信息处理装置、信息处理方法以及存储介质

技术领域

本发明涉及信息处理装置、信息处理方法以及存储介质，特别涉及预测氢站中的氢的需求的信息处理装置、信息处理方法以及存储介质。

背景技术

日本特开2016－183768公开了一种目的在于顺利地进行氢燃料的填充的氢站的预约系统的控制方法。日本特开2016－183768所涉及的方法能够输入用于对用户的车辆在氢站填充氢燃料的日期时间进行预约的预约信息，并且创建能够登记所输入的预约信息的氢填充预约表。另外，日本特开2016－183768所涉及的方法计算从使用登记有来自用户的预约信息的氢填充预约表而读出的日子起经过了预先设定的天数的关注日的氢燃料的需求量。

在日本特开2016－183768所涉及的技术中，由于若用户不进行预约，则无法掌握用户是否访问氢站，所以无法高精度地预测氢的需求。另外，由于氢站中的氢价格未根据将来的需求来决定，所以存在与氢的需求不相符的可能性。因此，存在难以使氢站中的利益提高的担忧。

发明内容

本发明提供能够使氢站享有的利益高效地提高的信息处理装置、信息处理方法以及存储介质。

本发明所涉及的信息处理装置具有：预测部，使用需求预测模型来预测氢站中的氢的需求，该需求预测模型是预先通过机器学习而生成的学习完毕模型，至少将顾客的行动模式作为输入来输出预测出的氢的需求；和决定部，基于预测出的氢的需求来决定上述氢站中的氢的价格。

另外，本发明所涉及的信息处理方法使用需求预测模型来预测氢站中的氢的需求，并基于预测出的氢的需求来决定上述氢站中的氢的价格，该需求预测模型是预先通过机器学习而生成的学习完毕模型，至少将顾客的行动模式作为输入来输出预测出的氢的需求。

另外，本发明所涉及的存储介质储存有使计算机执行下述步骤的程序：使用需求预测模型来预测氢站中的氢的需求的步骤，该需求预测模型是预先通过机器学习而生成的学习完毕模型，至少将顾客的行动模式作为输入来输出预测出的氢的需求；和基于预测出的氢的需求来决定上述氢站中的氢的价格的步骤。

由于本发明如上述那样构成，所以能够调整氢站中的氢的需求，因此能够高效地进行氢站的营业。另外，由于本发明如上述那样构成，所以能够使氢站中的收益提高。本发明能够使氢站享有的利益高效地提高。

另外，优选上述决定部基于上述氢站的某个时机的、预测出的氢的需求亦即预测需求量与可供给的氢量亦即可供给量的比来决定氢的价格。

本发明通过这样构成，能够基于预测需求量以及可供给量而根据氢站侧的目的来调整氢的需求以及氢的价格。

另外，优选在上述预测需求量相对于上述可供给量的比亦即第1比为预先决定的第1阈值以上且为预先决定的比上述第1阈值大的第2阈值以下的情况下，上述决定部在预先决定的第1价格至预先决定的第2价格之间以上述第1比越大则价格越高的方式决定氢的价格。

本发明通过这样构成，能够根据预测需求量以及可供给量来实现收益的提高。

另外，优选在上述第1比低于上述第1阈值的情况下，上述决定部以成为比上述第1价格低的价格的方式决定氢的价格。

本发明通过这样构成，能够在预测需求量相对于可供给量过少的情况下促进氢的需求。

另外，优选在上述第1比超过上述第2阈值的情况下，上述决定部以成为比上述第2价格高的价格的方式决定氢的价格。

本发明通过这样构成，能够在预测需求量相对于可供给量过大的情况下抑制氢的需求。

另外，优选上述需求预测模型将上述行动模式和上述氢站中的氢的价格作为输入，上述决定部根据被输入至上述需求预测模型的氢的价格和使用上述需求预测模型而获得的氢的需求亦即预测需求量来决定氢的价格。

本发明通过这样构成，能够更可靠地实现收益的提高。

另外，优选还具有将所决定的氢的价格通知给顾客的通知部。

本发明通过这样构成，能够使对于顾客的便利性提高。

另外，优选还具有对于上述需求预测模型进行机器学习的学习部，上述学习部根据由上述预测部预测出的需求与实际的需求的差量来继续进行对于上述需求预测模型的学习。

由于本发明通过这样构成，能够预测根据所决定的氢的价格而变化的氢的需求，所以能够使氢的需求的预测精度进一步提高。

根据本发明，能够提供可使氢站享有的利益高效地提高的信息处理装置、信息处理方法以及存储介质。

附图说明

以下，参照附图对本发明的示例性实施例的特征、优点、技术及工业重要性进行说明，在附图中相同的附图标记表示相同的构成要素，其中：

图1是表示实施方式1所涉及的信息处理系统的图。

图2是表示实施方式1所涉及的信息处理装置的硬件结构的图。

图3是表示实施方式1所涉及的信息处理装置的结构的框图。

图4是例示被输入至实施方式1所涉及的需求预测模型的输入数据的图。

图5是例示实施方式1所涉及的输入数据中的特征量的图。

图6是例示实施方式1所涉及的顾客行动模式的图。

图7是例示实施方式1所涉及的顾客行动模式的图。

图8是例示实施方式1所涉及的顾客行动模式的图。

图9是例示实施方式1所涉及的顾客行动模式的图。

图10是例示从实施方式1所涉及的需求预测模型输出的输出数据的图。

图11是例示通过实施方式1所涉及的需求预测部而获得的需求预测的图。

图12是表示由实施方式1所涉及的信息处理装置执行的信息处理方法的流程图。

图13是表示由实施方式1所涉及的信息处理装置执行的信息处理方法的流程图。

图14是表示实施方式2所涉及的信息处理装置的结构的框图。

图15是用于对实施方式2所涉及的价格决定部的价格决定方法的一个例子进行说明的图。

图16是例示通过实施方式2所涉及的价格决定部决定了氢价格的情况下的实际的氢需求的图。

图17是例示实施方式2所涉及的氢价格通知的图。

图18是表示通过实施方式2所涉及的信息处理装置执行的信息处理方法的流程图。

图19是表示实施方式3所涉及的信息处理装置的结构的框图。

图20是例示实施方式3所涉及的输入数据中的特征量的图。

图21是表示通过实施方式3所涉及的信息处理装置执行的信息处理方法的流程图。

图22是表示实施方式4所涉及的信息处理装置的结构的框图。

图23是表示通过实施方式4所涉及的信息处理装置执行的信息处理方法的流程图。

图24是用于对实施方式4所涉及的价格决定部的价格决定方法进行说明的图。

具体实施方式

(实施方式1)

