特開 2024-29705 人口動態予測プログラム、人口動態予測方法および情報処理装置

(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】P2024029705

(43)【公開日】2024-03-06

(54)【発明の名称】人口動態予測プログラム、人口動態予測方法および情報処理装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240228BHJP

【ＦＩ】

G06N20/00 160

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022132118

(22)【出願日】2022-08-22

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】大石 裕介

(72)【発明者】

【氏名】山根 昇平

(72)【発明者】

【氏名】新出 孝政

(57)【要約】

【課題】人口動態の予測を高精度に行う。
【解決手段】実施形態の人口動態予測プログラムは、抽出する処理と、生成する処理と、実行する処理とをコンピュータに実行させる。抽出する処理は、特定の領域における時刻ごとの人の分布と、人の目的地とを含む観測データに基づいて特定の領域における人の動態の特徴量を抽出する。生成する処理は、抽出した特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、第１の時刻より後の第２の時刻における人の分布を生成する。実行する処理は、第１の時刻の人の分布に対して生成した第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する。
【選択図】図１

【特許請求の範囲】

【請求項1】

特定の領域における時刻ごとの人の分布と、前記人の目的地とを含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理をコンピュータに実行させることを特徴とする人口動態予測プログラム。

【請求項2】

前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の目的地の統計量を前記特徴量として抽出する、
ことを特徴とする請求項１に記載の人口動態予測プログラム。

【請求項3】

前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴を前記特徴量として抽出する、
ことを特徴とする請求項１に記載の人口動態予測プログラム。

【請求項4】

前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴と、当該区分領域の周辺領域における人の分布とを前記特徴量として抽出する、
ことを特徴とする請求項１に記載の人口動態予測プログラム。

【請求項5】

前記機械学習モデルに基づいて人の分布を予測する処理をさらに前記コンピュータが実行する、
ことを特徴とする請求項１に記載の人口動態予測プログラム。

【請求項6】

特定の領域における時刻ごとの人の分布を含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理をコンピュータが実行することを特徴とする人口動態予測方法。

【請求項7】

特定の領域における時刻ごとの人の分布を含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理を実行する制御部を有することを特徴とする情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、人口動態予測プログラム、人口動態予測方法および情報処理装置に関する。

【背景技術】

【0002】

混雑回避、安全対策のための施策、タクシー等の交通手段の需要予測では、人口動態に関する過去の観測データに基づいて将来の人口動態を予測することが重要になる。

【0003】

人口動態を予測する従来技術としては、過去の観測データを用いた機械学習による人流予測がある。この機械学習による人流予測では、過去の観測データをもとに、ある過去の時刻における観測値（例えば１８：００における人口分布）に対して単位時間後の観測値（例えば１８：１５における人口分布）を正解ラベルとして付与した訓練データを生成する。ついで、生成した訓練データをもとに過去の観測と状況を入力、将来の人口動態にかかる予測値を出力とする機械学習モデル（以下、単に「モデル」とも呼ぶ）を機械学習により生成する。機械学習による人流予測では、このように生成したモデルに現在の状況（例えば人口分布）を入力することで、将来の人口動態（例えば所定時間後の人口分布）を得ることができる。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－４０４７５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、上記の従来技術では、ある状況について十分な観測データが得られていない場合にはモデルの機械学習が十分に行われず、高精度な予測が困難であるという問題がある。例えば、災害やコロナ禍などの稀な事例については、機械学習によるモデルを用いた高精度な予測が困難なものとなる。

【0006】

１つの側面では、人口動態の予測を高精度に行うことができる人口動態予測プログラム、人口動態予測方法および情報処理装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

１つの案では、人口動態予測プログラムは、抽出する処理と、生成する処理と、実行する処理とをコンピュータに実行させる。抽出する処理は、特定の領域における時刻ごとの人の分布と、人の目的地とを含む観測データに基づいて特定の領域における人の動態の特徴量を抽出する。生成する処理は、抽出した特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、第１の時刻より後の第２の時刻における人の分布を生成する。実行する処理は、第１の時刻の人の分布に対して生成した第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する。

【発明の効果】

【0008】

人口動態の予測を高精度に行うことができる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施形態における人口動態予測の概要を説明する説明図である。

【図2】図２は、機械学習にかかる訓練データのデータ拡張を説明する説明図である。

【図3】図３は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。

【図4A】図４Ａは、動態データのデータフォーマットの一例を示す説明図である。

【図4B】図４Ｂは、動態データのデータフォーマットの一例を示す説明図である。

【図4C】図４Ｃは、動態データのデータフォーマットの一例を示す説明図である。

【図5A】図５Ａは、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図5B】図５Ｂは、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図5C】図５Ｃは、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図6A】図６Ａは、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図6B】図６Ｂは、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図7】図７は、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図8】図８は、実施形態にかかる情報処理装置の動作例を示すフローチャートである。

