＳ信号に基づいてタクシー２の水平方向の位置情報を検出する。さらに、ログ生成装置２１は、気圧情報等の高さ方向の位置情報を検出してもよい。他にも、ログ生成装置２１は、速度、加速度及び角速度等のタクシー２の移動に関する情報を検出してもよい。また、ログ生成装置２１は、乗客の人数、性別、年齢及び生体情報等の、輸送対象物に関する情報を検出してもよい。

ログ生成装置２１は、検出した情報に基づいて車両動態ログデータを生成し、データ収集装置１１に送信する。ログ生成装置２１は、周期的に輸送に関する情報の検出、車両動態ログデータの生成及び送信を行う。その周期は、例えば１分単位である。車両動態ログデータのフォーマットの一例を、表１に示す。

ここで、「CompanyID」は、タクシー２を運用するタクシー会社の識別情報である。「RadioNumber」は、タクシー２が使用する無線の識別情報である。「IsDispatch」は、タクシー２が移動体制御システム１による配車指示を受け入れ可能であるか否かを示す情報である。「Latitude」及び「Longitude」は、タクシー２の水平方向の位置情報である。車両動態ログデータは、さらに、タクシー２の高さ方向の位置情報を含んでいてもよい。「Direction」は、タクシー２が進行する方向を示す情報である。「SpeedFrom」は、タクシー２のスピードの下限を示す情報である。「SpeedTo」は、タクシー２のスピードの上限を示す情報である。「VehicleStatus」は、車両状態を示す情報である。なお、実車とは乗客を乗せている状態を示し、空車とは乗客を乗せていない状態を示し、迎車とは乗客を迎えに行く途中の状態を示す。「DriverNumber」とは、タクシー２を運転する乗務員の識別情報である。「StatusTime」とは、車両動態ログデータに対応する時刻を示す情報であり、典型的には車両動態ログデータが生成された時刻を示す情報である。

・端末装置２２
端末装置２２は、配車装置１３から受信した情報を出力する情報処理装置である。例えば、端末装置２２は、カーナビゲーション装置、スマートフォン又はタブレット端末等により実現され、情報を視覚的に出力する。タクシー２の乗務員は、端末装置２２により出力された情報に基づいて、タクシー２を運転して乗客を乗せる。

（２）移動体制御システム１
図１に示すように、移動体制御システム１は、データ収集装置１１、需要予測装置１２及び配車装置１３を含む。

・データ収集装置１１
データ収集装置１１は、タクシー２に関するデータを収集する情報処理装置である。データ収集装置１１は、移動体制御システム１の制御対象の複数のタクシー２から車両動態ログデータを収集及び蓄積する。

データ収集装置１１は、所定の期間（以下、集計期間とも称する）内に収集された車両動態ログデータを、予測対象空間ごとに集計する。データ収集装置１１は、かかる集計により、集計期間におけるタクシー２の予測対象空間ごとの需要データを生成する。需要データとは、輸送対象物の需要量に関するデータである。タクシー２の需要データは、タクシー２の台数、乗客数、又は乗車回数の時間ごとのデータ、又はこれらの平均値等の統計量である。例えば、データ収集装置１１は、需要データとして、集計期間内に予測対象空間に存在したタクシー２の台数を集計する。

予測対象空間とは、需要予測装置１２による需要予測の対象となる空間である。予測対象空間は、地理的な位置情報（即ち、水平方向の位置情報）により定義され得る。例えば、実空間が水平方向に１２５ｍ四方の網目状に区切られ、各々の１２５ｍ四方の矩形が予測対象空間として取り扱われる。予測対象空間は、地理的な位置情報に加えて、高さ方向の位置情報により定義されてもよい。例えば、実空間が１辺１２５ｍの立方体ごとに区切られ、各々の立方体が予測対象空間として取り扱われてもよい。以下では、予測対象空間をセルとも称する。セルの形状は正方形に限定されないし、セルの形状及び大きさは任意に設定され得る。

なお、セルは、後述するように結合／分割され得る。最小単位のセルを、以下では単位セルとも称する。ひとつ以上の単位セルを結合して得らえるセルを、以下では結合セルとも称する。単位セルと結合セルとを特に区別する必要が無い場合、これらをセルと総称する。

データ収集装置１１は、集計結果に基づいて需要データを生成し、需要予測装置１２に送信する。需要データのフォーマットの一例を、表２に示す。表２では、集計期間は１０分である。

ここで、「Timestamp」とは、集計期間の始期、終期又はそれらの間の時刻情報である。「Cell id」とは、セルの識別情報である。「Ride count」とは、集計期間（例えば、１０分）内にセル内に存在したタクシー２の台数である。

・需要予測装置１２
需要予測装置１２は、入力された情報に基づいて、予測対象空間ごとのタクシー２の需要を予測する情報処理装置である。需要予測装置１２は、予測に用いる予測モデルの学習も行う。

需要予測装置１２は、データ収集装置１１により生成された過去の需要データに基づいて、将来のある時刻（以下、予測対象時刻とも称する）におけるセルごとのタクシー２の需要を予測する。予測されるタクシー２の需要とは、例えば予測対象時刻にセル内に存在すべきタクシー２の台数であってもよいし、予測対象時刻から所定期間における乗客数、又は予測対象時刻から所定期間における乗車回数であってもよい。さらに、需要予測装置１２は、外部データに基づいて、セルごとのタクシー２の需要を予測してもよい。外部データとしては、気象情報、電車遅延情報、又は交通事故情報等の、タクシー２の需要に影響を与え得るデータである。

需要予測装置１２は、予測結果を示す需要予測データを生成し、配車装置１３に送信する。需要予測データのフォーマットの一例を、表３に示す。表３では、予測対象時刻は３０分後である。

・配車装置１３
配車装置１３は、需要予測データに基づいて、タクシー２の配車を行う情報処理装置である。

配車装置１３は、各々のセルの需要予測データ及び各々のタクシー２の位置情報に基づいて、予測対象時刻における各々のセルの需要を満たす台数のタクシー２が供給されるように、各々のタクシー２に配車指示を送信し得る。例えば、配車装置１３は、セルの近くに位置するタクシー２のうち、予測対象時刻における当該セルの需要と同一又はそれ以上の台数のタクシー２に対し、当該セルへ移動するよう指示する。配車指示は、例えば、行き先のセルのセルＩＤ及び予測対象時刻を含む。

