特許 7072218 海運市況予測システム、海運市況予測プログラム及び海運市況予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-05-12

(45)【発行日】2022-05-20

(54)【発明の名称】海運市況予測システム、海運市況予測プログラム及び海運市況予測方法

(51)【国際特許分類】

   G06Q 10/04 20120101AFI20220513BHJP

   G06Q 50/30 20120101ALI20220513BHJP

【ＦＩ】

G06Q10/04

G06Q50/30

【請求項の数】 27

(21)【出願番号】P 2018067718

(22)【出願日】2018-03-30

(65)【公開番号】P2019179354

(43)【公開日】2019-10-17

【審査請求日】2021-03-05

(73)【特許権者】

【識別番号】501204525

【氏名又は名称】国立研究開発法人 海上・港湾・航空技術研究所

(74)【代理人】

【識別番号】110001210

【氏名又は名称】特許業務法人ＹＫＩ国際特許事務所

(72)【発明者】

【氏名】和田 祐次郎

【審査官】大野 朋也

(56)【参考文献】

【文献】特開２０１６－０６２２３１（ＪＰ，Ａ）

【文献】特開２０１５－１３５５４５（ＪＰ，Ａ）

【文献】滕 玲，数値情報とテキスト情報によるバルチック海運指数の予測，第７９回（平成２９年）全国大会講演論文集（２） 人工知能と認知科学，一般社団法人情報処理学会，2017年03月24日，pp.2-341～2-342

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

船舶の海運市況を予測する予測システムであって、
前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得するデータ取得手段と、
前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出手段と、
前記データ抽出手段で抽出された抽出データ、及び前記データ取得手段で取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析手段と、
前記予測分析手段で分析した分析結果を前記海運市況の予測結果として出力する出力手段とを備えたことを特徴とする海運市況予測システム。

【請求項2】

請求項１に記載の海運市況予測システムであって、
前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことを特徴とする海運市況予測システム。

【請求項3】

請求項１又は２に記載の海運市況予測システムであって、
前記データ取得手段において前記船舶の積載対象となる前記貨物の市況価格データを取得し、
前記予測分析手段は、さらに前記市況価格データに基づいて前記海運市況を予測することを特徴とする海運市況予測システム。

【請求項4】

請求項１～３のいずれか１項に記載の海運市況予測システムであって、
前記データ取得手段において前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、
前記予測分析手段は、さらに前記株価指数データに基づいて前記海運市況を予測することを特徴とする海運市況予測システム。

【請求項5】

請求項１～４のいずれか１項に記載の海運市況予測システムであって、
前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジング手段をさらに備えることを特徴とする海運市況予測システム。

【請求項6】

請求項１～５のいずれか１項に記載の海運市況予測システムであって、
前記データ抽出手段は、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することを特徴とする海運市況予測システム。

【請求項7】

請求項１～６のいずれか１項に記載の海運市況予測システムであって、
前記予測分析手段で使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定手段をさらに備え、
前記予測分析手段は、前記データ選定手段で選定されたデータに基づいて将来の前記海運市況を予測することを特徴とする海運市況予測システム。

【請求項8】

請求項１～７のいずれか１項に記載の海運市況予測システムであって、
前記予測分析手段は、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することを特徴とする海運市況予測システム。

【請求項9】

請求項８に記載の海運市況予測システムであって、
前記予測モデルは、機械学習を利用して前記海運市況を予測することを特徴とする海運市況予測システム。

【請求項10】

請求項１～９のいずれか１項に記載の海運市況予測システムであって、
前記データ取得手段で取得される前記海運市況データ及び前記燃料価格データは、時系列的な統計データであることを特徴とする海運市況予測システム。

【請求項11】

請求項１～１０のいずれか１項に記載の海運市況予測システムであって、
前記データ取得手段で取得される前記海運市況データは、バルチック海運指数及び／又は前記バルチック海運指数の算出ベースである船種別データであることを特徴とする海運市況予測システム。

【請求項12】

請求項１～１１のいずれか１項に記載の海運市況予測システムであって、
前記出力手段で出力される前記予測結果は、前記データ取得手段で取得された将来の指定日及び／又は指定期間の予測結果であることを特徴とする海運市況予測システム。

【請求項13】

船舶の海運市況を予測する予測プログラムであって、
コンピュータに、
前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用する燃料の燃料価格データを取得するデータ取得ステップと、
前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出ステップと、
前記データ抽出ステップで抽出された抽出データ、及び前記データ取得ステップで取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析ステップと、
前記予測分析ステップで分析した分析結果を前記海運市況の予測結果として出力する出力ステップと、
を実行させることを特徴とする海運市況予測プログラム。

【請求項14】

請求項１３に記載の海運市況予測プログラムであって、
前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことを特徴とする海運市況予測プログラム。

【請求項15】

請求項１３又は１４に記載の海運市況予測プログラムであって、
前記データ取得ステップは、前記船舶の積載対象となる前記貨物の市況価格データを取得し、
前記予測分析ステップは、さらに前記市況価格データに基づいて前記海運市況を予測することを特徴とする海運市況予測プログラム。

【請求項16】

請求項１３～１５のいずれか１項に記載の海運市況予測プログラムであって、
前記データ取得ステップは、前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、
前記予測分析ステップは、さらに前記株価指数データに基づいて前記海運市況を予測することを特徴とする海運市況予測プログラム。

【請求項17】

請求項１３～１６のいずれか１項に記載の海運市況予測プログラムであって、
前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジングステップをさらに備えることを特徴とする海運市況予測プログラム。

【請求項18】

請求項１３～１７のいずれか１項に記載の海運市況予測プログラムであって、
前記データ抽出ステップは、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することを特徴とする海運市況予測プログラム。

【請求項19】

請求項１３～１８のいずれか１項に記載の海運市況予測プログラムであって、
前記予測分析ステップで使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定ステップをさらに備え、
前記予測分析ステップは、前記データ選定ステップで選定されたデータに基づいて将来の前記海運市況を予測することを特徴とする海運市況予測プログラム。

