JP2020166532A - Outing determination system, outing determination method and outing determination program - Google Patents
Outing determination system, outing determination method and outing determination program Download PDFInfo
- Publication number
- JP2020166532A JP2020166532A JP2019066111A JP2019066111A JP2020166532A JP 2020166532 A JP2020166532 A JP 2020166532A JP 2019066111 A JP2019066111 A JP 2019066111A JP 2019066111 A JP2019066111 A JP 2019066111A JP 2020166532 A JP2020166532 A JP 2020166532A
- Authority
- JP
- Japan
- Prior art keywords
- outing
- schedule data
- traffic node
- transportation
- present
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
本発明は、外出判定システム、外出判定方法および外出判定プログラムに関する。 The present invention relates to an outing determination system, an outing determination method, and an outing determination program.
個人もしくは法人による所在地外での活動は、公共交通機関による人員の移動を必要とする場合がある。当該活動は、一例として、営業活動を指す。当該移動に要する交通費は、一般的には、ユーザにより入力処理された移動経路情報に基づき、経理担当者による承認を以て、精算される。 Activities outside the location by individuals or legal entities may require the movement of personnel by public transport. The activity refers to a sales activity as an example. The transportation cost required for the movement is generally settled with the approval of the accounting staff based on the movement route information input and processed by the user.
交通費精算において、公共交通機関の種別および交通結節点に係る情報を含む移動経路情報を、都度、入力処理する場合、ユーザは、移動の度に当該移動経路情報を記録する必要がある。当該記録に要する作業時間の発生は、業務効率化に支障をきたす恐れがある。 In the transportation expense settlement, when the movement route information including the information related to the type of public transportation and the transportation node is input and processed each time, the user needs to record the movement route information every time the movement is performed. The generation of work time required for the recording may hinder the efficiency of work.
特許文献１に記載された発明においては、公共交通機関を利用するための情報記憶カードを用いて交通費精算を行う。当該文献に記載された技術においては、外出精算の申請を受け付ける外出精算申請サーバと、通信可能に接続された複合機におけるＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード読み取り機から読み込まれたバスや鉄道の利用履歴と、勤怠管理データと、を連動することで、交通費の精算処理を行なう。 In the invention described in Patent Document 1, transportation expenses are settled using an information storage card for using public transportation. In the technology described in the document, the usage history of the bus or railroad read from the IC (Integrated Circuit) card reader in the multifunction device connected to the communication with the outing settlement application server that accepts the outing settlement application. By linking with the attendance management data, the transportation expenses are settled.
しかしながら、情報記憶カードに対応する利用履歴に基づき交通費精算を行う場合、当該情報記憶カードを要さない移動に係る交通費精算を行うために、ユーザは、当該移動経路に係る情報の入力作業を行わなければならない。一方、ユーザの行動履歴を、当該利用履歴ではなく、ユーザのスケジュールデータに基づき管理する技術が報告されている。 However, when the transportation cost is settled based on the usage history corresponding to the information storage card, the user inputs the information related to the movement route in order to settle the transportation cost related to the movement that does not require the information storage card. Must be done. On the other hand, a technique for managing a user's action history based on the user's schedule data instead of the usage history has been reported.
特許文献２に記載された発明においては、ユーザによって登録されたスケジュールと、ユーザの行動履歴とを組み合わせて利用することによって、ユーザの行動をより正確に把握することを可能にする。当該文献に記載された技術においては、当該スケジュールを取得するスケジュール取得部と、位置情報を含む行動履歴を取得する行動履歴取得部と、当該行動履歴に基づいて、当該スケジュールのうちの過去スケジュールを補正する過去スケジュール補正部とを含む情報処理装置が提供される。 In the invention described in Patent Document 2, the user's behavior can be grasped more accurately by using the schedule registered by the user in combination with the user's behavior history. In the technique described in the document, the schedule acquisition unit for acquiring the schedule, the action history acquisition unit for acquiring the action history including the position information, and the past schedule of the schedule are obtained based on the action history. An information processing device including a past schedule correction unit for correction is provided.
情報記憶カードに対応付けられる交通機関の利用履歴は、交通費精算を行う上で、有用となり得るが、移動後でなければ移動経路の特定が出来ない。そのため、未来スケジュールの交通費精算は、困難である。 The usage history of transportation associated with the information storage card can be useful for reimbursement of transportation expenses, but the movement route cannot be specified until after the movement. Therefore, it is difficult to settle the transportation expenses of the future schedule.
未来スケジュールに基づき交通費の算出を行うためにスケジュールデータを解析する場合、ユーザ毎に生ずる行動予定に係る表記揺れを一例とするノイズを除去し、外出判定および移動経路の特定を行う必要がある。過去スケジュールのノイズ除去は当該利用履歴や位置情報に基づき実現できるが、未来スケジュールのノイズ除去は困難である。 When analyzing schedule data in order to calculate transportation costs based on the future schedule, it is necessary to remove noise such as notation fluctuations related to action schedules that occur for each user, and perform outing judgment and movement route identification. .. Noise removal in the past schedule can be realized based on the usage history and location information, but noise removal in the future schedule is difficult.
本発明では、交通費精算のための移動経路の特定を含む外出判定を、交通機関の利用履歴を用いることなく、ユーザの過去スケジュールおよび／または未来スケジュールを含むスケジュールデータに基づき、実現すること、を課題とする。 In the present invention, the outing determination including the identification of the travel route for the settlement of transportation expenses can be realized based on the schedule data including the past schedule and / or the future schedule of the user without using the usage history of transportation. Is the subject.
上記課題を解決するために、本発明は、外出判定システムであって、スケジュールデータに基づき、少なくとも交通結節点を、検出する検出手段と、少なくとも当該交通結節点に基づき、スケジュールデータに係る外出の有無を決定する判定手段と、を有する。
このような構成とすることで、交通費精算のための外出判定を、交通機関の利用履歴を用いることなく、ユーザのスケジュールデータに基づき、実現できる。
また、このような構成とすることで、本発明に係る外出判定システムは、ユーザにより入力されたテキストデータを主とするスケジュールデータに基づき、外出判定システムの実現のためのトラフィック量を軽減できる。これは、本発明が、ユーザ端末などの位置情報の経時変化を一例とする、データサイズがテキストデータより大きいデータに係るトラフィックを必ずしも要さないことを、意味する。これにより、本発明は、外出の有無を決定するまでの処理時間を短縮できる、という更なる技術的効果を、奏する。
In order to solve the above problems, the present invention is an outing determination system, which is a detection means for detecting at least a traffic node based on schedule data, and at least based on the traffic node, going out related to schedule data. It has a determination means for determining the presence or absence.
With such a configuration, it is possible to realize an outing determination for transportation expense settlement based on the user's schedule data without using the usage history of transportation.
Further, with such a configuration, the outing determination system according to the present invention can reduce the amount of traffic for realizing the outing determination system based on the schedule data mainly including the text data input by the user. This means that the present invention does not necessarily require traffic related to data having a data size larger than text data, for example, a change over time in location information of a user terminal or the like. As a result, the present invention has a further technical effect that the processing time until determining whether or not to go out can be shortened.
