本公开涉及对作为配送对象的多个货物的配送进行辅助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。
背景技术：
作为与最佳地进行基于运输工具的货物的运输有关的在先技术，提出了专利文献1。例如专利文献1中，公开了如下方法：针对向各种地点运输货物的多个运输工具(例如船舶)，将与运输时间表相关的各种运输决定项目最佳化，根据被最佳化的运输决定项目来使多个运输工具移动。该运输决定项目中，至少使用船舶的运输路线(即，航路)。
在先技术文献
专利文献
专利文献1：国际公开第2010/129419号
技术实现要素：
本公开鉴于上述现有的状况而作出，其目的在于，提供一种在多个货物的配送中，根据到配送目的地为止的道路的状况来有效地辅助最佳的货物的配送计划的策划，减少配送各个货物的司机的负担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。
本公开提供一种道路学习模型生成装置，具备：行驶履历存储部，对配送物品的配送车辆的行驶履历进行存储；道路信息存储部，对与道路有关的信息进行存储；获取部，对物品的配送范围有关的信息进行获取；生成部，生成道路学习模型，该道路学习模型用于基于与所述物品的配送范围对应的、所述行驶履历和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个，来运算表示配送效率的道路成本的道路学习模型；和道路学习模型存储部，将生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存。
此外，本公开提供一种道路学习模型生成方法，具有：对配送物品的配送车辆的行驶履历进行存储的步骤；对与道路有关的信息进行存储的步骤；对与物品的配送范围有关的信息进行获取的步骤；生成道路学习模型的步骤，该道路学习模型用于基于与所述物品的配送范围对应的、所述行驶履历和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个，来运算表示配送效率的道路成本；将生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存的步骤。
此外，本公开提供一种配送计划生成装置，具备：道路学习模型存储部，将道路学习模型和与配送车辆所配送的物品的配送范围有关的信息建立对应并存储，所述道路学习模型用于运算表示通过所述配送车辆来配送物品时的配送效率的道路成本；道路信息存储部，对与道路有关的信息进行存储；道路成本计算部，基于与所述物品的配送范围对应的、所述道路学习模型和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本；和配送计划计算部，使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划。
此外，本公开提供一种配送计划生成方法，具有：将道路学习模型和与配送车辆所配送的物品的配送范围有关的信息建立对应并存储的步骤，所述道路学习模型用于运算表示通过所述配送车辆来配送物品时的配送效率的道路成本；对与道路有关的信息进行存储的步骤；基于与所述物品的配送范围对应的、所述道路学习模型和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本的步骤；和使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划的步骤。
此外，本公开提供配送计划生成装置，具备：行驶履历存储部，对配送物品的配送车辆的行驶履历进行存储；道路信息存储部，对与道路有关的信息进行存储；获取部，对与物品的配送范围有关的信息进行获取；生成部，生成道路学习模型，该道路学习模型用于基于与所述物品的配送范围对应的、所述行驶履历和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个，来运算表示配送效率的道路成本；道路学习模型存储部，将所生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存；道路成本计算部，基于与所述物品的配送范围对应的、所述道路学习模型和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本；和配送计划计算部，使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划。
此外，本公开提供一种配送计划生成方法，具有：对配送物品的配送车辆的行驶履历进行存储的步骤；对与道路有关的信息进行存储的步骤；对与物品的配送范围有关的信息进行获取的步骤；生成道路学习模型的步骤，该道路学习模型用于基于与所述物品的配送范围对应的、所述行驶履历和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个，来运算表示配送效率的道路成本的；将所生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存的步骤；基于与所述物品的配送范围对应的、所述道路学习模型和与所述道路有关的信息，按所述物品的配送范围中包含的一个以上的道路的每一个计算所述道路成本的步骤；和使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划的步骤。
通过本公开，在多个货物的配送中，能够根据到配送目的地为止的道路的状况来有效地辅助最佳的货物配送计划的策划，相当地减少配送各个货物的司机的负担。
附图说明
图1是详细表示实施方式1所涉及的道路学习模型生成装置的内部结构的一个例子的框图。
图2是表示行驶履历db中存储的从基点s到配送目的地d1的配送路线的行驶履历的一个例子的说明图。
图3是详细表示实施方式1所涉及的道路学习模型生成装置中的道路学习模型的生成顺序的一个例子的流程图。
图4是详细表示实施方式2所涉及的配送计划生成装置的内部结构的一个例子的框图。
图5a是表示学习前的各个配送目的地之间的道路的距离的一个例子的表。
图5b是表示学习后的各个配送目的地之间的道路所对应的配送成本的一个例子的表。
图6是表示从配送目的地d1到配送目的地d3的、学习前的各个道路的距离与学习后的各个道路所对应的配送成本的一个例子的说明图。
图7是详细表示实施方式2所涉及的配送计划生成装置中的配送计划的生成顺序的一个例子的流程图。
图8是详细表示图7的步骤s16的配送计划计算顺序的一个例子的流程图。
图9是表示图8的步骤s22中使用的三个种类的改善法的一个例子的说明图。
具体实施方式
(各实施方式的内容的经过)
在上述专利文献1中，为了将运输决定项目最佳化而使用的运输路线是船舶能够在船舶的停泊地与下一个停泊地之间航行的物理距离等被预先固定的信息。在将专利文献1所述的方法应用于上述的配送多个货物时的配送计划的生成的情况下，使用没有变化的静态的道路信息(例如配送车辆在地图上的配送目的地之间可行驶的物理距离)来策划配送计划。因此，例如存在如下课题：在即使存在配送目的地之间的距离较短的道路但是该道路混乱并产生交通阻塞的情况下，可能无法按计划进行货物的配送。