【図9】図９は、コンピュータ構成の一例を説明する説明図である。

【発明を実施するための形態】

【0010】

以下、図面を参照して、実施形態にかかる人口動態予測プログラム、人口動態予測方法および情報処理装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する人口動態予測プログラム、人口動態予測方法および情報処理装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

【0011】

実施形態にかかる情報処理装置は、過去の観測データを用いて機械学習を実行した機械学習モデルに対し、現在の状況（現時点の人口分布）を入力することで将来の状況（現時点から所定時間後の人口分布）を予測する。すなわち、実施形態にかかる情報処理装置は、人口動態予測装置の一例であり、例えばＰＣ（Personal Computer）などを適用できる。

【0012】

図１は、実施形態における人口動態予測の概要を説明する説明図である。より具体的には、図１は、実施形態にかかる情報処理装置が過去の観測データを用いて機械学習を実行するまでの処理の概要を例示している。

【0013】

図１に示すように、実施形態にかかる情報処理装置は、予測対象とする特定の地域（例えば首都圏など）について過去に観測した時刻ごとの観測データの入力を受け付ける（Ｓ１）。図示例では、１８時から１８時１５分までの間で観測した観測データの入力を受け付けている。

【0014】

この観測データは、特定の地域内における人の移動を示すデータであり、時刻ごとの人の分布と、各人の目的地とを含む。例えば、観測データは、Origin（出発地）とDestination（目的地）の調査により得られたＯＤデータ、または、各店舗等より集計したＰＯＳ（Point Of Sale）データなどが相当する。

【0015】

ついで、実施形態にかかる情報処理装置は、受け付けた観測データからのシミュレーションにより、特定の領域における人の動態の特徴量を抽出する（Ｓ２）。

【0016】

この観測データからのシミュレーション（Ｓ２）では、まず、観測データにおける時刻ごとの人の分布をもとに、特定の領域をメッシュで区分した区分領域のそれぞれに人を配置する。ついで、シミュレーション（Ｓ２）では、各人の目的地をもとに区分領域内に配置した人を移動させるエージェントベースのシミュレーションを行い、移動後の区分領域に再配置する。なお、区分領域内における人の配置位置などは乱数で決めるものとする。

【0017】

実施形態にかかる情報処理装置は、上記のシミュレーション（Ｓ２）により人の移動を再現したうえで各人の軌跡をトレースすることで、人の動態の特徴量を抽出する。

【0018】

第１の手法として、実施形態にかかる情報処理装置は、単位時間（例えば１分）ごとに各区分領域内にいる人の目的地を集計することで、区分領域ごとの人の目的地の統計量を特徴量として抽出する。この統計量については、例えば、総数に対する割合などであり、ある区分領域（Ａ１１とする）にいる人の目的地（Ａ１２、Ａ１３…）を、目的地の総数に対する割合としてＡ１２：５６％、Ａ１３：２４％…などのように集計する。

【0019】

また、第２の手法として、実施形態にかかる情報処理装置は、各区分領域内にいる人の移動履歴を特徴量として抽出する。具体的は、実施形態にかかる情報処理装置は、シミュレーション（Ｓ２）により各人の移動について１分前、２分前、３分前にどの区分領域にいたかをトレースすることで、単位時間（例えば１分）ごとに区分領域内にいる人の移動履歴を得る。この移動履歴については、例えば、直近の１分前に区分領域Ａ４６、２分前に区分領域Ａ３４、３分前に区分領域Ａ２３にいた人については（２３、３４、４６…）などのように移動順の区分領域を示す情報などとなる。

【0020】

また、第３の手法として、実施形態にかかる情報処理装置は、各区分領域内にいる人の移動履歴とともに、対象の区分領域の周辺にある区分領域（周辺領域）の人の分布状況を特徴量として抽出する。具体的には、実施形態にかかる情報処理装置は、上述した人の移動履歴とともに、その人がいる区分領域の周辺領域の人数をカウントし、人の動態の特徴量とする。

【0021】

例えば、ある人が直近の１分前に区分領域Ａ４６、２分前に区分領域Ａ３４、３分前に区分領域Ａ２３におり、現在は区分領域Ａ５６にいるものとする。また、区分領域Ａ５６の周辺には区分領域Ａ４７、Ａ５７、Ａ６７、Ａ６６、Ａ６５、Ａ５５、Ａ４５、Ａ４６があり、それぞれの区分領域の人数はＡ４７：１２人、Ａ５７：１３人、Ａ６７：９人、Ａ６６：２人、Ａ６５：２人、Ａ５５：５人、Ａ４５：８人、Ａ４６：１０人とする。この場合、区分領域Ａ５６に関する人の動態の特徴量は、移動履歴が（２３、３４、４６…）となり、周辺にある区分領域の人の分布状況が（Ａ４７：１２、Ａ５７：１３、Ａ６７：９、Ａ６６：２、Ａ６５：２、Ａ５５：５、Ａ４５：８、Ａ４６：１０）となる。

