JP2023005281A - Design plan generation system and method - Google Patents

Abstract

To provide a design plan generation system and a method capable of giving a user a high sense of satisfaction for a generated route.SOLUTION: A design plan generation system performs the steps of: classifying past design plans into one or more classes; learning, on the basis of performance data of the past design plans belonging to each classified class, class classification according to data characteristics; calculating, on the basis of the learning result, an evaluation item for each class and learning past design plans belonging to the class for each class; generating, on the basis of the calculated evaluation item for each class, the learning result of past design plan for each class, and various information necessary for drafting a new design plan, a new design plan for each class and calculating an evaluation item in the new design plan for each class; and displaying the generated new design plan and an evaluation item in the new design plan.SELECTED DRAWING: Figure 9

Description

本発明は設計計画生成システム及び方法に関し、例えば、インフラネットワークのルートを自動生成するルート生成装置に適用して好適なものである。 The present invention relates to a design plan generation system and method, and is suitable for application to, for example, a route generation device that automatically generates a route for an infrastructure network.

例えば、電力系統の送電ルートや通信ネットワークなどのインフラネットワークのルートを生成する場合、自然環境や社会環境などの各種制約条件を遵守した上で経済性を追求する必要がある。従来、このようなルートの生成の多くは手作業で行われている。このため、かかるルートの生成には多くの労力及びコストを要しており、計算機によるルートの自動生成技術の構築が望まれている。 For example, when generating power transmission routes for power systems and routes for infrastructure networks such as communication networks, it is necessary to pursue economic efficiency while complying with various constraints such as natural and social environments. Traditionally, much of the generation of such routes is done manually. Therefore, generation of such a route requires a lot of labor and cost, and construction of automatic route generation technology by a computer is desired.

一方、かかるルートの生成で考慮すべき制約条件や重要視すべき評価項目は、数が多く複雑であり、さらには各熟練者の経験や勘に基づく暗黙知（ノウハウ）となっている場合も多い。このような場合、計算機によるルート生成に必要となる正確な制約条件や評価項目の定義が困難となる。 On the other hand, the constraints to be considered and the evaluation items to be emphasized in the generation of such routes are numerous and complex, and may even be tacit knowledge (know-how) based on the experience and intuition of each expert. many. In such a case, it becomes difficult to define accurate constraint conditions and evaluation items required for route generation by a computer.

このような問題に対して、例えば特許文献１には、ロボットが動作する複数の動作点の間の動作経路を動作経路法アルゴリズムを用いて自動的に生成した仮動作経路と、該動作点の間の動作経路を熟練した作業者が作成した実動作経路とに基づいて教師データを作成し、作成した教師データを用いて仮動作経路及び実動作経路間の差異を学習した学習済みモデルを生成するようになされた自動経路生成装置が開示されている。また非特許文献１には、送電線ルートの選定を支援する送電線ルート選定支援システムの概要が開示されている。 To address such a problem, for example, Patent Document 1 discloses a provisional motion path that automatically generates a motion path between a plurality of motion points where a robot moves using a motion path method algorithm, and a motion path of the motion point. A trained model is created by learning the difference between the virtual motion path and the actual motion path using the created teacher data. An automatic route generator adapted to do so is disclosed. Non-Patent Document 1 discloses an outline of a power transmission line route selection support system that supports power transmission line route selection.

特開２０２０－１１３２８号公報Japanese Patent Application Laid-Open No. 2020-11328

“送電線ルート選定支援システムの開発 環境にやさしく・安い送電線ルートを求めて”、中部電力株式会社、[2021年6月14日検索]、インターネット〈URL: https://www.chuden.co.jp/resource/seicho_kaihatsu/kaihatsu/kai_library/news/news_2000/news_77_N07705.pdf〉“Development of Transmission Line Route Selection Support System Seeking Environmentally Friendly and Cheap Transmission Line Routes”, Chubu Electric Power Co., Inc. [Retrieved June 14, 2021], Internet <URL: https://www.chuden.co .jp/resource/seicho_kaihatsu/kaihatsu/kai_library/news/news_2000/news_77_N07705.pdf>

特許文献１に開示された従来技術によれば、熟練者が作成した実動作を学習してルート生成するため、熟練者の経験や勘に基づく暗黙知に適用したルート生成が可能となる。しかしながら、熟練者ごとに評価項目にばらつきが発生することを考慮していない。またルート生成における評価項目がブラックボックス化され、生成されたルートに納得感を得ることが難しい場合もある。 According to the conventional technology disclosed in Patent Literature 1, since a route is generated by learning actual actions created by an expert, it is possible to generate a route that is applied to the tacit knowledge based on the experience and intuition of the expert. However, it does not take into consideration the occurrence of variations in the evaluation items for each expert. In addition, evaluation items in route generation are black-boxed, and it may be difficult to obtain a sense of satisfaction with the generated route.

また非特許文献１に開示された従来技術においては、ルート生成においてアンケート調査により評価すべき項目を定量化することとしているが、アンケート調査のための労力を要し、集約して複数の暗黙知化された評価項目を算出することは難しい。 In the prior art disclosed in Non-Patent Document 1, the items to be evaluated are quantified by a questionnaire survey in route generation. It is difficult to calculate standardized evaluation items.

本発明は以上の点を考慮してなされたもので、熟練者ごとの評価項目を定量化し、評価項目に対応した熟練者相当の設計計画を自動生成することにより、高い納得感をユーザに与え得る設計計画生成システム及び方法を提案しようとするものである。 The present invention has been made in consideration of the above points. By quantifying the evaluation items for each expert and automatically generating a design plan corresponding to the expert corresponding to the evaluation items, the present invention gives the user a high sense of satisfaction. It is intended to propose a design plan generation system and method to obtain.

かかる課題を解決するため本発明においては、過去の設計計画に基づいて新たな設計計画を生成する設計計画生成システムにおいて、前記過去の設計計画、及び、当該過去の設計計画の立案に必要な各種情報を含む実績データに基づいて、前記過去の設計計画を１つ以上のクラスに分類する分類部と、前記分類部により分類された各前記クラスに属する前記過去の設計計画の前記実績データに基づいて、データ特性に応じたクラス分類をそれぞれ学習する特性学習部と、前記特性学習部の学習結果に基づいて、前記クラスごとに、前記実績データに含まれる前記各種情報のうちの重要視される情報をそれぞれ当該クラスの評価項目として算出する評価項目算出部と、前記クラスごとに、当該クラスに属する前記過去の設計計画を学習する設計計画学習部と、前記評価項目算出部により算出された前記クラスごとの前記評価項目と、前記設計計画部による前記クラスごとの前記過去の設計計画の学習結果と、前記新たな設計計画の立案に必要な各種情報とに基づいて前記新たな設計計画を前記クラスごとにそれぞれ生成すると共に、前記クラスごとの前記新たな設計計画における前記評価項目をそれぞれ算出する設計計画生成部と、前記設計計画生成部により生成された前記新たな設計計画及び当該新たな設計計画における前記評価項目を表示する結果表示部とを設けるようにした。 In order to solve such problems, in the present invention, in a design plan generation system for generating a new design plan based on a past design plan, the past design plan and various a classification unit that classifies the past design plans into one or more classes based on performance data containing information; and based on the performance data of the past design plans belonging to each of the classes classified by the classification unit. a characteristic learning unit that learns a class classification according to data characteristics; and based on the learning result of the characteristic learning unit, for each class, the various information included in the performance data is emphasized. an evaluation item calculation unit that calculates information as an evaluation item for each class; a design plan learning unit that learns, for each class, the past design plan belonging to the class; The new design plan is generated based on the evaluation items for each class, the learning result of the past design plan for each class by the design planning section, and various information necessary for drafting the new design plan. a design plan generation unit that generates each class and calculates the evaluation items in the new design plan for each class; and the new design plan generated by the design plan generation unit and the new design. A result display section for displaying the evaluation items in the plan is provided.

また本発明においては、過去の設計計画に基づいて新たな設計計画を生成する設計計画生成システムにおいて実行される設計計画生成方法であって、前記過去の設計計画、及び、当該過去の設計計画の立案に必要な各種情報を含む実績データに基づいて、前記過去の設計計画を１つ以上のクラスに分類する第１のステップと、分類した各前記クラスに属する前記過去の設計計画の前記実績データに基づいて、データ特性に応じたクラス分類をそれぞれ学習し、学習結果に基づいて、前記クラスごとに、前記実績データに含まれる前記各種情報のうちの重要視される情報をそれぞれ当該クラスの評価項目として算出すると共に、前記クラスごとに、当該クラスに属する前記過去の設計計画を学習する第２のステップと、算出した前記クラスごとの前記評価項目と、前記クラスごとの前記過去の設計計画の学習結果と、前記新たな設計計画の立案に必要な各種情報とに基づいて前記新たな設計計画を前記クラスごとにそれぞれ生成すると共に、前記クラスごとの前記新たな設計計画における前記評価項目をそれぞれ算出する第３のステップと、生成した前記新たな設計計画及び当該新たな設計計画における前記評価項目を表示する第４のステップとを設けるようにした。 Further, in the present invention, there is provided a design plan generation method executed in a design plan generation system for generating a new design plan based on a past design plan, wherein the past design plan and the past design plan A first step of classifying the past design plans into one or more classes based on actual data including various information necessary for planning; and the actual data of the past design plans belonging to each of the classified classes. class classification according to data characteristics is learned, and based on the learning result, important information among the various information included in the performance data is evaluated for each class. a second step of calculating as items and learning, for each class, the past design plan belonging to the class; the calculated evaluation items for each class; and the past design plans for each class. The new design plan is generated for each class based on the learning result and various information necessary for drafting the new design plan, and the evaluation items in the new design plan for each class are set. A third step of calculating and a fourth step of displaying the generated new design plan and the evaluation items in the new design plan are provided.

本発明の設計計画生成システム及び方法によれば、クラスごとの新たな設計計画が、それぞれどのような情報を評価項目として生成されたものであるかをユーザが容易に認識することができ、また評価項目の違いによる設計計画のばらつきもユーザが容易に確認することができる。 According to the design plan generation system and method of the present invention, a user can easily recognize what kind of information each new design plan for each class is generated as an evaluation item, and The user can easily check variations in design plans due to differences in evaluation items.

本発明によれば、生成したルートに対して高い納得感をユーザに与え得る設計計画生成システム及び方法を実現することができる。 According to the present invention, it is possible to realize a design plan generation system and method that can give the user a high degree of satisfaction with the generated route.

