JP7718347B2 - サービス適正化システム、サービス適正化方法、及びプログラム - Google Patents

Description

本開示は、シミュレーションを用いてサービスを適正化するシステム、方法、及びプログラムに関する。

特開２００５－３５２７２８号公報に開示された需要予測装置は、モデル作成装置と予測装置とを備える。モデル作成装置は、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する。予測装置は、モデル作成装置がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。この従来技術は顧客の行動モデルの精度を高めることを目指したものである。しかし、行動モデルの精度が高まったとしても、現実のサービスの需要を予測することには困難性を伴う。

本開示に関連する技術分野の技術水準を示す文献としては、特開２００５－３５２７２８号公報の他にも特開２０１３－１０６５０７号公報を例示することができる。

特開２００５－３５２７２８号公報 特開２０１３－１０６５０７号公報

本開示は、上記の課題に鑑みてなされたものである。本開示の１つの目的は、サービスの需要を予測する精度を高めることにある。

本開示はサービス適正化システムを提供する。本開示のサービス適正化システムは、少なくとも１つのプロセッサと、上記少なくとも１つのプロセッサに結合され、複数のインストラクションが記憶されたプログラムメモリとを備える。上記複数のインストラクションは、上記少なくとも１つのプロセッサに、以下の第１乃至第３の処理を実行させるように構成されている。第１の処理は、顧客のサービス利用行動をモデル化したヒューマンモデルを用いたシミュレーションにより、サービスに関係する顧客の行動、行動履歴、及び行動スケジュールの少なくとも一つを含むリアルデータからサービスの需要を予測する処理である。第２の処理は、サービスの提供内容を決定するサービスパラメータとサービスの需要とサービスのレベルとの関係をモデル化したサービスモデルを用いたシミュレーションにより、予測された需要からサービスのレベルが維持されるサービスパラメータの設定値を決定する処理である。第３の処理は、決定されたサービスパラメータの設定値を用いてサービスが提供された後のリアルデータを取得し、取得されたリアルデータをヒューマンモデルを用いたシミュレーションの入力にフィードバックする処理である。

また、本開示はコンピュータ読み取り可能な記憶媒体に記憶可能なプログラムを提供する。本開示のプログラムは、上記の第１乃至第３の処理をコンピュータに実行させるように構成されている。

さらに、本開示はサービス適正化方法を提供する。本開示のサービス適正化方法は以下の第１乃至第３のステップを含む。第１のステップは、顧客のサービス利用行動をモデル化したヒューマンモデルを用いたシミュレーションにより、サービスに関係する顧客の行動、行動履歴、及び行動スケジュールの少なくとも一つを含むリアルデータからサービスの需要を予測するステップである。第２のステップは、サービスの提供内容を決定するサービスパラメータとサービスの需要とサービスのレベルとの関係をモデル化したサービスモデルを用いたシミュレーションにより、予測された需要からサービスのレベルが維持されるサービスパラメータの設定値を決定するステップである。第３のステップは、決定されたサービスパラメータの設定値を用いてサービスが提供された後のリアルデータを取得し、取得されたリアルデータをヒューマンモデルを用いたシミュレーションの入力にフィードバックするステップである。

本開示が提供する上記技術、すなわち、サービス適正化システム、サービス適正化方法、及びプログラムによれば、現実にサービスが提供されている世界のリアルデータをヒューマンモデルを用いたシミュレーションの入力にフィードバックすることで、シミュレーションで予測される需要の精度を高めることができる。需要の予測精度が高まることで、サービスパラメータの設定値を適正化してサービスレベルを維持することが可能となる。

本開示が提供する上記技術において、リアルデータから得られるサービスの実際の需要とヒューマンモデルを用いたシミュレーションにより予測された需要との間の誤差に基づいてヒューマンモデルを学習してもよい。これによれば、リアルデータを用いた学習によってヒューマンモデルの精度を高めることができる。

また、本開示が提供する上記技術において、顧客は顧客グループを含み、ヒューマンモデルは顧客グループの属性ごとに用意されてもよい。顧客グループの属性ごとにヒューマンモデルが用意されることで、顧客グループとして需要を予測する場合においてヒューマンモデルを用いた需要の予測精度を高めることができる。

また、本開示が提供する上記技術において、ヒューマンモデルは顧客ごとに用意され、顧客ごとに取得されたリアルデータを用いてパーソナライズされてもよい。顧客ごとにヒューマンモデルがパーソナライズされることで、顧客ごとに需要を予測する場合においてヒューマンモデルを用いた需要の予測精度を高めることができる。

また、本開示が提供する上記技術において、サービスは複数のサービスを含み、サービスモデルは複数のサービスのそれぞれに対応して用意され、ヒューマンモデルでは顧客の複数のサービスに対する利用行動がモデル化されてもよい。これによれば、顧客が複数のサービスを利用する場合において、サービスごとに需要を予測し、複数のサービスのそれぞれについてサービスレベルを維持することができる。

さらに、本開示が提供する上記技術において、サービスパラメータの設定値を決定することは、サービスの提供施策を取得し、サービスの提供施策を規範にして予測された需要からサービスのレベルが維持されるサービスパラメータの設定値を決定することを含んでもよい。これによれば、サービスの提供施策が存在する場合において、サービスの提供施策を規範としたサービスパラメータの設定値の適正化によりサービス施策に従いつつサービスレベルを維持することができる。

