JP2015026136A - Information processing system, information processing device, information processing method, and information processing program - Google Patents

Information processing system, information processing device, information processing method, and information processing program Download PDF

Info

Publication number
JP2015026136A
JP2015026136A JP2013153944A JP2013153944A JP2015026136A JP 2015026136 A JP2015026136 A JP 2015026136A JP 2013153944 A JP2013153944 A JP 2013153944A JP 2013153944 A JP2013153944 A JP 2013153944A JP 2015026136 A JP2015026136 A JP 2015026136A
Authority
JP
Japan
Prior art keywords
information processing
prediction target
search
movement
record data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2013153944A
Other languages
Japanese (ja)
Other versions
JP6170772B2 (en
Inventor
田 恒 平 太
Kohei Ota
田 恒 平 太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Navitime Japan Co Ltd
Original Assignee
Navitime Japan Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Navitime Japan Co Ltd filed Critical Navitime Japan Co Ltd
Priority to JP2013153944A priority Critical patent/JP6170772B2/en
Publication of JP2015026136A publication Critical patent/JP2015026136A/en
Application granted granted Critical
Publication of JP6170772B2 publication Critical patent/JP6170772B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Traffic Control Systems (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide an information processing system, along with an information processing device, an information processing method, and an information processing program, enabling more accurate prediction of moving condition.SOLUTION: An information processing device predicts future moving condition. The information processing device includes a memory part 1 which memorizes past movement performance data 10, a memory part 2 which memorizes retrieval performance data 20, and an information processing part 3. Since the past movement performance data 10, a past retrieval performance data 21, and a future retrieval performance data 22 are taken into consideration, future movement condition is predicted accurately.

Description

本発明は、未来の移動状況を予測する情報処理システム、情報処理装置、情報処理方法および情報処理プログラムに関する。   The present invention relates to an information processing system, an information processing apparatus, an information processing method, and an information processing program for predicting future movement conditions.

従来から、過去の混雑状況に基づいて未来の混雑状況を予測する技術が知られている。また、特許文献１には、目的地に対する利用者の関心が高い場合には混雑が予想されることから、過去の混雑状況のみならず、目的地に対して行われた検索件数をも考慮して混雑状況を予測する地図表示装置が開示されている。   Conventionally, a technology for predicting a future congestion situation based on a past congestion situation is known. Further, in Patent Document 1, since congestion is expected when the user's interest in the destination is high, not only the past congestion situation but also the number of searches performed on the destination are considered. A map display device that predicts the congestion situation is disclosed.

特開２０１１−１１８１１０号公報JP 2011-118110 A

しかしながら、引用文献１に記載の地図表示装置の場合、検索を行った日時は記憶しているが、目的地を利用する日時を把握しないため、検索件数が必ずしも渋滞状況に正確に反映されるとは限らない。例えば、イベントの中止など突発的な変動に対して、予測精度が低下するおそれがある。   However, in the case of the map display device described in Cited Document 1, the date and time when the search was performed is stored, but the date and time when the destination is used is not grasped, and therefore the number of searches is not always accurately reflected in the traffic jam situation. Is not limited. For example, there is a risk that the prediction accuracy may be reduced with respect to sudden fluctuation such as cancellation of an event.

本発明は上記の問題点に鑑みてなされたものであり、その目的は、より正確に移動状況を予測できる情報処理システム、情報処理装置、情報処理方法および情報処理プログラムを提供するものである。   The present invention has been made in view of the above problems, and an object of the present invention is to provide an information processing system, an information processing apparatus, an information processing method, and an information processing program capable of predicting a movement state more accurately.

本発明の一態様によれば、過去の移動実績データと、検索対象時が過去である第１の検索実績データと、検索対象時が未来である第２の検索実績データとを記憶した記憶手段と、地点または区間、および、時点または期間を含む予測対象を特定する予測対象特定手段と、前記予測対象に関連する前記第１の検索実績データと、前記予測対象に関連する前記過去の移動実績データと、前記予測対象に関連する前記第２の検索実績データと、に基づいて、前記予測対象に対応する未来の移動状況を予測する情報処理手段と、を備えることを特徴とする情報処理システムが提供される。   According to one aspect of the present invention, storage means storing past movement record data, first search record data whose search target time is the past, and second search record data whose search target time is the future. Prediction target specifying means for specifying a prediction target including a point or a section, and a time point or a period, the first search result data related to the prediction target, and the past movement record related to the prediction target An information processing system comprising: information processing means for predicting a future movement situation corresponding to the prediction target based on the data and the second search result data related to the prediction target. Is provided.

本発明によれば、過去の移動実績データと、検索対象時が過去である第１の検索実績データと、検索対象時が未来である第２の検索実績データと、を用いるため、より正確に移動状況を予測できる。   According to the present invention, since the past movement record data, the first search record data whose search target time is the past, and the second search record data whose search target time is the future are used, more accurately. The movement situation can be predicted.

本発明の一実施形態に係る情報処理装置の概略構成を示す図。The figure which shows schematic structure of the information processing apparatus which concerns on one Embodiment of this invention. 過去の移動実績データ１０の構成の一例を示す図。The figure which shows an example of a structure of the past movement performance data. 検索実績データ２０の構成の一例を示す図。The figure which shows an example of a structure of the search results data. 図１の情報処理装置の処理動作の一例を示すフローチャート。2 is a flowchart showing an example of processing operation of the information processing apparatus of FIG. 1. 実績表の一例を示す図。The figure which shows an example of a performance table. 移動需要の対象を説明する図。The figure explaining the object of a movement demand.

以下、本発明に係る実施形態について、図面を参照しながら具体的に説明する。   Embodiments according to the present invention will be specifically described below with reference to the drawings.

図１は、本発明の一実施形態に係る情報処理装置の概略構成を示す図である。この情報処理装置は、未来の移動状況を予測するものである。情報処理装置は、過去の移動実績データ１０を記憶した記憶部１と、検索実績データ２０を記憶した記憶部２と、特定部３ａと、情報処理部３ｂとを備えている。   FIG. 1 is a diagram showing a schematic configuration of an information processing apparatus according to an embodiment of the present invention. This information processing apparatus predicts future movement conditions. The information processing apparatus includes a storage unit 1 that stores past movement record data 10, a storage unit 2 that stores search record data 20, a specifying unit 3a, and an information processing unit 3b.

これらの各部が１つの装置内に設けられて情報処理装置を構成してもよいし、複数の装置内に分散して設けられて情報処理システムとして実現してもよい。以下、各部の構成および動作について説明する。   These units may be provided in one device to constitute an information processing device, or may be provided in a distributed manner in a plurality of devices and realized as an information processing system. Hereinafter, the configuration and operation of each unit will be described.

図２は、過去の移動実績データ１０の構成の一例を示す図である。   FIG. 2 is a diagram illustrating an example of the configuration of past movement record data 10.