第１の実施の形態によるルート生成装置を示すブロック図である。1 is a block diagram showing a route generation device according to a first embodiment; FIG. 第１の実施の形態によるルート生成装置の学習フェーズに関する論理構成を示すブロック図である。4 is a block diagram showing a logical configuration regarding a learning phase of the route generation device according to the first embodiment; FIG. 第１の実施の形態によるルート生成装置の運用フェーズに関する論理構成を示すブロック図である。4 is a block diagram showing a logical configuration regarding an operation phase of the route generation device according to the first embodiment; FIG. ルート生成装置において学習フェーズで実行される処理の流れを示すフローチャートである。4 is a flow chart showing the flow of processing executed in the learning phase in the route generation device; データ特性分類部の処理内容の説明に供する概念図である。FIG. 4 is a conceptual diagram for explaining the processing contents of a data characteristic classification unit; 運用フェーズにおける入力データに対するクラスＩＤの付与の説明に供する概念図である。FIG. 4 is a conceptual diagram for explaining assignment of class IDs to input data in an operation phase; 評価項目算出部の処理内容の説明に供する概念図である。FIG. 4 is a conceptual diagram for explaining the processing contents of an evaluation item calculation unit; ルート候補生成部の処理内容の説明に供する概念図である。FIG. 4 is a conceptual diagram for explaining the processing contents of a route candidate generation unit; 第１の実施の形態による結果表示画面の構成例を示す図である。It is a figure which shows the structural example of the result display screen by 1st Embodiment. 第２の実施の形態によるルート生成装置を示すブロック図である。It is a block diagram which shows the route generation apparatus by 2nd Embodiment. 第２の実施の形態によるルート生成装置の学習フェーズに関する論理構成を示すブロック図である。FIG. 11 is a block diagram showing a logical configuration regarding a learning phase of the route generation device according to the second embodiment; データフィルタリング処理の説明に供する概念図である。FIG. 4 is a conceptual diagram for explaining data filtering processing; 第３の実施の形態によるルート生成装置を示すブロック図である。FIG. 12 is a block diagram showing a route generation device according to a third embodiment; FIG. 第３の実施の形態によるルート生成装置の学習フェーズ及び運用フェーズに関する論理構成を示すブロック図である。FIG. 11 is a block diagram showing a logical configuration regarding a learning phase and an operation phase of a route generation device according to a third embodiment; 第３の実施の形態による結果表示画面の構成例を示す図である。It is a figure which shows the structural example of the result display screen by 3rd Embodiment. 第４の実施の形態によるルート生成装置を示すブロック図である。FIG. 12 is a block diagram showing a route generation device according to a fourth embodiment; FIG. 第４の実施の形態によるルート生成装置の運用フェーズに関する論理構成を示すブロック図である。FIG. 11 is a block diagram showing a logical configuration regarding an operation phase of a route generation device according to a fourth embodiment; FIG. 最適化演算処理の処理手順を示すフローチャートである。4 is a flowchart showing a processing procedure of optimization arithmetic processing; 第５の実施の形態による教育システムの構成を示すブロック図である。FIG. 11 is a block diagram showing the configuration of an educational system according to a fifth embodiment; FIG. コンテンツ生成装置の構成を示すブロック図である。1 is a block diagram showing the configuration of a content generation device; FIG. トレーニング処理の処理手順を示すフローチャートである。4 is a flowchart showing a processing procedure of training processing; 端末装置に表示される各種画面の構成例を示す図である。4A and 4B are diagrams showing configuration examples of various screens displayed on the terminal device; FIG.

以下図面について、本発明の一実施の形態を詳述する。 One embodiment of the present invention will be described in detail below with reference to the drawings.

（１）第１の実施の形態
（１－１）本実施の形態によるルート生成装置の構成
図１において、１は全体として本実施の形態によるルート生成装置を示す。このルート生成装置１は、演算装置２、メモリ３、記憶装置４、入力装置５及び表示装置６を備えた汎用のコンピュータ装置から構成される。 (1) First Embodiment (1-1) Configuration of Route Generation Apparatus According to Present Embodiment In FIG. 1, 1 indicates a route generation apparatus according to this embodiment as a whole. This route generation device 1 is composed of a general-purpose computer device having an arithmetic device 2 , a memory 3 , a storage device 4 , an input device 5 and a display device 6 .

演算装置２は、ルート生成装置１全体の動作制御を司るプロセッサであり、ＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphic Processing Unit）などから構成される。なお、演算装置２をＣＰＵ及びＧＰＵで構成し、並列計算が可能なプログラムについてはＧＰＵが実行し、逐次計算が必要なプログラムについてはＣＰＵが実行するなど、プログラムごとの特性を活用してＣＰＵ及びＧＰＵを適宜切り替えながら使用するようにしてもよい。 The arithmetic device 2 is a processor that controls the operation of the route generation device 1 as a whole, and is composed of a CPU (Central Processing Unit), a GPU (Graphic Processing Unit), or the like. In addition, the arithmetic unit 2 is composed of a CPU and a GPU, and programs that can be parallelly calculated are executed by the GPU, and programs that require sequential calculation are executed by the CPU. GPUs may be used while being switched as appropriate.

メモリ３は、例えばＲＡＭ（Random Access Memory）などの半導体メモリから構成され、演算装置２のワーキングメモリとして利用される。後述のデータ特性分類プログラム１０、データ特性学習プログラム１１、評価項目算出プログラム１２、ルート学習プログラム１３、ルート候補生成プログラム１４及び結果表示プログラム１５は、必要時に記憶装置４から読み出されてこのメモリ３に格納されて保持される。メモリ３に読み出された各プログラムを演算装置２が実行することにより、後述のようなルート生成装置１全体としての各種処理が実行される。 The memory 3 is composed of a semiconductor memory such as a RAM (Random Access Memory), for example, and is used as a working memory of the arithmetic device 2 . A data characteristic classification program 10, a data characteristic learning program 11, an evaluation item calculation program 12, a route learning program 13, a route candidate generation program 14, and a result display program 15, which will be described later, are read from the storage device 4 when necessary and stored in the memory 3. stored and held in By executing each program read into the memory 3 by the arithmetic device 2, various processes are executed by the route generation device 1 as a whole, as will be described later.

記憶装置４は、例えばハードディスク装置やＳＳＤ（Solid State Drive）などの大容量の不揮発性の記憶装置から構成され、各種プログラムや長期間保存が必要なデータが格納される。後述の実績データベース２０、学習データベース２１、計画データベース２２、ルート候補データベース２３及びルート評価項目データベース２４もこの記憶装置４に格納されて保持される。 The storage device 4 is composed of a large-capacity non-volatile storage device such as a hard disk device or an SSD (Solid State Drive), and stores various programs and data that need to be stored for a long period of time. A performance database 20, a learning database 21, a plan database 22, a route candidate database 23, and a route evaluation item database 24, which will be described later, are also stored and held in the storage device 4. FIG.

入力装置５は、例えば、マウス、キーボード及び又はＵＳＢ（Universal Serial Bus）コネクタなどから構成され、ユーザがルート生成装置１に対して各種情報や命令を入力するために利用される。また表示装置６は、液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ、スマートグラス又はスマートゴーグルなどから構成され、各種情報や画面を表示するために利用される。なお、入力装置５及び表示装置６をそれぞれ設けるのではなく、これらが一体化したタッチパネルを用いるようにしてもよい。 The input device 5 is composed of, for example, a mouse, a keyboard, and/or a USB (Universal Serial Bus) connector, and is used by the user to input various information and commands to the route generation device 1 . The display device 6 is composed of a liquid crystal display, an organic EL (Electro-Luminescence) display, smart glasses, smart goggles, or the like, and is used to display various information and screens. A touch panel integrated with the input device 5 and the display device 6 may be used instead of providing the input device 5 and the display device 6 separately.

（１－２）本実施の形態によるルート生成機能
次に、本実施の形態のルート生成装置１に搭載されたルート生成機能について説明する。このルート生成機能は、過去に熟練者が生成したインフラネットワークのルートを学習し、学習結果に基づいて、新たに生成しようとするインフラネットワークのルートの候補（以下、これをルート候補と呼ぶ）を１つ以上生成し、生成した各ルート候補をユーザに提示する機能である。 (1-2) Route Generation Function According to this Embodiment Next, a route generation function installed in the route generation device 1 according to this embodiment will be described. This route generation function learns infrastructure network routes generated by experts in the past, and based on the learning results, generates new infrastructure network route candidates (hereinafter referred to as route candidates). It is a function that generates one or more route candidates and presents each of the generated route candidates to the user.

このようなルート生成機能に基づく一連の処理は、過去に熟練者が生成したインフラネットワークのルートを学習する学習フェーズと、学習結果に基づいて新たに生成しようとするインフラネットワークの１又は複数のルート候補を生成してユーザに提示する運用フェーズとから構成される。 A series of processes based on such a route generation function includes a learning phase in which the route of the infrastructure network generated by the expert in the past is learned, and one or more routes of the infrastructure network to be newly generated based on the learning result. and an operation phase in which candidates are generated and presented to the user.

図２は、かかる学習フェーズに関するルート生成装置１の論理構成を示し、図３は、運用フェーズに関するルート生成装置１の論理構成を示す。図中、データ特性分類部３０、データ特性学習部３１、評価項目算出部３２、ルート学習部３３、ルート候補生成部３４及び結果表示部３５は、それぞれルート生成装置１の図１について上述した演算装置２がメモリ３に読み出したデータ特性分類プログラム１０、データ特性学習プログラム１１、評価項目算出プログラム１２、ルート候補生成プログラム１４又は結果表示プログラム１５を実行することにより具現化される機能部である。 FIG. 2 shows the logical configuration of the route generation device 1 for the learning phase, and FIG. 3 shows the logical configuration of the route generation device 1 for the operation phase. In the figure, a data characteristic classification unit 30, a data characteristic learning unit 31, an evaluation item calculation unit 32, a route learning unit 33, a route candidate generation unit 34, and a result display unit 35 each perform the calculations described above with respect to FIG. It is a functional part realized by executing the data characteristic classification program 10, the data characteristic learning program 11, the evaluation item calculation program 12, the route candidate generation program 14, or the result display program 15 read by the device 2 into the memory 3.

図２において、実績データベース２０は、過去に熟練者が生成したインフラネットワークの各ルートと、これらのルートの立案に必要な各種情報とが実績データＤ１として予め格納されたデータベースである。実績データＤ１は、例えば、電力系統の送電ルートや、通信ネットワークのルート、交通網、渡航経路などのインフラネットワークのルートを生成する際に必要な情報である。 In FIG. 2, the performance database 20 is a database in which each route of the infrastructure network created by an expert in the past and various information necessary for planning these routes are stored in advance as performance data D1. The performance data D1 is, for example, information necessary for generating a power transmission route of an electric power system, a route of a communication network, a traffic network, and a route of an infrastructure network such as a travel route.

具体的には、インフラネットワークのルートが電力系統の送電ルートの場合、地形図、ルートや鉄塔の配置座標、建造物の位置座標、建造物の密度、建造物の開発計画、池や湖や川の位置座標、洪水ハザードマップ、生態系の生息マップ、地価、土地の利用可否、等高線、ボーリング調査結果、森林密度、風況、建設コスト及び工期などのデータ項目の情報が実績データＤ１に含まれる。 Specifically, when the route of the infrastructure network is the power transmission route of the power system, topographic maps, coordinates of routes and towers, location coordinates of buildings, density of buildings, development plans of buildings, ponds, lakes and rivers location coordinates, flood hazard map, ecosystem habitat map, land price, land availability, contour lines, boring survey results, forest density, wind conditions, construction cost, construction period, etc. are included in the actual data D1. .

またインフラネットワークのルートが交通網の場合、以上のようなデータ項目に加えて、駅、線路及び道路の位置座標や、適用したトンネル工法によるコストなどのデータ項目の情報も実績データＤ１に含まれる。さらにインフラネットワークのルートが渡航経路の場合には、空港の位置座標や空港の滑走路の距離、天気図、及び、数時間先の風況及び天候などのデータ項目の情報も実績データＤ１に含まれる。なお、以上のような各データ項目を組み合わせて新たなデータ項目を作成することも可能である。 When the route of the infrastructure network is a transportation network, in addition to the data items described above, the actual data D1 also includes information on data items such as the coordinates of stations, railroad tracks, and roads, and the cost of the applied tunnel construction method. . Furthermore, when the route of the infrastructure network is a travel route, the actual data D1 also includes information on data items such as the positional coordinates of the airport, the distance of the airport runway, the weather map, and the wind conditions and weather several hours ahead. be It is also possible to create a new data item by combining each data item as described above.

データ特性分類部３０は、実績データベース２０に格納された実績データＤ１に対して、類似した実績データ同士を集めた１つ以上のクラスに分類するクラスタリング処理を実行し、分類先のクラスの識別子（クラスＩＤ）を各実績データＤ１にそれぞれ紐付ける機能を有する。この際、類似か否かを判定する際に利用するデータ項目は、上述した各種データ項目から任意のデータ項目の組合せを選択することが可能である。 The data characteristic classification unit 30 performs a clustering process for classifying the performance data D1 stored in the performance database 20 into one or more classes in which similar performance data are collected, and identifies the classification destination class identifier ( class ID) to each performance data D1. At this time, it is possible to select an arbitrary combination of data items from the various data items described above as the data items used when determining whether or not there is similarity.

なお、クラスタリングとは、データ間の類似度を元にデータを分類する手法であり、例えば、k-means法やＤＢＳＣＡＮ（Density-Based Spatial Clustering of Applications with Noise）法、ＵＭＡＰ（Uniform Manifold Approximation and Projection）法又はＫＮＮ（K-Nearest Neighbor）法などを利用することができる。データ特性分類部３０は、上述のようにして紐付けた実績データＤ１ごとのクラスＩＤをデータ特性学習部３１及びルート学習部３３に出力する。 Note that clustering is a method of classifying data based on the degree of similarity between data. ) method or KNN (K-Nearest Neighbor) method can be used. The data characteristic classification unit 30 outputs the class ID for each performance data D1 linked as described above to the data characteristic learning unit 31 and the route learning unit 33 .

