JP5129799B2 - 需要予測装置及び需要予測方法 - Google Patents

Description

本発明は、サービスの利用を望む利用者の需要件数を予測する需要予測装置と、当該需要予測装置が行なう需要予測方法とに関する。

従来、タクシー等の車両の配車サービスの需要件数を予測するシステムが各種提案されている。例えば特許文献１には、予め定められた場合分けごとに決定された需要実績データと変動要因実績データとの関係を用いて配車の需要予測を行う車両需要予測システムが開示されている。

特開２００１−８４２４０号公報

特許文献１に記載の車両需要予測システムが需要予測を行う際に用いるのは、車両の空車、賃走、迎車、休憩の四状態の各状態間で車両状態が遷移した時刻を示す需要実績データであって、タクシー等の車両を必要とする人の数が多いと推測される場所を示す地理データでないため、この地理データに基づいて需要予測を行なうことに関してはなんら考慮されていない。これにより、需要予測における予測精度が悪くなるおそれがあるという問題がある。

そこで本発明は、上記の問題点を解消する為になされたものであり、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することを目的とする。

本発明に係る需要予測装置は、サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、所定エリアにおいて推定される人口を示す推定人口情報を取得する推定取得手段と、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する距離取得手段と、推定取得手段によって取得された推定人口情報と、距離取得手段によって取得された相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する予測手段と、を備え、予測手段は、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けして需要件数を予測することを特徴とする。

本発明に係る需要予測装置では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、本発明に係る需要予測装置は、サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、所定エリアにおいて推定される人口を示す推定人口情報を取得する推定取得手段と、所定エリアにおけるイベントに関する規模情報及びイベント位置情報を取得するイベント取得手段と、イベント取得手段によって取得されたイベント位置情報が示すイベントの位置と、需要件数の予測対象となる予測基準エリアの位置との距離を示す基準距離情報を取得する距離取得手段と、推定取得手段によって取得された推定人口情報と、イベント取得手段によって取得されたイベントの規模情報及び距離取得手段によって取得された基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する予測手段と、を備え、予測手段は、基準距離情報が示す距離が短いほど説明変数が大きくなるように重み付けして需要件数を予測することを特徴とする。

本発明に係る需要予測装置では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、距離取得手段は、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアと同一の道路上に位置するとともに需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得し、予測手段は、距離取得手段によって取得された相対距離情報が示す距離が短いほど小さくなる、当該相対距離情報に基づく残差を用いて回帰分析することによって、予測対象エリアにおける需要件数を予測するのも好ましい。予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、推定取得手段は、所定エリアにおいて所定時間内に携帯端末による位置登録処理が行われた処理件数に関する件数情報を推定人口情報として取得するのも好ましい。ここで、推定取得手段によって取得された件数情報によって示される位置登録処理が行われた処理件数が多くなるほど、携帯端末の保有者が多いと推測されるため、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このため、この構成により、人口の動的な変化を推定することができるようになるため、より精度良く需要予測を行なうことが可能になる。

また、推定取得手段は、所定エリアにおける天候に関する天候情報を取得するとともに当該天候情報に基づく推定人口情報を取得するのも好ましい。この構成により、所定エリアにおける天候に関する天候情報が考慮に入れられて需要件数が予測されるため、より精度良く需要予測を行なうことが可能になる。

また、距離取得手段は、予測基準エリアが含まれる領域の属性に関する領域属性情報を取得し、予測手段は、距離取得手段によって取得された領域属性情報が示す属性に基づいた説明変数の係数を算出して需要件数を予測するのも好ましい。この構成により、予測基準エリアが含まれる領域の属性に基づいて、需要件数を予測することが可能になる。

本発明に係る需要予測方法は、サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、所定エリアにおいて推定される人口を示す推定人口情報を需要予測装置が取得する推定取得ステップと、所定エリアに含まれる予測基準エリアの位置と、当該予測対象エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を需要予測装置が取得する距離取得ステップと、推定取得ステップで取得された推定人口情報と、距離取得ステップで取得された相対距離情報に基づく残差とを用いて需要予測装置が回帰分析することによって、予測対象エリアにおける需要件数を需要予測装置が予測する予測ステップと、を有し、予測ステップでは、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けして需要件数を需要予測装置が予測することを特徴とする。

本発明に係る需要予測方法では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、本発明に係る需要予測方法は、サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、所定エリアにおいて推定される人口を示す推定人口情報を需要予測装置が取得する推定取得ステップと、所定エリアにおけるイベントに関する規模情報及びイベント位置情報を需要予測装置が取得するイベント取得ステップと、イベント取得ステップで取得されたイベント位置情報が示すイベントの位置と、需要件数の予測対象となる予測対象エリアの位置との距離を示す基準距離情報を需要予測装置が取得する距離取得ステップと、推定取得ステップで取得された推定人口情報と、イベント取得ステップで取得されたイベントの規模情報及び距離取得ステップで取得された基準距離情報に基づく説明変数とを用いて需要予測装置が回帰分析することによって、予測対象エリアにおける需要件数を需要予測装置が予測する予測ステップと、を有し、予測ステップでは、基準距離情報が示す距離が短いほど説明変数が大きくなるように重み付けして需要件数を需要予測装置が予測することを特徴とする。

本発明に係る需要予測装置では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。本発明に係る需要予測装置では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

