特許ウォッチ

公開番号2025137162
公報種別公開特許公報(A)
公開日2025-09-19
出願番号2024036212
出願日2024-03-08
発明の名称施策特定プログラム、施策特定方法および情報処理装置
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06Q 50/40 20240101AFI20250911BHJP(計算;計数)
要約【課題】施策の選択精度を向上させることを課題とする。
【解決手段】情報処理装置は、予測モデルの特性に基づいて、検討対象の複数の社会施策に対するフィルタリング処理を実行する。情報処理装置は、フィルタリング処理が実行された1以上の社会施策のシミュレーションの結果に基づいて、検討対象の複数の社会施策の中から、実施対象の社会施策を特定する。
【選択図】図6
特許請求の範囲【請求項１】
コンピュータに、
予測モデルの特性に基づいて、検討対象の複数の社会施策に対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が実行された１以上の社会施策のシミュレーションの結果に基づいて、前記検討対象の複数の社会施策の中から、実施対象の社会施策を特定する、
処理を実行させる施策特定プログラム。
続きを表示（約 2,100 文字）【請求項２】
前記予測モデルは、機械学習を用いて、シミュレーションを代替するモデルであり、
前記フィルタリング処理は、前記シミュレーションを代替する機械学習モデルを用いて、前記検討対象の複数の社会施策の中から、前記フィルタリング処理が実行された１以上の社会施策を特定し、
前記特定する処理は、前記フィルタリング処理が実行された１以上の社会施策に対する、前記シミュレーションの実行結果に基づいて、前記実施対象の社会施策を特定する、
請求項１に記載の施策特定プログラム。
【請求項３】
機械学習により訓練された前記予測モデルを用いて、前記検討対象の社会施策の中から、前記予測モデルを訓練した学習データに関連する施策を取得し、
取得した前記学習データに関連する施策を前記予測モデルで評価し、
前記予測モデルでの評価結果に基づいて、前記社会施策のシミュレーションを実施する、
請求項１に記載の施策特定プログラム。
【請求項４】
過去データから作られた前記予測モデルの学習データの分布を解析し、
評価される社会施策が前記予測モデルの学習データ分布の範囲内であるか範囲外かを判定し、
前記学習データ分布の範囲内である場合は、前記予測モデルで社会施策を評価した後に、前記予測モデルによる予測結果が高い施策のみを前記社会施策のシミュレーションで再評価し、
前記学習データ分布の範囲外である場合は、前記社会施策のシミュレーションで施策を評価する、
請求項１に記載の施策特定プログラム。
【請求項５】
理論モデルを用いて理論的に算出された拡張データを生成し、
前記拡張データを学習データに用いて、サロゲートモデルの機械学習を実行し、
過去データから生成された学習データを用いて、前記拡張データを用いて学習済みである前記サロゲートモデルのファインチューニングを実行する、処理を前記コンピュータに実行させ、
前記フィルタリング処理は、
前記ファインチューニング後の前記サロゲートモデルの特性に基づいて、前記検討対象の複数の社会施策に対する前記フィルタリング処理を実行する、
請求項１に記載の施策特定プログラム。
【請求項６】
前記複数の社会施策は、所定エリアの道路ネットワークにおけるノード間のリンクの混雑の発生および拡大を回避する施策データであり、
前記理論モデルは、所定の交通需要下での均衡流を算出する理論モデルである、
請求項５に記載の施策特定プログラム。
【請求項７】
過去データから生成された学習データと、学習データとの一致度および対象ドメインの法則との一致度を評価する誤差関数とを用いて、サロゲートモデルの機械学習を実行する、処理を前記コンピュータに実行させ、
前記フィルタリング処理は、
前記学習データおよび前記誤差関数を用いて学習された前記サロゲートモデルの特性に基づいて、前記検討対象の複数の社会施策に対する前記フィルタリング処理を実行する、
請求項１に記載の施策特定プログラム。
【請求項８】
前記複数の社会施策は、所定エリアの道路ネットワークにおけるノード間のリンクの混雑の発生および拡大を回避する施策データであり、
前記誤差関数は、前記学習データとの一致度と、前記道路ネットワーク内の交差点への交通の流出に関するフロー保存則とを満たす誤差関数である、
請求項７に記載の施策特定プログラム。
【請求項９】
前記フィルタリング処理を実行する処理は、
所定のエリアに適用される候補となる複数の社会施策データを取得し、
機械学習により訓練された前記予測モデルを用いて、取得した前記複数の社会施策データに対する前記フィルタリング処理を実行し、
前記特定する処理は、
シミュレータを用いて、前記フィルタリング処理が実行された１以上の社会施策データのシミュレーションの結果を示す、前記所定のエリアの状態を予測し、