以上述べたように、本開示のサービス適正化システム、サービス適正化方法、及びプログラムによれば、現実にサービスが提供されている世界のリアルデータをヒューマンモデルを用いたシミュレーションの入力にフィードバックすることで、シミュレーションで予測される需要の精度を高めることができる。

本開示の第１実施形態に係るサービス適正化システムの構成を示す図である。 図１に示されるヒューマンモデルの構成を示す図である。 図１に示されるヒューマンシミュレータで実行される処理を示す図である。 サービスシミュレータで実行される処理を示す図である。 パラメータ設定値決定器で実行される処理を示すフローチャートである。 本開示の第２実施形態に係るサービス適正化システムの構成を示す図である。 図６に示されるヒューマンシミュレータで実行される処理を示す図である。 本開示の各実施形態に係るサービス適正化システムのハードウェア構成の一例を示す図である。

１．総論
本開示の実施形態に係るサービス適正化システムは、サービスの需要と供給との関係を適正化するシステムである。本開示の実施形態に係るサービス適正化システムは、サービスの需要を予測し、予測された需要に基づいてサービスの提供内容を決定するサービスパラメータを変化させるように構成されている。なお、本開示の実施形態に係るサービス適正化システムにおいて行われるコンピュータ処理により、本開示の実施形態に係るサービス適正化方法が実現される。

本開示の実施形態に係るサービス適正化システムは、現実世界で提供される様々な種類のサービスに適用することができる。その第１の種類のサービスとして、サービス適正化システムがネットワークを介して直接にサービスパラメータを制御するサービスを挙げることができる。また、第２の種類のサービスとして、サービス適正化システムから供給される情報に従ってサービスの提供者がサービスパラメータを調整するサービスを挙げることができる。

上記第１の種類に属するサービスの具体例としては、自動運転車両を用いて提供されるオンデマンドバスサービスやライドシェアサービスを挙げることができる。これらのサービスでは、時間帯ごとの車両の使用台数、充電ステーションでの各車両の充電タイミング、車両を巡回させる巡回エリアなどがサービスパラメータとして用いられる。また、配送ロボットを用いて提供される物流サービスも第１の種類に属するサービスの具体例である。このサービスでは、時間帯ごとの配送ロボットの使用台数、充電ステーションでの各配送ロボットの充電タイミング、荷物の回収エリアなどがサービスパラメータとして用いられる。さらに、ネット店舗での商品の販売サービスも第１の種類のサービスに属する。ウェブ上に掲載する商品の種類や掲載順序はこのサービスにおけるサービスパラメータの一例である。

上記第２の種類に属するサービスの具体例としては、実店舗での商品の販売サービスを挙げることができる。このサービスでは、販売する商品の種類と種類毎の量、店舗内での商品の陳列場所などがサービスパラメータとして用いられる。また、ドライバが運転する有人タクシーサービスや、配送員が荷物を配達及び回収する有人の宅配サービスも第２の種類に属するサービスである。有人タクシーサービスにおけるサービスパラメータは、例えば、タクシーを出す台数やタクシーの巡回エリアである。有人の宅配サービスにおけるサービスパラメータは、例えば、荷物を回収する車両や配送員の数或いは荷物の回収エリアである。

また、いずれのサービスにおいても、提供されるサービスの値段やサービスにおいて提供される商品の値段はサービスパラメータの一例である。ゆえに、ダイナミックプライシングは、本開示の実施形態に係るサービス適正化システムが採りうるサービスの需要と供給との関係を適正化する手段に含まれる。

本開示の実施形態に係るサービス適正化システムは、サービスの需要を予測する機能を有する。サービスの需要を予測する方法としては様々な方法が知られている。例えば、過去の実績データを用いた統計的な手法により需要を予測する方法や、機械学習によるビッグデータの分析によって需要を予測する方法が挙げられる。しかし、そのような従来の方法をそのまま用いるのでなく、本開示の実施形態に係るサービス適正化システムでは、サービスの提供対象となる顧客の行動から需要を予測する方法が用いられている。

具体的には、本開示の実施形態に係るサービス適正化システムは、ヒューマンモデルを用いたシミュレーションによってサービスの需要を予測する。ヒューマンモデルでは、顧客がサービスを利用する行動がモデル化されている。顧客の行動の結果としてサービスの需要が生まれ、また、サービスの提供の結果として顧客の行動が生じることから、サービスの需要につながる顧客の行動はモデル化することができる。ただし、モデル化された行動はルーティンに入った行動であり、衝動買につながるようなルーティン外の行動はモデル化の対象外とされている。ヒューマンモデルには機械学習モデルを用いることができる。機械学習モデルの種類には限定はない。例えば、ヒューマンモデルは線形回帰モデルでもよいし、ニューラルネットワークモデルでもよいし、ディープラーニングモデルでもよい。

ヒューマンモデルを用いたシミュレーションでは現実世界で得られたリアルデータが使用される。ただし、使用されるリアルデータは、サービスの提供対象となる顧客の現在の行動、過去の行動履歴、及び将来の行動スケジュールに関するデータである。ただし、そのようなリアルデータのうちヒューマンモデルに入力されるのは、需要の予測の対象となっているサービスに関係するデータに限られる。そのようなデータを用いることで、顧客によるサービスの需要を精度よく予測することが可能となる。

