特許 7752595 運行予測装置、運行管理装置、運行管理システム、学習装置、運行予測方法、学習方法、運行予測プログラム、および学習プログラム

(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】2025-10-02

(45)【発行日】2025-10-10

(54)【発明の名称】運行予測装置、運行管理装置、運行管理システム、学習装置、運行予測方法、学習方法、運行予測プログラム、および学習プログラム

(51)【国際特許分類】

   B61L 27/60 20220101AFI20251003BHJP

   B61L 25/02 20060101ALI20251003BHJP

   B61L 27/12 20220101ALI20251003BHJP

【ＦＩ】

B61L27/60

B61L25/02 Z

B61L27/12

【請求項の数】 18

(21)【出願番号】P 2022190610

(22)【出願日】2022-11-29

(65)【公開番号】P2024078202

(43)【公開日】2024-06-10

【審査請求日】2024-11-13

(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】100118762

【弁理士】

【氏名又は名称】高村 順

(72)【発明者】

【氏名】島吉 翔太

(72)【発明者】

【氏名】上田 健詞

(72)【発明者】

【氏名】立石 大輔

(72)【発明者】

【氏名】東耕 吉孝

(72)【発明者】

【氏名】菅原 浩介

(72)【発明者】

【氏名】橋本 遼太

【審査官】加藤 昌人

(56)【参考文献】

【文献】特開２０２０－０６４５７０（ＪＰ，Ａ）

【文献】特表２０１９－５０３５４０（ＪＰ，Ａ）

【文献】特開２０１０－１９３５４５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／００８４６００（ＵＳ，Ａ１）

【文献】特開２０２０－１３７２２７（ＪＰ，Ａ）

【文献】特開２０１０－２２１８３９（ＪＰ，Ａ）

【文献】特開２００８－２２２００４（ＪＰ，Ａ）

【文献】特許第７１７９２３２（ＪＰ，Ｂ２）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ６１Ｌ １／００－９９／００

Ｇ０６Ｑ １０／００－９９／００

Ｇ０６Ｆ １８／００－１８／４０

Ｇ０６Ｎ ３／００－９９／００

(57)【特許請求の範囲】

【請求項1】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するデータ取得部と、
前記運行データおよび前記人流データを含む学習用データが過去データと前記過去データよりも後に取得された直近データとに分けられ、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測部と、
を備え、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測装置。

【請求項2】

前記類似判定モデルは、前記過去データの一部である第１の部分と前記直近データとを学習することによって生成され、
前記過去データのうち前記第１の部分を除いた部分である第２の部分が前記類似判定モデルへ入力されることによって、前記過去データの前記第２の部分についての前記直近データとの類似度を求め、
前記類似データは、前記過去データの前記第２の部分のうち前記直近データに類似すると前記類似度に基づいて判定されたデータである、
ことを特徴とする請求項１に記載の運行予測装置。

【請求項3】

前記類似判定モデルは、前記過去データの一部である第１の部分と前記直近データの一部である第１の部分とを学習することによって生成され、
前記過去データのうち前記第１の部分を除いた部分である第２の部分と前記直近データのうち前記第１の部分を除いた部分である第２の部分とが前記類似判定モデルへ入力されることによって、前記過去データの前記第２の部分および前記直近データの前記第２の部分の各々についての前記直近データの前記第１の部分との類似度を求め、
前記類似データは、前記過去データの前記第２の部分について求めた前記類似度を閾値と比較することによって、前記過去データの前記第２の部分のうち前記直近データに類似すると判定されたデータである、
ことを特徴とする請求項１に記載の運行予測装置。

【請求項4】

前記閾値は、前記直近データの前記第２の部分について求めた前記類似度の分布を基に設定される、
ことを特徴とする請求項３に記載の運行予測装置。

【請求項5】

前記直近データを、取得された日時ごとのデータについて求めた前記類似度に基づいて分類し、分類されたデータについての頻度の分布を第１の分布とし、前記類似データと判定された前記過去データを、取得された日時ごとのデータの前記類似度に基づいて分類し、分類されたデータについての頻度の分布を第２の分布として、前記類似データと判定された前記過去データの一部を前記類似データから削除することによって、前記第２の分布を前記第１の分布に近づける調整を行う、
ことを特徴とする請求項２から４のいずれか１つに記載の運行予測装置。

【請求項6】

前記学習用データには、前記学習用データが取得された日時のデータが紐付けられており、日時の範囲が指定されることによって前記直近データの範囲が設定され、前記学習用データが取得された日時により前記過去データと前記直近データとを分別する、
ことを特徴とする請求項１から４のいずれか１つに記載の運行予測装置。

【請求項7】

前記列車から出力されるデータである機器データから前記予測対象データを抽出するデータ抽出部と、
前記列車が第１の駅を出発したときから、次の停車駅である第２の駅に前記列車が到着して当該第２の駅を前記列車が出発するまでの期間、または、前記列車が第１の駅に到着したときから、当該第１の駅を前記列車が出発して次の停車駅である第２の駅に前記列車が到着するまでの期間を単位として、前記予測対象データを単位ごとのデータへ変換することにより、駅間単位の前記予測対象データである特徴量を抽出する特徴量抽出部と、
を備え、
前記類似判定モデルへ入力される前記過去データと前記類似判定モデルへ入力される前記直近データとの各々において、前記過去データと前記直近データとを分けた結果を表す目的変数が前記特徴量に紐付けられる、
ことを特徴とする請求項１から４のいずれか１つに記載の運行予測装置。

【請求項8】

駅間単位の前記特徴量である第１の特徴量を、設定された期間を単位とする第２の特徴量へ変換する特徴量変換部、
を備え、
前記類似判定モデルは、前記第２の特徴量である前記過去データと前記第２の特徴量である前記直近データとを学習することによって生成され、
前記類似データは、前記第２の特徴量である前記過去データから判定される、
ことを特徴とする請求項７に記載の運行予測装置。

【請求項9】

請求項１に記載の運行予測装置と、
前記運行予測装置によって出力される予測結果に応じた対策を策定する対策処理部と、
を備え、
前記運行予測装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果を前記対策処理部へ出力する、
ことを特徴とする運行管理装置。

【請求項10】

前記列車から出力されるデータである機器データを受信する通信部と、
受信された前記機器データを収集し、収集された前記機器データを前記運行予測装置へ出力するデータ収集装置と、
を備え、
前記運行予測装置は、前記予測対象データを前記機器データから抽出するデータ抽出部、
を備えることを特徴とする請求項９に記載の運行管理装置。

【請求項11】

請求項９に記載の運行管理装置と、
前記列車の運行ダイヤを作成するダイヤ作成装置と、
を備え、
前記運行管理装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果に応じた前記対策の情報を前記ダイヤ作成装置へ出力し、
前記ダイヤ作成装置は、前記対策の情報に基づいて前記運行ダイヤを作成する、
ことを特徴とする運行管理システム。

【請求項12】

請求項９に記載の運行管理装置と、
前記列車から出力されるデータである機器データを収集し、収集された前記機器データを前記運行管理装置へ出力するデータ収集装置と、
を備えることを特徴とする運行管理システム。

【請求項13】

請求項１に記載の運行予測装置と、
前記列車から出力されるデータである機器データを収集し、収集された前記機器データを前記運行予測装置へ出力するデータ収集装置と、
前記運行予測装置によって出力される予測結果に応じた対策を策定する運行管理装置と、
を備え、
前記運行予測装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果を前記運行管理装置へ出力する、
ことを特徴とする運行管理システム。

【請求項14】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データが、過去データと、前記過去データよりも後に取得された直近データとに分けられ、前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成する類似判定モデル生成部と、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定する類似データ判定部と、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成する予測モデル生成部と、
を備えることを特徴とする学習装置。

【請求項15】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するステップと、
前記運行データおよび前記人流データを含む学習用データを、過去データと前記過去データよりも後に取得された直近データとに分け、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測するステップと、
を含み、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測方法。

【請求項16】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データを、過去データと、前記過去データよりも後に取得された直近データとに分けるステップと、
前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成するステップと、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定するステップと、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成するステップと、
を含むことを特徴とする学習方法。

【請求項17】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するステップと、
前記運行データおよび前記人流データを含む学習用データを、過去データと前記過去データよりも後に取得された直近データとに分け、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測するステップと、
をコンピュータに実行させる運行予測プログラムであって、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測プログラム。

【請求項18】

列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データを、過去データと、前記過去データよりも後に取得された直近データとに分けるステップと、
前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成するステップと、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定するステップと、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成するステップと、
をコンピュータに実行させることを特徴とする学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、列車の運行状況を予測する運行予測装置、運行管理装置、運行管理システム、学習装置、運行予測方法、学習方法、運行予測プログラム、および学習プログラムに関するものである。

【背景技術】

【0002】

鉄道の分野では、将来における列車の運行状況を予測し、列車を利用する利用者の混雑緩和が可能となるように、または、列車の効率的な運行が可能となるように、予測された運行状況に基づいて列車の運行を調整することがある。

【0003】

特許文献１には、列車の運行予測を行うシステムに関し、運行している列車について今後到着する駅での発着時刻を予測し、列車の遅延時間と当該遅延時間で遅延する確率との分布である運行予測分布を作成することが開示されている。特許文献１に開示されるシステムは、現在運行している列車と運行条件が類似しているときの運行実績データを過去の運行実績データから抽出し、抽出された運行実績データに基づいて運行予測分布を作成する。特許文献１に開示されるシステムは、運行条件である複数の条件について類似しているか否かを個別に判定することによって、現在の運行条件と過去の運行条件とが類似しているか否かを判定する。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０２１－９８４２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

列車の運行状況の高精度な予測を可能とするためには、運行状況に影響を及ぼし得る多くの条件を運行条件とすることが望まれる。特許文献１に開示されるシステムは、運行条件である複数の条件について類似しているか否かを個別に判定することから、条件の数が多くなるほど、現在の運行条件と過去の運行条件とが類似しているか否かの判定が困難となる。また、運行状況への影響の度合いは条件ごとに異なることから、類似しているか否かの判定に条件ごとの影響の度合いを反映させることは、条件の数が多くなるほど困難となる。このため、特許文献１に開示される技術によると、現在運行している列車と運行条件が類似しているときの運行実績データを抽出することが困難であることから、将来における列車の運行状況を高精度に予測することが困難であるという問題があった。

【0006】

本開示は、上記に鑑みてなされたものであって、将来における列車の運行状況を高精度に予測可能とする運行予測装置を得ることを目的とする。

【課題を解決するための手段】

【0007】

上述した課題を解決し、目的を達成するために、本開示にかかる運行予測装置は、列車の運行状況を示す運行データと列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、列車から取得するデータ取得部と、運行データおよび人流データを含む学習用データが過去データと過去データよりも後に取得された直近データとに分けられ、過去データのうち直近データに類似する類似データと直近データとを学習させた予測モデルを用いて、予測対象データから、将来における運行状況および人流の状況の少なくとも一方を予測する予測部と、を備える。類似データは、過去データおよび直近データを学習させた類似判定モデルを用いて、過去データのうち、直近データに類似すると判定されたデータである。

