CN102024094A - 数据处理设备、数据处理方法、以及程序 - Google Patents

数据处理设备、数据处理方法、以及程序 Download PDF

Info

Publication number
CN102024094A
CN102024094A CN2010102738657A CN201010273865A CN102024094A CN 102024094 A CN102024094 A CN 102024094A CN 2010102738657 A CN2010102738657 A CN 2010102738657A CN 201010273865 A CN201010273865 A CN 201010273865A CN 102024094 A CN102024094 A CN 102024094A
Authority
CN
China
Prior art keywords
user
state
route
destination
probability
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.)
Pending
Application number
CN2010102738657A
Other languages
English (en)
Inventor
井手直纪
伊藤真人
佐部浩太郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Publication of CN102024094A publication Critical patent/CN102024094A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种数据处理设备、数据处理方法、以及程序。所述数据处理设备包括：动作学习单元，被配置为使用用户的时序位置数据项训练以概率状态转移模型形式代表用户的活动状态的用户活动模型；动作识别单元，被配置为使用通过动作学习单元获得的用户活动模型识别用户的当前位置；动作估算单元，被配置为估算由动作识别单元识别出的当前位置起用户的可能路线以及路线的选择概率；以及行进时间估算单元，被配置为使用估算出的路线以及估算出的选择概率估算用户到达目的地的到达概率以及去往目的地的行进时间。

