CN102314474A - 信息处理装置、信息处理系统、信息处理方法和程序 - Google Patents
信息处理装置、信息处理系统、信息处理方法和程序 Download PDFInfo
- Publication number
- CN102314474A CN102314474A CN2011101688710A CN201110168871A CN102314474A CN 102314474 A CN102314474 A CN 102314474A CN 2011101688710 A CN2011101688710 A CN 2011101688710A CN 201110168871 A CN201110168871 A CN 201110168871A CN 102314474 A CN102314474 A CN 102314474A
- Authority
- CN
- China
- Prior art keywords
- information
- unit
- user
- server
- signal conditioning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/0009—Transmission of position information to remote stations
- G01S5/0018—Transmission from mobile station to base station
- G01S5/0027—Transmission from mobile station to base station of actual mobile position, i.e. position determined on mobile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/18—Information format or content conversion, e.g. adaptation by the network of the transmitted or received information for the purpose of wireless delivery to users or terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Telephonic Communication Services (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了信息处理装置、信息处理系统、信息处理方法和程序。提供的信息处理装置包括:定位单元,其获取示出定位单元的位置的纬度和经度的定位信息;发送单元,其向服务器发送时间序列日志,时间序列日志包括由定位单元获取的定位信息;接收单元,其接收示出用户的活动状态的活动模型,活动模型是通过由服务器基于时间序列日志实施的学习处理获得的;识别单元,其使用由定位单元获得的定位信息和由接收单元接收的活动模型来识别用户的当前活动状态;以及预测单元,其从由识别单元识别的用户的当前活动状态来预测用户的行为。
Description
技术领域
本发明涉及信息处理装置、信息处理系统、信息处理方法和程序。
背景技术
近年来,诸如PC或移动电话之类的信息处理装置已经可以使用GPS(全球定位系统)或移动电话网络天线等来检测位置信息并且使用这样的位置检测功能来实现各种服务。
例如,如今甚至在移动电话中都提供GPS单元,使得除了以和车载导航系统相同的方式引导用户以外,还可以提供与目的地有关的各种信息以及事件信息、优惠券等。
目前,移动电话通常通过让用户指定区域并且基于用户的区域指定来搜索周边区域信息来获得这样的信息。
例如,日本专利申请早期公开2005-315885号公报提出一种技术,其使用能够感测位置信息的诸如车载导航系统、移动电话或PDA之类的信息设备来累积用户的移动历史,从移动历史预测移动目的地,并且使用网络等来获得与预测的移动目的地有关的信息。又例如,日本专利申请早期公开2008-204040号公报提出一种技术,其使用能够检测位置信息的诸如车载导航系统或PDA之类的信息设备来向用户提供信息。
发明内容
然而,对于根据这两个专利申请早期公开2005-315885号公报和早期公开2008-204040号公报的技术,移动历史被累积,并且,已被累积的所有过去的移动历史在预测移动目的地和/或移动路线时被使用。这意味着,对于诸如移动电话之类的信息处理装置,存在这样的问题:当使用所有过去的移动历史来进行预测时,处理负荷很高。由于这样高的处理负荷,对于信息处理装置还存在降低的电池寿命的问题。另一问题还在于当预测使用所有过去的移动历史被做出时,大量存储器被使用,导致对在预测正被进行时所执行的诸如浏览或观看视频之类的其它处理的限制。
降低的电池寿命和对其它处理的限制表现出信息处理装置的功能明显受损的问题。
同时,尽管可以想得到在服务器侧执行预测处理,但是会存在这样的问题,当在信息处理装置和服务器之间的无线通信状态中存在劣化和信息处理装置进入了不可以进行通信的区域中时,不可以执行预测。
本发明是鉴于这样的问题作出的并且其目的在于提供新颖的和改进的并且能够在没有处理负荷的大的增加的情况下并且即使在无线通信状态中存在劣化时仍然能够提供用户期望的信息的信息处理装置、信息处理系统、信息处理方法和程序。
根据本发明一个实施例,提供一种信息处理装置,包括:定位单元,该定位单元获取示出定位单元的位置的纬度和经度的定位信息;发送单元,该发送单元向服务器发送时间序列日志,该时间序列日志包括由定位单元获取的定位信息;接收单元,该接收单元接收示出用户的活动状态的活动模型,该活动模型是通过由服务器基于时间序列日志实施的学习处理获得的;识别单元,该识别单元使用由定位单元获得的定位信息和由接收单元接收的活动模型来识别用户的当前活动状态;以及预测单元,该预测单元从由识别单元识别的用户的当前活动状态来预测用户的行为。
时间序列日志可以包括信息处理装置和服务器之间的无线通信的无线通信状态的信息。
发送单元可操作用于,当基于先前由接收单元接收的活动模型识别出信息处理装置和服务器之间可进行无线通信时,向服务器发送最新的时间序列日志。
接收单元可操作用于,当基于先前由接收单元接收的活动模型识别出信息处理装置和服务器之间可进行无线通信时,接收最新的活动模型。
时间序列日志可以包括信息处理装置的用户的操作信息。
该信息处理装置,还包括:信息接收单元,该信息接收单元接收基于用户的活动状态是用户所期望的并且已经由服务器使用活动模型收集的信息;以及信息确定单元,该信息确定单元使用由定位单元获取的定位信息和由信息接收单元接收的用户所期望的信息来从由信息接收单元接收的用户期望的信息中确定将被提供给该用户的信息。
信息确定单元还可以使用预测单元的预测结果,来将由信息接收单元接收的用户所期望的信息中与用户的目的地或到用户的目的地的路线上的位置有关的信息确定为将要提供给用户的信息。
时间序列日志可以包括信息处理装置和服务器之间的无线通信的无线通信状态的信息。并且,信息接收单元可操作用于,当基于先前由接收单元接收的活动模型识别出信息处理装置和服务器之间可进行无线通信时,接收最新的用户所期望的信息。
该信息处理装置还可以包括设置单元,该设置单元设置通信日程表以使得,当基于先前由接收单元接收的活动模型识别出信息处理装置和服务器之间可进行无线通信时,用户所期望的信息被获得。
接收单元可以接收获得模型,活动模型示出用户的活动状态并且已经由服务器基于时间序列日志通过学习处理而获得,该时间序列日志包括通过另一信息处理装置的定位单元获得的定位信息的。
根据本发明另一实施例,提供一种信息处理系统,包括:信息处理装置和服务器。该信息处理装置可以包括:定位单元,该定位单元获取示出定位单元的位置的纬度和经度的定位信息,发送单元,该发送单元向服务器发送时间序列日志,时间序列日志包括由定位单元获取的定位信息,接收单元,该接收单元接收示出用户的活动状态的活动模型,活动模型是通过由服务器基于时间序列日志执行的学习处理获得的,识别单元,该识别单元使用由定位单元获取的定位信息和由接收单元接收的活动模型来识别用户的当前活动状态,以及预测单元,该预测单元从由识别单元识别的用户的当前活动状态来预测用户的行为。该服务器可以包括:服务器侧接收单元,该服务器侧接收单元接收从发送单元发送的时间序列日志,学习单元,该学习单元基于由服务器侧接收单元接收的时间序列日志来学习携带信息处理装置的用户的活动状态,作为活动模型,以及服务器侧发送单元,该服务器侧发送单元将由学习单元获得的活动模型发送给信息处理装置。
根据本发明另一实施例,提供一种信息处理方法,包括以下步骤:由信息处理装置获取示出信息处理装置的位置的纬度和经度的定位信息;由信息处理装置向服务器发送时间序列日志,时间序列日志包括所获得的位置信息;由服务器接收所发送的时间序列日志;由服务器基于所接收的时间序列日志来学习携带信息处理装置的用户的活动状态,作为活动模型;由服务器将所获得的活动模型发送给信息处理装置;由信息处理装置接收所发送的活动模型;由信息处理装置使用所获得的定位信息和所接收的活动模型来识别用户的当前活动状态;由信息处理装置从用户的被识别的当前活动状态预测用户的行为。
根据本发明另一实施例,提供一种程序,使得计算机用作:定位单元,该定位单元获取示出定位单元的位置的纬度和经度的定位信息;发送单元,发送单元向服务器发送时间序列日志,时间序列日志包括由定位单元获取的定位信息;接收单元,该接收单元接收示出用户的活动状态的活动模型,活动模型是通过由服务器基于时间序列日志实施的学习处理获得的;识别单元,该识别单元使用由定位单元获得的定位信息和由接收单元接收的活动模型来识别用户的当前活动状态;以及预测单元,该预测单元从由识别单元识别的用户的当前活动状态来预测用户的行为。
根据上述本发明的实施例,可以在没有处理负荷的大的增加的情况下并且即使无线通信的网络状态恶劣,也可以提供用户所期望的信息。
附图说明
图1是示出根据本发明第一实施例的行为预测系统的总体配置的框图;
图2是示出行为预测系统的硬件配置的一个示例的框图;
图3是示出由图1中的行为预测系统执行的行为预测处理的序列图;
图4是示出根据本发明第二实施例的行为预测系统的总体配置的框图;
图5是针对图4中的行为预测系统包括一个移动终端和一个服务器的情况由行为预测系统执行的行为预测处理的序列图;
图6是针对图4中的行为预测系统包括两个移动终端和一个服务器的情况由行为预测系统执行的行为预测处理的序列图;
图7是示出根据本发明第三实施例的行为预测系统的总体配置的框图;
图8是针对图7中的行为预测系统140包括一个移动终端和一个服务器的情况由行为预测系统执行的行为预测处理的序列图;
图9是针对图7中的行为预测系统140包括两个移动终端和一个服务器的情况由行为预测系统执行的行为预测处理的序列图;
