CN104412310B - 移动方式判别系统以及移动方式判别装置 - Google Patents
移动方式判别系统以及移动方式判别装置 Download PDFInfo
- Publication number
- CN104412310B CN104412310B CN201280074463.1A CN201280074463A CN104412310B CN 104412310 B CN104412310 B CN 104412310B CN 201280074463 A CN201280074463 A CN 201280074463A CN 104412310 B CN104412310 B CN 104412310B
- Authority
- CN
- China
- Prior art keywords
- mentioned
- move mode
- data
- terminal
- road
- 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.)
- Expired - Fee Related
Links
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明的目的在于:提供一种在使用传感器数据判别安装传感器的终端的移动方式时考虑到道路状况等对传感器数据产生影响的因素来判别终端的移动方式的方法、以及实现它的系统。向传感器数据赋予环境信息,预先将用于判别终端的移动方式的判别基准值与多个环境信息分别对应起来,与赋予的环境信息对应地选择预定的判别基准值,使用传感器数据和选择出的预定的判别基准值来判别终端的移动方式。
Description
技术领域
本发明涉及一种判别终端的移动方式的系统。
背景技术
近年来,伴随着智能手机、平板终端等的普及,正在试着提供使用安装在便携终端中的传感器推定持有该终端的人的移动方式的方法、以及利用其结果的服务。
例如,在专利文献1中,记载了一种移动体终端装置,其在利用多个移动方式的情况下,通过切换与移动方式对应的应用程序,进行与移动方式对应的支持。具体地说,记载了使用方位传感器、温度传感器、气压传感器、倾斜传感器、陀螺仪传感器、GPS(全球定位系统)信号接收机、地图数据库判别汽车、步行、自行车、摩托车、有轨电车等移动方式的方法。
另外,在非专利文献1中,记载了以下的方法:使用机械学习的方法,根据安装了加速度传感器的便携终端的运动,推定终端持有者的移动状况是“静止”、“步行”、“行驶”、“乘车中(公交车/有轨电车)”的4个状态中的哪个。
现有技术文献
专利文献
专利文献1:日本特开2007-303989号公报
非专利文献
非专利文献1:池谷直紀、菊池匡晃、長健太、服部正典「3軸加速度センサを用いた移動状況推定方法」、电子信息通信学会技术研究报告USN Ubiquitous Sensor network、Vol.108、Num.138、pp.75-80、2008年7月10日
发明内容
发明要解决的问题
但是,在专利文献1和非专利文献1中,在任意一个文献中都没有考虑到各移动方式内的数据的波动的因素。加速度传感器、陀螺仪传感器、方位传感器、气压传感器、倾斜传感器等输出的值,例如由于道路状况的不同而受到很大影响,因此,为了高精度地进行推定,考虑到该因素是重要的。
例如,在完备地铺设的道路上,移动体(例如车辆、人)的上下、左右、前后的摇晃小,因此传递到终端的摇晃也小,因此认为各种传感器的测量值中因该摇晃产生的波动也小。与此相对,例如在碎石路、即使通过沥青进行了铺设仍凹凸剧烈的道路上,移动体的上下、左右、前后的摇晃大,因此传递到终端的摇晃也大。因此,认为各种传感器的测量值中因该摇晃产生的波动也大,需要设定与道路状况匹配的判断基准。特别对于被认为容易受到道路状况的影响的汽车、摩托车、公交车等,需要考虑到道路状况的判别方法。
而且,例如驾驶员的驾驶习惯等也对传感器的数据产生影响。考虑到该因素的判别方法也是重要的。
本发明就是鉴于这样的情况而提出的,其目的在于:提供一种考虑到例如道路状况等对传感器的值产生影响的因素来判别终端的移动方式的方法、以及实现它的系统。
用于解决问题的手段
以下,简单地说明在本申请中公开的发明中的代表性的发明的概要。
一种移动方式判别系统,具备:第一传感器;赋予部,其对第一传感器取得的数据赋予与取得数据的环境有关的环境信息;存储部,其与多个环境信息分别对应地存储用于判别安装第一传感器的终端的移动方式的判别基准值;移动方式判别部,其与赋予的环境信息对应地,从存储部选择预定的判别基准值,使用数据和预定的判别基准值判别终端的移动方式。
发明效果
根据本发明,能够高精度地判别终端的移动方式。
根据以下的实施方式的说明来明确上述以外的课题、结构以及效果。
附图说明
图1是移动方式判别系统的结构图的例子。
图2是用于进行移动方式判别的便携终端的结构图的例子。
图3是用于进行移动方式判别的计算机的结构图的例子。
图4是说明移动方式判别的处理的流程图的例子。
图5(a)是被赋予了标签的收集数据的例子。
图5(b)是存储在按因素区别判别基准数据库中的数据的例子。
图5(c)是存储在按因素区别判别基准数据库中的数据的例子。
图6是带学习功能的移动方式判别系统的结构图的例子。
图7是存储在判别基准决定用数据库中的数据的例子。
图8是经由网络收集学习用数据时的系统结构图的例子。
图9是数据上载用接口的例子。
图10是带修正功能的移动方式判别系统的结构图的例子。
图11是说明利用时序判别信息存储部1008进行移动方式判别的步骤的流程图的例子。
图12是存储在时序判别信息存储部中的数据的例子。
图13是带静止行驶判定功能的移动方式判别系统的结构图的例子。
图14是说明通过k-均值法(k-means)进行2类分类的方法的流程图的例子。
图15(a)是存储在按因素区别判别基准数据库中的数据的例子。
图15(b)是存储在判别基准决定用数据库中的数据的例子。
图16是说明根据GPS信息进行静止行驶判定的步骤的流程图的例子。
图17是带步行排除功能的移动方式判别系统的结构图的例子。
图18(a)是步行时的加速度数据的例子。
图18(b)是步行时的加速度数据的例子。
图18(c)是步行时的加速度数据的例子。
图18(d)是步行时的加速度数据的例子。
图19是说明步行检测部1710的处理的流程图的例子。
图20是带特征性移动方式排除功能的移动方式判别系统的结构图的例子。
图21是说明特征性移动方式检测部2011的处理的流程图的例子。
图22是表示有轨电车行驶时的速度的特征的图表的例子。
图23是带多个传感器综合功能的移动方式判别系统的结构图的例子。
图24(a)是存储在按因素区别判别基准数据库中的数据的例子。
图24(b)是存储在判别基准决定用数据库中的数据的例子。
图25是带周围终端信息利用功能的移动方式判别系统的结构图的例子。
图26是移动方式判别结果数据库的例子。
图27是带道路状况决定功能的移动方式判别系统的结构图的例子。
图28(a)是按因素区别判别基准数据库的例子。
图28(b)是判别基准决定用数据库的例子。
图29是带无标签数据学习功能的移动方式判别系统的结构图的例子。
图30是说明利用无标签数据修正判别基准值的处理的流程图的例子。
图31(a)是存储在无标签判别基准修正用数据库中的数据的例子。
图31(b)是无标签数据的判别结果的例子。
图31(c)是按因素区别判别基准数据库的修正的例子。
图32是带数据发送控制功能的移动方式判别系统的结构图的例子。
图33是带传感器开/关切换功能的移动方式判别系统的结构图的例子。
图34是道路拥挤状况推定系统的结构图的例子。
图35是存储在道路拥挤状况推定用数据库中的数据的例子。
图36是地图利用道路拥挤状况推定系统的结构图的例子。
图37是带移动方式区别拥挤状况显示功能的道路拥挤状况推定系统的结构图的例子。
图38是按移动方式区别的道路拥挤状况的显示例子。
具体实施方式
以下,使用附图说明实施例。
[实施例1]
在本实施例中,说明使用加速度传感器进行终端持有者的移动方式的判别的系统(以下称为移动方式判别系统)100的例子。
此外,以下作为移动方式以判别汽车和摩托车的方法为例子进行说明,但对于公交车、有轨电车、自行车、在新兴国家等中普及的机动三轮车等,也能够通过同样的方法进行判别。
另外,作为对传感器产生影响的因素,使用与取得数据的环境有关的环境信息、具体地说道路属性、地区等与道路状况有关的信息作为例子。另外,作为环境信息,例如针对驾驶的习惯等驾驶员固有的信息、其他因素也能够通过同样的方法处理,针对它们中的多个因素,还能够切换判别基准。
图1是本实施例的移动方式判别系统的结构图的例子。本移动方式判别系统100具备加速度传感器101、移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104。
加速度传感器101以预定的采样速率测量数据。因素标签赋予部104向从加速度传感器101得到的测量值赋予与道路状况有关的标签。移动方式判别部102根据该标签,读出存储在按因素区别判别基准数据库103中的每个道路状况的判别基准值,将该判别基准值和收集到的数据进行比较,由此判别移动方式。将在后面说明判别的方法。
在此,例如可以通过智能手机等具有加速度传感器、运算部、存储部那样的一台终端来实现移动方式判别系统100。另外,也可以与具有加速度传感器100的智能手机等终端分别地准备进行运算处理的计算机,使得在该计算机内具备移动方式判别部102、按因素区别判别基准数据库103。此外,通过终端或计算机实现因素标签赋予部104即可。
在通过一台终端实现移动方式判别系统100的情况下,例如可以使用图2那样的便携终端200。在便携终端200中,中央运算处理装置203将从加速度传感器202得到的测量值与存储在存储装置204所保存的按因素区别判别基准数据库中的每个道路状况的判别基准值进行比较,由此判别移动方式是汽车还是摩托车。例如使用总线206等收发数据。除此以外,优选具备接受用户输入的输入控制装置201、用于显示判别结果等的画面显示控制装置205。
另外,在通过便携终端实现在实施例中说明的功能的情况下,中央运算处理装置203读出并执行记录在存储装置204中的各种程序,由此实现各种功能。例如,对于移动方式判别部102进行的处理,通过由中央运算处理装置203读出并执行记录在存储装置204中的移动方式判别程序来实现。对于其他处理也同样。
另外,在分别准备具有加速度传感器100的终端、具有移动方式判别部101和按因素区别判别基准数据库103的计算机的情况下,例如可以使用图3那样的计算机。在该情况下,从加速度传感器100得到的测量值,既可以使用例如USB(Universal Serial Bus:通用串行总线)电缆等将加速度传感器100和计算机300连接起来而发送到计算机300,也可以经由网络发送,还可以在暂时写入到CD、DVD等介质中后由计算机300将其读入。由中央运算处理装置302将这样以任意的形式得到的加速度传感器100的测量值读出到主存储装置303中,与存储在辅助存储装置304所保存的按因素区别判别基准数据库103中的每个道路状况的判别基准值进行比较,由此判别移动方式是汽车还是摩托车。例如使用总线306等收发数据。在此,作为主存储装置303,例如可以使用DRAM(动态随机存取存储器)、SRAM(静态随机存取存储器)等。作为辅助存储装置304,例如可以使用硬盘、快闪存储器、软盘等。除此以外,为了接受用户输入,优选具备例如处理来自鼠标、键盘等输入装置310的输入的输入控制装置301、用于显示判别结果等的显示器等输出装置320、用于控制输出的输出控制装置305等。
