深澤 佑介

近年，バイクシェアサービス（Bicycle Sharing Services; BSS）に注目が集まっている．BSSの利用が増えることで，専用駐輪場（ポート）の自転車溢れ・不足の問題が顕在化している．この問題の解決方法の1つとして自転車が溢れているポートから自転車が不足しているポートへ自転車を移動する再配置がある．再配置業務をより効率的に行うためには正確な自転車の需要を予測することが重要である．そこで，本研究ではBSSの需要をポート・時間ごとに予測する機械学習モデルを提案する．提案手法は，変分オートエンコーダーに時系列生成モデルを組み合わせたモデルである．我々はこの手法を“Conditional Variational Autoencoders considering Partial Future data”（CVAE-PF）と名付けた．我々はオフライン実験・オンライン実験を通じて提案手法の評価を行った．オフライン実験ではRoot Mean Square Error（RMSE）を用いた評価を行い，提案手法の予測精度が比較手法に比べて高いことを示した．また，オンライン実験では従来の再配置方法に比べ，ポートごとの自転車の溢れ・不足を減少させることができることを確認した． In recent years, Bicycle Sharing Services (bike-shares) have been established worldwide. One important aspect of bike-share management is to periodically rebalance the positions of the available bikes. Because the bike demand varies by and over time, the number of bikes at each bike-port tends to become unbalanced. To efficiently rebalance a bike-share system, it is essential to predicting the number of bikes in each bike-port. In this paper, we propose a method to predicting bike demand and the number of bike pickups and drop offs at each bike-port every hour, up to 24 hours in advance. To predict demand, we used a time series generation model based on the Variational Autoencoders model and the Attention based Sequence to Sequence learning model. We named this method “Conditional Variational Autoencoders considering Partial Future data” (CVAE-PF). In the experiment, our proposed method showed higher prediction accuracy in root mean square error (RMSE) compared to conventional methods. In addition, the constructed demand model of bicycle sharing services was used for rebalance, and it was confirmed that rebalance could be carried out more efficiently than with conventional methods.

飲食店において売上などの需要を予測することは，スタッフのシフトスケジューリングや店舗の事前準備を行ううえで重要なタスクである．特に，イベント開催や天候変動を契機として通常より高い売上が発生する高需要状態を事前に予測することが求められている．本研究では，過去の売上データに加え人口統計データを用いることで，高需要状態での予測精度を改善する手法を提案する．提案手法では，売上予測のモデルと，将来需要が高くなるか低くなるかを判断するモデルの2つのモデルの結果を組み合わせて売上予測を行う．飲食店における実売上データを用いて予測精度を評価した．その結果，従来手法と比較して，高需要時の需要予測精度が1.45%向上することを示した． Predicting the future sales volume is a critical task in operating a restaurant as it helps to determine the number of staff and ingredients to have at any time and decide when to start preparing food. Future sales can typically be predicted according to the demand cycle; however, it is difficult to predict an immediate increase in demand because it is out of the demand cycle. To tackle this issue, this study proposes a method for predicting the next-hour future sales volume based on population statistics data, in addition to historical sales and current and historical weather data. The proposed method combines the results of two models, one predicting the sales volume, while the other determining whether the future demand will become high or low. The proposed method was evaluated using actual restaurant data collected in collaboration with a major Japanese restaurant company. The results demonstrate that the prediction accuracy can be improved by 1.45% compared to the prediction model of sales volume without combination of demand classification when the sales volume is high.