JP6843780B2 - 情報処理装置、学習済みモデル、情報処理方法、およびプログラム - Google Patents

Description

本発明は、情報処理装置、学習済みモデル、情報処理方法、およびプログラムに関する。

対象エリアにおける携帯端末の過去の測位情報を参照して、対象エリアの過去の複数の時間帯のそれぞれにおける混雑度を時間帯別混雑度として算出し、複数の時間帯別混雑度をクラスタリングすることによって、対象エリアにおける将来の混雑度を予測するために用いる混雑度のパターンを生成する技術が知られている（例えば、特許文献１参照）。

特開２０１５−１８３３６号公報

しかしながら、従来の技術では、地点ごと、或いはエリアごとに将来の混雑度を求めており、処理負荷が大きくなったり、データの管理が煩雑となったりするといった課題があった。また、このような課題は、専ら、地図上における位置座標のような任意の空間座標に対して、混雑度のような何らかの観測値を対応付ける適用分野全般に共通するところであった。

本発明は、上記の課題に鑑みてなされたものであり、より好適に将来の観測値を求めることができる情報処理装置、学習済みモデル、情報処理方法、およびプログラムを提供することを目的としている。

本発明の一態様は、ある時刻ｔに観測された観測値を画素値とした第１の画像データを取得する取得部と、前記第１の画像データを用いた機械学習によって得られた学習モデルに基づいて、前記取得部により取得された前記第１の画像データから、前記時刻ｔよりも将来の時刻ｔ＋ｎに観測されることが予測される観測値を画素値とした第２の画像データを生成する学習処理部と、を備え、前記機械学習が、ある対象の時刻に観測された観測値を画素値とした前記第１の画像データと、前記対象の時刻に観測されることが予測される観測値を画素値とした前記第２の画像データとの比較に基づく機械学習である、情報処理装置である。

本発明の一態様によれば、より好適に将来の観測値を求めることができる。

第１実施形態における情報処理装置２００を含む情報処理システム１の一例を示す図である。 第１実施形態における情報提供装置１００の構成の一例を示す図である。 実画像データの一例を示す図である。 第１実施形態における情報処理装置２００の構成の一例を示す図である。 情報処理装置側制御部２１０による運用時の一連の処理の流れを示すフローチャートである。 予測画像データの生成処理の詳細な流れの一例を示すフローチャートである。 プレドネット３００の一例を示す図である。 プレドネット３００の一例を示す図である。 周期ごとの実画像データと予測画像データとを並べて表示させた図である。 情報提供装置１００から端末装置１０に提供されるコンテンツの一例を示す図である。 情報提供装置１００から端末装置１０に提供されるコンテンツの他の例を示す図である。 情報処理装置２００による学習時の一連の処理の流れを示すフローチャートである。 プレドネット３００の学習の流れを模式的に示す図である。 実施形態の情報提供装置１００および情報処理装置２００のハードウェア構成の一例を示す図である。

以下、本発明を適用した情報処理装置、学習済みモデル、情報処理方法、およびプログラムを、図面を参照して説明する。

［概要］
情報処理装置は、一以上のプロセッサにより実現される。情報処理装置は、ある時刻ｔに観測された観測値を画素値とした画像データ（以下、実画像データと称する）を取得する。観測値は、例えば、ある地点における人の混雑の程度を示す値、すなわち混雑度である。観測値が混雑度である場合、実画像データは、混雑度の大きさに応じて、色相や彩度、明度（輝度）といった色のパラメータを画素値としたヒートマップで表されてよい。実画像データは、「第１の画像データ」または「第１の多次元配列データ」の一例である。

情報処理装置は、実画像データを取得すると、別の時刻ｔ＃（例えば、時刻ｔよりも所定周期前の時刻）の実画像データを用いて機械学習を行った学習モデルに基づいて、取得した時刻ｔの実画像データから、時刻ｔよりも将来の時刻ｔ＋ｎに観測されることが予測される観測値を画素値とした画像データ（以下、予測画像データと称する）を生成する。予測画像データは、「第２の画像データ」または「第２の多次元配列データ」の一例である。

例えば、学習モデルは、過去のある時刻ｔ＃における実画像データと、その過去のある時刻ｔ＃よりも後の時刻ｔ＃＋ｎにおける予測画像データとの加算結果に基づく機械学習によって得られる。ｎは、観測値を求める周期を表し、例えば１である。生成される予測画像データは、実画像データと同様のデータ態様である。「同様の」とは、例えば、実画像データが、グレースケールの明度によって混雑度の大きさが表現されたヒートマップである場合、予測画像データもグレースケールの明度によって混雑度の大きさが表現されたヒートマップであることを意味する。このような処理によって、例えば、人の密集しやすい建物の有無や、土地の形状、道路網や鉄道網の形状といったような特徴量を考慮せずに、画像ベースで最終的に得たい将来の観測値を予測することができる。この結果、より低負荷且つより簡易に、といったように好適に将来の観測値を求めることができる。

（第１実施形態）
［全体構成］
図１は、第１実施形態における情報処理装置２００を含む情報処理システム１の一例を示す図である。第１実施形態における情報処理システム１は、例えば、一以上の端末装置１０と、情報提供装置１００と、情報処理装置２００とを備える。これらの装置は、ネットワークＮＷを介して接続される。

図１に示す各装置は、ネットワークＮＷを介して種々の情報を送受信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、プロバイダ端末、無線通信網、無線基地局、専用回線などを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

端末装置１０は、例えば、スマートフォンなどの携帯電話、タブレット端末、各種パーソナルコンピュータなどの、入力装置、表示装置、通信装置、記憶装置、および演算装置を備える端末装置である。通信装置は、ＮＩＣ（Network Interface Card）などのネットワークカード、無線通信モジュールなどを含む。端末装置１０では、ウェブブラウザやアプリケーションプログラムなどのＵＡ（User Agent）が起動し、ユーザの入力に応じたリクエストを情報提供装置１００に送信する。また、ＵＡが起動された端末装置１０は、情報提供装置１００から取得した情報に基づいて、表示装置に各種画像を表示させる。

情報提供装置１００は、例えば、ウェブブラウザからのリクエストに応じてウェブページを端末装置１０に提供するウェブサーバである。ウェブページには、テキスト、静止画像、動画像、または音声などのコンテンツが含まれる。例えば、ウェブページが地図画像を提供するものである場合、コンテンツには、地図画像や、その地図上での人の混雑度を色で表現したヒートマップが含まれる。また、情報提供装置１００は、アプリケーションプログラムからのリクエストに応じて上記のコンテンツを端末装置１０に提供するアプリサーバであってもよい。

