CN115380304A - 预测装置、预测方法及预测程序 - Google Patents

预测装置、预测方法及预测程序 Download PDF

Info

Publication number
CN115380304A
CN115380304A CN202180025183.0A CN202180025183A CN115380304A CN 115380304 A CN115380304 A CN 115380304A CN 202180025183 A CN202180025183 A CN 202180025183A CN 115380304 A CN115380304 A CN 115380304A
Authority
CN
China
Prior art keywords
broadcast
information
contact
contact information
prediction
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
CN202180025183.0A
Other languages
English (en)
Inventor
岸本涉
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.)
Dentsu Group Inc
Original Assignee
Dentsu Inc
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 Dentsu Inc filed Critical Dentsu Inc
Publication of CN115380304A publication Critical patent/CN115380304A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0264—Targeted advertisements based upon schedule
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/02—Arrangements for generating broadcast information; Arrangements for generating broadcast-related information with a direct linking to broadcast information or to broadcast space-time; Arrangements for simultaneous generation of broadcast information and broadcast-related information
    • H04H60/06—Arrangements for scheduling broadcast services or broadcast-related services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/38—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for identifying broadcast time or space
    • H04H60/40—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for identifying broadcast time or space for identifying broadcast time

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种预测装置。存储部(111)存储广播接触信息(121)，该广播接触信息(121)表示来自接收者对各个由广播媒体所广播的多个广播信息的接触程度。计算部(112)使用在多个广播信息中包含的第1广播信息的广播接触信息、和在第1广播信息之后被广播的第2广播信息的广播接触信息，计算统计值。计算的统计值是第2广播信息的广播接触信息的贡献大于第1广播信息的广播接触信息的贡献的统计值。预测部(113)根据统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。

Description

预测装置、预测方法及预测程序
技术领域
本发明涉及预测装置、预测方法及预测程序。
背景技术
已知一种广告框优化系统，其以高精度预测电视等观众对广告的收视率，并对电视等广播媒体的广告框进行优化(例如，参照专利文献1)。
在该广告框优化系统中，高度收视率预测装置以比规定的精度高的精度预测目标收视率，和/或输入第三方机构实时进行测量的收视率数据。然后，高度收视率预测装置将广告框的预测收视率数据和/或即将播出之前的收视率数据发送给目标实际优化装置。目标实际优化装置根据对每个广告框评价第1数据和第2数据的差量而得到的第3数据，重新分配对广告框的素材的版面。
在电视等中播放的广告有时也被称为CM(Commercial Message，商业广告)。
现有技术文献
专利文献
专利文献1:国际公开第2018/131576号
发明内容
发明所要解决的课题
上述专利文献1的高度收视率预测装置，根据与CM的预定广播日相关的条件，未必能够得到期望精度的预测收视率。
另外，该问题不限于预测CM的收视率的情况，是在预测包含广播节目的各种广播信息的收视率的情况下产生。另外，该问题不限于预测广播信息的收视率的情况，是在预测表示来自接收者对广播信息的接触程度的各种广播接触信息的情况下产生。
在一个方面，本发明的目的在于根据与广播信息有关的条件高精度地预测广播接触信息。
解决课题的技术方案
在一个方案中，预测装置包括存储部、计算部和预测部。存储部存储广播接触信息，该广播接触信息表示来自接收者对在广播媒体中广播的多个广播信息的每一个的接触程度。
计算部使用在多个广播信息中包含的第1广播信息的广播接触信息和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。计算的统计值是第2广播信息的广播接触信息的贡献大于第1广播信息的广播接触信息的贡献的统计值。预测部基于统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