Description

数据处理设备、数据处理方法、以及程序
技术领域
本发明涉及数据处理设备、数据处理方法、以及程序，更具体地，涉及如下这种数据处理设备、数据处理方法、以及程序：通过使用获取的时序数据项训练代表用户活动状态的概率状态转移模型来计算到目的地的路线以及到目的地的行进时间。
背景技术
近年来，进行了很多用于使用从用户可以穿戴的可穿戴式传感器获取的时序数据项对用户的状态进行建模、学习用户状态以及使用通过学习获得的模型识别用户的当前状态的研究(参考例如日本未审查专利申请公开No.2006-134080和2008-204040以及“Life Patterns：structure fromwearable sensors”，Brian Patrick Clarkson，Doctor Thesis，MIT，2002)。
另外，本发明人此前提出了一种用于对用户在期望的未来时刻处的多个可能活动状态进行概率估算的方法作为日本专利申请No.2009-180780。在此方法中，学习用户的活动状态并使用时序数据项把用户的活动状态建模成概率状态转移模型。此后，可以使用所训练的概率状态转移模型识别当前活动状态，可以对“预定时间段”逝去之后的时间点处的用户活动状态进行概率估算。在日本专利申请No.2009-180780中，作为估算“预定时间段”逝去之后的用户活动的示例，识别用户的当前位置，估算“预定时间段”逝去之后用户的目的地(位置)。
发明内容
在一些情形中，估算预定时间段逝去之后用户的目的地(位置)。然而，在大多数情形中，目的地是预先确定的，期望获得用户到达目的地所需的路线和时间段。
然而，在日本专利申请No.2009-180780中描述的方法中，如果未设置“预定时间段”(即，自当前时刻起逝去的时间)，则难以获得用户到达目的地所需的路线和时间段。
相应地，本发明提供了如下这种数据处理设备、数据处理方法、以及程序：通过使用概率状态转移模型以及获取的时序数据项学习用户的活动状态来提供用户到达目的地的路线和行进时间。
根据本发明的一个实施例，一种数据处理设备，包括：动作学习装置，用于使用用户的时序位置数据项训练以概率状态转移模型的形式代表用户的活动状态的用户活动模型；动作识别装置，用于使用通过动作学习装置获得的用户活动模型识别用户的当前位置；动作估算装置，用于估算由动作识别装置识别出的当前位置起用户的可能路线以及路线的选择概率；以及行进时间估算装置，用于使用估算出的路线以及估算出的选择概率估算用户到达目的地的到达概率以及去往目的地的行进时间。
根据本发明的另一个实施例，提供了一种用于处理时序数据项的数据处理设备中使用的数据处理方法。所述数据处理方法包括如下步骤：使用用户的时序位置数据项训练以概率状态转移模型的形式代表用户活动状态的用户活动模型；使用通过学习获得的用户活动模型识别用户的当前位置；估算自识别出的用户当前位置起用户的可能路线以及路线的选择概率；以及使用估算出的路线以及估算出的选择概率估算用户到达目的地的到达概率以及去往目的地的行进时间。
根据本发明的又一个实施例，一种程序，包括：程序代码，用于使得计算机用作：动作学习装置，用于使用用户的时序位置数据项训练以概率状态转移模型的形式代表用户活动状态的用户活动模型；动作识别装置，用于使用通过动作学习装置获得的用户活动模型识别用户的当前位置；动作估算装置，用于估算由动作识别装置识别出的当前位置起用户的可能路线以及路线的选择概率；以及行进时间估算装置，用于使用估算出的路线以及估算出的选择概率估算用户到达目的地的到达概率以及去往目的地的行进时间。
根据本发明的实施例，使用用户的时序位置数据项训练以概率状态转移模型的形式代表用户活动状态的用户活动模型。使用通过学习获得的用户活动模型识别用户的当前位置。估算自识别出的用户当前位置起用户的可能路线以及路线的选择概率。使用估算出的路线以及估算出的选择概率估算用户到达目的地的到达概率以及去往目的地的行进时间。
根据本发明的实施例，使用时序位置数据项以概率状态转移模型的形式学习用户的活动状态，可以获得去往目的地的路线和行进时间。
附图说明
图1是示出了根据本发明第一实施例的估算系统的示范性配置的框图；
图2是示出了估算系统的示范性硬件配置的框图；
图3示出了输入到估算系统的时序数据项的示例；
图4示出了HMM的示例；
图5示出了用于语音识别的HMM的示例；
图6A和图6B示出了施加了稀疏约束的HMM的示例；
图7是动作估算单元执行的路线查找处理的示例的示意性图示；
图8是用户活动模型训练处理的流程图；
图9是行进时间估算处理的流程图；
图10是示出了根据本发明第二实施例的估算系统的示范性配置的框图；
图11是示出了图10中所示的动作学习单元的配置的第一示例的框图；
图12是示出了图10中所示的动作学习单元的配置的第二示例的框图；
图13是与图11中所示的动作状态识别子单元对应的学习器的配置的第一示例的框图；
图14示出了动作状态的类别的示例；
图15示出了提供给图13中所示的动作状态标记单元的时序移动速度数据的示例；
图16示出了提供给图13中所示的动作状态标记单元的时序移动速度数据的示例；
图17是图13中所示的动作状态学习单元的示范性配置的框图；
图18A至图18D示出了图13中所示的动作状态学习单元执行的学习的结果；
图19是与图13中所示的动作状态识别子单元对应的动作状态识别子单元的框图；
图20是与图11中所示的动作状态识别子单元对应的学习器的配置的第二示例的框图；
图21示出了动作状态标记单元执行的示范性处理；
图22示出了图20中所示的动作状态学习单元执行的学习的结果的示例；
图23是与图20中所示的动作状态学习单元对应的动作状态识别子单元的示范性配置的框图；
图24是估计去往目的地的行进时间的处理的流程图；
图25是图24中所示的流程图的续图；
图26示出了图10中所示的估算系统执行的处理的结果；
图27示出了图10中所示的估算系统执行的处理的结果；
图28示出了图10中所示的估算系统执行的处理的结果；
图29示出了图10中所示的估算系统执行的处理的结果；以及
图30是根据本发明的实施例的计算机的示范性配置的框图。
具体实施方式
下面对本发明的实施例进行描述。注意，按如下次序进行描述：
1.第一实施例(在指定目的地时估算路线和行进时间的情形)
2.第二实施例(在估算目的地之后估算路线和行进时间的情形)
1.第一实施例
根据第一实施例的估算系统的框图
图1是示出了根据本发明第一实施例的估算系统的示范性配置的框图。
估算系统1包括全球定位系统(GPS)传感器11、时序数据存储单元12、动作学习单元13、动作识别单元14、动作估算单元15、行进时间估算单元16、操作单元17、以及显示单元18。
估算系统1执行如下这种学习处理：估算系统1使用GPS传感器11获取的代表用户位置的时序数据项训练代表用户活动状态(代表动作和活动模式的状态)的概率状态转移模型。另外，估算系统1执行其中估算去往用户指定目的地的路线以及用户到达目的地所需的时间段的估算处理。
在图1中，虚线箭头代表学习处理中的数据流，实线箭头代表估算处理中的数据流。
GPS传感器11以预定时间间隔(例如，每15秒)按顺序获取GPS传感器11自身的纬度和经度。然而，在一些情形中，GPS传感器11难以以预定时间间隔获取位置数据。例如，当GPS传感器11位于隧道或地下时，GPS传感器11难以捕获从人造卫星发送的信号。因此，时间间隔会增大。在这种情形中，可以通过执行插值处理获取必要数据。
在学习处理中，GPS传感器11将位置数据(纬度和经度数据)提供给时序数据存储单元12。然而，在估算处理中，GPS传感器11将位置数据提供给动作识别单元14。
时序数据存储单元12存储GPS传感器11按顺序获取的位置数据项(即，时序位置数据项)。为了学习用户的动作和活动模式，需要一定时间段(例如，几天)的时序位置数据项。
动作学习单元13使用时序数据存储单元12中存储的时序数据项学习携带包括GPS传感器11的装置的用户的活动状态并生成概率状态转移模型。由于时序数据项代表用户的位置，因此，被学习作为概率状态转移模型的用户活动状态代表表明用户当前位置的时序改变(即，移动用户的路线)的状态。例如，可以使用诸如遍历隐马尔可夫模型(HMM)等包括隐状态的概率状态转移模型作为用于学习的概率状态转移模型。根据本实施例，使用具有稀疏约束的遍历HMM作为概率状态转移模型。注意，下面参照图4和图5以及图6A和图6B对具有稀疏约束的遍历HMM以及用于计算遍历HMM的参数的方法进行描述。
动作学习单元13把代表学习结果的数据提供给用于显示学习结果的显示单元18。另外，动作学习单元13把通过学习处理获得的概率状态转移模型的参数提供给动作识别单元14和动作估算单元15。
使用具有通过学习获得的参数的概率状态转移模型，动作识别单元14根据从GPS传感器11实时提供的时序位置数据项识别用户的当前活动状态。即，动作识别单元14识别用户的当前位置。此后，动作识别单元14把用户当前状态节点的节点号提供给动作估算单元15。
使用具有通过学习获得的参数的概率状态转移模型，动作估算单元15不多也不少地为用户查找(或估算)从动作识别单元14提供的状态节点的节点号所表明的用户当前位置起始的可能路线。另外，动作估算单元15通过计算找到路线中每个路线的出现概率估算代表选择找到路线的概率的选择概率。
行进时间估算单元16从动作估算单元15接收供用户选择的可能路线及其选择概率。另外，行进时间估算单元16从操作单元17接收关于用户指定目的地的信息。
行进时间估算单元16从用户可以选择的路线之中提取包括用户指定目的地的路线。此后，行进时间估算单元16针对路线中的每条路线估算去往目的地的行进时间。另外，行进时间估算单元16估算用户到达目的地的到达概率。如果找到允许用户到达目的地的多条路线，则行进时间估算单元16计算路线的选择概率的总和并把总和视为目的地的到达概率。如果去往目的地的路线的数量是一，则路线的选择概率与目的地的到达概率相同。此后，行进时间估算单元16把代表估算结果的信息提供给用于显示估算结果的显示单元18。
操作单元17接收关于从用户输入的目的地的信息并把信息提供给行进时间估算单元16。显示单元18显示从动作学习单元13或行进时间估算单元16提供的信息。
估算系统的示范性硬件配置
上述估算系统1例如可以具有图2中所示的硬件配置。即，图2是示出了估算系统1的示范性硬件配置的框图。
如图2中所示，估算系统1包括三个移动终端21-1至21-3以及服务器22。移动终端21-1至21-3具有同样的功能并且统称为“移动终端21”。然而，不同的用户具有移动终端21-1至21-3。相应地，虽然在图2中只示出了三个移动终端21-1至21-3，但图2中实际上存在与用户的数量相等的数目的移动终端21。
移动终端21可以经由无线通信以及使用诸如互联网等网络的通信与服务器22交换数据。服务器22接收从移动终端21发送的数据并对接收的数据执行预定处理。此后，服务器22把数据处理结果发送给移动终端21。
相应地，移动终端21和服务器22的每一个至少包括具有无线或有线通信能力的通信单元。
另外，移动终端21可以包括图1中所示的GPS传感器11、操作单元17、以及显示单元18。服务器22可以包括图1中所示的时序数据存储单元12、动作学习单元13、动作识别单元14、动作估算单元15、以及行进时间估算单元16。
在这种配置中，移动终端21在学习处理期间发送GPS传感器11获取的时序数据项。服务器22使用概率状态转移模型以及接收的学习时序数据项学习活动状态。此后，在估算处理中，移动终端21发送关于用户通过操作单元17指定的目的地的信息。另外，移动终端21发送GPS传感器11实时获取的位置数据。服务器22使用通过学习处理获得的参数识别用户的当前活动状态(即，用户的当前位置)。此外，服务器22把处理结果(即，去往指定目的地的路线以及用户到达目的地所需的时间段)发送给移动终端21。移动终端21在显示单元18上显示从服务器22发送的处理结果。
可替选地，例如，移动终端21可以包括图1中所示的GPS传感器11、动作识别单元14、动作估算单元15、行进时间估算单元16、操作单元17、以及显示单元18。服务器22可以包括图1中所示的时序数据存储单元12和动作学习单元13。
在这种配置中，移动终端21在学习处理期间发送GPS传感器11获取的时序数据项。服务器22使用概率状态转移模型以及接收的学习时序数据项学习活动状态。此后，移动终端21发送通过学习处理获得的参数。在估算处理中，移动终端21使用GPS传感器11实时获取的位置数据以及从服务器22接收的参数识别用户的当前位置。另外，移动终端21计算去往指定目的地的路线以及用户到达目的地所需的时间段。此后，移动终端21在显示单元18上显示计算结果(即，去往指定目的地的路线以及用户到达目的地所需的时间段)。
可以按照移动终端21和服务器22的每一个的数据处理能力以及通信环境确定移动终端21和服务器22的上述角色。
学习处理的逝去时间非常长。然而，并不非常频繁地执行学习处理。相应地，由于通常服务器22的处理能力强于移动终端21，所以服务器22可以大约每天一次使用累积的时序数据项执行学习处理(参数的更新)。
相反，由于期望根据实时频繁更新的位置数据高速地执行估算处理并显示结果，所以移动终端21执行估算处理。如果通信环境丰富，则如上所述，期望服务器22也执行估算处理而移动终端21只从服务器22接收估算处理的结果，这是由于可以减小施加到紧凑以用于携带的移动终端21上的负荷。
然而，当移动终端21可以高速地单独执行诸如学习处理和估算处理等数据处理时，移动终端21可以包括图1中所示的所有部件。
输入时序数据项的示例
图3示出了估算系统1获取的时序位置数据项的示例。在图3中，横坐标代表经度，纵坐标代表纬度。
图3中所示的时序数据项是实验者在大约一个半月的时段上获得的。如图3中所示，时序数据项包括关于住所附近的位置数据以及关于实验者前往的四个目的地(例如，办公室)的位置数据。注意，时序数据项包括没有位置信息的数据项，因为没有接收到来自人造卫星的信号。
在下述实验中使用图3中所示的时序数据项作为训练数据项。
遍历HMM
接下来对在估算系统1中用作学习模型的遍历HMM进行描述。
图4示出了HMM的示例。
HMM是具有状态以及状态之间转移的状态转移模型。
图4中示出了三状态HMM。
在图4(以及随后的图)中，圆圈代表状态。箭头代表状态转移。注意，状态对应于用户的上述活动状态。注意，术语“状态”与术语“状态节点”同义。