【0022】

実施形態にかかる情報処理装置は、これらの手法により得られた単位時間ごとの、各区分領域における人の動態の特徴量を、動態データ１０１として出力する。

【0023】

ついで、実施形態にかかる情報処理装置は、特定の時刻（図示例では１８：００）におけるランダムな人の分布に対して動態データ１０１に基づくエージェントシミュレーションを行い（Ｓ３）、その後の時刻（図示例では１８：１５）における人の分布を予測する。

【0024】

エージェントとは独立に意思決定を行う主体（人）を表し、それらエージェントの行動単位で行われるシミュレーションがエージェントシミュレーションである。このエージェントシミュレーションについては、ランダムウォークやニューラルネットワーク（ＮＮ）などを用いた公知の手法を適用できる。

【0025】

例えば、実施形態にかかる情報処理装置は、特定の時刻における人の分布を初期条件として各エージェントを配置し、そのエージェントを確率的に移動させる際のパラメータとして動態データ１０１を用いることで、以後の人の分布を予測する。

【0026】

また、実施形態にかかる情報処理装置は、ＮＮを用いてエージェントシミュレーションを行う場合、動態データ１０１をＮＮへ入力し、エージェントの行動（例えば目的地）に関する出力を得る。ついで、実施形態にかかる情報処理装置は、このＮＮからの出力に基づいて各エージェントを移動させることで、特定の時刻後の人の分布を予測する。

【0027】

ついで、実施形態にかかる情報処理装置は、訓練データ１０２をもとに、現在の人口分布を入力することで、将来の人口分布を出力するモデルの機械学習を行う（Ｓ４）。訓練データ１０２は、特定の時刻（図示例では１８：００）における人の分布と、正解とするその後の人の分布（図示例では１８：１５）とを組み合わせたものである。モデルの機械学習では、特定の時刻における人の分布を入力した場合に正解とするその後の人の分布を出力するように、誤差逆伝播法等の公知の技術を用いてモデルのパラメータを最適化する。

【0028】

ここで、訓練データ１０２は、過去の観測データ（実データ）に基づく上記データの組み合わせに、Ｓ３のエージェントシミュレーションによって予測したデータを加えてデータ拡張したものである。

【0029】

図２は、機械学習にかかる訓練データ１０２のデータ拡張を説明する説明図である。図２に示すように、訓練データ１０２は、特定の時刻における人の分布と、正解とするその後の人の分布の実データ１０２ａにＳ３のエージェントシミュレーターによって得られた拡張学習データ１０２ｂを加えたものである。この拡張学習データ１０２ｂは、特定の時刻（例えば１８：００）におけるランダムな人の分布に、Ｓ３のエージェントシミュレーションによって予測したその後（例えば１８：１５）の人の分布を正解として組み合わせたものである。

【0030】

このように、実施形態にかかる情報処理装置では、実データ１０２ａに拡張学習データ１０２ｂを加えて訓練データ１０２を拡張した上でモデルの機械学習を行うことで、観測事例が少ないケースであってもモデルによる予測精度を高めることができる。

【0031】

図３は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。図３に示すように、情報処理装置１は、通信部１０と、入力部２０と、表示部３０と、記憶部４０と、制御部５０とを有する。

【0032】

通信部１０は、有線又は無線で外部装置等に接続され、外部装置等との間で情報の送受信を行う。たとえば、通信部１０は、ＮＩＣ（Network Interface Card）等によって実現される。通信部１０は、図示しないネットワークに接続されていてもよい。通信部１０は、ネットワークを介して、外部装置から、観測データ１００等を受信してもよい。

【0033】

入力部２０は、各種の情報を、観測データ１００に入力する入力装置である。入力部２０は、キーボードやマウス、タッチパネル等に対応する。

【0034】

表示部３０は、制御部５０から出力される情報を表示する表示装置である。表示部３０は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、タッチパネル等に対応する。

【0035】

記憶部４０は、たとえば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部４０は、観測データ１００と、動態データ１０１と、訓練データ１０２と、モデルデータ１０３とを記憶する。

【0036】

観測データ１００は、ＯＤデータ、または、ＰＯＳデータなどの過去に観測した特定の地域内における人の移動を示すデータである。この観測データ１００には、時刻ごとの人の分布と、各人の目的地とが含まれている。

【0037】

動態データ１０１は、動態データ生成部５１が観測データ１００をもとにしたシミュレーション（Ｓ２）で生成した特定の領域における人の動態の特徴量を示すデータである。

【0038】

図４Ａ～図４Ｃは、動態データのデータフォーマットの一例を示す説明図である。具体的には、図４Ａは、上述した第１の手法により区分領域ごとの人の目的地の統計量を特徴量として抽出した場合の動態データ１０１ａの一例を示している。また、図４Ｂは、上述した第２の手法により各区分領域内にいる人の移動履歴を特徴量として抽出した場合の動態データ１０１ｂの一例を示している。また、図４Ｃは、上述した第３の手法により各区分領域内にいる人の移動履歴とともに、対象の区分領域の周辺にある区分領域（周辺領域）の人の分布状況を特徴量として抽出した場合の動態データ１０１ｃの一例を示している。

