配送计划生成装置和配送计划生成方法与流程

1.本公开涉及一种配送计划生成装置和配送计划生成方法。


背景技术：

2.专利文献1中公开了一种车辆用导航装置，该车辆用导航装置基于车辆的当前位置来对行驶的路线进行学习，对在经常通过的道路的路线上发生的拥堵信息进行学习，并且将在经常通过的道路上的从车辆外部获取到的当前的拥堵信息与过去学习到的拥堵信息进行比较，并基于比较结果来选择是否要探索避开拥堵发生位置的路线。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2005-127942号公报


技术实现要素：

6.本公开是鉴于上述的以往的状况而提出的，目的在于提供一种考虑到货物的配送目的地的道路的状况与过去的道路状况不同的在配送预定时间的道路状况、来进行货物的配送计划的高效制定的配送计划生成装置和配送计划生成方法。
7.本公开提供一种配送计划生成装置，具备：处理器；通信部，其获取表示物品的配送范围的配送范围信息；以及存储器，其存储表示与所述配送范围信息对应的各道路的特性的道路特征信息以及与所述配送范围信息对应的各道路的过去的拥堵信息，其中，所述处理器进行以下处理：获取表示所述各道路的连接关系的道路网信息；获取学习信息，该学习信息是基于配送所述物品的配送车辆的行驶历史记录以及与所述行驶历史记录对应的各道路的所述道路特征信息及所述过去的拥堵信息而生成的；获取所述各道路的配送预定时间的拥堵信息；基于所述道路特征信息、所述配送预定时间的拥堵信息以及所述学习信息，来计算所述各道路的道路成本；以及使用所述道路网信息和所述道路成本，来生成所述物品的配送计划。
8.另外，本公开提供一种配送计划生成方法，包括：获取表示物品的配送范围的配送范围信息；获取表示与所述配送范围信息对应的各道路的特性的道路特征信息以及与所述配送范围信息对应的各道路的过去的拥堵信息；获取表示所述各道路的连接关系的道路网信息；获取学习信息，该学习信息对应于配送所述物品的配送车辆的行驶历史记录以及与所述行驶历史记录对应的各道路的所述道路特征信息及所述过去的拥堵信息；获取所述各道路的配送预定时间的拥堵信息；基于所述道路特征信息、所述配送预定时间的拥堵信息以及所述学习信息，来计算所述各道路的道路成本；以及使用所述道路网信息和所述道路成本，来生成所述物品的配送计划。
9.根据本公开，能够考虑到货物的配送目的地的道路的状况与过去的道路状况不同的在配送预定时间的道路状况、来进行货物的配送计划的高效制定。
附图说明
10.图1是详细示出实施方式1所涉及的道路学习模型生成装置的内部结构例的框图。
11.图2是示出行驶历史记录db中存储的从据点s到配送目的地d1的配送路线的行驶历史记录例的说明图。
12.图3是详细示出由实施方式1所涉及的道路学习模型生成装置进行的道路学习模型的生成过程例的流程图。
13.图4是示出从配送范围ar1的据点t到配送目的地e1的学习时的配送路线和使用了学习结果的配送计划生成时的配送路线的决定的一例的图。
14.图5是详细示出实施方式2所涉及的配送计划生成装置的内部结构例的框图。
15.图6a是示出学习前的各个配送目的地间的道路的距离的一例的表。
16.图6b是示出与学习后的各个配送目的地间的道路对应的配送成本的一例的表。
17.图7是示从出配送目的地d1到配送目的地d3的、学习前的各个道路的距离和与学习后的各个道路对应的配送成本的一例的说明图。
18.图8是详细示出由实施方式2所涉及的配送计划生成装置进行的配送计划的生成过程例的流程图。
19.图9是详细示出图8的步骤s17的配送计划计算过程例的流程图。
20.图10是示出在图9的步骤s22中使用的三种改善方法的一例的说明图。
21.图11是详细示出实施方式2的变形例所涉及的配送计划生成装置的内部结构例的框图。
22.图12是示出使用学习完毕地区的学习结果来生成未学习地区的配送计划时的配送路线的决定的一例的图。
具体实施方式
23.(得到本公开的经过)
24.专利文献1的车辆用导航装置仅在经常通过的道路中的当前发生了拥堵的位置与过去学习到的拥堵信息所示的位置不同的情况下，使用户选择是否探索避开用的路线。另一方面，在研究与专利文献1的汽车导航不同的在配送车辆配送货物时要通过的配送路线时，即使使用专利文献1的结构，也存在难以高效地生成对配送车辆的驾驶员而言负担小且适当的配送路线这样的问题。例如配送不是只要单纯地避开拥堵尽早到达即可，而需要判断是否应避开拥堵，在避开的情况下判断该路线是否适合于配送。
25.另外，认为的是，在货物的配送中，熟练驾驶员(也就是积累了相当的经验的老练的驾驶员)习惯于考虑要通过的道路的形状、拥挤程度来高效地配送货物，但在专利文献1中，没有考虑使用这样的熟练驾驶员行驶过的道路的行驶历史记录来将其反映于货物的配送计划的生成中。因而，在货物的配送中，难以根据到配送目的地的道路的状况来制定适当的货物的配送计划。
26.因此，在下面的实施方式中，说明在货物的配送中有效地辅助根据到配送目的地的道路的状况与过去的道路状况不同的在配送预定时间的道路状况进行的、最优的货物的配送计划的制定、并减轻配送各个货物的驾驶员的负担的配送计划生成装置和配送计划生成方法的例子。
27.下面，适当地参照附图，来详细说明具体地公开了本公开所涉及的道路学习模型生成装置、道路学习模型生成方法、配送计划生成装置以及配送计划生成方法的各实施方式。但是，有时省略必要以上的详细说明。例如，有时省略已被熟知的事项的详细说明、针对实质上相同的结构的重复说明。这是为了避免下面的说明变得不必要的冗长，使本领域技术人员容易理解。此外，附图和下面的说明是为了使本领域技术人员充分理解本公开而提供的，不意图通过它们来限定权利要求书中记载的主题。
28.实施方式所涉及的道路学习模型生成装置和配送计划生成装置既可以由同一装置构成，也可以分别由不同的装置构成。在由同一装置(例如，个人计算机或服务器装置)构成的情况下，该装置通过执行构成道路学习模型生成方法的各处理，来实现为道路学习模型生成装置。同样地，该装置通过在与上述的道路学习模型生成方法的执行不同的时机执行构成配送计划生成方法的各处理，来实现为配送计划生成装置。
29.(实施方式1：道路学习模型生成装置)
30.图1是详细示出实施方式1所涉及的道路学习模型生成装置1的内部结构例的框图。道路学习模型生成装置1例如使用pc(personal computer：个人计算机)或服务器装置等计算机来构成，是主要包括存储器m1、处理器prc1、存储装置sr1以及通信部15的结构。
31.存储器m1使用ram(random access memory：随机存取存储器)和rom(read only memory：只读存储器)来构成，临时地保存执行道路学习模型生成装置1的动作所需要的程序，并且临时地保存在动作中生成的数据或信息。ram例如是在处理器prc1的动作期间被使用的工作存储器。rom例如预先存储用于控制处理器prc1的程序和数据。
32.处理器prc1例如使用cpu(central processing unit：中央处理单元)、dsp(digital signal processor：数字信号处理器)、gpu(graphical processing unit：图形处理单元)或者fpga(field programmable gate array：现场可编程逻辑门阵列)来构成。处理器prc1包括行驶历史记录读取部11、行驶历史记录学习部12、以及道路nw及面向配送的道路特征数据读取部13。nw被记载为网络的简称。换而言之，关于这些各部(也就是行驶历史记录读取部11、行驶历史记录学习部12、道路nw及面向配送的道路特征数据读取部13)，处理器prc1读取分别与各部对应的程序和数据，并由处理器prc1执行。
33.存储装置sr1(存储器的一例)例如使用闪速存储器、hdd(hard disk drive：硬盘驱动器)或者ssd(solid state drive：固态硬盘)来构成。存储装置sr1具有行驶历史记录db 21、道路nw及面向配送的道路特征数据存储部22、时间带别道路别平均速度数据存储部23、以及面向配送的道路学习模型存储部24。db被记载为数据库的简称。
34.通信部15使用负责道路学习模型生成装置1与外部装置(例如用户使用的客户端终端)之间的通信的通信接口电路来构成，该外部装置经由网络(例如无线lan(local area network：局域网))来与道路学习模型生成装置1连接。通信部15与客户端终端之间的通信不限于无线lan，也可以通过有线lan来连接，还可以经由串行通信/并行通信等的接口来直接连接。通信部15例如在与上述的客户端终端之间进行数据的发送接收(例如，接收从客户端终端发送来的表示货物的配送范围的区域的配送范围数据)。