データ特性学習部３１は、データ特性分類部３０から与えられた実績データＤ１ごとのクラスＩＤを教師データとして、クラスごとの実績データＤ１のデータ特性（各データ項目の値や、各データ項目の値の組合せなど）に応じたクラス分類をそれぞれ学習し、学習結果を評価項目算出部３２に出力する機能を有する。このときの学習方法としては、例えばランダムフォレスト又はサポートベクタマシンなどの機械学習法や、ＭＬＰ（MultiLayer Perceptron）又はＣＮＮ（Convolutional Neural Network）などの深層学習法を利用することができる。 The data characteristic learning unit 31 uses the class ID for each actual data D1 given from the data characteristic classification unit 30 as teacher data, and uses the data characteristic (value of each data item, value of each data item, etc.) of the actual data D1 for each class. , etc.) and outputs the learning result to the evaluation item calculation unit 32 . As a learning method at this time, for example, a machine learning method such as random forest or support vector machine, or a deep learning method such as MLP (MultiLayer Perceptron) or CNN (Convolutional Neural Network) can be used.

評価項目算出部３２は、データ特性学習部３１から与えられた学習結果を利用して、ＸＡＩ（eXplainable Artificial Intelligence）などの手法を用いて、クラスごとに、そのクラスでルートを生成する際に重要視された１又は複数のデータ項目（以下、これらを評価項目と呼ぶ）と、これらの評価項目の重要度の比率とをそれぞれ算出する機能を有する。評価項目算出部３２は、算出したこれらの評価項目及びこれら評価項目の重要度の比率を学習データベース２１に格納する。 The evaluation item calculation unit 32 utilizes the learning results given from the data characteristic learning unit 31 and uses a technique such as XAI (eXplainable Artificial Intelligence) to generate a route for each class. It has a function of calculating one or a plurality of data items viewed (hereinafter referred to as evaluation items) and the ratio of importance of these evaluation items. The evaluation item calculation unit 32 stores these calculated evaluation items and the importance ratios of these evaluation items in the learning database 21 .

ここでＸＡＩとは、学習結果の特徴を表示することができる手法であり、学習結果に説明性を付与する手法として学習過程で説明性を算出するものが含まれる。例えば、学習結果に説明性を付与するものであれば、ＳＨＡＰ（SHapley Additive exPlanations）やＧｒａｄ－ＣＡＭ（Gradient-weighted Class Activation Mapping）といった公知の特徴量重要度を算出する手法を利用することができる。また学習過程で説明性を算出するものであれば、データ特性分類部３０及びデータ特性学習部３１を１つの機能部として扱い、分類及び特徴を同時に算出するようにしてもよい。このような算出手法として、ランダムフォレストなどの決定木をベースとした手法を利用することができる。 Here, XAI is a technique that can display the characteristics of the learning result, and includes a technique that calculates explainability in the learning process as a technique for giving explanation to the learning result. For example, if the learning result is descriptive, it is possible to use a known feature value calculation method such as SHAP (SHApley Additive exPlanations) or Grad-CAM (Gradient-weighted Class Activation Mapping). . If the explanation is calculated in the learning process, the data characteristic classifying section 30 and the data characteristic learning section 31 may be treated as one functional section, and classification and characteristics may be calculated at the same time. As such a calculation method, a method based on a decision tree such as a random forest can be used.

一方、ルート学習部３３は、実績データベース２０に格納されている各実績データＤ１をデータ特性分類部３０を介して取得すると共に、データ特性分類部３０から与えられた実績データごとのクラスＩＤに基づいて、取得した各実績データＤ１をクラスごとに分け、クラスごとの実績データＤ１のルートを教師データとしてクラスごとのルートをそれぞれ学習する機能を有する。このときの学習法としては、ランダムフォレストやサポートベクタマシンなどの機械学習法や、ＭＬＰ又はＣＮＮを用いた深層学習法を利用することができる。また学習のアルゴリズムとして、回帰アルゴリズムや分類アルゴリズムを利用することができる。ルート学習部３３は、かかる学習により得られたクラスごとの学習モデル（以下、これをルート学習モデルと呼ぶ）を学習データベース２１に格納する。 On the other hand, the route learning unit 33 acquires each performance data D1 stored in the performance database 20 via the data characteristics classification unit 30, and based on the class ID for each performance data given from the data characteristics classification unit 30, It has a function of classifying the obtained performance data D1 by class and learning the route of each class using the route of the performance data D1 of each class as teacher data. As a learning method at this time, a machine learning method such as random forest or support vector machine, or a deep learning method using MLP or CNN can be used. A regression algorithm or a classification algorithm can be used as a learning algorithm. The route learning unit 33 stores a learning model for each class obtained by such learning (hereinafter referred to as a route learning model) in the learning database 21 .

図４は、学習フェーズにおけるルート生成装置１内での処理の流れを示す。ルート生成装置１では、入力装置５（図１）が操作されて、過去に熟練者により生成されたルートを学習すべき旨の指示がユーザから与えられるとこの図４に示す処理が開始され、まず、データ特性分類部３０が、実績データベース２０に登録されている各実績データＤ１に対して、例えば正規化や、欠損値の補填などの前処理を実行する（Ｓ１）。 FIG. 4 shows the flow of processing within the route generation device 1 in the learning phase. In the route generation device 1, when the input device 5 (FIG. 1) is operated and the user gives an instruction to learn a route generated by an expert in the past, the processing shown in FIG. 4 is started. First, the data characteristic classification unit 30 performs preprocessing such as normalization and filling of missing values for each record data D1 registered in the record database 20 (S1).

またデータ特性分類部３０は、ステップＳ１でデータ前処理を施した各実績データＤ１を、図５のように複数のクラスに分類するクラスタリング処理を実行する（Ｓ２）。なお、図５では、クラス数を「３」とした場合の例を示しているが、クラス数を３以外の数としてもよい。またＤＢＳＣＡＮのようにクラス数を事前決定しない場合には、アルゴリズムに応じてクラス数が決定されてもよい。このようなクラスタリング処理により各実績データＤ１に対してクラスＩＤを紐付けることが可能となる。このように紐付けされたクラスタＩＤは、熟練者による知見のばらつきをデータとして表したものであり、このステップＳ２から後述するステップＳ６までの処理により熟練者の知見のばらつきを数理表現することが可能となる。 The data characteristic classification unit 30 also performs a clustering process of classifying each performance data D1, which has undergone data preprocessing in step S1, into a plurality of classes as shown in FIG. 5 (S2). Although FIG. 5 shows an example in which the number of classes is "3", the number of classes may be any number other than three. Also, when the number of classes is not determined in advance like DBSCAN, the number of classes may be determined according to the algorithm. By such clustering processing, it becomes possible to associate a class ID with each performance data D1. The cluster IDs linked in this manner represent the variation in the knowledge of the expert as data, and the process from step S2 to step S6 described later can mathematically express the variation in the knowledge of the expert. It becomes possible.

続いて、データ特性学習部３１が、ステップＳ２のクラスタリング処理によって分類された実績データＤ１の各クラスのクラスＩＤを教師データとして、分類アルゴリズムを利用した実績データＤ１のクラス分類を機械学習する（Ｓ３）。このような機械学習により得られた学習モデル（以下、これをクラス分類学習モデルと呼ぶ）を利用することにより、図６に示すように、運用フェーズに入力される未知の入力データに対して適切なクラスＩＤを付与する（未知の入力データを適切なクラスに振り分ける）ことができる。このように分類機能をクラス分類学習モデルとして確立させることにより、特徴量重要度の算出が容易となる。 Subsequently, the data characteristic learning unit 31 uses the class ID of each class of the performance data D1 classified by the clustering process of step S2 as training data, and machine-learns the class classification of the performance data D1 using a classification algorithm (S3 ). By using a learning model obtained by such machine learning (hereinafter referred to as a class classification learning model), as shown in FIG. class ID can be given (unknown input data can be assigned to an appropriate class). By establishing the classification function as a class classification learning model in this way, it becomes easy to calculate the feature value importance.

次いで、評価項目算出部３２が、ステップＳ３で得られたクラス分類学習モデルを活用し、ＸＡＩの手法を用いて、図７のようにクラスごとのそのクラスに属する各実績データＤ１のルートを生成したときの各評価項目と、これら評価項目の重要度の比率とをそれぞれ算出する（Ｓ４）。例えば、インフラネットワークのルート生成において、ルートの長さ、建設コスト及び工期などの評価項目がある場合、それぞれのクラスでこれら評価項目の重要度の比率を算出する。このようにすることにより、クラスごとに、重要視する各評価項目の重要度を定量化することができる。なお、図７は、クラスごとに各評価項目の重要度の比率を棒グラフの長さとして表したものである。 Next, the evaluation item calculation unit 32 utilizes the class classification learning model obtained in step S3, and uses the XAI method to generate the route of each performance data D1 belonging to each class for each class as shown in FIG. Then, each evaluation item and the importance ratio of these evaluation items are calculated (S4). For example, in route generation of an infrastructure network, if there are evaluation items such as route length, construction cost, construction period, etc., the importance ratio of these evaluation items is calculated for each class. By doing so, it is possible to quantify the importance of each important evaluation item for each class. In addition, FIG. 7 shows the ratio of the degree of importance of each evaluation item for each class as the length of the bar graph.

そして、評価項目算出部３２は、このとき算出したクラスごとの各評価項、及び、各クラスにおけるこれら評価項目の重要度の比率を学習データベース２１に格納する（Ｓ６）。 Then, the evaluation item calculation unit 32 stores each evaluation item for each class calculated at this time and the importance ratio of these evaluation items in each class in the learning database 21 (S6).

一方、これらデータ特性学習部３１及び評価項目算出部３２の処理と並行して、ルート学習部３３が、クラスごとにそのクラスに属する各実績データＤ１を教師データとして、実績データＤ１に含まれる各評価項目の値に応じて選定されたルートを機械学習する（Ｓ５）。このようにクラスごとの学習を行うことにより、クラスごとのそのクラスの特徴を反映したルート学習モデルを生成することができる。 On the other hand, in parallel with the processing of the data characteristic learning unit 31 and the evaluation item calculation unit 32, the route learning unit 33 uses the performance data D1 belonging to each class as teacher data, The route selected according to the value of the evaluation item is machine-learned (S5). By performing learning for each class in this way, it is possible to generate a root learning model that reflects the characteristics of each class.

そしてルート学習部３３は、このようにして生成したクラスごとのルート学習モデルを、対応するクラスの評価項目及びこれら評価項目の重要度の比率と関連付けて学習データベース２１に登録する（Ｓ６）。 Then, the route learning unit 33 associates the thus generated route learning model for each class with the evaluation items of the corresponding class and the importance ratio of these evaluation items, and registers them in the learning database 21 (S6).

なお、学習データベース２１に登録された上述の各情報がユーザが想定するものと乖離している場合には、新たな評価項目を導入した上で上述のステップＳ１～ステップＳ６の処理を再度実行すべき旨の指示をルート生成装置１に与えることにより、ルート生成装置１に再学習を実行させることができる（Ｓ７：ＮＯ）。例えば、クラスタ数が想定よりも多い、評価項目の項目が細分化され過ぎているなど、ユーザが不満を持つ場合である。このようにすることによって、よりユーザの感覚に合わせた学習をルート生成装置１に行わせることができる。特にインフラ分野など、最終決定権が人に属するルート生成問題である場合、このようなフィードバック機能により、ルート生成装置１の利便性を向上させることができる。 If the above information registered in the learning database 21 deviates from what the user expects, a new evaluation item is introduced and the above steps S1 to S6 are executed again. By giving the route generation device 1 an instruction to the effect that it should be learned, the route generation device 1 can be caused to re-learn (S7: NO). For example, the user is dissatisfied that the number of clusters is larger than expected, or that the evaluation items are too subdivided. By doing so, it is possible to cause the route generation device 1 to perform learning more suited to the user's senses. Particularly in the field of infrastructure, where the final decision-making power belongs to a person, such a feedback function can improve the convenience of the route generation device 1 .