本発明によれば、より精度良く需要予測を行なうことが可能な需要予測装置及び需要予測方法を提供することができる。

需要予測サーバの機能を説明するための機能説明図である。 需要予測における各データの重ねあわせを説明するためのイメージ図である。 需要予測サーバの機能を説明するための機能説明図である。 需要予測サーバの機能別モジュール構成の概略を説明するための機能構成図である。 需要予測サーバの物理構成の概略を説明するための物理構成図である。 エリアＩＤと推定人口情報との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと降水量との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと気温との記憶形式の一例を説明するＤＢ構成図である。 イベント情報の記憶形式の一例を説明するＤＢ構成図である。 道路ＩＤと道路ラインとの記憶形式の一例を説明するＤＢ構成図である。 施設ＩＤと影響力との記憶形式の一例を説明するＤＢ構成図である。 実際の乗車地点ポイントと乗車日時との記憶形式の一例を説明するＤＢ構成図である。 乗車日時に対応する曜日と、その日は平日であるか休日であるかとの記憶形式の一例を説明するＤＢ構成図 エリアＩＤと中心点ポイントとの記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと回帰式との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと予想乗車数との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと回帰式との記憶形式の一例を説明するＤＢ構成図である。 エリアＩＤと予想乗車数との記憶形式の一例を説明するＤＢ構成図である。 道路と重なる所定エリアを抽出するエリア抽出処理の流れを示すフローチャートである。 回帰式を算出する回帰式算出処理の流れを示すフローチャートである。 予測結果データを生成するデータ生成処理の流れを示すフローチャートである。

以下、添付図面を参照しながら本発明の好適な実施形態を説明する。なお、図面の説明において同一要素には同一符号を付し、重複する説明を省略する。

（１）需要予測サーバの機能
まず、本実施形態に係る需要予測装置としての需要予測サーバについて、図１〜図３を用いて説明する。図１及び図３は、この需要予測サーバの機能を説明するための機能説明図であり、図２は、需要予測における各データの重ねあわせを説明するためのイメージ図である。需要予測サーバは、例えば、タクシー会社に配備され、タクシーの配車サービスの利用を望む利用客からの需要としての呼び出しコールの数や、所定エリア毎の乗車数を需要件数として予測する装置である。このように呼び出しコールの数や乗車数を予測することにより、コール対応に必要な数のオペレータの配備等の対策を行なうことが可能になり、タクシーの配車の手配を円滑に行なうことができるようになる。

需要予測サーバでは、まず、図１に示されるように、メッシュ状に区切られた所定エリアＭ１〜Ｍ９の中から、イベントＥの開催によってタクシーの配車サービスの提供が最も必要とされる一部エリアＭ３を選択し、このエリアＭ３内のイベントＥの位置と、需要を予測する際の基準となる予測基準エリアＡ１の位置との距離を示す基準距離情報を取得する。

そして、需要予測サーバでは、予測基準エリアＡ１が含まれるエリアＭ９における推定人口情報と、イベントＥの規模情報及び上記の基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアＡ１における需要件数を予測する。なお、上記の基準距離情報が示す距離が短いほど、上記の説明変数（即ち、イベントＥによるタクシー需要に対するインパクト）が大きくなるように重み付けされている。

ここで、推定人口情報によって示される人口が多くなるほど、タクシーの配車サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。需要予測サーバでは、タクシーの配車サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、上記の基準距離情報が短いほど、イベントインパクトに関する説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、需要予測サーバでは、予測基準エリアＡ１に関して需要を予測するための回帰式を求めると同時に、予測基準エリアＡ１と同様に同一の道路Ｒ上に位置するエリアグループＧ内の予測対象エリアＡ２〜Ａ４のそれぞれに関して需要を予測するための回帰式を求める。そして、予測基準エリアＡ１に関する需要が予測された後、予測対象エリアＡ２に関する需要が予測される。更に、予測対象エリアＡ２に関する需要が予測された後、予測対象エリアＡ３に関する需要が予測され、予測対象エリアＡ３に関する需要が予測された後、予測対象エリアＡ４に関する需要が予測される。通常の回帰分析では、各回帰式の残差の二乗和が最小になるようにするが、ここでは、地理的に近いところほど回帰式が似ていると考えられることが考慮され、残差の二乗和が算出される際に、地理的に近いところを重要視するために加重がかけられる。例えば、予測対象エリアＡ２〜Ａ４の中で予測基準エリアＡ１に最も近い予測対象エリアＡ２と予測基準エリアＡ１とでは回帰式が最も似ていると考えられるとともに、予測基準エリアＡ１に最も遠い予測対象エリアＡ４と予測基準エリアＡ１とでは回帰式が最も似ていないと考えられることが考慮される。

なお、需要予測サーバでは、図２に示されるように、例えば予測基準エリアＡ１等に関する需要予測を行って予測結果データＤ１８を算出するための回帰分析を行なう際に、まず、予測基準エリアＡ１と重なるエリアに関する後述の推定人口情報Ｄ０５や、予測基準エリアＡ１と重なるエリアに関する後述の天気や気温に関する天候情報Ｄ０６や、予測基準エリアＡ１と重なるエリアにおけるイベントＥやその開催時間帯に関するイベント情報等を数値化して線形化し、重ね合わせる。このように、各データを重ね合わせることによって、人口や天候やイベントＥ等の各要素を考慮して需要件数を予測することが可能になる。

推定人口情報は、例えば１時間毎のメッシュ人口密度図等で示された情報であり、天候情報は、例えば１時間毎の一辺１０〜５００ｍ程度の矩形エリアに関する情報や１日毎のエリアＭ１〜Ｍ９全域に関する情報である。また、イベント情報は、例えば１日毎の上記の矩形エリアよりも細分化されたエリアに関する情報である。

例えば、推定人口情報によって示される人口は、値変換のない線形化処理が行なわれて線形化人口分布データとなる。また、天候情報に含まれる降水量は、１ｍｍ未満であれば「０」とするとともに、１ｍｍ以上であれば「１」とする線形化処理が行なわれて線形化天気データとなる。なお、天候情報に含まれる降水量は、１ｍｍ未満であれば「０」とし、５ｍｍ未満であれば「１」とし、１０ｍｍ以下であれば「２」とし、２０ｍｍ以上であれば「３」とする線形化処理が行なわれて線形化天気データとなってもよい。

また、天候情報に含まれる気温（例えば最高気温）は、１０〜２０℃であれば不快指数として最低の「１」とし、１０℃未満又は３０℃以上であれば不快指数として「２」とし、３５℃以上であれば不快指数として最高の「３」とする線形化処理が行なわれて線形化天気データとなってもよい。

また、イベント情報に含まれるイベントのカテゴリは、「スポーツ」であればイベント規模として最低の「１」とし、「展示会」であればイベント規模として「２」とし、「祭り・花火」であればイベント規模として最高の「３」とする線形化処理が行なわれて線形化イベントデータとなる。

