(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】2023-12-08
(45)【発行日】2023-12-18
(54)【発明の名称】推論装置
(51)【国際特許分類】
G06Q 10/083 20230101AFI20231211BHJP
【ＦＩ】
G06Q10/083
【請求項の数】
3
(21)【出願番号】P 2020031916
(22)【出願日】2020-02-27
(65)【公開番号】P2021135784
(43)【公開日】2021-09-13
【審査請求日】2022-06-06
【前置審査】
(73)【特許権者】
【識別番号】000006013
【氏名又は名称】三菱電機株式会社
(74)【代理人】
【識別番号】110002491
【氏名又は名称】弁理士法人クロスボーダー特許事務所
(72)【発明者】
【氏名】海村 静也
(72)【発明者】
【氏名】田川 雄一
【審査官】野口 俊明
(56)【参考文献】
【文献】国際公開第２０１９／２３５６３１（ＷＯ，Ａ１）
【文献】特開２００３－２２１１２０（ＪＰ，Ａ）
【文献】特開２０１０－２４４２４７（ＪＰ，Ａ）
【文献】特開２００８－２０１４８７（ＪＰ，Ａ）
【文献】特開２０００－０２０８７３（ＪＰ，Ａ）
(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】
輸送物資が指定された輸送条件を取得する輸送条件取得部と、輸送実績として、輸送物資と、前記輸送物資の積載単位と、前記輸送物資の輸送手段と、前記輸送物資の積載及び卸下に要する時間である積載卸下時間とが示される複数の輸送実績データを用いた学習により生成された第１の学習モデルを用いて、前記輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する推論部と、
を有する推論装置。
【請求項2】
前記輸送条件取得部は、輸送区間と、前記第１の学習モデルを用いた推論により得られた輸送手段とが指定された輸送条件を取得し、
前記推論部は、
前記輸送実績として、輸送手段と、輸送区間と、前記輸送区間を前記輸送手段で移動した際に要した移動所要時間とが示される複数の輸送実績データを用いて、輸送手段と輸送区間と、移動所要時間との関係を学習して生成された第２の学習モデルを用いて、前記輸送条件として指定された輸送区間を前記輸送条件として指定された輸送手段で移動した場合の移動所要時間を推論する請求項１に記載の推論装置。
【請求項3】
前記輸送条件取得部は、非通常時の輸送条件を取得し、
前記推論部は、
非通常時の輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデルを用いて、前記非通常時の輸送条件に対応する輸送計画の生成に用いられる値を推論する請求項１に記載の推論装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、輸送計画の生成に関する。
【背景技術】
【0002】
輸送計画業務では、各所から求められる輸送要求を入力として制約条件（輸送手段［航空機、艦船、車両等］、積載サイズ、積載及び卸下時間、移動所要時間等）を満たし、かつコストを極力抑えることができる最適な輸送手段の割当と輸送順序の決定を行っている。
【0003】
従来技術では、輸送計画をエネルギー関数の最小化問題として定式化して、このエネルギー関数の最小状態を求めることにより、輸送手段の割当と輸送順序の最適解を探索する最適解探索方法がある（例えば、特許文献１参照）。従来技術ではエネルギー関数の中に制約条件を表す制約項を設け、設定した目標値を満たす最適解を求める手法が提案されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開平８－１５３０８５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、特許文献１の技術では、目標値の設定方法や制約条件の変化に伴う目標値の再設定までは考慮されていない。
各所から求められる輸送要求は輸送手段に適した積載単位に整理されていないことも多い。このような場合には、輸送手段に応じて輸送物資の集約及び分割が必要となる。しかしながら、特許文献１の技術では、このような輸送物資の積載単位の調整も人手に依存しており、迅速な輸送計画の生成の妨げとなっている。
また、特許文献１の技術は、輸送所要時間（積載卸下時間＋移動所要時間）の設定についても同様に人手に依存している。輸送所要時間の変更頻度は低いものの計画精度への影響が大きいため適切な条件設定が正確であり、輸送計画の生成の妨げとなっている。
各所から求められる輸送要求は輸送手段に適した積載単位に整理されていないことも多い。このような場合には、輸送手段に応じて輸送物資の集約及び分割が必要となる。しかしながら、特許文献１の技術では、このような輸送物資の積載単位の調整も人手に依存しており、迅速な輸送計画の生成の妨げとなっている。
また、特許文献１の技術は、輸送所要時間（積載卸下時間＋移動所要時間）の設定についても同様に人手に依存している。輸送所要時間の変更頻度は低いものの計画精度への影響が大きいため適切な条件設定が正確であり、輸送計画の生成の妨げとなっている。
【0006】
本開示は、輸送計画生成に用いる輸送計画値を推論するための学習モデルを生成する学習装置または輸送計画値を推論する推論装置により、指定された輸送条件に対応する輸送計画を効率的に生成できるようにすることを主な目的とする。
【課題を解決するための手段】
【0007】
本開示に係る推論装置は、
輸送物資が指定された輸送条件を取得する輸送条件取得部と、
輸送実績として、輸送物資と、前記輸送物資の積載単位と、前記輸送物資の輸送手段と、前記輸送物資の積載及び卸下に要する時間である積載卸下時間とが示される複数の輸送実績データを用いた学習により生成された第１の学習モデルを用いて、前記輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する推論部と、を有する。
輸送物資が指定された輸送条件を取得する輸送条件取得部と、