情報処理装置２００は、例えば、情報提供装置１００から、ある地域における、ある時刻ｔの混雑度を画素値とした実画像データを取得し、その地域の将来の時刻ｔ＋ｎの混雑度を画素値とした予測画像データを生成する。そして、情報処理装置２００は、実画像データの取得元である情報提供装置１００に対して、生成した予測画像データを送信する。これを受けて、情報提供装置１００は、将来の時刻ｔ＋ｎの予測画像データをコンテンツとして端末装置１０に提供する。

［情報提供装置の構成］
図２は、第１実施形態における情報提供装置１００の構成の一例を示す図である。図示のように、情報提供装置１００は、例えば、情報提供装置側通信部１０２と、情報提供装置側制御部１１０と、情報提供装置側記憶部１３０とを備える。

情報提供装置側通信部１０２は、例えば、ＮＩＣ等の通信インターフェースを含む。情報提供装置側通信部１０２は、ネットワークＮＷを介して、端末装置１０と通信し、端末装置１０からウェブブラウザのリクエストやアプリケーションのリクエストを取得すると共に、端末装置１０の位置情報を取得する。

情報提供装置側制御部１１０は、例えば、ヒートマップ生成部１１２と、通信制御部１１４とを備える。これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが情報提供装置側記憶部１３０に格納されたプログラムを実行することにより実現される。また、情報提供装置側制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、またはＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

情報提供装置側記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などの記憶装置により実現される。情報提供装置側記憶部１３０には、ファームウェアやアプリケーションプログラムなどのプロセッサにより実行される各種プログラムの他に、地図情報１３２や位置情報１３４などが記憶される。地図情報１３２は、例えば、端末装置１０にコンテンツとして提供される地図画像や、その地図上での建物等の位置座標を含む。位置情報１３４は、各端末装置１０の位置座標や、その位置座標の取得時刻を含む。

ヒートマップ生成部１１２は、所定周期ｎ（例えば２０分）ごとに、ヒートマップで表された実画像データをシーケンシャルに生成する。例えば、ヒートマップ生成部１１２は、端末装置１０の位置座標の取得時刻を参照し、複数の位置座標の中から、対象の周期に該当する一以上の位置座標を抽出する。ヒートマップ生成部１１２は、抽出した位置座標を地図情報１３２が示す地図上にマッピングし、そのマッピングした位置座標の数を人の混雑度として導出する。そして、ヒートマップ生成部１１２は、混雑度を画素値に置き換えたヒートマップと、地図情報１３２が示す地図画像とを重ね合わせたものを、実画像データとして生成する。この実画像データは、例えば、地図の各座標に対して混雑度が対応付けられた３次元のテンソル（三階テンソル）データとして表される。

図３は、実画像データの一例を示す図である。図示の例のように、実画像データでは、地図画像の上に、所定の透過率を有するヒートマップが重畳される。ヒートマップの画素値の大きさ、すなわち混雑度の大きさは、例えば、ピンクからブルーまでの色相の中で、所定数の階調のグラデーションによって表現されてよい。このような実画像データがコンテンツとして端末装置１０に提供されることによって、端末装置１０を利用するユーザは、色の濃さや色相などによってどの地点が混雑しているのかということを感覚的に把握することができる。

通信制御部１１４は、情報提供装置側通信部１０２を制御して、ヒートマップ生成部１１２によって生成された実画像データをコンテンツとして端末装置１０に送信する。また、通信制御部１１４は、情報提供装置側通信部１０２を制御して、ヒートマップ生成部１１２によって生成された実画像データを情報処理装置２００に送信する。

［情報処理装置の構成］
図４は、第１実施形態における情報処理装置２００の構成の一例を示す図である。図示のように、情報処理装置２００は、例えば、情報処理装置側通信部２０２と、情報処理装置側制御部２１０と、情報処理装置側記憶部２３０とを備える。

情報処理装置側通信部２０２は、例えば、ＮＩＣ等の通信インターフェースを含む。情報処理装置側通信部２０２は、ネットワークＮＷを介して、情報提供装置１００と通信し、情報提供装置１００から実画像データを取得する。情報処理装置側通信部２０２は、「取得部」の一例である。

情報処理装置側制御部２１０は、例えば、学習処理部２１２と、通信制御部２１４とを備える。これらの構成要素は、例えば、ＣＰＵなどのプロセッサが情報処理装置側記憶部２３０に格納されたプログラムを実行することにより実現される。また、情報処理装置側制御部２１０の構成要素の一部または全部は、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ、またはＧＰＵなどのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

情報処理装置側記憶部２３０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、ＲＡＭなどの記憶装置により実現される。情報処理装置側記憶部２３０には、ファームウェアやアプリケーションプログラムなどのプロセッサにより実行される各種プログラムの他に、深層学習モデル情報２３２などが記憶される。

深層学習モデル情報２３２は、学習処理部２１２により参照される学習モデル（学習器）を規定する情報である。学習モデルは、例えば、プレドネット（PredNet）３００である。プレドネット３００とは、神経科学における予測符号化の原理から発想を得たディーププレディクティブコーディングネットワーク（Deep Predictive Coding Network(s)）のことであり、少なくともディープコンボリューショナルリカレントニューラルネットワーク（Deep Convolutional Recurrent Neural Network）を含む複数のニューラルネットワークにより実現される。

深層学習モデル情報２３２には、例えば、プレドネット３００（ディープコンボリューショナルリカレントニューラルネットワーク）に含まれる各ニューラルネットワークを構成する入力層、一以上の隠れ層（中間層）、出力層の其々に含まれるニューロン（ユニット）が互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数などの各種情報が含まれる。結合情報とは、例えば、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンを指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ニューロン間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロンにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

学習処理部２１２は、深層学習モデル情報２３２を参照してプレドネット３００を生成（構築）し、情報処理装置側通信部２０２によって取得された実画像データを入力として各種計算を行うことで、予測画像データを生成する。

通信制御部２１４は、情報処理装置側通信部２０２を制御して、学習処理部２１２によって生成された予測画像データを情報提供装置１００に送信する。

［運用時の処理フロー］
以下、フローチャートに即して、情報処理装置側制御部２１０の運用時の一連の処理の流れを説明する。「運用時」とは、学習処理部２１２によってある程度学習された学習モデルを利用する状態である。図５は、情報処理装置側制御部２１０による運用時の一連の処理の流れを示すフローチャートである。本フローチャートの処理は繰り返し行われてよい。

まず、学習処理部２１２は、情報処理装置側通信部２０２によって情報提供装置１００から実画像データが取得されるまで待機し（Ｓ１００）、情報処理装置側通信部２０２によって実画像データが取得されると、実画像データをプレドネット３００に入力し（Ｓ１０２）、情報提供装置１００において実画像データが生成されたときの時刻ｔよりも一周期ｎ先の将来の時刻ｔ＋ｎの混雑度を画素値とした予測画像データを生成する（Ｓ１０４）。

