ホーム > 特許ランキング > 楽天グループ株式会社
知財求人 - 知財ポータルサイト「IP Force」
特許7601848情報処理装置、情報処理方法、情報処理プログラム、および学習モデル
(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】2024-12-09
(45)【発行日】2024-12-17
(54)【発明の名称】情報処理装置、情報処理方法、情報処理プログラム、および学習モデル
(51)【国際特許分類】
G06Q 10/083 20240101AFI20241210BHJP
【ＦＩ】
G06Q10/083
【請求項の数】
10
(21)【出願番号】P 2022194811
(22)【出願日】2022-12-06
(65)【公開番号】P2024081295
(43)【公開日】2024-06-18
【審査請求日】2023-11-21
(73)【特許権者】
【識別番号】399037405
【氏名又は名称】楽天グループ株式会社
(74)【代理人】
【識別番号】100109380
【弁理士】
【氏名又は名称】小西 恵
(74)【代理人】
【識別番号】100109036
【弁理士】
【氏名又は名称】永岡 重幸
(72)【発明者】
【氏名】田 科
(72)【発明者】
【氏名】オニヤリ ジュリアン
(72)【発明者】
【氏名】サボッキー エメリック
(72)【発明者】
【氏名】易 志清
(72)【発明者】
【氏名】マヨ ジャレス コニー
(72)【発明者】
【氏名】ミード カイル
(72)【発明者】
【氏名】ヴィヤス クナール
(72)【発明者】
【氏名】上嶋 翼
(72)【発明者】
【氏名】ダッシュ サンケット
(72)【発明者】
【氏名】黎 艶艶
【審査官】上田 智志
(56)【参考文献】
【文献】特開２０２２－１７１４６０（ＪＰ，Ａ）
【文献】特開２００２－１５７５５３（ＪＰ，Ａ）
【文献】特開２０２２－１７１４６１（ＪＰ，Ａ）
【文献】特開２０２２－１７１５７７（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｑ １０／００－９９／００
Ｂ６５Ｇ ６１／００
(57)【特許請求の範囲】
【請求項1】
荷物の宛先ユーザの特徴を表すユーザ特徴を、前記宛先ユーザのユーザ装置から取得するユーザ特徴取得手段と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、
前記荷物の宛先住所に位置する建物の建物タイプを、事業所や会社のビルを指す「ビジネスビル」、複数の居住空間を有するビルやマンションやアパートメントを指す「ユニットビル」、「家」、または「不明」のいずれかにより特定する特定手段と、
前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測手段と、
を有し、
前記ユーザ特徴は、前記宛先ユーザの事実特徴と、前記事実特徴から機械学習のための第１学習モデルを用いて推定された推定特徴とを含み、
前記特定手段は、前記宛先住所の文字列に含まれる所定の１以上の文字、前記文字列における前記１以上の文字の位置、前記文字列に含まれる数字の位置および桁数、および前記文字列に含まれる数字の表記形式に関する所定のルールに基づいて、前記建物タイプを特定することを特徴とする情報処理装置。
【請求項2】
複数の荷物それぞれの宛先ユーザの特徴を表すユーザ特徴を、前記宛先ユーザのユーザ装置から取得するユーザ特徴取得手段と、前記複数の荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、
前記複数の荷物それぞれの宛先住所に位置する建物の建物タイプを、事業所や会社のビルを指す「ビジネスビル」、複数の居住空間を有するビルやマンションやアパートメントを指す「ユニットビル」、「家」、または「不明タイプ」のいずれかにより特定する特定手段と、
前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記複数の荷物それぞれの宛先ユーザへの配送成功可能性を予測する予測手段と、
を有し、
前記ユーザ特徴は、前記宛先ユーザの事実特徴と、前記事実特徴から機械学習のための第１学習モデルを用いて推定された前記宛先ユーザの推定特徴とを含み、
前記特定手段は、前記宛先住所の文字列に含まれる数字と数字以外の部分、前記文字列に含まれる数字の位置、前記文字列に含まれる数字の桁数、前記文字列における所定の漢字の位置、および前記文字列に含まれる数字の表記形式に関する所定のルールに基づいて、前記建物タイプを特定することを特徴とする情報処理装置。
【請求項3】
前記宛先ユーザの事実特徴は、前記宛先ユーザのデモグラフィック情報と、前記宛先ユーザによるウェブサービスにおける購入履歴と、前記宛先ユーザによりウェブサービスに登録されたデータとを含み、前記宛先ユーザの推定特徴は、前記宛先ユーザの事実特徴から前記第１学習モデルを用いて推定された特徴を含む、ことを特徴とする請求項１または２に記載の情報処理装置。
【請求項4】
前記特定手段は、前記宛先住所に位置する建物が宅配ボックスを備えるか否かを示す宅配ボックス情報を取得し、当該宅配ボックス情報を前記建物タイプに含める、ことを特徴とする請求項１または２に記載の情報処理装置。
【請求項5】
前記宛先ユーザにより過去に注文されたアイテムの特徴を表す注文特徴を取得する注文特徴取得手段を更に有し、前記予測手段は、前記ユーザ特徴、前記日付特徴、前記建物タイプ、および前記注文特徴に基づいて、前記配送成功可能性を予測する、
ことを特徴とする請求項１または２に記載の情報処理装置。
【請求項6】
前記予測手段は、機械学習のための第２学習モデルを用いて、前記配送成功可能性を予測し、前記第２学習モデルは、前記ユーザ特徴、前記日付特徴、および前記建物タイプを入力として、前記複数の時間帯のそれぞれについて、前記配送成功可能性を出力するように構成される、
ことを特徴とする請求項１または２に記載の情報処理装置。
【請求項7】
前記複数の時間帯のそれぞれについて予測された、前記複数の荷物それぞれの宛先ユーザへの前記配送成功可能性に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段を更に有する、ことを特徴とする請求項２に記載の情報処理装置。
【請求項8】
荷物の宛先ユーザの特徴を表すユーザ特徴と、前記荷物の配送日付の特徴を表す日付特徴と、前記荷物の宛先住所に位置する建物の建物タイプを表す建物特徴とが入力された場合に、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性が出力されるよう、コンピュータを機能させるための学習モデルであって、
前記ユーザ特徴は、前記宛先ユーザの事実特徴と、前記事実特徴から機械学習のための学習モデルを用いて推定された推定特徴とを含み、
前記建物タイプは、前記宛先住所の文字列に含まれる数字と数字以外の部分、前記文字列に含まれる数字の位置、前記文字列に含まれる数字の桁数、前記文字列における所定の漢字の位置、および前記文字列に含まれる数字の表記形式に関する所定のルールに基づいて特定された、事業所や会社のビルを指す「ビジネスビル」、複数の居住空間を有するビルやマンションやアパートメントを指す「ユニットビル」、「家」、または「不明」のいずれかである、学習モデル。
【請求項9】
情報処理装置によって実行される情報処理方法であって、荷物の宛先ユーザの特徴を表すユーザ特徴を、前記宛先ユーザのユーザ装置から取得するユーザ特徴取得工程と、
前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得工程と、
前記荷物の宛先住所に位置する建物の建物タイプを、事業所や会社のビルを指す「ビジネスビル」、複数の居住空間を有するビルやマンションやアパートメントを指す「ユニットビル」、「家」、または「不明タイプ」のいずれかにより特定する特定工程と、
前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測工程と、
を有し、
前記ユーザ特徴は、前記宛先ユーザの事実特徴と、前記事実特徴から機械学習のための第１学習モデルを用いて推定された推定特徴とを含み、
前記特定工程では、前記宛先住所の文字列に含まれる所定の１以上の文字、前記文字列における前記１以上の文字の位置、前記文字列に含まれる数字の位置および桁数、および前記文字列に含まれる数字の表記形式に関する所定のルールに基づいて、前記建物タイプを特定することを特徴とする情報処理方法。
【請求項10】
情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、荷物の宛先ユーザの特徴を表すユーザ特徴を、前記宛先ユーザのユーザ装置から取得するユーザ特徴取得処理と、
前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得処理と、
前記荷物の宛先住所に位置する建物の建物タイプを、事業所や会社のビルを指す「ビジネスビル」、複数の居住空間を有するビルやマンションやアパートメントを指す「ユニットビル」、「家」、または「不明タイプ」のいずれかにより特定する特定処理と、
前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測処理と、を含む処理を実行させるためのものであり、
前記ユーザ特徴は、前記宛先ユーザの事実特徴と、前記事実特徴から機械学習のための第１学習モデルを用いて推定された推定特徴とを含み、
前記特定処理は、前記宛先住所の文字列に含まれる所定の１以上の文字、前記文字列における前記１以上の文字の位置、前記文字列に含まれる数字の位置および桁数、および前記文字列に含まれる数字の表記形式に関する所定のルールに基づいて、前記建物タイプを特定することを含む、
情報処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法、情報処理プログラム、および学習モデルに関し、特に、荷物の配送に関連する技術に関する。