輸送実績として、輸送物資と、前記輸送物資の積載単位と、前記輸送物資の輸送手段と、前記輸送物資の積載及び卸下に要する時間である積載卸下時間とが示される複数の輸送実績データを用いた学習により生成された第１の学習モデルを用いて、前記輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する推論部と、を有する。
【発明の効果】
【0008】
本開示によれば、指定された輸送条件に対応する輸送計画を効率的に生成することができる。
【図面の簡単な説明】
【0009】
【図1】実施の形態１に係る情報処理システムの構成例を示す図。
【図2】実施の形態１に係る学習装置の構成例を示す図。
【図3】実施の形態１に係る推論装置の構成例を示す図。
【図4】実施の形態１に係る学習フェーズの例を示す図。
【図5】実施の形態１に係る学習装置の動作例を示すフローチャート。
【図6】実施の形態１に係る活用フェーズの例を示す図。
【図7】実施の形態１に係る学習装置の動作例を示すフローチャート。
【図8】実施の形態１に係るニューラルネットワークの例を示すフローチャート。
【発明を実施するための形態】
【0010】
実施の形態１．
本実施の形態では、過去の輸送実績を教師データとした学習を行って輸送計画の生成に用いられる値（以下、輸送計画値という）を推論するための学習モデルを生成する。そして、本実施の形態では、生成された学習モデルを用いて輸送計画値を推論する。この結果、指定された輸送条件に対応する輸送計画を効率的かつ迅速に生成することができる。
なお、輸送計画値とは、本実施の形態では、輸送物資の積載単位、積載卸下時間及び移動所要時間である。
本実施の形態では、過去の輸送実績を教師データとした学習を行って輸送計画の生成に用いられる値（以下、輸送計画値という）を推論するための学習モデルを生成する。そして、本実施の形態では、生成された学習モデルを用いて輸送計画値を推論する。この結果、指定された輸送条件に対応する輸送計画を効率的かつ迅速に生成することができる。
なお、輸送計画値とは、本実施の形態では、輸送物資の積載単位、積載卸下時間及び移動所要時間である。
【0011】
＊＊＊構成の説明＊＊＊
図１は、本実施の形態に係る情報処理システム３００を示す。
情報処理システム３００は、学習装置１００と推論装置２００から構成される。
学習装置１００は、過去の輸送実績データから輸送計画値を推論するための学習モデルを生成する。
推論装置２００は、学習装置１００が生成した学習モデルを用いて、輸送条件に対応した輸送計画に用いる輸送計画値を推論する。
図１では、図示を省略しているが、推論装置２００は、例えば、ネットワークを介して後述する輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に接続される。推論装置２００は、輸送計画値を輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に出力する。
図１では、学習装置１００と推論装置２００を異なるコンピュータで実現しているが、学習装置１００と推論装置２００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００の任意の組合せを１つのコンピュータで実現してもよい。さらに、学習装置１００と推論装置２００が、クラウドサーバ上に存在していてもよい。同様に、輸送所要時間算出装置８００と輸送割当スケジューリング装置９００もクラウドサーバ上に存在していてもよい。
図１は、本実施の形態に係る情報処理システム３００を示す。
情報処理システム３００は、学習装置１００と推論装置２００から構成される。
学習装置１００は、過去の輸送実績データから輸送計画値を推論するための学習モデルを生成する。
推論装置２００は、学習装置１００が生成した学習モデルを用いて、輸送条件に対応した輸送計画に用いる輸送計画値を推論する。
図１では、図示を省略しているが、推論装置２００は、例えば、ネットワークを介して後述する輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に接続される。推論装置２００は、輸送計画値を輸送所要時間算出装置８００及び輸送割当スケジューリング装置９００に出力する。
図１では、学習装置１００と推論装置２００を異なるコンピュータで実現しているが、学習装置１００と推論装置２００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００とを１つのコンピュータで実現してもよい。また、学習装置１００と推論装置２００と輸送所要時間算出装置８００と輸送割当スケジューリング装置９００の任意の組合せを１つのコンピュータで実現してもよい。さらに、学習装置１００と推論装置２００が、クラウドサーバ上に存在していてもよい。同様に、輸送所要時間算出装置８００と輸送割当スケジューリング装置９００もクラウドサーバ上に存在していてもよい。
【0012】
学習装置１００において、データ取得部１０１は、輸送実績が示される複数の輸送実績データを取得する。
【0013】
学習モデル生成部１０２は、データ取得部１０１により取得された複数の輸送実績データを用いた学習を行って、輸送計画値を推論するための学習モデルを生成する。
【0014】
推論装置２００において、輸送条件取得部２０１は、輸送条件を取得する。
【0015】
推論部２０２は、学習モデル生成部１０２により生成された学習モデルを用いて、輸送条件に対応する輸送計画値を推論する。そして、学習モデル生成部１０２は、推論した輸送計画値を輸送所要時間算出装置８００と輸送割当スケジューリング装置９００に出力する。
【0016】
図２は、学習装置１００のハードウェア構成例を示す。
【0017】
学習装置１００は、ハードウェアとして、プロセッサ１５１、主記憶装置１５２、補助記憶装置１５３及び通信装置１５４を備える。
補助記憶装置１５３には、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置１５３から主記憶装置１５２にロードされる。そして、プロセッサ１５１がこれらプログラムを実行して、データ取得部１０１及び学習モデル生成部１０２の動作を行う。
