2024-174765 機械学習プログラム、方法、及び装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024174765

(43)【公開日】2024-12-17

(54)【発明の名称】機械学習プログラム、方法、及び装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241210BHJP

   G08G 1/01 20060101ALI20241210BHJP

【ＦＩ】

G06N20/00 130

G08G1/01 E

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023092781

(22)【出願日】2023-06-05

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人科学技術振興機構、戦略的創造研究推進事業「機械学習と社会科学の融合による社会シミュレーションの革新」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(71)【出願人】

【識別番号】504145342

【氏名又は名称】国立大学法人九州大学

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】山田 広明

(72)【発明者】

【氏名】山根 昇平

(72)【発明者】

【氏名】神山 直之

【テーマコード（参考）】

5H181

【Ｆターム（参考）】

5H181AA01

5H181BB04

5H181BB13

5H181BB20

5H181DD04

5H181FF10

5H181FF13

5H181FF27

5H181FF33

5H181MC14

5H181MC27

(57)【要約】      （修正有）

【課題】多様な交通状態を区別可能な交通需要の表現方法を用いて、高精度な交通シミュレーションの機械学習モデルを構築するプログラム、方法及び装置を提供する。
【解決手段】機械学習装置１０において、機械学習部２０は、所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、複数の時点毎の所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成する第１生成部２２と、生成された交通流情報を入力特徴量とし、交通流情報に対応する時点における所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する訓練部２４と、を備える。
【選択図】図６

【特許請求の範囲】

【請求項1】

所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成し、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する、
ことを含む処理をコンピュータに実行させるための機械学習プログラム。

【請求項2】

前記交通流情報を生成することは、前記経路情報に含まれる各時点の前記移動体の位置情報を、前記経路情報に含まれる出発点に対応する時点の位置情報とし、前記出発点に対応する時点が同一の１以上の前記経路情報に基づいて、同一の前記経路区間に対応する位置情報を含む前記経路情報の数を前記経路区間毎に集計することを含む請求項１に記載の機械学習プログラム。

【請求項3】

訓練済みの機械学習モデルに推論対象の交通流情報を入力して、前記推論対象の交通流情報に応じた交通の混み具合を推論することをさらに含む処理を前記コンピュータに実行させるための請求項１又は請求項２に記載の機械学習プログラム。

【請求項4】

出発点と到着点との複数の組み合わせのそれぞれについての交通需要が与えられた場合に、前記複数の組み合わせのそれぞれを複数の経路に配分することで生成される経路情報に基づいて生成した交通流情報を前記推論対象の交通流情報として前記訓練済みの機械学習モデルへ入力する請求項３に記載の機械学習プログラム。

【請求項5】

部分的な経路区間の交通流、及び移動体の移動状況に関するドメイン知識の少なくとも一方である補足情報に基づいて、前記複数の組み合わせのそれぞれを前記複数の経路に配分する請求項４に記載の機械学習プログラム。

【請求項6】

所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成し、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する、
ことを含む処理をコンピュータが実行する機械学習方法。

【請求項7】

所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成する第１生成部と、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する訓練部と、
を含む機械学習装置。

【発明の詳細な説明】

【技術分野】

【0001】

開示の技術は、機械学習プログラム、機械学習方法、及び機械学習装置に関する。

【背景技術】

【0002】

従来、交通シミュレーションを用いて、公共交通のスケジュール等を最適化する技術が存在する。例えば、イベント開催時の特別バスの運行スケジュールを決定する場合、交通状況に合わせて特別バスの発着時間を設定して、混雑の発生及び拡大を回避する必要がある。このような場合に、交通シミュレーションを使って混雑を起こさない最適なスケジュールを探索する。

【0003】

交通シミュレーション装置の構築は大変な手間がかかる。また、シミュレーション実行時の計算負荷も高い。一方で、プローブデータから交通需要及び交通密度を抽出し、両者の関係をニューラルネットワーク等の機械学習モデルを用いて学習することで、高精度なシミュレーションの代替モデル（サロゲートモデル）を構築することができる。サロゲートモデルは計算負荷が低いため、シミュレーションによるタスクの最適化の応用範囲を広げることができる。例えば、日々のスケジュールの最適化にも適用可能になる。

【0004】

サロゲートモデルによる交通シミュレーションに関する技術として、人流や交通流の推定を効率的に行う機械学習装置が提案されている。この装置は、環境を表す第１のパラメータと複数の移動体のそれぞれの環境における移動の属性を表す第２のパラメータとを取得し、第２のパラメータに基づいて、複数の移動体を複数のグループに分類する。また、この装置は、複数のグループのそれぞれに分類された移動体の数を示す第３のパラメータを生成し、第１のパラメータと第３のパラメータとを機械学習モデルに入力し、複数の移動体の環境における移動に関する推定情報を生成する。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０２２－１３１３９３号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