図２（ａ）に示すように、過去の移動実績データ１０は、地点別に、当該地点の来訪者数を集計したものであってもよい。すなわち、図２（ａ）における過去の移動実績データ１０は、地点Ａへ、何月何日の（来訪日）どの時間帯に、何人が来訪したか（来訪者数）を示している。例えば、地点Ａへ、６月２９日の１５〜１６時に、１，０００人来訪したことが分かる。   As shown in FIG. 2 (a), the past movement record data 10 may be a total of the number of visitors at each point. That is, the past movement record data 10 in FIG. 2 (a) indicates how many people have visited (the number of visitors) at which time of the month, what date (visit date), and what time zone. For example, it can be seen that 1,000 people visited Point A at 15:00 on June 29th.

また、図２（ｂ）に示すように、過去の移動実績データ１０は人単位で移動経路（の一部または全体）を記憶したものであってもよい。より具体的には、過去の移動実績データ１０は、出発地、目的地、利用区間などを含んでいる。利用区間では、路線、駅、道路、インターチェンジ名、リンク名、ノード名などが記憶される。また、人単位ではなく自家用車やバスなど車両単位で移動経路を記憶したものであってもよい。   Further, as shown in FIG. 2B, the past movement record data 10 may be data in which a movement route (a part or the whole) is stored in units of people. More specifically, the past movement record data 10 includes a departure place, a destination, a use section, and the like. In the use section, a route, a station, a road, an interchange name, a link name, a node name, and the like are stored. Alternatively, the travel route may be stored in units of vehicles such as private cars or buses instead of in units of people.

なお、過去の移動実績データ１０の構成は図２に限られず、例えばある区間の渋滞情報・混雑情報や、交通機関の遅延情報・混雑情報などでもよいが、具体例は後述する。   The configuration of the past movement record data 10 is not limited to that shown in FIG. 2, and may be, for example, traffic jam information / congestion information in a certain section, delay information / congestion information of transportation, and the like, which will be described later.

図３は、検索実績データ２０の構成の一例を示す図である。本実施形態では、検索実績データ２０が、ある地点（図３では地点Ａ）を目的地とする経路検索の実績データである例を示す。検索実績データ２０は、ユーザが経路検索を行う度に蓄積されるものであり、経路検索ごと（検索ＩＤ）に、検索が実行された日時（検索日時）、出発地、目的地および到着日時を記憶している。さらに、検索された経路の利用区間（路線や道路など）や地点の情報（駅やインターチェンジ、施設など）を追加して記憶してもよい。   FIG. 3 is a diagram illustrating an example of the configuration of the search result data 20. In the present embodiment, an example is shown in which the search result data 20 is track search result data having a point (a point A in FIG. 3) as a destination. The search result data 20 is accumulated every time the user performs a route search, and for each route search (search ID), the date and time when the search was executed (search date and time), the departure place, the destination, and the arrival date and time are displayed. I remember it. Furthermore, information on the used section (route, road, etc.) and point of the searched route (station, interchange, facility, etc.) may be additionally stored.

以下では、検索実績データ２０のうち、現在を基準として、到着日時（検索対象時）が過去であるものを過去の検索実績データ（第１の検索実績データ）２１、到着日時（検索対象時）が未来であるものを未来の検索実績データ（第２の検索実績データ）２２と呼ぶ。   In the following, among the search results data 20, the current arrival date (when searching) is the past, the past search results data (first search result data) 21, arrival date and time (when searching) Is the future search result data (second search result data) 22.

なお、検索実績データ２０における到着日時とは、ユーザが指定した日時であってもよいし、経路検索の結果の日時であってもよい。また、検索対象時は到着日のみを含んでいてもよいし、出発日や出発日時であってもよい。検索実績データ２０の構成は図３に限られず、他の例については後述する。   The arrival date / time in the search record data 20 may be a date / time specified by the user or a date / time as a result of the route search. The search target may include only the arrival date, or may be a departure date or a departure date. The configuration of the search result data 20 is not limited to FIG. 3, and other examples will be described later.

また、過去の移動実績データ１０および検索実績データ２０を１つの記憶部に記憶してもよいし、３つ以上の記憶部に分散して記憶してもよい。   The past movement record data 10 and the search record data 20 may be stored in one storage unit, or may be distributed and stored in three or more storage units.

図１に戻り、予測対象特定部３ａは、予測対象を特定する。予測対象は、対象の地点又は区間を含むとともに、対象の時点または期間を含む。例えば、予測対象は、７月１３日の１５〜１６時のＡ地点というように特定される。予測対象は、ユーザが任意に設定してもよい。あるいは、予測対象特定部３ａは、ユーザが設定した経路検索条件などに関連付けられた地点や区間を予測対象として特定したり、過去の移動実績などに基づいて事前に生成した予測対象として特定したりしてもよい。   Returning to FIG. 1, the prediction target specifying unit 3 a specifies the prediction target. The prediction target includes the target point or section and the target time point or period. For example, the prediction target is specified as a point A from 15:00 to 16:00 on July 13. The prediction target may be arbitrarily set by the user. Alternatively, the prediction target specifying unit 3a specifies a point or section associated with a route search condition set by the user as a prediction target, or specifies as a prediction target generated in advance based on a past movement record or the like. May be.

情報処理部３ｂは、予測対象に関連する過去の移動実績データ１０と、予測対象に関連する過去の検索実績データ２１と、予測対象に関連する未来の検索実績データ２２とに基づいて、予測対象に関連する、未来の移動状況を予測する。ここでの未来の移動状況とは、予測対象や未来の検索実績データ２２の検索対象時と対応する未来の移動状況である。   The information processing unit 3b uses the past movement record data 10 related to the prediction target, the past search record data 21 related to the prediction target, and the future search record data 22 related to the prediction target to predict the target. Predict future movements related to The future movement situation here is a future movement situation corresponding to the prediction target and the search target data of the future search result data 22.

移動状況とは、例えば、ある地点への来訪者数やある地点から別の地点へ移動車両数や移動人数といった移動需要、渋滞状況、遅延状況であるが、本実施形態では、ある地点への来訪者数である例を示す。   The movement status is, for example, the demand for traffic such as the number of visitors to a certain point, the number of moving vehicles from one point to another point, the number of moving people, the traffic congestion status, and the delay status. An example is the number of visitors.

また、「関連する」というのは、予測対象の少なくとも一部と、広い意味で何らかの関連があればよい。例えば、過去の移動実績データ１０および過去の検索実績データ２１については、予測対象における時点または期間が対応しないが、地点または区間は対応している。また、未来の検索実績データ２２については、「未来」が、予測対象における時点または期間と同じであってもよいし、時間帯が同じという程度の関連でもよいし、例えば、１５時とした場合、１４〜１６時と幅をもたせたものを関連させてもよい。   In addition, “related” only needs to have some relationship with at least a part of the prediction target in a broad sense. For example, the past movement record data 10 and the past search record data 21 do not correspond to the time point or period in the prediction target, but correspond to the point or section. As for future search results data 22, “future” may be the same as the time point or period in the prediction target, or may be related to the same time zone. For example, when it is 15:00 , 14-16 o'clock may be associated with a width.