35.接着，对由处理器prc1实现的各功能性结构以及存储装置sr1所具有的各种数据库或存储部的详情进行说明。
36.行驶历史记录读取部11读取行驶历史记录db 21中登记的行驶历史记录数据。行
驶历史记录数据例如具有历史记录以及行驶在与该识别信息对应的道路上时的平均速度，该识别信息用于对熟练驾驶员(也就是积累了一定年数以上的相当经验的老练的驾驶员)乘坐的配送车辆(例如卡车)在从移动开始地点将货物配送到作为目标的配送目的地(目的地)时行驶过的一个以上的道路进行识别。具体而言，行驶历史记录数据是道路id(道路识别信息的一例)与同该道路id对应的平均速度组成的对(pair)的集合(集)，其中，该道路id用于对构成熟练驾驶员的配送车辆在将货物配送到作为目标的配送目的地时行驶过的配送路线中的一个以上的道路分别进行识别。关于道路id的详情在后面描述。此外，按每个道路id通过将道路的距离除以配送车辆的行驶时间来计算平均速度。此外，在平均速度不被包含于上述的行驶历史记录数据的情况下，处理器prc1也可以通过其它途径利用外部或道路学习模型生成装置1所保持的时间带别道路别平均速度数据存储部23(参照后述)中存储的时间带别道路别平均速度数据，来获取相应的时刻的道路id的平均速度。另外，平均速度只要是表示道路的拥挤度的信息，则也可以利用其它格式(项目)的信息。例如，既可以是时速10km单位的标志(例如表示10km/h～20km/h的标志)，也可以是相对于限制速度的增减率(例如限制速度为50km/h，在实际的速度为30km/h的情况下为60％，在实际的速度为60km/h的情况下为120％)，还可以是在单位时间(例如1小时)内在道路中通行的车辆数。另外，道路的拥挤度不限于在道路上通行的车辆，只要是表示车辆的通行难度的信息即可，也可以是步行的儿童的人数或者在路上驻车的车辆的数量。另外，除平均速度以外，也可以还将货物的种类作为行驶历史记录来获取。这是考虑到因为配送车辆能够产生的车速根据货物的种类或重量而不同，例如在易碎品等易损坏的货物的情况下平均速度降低。
37.道路nw及面向配送的道路特征数据读取部13基于来自通信部15的配送范围信息，读取道路nw及面向配送的道路特征数据存储部22(参照后述)中登记的与配送范围信息对应的道路网数据和各道路的特征数据(下面称为“道路特征数据”)。道路网数据是所谓的道路地图数据(所谓的地图数据)，是表示道路地图上的各道路同与该各道路连接的其它道路之间的连接关系的数据。此外，道路网数据和道路特征数据可以分别根据道路进行新建设或对道路实施改建工程等而被更新，在该情况下一并更新道路nw及面向配送的道路特征数据存储部22的内容。
38.行驶历史记录学习部12基于由通信部15接收到的配送范围数据、由行驶历史记录读取部11读取的行驶历史记录数据、以及由道路nw及面向配送的道路特征数据读取部13读取的道路网数据及道路特征数据，来对在配送范围内的配送中使用的行驶历史记录数据进行学习。行驶历史记录学习部12生成作为通过该学习得到的输出的与货物的配送范围对应的道路学习模型。在本说明书中，作为使用了道路学习模型的道路成本(参照后述)的计算方法，例示了道路学习模型为函数的情况下的计算方法(第一计算方法)和道路学习模型为系数的情况下的计算方法(第二计算方法)。
39.第一计算方法：道路学习模型(学习信息的一例)为函数的情况
40.作为学习信息的一例的道路学习模型例如通过构成行驶历史记录学习部12的人工智能(ai：artificial intelligents)的逆强化学习(irl：inverse reinforcement learning)来生成。道路学习模型例如输入行驶历史记录数据中包含的各道路id的平均速度以及与该各道路id对应的道路特征数据(参照后述)，并运算与该道路id对应的道路的收益。然后，基于该收益来运算道路成本(参照后述)。此外，该收益越高则表示是越经常通过
的道路(若行驶历史记录数据为熟练驾驶员的数据，则收益越高表示是熟练驾驶员越经常通过的道路)。也就是说，在第一计算方法中，道路成本相当于将每个道路id的道路特征数据和平均速度作为道路学习模型的输入时的函数输出值(也就是在逆强化学习中得到的输出(也就是收益))的倒数(也就是1/(逆强化学习的收益))。例如，若将道路学习模型的函数定义为f(x，y，z)，则得到道路成本＝1/f(x，y，z)＝1/f(第一道路特征数据，第二道路特征数据，平均速度)。此外，在该数式中，输入的道路特征数据的个数不限定于2个，也可以是1个，还可以是3个以上。
41.在此，逆强化学习(irl)例如用于基于熟练人员进行的行动来估计怎样的行动具有怎样的好处。通过定量地求出该好处，能够生成与熟练人员非常类似的行动。例如在配送员(驾驶员)驾驶配送车辆以配送多个货物的情况下，关于应在哪个配送路线上行驶，推测为在熟练驾驶员与非熟练驾驶员(也就是经验浅薄的一般驾驶员)之间是不同的。
42.因此，实施方式1所涉及的道路学习模型生成装置1通过逆强化学习求出熟练驾驶员选择的配送路线(换而言之，行驶历史记录数据)的好处，由此能够得到用于在配送中决定适当的配送计划的指标(例如道路成本)，能够辅助准备能够进行如熟练驾驶员那样的顺畅的配送的配送计划。因而，逆强化学习例如通过将熟练驾驶员的行驶历史记录数据设为教师数据的机器学习来进行。此外，机器学习既可以在熟练驾驶员的行驶期间实时地进行，也可以在熟练驾驶员的行驶后进行。另外，熟练驾驶员的行驶历史记录数据不仅可以将一名熟练驾驶员的行驶历史记录数据用作输入对象，也可以将多名熟练驾驶员的行驶历史记录数据用作输入对象。
43.第二计算方法：道路学习模型(学习信息的一例)为系数的情况
44.作为学习信息的一例的道路学习模型同样地，例如通过构成行驶历史记录学习部12的人工智能(ai)的机器学习来生成。道路学习模型例如是用于通过输入行驶历史记录数据中包含的各道路id的平均速度以及与该各道路id对应的道路特征数据(参照后述)来运算与该道路id对应的道路成本(参照后述)的、与各道路特征数据及平均速度分别相乘的系数的集合。在该情况下，道路成本例如能够如下面那样运算。具体而言，能够通过将对构成道路特征数据的各个元素(详情参照后述)及平均速度分别乘以分别与其对应的构成道路学习模型的不同的系数(例如，后述的“第一系数”、“第二系数”、“第三系数”)而得到的结果相加来计算。也就是说，道路成本＝“第一系数
×
第一道路特征数据” “第二系数
×
第二道路特征数据” “第三系数
×
平均速度”。各系数的集合(也就是说，在上述的例子的情况下为第一系数、第二系数、第三系数)成为道路学习模型。
45.此外，在获取行驶历史记录数据时，成为配送的对象的货物的种类(例如表示是否为易碎品的信息、表示按重量的等级的信息)也可以分别用作学习时的学习元素和计算道路成本时的项目。
46.另外，行驶历史记录学习部12也可以不通过ai而通过机器学习来生成道路学习模型(例如在运算道路成本时使用的、应与道路特征数据相乘的系数)。在该情况下，面向配送的道路成本计算部31(参照后述)使用该道路学习模型来决定道路成本。例如，行驶历史记录学习部12以使熟练驾驶员要频繁地行驶的道路的道路成本下降的方式来对熟练驾驶员实际行驶过的道路的行驶历史记录数据进行学习。也就是说，面向配送的道路成本计算部31也可以基于作为道路特征数据之一的距离信息(也就是构成道路id所示的道路的两个节
点间的边距离)，按照式(1)来计算通过对象道路的次数越多则变得越低的道路成本。由行驶历史记录学习部12以使在该式(1)中使用的“(1-对象道路的累计通行次数/道路整体的累计通行次数)”成为道路学习模型(系数)的方式进行学习。
47.道路成本＝距离信息
×
(1-对象道路的累计通行次数/道路整体的累计通行次数)
……
(1)
48.在此，行驶历史记录学习部12能够从行驶历史记录db 21中存储的行驶历史记录数据中获取对象道路的累计通行次数和道路整体的累计通行次数。另外，对象道路的累计通行次数是向量值，若配送车辆在该相同的对象道路上通行时的方向不同，则采用不同的计数值，仅在在同一方向上通行时采用相同的计数值。例如，配送车辆在相同的对象道路上从北向南通行的次数和从南向北通行的次数为不同的计数值，并且不以相加的方式使用。此外，在以后的说明中，道路学习模型也可以是上述的函数及系数中的任一者。