また、イベント情報に含まれるイベントの開催時間帯は、「平日１時」であれば利用度として最低の「１」とし、「平日１５時」であれば利用度として「２」とし、「休日１７時」であれば利用度として最高の「３」とする線形化処理が行なわれて線形化イベントデータとなる。なお、上記の線形化処理の方法は一例であって、散布図等を作成して傾向を見ながら線形化処理を行なうのが好ましい。

そして、需要予測サーバでは、図３に示されるように、空間加重（地理的加重）処理が行われる。この処理では、予測基準エリアＡ１と、この予測基準エリアＡ１と同一の道路Ｒ上の予測対象エリアとの間の距離が短いほど、需要予測のための回帰式における残差を重要視して加重をかける空間回帰分析が行われる。これにより、エリア間の距離が近いほど、需要件数の予測に用いられる回帰式における説明変数の係数が近い値になる（即ち、回帰式が似てくる）。

ここで、利用者によって利用される駅及びバス停周辺や病院周辺や交通空白地帯周辺等の、タクシー需要に影響を与える施設の領域内に、予測基準エリアＡ１や予測対象エリアが含まれる場合、このような領域の属性を示す施設情報にも基づいて、予測基準エリアＡ１や予測対象エリアに関する需要件数の予測に用いられる回帰式における説明変数の係数が算出される。需要予測サーバでは、実際の乗車数を用いて回帰分析を行なって、決定された適用範囲に関して予測される需要件数Ｙ_ｉやＹ_ｋを目的変数とした回帰式を求めて、この回帰式を用いて需要件数を求める。需要件数は、例えば１時間毎の上記の矩形エリアよりも細分化されたエリアに関する情報である。

（２）需要予測サーバの構成
引き続き、需要予測サーバの構成について、図４及び図５を用いて説明する。図４は、この需要予測サーバ１０の機能別モジュール構成の概略を説明するための機能構成図であり、図５は、この需要予測サーバ１０の物理構成の概略を説明するための物理構成図である。

需要予測サーバ１０は、図５に示されるように、物理的な構成要素としてＣＰＵ１０１、ＲＡＭ１０２、ＲＯＭ１０３、通信モジュール１０４、及び補助記憶装置１０５等のハードウェアにより構成されている。これらの構成要素が動作することにより、以下に説明する各機能が発揮される。

需要予測サーバ１０は、図４に示されるように、機能的な構成要素として、データ取得部１（推定取得手段）、線形化実行部２（イベント取得手段）、空間加重部３（距離取得手段）、回帰分析部４（予測手段）、及び需要予測部５（予測手段）を備えている。

データ取得部１は、上記の所定エリアＭ１〜Ｍ９において推定される人口や人口分布を示す推定人口情報を取得する部分である。推定人口情報は、上記の所定エリアＭ１〜Ｍ９を特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、この推定人口情報が有効な時間帯を示す時間とともにデータ取得部１によって後述する記憶形式で記憶される。

ここで、データ取得部１は、この所定エリアＭ１〜Ｍ９において所定時間内（例えば１時間以内）に、携帯電話端末といった携帯端末による通信事業者への位置登録処理が行われた処理件数に関する件数情報を推定人口情報として取得してもよく、静的な測位によるデータに基づく件数情報を推定人口情報として取得してもよく、昼夜別の統計に基づく人口に関する人口情報を推定人口情報として取得してもよい。データ取得部１は、所定時間経過後毎（例えば１時間毎）に、推定人口情報を取得する。データ取得部１は、この件数情報を例えば通信事業者から受信することによって取得する。

また、データ取得部１は、上記の所定エリアＭ１〜Ｍ９における天候に関する天候情報を取得するとともに、この天候情報に基づく推定人口情報を取得することも可能である。更に、データ取得部１は、上記の所定エリアＭ１〜Ｍ９において行われるイベントＥに関するイベント情報を取得するとともに、このイベント情報に基づく推定人口情報を取得することも可能である。

線形化実行部２は、所定エリアＭ１〜Ｍ９におけるイベントＥに関する規模情報及びイベント位置情報を取得する部分である。規模情報は、イベントＥが集客する集客数といった人口を示す情報であり、イベント位置情報は、イベントＥの開催によってタクシーの配車サービスの提供が比較的強く必要とされる場所を示す情報である。

そして、線形化実行部２は、需要件数の予測対象となる予測基準エリアＡ１と重なるエリアに関する後述の推定人口情報Ｄ０５や、予測基準エリアＡ１と重なるエリアに関する後述の天気や気温に関する天候情報Ｄ０６や、予測基準エリアＡ１と重なるエリアにおけるイベントＥやその開催時間帯に関するイベント情報等を数値化して、線形回帰のための線形化を行なう。上記したように、予測基準エリアＡ１と重なるエリアに関する情報が必要となるため、推定人口情報Ｄ０５や天候情報Ｄ０６等の各情報が有するメッシュ形状は互いに異なっていてもよい。線形化を行なう際に用いる関数は、目的変数（タクシー需要件数）と各説明変数との散布図（例えば、比例の関係か二次関数の関係かを示す図）等を参照することにより設定される。

なお、予測基準エリアＡ１は道路Ｒの一部をカバーしており、この道路Ｒは道路ラインとして識別用の道路ＩＤとともに線形化実行部２によって後述する記憶形式で記憶される。

空間加重部３は、線形化実行部２によって取得されたイベント位置情報が示すイベントＥの位置と、需要件数の予測対象となる予測基準エリアＡ１の位置との距離を示す基準距離情報を取得する部分である。また、空間加重部３は、予測基準エリアＡ１の位置と、予測基準エリアＡ１と同一の道路Ｒ上に位置する予測対象エリアＡ２〜Ａ４のそれぞれの位置との距離を示す相対距離情報を取得する。更に、空間加重部３は、予測基準エリアＡ１及び予測対象エリアＡ２〜Ａ４のそれぞれが含まれる領域の施設（例えば、駅及びバス停周辺や病院周辺や交通空白地帯周辺等の施設）の属性に関する施設情報（領域属性情報）を取得する。