交通シミュレーションのサロゲートモデルを訓練する場合、一般的には、ＯＤ（Origin-Destination）表で表現された交通需要を特徴量とし、交通密度を正解ラベルとした訓練データが用いられる。しかし、ＯＤ表で表現された特徴量では、多様な交通状態を適切に区別できない状況が発生し、サロゲートモデルの訓練が上手く進まない場合がある。

【0007】

一つの側面として、開示の技術は、多様な交通状態を区別可能な交通需要の表現方法を用いて、高精度な交通シミュレーションの機械学習モデルを構築することを目的とする。

【課題を解決するための手段】

【0008】

一つの態様として、開示の技術は、所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成する。そして、開示の技術は、前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する。

【発明の効果】

【0009】

一つの側面として、多様な交通状態を区別可能な交通需要の表現方法を用いて、高精度な交通シミュレーションの機械学習モデルを構築することができる、という効果を有する。

【図面の簡単な説明】

【0010】

【図1】交通シミュレーションを説明するための図である。

【図2】道路ネットワークの一例を示す概略図である。

【図3】サロゲートモデルの機械学習フェーズを説明するための図である。

【図4】サロゲートモデルを用いた最適化フェーズを説明するための図である。

【図5】ＯＤ表表現の特徴量を用いる場合の課題を説明するための図である。

【図6】本実施形態に係る機械学習装置の機能ブロック図である。

【図7】交通流情報の生成を説明するための図である。

【図8】プローブデータのリンク系列への変換を説明するための図である。

【図9】リンク系列を時刻毎に集約した交通流情報の一例を示す図である。

【図10】リンク系列を出発時刻で集約した交通流情報の一例を示す図である。

【図11】ＯＤ表表現の場合の特徴量を説明するための図である。

【図12】本実施形態の特徴量を説明するための図である。

【図13】ＯＤ予報値及び補足情報に基づく経路情報の生成を説明するための図である。

【図14】機械学習装置として機能するコンピュータの概略構成を示すブロック図である。

【図15】機械学習処理の一例を示すフローチャートである。

【図16】最適化処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0011】

以下、図面を参照して、開示の技術に係る実施形態の一例を説明する。

【0012】

＜交通シミュレーション及びサロゲートモデルの概要及び課題＞
実施形態の詳細を説明する前に、一般的な交通シミュレーション及びサロゲートモデルの概要及び課題について説明する。

【0013】

図１に示すように、交通シミュレーションとは、交通需要を入力とし、その交通需要に応じた交通状態をシミュレーションして出力するものである。例えば、図２に示すように、複数のノードと、ノード間を接続するリンクとで表される道路ネットワークを用いて交通シミュレーションを行うとする。図２の例では、黒丸がノード、ノード間を接続する接続線がリンクを表している。また、ノードに併記した「ｎｉ（ｉ＝１，２，・・・）」はノードの識別番号、リンクに併記した「ｅｊ（ｊ＝１，２，・・・）」はリンクの識別番号である。以下では、識別番号ｎｉのノードを「ノードｎｉ」、識別番号ｅｊのリンクを「リンクｅｊ」と表記する。また、リンクについては、リンクの両端のノードのノード番号を接続して表記する場合もある。例えば、リンクｅ１は、「ｎ１－ｎ２」である。なお、リンクは、開示の技術の「経路区間」の一例である。

【0014】

交通需要は、例えば、各地点（ノード）間を移動した移動体（人、車両等）の数を示すＯＤ表で表される。ＯＤ表は、出発点（Origin）となるノードと到着点（Destination）となるノードとのマトリクスで表され、マトリクスの各マスに対応する出発点から到着点まで移動する移動体の数が、そのマスに格納された表である。また、時間帯別のＯＤを用いて、図１に示すような３次元のテンソルを交通需要としてもよい。また、交通状態は、例えば、リンク毎の交通量で表される交通密度である。

【0015】

交通シミュレーションの機械学習モデル（サロゲートモデル）は、図１に示すような交通シミュレーションの入出力関係を再現する軽量な代替モデルである。図３に示すように、機械学習モデルの機械学習フェーズでは、情報処理装置が、地理データ及び複数のプローブデータから、特徴量となる交通需要及び道路ネットワークを抽出すると共に、正解ラベルとなる交通密度を抽出する。プローブデータとは、各移動体の位置情報（緯度、経度等）がタイムスタンプと共に記録されたデータである。プローブデータは、スマートフォン、各種センサ等により取得され、ネットワークを介して収集される。地理データとは、道路ネットワークの情報を含む様々な地理情報が記録されたデータである。

