JP7655128B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関し、特に、水素ステーションにおける水素の需要を予測する情報処理装置、情報処理方法及びプログラムに関する。

特許文献１は、水素燃料の充填を円滑に行うことを目的とする水素ステーションの予約システムの制御方法を開示する。特許文献１にかかる方法は、ユーザの車両が水素ステーションで水素燃料を充填する日時を予約するための予約情報を入力可能にすると共に、入力された予約情報を登録可能な水素充填予約表を作成する。また、特許文献１にかかる方法は、ユーザからの予約情報が登録された水素充填予約表を用いて読み出した日から予め設定された日数が経過した注目日における水素燃料の必要量を算出する。

特開２０１６－１８３７６８号公報

特許文献１にかかる技術では、ユーザが予約をしないと、ユーザが水素ステーションを訪問するか否かを把握できないので、水素の需要を精度よく予測することができない。また、水素ステーションにおける水素価格は、将来の需要に応じて決定されていないので、水素の需要に合っていない可能性がある。したがって、水素ステーションにおける利益を向上させることが困難となるおそれがある。

本発明は、水素ステーションが享受する利益を効率的に向上させることが可能な情報処理装置、情報処理方法及びプログラムを提供するものである。

本発明にかかる情報処理装置は、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも顧客の行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測する予測部と、予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定する決定部と、を有する。

また、本発明にかかる情報処理方法は、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも顧客の行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測し、予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定する。

また、本発明にかかるプログラムは、予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも顧客の行動パターンを入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測するステップと、予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定するステップと、をコンピュータに実行させる。

本発明は、上記のように構成されているので、水素ステーションにおける水素の需要を調整することできるので、水素ステーションの営業を効率的に行うことが可能となる。また、本発明は、上記のように構成されているので、水素ステーションにおける収益を向上させることが可能となる。本発明は、水素ステーションが享受する利益を効率的に向上させることが可能となる。

また、好ましくは、前記決定部は、前記水素ステーションのあるタイミングにおける、予測された水素の需要である予測需要量と供給可能な水素量である供給可能量との比に基づいて、水素の価格を決定する。
本発明は、このように構成されていることによって、予測需要量及び供給可能量に基づいて、水素ステーション側の目的に応じて水素の需要及び水素の価格を調整することが可能となる。

また、好ましくは、前記決定部は、前記供給可能量に対する前記予測需要量の比である第１の比が、予め定められた第１の閾値以上であり、且つ、前記第１の閾値よりも大きな予め定められた第２の閾値以下である場合に、予め定められた第１の価格から予め定められた第２の価格までの間で、前記第１の比が大きいほど価格が高くなるように、水素の価格を決定する。
本発明は、このように構成されていることによって、予測需要量及び供給可能量に応じて、収益の向上を図ることが可能となる。

また、好ましくは、前記決定部は、前記第１の比が前記第１の閾値を下回る場合に、前記第１の価格よりも低い価格となるように、水素の価格を決定する。
本発明は、このように構成されていることによって、供給可能量に対して予測需要量が過少である場合に水素の需要を促進することが可能となる。

また、好ましくは、前記決定部は、前記第１の比が前記第２の閾値を上回る場合に、前記第２の価格よりも高い価格となるように、水素の価格を決定する。
本発明は、このように構成されていることによって、供給可能量に対して予測需要量が過大である場合に水素の需要を抑制することが可能となる。

また、好ましくは、前記需要予測モデルは、前記行動パターンと前記水素ステーションにおける水素の価格とを入力とし、前記決定部は、前記需要予測モデルに入力された水素の価格と前記需要予測モデルを用いて得られた水素の需要である予測需要量とに応じて、水素の価格を決定する。
本発明は、このように構成されていることによって、より確実に、収益の向上を図ることが可能となる。

また、好ましくは、決定された水素の価格を顧客に通知する通知部をさらに有する。
本発明は、このように構成されていることによって、顧客に対する利便性を向上させることができる。

また、好ましくは、前記需要予測モデルに対して機械学習を行う学習部、をさらに有し、前記学習部は、前記予測部によって予測された需要と実際の需要との差分に応じて、前記需要予測モデルに対する学習を継続して行う。
本発明は、このように構成されていることによって、決定された水素の価格により変化した水素の需要を予測できるようになるので、水素の需要の予測精度をさらに向上させることが可能となる。

本発明によれば、水素ステーションが享受する利益を効率的に向上させることが可能な情報処理装置、情報処理方法及びプログラムを提供できる。

実施の形態１にかかる情報処理システムを示す図である。 実施の形態１にかかる情報処理装置のハードウェア構成を示す図である。 実施の形態１にかかる情報処理装置の構成を示すブロック図である。 実施の形態１にかかる需要予測モデルに入力される入力データを例示する図である。 実施の形態１にかかる入力データにおける特徴量を例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる顧客行動パターンを例示する図である。 実施の形態１にかかる需要予測モデルから出力される出力データを例示する図である。 実施の形態１にかかる需要予測部によって得られた需要予測を例示する図である。 実施の形態１にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態１にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態２にかかる情報処理装置の構成を示すブロック図である。 実施の形態２にかかる価格決定部による価格決定方法の一例を説明するための図である。 実施の形態２にかかる価格決定部によって水素価格が決定された場合の実際の水素需要を例示する図である。 実施の形態２にかかる水素価格通知を例示する図である。 実施の形態２にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態３にかかる情報処理装置の構成を示すブロック図である。 実施の形態３にかかる入力データにおける特徴量を例示する図である。 実施の形態３にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態４にかかる情報処理装置の構成を示すブロック図である。 実施の形態４にかかる情報処理装置によって実行される情報処理方法を示すフローチャートである。 実施の形態４にかかる価格決定部による価格決定方法を説明するための図である。

（実施の形態１）
以下、図面を参照して本発明の実施の形態について説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

図１は、実施の形態１にかかる情報処理システム１を示す図である。情報処理システム１は、複数の車両２と、情報処理装置１０とを有する。車両２は、水素を燃料とする車両（例えば燃料電池車）である。情報処理装置１０は、例えばサーバ等のコンピュータである。情報処理装置１０と車両２とは、無線等のネットワーク１ａを介して、通信可能に接続され得る。なお、車両２は、図２を用いて後述する、情報処理装置１０のハードウェア構成を有していてもよい。

情報処理装置１０は、車両２に水素を供給する水素ステーションにおける水素の需要を予測する。具体的には、情報処理装置１０は、ディープラーニング、ニューラルネットワーク、又はリカレントニューラルネットワーク等の機械学習のアルゴリズムによって、水素の需要を予測する。情報処理装置１０は、１つ又は複数のコンピュータによって実現され得る。また、情報処理装置１０は、クラウドシステムによって実現されてもよい。したがって、情報処理装置１０は、物理的に１つの装置によって実現されることに限定されない。

図２は、実施の形態１にかかる情報処理装置１０のハードウェア構成を示す図である。情報処理装置１０は、主要なハードウェア構成として、ＣＰＵ１２（Central Processing Unit）と、ＲＯＭ１４（Read Only Memory）と、ＲＡＭ１６（Random Access Memory）と、インタフェース部１８（ＩＦ；Interface）とを有する。ＣＰＵ１２、ＲＯＭ１４、ＲＡＭ１６及びインタフェース部１８は、データバスなどを介して相互に接続されている。

ＣＰＵ１２は、制御処理及び演算処理等を行う演算装置（処理デバイスまたはプロセッサ）としての機能を有する。なお、演算装置は、ＮＰＵ（Neural network Processing Unit）又はＧＰＵ（Graphics Processing Unit）等の、機械学習のための専用の装置によって実現されてもよい。ＲＯＭ１４は、ＣＰＵ１２（演算装置）によって実行される制御プログラム及び演算プログラム等を記憶するストレージとしての機能を有する。ＲＡＭ１６は、処理データ等を一時的に記憶するメモリとしての機能を有する。インタフェース部１８は、有線又は無線を介して外部と信号の入出力を行う、通信装置としての機能を有する。また、インタフェース部１８は、ユーザによるデータの入力の操作を受け付け、ユーザに対して情報を表示するための処理を行う、ユーザインタフェースとしての機能を有する。インタフェース部１８は、需要予測の結果を表示してもよい。

図３は、実施の形態１にかかる情報処理装置１０の構成を示すブロック図である。実施の形態１にかかる情報処理装置１０は、学習部１００と、学習済みモデル格納部１２２と、入力データ取得部１２４（取得部）と、予測部１４０と、通知部１５０と、学習継続処理部１６０とを有する。学習部１００は、教師データ取得部１０２と、需要予測モデル学習部１０４とを有する。予測部１４０は、需要予測部１４２と、供給可能量決定部１４４とを有する。