そして、空間加重部３は、取得した相対距離情報を用いて、回帰分析における空間加重（地理的加重）処理を回帰分析部４とともに行なう。通常の回帰分析では、各回帰式の残差の二乗和が最小になるようにするが、空間加重部３は、地理的に近いところほど回帰式が似ている（即ち、説明変数の係数が近い）ことを考慮している。言い換えれば、空間加重部３は、残差の二乗和を算出する際に、地理的に近いところを重要視するために加重をかける。例えば、予測基準エリアＡ１と、この予測基準エリアＡ１と同一の道路Ｒ上の予測対象エリアとの間の距離が短いほど、回帰式が似てくることが考慮されている。

なお、上記の施設情報としての、施設を特定するための識別用の施設ＩＤと、この施設の形状を示すポリゴンと、この施設が与える人口変化に関する影響力とは、空間加重部３によって後述する記憶形式で記憶される。

回帰分析部４は、データ取得部１によって取得された推定人口情報と、線形化実行部２によって取得された規模情報及び空間加重部３によって取得された基準距離情報に基づく説明変数とを用いて回帰分析することによって、予測基準エリアＡ１における需要件数を予測する際に用いられる説明変数を含む回帰式といった予測用データを、算出して生成する部分である。

また、回帰分析部４は、空間加重部３により取得された基準距離情報が示す距離が短いほど、上記の説明変数が大きくなるように重み付けを行なう。更に、回帰分析部４は、残差が小さくなるように重み付けして回帰分析を行なうことによって、回帰式における説明変数の係数を算出して、予測対象エリアＡ２〜Ａ４における需要件数を予測する。回帰式における説明変数の係数に関しては、空間加重部３によって取得された相対距離情報が示す距離（例えば後述のｄ_ｉｊ）が短いほど、説明変数の係数が近い値になる（即ち、回帰式が似てくる）。なお、回帰分析部４は、空間加重部３によって取得された施設情報が示す属性にも基づいて、需要件数の予測に用いられる回帰式における説明変数の係数を算出することもできる。これによって例えば、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与えるエリアであるため、需要件数の予測に用いられる回帰式における説明変数の係数が近い値になる。上記の説明変数を算出するために用いる実際に利用客によるタクシーへの乗車が行なわれた地点を示すポイントと、乗車が行なわれた日時を示す時間とは、回帰分析部４によって後述する記憶形式で記憶される。

ここで、回帰分析部４によって算出される回帰式について説明する。回帰分析部４は、予測基準エリアＡ１の位置ｉにおける需要件数を示す目的変数Ｋ_ｉを求めるための下記の数式（１）〜（３）に関して、最も当てはまりがよくなる位置ｉにおける最適な説明変数の係数（例えばβ_ｉｎ（ｎは０，…，ｎ））を求め、位置ｉにおける需要件数を求めるための回帰式として確定させる。なお、ｘ_ｎｉ（ｎは０，…，ｎ）は、地点ｉにおける人口や降水量や気温が線形化された数値であり、ε_ｉは、回帰式を用いて予測した需要件数と実際の乗車数とのズレを示す残差である。ここで、ε_ｉ、ε_ｊ、ε_ｋ、…が用いられた下記の数式（４）の値が最小となるようなβ_ｉｎ（ｎは０，…，ｎ）が求められる。なお、ｄ_ｉｊは、地点ｉと地点ｊの二地点間の距離を示し、ｂ_ｉは位置ｉに応じて変更される値（より詳しくは、施設情報が示す属性値）である。

次に、回帰分析部４は、エリアＡ２を予測基準エリアとして、需要件数を求めるための回帰式を確定するために、上記の数式（１）〜数式（４）における添字「ｉ」に「ｊ」を当てはめて、位置ｊにおける需要件数を求めるための回帰式として確定させる。このように、エリアＡ１に関する処理の終了後は、エリアＡ２、エリアＡ３といったように他のエリアを予測基準エリアに変更し、それぞれのエリアに関する処理を同様に行う。

また、回帰分析部４は、空間加重部３に記憶される施設情報が示す属性にも基づいた説明変数の係数βを算出して需要件数を予測する。より詳しくは、施設情報が示す属性に基づいて空間回帰分析における残差の重みが考慮されて、説明変数の係数βが算出される。例えば、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与えるエリア（即ち、後述の影響力としての上記ｂ_ｉが比較的大きいエリア）であるため、需要件数の予測に用いられる回帰式における説明変数の係数βが近い値になる（即ち、回帰式が似ている範囲が比較的広くなる）。一方、病院周辺（特に患者専用出入口等の局所的な場所）といったような比較的狭い場所に対してタクシーの配車が行われる場合、タクシー需要に関して狭い範囲に影響を与えるエリア（即ち、後述の影響力としての上記ｂ_ｉが比較的小さいエリア）であるため、需要件数の予測に用いられる回帰式における説明変数の係数βが離れた値になる（即ち、回帰式が似ている範囲が比較的狭くなる）。

需要予測部５は、回帰分析部４によって生成された予測用データを用いて、予測基準エリアＡ１や予測対象エリアＡ２〜Ａ４のそれぞれにおける需要件数を予測する部分である。需要予測部５は、予測結果としての需要件数の多少に応じて地図上に色分けして表示することにより可視化することができる。予測基準エリアＡ１や予測対象エリアＡ２〜Ａ４のそれぞれにおける需要件数を予測する際に用いられる説明変数を含む回帰式と、この回帰式を用いて得られる予測される需要件数とは、需要予測部５によって後述する記憶形式で記憶される。

（３）エリアＩＤと推定人口情報との記憶形式の一例
引き続き、データ取得部１によって記憶されるエリアＩＤと推定人口情報との記憶形式の一例について、図６を用いて説明する。図６は、エリアＩＤと推定人口情報との記憶形式の一例を説明するＤＢ構成図である。

図６に示されるように、データ取得部１においては、所定エリアを特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、この推定人口情報が有効な時間帯を示す時間と、このエリアにおける推定人口情報とが関連付けて記憶されている。