【0016】

そして、情報処理装置は、抽出した交通需要及び道路ネットワークを特徴量として、ニューラルネットワーク等で構成された機械学習モデルに入力し、機械学習モデルで推論される交通密度を取得する。そして、情報処理装置は、取得した交通密度と、正解ラベルである交通密度との誤差を最小化するように、機械学習モデルのパラメータを更新することで、機械学習モデルを訓練する。

【0017】

訓練済みの機械学習モデルを用いた最適化フェーズでは、図４に示すように、情報処理装置は、道路ネットワーク及び交通需要を機械学習モデルに入力し、目的関数である交通密度を取得する。図４では、イベント開催時のバスの運行スケジュールを最適化する例を示している。図４の例では、情報処理装置は、道路ネットワーク及び日常の交通需要の予報値を定数として、バスの運行スケジュールの案毎のイベント交通需要を決定変数として機械学習モデルへ入力している。なお、道路ネットワークも決定変数として扱ってもよい。そして、情報処理装置は、案毎に得られる交通密度を比較し、交通密度（混雑）が最小となる案を最適な案として選択して出力する。なお、最適化は、遺伝的アルゴリズム等の既存の手法で実行してよい。

【0018】

交通シミュレーションの機械学習モデル（サロゲートモデル）の訓練に用いる特徴量として、上記のように、ＯＤ表で表現された特徴量を用いる場合、多様な交通状態を適切に区別できない状況が発生し、機械学習モデルの訓練が上手く進まない場合がある。

【0019】

例えば、図５に示すような状況１及び状況２を考える。状況１では、ノードｎ１→ｎ２→ｎ３→ｎ４→ｎ８→ｎ９の経路１（図５中の破線矢印）を示すプローブデータが１００件、ノードｎ１→ｎ２→ｎ３→ｎ４→ｎ５→ｎ７の経路２（図５中の一点鎖線矢印）を示すプローブデータが５０件有ったとする。また、状況２では、状況１と同様の経路１を示すプローブデータが１００件、ノードｎ１→ｎ２→ｎ６→ｎ５→ｎ７の経路３（図５中の二点鎖線矢印）を示すプローブデータが５０件有ったとする。このように、状況１と状況２とは異なる状況であるにもかかわらず、図５の下図に示すように、これらの状況をそれぞれＯＤ表で表現した場合には、同じＯＤ表となってしまう。すなわち、このＯＤ表を特徴量として用いて機械学習モデルを訓練した場合、２つの状況を区別することができず、高精度な機械学習モデルを構築することができない。

【0020】

そこで、経路情報を利用することで、より多くの状況を区別することが考えられる。しかし、各移動体の経路情報をそのまま特徴量とすると、特徴量の次元数が多くなり過ぎてしまう。各移動体の経路情報とは、上述のｎ１→ｎ２→・・・、のような、移動体の移動経路を示すノードの系列データである。経路情報は、ノードの系列データの場合に限定されず、リンクの系列データであってもよいし、位置情報（緯度及び経度）の系列データであってもよい。経路情報をそのまま特徴量とした場合、特徴量の次元数は、例えば、経路情報に含まれるノード数(数百)×移動体の数(数万～数百万)という膨大な次元数となる。

【0021】

そこで、本実施形態では、各移動体の経路情報を要約した情報、具体的には各リンクを通る移動体の数の情報（リンク交通流）を用いて、多様な交通状態を区別可能な表現方法で交通需要を特徴量化する。この場合の特徴量の次元数は、例えば、リンク数（数千）×時間刻み（数十）程度である。本実施形態では、多様な交通状態を区別可能な交通需要の表現方法を用いて、高精度な交通シミュレーションの機械学習モデルを構築する。

【0022】

＜本実施形態に係る機械学習装置＞
図６に示すように、本実施形態に係る機械学習装置１０は、機械学習部２０と、推論部４０とを含む。また、機械学習装置１０の所定の記憶領域には、交通シミュレーションのサロゲートモデルである機械学習モデル３０が記憶される。機械学習モデル３０は、例えばニューラルネットワーク等で構成される。

【0023】

機械学習部２０は、機械学習フェーズで機能する機能部である。機械学習フェーズでは、機械学習装置１０に、複数のプローブデータ及び地理データが入力される。機械学習部２０は、第１生成部２２と訓練部２４とを含む。