図２では、プロセッサ１５１がデータ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行している状態を模式的に表している。
補助記憶装置１５３には、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置１５３から主記憶装置１５２にロードされる。そして、プロセッサ１５１がこれらプログラムを実行して、データ取得部１０１及び学習モデル生成部１０２の動作を行う。
図２では、プロセッサ１５１がデータ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行している状態を模式的に表している。
【0018】
図３は、推論装置２００のハードウェア構成例を示す。
【0019】
推論装置２００は、ハードウェアとして、プロセッサ２５１、主記憶装置２５２、補助記憶装置２５３及び通信装置２５４を備える。
補助記憶装置２５３には、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置２５３から主記憶装置２５２にロードされる。そして、プロセッサ２５１がこれらプログラムを実行して、輸送条件取得部２０１及び推論部２０２の動作を行う。
図３では、プロセッサ２５１が輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行している状態を模式的に表している。
補助記憶装置２５３には、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置２５３から主記憶装置２５２にロードされる。そして、プロセッサ２５１がこれらプログラムを実行して、輸送条件取得部２０１及び推論部２０２の動作を行う。
図３では、プロセッサ２５１が輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行している状態を模式的に表している。
【0020】
＊＊＊動作の説明＊＊＊
以下では、学習装置１００による学習フェーズと推論装置２００による活用フェーズを説明する。
以下では、学習装置１００による学習フェーズと推論装置２００による活用フェーズを説明する。
【0021】
＜学習フェーズ＞
図４は、学習装置１００による学習フェーズの例を示す。
図４の（１）は、輸送物資から積載単位、輸送手段及び積載卸下時間を推論するための学習モデルを生成する例を示す。
図４の（２）は、輸送手段及び輸送区間から移動所要時間を推論するための学習モデルを生成する例を示す。
なお、輸送物資とは輸送される物資である。積載単位とは輸送物資を輸送手段に積載する際の単位（重さ、寸法、個数等）である。輸送手段には、航空機、艦船、車両等が含まれる。積載卸下時間とは、輸送物資の積載及び卸下に要する時間である。輸送区間とは、輸送の出発地から目的地までの区間である。移動所要時間は、輸送区間を輸送手段で移動した場合に要する時間である。
図４は、学習装置１００による学習フェーズの例を示す。
図４の（１）は、輸送物資から積載単位、輸送手段及び積載卸下時間を推論するための学習モデルを生成する例を示す。
図４の（２）は、輸送手段及び輸送区間から移動所要時間を推論するための学習モデルを生成する例を示す。
なお、輸送物資とは輸送される物資である。積載単位とは輸送物資を輸送手段に積載する際の単位（重さ、寸法、個数等）である。輸送手段には、航空機、艦船、車両等が含まれる。積載卸下時間とは、輸送物資の積載及び卸下に要する時間である。輸送区間とは、輸送の出発地から目的地までの区間である。移動所要時間は、輸送区間を輸送手段で移動した場合に要する時間である。
【0022】
図４の（１）では、学習装置１００は、過去の輸送実績が示される複数の輸送実績データ（１）４０１を学習用データとして用いて学習モデル（１）５０１を生成する。なお、学習モデル（１）５０１は第１の学習モデルに相当する。
データ取得部１０１は、複数の輸送実績データ（１）４０１を取得する。
輸送実績データ（１）４０１には、入力１－１として輸送物資が示され、入力１－２として積載単位、輸送手段及び積載卸下時間が示される。つまり、輸送実績データ（１）４０１には、入力１－１の輸送物資に対して実際に適用された積載単位、輸送手段が入力１－２として示される。また、輸送実績データ（１）４０１には、入力１－１の輸送物資を入力１－２の積載単位で輸送手段に積載した場合の積載卸下時間が入力１－２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（１）４０１を学習して、輸送条件として指定された輸送物資から対応する積載単位、輸送手段及び積載卸下時間を推論するための学習モデル（１）５０１を生成する。つまり、学習モデル生成部１０２は、入力１－２の値（積載単位、輸送手段及び積載卸下時間）を入力１－１の値（輸送物資）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送物資から最適な積載単位、輸送手段及び積載卸下時間を出力することができる学習モデル（１）５０１を生成する。
学習モデル生成部１０２は、生成した学習モデル（１）５０１を推論装置２００に出力する。なお、学習モデル生成部１０２は後述する学習モデル（２）５０２とともに学習モデル（１）５０１を推論装置２００に出力してもよい。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（１）５０１を格納する。
データ取得部１０１は、複数の輸送実績データ（１）４０１を取得する。
輸送実績データ（１）４０１には、入力１－１として輸送物資が示され、入力１－２として積載単位、輸送手段及び積載卸下時間が示される。つまり、輸送実績データ（１）４０１には、入力１－１の輸送物資に対して実際に適用された積載単位、輸送手段が入力１－２として示される。また、輸送実績データ（１）４０１には、入力１－１の輸送物資を入力１－２の積載単位で輸送手段に積載した場合の積載卸下時間が入力１－２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（１）４０１を学習して、輸送条件として指定された輸送物資から対応する積載単位、輸送手段及び積載卸下時間を推論するための学習モデル（１）５０１を生成する。つまり、学習モデル生成部１０２は、入力１－２の値（積載単位、輸送手段及び積載卸下時間）を入力１－１の値（輸送物資）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送物資から最適な積載単位、輸送手段及び積載卸下時間を出力することができる学習モデル（１）５０１を生成する。