（４）エリアＩＤと降水量との記憶形式の一例
引き続き、データ取得部１によって記憶されるエリアＩＤと天候情報である降水量との記憶形式の一例について、図７を用いて説明する。図７は、エリアＩＤと降水量との記憶形式の一例を説明するＤＢ構成図である。

図７に示されるように、データ取得部１においては、所定エリアを特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、この降水量に関する情報が有効な時間帯を示す時間と、降水量とが関連付けて記憶されている。

（５）エリアＩＤと気温との記憶形式の一例
引き続き、データ取得部１によって記憶されるエリアＩＤと天候情報である気温との記憶形式の一例について、図８を用いて説明する。図８は、エリアＩＤと気温との記憶形式の一例を説明するＤＢ構成図である。

図８に示されるように、データ取得部１においては、所定エリアを特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、この気温に関する情報が有効な時間帯を示す時間と、気温とが関連付けて記憶されている。

（６）イベント情報の記憶形式の一例
引き続き、データ取得部１によって記憶されるイベント情報の記憶形式の一例について、図９を用いて説明する。図９は、イベント情報の記憶形式の一例を説明するＤＢ構成図である。

図９に示されるように、データ取得部１においては、イベント開催エリアの中心位置をｘｙ座標（即ち緯度経度）で示すポイントと、このイベントの開催時間帯を示す時間と、このイベントの動員数や集客数や来場者数を示すイベント規模とが関連付けて記憶されている。

（７）道路ＩＤと道路ラインとの記憶形式の一例
引き続き、線形化実行部２によって記憶される道路ＩＤと道路ラインとの記憶形式の一例について、図１０を用いて説明する。図１０は、道路ＩＤと道路ラインとの記憶形式の一例を説明するＤＢ構成図である。

図１０に示されるように、線形化実行部２においては、道路ラインと、道路ラインそれぞれに対して一意に割り振られた識別用の道路ＩＤとが関連付けて記憶されている。

（８）施設ＩＤと影響力との記憶形式の一例
引き続き、空間加重部３によって記憶される施設情報である施設ＩＤと影響力との記憶形式の一例について、図１１を用いて説明する。図１１は、施設ＩＤと影響力との記憶形式の一例を説明するＤＢ構成図である。

図１１に示されるように、空間加重部３においては、駅及びバス停周辺や病院周辺や交通空白地帯周辺等の施設それぞれに対して一意に割り振られた識別用の施設ＩＤと、この施設のポリゴンと、この施設による影響力とが関連付けて記憶されている。この影響力としては、デフォルト値ｂ_ｎ（ｎはｊ，…，ｋ）が初期設定されており、上記のように、駅周辺といったような比較的広い場所に対してタクシーの配車が行われる場合、タクシー需要に関して広い範囲に影響を与える予測適用エリアであるため、このデフォルト値ｂ_ｎよりも大きい値が地理的加重値として設定される。同様に、病院周辺（特に患者専用出入口等の局所的な場所）といったような比較的狭い場所に対してタクシーの配車が行われる場合、タクシー需要に関して狭い範囲に影響を与える予測適用エリアであるため、このデフォルト値ｂ_ｎよりも小さい値が地理的加重値として設定される。

（９）乗車が行なわれた地点と日時との記憶形式の一例
引き続き、回帰分析部４によって記憶される、乗車が行なわれた地点と日時との記憶形式の一例について、図１２及び図１３を用いて説明する。図１２は、実際に利用客によるタクシーへの乗車が行なわれた地点をｘｙ座標（即ち緯度経度）で示すポイントと、乗車が行なわれた日時を示す時間との記憶形式の一例を説明するＤＢ構成図である。また、図１３は、乗車が行なわれた日時を示す時間に対応する曜日と、その日は平日であるか休日であるかとの記憶形式の一例を説明するＤＢ構成図である。

図１２に示されるように、回帰分析部４においては、ポイントと、時間とが関連付けて記憶されている。また、図１３に示されるように、カレンダー情報として、乗車が行なわれた日時を示す時間に対応する曜日と、その日は平日であるか休日であるかが関連付けて記憶されている。

（１０）エリアＩＤと対応付けて記憶される情報の記憶形式の一例
引き続き、需要予測部５によって記憶される、エリアＩＤと対応付けて記憶される情報の記憶形式の一例について、図１４〜図１８を用いて説明する。図１４は、エリアＩＤと中心点ポイントとの記憶形式の一例を説明するＤＢ構成図であり、図１５は、エリアＩＤと、後述の回帰式データＤ１１としての回帰式との記憶形式の一例を説明するＤＢ構成図である。また、図１６は、エリアＩＤと、予測された需要件数としてみなすことができる予想される乗車数との記憶形式の一例を説明するＤＢ構成図であり、図１７は、エリアＩＤと、後述の予測用データＤ１７としての回帰式との記憶形式の一例を説明するＤＢ構成図である。更に、図１８は、エリアＩＤと、過去の実績データとしての各種情報との記憶形式の一例を説明するＤＢ構成図である。

図１４に示されるように、需要予測部５においては、所定エリアを特定するための識別用のエリアＩＤと、このエリアの形状を示すエリアポリゴンと、このエリアの重心点といった中心点の位置をｘｙ座標（即ち緯度経度）で示す中心点ポイントとが関連付けて記憶されている。

また、図１５に示されるように、需要予測部５においては、後述の回帰式データＤ１１としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、対応する所定エリアに関する需要件数の予測に用いられる回帰式とが関連付けて記憶されている。

更に、図１６に示されるように、需要予測部５においては、予測結果としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、対応する回帰式を用いて得られる予測される乗車数とが関連付けて記憶されている。

また、図１７に示されるように、需要予測部５においては、後述の予測用データＤ１７としての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、回帰式と、降水量及び気温に関する情報が有効な時間帯を示す時間と、イベントが催されない通常時の人口と、降水量と、気温と、イベントが催された場合の動員数や集客数や来場者数を示すイベントインパクトと、上記の地理的加重値とが関連付けて記憶されている。