予測された前記所定のエリアの状態に基づいて、前記所定のエリアに適用される社会施策データを特定する、
請求項１に記載の施策特定プログラム。
【請求項１０】
前記予測モデルは、交通シミュレータのシミュレーションを代替する機械学習モデルであり、
社会施策データは、前記所定のエリアに適用される交通施策であって、当該所定のエリアでの混雑度を解消する施策を示すデータであり、
前記社会施策データのシミュレーションは、前記交通シミュレータを用いて、前記所定のエリアにおける混雑度を予測し、
算出された前記混雑度に基づいて、前記所定のエリアに適用される社会施策データを特定する
請求項９に記載の施策特定プログラム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、施策特定プログラム、施策特定方法および情報処理装置に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
施策分析は、さまざまな場面で必要とされており、シミュレーションの一例である社会シミュレーションを用いて施策分析を高度化することが行われている。例えば、施策分析とは、イベント時の特別バスの運行スケジュールを決める場面において、社会インフラの運営者が混雑の発生や拡大を回避できる運行スケジュールを知るために、発着時間等のさまざまな設定を変化させた選択肢を列挙してそれらの善し悪しを検討することなどが該当する。
【０００３】
また、社会シミュレーションとは、交通システムなどの社会システムを計算可能な形で模擬したものあり、社会シミュレーションを用いることで、施策の定量的な評価を実行し、施策分析を高度化できる。しかし、社会シミュレーションは、計算時間が長くかかるので、施策を網羅的に評価し最適な施策を見つける施策最適化が難しい。
【０００４】
近年では、シミュレーションよりも精度が劣るが計算時間が短いシミュレーションの代替モデルの一例であるサロゲートモデルが知られている。また、複雑な社会シミュレーションの代理モデルの生成技術としては、多量の社会データをニューラルネットワークで学習させた学習済みモデルを代理モデルとする技術が知られている。
【先行技術文献】
【特許文献】
【０００５】
特開２０２３－１１３９２８号公報
特開２０２１－１５７４５６号公報
特開２０２２－３４５１号公報
米国特許出願公開第２０１８／０１１２４９８号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、上記サロゲートモデルなどの代理モデルでは、最適な施策を見つけることが難しい。例えば、サロゲートモデルであれば、短時間で施策を網羅的に評価することができるものの、シミュレーションよりは精度が劣ることから、必ずしも良い施策を見つけられるとは限らない。
【０００７】
一つの側面では、施策の選択精度を向上させることができる施策特定プログラム、施策特定方法および情報処理装置を提供することを目的とする。
【課題を解決するための手段】
【０００８】
第１の案では、施策特定プログラムは、コンピュータに、予測モデルの特性に基づいて、検討対象の複数の社会施策に対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が実行された１以上の社会施策のシミュレーションの結果に基づいて、前記検討対象の複数の社会施策の中から、実施対象の社会施策を特定する、処理を実行させる。
【発明の効果】
【０００９】
一実施形態によれば、施策の選択精度を向上させることができる。
【図面の簡単な説明】
【００１０】
図１は、施策の最適化を実行する情報処理装置を説明する図である。
図２は、シミュレーションを説明する図である。
図３は、シミュレーションによる予測を説明する図である。
図４は、サロゲートモデルを説明する図である。
図５は、サロゲートモデルによる予測を説明する図である。
図６は、実施例１にかかる情報処理装置による施策最適化システムを説明する図である。
図７は、実施例１にかかる情報処理装置の機能構成を示す機能ブロック図である。
図８は、サロゲートモデルの訓練を説明する図である。
図９は、予測処理を説明する図である。
図１０は、サロゲートモデルによる事前フィルタリングを説明する図である。
図１１は、サロゲートモデルによる事前フィルタリングを説明する図である。
図１２は、シミュレーションによる施策特定を説明する図である。
図１３は、施策最適化システムの流れを示すフローチャートである。
図１４は、サロゲートモデルに用いる学習データの一般的な拡張例を説明する図である。
図１５は、サロゲートモデルの精度向上を図る学習処理１を説明する図である。
図１６は、サロゲートモデルの精度向上を図る学習処理２を説明する図である。
図１７は、デジタルツインを用いた例を説明する図である。
図１８は、ハードウェア構成例を説明する図である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許