【0024】

第１生成部２２は、機械学習装置１０に入力された複数のプローブデータ及び地理データを取得する。第１生成部２２は、所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、複数の時点毎の所定の地理範囲内にあるリンクそれぞれに位置する移動体の数を示す交通流情報を生成する。所定の地理範囲とは、地理データに含まれる道路ネットワークで示されるエリアである。

【0025】

具体的には、第１生成部２２は、図７に示すように、複数のプローブデータのそれぞれが示す経路情報に基づいて、道路ネットワークの各リンクの交通流を集計し、交通流情報を生成する。これにより、図５に示す状況１及び状況２のように、ＯＤ表表現では特徴量が同一になってしまう状況でも、それぞれの状況を区別した特徴量を生成することができる。

【0026】

より具体的には、第１生成部２２は、プローブデータを成形する。例えば、第１生成部２２は、図８上図に示すように、｛ＩＤ（移動体の識別情報），時刻，緯度，経度｝のデータ形式で表されるプローブデータの計測間隔（「時刻」項目の間隔）が一定でない場合は、時間間隔が一定になるように補間してもよい。例えば、第１生成部２２は、プローブデータが１分おきのデータとなるように補間してもよい。

【0027】

第１生成部２２は、成形後のプローブデータを、道路ネットワークに対応付けて、移動体の位置情報（緯度及び経度）と各リンクの位置情報とを比較する。そして、第１生成部２２は、図８下図に示すように、プローブデータを、各時刻に移動体が存在するリンクの系列データ（以下、「リンク系列」という）に変換する。第１生成部２２は、プローブデータから変換した各移動体のリンク系列に基づいて、各時刻において、各リンクに存在する移動体の数を集約することで、交通流情報を生成する。図９に、図８下図に示すリンク系列を集約した交通流情報を示す。

【0028】

ここで、プローブデータには、例えば、信号による遅延、混雑による遅延等の影響が含まれる。機械学習モデル３０を訓練するための特徴量としては、これらの影響を除いたものであることが望ましい。なぜなら、推論時において、信号による遅延、混雑による遅延等の影響、すなわち移動体間の相互作用又は道路ネットワークとの相互作用の影響を含む交通需要が与えられることはあり得ないからである。そもそも、交通シミュレーションでは、これらの遅延等の影響を除いた、事前に計画された経路相当の交通需要から、遅延等の影響を考慮した交通状態をシミュレーションすることが目的である。そのため、上述の通り、機械学習モデル３０の訓練に用いる特徴量には、遅延等の影響が含まれないことが望ましい。

【0029】

そこで、第１生成部２２は、移動中の時間の情報を削除した交通流情報を作成してもよい。具体的には、第１生成部２２は、図１０上図に示すように、各移動体のリンク系列を、そのリンク系列の出発点に対応する時刻に対応付ける。そして、第１生成部２２は、図１０下図に示すように、リンク系列を出発点に対応する時刻に対応付けて集約した交通流情報を生成する。これにより、信号による遅延、混雑による遅延等の影響を除外した、事前に計画された経路相当の交通流情報が生成される。

【0030】

このように、第１生成部２２で生成される特徴量である交通流情報は、道路ネットワークを構成するリンクの特徴量となる。例えば、ＯＤ表表現の特徴量の場合、図１１に示すように、各ノードについて、そのノードを出発点とし、他のノードのそれぞれを到着点とする経路情報の数の情報を各ノードが保持することになる。すなわち、各ノードが、道路ネットワークに含まれるノード数－１個分の情報を保持する。一方、本実施形態の特徴量は、図１２に示すように、各リンクがそのリンクの交通流の情報１つを保持するものとなる。

【0031】

また、第１生成部２２は、プローブデータに基づいて、交通流情報に対応する時点における所定の地理範囲の交通の混み具合を示す情報を、交通密度の正解ラベルとして生成する。例えば、第１生成部２２は、各時刻における各リンクに存在する移動体の数で表されるリンク交通流を交通密度の正解ラベルとして生成する。

【0032】

訓練部２４は、第１生成部２２により生成された交通流情報を入力特徴量とし、入力特徴量と、交通密度の正解ラベルとを含む訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデル３０を訓練する。具体的には、訓練部２４は、生成された交通流情報を特徴量として機械学習モデル３０に入力し、機械学習モデル３０で推論される交通密度を取得する。そして、訓練部２４は、取得した交通密度と、正解ラベルとして生成された交通密度との誤差を最小化するように、機械学習モデル３０のパラメータを更新することで、機械学習モデル３０を訓練する。