更に、図１８に示されるように、需要予測部５においては、過去の実績データとしての、エリアＩＤと、エリアポリゴンと、中心点ポイントと、降水量及び気温に関する情報が有効な時間帯を示す時間と、利用客によって実際に乗車が行なわれた乗車数と、イベントが催されない通常時の人口と、降水量と、気温と、上記のイベントインパクトと、上記の地理的加重値とが関連付けて記憶されている。

（１１）道路と重なる所定エリアを抽出するエリア抽出処理の流れ
引き続き、データ取得部１によって行なわれる、道路と重なる所定エリアを抽出するエリア抽出処理の流れについて、図１９を用いて説明する。図１９は、道路と重なる所定エリアを抽出するエリア抽出処理の流れを示すフローチャートである。

まず、データ取得部１が、一辺１０〜５００ｍ程度の任意のサイズの矩形のメッシュ状に区切られた所定エリアを規定するための境界情報を含む詳細メッシュ情報を決定して生成する（ステップＳ０１）。この所定エリア全体は、例えば縦及び横のそれぞれが数ｋｍ〜数十ｋｍの略矩形状である。なお、上記の所定エリアの形状は、メッシュ状に限られない。

次に、データ取得部１が、道路Ｒの領域を示す道路データＤ０１を用いて、上記のメッシュ状の所定エリアと道路Ｒとの重なりを調べて、道路Ｒと重なる所定エリアを、予測基準エリアＡ１として抽出し、この所定エリアにおいて推定される人口を示す推定人口情報を取得することによって、結果表示エリアデータＤ０２を生成する（ステップＳ０２、推定取得ステップ）。そして、一連のエリア抽出処理が終了する。

（１２）回帰式を算出する回帰式算出処理の流れ
引き続き、線形化実行部２、空間加重部３、及び回帰分析部４によって行なわれる、回帰式を算出する回帰式算出処理の流れについて、図２０を用いて説明する。図２０は、回帰式を算出する回帰式算出処理の流れを示すフローチャートである。

まず、データ取得部１によって生成された結果表示エリアデータＤ０２の他に、回帰分析部４によって記憶される乗車地点ポイントと乗車日時とを示す乗車データＤ０３（図１２参照）や、線形化実行部２によって取得されたイベントＥに関する規模情報及びイベント位置情報を含む線形化イベントデータＤ０８や、空間加重部３によって記憶される施設ＩＤとポリゴンと影響力とを示す施設データＤ０４（図１１参照）や、線形化実行部２によって線形化された線形化人口分布データＤ０５や線形化天気データＤ０６や線形化気温データＤ０７や線形化時間帯データＤ０９が、生成される（イベント取得ステップ）。

そして、空間加重部３が、これらのデータを取得して、イベントＥの位置と予測基準エリアＡ１との距離を示す基準距離情報を取得するとともに、予測基準エリアＡ１と予測対象エリア（ここでは予測対象エリアＡ２とする）との距離を示す相対距離情報を取得し（距離取得ステップ）、回帰分析部４とともに分析処理を行なうことによって、分析データＤ１０を生成する（ステップＳ０３）。ここでは、より詳しくは、第一の処理としての乗車データＤ０３の結合と、第二の処理としての線形化人口分布データＤ０５の結合と、第三の処理としての線形化天気データＤ０６の結合と、第四の処理としての線形化気温データＤ０７の結合と、第五の処理としての線形化イベントデータＤ０８の結合と、第六の処理としての施設データＤ０４の結合と、第七の処理としての線形化時間帯データＤ０９の結合とが行なわれる。

第一の処理としての乗車データＤ０３の結合では、各エリアポリゴンに含まれる各指定時間幅（例えば１時台、２時台等）の乗車ポイント数をカウントし、「乗車数」に追加する処理が行われる。

第二の処理としての線形化人口分布データＤ０５の結合では、中心点ポイントと重なる線形化人口分布データＤ０５の対象エリアに対応する時間の人口値を「人口」に追加する処理が行われる。

第三の処理としての線形化天気データＤ０６の結合では、中心点ポイントと重なる線形化天気データＤ０６の対象エリアに対応する時間の降水量値を「降水量」に追加する処理が行われる。

第四の処理としての線形化気温データＤ０７の結合では、中心点ポイントと重なる線形化気温データＤ０７の対象エリアに対応する時間の気温値を「気温」に追加する処理が行われる。

第五の処理としての線形化イベントデータＤ０８の結合では、中心点ポイントからイベントデータの各ポイントまでの距離を計算し、イベント規模に距離による減衰関数を掛け合わせて、全てのイベントに関して足し合わせた値を「イベントインパクト」に追加する処理が行われる。

第六の処理としての施設データＤ０４の結合では、中心点ポイントと重なる施設データＤ０４の各ポリゴンの影響力を「地理的加重値」に追加する処理が行われる。なお、重なるポリゴンがない場合は、定数がデフォルト値ｂ_ｎ（ｎはｊ，…，ｋ）として初期設定される。

第七の処理としての線形化時間帯データＤ０９の結合では、対応する時間帯の値を追加する処理が行われる。

次に、回帰分析部４が、生成された分析データＤ１０を用いて、空間回帰分析の実行がされていない地点やエリア（例えば位置ｉとする）に関して空間回帰分析を実行する（ステップＳ０４、予測ステップ）。ここで、残差ε_ｉ、ε_ｊ、ε_ｋ、…が求められる。そして、回帰分析部４が、需要件数の予測対象となる全ての地点やエリアに関して空間回帰分析の実行が終了したか否かを判定する（ステップＳ０５、予測ステップ）。空間回帰分析の実行がされていない地点やエリアがある場合は（例えば位置ｊとする）、上記のステップＳ０４に戻って移行し、（ここでは位置ｊに関して）空間回帰分析が実行される。より詳しくは、例えば、上記の数式（１）〜数式（４）における添字「ｉ」に「ｊ」を当てはめて、同様に残差ε_ｉ、ε_ｊ、ε_ｋ、…が求められる。一方、需要件数の予測対象となる全ての地点やエリアに関して空間回帰分析の実行が終了した場合は、回帰分析部４が、空間回帰分析の実行結果に基づいて、需要件数を予測する際に用いられる説明変数を含む回帰式といった予測用回帰式データＤ１１を、算出して生成する。そして、一連の回帰式算出処理が終了する。