本発明の好ましい形態では、検出手段は、スケジュールデータに基づき、スケジュールデータに含まれる１以上の語句に対応する生起コストまたは連接コストを決定し、少なくとも生起コストに基づき、交通結節点を検出する。
このような構成とすることで、本発明に係る外出判定システムは、スケジュールデータに基づく形態素解析を行い、交通結節点を精度よく検出できる。
また、このような構成とすることで、検出手段は、少なくとも生起コストに基づき、スケジュールデータに含まれる文字列のコスト総和を決定する。例として、検出手段は、当該コスト総和が最大／最小となる場合の語句を、交通結節点として検出する。これにより、本発明は、ユーザ入力にともなう表記揺れの影響を抑えながら、交通結節点の検出を実現できる。外出判定に係るトラフィックがテキストデータのためのトラフィックに占められるため、本発明は、外出の有無を決定するまでの処理時間を短縮できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, the detection means determines the occurrence cost or connection cost corresponding to one or more words and phrases contained in the schedule data based on the schedule data, and detects the traffic node based on at least the occurrence cost.
With such a configuration, the outing determination system according to the present invention can perform morphological analysis based on schedule data and detect traffic nodes with high accuracy.
Further, with such a configuration, the detection means determines the total cost of the character string included in the schedule data, at least based on the occurrence cost. As an example, the detection means detects a phrase when the total cost is the maximum / minimum as a transportation hub. Thereby, the present invention can realize the detection of a traffic node while suppressing the influence of the notation fluctuation caused by the user input. Since the traffic related to the outing determination is occupied by the traffic for the text data, the present invention has a further technical effect that the processing time until determining whether or not to go out can be shortened.
本発明の好ましい形態では、検出手段は、語句が示す交通結節点の文字数を変数とする指数関数に基づき、当該語句の生起コストを決定する。
このような構成とすることで、本発明に係る外出判定システムは、文字数が多く、固有名詞である可能性を有する語句を、優先的に検出できる。このため、本発明は、スケジュールデータに基づく交通結節点の検出を、好適に実現できる。
また、このような構成とすることで、本発明に係る外出判定システムは、生起コストの決定をデータベース参照などに基づく一意的な処理としない。このため、本発明は、生起コストの決定に係るデータ格納／参照の頻度を減らし、データベース負荷を軽減できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, the detecting means determines the occurrence cost of the phrase based on an exponential function with the number of characters of the traffic node indicated by the phrase as a variable.
With such a configuration, the outing determination system according to the present invention can preferentially detect words and phrases that have a large number of characters and may be proper nouns. Therefore, the present invention can suitably realize the detection of a transportation hub based on schedule data.
Further, with such a configuration, the outing determination system according to the present invention does not make the determination of the occurrence cost a unique process based on a database reference or the like. Therefore, the present invention has a further technical effect that the frequency of data storage / reference related to the determination of the occurrence cost can be reduced and the database load can be reduced.
本発明の好ましい形態では、検出手段は、語句が示す交通結節点の文字数が所定文字数に満たない場合、当該交通結節点から第１の距離の範囲内における交通結節点数を変数とする、第１のガウシアン減衰関数に基づき、当該語句の生起コストを決定する。
このような構成とすることで、文字数が少ない複数以上の交通結節点の名称の内、利用客数が多い交通結節点を、優先的に検出する。このため、本発明は、スケジュールデータに基づく交通結節点の検出を、好適に実現できる。
また、このような構成とすることで、本発明に係る外出判定システムは、生起コストの決定をデータベース参照などに基づく一意的な処理としない。このため、本発明は、生起コストの決定に係るデータ格納／参照の頻度を減らし、データベース負荷を軽減できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, when the number of characters of a traffic node indicated by a phrase is less than a predetermined number of characters, the detection means uses the number of traffic nodes within the range of the first distance from the traffic node as a variable. Determine the cost of occurrence of the phrase based on the Gaussian decay function of.
With such a configuration, among the names of a plurality of transportation hubs having a small number of characters, the transportation hub having a large number of passengers is preferentially detected. Therefore, the present invention can suitably realize the detection of a transportation hub based on schedule data.
Further, with such a configuration, the outing determination system according to the present invention does not make the determination of the occurrence cost a unique process based on a database reference or the like. Therefore, the present invention has a further technical effect that the frequency of data storage / reference related to the determination of the occurrence cost can be reduced and the database load can be reduced.
本発明の好ましい形態では、検出手段は、ユーザ交通結節点から語句が示す交通結節点までの直線距離を変数とし、第２の距離をハーフライフとする、第２のガウシアン減衰関数に基づき、当該語句の生起コストを決定する。
このような構成とすることで、スケジュールデータの入力元であるユーザの行動範囲内の交通結節点を、優先的に検出できる。このため、本発明は、スケジュールデータに基づく交通結節点の検出を、好適に実現できる。
また、このような構成とすることで、本発明に係る外出判定システムは、生起コストの決定をデータベース参照などに基づく一意的な処理としない。このため、本発明は、生起コストの決定に係るデータ格納／参照の頻度を減らし、データベース負荷を軽減できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, the detection means is based on a second Gaussian attenuation function, where the linear distance from the user traffic node to the traffic node indicated by the phrase is a variable and the second distance is half-life. Determine the cost of occurrence of a phrase.
With such a configuration, it is possible to preferentially detect a traffic node within the action range of the user who is the input source of the schedule data. Therefore, the present invention can suitably realize the detection of a transportation hub based on schedule data.
Further, with such a configuration, the outing determination system according to the present invention does not make the determination of the occurrence cost a unique process based on a database reference or the like. Therefore, the present invention has a further technical effect that the frequency of data storage / reference related to the determination of the occurrence cost can be reduced and the database load can be reduced.
本発明の好ましい形態では、深層学習モデルに基づき、外出の有無を決定する、
このような構成とすることで、本発明は、スケジュールデータの入力元であるユーザのそれぞれにおいて、高精度に最適化された、外出判定を実現できる。
また、このような構成とすることで、本発明に係る外出判定システムは、外出の有無に係る決定を、データベース参照などに基づく一意的な処理としない。このため、本発明は、当該決定に係るデータ格納／参照の頻度を減らし、データベース負荷を軽減できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, whether or not to go out is determined based on a deep learning model.
With such a configuration, the present invention can realize highly accurate optimized outing determination for each user who is the input source of the schedule data.
Further, with such a configuration, the outing determination system according to the present invention does not make the determination regarding the presence or absence of going out a unique process based on a database reference or the like. Therefore, the present invention has a further technical effect that the frequency of data storage / reference related to the determination can be reduced and the database load can be reduced.
本発明の好ましい形態では、深層学習モデルは、スケジュールデータに含まれる予定と対応する感情極性、外出性および非外出性のそれぞれと、スケジュールデータに含まれる時刻および人物のそれぞれと、検出手段により検出された交通結節点と、に係るベクトル値を入力値とし、外出可能性および非外出可能性の少なくとも１つに係るベクトル値を出力値とする。
このような構成とすることで、本発明は、スケジュールデータを構成する各種情報を多元的に取扱う、好適な外出判定のための深層学習モデルを、実現できる。
また、このような構成とすることで、本発明は、多元的なベクトル値を入力値とする深層学習モデルに基づくため、学習に係る処理時間の短縮と、当該深層学習モデルに基づく推論の精度向上と、を両立できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, the deep learning model detects the schedule and the corresponding emotional polarity, outing and non-going, each of the time and person included in the schedule data, and the detection means. The input value is the traffic node and the vector value related to the traffic node, and the output value is the vector value related to at least one of the possibility of going out and the possibility of not going out.
With such a configuration, the present invention can realize a deep learning model for a suitable outing determination that handles various information constituting the schedule data in multiple ways.
Further, with such a configuration, since the present invention is based on a deep learning model using a multidimensional vector value as an input value, the processing time related to learning can be shortened and the accuracy of inference based on the deep learning model can be shortened. It has a further technical effect of being able to achieve both improvement and improvement.