以下，参照附图对本发明的实施方式进行说明。为了说明的明确化，以下的记载以及附图适当地进行了省略以及简化。另外，在各附图中，对相同要素标注相同的附图标记，根据需要而省略重复说明。

图1是表示实施方式1所涉及的信息处理系统1的图。信息处理系统1具有多个车辆2和信息处理装置10。车辆2是以氢为燃料的车辆(例如燃料电池车)。信息处理装置10例如是服务器等计算机。信息处理装置10与车辆2能够经由无线网络等网络1a连接为可通信。此外，车辆2也可以具有使用图2在后叙述的信息处理装置10的硬件结构。

信息处理装置10对向车辆2供给氢的氢站中的氢的需求进行预测。具体而言，信息处理装置10通过深度学习、神经网络或者递归神经网络等机器学习的算法来预测氢的需求。信息处理装置10能够通过1个或者多个计算机实现。另外，信息处理装置10也可以通过云系统来实现。因此，信息处理装置10并不限定于物理上由1个装置实现。

图2是表示实施方式1所涉及的信息处理装置10的硬件结构的图。信息处理装置10具有CPU12(Central Processing Unit)、ROM14(Read Only Memory)、RAM16(RandomAccess Memory)以及接口部18(IF；Interface)作为主要的硬件结构。CPU12、ROM14、RAM16以及接口部18经由数据总线等相互连接。

CPU12具有作为进行控制处理以及运算处理等的运算装置(处理设备或者处理器)的功能。其中，运算装置可以通过NPU(Neural network Processing Unit)或者GPU(Graphics Processing Unit)等用于机器学习的专用的装置来实现。ROM14具有存储由CPU12(运算装置)执行的控制程序以及运算程序等的作为储存器的功能。RAM16具有暂时存储处理数据等的作为存储器的功能。接口部18具有经由有线或者无线与外部进行信号的输入输出的作为通信装置的功能。另外，接口部18具有受理用户进行的数据的输入的操作、进行用于对用户显示信息的处理的作为用户界面的功能。接口部18可以显示需求预测的结果。

图3是表示实施方式1所涉及的信息处理装置10的结构的框图。实施方式1所涉及的信息处理装置10具有学习部100、学习完毕模型储存部122、输入数据取得部124(取得部)、预测部140、通知部150以及继续学习处理部160。学习部100具有教导数据取得部102和需求预测模型学习部104。预测部140具有需求预测部142和可供给量决定部144。

这些构成要素例如能够通过CPU12(运算装置)执行存储于ROM14(存储装置)的程序来实现。另外，也可以将所需的程序记录于任意的非易失性记录介质并根据需要进行安装来实现各构成要素。此外，各构成要素并不限定于如上述那样由软件实现，也可以通过由任何电路元件等硬件来实现。另外，上述构成要素的1个以上在物理上可以通过独立的硬件来分别实现。例如，学习部100可以通过与其他构成要素独立的硬件来实现。这些结构在后述的其他实施方式中也同样。

学习部100通过上述的机器学习算法来学习用于对氢站的氢的需求进行预测的需求预测模型。换言之，学习部100进行构建需求预测模型的机器学习。学习部100以至少使用顾客的行动模式来预测氢的需求的方式进行机器学习。因此，需求预测模型将至少包括表示顾客的行动模式的顾客行动模式信息的输入数据作为输入来输出每个氢站的需求(氢的预测需求量(需求预测量))。需求预测量表示预先决定的期间后(例如1日后、2日后、1周后、1个月后等)的氢的需求量。

教导数据取得部102取得输入数据与正确答案数据的组亦即教导数据。输入数据包括顾客行动模式信息和地域信息。这里，输入数据是其特征量的值随着时间的经过而变化的时间序列数据。

顾客行动模式信息表示多个顾客各自的行动模式。因此，能够针对多个顾客分别生成顾客行动模式信息。顾客行动模式信息例如能够经由网络1a从顾客所拥有的车辆2取得。顾客行动模式信息例如表示顾客向车辆2填充氢的时机(进行填充的频度)、顾客访问过的氢站、以及填充氢时的填充量。详细内容将后述。

地域信息是与顾客的行动模式不同的信息，表示地域中的各种信息。地域信息例如表示天气、与对应的地域的氢站相关的信息、以及与对应的地域的活动相关的信息等。详细内容将后述。

正确答案数据与运用阶段(推论阶段、预测阶段)中的输出数据对应。这里，如上所述，输出数据表示每个氢站的预先决定的期间后的氢的需求量。因此，正确答案数据与每个氢站的某个时机的实际的氢的需求量对应。

需求预测模型学习部104使用所取得的教导数据来进行需求预测模型的学习处理。需求预测模型例如能够通过深度学习、神经网络、或者递归神经网络等机器学习算法来实现。需求预测模型学习部104以需求预测模型将输入数据作为输入并输出正确答案数据的方式进行需求预测模型的学习。需求预测模型学习部104可以使用某个期间(例如几个月)的教导数据作为学习用数据来生成需求预测模型。而且，需求预测模型学习部104可以使用该期间之后的规定期间(例如几周)的教导数据作为评价用数据来调整需求预测模型的参数(权重等)。另外，需求预测模型学习部104可以通过自动编码器来从输入数据提取重要的特征量。

图4是例示被输入至实施方式1所涉及的需求预测模型的输入数据的图。如图4所例示那样，输入数据是多个特征量的时间序列数据。在图4的例子中，示出横轴为时间轴、纵轴为时间序列的特征量的输入数据。即，各特征量x

另外，能够按每个顾客以及地域来生成输入数据。例如，分别生成关于顾客#1、顾客#2、顾客#3的输入数据(顾客行动模式信息)U

图5是例示实施方式1所涉及的输入数据中的特征量的图。此外，图5所例示的特征量只不过是一个例子，能够是其他各种特征量。这里，在图5中，成分x

关于顾客行动模式信息所包括的特征量，在图5所示的例子中，成分x

另外，成分x

另外，成分x

另外，成分x

关于地域信息所包括的特征量，在图5所示的例子中，成分x

图6～图9是例示实施方式1所涉及的顾客行动模式的图。图6～图9所例示的顾客行动模式被作为横轴为时间、纵轴为对应的顾客的车辆2的氢的填充率(氢余量)的图表而示出。因此，顾客行动模式为时间序列数据。其中，图6～图9表示了氢的填充率的时间经过。因此，图6～图9中的填充率的时间经过与图5所例示的特征量的“氢余量”对应。此外，顾客行动模式可以表示对应的车辆2的位置的时间经过。该情况下，车辆2的位置的时间经过与图5所例示的特征量的“车辆位置”对应。