【請求項20】

請求項１３～１９のいずれか１項に記載の海運市況予測プログラムであって、
前記予測分析ステップは、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することを特徴とする海運市況予測プログラム。

【請求項21】

請求項２０に記載の海運市況予測プログラムであって、
前記予測分析ステップにおける前記予測モデルは、式（１）、式（２）、式（３）に基づくものであることを特徴とする海運市況予測プログラム。

【数1】

【数2】

【数3】

ΔＢＣＩ：予測指数の増減分
ｆ： 予測指数の増減予測モデル
Ｄ：入力データの集合
ΔＤ：入力データの差分値
Ｓ：入力データのうちの統計データの集合
ＯＡ：衛星ＡＩＳデータより取得した船舶データ（船舶の総貨物量，平均速度等）
ｒ：取得した衛星ＡＩＳデータの海域数（設定した海域数）
ｔ：現在の日
ｐｔ：ｐｔ日先の日
λ：λ日前の日

【請求項22】

請求項２０又は２１に記載の海運市況予測プログラムであって、
前記予測モデルは、機械学習を利用するものであることを特徴とする海運市況予測プログラム。

【請求項23】

請求項１３～２２のいずれか１項に記載の海運市況予測プログラムであって、
前記出力ステップで出力される予測結果は、前記データ取得ステップで取得された将来の指定日及び／又は指定期間の予測結果であることを特徴とする海運市況予測プログラム。

【請求項24】

コンピュータを用いて船舶の海運市況を予測する予測方法であって、
前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得し、
前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出し、
抽出された抽出データ、及び取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測することを特徴とする海運市況予測方法。

【請求項25】

請求項２４に記載の海運市況予測方法であって、
前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことを特徴とする海運市況予測方法。

【請求項26】

請求項２４又は２５に記載の海運市況予測方法であって、
前記船舶の積載対象となる前記貨物の市況価格データを取得し、
さらに前記市況価格データに基づいて前記海運市況を予測することを特徴とする海運市況予測方法。

【請求項27】

請求項２４～２６のいずか１項に記載の海運市況予測方法であって、
前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記株価指数データに基づいて前記海運市況を予測することを特徴とする海運市況予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、海運市況予測システム、海運市況予測プログラム及び海運市況予測方法に関する。

【背景技術】

【0002】

海運業界における海上運賃は、世界的な経済の動きや船舶の建造数等に大きく影響を受ける。このように海運業界は変動の激しいため、継続的に利益を獲得するためには、海運市況を予測し、その予測結果を基に経営判断を行うことが船社にとって重要となる。

【0003】

このような特徴を踏まえ、これまでにも海運市況の予測に関する研究が行われている。例えば、時系列解析の手法を用いてドライバルク市場における海運市況を予測する手法が提案されている（非特許文献１）。また、近年では、機械学習の手法を用いた海運市況の予測手法も提案されている（非特許文献２）。

【先行技術文献】

【非特許文献】

【0004】

【文献】Ｖ．， Ｔｓｉｏｕｍａｓ， ｅｔ ａｌ．：Ａ Ｎｏｖｅｌ Ａｐｐｒｏａｃｈ ｔｏ Ｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ Ｂｕｌｋ Ｆｒｅｉｇｈｔ Ｍａｒｋｅｔ． Ｔｈｅ Ａｓｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｓｈｉｐｐｉｎｇ ａｎｄ Ｌｏｇｉｓｔｉｃｓ， Ｖｏｌ．３３， Ｉｓｓｕｅ １， ２０１７， ｐｐ．３３－４１．

【文献】Ｈａｎ， Ｑ．， ｅｔ ａｌ． ： Ｆｏｒｅｃａｓｔｉｎｇ ｄｒｙ ｂｕｌｋ ｆｒｅｉｇｈｔ ｉｎｄｅｘ ｗｉｔｈ ｉｍｐｒｏｖｅｄ ＳＶＭ．， Ｍａｔｈｅｍａｔｉｃａｌ Ｐｒｏｂｌｅｍｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ ， ２０１４．

【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、船舶動静情報と機械学習を組み合わせて海運市況を予測する研究は実施されておらず、海運市況を高い精度で予測する技術は確立されていない。

【課題を解決するための手段】

【0006】

本発明の請求項１に係る船舶の海運市況を予測する予測システムは、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得するデータ取得手段と、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出手段と、前記データ抽出手段で抽出された抽出データ、及び前記データ取得手段で取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析手段と、前記予測分析手段で分析した分析結果を前記海運市況の予測結果として出力する出力手段とを備えたことを特徴とする海運市況予測システムである。

【0007】

ここで、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことが好適である。

【0008】

また、前記データ取得手段において前記船舶の積載対象となる前記貨物の市況価格データを取得し、前記予測分析手段は、さらに前記市況価格データに基づいて前記海運市況を予測することが好適である。

【0009】

また、前記データ取得手段において前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記予測分析手段は、さらに前記株価指数データに基づいて前記海運市況を予測することが好適である。

【0010】

また、前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジング手段をさらに備えることが好適である。

【0012】

また、前記データ抽出手段は、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することが好適である。

【0013】

また、前記予測分析手段で使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定手段をさらに備え、前記予測分析手段は、前記データ選定手段で選定されたデータに基づいて将来の前記海運市況を予測することが好適である。

【0014】

また、前記予測分析手段は、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することが好適である。

【0015】

また、前記予測モデルは、機械学習を利用して前記海運市況を予測することが好適である。

【0016】

また、前記データ取得手段で取得される前記海運市況データ及び前記燃料価格データは、時系列的な統計データであることが好適である。

【0017】

また、前記データ取得手段で取得される前記海運市況データは、バルチック海運指数及び／又は前記バルチック海運指数の算出ベースである船種別データであることが好適である。