本発明の好ましい形態では、深層学習モデルは、外出または非外出を示すユーザ入力データを教師信号とする、再帰型ニューラルネットワークモデルである。
このような構成とすることで、本発明に係る外出判定システムでは、外出判定の推論結果に係る正否がユーザにより入力処理される。このとき、当該ユーザ入力データは、好ましくは、スケジュールデータの入力画面上、または、スケジュールデータの入力画面に重ねて表示された画面において、ユーザにより入力される。このため、ユーザは、簡便に教師データの入力処理を行える。本発明は、上記の効果により、外出判定の精度向上を、好適に実現できる。
また、このような構成とすることで、本発明は、簡便な教師データの入力により、外出判定の精度向上までの深層学習モデルの学習時間を短縮できる、という更なる技術的効果を奏する。
In a preferred embodiment of the present invention, the deep learning model is a recurrent neural network model in which user input data indicating going out or not going out is used as a teacher signal.
With such a configuration, in the outing determination system according to the present invention, the correctness of the inference result of the outing determination is input by the user. At this time, the user input data is preferably input by the user on the schedule data input screen or on the screen displayed superimposed on the schedule data input screen. Therefore, the user can easily input the teacher data. The present invention can suitably improve the accuracy of outing determination due to the above effects.
Further, with such a configuration, the present invention has a further technical effect that the learning time of the deep learning model until the accuracy of the outing determination is improved can be shortened by inputting the simple teacher data.
本発明の好ましい形態では、外出判定システムであって、少なくとも、ユーザ交通結節点、交通結節点、および、外出の有無に基づき、交通費を決定する精算手段を有する。
このような構成とすることで、本発明は、単なる移動経路の登録に基づかない、高精度な外出判定を含む交通費精算を、実現できる。
また、このような構成とすることで、本発明は、交通費の決定をスケジュールデータおよびデータベース参照に基づく一意的な処理としない。このため、本発明は、交通費の決定に係るデータ格納／参照の頻度を減らし、データベース負荷を軽減できる、という更なる技術的効果を、奏する。
In a preferred embodiment of the present invention, the outing determination system includes at least a user traffic hub, a traffic hub, and a settlement means for determining the transportation cost based on the presence or absence of going out.
With such a configuration, the present invention can realize transportation expense reimbursement including highly accurate outing determination, which is not based on mere registration of a movement route.
Further, with such a configuration, the present invention does not make the determination of the transportation cost a unique process based on the schedule data and the database reference. Therefore, the present invention has a further technical effect of reducing the frequency of data storage / reference related to the determination of transportation costs and reducing the database load.
本発明は、外出判定方法であって、スケジュールデータに基づき、予定、人物および交通結節点の少なくとも１つを、検出する検出ステップと、少なくとも当該交通結節点に基づき、スケジュールデータに係る外出の有無を判定する判定ステップと、をコンピュータのプロセッサに実行させる。 The present invention is an outing determination method, in which a detection step for detecting at least one of a schedule, a person, and a traffic node based on schedule data, and whether or not the schedule data is out based on at least the traffic node. To make the processor of the computer execute the determination step of determining.
本発明は、外出判定プログラムであって、コンピュータを、スケジュールデータに基づき、少なくとも交通結節点を、検出する検出手段と、少なくとも当該交通結節点に基づき、スケジュールデータに係る外出の有無を判定する判定手段と、として機能させる。 The present invention is an outing determination program for determining whether or not a computer is out of schedule data based on schedule data and at least a detection means for detecting a traffic node and at least the traffic node. Act as a means and.
本発明によれば、交通費精算のための移動経路の特定を含む外出判定が、交通機関の利用履歴を用いることなく、ユーザのスケジュールデータに基づく形態素解析ならびに機械学習により、ユーザのそれぞれに最適化され、実現される。また、過去スケジュールならびに未来スケジュールを示すスケジュールデータに基づく、外出判定が実現される。 According to the present invention, outing determination including identification of a travel route for transportation expense settlement is optimal for each user by morphological analysis and machine learning based on the user's schedule data without using the usage history of transportation. It will be realized. In addition, outing determination is realized based on schedule data indicating the past schedule and the future schedule.
以下、図面を用いて、本発明に係る外出判定システム１について説明する。なお、以下に示す実施形態は本発明の一例であり、本発明を以下の実施形態に限定するものではなく、様々な構成を採用することもできる。 Hereinafter, the outing determination system 1 according to the present invention will be described with reference to the drawings. The embodiments shown below are examples of the present invention, and the present invention is not limited to the following embodiments, and various configurations can be adopted.
例えば、本実施形態では、外出判定システム１の構成、動作などについて説明するが、同様の構成の方法、サーバ装置、コンピュータプログラム、記録媒体なども、同様の作用効果を奏することができる。また、プログラムは、記録媒体に記憶させてもよい。この記録媒体を用いれば、例えばコンピュータにプログラムをインストールすることができる。ここで、プログラムを記憶した記録媒体は、一例として、ＣＤ−ＲＯＭ等の非一過性の記録媒体であっても良い。 For example, in the present embodiment, the configuration, operation, and the like of the outing determination system 1 will be described, but a method of the same configuration, a server device, a computer program, a recording medium, and the like can also exert the same effects. Further, the program may be stored in a recording medium. Using this recording medium, for example, a program can be installed on a computer. Here, the recording medium in which the program is stored may be, for example, a non-transient recording medium such as a CD-ROM.
本発明における、外出判定システム１が利用されるサービス形態には、制限はない。 In the present invention, there is no limitation on the service form in which the outing determination system 1 is used.
また、本実施形態では、外出判定システム１に係る通知処理は、ユーザ端末２に記憶したアプリケーションを用いて行う、当該通知処理はこれに限らず、例えば、ユーザ端末２に紐付けられたメールアドレスに対して電子メールを送信する方法や、その他、ＳＭＳ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ）等、種々の方法を利用できる。 Further, in the present embodiment, the notification process related to the outing determination system 1 is performed by using the application stored in the user terminal 2. The notification process is not limited to this, and for example, the e-mail address associated with the user terminal 2. Various methods such as a method of sending an e-mail to the user and an SMS (Short Memory Service) can be used.
図１は、本実施形態に係る外出判定システム１の概要を示す図である。 FIG. 1 is a diagram showing an outline of an outing determination system 1 according to the present embodiment.
本実施形態では、スケジュールデータＳＣＬに含まれる文字列の形態素解析を行い、交通結節点または拠点の名称を検出する。外出判定システム１は、検出された当該名称を含む入力値に基づき、深層学習モデルＲＮＮに基づき学習／推論を行い、外出判定を行う。 In the present embodiment, the morphological analysis of the character string included in the schedule data SCL is performed, and the name of the traffic node or the base is detected. The outing determination system 1 performs learning / inference based on the deep learning model RNN based on the detected input value including the name, and makes an outing determination.
図２に示す通り、外出判定システム１は、ユーザ端末２およびサーバ装置３を備える。 As shown in FIG. 2, the outing determination system 1 includes a user terminal 2 and a server device 3.
本実施形態において、ユーザ端末２は、演算装置２０１と、主記憶装置２０２と、補助記憶装置２０３と、入力装置２０４と、出力装置２０５と、通信装置２０６と、相互接続のためのバスインタフェースと、を備える。サーバ装置３は、演算装置３０１と、主記憶装置３０２と、補助記憶装置３０３と、通信装置３０４と、相互接続のためのバスインタフェースと、を備える。 In the present embodiment, the user terminal 2 includes an arithmetic unit 201, a main storage device 202, an auxiliary storage device 203, an input device 204, an output device 205, a communication device 206, and a bus interface for interconnection. , Equipped with. The server device 3 includes an arithmetic unit 301, a main storage device 302, an auxiliary storage device 303, a communication device 304, and a bus interface for interconnection.