また、本開示の実施形態に係るサービス適正化システムは、予測された需要からサービスパラメータの値を決定するに当たってサービスレベルを考慮する。需要を満たすことができるサービスパラメータの設定値は複数存在するが、サービスパラメータの設定値次第でサービスレベルが変化するからである。ライドシェアサービスを例にとると、６人の顧客による利用が予測された場合、６人乗りの車両を１台供給するか、４人乗りの車両を２台供給するかによってサービスレベルは異なったものになる。前者の場合、後者に比較して顧客が車両の到着を待つ待ち時間は長くなり、また、車内の混雑度も高くなる。

実際には、１つのサービスには複数のサービスパラメータが存在するケースが多い。その場合、サービスレベルは複数のサービスパラメータの設定値の組み合わせによって決まる。そこで、本開示の実施形態に係るサービス適正化システムは、サービスモデルを用いたシミュレーションにより、予測された需要からサービスレベルが所定の閾値レベル以上に維持されるサービスパラメータの設定値を決定する。サービスモデルでは、サービスパラメータとサービスの需要とサービスレベルとの関係がモデル化されている。サービスモデルには機械学習モデルを用いることができる。機械学習モデルの種類には限定はない。

以下、図面を参照して本開示の実施形態に係るサービス適正化システムの詳細について説明する。

２．第１実施形態
本開示の第１実施形態に係るサービス適正化システムは、単一のサービスを対象とするシステムである。図１は本開示の第１実施形態に係るサービス適正化システム１１の構成を示す図である。

図１に示されるように、サービス適正化システム１１は、仮想世界に設けられたバーチャルパート１１Ｖと、現実世界に設けられたリアルパート１１Ｒとからなる。バーチャルパート１１Ｖが設けられる仮想世界は、サービス適正化システム１１を物理的に構成するコンピュータによって実現される世界である。バーチャルパート１１Ｖはクラウド上に設けられ、インターネットを含むネットワークによってリアルパート１１Ｒと接続されてもよい。

バーチャルパート１１Ｖは、ヒューマンシミュレータ２１、サービスシミュレータ４１、パラメータ設定値決定器６１、及び施策決定器７１を備える。これらのデバイス２１、４１、６１、７１は仮想のデバイスであって、コンピュータによって実行可能なプログラムによって実現される。バーチャルパート１１Ｖを実現するプログラムが実行されるコンピュータシステムのハードウェア構成には限定はない。

ヒューマンシミュレータ２１は、ヒューマンモデル３１を用いてサービスの需要を予測するように構成されている。以下、ヒューマンシミュレータ２１の詳細について図２Ａ、図２Ｂ、及び図３を用いて説明する。

ヒューマンモデル３１では、サービス適正化システム１１が対象とするサービスを顧客が利用する上での行動がモデル化されている。ヒューマンモデル３１の構成は図２Ａを用いて説明される。図２Ａに示される構成では、顧客が属性によってグループ化され、グループごとにヒューマンモデルが用意されている。つまり、ヒューマンモデル３１は、顧客グループごとに用意されたヒューマンモデルの集合として表される。顧客の属性の例としては性別と年齢を挙げることができる。図２Ａに示される構成によれば、例えば、４５歳の女性と５５歳の男性とは異なるグループに属し、ぞれぞれの需要は異なるヒューマンモデルを用いて予測される。これに対して、３２歳の女性と３８歳の女性とは同一のグループに属し、ぞれぞれの需要は同一のヒューマンモデルを用いて予測される。顧客の属性のその他の例としては、職業や生活エリアを挙げることができる。

ヒューマンモデル３１の別の構成が図２Ｂに示されている。図２Ｂに示される構成では、顧客ごとにヒューマンモデルが用意されている。例えば、サービス適正化システム１１が対象とするサービスの顧客がＮ人いるのであれば、合計でＮ個のヒューマンモデルが用意される。つまり、ヒューマンモデル３１は、顧客ごとに用意されたヒューマンモデルの集合として表される。顧客ごとに用意されたヒューマンモデルは、顧客ごとに取得されたリアルデータを用いてパーソナライズされている。

なお、ヒューマンモデルを顧客ごとにパーソナライズするために必要なリアルデータの量は膨大である。ゆえに、新たな顧客が現れる度にその顧客のヒューマンモデルを用意することは容易ではない。そこで、先ずは、図２Ａに示されるように顧客グループの属性ごとに用意されたヒューマンモデルを使用し、パーソナライズに十分なリアルデータが揃った顧客については図２Ｂに示される顧客ごとのヒューマンモデルを使用するようにしてもよい。

図３はヒューマンシミュレータ２１で実行される処理を示す図である。ヒューマンシミュレータ２１は、顧客の現在の行動、過去の行動履歴、及び将来の行動スケジュールに関するリアルデータをヒューマンモデル３１に入力する。ヒューマンモデル３１からは、入力されたリアルデータから予測されるサービスの需要が出力される。過去、現在、そして将来の行動に関するリアルデータが揃うことで、顧客から生じるサービスの需要を精度よく予測することができる。ただし、これら３種類のリアルデータの全部が揃っている必要はなく、少なくとも一部がヒューマンモデル３１に入力されればよい。

ヒューマンシミュレータ２１は、ヒューマンモデル３１から出力されたサービスの予測需要をストレージに記憶する。また、ヒューマンシミュレータ２１は、現実世界でのサービスの実際の需要に関するデータを取得する。ヒューマンモデル３１の精度が高いほど、予測需要の実際需要に対する誤差は小さい。ヒューマンシミュレータ２１は、予測需要の実際需要に対する誤差をヒューマンモデル３１にフィードバックし、ヒューマンモデル３１のパラメータを学習する。なお、ヒューマンモデル３１の学習はバッチ処理で行われてもよいし、シミュレーションと並行して行われてもよい。

