(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】2024-07-24
(45)【発行日】2024-08-01
(54)【発明の名称】移動体移動予測システム及び移動体移動予測方法
(51)【国際特許分類】
G06Q 30/0202 20230101AFI20240725BHJP
G06Q 10/04 20230101ALI20240725BHJP
【ＦＩ】
G06Q30/0202
G06Q10/04
【請求項の数】
8
(21)【出願番号】P 2020086998
(22)【出願日】2020-05-18
(65)【公開番号】P2021182220
(43)【公開日】2021-11-25
【審査請求日】2023-02-03
(73)【特許権者】
【識別番号】000233295
【氏名又は名称】株式会社日立情報通信エンジニアリング
(74)【代理人】
【識別番号】110001678
【氏名又は名称】藤央弁理士法人
(72)【発明者】
【氏名】北野 佑
【審査官】野元 久道
(56)【参考文献】
【文献】特開２０１２－１０８７４８（ＪＰ，Ａ）
【文献】特開２０１１－１１８７７７（ＪＰ，Ａ）
【文献】特開２０１２－１０３９０２（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】
プロセッサと、記憶装置と、を有する移動体移動予測システムであって、前記記憶装置は、
移動体の時刻ごとの位置情報を含む動線情報と、
前記移動体が移動可能な空間の地図情報と、
前記移動体の移動に関する状態を示す状態情報と、を保持し、
前記地図情報は、それぞれ前記移動体が通過、滞留及び行列の少なくともいずれかをし得る複数のチェックポイントの位置及び種類の情報を含み、
前記地図情報は、前記複数のチェックポイントの種類の情報として、各チェックポイントの種類が行列型であるかを示す情報を含み、
前記移動体の状態は、前記行列型のチェックポイントの行列に並んでいる状態を含み、
前記プロセッサは、
前記動線情報、前記地図情報及び前記移動体の状態に基づいて、前記移動体の移動先を予測する移動モデルを学習し、
前記移動体の初期条件及び前記移動モデルに基づいて前記移動体の仮想的な動線を生成し、
前記動線情報及び前記地図情報に基づいて、前記行列型のチェックポイントから所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列型のチェックポイントの行列の先頭に並んでいる状態と判定し、前記行列における順序が特定されている前記移動体から所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列における順序が特定されている前記移動体の次に並んでいる状態と判定し、判定の結果を前記状態情報として前記記憶装置に格納することを特徴とする移動体移動予測システム。
【請求項2】
請求項１に記載の移動体移動予測システムであって、
前記地図情報は、前記複数のチェックポイントの種類の情報として、各チェックポイントの種類が滞留型であるかを示す情報を含み、
前記移動体の状態は、前記滞留型のチェックポイントに滞留している状態を含み、
前記プロセッサは、前記滞留型のチェックポイントの領域内で、所定の時間以上、移動速度が所定の値以下である前記移動体の状態を、前記滞留型のチェックポイントに滞留している状態と判定することを特徴とする移動体移動予測システム。
【請求項3】
請求項１に記載の移動体移動予測システムであって、
前記移動モデルには、前記移動体と前記移動体の目的地との位置関係が入力され、
前記行列型のチェックポイントに前記移動体が並んでいない場合、前記行列型のチェックポイントに向かう前記移動体の目的地は、前記行列型のチェックポイントに属するいずれかの地点であり、
前記行列型のチェックポイントに１以上の前記移動体が並んでいる場合、前記行列型のチェックポイントに向かう前記移動体の目的地は、前記行列の最後尾に並んでいる前記移動体の位置であり、
前記行列型のチェックポイントに１以上の前記移動体が並んでいる場合、前記行列型のチェックポイントの先頭に並んでいる前記移動体の目的地は、前記行列型のチェックポイントに属するいずれかの地点であり、
前記行列型のチェックポイントに２以上の前記移動体が並んでいる場合、前記行列型のチェックポイントの２番目以降に並んでいる前記移動体の目的地は、前記行列の一つ前に並んでいる前記移動体の位置であることを特徴とする移動体移動予測システム。
【請求項4】
請求項１に記載の移動体移動予測システムであって、
前記移動体は人であり、
前記プロセッサは、前記動線情報から、複数の前記人の間の距離及び各人の移動速度が所定の条件を満たす状態の持続時間に基づいて、前記複数の人の間の対話の発生を判定した結果を、前記状態情報に含めて前記記憶装置に格納することを特徴とする移動体移動予測システム。
【請求項5】
請求項４に記載の移動体移動予測システムであって、
前記プロセッサは、
前記複数の人の間の対話の発生を判定した結果に基づいて、前記空間内の領域ごとの対話の発生確率を計算し、
前記生成された仮想的な動線に基づいて、前記人が他の人とすれ違った場合に、前記対話の発生確率に従って対話の発生を予測することを特徴とする移動体移動予測システム。
【請求項6】
請求項１に記載の移動体移動予測システムであって、
前記プロセッサは、前記移動体の状態によって分類された前記動線情報と前記地図情報とに基づいて、前記移動体の状態ごとに、前記移動モデルを学習することを特徴とする移動体移動予測システム。
【請求項7】
請求項１に記載の移動体移動予測システムであって、
前記プロセッサは、前記移動体の状態が特徴量として入力される前記移動モデルを学習することを特徴とする移動体移動予測システム。
【請求項8】
プロセッサと、記憶装置と、を有する計算機システムによる移動体移動予測方法であって、
前記記憶装置は、
移動体の時刻ごとの位置情報を含む動線情報と、
前記移動体が移動可能な空間の地図情報と、
前記移動体の移動に関する状態を示す状態情報と、を保持し、
前記地図情報は、それぞれ前記移動体が通過、滞留及び行列の少なくともいずれかをし得る複数のチェックポイントの位置及び種類の情報を含み、
前記地図情報は、前記複数のチェックポイントの種類の情報として、各チェックポイントの種類が行列型であるかを示す情報を含み、
前記移動体の状態は、前記行列型のチェックポイントの行列に並んでいる状態を含み、
前記移動体移動予測方法は、
前記プロセッサが、前記動線情報、前記地図情報及び前記移動体の状態に基づいて、前記移動体の移動先を予測する移動モデルを学習する手順と、
前記プロセッサが、前記移動体の初期条件及び前記移動モデルに基づいて前記移動体の仮想的な動線を生成する手順と、
前記プロセッサが、前記動線情報及び前記地図情報に基づいて、前記行列型のチェックポイントから所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列型のチェックポイントの行列の先頭に並んでいる状態と判定し、前記行列における順序が特定されている前記移動体から所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列における順序が特定されている前記移動体の次に並んでいる状態と判定し、判定の結果を前記状態情報として前記記憶装置に格納する手順と、を含むことを特徴とする移動体移動予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人等の移動体の移動を予測する技術に関する。
【背景技術】
【0002】
空港や工場などの施設等では、窓口の増減、案内板の配置といった施策によって、利用者の混雑回避が求められている。またオフィスなどのコミュニケーションスペース等では、レイアウト変更等の施策を実施することによって、利用者のコミュニケーションを活性化させることが求められている。
【0003】
レーザーレーダまたはカメラ等を用いて取得された動線データを統計分析することで、利用者の混雑度およびコミュニケーション活性度を把握することが可能である。しかし施策を事前に評価するためには、施策実行時の動線データが存在しないため、シミュレーションによる動線データ生成が求められている。
【0004】
人の行動を予測する先行技術として、特許文献１に示すような技術が知られている。また動線を予測する先行技術として、特許文献２に示すような技術が知られている。
【0005】
特許文献１では、群衆の活動エリアにおける群衆の動きをモデル化するために、エリア属性とエリア間属性から、エリア間の移動頻度を出力する移動頻度モデルを推定する技術が開示されている。
【0006】
特許文献２では、動線データと商品の配置情報から、逆強化学習によって行動モデルを生成し、商品の配置変更後の人の流れを予測する技術が開示されている。
【先行技術文献】
【特許文献】
【0007】
【文献】特開２００６－２２１３２９号公報
【文献】国際公開第２０１８／１３１２１４号
【発明の概要】
【発明が解決しようとする課題】
【0008】
計測された動線データには、各人の行き先情報が含まれていないので、ＯＤ（Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ）ごとに動線データを分割してから、動線予測モデルを学習する必要がある。しかし、計測した動線データには、移動以外に滞留状態も含まれるため、ＯＤ分割だけでは、動線シミュレーションの精度が低下するという問題がある。また空港における行列待ち時間およびオフィスのコミュニケーション活性度等を評価するためには、行列待ち中および対話中の滞留シミュレーションも必要となる。
【課題を解決するための手段】
【0009】
上記の課題の少なくとも一つを解決するため、本発明は、プロセッサと、記憶装置と、を有する移動体移動予測システムであって、前記記憶装置は、移動体の時刻ごとの位置情報を含む動線情報と、前記移動体が移動可能な空間において、それぞれ、前記移動体が通過及び滞留の少なくともいずれかをし得る複数のチェックポイントの位置の情報を含む地図情報と、前記移動体の移動に関する状態を示す状態情報と、を保持し、前記地図情報は、それぞれ前記移動体が通過、滞留及び行列の少なくともいずれかをし得る複数のチェックポイントの位置及び種類の情報を含み、前記地図情報は、前記複数のチェックポイントの種類の情報として、各チェックポイントの種類が行列型であるかを示す情報を含み、前記移動体の状態は、前記行列型のチェックポイントの行列に並んでいる状態を含み、前記プロセッサは、前記動線情報、前記地図情報及び前記移動体の状態に基づいて、前記移動体の移動先を予測する移動モデルを学習し、前記移動体の初期条件及び前記移動モデルに基づいて前記移動体の仮想的な動線を生成し、前記動線情報及び前記地図情報に基づいて、前記行列型のチェックポイントから所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列型のチェックポイントの行列の先頭に並んでいる状態と判定し、前記行列における順序が特定されている前記移動体から所定の距離以内かつ最近傍にあり、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列における順序が特定されている前記移動体の次に並んでいる状態と判定し、判定の結果を前記状態情報として前記記憶装置に格納することを特徴とする。