此外，在多个货物的配送中，认为熟练司机(换句话说，积累了相当经验的经验丰富的司机)习惯于高效地配送多个货物，但在包含专利文献1的现有技术中，未考虑使用这样的熟练司机所行驶的道路的行驶履历来反映于货物的配送计划的生成。因此，在货物的配送中，难以根据到配送目的地为止的道路的状况来策划最佳的货物的配送计划。
因此，在以下的实施方式中，说明如下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例子：在多个货物的配送中，根据到配送目的地为止的道路的状况来有效地辅助最佳的货物的配送计划的策划，减少配送各个货物的司机的负担。
以下，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。其中，可能省略非必要详细的说明。例如，可能省略针对已知事项的详细说明、实质相同的结构的重复说明。这是为了避免以下的说明不必要地变得冗长，使本领域技术人员容易理解。另外，附图以及以下的说明是为了本领域技术人员充分理解本公开而提供的，并不意图通过这些来限定权利要求书所述的主题。
本实施方式所涉及的道路学习模型生成装置以及配送计划生成装置可以由同一装置构成，也可以由各个分立的装置构成。在由同一装置(例如，服务器装置)构成的情况下，该服务器装置通过执行构成道路学习模型生成方法的各处理(各步骤)，被具现化为道路学习模型生成装置。此外，该服务器装置通过以与上述道路学习模型生成方法的执行不同的定时来执行构成配送计划生成方法的各处理(各步骤)，被具现化为配送计划生成装置。
(实施方式1：道路学习模型生成装置)
图1是详细表示实施方式1所涉及的道路学习模型生成装置5的内部结构的一个例子的框图。道路学习模型生成装置5例如使用pc(personalcomputer)或服务器装置等的计算机而构成，是主要包含处理器7、储存器8、通信部17的结构。
处理器7使用例如cpu(centralprocessingunit)、mpu(microprocessingunit)、dsp(digitalsignalprocessor)或者fpga(field-programmablegatearray)而构成。处理器7具有包含行驶履历读取部11、行驶履历学习部12、道路nw(nw：network(网络)的略称)以及面向配送道路特征量读取部13的功能结构。换言之，这些各部(换句话说，行驶履历读取部11、行驶履历学习部12、道路nw以及面向配送道路特征量读取部13)是通过处理器7读取分别与各部对应的程序以及数据，利用处理器7而执行的功能结构。
储存器8例如使用闪存、hdd(harddiskdrive)或者ssd(solidstatedrive)而构成。储存器8具有面向配送道路学习模型存储部14、道路nw以及面向配送道路特征量存储部15以及行驶履历db(db：database(数据库)的略称)16。
接下来，对构成图1所示的道路学习模型生成装置5的各部进行说明。
行驶履历读取部11对登记于行驶履历db16的行驶履历的数据进行读取。所谓行驶履历的数据，例如是指熟练司机(换句话说，积累了相当经验的经验丰富的司机)所驾驶的配送车辆(例如卡车)将货物配送到目的的配送目的地时行驶的一个以上的道路的履历。具体而言，行驶履历的数据是分别对熟练司机所驾驶的配送车辆将货物配送到目的的配送目的地时行驶的一个以上的道路进行识别的道路id(道路识别信息的一个例子)的集合。后面叙述道路id的详细。
道路nw以及面向配送道路特征量读取部13对道路nw以及面向配送道路特征量存储部15中登记(保存)的道路网络信息、构成从当前位置到配送目的地的路径的各个道路的特征量(以下，称为“道路特征量”)的数据进行读取。所谓道路网络信息，是指所谓的道路地图信息(地图数据)，是表示道路地图上的任意道路与该任意道路所连接的其他道路的连接关系的信息。
行驶履历学习部12基于被行驶履历读取部11读取的行驶履历的数据、被道路nw以及面向配送道路特征量读取部13读取的道路网络信息和道路特征量的数据，生成道路网络信息相应的地域(换言之，货物的配送范围)所对应的道路学习模型。道路学习模型例如通过构成行驶履历学习部12的人口智能(ai：artificialintelligent的简称)的逆向强化学习而生成。道路学习模型将道路id所对应的道路的道路特征量(道路的特征量信息的一个例子)的数据输入为输入数据，将该道路所对应的道路成本(参照后述)输出为输出数据。另外，道路成本的一个例子相当于逆向强化学习中得到的输出(换句话说，报酬)的倒数(换句话说，1/(逆向强化学习的报酬))。
这里，所谓逆向强化学习(inversereinforcementlearning(irl))，例如是指基于熟练者所进行的行动，推断哪种行动何种程度好。通过定量地求取该良好度，能够生成非常类似于熟练者的行动。例如在为了配送多个货物而作为配送员的司机驾驶快递车辆的情况下，推断熟练司机和非熟练司机(换句话说，经验少的一般司机)对于应行驶哪个配送路线是不同的。
因此，本实施方式所涉及的道路学习模型生成装置5通过利用逆向强化学习来求取熟练司机所选择的配送路线(换言之，行驶履历)的良好度，能够得到用于决定适当的配送计划的指标(例如，后述的道路成本)，能够辅助可进行熟练司机那样的顺畅的配送的配送计划的准备。因此，逆向强化学习例如通过将熟练司机的行驶履历设为教师数据的机器学习而进行。另外，机器学习可以在熟练司机的行驶中实时进行，也可以在熟练司机的行驶后进行。此外，熟练司机的行驶履历也可以不是一名熟练司机的行驶履历，而是将多名熟练司机的行驶履历作为对象。
此外，本实施方式所涉及的道路学习模型生成装置5的行驶履历学习部12可以不基于ai而通过机器学习来构成道路学习模型。在该情况下，后述的面向配送道路成本计算部31也可以使用该道路学习模型来决定道路成本。例如，本实施方式所涉及的道路学习模型生成装置5的行驶履历学习部12学习熟练司机实际行驶的道路的行驶履历，以使得降低熟练司机经常行驶的道路的道路成本。换句话说，行驶履历学习部12也可以基于作为道路特征量之一的道路的距离(换句话说，构成道路的两个节点间的边缘距离)，按照式(1)来计算通过对象道路的次数越多则越低的道路成本。
道路成本＝道路的距离×(1-对象道路的延伸通行次数/道路整体的延伸通行次数)......(1)
这里，对象道路的延伸通行次数以及道路整体的延伸通行次数可从存储于行驶履历db16的行驶履历得到。此外，对象道路的延伸通行次数是向量值，若配送车辆通过该相同的对象道路时的方向不同则处理为不同的计数值，仅在通过相同的方向时处理为相同的计数值。例如，配送车辆在相同的对象道路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，不被相加而使用。
面向配送道路学习模型存储部14(道路学习模型存储部的一个例子)将通过行驶履历学习部12而生成的面向配送道路学习模型(以下，称为“道路学习模型”)与货物的配送范围建立关联并存储。道路学习模型按照每个货物的配送范围而生成，将被输入为输入数据的道路特征量转换为道路成本并输出。道路学习模型作为配送范围，例如与盆地等较高的地域、平地等较低的地域、几乎不去的地域等地域的特性相匹配地生成多个。另外，在针对未生成道路学习模型的货物的配送范围生成配送计划的情况下，可代用与该货物的配送范围中的道路的道路特征量同等的道路特征量相似的、已经生成的其他配送范围所对应的道路学习模型。