图6例示了顾客#1的顾客行动模式。在图6例示出的顾客行动模式中，若在顾客#1的车辆2中从氢的填充率为90％时起经过2周左右，则填充率降低至20％。而且，在填充率第一次降低至20％时(时间t11)，顾客#1访问氢站A而将填充率从20％填充至90％、即填充了填充率70％量的氢。此时，顾客#1进行了访问氢站A来填充氢这一内容的预约。

另外，在填充率第二次降低至20％时(时间t12)，顾客#1访问氢站B而从20％填充至90％、即填充了填充率70％量的氢。此时，顾客#1未进行访问氢站B来填充氢这一内容的预约。另外，在填充率第三次降低至20％时(时间t13)，顾客#1访问氢站A来从20％填充至90％、即填充了填充率70％量的氢。此时，顾客#1未进行访问氢站A来填充氢这一内容的预约。

这里，在图6例示出的顾客行动模式中，在时间t11、时间t12以及时间t13分别访问了氢站A、氢站B以及氢站A与图5所例示的特征量的“访问过的氢站”对应。另外，在时间t11、时间t12以及时间t13分别填充了填充率70％量的氢与图5所例示的特征量的“每一次的填充量”对应。另外，在时间t11、时间t12以及时间t13分别为“预约：有”、“预约：无”以及“预约：无”与图5所例示的特征量的“预约信息”对应。

另外，顾客#1在时间t11以及时间t13访问氢站A、在时间t12访问氢站B与图5所例示的特征量的“每个氢站的访问频度”对应。另外，每隔2周填充氢与图5所例示的特征量的“填充频度”对应。

图7例示了与图6不同的季节的顾客#1的顾客行动模式。图6与夏季的顾客行动模式对应，图7与冬季的顾客行动模式对应。在夏季，顾客#1在填充率降低至20％时向车辆2填充氢，在冬季，顾客#1在填充率降低至40％时向车辆2填充氢。即，在冬季，顾客#1在填充率不比夏季降低时向车辆2填充氢。另一方面，在夏季，顾客#1每隔2周向车辆2填充氢，但在冬季，顾客#1每隔3周向车辆2填充氢。即，对于顾客#1的填充频度而言，冬季低于夏季。这样，行动模式根据季节而不同与图5所例示的特征量的“季节变动”对应。

图8例示了顾客#2的顾客行动模式。另外，图9例示了顾客#3的顾客行动模式。其中，在图8与图9中，设时间轴相同。如图8所例示那样，顾客#2每隔1个月向车辆2填充氢。另外，在填充率降低至20％时，顾客#2向车辆2填充氢。另一方面，如图9所例示那样，顾客#3每隔2周向车辆2填充氢，但也存在2个月不向车辆2填充氢的情况。另外，在填充率降低至40％时，顾客#3向车辆2填充氢。即，对于通常的填充频度而言，顾客#3高于顾客#2。另外，顾客#3在填充率不比顾客#2降低时向车辆2填充氢。另外，顾客#2以大致相同的周期向车辆2填充氢，相对于此，顾客#3由于存在氢的消耗少的期间，所以向车辆2填充氢的周期不恒定。这样，行动模式能够根据顾客而不同。

图10是例示从实施方式1所涉及的需求预测模型输出的输出数据的图。如图10所例示那样，从需求预测模型输出各氢站中的、规定期间后的被预测的氢的需求量。在图10的例子中，关于氢站A，从需求预测模型输出期间t

这里，在学习阶段所使用的教导数据中，正确答案数据能够与图10所例示的输出数据对应。因此，例如关于氢站A，正确答案数据可以是从被输入的顾客行动模式信息的时间序列上的最后的时刻(与图4的t

其中，在学习阶段中，关于顾客行动模式信息，能够使用预测该时机的氢需求的比预测对象时机(期间t

另一方面，关于地域信息，直至预测对象时机为止的信息也可以被作为输入数据而使用。即，在运用阶段中，关于地域信息，将来的信息也能够作为输入数据而使用。这里，在图5的例子中，“天气”以及“气温”能够从天气预报取得。另外，“氢站的运转状况”能够从氢站的运转预定取得。另外，“事件举行信息”能够从事件的举行预定取得。

在对时间T

若需求预测模型的学习结束，则需求预测模型学习部104向学习完毕模型储存部122输出学习完毕的需求预测模型。由此，学习完毕模型储存部122对预先通过机器学习而生成的学习完毕模型亦即需求预测模型进行储存。而且，作为学习完毕模型的需求预测模型将包括图4以及图5例示那样的特征量的时间序列数据亦即输入数据作为输入、将图10例示那样的按每个氢站的氢被预测的需求作为输出。

另外，学习部100可以根据由后述的预测部140预测出的需求与实际的需求的差量来继续进行对于需求预测模型的学习。详细内容将后述。

在运用阶段中，输入数据取得部124取得上述的输入数据。这里，输入数据取得部124至少取得顾客行动模式(顾客行动模式信息)作为输入数据。输入数据取得部124使用接口部18从各车辆2经由网络1a取得作为输入数据的顾客行动模式信息。另外，输入数据取得部124取得地域信息作为输入数据。另外，输入数据取得部124例如取得从当前的时刻起至回溯了规定期间的时刻为止的期间的、作为时间序列数据的顾客行动模式信息。另外，输入数据取得部124例如取得从自当前回溯了规定期间的时刻起至将来的可取得信息的时刻为止的期间的、作为时间序列数据的地域信息。

预测部140使用储存于学习完毕模型储存部122的需求预测模型来预测至少1个氢站中的氢的需求。即，预测部140使用至少将顾客行动模式信息作为输入并输出预测出的氢的需求的需求预测模型来预测至少1个氢站中的氢的需求。

需求预测部142向储存于学习完毕模型储存部122的需求预测模型输入由输入数据取得部124取得的输入数据。由此，需求预测模型输出图10例示那样的每个氢站的氢的预测需求量。由此，需求预测部142按每个氢站来预测氢的需求量。

这样，需求预测部142(预测部140)构成为使用至少将顾客行动模式信息作为输入、并输出预测出的氢的需求的需求预测模型来预测至少1个氢站中的氢的需求。由此，实施方式1所涉及的信息处理装置10能够高精度地预测氢站中的氢的需求。即，由于构成为使用顾客的行动模式来预测氢的需求，所以即便顾客不进行访问氢站来填充氢这一内容的预约，也能够预测氢的需求。因此，实施方式1所涉及的信息处理装置10能够高精度地预测氢的需求。