再び図１に戻ってバーチャルパート１１Ｖについての説明を続ける。ヒューマンシミュレータ２１は、ヒューマンモデル３１から出力されたサービスの予測需要をサービスシミュレータ４１に送信する。

サービスシミュレータ４１は、サービスの予測需要に対して、現在設定されているサービスパラメータによって達成できるサービスレベルを計算するように構成されている。サービスシミュレータ４１は、サービスレベルの計算にサービスモデル５１を使用する。

図４はサービスシミュレータ４１で実行される処理を示す図である。サービスシミュレータ４１は、ヒューマンモデル３１で計算されたサービスの予測需要をサービスモデル５１に入力する。また、サービスシミュレータ４１は、サービスパラメータの現在の設定値をサービスモデル５１に入力する。１つのサービスを提供するに当たって設定が必要なサービスパラメータは複数存在する。サービスシミュレータ４１は、全てのサービスパラメータの現在の設定値をサービスモデル５１に入力する。例えば、サービス適正化システム１１が対象とするサービスがライドシェアサービスの場合、車両の使用台数、充電施設での各車両の充電タイミング、車両を巡回させる巡回エリアなどの各設定値がサービスモデル５１に入力される。サービスモデル５１からは、入力されたサービスの予測需要と、各サービスパラメータの現在の設定値とから計算されるサービスレベルが出力される。

再び図１に戻ってバーチャルパート１１Ｖについての説明を続ける。サービスシミュレータ４１は、サービスモデル５１から出力されたサービスレベルをパラメータ設定値決定器６１に送信する。

パラメータ設定値決定器６１は、サービスシミュレータ４１から入力されたサービスレベルを参照し、顧客に対して提供するサービスのレベルを所定の閾値レベル以上に維持することができるサービスパラメータの設定値を決定するように構成されている。具体的には、入力されたサービスレベルが所定の閾値レベル以上に達していない場合、パラメータ設定値決定器６１は、サービスパラメータの設定値を変更する。その変更されたサービスパラメータの設定値がサービスモデル５１に入力されることで、サービスモデル５１から出力されるサービスレベルも変化する。

また、パラメータ設定値決定器６１には、施策決定器７１からサービスパラメータの設定値候補が入力される。施策決定器７１はサービス提供者からサービスの提供施策の入力を受け付ける。サービス提供者がサービスの提供施策を有する場合、各サービスパラメータがとりうる値はサービス提供施策による制約をうける。施策決定器７１は、サービス提供者が定めるサービスの提供施策をサービスパラメータの設定値候補に反映する。例えば、サービスパラメータがライドシェアサービスにおける車両の使用台数と運行時間である場合、車両の使用台数を増やすほど、１台あたりの運行時間を減らすように各サービスパラメータの設定値候補を決定してもよい。

パラメータ設定値決定器６１は、施策決定器７１から入力されたサービスパラメータの設定値候補の中からサービスパラメータの設定値を決定する。サービスパラメータの設定値候補が範囲で示されている場合には、その範囲内においてサービスパラメータの設定値が決定される。また、複数のサービスパラメータ間における設定値の関係が設定値候補において定められている場合には、その定められた関係に従ってサービスパラメータの設定値が決定される。

パラメータ設定値決定器６１で実行される上記の処理は図５に示されるようにフローチャートで表すことができる。まず、ステップＳ１では、サービスパラメータの現在の設定値のもとでのサービスレベルがサービスシミュレータ４１から取得される。ステップＳ２では、ステップＳ１で取得されたサービスレベルが所定の閾値レベル以上かどうか判定される。

ステップＳ２の判定結果が肯定であることは、サービスパラメータの現在の設定値を用いれば顧客に対して閾値レベル以上のサービスを提供できることを意味する。この場合、処理フローはステップＳ３に進む。ステップＳ３では、サービスパラメータの設定値として現在の設定値を用いることが決定される。そして、ステップＳ４では、ステップＳ３で決定されたサービスパラメータの設定値が後述するリアルサービス提供器８１にセットされる。

一方、ステップＳ２の判定結果が否定であることは、サービスパラメータの現在の設定値では顧客に対して閾値レベル以上のサービスを提供できないことを意味する。この場合、処理フローはステップＳ５に進む。ステップＳ５では、サービスの提供施策に則って決定されたサービスパラメータの設定値候補が施策決定器７１から取得される。ステップＳ６では、ステップＳ５で取得された設定値候補の中で、サービスパラメータの設定値が現在の設定値から変更される。そして、ステップＳ７では、ステップＳ６で変更されたサービスパラメータの設定値がサービスモデル５１にセットされる。

再び図１に戻ってバーチャルパート１１Ｖについての説明を続ける。バーチャルパート１１Ｖでは、これまで説明してきたように、サービスの提供施策を規範にして、リアルデータから予測された需要からサービスレベルが所定レベル以上に維持されるサービスパラメータの設定値が決定される。バーチャルパート１１Ｖにおいて決定されたサービスパラメータの設定値は、リアルパート１１Ｒに送信される。

リアルパート１１Ｒは、リアルサービス提供器８１とリアルデータコレクタ９１とを備える。リアルサービス提供器８１は、現実世界において顧客に対してサービスを提供する機器である。リアルサービス提供器８１の構成及び機能は、提供されるサービスの内容によって異なる。

例えば、自動運転車両を用いて提供されるライドシェアサービスの場合、自動運転車両をリアルサービス提供器８１とすることができる。配送ロボットを用いて提供される物流サービスの場合、配送ロボットをリアルサービス提供器８１とすることができる。これらの第１の種類に属するサービスでは、サービスパラメータの設定値を自動運転車両や配送ロボットに直接セットすることができる。

また、実店舗での商品の販売サービスの場合、実店舗に配置されてサービスパラメータの設定値をディスプレイに表示するコンピュータをリアルサービス提供器８１とすることができる。有人の宅配サービスの場合、各宅配車両に設置されて配送員に対してサービスパラメータの設定値を指示するコンピュータをリアルサービス提供器８１とすることができる。これらの第２の種類に属するサービスでは、サービスパラメータの設定値はサービス提供者や従業者に対する指示値として用いられる。

リアルデータコレクタ９１は、顧客に対してサービスが提供されている現実世界において、顧客の行動に関するリアルデータを収集するように構成されている。リアルデータコレクタ９１が収集するリアルデータは、顧客の現在の行動、過去の行動履歴、及び将来の行動スケジュールに関するリアルデータである。リアルデータコレクタ９１は、収集したリアルデータをヒューマンモデル３１に入力する。リアルデータコレクタ９１の構成及び機能は、行動に影響するサービスの内容によって異なる。

例えば、顧客に対して提供されるサービスが自動運転車両を用いて提供されるライドシェアサービスの場合、顧客の最寄駅からの現在位置は行動に関するリアルデータとして収集されてもよい。この場合、顧客の携帯端末が有するＧＰＳシステムをリアルデータコレクタ９１とすることができる。また、顧客の交通サービスに対する支払い記録は過去の行動履歴に関するリアルデータとして収集されてもよい。この場合、決済システムをリアルデータコレクタ９１とすることができる。さらに、顧客のスケジュールは、将来の行動スケジュールに関するリアルデータとして収集されてもよい。この場合、顧客のスケジュールが登録されたＷｅｂカレンダーをリアルデータコレクタ９１とすることができる。

顧客に対して提供されるサービスが実店舗での商品の販売サービスである場合、顧客の自宅の冷蔵庫の開閉は顧客の現在の行動に関するリアルデータとして収集されてもよい。この場合、冷蔵庫に取り付けられたセンサをリアルデータコレクタ９１とすることができる。また、会計時に発行されたレシートは過去の行動履歴に関するリアルデータとして収集されてもよい。この場合、ＰＯＳシステムをリアルデータコレクタ９１とすることができる。さらに、インターネットからの献立表のダウンロードは、将来の行動スケジュールに関するリアルデータとして収集されてもよい。この場合、ダウンロード操作を受け付けたサーバをリアルデータコレクタ９１とすることができる。

リアルパート１１Ｒでは、これまで説明してきたように、バーチャルパート１１Ｖで決定されたサービスパラメータの設定値に従って現実世界へのサービスの提供が行われる。そして、リアルパート１１Ｒでは、サービスの提供の結果が反映されたリアルデータが収集され、収集されたリアルデータはバーチャルパート１１Ｖに送信される。このような処理が繰り返されることで、サービス適正化システム１１によれば、サービスの需要の予測精度を高めることができ、サービスパラメータの設定値を適正化してサービスレベルを高いレベルに維持することができる。

なお、本実施形態に係るサービス適正化システム１１はバーチャルパート１１Ｖとリアルパート１１Ｒとで構成されているが、バーチャルパート１１Ｖのみをサービス適正化システムとして定義してもよい。つまり、リアルパート１１Ｒは必ずしもサービス適正化システムの一部を構成しなくてもよい。また、バーチャルパート１１Ｖと、リアルサービス提供器８１とリアルデータコレクタ９１のいずれか一方とでサービス適正化システムを構成してもよい。

３．第２実施形態
本開示の第２実施形態に係るサービス適正化システムは、複数のサービスを対象とするシステムである。簡単のために、サービス適正化システムによる適正化の対象とされているサービスは、サービスＡとサービスＢの２つサービスであるとする。図６は本開示の第２実施形態に係るサービス適正化システム１２の構成を示す図である。

図６に示されるように、サービス適正化システム１２は、仮想世界に設けられたバーチャルパート１２Ｖと、現実世界に設けられたリアルパート１２Ｒとからなる。ただし、第１実施形態でも述べたように、バーチャルパート１２Ｖのみをサービス適正化システムとして定義してもよい。つまり、リアルパート１２Ｒは必ずしもサービス適正化システムの一部を構成しなくてもよい。

バーチャルパート１２Ｖは、ヒューマンシミュレータ２２、サービスシミュレータ４２Ａ、４２Ｂ、パラメータ設定値決定器６２Ａ、６２Ｂ、及び施策決定器７２を備える。これらのデバイス２２、４２Ａ、４２Ｂ、６２Ａ、６２Ｂ、７２は仮想のデバイスであって、コンピュータによって実行可能なプログラムによって実現される。バーチャルパート１２Ｖを実現するプログラムが実行されるコンピュータシステムのハードウェア構成には限定はない。