【背景技術】
【0002】
近年の電子商取引（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ）の普及に伴い、荷物の配送の需要が急速に増加している。ユーザが在宅でない場合、配送業者は荷物を再配達しなければならず、さらに、再配達時であってもユーザが在宅である保証はなく、更なる再配達の必要が生じ、これにより配達業者への負担が高くなっている。このような課題に対処するための技術として、特許文献１には、ユーザによるサービスの利用状況と、ユーザが在宅であったかを示す結果情報との関係性を用いて学習された学習モデルを用いて、ユーザの在宅可能性を予測（判定）する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１９－０１６４１１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に開示の技術では、対象となるユーザによるサービスの利用状況に基づいて、当該ユーザの在宅可能性、すなわち、配送成功可能性を予測している。このように、従来では、ユーザによるサービスの利用状況といった、ユーザに関する特徴に基づいて、配送成功可能性が予測されている。一方、配送に必要な情報には、宛先ユーザの情報だけでなく、荷物の宛先住所の情報が含まれるが、これまでに、荷物の宛先住所に関する特徴を考慮して配送成功可能性を予測するための仕組みは提供されていなかった。
【0005】
本発明は上記課題に鑑みてなされたものであり、荷物の宛先住所に関する情報を考慮して宛先ユーザへの配送成功可能性を予測するための仕組み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】
【0006】
上記課題を解決するために、本発明による情報処理装置の一態様は、荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測手段と、を有する。
上記課題を解決するために、本発明による情報処理装置の別の態様は、複数の荷物それぞれの宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記複数の荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記複数の荷物それぞれの宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記複数の荷物それぞれの宛先ユーザへの配送成功可能性を予測する予測手段と、を有する。
上記課題を解決するために、本発明による情報処理装置の別の態様は、複数の荷物それぞれの宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記複数の荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記複数の荷物それぞれの宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記複数の荷物それぞれの宛先ユーザへの配送成功可能性を予測する予測手段と、を有する。
【0007】
上記課題を解決するために、本発明による情報処理方法の一態様は、荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得工程と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得工程と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定工程と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測工程と、を有する。
【0008】
上記課題を解決するために、本発明による情報処理プログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得処理と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得処理と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定処理と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測処理と、を含む処理を実行させるためのものである。
【発明の効果】
【0009】
本発明によれば、荷物の宛先住所に関する情報を考慮して宛先ユーザへの配送成功可能性を予測する仕組みが提供される。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。
【0012】
［情報処理システムの構成］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
【0013】
ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
【0014】
ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置１０へ伝達することができる。
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置１０へ伝達することができる。
【0015】
本実施形態では、ウェブサービスの利用のために、ユーザ１～Ｎそれぞれは、各ユーザを識別するためのユーザＩＤが付与されているものとする。当該ユーザＩＤはウェブサービス上のユーザを識別するためのＩＤであってもよいし、ユーザ装置を物理的に識別するためのＩＤであってもよい。
【0016】
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、また、複数ユーザ宛ての荷物の配送リクエストを取得し、所定の日付における複数の荷物の配送スケジュールを決定する。本実施形態では、情報処理装置１０は、配送リクエストに含まれる複数の荷物の宛先住所の特徴を考慮して、配送スケジュールを決定するように構成される。
【0017】
［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、ユーザ装置１１－１～１１－Ｎから各種情報を取得する。また、情報処理装置１０は、複数ユーザ宛ての荷物の配送リクエストを取得する。配送リクエストには、配送日付（所定の日付）と、複数の荷物に対する複数の宛先ユーザと複数の宛先住所の情報が含まれる。情報処理装置１０は、取得した情報に基づいて、当該複数の宛先ユーザそれぞれに対して、配送日付に設定した複数のタイムスロットにおける配送成功可能性を予測する。そして、情報処理装置１０は、予測結果に基づいて、配送日付において、複数の宛先ユーザへ荷物を配送するための効率的な配送スケジュールを決定する。なお、荷物は、配送（配達）可能なものであれば、あらゆるアイテムを含むことができる。
本実施形態による情報処理装置１０は、ユーザ装置１１－１～１１－Ｎから各種情報を取得する。また、情報処理装置１０は、複数ユーザ宛ての荷物の配送リクエストを取得する。配送リクエストには、配送日付（所定の日付）と、複数の荷物に対する複数の宛先ユーザと複数の宛先住所の情報が含まれる。情報処理装置１０は、取得した情報に基づいて、当該複数の宛先ユーザそれぞれに対して、配送日付に設定した複数のタイムスロットにおける配送成功可能性を予測する。そして、情報処理装置１０は、予測結果に基づいて、配送日付において、複数の宛先ユーザへ荷物を配送するための効率的な配送スケジュールを決定する。なお、荷物は、配送（配達）可能なものであれば、あらゆるアイテムを含むことができる。
【0018】
図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。
図２に示す情報処理装置１０は、配送リクエスト取得部１０１、ユーザ特徴取得部１０２、注文特徴取得部１０３、日付特徴取得部１０４、建物タイプ特定部１０５、配送成功予測部１０６、配送スケジュール決定部１０７、出力部１０８、学習モデル記憶部１１０、特徴記憶部１２０、およびルール記憶部１３０を備える。学習モデル記憶部１１０は、第１タイムスロット予測モデル１１１、第２タイムスロット予測モデル１１２、第３タイムスロット予測モデル１１３、第４タイムスロット予測モデル１１４、第５タイムスロット予測モデル１１５、第６タイムスロット予測モデル１１６、およびユーザ特徴予測モデル１１７を記憶している。当該各種学習モデルについては後述する。また、特徴記憶部１２０は、ユーザ特徴１２１、注文特徴１２２、日付特徴１２３、および建物タイプ（建物特徴）１２４を記憶し、ルール記憶部１３０は、建物タイプ特定ルール１３１を記憶している。当該各種特徴やルールについては後述する。
図２に示す情報処理装置１０は、配送リクエスト取得部１０１、ユーザ特徴取得部１０２、注文特徴取得部１０３、日付特徴取得部１０４、建物タイプ特定部１０５、配送成功予測部１０６、配送スケジュール決定部１０７、出力部１０８、学習モデル記憶部１１０、特徴記憶部１２０、およびルール記憶部１３０を備える。学習モデル記憶部１１０は、第１タイムスロット予測モデル１１１、第２タイムスロット予測モデル１１２、第３タイムスロット予測モデル１１３、第４タイムスロット予測モデル１１４、第５タイムスロット予測モデル１１５、第６タイムスロット予測モデル１１６、およびユーザ特徴予測モデル１１７を記憶している。当該各種学習モデルについては後述する。また、特徴記憶部１２０は、ユーザ特徴１２１、注文特徴１２２、日付特徴１２３、および建物タイプ（建物特徴）１２４を記憶し、ルール記憶部１３０は、建物タイプ特定ルール１３１を記憶している。当該各種特徴やルールについては後述する。
【0019】