【発明の効果】
【0010】
本発明の一態様によると、動線シミュレーションを高精度化することができる。それによって、レイアウト設計による動線への影響を事前に評価することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
【図面の簡単な説明】
【0011】
【図1】本発明の実施例１の人間行動予測システムの基本構成を表すブロック図である。
【図2】本発明の実施例１の人間行動予測システムにてモデル学習時に行われる処理を表すシーケンス図である。
【図3】本発明の実施例１の人間行動予測システムにてシミュレーション時に行われる処理を表すシーケンス図である。
【図4A】本発明の実施例１の動線ＤＢのデータ構造例を表す説明図である。
【図5A】本発明の実施例１の状態ＤＢのデータ構造例を表す説明図である。
【図5B】本発明の実施例１の状態ＤＢのデータ構造例を表す説明図である。
【図6A】本発明の実施例１のモデルＤＢのデータ構造例を表す説明図である。
【図6B】本発明の実施例１のモデルＤＢのデータ構造例を表す説明図である。
【図6C】本発明の実施例１のモデルＤＢのデータ構造例を表す説明図である。
【図6D】本発明の実施例１のモデルＤＢのデータ構造例を表す説明図である。
【図6E】本発明の実施例１のモデルＤＢのデータ構造例を表す説明図である。
【図7】本発明の実施例１の状態判定部で行われる処理のフローチャートである。
【図8A】本発明の実施例１のＯＤ分析部で行われる処理の説明図である。
【図8B】本発明の実施例１のＯＤ分析部で行われる処理の説明図である。
【図9】本発明の実施例１の行列判定部で行われる処理のフローチャートおよび具体的な説明図である。
【図10】本発明の実施例１の行動モデル学習部で行われる処理のフローチャートである。
【図11】本発明の実施例１の特徴量算出部で行われる処理の説明図である。
【図12A】本発明の実施例１のシミュレーションＤＢのデータ構造例を表す説明図である。
【図12B】本発明の実施例１のシミュレーションＤＢのデータ構造例を表す説明図である。
【図13】本発明の実施例１の初期人流生成部および仮想動線生成部で行われるシミュレーションを示したフローチャートである。
【図14】本発明の実施例１の人間行動予測システムのインタフェースの例を表す説明図である。
【図15】本発明の実施例２の人間行動予測システムの基本構成を表すブロック図である。
【図16A】本発明の実施例２の状態ＤＢのデータ構造例を表す説明図である。
【図16B】本発明の実施例２のモデルＤＢのデータ構造例を表す説明図である。
【図17】本発明の実施例２の状態判定部で行われる処理のフローチャートである。
【図18】本発明の実施例１および実施例２の計測システムおよび人間行動予測システムを構成する各装置のハードウェア構成を示すブロック図である。
【発明を実施するための形態】
【0012】
以下、本発明の実施形態を添付図面に基づいて説明する。
【0013】
本発明は人の行き先を予測するシステムに関するものである。なお本システムで予測するのは人だけでなく、船舶や車などの移動体であってもよい。ここでは人に焦点をあてて、説明を行う。
【0014】
本発明は、空港等の施設内で、レーザーレーダまたはカメラ等のセンサを用いて計測された動線データから動線予測モデルを学習し、その動線予測モデルを用いて動線シミュレーションを行う。ここで、動線予測モデルとは、例えば、人等の移動体の所定の時間後（例えば１秒後）の移動先を予測するモデルである。計測された動線データには、移動状態および滞留状態等、様々な状態のデータが含まれる。ここで、移動状態とは、例えば人が歩行している状態のような、移動体が移動している状態であり、滞留状態とは移動体がある場所に滞留している状態である。これらはいずれも移動に関する状態の一例である。このように、計測された動線データに様々な状態のデータが含まれるため、１つのモデルを用いて動線シミュレーションを行うと、精度が落ちるという問題がある。そのため、状態ごとに分割された動線データを用いて、動線予測モデルを学習し、動線シミュレーションを行う。ここでいう状態とは、移動状態および滞留状態に加えて、チェックポイント間の遷移に関する情報も含む。チェックポイントとは、例えば対象地域における移動体の滞留点または通過点等である。各チェックポイントに関する情報は、その位置を示す情報と種別を示す情報との対を含んでもよい。
【実施例1】
【0015】
図１は、本発明の実施例１の人間行動予測システムの基本構成を表すブロック図である。
【0016】
本実施例の人間行動予測システム１０は、計測システム１１から計測データを、ユーザ１２から地図データを受信し、計測データから抽出した動線データを状態ごとに分割した後、動線予測モデルを学習する機能と、ユーザ１２から動線シミュレーションのための初期パラメータを受信した後、学習した動線予測モデルを用いて、動線シミュレーションを行う機能と、を備える。
【0017】
上記機能を実現するために、人間行動予測システム１０は、動線データ抽出部１０１と、動線データベース（ＤＢ）１０５と、地図データ入力部１０３と、地図ＤＢ１０８と、状態判定部１０２と、状態ＤＢ１０６と、行動モデル学習部１１０と、モデルＤＢ１０７と、初期人流生成部１０４と、仮想動線生成部１１１とシミュレーションＤＢ１０９と、を備える。
【0018】
動線データ抽出部１０１は、計測システム１１にて計測されたデータから、動線データを抽出し、動線ＤＢ１０５に格納する。この際、計測システム１１にて計測されるデータは、対象領域の動画データでもよいし、レーザーレーダデータでもよい。動画データから動線データを抽出する際は、公知の画像処理技術によって人を認識し、人の座標を抽出してもよい。レーザーレーダデータから動線データを抽出する際は、公知の技術を用いてセンサからの距離が変化する移動体を人として抽出し、座標情報に変換してもよい。
【0019】
地図データ入力部１０３は、ユーザ１２から施設等の対象領域に関する地図情報を受信し、地図ＤＢ１０８に格納する機能を備える。上記機能を実現するために、地図データ入力部１０３は、壁レイアウト入力部１０３１と、チェックポイント入力部１０３２と、行列レイアウト入力部１０３３と、を備える。壁レイアウト入力部１０３１は、対象領域の壁等、人が通過することができないオブジェクトに関するレイアウト情報を受信する。チェックポイント入力部１０３２は、対象領域のチェックポイントに関するレイアウト情報を受信する。行列レイアウト入力部１０３３は、チェックポイントに関するレイアウト情報の中でも行列に関する追加レイアウト情報を受信する。
【0020】
状態判定部１０２は、動線ＤＢ１０５に格納された動線データと、地図ＤＢ１０８に格納されたチェックポイントデータと、を受信し、動線データに対する状態判定を行い、判定結果を状態ＤＢ１０６に格納する機能を備える。上記機能を実現するために、状態判定部１０２は、動線データから行列に並んでいる状態を判定する行列判定部１０２１と、動線データからチェックポイントの遷移状態を判定するＯＤ分析部１０２２と、を備える。各部の具体的な処理については後述する。
【0021】
行動モデル学習部１１０は、動線ＤＢ１０５に格納された動線データと、状態ＤＢ１０６に格納された行列状態データおよびチェックポイント遷移データと、地図ＤＢ１０８に格納されたレイアウトデータと、を受信し、動線予測モデルを学習し、モデルＤＢ１０７に学習した動線予測モデルを格納する。上記機能を実現するために、行動モデル学習部１１０は、動線データ分割部１１０１と、特徴量算出部１１０２と、モデル学習部１１０３と、を備える。各部の具体的な処理内容については後述する。
【0022】
初期人流生成部１０４は、ユーザ１２から動線シミュレーションのための初期パラメータを受信した後、初期人流を生成し、シミュレーションＤＢ１０９に格納する。具体的な処理内容については後述する。
【0023】
仮想動線生成部１１１は、シミュレーションＤＢ１０９から現在の動線データと、地図ＤＢ１０８からレイアウトデータと、モデルＤＢ１０７から学習した動線予測モデルと、を受信し、１ステップ後の動線データを予測してシミュレーションＤＢ１０９に格納する。具体的な処理内容については後述する。
【0024】
動線ＤＢ１０５、状態ＤＢ１０６、モデルＤＢ１０７、地図ＤＢ１０８、シミュレーションＤＢ１０９に格納されるデータについては後述する。
【0025】
図２は、本発明の実施例１の人間行動予測システム１０にてモデル学習時に行われる処理を表すシーケンス図である。以下に全体の処理について説明する。
【0026】
動線予測モデルを学習する際は、最初に計測システム１１が施設内など対象領域における動画データ、またはレーザーレーダデータを動線データ抽出部１０１に送信する（２０１）。動線データ抽出部１０１は、受信したデータから動線データを抽出し（２０２）、動線ＤＢ１０５に格納する（２０３）。
【0027】
一方ユーザ１２は、対象領域の壁レイアウトデータ、チェックポイントデータおよび行列のレイアウトデータ等の地図データ群を地図データ入力部１０３に入力する（２１４）。地図データ入力部１０３は、入力された地図データ群を地図ＤＢ１０８に格納する（２１３）。この処理２０３と処理２１３の順序はどちらが先でもよく、同時に実施されてもよい。
【0028】
処理２０３と処理２１３が実施された後、状態判定部１０２は、動線ＤＢ１０５から計測された動線データを受信し（２０４）、地図ＤＢ１０８から地図データ群を受信した後（２０８）、状態判定を行い（２０５）、判定された状態データを状態ＤＢ１０６に格納する（２０６）。
【0029】
その後、行動モデル学習部１１０は、動線ＤＢ１０５から計測された動線データを受信し（２０７）、状態ＤＢ１０６から判定された状態データを受信し（２０９）、地図ＤＢ１０８から地図データ群を受信した後（２１１）、動線予測モデルを学習し（２１０）、モデルＤＢ１０７に学習した動線予測モデルの情報を格納する（２１２）。
【0030】
図３は、本発明の実施例１の人間行動予測システム１０にてシミュレーション時に行われる処理を表すシーケンス図である。
【0031】
【0032】
シミュレーションを行う際、施策実行などのため、モデル学習時と異なる地図データ群を用いてシミュレーションをする場合、まず最初に地図データ入力部１０３が、施策実行時の地図データを地図ＤＢ１０８に格納する（３０１）。モデル学習時と同じ地図データ群を用いる場合は、このステップは省略される。
【0033】
その後、初期人流生成部１０４は、シミュレーション開始時の人流情報を生成し、（３０６）、シミュレーションＤＢ１０９に格納する（３０５）。その後、仮想動線生成部１１１は、地図ＤＢ１０８から地図データ群を受信し（３０２）、モデルＤＢ１０７から動線予測モデルを受信し（３０４）、シミュレーションを実施する（３０３）。
【0034】