另外，在图4中，si(在图4中，i＝1、2、3)代表状态(节点)。aij代表从状态si向状态sj的状态转移概率。此外，bj(x)代表表示在发生向状态sj的状态转移时观测到观测值x的概率的输出概率密度函数。πi代表状态si为初始状态的初始概率。
注意，例如，使用混合正态概率分布作为输出概率密度函数bj(x)。
使用状态转移概率aij、输出概率密度函数bj(x)、以及初始概率πi定义定义HMM(连续HMM)。把状态转移概率aij、输出概率密度函数bj(x)、以及初始概率πi称为“HMM参数λ＝{aij，bj(x)，πi，i＝1、2、...M，j＝1、2、...M}”。M代表HMM的状态的数量。
为了估算参数λ，广泛使用Baum-Welch最大似然估计。Baum-Welch最大似然估计是基于期望最大化(EM)算法估算参数的估算方法的一个示例。
根据Baum-Welch最大似然估计，基于观测时序数据项x＝x1、x2、...xT估算HMM的参数λ，以使得根据代表观测到时序数据项的概率(时序数据项出现)的出现概率获得的似然值最大化。此处，xt代表在时刻t处观测到的信号(样本值)。T代表时序数据项的长度(样本的数量)。
例如，在“Pattern Recognition and Machine Learning(InformationScience and Statistics)”，Christopher M.Bishop，Springer，纽约，2006中描述了Baum-Welch最大似然估计。
注意，Baum-Welch最大似然估计是用于基于使似然值最大化来估算参数的方法。然而，不确保最优性。根据HMM的结构以及参数λ的初始值，参数可能只收敛为局部解。
HMM广泛用于语音识别。然而，通常，在用于语音识别的HMM中，预先确定状态的数量以及状态转移发生的方式。
图5示出了用于语音识别的HMM的示例。
将图5中所示的HMM称为“左向右HMM”。
在图5中，状态的数量为3，把状态转移约束成只限于自身转移(从状态si向状态si的状态转移)以及从左边的状态向相邻右边状态的状态转移。
与图5中所示的具有状态转移方面约束的HMM相比，图4中所示的没有状态转移方面约束的HMM(即，允许从任何状态si向任何状态sj的转移的HMM)称为“遍历HMM”。
遍历HMM是自由度最高的HMM。然而，如果状态的数量增加，则参数λ的估算变得困难。
例如，如果遍历HMM的状态的数量为1000，则遍历HMM具有一百万(＝1000×1000)个状态转移。
相应地，在这种情形中，需要估算例如参数λ的一百万个状态转移概率aij。
因此，例如，可以向针对状态设置的状态转移施加表明状态转移具有稀疏结构的约束(稀疏约束)。
如这里所使用的，术语“稀疏结构”指如下这种结构：允许自某个状态起的转移的条件是非常受限的，与密集状态转移不同，比如允许从任何状态向任何状态的转移的遍历HMM。
图6A和图6B示出了施加了稀疏约束的HMM。
在图6A和图6B中，两个状态之间的双向箭头代表从状态之一向另一状态的转移，反之亦然。另外，在图6A和图6B中，每个状态可以具有自身转移，虽然图6A和图6B中未示出表示自身转移的箭头。
在图6A和图6B中，以格状方式在二维空间中布置16个状态。即，在图6A和图6B中，在横向方向上布置四个状态，在纵向方向上布置四个状态。
令横向方向上相邻状态之间的距离为1，纵向方向上相邻状态之间的距离为1。于是，图6A示出了施加了如下稀疏约束的HMM：允许距离为1或小于1的状态转移，不允许其它状态转移。
图6B示出了施加了如下稀疏约束的HMM：允许距离为√2或小于√2的状态转移，不允许其它状态转移。
根据本实施例，GPS传感器11获取的位置数据是提供给时序数据存储单元12的时序数据x＝x1、x2...、xT。动作学习单元13使用时序数据存储单元12中存储的时序数据x＝x1、x2...、xT估算作为用户活动模型的HMM的参数λ。
即，将表示用户移动轨迹的多个时间点处的位置数据项(由纬度和经度组成的对)视为具有如下这种正态分布的概率变量的观测数据项：宽度为自图中对应于HMM的状态sj中任何一个状态的某个点起的预定方差值。动作学习单元13优化图中对应于每个状态sj和方差值的点以及该点的状态转移概率aij。
注意，可以把状态si的初始值πi设置为同一值。例如，把M个状态si的初始概率πi设置为1/M。可替选地，可以把通过对GPS传感器11获取的位置数据项执行诸如插值处理等预定处理获得的位置数据视为时序数据x＝x1、x2...、xT。此后，可以把时序数据x＝x1、x2...、xT提供给时序数据存储单元12。
动作识别单元14对通过学习获得的用户活动模型(HMM)应用维特比(Viterbi)算法并获得使被观测的GPS传感器11接收的位置数据x＝x1、x2...、xT的似然值最大化的状态转移序列(状态序列)或路径(在下文中，也把该路径称为“最大似然路径”)。以此方式，可以识别用户的当前活动状态(即，与用户的当前位置对应的状态si)。
使用维特比算法确定使出现概率最大化的路径(最大似然路径)，出现概率即通过累加如下状态转移概率aij获得的值：代表在以状态si中的每个状态为起点的状态转移路径中在时刻t从状态si向状态sj的状态转移的概率以及在沿着时序数据x的长度T的状态转移中观测到的位置数据项x＝x1、x2...、xT之中在时刻t处的样本值xt的概率。上述文件“PatternRecognition and Machine Learning(Information Science and Statistics)”中对维特比算法进行了更详细的描述。
动作估算单元执行的路径查找处理
接下来对动作估算单元15执行的示范性路径查找处理进行描述。
通过学习获得的状态si代表地图中的某些点(位置)。如果状态si与状态sj相连，则表示存在从状态si去往状态sj的路径。
在这种情形中，可以把与状态si中每个状态对应的点分类成如下中的一项：终点、通过点、分支点、以及环路。术语“终点”是指除了自身转移之外转移概率非常低(即，除了自身转移之外的概率低于或等于预定值)的点，因而，不存在从该点可以到达的下一个点。术语“通过点”是指除了自身转移之外只有一个转移的点，即，具有一个从该点可以到达的下一个点的点。术语“分支点”是指除了自身转移之外有两个转移的点，即，具有两个从该点可以到达的下一个点的点。术语“环路”是指与已经通过的路线中的点中的任何一个点相同的点。
当查找去往目的地的路线以及假如存在多条不同路线时，期望显示关于每条路线的信息(例如，用户到达目的地所需的时间段)。相应地，为了不多不少地查找可能的路线，设置如下条件：
(1)即使当路线再次分支和合并时，也把该路线视为不同的路线。
(2)如果路线中出现已经通过的路线中包括的点或者终点，则完成路线的查找。
首先，动作估算单元15把动作识别单元14识别出的用户当前活动状态(即，用户的当前位置)的下一个可能点分类成终点、通过点、分支点、以及环路中的一项。然后，动作估算单元15重复此操作，直到满足上述结束条件(2)为止。
如果把当前点分类为终点，则动作估算单元15把当前点连接到直到此点的路线并完成路线的查找。
然而，如果把当前点分类为通过点，则动作估算单元15把当前点连接到直到此点的路线并把注意力移动到下一个点。
如果把当前点分类为分支点，则动作估算单元15把当前点链接到过去行进过的路线，把过去行进过的路线复制与分支数量相等的次数并且把复制的路线链接到分支点。此后，动作估算单元15把注意力移动到分支目的地中的一个分支目的地并把该分支目的地视为下一个点。
如果把当前点分类为环路，则动作估算单元15不把当前点链接到过去行进过的路线并完成路线查找操作。注意，由于在环路的情形中包括动作估算单元15把注意力从当前点移回紧邻在前的点的情形，所以不讨论此情形。
查找处理的示例
图7是动作估算单元15执行的路线查找处理的示例的示意性图示。
在图7中所示的示例中，如果状态s1代表当前位置，则最终找到三条路线。第一路线是从状态s1经由状态s5和s6去往状态s10的路线(在下文中称为“路线A”)。第二路线是从状态s1经由状态s5、s11、s14以及s23去往状态s29的路线(在下文中称为“路线B”)。第三路线是从状态s1经由状态s5、s11、s19以及s23去往状态s29的路线(在下文中称为“路线C”)。
动作估算单元15计算选择所找到的每条路线的概率。可以通过把路线状态之间的转移概率按顺序相乘来计算每条路线的选择概率。然而，只把从某个状态向下一个状态的转移考虑在内，而无需把用户在同一位置处保持静止的情形考虑在内。相应地，可以使用通过如下方式获得的转移概率[aij]计算选择概率：从通过学习获得的每个状态的状态转移概率aij中排除自身转移概率并对状态转移概率aij进行归一化。
可以把通过从通过学习获得的每个状态的状态转移概率aij中排除自身转移概率并对状态转移概率aij进行归一化获得的转移概率[aij]表示如下：
[ a ij ] = ( 1 - δ ij ) a ij Σ j = 1 N ( 1 - δ ij ) a ij . . . ( 1 )
其中，δ代表克罗内克(Kronecker)函数，该函数如果下标i与下标j一样则返回“1”，否则返回“0”。
相应地，在例如图7中所示状态s5的状态转移概率aij方面，使自身转移概率a5，5＝0.5，转移概率a5，6＝0.2，转移概率a5，11＝0.3。继而，当把状态s5分支为状态s6或状态s11时，转移概率[a5，6]为0.4，转移概率[a5，11]为0.6。
令找到的路线中状态si的节点号i为(y1、y2、...、yn)。继而，使用归一化的转移概率[aij]，可以把路线的选择概率表示如下：
P ( y 1 , y 2 , . . . , y n ) = [ a y 1 y 2 ] [ a y 2 y 3 ] . . . [ a y n - 1 y n ]
= Π i = 1 n - 1 [ a y i - 1 y i ] . . . ( 2 )
在实践中，通过点处的归一化转移概率[aij]为1。相应地，可以通过只把分支处的归一化转移概率[aij]按顺序相乘来计算选择概率。
在图7中所示的示例中，路线A的选择概率为0.4。路线B的选择概率为0.24(＝0.6×0.4)。路线C的选择概率为0.36(＝0.6×0.6)。相应地，计算出的路线选择概率的总和为1(＝0.4+0.24+0.36)。因此，可以看出，可以执行不多不少的查找。
以此方式，把根据路线的选择概率以及当前位置查找的路线从动作估算单元15提供给行进时间估算单元16。
行进时间估算单元16从动作估算单元15找到的路线之中提取包括用户指定目的地的路线。此后，行进时间估算单元16针对提取的路线中的每条路线估算去往目的地的行进时间。
例如，在图7中，在三条找到的路线A至C之中，路线B和C包括作为目的地的状态s28。行进时间估算单元16估算经由路线B和C去往目的地状态s28的行进时间。
注意，当找到大量路线并且用户难以看到所有显示的路线或者显示路线的数量限于预定数量时，用户需要从包括目的地的所有路线之中选择要在显示单元18上显示的路线。在这种情形中，由于动作估算单元15已经计算了每条路线的选择概率，所以行进时间估算单元16可以按路线的选择概率从最高到最低的次序选择预定数量的要显示的路线。
令状态sy1表示在当前时刻t1的当前位置。令(sy1、sy2、...、syg)表示在时刻(t1、t2、...、tg)处确定的路线。即，确定的路线中状态si的节点号i为(y1、y2、...、yg)。此后，为简单起见，也用节点号i代表与位置对应的状态si。
由于通过动作识别单元14执行的识别处理确定在当前时刻t1的当前位置y1，所以在时刻t1的当前位置为y1的概率Py1(t1)是：
Py1(t1)＝1。
另外，在当前时刻t1的位置为除了位置y1之外的位置的概率是0。
可以把在给定时刻tn的位置是节点号为yn的节点的概率Pyn(tn)表示如下：
P y n ( t n ) = P y n ( t n - 1 ) A y n y n + P y n - 1 ( t n - 1 ) A y n - 1 y n . . . ( 3 )
公式(3)右侧的第一项代表当原始位置为yn时自身转移的概率。第二项代表从紧邻在前的位置yn-1向位置yn的转移的概率。与路线选择概率的计算不同，通过学习获得的状态转移概率aij直接用于公式(3)中。
使用用户在紧邻时刻tg之前的时刻tg-1位于紧邻目的地yg之前的位置yg-1并且用户在时刻tg移动到目的地yg的概率，可以把到达目的地yg的时刻tg的估计值<tg>表示如下：
&lang; t g &rang; = &Sigma; t t g ( P x g - 1 ( t g - 1 - 1 ) A x g - 1 x g &Sigma; t P x g - 1 ( t g - 1 ) A x g - 1 x g ) . . . ( 4 )
即，把估计值<tg>表示成如下时间段的期望值：从当前时刻到用户在紧邻当前时刻tg之前的时刻tg-1位于紧邻状态syg之前的状态syg-1并且用户在时刻tg移动到状态syg的时刻。
为了使用日本专利申请No.2009-180780中描述的方法获得到达目的地时刻的估计值，需要对相对于时刻t逝去了“预定时间段”之后与目的地对应的状态的状态转移概率aij进行积分。在此情形中，难以确定用于积分的时间多长。在日本专利申请No.2009-180780中描述的方法中，难以识别用户经由环路到达目的地的情形。相应地，当去往目的地的路线中存在环路并且把积分区间设置为长区间时，包括经由环路去往目的地的第二和第三到达的情形。因此，难以正确计算去往目的地的行进时间。
类似地，在使用根据本实施例的公式(4)计算到达目的地的时刻时，需要针对时间t执行积分(∑)。然而，排除了用户经由包括环路的路线到达目的地的情形。相应地，可以设置用于计算期望值的足够长的积分区间。可以把公式(4)中的积分区间设置为例如等于或者两倍于被学习路线所需的行进时间之中的最大行进时间的时间。
用户活动模型的训练处理
接下来参照图8对如下用户活动模型训练处理进行描述：训练代表用户活动状态的概率状态转移模型以学习用户行进的路线。
首先，在步骤S1中，GPS传感器11获取位置数据项并把位置数据项提供给时序数据存储单元12。
在步骤S2中，时序数据存储单元12存储GPS传感器11连续获取的位置数据项，即，时序位置数据项。
在步骤S3中，动作学习单元13使用时序数据存储单元12中存储的时序位置数据项以概率状态转移模型的形式训练用户活动模型。即，动作学习单元13使用时序数据存储单元12中存储的时序位置数据项计算概率状态转移模型(用户活动模型)的参数。