49.行驶历史记录db 21存储一名以上的熟练驾驶员行驶过的配送路线的行驶历史记录数据。行驶历史记录db 21也可以配置于后述的实施方式2所涉及的配送计划生成装置30。例如通过搭载于配送车辆的车载器(例如gnss(global navigation satellite system：全球导航卫星系统)接收器、汽车导航系统、数字行车记录仪等)来获取熟练驾驶员的配送路线，并将其存储到存储卡中。在行驶后，熟练驾驶员使道路学习模型生成装置1读取该存储卡中存储的配送路线的数据，并将其存储到行驶历史记录db 21中。另外，道路学习模型生成装置1也可以与搭载于熟练驾驶员乘坐的配送车辆的gnss接收机之间进行无线通信，逐次获取配送车辆的当前位置，并在实时的行驶期间获取配送路线并将其存储到行驶历史记录db 21中。
50.道路nw及面向配送的道路特征数据存储部22存储包含道路地图在内的道路网数据(参照上述)和道路地图上的各道路的道路特征数据。道路特征数据按每个道路具有道路id、道路的距离信息、道路的左右转信息、道路的宽度信息、道路的中央隔离带信息、道路的干线道路横穿信息、道路的高低差信息以及通过行驶历史记录学习部12进行学习时的道路的拥堵信息(例如平均速度)。另外，也可以还包含在通过行驶历史记录学习部12进行学习时的道路上步行的儿童的人数信息或可获知儿童的人数信息的图像数据、在通过行驶历史记录学习部12进行学习时的道路上驻车的车辆的驻车数信息或可获知驻车数的图像数据。通过行驶历史记录学习部12进行学习时的道路的拥堵信息(例如平均速度)、在通过行驶历史记录学习部12进行学习时的道路上步行的儿童的人数信息、在通过行驶历史记录学习部12进行学习时的道路上驻车的车辆的驻车数信息对于道路的特性而言分别是动态地变化的信息。另一方面，道路的距离信息、道路的左右转信息、道路的宽度信息、道路的中央隔离带信息、道路的干线道路横穿信息、道路的高低差信息对于道路的特性而言分别是静态的信息(换而言之，不变化的信息)。
51.在下面的说明中，道路特征数据中的静态信息只要至少具有与道路id对应的距离信息并且还具有左右转信息、宽度信息、中央隔离带信息、干线道路横穿信息以及高低差信息中的至少一者即可。此外，道路特征数据中的静态信息也可以具有与道路id对应的距离信息、左右转信息、宽度信息、中央隔离带信息、干线道路横穿信息以及高低差信息中的全部信息。
52.距离信息表示根据道路id确定出的道路的距离(换而言之，在一个道路由与该道
路的两端对应的两个节点和该两个节点之间的边构成的情况下，为该边的距离)。因而，距离信息具体地由表示道路的距离的数值来表示。
53.左右转信息是表示根据道路id确定出的道路是否右转或左转的信息，具体而言，包含左右转的有无及其次数。一般而言，在有左右转的情况下，判断为车辆的限制速度被设定得低，行驶时间增长，因此道路成本容易升高。相反，在没有左右转的直线道路的情况下，判断为车辆的限制速度不被设定得低，行驶时间缩短，因此道路成本降低的可能性高。此外，左右转信息也可以具有是否从刚才的道路id的道路向成为对象的道路id的道路进行左右转的信息。
54.宽度信息是表示根据道路id确定出的道路的宽度的信息，具体而言，以数值来表示。道路的宽度既可以是道路的宽度方向上的端到端的距离，也可以是每个车道的宽度方向上的距离。一般而言，在道路的宽度窄的情况下，判断为行驶速度减慢，因此道路成本容易升高。相反，在道路的宽度宽的情况下，判断为行驶速度加快，因此道路成本降低的可能性高。
55.中央隔离带信息表示根据道路id确定出的道路中有无中央隔离带。一般而言，若存在中央隔离带，则判断为车流通畅，行驶速度加快，因此道路成本容易降低。相反，若没有中央隔离带，则判断为因与相向车的会车造成行驶速度减慢，因此道路成本升高的可能性高。
56.干线道路横穿信息表示相对于根据道路id确定出的道路干线道路是否横穿(交叉)，具体而言，表示有无干线道路的横穿。一般而言，若干线道路横穿，则判断为交通量大，因此道路成本容易升高。相反，若没有横穿干线道路，则判断为交通量小，因此道路成本降低的可能性高。此外，干线道路横穿信息也可以具有道路id的道路的终端节点是否与干线道路连接的信息。
57.高低差信息表示根据道路id确定出的道路中有无上坡或下坡等高低差。一般而言，若存在高低差，则判断为容易发生拥堵，因此道路成本容易升高。相反，若不存在高低差，则车流通畅，道路成本降低的可能性高。
58.拥堵信息是表示根据道路id确定出的道路在通过行驶历史记录学习部12进行学习时是否拥挤的信息，例如既可以使用平均速度这样的数值等来定量地确定，也可以通过表示状况的文本数据来定性地确定。另外，拥堵信息也可以通过上述的平均速度以外的其它项目、例如在道路上步行的儿童的人数信息或可获知儿童的人数信息的图像数据、在道路上驻车的车辆的驻车数信息或可获知驻车数的图像数据来确定。此外，在拥堵信息为根据道路id确定出的道路的平均速度的情况下，该平均速度的数据也可以不存储在道路nw及面向配送的道路特征数据存储部22中，而存储在例如时间带别道路别平均速度数据存储部23中。
59.此外，上述的道路特征数据不过是一例，除这些道路特征数据以外，还可以将表示道路上设置的信号灯的数量的信号灯信息、表示未铺设的路面等路面信息等的信息作为道路特征数据。
60.另外，基于上述的道路特征数据的判断是通常的判断的一例，不实际行驶的话无法知道该判断。也充分地设想到根据实际的行驶而成为与上述判断不同的判断的情况。在实施方式1中，行驶历史记录学习部12对基于一名以上的熟练驾驶员的实际行驶的配送路
线的行驶历史记录数据进行学习，由此生成或更新用于运算道路成本的作为系数的道路学习模型或者用于运算道路成本的作为函数的道路学习模型。因而，由行驶历史记录学习部12生成的道路学习模型不仅考虑道路的静态的(普遍的)特征数据，还能够考虑道路的动态的(可变的)特征数据，从而有助于提高反映了配送车辆的实际状态的适应性的道路成本的运算的可靠性。
61.时间带别道路别平均速度数据存储部23按根据道路id确定出的各个道路存储时间带别的平均速度(换而言之，表示时间带别的各道路拥堵到了何种程度的指标)的数据。时间带别道路别平均速度数据存储部23也可以由道路学习模型生成装置1以外的外部装置具有，在该情况下也可以从道路学习模型生成装置1中省略时间带别道路别平均速度数据存储部23。
62.面向配送的道路学习模型存储部24将由行驶历史记录学习部12生成的道路学习模型与在行驶历史记录学习部12进行学习时使用的配送范围信息相关联地存储。针对货物的每个配送范围信息生成道路学习模型，该道路学习模型用于使用作为输入数据被输入的道路特征数据(参照上述)来运算道路成本。道路学习模型作为配送范围，例如配合于如盆地等高的地区、平地等低的地区、几乎不去的地区等地区的特性而被生成多个。此外，在针对没有生成道路学习模型(换而言之，无法获取行驶历史记录数据)的配送范围信息生成配送计划的情况下，后述的配送计划生成装置30、50能够使用该货物的配送范围信息中的道路的道路特征数据(包含平均速度)和学习完毕的基于其它地区生成的道路学习模型，来运算并输出道路成本(参照图12)。此外，也可以代替使用与道路特征数据相似的已生成的其它配送范围信息对应的道路学习模型来运算道路成本。
63.在此，参照图2，来详细描述道路id和熟练驾驶员行驶过的配送路线的行驶历史记录数据。图2是行驶历史记录db 21中存储的从据点s到配送目的地d1的配送路线的行驶历史记录例的说明图。
64.道路id是道路的识别信息，即使是相同的道路，根据其方向也成为不同的识别信息(参照图2)。一个道路由与该道路的两端对应的两个节点和该两个节点之间的边构成。边的距离(换而言之，两个节点间的距离)相当于道路的距离。例如在道路学习模型为系数的集合的情况下，由后述的配送计划生成装置30、50分别计算(运算)出的道路成本是将根据各道路id确定出的道路的道路特征数据(包含拥堵信息)同与各道路特征数据对应的道路学习模型的系数相乘并将相乘结果最终进行相加而得到的值，表示配送车辆行驶在该道路上时的货物(物品)的配送效率。也就是说，道路成本例如为“系数w1
×
距离信息” “系数w2
×
左右转信息”
…
“系数wn
×
平均速度”(参照图4)。n为2以上的整数。在本说明书中，上述的道路成本被计算为道路的静态信息同构成道路学习模型的与静态信息对应的系数的相乘结果、以及道路的动态信息同构成道路学习模型的与动态信息对应的系数的相乘结果之和。若道路成本的值高，则配送车辆在该道路上行驶时的配送效率不良好，另一方面，若道路成本的值低，则配送车辆在该道路上行驶时的配送效率良好。
65.在配送车辆从据点s去向配送目的地d1的情况下，若使最短距离的配送路线优先，则选择道路id“1000”、“1500”、“3000”这三个直线的道路。但是，在该最短距离的配送路线中的例如道路id“1500”的道路根据时间带而容易发生拥堵的情况下，对于驾驶员更顺畅地进行货物的配送而言不是最优的配送路线。并非熟练驾驶员的一般驾驶员具有选择距离优