これらの構成要素は、例えば、ＣＰＵ１２（演算装置）がＲＯＭ１４（記憶装置）に記憶されたプログラムを実行することによって実現可能である。また、各構成要素は、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールするようにして、実現されるようにしてもよい。なお、各構成要素は、上記のようにソフトウェアによって実現されることに限定されず、何らかの回路素子等のハードウェアによって実現されてもよい。また、上記構成要素の１つ以上は、物理的に別個のハードウェアによってそれぞれ実現されてもよい。例えば、学習部１００は、他の構成要素と別個のハードウェアによって実現されてもよい。これらのことは、後述する他の実施の形態においても同様である。

学習部１００は、上述した機械学習アルゴリズムによって、水素ステーションの水素の需要を予測するための需要予測モデルを学習する。言い換えると、学習部１００は、需要予測モデルに対して機械学習を行う。学習部１００は、少なくとも顧客の行動パターンを用いて水素の需要を予測するように機械学習を行う。したがって、需要予測モデルは、少なくとも顧客の行動パターンを示す顧客行動パターン情報を含む入力データを入力として、水素ステーションごとの需要（水素の予測需要量（需要予測量））を出力する。需要予測量は、予め定められた期間後（例えば１日後、２日後、１週間後、１カ月後等）の、水素の需要量を示す。

教師データ取得部１０２は、入力データと正解データとの組である教師データを取得する。入力データは、顧客行動パターン情報と、地域情報とを含む。ここで、入力データは、時間の経過とともにその特徴量の値が変化する時系列データである。

顧客行動パターン情報は、複数の顧客それぞれの行動パターンを示す。したがって、顧客行動パターン情報は、複数の顧客それぞれについて生成され得る。顧客行動パターン情報は、例えば、顧客の所有する車両２から、ネットワーク１ａを介して取得され得る。顧客行動パターン情報は、例えば、顧客が車両２に水素を充填するタイミング（充填する頻度）、顧客が訪問した水素ステーション、及び、水素を充填する際の充填量を示す。詳しくは後述する。

地域情報は、顧客の行動パターンとは異なる情報であり、地域における各種の情報を示す。地域情報は、例えば、天候、対応する地域の水素ステーションに関する情報、及び、対応する地域のイベントに関する情報等を示す。詳しくは後述する。

正解データは、運用段階（推論段階、予測段階）における、出力データに対応する。ここで、上述したように、出力データは、水素ステーションごとの、予め定められた期間後の水素の需要量を示す。したがって、正解データは、水素ステーションごとの、あるタイミングにおける実際の水素の需要量に対応している。

需要予測モデル学習部１０４は、取得された教師データを用いて、需要予測モデルの学習処理を行う。需要予測モデルは、例えば、ディープラーニング、ニューラルネットワーク、又はリカレントニューラルネットワーク等の機械学習アルゴリズムによって実現され得る。需要予測モデル学習部１０４は、入力データを入力とし正解データを出力とするように、需要予測モデルの学習を行う。需要予測モデル学習部１０４は、ある期間（例えば数カ月間）における教師データを学習用データとして用いて需要予測モデルを生成してもよい。そして、需要予測モデル学習部１０４は、その期間の後の所定期間（例えば数週間）における教師データを評価用データとして用いて、需要予測モデルのパラメータ（重み等）を調整してもよい。また、需要予測モデル学習部１０４は、オートエンコーダにより、入力データから重要な特徴量を抽出してもよい。

図４は、実施の形態１にかかる需要予測モデルに入力される入力データを例示する図である。図４に例示するように、入力データは、複数の特徴量の時系列データである。図４の例では、横軸を時間軸とし、縦軸を時系列の特徴量とした入力データが示されている。つまり、各特徴量ｘ_１，ｘ_２，ｘ_３，・・・，ｘ_Ｎは、時系列データである。Ｎは、特徴量の数である。特徴量は、例えば、所定期間Δｔごとにサンプリングされてもよい。この場合、図４の横軸におけるｔ_１，ｔ_２，ｔ_３，・・・，ｔ_ｋの時間間隔は、Δｔである。また、Δｔは、例えば３０分でもよいし、１時間でもよいし、６時間でもよいし、１日（２４時間）でもよい。このサンプリング周期Δｔは、所望の需要予測の時系列的な細かさに依存して、適宜、設定され得る。例えば、数時間ごとの需要予測を得たい場合のサンプリング周期Δｔは、数日ごとの需要予測を得たい場合のサンプリング周期Δｔよりも短くてもよい。

また、入力データは、顧客及び地域ごとに生成され得る。例えば、顧客＃１，顧客＃２，顧客＃３についての入力データ（顧客行動パターン情報）Ｕ_１，Ｕ_２，Ｕ_３が、それぞれ生成される。また、例えば、地域＃１，地域＃２，地域＃３についての入力データ（地域情報）Ｕ_ｍ＋１，Ｕ_ｍ＋２，Ｕ_ｍ＋３が、それぞれ生成される。これらの入力データＵ_１～Ｕ_Ｍの組が、入力データとして、需要予測モデルに入力される。

図５は、実施の形態１にかかる入力データにおける特徴量を例示する図である。なお、図５に例示する特徴量は、一例にすぎず、他の様々な特徴量が可能である。ここで、図５において、成分ｘ_１～ｘ_ｎは、顧客行動パターン情報における特徴量を示す。また、成分ｘ_ｎ＋１～ｘ_Ｎは、地域情報における特徴量を示す。なお、顧客行動パターン情報において、ｘ_ｎ＋１～ｘ_Ｎの値は、０であってもよい。同様に、地域情報において、ｘ_１～ｘ_ｎの値は、０であってもよい。

顧客行動パターン情報に含まれる特徴量について、図５に示す例では、成分ｘ_１は、対応する顧客の、対応する時間（サンプリング時間）における車両２の位置（車両位置）を示す。また、成分ｘ_２は、対応する顧客の車両２の、対応する時間（サンプリング時間）における水素残量を示す。水素残量は、充填率（State Of Charge：ＳＯＣ）であってもよい。

また、成分ｘ_３は、対応する時間（サンプリング時間）における、対応する顧客が車両２に水素を充填するために訪問した水素ステーションを示す。なお、ｘ_３の成分値は、例えば、「水素ステーションＡ：ｘ_３＝１」、「水素ステーションＢ：ｘ_３＝２」といったように、水素ステーションごとに予め定められている。なお、対応する時間（サンプリング時間）に顧客が水素ステーションを訪問していない場合、ｘ_３の成分値は、０であってもよい。

また、成分ｘ_４は、対応する顧客の車両２に充填された水素の充填量を示す。なお、充填量は、水素を充填した際に増加した充填率であってもよい。なお、対応する時間（サンプリング時間）において顧客が水素を車両２に充填していない場合、ｘ_４の成分値は、０であってもよい。また、成分ｘ_５は、対応する顧客に関する予約情報を示す。予約情報は、対応する時間（サンプリング時間）について、顧客が水素ステーションを訪問して水素を充填することを予め予約したか否かを示す。なお、ｘ_５の成分値は、例えば、「予約有：ｘ_５＝１」、「予約無：ｘ_５＝０」といったように、予約の有無ごとに予め定められている。

また、成分ｘ_６は、対応する顧客の水素ステーションごとの訪問頻度を示す。また、成分ｘ_７は、対応する顧客が車両２に水素を充填する充填頻度を示す。また、成分ｘ_８は、対応する顧客の行動パターンの季節変動を示す。なお、後述するように、ｘ_６～ｘ_８は、時系列データでなくてもよく、顧客行動パターン情報から導き出され得る。したがって、ｘ_６～ｘ_８は、特徴量として含まれていなくてもよい。

地域情報に含まれる特徴量について、図５に示す例では、成分ｘ_ｎ＋１は、対応する時間（サンプリング時間）における、対応する地域の天気を示す。なお、ｘ_ｎ＋１の成分値は、例えば、「晴天：ｘ_ｎ＋１＝１」、「雨天：ｘ_ｎ＋１＝２」といったように、天気（晴天、雨天等）ごとに、予め定められている。また、成分ｘ_ｎ＋２は、対応する時間（サンプリング時間）における、対応する地域の気温を示す。また、成分ｘ_ｎ＋３は、対応する時間（サンプリング時間）における、対応する地域に設けられた水素ステーションの稼働状況を示す。稼働状況は、例えば、曜日ごと及び時間帯ごとに、対応する水素ステーションが稼働しているか否かを示す。また、成分ｘ_ｎ＋４は、対応する地域のイベント開催情報を示す。イベント開催情報は、対応する時間（サンプリング時間）において開催させるイベントの種類、及び、イベントの規模（収容人数等）を示してもよい。

図６～図９は、実施の形態１にかかる顧客行動パターンを例示する図である。図６～図９に例示した顧客行動パターンは、横軸を時間とし、縦軸を、対応する顧客の車両２の水素の充填率（水素残量）とするグラフとして示されている。したがって、顧客行動パターンは、時系列データである。なお、図６～図９は、水素の充填率の時間経過を示している。したがって、図６～図９における充填率の時間経過は、図５に例示した特徴量の「水素残量」に対応する。なお、顧客行動パターンは、対応する車両２の位置の時間経過を示してもよい。この場合、車両２の位置の時間経過は、図５に例示した特徴量の「車両位置」に対応する。