在步骤S4中，动作学习单元13把步骤S3中计算出的概率状态转移模型的参数提供给动作识别单元14和动作估算单元15。此后，完成该处理。
行进时间的估算处理
接下来对行进时间的估算处理进行描述。在估算处理中，使用通过图8中所示的用户活动模型学习处理获得的代表用户活动模型的概率状态转移模型的参数查找去往目的地的路线，并把路线所需的行进时间呈现给用户。
图9是行进时间估算处理的流程图。注意，在此示例中，在执行图9中所示的处理之前预先确定目的地。然而，可以在图9中所示的处理期间输入目的地。
首先，在步骤S21中，GPS传感器11获取时序位置数据项并把获取的时序位置数据项提供给动作识别单元14。在动作识别单元14中暂时存储预定数量的采样时序位置数据项。
在步骤S22中，动作识别单元14基于通过学习处理获得的参数使用用户活动模型识别用户的当前活动状态。即，动作识别单元14识别用户的当前位置。此后，动作识别单元14向动作估算单元15提供用户当前状态节点的节点号。
在步骤S23中，动作估算单元15确定与当前查找的状态节点(下文中也称为“当前状态节点”)对应的点是终点、通过点、分支点还是环路。紧邻执行了步骤S22中的处理之后，与用户的当前位置对应的状态节点作为当前状态节点。
如果在步骤S23中，与当前状态节点对应的点为终点，则处理进行到步骤S24，在步骤S24中，动作估算单元15把当前状态节点连接到直到当前点的路线。此后，完成此路线的查找，处理进行到步骤S31。注意，如果当前状态节点为与当前位置对应的状态节点，则不存在直到当前位置的路线。相应地，不执行连接操作。这一点对于步骤S25、S27、以及S30也适用。
然而，如果在步骤S23中，与当前状态节点对应的点为通过点，则处理进行到步骤S25，在步骤S25中，动作估算单元15把当前状态节点连接到直到当前位置的路线。此后，在步骤S26中，动作估算单元15把下一个状态节点重新定义为当前状态节点并把注意力移动到该状态节点。在完成了步骤S26中的处理之后，处理返回步骤S23。
如果在步骤S23中，与当前状态节点对应的点为分支点，则处理进行到步骤S27，在步骤S27中，动作估算单元15把当前状态节点连接到直到当前位置的路线。此后，在步骤S28中，动作估算单元15把直到当前点的路线复制与分支数量相等的次数并把复制的路线连接到作为分支目的地的状态节点。另外，在步骤S29中，动作估算单元15选择复制的路线之一并把选定路线的下一个状态节点重新定义成当前状态节点。此后，动作估算单元15把注意力移动到该节点。在完成了步骤S29中的处理之后，处理返回步骤S23。
然而，如果在步骤S23中，与当前状态节点对应的点是环路，则处理进行到步骤S30，在步骤S30中，动作估算单元15完成此路线的查找而不把当前状态节点连接到直到当前点的路线。此后，处理进行到步骤S31。
在步骤S31中，动作估算单元15确定是否存在尚未查找的路线。如果在步骤S31中，存在尚未查找的路线，则处理进行到步骤S32，在步骤S32中，动作估算单元15把注意力返回当前位置的状态节点并把尚未查找的路线中的下一个状态节点重新定义为当前节点。在完成了步骤S32中的处理之后，处理返回步骤S23。以此方式，针对尚未查找的路线，执行查找处理，直到出现终点或环路为止。
然而，如果在步骤S31中，不存在尚未查找的路线，则处理进行到步骤S33，在步骤S33中，动作估算单元15计算每条查找的路线的选择概率(出现概率)。动作估算单元15把路线及其选择概率提供给行进时间估算单元16。
在步骤S34中，行进时间估算单元16从动作估算单元15找到的路线之中提取包括输入目的地的路线。此后，行进时间估算单元16计算目的地的到达概率。更具体地，如果存在去往目的地的多条路线，则行进时间估算单元16计算路线的选择概率的总和作为目的地的到达概率。然而，如果仅存在一条去往目的地的路线，则行进时间估算单元16把路线的选择概率定义为目的地的到达概率。
在步骤S35中，行进时间估算单元16确定要显示的提取的路线的数量是否大于预定数量。
如果在步骤S35中，提取的路线的数量大于预定数量，则处理进行到步骤S36，在步骤S36中，行进时间估算单元16选择要在显示单元18上显示的预定数量的路线。例如，行进时间估算单元16可以按路线的选择概率从最高到最低的次序选择预定数量的路线。
然而，如果在步骤S35中，提取的路线的数量小于或等于预定数量，则跳过步骤S36中的处理。即，在这种情形中，在显示单元18上显示去往目的地的所有路线。
在步骤S37中，行进时间估算单元16针对选择的要在显示单元18上显示的每条路线计算去往目的地的行进时间。此后，行进时间估算单元16向显示单元18提供表示如下内容的图像的信号：目的地的到达概率、去往目的地的路线、以及针对每条路线用户到达目的地所需的时间段。
在步骤S38中，显示单元18根据从行进时间估算单元16提供的图像的信号显示目的地的到达概率、去往目的地的路线、以及针对每条路线用户到达目的地所需的行进时间。此后，完成该处理。
如上所述，在根据第一实施例的估算系统1中，执行如下学习处理：使用GPS传感器11获取的时序位置数据项学习用户的活动状态作为概率状态转移模型。然后，估算系统1使用具有通过学习处理获得的参数的概率状态转移模型估算输入目的地的到达概率、去往目的地的路线、以及用户经由路线到达目的地所需的时间段。此后，把估算出的信息呈现给用户。
相应地，根据第一实施例，估算系统1可以估算用户指定目的地的到达概率、去往目的地的路线、以及用户到达目的地所需的时间段并把估算出的信息呈现给用户。
2.第二实施例
根据第二实施例的估算系统的框图
图10是示出了根据本发明的第二实施例的估算系统的示范性配置的框图。注意，在图10中，使用同样的参考标号标注第一实施例的相应部分，并且其描述适当地不再重复(对于其它附图同样适用)。
如图10中所示，估算系统1包括GPS传感器11、速度计算单元50、时序数据存储单元51、动作学习单元52、动作识别单元53、动作估算单元54、目的地估算单元55、操作单元17、以及显示单元18。
在第一实施例中，目的地由用户指定。然而，根据第二实施例，估算系统1还使用GPS传感器11获取的时序位置数据项估算目的地。目的地的数量可以不是一。可以估算多个目的地。估算系统1计算估算目的地的到达概率、去往目的地的路线、以及用户到达目的地所需的时间段并把计算出的信息呈现给用户。
通常，用户在诸如住所、办公室、火车站、商店、或者餐馆等目的地保持某一时间段的静止。因此，用户的移动速度几乎为零。然而，如果用户在向目的地移动，则用户的移动速度以按照运输形式确定的预定模式变化。相应地，可以使用关于用户的移动速度的信息识别用户的动作状态(即，用户在目的地保持静止(静止状态)还是用户正在移动(移动状态))。因此，可以把与静止状态对应的位置估算为目的地。
速度计算单元50使用以预定间隔从GPS传感器11提供的位置数据项计算用户的移动速度。
更具体地，当把第k步中获得的位置数据项(即，第k个位置数据项)表示成时刻tk、经度yk、以及纬度xk的组合时，可以使用下式计算第k步中x方向上的移动速度vxk以及y方向上的移动速度vyk：
vx k = x k - x k - 1 t k - t k - 1 vy k = y k - y k - 1 t k - t k - 1 . . . ( 5 )
在公式(5)中，直接使用从GPS传感器11获取的纬度和经度数据。然而，可以根据需要执行将纬度和经度数据转换为距离的处理以及转换每小时的速度或者每分钟的速度的处理。
另外，使用通过公式(5)获得的移动速度vxk和vyk，速度计算单元50还可以如下计算第k步中移动速度Vk和行进方向的改变θk：
v k = vx k 2 + vy k 2 &theta; k = sin - 1 ( vx k &CenterDot; vy k - 1 - vx k - 1 &CenterDot; vy k v k &CenterDot; v k - 1 ) . . . ( 6 )
当使用公式(6)所表示的速度vk和行进方向的改变θk时，可以比使用公式(5)所表示的移动速度vxk和vyk时更好地提取特征。原因如下：
1)移动速度vxk和vyk的数据分布相对于经度轴和纬度轴偏离。相应地，即使在使用同样形式的运输(例如，火车或步行)时，如果行进方向相对于经度轴或纬度轴的角度改变，则也可能难以识别分布。然而，如果使用移动速度vk，则这种问题很少发生。
2)当只使用移动速度的绝对值|v|执行学习时，由于装置噪声的值|v|而难以区分“步行”与“静止”。通过把行进方向的改变考虑在内，可以减小噪声的影响。
3)当用户在移动时，行进方向的改变很少出现。然而，当用户保持静止时，行进方向频繁改变。相应地，通过使用行进方向的改变，容易把用户的移动与用户的“静止”区分开。
由于上述原因，根据本实施例，速度计算单元50计算公式(6)所表示的移动速度vk以及行进方向的改变θk作为移动速度的数据，并把计算出的数据连同位置数据项一起提供给时序数据存储单元12和动作识别单元53。
另外，为了去除噪声分量，速度计算单元50在计算移动速度vk和改变θk之前使用移动平均执行过滤处理(预处理)。
在下文中，行进方向的改变θk简称为“行进方向θk”。
一些类型的GPS传感器11可以输出移动速度。如果采用这种类型的GPS传感器11，则可以去掉速度计算单元50，可以直接使用从GPS传感器11输出的移动速度。
时序数据存储单元51存储从速度计算单元50输出的时序位置数据项和时序移动速度数据项。
动作学习单元52使用时序数据存储单元51中存储的时序数据项以概率状态转移模型的形式学习用户的移动轨迹和动作状态。即，动作学习单元52识别用户的当前位置并以概率状态转移模型的形式训练用户活动模型以用于估算目的地、去往目的地的路线、以及去往目的地的行进时间。
动作学习单元52把通过学习处理获得的概率状态转移模型的参数提供给动作识别单元53、动作估算单元54、以及目的地估算单元55。
动作识别单元53使用具有通过学习处理获得的参数的概率状态转移模型以及时序位置和移动速度数据项识别用户的当前位置。动作识别单元53把用户当前状态节点的节点号提供给动作估算单元54。
动作估算单元54使用具有通过学习处理获得的参数的概率状态转移模型以及当前位置不多不少地查找用户可以采取的可能路线并计算每条找到的路线的选择概率。
即，动作识别单元53和动作估算单元54分别与第一实施例的动作识别单元14和动作估算单元15类似，除了动作识别单元53和动作估算单元54额外地使用通过如下方式获得的参数：额外地使用时序移动速度数据项以及除了行进路线以外还学习动作状态。
目的地估算单元55使用具有通过学习处理获得的参数的概率状态转移模型估算用户的目的地。
更具体地，目的地估算单元55首先列出目的地的候选。目的地估算单元55选择识别出的用户动作状态为静止状态的位置作为目的地的候选。
然后，从列出的目的地候选之中，目的地估算单元55选择位于动作估算单元54找到的路线中的目的地候选作为目的地。
然后，目的地估算单元55计算选定目的地中每个目的地的到达概率。
注意，当找到大量路线以及在显示单元18上显示所有路线时，用户可能难以看到或者甚至可能显示用户前往目的地的低概率的路线。相应地，如在限制找到路线数量的第一实施例中一样，也可以限制目的地的数量，以使得只显示预定数量的到达概率高的目的地或者到达概率高于或等于预定值的目的地。注意，目的地的数量可以与路线的数量不同。
当确定了要显示的目的地时，目的地估算单元55计算经由路线去往目的地的行进时间并指示显示单元18显示行进时间。
注意，如同第一实施例一样，当找到大量去往目的地的路线时，目的地估算单元55可以使用选择概率把去往目的地的路线的数量限制为预定数量并针对要显示的路线计算行进时间。
可替选地，当找到大量去往目的地的路线时，可以按行进时间从最短到最长的次序或者按到目的地的距离从最短到最长的次序、而非使用选择概率，选择要显示的路线。当按行进时间从最短到最长的次序选择要显示的路线时，目的地估算单元55例如首先针对所有路线计算去往目的地的行进时间，然后，使用计算出的行进时间选择要显示的路线。然而，当按到从最短距离到最长的次序选择要显示的路线时，目的地估算单元55例如使用与状态节点对应的纬度和经度信息针对所有路线计算到目的地的距离，然后，使用计算出的距离选择要显示的路线。
动作学习单元的第一示范性配置
图11是示出了图10中所示动作学习单元52的第一示范性配置的框图。
动作学习单元52使用时序数据存储单元51中存储的时序位置数据项和移动速度数据项学习用户的移动轨迹和动作状态(见图10)。
动作学习单元52包括训练数据转换单元61和整合学习单元62。
训练数据转换单元61包括位置索引转换子单元71和动作状态识别子单元72。训练数据转换单元61把从时序数据存储单元51提供的位置和移动速度数据项转换为位置索引和动作数据项。此后，训练数据转换单元61把转换后的数据项提供给整合学习单元62。
把从时序数据存储单元51提供的时序位置数据项提供给位置索引转换子单元71。位置索引转换子单元71的配置可以与图1中所示动作识别单元14的配置相同。即，位置索引转换子单元71使用具有通过学习处理获得的参数的用户动作模型识别与用户的当前位置对应的用户当前活动状态。此后，位置索引转换子单元71把用户当前状态节点的节点号定义成表明位置的索引(位置索引)并把位置索引提供给整合学习单元62。
对于用于学习位置索引转换子单元71使用的参数的学习器，可以采用图1中所示的用作图1中所示的动作识别单元14的学习器的动作学习单元13的配置。
把从时序数据存储单元51提供的时序移动速度数据项提供给动作状态识别子单元72。动作状态识别子单元72使用通过学习用户动作状态获得的概率状态转移模型的参数识别与提供的移动速度数据项对应的用户动作状态。此后，动作状态识别子单元72以动作模式的形式把识别结果提供给整合学习单元62。动作状态识别子单元72识别出的用户动作状态需要至少包括静止状态和移动状态。根据本实施例，如下面参照图14所更详细描述的，动作状态识别子单元72把移动状态分类成与诸如步行、自行车、以及机动车等运输形式对应的动作模式之一。然后，动作状态识别子单元72把动作模式提供给整合学习单元62。
相应地，整合学习单元62从训练数据转换单元61接收代表位置索引符号的时序离散数据项以及代表动作模式符号的时序离散数据项。