配送リクエスト取得部１０１は、複数ユーザ（ユーザ１からＮのうちの２以上のユーザ）宛ての荷物の配送リクエストを取得する。当該配送リクエストは、操作者により入力部（図８の入力部８５）を介して入力されてもよいし、通信部（図８の通信Ｉ／Ｆ８７）を介して入力されてもよい。あるいは、当該配送リクエストは、予めシステムにおいて設定されていてもよいし、記憶部（図８のＲＯＭ８２やＲＡＭ８３）に格納されている任意のプログラムによって設定されてもよい。
【0020】
配送リクエストには、複数の荷物それぞれについて配送に必要な情報が含まれる。本実施形態では、配送リクエストには、複数の宛先ユーザの情報と、当該複数の宛先ユーザそれぞれの住所（複数の異なる宛先住所）の情報と、配送予定の日付情報である配送日付の情報が含まれる。本実施形態では、配送日付は同一日付であるとする。また、配送リクエストに含まれる複数の宛先ユーザは、それぞれの住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）ユーザとなるように構成されている。すなわち、配送リクエストに含まれる宛先住所（複数の宛先住所）の情報は、１以上の所定の位置関係を満たす異なる複数の住所の情報を含みうる。配送リクエストは、あらかじめ住所が近い宛先ユーザを含むように構成されていてもよいし、情報処理装置１０や他の装置が、住所が近い宛先ユーザを含むように配送リクエストを生成してもよい。
【0021】
宛先住所の情報は、近隣に位置する（すなわち、所定の距離的範囲内にある）住所の情報を含みうる。また、宛先住所の情報は、共通する道、道路または通りの近隣に位置する異なる複数の住所の情報を含みうる。また、宛先住所の情報は、建物名や番地が共通する等、一部が共通する複数の住所の情報を含みうる。また、宛先住所の情報は、共通する区画に位置する異なる複数の住所の情報を含みうる。また、宛先住所の情報は、海抜高度の差（高低差）が所定の値を下回るような異なる複数の住所を含みうる。また、宛先住所の情報は、住所間の経路における右折または左折の回数が所定の数量を下回るような異なる複数の住所の情報を含みうる。また、宛先住所の情報は、住所間の経路における十字路の数が所定の数量を下回るような異なる複数の住所の情報を含みうる。また、宛先住所の情報は、住所間の経路に位置する交通信号機が所定の数量を下回る（交通信号機に起因する停止時間の期待値などの予測値が所定の時間を下回る）ような異なる複数の住所の情報を含みうる。また、宛先住所の情報は、住所間の経路を構成する道、道路または通りの道幅が所定の値を上回るような複数の住所の情報を含みうる。また、宛先住所の情報は、住所間の経路にスクールゾーン等の所定の道、道路または通りが含まれないような複数の住所の情報を含みうる。
【0022】
ユーザ特徴取得部１０２は、ユーザ１～Ｎのうち、配送リクエストに含まれる複数の宛先ユーザそれぞれのユーザ特徴を取得する。本実施形態において、ユーザ特徴とは、ユーザ装置やユーザについての事実特徴（事実情報）であり、ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０２は例えば、ユーザ装置１１から直接ユーザ特徴を取得することができる。また、ユーザ特徴取得部１０２は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。ユーザ特徴には、宛先ユーザのユーザＩＤ（以下、宛先ユーザＩＤ）が紐づけられている。
【0023】
本実施形態では、ユーザ特徴取得部１０２は、デモグラフィック情報と過去のウェブサービスにおける購入行動情報を、ユーザ特徴として取得する。デモグラフィック情報は、性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性を示す情報である。購入行動情報は、例えば、購入したアイテム名や購入日時の情報である。また、ユーザ特徴取得部１０２は、ユーザにより購入の際にウェブサービスに登録された趣向を示すデータを、ユーザ特徴として取得してもよい。
【0024】
また、ユーザ特徴取得部１０２は、取得したユーザ特徴を、学習済みのユーザ特徴予測モデル１１７に適用して、当該ユーザ特徴に対して推定されたユーザ特徴（推定ユーザ特徴（属性））も取得するように構成される。例えば、ユーザ特徴予測モデル１１７は、宛先ユーザ（複数の宛先ユーザのうち各ユーザ）のユーザ特徴（すなわち、事実特徴）を入力として、複数のユーザ特徴それぞれが当該宛先ユーザに該当する（適合する）確率（該当確率）を出力するように構成される。ユーザ特徴取得部１０２は、該当確率から、最終的に、当該宛先ユーザの推定ユーザ特徴を決定する。
【0025】
例えば、ユーザ特徴取得部１０２は、宛先ユーザのユーザ特徴として、宛先ユーザのデモグラフィック情報と過去のウェブサービスにおける購入履歴や趣向を示すデータをユーザ特徴予測モデル１１７に入力する。ユーザ特徴予測モデル１１７からは、該当確率として、当該宛先ユーザが購入すると推定される複数のアイテムや当該宛先ユーザが有しうる複数の趣向それぞれに対する確率が出力される。そして、ユーザ特徴取得部１０２は、所定値以上の確率を有するアイテムや趣向を、当該宛先ユーザの推定ユーザ特徴として、取得することができる。また、確率そのものを推定ユーザ特徴としてもよい。
本実施形態による推定ユーザ特徴は、例えば、働いている確率、子どもを有している確率、といった、ライフステージに関する特徴や、一戸建またはアパートメント（レジデンス）に住んでいる確率といった、ライフスタイルに関する特徴を含む。
本実施形態による推定ユーザ特徴は、例えば、働いている確率、子どもを有している確率、といった、ライフステージに関する特徴や、一戸建またはアパートメント（レジデンス）に住んでいる確率といった、ライフスタイルに関する特徴を含む。
【0026】
ユーザ特徴取得部１０２は、取得および推定したユーザ特徴を、ユーザ特徴１２１として特徴記憶部１２０に記憶させる。ユーザ特徴は、宛先ユーザＩＤと紐づけて記憶される。
【0027】
注文特徴取得部１０３は、ユーザ１～Ｎのうち、配送リクエストに含まれる複数の宛先ユーザそれぞれの注文特徴（オーダー特徴）を取得する。本実施形態において、注文特徴とは、宛先ユーザにより過去に注文されたアイテム（すなわち、荷物）の特徴を表す情報である。当該注文されたアイテムは、宛先ユーザにより注文され、かつ、当該宛先ユーザに配送されたアイテムに限定されてもよい。注文特徴は、例えば、ウェブサービスにおける、宛先ユーザによる過去の注文情報（購入行動情報）から得られる。例えば、注文特徴は、アイテムの重量や、アイテムの種別や、アイテムが属するジャンルの種別を含む。注文特徴は、宛先ユーザＩＤと紐づけられており、注文特徴取得部１０３は、取得した注文特徴を、宛先ユーザＩＤと紐づけて注文特徴１２２として特徴記憶部１２０に記憶させる。
【0028】
日付特徴取得部１０４は、配送リクエストに含まれる荷物の配送日付の情報から、当該日付の特徴（日付特徴）を取得（特定）する。当該日付特徴は、カレンダー情報等から取得されうる。日付特徴取得部１０４は、例えば、当該日付の年月日、当該日付の種類（休日、祝日、または平日）を日付特徴として取得し、日付特徴１２３として特徴記憶部１２０に記憶させる。日付特徴は、宛先ユーザＩＤと紐づけて記憶される。
【0029】
建物タイプ特定部１０５は、配送リクエストに含まれる複数の異なる宛先住所の情報から、各住所に位置する建物の建物タイプ（建物特徴）を特定する。本実施形態では、建物タイプ特定部１０５は、宛先住所の文字列を解析して、ルール記憶部１３０に記憶されている建物タイプ特定ルール１３１に基づいて、当該住所の建物タイプを特定する。すなわち、建物タイプ特定部１０５は、宛先住所の文字列を建物タイプ特定ルール１３１に適用して、当該住所の建物タイプを特定する。建物タイプの特定手順については後述する。
【0030】
さらに、建物タイプ特定部１０５は、宛先住所の情報に基づいて、当該住所に位置する建物が宅配ボックス（配送された荷物を収容するためのボックス）を備えているか否かを判定することができる。当該判定は、所定のウェブサービスといったオンライン上の公的もしくは私的のサービスを用いて実施することができる。建物タイプ特定部１０５は、当該判定により、宛先住所に位置する建物が、宅配ボックスを備えている、もしくは、備えていないことを示す宅配ボックス情報を生成する。
【0031】
なお、宛先住所に位置する建物が備える宅配ボックスは、配送された荷物を収容可能な、当該建物が備える静止型の収納ボックスまたは移動型の収納ボックスと同義に理解されうる。静止型もしくは移動型の収納ボックスについても、オンライン上の公的もしくは私的のサービスを用いて、当該ボックスの存在が判定されうる。
【0032】
建物タイプ特定部１０５は、特定した建物タイプを、宛先ユーザＩＤと紐づけて建物タイプ１２４として特徴記憶部１２０に記憶させる。ここで、建物タイプ特定部１０５は、特定した建物タイプに、生成した宅配ボックス情報（建物が宅配ボックスを備えているか、備えていないかを示す情報）を紐づけて、建物タイプ１２４として記憶させうる。
【0033】
配送成功予測部１０６は、ユーザ特徴１２１、注文特徴１２２、日付特徴１２３、および建物タイプ１２４に基づいて、配送リクエストに含まれる複数の宛先ユーザそれぞれへの配送成功可能性を予測する。配送成功予測部１０６は、ユーザ特徴１２１、日付特徴１２３、および建物タイプ１２４に基づいて、配送成功可能性を予測してもよい。本実施形態では、配送成功予測部１０６は、配送日付における複数のタイムスロット（時間帯）それぞれについて、配送成功可能性を予測する。配送成功可能性の予測手順については後述する。
【0034】
配送スケジュール決定部１０７は、配送成功予測部１０６により予測された、複数の宛先ユーザそれぞれへの配送成功可能性に基づいて、配送日付における配送スケジュールを決定する。本実施形態では、配送スケジュールは、配送するタイムスロット（時間帯）と、宛先ユーザと宛先住所の情報を含む。配送スケジュールの決定手順については後述する。
【0035】