先的三个道路(参照上述)来行驶的倾向。
66.然而，熟练驾驶员在从据点s去向配送目的地d1的情况下，由于熟知从据点s到配送目的地d1的道路的特性(换而言之，道路特征数据)，因此选择使用道路id“1000”、“1100”、“2000”、“2100”、“3000”这五个道路而迂回的配送路线。在该迂回的配送路线中，作为距离，比最短距离长，但例如对于熟知道路id“1500”的道路会因拥堵而发生拥挤的熟练驾驶员而言，该迂回的配送路线对于更顺畅地进行货物的配送是最优的配送路线。因而，在行驶历史记录db 21中，作为据点s-配送目的地d1间的行驶历史记录数据，与道路id相应地、存储包含由熟练驾驶员选择的迂回的配送路线中包含的全部道路的道路id与通过同各道路id对应的道路时的平均速度组成的对的集合。例如，“1000”与“道路id“1000”的道路的平均速度”组成的对、“1100”与“道路id“1100”的道路的平均速度”组成的对、“2000”与“道路id“2000”的道路的平均速度”组成的对、“2100”与“道路id“2100”的道路的平均速度”组成的对以及“3000”与“道路id“3000”的道路的平均速度”组成的对的集合成为行驶历史记录数据。
67.此外，即使是相同的道路，在配送车辆行驶的道路的方向因正方向和反方向而不同的情况下，如前所述，道路id不同。例如，在上述的迂回的配送路线中，在从配送目的地d1去向据点s的情况下(往路)，构成该配送路线的道路id为“3001、2101、2001、1101、1001”，即使是相同的迂回的配送路线，也与构成从据点s去向配送目的地d1的配送路线的道路id(具体而言，“1000、1100、2000、2100、3000”)不同。因而，从配送目的地d1去向据点s的情况下(返路)，行驶历史记录数据同样地成为“3001”与“道路id“3001”的道路的平均速度”组成的对、“2101”与“道路id“2101”的道路的平均速度”组成的对、“2001”与“道路id“2001”的道路的平均速度”组成的对、“1101”与“道路id“1101”的道路的平均速度”组成的对以及“1001”与“道路id“1001”的道路的平均速度”组成的对的集合。
68.接着，参照图3和图4来说明实施方式1所涉及的道路学习模型生成装置1的动作。图3是详细示出由实施方式1所涉及的道路学习模型生成装置1进行的道路学习模型的生成过程例的流程图。图4是示出从配送范围ar1的据点t到配送目的地e1的学习时的配送路线和使用了学习结果的配送计划生成时的配送路线的决定的一例的图。下面，在说明图3时，根据需要而参照图4。在图4中，示出了学习时的配送范围ar1与配送计划生成时的配送范围ar1相同的例子。
69.在图3中，处理器prc1接收并获取从客户端终端发送来的通过用户的操作而输入的表示货物的配送范围ar1(参照图4)的配送范围信息(s1)。道路nw及面向配送的道路特征数据读取部13访问道路nw及面向配送的道路特征数据存储部22，确定并读取与在步骤s1中获取到的配送范围信息对应的道路网数据(s2)。
70.行驶历史记录读取部11从行驶历史记录db 21中读取并获取在步骤s1中获取到的配送范围信息的配送范围ar1内的熟练驾驶员的一台车辆的行驶历史记录数据(s3)。行驶历史记录读取部11将所获取到的一台车辆的行驶历史记录数据(例如，构成配送路线rut1(参照图4)的各道路的道路id与平均速度组成的对的集合)输入到行驶历史记录学习部12(s4)。行驶历史记录读取部11判别是否从行驶历史记录db 21获取在步骤s1中获取到的配送范围信息的配送范围ar1内的熟练驾驶员的全部车辆的行驶历史记录数据(参照上述)并将其输入到了行驶历史记录学习部12(s5)。在没有输入与全部车辆数相应的行驶历史记录
数据的情况下(s5，“否”)，道路学习模型生成装置1的处理返回步骤s3。
71.另一方面，在行驶历史记录读取部11将与全部车辆数相应的行驶历史记录数据输入到了行驶历史记录学习部12的情况下(s5，“是”)，道路nw及面向配送的道路特征数据读取部13访问道路nw及面向配送的道路特征数据存储部22，读取构成在步骤s1中获取到的配送范围信息的配送范围ar1的各个道路的道路特征数据(s6)。
72.例如若参照图4，构成从据点t到配送目的地e1的配送范围ar1的道路在y方向上具有道路pa、pb、pc，在x方向上具有道路p1、p2、p3、p4、p5、p6、p7、p9、p10、p11、p12、p13。另外，还包含从道路p7、pa的交点到道路pb、p11的交点的道路p8和从道路p12、pb的交点到与道路pc的交点的道路p14作为构成配送范围ar1的道路。在此，在步骤s4中向行驶历史记录学习部12输入的行驶历史记录数据中，设为构成熟练驾驶员使用的配送路线rut1的区间l1(也就是道路pc上的从道路p4、pc的交点到道路p6、pc的交点的道路)在学习时发生了拥堵。然而，根据向行驶历史记录学习部12输入的行驶历史记录数据，示出了熟练驾驶员相较于使用其它路线而使用了配送路线rut1。
73.行驶历史记录学习部12基于在步骤s6中由道路nw及面向配送的道路特征数据读取部13读取的道路特征数据和在步骤s4中从行驶历史记录读取部11传输来的与全部车辆数相应的行驶历史记录数据，来对在步骤s1中获取到的配送范围ar1的配送范围信息中的熟练驾驶员在过去行驶过的配送路线的行驶历史记录数据进行学习(s7)。
74.作为步骤s7中的学习结果，行驶历史记录学习部12生成道路学习模型(例如系数或函数)，该道路学习模型用于运算表示在步骤s1中获取到的配送范围ar1的配送范围信息中包含的各道路上的行驶期间的配送效率的道路成本。也就是说，行驶历史记录学习部12以将图4的配送路线rut1作为熟练驾驶员使用的正解的配送路线、并包含该行驶历史记录数据的方式进行学习。行驶历史记录学习部12将所生成的道路学习模型与在步骤s1中获取到的配送范围ar1的配送范围信息相关联地存储到面向配送的道路学习模型存储部24中(s8)。在步骤s8之后，道路学习模型生成装置1的处理结束。
75.通过以上，在实施方式1所涉及的道路学习模型生成装置1中，行驶历史记录db 21存储熟练驾驶员驾驶的配送车辆在配送货物(物品)期间的行驶历史记录数据(包含平均速度)。道路nw及面向配送的道路特征数据存储部22存储道路网数据和每个道路的道路特征数据。通信部15接收并获取表示货物的配送范围ar1(参照图4)的配送范围信息。行驶历史记录学习部12基于与配送范围信息对应的行驶历史记录数据(包含平均速度)、道路网数据以及道路特征数据，来对行驶历史记录数据进行学习。由此，行驶历史记录学习部12能够生成在运算表示在配送范围ar1中包含的一个以上的道路上的行驶期间的配送效率的道路成本时使用的道路学习模型。面向配送的道路学习模型存储部24将所生成的道路学习模型与配送范围信息对应地进行保存。
76.由此，无论是熟练驾驶员还是一般驾驶员的种类，道路学习模型生成装置1都能够高效地生成在运算驾驶员配送多个货物时配送效率高的道路成本时使用的道路学习模型。另外，道路学习模型生成装置1通过使用熟练驾驶员驾驶的配送车辆的行驶历史记录数据，能够提高道路学习模型的可靠性，能够辅助与道路的实际状态的状况匹配的最优的配送计划的制定。
77.另外，与道路有关的信息包含道路网数据和特征数据，该特征数据包含道路的距
离的信息。由此，道路学习模型生成装置1能够生成能够运算反映了道路的实际状态的状况的道路成本的道路学习模型。
78.另外，行驶历史记录数据是由用于分别识别在配送车辆配送货物时行驶的一个以上的道路的道路id与根据该道路id确定出的道路的通过时的平均速度组成的对的集合。由此，道路学习模型生成装置1也能够一并对表示熟练驾驶员在过去配送货物期间行驶的配送路线拥堵到了何种程度的指标进行学习，因此能够高精度地生成道路学习模型。
79.另外，道路特征数据包含道路的左右转信息。由此，道路学习模型生成装置1能够生成能够运算准确地反映了基于有无左右转的差异的、道路的实际状态的拥挤状况或空荡状况的道路成本的道路学习模型。特别地，左右转信息是表示道路是否右转或左转的信息，例如包含左右转的有无和次数。一般而言，在有左右转的情况下，判断为车辆的限制速度被设定得低，行驶时间增长，因此道路成本升高。相反，在没有左右转的直线道路的情况下，判断为车辆的限制速度不被设定得低，行驶时间缩短，因此道路成本降低。
80.另外，道路特征数据包含道路的宽度信息。由此，道路学习模型生成装置1能够生成能够运算准确地反映了基于道路的宽度信息的差异的、道路的实际状态的拥挤状况或空荡状况的道路成本的道路学习模型。特别地，宽度信息是表示道路的宽度的信息，以数值来表示。一般而言，在道路的宽度窄的情况下，判断为行驶速度减慢，因此道路成本升高。相反，在道路的宽度宽的情况下，判断为行驶速度加快，因此道路成本降低。