整合学习单元62使用概率状态转移模型和代表位置索引符号的时序离散数据项以及代表动作模式符号的时序离散数据项学习用户的活动状态。更具体地，整合学习单元62学习代表用户活动状态的多流HMM的参数λ。
多流HMM是按照多个不同的概率规则从转移概率与正常HMM的转移概率类似的状态节点输出数据的HMM。在多流HMM中，为每种时序数据提供参数λ之中的输出概率密度函数bj(x)。
根据本实施例，使用两种时序数据(时序位置索引数据项和时序动作模式数据项)。因而，提供两种输出概率密度函数bj(x)(即，与时序位置索引数据项对应的输出概率密度函数b1j(x)以及与时序动作模式数据项对应的输出概率密度函数b2j(x))。输出概率密度函数b1j(x)表示当多流HMM的状态节点为j时图中的索引为x的概率。输出概率密度函数b2j(x)表示当多流HMM的状态节点为j时动作模式为x的概率。相应地，在多流HMM中，在把图中的索引与动作模式相关联的情况下学习用户的活动状态(整合学习)。
更具体地，整合学习单元62学习从每个状态节点输出的位置索引的概率(表明输出哪个索引的概率)以及从每个状态节点输出动作模式的概率(表明输出哪个动作模式的概率)。通过使用通过学习处理获得的整合模型(多流HMM)，可以获得容易随机输出“静止状态”的动作模式的状态节点。此后，从识别出的状态节点获得位置索引。因此，可以识别目的地候选的位置索引。另外，可以通过使用目的地候选的位置索引所表示的纬度和经度分布识别目的地的位置。
如上所述，可以估算与观测到的动作模式为“静止状态”的概率高的状态节点对应的位置索引所表示的位置表示用户保持静止的位置。另外，如以上所注意到的，具有“静止状态”的位置通常是目的地。相应地，可以把用户保持静止的位置估算为目的地。
整合学习单元62把通过学习处理获得的代表用户活动状态的多流HMM的参数λ提供给动作识别单元53、动作估算单元54、以及目的地估算单元55。
动作学习单元的第二示范性配置
图12是示出了图10中所示动作学习单元52的第二示范性配置的框图。
如图12中所示，动作学习单元52包括训练数据转换单元61′和整合学习单元62′。
训练数据转换单元61′只包括配置与图11中所示的训练数据转换单元61的配置类似的动作状态识别子单元72。训练数据转换单元61′把从时序数据存储单元51提供的位置数据项直接提供给整合学习单元62′。然而，动作状态识别子单元72把从时序数据存储单元51提供的移动速度数据项转换成动作模式并把动作模式提供给整合学习单元62′。
在图11中所示的动作学习单元52的第一示范性配置中，把位置数据项转换成位置索引。相应地，整合学习单元62难以在学习模型(HMM)的似然值上反映表明不同状态节点之间的距离在图中小或大的信息。相反，在图12中所示的动作学习单元52的第二示范性配置中，把位置数据直接提供给整合学习单元62′。因而，可以在学习模型(HMM)的似然值上反映这种距离信息。
另外，在第一示范性配置中，需要两个阶段的学习，即，位置索引转换子单元71和动作状态识别子单元72中用户活动模型(HMM)的学习以及整合学习单元62中用户活动模型的学习。然而，在第二示范性配置中，至少不需要位置索引转换子单元71中用户活动模型的学习。因此，可以减小计算负荷。
在第一示范性配置中，把位置数据项转换成位置索引。相应地，可以转换包括位置数据的任何数据。然而，在第二示范性配置中，要转换的数据限于位置数据。因此，降低了处理的灵活性。
整合学习单元62′使用概率状态转移模型(多流HMM)、时序位置数据项、以及动作模式符号的时序离散数据学习用户的活动状态。更具体地，整合学习单元62′学习从每个状态节点输出的纬度和经度的分布参数以及动作模式的概率。
通过使用通过整合学习单元62′执行的学习处理获得的整合模型(多流HMM)，可以获得容易随机输出“静止状态”动作模式的状态节点。然后，可以使用获得的状态节点获得纬度和经度分布。此外，可以使用纬度和经度分布获得目的地的位置。
以此方式，把与观测到的动作模式为“静止状态”的概率高的状态节点对应的并且由纬度和经度分布所表示的位置估算为用户保持静止的位置。另外，如以上所注意到的，通常，具有“静止状态”的位置是目的地。相应地，可以把用户保持静止的位置估算为目的地。
接下来对如下这种学习器的示范性配置进行描述，该学习器用于学习图11和图12中所示的动作状态识别子单元72使用的用户活动模型的参数。在下文中，作为动作状态识别子单元72的学习器的示范性配置，对用于使用类别HMM(见图13)执行学习处理的学习器91A以及用于使用多流HMM执行学习处理的学习器91B进行描述。
动作状态识别子单元的学习器的第一示范性配置
图13示出了用于执行动作状态识别子单元72使用的用户活动模型的参数的学习处理的学习器91A的示范性配置。
在类别HMM中，已经识别出了要学习的教授数据所属的类别(类)，针对每个类别学习HMM的参数。
学习器91A包括移动速度数据存储单元101、动作状态标记单元102和动作状态学习单元103。
移动速度数据存储单元101存储从时序数据存储单元51(见图10)提供的时序移动速度数据项。
动作状态标记单元102为从移动速度数据存储单元101顺序提供的每个时序移动速度数据项分配标记(类别)形式的用户动作状态。动作状态标记单元102向动作状态学习单元103提供分配了动作状态的带标记移动速度数据项。例如，把如下这种数据提供给动作状态学习单元103：代表第k步中的移动速度vk和行进方向θk以及具有代表动作状态的标记M的数据。
动作状态学习单元103把从动作状态标记单元102提供的带标记移动速度数据分类成类别并针对每个类别学习用户活动模型(HMM)的参数。把针对每个类别通过学习处理获得的参数提供给图10和图11中所示的动作状态识别子单元72。
动作状态类别的示例
图14示出了在对动作状态进行分类时使用的类别的示例。
如图14中所示，把用户的动作状态分类成静止状态或移动状态。根据本实施例，如上所述，动作状态识别子单元72需要至少识别静止状态和移动状态作为用户的动作状态。相应地，需要把用户的动作状态分类成这两个状态中的一个。
此外，使用运输形式，可以把移动状态分类成如下四个类型之一：火车、机动车(包括公共汽车)、自行车、以及步行。可以把火车进一步分类成如下三个子类型之一：“特快”火车、“快速”火车、以及“慢”车。可以把机动车进一步分类成例如两个子类型：“高速路”和“一般道路”。另外，可以把步行进一步分类成三个子类型：“跑”、“正常”、以及“漫步”。
根据本实施例，如图14中所示，把用户的动作状态分类成如下类型之一：“静止”、“火车(快速)”、“火车(慢速)”、“机动车(高速路)”、“机动车(一般道路)”、“自行车”、以及“步行”。注意，无法获取动作状态“火车(特快)”的训练数据，因而，不采用类别“火车(特快)”。
应当注意，类别不限于图14中所示的上述类别。另外，由于某一运输形式移动速度的改变对于所有用户基本上一样，所以用作训练数据的时序移动速度数据项不限于要识别用户的时序移动速度数据项。
动作状态标记单元执行的示范性处理
接下来参照图15和图16对动作状态标记单元102执行的示范性处理进行描述。
图15示出了提供给动作状态标记单元102的时序移动速度数据的示例。
在图15中，以(t，v)和(t，θ)形式示出了提供给动作状态标记单元102的移动速度数据(v，θ)。在图15中，方块图(■)代表移动速度v，圆形图(●)代表行进方向θ。另外，横坐标代表时间t。右边的纵坐标代表行进方向θ，左边的纵坐标代表移动速度v。
以注释的形式示出了写在图15中时间轴下方的词语“火车(慢速)”、“步行”、以及“静止”。图15中的第一项时序数据是表示用户乘“火车(慢速)”行进时的移动速度的数据。图15中的下一项时序数据是表示用户“步行”时的移动速度的数据。图15中的下一项时序数据是表示用户“静止”时的移动速度的数据。
虽然用户采用“火车(慢速)”移动，但是火车在车站处停靠、在驶出车站时加速、而在下一个车站处停靠之前减速。由于重复此操作，所以移动速度v的曲线重复竖直摆动。注意，即使在火车停止时移动速度也不是零。这时因为使用移动平均执行了过滤处理。
相反，非常难以区分用户“步行”时移动速度的模式与用户“静止”时的模式。然而，通过使用移动平均执行过滤处理，移动速度v的模式之间的差别显著。另外，在“静止”的模式中，行进方向θ瞬间并且显著地改变。因此，容易在这两个模式之间进行区分。通过以此方式使用移动平均执行过滤处理以及以移动速度v和行进方向θ的形式代表用户的移动，可以容易地区分“步行”与“静止”。
注意，在“火车(慢速)”与“步行”之间的部分中，由于过滤处理而没有清楚地识别两者之间的切换。
图16示出了为图15中所示的时序数据项分配了标记的示例。
例如，动作状态标记单元102显示图15中所示的移动速度数据。此后，用户操作例如鼠标以把用户想要分配标记的数据部分用矩形圈起来。另外，用户使用例如键盘输入要分配给指定数据的标记。动作状态标记单元102通过为用户指定的矩形区域中包含的移动速度数据分配输入的标记执行标记处理。
在图16中，示出了由矩形区域表示的与“步行”对应的移动速度数据的示例。注意，此时，可以从指定区域中排除由于过滤处理而使动作之间的切换不清楚的区域。把时序数据项的长度设置为可以与不同动作清楚区分的时序数据项的长度。例如，可以把长度设置为大约20步(15秒×20步＝300秒)。
动作状态学习单元的示范性配置
图17是图13中所示的动作状态学习单元103的示范性配置的框图。
动作状态学习单元103包括分类器单元121和HMM学习单元1221至1227。
分类器单元121参考从动作状态标记单元102提供的带标记移动速度数据的标记并把移动速度数据提供给与标记对应的HMM学习单元1221至1227中之一。即，动作状态学习单元103包括针对每个标记(类别)的HMM学习单元122。从动作状态标记单元102提供的带标记移动速度数据按照标记分类和提供。
HMM学习单元1221至1227中的每一个使用提供的带标记移动速度数据项训练学习模型(HMM)。此后，HMM学习单元1221至1227中的每一个把通过学习处理获得的HMM的参数λ提供给图10或图11中所示的动作状态识别子单元72。
HMM学习单元1221训练针对标记“静止”的学习模型(HMM)。HMM学习单元1222训练针对标记“步行”的学习模型(HMM)。HMM学习单元1223训练针对标记“自行车”的学习模型(HMM)。HMM学习单元1224训练针对标记“火车(慢速)”的学习模型(HMM)。HMM学习单元1225训练针对标记“机动车(一般道路)”的学习模型(HMM)。HMM学习单元1226训练针对标记“火车(快速)”的学习模型(HMM)。HMM学习单元1227训练针对标记“机动车(高速路)”的学习模型(HMM)。学习的示例
图18A至图18D示出了动作状态学习单元103执行的学习的结果。
图18A示出了HMM学习单元1221执行的学习的结果，即，在标记表示“静止”时获得的学习结果。图18B示出了HMM学习单元1222执行的学习的结果，即，在标记表示“步行”时获得的学习结果。
图18C示出了HMM学习单元1223执行的学习的结果，即，在标记表示“自行车”时获得的学习结果。图18D示出了HMM学习单元1224执行的学习结果，即，在标记表示“火车(慢速)”时获得的学习结果。
在图18A至图18D中，横坐标代表移动速度v，纵坐标代表行进方向θ。图中的点表示绘制的所提供的训练数据项。图中的椭圆代表通过学习处理获得的状态节点。混合正态概率分布的分布密度相同。相应地，随着椭圆的尺寸增大，椭圆所表示的状态节点的方差增大。
如图18A中所示，具有标记“静止”的移动速度数据项集中在移动速度v在其中心为零的区域中。相反，行进方向θ遍布该区域。因此，行进方向θ的方差大。
然而，如图18B至图18D中所示，当标记表示“步行”、“自行车”、以及“火车(慢速)”时，行进方向θ的方差小。相应地，通过使用行进方向θ的方差，可以把静止状态与移动状态区分开。
在移动状态中，具有标记“步行”、“自行车”、以及“火车(慢速)”的数据区域具有不同的移动速度v，图中清楚地示出了该特性。通常，在“步行”和“自行车”的情况下，用户以恒定速度移动。然而，在“火车(慢速)”的情况下，速度频繁变化。因此，速度方向的方差大。
在图18A至图18D中，表示学习结果的椭圆具有表明上述曲线特性的形状。结果，可以看出，正确学习了每个动作状态。
动作状态识别子单元的第一示范性配置
图19是如下这种动作状态识别子单元72A的框图：为使用学习器91A学习的参数的动作状态识别子单元72。
动作状态识别子单元72A包括似然值计算子单元1411至1417以及似然值比较子单元142。
似然值计算子单元1411使用通过HMM学习单元1221执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1411计算动作状态为“静止”的似然值。
似然值计算子单元1412使用通过HMM学习单元1222执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1412计算动作状态为“步行”的似然值。
似然值计算子单元1413使用通过HMM学习单元1223执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1413计算动作状态为“自行车”的似然值。
似然值计算子单元1414使用通过HMM学习单元1224执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1414计算动作状态为“火车(慢速)”的似然值。
似然值计算子单元1415使用通过HMM学习单元1225执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1415计算动作状态为“机动车(一般道路)”的似然值。
似然值计算子单元1416使用通过HMM学习单元1226执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1416计算动作状态为“火车(快速)”的似然值。
似然值计算子单元1417使用通过HMM学习单元1227执行的学习处理获得的参数计算从时序数据存储单元51提供的时序移动速度数据项的似然值。即，似然值计算子单元1417计算动作状态为“机动车(高速路)”的似然值。