【0033】

推論部４０は、最適化フェーズで機能する機能部である。最適化フェーズでは、機械学習装置１０に、交通需要、及び部分的な経路区間の交通流、及び移動体の移動状況に関するドメイン知識の少なくとも一方である補足情報（詳細は後述）が入力される。推論部４０は、前処理部４２と、第２生成部４４と、最適化部４６とを含む。

【0034】

ここで、本実施形態において、機械学習モデル３０へ入力する特徴量は、図９又は図１０下図に示すような交通流情報である。この交通流情報は、移動体の経路情報を集約することにより生成される。しかし、最適化フェーズにおいては、機械学習フェーズのようなプローブデータは得られず、多くの場合、交通需要として、ＯＤ予報値のみしか得られない。また、場合によっては、部分的なリンク交通流の予測値が与えられる場合もある。さらに、経路選択についての基本原理として、道路距離情報、ＯＤの種類情報、通行料情報、ドライバの行動傾向についての情報等、移動体の移動状況に関するドメイン知識が利用可能な場合もある。このような、部分的なリンク交通流の予測値及びドメイン知識をまとめて「補足情報」という。

【0035】

そこで、前処理部４２は、出発点と到着点との複数の組み合わせのそれぞれについての交通需要、すなわちＯＤ予報値が与えられた場合に、複数の組み合わせのそれぞれを複数の経路に配分することで経路情報を生成する。また、ＯＤ予報値に加え、補足情報が与えられている場合、前処理部４２は、補足情報に基づいて、複数の組み合わせのそれぞれを複数の経路に配分する。

【0036】

例えば、図１３上図に示すように、出発点をノードｎ１、到着点をノードｎ７とする経路のＯＤ予報値と、リンクｎ２－ｎ３及びｎ２－ｎ６のリンク交通流とが与えられているとする。さらに、このＯＤを満たす経路として、図１３下図に示すように、ｎ１→ｎ２→ｎ３→ｎ４→ｎ５→ｎ７の経路１（一点鎖線矢印）と、ｎ１→ｎ２→ｎ６→ｎ５→ｎ７の経路２（二点鎖線矢印）とがあるとする。この場合、前処理部４２は、２つの経路が分岐するリンク同士のリンク交通流の比率に基づいて、ＯＤ予報値を経路１と経路２とに配分する。図１３の例では、前処理部４２は、リンクｎ２－ｎ３とリンクｎ２－ｎ６とのリンク交通流の比率（５：２０）に基づいて、ｎ１→ｎ７のＯＤ予報値１００を、経路１：経路２＝２０件：８０件と配分する。このように、前処理部４２は、ＯＤ予報値及び部分的なリンク交通流の予測値から経路情報を生成する。

【0037】

なお、部分的なリンク交通流の予測値が得られていない場合には、ＯＤを満たす経路にＯＤ予報値を均等又はランダムに配分することにより経路情報を生成してもよい。また、ドメイン知識を用いて配分してもよい。例えば、「人々は旅行時間が最小になる経路を選ぶ」というドメイン知識に基づいて、ＯＤを満たす経路のうち、旅行時間が最小になる経路にそのＯＤ予報値を配分して経路情報を生成してもよい。また、例えば、ＯＤ予報値が深夜の時間帯のものである場合、そのＯＤを輸送トラックのＯＤであるとみなし、「輸送トラックは多少料金がかかっても時間短縮を優先する傾向がある。」とのドメイン知識を利用してもよい。また、ＯＤ予報値が昼間の時間帯のものである場合、そのＯＤを乗用車のＯＤであるとみなし、「乗用車は時間短縮よりも低料金を優先する傾向がある。」とのドメイン知識を利用してもよい。

【0038】

利用できるドメイン知識が複数ある場合、これらのドメイン知識を適宜組み合わせて、各経路への配分を決定してもよい。利用できるドメイン知識が多いほど、与えられたＯＤ予報値から、より実態に即した経路情報を生成することができる。すなわち、利用できるドメイン知識が増えるほど、区別可能な交通状態が増え、機械学習モデル３０による推論精度も向上する。

【0039】

第２生成部４４は、前処理部４２で生成された経路情報を用いて、第１生成部２２と同様に、経路情報からリンク系列を生成し、リンク系列を時刻毎又は出発時刻でリンク毎に集約して、機械学習モデル３０へ入力する特徴量となる交通流情報を生成する。

【0040】

最適化部４６は、第２生成部４４により生成された交通流情報を機械学習モデル３０に入力することにより、交通密度を予測する。最適化部４６は、シミュレーションしたいスケジュール等の案に応じた交通需要のそれぞれについて交通密度を予測し、交通密度が最小となる案を最適な案として選択して出力する。