81.另外，道路特征数据包含道路的中央隔离带信息。由此，道路学习模型生成装置1能够生成能够运算准确地反映了基于道路的中央隔离带的有无的差异的、道路的实际状态的拥挤状况或空荡状况的道路成本的道路学习模型。特别地，中央隔离带信息表示有无中央隔离带。一般而言，若存在中央隔离带，则判断为车流通畅，行驶速度加快，因此道路成本降低。相反，若没有中央隔离带，则判断为因与相向车的会车造成行驶速度减慢，因此道路成本升高。
82.另外，道路特征数据包含道路的干线道路横穿信息。由此，道路学习模型生成装置1能够生成能够运算准确地反映了基于道路是否横穿干线道路的差异的、道路的实际状态的拥挤状况或空荡状况的道路成本的道路学习模型。特别地，干线道路横穿信息表示干线道路是否横穿。一般而言，若干线道路横穿，则判断为交通量大，因此道路成本升高。相反，若没有横穿干线道路，则判断为交通量小，因此道路成本降低。
83.另外，道路特征数据包含道路的高低差信息。由此，道路学习模型生成装置1能够生成能够运算准确地反映了基于有无道路的高低差的差异的、道路的实际状态的拥挤状况或空荡状况的道路成本的道路学习模型。特别地，高低差信息表示有无上坡、下坡等高低差或高低差的程度(例如以数值表示的高度信息)。一般而言，若存在高低差，则判断为容易发生拥堵，因此道路成本升高。相反，若不存在高低差，则车流通畅，道路成本降低。
84.另外，道路学习模型生成装置1根据基于来自客户端终端的用户的操作的、包含表示货物的配送范围ar1的配送范围信息在内的模型生成请求，来在行驶历史记录学习部12中生成道路学习模型。由此，道路学习模型生成装置1能够按照以用户的操作为触发的来自客户端终端的模型生成请求来生成道路学习模型。因而，用户能够容易地针对新的配送范围(例如未学习的配送范围)或已经进行了一次学习的配送范围指示道路学习模型的生成或更新，提高进行道路学习模型的生成或更新的情况下的用户的使用便利性。
85.(实施方式2：配送计划生成装置)
86.接着，说明使用由实施方式1所涉及的道路学习模型生成装置1生成的道路学习模型来制定(生成)配送多个货物时的配送计划的配送计划生成装置的例子。
87.在实施方式2中，配送计划是指，在规定的期间内(例如当日的一天的期间)使用至少一台配送车辆(例如卡车)从据点向多个配送目的地配送货物(物品)时，基于道路成本的以尽力降低配送成本(参照后述)的方式决定出的配送路线(也就是多个配送目的地的行驶顺序)。
88.图5是详细示出实施方式2所涉及的配送计划生成装置30的内部结构例的框图。配送计划生成装置30与道路学习模型生成装置1同样，例如使用pc或服务器装置等计算机来构成，是主要包括存储器m2、处理器prc2、存储装置sr2以及通信部35的结构。
89.如前所述，配送计划生成装置30既可以由与道路学习模型生成装置1相同的pc或服务器装置来构成，也可以作为其它的pc或服务器装置来构成。在由同一pc或服务器装置构成的情况下，pc或服务器装置作为道路学习模型生成装置1发挥功能的时机与作为配送计划生成装置30发挥功能的时机不同。
90.存储器m2使用ram和rom来构成，临时地保存执行配送计划生成装置30的动作所需要的程序，并且临时地保存在动作中生成的数据或信息。ram例如是在处理器prc2的动作期间被使用的工作存储器。rom例如预先存储用于控制处理器prc2的程序和数据。
91.处理器prc2例如使用cpu、dsp、gpu或者fpga来构成。处理器prc2包括面向配送的道路成本计算部31、道路nw及面向配送的道路特征数据读取部32、配送成本计算部33以及配送计划计算部34。换而言之，关于这些各部(也就是面向配送的道路成本计算部31、道路nw及面向配送的道路特征数据读取部32、配送成本计算部33、配送计划计算部34)，处理器prc2读取分别与各部对应的程序和数据，并由处理器prc2执行。
92.存储装置sr2(存储器的一例)例如使用闪速存储器、hdd或者ssd来构成。存储装置sr2具有面向配送的道路学习模型存储部41、时间带别道路别平均速度数据存储部42、道路nw及面向配送的道路特征数据存储部43以及面向配送的道路成本数据存储部44。
93.通信部35使用负责配送计划生成装置30与外部装置(例如用户使用的客户端终端)之间的通信的通信接口电路来构成，该外部装置经由网络(例如无线lan)与配送计划生成装置30连接。通信部35与客户端终端之间的通信不限于无线lan，也可以通过有线lan来连接，还可以经由串行通信/并行通信等的接口来直接连接。通信部35例如与上述的客户端终端之间进行数据的发送接收(例如，接收从客户端终端发送来的表示货物的配送范围的区域的配送范围数据)。此外，在道路学习模型生成装置1和配送计划生成装置30由同一pc或服务器装置构成的情况下，通信部35也可以与通信部15共用。
94.接着，对由处理器prc2实现的各功能性结构以及存储装置sr2所具有的各种数据库或存储部的详情进行说明。此外，在配送计划生成装置30的各部中，关于与道路学习模型生成装置1的各部相同的结构，在说明了附图标记的对应关系的基础上，简化或省略重复的说明，以不同的内容为中心来进行说明。
95.面向配送的道路学习模型存储部41的结构与图1的面向配送的道路学习模型存储部24相同，将由道路学习模型生成装置1生成的道路学习模型(例如系数)与成为该生成的对象的货物的配送范围信息相关联地进行存储。
96.时间带别道路别平均速度数据存储部42的结构与图1的时间带别道路别平均速度数据存储部23相同，按根据道路id确定出的各个道路存储时间带别的平均速度(换而言之，表示时间带别的各道路拥堵到了何种程度的指标)的数据。时间带别道路别平均速度数据存储部42也可以由配送计划生成装置30以外的外部装置具有，在该情况下也可以从配送计划生成装置30中省略时间带别道路别平均速度数据存储部42。此外，在针对未来的时间(例如后述的表示配送预定时间的配送预定时刻)生成配送计划的情况下，时间带别道路别平均速度数据存储部42也可以具有作为预测数据的平均速度。
97.道路nw及面向配送的道路特征数据存储部43的结构与图1的道路nw及面向配送的道路特征数据存储部22相同，存储包含道路地图在内的道路网数据和道路地图上的各道路的道路特征数据。由于各道路特征数据的元素与在实施方式1中说明的内容相同，因此在此省略说明。
98.面向配送的道路成本数据存储部44将由面向配送的道路成本计算部31使用面向配送的道路学习模型存储部41中存储的道路学习模型而计算出的每个道路id的道路成本的计算值与道路id相对应地存储。
99.面向配送的道路成本计算部31基于与由道路nw及面向配送的道路特征数据读取部32读取的配送范围信息对应的道路网数据和道路特征数据、面向配送的道路学习模型存储部41中存储的道路学习模型、以及与配送预定时间(也就是基于所生成的配送计划来实际执行配送的预定的时刻)的配送范围信息对应的拥堵信息，来计算用于分别识别配送范围信息中包含的各道路的每个道路id的道路成本。面向配送的道路成本计算部31例如可以基于时间带别道路别平均速度数据存储部42中存储的道路别且时间带别的平均速度，来预测并计算与配送预定时间的配送范围信息对应的拥堵信息。另外，面向配送的道路成本计算部31也可以接收从外部装置提供的数据(例如监视摄像机的摄像影像或能够确定拥堵信息的文本数据)来识别与配送预定时间的配送范围信息对应的拥堵信息。面向配送的道路成本计算部31将每个道路id的道路成本的计算结果与相应的道路id相对应地保存到面向配送的道路成本数据存储部44中。
100.道路nw及面向配送的道路特征数据读取部32的结构与图1的道路nw及面向配送的道路特征数据读取部13相同。道路nw及面向配送的道路特征数据读取部32基于来自通信部35的配送范围信息，来读取与道路nw及面向配送的道路特征数据存储部43中登记的配送范围信息对应的道路网数据和各道路的道路特征数据。
101.此外，基于用户的操作的来自客户端终端的配送计划生成请求(参照后述)中包含的配送范围信息有时示出没有执行由行驶历史记录学习部12进行的行驶历史记录数据的学习的对象地区(所谓的未学习地区)(参照图12)。在道路nw及面向配送的道路特征数据存储部43中存储有未学习地区的道路网数据和该未学习地区的各道路的道路特征数据。因而，在配送计划生成装置30要运算以未学习地区为对象的道路成本时，即使是未学习地区，道路nw及面向配送的道路特征数据读取部32也读取该未学习地区的各道路的道路特征数据。由此，即使在未学习地区，配送计划生成装置30也能够使用已经学习完毕的地区(所谓的学习完毕地区)的道路学习模型来适当地制定配送计划(参照图12)。