その際、仮想動線生成部１１１は、まずはシミュレーションＤＢ１０９から現在の人流について、動線データおよび状態データを受信し（３０７）、次の時間ステップにおける動線データおよび状態データを予測し（３０３）、予測した動線データおよび状態データをシミュレーションＤＢ１０９に格納する（３０８）。これを終了条件を満たすまで繰り返す（３０９）。
【0035】
図４Ａは、本発明の実施例１の動線ＤＢ１０５のデータ構造例を表す説明図である。
【0036】
【0037】
動線ＤＢ１０５には計測システム１１によって取得された動線データが格納され、地図ＤＢ１０８には事前に準備された、あるいはユーザ１２によって入力された地図データ群が格納される。
【0038】
まずは動線ＤＢ１０５について説明する。動線ＤＢ１０５には動線テーブル４０１（図４Ａ）が格納される。動線テーブル４０１は、動線データを格納するテーブルである。動線テーブル４０１には、例えば、人ごとに、また一定の時間（例えば１秒）ごとに、動線データの座標をサンプリングしたような形のデータが格納される。
【0039】
ＳＴＡＲＴ＿ＴＩＭＥ４０１１およびＥＮＤ＿ＴＩＭＥ４０１２は、それぞれ、動線データをサンプリングする際の開始時間および終了時間を表し、ＰＩＤ４０１３は人のＩＤを表す。ＷＫＴ４０１４は対応するＰＩＤ４０１３の人がＳＴＡＲＴ＿ＴＩＭＥ４０１１からＥＮＤ＿ＴＩＭＥ４０１２までの間に動いた際の動線のラインストリングに関するジオメトリ情報を表す。図４Ａの例では、ＷＫＴ４０１４に、対応するＰＩＤ４０１３の人のＳＴＡＲＴ＿ＴＩＭＥ４０１１およびＥＮＤ＿ＴＩＭＥ４０１２それぞれにおける位置を示す２次元座標値が格納される。なおこのジオメトリ情報に関する座標系は任意のものでよく、例えば平面直角座標系などでもよい。
【0040】
なお動線テーブル４０１は、人の向きの情報を含んでいても良い。具体的にはＥＮＤ＿ＴＩＭＥ４０１２においてＰＩＤ４０１３の人が向いている方向を角度で表した情報を含んでいても良い。この角度情報は、レーザーレーダを用いて計測した場合は、３Ｄ点群データに対し、Ｐｏｓｅ Ｅｓｔｉｍａｔｉｏｎ等の公知技術を使って向きを検出した結果を格納しても良い。
【0041】
カメラを用いて計測した場合は、公知の画像処理技術を用いて向きを検出した結果を格納しても良い。あるいは、動線データから向き推定を行った結果を格納しても良い。動線データから向き推定を行う場合、ＰＩＤ４０１３の人がＳＴＡＲＴ＿ＴＩＭＥ４０１１からＥＮＤ＿ＴＩＭＥ４０１２にかけて動いた座標の差分ベクトルを算出して向き検出を行った結果を格納しても良い。
【0042】
次に地図ＤＢ１０８について説明する。地図ＤＢ１０８には、人が通行不可である壁などの領域を表す地図テーブル４０２（図４Ｂ）、チェックポイントに関する地図テーブル４０３（図４Ｃ）、および、チェックポイントの中でも行列に関する追加レイアウトを格納する地図テーブル４０４（図４Ｄ）が格納される。チェックポイントは、対象領域内で人が移動する際の立ち寄り場所、および、何らかの属性が付加された通過場所を示す。例えば対象領域として空港施設内を考える場合、チェックポイントは入り口および自動チェックイン（ＣＩ）機等の情報に相当する。
【0043】
図４Ｂに示す地図テーブル４０２は、壁等のオブジェクトに関するＩＤであるＷＩＤ４０２１、オブジェクトの種別を表すＫＩＮＤ４０２２、ならびに、オブジェクトの位置情報および形状情報を表すＷＫＴ４０２３を格納する。
【0044】
ＷＫＴ４０２３は、オブジェクト形状を表す座標を、ポリゴンまたはラインストリングといった形のジオメトリとして表したものである。ＷＫＴ４０１４と同様に、座標系は任意のものでよい。
【0045】
図４Ｃに示す地図テーブル４０３は、チェックポイントのＩＤを表すＣＩＤ４０３１、チェックポイントの種類に関するＩＤを表すＫＩＤ４０３２、チェックポイントの名前を表すＮＡＭＥ４０３３、チェックポイントの位置情報および形状情報を表すＷＫＴ４０３４、ならびに、チェックポイントの種類を表すＴＹＰＥ４０３５を格納する。
【0046】
チェックポイントの種類は、通過型（Ｐａｓｓ）、滞留型（Ｓｔａｙ）、または行列型（Ｑｕｅｕｅ）のいずれかを示す。例えば、入り口等のチェックポイントは立ち寄る場所とは異なり、通過するだけの場所であるため、これに該当するチェックポイントのＴＹＰＥ４０３５にはＰａｓｓが格納される。ＣＩカウンター等のチェックポイントは、人が立ち寄る場所であるため、これに該当するチェックポイントのＴＹＰＥ４０３５にはＳｔａｙが格納される。これに対し、ＣＩカウンター前の行列に該当するチェックポイントのＴＹＰＥ４０３５にはＱｕｅｕｅが格納される。
【0047】
なお、行列型のチェックポイントの場合は、行列として人が並びうる領域ではなく、行列の先頭ラインを示すジオメトリ情報がＷＫＴ４０３４に格納される。ここで、ＣＩＤ４０３１は異なるが、ＫＩＤ４０３２が同じとなるようなチェックポイントは存在しうる。例えば施設の入口などは複数存在しうるためである。
【0048】
図４Ｄに示す地図テーブル４０４は、地図テーブル４０３に格納される行列型チェックポイントに関して、追加のレイアウト情報４０４１～４０４４を格納する。ＣＩＤ４０４１は、チェックポイントのＩＤであり、地図テーブル４０３に格納されるＣＩＤ４０３１と同等のものである。ただし、地図テーブル４０４には行列型チェックポイントのＩＤのみ格納される。
【0049】
Ｓ＿ＷＫＴ４０４２は、ＣＩＤ４０４１に対応する行列に関して、行列に並んだ後にサービスを受ける場所のジオメトリ情報である。これは行列の先頭ラインについて、人が並ぶ側と反対側に存在する位置になる。例えば、ＣＩカウンター前の行列におけるＳ＿ＷＫＴ４０４２は、行列に並んだ人が実際にその後サービスを受けるカウンターの位置に相当する。
【0050】
Ｐ＿ＷＫＴ４０４３は、整列して並ぶためのパーティションを表すジオメトリ情報である。このパーティションは、例えば隣の行列との干渉を防ぐためのものであっても良いし、行列が蛇行する形になるように、その行列に並ぶ人を整列させるためのパーティションであっても良い。
【0051】
Ｎ＿ＩＤ４０４４は、対応するＣＩＤ４０４１の行列に並んだ人が、そのあと、次に向かいうるＣＩＤ４０４１のリストを格納する。なおＣＩＤ４０４１のリストの代わりにＫＩＤ４０３２のリストを格納しても良い。
【0052】
【0053】
状態ＤＢ１０６には、動線状態テーブル５０１（図５Ａ）と、行列状態テーブル５０２（図５Ｂ）とが格納される。動線状態テーブル５０１は、計測された動線データにおいて、各人がいつ、どのチェックポイントからどのチェックポイントに向かっているか、またその人が行列にて滞留しているかどうか、に関する情報を格納する。行列状態テーブル５０２は、各行列にどの人がどの順番で並んでいたかに関する情報を格納する。
【0054】
図５Ａに示す動線状態テーブル５０１は、ＳＴＡＲＴ＿ＴＩＭＥ５０１１、ＥＮＤ＿ＴＩＭＥ５０１２、ＰＩＤ５０１３、Ｏ＿ＩＤ５０１４、Ｄ＿ＩＤ５０１５およびＱ＿ＩＤ５０１６を格納する。ＳＴＡＲＴ＿ＴＩＭＥ５０１１およびＥＮＤ＿ＴＩＭＥ５０１２は、それぞれ、対応する人においてその状態が開始する日時および終了する日時を表す。ＰＩＤ５０１３は、対応する人のＩＤを表す。Ｏ＿ＩＤ５０１４およびＤ＿ＩＤ５０１５は、それぞれ、対応する人がチェックポイント間を移動する際の開始チェックポイントのＩＤおよび終了チェックポイントのＩＤを表す。Ｑ＿ＩＤ５０１６は、対応する人が並んでいる行列のＣＩＤ４０４１を表す。
【0055】
Ｏ＿ＩＤ５０１４およびＤ＿ＩＤ５０１５に関して、状態判定部１０２にて開始・終了チェックポイントが判定できなかった場合はそれぞれ－１、またはＮＵＬＬを格納しても良い。また、状態判定部１０２にて行列に並んでいないと判定された場合は、Ｑ＿ＩＤ５０１６には－１を格納する。なおＯ＿ＩＤ５０１４およびＤ＿ＩＤ５０１５が同一である場合、対応する人はそのチェックポイントに滞留している。この場合、Ｑ＿ＩＤ５０１６にその人が滞留している滞留型チェックポイントのＩＤを格納してもよい。
【0056】
図５Ｂに示す行列状態テーブル５０２は、ＳＴＡＲＴ＿ＴＩＭＥ５０２１、ＥＮＤ＿ＴＩＭＥ５０２２、ＣＩＤ５０２３およびＰＩＤ＿ＬＩＳＴ５０２４を格納する。ＳＴＡＲＴ＿ＴＩＭＥ５０２１およびＥＮＤ＿ＴＩＭＥ５０２２は、それぞれ、対応する行列の状態についての開始時刻および終了時刻を表す。ＣＩＤ５０２３は、対応する行列のＣＩＤ４０４１を表す。ＰＩＤ＿ＬＩＳＴ５０２４は、対応する行列に並んでいる人のＩＤをサービス待ちの順番通りに並べたＩＤリストである。
【0057】
【0058】
行動モデル学習部１１０にて学習された動線予測モデルは状態ごとに生成される。そのため、モデルＤＢ１０７には、状態ごとのモデルパラメータが格納される。またチェックポイント間の遷移確率や最初のチェックポイントが選ばれる確率等も格納される。具体的には、モデルＤＢ１０７には、移動モデルテーブル６０１（図６Ａ）、行列モデルテーブル６０２（図６Ｂ）、チェックポイント滞留モデルテーブル６０３（図６Ｃ）、チェックポイント遷移確率テーブル６０４（図６Ｄ）およびチェックポイント初期確率テーブル６０５（図６Ｅ）が格納される。
【0059】
図６Ａに示す移動モデルテーブル６０１は、チェックポイント間の移動を予測するモデルのパラメータ６０１１～６０１４を格納する。これには、行列またはチェックポイント内における滞留に関するモデルのパラメータは含まれない。滞留以外の動線に関する予測モデルは、チェックポイント遷移ごとに生成されるため、チェックポイント遷移ごとにモデルパラメータを格納する。
【0060】
Ｏ＿ＩＤ６０１１およびＤ＿ＩＤ６０１２は、それぞれ、人がチェックポイント間を移動する際の開始チェックポイントのＩＤおよび終了チェックポイントのＩＤを表す。
【0061】
Ｍ＿Ｐａｒａｍ１６０１３～Ｍ＿ＰａｒａｍＭ６０１４は、対応するチェックポイント遷移に関する予測モデルのモデルパラメータである。ここで、このモデルパラメータはＭ次元のベクトルとして表され、例えばＳｏｃｉａｌ Ｆｏｒｃｅ Ｍｏｄｅｌのようなエージェントモデルのパラメータでもよいし、Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ、Ｓｕｐｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ、Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ、またはＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋなどの機械学習におけるモデルパラメータなどでもよい。
【0062】
なおここではチェックポイント遷移の種類ごとにモデルパラメータを格納しているが、動線予測モデルをＤ＿ＩＤ６０１２ごとに生成し、Ｄ＿ＩＤ６０１２ごとにモデルパラメータを格納してもよい。この場合、対応するＯ＿ＩＤ６０１１がないため、ＮＵＬＬまたは－１が格納される。
【0063】
図６Ｂに示す行列モデルテーブル６０２は、行列内の滞留行動を予測するモデルのパラメータ６０２１～６０２３を格納する。このモデルパラメータは行列ごとに格納される。
【0064】
