More Related Content
Similar to JapanTaxiのAI活用事例 (20)
JapanTaxiのAI活用事例
- 1. Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
JapanTaxiのAI活用事例
次世代モビリティ事業部 モビリティ研究開発グループ
高橋 文彦
2019.06.04
第33回⼈⼯知能学会全国⼤会
- 5. 5
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
タクシー配⾞アプリ「JapanTaxi」
• マップ上で指定したピン位置にタクシーを⼿配
• 乗⾞料⾦の決済もアプリ上で可能
• 全国47都道府県で約7万台
(全国のタクシー⾞両1/3)が対応
• 700万ダウンロード達成
- 6. 6
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
課題:注⽂キャンセルの問題
キャンセル
配車注文
探車開始 配車決定を通知
受諾 乗車機会の損失
ユーザー
配車システム
ドライバー
キャンセル通知
迎車開始
配車注文後にキャンセルされると、ドライバーにとって機会損失
- 7. 7
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
配⾞時間期待値のギャップ
5分くらいで
来るかな?
10分かかるなら
他の交通手段を
使おう
キャンセル
配車注文
探車開始 到着時間を計算
受諾 乗車機会の損失
ユーザー
配車システム
ドライバー
キャンセル通知
迎車開始
- 8. 8
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
期待値調整をするために到着予想時間を表⽰
5分くらいで
来るかな?
配車注文
しない
ユーザー
配車システム
ドライバー
事前に到着予想時間を
提示して期待値調整を
行う
10分くらいで
来る
- 9. 9
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
⽬的:事前にお迎え時間を予測
候補1
目的地
• タクシーがお迎え場所に到着するまでに
かかる時間を予測する
• お迎え場所に向かうタクシーは
確定していない
お迎え場所
候補2
候補3
候補4
- 10. 10
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
Attention機構を使ったお迎え時間予測モデル
配車候補の車両の特徴量
• 出発地の緯度経度
• お迎え場所緯度経度
• 出発時の方向・速度
• お迎え場所への方向・直線距離
• 直線距離が近い順番
車両以外の環境の特徴量
• 日、曜日、時間
• 祝日、休日
Attention機構
• 機械翻訳や画像認識などで使われる
ネットワーク構造
• 入力に応じて注目するべき特徴量に
大きな重みが付与される
• 実際に配車される車両の重みが大き
くなることを期待
到着時間
- 11. 11
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
予測精度の評価結果
• AttentionNeuralModelが最もMAEとToo Faster Rateが小さい
• 本システム環境の場合、機械学習ベースの方が高速
MAE
Too Faster
Rate
Elapsed
Time[s]
AttentionNeuralModel 156.11 0.2430 0.0360
NeuralModel 164.02 0.3247 0.0385
RouteSearchAverage 166.72 0.2527 0.0729
RouteSearchOneBest 215.70 0.4373 0.0731
- 12. 12
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
表⽰有無のA/Bテスト
• 提案モデルを使った予測到着時間を表示
• 表示の有無でA/Bテスト
• キャンセル率と注文数を比較し評価
• 到着時間予測を表示した方が優位にキャ
ンセル率が低い
• 注文数は大きく減ることはなかった
- 18. 18
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
Scene Text Recognition
Yolo v3
[YOLOv3: An Incremental Improvement, Joseph et al. , 2018]
CNN+RNN+CTC
[Gated Recurrent Convolution Neural Network for OCR, Jianfeng et al., NIPS2017]
- 20. 20
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
⾃⾞レーンの認識
• ⽬的:詳細な位置推定
• ⾞線単位での混雑度合い
• ドライビングパターン
• 課題:現状の⾃⼰位置推定の精度が悪い
• GPSの誤差は数⼗メートル
• 道路へマップマッチしてもでわかる位置はせいぜい
道路単位
→ ドライブレコーダーの映像を使って⾃⾞レーンを認識
⾃⾞レーン:2
全⾞線数:3
- 22. 22
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
Lane Net を使った⾃⾞レーンの認識
後処理 ⾞線計算
[Towards End-to-End Lane Detection: an Instance Segmentation Approach, Davy et al. , 2018]
• 車線の傾きが正の本数をカウントし、自車位置を計算
- 24. 24
Proprietary and Confidential ©2017 JapanTaxi, Inc. All Rights Reserved
JapanTaxiにおけるAI活⽤
• 位置情報や道路周辺環境の課題へのソリューションにAIを活⽤
• 事例1:到着時間予測
• 事例2:ガソリンスタンド料⾦の⾃動認識
• 事例3:⾃⾞レーンの認識
• 今後はセンサーデータや3D点群データなどのマルチデータ活⽤
を⽬指す
- 25. 〒102-0094 東京都千代⽥区紀尾井町3-12
3-12 Kioicho Chiyoda-ku, Tokyo 102-0094 Japan
TEL 03-6265-6265 FAX 03-3239-8115
www.japantaxi.co.jp
⽂章·画像等の内容の無断転載及び複製等の⾏為はご遠慮ください。
Proprietary and Confidential ©2017 JapanTaxi, Inc.
All Rights Reserved
ご静聴ありがとうございました