图10是用于说明时间序列日志的一个示例的示图;
图11是用于说明时间序列日志的另一示例的示图;
图12是用于说明时间序列日志的又一示例的示图;
图13是用于说明针对在步骤S118中预测的每个目的地的预测位置信息、预测到达时间信息和到达概率信息的一个示例的示图;
图14是用于说明显示单元上所显示的画面的一个示例的示图;
图15是用于说明移动终端中的显示单元上所显示的画面的一个示例的示图;
图16是用于说明经由移动终端的显示单元上的显示器显示提供给用户的信息的一个示例的示图;
图17是用于说明移动终端的显示单元上所显示的内容的示图;
图18是用于说明移动终端的显示单元上所显示的内容的示图;
图19是示出根据程序执行处理序列的计算机的硬件的示例配置的框图。
具体实施方式
以下将参考附图来详细描述本发明的优选实施例。注意,在该说明书和附图中,本质上具有相同功能和结构的结构元件用相同的标号表示,并且省略对这些结构元件的重复描述。
将以如下顺序来描述本发明的实施例:
1.行为预测系统(第一实施例)
2.行为预测系统(第二实施例)
2-1.包括一个移动终端和一个服务器的行为预测系统
2-2.包括两个移动终端和一个服务器的行为预测系统
3.行为预测系统(第三实施例)
3-1.包括一个移动终端和一个服务器的行为预测系统
3-2.包括两个移动终端和一个服务器的行为预测系统
1.行为预测系统(第一实施例)
首先,将描述根据本发明第一实施例的行为预测系统。图1是示出根据本实施例的行为预测系统的总体配置的框图。
在图1中,行为预测系统100包括定位单元202、时间序列日志存储单元302、行为学习单元304、行为识别单元204、行为预测单元206、目的地预测单元208、操作单元210和显示单元212。
行为预测系统100执行学习处理,学习处理从包括定位信息的时间序列日志学习用户的活动状态(表示行为/活动模式的状态)来作为随机状态转移模型,定位信息示出由定位单元202获取的当前位置,定位单元202是GPS感测器等。行为预测系统100实施预测处理,预测处理使用利用通过学习处理获得的参数表示的随机状态转移模型(用户活动模型)来预测用户的目的地。在此预测处理中,存在不只是一个目的地而是多个目的地被预测出的情况。行为预测系统100计算针对预测的目的地的到达概率、路线和达到时间并且向用户通知这些信息。
在图1中,用点线绘出的箭头示出学习处理中的数据的流动并且用实线绘出的箭头示出预测处理中数据的流动。
定位单元202是用于本发明的“定位单元”和“发送单元”的一个示例,并且以固定的时间间隔(例如15秒的间隔)连续地获取示出定位单元202自身的位置的纬度和经度的定位信息。注意,存在定位单元202不能以固定间隔获取定位信息的情况。例如,当定位单元202在隧道中或在地下时,存在不能捕捉卫星并且获取间隔变长的情况。在这样的情况中,可以通过执行插值处理等来补充定位信息。
在学习处理中,定位单元202向时间序列日志存储单元302提供日志,日志包括所获得的纬度和经度的定位信息。在预测处理中,定位单元202将所获得的定位信息提供给行为识别单元204。此外,在本实施例中,提供给时间序列日志存储单元302的日志条目包括由用户经由操作单元210给出的操作信息和有关移动终端200和服务器300(稍后描述)之间的通信状态的无线通信状态信息。
时间序列日志存储单元302存储日志条目,即“时间序列日志”,包括由定位单元202连续获取的所获取的定位信息、有关用户的操作的操作信息和无线通信状态信息。为了学习用户的行为/活动模式,时间序列日志需要被累积某一时段,诸如若干天。
基于时间序列日志存储单元302中所存储的时间序列日志,行为学习单元304学习携带并入了定位单元202的电器的用户的活动状态,来作为随机状态转移模型。行为学习单元304能够使用过去某一时段的日志。也可以由行为学习单元304通过应用每日遗忘系数来对学习处理中使用的日志进行加权。因为时间序列日志中所包括的时间序列中的定位信息是示出用户的位置的数据,用户的操作信息是示出用户进行的操作的数据,并且无线通信状态信息是示出无线通信的状态的数据,所以作为随机状态转移模型习得的用户的活动状态是这样的状态,该状态示出用户所采用的移动路径、在用户所采用的这样的路径上的用户操作以及沿着用户所采用的移动路径的无线网络的状态。因为可以使用例如由本申请人提交的日本专利申请早期公开2009-208064号公报中所公开的技术作为学习方法,所以这里省略对其的详细描述。作为在学习中所使用的随机状态转移模型,可以使用包括隐状态的随机状态转移模型,诸如Ergodic HMM(隐马尔科夫模型)、RNN(递归神经网络)、FNN(前馈神经网络)、SVR(支持向量回归)和RNNPB(带有参数偏置的递归神经网络)。在本实施例中,作为随机状态转移模型,使用带有稀疏约束的Ergodic HMM。注意,因为在上述日本专利申请早期公开2009-208064中公开了带有稀疏约束的ErgodicHMM、计算用于Ergodic HMM的参数的方法等,所以这里省略对它们的详细描述。
行为学习单元304将示出学习结果的数据提供给显示单元212以让学习结果被显示。行为学习单元304还将通过学习处理获得的随机状态转移模型的参数提供给行为识别单元204和行为预测单元206。
行为识别单元204是用于本发明的“接收单元”和“识别单元”的一个示例,并且使用通过学习获得的参数的随机状态转移模型来从自定位单元202实时提供的定位信息中识别用户的当前活动状态(即,用户的当前位置)。行为识别单元204将用户的当前状态节点的节点编号提供给行为预测单元206。
行为预测单元206是用于本发明的“接收单元”和“预测单元”的一个示例,并且使用通过学习获得的参数的随机状态转移模型来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线。此外,通过计算所找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是所找到的每个路线将被选择的概率。在本实施例中,行为识别单元204和行为预测单元206例如使用最大似然算法、维特比算法或BPTT(通过时间的反向传播)。
目的地预测单元208被从行为预测单元206提供用户可以采用的路线以及相应的选择概率。目的地预测单元208也可以被从操作单元210提供示出用户指明的目的地的信息。
目的地预测单元208可以使用通过学习获得的参数的随机状态转移模型来预测用户的目的地。
更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变为“访问状态”的地方设置为目的地候选。
此后,在所列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。
接着,目的地预测单元208计算针对每个确定的目的地的到达概率。
当检测到许多目的地时,存在这样的情况:显示所有这样的目的地将使得显示单元212上的显示难以观察,这是因为用户几乎没有可能去到的目的地被显示。因此,在本实施例中,以与当找到的路线的数据被缩减时相同的方式,可以缩减要显示的目的地以便以显示指定数目的具有高到达概率的目的地或仅显示到达概率是指定值或更高的目的地。注意,显示的目的地和路线的数目可以不同。
当显示的目的地已被确定时,目的地预测单元208计算到目的地的路线的相应到达时间,并且在显示单元212上显示到达时间。
注意,当存在到目的地的许多路线时,目的地预测单元208可以基于选择概率来将到该目的地的路线缩减到指定数目并仅计算所显示的路线的到达时间。
当存在到目的地的许多路线时,除了按照被选择的路线的概率的降序确定显示的路线以外,还可以按照从最短到达时间开始的顺序和/或按照从到目的地的最短距离开始的顺序来确定所显示的路线。如果从最短到达时间开始的顺序被确定为显示顺序,则目的地预测单元208例如可以首先针对到目的地的所有路线计算到达时间,并且随后基于计算出的到达时间来确定显示的路线。可替换地,如果从到目的地的最短距离开始的顺序被确定为显示顺序,则目的地预测单元208例如可以首先基于与到目的地的所有路线的状态节点相对应的纬度和经度的信息来计算到目的地的距离,并且随后基于计算出的距离来确定显示的路线。
操作单元210接收由用户输入的信息并且将信息提供给目的地预测单元208。显示单元212显示从行为学习单元304或目的地预测单元208提供的信息。
例如,如上所述地配置的行为预测系统100能够使用图2中所示的硬件配置。即,图2是示出行为预测系统100的硬件配置的一个示例的框图。
在图2中,行为预测系统100包括两个移动终端200、250和服务器300。然而,行为预测系统100可以可替换地仅包括移动终端200和服务器300。即,尽管图2中示出的行为预测系统100包括两个移动终端200、250和服务器300,但是行为预测系统100可以包括一个移动终端200和服务器300或两个移动终端200、250和服务器300。两个移动终端200、250可以是具有相同功能的移动终端,或如后所述可以是具有不同功能的移动终端。此外,移动终端200、250中的一个可以是固定终端。
移动终端200和250能够通过经由无线通信和/或诸如因特网之类的网络来传送去往或来自服务器300的数据。服务器300接收从移动终端200、250发送的数据并对接收的数据执行指定处理。服务器300随后通过移动通信等来向移动终端200和250发送这样的数据处理的处理结果。
因此,移动终端200和250以及服务器300可以至少包括执行有线通信或无线通信的通信单元。
另外,可以使用这样的配置,其中移动终端200包括图1中所示的定位单元202、行为识别单元204、行为预测单元206、目的地预测单元208、操作单元210和显示单元212,并且服务器300包括图1中示出的时间序列日志存储单元302和行为学习单元304。
当这样的配置被使用时,在学习处理中,移动终端200发送时间序列日志,时间序列日志包括由定位单元202获得的定位信息、针对用户作出的操作的操作信息和无线通信状态信息。移动终端200也可以在向服务器300发送之前将上述时间序列日志存储在移动终端200中的存储单元(未示出)中。基于接收到的用于学习目的的时间序列日志,服务器300通过随机状态转移模型的方式学习用户的活动状态并且将通过学习获得的参数发送给移动终端200。此后,在预测处理中,使用由定位单元202实时获取的定位信息和从服务器300接收的参数,移动终端200识别用户的当前位置并且还计算到(一个或多个)目的地的(一个或多个)路线和(一个或多个)时间。移动终端200随后在显示单元212上显示作为计算结果的到(一个或多个)目的地的(一个或多个)路线和(一个或多个)时间。
处理向上述移动终端200和服务器300的指派可以根据作为信息处理装置的各个设备的处理能力以及通信环境来确定。