【0039】

図４Ａに示すように、第１の手法により抽出された動態データ１０１ａは、ｉ＝１～８、ｊ＝１～８の区分領域ごとの人の目的地の統計量を行列（Ｄ）で示したものである。例えば、ｉ＝１、ｊ＝２の区分領域については、その区分領域にいる人の目的地（ｉ＝１～８、ｊ＝１～８の各区分領域）の割合が行列Ｄ＿１２の要素として格納されている。

【0040】

図４Ｂに示すように、第２の手法により抽出された動態データ１０１ｂは、ｉ＝１～８、ｊ＝１～８の区分領域ごとの人の移動履歴を配列（Ｅ）で示したものである。例えば、現在ｉ＝５、ｊ＝６の区分領域にいるｎ＝１の人（エージェント）が、１つ前にｉ＝４、ｊ＝６、２つ前にｉ＝３、ｊ＝４、３つ前にｉ＝２、ｊ＝３にいたものとする。この場合、この人（ｎ＝１）の移動履歴Ｅ（１）は、Ｅ１（１）＝４６、Ｅ２（１）＝３４、Ｅ３（１）＝２３となる。

【0041】

図４Ｃに示すように、第３の手法により抽出された動態データ１０１ｃは、移動履歴を配列（Ｅ）とともに、対象の区分領域の周辺にある区分領域（周辺領域）の人の分布状況を行列（Ｆ）で示したものである。例えば、行列Ｆには、ｉ＝１～８、ｊ＝１～８の区分領域ごとの人の人数が要素として格納されている。

【0042】

モデルデータ１０３は、機械学習部５３による機械学習後のモデルに関するデータである。例えば、モデルデータ１０３は、モデルに対応するニューラルネットワークの各パラメータなどである。

【0043】

制御部５０は、動態データ生成部５１と、シミュレーション部５２と、機械学習部５３と、予測部５４とを有する。制御部５０は、たとえば、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)により実現される。また、制御部５０は、例えばＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実行されてもよい。

【0044】

動態データ生成部５１は、観測データ１００からのシミュレーションにより、特定の領域における人の動態の特徴量を生成（抽出）する処理部である。具体的には、動態データ生成部５１は、上述したシミュレーション（Ｓ２）を実行して人の移動を再現したうえで、第１～３の手法のいずれかによって人の動態の特徴量を示す動態データ１０１を生成する。動態データ生成部５１は、生成した動態データ１０１を記憶部４０に格納する。

【0045】

シミュレーション部５２は、特定の時刻におけるランダムな人の分布に対して動態データ１０１に基づくエージェントシミュレーションを行い、その後の時刻における人の分布を予測する処理部である。シミュレーション部５２は、観測データ１００に含まれる過去の事例より、特定の時刻における人の分布と、正解とするその後の人の分布とを組み合わせた実データ１０２ａに、エージェントシミュレーションによって予測した拡張学習データ１０２ｂを加えることで、訓練データ１０２のデータ拡張を行う。

【0046】

機械学習部５３は、訓練データ１０２をもとに、現在の人口分布を入力することで、将来の人口分布を出力するニューラルネットワーク等のモデルの機械学習を行う処理部である。具体的には、機械学習部５３は、訓練データ１０２に含まれる特定の時刻における人の分布を入力した場合に、正解とするその後の人の分布を出力するように、誤差逆伝播法等の公知の技術を用いてモデルの各パラメータを求める。ついで、機械学習部５３は、機械学習により得られたモデルの各パラメータをモデルデータ１０３として記憶部４０に格納する。

【0047】

予測部５４は、モデルデータ１０３をもとに構築したモデルに基づいて人の分布を予測する処理部である。具体的には、予測部５４は、モデルデータ１０３に含まれる各パラメータをもとにモデルを構築する。ついで、予測部５４は、予測対象とする時刻における人の分布（例えば現在の人の分布）を構築したモデルに入力し、このモデルからその後の時刻における人の分布の出力を得る。予測部５４は、このように得られた予測結果（人の分布）を、表示部３０に表示するなどして外部に出力する。

【0048】

図５Ａ～図５Ｃ、図６Ａ、図６Ｂ、図７、図８は、実施形態にかかる情報処理装置１の動作例を示すフローチャートである。

【0049】

具体的には、図５Ａ～図５Ｃは、第１の手法により動態データ１０１ａを生成してデータ拡張した訓練データ１０２を用いてモデルの機械学習を行い、学習後のモデルにより予測する処理の一例を示している。また、図６Ａ、図６Ｂは、第２の手法により動態データ１０１ｂを生成してデータ拡張した訓練データ１０２を用いてモデルの機械学習を行い、学習後のモデルにより予測する処理の一例を示している。また、図７、第３の手法により動態データ１０１ｃを生成してデータ拡張した訓練データ１０２を用いてモデルの機械学習を行い、学習後のモデルにより予測する処理の一例を示している。また、図８は、第４の手法として、観測データ１００（ＯＤデータ）から機械学習したメッシュごとに目的地を決める学習モデル（ＡＩ＿０）を予測に用いる場合の処理の一例を示している。