另外,在通过计算机实现在实施例中说明的功能的情况下,中央运算处理装置302读出并执行记录在辅助存储装置304中的各种程序,由此实现各种功能。例如,对于移动方式判别部102进行的处理,通过由中央运算处理装置302读出并执行记录在辅助存储装置304中的移动方式判别程序来实现。对于其他处理也同样。
接着,说明用于移动方式判别处理的特征量的例子。在此,以以下方法为例子进行说明,即在每一定时间计算从3轴的加速度传感器得到的加速度的范数的分散值,使用将其一定时间的量收集的中值进行判别。
在此,加速度的范数是指在分别将3轴的加速度的测量值设为ax、ay、az时满足a=(ax 2+ay 2+az 2)1/2的值。使用它的理由是因为:各轴方向的加速度的测量值很大程度地依存于终端的方向,因此在放入长裤的口袋、放入胸袋、放入提包中等各种携带方式时,只根据各轴方向的加速度无法得到稳定的值,而与此相对,如果使用范数则能够处理与方向无关的加速度的大小,因此认为能够得到与终端姿态无关的稳定的值。
使用分散值的理由是因为:可以将分散值认为是很好地反映移动方式所固有的振动的值。例如只是简单地使用加速度的绝对值得到启动时、停止时的加减速的不同,在静止时和以固定速度行驶时是无法判别移动方式的,但通过着眼于固有的振动特性的不同,就能够与静止时、加速减速时、固定速度下的行驶时无关地判别移动方式。
在此,说明产生移动方式固有的振动的理由。例如,在汽车、摩托车中装备有以引擎为代表的驱动系统,在驾驶车辆时产生因该驱动系统造成的振动。例如,在汽车的情况下,大多将驱动系统装备在车辆前部的发动机盖中,与乘车人离开了距离,因此该振动难以传递,与此相对,在摩托车的情况下,大多将驱动系统装备在座席下面附近,具有容易将该振动传递到乘车人的倾向。另外,汽车与摩托车相比,吸收因车辆的上下运动等造成的振动而不传递到乘车人的悬挂的功能大多优越,因此也认为汽车与摩托车相比,具有难以将因道路面的凹凸等造成的振动传递到乘车者的倾向。这样,振动的传递方式与移动方式对应地具有一定的倾向,这成为产生移动方式所固有的振动的理由。
使用中值的理由是为了提高判别的稳定性。例如在只根据10秒等短时间段(将其称为小段)中的一个分散值进行判别的情况下,由于在该段中特别是通过了铺设状况差的道路、频繁地重复加减速、传感器偶然产生大的噪声等各种理由,有时会进行错误的判别。与此相对,通过使用在例如900秒、即90个小段等的一定时间(将其称为大段)中收集到该分散值时的中值,能够对上述那样的噪声进行高鲁棒性的判别。
以下,使用图4说明具体的移动方式判别处理的步骤。
首先,在401中,读入加速度传感器的测量值。接着,在402中,因素标签赋予部104赋予对传感器的测量值产生影响的每个因素的标签。例如,在本实施例中,赋予与道路状况有关的标签。在此,也可以以与传感器的采样速率相同的间隔对全部测量值赋予标签。或者,为了削减数据量,也可以指定起点和终点,将其间的数据全部设为同一标签,针对各起点和终点的组只赋予一个标签等。
作为赋予标签的方法,可以使用GPS信息赋予地区、道路属性等与道路状况有关的信息。将在后面说明具体的方法。此外,例如也可以在收集到判别对象数据时进行备注等,以任意的形式在判别对象数据中保留道路属性、地区等用于判断可以从判断基准数据库中读出哪个判别基准值的记录,并根据它手动地进行赋予。在图5(a)中表示赋予了标签的数据的例子。
接着,在403中将数据例如分割为10秒等适当长度的小段。接着,在404中对每个小段计算范数的分散值σ。接着,在405中计算在例如900秒、即90段等的一定时间(大段)中收集到分散值σj时的中值medσj。接着,在406中,从存储有针对每个道路状况预先设定的阈值θk的按因素区别判别基准数据库103中,读出与在402中赋予的标签对应的道路状况的判别基准值。在判别基准数据库中,例如如图5(b)那样存储有因素标签、在本实施例的情况下为每个道路属性(沥青路面、沥青路面(凹凸多)、碎石路……)的阈值。关于判别基准值,不只是阈值,例如只要是用于根据进行变换的结果的正负进行判别的变换式、用于根据输入值输出某移动体相似性的似然函数等用于判别的内容,则可以存储任意内容。另外,认为在发达国家的市中心中已经将道路铺设得很整齐,但是在新兴国家等中没有铺设道路,或者即使铺设也有很多凹凸等,平均的道路的铺设状况根据地区存在倾向。因此,也可以如图5(c)那样设计为对每个地区确定判别基准值。总之,设计数据库使得成为与道路状况匹配的判别基准值是重要的。由此,能够与道路状况对应地选择用于判别是汽车还是摩托车的判别基准值,能够提高判别精度。
在读出判别基准值后,在407中对medσj和θk进行比较。如果medσj比判别基准值θk小,则在408中输出汽车标签,如果medσj比判别基准值θk大,则在409中输出摩托车标签。这是因为认为摩托车的上述固有的振动大。以上结束大段的一个区间的处理。实际上,通过以大段的个数重复该处理,来对每个大段判别移动方式是汽车还是摩托车。
此外,赋予标签的定时并不一定必须如本实施例所记载的那样是刚读出数据之后,例如也可以在划分为大段后向各大段赋予。另外,在如上述那样分别准备终端和计算机的情况下,可以在终端取得加速度数据而发送到计算机之前使用GPS信息来赋予。总之,只要在进行大段的移动方式判别时能够判断可以读出哪个判别基准值,则对于赋予标签的定时没有限定。
另外,在本实施例中,记载了使用加速度传感器作为用于检测移动方式所固有的振动的传感器的例子,但只要是能够检测上述固有的振动的传感器,则既可以使用陀螺仪传感器、磁方位传感器等其他传感器来实施,也可以将这些传感器使用多个来实施。
另外,为了获得固有的振动,在本实施例中介绍了在每一定时间中计算范数的分散值,使用将其以一定时间量收集时的中值的例子,但只要能够表示标准偏差、振幅等固有的振动,则也可以使用其他指标值,也可以代替中值而使用平均值、四分位数等来实施。
[实施例2]
在本实施例中,说明根据事前收集到的判别基准决定用数据(以下将其称为学习用数据)自动地决定用于判别移动方式的判别基准值的系统的例子。
为了进行高精度的移动方式判别,需要适当地确定实施例1所记载的存储在判别基准数据库103中的判别基准值。但是,存在并不一定明白设为怎样的判别基准值才好的问题。
与此相对,通过事前对例如道路状况等对传感器产生影响的每个因素收集汽车、摩托车的数据而构成数据库,可以决定基于实际数据的妥当的判别基准值。通过使用在本实施例中说明的系统,能够根据事前收集到的学习用数据,决定适当的判别基准值,能够提高判别的精度。
图6是表示实施例2的带学习功能的移动方式判别系统600的结构图的例子。
本带学习功能的移动方式判别系统600除了实施例1记载的移动方式判别系统100的结构以外,还具备用于收集学习用数据的传感器606、用于存储收集到的学习用数据的判别基准决定用数据库605、根据该数据决定对传感器产生影响的每个因素的判别基准的判别基准决定部604。作为硬件的结构,例如如图6那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、判别基准决定部604、判别基准决定用数据库605。传感器606使用与用于判别移动方式的传感器101相同种类的传感器。作为学习用数据收集用的传感器606,可以使用安装在希望进行移动方式判别的终端中的传感器101,也可以使用其他终端的加速度传感器,也可以使用它们的双方等而使用多个传感器,在本实施例中,作为例子记载使用加速度传感器的例子。
除了该结构以外,例如也可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图6所示的结构整体,还可以在一台智能手机等终端中实现加速度传感器101、移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104,在计算机中实现判别基准决定部604、判别基准决定用数据库605,在其他智能手机等终端中实现加速度传感器605等。总之,只要能够实现图6所示的功能,对硬件的组合方式没有限定。此外,对于图1的移动方式判别系统100中已经说明的被赋予了图1所示的相同的符号的结构、具有相同的功能的部分,省略说明。
图7是判别基准决定用数据库605所存储的数据的例子。在构筑判别基准决定用数据库时,除了手动地赋予收集到的数据是汽车的数据还是摩托车的数据的标签以外,例如还在收集学习用数据时进行备注等,以任意形式赋予道路属性、地区等用于表示是与怎样的道路状况对应的学习数据的标签。此后,说明通过追加其他结构来自动地赋予道路状况标签的方法。
除此以外,在判别基准决定用数据库中,存储在实施例1中说明图4的处理步骤时记载的分散值的中值。该分散值的中值的计算方法与在实施例1中说明的相同,因此在此省略说明。此外,与实施例1记载的说明同样地,除了在每一定时间计算范数的分散值,并将其以一定时间收集时的中值以外,只要能够表示标准偏差、振幅等固有的振动,则也可以使用其他指标值,还可以代替中值而使用平均值、四分位数等来实施。另外,与按因素区别判别基准数据库103同样地,对于与道路状况有关的信息,例如可以赋予道路属性、地区等标签,但在本实施例中,只记载了使用地区的例子。
以下,说明决定判别基准值的方法。首先,使用加速度传感器606收集学习用数据并存储在判别基准决定用数据库605中。然后,判别基准决定部604参照存储在判别基准决定用数据库605中的学习用数据,计算每个道路状况的判别基准值,将该值存储在按因素区别判别基准数据库103中。在判别基准值的计算中,例如可以使用SVM(Support VectorMachine:支持向量机)。SVM是通过求解某凸最优化问题来推定最好地分离赋予了标签的学习用数据的超平面的方法。
以下,在本实施例中说明应用SVM的方法。首先,将分离汽车的数据(以下称为汽车类的数据)和摩托车的数据(以下称为摩托车类的数据)的超平面的(实际上,此处处理的分散的中值是一维的值,因此为直线)的式子设为y(σn)=w1σn+w0。在此,σn是第n个数据的分散的中值。其目的在于求出该式中的参数w1、w0的最优值。另外,在第n个数据是汽车类时,导入为+1那样的值tn,在是摩托车类时导入为-1那样的值tn。在此,通常认为很少能够完全地分离汽车类的数据和摩托车类的数据,具有一定的重叠。因此,为了对应这样的问题,导入具有放宽SVM中的制约条件的效果的、被称为软间隔(soft margin)的思路。因此,导入松弛变量ξn。ξn是在正确地分类数据时定义为ξn=0、在除此以外的情况下定义为ξn=|tn-y(σn)|的值。根据以上那样的设定,如果基于SVM的理论,则通过针对w0、w1求解在式(1)中给出的带制约的最优化问题,来得到分离汽车类和摩托车类的超平面的式子的参数w0、w1。在此,式(1)的最优化问题是具有2次的目标函数和线性的制约条件的最优化问题,因此能够不限于局部最优的问题而得到解。因此,使用最速下降法、牛顿法等任意的现有算法来求解即可。此外,关于参数C,利用交叉确认法等,一边使用学习用数据确认使C的值变为各种值时的判别精度,一边决定适当的值即可。