这里，对道路id简单进行说明。
道路id是道路的识别信息，是即使为相同的道路也根据朝向而不同的识别信息(参照图2)。一个道路由该道路的两端所对应的两个节点和该两个节点之间的边缘构成。边缘的距离(换言之，两个节点间的距离)相当于道路的距离。道路成本是根据道路id而确定的道路的道路特征量(包含道路的距离信息)通过道路学习模型而被换算(转换)的值，表示配送车辆在该道路行驶时的货物(物品)的配送效率。因此，若道路成本高则配送车辆在该道路行驶时的配送效率并不好，另一方面，若道路成本低则配送车辆在该道路行驶时的配送效率良好。
道路nw以及面向配送道路特征量存储部15(道路信息存储部的一个例子)对包含道路地图的道路网络信息、道路地图上的各个道路所对应的道路特征量进行存储。道路特征量对应于各个道路，例如具有：道路的距离信息、道路的转弯信息、道路的宽度信息、道路的中央隔离带信息、道路的主干道横穿信息、道路的高低差信息、道路的道路id。在以下的说明中，道路特征量具有各个道路(换句话说，道路id)所对应的距离信息，并且进一步地，具有转弯信息、宽度信息、中央隔离带信息、主干道横穿信息、高低差信息之中的至少一个即可。另外，道路特征量也可以具有各个道路(换句话说，道路id)所对应的距离信息、转弯信息、宽度信息、中央隔离带信息、主干道横穿信息、高低差信息的全部。
距离信息表示通过道路id而确定的道路的距离(换言之，一个道路由该道路的两端所对应的两个节点和该两个节点之间的边缘构成的情况下，该边缘的距离)。因此，距离信息具体而言通过表示道路的距离的数值而表示。
转弯信息是表示通过道路id而确定的道路右转或者左转的信息，具体而言，包含有无转弯以及次数。一般地，在存在转弯的情况下，车辆的限制速度被设定较低，判断为行驶时间变长，因此道路成本变高。相反地，在不存在转弯的直线道路的情况下，车辆的限制速度可能不被设定较低，判断为行驶时间变短，因此道路成本变低。另外，转弯信息也可以将是否从刚刚之前的道路id向对象的道路id转弯作为信息而具有。
宽度信息是表示通过道路id而确定的道路的宽度的信息，具体而言，通过数值来表示。道路的宽度可以是道路的宽度方向上的从一端到一端的距离，也可以是每个车道的宽度方向的距离。一般地，在道路的宽度窄的情况下，判断为行驶速度变慢，因此道路成本变高。相反地，在道路的宽度宽的情况下，判断为行驶速度变快，因此道路成本变低。
中央隔离带信息表示通过道路id而确定的道路中的中央隔离带的有无。一般地，若存在中央隔离带，则车流顺畅，判断为行驶速度变快，因此道路成本变低。相反地，若不存在中央隔离带，则由于与对向车的错车导致判断为行驶速度变慢，因此道路成本变高。
主干道横穿信息表示主干道相对于通过道路id而确定的道路是否横穿(交叉)，具体而言，表示有无主干道的横穿。一般地，若主干道横穿，则判断为交通量多，因此道路成本变高。相反地，若主干道未横穿，则判断为交通量少，因此道路成本变低。另外，主干道横穿信息也可以将道路id的终端节点是否与主干道连接作为信息而具有。
高低差信息表示通过道路id而确定的道路中的上坡、下坡等的高低差的有无。一般地，若存在高低差，则判断为容易产生交通阻塞，因此道路成本变高。相反地，若不存在高低差，则车流顺畅，道路成本变低。
另外，上述的道路特征量仅仅是一个例子，也可以将其他表示在道路设置的信号灯的数量的信号灯信息、表示未铺装的路面等的路面信息等信息作为道路特征量。
此外，基于上述道路特征量的判断是一般的判断的一个例子，若实际未行驶则不可知。也可充分假定通过实际的行驶而成为与上述判断不同的判断的情况。在本实施方式中，行驶履历学习部12通过ai(人工智能)来生成道路学习模型。因此，作为教师数据而基于熟练司机所行驶的行驶履历的数据并通过行驶履历学习部12的学习而得到的道路学习模型，能够反映通行道路的配送车辆的实际状态并将道路特征量转换为适当的道路成本。
行驶履历db16(行驶履历存储部的一个例子)对熟练司机所行驶的配送路线的行驶履历进行保存。熟练司机的配送路线例如通过车载器(gps接收器、车辆导航系统、数字图等)而被存储于存储卡。行驶后，熟练司机也可以使道路学习模型生成装置5读取该存储卡中存储的配送路线的数据并保存于行驶履历db16。此外，道路学习模型生成装置5也可以与熟练司机所驾驶的配送车辆(卡车等)中搭载的gps接收机进行通信，依次获取配送车辆的当前位置，在行驶中(实时地)将配送路线保存于行驶履历db16。
这里，对熟练司机所行驶的配送路线的行驶履历进行说明。
图2是表示行驶履历db16中存储的从基点s到配送目的地d1的配送路线的行驶履历的一个例子的说明图。在配送车辆从基点s向配送目的地d1的情况下，若优先最短距离的配送路线，则道路id为“1000”、“1500”、“3000”的3个直线的道路被选择。但是，在该最短距离的配送路线中，例如在道路id为“1500”的道路根据时间段而容易产生交通阻塞的情况下，在司机更加顺畅地进行货物的配送上不是最佳的配送路线。不是熟练司机的一般司机趋向于选择距离优先的3个道路(参照上述)并行驶。
但是，熟练司机在从基点s向配送目的地d1的情况下，熟知从基点s到配送目的地d1的道路的特性(换言之，特征量)，因此使用道路id为“1000”、“1100”、“2000”、“2100”的“3000”这5个道路并选择迂回的配送路线。该迂回的配送路线作为距离而比最短距离长，但例如对于熟知道路id为“1500”的道路由于交通阻塞而混乱的熟练司机来讲，在更加顺畅地进行货物的配送上为最佳的配送路线。因此，行驶履历db16中，作为基点s-配送目的地d1之间的行驶履历的数据，熟练司机选择的迂回的配送路线中包含的全部道路的道路id的集合(具体而言，csv形式的数据“1000、1100、2000、2100、3000”)被存储。
另外，即使是相同的道路，在配送车辆所行驶的道路的朝向为顺向和逆向而不同的情况下，如前面所述，道路id不同。例如，在上述迂回的配送路线中，在从配送目的地d1向基点s的情况下，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，也与构成从基点s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。
通信部17例如经由无线lan(localareanetwork，局域网)而与客户终端(省略图示)连接。通信部17与客户终端的通信并不局限于无线lan，也可以通过有线lan来连接，也可以经由串行通信/并行通信等的接口来直接连接。通信部17(获取部的一个例子)作为承担与道路学习模型生成装置5所连接的客户终端之间的通信的通信接口而发挥功能，例如接收来自客户终端的模型生成请求(换句话说，与货物的配送范围对应的道路学习模型的生成请求)。
接下来，对本实施方式所涉及的道路学习模型生成装置5的动作进行说明。
图3是详细表示实施方式1所涉及的道路学习模型生成装置5中的道路学习模型的生成顺序的一个例子的流程图。