似然值比较子单元142把从似然值计算子单元1411至1417输出的似然值彼此相比较。似然值比较子单元142随后选择似然值最高的动作状态并输出所选择的动作状态作为动作模式。
动作状态识别子单元的学习器的第二示范性配置
图20是如下这种学习器91B的框图：用于使用动作状态识别子单元72中的多流HMM学习用户活动模型的参数。
学习器91A包括移动速度数据存储单元101、动作状态标记单元161和动作状态学习单元162。
动作状态标记单元161为从移动速度数据存储单元101顺序提供的每个时序移动速度数据项分配标记(动作模式)形式的用户动作状态。动作状态标记单元161向动作状态学习单元162提供时序移动速度数据(v，θ)以及与移动速度数据相关联的时序动作模式M数据。
动作状态学习单元162使用多流HMM学习用户的动作状态。多流HMM可以学习不同类型的时序数据(流)同时把不同类型的时序数据彼此相关联。动作状态学习单元162接收为连续量的、移动速度v和行进方向θ形式的时序数据项以及为离散量的时序动作模式M数据。动作状态学习单元162学习从每个状态节点输出的移动速度的分布参数以及动作模式的概率。通过使用通过学习处理获得的多流HMM，例如可以根据时序移动速度数据获得当前状态节点。此后，可以使用获得的状态节点识别动作模式。
在使用类别HMM的第一示范性配置中，七个类别需要七个HMM。相反，在多流HMM中，一个HMM足够。然而，需要基本上与第一示范性配置的七个类别中使用的状态节点的总数量相等的状态节点数量。动作状态标记单元执行的示范性处理
接下来参照图21对动作状态标记单元161执行的示范性处理进行描述。
在具有上述第一示范性配置的动作状态标记单元102中使用的标记方法中，关于运输形式改变的信息丢失。相应地，可能出现很少出现的运输形式的改变。动作状态标记单元161在不丢失关于运输形式改变的信息的情况下为移动速度数据分配表示用户动作状态的标记。
更具体地，当用户看到地点(位置)而非移动速度时，用户可以容易地识别用户在该地点的动作。相应地，动作状态标记单元161把与时序移动速度数据项对应的位置数据项呈现给用户并且允许用户为位置分配标记。因此，动作状态标记单元161为时序移动速度数据项分配表示动作状态的标记。
在图21中所示的示例中，在横坐标代表纬度以及纵坐标代表经度的图上显示与时序移动速度数据项对应的位置数据项。用户通过使用例如鼠标把与给定动作状态对应的区域用矩形圈起来。另外，用户通过使用例如键盘输入要分配给指定区域的标记。随后动作状态标记单元161将输入的标记分配给与矩形包围区域中的绘制点对应的时序移动速度数据项。
在图21中，示出了通过用矩形框包围与“火车(慢速)”和“自行车”对应的部分来选择这些部分的示例。
注意，在图21中，显示了所有的输入时序数据项。然而，如果数据项的数量大，则可以例如每20步显示数据项并且可以顺序重复对显示的数据项的标记。可替选地，用户可以准备应用以与用户阅读他们的日志并记忆过去的动作相同的方式对此前的数据项执行标记。即，标记方法不限于任何特定方法。另外，未生成数据的用户可以执行标记。
学习结果的示例
图22示出了动作状态学习单元162执行的学习的结果的示例。
在图22中，横坐标代表行进方向θ，纵坐标代表移动速度v。图中的点表明绘制的所提供的训练数据项。图中的椭圆代表通过学习处理获得的状态节点。混合正态概率分布的分布密度相同。相应地，随着椭圆尺寸的增大，椭圆所表示的状态节点的方差增大。图22中的状态节点对应于移动速度。虽然图22中未示出，但为每个状态节点附上动作节点的观测概率，执行学习处理。
动作状态识别子单元的第二示范性配置
图23是如下这种动作状态识别子单元72B的框图：为使用学习器91B学习的参数的动作状态识别子单元72。
动作状态识别子单元72B包括状态节点识别子单元181和动作模式识别子单元182。
状态节点识别子单元181使用学习器91B学习的多流HMM的参数以及从时序数据存储单元51提供的时序移动速度数据识别多流HMM的状态节点。此后，状态节点识别子单元181把当前识别出的状态节点的节点号提供给动作模式识别子单元182。
从状态节点识别子单元181识别出的状态节点之中，动作模式识别子单元182选择概率最高的动作模式作为当前动作模式并输出动作模式。
注意，在上述示例中，通过在位置索引转换子单元71和动作状态识别子单元72中生成HMM模型，把从时序数据存储单元51提供的位置数据和移动速度数据分别转换成位置索引数据和动作模式数据。
然而，通过使用除了上述方法之外的方法，可以把位置数据和移动速度数据分别转换成位置索引数据和动作模式数据。例如，可以通过使用从除了GPS传感器11以外还放置的运动传感器(例如，加速度传感器或陀螺仪传感器)输出的加速度检测结果检测用户是否移动来确定动作模式。去往目的地的行进时间的估算处理
接下来参照图24和图25对图10中所示的估算系统1执行的去往目的地的行进时间的示范性估算处理进行描述。
即，图24和图25是如下这种去往目的地的行进时间的估算处理的流程图：使用时序位置数据和时序移动速度数据估算目的地，计算去往目的地的路线和行进时间，并把计算结果呈现给用户。
图24中所示的步骤S51至S63中执行的处理与图9中所示的行进时间估算处理的步骤S21至S33中执行的处理类似，除了步骤S51中获取的时序数据用时序位置和移动速度数据代替。相应地，其描述不再重复。
通过图24中所示的步骤S51至S63中的处理，识别用户的当前位置。此后，不多不少地查找用户的所有可能路线，计算路线的选择概率。然后，处理进行到图25中所示的步骤S64。
在步骤S64中，目的地估算单元55估算用户的目的地。更具体地，目的地估算单元55首先列出目的地的候选。此后，目的地估算单元55选择用户的动作状态为“静止”状态的位置作为目的地的候选。然后，从列出的目的地候选之中，目的地估算单元55将位于动作估算单元54找到的路线中的目的地候选确定为目的地。
在步骤S65中，目的地估算单元55计算每个目的地的到达概率。即，对于具有多条路线的目的地，目的地估算单元55计算多条路线的选择概率的总和作为目的地的到达概率。如果目的地只有一条路线，则路线的选择概率作为目的地的到达概率。
在步骤S66中，目的地估算单元55确定估算出的目的地的数量是否大于预定数量。如果在步骤S66中，估算出的目的地的数量大于预定数量，则处理进行到步骤S67，在步骤S67中，目的地估算单元55选择要在显示单元18上显示的预定数量的目的地。例如，目的地估算单元55可以按目的地的到达概率从最高到最低的次序选择预定数量的目的地。
然而，如果在步骤S66中，估算出的目的地的数量小于或等于预定数量，则跳过步骤S67。即，在此情形中，在显示单元18上显示所有估算出的目的地。
在步骤S68中，目的地估算单元55从动作估算单元54查找的路线之中提取包括估算出的目的地的路线。如果估算出多个目的地，则提取去往每个估算出的目的地的路线。
在步骤S69中，目的地估算单元55判断所提取的路线的数量是否大于要呈现给用户的路线的预定数量。
如果在步骤S69中，提取的路线的数量大于预定数量，则处理进行到步骤S70，在步骤S70中，目的地估算单元55选择要在显示单元18上显示的预定数量的路线。例如，目的地估算单元55可以按路线的选择概率从最高到最低的次序选择预定数量的路线。
然而，如果在步骤S69中，提取的路线的数量小于或等于预定数量，则跳过步骤S70。即，在此情形中，在显示单元18上显示所有去往目的地的路线。
在步骤S71中，目的地估算单元55针对确定要在显示单元18上显示的每条路线计算行进时间，并向显示单元18提供表示目的地的到达概率、去往目的地的路线、以及去往目的地的行进时间的图像的信号。
在步骤S72中，显示单元18使用从目的地估算单元55提供的信号显示目的地的到达概率、去往目的地的路线、以及去往目的地的行进时间。
如上所述，根据图10中所示的估算系统1，使用时序位置数据项和时序移动速度数据项估算目的地。另外，可以计算并向用户呈现目的地的到达概率、去往目的地的路线、以及去往目的地的行进时间。
估算系统执行的处理的结果的示例
图26至图29示出了用于验证图10中所示的估算系统1执行的学习处理以及估算去往目的地的行进时间的处理的验证实验的结果的示例。注意，使用图3中所示的数据作为估算系统1执行的学习处理的训练数据。
图26示出了输入到图11中所示的位置索引转换子单元71的参数的学习结果。
在此验证实验中，状态节点的数量为400。在图26中，附在代表状态节点的椭圆上的号码表示状态节点的节点号。根据图26中所示的所学习的多流HMM，学习状态节点以使得覆盖用户的行进路线。即，可以看出，正确学习了用户的行进路线。把此状态节点的节点号输入到整合学习单元62作为位置索引。
图27示出了输入到图11中所示的动作状态识别子单元72的参数的学习结果。
在图27中，使用黑色绘制动作模式被识别为“静止”的点(位置)。另外，使用灰色绘制动作模式被识别为除了“静止”之外的模式(例如，“步行1或“火车(慢速)”)的点。
此外，在图27中，用圆形(○)表示列出为生成学习数据的实验者保持静止的位置的位置。附在圆形上的号码作为用于在位置之间进行区分的序号。
如图27中所示，通过学习处理确定的表示静止状态的位置与列出为实验者保持静止的位置的位置相同。从而，可以看出，正确学习了用户的动作状态(动作模式)。
图28示出了整合学习单元62执行的学习的结果。
虽然为简洁起见在图28中未清楚示出详细内容，但流HMM的状态节点之中“静止”的观测概率为50％或大于50％的状态节点对应于图27中所示的位置。
图29示出了使用整合学习单元62中训练的学习模型(多流HMM)执行图24和图25中所示的估算去往目的地的行进时间的处理的结果。
根据图29中所示的结果，使用当前位置，把图3中所示的要访问的目的地1至4分别估算为目的地1至4。另外，计算目的地的到达概率以及目的地的到达时间。
目的地1的到达概率为50％，去往目的地1的行进时间为35分钟。目的地2的到达概率为20％，去往目的地2的行进时间为10分钟。目的地3的到达概率为20％，去往目的地3的行进时间为25分钟。目的地4的到达概率为10％，去往目的地4的行进时间为18.2分钟。注意，用粗实线表示去往目的地1至4的路线。
相应地，图10中所示的估算系统1可以估算以用户当前位置为起点的用户的目的地并且可以进一步估算去往目的地的路线以及去往目的地的行进时间。然后，估算系统1可以把估算结果呈现给用户。
虽然已经参照使用用户动作状态估算用户目的地对以上示例进行了描述，但用于估算目的地的方法不限于此。例如，可以使用用户过去输入的目的地的位置估算目的地。
图10中所示的估算系统1可以进一步指示显示单元18显示关于到达概率最高的目的地的信息。例如，如果目的地代表火车站，则估算系统1可以使得显示单元18显示火车站的列车时刻表。如果目的地代表店铺，则估算系统1可以使得显示单元18显示关于该店铺的详细信息(例如，营业时间或低价信息)。以此方式，可以进一步提高用户的便利性。
另外，如果把对用户的动作有影响的额外时序数据项输入到图10中所示的估算系统1，则估算系统1可以执行动作的条件估算。例如，当输入星期天数(工作日/周末)的数据并且假如估算系统1执行学习处理时，在用户在一星期的不同日子采取不同动作(不同目的地)时可以估算目的地。或者，当输入时间区域(早/中/晚)的数据并且假如估算系统1执行学习处理时，在用户在不同时区中采取不同动作(不同目的地)时可以估算目的地。又或者，当输入天气(晴/多云/雨)的数据并且假如估算系统1执行学习处理时，在用户在不同天气条件中选择不同目的地时可以估算目的地。
注意，在上述实施例中，为了把移动速度转换成动作模式以及把动作模式输入到整合学习单元62或整合学习单元62′，提供了动作状态识别子单元72。然而，可以把动作状态识别子单元72用作如下独立单元，用于使用输入的移动速度识别用户是处于移动状态还是处于静止状态，如果用户处于移动状态则进一步识别用户使用的是哪种形式的运输，并且输出识别结果。在这种情形中，可以把动作状态识别子单元72的输出输入到另一应用。
不仅可以通过硬件也可以通过软件执行上述一系列处理。当通过软件执行上述一系列处理时，把软件的程序安装在计算机中。计算机的形式可以是内置于专用硬件中的计算机或者可以通过在其中安装各种程序执行各种功能的计算机(例如，通用个人计算机)。
图30是使用计算机程序执行上述一系列处理的计算机的示范性硬件配置的框图。
在计算机中，中央处理单元(CPU)201、只读存储器(ROM)202、以及随机访问存储器(RAM)203经由总线204彼此相连。
另外，输入/输出接口205连接到总线204。输入单元206、输出单元207、存储单元208、通信单元209、驱动器210、以及GPS传感器211连接到输入/输出接口205。
输入单元206包括例如键盘、鼠标、以及麦克风。输出单元207包括例如显示器和扬声器。存储单元208包括硬盘和非易失性存储器。通信单元209包括例如网络接口。驱动器210驱动可移除记录介质212，诸如磁盘、光盘、磁光盘、或者半导体存储器等。GPS传感器211对应于图1中所示的GPS传感器11。
在具有这种硬件配置的计算机中，CPU 201经由输入/输出接口205和总线204把存储单元208中存储的程序加载到RAM 203中并执行程序。以此方式，执行上述一系列处理。
计算机(CPU 201)执行的程序可以记录在例如封装介质形式的可移除记录介质212中并且可以提供给计算机。另外，可以经由诸如局域网、互联网、以及数字卫星广播等有线或无线传输介质提供程序。
通过在计算机的驱动器210中装配可移除记录介质212，可以经由输入/输出接口205把程序安装在存储单元208中。或者，程序可以经由有线或无线传输介质由通信单元209接收并且可以安装在存储单元208中。又或者，程序可以预装在ROM 202或存储单元208中。
注意，可以按上述实施例中描述的次序按顺序执行、可以并行地执行、或者可以在比如在调用程序时等适当的时间点执行计算机执行的程序。
另外，可以按实施例中描述的次序执行、可以并行地执行、或者可以在比如在调用步骤时等适当的时间点执行上述实施例的流程图中示出的步骤。
注意，如这里所使用的，术语“系统”是指多个设备的组合。
本申请包含与2009年9月9日提交于日本专利局的日本在先专利申请JP 2009-208064中公开的主题相关的主题，该日本在先专利申请JP2009-208064的全部内容通过引用合并于此。
本领域的技术人员应当理解，本发明的实施例不限于上述实施例，在不背离本发明的精神和范围的情况下可以进行各种修改。