【発明の効果】

【0008】

本開示にかかる運行予測装置は、将来における列車の運行状況を高精度に予測することができる、という効果を奏する。

【図面の簡単な説明】

【0009】

【図1】実施の形態１にかかる運行管理システムの構成例を示す図

【図2】実施の形態１にかかる運行予測装置が保持する特徴量データベースにおけるテーブルの例を示す第１の図

【図3】実施の形態１における過去データと直近データと類似データとの関係を示す概念図

【図4】実施の形態１にかかる運行予測装置における類似判定モデルの生成と類似データの判定との詳細について説明するための第１の図

【図5】実施の形態１にかかる運行予測装置における類似判定モデルの生成と類似データの判定との詳細について説明するための第２の図

【図6】図５に示す例において類似データの判定に使用される閾値について説明するための図

【図7】実施の形態１にかかる運行予測装置における類似判定モデルの生成と類似データの判定との詳細について説明するための第３の図

【図8】実施の形態１にかかる運行予測装置が保持する特徴量データベースにおけるテーブルの例を示す第２の図

【図9】実施の形態１にかかる運行予測装置による、学習時における動作の手順の例を示すフローチャート

【図10】図９に示すステップＳ４における類似データの判定についての詳細な手順の例を示すフローチャート

【図11】実施の形態１にかかる運行予測装置による、予測時における動作の手順の例を示すフローチャート

【図12】実施の形態１の第１の変形例にかかる運行管理システムの構成例を示す図

【図13】実施の形態１の第２の変形例にかかる運行管理システムの構成例を示す図

【図14】実施の形態２にかかる運行管理システムの構成例を示す図

【図15】実施の形態２にかかる運行予測装置の特徴量変換部における第１の特徴量から第２の特徴量への変換について説明するための図

【図16】実施の形態２にかかる運行予測装置において類似データの判定に使用される第２の特徴量の第１の例について説明するための図

【図17】実施の形態２にかかる運行予測装置において類似データの判定に使用される第２の特徴量の第２の例について説明するための第１の図

【図18】実施の形態２にかかる運行予測装置において類似データの判定に使用される第２の特徴量の第２の例について説明するための第２の図

【図19】実施の形態２にかかる運行予測装置により類似データを判定するときにおける動作の手順の例を示すフローチャート

【図20】図１９に示すステップＳ３２における特徴量の変換についての詳細な手順の例を示すフローチャート

【図21】実施の形態１または２にかかる運行管理システムを構成する運行予測装置のハードウェア構成例を示す図

【発明を実施するための形態】

【0010】

以下に、実施の形態にかかる運行予測装置、運行管理装置、運行管理システム、学習装置、運行予測方法、学習方法、運行予測プログラム、および学習プログラムを図面に基づいて詳細に説明する。

【0011】

実施の形態１．
図１は、実施の形態１にかかる運行管理システム１００の構成例を示す図である。運行管理システム１００は、鉄道における列車１０の運行を管理するシステムである。運行管理システム１００は、複数の列車１０と、各列車１０の運行を管理する運行管理装置３０と、各列車１０の運行ダイヤを作成するダイヤ作成装置４０とを備える。

【0012】

各列車１０は、１つまたは複数の車両からなる。各列車１０は、運行管理装置３０との通信を行う通信部１１と機器データを取得する車載機器とを備える。車載機器の図示は省略する。機器データは、列車１０の状況を示すデータである。機器データは、例えば、列車１０の加速度または速度、利用者が使用する乗降口であるドアの開閉に関するドア開閉情報、列車１０の走行位置情報、各車両の乗車率、各車両の乗降人数、駅間の走行時間、各駅における停車時間などが該当する。なお、機器データはこれらに限定されないものとする。通信部１１は、車載機器により取得された機器データを運行管理装置３０へ送信する。

【0013】

運行管理装置３０は、列車１０の運行状況を予測する運行予測装置２０と、通信部３１と、データ収集装置３２と、対策処理部３３と、運行ダイヤデータベース３４を保持する記憶部３４ａとを備える。

【0014】

通信部３１は、運行管理装置３０の外部の装置との通信を行う。通信部３１は、各列車１０の通信部１１との間の通信と、ダイヤ作成装置４０との間の通信とを行う。通信部３１と通信部１１とは、無線通信により互いに通信する。無線通信の通信方式は特に限定されないものとする。

【0015】

通信部３１は、各列車１０の通信部１１から出力される機器データを受信し、機器データをデータ収集装置３２へ出力する。データ収集装置３２は、通信部３１により受信された機器データを収集し、収集された機器データを運行予測装置２０へ出力する。データ収集装置３２は、一定の周期で機器データを取得することによって、機器データを収集する。データ収集装置３２により機器データを取得する周期は、例えば、数十ミリ秒から１秒の間で任意に設定することができる。

【0016】

運行予測装置２０は、データ抽出部２１と、特徴量抽出部２２と、特徴量データベース２３を保持する記憶部２３ａと、学習装置２４と、推論装置２５と、モデル記憶部２６とを備える。

【0017】

データ抽出部２１は、データ収集装置３２により収集された機器データから運行データと人流データとを抽出する。運行データおよび人流データは、後述する特徴量を抽出するために必要なデータである。運行データは、列車１０の運行状況を示すデータである。人流データは、列車１０を利用する利用者の人流の状況を示すデータである。運行データは、例えば、列車１０が駅を出発する時刻である出発時刻、駅間の走行時間、各駅における停車時間などが該当する。人流データは、各車両の乗車率、各車両の乗降人数などが該当する。データ抽出部２１は、機器データが走行中のデータと駅での停車中のデータとのいずれであるかを、機器データに含まれる列車１０の加速度、速度、ドア開閉情報、走行位置情報などを用いることで判断することができる。なお、運行データと人流データとは、実施の形態１において例示されるデータに限定されないものとする。データ抽出部２１は、抽出された運行データと抽出された人流データとを特徴量抽出部２２へ出力する。

【0018】

特徴量抽出部２２は、データ抽出部２１により抽出された運行データおよび人流データである時系列データから、駅間単位のデータである特徴量を抽出する。特徴量抽出部２２は、列車１０が第１の駅を出発したときから、次の停車駅である第２の駅に列車１０が到着して当該第２の駅を列車１０が出発するまでの期間、または、列車１０が第１の駅に到着したときから、当該第１の駅を列車１０が出発して次の停車駅である第２の駅に列車１０が到着するまでの期間を単位として、時系列データを単位ごとのデータへ変換することにより、特徴量を抽出する。このように、特徴量抽出部２２は、時系列データから特徴量を生成する。機械学習において、特徴量は説明変数とも称される。

【0019】

特徴量抽出部２２は、運行ダイヤデータベース３４に格納されている運行ダイヤの情報と時系列データとに基づいて特徴量を生成しても良い。運行ダイヤの情報と時系列データとに基づいて生成される特徴量の例は、列車１０の遅延時間である。運行ダイヤに示される出発時刻と運行データに示される出発時刻との差分が遅延時間に相当する。

【0020】

特徴量抽出部２２により抽出された特徴量は、特徴量データベース２３に格納される。特徴量データベース２３におけるテーブルの各行には、日付データが紐付けられる。日付データは、運行データまたは人流データが取得された日時のデータである。運行データまたは人流データが取得された日時とは、運行データまたは人流データの元となる機器データが各列車１０において取得された日時とする。

【0021】

運行予測装置２０による処理は、学習フェーズと推論フェーズとに分けられる。なお、運行予測装置２０についての上記内容は、学習フェーズと推論フェーズとを区別せずに説明したものとする。運行予測装置２０は、学習フェーズにおいて、将来における運行状況および人流の状況の少なくとも一方についての予測モデルを生成する。運行予測装置２０は、推論フェーズにおいて、予測モデルを用いて、将来における運行状況および人流の状況の少なくとも一方を予測する。

【0022】

学習フェーズにおいて、データ抽出部２１は、運行データと人流データとを含む学習用データを、データ収集装置３２により収集された機器データから抽出する。特徴量抽出部２２は、時系列データである学習用データから、駅間単位の学習用データである特徴量を抽出する。特徴量抽出部２２により抽出された特徴量は、特徴量データベース２３に格納される。特徴量データベース２３において、学習用データには、学習用データが取得された日時を示す日時データが紐付けられる。

【0023】

学習装置２４は、学習フェーズにおける学習を行う。学習装置２４は、データ分別部２４１と、類似判定モデル生成部２４２と、類似データ判定部２４３と、データ取得部２４４と、予測モデル生成部２４５とを備える。データ分別部２４１は、特徴量データベース２３から学習用データを読み出し、学習用データを、過去データと、過去データよりも後に取得された直近データとに分別する。データ分別部２４１は、分別の結果を出力する。例えば、データ分別部２４１は、分別の結果として、直近データであるか否かを示すラベルを出力する。特徴量データベース２３におけるテーブルの各行には、データ分別部２４１により出力されるラベルが紐付けられる。

【0024】

類似判定モデル生成部２４２は、過去データと直近データとを特徴量データベース２３から読み出すことによって、過去データと直近データとを取得する。類似判定モデル生成部２４２は、過去データと直近データとを学習することによって類似判定モデルを生成する。類似判定モデルは、過去データのうち直近データに類似する類似データを判定するモデルである。このように、類似判定モデル生成部２４２は、学習用データが過去データと直近データとに分けられ、過去データのうち直近データに類似する類似データを判定する類似判定モデルを、過去データと直近データとを学習することによって生成する。類似判定モデル生成部２４２は、教師あり学習のアルゴリズムに従い、直近データであるか否かを示すラベルと特徴量との関係を学習することで、類似判定モデルを構築する。

【0025】

類似データ判定部２４３は、特徴量データベース２３から過去データを読み出すことによって、過去データを取得する。類似データ判定部２４３は、類似判定モデル生成部２４２によって生成された類似判定モデルを取得する。類似データ判定部２４３は、類似判定モデルに基づいて過去データから類似データを判定する。類似データ判定部２４３は、判定の結果を出力する。例えば、類似データ判定部２４３は、判定の結果として、類似データであるか否かを示すラベルを出力する。類似データは、過去データおよび直近データを学習させた類似判定モデルを用いて、過去データのうち、直近データに類似すると判定されたデータである。

【0026】

予測モデル生成部２４５における学習には、直近データと類似データとからなる学習用データが使用される。すなわち、予測モデル生成部２４５は、類似データに該当しない過去データが除外された学習用データを使用する学習によって、予測モデルを生成する。データ取得部２４４は、直近データと類似データとからなる学習用データを取得する。直近データと類似データとからなる学習用データは、データ取得部２４４から予測モデル生成部２４５へ入力される。以下、直近データと類似データとからなる学習用データを、学習用入力データと称する。

【0027】

特徴量データベース２３におけるテーブルの各行には、学習用入力データであるか否かを示すラベルが紐付けられる。類似データ判定部２４３により出力されるラベルは、過去データについて学習用入力データであるか否かを示すラベルともいえる。特徴量データベース２３におけるテーブルのうち過去データの各行には、学習用入力データであるか否かを示すラベルとして、類似データであるか否かを示すラベルが紐付けられる。なお、特徴量データベース２３におけるテーブルのうち直近データの各行において、学習用入力データであるか否かを示すラベルには、学習用入力データであることを示す値がセットされる。

【0028】

データ取得部２４４は、学習用入力データであるか否かを示すラベルを参照することにより、直近データと類似データとを特徴量データベース２３から読み出す。データ取得部２４４は、直近データと類似データとを特徴量データベース２３から読み出すことによって、学習用入力データを取得する。データ取得部２４４は、取得された学習用入力データを予測モデル生成部２４５へ出力する。