在图3中，处理器7接收并获取从客户终端发送的、通过用户的操作而输入的与货物的配送范围有关的信息(s1)。道路nw以及面向配送道路特征量读取部13访问道路nw以及面向配送道路特征量存储部15，确定并读取步骤s1中获取的货物的配送范围所对应的道路网络信息(s2)。
行驶履历读取部11针对步骤s2中确定的道路网络信息，从行驶履历db16读取并获取熟练司机的一台的行驶履历(s3)。行驶履历读取部11将获取的一台的行驶履历(换句话说，构成该一台配送车辆所行驶的配送路线的全部的道路的道路id的集合)传递给行驶履历学习部12(s4)。行驶履历读取部11针对步骤s2中确定的道路网络信息，从行驶履历db16获取熟练司机的全部台数的行驶履历并辨别是否已传递给行驶履历学习部12(s5)。在未传递全部台数的行驶履历的情况下(s5，否)，返回到道路学习模型生成装置5的处理步骤s3的处理。
另一方面，若行驶履历读取部11获取全部台数的行驶履历并传递给行驶履历学习部12(s5，是)，则道路nw以及面向配送道路特征量读取部13访问道路nw以及面向配送道路特征量存储部15，确定并读取构成步骤s1中获取的货物的配送范围的各个道路的道路特征量(s6)。行驶履历学习部12基于步骤s6中通过道路nw以及面向配送道路特征量读取部13而读取的道路特征量、步骤s4中从行驶履历读取部11传递的全部台数的行驶履历，学习步骤s1中获取的货物的配送范围中熟练司机过去行驶的配送路线的行驶履历(s7)。
行驶履历学习部12作为步骤s7中的学习结果，生成道路学习模型，该道路学习模型用于按照各个道路的每一个，运算对步骤s1中获取的货物的配送范围中包含的一个以上的道路的行驶中的配送效率进行表示的道路成本。行驶履历学习部12将生成的道路学习模型与步骤s1中获取的货物的配送范围建立关联并存储于面向配送道路学习模型存储部14(s8)。步骤s8之后，道路学习模型生成装置5的处理结束。
通过以上，在实施方式1的道路学习模型生成装置5中，行驶履历db16对熟练司机所驾驶的配送车辆中的货物(物品)的配送中的道路的行驶履历进行存储。道路nw以及面向配送道路特征量存储部15对道路网络信息与道路特征量(与道路有关的信息的一个例子)进行存储。通信部17对与货物的配送范围有关的信息进行获取。行驶履历学习部12生成道路学习模型，该道路学习模型用于基于与货物的配送范围对应的、配送车辆中的货物的配送中的道路的行驶履历、道路网络信息和道路特征量，按照一个以上的道路的每一个，运算表示货物的配送范围中包含的一个以上的道路的行驶中的配送效率的道路成本。面向配送道路学习模型存储部14将生成的道路学习模型和与货物的配送范围有关的信息建立对应并保存。
由此，道路学习模型生成装置5能够不局限于熟练司机或一般司机的种类地，高效地生成可对司机配送多个货物时配送效率高的道路成本进行运算的道路学习模型。此外，道路学习模型生成装置5通过使用熟练司机所驾驶的配送车辆的行驶履历，能够提高使用了道路学习模型的道路成本的运算精度，因此通过使用该道路学习模型，能够辅助与道路的实际状态的状况一致的最佳的配送计划的策划。
此外，与道路有关的信息包含道路nw(网络)信息、包含道路的距离的信息的特征量信息。由此，道路学习模型生成装置5能够生成可对反映道路的实际状态的状况的道路成本进行运算的道路学习模型。
此外，行驶履历是对配送车辆配送货物时行驶的一个以上的道路分别进行识别的道路id的集合。由此，道路学习模型生成装置5能够准确地获取对熟练司机过去货物的配送中行驶的配送路线的进行表示的各个道路的行驶履历。
此外，道路特征量包含道路的转弯信息。由此，道路学习模型生成装置5能够生成道路学习模型，该道路学习模型可对确切地反映了基于有无转弯的不同的道路的实际状态的混乱状况或者空闲状况的道路成本进行运算。特别地，转弯信息是表示道路右转或者左转的信息，例如包含有无转弯以及次数。一般地，在存在转弯的情况下，车辆的限制速度被设定较低，判断为行驶时间变长，因此道路成本变高。相反地，在没有转弯的情况下，车辆的限制速度被设定较高，判断为行驶时间变短，因此道路成本变低。
此外，道路特征量包含道路的宽度信息。由此，道路学习模型生成装置5能够生成可对准确地反映了基于道路的宽度信息的不同的道路的实际状态的混乱状况或者空闲状况的道路成本进行运算的道路学习模型。特别地，宽度信息是表示道路的宽度的信息，通过数值来表示。一般地，在道路的宽度较窄的情况下，判断为行驶速度变慢，因此道路成本变高。相反地，在道路的宽度较宽的情况下，判断为行驶速度变快，因此道路成本变低。
此外，道路特征量包含道路的中央隔离带信息。由此，道路学习模型生成装置5能够生成可对准确地反映了基于有无道路的中央隔离带的不同的道路的实际状态的混乱状况或者空闲状况的道路成本进行运算的道路学习模型。特别地，中央隔离带信息表示有无中央隔离带。一般地，若存在中央隔离带，则车流顺畅，判断为行驶速度变快，因此道路成本变低。相反地，若没有中央隔离带，则由于与对向车错车导致判断为行驶速度变慢，因此道路成本变高。
此外，道路特征量包含道路的主干道横穿信息。由此，道路学习模型生成装置5能够生成可对准确地反映了基于道路是否横穿主干道的不同的道路的实际状态的混乱状况或者空闲状况的道路成本进行运算的道路学习模型。特别地，主干道横穿信息表示有无主干道是否横穿。一般地，若主干道横穿，则判断为交通量较多，因此道路成本变高。相反地，若主干道未横穿，则判断为交通量较少，因此道路成本变低。
此外，道路特征量包含道路的高低差信息。由此，道路学习模型生成装置5能够生成可对准确地反映了基于有无道路的高低差的不同的道路的实际状态的混乱状况或者空闲状况的道路成本进行运算的道路学习模型。特别地，高低差信息表示有无上坡或下坡等高低差或高低差的程度(例如通过数值来表示高度信息)。一般地，若存在高低差，则判断为容易产生交通阻塞，因此道路成本变高。相反地，若不存在高低差，则车流顺畅，道路成本变低。
此外，道路学习模型生成装置5根据来自本装置(换句话说，道路学习模型生成装置5)所连接的客户终端(省略图示)的、基于用户的操作的包含与货物的配送范围有关的信息的模型生成请求，在行驶履历学习部12中生成道路学习模型。由此，道路学习模型生成装置5根据以用户的操作为触发的来自客户终端的模型生成请求，能够生成道路学习模型。因此，用户针对新的配送范围(例如未学习的配送范围)或已经学习过一次的配送范围)，能够容易指示道路学习模型的生成或更新，进行道路学习模型的生成或更新的情况下的用户的使用的便利性提高。
(实施方式2：配送计划生成装置)
接下来，说明使用通过实施方式1所涉及的道路学习模型生成装置5而生成的道路学习模型，策划(生成)配送多个货物时的配送计划的配送计划生成装置以及配送计划生成方法。
在实施方式2中，所谓配送计划，是指在规定的期间内(例如当日即一天之间)，使用至少1台配送车辆(例如卡车)，从基点向多个配送目的地配送货物(物品)时，被决定为尽量降低基于道路成本的配送成本(参照后述)的配送路线(换句话说，多个某个配送目的地的行驶顺序)。