尽管学习处理的每次迭代中所执行的处理极为耗时,但是这样的处理并不需要被非常频繁地执行。因此,可以让服务器300执行基于一天一次等地积累的时间序列日志的学习处理(即,参数的更新)。服务器300可以具有在学习处理被执行之前修正所积累的日志的功能。在此情况中,可以将所积累的日志条目排入正确的顺序并且删除已被积累的重复日志条目。
同时,对于预测处理,因为优选的是处理和显示响应于被实时地立即更新的定位信息被高速执行,所以处理在移动终端200处被执行。
接着,将描述由图1中的行为预测系统100执行的行为预测处理。图3是示出由图1中的行为预测系统100执行的行为预测处理的序列图。
在图3中,首先移动终端200获取来自定位单元202的定位信息、经由操作单元210从用户接收的操作信息以及移动终端200和服务器300之间的无线通信的无线通信状态信息(步骤S102)。
此后,移动终端200向服务器300发送包括在步骤S102中获得的定位信息、操作信息和无线通信状态信息的日志条目,或其中已经按时间序列在某一时段累积了这样的日志条目的时间序列日志(步骤S104)。图10是用于说明时间序列日志的一个示例的示图,其中日志条目包括事件信息、经度信息、纬度信息和GPS预测信息。图11是用于说明时间序列日志的另一个示例的示图,其中日志条目包括事件信息、经度信息、纬度信息、GPS精度信息和操作信息。图12是用于说明时间序列日志的另一示例的示图,其中存在日志条目包括时间信息、经度信息、纬度信息、GPS精度信息和操作信息的情况以及日志条目包括时间信息和操作信息的情况。当日志条目包括时间信息和操作信息时,可以通过使用前后的日志条目的插值处理来填充经度信息和纬度信息。
接着,服务器300的时间序列日志存储单元302存储在步骤S104中从移动终端200发送的日志条目或时间序列日志(步骤S106)。
此后,服务器300的行为学习单元304基于被存储在时间序列日志存储单元302中的时间序列日志来学习携带并入了定位单元202的移动终端200的用户的活动状态来作为随机状态转移模型(步骤S108)。
接着,服务器300的行为学习单元304向移动终端200发送通过学习处理获得的随机状态转移模型的参数(步骤S110)。
此后,移动终端200存储在步骤S110中接收的参数的随机状态转移模型(步骤S112)。
接着,移动终端200的行为识别单元204从定位单元202获取定位信息(步骤S114)。
此后,移动终端200的行为识别单元204使用通过学习获得的参数的随机状态转移模型,来从自定位单元202获得的定位信息中识别用户的当前活动状态,即,用户的当前位置(步骤S116)。行为识别单元204向行为预测单元206提供用户的当前状态节点的节点编号。
接着,移动终端200的行为预测单元206使用通过学习获得的随机状态转移模型,来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可采用的路线(步骤S118)。此外,通过计算找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是找到的每个路线将被选择的概率。目的地预测单元208随后被从行为预测单元206提供用户可采用的路线和相应的选择概率,并且使用通过学习获得的随机状态转移模型来预测用户的目的地。更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变成访问状态的地方设置为目的地候选。此后,在列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。另外,目的地预测单元208计算每个确定的目的地的到达概率。当所要显示的目的地已被确定时,目的地预测单元208随后计算到目的地的路线的到达时间,在显示单元212上显示这样的信息并且结束当前处理。图13是用于说明针对在步骤S118中预测的每个目的地的预测位置信息、预测到达时间信息和到达概率信息的一个示例的示图。图14是用于说明显示单元212上所显示的画面的一个示例的示图。在图14中,星形标记示出图13中的当前位置,三角形标记示出图13中的车站1的位置,菱形标记示出图13中的车站2的位置,并且圆形标记示出图13中的公司的位置。图15是用于说明移动终端200的显示单元212上显示的画面的一个示例的示图。
根据图3中的行为预测处理,因为移动终端200存储在服务器300处通过学习处理获得的随机状态转移模型的参数并且使用针对所存储的参数的随机状态转移模型来执行预测处理,所以相比于当预测处理是使用所有过去的移动历史被执行时,可以降低移动终端200的处理负荷。此外,通过在无线通信状态良好时从服务器300接收随机状态转移模型的参数并存储这样的参数,即便无线通信状态恶劣时,移动终端200也可以执行预测处理。
此外,根据本实施例,当基于先前由移动终端200接收的参数的随机状态转移模型,移动终端200和服务器300之间可进行无线通信时,定位单元202可以将最新的时间序列日志发送给服务器300。类似地,当基于先前由移动终端200接收的参数的随机状态转移模型,移动终端200和服务器300之间可进行无线通信时,行为识别单元204和行为预测单元206可以从服务器300接收最新的随机状态转移模型的参数。在这样的情况下,即便无线通信状态恶劣,也可以执行预测处理。
根据本实施例,例如,移动终端200预测用户的行为,并且当用户正前往的地方的无线通信状态恶劣,或换而言之,这样的地方是离线区域时,通过在用户到达这样的地方之前执行时间序列日志的发送和/或随机状态转移模型的接收,可以在离线区域中与在无线通信状态良好的区域即在线区域中一样执行相同的处理。
2.行为预测系统(第二实施例)
接着,将描述根据本发明一个实施例的行为预测系统。图4是示出根据本实施例的行为预测系统的总体配置的框图。因为根据本实施例的行为预测系统与之前描述的第一实施例的不同仅在于包括信息提供单元214和信息收集单元306,所以省略对重复的结构和效果的描述,以下描述将关注不同的结构和效果。
如图4中所示,行为预测系统120包括定位单元202、时间序列日志存储单元302、行为学习单元304、信息收集单元306、行为识别单元204、行为预测单元206、目的地预测单元208、操作单元210、显示单元212和信息提供单元214。
信息收集单元306使用由行为学习单元304通过学习获得的参数的随机状态转移模型,经由因特网等基于用户的活动状态来收集用户期望的信息。例如,信息收集单元306基于例如用户的活动状态中的用户的移动路径的经度和纬度的信息以及例如商店的经度和纬度的信息来收集商店的信息。信息收集单元306随后将收集的用户期望的信息发送给信息提供单元214。
注意,可以给出移动路径上的车站的时间表信息或列车服务信息以及移动路径上的店铺销售信息或店铺优惠券信息,作为用户期望的信息的示例。
信息提供单元214是根据本发明的“信息接收单元”和“信息确定单元”的一个示例,其存储已被从信息收集单元306发送的用户期望的信息,基于由行为识别单元204识别的用户当前位置的信息以及行为预测单元206和目的地预测单元208的输出信息来确定要提供给用户的信息,并且让所确定的信息被显示在显示单元212上。即,信息提供单元214基于用户的当前位置来执行行为识别并且提供随后行为预测/目的地预测的结果,即,与到目的地的路线上位置或目的地本身有关的信息。信息提供单元214可以被从操作单元210提供来自用户的示出什么信息被期望的信息。
2-1.包括一个移动终端和一个服务器的行为预测系统
接着,将针对行为预测系统120包括一个移动终端和一个服务器的情况来描述由图4中的行为预测系统120执行的行为预测处理。图5是针对图4中的行为预测系统120包括一个移动终端和一个服务器的情况由行为预测系统120执行的行为预测处理的序列图。
在图5中,首先,移动终端220获取来自定位单元202的定位信息、经由操作单元210从用户接收的操作信息以及移动终端220与服务器320之间的无线通信的无线通信状态信息(步骤S202)。
此后,移动终端220向服务器320发送包括在步骤S202中获得的定位信息、操作信息和无线通信状态信息的日志条目或其中已经按照时间顺序在某一时段中积累了这样的日志条目的时间序列日志(步骤S204)。
接着,服务器320的时间序列日志存储单元302存储在步骤S204中从移动终端220发送的日志条目或时间序列日志(步骤S206)。
此后,服务器320的行为学习单元304基于被存储在时间序列日志存储单元302中的时间序列日志来学习携带并入了定位单元202的移动终端220的用户的活动状态,作为随机状态转移模型(步骤S208)。
接着,服务器320的行为学习单元304将通过学习处理获得的随机状态转移模型的参数发送给移动终端220(步骤S210)。
此后,移动终端220存储在步骤S210中接收的参数的随机状态转移模型(步骤S212)。
同时,服务器320使用通过学习处理获得的参数的随机状态转移模型,来经由因特网等基于用户的活动状态收集用户期望的信息(步骤S214)。
接着,服务器320将在步骤S214中收集的用户期望的信息发送给移动终端220(步骤S216)。
此后,移动终端220存储在步骤S216中接收的用户期望的信息(步骤S218)。
接着,移动终端220的行为识别单元204从定位单元202获取定位信息(步骤S220)。
此后,移动终端220的行为识别单元204使用通过学习获得的参数的随机状态转移模型来从自定位单元202获得的定位信息中识别用户的当前活动状态,即用户的当前位置(步骤S222)。行为识别单元204将用户的当前状态节点的节点编号提供给行为预测单元206。
接着,移动终端220的行为预测单元206使用通过学习获得的参数的随机状态转移模型来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线(步骤S224)。此外,通过计算找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是找到的每个路线将被选择的概率。目的地预测单元208随后被从行为预测单元206提供用户可采用的路线和相应的选择概率,并且使用通过学习获得的随机状态转移模型来预测用户的目的地。更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变成访问状态的地方设置为目的地候选。此后,在列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。另外,目的地预测单元208计算每个确定的目的地的到达概率。当所要显示的目的地已被确定是,目的地预测单元208随后计算到目的地的路线的到达时间,并在显示单元212上显示这样的信息。