另外，根据图5例示出的特征量“氢余量”、“访问过的氢站”以及“每一次的填充量”，可以说在作为时间序列数据的顾客行动模式信息中示出了顾客向车辆填充氢的时机。即，特征量“氢余量”的成分值上升、特征量“访问过的氢站”以及“每一次的填充量”的成分值变化了的时机与顾客向车辆填充了氢的时机对应。因此，需求预测部142使用由顾客行动模式信息所示的、顾客向车辆填充氢的时机来预测氢的需求。由于需求预测部142(预测部140)如上述那样预测氢的需求，所以能够提高氢的需求的预测精度。即，顾客向车辆填充氢的时机多为大致相同的周期。因此，通过以预测为在与该周期对应的时机需求变多的方式来调整需求预测模型，能够使预测精度提高。

另外，如图5例示那样，顾客行动模式信息中包括车辆位置。因此，需求预测部142使用由顾客行动模式信息所示的顾客的车辆位置来预测氢的需求。另外，如图5例示那样，顾客行动模式信息中包括氢余量。因此，需求预测部142使用由顾客行动模式信息所示的顾客的车辆2的氢余量来预测氢的需求。由于需求预测部142(预测部140)如上述那样预测氢的需求，所以能够提高氢的需求的预测精度。即，例如在顾客的车辆2的氢余量减少至需要填充的程度(在图6以及图8的例子中为填充率20％，在图7以及图9的例子中为填充率40％)的时机，顾客访问氢站的可能性高。另外，顾客对与该时机的车辆位置接近的氢站进行访问的可能性高。因此，在该时机，通过以预测为与该时机的车辆位置接近的氢站的需求变多的方式调整需求预测模型，能够使预测精度提高。

另外，如图5例示那样，顾客行动模式信息中包括预约信息。因此，需求预测部142使用由顾客行动模式信息所示的来自顾客的预约信息来预测氢的需求。由于需求预测部142(预测部140)如上述那样预测氢的需求，所以能够提高氢的需求的预测精度。即，在与预约信息对应的时机，顾客访问氢站的可能性非常高。因此，通过以预测为需求在该时机变多的方式调整需求预测模型，能够使预测精度提高。

图11是例示通过实施方式1所涉及的需求预测部142获得的需求预测的图。图11例示了氢站A的需求预测。另外，图11表示了横轴为时间轴、纵轴为预测需求量的图表。这里，如图10例示那样，从需求预测模型输出多个时机(t

在图11例示的需求预测中，在与Ta对应的时机需求增加。另外，在与Tb对应的时机需求减少。另外，在与Tc对应的时机需求增加。其中，Ta、Tb、Tc可以表示时刻，也可以表示时间段，还可以表示日期时间。各时机表示时刻、时间段或者日期中的哪一个能够取决于进行哪个时机的需求预测。例如，在需求预测模型构成为进行1日中的每个时间段的需求预测的情况下，上述的时机可表示时间段。另外，在需求预测模型构成为进行1周或者1个月中的每个日期时间的需求预测的情况下，上述的时机能够表示日期时间。

可供给量决定部144基于预测出的需求来决定与时机对应的可供给的氢量(可供给量)。具体而言，可供给量决定部144以在预测为需求多的时机增多可供给量的方式决定可供给量。另一方面，可供给量决定部144以在预测为需求少的时机减少可供给量的方式决定可供给量。在图11的例子中，可供给量决定部144针对氢站A以Ta的时机的可供给量多于Tb的时机的可供给量的方式决定各时机的可供给量。同样，可供给量决定部144针对与氢站A以Tc的时机的可供给量多于Tb的时机的可供给量的方式决定各时机的可供给量。

这样，可供给量决定部144(预测部140)基于预测出的需求来决定与时机对应的可供给的氢量(可供给量)，由此能够实现氢站的收益的稳定化。即，通过在预测为需求多的时机增多可供给量，能够抑制在顾客想要向车辆2填充氢而访问了氢站时氢站无法供给氢之类的机会损失。另外，通过在预测为需求少的时机减少可供给量，能够抑制因准备过度引起的损耗。因此，能够使氢站的收益稳定。

另外，可供给量决定部144可以基于预测出的氢的需求而根据氢的订购的时机来决定氢准备量。具体而言，可供给量决定部144针对各氢站决定与订购的频度相应的期间的需求所对应的氢准备量。例如，在针对氢站A按每1周订购氢的情况下，可供给量决定部144针对氢站A决定与预测出的氢的1周量的需求对应的氢准备量。例如，氢准备量可以通过将1周中的预测出需求的各时机的预测需求量相加来决定。这样，可供给量决定部144(预测部140)通过基于预测出的氢的需求而根据氢的订购的时机来决定氢准备量，能够进一步抑制上述的机会损失或者准备过度。

另外，可供给量决定部144也可以根据预测出的需求来决定准备氢的高压气体的时机。具体而言，在按1日中的每个时间段来预测氢的需求的情况下，可供给量决定部144以在比需求变高的时间段靠前规定时间(例如1小时前)准备高压气体(高压氢)的方式决定准备高压气体的时机。其中，“规定时间”能够根据氢的高压化所需的时间来适当地设定。在氢站中，即便准备了氢，若未将氢高压化，则也无法向车辆2供给氢。因此，通过基于预测出的需求来决定准备氢的高压气体的时机，能够抑制在顾客访问氢站时无法向车辆2供给氢之类的机会损失。

通知部150根据预测出的需求来将能够在什么时机在哪个氢站供给氢通知给顾客。通知部150使用接口部18经由网络1a来对于顾客的装置发送对能够供给氢的氢站以及在该氢站能够供给氢的时机(时间段)进行表示的通知(可供给通知)。

具体而言，通知部150针对各氢站判定被预测为存在氢的需求的时机。例如，通知部150针对各氢站判定被预测为氢的需求量是预先决定的值以上的时机。而且，通知部150针对各氢站将预测为存在氢的需求的时机设定为能够供给氢的时机。而且，通知部150根据该氢站以及时机来生成可供给通知。通知部150发送所生成的可供给通知。

例如，通知部150可以对于顾客的车辆2发送可供给通知。由此，在车辆2显示可供给通知。在这种情况下，通知部150可以使用搭载于车辆2的导航系统来显示可供给通知。例如，当在导航系统的画面显示有能够供给氢的氢站的情况下，通知部150可以显示在该氢站能够供给氢的时机。

另外，例如通知部150可以对于顾客所拥有的终端(智能电话等)发送可供给通知。该情况下，通知部150可针对在顾客的终端可实现的导航系统进行与针对上述的车辆2的导航系统的处理同样的处理。或者，通知部150可以使终端显示将氢站与能够供给氢的时机建立了关联的列表。