学習モデル生成部１０２は、生成した学習モデル（１）５０１を推論装置２００に出力する。なお、学習モデル生成部１０２は後述する学習モデル（２）５０２とともに学習モデル（１）５０１を推論装置２００に出力してもよい。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（１）５０１を格納する。
【0023】
図４の（２）では、学習装置１００は、過去の輸送実績が示される複数の輸送実績データ（２）４０２を学習用データとして用いて学習モデル（２）５０２を生成する。学習モデル（２）５０２は第２の学習モデルに相当する。
データ取得部１０１は、複数の輸送実績データ（２）４０２を取得する。
輸送実績データ（２）４０２には、入力２－１として輸送手段と輸送区間が示され、入力２－２として移動所要時間が示される。つまり、輸送実績データ（２）４０２には、入力２－１の輸送手段で入力２－１の輸送区間を移動した場合に実際に発生した移動所要時間が入力２－２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（２）４０２を学習して、輸送条件として指定された輸送手段と輸送区間から対応する移動所要時間を推論するための学習モデル（２）５０２を生成する。つまり、学習モデル生成部１０２は、入力２－２の値（移動所要時間）を入力２－１の値（輸送手段及び輸送区間）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送手段と輸送区間から最適な移動所要時間を出力することができる学習モデル（２）５０２を生成する。
学習モデル生成部１０２は、生成した学習モデル（２）５０２を推論装置２００に出力する。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（２）５０２を格納する。
データ取得部１０１は、複数の輸送実績データ（２）４０２を取得する。
輸送実績データ（２）４０２には、入力２－１として輸送手段と輸送区間が示され、入力２－２として移動所要時間が示される。つまり、輸送実績データ（２）４０２には、入力２－１の輸送手段で入力２－１の輸送区間を移動した場合に実際に発生した移動所要時間が入力２－２として示される。
そして、学習モデル生成部１０２は、複数の輸送実績データ（２）４０２を学習して、輸送条件として指定された輸送手段と輸送区間から対応する移動所要時間を推論するための学習モデル（２）５０２を生成する。つまり、学習モデル生成部１０２は、入力２－２の値（移動所要時間）を入力２－１の値（輸送手段及び輸送区間）に対する正解として用いて学習を行う。そして、学習モデル生成部１０２は、輸送条件として指定された輸送手段と輸送区間から最適な移動所要時間を出力することができる学習モデル（２）５０２を生成する。
学習モデル生成部１０２は、生成した学習モデル（２）５０２を推論装置２００に出力する。
なお、学習装置１００と推論装置２００が同じコンピュータで実現される場合は、学習モデル生成部１０２は既定の記憶領域に学習モデル（２）５０２を格納する。
【0024】
学習モデル生成部１０２が用いる学習アルゴリズムとして、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。一例として、学習モデル生成部１０２が用いる学習アルゴリズムにニューラルネットワークを適用する例を説明する。
学習モデル生成部１０２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、積載単位、輸送手段、積載卸下時間及び移動所要時間を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。
学習モデル生成部１０２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、積載単位、輸送手段、積載卸下時間及び移動所要時間を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。
【0025】
ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）及び複数のニューロンからなる出力層で構成される。中間層は、１層又は２層以上でもよい。
【0026】
例えば、図８に示すような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１‐Ｘ３）に入力されると、その値に重みＷ１（ｗ１１‐ｗ１６）を掛けて中間層（Ｙ１‐Ｙ２）に入力される。そして、その結果にさらに重みＷ２（ｗ２１‐ｗ２６）を掛けて出力層（Ｚ１‐Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。
【0027】
本実施の形態では、２つのニューラルネットワークを使用する。
【0028】
図４の（１）の学習で用いられるニューラルネットワークは、データ取得部１０１によって取得される入力１－１、入力１－２（正解）の組合せに基づいて作成される輸送実績データ（１）４０１（学習用データ）に従って、いわゆる教師あり学習により、積載単位、輸送手段及び積載卸下時間の出力を学習する。
【0029】
すなわち、ニューラルネットワークは、入力層に入力１－１を入力して出力層から出力された結果が、入力１－２（正解）に近づくように重みＷ１とＷ２を調整することで学習する。
【0030】
【0031】
【0032】
ステップＳ５０１において、データ取得部１０１が輸送実績データ（１）４０１を取得する。なお、ここでは、輸送実績データ（１）４０１として入力１－１、入力１－２を同時に取得するものとするが、入力１－１、入力１－２を関連づけて入力できればよい。このため、データ取得部１０１は、入力１－１、入力１－２のデータをそれぞれ別のタイミングで取得してもよい。