次に、通信制御部２１４は、情報処理装置側通信部２０２を制御して、学習処理部２１２によって生成された時刻ｔ＋ｎの予測画像データを情報提供装置１００に送信する（Ｓ１０６）。これによって本フローチャートの処理が終了する。

情報提供装置１００は、情報処理装置２００から予測画像データが送信されると、これを受信し、コンテンツとして端末装置１０に送信する。この結果、端末装置１０を利用するユーザは、将来の時刻ｔ＋ｎにおいて、どこの地点が混雑するのかを把握することができる。

図６は、予測画像データの生成処理の詳細な流れの一例を示すフローチャートである。本フローチャートの処理は、上述したＳ１０４の処理に相当する。

まず、学習処理部２１２は、深層学習モデル情報２３２を参照してプレドネット３００を生成する（Ｓ２００）。

図７および図８は、プレドネット３００の一例を示す図である。例えば、プレドネット３００は、２層以上から構成され、各層が観測値または観測値を構成する特徴量を局所的に予測し、その予測結果と入力との差分を後段の層に出力する。各層は、抽象化処理部３１０と、予測生成部３２０と、差分導出部３３０と、回帰処理部３４０とを備える。以下、抽象化処理部３１０の処理結果（出力）を「Ａ_ｌ ^ｔ」と表し、予測生成部３２０の処理結果（出力）を「Ａ（ｈａｔ）_ｌ ^ｔ」と表し、差分導出部３３０の処理結果（出力）を「Ｅ_ｌ ^ｔ」と表し、回帰処理部３４０の処理結果（出力）を「Ｒ_ｌ ^ｔ」と表して説明する。“（ｈａｔ）”は、アルファベットＡのハット記号を表している。

抽象化処理部３１０は、数式（１）に基づく処理を行い、処理結果Ａ_ｌ ^ｔを出力する。抽象化処理部３１０は、例えば、コンボリューショナルニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）によって実現されてよい。

例えば、処理対象とする層ｌが０である場合、すなわち、最も前段の層の抽象化処理部３１０を対象としている場合、この抽象化処理部３１０は、入力された実画像データｘ_ｔをそのまま処理結果Ａ_ｌ ^ｔとして出力する。

また、層ｌが０を超える場合、すなわち、後段の層の抽象化処理部３１０を対象としている場合、この抽象化処理部３１０は、一段前層の差分導出部３３０の処理結果Ｅ_ｌ−１ ^ｔと所定のフィルタとの畳み込み処理を行う。例えば、処理対象とする層ｌが第２層である場合、抽象化処理部３１０は、差分導出部３３０の処理結果Ｅ_ｌ−１ ^ｔである画像と所定のフィルタとを畳み込み（内積を求め）、所定のフィルタと重なる複数の画素を含む画像領域を、一つの単位領域に圧縮する。この単位領域には、畳み込みにより得られた値が特徴量として対応付けられる。抽象化処理部３１０は、画像上で所定のフィルタをシフト移動させながら畳み込み処理を繰り返し、複数の単位領域により形成された画像（以下、コンボリューショナルレイヤ）を生成する（ＣＯＮＶ（Ｅ_ｌ−１ ^ｔ））。この際、抽象化処理部３１０は、畳み込み時にパディングを行って、コンボリューショナルレイヤが処理結果Ｅ_ｌ−１ ^ｔの画像と同じサイズとなるようにする。抽象化処理部３１０は、各コンボリューショナルレイヤをＲｅＬＵ関数（正規化線形関数）によって繋ぎ合わせる（ＲＥＬＵ（ＣＯＮＶ（Ｅ_ｌ−１ ^ｔ）））。抽象化処理部３１０は、繋ぎ合わせた複数のコンボリューショナルレイヤの其々のサイズを、マックスプーリング（ＭＡＸＰＯＯＬＩＮＧ）と呼ばれる手法を用いて圧縮することで（ＭＡＸＰＯＯＬ（ＲＥＬＵ（ＣＯＮＶ（Ｅ_ｌ−１ ^ｔ））））、処理結果Ｅ_ｌ−１ ^ｔである画像を抽象化する。そして、抽象化処理部３１０は、抽象化した画像を処理結果Ａ_ｌ ^ｔとして出力する。

予測生成部３２０は、数式（２）に基づく処理を行い、処理結果Ａ（ｈａｔ）_ｌ ^ｔを出力する。予測生成部３２０は、例えば、コンボリューショナルニューラルネットワークによって実現されてよい。

例えば、予測生成部３２０は、処理対象とする層ｌが第１層である場合、同じ層の回帰処理部３４０の処理結果Ｒ_ｌ ^ｔである画像と所定のフィルタとを畳み込み、所定のフィルタと重なる複数の画素を含む画像領域を、一つの単位領域に圧縮する。上述したように、単位領域には、畳み込みにより得られた値が特徴量として対応付けられる。予測生成部３２０は、画像上で所定のフィルタをシフト移動させながら畳み込み処理を繰り返し、複数の単位領域により形成されたコンボリューショナルレイヤを生成する（ＣＯＮＶ（Ｒ_ｌ ^ｔ））。この際、予測生成部３２０は、畳み込み時にパディングを行って、コンボリューショナルレイヤが処理結果Ｒ_ｌ ^ｔの画像と同じサイズとなるようにする。予測生成部３２０は、各コンボリューショナルレイヤをＲｅＬＵ関数によって繋ぎ合わせ（ＲＥＬＵ（ＣＯＮＶ（Ｅ_ｌ−１ ^ｔ）））、この結果を処理結果Ａ（ｈａｔ）_ｌ ^ｔとして出力する。最も前段の層の予測生成部３２０による処理結果Ａ（ｈａｔ）_ｌ ^ｔは、予測画像データを表している。

差分導出部３３０は、数式（３）に基づく処理を行い、処理結果Ｅ_ｌ ^ｔを出力する。

例えば、差分導出部３３０は、処理結果Ａ_ｌ ^ｔから処理結果Ａ（ｈａｔ）_ｌ ^ｔを減算した差分（Ａ_ｌ ^ｔ‐Ａ（ｈａｔ）_ｌ ^ｔ）と、処理結果Ａ（ｈａｔ）_ｌ ^ｔから処理結果Ａ_ｌ ^ｔを減算した差分（Ａ（ｈａｔ）_ｌ ^ｔ‐Ａ_ｌ ^ｔ）とを其々求め、それらの差分を用いたＲｅＬＵ関数の出力値を、処理結果Ｅ_ｌ ^ｔとして出力する。