或者，通知部150可以使氢站的网站显示可供给通知。该情况下，通知部150可以在网站上显示地图，并显示在被显示于地图上的氢站能够供给氢的时机。或者，通知部150可以使网站显示将氢站与能够供给氢的时机建立了关联的列表。

通知部150通过根据预测出的需求来将能够在什么时机在哪个氢站供给氢通知给顾客，能够使对于顾客的便利性提高。并且，在氢站侧，能够供给准备好的氢的可能性也更高。因此，通过向顾客进行上述的通知，能够更可靠地进行氢的需求与供给的调整。

另外，通知部150可以在通知能够供给氢的氢站以及能够供给氢的时机时还通知氢的价格。由此，由于顾客能够同时掌握氢的价格和能够向车辆2填充氢的时机，所以对于顾客的便利性提高。

继续学习处理部160进行用于继续需求预测模型的学习的处理。具体而言，继续学习处理部160取得与需求的预测值对应的实际值(实际的需求量)。而且，继续学习处理部160根据需求的预测值与实际值的差量来进行学习部100涉及的学习的继续处理(继续学习处理)。更具体而言，在需求的预测值与实际值的差量为预先决定的阈值以上的情况下，继续学习处理部160进行继续学习处理。即，需求的预测值与实际值的差量变大的情况是存在需求预测模型涉及的需求预测的精度降低的可能性的情况。因此，在这种情况下，优选进行需求预测模型的再学习。其中，上述的阈值能够根据被要求的需求的精度来适当地决定。

例如，能够如以下那样进行继续学习处理。继续学习处理部160取得需求的预测值与实际值的差量变为预先决定的阈值以上的时刻之前的顾客行动模式信息(以及地域信息)作为输入数据。另外，继续学习处理部160取得在该时刻之前获得的需求的实际值作为正确答案数据。这里，在该时刻，由于比需求预测模型的学习阶段经过了时间，所以在该时刻取得的输入数据的数据量多于在需求预测模型的学习阶段使用了的输入数据的数据量。而且，继续学习处理部160以将所取得的输入数据与正确答案数据的组作为教导数据进行需求预测模型的再学习的方式进行处理。由此，学习部100进行需求预测模型的再学习。

此外，不需要在需求的预测值与实际值的差量变为阈值以上的时刻立即执行继续学习处理。例如，可以在需求的预测值与实际值的差量变为阈值以上发生了规定次数以上的情况下，执行继续学习处理。

这样，信息处理装置10可以根据由预测部140预测出的需求与实际的需求的差量来继续进行对于机器学习的算法的学习。由于利用这样的构成配合实际的运用来调整需求预测模型，所以能够使需求的预测精度进一步提高。

图12以及图13是表示由实施方式1所涉及的信息处理装置10执行的信息处理方法的流程图。图12以及图13所示的流程图与用于预测氢的需求的需求预测方法对应。

图12表示了需求预测模型的学习阶段中的处理。如上所述，教导数据取得部102取得作为输入数据与正确答案数据的组的教导数据(步骤S102)。需求预测模型学习部104使用如上述那样取得的教导数据来进行需求预测模型的学习处理(步骤S104)。

图13表示需求预测模型的运用阶段中的处理。输入数据取得部124如上所述取得输入数据(步骤S112)。这里，如上所述，输入数据中至少包括顾客行动模式(顾客行动模式信息)。

需求预测部142如上所述将输入数据输入至作为学习完毕模型的需求预测模型来按每个氢站取得预测出的氢需求量(步骤S114)。可供给量决定部144如上所述基于预测出的需求来决定可供给量(步骤S116)。通知部150如上所述将能够供给氢的氢站以及时间段(时机)通知给顾客(步骤S118)。

继续学习处理部160对需求的预测值与实际值的差量是否为预先决定的阈值以上进行判定(步骤S120)。在判定为需求的预测值与实际值的差量为阈值以上的情况下(S120的“是”)，继续学习处理部160如上所述进行继续学习处理(步骤S122)。另一方面，在判定为需求的预测值与实际值的差量不是阈值以上的情况下(S120的“否”)，不进行S122的处理。而且，能够反复进行S112～S122的处理。

(实施方式2)

接下来，对实施方式2进行说明。在实施方式2中，与实施方式1的不同点在于根据氢的需求来决定氢站中的氢价格。其中，由于实施方式2所涉及的信息处理系统1的结构与图1所示的实施方式1所涉及的信息处理系统1的结构实际同样，所以省略说明。另外，由于实施方式2所涉及的信息处理装置10的硬件结构与图2所示的实施方式1所涉及的信息处理装置10的硬件结构实际同样，所以省略说明。

图14是表示实施方式2所涉及的信息处理装置10的结构的框图。实施方式2所涉及的信息处理装置10具有与图3所示的实施方式1所涉及的信息处理装置10的构成要素实际相同的构成要素。并且，实施方式2所涉及的信息处理装置10具有价格决定部210(决定部)和通知部250。在实施方式2所涉及的信息处理装置10中，由于关于与图3所示的信息处理装置10的构成要素相同的构成要素的功能只要不特别记载，则与实施方式1的功能实际同样，所以适当地省略说明。

如上所述，预测部140预测氢站中的氢的时间序列的需求。即，预测部140预测氢站中的氢的需求的随时间推移。另外，预测部140至少能够氢站中的预先决定的时间后(例如1周后或者1个月后)的、1日中的氢的需求的随时间推移。

价格决定部210针对各氢站基于由预测部140预测出的氢的需求来决定氢的价格(氢价格)。即，价格决定部210针对各氢站根据预测出的氢的时间序列的需求量来决定氢价格。具体而言，价格决定部210以氢价格在氢的预测需求量多的时间段变高的方式决定氢站中的氢价格。另外，价格决定部210决定从当前起预先决定的时间后(例如1周后或者1个月后)的氢价格。

图15是用于对实施方式2所涉及的价格决定部210的价格决定方法的一个例子进行说明的图。图15例示了对于图11例示的需求预测来决定氢价格的方法。图15例示了氢站A中的氢的预测需求量与氢价格的关系。在图15中，用细虚线示出了预测需求量。另外，在图15中，用粗实线示出了氢价格。另外，关于预测需求量，预先设定有2个阈值ThA、ThB。这里，ThA＜ThB。另外，预先设定了3个氢价格PrA、PrB、PrC。这里，PrA＜PrB＜PrC。

在预测需求量低于阈值ThA的时间段中，价格决定部210将氢价格决定为最低的氢价格亦即PrA。另外，在预测需求量为阈值ThA以上且阈值ThB以下的时间段中，价格决定部210将氢价格决定为第2低的PrB。另外，在预测需求量超过阈值ThB的时间段中，价格决定部210将氢价格决定为最高的氢价格亦即PrC。由此，在与预测需求量多的Ta、Tc对应的时机氢价格变高，在与预测需求量少的Tb对应的时机氢价格变低。