【0033】
次に、ステップＳ５０２において、学習モデル生成部１０２が入力１－１、入力１－２の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により学習モデル（１）５０１を生成する。つまり、学習モデル生成部１０２は、輸送物資と、積載単位と輸送手段と積載卸下時間との関係を学習し、輸送条件として指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論するための学習モデル（１）５０１を生成する
【0034】
最後に、ステップＳ５０３において、学習モデル生成部１０２は推論装置２００に学習モデル（１）５０１を出力する。
【0035】
次に、図４の（２）のケースを説明する。
【0036】
ステップＳ５０１において、データ取得部１０１が輸送実績データ（２）４０２を取得する。なお、ここでは、輸送実績データ（１）４０１として入力２－１、入力２－２を同時に取得するものとするが、入力２－１、入力２－２を関連づけて入力できればよい。このため、データ取得部１０１は、入力２－１、入力２－２のデータをそれぞれ別のタイミングで取得してもよい。
【0037】
次に、ステップＳ５０２において、学習モデル生成部１０２が入力２－１、入力２－２の組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により学習モデル（２）５０２を生成する。つまり、学習モデル生成部１０２は、輸送手段と輸送区間と、移動所要時間との関係を学習し、輸送条件として指定された輸送区間を輸送条件として指定された輸送手段で移動した場合の移動所要時間を推論するための学習モデル（２）５０２を生成する。
【0038】
最後に、ステップＳ５０３において、学習モデル生成部１０２は推論装置２００に学習モデル（２）５０２を出力する。
【0039】
＜活用フェーズ＞
図６は、推論装置２００による活用フェーズの例を示す。
活用フェーズでは、推論装置２００は、輸送条件（１）６０１及び輸送条件（２）６０２を取得する。そして、推論装置２００は、学習モデル（１）５０１及び学習モデル（２）５０２を用いて輸送計画値（１）７０１、輸送計画値（２）７０２及び輸送計画値（３）７０３を出力する。より具体的には、推論装置２００は、輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。また、推論装置２００は、輸送計画値（２）７０２と輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。
輸送所要時間算出装置８００は、輸送計画値（２）７０２と輸送計画値（３）７０３から輸送所要時間を算出する。そして、輸送所要時間算出装置８００は、算出した輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。
輸送割当スケジューリング装置９００は、輸送計画値（１）７０１と輸送計画値（４）７０４から輸送計画である輸送割当スケジュールを生成する。
図６は、推論装置２００による活用フェーズの例を示す。
活用フェーズでは、推論装置２００は、輸送条件（１）６０１及び輸送条件（２）６０２を取得する。そして、推論装置２００は、学習モデル（１）５０１及び学習モデル（２）５０２を用いて輸送計画値（１）７０１、輸送計画値（２）７０２及び輸送計画値（３）７０３を出力する。より具体的には、推論装置２００は、輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。また、推論装置２００は、輸送計画値（２）７０２と輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。
輸送所要時間算出装置８００は、輸送計画値（２）７０２と輸送計画値（３）７０３から輸送所要時間を算出する。そして、輸送所要時間算出装置８００は、算出した輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。
輸送割当スケジューリング装置９００は、輸送計画値（１）７０１と輸送計画値（４）７０４から輸送計画である輸送割当スケジュールを生成する。
【0040】
図６では、説明の便宜上、輸送条件取得部２０１を輸送条件取得部（１）２０１１と輸送条件取得部（２）２０１２に分けている。同様に、推論部２０２を推論部（１）２０２１と推論部（２）２０２２に分けている。輸送条件取得部２０１は二段階の動作を行うため、各段階に対応させた説明を行うために、輸送条件取得部２０１を輸送条件取得部（１）２０１１と輸送条件取得部（２）２０１２に分けている。同様に、推論部２０２も二段階の動作を行うため、各段階に対応させた説明を行うために、推論部２０２を推論部（１）２０２１と推論部（２）２０２２に分けている。このような理由であるため、実際には、輸送条件取得部２０１が輸送条件取得部（１）２０１１の動作と輸送条件取得部（２）２０１２の動作を行う。また、推論部２０２が推論部（１）２０２１の動作と推論部（２）２０２２の動作を行う。
【0041】
輸送条件取得部（１）２０１１は、輸送条件（１）６０１を取得する。輸送条件（１）６０１には、入力１－１として輸送物資が示される。
輸送条件（１）６０１に示される輸送物資は、例えば、輸送割当スケジューリング装置９００のユーザに指定される。
輸送条件（１）６０１に示される輸送物資は、例えば、輸送割当スケジューリング装置９００のユーザに指定される。
【0042】
推論部（１）２０２１は、学習モデル（１）５０１を用いて、輸送条件（１）６０１で指定された輸送物資の積載単位と輸送手段と積載卸下時間とを推論する。
そして、推論部（１）２０２１は、積載単位が出力１－１として示される輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。
また、推論部（１）２０２１は、輸送手段が出力１－２として示される輸送条件（３）６０３を輸送条件取得部（２）２０１２に出力する。
また、推論部（１）２０２１は、積載卸下時間が出力３－１として示される輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。