配車装置１３は、各々のセルの需要予測データをタクシー２に送信してもよい。その場合、各々のタクシー２の乗務員により、行き先が選択される。

＜１．２．提案技術の概要＞
前提として、セルが小さいと、セルごとの需要データのデータ数が不足して学習が不十分なものとなり、予測精度が低いセルが発生するおそれがある。一方で、セルが大きいと、セルごとの需要データのデータ数が多くなるので、学習が十分に行われて高い予測精度が発揮され得る。

そこで、需要予測装置１２は、予測精度が低過ぎるセルを他のセルと結合する。これにより、結合後のセルのデータ数は結合前よりも増加するので、予測精度を向上させることができる。他方、需要予測装置１２は、予測精度が高すぎるセルをより小さい複数のセルに分割する。これにより、分割後のセルは分割前のセルと比較して小さくなるので、需要が発生すると予測される場所をより詳細に特定することが可能となる。このようにして、需要予測装置１２は、十分な高さの予測精度を実現可能であり、且つ需要が発生すると予測される場所を詳細に特定することが可能なセルを、設定することが可能となる。

また、タクシーの需要は、隣り合うセルであっても大きく異なる場合がある。例えば、駅のロータリーに面した領域を含むセルか、そのひとつ隣りのセルかによって、タクシーの需要は大きく異なる。そこで、需要予測装置１２は、セルごとに予測モデルを学習し、セルごとの予測モデルを用いてセルごとの需要を予測する。これにより、どのセルにおいても高い予測精度を発揮することが可能となる。

＜＜２．機能構成例＞＞
図２は、本実施形態に係る需要予測装置１２の機能構成の一例を示すブロック図である。図２に示すように、需要予測装置１２は、データ蓄積部１２１、取得部１２２、学習部１２３、予測部１２４、評価部１２５、決定部１２６及び出力部１２７を含む。

（１）データ蓄積部１２１
データ蓄積部１２１は、需要予測のための各種データ蓄積する機能を有する。そのようなデータの一例として、上述した需要データ、及び外部データが挙げられる。

さらに、データ蓄積部１２１は、セルの属性を示す情報（以下、属性データとも称する）を蓄積する。セルの属性とは、実空間の地形、用途、又は内部に存在する建物の種別等を示す情報であり、これらの情報を位置情報に対応付けて保持する地図情報に基づいて設定される。セルの属性としては、例えば、市街地、幹線道路、繁華街、駅前、公園、河川、海、又は施設等が挙げられる。なお、セルの属性が市街地、幹線道路、繁華街又は駅前であるとは、セルに占める市街地、幹線道路、繁華街又は駅前の面積が支配的であることを意味する。同様に、セルの属性が公園、河川、海、又は施設であるとは、セルに占める公園、河川、海、又は施設の面積が支配的であることを意味する。なお、公園、河川、海、又は施設を属性とするセルでは、タクシー２が乗客を乗せることが想定されず、通常はタクシー２の需要が発生しない。

データ蓄積部１２１は、蓄積した各種データを、取得部１２２に出力する。

（２）取得部１２２
取得部１２２は、データ蓄積部１２１から需要予測のための各種データを取得する機能を有する。取得部１２２は、決定部１２６により決定されたセルごとの、需要予測のためのデータを取得する。例えば、決定部１２６により複数のセルが結合された場合、結合された複数のセルの各々のデータを統合することで、結合後のセルのデータを取得する。その際、例えば、取得部１２２は、結合された複数のセルの需要データを合算し、外部データについては平均値をとる等の統計処理を行い、属性データを統一する。

取得部１２２は、取得したデータを、学習部１２３、予測部１２４及び決定部１２６の各々に出力する。

（３）学習部１２３
学習部１２３は、需要予測のための予測モデルを学習する機能を有する。詳しくは、学習部１２３は、決定部１２６により決定されたセルの各々における需要予測のための予測モデルのパラメータを、データ蓄積部１２１により蓄積されたデータに基づき学習する。予測モデルとは、セルごとの需要データを予測するためのモデルであり、予測部１２４により使用される。学習部１２３は、学習により得られたパラメータを、予測部１２４に出力する。

（４）予測部１２４
予測部１２４は、セルごとに需要予測を行う機能を有する。詳しくは、予測部１２４は、決定部１２６により決定されたセルの各々における予測対象時刻におけるタクシー２の需要データを、データ蓄積部１２１により蓄積されたデータに基づき予測する。予測には、学習部１２３により学習されたパラメータが適用された予測モデルが用いられる。なお、予測モデルとしては、ＭＬＰ（Multilayer perceptron）等のニューラルネットワーク又はＸＧＢｏｏｓｔ（eXtreme Gradient Boosting）等の決定木など、任意のモデルが用いられ得る。

予測部１２４は、予測結果を示す情報を評価部１２５に出力する。

（５）評価部１２５
評価部１２５は、セルごとに需要予測の予測精度を評価する機能を有する。詳しくは、評価部１２５は、予測部１２４により予測結果と実際の需要とを比較して、予測精度を計算する。例えば、評価部１２５は、需要予測結果に含まれる予測対象時刻におけるタクシー２の台数と、予測対象時刻において実際に取得された需要データに含まれるタクシー２の台数とを比較して、その一致度合いを予測精度として計算する。評価部１２５は、複数の予測対象時刻における比較結果の平均値等の統計量を、予測精度として計算してもよい。

なお、評価部１２５は、セルごとのデータ数をカウントして、需要データのデータ数を予測精度としてもよい。需要データのデータ数とは、蓄積された需要データの数であってもよいし、蓄積された需要データにおける需要数（例えば、タクシー２の台数、乗客数、又は乗車回数）、又はその総和若しくは平均値等の統計量であってもよい。

評価部１２５は、計算した予測精度を示す情報、及び予測部１２４による予測結果を示す情報を対応付けて、決定部１２６及び出力部１２７に出力する。

（６）決定部１２６
決定部１２６は、セルを決定する機能を有する。詳しくは、決定部１２６は、セルごとの予測モデルの予測精度に基づいて、セルの結合又は分割を決定する。決定部１２６は、結合すると判定したセルを他のセルと結合する。また、決定部１２６は、分割すると決定したセルを複数のセルに分割する。このようにして、各々のセルの形状及び大きさが決定される。

決定部１２６は、決定結果を示す情報を、取得部１２２及び学習部１２３の各々に出力する。

（７）出力部１２７
出力部１２７は、需要予測装置１２による予測結果を出力する機能を有する。例えば、出力部１２７は、予測部１２４によるセルごとの需要の予測結果、及び評価部１２５によるセルごとの予測モデルの評価結果を対応付けて、出力する。