【0050】

まず、第１の手法を用いる場合の情報処理装置１の動作例を説明する。図５Ａに示すように、処理が開始されると、制御部５０は、入力部２０よりＮ人分の観測データ１００（ＯＤデータ）の入力を受け付け、入力された観測データ１００を記憶部４０に格納する（Ｓ１０）。

【0051】

ついで、動態データ生成部５１は、記憶部４０に格納した観測データ１００のＯＤデータから起点と終点を読み込んでＮ人分のエージェントベースのシミュレーションを実行する（Ｓ１１）。

【0052】

ついで、動態データ生成部５１は、一定の時間刻み（例えば５分間隔）で、特定の地域に対応する空間を格子に区切った格子ごとに、その格子の中にいるエージェントの目的地の分布を記録する（Ｓ１２）。具体的には、動態データ生成部５１は、格子の中にいるエージェントの目的地の分布（各目的地の割合）を行列（Ｄ＿ｉｊ）として記録する。なお、格子の間隔については、例えば１ｋｍなど、ユーザが任意に設定したものでよい。

【0053】

ついで、動態データ生成部５１は、一定のシミュレーション時間分（例えば１５分）のシミュレーションを実施し、各メッシュの人の目的地分布を示す行列（Ｄ＿ｉｊ）を平均化する（Ｓ１３）。このように、動態データ生成部５１は、第１の手法により動態データ１０１ａを得る。

【0054】

図５Ｂに示すように、処理が開始されると、シミュレーション部５２は、データ拡張用の事例を得るためのシミュレーション回数（ｎ）の初期値をｎ＝１として設定する（Ｓ２０）。

【0055】

ついで、シミュレーション部５２は、シミュレーション範囲（予測対象となる特定の地域）にランダムにＭ人の人（エージェント）を配置する（Ｓ２１）。

【0056】

ついで、シミュレーション部５２は、動態データ１０１ａにおける行列Ｄ＿ｉｊに基づき、Ｍ人の各エージェントの目的地を決定する（Ｓ２２）。ついで、シミュレーション部５２は、決定した目的地に従って各エージェントを移動させるようにシミュレーションを実施する（Ｓ２３）。

【0057】

ついで、シミュレーション部５２は、シミュレーション結果により得られた１５分後の人の分布を出力する（Ｓ２４）。これにより、制御部５０は、ランダムな人の分布（Ｓａ＿ｎ）と、その分布を初期条件とするエージェントシミュレーションにより得られた所定時間（例えば１５分）後の人の分布（Ｓｂ＿ｎ）とのデータの組み合わせを得る。なお、本実施形態ではシミュレーションにより１５分後の予測を行っているが、この時間はユーザが任意に設定してよいものとする。

【0058】

ついで、シミュレーション部５２は、必要なデータ数Ｐとｎを比較し、ｎ＜Ｐであるか否かを判定する（Ｓ２５）。ｎが必要なデータ数Ｐに達していない場合（Ｓ２５：Ｎｏ）、シミュレーション部５２は、ｎをインクリメントし（Ｓ２６）、Ｓ２１へ処理を戻す。

【0059】

ｎが必要なデータ数Ｐに達している場合（Ｓ２５：Ｙｅｓ）、訓練データ１０２についてデータ拡張を行うために必要なデータ数Ｐ分のデータの組み合わせが得られたこととなる。したがって、機械学習部５３は、データ拡張した訓練データ１０２による機械学習を実行する（Ｓ２７）。具体的には、機械学習部５３は、データ拡張分については、所定時刻の人の分布（Ｓａ＿１…Ｓａ＿Ｐ）を入力、その後の人の分布（Ｓｂ＿１…Ｓｂ＿Ｐ）を出力としてＳａからＳｂを予測するモデルの機械学習を実行する。

【0060】

予測については、図５Ｃに示すように、処理が開始されると、予測部５４は、入力部２０を介して現在の実際の人の分布情報（Ｓａ＿ｒｅａｌ）の入力を受け付ける（Ｓ３０）。

【0061】

ついで、予測部５４は、モデルデータ１０３をもとに構築した学習モデルにＳａ＿ｒｅａｌを入力してその出力を得ることで、学習モデルによる推論を行う（Ｓ３１）。

【0062】

ついで、予測部５４は、学習モデルの出力として得られた未来の人の分布情報（Ｓｂ＿ｐｒｅｄｉｃｔｉｏｎ）を表示部３０での表示等によりユーザに出力する（Ｓ３２）。

【0063】

つぎに、第２の手法を用いる場合の情報処理装置１の動作例を説明する。図６Ａに示すように、処理が開始されると、動態データ生成部５１は、第１の手法と同様のエージェントベースシミュレーションを実行する（Ｓ１０、Ｓ１１）。