在另一方案中，预测装置包括存储部、计算部和预测部。存储部存储包含节日的日历信息和表示来自接收者对在广播媒体中广播的多个广播信息的每一个的接触程度的广播接触信息。
计算部从多个广播信息各自的广播接触信息中排除节日广播的广播信息的广播接触信息。然后，计算部使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。预测部基于统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
在又一方案中，预测装置包括存储部、计算部和预测部。存储部存储包含多个星期的日历信息、和表示来自接收者对在包含多个星期的广播日在广播媒体中广播的多个广播信息的各自的接触程度的广播接触信息。
计算部从多个广播信息各自的广播接触信息中提取多个星期中在规定星期播放的广播信息的广播接触信息。然后，计算部使用提取出的广播接触信息中的第1广播信息的广播接触信息和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。预测部基于统计值，求出表示来自接收者对在规定星期播放的预定广播的广播信息的接触程度的预测接触信息。
在又一方案中，预测装置包括存储部、推测部和预测部。存储部存储广播接触信息和天气预报信息，该广播接触信息表示来自接收者对在广播媒体中广播的多个广播信息的每一个的接触程度，该天气预报信息表示预定广播的广播信息被广播的预定广播日的天气。
推测部根据天气预报信息，推测预定广播日的降水量。预测部根据多个广播信息的每一个的广播接触信息和预定广播日的降水量，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
发明效果
根据一个方面，根据与广播信息有关的条件，能够高精度地预测广播接触信息。
附图说明
图1是第1预测装置的功能结构图。
图2是第2预测装置的功能结构图。
图3是第三预测装置的功能结构图。
图4是第四预测装置的功能结构图。
图5是预测系统的功能结构图。
图6是表示连续节目的实际收视率的图。
图7是表示工作日及节日中的实际收视率的时间变化的图。
图8是表示晴天及雨天的实际收视率的时间变化的图。
图9是表示降水量推测处理的图。
图10是表示通过集合学习生成的预测模型的图。
图11是预测处理的流程图。
图12是信息处理装置的硬件结构图。
具体实施方式
以下，参照附图详细说明实施方式。
图1表示实施方式中的第1预测装置的功能性结构例。图1的预测装置101包括存储部111、计算部112以及预测部113。存储部111存储广播接触信息121，该广播接触信息121表示来自接收者对在广播媒体中广播的多个广播信息的每一个的接触程度。
计算部112使用在多个广播信息中包含的第1广播信息的广播接触信息和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。计算的统计值是第2广播信息的广播接触信息的贡献大于第1广播信息的广播接触信息的贡献的统计值。预测部113根据统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
根据图1的预测装置101，能够根据与广播信息相关的条件高精度地预测广播接触信息。
图2表示实施方式中的第2预测装置的功能性结构例。图2的预测装置201包括存储部211、计算部212以及预测部213。存储部211存储包含节日的日历信息221、和表示来自接收者对在广播媒体中广播的多个广播信息的每一个的接触程度的广播接触信息222。节日也包括其补休日。
计算部212从广播接触信息222中排除节日广播的广播信息的广播接触信息。然后，计算部212使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。预测部213根据统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
根据图2的预测装置201，能够根据与广播信息有关的条件高精度地预测广播接触信息。
图3表示实施方式中的第3预测装置的功能性结构例。图3的预测装置301包括存储部311、计算部312以及预测部313。存储部311存储包含多个星期的日历信息321、和表示来自接收者对在包含多个星期的广播日在广播媒体中广播的多个广播信息的每一个的接触程度的广播接触信息322。
计算部312从广播接触信息322中提取多个星期中在规定星期播放的广播信息的广播接触信息。然后，计算部312使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值。预测部313基于统计值，求出表示来自接收者对在规定星期播放的预定广播的广播信息的接触程度的预测接触信息。
根据图3的预测装置301，能够根据与广播信息有关的条件高精度地预测广播接触信息。
图4表示实施方式中的第4预测装置的功能性结构例。图4的预测装置401包括存储部411、推测部412以及预测部413。存储部411存储广播接触信息421和天气预报信息422，该广播接触信息421表示来自接收者对各个在广播媒体中广播的多个广播信息的接触程度，该天气预报信息422表示预定广播的广播信息被广播的预定广播日的天气。
推测部412根据天气预报信息422，推测预定广播日的降水量。预测部413根据广播接触信息421和预定广播日的降水量，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
根据图4的预测装置401，能够根据与广播信息有关的条件高精度地预测广播接触信息。
图5示出了根据实施例的预测系统的功能性结构例。图5的预测系统包括预测装置501、请求装置502、数据服务器503和数据服务器504。预测装置501能够经由通信网络505与请求装置502、数据服务器503和数据服务器504通信。通信网络505例如是WAN(Wide AreaNetwork，宽带网)或LAN(Local Area Network，局域网)。
请求装置502可以是广播运营商的信息处理装置(计算机)，也可以是广告公司的信息处理装置，也可以是广告客户的信息处理装置。预测装置501对应于图1的预测装置101、图2的预测装置201、图3的预测装置301以及图4的预测装置401，包括存储部511、通信部512、学习部513、计算部514、推测部515以及预测部516。