Ｑ＿ＩＤ６０２１は、行列型チェックポイントのＣＩＤ４０４１に対応する。Ｑ＿Ｐａｒａｍ１６０２２～Ｑ＿ＰａｒａｍＮ６０２３は、対応する行列に関する予測モデルのモデルパラメータである。モデルパラメータはＮ次元のベクトルとして表され、上記の例と同様、例えばＧｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ、Ｓｕｐｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ、またはＬｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙなどの機械学習におけるモデルパラメータなどでもよい。あるいは、モデルパラメータは、行列に並ぶ際の人との間隔およびサービス待ち時間に関するパラメータであってもよいし、それらを正規分布などの任意の確率分布として表す際のパラメータなどであってもよい。
【0065】
図６Ｃに示すチェックポイント滞留モデルテーブル６０３は、滞留型チェックポイントにおける滞留行動を予測するモデルのパラメータ６０３１～６０３３を格納する。このモデルパラメータは、滞留型チェックポイントごとに格納される。
【0066】
Ｓ＿ＩＤ６０３１は、滞留型チェックポイントのＣＩＤ４０３１に対応する。Ｓ＿Ｐａｒａｍ１６０３２～Ｓ＿ＰａｒａｍＯ６０３３は、対応する滞留型チェックポイントに関する予測モデルのモデルパラメータである。モデルパラメータはＯ次元のベクトルとして表され、上記の例と同様、例えばＧｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ、Ｓｕｐｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ、またはＬｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙなどの機械学習におけるモデルパラメータなどでもよい。あるいは、モデルパラメータは、滞留している際の滞留時間に関するパラメータであってもよいし、それを正規分布などの任意の確率分布として表す際のパラメータなどであってもよい。
【0067】
図６Ｄに示すチェックポイント遷移確率テーブル６０４は、チェックポイント間の遷移確率に関するパラメータ６０４１～６０４３を格納する。
【0068】
Ｏ＿ＩＤ６０４１およびＤ＿ＩＤ６０４２は、それぞれチェックポイント間を移動する際の開始チェックポイントのＩＤおよび終了チェックポイントのＩＤを表す。Ｔ＿Ｐｒｏｂ６０４３は、Ｏ＿ＩＤ６０４１から次のチェックポイントを選択する際に、Ｄ＿ＩＤ６０４２を選択する確率を示す。同じＯ＿ＩＤ６０４１に関して、対応するＴ＿Ｐｒｏｂ６０４３のすべての値の和をとると、１になる。
【0069】
図６Ｅに示すチェックポイント初期確率テーブル６０５は、シミュレーションを開始する際に、どのチェックポイントに人を発生させるかの発生確率を格納する。具体的には、チェックポイント初期確率テーブル６０５は、チェックポイントのＣＩＤ４０３１に対応するＩＤ６０５１と、そのチェックポイントにおける発生確率Ｉ＿Ｐｒｏｂ６０５２とを格納する。
【0070】
図７は、本発明の実施例１の状態判定部１０２で行われる処理のフローチャートである。
【0071】
処理７０１は、状態判定部１０２の処理開始を表す。
【0072】
処理７０２は、動線ＤＢ１０５に格納されている動線データと地図ＤＢ１０８に格納されている地図テーブル４０３とについて、空間的な交差判定を行い、どの人がどの通過型チェックポイントをいつ通過したかを判定する処理である。
【0073】
処理７０３は、動線ＤＢ１０５に格納されている動線データと地図ＤＢ１０８に格納されている地図テーブル４０３とについて、空間的な交差判定を行い、どの人がどの滞留型チェックポイントでいつ滞留したかを判定する処理である。
【0074】
処理７０２および処理７０３は、状態判定部１０２内のＯＤ分析部１０２２にて行われる。これらの処理の詳細については後述する。
【0075】
処理７０４は、動線ＤＢ１０５に格納されている動線データと地図ＤＢ１０８に格納されている地図テーブル４０２、４０３および４０４とを用いて、どの人がどの行列型チェックポイントにて、いつ並んでいたかを判定する処理である。
【0076】
処理７０５は、動線ＤＢ１０５に格納されている動線データと地図ＤＢ１０８に格納されている地図テーブル４０２、４０３および４０４とを用いて、各行列型チェックポイントにおいて、いつどの人がどの順番で並んでいたかの判定結果を状態ＤＢ１０６の行列状態テーブル５０２に格納する処理である。
【0077】
処理７０４および処理７０５は、状態判定部１０２内の行列判定部１０２１にて行われる。これらの処理の詳細については後述する。
【0078】
処理７０６は、処理７０２、７０３および７０４の結果を統合し、各人について、いつ、どのチェックポイントからどのチェックポイントへ向かっていたか、どの行列型チェックポイントに並んでいたか、および、どの滞留型チェックポイントにて滞留していたかの情報を、状態ＤＢ１０６の動線状態テーブルに格納する処理である。
【0079】
処理７０７は、状態判定部１０２の処理終了を表す。
【0080】
【0081】
ＯＤ分析部１０２２は、動線ＤＢ１０５に格納された動線データと、地図ＤＢ１０８に格納された通過型・滞留型チェックポイントに関して、空間的な交差判定を行い、どの人が、いつ、どのチェックポイントを通過・滞留したかを判定する。
【0082】
図８０１は、通過型チェックポイントと動線データとの空間的交差判定の説明図である。これは、人が通行可能な領域を含む空間を上方から観察する平面図である。斜線でハッチングされた領域８０３は、壁などの人が通行不可である領域を示し、太線で表示されたゲート８０４は、通過型チェックポイントの例を示す。
【0083】
データ８０５は動線データの例であり、各時刻における人の座標情報を時系列順につないだデータである。この場合、データ８０５とゲート８０４は、空間的に交差しているために、データ８０５に対応する人は、ゲート８０４を通過したと判定される。この際、交差した直後の時刻が通過時刻として検出される。この通過時刻が通過型チェックポイントに到着した時刻とみなされ、また通過型チェックポイントを出発した時刻とみなされる。
【0084】
図８０２は、滞留型チェックポイントと動線データとの空間的交差判定の説明図である。データ８０６および８０７は動線データの例であり、太線で表示された領域８０８は、滞留型チェックポイントの例を示す。
【0085】
この例において、データ８０６は領域８０８と空間的に交差しているが、領域８０８の中で滞留せずに通り過ぎている。このため、データ８０６に対応する人は、この滞留型チェックポイントに立ち寄ったとはみなさない。これに対し、データ８０７は、領域８０８の中で滞留しているため、データ８０７に対応する人は、この滞留型チェックポイントに立ち寄ったと判定される。この例において、一定時間以上、一定以下の速度となっている状態を滞留とみなす。この際、滞留を始めた時刻がこのチェックポイントに到着した時刻、滞留を終えた時刻がこのチェックポイントを出発した時刻とみなす。
【0086】
図９は、本発明の実施例１の行列判定部１０２１で行われる処理のフローチャートおよび具体的な説明図である。
【0087】
行列判定部１０２１は、動線ＤＢ１０５に格納された動線データと、地図ＤＢ１０８に格納された行列型チェックポイントとから、どの人が、いつ、どの行列型チェックポイントにて、何番目に並んでいたか、を判定する。なお処理９０１～９０５のフローは毎時刻行われる。
【0088】
処理９０１は、行列判定部１０２１の処理開始を表す。
【0089】
処理９０２は、各行列型チェックポイントにて先頭に並ぶ人を抽出する処理である。この処理を説明図９０６に沿って説明する。
【0090】
説明図９０６は、行列が発生する空間の平面図である。ゲート９０６１は行列型チェックポイント、斜線でハッチングされた領域９０６４は人が侵入不可である壁等の領域、グレー表示された領域９０６５はゲート９０６１の行列に対応するパーティションＰ＿ＷＫＴ４０４３、受付９０６３はゲート９０６１に対応する行列に並んだ人に対して、その後にサービスを提供する受付である。そのため、受付９０６３はゲート９０６１の行列に対応するＳ＿ＷＫＴ４０４２に対応する。
【0091】
行列判定部１０２１は、ゲート９０６１に対応する行列先頭を抽出する際、ゲート９０６１から一定の距離以内かつ最近傍にいる人で速度が一定以下となる人９０６２を行列の先頭として抽出する。この際、行列判定部１０２１は、ゲート９０６１に対し、受付９０６３とは反対側にいる人であり、かつ、ゲート９０６１とその人とを線分で結んだ際、その線分が領域９０６４および領域９０６５のいずれとも交差しない人物を、行列先頭の人９０６２として抽出する。
【0092】
なお、図９において、人９０６２の丸は、ある時刻におけるその人の位置を示し、その丸に接する直線の先端は、その前の時刻（例えば１秒前）におけるその人の位置を示す。他の人も同様に表示される。後述する図１１、図１４、図１７も同様である。
【0093】
処理９０３は、各行列型チェックポイントにて２番目以降に並ぶ人を抽出する処理である。この処理を説明図９０７に沿って説明する。
【0094】
行列判定部１０２１は、直前ステップで抽出した人９０７１（例えば説明図９０６の人９０６２に相当する）から、一定の距離以内かつ最近傍にいる人であって、速度が一定以下の人９０７２を次に並んでいる人として抽出する。この際、行列判定部１０２１は、人９０７１と人９０７２とを結ぶ線分がゲート９０６１、領域９０６４および領域９０６５のいずれとも交差しないように、人９０７２を抽出する。
【0095】
処理９０４において、行列判定部１０２１は、直前ステップで抽出した人から、一定の距離以内で速度が一定以下となり、かつ、直前ステップで抽出した人とその探索対象の人とを結ぶ線分がゲート９０６１、領域９０６４及び領域９０６５のいずれとも交差しない人がいるかどうかを判定する。そのような人がいない場合は終了条件を満たすとし、処理９０５に進む。終了条件を満たさない場合は処理９０３に戻る。
【0096】
処理９０５は、行列判定部１０２１の処理終了を表す。
【0097】
なおこの行列判定処理に、各人の向きの情報を用いてもよい。例えば、行列の先頭に並ぶ人を抽出する際に、処理９０２の判定条件を満たす人の中で、行列型チェックポイントの方へ向いている人のみを抽出してもよいし、２番目以降に並ぶ人を抽出する際に、処理９０３の判定条件を満たす人の中で、直前ステップで抽出された人の方を向いている人のみを抽出してもよい。
【0098】
図１０は、本発明の実施例１の行動モデル学習部１１０で行われる処理のフローチャートである。
【0099】
処理１００１は、行動モデル学習部１１０の処理開始を表す。
【0100】
処理１００２は、動線ＤＢ１０５に格納された動線データと状態ＤＢ１０６に格納された動線状態テーブル５０１を紐づけ、状態ごとに動線データを分割する処理である。ここで、状態とは、Ｏ＿ＩＤ５０１４、Ｄ＿ＩＤ５０１５、Ｑ＿ＩＤ５０１６の三種類の組み合わせで構成されるものとする。この処理は行動モデル学習部１１０の動線データ分割部１１０１によって行われる。
【0101】