図６は、顧客＃１の顧客行動パターンを例示する。図６に例示した顧客行動パターンでは、顧客＃１の車両２では、水素の充填率が９０％のときから２週間程度が経過すると、充填率が２０％まで低下する。そして、１回目に充填率が２０％まで低下したとき（時間ｔ１１）に、顧客＃１は、水素ステーションＡを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＡを訪問して水素を充填する旨の予約を行っている。

また、２回目に充填率が２０％まで低下したとき（時間ｔ１２）に、顧客＃１は、水素ステーションＢを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＢを訪問して水素を充填する旨の予約を行っていない。また、３回目に充填率が２０％まで低下したとき（時間ｔ１３）に、顧客＃１は、水素ステーションＡを訪問して、２０％から９０％まで、つまり充填率７０％分の水素を充填している。このとき、顧客＃１は、水素ステーションＡを訪問して水素を充填する旨の予約を行っていない。

ここで、図６に例示した顧客行動パターンにおいて、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ水素ステーションＡ、水素ステーションＢ及び水素ステーションＡを訪問したことは、図５に例示した特徴量の「訪問した水素ステーション」に対応する。また、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ充填率７０％分の水素が充填されたことは、図５に例示した特徴量の「１回当たりの充填量」に対応する。また、時間ｔ１１、時間ｔ１２及び時間ｔ１３に、それぞれ「予約：有」、「予約：無」及び「予約：無」であることは、図５に例示した特徴量の「予約情報」に対応する。

また、顧客＃１が時間ｔ１１及び時間ｔ１３に水素ステーションＡを訪問し、時間ｔ１２に水素ステーションＢを訪問したことは、図５に例示した特徴量の「水素ステーションごとの訪問頻度」に対応する。また、２週間ごとに水素が充填されたことは、図５に例示した特徴量の「充填頻度」に対応する。

図７は、図６とは異なる季節の顧客＃１の顧客行動パターンを例示する。図６は、夏期の顧客行動パターンに対応し、図７は、冬期の顧客行動パターンに対応する。夏期では、顧客＃１は、充填率が２０％まで低下したときに水素を車両２に充填しているが、冬期では、顧客＃１は、充填率が４０％まで低下したときに水素を車両２に充填している。つまり、顧客＃１は、冬期では、夏期よりも、充填率が低下しないうちに水素を車両２に充填している。一方、夏期では、顧客＃１は、２週間ごとに水素を車両２に充填しているが、冬期では、顧客＃１は、３週間ごとに水素を車両２に充填している。つまり、顧客＃１の充填頻度は、冬期の方が夏期よりも低い。このように、季節に応じて行動パターンが異なることは、図５に例示した特徴量の「季節変動」に対応する。

図８は、顧客＃２の顧客行動パターンを例示する。また、図９は、顧客＃３の顧客行動パターンを例示する。なお、図８と図９とで、時間軸は同じであるとする。図８に例示するように、顧客＃２は、１カ月ごとに水素を車両２に充填する。また、顧客＃２は、充填率が２０％まで低下したときに、水素を車両２に充填する。一方、図９に例示するように、顧客＃３は、２週間ごとに水素を車両２に充填するが、２カ月間水素を車両２に充填しないこともある。また、顧客＃３は、充填率が４０％まで低下したときに、水素を車両２に充填する。つまり、顧客＃３は、顧客＃２よりも、通常の充填頻度が高い。また、顧客＃３は、顧客＃２よりも、充填率が低下しないうちに水素を車両２に充填している。また、顧客＃２は、概ね同じ周期で水素を車両２に充填するのに対し、顧客＃３は、水素の消費が少ない期間があるので、水素を車両２に充填する周期は一定でない。このように、顧客によって、行動パターンは異なり得る。

図１０は、実施の形態１にかかる需要予測モデルから出力される出力データを例示する図である。図１０に例示するように、需要予測モデルからは、各水素ステーションにおける、所定期間後の予測される水素の需要量が出力される。図１０の例では、水素ステーションＡについて、期間Ｔ_１後の水素の需要量、期間Ｔ_２後の水素の需要量、期間Ｔ_３後の水素の需要量、及び期間Ｔ_４後の水素の需要量が、需要予測モデルから出力される。水素ステーションＢ及び水素ステーションＣについても同様である。

ここで、学習段階において使用される教師データにおいて、正解データは、図１０に例示した出力データに対応し得る。したがって、正解データは、例えば、水素ステーションＡについて、入力される顧客行動パターン情報の時系列上の最後の時点（図４のｔ_ｋに対応）から期間Ｔ_１後、期間Ｔ_２後、期間Ｔ_３後、及び期間Ｔ_４後の、水素の実際の需要量であってもよい。

なお、学習段階では、顧客行動パターン情報については、水素需要の予測対象タイミング（期間Ｔ_１後等の、所定期間後の時点）よりも前の情報が、入力データとして使用され得る。なお、運用段階では、顧客行動パターン情報については、時系列上の過去の情報が、入力データとして使用され得る。なぜならば、運用段階において、将来の顧客行動パターン情報を取得することは、実質的に困難であるからである。なお、顧客行動パターン情報において、予約情報については、予測対象タイミングで予約が有る場合には、予測対象タイミングまでの情報（将来の情報）が、入力データとして使用されてもよい。

一方、地域情報については、予測対象タイミングまでの情報も、入力データとして使用されてもよい。つまり、運用段階において、地域情報については、将来の情報も、入力データとして使用され得る。ここで、図５の例において、「天気」及び「気温」は、天気予報から取得可能である。また、「水素ステーションの稼働状況」は、水素ステーションの稼働予定から取得可能である。また、「イベント開催情報」は、イベントの開催予定から取得可能である。

需要予測モデル学習部１０４は、時間Ｔ_０における期間Ｔ_１後の需要予測を学習する場合には、Ｔ_０から過去に遡った期間ΔＴ分の入力データを入力とし、時間Ｔ_０から期間Ｔ_１後の実際の水素の需要量を正解データとして、需要予測モデルの学習を行ってもよい。なお、ΔＴは、図４の時間軸におけるｔ_１からｔ_ｋまでの期間に対応する。ここで、ΔＴ＞Δｔである。例えばサンプリング周期がΔｔ＝３０分である場合、ΔＴ＝６時間として、Ｔ_０から過去６時間分の入力データを、需要予測モデルに入力してもよい。また、サンプリング周期がΔｔ＝２４時間である場合、ΔＴ＝１カ月として、Ｔ_０から過去１カ月分の入力データを、需要予測モデルに入力してもよい。あるいは、サンプリング周期がΔｔ＝２４時間である場合、ΔＴ＝１年として、Ｔ_０から過去１年分の入力データを、需要予測モデルに入力してもよい。

需要予測モデル学習部１０４は、需要予測モデルの学習が終了すると、学習済みモデル格納部１２２に、学習済みの需要予測モデルを出力する。これにより、学習済みモデル格納部１２２は、予め機械学習によって生成された学習済みモデルである需要予測モデルを格納する。そして、学習済みモデルである需要予測モデルは、図４及び図５に例示したような特徴量を含む時系列データである入力データを入力とし、図１０に例示したような水素ステーションごとの水素の予測された需要を出力とする。

また、学習部１００は、後述する予測部１４０によって予測された需要と実際の需要との差分に応じて、需要予測モデルに対する学習を継続して行ってもよい。詳しくは後述する。

入力データ取得部１２４は、運用段階において、上述した入力データを取得する。ここで、入力データ取得部１２４は、少なくとも、顧客行動パターン（顧客行動パターン情報）を、入力データとして取得する。入力データ取得部１２４は、各車両２から、ネットワーク１ａを介して、インタフェース部１８を用いて、入力データである顧客行動パターン情報を取得する。また、入力データ取得部１２４は、地域情報を、入力データとして取得する。また、入力データ取得部１２４は、例えば、現在の時点から所定期間遡った時点までの間の、時系列データである顧客行動パターン情報を取得する。また、入力データ取得部１２４は、例えば、現在から所定期間遡った時点から、将来の取得可能な時点までの間の、時系列データである地域情報を取得する。

予測部１４０は、学習済みモデル格納部１２２に格納された需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。つまり、予測部１４０は、少なくとも顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測する。

需要予測部１４２は、学習済みモデル格納部１２２に格納された需要予測モデルに、入力データ取得部１２４によって取得された入力データを入力する。これにより、需要予測モデルは、図１０に例示したような、水素ステーションごとの水素の予測需要量を出力する。これにより、需要予測部１４２は、水素ステーションごとに、水素の需要量を予測する。

このように、需要予測部１４２（予測部１４０）は、少なくとも顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、少なくとも１つの水素ステーションにおける水素の需要を予測するように構成されている。これにより、実施の形態１にかかる情報処理装置１０は、水素ステーションにおける水素の需要を精度よく予測することができる。すなわち、顧客の行動パターンを用いて水素の需要を予測するように構成されているので、顧客が水素ステーションを訪問して水素を充填する旨の予約を行わなくても、水素の需要を予測することができる。したがって、実施の形態１にかかる情報処理装置１０は、水素の需要を精度よく予測することが可能となる。