图4是详细表示实施方式2所涉及的配送计划生成装置30的内部结构的一个例子的框图。配送计划生成装置30与道路学习模型生成装置5同样地，使用例如pc或服务器装置等的计算机而构成，是主要包含处理器37、储存器38、通信部47的结构。如前面所述，配送计划生成装置30可以由与道路学习模型生成装置5相同的pc或服务器装置构成，也可以构成为独立的pc或服务器装置。在由相同的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5而发挥功能的定时与作为配送计划生成装置30而发挥功能的定时不同。
处理器37例如使用cpu、mpu、dsp或者fpga而构成。处理器37具有包含面向配送道路成本计算部31、配送成本生成部32、道路nw以及面向配送道路特征量读取部33、配送计划计算部34的功能结构。换言之，这些各部(换句话说，面向配送道路成本计算部31、配送成本生成部32、道路nw以及面向配送道路特征量读取部33、配送计划计算部34)是通过处理器37读取各个部所对应的程序以及数据来被处理器37执行的功能结构。
储存器38例如使用闪存、hdd或者ssd而构成。储存器38具有面向配送道路学习模型存储部44、道路nw以及面向配送道路特征量存储部45以及面向配送道路nw存储部46。
接下来，对构成图4所示的配送计划生成装置30的各部进行说明。另外，在配送计划生成装置30的各部中，针对与道路学习模型生成装置5的各部相同的结构，说明了符号的对应关系后，将重复的说明简单化或者省略。
面向配送道路学习模型存储部44(道路学习模型存储部的一个例子)是与图1的面向配送道路学习模型存储部14相同的结构，将通过道路学习模型生成装置5而生成的道路学习模型和与作为该生成的对象的货物的配送范围有关的信息建立关联并存储。
道路nw以及面向配送道路特征量存储部45(道路信息存储部的一个例子)是与图1的道路nw以及面向配送道路特征量存储部15相同的结构，对包含道路地图的道路网络信息、和道路地图上的各个道路所对应的道路特征量进行存储。
面向配送道路nw存储部46将使用面向配送道路学习模型存储部44中存储的道路学习模型通过面向配送道路成本计算部31而计算出的结果(换句话说，通过道路id而确定的道路所对应的道路成本)与道路id建立对应并存储。
道路nw以及面向配送道路特征量读取部33是与图1的道路nw以及面向配送道路特征量读取部13相同的结构，对道路nw以及面向配送道路特征量存储部45中登记(保存)的道路网络信息、构成从当前位置到配送目的地的路径的各个道路的道路特征量进行读取。
另外，本实施方式所涉及的配送计划生成装置30有时基于根据用户的操作的来自客户终端的配送计划生成请求(参照后述)，使用未执行基于行驶履历学习部12的学习的对象的地域(所谓的未学习的地域)的道路网络信息。道路nw以及面向配送道路特征量存储部45中，存储上述的未学习的地域的道路网络信息、和该未学习的地域的道路所对应的道路特征量。因此，道路nw以及面向配送道路特征量读取部33也可以在未学习的地域中的道路的道路特征量(除道路id)近似于学习过的地域中的道路的道路特征量(除道路id)的情况下，将学习过的地域的道路网络信息读取为未学习的别地域的道路网络信息。由此，配送计划生成装置30在未学习的别地域中，也能够策划与熟练司机配送的学习过的地域相同的配送计划。
面向配送道路成本计算部31(道路成本计算部的一个例子)基于通过道路nw以及面向配送道路特征量读取部33而读取的道路网络信息以及道路特征量、面向配送道路学习模型存储部44中存储的道路学习模型，计算分别对一个以上的道路进行识别的每个道路id的道路成本。面向配送道路成本计算部31将每个道路id的道路成本的计算结果与相应的道路id建立对应并保存于面向配送道路nw存储部46。
配送成本生成部32(配送成本计算部的一个例子)基于面向配送道路nw存储部46中存储的道路id所对应的道路成本的数据库，例如生成从当前位置(换句话说，起点)到下个配送目的地(换句话说，目的地)的配送成本。这里，所谓配送成本，表示配送车辆在一个以上的道路连结而成立的配送路线(例如包含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的配送路线)行驶时的货物的配送效率，具体而言，是构成该配送路线的每个道路的道路成本的相加值。例如，配送成本在配送路线以“道路id(＝101)的道路 道路id(＝102)的道路 道路id(＝103)的道路”成立，各个道路成本为10、15、20的情况下，配送成本为45(＝10 15 20)。
图5a是表示学习前的各个配送目的地之间的道路的距离的一个例子的表。图5b是表示学习后的各个配送目的地之间的道路所对应的配送成本的一个例子的表。在图5a以及图5b的说明中，基点s以及配送目的地d1、d2、d3、d4、d5、d6.d7、d8均表示节点。此外，纵向的基点s、配送目的地d1～d8表示起点，横方向的基点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之间的道路的距离的表中，从配送目的地d1到配送目的地d3的距离被表示为“25”。另一方面，在行驶履历学习部12中的学习后，从配送目的地d1到配送目的地d3的配送成本被表示为“5”。本实施方式所涉及的配送计划生成装置30并不如图5a那样基于从当前位置到下个配送目的地的道路的距离，而基于该道路所对应的配送成本，生成配送计划。因此，图5b所示的配送成本(换句话说，一个道路所对应的道路成本或多个道路各自所对应的道路成本的相加值)较低的配送路线被选择。另外，在图5a、图5b的说明中，其他两点间的配送成本(距离)的值相同，表中记载的“＊”表示为任意的值。
图6是表示从配送目的地d1到配送目的地d3的学习前的各个道路的距离和学习后的各个道路所对应的配送成本的一个例子的说明图。在从配送目的地d1到配送目的地d3行驶的情况下，若在学习前在最短距离即直线的配送路线r1行驶，则距离为“8 8 9”，是“25”。另一方面，在熟练司机迂回的配送路线r2的情况下，距离的合计为“8 2 8 3 9”，是“30”。因此，在学习前，以最短距离的配送路线r1行驶相比于迂回的配送路线r2，距离较短，因此认为以配送效率的观点使用配送路线r1行驶更优选。
但是，在基于行驶履历学习部12的学习后，各道路id的道路成本为了表示反映了各个道路的实际状态的指标，与静态的(换句话说，预先固定的)距离的值不同地，作为反映了其实际状态的结果而动态地(换句话说，根据定时而)变化。因此，在从配送目的地d1到配送目的地d3行驶的情况下，若以最短距离的配送路线r1行驶，则配送成本为“1 8 1”，是“10”。另一方面，在熟练司机迂回的配送路线r2的情况下，配送成本的合计为“1 1 1 1 1”，是“5”。因此，在学习后，以熟练司机迂回的配送路线r2行驶相比于最短距离的配送路线r1，配送成本较低。这样，不基于单纯的距离来选择配送路线，而基于配送成本来进行选择，从而能够进行可减少司机的配送负担的配送计划的生成(策划)。
配送计划计算部34基于通过配送成本生成部32而生成的从配送范围中的起点到目的地的配送成本的计算结果，计算配送计划。