接着,移动终端220的信息提供单元214基于在步骤S222中识别的用户的当前位置的信息来在在步骤S218中所存储的用户期望的信息中确定将被提供给用户的信息,并且在显示单元212上显示所确定的信息(步骤S226),并且结束当前处理。图16是用于说明经由移动终端220中的显示单元212上的显示器来显示提供给用户的信息的一个示例的示图。在图16中,内容1是具有被用户期望的高概率的信息,其中当用户在显示单元212上轻点内容1的区域时,有可能立即启动该内容。注意,当某些条件满足时,具有被用户期望的高概率的诸如内容1的信息可以被自动启动。此外,在图16中,内容2、3是比内容1具有更低被用户期望的概率的信息,当用户在显示单元212上轻点内容2、3的区域时,有可能显示内容的列表。此外,如图17中所示,被显示在移动终端220的显示单元212上的内容1和内容2可以被预先设置,以便与因特网上的服务器320的内容、服务器340上的用户内容或另一移动终端270的内容同步。如图18中所示,在移动终端220的显示单元212上,内容1可以被显示在预测处理的结果画面的顶部。
根据图5中的行为预测处理,因为移动终端220存储在服务器320处通过学习处理获得的随机状态转移模型的参数并且使用针对所存储的参数的随机状态转移模型来执行预测处理,所以相比于当预测处理是使用所有过去的移动历史被执行时,可以降低移动终端220的处理负荷。此外,通过在无线通信状态良好时从服务器320接收随机状态转移模型的参数并存储这样的参数,即便无线通信状态恶劣时,移动终端220也可以执行预测处理。此外,因为服务器320收集用户期望的信息并且将用户期望的信息发送给移动终端220,并且移动终端220确定已从服务器320接收的用户期望的信息中将被提供给用户的信息,所以可以使得移动终端220没有必要收集用户期望的信息,这使得可以进一步降低移动终端220的处理负荷。
此外,根据本实施例,当基于先前由移动终端200接收的参数的随机状态转移模型,移动终端200和服务器300之间可进行无线通信时,移动终端220可以接收最新的用户期望信息。在此情形下,即便无线通信状态恶劣,也可以提供最新的用户期望信息。
此外,在本实施例中,尽管服务器320在以上被描述为经由因特网等收集用户期望的信息,但是服务器320可以仅向移动终端220发送示出用户期望的信息在因特网上的位置的URL信息,使得移动终端220能够基于URL信息经由因特网等来获取最新的用户期望信息。即,仅URL信息可以被存储在信息提供单元214中并且移动终端220可以在行为预测被执行时使用URL信息来下载最新的内容,并且信息被提供。信息提供单元214也可以从URL信息保持不变但是内容被更新为最新内容的站点自动从因特网获取信息(航班/列车信息、新闻等)。可替换地,信息提供单元214可以根据操作单元210的用户操作来从因特网获取信息。另外,可以设置用于下载的最佳时间/位置的通信日程表(schedule)。
根据本实施例,例如,移动终端200预测用户的行为,并且当用户正前往的地方的无线通信状态恶劣,或换而言之,这样的地方是离线区域时,通过在用户到达这样的地方之前执行时间序列日志的发送和/或随机状态转移模型的接收和用户期望信息的接收,可以在离线区域中与在无线通信状态良好的区域即在线区域中一样执行相同的处理。
2-2.包括两个移动终端和一个服务器的行为预测系统
接着,将针对图4中的行为预测系统120包括两个移动终端和一个服务器的情况来描述由行为预测系统120执行的行为预测处理。图6是针对图4中的行为预测系统120由两个移动终端和一个服务器构成的情况由行为预测系统120执行的行为预测处理的序列图。本实施例例如是当移动终端220的定位精度高于移动终端270的定位精度时被执行的处理。当移动终端270具有信息提供功能时,这样的处理也被执行。此外,例如可以从自移动终端220获取定位信息并且执行预测处理等的移动终端270省略定位功能。
在图6中,首先移动终端220来自定位单元202的定位信息、经由操作单元210从用户接收的操作信息以及移动终端220与服务器300之间的无线通信的无线通信状态信息(步骤S302)。
此后,移动终端220向服务器320发送包括在步骤S302中获得的定位信息、操作信息和无线通信状态信息的日志条目或其中已经按照时间顺序在某一时段中积累了这样的日志条目的时间序列日志(步骤S304)。
接着,服务器300的时间序列日志存储单元302存储在步骤S304中从移动终端220发送的日志条目或时间序列日志(步骤S306)。
此后,服务器320的行为学习单元304基于被存储在时间序列日志存储单元302中的时间序列日志来学习携带并入了定位单元202的移动终端220的用户的活动状态,作为随机状态转移模型(步骤S308)。
接着,服务器320的行为学习单元304将通过学习处理获得俄随机状态转移模型的参数发送给移动终端270(步骤S310)。
此后,移动终端270存储在步骤S310中接收的参数的随机状态转移模型(步骤S312)。
同时,服务器320使用通过学习处理获得的参数的随机状态转移模型,来经由因特网等基于用户的活动状态收集用户期望的信息(步骤S314)。
此后,服务器320将在步骤S314中收集的用户期望信息发送给移动终端270(步骤S316)。
接着,移动终端270存储在步骤S316中接收的用户期望信息(步骤S318)。
此后,移动终端270的行为识别单元204从定位单元202获取定位信息(步骤S320)。
接着,移动终端270的行为识别单元204使用通过学习获得的参数的随机状态转移模型来从自定位单元202获得的定位信息中识别用户的当前活动状态,即用户的当前位置(步骤S322)。行为识别单元204将用户的当前状态节点的节点编号提供给行为预测单元206。
此后,移动终端270的行为预测单元206使用通过学习获得的参数的随机状态转移模型来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线(步骤S324)。此外,通过计算找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是找到的每个路线将被选择的概率。目的地预测单元208随后被从行为预测单元206提供用户可采用的路线和相应的选择概率,并且使用通过学习获得的随机状态转移模型来预测用户的目的地。更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变成访问状态的地方设置为目的地候选。此后,在列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。另外,目的地预测单元208计算每个确定的目的地的到达概率。当所要显示的目的地已被确定是,目的地预测单元208随后计算到目的地的路线的到达时间,并在显示单元212上显示这样的信息。
此后,移动终端270的信息提供单元214基于在步骤S322中识别的用户的当前位置的信息来在在步骤S318中所存储的用户期望的信息中确定将被提供给用户的信息,并且在显示单元212上显示所确定的信息(步骤S326),并且结束当前处理。
根据图6中的行为预测处理,因为移动终端270存储在服务器320处通过学习处理获得的随机状态转移模型的参数并且使用针对存储的参数的随机状态转移模型来执行预测处理,所以,相比于当预测处理使用所有过去的移动历史被执行时,可以降低移动终端270的处理负荷。此外,通过在无线通信状态良好时从服务器320接收随机状态转移模型的参数并存储这样的参数,即便无线通信状态恶劣时,移动终端270也可以执行预测处理。此外,因为服务器320收集用户期望的信息并且将用户期望的信息发送给移动终端270,并且移动终端270确定已从服务器320接收的用户期望的信息中将被提供给用户的信息,所以可以使得移动终端270没有必要收集用户期望的信息,这使得可以进一步降低移动终端270的处理负荷。
此外,根据本实施例,移动终端270接收活动模型,该活动模型表示由服务器320基于包括由另一移动终端220的定位单元202获得的定位信息的时间序列日志、通过学习处理获得的用户的活动状态。如果移动终端220的定位精度相比于移动终端270是高的,则当希望在移动终端270处提供信息时,可以通过使用具有高定位精度的移动终端220的位置信息来提高预测处理的精度。
3.行为预测系统(第三实施例)
接着,将描述根据本发明第三实施例的行为预测系统。图7是示出根据本实施例的行为预测系统的总体配置的框图。因为根据本实施例的行为预测系统与之前描述的第二实施例的不同仅在于包括通信日程表设置单元216,所以省略对重复的结构和效果的描述,以下描述将关注不同的结构和效果。
如图7中所示,行为预测系统140包括定位单元202、时间序列日志存储单元302、行为学习单元304、信息收集单元306、行为识别单元204、行为预测单元206、目的地预测单元208、操作单元210、显示单元212、信息提供单元214和通信日程表设置单元216。
通信日程表设置单元216是用于本发明的“设置单元”的一个示例并且使用通过学习获得的参数的随机状态转移模型来进行设置,以使得可以在无线网络的状态良好的位置处的路线上获得这样的信息,此信息是用户所期望的并且有可能通过从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线上的用户操作来获得。
3-1.包括一个移动终端和一个服务器的行为预测系统
接着,将针对图7中的行为预测系统140包括一个移动终端和一个服务器的情况来描述由行为预测系统140执行的行为预测处理。图8是针对图7中的行为预测系统140包括一个移动终端和一个服务器的情况由行为预测系统140执行的行为预测处理的序列图。
在图8中,首先,移动终端240获取来自定位单元202的定位信息、经由操作单元210从用户接收的操作信息以及移动终端240与服务器340之间的无线通信的无线通信状态信息(步骤S402)。
此后,移动终端240向服务器340发送包括在步骤S402中获得的定位信息、操作信息和无线通信状态信息的日志条目或其中已经按照时间顺序在某一时段中积累了这样的日志条目的时间序列日志(步骤S404)。
接着,服务器340的时间序列日志存储单元302存储在步骤S404中从移动终端240发送的日志条目或时间序列日志(步骤S406)。
此后,服务器340的行为学习单元304基于被存储在时间序列日志存储单元302中的时间序列日志来学习携带并入了定位单元202的移动终端240的用户的活动状态,作为随机状态转移模型(步骤S408)。
接着,服务器340的行为学习单元304将通过学习处理获得的随机状态转移模型的参数发送给移动终端220(步骤S410)。
此后,移动终端240存储在步骤S410中接收的参数的随机状态转移模型(步骤S412)。
同时,服务器340使用通过学习处理获得的参数的随机状态转移模型,来经由因特网等基于用户的活动状态收集用户期望的信息(步骤S414)。
接着,服务器340将在步骤S414中收集的用户期望的信息发送给移动终端240(步骤S416)。
此后,移动终端240存储在步骤S416中接收的用户期望信息(步骤S418)。