＜＜３．セルの結合及び分割＞＞
＜３．１．セルの結合＞
決定部１２６は、予測精度が第１の閾値よりも低いセルを結合対象として決定する。第１の閾値よりも低いとは、第１の閾値以下を意味していてもよいし、第１の閾値未満を意味していてもよい。結合後のセルのデータ数は、結合前の各々セルのデータ数の和となる。従って、結合によりデータ数が増加するので、予測精度を向上させることが可能となる。

換言すると、決定部１２６は、需要データのデータ数が所定の基準を満たしたセルを結合対象として決定してもよい。例えば、決定部１２６は、データ数が所定の閾値を下回るセルを、結合対象として決定する。これにより、予測精度に基づき結合対象を決定する場合と同様の効果が得られる。

決定部１２６は、結合対象のセルとの関係で所定の結合基準を満たす他のセルを、当該結合対象のセルと結合する。他方、決定部１２６は、所定の基準を満たす他のセルが存在しない場合、結合対象のセルを、結合対象から外す。以下、結合基準の一例を説明する。

・結合基準の一例
決定部１２６は、結合対象のセル同士を結合してもよい。これにより、データ数が少なく予測精度が低いセル同士が結合される。結合後の結合セルのデータ数は、結合前の各々のセルのデータ数の和となるので、予測精度の向上が期待される。従って、セルの予測精度を効率的に向上させることが可能となる。

決定部１２６は、結合対象のセルと、当該結合対象のセルの属性に対応する属性を有する他のセルとを結合してもよい。結合対象のセルの属性に対応する属性とは、結合対象のセルの属性と同一又は類似する属性である。類似する属性とは、需要データが類似する傾向にある属性であり、例えば、河川と海とは、同じくタクシー２が乗客を乗せることが想定されない（即ち、需要が常に０）点で、類似する属性である。対応する属性を有するセル同士は、需要データが類似する傾向にあるので、結合したセル内の位置ごとの予測精度のばらつきを抑制することが可能となる。

決定部１２６は、結合対象のセルと、結合対象のセルに隣接する他のセルとを結合する。隣接するとは、セルの境界同士の少なくとも一部が接することを意味する。隣接するセル同士では、遠く離れたセル同士よりも需要データが類似する傾向にあるので、結合したセル内の位置ごとの予測精度のばらつきを抑制することが可能となる。

以上、結合基準の一例を説明した。結合基準を満たすセルが複数ある場合、決定部１２６は、ランダムに、又は結合基準を満たす度合いが高いセルを優先的に結合する。

・セル結合のタイミング
決定部１２６は、需要予測の度に、セルの結合を行うか否かを判定し得る。詳しくは、需要予測装置１２は、予測モデルを用いた需要予測、及び予測精度の評価を行い、その評価結果に基づいて、セルの結合を行うか否かを判定する。セルの結合を行うと判定した場合、需要予測装置１２は、セルの結合、及び新たな結合セルにおける予測モデルの学習を行う。

需要予測装置１２は、新たな結合セルに関し学習した予測モデルを用いて過去の需要予測を行い、予測精度の評価を行う。過去の需要予測とは、過去の第１の時刻の需要データに基づいて、第１の時刻より後の第２の時刻の需要を予測することを指す。過去の需要予測は、典型的には、セルの結合／分割後の予測モデルの評価のために行われる。なお、予測モデルの学習に用いられるデータと、過去の需要予測に用いられるデータとは、典型的には異なる。需要予測装置１２は、予測精度が向上する等の所望の評価結果が得られるまで、結合のやり直し、新たな結合セルにおける予測モデルの学習、過去の需要予測及び評価を行ってもよい。その後、需要予測装置１２は、新たな結合セルに関しては新たに学習した予測モデルを用いて需要予測を行う。

まだ需要予測が行われていない初期状態においては、需要予測装置１２は、過去の需要予測を行い、セルの結合を行う。結合すべきセルがすべて結合された場合、需要予測装置１２は、過去の需要予測及びセルの結合を終了する。その後は、需要予測装置１２は、結合セルを用いて需要予測を行う。

・具体例
以下、図３～図６を参照しながら、初期状態において行われる過去の需要予測に伴うセル結合処理の具体例を説明する。図３～図６に示す例では、需要予測装置１２は、セルリストを更新しながら、セルの結合を決定する。セルリストとは、セルの結合／分割に関する情報をセルごとに対応付けたリストである。

図３は、本実施形態に係る単位セルの設定の一例を示す図である。図３では、地図３０に、所定範囲内に設定された単位セルを示す情報３１が重畳された様子が示されている。図３に示した例では、実空間が水平方向に網目状に区切られ、各々の矩形が単位セルとして取り扱われる例が示されている。セルの属性は、駅前、幹線道路、繁華街、市街地又は公園のいずれかであり、セルの属性ごとに異なるハッチングが付されている。各々のセル内の数字は、セルＩＤである。

図４は、初期状態において行われる１回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。図４に示すように、セルリストでは、セルＩＤ、平均乗車回数、セル内インデックス、属性、予測精度及び再結合／分割可否フラグが、セルごとに対応付けられている。なお、平均乗車回数とは、セルごとの集計期間における乗車回数の平均値であり、データ数に相当する。セル内インデックスとは、セルに含まれる各々の単位セルを識別するための識別情報である。具体的には、セル内インデックスは、セルに含まれる単位セルの総数と単位セルのインデックスとを「－」で繋いだ情報である。再結合／分割可否フラグとは、再結合及び分割の対象とするか否かを示すフラグであり、ＯＫは再結合及び分割の対象とすることを示し、ＮＧは再結合及び分割の対象としないことを示す。

まず、決定部１２６は、セルリストにセルの属性をマッピングする。次いで、決定部１２６は、図４に示すように、属性が公園であるセルを結合して、結合前のセルの各々に結合セルＩＤを割り当て、再結合／分割可否フラグをＮＧとする。これは、公園内ではタクシー２の需要が発生しないためである。次に、予測部１２４は、セルごとに（結合セルについては結合セルごとに）、過去の需要予測を行う。そして、評価部１２５は、予測部１２４による予測結果を評価して、予測精度をセルリストに書き込む。

第１の閾値が９５％であるとすると、決定部１２６は、予測精度が９５％以上であるセルについて、再結合／分割可否フラグをＮＧとする。他方、決定部１２６は、予測精度が９５％未満であるセルについて、再結合／分割可否フラグをＯＫとする。図４に示すように、決定部１２６は、予測精度が９６％であるセルＩＤが１４１のセル、及び属性が公園であるセルＩＤが１２１～１２４の単位セルを結合した結合セルに、再結合／分割可否フラグとしてＮＧを付し、その他のセルにＯＫを付している。