回帰処理部３４０は、数式（４）に基づく処理を行い、処理結果Ｒ_ｌ ^ｔを出力する。予測生成部３２０は、例えば、コンボリューショナルニューラルネットワークと、ネットワークの中間層がＬＳＴＭ（Long short-term memory）であるリカレントネットワーク（Reccurent Neural Network：ＲＮＮ）との組み合わせ（以下、ＣＯＮＶＬＳＴＭと称する）によって実現されてよい。ＣＯＮＶＬＳＴＭは、例えば、ＬＳＴＭの各ゲートの計算式において、重みと状態変数との内積を畳み込みに変更したものである。

例えば、回帰処理部３４０は、ＬＳＴＭのメモリーセルと呼ばれる記憶領域（ＬＳＴＭブロック）に一時記憶させておいた差分導出部３３０の前回の処理結果Ｅ_ｌ ^ｔ−１と、自身の前回の処理結果Ｒ_ｌ ^ｔ−１と、後段の層の回帰処理部３４０の処理結果Ｒ_ｌ＋１ ^ｔとに基づいてＣＯＮＶＬＳＴＭを計算し、その計算結果を処理結果Ｒ_ｌ ^ｔとして出力する。回帰処理部３４０は、後段の回帰処理部３４０の処理結果Ｒ_ｌ＋１ ^ｔである画像のサイズと、入力される実画像データｘ_ｔのサイズとが異なる場合、後段から処理結果Ｒ_ｌ＋１ ^ｔとして入力される画像のサイズをアップサンプリングすることで、実画像データｘ_ｔのサイズに合わせてよい。これによって、対象とする各層において画像のサイズが統一される。また、回帰処理部３４０は、今回求めた処理結果Ｒ_ｌ ^ｔと、同じ層の差分導出部３３０により今回求められた処理結果Ｅ_ｌ ^ｔとをＬＳＴＭのメモリーセルに記憶させる。

学習処理部２１２は、プレドネット３００を生成すると、予測画像データを生成する処理が初回処理であるか否かを判定し（Ｓ２０２）、予測画像データを生成する処理が初回処理であると判定した場合、各層の回帰処理部３４０の出力値Ｒ_ｌ ^ｔと差分導出部３３０の出力値Ｅ_ｌ ^ｔとを初期値（例えば０）として予測画像データＡ（ｈａｔ）_ｌ ^ｔを生成する（Ｓ２０４）。

例えば、プレドネット３００が第ｌ層と第ｌ層より後段の第ｌ＋１層との計２層であり、ｎが１である場合、第ｌ＋１層の回帰処理部３４０は、第ｌ＋１層の差分導出部３３０による前回の周期ｔ−１の出力値Ｅ_ｌ＋１ ^ｔ−１を初期値とすると共に、ＬＳＴＭのメモリーセルに自身の前回の周期ｔ−１の出力値Ｒ_ｌ＋１ ^ｔ−１を記憶させていないことから、この出力値Ｒ_ｌ＋１ ^ｔ−１を初期値として、現在の周期ｔの出力値Ｒ_ｌ＋１ ^ｔを導出する。この際、第ｌ＋１層の回帰処理部３４０は、導出した現在の周期ｔの出力値Ｒ_ｌ＋１ ^ｔをＬＳＴＭのメモリーセルに記憶させる。

第ｌ層の回帰処理部３４０は、第ｌ層の差分導出部３３０による前回の周期ｔ−１の出力値Ｅ_ｌ ^ｔ−１を初期値とすると共に、ＬＳＴＭのメモリーセルに自身の前回の周期ｔ−１の出力値Ｒ_ｌ ^ｔ−１を記憶させていないことから、この出力値Ｒ_ｌ ^ｔ−１を初期値とし、これらの初期値Ｅ_ｌ ^ｔ−１およびＲ_ｌ ^ｔ−１と、第ｌ＋１層の回帰処理部３４０により導出された現在の周期ｔの出力値Ｒ_ｌ＋１ ^ｔとに基づいて、現在の周期ｔの出力値Ｒ_ｌ ^ｔを導出する。この際、第ｌ層の回帰処理部３４０は、導出した現在の周期ｔの出力値Ｒ_ｌ ^ｔをＬＳＴＭのメモリーセルに記憶させる。

第ｌ層の予測生成部３２０は、第ｌ層の回帰処理部３４０により導出されたＲ_ｌ ^ｔに基づいて、現在の周期ｔの出力値Ａ（ｈａｔ）_ｌ ^ｔを導出する。これによって、現在の周期ｔの予測画像データＡ（ｈａｔ）_ｌ ^ｔが生成される。

次に、学習処理部２１２は、初期値であるＲ_ｌ ^ｔ−１とＥ_ｌ ^ｔ−１とに基づき生成した予測画像データＡ（ｈａｔ）_ｌ ^ｔと、現在の周期ｔに取得された実画像データｘ_ｔとの差分を導出する（Ｓ２０６）。例えば、学習処理部２１２は、情報処理装置側通信部２０２によって周期ｔの実画像データｘ_ｔが取得されると、これを第ｌ層の抽象化処理部３１０に入力する。第ｌ層の抽象化処理部３１０は、初回処理の場合、情報処理装置側通信部２０２によって取得された実画像データｘ_ｔをそのまま第ｌ層の差分導出部３３０に出力する。これを受けた第ｌ層の差分導出部３３０は、第ｌ層の予測生成部３２０により生成された予測画像データＡ（ｈａｔ）_ｌ ^ｔと、第ｌ層の抽象化処理部３１０により出力された実画像データｘ_ｔとに基づいて、現在の一周期ｔ分の差分Ｅ_ｌ ^ｔを導出する。

次に、学習処理部２１２は、導出した画像データの差分Ｅ_ｌ ^ｔから、画像の特徴量を導出する（Ｓ２０８）。例えば、第ｌ＋１層の抽象化処理部３１０は、第ｌ層の差分導出部３３０により導出された差分Ｅ_ｌ ^ｔに基づいて、現在の周期ｔの画像データの画像を抽象化することで得られる特徴量Ａ_ｌ＋１ ^ｔを導出する。

次に、学習処理部２１２は、現在の周期ｔの出力値Ｒ_ｌ＋１ ^ｔに基づいて、将来の画像の特徴量（以下、予測特徴量と称する）を導出する（Ｓ２１０）。例えば、第ｌ＋１層の予測生成部３２０は、第ｌ＋１層の回帰処理部３４０により導出された現在の周期ｔの出力値Ｒ_ｌ＋１ ^ｔに基づいて、将来の周期ｔ＋１の画像データから得られることが予測される予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔを導出する。予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔは、あくまでも現在の周期ｔに求まる、将来の周期ｔ＋１の画像データの特徴量を表している。