存储部511对应于图1的存储部111、图2的存储部211、图3的存储部311以及图4的存储部411。计算部514对应于图1的计算部112、图2的计算部212和图3的计算部312。推测部515对应于图4的推测部412。预测部516对应于图1的预测部113、图2的预测部213、图3的预测部313以及图4的预测部413。
请求装置502向预测装置501发送请求在广播媒体中广播的、预定广播的广播节目的预测收视率的处理请求。预定广播的广播节目也可以是在预测对象日广播的全部节目。广播媒体是例如在电视广播、无线电广播、网络广播等中使用的传输信号，电视广播包括地面广播和卫星广播。广播媒体可以是无线广播的传输信号，也可以是有线广播的传输信号。
广播节目是广播信息的一例，收听广播节目的观众是接收广播信息的接收者的一例。收视率是广播接触信息的一例，预测收视率是预测接触信息的一例。以下，是指广播节目，有时仅记载为节目。
数据服务器503存储从前广播的节目的收视率数据531。预测装置501的计算部514经由通信部512向数据服务器503发送数据请求，从数据服务器503取得收视率数据531。然后，计算部514将取得的收视率数据531作为收视率数据524存储在存储部511中。存储部511存储收视率数据524。收视率数据524是图1的广播接触信息121、图2的广播接触信息222、图3的广播接触信息322以及图4的广播接触信息421的一例。
数据服务器504存储由气象厅等发布的天气预报数据532。推测部515经由通信部512向数据服务器504发送数据请求，从数据服务器504取得天气预报数据532。然后，推测部515将取得的天气预报数据532作为天气预报数据525存储在存储部511中。存储部511存储天气预报数据525。天气预报数据525是图4的天气预报信息422的一例。
存储部511还存储预测模型521、天气校正模型522、日历523和输入数据526。预测模型521是通过学习处理生成的已学习模型，根据输入数据526生成预测收视率527。预测收视率527是校正前接触信息或预测接触信息的一例。
学习部513通过事先进行针对学习对象的收视率数据的学习处理，生成预测模型521，并存储在存储部511中。作为学习处理，例如使用有教师的机器学习，作为预测模型521，例如使用神经网络、随机森林、线性回归模型等。
作为学习对象的收视率数据，例如使用在过去的规定期间内广播的全部节目的收视率。学习对象的收视率数据包括输入到预测模型521的收视率、和预测模型521生成的预测收视率527的教师数据。作为预测收视率527，例如使用预测对象日的每分钟收视率、预测对象日广播的全部节目的节目平均收视率及结束时收视率、预测对象日的时移收视率、或预测对象日的每个规定时间的平均收视率。
预测收视率527针对每个由观众的属性规定的目标进行预测。作为观众的属性，使用家庭或个人的类别、性别、年龄、职业、有无孩子、孩子的年龄等。作为目标，可以举出家庭、个人全体(4岁以上)、男性20～34岁、女性20～34岁、男女20～34岁、主妇、主妇(有0～3岁的孩子)等。目标有时也称为目标层次。
作为预测模型521的预测精度的指标，可以使用预测收视率527与实际测量的收视率(实际收视率)之间的均方根误差(Root Mean Squared Error，RMSE)或相关系数。RMSE越接近0，预测精度越高，相关系数越接近1，预测精度越高。学习部513通过基于这些指标评价预测模型521，从而能够生成具有高预测精度的预测模型521。
预测模型521进行实时收视率的最近趋势预测、时移收视率的最近趋势预测、实时收视率的长期趋势预测、或时移收视率的长期趋势预测。在最近趋势预测中，预测预定广播日临近的节目的收视率，在长期趋势预测中，预测预定广播日较远的节目的收视率。最近趋势预测是根据节目信息、过去收视率及因特网信息高精度地预测收视率的预测处理，长期趋势预测是考虑收视率的经年推移或季节变化来预测收视率的预测处理。
例如，最近趋势预测中的预测对象日可以是从现在起1天后～7天后，长期趋势预测中的预测对象日可以是从现在起8天后～70天后。作为时移收视率，例如使用C7收视率。
天气校正模型522是通过学习处理生成的已学习模型，根据天气预报数据525生成降水量模式。学习部513通过事先进行针对学习对象的天气预报数据的学习处理，生成天气校正模型522，并存储在存储部511中。
日历523是图2的日历信息221及图3的日历信息321的一例，包含识别周一至周日的7个星期及各种节日的信息。在预测模型521进行实时收视率的最近趋势预测的情况下，输入数据526例如包含节目信息、过去收视率以及因特网信息，作为预测收视率527，例如使用全部节目的节目平均收视率以及结束时收视率。
输入数据526中包含的节目信息例如包括预测对象的节目的广播电台信息、广播时间段、广播时间长度、节目类别、星期信息、A时间标志、长条标志、节日标志、艺人权力、以及文字力。
广播电台信息是识别广播节目的广播电台的识别信息。广播时间段表示广播节目的时间段，包括开始时刻和结束时刻。广播时长表示从节目的开始时刻到结束时刻的时间。
节目类别表示节目所属的类别。作为节目类别，例如使用电视剧、艺能、报道、体育、电影等。节目类别可以是节目表中记载的类别，也可以是由收视率调查公司设定的类别。但是，在特别节目或新节目的情况下，有时节目表的类别为空栏。因此，计算部514使用贝叶斯滤波器等分类滤波器，根据节目表中包含的节目描述信息，推测特别节目或新节目的节目类别，并存储在输入数据526中。节目描述信息是说明节目内容的文本信息。
星期信息表示预测对象日的星期。A时间标志是表示广播时间段是否属于A时间的标志。A时间是广告费用最高的费用等级的时间段。长条标志是表示节目是否是长条节目的标志。节日标志是表示预测对象日是否为节日的标志。
艺人权力表示基于从节目表中包含的节目描述信息中提取出的艺人名的节目的评价值。存在受欢迎的演员演出的节目的收视率比该演员不演出的节目的收视率高的倾向。因此，与包含在节目描述信息中的艺人名对应的得分被加算到节目的艺人权力中。
文字力表示基于从包含在节目表中的节目描述信息中提取的关键字的节目的评价值。存在节目描述信息中包含特定关键词的节目的收视率高于节目描述信息中不包含该关键词的节目的收视率的倾向。因此，与包含在节目描述信息中的特定的关键字对应的得分被加到节目的文字力中。例如，作为体育节目中的特定关键词，可以举出“花样滑冰”、“大奖赛系列”、“背靠背冠军”等。