処理１００３は、処理１００２において分割された動線データと地図ＤＢ１０８の地図テーブル４０２、４０３および４０４とを用いて、目的変数、および、周囲の人・チェックポイント・壁等に関する特徴量を算出する。この処理は行動モデル学習部１１０の特徴量算出部１１０２によって行われる。処理内容の詳細については、後述する。
【0102】
処理１００４は、状態ごとに動線予測モデルを学習しその際のモデルパラメータをモデルＤＢ１０７に格納する処理である。この処理はモデル学習部１１０３によって行われる。ここで、処理１００４について説明する。
【0103】
まず、モデル学習部１１０３は、Ｑ＿ＩＤ５０１６が－１となり、かつ、Ｏ＿ＩＤ５０１４とＤ＿ＩＤ５０１５とが等しくないか、Ｏ＿ＩＤ５０１４とＤ＿ＩＤ５０１５とが等しいが、またはその値が滞留型チェックポイントのＣＩＤ５０２３ではない動線データを用いて、滞留しない移動型の動線予測モデルを学習する。
【0104】
この際、モデル学習部１１０３は、Ｄ＿ＩＤ５０１５ごとにモデルを学習してもよいし、Ｏ＿ＩＤ５０１４とＤ＿ＩＤ５０１５との組み合わせごとにモデルを学習してもよい。あるいは、モデル学習部１１０３は、Ｄ＿ＩＤ５０１５またはＯ＿ＩＤ５０１４とＤ＿ＩＤ５０１５との組み合わせを特徴量として（すなわち説明変数の一つとして）入力するモデルを学習してもよい。
【0105】
ここで学習する際は、Ｓｏｃｉａｌ Ｆｏｒｃｅ Ｍｏｄｅｌのようなエージェントモデルのパラメータを学習してもよいし、例えばＧｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ、Ｓｕｐｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ、Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ、またはＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋなどの機械学習のモデルパラメータを学習してもよい。ここでいう機械学習とは、特徴量から目的変数を予測するモデルをデータから学習する方法である。ここで学習したモデルパラメータは移動モデルテーブル６０１に格納される。
【0106】
次に、モデル学習部１１０３は、Ｑ＿ＩＤ５０１６が－１となり、かつＯ＿ＩＤ５０１４とＤ＿ＩＤ５０１５が等しく、その値が滞留型チェックポイントのＣＩＤ４０３１となる動線データを用いて、チェックポイントにおける滞留型の動線予測モデルを学習する。モデル学習部１１０３は、移動型の動線予測モデルを学習するときと同じく、エージェントモデルまたは機械学習等を用いて滞留型の動線予測モデルを学習してもよい。あるいは、モデル学習部１１０３は、確率的に滞留時間を出力するモデルを生成してもよい。この際のモデルパラメータはチェックポイント滞留モデルテーブル６０３に格納される。
【0107】
最後に、モデル学習部１１０３は、Ｑ＿ＩＤ５０１６が－１でもＮＵＬＬでもない動線データを用いて、行列型の動線予測モデルを学習する。モデル学習部１１０３は、移動型の動線予測モデルを学習するときと同じく、エージェントモデルまたは機械学習等を用いて行列型の動線予測モデルを学習してもよい。あるいは、モデル学習部１１０３は、前に並ぶ人との距離が一定の閾値以上であれば、前に並ぶ人の方向へ微小移動するモデルを学習してもよい。この際のモデルパラメータは行列モデルテーブル６０２に格納される。
【0108】
上記の例では、モデル学習部１１０３は状態ごとに動線予測モデルを学習する。この場合、モデル学習部１１０３は、状態ごとに分類された動線データ（例えば、チェックポイント間を移動中の動線データ、滞留型チェックポイントに滞留している動線データ、又は行列型チェックポイントの行列に並んでいる動線データ）を用いた学習が行われ、状態ごとの動線予測モデルが得られる。
【0109】
しかし、このような動線予測モデルの生成方法は一例であり、状態に基づいて動線を予測するモデルを生成できれば、ほかの方法を採用してもよい。例えば、モデル学習部１１０３は、状態を特徴量の一つとして入力して動線を予測するモデルを学習してもよい。
【0110】
処理１００５は、状態ＤＢ１０６に格納されている動線状態テーブル５０１の情報を集計し、状態遷移確率、初期確率を算出し、モデルＤＢ１０７に格納する処理である。具体的には、行動モデル学習部１１０は、動線状態テーブル５０１のＰＩＤ５０１３ごとにＯ＿ＩＤ５０１４とＤ＿ＩＤ５０１５とを抽出し、チェックポイントの遷移情報を算出し、集計する。行動モデル学習部１１０は、ＰＩＤ５０１３の一番最初のチェックポイントの確率分布を初期確率として算出し、チェックポイント初期確率テーブル６０５に格納し、Ｏ＿ＩＤ５０１４を固定した際のＤ＿ＩＤ５０１５をとりうる確率をチェックポイント遷移確率テーブル６０４に格納する。
【0111】
１００６は、行動モデル学習部１１０の処理終了を表す。
【0112】
図１１は、本発明の実施例１の特徴量算出部１１０２で行われる処理の説明図である。
【0113】
画面１１００１は動線データを計測した対象領域の平面図であり、ある時刻における動線データ、壁レイアウトおよびチェックポイントの情報を表示したものである。斜線でハッチングされた領域１１００２は壁等の人が侵入不可である領域、太い実線の枠で表示された領域１１００３および領域１１００４は滞留型チェックポイント、ゲート１１００５は行列型チェックポイント、グレー表示された領域１１０１１はゲート１１００５に対応する行列のパーティションを表す。人１１００６、１１００７、１１００８、１１００９および１１０１０について、目的変数と、周囲の人、壁および目的地チェックポイント等に関する特徴量とをどのように算出するかを説明する。
【0114】
周囲の人および周囲の壁の特徴量については、人１１００６、１１００７、１１００８、１１００９および１１０１０のいずれでも同じ算出方法となる。例えば、現在いる自分の位置を中心とした様々な方向に関する人までの距離および壁までの距離を特徴量として算出してもよい。この際の方向は、その人の前ステップにおける速度ベクトルの方向またはその人の目的地までの向きを基準とした相対的な方向であってもよい。あるいは、Ｘ軸またはＹ軸を基準とした方向であってもよい。
【0115】
なお各方向に対して、人または壁等が存在しない場合は、適当な閾値を代入してもよい。あるいは距離を特徴量とするのではなく、現在いる自分の位置を中心とした適当なサイズのグリッドを生成し、各グリッド内の壁の占有面積、占有率または人のカウント値などを特徴量としてもよい。この際、同様にその人の前ステップにおける速度ベクトルの方向またはその人の目的地までの向きを基準としたグリッドを生成してもよいし、Ｘ軸またはＹ軸を基準としてもよい。なお壁の特徴量を算出する際に、壁の領域１１００２だけではなく、行列のパーティションに関する領域１１０１１も含めて、壁の特徴量を算出してもよい。
【0116】
チェックポイントに関する特徴量は、現在の人の位置とその人が目的地とするポイントから算出される。この際、その人の位置から目的地までの距離および目的地への方向情報を特徴量とする。目的地の方向を算出する際、その人の前ステップにおける速度ベクトルの方向を基準とした相対的な方向でもよい。このとき、Ｘ軸またはＹ軸を基準としてもよい。目的地とするポイントは人１１００６、１１００７、１１００８、１１００９、１１０１０でそれぞれ異なる。
【0117】
人１１００６は、所定の速度以上で移動している動線である。人１１００６のＤ＿ＩＤ５０１６が領域１１００３に対応するＣＩＤ４０３１である場合、人１１００６の目的地は領域１１００３内に含まれる任意の点であり、例えば領域１１００３の重心でもよい。
【0118】
人１１００７は、上の例と同じく所定の速度以上で移動している動線だが、Ｄ＿ＩＤ５０１６はゲート１１００５に対応するＣＩＤ４０３１である。この際、人１１００７の目的地は、ゲート１１００５に含まれる点ではなく、ゲート１１００５の行列に並んでいる最後尾の人の座標となる。この情報は状態ＤＢ１０６の行列状態テーブル５０２のＰＩＤ＿ＬＩＳＴ５０２４の最後の値に対応するＰＩＤ４０１３の動線データから取得可能である。
【0119】
人１１００８は、行列の先頭に並んでいる所定の速度以下の動線の例であり、この場合もＤ＿ＩＤ５０１６はゲート１１００５に対応するＣＩＤ４０３１である。この際の目的地は行列の先頭ラインを示すゲート１１０５に含まれる任意の点であり、ゲート１１００５の重心でもよい。
【0120】
人１１００９は、二番目以降に行列に並んでいる所定の速度以下の動線であり、上の例と同じくＤ＿ＩＤ５０１６はゲート１１００５に対応するＣＩＤ４０３１となるが、目的地は自分の前に並んでいる人の座標となる。この情報は状態ＤＢ１０６の行列状態テーブル５０２のＰＩＤ＿ＬＩＳＴ５０２４の中で、人１１００９のＰＩＤ４０１３の前の値に対応するＰＩＤ４０１３の動線データから取得可能である。
【0121】
人１１０１０は、滞留型チェックポイント内にて所定の速度以下で滞留している動線の例であり、人１１０１０のＤ＿ＩＤ５０１６は領域１１００４に対応するＣＩＤ４０３１である。この場合、目的地は領域１１００４に含まれる点であり、領域１１００４の重心でもよい。但しチェックポイント内で滞留している場合は、既に目的地に到着しており、目的地に関するチェックポイントに関する特徴量がモデルに寄与しない可能性もあるため、特徴量算出を省いてもよい。
【0122】
特徴量算出部１１０２は、予測対象となる目的変数として、基本的には１ステップ先の時刻の速度を算出する。１ステップ先の時刻の速度は絶対座標系でもよく、また現在の時刻における速度ベクトルの方向を基準として、１ステップ先の時刻の速度を相対的な速度ベクトルに変換してもよい。相対的な速度ベクトルに変換する際、目的地までの方向を基準としてもよい。
【0123】
なお滞留型チェックポイント内で滞留している人１１０１０に関しては、１ステップ先の時刻の速度ではなく、残り滞留時間、または、１ステップ先に次のＤ＿ＩＤ５０１５に遷移して移動を開始する確率を説明変数としてもよい。
【0124】
【0125】
シミュレーションＤＢ１０９は、仮想動線テーブル１２０１および仮想行列状態テーブル１２０２を格納する。仮想動線生成部１１１にて生成された動線データが仮想動線テーブル１２０１に、仮想動線生成部１１１にて更新された行列の状態データが仮想行列状態テーブル１２０２に、逐次的に格納される。
【0126】
仮想動線テーブル１２０１は、人ごとに、また一定の時間（例えば１秒）ごとにシミュレートされた動線データの座標とその状態に関する情報１２０１１～１２０１７が逐次的に格納する。
【0127】
ＳＴＡＲＴ＿ＴＩＭＥ１２０１１およびＥＮＤ＿ＴＩＭＥ１２０１２は、それぞれ、１秒ごとにシミュレートされた動線データの開始時間および終了時間を表す。ＷＫＴ１２０１３は、対応する人がＳＴＡＲＴ＿ＴＩＭＥ１２０１１からＥＮＤ＿ＴＩＭＥ１２０１２までの間に動いた動線のラインストリングに関するジオメトリ情報を表す。
【0128】
ＰＩＤ１２０１４は、対応する人のＩＤを示す。Ｏ＿ＩＤ１２０１５およびＤ＿ＩＤ１２０１６は、それぞれシミュレーション時の開始チェックポイントおよび終了チェックポイントを表す。Ｑ＿ＩＤ１２０１７は、対応する人が並んでいる行列のＣＩＤ４０４１を表す。なお行列に並んでいない際はＱ＿ＩＤ１２０１７には－１を格納する。