（１３）予測結果データを生成するデータ生成処理の流れ
引き続き、需要予測部５によって行なわれる、回帰式に各説明変数の予測値を代入することによって予測結果データを生成するデータ生成処理の流れについて、図２１を用いて説明する。図２１は、予測結果データを生成するデータ生成処理の流れを示すフローチャートである。

まず、回帰分析部４によって生成された予測用回帰式データＤ１１の他に、施設データＤ０４（図１１参照）や、線形化人口分布データＤ０５や線形化天気データＤ０６や線形化気温データＤ０７や線形化イベントデータＤ０８や線形化時間帯データＤ０９を用いて、需要予測部５が、需要件数の予測対象となるエリア及び日時と予測用回帰式データＤ１１とが対応付けされた予測用データＤ１７を生成する（ステップＳ０６、予測ステップ）。ここでは、より詳しくは、第一の処理としての線形化人口分布データＤ０５の結合と、第二の処理としての線形化天気データＤ０６の結合と、第三の処理としての線形化気温データＤ０７の結合と、第四の処理としての線形化イベントデータＤ０８の結合と、第五の処理としての施設データＤ０４の結合と、第六の処理としての線形化時間帯データの結合とが行なわれる。

第一の処理としての線形化人口分布データＤ０５の結合では、中心点ポイントと重なる線形化人口分布データＤ０５の対象エリアに対応する時間の人口値を「人口」に追加する処理が行われる。

第二の処理としての線形化天気データＤ０６の結合では、中心点ポイントと重なる線形化天気データＤ０６（予測値）の対象エリアに対応する時間の降水量値を「降水量」に追加する処理が行われる。

第三の処理としての線形化気温データＤ０７（予測値）の結合では、中心点ポイントと重なる線形化気温データＤ０７の対象エリアに対応する時間の気温値を「気温」に追加する処理が行われる。

第四の処理としての線形化イベントデータＤ０８（予測値）の結合では、中心点ポイントからイベントデータの各ポイントまでの距離を計算し、イベント規模に距離による減衰関数を掛け合わせて、全てのイベントに関して足し合わせた値を「イベントインパクト」に追加する処理が行われる。

第五の処理としての施設データＤ０４の結合では、中心点ポイントと重なる施設データＤ０４の各ポリゴンの影響力を「地理的加重値」に追加する処理が行われる。なお、重なるポリゴンがない場合は、定数がデフォルト値ｂ_ｎ（ｎはｊ，…，ｋ）として初期設定される。

第六の処理としての線形化時間帯データの結合では、対応する時間帯の値を追加する処理が行われる。

なお、線形化人口分布データＤ０５の予測値は、例えば、対象の日の属性（例えば曜日、時間、休日か平日か）における平均的な値が用いられる。また、線形化天気データＤ０６、線形化気温データＤ０７の予測値は、例えば、天気予報データが用いられる。更に、線形化イベントデータＤ０８の予測値は、例えば、イベント集約サイトに掲載された情報や、イベント発見アルゴリズムによる検出結果が用いられる。

そして、需要予測部５が、生成された予測用データＤ１７を用いて、予測基準エリアＡ１や予測対象エリアＡ２〜Ａ４における需要件数を予測し（ステップＳ０７、予測ステップ）、予測結果を示す予測結果データＤ１８（図１５参照）を算出して生成する。そして、一連のデータ生成処理が終了する。

（１４）本発明による作用及び効果
需要予測サーバ１０では、まず、所定エリアにおいて推定される人口を示す推定人口情報を取得し、所定エリアに含まれる予測基準エリアの位置と、予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する。そして、推定人口情報と、相対距離情報に基づく残差とを用いて回帰分析することによって、予測対象エリアにおける需要件数を予測する。なお、相対距離情報が示す距離が短いほど残差が小さくなるように重み付けする。

ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。需要予測サーバ１０では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、予測基準エリアの位置と予測対象エリアの位置との距離が短いほど、需要件数を予測する際の差異となる残差が小さくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、需要予測サーバ１０では、まず、推定人口情報と規模情報及びイベント位置情報とを取得し、イベント位置情報が示すイベントの位置と、予測基準エリアの位置との距離を示す基準距離情報を取得する。そして、推定人口情報と、規模情報及び基準距離情報に基づく残差とを用いて回帰分析することによって、予測基準エリアにおける需要件数を予測する。なお、基準距離情報が示す距離が短いほど、規模情報及び基準距離情報に基づく説明変数が大きくなるように重み付けする。

ここで、取得された推定人口情報によって示される人口が多くなるほど、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。需要予測サーバ１０では、サービスの提供を必要としていると推測される人数と相関関係を有する上記の推定人口情報を考慮に入れているだけでなく、イベントの位置と予測基準エリアの位置との距離が短いほど、上記の説明変数が大きくなる条件を地理的なデータとして考慮に入れて回帰分析することによって需要件数を予測するため、より精度良く需要予測を行なうことが可能になる。

また、件数情報によって示される位置登録処理が行われた処理件数が多くなるほど、携帯端末の保有者が多いと推測されるため、サービスの提供を必要としていると推測される人数も多くなるという相関関係がある。このため、この構成により、人口の動的な変化を推定することができるようになるため、より精度良く需要予測を行なうことが可能になる。

また、所定エリアにおける天候に関する天候情報が考慮に入れられて需要件数が予測されるため、より精度良く需要予測を行なうことが可能になる。

また、予測基準エリアや予測対象エリアが含まれる領域の属性に基づいて、より精度良く需要予測を行なうことが可能になる。

（１５）変形例
上記の実施例では、需要予測サーバ１０は、タクシー会社に配備され、タクシー配車サービスの利用を望む利用客の需要を予測する装置として説明したが、サービスの内容は特に限定されず、例えば、電車やバスや新交通システム等他の公共交通機関による輸送サービスにおける目的変数としての乗車数の予測であってもよく、物品販売サービスにおける目的変数としての売り上げの予測（商圏分析）であってもよい。