输入数据526中包含的过去收视率例如包括3～10周前的节目平均收视率、3～10周前的结束时收视率、前一年同日的平均收视率以及前一年同一时间段的平均收视率。过去收视率还包括最近移动平均收视率、同一星期的移动平均收视率、缺损标志1、同一星期且同一时间段的移动平均收视率以及缺损标志2。最近移动平均收视率、同一星期的移动平均收视率、以及同一星期且同一时间段的移动平均收视率是广播接触信息的统计值的一例。
3～10周前的节目平均收视率表示在预测对象日的3～10周前播放的目标时段、竞争时段、上一个时段、以及上一个竞争时段各自的节目的节目平均收视率。3～10周前的结束时收视率表示在预测对象日的3～10周前播放的目标时段的节目结束时的收视率。前一年同日的平均收视率表示前一年同日中的平均收视率。前一年同一时间段的平均收视率表示前一年同一时间段中的平均收视率。
最近移动平均收视率表示预测对象日的最近的N次(N为2以上的整数)的广播各自的节目平均收视率的移动平均。N次的广播是自框的节目的广播，按照每日节目、每周节目、年度节目或不定期节目这样的每个节目的广播间隔来提取。预测对象日的最近N次有时也被称为前N次。计算部514计算前N次的各广播的节目平均收视率，使用N次的节目平均收视率计算最近移动平均收视率。
同星期的移动平均收视率表示与预测对象日相同的星期对应的前N次的移动平均收视率。缺损标志1是表示有无在与预测对象日相同的星期播放的节目的标志。同一星期且同一时间段的移动平均收视率表示与预测对象日相同的星期且相同时间段对应的前N次的移动平均收视率。缺损标志2是表示有无在与预测对象日相同的星期且相同时间段广播的节目的标志。
作为移动平均，例如可以使用简单移动平均或加权移动平均。作为加权移动平均，例如可以使用线性加权移动平均或指数加权移动平均。加权移动平均的权重被设定为广播日越晚广播越大。由加权移动平均计算的移动平均收视率是统计值的一例，在第1广播信息之后广播的第2广播信息的广播接触信息的贡献大于第1广播信息的广播接触信息的贡献。
通过使用加权移动平均，由于广播日较晚的广播对移动平均收视率的贡献大于广播日较早的广播对移动平均收视率的贡献，因此能够求出较大地反映了最近的收视趋势的移动平均收视率。由此，最近的收视趋势容易反映在预测收视率527中，预测精度提高。也可以并用N的值不同的多个移动平均收视率，如前4次的移动平均收视率、前8次的移动平均收视率以及前10次的移动平均收视率。
成为移动平均的对象的前N次的广播不一定是与预测对象的节目相同的节目，也可以是属于与预测对象的节目相同的节目类别的各种节目。另外，包含在前N次广播中的各节目的节目描述信息也可以包含在预测对象的节目的节目描述信息中包含的规定关键字或其同义词。规定关键字的同义词可以由类属词典确定。
例如，假设预测对象的节目的节目类别为“职业棒球”，预测对象的节目的节目描述信息中包含“全明星”这一关键字的情况。在这种情况下，提取属于“职业棒球”这一节目类别且节目描述信息包含“全明星”或其同义词的节目，用于移动平均收视率的计算。
此外，假设预测对象的节目的节目类别为“电影”，预测对象的节目的节目描述信息中包含“AAA公主”这一关键字的情况。在这种情况下，提取属于“电影”这一节目类别且节目描述信息包含“AAA公主”或其同义词的节目，用于移动平均收视率的计算。
根据节目类别及规定关键字，将全部节目分类为多个组，对各组赋予不同的组ID，由此容易按每个组计算移动平均收视率。这样，通过根据节目类别及规定关键字提取前N次的广播，能够求出反映了预测对象的节目的特征的移动平均收视率。由此，节目的特征容易反映在预测收视率527上，预测精度提高。
为了提高连续节目的预测收视率527的预测精度，将同一星期的移动平均收视率、和同一星期且同一时间段的移动平均收视率追加到输入数据526中。连续节目是在多个星期各自的同一时间段播放的节目。连续节目的收视率不一定每天都显示相同的倾向，根据目标的不同，每个星期的倾向有时也不同。
图6表示连续节目的实际收视率的例子。横轴表示广播时间段，纵轴表示目标收视率。图6的(a)示出了男性35～49岁的目标收视率的例子。在每个时间段中，左端柱状图601表示星期一的实际收视率，左起第2柱状图602表示星期二的实际收视率，左起第三柱状图603表示星期三的实际收视率。左起第四柱状图604表示周四的实际收视率，左起第五柱状图605表示周五的实际收视率。
可以看出，在图6的(a)所示的9个时间段中，除了5:50-6:00和7:45-8:00的时间段以外的7个时间段中，星期一的实际收视率最高。
图6的(b)表示与图6的(a)相同的连续节目的女18～34岁的目标收视率的例子。在各时间段中，左端柱状图611表示星期一的实际收视率，左起第2柱状图612表示星期二的实际收视率，左起第三柱状图613表示星期三的实际收视率。左起第四柱状图614表示周四的实际收视率，左起第五柱状图615表示周五的实际收视率。
可以看出，在图6的(b)所示的9个时间段中，除了6:45-7:00的时间段以外的8个时间段中，星期二的实际收视率最高。这样，由于连续节目的收视率在每个星期显示不同的倾向，所以如果不区分星期而计算移动平均收视率，则每个星期的差异难以反映在预测收视率527中。
因此，计算部514从日历523中选择与预测对象日相同的星期的广播日，提取所选择的广播日的广播的节目平均收视率。然后，计算部514使用提取出的节目平均收视率，计算同一星期的移动平均收视率、和同一星期且同一时间段的移动平均收视率。由此，能够求出反映了与预测对象日相同的星期的节目平均收视率的移动平均收视率，预测精度提高。
计算部514也可以从移动平均的对象中排除节日的广播。与工作日不同，节日观众的起床有变晚的倾向，所以早上的收视率高峰会比平时晚，同时白天到傍晚的收视率也会变高。
图7示出了在工作日和节日的实际收视率的时间变化的例子。横轴表示广播时刻，纵轴表示家庭收视率。折线701表示工作日的实际收视率的时间变化的例子，折线702表示节日的实际收视率的时间变化的例子。上午折线702的峰值712发生得比折线701的峰值711晚，在白天～傍晚的时间段，折线702表示的收视率比折线701表示的收视率高。
这样，由于节日的收视率表现出与工作日不同的倾向，所以如果不区分节日的广播和工作日的广播而计算移动平均收视率，则节日和工作日的差异难以反映在预测收视率527中。
例如，假设预测对象的节目是每周一播出的常规节目，2018年10月15日的周一是其预测对象日的情况。在这种情况下，预测对象日的1周前的10月8日以及4周前的9月17日是节日，3周前的9月24日是节日的调休日。因此，如果包括这些节日及调休日的广播在内计算移动平均收视率，则得到与仅在工作日的移动平均收视率大不相同的计算结果。