另外，在道路学习模型生成装置5以及配送计划生成装置30由相同的pc或服务器装置构成的情况下，道路nw以及面向配送道路特征量读取部13、33、面向配送道路学习模型存储部14、44以及道路nw以及面向配送道路特征量存储部15、45可以分别被共用。
通信部47例如经由无线lan(localareanetwork)而与客户终端(省略图示)连接。通信部47与客户终端的通信并不局限于无线lan，也可以通过有线lan来连接，也可以经由串行通信/并行通信等的接口来直接连接。通信部47(获取部的一个例子)作为承担与配送计划生成装置30所连接的客户终端之间的通信的通信接口而发挥功能，例如接收来自客户终端的配送计划生成请求(换句话说，货物的配送范围所对应的配送计划的生成请求)，将配送计划计算部34的输出对客户终端进行响应。另外，在道路学习模型生成装置5以及配送计划生成装置30由相同的pc或服务器装置构成的情况下，通信部47可以与通信部17共用。
接下来，对本实施方式所涉及的配送计划生成装置30的动作进行说明。
该动作在道路学习模型生成装置5与配送计划生成装置30由相同的pc或服务器装置构成的情况下，以不同的定时进行。此外，在面向配送道路学习模型存储部44中，存储通过行驶履历学习部12而学习过的(换句话说，通过行驶履历学习部12而生成的)道路学习模型。
图7是详细表示实施方式2所涉及的配送计划生成装置30中的配送计划的生成顺序的一个例子的流程图。
在图7中，处理器37对从客户终端发送的通过用户的操作而输入的与货物的配送范围有关的信息进行接收并输入(s11)。道路nw以及面向配送道路特征量读取部33访问道路nw以及面向配送道路特征量存储部45，对步骤s11中获取的货物的配送范围所对应的道路网络信息以及道路特征量进行读取(s12)。
面向配送道路成本计算部31访问面向配送道路学习模型存储部44，对步骤s12中通过道路nw以及面向配送道路特征量读取部33而被读取的道路网络信息所对应的学习结束的道路学习模型进行获取。面向配送道路成本计算部31使用获取的学习过的道路学习模型、和步骤s12中通过道路nw以及面向配送道路特征量读取部33而读取的道路特征量，分别计算步骤s11中输入的货物的配送范围中包含的一个以上的各个道路所对应的道路成本，将该计算结果与道路的道路id建立对应并存储于面向配送道路nw存储部46(s13)。
配送成本生成部32针对步骤s12中读取的货物的配送范围所对应的道路网络信息，依次确定希望决定配送路线的两个配送目的地(包含基点)的节点(s14)。配送成本生成部32使用迪克斯特拉(dijkstra)法，决定具有被依次确定的两个配送目的地的节点的配送路线，并且计算该决定的配送路线所对应的配送成本(s15)。
配送计划计算部34使用步骤s15中决定的配送成本，计算配送计划(s16)。在该配送计划的计算中，基于配送成本，决定道路网络信息中的配送路线。另外，后面对配送计划的计算的详细进行叙述。步骤s16之后，配送计划生成装置30的处理结束。
图8是详细表示图7的步骤s16的配送计划计算顺序的一个例子的流程图。
在图8中，配送计划计算部34使用步骤s15中决定的配送成本，决定配送计划的初始解(s21)。这里，配送计划的初始解是包含上述的步骤s15中决定的配送路线以及配送成本的配送计划。另外，初始解也可以是基于上述的步骤s15中决定的配送路线以及配送成本从而熟练司机手动策划的配送计划。
配送计划计算部34基于当前时刻的解即配送计划，例如针对全部配送目的地的组合依次进行图9所示的三种改善法(s22)。这里，当前时刻的解是步骤s21中决定的初始解、或者后述的步骤s24中得到的得到改善的解。
图9是表示图8的步骤s22中使用的三种改善法的一个例子的说明图。三种改善法例如是置换、交换、移管。置换表示对配送目的地的顺序进行更换。交换表示在多个配送路线之间更换配送目的地。移管表示将配送目的地移至其它配送路线。下述(a)、(b)、(c)表示置换、交换、移管的具体例。
(a)置换
在学习前的配送计划中，在置换前，针对一台配送车辆，按照基点s→配送目的地d1→d2→d3→d4的配送顺序进行配送。在该学习前并且置换前的配送计划中，配送成本(换言之，距离)是相同的第一台配送车辆所对应的“10 10 10＝30”。
另一方面，在学习前并且置换后，针对相同的一台配送车辆，按照基点s→配送目的地d1→d3→d2→d4的配送顺序进行配送。在该学习前并且置换后的配送计划中，配送成本是相同的一台配送车辆所对应的“15 10 15＝40”。因此，若在学习前的时刻进行置换，则配送成本提高，配送计划未被改善。另外，所谓学习前，可以是开始学习之前，也可以是刚刚开始学习之后。这在下述(b)、(c)中也相同。
此外，在学习后的配送计划中，在置换前，针对一台配送车辆，按照基点s→配送目的地d1→d2→d3→d4的配送顺序进行配送。在该学习后并且置换前的配送计划中，配送成本(换言之，距离)是相同的第一台配送车辆所对应的“10 10 10＝30”与学习前相同。
另一方面，在学习后并且置换后，针对相同的一台配送车辆，按照基点s→配送目的地d1→d3→d2→d4的配送顺序进行配送。在该学习后并且置换后的配送计划中，配送成本是相同的第一台配送车辆所对应的“5 10 5＝20”。因此，若在学习后的时刻进行置换，则配送成本下降，配送计划被改善。另外，所谓学习后，表示相当量的学习完成。这在下述(b)、(c)中也相同。
(b)交换
在学习前的配送计划中，在交换前，针对第一台配送车辆，进行基点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，进行基点s→配送目的地d5→d6→d7→d8的配送顺序的配送。在该学习前并且交换前的配送计划中，配送成本(换言之，距离)是将相同的第一台配送车辆所对应的“10 10 0＝20”和相同的第二台配送车辆所对应的“10 10 0＝20”相加为“40”。
另一方面，在学习前并且交换后中，针对相同的第一台配送车辆，进行基点s→配送目的地d1→d6→d3→d4的配送顺序的配送，针对相同的第二台配送车辆，进行基点s→配送目的地d5→d2→d7→d8的配送顺序的配送。在该学习前并且交换后的配送计划中，配送成本(换言之，距离)是将第一台配送车辆所对应的“15 10 0＝25”和第二台配送车辆所对应的“10 10 0＝20”相加为“45”。因此，若在学习前的时刻进行交换，则配送成本的总和提高，配送计划未被改善。
此外，在学习后的配送计划中，在交换前，针对第一台配送车辆，以基点s→配送目的地d1→d2→d3→d4的配送顺序进行配送，针对第二台配送车辆，进行基点s→配送目的地d5→d6→d7→d8的配送顺序的配送。在该学习后并且交换前的配送计划中，配送成本是将第一台配送车辆所对应的“10 10 0＝20”和第二台配送车辆所对应的“10 10 0＝20”相加为“40”，与学习前相同。
另一方面，在学习后并且交换后，针对相同的第一台配送车辆，以基点s→配送目的地d1→d6→d3→d4的配送顺序进行配送，针对相同的第二台配送车辆，进行基点s→配送目的地d5→d2→d7→d8的配送顺序的配送。在该学习后并且交换后的配送计划中，配送成本是将相同的第一台配送车辆所对应的“5 10 0＝15”和相同的第二台配送车辆所对应的“10 10 0＝20”相加为“35”。因此，若在学习后的时刻进行交换，则学习后的配送成本的总和降低，配送计划被改善。