以上により、１回目の過去の需要予測に伴うセル結合処理が終了する。続いて、図５を参照しながら、２回目の過去の需要予測に伴うセル結合処理について説明する。

図５は、初期状態において行われる２回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。まず、決定部１２６は、図４に示したセルリストにおいて、互いに隣接し、属性が同一であり、且つ再結合／分割可否フラグがＯＫであるセルを結合する。例えば、決定部１２６は、図５に示すように、セルＩＤが１１１、１１２及び１１４である単位セルを結合し、セルＩＤが１４３、１４４である単位セルを結合し、セルＩＤが１１３、１３１、１３２である単位セルを結合し、セルＩＤが１３３、１３４及び３１２である単位セルを結合する。次に、予測部１２４は、新たな結合セルごとに過去の需要予測を行う。そして、評価部１２５は、予測部１２４による予測結果を評価して、予測精度をセルリストに書き込む。

第１の閾値が９５％であるとすると、決定部１２６は、新たな結合セルのうち、予測精度が９５％以上である結合セルについて、再結合／分割可否フラグをＮＧとする。他方、決定部１２６は、新たな結合セルのうち、予測精度が９５％未満である結合セルについて、再結合／分割可否フラグをＯＫとする。図５に示すように、決定部１２６は、予測精度が９５％となった、セルＩＤが１３１、１３４及び３１２の単位セルを結合した結合セルに、再結合／分割可否フラグとしてＮＧを付している。さらに、決定部１２６は、予測精度が６８％となった、セルＩＤが１４３、１４４の単位セルを結合した結合セル、並びに予測精度が８９％となった、セルＩＤが１１３、１３１、１３２の単位セルを結合した結合セルに、再結合／分割可否フラグとしてＯＫを付している。他方、決定部１２６は、予測精度が９０％であるものの、隣接する他セルがない、セルＩＤが１１１、１１２、１１４の単位セルを結合した結合セルに、再結合／分割可否フラグとしてＮＧを付している。

以上により、２回目の過去の需要予測に伴うセル結合処理が終了する。続いて、図６を参照しながら、３回目の過去の需要予測に伴うセル結合処理について説明する。

図６は、初期状態において行われる３回目の過去の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。まず、決定部１２６は、図５に示したセルリストにおいて、互いに隣接し、属性が同一であり、且つ再結合／分割可否フラグがＯＫであるセルを結合する。例えば、決定部１２６は、図６に示すように、セルＩＤが１４３、１４４、１１３、１３１、１３２である単位セルを結合する。次に、予測部１２４は、セルごとに過去の需要予測を行う。そして、評価部１２５は、予測部１２４による予測結果を評価して、予測精度をセルリストに書き込む。

第１の閾値が９５％であるとすると、決定部１２６は、新たな結合セルのうち、予測精度が９５％以上である結合セルについて、再結合／分割可否フラグをＮＧとする。他方、決定部１２６は、新たな結合セルのうち、予測精度が９５％未満である結合セルについて、再結合／分割可否フラグをＯＫとする。図５に示すように、決定部１２６は、予測精度が９７％となった、セルＩＤが１４３、１４４、１１３、１３１、１３２である単位セルを結合した結合セルに、再結合／分割可否フラグとしてＮＧを付している。

図６に示したセルリストによれば、全てのセルにおいて再結合／分割可否フラグがＮＧとなってので、需要予測装置１２は、初期状態における過去の需要予測及びセル結合処理を終了する。

・処理の流れ
以下、図７及び図８を参照しながら、初期状態において行われる過去の需要予測に伴うセル結合処理の流れの一例を説明する。

図７は、本実施形態に係る需要予測装置１２により初期状態において実行される１回目の過去の需要予測に伴うセル結合処理の流れの一例を示すフローチャートである。図７に示すように、まず、決定部１２６は、セルリストを初期化する（ステップＳ１０２）。次いで、決定部１２６は、セルリストにセルの属性を書き込む（ステップＳ１０４）。次に、決定部１２６は、所定の属性を有するセルを結合し、セルリストに結合したセルの情報、及び再結合／分割可否フラグ＝ＮＧを書き込む（ステップＳ１０６）。所定の属性としては、例えば、公園等の、タクシー２の需要が発生しないと想定される属性である。

その後、需要予測装置１２は、再結合／分割可否フラグが空であるセルを、結合可否の判断対象のセルとして、以下の説明する処理を行う。まず、取得部１２２は、判断対象のセルのデータ（需要データ、外部データ、及び属性データ）を取得する（ステップＳ１０８）。次いで、学習部１２３は、判断対象のセルの予測モデルを学習する（ステップＳ１１０）。次に、予測部１２４は、判断対象のセルの過去の需要予測を行う（ステップＳ１１２）。次いで、評価部１２５は、判断対象のセルの予測モデルを評価する（ステップＳ１１４）。そして、決定部１２６は、ステップＳ１１４における評価結果に基づいて、判断対象のセルの結合可否を判断し、判断結果をセルリストに書き込む（ステップＳ１１６）。次に、決定部１２６は、全てのセルについて結合可否を判断したかを判定する（ステップＳ１１８）。かかる判断は、セルリストの再結合／分割可否フラグがＯＫ又はＮＧで全て埋まっているか否かにより行われ得る。未判断のセルが残っていると判定された場合（ステップＳ１１８／ＮＯ）、処理はステップＳ１０８に戻り、未判断のセルを判断対象のセルとして、ステップＳ１０８以降の処理が実行される。一方で、全てのセルについて結合可否を判断したと判定された場合（ステップＳ１１８／ＹＥＳ）、処理は終了する。

図８は、本実施形態に係る需要予測装置１２により初期状態において実行される２回目以降の過去の需要予測に伴うセル結合処理の流れの一例を示すフローチャートである。図８に示すように、まず、決定部１２６は、前回の過去の需要予測に伴い生成されたセルリストを取得する（ステップＳ２０２）。次いで、決定部１２６は、再結合／分割可否フラグ＝ＯＫであるセルを結合し、新たに結合した結合セルの再結合／分割可否フラグをクリアする（ステップＳ２０４）。

その後、需要予測装置１２は、再結合／分割可否フラグが空である結合セルを、再結合可否の判断対象のセルとして、以下の説明する処理を行う。まず、取得部１２２は、判断対象の結合セルのデータ（需要データ、外部データ、及び属性データ）を取得する（ステップＳ２０６）。例えば、取得部１２２は、判断対象の結合セルを構成する単位セルのデータを取得して統合する。次いで、学習部１２３は、判断対象の結合セルの予測モデルを学習する（ステップＳ２０８）。次に、予測部１２４は、判断対象の結合セルの過去の需要予測を行う（ステップＳ２１０）。次いで、評価部１２５は、判断対象の結合セルの予測モデルを評価する（ステップＳ２１２）。そして、決定部１２６は、ステップＳ２１２における評価結果に基づいて、判断対象の結合セルの再結合可否を判断し、判断結果をセルリストに書き込む（ステップＳ２１４）。次に、決定部１２６は、全ての結合セルについて再結合可否を判断したかを判定する（ステップＳ２１６）。かかる判断は、セルリストの再結合／分割可否フラグがＯＫ又はＮＧで全て埋まっているか否かにより行われ得る。未判断の結合セルが残っていると判定された場合（ステップＳ２１６／ＮＯ）、処理はステップＳ２０６に戻り、未判断の結合セルを判断対象のセルとして、ステップＳ２０６以降の処理が実行される。一方で、全ての結合セルについて再結合可否を判断したと判定された場合（ステップＳ２１６／ＹＥＳ）、処理は終了する。

＜３．２．セルの分割＞
決定部１２６は、予測精度が第２の閾値よりも高いセルを分割対象として決定する。第２の閾値よりも高いとは、第２の閾値以上を意味していてもよいし、第１の閾値超を意味していてもよい。ここでの第２の閾値は、第１の閾値と同じか第１の閾値を超える値である。分割後の各々のセルのデータ数は、典型的には分割前のセルのデータ数よりも少なくなるので、分割後のセルの予測精度を高すぎない程度に減少させることが可能となる。また、分割後のセルは分割前のセルと比較して小さくなるので、需要が発生すると予測される場所をより詳細に特定することが可能となる。

換言すると、決定部１２６は、需要データのデータ数が所定の基準を満たしたセルを分割対象として決定してもよい。例えば、決定部１２６は、データ数が所定の閾値を超えた、データ数が所定の増加量を示した、又はデータ数が所定の増加率を示した等の所定の基準を満たすセルを、分割対象として決定する。これにより、予測精度に基づき分割対象を決定する場合と同様の効果が得られる。

決定部１２６は、結合セルを分割対象としてもよい。即ち、一旦結合されたセルが、予測精度の向上に伴い分割され得る。このように、予測精度の向上に伴いセルの粒度を細かくすることが可能となる。

決定部１２６は、セルの属性に応じてセルの分割可否を判定してもよい。例えば、決定部１２６は、公園、河川、海、又は施設等のタクシー２が乗客を乗せることが想定されず、タクシー２の需要が発生しない属性を有するセルは、分割しないと判定する。このようなセルでは、需要が発生しないので、細かく予測モデルを生成するメリットが薄いためである。不要な分割を避けることで、予測モデルの学習に関する処理負荷を軽減することが可能となる。

決定部１２６は、分割後のセルのデータ数が所定の基準を満たすようセルを分割してもよい。例えば、決定部１２６は、各々の分割後のセルの需要データのデータ数が所定の閾値を超えるように、セルを分割してもよい。これにより、分割後のセルのデータ数が極端に少なくなることを防止し、予測精度が低下し過ぎないようにすることが可能となる。

決定部１２６は、分割後のセルが結合セルである場合に、分割後のセルを構成する単位セルが互いに隣接するように、分割後のセルを決定してもよい。隣接するセル同士では、遠く離れたセル同士よりも、需要データが類似する傾向にあるので、分割後のセル内の位置ごとの予測精度のばらつきを抑制することが可能となる。

・セル分割のタイミング
決定部１２６は、需要予測の度に、セルの分割を行うか否かを判定し得る。詳しくは、需要予測装置１２は、予測モデルを用いた需要予測、及び予測精度の評価を行い、その評価結果に基づいて、セルの分割を行うか否かを判定する。セルの分割を行うと判定した場合、需要予測装置１２は、セルの分割、及び分割したセルにおける予測モデルの学習を行う。

需要予測装置１２は、分割したセルに関し学習した予測モデルを用いて過去の需要予測を行い、予測精度の評価を行う。需要予測装置１２は、予測精度の低下幅が所定範囲に収まる等の所望の評価結果が得られるまで、分割のやり直し、分割したセルにおける予測モデルの学習、過去の需要予測及び評価を行ってもよい。その後、需要予測装置１２は、分割したセルに関しては新たに学習した予測モデルを用いて需要予測を行う。

・具体例
以下、図９及び図１０を参照しながら、需要予測に伴うセル分割処理の具体例を説明する。図９及び図１０に示す例では、需要予測装置１２は、セルリストを更新しながら、セルの分割を決定する。

図９は、Ｘ回目の需要予測に伴うセル結合処理において生成されるセルリストの一例を示す図である。図９では、図３～図６を参照して説明したセルの結合が行われた後、Ｘ回目の需要予測の際に生成されるセルリストが示されている。なお、Ｘは、１以上の整数である。予測部１２４は、セルごとに（結合されたセルについては結合セルごとに）、Ｘ回目の需要予測を行う。そして、評価部１２５は、予測部１２４による予測結果を評価して、予測精度をセルリストに書き込む。

決定部１２６は、結合セルごとの需要データのデータ数に基づいて、分割を試みる結合セルを決定し得る。例えば、決定部１２６は、データ数が所定の閾値を超えた、データ数が所定の増加量を示した、又はデータ数が所定の増加率を示した等の所定の基準を満たす結合セルの分割を試みる。図９に示した例では、セルＩＤが１４３、１４４、１１３、１３１及び１３２の単位セルを結合した結合セルのデータ数が所定の増加量を示したものとし、当該結合セルが分割を試みる結合セルとして決定されたものとする。

決定部１２６は、分割を試みる結合セルの分割可否を判断する。詳しくは、第２の閾値が９５％であるとすると、決定部１２６は、分割を試みる結合セルのうち、予測精度が９５％を超える結合セルについて、再結合／分割可否フラグをＯＫとする。他方、決定部１２６は、分割を試みる結合セルのうち、予測精度が９５％以下である結合セルについて、再結合／分割可否フラグをＮＧとする。図９に示すように、決定部１２６は、予測精度が９７％となった、セルＩＤが１４３、１４４、１１３、１３１及び１３２の単位セルを結合した結合セルに、再結合／分割可否フラグとしてＯＫを付している。他方、決定部１２６は、他の結合セルではすべて予測精度が９５％以下であるので、再結合／分割可否フラグとしてＮＧを付している。