本実施形態における演算装置２０１および３０１は、命令セットを実行可能なプロセッサを備える。 The arithmetic units 201 and 301 in this embodiment include a processor capable of executing an instruction set.
本実施形態における主記憶装置２０２および３０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）を一例とする揮発性メモリを備える。 The main storage devices 202 and 302 in the present embodiment include volatile memories such as RAM (Random Access Memory) as an example.
本実施形態における補助記憶装置２０３および３０３は、一例として、不揮発性メモリを備え、その記録方式に制限はない。 As an example, the auxiliary storage devices 203 and 303 in the present embodiment include a non-volatile memory, and the recording method thereof is not limited.
本実施形態における補助記憶装置２０３には、オペレーティングシステム（ＯＳ）２００１が記録されている。 The operating system (OS) 2001 is recorded in the auxiliary storage device 203 in this embodiment.
本実施形態における補助記憶装置３０３には、オペレーティングシステム（ＯＳ）３００１と、ＯＳ３００１と協調してその機能を発揮する外出判定プログラム３００２と、入力処理を種々の経路から行うためのアプリケーションプログラミングインタフェース（ＡＰＩ）３００３と、が記録されている。 The auxiliary storage device 303 in the present embodiment includes an operating system (OS) 3001, an outing determination program 3002 that cooperates with the OS 3001 to exert its functions, and an application programming interface (API) for performing input processing from various routes. ) 3003 and is recorded.
本実施形態における入力装置２０４は、一例として、タッチパネルを備え、その入力方式に制限はない。 As an example, the input device 204 in the present embodiment includes a touch panel, and the input method is not limited.
本実施形態における出力装置２０５は、描画情報を保持するためのフレームバッファとしてビデオメモリを備え、また、ディスプレイ装置を備える。 The output device 205 in this embodiment includes a video memory as a frame buffer for holding drawing information, and also includes a display device.
本実施形態では、演算装置２０１及び主記憶装置２０２を少なくとも含む、ＳｏＣ（Ｓｙｓｔｅｍ−ｏｎ−Ｃｈｉｐ）が、ユーザ端末２に備えられている構成としてもよい。このとき、当該ＳｏＣには、一例として、特定用途に最適化された集積回路（ＡＳＩＣ：Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、が備えられる構成としてもよい。 In the present embodiment, a SoC (System-on-Chip) including at least an arithmetic unit 201 and a main storage device 202 may be provided in the user terminal 2. At this time, the SoC may be provided with, for example, an integrated circuit (ASIC: Application Specific Integrated Circuit) optimized for a specific application.
本実施形態における通信装置２０６および３０４は、無線通信を行うために用いられる。当該通信は、Ｗｉ−Ｆｉ（登録商標）等の無線通信規格に基づく。通信媒体は、電波、音波及び光波などが利用でき、その種別に制限はない。なお、本実施形態における通信装置２０６は、Ｅｔｈｅｒｎｅｔ（登録商標）を一例とする有線通信規格を用いてもよい。 The communication devices 206 and 304 in this embodiment are used to perform wireless communication. The communication is based on a wireless communication standard such as Wi-Fi (registered trademark). Radio waves, sound waves, light waves, etc. can be used as the communication medium, and there are no restrictions on the types. The communication device 206 in the present embodiment may use a wired communication standard using Ethernet (registered trademark) as an example.
外出判定システム１は、通信プロトコルにＴＣＰ／ＩＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ／Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）等を用いてデータ通信ができる。なお、ネットワークＮＷは、ＣＡＴＶ（Ｃｏｍｍｕｎｉｔｙ Ａｎｔｅｎｎａ Ｔｅｌｅｖｉｓｉｏｎ）回線や、外出体通信網、航空通信網、衛星通信網等、種々の回線を利用することができ、その通信方式に、制限はない。 The outing determination system 1 can perform data communication by using TCP / IP (Transmission Control Protocol / Internet Protocol) or the like as a communication protocol. The network NW can use various lines such as a CATV (Community Antenna Television) line, an out-of-home communication network, an aviation communication network, and a satellite communication network, and the communication method is not limited.
図３は、本実施形態における外出判定システム１のフローチャートを示す。 FIG. 3 shows a flowchart of the outing determination system 1 in the present embodiment.
本実施形態における外出判定システム１は、スケジュールデータＳＣＬの入力プロセス（ステップＳ１０）、当該スケジュールデータＳＣＬに基づく自然言語処理による、交通結節点の検出プロセス（ステップＳ２０）、深層学習モデルによる推論処理に基づく外出判定プロセス（ステップＳ３０）、外出／非外出を示すユーザ入力データを教師信号として入力処理するプロセス（ステップＳ４０）、および、スケジュールデータＳＣＬの交通費精算プロセス（ステップＳ５０）を、有する。 The outing determination system 1 in the present embodiment is used for input process of schedule data SCL (step S10), detection process of traffic node by natural language processing based on the schedule data SCL (step S20), and inference processing by deep learning model. It has an outing determination process (step S30) based on this, a process of inputting and processing user input data indicating outing / non-going as a teacher signal (step S40), and a transportation expense settlement process of schedule data SCL (step S50).
本実施形態における外出判定システム１は、登録手段１１と、検出手段１２と、判定手段１３と、精算手段１４と、を有する。検出手段１２、判定手段１３及び精算手段１４の機能は、サーバ装置３により実現される構成が好ましく、このとき、ユーザ端末２はスケジュールデータＳＣＬの入力処理と、外出判定システム１に係る表示処理と、のために用いられる。なお、登録手段１１、検出手段１２、判定手段１３および精算手段１４の少なくとも一部の機能が、ユーザ端末２により行われてもよい。 The outing determination system 1 in the present embodiment includes a registration means 11, a detection means 12, a determination means 13, and a settlement means 14. The functions of the detection means 12, the determination means 13, and the settlement means 14 are preferably configured to be realized by the server device 3. At this time, the user terminal 2 performs the input processing of the schedule data SCL and the display processing related to the outing determination system 1. Used for. In addition, at least a part of the functions of the registration means 11, the detection means 12, the determination means 13, and the settlement means 14 may be performed by the user terminal 2.
本実施形態では、スケジュールデータＳＣＬはユーザ端末２を介してサーバ装置３へ入力処理される（ステップＳ１０）。このとき、ＡＰＩ３００３を介する構成としてもよい。本実施形態におけるスケジュールデータＳＣＬは、一例として、Ｇｏｏｇｌｅ Ｃａｌｅｎｄａｒ（登録商標）においてユーザにより入力処理された過去スケジュールおよび未来スケジュールを示すテキストデータを、有する。 In the present embodiment, the schedule data SCL is input processed to the server device 3 via the user terminal 2 (step S10). At this time, the configuration may be via API 3003. The schedule data SCL in the present embodiment has, for example, text data indicating a past schedule and a future schedule input and processed by a user in Google Calendar (registered trademark).