ヒューマンシミュレータ２２は、ヒューマンモデル３２を用いてサービスの需要を予測するように構成されている。第１実施形態と同様に、ヒューマンモデル３２は、顧客の属性によってグループ化された顧客グループごとに用意されたヒューマンモデルの集合であってもよい。或いは、ヒューマンモデル３２は、顧客ごとに取得されたリアルデータを用いてパーソナライズされた顧客ごとのヒューマンモデルの集合であってもよい。以下、ヒューマンシミュレータ２２の詳細について図７を用いて説明する。

図７はヒューマンシミュレータ２２で実行される処理を示す図である。ヒューマンシミュレータ２２は、顧客の現在の行動、過去の行動履歴、及び将来の行動スケジュールに関するリアルデータをヒューマンモデル３２に入力する。ヒューマンモデル３２では顧客のサービスＡ及びサービスＢに対する利用行動がモデル化されている。顧客の利用行動に関するサービスＡとサービスＢとの関連性はヒューマンモデル３２に反映されている。ヒューマンモデル３２からは、入力されたリアルデータから予測されるサービスＡの需要（予測需要Ａ）とサービスＢの需要（予測需要Ｂ）とが出力される。

ヒューマンシミュレータ２２は、ヒューマンモデル３２から出力された予測需要Ａと予測需要Ｂとをストレージに記憶する。また、ヒューマンシミュレータ２２は、現実世界でのサービスＡの実際の需要（実際需要Ａ）とサービスＢの実際の需要（実際需要Ｂ）とに関するデータを取得する。ヒューマンモデル３２の精度が高いほど、予測需要Ａの実際需要Ａに対する誤差は小さく、予測需要Ｂの実際需要Ｂに対する誤差も小さい。ヒューマンシミュレータ２２は、予測需要Ａの実際需要Ａに対する誤差と、予測需要Ｂの実際需要Ｂに対する誤差とをヒューマンモデル３２にフィードバックし、ヒューマンモデル３２のパラメータを学習する。なお、ヒューマンモデル３２の学習はバッチ処理で行われてもよいし、シミュレーションと並行して行われてもよい。

再び図６に戻ってバーチャルパート１２Ｖについての説明を続ける。ヒューマンシミュレータ２２は、ヒューマンモデル３２から出力されたサービスの予測需要をサービスシミュレータ４２Ａ、４２Ｂに送信する。サービスシミュレータ４２Ａ、４２Ｂはサービスごとに独立して設けられている。

サービスシミュレータ４２Ａは、予測需要Ａに対して、現在設定されているサービスパラメータによって達成できるサービスＡのサービスレベルを計算するように構成されている。サービスシミュレータ４２Ａは、サービスレベルの計算にサービスモデル５２Ａを使用する。サービスモデル５２Ａでは、サービスＡのサービスパラメータとサービスＡの需要とサービスＡのサービスレベルとの関係がモデル化されている。サービスシミュレータ４２Ａは、サービスモデル５２Ａから出力されたサービスレベルをパラメータ設定値決定器６２Ａに送信する。

また、サービスシミュレータ４２Ｂは、予測需要Ｂに対して、現在設定されているサービスパラメータによって達成できるサービスＢのサービスレベルを計算するように構成されている。サービスシミュレータ４２Ｂは、サービスレベルの計算にサービスモデル５２Ｂを使用する。サービスモデル５２Ｂでは、サービスＢのサービスパラメータとサービスＢの需要とサービスＢのサービスレベルとの関係がモデル化されている。サービスシミュレータ４２Ｂは、サービスモデル５２Ｂから出力されたサービスレベルをパラメータ設定値決定器６２Ｂに送信する。

パラメータ設定値決定器６２Ａは、サービスシミュレータ４２Ａから入力されたサービスレベルが所定の閾値レベル以上に達していない場合、サービスＡのサービスパラメータの設定値を変更する。その変更されたサービスパラメータの設定値がサービスモデル５２Ａに入力されることで、サービスモデル５２Ａから出力されるサービスレベルも変化する。同様に、パラメータ設定値決定器６２Ｂは、サービスシミュレータ４２Ｂから入力されたサービスレベルが所定の閾値レベル以上に達していない場合、サービスＢのサービスパラメータの設定値を変更する。その変更されたサービスパラメータの設定値がサービスモデル５２Ｂに入力されることで、サービスモデル５２Ｂから出力されるサービスレベルも変化する。

各パラメータ設定値決定器６２Ａ、６２Ｂには、施策決定器７２からサービスパラメータの設定値候補が入力される。施策決定器７２は、サービス提供者からの各サービスＡ、Ｂの提供施策の入力を受け付け、サービス提供者が定める各サービスＡ、Ｂの提供施策を各サービスＡ、Ｂのサービスパラメータの設定値候補に反映する。パラメータ設定値決定器６２Ａは、サービスＡのサービスパラメータの設定値候補の中からサービスＡのサービスパラメータの設定値を決定する。パラメータ設定値決定器６２Ｂは、サービスＢのサービスパラメータの設定値候補の中からサービスＢのサービスパラメータの設定値を決定する。

また、パラメータ設定値決定器６２Ａ、６２Ｂは、両者の間でサービスパラメータの設定値を調停する機能を有している。この機能は、例えば、サービスＡとサービスＢとの間で使用する資源に重複があり、その資源が有限である場合に有効である。具体例として、。サービスＡが自動運転車両を用いたオンデマンドバスサービスであり、サービスＢが配送ロボットを用いた物流サービスであって、自動運転車両と配送ロボットとは充電ステーションを共有していると仮定する。１つの充電ステーションを自動運転車両と配送ロボットが同時に使用することはできないため、サービスＡにとっての最適な充電タイミングと、サービスＢにとっての最適な充電タイミングとは必ずしも両立しない。このような場合、パラメータ設定値決定器６２Ａ、６２Ｂは、その調停機能により、お互いのサービスパラメータの設定値を最適値からずらし合う。このようにして、サービス全体としての最適化が図られる。