また、図５に例示した特徴量「水素残量」、「訪問した水素ステーション」及び「１回当たりの充填量」から、時系列データである顧客行動パターン情報には、顧客が水素を車両に充填するタイミングが示されていると言える。つまり、特徴量「水素残量」の成分値が上昇し、特徴量「訪問した水素ステーション」及び「１回当たりの充填量」の成分値が変化したタイミングが、顧客が水素を車両に充填したタイミングに対応する。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客が水素を車両に充填するタイミングを用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、顧客が水素を車両に充填するタイミングは、概ね同じ周期であることが多い。したがって、その周期に対応するタイミングで需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

また、図５に例示するように、顧客行動パターン情報には、車両位置が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客の車両位置を用いて、水素の需要を予測する。また、図５に例示するように、顧客行動パターン情報には、水素残量が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客の車両２の水素残量を用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、例えば、顧客の車両２の水素残量が、充填が必要となる程度（図６及び図８の例では充填率２０％、図７及び図９の例では充填率４０％）まで少なくなったタイミングで、顧客は水素ステーションを訪問する可能性が高い。また、顧客は、そのタイミングにおける車両位置に近い水素ステーションを訪問する可能性が高い。したがって、そのタイミングにおいて、そのタイミングにおける車両位置に近い水素ステーションの需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

また、図５に例示するように、顧客行動パターン情報には、予約情報が含まれている。したがって、需要予測部１４２は、顧客行動パターン情報で示される、顧客からの予約情報を用いて、水素の需要を予測する。需要予測部１４２（予測部１４０）は、上記のようにして水素の需要を予測しているので、水素の需要の予測精度を向上することができる。すなわち、顧客は、予約情報に対応するタイミングで、水素ステーションを訪問する可能性が非常に高い。したがって、そのタイミングで需要が多くなると予測するように需要予測モデルが調整されることで、予測精度を向上させることが可能となる。

図１１は、実施の形態１にかかる需要予測部１４２によって得られた需要予測を例示する図である。図１１は、水素ステーションＡの需要予測を例示する。また、図１１は、横軸を時間軸とし、縦軸を予測需要量とするグラフを示す。ここで、需要予測モデルからは、図１０に例示するように、複数のタイミング（Ｔ_１後，Ｔ_２後，Ｔ_３後，Ｔ_４後，・・・）における予測需要量が出力される。したがって、これらの複数のタイミングにおける予測需要量をプロットすることによって、図１１に例示するグラフが生成され得る。

図１１に例示する需要予測では、Ｔａに対応するタイミングで需要が増加している。また、Ｔｂに対応するタイミングで需要が減少している。また、Ｔｃに対応するタイミングで需要が増加している。なお、Ｔａ，Ｔｂ，Ｔｃは、時刻を示していてもよいし、時間帯を示していてもよいし、日付を示していてもよい。各タイミングが時刻、時間帯又は日付のいずれを示すかは、どのタイミングの需要予測を行うかに依存し得る。例えば、需要予測モデルが１日のうちの時間帯ごとの需要予測を行うように構成されている場合は、上記のタイミングは、時間帯を示し得る。また、需要予測モデルが１週間又は１カ月のうちの日付ごとの需要予測を行うように構成されている場合は、上記のタイミングは、日付を示し得る。

供給可能量決定部１４４は、予測された需要に基づいて、タイミングに応じた供給可能な水素量（供給可能量）を決定する。具体的には、供給可能量決定部１４４は、需要が多いと予測されたタイミングでは供給可能量を多くするように、供給可能量を決定する。一方、供給可能量決定部１４４は、需要が少ないと予測されたタイミングでは供給可能量を少なくするように、供給可能量を決定する。図１１の例では、供給可能量決定部１４４は、水素ステーションＡについて、Ｔａのタイミングにおける供給可能量がＴｂのタイミングにおける供給可能量よりも多くなるように、各タイミングにおける供給可能量を決定する。同様に、供給可能量決定部１４４は、水素ステーションＡについて、Ｔｃのタイミングにおける供給可能量がＴｂのタイミングにおける供給可能量よりも多くなるように、各タイミングにおける供給可能量を決定する。

このように、供給可能量決定部１４４（予測部１４０）が、予測された需要に基づいて、タイミングに応じた供給可能な水素量（供給可能量）を決定することにより、水素ステーションの収益の安定化を図ることが可能となる。すなわち、需要が多いと予測されるタイミングで供給可能量を多くすることで、顧客が水素を車両２に充填しようと水素ステーションを訪問した際に水素ステーションが水素を供給できないといった機会損失を抑制することができる。また、需要が少ないと予測されるタイミングで供給可能量を少なくすることで、準備過剰によるロスを抑制することができる。したがって、水素ステーションの収益を安定させることが可能となる。

また、供給可能量決定部１４４は、予測された水素の需要に基づいて、水素の発注のタイミングに応じて、水素準備量を決定してもよい。具体的には、供給可能量決定部１４４は、各水素ステーションについて、発注の頻度に応じた期間の需要に対応する水素準備量を決定する。例えば、水素ステーションＡについては１週間ごとに水素を発注する場合、供給可能量決定部１４４は、水素ステーションＡについて、予測された水素の１週間分の需要に対応する水素準備量を決定する。例えば、水素準備量は、１週間のうちの需要が予測された各タイミングにおける予測需要量を合計することによって、決定されてもよい。このように、供給可能量決定部１４４（予測部１４０）が、予測された水素の需要に基づいて、水素の発注のタイミングに応じて、水素準備量を決定することによって、上述した機会損失又は準備過剰をさらに抑制できる。

また、供給可能量決定部１４４は、予測された需要に基づいて、水素の高圧ガスを準備するタイミングを決定してもよい。具体的には、１日のうちの時間帯ごとに水素の需要が予測されている場合、供給可能量決定部１４４は、需要が高くなる時間帯よりも所定時間前（例えば１時間前）に高圧ガス（高圧水素）を準備するように、高圧ガスを準備するタイミングを決定する。なお、「所定時間」は、水素の高圧化に要する時間に応じて、適宜、設定され得る。水素ステーションでは、水素が準備してあったとしても、水素を高圧化しておかないと、車両２に水素を供給できない。したがって、予測された需要に基づいて水素の高圧ガスを準備するタイミングを決定することで、顧客が水素ステーションを訪問した際に水素を車両２に供給できないといった機会損失を抑制することが可能となる。

通知部１５０は、予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを、顧客に通知する。通知部１５０は、インタフェース部１８を用いて、ネットワーク１ａを介して、顧客の装置に対して、水素を供給可能な水素ステーション及びその水素ステーションで水素を供給可能なタイミング（時間帯）を示す通知（供給可能通知）を送信する。

具体的には、通知部１５０は、各水素ステーションについて、水素の需要があると予測されたタイミングを判定する。例えば、通知部１５０は、各水素ステーションについて、水素の需要量が予め定められた値以上であると予測されたタイミングを判定する。そして、通知部１５０は、各水素ステーションについて、水素の需要量があると予測されたタイミングを、水素を供給可能なタイミングと設定する。そして、通知部１５０は、この水素ステーション及びタイミングに応じて、供給可能通知を生成する。通知部１５０は、生成された供給可能通知を送信する。

例えば、通知部１５０は、顧客の車両２に対して、供給可能通知を送信してもよい。これにより、車両２に、供給可能通知が表示される。この場合において、通知部１５０は、車両２に搭載されたナビゲーションシステムを用いて、供給可能通知を表示させるようにしてもよい。例えば、通知部１５０は、ナビゲーションシステムの画面に、水素を供給可能な水素ステーションが表示されている場合に、その水素ステーションで水素が供給できるタイミングを表示させるようにしてもよい。

また、例えば、通知部１５０は、顧客の所有する端末（スマートフォン等）に対して、供給可能通知を送信してもよい。この場合、通知部１５０は、顧客の端末で実現可能なナビゲーションシステムについて、上述した車両２のナビゲーションシステムについての処理と同様の処理を行ってもよい。あるいは、通知部１５０は、水素ステーションと水素を供給可能なタイミングとを対応付けたリストを端末に表示させるようにしてもよい。

あるいは、通知部１５０は、水素ステーションのウェブサイトに、供給可能通知を表示させるようにしてもよい。この場合、通知部１５０は、ウェブサイト上に地図を表示させて、地図上に表示された水素ステーションで水素を供給可能なタイミングを表示させるようにしてもよい。あるいは、通知部１５０は、水素ステーションと水素を供給可能なタイミングとを対応付けたリストを、ウェブサイトに表示させるようにしてもよい。

通知部１５０が、予測された需要に応じて、いつのタイミングでどの水素ステーションで水素を供給できるかを顧客に通知することによって、顧客に対する利便性を向上させることができる。さらに、水素ステーションの側にとっても、準備した水素を供給できる可能性がより高まる。したがって、上記の通知を顧客に行うことによって、水素の需要と供給との調整をより確実に行うことが可能となる。