Claims (16)

1.一种数据处理设备，包括：
动作学习装置，用于使用用户的时序位置数据项训练以概率状态转移模型形式代表所述用户的活动状态的用户活动模型；
动作识别装置，用于使用通过所述动作学习装置获得的用户活动模型识别所述用户的当前位置；
动作估算装置，用于估算由所述动作识别装置识别出的当前位置起所述用户的可能路线以及路线的选择概率；以及
行进时间估算装置，用于使用估算出的路线以及估算出的选择概率估算所述用户到达目的地的到达概率以及去往所述目的地的行进时间。
2.如权利要求1所述的数据处理设备，其中，所述动作学习装置使用隐马尔可夫模型作为用于学习所述时序数据项的概率状态转移模型并且计算隐马尔可夫模型的参数以使得使隐马尔可夫模型的似然值最大化。
3.如权利要求2所述的数据处理设备，其中，所述动作识别装置通过找到与所述用户的当前位置对应的状态节点识别所述用户的当前位置。
4.如权利要求3所述的数据处理设备，其中，所述动作估算装置通过把与所述当前位置对应的状态节点定义为路线的起点以及把允许自前一节点起的状态转移的状态节点定义为用户移动到的下一个点来查找所有可能路线，并且其中，所述动作估算装置计算查找到的路线中每条路线的选择概率。
5.如权利要求4所述的数据处理设备，其中，如果查找到的路线中出现已经穿过的路线中出现的终点或者点，则所述动作估算装置完成该路线的查找。
6.如权利要求5所述的数据处理设备，其中，所述动作估算装置通过把形成路线的各个状态节点的转移概率按顺序相乘来计算所述路线的选择概率，其中，在从通过学习处理获得的每个节点的状态转移概率中排除自身转移概率之后对转移概率进行归一化。
7.如权利要求6所述的数据处理设备，其中，如果找到去往目的地的多条路线，则所述行进时间估算装置通过计算去往所述目的地的路线的选择概率的总和来估算所述用户到达所述目的地的到达概率。
8.如权利要求6所述的数据处理设备，其中，所述行进时间估算装置把估算出的路线所需的行进时间估算为如下时间段的期望值：从当前时间点到从紧邻与所述目的地对应的状态节点之前的状态节点向与所述目的地对应的状态节点发生状态转移时。
9.如权利要求1所述的数据处理设备，其中，所述动作学习装置除了所述用户的时序位置数据项以外还使用所述用户的时序移动速度数据项训练所述用户活动模型，并且其中，所述动作识别装置进一步识别代表至少移动状态和静止状态中的一种的用户的动作状态。
10.如权利要求9所述的数据处理设备，其中，所述行进时间估算装置进一步把所述用户的动作状态代表静止状态的状态节点估算为目的地。
11.如权利要求9所述的数据处理设备，其中，所述动作学习装置预先针对每个动作状态对所述时序移动速度数据项进行分类并且学习针对被分类了的所述动作状态同一概率状态转移模型的不同参数，以及其中，所述动作识别装置从所述动作状态的用户活动模型之中选择似然值最高的动作状态作为用户的动作状态。
12.如权利要求9所述的数据处理设备，其中，所述动作学习装置训练所述概率状态转移模型以使得所述时序移动速度数据项与具有同样时间信息的相应时序用户动作状态数据项相关联，并且其中，所述动作识别装置从与所述时序移动速度数据项对应的概率状态转移模型的状态节点之中识别似然值最高的状态节点以及从所识别出的状态节点之中选择概率最高的状态节点作为用户的动作状态。
13.如权利要求9所述的数据处理设备，其中，所述动作学习装置通过使用对用户的位置和动作状态有影响的额外时序条件数据项来训练所述用户活动模型，并且其中，所述动作识别装置识别当前动作条件下所述用户的位置和动作状态。
14.一种用于处理时序数据项的数据处理设备中使用的数据处理方法，包括如下步骤：
使用用户的时序位置数据项训练以概率状态转移模型形式代表所述用户的活动状态的用户活动模型；
使用通过学习获得的所述用户活动模型识别所述用户的当前位置；
估算自识别出的用户的当前位置起用户的可能路线以及路线的选择概率；以及
使用估算出的路线以及估算出的选择概率估算所述用户到达目的地的到达概率以及去往所述目的地的行进时间。
15.一种程序，包括：
程序代码，用于使得计算机用作：动作学习装置，用于使用用户的时序位置数据项训练以概率状态转移模型形式代表所述用户的活动状态的用户活动模型；动作识别装置，用于使用通过所述动作学习装置获得的用户活动模型识别所述用户的当前位置；动作估算装置，用于估算由所述动作识别装置识别出的所述用户的当前位置起所述用户的可能路线以及路线的选择概率；以及行进时间估算装置，用于使用估算出的路线以及估算出的选择概率估算所述用户到达目的地的到达概率以及去往目的地的行进时间。
16.一种数据处理设备，包括：
动作学习单元，被配置为使用用户的时序位置数据项训练以概率状态转移模型形式代表所述用户的活动状态的用户活动模型；
动作识别单元，被配置为使用通过所述动作学习单元获得的用户活动模型识别用户的当前位置；
动作估算单元，被配置为估算由所述动作识别单元识别出的当前位置起用户的可能路线以及路线的选择概率；以及
行进时间估算单元，被配置为使用估算出的路线以及估算出的选择概率估算所述用户到达目的地的到达概率以及去往所述目的地的行进时间。
CN2010102738657A 2009-09-09 2010-09-02 数据处理设备、数据处理方法、以及程序 Pending CN102024094A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009208064A JP5495014B2 (ja) 2009-09-09 2009-09-09 データ処理装置、データ処理方法、およびプログラム
JP2009-208064 2009-09-09