次に、学習処理部２１２は、現在の周期ｔの画像データから得た特徴量Ａ_ｌ＋１ ^ｔと、将来の周期ｔ＋１の画像データから得られることが予測される予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔとの差分を導出する（Ｓ２１２）。例えば、第ｌ＋１層の差分導出部３３０は、現在の周期ｔの特徴量Ａ_ｌ＋１ ^ｔから、現在の周期ｔの予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔを減算した差分（Ａ_ｌ＋１ ^ｔ‐Ａ（ｈａｔ）_ｌ＋１ ^ｔ）と、現在の周期ｔの予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔから、現在の周期ｔの特徴量Ａ_ｌ＋１ ^ｔを減算した差分（Ａ（ｈａｔ）_ｌ＋１ ^ｔ‐Ａ_ｌ＋１ ^ｔ）とを其々求め、これらの差分をＲｅＬＵ関数の変数として現在の周期ｔの特徴量の差分Ｅ_ｌ＋１ ^ｔを導出する。これによって、初回処理時の一周期分の処理が終了する。

一方、学習処理部２１２は、Ｓ２０２の処理において、予測画像データを生成する処理が初回処理でないと判定した場合、各層の回帰処理部３４０および差分導出部３３０の前回の周期の出力値を基に予測画像データを生成する（Ｓ２１４）。

例えば、現在の周期が、初回の周期ｔから一周期分進んだｔ＋１である場合、第ｌ＋１層の回帰処理部３４０は、第ｌ＋１層の差分導出部３３０による前回の周期ｔの出力値Ｅ_ｌ＋１ ^ｔ（Ｓ２１２の処理結果）と、ＬＳＴＭのメモリーセルに記憶させた前回の周期ｔの出力値Ｒ_ｌ＋１ ^ｔとに基づいて、現在の周期ｔ＋１の出力値Ｒ_ｌ＋１ ^ｔ＋１を導出する。この際、第ｌ＋１層の回帰処理部３４０は、導出した現在の周期ｔ＋１の出力値Ｒ_ｌ＋１ ^ｔ＋１をＬＳＴＭのメモリーセルに記憶させる。

第ｌ層の回帰処理部３４０は、第ｌ層の差分導出部３３０による前回の周期ｔの出力値Ｅ_ｌ ^ｔと、ＬＳＴＭのメモリーセルに記憶させておいた前回の周期ｔの出力値Ｒ_ｌ ^ｔと、第ｌ＋１層の回帰処理部３４０により導出された現在の周期ｔ＋１の出力値Ｒ_ｌ＋１ ^ｔ＋１とに基づいて、現在の周期ｔ＋１の出力値Ｒ_ｌ ^ｔ＋１を導出する。この際、第ｌ層の回帰処理部３４０は、導出した現在の周期ｔ＋１の出力値Ｒ_ｌ ^ｔ＋１をＬＳＴＭのメモリーセルに記憶させる。

第ｌ層の予測生成部３２０は、第ｌ層の回帰処理部３４０により導出されたＲ_ｌ ^ｔ＋１に基づいて、現在の周期ｔ＋１の出力値Ａ（ｈａｔ）_ｌ ^ｔ＋１を導出する。これによって、現在の周期ｔ＋１の予測画像データＡ（ｈａｔ）_ｌ ^ｔ＋１が生成される。

次に、学習処理部２１２は、Ｓ２０６の処理として、現在の周期ｔ＋１に取得された実画像データｘ_ｔ＋１を、畳み込み処理およびマックスプーリングによって抽象化し、前回の周期ｔの導出結果であるＲ_ｌ ^ｔとＥ_ｌ ^ｔとに基づき生成した予測画像データＡ（ｈａｔ）_ｌ ^ｔ＋１と、抽象化した実画像データｘ_ｔ＋１との差分を導出する。

次に、学習処理部２１２は、Ｓ２０８の処理として、導出した画像データの差分Ｅ_ｌ ^ｔ＋１に基づいて、現在の周期ｔ＋１の画像データを抽象化することで得られる特徴量Ａ_ｌ＋１ ^ｔ＋１を導出する。

次に、学習処理部２１２は、Ｓ２１０の処理として、現在の周期ｔ＋１の回帰処理結果Ｒ_ｌ＋１ ^ｔ＋１に基づいて、将来の周期ｔ＋２の画像データから得られることが予測される予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔ＋１を導出する。

次に、学習処理部２１２は、Ｓ２１２の処理として、現在の周期ｔ＋１の画像データから得た特徴量Ａ_ｌ＋１ ^ｔ＋１と、将来の周期ｔ＋２の画像データから得られることが予測される予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔ＋１との差分Ｅ_ｌ＋１ ^ｔ＋１を導出する。これによって、２回目以降の処理時の一周期分の処理が終了する。

図９は、周期ごとの実画像データと予測画像データとを並べて表示させた図である。図中ｔ１は、初回の周期を表しており、予測画像データが一度も生成されていないことを表している。例えば、学習処理部２１２は、周期ｔ１の時点で実画像データｘ_ｔ１が取得されると、これをプレドネット３００に入力し、周期ｔ２の時点で得られることが予測される予測画像データＡ（ｈａｔ）_ｌ ^ｔ１を生成する。更に、学習処理部２１２は、周期ｔ２の時点で実画像データｘ_ｔ２が取得されると、これをプレドネット３００に入力し、周期ｔ３の時点で得られることが予測される予測画像データＡ（ｈａｔ）^ｔ２を生成する。このように、周期が繰り返され、実画像データが取得される度に、一周期先の予測画像データを生成する。これによって、情報提供装置１００には、情報処理装置２００から逐次予測画像データが送信される。

図１０は、情報提供装置１００から端末装置１０に提供されるコンテンツの一例を示す図である。情報提供装置１００が、予測画像データを生成するために、ｔ１からｔ９の各周期の実画像データをシーケンシャルに情報処理装置２００に送信し続けた場合、情報処理装置２００は、周期ｔ９の次の周期ｔ１０の予測画像データＡ（ｈａｔ）^ｔ９を生成し、これを情報提供装置１００に返す。情報提供装置１００は、情報処理装置２００から予測画像データＡ（ｈａｔ）^ｔ９を受信すると、これまで情報処理装置２００に送信し続けた実画像データｘ_ｔ１〜ｘ_ｔ９と、周期ｔ１０の実画像データｘ_ｔ１０を予測した予測画像データＡ（ｈａｔ）^ｔ９とを含むコンテンツを端末装置１０に提供する。これによって、端末装置１０の画面には、現在までの混雑度と共に、将来の混雑度がヒートマップとして表示される。