【0064】

ついで、動態データ生成部５１は、一定の時間刻み（例えば５分間隔）で、特定の地域に対応する空間を格子に区切った格子ごとに、その中にいるエージェントについて、目的地（行列（Ｄ＿ｉｊ））と、１分前、２分前、３分前にどのメッシュにいたかの分布（移動履歴を配列（Ｅ））を記録する（Ｓ１２ａ）。

【0065】

ついで、動態データ生成部５１は、一定のシミュレーション時間分（例えば１５分）のシミュレーションを実施し、メッシュごとの目的地分布（Ｄ＿ｉｊ）と、１分前、２分前、３分前にどのメッシュにいたかの移動履歴（Ｅ１（ｎ）、Ｅ２（ｎ）、Ｅ３（ｎ））を出力する（Ｓ１３ａ）。

【0066】

ついで、動態データ生成部５１は、Ｅ１（ｎ）、Ｅ２（ｎ）、Ｅ３（ｎ）を入力、Ｄ＿ｉｊを出力として、メッシュごとに目的地を決める学習モデル（ＡＩ＿０）を機械学習する（Ｓ１４）。

【0067】

つぎに、シミュレーション部５２における処理について説明する。図６Ｂに示すように、処理が開始されると、前述した図５Ｂの処理と同様、シミュレーション部５２は、各エージェントを移動させるようにシミュレーションを実施する（Ｓ２０～Ｓ２３）。

【0068】

ついで、シミュレーション部５２は、Ｓ１４で機械学習した学習モデル（ＡＩ＿０）に基づき、Ｍ人のエージェントの目的地を更新する（Ｓ２３ａ）。具体的には、シミュレーション部５２は、Ｓ２０～Ｓ２３により移動させたエージェントの移動履歴を学習モデル（ＡＩ＿０）に入力し、その学習モデルからの出力（目的地）を得る。シミュレーション部５２は、この学習モデル（ＡＩ＿０）の出力として得られた目的地にエージェントの目的地を更新する。

【0069】

ついで、シミュレーション部５２は、更新後の目的地に従って各エージェントを移動させるようにシミュレーションを実施し（Ｓ２３ｂ）、シミュレーション結果により得られた１５分後の人の分布を出力する（Ｓ２４）。以後、シミュレーション部５２、機械学習部５３は、述した図５Ｂと同様に処理（Ｓ２５～Ｓ２７）を行い、モデルの機械学習を実行する。

【0070】

次に、第３の手法を用いる場合の情報処理装置１の動作例を説明する。図７に示すように、処理が開始されると、動態データ生成部５１は、第１の手法と同様のエージェントベースシミュレーションを実行する（Ｓ１０、Ｓ１１）。

【0071】

ついで、動態データ生成部５１は、一定の時間刻み（例えば５分間隔）で、特定の地域に対応する空間を格子に区切った格子ごとに、その中にいるエージェントについて、目的地（行列（Ｄ＿ｉｊ））と、１分前、２分前、３分前にどのメッシュにいたかの分布（移動履歴を配列（Ｅ））と、周辺人口の分布（行列Ｆ）とを記録する（Ｓ１２ｂ）。

【0072】

ついで、動態データ生成部５１は、一定のシミュレーション時間分（例えば１５分）のシミュレーションを実施し、メッシュごとの目的地分布（Ｄ＿ｉｊ）と、１分前、２分前、３分前にどのメッシュにいたかの移動履歴（Ｅ１（ｎ）、Ｅ２（ｎ）、Ｅ３（ｎ））と、周辺人口（行列Ｆ）を出力する（Ｓ１３ｂ）。

【0073】

ついで、動態データ生成部５１は、Ｅ１（ｎ）、Ｅ２（ｎ）、Ｅ３（ｎ）、Ｆを入力、Ｄ＿ｉｊを出力として、メッシュごとに目的地を決める学習モデル（ＡＩ＿０）を機械学習する（Ｓ１４ａ）。

【0074】

なお、シミュレーション部５２における処理については、Ｓ２３ａにおいて、学習モデル（ＡＩ＿０）に対し、エージェントの移動履歴の他に周辺人口を入力すること以外、図６Ｂと同様である。

【0075】

次に、第４の手法を用いて予測を行う場合の情報処理装置１の動作例を説明する。この第４の手法において、情報処理装置１の予測部５４は、Ｓ１４、Ｓ１４ａにおいて観測データ１００（ＯＤデータ）から機械学習したメッシュごとに目的地を決める学習モデル（ＡＩ＿０）を予測に用いる。

【0076】

具体的には、図８に示すように、処理が開始されると、予測部５４は、、入力部２０を介して現在の実際の人の分布情報（Ｓａ＿ｒｅａｌ）の入力を受け付ける（Ｓ３０）。

【0077】

ついで、予測部５４は、行列Ｄ＿ｉｊに基づき、Ｍ人のエージェントの目的地を決定し（Ｓ３１ａ）、決定した目的地に従って各エージェントを移動させるようにシミュレーションを実施する（Ｓ３１ｂ）。