【0029】

予測モデル生成部２４５は、学習用入力データを学習することによって、すなわち、直近データと類似データとを学習することによって、予測モデルを生成する。予測モデルは、将来における列車１０の運行状況、および、列車１０を利用する利用者の将来における人流の状況の少なくとも一方を予測するモデルである。実施の形態１において、将来とは、例えば、列車１０を運行している状況において数駅先を走行する時点、あるいは、列車１０を運行している状況の数分先または数時間先である。将来とは、翌日または数日先でも良い。予測モデル生成部２４５が予測する運行状況とは、遅延時間または停車時間、あるいは、駅間を走行したときの消費電力量などである。予測モデル生成部２４５が予測する人流の状況とは、乗車率または乗降人数などである。予測モデル生成部２４５は、生成された予測モデルを出力する。モデル記憶部２６は、予測モデル生成部２４５から出力された予測モデルを保持する。

【0030】

推論フェーズにおいて、データ抽出部２１は、運行データと人流データとを含む予測対象データを、データ収集装置３２により収集された機器データから抽出する。特徴量抽出部２２は、時系列データである予測対象データから、駅間単位の予測対象データである特徴量を抽出する。特徴量抽出部２２により抽出された特徴量は、特徴量データベース２３に格納される。

【0031】

推論装置２５は、推論フェーズにおいて、将来における運行状況および人流の状況の少なくとも一方を予測する。推論装置２５は、データ取得部２５１と、予測部である推論部２５２とを備える。データ取得部２５１は、予測対象データを特徴量データベース２３から読み出すことによって、推論用データである予測対象データを取得する。このようにして、データ取得部２５１は、各列車１０から、通信部３１、データ収集装置３２、データ抽出部２１、特徴量抽出部２２、および特徴量データベース２３を介して、運行データと人流データとを含む予測対象データを取得する。データ取得部２５１は、予測対象データを推論部２５２へ出力する。

【0032】

推論部２５２は、モデル記憶部２６から予測モデルを読み出す。推論部２５２は、予測対象データと予測モデルとに基づいて、将来における列車１０の運行状況、および、列車１０を利用する利用者の将来における人流の状況の少なくとも一方を推論する。推論部２５２は、データ取得部２５１により取得された予測対象データが予測モデルへ入力されることによって、将来における運行状況および将来における人流の状況の少なくとも一方についての予測結果を出力する。このようにして、予測モデル生成部２４５は、運行データおよび人流データを含む学習用データが過去データと直近データとに分けられ、過去データのうち直近データに類似する類似データと直近データとを学習させた予測モデルを用いて、予測対象データから、将来における運行状況および人流の状況の少なくとも一方を予測する。推論部２５２は、将来における運行状況および人流の状況の少なくとも一方の予測結果を対策処理部３３へ出力する。

【0033】

対策処理部３３は、推論部２５２によって出力される予測結果に応じた対策を策定する。例えば、対策処理部３３は、列車１０の遅延を示す予測結果が推論部２５２により出力された場合に、遅延を緩和させ得る対策、または、遅延を防ぎ得る対策を策定する。対策処理部３３は、各列車１０の発着時刻の変更、または、運行する列車１０の本数の調整などといった対策を策定する。対策処理部３３は、駅での乗り換えに使用される列車１０の遅延が予測された場合において、乗り換え先の列車１０の発車時刻を調整することとしても良い。

【0034】

対策処理部３３は、策定された対策を実行するための指示を通信部３１へ出力する。通信部３１は、策定された対策を実行するための指示を各列車１０へ送信する。各列車１０は、対策処理部３３により出力された当該指示に従って運行を調整する。または、通信部３１は、策定された対策を実行するための指示をダイヤ作成装置４０へ送信する。

【0035】

ダイヤ作成装置４０の運行ダイヤ作成部４１は、各列車１０の運行ダイヤを作成する。運行ダイヤの情報は、運行ダイヤデータベース３４に格納される。また、運行ダイヤ作成部４１は、対策処理部３３により出力された指示に従って運行ダイヤを調整する。運行ダイヤ作成部４１は、予測を行った当日の運行ダイヤを指示に従って調整するほか、予測を行った日よりも後の日の運行ダイヤを指示に従って作成することとしても良い。

【0036】

運行管理装置３０は、複数の列車１０およびダイヤ作成装置４０の各々と通信可能な装置である。運行管理装置３０は、クラウド環境に構築されるサーバであるサーバ装置でも良い。クラウド環境は、クラウドサービスプラットフォームにおいて提供されるコンピュータ資源を含む。サーバ装置は、クラウド環境に構築されるため、クラウドサーバとも呼ばれる。

【0037】

運行管理装置３０は、予測される運行状況、または予測される人流の状況を利用者へ向けて公表するために、推論装置２５により出力される予測結果を出力することとしても良い。運行管理システム１００は、予測される運行状況についての情報、または予測される人流の状況についての情報を、駅の案内板、ウェブサイト、またはアプリケーションにより提示するために、推論装置２５による予測結果を利用しても良い。

【0038】

次に、特徴量データベース２３に格納されるデータについて説明する。図２は、実施の形態１にかかる運行予測装置２０が保持する特徴量データベース２３におけるテーブルの例を示す第１の図である。

【0039】

図２に示す例において、「出発時刻」、「遅延時刻」、「乗降人数」、および「将来の遅延時間」の各列は、運行データの項目または人流データの項目を表す。特徴量は、複数の項目の各々についてのデータのまとまりであって、テーブルの各行に示される。図２において、「出発時刻」は、時、分、および秒により表される。「遅延時間」の単位、「将来の遅延時間」の単位は、それぞれ秒とする。「乗降人数」は、人数を表す数値により表される。「将来の遅延時間」は、ある駅から見て例えばｎ駅先（ｎは正の整数）で発生する遅延時間である。図２に示す例では、次の停車駅での遅延時間を将来の遅延時間とする。学習用データにおいて、特徴量には、将来の運行状況についての項目および将来の人流の状況についての項目の少なくとも１つが紐付けられる。図２に示す例では、将来の運行状況についての項目である「将来の遅延時間」が特徴量に紐付けられている。将来の運行状況についての項目は、遅延時間に限られず、駅における停車時間などであっても良い。将来の人流の状況についての項目は、乗車率または乗降人数などである。

【0040】

図２に示す例において、「年」、「月」、および「日」の３つの列は、日付データを表す。テーブルの各行には、運行データまたは人流データが取得された日時を表す日付データが紐付けられる。なお、日付データにおける「日」は、０時を区切りとする期間ではなく、始発の列車１０の運転開始時から最終の列車１０の運転終了時までを単位とする期間とする。

【0041】

「直近データ」の列は、直近データであるか否かを示すラベルを表す。図２に示す例において、ラベル「０」は直近データではないことを表し、ラベル「１」は直近データであることを表す。図２に示す例では、２０２２年６月３日以前に取得された運行データおよび人流データが過去データに分別され、２０２２年６月４日以降に取得された運行データおよび人流データが直近データに分別されている。「学習用入力データ」の列は、学習用入力データであるか否かを示すラベルを表す。図２に示すテーブルは、学習用入力データであるか否かを示すラベルの値が格納される前の状態とする。

【0042】

特徴量は、類似判定モデル生成部２４２による学習における説明変数である。直近データであるか否かを示すラベルは、類似判定モデル生成部２４２による学習における目的変数である。すなわち、特徴量データベース２３におけるテーブルの各行には、説明変数と目的変数とが互いに対応付けられている。

【0043】

特徴量に含められるデータは、図２に例示する項目のデータに限られない。特徴量には、列車１０の運行状況についてのさまざまな項目のデータと、人流の状況についてのさまざまな項目のデータとを含めることが可能である。例えば、列車１０の運行状況についての項目は、駅間の走行時間、または、各駅における停車時間などであっても良い。人流の状況についての項目は、列車１０の走行中における乗車率、駅での乗降中における乗車率変動、または、駅での乗降人数などであっても良い。人流の状況についての項目には、列車１０における利用者の状況を示す項目のみならず、列車１０が発着するホーム、駅の構内、または改札口における混雑の状況を示す項目が含まれても良い。ホームの混雑の状況を示す項目と、構内の混雑の状況を示す項目と、改札口の混雑の状況を示す項目とのうち２つ以上が組み合わせられて、混雑の状況を示す項目として使用されても良い。

【0044】

各車両で乗車率が取得されている場合、特徴量には各車両の乗車率を含めることができる。車両の重量を計測することにより走行中の乗車率が取得される場合、計測した値にブレが発生する場合があるため、特徴量には、走行中における乗車率の平均値が使用されても良い。列車１０の全体における乗車率が取得されている場合、特徴量には、列車１０の全体における乗車率を含めることとしても良い。

【0045】

乗車率変動は、利用者の乗り降りに伴う乗車率の変化度合いを表す指標である。乗車率変動を特徴量に含めることは、乗り降りの激しさに起因する遅延時間の予測、または、乗車率の予測に有用である。乗車率変動は、乗降中における乗車率の平均、乗降中における乗車率の分散、または、乗降中における乗車率の標準偏差により表される。各車両で乗車率が取得されている場合、特徴量には各車両の乗車率変動を含めることができる。なお、列車１０のうち乗り降りが最も激しい車両における乗り降りの状態が、列車１０の乗り降りに要する時間に最も影響を及ぼすことから、乗車率の標準偏差が最も大きい車両の乗車率変動を特徴量に含めることとしても良い。

【0046】

乗降人数は、ある駅において乗客が列車１０から降車した人数と当該駅において列車１０に乗車した人数との合計値である。各車両で乗降人数が取得されている場合、特徴量には各車両の乗降人数を含めることができる。なお、駅への到着によりドアが開いたときの乗車率とドアが開いている間における乗車率の最小値とに基づいて降車人数を求め、求めた降車人数を特徴量に含めることとしても良い。また、駅からの出発のためにドアを閉じたときの乗車率とドアが開いている間における乗車率の最小値とに基づいて乗車人数を求め、求めた乗車人数を特徴量に含めることとしても良い。

【0047】

特徴量には、駅ＩＤ（IDentifier）、天候、車両の種別、列車１０の種別、列車１０の行先、運転方向、列車１０の走行速度、列車１０が駅間を走行したときの消費電力量または回生電力量、列車１０に搭載されているモータなどの機器の種別、列車１０と当該列車１０の前を走行する先行列車との距離、列車１０と先行列車との時間間隔などが含められても良い。車両の種別とは、例えば、トイレの有無、女性専用車両か否かといった種別である。列車１０の種別とは、各駅停車または急行といった種別である。また、ある駅についての特徴量に、当該駅の１つ前に停車した駅についての運行データまたは人流データ、あるいは、当該駅の２つ以上前に停車した駅についての運行データまたは人流データが含められても良い。また、ある駅についての特徴量に、当該駅についての運行データまたは人流データと当該駅の１つ前に停車した駅についての運行データまたは人流データとの差分、または、当該駅についての運行データまたは人流データと当該駅の２つ以上前に停車した駅についての運行データまたは人流データとの差分が含められても良い。さらに、ある列車１０についての特徴量に、先行列車についての運行データまたは人流データが含められても良い。

【0048】

図３は、実施の形態１における過去データと直近データと類似データとの関係を示す概念図である。運行予測装置２０は、予測モデルへ予測対象データを入力することにより、将来における列車１０の運行状況、および、列車１０を利用する利用者の将来における人流の状況の少なくとも一方を予測する。予測対象データは、学習装置２４による学習が行われた時よりも後に取得された運行データおよび人流データである。

【0049】

直近データは、学習装置２４による学習が行われる日から遡った一定の期間において取得された運行データおよび人流データである。過去データは、直近データである運行データおよび人流データの取得が開始された日よりも前に取得された運行データおよび人流データである。図３には、横軸を日として、時系列における過去データと直近データと予測対象データとの並びを表している。運行予測装置２０は、過去データと直近データとを含む学習用データを取得する。