また、上述した例では、情報処理装置２００が、実画像データが生成されたときの時刻（周期）ｔよりも一周期ｎ先の将来の時刻（周期）ｔ＋ｎの混雑度を画素値とした予測画像データを生成するものとして説明したがこれに限られない。例えば、情報処理装置２００は、一周期ｎ先の将来の時刻（周期）ｔ＋ｎの予測画像データと、更に、その将来の時刻（周期）ｔ＋ｎの一または複数の周期ｎ先の将来の時刻ｔ＋ｋｎの予測画像データとを予測してもよい。ｎは、上述したように周期を表し、ｋは、予測する将来の周期の数を表す任意の自然数である。

例えば、現在の周期がｔ＋１である場合、最も前段の第ｌ層の抽象化処理部３１０は、情報処理装置側通信部２０２によって実画像データｘ_ｔ＋１が取得される前に、或いは取得された場合であっても、第ｌ層の予測生成部３２０により前回の周期ｔにおいて生成された予測画像データＡ（ｈａｔ）^ｔを、実画像データｘ_ｔ＋１と見做して、畳み込み処理およびマックスプーリングを行って抽象化する。これを受けて第ｌ層の差分導出部３３０は、第ｌ層の予測生成部３２０により生成された予測画像データＡ（ｈａｔ）^ｔ＋１と、第ｌ層の抽象化処理部３１０により抽象化された予測画像データＡ（ｈａｔ）^ｔとに基づいて、現在の周期ｔ＋１の差分Ｅ_ｌ ^ｔ＋１を導出する。第ｌ層の後段の第ｌ＋１層の構成要素は、二つの予測画像データの差分Ｅ_ｌ ^ｔ＋１に基づき現在の周期ｔ＋１の特徴量Ａ_ｌ＋１ ^ｔ＋１を求め、この特徴量Ａ_ｌ＋１ ^ｔ＋１と予測特徴量Ａ（ｈａｔ）_ｌ＋１ ^ｔ＋１との差分Ｅ_ｌ＋１ ^ｔ＋１を導出する。第ｌ層の予測生成部３２０は、差分Ｅ_ｌ＋１ ^ｔ＋１を基に、周期ｔ＋２の実画像データｘ_ｔ＋２を予測した予測画像データＡ（ｈａｔ）^ｔ＋２を生成する。このように、現在の周期ｔ＋１に得られる実画像データｘ_ｔ＋１の代わりに、過去の時点で現在の周期ｔ＋１の実画像データｘ_ｔ＋１として予測した予測画像データＡ（ｈａｔ）^ｔを用いて、更に将来の周期ｔ＋２の実画像データｘ_ｔ＋２を予測するため、より将来の混雑度を表すヒートマップをコンテンツとしてユーザに提供することができる。また、ｋ周期以上先（例えばｋ≧２）の将来の実画像データｘ_ｔ＋ｋを予測してもよく、この場合、更に将来の混雑度を表すヒートマップをコンテンツとしてユーザに提供することができる。

図１１は、情報提供装置１００から端末装置１０に提供されるコンテンツの他の例を示す図である。例えば、現在の周期がｔ５である場合に、情報処理装置２００が、５周期先の将来の実画像データを予測した場合、ｔ６からｔ１０の其々の周期の予測画像データＡ（ｈａｔ）_ｌ ^ｔ６〜Ａ（ｈａｔ）^ｔ１０を情報提供装置１００に送信する。これを受けて情報提供装置１００は、図１１に例示するように、現在の周期ｔ５までの実画像データｘ_ｔ１〜ｘ_ｔ５と、将来の５周期分の予測画像データＡ（ｈａｔ）^ｔ６〜Ａ（ｈａｔ）^ｔ１０とを含むコンテンツを端末装置１０に提供する。これによって、一周期分先の将来の混雑度をヒートマップとして表示する場合に比べて、よりユーザの利便性を向上させることができる。

［学習時の処理フロー］
以下、情報処理装置２００の学習時の一連の処理の流れをフローチャートに即して説明する。「学習時」とは、運用時に利用される学習モデル、すなわちプレドネット３００を学習させる状態である。図１２は、情報処理装置２００による学習時の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、学習処理部２１２は、現在の周期ｔに情報処理装置側通信部２０２によって実画像データｘ_ｔが取得されると、実画像データｘ_ｔをプレドネット３００に入力し（Ｓ３００）、情報提供装置１００において実画像データｘ_ｔが生成されたときの時刻ｔよりも一周期ｎ先の将来の時刻ｔ＋ｎの混雑度を画素値とした予測画像データＡ（ｈａｔ）^ｔを生成する（Ｓ３０２）。

次に、学習処理部２１２は、周期ｔの時点で取得された実画像データｘ_ｔと、周期ｔの時点で生成した予測画像データＡ（ｈａｔ）^ｔとの和ｙ（＝ｘ_ｔ＋Ａ（ｈａｔ）^ｔ）を導出する（Ｓ３０４）。

次に、学習処理部２１２は、現在の周期がｔ＋ｎになり、情報処理装置側通信部２０２によって実画像データｘ_ｔ＋ｎが取得されると、周期ｔ＋ｎ時点において取得された実画像データｘ_ｔ＋ｎと、周期ｔ時点の実画像データｘ_ｔおよび予測画像データＡ（ｈａｔ）^ｔの和ｙとの差分ΔＥを導出する（Ｓ３０６）。

次に、学習処理部２１２は、誤差逆伝搬法や確率的勾配降下法を利用して、導出した差分ΔＥが最小となるようにプレドネット３００を学習する（Ｓ３０８）。例えば、学習処理部２１２は、差分ΔＥが最小となるように各層の回帰処理部３４０を実現するＣＯＮＶＬＳＴＭのパラメータを決定する。ＣＯＮＶＬＳＴＭのパラメータは、例えば、入力重み、リカレント重み、ピープホール重み、バイアス重みなどを含む。また、学習処理部２１２は、抽象化処理部３１０や予測生成部３２０、差分導出部３３０の一部または全部のパラメータを決定してもよい。学習処理部２１２は、このように決定したパラメータに、深層学習モデル情報２３２においてプレドネット３００のパラメータを更新する。これによって本フローチャートの処理が終了する。