登録手段１１は、スケジュールデータＳＣＬの入力処理のために用いられる。また、登録手段１１は、外出判定システム１における初期設定として、コンフィグデータの入力処理のために用いられる。当該コンフィグデータには、ユーザ交通結節点、ユーザ拠点、交通定期区間、勤務時間、外出性または非外出性を示す語句が含まれる。 The registration means 11 is used for input processing of the schedule data SCL. Further, the registration means 11 is used for input processing of config data as an initial setting in the outing determination system 1. The config data includes words and phrases indicating a user traffic node, a user base, a regular traffic section, working hours, and going out or not going out.
ユーザ交通結節点は、ユーザ自宅住所の最寄駅や、ユーザ勤務先住所の最寄駅が含まれる。ユーザ拠点には、ユーザ自宅住所や、ユーザ勤務先住所が含まれる。なお、当該ユーザ交通結節点およびユーザ拠点には、それぞれ、取引先や営業先の組織に対応付けられた住所の最寄駅や、住所が含まれてもよい The user traffic node includes the nearest station of the user's home address and the nearest station of the user's work address. The user base includes the user's home address and the user's work address. The user traffic node and the user base may each include the nearest station or address of the address associated with the organization of the business partner or business partner, respectively.
検出手段１２は、スケジュールデータＳＣＬに含まれる文字列（テキストデータ）の自然言語処理を行い、語句に分割する（ステップＳ２０）。当該自然言語処理は、Ｍｅｃａｂ（登録商標）を一例とする、形態素解析エンジンを用いて行われる。 The detection means 12 performs natural language processing of the character string (text data) included in the schedule data SCL and divides it into words (step S20). The natural language processing is performed using a morphological analysis engine using Mecab (registered trademark) as an example.
検出手段１２は、生起コストおよび連接コストの計算を行い、検出手段１２は、スケジュールデータＳＣＬに含まれる文字列における単語に対応付けられる生起コストと、単語間を繋ぐ品詞を含む語句に対応付けられる連接コストとに基づき、当該文字列におけるコスト総和を計算する（ステップＳ２０）。検出手段１２は、当該文字列におけるコスト総和が最大または最小となる語句および語句の組み合わせを、決定する。このとき、検出手段１２が、交通結節点のみならず、スケジュールデータＳＣＬに含まれる、予定や人物などの語句を検出することは、自明である。 The detection means 12 calculates the occurrence cost and the connection cost, and the detection means 12 is associated with the occurrence cost associated with the word in the character string included in the schedule data SCL and the phrase including the part of speech connecting the words. The total cost in the character string is calculated based on the connection cost (step S20). The detection means 12 determines a phrase and a combination of phrases that maximizes or minimizes the total cost in the character string. At this time, it is self-evident that the detection means 12 detects not only the transportation hub but also words and phrases such as a schedule and a person included in the schedule data SCL.
本実施形態では、スケジュールデータＳＣＬに含まれる交通結節点を示す単語の生起コストは、当該交通結節点の重要度スコアに基づき決定される。当該重要度スコアは、当該交通結節点から第１の距離の範囲内における交通結節点数を独立変数とする、第１のガウシアン減衰関数に基づき、決定される。このとき、当該第１の距離は、ユーザ毎に、一意的に定められる。なお、本実施形態における当該第１のガウシアン減衰関数は、線形的または指数関数的減衰の特性を有する減衰関数に代替されてもよい。 In the present embodiment, the cost of generating a word indicating a transportation hub included in the schedule data SCL is determined based on the importance score of the transportation hub. The importance score is determined based on the first Gaussian decay function with the number of traffic nodes within the range of the first distance from the traffic node as an independent variable. At this time, the first distance is uniquely determined for each user. The first Gaussian decay function in the present embodiment may be replaced with a decay function having a characteristic of linear or exponential decay.
本実施形態における交通結節点は、駅、空港、タクシー乗場、バスターミナル、インターチェンジおよびジャンクションを含む交通網と、人の往来を可能とする道路などとの結節点を示す。よって、本実施形態における交通結節点は、単一の交通手段を利用可能な交通拠点を含む。なお、当該人の往来を可能とする道路の内の、車両の往来が可能なあらゆる場所は、タクシー乗降の場として、本実施形態における交通結節点となり得る。 The transportation hub in the present embodiment indicates a transportation hub including a station, an airport, a taxi stand, a bus terminal, an interchange, and a junction, and a road that allows people to come and go. Therefore, the transportation hub in this embodiment includes a transportation hub that can use a single means of transportation. It should be noted that any place on the road where the person can come and go can be a transportation hub in the present embodiment as a place for getting on and off a taxi.
本実施形態では、交通結節点の名称と生起コストとが登録された専用辞書が、スケジュールデータＳＣＬに含まれる文字列の形態素解析において用いられる。 In the present embodiment, a dedicated dictionary in which the name of the transportation hub and the occurrence cost are registered is used in the morphological analysis of the character string included in the schedule data SCL.
本実施形態では、交通結節点の文字数に基づき、当該交通結節点の生起コストが決定される。当該生起コストは、文字数を変数とする指数関数に基づき決定される。このとき、当該生起コストは、文字数の増加に伴い、コストの絶対量が増加する。 In the present embodiment, the cost of occurrence of the transportation hub is determined based on the number of characters of the transportation hub. The occurrence cost is determined based on an exponential function with the number of characters as a variable. At this time, the absolute amount of the occurrence cost increases as the number of characters increases.
本実施形態では、語句の文字数が所定数に満たない交通結節点の名称に係る生起コストは、当該交通結節点に対応付けられる重要度スコアに基づき決定される。当該生起コストは、重要度スコアおよび補正係数に基づき、決定されてもよい。なお、補正係数は、経験的に導入される構成が好ましい。 In the present embodiment, the occurrence cost related to the name of a traffic node whose number of characters in the phrase is less than a predetermined number is determined based on the importance score associated with the traffic node. The occurrence cost may be determined based on the importance score and correction factor. It is preferable that the correction coefficient is empirically introduced.
本実施形態では、交通結節点の関連性スコアが、文字一致性および地域一致性に基づき決定される。当該関連性スコアは、当該交通結節点を示す語句に対応する生起コストの補正のために用いられる。 In this embodiment, the relevance score of a transportation hub is determined based on character matching and regional matching. The relevance score is used to correct the cost of occurrence corresponding to the phrase indicating the transportation hub.
本実施形態における文字一致性は、単語を構成する文字と、単語が示す発音と、に基づき評価される。当該文字一致性は、Ｅｌａｓｔｉｃｓｅａｒｃｈ（登録商標）により提供されるＴｅｒｍ ＦｒｅｑｕｅｎｃｙおよびＩｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙによって決定される。 The character matching in the present embodiment is evaluated based on the characters constituting the word and the pronunciation indicated by the word. The character matching is determined by the Term Frequency and Inverse Document Frequency provided by Elasticsearch®.
本実施形態における地域一致性は、ユーザ交通結節点および交通結節点の直線距離に基づき、決定される。このとき、関連性スコアは、当該直線距離を独立変数とする、第２のガウシアン減衰関数に基づき、決定される。当該第２のガウシアン減衰関数は、第２の距離をハーフライフとする。当該第２の距離は、ユーザ毎に、一意的に決定される。 The regional consistency in the present embodiment is determined based on the user traffic node and the linear distance of the traffic node. At this time, the relevance score is determined based on the second Gaussian decay function with the linear distance as the independent variable. The second Gaussian decay function has half-life as the second distance. The second distance is uniquely determined for each user.
本実施形態における交通結節点の生起コストは、直前／直後の語句に基づき補正される構成としてもよい。交通結節点を示す単語の直後に所定語句が付属する場合、当該単語の生起コストは補正される。 The cost of generating a transportation hub in the present embodiment may be corrected based on the words immediately before / immediately after. If a predetermined phrase is attached immediately after a word indicating a transportation hub, the cost of occurrence of the word is corrected.