【0018】

また、前記出力手段で出力される前記予測結果は、前記データ取得手段で取得された将来の指定日及び／又は指定期間の予測結果であることが好適である。

【0019】

本発明の請求項１３に係る船舶の海運市況を予測する予測プログラムは、コンピュータに、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用する燃料の燃料価格データを取得するデータ取得ステップと、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出ステップと、前記データ抽出ステップで抽出された抽出データ、及び前記データ取得ステップで取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析ステップと、前記予測分析ステップで分析した分析結果を前記海運市況の予測結果として出力する出力ステップと、を実行させることを特徴とする海運市況予測プログラムである。

【0020】

ここで、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことが好適である。

【0021】

また、前記データ取得ステップは、前記船舶の積載対象となる前記貨物の市況価格データを取得し、前記予測分析ステップは、さらに前記市況価格データに基づいて前記海運市況を予測することが好適である。

【0022】

また、前記データ取得ステップは、前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記予測分析ステップは、さらに前記株価指数データに基づいて前記海運市況を予測することが好適である。

【0023】

また、前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジングステップをさらに備えることが好適である。

【0025】

また、前記データ抽出ステップは、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することが好適である。

【0026】

また、前記予測分析ステップで使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定ステップをさらに備え、前記予測分析ステップは、前記データ選定ステップで選定されたデータに基づいて将来の前記海運市況を予測することが好適である。

【0027】

また、前記予測分析ステップは、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することが好適である。

【0028】

また、前記予測分析ステップにおける前記予測モデルは、式（１）、式（２）、式（３）に基づくものであることが好適である。

【数1】

【数2】

【数3】

ΔＢＣＩ：予測指数の増減分
ｆ： 予測指数の増減予測モデル
Ｄ：入力データの集合
ΔＤ：入力データの差分値
Ｓ：入力データのうちの統計データの集合
ＯＡ：衛星ＡＩＳデータより取得した船舶データ（船舶の総貨物量，平均速度等）
ｒ：取得した衛星ＡＩＳデータの海域数（設定した海域数）
ｔ：現在の日
ｐｔ：ｐｔ日先の日
λ：λ日前の日

【0029】

また、前記予測モデルは、機械学習を利用するものであることが好適である。

【0030】

また、前記出力ステップで出力される予測結果は、前記データ取得ステップで取得された将来の指定日及び／又は指定期間の予測結果であることが好適である。

【0031】

本発明の請求項２４に係る船舶の海運市況を予測する予測方法は、コンピュータを用いて船舶の海運市況を予測する予測方法であって、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得し、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出し、抽出された抽出データ、及び取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測することを特徴とする海運市況予測方法である。

【0032】

ここで、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことが好適である。

【0033】

また、前記船舶の積載対象となる前記貨物の市況価格データを取得し、さらに前記市況価格データに基づいて前記海運市況を予測することが好適である。また、前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記株価指数データに基づいて前記海運市況を予測することが好適である。

【発明の効果】

【0034】

本発明の請求項１に係る船舶の海運市況を予測する予測システムによれば、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得するデータ取得手段と、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出手段と、前記データ抽出手段で抽出された抽出データ、及び前記データ取得手段で取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析手段と、前記予測分析手段で分析した分析結果を前記海運市況の予測結果として出力する出力手段とを備えたことによって、海運市況を高い精度で予測することができる。また、設定された海域と期間における前記船舶の総貨物量と平均船速に基づいて海運市況をより高い精度で予測することができる。

【0035】

また、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことによって、前記船舶の動きに関する情報を含む船舶データとして正しいデータを用いることができる。これによって、海運市況をより高い精度で予測することができる。

【0036】

また、前記データ取得手段において前記船舶の積載対象となる前記貨物の市況価格データを取得し、前記予測分析手段は、さらに前記市況価格データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。

【0037】

また、前記データ取得手段において前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記予測分析手段は、さらに前記株価指数データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。

【0038】

また、前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジング手段をさらに備えることによって、予測モデルの構築に相応しいデータ密度とすることができ、海運市況をより高い精度で予測することができる。

【0040】

また、前記データ抽出手段は、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することによって、海運市況に関係する船舶の航行の状態（目的地への動き等）に基づいて海運市況をより高い精度で予測することができる。

【0041】

また、前記予測分析手段で使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定手段をさらに備え、前記予測分析手段は、前記データ選定手段で選定されたデータに基づいて将来の前記海運市況を予測することによって、データが欠落している期間を除いた入力データに基づいて予測モデルを構築することができ、海運市況をより高い精度で予測することができる。

【0042】

また、前記予測分析手段は、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することによって、予測モデルを構築することで海運市況を高い精度で予測することができる。また、前記予測モデルは、機械学習を利用して前記海運市況を予測することによって、機械学習に基づく予測モデルの構築が可能となり、海運市況をより高い精度で予測することができる。

【0043】

また、前記データ取得手段で取得される前記海運市況データ及び前記燃料価格データは、時系列的な統計データであることによって、時系列的な統計データに基づいて海運市況をより高い精度で予測することができる。

【0044】

また、前記データ取得手段で取得される前記海運市況データは、バルチック海運指数及び／又は前記バルチック海運指数の算出ベースである船種別データであることによって、バルチック海運指数及び／又は前記バルチック海運指数の算出ベースである船種別データを高い精度で予測することができる。

【0045】

また、前記出力手段で出力される前記予測結果は、前記データ取得手段で取得された将来の指定日及び／又は指定期間の予測結果であることによって、将来の指定日及び／又は指定期間の海運市況を高い精度で予測することができる。

【0046】

本発明の請求項１３に係る船舶の海運市況を予測する予測プログラムによれば、コンピュータに、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用する燃料の燃料価格データを取得するデータ取得ステップと、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出するデータ抽出ステップと、前記データ抽出ステップで抽出された抽出データ、及び前記データ取得ステップで取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測する予測分析ステップと、前記予測分析ステップで分析した分析結果を前記海運市況の予測結果として出力する出力ステップと、を実行させることによって、海運市況を高い精度で予測することができる。また、設定された海域と期間における前記船舶の総貨物量と平均船速に基づいて海運市況をより高い精度で予測することができる。