情報処理部３ｂは、相関関係抽出部３０と、移動状況予測部３１とを有する。   The information processing unit 3 b includes a correlation extraction unit 30 and a movement status prediction unit 31.

相関関係抽出部３０は、予測対象に関連する過去の移動実績データ１０と、予測対象に関連する過去の検索実績データ２１との相関関係を抽出する。より具体的には、相関関係抽出部３０は、予測対象に関連する過去の移動実績データ１０と、予測対象に関連する過去の検索実績データ２１との関係を示す関係式を算出する。この関係式は移動状況を予測するために用いられる。   The correlation extraction unit 30 extracts a correlation between past movement record data 10 related to the prediction target and past search result data 21 related to the prediction target. More specifically, the correlation extraction unit 30 calculates a relational expression indicating the relationship between the past movement record data 10 related to the prediction target and the past search record data 21 related to the prediction target. This relational expression is used to predict the movement situation.

移動状況予測部３１は、相関関係抽出部３０により抽出された相関関係に基づいて、予測対象に関連する未来の検索実績データ２２から、上記未来の移動状況を予測する。より具体的には、移動状況予測部３１は、算出された関係式に、予測対象に関連する未来の検索実績データ２２を当てはめて、上記移動状況を予測する。   The movement situation prediction unit 31 predicts the future movement situation from the future search result data 22 related to the prediction target based on the correlation extracted by the correlation extraction unit 30. More specifically, the movement situation prediction unit 31 predicts the movement situation by applying the future search result data 22 related to the prediction target to the calculated relational expression.

図４は、図１の情報処理装置の処理動作の一例を示すフローチャートである。まず、予測対象特定部３ｂは予測対象を特定する（ステップＳ１）。以下では、予測対象が、地点Ａおよび期間「７月１３日１５〜１６時」である例を示す。   FIG. 4 is a flowchart illustrating an example of a processing operation of the information processing apparatus in FIG. First, the prediction target specifying unit 3b specifies a prediction target (step S1). In the following, an example is shown in which the prediction target is the point A and the period “July 13 15: 00-16: 00”.

そして、相関関係抽出部３０は、予測対象に関連する、過去の移動実績データ１０における来訪者数と、過去の検索実績データ２１における検索数との関係を明確にすべく、図２（本例では、図２（ａ））に例示する過去の移動実績データ１０と、図３に例示する検索実績データ２０のうちの過去の検索実績データ２１とを集計し、実績表を作成する（ステップＳ２）。   Then, the correlation extraction unit 30 uses FIG. 2 (this example) in order to clarify the relationship between the number of visitors in the past movement record data 10 and the number of searches in the past search record data 21 related to the prediction target. Then, the past movement record data 10 illustrated in FIG. 2A and the past search record data 21 of the search record data 20 illustrated in FIG. 3 are totaled to create a record table (step S2). ).

図５は、実績表の一例を示す図である。同図は、予測対象である地点Ａへの来訪者数と検索数との関係を示している。実績表は、地点Ａの来訪日および来訪時間帯ごとに、当該来訪日および来訪時間帯を到着日時として行われた地点Ａへの経路検索の件数を、検索日および検索時間帯ごとに集計し、当該来訪日および来訪時間における訪問者数と関連づけたものである。   FIG. 5 is a diagram illustrating an example of a performance table. The figure shows the relationship between the number of visitors to the point A that is the prediction target and the number of searches. The results table summarizes the number of route searches to point A that were performed using the date and time of arrival as the arrival date and time for each visit date and time period of point A for each search date and time period. And the number of visitors in the visit date and visit time.

言い換えると、実績表は、ある日（来訪日）のある時間帯（来訪時間帯）における地点Ａへの来訪者数と、地点Ａを目的地とし、当該来訪日および来訪時間帯を到着日時とする経路検索が、何月何日（検索日）のどの時間帯（検索時間帯）に、何件行われたか（検索数）、の関係を示している。   In other words, the results table shows the number of visitors to point A in a certain time zone (visiting time zone) on a certain day (visiting date), the destination as point A, and the arrival date and time as the arrival date and time. It shows the relationship between how many times (search number) the route search to be performed is performed in which time zone (search time zone) of what month and date (search date).

なお、必ずしも全経路検索の件数を日および時間帯ごとに集計しなくてもよく、図５に示すように来訪日当日のみ日および時間帯ごとに集計してもよいし、１日前、３日前および１週間前の経路検索数のみを集計し、２日前、４〜６日前および８日以上前の経路検索数を省略してもよい。   Note that the number of all route searches need not necessarily be counted for each day and time zone, but may be counted for each day and time zone only on the day of visit as shown in FIG. Alternatively, only the number of route searches before one week may be counted, and the number of route searches two days ago, four to six days ago, and eight days or more ago may be omitted.

図５によると、例えば、６月２９日１５〜１６時の来訪者数は１，０００人である。そして、同日および同時間帯を到着日時として、１週間前の６月２２日には５件、３日前の６月２６日には７件、１日前の６月２８日には１０件の経路検索が行われ、また、当日の６月２９日には、１２時間以上前の３時に１件、６〜１２時間前の３〜９時に２２件、３〜６時間前の９〜１２時に２３件、１〜３時間前の１２〜１４時に６３件の経路検索が行われたことが分かる。   According to FIG. 5, for example, the number of visitors from 15 to 16 o'clock on June 29 is 1,000. And on the same day and the same time zone, 5 routes on June 22 one week ago, 7 routes on June 26, 3 days ago, 10 routes on June 28, 1 day ago Searches were conducted, and on June 29th of the day, there were 1 event at 3 o'clock 12 hours ago, 22 events at 3-9 o'clock 6-12 hours ago, and 9-12 o'clock 3-6 hours ago at 9-12 o'clock It can be seen that 63 route searches were performed at 12-14 hours, 1 to 3 hours ago.

図２に戻り、相関関係抽出部３０は、実績表を参照して、検索数と来訪者数との関係を示す関係式を算出する（ステップＳ３）。なお、関係式は近似式でもよく、必ずしも厳密な式でなくてもよい。   Returning to FIG. 2, the correlation extracting unit 30 refers to the performance table and calculates a relational expression indicating the relationship between the number of searches and the number of visitors (step S <b> 3). Note that the relational expression may be an approximate expression or not necessarily an exact expression.