入力装置５を介して再学習すべき旨の指示がユーザからルート生成装置１に与えられた場合（Ｓ７：ＹＥＳ）、ルート生成装置１における処理がステップＳ１に戻り、この後、ステップＳ１～ステップＳ６の処理が上述と同様に実行される。そして、やがてユーザが納得する結果が得られると（Ｓ７：ＮＯ）、この一連の処理（学習フェーズ）が終了する。 When the user gives an instruction to relearn via the input device 5 to the route generation device 1 (S7: YES), the processing in the route generation device 1 returns to step S1, and then steps S1 to step The processing of S6 is executed in the same manner as described above. Then, when a result satisfying the user is eventually obtained (S7: NO), this series of processing (learning phase) ends.

なお、ステップＳ１～ステップＳ６を繰り返し実行した場合には、データ特性分類部３０により算出されたクラス分類学習モデルと、繰返し処理ごとにデータ特性学習部３１により算出された各クラスの評価項目及びこれら評価項目の重要度の比率と、ルート学習部により算出されたクラスごとのルートのルート学習モデルとをすべて学習データベース２１に保存しておくようにしてもよい。 Note that when steps S1 to S6 are repeatedly executed, the class classification learning model calculated by the data characteristics classification unit 30, the evaluation items of each class calculated by the data characteristics learning unit 31 for each iteration process, and these The ratio of importance of the evaluation items and the route learning model of the route for each class calculated by the route learning unit may all be stored in the learning database 21 .

他方、図３において、計画データベース２２は、新たに計画しているインフラネットワークのルートに関する計画データＤ２が格納されたデータベースである。計画データＤ２には、計画しているルートの始点及び終点の座標と、図２について上述した実績データＤ１の各データ項目と同様の各データ項目の情報とが含まれる。 On the other hand, in FIG. 3, the plan database 22 is a database in which plan data D2 relating to a newly planned infrastructure network route is stored. The plan data D2 includes the coordinates of the start point and end point of the planned route, and the information of each data item similar to each data item of the actual data D1 described above with reference to FIG.

ルート候補生成部３４は、計画データベース２２に格納されている計画データＤ２に基づき、学習データベース２１に格納されている各クラスにおける評価項目及び各クラスにおけるこれら評価項目の重要度の比率と、学習データベース２１に格納されているクラスごとのルート学習モデルとを用いて、図８のように計画データＤ２における始点から終点までのルートをクラスごとにそれぞれ生成する機能を有する。 Based on the plan data D2 stored in the plan database 22, the route candidate generation unit 34 calculates the evaluation items in each class stored in the learning database 21, the importance ratio of these evaluation items in each class, and the learning database 21, a route from the start point to the end point in the plan data D2 is generated for each class as shown in FIG.

具体的に、ルート候補生成部３４は、かかる計画データＤ２を各クラスのルート学習モデルにそれぞれ入力することにより、計画データＤ２に応じたルートをクラスごとにそれぞれ生成し、生成したクラスごとのルートをそれぞれルート候補としてルート候補データベース２３に格納する。 Specifically, the route candidate generation unit 34 inputs the plan data D2 to the route learning model of each class, thereby generating routes corresponding to the plan data D2 for each class, and generating routes for each class. are stored in the route candidate database 23 as route candidates.

またルート候補生成部３４は、ルート候補ごと（クラスごと）の各評価項目及びこれら評価項目の重要度の比率を学習データベース２１から読み出し、これら読み出したルート候補ごとの各評価項目及びこれら評価項目の重要度の比率を対応するルート候補と対応付けてルート評価項目データベース２４に格納する。 The route candidate generation unit 34 also reads each evaluation item for each route candidate (for each class) and the importance ratio of these evaluation items from the learning database 21, The importance ratio is stored in the route evaluation item database 24 in association with the corresponding route candidate.

結果表示部３５は、ルート候補データベース２３に格納されたクラスごとのルート候補と、ルート評価項目データベース２４に格納されたルート候補ごとの評価項目及びこれらの重要度の比率とを所定形式で掲載した結果表示画面を生成する機能を有する。結果表示部３５は、生成した結果表示画面を表示装置に表示させる。 The result display unit 35 displays route candidates for each class stored in the route candidate database 23, evaluation items for each route candidate stored in the route evaluation item database 24, and their importance ratios in a predetermined format. It has a function to generate a result display screen. The result display unit 35 causes the display device to display the generated result display screen.

なお、かかる結果表示画面の構成例を図９に示す。この結果表示画面４０は、ルート候補生成部３４により生成されたルート候補にそれぞれ対応させた（つまり各クラスにそれぞれ対応させた）ルート候補情報表示領域４１を備えて構成される。そして各ルート候補情報表示領域４１には、それぞれ対応するルート候補の始点から終点までの経路を概念的に表す経路図４２と、そのルート候補に対応するクラスにおける各評価項目の重要度の比率を棒グラフの長さで表したグラフ４３とがそれぞれ表示される。 A configuration example of such a result display screen is shown in FIG. The result display screen 40 includes a route candidate information display area 41 corresponding to each route candidate generated by the route candidate generating unit 34 (that is, corresponding to each class). In each route candidate information display area 41, a route diagram 42 conceptually showing the route from the start point to the end point of the corresponding route candidate, and the importance ratio of each evaluation item in the class corresponding to the route candidate are displayed. A graph 43 represented by the length of the bar graph is displayed.

（１－３）本実施の形態の効果
以上のように本実施の形態のルート生成装置１では、過去に熟練者が生成したインフラネットワークのルートを学習し、学習結果に基づいて新たなインフラネットワークのルート候補を１つ以上生成し、生成した各ルート候補を、そのルート候補に対応するクラスにおいて重要視された各評価項目の重要度の比率と共にユーザに提示する。 (1-3) Effect of this embodiment As described above, the route generation device 1 of this embodiment learns the route of the infrastructure network generated by the expert in the past, and generates a new infrastructure network based on the learning result. are generated, and each of the generated route candidates is presented to the user together with the importance ratio of each evaluation item considered important in the class corresponding to the route candidate.

これにより本ルート生成装置１によれば、各ルート候補が、どのデータ項目を評価項目として重要視され、これらの評価項目がどの程度の重要度の比率で考慮されて生成されたのかをユーザが容易に認識することができ、また評価項目の違いによるルートのばらつきもユーザが容易に確認することができる。 As a result, according to the route generation device 1, the user can determine which data items are regarded as important evaluation items for each route candidate, and the degree of importance ratio of these evaluation items. This makes it possible for the user to easily recognize variations in routes due to differences in evaluation items.

よって、本実施の形態によれば、ユーザが複数のルート候補の中から評価項目を考慮した上で新たなインフラネットワークのルートとして実際に適用するルート候補を選定することができ、かくして生成したルートに対して高い納得感をユーザに与え得るルート生成装置を実現することができる。 Therefore, according to the present embodiment, the user can select a route candidate that is actually applied as a route of a new infrastructure network after considering evaluation items from among a plurality of route candidates. It is possible to realize a route generation device that can give the user a high degree of satisfaction with respect to.

（２）第２の実施の形態
図１との対応部分に同一符号を付して示す図１０は第２の実施の形態によるルート生成装置５０を示す。このルート生成装置５０は、メモリ３にデータフィルタリングプログラム５１が追加的に格納されている点を除いて第１の実施の形態によるルート生成装置１と同様に構成されている。 (2) Second Embodiment FIG. 10, in which parts corresponding to those in FIG. 1 are denoted by the same reference numerals, shows a route generation device 50 according to a second embodiment. This route generation device 50 is configured in the same manner as the route generation device 1 according to the first embodiment except that a data filtering program 51 is additionally stored in the memory 3 .

図２との対応部分に同一符号を付した図１１は、学習フェーズに関する本実施の形態によるルート生成装置５０の論理構成を示す。図中のデータフィルタリング部５２は、ルート生成装置５０の演算装置２（図１０）がメモリ３（図１０）に格納された上述のデータフィルタリングプログラム５１（図１０）を実行することにより具現化される機能部である。 FIG. 11, in which parts corresponding to those in FIG. 2 are given the same reference numerals, shows the logical configuration of the route generation device 50 according to the present embodiment regarding the learning phase. The data filtering unit 52 in the figure is embodied by executing the data filtering program 51 (FIG. 10) stored in the memory 3 (FIG. 10) by the arithmetic device 2 (FIG. 10) of the route generation device 50. It is a functional part that

データフィルタリング部５２は、実績データベース２０に格納されている実績データＤ１の中から予めユーザにより指定された条件を満たすバッドデータを特定し、特定したバッドデータ以外の実績データＤ１を実績データベース２０から読み出してデータ特性分類部３０に出力する機能を有する。 The data filtering unit 52 identifies bad data that satisfies a condition specified in advance by the user from among the performance data D1 stored in the performance database 20, and reads the performance data D1 other than the specified bad data from the performance database 20. and output to the data characteristic classification unit 30.

ここでバッドデータとは、学習に利用すべきでない実績データＤ１を指す。例えば、インフラネットワークのルートの設計では、年度によって法令や基準が変化する可能性がある。また実績データＤ１を取得した期間によっては、地盤や気象などのデータが経年により値が変化する可能性もある。そして、このような実績データＤ１を利用して実績データＤ１のクラスタリングを行うと、各クラスにそれぞれ振り分けられた実績データＤ１の特性が現状と不一致となり、運用フェーズにおいて適切な結果が得られない可能性が高い。 Here, bad data refers to performance data D1 that should not be used for learning. For example, in infrastructure network route design, laws and regulations may change from year to year. Also, depending on the period during which the performance data D1 was acquired, there is a possibility that the values of data such as ground and weather data will change over time. If the performance data D1 is clustered using such performance data D1, the characteristics of the performance data D1 assigned to each class will be inconsistent with the current situation, and appropriate results may not be obtained in the operation phase. highly sexual.

そこで本実施の形態のルート生成装置５０では、ユーザが図示しない所定画面を用いて期間などのバットデータの条件を指定することで、データフィルタリング部５２が、実績データベース２０に格納されている実績データＤ１の中からユーザにより指定された条件を満たす実績データＤ１以外の実績データＤ１を選択的にデータ特性分類部３０に出力するようになされている。 Therefore, in the route generating device 50 of the present embodiment, the data filtering unit 52 uses a predetermined screen (not shown) to specify bat data conditions, such as a period, so that the data filtering unit 52 The performance data D1 other than the performance data D1 satisfying the conditions designated by the user are selectively output to the data characteristic classification unit 30 from among the data D1.

図１２は、このようなデータフィルタリング部５２によるデータフィルタリング処理の様子を示す。実績データベース２０には、図１２の上段に示すように、過去に生成されたインフラネットワークのルートにそれぞれ対応する実績データＤ１が格納されているが（●が個々の実績データＤ１に相当）、データフィルタリング部５２は、図１２の中段に示すように、これらの実績データＤ１の中からユーザにより指定された条件を満たす実績データＤ１を特定する（×が条件を満たす実績データＤ１に相当）。またデータフィルタリング部５２は、図１２の下段に示すように、特定した実績データＤ１以外の実績データＤ１を選択的にデータ特性分類部３０に出力する。かくして、データ特性分類部３０は、データフィルタリング部５２から与えられた実績データＤ１のみを利用して第１の実施の形態と同様にしてこれら実績データＤ１のクラスタリングを実行する。 FIG. 12 shows how data filtering is performed by the data filtering unit 52 as described above. As shown in the upper part of FIG. 12, the performance database 20 stores performance data D1 corresponding to the routes of the infrastructure network generated in the past (● corresponds to individual performance data D1). As shown in the middle part of FIG. 12, the filtering unit 52 identifies the performance data D1 that satisfies the conditions specified by the user from among these performance data D1 (the x corresponds to the performance data D1 that satisfies the conditions). The data filtering unit 52 also selectively outputs the performance data D1 other than the specified performance data D1 to the data characteristic classification unit 30, as shown in the lower part of FIG. Thus, the data characteristic classification unit 30 utilizes only the performance data D1 given from the data filtering unit 52 to perform clustering of these performance data D1 in the same manner as in the first embodiment.