因此，计算部514从日历523中提取节日及调休日作为广义的节日，除去所提取的节日的广播的节目平均收视率。然后，计算部514使用剩余的广播的节目平均收视率，计算最近移动平均收视率、同一星期的移动平均收视率、以及同一星期且同一时间段的移动平均收视率。由此，能够求出准确地反映了工作日的广播的节目平均收视率的移动平均收视率，工作日的预测收视率527的预测精度提高。
计算部514也可以对除大型连休、盂兰盆节以及年末年初期间以外的节日的早上的时间段(5-12点)的收视率进行接近工作日的相同时间段的收视率的校正，并使用校正后的收视率来计算节目平均收视率。在这种情况下，计算部514能够包括节日的广播在内计算移动平均收视率。
输入数据526中包含的因特网信息例如包括节目表的阅览次数和趋势文字标志。节目表的阅览次数表示在因特网上阅览节目表中包含的节目描述信息的次数。趋势文字标志是表示当前被关注的艺人或表示话题等的关键字是否包含在节目描述信息中的标志。
在从请求装置502接收到的处理请求表示实时收视率的最近趋势预测的情况下，计算部514使用收视率数据524计算过去收视率的各数据，作为输入数据526的过去收视率进行存储。
推测部515使用天气校正模型522，根据天气预报数据525生成预测对象日的各时刻的降水量模式，预测部516使用生成的降水量模式计算各时刻的校正系数。
接着，预测部516使用预测模型521，根据输入数据526生成预测收视率527，并存储在存储部511中。然后，预测部516通过使用校正系数校正预测收视率527，生成预测收视率528，并存储在存储部511中。由此，能够根据预测对象日的各时刻的降水量来调整预测收视率528。
接下来，通信部512向请求装置502发送预测收视率528作为对处理请求的响应。请求装置502使用接收到的预测收视率528进行统计处理等。
图8示出了晴天和雨天的实际收视率的时间变化的例子。横轴表示广播时刻，纵轴表示家庭收视率。曲线801示出了晴天的实际收视率的时间变化的例子，曲线802示出了雨天的实际收视率的时间变化的例子。在7:00-21:00的时间段，雨天的收视率比晴天高。
因此，根据天气预报数据525推测预测对象日的降水量模式，根据降水量模式校正预测收视率527，由此能够求出反映了预测对象日的天气的预测收视率528。由此，预测收视率528的预测精度提高。
图9表示使用了天气校正模型522的降水量推测处理的例子。天气校正模型522根据天气预报数据525中包含的、预测对象日的各时刻的天气及降水概率，推测各时刻的降水量模式是模式1～模式4中的哪一种。降水量模式例如以分钟为单位进行推测。模式1的降水量为0mm以上且小于1mm(无雨)，模式2的降水量为1mm以上且小于5mm，模式3的降水量为5mm以上且小于15mm，模式4的降水量为15mm以上。
在各时刻的降水量模式为模式3或模式4的情况下，预测部516按星期和目标的差异计算该时刻的校正系数。作为各时刻的校正系数，例如使用大于1的实数。然后，预测部516通过使各目标的预测收视率527乘以与预测对象日的星期和预测对象的目标对应的各时刻的校正系数，来计算预测收视率528。
预测对象日越近，天气预报数据525越高精度，因此校正效果越大。另外，年轻的观众有无论降水量多少都外出的倾向，因此校正效果小。因此，预测部516不是对所有的目标以及所有的预测对象日进行校正，也可以集中于校正效果大的目标以及预测对象日，进行校正。
学习部513能够通过进行对学习对象的收视率数据的集合学习，生成预测模型521。集合学习是使相同结构的多个学习模型学习相同的学习数据，根据相同的指标评价这些学习模型，生成多个不同的已学习模型的学习处理。
图10示出了通过集合学习生成的预测模型521的示例。图10的集合预测模型1001通过对学习对象的收视率数据的集合学习而生成，包含预测模型1011-1～预测模型1011-M(M为2以上的整数)。
预测模型1011-1～预测模型1011-M具有相同的结构，根据相同的收视率数据生成。各预测模型1011-i(i＝1～M)根据输入数据526生成预测收视率。然后，集合预测模型1001将由预测模型1011-1～预测模型1011-M生成的M个预测收视率的统计值作为预测收视率527输出。作为M个预测收视率的统计值，可以使用平均值、中值、众数等。
图11是表示图5的预测装置501进行的预测处理的例子的流程图。在图11的预测处理中，进行实时收视率的最近趋势预测。首先，计算部514经由通信部512向数据服务器503发送数据请求，从数据服务器503取得收视率数据531(步骤1101)。然后，计算部514将取得的收视率数据531作为收视率数据524存储在存储部511中。
接着，推测部515经由通信部512向数据服务器504发送数据请求，从数据服务器504取得天气预报数据532(步骤1102)。然后，推测部515将取得的天气预报数据532作为天气预报数据525存储在存储部511中。
接着，通信部512从请求装置502接收处理请求(步骤1103)。然后，计算部514使用收视率数据524计算过去收视率的各数据，作为输入数据526的过去收视率进行存储(步骤1104)。
此时，计算部514除去节日的广播的节目平均收视率，使用剩余的广播的节目平均收视率，计算最近移动平均收视率、同一星期的移动平均收视率、以及同一星期且同一时间段的移动平均收视率。其中，使用与预测对象日相同星期的广播日的节目平均收视率来计算同一星期的移动平均收视率和同一星期且同一时间段的移动平均收视率。
接着，推测部515使用天气校正模型522，根据天气预报数据525生成预测对象日的各时刻的降水量模式(步骤1105)。然后，预测部516使用生成的降水量模式计算各时刻的校正系数(步骤1106)。
接着，预测部516使用预测模型521，根据输入数据526生成预测收视率527(步骤1107)，通过使用校正系数校正预测收视率527，生成预测收视率528(步骤1108)。然后，通信部512向请求装置502发送预测收视率528作为对处理请求的响应(步骤1109)。
在预测模型521进行时移收视率的最近趋势预测的情况下，输入数据526例如包括节目信息、开始时刻移动信息、星期移动信息、广播时间长度变化信息、A时间信息以及其他信息。在这种情况下，例如，使用时移收视率作为预测收视率527。