(c)移管
在学习前的配送计划中，在移管前，与交换的情况相同，针对第一台配送车辆，进行基点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，进行基点s→配送目的地d5→d6→d7→d8的配送顺序的配送。在该学习前并且移管前的配送计划中，与交换的情况同样地，配送成本(换言之，距离)将第一台配送车辆所对应的“10 10 0＝20”和第二台配送车辆所对应的“10 10 0＝20”相加为“40”。
另一方面，在学习前并且移管后，针对相同的第一台配送车辆，进行基点s→配送目的地d1→d3→d4的配送顺序的配送，针对相同的第二台配送车辆，进行基点s→配送目的地d5→d6→d2→d7→d8的配送顺序的配送。在该学习前并且移管后的配送计划中，配送成本(换言之，距离)是将第一台配送车辆所对应的“25 0＝25”和第二台配送车辆所对应的“10 10 10 0＝30”相加为“55”。因此，若在学习前的时刻进行移管，则配送成本的总和提高，配送计划未被改善。
此外，在学习后的配送计划中，在移管前，针对第一台配送车辆，以基点s→配送目的地d1→d2→d3→d4的配送顺序进行配送，针对第二台配送车辆，进行基点s→配送目的地d5→d6→d7→d8的配送顺序的配送。在该学习后并且移管前的配送计划中，配送成本是将第一台配送车辆所对应的“10 10 0＝20”和第二台配送车辆所对应的“10 10 0＝20”相加为“40”，与学习前相同。
另一方面，在学习后并且移管后，与学习前的情况同样地，针对相同的第一台配送车辆，以基点s→配送目的地d1→d3→d4的配送顺序进行配送，针对相同的第二台配送车辆，进行基点s→配送目的地d5→d6→d2→d7→d8的配送顺序的配送。在该学习后并且移管后的配送计划中，配送成本是将相同的第一台配送车辆所对应的“5 0＝5”和相同的第二台配送车辆所对应的“10 10 10 0＝30”相加为“35”。因此，若在学习后的时刻进行移管，则学习后的配送成本的总和降低，配送计划被改善。
配送计划计算部34针对全部配送目的地的组合进行了三种改善法的结果，对是否能够改善配送计划进行辨别(s23)。配送计划的改善相当于降低配送成本。在能够改善配送计划的情况下，配送计划计算部34将得到改善的配送计划设为当前时刻的解(s24)。配送计划计算部34的处理返回到步骤s22。
另一方面，在步骤s23中不能改善配送计划的情况下(s23，否)，配送计划计算部34将当前时刻的解设为最终的配送计划，从通信部47对客户终端进行响应(输出)(s25)。客户终端在监视器(未图示)显示最终的配送计划。在监视器，例如显示图9所示的学习后的配送计划(包含配送成本以及配送路线)。另外，在本实施方式中，使用三种改善法，研究了配送计划的改善，但也可以在不使用三种改善法的情况下，计算配送计划。
通过以上，在实施方式2所涉及的配送计划生成装置30中，面向配送道路学习模型存储部44将用于按照一个以上的道路的每一个来运算表示一个以上的道路的行驶中的配送效率的道路成本的道路学习模型和与货物(物品)的配送范围有关的信息建立对应并进行存储。道路nw以及面向配送道路特征量存储部45对道路网络信息和道路特征量(与道路有关的信息的一个例子)进行存储。面向配送道路成本计算部31基于货物的配送范围所对应的道路学习模型和道路特征量，按照货物的配送范围中包含的一个以上的道路的每一个来计算道路成本。配送计划计算部34使用计算出的道路成本，计算在货物的配送范围内行驶时的配送计划。
由此，配送计划生成装置30使用能够对司机配送多个货物时配送效率较高的道路成本进行运算的道路学习模型，能够运算到配送目的地为止的道路所对应的配送成本，因此能够策划与道路的实际状态的状况一致的最佳的配送计划。
此外，配送成本生成部32使用计算出的道路成本，计算用于向货物的配送范围中包含的多个配送目的地配送货物的一个以上的配送路线的每一个的配送成本。配送计划计算部34基于计算出的配送成本，计算配送计划。由此，配送计划生成装置30能够策划配送计划以使得降低配送成本(换言之，提高司机的配送时的配送效率)，能够生成可提高顺畅的货物的配送时的配送效率的配送计划。
此外，通信部47(输出部的一个例子)将计算出的配送计划输出到客户终端的监视器。由此，用户能够视觉并且直观地确认通过配送计划生成装置30而生成的配送计划。
此外，配送计划生成装置30能够根据来自本装置(换句话说，配送计划生成装置30)所连接的客户终端(省略图示)的、基于用户的操作的包含与货物的配送范围有关的信息的配送计划生成请求，计算配送计划，将计算出的配送计划对客户终端进行响应。由此，用户能够经由客户终端来对配送计划生成装置30请求配送计划的生成，通过阅览客户终端的监视器(省略图示)能够掌握配送计划，使用的便利性提高。
以上，参照附图来说明了实施方式，但本公开并不一定限定于该例子。若是本领域技术人员，当然在权利要求书所述的范围内能够想到各种变更例或者修正例，应理解这些当然属于本公开的技术范围。此外，在不脱离发明的主旨的范围内，也可以将上述实施方式中的各结构要素任意地组合。
例如，上述实施方式2所涉及的配送计划生成装置30也可以设为还包含实施方式1所涉及的道路学习模型生成装置5的结构的结构。由此，配送计划生成装置30不仅可得到基于配送计划生成装置30的结构的效果，也可得到基于道路学习模型生成装置5的结构的效果。例如，配送计划生成装置30不仅在司机配送多个货物时，能够策划与道路的实际状态的状况一致的最佳的配送计划，还能够不局限于熟练司机或一般司机的种类地，能够高效地生成可对司机配送多个货物时配送效率较高的道路成本进行运算的道路学习模型。
例如，在上述的实施方式中，也可以准备多种表示配送成本的表(参照图5b)，以使得即使是相同的配送范围，也能够根据配送目的地来区分使用道路成本。例如，也可以按照频率来区分经常配送的配送目的地和几乎不配送的配送目的地，从而准备多个表。
此外，在上述实施方式中，最终的配送计划被发送到客户终端，显示于客户终端的监视器，但配送计划生成装置30也可以在本装置具有监视器以及输出用的接口，不在客户终端而在本装置的监视器显示配送计划。
此外，在上述实施方式中，配送计划计算部34也可以不使用配送成本生成部32的配送成本，而通过使用了面向配送道路成本的其它方法来计算配送计划。
另外，在上述实施方式中，行驶履历学习部12也可以按照各个配送目的地的单位来进行行驶履历的学习(例如逆向强化学习)。此时，行驶履历学习部12作为行驶履历，仅使用向目的的配送目的地进行配送时的行驶履历，来进行行驶履历的学习。此外，行驶履历学习部12可以作为行驶履历，使用从刚刚之前的配送目的地到下个配送目的地进行配送时的行驶履历，进行行驶履历的学习。此外，此时的道路网络信息也可以相当于包含对应的行驶履历的最小的配送范围。或者，可以将配送目的地分成区域，使用该被划分的区域单位的道路网络信息。
进一步地，在上述实施方式中，行驶履历学习部12也可以作为道路学习模型，使生成的多个道路学习模型结合而使用。例如，行驶履历学习部12使用多个道路学习模型的平均值即可。