なお本実施の形態のルート生成装置５０において、学習フェーズにおけるデータ特性分類部３０以降の各処理の内容と、運用フェーズにおける全処理の内容とは第１の実施の形態と同様であるため、ここでの説明は省略する。 In the route generation device 50 of the present embodiment, the contents of each process after the data characteristic classification unit 30 in the learning phase and the contents of all the processes in the operation phase are the same as in the first embodiment. description is omitted.

以上のように本実施の形態のルート生成装置５０では、実績データベース２０に格納されている実績データＤ１の中からユーザにより指定された条件を満たすバットデータを除外した上で実績データＤ１のクラスタリングを実行するため、クラスタリング結果として適切な結果を得ることができる。 As described above, the route generation device 50 of the present embodiment clusters the performance data D1 after excluding the bat data satisfying the conditions specified by the user from the performance data D1 stored in the performance database 20 . Since it is executed, an appropriate result can be obtained as a clustering result.

かくして本ルート生成装置５０によれば、第１の実施の形態のルート生成装置１により得られる効果に加えて、運用フェーズにおいてより信頼性の高いルート候補をユーザに提供し得るという格別な効果をも得ることができる。 Thus, according to the route generation device 50, in addition to the effects obtained by the route generation device 1 of the first embodiment, there is a special effect of being able to provide the user with more reliable route candidates in the operation phase. can also be obtained.

（３）第３の実施の形態
図１との対応部分に同一符号を付して示す図１３は、第３の実施の形態によるルート生成装置６０を示す。このルート生成装置６０は、メモリ３に結果評価取得プログラム６２が追加的に格納されている点と、表示装置６に表示される結果表示画面の画面構成が図９について上述した結果表示画面４０の画面構成と異なる点と、かかる結果表示画面を用いて入力された各ルート候補に対するユーザの評価結果に基づいて学習フェーズの処理を再実行する点とを除いて第１の実施の形態によるルート生成装置１と同様に構成されている。 (3) Third Embodiment FIG. 13, in which parts corresponding to those in FIG. 1 are denoted by the same reference numerals, shows a route generation device 60 according to a third embodiment. In this route generation device 60, a result evaluation acquisition program 62 is additionally stored in the memory 3, and the screen configuration of the result display screen displayed on the display device 6 is different from that of the result display screen 40 described above with reference to FIG. Route generation according to the first embodiment, except for the difference from the screen configuration and the re-execution of the learning phase process based on the user's evaluation results for each route candidate input using the result display screen. It is constructed in the same manner as the device 1 .

図２及び図３との対応部分に同一符号を付した図１４は、学習フェーズ及び運用フェーズに関する本実施の形態によるルート生成装置６０の論理構成を示す。図中の結果表示部６３及び結果評価取得部６４は、それぞれルート生成装置６０の演算装置２（図１３）がメモリ３（図１３）に格納された上述の結果表示プログラム６１又は結果評価取得プログラム６２を実行することにより具現化される機能部である。 FIG. 14, in which parts corresponding to those in FIGS. 2 and 3 are denoted by the same reference numerals, shows the logical configuration of the route generation device 60 according to this embodiment regarding the learning phase and the operation phase. The result display unit 63 and the result evaluation acquisition unit 64 in the figure are the result display program 61 or the result evaluation acquisition program stored in the memory 3 (FIG. 13) by the arithmetic device 2 (FIG. 13) of the route generation device 60, respectively. 62 is a functional unit that is embodied by executing .

結果表示部６３は、第１の実施の形態の結果表示部３５（図３）と同様に、ルート候補データベース２３に格納されたクラスごとのルート候補と、ルート評価項目データベース２４に格納されたルート候補ごとの評価項目及びその重要度の比率とを表示装置６（図１３）に表示する機能を有する。 Similar to the result display unit 35 (FIG. 3) of the first embodiment, the result display unit 63 displays route candidates for each class stored in the route candidate database 23 and routes stored in the route evaluation item database 24. It has a function of displaying evaluation items for each candidate and their importance ratios on the display device 6 (FIG. 13).

図９との対応部分に同一符号を付した図１５は、本実施の形態の結果表示部６３が表示装置６に表示する結果表示画面７０の構成例を示す。この結果表示画面７０は、第１の実施の形態の結果表示画面４０（図９）と同様に、ルート候補生成部３４により生成されたルート候補にそれぞれ対応させたルート候補情報表示領域４１を備えて構成される。 FIG. 15, in which parts corresponding to those in FIG. 9 are assigned the same reference numerals, shows a configuration example of a result display screen 70 displayed on the display device 6 by the result display section 63 of the present embodiment. As with the result display screen 40 (FIG. 9) of the first embodiment, the result display screen 70 includes route candidate information display areas 41 each corresponding to a route candidate generated by the route candidate generation unit 34. consists of

各ルート候補情報表示領域４１には、それぞれ図９について上述した経路図４２及びグラフ４３に加えて、プルダウンメニューボタン７１及び評価項目設定表７２がそれぞれ表示される。そして結果表示画面７０では、ルート候補情報表示領域４１に表示された経路図４２により示されたルート候補が適当であるか又は不適当であるかを同じルート候補情報表示領域４１内のプルダウンメニューボタン７１をクリックすることにより表示されるルート評価設定プルダウンメニュー７３を用いてユーザが評価することができ、そのルート候補を算出する際の評価項目を評価項目設定表７２を用いて変更することができる。 Each route candidate information display area 41 displays a pull-down menu button 71 and an evaluation item setting table 72 in addition to the route diagram 42 and graph 43 described above with reference to FIG. Then, on the result display screen 70, whether or not the route candidate indicated by the route map 42 displayed in the route candidate information display area 41 is appropriate or inappropriate can be determined by pressing the pull-down menu button in the same route candidate information display area 41. The user can evaluate using the route evaluation setting pull-down menu 73 displayed by clicking 71, and can change the evaluation items for calculating the route candidate using the evaluation item setting table 72. .

実際上、ユーザは、結果表示画面７０において、経路図４２により示されたルート候補がユーザから見て適切であると判断した場合には、かかるルート評価設定プルダウンメニュー７３に表示された「適当」の文字列をクリックするようにして選択することで、かかるルート候補が適切であるとの評価を設定することができる。またユーザは、結果表示画面７０において、そのルート候補がユーザが想定するものと乖離していると判断した場合には、ルート評価設定プルダウンメニュー７３に表示された「不適当」の文字列をクリックするようにして選択することで、かかるルート候補が不適切であるとの評価を設定することができる。 In practice, when the user judges that the route candidate shown by the route map 42 is appropriate for the user on the result display screen 70, the user selects "appropriate" displayed in the route evaluation setting pull-down menu 73. By clicking and selecting the character string of , it is possible to set an evaluation that the route candidate is appropriate. If the user determines that the candidate route is different from what the user expects on the result display screen 70, the user clicks the character string "unsuitable" displayed in the route evaluation setting pull-down menu 73. By selecting such a route candidate, it is possible to set an evaluation that the route candidate is inappropriate.

また評価項目設定表７２には、評価項目となり得る実績データのすべてのデータ項目にそれぞれ対応させてトグルボタン形式のＯＮボタン７２Ａ及びＯＦＦボタン７２Ｂがそれぞれ表示される。そして、評価項目設定表７２では、初期時、対応するルート候補の生成に適用したデータ項目（評価項目）とされているデータ項目についてはＯＮボタン７２Ａが所定色に着色され、そうでない場合にはＯＦＦボタン７２Ｂが同じ色に着色される。 Also, in the evaluation item setting table 72, ON buttons 72A and OFF buttons 72B in the form of toggle buttons are displayed in association with all data items of performance data that can be evaluation items. In the evaluation item setting table 72, the ON button 72A for the data item (evaluation item) applied to the generation of the corresponding route candidate is initially colored in a predetermined color. The OFF button 72B is colored in the same color.

そしてユーザは、かかる各データ項目について、そのデータ項目を対応するルート候補の評価項目とすべきと判断した場合にはＯＮボタン７２Ａをクリックするようにして対応するルート候補の評価項目とすべきことを設定し、評価項目とすべきでないと判断した場合にはＯＦＦボタン７２Ｂをクリックするようにしてそのデータ項目を対応するルート候補の評価項目としないことを設定する。このときクリックされたＯＮボタン７２Ａ又はＯＦＦボタン７２Ｂがそれまで着色表示されていなかった場合には、そのＯＮボタン７２Ａ又はＯＦＦボタン７２Ｂが上述と同じ所定色に着色され、他方のＯＦＦボタン７２Ｂ又はＯＮボタン７２Ａの着色が解除される。 For each of these data items, if the user determines that the data item should be an evaluation item for the corresponding route candidate, the user should click the ON button 72A to make it an evaluation item for the corresponding route candidate. is set, and when it is determined that the data item should not be used as an evaluation item, the OFF button 72B is clicked to set the data item not to be used as an evaluation item for the corresponding route candidate. If the ON button 72A or OFF button 72B clicked at this time has not been colored until then, the ON button 72A or OFF button 72B is colored in the same predetermined color as described above, and the other OFF button 72B or ON is displayed. The coloring of the button 72A is released.

そしてユーザは、上述のようにして各ルート候補に対応するルート評価設定プルダウンメニュー７３を用いた評価や、これらルート候補に対する評価項目設定表７２を用いた評価項目の設定を行った後、これらの評価及び設定をルート生成装置６０に学習させたい場合には、追加学習実行ボタン７４をクリックするようにする。 Then, the user performs evaluation using the route evaluation setting pull-down menu 73 corresponding to each route candidate as described above, and sets evaluation items using the evaluation item setting table 72 for these route candidates. If you want the route generation device 60 to learn the evaluation and settings, click the additional learning execution button 74 .

この結果、上述のような評価及び設定が学習フェーズのデータ特性分類部３０にフィードバックされ、フィードバックされた評価及び設定を反映した学習フェーズの処理が実行されて、かかる評価及び設定に応じた学習が行われる。例えば、ルート候補の数や評価項目の数を絞った設定が行われた場合には、データ特性分類部３０においてクラスタ数を減少させたクラスタリングが実行されることになる。 As a result, the evaluation and settings as described above are fed back to the data property classification unit 30 in the learning phase, the processing of the learning phase reflecting the feedback evaluation and settings is executed, and learning according to the evaluation and settings is performed. done. For example, when the number of route candidates and the number of evaluation items are narrowed down, clustering is performed by reducing the number of clusters in the data characteristic classification section 30 .

そして、この後、このような再学習の学習結果に基づいて運用フェーズが再実行されて、再実行された運用フェーズの処理結果が掲載された結果表示画面７０が再度結果表示部６３により生成されて表示装置６（図１３）に表示される。 Then, after that, the operation phase is re-executed based on the learning result of such re-learning, and the result display screen 70 showing the processing result of the re-executed operation phase is again generated by the result display unit 63. is displayed on the display device 6 (FIG. 13).

以上のように本実施の形態のルート生成装置６０では、運用フェーズにおけるユーザの評価結果を学習フェーズにフィードバックして再学習を行うため、ユーザの意図に沿ったルート候補を生成することができる。よって本ルート生成装置６０によれば、第１の実施の形態のルート生成装置１（図１）により得られる効果に加えて、特にインフラ分野など、最終決定権が人に属するルートを生成する場合の使い勝手を各段的に向上させることができるという効果をも得ることができる。 As described above, the route generation device 60 of the present embodiment feeds back the evaluation result of the user in the operation phase to the learning phase for re-learning, so it is possible to generate a route candidate in line with the user's intention. Therefore, according to the route generation device 60, in addition to the effects obtained by the route generation device 1 (FIG. 1) of the first embodiment, especially when generating a route where the final decision belongs to a person, such as in the field of infrastructure, It is also possible to obtain the effect that the usability of the device can be improved step by step.