単純には、６月２９日１５〜１６時の来訪者数が１，０００人であり１週間前の６月２２日の検索数が５件であること、ならびに、７月６日１５〜１６時の来訪者数が１００，０００人であり１週間前の６月３０日の検索数が５１０件であることから、相関関係抽出部３０は下記（１）式のような関係式を算出できる。
来訪者数＝２００＊（１週間前の検索数） ・・・（１） Simply, the number of visitors from 15 to 16:00 on June 29 is 1,000, the number of searches on June 22 one week ago is five, and 15 to 16 on July 6 Since the number of visitors at that time is 100,000 and the number of searches on June 30 one week ago is 510, the correlation extraction unit 30 can calculate a relational expression such as the following expression (1). .
Number of visitors = 200 * (Number of searches one week ago) (1)

より一般的には、相関関係抽出部３０は下記（２）式を関係式としてもよい。
来訪者数＝Σ（ａｉ＊ｘｉ）＋ｂ・・・（２）
ここで、ｘｉは時間帯ｉにおける検索数であり、時間帯ｉとしては「１週間前の日」や「当日の１〜３時間前」などである。また、ａｉは時間帯ｉに係る重み係数であり、例えば現在から遠い時間帯ｉほど大きくしてもよい。さらに、ｂは定数である。上記（２）式によれば、時間帯ごとの検索数を考慮でき、より正確に来訪者数を予測できる。 More generally, the correlation extraction unit 30 may use the following formula (2) as a relational expression.
Number of visitors = Σ (a i * x i ) + b (2)
Here, x i is the number of searches in the time zone i, and the time zone i is “a day before one week”, “1 to 3 hours before that day”, or the like. Further, a i is a weighting factor related to the time zone i, and may be increased as the time zone i is farther from the present time, for example. Further, b is a constant. According to the above equation (2), the number of searches for each time zone can be considered, and the number of visitors can be predicted more accurately.

また、相関関係抽出部３０は検索数の合計値を考慮して関係式を算出してもよい。より具体的には、相関関係抽出部３０は、検索数の合計値が大きいほど、来訪者数が多くなるような関係式を算出できる。一例として、６月２９日１５〜１６時の訪問者数が１，０００人であり１週間前の６月２２日から１日前の６月２８日までの検索数の合計が２２件であること、ならびに、７月６日１５〜１６時の訪問者数が１００，０００人であり１週間前の６月３０日から１日前の７月５日までの検索数の合計が１，９１０件であることから、相関関係抽出部３０は下記（３）式のような関係式を算出できる。
来訪者数＝５０＊（１週間前から１日前までの検索数の合計） ・・・（３） The correlation extraction unit 30 may calculate the relational expression in consideration of the total number of searches. More specifically, the correlation extraction unit 30 can calculate a relational expression that increases the number of visitors as the total number of searches increases. As an example, the number of visitors from 15 to 16:00 on June 29 is 1,000, and the total number of searches from June 22 one week ago to June 28 one day ago is 22 In addition, the number of visitors from 15 to 16:00 on July 6 was 100,000, and the total number of searches from June 30 one week ago to July 5 one day ago was 1,910. Therefore, the correlation extraction unit 30 can calculate a relational expression such as the following expression (3).
Number of visitors = 50 * (Total number of searches from one week to one day ago) (3)

また、相関関係抽出部３０は検索数の推移を考慮してもよい。より具体的には、相関関係抽出部３０は、検索数の推移が当該訪問日および訪問時間帯に向かって増えている場合ほど、来訪者数が多くなるような関係式を算出できる。一例として、６月２９日１５〜１６時の訪問者数が１，０００人であり当日の９〜１２時の検索数に比べて同１２〜１４時では検索数が４０件増加していること、ならびに、７月６日１５〜１６時の訪問者数が１００，０００人であり当日の９〜１２時の検索数に比べて同１２〜１４時では検索数が４、０００件増加していることから、相関関係抽出部３０は、下記（４）式のような関係式を算出できる。
来訪者数＝２５＊（当日の９〜１２時の検索数と同１２〜１４時の検索数との差）
・・・（４） Further, the correlation extraction unit 30 may take into account the transition of the number of searches. More specifically, the correlation extraction unit 30 can calculate a relational expression that increases the number of visitors as the number of searches increases toward the visit date and the visit time zone. As an example, the number of visitors from 15 to 16:00 on June 29 is 1,000, and the number of searches has increased by 40 from 12:00 to 14:00 compared to the number of searches from 9 to 12:00 on that day. In addition, the number of visitors from 15 to 16:00 on July 6 was 100,000, and the number of searches increased by 4,000 from 12:00 to 14:00 compared to the number of searches from 9 to 12:00 on that day. Therefore, the correlation extraction unit 30 can calculate a relational expression such as the following expression (4).
Number of visitors = 25 * (Difference between the number of searches from 9 to 12 o'clock on the day and the number of searches from 12 to 14 o'clock)
... (4)

また、検索数の合計値と推移の両方を考慮して関係式を算出してもよい。   Further, the relational expression may be calculated in consideration of both the total number of searches and the transition.

別の例として、相関関係抽出部３０は、日時、曜日、季節、気温、天気といった環境が類似する過去の日時の検索数を重視して、関係式を算出してもよい。例えば、７月１３日が７月２週目の土曜日である場合、同７月１３日を予測するための関係式として、相関関係抽出部３０は１年前の７月２週目の土曜日の検索数に基づいて関係式を算出してもよい。あるいは、相関関係抽出部３０は、検索数の推移などが類似する過去の日時の検索数を重視して、関係式を算出してもよい。   As another example, the correlation extraction unit 30 may calculate the relational expression by placing importance on the number of searches for past dates and times with similar environments such as date and time, day of the week, season, temperature, and weather. For example, when July 13 is Saturday of July 2nd, as a relational expression for predicting July 13th, the correlation extracting unit 30 sets the value of Saturday of July 2nd year before A relational expression may be calculated based on the number of searches. Alternatively, the correlation extraction unit 30 may calculate the relational expression by placing emphasis on the number of searches in the past date and time in which the transition of the number of searches is similar.

関係式は上述した線形回帰の式であってもよいし、非線形回帰の式であってもよい。関係式は、月・曜日・時間帯毎に細かく算出してもよい。また、関係式は、１週間後の予測をする際に用いる式、１日後の予測をする際に用いる式、１時間後の予測をする際に用いる式など、事前時間別に細かく算出してもよい。   The relational expression may be the above-described linear regression expression or non-linear regression expression. The relational expression may be calculated in detail for each month, day of the week, and time zone. In addition, the relational expression may be calculated in detail according to prior time, such as an expression used for prediction after one week, an expression used for prediction after one day, an expression used for prediction after one hour, etc. Good.

相関関係抽出部３０は、このような関係式を、予測を行う対象となる地点別に算出する。   The correlation extraction unit 30 calculates such a relational expression for each point to be predicted.