【0050】

類似判定モデル生成部２４２は、過去データと直近データとを学習することによって類似判定モデルを生成する。類似データ判定部２４３は、類似判定モデルに基づいて、過去データから類似データを判定する。運行予測装置２０は、過去データから類似データを抽出することにより、直近データと類似データとを含む学習用入力データを取得する。予測モデル生成部２４５は、学習用入力データを学習することによって、予測モデルを生成する。図３に示す白抜き矢印は、類似データ判定部２４３での判定によって過去データから類似データが抽出されることを表す。

【0051】

特徴量データベース２３において、学習用データには、学習用データが取得された日時を示す日付データが紐付けられている。データ分別部２４１は、特徴量データベース２３におけるテーブルの各行に紐付けられている日付データを基に、特徴量データベース２３内の学習用データを過去データと直近データとに分別する。データ分別部２４１には、直近データの範囲とする期間があらかじめ設定される。データ分別部２４１は、当該期間に包含される日付データが紐付けられている学習用データを直近データに分別する。例えば、データ分別部２４１には、直近データの範囲とする期間を示す情報が、運行管理装置３０を使用するユーザによって入力されることによって、直近データの範囲とする期間が設定される。直近データの範囲とする期間は、例えば、学習の当日から数週間前までの期間、または、学習の当日から数カ月前までの期間などと設定される。

【0052】

直近データの範囲とする期間には、任意の期間を設定することができる。例えば、利用者の人流に影響を及ぼし得るイベントが開催されている場合、または、利用者の人流に影響を及ぼし得るイベントが予定されている場合、開催または予定されているイベントと同様のイベントが開催された期間を、直近データの範囲とする期間に設定しても良い。また、感染症の流行といった、人流に影響が及ぶような事態が発生している場合、発生している事態と同様の事態が発生した期間を、直近データの範囲とする期間に設定しても良い。これにより、運行予測装置２０は、予測時と人流の状況が近いときに取得された過去データを類似データに含めることができるため、将来における列車１０の運行状況または将来における人流の状況を高精度に予測することができる。

【0053】

また、利用者の人流に影響を及ぼし得るイベントが無く、人流に影響が及ぶような事態も無い場合、人流に影響を及ぼし得るイベントが開催された期間と人流に影響が及ぶような事態が発生した期間とを除いた期間を、直近データの範囲とする期間に設定しても良い。この場合も、運行予測装置２０は、予測時と人流の状況が近いときに取得された過去データを類似データに含めることができるため、将来における列車１０の運行状況または将来における人流の状況を高精度に予測することができる。

【0054】

次に、運行予測装置２０における類似判定モデルの生成と類似データの判定との詳細について説明する。図４は、実施の形態１にかかる運行予測装置２０における類似判定モデルの生成と類似データの判定との詳細について説明するための第１の図である。

【0055】

実施の形態１において、類似判定モデル生成部２４２および類似データ判定部２４３は、過去データからの類似データの判定にadversarial validationの手法を使用する。類似判定モデル生成部２４２は、交差検証（cross validation）といった手法により過去データをトレーニングデータとテストデータとに分割し、教師あり学習を行う。ここでは、ｋ分割交差検証（k-fold cross validation）を例として説明する。

【0056】

図４に示す例では、特徴量データベース２３内の過去データをｋ個の部分に分割し、ｋ個の部分のうちの１つをテストデータに設定し、過去データのうち残りの（ｋ－１）個の部分をラベル「０」のトレーニングデータに設定する。また、直近データをラベル「１」のトレーニングデータに設定する。これらのラベルは、類似判定モデル生成部２４２での学習における目的変数であって、直近データであるか否かを示すラベルである。以下の説明において、分割データとは、過去データをｋ個の部分に分割した各々を指すものとする。

【0057】

類似判定モデル生成部２４２は、トレーニングデータの学習によって類似判定モデルを生成する。類似データ判定部２４３は、テストデータを類似判定モデルへ入力することによって、テストデータについての直近データとの類似度を算出する。類似度は、テーブルの行ごとに算出される。類似データ判定部２４３は、テストデータのうち、算出された類似度があらかじめ設定された閾値以上であったデータを類似データと判定する。類似判定モデル生成部２４２と類似データ判定部２４３とは、過去データのうちテストデータとする部分を順次変更しながら類似判定モデルの生成と類似度の算出とをｋ回繰り返す。

【0058】

このように、図４に示す例において、類似判定モデル生成部２４２は、過去データの一部である第１の部分と直近データとを学習することによって類似判定モデルを生成する。類似データ判定部２４３は、過去データのうち第１の部分を除いた部分である第２の部分が類似判定モデルへ入力されることによって、過去データの第２の部分についての直近データとの類似度を求め、過去データの第２の部分が類似データに該当するか否かを類似度に基づいて判定する。第１の部分とは、過去データのうちラベル「０」のトレーニングデータとされた部分を指す。第２の部分は、過去データのうちテストデータとされた部分を指す。図４に示す例において、類似データは、過去データの第２の部分のうち直近データに類似すると類似度に基づいて判定されたデータである。

【0059】

これにより、類似判定モデル生成部２４２および類似データ判定部２４３は、過去データから類似データを判定することができる。なお、類似データ判定部２４３は、算出された類似度が高い方から、あらかじめ設定された数のデータを選出することにより、類似データを判定することとしても良い。データの数とは、特徴量データベース２３のテーブルにおける行を単位とするデータの数、すなわち、駅間単位のデータの数とする。

【0060】

図５は、実施の形態１にかかる運行予測装置２０における類似判定モデルの生成と類似データの判定との詳細について説明するための第２の図である。図５に示す例は、図４に示す例の応用例である。図５に示す例は、過去データのみならず直近データもｋ個の部分データに分割し、直近データの部分データもテストデータに含める例である。

【0061】

図５に示す例では、図４に示す例と同様に、過去データをｋ個の部分に分割し、ｋ個の部分のうちの１つをテストデータに設定し、過去データのうち残りの（ｋ－１）個の部分をラベル「０」のトレーニングデータに設定する。また、直近データをｋ個の部分に分割し、ｋ個の部分のうちの１つをテストデータに設定し、直近データのうち残りの（ｋ－１）個の部分をラベル「１」のトレーニングデータに設定する。

【0062】

類似判定モデル生成部２４２は、トレーニングデータの学習によって類似判定モデルを生成する。類似データ判定部２４３は、テストデータを類似判定モデルへ入力することによって、テストデータについての直近データとの類似度を算出する。類似データ判定部２４３は、テストデータに含まれる過去データの分割データのうち、算出された類似度が閾値以上であったデータを類似データと判定する。類似判定モデル生成部２４２と類似データ判定部２４３とは、過去データのうちテストデータとする部分と直近データのうちテストデータとする部分との各々を順次変更しながら類似判定モデルと類似度の算出とをｋ回繰り返す。

【0063】

このように、図５に示す例において、類似判定モデル生成部２４２は、過去データの一部である第１の部分と直近データの一部である第１の部分とを学習することによって類似判定モデルを生成する。過去データの第１の部分とは、過去データのうちラベル「０」のトレーニングデータとされた部分を指す。直近データの第１の部分とは、直近データのうちラベル「１」のトレーニングデータとされた部分を指す。

【0064】

また、図５に示す例において、類似データ判定部２４３は、過去データのうち第１の部分を除いた部分である第２の部分と直近データのうち第１の部分を除いた部分である第２の部分とが類似判定モデルへ入力されることによって、過去データの第２の部分および直近データの第２の部分の各々についての直近データの第１の部分との類似度を求め、過去データの第２の部分について求めた類似度を閾値と比較することによって過去データの第２の部分について類似データに該当するか否かを判定する。過去データの第２の部分とは、過去データのうちテストデータとされた部分を指す。直近データの第２の部分とは、直近データのうちテストデータとされた部分を指す。図５に示す例において、類似データは、過去データの第２の部分について求めた類似度を閾値と比較することによって、過去データの第２の部分のうち直近データに類似すると判定されたデータである。

【0065】

図５に示す例においても、類似判定モデル生成部２４２および類似データ判定部２４３は、過去データから類似データを判定することができる。また、図５に示す例では、類似判定モデル生成部２４２および類似データ判定部２４３は、直近データのうちテストデータとされた部分について算出される類似度の分布を基に、類似データを判定するための閾値を設定することができる。

【0066】

図６は、図５に示す例において類似データの判定に使用される閾値について説明するための図である。図６には、過去データのうちテストデータとされた部分について類似度の分布と直近データのうちテストデータとされた部分についての類似度の分布とをプロットにより表したグラフの例を示す。類似データ判定部２４３は、図６に示すように、直近データであるテストデータについて算出された類似度よりも低い類似度を閾値に設定する。このように、図５に示す例において、閾値は、直近データの第２の部分について求めた類似度の分布を基に設定される。

【0067】

類似判定モデル生成部２４２は、過去データのうちテストデータとする部分と直近データのうちテストデータとする部分との各々を順次変更しながら類似判定モデルを生成することにより、ｋ個の類似判定モデルを生成する。類似データ判定部２４３は、ｋ個の類似判定モデルの各々について、直近データであるテストデータについて算出された類似度の分布を基に、閾値を設定する。

【0068】

過去データを複数の部分データに分割する場合に、過去データのうちテストデータとする分割データごとに、特徴量に違いが表れることがあり得る。図５に示す例では、直近データであるテストデータについて算出された類似度の分布を基に閾値が設定されることで、類似データ判定部２４３は、過去データであるテストデータにおける特徴量の傾向に応じた閾値を基に類似データを判定することができる。このため、類似データ判定部２４３は、過去データのうち直近データに類似するデータを類似データとして適切に抽出することができる。運行予測装置２０は、類似データを適切に抽出できることによって、予測精度の向上が可能となる。

【0069】

図７は、実施の形態１にかかる運行予測装置２０における類似判定モデルの生成と類似データの判定との詳細について説明するための第３の図である。図７に示す例は、図４に示す例と図５に示す例との応用例である。図７に示す例において、類似データ判定部２４３は、算出された類似度が閾値以上である過去データの一部を削除する調整を行う。

【0070】

図７の右部には、特徴量データベース２３に格納されている直近データ、すなわち、直近データであるか否かを示すラベルが「１」である学習用データのヒストグラムを示す。特徴量データベース２３における直近データの行ごとのデータ、すなわち、直近データのうち取得された日時ごとのデータについて類似度を求め、求めた類似度の値ごとの頻度を棒グラフにより表したものが、図７の右部に示すヒストグラムである。すなわち、直近データを、取得された日時ごとのデータについて求めた類似度に基づいて分類し、分類されたデータについての頻度の分布を表したものが、図７の右部に示すヒストグラムである。以下、図７の右部に示すヒストグラムにより表される頻度の分布を、第１の分布と称する。

【0071】

図７の左上部には、特徴量データベース２３に格納されている過去データ、すなわち、直近データであるか否かを示すラベルが「０」である学習用データのヒストグラムを示す。特徴量データベース２３における過去データの行ごとのデータ、すなわち、過去データのうち取得された日時ごとのデータについて類似度を求め、求めた類似度の値ごとの頻度を棒グラフにより表したものが、図７の左上部に示すヒストグラムである。また、当該ヒストグラムでは、類似度が閾値以上であるデータの頻度を表す棒グラフを実線により表し、類似度が閾値以下であるデータの頻度を表す棒グラフを破線により表す。以下、図７の左上部に示すヒストグラムのうち実線の棒グラフにより表される頻度の分布を、第２の分布と称する。すなわち、類似度が閾値以上であることにより類似データと判定された過去データを、取得された日時ごとのデータの類似度に基づいて分類し、分類されたデータについての頻度の分布が、第２の分布である。