図１３は、プレドネット３００の学習の流れを模式的に示す図である。図示のように、プレドネット３００に実画像データｘ_ｔを入力すると、周期ｔよりも将来の周期ｔ＋ｎの実画像データｘ_ｔ＋ｎを予測した予測画像データＡ（ｈａｔ）^ｔが生成される。学習処理部２１２は、プレドネット３００の第ｌ層の予測生成部３２０から出力された予測画像データＡ（ｈａｔ）^ｔと、この予測画像データＡ（ｈａｔ）^ｔの生成時に利用した実画像データｘ_ｔとの和ｙを求め、これをプレドネット３００の出力とする。そして、学習処理部２１２は、次の処理周期ｔ＋ｎが到来した場合、周期ｔの出力ｙと、周期ｔ＋ｎに情報提供装置１００から取得される実画像データｘ_ｔ＋ｎ、すなわち周期ｔ＋ｎの入力ｘ_ｔ＋ｎとの差分ΔＥに基づいてプレドネット３００を学習する。このように、プレドネット３００の後段の層の出力値と前段の層の出力値との差を序々に減らしていくなかで、周期ごとに生成される予測画像データに対して、同じ周期で得られる実画像データ（言い換えれば予測画像データを生成するために同周期においてプレドネット３００に入力される実画像データ）を加算し、その加算結果である同周期の実画像データと予測画像データとの和ｙと、次の周期にプレドネット３００に入力される実画像データとの差分ΔＥが最小となるように教師ありモデルとしてプレドネット３００を学習することで、運用時に、より精度良く予測画像データを生成することができる。

以上説明した第１実施形態によれば、ある時刻ｔに観測された観測値を画素値とした実画像データｘ_ｔを取得する情報処理装置側通信部２０２と、実画像データｘを用いたディープラーニングによって予め学習されたプレドネット３００に基づいて、時刻ｔの実画像データｘ_ｔから、時刻ｔよりも将来の時刻ｔ＋ｎに観測されることが予測される観測値を画素値とした予測画像データＡ（ｈａｔ）_ｌ ^ｔを生成する学習処理部２１２と、を備え、学習処理部２１２が、ある対象の時刻τに得られた実画像データｘ_τと、対象の時刻τに観測されることが予測される観測値を画素値とした予測画像データＡ（ｈａｔ）_ｌ ^τとの比較に基づいて、プレドネット３００を学習することによって、好適に将来の観測値を求めることができる。

＜第２実施形態＞
以下、第２実施形態について説明する。上述した第１実施形態では、プレドネット３００に入力される実画像データｘが、地図の各座標に対して混雑度が対応付けられた３次元のテンソルデータであるものとして説明した。これに対して、第２実施形態では、プレドネット３００に入力される実画像データｘが、４次元以上のテンソルデータである点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

第２実施形態における実画像データｘは、例えば、地図の各座標に対して混雑度が対応付けられていると共に、混雑度の導出時に利用された位置情報の取得時刻が対応付けられた４次元のテンソルデータであってよい。すなわち、実画像データｘは、各座標軸の配列と、混雑度の配列と、取得時刻の配列とを組み合わせた多次元配列データであってよい。位置情報の取得時刻は、「観測値の観測時刻」の一例である。

第２実施形態の学習処理部２１２は、実画像データｘが４次元のテンソルデータである場合、この実画像データｘを基に予めプレドネット３００を学習させておく。これによって、運用時に、時刻別、或いは時間帯別に、将来の混雑度を画素値とした予測画像データを生成することができる。また、実画像データｘが位置情報の取得時刻を含む４次元のテンソルデータであることから、曜日や日柄、季節ごとに将来の混雑度を画素値とした予測画像データを生成することができる。これによって、例えば、特定の曜日（例えば金曜日など）、特定の季節、特定の休日（例えば大晦日や元旦など）の予測画像データを生成することができる。

また、実画像データｘに画素値として含まれる観測値は、人の混雑度に限られず、自動車や飛行機といった他の移動体の混雑度であってもよいし、大気中の温度や湿度、雨量、花粉などの微粒子物質の濃度など、時間経過に応じて変化する何らかの値であってもよい。

以上説明した第２実施形態によれば、４次元以上の多次元配列データである実画像データに基づいてプレドネット３００を学習させるため、運用時に４次元以上の多次元配列データである予測画像データを生成することができる。これにより、例えば、実画像データに時刻の情報が含まれていれば、予測画像データにも時刻の情報が含まれることになるため、予測画像データを含むコンテンツを端末装置１０に提供することで、端末装置１０を利用するユーザは、どの時間帯が混雑しやすいのかということを把握することができる。この結果、端末装置１０を利用するユーザの利便性を更に向上させることができる。

＜ハードウェア構成＞
上述した実施形態の情報提供装置１００および情報処理装置２００は、例えば、図１４に示すようなハードウェア構成により実現される。図１４は、実施形態の情報提供装置１００および情報処理装置２００のハードウェア構成の一例を示す図である。

情報提供装置１００は、ＮＩＣ１００−１、ＣＰＵ１００−２、ＲＡＭ１００−３、ＲＯＭ１００−４、フラッシュメモリやＨＤＤなどの二次記憶装置１００−５、およびドライブ装置１００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００−５、またはドライブ装置１００−６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００−３に展開され、ＣＰＵ１００−２によって実行されることで、情報提供装置側制御部１１０が実現される。情報提供装置側制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

情報処理装置２００は、ＮＩＣ２００−１、ＣＰＵ２００−２、ＲＡＭ２００−３、ＲＯＭ２００−４、フラッシュメモリやＨＤＤなどの二次記憶装置２００−５、およびドライブ装置２００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置２００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置２００−５、またはドライブ装置２００−６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ２００−３に展開され、ＣＰＵ２００−２によって実行されることで、情報処理装置側制御部２１０が実現される。情報処理装置側制御部２１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…情報処理システム、１０…端末装置、１００…情報提供装置、１０２…情報提供装置側通信部、１１０…情報提供装置側制御部、１１２…ヒートマップ生成部、１１４…通信制御部、１３０…情報提供装置側記憶部、１３２…地図情報、１３４…位置情報、２００…情報処理装置、２０２…情報処理装置側通信部、２１０…情報処理装置側制御部、２１２…学習処理部、２１４…通信制御部、２３０…情報処理装置側記憶部、２３２…深層学習モデル情報

Claims (10)