接着,移动终端240的行为识别单元204从定位单元202获取定位信息(步骤S420)。
此后,移动终端240的行为识别单元204使用通过学习获得的参数的随机状态转移模型来从自定位单元202获得的定位信息中识别用户的当前活动状态,即用户的当前位置(步骤S422)。行为识别单元204将用户的当前状态节点的节点编号提供给行为预测单元206。
接着,移动终端240的行为预测单元206使用通过学习获得的参数的随机状态转移模型来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线(步骤S424)。此外,通过计算找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是找到的每个路线将被选择的概率。目的地预测单元208随后被从行为预测单元206提供用户可采用的路线和相应的选择概率,并且使用通过学习获得的随机状态转移模型来预测用户的目的地。更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变成访问状态的地方设置为目的地候选。此后,在列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。另外,目的地预测单元208计算每个确定的目的地的到达概率。当所要显示的目的地已被确定是,目的地预测单元208随后计算到目的地的路线的到达时间,并在显示单元212上显示这样的信息。
接着,移动终端240的通信日程表设置单元216基于在步骤S422中识别的用户的当前位置的信息来设置通信日程表,以便在无线网络状态良好的路线上的位置处获取这样的信息,此信息是用户期望的并且有可能通过用户可以采用的路线上的用户操作来获得(步骤S426),并且结束当前处理。
根据图8中的行为预测处理,因为移动终端240存储在服务器340处通过学习处理获得的随机状态转移模型的参数并且使用针对所存储的参数的随机状态转移模型来执行预测处理,所以相比于当预测处理是使用所有过去的移动历史被执行时,可以降低移动终端240的处理负荷。此外,通过在无线通信状态良好时从服务器340接收随机状态转移模型的参数并存储这样的参数,即便无线通信状态恶劣时,移动终端240也可以执行预测处理。另外,通过设置通信日程表以便在无线网络的状态良好的路线上的位置处获取这样的信息,此信息是用户期望的并且有可能通过用户可以采用的路线上的用户操作来获得,即便无线通信状态恶劣时,也可以向用户提供信息。
3-2.包括两个移动终端和一个服务器的行为预测系统
接着,将针对图7中的行为预测系统140包括两个移动终端和一个服务器的情况来描述由行为预测系统140执行的行为预测处理。图9是针对图7中的行为预测系统140由两个移动终端和一个服务器构成的情况由行为预测系统140执行的行为预测处理的序列图。
在图9中,首先移动终端240来自定位单元202的定位信息、经由操作单元210从用户接收的操作信息以及移动终端240与服务器340之间的无线通信的无线通信状态信息(步骤S502)。
此后,移动终端240向服务器340发送包括在步骤S502中获得的定位信息、操作信息和无线通信状态信息的日志条目或其中已经按照时间顺序在某一时段中积累了这样的日志条目的时间序列日志(步骤S504)。
接着,服务器340的时间序列日志存储单元302存储在步骤S504中从移动终端240发送的日志条目或时间序列日志(步骤S506)。
此后,服务器340的行为学习单元304基于被存储在时间序列日志存储单元302中的时间序列日志来学习携带并入了定位单元202的移动终端240的用户的活动状态,作为随机状态转移模型(步骤S508)。
接着,服务器340的行为学习单元304将通过学习处理获得的随机状态转移模型的参数发送给移动终端290(步骤S510)。
此后,移动终端290存储在步骤S510中接收的参数的随机状态转移模型(步骤S512)。
同时,服务器340使用通过学习处理获得的参数的随机状态转移模型,来经由因特网等基于用户的活动状态收集用户期望的信息(步骤S514)。
此后,服务器340将在步骤S514中收集的用户期望信息发送给移动终端290(步骤S516)。
接着,移动终端290存储在步骤S516中接收的用户期望信息(步骤S518)。
此后,移动终端290的行为识别单元204从定位单元202获取定位信息(步骤S520)。
接着,移动终端290的行为识别单元204使用通过学习获得的参数的随机状态转移模型来从自定位单元202获得的定位信息中识别用户的当前活动状态,即用户的当前位置(步骤S522)。行为识别单元204将用户的当前状态节点的节点编号提供给行为预测单元206。
此后,移动终端290的行为预测单元206使用通过学习获得的参数的随机状态转移模型来精确地搜索(预测)从用自行为识别单元204提供的状态节点的节点编号示出的用户的当前位置出发的、用户可以采用的路线(步骤S524)。此外,通过计算找到的每个路线的发生概率,行为预测单元206预测选择概率,选择概率是找到的每个路线将被选择的概率。目的地预测单元208随后被从行为预测单元206提供用户可采用的路线和相应的选择概率,并且使用通过学习获得的随机状态转移模型来预测用户的目的地。更具体而言,目的地预测单元208首先列出目的地候选。目的地预测单元208将用户的被识别的行为状态在那儿变成访问状态的地方设置为目的地候选。此后,在列出的目的地候选中,目的地预测单元208将由行为预测单元206找到的路线上的目的地候选确定为目的地。另外,目的地预测单元208计算每个确定的目的地的到达概率。当所要显示的目的地已被确定是,目的地预测单元208随后计算到目的地的路线的到达时间,并在显示单元212上显示这样的信息。
接着,移动终端290的通信日程表设置单元216基于在步骤S522中识别的用户的当前位置的信息来设置通信日程表,以便在无线网络状态良好的路线上的位置处获取这样的信息,此信息是用户期望的并且有可能通过用户可以采用的路线上的用户操作来获得(步骤S526),并且结束当前处理。
根据图9中的行为预测处理,因为移动终端290存储在服务器340处通过学习处理获得的随机状态转移模型的参数并且使用针对所存储的参数的随机状态转移模型来执行预测处理,所以相比于当预测处理是使用所有过去的移动历史被执行时,可以降低移动终端290的处理负荷。此外,通过在无线通信状态良好时从服务器340接收随机状态转移模型的参数并存储这样的参数,即便无线通信状态恶劣时,移动终端290也可以执行预测处理。另外,通过设置通信日程表以便在无线网络的状态良好的路线上的位置处获取这样的信息,此信息是用户期望的并且有可能通过用户可以采用的路线上的用户操作来获得,即便无线通信状态恶劣时,也可以向用户提供信息。
上述处理序列可以由硬件执行但是也可以由软件执行。当处理序列由软件执行时,构成这样的软件的程序被安装到计算机中。这里,表述“计算机”包括其中并入了专用硬件的计算机和能够在各种程序被安装是执行各种功能的通用个人计算机等。
图19是示出根据程序执行上述处理序列的计算机的硬件的示例配置的框图。
在这样的计算机中,CPU(中央处理单元)402、ROM(只读存储器)404和RAM(随机存取存储器)406通过总线408相互连接。
输入/输出接口410还连接到总线408。输入单元412、输出单元414、存储单元416、通信单元418、驱动器420、GPS感测器422被连接到输入/输出接口410。
输入单元412由键盘、鼠标、麦克风等组成。输出单元414由显示器、扬声器等组成。存储单元416由硬盘驱动器、非易失性存储器等组成、通信单元418由网络接口组成。驱动器420驱动可移除记录介质424,诸如磁盘、光盘、磁光盘、半导体存储器等。GPS感测器422对应于图1中的定位单元202。
在如上所述地配置的计算机中,例如,CPU 402经由输入/输出接口410和总线408将存储单元416中所存储的程序装载到RAM 406中并且运行该程序来执行前述处理序列。
例如,由计算机(CPU 402)运行的程序可以通过被记录在作为封装介质等的可移除记录介质424上而被提供。程序也可以经由有线或无线的传输介质来提供,传输介质诸如是局域网、因特网或数字卫星广播。
在计算机中,通过将可移除记录介质424装载到驱动器420中,程序可经由输入/输出接口410被安装到存储单元416中。也可以使用通信单元418从有线或无线传输介质接收程序并将程序安装到存储单元416中。作为另一替换,程序可以被预先安装到ROM 404或存储单元416中。
注意,由计算机运行的程序可以是其中处理按照本说明书中描述的顺序按时间顺序被执行的程序或者可以是其中处理被并行地或在必要的定时(诸如当处理被调用时)被执行的程序。
注意本说明书中所附流程图中所写的步骤当然可以以所图示的次序按时间顺序被执行,但是这些步骤不是必须按照时间顺序被执行,而是可以被并行地或在必要的定时(诸如当处理被调用时)被执行。
还应注意,在本说明书中,表述“系统”例如指由多个设备组成的整个配置。
尽管已经详细描述了本发明的优选实施例。但是本领域技术人员应当理解,根据设计要求和其它因素可以进行各种修改、组合、子组合和更改,只要它们在所附权利要求及其等同物的范围内即可。
本申请包含与2010年6月24日于日本专利局提交的日本在先专利申请JP 2010-143650中所公开的主题有关的主题,该申请的全部内容通过引用结合于此。
Claims (13)
1.一种信息处理装置,包括:
定位单元,所述定位单元获取示出所述定位单元的位置的纬度和经度的定位信息;
发送单元,所述发送单元向服务器发送时间序列日志,所述时间序列日志包括由所述定位单元获取的所述定位信息;
接收单元,所述接收单元接收示出用户的活动状态的活动模型,所述活动模型是通过由所述服务器基于所述时间序列日志实施的学习处理获得的;
识别单元,所述识别单元使用由所述定位单元获得的所述定位信息和由所述接收单元接收的所述活动模型来识别所述用户的当前活动状态;以及
预测单元,所述预测单元从由所述识别单元识别的所述用户的当前活动状态来预测所述用户的行为。
2.根据权利要求1所述的信息处理装置,
其中,所述时间序列日志包括所述信息处理装置和所述服务器之间的无线通信的无线通信状态的信息。
3.根据权利要求2所述的信息处理装置,
其中,所述发送单元可操作用于,当基于先前由所述接收单元接收的活动模型识别出所述信息处理装置和所述服务器之间可进行无线通信时,向所述服务器发送最新的时间序列日志。
4.根据权利要求2所述的信息处理装置,
其中,所述接收单元可操作用于,当基于先前由所述接收单元接收的活动模型识别出所述信息处理装置和所述服务器之间可进行无线通信时,接收所述最新的活动模型。
5.根据权利要求1所述的信息处理装置,
其中所述时间序列日志包括所述信息处理装置的用户的操作信息。
6.根据权利要求1所述的信息处理装置,还包括:
信息接收单元,所述信息接收单元接收信息,该信息是基于所述用户的活动状态而是所述用户所期望的并且是已经由所述服务器使用所述活动模型收集的;以及
信息确定单元,所述信息确定单元使用由所述定位单元获取的所述定位信息和由所述信息接收单元接收的所述用户所期望的信息来从由所述信息接收单元接收的所述用户期望的信息中确定将被提供给所述用户的信息。
7.根据权利要求6所述的信息处理装置,
其中所述信息确定单元还使用所述预测单元的预测结果,来将由所述信息接收单元接收的所述用户所期望的信息中与所述用户的目的地或到所述用户的目的地的路线上的位置有关的信息确定为将要提供给所述用户的信息。
8.根据权利要求6所述的信息处理装置,
其中所述时间序列日志包括所述信息处理装置和所述服务器之间的无线通信的无线通信状态的信息,并且
所述信息接收单元可操作用于,当基于先前由所述接收单元接收的活动模型识别出所述信息处理装置和所述服务器之间可进行无线通信时,接收最新的用户所期望的信息。
9.根据权利要求2所述的信息处理装置,
还包括设置单元,所述设置单元设置通信日程表以使得,当基于先前由所述接收单元接收的活动模型识别出所述信息处理装置和所述服务器之间可进行无线通信时,获得所述用户所期望的信息。
10.根据权利要求1所述的信息处理装置,
其中,所述接收单元接收活动模型,所述活动模型示出所述用户的活动状态并且已经由所述服务器基于时间序列日志通过学习处理而获得,该时间序列日志包括通过另一信息处理装置的定位单元获得的定位信息。
11.一种信息处理系统,包括:
信息处理装置;以及
服务器,
所述信息处理装置包括
定位单元,所述定位单元获取示出所述定位单元的位置的纬度和经度的定位信息,
发送单元,所述发送单元向服务器发送时间序列日志,所述时间序列日志包括由所述定位单元获取的所述定位信息,
接收单元,所述接收单元接收示出用户的活动状态的活动模型,所述活动模型是通过由所述服务器基于所述时间序列日志实施的学习处理获得的,
识别单元,所述识别单元使用由所述定位单元获得的所述定位信息和由所述接收单元接收的所述活动模型来识别所述用户的当前活动状态,以及
预测单元,所述预测单元从由所述识别单元识别的所述用户的当前活动状态来预测所述用户的行为,并且
所述服务器包括
服务器侧接收单元,所述服务器侧接收单元接收从所述发送单元发送的所述时间序列日志,
学习单元,所述学习单元基于由所述服务器侧接收单元接收的所述时间序列日志来学习携带所述信息处理装置的用户的活动状态,作为活动模型,以及
服务器侧发送单元,所述服务器侧发送单元将由所述学习单元获得的所述活动模型发送给所述信息处理装置。
12.一种信息处理方法,包括以下步骤:
由信息处理装置获取示出所述信息处理装置的位置的纬度和经度的定位信息,
由所述信息处理装置向所述服务器发送时间序列日志,所述时间序列日志包括所获取的位置信息;
由所述服务器接收所发送的时间序列日志;
由所述服务器基于所接收的时间序列日志来学习携带所述信息处理装置的用户的活动状态,作为活动模型;
由所述服务器将所获取的活动模型发送给所述信息处理装置;
由所述信息处理装置接收所发送的活动模型;
由所述信息处理装置使用所获得的定位信息和所接收的活动模型来识别所述用户的当前活动状态;
由所述信息处理装置从所述用户的被识别的当前活动状态预测所述用户的行为。
13.一种程序,使得计算机用作:
定位单元,所述定位单元获取示出所述定位单元的位置的纬度和经度的定位信息;
发送单元,所述发送单元向服务器发送时间序列日志,所述时间序列日志包括由所述定位单元获得的所述定位信息;
接收单元,所述接收单元接收示出用户的活动状态的活动模型,所述活动模型是通过由所述服务器基于所述时间序列日志实施的学习处理获得的;
识别单元,所述识别单元使用由所述定位单元获得的所述定位信息和由所述接收单元接收的所述活动模型来识别所述用户的当前活动状态;以及
预测单元,所述预测单元从由所述识别单元识别的所述用户的当前活动状态来预测所述用户的行为。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010-143650 | 2010-06-24 | ||
JP2010143650A JP2012008771A (ja) | 2010-06-24 | 2010-06-24 | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102314474A true CN102314474A (zh) | 2012-01-11 |
Family
ID=45353010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101688710A Pending CN102314474A (zh) | 2010-06-24 | 2011-06-17 | 信息处理装置、信息处理系统、信息处理方法和程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20110319094A1 (zh) |
JP (1) | JP2012008771A (zh) |
CN (1) | CN102314474A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685765A (zh) * | 2012-04-30 | 2012-09-19 | 黄林果 | 一种无线网络中移动台到达时间预测方法 |
CN102868936A (zh) * | 2012-09-06 | 2013-01-09 | 北京邮电大学 | 存储视频日志的方法和系统 |
CN103674042A (zh) * | 2012-09-18 | 2014-03-26 | 三星电子(中国)研发中心 | 基于用户建模的路径引导系统和方法 |
CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电(中国)有限公司 | 目的地预测设备和方法 |
CN104272306A (zh) * | 2012-05-11 | 2015-01-07 | 微软公司 | 向前翻 |
CN104581622A (zh) * | 2013-10-28 | 2015-04-29 | 华为技术有限公司 | 移动用户位置预测方法及设备 |
CN104680046A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 一种用户活动识别方法及装置 |
CN105376714A (zh) * | 2015-11-23 | 2016-03-02 | 北京百度网讯科技有限公司 | 一种定位方法和装置 |
CN105702038A (zh) * | 2016-04-15 | 2016-06-22 | 北京信路威科技股份有限公司 | 一种基于gps定位的智能巡航方法 |
CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
CN107302566A (zh) * | 2017-05-27 | 2017-10-27 | 冯小平 | 推送信息的方法和装置 |
CN110018970A (zh) * | 2018-01-08 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 缓存预取方法、装置、设备及计算机可读存储介质 |
CN110291422A (zh) * | 2017-02-22 | 2019-09-27 | 索尼公司 | 信息处理装置、信息处理方法以及程序 |
US10498582B2 (en) | 2013-06-14 | 2019-12-03 | Microsoft Technology Licensing, Llc | Related content display associated with browsing |
CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9846049B2 (en) | 2008-07-09 | 2017-12-19 | Microsoft Technology Licensing, Llc | Route prediction |
US20100255856A1 (en) * | 2009-04-03 | 2010-10-07 | Microsoft Corporation | Location Sensing Selection for Mobile Devices |
JP5545084B2 (ja) | 2010-07-08 | 2014-07-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9134137B2 (en) | 2010-12-17 | 2015-09-15 | Microsoft Technology Licensing, Llc | Mobile search based on predicted location |
US9880604B2 (en) | 2011-04-20 | 2018-01-30 | Microsoft Technology Licensing, Llc | Energy efficient location detection |
US8981995B2 (en) | 2011-06-03 | 2015-03-17 | Microsoft Technology Licensing, Llc. | Low accuracy positional data by detecting improbable samples |
US9470529B2 (en) | 2011-07-14 | 2016-10-18 | Microsoft Technology Licensing, Llc | Activating and deactivating sensors for dead reckoning |
US9429657B2 (en) | 2011-12-14 | 2016-08-30 | Microsoft Technology Licensing, Llc | Power efficient activation of a device movement sensor module |
US9420432B2 (en) | 2011-12-23 | 2016-08-16 | Microsoft Technology Licensing, Llc | Mobile devices control |
US9325752B2 (en) | 2011-12-23 | 2016-04-26 | Microsoft Technology Licensing, Llc | Private interaction hubs |