【0047】

ここで、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことによって、前記船舶の動きに関する情報を含む船舶データとして正しいデータを用いることができる。これによって、海運市況をより高い精度で予測することができる。

【0048】

また、前記データ取得ステップは、前記船舶の積載対象となる前記貨物の市況価格データを取得し、前記予測分析ステップは、さらに前記市況価格データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。

【0049】

また、前記データ取得ステップは、前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記予測分析ステップは、さらに前記株価指数データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。

【0050】

また、前記船舶データから所定の速度以上の前記船舶のデータを取り除くと共に、設定された時間間隔のデータとなるようにデータ密度を調整するクレンジングステップをさらに備えることによって、海運市況をより高い精度で予測することができる。

【0052】

また、前記データ抽出ステップは、前記船舶の船速と向きに基づきフィルタリングを行なって、前記総貨物量と前記平均船速を抽出することによって、海運市況に関係する船舶の航行の状態（目的地への動き等）に基づいて海運市況をより高い精度で予測することができる。

【0053】

また、前記予測分析ステップで使用されるデータから前記船舶データが取得できない前記期間のデータを除くデータ選定ステップをさらに備え、前記予測分析ステップは、前記データ選定ステップで選定されたデータに基づいて将来の前記海運市況を予測することによって、データが欠落している期間を除いた入力データに基づいて予測モデルを構築することができ、海運市況をより高い精度で予測することができる。

【0054】

また、前記予測分析ステップは、前記抽出データ、前記海運市況データ、前記燃料価格データを予測モデルに適用し前記海運市況を予測することによって、予測モデルを構築することで海運市況を高い精度で予測することができる。

【0055】

また、前記予測分析ステップにおける前記予測モデルは、式（１）、式（２）、式（３）に基づくことによって、具体的な予測モデルの構築が可能となり、海運市況をより高い精度で予測することができる。

【数4】

【数5】

【数6】

ΔＢＣＩ：予測指数の増減分
ｆ： 予測指数の増減予測モデル
Ｄ：入力データの集合
ΔＤ：入力データの差分値
Ｓ：入力データのうちの統計データの集合
ＯＡ：衛星ＡＩＳデータより取得した船舶データ（船舶の総貨物量，平均速度等）
ｒ：取得した衛星ＡＩＳデータの海域数（設定した海域数）
ｔ：現在の日
ｐｔ：ｐｔ日先の日
λ：λ日前の日

【0056】

また、前記予測モデルは、機械学習を利用することによって、機械学習に基づく予測モデルの構築が可能となり、海運市況をより高い精度で予測することができる。

【0057】

また、前記出力ステップで出力される予測結果は、前記データ取得ステップで取得された将来の指定日及び／又は指定期間の予測結果であることによって、将来の指定日及び／又は指定期間の海運市況を高い精度で予測することができる。

【0058】

本発明の請求項２４に係る船舶の海運市況を予測する予測方法によれば、コンピュータを用いて船舶の海運市況を予測する予測方法であって、前記船舶の動きに関する情報を含む船舶データ、海運市況データ、及び前記船舶で使用される燃料の燃料価格データを取得し、前記船舶データから予測に必要なデータとして設定された海域と期間における前記船舶の貨物の総貨物量と平均船速を抽出し、抽出された抽出データ、及び取得された前記海運市況データと前記燃料価格データに基づいて将来の前記海運市況を予測することによって、海運市況を高い精度で予測することができる。

【0059】

ここで、前記船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得された情報を含むことによって、前記船舶の動きに関する情報を含む船舶データとして正しいデータを用いることができる。これによって、海運市況をより高い精度で予測することができる。

【0060】

また、前記船舶の積載対象となる前記貨物の市況価格データを取得し、さらに前記市況価格データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。また、前記船舶の積載対象となる前記貨物に関連した業種の株価指数データを取得し、前記株価指数データに基づいて前記海運市況を予測することによって、海運市況をより高い精度で予測することができる。

【図面の簡単な説明】

【0061】

【図1】本発明の実施の形態における海運市況予測の構成を示す図である。

【図2】本発明の実施の形態における海運市況予測システムの構成を示す機能ブロック図である。

【図3】本発明の実施の形態における海運市況予測サーバ及びデータ提供手段の構成を示す図である。

【図4】本発明の実施の形態における海運市況予測方法を示すフローチャートである。

【図5】本発明の実施の形態における船舶が航行している海域の条件例を示す図である。

【図6】本発明の実施の形態におけるデータの選定処理を説明するための図である。

【図7】本発明の実施の形態におけるディープニューラルネットワーク（ＤＮＮ）のモデル例を示す図である。

【図8】本発明の実施の形態におけるディープニューラルネットワーク（ＤＮＮ）のモデル例を示す図である。

【図9】本発明の実施の形態における海運市況の指標の予想結果を説明するための図である。

【図10】本発明の実施の形態における予測モデル構築の条件例を示す図である。

【図11】本発明の実施の形態における時系列的な予測結果例を示す図である。

【図12】本発明の実施の形態における予測結果についての実績値と予測値との間の相関関係及び方向一致率を示す図である。

【図13】本発明の実施の形態における予測に対する入力データの影響を検討するための図である。

【発明を実施するための形態】

【0062】

本発明の実施の形態における海運市況予測システム１００は、図１に示すように、海運市況予測サーバ１０２、データ提供手段１０４及びクライアントコンピュータ１０６を含んで構成される。

【0063】

海運市況予測サーバ１０２とクライアントコンピュータ１０６は、データ提供手段１０４及びネットワーク１０８を介して情報交換可能に接続される。ネットワーク１０８は、有線であっても、無線であってもよく、例えば、インターネット等の公共回線とされる。

【0064】

海運市況予測サーバ１０２は、図２に示すように、データ取得手段１０、クレンジング手段１２、データ補完手段１４、データ抽出手段１６、データ平準化手段１８、データ選定手段２０、予測分析手段２２、時系列処理手段２４及び表示手段２６を含んで構成される。