バーチャルパート１２Ｖでは、サービスの提供施策を規範にして、リアルデータから予測された需要からサービスレベルが所定レベル以上に維持される各サービスＡ、Ｂのサービスパラメータの設定値が決定される。バーチャルパート１２Ｖにおいて決定された各サービスＡ、Ｂのサービスパラメータの設定値は、リアルパート１２Ｒに送信される。

リアルパート１２Ｒは、リアルサービス提供器８２Ａ、８２Ｂとリアルデータコレクタ９２とを備える。リアルサービス提供器８２Ａは、現実世界において顧客に対してサービスＡを提供する機器である。リアルサービス提供器８２Ｂは、現実世界において顧客に対してサービスＢを提供する機器である。第１実施形態で紹介したリアルサービス提供器８１の具体例は、リアルサービス提供器８２Ａ、８２Ｂにも当てはまる。

リアルデータコレクタ９２は、顧客に対してサービスＡ、Ｂが提供されている現実世界において、顧客の行動に関するリアルデータを収集するように構成されている。リアルデータコレクタ９２が収集するリアルデータは、顧客の現在の行動、過去の行動履歴、及び将来の行動スケジュールに関するリアルデータである。また、リアルデータコレクタ９２が収集するリアルデータは、サービスＡとサービスＢの少なくとも一方に関係するリアルデータである。リアルデータコレクタ９２は、収集したリアルデータをヒューマンモデル３２に入力する。

リアルパート１２Ｒでは、バーチャルパート１２Ｖで決定されたサービスパラメータの設定値に従って現実世界へのサービスＡ、Ｂの提供が行われる。そして、リアルパート１１Ｒでは、サービスＡ、Ｂの提供の結果が反映されたリアルデータが収集され、収集されたリアルデータはバーチャルパート１２Ｖに送信される。このような処理が繰り返されることで、サービス適正化システム１２によれば、各サービスＡ、Ｂの需要の予測精度を高めることができ、各サービスＡ、Ｂのサービスパラメータの設定値を適正化して各サービスＡ、Ｂのサービスレベルを高いレベルに維持することができる。

４．ハードウェア構成
最後に、サービス適正化システムのハードウェア構成について説明する。図８はサービス適正化システムのハードウェア構成の一例を示す図である。図８に示されるサービス適正化システム１０は、第１実施形態に係るサービス適正化システム１１と第２実施形態に係るサービス適正化システム１２のどちらにも対応する。

図８に示されるサービス適正化システム１０は、ＩｏＴサーバ１００、シミュレーションサーバ１１０、及びサービスサーバ１２０から構成される。ＩｏＴサーバ１００は現実世界からのリアルデータを受信するサーバであって、サービス適正化システム１１、１２のバーチャルパート１１Ｖ、１２Ｖの入力インタフェースに相当する。サービスサーバ１２０は、現実世界の各種のデバイス（リアルサービス提供器に相当）にサービスパラメータの設定値を送信するサーバであって、バーチャルパート１１Ｖ、１２Ｖの出力インタフェースに相当する。そして、シミュレーションサーバ１１０はバーチャルパート１１Ｖ、１２Ｖそのものに相当する。

各サーバ１００は、１１０、１２０は、プロセッサ１０１、１１１、１２１、プログラムメモリ１０２、１１２、１２２、及びストレージ１０４、１１４、１２４を備える。プログラムメモリ１０２、１１２、１２２及びストレージ１０４、１１４、１２４はプロセッサ１０１、１１１、１２１に結合されている。プログラムメモリ１０２、１１２、１２２には複数のインストラクション１０３、１１３、１２３が記憶されている。インストラクション１０３、１１３、１２３がプロセッサ１０１、１１１、１２１で実行されることにより、サービス適正化システム１０の各機能が実現される。

なお、図８に示されるサービス適正化システム１０のハードウェア構成は、サービス適正化システム１１、１２に適用可能なハードウェア構成の一例にすぎない。例えば、上記の３つのサーバ１００、１１０、１２０は１つのサーバに統合されてもよいし、より多くのサーバに分散されてもよい。

１０、１１、１２ サービス適正化システム
１１Ｖ、１２Ｖ バーチャルパート
１１Ｒ、１２Ｒ リアルパート
２１、２２ ヒューマンシミュレータ
３１、３２ ヒューマンモデル
４１、４２Ａ、４２Ｂ サービスシミュレータ
５１、５２Ａ、５２Ｂ サービスモデル
６１、６２Ａ、６２Ｂ パラメータ設定値決定器
７１、７２ 施策決定器
８１、８２Ａ、８２Ｂ リアルサービス提供器
９１、９２ リアルデータコレクタ
１００ ＩｏＴサーバ
１１０ シミュレーションサーバ
１２０ サービスサーバ

Claims (8)