【0129】
仮想行列状態テーブル１２０２は、情報１２０２１～１２０２４を格納する。ＳＴＡＲＴ＿ＴＩＭＥ１２０２１およびＥＮＤ＿ＴＩＭＥ１２０２２は、それぞれ、対応する行列の状態についての開始時刻および終了時刻を表す。ＣＩＤ１２０２３は、対応する行列のＣＩＤ４０４１を表す。ＰＩＤ＿ＬＩＳＴ１２０２４は、対応する行列に並んでいる人のＩＤをサービス待ちの順番通りに並べたＩＤリストである。
【0130】
図１３は、本発明の実施例１の初期人流生成部１０４および仮想動線生成部１１１で行われるシミュレーションを示したフローチャートである。
【0131】
処理１３０１は、シミュレーションの処理開始を表す。
【0132】
処理１３０２は、ユーザ１２からシミュレーションを実施する際の人流の需要情報を受信して初期人流を生成する処理を表す。この処理は初期人流生成部１０４にて行われる。ここで人流の需要情報とは、シミュレーション上で発生させる人の数、シミュレーション開始時刻、出発地、および最初の目的地に関する情報を指す。これらの情報は、統計値という形で入力されてもよいし、シミュレーション開始時刻と出発地、目的地の情報が一人ひとり詳細に入力されてもよい。
【0133】
統計値という形で入力される場合、初期人流生成部１０４は、ポアソン分布などを用いたサンプリング処理によってシミュレーション開始時刻を設定する。さらに、初期人流生成部１０４は、モデルＤＢ１０７に含まれるチェックポイント初期確率テーブル６０５およびチェックポイント遷移確率テーブル６０４によって確率的に出発地および目的地の情報を一人ひとりに設定する。この際、出発地、目的地に関する情報はＫＩＤ４０３２、もしくはＣＩＤ４０３１という形で与え、最初の目的地だけでなくその後の目的地の遷移をすべて含んでいてもよい。
【0134】
初期人流生成部１０４は、一人ひとりにシミュレーション開始時刻、出発地および目的地に関する情報を生成したら、初期位置および初期速度に関する情報をそれぞれ付加する。初期人流生成部１０４は、初期位置として最初の出発地に関するチェックポイントに含まれる点を選択する。この際、チェックポイントのジオメトリ情報から算出した重心座標を初期位置としてもよいし、チェックポイントの領域内に関してランダムに点をサンプリングして初期位置としてもよいし、動線ＤＢ１０５に格納されている動線データを分析し、そのチェックポイントから出発する際の座標情報を抽出して用いてもよい。
【0135】
初期速度はベクトルとして与えられる。初期人流生成部１０４は、初期速度のベクトルをランダムでサンプリングしてもよいし、目的地とするチェックポイントへの方向ベクトルから算出してもよいし、動線ＤＢ１０５に格納されている動線データを分析し、そのチェックポイントから出発する際の速度ベクトルを抽出して用いてもよい。
【0136】
処理１３０３は、開始時刻（ｔ＝０）を設定し、シミュレーションを実際に開始する処理を表す。
【0137】
処理１３０４は、処理１３０２にて生成した初期人流について、シミュレーション上の時刻ｔにおける人だけを抽出し、シミュレーション対象に加える処理を表す。その際、仮想動線生成部１１１は、新しく抽出された初期人流をシミュレーションＤＢ１０９に格納する。
【0138】
処理１３０５は、特徴量を算出して、モデルを用いて次の時刻の人流位置を予測する処理を表す。具体的には、仮想動線生成部１１１は、シミュレーション対象である人流に対して、地図ＤＢ１０８に格納されているシミュレーション用の地図テーブル４０２、４０３および４０４を用いて、図１１で説明したものと同様の方法で特徴量を特徴量算出部１１１１にて算出する。そして、仮想動線生成部１１１は、算出した特徴量を用いて、モデルＤＢ１０７に格納された状態ごとの動線予測モデルを用いて時刻ｔ＋１における人流の位置を動線予測部１１１２にて予測し、その結果をシミュレーションＤＢ１０９の仮想動線テーブル１２０１に格納する。
【0139】
この際、動線予測モデルの出力が速度ではなく、残り滞留時間δｔである場合、仮想動線生成部１１１は、時刻がｔ＋δｔになるまで、シミュレーション対象の人を同じ位置で滞留させてもよい。また、Ｑ＿ＩＤ１２０１７が－１でない場合、その人は行列に並んでいるため、仮想動線生成部１１１は、その人がほかの人に所定の距離より近づかないように予測位置を補正してもよい。
【0140】
このステップにおける目的地は、時刻ｔにおける人流のＤ＿ＩＤ１２０１６、Ｑ＿ＩＤ１２０１７とシミュレーションＤＢ１０９の仮想行列状態テーブル１２０２によって決め方が異なるため、以下に説明する。
【0141】
Ｑ＿ＩＤ１２０１７≠－１かつその人が行列の先頭に並んでいる場合、その行列型チェックポイントに含まれる点を目的地とする。
【0142】
Ｑ＿ＩＤ１２０１７≠－１かつその人が行列の二番目以降に並んでいる場合、その人の一つ前に並んでいる人を目的地とする。
【0143】
Ｑ＿ＩＤ１２０１７＝－１かつ、Ｄ＿ＩＤ１２０１６が行列型チェックポイント以外である場合、Ｄ＿ＩＤ１２０１６に対応するチェックポイントの中に含まれる点を目的地とする。Ｄ＿ＩＤ１２０１６としてＫＩＤ４０３２の情報が使われている場合、一つのＫＩＤ４０３２に複数のチェックポイントが目的地候補として存在しうるが、この時は目的地候補の中から、その人流に対して近い方のチェックポイントを選んでもよいし、人が滞留していない方のチェックポイントを選んでもよい。
【0144】
Ｑ＿ＩＤ１２０１７＝－１、かつ、Ｄ＿ＩＤ１２０１６が行列型チェックポイントであり、かつ、時刻ｔにおいて該当行列に人が並んでいない場合、Ｄ＿ＩＤ１２０１６に対応する行列チェックポイントの中に含まれる点を目的地とする。上記の例と同じく、Ｄ＿ＩＤ１２０１６としてＫＩＤ４０３２の情報が使われている場合、一つのＫＩＤ４０３２に複数のチェックポイントが目的地候補として存在しうるが、この時は目的地候補の中から、その人流に対して近い方のチェックポイントを選んでもよいし、人が並んでいない方のチェックポイントを選んでもよい。
【0145】
Ｑ＿ＩＤ１２０１７＝－１、かつ、Ｄ＿ＩＤ１２０１６が行列型チェックポイントであり、かつ、時刻ｔにおいて該当行列に人が並んでいる場合、Ｄ＿ＩＤ１２０１６に対応する行列に並んでいる人の最後尾の人を目的地とする。上記の例と同じく、Ｄ＿ＩＤ１２０１６としてＫＩＤ４０３２の情報が使われている場合、一つのＫＩＤ４０３２に複数の行列が存在しうるが、その人流と行列の最後尾の距離が短い方の最後尾の人を目的地としてもよいし、並んでいる人数が少ない方の行列の最後尾を選んでもよい。
【0146】
処理１３０６は、予測した人流の位置から、人流に対して状態判定し、次の状態に遷移させる処理を表す。この処理は、状態遷移部１１１３にて行われる。ここでの状態判定方法と遷移方法を以下に記述する。
【0147】
Ｑ＿ＩＤ１２０１７≠－１かつ、該当する人が行列の先頭以外の人である場合、状態遷移部１１１３は、状態を遷移させず時刻ｔの状態をそのまま引き継ぐ。
【0148】
Ｑ＿ＩＤ１２０１７≠－１かつ、該当する人が行列の先頭の人である場合、状態遷移部１１１３は、行列に並んだ後に向かうチェックポイントに人が滞留していなければ、Ｑ＿ＩＤ１２０１７を－１、時刻ｔ＋１におけるＯ＿ＩＤ１２０１５を時刻ｔにおけるＤ＿ＩＤ１２０１６に、時刻ｔ＋１におけるＤ＿ＩＤ１２０１６を次に向かうチェックポイントのＩＤに遷移させる。一方、行列に並んだ後に向かうチェックポイントに人が滞留している場合、状態遷移部１１１３は、状態を遷移させず時刻ｔの状態をそのまま引き継ぐ。
【0149】
Ｑ＿ＩＤ１２０１７＝－１の場合は、状態遷移部１１１３は、まず目的地に到着したかどうか判定する。具体的には時刻ｔ＋１における人の位置が目的地から所定の距離以内である場合、状態遷移部１１１３は、その人が目的地に到着したと判定する。
【0150】
目的地が行列の最後尾だった場合、状態遷移部１１１３は、Ｑ＿ＩＤ１２０１７をその行列のＩＤに更新し、仮想行列状態テーブル１２０２のＰＩＤ＿ＬＩＳＴ１２０２４を更新する。
【0151】
目的地が滞留型チェックポイントであり、かつ、Ｏ＿ＩＤ１２０１５とＤ＿ＩＤ１２０１６とが等しくない場合、状態遷移部１１１３は、Ｏ＿ＩＤ１２０１５およびＤ＿ＩＤ１２０１６を共に滞留型チェックポイントのＩＤに更新し、状態を滞留状態にする。
【0152】
目的地が滞留型チェックポイントであり、かつ、Ｏ＿ＩＤ１２０１５とＤ＿ＩＤ１２０１６が等しい場合、状態遷移部１１１３は、処理１３０５にて予測した結果、人がδｔ以上滞留しているならば、Ｄ＿ＩＤ１２０１６を次の目的地に更新し、処理１３０５の結果まだ滞留していると見なされる場合は、状態を遷移させない。
【0153】
目的地が通過型チェックポイントの場合、状態遷移部１１１３は、時刻ｔ＋１におけるＯ＿ＩＤ１２０１５を時刻ｔにおけるＤ＿ＩＤ１２０１６に、時刻ｔ＋１におけるＤ＿ＩＤ１２０１６を次に向かうチェックポイントのＩＤに遷移させる。
【0154】
なおＤ＿ＩＤ１２０１６を更新する際に次に選ばれるチェックポイントのＩＤは、処理１３０２で生成した初期人流に目的地の遷移情報がすべて含まれている場合は、その情報に従って目的地を遷移させるように選択される。目的地の遷移情報がすべて含まれていない場合は、モデルＤＢ１０７のチェックポイント遷移確率テーブル６０４に従い、確率的に目的地を遷移させてもよい。ここで、次の目的地が存在しない場合は、その人流を消す処理を行う。
【0155】
処理１３０７は、シミュレーションの時刻ｔを一つ進める処理を表す。
【0156】
処理１３０８は、シミュレーションの終了条件を満たすかどうかを判定する処理を表す。終了条件を満たす場合は、処理１３０４に戻り、満たさない場合は処理１３０９へ進む。終了条件は、例えばシミュレーションを開始して一定時間過ぎたかどうかであってもよいし、シミュレーション対象である人流がすべて最終的な目的地に到達したかどうかであってもよい。
【0157】
処理１３０９は、シミュレーションの処理終了を表す。
【0158】
図１４は、本発明の実施例１の人間行動予測システム１０のインタフェースの例を表す説明図である。以下、インタフェースの例である画面１４０１の詳細について説明する。
【0159】
画面１４０１に含まれる画面１４０２は、動線ＤＢ１０５に格納された動線データ、シミュレーションＤＢ１０９に格納された仮想動線データ、ならびに、地図ＤＢ１０８に格納された地図テーブル４０２、４０３および４０４を表示する画面である。ここで、それぞれの動線データは各レコードのＬＩＮＥＳＴＲＩＮＧを描画したものであるが、ＬＩＮＥＳＴＲＩＮＧの終点にマーカーをつけて描画してもよいし、状態ごとに色を変えて描画してもよい。描画されているデータは画面上で選択することができ、選択した場合は動線データ１４０２１のように太さまたは色などの表示を変化させて描画してもよい。
【0160】
ボタン１４０３は、動線データ計測を行うためのボタンである。このボタンが操作されると、計測システム１１にて対象領域におけるデータが取得され、動線データが動線ＤＢ１０５に格納される。
【0161】