また、通知部１５０は、水素を供給可能な水素ステーション及び水素を供給可能なタイミングを通知する際に、水素の価格も通知するようにしてもよい。これにより、顧客は水素の価格と水素を車両２に充填できるタイミングとを同時に把握することができるので、顧客に対する利便性が向上する。

学習継続処理部１６０は、需要予測モデルの学習を継続するための処理を行う。具体的には、学習継続処理部１６０は、需要の予測値に対応する実績値（実際の需要量）を取得する。そして、学習継続処理部１６０は、需要の予測値と実績値との差分に応じて、学習部１００による学習の継続処理（学習継続処理）を行う。さらに具体的には、学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上である場合に、学習継続処理を行う。すなわち、需要の予測値と実績値との差分が大きくなった場合とは、需要予測モデルによる需要予測の精度が低下した可能性がある場合である。したがって、この場合に、需要予測モデルの再学習を行うことが好ましい。なお、上記の閾値は、要求される需要の精度に応じて、適宜、定められ得る。

学習継続処理は、例えば、以下のようにして行われ得る。学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上となった時点までの顧客行動パターン情報（及び地域情報）を、入力データとして取得する。また、学習継続処理部１６０は、その時点までに得られた需要の実績値を、正解データとして取得する。ここで、この時点では、需要予測モデルの学習段階よりも時間が経過していることから、この時点で取得される入力データのデータ量は、需要予測モデルの学習段階で用いられた入力データのデータ量よりも多い。そして、学習継続処理部１６０は、取得された入力データと正解データとの組を教師データとして、需要予測モデルの再学習を行うように、処理を行う。これにより、学習部１００は、需要予測モデルの再学習を行う。

なお、学習継続処理は、需要の予測値と実績値との差分が閾値以上となった時点で、直ちに実行される必要はない。例えば、需要の予測値と実績値との差分が閾値以上となることが、所定回数以上発生した場合に、学習継続処理が実行されてもよい。

このように、情報処理装置１０は、予測部１４０によって予測された需要と実際の需要との差分に応じて、機械学習のアルゴリズムに対する学習を継続して行ってもよい。このような構成によって、需要予測モデルが、実際の運用に合わせて調整されるので、需要の予測精度を、さらに向上させることが可能となる。

図１２及び図１３は、実施の形態１にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図１２及び図１３に示すフローチャートは、水素の需要を予測するための需要予測方法に対応する。

図１２は、需要予測モデルの学習段階における処理を示す。教師データ取得部１０２は、上述したように、入力データと正解データとの組である教師データを取得する（ステップＳ１０２）。需要予測モデル学習部１０４は、上述したように、取得された教師データを用いて、需要予測モデルの学習処理を行う（ステップＳ１０４）。

図１３は、需要予測モデルの運用段階における処理を示す。入力データ取得部１２４は、上述したように、入力データを取得する（ステップＳ１１２）。ここで、上述したように、入力データには、少なくとも、顧客行動パターン（顧客行動パターン情報）が含まれている。

需要予測部１４２は、上述したように、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量を取得する（ステップＳ１１４）。供給可能量決定部１４４は、上述したように、予測された需要に基づいて、供給可能量を決定する（ステップＳ１１６）。通知部１５０は、上述したように、水素を供給可能な水素ステーション及び時間帯（タイミング）を、顧客に通知する（ステップＳ１１８）。

学習継続処理部１６０は、需要の予測値と実績値との差分が予め定められた閾値以上であるか否かを判定する（ステップＳ１２０）。需要の予測値と実績値との差分が閾値以上であると判定された場合（Ｓ１２０のＹＥＳ）、学習継続処理部１６０は、上述したように、学習継続処理を行う（ステップＳ１２２）。一方、需要の予測値と実績値との差分が閾値以上であると判定されなかった場合（Ｓ１２０のＮＯ）、Ｓ１２２の処理は行われない。そして、Ｓ１１２～Ｓ１２２の処理が、繰り返され得る。

（実施の形態２）
次に、実施の形態２について説明する。実施の形態２においては、水素の需要に応じて水素ステーションにおける水素価格を決定する点で、実施の形態１と異なる。なお、実施の形態２にかかる情報処理システム１の構成については、図１に示した実施の形態１にかかる情報処理システム１の構成と実質的に同様であるので、説明を省略する。また、実施の形態２にかかる情報処理装置１０のハードウェア構成については、図２に示した実施の形態１にかかる情報処理装置１０のハードウェア構成と実質的に同様であるので、説明を省略する。

図１４は、実施の形態２にかかる情報処理装置１０の構成を示すブロック図である。実施の形態２にかかる情報処理装置１０は、図３に示した実施の形態１にかかる情報処理装置１０の構成要素と実質的に同じ構成要素を有する。さらに、実施の形態２にかかる情報処理装置１０は、価格決定部２１０（決定部）と、通知部２５０とを有する。実施の形態２にかかる情報処理装置１０において、図３に示した情報処理装置１０の構成要素の機能については、特記しない限り、実施の形態１のものと実質的に同様であるので、適宜、説明を省略する。

上述したように、予測部１４０は、水素ステーションにおける水素の時系列的な需要を予測する。つまり、予測部１４０は、水素ステーションにおける水素の需要の時間的な推移を予測する。また、予測部１４０は、少なくとも、水素ステーションにおける、予め定められた時間後（例えば１週間後又は１カ月後）の、１日のうちの水素の需要の時間的な推移を予測し得る。

価格決定部２１０は、各水素ステーションについて、予測部１４０によって予測された水素の需要に基づいて、水素の価格（水素価格）を決定する。つまり、価格決定部２１０は、各水素ステーションについて、予測された水素の時系列的な需要量に応じて、水素価格を決定する。具体的には、価格決定部２１０は、水素の予測需要量が多い時間帯で水素価格が高くなるように、水素ステーションにおける水素価格を決定する。また、価格決定部２１０は、現在から予め定められた時間後（例えば１週間後又は１カ月後）の水素価格を決定する。

図１５は、実施の形態２にかかる価格決定部２１０による価格決定方法の一例を説明するための図である。図１５は、図１１に例示した需要予測に対して水素価格を決定する方法を例示している。図１５は、水素ステーションＡにおける、水素の予測需要量と水素価格との関係を例示している。図１５において、予測需要量が細い破線で示されている。また、図１５において、水素価格が、太い実線で示されている。また、予測需要量について、２つの閾値ＴｈＡ，ＴｈＢが、予め設定されている。ここで、ＴｈＡ＜ＴｈＢである。また、３つの水素価格ＰｒＡ，ＰｒＢ，ＰｒＣが、予め設定されている。ここで、ＰｒＡ＜ＰｒＢ＜ＰｒＣである。

価格決定部２１０は、予測需要量が閾値ＴｈＡを下回る時間帯では、水素価格を、最も低い水素価格であるＰｒＡに決定する。また、価格決定部２１０は、予測需要量が閾値ＴｈＡ以上且つ閾値ＴｈＢ以下である時間帯では、水素価格を、２番目に低いＰｒＢに決定する。また、価格決定部２１０は、予測需要量が閾値ＴｈＢを上回る時間帯では、水素価格を、最も高い水素価格であるＰｒＣに決定する。これにより、予測需要量が多いＴａ，Ｔｃに対応するタイミングでは水素価格が高くなり、予測需要量が少ないＴｂに対応するタイミングでは水素価格が低くなる。

なお、図１５の例では、予測需要量の閾値の数を２個とし、水素価格の数を３個としたが、このような構成に限られない。水素価格の数は任意であり、水素価格の数に応じて予測需要量の閾値の数も適宜設定され得る。また、図１５の例では、水素価格が、予測需要量に応じて段階的に不連続に変化するとしたが、このような構成に限られない。価格決定部２１０は、予測需要量に応じて連続的に変化するように、水素価格を決定してもよい。つまり、価格決定部２１０は、予測需要量が増加するにつれて水素価格が連続的に増加し、予測需要量が減少するにつれて水素価格が連続的に減少するように、水素価格を決定してもよい。この場合、予測需要量と水素価格との関係は、予め定められた関数で定められてもよい。

また、価格決定部２１０は、収益が向上（最大化）するように、都度、水素価格を決定する方法を更新するようにしてもよい。例えば、価格決定部２１０は、強化学習アルゴリズム等の機械学習によって、収益が向上（最大化）するように、予測需要量に応じて水素価格を決定する方法を更新するようにしてもよい。例えば、価格決定部２１０は、上記の水素価格の設定値（ＰｒＡ等）及び予測需要量の閾値（ＴｈＡ等）を、強化学習アルゴリズム等によって、更新してもよい。また、価格決定部２１０は、予測需要量と水素価格との関係を示す関数を、強化学習アルゴリズム等によって、更新してもよい。このことは、後述する他の実施の形態においても同様である。