【0065】

海運市況予測サーバ１０２及びデータ提供手段１０４は、図３に示すように、処理部３０、記憶部３２、入力部３４、出力部３６及び通信部３８を含んで構成されるコンピュータによって実現することができる。

【0066】

処理部３０は、ＣＰＵ等を含んで構成され、海運市況予測システム１００における処理を統合的に行う。処理部３０は、記憶部３２に記憶されている海運市況予測プログラムを実行することにより、本実施の形態における海運市況予測方法を実現することを可能にする。すなわち、コンピュータをデータ取得手段１０、クレンジング手段１２、データ補完手段１４、データ抽出手段１６、データ平準化手段１８、データ選定手段２０、予測分析手段２２、時系列処理手段２４及び表示手段２６として機能させる。記憶部３２は、海運市況予測システム１００における海運市況予測処理において用いられる海運市況予測プログラムや学習に用いられるデータ等の情報を記憶する。記憶部３２は、例えば、半導体メモリ、ハードディスク等で構成することができる。入力部３４は、海運市況予測システム１００に対して情報を入力するための手段を含む。入力部３４は、例えば、キーボードやマウス等を含んで構成される。出力部３６は、海運市況予測システム１００で処理された情報を表示させる手段を含む。出力部３６は、例えば、ディスプレイとすることができる。通信部３８は、外部の装置との情報交換を行うためのインターフェースを含んで構成される。通信部３８は、例えば、インターネット等の情報通信網や専用回線に接続されることによって外部の装置との通信を可能にする。

【0067】

以下、図４のフローチャートに沿って、海運市況予測システム１００における海運市況予測方法について説明を行う。本実施の形態の海運市況予測システム１００は、船舶の動きに関する情報を含む船舶データ、海運市況データ及び船舶で使用される燃料の燃料価格データを用いて、船舶が関係する海運市況を示す指標を予測する処理を行う。

【0068】

ステップＳ１０では、データの取得処理が行われる。本ステップの処理によって、海運市況予測システム１００はデータ取得手段１０として機能する。処理部３０は、海運市況予測処理において使用されるデータを取得する。データは、入力部３４を介してユーザによって入力されてもよいし、通信部３８を介して外部装置等からネットワーク１０８から取得してもよい。

【0069】

海運市況予測システム１００において海運市況に関する指標の予測モデルを構築するためのデータは、船舶の動きに関する情報を含む船舶データ、海運市況データ、船舶で使用される燃料の燃料価格データを含む。データは、時間的な変化を示す時系列データとする。

【0070】

船舶の動きに関する情報を含む船舶データは、自動船舶識別装置（ＡＩＳ）情報から取得することができる。ＡＩＳは、放送型自動従属監視（ＡＤＳ－Ｂ）の一種であり、船舶航行の安全性向上を目的として自船の船名及び船舶位置等の航海情報を無線によって定期的に送信し、また他船から船名及び船舶位置等の航海情報を無線によって受信できるようにしたものである。ＡＩＳ情報には、静的情報、動的情報、航海関連情報、航海安全関連情報が含まれる。静的情報には、船名及びコールサイン等の船舶を識別するために必要な情報が含まれる。動的情報には、刻々と変化する船舶の航海状況に関する情報（現在位置、航海速力、針路等の情報）が含まれる。具体的には、ＡＩＳ情報は、船名、ＭＭＳＩ番号、ＩＭＯ番号、船舶の種類、船体長・船幅、ＧＮＳＳのアンテナ位置等の静的情報、船舶の位置、ＵＴＣ、対地針路（ＣＯＧ）、対地船速（ＳＯＧ）、船首方向、回頭角速度、航海の状態（航海中、アンカリング中、接岸中等）の動的情報、喫水、積載物、目的地、到着予定時刻等の航海関連情報等を含む。ＡＩＳ情報は、時系列データとして取得することができる。ＡＩＳ情報の送信間隔は、船舶の速力によって変動するが、最大３分間隔以内最小２秒間隔以上の時間間隔で取得される。

【0071】

本実施の形態における船舶データは、静的情報、動的情報から選択された情報又はそれらの情報に基づいて得られる情報を含むようにすればよい。例えば、船舶データとして、時刻毎の船舶の対地針路（ＣＯＧ）及び船舶の対地速度（ＳＯＧ）を用いることが好適である。

【0072】

また、データ取得処理では、個船データが取得される。個船データは、船舶名、船舶のＩＤ、船舶の積貨重量トン（ＤＷＴ）を含むことが好適である。個船データは、Ａｓｔｒａ－ｐａｇｉｎｇ個船データから取得することができる。個船データに基づいて、上記船舶データに含まれる船名に対応する船舶の積貨重量トン（ＤＷＴ）を求めることができる。

【0073】

また、データ取得処理では、海運市況データが取得される。海運市況データは、海運における船舶の運賃等の海運市況に関する情報である。海運市況データは、海運市況予測システム１００において海運市況を示す指標の将来的な値を予想するために機械学習のための教師データとして使用される。

【0074】

海運市況データは、例えば、ロンドンのバルチック海運取引所が発表する外航不定期船の運賃指数であるバルチック海運指数が上げられる。バルチック海運指数は、取引所が開かれている日毎に提供される。また、バルチック海運指数は、総合型（ＢＤＩ）、ケープ型（ＢＣＩ）、パナマックス型（ＢＰＩ）、スープラマックス型（ＢＳＩ）、ハンディサイズ型（ＢＨＳＩ）等の算出ベースである船種別データに細分される。したがって、海運市況データとしてバルチック海運指数を用いる場合には、これらの細分化された指数のいずれかを選択すればよい。

【0075】

なお、海運市況データは、バルチック海運指数に限定されるものではなく、タンカー運賃指数やコンテナ貨物運賃指数他、海運市況予測システム１００において予測する対象となる海運市況（指標）に関連するものであれば何でもよい。

【0076】

具体例として、鉄鉱石を運搬する船舶の海運市況を示す指標を予測する場合、バルチック海運指数のケープ型（ＢＣＩ）を取得する。

【0077】

また、データ取得処理では、予測する対象となる海運市況において積載対象となる貨物の価格や市場に関する情報が取得される。例えば、鉄鉱石を運搬する船舶の海運市況を示す指標を予測する場合、貨物の価格として鉄鉱石の価格を取得し、貨物の市場に関する情報として鉄鋼業に関する株価指数データを取得する。また、例えば、穀物の運搬する船舶の海運市況を示す指標を予測する場合、貨物の価格として当該穀物の価格を取得し、貨物の市場に関する情報として当該穀物に関する業界の株価指数データを取得する。これらの情報は、取引所が開かれている日毎に提供される。

【0078】

具体例として、鉄鉱石を運搬する船舶の海運市況を示す指標を予測する場合、鉄鉱石の価格として鉄鉱石細粒・６２％Ｆｅ・ＣＦＲ先物価格の日別データを取得し、鉄鉱石の市場に関する情報としてＴｏｋｙｏ ＳＥ ＴＯＰＩＸ１７ Ｓｔｅｅｌ Ｓｔｏｃｋ Ｐｒｉｃｅの日別データを取得する。

【0079】

また、データ取得処理では、船舶で使用される燃料の燃料価格データが取得される。船舶で使用される燃料が原油である場合、例えば、原油の価格を示すＷＴＩ価格が取得される。船舶が原油以外の燃料を使用している場合、当該燃料の価格を示す情報が取得される。これらの情報は、取引所が開かれている日毎に提供される。

【0080】

なお、予想する日（指定日）や期間のデータは、例えば、データ取得手段１０に設けられたデータ入力手段１０ａからユーザが入力するようにすればよい。

【0081】

ステップＳ１２では、データに対するクレンジング処理が行われる。本ステップの処理によって、海運市況予測システム１００はクレンジング手段１２として機能する。処理部３０は、ステップＳ１０において取得されたデータから不要なデータを除去したり、データの密度を調整したりする等のクレンジング処理を行う。

【0082】

ＡＩＳ情報では、異なる船舶が同一のＭＭＳＩ番号を使っている等の影響により、データにノイズが含まれることがある。また、ＡＩＳ情報では、数秒から数分間隔の時系列データとなっており、情報量が多くなり過ぎる場合がある。したがって、データの時間間隔を間引く処理を行う。具体例として、ＡＩＳ情報から取得した船舶の対地針路（ＣＯＧ）及び船舶の対地速度（ＳＯＧ）の時間間隔を１０分間隔となるように、１０分毎のデータ値の平均値を算出する処理を行う。また、対地速度（ＳＯＧ）が所定の速度以上（例えば３０ノット以上）であるデータはノイズであるとして除去する処理を行う。

【0083】

なお、データのクレンジング処理は、これらの処理に限定されるものではなく、後述する予測分析手段２２において行われる予測分析処理に合わせてデータを調整する処理であればよい。

【0084】

ステップＳ１４では、データに対する補完処理が行われる。本ステップの処理によって、海運市況予測システム１００はデータ補完手段１４として機能する。処理部３０は、ステップＳ１０において取得されたデータについて、必要なデータが欠けている場合にデータを補完する処理を行う。

【0085】

例えば、個船データについては、データが欠落している場合にＩＴＵ等から提供されているデータにより補完する処理を行う。また、海運市況データ、積載対象となる貨物の価格や市場に関する情報、船舶で使用される燃料の燃料価格データについて、取引所が閉場している日のデータについて補完する処理が行われる。具体例として、取引所が閉場している日のデータとして前日のデータを使用するように処理を行う。

【0086】

なお、データの補完処理は、これらの処理に限定されるものではなく、後述する予測分析手段２２において行われる予測分析処理に合わせてデータを補完する処理であればよい。

【0087】

ステップＳ１６では、データを抽出する処理が行われる。本ステップの処理によって、海運市況予測システム１００はデータ抽出手段１６として機能する。処理部３０は、データクレンジング処理及びデータ補完処理が施されたデータから必要なデータを抽出する処理を行う。

【0088】

抽出条件は、後述する予測分析処理において機械学習による予測モデルの構築が適切に行えるデータを抽出する条件とする。具体的には、例えば、船舶の種類、船舶が航行している海域及び期間、船舶の動きに関する条件とする。船舶の種類の条件としては、積貨重量トン（ＤＷＴ）、船舶のサイズ（船長・船幅等）等に関する条件とすることができる。船舶が航行している海域の条件としては、予測する海運市況の指標に関連する海域とすることができる。船舶が航行している期間は、海運市況の指標を予測したい期間に応じた期間とすることができる。また、船舶の動きに関する条件は、船舶の対地速度（ＳＯＧ）の範囲や対地針路（ＣＯＧ）の範囲とすることができる。

【0089】

鉄鉱石を運搬する船舶の海運市況を示す指標を予測する場合、船舶が航行している海域の条件として、図５に示すように、鉄鉱石を運搬する船舶が通過するオーストラリアの近海領域やインド南方の海域を通過している船舶のデータのみを抽出する。また、鉄鉱石を運搬する船舶として、積貨重量トン（ＤＷＴ）が１８０，０００ＤＷＴ以上の船舶に関するデータのみを抽出する。また、船舶の動きに関する条件として、船舶の対地針路（ＣＯＧ）は、各海域において鉄鉱石を積載した船舶が向かう方向と速度の範囲を抽出条件とすることが好適である。具体的には、３ノット以上の対地速度（ＳＯＧ）であり、オーストラリア近海では対地針路（ＣＯＧ）が８０°以下かつ２７０°以上の船舶及びインド南方の海域では対地針路（ＣＯＧ）が１０°以上１７０°以下の船舶のデータのみを抽出する。また、予想する日に合わせて、期間の条件として、例えば、２０１４年８月から２０１７年１月のデータのみを抽出する。

【0090】

また、各データの期間の単位が異なっている場合、それらの期間の単位を合わせる処理を行う。例えば、海運市況データや燃料価格データが日単位のデータである場合、それに合わせて船舶データを日単位のデータに合わせる処理を施す。具体的には、上記抽出条件に基づいて抽出された船舶データを日単位のデータとするために平均化する処理を施す。例えば、各船舶の船速を平均化させて日毎の平均船速を算出する。また、抽出条件に合致する船舶の積貨重量トン（ＤＷＴ）を足し合わせて日毎の総貨物量を示す総積貨重量トン（総ＤＷＴ）を算出する。

【0091】

ステップＳ１８では、データを平準化する処理が行われる。本ステップの処理によって、海運市況予測システム１００はデータ平準化手段１８として機能する。処理部３０は、データの時間的な平均化処理等によってデータを平準化する処理を行う。例えば、上記処理にて得られるデータには日毎にばらつきが含まれているので、日毎に１４日移動平均値を算出してデータを平準化する。

【0092】

ステップＳ２０では、データを選定する処理が行われる。本ステップの処理によって、海運市況予測システム１００はデータ選定手段２０として機能する。ステップＳ１６で抽出され、ステップＳ１８で平準化されたデータには、図６の破線円で示すように、データが欠落している期間が含まれている場合がある。例えば、ＡＩＳ情報から取得された総積貨重量トン（総ＤＷＴ）や船舶の対地速度（ＳＯＧ）のデータでは、衛星が停止している期間のデータが欠落していることがある。そこで、それらの期間の他のデータを除去する処理が行われる。図６の例では、期間Ｐ１及び期間Ｐ２のデータのみを残し、他の期間のデータを除去する処理が行われる。

【0093】

なお、ステップＳ１６におけるデータの補完処理、ステップＳ１８におけるデータの平準化処理及びステップＳ２０におけるデータの選定処理は、必要に応じて行えばよく、必須の処理ではない。

【0094】

ステップＳ２２では、船舶が関係する海運市況を示す指標を予測する予測分析処理が行われる。本ステップの処理によって、海運市況予測システム１００は予測分析手段２２として機能する。処理部３０は、ステップＳ２０までで準備したデータを用いて機械学習により船舶が関係する海運市況を示す指標を予測する予測モデルを構築する。

【0095】

機械学習としては、ディープラーニング（ＤＬ）を適用することができる。ディープラーニング（ＤＬ）には、例えば、ディープニューラルネットワーク（ＤＮＮ）、リカレントニューラルネットワーク（ＲＮＮ），サポートベクターマシーン（ＳＶＭ），ＸＧ－Ｂｏｏｓｔ等の手法が挙げられる。本実施の形態では、適用するモデルは特に限定されるものではなく、予測する海運市況の指標や入力データ（特徴ベクトル）に応じて適宜選択すればよい。

【0096】

具体例として、ディープニューラルネットワーク（ＤＮＮ）を用いて、将来のバルチック海運指数のケープ型（ＢＣＩ）を予想するモデルを構築した。図７に示すように、ニューラルネットワークを単純に多層化したディープニューラルネットワーク（ＤＮＮ）を用いた。入力層及び出力層の活性化関数はＬｉｎｅａｒとし、中間層の活性化関数にはＲｅＬＵを適用した。また、学習時には、すべての中間層に対してドロップアウト（Ｄｒｏｐｏｕｔ）を組み込んだ。ドロップアウト率（Ｄｒｏｐｏｕｔ率）は０．２とした。また、全層においてバッチ正規化（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ）を組み込んだ。また、学習率等に関しては、参考文献（Ｋｉｎｇｍａ， Ｄ．， ＆ Ｂａ， Ｊ． ：Ａｄａｍ： Ａ ｍｅｔｈｏｄ ｆｏｒ ｓｔｏｃｈａｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ， ２０１４， ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１４１２．６９８０．）の値を用いた。

【0097】

予測モデルにおける入力データの関係を数式（７）～数式（９）に示す。

【数7】

【数8】

【数9】

ここで、ΔＢＣＩ：ＢＣＩの増減分（ｉｎｄｅｘ），ｆ：ＢＣＩの増減予測モデル，Ｄ：入力データの集合（詳細はＴａｂｌｅ １を参照），ΔＤ：入力データの差分値，Ｓ：統計データの集合，Ｉｏ：取得した衛星ＡＩＳデータ（インド洋），Ａｕ：取得した衛星ＡＩＳデータ（オーストラリア），ｔ：現在の日（ｄａｙ），ｐｔ：ｐｔ日先の日（ｄａｙ）（本具体例では、３日，７日，１４日，３０日）

【0098】

具体的な入力データは、図８に示すデータ群（特徴ベクトル）とした。すなわち、入力データＤは、日毎に図８に示したデータの組み合わせたデータ群（特徴ベクトル）とした。入力データとして現時点（ｔ）から過去６０日（ｔ－６０）のデータを用いた。さらに、前日からの差分値ΔＤ（前日の値と比べ，現時点の値がどの程度増減したか）も入力データに加えた。差分値は、データの種類毎の差分値とした。

【0099】

ただし、入力データは、図８に示したデータ群（特徴ベクトル）に限定されるものではなく、船舶の動きに関する情報を含む船舶データ、海運市況データ及び船舶で使用される燃料の燃料価格データを含むものであればよい。さらに、入力データは、予測対象とする海運市況における運搬物（例えば、鉄鉱石等）の価格の情報や予想対象となる海運市況に関連する市場の情報を含むようにしてもよい。

【0100】

出力データは、図９に示すように、３日先、１週間先、２週間先、１ヶ月先の将来のバルチック海運指数のケープ型（ＢＣＩ）の増減分とした。予想する日の設定・変更は、予測分析手段２２に設けた可変部２２ａによって行った。