102.配送成本计算部33基于从道路nw及面向配送的道路特征数据存储部43读取到的道路网数据和面向配送的道路成本数据存储部44中存储的每个道路id的道路成本的计算
值，来计算例如从当前位置(也就是起点)到下个配送目的地(也就是目的地)的配送成本。在此，配送成本表示配送车辆在一个以上的道路连结而成的配送路线(例如由将某个配送目的地与下个配送目的地连结的一个以上的道路构成的配送路线)上行驶时的货物的配送效率，具体而言，成为构成该配送路线的各个道路的道路成本的相加值。例如，关于配送成本，在配送路线由“道路id
‘
101’的道路 道路id
‘
102’的道路 道路id
‘
103’的道路”形成且各个道路成本为10、15、20的情况下，配送成本成为45(＝10 15 20)。
103.图6a是示出学习前的各个配送目的地间的道路的距离的一例的表。图6b是示出与学习后的各个配送目的地间的道路对应的配送成本的一例的表。在图6a和图6b的说明中，据点s和配送目的地d1、d2、d3、d4、d5、d6、d7、d8均表示节点。另外，纵方向的据点s、配送目的地d1～d8表示起点，横方向的据点s、配送目的地d1～d8表示目的地。在表示学习前的各个配送目的地间的道路的距离的表中，从配送目的地d1到配送目的地d3的距离以“25”来表示。另一方面，在行驶历史记录学习部12中的学习后，从配送目的地d1到配送目的地d3的配送成本以“5”来表示。配送计划生成装置30不是如图6a那样基于从当前位置到下个配送目的地的道路的距离，而是基于与该道路对应的配送成本，来生成配送计划。因此，选择图6b所示的配送成本(也就是说，与一个道路对应的道路成本、或者与多个道路对应的道路成本的相加值)低的配送路线。此外，在图6a、图6b的说明中，其它两点间的配送成本(距离)的值相同，表中记载的“*”表示任意的值。
104.图7是示出从配送目的地d1到配送目的地d3的、学习前的各个道路的距离和与学习后的各个道路对应的配送成本的一例的说明图。在从配送目的地d1行驶到配送目的地d3的情况下，若在在学习前的作为最短距离的直线的配送路线r1上行驶，则距离成为“8 8 9”即“25”。另一方面，在为熟练驾驶员迂回的配送路线r2的情况下，距离的合计成为“8 2 8 3 9”即“30”。因而，乍看之下，可认为在学习前的最短距离的配送路线r1上行驶与在迂回的配送路线r2上行驶相比，由于距离短，因此使用配送路线r1来行驶在配送效率的观点上是优选的。
105.但是，在由行驶历史记录学习部12进行的学习后，由于各道路id的道路成本是指反映了各个道路的实际状态的指标，因此与静态的(也就是预先固定的)距离的值不同，作为反映了该实际状态的结果而动态地(也就是根据时机)变化。因而，在从配送目的地d1行驶到配送目的地d3的情况下，若在最短距离的配送路线r1上行驶，则配送成本成为“1 8 1”即“10”。另一方面，在为熟练驾驶员迂回的配送路线r2的情况下，配送成本的合计成为“1 1 1 1 1”即“5”。因而，在学习后，在熟练驾驶员迂回的配送路线r2上行驶与在最短距离的配送路线r1上行驶相比，配送成本降低。这样，并非单纯地基于距离来选择配送路线，而基于配送成本来进行选择，由此能够生成(制定)能够减轻驾驶员的配送效率的配送计划。
106.配送计划计算部34基于由配送成本计算部33计算出的与配送范围信息对应的配送成本的计算值，来计算从起点到目的地的配送计划。此外，在道路学习模型生成装置1和配送计划生成装置30由同一pc或服务器装置构成的情况下，可以分别共用道路nw及面向配送的道路特征数据读取部13、32、面向配送的道路学习模型存储部24、41以及道路nw及面向配送的道路特征数据存储部22、43。
107.接着，参照图8和图4来说明实施方式2所涉及的配送计划生成装置30的动作。图8是详细示出实施方式2所涉及的配送计划生成装置30中的配送计划的生成过程的一例的流
程图。在道路学习模型生成装置1和配送计划生成装置30由同一pc或服务器装置构成的情况下，在不同的时机进行图8的处理。另外，以图8的说明为前提，在面向配送的道路学习模型存储部41中存储有由行驶历史记录学习部12生成的道路学习模型(例如系数或函数)。下面，在说明图8时，根据需要而参照图4。
108.在图8中，处理器prc2接收并输入从客户端终端发送来的通过用户的操作而输入的表示货物的配送范围ar1(参照图4)的配送范围信息(s11)。道路nw及面向配送的道路特征数据读取部32访问道路nw及面向配送的道路特征数据存储部43，来读取与在步骤s11中获取到的配送范围信息对应的道路网数据和各道路的道路特征数据(s12)。
109.面向配送的道路成本计算部31获取与配送预定时间(也就是基于所生成的配送计划来实际执行配送的预定的时刻)的配送范围信息对应的拥堵信息(s13)。此外，在预定要从现在开始即将执行配送的情况下，配送预定时间也可以包含当前时刻。例如若参照图4，则面向配送的道路成本计算部31获取表示在从据点t到配送目的地e1的配送范围ar1内在配送预定时间在区间l2发生了拥堵或可能发生拥堵的信息。例如也可以基于时间带别道路别平均速度数据存储部42中存储的道路别且时间带别的平均速度，来预测、计算并获取步骤s13的拥堵信息，或者还可以接收从外部装置提供到的数据(例如监视摄像机的摄像影像或能够确定拥堵信息的文本数据)来获取步骤s13的拥堵信息。
110.面向配送的道路成本计算部31访问面向配送的道路学习模型存储部41，来获取与在步骤s11中输入的配送范围信息对应的学习完毕的道路学习模型。面向配送的道路成本计算部31使用所获取到的学习完毕的道路学习模型、在步骤s12中由道路nw及面向配送的道路特征数据读取部32读取的各道路的道路特征数据、以及在步骤s13中获取到的与配送范围信息对应的拥堵信息(参照图4)，来分别计算与配送范围信息中包含的各道路对应的道路成本(s14)。面向配送的道路成本计算部31将每个道路的道路成本的计算值与道路id对应地存储到面向配送的道路成本数据存储部44中(s14)。
111.配送成本计算部33从在步骤s12中读取的与配送范围信息对应的道路网数据中依次确定想要决定为配送路线的两个配送目的地(包含据点)的节点(s15)。配送成本计算部33使用迪杰斯特拉(dijkstra)算法来决定具有依次确定出的两个配送目的地的节点的配送路线，并且计算与该决定出的配送路线对应的配送成本(s16)。
112.配送计划计算部34使用在步骤s16中决定出的配送成本来计算配送计划(s17)。在配送计划的计算中，基于配送成本来决定道路网数据中的配送路线。例如若参照图4，配送路线决定为构成从据点t到配送目的地e1的配送路线的、以在步骤s14中计算出的道路别的道路成本中的配送成本最小的道路rut2、rut3、rut4、rut5的顺序决定出的路线。此外，关于计算配送计划的详情，在后面描述。在步骤s17之后，配送计划生成装置30的处理结束。
113.图9是详细示出图8的步骤s17的配送计划计算过程例的流程图。
114.在图9中，配送计划计算部34使用在步骤s16中决定出的配送成本来决定配送计划的初始解(s21)。在此，配送计划的初始解是包含在上述的步骤s16中决定出的配送路线和配送成本的配送计划。此外，初始解也可以是熟练驾驶员基于在上述的步骤s16中决定出的配送路线和配送成本来手动地制定的配送计划。
115.配送计划计算部34基于作为当前时间点的解的配送计划，例如针对配送目的地的全部组合按顺序进行图10所示的三种改善方法(s22)。在此，当前时间点的解是在步骤s21
中决定出的初始解或者在后述的步骤s24中获得的得到了改善的解。
116.图10是示出在图9的步骤s22中使用的三种改善方法的一例的说明图。三种改善方法例如是置换、更换、移交。置换表示改变配送目的地的顺序。更换表示在多个配送路线之间改变配送目的地。移交表示将配送目的地移至其它配送路线。置换、更换、移交的具体例以下述(a)、(b)、(c)表示。
117.(a)置换
118.在学习前的配送计划中，在置换前，针对一台配送车辆，以据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序进行配送。在该学习前且置换前的配送计划中，配送成本(换而言之，距离)为与同样的第一台配送车辆对应的“10 10 10＝30”。
119.另一方面，在学习前且置换后，针对同一台配送车辆，以据点s
→
配送目的地d1
→
d3
→
d2
→