実施の形態２にかかる情報処理装置１０は、このような構成により、水素ステーションにおける水素価格を、水素の需要に合わせて調整することが可能となる。ここで、一般的に、商品の価格が上昇するとその商品の需要は少なくなり、商品の価格が下降するとその商品の需要は多くなる傾向となる。したがって、水素の需要に合わせて水素価格を調整することにより、水素ステーションにおける水素の需要の平準化を図ることが可能となる。つまり、水素ステーションにおける水素の需要を調整することが可能となる。これにより、閑散期の業務量と繁忙期の業務量との差を小さくすることができる。したがって、水素ステーションの営業を効率的に行うことが可能となる。したがって、水素ステーションが享受する利益（メリット）を効率的に向上させることが可能となる。

図１６は、実施の形態２にかかる価格決定部２１０によって水素価格が決定された場合の実際の水素需要を例示する図である。図１６において、予測需要量が細い破線で示されている。また、図１６において、実際の需要量が太い実線で示されている。予測需要量は、図１１及び図１５に示されたものに対応する。図１５に例示したように、予測需要量が多いタイミングで水素価格が高くなり、予測需要量が低いタイミングで水素価格が低くなることによって、図１６に例示するように、実際の需要量の変動は、予測需要量の変動よりも小さくなる。つまり、価格決定部２１０によって水素価格が決定されることにより、水素ステーションにおける水素の需要が平準化される。

また、実施の形態２にかかる情報処理装置１０は、水素ステーションにおける予測需要量が多いときに水素価格を高くすることにより、水素ステーションにおける収益を向上させることが可能となる。一方、水素ステーションにおける予測需要量が少ないときに水素価格を低くすることにより、そのタイミングにおける需要を多くすることができる。したがって、水素ステーションが享受する利益（メリット）を効率的に向上させることが可能となる。

通知部２５０は、価格決定部２１０によって決定された水素価格を顧客に通知する。通知部２５０は、インタフェース部１８を用いて、ネットワーク１ａを介して、顧客の装置に対して、水素ステーションにおける水素価格を示す通知（水素価格通知）を送信する。

図１７は、実施の形態２にかかる水素価格通知を例示する図である。図１７は、水素ステーションＡに関する水素価格通知を例示している。図１７に例示した水素価格通知は、「通常の水素価格」と、「本日の水素価格」と、「明日の水素価格」とを含む。このように、複数の日の水素価格を通知することによって、顧客は、水素価格及び自己の時間の都合等からどの日に水素ステーションを訪問するかを決定することができる。特に、顧客は、水素価格が低い日に水素ステーションを訪問することができる。したがって、顧客に対する利便性を向上させることが可能となる。

また、通知部２５０は、例えば、顧客の車両２に対して、水素価格通知を送信してもよい。これにより、車両２に、水素価格通知が表示される。この場合において、通知部２５０は、車両２に搭載されたナビゲーションシステムを用いて、水素価格を表示させるようにしてもよい。例えば、通知部２５０は、ナビゲーションシステムの画面に表示された水素ステーションに関する水素価格を表示させるようにしてもよい。

また、例えば、通知部２５０は、顧客の所有する端末（スマートフォン等）に対して、水素価格通知を送信してもよい。この場合、通知部２５０は、顧客の端末で実現可能なナビゲーションシステムについて、上述した車両２のナビゲーションシステムについての処理と同様の処理を行ってもよい。

あるいは、通知部２５０は、水素ステーションのウェブサイトに、水素価格通知を表示させるようにしてもよい。この場合、通知部２５０は、ウェブサイト上に地図を表示させて、地図上に表示された水素ステーションの水素価格を表示させるようにしてもよい。あるいは、通知部２５０は、水素ステーションと水素価格とを対応付けたリストを、ウェブサイトに表示させるようにしてもよい。

また、例えば、通知部２５０は、顧客が訪問する頻度が高い水素ステーションの水素価格を、その顧客に通知してもよい。この場合、通知部２５０は、顧客行動パターン情報を用いて、顧客が訪問する頻度を判断してもよい。また、例えば、通知部２５０は、顧客ごとに予め登録された水素ステーションの水素価格を、その顧客に通知してもよい。例えば、顧客＃１が水素ステーションＡをシステムに登録していた場合に、通知部２５０は、水素ステーションＡの水素価格を、顧客＃１に通知してもよい。

また、通知部２５０は、顧客ごとに必要なタイミングで、水素価格を通知してもよい。例えば、通知部２５０は、顧客の近隣の水素ステーションの水素価格が変更されたときに、その顧客にその水素ステーションの水素価格を通知してもよい。また、例えば、通知部２５０は、顧客によって予め登録された水素ステーションの水素価格が変更されたときに、その顧客にその水素ステーションの水素価格を通知してもよい。また、通知部２５０は、水素残量の少ない車両２の顧客に、水素ステーションの水素価格を通知してもよい。

通知部２５０が、決定された水素価格を顧客に通知することによって、顧客に対する利便性を向上させることができる。特に、水素価格が低いときに顧客が水素ステーションを訪問することによって、水素の購入費用を低減することができる。また、通知部２５０が、顧客ごとに必要なタイミングで水素価格を通知することによって、顧客に対する利便性をさらに向上させることができる。さらに、水素ステーションの側にとっても、水素の需要の平準化を、より確実に図ることが可能となる。

図１８は、実施の形態２にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図１８に示すフローチャートは、水素ステーションの水素価格を決定するための価格決定方法に対応する。図１３のＳ１１２と同様に、入力データ取得部１２４は、入力データを取得する（ステップＳ２１２）。図１３のＳ１１４と同様に、需要予測部１４２は、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量を取得する（ステップＳ２１４）。図１３のＳ１１４と同様に、供給可能量決定部１４４は、予測された需要に基づいて、供給可能量を決定する（ステップＳ２１６）。

価格決定部２１０は、上述したように、予測された水素の需要に応じて、水素ステーションの水素価格を決定する（ステップＳ２１８）。具体的には、価格決定部２１０は、予測需要量が多いタイミングで水素価格が高くなるように、水素価格を決定する。通知部２５０は、上述したように、水素ステーションの水素価格を、顧客に通知する（ステップＳ２２０）。

学習継続処理部１６０は、図１３のＳ１２０と同様に、需要の予測値と実績値との差分が予め定められた閾値以上であるか否かを判定する（ステップＳ２２１）。需要の予測値と実績値との差分が閾値以上であると判定された場合（Ｓ２２１のＹＥＳ）、学習継続処理部１６０は、図１３のＳ１２２と同様に、学習継続処理を行う（ステップＳ２２２）。一方、需要の予測値と実績値との差分が閾値以上であると判定されなかった場合（Ｓ２２１のＮＯ）、Ｓ２２２の処理は行われない。このように、決定された水素価格により変化した水素の需要を予測できるようになるので、水素の需要の予測精度をさらに向上させることが可能となる。そして、Ｓ２１２～Ｓ２２２の処理が、繰り返され得る。

（実施の形態３）
次に、実施の形態３について説明する。実施の形態３においては、水素ステーションにおける水素価格を決定する際に、水素ステーションにおける水素価格を入力とする需要予測モデルを用いる点で、他の実施の形態と異なる。なお、実施の形態３にかかる情報処理システム１の構成については、図１に示した実施の形態１にかかる情報処理システム１の構成と実質的に同様であるので、説明を省略する。また、実施の形態３にかかる情報処理装置１０のハードウェア構成については、図２に示した実施の形態１にかかる情報処理装置１０のハードウェア構成と実質的に同様であるので、説明を省略する。

図１９は、実施の形態３にかかる情報処理装置１０の構成を示すブロック図である。実施の形態３にかかる情報処理装置１０は、実施の形態１等と同様に、学習部１００と、学習済みモデル格納部１２２と、入力データ取得部１２４と、予測部１４０と、学習継続処理部１６０とを有する。ここで、予測部１４０は、需要予測部１４２を有するが、供給可能量決定部１４４を有さなくてもよい。また、実施の形態３にかかる情報処理装置１０は、供給可能量取得部３０２と、価格決定部３１０（決定部）と、通知部２５０とを有する。

図３に示した情報処理装置１０の構成要素の機能については、特記しない限り、実施の形態１のものと実質的に同様であるので、適宜、説明を省略する。また、通知部２５０の機能については、特記しない限り、実施の形態２にかかる機能と実質的に同様であるので、適宜、説明を省略する。

図２０は、実施の形態３にかかる入力データにおける特徴量を例示する図である。顧客行動パターン情報については、実施の形態１にかかるものと実質的に同様であってもよい。地域情報に含まれる特徴量について、成分ｘ_ｎ＋５は、対応する地域の水素ステーションにおける水素価格を示す。入力データにおいて、水素価格は、任意に設定され得る。このように、実施の形態３では、需要予測モデルは、水素ステーションにおける水素価格を入力としている。そして、学習部１００は、入力データとして水素ステーションにおける水素価格を含むような需要予測モデルの学習を行う。したがって、実施の形態３にかかる需要予測モデルは、入力データにおける水素価格が高いと需要を少なく予測し、水素価格が低いと需要を多く予測し得る。