そして、移動状況予測部３１は、算出された関係式に、未来の検索実績データ２２における検索数を当てはめて、ある地点の未来の移動状況を予測する（図２のステップＳ４）。   Then, the movement status prediction unit 31 predicts the future movement status of a certain point by applying the number of searches in the future search result data 22 to the calculated relational expression (step S4 in FIG. 2).

未来である７月１３日１５〜１６時の来訪者数を予測することを考える。例えば、未来の検索実績データ２２において、７月１３日１５〜１６時を検索対象時とする検索数が１週間前の７月６日に５０件行われたとすると、移動状況予測部３１は上記（１）式に基づいて、来訪者数を１０，０００人と予測できる。また、未来の検索実績データ２２において、１週間前の７月６日から１日前の７月１２日までの検索数の合計が２００件であったとすると、移動状況予測部３１は上記（３）式に基づいて、来訪者数を１０，０００人と予測できる。また、未来の検索実績データ２２において、当日の９〜１２時の検索数が２００件であり同１２〜１４時の検索数が６００件であったとすると、移動状況予測部３１は上記（３）式に基づいて、来訪者数を１０，０００人と予測できる。   Consider predicting the number of visitors on July 13th, 15: 00-16: 00. For example, in the future search results data 22, assuming that the number of searches for 15 to 16:00 on July 13 is performed on July 6 one week ago, the movement status prediction unit 31 Based on the formula (1), the number of visitors can be predicted to be 10,000. Further, in the future search results data 22, if the total number of searches from July 6 one week ago to July 12 one day ago is 200, the movement status prediction unit 31 is configured as (3) Based on the formula, the number of visitors can be estimated as 10,000. Further, in the future search results data 22, if the number of searches from 9 to 12 o'clock on the day is 200 and the number of searches from 12 to 14 o'clock is 600, the movement status prediction unit 31 is configured as (3) Based on the formula, the number of visitors can be estimated as 10,000.

以上のようにして、情報処理部３ｂは未来の移動状況を予測できる。以下、いくつかの変形例を示す。   As described above, the information processing unit 3b can predict a future movement state. Hereinafter, some modifications will be described.

検索実績データ２０は、図３に示す経路検索実績データのみならず、日または日時指定を伴う地点検索実績データを含んでいてもよい。例えば地点Ａがホテルである場合、地点検索実績データは、このホテルに宿泊予約をするために行われた、宿泊予定日ごとの検索数を含むことができる。また、地点検索実績データは、地点Ａが大型会場などである場合、近隣のホテルに宿泊予約をするために行われた検索数を含んでいてもよい。地点検索実績データを併用することで、予測精度をさらに向上できる。   The search results data 20 may include not only route search results data shown in FIG. 3 but also point search results data with date or date / time designation. For example, when the point A is a hotel, the point search performance data can include the number of searches for each scheduled stay date, which is made to make an accommodation reservation at this hotel. In addition, the point search result data may include the number of searches performed for making a reservation for accommodation in a nearby hotel when the point A is a large venue or the like. The prediction accuracy can be further improved by using the point search result data together.

また、過去の移動実績データ１０は、ある地点への来訪者数ではなく、出発地から目的地までの移動経路（の一部または全体）の移動実績データ（具体例として、移動者数や移動車両数など）であってもよい。このような過去の移動実績データ１０は、図２（ｂ）に示すように人または車両ごとに記録したものでもよいし、その結果を集計したものでもよい。集計の単位は任意であるが、例えば、経路上のある地点、経路の少なくとも一部区間、または、これらの組み合わせごとに集計してもよい。経路とは、検索したデータそのものでもよいし、複数のデータを集計して推定されたものを経路としてもよい。   The past movement record data 10 is not the number of visitors to a certain point but the movement record data (partially or entirely) of the movement route (part or whole) from the departure point to the destination. Or the number of vehicles). Such past movement record data 10 may be recorded for each person or vehicle, as shown in FIG. 2B, or may be a summary of the results. The unit of aggregation is arbitrary, but for example, the aggregation may be performed for a certain point on the route, at least a part of the route, or a combination thereof. The route may be the retrieved data itself or a route estimated by aggregating a plurality of data.

なお、経路に道路が含まれる場合、例えば信号に設置されたトラフィックカウンタの計測値から当該道路を走行する車両数を取得できる。経路に交通機関が含まれる場合、例えば駅の改札を通過した人の数から当該交通機関を使用した人の数を取得できる。経路の移動実績データがある場合、これと過去の検索実績データ２１との相関関係を抽出することで、種々の移動需要を予測できる。   When a road is included in the route, for example, the number of vehicles traveling on the road can be acquired from the measured value of a traffic counter installed in the signal. If the route includes transportation, the number of people using the transportation can be acquired from the number of people who have passed through the ticket gates of the station, for example. When there is route movement record data, various movement demands can be predicted by extracting the correlation between this and the past search record data 21.

図６は、移動需要の対象を説明する図である。同図では、過去の移動実績データ１０が、出発地Ｏ，Ｏ’，Ｏ’’から目的地Ｄに達する経路の移動実績である例を示している。出発地Ｏ，Ｏ’については地点Ｔを経由する。   FIG. 6 is a diagram for explaining an object of movement demand. In the figure, an example is shown in which the past movement record data 10 is a movement record of a route from the departure point O, O ′, O ″ to the destination D. Departure points O and O 'go through point T.

図示のように、出発地Ｏから目的地Ｄへの経路の移動実績に基づいて、
（ａ）目的地Ｄの移動需要（来訪者数など）
（ｂ）出発地Ｏから目的地Ｄへの経路や、同経路の一部分の区間の移動需要（移動者数や移動車両数など）
（ｃ）同経路におけるある地点（乗換駅や合流／分岐地点など）Ｔの移動需要、
などを予測することができる。また、他の出発地Ｏ’ ，Ｏ’’からの経路の移動実績と組み合わせると、
（ｄ）ある特定の方向から目的地Ｄへ達する区間の合計移動需要
（ｅ）ある特定の区間の合計移動需要
などを予測することもできる。 As shown in the figure, based on the movement history of the route from the departure point O to the destination D,
(A) Travel demand for destination D (number of visitors, etc.)
(B) Routes from the departure point O to the destination D, and movement demands in a part of the route (number of people moving, number of moving vehicles, etc.)
(C) Movement demand of a certain point (transfer station, junction / branch point, etc.) T on the route,
Etc. can be predicted. In addition, when combined with the movement history of routes from other departure points O 'and O'',
(D) The total travel demand for a section reaching the destination D from a certain direction (e) The total travel demand for a certain section can also be predicted.