节目信息例如包括预测对象的节目的广播电台信息、开始时间段、结束时间段、星期信息、休息日信息、节目类别以及前4次的平均时移收视率。节目信息还包括新节目标志、重播标志、最终回标志、播放时间长度类别、长条标志、A时间标志、以及节目标题特征单词。其中，关于广播电台信息、星期信息、节目类别、长条标志、以及A时间标志，与实时收视率的最近趋势预测的情况相同。
开始时间段表示节目的开始时刻所属的时间段，结束时间段表示节目的结束时刻所属的时间段。开始时间段和结束时间段例如以30分钟为间隔设定。休息日信息表示预测对象日是休息日(星期六、星期日、节日)、休息前一天或休息日的第2天。前4次的平均时移收视率表示前4次的时移收视率的平均值。
新节目标志是表示节目的标题中是否包含“新”的标志。重播标志是表示节目的标题中是否包含“重播”的标志。最终回标志是表示节目的标题中是否包含“最终”的标志。广播时间长度类别表示节目的广播时间长度所属的类别。广播时间长度的类别例如为5分钟以下、超过5分钟且10分钟以下、超过10分钟且30分钟以下、超过30分钟且60分钟以下、超过60分钟且90分钟以下、以及超过90分钟且110分钟以下。
节目标题特征单词表示包含在节目标题中的特征单词。作为特征单词，例如在时移收视率的最近趋势预测的模拟中，使用有助于提高预测模型521的预测精度的单词。
开始时刻的移动、星期的移动以及广播时间长度的变化根据特别节目或不定期节目的编成变更等而发生。例如，通常在星期一的深夜时段广播的节目有时作为特别节目在星期六的A时间广播。
开始时刻移动信息包括开始时刻的众数、开始分数、开始分数的中值以及绝对值。开始时刻的众数表示前4次广播的开始时刻的众数。开始分数表示与将1天分割为1～1440分钟时的开始时刻对应的分数。开始分数的中值表示前4次广播的开始分数的中值。绝对值表示开始分数与开始分数的中央值之差的绝对值。
星期移动信息包括星期的众数和变化模式。星期的众数表示前4次的广播星期的最频繁出现星期。变化模式表示最频繁出现星期和广播星期的变化的方式。广播时间长度变化信息包括广播时间长度的中值和变化率。广播时间长度的中值表示前4次的广播时间长度的中值。变化率表示与中值相比的广播时间长度的变化率。
A时间信息包括A时间比例、A时间流入框标志和A时间流出框标志。A时间流入表示A时间以外的广播时间段变更为A时间，A时间流出表示A时间的广播时间段变更为A时间以外的时间段。A时间比例表示在前4次广播中节目在A时间广播的比例。例如，在4次中3次在A时间广播的情况下，A时间比例为0.75。
A时间流入框标志表示预测对象的节目是否满足A时间流入条件。A时间流入条件表示A时间比例为0.5以下，并且预测对象的节目的预定广播时间段为A时间。A时间流出框标志表示预测对象的节目是否满足A时间流出条件。A时间流出条件表示A时间比例为0.5以上，并且预测对象的节目的预定广播时间段为A时间以外的时间段。
其他信息包括节日天数和广播间隔。节日天数表示从现在到预测对象日的期间中包含的节日天数。广播间隔表示从上次的广播日到预测对象日的天数。
在预测模型521进行实时收视率的长期趋势预测的情况下，输入数据526例如包含节目信息和过去收视率，作为预测收视率527，例如使用每规定时间的平均收视率。规定时间可以是10分钟。
节目信息例如包括休息日标志和休息前一天标志。休息日标志是表示预测对象日是否为休息日的标志。休息前一天标志是表示预测对象日是否为休息前一天的标志。
过去收视率例如包括最近30天的过去收视率、前4周平均收视率、前8周平均收视率、前12周平均收视率以及前24周平均收视率。最近30天的过去收视率表示最近30天的每规定时间的平均收视率。
前4周平均收视率表示与预测对象日相同的星期中的前4周的每规定时间的平均收视率。前8周平均收视率表示与预测对象日相同的星期中的前8周的每规定时间的平均收视率。前12周平均收视率表示与预测对象日相同的星期中的前12周的每规定时间的平均收视率。前24周平均收视率表示与预测对象日相同的星期中的前24周的每规定时间的平均收视率。
图1的预测装置101、图2的预测装置201、图3的预测装置301以及图4的预测装置401的结构只是一个例子，也可以根据预测装置的用途或条件省略或改变一部分的结构元件。
图5的预测系统的结构仅为一例，也可以根据预测系统的用途或条件省略或改变一部分的结构元件。例如，在预测装置501中，在事先将预测模型521及天气校正模型522存储在存储部511中的情况下，可以省略学习部513。在不进行预测收视率527的校正的情况下，可以省略推测部515。
图11的流程图仅是一例，也可以根据预测系统的结构或条件省略或改变一部分的处理。例如，在不进行预测收视率527的校正的情况下，可以省略步骤1102、步骤1105、步骤1106以及步骤1108的处理。
图6～图8所示的实际收视率仅为一例，实际收视率根据节目、目标、广播日等而变化。图9所示的降水量推测处理仅是一例，也可以通过其他的降水量推测处理推测降水量。例如，推测部515也可以使用规定的计算式代替天气校正模型522，根据预测对象日的各时刻的降水概率来计算降水量。图10所示的集合预测模型1001仅为一例，也可以使用其他的集合预测模型。
在上述实时收视率的最近趋势预测、时移收视率的最近趋势预测以及实时收视率的长期趋势预测中，输入数据526的各项目仅为一例。根据预测系统的用途或条件，可以省略或改变输入数据526的一部分项目。
预测对象的广播信息可以是电视广播的节目或CM，也可以是无线电广播或网络广播的节目或CM。作为广播接触信息，也可以使用表示观众的收视行动的其他指标来代替收视率。作为其他指标，例如可以举出收视时间量、收视家庭数、收视人数、一定期间内的收视次数等。
图12示出了作为图1的预测装置101、图2的预测装置201、图3的预测装置301、图4的预测装置401以及图5的预测装置501使用的信息处理装置的硬件结构例。图12的信息处理装置包括CPU(Central Processing Unit中央处理部)1201、存储器1202、输入装置1203、输出装置1204、辅助存储装置1205、介质驱动装置1206和网络连接装置1207。这些结构元件是硬件，通过总线1208相互连接。
存储器1202例如是ROM(Read Only Memory只读存储器)、RAM(Random AccessMemory随机存储器)、闪存等半导体存储器，存储用于处理的程序及数据。存储器1202可以用作图1的存储部111、图2的存储部211、图3的存储部311、图4的存储部411或图5的存储部511。