US9710982B2 (en) | 2011-12-23 | 2017-07-18 | Microsoft Technology Licensing, Llc | Hub key service |
US8874162B2 (en) | 2011-12-23 | 2014-10-28 | Microsoft Corporation | Mobile device safe driving |
US20130305354A1 (en) | 2011-12-23 | 2013-11-14 | Microsoft Corporation | Restricted execution modes |
US9467834B2 (en) | 2011-12-23 | 2016-10-11 | Microsoft Technology Licensing, Llc | Mobile device emergency service |
US8688290B2 (en) * | 2011-12-27 | 2014-04-01 | Toyota Motor Enginerring & Manufacturing North America, Inc. | Predictive destination entry for a navigation system |
US9756571B2 (en) | 2012-02-28 | 2017-09-05 | Microsoft Technology Licensing, Llc | Energy efficient maximization of network connectivity |
JP5841476B2 (ja) * | 2012-03-28 | 2016-01-13 | 株式会社ゼンリンデータコム | 位置関連データ出力装置、位置関連データ出力方法、およびコンピュータプログラム |
JP2013211616A (ja) * | 2012-03-30 | 2013-10-10 | Sony Corp | 端末装置、端末制御方法、プログラム、および情報処理システム |
KR101630389B1 (ko) | 2012-06-22 | 2016-06-15 | 구글 인코포레이티드 | 현재 위치 또는 시간에 관한 정보의 제시 |
EP2864939A4 (en) | 2012-06-22 | 2016-12-07 | Google Inc | CLASSIFICATION CLOSELY OBJECTIVES BASED ON LIKELY VISIBILITIES AND PREDICTED FUTURE VISITS OF PLACES OF A LOCAL STORY |
CN105683716B (zh) | 2012-06-22 | 2018-07-17 | 谷歌有限责任公司 | 场境交通或通行警示 |
US9442181B2 (en) | 2012-07-18 | 2016-09-13 | Microsoft Technology Licensing, Llc | Prediction for power conservation in a mobile device |
CN103632542A (zh) * | 2012-08-27 | 2014-03-12 | 国际商业机器公司 | 交通信息处理方法、装置和相应设备 |
US9230076B2 (en) | 2012-08-30 | 2016-01-05 | Microsoft Technology Licensing, Llc | Mobile device child share |
EP2924659A4 (en) | 2012-11-22 | 2016-07-13 | Sony Corp | INFORMATION PROCESSING DEVICE, SYSTEM, INFORMATION PROCESSING AND PROGRAM |
WO2014097011A1 (en) * | 2012-12-19 | 2014-06-26 | S S Analytics Solutions Private Limited | A method and system for managing data units in a plurality of unit stores |
US9820231B2 (en) | 2013-06-14 | 2017-11-14 | Microsoft Technology Licensing, Llc | Coalescing geo-fence events |
US9998866B2 (en) | 2013-06-14 | 2018-06-12 | Microsoft Technology Licensing, Llc | Detecting geo-fence events using varying confidence levels |
JP6027520B2 (ja) * | 2013-11-13 | 2016-11-16 | 株式会社Agoop | 情報処理システム、人口流量推定装置、プログラム、情報処理方法及び人口流量を推定する方法 |
CN104933075A (zh) * | 2014-03-20 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用户属性预测平台和方法 |
JPWO2015166520A1 (ja) * | 2014-04-28 | 2017-04-20 | 株式会社Agoop | プログラム及び情報処理装置 |
CN105094305B (zh) * | 2014-05-22 | 2018-05-18 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
JP6311478B2 (ja) | 2014-06-20 | 2018-04-18 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2016006611A (ja) | 2014-06-20 | 2016-01-14 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
US9811352B1 (en) | 2014-07-11 | 2017-11-07 | Google Inc. | Replaying user input actions using screen capture images |
US9503516B2 (en) | 2014-08-06 | 2016-11-22 | Google Technology Holdings LLC | Context-based contact notification |
JP6223597B2 (ja) * | 2014-08-20 | 2017-11-01 | 三菱電機株式会社 | 車両の運転者の現在の要求を満たすための情報を送達する方法 |
JP6461639B2 (ja) * | 2015-02-23 | 2019-01-30 | Kddi株式会社 | 学習データ生成システム、学習データ生成方法およびプログラム |
US10970646B2 (en) * | 2015-10-01 | 2021-04-06 | Google Llc | Action suggestions for user-selected content |
JP6521835B2 (ja) * | 2015-10-27 | 2019-05-29 | 日本電信電話株式会社 | 移動経路予測装置、移動経路予測方法、及び移動経路予測プログラム |
JP6433877B2 (ja) * | 2015-10-27 | 2018-12-05 | 日本電信電話株式会社 | 目的地予測装置、目的地予測方法、及び目的地予測プログラム |
US10375095B1 (en) * | 2015-11-20 | 2019-08-06 | Triad National Security, Llc | Modeling behavior in a network using event logs |
JP6543215B2 (ja) * | 2016-05-12 | 2019-07-10 | 日本電信電話株式会社 | 目的地予測装置、目的地予測方法、及び目的地予測プログラム |
US10348892B2 (en) * | 2016-06-15 | 2019-07-09 | International Business Machines Corporation | Scheduling telephone calls |
CN106407096B (zh) * | 2016-09-09 | 2019-04-19 | 深圳中兴网信科技有限公司 | 基于时间序列的日志分析方法和日志分析装置 |
EP3507783B1 (en) | 2017-11-23 | 2021-11-10 | Beijing Didi Infinity Technology and Development Co., Ltd. | System and method for estimating arrival time |
JP7233868B2 (ja) * | 2018-08-08 | 2023-03-07 | キヤノン株式会社 | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム |
TWI709042B (zh) * | 2018-11-08 | 2020-11-01 | 慧榮科技股份有限公司 | 用來進行關於容錯式磁碟陣列的映射資訊管理之方法與裝置以及儲存系統 |
CN109816095B (zh) * | 2019-01-14 | 2023-04-07 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
US10776243B1 (en) | 2019-03-19 | 2020-09-15 | Bank Of America Corporation | Prediction tool |
JPWO2020230658A1 (zh) * | 2019-05-13 | 2020-11-19 | ||
CN112069275A (zh) * | 2020-08-26 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种目的地预测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1170493A (zh) * | 1994-10-26 | 1998-01-14 | 艾利森电话股份有限公司 | 用于检验和预测移动终端运动的方法和装置 |