【0078】

ついで、予測部５４は、Ｓ１４、Ｓ１４ａで機械学習した学習モデル（ＡＩ＿０）に基づき、Ｍ人のエージェントの目的地を更新する（Ｓ３１ｃ）。具体的には、予測部５４は、Ｓ３１ｂにより移動させたエージェントの移動履歴、分布などを学習モデル（ＡＩ＿０）に入力し、その学習モデルからの出力（目的地）を得る。予測部５４は、この学習モデル（ＡＩ＿０）の出力として得られた目的地にエージェントの目的地を更新する。

【0079】

ついで、予測部５４は、更新後の目的地に従って各エージェントを移動させるようにシミュレーションを実施する（Ｓ３１ｄ）。ついで、予測部５４は、シミュレーション結果により得られた未来（例えば１５分後）の人の分布情報（Ｓｂ＿ｐｒｅｄｉｃｔｉｏｎ）を表示部３０での表示等によりユーザに出力する（Ｓ３２）。

【0080】

以上のように、情報処理装置１は、特定の領域における時刻ごとの人の分布と、人の目的地とを含む観測データ１００に基づいて特定の領域における人の動態の特徴量に関する動態データ１０１を抽出する。情報処理装置１は、動態データ１０１をもとに、抽出した特徴量に基づくエージェントシミュレーションを第１の時刻（例えば１８：００）の人の分布に対して行い、第１の時刻より後の第２の時刻（例えば１８：１５）における人の分布を生成する。情報処理装置１は、第１の時刻の人の分布に対して生成した第２の時刻における人の分布を正解として含む訓練データ１０２に基づいて機械学習モデルの機械学習を実行する。情報処理装置１は、この機械学習モデルに基づいて人の分布を予測する。

【0081】

これにより、情報処理装置１では、観測データより抽出した人の動態の特徴量に基づくエージェントシミュレーションによって訓練データを拡張して機械学習モデルの機械学習を行うことができる。このため、情報処理装置１では、観測事例が少ないケースであっても機械学習モデルによる予測精度を高めることができる。

【0082】

また、情報処理装置１は、時刻ごとに、特定の領域を区分した区分領域ごとの区分領域に含まれる人の目的地の統計量を人の動態の特徴量として抽出する。これにより、情報処理装置１では、観測データ１００より抽出した区分領域ごとの人の目的地の統計量に基づくエージェントシミュレーションを行い、観測データ１００における人の動態に即した訓練データを生成できる。

【0083】

また、情報処理装置１は、時刻ごとに、特定の領域を区分した区分領域ごとの区分領域に含まれる人の移動履歴を人の動態の特徴量として抽出する。これにより、情報処理装置１では、観測データ１００より抽出した区分領域ごとの人の移動履歴に基づくエージェントシミュレーションを行い、観測データ１００における人の動態に即した訓練データを生成できる。

【0084】

また、情報処理装置１は、時刻ごとに、特定の領域を区分した区分領域ごとの区分領域に含まれる人の移動履歴と、この区分領域の周辺領域における人の分布とを人の動態の特徴量として抽出する。これにより、情報処理装置１では、観測データ１００より抽出した区分領域ごとの人の移動履歴と、区分領域の周辺領域における人の分布とに基づくエージェントシミュレーションを行い、観測データ１００における人の動態により即した訓練データを生成できる。例えば、周辺領域における人の分布を特徴量に含めることで、情報処理装置１では、天気状況（例えば雨）で特定の領域（例えばアーケードのある通り）に人が集中するケースや、周囲の混雑をさけるように人が分散するケースなど、周囲状況の違いを含めたエージェントシミュレーションを行うことができる。

【0085】

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

【0086】

また、情報処理装置１の制御部５０に関する各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、情報処理装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

【0087】

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施形態と同様の機能を有するプログラムを実行するコンピュータ構成（ハードウエア）の一例を説明する。図９は、コンピュータ構成の一例を説明する説明図である。

【0088】

図９に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置２０４と、インタフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１～２０７は、バス２０８に接続される。

【0089】

ハードディスク装置２０７は、動態データ生成プログラム２０７ａ、シミュレーションプログラム２０７ｂ、機械学習プログラム２０７ｃ、予測プログラム２０７ｄを有する。また、ＣＰＵ２０１は、各プログラム２０７ａ～２０７ｄを読み出してＲＡＭ２０６に展開する。

【0090】

動態データ生成プログラム２０７ａは、動態データ生成プロセス２０６ａとして機能する。シミュレーションプログラム２０７ｂは、シミュレーションプロセス２０６ｂとして機能する。機械学習プログラム２０７ｃは、機械学習プロセス２０６ｃとして機能する。予測プログラム２０７ｄは、予測プロセス２０６ｄとして機能する。