此外，本公开的将实现上述实施方式的装置的功能的程序经由网络或者各种存储介质提供给装置，该装置内的计算机读取并执行的程序以及存储介质也是应用范围。
产业上的可利用性
本公开作为在多个货物的配送中、根据到配送目的地为止的道路的状况来有效地辅助最佳的货物的配送计划的策划，相当地减少配送各个货物的司机的负担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而有用。
-符号说明-
5道路学习模型生成装置
7、37处理器
8、38储存器
11行驶履历读取部
12行驶履历学习部
13、33道路nw以及面向配送道路特征量读取部
14、44面向配送道路学习模型存储部
15、45道路nw以及面向配送道路特征量存储部
16行驶履历db
17、47通信部
30配送计划生成装置
31面向配送道路成本计算部
32配送成本生成部
34配送计划计算部
46面向配送道路nw存储部。
1.一种道路学习模型生成装置，具备：
行驶履历存储部，对配送物品的配送车辆的行驶履历进行存储；
道路信息存储部，对与道路有关的信息进行存储；
获取部，对物品的配送范围有关的信息进行获取；
生成部，生成道路学习模型，该道路学习模型用于根据与所述物品的配送范围对应的所述行驶履历和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来运算表示配送效率的道路成本；和
道路学习模型存储部，将所生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存。
2.根据权利要求1所述的道路学习模型生成装置，其中，
与所述道路有关的信息包含：表示所述道路的连接关系的道路网络信息、和包含所述道路的距离信息的特征量信息。
3.根据权利要求1所述的道路学习模型生成装置，其中，
所述行驶履历是对所述配送车辆配送物品时行驶的一个以上的道路分别进行识别的道路识别信息的集合。
4.根据权利要求2所述的道路学习模型生成装置，其中，
所述特征量信息包含道路的转弯信息。
5.根据权利要求2所述的道路学习模型生成装置，其中，
所述特征量信息包含道路的宽度信息。
6.根据权利要求2所述的道路学习模型生成装置，其中，
所述特征量信息包含道路的中央隔离带信息。
7.根据权利要求2所述的道路学习模型生成装置，其中，
所述特征量信息包含道路的主干道横穿信息。
8.根据权利要求2所述的道路学习模型生成装置，其中，
所述特征量信息包含道路的高低差信息。
9.根据权利要求1～8的任意一项所述的道路学习模型生成装置，其中，
所述生成部根据来自所述道路学习模型生成装置所连接的客户终端的包含与所述物品的配送范围有关的信息的模型生成请求，生成所述道路学习模型。
10.一种道路学习模型生成方法，具有：
对配送物品的配送车辆的行驶履历进行存储的步骤；
对与道路有关的信息进行存储的步骤；
对与物品的配送范围有关的信息进行获取的步骤；
生成道路学习模型的步骤，该道路学习模型用于根据与所述物品的配送范围对应的所述行驶履历和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来运算表示配送效率的道路成本；和
将生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存的步骤。
11.一种配送计划生成装置，具备：
道路学习模型存储部，将道路学习模型和与配送车辆所配送的物品的配送范围有关的信息建立对应并存储，所述道路学习模型用于运算表示通过所述配送车辆来配送物品时的配送效率的道路成本；
道路信息存储部，对与道路有关的信息进行存储；
道路成本计算部，基于与所述物品的配送范围对应的所述道路学习模型和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本；和
配送计划计算部，使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划。
12.根据权利要求11所述的配送计划生成装置，其中，
所述配送计划生成装置还具备：配送成本计算部，使用所计算的所述道路成本，计算用于向所述物品的配送范围中包含的多个配送目的地配送物品的一个以上的配送路线的每一个配送路线的配送成本，
所述配送计划计算部基于计算出的所述配送成本，计算所述配送计划。
13.根据权利要求11或者12所述的配送计划生成装置，其中，
所述配送计划生成装置还具备：输出部，将计算出的所述配送计划输出至监视器。
14.根据权利要求11～13的任意一项所述的配送计划生成装置，其中，
所述配送计划计算部根据来自所述配送计划生成装置所连接的客户终端的配送计划生成请求，计算所述配送计划，将计算出的所述配送计划向所述客户终端进行响应。
15.一种配送计划生成方法，具有：
将道路学习模型和与配送车辆所配送的物品的配送范围有关的信息建立对应并存储的步骤，所述道路学习模型用于运算表示通过所述配送车辆来配送物品时的配送效率的道路成本；
对与道路有关的信息进行存储的步骤；
基于与所述物品的配送范围对应的所述道路学习模型和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本的步骤；和
使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划的步骤。
16.一种配送计划生成装置，具备：
行驶履历存储部，对配送物品的配送车辆的行驶履历进行存储；
道路信息存储部，对与道路有关的信息进行存储；
获取部，对与物品的配送范围有关的信息进行获取；
生成部，生成道路学习模型，该道路学习模型用于根据与所述物品的配送范围对应的所述行驶履历和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来运算表示配送效率的道路成本；
道路学习模型存储部，将所生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存；
道路成本计算部，基于与所述物品的配送范围对应的所述道路学习模型和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本；和
配送计划计算部，使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划。
17.一种配送计划生成方法，具有：
对配送物品的配送车辆的行驶履历进行存储的步骤；
对与道路有关的信息进行存储的步骤；
对与物品的配送范围有关的信息进行获取的步骤；
生成道路学习模型的步骤，该道路学习模型用于根据与所述物品的配送范围对应的所述行驶履历和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来运算表示配送效率的道路成本；
将所生成的所述道路学习模型和与所述物品的配送范围有关的信息建立对应并保存的步骤；
基于与所述物品的配送范围对应的所述道路学习模型和有关所述道路的信息，按所述物品的配送范围中包含的一个以上的道路的每一个来计算所述道路成本的步骤；和
使用计算出的所述道路成本，计算所述物品的配送范围中的配送计划的步骤。
技术总结