1. ある第１ランタイム時刻に観測された観測値を画素値とした第１の画像データを取得する取得部と、
   前記第１の画像データを用いた機械学習によって得られた学習済みモデルに基づいて、前記取得部により取得された前記第１の画像データから、前記第１ランタイム時刻よりも将来の時刻である第２ランタイム時刻に観測されることが予測される観測値を画素値とした第２の画像データを生成する学習処理部と、
   を備え、
   前記第１の画像データには、更に、前記観測値の観測時刻が要素として付加されており、
   前記学習済みモデルは、ある第１トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データ、及び前記第１トレーニング時刻よりも将来の時刻である第２トレーニング時刻に観測されることが予測される観測値を画素値とした前記第２の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データに応じて出力した前記第２の画像データの和と、前記第２トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第２トレーニング時刻が付加された前記第１の画像データとの差分に基づいて学習されたモデルであり、
   前記観測時刻が付加された前記第１の画像データを基に学習された前記学習済みモデルは、前記観測時刻が付加された前記第１の画像データが入力されると、将来のある期間内において観測されることが予測される観測値を画素値とした前記第２の画像データを出力する、
   情報処理装置。
2. 前記機械学習は、深層学習を含む、
   請求項１に記載の情報処理装置。
3. 前記学習済みモデルは、プレドネットである、
   請求項２に記載の情報処理装置。
4. 前記取得部は、更に、前記第２ランタイム時刻に観測された観測値を画素値とした第１の画像データを取得し、
   前記学習処理部は、前記第２ランタイム時刻に観測された観測値を画素値とした第１の画像データが前記取得部により取得された場合、前記学習済みモデルに基づいて、前記第１の画像データから、前記第２ランタイム時刻よりも将来の時刻である第３ランタイム時刻に観測されることが予測される観測値を画素値とした新たな第２の画像データを生成する、
   請求項１から３のうちいずれか１項に記載の情報処理装置。
5. 前記学習処理部は、前記学習済みモデルに基づいて、前記第２ランタイム時刻に観測されることが予測される観測値を画素値とした第２の画像データから、前記第２ランタイム時刻よりも将来の時刻である第３ランタイム時刻に観測されることが予測される観測値を画素値とした新たな第２の画像データを生成する、
   請求項１から４のうちいずれか１項に記載の情報処理装置。
6. 前記観測値は、人の混雑の程度を示す混雑度である、
   請求項１から５のうちいずれか１項に記載の情報処理装置。
7. ある第１ランタイム時刻に観測された観測値を含む第１のデータを取得する取得部と、
   前記第１のデータを用いた機械学習によって得られた学習済みモデルに基づいて、前記取得部により取得された前記第１のデータから、前記第１ランタイム時刻よりも将来の時刻である第２ランタイム時刻に観測されることが予測される観測値を含む第２のデータを生成する学習処理部と、
   を備え、
   前記第１のデータには、更に、前記観測値の観測時刻が要素として付加されており、
   前記学習済みモデルは、ある第１トレーニング時刻に観測された観測値を含む前記第１のデータであって、前記第１トレーニング時刻が付加された前記第１のデータ、及び前記第１トレーニング時刻よりも将来の時刻である第２トレーニング時刻に観測されることが予測される観測値を含む前記第２のデータであって、前記第１トレーニング時刻が付加された前記第１のデータに応じて出力した前記第２のデータの和と、前記第２トレーニング時刻に観測された観測値を含む前記第１のデータであって、前記第２トレーニング時刻が付加された前記第１のデータとの差分に基づいて学習され、
   前記観測時刻が付加された前記第１のデータを基に学習された前記学習済みモデルは、前記観測時刻が付加された前記第１のデータが入力されると、将来のある期間内において観測されることが予測される観測値を画素値とした前記第２のデータを出力する、
   情報処理装置。
8. ある第１ランタイム時刻に観測された観測値を含む第１のデータが入力されると、前記第１ランタイム時刻よりも将来の時刻である第２ランタイム時刻に観測されることが予測される観測値を含む第２のデータを出力するよう、コンピュータに機能させるための学習済みモデルであって、
   前記第１のデータには、更に、前記観測値の観測時刻が要素として付加されており、
   ある第１トレーニング時刻に観測された観測値を含む前記第１のデータであって、前記第１トレーニング時刻が付加された前記第１のデータ、及び前記第１トレーニング時刻よりも将来の時刻である第２トレーニング時刻に観測されることが予測される観測値を含む前記第２のデータであって、前記第１トレーニング時刻が付加された前記第１のデータに応じて出力した前記第２のデータの和と、前記第２トレーニング時刻に観測された観測値を含む前記第１のデータであって、前記第２トレーニング時刻が付加された前記第１のデータとの差分に基づいて学習され、
   前記観測時刻が付加された前記第１のデータを基に学習され、前記観測時刻が付加された前記第１のデータが入力されると、将来のある期間内において観測されることが予測される観測値を画素値とした前記第２のデータを出力する、
   学習済みモデル。
9. コンピュータが、
   ある第１ランタイム時刻に観測された観測値を画素値とした第１の画像データを取得し、
   前記第１の画像データを用いた機械学習によって得られた学習済みモデルに基づいて、前記取得した前記第１の画像データから、前記第１ランタイム時刻よりも将来の時刻である第２ランタイム時刻に観測されることが予測される観測値を画素値とした第２の画像データを生成し、
   前記第１の画像データには、更に、前記観測値の観測時刻が要素として付加されており、
   前記学習済みモデルは、ある第１トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データ、及び前記第１トレーニング時刻よりも将来の時刻である第２トレーニング時刻に観測されることが予測される観測値を画素値とした前記第２の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データに応じて出力した前記第２の画像データの和と、前記第２トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第２トレーニング時刻が付加された前記第１の画像データとの差分に基づいて学習されたモデルであり、
   前記観測時刻が付加された前記第１の画像データを基に学習された前記学習済みモデルは、前記観測時刻が付加された前記第１の画像データが入力されると、将来のある期間内において観測されることが予測される観測値を画素値とした前記第２の画像データを出力する、
   情報処理方法。
10. コンピュータに、
    ある第１ランタイム時刻に観測された観測値を画素値とした第１の画像データを取得する処理と、
    前記第１の画像データを用いた機械学習によって得られた学習済みモデルに基づいて、前記取得した前記第１の画像データから、前記第１ランタイム時刻よりも将来の時刻である第２ランタイム時刻に観測されることが予測される観測値を画素値とした第２の画像データを生成する処理と、
    を実行させるためのプログラムであって、
    前記第１の画像データには、更に、前記観測値の観測時刻が要素として付加されており、
    前記学習済みモデルは、ある第１トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データ、及び前記第１トレーニング時刻よりも将来の時刻である第２トレーニング時刻に観測されることが予測される観測値を画素値とした前記第２の画像データであって、前記第１トレーニング時刻が付加された前記第１の画像データに応じて出力した前記第２の画像データの和と、前記第２トレーニング時刻に観測された観測値を画素値とした前記第１の画像データであって、前記第２トレーニング時刻が付加された前記第１の画像データとの差分に基づいて学習されたモデルであり、
    前記観測時刻が付加された前記第１の画像データを基に学習された前記学習済みモデルは、前記観測時刻が付加された前記第１の画像データが入力されると、将来のある期間内において観測されることが予測される観測値を画素値とした前記第２の画像データを出力する、
    プログラム。