【0091】

動態データ生成プロセス２０６ａの処理は、動態データ生成部５１の処理に対応する。シミュレーションプロセス２０６ｂの処理は、シミュレーション部５２の処理に対応する。機械学習プロセス２０６ｃの処理は、機械学習部５３の処理に対応する。予測プロセス２０６ｄの処理は、予測部５４の処理に対応する。

【0092】

なお、各プログラム２０７ａ～２０７ｄについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくてもよい。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が各プログラム２０７ａ～２０７ｄを読み出して実行するようにしてもよい。また、公衆回線、インターネット、ＬＡＮ等に接続された装置に各プログラム２０７ａ～２０７ｄを記憶させておき、コンピュータ２００が通信装置２０４を介して各プログラム２０７ａ～２０７ｄを読み出して実行するようにしてもよい。

【0093】

以上の実施形態に関し、さらに以下の付記を開示する。

【0094】

（付記１）特定の領域における時刻ごとの人の分布と、前記人の目的地とを含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理をコンピュータに実行させることを特徴とする人口動態予測プログラム。

【0095】

（付記２）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の目的地の統計量を前記特徴量として抽出する、
ことを特徴とする付記１に記載の人口動態予測プログラム。

【0096】

（付記３）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴を前記特徴量として抽出する、
ことを特徴とする付記１に記載の人口動態予測プログラム。

【0097】

（付記４）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴と、当該区分領域の周辺領域における人の分布とを前記特徴量として抽出する、
ことを特徴とする付記１に記載の人口動態予測プログラム。

【0098】

（付記５）前記機械学習モデルに基づいて人の分布を予測する処理をさらに前記コンピュータに実行させる、
ことを特徴とする付記１に記載の人口動態予測プログラム。

【0099】

（付記６）特定の領域における時刻ごとの人の分布を含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理をコンピュータが実行することを特徴とする人口動態予測方法。

【0100】

（付記７）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の目的地の統計量を前記特徴量として抽出する、
ことを特徴とする付記６に記載の人口動態予測方法。

【0101】

（付記８）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴を前記特徴量として抽出する、
ことを特徴とする付記６に記載の人口動態予測方法。

【0102】

（付記９）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴と、当該区分領域の周辺領域における人の分布とを前記特徴量として抽出する、
ことを特徴とする付記６に記載の人口動態予測方法。

【0103】

（付記１０）前記機械学習モデルに基づいて人の分布を予測する処理をさらに前記コンピュータが実行する、
ことを特徴とする付記６に記載の人口動態予測プログラム。

【0104】

（付記１１）特定の領域における時刻ごとの人の分布を含む観測データに基づいて前記特定の領域における人の動態の特徴量を抽出し、
抽出した前記特徴量に基づくエージェントシミュレーションを第１の時刻の人の分布に対して行い、前記第１の時刻より後の第２の時刻における人の分布を生成し、
前記第１の時刻の人の分布に対して生成した前記第２の時刻における人の分布を正解として含む訓練データに基づいて機械学習モデルの機械学習を実行する、
処理を実行する制御部を有することを特徴とする情報処理装置。

【0105】

（付記１２）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の目的地の統計量を前記特徴量として抽出する、
ことを特徴とする付記１１に記載の情報処理装置。

【0106】

（付記１３）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴を前記特徴量として抽出する、
ことを特徴とする付記１１に記載の情報処理装置。

【0107】

（付記１４）前記抽出する処理は、時刻ごとに、前記特定の領域を区分した区分領域ごとの当該区分領域に含まれる人の移動履歴と、当該区分領域の周辺領域における人の分布とを前記特徴量として抽出する、
ことを特徴とする付記１１に記載の情報処理装置。

【0108】

（付記１５）前記機械学習モデルに基づいて人の分布を予測する処理をさらに前記制御部が実行する、
ことを特徴とする付記１１に記載の情報処理装置。

【符号の説明】

【0109】

１…情報処理装置
１０…通信部
２０…入力部
３０…表示部
４０…記憶部
５０…制御部
５１…動態データ生成部
５２…シミュレーション部
５３…機械学習部
５４…予測部
１００…観測データ
１０１、１０１ａ、１０１ｂ、１０１ｃ…動態データ
１０２…訓練データ
１０２ａ…実データ
１０２ｂ…拡張学習データ
１０３…モデルデータ
２００…コンピュータ
２０１…ＣＰＵ
２０２…入力装置
２０３…ディスプレイ
２０４…通信装置
２０５…インタフェース装置
２０６…ＲＡＭ
２０６ａ…動態データ生成プロセス
２０６ｂ…シミュレーションプロセス
２０６ｃ…機械学習プロセス
２０６ｄ…予測プロセス
２０７…ハードディスク装置
２０７ａ…動態データ生成プログラム
２０７ｂ…シミュレーションプログラム
２０７ｃ…機械学習プログラム
２０７ｄ…予測プログラム
２０８…バス

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図4C】

【図5A】

【図5B】

【図5C】

【図6A】

【図6B】

【図7】

【図8】

【図9】