【0041】

機械学習装置１０は、例えば図１４に示すコンピュータ５０で実現されてよい。コンピュータ５０は、ＣＰＵ（Central Processing Unit）５１と、ＧＰＵ（Graphics Processing Unit）５２と、一時記憶領域としてのメモリ５３と、不揮発性の記憶装置５４とを備える。また、コンピュータ５０は、入力装置、表示装置等の入出力装置５５と、記憶媒体５９に対するデータの読み込み及び書き込みを制御するＲ／Ｗ（Read/Write）装置５６とを備える。また、コンピュータ５０は、インターネット等のネットワークに接続される通信Ｉ／Ｆ（Interface）５７を備える。ＣＰＵ５１、ＧＰＵ５２、メモリ５３、記憶装置５４、入出力装置５５、Ｒ／Ｗ装置５６、及び通信Ｉ／Ｆ５７は、バス５８を介して互いに接続される。

【0042】

記憶装置５４は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等である。記憶媒体としての記憶装置５４には、コンピュータ５０を、機械学習部２０として機能させるための機械学習プログラム６０と、推論部４０として機能させるための推論プログラム７０とが記憶される。機械学習プログラム６０は、第１生成プロセス制御命令６２と、訓練プロセス制御命令６４とを有する。推論プログラム７０は、前処理プロセス制御命令７２と、第２生成プロセス制御命令７４と、最適化プロセス制御命令７６とを有する。また、記憶装置５４は、機械学習モデル３０を構成する情報が記憶される情報記憶領域８０を有する。

【0043】

ＣＰＵ５１は、機械学習プログラム６０を記憶装置５４から読み出してメモリ５３に展開し、機械学習プログラム６０が有する制御命令を順次実行する。ＣＰＵ５１は、第１生成プロセス制御命令６２を実行することで、図６に示す第１生成部２２として動作する。また、ＣＰＵ５１は、訓練プロセス制御命令６４を実行することで、図６に示す訓練部２４として動作する。また、ＣＰＵ５１は、情報記憶領域８０から情報を読み出して、機械学習モデル３０をメモリ５３に展開する。これにより、機械学習プログラム６０を実行したコンピュータ５０が、機械学習装置１０の機械学習部２０として機能することになる。

【0044】

ＣＰＵ５１は、推論プログラム７０を記憶装置５４から読み出してメモリ５３に展開し、推論プログラム７０が有する制御命令を順次実行する。ＣＰＵ５１は、前処理プロセス制御命令７２を実行することで、図６に示す前処理部４２として動作する。また、ＣＰＵ５１は、第２生成プロセス制御命令７４を実行することで、図６に示す第２生成部４４として動作する。また、ＣＰＵ５１は、最適化プロセス制御命令７６を実行することで、図６に示す最適化部４６として動作する。また、ＣＰＵ５１は、情報記憶領域８０から情報を読み出して、機械学習モデル３０をメモリ５３に展開する。これにより、推論プログラム７０を実行したコンピュータ５０が、機械学習装置１０の推論部４０として機能することになる。

【0045】

なお、プログラムを実行するＣＰＵ５１はハードウェアである。また、プログラムの一部は、ＧＰＵ５２により実行されてもよい。

【0046】

また、機械学習プログラム６０及び推論プログラム７０により実現される機能は、例えば半導体集積回路、より詳しくはＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等で実現されてもよい。

【0047】

次に、本実施形態に係る機械学習装置１０の動作について説明する。機械学習フェーズにおいて、機械学習装置１０に複数のプローブデータ及び地理データが入力されると、機械学習装置１０において、図１５に示す機械学習処理が実行される。また、最適化フェーズにおいて、機械学習装置１０に交通需要及び補足情報が入力されると、機械学習装置１０において、図１６に示す最適化処理が実行される。なお、機械学習処理は、開示の技術の機械学習方法の一例である。以下、機械学習処理及び最適化処理の各々について詳述する。

【0048】

まず、図１５に示す機械学習処理について説明する。

【0049】

ステップＳ１０で、第１生成部２２が、機械学習装置１０に入力された複数のプローブデータ及び地理データを取得する。次に、ステップＳ１２で、第１生成部２２が、プローブデータを道路ネットワークに対応付けて、プローブデータをリンク系列に変換する。

【0050】

次に、ステップＳ１４で、第１生成部２２が、各移動体のリンク系列に含まれる全てのリンクを、そのリンク系列の出発点に対応する時刻で集約し、集約した各時刻に各リンクに存在する移動体をカウントすることで、交通流情報を生成する。次に、ステップＳ１６で、第１生成部２２が、プローブデータから、各時刻における各リンクに存在する移動体の数で表されるリンク交通流を交通密度の正解ラベルとして生成する。