出力部１０８は、配送スケジュール決定部１０７により決定された配送スケジュールを出力する。出力部１０８は、当該スケジュールに関する情報を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図８の通信Ｉ／Ｆ８７）を介した外部装置への出力であってもよいし、表示部（図８の表示部８６）への表示であってもよい。
【0036】
［建物タイプの特定手順］
建物タイプ特定部１０５による、建物タイプ特定処理の手順について説明する。本実施形態では、建物タイプ特定部１０５は、ルール記憶部１３０に記憶されている建物タイプ特定ルール１３１に基づいて、建物タイプを特定する。具体的には、建物タイプ特定部１０５は、住所の文字列を建物タイプ特定ルール１３１に適用することにより、建物タイプを特定する。
建物タイプ特定部１０５による、建物タイプ特定処理の手順について説明する。本実施形態では、建物タイプ特定部１０５は、ルール記憶部１３０に記憶されている建物タイプ特定ルール１３１に基づいて、建物タイプを特定する。具体的には、建物タイプ特定部１０５は、住所の文字列を建物タイプ特定ルール１３１に適用することにより、建物タイプを特定する。
【0037】
建物タイプ特定ルール１３１は、住所の文字列が有する特徴に基づいて建物タイプを特定するための、あらかじめ作成されているルールである。建物タイプ特定ルール１３１は、操作者により入力部（図８の入力部８５）を介して入力されてもよいし、通信部（図８の通信Ｉ／Ｆ８７）を介して入力されてもよい。あるいは、建物タイプ特定ルール１３１は、予めシステムにおいて設定されていてもよいし、記憶部（図８のＲＯＭ８２やＲＡＭ８３）に格納されている任意のプログラムによって設定されてもよい。
なお、本実施形態で説明する建物タイプ特定ルール１３１は一例であり、住所と建物タイプの組み合わせの実例に合致しない場合が生じうるものの、住所の文字列から当該住所の建物タイプが特定可能なあらゆるルールを使用することが可能である。例えば、住所の文字列が所定のキーワードを有するか否かに応じて、建物タイプが特定されてもよい。また、新たなルールが建物タイプ特定ルール１３１に追加されてもよい。
なお、本実施形態で説明する建物タイプ特定ルール１３１は一例であり、住所と建物タイプの組み合わせの実例に合致しない場合が生じうるものの、住所の文字列から当該住所の建物タイプが特定可能なあらゆるルールを使用することが可能である。例えば、住所の文字列が所定のキーワードを有するか否かに応じて、建物タイプが特定されてもよい。また、新たなルールが建物タイプ特定ルール１３１に追加されてもよい。
【0038】
本実施形態による建物タイプ特定ルール１３１は、（１）から（９）の９種類のルールを有する。（１）から（９）のルールは、宛先住所の文字列が有する特徴により、建物タイプが特定されるように構成されている。
（１）住所が「株式会社」を含む場合、当該住所の建物タイプは、事業所や会社のビルを指す「ビジネスビル（事業所ビル）」と特定される。
例：「大阪府ＡＢＣ市Ｄ町１－２－３ 株式会社ａｂｃ内」は、「ビジネスビル」と特定される。
（１）住所が「株式会社」を含む場合、当該住所の建物タイプは、事業所や会社のビルを指す「ビジネスビル（事業所ビル）」と特定される。
例：「大阪府ＡＢＣ市Ｄ町１－２－３ 株式会社ａｂｃ内」は、「ビジネスビル」と特定される。
【0039】
（２）住所が「ビル」を含み、「ビル」の後に３桁の数字を含む場合、当該住所の建物タイプは、複数の居住区画（個別占有空間）を有するビルやマンションやアパートメント（レジデンス）を指す「ユニットビル」と特定される。
例：「東京都ＡＢＣ区Ｄ町１－２－３ ａｂｃビル３０３」は「ユニットビル」と特定される。
例：「東京都ＡＢＣ区Ｄ町１－２－３ ａｂｃビル３０３」は「ユニットビル」と特定される。
【0040】
（３）住所が「ビル」を含み、「ビル」の後に３桁の数字を含まない場合、当該住所の建物タイプは、「ビジネスビル」と特定される。
例：「東京都ＡＢＣ区Ｄ町１－２－３ ａｂｃビル５階」は、「ビジネスビル」と特定される。
例：「東京都ＡＢＣ区Ｄ町１－２－３ ａｂｃビル５階」は、「ビジネスビル」と特定される。
【0041】
（４）住所が「号」を最後に含む場合、当該住所の建物タイプは、「ユニットビル」と特定される。
例：「大阪府ＡＢＣ市Ｄ町１－２－３ レジデンスａｂｃ ３０３号」は「ユニットビル」と特定される。
例：「大阪府ＡＢＣ市Ｄ町１－２－３ レジデンスａｂｃ ３０３号」は「ユニットビル」と特定される。
【0042】
（５）住所が「×１－×２－×３」形式を含み、「×３」が３桁または４桁の数字でない場合、当該住所の建物タイプは、「家（個人宅、一戸建）」と特定される。
例：「埼玉県ＡＢＣ市Ｄ町１－２３４－５」は「家」と特定される。
例：「埼玉県ＡＢＣ市Ｄ町１－２３４－５」は「家」と特定される。
【0043】
（６）住所が「×１－×２」形式を含む場合、当該住所の建物タイプは「ユニットビル」と特定される。
例：「神奈川県ＡＢＣ町ＤＥ１２３－４」は「ユニットビル」と特定される。
例：「神奈川県ＡＢＣ町ＤＥ１２３－４」は「ユニットビル」と特定される。
【0044】
（７）住所が単一の数字を含み、当該数字を末尾に含む場合、当該住所の建物タイプは「家」と特定される。
例：「千葉県ＡＢＣ市Ｄ町１２３４」は「家」と特定される。
例：「千葉県ＡＢＣ市Ｄ町１２３４」は「家」と特定される。
【0045】
（８）住所が「×１－×２－×３」または「×１－×２－×３－×４」形式を含み、「×３」または「×４」が３桁または４桁の数字である場合、当該住所の建物タイプは「ユニットビル」と特定される。
例：「福岡県ＡＢＣ市ＤＥ区ＦＧ１－２－３－３０３」は「ユニットビル」と特定される。
例：「福岡県ＡＢＣ市ＤＥ区ＦＧ１－２－３－３０３」は「ユニットビル」と特定される。
【0046】
（９）住所が「×１－×２－×３」または「×１－×２－×３－×４」形式を含み、当該形式と別に末尾に数字を含む場合、当該住所の建物タイプは「ユニットビル」と特定される。
例：「神奈川県ＡＢＣ市ＤＥ１－２－３ レジデンスａｂｃ ３０３」は「ユニットビル」と特定される。
例：「神奈川県ＡＢＣ市ＤＥ１－２－３ レジデンスａｂｃ ３０３」は「ユニットビル」と特定される。
【0047】
なお、建物タイプ特定部１０５は、上記ルールにおいて「×１－×２－×３」は、「×１丁目×２番地×３号」や「×１丁目×２－×３」のような変形と同じ文字列として認識するように構成されうる。
また、建物タイプ特定部１０５は、上記ルールにおいて「×１－×２－×３－×４」は、「×１丁目×２番地×３号（建物の名称）×４」や「×１丁目×２－×３（建物の名称）×４」のような変形と同じ文字列として認識するように構成されうる。
また、建物タイプ特定部１０５は、上記ルールにおいて「×１－×２－×３－×４」は、「×１丁目×２番地×３号（建物の名称）×４」や「×１丁目×２－×３（建物の名称）×４」のような変形と同じ文字列として認識するように構成されうる。
【0048】
図３に、上記ルール（１）から（９）において挙げた住所と当該住所により特定される建物タイプの例のリストを示す。図３に示すように、宛先住所は、当該住所が有する文字列の特徴に従って、「ビジネスビル」、「ユニットビル」、および「家」のいずれかの建物タイプに分類される。
【0049】
なお、上記の（１）から（９）のルールで建物タイプが特定されない住所については、建物タイプ特定部１０５は、当該住所の建物タイプを、「家」といった所定の建物タイプと特定してもよい。あるいは、（１）から（９）のルールで建物タイプが特定されない住所については、建物タイプ特定部１０５は、当該住所の建物タイプを「不明タイプ」と特定してもよい。
【0050】
また、ルール（１）から（９）は、東京都といった、いくつかのエリアに適用可能であるが、その他のエリアには適用可能でない場合もある。そのため、他のエリアに対してはルール（１）から（９）とは別のルールを作成して、適用してもよい。また、東京都内におけるエリアであっても、ルール（１）から（９）とは別のルールを作成して、適用してもよい。
【0051】
［配送成功可能性の予測手順］
配送成功予測部１０６による、宛先ユーザへの配送成功可能性の予測手順について説明する。本実施形態では、配送成功予測部１０６が、学習済みの機械学習のための学習モデルを用いて、宛先ユーザへの配送成功可能性を予測する。本実施形態では、配送時間を、８時から１２時まで（第１タイムスロット）、１２時から１４時まで（第２タイムスロット）、１４時から１６時まで（第３タイムスロット）、１６時から１８時まで（第４タイムスロット）、１８時から２０時まで（第５タイムスロット）、２０時から２２時まで（第６タイムスロット）、の６つのタイムスロット（時間帯）に分割し、それぞれのスロットに対する配送成功可能性を予測する。
配送成功予測部１０６による、宛先ユーザへの配送成功可能性の予測手順について説明する。本実施形態では、配送成功予測部１０６が、学習済みの機械学習のための学習モデルを用いて、宛先ユーザへの配送成功可能性を予測する。本実施形態では、配送時間を、８時から１２時まで（第１タイムスロット）、１２時から１４時まで（第２タイムスロット）、１４時から１６時まで（第３タイムスロット）、１６時から１８時まで（第４タイムスロット）、１８時から２０時まで（第５タイムスロット）、２０時から２２時まで（第６タイムスロット）、の６つのタイムスロット（時間帯）に分割し、それぞれのスロットに対する配送成功可能性を予測する。
【0052】
配送成功可能性を予測するために、第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６が使用される。
第１タイムスロット予測モデル１１１は、８時から１２時まで（第１タイムスロット）の配送成功可能性を予測する学習モデルである。
第２タイムスロット予測モデル１１２は、１２時から１４時まで（第２タイムスロット）の配送成功可能性を予測する学習モデルである。
第３タイムスロット予測モデル１１３は、１４時から１６時まで（第３タイムスロット）の配送成功可能性を予測する学習モデルである。