（４）第４の実施の形態
第１～第３の実施の形態において、ルート候補生成部３４（図３、図１４）が生成するルート候補は、過去に生成されたルートの実績データＤ１に基づいて学習された学習モデル（クラス分類学習モデル及びルート学習モデル）を利用して生成されたものである。このため第１～第３の実施の形態のルート生成装置１，５０，６０によると、特定の指標や制約条件に基づいた合理的なルート候補を生成することができない。そこで、本実施の形態では、運用フェーズで生成するルート候補を、最適化演算を用いてより適切なルート候補に調整するルート生成装置について説明する。 (4) Fourth Embodiment In the first to third embodiments, the route candidates generated by the route candidate generation unit 34 (FIGS. 3 and 14) are based on the route result data D1 generated in the past. It was generated using learning models (class classification learning model and root learning model) trained based on. Therefore, according to the route generating devices 1, 50 and 60 of the first to third embodiments, it is impossible to generate rational route candidates based on specific indices and constraints. Therefore, in the present embodiment, a route generation device that adjusts a route candidate generated in the operation phase to a more appropriate route candidate using an optimization operation will be described.

図１との対応部分に同一符号を付して示す図１６は、第４の実施の形態によるルート生成装置８０を示す。このルート生成装置８０は、メモリ３に最適化演算プログラム８１が追加的に格納されている点と、記憶装置４に最適化パラメータデータベース８２及び調整後ルート候補データベース８３が追加的に格納されている点とを除いて第１の実施の形態によるルート生成装置１（図１）と同様に構成されている。 FIG. 16, in which parts corresponding to those in FIG. 1 are denoted by the same reference numerals, shows a route generation device 80 according to the fourth embodiment. In this route generation device 80, the memory 3 additionally stores an optimization calculation program 81, and the storage device 4 additionally stores an optimization parameter database 82 and an adjusted route candidate database 83. It is configured in the same manner as the route generation device 1 (FIG. 1) according to the first embodiment except for the points.

図３との対応部分に同一符号を付した図１７は、運用フェーズに関する本実施の形態によるルート生成装置８０の論理構成を示す。図中の最適化演算部８４は、ルート生成装置８０の演算装置２（図１６）がメモリ３（図１６）に格納された上述の最適化演算プログラム８１（図１６）を実行することにより具現化される機能部である。 FIG. 17, in which parts corresponding to those in FIG. 3 are denoted by the same reference numerals, shows the logical configuration of the route generation device 80 according to this embodiment regarding the operation phase. The optimization calculation unit 84 in the figure is realized by executing the above-described optimization calculation program 81 (FIG. 16) stored in the memory 3 (FIG. 16) by the calculation device 2 (FIG. 16) of the route generation device 80. It is a function part to be converted.

ここで、最適化パラメータデータベース８２には、後述のように最適化演算部８４が実行する最適化演算処理において活用される最適化アルゴリズム、その最適化アルゴリズムで利用する各種パラメータ、目的関数の形式及び最適化演算処理で利用する制約条件などのデータが予め格納される。 Here, in the optimization parameter database 82, as described later, an optimization algorithm utilized in optimization calculation processing executed by the optimization calculation unit 84, various parameters used in the optimization algorithm, the format of the objective function, and Data such as constraints used in the optimization calculation process are stored in advance.

そして最適化演算部８４は、ルート候補データベース２３に格納されたクラスごとのルート候補と、ルート評価項目データベース２４に格納された各ルート候補の評価項目及び評価項目の重要度の比率とに基づいて、最適化パラメータデータベース８２に格納された上述の各種パラメータや制約条件を満たす調整後のルート候補を算出し、算出したルート候補を調整後ルート候補データベース８３に格納する。 Then, the optimization calculation unit 84 is based on the route candidates for each class stored in the route candidate database 23, the evaluation items of each route candidate stored in the route evaluation item database 24, and the ratio of importance of the evaluation items. , calculate route candidates after adjustment that satisfy the various parameters and constraint conditions stored in the optimization parameter database 82 , and store the calculated route candidates in the adjusted route candidate database 83 .

かくして結果表示部３５は、この調整後ルート候補データベース８３に格納された調整後の各ルート候補と、ルート評価項目データベース２４に格納されているそのルート候補における評価項目及び評価項目の重要度の比率とに基づいて図９について上述した結果表示画面４０を生成し、生成した結果表示画面４０を表示装置６（図１６）に表示する。 Thus, the result display unit 35 displays each route candidate after adjustment stored in the route candidate database 83 after adjustment and the evaluation item and the importance ratio of the evaluation item in the route candidate stored in the route evaluation item database 24. , and the generated result display screen 40 is displayed on the display device 6 (FIG. 16).

図１８は、このような最適化演算部８４により実行される最適化演算処理のより具体的な処理の流れを示す。最適化演算部８４は、まず、ルート候補データベース２３（図１７）、ルート評価項目データベース２４（図１７）及び最適化パラメータデータベース８２（図１７）から、後述するステップＳ１３の最適化計算において必要なデータをすべて読み出す（Ｓ１０）。 FIG. 18 shows a more specific processing flow of the optimization calculation processing executed by the optimization calculation unit 84 as described above. The optimization calculation unit 84 first extracts the route candidate database 23 (Fig. 17), the route evaluation item database 24 (Fig. 17), and the optimization parameter database 82 (Fig. 17) from All data are read (S10).

続いて、最適化演算部８４は、ステップＳ１０でルート評価項目データベース２４から読み出した、そのとき対象としているルート候補の各評価項目と、ステップＳ１０で最適化パラメータデータベース８２から読み出した各種パラメータ及び目的関数の形式とに基づいて目的関数を作成する（Ｓ１１）。また最適化演算部８４は、ステップＳ１０で最適化パラメータデータベース８２から読み出した制約条件に基づいて、対象とするルート候補に関する制約条件を作成する（Ｓ１２）。 Subsequently, the optimization calculation unit 84 reads out from the route evaluation item database 24 in step S10 each evaluation item of the route candidate being targeted at that time, and various parameters and objectives read out from the optimization parameter database 82 in step S10. An objective function is created based on the form of the function (S11). In addition, the optimization calculation unit 84 creates constraint conditions regarding the target route candidates based on the constraint conditions read from the optimization parameter database 82 in step S10 (S12).

次いで、最適化演算部８４は、ステップＳ１２で作成した制約条件を考慮しながらステップＳ１０で最適化パラメータデータベース８２から読み出した最適化アルゴリズムを実行（最適化計算を実行）する（Ｓ１３）。この結果、そのとき対象としているルート候補をステップＳ１２で作成した制約条件を考慮して調整した新たなルート候補が算出される。 Next, the optimization calculation unit 84 executes the optimization algorithm read from the optimization parameter database 82 in step S10 (performs optimization calculation) while considering the constraint conditions created in step S12 (S13). As a result, a new route candidate is calculated by adjusting the target route candidate at that time in consideration of the constraint conditions created in step S12.

そして最適化演算部８４は、このようにして算出した新たなルート候補を調整後ルート候補として調整後ルート候補データベース８３（図１７）に格納し（Ｓ１４）、この後、そのとき対象としているルート候補に対するこの最適化演算処理を終了する。 Then, the optimization calculation unit 84 stores the new route candidate thus calculated as an adjusted route candidate in the adjusted route candidate database 83 (FIG. 17) (S14). Terminate this optimization computation for the candidate.

ここで、数理的な例を用いて本実施の形態における最適化演算部の処理について具体的に説明する。ここでは、ルート候補データベース２３に格納されているルート候補生成部３４により生成されたルート候補が次式

のベクトルｘ_０で表すことができると仮定する。なおベクトルｘ_０は、対象としているルート候補が当該ルート候補上の各地点をそれぞれ通る確率を順番に並べたベクトルである。 Here, the processing of the optimization calculation unit in this embodiment will be specifically described using a mathematical example. Here, the route candidate generated by the route candidate generation unit 34 stored in the route candidate database 23 is expressed by the following equation.

can be represented by the vector x ₀ of . The vector _x0 is a vector in which the probabilities that the target route candidate passes through each point on the route candidate are arranged in order.

また、かかるルート候補の各評価項目が次式

のベクトルＲにより表されるものとする。なおベクトルＲは、かかる各評価項目の重要度の比率を順番に並べたベクトルである。評価項目の重要度の比率は、高い値であればその評価項目を優先し、低い値であれば、その評価項目を優先しない指標となる。 In addition, each evaluation item of such route candidates is expressed by the following formula

be represented by the vector R of The vector R is a vector in which the ratio of importance of each evaluation item is arranged in order. The importance ratio of an evaluation item is an index that gives priority to the evaluation item when the value is high, and does not give priority to the evaluation item when the value is low.

さらに最適化パラメータデータベース８２に格納された目標関数の形式が線形、制約条件が次式

及び次式

及び次式

及び次式

で与えられ、最適化計算の計算方法として焼きなまし法が指定されているものとする。
ここで、（３）と（４）は、ルートとして必ず選択する必要のある位置を制約するものであり、（５）と（６）は、出力されるルートが０か１となるための制約条件である。 Further, the format of the objective function stored in the optimization parameter database 82 is linear, and the constraint condition is the following equation

and the following formula

and the following formula

and the following formula

and the simulated annealing method is specified as the calculation method for the optimization calculation.
Here, (3) and (4) constrain the position that must be selected as the route, and (5) and (6) constrain the output route to be 0 or 1. It is a condition.

この場合、図１８のステップＳ１１で作成される目的関数は、次式

のように表すことができ、図１８のステップＳ１２で作成される制約条件は、次式

のように表すことができる。 In this case, the objective function created in step S11 of FIG.

and the constraint created in step S12 of FIG. 18 is expressed by the following equation:

can be expressed as

このように表された目的関数及び制約条件に対して、図１８のステップＳ１３では、初期点をそのとき対象としているルート候補と同じとした場合、焼きなまし法によって、一例として次式

のようなルート候補が算出される。 For the objective function and constraint conditions expressed in this way, in step S13 of FIG.

A route candidate such as is calculated.

そして、このとき算出されたルート候補は、調整前のルート候補の各評価項目の重要度の比率を活用しているのと同時に遵守すべき制約条件を満たしており、これによりユーザビリティの高い調整後のルート候補を得ることができる。 The route candidate calculated at this time utilizes the ratio of the importance of each evaluation item of the route candidate before adjustment, and at the same time satisfies the constraint conditions to be observed, resulting in high usability after adjustment route candidates can be obtained.

以上のように本実施の形態のルート生成装置８０によれば、ルート候補生成部３４により生成されたルート候補に基づいて、最適化演算部８４が特定の制約条件を考慮して調整した調整後ルート候補を生成するため、かかる制約条件を考慮した合理的なルート候補をユーザに提示することができる。かくして本ルート生成装置８０によれば、より一層と高い納得感をユーザに提供することができる。 As described above, according to the route generation device 80 of the present embodiment, based on the route candidates generated by the route candidate generation unit 34, the optimization calculation unit 84 adjusts the adjusted route taking into consideration the specific constraint conditions. In order to generate route candidates, the user can be presented with reasonable route candidates considering such constraints. Thus, according to the route generation device 80, it is possible to provide the user with a much higher sense of satisfaction.

（５）第５の実施の形態
インフラ等の社会的インパクトの高い事例では、第１～第４の実施の形態について上述したようなルート生成装置１，５０，６０，８０の利用に加えて、ルートを選定等するユーザの教育も必要となる。通常の教育現場では、より熟練度の高い有識者がトレーナーとなってトレーニー（訓練対象者）が生成したルートを評価することによって教育を行っている。 (5) Fifth Embodiment In cases of high social impact such as infrastructure, in addition to using the route generation devices 1, 50, 60, 80 as described above for the first to fourth embodiments, It is also necessary to educate users on route selection and the like. In a normal educational setting, a highly skilled expert serves as a trainer and educates by evaluating routes generated by trainees (trainees).

一方で、このような教育方法は、熟練度の高い有識者の時間と労力とを必要とする。そこで、本実施の形態では、ルート生成装置（以下、第１の実施の形態のルート生成装置１とする）を教育コンテンツとして活用した教育システムについて説明する。 On the other hand, such an educational method requires the time and effort of highly skilled experts. Therefore, in the present embodiment, an education system that utilizes a route generation device (hereinafter referred to as the route generation device 1 of the first embodiment) as educational content will be described.