ボタン１４０４は、地図データを入力するためのボタンである。このボタンが操作されると、ダイアログが立ち上がり、ユーザ１２が地図テーブル４０２、４０３および４０４に関する情報を入力することができる。入力された情報が、地図データ入力部１０３によって地図ＤＢ１０８に格納される。
【0162】
ボタン１４０５は、計測した動線データに対して、状態判定処理を行うためのボタンである。このボタンが操作されると、状態判定部１０２の処理が実行される。
【0163】
ボタン１４０６は、動線データの表示を切り替えるボタンである。動線データは、シミュレーションＤＢ１０９に格納されたデータと、動線ＤＢ１０５に格納されたデータとの２種類があるため、ボタン１４０６を操作することによってこれらを切り替えることができる。
【0164】
ボタン１４０７は、動線ＤＢ１０５に格納された動線データから動線予測モデルを学習するためのボタンである。このボタンが操作されると、行動モデル学習部１１０の処理が実行される。
【0165】
ボタン１４０８は、初期人流を生成するためのボタンである。このボタンが操作されると、ダイアログボックスが表示され、処理１３０２にて説明した人流の需要情報を入力することができ、その後、初期人流生成部１０４の処理が実行される。
【0166】
ボタン１４０９は、学習した動線予測モデルに従い、シミュレーションを実施するためのボタンである。このボタンが操作されると、仮想動線生成部１１１の処理が実行される。
【0167】
ボタン１４１０は、画面１４０２上で選択されているデータの詳細情報を表示するためのボタンである。具体的には、このボタンが操作されると、選択されているデータに対応する動線ＤＢ１０５、シミュレーションＤＢ１０９、状態ＤＢ１０６および地図ＤＢ１０８の一つ以上のデータベースが呼び出され、選択しているデータの情報が表示される。図１４の例では、動線データ１４０２１が選択されているため、このデータに対応する動線テーブル４０１および動線状態テーブル５０１の情報が記載されたダイアログボックスが立ち上がる。
【0168】
ボタン１４１１は、動線データを再生する際に操作される停止ボタンである。画面上で動線データの再生を行っている際に、このボタンを操作することでその再生を止めることができる。
【0169】
ボタン１４１２は、動線データの再生ボタンである。このボタンを操作すると、動線データを時間ごとに連続再生する処理が行われる。
【0170】
ボタン１４１３は、動線データを再生する際に操作される巻き戻しボタンである。画面上で動線データの表示を行っている際に、このボタンを操作することで表示している時間を巻き戻すことができる。
【0171】
プログレスバー１４１４は、動線データの再生時間の位置を示すバーである。この画面を参照しているユーザ１２がバーを直接移動させることで、動線データを表示している時間をずらすことができる。
【0172】
ボタン１４１５は、動線データを再生する際に操作される早送りボタンである。画面上で動線データの表示を行っている際に、このボタンを操作することで表示している時間を早送りことができる。
【0173】
テキスト１４１６は、現在動線データが表示されている時間を示すテキストボックスである。ユーザはこのテキスト１４１６を直接編集して、再生時間を変更することができる。
【0174】
チェックボックス１４１７は、動線データを一括で表示するか、時間ごとに表示をするかを切り替えるチェックボックスである。このチェックボックス１４１７にチェックが入っている場合は、動線データがすべて表示され、ボタン１４１１～１４１５およびテキスト１４１６は操作することができなくなる。
【0175】
上記の実施例１では、人の動線予測モデルを生成して、それに基づいて人の仮想動線を生成するシステムを説明した。ここで、人は移動体の一例であり、人以外の移動体、例えば船舶または車両等にも本実施例を適用することができる。このため、人間行動予測システムは移動体移動予測システムと読み替えてもよい。
【実施例2】
【0176】
以下、本発明の実施例２について図面を参照して説明する。以下に説明する相違点を除き、実施例２の人間行動予測システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。
【0177】
本発明の実施例１における滞留状態は、滞留型チェックポイント内での滞留、行列に並んでいる間の滞留をさしていた。一方、実施例２では、人同士の対話状態も滞留状態として考慮してシミュレーションを実施する。
【0178】
図１５は、本発明の実施例２の人間行動予測システム１０の基本構成を表すブロック図である。
【0179】
図１５に示す人間行動予測システム１０の構成要素のうち、計測システム１１、動線データ抽出部１０１、地図データ入力部１０３、初期人流生成部１０４、行動モデル学習部１１０、仮想動線生成部１１１については、実施例１のものと同様であるため、説明を省略する。
【0180】
状態判定部１０２は、動線ＤＢ１０５に格納された動線データと、地図ＤＢ１０８に格納されたチェックポイントデータと、を受信し、動線データに対する状態判定を行い、判定結果を状態ＤＢ１５０２に格納する機能を備える。上記機能を実現するために、前記状態判定部１０２は、行列判定部１０２１と、ＯＤ分析部１０２２と、対話判定部１５０１を備える。行列判定部１０２１およびＯＤ分析部１０２２は、実施例１のものと同様である。対話判定部１５０１の具体的な処理については後述する。
【0181】
状態ＤＢ１５０２およびモデルＤＢ１５０３のデータ構造については後述する。
【0182】
図１６Ａは、本発明の実施例２の状態ＤＢ１５０２のデータ構造例を表す説明図である。
【0183】
状態ＤＢ１５０２に関して、実施例１の状態ＤＢ１０６と異なるのは、動線状態テーブル１５０２１に格納される情報である。動線状態テーブル１５０２１に格納される情報１５０２１１～１５０２１６は、動線状態テーブル５０１に格納される情報５０１１～５０１６と同様である。異なるのはＧＩＤ１５０２１７である。ＧＩＤ１５０２１７は、対応する人が対話状態であるかどうかを示す情報である。具体的には対話のＩＤである。対応する人が対話状態でなければ、ＧＩＤ＝－１とする。
【0184】
対話のＩＤは、場所、時間および人数によらず対話という現象に対して割り当てられる。例えば、２人が対話している際に、もう１人加わって３人で対話を始めた場合、２人が対話を開始してから３人が対話を終了するまで、対応するすべての人に同じＧＩＤ１５０２１７が割り当てられる。すなわち、その最初の２人が対話している間はその２人のみに当該ＧＩＤが割り当てられ、３人目が加わった時刻からは３人に同じＧＩＤが割り当てられる。
【0185】
図１６Ｂは、本発明の実施例２のモデルＤＢ１５０３のデータ構造例を表す説明図である。
【0186】
モデルＤＢ１５０３に関しては、実施例１のテーブル６０１～６０５に加えて、対話モデルテーブル１５０３１が新しく格納される。これは各場所において、対話の発生のしやすさを表す情報を格納したテーブルである。
【0187】
ＳＨＡＰＥ＿ＩＤ１５０３１１は対話場所の候補であるグリッドのＩＤを表し、ＷＫＴ１５０３１２はそのグリッドのジオメトリ情報である。Ｐｒｏｂ１５０３１３はその場所における対話の発生のしやすさを定量化したものであり、たとえばその場所で対話が発生する確率でもよい。
【0188】
このパラメータは、例えば、状態判定部１０２が対話判定を行った後、行動モデル学習部１１０が対話モデルを学習する際に、グリッドごとに対話が起こった回数をカウントし、その回数を確率に変換して格納することによって生成されてもよい。実際に実施したシミュレーションの中で、移動中の人がある場所で他の人とすれ違った場合、その場所に対応するＰｒｏｂ１５０３１３の値を用いて確率的に対話を発生させてもよい。このとき、シミュレーションにおける対話時間として、実際の動線データの対話判定結果から抽出した対話時間を用いてもよい。
【0189】
図１７は、本発明の実施例２の状態判定部１０２で行われる処理のフローチャートである。
【0190】
処理１７０１は、状態判定部１０２の処理開始を表す。
【0191】
処理１７０２～１７０５は、処理７０２～７０５と同様である。
【0192】
処理１７０６は、動線データの滞留状態から対話判定を行う処理である。対話判定部１５０１は、動線データを確認した際に、所定の距離の範囲内に所定の速度以下の人が複数いる場合、対話をしていると判定する。この処理について説明図１７０９を用いて説明する。
【0193】
この例では、所定の距離の範囲である領域１７１１の中に所定の速度以下の人が複数いるため、人１７１０は対話をしていると判定される。人１７１２は所定の速度以下で移動しているが、所定の距離の範囲内に他の所定の速度以下の人がいないため、対話をしていると判定されない。人１７１３は所定の距離の範囲である領域１７１１内に存在するが、所定の速度以下でないので、対話をしていると判定されない。
【0194】
なお行列判定の時と同じく、対話判定を行う際に、人の向きの情報を用いてもよい。例えば、距離および速度が条件を満たしていて、かつ、それぞれの人の向きと相手の人がいる方向とのなす角が所定の値より小さいなどの所定の条件を満たす場合に、対話をしていると判定してもよい。
【0195】
処理１７０７は、状態データを状態ＤＢ１５０２に格納する処理である。具体的には、状態判定部１０２は、処理１７０２～１７０５の結果を統合し、各人について、いつ、どのチェックポイントからどのチェックポイントへ向かっていたか、どの行列型チェックポイントに並んでいたか、どの滞留型チェックポイントにて滞留していたか、対話していたか、の情報を、状態ＤＢ１５０２の動線状態テーブル１５０２１に格納する。
【0196】
処理１７０８は、状態判定部１０２の処理終了を表す。
【0197】
図１８は、本発明の実施例１および実施例２の計測システム１１および人間行動予測システム１０を構成する各装置のハードウェア構成を示すブロック図である。
【0198】
計測システム１１は、レーザ計測システム２００１、カメラシステム２００２、および端末測位システム２００３のいずれか一つ以上から構成される。
【0199】
レーザ計測システム２００１は、レーザ光を発信するレーザ発振器２００１１、レーザの反射光を読み取るレーザ受光器２００１２、レーザの発振、受光にかかった時間等からレーザ計測システム２００１の周囲の物体までの距離を求め点群データに変換する演算装置２００１３からなる。
【0200】
カメラシステム２００２は一般的なカメラを備えたシステムであり、イメージセンサ２００２１によって可視光を画像として得て、演算装置２００２２が公知の方法によってその画像の中から人を検知してその位置を推定することができる装置である。
【0201】
端末測位システム２００３は、プロセッサ２００３１、記憶装置２００３２、モニタ２００３３、ＧＰＳ受信機２００３４、ＤＲＡＭ２００３５、入力装置２００３６および無線通信ボード２００３７を備える。プロセッサ２００３１は、演算性能を持つ。ＤＲＡＭ２００３５は、高速に読み書きが可能な揮発性一時記憶領域である。記憶装置２００３２は、ハードディスクドライブ（ＨＤＤ）またはフラッシュメモリなどを利用した永続的な記憶領域である。入力装置２００３６は、人の操作を受け付ける。モニタ２００３３は、現在の端末の状況を提示する。無線通信ボード２００３７は、無線通信を行うためのネットワークインタフェースカードである。ＧＰＳ受信機２００３４は、端末の位置を特定する。