[数学式1]
目标函数:
制约条件:
tny(σn)≥1-ξn,n=1,...,N
ξn≥0 (式1)
可以将这样得到的参数w1、w0的值直接存储在按因素区别判别基准数据库103中,在判别时,在根据y(σn)=w1σn+w0求出的y(σn)的值为正时判别为汽车类,在为负时判别为摩托车类。另外,也可以如σ=-w0/w1那样对区别y(σn)的值的正负的函数进行逆运算,将其值存储在按因素区别判别基准数据库103中。除此以外,对于判别基准值的计算方法,例如既可以使用线性判别法,也可以使用逻辑(logistic)回归,还可以使用感知器(perceptron)等。总之,只要能够构成将每个道路状况的汽车和摩托车的分散的中值作为输入而输出类标签那样的分类器即可。在这样决定判别基准值并将其值存储在按因素区别判别基准数据库103中后,对于进行移动方式判别的部分,如已经说明的图4所记载的步骤那样,因此在本实施例中省略说明。
此外,在收集学习用数据时,也可以经由网络进行数据收集。在该情况下,如图8那样向结构中追加用于经由网络发送数据的发送部807即可。该发送部807例如可以与安装有加速度传感器606的终端分别地准备计算机,在该计算机上实现,也可以与加速度传感器606在相同终端上构成。另外,也可以直接发送传感器的原始数据,在判别基准决定用数据库侧决定道路状况和计算分散值的中值等。但是,如果这样构成,则会经由网络发送大量的数据,对网络的负荷增大,因此可以利用在具备传感器606的学习用数据收集用终端侧进行这些计算的基础上只发送计算结果的结构。另外,作为经由网络的数据发送方法,例如可以以电子邮件那样的形式发送数据。另外,例如可以使用图9所示例那样的数据上载用接口进行上载,例如如果是判别汽车/摩托车的情况,则只要能够简单地发送汽车/摩托车的区别和数据取得时间,则可以使用任意的接口。
[实施例3]
在本实施例中,说明通过使用时序的判别结果来提高移动方式判别的精度的系统的例子。
如实施例1所记载的那样,通过使用大段内的中值能够增加判别的稳定性,尽管如此,在特殊的驾驶行动在大段内间断地持续等情况下,也有可能引起错误判别。
另一方面,难以考虑到在实际的生活时,在短时间周期内换乘汽车和摩托车的情况。因此,例如如果作为一连串的判别结果,在连续为汽车的过程中只有一个被判别为摩托车的区间,则能够判断出该区间虽然确实正在乘坐汽车但被错误地判别为摩托车。因此,可以将判别为摩托车的结果修正为汽车。
通过使用本实施例的结构,即使由于噪声因素而判别结果包含少量的错误,通过进行修正,也能够输出稳定的判别结果。
图10是表示实施例3的带修正功能的移动方式判别系统1000的结构图的例子。
本带修正功能的移动方式判别系统1000除了实施例1所记载的移动方式判别系统100的结构以外,还具备时序判别信息存储部1008。此外,对于图1的移动方式判别系统100中的已经说明的被赋予了图1所示的相同符号的结构、具有相同的功能的部分,省略说明。作为硬件的结构,例如如图10那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、时序判别信息存储部1008。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图10所示的结构整体。总之,只要能够实现图10所示的功能,则对于硬件的组合方法没有限定。
图11是说明移动方式判别部102利用时序判别信息存储部1008进行移动方式判别的步骤的流程图的例子。首先,在1101中,通过实施例1或实施例2所记载的方法实施移动方式判别。接着,在1102中,将在1101中得到的暂时的判别结果存储在时序判别信息存储部1008中。然后,在1103中,利用该信息对判别结果实施修正,输出汽车或摩托车的标签而结束。
图12是时序判别信息存储部1008所存储的数据的例子。通过在实施例1或2中说明的方法,暂时对每个大段进行判别,将其与时间信息一起存储在时序判别信息存储部1008中。
作为具体的修正处理的步骤,例如可以在所关注的大段和其前后各2个大段的合计5个段中进行以下修正等,即如果判别为汽车的结果多则将关注段的判别结果设为汽车,如果判别为摩托车的结果多则将关注段的判别结果设为摩托车。例如,在存在图12所记载那样的数据的情况下,将ti的判别结果修正为汽车。除此以外,当然也可以变更考虑上述前后信息的段数,还可以进行只在相同的判别结果连续了一定数以上的情况下进行修正等处理。或者,也可以进行以下处理等,即如在实施例2中记载的那样,通过学习求出判别基准值,在决定该判别基准值时输出判别结果的似然性,只在该似然性为一定值以下的情况下进行修正处理,对于修正的方法没有限定。
[实施例4]
在本实施例中说明以下的系统,其通过进行车辆的静止、行驶的判定来变更所使用的判别基准值的选择,由此提高判别的精度。
在车辆静止时、行驶时,传递到乘坐该车辆的人所持有的终端的振动的特性不同。如实施例1所记载的那样,通过使用分散值能够某种程度地吸收该差异,但通过在静止、行驶时使用各自的判别基准值,能够进一步提高判别的精度。
一般与静止时相比,在行驶时传递到终端的振动变大。另外,如果终端、车辆、终端的拿法或设置的方法、道路状况等条件相同,则静止时的振动的大小和行驶时的振动的大小之间的差大致为固定的值。因此,如果在连续的数据中区分振动小的区间和振动大的区间,则能够判断为分别相当于静止时和行驶时。
因此,通过使用本实施例所记载的结构,进行车辆的静止行驶判定,与该判定结果对应地变更判别基准值,由此能够进行更高精度的移动方式判别。
图13是实施例4的带静止行驶判定功能的移动方式判别系统的结构图的例子。带静止行驶判定功能的移动方式判别系统1300除了实施例1所记载的移动方式判别系统100的结构以外,还具备静止行驶判定部1309。此外,对于图1的移动方式判别系统100中已经说明的被赋予了图1所示的相同符号的结构、具有相同的功能的部分,省略说明。作为硬件的结构,例如如图13那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、静止行驶判定部1309。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图13所示的结构整体。总之,只要能够实现图13所示的功能,则对于硬件的组合方法没有限定。
以下,说明根据传感器的测量值进行静止行驶判定的方法。首先,通过实施例1记载的方法,将连续的数据划分为若干个大段,对每个大段计算分散的中值σi。将此处得到的分散的中值的集合设为Sσ。然后,将属于该Sσ的值例如通过无教师学习的方法分类为2类。
在此,使用图14说明通过k-means法进行2类分类的例子。首先,在1401中,向属于Sσ的各σi随机地分配标签1或2。接着,在1402中,对每个标签根据式(2)计算平均值m1和m2。
[数学式2]
在此,Li表示赋予了标签i的数据的集合,Ni表示赋予了标签i的数据的个数。接着,在1403中,针对各σi,将与类1的平均值m1的距离|σi-m1|和与类2的平均值m2的距离|σi-m2|进行比较,如果与m2的距离近则在1405中将σi的标签设为2,否则在1404中将σi的标签设为1。接着,在1406中检查σi是否有标签的变化,如果在任意的数据中标签都没有变化则结束处理,如果在某一个数据中有标签的变化,则返回到1402而继续进行处理。
将由此所得到的2个类中的值大的一方的类判断为“行驶”,将值小的一方的类判断为“静止”即可。此外,在此说明通过k-means法根据传感器数据进行静止行驶判定的方法,但其方法并不限于k-means法,也可以替代地使用层次聚类(hierarchicalclustering)、自组织映射(self-organizing map)等方法。
如果这样能够进行静止行驶判定,则在构筑按因素区别判别基准数据库103时,在存储数据之前进行静止行驶判定的基础上,赋予静止或行驶的标签而存储数据。另外,在使用实施例2所记载那样的结构,通过学习来决定判别基准值的情况下,在构筑判别基准决定用数据库605时,对于学习用数据也使用与在本实施例中说明的方法同样的方法进行静止行驶判定,除了按移动方式的区别和按道路状况的区别以外,对静止、行驶也分情况地存储数据,在决定判断基准时,按这些因素区别地决定判别基准值。
在图15(a)中表示本实施例的按因素区别判别基准数据库103保存的数据的例子。另外,在图15(b)中表示构筑实施例2所记载那样的带学习功能的移动方式判别系统时的判别基准决定用数据库605保存的数据的例子。针对在此前的实施例中记载的数据库,使其具有按静止行驶区别的信息。
另外,根据GPS信息得到终端的位置信息,因此通过利用它,能够计算车辆的移动速度,由此还能够进行车辆的静止、行驶判定。以下,使用图16说明在结构中追加GPS接收机时根据GPS信息进行静止行驶判定的方法。
首先,在1601中读取GPS信息。根据GPS信息得到终端的位置信息和取得信息的时刻的信息。如果设为在时刻t1和t2接收到的10进制表示的(纬度、经度)分别是(lat1,lon1)(lat2,lon2),则可以在1602中如式(3)那样计算其间的速度。在此,式(3)中的r是表示地球的半径的值。
[数学式3]
进而,在1603中,对每个大段计算速度的平均值meanvj。然后,在1604中,将平均速度meanvj与用于判定静止行驶的阈值φ进行比较,如果meanvj为φ以下则在1605中判定为静止,如果meanvj比φ大则在1606中判定为行驶。作为阈值φ,例如可以使用时速5km等的值。
另外,在使用加速度传感器作为传感器的情况下,也可以通过对加速度进行积分来计算速度,例如通过本实施例记载的方法根据速度信息进行静止、行驶判定。
[实施例5]
在本实施例中,说明通过检测步行所特有的特征而能够检测步行区间的系统的例子。
在进行移动方式判别时,如果要只使用同一基准判别混入了各种移动方式的数据,则有时判别的精度降低。
与此相对,在人步行时,大致1秒钟走2步左右等大都具有一定的节律,因此认为通过获得传感器所示的周期性的节律能够检测步行。
根据本实施例的结构,检测出步行,在排除了该部分的区间应用此前所述的实施例记载的判别方法,由此能够高精度地进行包含步行的数据的移动方式的判别。由此,例如在判别了移动方式的基础上生成交通信息时,通过排除步行,也能够防止错误地将其识别为汽车、摩托车等在道路上行驶的车辆,能够高精度地生成交通信息。
图17是表示实施例5的带步行排除功能的移动方式判别系统1700的结构图的例子。带步行排除功能的移动方式判别系统1700除了实施例1所记载的移动方式判别系统100的结构以外,还具备步行检测部1710。此外,对于图1的移动方式判别系统100中的已经说明的被赋予了图1所示的相同符号的结构、具有相同功能的部分,省略说明。作为硬件的结构,例如如图17那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、步行检测部1710。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图17所示的结构整体。总之,只要能够实现图17所示的功能,则对于硬件的组合方法没有限定。