此外，在图15的例子中，预测需求量的阈值的数量为2个，氢价格的数量为3个，但并不局限于这样的构成。氢价格的数量任意，预测需求量的阈值的数量也能够根据氢价格的数量来适当地设定。另外，在图15的例子中，氢价格根据预测需求量来阶梯式不连续地变化，但并不局限于这样的构成。价格决定部210也可以以根据预测需求量来连续地变化的方式决定氢价格。即，价格决定部210可以以氢价格随着预测需求量增加而连续地增加、氢价格随着预测需求量减少而连续地减少的方式决定氢价格。该情况下，可以用预先决定的函数来决定预测需求量与氢价格的关系。

另外，价格决定部210可以每次都更新决定氢价格的方法以使收益提高(最大化)。例如，价格决定部210可以通过强化学习算法等机器学习以收益提高(最大化)的方式根据预测需求量来更新决定氢价格的方法。例如，价格决定部210可以通过强化学习算法等来更新上述的氢价格的设定值(PrA等)以及预测需求量的阈值(ThA等)。另外，价格决定部210可以通过强化学习算法等来更新表示预测需求量与氢价格的关系的函数。该事项在后述的其他实施方式中也同样。

实施方式2所涉及的信息处理装置10通过这样的构成能够按照氢的需求来调整氢站中的氢价格。这里，一般成为若商品的价格上升则该商品的需求变少、若商品的价格下降则该商品的需求变多的趋势。因此，通过按照氢的需求调整氢价格，能够实现氢站中的氢的需求的均等化。即，能够调整氢站中的氢的需求。由此，能够减小空闲期的业务量与繁忙期的业务量的差。因此，能够高效地进行氢站的营业。因此，能够使氢站享有的利益(benefit)高效地提高。

图16是例示通过实施方式2所涉及的价格决定部210决定了氢价格的情况下的实际的氢需求的图。在图16中，用细虚线示出了预测需求量。另外，在图16中，用粗实线示出了实际的需求量。预测需求量与图11以及图15所示的情形对应。通过如图15所例示那样，氢价格在预测需求量多的时机变高、氢价格在预测需求量低的时机变低，由此如图16所例示那样，实际的需求量的变动小于预测需求量的变动。即，通过由价格决定部210决定氢价格，使得氢站中的氢的需求均等化。

另外，实施方式2所涉及的信息处理装置10通过在氢站中的预测需求量多时提高氢价格，能够使氢站中的收益提高。另一方面，通过在氢站中的预测需求量少时降低氢价格，能够增多该时机的需求。因此，能够使氢站享有的利益(benefit)高效地提高。

通知部250将由价格决定部210决定的氢价格通知给顾客。通知部250使用接口部18经由网络1a来对于顾客的装置发送表示氢站中的氢价格的通知(氢价格通知)。

图17是例示实施方式2所涉及的氢价格通知的图。图17例示了与氢站A相关的氢价格通知。图17例示出的氢价格通知包括“通常的氢价格”、“本日的氢价格”以及“明日的氢价格”。这样，通过通知多日的氢价格，使得顾客能够根据氢价格以及自己的时间的安排等来决定在哪一日访问氢站。特别是，顾客能够在氢价格低的日子访问氢站。因此，能够使对于顾客的便利性提高。

另外，通知部250例如可以对于顾客的车辆2发送氢价格通知。由此，在车辆2显示氢价格通知。在这种情况下，通知部250可以使用搭载于车辆2的导航系统来显示氢价格。例如，通知部250可以显示与被显示于导航系统的画面的氢站相关的氢价格。

另外，例如通知部250可以对于顾客所拥有的终端(智能电话等)发送氢价格通知。该情况下，通知部250可以针对能够在顾客的终端实现的导航系统也进行与针对上述的车辆2的导航系统的处理同样的处理。

或者，通知部250可以使氢站的网站显示氢价格通知。该情况下，通知部250可以在网站上显示地图，并显示在地图上显示出的氢站的氢价格。或者，通知部250可以使网站显示将氢站与氢价格建立了关联的列表。

另外，例如通知部250可以将顾客访问的频度高的氢站的氢价格通知给该顾客。该情况下，通知部250可以使用顾客行动模式信息来判断顾客访问的频度。另外，例如通知部250可以将按每个顾客预先登记了的氢站的氢价格通知给该顾客。例如，在顾客#1将氢站A登记于系统的情况下，通知部250可以将氢站A的氢价格通知给顾客#1。

另外，通知部250可以按每个顾客在必要的时机通知氢价格。例如，通知部250可以在顾客的邻近的氢站的氢价格被变更时向该顾客通知该氢站的氢价格。另外，例如通知部250可以在由顾客预先登记了的氢站的氢价格被变更时向该顾客通知该氢站的氢价格。另外，通知部250可以向氢余量少的车辆2的顾客通知氢站的氢价格。

通知部250通过将所决定的氢价格通知给顾客，能够使对于顾客的便利性提高。特别是，通过顾客在氢价格低时访问氢站，能够减少氢的购买费用。另外，通过通知部250按每个顾客在必要的时机通知氢价格，能够使对于顾客的便利性进一步提高。并且，对于氢站一侧来说，也能够更可靠地实现氢的需求的均等化。

图18是表示由实施方式2所涉及的信息处理装置10执行的信息处理方法的流程图。图18所示的流程图与用于决定氢站的氢价格的价格决定方法对应。与图13的S112同样，输入数据取得部124取得输入数据(步骤S212)。与图13的S114同样，需求预测部142将输入数据输入至作为学习完毕模型的需求预测模型，按每个氢站取得预测出的氢需求量(步骤S214)。与图13的S114同样，可供给量决定部144基于预测出的需求来决定可供给量(步骤S216)。

如上所述，价格决定部210根据预测出的氢的需求来决定氢站的氢价格(步骤S218)。具体而言，价格决定部210以氢价格在预测需求量多的时机变高的方式决定氢价格。如上所述，通知部250将氢站的氢价格通知给顾客(步骤S220)。

继续学习处理部160与图13的S120同样，对需求的预测值与实际值的差量是否为预先决定的阈值以上进行判定(步骤S221)。在判定为需求的预测值与实际值的差量为阈值以上的情况下(S221的“是”)，与图13的S122同样，继续学习处理部160进行继续学习处理(步骤S222)。另一方面，在判定为需求的预测值与实际值的差量不是阈值以上的情况下(S221的“否”)，不进行S222的处理。这样，由于能够预测根据所决定的氢价格而变化的氢的需求，所以能够使氢的需求的预测精度进一步提高。然后，可反复进行S212～S222的处理。