その後、決定部１２６は、実際にセルを分割し、分割後のセルについて再分割可否を判断する。この点について、図１０を参照して説明する。

図１０は、Ｘ回目の需要予測に伴うセル分割処理において生成されるセルリストの一例を示す図である。まず、決定部１２６は、図９に示したセルリストにおいて、再結合／分割可否フラグがＯＫである結合セルを分割する。例えば、決定部１２６は、図１０に示すように、セルＩＤが１４３、１４４、１１３、１３１及び１３２の単位セルを結合した結合セルを、セルＩＤが１４３及び１４４である単位セルを結合した結合セルと、セルＩＤが１１３、１３１及び１３２である単位セルを結合した結合セルとに分割する。次に、予測部１２４は、分割後のセルごとに、過去の需要予測を行う。そして、評価部１２５は、予測部１２４による予測結果を評価して、予測精度をセルリストに書き込む。

第２の閾値が９５％であるとすると、決定部１２６は、分割後のセルのうち、予測精度が９５％を超えるセルについて、再結合／分割可否フラグをＯＫとする。他方、決定部１２６は、分割後のセルのうち、予測精度が９５％以下である結合セルについて、再結合／分割可否フラグをＮＧとする。図１０に示すように、決定部１２６は、予測精度が９５％となった、セルＩＤが１４３及び１４４である単位セルを結合した結合セルと、セルＩＤが１１３、１３１及び１３２である単位セルを結合した結合セルとの各々に、再結合／分割可否フラグとしてＮＧを付している。

図１０に示したセルリストによれば、全てのセルにおいて再結合／分割可否フラグがＮＧとなってので、セル分割処理を終了する。

・処理の流れ
以下、図１１を参照しながら、Ｘ回目の需要予測に伴うセル分割処理の流れの一例を説明する。

図１１は、本実施形態に係る需要予測装置１２により実行されるＸ回目の需要予測に伴うセル分割処理の流れの一例を示すフローチャートである。図１１に示すように、まず、取得部１２２は、結合セルごとのデータ数を取得する（ステップＳ３０２）。ここでのデータ数とは、例えば、需要データにおける平均乗車回数である。次いで、決定部１２６は、データ数が所定の増加量を示した結合セルの分割可否を判断する（ステップＳ３０４）。例えば、決定部１２６は、データ数が所定の増加量を示した結合セルの予測精度に基づいて、分割可否を判断する。次に、決定部１２６は、分割可能と判断した結合セルを分割し、セルリストを更新する（ステップＳ３０６）。

その後、需要予測装置１２は、分割後のセルを、再分割可否の判断対象のセルとして、以下に説明する処理を行う。まず、取得部１２２は、判断対象の分割後のセルのデータ（需要データ、外部データ、及び属性データ）を取得する（ステップＳ３０８）。詳しくは、取得部１２２は、判断対象の分割後のセルを構成する単位セルのデータを取得して統合する。次いで、学習部１２３は、判断対象の分割後のセルの予測モデルを学習する（ステップＳ３１０）。次に、予測部１２４は、判断対象の分割後のセルの過去の需要予測を行う（ステップＳ３１２）。次いで、評価部１２５は、判断対象の分割後のセルの予測モデルを評価する（ステップＳ３１４）。そして、決定部１２６は、ステップＳ３１４における評価結果に基づいて、判断対象の分割後のセルの再分割可否を判断し、判断結果をセルリストに書き込む（ステップＳ３１６）。次に、決定部１２６は、全ての分割後のセルについて再分割可否を判断したかを判定する（ステップＳ３１８）。かかる判断は、セルリストの再結合／分割可否フラグがＯＫ又はＮＧで全て埋まっているか否かにより行われ得る。未判断の分割後のセルが残っていると判定された場合（ステップＳ３１８／ＮＯ）、処理はステップＳ３０８に戻り、未判断の分割後のセルを判断対象のセルとして、ステップＳ３０８以降の処理が実行される。一方で、全ての分割後のセルについて再分割可否を判断したと判定された場合（ステップＳ３１８／ＹＥＳ）、処理は終了する。

＜３．３．補足＞
・セルの更新タイミング
決定部１２６は、時間の経過に応じて、セルの結合又は分割を再決定してもよい。例えば、決定部１２６は、所定の時間が経過した場合に、単位セルを対象として上述したセルの結合処理を行い、その後分割処理を行ってもよい。これにより、常に最新の状況に応じたセルを決定することが可能となる。

決定部１２６は、セルの属性の変化に応じて、セルの結合又は分割を再決定してもよい。既存の建物の取り壊し、新たな建物の建築、又は道路の増設等により、セルの属性は変化し得る。この点、セルの属性の変化に応じてセルが更新されることにより、常に最新の状況に応じたセルを決定することが可能となる。

・セルの生成方法
上記では、単位セルは、実空間が水平方向に網目状に区切られた正方形の形状を有するものとして説明したが、本技術はかかる例に限定されない。例えば、セルは、地図情報に基づいて設定され得る。その一例を、図１２を参照して説明する。

図１２は、本実施形態に係る単位セルの地図情報に基づく設定の一例を説明するための図である。図１２では、地図３０に、所定範囲内に設定された単位セルを示す情報３２が重畳された様子が示されている。単位セルを示す情報３２によれば、駅前の属性を有するセル３３Ａ～３３Ｃが、駅前の空間に沿って設定されている。また、幹線道路の属性を有するセル３４Ａ～３４Ｄが、幹線道路に沿って設定されている。また、繁華街の属性を有するセル３５Ａ～３５Ｇが、繁華街に沿って設定されている。図１２では図示されていないが、市街地の属性を有するセルが、市街地に沿って設定される。単位セルは、それぞれの単位セルにおいて需要予測が最適になるように（例えば、予測精度が第１の閾値以上第２の閾値以下となるように）、できるだけ小さく設定されることが望ましい。

また、単位セルは、建物等のタクシー２が通行できない領域を除いて設定されてもよい。即ち、単位セルは、道路等のタクシー２が通行可能な領域に設定されてもよい。さらに、単位セルは、道路の進行方向ごとに、設定されてもよい。これにより、道路ごとに、さらには進行方向ごとに需要が予測されることとなるので、需要が発生すると予測される場所をより詳細に特定することが可能となる。