以下,使用图18说明步行时表现出的特征。图18(a)和图18(b)是以时间为横轴、以加速度传感器的范数的值为纵轴时的步行数据的例子。横轴的一个刻度相当于2秒。根据图18(a)和图18(b)可知在传感器数据中1秒2次左右地存在波峰。这可以认为是因为人1秒2步左右地步行而表现的特征。在图18(a)中交替地显示出不同大小的波峰可以认为是迈出右脚时和迈出左脚时的不同。根据终端的拿法,根据这样迈出左右的哪个脚,既有波峰的大小不同的情况,也有如图18(b)那样几乎相同的情况。总之,作为周期,1秒2次左右地表现出波峰。
图18(c)对图18(a)的加速度数据实施了傅立叶变换,图18(d)对图18(b)的加速度数据实施了傅立叶变换。横轴表示频率(单位Hz),纵轴表示功率。根据图18(c)和图18(d)可以看出在2Hz左右的频带中出现强的峰值。这可以解释为反映了前面说明的1秒2步左右地步行的结果。即,通过获得频带中的该特征,能够检测出步行。
以下,按照上述特征,使用图19说明步行检测部1710的动作。
首先,在1901中将得到的传感器数据分割为适当的时间区间(例如10秒左右)。接着,在1902中对该区间的数据应用傅立叶变换。接着,在1903中判定是否检测出2Hz前后的峰值。如果检测出,则在1904中判断为该区间是步行,输出步行标签而结束处理。如果没有检测出,则在1905中判断为不是步行,处理接着向移动方式判别部102前进。
此外,在此记载了使用加速度传感器检测步行的例子,但对于陀螺仪传感器、磁方位传感器等其他传感器,在步行时也表现出同样的特征,因此也能够通过同样的方法进行使用了其他传感器的步行检测。
[实施例6]
在本实施例中说明以下的系统的例子,即不只进行步行的检测,针对其他的移动方式,也能够根据该移动方式所固有的特征进行检测。
如在实施例5中说明的那样,在进行移动方式判别时,如果要只使用同一基准判别混入了各种移动方式的数据,则有时判别的精度降低。与此相对,根据移动方式,有时具有该移动方式所固有的特征,认为通过获得该特征,能够检测出该移动方式。
根据本实施例的结构,检测出这样的移动方式,在排除了该部分的区间应用此前所述的实施例记载的判别方法,由此能够高精度地判别移动方式。由此,例如在判别了移动方式的基础上生成交通信息时,通过排除有轨电车、飞机、船、自行车等,能够防止错误地将其识别为汽车、摩托车等在道路上行驶的车辆,能够生成高精度的交通信息。
图20是表示带特征性移动方式排除功能的移动方式判别系统2000的结构图的例子。
本带特征性移动方式排除功能的移动方式判别系统2000除了实施例1所记载的移动方式判别系统100的结构以外,还具备特征性移动方式检测部2011、GPS接收机2012。此外,对于图1的移动方式判别系统100中的已经说明的被赋予了图1所示的相同的符号的结构、具有相同的功能的部分,省略说明。作为硬件的结构,例如如图20那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、特征性移动方式检测部2011,在其他终端中实现加速度传感器101、GPS接收机2012。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图20所示的结构整体,例如也可以在其他终端中只实现GPS接收机2012。总之,只要能够实现图20所示的功能,则对于硬件的组合方法没有限定。
以下,使用图21说明特征性移动方式检测部2011的动作。在此,作为特征性移动方式的例子,记载有轨电车、自行车、飞机、船。
首先,记载检测被认为比较容易检测的飞机的方法。作为与其他交通工具进行比较时的飞机的特征,可以列举移动速度快。例如飞机以外的交通工具中,几乎没有超过时速500km那样的例子。因此,设定速度的阈值,在2101中,在检测出比其更快的速度时将该区间的移动方式判断为飞机,输出飞机标签而结束处理。如在实施例4中所述的那样,可以使用GPS信息计算速度,因此省略说明。
接着,记载检测船的方法。作为与其他交通工具进行比较时的船的特征,是在海、湖上移动。有时飞机也在这些场所移动,但在2101中排除了飞机的数据,因此在此可以认为在这些场所移动的只有船。从GPS接收机2012得到位置信息,因此在2102中,在检测出在这些场所移动时,将该区间的移动方式判断为船,结束处理。
接着,记载检测自行车的方法。作为与其他交通工具进行比较时的特征,是在数据中出现周期性的节律。在步行时也检测出这样的节律,但能够另外通过实施例5所记载的方法检测出步行的区间,因此如果先进行步行的检测,则在此可以不考虑。使用与实施例5记载的方法同样的方法进行频率变换,检测上述周期性的节律。但是,与步行的情况不同,驾驶自行车的速度中存在很大波动,因此在某阈值θf以下的频带中出现强的峰值的情况下,在2103中将该区间的移动方式判断为自行车,结束处理。作为阈值θf的值,例如可以通过根据另外收集到的自行车的数据进行学习等方法来决定。
接着,记载检测有轨电车的方法。作为与其他交通工具进行比较时的特征,可以列举进行直线移动的情况多、速度变化的样子。有轨电车与在道路上行驶的汽车、摩托车不同,在交叉点这样的地方几乎不近90度地进行转弯,另外在站和站之间行驶的期间也几乎不根据信号而停止。因此,移动路径容易成为直线,速度容易成为图22所示那样的特征。在图22中,t1、t5、t9是在站内停车的区间,t2、t6是从站出发而加速的区间,t3、t7是以固定速度在站间行驶的区间,t4、t8是到站前减速的区间。对于位置以及速度,可以通过此前的实施例所记载的方法计算。在2104中如果检测出这样的特征,则将该区间的移动方式判断为有轨电车,结束处理。
在以上的任意一个步骤中都没有检测出特征性移动方式的情况下,在2105中判断为不是特征性移动方式,接着转移到移动方式判别部102的处理。
此外,在此作为特征性移动方式的例子,记载了有轨电车、自行车、飞机、船,但对于这些以外的移动方式,也能够同样地通过获得该移动方式固有的特征来检测。
[实施例7]
在本实施例中,说明通过综合地使用多个传感器而能够提高判别精度的系统的例子。
如果要仅通过一个传感器进行移动方式的判别,则有时屡次产生该传感器特有的噪声,由此判别精度有可能降低。其例子例如有在加速度传感器的情况下间断地重复进行加减速时、在陀螺仪传感器的情况下要在弯道多的道路上行驶时、在磁方位传感器的情况下在发电站等产生强电磁的设施附近行驶时等。与此相对,认为能够通过使用多个传感器来对应,但只简单地使用多个传感器,无法构筑对上述那样的传感器个别的问题鲁棒的判别系统。通过一边按容易附带传感器固有的噪声那样的状况区别地切换传感器,一边综合地使用多个传感器进行判别,能够减轻传感器固有的噪声的影响。
根据本实施例的结构,通过综合地使用多个传感器,在只有一个传感器时由于噪声的影响会引起错误判别那样的状况下,也能够利用其他传感器的信息得到稳定的判别结果。
图23是表示实施例7的带多个传感器综合功能的移动方式判别系统2300的结构图的例子。
本带多个传感器综合功能的移动方式判别系统2300除了实施例1所记载的移动方式判别系统100的结构以外,还具备其他传感器2313、综合移动方式判别部2315,代替移动方式判别部102而具备按传感器区别移动方式判别部2314。此外,对于图1的移动方式判别系统100中的已经说明的被赋予了图1所示的相同的符号的结构、具有相同的功能的部分,省略说明。作为硬件的结构,例如如图23那样,在计算机上实现按因素区别判别基准数据库103、因素标签赋予部104、按传感器区别移动方式判别部2314、综合移动方式判别部2315,在其他终端中实现加速度传感器101、其他传感器2313。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图20所示的结构整体,例如也可以在其他终端中只实现其他传感器2315。总之,只要能够实现图23所示的功能,则对于硬件的组合方法没有限定。
以下,说明综合地使用多个传感器进行移动方式判别的方法。首先,对每个传感器应用在此前的实施例中说明的移动方式判别方法,进行按各传感器区别的移动方式判别。即,首先,在将数据分割为小段并计算范数的分散值后,计算以一定个数收集到它的大段的中值。然后,从按因素区别判别基准数据库103读出例如道路状况等每个因素的判别基准值,通过与其进行比较,来判别关注大段区间的移动方式。
在此,如图24(a)那样对每个传感器设置判别基准值。例如可以通过在实施例2中说明的方法,使用学习数据来决定该每个传感器的判别基准值。在该情况下,在对每个传感器收集到学习用数据的基础上,进行判别基准值的学习。判别基准决定用数据库为图24(b)那样。另外,可以适当地附加在此前的实施例中说明的那样的结构,进行步行检测、静止行驶判定、道路状况自动决定、利用时序的判别结果的判别结果的修正等。
接着,向综合移动方式判别部2315发送每个传感器的最终的移动方式判别结果。如果这样得到来自各传感器的判别结果,则综合移动方式判别部2315综合地使用这些结果输出最终的移动方式判别结果。
具体地说,例如在判别汽车和摩托车的情况下可以进行以下判别,即,在式(4)所示的不等式成立的情况下判别为汽车,在不成立的情况下判别为摩托车。在此,式(4)中的si是传感器的种类,S是传感器的集合,wi是对si赋予的权重,Ci是在传感器si的判别结果是汽车的情况下为1、在是摩托车的情况下为0的数值,Bi是在传感器si的判别结果是汽车的情况下为0、在是摩托车的情况下为1的数值。
[数学式4]
通过适当地设定对每个该传感器赋予的权重wi,能够进行高精度的判别。通过检测噪声比其他传感器大的时间区间,并针对该时间区间减小该传感器的权重,能够适当地设定权重。例如,如果是加减速间断地持续的区间,则减小加速度传感器的权重。另外,在弯道多的区间中减小陀螺仪传感器的权重。或者,在电磁的紊乱大的场所附近行驶的区间中,减小电磁方位传感器的权重等。
此外,本实施例中所记载的综合方法是一个例子,也可以预先定义每个传感器的可靠度来进行加权。另外,以下的综合方法等也没有问题,即在每个传感器的判别时,根据相对于判别基准值的背离度对判别结果赋予可靠度,将其值用作权重。
[实施例8]
在本实施例中,说明能够在汇总多个移动方式判别装置的判别结果的基础上进行移动方式判定的修正的系统的例子。
如果只使用一台便携终端进行移动方式判别,则在终端具有热的情况下对传感器的值附加噪声等,由于因某种因素产生的噪声而有可能造成判别精度的降低。
与此相对,如果能够灵活运用周围存在的终端的信息,则在存在这样的噪声的情况下也能够进行稳定的判别。例如,在数米以内存在5台以上的终端,并且它们具有几乎相同的移动轨迹,传感器数据的特征也相似等情况下,可以判断为这些终端正搭载同一车辆进行移动。如果假设这些终端中的只有一台输出了与其他终端不同的判别结果,则能够进行修正使得该判别结果与其他终端信息取得一致性。
根据本实施例的结构,通过在服务器侧利用周围的终端的信息进行移动方式判别的修正处理,能够高精度地进行移动方式的判别。
图25是表示实施例8的带周围终端信息利用功能的移动方式判别系统的结构图的例子。
带周围终端信息利用功能的移动方式判别系统2500除了实施例1所记载的移动方式判别系统100的结构以外,还具备GPS接收机2516、移动方式判别结果数据库2517、判别结果修正部2518。此外,对于图1的移动方式判别系统100中的已经说明的被赋予了图1所示的相同的符号的结构、具有相同的功能的部分,省略说明。作为硬件的结构,例如如图25那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104,在服务器上实现移动方式判别结果数据库2517、判别结果修正部2518,在其他终端中实现加速度传感器101、GPS接收机2516。除了该结构以外,例如可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现服务器以外的部分,也可以在一台计算机中实现计算机和服务器的功能等。总之,只要能够实现图25所示的功能,则对于硬件的组合方法没有限定。
以下,说明利用周围的终端信息修正移动方式的判别结果的方法。首先,通过在此前的实施例中说明的方法进行移动方式判别,将其结果存储在移动方式判别结果数据库2517中。这时,还配合地存储为了以后检索周围终端而利用的、终端的ID、使用GPS接收机2516得到的终端的纬度经度信息、以及接收到该GPS信息的日期时间。在图26中表示存储在移动方式判别结果数据库中的数据的例子。
接着,判别结果修正部2518根据存储在移动方式判别结果数据库2517中的数据,进行某终端的周边终端的检索。具体地说,例如从移动方式判别结果数据库2517中搜索位置和时间的差为一定值以内的终端ID。如果设10进制表示的(纬度、经度)分别是(lat1,lon1)(lat2,lon2),则可以根据式(5)计算该2点之间的距离d。在此,式(5)中的r是表示地球的半径的值。
[数学式5]
另外,如果设得到该2个数据的时间分别是t1、t2,则可以根据|t2-t1|来计算时间差。使用它们和适当的阈值θd和θt,在d<θd并且|t2-t1|<θt成立时,判定为发送了这些数据的2个终端存在于周边。对于θd和θt的值,例如可以使用10m、1秒等。在这样的条件连续持续一定时间以上、例如10分钟以上的情况下,可以判断为这些终端存在于同一车辆上。
如果这样找到存在于同一车辆上的多台终端,则进行移动方式判别结果的修正处理。具体地说,进行以下等处理即可,例如在汽车和摩托车的判别中,在存在N台判断为存在于同一车辆上的终端时,如果超过其半数的N/2的终端的判别结果是汽车,则将判断为存在于同一车辆上的全部终端的判别结果设为汽车,如果超过N/2的终端的判别结果是摩托车,则将判断为存在于同一车辆上的全部终端的判别结果设为摩托车,在判别结果正好分为各N/2的相同个数的情况下不进行修正。修正的方法当然并不限于此,可以是以下的各种修正的方法等,即在预先定义每个终端的可靠度来进行加权的每个终端的判别时,根据相对于判别基准值的背离度,对判别结果赋予可靠度,将其值用作权重。
[实施例9]
在本实施例中,说明通过根据GPS信息推定地区等而能够自动地赋予针对道路状况的标签的系统的例子。
例如在准备大量的学习用数据时等,逐个地手动赋予道路属性、地区等与道路状况有关的标签要花费很大的时间。另一方面,如果使用GPS信息,则能够知道GPS接收机的位置信息。道路状况具有根据场所而不同的倾向,因此认为能够根据GPS信息推定道路状况。因此,通过使用本实施例所记载的结构,能够自动地根据GPS信息赋予该标签,能够削减赋予标签的时间。
图27是表示实施例9的带道路状况自动决定功能的移动方式判别系统2700的结构图的例子。
带道路状况自动决定功能的移动方式判别系统2700除了实施例2所记载的带学习功能的移动方式判别系统600的结构以外,还具备GPS接收机2719和2721、道路状况决定部2720和2722。此外,通过道路状况决定部2720和2722来实现因素标签赋予部104的处理。对于图6的带学习功能的移动方式判别系统600中的已经说明的被赋予了图6所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图27那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、判别基准决定部604、判别基准决定用数据库605,通过智能手机等终端(将其称为判别用终端)实现加速度传感器101、GPS接收机2719、道路状况自动决定部2720,通过智能手机等终端(将其称为收集用终端)实现加速度传感器606、GPS接收机2721、道路状况自动决定部2722。除了该结构以外,例如可以在同一终端中实现判别用终端和收集用终端,也可以使用兼具传感器和计算机的功能的智能手机等在一台终端上实现判别用终端和计算机的部分,也可以在一台终端中实现图27所示的全部结构等。总之,只要能够实现图27所示的功能,则对于硬件的组合方法没有限定。
接着,说明道路状况决定部根据GPS信息生成道路状况标签的步骤。在此,记载以下的例子,即使用纬度、经度信息生成唯一确定的地区ID,根据它设为存储在按因素区别判别基准数据库103、判别基准决定用数据库605中时的道路状况标签。
在GPS信息中包含GPS接收机的纬度、经度的信息。在此,假设用10进制表示来表示这些纬度、经度。例如,将其分别按每0.1度进行划分,对各个区域赋予固有的ID,由此能够生成唯一确定的地区ID。此外,纬度的0.1度相当于约11km,经度0.1度为其以下(在赤道上为约11km,每次纬度增大则其距离缩短),因此其相当于约11km四方以下的区域。如果是该程度的区域,则认为除了一部分例外以外,在区域内道路状况大多没有很大变化,因此能够用作表示道路状况的ID。当然通过根据需要将其划分为更细致的区域,能够增加区域内的道路状况的均匀性。
作为具体的ID的生成方法,例如在设纬度为lat(度,-90≤lat≤90),设经度为lon(度,-180<lon<180)的情况下,使用i=[lat×10](其中,[]表示高斯记号,[X]表示不超过X的最大整数)、j=[lon×10],将该地点的ID设为Ai、j即可。根据该例子,例如在纬度是35.68度,经度是139.76度的情况下,生成的ID为A356,1397。
将这样得到的地区ID用作表示道路状况的标签,构筑按因素区别判别基准数据库103、判别基准决定用数据库605。具体地说,代替图5(b)的道路属性、图5(c)和图7中的地区而使用上述地区ID即可。另外,也可以使用地图信息等检索与地区ID对应的地区、道路属性,将它们用作表示道路状况的标签。在图28(a)中表示本实施例的按因素区别判别基准数据库的例子,在图28(b)中表示判别基准决定用数据库的例子。然后,关于进行移动方式判别的方法,与实施例1记载的方法相同,因此在本实施例中省略。
此外,除了本实施例记载的方法以外,为了根据GPS信息生成道路状况标签,例如也可以预先另外准备用于决定道路状况的数据库,预先将使纬度、经度的信息和地区ID对应起来的信息存储在其中,通过参照它来求出地区ID(即该地区的平均的道路状况)。另外,也可以预先确定地区的代表点的坐标,如果相对于该代表点的距离为一定值以内则赋予该地区ID。另外,例如还可以应用k-means法等无教师学习法,根据纬度、经度将学习用数据分为k类,依照它生成k个道路状况ID等。另外,也可以在决定判别用数据属于哪个ID时,使用k-最近邻(k-nearest neighbor)法等方法,根据GPS数据决定道路状况标签的方法没有限定。
另外,对于存储地图信息的数据库,除了本实施例的结构以外,也可以通过使用现有的地图匹配等方法,区别“高速道路”、“普通路”、“农道”等,用作表示道路状况的标签。
[实施例10]
在本实施例中,说明能够将没有附加移动方式的标签的数据还灵活运用为学习用数据的系统的例子。
如在此前的实施例中记载的那样,为了进行高精度的判别,有大量的学习用数据是理想的。但是,在收集学习用数据时,例如在保留汽车还是摩托车的记录并在赋予标签的基础上进行上载的作业会花费一定的时间,因此为了大量地取得数据,该作业是不理想的。
另一方面,即使是没有附加标签的数据,有时也能够根据时序信息等高准确度地推定标签。因此,如果有效地灵活运用这样的数据,则不花费附加标签的时间,就能够收集大量的数据,设定基于它的判别基准值。
根据本实施例的结构,使用少量的附加了移动方式的标签的数据、大量的没有附加移动方式的标签的数据,将没有附加标签的数据也作为学习用数据来灵活运用,由此能够在削减时间的同时收集大量的学习用数据,设定高精度的判别基准值。
图29是表示实施例10的带无标签数据学习功能的移动方式判别系统2900的结构图的例子。
带无标签数据学习功能的移动方式判别系统2900除了实施例2所记载的带学习功能的移动方式判别系统600的结构以外,还具备无标签判别基准修正用数据库2925、判别基准修正部2926。此外,对于图6的带学习功能的移动方式判别系统600中的已经说明的被赋予了图6所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图29那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、因素标签赋予部104、判别基准决定部604、判别基准决定用数据库605、无标签判别基准修正用数据库2925、判别基准修正部2926,分别在不同的终端中实现加速度传感器101、加速度传感器606。除了该结构以外,例如加速度传感器101、加速度传感器606可以使用相同的加速度传感器,也可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现图29所示的结构整体。总之,只要能够实现图29所示的功能,则对于硬件的组合方法没有限定。
以下,使用图30说明修正判别基准的方法。此外,对于其他的数据收集部分、移动方式判别部分,与此前的实施例记载的方法相同,因此在此省略说明。另外,使用作为移动方式而判别汽车和摩托车的例子进行说明。
首先,在3001中,从判别基准决定用数据库605中读出附加了汽车还是摩托车的标签的学习用数据,依照实施例2记载的方法决定判别基准值。接着,在3002中,判别基准修正部2926从无标签判别基准修正用数据库2925中读出没有附加汽车还是摩托车的标签的数据,应用在实施例2中说明的移动方式判别方法。
在此,在无标签判别基准修正用数据库2925中存储有图31(a)那样的没有附加汽车还是摩托车的标签的数据。假设应用在实施例2中说明的移动方式判别方法的结果是例如得到图31(b)那样的结果。在此,如果添加前后信息,则ti-1的判别结果判断为是汽车的可能性高。因此,接着在3003中,对每个道路状况计数被判断为需要进行这样的修正的数据的个数Nj。在此,对于是否需要进行修正的判断,例如在关注的数据和其前后各2个数据的合计5个数据中只有关注的数据的判别结果不同的情况下,判断为需要进行修正即可。
接着,在3004中,针对每个应该修正的数据,计算该数据的分散的中值σk,j和对应的判别基准值θj之间的差Δθk,j=σk,j-θj。接着,在3005中计算式(6)所示的将对Δθk,j乘以修正率αk所得的结果进行Nj个的合计的Δθj的值。
[数学式6]
在此,作为修正率αk,例如可以一律使用1/Nj等(这相当于在应该修正的数据中取差值的平均),也可以根据判断为应该进行修正的确信程度进行加权。具体地说,例如在关注的数据和其前后各3个数据的合计7个数据中只有关注的数据的判别结果不同的情况下,设为αk=1/Nj,在除了关注的数据以外还有一个数据的判别结果不同的情况下,设为αk=1/2Nj,在除了关注的数据以外还有2个数据的判别结果不同的情况下,设为αk=1/3Nj等。使用这样得到的Δθj,最后在3006中更新为θj←θj+Δθj。这些结果例如如图31(c)那样,能够修正判别基准值使得该判定结果容易成为汽车。
[实施例11]
在本实施例中,说明只在能够接收到GPS信号时发送数据而进行数据收集的移动方式判别系统的例子。
如果使用大量终端经由网络收集大量的学习用数据,则对用于该数据发送的网络线路的负荷大,有时产生通信速度降低等问题。
另一方面,在学习用数据中也存在无法用于学习的数据,因此并不一定需要发送收集到的全部数据。例如,在实施例9记载的带道路状况决定功能的移动方式判别系统中,为了决定道路状况而使用了GPS信息,因此无法将不能接收到GPS数据时的数据用作学习用数据。或者,即使能够取得,在其精度明显差的情况下也不适合使用。在原理上在无法从4个以上的GPS卫星接收到电波时不可能进行基于GPS信息的定位。例如,可能经常发生被高的建筑物遮挡的情况、在隧道中行驶时等无法从4个以上的GPS卫星接收到电波或精度降低的情况。在这样无法接收到GPS信号、或即使能够接收但其精度明显低时,如果不是如在实施例1等中记载的那样在手动地附加与道路状况有关的标签的基础上发送数据,则无法作为学习用数据来使用。因此,即使发送没有附加标签的数据也会产生浪费。
因此,通过向结构中追加根据是否能够接收到GPS信息或者如果能够接收到则根据其精度是否充分来控制是否发送数据的部分,能够只发送必要的数据。由此,能够在减轻对网络的负荷的同时,收集大量的学习用数据。
图32是表示实施例11的带数据发送控制功能的移动方式判别系统3200的结构图的例子。
带数据发送控制功能的移动方式判别系统3200除了实施例9记载的带道路状况决定功能的移动方式判别系统2700的结构以外,还具备实施例2记载的发送部807、作为新的结构的发送控制部3227。该发送控制部3227根据是否能够取得GPS数据或者如果能够接收则根据其精度是否充分,来控制是否发送数据。此外,对于图27的移动方式判别系统2700中的已经说明的被赋予了图27所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图32那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、判别基准决定部604、判别基准决定用数据库605,通过智能手机等终端(将其称为判别用终端)实现加速度传感器101、GPS接收机2719、道路状况自动决定部2720,通过智能手机等终端(将其称为收集用终端)实现加速度传感器606、GPS接收机2721、道路状况自动决定部2722、发送控制部3227、发送部807。除了该结构以外,例如可以在同一终端中实现判别用终端和收集用终端,也可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现判别用终端和计算机的部分,也可以在一台终端中实现图32所示的全部结构等。总之,只要能够实现图32所示的功能,则对于硬件的组合方法没有限定。
[实施例12]
在本实施例中,说明能够控制为只在能够接收GPS信号时进行加速度传感器的测量的移动方式判别系统的例子。
为了使用加速度传感器进行加速度的测量,要消耗比较大的电力。另外,如果以高的采样速率持续进行测量,则用于保存该数据的存储器消耗也变大。
另一方面,如在实施例11也记载的那样,在实施例9记载的带道路状况决定功能的移动方式判别系统中,在无法接收到GPS信号时、或即使能够接收而精度也明显低时,无法决定道路状况。因此,即使只有学习用数据收集用传感器能够进行测量,也无法将其作为学习用数据来使用,即使发送该数据也会产生浪费。因此,可以说在无法取得GPS信息时、或即使能够取得而精度也明显低时,加速度传感器本来也不需要进行测量。
因此,只在能够取得GPS信息并且其精度充分时,进行加速度传感器的测量,由此能够减轻上述电力消耗、存储器消耗。
图33是表示实施例12的带传感器开/关切换功能的移动方式判别系统3300的结构图的例子。
带传感器开/关切换功能的移动方式判别系统3300除了实施例9记载的带道路状况决定功能的移动方式判别系统2700的结构以外,还具备测量开/关切换部3328。该测量开/关切换部3328根据是否能够取得GPS数据或者其精度是否充分,来控制将加速度传感器设为开还是设为关。此外,对于图27的移动方式判别系统2700中的已经说明的被赋予了图27所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图33那样,在计算机上实现移动方式判别部102、按因素区别判别基准数据库103、判别基准决定部604、判别基准决定用数据库605,通过智能手机等终端(将其称为判别用终端)实现加速度传感器101、GPS接收机2719、道路状况自动决定部2720,通过智能手机等终端(将其称为收集用终端)实现加速度传感器606、GPS接收机2721、道路状况自动决定部2722、测量开/关切换部606。除了该结构以外,例如可以在同一终端中实现判别用终端和收集用终端,也可以使用兼具传感器和计算机的功能的智能手机等,在一台终端上实现判别用终端和计算机的部分,也可以在一台终端中实现图33所示的全部结构等。总之,只要能够实现图33所示的功能,则对于硬件的组合方法没有限定。
[实施例13]
在本实施例中,说明利用移动方式判别的结果推定道路的拥挤状况和利用状况的道路拥挤状况推定系统的例子。
在制定道路铺设计划时等,需要掌握当前的道路的拥挤状况和利用状况。对此,以前主要使用了利用车载机收集交通信息的方法、在道路侧设置电波信标等来收集交通信息的方法等。但是,特别在新兴国家等中,存在车载机、信标的设置成本等高而没有普及它们的问题。另一方面,安装有GPS功能的智能手机等便携终端已经普及,对使用它的道路拥挤状况推定技术寄予期待。通过根据GPS信息计算位置和车速,能够推定道路的拥挤状况和利用状况。但是,与在道路上行驶的大多数是汽车那样的日本的交通情况不同,在新兴国家等中,价格比汽车便宜的摩托车特别广泛普及,在道路上汽车和摩托车混合地行驶。对于汽车和摩托车来说车体的大小不同,因此即使是对于汽车来说拥挤的道路,摩托车也能够在车辆间穿过行驶,因此有时可以说对于摩托车来说不怎么拥挤。因此,如果不区别汽车和摩托车而推定道路拥挤状况,则产生成为不表示实际状态的精度差的推定的问题。
根据本实施例的结构,能够在通过此前的实施例中说明的方法进行汽车和摩托车的判别的基础上推定道路的拥挤状况和利用状况,因此能够得到更接近于实情的推定结果。
以下主要说明推定道路拥挤状况的方法,但也可以通过同样的方法推定道路的利用状况,因此省略说明。
图34是表示实施例13的道路拥挤状况推定系统3400的结构图的例子。
道路拥挤状况推定系统3400具备实施例1记载的移动方式判别系统100、拥挤状况推定用数据库3401、拥挤状况推定部3402、GPS接收机3403。在此,移动方式判别系统100和GPS接收机的组也可以不限于1组,而使用多台移动方式判别系统和GPS接收机。另外,也可以使用实施例2以后记载的附加了其他功能的移动方式判别系统来代替该移动方式判别系统100。
作为硬件的结构,例如如图34那样,在一台计算机上实现拥挤状况推定用数据库3401、拥挤状况推定部3402。关于移动方式判别系统100的结构,如实施例1所记载的那样,可以分别准备传感器和计算机来实现,也可以使用智能手机等在一台终端上实现。除了该结构以外,也可以使用用于移动方式判别的计算机来实现拥挤状况推定用数据库3401、拥挤状况推定部3402等。总之,只要能够实现图34所示的功能,则对于硬件的组合方法没有限定。
以下,说明道路拥挤状况推定系统3400的动作。首先,在各移动方式判别系统100中进行移动方式判别。汇总地发送其结果、终端ID、从GPS接收机3403得到的位置信息(纬度和经度)、能够根据GPS信息通过实施例4记载的方法计算出的速度、数据取得日期时间。其结果是在拥挤状况推定用数据库3401中例如存储图35所示的数据。假设进行移动方式判别的单位即大段的长度例如是900秒,例如如果生成每1秒的道路拥挤状况推定用数据,则汇总地发送900行的图35记载的数据。这时,关于该900行的数据,移动方式的判别结果全部相同。
如果从多个便携终端得到这些数据,则拥挤状况推定部3402进行道路拥挤状况的推定。具体地说,例如通过实施例9记载的方法,根据纬度、经度信息确定地区ID,在地区内对每个汽车和摩托车计算速度的平均值。对汽车和摩托车分别独立地生成如果其值为一定值以下则为拥挤、如果为一定值以上则为不拥挤的判断。由此,能够推定相应地区的汽车和摩托车的拥挤状况。当然也可以不只是2个阶段,而能够根据平均速度区别地分为空、稍空、普通、稍拥挤、拥挤等多个阶段。另外,也可以不这样离散化,而例如根据某函数对平均速度进行变换,计算连续的道路拥挤指数。例如,可以如式(7)那样计算道路拥挤指数I。在式(7)中,vMax例如是法定速度等该地区或道路中的最高速度,vMin例如是0等最低速度,vmean是如上述那样计算出的平均速度。
[数学式7]
在式(7)中,如果平均速度与最高速度相同则道路拥挤指数为0,如果平均速度与最低速度相同则道路拥挤指数为100,在平均速度为它们之间的情况下,与其值对应地取0~100之间的值。
此外,在此记载了通过简便的方法推定道路拥挤状况的例子,但存在许多用于根据GPS信息推定道路拥挤状况的技术,因此也可以应用这些现有技术进行道路拥挤状况的推定。总之,只要能够在进行移动方式判别的基础上收集拥挤状况推定用数据,推定分别与汽车和摩托车对应的拥挤状况,则对用于推定的手段没有限定。
[实施例14]
在本实施例中,说明通过利用地图信息能够推定详细的道路拥挤状况的道路拥挤状况推定系统的例子。
在实施例13中记载了不需要道路地图信息的道路拥挤状况推定系统的例子。通过细致地划分能够根据GPS信息限定的地区,能够对某区域的道路拥挤状况进行推定。但是,为了推定更详细的信息、例如每一条道路的拥挤状况,将其与实际的道路关联起来,需要道路地图。因此,在本实施例中,说明通过使用地图数据库能够推定与实际的道路关联的详细的道路拥挤状况的系统。
图36是表示实施例14的地图利用道路拥挤状况推定系统的结构图的例子。
地图利用道路拥挤状况推定系统3600除了实施例13记载的道路拥挤状况推定系统3400的结构以外,还具备地图数据库3605、代替拥挤状况推定部3402的地图利用拥挤状况推定部3604。此外,对于图34的道路拥挤状况推定系统3400中的已经说明的被赋予了图34所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图36那样,在一台计算机上实现拥挤状况推定用数据库3401、地图利用拥挤状况推定部3604、地图数据库3605。关于移动方式判别系统100的结构,如实施例1所记载的那样,可以分别准备传感器和计算机来实现,也可以使用智能手机等在一台终端上实现。除了该结构以外,例如可以使用用于移动方式判别的计算机来实现拥挤状况推定用数据库3401、拥挤状况推定部3402等,也可以在其他计算机上实现地图利用数据库。总之,只要能够实现图36所示的功能,则对于硬件的组合方法没有限定。
以下,说明地图利用拥挤状况推定部3604的动作。地图信息利用拥挤状况推定部3604从地图数据库3605中读出地图信息,例如通过地图匹配等任意的现有方法,求出在数据发送时刻移动方式判别系统100所存在的道路。如果地图匹配的结果是能够判断出在哪条道路上行驶,则如实施例13所记载的那样,对每条道路合计汽车和摩托车的速度,分别计算速度的平均值。对汽车和摩托车分别独立地生成如果其值为一定值以下则该道路拥挤、如果为一定值以上则不拥挤的判断。由此,能够推定相应地区的汽车和摩托车的拥挤状况。
[实施例15]
在本实施例中,说明能够使用移动方式判别和拥挤状况推定的结果,显示按移动方式区别的道路拥挤状况的道路拥挤状况推定系统的例子。
即使通过实施例13和实施例14记载的方法等得到了每个移动方式的道路拥挤状况的推定结果,也只是将其保存为文本信息,难以直观地掌握哪条道路拥挤,哪条道路不拥挤。另外,也难以进行同一道路上的按移动方式区别的拥挤状况的比较等。
与此相对,例如如果与地图重叠地按移动方式区别地显示道路拥挤状况,或按移动方式区别地改变显示方法,则提高了识别性,例如能够直观地掌握某地区中的按移动方式区别的交通流。如果利用该按移动方式区别的道路拥挤信息,则例如在制定新道路建设计划时、设置新的交通管制时等,例如能够适当地决定摩托车专用车道、汽车专用车道、公交车专用车道的个数,或设置交通管制使得某道路只有公交车能够在高峰时间通行等,能够制定与当地情况符合的各种计划。
图37是表示实施例15的带按移动方式区别拥挤状况显示功能的道路拥挤状况推定系统的结构图的例子。
带按移动方式区别拥挤状况显示功能的道路拥挤状况推定系统3700除了实施例13记载的道路拥挤状况推定系统3400的结构以外,还具备按移动方式区别拥挤状况显示部3706。此外,对于图34的道路拥挤状况推定系统3400中的已经说明的被赋予了图34所示的相同的符号的结构、具有相同的功能的部分,省略说明。
作为硬件的结构,例如如图37那样,在一台计算机上实现拥挤状况推定用数据库3401、拥挤状况推定部3402、按移动方式区别道路状况显示部3706。关于移动方式判别系统100的结构,如实施例1所记载的那样,可以分别准备传感器和计算机来实现,也可以使用智能手机等在一台终端上实现。除了该结构以外,例如可以使用用于移动方式判别的计算机来实现拥挤状况推定用数据库3401、拥挤状况推定部3402等,也可以在其他计算机上实现按移动方式区别拥挤状况显示部3706。总之,只要能够实现图37所示的功能,则对于硬件的组合方法没有限定。
以下,说明按移动方式区别拥挤状况显示部3706的动作。此外,在此记载以下方法,即除了上述的最小结构以外,还使用实施例14记载的地图数据库3605,与地图配合地显示拥挤状况。由此,能够掌握更详细的道路拥挤状况。此外,当然在无法利用地图信息的情况下,只要通过实施例13记载的方法求出地区ID,对每个地区ID应用对每条道路应用的本实施例记载的方法,则也能够同样地实现。
首先,移动方式区别拥挤状况显示部3706从拥挤状况推定部3402接收每条道路的按移动方式区别的拥挤状况推定结果。依照其结果,例如如图38那样,对每个移动方式进行色彩区分,用箭头的长度来表示平均速度,使显示装置显示道路拥挤状况。当然也可以是其他显示方法,例如可以用颜色的浓淡来表示平均速度,也可以追加动画功能,使表示移动方式的图标、对每个移动方式进行色彩区分的记号在道路上移动,与道路拥挤状况推定部计算出的平均速度对应地设定该移动的速度。这时,如果想办法强调显示特别拥挤的交叉点等,则能够进一步提高识别性。另外,预想道路的拥挤状况在每个时间段中不同。因此,例如划分为每1小时地显示上述的显示,能够容易地掌握每个时间段的交通量的迁移。进而,通过根据需要追加存储部来累积这样的信息,例如在进行了某交通管制的情况下,通过对当前的道路拥挤状况和过去的道路拥挤状况进行比较,还能够掌握交通流由此发生了怎样的变化。另外,还可以考虑以下的扩展等,即组合这样的信息和现有的模拟技术,按移动方式区别地显示例如在导入了某交通管制的情况下预想交通流如何变化。总之,只要是按移动方式区别地分开进行显示、或改变色彩区分、形状等显示方法来提高显示时的识别性的方法,则其手段没有限定。
以上说明了本发明的实施方式,但本技术领域的技术人员能够理解本发明并不限于上述实施方式,能够进行各种变形实施,能够适当地组合上述各实施方式。
符号说明
100:移动方式判别系统;101:加速度传感器;102:移动方式判别部;103:按因素区别判别基准数据库;200:便携终端;201:输入控制装置;202:加速度传感器;203:中央运算处理装置;204:存储装置;205:画面显示装置;206:总线;300:计算机;301:输入控制装置;302:中央运算装置;303:主存储装置;304:辅助存储装置;305:输出控制装置;306:总线;310:输入装置;320:输出装置;600:带学习功能的移动方式判别系统;604:判别基准决定部;605:判别基准决定用数据库;606:学习数据收集用加速度传感器;807:发送部;1000:带修正功能的移动方式判别系统;1008:时序判别信息存储部;1300:带静止行驶判定功能的移动方式判别系统;1309:静止行驶判定部;1700:带步行排除功能的移动方式判别系统;1710:步行检测部;2000:带特征性移动方式排除功能的移动方式判别系统;2011:特征性移动方式检测部;2012:GPS接收机;2300:带多个传感器综合功能的移动方式判别系统;2313:其他传感器;2314:按传感器区别移动方式判别部;2315:综合移动方式判别部;2500:带周围终端信息利用功能的移动方式判别系统;2516:GPS接收机;2517:移动方式判别结果数据库;2518:判别结果修正部;2700:带道路状况决定功能的移动方式判别系统;2719:GPS接收机;2720:道路状况决定部;2721:GPS接收机;2722:道路状况决定部;2900:带无标签数据学习功能的移动方式判别系统;2925:无标签判别基准修正用数据库;2926:判别基准修正部;3200:带数据发送控制功能的移动方式判别系统;3227:发送控制部;3300:带传感器开/关切换功能的移动方式判别系统;3328:测量开/关切换部;3400:道路拥挤状况推定系统;3401:拥挤状况推定用数据库;3402:拥挤状况推定部;3403:GPS接收机;3600:地图利用道路拥挤状况推定系统;3604:地图利用拥挤状况推定部;3605:地图数据库;3700:带按移动方式区别拥挤状况显示功能的道路拥挤状况推定系统;3706:按移动方式区别拥挤状况显示部。
Claims (12)
1.一种移动方式判别系统,其特征在于,具备:
第一传感器;
赋予部,其对上述第一传感器取得的数据赋予与取得上述数据的环境有关的环境信息;
存储部,其与多个环境信息分别对应地存储用于判别安装上述第一传感器的终端的移动方式的判别基准值;
移动方式判别部,其与上述赋予的环境信息对应地从上述存储部选择预定的上述判别基准值,使用上述数据和上述预定的判别基准值判别上述终端的移动方式;
GPS接收机,其取得上述终端的位置信息;以及
判别结果修正部,其使用多个终端的上述位置信息和取得上述位置信息的时间,检索位于预定的终端的周边的周边终端,
上述判别结果修正部使用上述周边终端的移动方式判别结果,修正上述预定的终端的移动方式判别结果。
2.根据权利要求1所述的移动方式判别系统,其特征在于,
还具备:
与上述第一传感器相同种类的第二传感器;以及
判别基准决定部,其使用由上述第二传感器取得的学习用数据,决定存储在上述存储部中的上述判别基准值。
3.根据权利要求1所述的移动方式判别系统,其特征在于,
还具备:静止行驶判定部,其使用由上述第一传感器取得的数据,判定上述终端是静止状态还是行驶状态,
上述移动方式判别部与上述静止状态或上述行驶状态对应地,变更用于判别上述终端的移动方式的判别基准值。
4.根据权利要求1所述的移动方式判别系统,其特征在于,
还具备:
道路状况决定部,其根据上述位置信息决定取得上述数据时的地区或道路属性,
上述赋予部将上述地区或上述道路属性作为上述环境信息来赋予。
5.根据权利要求2所述的移动方式判别系统,其特征在于,
所述GPS接收机取得GPS信息,
所述移动方式判别系统还具备:
切换部,其与上述GPS信息的精度对应地控制是否进行上述第二传感器的测量。
6.根据权利要求1所述的移动方式判别系统,其特征在于,
上述第一传感器是用于检测振动的加速度传感器。
7.一种道路拥挤状况推定系统,其具备权利要求1所述的移动方式判别系统,该道路拥挤状况推定系统的特征在于,
具备:
拥挤状况推定部,其使用多个终端各自的上述位置信息、根据上述位置信息计算的移动速度、取得上述位置信息的时间、上述移动方式的判别结果,推定道路的拥挤状况。
8.根据权利要求7所述的道路拥挤状况推定系统,其特征在于,
具备:
按移动方式区别拥挤状况显示部,其按照上述移动方式区别地显示上述道路的拥挤状况。
9.一种移动方式判别装置,其使用通过第一传感器取得的数据判别安装上述第一传感器的终端的移动方式,其特征在于,
对上述数据赋予了与取得上述数据的环境有关的环境信息,
具备:
存储部,其与多个环境信息分别对应地存储用于判别上述终端的移动方式的判别基准值;
移动方式判别部,其与对上述数据赋予的环境信息对应地从上述存储部选择预定的上述判别基准值,使用上述数据和上述预定的判别基准值判别上述终端的移动方式;以及
判别结果修正部,其使用通过GPS接收机取得的多个上述终端的位置信息、取得上述位置信息的时间,检索位于预定的终端的周边的周边终端,
上述判别结果修正部使用上述周边终端的移动方式判别结果,修正上述预定的终端的移动方式判别结果。
10.根据权利要求9所述的移动方式判别装置,其特征在于,
还具备:
判别基准决定部,其使用与上述第一传感器相同种类的第二传感器取得的学习用数据,决定存储在上述存储部中的上述判别基准值。
11.根据权利要求9所述的移动方式判别装置,其特征在于,
还具备:静止行驶判定部,其使用由上述第一传感器取得的数据,判定上述终端是静止状态还是行驶状态,
上述移动方式判别部与上述静止状态或上述行驶状态对应地,变更用于判别上述终端的移动方式的判别基准值。
12.一种道路拥挤状况推定系统,其具备权利要求10所述的移动方式判别装置,该道路拥挤状况推定系统的特征在于,
通过GPS接收机取得上述终端的位置信息,
具备:拥挤状况推定部,其使用多个终端各自的上述位置信息、根据上述位置信息计算的移动速度、取得上述位置信息的时间、上述移动方式的判别结果,推定道路的拥挤状况。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2012/003624 WO2013179359A1 (ja) | 2012-06-01 | 2012-06-01 | 移動手段判別システム、移動手段判別装置、及び移動手段判別プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104412310A CN104412310A (zh) | 2015-03-11 |
CN104412310B true CN104412310B (zh) | 2016-11-16 |
Family