第４タイムスロット予測モデル１１４は、１６時から１８時まで（第４タイムスロット）の配送成功可能性を予測する学習モデルである。
第５タイムスロット予測モデル１１５は、１８時から２０時まで（第５タイムスロット）の配送成功可能性を予測する学習モデルである。
第６タイムスロット予測モデル１１６は、２０時から２２時まで（第６タイムスロット）の配送成功可能性を予測する学習モデルである。
第１タイムスロット予測モデル１１１は、８時から１２時まで（第１タイムスロット）の配送成功可能性を予測する学習モデルである。
第２タイムスロット予測モデル１１２は、１２時から１４時まで（第２タイムスロット）の配送成功可能性を予測する学習モデルである。
第３タイムスロット予測モデル１１３は、１４時から１６時まで（第３タイムスロット）の配送成功可能性を予測する学習モデルである。
第４タイムスロット予測モデル１１４は、１６時から１８時まで（第４タイムスロット）の配送成功可能性を予測する学習モデルである。
第５タイムスロット予測モデル１１５は、１８時から２０時まで（第５タイムスロット）の配送成功可能性を予測する学習モデルである。
第６タイムスロット予測モデル１１６は、２０時から２２時まで（第６タイムスロット）の配送成功可能性を予測する学習モデルである。
【0053】
第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６は、機械学習のための学習モデルであり、例えば、ＣａｔＢｏｏｓｔをベースにした学習モデルである。あるいは、第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６は、ＸＧＢｏｏｓｔやＬｉｇｈｔＧＢＭといった他のブースティングベースの学習モデルであってもよい。
【0054】
学習段階では、ユーザ１～Ｎに対する過去の配送のために特徴記憶部１２０に記憶されたユーザ特徴１２１、注文特徴１２２、日付特徴１２３、および建物タイプ１２４の少なくともいずれかに紐づけられた配送履歴（正解データ（ラベル））との組み合わせを教師データとして用いて、各タイムスロットに対応する学習モデルが学習される。配送履歴は、各タイムスロットに対して、配送成功（＝１）または配送失敗（＝０）を示す。配送成功は、例えば、宛先住所の建物に宛先ユーザが居たこと、もしくは、当該建物が備える宅配ボックスに配送できたことを含みうる。あるいは、配送成功は、非対面での配送完了（例えば、荷物を、建物の各ユニットの入り口や、家の玄関に置いておくこと）も含みうる。配送失敗は、例えば、宛先住所の建物にユーザが居なかったこと、もしくは、当該建物が備える宅配ボックスに配送できなかったことを含みうる。
【0055】
例えば、過去の配送において、ユーザ１宛ての配送が１１時に完了した場合、第１タイムスロットから第６タイムスロットのうち、第１タイムスロットのみの配送履歴が、配送成功（＝１）を示し、他のタイムスロットの配送履歴は、配送失敗（＝０）を示す。また、入力データとしては、ユーザ１のユーザ特徴１２１、当該配送のためのユーザ１により注文されたアイテムに関する注文特徴１２２、配送の日付の日付特徴１２３、および配送の宛先住所の建物タイプ１２４（宅配ボックス情報を含みうる）の少なくともいずれかが用いられる。
第１タイムスロット予測モデル１１１は、当該入力データと配送成功（＝１）との組み合わせである教師データを用いて学習される。また、第２タイムスロット予測モデルから第６タイムスロット予測モデル１１６は、当該入力データと配送失敗（＝０）との組み合わせである教師データを用いて学習される。
第１タイムスロット予測モデル１１１は、当該入力データと配送成功（＝１）との組み合わせである教師データを用いて学習される。また、第２タイムスロット予測モデルから第６タイムスロット予測モデル１１６は、当該入力データと配送失敗（＝０）との組み合わせである教師データを用いて学習される。
【0056】
学習済みの第１タイムスロット予測モデル１１１は、任意の対象ユーザのユーザ特徴１２１と注文特徴１２２、配送日付の日付特徴１２３、および配送住所の建物タイプ１２４を入力として、第１タイムスロットにおける、当該対象ユーザへの配送成功可能性を出力（予測）するように構成される。あるいは、第１タイムスロット予測モデル１１１は、ユーザ特徴１２１、日付特徴１２３、および建物タイプ１２４を入力として、第１タイムスロットにおける当該対象ユーザへの配送成功可能性を出力するように構成されてもよい。
同様に、第２タイムスロット予測モデル１１２から第６タイムスロット予測モデル１１６はそれぞれ、任意の対象ユーザのユーザ特徴１２１と注文特徴１２２、配送日付の日付特徴１２３、および配送住所の建物タイプ１２４を入力として、第２タイムスロットから第６タイムスロットそれぞれにおける、当該対象ユーザへの配送成功可能性を予測するように構成される。あるいは、第２タイムスロット予測モデル１１２から第６タイムスロット予測モデル１１６はそれぞれ、ユーザ特徴１２１、日付特徴１２３、および建物タイプ１２４を入力として、第１タイムスロットから第６タイムスロットそれぞれにおける当該対象ユーザへの配送成功可能性を出力するように構成されてもよい。
第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６は、各タイムスロットにおける送成功可能性を、０から１（１が最大可能性）の数値で出力するように構成される。
同様に、第２タイムスロット予測モデル１１２から第６タイムスロット予測モデル１１６はそれぞれ、任意の対象ユーザのユーザ特徴１２１と注文特徴１２２、配送日付の日付特徴１２３、および配送住所の建物タイプ１２４を入力として、第２タイムスロットから第６タイムスロットそれぞれにおける、当該対象ユーザへの配送成功可能性を予測するように構成される。あるいは、第２タイムスロット予測モデル１１２から第６タイムスロット予測モデル１１６はそれぞれ、ユーザ特徴１２１、日付特徴１２３、および建物タイプ１２４を入力として、第１タイムスロットから第６タイムスロットそれぞれにおける当該対象ユーザへの配送成功可能性を出力するように構成されてもよい。
第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６は、各タイムスロットにおける送成功可能性を、０から１（１が最大可能性）の数値で出力するように構成される。
【0057】
予測段階では、配送リクエスト取得部１０１により取得された配送リクエストに含まれる複数の宛先ユーザそれぞれへの配送成功可能性を、各タイムスロットについて予測する。
図４に、配送成功可能性の予測処理の概念図を示す。配送成功予測部１０６は、配送リクエスト取得部１０１により取得された配送リクエストに含まれる複数の宛先ユーザそれぞれへの配送成功可能性を、第１タイムスロットから第６タイムスロットについて予測する。
図４に、配送成功可能性の予測処理の概念図を示す。配送成功予測部１０６は、配送リクエスト取得部１０１により取得された配送リクエストに含まれる複数の宛先ユーザそれぞれへの配送成功可能性を、第１タイムスロットから第６タイムスロットについて予測する。
【0058】
具体的には、配送成功予測部１０６は、当該複数の宛先ユーザそれぞれについて、ユーザ特徴１２１と注文特徴１２２と、配送日付の日付特徴１２３、および配送住所の建物タイプ１２４を含む入力データ４０を準備する。なお、注文特徴１２２は入力データ４０に含まれなくてもよい。
ユーザ特徴１２１は、配送リクエストに含まれている宛先ユーザのユーザ特徴であり、ユーザ特徴取得部１０２により取得される。
注文特徴１２２は、配送リクエストに含まれている宛先ユーザの注文特徴であり、注文特徴取得部１０３により取得される。
日付特徴１２３は、配送リクエストに含まれている配送日付の日付特徴であり、日付特徴特定部１９４により取得（特定）される。本実施形態では、配送リクエストに含まれる配送日付（すなわち、複数の荷物のための配送日付）は同一日付であるとする。
建物タイプ１２４は、配送リクエストに含まれている宛先住所に位置する建物の建物タイプであり、建物タイプ特定部１０５により特定される。建物タイプ１２４には、宅配ボックス情報（宛先住所に位置する建物が宅配ボックスを備えるか、または、備えないかを示す情報）も含まれうる。
ユーザ特徴１２１は、配送リクエストに含まれている宛先ユーザのユーザ特徴であり、ユーザ特徴取得部１０２により取得される。
注文特徴１２２は、配送リクエストに含まれている宛先ユーザの注文特徴であり、注文特徴取得部１０３により取得される。
日付特徴１２３は、配送リクエストに含まれている配送日付の日付特徴であり、日付特徴特定部１９４により取得（特定）される。本実施形態では、配送リクエストに含まれる配送日付（すなわち、複数の荷物のための配送日付）は同一日付であるとする。
建物タイプ１２４は、配送リクエストに含まれている宛先住所に位置する建物の建物タイプであり、建物タイプ特定部１０５により特定される。建物タイプ１２４には、宅配ボックス情報（宛先住所に位置する建物が宅配ボックスを備えるか、または、備えないかを示す情報）も含まれうる。
【0059】
続いて、配送成功予測部１０６は、入力データ４０を、第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６へ入力し、配送リクエストに含まれる複数の宛先ユーザそれぞれについて、第１タイムスロットから第６タイムスロットにおける配送成功可能性を予測する。
【0060】
第１タイムスロット予測モデル１１１は、宛先ユーザの第１タイムスロットにおける配送成功可能性４１（０から１の数値）を出力する。
第２タイムスロット予測モデル１１２は、宛先ユーザの第２タイムスロットにおける配送成功可能性４２（０から１の数値）を出力する。
第３タイムスロット予測モデル１１３は、宛先ユーザの第３タイムスロットにおける配送成功可能性４３（０から１の数値）を出力する。
第４タイムスロット予測モデル１１４は、宛先ユーザの第４タイムスロットにおける配送成功可能性４４（０から１の数値）を出力する。