d4的配送顺序进行配送。在该学习前且置换后的配送计划中，配送成本为与同一台配送车辆对应的“15 10 15＝40”。因而，若在学习前的时间点进行置换，则配送成本上升，配送计划不被改善。此外，学习前既可以指开始学习之前，也可以指刚开始学习之后。这在下述(b)、(c)中也是同样的。
120.另外，在学习后的配送计划中，在置换前，针对一台配送车辆，以据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序进行配送。在该学习后且置换前的配送计划中，配送成本(换而言之，距离)为与同样的第一台配送车辆对应的“10 10 10＝30”，与学习前相同。
121.另一方面，在学习后且置换后，针对同一台配送车辆，以据点s
→
配送目的地d1
→
d3
→
d2
→
d4的配送顺序进行配送。在该学习后且置换后的配送计划中，配送成本为与同样的第一台配送车辆对应的“5 10 5＝20”。因而，若在学习后的时间点进行置换，则配送成本下降，配送计划被改善。此外，学习后表示完成了相当的量的学习。这在下述(b)、(c)中也是同样的。
122.(b)更换
123.在学习前的配送计划中，在更换前，针对第一台配送车辆，进行据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序的配送，针对第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d7
→
d8的配送顺序的配送。在该学习前且更换前的配送计划中，配送成本(换而言之，距离)为与同样的第一台配送车辆对应的“10 10 0＝20”同与同样的第二台配送车辆对应的“10 10 0＝20”相加而得到的“40”。
124.另一方面，在学习前且更换后，针对同样的第一台配送车辆，进行据点s
→
配送目的地d1
→
d6
→
d3
→
d4的配送顺序的配送，针对同样的第二台配送车辆，进行据点s
→
配送目的地d5
→
d2
→
d7
→
d8的配送顺序的配送。在该学习前且更换后的配送计划中，配送成本(换而言之，距离)为与第一台配送车辆对应的“15 10 0＝25”同与第二台配送车辆对应的“10 10 0＝20”相加而得到的“45”。因而，若在学习前的时间点进行更换，则配送成本综合地上升，配送计划不被改善。
125.另外，在学习后的配送计划中，在更换前，针对第一台配送车辆，进行据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序的配送，针对第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d7
→
d8的配送顺序的配送。在该学习后且更换前的配送计划中，配送成本成为与第一台配送车辆对应的“10 10 0＝20”同与第二台配送车辆对应的“10 10 0＝20”相加而得到的“40”，与学习前相同。
126.另一方面，在学习后且更换后，针对同样的第一台配送车辆，进行据点s
→
配送目的地d1
→
d6
→
d3
→
d4的配送顺序的配送，针对同样的第二台配送车辆，进行据点s
→
配送目的地d5
→
d2
→
d7
→
d8的配送顺序的配送。在该学习后且更换后的配送计划中，配送成本成为与同样的第一台配送车辆对应的“5 10 0＝15”同与同样的第二台配送车辆对应的“10 10 0＝20”相加而得到的“35”。因而，若在学习后的时间点进行更换，则学习后的配送成本综合地下降，配送计划被改善。
127.(c)移交
128.在学习前的配送计划中，在移交前，与更换的情况同样，针对第一台配送车辆，进行据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序的配送，针对第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d7
→
d8的配送顺序的配送。在该学习前且移交前的配送计划中，与更换的情况同样，配送成本(换而言之，距离)成为与第一台配送车辆对应的“10 10 0＝20”同与第二台配送车辆对应的“10 10 0＝20”相加而得到的“40”。
129.另一方面，在学习前且移交后，针对同样的第一台配送车辆，进行据点s
→
配送目的地d1
→
d3
→
d4的配送顺序的配送，针对同样的第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d2
→
d7
→
d8的配送顺序的配送。在该学习前且移交后的配送计划中，配送成本(换而言之，距离)成为与第一台配送车辆对应的“25 0＝25”同与第二台配送车辆对应的“10 10 10 0＝30”相加而得到的“55”。因而，若在学习前的时间点进行移交，则配送成本综合地上升，配送计划不被改善。
130.另外，在学习后的配送计划中，在移交前，针对第一台配送车辆，进行据点s
→
配送目的地d1
→
d2
→
d3
→
d4的配送顺序的配送，针对第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d7
→
d8的配送顺序的配送。在该学习后且移交前的配送计划中，配送成本成为与第一台配送车辆对应的“10 10 0＝20”同与第二台配送车辆对应的“10 10 0＝20”相加而得到的“40”，与学习前相同。
131.另一方面，在学习后且移交后，与学习前的情况同样，针对同样的第一台配送车辆，进行据点s
→
配送目的地d1
→
d3
→
d4的配送顺序的配送，针对同样的第二台配送车辆，进行据点s
→
配送目的地d5
→
d6
→
d2
→
d7
→
d8的配送顺序的配送。在该学习后且移交后的配送计划中，配送成本成为与同样的第一台配送车辆对应的“5 0＝5”同与同样的第二台配送车辆对应的“10 10 10 0＝30”相加而得到的“35”。因而，若在学习后的时间点进行移交，则学习后的配送成本综合地下降，配送计划被改善。
132.配送计划计算部34判别对配送目的地的全部组合进行三种改善方法而得到的结果、即配送计划是否得到了改善(s23)。配送计划的改善相当于使配送成本下降。在配送计划得到了改善的情况下，配送计划计算部34将得到了改善的配送计划设为当前时间点的解(s24)。配送计划计算部34的处理返回步骤s22。
133.另一方面，在步骤s23中判别为配送计划没有得到改善的情况下(s23，“否”)，配送计划计算部34将当前时间点的解作为最终的配送计划，从通信部35向客户端终端进行应答(s25)。客户端终端在监视器(未图示)中显示最终的配送计划。监视器中例如显示有图10所示的学习后的配送计划(包含配送成本和配送路线)。此外，在实施方式2中，例如使用三种改善方法来研究了配送计划的改善，但也可以不是使用三种改善方法来计算配送计划。
134.通过以上，在实施方式2所涉及的配送计划生成装置30中，通信部35接收并获取表
示物品(例如货物)的配送范围的配送范围信息。存储装置sr2在道路nw及面向配送的道路特征数据存储部43中存储表示与配送范围信息对应的各道路的特性的道路特征信息(例如道路特征数据)，并且在行驶历史记录db 21中存储过去的拥堵信息。处理器prc2获取表示各道路的连接关系的道路网信息(例如道路网数据)，获取学习信息(例如道路学习模型)，该学习信息是基于配送物品的配送车辆的行驶历史记录以及与行驶历史记录对应的各道路的道路特征信息及过去的拥堵信息而生成的，获取各道路的配送预定时间的拥堵信息，并基于道路特征信息、配送预定时间的拥堵信息以及学习信息，来计算配送预定时间的各道路的道路成本。处理器prc2使用道路网信息和道路成本来生成物品的配送计划。
135.由此，配送计划生成装置30能够考虑到货物的配送目的地的道路的状况与过去的道路状况不同的在配送预定时间的道路状况，来适应性地辅助货物的配送计划的制定。另外，由于道路学习是使用通过对熟练驾驶员的行驶历史记录数据进行的学习而得到的道路学习模型(例如系数或函数)而生成的，因此无论驾驶员是新人还是老手，无论有无经验，配送计划生成装置30均能够决定反映了要配送时的道路的实际状态的配送路线，因此能够减轻货物配送的驾驶员的负担。
136.另外，处理器prc2基于配送车辆的行驶历史记录以及与行驶历史记录对应的各道路的道路特征信息及过去的拥堵信息，来生成学习信息。由此，配送计划生成装置30能够将在学习时熟练驾驶员通过的配送路线设为正解的教师数据，并使用该配送路线的静态信息和拥堵信息等动态信息这双方来生成可靠性高的学习信息。
137.另外，处理器prc2从外部装置获取与配送范围信息对应的各道路的配送预定时间的拥堵信息。由此，处理器prc2能够简单地获取与配送范围信息对应的各道路的配送预定时间的拥堵信息。