(实施方式3)

接下来，对实施方式3进行说明。在实施方式3中，与其他实施方式的不同点在于当决定氢站中的氢价格时使用将氢站中的氢价格作为输入的需求预测模型。其中，由于实施方式3所涉及的信息处理系统1的结构与图1所示的实施方式1所涉及的信息处理系统1的结构实际同样，所以省略说明。另外，关于实施方式3所涉及的信息处理装置10的硬件结构，由于与图2所示的实施方式1所涉及的信息处理装置10的硬件结构实际同样，所以省略说明。

图19是表示实施方式3所涉及的信息处理装置10的结构的框图。实施方式3所涉及的信息处理装置10与实施方式1等同样，具有学习部100、学习完毕模型储存部122、输入数据取得部124、预测部140以及继续学习处理部160。这里，预测部140具有需求预测部142，但可以不具有可供给量决定部144。另外，实施方式3所涉及的信息处理装置10具有可供给量取得部302、价格决定部310(决定部)以及通知部250。

由于与图3所示的信息处理装置10的构成要素相同的构成要素的功能只要不特别记载，则与实施方式1的功能实际同样，所以适当地省略说明。另外，由于通知部250的功能只要不特别记载，则与实施方式2所涉及的功能实际同样，所以适当地省略说明。

图20是例示实施方式3所涉及的输入数据中的特征量的图。关于顾客行动模式信息，可以与实施方式1所涉及的顾客行动模式信息实际同样。关于地域信息所包括的特征量，成分x

可供给量取得部302取得可供给量。即，在实施方式3中，可供给量被预先设定而不根据预测需求量来决定。即，可供给量未必能够总是根据预测需求量来决定。例如，存在根据氢站与向该氢站提供氢的中间商的协定而预先设定了可供给量的情况。

价格决定部310根据被输入至需求预测模型的氢价格和使用需求预测模型而获得的预测需求量来决定氢价格。此时，价格决定部310以氢站中的收益提高(最大化)的方式决定氢价格。另外，价格决定部310决定从当前起预先决定的时间后(例如1周后或者1个月后)的氢价格。详细情况将后述。

图21是表示通过实施方式3所涉及的信息处理装置10执行的信息处理方法的流程图。图21所示的流程图与用于决定氢站的氢价格的价格决定方法对应。另外，能够按每个氢站执行图21所示的流程图。可供给量取得部302取得可供给量(步骤S302)。与图13的S112同样，输入数据取得部124取得输入数据(步骤S310)。这里，在通过S310取得的输入数据中，可以未被设定氢价格。然后，价格决定部310设定输入数据中的氢价格(步骤S312)。

与图13的S114同样，需求预测部142将输入数据输入至作为学习完毕模型的需求预测模型，按每个氢站取得预测出的氢需求量(预测需求量)(步骤S314)。价格决定部310对在S314中取得的预测需求量是否超过在S302中取得的可供给量进行判定(步骤S316)。在预测需求量超过可供给量的情况下(S316的“是”)，由于将氢价格设定得过低所以预测需求量相较于可供给量变得过大。因此，该情况下，价格决定部310将氢价格设定为比在S312中设定的氢价格高(步骤S318)。然后，再次执行S314以及S316的处理。其中，关于将氢价格设定为多高，可以使用任意的方法。例如，可以将氢价格设定为比在S312中设定的氢价格高出预先决定的价格(例如5日元/kg)。

另一方面，在预测需求量为可供给量以下的情况下(S316的“否”)，价格决定部310计算此时的销售额(步骤S320)。具体而言，价格决定部310通过将所设定的氢价格与预测需求量相乘来计算对应的氢站的氢的销售额。

接下来，价格决定部310变更氢价格，进行S314～S320的处理(步骤S322)。具体而言，价格决定部310针对可设定的氢价格反复进行S314～S320的处理直至处理结束为止。由此，针对可设定的氢价格分别计算出销售额。其中，在S322的处理中，当变更氢价格时，也可以不变更为在S316的处理中被判定为“是”时的氢价格。

接下来，价格决定部310根据计算出的销售额来决定氢价格(步骤S330)。具体而言，价格决定部310可以将销售额为最大的氢价格决定为氢站中的氢价格。或者，价格决定部310可以将从销售额减去可供给量的购买额(原价)所得的值为最大的氢价格决定为氢站中的氢价格。由此，可决定氢站中的收益(利益)为最大那样的氢价格。

通知部250如上所述将氢站的氢价格通知给顾客(步骤S332)。其中，实施方式3所涉及的信息处理装置10也可以进行继续学习处理(图13的S122)。此外，在上述的例子中，在预测需求量超过可供给量的情况下将氢价格设定得高(S316的“是”，S318)，但并不局限于这样的构成。S316以及S318的处理可以不存在。另外，该情况下，也可以没有S302的处理。

如上所述，实施方式3所涉及的信息处理装置10构成为根据被输入至需求预测模型的氢价格和使用需求预测模型而获得的预测需求量来决定氢价格。由此，实施方式3所涉及的信息处理装置10能够决定氢站中的收益为最大那样的氢价格。因此，能够更可靠地实现收益的提高。

(实施方式4)

接下来，对实施方式4进行说明。在实施方式4中，与其他实施方式的不同点在于当决定氢站中的氢价格时根据预测需求量以及可供给量来决定氢价格。其中，由于实施方式4所涉及的信息处理系统1的结构与图1所示的实施方式1所涉及的信息处理系统1的结构实际同样，所以省略说明。另外，由于实施方式4所涉及的信息处理装置10的硬件结构与图2所示的实施方式1所涉及的信息处理装置10的硬件结构实际同样，所以省略说明。

图22是表示实施方式4所涉及的信息处理装置10的结构的框图。实施方式4所涉及的信息处理装置10与实施方式3同样，具有学习部100、学习完毕模型储存部122、输入数据取得部124、预测部140以及继续学习处理部160。这里，预测部140具有需求预测部142，但可以不具有可供给量决定部144。另外，实施方式4所涉及的信息处理装置10具有可供给量取得部302、价格决定部410(决定部)以及通知部250。

由于关于与图3所示的信息处理装置10的构成要素相同的构成要素的功能只要不特别记载，则与实施方式1的功能实际同样，所以适当地省略说明。另外，由于关于可供给量取得部302以及通知部250的功能只要不特别记载，则分别与实施方式3以及实施方式2所涉及的功能实际同样，所以适当地省略说明。