図１９は、このような教育システム９０の概略構成を示す。この教育システム９０は、トレーニーが使用する端末装置９１と、コンテンツ生成装置９２及びルート生成装置１から構成されるルート生成システム９３とから構成される。 FIG. 19 shows a schematic configuration of such an educational system 90. As shown in FIG. This educational system 90 comprises a terminal device 91 used by trainees, and a route generation system 93 comprising a content generation device 92 and a route generation device 1 .

端末装置９１は、デスクトップコンピュータ装置やラップトップコンピュータ装置のような汎用のコンピュータ装置から構成され、図示しないＬＡＮ（Local Area Network）又はインターネットなどのネットワークを介してコンテンツ生成装置９２と接続されている。 The terminal device 91 is composed of a general-purpose computer device such as a desktop computer device or a laptop computer device, and is connected to the content generation device 92 via a network such as a LAN (Local Area Network) (not shown) or the Internet.

コンテンツ生成装置９２は、図２０に示すように、演算装置１００、メモリ１０１、記憶装置１０２、入力装置１０３及び表示装置１０４を備えた汎用のコンピュータ装置から構成される。演算装置１００、メモリ１０１、記憶装置１０２、入力装置１０３及び表示装置１０４は、図１について上述したルート生成装置１の対応部位（演算装置２、メモリ３、記憶装置４、入力装置５又は表示装置６）と同様の構成及び機能を有するものであるため、ここでの詳細説明は省略する。 As shown in FIG. 20, the content generation device 92 is composed of a general-purpose computer device having an arithmetic device 100, a memory 101, a storage device 102, an input device 103 and a display device 104. FIG. Arithmetic device 100, memory 101, storage device 102, input device 103, and display device 104 correspond to route generation device 1 described above with reference to FIG. Since it has the same configuration and function as 6), detailed description is omitted here.

なお、コンテンツ生成装置９２のメモリ１０１には、後述するコンテンツ生成プログラム１０５が格納されており、演算装置１００がこのコンテンツ生成プログラム１０５を実行することにより、後述のようなコンテンツ生成装置９２全体としての各種処理が実行される。 Note that the memory 101 of the content generation device 92 stores a content generation program 105, which will be described later. Various processes are executed.

図２１は、本実施の形態による教育システム９０において実行される処理の流れを示す。まず、コンテンツ生成装置９２が、端末装置９１を用いたユーザ（トレーニー）からの訓練開始要求に応じて、ルート生成装置１の実績データベース２０（図１）に格納されている実績データＤ１（図２）をルート生成装置１から取得する（Ｓ２０）。 FIG. 21 shows the flow of processing executed in the educational system 90 according to this embodiment. First, in response to a training start request from a user (trainee) using the terminal device 91, the content generation device 92 generates the performance data D1 (FIG. 2) stored in the performance database 20 (FIG. 1) of the route generation device 1. ) from the route generation device 1 (S20).

続いて、コンテンツ生成装置９２が、ステップＳ２０で取得した実績データＤ１を利用して、トレーニング用のメニュー（トレーニングメニュー）を生成し、生成したトレーニングメニューに基づいて、過去に熟練者が実際に生成したルートをトレーニーが自らの考えで生成する練習問題を端末装置９１に表示する（Ｓ２１）。 Subsequently, the content generation device 92 uses the performance data D1 acquired in step S20 to generate a menu for training (training menu), and based on the generated training menu, a skilled person has actually generated a training menu in the past. The route is displayed on the terminal device 91 as a practice question generated by the trainee based on his or her own idea (S21).

この後、コンテンツ生成装置９２は、ユーザがかかる練習問題のルートを生成し終えるのを待ち受け（Ｓ２２）、やがてユーザがかかるルートを生成し終えると、そのときトレーニーが生成したルートを過去の各評価項目に基づいて評価し（Ｓ２３）、評価結果（例えば類似するクラス）を端末装置９１に表示する（Ｓ２４）。そして、コンテンツ生成装置９２は、この後、この一連の処理を終了する。 After that, the content generation device 92 waits for the user to finish generating the route for the exercise (S22). Evaluation is performed based on the items (S23), and the evaluation result (for example, similar classes) is displayed on the terminal device 91 (S24). The content generation device 92 then terminates this series of processes.

図２２の上段は、図２１のステップＳ２１においてコンテンツ生成装置９２が端末装置９１に表示する練習問題画面１１０の一部構成例を示す。この例では、練習問題画面１１０に表示された表１１１の１つの行が１つの練習問題に該当し、練習問題ごとにそれぞれその難易度と、始点及び終点とが表示されている例を示す。これらの練習問題の中からトレーニーが１つの練習問題を選択すると、その練習問題に対応する過去の実績データＤ１がコンテンツ生成装置９２によりルート生成装置１から読み出され、読み出された実績データＤ１に含まれるルートを生成するために必要な各種情報が端末装置９１に表示される。かくしてトレーニーは、これらの情報を参照して、始点から終点までを結ぶルートを生成することになる。 The upper part of FIG. 22 shows a partial configuration example of the exercise screen 110 displayed on the terminal device 91 by the content generation device 92 in step S21 of FIG. In this example, one row of the table 111 displayed on the exercise screen 110 corresponds to one exercise, and the difficulty, starting point and end point are displayed for each exercise. When the trainee selects one exercise from these exercises, the past performance data D1 corresponding to the exercise is read out from the route generation device 1 by the content generation device 92, and the read performance data D1 is read out from the route generation device 1. Various information necessary for generating the route included in is displayed on the terminal device 91 . Thus, the trainee refers to these pieces of information to generate a route connecting the start point and the end point.

また図２２の下段は、練習問題のルートをトレーニーが生成した後に表示される回答画面１１２の一部構成例を示す。この回答画面１１２では、そのときユーザが生成したルートが直線Ｋ１で表示されると共に、過去に熟練者が生成した同じ始点から終点までのルートが破線Ｋ２で表示される。また回答画面１１２には、これら２つのルートの類似度や、トレーニーが作成したルートを実際に作成する場合のコストなどのトレーニーが生成したルートに対する評価が画面右上の評価欄１１３に表示される。 Further, the lower part of FIG. 22 shows a partial configuration example of the answer screen 112 displayed after the trainee generates the route of the exercise. On this answer screen 112, the route generated by the user at that time is displayed by a straight line K1, and the route from the same start point to the end point generated by an expert in the past is displayed by a dashed line K2. On the answer screen 112, the similarity between these two routes and the evaluation of the route created by the trainee, such as the cost of actually creating the route created by the trainee, are displayed in an evaluation column 113 on the upper right of the screen.

以上のような本実施の形態の教育システム９０によれば、熟練度の高い有識者相当の評価をユーザに提供することができる。これはルート生成装置１の学習フェーズにおいて熟練者相当のノウハウが蓄積されているためである。また本教育システム９０によれば、各評価項目の重要度を定量的に提示することができるため、より客観的なノウハウの継承が可能となり、トレーニーの熟練度の向上を期待することができる。 According to the education system 90 of the present embodiment as described above, it is possible to provide the user with an evaluation equivalent to that of a highly skilled expert. This is because know-how equivalent to that of an expert is accumulated in the learning phase of the route generation device 1 . Further, according to the training system 90, the degree of importance of each evaluation item can be presented quantitatively, so that know-how can be passed on more objectively, and an improvement in skill level of trainees can be expected.

（５）他の実施の形態
なお上述の第１～第５の実施の形態においては、本発明をインフラネットワークのルートを自動生成するルート生成装置１，５０，６０，８０に適用するようにした場合について述べたが、本発明はこれに限らず、この他種々の設計計画を自動生成する設計計画自動生成装置に広く適用することができる。この場合には、第１～第５の実施の形態において、「ルート」をその「設計計画」に置き換えるようにすればよい。 (5) Other Embodiments In the first to fifth embodiments described above, the present invention is applied to the route generation devices 1, 50, 60, and 80 that automatically generate routes for infrastructure networks. Although the case has been described, the present invention is not limited to this, and can be widely applied to a design plan automatic generation device that automatically generates various other design plans. In this case, in the first to fifth embodiments, "route" should be replaced with "design plan".

また上述の第１～第５の実施の形態においては、ルート生成装置１，５０，６０，８０を１台のコンピュータ装置により構築するようにした場合について述べたが、本発明はこれに限らず、ルート生成装置１，５０，６０，８０を分散コンピューティングシステムを構成する複数のコンピュータ装置から構成し、これら複数のコンピュータ装置にルート生成機能に関するルート生成装置１，５０，６０，８０の各機能を分散配置するようにしてもよい。 In addition, in the first to fifth embodiments described above, the case where the route generation devices 1, 50, 60, 80 are constructed by a single computer device has been described, but the present invention is not limited to this. , the route generation devices 1, 50, 60, 80 are composed of a plurality of computer devices constituting a distributed computing system, and each function of the route generation devices 1, 50, 60, 80 related to the route generation function is assigned to these plurality of computer devices. may be distributed.

さらに上述の第２～第４の実施の形態においては、第１の実施の形態によるルート生成装置１に第２～第４の実施の形態による機能を追加的に設けるようにした場合について述べたが、本発明はこれに限らず、例えば、第２の実施の形態のルート生成装置５０に第３の実施の形態のルート生成装置６０や第４の実施の形態のルート生成装置８０の機能を搭載するようしてもよく、さらには第１～第４の実施の形態のルート生成装置１，５０，６０，８０の機能を適宜組み合わせてルート生成装置を構築するようにしてもよい。 Furthermore, in the above-described second to fourth embodiments, the case where the route generation device 1 according to the first embodiment is additionally provided with the functions according to the second to fourth embodiments has been described. However, the present invention is not limited to this. Further, the functions of the route generation devices 1, 50, 60 and 80 of the first to fourth embodiments may be appropriately combined to construct the route generation device.

同様に、上述の第５の実施の形態においては、ルート生成装置として第１の実施の形態によるルート生成装置１を適用するようにした場合について述べたが、本発明はこれに限らず、ルート生成装置として第２～第４の実施の形態のルート生成装置５０，６０，８０を適用してもよく、さらには第１～第４の実施の形態のルート生成装置１，５０，６０，８０の機能を適宜組み合わせたルート生成装置を適用するようにしてもよい。 Similarly, in the above-described fifth embodiment, the case where the route generation device 1 according to the first embodiment is applied as the route generation device was described, but the present invention is not limited to this, and the route generation device The route generation devices 50, 60, 80 of the second to fourth embodiments may be applied as the generation devices, and the route generation devices 1, 50, 60, 80 of the first to fourth embodiments may be applied. A route generation device that appropriately combines the functions of (1) and (2) may be applied.

さらに上述の第５の実施の形態においては、ルート生成システム９３をコンテンツ生成装置９２及びルート生成装置１から構成するようにした場合について述べたが、本発明はこれに限らず、コンテンツ生成装置９２の機能をすべてルート生成装置１に搭載し、そのルート生成装置１のみでルート生成システム９３を構成するようにしてもよい。 Furthermore, in the above-described fifth embodiment, the route generation system 93 is configured by the content generation device 92 and the route generation device 1, but the present invention is not limited to this. All of the functions of (1) may be installed in the route generation device 1, and the route generation system 93 may be configured by the route generation device 1 alone.

本発明は設計計画生成装置に関し、例えばインフラネットワークのルートを自動生成するルート生成装置に適用することができる。 The present invention relates to a design plan generation device, and can be applied, for example, to a route generation device that automatically generates a route for an infrastructure network.