【0051】

次に、ステップＳ１８で、訓練部２４が、上記ステップＳ１４で生成された交通流情報を特徴量とし、上記ステップＳ１６で生成された正解ラベルと共に訓練データとして用いて、機械学習モデル３０を訓練する。そして、訓練部２４が、訓練済みの機械学習モデル３０を所定の記憶領域に記憶し、機械学習処理は終了する。

【0052】

次に、図１６に示す最適化処理について説明する。

【0053】

交通シミュレーションを実行したいスケジュール等の各案について、ステップＳ２０のループ処理が実行される。具体的には、ステップＳ２２で、前処理部４２が、機械学習装置１０に入力された交通需要であるＯＤ予報値及び補足情報を取得する。次に、ステップＳ２４で、前処理部４２が、ＯＤ予報値を、補足情報に基づいて、そのＯＤに該当する経路の各々に配分することで経路情報を生成する。

【0054】

次に、ステップＳ２６で、第２生成部４４が、経路情報をリンク系列に変換する。次に、ステップＳ２８で、第２生成部４４が、各移動体のリンク系列に含まれる全てのリンクを、そのリンク系列の出発点に対応する時刻で集約し、集約した各時刻に各リンクに存在する移動体をカウントすることで、交通流情報を生成する。

【0055】

次に、ステップＳ３０で、最適化部４６が、上記ステップＳ２８で生成された交通流情報を機械学習モデル３０に入力することにより、交通密度を予測する。全ての案について、上記ステップＳ２２～Ｓ３０の処理が終了すると、ステップＳ２０のループ処理を終了し、ステップＳ３２へ移行する。

【0056】

ステップＳ３２では、最適化部４６が、各案のうち、予測された交通密度が最小となる案を最適な案として選択して出力し、最適化処理は終了する。

【0057】

以上説明したように、本実施形態に係る機械学習装置は、所定の地理範囲における複数の移動体それぞれのプローブデータに基づいて、複数の時点毎の道路ネットワーク内のリンクそれぞれに位置する移動体の数を示す交通流情報を生成する。そして、機械学習装置は、交通流情報を入力特徴量とし、交通流情報に対応する時点における交通密度をラベル情報とした訓練データを用いて、交通流情報に応じた交通密度を導出する機械学習モデルを訓練する。これにより、多様な交通状態を区別可能な交通需要の表現方法を用いて、高精度な交通シミュレーションの機械学習モデルを構築することができる。

【0058】

なお、上記機械学習処理及び最適化処理では、出発時刻で集約したリンク系列から生成した交通流情報を特徴量として用いる場合について説明したが、図９に示すような、時刻毎にリンク系列を集約した交通流情報を特徴量として用いてもよい。

【0059】

また、上記実施形態では、機械学習部と推論部とが同一のコンピュータで構成される場合について説明したが、それぞれを別のコンピュータで構成してもよい。

【0060】

また、上記実施形態では、機械学習プログラム及び推論プログラムが記憶装置に予め記憶（インストール）されているが、これに限定されない。開示の技術に係るプログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ等の記憶媒体に記憶された形態で提供されてもよい。

【0061】

以上の実施形態に関し、さらに以下の付記を開示する。

【0062】

（付記１）
所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成し、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する、
ことを含む処理をコンピュータに実行させるための機械学習プログラム。

【0063】

（付記２）
前記交通流情報を生成することは、前記経路情報に含まれる各時点の前記移動体の位置情報を、前記経路情報に含まれる出発点に対応する時点の位置情報とし、前記出発点に対応する時点が同一の１以上の前記経路情報に基づいて、同一の前記経路区間に対応する位置情報を含む前記経路情報の数を前記経路区間毎に集計することを含む付記１に記載の機械学習プログラム。

【0064】

（付記３）
訓練済みの機械学習モデルに推論対象の交通流情報を入力して、前記推論対象の交通流情報に応じた交通の混み具合を推論することをさらに含む処理を前記コンピュータに実行させるための付記１又は付記２に記載の機械学習プログラム。

【0065】

（付記４）
出発点と到着点との複数の組み合わせのそれぞれについての交通需要が与えられた場合に、前記複数の組み合わせのそれぞれを複数の経路に配分することで生成される経路情報に基づいて生成した交通流情報を前記推論対象の交通流情報として前記訓練済みの機械学習モデルへ入力する付記３に記載の機械学習プログラム。