ID=49672615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280074463.1A Expired - Fee Related CN104412310B (zh) | 2012-06-01 | 2012-06-01 | 移动方式判别系统以及移动方式判别装置 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP5816748B2 (zh) |
CN (1) | CN104412310B (zh) |
IN (1) | IN2014DN11193A (zh) |
WO (1) | WO2013179359A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6174527B2 (ja) * | 2014-07-07 | 2017-08-02 | 日本電信電話株式会社 | 移動手段推定装置、その動作方法およびプログラム |
CN105046886B (zh) * | 2015-08-06 | 2017-11-10 | 平安科技(深圳)有限公司 | 实现驾驶行为监管与提醒的方法、车辆及移动终端 |
US10317243B2 (en) * | 2015-10-15 | 2019-06-11 | Intertrust Technologies Corporation | Sensor information management systems and methods |
JP2018059884A (ja) * | 2016-10-07 | 2018-04-12 | 日本無線株式会社 | 物標識別装置、プログラム及び方法 |
US9900747B1 (en) * | 2017-05-16 | 2018-02-20 | Cambridge Mobile Telematics, Inc. | Using telematics data to identify a type of a trip |
WO2019073959A1 (ja) * | 2017-10-10 | 2019-04-18 | 株式会社博報堂Dyホールディングス | 情報処理システム、データ提供システム、及び関連する方法 |
US11713967B2 (en) * | 2017-10-13 | 2023-08-01 | JVC Kenwood Corporation | Angular speed derivation device and angular speed derivation method for deriving angular speed based on output value of triaxial gyro sensor |
JP2019139462A (ja) * | 2018-02-09 | 2019-08-22 | 株式会社Screenホールディングス | 混雑状況推定方法、混雑状況推定プログラム、および混雑状況推定システム |
US11030655B2 (en) | 2018-11-02 | 2021-06-08 | International Business Machines Corporation | Presenting targeted content to vehicle occupants on electronic billboards |
EP4119037A4 (en) | 2020-03-09 | 2023-04-19 | Fujitsu Limited | TREATMENT SELECTION PROGRAM, TREATMENT SELECTION SYSTEM AND TREATMENT SELECTION METHOD |
WO2023209937A1 (ja) * | 2022-04-28 | 2023-11-02 | 楽天グループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
WO2023209938A1 (ja) | 2022-04-28 | 2023-11-02 | 楽天グループ株式会社 | 情報処理装置、情報処理方法、プログラム、および学習モデル |
JP7430835B1 (ja) | 2023-04-19 | 2024-02-13 | パシフィックコンサルタンツ株式会社 | プログラム、方法、およびシステム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1153950A (zh) * | 1995-05-31 | 1997-07-09 | 富士通株式会社 | 移动终端及运动体运行管理系统 |
JP2002048589A (ja) * | 2000-08-03 | 2002-02-15 | Tohoku Denshi Sangyo Kk | 移動体の移動経路推定装置 |
JP2002092784A (ja) * | 2000-09-14 | 2002-03-29 | Nippon Telegr & Teleph Corp <Ntt> | 交通流検出方法、移動局装置および交通流検出局装置 |
JP4720770B2 (ja) * | 2007-04-02 | 2011-07-13 | トヨタ自動車株式会社 | 車両用情報記録システム |
JP2009251758A (ja) * | 2008-04-02 | 2009-10-29 | Toyota Motor Corp | 歩車間通信装置、携帯端末 |
JP5222189B2 (ja) * | 2009-03-19 | 2013-06-26 | 株式会社エヌ・ティ・ティ・ドコモ | 移動手段推定装置及び移動手段推定方法 |
-
2012
- 2012-06-01 CN CN201280074463.1A patent/CN104412310B/zh not_active Expired - Fee Related
- 2012-06-01 IN IN11193DEN2014 patent/IN2014DN11193A/en unknown
- 2012-06-01 JP JP2014518101A patent/JP5816748B2/ja active Active
- 2012-06-01 WO PCT/JP2012/003624 patent/WO2013179359A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
IN2014DN11193A (zh) | 2015-10-02 |
JPWO2013179359A1 (ja) | 2016-01-14 |
WO2013179359A1 (ja) | 2013-12-05 |
CN104412310A (zh) | 2015-03-11 |
JP5816748B2 (ja) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104412310B (zh) | 移动方式判别系统以及移动方式判别装置 | |
US11183081B2 (en) | System and methods for relative driver scoring using contextual analytics | |
Nikolic et al. | Review of transportation mode detection approaches based on smartphone data | |
Castro et al. | From taxi GPS traces to social and community dynamics: A survey | |
JP5291935B2 (ja) | オブジェクトの将来の動きを予測するための装置および方法 | |
JP5979885B2 (ja) | 経路予測システム、経路予測方法およびプログラム | |
CN102538813A (zh) | 路径搜索方法及装置 | |
CN107257756A (zh) | 用于在路况变化的情况下辅助车辆的技术 | |
CN102663887A (zh) | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 | |
CN103364006A (zh) | 用于确定车辆路径的系统和方法 | |
CN104024800A (zh) | 可到达范围计算装置、方法以及程序 | |
CN101788298A (zh) | 导航装置及导航方法 | |
CN109191840A (zh) | 一种基于智能终端的实时交通状况判定方法 | |
CN102788584A (zh) | 道路坡度数据生成装置及生成方法、车辆用控制装置及车辆的能量消耗量预测装置 | |
US9911332B1 (en) | Method, apparatus, and computer program product for parking likelihood estimation based on probe data collection | |
US20230076568A1 (en) | Mobile Device And System For Automated Transport Mode Recognition And Corresponding Method Thereof | |
CN105556245A (zh) | 预测能量余量引导系统 | |
CN105023454A (zh) | 用于道路基础设施检测和表征的协作获悉方法 | |
CN103384814A (zh) | 搜索装置、搜索系统、搜索方法以及终端 | |
CN104573310A (zh) | 道路特征预测系统和方法 | |
Oehlerking | StreetSmart: modeling vehicle fuel consumption with mobile phone sensor data through a participatory sensing framework | |
Dabiri | Application of deep learning in intelligent transportation systems | |
Sun | A method for judging abnormal driving behaviors in diversion areas based on group intelligence perception of internet of vehicles. | |
JP5765008B2 (ja) | 燃費データの蓄積及び利用装置、方法、並びにプログラム | |
US20240219198A1 (en) | Data-intensive electronic map data structures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161116 Termination date: 20170601 |