本発明によれば、より精度良く需要予測を行なうことができる。

１…データ取得部、２…線形化実行部、３…空間加重部、４…回帰分析部、５…需要予測部、１０…需要予測サーバ、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置、Ａ１…予測基準エリア、Ａ２〜Ａ４…予測対象エリア、Ｄ０１…道路データ、Ｄ０２…結果表示エリアデータ、Ｄ０３…乗車データ、Ｄ０４…施設データ、Ｄ０５…線形化人口分布データ、Ｄ０６…線形化天気データ、Ｄ０７…線形化気温データ、Ｄ０８…線形化イベントデータ、Ｄ０９…線形化時間帯データ、Ｄ１０…分析データ、Ｄ１１…予測用回帰式データ、Ｄ１７…予測用データ、Ｄ１８…予測結果データ、Ｅ…イベント、Ｇ…エリアグループ、Ｍ１〜Ｍ９…エリア、Ｒ…道路。

Claims (8)

1. サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、
   所定エリアにおいて推定される人口を示す推定人口情報を取得する推定取得手段と、
   前記所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアを基準とした需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得する距離取得手段と、
   前記推定取得手段によって取得された前記推定人口情報と、前記距離取得手段によって取得された前記相対距離情報に基づく残差とを用いて回帰分析することによって、前記予測対象エリアにおける需要件数を予測する予測手段と、
   を備え、
   前記予測手段は、前記相対距離情報が示す距離が短いほど前記残差が小さくなるように重み付けして前記需要件数を予測することを特徴とする需要予測装置。
2. サービスの利用を望む利用者の需要件数を予測する需要予測装置であって、
   所定エリアにおいて推定される人口を示す推定人口情報を取得する推定取得手段と、
   前記所定エリアにおけるイベントに関する規模情報及びイベント位置情報を取得するイベント取得手段と、
   前記イベント取得手段によって取得された前記イベント位置情報が示す前記イベントの位置と、需要件数の予測対象となる予測基準エリアの位置との距離を示す基準距離情報を取得する距離取得手段と、
   前記推定取得手段によって取得された前記推定人口情報と、前記イベント取得手段によって取得された前記イベントの規模情報及び前記距離取得手段によって取得された前記基準距離情報に基づく説明変数とを用いて回帰分析することによって、前記予測基準エリアにおける需要件数を予測する予測手段と、
   を備え、
   前記予測手段は、前記基準距離情報が示す距離が短いほど前記説明変数が大きくなるように重み付けして前記需要件数を予測することを特徴とする需要予測装置。
3. 前記距離取得手段は、前記所定エリアに含まれる予測基準エリアの位置と、当該予測基準エリアと同一の道路上に位置するとともに需要件数の予測対象となる予測対象エリアの位置との距離を示す相対距離情報を取得し、
   前記予測手段は、前記距離取得手段によって取得された前記相対距離情報が示す距離が短いほど小さくなる、当該相対距離情報に基づく残差を用いて回帰分析することによって、前記予測対象エリアにおける需要件数を予測することを特徴とする請求項２に記載の需要予測装置。
4. 前記推定取得手段は、前記所定エリアにおいて所定時間内に携帯端末による位置登録処理が行われた処理件数に関する件数情報を前記推定人口情報として取得することを特徴とする請求項１〜３のいずれかに記載の需要予測装置。
5. 前記推定取得手段は、前記所定エリアにおける天候に関する天候情報を取得するとともに当該天候情報に基づく前記推定人口情報を取得することを特徴とする請求項１〜４のいずれかに記載の需要予測装置。
6. 前記距離取得手段は、前記予測基準エリアが含まれる領域の属性に関する領域属性情報を取得し、
   前記予測手段は、前記距離取得手段によって取得された前記領域属性情報が示す前記属性に基づいた説明変数の係数を算出して需要件数を予測することを特徴とする請求項１〜５のいずれかに記載の需要予測装置。
7. サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、
   所定エリアにおいて推定される人口を示す推定人口情報を前記需要予測装置が取得する推定取得ステップと、
   前記所定エリアに含まれる予測基準エリアの位置と、当該予測対象エリアを基準とした需要件数の予測対象となる比較対象エリアの位置との距離を示す相対距離情報を前記需要予測装置が取得する距離取得ステップと、
   前記推定取得ステップで取得された前記推定人口情報と、前記距離取得ステップで取得された前記相対距離情報に基づく残差とを用いて前記需要予測装置が回帰分析することによって、前記予測対象エリアにおける需要件数を前記需要予測装置が予測する予測ステップと、
   を有し、
   前記予測ステップでは、前記相対距離情報が示す距離が短いほど前記残差が小さくなるように重み付けして前記需要件数を前記需要予測装置が予測することを特徴とする需要予測方法。
8. サービスの利用を望む利用者の需要件数を予測する需要予測装置が行う需要予測方法であって、
   所定エリアにおいて推定される人口を示す推定人口情報を前記需要予測装置が取得する推定取得ステップと、
   前記所定エリアにおけるイベントに関する規模情報及びイベント位置情報を前記需要予測装置が取得するイベント取得ステップと、
   前記イベント取得ステップで取得された前記イベント位置情報が示す前記イベントの位置と、需要件数の予測対象となる予測対象エリアの位置との距離を示す基準距離情報を前記需要予測装置が取得する距離取得ステップと、
   前記推定取得ステップで取得された前記推定人口情報と、前記イベント取得ステップで取得された前記イベントの規模情報及び前記距離取得ステップで取得された前記基準距離情報に基づく説明変数とを用いて前記需要予測装置が回帰分析することによって、前記予測対象エリアにおける需要件数を前記需要予測装置が予測する予測ステップと、
   を有し、
   前記予測ステップでは、前記基準距離情報が示す距離が短いほど前記説明変数が大きくなるように重み付けして前記需要件数を前記需要予測装置が予測することを特徴とする需要予測方法。
   

Images