第５タイムスロット予測モデル１１５は、宛先ユーザの第５タイムスロットにおける配送成功可能性４５（０から１の数値）を出力する。
第６タイムスロット予測モデル１１６は、宛先ユーザの第６タイムスロットにおける配送成功可能性４６（０から１の数値）を出力する。
第２タイムスロット予測モデル１１２は、宛先ユーザの第２タイムスロットにおける配送成功可能性４２（０から１の数値）を出力する。
第３タイムスロット予測モデル１１３は、宛先ユーザの第３タイムスロットにおける配送成功可能性４３（０から１の数値）を出力する。
第４タイムスロット予測モデル１１４は、宛先ユーザの第４タイムスロットにおける配送成功可能性４４（０から１の数値）を出力する。
第５タイムスロット予測モデル１１５は、宛先ユーザの第５タイムスロットにおける配送成功可能性４５（０から１の数値）を出力する。
第６タイムスロット予測モデル１１６は、宛先ユーザの第６タイムスロットにおける配送成功可能性４６（０から１の数値）を出力する。
【0061】
配送成功予測部１０６は、配送リクエストに含まれる複数の宛先ユーザ全てについて出力された配送成功可能性４１から４６から、各宛先ユーザについて、タイムスロット毎に配送可か配送不可かを決定する。例えば、配送成功予測部１０６は、所定の閾値以上の配送成功可能性を有するタイムスロットについては、「ＯＫ（配送可）」と決定する。一方、配送成功予測部１０６は、所定の閾値未満の配送成功可能性を有するタイムスロットについては、「ＮＧ（配送不可）」と決定する。所定の閾値は、例えば、０．５である。配送成功予測部１０６は、各宛先ユーザについて、タイムスロット毎に決定した「ＯＫ」または「ＮＧ」を含む配送テーブルを作成する。
【0062】
図４に示す配送テーブル４７は、配送成功予測部１０６により作成された配送テーブルの一例である。配送テーブル４７は、配送リクエストに含まれる複数の宛先ユーザのうちのいずれかの宛先ユーザについて、各タイムスロットに対して、「ＯＫ（配送可）」または「ＮＧ（配送不可）」のラベル（指標）が付されている。配送成功予測部１０６は、このような配送テーブルを、複数の宛先ユーザ全てについて作成する。
【0063】
図５に、配送リクエストに含まれる複数の宛先ユーザがユーザ１から４の場合の、配送テーブルの例を示す。配送テーブルＴ１からＴ４はそれぞれ、ユーザ１から４それぞれに対して予測されたタイムスロット毎の配送成功可能性に基づいて作成され、各タイムスロットに対して、「ＯＫ（配送可）」または「ＮＧ（配送不可）」のラベル（指標）が付されている。
【0064】
なお、本実施形態では、１つの閾値を設定して、予測された配送成功可能性から当該閾値を用いて決定された配送可または配送不可含む配送テーブルが作成されるが、２つ以上の閾値が設定されてもよい。例えば、第１の閾値（＝０．８）と第２の閾値（＝０．４）の２つの閾値が設定された場合、「成功可能性：高」、「成功可能性：中」、「成功可能性：低」の３つのラベル（指標）を含む配送テーブルが作成されてよい。すなわち、第１の閾値以上の配送成功可能性を有するタイムスロットについては「成功可能性：高」、第２の閾値以上かつ第１の閾値未満の配送成功可能性を有するタイムスロットについては「成功可能性：中」、第２の閾値未満の配送成功可能性を有するタイムスロットについては「成功可能性：低」、と決定されうる。
あるいは、予測された配送成功可能性（０から１の数値）、もしくは、当該配送成功可能性を百分率に変換した数値（％）を配送テーブルに使用してもよい。この場合、数値が直接的に配送成功可能性を示す。
あるいは、予測された配送成功可能性（０から１の数値）、もしくは、当該配送成功可能性を百分率に変換した数値（％）を配送テーブルに使用してもよい。この場合、数値が直接的に配送成功可能性を示す。
【0065】
なお、第１タイムスロット予測モデル１１１などの学習済みモデルは、建物タイプ１２４を除く各種データにラベル付けがなされた教師データを用いて学習されてよく、建物タイプ１２４を除く入力データ４０が入力されることで配送成功可能性（０から１の数値）を出力してよい。このとき、配送成功予測部１０６は、建物タイプ１２４に応じて、当該学習済みモデルが出力した配送成功可能性に何らかの係数を適用してよい。例えば、建物タイプ１２４がビジネスビルである場合、配送成功予測部１０６は、当該学習済みモデルが出力した配送成功可能性を上方修正するよう何らかの係数を適用してよい。また、当該学習済みモデルは、日付特徴１２３を除く各種データにラベル付けがなされた教師データを用いて学習されてよく、日付特徴１２３を除く入力データ４０が入力されることで配送成功可能性を出力してよい。このとき、配送成功予測部１０６は、日付特徴１２３やタイムスロットの種別に応じて、当該学習済みモデルが出力した配送成功可能性に何らかの係数を適用してよい。例えば、日付特徴１２３が営業日である可能性を有する平日を示し、タイムスロットの種別が営業時間内である可能性を有する日中を示す場合、配送成功予測部１０６は、当該学習済みモデルが出力した配送成功可能性を上方修正するよう何らかの係数を適用してよい。
【0066】
［配送スケジュールの決定手順］
配送成功予測部１０６により、複数の宛先ユーザ全てについてタイムスロット毎の配送成功可能性が予測され、配送テーブルが作成されると、配送スケジュール決定部１０７は、配送スケジュールを決定する。前述したように、本実施形態では、配送スケジュールは、配送するタイムスロット（時間帯）と、宛先ユーザと宛先住所の情報を含む。
配送成功予測部１０６により、複数の宛先ユーザ全てについてタイムスロット毎の配送成功可能性が予測され、配送テーブルが作成されると、配送スケジュール決定部１０７は、配送スケジュールを決定する。前述したように、本実施形態では、配送スケジュールは、配送するタイムスロット（時間帯）と、宛先ユーザと宛先住所の情報を含む。
【0067】
配送スケジュール決定部１０７は、配送成功予測部１０６により作成された配送テーブルにおいて、ＯＫを示すｎ番目（本実施形態では、１≦ｎ≦６）のタイムスロットを共通に有する２以上のユーザを抽出する（グループ化する）。そして、配送スケジュール決定部１０７は、当該抽出した（グループ化した）２以上のユーザ宛ての荷物を、ｎ番目のタイムスロットで配送するように、配送スケジュールを決定する。なお、ｎ番目のタイムスロットを共通に有する２以上のユーザが抽出できない場合は、ＯＫを示すタイムスロットに配送できるように、配送スケジュールを決定する。
【0068】
図５に示すような、ユーザ１から４に対する配送テーブルＴ１からＴ４が作成された場合に決定される配送スケジュールの例について、図６Ａと図６Ｂを参照して説明する。図６Ａと図６Ｂはそれぞれ、配送スケジュールを説明するための図である。図６Ａと図６Ｂにおいて、配送テーブルＴ１からＴ４は、図５に示したようにユーザ１から４に対する配送テーブルを示し、宛先Ｄ１からＤ４は、ユーザ１から４の宛先住所を示す。
【0069】
配送スケジュール決定部１０７は、配送テーブルＴ１からＴ４を参照し、配送テーブルＴ１とＴ２では、第１タイムスロットが共にＯＫを示すことを認識し、ユーザ１と２宛ての荷物を、第１タイムスロットで配送することを決定する。なお、配送テーブルＴ１とＴ２では、第２タイムスロットも共にＯＫを示すことから、配送スケジュール決定部１０７を、ユーザ１と２宛ての荷物を、第１から第２タイムスロットの間で配送することを決定してもよい。
また、配送スケジュール決定部１０７は、配送テーブルＴ１からＴ４を参照し、配送テーブルＴ３とＴ４では、第４から第６タイムスロットが共にＯＫを示すことを認識し、ユーザ３と４宛ての荷物を、第４から第６タイムスロットの間で配送することを決定する。
また、配送スケジュール決定部１０７は、配送テーブルＴ１からＴ４を参照し、配送テーブルＴ３とＴ４では、第４から第６タイムスロットが共にＯＫを示すことを認識し、ユーザ３と４宛ての荷物を、第４から第６タイムスロットの間で配送することを決定する。
【0070】
よって、配送スケジュール決定部１０７は、一例として、以下のような配送スケジュールを決定する。
第１タイムスロット： ユーザ１（宛先Ｄ１）
ユーザ２（宛先Ｄ２）
第４から第６タイムスロット： ユーザ３（宛先Ｄ３）
ユーザ４（宛先Ｄ４）
第１タイムスロット： ユーザ１（宛先Ｄ１）
ユーザ２（宛先Ｄ２）
第４から第６タイムスロット： ユーザ３（宛先Ｄ３）
ユーザ４（宛先Ｄ４）
【0071】
図６Ａは、決定された配送スケジュールに従った、第１タイムスロットにおける配送状況を図示しており、具体的には、第１タイムスロットにおいて、ユーザ１とユーザ２宛ての荷物を配送することを示している。なお、ユーザ１とユーザ２の配送順序は、任意に決定されうる。あるいは、配送順序は、配送車（もしくは配送人）の位置と、宛先Ｄ１と宛先Ｄ２の位置に基づいて、効率的なルートで配送できるように、決定されてよい。
図６Ｂは、決定された配送スケジュールに従った、第４から第６タイムスロットにおける配送状況を図示しており、具体的には、第４から第６タイムスロットにおいて、ユーザ３とユーザ４宛ての荷物を配送することを示している。なお、ユーザ３とユーザ４の配送順序は、任意に決定されうる。あるいは、配送順序は、配送車（もしくは配送人）の位置と、宛先Ｄ３と宛先Ｄ４の位置に基づいて、効率的なルートで配送できるように、決定されてよい。
図６Ｂは、決定された配送スケジュールに従った、第４から第６タイムスロットにおける配送状況を図示しており、具体的には、第４から第６タイムスロットにおいて、ユーザ３とユーザ４宛ての荷物を配送することを示している。なお、ユーザ３とユーザ４の配送順序は、任意に決定されうる。あるいは、配送順序は、配送車（もしくは配送人）の位置と、宛先Ｄ３と宛先Ｄ４の位置に基づいて、効率的なルートで配送できるように、決定されてよい。
【0072】