CPU1201(处理器)例如通过利用存储器1202执行程序，作为图1的计算部112及预测部113进行动作。CPU1201通过执行程序，也作为图2的计算部212及预测部213进行动作。
CPU1201通过执行程序，也作为图3的计算部312及预测部313进行动作。CPU1201通过执行程序，也作为图4的推测部412及预测部413进行动作。CPU1201通过执行程序，也作为图5的学习部513、计算部514、推测部515以及预测部516进行动作。
输入装置1203例如是键盘、指示装置等，用于输入来自操作员或用户的指示或信息。输出装置1204例如是显示装置、打印机、扬声器等，用于向操作员或用户的询问或指示、以及处理结果的输出。处理结果可以是预测收视率528。
辅助存储装置1205例如是磁盘装置、光盘装置、光磁盘装置、磁带装置等。辅助存储装置1205可以是硬盘驱动器或闪存。信息处理装置可以在辅助存储装置1205中预先存储程序和数据，将它们加载到存储器1202中使用。辅助存储装置1205可以用作图1的存储部111、图2的存储部211、图3的存储部311、图4的存储部411或图5的存储部511。
介质驱动装置1206驱动便携式存储介质1209，访问其存储内容。便携式存储介质1209是存储设备、软盘、光盘、光磁盘等。便携式存储介质1209可以是CD-ROM(Compact DiskRead Only Memory光盘只读存储器)、DVD(Digital Versatile Disk数字多用盘)、USB(Universal Serial Bus通用串行总线)存储器等。操作员或用户可以将程序和数据预先存储在便携式存储介质1209中，并将它们加载到存储器1202中使用。
这样，存储用于处理的程序和数据的计算机可读存储介质是存储器1202、辅助存储装置1205或便携式存储介质1209这样的物理(非临时)存储介质。
网络连接装置1207连接到通信网络505，是进行伴随通信的数据转换的通信接口电路。信息处理装置可以经由网络连接装置1207从外部的装置接收程序和数据，并将它们加载到存储器1202中使用。网络连接装置1207可以用作图5的通信部512。
另外，信息处理装置不需要包含图12的全部结构元件，也可以根据用途或条件省略一部分结构元件。例如，不需要与操作员或用户的接口时，则可以省略输入装置1203和输出装置1204。在不使用便携式存储介质1209或通信网络的情况下，也可以省略介质驱动装置1206或网络连接装置1207。
图12的信息处理装置可以用作图5的请求装置502、数据服务器503和数据服务器504。
虽然已经详细说明了所公开的实施方式及其优点，但是本领域技术人员可以在不脱离权利要求书中明确描述的本发明的范围的情况下进行各种修改、添加和省略。
标号说明
101、201、301、401、501 预测装置
111、211、311、411、511 存储部
112、212、312、514 计算部
113、213、313、413、516 预测部
121、222、322、421 广播接触信息
221、321 日历信息
412、515 推测部
422 天气预报信息
502 请求装置
503、504 数据服务器
505 通信网络
512 通信部
513 学习部
521、1011-1～1011-M 预测模型
522 天气校正模型
523 日历
524、531 收视率数据
525、532 天气预报数据
526 输入数据
527、528 预测收视率
531 收视率数据
601～605、611～615 柱状图
701、702 折线
711、712 峰值
801、802 曲线
1001 集合预测模型
1201 CPU
1202 存储器
1203 输入装置
1204 输出装置
1205 辅助存储装置
1206 介质驱动装置
1207 网络连接装置
1208 总线
1209 便携式存储介质。
权利要求书(按照条约第19条的修改)
1.一种预测装置，其特征在于，包括：
存储部，其存储广播接触信息，该广播接触信息表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度；
计算部，其计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值，以及
预测部，其根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述广播媒体所广播的多个广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
2.根据权利要求1所述的预测装置，其特征在于。
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
3.根据权利要求1或2所述的预测装置，其特征在于，
所述第1统计值、所述第2统计值及所述第3统计值分别是在所述多个日子播放的多个广播信息各自的广播接触信息的加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
4.根据权利要求1～3中任一项所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
5.一种预测方法，其特征在于，
使计算机执行如下步骤：
根据表示来自接收者对所述广播媒体所广播的多个广播信息的每一个的接触信息的广播接触信息，计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值，
根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述广播媒体所广播的多个广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
6.根据权利要求5所述的预测方法，其特征在于，
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
7.一种预测程序，其特征在于，使计算机执行如下处理：
根据表示来自接收者对所述广播媒体所广播的多个广播信息的每一个的接触信息的广播接触信息，计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值，
根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述广播媒体所广播的多个广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述广播媒体所广播的多个广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
