国際・国内特許データベース検索
このアプリケーションの一部のコンテンツは現在ご利用になれません。
この状況が続く場合は、次のお問い合わせ先までご連絡ください。ご意見・お問い合わせ
1. (WO2020009246) 時系列学習装置、時系列学習方法、時系列予測装置、時系列予測方法、及びプログラム
国際事務局に記録されている最新の書誌情報第三者情報を提供

国際公開番号: WO/2020/009246 国際出願番号: PCT/JP2019/027006
国際公開日: 09.01.2020 国際出願日: 08.07.2019
IPC:
G08G 1/01 (2006.01) ,G06N 3/08 (2006.01) ,G06Q 10/04 (2012.01) ,G08G 1/00 (2006.01)
G 物理学
08
信号
G
交通制御システム
1
道路上の車両に対する交通制御システム
01
計数または制御されるべき交通量の検出
G 物理学
06
計算;計数
N
特定の計算モデルに基づくコンピュータ・システム
3
生物学的モデルに基づくコンピュータ・システム
02
ニューラル・ネットワーク・モデルを用いるもの
08
学習方法
G 物理学
06
計算;計数
Q
管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したデータ処理システムまたは方法;他に分類されない,管理目的,商用目的,金融目的,経営目的,監督目的または予測目的に特に適合したシステムまたは方法
10
管理;経営
04
予測あるいは最適化,例.線形計画法,巡回セールスマン問題,板取問題
G 物理学
08
信号
G
交通制御システム
1
道路上の車両に対する交通制御システム
出願人:
日本電信電話株式会社 NIPPON TELEGRAPH AND TELEPHONE CORPORATION [JP/JP]; 東京都千代田区大手町一丁目5番1号 5-1, Otemachi 1-chome, Chiyoda-ku, Tokyo 1008116, JP
発明者:
唐 恒進 TO, Koshin; JP
松林 達史 MATSUBAYASHI, Tatsushi; JP
戸田 浩之 TODA, Hiroyuki; JP
代理人:
特許業務法人太陽国際特許事務所 TAIYO, NAKAJIMA & KATO; 東京都新宿区新宿4丁目3番17号 3-17, Shinjuku 4-chome, Shinjuku-ku, Tokyo 1600022, JP
優先権情報:
2018-12935306.07.2018JP
発明の名称: (EN) TIME-SERIES LEARNING DEVICE, TIME-SERIES LEARNING METHOD, TIME-SERIES PREDICTION DEVICE, TIME-SERIES PREDICTION METHOD, AND PROGRAM
(FR) DISPOSITIF D'APPRENTISSAGE EN SÉRIE CHRONOLOGIQUE, PROCÉDÉ D'APPRENTISSAGE EN SÉRIE CHRONOLOGIQUE, DISPOSITIF DE PRÉDICTION EN SÉRIE CHRONOLOGIQUE, PROCÉDÉ DE PRÉDICTION EN SÉRIE CHRONOLOGIQUE, ET PROGRAMME
(JA) 時系列学習装置、時系列学習方法、時系列予測装置、時系列予測方法、及びプログラム
要約:
(EN) The present invention enables learning of a prediction model for predicting, with high accuracy, the number of people passing at a prediction time. On the basis of learning data for multiple observation points, the learning data including past times at said observation points and the number of people passing said observation points at said past times, a learning unit 300 learns parameters of a prediction model such that, for the observation points, the number of people passing at a time included in said learning data and corresponding to the prediction time matches the number of people predicted to pass said observation points at the prediction time by using said prediction model that has parameters including a third weight that indicates the degree of influence from the number of people passing another observation point, the third weight differing from a first weight that indicates the degree of influence from the number of people passing said another observation point based on the distance from said another observation point, and a second weight that indicates the degree of influence from the number of people passing said another observation point based on the travel route.
(FR) La présente invention permet l'apprentissage d'un modèle de prédiction permettant de prédire, avec une précision élevée, le nombre de personnes passant à un temps de prédiction. Sur la base de données d'apprentissage de multiples points d'observation, les données d'apprentissage comprenant des temps passé au niveau desdits points d'observation et le nombre de personnes passant lesdits points d'observation auxdits temps passés, une unité d'apprentissage (300) apprend des paramètres d'un modèle de prédiction de telle sorte que, pour les points d'observation, le nombre de personnes passant à un temps compris dans lesdites données d'apprentissage et correspondant au temps de prédiction corresponde au nombre de personnes prévues pour faire passer lesdits points d'observation au temps de la prédiction à l'aide dudit modèle de prédiction qui a des paramètres comprenant un troisième poids qui indique le degré d'influence du nombre de personnes passant par un autre point d'observation, le troisième poids étant différent d'un premier poids qui indique le degré d'influence du nombre de personnes passant par ledit autre point d'observation sur la base de la distance dudit autre point d'observation, et un second poids qui indique le degré d'influence du nombre de personnes passant par ledit autre point d'observation sur la base de l'itinéraire de déplacement.
(JA) 精度よく、予測時刻における通過人数の予測を行うための予測モデルを学習することができるようにする。 学習部300が、複数の観測点の各々について、当該観測点の過去の時刻と、当該過去の時刻における当該観測点の通過人数とを含む学習データに基づいて、複数の観測点の各々について、他の観測点との距離に基づく当該他の観測点の通過人数からの影響度を示す第1の重み、及び移動ルートに基づく当該他の観測点の通過人数からの影響度を示す第2の重みとは異なる、当該他の観測点の通過人数からの影響度を示す第3の重みとを含むパラメータを有する予測モデルを用いて予測される、予測時刻の当該観測点の通過人数と、当該学習データに含まれる予測時刻に対応する時刻の通過人数とが一致するように、予測モデルのパラメータを学習する。
front page image
指定国: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
アフリカ広域知的所有権機関 (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
ユーラシア特許庁(EAPO) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
欧州特許庁(EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
アフリカ知的所有権機関(OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
国際公開言語: 日本語 (JA)
国際出願言語: 日本語 (JA)