１，５０，８０……ルート生成装置、２……演算装置、５……入力装置、６……表示装置、１０……データ特性分類プログラム、１１……データ特性学習プログラム、１２……評価項目算出プログラム、１３……ルート学習プログラム、１４……ルート候補生成プログラム、１５，６１……結果表示プログラム、２０……実績データベース、２１……学習データベース、２２……計画データベース、２３……ルート候補データベース、２４……ルート評価項目データベース、３０……データ特性分類部、３１……データ特性学習部、３２……評価項目算出部、３３……ルート学習部、３４……ルート候補生成部、３５，６３……結果表示部、４０，７０……結果表示画面、４２……経路図、４３……グラフ、５１……データフィルタリングプログラム、５２……データフィルタリング部、６２……結果評価取得プログラム、６４……結果評価取得部、８１……最適化演算プログラム、８２……最適化パラメータデータベース、８３……調整後ルート候補データベース、８４……最適化演算部、９０……教育システム、９２……コンテンツ生成装置、１０５……コンテンツ生成プログラム、Ｄ１……実績データ、Ｄ２……計画データ。 1, 50, 80 Route generation device 2 Arithmetic device 5 Input device 6 Display device 10 Data characteristic classification program 11 Data characteristic learning program 12 Evaluation items Calculation program 13 Route learning program 14 Route candidate generation program 15, 61 Result display program 20 Achievement database 21 Learning database 22 Plan database 23 Route candidate Database 24 Route evaluation item database 30 Data property classification unit 31 Data property learning unit 32 Evaluation item calculation unit 33 Route learning unit 34 Route candidate generation unit 35 , 63... result display unit, 40, 70... result display screen, 42... route diagram, 43... graph, 51... data filtering program, 52... data filtering unit, 62... result evaluation acquisition program, 64... Result evaluation acquisition unit, 81... Optimization calculation program, 82... Optimization parameter database, 83... Adjusted route candidate database, 84... Optimization calculation unit, 90... Education system, 92... Content generation device 105 Content generation program D1 Actual data D2 Plan data.

この場合、図１８のステップＳ１１で作成される目的関数は、次式

のように表すことができ、図１８のステップＳ１２で作成される制約条件は、次式

のように表すことができる。 In this case, the objective function created in step S11 of FIG.

and the constraint created in step S12 of FIG. 18 is expressed by the following equation:

can be expressed as

Claims (14)

過去の設計計画に基づいて新たな設計計画を生成する設計計画生成システムにおいて、
前記過去の設計計画、及び、当該過去の設計計画の立案に必要な各種情報を含む実績データに基づいて、前記過去の設計計画を１つ以上のクラスに分類する分類部と、
前記分類部により分類された各前記クラスに属する前記過去の設計計画の前記実績データに基づいて、データ特性に応じたクラス分類をそれぞれ学習する特性学習部と、
前記特性学習部の学習結果に基づいて、前記クラスごとに、前記実績データに含まれる前記各種情報のうちの重要視される情報をそれぞれ当該クラスの評価項目として算出する評価項目算出部と、
前記クラスごとに、当該クラスに属する前記過去の設計計画を学習する設計計画学習部と、
前記評価項目算出部により算出された前記クラスごとの前記評価項目と、前記設計計画部による前記クラスごとの前記過去の設計計画の学習結果と、前記新たな設計計画の立案に必要な各種情報とに基づいて前記新たな設計計画を前記クラスごとにそれぞれ生成すると共に、前記クラスごとの前記新たな設計計画における前記評価項目をそれぞれ算出する設計計画生成部と、
前記設計計画生成部により生成された前記クラスごとの前記新たな設計計画及び当該新たな設計計画における前記評価項目を表示する結果表示部と
を備えることを特徴とする設定計画生成システム。 In a design plan generation system that generates new design plans based on past design plans,
a classification unit that classifies the past design plans into one or more classes based on the past design plans and performance data including various information necessary for formulating the past design plans;
a characteristic learning unit that learns class classification according to data characteristics based on the performance data of the past design plan belonging to each of the classes classified by the classifying unit;
an evaluation item calculation unit that calculates, for each class, information considered important among the various types of information included in the performance data as an evaluation item for the class, based on the learning result of the characteristic learning unit;
a design plan learning unit that learns, for each class, the past design plans belonging to the class;
The evaluation item for each class calculated by the evaluation item calculation unit, the learning result of the past design plan for each class by the design planning unit, and various information necessary for drafting the new design plan. a design plan generation unit that generates the new design plan for each of the classes based on and calculates the evaluation items in the new design plan for each class;
A setting plan generation system, comprising: a result display unit that displays the new design plan for each class generated by the design plan generation unit and the evaluation items in the new design plan. 前記過去の設計計画及び前記新たな設計計画は、インフラネットワークのルートである
ことを特徴とする請求項１に記載の設計計画生成システム。 The design plan generation system according to claim 1, wherein the past design plan and the new design plan are routes of an infrastructure network. 前記評価項目算出部により算出された前記クラスごとの前記評価項目と、前記設計計画部による前記クラスごとの前記過去の設計計画の学習結果とに対するユーザの評価に基づいて、前記分類部による前記過去の設計計画の分類と、前記特性学習部によるデータ特性に応じたクラス分類の学習と、前記評価項目算出部による前記クラスごとの前記評価項目の算出と、前記設計計画学習部による前記過去の設計計画の学習とを再実行する
ことを特徴とする請求項１に記載の設計計画生成システム。 Based on the user's evaluation of the evaluation items for each class calculated by the evaluation item calculation unit and the learning results of the past design plans for each class by the design planning unit, the past Classification of the design plan, learning of class classification according to data characteristics by the characteristic learning unit, calculation of the evaluation items for each class by the evaluation item calculation unit, and the past design by the design plan learning unit 2. The design plan generation system according to claim 1, wherein learning of the plan is re-executed. 前記過去の設計計画のうち、予め設定された条件を満たすバットデータを特定し、特定した前記バットデータを除去するフィルタリング処理を実行するフィルタリング部を備え、
前記分類部は、
前記フィルタリング処理により前記バットデータが除去された前記過去の設計計画を１つ以上のクラスに分類する
ことを特徴とする請求項１に記載の設計計画生成システム。 A filtering unit that identifies batt data that satisfies a preset condition among the past design plans and performs a filtering process for removing the identified batt data,
The classification unit
2. The design plan generation system according to claim 1, wherein the past design plan from which the bat data is removed by the filtering process is classified into one or more classes. 前記結果表示部により表示された前記新たな設計計画及び当該新たな設計計画における前記評価項目に対するユーザの評価結果に基づいて、前記分類部による前記過去の設計計画の分類と、前記特性学習部によるデータ特性に応じたクラス分類の学習と、前記評価項目算出部による前記クラスごとの前記評価項目の算出と、前記設計計画学習部による前記過去の設計計画の学習とを再実行する
ことを特徴とする請求項１に記載の設計計画生成システム。 Based on the new design plan displayed by the result display unit and the user's evaluation result for the evaluation items in the new design plan, the classification unit classifies the past design plan, and the characteristic learning unit Classification learning according to data characteristics, calculation of the evaluation items for each class by the evaluation item calculation unit, and learning of the past design plan by the design plan learning unit are re-executed. The design plan generation system according to claim 1. 前記設計計画生成部により生成又は算出された前記新たな設計計画及び当該新たな設計計画における前記評価項目に基づいて、最適化演算処理により、ユーザから指定された制約条件を満たす設計計画及び評価項目を算出する最適化演算部をさらに備える
ことを特徴とする請求項１に記載の設計計画生成システム。 Based on the new design plan generated or calculated by the design plan generation unit and the evaluation items in the new design plan, a design plan and evaluation items that satisfy the constraint conditions specified by the user are performed by optimization arithmetic processing. 2. The design plan generation system according to claim 1, further comprising an optimization calculation unit that calculates the . ユーザが設計計画を生成する練習問題を前記過去の設計計画の実績データに基づいて生成し、生成した練習問題に対して前記ユーザが作成した前記設計計画に対する評価を当該過去の設計計画に基づいて行い、評価結果を前記ユーザに提示するコンテンツ生成部をさらに備える
ことを特徴とする請求項１に記載の設計計画生成システム。 A practice problem for which a user generates a design plan is generated based on the performance data of the past design plan, and the design plan created by the user for the generated practice problem is evaluated based on the past design plan. 2. The design plan generation system according to claim 1, further comprising a content generation unit that performs the evaluation and presents an evaluation result to the user. 過去の設計計画に基づいて新たな設計計画を生成する設計計画生成システムにおいて実行される設計計画生成方法であって、
前記過去の設計計画、及び、当該過去の設計計画の立案に必要な各種情報を含む実績データに基づいて、前記過去の設計計画を１つ以上のクラスに分類する第１のステップと、
分類した各前記クラスに属する前記過去の設計計画の前記実績データに基づいて、データ特性に応じたクラス分類をそれぞれ学習し、学習結果に基づいて、前記クラスごとに、前記実績データに含まれる前記各種情報のうちの重要視される情報をそれぞれ当該クラスの評価項目として算出すると共に、前記クラスごとに、当該クラスに属する前記過去の設計計画を学習する第２のステップと、
算出した前記クラスごとの前記評価項目と、前記クラスごとの前記過去の設計計画の学習結果と、前記新たな設計計画の立案に必要な各種情報とに基づいて前記新たな設計計画を前記クラスごとにそれぞれ生成すると共に、前記クラスごとの前記新たな設計計画における前記評価項目をそれぞれ算出する第３のステップと、
生成した前記新たな設計計画及び当該新たな設計計画における前記評価項目を表示する第４のステップと
を備えることを特徴とする設定計画生成方法。 A design plan generation method executed in a design plan generation system for generating a new design plan based on a past design plan,
a first step of classifying the past design plans into one or more classes based on actual data including the past design plans and various information necessary for formulating the past design plans;
Based on the performance data of the past design plan belonging to each classified class, class classification corresponding to data characteristics is learned, and based on the learning result, the performance data included in the performance data for each class a second step of calculating important information among various types of information as evaluation items for the class, and learning the past design plans belonging to the class for each class;
creating the new design plan for each class based on the calculated evaluation items for each class, learning results of the past design plan for each class, and various information necessary for drafting the new design plan; and calculating the evaluation items in the new design plan for each class;
and a fourth step of displaying the generated new design plan and the evaluation items in the new design plan. 前記過去の設計計画及び前記新たな設計計画は、インフラネットワークのルートである
ことを特徴とする請求項８に記載の設計計画生成方法。 The design plan generation method according to claim 8, wherein the past design plan and the new design plan are routes of an infrastructure network. 算出した前記クラスごとの前記評価項目と、前記クラスごとの前記過去の設計計画の学習結果とに対するユーザの評価に基づいて、前記第１及び第２のステップの処理を再実行する
ことを特徴とする請求項８に記載の設計計画生成方法。 re-executing the processing of the first and second steps based on the user's evaluation of the calculated evaluation item for each class and the learning result of the past design plan for each class. The design plan generation method according to claim 8. 前記第１のステップでは、
前記過去の設計計画のうち、予め設定された条件を満たすバットデータを特定し、特定した前記バットデータを除去するフィルタリング処理を実行し、前記フィルタリング処理した前記過去の設計計画を１つ以上のクラスに分類する
ことを特徴とする請求項８に記載の設計計画生成方法。 In the first step,
Among the past design plans, batt data that satisfies a preset condition is specified, a filtering process is performed to remove the specified batt data, and the filtered past design plans are classified into one or more classes. 9. The design plan generation method according to claim 8, wherein the classification is made into. 表示した前記新たな設計計画及び当該新たな設計計画における前記評価項目に対するユーザの評価結果に基づいて、前記第１及び第２のステップの処理を再実行する
ことを特徴とする請求項８に記載の設計計画生成方法。 9. The process of the first and second steps is re-executed based on the displayed new design plan and the user's evaluation result for the evaluation items in the new design plan. design plan generation method. 前記第３のステップでは、
生成又は算出した前記新たな設計計画及び当該新たな設計計画における前記評価項目に基づいて、最適化演算処理により、ユーザから指定された制約条件を満たす設計計画及び評価項目を算出する
ことを特徴とする請求項８に記載の設計計画生成方法。 In the third step,
Based on the generated or calculated new design plan and the evaluation items in the new design plan, a design plan and evaluation items that satisfy constraints specified by a user are calculated by optimization arithmetic processing. The design plan generation method according to claim 8. ユーザが設計計画を生成する練習問題を前記過去の設計計画の実績データに基づいて生成し、生成した練習問題に対して前記ユーザが作成した前記設計計画に対する評価を当該過去の設計計画に基づいて行い、評価結果を前記ユーザに提示する第５のステップをさらに備える
ことを特徴とする請求項８に記載の設計計画生成方法。 A practice problem for which a user generates a design plan is generated based on the performance data of the past design plan, and the design plan created by the user for the generated practice problem is evaluated based on the past design plan. 9. The design plan generation method according to claim 8, further comprising a fifth step of performing the evaluation and presenting an evaluation result to the user.

Images