【0072】

図７に示す例では、類似データ判定部２４３は、類似度を閾値と比較することにより類似データと判定された過去データの一部を類似データから削除することによって、第２の分布を第１の分布に近づける調整を行う。図７の左下部には、類似度が閾値以上であるデータの一部、すなわち、類似データと判定された過去データの一部を、類似データから削除した後におけるヒストグラムを表す。図７の左下部に示すヒストグラムにおいて、棒グラフの破線部分は、過去データのうち、第２の分布を第１の分布に近づける調整により削除された部分を表す。棒グラフの実線部分は、過去データのうち、当該調整により残された部分を表す。図７の左下部に示すヒストグラムのうち実線により表される部分は、図７の左上部に示されるヒストグラムと同じである。

【0073】

図７に示す例では、類似データ判定部２４３は、過去データに含まれるデータを類似度に基づいて分類した場合におけるデータの頻度の分布が、直近データを類似度に基づいて分類した場合におけるデータの頻度の分布に一致するように、過去データに含まれるデータの数を調整する。

【0074】

過去データにおいて類似度ごとに分類されたデータの頻度が、直近データにおける類似度ごとに分類されたデータの頻度を超える場合、過去データの当該データの多くを学習用入力データに残したとしても、予測モデルの精度向上にはつながらないといえる。図７に示す例では、類似データ判定部２４３は、第２の分布を第１の分布に近づける調整により、過去データのうち予測モデルの精度向上に有用なデータのみを、学習用入力データに含めることができる。

【0075】

次に、予測モデル生成部２４５での学習に使用される学習用入力データについて説明する。図８は、実施の形態１にかかる運行予測装置２０が保持する特徴量データベース２３におけるテーブルの例を示す第２の図である。図８に示すテーブルは、図２に示すテーブルに、学習用入力データであるか否かを示すラベルが追加されたものである。

【0076】

図８に示す「学習用入力データ」の列において、ラベル「０」は学習用入力データではないことを表し、ラベル「１」は学習用入力データであることを表す。図８に示す例では、２０２２年６月４日以降に取得された学習用データである直近データが、学習用入力データに含められている。また、２０２２年６月３日以前に取得された学習用データのうち、２０２２年６月２日の７時１０分００秒のデータと同日の７時１４分００秒のデータとが、類似データとして学習用入力データに含められている。

【0077】

図８に示す例において、特徴量のうち「将来の遅延時間」は、予測モデル生成部２４５による学習における目的変数とする。また、「将来の遅延時間」以外の特徴量は、予測モデル生成部２４５による学習における説明変数とする。予測モデル生成部２４５は、教師データである目的変数と説明変数との関係を、教師あり学習のアルゴリズムに従って学習することで、将来の運行状況を表す遅延時間の予測モデルを構築する。

【0078】

予測モデル生成部２４５は、類似データに該当しない過去データが除外された学習用入力データが入力されることによって、不要なデータについての学習を省略することができる。これにより、予測モデル生成部２４５は、学習時間を短縮させることができる。また、予測モデル生成部２４５は、直近の運行状況と直近の人流の状況とに合った高精度な予測を可能とする予測モデルを生成することができる。運行予測装置２０は、将来の運行状況の高精度な予測、または将来の人流の状況の高精度な予測が可能となる。運行管理装置３０は、利用者の混雑緩和が可能となるように、または、列車１０の効率的な運行が可能となるように列車１０の運行を調整することができる。

【0079】

予測モデル生成部２４５は、類似判定モデル生成部２４２による学習における説明変数とされた特徴量の項目のうち、運行状況の予測に有用な項目のみ、または人流の状況の予測に有用な項目のみを、予測モデル生成部２４５による学習における説明変数とすることとしても良い。すなわち、類似判定モデル生成部２４２による学習における説明変数とされた特徴量の項目の一部は、予測モデル生成部２４５による学習における説明変数から除外されても良い。運行予測装置２０は、運行状況の予測に有用な項目のみ、または人流の状況の予測に有用な項目のみを特徴量として残すことによって、予測モデル生成部２４５における学習時間の短縮と、運行状況の高精度な予測または人流の状況の高精度な予測とが可能となる。

【0080】

なお、実施の形態１において、類似判定モデル生成部２４２は、直近データと過去データとの学習に、教師あり学習ではなく教師なし学習の手法を使用しても良い。類似データ判定部２４３は、過去データのクラスタリングを行い、過去データのうち直近データと同じクラスタに属するデータを類似データと判定しても良い。類似判定モデル生成部２４２は、特徴量データベース２３における特徴量の次元数を、主成分分析といった手法により削減し、次元数を削減してから、教師あり学習またはクラスタリングを行うこととしても良い。

【0081】

予測モデルの精度は、人流の特徴の変化などにより、時間の経過とともに徐々に低下する場合がある。また、利用者の人流に影響を及ぼし得るイベント、または、人流に影響が及ぶような事態の発生といったイレギュラーな事象が起きていない通常時の後に、イベントの開催または感染症の流行等といったイレギュラーな事象が起こることにより人流に変化が生じることとなった場合も、予測モデルの精度は低下することとなる。または、イレギュラーな事象が起きた後に、イレギュラーな事象が無くなり通常時に戻った場合も、予測モデルの精度は低下することとなる。

【0082】

運行予測装置２０は、予測モデルの精度を監視し、精度が低下したと判断した場合に、直近データの更新と更新された直近データに基づいた類似データの判定とによって学習用入力データを更新し、更新された学習用入力データに基づく再学習を予測モデル生成部２４５により行うこととしても良い。これにより、運行予測装置２０は、運行状況または人流の状況の予測に使用される予測モデルの精度を維持可能とし、運行状況または人流の状況の高精度な予測を継続することができる。

【0083】

運行予測装置２０は、例えば、直近データと予測対象データとで類似か否かを判定し、予測対象データのうち類似と判定されたデータの数がある基準よりも少ない場合に、予測モデルの精度が低下したと判断する。運行予測装置２０は、予測モデルの精度を一定の期間ごとに確認し、精度低下の判断があらかじめ設定された数だけ連続した場合に、学習用入力データの更新と再学習とを行うこととしても良い。

【0084】

運行予測装置２０は、運行状況または人流の状況について、予測モデルの使用による予測結果と実績との差分である誤差を求め、誤差が基準を超えた場合に、学習用入力データの更新と再学習とを行うこととしても良い。運行予測装置２０は、誤差の値を蓄積して蓄積された値の平均を求め、平均が基準を超えた場合に、学習用入力データの更新と再学習とを行うこととしても良い。さらに、運行予測装置２０は、イベントといったイレギュラーな事象が起きることがあらかじめ判明している場合に、事前に、学習用入力データの更新と再学習とを行うこととしても良い。

【0085】

運行予測装置２０は、直近データの更新と、類似データの判定と、予測モデル生成部２４５による再学習とを定期的に実施することとしても良い。運行予測装置２０は、学習に関わる処理を、列車１０が運行されていない時間帯において実施しても良い。

【0086】

次に、実施の形態１にかかる運行予測装置２０による動作の手順について説明する。以下、運行予測装置２０による動作の手順の例を、予測モデルを生成する学習時と、予測モデルを使用して運行状況を予測する予測時とに分けて説明する。図９は、実施の形態１にかかる運行予測装置２０による、学習時における動作の手順の例を示すフローチャートである。図９に示す手順は、学習フェーズにおける動作の手順の例である。

【0087】

ステップＳ１において、運行予測装置２０は、データ抽出部２１により、機器データから学習用データを抽出する。データ抽出部２１は、データ収集装置３２により各列車１０から収集された機器データから学習用データを抽出する。データ抽出部２１は、抽出された学習用データを特徴量抽出部２２へ出力する。

【0088】

ステップＳ２において、運行予測装置２０は、特徴量抽出部２２により、ステップＳ１において抽出された学習用データから特徴量を抽出する。特徴量抽出部２２は、データ抽出部２１から入力される時系列の学習用データを駅間単位の学習用データへ変換することにより、特徴量を抽出する。

【0089】

ステップＳ３において、運行予測装置２０は、ステップＳ２により抽出された特徴量を特徴量抽出部２２が特徴量データベース２３へ書き込むことにより、特徴量を特徴量データベース２３に格納する。特徴量データベース２３には、特徴量と、特徴量に紐付けられた日付データとが格納される。

【0090】

ステップＳ４において、運行予測装置２０は、類似判定モデル生成部２４２により類似判定モデルを生成し、類似データ判定部２４３により類似判定モデルに基づいて過去データから類似データを判定する。

【0091】

ステップＳ５において、運行予測装置２０は、学習用入力データに該当するか否かを示す値を特徴量抽出部２２が特徴量データベース２３へ書き込むことにより、学習用入力データに該当するか否かを示す値を特徴量に紐付ける。類似データ判定部２４３は、直近データと類似データとについては、特徴量データベース２３の「学習用入力データ」の列に、学習用入力データであることを示す値である「１」を書き込む。類似データ判定部２４３は、過去データのうち類似データ以外のデータについては、特徴量データベース２３の「学習用入力データ」の列に、学習用入力データではないことを示す値である「０」を書き込む。

【0092】

ステップＳ６において、運行予測装置２０は、データ取得部２４４により学習用入力データを特徴量データベース２３から読み出すことにより、特徴量データベース２３から学習用入力データを抽出する。データ取得部２４４は、学習用入力データであるか否かを示すラベルが「１」である学習用データ、すなわち、直近データと類似データとを特徴量データベース２３から読み出すことにより、学習用入力データを抽出する。データ取得部２４４は、抽出された学習用入力データを予測モデル生成部２４５へ出力する。

【0093】

ステップＳ７において、運行予測装置２０の予測モデル生成部２４５は、ステップＳ６において抽出された学習用入力データを学習することによって、予測モデルを生成する。モデル記憶部２６は、予測モデル生成部２４５により生成された予測モデルを保持する。以上により、運行予測装置２０は、図９に示す手順による動作を終了する。

【0094】

図１０は、図９に示すステップＳ４における類似データの判定についての詳細な手順の例を示すフローチャートである。ここでは、図４に示す例により類似判定モデルの生成と類似データの判定とを行う場合の手順について説明する。

【0095】

ステップＳ１１において、データ分別部２４１は、図９に示すステップＳ３において特徴量データベース２３に格納された特徴量である学習用データを、過去データと直近データとに分別する。データ分別部２４１は、特徴量データベース２３内の学習用データのうち、直近データの範囲を示す期間に日付データが包含される学習用データを直近データと判定する。データ分別部２４１は、特徴量データベース２３内の学習用データのうち、直近データと判定された学習用データ以外を、過去データと判定する。

【0096】

データ分別部２４１は、直近データに該当するか否かを示す値を特徴量データベース２３へ書き込むことにより、直近データに該当するか否かを示す値を学習用データに紐付ける。データ分別部２４１は、直近データに分別された学習用データについては、特徴量データベース２３の「直近データ」の列に、直近データであることを示す値である「１」を書き込む。データ分別部２４１は、過去データに分別された学習用データについては、特徴量データベース２３の「直近データ」の列に、直近データではないことを示す値である「０」を書き込む。

【0097】

ステップＳ１２において、類似判定モデル生成部２４２は、「直近データ」の列の値が「０」である過去データを特徴量データベース２３から読み出し、過去データをｋ個の分割データに分割する。また、類似判定モデル生成部２４２は、「直近データ」の列の値が「１」である直近データを特徴量データベース２３から読み出す。

【0098】

ステップＳ１３において、類似判定モデル生成部２４２は、１つの分割データをテストデータとして、過去データのうちテストデータを除いた部分と直近データとを学習することによって類似判定モデルを生成する。類似判定モデル生成部２４２は、ｋ個の分割データのうちの１つをテストデータに設定し、過去データのうち残りの（ｋ－１）個の分割データをラベル「０」のトレーニングデータに設定する。また、類似判定モデル生成部２４２は、特徴量データベース２３から読み出された直近データをラベル「１」のトレーニングデータに設定する。類似判定モデル生成部２４２は、トレーニングデータの学習によって類似判定モデルを生成する。

【0099】

ステップＳ１４において、類似データ判定部２４３は、テストデータを類似判定モデルへ入力することによって、テストデータについての直近データとの類似度を求める。類似判定モデル生成部２４２および類似データ判定部２４３は、ステップＳ１３およびステップＳ１４を、全ての分割データをテストデータとする場合について実行する。すなわち、類似判定モデル生成部２４２および類似データ判定部２４３は、過去データのうちテストデータとする部分を順次変更しながら類似判定モデルの生成と類似度の算出とをｋ回繰り返す。

【0100】

ステップＳ１５において、類似データ判定部２４３は、過去データのうち類似度が閾値以上である過去データを類似データと判定する。運行予測装置２０は、ステップＳ１５を終えると、図９に示すステップＳ５へ手順を進める。

【0101】

図１１は、実施の形態１にかかる運行予測装置２０による、予測時における動作の手順の例を示すフローチャートである。図１１に示す手順は、推論フェーズにおける動作の手順の例である。

【0102】

ステップＳ２１において、運行予測装置２０は、データ抽出部２１により、機器データから予測対象データを抽出する。データ抽出部２１は、抽出された予測対象データを特徴量抽出部２２へ出力する。

【0103】

ステップＳ２２において、運行予測装置２０は、特徴量抽出部２２により、ステップＳ２１において抽出された予測対象データから特徴量を抽出する。特徴量抽出部２２は、データ抽出部２１から入力される時系列の予測対象データを駅間単位の予測対象データへ変換することにより、特徴量を抽出する。

【0104】

ステップＳ２３において、運行予測装置２０は、ステップＳ２２により抽出された特徴量を特徴量抽出部２２が特徴量データベース２３へ書き込むことにより、特徴量を特徴量データベース２３に格納する。

【0105】

推論装置２５のデータ取得部２５１は、運行状況および人流の状況の少なくとも一方の予測に使用する予測対象データを特徴量データベース２３から読み出すことによって、推論用データである予測対象データを取得する。データ取得部２５１は、予測対象データを推論部２５２へ出力する。推論部２５２は、モデル記憶部２６から予測モデルを読み出す。ステップＳ２４において、運行予測装置２０は、推論部２５２において特徴量を予測モデルへ入力することによって、将来における運行状況または将来における人流の状況の予測結果を推論部２５２により求める。推論部２５２が出力する予測結果は、特徴量データベース２３に格納される。以上により、運行予測装置２０は、図１１に示す手順による動作を終了する。

【0106】

図１には、運行管理装置３０に運行予測装置２０とデータ収集装置３２とが備えられる例を示したが、運行管理システム１００の構成は図１に示す構成に限定されないものとする。以下、運行管理システム１００の変形例について説明する。

【0107】

図１２は、実施の形態１の第１の変形例にかかる運行管理システム１００Ａの構成例を示す図である。運行管理システム１００Ａは、複数の列車１０と、各列車１０の運行を管理する運行管理装置３０Ａと、ダイヤ作成装置４０と、サーバ装置５０とを備える。運行管理装置３０は、列車１０の運行状況を予測する運行予測装置２０Ａを備える。運行予測装置２０Ａの構成は、図１に示す運行予測装置２０の構成と同様である。運行管理装置３０Ａは、データ収集装置３２を備えていない点が、図１に示す運行管理装置３０とは異なる。

【0108】

サーバ装置５０は、クラウド環境に構築されるサーバである。サーバ装置５０は、データ収集装置５１と、サーバ装置５０の外部の装置との通信を行う通信部５２とを備える。データ収集装置５１は、図１に示すデータ収集装置３２と同様に、機器データを収集する。データ収集装置５１は、収集された機器データを運行予測装置２０Ａへ出力する。通信部５２は、各列車１０の通信部１１との間の通信と、運行管理装置３０Ａとの間の通信とを行う。

【0109】

図１に示す運行管理システム１００の運行管理装置３０は、各列車１０から機器データを直接取得していたが、図１２に示す運行管理システム１００Ａの運行管理装置３０Ａは、サーバ装置５０に備えられたデータ収集装置５１を介して機器データを取得する。

【0110】

図１３は、実施の形態１の第２の変形例にかかる運行管理システム１００Ｂの構成例を示す図である。運行管理システム１００Ｂは、複数の列車１０と、運行管理装置３０Ｂと、ダイヤ作成装置４０と、サーバ装置５０Ｂとを備える。

【0111】

サーバ装置５０Ｂは、クラウド環境に構築されるサーバである。サーバ装置５０Ｂは、図１２に示すサーバ装置５０と同様に、データ収集装置５１および通信部５２を備える。通信部５２は、各列車１０の通信部１１との間の通信と、運行管理装置３０Ｂとの間の通信とを行う。サーバ装置５０Ｂは、さらに、列車１０の運行状況を予測する運行予測装置２０Ｂを備える。運行予測装置２０Ｂは、図１に示す運行予測装置２０と同様の構成を備える。また、運行予測装置２０Ｂは、運行ダイヤデータベース３４を保持する記憶部３４ａを備える。

【0112】

運行管理装置３０Ｂは、図１に示す運行管理装置３０と同様に、通信部３１および対策処理部３３を備える。運行管理装置３０Ｂは、運行予測装置２０とデータ収集装置３２と記憶部３４ａとが備えられていない点が、図１に示す運行管理装置３０とは異なる。

【0113】

図１に示す運行管理システム１００の運行予測装置２０は、運行管理装置３０の内部に備えられていたが、図１３に示す運行管理システム１００Ｂの運行予測装置２０Ｂは、データ収集装置５１とともにサーバ装置５０Ｂに備えられている。

【0114】

推論装置２５の推論部２５２は、予測結果を通信部５２へ出力する。通信部５２は、運行管理装置３０Ｂの通信部３１へ予測結果を送信する。通信部３１は、受信された予測結果を対策処理部３３へ出力する。対策処理部３３は、策定された対策を実行するための指示を通信部３１へ出力する。

【0115】

なお、図１に示す運行管理システム１００において、学習装置２４は、運行予測装置２０に内蔵される装置である。学習装置２４は、運行予測装置２０の外部の装置であっても良く、運行管理装置３０の外部の装置であっても良い。運行管理装置３０の外部の装置である学習装置２４は、運行管理システム１００を構成する装置である。学習装置２４は、ネットワークを介して運行予測装置２０に接続可能な装置でも良い。学習装置２４は、クラウドサーバ上に存在する装置でも良い。図１２に示す運行管理システム１００Ａにおいても、学習装置２４は、運行予測装置２０Ａの外部の装置、または、運行管理装置３０Ａの外部の装置であっても良い。図１３に示す運行管理システム１００Ｂにおいても、学習装置２４は、運行予測装置２０Ｂの外部の装置、または、サーバ装置５０Ｂの外部の装置であっても良い。

【0116】

実施の形態１によると、運行予測装置２０，２０Ａ，２０Ｂは、過去データと直近データとを学習することによって類似判定モデルを生成し、類似判定モデルに基づいて過去データから類似データを判定する。運行予測装置２０，２０Ａ，２０Ｂは、過去データおよび直近データの学習により生成された類似判定モデルを使用することにより、運行状況に影響を及ぼし得るより多くの項目が特徴量に含まれる場合でも、過去データから類似データを抽出することができる。また、運行予測装置２０，２０Ａ，２０Ｂは、類似か否かの判定における影響の度合いが互いに異なる多くの項目が特徴量に含まれる場合でも、類似しているか否かの判定に項目ごとの影響の度合いを反映させることができる。さらに、運行予測装置２０，２０Ａ，２０Ｂは、過去データのうち運行状況または人流の状況が類似しているデータから列車１０の運行状況を予測することによって、運行状況の高精度な予測が可能となる。以上により、運行予測装置２０，２０Ａ，２０Ｂ、運行管理装置３０，３０Ａ，３０Ｂ、および運行管理システム１００，１００Ａ，１００Ｂは、将来における列車１０の運行状況を高精度に予測することができる、という効果を奏する。

【0117】

実施の形態２．
実施の形態１では、運行予測装置２０，２０Ａ，２０Ｂは、駅間単位の学習用データである特徴量に基づいて類似データを判定することとした。実施の形態２では、任意の期間を単位とする特徴量に基づいて類似データを判定する例について説明する。

【0118】

図１４は、実施の形態２にかかる運行管理システム１００Ｃの構成例を示す図である。実施の形態２では、上記の実施の形態１と同一の構成要素には同一の符号を付し、実施の形態１とは異なる構成について主に説明する。運行管理システム１００Ｃは、鉄道における列車１０の運行を管理するシステムである。運行管理システム１００Ｃは、複数の列車１０と、各列車１０の運行を管理する運行管理装置３０Ｃと、各列車１０の運行ダイヤを作成するダイヤ作成装置４０とを備える。

【0119】

運行管理装置３０Ｃは、運行予測装置２０とは異なる構成の運行予測装置２０Ｃを備える点が、図１に示す運行管理装置３０とは異なる。運行予測装置２０Ｃは、学習装置２４とは異なる構成の学習装置２４Ｃを備える点が、図１に示す運行予測装置２０とは異なる。また、運行予測装置２０Ｃは、特徴量データベース２３を保持する記憶部２３ａの代わりに、第１の特徴量データベース２７を保持する記憶部２７ａを有する。第１の特徴量データベース２７は、運行状況の予測において使用される特徴量である第１の特徴量が格納される運行予測用の特徴量データベースである。第１の特徴量データベース２７は、特徴量データベース２３と同様のデータベースである。

【0120】

学習装置２４Ｃは、データ分別部２４１と、類似判定モデル生成部２４２Ｃと、類似データ判定部２４３Ｃと、データ取得部２４４と、予測モデル生成部２４５と、特徴量変換部２４６と、第２の特徴量データベース２４７を保持する記憶部２４７ａとを備える。

【0121】

特徴量変換部２４６は、駅間単位の学習用データである第１の特徴量を第１の特徴量データベース２７から読み出すことによって、第１の特徴量を取得する。特徴量変換部２４６は、取得された第１の特徴量を、設定された期間を単位とする第２の特徴量へ変換する。実施の形態２では、第２の特徴量は、日単位の特徴量とする。第２の特徴量は、日単位の特徴量に限られず、週単位または月単位の特徴量でも良い。第２の特徴量の単位とする期間には、任意の期間を設定することができる。

【0122】

第２の特徴量は、第２の特徴量データベース２４７に格納される。第２の特徴量データベース２４７は、類似データの判定において使用される特徴量である第２の特徴量が格納される類似判定用の特徴量データベースである。第２の特徴量データベース２４７におけるテーブルの各行には、日付データと、直近データであるか否かを示すラベルとが紐付けられる。第２の特徴量データベース２４７は、日単位のデータである第２の特徴量が格納される点を除いて、図１に示す特徴量データベース２３と同様である。

【0123】

類似判定モデル生成部２４２Ｃは、第２の特徴量である過去データと、第２の特徴量である直近データとを第２の特徴量データベース２４７から読み出すことによって、第２の特徴量である過去データと第２の特徴量である直近データとを取得する。類似判定モデル生成部２４２Ｃは、第２の特徴量である過去データと第２の特徴量である直近データとを学習することによって類似判定モデルを生成する。

【0124】

類似データ判定部２４３Ｃは、第２の特徴量である過去データを第２の特徴量データベース２４７から読み出すことによって、第２の特徴量である過去データを取得する。類似データ判定部２４３Ｃは、類似判定モデルに基づいて、第２の特徴量である過去データから類似データを判定する。類似データ判定部２４３Ｃは、判定の結果を出力する。例えば、類似データ判定部２４３Ｃは、判定の結果として、類似データであるか否かを示すラベルを出力する。類似データ判定部２４３Ｃによる判定の結果は、第１の特徴量データベース２７において学習用入力データであるか否かを示すラベルに反映される。

【0125】

図１５は、実施の形態２にかかる運行予測装置２０Ｃの特徴量変換部２４６における第１の特徴量から第２の特徴量への変換について説明するための図である。図１５の左部には、第１の特徴量データベース２７におけるテーブルのうち日付データの部分の例を示す。図１５の右部には、第２の特徴量データベース２４７におけるテーブルのうち日付データの部分の例を示す。図１５に示す白抜き矢印は、第１の特徴量が第２の特徴量へ変換されることを表す。

【0126】

第１の特徴量データベース２７におけるテーブルは、図２および図８に示す場合と同様である。第１の特徴量データベース２７におけるテーブルにおいて、第１の特徴量は、テーブルの各行に示される。第１の特徴量データベース２７において同一の日付データが紐付けられている第１の特徴量が、第２の特徴量データベース２４７では１日ごとの学習用データである第２の特徴量にまとめられる。第２の特徴量データベース２４７におけるテーブルにおいて、第２の特徴量は、テーブルの各行に示される。なお、第２の特徴量の単位とする「日」は、０時を区切りとする期間ではなく、始発の列車１０の運転開始時から最終の列車１０の運転終了時までを単位とする期間とする。

【0127】

実施の形態２では、運行予測装置２０Ｃは、駅間単位に相当する期間よりも長い期間を単位とする第２の特徴量に基づいて、過去データから類似データを判定する。イベントの開催または感染症の流行等といった事象は、日単位で、または１日よりも長い期間を単位として、列車１０の運行または利用者の人流に影響を及ぼすことが考えられる。運行予測装置２０Ｃは、このような影響を加味して、過去データからの類似データを判定が可能となる。

【0128】

次に、第２の特徴量の例について説明する。ここでは、第２の特徴量の例である２つの具体例について説明する。図１６は、実施の形態２にかかる運行予測装置２０Ｃにおいて類似データの判定に使用される第２の特徴量の第１の例について説明するための図である。第１の例は、駅間単位の学習用データを駅ごとおよび時間帯ごとのデータ群に変換し、データ群ごとにおけるデータの頻度を日単位の学習用データとする例である。

【0129】

図１６に示す第１の例では、乗車率変動を値の大きさにより「小」、「中」、「大」の３つに分類し、駅ごとおよび時間帯ごとに「小」、「中」、「大」の各々に分類されたデータの頻度を第２の特徴量とする。図１６に示す第１の例では、駅ごとおよび時間帯ごとに「小」、「中」、「大」の各々にデータが分類される。図１６には、駅ごとおよび時間帯ごとにおけるデータの頻度を棒グラフにより表したヒストグラムを示す。図１６には、「Ａ駅」における８時台の乗車率変動について求めた頻度の分布と、「Ａ駅」における９時台の乗車率変動について求めた頻度の分布との例を示す。特徴量変換部２４６は、各日の学習用データについて、このようなデータの分類と頻度の算出とを行うことによって、第１の特徴量を第２の特徴量へ変換する。なお、データの頻度とは、第１の特徴量データベース２７の行ごとのデータの数とする。

【0130】

第１の例では、第２の特徴量は、駅ごと、および、時間帯ごとの利用者数を考慮した特徴量とされる。これにより、類似データ判定部２４３Ｃは、時差出勤を実践する利用者数などを加味して類似データを判定することができる。

【0131】

図１７は、実施の形態２にかかる運行予測装置２０Ｃにおいて類似データの判定に使用される第２の特徴量の第２の例について説明するための第１の図である。第２の例は、第１の特徴量における複数の項目の各値の特徴を基に、駅間単位の学習用データを複数のクラスタに分け、クラスタごとのデータの頻度を日単位の学習用データとする例である。

【0132】

図１７に示す第２の例では、乗車率変動、および、遅延時間などといった２以上の項目の各々について、値の大きさにより「小」、「中」、「大」などと分類する。そして、項目ごとの値の特徴を表す当該分類を基に、乗車率変動「大」かつ遅延時間「大」のデータをクラスタ番号「１」のクラスタ、乗車率変動「中」かつ遅延時間「小」のデータをクラスタ番号「２」のクラスタ、などというように、駅間単位の学習用データを複数のクラスタに分ける。さらに、クラスタごとのデータの頻度を第２の特徴量とする。図１７に示す第２の例では、学習用データをクラスタ番号「１」から「６」までの６個のクラスタに分けることとする。図１７には、クラスタごとのデータの頻度を棒グラフにより表したヒストグラムを示す。

【0133】

図１８は、実施の形態２にかかる運行予測装置２０Ｃにおいて類似データの判定に使用される第２の特徴量の第２の例について説明するための第２の図である。図１８には、第２の特徴量データベース２４７におけるテーブルの例を示す。第２の特徴量データベース２４７におけるテーブルにおいて、第２の特徴量であるクラスタごとの頻度は、テーブルの各行に示される。第２の特徴量データベース２４７には、１日ごとの学習用データである第２の特徴量がテーブルの各行にまとめられる。

【0134】

特徴量変換部２４６は、各日の学習用データについて、このようなクラスタリングと頻度の算出とを行うことによって、第１の特徴量を第２の特徴量へ変換する。なお、特徴量変換部２４６は、第１の特徴量の次元数を、主成分分析といった手法により削減し、次元数を削減してから、クラスタリングを行うこととしても良い。また、特徴量変換部２４６は、図１６に示す第１の例と図１７に示す第２の例とを組み合わせて、第１の特徴量を第２の特徴量へ変換しても良い。特徴量変換部２４６は、時間帯または駅ごとに学習用データをクラスタリングしても良い。特徴量変換部２４６は、学習用データの項目のうち任意の項目について値を分類し、クラスタリングを行うことができる。

【0135】

次に、実施の形態２にかかる運行予測装置２０Ｃによる動作について説明する。ここでは、予測モデルを生成する学習時における動作のうち類似データの判定における動作について説明する。図１９は、実施の形態２にかかる運行予測装置２０Ｃにより類似データを判定するときにおける動作の手順の例を示すフローチャートである。

【0136】

ステップＳ３１において、データ分別部２４１は、第１の特徴量データベース２７に格納された第１の特徴量である学習用データを、過去データと直近データとに分別する。データ分別部２４１は、直近データに該当するか否かを示す値を第１の特徴量データベース２７へ書き込むことにより、直近データに該当するか否かを示す値を学習用データに紐付ける。

【0137】

特徴量変換部２４６は、駅間単位の学習用データを第１の特徴量データベース２７から読み出すことによって、駅間単位の学習用データを取得する。ステップＳ３２において、特徴量変換部２４６は、駅間単位の特徴量を日単位の特徴量に変換し、日単位の特徴量である第２の特徴量を第２の特徴量データベース２４７に格納する。

【0138】

ステップＳ３３において、類似判定モデル生成部２４２Ｃは、「直近データ」の列の値が「０」である過去データを第２の特徴量データベース２４７から読み出し、過去データをｋ個の分割データに分割する。また、類似判定モデル生成部２４２Ｃは、「直近データ」の列の値が「１」である直近データを第２の特徴量データベース２４７から読み出す。

【0139】

ステップＳ３４において、類似判定モデル生成部２４２Ｃは、１つの分割データをテストデータとして、過去データのうちテストデータを除いた部分と直近データとを学習することによって類似判定モデルを生成する。類似判定モデル生成部２４２Ｃは、図１０に示すステップＳ１３の場合と同様に、類似判定モデルを生成する。

【0140】

ステップＳ３５において、類似データ判定部２４３Ｃは、テストデータを類似判定モデルへ入力することによって、テストデータについての直近データとの類似度を求める。類似データ判定部２４３Ｃは、図１０に示すステップＳ１４の場合と同様に、類似度を求める。

【0141】

類似判定モデル生成部２４２Ｃおよび類似データ判定部２４３Ｃは、ステップＳ３４およびステップＳ３５を、全ての分割データをテストデータとする場合について実行する。すなわち、類似判定モデル生成部２４２Ｃおよび類似データ判定部２４３Ｃは、過去データのうちテストデータとする部分を順次変更しながら類似判定モデルの生成と類似度の算出とをｋ回繰り返す。

【0142】

ステップＳ３６において、類似データ判定部２４３Ｃは、類似度が閾値以上である過去データを類似データと判定する。運行予測装置２０Ｃは、ステップＳ３６を終えると、図９に示すステップＳ５以降と同様の手順を進める。

【0143】

図２０は、図１９に示すステップＳ３２における特徴量の変換についての詳細な手順の例を示すフローチャートである。ここでは、特徴量変換部２４６により、第１の特徴量を、図１７に示す第２の例にかかる第２の特徴量へ変換する場合の動作について説明する。

【0144】

ステップＳ４１において、特徴量変換部２４６は、駅間単位の特徴量をクラスタリングする。特徴量変換部２４６は、学習用データにおける２以上の項目の各々の値の特徴を基に、学習用データを複数のクラスタに分ける。ステップＳ４２において、特徴量変換部２４６は、１つの日の学習用データにおける各クラスタの頻度を求める。

【0145】

ステップＳ４３において、特徴量変換部２４６は、クラスタ別の頻度を表すヒストグラムを求めることによって、当該１つの日についての日単位の特徴量を生成する。ステップＳ４４において、特徴量変換部２４６は、生成された日単位の特徴量を第２の特徴量データベース２４７に格納する。特徴量変換部２４６は、ステップＳ４２からステップＳ４４までを、過去データに紐付けられている全ての日について実行する。

【0146】

ステップＳ４５において、特徴量変換部２４６は、直近データに該当するか否かを示す値を、第２の特徴量データベース２４７に格納された日単位の特徴量に紐付ける。運行予測装置２０Ｃは、ステップＳ４５を終えると、図１９に示すステップＳ３３へ手順を進める。

【0147】

実施の形態２によると、運行予測装置２０Ｃは、過去データと直近データとを学習することによって類似判定モデルを生成し、類似判定モデルに基づいて過去データから類似データを判定する。運行予測装置２０Ｃは、運行状況に影響を及ぼし得るより多くの項目が特徴量に含まれる場合でも、過去データから類似データを抽出することができる。また、運行予測装置２０Ｃは、列車１０の運行または利用者の人流へ影響が及ぶ期間に応じて、第２の特徴量の単位とする期間を任意に設定することができ、列車１０の運行または利用者の人流への影響を加味して類似データを判定することができる。このため、運行予測装置２０Ｃは、類似データの高精度な判定が可能となる。以上により、運行予測装置２０Ｃ、運行管理装置３０Ｃ、および運行管理システム１００Ｃは、将来における列車１０の運行状況を高精度に予測することができる、という効果を奏する。

【0148】

次に、実施の形態１または２にかかる運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃのハードウェア構成について説明する。図２１は、実施の形態１または２にかかる運行管理システム１００，１００Ａ，１００Ｂ，１００Ｃを構成する運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃのハードウェア構成例を示す図である。運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃは、処理回路８０と入力部８１と出力部８４とを備えるコンピュータシステムにより実現される。処理回路８０は、プロセッサ８２およびメモリ８３を備える。処理回路８０は、プロセッサ８２がソフトウェアを実行する回路である。

【0149】

運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃのデータ抽出部２１、特徴量抽出部２２、学習装置２４，２４Ｃ、および推論装置２５の各部は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ８３に格納される。処理回路８０では、メモリ８３に記憶されたプログラムをプロセッサ８２が読み出して実行することにより、運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃの各部の機能を実現する。すなわち、処理回路８０は、運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃの処理が結果的に実行されることになるプログラムを格納するためのメモリ８３を備える。メモリ８３に記憶されたプログラムは、運行管理システム１００，１００Ａ，１００Ｂ，１００Ｃの手順および方法をコンピュータに実行させる運行管理プログラムである。

【0150】

プロセッサ８２は、ＣＰＵ（Central Processing Unit）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、またはＤＳＰ（Digital Signal Processor）である。メモリ８３は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（登録商標）（Electrically Erasable Programmable Read Only Memory）といった、不揮発性または揮発性の半導体メモリである。入力部８１は、運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃへ情報を入力するための装置である。出力部８４は、運行予測装置２０，２０Ａ，２０Ｂ，２０Ｃの外部へ情報を出力する。

【0151】

図１に示す運行管理装置３０のうちのデータ収集装置３２および対策処理部３３と、図１２に示す運行管理装置３０Ａのうちの対策処理部３３と、図１３に示す運行管理装置３０Ｂの対策処理部３３とは、図２１に示す処理回路８０と同様の構成により実現される。運行管理装置３０，３０Ａ，３０Ｂ，３０Ｃのハードウェア構成には、通信を行う通信装置が含められる。

【0152】

学習装置２４は、メモリ８３に記憶された学習プログラムをプロセッサ８２が読み出して実行することにより実現されても良い。学習プログラムは、コンピュータで実行可能なプログラムであって、学習装置２４の動作を実行するためのプログラムである。学習プログラムは、学習装置２４の手順および方法をコンピュータに実行させるものであるともいえる。

【0153】

図１２に示すサーバ装置５０と、図１３に示すサーバ装置５０Ｂのうちのデータ収集装置５１とは、図２１に示す処理回路８０と同様の構成により実現される。サーバ装置５０，５０Ｂのハードウェア構成には、通信を行う通信装置が含められる。実施の形態１または２にかかる運行管理システム１００，１００Ａ，１００Ｂ，１００Ｃのダイヤ作成装置４０は、図２１に示すハードウェア構成と同様のハードウェア構成により実現される。

【0154】

以上の各実施の形態に示した構成は、本開示の内容の一例を示すものである。各実施の形態の構成は、別の公知の技術と組み合わせることが可能である。各実施の形態の構成同士が適宜組み合わせられても良い。本開示の要旨を逸脱しない範囲で、各実施の形態の構成の一部を省略または変更することが可能である。

【0155】

以下、本開示の諸態様を付記としてまとめて記載する。

【0156】

（付記１）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するデータ取得部と、
前記運行データおよび前記人流データを含む学習用データが過去データと前記過去データよりも後に取得された直近データとに分けられ、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測部と、
を備え、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測装置。
（付記２）
前記類似判定モデルは、前記過去データの一部である第１の部分と前記直近データとを学習することによって生成され、
前記過去データのうち前記第１の部分を除いた部分である第２の部分が前記類似判定モデルへ入力されることによって、前記過去データの前記第２の部分についての前記直近データとの類似度を求め、
前記類似データは、前記過去データの前記第２の部分のうち前記直近データに類似すると前記類似度に基づいて判定されたデータである、
ことを特徴とする付記１に記載の運行予測装置。
（付記３）
前記類似判定モデルは、前記過去データの一部である第１の部分と前記直近データの一部である第１の部分とを学習することによって生成され、
前記過去データのうち前記第１の部分を除いた部分である第２の部分と前記直近データのうち前記第１の部分を除いた部分である第２の部分とが前記類似判定モデルへ入力されることによって、前記過去データの前記第２の部分および前記直近データの前記第２の部分の各々についての前記直近データの前記第１の部分との類似度を求め、
前記類似データは、前記過去データの前記第２の部分について求めた前記類似度を閾値と比較することによって、前記過去データの前記第２の部分のうち前記直近データに類似すると判定されたデータである、
ことを特徴とする付記１に記載の運行予測装置。
（付記４）
前記閾値は、前記直近データの前記第２の部分について求めた前記類似度の分布を基に設定される、
ことを特徴とする付記３に記載の運行予測装置。
（付記５）
前記直近データを、取得された日時ごとのデータについて求めた前記類似度に基づいて分類し、分類されたデータについての頻度の分布を第１の分布とし、前記類似データと判定された前記過去データを、取得された日時ごとのデータの前記類似度に基づいて分類し、分類されたデータについての頻度の分布を第２の分布として、前記類似データと判定された前記過去データの一部を前記類似データから削除することによって、前記第２の分布を前記第１の分布に近づける調整を行う、
ことを特徴とする付記２から４のいずれか１つに記載の運行予測装置。
（付記６）
前記学習用データには、前記学習用データが取得された日時のデータが紐付けられており、日時の範囲が指定されることによって前記直近データの範囲が設定され、前記学習用データが取得された日時により前記過去データと前記直近データとを分別する、
ことを特徴とする付記１から５のいずれか１つに記載の運行予測装置。
（付記７）
前記列車から出力されるデータである機器データから前記予測対象データを抽出するデータ抽出部と、
前記列車が第１の駅を出発したときから、次の停車駅である第２の駅に前記列車が到着して当該第２の駅を前記列車が出発するまでの期間、または、前記列車が第１の駅に到着したときから、当該第１の駅を前記列車が出発して次の停車駅である第２の駅に前記列車が到着するまでの期間を単位として、前記予測対象データを単位ごとのデータへ変換することにより、駅間単位の前記予測対象データである特徴量を抽出する特徴量抽出部と、
を備え、
前記類似判定モデルへ入力される前記過去データと前記類似判定モデルへ入力される前記直近データとの各々において、前記過去データと前記直近データとを分けた結果を表す目的変数が前記特徴量に紐付けられる、
ことを特徴とする付記１から６のいずれか１つに記載の運行予測装置。
（付記８）
駅間単位の前記特徴量である第１の特徴量を、設定された期間を単位とする第２の特徴量へ変換する特徴量変換部、
を備え、
前記類似判定モデルは、前記第２の特徴量である前記過去データと前記第２の特徴量である前記直近データとを学習することによって生成され、
前記類似データは、前記第２の特徴量である前記過去データから判定される、
ことを特徴とする付記７に記載の運行予測装置。
（付記９）
付記１に記載の運行予測装置と、
前記運行予測装置によって出力される予測結果に応じた対策を策定する対策処理部と、
を備え、
前記運行予測装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果を前記対策処理部へ出力する、
ことを特徴とする運行管理装置。
（付記１０）
前記列車から出力されるデータである機器データを受信する通信部と、
受信された前記機器データを収集し、収集された前記機器データを前記運行予測装置へ出力するデータ収集装置と、
を備え、
前記運行予測装置は、前記予測対象データを前記機器データから抽出するデータ抽出部、
を備えることを特徴とする付記９に記載の運行管理装置。
（付記１１）
付記９に記載の運行管理装置と、
前記列車の運行ダイヤを作成するダイヤ作成装置と、
を備え、
前記運行管理装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果に応じた前記対策の情報を前記ダイヤ作成装置へ出力し、
前記ダイヤ作成装置は、前記対策の情報に基づいて前記運行ダイヤを作成する、
ことを特徴とする運行管理システム。
（付記１２）
付記９に記載の運行管理装置と、
前記列車から出力されるデータである機器データを収集し、収集された前記機器データを前記運行管理装置へ出力するデータ収集装置と、
を備えることを特徴とする運行管理システム。
（付記１３）
付記１に記載の運行予測装置と、
前記列車から出力されるデータである機器データを収集し、収集された前記機器データを前記運行予測装置へ出力するデータ収集装置と、
前記運行予測装置によって出力される予測結果に応じた対策を策定する運行管理装置と、
を備え、
前記運行予測装置は、将来における前記運行状況および前記人流の状況の少なくとも一方の前記予測結果を前記運行管理装置へ出力する、
ことを特徴とする運行管理システム。
（付記１４）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データが、過去データと、前記過去データよりも後に取得された直近データとに分けられ、前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成する類似判定モデル生成部と、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定する類似データ判定部と、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成する予測モデル生成部と、
を備えることを特徴とする学習装置。
（付記１５）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するステップと、
前記運行データおよび前記人流データを含む学習用データを、過去データと前記過去データよりも後に取得された直近データとに分け、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測するステップと、
を含み、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測方法。
（付記１６）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データを、過去データと、前記過去データよりも後に取得された直近データとに分けるステップと、
前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成するステップと、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定するステップと、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成するステップと、
を含むことを特徴とする学習方法。
（付記１７）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む予測対象データを、前記列車から取得するステップと、
前記運行データおよび前記人流データを含む学習用データを、過去データと前記過去データよりも後に取得された直近データとに分け、前記過去データのうち前記直近データに類似する類似データと前記直近データとを学習させた予測モデルを用いて、前記予測対象データから、将来における前記運行状況および前記人流の状況の少なくとも一方を予測するステップと、
をコンピュータに実行させる運行予測プログラムであって、
前記類似データは、前記過去データおよび前記直近データを学習させた類似判定モデルを用いて、前記過去データのうち、前記直近データに類似すると判定されたデータである、
ことを特徴とする運行予測プログラム。
（付記１８）
列車の運行状況を示す運行データと前記列車を利用する利用者の人流の状況を示す人流データとを含む学習用データを、過去データと、前記過去データよりも後に取得された直近データとに分けるステップと、
前記過去データのうち前記直近データに類似する類似データを判定する類似判定モデルを、前記過去データと前記直近データとを学習することによって生成するステップと、
前記類似判定モデルに基づいて前記過去データから前記類似データを判定するステップと、
将来における前記運行状況および前記人流の状況の少なくとも一方を予測する予測モデルを、前記直近データと前記類似データとを学習することによって生成するステップと、
をコンピュータに実行させることを特徴とする学習プログラム。

【符号の説明】

【0157】

１０ 列車、１１，３１，５２ 通信部、２０，２０Ａ，２０Ｂ，２０Ｃ 運行予測装置、２１ データ抽出部、２２ 特徴量抽出部、２３ 特徴量データベース、２３ａ，２７ａ，３４ａ，２４７ａ 記憶部、２４，２４Ｃ 学習装置、２５ 推論装置、２６ モデル記憶部、２７ 第１の特徴量データベース、３０，３０Ａ，３０Ｂ，３０Ｃ 運行管理装置、３２，５１ データ収集装置、３３ 対策処理部、３４ 運行ダイヤデータベース、４０ ダイヤ作成装置、４１ 運行ダイヤ作成部、５０，５０Ｂ サーバ装置、８０ 処理回路、８１ 入力部、８２ プロセッサ、８３ メモリ、８４ 出力部、１００，１００Ａ，１００Ｂ，１００Ｃ 運行管理システム、２４１ データ分別部、２４２，２４２Ｃ 類似判定モデル生成部、２４３，２４３Ｃ 類似データ判定部、２４４，２５１ データ取得部、２４５ 予測モデル生成部、２４６ 特徴量変換部、２４７ 第２の特徴量データベース、２５２ 推論部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】