供給可能量取得部３０２は、供給可能量を取得する。つまり、実施の形態３では、供給可能量が、予測需要量に応じて決定されるのではなく、予め設定されているとする。すなわち、供給可能量は、予測需要量に応じて常に決定できるとは限らない。例えば、水素ステーションとその水素ステーションに水素を提供する卸売業者との取り決めにより、供給可能量が予め設定されている場合がある。

価格決定部３１０は、需要予測モデルに入力された水素価格と、需要予測モデルを用いて得られた予測需要量とに応じて、水素価格を決定する。このとき、価格決定部３１０は、水素ステーションにおける収益が向上（最大化）するように、水素価格を決定する。また、価格決定部３１０は、現在から予め定められた時間後（例えば１週間後又は１カ月後）の水素価格を決定する。詳しくは後述する。

図２１は、実施の形態３にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図２１に示すフローチャートは、水素ステーションの水素価格を決定するための価格決定方法に対応する。また、図２１に示すフローチャートは、水素ステーションごとに実行され得る。供給可能量取得部３０２は、供給可能量を取得する（ステップＳ３０２）。図１３のＳ１１２と同様に、入力データ取得部１２４は、入力データを取得する（ステップＳ３１０）。ここで、Ｓ３１０で取得される入力データでは、水素価格は設定されていなくてもよい。そして、価格決定部３１０は、入力データにおける水素価格を設定する（ステップＳ３１２）。

図１３のＳ１１４と同様に、需要予測部１４２は、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量（予測需要量）を取得する（ステップＳ３１４）。価格決定部３１０は、Ｓ３１４で取得された予測需要量が、Ｓ３０２で取得された供給可能量を上回るか否かを判定する（ステップＳ３１６）。予測需要量が供給可能量を上回る場合（Ｓ３１６のＹＥＳ）、水素価格を低く設定しすぎたために予測需要量が供給可能量と比較して過大となっている。したがって、この場合、価格決定部３１０は、水素価格を、Ｓ３１２で設定された水素価格よりも高く設定する（ステップＳ３１８）。そして、Ｓ３１４及びＳ３１６の処理が、再度実行される。なお、水素価格をどれだけ高く設定するかについては、任意の方法を用いてもよい。例えば、Ｓ３１２で設定された水素価格よりも予め定められた価格（例えば５円／ｋｇ）だけ、水素価格を高く設定するようにしてもよい。

一方、予測需要量が供給可能量以下である場合（Ｓ３１６のＮＯ）、価格決定部３１０は、そのときの売上額を算出する（ステップＳ３２０）。具体的には、価格決定部３１０は、設定された水素価格に予測需要量を乗算することによって、対応する水素ステーションの水素の売上額を算出する。

次に、価格決定部３１０は、水素価格を変更して、Ｓ３１４～Ｓ３２０の処理を行う（ステップＳ３２２）。具体的には、価格決定部３１０は、設定可能な水素価格について処理が終了するまで、Ｓ３１４～Ｓ３２０の処理を繰り返す。これにより、設定可能な水素価格それぞれについて、売上額が算出される。なお、Ｓ３２２の処理では、水素価格を変更する際に、Ｓ３１６の処理でＹＥＳと判定されたときの水素価格に変更しないようにしてもよい。

次に、価格決定部３１０は、算出された売上額に応じて、水素価格を決定する（ステップＳ３３０）。具体的には、価格決定部３１０は、売上額が最大となる水素価格を、水素ステーションにおける水素価格として決定してもよい。あるいは、価格決定部３１０は、売上額から供給可能量の購入額（原価）を減算した値が最大となる水素価格を、水素ステーションにおける水素価格として決定してもよい。これにより、水素ステーションにおける収益（利益）が最大となるような水素価格が決定される。

通知部２５０は、上述したように、水素ステーションの水素価格を、顧客に通知する（ステップＳ３３２）。なお、実施の形態３にかかる情報処理装置１０は、学習継続処理（図１３のＳ１２２）を行ってもよい。なお、上述した例では、予測需要量が供給可能量を上回る場合に水素価格を高く設定するとしたが（Ｓ３１６のＹＥＳ，Ｓ３１８）、このような構成に限られない。Ｓ３１６及びＳ３１８の処理は、なくてもよい。また、この場合、Ｓ３０２の処理は、なくてもよい。

上述したように、実施の形態３にかかる情報処理装置１０は、需要予測モデルに入力された水素価格と需要予測モデルを用いて得られた予測需要量とに応じて、水素価格を決定するように構成されている。これにより、実施の形態３にかかる情報処理装置１０は、水素ステーションにおける収益が最大となるような水素価格を決定することが可能となる。したがって、より確実に、収益の向上を図ることが可能となる。

（実施の形態４）
次に、実施の形態４について説明する。実施の形態４においては、水素ステーションにおける水素価格を決定する際に、予測需要量及び供給可能量に応じて水素価格を決定する点で、他の実施の形態と異なる。なお、実施の形態４にかかる情報処理システム１の構成については、図１に示した実施の形態１にかかる情報処理システム１の構成と実質的に同様であるので、説明を省略する。また、実施の形態４にかかる情報処理装置１０のハードウェア構成については、図２に示した実施の形態１にかかる情報処理装置１０のハードウェア構成と実質的に同様であるので、説明を省略する。

図２２は、実施の形態４にかかる情報処理装置１０の構成を示すブロック図である。実施の形態４にかかる情報処理装置１０は、実施の形態３と同様に、学習部１００と、学習済みモデル格納部１２２と、入力データ取得部１２４と、予測部１４０と、学習継続処理部１６０とを有する。ここで、予測部１４０は、需要予測部１４２を有するが、供給可能量決定部１４４を有さなくてもよい。また、実施の形態４にかかる情報処理装置１０は、供給可能量取得部３０２と、価格決定部４１０（決定部）と、通知部２５０とを有する。

図３に示した情報処理装置１０の構成要素の機能については、特記しない限り、実施の形態１のものと実質的に同様であるので、適宜、説明を省略する。また、供給可能量取得部３０２及び通知部２５０の機能については、特記しない限り、それぞれ実施の形態２及び実施の形態３にかかる機能と実質的に同様であるので、適宜、説明を省略する。

価格決定部４１０は、水素ステーションのあるタイミングにおける、予測需要量と供給可能量との比に基づいて、水素価格を決定する。具体的には、価格決定部４１０は、供給可能量に対する予測需要量の比である水素需要比（第１の比）に基づいて、水素価格を決定する。このような構成により、後述するように、予測需要量及び供給可能量に基づいて、水素ステーション側の目的（収益向上、需要促進又は需要抑制等）に応じて水素の需要及び水素価格を調整することが可能となる。つまり、予測需要量及び供給可能量に応じた水素ステーション側の利益（収益向上、需要促進又は需要抑制等）を、より確実に向上させることが可能となる。

さらに具体的には、価格決定部４１０は、水素需要比が第１の閾値以上であり、且つ、第１の閾値よりも大きな第２の閾値以下である場合に、水素需要比が大きいほど価格が高くなるように、水素の価格を決定する。このとき、価格決定部４１０は、第１の価格から第２の価格までの間で、水素需要比が大きいほど価格が高くなるように、水素価格を決定する。詳しくは後述する。なお、第１の閾値及び第２の閾値、及び、第１の価格及び第２の価格は、予め定められた値である。なお、これらの所定値は、強化学習アルゴリズム等の機械学習によって、適宜、更新されてもよい。

また、価格決定部４１０は、水素需要比（第１の比）が第１の閾値を下回る場合に、第１の価格よりも低い価格となるように、水素価格を決定してもよい。また、価格決定部４１０は、水素需要比（第１の比）が第２の閾値を上回る場合に、第２の価格よりも高い価格となるように、水素価格を決定してもよい。詳しくは後述する。

図２３は、実施の形態４にかかる情報処理装置１０によって実行される情報処理方法を示すフローチャートである。図２３に示すフローチャートは、水素ステーションの水素価格を決定するための価格決定方法に対応する。また、図２３に示すフローチャートは、水素ステーションごとに実行され得る。供給可能量取得部３０２は、供給可能量ｙを取得する（ステップＳ４０２）。図１３のＳ１１２と同様に、入力データ取得部１２４は、入力データを取得する（ステップＳ４１２）。図１３のＳ１１４と同様に、需要予測部１４２は、学習済みモデルである需要予測モデルに入力データを入力して、水素ステーションごとに、予測された水素需要量ｘを取得する（ステップＳ４１４）。

価格決定部４１０は、水素需要比（第１の比）を算出する（ステップＳ４１８）。具体的には、価格決定部４１０は、水素需要量ｘを供給可能量ｙで除算することによって、水素需要比ｚを算出する。つまり、ｚ＝ｘ／ｙである。