CN1754147A (zh) * | 2003-02-25 | 2006-03-29 | 松下电器产业株式会社 | 应用程序的预测方法及移动终端 |
US20100115048A1 (en) * | 2007-03-16 | 2010-05-06 | Scahill Francis J | Data transmission scheduler |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7565155B2 (en) * | 2002-04-10 | 2009-07-21 | Networks In Motion | Method and system for dynamic estimation and predictive route generation |
-
2010
- 2010-06-24 JP JP2010143650A patent/JP2012008771A/ja not_active Withdrawn
-
2011
- 2011-06-16 US US13/161,856 patent/US20110319094A1/en not_active Abandoned
- 2011-06-17 CN CN2011101688710A patent/CN102314474A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1170493A (zh) * | 1994-10-26 | 1998-01-14 | 艾利森电话股份有限公司 | 用于检验和预测移动终端运动的方法和装置 |
CN1754147A (zh) * | 2003-02-25 | 2006-03-29 | 松下电器产业株式会社 | 应用程序的预测方法及移动终端 |
US20100115048A1 (en) * | 2007-03-16 | 2010-05-06 | Scahill Francis J | Data transmission scheduler |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685765A (zh) * | 2012-04-30 | 2012-09-19 | 黄林果 | 一种无线网络中移动台到达时间预测方法 |
CN104272306A (zh) * | 2012-05-11 | 2015-01-07 | 微软公司 | 向前翻 |
CN104272306B (zh) * | 2012-05-11 | 2018-04-27 | 微软技术许可有限责任公司 | 向前翻 |
CN102868936B (zh) * | 2012-09-06 | 2015-06-10 | 北京邮电大学 | 存储视频日志的方法和系统 |
CN102868936A (zh) * | 2012-09-06 | 2013-01-09 | 北京邮电大学 | 存储视频日志的方法和系统 |
CN103674042A (zh) * | 2012-09-18 | 2014-03-26 | 三星电子(中国)研发中心 | 基于用户建模的路径引导系统和方法 |
CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电(中国)有限公司 | 目的地预测设备和方法 |
US10498582B2 (en) | 2013-06-14 | 2019-12-03 | Microsoft Technology Licensing, Llc | Related content display associated with browsing |
CN104581622A (zh) * | 2013-10-28 | 2015-04-29 | 华为技术有限公司 | 移动用户位置预测方法及设备 |
US9906913B2 (en) | 2013-10-28 | 2018-02-27 | Huawei Technologies Co., Ltd. | Method for predicting position of mobile user, and equipment |
CN104680046A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 一种用户活动识别方法及装置 |
CN104680046B (zh) * | 2013-11-29 | 2018-09-07 | 华为技术有限公司 | 一种用户活动识别方法及装置 |
CN105376714A (zh) * | 2015-11-23 | 2016-03-02 | 北京百度网讯科技有限公司 | 一种定位方法和装置 |
CN105376714B (zh) * | 2015-11-23 | 2018-11-02 | 北京百度网讯科技有限公司 | 一种定位方法和装置 |
CN105702038B (zh) * | 2016-04-15 | 2018-02-09 | 北京信路威科技股份有限公司 | 一种基于gps定位的智能巡航方法 |
CN105702038A (zh) * | 2016-04-15 | 2016-06-22 | 北京信路威科技股份有限公司 | 一种基于gps定位的智能巡航方法 |
CN110291422A (zh) * | 2017-02-22 | 2019-09-27 | 索尼公司 | 信息处理装置、信息处理方法以及程序 |
CN110291422B (zh) * | 2017-02-22 | 2023-11-24 | 索尼公司 | 信息处理装置、信息处理方法以及程序 |
CN107256327A (zh) * | 2017-05-05 | 2017-10-17 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
CN107256327B (zh) * | 2017-05-05 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
CN107302566A (zh) * | 2017-05-27 | 2017-10-27 | 冯小平 | 推送信息的方法和装置 |
CN110018970A (zh) * | 2018-01-08 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 缓存预取方法、装置、设备及计算机可读存储介质 |
CN110018970B (zh) * | 2018-01-08 | 2023-07-21 | 腾讯科技(深圳)有限公司 | 缓存预取方法、装置、设备及计算机可读存储介质 |
CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
CN110553657B (zh) * | 2018-06-01 | 2023-10-27 | 江苏瑞焕激光科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20110319094A1 (en) | 2011-12-29 |
JP2012008771A (ja) | 2012-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102314474A (zh) | 信息处理装置、信息处理系统、信息处理方法和程序 | |
US11363405B2 (en) | Determining a significant user location for providing location-based services | |
US10332019B2 (en) | Ranking nearby destinations based on visit likelihoods and predicting future visits to places from location history | |
US10111042B2 (en) | Modeling significant locations | |
US9928524B2 (en) | Learning driver demographics from vehicle trace data | |
Do et al. | Where and what: Using smartphones to predict next locations and applications in daily life | |
CN101297337B (zh) | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 | |
CN101833562B (zh) | 信息提供服务器、信息提供系统、信息提供方法及程序 | |
US20110313956A1 (en) | Information processing apparatus, information processing method and program | |
WO2014112124A1 (ja) | 目的地予測装置、目的地予測方法、目的地表示方法 | |
CN102498706A (zh) | 移动设备电池管理 | |
CN106294534B (zh) | 一种用户兴趣匹配推送系统及用户兴趣匹配推送方法 | |
CN102215461A (zh) | 基于电子设备的活动级别向该设备分发消息的系统和方法 | |
CN104541527A (zh) | 推断用户的兴趣 | |
CN102918898A (zh) | 用于位置预测的方法和设备 | |
CN102087709A (zh) | 学习设备、学习方法以及程序 | |
JP6147242B2 (ja) | 予測装置、予測方法及び予測プログラム | |
JP4761548B2 (ja) | 移動端末装置およびその制御プログラムならびにサーバ | |
Torkkola et al. | Traffic advisories based on route prediction | |
WO2015184184A2 (en) | Determining a significant user location for providing location-based services | |
JP2012242088A (ja) | 気象予測システム及び気象予測携帯端末 | |
JP6360089B2 (ja) | 携帯情報端末、携帯情報端末の制御方法、及びプログラム | |
JP6096833B2 (ja) | 予測装置、予測方法及び予測プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120111 |