＜＜４．ハードウェア構成例＞＞
最後に、図１３を参照して、本実施形態に係る情報処理装置のハードウェア構成について説明する。図１３は、本実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。なお、図１３に示す情報処理装置９００は、例えば、図２に示した需要予測装置１２を実現し得る。本実施形態に係る需要予測装置１２による情報処理は、ソフトウェアと、以下に説明するハードウェアとの協働により実現される。

図１３に示すように、情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３及びホストバス９０４ａを備える。また、情報処理装置９００は、ブリッジ９０４、外部バス９０４ｂ、インタフェース９０５、入力装置９０６、出力装置９０７、ストレージ装置９０８、ドライブ９０９、接続ポート９１１及び通信装置９１３を備える。情報処理装置９００は、ＣＰＵ９０１に代えて、又はこれとともに、電気回路、ＤＳＰ若しくはＡＳＩＣ等の処理回路を有してもよい。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。ＣＰＵ９０１は、例えば、図２に示す取得部１２２、学習部１２３、予測部１２４、評価部１２５、決定部１２６及び出力部１２７を形成し得る。

ＣＰＵ９０１、ＲＯＭ９０２及びＲＡＭ９０３は、ＣＰＵバスなどを含むホストバス９０４ａにより相互に接続されている。ホストバス９０４ａは、ブリッジ９０４を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０４ｂに接続されている。なお、必ずしもホストバス９０４ａ、ブリッジ９０４および外部バス９０４ｂを分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。

入力装置９０６は、例えば、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチ及びレバー等、ユーザによって情報が入力される装置によって実現される。また、入力装置９０６は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置９００の操作に対応した携帯電話やＰＤＡ等の外部接続機器であってもよい。さらに、入力装置９０６は、例えば、上記の入力手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などを含んでいてもよい。情報処理装置９００のユーザは、この入力装置９０６を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。

出力装置９０７は、取得した情報をユーザに対して視覚的又は聴覚的に通知することが可能な装置で形成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置、レーザープロジェクタ、ＬＥＤプロジェクタ及びランプ等の表示装置や、スピーカ及びヘッドホン等の音声出力装置や、プリンタ装置等がある。出力装置９０７は、例えば、情報処理装置９００が行った各種処理により得られた結果を出力する。具体的には、表示装置は、情報処理装置９００が行った各種処理により得られた結果を、テキスト、イメージ、表、グラフ等、様々な形式で視覚的に表示する。他方、音声出力装置は、再生された音声データや音響データ等からなるオーディオ信号をアナログ信号に変換して聴覚的に出力する。

ストレージ装置９０８は、情報処理装置９００の記憶部の一例として形成されたデータ格納用の装置である。ストレージ装置９０８は、例えば、ＨＤＤ等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス又は光磁気記憶デバイス等により実現される。ストレージ装置９０８は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。このストレージ装置９０８は、ＣＰＵ９０１が実行するプログラムや各種データ及び外部から取得した各種のデータ等を格納する。ストレージ装置９０８は、例えば、図２に示すデータ蓄積部１２１を形成し得る。

ドライブ９０９は、記憶媒体用リーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９０９は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、ＲＡＭ９０３に出力する。また、ドライブ９０９は、リムーバブル記憶媒体に情報を書き込むこともできる。

接続ポート９１１は、外部機器と接続されるインタフェースであって、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）などによりデータ伝送可能な外部機器との接続口である。

通信装置９１３は、例えば、ネットワーク９２０に接続するための通信デバイス等で形成された通信インタフェースである。通信装置９１３は、例えば、有線若しくは無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード等である。また、通信装置９１３は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ又は各種通信用のモデム等であってもよい。この通信装置９１３は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。本実施形態では、通信装置９１３は、需要データ及び外部データを受信し、需要予測データ又は配車指示を端末装置２２に送信する。

なお、ネットワーク９２０は、ネットワーク９２０に接続されている装置から送信される情報の有線、または無線の伝送路である。例えば、ネットワーク９２０は、インターネット、電話回線網、衛星通信網などの公衆回線網や、Ｅｔｈｅｒｎｅｔ（登録商標）を含む各種のＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などを含んでもよい。また、ネットワーク９２０は、ＩＰ－ＶＰＮ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ－Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）などの専用回線網を含んでもよい。

以上、本実施形態に係る情報処理装置９００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて実現されていてもよいし、各構成要素の機能に特化したハードウェアにより実現されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。

なお、上述のような本実施形態に係る情報処理装置９００の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することができる。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。

＜＜５．まとめ＞＞
以上、図１～図１３を参照して、本開示の一実施形態について詳細に説明した。上記説明したように、本実施形態に係る需要予測装置１２は、輸送対象物を積み輸送する移動体のセルごとの需要データを取得し、セルごとに需要データを予測する予測モデルを学習する。そして、需要予測装置１２は、予測モデルの予測精度に基づいて、セルの結合又は分割を決定する。例えば、需要予測装置１２は、予測精度が低過ぎるセルを他のセルと結合する。これにより、結合後のセルのデータ数は結合前よりも増加するので、予測精度を向上させることができる。他方、需要予測装置１２は、予測精度が高すぎるセルをより小さい複数のセルに分割する。これにより、分割後のセルは分割前のセルと比較して小さくなるので、需要が発生すると予測される場所をより詳細に特定することが可能となる。このようにして、需要予測装置１２は、十分な高さの予測精度を実現可能であり、且つ需要が発生すると予測される場所を詳細に特定することが可能なセルを、設定することが可能となる。また、需要予測装置１２は、セルごとに予測モデルを学習することで、どのセルにおいても高い予測精度を発揮することが可能となる。

例えば、需要予測装置１２は、タクシーの需要予測に関しては、全てのセルにおいて信頼性の高いタクシーの需要発生を予測することができる。これにより、タクシーの最適な配車が実現されるので、無駄な流し営業時間を削減し、タクシーの生産性を向上させることが可能となる。

以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。

例えば、上記実施形態では、タクシーの配車のユースケースについて説明したが、本技術の適用先はかかる例に限定されない。例えば、本技術は、走行経路を柔軟に設定可能な乗合タクシー又はバスの、走行経路の設定のために用いられてもよい。この場合、タクシーの配車の例と同様に乗合タクシー又はバスの需要が予測されて、需要が多いと予測されたセルを優先的に通るように走行経路が設定される。また、本技術は、宅配物の集荷のために用いられてもよい。この場合、タクシーの配車の例と同様に集荷用のトラックの需要が予測されて、需要が多いと予測されたセルを優先的に通るようにトラックの走行経路が設定される。また、本技術は、駐車場の選定のために用いられてもよい。この場合、セルごとに駐車場の空きが予測されて、空きが多いと予測されたセルへ移動するように配車指示が通知される。