このように、同一のタイムスロットにおいて高い配送成功可能性を有する複数の宛先ユーザをグループ化し、当該グループ化した複数の宛先ユーザへ当該タイムスロットで配送を行うように、配送スケジュールが決定される。そして、当該配送スケジュールに従った配送が実施されることにより、配送失敗となる可能性を低く抑え、効率的な配送を行うことが可能となる。
【0073】
例えば、図６Ａと図６Ｂの例では、第１タイムスロットにおいてユーザ１から４への配送を行おうとすると、ユーザ３とユーザ４への配送は失敗する可能性が高く、ユーザ３とユーザ４への再配達が生じうる。さらに、ユーザ３とユーザ４へ、第３タイムスロットで再配達を行った場合に、再度、配送が失敗する可能性が高く、再配達の回数が増える可能性がある。
一方で、本実施形態によれば、同じタイムスロットで高い配送成功可能性を有する複数のユーザへ配送を行うように、配送スケジュールが決定されることにより、再配達の回数を減らすことが可能となる。
一方で、本実施形態によれば、同じタイムスロットで高い配送成功可能性を有する複数のユーザへ配送を行うように、配送スケジュールが決定されることにより、再配達の回数を減らすことが可能となる。
【0074】
【0075】
Ｓ７１において、配送リクエスト取得部１０１は、ユーザ１からＮのうち複数のユーザ（宛先ユーザ）宛ての荷物の配送リクエストを取得する。当該配送リクエストには、複数の宛先ユーザの情報と、当該複数の宛先ユーザそれぞれの住所（複数の異なる宛先住所）の情報と、配送日付の情報が含まれる。
【0076】
Ｓ７２において、ユーザ特徴取得部１０２は、複数の宛先ユーザそれぞれのユーザ特徴を取得し、ユーザ特徴１２１として特徴記憶部１２０に格納する。Ｓ７２の処理は、過去の一定の期間におけるユーザ特徴および推定したユーザ特徴の取得（収集）処理でありうる。ユーザ特徴１２１は、宛先ユーザＩＤと紐づけて、特徴記憶部１２０に格納される。
【0077】
Ｓ７３において、注文特徴取得部１０３は、複数の宛先ユーザそれぞれの注文特徴を取得し、注文特徴１２２として特徴記憶部１２０に格納する。
Ｓ７４において、日付特徴取得部１０４は、配送日付の日付特徴を取得し、日付特徴１２３として特徴記憶部１２０に格納する。注文特徴１２２と日付特徴１２３は、宛先ユーザＩＤと紐づけて、特徴記憶部１２０に格納される。
Ｓ７４において、日付特徴取得部１０４は、配送日付の日付特徴を取得し、日付特徴１２３として特徴記憶部１２０に格納する。注文特徴１２２と日付特徴１２３は、宛先ユーザＩＤと紐づけて、特徴記憶部１２０に格納される。
【0078】
Ｓ７５において、建物タイプ特定部１０５は、宛先住所の情報から、当該住所に位置する建物の建物タイプを特定する。建物タイプの特定手順は、上述した通りである。また、オプションとして、建物タイプ特定部１０５は、宛先住所に位置する建物が宅配ボックスを備えているか否かを判定し、宅配ボックス情報を生成する。建物タイプ特定部１０５は、特定した建物タイプを、建物タイプ１２４として特徴記憶部１２０に格納する。また、宅配ボックス情報が生成された場合は、当該宅配ボックス情報が建物タイプ１２４に含まれる。建物タイプ１２４は、宛先ユーザＩＤと紐づけて、特徴記憶部１２０に格納される。
なお、Ｓ７２からＳ７５の処理の順序は、図７に示す順序に限定されず、当該処理は、異なる順序で行われてもよいし、同時に行われてもよい。
なお、Ｓ７２からＳ７５の処理の順序は、図７に示す順序に限定されず、当該処理は、異なる順序で行われてもよいし、同時に行われてもよい。
【0079】
Ｓ７６において、配送成功予測部１０６は、複数の宛先ユーザについて、複数のタイムスロットにおける配送成功可能性を予測する。当該予測は、Ｓ７２からＳ７５で取得または特定されたユーザ特徴１２１、注文特徴１２２、日付特徴１２３、および建物タイプ１２４を含む入力データを、第１タイムスロット予測モデル１１１から第６タイムスロット予測モデル１１６に適用することにより行われる。当該入力データは、注文特徴１２２を含まなくてもよい。配送成功可能性の予測手順は、図４を参照して上述し通りである。配送成功可能性を予測した後、配送成功予測部１０６は、複数の宛先ユーザそれぞれに対する配送テーブルを作成する。配送テーブルの例は、図４や図５に示される。
【0080】
Ｓ７７において、配送スケジュール決定部１０７は、Ｓ７６で作成された配送テーブルに基づいて、配送スケジュールを決定する。図４や図５に示す配送テーブルの場合、配送スケジュール決定部１０７は、ＯＫを示すｎ番目（本実施形態では、１≦ｎ≦６）のタイムスロットを共通に有する２以上のユーザを抽出する。そして、配送スケジュール決定部１０７は、当該抽出した２以上のユーザ宛ての荷物を、ｎ番目のタイムスロットで配送するように、配送スケジュールを決定する。本実施形態では、Ｓ７１で取得した配送リクエストに含まれる日付情報は、同一日付であるため、当該日付においてタイムスロット毎に、宛先ユーザと宛先住所を設定した配送スケジュールを決定する。
【0081】
Ｓ７８において、出力部１０８は、Ｓ７７で決定（作成）された配送スケジュールを出力する。出力部１０８は、配送スケジュールに関する情報を生成して、外部装置（不図示）へ出力してもよい。配送スケジュールに関する情報は、例えば、地図上の各世帯の位置情報や、道路の混雑状況に基づく各世帯への到着予測時刻といった情報である。位置情報は、住所の情報から特定されうる。
【0082】
［情報処理装置１０のハードウェア構成］
図８は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図８を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
図８は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図８を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
【0083】
図８に示すように、情報処理装置１０は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス８８を介して、各構成部（８２～８７）を制御する。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス８８を介して、各構成部（８２～８７）を制御する。
【0084】
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）８２は、ＣＰＵ８１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）８４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）８３は、揮発性メモリであり、ＣＰＵ８１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ８１は、処理の実行に際してＲＯＭ８２から必要なプログラム等をＲＡＭ８３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０、特徴記憶部１２０、およびルール記憶部１３０は、ＲＡＭ８３で構成されうる。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）８３は、揮発性メモリであり、ＣＰＵ８１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ８１は、処理の実行に際してＲＯＭ８２から必要なプログラム等をＲＡＭ８３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０、特徴記憶部１２０、およびルール記憶部１３０は、ＲＡＭ８３で構成されうる。
【0085】
ＨＤＤ８４は、例えば、ＣＰＵ８１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ８４には、例えば、ＣＰＵ８１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部８５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部８６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部８６は、入力部８５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
入力部８５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部８６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部８６は、入力部８５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
【0086】
通信Ｉ／Ｆ８７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ８７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ８７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ８７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
通信Ｉ／Ｆ８７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ８７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ８７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
【0087】
図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ８１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ８１の制御に基づいて動作する。
【0088】