そして、価格決定部４１０は、水素需要比ｚが閾値Ｔｈ１（第１の閾値）以上且つ閾値Ｔｈ２（第２の閾値）以下であるか否かを判定する（ステップＳ４２０）。なお、閾値Ｔｈ１は、予め定められた１未満の値である。例えば、Ｔｈ１＝０．１５である。また、閾値Ｔｈ２は、閾値Ｔｈ１よりも大きな予め定められた値である。例えば、Ｔｈ２＝０．９である。つまり、価格決定部４１０は、供給可能量ｙに対する水素需要量ｘの割合（水素需要比）が１５％以上且つ９０％以下であるか否かを判定する。

水素需要比ｚが閾値Ｔｈ１以上且つ閾値Ｔｈ２以下である場合（Ｓ４２０のＹＥＳ）、価格決定部４１０は、水素需要比ｚの値に応じて水素価格を決定する（ステップＳ４２２）。具体的には、価格決定部４１０は、水素需要比ｚが大きいほど価格が高くなるように、水素の価格を決定する。

図２４は、実施の形態４にかかる価格決定部４１０による価格決定方法を説明するための図である。図２４は、水素需要比ｚと水素価格との関係を例示している。図２４の例では、水素需要比ｚが閾値Ｔｈ１以上且つ閾値Ｔｈ２以下である場合に、価格決定部４１０は、価格Ｐｒ１（第１の価格）から価格Ｐｒ２（第２の価格）までの間で、水素需要比ｚが大きいほど価格が高くなるように、水素価格を決定する。なお、Ｐｒ１及びＰｒ２は、予め定められた値であり、Ｐｒ１＜Ｐｒ２である。例えば、Ｐｒ１＝１０００円／ｋｇであり、Ｐｒ２＝１２００円／ｋｇである。図２４の例では、価格決定部４１０は、水素需要比ｚ＝０．１５の場合に、水素価格を１０００円／ｋｇと決定する。また、価格決定部４１０は、水素需要比ｚ＝０．９の場合に、水素価格を１２００円／ｋｇと決定する。このように、水素需要比ｚが大きいほど価格が高くなるように水素価格を決定することで、予測需要量及び供給可能量に応じて、収益の向上を図ることが可能となる。

なお、図２４の例では、水素需要比ｚと水素価格との関係は線形であるが、水素需要比ｚと水素価格との関係は線形である必要はない。水素価格は、水素需要比ｚが大きくなるにつれて不連続に段階的に高くなってもよい。また、水素価格は、水素需要比ｚが大きくなるにつれて指数関数的に高くなってもよい。また、水素価格は、水素需要比ｚが大きくなるにつれて対数関数的に高くなってもよい。

一方、水素需要比ｚが閾値Ｔｈ１以上且つ閾値Ｔｈ２以下でない場合（Ｓ４２０のＮＯ）、価格決定部４１０は、水素需要比ｚが閾値Ｔｈ１（第１の閾値）を下回るか否かを判定する（ステップＳ４２４）。つまり、価格決定部４１０は、供給可能量ｙに対する水素需要量ｘの割合（水素需要比）が１５％を下回るか否かを判定する。

水素需要比ｚが閾値Ｔｈ１を下回る場合（Ｓ４２４のＹＥＳ）、供給可能量ｙに対して予測需要量ｘが少なすぎると言える。つまり、このままでは水素が供給過多となり、水素が過剰に売れ残ってしまうおそれがある。したがって、この場合、需要を促進するため、価格決定部４１０は、水素価格を低く設定する（ステップＳ４２６）。具体的には、価格決定部４１０は、Ｐｒ１よりも低い価格に、水素価格を決定する。例えば、価格決定部４１０は、水素価格を７００円／ｋｇに決定する。これにより、供給可能量ｙに対して予測需要量ｘが過少である場合に水素の需要を促進することが可能となる。

一方、水素需要比ｚが閾値Ｔｈ１を下回らない場合（Ｓ４２４のＮＯ）、水素需要比ｚは、閾値Ｔｈ２を上回っている。つまり、供給可能量ｙに対する水素需要量ｘの割合（水素需要比）が９０％を上回っている。この場合、供給可能量ｙに対して予測需要量ｘが多すぎると言える。つまり、このままでは供給不足となるおそれがある。したがって、この場合、需要を抑制するため、価格決定部４１０は、水素価格を高く設定する（ステップＳ４２８）。具体的には、価格決定部４１０は、Ｐｒ２よりも高い価格に、水素価格を決定する。例えば、価格決定部４１０は、水素価格を１５００円／ｋｇに決定する。これにより、供給可能量ｙに対して予測需要量ｘが過大である場合に水素の需要を抑制することが可能となる。

通知部２５０は、上述したように、水素ステーションの水素価格を、顧客に通知する（ステップＳ４３２）。なお、実施の形態４にかかる情報処理装置１０は、学習継続処理（図１３のＳ１２２）を行ってもよい。

（変形例）
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートの複数のステップの順序は、適宜、変更可能である。また、上述したフローチャートの１つ以上のステップは、適宜、省略可能である。例えば、図１８のＳ２１６及びＳ２２０～Ｓ２２２の処理は、省略されてもよい。図２１及び図２３についても、それぞれＳ３３２及びＳ４３２の処理は省略され得る。

プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。

１ 情報処理システム
２ 車両
１０ 情報処理装置
１００ 学習部
１０２ 教師データ取得部
１０４ 需要予測モデル学習部
１２２ 学習済みモデル格納部
１２４ 入力データ取得部
１４０ 予測部
１４２ 需要予測部
１４４ 供給可能量決定部
１５０ 通知部
１６０ 学習継続処理部
２１０，３１０，４１０ 価格決定部
２５０ 通知部
３０２ 供給可能量取得部

Claims (10)

1. 予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも、複数の顧客それぞれの行動パターンを示す顧客行動パターン情報であって、当該顧客の車両の水素残量の時系列データと、当該顧客の車両に対して１回の充填において充填される水素の充填量の時系列データと、当該顧客の車両に水素が充填される充填頻度と、当該顧客の行動パターンの季節変動とを少なくとも含む顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測する予測部と、
   予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定する決定部と、
   を有する情報処理装置。
2. 前記決定部は、前記水素ステーションのあるタイミングにおける、予測された水素の需要である予測需要量と供給可能な水素量である供給可能量との比に基づいて、水素の価格を決定する、
   請求項１に記載の情報処理装置。
3. 前記決定部は、前記供給可能量に対する前記予測需要量の比である第１の比が、予め定められた第１の閾値以上であり、且つ、前記第１の閾値よりも大きな予め定められた第２の閾値以下である場合に、予め定められた第１の価格から予め定められた第２の価格までの間で、前記第１の比が大きいほど価格が高くなるように、水素の価格を決定する、
   請求項２に記載の情報処理装置。
4. 前記決定部は、前記第１の比が前記第１の閾値を下回る場合に、前記第１の価格よりも低い価格となるように、水素の価格を決定する、
   請求項３に記載の情報処理装置。
5. 前記決定部は、前記第１の比が前記第２の閾値を上回る場合に、前記第２の価格よりも高い価格となるように、水素の価格を決定する、
   請求項３又は４に記載の情報処理装置。
6. 前記需要予測モデルは、前記顧客行動パターン情報と前記水素ステーションにおける水素の価格とを入力とし、
   前記決定部は、前記需要予測モデルに入力された水素の価格と前記需要予測モデルを用いて得られた水素の需要である予測需要量とに応じて、水素の価格を決定する、
   請求項１に記載の情報処理装置。
7. 決定された水素の価格を顧客に通知する通知部、
   をさらに有する請求項１から６のいずれか１項に記載の情報処理装置。
8. 前記需要予測モデルに対して機械学習を行う学習部、
   をさらに有し、
   前記学習部は、前記予測部によって予測された需要と実際の需要との差分に応じて、前記需要予測モデルに対する学習を継続して行う、
   請求項１から７のいずれか１項に記載の情報処理装置。
9. 予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも、複数の顧客それぞれの行動パターンを示す顧客行動パターン情報であって、当該顧客の車両の水素残量の時系列データと、当該顧客の車両に対して１回の充填において充填される水素の充填量の時系列データと、当該顧客の車両に水素が充填される充填頻度と、当該顧客の行動パターンの季節変動とを少なくとも含む顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測し、
   予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定する、
   コンピュータによって実行される情報処理方法。
10. 予め機械学習によって生成された学習済みモデルである需要予測モデルであって、少なくとも、複数の顧客それぞれの行動パターンを示す顧客行動パターン情報であって、当該顧客の車両の水素残量の時系列データと、当該顧客の車両に対して１回の充填において充填される水素の充填量の時系列データと、当該顧客の車両に水素が充填される充填頻度と、当該顧客の行動パターンの季節変動とを少なくとも含む顧客行動パターン情報を入力とし予測された水素の需要を出力する需要予測モデルを用いて、水素ステーションにおける水素の需要を予測するステップと、
    予測された水素の需要に基づいて、前記水素ステーションにおける水素の価格を決定するステップと、
    をコンピュータに実行させるプログラム。

Images