价格决定部410基于氢站的某个时机的预测需求量与可供给量的比来决定氢价格。具体而言，价格决定部410基于预测需求量相对于可供给量的比亦即氢需求比(第1比)来决定氢价格。根据这样的构成，如后述那样，能够基于预测需求量以及可供给量而根据氢站侧的目的(收益提高、需求促进或者需求抑制等)来调整氢的需求以及氢价格。即，能够使与预测需求量以及可供给量对应的氢站侧的利益(收益提高、需求促进或者需求抑制等)更可靠地提高。

更具体而言，在氢需求比为第1阈值以上且为第2阈值以下的情况下，价格决定部410以氢需求比越大则价格越高的方式决定氢的价格，其中，第2阈值大于第1阈值。此时，价格决定部410在第1价格至第2价格之间以氢需求比越大则价格越高的方式决定氢价格。详细情况将后述。其中，第1阈值及第2阈值、以及第1价格及第2价格是被预先决定的值。此外，这些规定值可以通过强化学习算法等机器学习而被适当地更新。

另外，在氢需求比(第1比)低于第1阈值的情况下，价格决定部410可以以成为比第1价格低的价格的方式决定氢价格。另外，在氢需求比(第1比)超过第2阈值的情况下，价格决定部410可以以成为比第2价格高的价格的方式决定氢价格。详细情况将后述。

图23是表示通过实施方式4所涉及的信息处理装置10执行的信息处理方法的流程图。图23所示的流程图与用于决定氢站的氢价格的价格决定方法对应。另外，能够按每个氢站来执行图23所示的流程图。可供给量取得部302取得可供给量y(步骤S402)。与图13的S112同样，输入数据取得部124取得输入数据(步骤S412)。与图13的S114同样，需求预测部142将输入数据输入至作为学习完毕模型的需求预测模型，按每个氢站取得预测出的氢需求量x(步骤S414)。

价格决定部410计算氢需求比(第1比)(步骤S418)。具体而言，价格决定部410通过将氢需求量x除以可供给量y来计算氢需求比z。即，z＝x/y。

然后，价格决定部410对氢需求比z是否为阈值Th1(第1阈值)以上且阈值Th2(第2阈值)以下进行判定(步骤S420)。其中，阈值Th1是预先决定的小于1的值。例如，Th1＝0.15。另外，阈值Th2为大于阈值Th1的预先决定的值。例如，Th2＝0.9。即，价格决定部410对氢需求量x相对于可供给量y的比例(氢需求比)是否为15％以上90％以下进行判定。

在氢需求比z为阈值Th1以上阈值Th2以下的情况下(S420的“是”)，价格决定部410根据氢需求比z的值来决定氢价格(步骤S422)。具体而言，价格决定部410以氢需求比z越大则价格越高的方式决定氢的价格。

图24是用于对实施方式4所涉及的价格决定部410的价格决定方法进行说明的图。图24例示了氢需求比z与氢价格的关系。在图24的例子中，在氢需求比z为阈值Th1以上阈值Th2以下的情况下，价格决定部410在价格Pr1(第1价格)至价格Pr2(第2价格)之间以氢需求比z越大则价格越高的方式决定氢价格。其中，Pr1以及Pr2是预先决定的值，Pr1＜Pr2。例如，Pr1＝1000日元/kg，Pr2＝1200日元/kg。在图24的例子中，在氢需求比z＝0.15的情况下，价格决定部410将氢价格决定为1000日元/kg。另外，在氢需求比z＝0.9的情况下，价格决定部410将氢价格决定为1200日元/kg。这样，通过以氢需求比z越大则价格越高的方式决定氢价格，能够根据预测需求量以及可供给量来实现收益的提高。

此外，在图24的例子中，氢需求比z与氢价格的关系为线性，但氢需求比z与氢价格的关系不需要为线性。氢价格可以随着氢需求比z变大而不连续地阶梯式变高。另外，氢价格也可以随着氢需求比z变大而以指数函数的方式变高。另外，氢价格也可以随着氢需求比z变大而以对数函数的方式变高。

另一方面，在氢需求比z不为阈值Th1以上阈值Th2以下的情况下(S420的“否”)，价格决定部410对氢需求比z是否低于阈值Th1(第1阈值)进行判定(步骤S424)。即，价格决定部410对氢需求量x相对于可供给量y的比例(氢需求比)是否低于15％进行判定。

在氢需求比z低于阈值Th1的情况下(S424的“是”)，能够说预测需求量x相对于可供给量y过少。即，若保持不变则氢供给过多，存在氢过多未被售出的担忧。因此，该情况下，为了促进需求，价格决定部410将氢价格设定得低(步骤S426)。具体而言，价格决定部410将氢价格决定为比Pr1低的价格。例如，价格决定部410将氢价格决定为700日元/kg。由此，能够在预测需求量x相对于可供给量y过少的情况下促进氢的需求。

另一方面，在氢需求比z不低于阈值Th1的情况下(S424的“否”)，氢需求比z超过阈值Th2。即，氢需求量x相对于可供给量y的比例(氢需求比)超过90％。该情况下，能够说预测需求量x相对于可供给量y过多。即，若保持不变则存在供给不足的担忧。因此，该情况下，为了抑制需求，价格决定部410将氢价格设定得高(步骤S428)。具体而言，价格决定部410将氢价格决定为比Pr2高的价格。例如，价格决定部410将氢价格决定为1500日元/kg。由此，能够在预测需求量x相对于可供给量y过大的情况下抑制氢的需求。

通知部250如上所述将氢站的氢价格通知给顾客(步骤S432)。此外，实施方式4所涉及的信息处理装置10也可以进行继续学习处理(图13的S122)。

(变形例)

此外，本发明并不局限于上述实施方式，在不脱离发明主旨的范围内能够适当地变更。例如，上述的流程图的多个步骤的顺序能够适当地变更。另外，上述的流程图的1个以上的步骤能够适当地省略。例如，图18的S216以及S220～S22的处理可以被省略。关于图21以及图23也同样能够分别省略S332以及S432的处理。

程序包括用于在被计算机读入的情况下使计算机进行在实施方式中说明的1个或者1个以上的功能的命令组(或者软件代码)。程序可以被储存于非暂时性的计算机可读介质或者有实体的存储介质。并非限定而是作为例子，计算机可读介质或者有实体的存储介质包括random-access memory(RAM)、read-only memory(ROM)、闪存、solid-state drive(SSD)或者其他存储器技术、CD-ROM、digital versatile disk(DVD)、Blu-ray(注册商标)盘或者其他光盘储存器、磁盒、磁带、磁盘储存器或者其他磁储存器设备。程序可以在暂时性的计算机可读介质或者通信介质上发送。并非限定而是作为例子，暂时性的计算机可读介质或者通信介质包括电、光学、声学或者其他形式的传播信号。