判定手段１３は、スケジュールデータＳＣＬに基づくベクトル値を入力値とする深層学習モデルＲＮＮに基づき、外出可能性および非外出可能性の少なくとも１つに係るベクトル値を、出力値として取得し、当該出力値に基づき外出の有無を判定する（ステップＳ３０）。このとき、当該外出の有無は、外出可能性および非外出可能性のいずれかが、任意に決定された閾値を超過するか否かに基づき、決定されてもよい。また、当該外出の有無は、外出可能性を示すベクトル値および非外出可能性を示すベクトル値の大小関係に基づいて、決定されてもよい。 The determination means 13 acquires a vector value relating to at least one of the possibility of going out and the possibility of not going out as an output value based on the deep learning model RNN having a vector value based on the schedule data SCL as an input value, and outputs the vector value. The presence or absence of going out is determined based on the value (step S30). At this time, the presence or absence of the going out may be determined based on whether either the possibility of going out or the possibility of not going out exceeds an arbitrarily determined threshold value. Further, the presence or absence of going out may be determined based on the magnitude relationship between the vector value indicating the possibility of going out and the vector value indicating the possibility of going out.
図４は、本実施形態における深層学習モデルＲＮＮの概要を示す。 FIG. 4 shows an outline of the deep learning model RNN in this embodiment.
本実施形態において、深層学習モデルＲＮＮにおける入力値Ｄ１１、Ｄ１２、Ｄ１３、Ｄ１４、Ｄ１５およびＤ１６は、それぞれ、感情分析データ、交通結節点データ、外出イベントデータ、非外出イベントデータ、同席者データおよび時刻データに対応付けられる。 In the present embodiment, the input values D11, D12, D13, D14, D15 and D16 in the deep learning model RNN are sentiment analysis data, traffic node data, outing event data, non-outing event data, attendee data and time, respectively. Associated with data.
深層学習モデルＲＮＮは、入力層、中間層、状態層および出力層を有する再帰型ニューラルネットワークモデルである構成が好ましい。入力層、中間層、状態層および出力層は、１以上のニューロンを有する。一例として、入力層および出力層におけるニューロンの応答関数は、リニア関数である。また、一例として、中間層におけるニューロンの応答関数は、シグモイド関数である。入力層および出力層は、それぞれ、ベクトル値（入力値）の入力と、ベクトル値（出力値）の出力と、のために用いられる。当該中間層は、入力値および出力値に基づくフィードバック処理のために用いられ、その層数に制限はない。 The deep learning model RNN is preferably configured as a recurrent neural network model having an input layer, an intermediate layer, a state layer, and an output layer. The input layer, middle layer, state layer and output layer have one or more neurons. As an example, the neuron response functions in the input and output layers are linear functions. Also, as an example, the response function of neurons in the middle layer is the sigmoid function. The input layer and the output layer are used for the input of the vector value (input value) and the output of the vector value (output value), respectively. The intermediate layer is used for feedback processing based on input values and output values, and the number of layers is not limited.
本実施形態では、判定手段１３が、出力値および教師信号（教師データ）に基づき、学習処理を行う。当該学習処理では、フィードバック処理には、一例として、バックプロパゲーション法に準じた手法が用いられる。フィードバック処理により、ニューロン間の重み付け係数は、更新される。このとき、出力値および教師データの、例えば、差分が最小となるような重み付け係数や入力値の一部の決定を含む最適化が、最急降下法に基づき、行われる。当該最適化のための数値計算アルゴリズムは、最急降下法に限らない。 In the present embodiment, the determination means 13 performs learning processing based on the output value and the teacher signal (teacher data). In the learning process, as an example, a method based on the backpropagation method is used for the feedback process. The feedback process updates the weighting factors between neurons. At this time, optimization of the output value and the teacher data, including determination of a part of the weighting coefficient and the input value so as to minimize the difference, is performed based on the steepest descent method. The numerical calculation algorithm for the optimization is not limited to the steepest descent method.
深層学習モデルＲＮＮの状態層には、一例として、中間層に保持された情報が記憶される。本実施形態では、状態層に出力層に保持された情報が記憶される構成としてもよい。なお、本実施形態における深層学習モデルＲＮＮは、一例として、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）ネットワークである。本実施形態における、判定手段１３による外出の有無に係る決定は、学習処理が行われた後の深層学習モデルＲＮＮに基づき行われるが、外出の有無に係る決定が行われる都度、教師信号の入力が行われた場合に、適宜、学習処理は行われる。 As an example, the information held in the intermediate layer is stored in the state layer of the deep learning model RNN. In the present embodiment, the state layer may be configured to store the information held in the output layer. The deep learning model RNN in the present embodiment is, for example, an RSTM (Long Short-Term Memory) network. In the present embodiment, the determination means 13 determines whether or not to go out based on the deep learning model RNN after the learning process is performed, but each time the determination regarding whether or not to go out is made, the teacher signal is input. When is performed, the learning process is performed as appropriate.
本実施形態における感情分析データは、スケジュールデータＳＣＬに含まれる語句の感情極性を示す。具体的には、会議の語句は負の感情極性に対応し、飲み会の語句は正の感情極性に対応する。当該正および負は、それぞれ、０から１の範囲のベクトル値に対応付けられる。このとき、深層学習モデルＲＮＮに基づき、感情分析データは更新される。 The sentiment analysis data in this embodiment shows the emotional polarity of words and phrases contained in the schedule data SCL. Specifically, the words of the meeting correspond to the negative emotional polarity, and the words of the drinking party correspond to the positive emotional polarity. The positive and negative are associated with vector values in the range 0 to 1, respectively. At this time, the sentiment analysis data is updated based on the deep learning model RNN.
本実施形態における交通結節点データは、スケジュールデータＳＣＬにおいて検出手段１２により検出された交通結節点の有無または生起コストなどに基づき、決定されるベクトル値を示す。当該ベクトル値は、一例として、交通結節点の名称を示す語句が含まれる場合は１となり、交通結節点の名称を示す語句が含まれない場合は０となる。 The traffic node data in the present embodiment shows a vector value determined based on the presence / absence of a traffic node detected by the detection means 12 in the schedule data SCL, the occurrence cost, and the like. As an example, the vector value is 1 when the phrase indicating the name of the traffic node is included, and 0 when the phrase indicating the name of the traffic node is not included.
本実施形態における外出イベントのベクトル値は、スケジュールデータＳＣＬにおける、外出性を示唆する語句の有無に基づき決定される。具体的には、対象語句が出張である場合、当該ベクトル値は１となる。当該ベクトル値は、１もしくは０に限らず、外出性を強く示唆する語句である場合、＞１としてもよい。外出性を示唆する語句が複数ある場合、最大の当該ベクトル値を採用する。 The vector value of the outing event in the present embodiment is determined based on the presence or absence of a phrase suggesting outing in the schedule data SCL. Specifically, when the target phrase is a business trip, the vector value is 1. The vector value is not limited to 1 or 0, and may be> 1 when it is a phrase that strongly suggests going out. If there are multiple words that suggest going out, the maximum vector value is adopted.