そして、推論部（１）２０２１は、積載単位が出力１－１として示される輸送計画値（１）７０１を輸送割当スケジューリング装置９００に出力する。
また、推論部（１）２０２１は、輸送手段が出力１－２として示される輸送条件（３）６０３を輸送条件取得部（２）２０１２に出力する。
また、推論部（１）２０２１は、積載卸下時間が出力３－１として示される輸送計画値（３）７０３を輸送所要時間算出装置８００に出力する。
【0043】
輸送条件取得部（２）２０１２は、輸送条件（２）６０２を取得する。輸送条件（２）６０２には、入力２－１として輸送区間が示される。輸送条件（２）６０２に示される輸送区間は、例えば、輸送割当スケジューリング装置９００のユーザに指定される。
また、輸送条件取得部（２）２０１２は、推論部（１）２０２１から輸送条件（３）６０３を取得する。輸送条件（３）６０３には、入力２－１として、輸送手段が示される。
また、輸送条件取得部（２）２０１２は、推論部（１）２０２１から輸送条件（３）６０３を取得する。輸送条件（３）６０３には、入力２－１として、輸送手段が示される。
【0044】
推論部（２）２０２２は、学習モデル（２）５０２を用いて、輸送条件（２）６０２で指定された輸送区間を輸送条件（３）６０３で指定された輸送手段で移動した場合の移動所要時間を推論する。
そして、推論部（２）２０２２は、移動所要時間が出力２－１として示される輸送計画値（２）７０２を輸送所要時間算出装置８００に出力する。
そして、推論部（２）２０２２は、移動所要時間が出力２－１として示される輸送計画値（２）７０２を輸送所要時間算出装置８００に出力する。
【0045】
輸送所要時間算出装置８００は、輸送計画値（２）７０２の移動所要時間と輸送計画値（３）７０３の積載卸下時間とを加算して、輸送所要時間を得る。輸送所要時間は、積載卸下時間を含む、輸送条件（１）６０１の輸送物資を輸送条件（３）６０３の輸送手段により輸送条件（２）６０２の輸送区間で輸送する場合の所要時間である。
輸送所要時間算出装置８００は、輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。
輸送所要時間算出装置８００は、輸送所要時間が示される輸送計画値（４）７０４を輸送割当スケジューリング装置９００に出力する。
【0046】
輸送割当スケジューリング装置９００は、輸送計画値（１）７０１に示される輸送物資、輸送計画値（４）７０４に示される輸送所要時間に加えて、輸送要求（輸送期日や輸送優先度等）、制約条件（輸送手段の稼働状況、輸送人員数等）に基づき輸送条件を満たす輸送計画を生成する。そして、輸送割当スケジューリング装置９００は、生成した輸送計画を出力する。輸送割当スケジューリング装置９００は、省コストで短時間に輸送する計画を出力するために組合せ最適化技術を適用するが、スケジューリングの方法については、これに限られるものではない。
【0047】
図７は、推論装置２００の動作例を示すフローチャートである。
【0048】
ステップＳ７０１において、輸送条件取得部２０１が輸送条件（１）６０１を取得する。
【0049】
次に、ステップＳ７０２において、推論部２０２が輸送条件（１）６０１を学習モデル（１）５０１に適用して積載単位（出力１－１）と輸送手段（出力１－２）と積載卸下時間（出力３－１）を得る。推論部２０２は、輸送条件（３）６０３を輸送条件取得部（２）２０１２に出力する。
【0050】
ステップＳ７０３において、輸送条件取得部２０１が輸送条件（２）６０２と輸送条件（３）６０３を取得する。
【0051】
ステップＳ７０４において、推論部２０２が輸送条件（２）６０２と輸送条件（３）６０３を学習モデル（２）５０２に適用して移動所要時間（出力２－１）を得る。
【0052】
ステップＳ７０５において、推論部２０２が輸送計画値（１）７０１及び輸送計画値（３）７０３を出力する。
【0053】
また、ステップＳ７０６において、推論部２０２が輸送計画値（２）７０２を出力する。
【0054】
なお、図７の例では、推論部２０２はステップＳ７０５において輸送計画値（１）７０１及び輸送計画値（３）７０３を出力する。これに代えて、推論部２０２は、輸送条件（３）６０３の出力と同じタイミングで輸送計画値（１）７０１及び輸送計画値（３）７０３を出力するようにしてもよい。
【0055】
＊＊＊実施の形態の効果の説明＊＊＊
本実施の形態によれば、指定された輸送条件に対応する輸送計画を効率的に生成することができる。
より具体的には、本実施の形態によれば、輸送手段に適した積載単位への集約及び分割を自動化し高速化を図るとともに、輸送所要時間の精度を向上することで迅速かつ正確な輸送計画を生成することができる。
本実施の形態によれば、指定された輸送条件に対応する輸送計画を効率的に生成することができる。
より具体的には、本実施の形態によれば、輸送手段に適した積載単位への集約及び分割を自動化し高速化を図るとともに、輸送所要時間の精度を向上することで迅速かつ正確な輸送計画を生成することができる。
【0056】
特に、本実施の形態は、非通常時の輸送計画の生成に効果を奏する。
例えば、自然災害の発生、疫病の蔓延、テロの発生、大規模イベントの開催等があった場合は、輸送条件が平時と異なる。このような非通常時には、例えば、利用可能な輸送手段、輸送経路が限られる等の事態が想定される。このため、非通常時では、平時とは異なる状況に応じた輸送計画を策定する必要がある。限られた時間内で人手により非通常時の輸送計画の策定を行うことは負担が高く、迅速かつ正確な輸送計画の策定が困難である。
このような非通常時に輸送計画を迅速かつ正確に生成するために、データ取得部１０１が非通常時の輸送実績が示される複数の輸送実績データを取得する。そして、学習モデル生成部１０２が非通常時の輸送条件に対応する輸送計画値を推論するための学習モデル（１）５０１及び学習モデル（２）５０２を生成する。また、輸送条件取得部２０１が非通常時の輸送条件を取得し、推論部２０２が、非通常時の輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデル（１）５０１及び学習モデル（２）５０２を用いて、非通常時の輸送条件に対応する輸送計画値を推論する。
このようにすることで、非通常時にも状況に応じた輸送計画を迅速かつ正確に生成することができる。
例えば、自然災害の発生、疫病の蔓延、テロの発生、大規模イベントの開催等があった場合は、輸送条件が平時と異なる。このような非通常時には、例えば、利用可能な輸送手段、輸送経路が限られる等の事態が想定される。このため、非通常時では、平時とは異なる状況に応じた輸送計画を策定する必要がある。限られた時間内で人手により非通常時の輸送計画の策定を行うことは負担が高く、迅速かつ正確な輸送計画の策定が困難である。
このような非通常時に輸送計画を迅速かつ正確に生成するために、データ取得部１０１が非通常時の輸送実績が示される複数の輸送実績データを取得する。そして、学習モデル生成部１０２が非通常時の輸送条件に対応する輸送計画値を推論するための学習モデル（１）５０１及び学習モデル（２）５０２を生成する。また、輸送条件取得部２０１が非通常時の輸送条件を取得し、推論部２０２が、非通常時の輸送実績が示される複数の輸送実績データを用いた学習により生成された学習モデル（１）５０１及び学習モデル（２）５０２を用いて、非通常時の輸送条件に対応する輸送計画値を推論する。
このようにすることで、非通常時にも状況に応じた輸送計画を迅速かつ正確に生成することができる。
【0057】
＊＊＊その他＊＊＊
なお、本実施の形態では、学習アルゴリズムとして学習モデル生成部１０２が教師あり学習アルゴリズムを用いる例を説明した。しかし、用いられる学習アルゴリズムは、これに限られるものではない。学習アルゴリズムについては、教師あり学習アルゴリズム以外にも、強化学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム等を適用することも可能である。
なお、本実施の形態では、学習アルゴリズムとして学習モデル生成部１０２が教師あり学習アルゴリズムを用いる例を説明した。しかし、用いられる学習アルゴリズムは、これに限られるものではない。学習アルゴリズムについては、教師あり学習アルゴリズム以外にも、強化学習アルゴリズム、教師なし学習アルゴリズム、半教師あり学習アルゴリズム等を適用することも可能である。
【0058】
また、学習モデル生成部１０２、複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。
なお、学習モデル生成部１０２は、同一のエリアの複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習モデル生成部１０２は、異なるエリアで独立して動作する複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習用データの収集に用いる輸送割当スケジューリング装置９００を後から追加することも可能であるし、後から除外することも可能である。
更に、ある輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ａという）の輸送計画に基づく輸送実績データを用いて得られた学習モデルを、輸送割当スケジューリング装置９００Ａとは別の輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ｂという）の輸送計画の生成のために用いることも可能である。また、学習モデル生成部１０２が輸送割当スケジューリング装置９００Ｂの輸送計画に基づく輸送実績データを用いた再学習を行い、学習モデルを更新してもよい。
なお、学習モデル生成部１０２は、同一のエリアの複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習モデル生成部１０２は、異なるエリアで独立して動作する複数の輸送割当スケジューリング装置９００により生成された輸送計画に基づく輸送実績データを学習用データに用いてもよい。また、学習用データの収集に用いる輸送割当スケジューリング装置９００を後から追加することも可能であるし、後から除外することも可能である。
更に、ある輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ａという）の輸送計画に基づく輸送実績データを用いて得られた学習モデルを、輸送割当スケジューリング装置９００Ａとは別の輸送割当スケジューリング装置９００（輸送割当スケジューリング装置９００Ｂという）の輸送計画の生成のために用いることも可能である。また、学習モデル生成部１０２が輸送割当スケジューリング装置９００Ｂの輸送計画に基づく輸送実績データを用いた再学習を行い、学習モデルを更新してもよい。
【0059】
また、学習モデル生成部１０２の学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもできる。また、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシン等に従って機械学習を実行してもよい。
【0060】
＊＊＊ハードウェア構成の補足説明＊＊＊
最後に、学習装置１００及び推論装置２００のハードウェア構成の補足説明を行う。
図２及び図３に示すプロセッサ１５１及びプロセッサ２５１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
図２及び図３に示す主記憶装置１５２及び主記憶装置２５２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
図２及び図３に示す補助記憶装置１５３及び補助記憶装置２５３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
図２及び図３に示す通信装置１５４及び通信装置２５４は、は、データの通信処理を実行する電子回路である。
通信装置１５４及び通信装置２５４は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。
最後に、学習装置１００及び推論装置２００のハードウェア構成の補足説明を行う。
図２及び図３に示すプロセッサ１５１及びプロセッサ２５１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