【0202】
ＤＲＡＭ２００３５等の記憶領域に記録されたプログラムをプロセッサ２００３１が実行すると、ＧＰＳ受信機２００３４等を用いて自己の位置を推定して無線通信ボード２００３７を経由して配信する。
【0203】
人間行動予測システム１０は、プロセッサ１１２、記憶装置１１３、モニタ１１４、ＤＲＡＭ１１５、入力装置１１６及びＮＩＣ１１７を備える。プロセッサ１１２は、演算性能を有する。ＤＲＡＭ１１５は、高速に読み書きが可能な揮発性一時記憶領域である。記憶装置１１３は、ＨＤＤまたはフラッシュメモリなどを利用した永続的な記憶領域である。入力装置１１６は、人の操作を受け付ける。モニタ１１４は、情報を提示する。ＮＩＣ１１７は、通信を行うためのネットワークインタフェースカードである。
【0204】
ＤＲＡＭ１１５等の記憶領域に記録されたプログラムをプロセッサ１１２が実行することによって、動線データ抽出部１０１、状態判定部１０２、地図データ入力部１０３、初期人流生成部１０４、行動モデル学習部１１０および仮想動線生成部１１１を実現できる。すなわち、実施例１および２において上記の各部が実行する処理は、実際にはプロセッサ１１２がプログラムに従って実行する。また、動線ＤＢ１０５、状態ＤＢ１０６、モデルＤＢ１０７、地図ＤＢ１０８、シミュレーションＤＢ１０９は記憶装置１１３に記憶することによって実現できる。
【0205】
人間行動予測システム１０は、例えば図１８に示す構成の一つの計算機によって実現されてもよいが、複数の計算機によって実現されてもよい。例えば、前述した人間行動予測システム１０が保持する情報が、複数の記憶装置１１３またはＤＲＡＭ１１５に分散して格納されてもよいし、前述した人間行動予測システム１０の機能が、複数の計算機の複数のプロセッサによって分散して実行されてもよい。
【0206】
上記の本発明の実施形態は、次のような例を含んでもよい。
【0207】
（１）プロセッサ（例えばプロセッサ１１２）と、記憶装置（例えば記憶装置１１３およびＤＲＡＭ１１５の少なくともいずれか）と、を有する移動体移動予測システムであって、記憶装置は、移動体の時刻ごとの位置情報を含む動線情報（例えば動線ＤＢ１０５）と、移動体が移動可能な空間の地図情報（例えば地図ＤＢ１０８）と、移動体の移動に関する状態を示す状態情報（例えば状態ＤＢ１０６）と、を保持し、プロセッサは、動線情報、地図情報及び移動体の状態に基づいて、移動体の移動先を予測する移動モデルを学習し（例えば図１０の処理）、移動体の初期条件及び移動モデルに基づいて移動体の仮想的な動線を生成する（例えば図１３の処理）。
【0208】
これによって、動線シミュレーションを高精度化することができる。それによって、レイアウト設計による動線への影響を事前に評価することができる。
【0209】
（２）上記（１）において、地図情報は、それぞれ移動体が通過、滞留及び行列の少なくともいずれかをし得る複数のチェックポイントの位置及び種類の情報（例えば地図テーブル４０３）を含み、プロセッサは、動線情報及び地図情報に基づいて、移動体とチェックポイントとの位置関係、チェックポイントの種類及び移動体の速度から、移動体の状態を判定した結果を、状態情報として記憶装置に格納する（例えば図７の処理）。
【0210】
これによって、移動体の状態を適切に分類して、動線シミュレーションを高精度化することができる。
【0211】
（３）上記（２）において、地図情報は、各チェックポイントの種類が滞留型であるかを示す情報を含み、移動体の状態は、滞留型のチェックポイントに滞留している状態を含み、プロセッサは、滞留型のチェックポイントとの位置関係が所定の条件を満たし、かつ、移動速度が所定の値以下である移動体の状態を、滞留型のチェックポイントに滞留している状態と判定する（例えば図７の処理７０３）。
【0212】
これによって、移動体の状態を適切に分類して、動線シミュレーションを高精度化することができる。
【0213】
（４）上記（２）において、地図情報は、各チェックポイントの種類が行列型であるかを示す情報を含み、前記移動体の状態は、前記行列型のチェックポイントの行列に並んでいる状態を含み、前記プロセッサは、前記行列型のチェックポイントとの位置関係が所定の条件を満たし、かつ、移動速度が所定の値以下である前記移動体の状態を、前記行列型のチェックポイントの行列に並んでいる状態と判定する（例えば図７の処理７０４）。
【0214】
これによって、移動体の状態を適切に分類して、動線シミュレーションを高精度化することができる。
【0215】
（５）上記（４）において、プロセッサは、行列型のチェックポイントと、行列型のチェックポイントにおける行列の対象の地点（例えば行列に並んだ人にサービスを提供する場所）と、行列型のチェックポイントの行列に並んでいる状態に分類された移動体と、の位置関係に基づいて、行列の先頭に並んでいる移動体を特定し（例えば図９の処理９０２）、行列における順序が特定されている移動体と他の移動体との位置関係に基づいて、行列における順序が特定されている移動体の次に並んでいる移動体を特定する処理を再帰的に行うことによって、行列に並んでいる移動体の順序を特定する（例えば図９の処理９０３）。
【0216】
これによって、移動体の状態を適切に分類して、動線シミュレーションを高精度化することができる。
【0217】
（６）上記（５）において、移動モデルに入力される特徴量は、移動体と移動体の目的地との位置関係に関する特徴量を含み、行列型のチェックポイントに移動体が並んでいない場合、行列型のチェックポイントに向かう移動体の目的地は、行列型のチェックポイントに属するいずれかの地点であり、行列型のチェックポイントに１以上の前記移動体が並んでいる場合、行列型のチェックポイントに向かう移動体の目的地は、行列の最後尾に並んでいる移動体であり、行列型のチェックポイントに１以上の移動体が並んでいる場合、行列型のチェックポイントの先頭に並んでいる移動体の目的地は、行列型のチェックポイントに属するいずれかの地点であり、行列型のチェックポイントに２以上の移動体が並んでいる場合、行列型のチェックポイントの２番目以降に並んでいる移動体の目的地は、行列の一つ前に並んでいる移動体である。
【0218】
これによって、分類された移動体の状態に基づいて、行列に関連する動線シミュレーションを高精度化することができる。
【0219】
（７）上記（２）において、移動体は人であり、プロセッサは、動線情報から、複数の人の間の距離及び各人の移動速度が所定の条件を満たす状態の持続時間に基づいて、複数の人の間の対話の発生を判定した結果を、状態情報に含めて記憶装置に格納する（例えば図１７の処理）。
【0220】
これによって、人同士の対話状態も滞留状態として考慮したシミュレーションを実行することができる。
【0221】
（８）上記（７）において、プロセッサは、複数の人の間の対話の発生を判定した結果に基づいて、空間内の領域ごとの対話の発生確率を計算し、生成された仮想的な動線と、対話の発生確率とに基づいて、対話の発生を予測する。
【0222】
これによって、人同士の対話状態も滞留状態として考慮したシミュレーションを実行することができる。
【0223】
（９）上記（１）において、プロセッサは、移動体の状態によって分類された動線情報と地図情報とに基づいて、移動体の状態ごとに、移動モデルを学習する。
【0224】
これによって、状態に基づいて移動先を予測するモデルを生成し、動線シミュレーションを高精度化することができる。
【0225】
（１０）上記（１）において、プロセッサは、移動体の状態が特徴量として入力される移動モデルを学習する。
【0226】
これによって、状態に基づいて移動先を予測するモデルを生成し、動線シミュレーションを高精度化することができる。
【0227】
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
【0228】
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。
【0229】
また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
【符号の説明】
【0230】
１０ 人間行動予測システム
１１ 計測システム
１２ ユーザ
１０１ 動線データ抽出部
１０２ 状態判定部
１０３ 地図データ入力部
１０４ 初期人流生成部
１０５ 動線ＤＢ
１０６ 状態ＤＢ
１０７ モデルＤＢ
１０８ 地図ＤＢ
１０９ シミュレーションＤＢ
１１０ 行動モデル学習部
１１１ 仮想動線生成部
１１２ プロセッサ
１１３ 記憶装置
１１４ モニタ
１１５ ＤＲＡＭ
１１６ 入力装置
１１７ ＮＩＣ
１０２１ 行動判定部
１０２２ ＯＤ分析部
１０３１ 壁レイアウト入力部
１０３２ チェックポイント入力部
１０３３ 行列レイアウト入力部
１１０１ 動線データ分割部
１１０２ 特徴量算出部
１１０３ モデル学習部
１１１１ 特徴量算出部
１１１２ 動線予測部
１１１３ 状態遷移部
２００１ レーザ計測システム
２００２ カメラシステム
２００３ 端末測位システム
２００１１ レーザ発振器
２００１２ レーザ受光器
２００１３ 演算装置
２００２１ イメージセンサ
２００２２ 演算装置
２００３１ プロセッサ
２００３２ 記憶装置
２００３３ モニタ
２００３４ ＧＰＳ受信機
２００３５ ＤＲＡＭ
２００３６ 入力装置
２００３７ 無線通信ボード
１１ 計測システム
１２ ユーザ
１０１ 動線データ抽出部
１０２ 状態判定部
１０３ 地図データ入力部
１０４ 初期人流生成部
１０５ 動線ＤＢ
１０６ 状態ＤＢ
１０７ モデルＤＢ
１０８ 地図ＤＢ
１０９ シミュレーションＤＢ
１１０ 行動モデル学習部
１１１ 仮想動線生成部
１１２ プロセッサ
１１３ 記憶装置
１１４ モニタ
１１５ ＤＲＡＭ
１１６ 入力装置
１１７ ＮＩＣ
１０２１ 行動判定部
１０２２ ＯＤ分析部
１０３１ 壁レイアウト入力部
１０３２ チェックポイント入力部
１０３３ 行列レイアウト入力部
１１０１ 動線データ分割部
１１０２ 特徴量算出部
１１０３ モデル学習部
１１１１ 特徴量算出部
１１１２ 動線予測部
１１１３ 状態遷移部
２００１ レーザ計測システム
２００２ カメラシステム
２００３ 端末測位システム
２００１１ レーザ発振器
２００１２ レーザ受光器
２００１３ 演算装置
２００２１ イメージセンサ
２００２２ 演算装置
２００３１ プロセッサ
２００３２ 記憶装置
２００３３ モニタ
２００３４ ＧＰＳ受信機
２００３５ ＤＲＡＭ
２００３６ 入力装置
２００３７ 無線通信ボード
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図5A】
【図5B】
【図6A】
【図6B】
【図6C】
【図6D】
【図6E】
【図7】
【図8A】
【図8B】
【図9】
【図10】
【図11】
【図12A】
【図12B】
【図13】
【図14】
【図15】
【図16A】
【図16B】
【図17】
【図18】