本実施形態における非外出イベントのベクトル値は、スケジュールデータＳＣＬにおける、非外出性を示唆する語句の有無に基づき決定される。具体的には、対象語句が社内会議である場合、当該ベクトル値は１となる。当該ベクトル値は、１もしくは０に限らず、＞１としてもよい。非外出性を示す語句が複数ある場合、最大の当該ベクトル値を採用する。 The vector value of the non-going out event in the present embodiment is determined based on the presence or absence of a phrase suggesting non-going out in the schedule data SCL. Specifically, when the target term is an in-house meeting, the vector value is 1. The vector value is not limited to 1 or 0, and may be> 1. When there are a plurality of words indicating non-going out, the maximum vector value is adopted.
本実施形態における外出性および非外出性を示す語句のそれぞれは、コンフィグデータとして、予め、登録される。なお、当該コンフィグデータは、ユーザ入力により、都度、更新される。このとき、深層学習モデルＲＮＮに基づき、当該コンフィグデータが更新される構成としてもよい。 Each of the words and phrases indicating outing and non-going out in the present embodiment is registered in advance as config data. The config data is updated each time by user input. At this time, the config data may be updated based on the deep learning model RNN.
本実施形態における同席者データは、スケジュールデータＳＣＬにおける人物名称もしくは電子メールアドレスに対応付けられる人物情報に基づき決定されるベクトル値を示す。当該同席者データは、予め、登録され、ユーザ入力により、都度、更新される。当該ベクトル値は、０から１の範囲に限定されず、人物もしくは電子メールアドレスに固有に割り振られる構成が好ましい。 The attendant data in the present embodiment indicates a vector value determined based on the person information associated with the person name or the e-mail address in the schedule data SCL. The attendee data is registered in advance and updated each time by user input. The vector value is not limited to the range of 0 to 1, and it is preferable that the vector value is uniquely assigned to a person or an e-mail address.
本実施形態における時刻データは、ルールベースで分類された時間帯情報に対応付けられるベクトル値を指す。一例として終日、半日、午前および午後のいずれかとなり、それぞれに対応するベクトル値が、入力値として扱われる。 The time data in the present embodiment refers to a vector value associated with the time zone information classified based on the rule. As an example, it can be all-day, half-day, morning, or afternoon, and the corresponding vector values are treated as input values.
本実施形態における深層学習モデルＲＮＮに係る入力値は、少なくとも、検出手段１２により検出された交通結節点に係るベクトル値を含んでいればよく、外出の有無に係る判定の精度を確保する上で、入力値と対応するベクトルに係る次元数が、適宜、調整されることは、自明である。 The input value related to the deep learning model RNN in the present embodiment may include at least the vector value related to the traffic node detected by the detection means 12, in order to ensure the accuracy of the determination regarding the presence or absence of going out. It is self-evident that the number of dimensions related to the vector corresponding to the input value is adjusted as appropriate.
本実施形態では、判定手段１３により出力された外出判定の結果に対しユーザが正否を判断する。その後、外出／非外出を示すユーザ入力データが、ユーザにより入力処理される（ステップＳ４０）。このとき、当該ユーザ入力データを教師データとする深層学習モデルＲＮＮの学習処理が行われる。なお、本実施形態では、当該ユーザの位置情報履歴、および／または、情報記憶カードによる公共交通機関の利用履歴が、当該ユーザ入力データに加えて、深層学習モデルＲＮＮにおける教師データとして用いられてもよい。 In the present embodiment, the user determines whether or not the result of the outing determination output by the determination means 13 is correct or not. After that, the user input data indicating going out / non-going out is input processed by the user (step S40). At this time, the learning process of the deep learning model RNN using the user input data as the teacher data is performed. In the present embodiment, the location information history of the user and / or the usage history of public transportation by the information storage card may be used as teacher data in the deep learning model RNN in addition to the user input data. Good.
精算手段１４は、判定手段１３により外出が行われた旨の判定がされたスケジュールデータＳＣＬに係る、交通費の決定を行う（ステップＳ５０）。当該決定は、検出手段１２により検出された交通結節点、自宅の最寄駅、勤務先の最寄駅および定期区間に基づいて行われる。このとき、交通機関の利用料金に係る情報を含む交通料金データベースに基づき、交通費は決定される。なお、勤務時間外の移動に係る交通費の決定は、無効とする構成としてもよい。このとき、勤務時間外の移動に係る交通費は、ゼロと決定される。 The settlement means 14 determines the transportation cost related to the schedule data SCL for which the determination means 13 has determined that the person has gone out (step S50). The determination is made based on the traffic node, the nearest station at home, the nearest station at work, and the regular section detected by the detection means 12. At this time, the transportation cost is determined based on the transportation charge database including the information on the transportation charge. It should be noted that the determination of transportation expenses related to travel outside working hours may be invalidated. At this time, the transportation cost for traveling outside working hours is determined to be zero.
本実施形態における交通結節点は、拠点の名称と対応付けられる構成としてもよい。 The traffic node in the present embodiment may be configured to be associated with the name of the base.
本発明によれば、交通費精算のための外出判定が、交通機関の利用履歴を用いることなく、スケジュールデータに基づく機械学習により、実現される。 According to the present invention, the outing determination for the settlement of transportation expenses is realized by machine learning based on schedule data without using the usage history of transportation.
１ 外出判定システム
１１ 登録手段
１２ 検出手段
１３ 判定手段
１４ 精算手段
２ ユーザ端末
３ サーバ装置
２０１、３０１ 演算装置
２０２、３０２ 主記憶装置
２０３、３０３ 補助記憶装置
２０４ 入力装置
２０５ 出力装置
２０６、３０４ 通信装置
２００１、３００１ オペレーティングシステム（ＯＳ）
３００２ 外出判定プログラム
３００３ アプリケーションプログラミングインタフェース（ＡＰＩ）
Ｄ１１、Ｄ１２、Ｄ１３、Ｄ１４、Ｄ１５、Ｄ１６ 入力値
Ｄ２１、Ｄ２２ 出力値
ＮＷ ネットワーク
ＲＮＮ 深層学習モデル
Ｓ１０、Ｓ２０、Ｓ３０、Ｓ４０、Ｓ５０ ステップ
ＳＣＬ スケジュールデータ
1 Outing determination system 11 Registration means 12 Detection means 13 Judgment means 14 Settlement means 2 User terminal 3 Server device 201, 301 Arithmetic logic unit 202, 302 Main storage device 203, 303 Auxiliary storage device 204 Input device 205 Output device 206, 304 Communication device 2001, 3001 Operating System (OS)
3002 Outing judgment program 3003 Application programming interface (API)
D11, D12, D13, D14, D15, D16 Input value D21, D22 Output value NW Network RNN Deep learning model S10, S20, S30, S40, S50 Step SCL Schedule data
Claims (11)
スケジュールデータに基づき、少なくとも交通結節点を、検出する検出手段と、
少なくとも前記交通結節点に基づき、前記スケジュールデータに係る外出の有無を決定する判定手段と、
を有する、外出判定システム。 It is an outing judgment system
A detection means that detects at least a transportation hub based on schedule data,
A determination means for determining whether or not to go out related to the schedule data, at least based on the traffic node,
An outing judgment system that has.
請求項１に記載の外出判定システム。 The detection means determines the occurrence cost or the connection cost corresponding to one or more words and phrases included in the schedule data based on the schedule data, and detects the traffic node based on at least the occurrence cost.
The outing determination system according to claim 1.
請求項２に記載の外出判定システム。 The detection means determines the occurrence cost of the phrase based on an exponential function having the number of characters of the traffic node indicated by the phrase as a variable.
The outing determination system according to claim 2.