【0101】

具体的には、図１０に示す条件下において、ディープニューラルネットワーク（ＤＮＮ）において教師付データを適用して機械学習を行わせた。ただし、入力層、中間層及び出力層の活性化関数や学習の条件は、上記例に限定されるものではなく、適宜最適化することが好適である。

【0102】

ステップＳ２４では、出力データに対して時系列処理が行われる。本ステップの処理によって、海運市況予測システム１００は時系列処理手段２４として機能する。上記予測モデルを用いて、予想日を変更しつつ海運市況の指標を予測分析することで、海運市況の指標の予測値の時系列データを生成する。

【0103】

具体例では、予想日を変更しつつ、図１１に示すように、３日先、１週間先、２週間先、１ヶ月先の予測値を求め、時系列データを求めた。図１１において、実線は入力データ（特徴ベクトル）にＡＩＳ情報から得られた船舶の動きに関する船舶データを含めて機械学習により予測モデルを構築した場合（Ｃａｓｅ１）の結果、破線は入力データ（特徴ベクトル）にＡＩＳ情報から得られた船舶の動きに関する船舶データを含めないで機械学習により予測モデルを構築した場合（Ｃａｓｅ２）の結果を示す。なお、図１１において、点線は実績値を示している。

【0104】

Ｃａｓｅ１の場合、１ヶ月先、２週間先では良好にバルチック海運指数のケープ型（ＢＣＩ）の時間的な傾向を再現できた。一方、Ｃａｓｅ２の場合、いずれの場合もバルチック海運指数のケープ型（ＢＣＩ）の時間的な傾向を十分に再現できなかった。

【0105】

図１２は、実績値と予測値との間の相関関係及び方向一致率を検討した結果を示す。方向一致率とは、予測結果と実績値の動きの方向の一致率を示す指標である。１ヶ月先、２週間先、１週間先の予測結果では、方向一致率は７０％以上を超えた。これは、Ｃａｓｅ２に比べて高い値であった。また、Ｃａｓｅ１の場合、相関係数についても１ヶ月先、２週間先、１週間先では０．５以上となっており、実績値との相関が高いことが確認された。

【0106】

なお、上記具体例において、バルチック海運指数のケープ型（ＢＣＩ）の予測結果に対する入力データの影響について検討した。図１３は、図８に示した入力データのすべてを考慮したときの予測結果、株価指数を入力データに含めなかったときの予測結果、原油価格を入力データに含めなかったときの予測結果、鉄鉱石価格を入力データに含めなかったときの予測結果を示す。予測結果は、１ヶ月先及び２週間先の予測における方向一致率と相関関係を示している。

【0107】

株価指数を入力データに含めなかった場合、実績値と予測値との相関係数、方向一致率の双方とも低下した。しかし、方向一致率は若干低下する程度であった。また、原油価格を入力データに含めなかった場合、実績値と予測値との方向一致率及び相関係数のいずれも著しく低下した。鉄鉱石価格を入力データに含めなかった場合、１ヶ月先の予測においては実績値と予測値との方向一致率及び相関係数は若干の低下を示したが、２週間先の予測においては方向一致率及び相関係数は大きく改善した。

【0108】

これらの結果から、鉄鉱石価格（積載対象となる貨物の価格）に関する情報は入力データから除いてもよい可能性がある。ただし、予測する海運市況の指標や積載対象となる貨物が代わると入力データに含めたほうがよい可能性もある。また、株価指数は、相関関係を改善するためには入力データに含めたほうがよい可能性がある。

【0109】

以上のように、本実施の形態によれば、船舶の動きに関する情報を含む船舶データを含む入力データ（特徴ベクトル）を用いて機械学習を行うことで、海運市況に関する指標を高い精度で予測できる。特に、船舶の動きに関する情報を含む船舶データ、海運市況データ、及び船舶で使用される燃料の燃料価格データを組み合わせた入力データ（特徴ベクトル）を用いて機械学習を行うことで、海運市況に関する指標をより高い精度で予測できる。なお、精度にのみ注目すれば、株価指数（株価指数データ）、鉄鉱石価格（貨物の市況価格データ）を考慮すれば、より精度が上がり、また、今後さらに予測に適したデータが出現する可能性もある。しかし、データの取得価格や予測処理等に要する時間を考慮すると、入力データは精度に影響を与える可能性の高いデータに絞ることが好ましい。

【0110】

ステップＳ２６では、予想結果の出力処理が行われる。本ステップの処理によって、海運市況予測システム１００は表示手段２６として機能する。処理部３０は、出力部３６によって上記の処理で得られた予想結果（時系列データ等）を出力する。

【0111】

また、予測結果は、データ提供手段１０４を用いて海運市況予測サーバ１０２の外部へ出力することもできる。データ提供手段１０４の出力手段４０は、ネットワーク１０８に接続されており、時系列処理手段２４で生成された時系列的な予測結果をクライアントコンピュータ１０６へ送信する。また、データ提供手段１０４の通信手段４２は、専用回線等を通じて時系列処理手段２４で生成された時系列的な予測結果を外部へ送信する。

【産業上の利用可能性】

【0112】

上記実施の形態では、鉄鉱石に関するバルチック海運指数のケープ型（ＢＣＩ）の予測分析処理を対象に説明したが、本発明の適用範囲はこれに限定されるものではなく、海運市況に関する他の指標の予測分析にも適用することができる。

【符号の説明】

【0113】

１０ データ取得手段、１０ａ データ入力手段、１２ クレンジング手段、１４ データ補完手段、１６ データ抽出手段、１８ データ平準化手段、２０ データ選定手段、２２ 予測分析手段、２２ａ 可変部、２４ 時系列処理手段、２６ 表示手段、３０ 処理部、３２ 記憶部、３４ 入力部、３６ 出力部、３８ 通信部、４０ 出力手段、４２ 通信手段、１００ 海運市況予測システム、１０２ 海運市況予測サーバ、１０４ データ提供手段、１０６ クライアントコンピュータ、１０８ ネットワーク。

【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】