また、過去の移動実績データ１０は、交通機関の利用者数に関するデータであってもよい。例えば、過去の移動実績データ１０が、日別あるいは日時別のある駅での乗車人数および／または降車人数の実績データである場合、このような実績データと過去の検索実績データ２１との相関関係を抽出することで、当該駅での乗車人数や降車人数を移動需要として予測できる。また、どの駅で何人乗車したかといった実績データだけではなく、例えば、日別あるいは日時別のある路線の列車に乗車している人数（乗車中人数）を過去の移動実績データ１０としてもよい。   The past movement record data 10 may be data relating to the number of users of transportation facilities. For example, when the past movement record data 10 is the record data of the number of passengers and / or the number of people getting off at a certain station by day or date and time, the correlation between such record data and past search record data 21 The number of passengers at the station and the number of people getting off can be predicted as travel demand. Further, not only the performance data indicating how many people have boarded at which station, but also the number of people (the number of people on board) riding on a train on a certain day or date may be used as the past movement performance data 10.

交通機関の利用者数に関するデータの別の例として、過去の移動実績データ１０が、日別あるいは日時別の路線の乗車人数および／または降車人数の実績データである場合、このような実績データと過去の検索実績データ２１との相関関係を抽出することで、当該路線の乗車人数や降車人数を移動需要として予測できる。予測された乗車人数や降車人数に基づいて、移動状況予測部３１は、さらに、路線や列車の混雑度を予測してもよい。   As another example of data relating to the number of users of transportation facilities, when the past movement record data 10 is the record data of the number of passengers on the route and / or the number of people getting off by day or date, By extracting the correlation with the past search record data 21, the number of passengers on the route and the number of people getting off can be predicted as travel demand. Based on the predicted number of passengers and the number of people getting off, the movement status prediction unit 31 may further predict the congestion degree of the route or the train.

駅や路線ごとの実績データは、例えば改札を通過した人の数から取得できる。   The performance data for each station and route can be acquired from the number of people who have passed the ticket gate, for example.

路線より詳細に、過去の移動実績データ１０は、列車ごと、車両ごと、または、ドアごとの移動実績であってもよい。このような過去の移動実績データ１０を用いることで、列車ごと、車両ごと、または、ドアごとの乗車人数あるいは降車人数を移動状況として予測できる。   In more detail than the route, the past movement record data 10 may be a movement record for each train, each vehicle, or each door. By using such past movement record data 10, the number of passengers or the number of people getting off can be predicted as a movement situation for each train, for each vehicle, or for each door.

ここで、列車ごとの実績データは、例えば改札を通過した時間および人の数から取得できる。車両ごとの実績データは、例えば駅または車両内に設置されたカメラにより撮影された映像から、あるいは、車両に設けられた重量計の計測値から、おおよその人数を取得してもよい。ドアごとの移動実績は、例えば車両内に設置されたカメラにより撮影された映像からおおよその人数を取得してもよい。車両ごと、あるいは、ドアごとの移動実績は、駅の構造に基づいて推測してもよい。例えば、階段や改札に近い車両やドア、あるいは、乗換に便利な車両やドアほど乗車人数および降車人数が多いとしてもよい。   Here, the track record data for each train can be acquired from, for example, the time and number of people passing through the ticket gate. As the actual data for each vehicle, an approximate number of people may be acquired from, for example, a video taken by a camera installed in a station or vehicle, or from a measurement value of a weight scale provided in the vehicle. As for the movement results for each door, for example, an approximate number of people may be acquired from an image taken by a camera installed in the vehicle. You may estimate the movement performance for every vehicle or every door based on the structure of a station. For example, vehicles and doors close to stairs and ticket gates, or vehicles and doors convenient for transfer, may have more passengers and passengers getting off.

また、過去の移動実績データ１０は、道路における渋滞実績データや、交通機関における遅延実績データであってもよい。渋滞実績データと過去の検索実績データ２１との相関関係を抽出することで、当該道路における渋滞度を移動状況として予測できる。また、遅延実績データと過去の検索実績データ２１との相関関係を抽出することで、当該交通機関の遅延を移動状況として予測できる。   The past movement record data 10 may be traffic record data on roads or delay record data on transportation. By extracting the correlation between the traffic jam record data and the past search record data 21, the degree of traffic jam on the road can be predicted as the movement status. Further, by extracting the correlation between the delay record data and the past search record data 21, it is possible to predict the delay of the transportation facility as the travel situation.

このように、本実施形態では、過去の移動実績データ１０と、過去の検索実績データ２１と、未来の検索実績データ２２とを考慮するため、正確に未来の移動状況を予測できる。   Thus, in this embodiment, since the past movement record data 10, the past search record data 21, and the future search record data 22 are taken into consideration, the future movement situation can be accurately predicted.

また、本実施形態において、過去の移動実績データ１０と、過去の検索実績データ２１とから相関関係を抽出し、抽出した相関関係と未来の検索実績データ２２とに基づいて未来の移動状況を予測したが、過去の検索実績データ２１と未来の検索実績データ２２とから相関関係を抽出し、この相関関係と過去の移動実績データ１０とに基づいて未来の移動状況を予測してもよい。   Further, in the present embodiment, a correlation is extracted from the past movement record data 10 and the past search record data 21, and a future movement situation is predicted based on the extracted correlation and the future search record data 22. However, a correlation may be extracted from past search record data 21 and future search record data 22, and a future movement situation may be predicted based on this correlation and past movement record data 10.

さらに、本実施形態に加え、ユーザの入力した検索条件や探索した検索結果に関連する予測結果を、検索結果を表示するのと同時に表示してもよい。また、予測結果を地図や路線図上に重畳して表示したり、一覧化して適宜表示させる等の表示手段を設けてもよい。さらに、突発的な変化や普段と異なる等の状況の変化に応じて予測結果を表示してもよい。   Further, in addition to the present embodiment, the search condition input by the user and the prediction result related to the searched search result may be displayed simultaneously with the display of the search result. In addition, display means may be provided such as displaying the prediction result superimposed on a map or route map, or displaying a list as appropriate. Furthermore, the prediction result may be displayed according to a sudden change or a change in the situation such as different from usual.

上述した実施形態で説明した情報処理システムの少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、情報処理システムの少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。   At least a part of the information processing system described in the above-described embodiment may be configured by hardware or software. When configured by software, a program for realizing at least a part of the functions of the information processing system may be stored in a recording medium such as a flexible disk or a CD-ROM, and read and executed by a computer. The recording medium is not limited to a removable medium such as a magnetic disk or an optical disk, but may be a fixed recording medium such as a hard disk device or a memory.

また、情報処理システムの少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。   Further, a program that realizes at least a part of the functions of the information processing system may be distributed via a communication line (including wireless communication) such as the Internet. Further, the program may be distributed in a state where the program is encrypted, modulated or compressed, and stored in a recording medium via a wired line such as the Internet or a wireless line.