［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図８と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部８６に表示し、ＧＵＩ（入力部９５と表示部８６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
図１に示すユーザ装置１１のハードウェア構成は、図８と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部８６に表示し、ＧＵＩ（入力部９５と表示部８６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
【0089】
このように、情報処理装置１０は、宛先ユーザのユーザ特徴と宛先住所の特徴を考慮して、機械学習のための学習モデルを用いて、宛先ユーザへの配送成功可能性を、複数のタイムスロット（時間帯）それぞれについて予測する。宛先ユーザのユーザ特徴だけでなく、宛先住所の特徴である、当該住所に位置する建物の建物タイプも考慮することにより、配送成功可能性の予測精度が向上しうる。
例えば、学習段階では、建物タイプが「家」の場合は、非対面での配送履歴（配送成功）を用いて、学習モデルが学習されうる。さらに、建物タイプは、宅配ボックスの有無を含むことができ、宅配ボックスへの配送履歴（配送成功）を用いて、学習モデルが学習されうる。
また、予測段階では、宛先住所の建物の建物タイプが、「ビジネスビル」であっても、当該建物に宛先ユーザが住んでおり、ユーザ特徴が、「アパートメント（レジデンス）に住んでいる」を含む場合に、当該ユーザ特徴に基づいた配送成功可能性の予測が可能となる。
これにより、宛先ユーザのユーザ特徴と宛先住所の特徴を考慮することにより、学習モデルによる配送成功可能性の予測精度が向上し得る。
例えば、学習段階では、建物タイプが「家」の場合は、非対面での配送履歴（配送成功）を用いて、学習モデルが学習されうる。さらに、建物タイプは、宅配ボックスの有無を含むことができ、宅配ボックスへの配送履歴（配送成功）を用いて、学習モデルが学習されうる。
また、予測段階では、宛先住所の建物の建物タイプが、「ビジネスビル」であっても、当該建物に宛先ユーザが住んでおり、ユーザ特徴が、「アパートメント（レジデンス）に住んでいる」を含む場合に、当該ユーザ特徴に基づいた配送成功可能性の予測が可能となる。
これにより、宛先ユーザのユーザ特徴と宛先住所の特徴を考慮することにより、学習モデルによる配送成功可能性の予測精度が向上し得る。
【0090】
また、情報処理装置１０は、同一のタイムスロット（１以上のタイムスロット）において高い配送成功可能性を有する複数の宛先ユーザをグループ化し、当該グループ化した複数の宛先ユーザへ当該タイムスロットで配送を行うように、配送スケジュールを決定する。そして、当該配送スケジュールに従って配送を行うことにより、再配達の回数を減らすことができ、再配達に掛かるコストを削減することが可能となる。
【0091】
なお、本実施形態では、配送リクエストに含まれる配送日付は同一日付であることを想定したが、異なる配送日付を含む場合は、配送スケジュール決定部１０７は、配送日付毎に、配送スケジュールを決定することができる。
【0092】
また、本実施形態において設定した第１から第６タイムスロットは一例であり、各タイムスロットの時間幅は任意に決定されてよく、第１～第Ｍタイムロットが適宜、採用されてよい（Ｍ＞１）。例えば、建物が宅配ボックスを備える場合、２４時間のどの時間帯でもタイムスロットの設定は可能である。
また、本実施形態では、第１から第６タイムスロットにおける配送成功可能性を予測するために、６つの学習モデルなどの複数の学習モデルを用いたが、当該複数の学習モデルを統合した１つの学習モデルを用いてもよい。
また、本実施形態では、第１から第６タイムスロットにおける配送成功可能性を予測するために、６つの学習モデルなどの複数の学習モデルを用いたが、当該複数の学習モデルを統合した１つの学習モデルを用いてもよい。
【0093】
また、本実施形態では、配送リクエストは、あらかじめ住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）宛先ユーザを含むように構成されていることを想定したが、配送リクエストに含まれる宛先ユーザの住所の範囲をより広げてもよい。この場合、例えば、情報処理装置１０は、上述の手順に従って、複数の宛先ユーザへの配送成功可能性を予測し、予測の結果に従って、一配送人による配送エリアにおける配送スケジュールを決定してもよい。
【0094】
なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。
【0095】
本実施形態の開示は以下の構成を含む。
［１］荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測手段と、を有する、情報処理装置。
［１］荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測手段と、を有する、情報処理装置。
【0096】
［２］複数の荷物それぞれの宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得手段と、前記複数の荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得手段と、前記複数の荷物それぞれの宛先住所に位置する建物の建物タイプを特定する特定手段と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記複数の荷物それぞれの宛先ユーザへの配送成功可能性を予測する予測手段と、を有する、情報処理装置。
【0097】
［３］前記特定手段は、前記宛先住所の文字列に基づいて、前記建物タイプを特定する、［１］または［２］に記載の情報処理装置。
【0098】
［４］前記特定手段は、前記宛先住所の文字列を所定のルールに適用することにより、前記建物タイプを特定する、［３］に記載の情報処理装置。
【0099】
［５］前記特定手段は、前記宛先住所に位置する建物が宅配ボックスを備えるか否かを示す宅配ボックス情報を取得し、当該宅配ボックス情報を前記建物タイプに含める、［１］から［４］のいずれかに記載の情報処理装置。
【0100】
［６］前記宛先ユーザにより過去に注文されたアイテムの特徴を表す注文特徴を取得する注文特徴取得手段を更に有し、前記予測手段は、前記ユーザ特徴、前記日付特徴、前記建物タイプ、および前記注文特徴に基づいて、前記配送成功可能性を予測する、［１］から［５］のいずれかに記載の情報処理装置。
【0101】
［７］前記予測手段は、機械学習のための学習モデルを用いて、前記配送成功可能性を予測し、前記学習モデルは、前記ユーザ特徴、前記日付特徴、および前記建物タイプを入力として、前記複数の時間帯のそれぞれについて、前記配送成功可能性を出力するように構成される、［１］から［５］のいずれかに記載の情報処理装置。
【0102】
［８］前記複数の時間帯のそれぞれについて予測された、前記複数の荷物それぞれの宛先ユーザへの前記配送成功可能性に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段をさらに有する、［２］に記載の情報処理装置。
【0103】
［９］荷物の宛先ユーザの特徴を表すユーザ特徴と、前記荷物の配送日付の特徴を表す日付特徴と、前記荷物の宛先住所に位置する建物の建物タイプを表す建物特徴とが入力された場合に、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性が出力されるように学習された、学習モデル。
【0104】
［１０］荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得工程と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得工程と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定工程と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測工程と、を有する、情報処理方法。
【0105】
［１１］情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、荷物の宛先ユーザの特徴を表すユーザ特徴を取得するユーザ特徴取得処理と、前記荷物の配送日付の特徴を表す日付特徴を取得する日付特徴取得処理と、前記荷物の宛先住所に位置する建物の建物タイプを特定する特定処理と、前記ユーザ特徴、前記日付特徴、および前記建物タイプに基づいて、前記配送日付における複数の時間帯のそれぞれについて、前記宛先ユーザへの前記荷物の配送成功可能性を予測する予測処理と、を含む処理を実行させるためのものである、情報処理プログラム。
【符号の説明】
【0106】
１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：配送リクエスト取得部、１０２：ユーザ特徴取得部、１０３：注文特徴取得部、１０４：日付特徴取得部、１０５：建物タイプ特定部、１０６：配送成功予測部、１０７：配送スケジュール決定部、１０８：出力部、１１０：学習モデル記憶部、１１１：第１タイムスロット予測モデル、１１２：第２タイムスロット予測モデル、１１３：第３タイムスロット予測モデル、１１４：第４タイムスロット予測モデル、１１５：第５タイムスロット予測モデル、１１６：第６タイムスロット予測モデル、１１７：ユーザ特徴予測モデル、１２０：特徴記憶部、１２１：ユーザ特徴、１２２：注文特徴、１２３：日付特徴、１２４：建物タイプ、１３０：ルール記憶部、１３１：建物タイプ特定ルール
【図1】
【図2】
【図3】
【図4】
【図5】
【図6A】
【図6B】
【図7】
【図8】