また、本明細書においてフローチャートを用いて説明した処理は、必ずしも図示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。

また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。

なお、以下のような構成も本開示の技術的範囲に属する。
（１）
輸送対象物を積み輸送する移動体の予測対象空間ごとの需要データを取得する取得部と、
前記予測対象空間ごとに前記需要データを予測する予測モデルを学習する学習部と、
前記予測モデルの予測精度に基づいて、前記予測対象空間の結合又は分割を決定する決定部と、
を備える情報処理装置。
（２）
前記決定部は、前記予測精度が第１の閾値よりも低い前記予測対象空間を結合対象として決定する、前記（１）に記載の情報処理装置。
（３）
前記決定部は、前記結合対象の前記予測対象空間同士を結合する、前記（２）に記載の情報処理装置。
（４）
前記決定部は、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合する、前記（２）又は（３）に記載の情報処理装置。
（５）
前記決定部は、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間に隣接する他の前記予測対象空間とを結合する、前記（２）～（４）のいずれか一項に記載の情報処理装置。
（６）
前記決定部は、前記予測精度が第２の閾値よりも高い前記予測対象空間を分割対象として決定する、前記（１）～（５）のいずれか一項に記載の情報処理装置。
（７）
前記決定部は、前記需要データのデータ数が所定の基準を満たした前記予測対象空間を分割対象として決定する、前記（１）～（６）のいずれか一項に記載の情報処理装置。
（８）
前記決定部は、前記予測対象空間の属性に応じて分割可否を判定する、前記（１）～（７）のいずれか一項に記載の情報処理装置。
（９）
前記決定部は、時間の経過に応じて、前記予測対象空間の結合又は分割を再決定する、前記（１）～（８）のいずれか一項に記載の情報処理装置。
（１０）
前記決定部は、前記予測対象空間の属性の変化に応じて、前記予測対象空間の結合又は分割を再決定する、前記（１）～（９）のいずれか一項に記載の情報処理装置。
（１１）
前記予測対象空間は、水平方向の位置情報及び高さ方向の位置情報により定義される、前記（１）～（１０）のいずれか一項に記載の情報処理装置。
（１２）
前記予測対象空間は、地図情報に基づいて設定される、前記（１）～（１１）のいずれか一項に記載の情報処理装置。
（１３）
前記移動体は、車両であり、前記需要データは、前記輸送対象物の需要量に関するデータである、前記（１）～（１２）のいずれか一項に記載の情報処理装置。
（１４）
輸送対象物を積み輸送する移動体の予測対象空間ごとの需要データを取得することと、
前記予測対象空間ごとに前記需要データを予測する予測モデルを学習することと、
前記予測モデルの予測精度に基づいて、前記予測対象空間の結合又は分割を決定することと、
を含む、プロセッサにより実行される情報処理方法。
（１５）
コンピュータを、
輸送対象物を積み輸送する移動体の予測対象空間ごとの需要データを取得する取得部と、
前記予測対象空間ごとに前記需要データを予測する予測モデルを学習する学習部と、
前記予測モデルの予測精度に基づいて、前記予測対象空間の結合又は分割を決定する決定部と、
として機能させるためのプログラム。

１ 移動体制御システム
２ 移動体、タクシー
３ ＧＮＳＳ衛星
１１ データ収集装置
１２ 需要予測装置
１３ 配車装置
２１ ログ生成装置
２２ 端末装置
１２１ データ蓄積部
１２２ 取得部
１２３ 学習部
１２４ 予測部
１２５ 評価部
１２６ 決定部
１２７ 出力部

Claims (17)

1. 輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定する決定部を
   備え、
   前記決定部は、前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合する情報処理装置。
2. 前記決定部は、前記予測精度が第１の閾値よりも低い前記予測対象空間を結合対象として決定する、請求項１に記載の情報処理装置。
3. 前記決定部は、前記結合対象の前記予測対象空間同士を結合する、請求項１に記載の情報処理装置。
4. 前記決定部は、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間に隣接する他の前記予測対象空間とを結合する、請求項１に記載の情報処理装置。
5. 前記決定部は、前記予測精度が第２の閾値よりも高い前記予測対象空間を分割対象として決定する、請求項１に記載の情報処理装置。
6. 前記決定部は、前記需要データのデータ数が所定の基準を満たした前記予測対象空間を分割対象として決定する、請求項１に記載の情報処理装置。
7. 前記決定部は、前記予測対象空間の属性に応じて分割可否を判定する、請求項１に記載の情報処理装置。
8. 前記決定部は、時間の経過に応じて、前記予測対象空間の結合又は分割を再決定する、請求項１に記載の情報処理装置。
9. 前記決定部は、前記予測対象空間の属性の変化に応じて、前記予測対象空間の結合又は分割を再決定する、請求項１に記載の情報処理装置。
10. 前記予測対象空間は、水平方向の位置情報及び高さ方向の位置情報により定義される、請求項１に記載の情報処理装置。
11. 前記予測対象空間は、地図情報に基づいて設定される、請求項１に記載の情報処理装置。
12. 前記移動体は、車両であり、前記需要データは、前記輸送対象物の需要量に関するデータである、請求項１に記載の情報処理装置。
13. 前記予測対象空間ごとの前記需要データを取得する取得部を
    さらに備える請求項１に記載の情報処理装置。
14. 前記予測モデルを学習する学習部を
    さらに備える請求項１に記載の情報処理装置。
15. 需要予測の結果と実際の需要とを比較した結果、又は、前記需要データのデータ数に基づいて、前記予測精度を計算する評価部を
    さらに備える請求項１に記載の情報処理装置。
16. 輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定することと、
    前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合することと
    を含む、プロセッサにより実行される情報処理方法。
17. コンピュータを、
    輸送対象物を積み輸送する移動体の需要データを予測対象空間ごとに予測する予測モデルの予測精度、又は、前記需要データのデータ数に基づいて、前記予測対象空間の結合又は分割を決定する決定部
    として機能させ、
    前記決定部は、前記予測精度、又は、前記需要データのデータ数に基づいて結合対象とする前記予測対象空間を決定し、前記結合対象の前記予測対象空間と、前記結合対象の前記予測対象空間の属性に対応する属性を有する他の前記予測対象空間とを結合するプログラム。

Images