請求項２または３に記載の外出判定システム。 When the number of characters of the traffic node indicated by the phrase is less than the predetermined number of characters, the detection means has a first Gaussian decay function in which the number of traffic nodes within the range of the first distance from the traffic node is used as a variable. Determine the cost of occurrence of the phrase based on
The outing determination system according to claim 2 or 3.
請求項２〜４のいずれかに記載の外出判定システム。 The detection means is based on a second Gaussian attenuation function in which the linear distance from the user traffic node to the traffic node indicated by the phrase is a variable and the second distance is half-life, and the occurrence cost of the phrase is To decide,
The outing determination system according to any one of claims 2 to 4.
請求項１〜５のいずれかに記載の外出判定システム。 The determination means determines whether or not to go out based on the deep learning model.
The outing determination system according to any one of claims 1 to 5.
請求項６または７に記載の外出判定システム。 The deep learning model is a recursive neural network model in which user input data indicating going out or not going out is used as a teacher signal.
The outing determination system according to claim 6 or 7.
少なくとも、ユーザ交通結節点、前記交通結節点、および、前記外出の有無に基づき、交通費を決定する精算手段を有する、
請求項１〜８のいずれかに記載の外出判定システム。 It is an outing judgment system
It has at least a payment means for determining transportation expenses based on the user's transportation hub, the transportation hub, and the presence or absence of going out.
The outing determination system according to any one of claims 1 to 8.
スケジュールデータに基づき、少なくとも交通結節点を、検出する検出ステップと、
少なくとも前記交通結節点に基づき、前記スケジュールデータに係る外出の有無を判定する判定ステップと、
をコンピュータのプロセッサに実行させる、外出判定方法。 It ’s an outing judgment method.
A detection step that detects at least a transportation hub based on schedule data,
A determination step for determining whether or not to go out related to the schedule data, at least based on the traffic node, and
A method of determining when to go out, which causes the processor of the computer to execute.
スケジュールデータに基づき、少なくとも交通結節点を、検出する検出手段と、
少なくとも前記交通結節点に基づき、前記スケジュールデータに係る外出の有無を判定する判定手段と、
として機能させる、外出判定プログラム。 It is an outing judgment program, and the computer
A detection means that detects at least a transportation hub based on schedule data,
A determination means for determining whether or not to go out related to the schedule data, at least based on the traffic node,
An outing judgment program that functions as.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019066111A JP6818369B2 (en) | 2019-03-29 | 2019-03-29 | Outing judgment system, going out judgment method and going out judgment program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019066111A JP6818369B2 (en) | 2019-03-29 | 2019-03-29 | Outing judgment system, going out judgment method and going out judgment program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020166532A true JP2020166532A (en) | 2020-10-08 |
| JP6818369B2 JP6818369B2 (en) | 2021-01-20 |
Family
ID=72716199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019066111A Active JP6818369B2 (en) | 2019-03-29 | 2019-03-29 | Outing judgment system, going out judgment method and going out judgment program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6818369B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288197A (en) * | 2020-12-28 | 2021-01-29 | 盛威时代科技集团有限公司 | Intelligent scheduling method and device for station vehicles |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010055352A (en) * | 2008-08-28 | 2010-03-11 | Yahoo Japan Corp | Method of distributing advertisement relating plan information to position information |
| JP2010191486A (en) * | 2009-02-13 | 2010-09-02 | Sony Corp | Information processing apparatus, information processing method, and program |
| JP2017215721A (en) * | 2016-05-31 | 2017-12-07 | 富士ゼロックス株式会社 | Information processing device and program |
| JP2019023833A (en) * | 2017-07-25 | 2019-02-14 | 株式会社日立システムズ | Travel expense adjustment support system and method utilizing chatbot |
-
2019
- 2019-03-29 JP JP2019066111A patent/JP6818369B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010055352A (en) * | 2008-08-28 | 2010-03-11 | Yahoo Japan Corp | Method of distributing advertisement relating plan information to position information |
| JP2010191486A (en) * | 2009-02-13 | 2010-09-02 | Sony Corp | Information processing apparatus, information processing method, and program |
| JP2017215721A (en) * | 2016-05-31 | 2017-12-07 | 富士ゼロックス株式会社 | Information processing device and program |
| JP2019023833A (en) * | 2017-07-25 | 2019-02-14 | 株式会社日立システムズ | Travel expense adjustment support system and method utilizing chatbot |
Non-Patent Citations (3)
| Title |
|---|
| "ビジネスマンを「めんどくさい」から解放する", 「世界のウェブアーカイブ｜国立国会図書館インターネット資料収集保存事業」, [ONLINE], JPN6020030796, 25 March 2019 (2019-03-25), ISSN: 0004329124 * |
| "交通費精算のためのAI", 「世界のウェブアーカイブ｜国立国会図書館インターネット資料収集保存事業」, [ONLINE], JPN6020030795, 30 August 2018 (2018-08-30), ISSN: 0004329123 * |
| 西野 正彬、外３名: "あいまいな表現を含むスケジューラデータとＧＰＳデータとの時間的共起関係を利用した行動予測手法の検討", 電子情報通信学会技術研究報告, vol. 第１０９巻，第４５０号, JPN6013044806, 25 February 2010 (2010-02-25), JP, pages 73 - 78, ISSN: 0004394344 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288197A (en) * | 2020-12-28 | 2021-01-29 | 盛威时代科技集团有限公司 | Intelligent scheduling method and device for station vehicles |
| CN112288197B (en) * | 2020-12-28 | 2021-06-15 | 盛威时代科技集团有限公司 | Intelligent scheduling method and device for station vehicles |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6818369B2 (en) | 2021-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Higgins et al. | Forty years of modelling rapid transit’s land value uplift in North America: Moving beyond the tip of the iceberg | |
| JP7428219B2 (en) | Response processing method, response processing device and program | |
| Wu et al. | Forecasting tourist daily arrivals with a hybrid Sarima–Lstm approach | |
| CN111949834B (en) | Site selection method and site selection platform system | |
| US20200193382A1 (en) | Employment resource system, method and apparatus | |
| US20170013408A1 (en) | User Text Content Correlation with Location | |
| US9870596B2 (en) | Predicting community development trends | |
| US20240127136A1 (en) | Wait Time Prediction | |
| US11675821B2 (en) | Method for capturing and updating database entries of CRM system based on voice commands | |
| US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
| US20190147468A1 (en) | Location evaluation | |
| Asante | Urban governance in Ghana: the participation of traders in the redevelopment of Kotokuraba Market in Cape Coast | |
| Meyrick et al. | Culture without “world”: Australian cultural policy in the age of stupid | |
| Jang et al. | Considerations for encouraging citizen participation by information-disadvantaged groups in smart cities | |
| US20190171977A1 (en) | Using Machine Learning System to Dynamically Process Events | |
| US10922633B2 (en) | Utilizing econometric and machine learning models to maximize total returns for an entity | |
| JP6818369B2 (en) | Outing judgment system, going out judgment method and going out judgment program | |
| US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
| Voß | Bus Bunching and bus bridging: What can we learn from generative AI tools like ChatGPT? | |
| WO2021002533A1 (en) | Method and system for managing diapause assets based on machine-learning | |
| Yang et al. | Improvement of e-government service process via a grey relation agent mechanism | |
| US9053164B2 (en) | Method, system, and program product for using analysis views to identify data synchronization problems between databases | |
| US11138615B1 (en) | Location-based place attribute prediction | |
| US20230334164A1 (en) | Document redacted part displaying system, document redacted part displaying method, and program | |
| JP7350287B2 (en) | Information processing system, information processing program, information processing device, and information processing method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190607 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200825 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201022 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201201 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6818369 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |