ＳＦＣにおけるバスの混雑予想サービスの提案

新人 MEMSYS B4 mamintsu

親 yskさん

1

概要

• バスの混雑モデルを用いた,ＳＦＣのバスの混雑状況を予測するサービスの提案

2

背景• ＳＦＣのバスの現状

-時間帯によって混雑状況が異なる

3

関連研究

• sfcbus

-既存のsfcバスについてのアプリケーション

• QueueVadis

-T. Okoshi, Y. Lu, Y. Lee, R. K. Balan, and A. Misra.. In Fifteenth

Workshop on Mobile Computing Systems and Applications (ACM

HotMobile 2014), Feb 2014. (demo and poster)

4

問題意識

• 現状では,ＳＦＣのバスのそれぞれの時間帯における混雑状況は分からない

5

目的

• バスを利用するユーザが,バスの混雑状況を前もって把握できるようにすること

6

機能要件• バスの時刻と,そのバスの予想乗車人数が分かる

• バスの混雑データを統計化し,モデルを作成することで予想乗車人数を計算しユーザに知らせる

7

アプローチ

機能要件とアプローチ

バスの混雑モデルの作成について

• 作成方法：

①バスが発車するまでの間にバス停に並んだorバスに乗車した

人数を1分毎にカウントし,プロット

② プロットしたデータを「時間」「曜日」「天気」の3つのパ

ラメータによって分類

➂パラメータ毎に分けたデータを,回帰分析を用いてモデル化

④モデルから,バスの予想乗車人数を計算

8

バスの混雑モデルの作成について

• 今回は以下の７つのバスでモデルを作成

-バスの発車時間：

18:55発/19:01発/19:07発/20:00発/20:10発/20:20/21:00発

• モデル作成のため以下の期間にデータを収集

-データ収集期間：

12月/11~12・16~17・19・24~25日

1月/6~7・8~9・15~16日

9

2

910

12

67

12

1517

2

35

43

23 3 3

8

1314

15

0 0

35 5

78

11

01

23

8

1113

17

35

1820

22

38

44

4

1012

17

2021

2527

12

4

89

1011 11

01

57

10

1315

20

0 02 2

5

9 910

0

6

11 11

1718

22 22

0

5

10

15

20

25

30

35

40

45

50

0 1 2 3 4 5 6 7 8

12/17（水）☀

時間（分）

人数（人）

12/19（金）☀

12/24（水）☀12/12（金）☀

12/16（火）🌂

12/11（木）☀

1/6（火）🌂

1/7（水）☀

12/25（木）☀ 1/9（金）☀

1/8（木）☀

1/15（木）🌂

1/16（金）☀①データの収集例 18:55発のバス

バス停に並ぶ人の数を1分毎カウントし,プロット

11

①データの収集18:55発

19:01発 19:07発 20:00発

20:10発 20:20発 21:00発

7つのバスでデータを収集

②データをパラメータ毎に分類

１８：５５ １９：０１ １９：０７ ２０：００ ２０：１０ ２０：２０ ２１：００

火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火 ・ 🌂

水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水 ・ ☀

木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀

木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂

金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀

パラメータ1

バスの発車時間パラメータ2

曜日

パラメータ3

天気

３５個のデータに分類

Ｅｘ．

12

②データをパラメータ毎に分類

Ex. 18:55発 金曜日 ☀ データ

2

910

12

67

12

15

17

23 3 3

8

1314

15

01

5

7

10

13

15

20

0

6

11 11

1718

22 22

0

5

10

15

20

25

0 1 2 3 4 5 6 7 813

➂回帰分析を用いてモデル作成

1

2

6

7

12

15

17

2

3 3 3

8

13

14

15

0

1

5

7

10

13

15

20

0

6

11 11

17

18

22 22

y = 2.7245x + 0.4172R² = 0.8374

-5

0

5

10

15

20

25

-1 0 1 2 3 4 5 6 7 8

18:55 Fri

Ex. 18:55発 金曜日 ☀ モデル

モデル

計算式

14

④モデルから,バスの予想乗車人数を計算

1

2

6

7

12

15

17

2

3 3 3

8

13

14

15

0

1

5

7

10

13

15

20

0

6

11 11

17

18

22 22

-5

0

5

10

15

20

25

-1 0 1 2 3 4 5 6 7 8

18:55 Fri

Ex. 18:55発 金曜日 ☀ モデル

人数（人）

時間（分）

予想乗車人数:y = 2.7245×７ + 0.4172＝19.4887人

15

• webページ

-現在時刻,バスの時刻,バスの予想乗車人数を表示

-バスの予想乗車人数はそれぞれ作成したモデルから計算

• プログラミング言語:JavaScript

• ＯＳ:Windows8

実装環境

16

現在時刻

次のバス

予想乗車人数

システム構成図

17

Webページ表示モジュール

データ送信モジュール

通信取得モジュール

予想乗車人数判定モジュール

曜日取得モジュール

天気取得モジュール

時刻取得モジュール

評価実験

18

• 目的

作成したモデルの正確さを測ること

• 実験日:

1月22日（木）🌂/1月23日（金）☀

• 実験方法:

①作成したwebページから,バスの予想乗車人数を確認

②実験時,バスへの乗車人数を自分でカウント.そのバスの実

際の混雑度を計測

➂①と②の整合性を見ることで作成したモデルの正確さを判定

使用したモデル

１８：５５ １９：０１ １９：０７ ２０：００ ２０：１０ ２０：２０ ２１：００

火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂

水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀

木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀

木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂

金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀

14個のモデルを使用

19

y = 1.6548x - 1.1667R² = 0.9284

-4

-2

0

2

4

6

8

10

12

-2 0 2 4 6 8

18:55 Thu 🌂

y = 2.4857x + 1.2857R² = 0.9527

0

2

4

6

8

10

12

14

16

-1 0 1 2 3 4 5 6

19:01 Thu 🌂

y = 1.2286x - 0.5714R² = 0.9605

-2

-1

0

1

2

3

4

5

6

7

-1 0 1 2 3 4 5 6

19:07 thu 🌂

y = 1.8909x - 2.7091R² = 0.8535

-5

0

5

10

15

20

-2 0 2 4 6 8 10

20:00 Thu 🌂

y = 1.6242x - 0.9091R² = 0.9447

-4

-2

0

2

4

6

8

10

12

14

16

-2 0 2 4 6 8 10

20:10 Thu 🌂

使用したモデル

木曜日・🌂モデル

y = 2.4667x + 2R² = 0.9527

0

5

10

15

20

25

30

-2 0 2 4 6 8 10

20:20 Thu 🌂

y = 2.1697x - 3.1636R² = 0.8941

-10

-5

0

5

10

15

20

-2 0 2 4 6 8 10

21:00 Thu 🌂

使用したモデル

金曜日・☀モデル

y = 2.7245x + 0.4172R² = 0.8374

-5

0

5

10

15

20

25

-2 0 2 4 6 8

18:55 Fri

y = 1.9929x - 0.0238R² = 0.7075

-2

0

2

4

6

8

10

12

14

-1 0 1 2 3 4 5 6

19:01 Fri

y = 1.3184x + 0.6168R² = 0.6895

-2

0

2

4

6

8

10

12

-1 0 1 2 3 4 5 6

19:07 Fri

y = 1.2692x + 0.41R² = 0.8529

-2

0

2

4

6

8

10

12

14

16

-2 0 2 4 6 8 10

20:00 Fri

y = 2.0761x - 0.4715R² = 0.6107

-5

0

5

10

15

20

25

30

35

40

-2 0 2 4 6 8 10

20:10 Fri

y = 2.4312x - 0.6356R² = 0.4926

-5

0

5

10

15

20

25

30

35

-2 0 2 4 6 8 10

20:20 Fri

y = 1.2444x + 0.537R² = 0.6675

-5

0

5

10

15

20

-2 0 2 4 6 8 10

21:00 Fri

評価• １月２２日（木）🌂

webページに表示された予想混雑人数

実際にバスに乗った人数

誤差

１８：５５発 １０ 人 １５ 人 ５ 人

１９：０１発 １４ 人 ８ 人 ６ 人

１９：０７発 ６ 人 １３ 人 ７ 人

２０：００発 １４ 人 １２ 人 ２ 人

２０：１０発 １４ 人 １８ 人 ４ 人

２０：２０発 ２４ 人 ２４ 人 ０ 人

２１：００発 １６ 人 ６ 人 １０人

…誤差が5人以上あるケース

評価• １月２３日（金）☀

webページに表示された予想混雑人数

実際にバスに乗った人数

誤差

１８：５５発 ２０ 人 １６ 人 ４ 人

１９：０１発 １０ 人 ３ 人 ７ 人

１９：０７発 ７ 人 ６ 人 １ 人

２０：００発 １２ 人 ９ 人 ３ 人

２０：１０発 １８ 人 １５ 人 ３ 人

２０：２０発 ２１ 人 １８ 人 ３ 人

２１：００発 １２ 人 １１ 人 １ 人

…誤差が5人以上あるケース

評価1/22(木)🌂 1/23(金)☀ 全体

Best case 誤差 0 人 誤差 1 人 誤差 0 人

Worst case 誤差 10 人 誤差 7 人 誤差 10 人

average 誤差 4.8 人 誤差 3.1 人 誤差 4 人

標準偏差 3.287784 2.035401 2.773501

24

考察

25

• 誤差が5人以上あったケースが全体で5回あった

-モデルを作成した時は平常授業時であったのに対し,実験日はテスト期間

中であり,イレギュラーな時期であったため誤差が多く出たのではないか

• ２日間の平均誤差を比較すると,金曜日/☀のモデルの方が誤差が少なかった

-木/🌂のモデルは少ないデータで作成（１日分のデータのみで作成した)

ため誤差が大きく、逆に金/☀のモデルはたくさんのデータから作った

(４日分のデータで作成)ため、木曜日より誤差が少ないのではないか

今後の展望

26

• 実験より,より正確なモデルをつくるには多くのデータや長期間でのデータの収集が必要

• 今回は夜の(人の少ない)時間帯のモデルしか作成しなかったため,今後さまざまな時間帯でモデルをつくることが必要

• 当初はバスの予想乗車人数だけでなく何分前から並べば座れるのかということも実験したかったが実現しなかったため,今後検討

• 他のパラメーターでもモデルが作れる可能性がある

-ex.サークルの時間など

• 重回帰分析を用いればより精度の高いモデルが作成できるかもしれない

まとめ

• ＳＦＣバスの混雑予測サービスの提案

-バスの混雑データを統計化した予想混雑モデルを利用

-モデルから算出したバスの予想乗車人数を表示するwebペー

ジを作成

27

予備スライド

28

④バスが発車する○○分前に,バス停に人が何人いるかということも分かる

1

2

6

7

12

15

17

2

3 3 3

8

13

14

15

0

1

5

7

10

13

15

20

0

6

11 11

17

18

22 22

-5

0

5

10

15

20

25

-1 0 1 2 3 4 5 6 7 8

18:55 Fri

Ex. 18:55発 金曜日 ☀ モデル

人数（人）

時間（分）

y = 2.7245×４ + 0.4172＝11.3152人

29