1. 少なくとも１つのプロセッサと、
   前記少なくとも１つのプロセッサに結合され、複数のインストラクションが記憶されたプログラムメモリと、を備え、
   前記複数のインストラクションは、前記少なくとも１つのプロセッサに、
   顧客のサービス利用行動をモデル化したヒューマンモデルを用いたシミュレーションにより、サービスに関係する前記顧客の行動、行動履歴、及び行動スケジュールの少なくとも一つを含むリアルデータから前記サービスの需要を予測することと、
   前記サービスの提供内容を決定するサービスパラメータと前記サービスの需要と前記サービスのレベルとの関係をモデル化したサービスモデルを用いた、サービスごとに独立して設けられたサービスシミュレータによるシミュレーションにより、予測された需要に対して現在のサービスパラメータの設定値によって達成できるサービスレベルを計算し、計算されたサービスレベルが所定レベル以上に維持されるサービスパラメータの設定値を決定することと、
   決定されたサービスパラメータの設定値を用いて前記サービスが提供された後の前記リアルデータを取得し、取得されたリアルデータを前記ヒューマンモデルを用いたシミュレーションの入力にフィードバックすることと、
   前記サービスが複数のサービスを含む場合、前記複数のサービス間において前記サービスパラメータの設定値を調停し、前記複数のサービス全体としての最適化を図るように、前記複数のサービスのそれぞれの前記サービスパラメータの設定値を最適値からずらし合わせること、を実行させるように構成された
   ことを特徴とするサービス適正化システム。
2. 請求項１に記載のサービス適正化システムにおいて、
   前記複数のインストラクションは、前記少なくとも１つのプロセッサに
   前記リアルデータから得られる前記サービスの実際の需要と前記ヒューマンモデルを用いたシミュレーションにより予測された需要との間の誤差に基づいて前記ヒューマンモデルを学習すること、をさらに実行させるように構成された
   ことを特徴とするサービス適正化システム。
3. 請求項１又は２に記載のサービス適正化システムにおいて、
   前記顧客は顧客グループを含み、
   前記ヒューマンモデルは前記顧客グループの属性ごとに用意されている
   ことを特徴とするサービス適正化システム。
4. 請求項１又は２に記載のサービス適正化システムにおいて、
   前記ヒューマンモデルは顧客ごとに用意され、顧客ごとに取得されたリアルデータを用いてパーソナライズされている
   ことを特徴とするサービス適正化システム。
5. 請求項１又は２に記載のサービス適正化システムにおいて、
   前記サービスは複数のサービスを含み、
   前記サービスモデルは前記複数のサービスのそれぞれに対応して用意され、
   前記ヒューマンモデルでは前記顧客の前記複数のサービスに対する利用行動がモデル化されている
   ことを特徴とするサービス適正化システム。
6. 請求項１又は２に記載のサービス適正化システムにおいて、
   前記サービスパラメータの設定値を決定することは、サービスの提供施策を取得し、前記サービスの提供施策を規範にして前記予測された需要から前記レベルが維持されるサービスパラメータの設定値を決定することを含む
   ことを特徴とするサービス適正化システム。
7. 顧客のサービス利用行動をモデル化したヒューマンモデルを用いたシミュレーションにより、サービスに関係する前記顧客の行動、行動履歴、及び行動スケジュールの少なくとも一つを含むリアルデータから前記サービスの需要を予測することと、
   前記サービスの提供内容を決定するサービスパラメータと前記サービスの需要と前記サービスのレベルとの関係をモデル化したサービスモデルを用いた、サービスごとに独立して設けられたサービスシミュレータによるシミュレーションにより、予測された需要に対して現在のサービスパラメータの設定値によって達成できるサービスレベルを計算し、計算されたサービスレベルが所定レベル以上に維持されるサービスパラメータの設定値を決定することと、
   決定されたサービスパラメータの設定値を用いて前記サービスが提供された後の前記リアルデータを取得し、取得されたリアルデータを前記ヒューマンモデルを用いたシミュレーションの入力にフィードバックすることと、
   前記サービスが複数のサービスを含む場合、前記複数のサービス間において前記サービスパラメータの設定値を調停し、前記複数のサービス全体としての最適化を図るように、前記複数のサービスのそれぞれの前記サービスパラメータの設定値を最適値からずらし合わせることと、を含む
   ことを特徴とするサービス適正化方法。
8. 顧客のサービス利用行動をモデル化したヒューマンモデルを用いたシミュレーションにより、サービスに関係する前記顧客の行動、行動履歴、及び行動スケジュールの少なくとも一つを含むリアルデータから前記サービスの需要を予測することと、
   前記サービスの提供内容を決定するサービスパラメータと前記サービスの需要と前記サービスのレベルとの関係をモデル化したサービスモデルを用いた、サービスごとに独立して設けられたサービスシミュレータによるシミュレーションにより、予測された需要に対して現在のサービスパラメータの設定値によって達成できるサービスレベルを計算し、計算されたサービスレベルが所定レベル以上に維持されるサービスパラメータの設定値を決定することと、
   決定されたサービスパラメータの設定値を用いて前記サービスが提供された後の前記リアルデータを取得し、取得されたリアルデータを前記ヒューマンモデルを用いたシミュレーションの入力にフィードバックすることと、
   前記サービスが複数のサービスを含む場合、前記複数のサービス間において前記サービスパラメータの設定値を調停し、前記複数のサービス全体としての最適化を図るように、前記複数のサービスのそれぞれの前記サービスパラメータの設定値を最適値からずらし合わせることと、をコンピュータに実行させるように構成されている
   ことを特徴とするプログラム。