138.另外，处理器prc2基于与配送范围信息对应的各道路的过去的拥堵信息，来预测各道路的配送预定时间的拥堵信息。由此，由于处理器prc2能够高精度地预测从现在起将要使用于配送的道路的配送预定时间的拥堵信息，因此能够适当地计算与配送范围信息对应的各道路的道路成本。
139.另外，在各道路的过去的拥堵信息和各道路的配送预定时间的拥堵信息不具有表示拥堵状况的同一项目的数据的情况下，处理器prc2将各道路的过去的拥堵信息及各道路的配送预定时间的拥堵信息中的某一方的项目的数据变换为另一方的项目的数据。例如，可能表示过去的拥堵信息的数据为道路的平均速度，表示配送预定时间的拥堵信息的数据为道路的每单位时间(例如1分钟)的车辆驻车数。道路nw及面向配送的道路特征数据存储部43保持表示拥堵信息的平均速度(例如10km/h)和车辆驻车数(例如50台/分钟)这双方的相互比例关系的变换式。此外，该变换式不限定于表示平均速度与车辆驻车数之间的比例关系。处理器prc2可以将上述的平均速度(例如10km/h)和每单位时间的车辆驻车数(例如50台/分钟)视为相同，将平均速度变换为每单位时间的车辆驻车数，或者相反地将每单位时间的车辆驻车数变换为平均速度。由此，在各道路的过去的拥堵信息和各道路的配送预定时间的拥堵信息不具有表示拥堵状况的同一项目的数据的情况下，处理器prc2也能够适当地计算每个道路的道路成本，能够实现便利性的提高。
140.另外，在构成计算道路成本时的道路特征信息的项目数少于构成学习时(换而言之，生成学习信息时)的道路特征信息的项目数的情况下，处理器prc2使用构成计算道路成
本时的道路特征信息的项目的数据来重新生成学习信息。例如，设为构成过去的学习时的道路特征信息的项目为4个，构成配送预定时间的道路特征信息的项目为3个。具体而言，构成过去的学习时的道路特征信息的项目为“距离信息”、“左右转信息”、“宽度信息”以及“拥堵信息”这4个，构成配送预定时间的道路特征信息的项目为“距离信息”、“宽度信息”以及“拥堵信息”这3个。在该情况下，处理器prc2使用构成配送预定时间的道路特征信息的“距离信息”、“宽度信息”以及“拥堵信息”这三个项目，来对过去的行驶历史记录数据进行重新学习。由此，通过使用了与计算道路成本时得到的项目相同的项目的重新学习，来提高道路学习模型(例如系数或函数)的可靠性，因此处理器prc2能够在将要决定配送路线时高精度地计算与配送范围信息对应的每个道路的道路成本。
141.以上，参照附图来对实施方式进行了说明，但不言而喻的是，本公开不限定于所涉及的例子。可明确只要是本领域技术人员，则能够在权利要求书中记载的范畴内想到各种变更例或修正例，可知这些变更例或修正例当然也属于本公开的技术范围。另外，在不脱离发明的主旨的范围内，也可以任意组合上述的实施方式中的各构成元素。
142.例如，上述的实施方式2所涉及的配送计划生成装置30的结构也可以设为还包括实施方式1所涉及的道路学习模型生成装置1的结构(参照图11)。图11是详细示出实施方式2的变形例所涉及的配送计划生成装置50的内部结构例的框图。配送计划生成装置50与道路学习模型生成装置1或配送计划生成装置30同样，例如使用pc或服务器装置等计算机来构成，是主要包括存储器m3、处理器prc3、存储装置sr3以及通信部35的结构。配送计划生成装置50的结构为将实施方式1所涉及的道路学习模型生成装置1和实施方式2所涉及的配送计划生成装置30组合而成的结构，在图11中，对与图1或图5相同的元素标注同一附图标记，并简化或省略说明。由此，配送计划生成装置50不仅能够得到由配送计划生成装置30的结构带来的效果，还能够得到由道路学习模型生成装置1的结构带来的效果。例如，在驾驶员配送多个货物时，配送计划生成装置50不仅能够制定与道路的实际状态的状况匹配的最优的配送计划，还能够无论是熟练驾驶员还是一般驾驶员的种类、均高效地生成能够运算驾驶员配送多个货物时的配送效率高的配送路线的道路学习模型。
143.例如，在上述的实施方式中，即使是相同的配送范围，也可以准备多种表示配送成本的表(参照图6b)，以能够根据配送目的地来区分地使用道路成本。例如，也可以通过按照频率区分经常配送的配送目的地和不怎么进行配送的配送目的地，来准备多个表。
144.另外，在上述的实施方式中，最终的配送计划被发送到客户端终端来显示于客户端终端的监视器，但配送计划生成装置30、50也可以在自身的装置上具有监视器和输出用的接口，不是在客户端终端显示配送计划，而是在自身的装置的监视器显示配送计划。
145.另外，在上述的实施方式中，配送计划计算部34也可以不使用配送成本计算部33的配送成本，而通过使用了面向配送的道路成本的其它方法来计算配送计划。
146.此外，在上述的实施方式中，行驶历史记录学习部12也可以以各个配送目的地为单位来进行行驶历史记录数据的学习(例如逆强化学习)。此时，行驶历史记录学习部12仅使用向作为目标的配送目的地进行配送时的行驶历史记录数据作为行驶历史记录数据，来进行行驶历史记录数据的学习。另外，行驶历史记录学习部12可以使用从刚才的配送目的地到下个配送目的地进行配送时的行驶历史记录数据作为行驶历史记录数据，来进行行驶历史记录数据的学习。另外，也可以设为此时的道路网信息相当于相应的行驶历史记录数
据中包含的最小的配送范围。或者，可以将配送目的地划分区域，并使用该划分出的区域单位的道路网数据。
147.图12是示出使用了学习完毕地区中的学习结果来生成未学习地区中的配送计划时的配送路线的决定的一例的图。为了简化图12的说明，关于配送范围ar1的行驶历史记录数据的学习，对与图4对应的各元素标注同一附图标记，并简化或省略同一附图标记的结构的说明，对不同的内容进行说明。图12的未学习地区ar2是指，在过去熟练驾驶员没有将该未学习地区ar2用于配送、无法进行行驶历史记录数据的学习而没有生成道路学习模型(例如系数或函数)的地区。
148.具体而言，在未学习地区ar2中，在构成从据点u到配送目的地e2的未学习地区ar2的道路中，在y方向上具有道路pd、pe、pf，在x方向上具有道路p21、p22、p24、p26、p27、p28、p29。另外，还包含从道路p22、pe的交点到与道路pf的交点的道路p23和从道路p27、pe的交点到与道路pf的交点的道路p25作为构成未学习地区ar2的道路。在此，设为在区间l2(也就是道路pd上的、从道路p26、pd的交点到道路p28、pd的交点的道路)中，在当前时间点发生了拥堵。
149.在图12中，配送计划生成装置30、50在生成以未学习地区ar2为对象的配送计划时，基于与作为学习完毕地区的配送范围ar1对应的道路学习模型(例如系数或函数)和构成未学习地区ar2的各道路的道路特征数据及配送预定时间的拥堵信息，来分别计算构成未学习地区ar2的各道路的道路成本。此外，以配送范围ar1中的在学习时使用的道路特征数据的项目的内容与未学习地区ar2中的在计算道路成本时使用的道路特征数据的项目的内容一致为前提。
150.另外，期望与作为学习完毕地区的配送范围ar1对应的道路网数据与未学习地区ar2的道路网数据类似，但假设在不类似的情况下，配送计划生成装置30、50也可以基于与作为学习完毕地区的配送范围ar1对应的道路学习模型(例如系数或函数)、构成未学习地区ar2的各道路的道路特征数据及配送预定时间的拥堵信息，来分别计算构成未学习地区ar2的各道路的道路成本。由此，即使将要在未学习地区ar2中进行新的配送时，也能够如配送范围ar1等那样，配送计划生成装置30、50使用作为过去对行驶历史记录数据进行学习后的结果而得到的道路学习模型，来生成适当的配送计划。
151.另外，在本公开中，经由网络或各种存储介质来向装置供给用于实现上述的实施方式的装置的功能的程序，该装置内的计算机读取并执行的程序和存储介质也是应用范围。
152.产业上的可利用性
153.本公开作为考虑到货物的配送目的地的道路的状况与过去的道路状况不同的在配送预定时间的道路状况、来进行货物的配送计划的高效制定的配送计划生成装置和配送计划生成方法是有用的。
154.附图标记说明
155.1：道路学习模型生成装置；11：行驶历史记录读取部；12：行驶历史记录学习部；13、32：道路nw及面向配送的道路特征数据读取部；15、35：通信部；21：行驶历史记录db；22、43：道路nw及面向配送的道路特征数据存储部；23、42：时间带别道路别平均速度数据存储部；24、41：面向配送的道路学习模型存储部；30、50：配送计划生成装置；31：面向配送的道
路成本计算部；33：配送成本计算部；34：配送计划计算部；44：面向配送的道路成本数据存储部；ar1：配送范围；ar2：未学习地区；m1、m2、m3：存储器；prc1、prc2、prc3：处理器；sr1、sr2、sr3：存储装置。