Publications (1)

Publication Number Publication Date
CN102024094A true CN102024094A (zh) 2011-04-20

Family

ID=43648466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010102738657A Pending CN102024094A (zh) 2009-09-09 2010-09-02 数据处理设备、数据处理方法、以及程序

Country Status (3)

Country Link
US (1) US20110060709A1 (zh)
JP (1) JP5495014B2 (zh)
CN (1) CN102024094A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103843314A (zh) * 2011-09-16 2014-06-04 高通股份有限公司 检测移动装置正与交通工具一起乘行
CN105095681A (zh) * 2015-09-21 2015-11-25 武汉理工大学 基于积分测度随机相遇不确定性的搜救方法及系统
CN112989278A (zh) * 2019-12-12 2021-06-18 北京沃东天骏信息技术有限公司 确定状态数据的方法和装置

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5445085B2 (ja) * 2009-12-04 2014-03-19 ソニー株式会社 情報処理装置、およびプログラム
JP5994388B2 (ja) * 2012-05-23 2016-09-21 富士通株式会社 サーバ、情報処理方法及び情報処理プログラム
KR101425891B1 (ko) 2012-10-26 2014-08-01 홍익대학교 산학협력단 사용자 예측위치를 이용한 홍보 서비스 제공방법 및 이를 위한 시스템
US20140214480A1 (en) * 2013-01-30 2014-07-31 Hewlett-Packard Development Company, L.P. Determining a customer profile state
US9317415B2 (en) * 2013-06-03 2016-04-19 Google Inc. Application analytics reporting
US9267805B2 (en) * 2013-06-07 2016-02-23 Apple Inc. Modeling significant locations
US8948783B2 (en) 2013-06-28 2015-02-03 Facebook, Inc. User activity tracking system
US9125015B2 (en) 2013-06-28 2015-09-01 Facebook, Inc. User activity tracking system and device
JP6160399B2 (ja) * 2013-09-20 2017-07-12 富士通株式会社 行先情報提供プログラム、行先情報提供装置および行先情報提供方法
DE112014006117T5 (de) * 2014-01-07 2016-10-06 Asahi Kasei Kabushiki Kaisha Laufrichtung-Bestimmungsvorrichtung, Kartenabgleichvorrichtung, Laufrichtung-Bestimmungsverfahren und Programm
JP6253022B2 (ja) * 2014-06-10 2017-12-27 日本電信電話株式会社 適応的測位間隔設定システム、適応的測位間隔設定方法、行動モデル計算装置、及び行動モデル計算プログラム
CN105430032A (zh) * 2014-09-17 2016-03-23 阿里巴巴集团控股有限公司 结合终端地理位置推送信息的方法及服务器
US9984154B2 (en) * 2015-05-01 2018-05-29 Morpho Detection, Llc Systems and methods for analyzing time series data based on event transitions
US20180025283A1 (en) * 2015-05-11 2018-01-25 Sony Corporation Information processing apparatus, information processing method, and program
CN105354221A (zh) * 2015-09-30 2016-02-24 百度在线网络技术（北京）有限公司 路径查询方法及装置
JP6513557B2 (ja) * 2015-11-11 2019-05-15 日本電信電話株式会社 内部基準推定装置、方法、及びプログラム
CN107392217B (zh) * 2016-05-17 2021-01-01 上海点融信息科技有限责任公司 计算机实现的信息处理方法及装置
US11481690B2 (en) * 2016-09-16 2022-10-25 Foursquare Labs, Inc. Venue detection
JP7306513B2 (ja) * 2017-10-25 2023-07-11 日本電気株式会社 営業活動支援システム、営業活動支援方法および営業活動支援プログラム
JP7043786B2 (ja) * 2017-10-25 2022-03-30 日本電気株式会社 営業活動支援システム、営業活動支援方法および営業活動支援プログラム
CN108820042B (zh) * 2018-05-25 2020-04-10 东软集团股份有限公司 一种自动驾驶方法及装置
US11468881B2 (en) * 2019-03-29 2022-10-11 Samsung Electronics Co., Ltd. Method and system for semantic intelligent task learning and adaptive execution
US11093715B2 (en) 2019-03-29 2021-08-17 Samsung Electronics Co., Ltd. Method and system for learning and enabling commands via user demonstration
JP7342491B2 (ja) 2019-07-25 2023-09-12 オムロン株式会社 推論装置、推論方法、及び推論プログラム
CN113761996B (zh) * 2020-08-21 2023-11-07 北京京东振世信息技术有限公司 一种火灾识别方法和装置
JP2022041339A (ja) * 2020-09-01 2022-03-11 富士通株式会社 選択プログラム、情報処理装置および制御方法
US20220074751A1 (en) * 2020-09-04 2022-03-10 Here Global B.V. Method, apparatus, and system for providing an estimated time of arrival with uncertain starting location

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1629870A (zh) * 2003-06-30 2005-06-22 微软公司 用于提供用户存在性和有效性的状态和预测的方法及结构
JP2005283575A (ja) * 2004-03-05 2005-10-13 Matsushita Electric Ind Co Ltd 移動先予測装置および移動先予測方法
CN101238981A (zh) * 2007-01-12 2008-08-13 国际商业机器公司 根据三维捕获的图像流来跟踪身体运动范围的方法和系统
US20090054043A1 (en) * 2007-08-21 2009-02-26 International Business Machines Corporation Future Location Determination Using Social Networks
CN101395647A (zh) * 2006-02-28 2009-03-25 丰田自动车株式会社 物体路线预测方法、装置和程序以及自动操作系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000293506A (ja) * 1999-04-09 2000-10-20 Sony Corp 行動予測方法及びその装置
JP2001014297A (ja) * 1999-06-28 2001-01-19 Sony Corp 行動予測方法、情報提供方法及びそれらの装置
US7480617B2 (en) * 2004-09-21 2009-01-20 International Business Machines Corporation Method for likelihood computation in multi-stream HMM based speech recognition
JP4507992B2 (ja) * 2005-06-09 2010-07-21 ソニー株式会社 情報処理装置および方法、並びにプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1629870A (zh) * 2003-06-30 2005-06-22 微软公司 用于提供用户存在性和有效性的状态和预测的方法及结构
JP2005283575A (ja) * 2004-03-05 2005-10-13 Matsushita Electric Ind Co Ltd 移動先予測装置および移動先予測方法
CN101395647A (zh) * 2006-02-28 2009-03-25 丰田自动车株式会社 物体路线预测方法、装置和程序以及自动操作系统
CN101238981A (zh) * 2007-01-12 2008-08-13 国际商业机器公司 根据三维捕获的图像流来跟踪身体运动范围的方法和系统
US20090054043A1 (en) * 2007-08-21 2009-02-26 International Business Machines Corporation Future Location Determination Using Social Networks

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
REID SIMMONS ET AL: "Learning to Predict Driver Route and Destination Intent", 《PROCEEDINGS OF THE IEEE ITSC 2006, 2006 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103843314A (zh) * 2011-09-16 2014-06-04 高通股份有限公司 检测移动装置正与交通工具一起乘行
US10539586B2 (en) 2011-09-16 2020-01-21 Qualcomm Incorporated Techniques for determination of a motion state of a mobile device
CN105095681A (zh) * 2015-09-21 2015-11-25 武汉理工大学 基于积分测度随机相遇不确定性的搜救方法及系统
CN105095681B (zh) * 2015-09-21 2018-04-20 武汉理工大学 基于积分测度随机相遇不确定性的搜救方法及系统
CN112989278A (zh) * 2019-12-12 2021-06-18 北京沃东天骏信息技术有限公司 确定状态数据的方法和装置

Also Published As

Publication number Publication date
JP5495014B2 (ja) 2014-05-21
US20110060709A1 (en) 2011-03-10
JP2011059924A (ja) 2011-03-24

Similar Documents

Publication Publication Date Title
CN102024094A (zh) 数据处理设备、数据处理方法、以及程序
Dabiri et al. Inferring transportation modes from GPS trajectories using a convolutional neural network
Anda et al. Transport modelling in the age of big data
Liu et al. Physical-virtual collaboration modeling for intra-and inter-station metro ridership prediction
Liu et al. Annotating mobile phone location data with activity purposes using machine learning algorithms
US8572008B2 (en) Learning apparatus and method, prediction apparatus and method, and program
Yang et al. Travel cost inference from sparse, spatio temporally correlated time series using markov models
Yazdizadeh et al. An automated approach from GPS traces to complete trip information
CN102298608A (zh) 信息处理装置、信息处理方法和程序
Jiang et al. A destination prediction network based on spatiotemporal data for bike-sharing
Chen et al. Comprehensive predictions of tourists' next visit location based on call detail records using machine learning and deep learning methods
Li et al. Urban mobility analytics: A deep spatial–temporal product neural network for traveler attributes inference
Fang et al. Ms-net: Multi-source spatio-temporal network for traffic flow prediction
Lin et al. Clustering-learning-based long-term predictive localization in 5G-envisioned Internet of connected vehicles
CN111783895B (zh) 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质
Servizi et al. Stop detection for smartphone-based travel surveys using geo-spatial context and artificial neural networks
EP4211600A1 (en) Mobile device and system for automated transport mode recognition and corresponding method thereof
CN110598917A (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Antar et al. Recognition of human locomotion on various transportations fusing smartphone sensors
Servizi et al. Mining User Behaviour from Smartphone data: a literature review
Wang et al. Fine-grained trajectory-based travel time estimation for multi-city scenarios based on deep meta-learning
Jiang et al. A framework of travel mode identification fusing deep learning and map-matching algorithm
Baral et al. CAPS: Context aware personalized POI sequence recommender system
Fernandes et al. A deep learning approach for intelligent cockpits: learning drivers routines
Ashqar Strategic design of smart bike-sharing systems for smart cities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C05 Deemed withdrawal (patent law before 1993)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110420