上記の記載に基づいて、当業者であれば、本発明の追加の効果や種々の変形を想到できるかもしれないが、本発明の態様は、上述した個々の実施形態には限定されるものではない。特許請求の範囲に規定された内容およびその均等物から導き出される本発明の概念的な思想と趣旨を逸脱しない範囲で種々の追加、変更および部分的削除が可能である。   Based on the above description, those skilled in the art may be able to conceive additional effects and various modifications of the present invention, but the aspects of the present invention are not limited to the individual embodiments described above. Absent. Various additions, modifications, and partial deletions can be made without departing from the concept and spirit of the present invention derived from the contents defined in the claims and equivalents thereof.

１ 記憶部
１０ 過去の移動実績データ
２ 記憶部
２０ 検索実績データ
２１ 過去の検索実績データ
２２ 未来の検索実績データ
３ａ 情報処理部
３０ 相関関係抽出部
３１ 移動状況予測部
３ｂ 予測対象特定部 DESCRIPTION OF SYMBOLS 1 Storage part 10 Past movement record data 2 Storage part 20 Search record data 21 Past search record data 22 Future search record data 3a Information processing part 30 Correlation extraction part 31 Movement situation prediction part 3b Prediction object specific part

Claims (12)

過去の移動実績データと、検索対象時が過去である第１の検索実績データと、検索対象時が未来である第２の検索実績データとを記憶した記憶手段と、
地点または区間、および、時点または期間を含む予測対象を特定する予測対象特定手段と、
前記予測対象に関連する前記第１の検索実績データと、
前記予測対象に関連する前記過去の移動実績データと、
前記予測対象に関連する前記第２の検索実績データと、に基づいて、
前記予測対象に対応する未来の移動状況を予測する情報処理手段と、を備えることを特徴とする情報処理システム。 Storage means for storing past movement record data, first search record data whose search target time is the past, and second search record data whose search target time is the future;
A prediction target specifying means for specifying a prediction target including a point or section and a time point or a period;
The first search result data related to the prediction target;
The past movement record data related to the prediction target;
Based on the second search result data related to the prediction target,
An information processing system comprising: information processing means for predicting a future movement situation corresponding to the prediction target. 前記情報処理手段は、
前記予測対象に関連する前記過去の移動実績データと、前記予測対象に関連する前記第１の検索実績データと、の相関関係を抽出する相関関係抽出手段と、
前記相関関係に基づいて、前記予測対象に関連する前記第２の検索実績データから、前記未来の移動状況を予測する移動状況予測手段と、を有する、請求項１に記載の情報処理システム。 The information processing means includes
Correlation extraction means for extracting a correlation between the past movement record data related to the prediction target and the first search result data related to the prediction target;
The information processing system according to claim 1, further comprising: a movement status prediction unit that predicts the future movement status from the second search result data related to the prediction target based on the correlation. 前記相関関係抽出手段は、前記予測対象に関連する前記過去の移動実績データと、前記予測対象に関連する前記第１の検索実績データと、の関係を示す関係式を算出し、
前記移動状況予測手段は、前記関係式に、前記予測対象に関連する前記第２の検索実績データを当てはめて、前記未来の移動状況を予測する、請求項２に記載の情報処理システム。 The correlation extraction unit calculates a relational expression indicating a relationship between the past movement record data related to the prediction target and the first search result data related to the prediction target,
The information processing system according to claim 2, wherein the movement status prediction unit predicts the future movement status by applying the second search result data related to the prediction target to the relational expression. 前記相関関係抽出手段は、前記予測対象に関連する前記第１の検索実績データにおける、検索数の推移および／または合計数に基づいて、前記関係式を算出する、請求項３に記載の情報処理システム。   The information processing according to claim 3, wherein the correlation extracting unit calculates the relational expression based on a transition of the number of searches and / or a total number in the first search result data related to the prediction target. system. 前記過去の移動実績データは、車両または人の移動経路を、
移動経路の一部または全体を、車両または人単位で記録した第１のデータ、または、
前記第１のデータを経路上のある地点、経路の少なくとも一部区間、もしくは、これらの組み合わせ単位で集計した第２のデータである、請求項１乃至４のいずれかに記載の情報処理システム。 The past movement record data is a vehicle or a person's movement route,
First data in which a part or all of the travel route is recorded in units of vehicles or people, or
5. The information processing system according to claim 1, wherein the first data is second data obtained by tabulating a certain point on the route, at least a part of the route, or a combination unit thereof. 前記未来の移動状況は、前記予測対象における移動需要、混雑状況、渋滞状況または遅延状況である、請求項１乃至５のいずれかに記載の情報処理システム。   The information processing system according to any one of claims 1 to 5, wherein the future movement situation is a movement demand, a congestion situation, a traffic jam situation or a delay situation in the prediction target. 前記第１の検索実績データおよび前記第２の検索実績データは、経路検索実績データと、地点検索実績データと、を含む、請求項１乃至６のいずれかに記載の情報処理システム。   The information processing system according to any one of claims 1 to 6, wherein the first search record data and the second search record data include route search record data and point search record data. 前記過去の移動実績データは、交通機関の利用者数に関するデータを含み、
前記未来の移動状況は、前記交通機関の駅、列車、車両またはドア毎の、乗車中人数、乗車人数または降車人数である、請求項１乃至７のいずれかに記載の情報処理システム。 The past movement record data includes data on the number of users of transportation facilities,
The information processing system according to any one of claims 1 to 7, wherein the future movement status is the number of people on board, the number of people on board, or the number of people getting off at each station, train, vehicle, or door of the transportation facility. 前記情報処理手段は、前記乗車中人数、乗車人数または降車人数に基づいて、前記交通機関の混雑度を予測する、請求項８に記載の情報処理システム。   The information processing system according to claim 8, wherein the information processing means predicts the degree of congestion of the transportation facility based on the number of people on board, the number of people on board, or the number of people getting off. 地点または区間、および、時点または期間を含む予測対象を特定する予測対象特定手段と、
前記予測対象に関連し、検索対象時が過去である第１の検索実績データと、
前記予測対象に関連する過去の移動実績データと、
前記予測対象に関連し、検索対象時が未来である前記第２の検索実績データと、に基づいて、前記予測対象に対応する未来の移動状況を予測する情報処理手段と、を備えることを特徴とする情報処理装置。 A prediction target specifying means for specifying a prediction target including a point or section and a time point or a period;
First search result data related to the prediction target and the search target time is the past;
Past movement record data related to the prediction target; and
Information processing means for predicting a future movement situation corresponding to the prediction target based on the second search result data related to the prediction target and the search target time being the future. Information processing apparatus. 地点または区間、および、時点または期間を含む予測対象を特定するステップと、
前記予測対象に関連し、検索対象時が過去である第１の検索実績データと、
前記予測対象に関連する過去の移動実績データと、
前記予測対象に関連し、検索対象時が未来である前記第２の検索実績データと、に基づいて、前記予測対象に対応する未来の移動状況を予測するステップと、を備えることを特徴とする情報処理方法。 Identifying a forecast target including a point or segment, and a point in time or duration;
First search result data related to the prediction target and the search target time is the past;
Past movement record data related to the prediction target; and
A step of predicting a future movement situation corresponding to the prediction target based on the second search performance data related to the prediction target and the search target time being the future. Information processing method. 地点または区間、および、時点または期間を含む予測対象を特定するステップと、
前記予測対象に関連し、検索対象時が過去である第１の検索実績データと、
前記予測対象に関連する過去の移動実績データと、
前記予測対象に関連し、検索対象時が未来である前記第２の検索実績データと、に基づいて、前記予測対象に対応する未来の移動状況を予測するステップと、をコンピュータに実行させる、情報処理プログラム。 Identifying a forecast target including a point or segment, and a point in time or duration;
First search result data related to the prediction target and the search target time is the past;
Past movement record data related to the prediction target; and
Predicting a future movement situation corresponding to the prediction target based on the second search result data related to the prediction target and the search target time being the future, and causing the computer to execute the information Processing program.
JP2013153944A 2013-07-24 2013-07-24 Information processing system, information processing apparatus, information processing method, and information processing program Active JP6170772B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013153944A JP6170772B2 (en) 2013-07-24 2013-07-24 Information processing system, information processing apparatus, information processing method, and information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013153944A JP6170772B2 (en) 2013-07-24 2013-07-24 Information processing system, information processing apparatus, information processing method, and information processing program

Publications (2)

Publication Number Publication Date
JP2015026136A true JP2015026136A (en) 2015-02-05
JP6170772B2 JP6170772B2 (en) 2017-07-26

Family

ID=52490773

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013153944A Active JP6170772B2 (en) 2013-07-24 2013-07-24 Information processing system, information processing apparatus, information processing method, and information processing program

Country Status (1)

Country Link
JP (1) JP6170772B2 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017010223A (en) * 2015-06-19 2017-01-12 ヤフー株式会社 Information processing device, information processing method and information processing program
JP2017174375A (en) * 2016-03-24 2017-09-28 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド Risk early warning method and apparatus
EP3514738A1 (en) 2018-01-23 2019-07-24 Toyota Jidosha Kabushiki Kaisha Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus
JP2020160960A (en) * 2019-03-27 2020-10-01 株式会社日立製作所 Movement support system and method

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178358A (en) * 2002-11-28 2004-06-24 Meidensha Corp Method and equipment for guarding and watching event
JP2010061321A (en) * 2008-09-03 2010-03-18 Railway Technical Res Inst Passenger flow prediction system
JP2010231557A (en) * 2009-03-27 2010-10-14 Toyota Motor Corp Traffic information providing system, information processing apparatus, and navigation apparatus
JP2011118110A (en) * 2009-12-02 2011-06-16 Zenrin Datacom Co Ltd Map display device, map display method, and map display program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178358A (en) * 2002-11-28 2004-06-24 Meidensha Corp Method and equipment for guarding and watching event
JP2010061321A (en) * 2008-09-03 2010-03-18 Railway Technical Res Inst Passenger flow prediction system
JP2010231557A (en) * 2009-03-27 2010-10-14 Toyota Motor Corp Traffic information providing system, information processing apparatus, and navigation apparatus
JP2011118110A (en) * 2009-12-02 2011-06-16 Zenrin Datacom Co Ltd Map display device, map display method, and map display program

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017010223A (en) * 2015-06-19 2017-01-12 ヤフー株式会社 Information processing device, information processing method and information processing program
JP2017174375A (en) * 2016-03-24 2017-09-28 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド Risk early warning method and apparatus
US9953517B2 (en) 2016-03-24 2018-04-24 Baidu Online Networks Technology (Beijing) Co., Ltd. Risk early warning method and apparatus
EP3514738A1 (en) 2018-01-23 2019-07-24 Toyota Jidosha Kabushiki Kaisha Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus
JP2019128730A (en) * 2018-01-23 2019-08-01 トヨタ自動車株式会社 Demand prediction device, forwarding plan generation device, user model generation device, and method
JP2020160960A (en) * 2019-03-27 2020-10-01 株式会社日立製作所 Movement support system and method

Also Published As

Publication number Publication date
JP6170772B2 (en) 2017-07-26

Similar Documents

Publication Publication Date Title
Chen et al. Nlpmm: A next location predictor with markov modeling
US10019671B2 (en) Learning mobility user choice and demand models from public transport fare collection data
JP6723721B2 (en) Trip re-ranking for trip planners
Zhang et al. Quantifying multi-modal public transit accessibility for large metropolitan areas: a time-dependent reliability modeling approach
Chen et al. Bus-arrival-time prediction models: Link-based and section-based
Fayyaz S et al. An efficient General Transit Feed Specification (GTFS) enabled algorithm for dynamic transit accessibility analysis
JP2015125775A (en) System and method for multi-task learning system for prediction of demand on system
Qian et al. Optimal dynamic pricing for morning commute parking
JP6171388B2 (en) Navigation system, navigation method, and navigation program
JP2017162450A (en) Smoothed dynamic modeling of user traveling preferences in public transportation system
US8713045B2 (en) Location-type tagging using collected traveler data
Chatterjee Modelling the dynamics of bus use in a changing travel environment using panel data
JP6170772B2 (en) Information processing system, information processing apparatus, information processing method, and information processing program
Huang et al. Travel time prediction using tree-based ensembles
Leung et al. Data mining on open public transit data for transportation analytics during pre-COVID-19 era and COVID-19 era
Hu et al. Behavioral responses to pre-planned road capacity reduction based on smartphone GPS trajectory data: A functional data analysis approach
Viegas de Lima et al. Modeling framework and implementation of activity-and agent-based simulation: an application to the Greater Boston Area
JP2016038741A (en) Movement state determination device, movement state determination method and program
Ford et al. Riding to wall street: determinants of commute time using citi bike
Liu et al. Mobility crowdsourcing: Toward zero-effort carpooling on individual smartphone
Li et al. Application of high-resolution trip trace stitching to evaluate traffic signal system changes
Huo et al. Measuring bus service reliability: An example of bus rapid transit in changzhou
JP6552169B2 (en) INFORMATION PROCESSING SYSTEM, INFORMATION PROCESSING APPARATUS, GUIDE INFORMATION OUTPUT SYSTEM, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM
Figliozzi et al. A study of bus high-resolution GPS speed data accuracy
JP2007265317A (en) Method and system for predicting the number of visitors

Legal Events

Date Code Title Description
RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20141105

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160531

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170314

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170510

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20170606

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20170703

R150 Certificate of patent or registration of utility model

Ref document number: 6170772

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250