【0066】

（付記５）
部分的な経路区間の交通流、及び移動体の移動状況に関するドメイン知識の少なくとも一方である補足情報に基づいて、前記複数の組み合わせのそれぞれを前記複数の経路に配分する付記４に記載の機械学習プログラム。

【0067】

（付記６）
所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成し、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する、
ことを含む処理をコンピュータが実行する機械学習方法。

【0068】

（付記７）
前記交通流情報を生成することは、前記経路情報に含まれる各時点の前記移動体の位置情報を、前記経路情報に含まれる出発点に対応する時点の位置情報とし、前記出発点に対応する時点が同一の１以上の前記経路情報に基づいて、同一の前記経路区間に対応する位置情報を含む前記経路情報の数を前記経路区間毎に集計することを含む付記６に記載の機械学習方法。

【0069】

（付記８）
訓練済みの機械学習モデルに推論対象の交通流情報を入力して、前記推論対象の交通流情報に応じた交通の混み具合を推論することをさらに含む処理を前記コンピュータが実行する付記６又は付記７に記載の機械学習方法。

【0070】

（付記９）
出発点と到着点との複数の組み合わせのそれぞれについての交通需要が与えられた場合に、前記複数の組み合わせのそれぞれを複数の経路に配分することで生成される経路情報に基づいて生成した交通流情報を前記推論対象の交通流情報として前記訓練済みの機械学習モデルへ入力する付記８に記載の機械学習方法。

【0071】

（付記１０）
部分的な経路区間の交通流、及び移動体の移動状況に関するドメイン知識の少なくとも一方である補足情報に基づいて、前記複数の組み合わせのそれぞれを前記複数の経路に配分する付記９に記載の機械学習方法。

【0072】

（付記１１）
所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成する第１生成部と、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する訓練部と、
を含む機械学習装置。

【0073】

（付記１２）
前記第１生成部は、前記経路情報に含まれる各時点の前記移動体の位置情報を、前記経路情報に含まれる出発点に対応する時点の位置情報とし、前記出発点に対応する時点が同一の１以上の前記経路情報に基づいて、同一の前記経路区間に対応する位置情報を含む前記経路情報の数を前記経路区間毎に集計する付記１１に記載の機械学習装置。

【0074】

（付記１３）
訓練済みの機械学習モデルに推論対象の交通流情報を入力して、前記推論対象の交通流情報に応じた交通の混み具合を推論する推論部をさらに含む付記１１又は付記１２に記載の機械学習装置。

【0075】

（付記１４）
前記推論部は、出発点と到着点との複数の組み合わせのそれぞれについての交通需要が与えられた場合に、前記複数の組み合わせのそれぞれを複数の経路に配分することで生成される経路情報に基づいて生成した交通流情報を前記推論対象の交通流情報として前記訓練済みの機械学習モデルへ入力する付記１３に記載の機械学習装置。

【0076】

（付記１５）
前記推論部は、部分的な経路区間の交通流、及び移動体の移動状況に関するドメイン知識の少なくとも一方である補足情報に基づいて、前記複数の組み合わせのそれぞれを前記複数の経路に配分する付記１４に記載の機械学習装置。

【0077】

（付記１６）
所定の地理範囲における複数の移動体それぞれの移動状況を複数の時点毎に示した経路情報に基づいて、前記複数の時点毎の前記所定の地理範囲内にある経路区間それぞれに位置する移動体の数を示す交通流情報を生成し、
前記交通流情報を入力特徴量とし、前記交通流情報に対応する時点における前記所定の地理範囲の交通の混み具合を示す情報をラベル情報とした訓練データを用いて、交通流情報に応じた交通の混み具合を導出する機械学習モデルを訓練する、
ことを含む処理をコンピュータに実行させるための機械学習プログラムを記憶した非一時的記憶媒体。

【符号の説明】

【0078】

１０ 機械学習装置
２０ 機械学習部
２２ 第１生成部
２４ 訓練部
３０ 機械学習モデル
４０ 推論部
４２ 前処理部
４４ 第２生成部
４６ 最適化部
５０ コンピュータ
５１ ＣＰＵ
５２ ＧＰＵ
５３ メモリ
５４ 記憶装置
５５ 入出力装置
５６ Ｒ／Ｗ装置
５７ 通信Ｉ／Ｆ
５８ バス
５９ 記憶媒体
６０ 機械学習プログラム
６２ 第１生成プロセス制御命令
６４ 訓練プロセス制御命令
７０ 推論プログラム
７２ 前処理プロセス制御命令
７４ 第２生成プロセス制御命令
７６ 最適化プロセス制御命令
８０ 情報記憶領域

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】