特開2022-38482IP Force 特許公報全文掲載

ホーム > 特許ランキング > エヌ・ティ・ティ・コムウェア株式会社 > 特開2022-38482

技術分野

学習装置、予測装置、予測システム、予測方法、およびプログラム

要約特許出願時に添付された[要約書]

【課題】予測対象地点における未来の特定時刻の人数等の情報を高い精度で予測する予測システムを提供する。
【解決手段】予測システムの一種である人流予測システム１において、学習装置３００は、複数の予測対象地点のうち一部の予測対象地点を含むグループを生成するとともに、生成されたグループに対応し、グループに含まれる予測対象地点の人流情報を教師データとして機械学習させた予測モデルを作成する。予測装置２００は、作成された予測モデルに、グループに含まれる予測対象地点以外の新たな予測対象地点から取得したデータを入力し、予測モデルの出力に基づいて未来の人流を予測する。
【選択図】図２

発明が解決しようとする課題[発明の詳細な説明]から抜粋

しかしながら、上述した特許文献１および特許文献２に記載された技術は、どの駅であっても同じ予測手法を利用しているので、予測精度を高くするためには、駅に最適な機械学習アルゴリズムのチューニングを行い、予測モデル（予測式）を作成する必要がある。さらに、各駅における予測精度を高くするためには、各駅について大量の学習データを用意し、各駅の予測モデルに学習させる必要がある。

課題を解決するための手段[発明の詳細な説明]から抜粋

（１）本発明の一態様は、複数の予測対象地点のうち一部の予測対象地点を含むグループを生成するグループ生成部と、前記グループ生成部により生成されたグループに対応した予測モデルであって、前記グループに含まれる予測対象地点の人流情報を教師データとして機械学習させた予測モデルを作成する予測モデル作成部と、を備える、学習装置である。

発明の効果[発明の詳細な説明]から抜粋

本発明の一態様によれば、予測対象地点における未来の特定時刻の人数等の情報を高い精度で予測することができる。

この発明についての権利主張の範囲[特許請求の範囲]

知財ポータルサイト IP Force にログインして確認する (無料)

この特許公報に記載されている図面[図面の簡単な説明]から抜粋

【図1】 実施形態における人流予測システム１の一例を示すブロック図である。
【図2】 実施形態の人流予測システム１の一構成例を示すブロック図である。
【図3】 予測モデル生成部における処理の一例を説明するためのブロック図である。
【図4】 予測モデル生成部における処理の一例を説明するためのブロック図である。実施形態の情報処理システム１においてオブジェクトを設定および表示する他の処理を説明するための図である。
【図5】 実施形態の人流予測システムにおける導入段階に応じた処理手順の一例を示すフローチャートである。
【図6】 グループ化処理の一例を示すフローチャートである。
【図7】 人流が変動する要因（人流要因）とエリア特性との関係の一例を示す図である。
【図8】 属性のカテゴリおよび属性情報の項目の一例を示す図である。
【図9】 人数時系列データの項目の一例を示す図である。
【図10】 １日の人数時系列データの一例を示す図である。
【図11】 人流情報に関する項目の一例を示す図である。
【図12】 人数時系列データの一例を示す図であり、（Ａ）は平時の人数時系列データであり、（Ｂ）は特異日の人数時系列データであり、（Ｃ）は平時の人数時系列データの他の例である。
【図13】 グループの属性の一例を示す図である。
【図14】 予測対象地点ごとの、平日時間帯単位の人数の母標準偏差、および休日時間帯単位の人数の母標準偏差を示す図である。
【図15】 予測対象地点ごとの人数時系列データの変動の振れ幅の一例を示す図である。
【図16】 予測対象地点ごとの、平日における時間帯別平均値および休日における時間帯別平均値の一例を示す図である。
【図17】 予測対象地点ごとの、曜日毎の１日における平均値の変化の一例を示す図である。
【図18】 月ごとに１日における人数時系列データの一例を示す図である。
【図19】 （Ａ）は予測対象地点Ａにおける偏自己相関を示すコレログラムを示す図であり、（Ｂ）は予測対象地点Ｂにおける偏自己相関を示すコレログラムを示す図である。
【図20】 階層型クラスタリングの一例を説明するための図である。
【図21】 クラスタ数がＧ１～Ｇ４の４である場合の予測対象地点ごとのスコアの一例を表す図である。
【図22】 クラスタ数がＧ１～Ｇ５の５である場合の予測対象地点ごとのスコアの一例を表す図である。
【図23】 人数時系列データを加工しない場合の予測対象地点とクラスタリング結果との関係を示す図である。
【図24】 人数時系列データを標準化した場合の予測対象地点とクラスタリング結果との関係を示す図である。
【図25】 グループと、予測対象地点に個別に導入された予測モデルの予測誤差率と、グループの予測モデルの予測誤差率と、悪化率との対応を示す図である。
【図26】 １分単位の人数時系列データ（実測値）と、平滑化した人数時系列データを示す図である。
【図27】 予測モデルの学習処理の一例を示す図である。
【図28】 （Ａ）は、同じ機械学習アルゴリズムを複数の地点Ａ～Ｆに導入した場合の予測の誤差率の一例を示す図であり、（Ｂ）は、任意地点の予測モデルを他の地点に導入した場合の予測精度の悪化率の一例を示す図である。

選択図 図2出願人が指定した本件の代表的な図

１ 人流予測システム １０ 予測モデル生成部 １２ 特徴ベクトル抽出部 １４ クラスタリング部 １６ グループ生成部 １８ 機械学習アルゴリズムチューニング部 ２０ 予測モデル １００ サービス提供装置 ２００ 予測装置 ３００ 学習装置 ４００ データベース装置 ５００ データ収集装置 ６００ センサ

全ての図面はログインすると無料で閲覧できます。ログイン・ユーザー登録

［広告欄］

ログインすれば広告は減ります

ログインすれば広告は減ります

Copyright © Science Impact Inc. All Rights Reserved.