図２及び図３に示す主記憶装置１５２及び主記憶装置２５２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
図２及び図３に示す補助記憶装置１５３及び補助記憶装置２５３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
図２及び図３に示す通信装置１５４及び通信装置２５４は、は、データの通信処理を実行する電子回路である。
通信装置１５４及び通信装置２５４は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。
【0061】
また、補助記憶装置１５３及び補助記憶装置２５３には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）も記憶されている。
そして、ＯＳの少なくとも一部がプロセッサ１５１及びプロセッサ２５１により実行される。
プロセッサ１５１はＯＳの少なくとも一部を実行しながら、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行する。
プロセッサ１５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
プロセッサ２５１はＯＳの少なくとも一部を実行しながら、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行する。
プロセッサ２５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
そして、ＯＳの少なくとも一部がプロセッサ１５１及びプロセッサ２５１により実行される。
プロセッサ１５１はＯＳの少なくとも一部を実行しながら、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムを実行する。
プロセッサ１５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
プロセッサ２５１はＯＳの少なくとも一部を実行しながら、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムを実行する。
プロセッサ２５１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
【0062】
また、データ取得部１０１及び学習モデル生成部１０２の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置１５２、補助記憶装置１５３、プロセッサ１５１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、輸送条件取得部２０１及び推論部２０２の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置３５２、補助記憶装置２５３、プロセッサ２５１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
同様に、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
また、輸送条件取得部２０１及び推論部２０２の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置３５２、補助記憶装置２５３、プロセッサ２５１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、データ取得部１０１及び学習モデル生成部１０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
同様に、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、輸送条件取得部２０１及び推論部２０２の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
【0063】
また、データ取得部１０１及び学習モデル生成部１０２の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
同様に、輸送条件取得部２０１及び推論部２０２の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
また、学習装置１００は、処理回路により実現されてもよい。同様に、推論装置２００も処理回路により実現されてもよい。
処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。
同様に、輸送条件取得部２０１及び推論部２０２の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
また、学習装置１００は、処理回路により実現されてもよい。同様に、推論装置２００も処理回路により実現されてもよい。
処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。
【符号の説明】
【0064】
１００ 学習装置、１０１ データ取得部、１０２ 学習モデル生成部、１５１ プロセッサ、１５２ 主記憶装置、１５３ 補助記憶装置、１５４ 通信装置、２００ 推論装置、２０１ 輸送条件取得部、２０２ 推論部、２５１ プロセッサ、２５２ 主記憶装置、２５３ 補助記憶装置、２５４ 通信装置、３００ 情報処理システム、４０１ 輸送実績データ（１）、４０２ 輸送実績データ（２）、５０１ 学習モデル（１）、５０２ 学習モデル（２）、６０１ 輸送条件（１）、６０２ 輸送条件（２）、６０３ 輸送条件（３）、７０１ 輸送計画値（１）、７０２ 輸送計画値（２）、７０３ 輸送計画値（３）、７０４ 輸送計画値（４）、８００ 輸送所要時間算出装置、９００ 輸送割当スケジューリング装置、２０１１ 輸送条件取得部（１）、２０１２ 輸送条件取得部（２）、２０２１ 推論部（１）、２０２２ 推論部（２）。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】