8.根据权利要求7所述的预测程序，其特征在于，
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
9.一种预测装置，其特征在于，包括：
存储部，其存储包含节日的日历信息、和广播接触信息，该广播接触信息表示来自接收者对各个由广播媒体所广播的多个广播信息的接触程度；
计算部，其从由所述广播媒体所广播的多个广播信息的每一个的广播接触信息中，除去在所述节日广播的广播信息的广播接触信息，根据剩余的广播接触信息，计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值；以及
预测部，其根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
10.根据权利要求9所述的预测装置，其特征在于，
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
11.根据权利要求9或10所述的预测装置，其特征在于，
所述第1统计值、所述第2统计值及所述第3统计值分别是在所述多个日子播放的多个广播接触信息的简单移动平均或加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
12.根据权利要求9～11中任一项所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
13.一种预测方法，其特征在于，
使计算机执行如下步骤：
从表示来自接受者对由所述广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，除去在由日历信息所表示的节日广播的广播信息的广播接触信息，
根据剩余的广播接触信息，计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值；以及
根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
14.根据权利要求13所述的预测方法，其特征在于，
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
15.一种预测程序，其特征在于，使计算机执行如下处理：
从表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，除去在日历信息所表示的节日广播的广播信息的广播接触信息；
根据剩余的广播接触信息，计算第1统计值、第2统计值以及第3统计中之中的至少2个以上的统计值；以及
根据所述至少2个以上的统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度，
所述第1统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第3统计值表示在所述剩余的广播接触信息所对应的广播信息中、在与所述预定广播日相同的星期对应的、与所述预定广播日距离的最近的多个日子在同一时间段播放的多个广播信息的各自的广播接触信息的移动平均。
16.根据权利要求15所述的预测程序，其特征在于，
所述广播媒体所广播的多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述广播媒体所广播的多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
17.一种预测装置，其特征在于，包括：
存储部，其存储包含多个星期的日历信息、和广播接触信息，该广播接触信息表示来自接收者对在包含所述多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度；
计算部，其从所述广播媒体所广播的多个广播信息各自广播接触信息中，提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息，根据提取出的广播接触信息，计算第1统计值及第2统计值；以及
预测部，其根据所述第1统计值及所述第2统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度，
所述第1统计值表示在所述规定星期广播的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述规定星期广播的广播信息中、在与所述预定广播日距离最近的多个日子中在同一时间段广播的多个广播信息各自的广播接触信息的移动平均。
18.根据权利要求17所述的预测装置，其特征在于，
所述广播媒体所广播的多个广播信息是在包含所述多个星期的广播日由所述广播媒体所广播的多个广播节目，所述预定广播的广播信息是在所述规定星期的规定时间段广播的连续节目，
所述计算部从所述多个广播节目各自广播接触信息中提取在所述规定星期的所述规定时间段广播的所述连续节目的广播接触信息，使用所提取的所述连续节目的广播接触信息计算所述第2统计值。
19.根据权利要求17所述的预测装置，其特征在于，
所述第1统计值及所述第2统计值分别是在所述多个日子广播的广播接触信息的简单移动平均或加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
20.根据权利要求17～19中任一项所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
21.一种预测方法，其特征在于，
使计算机执行如下步骤：
从表示来自接收者对在包含由日历信息所示的多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息；
根据提取出的广播接触信息，计算第1统计值及第2统计值；以及
根据所述第1统计值及所述第2统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度，
所述第1统计值表示在所述规定星期广播的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述规定星期广播的广播信息中、在与所述预定广播日距离最近的多个日子中在同一时间段广播的多个广播信息各自的广播接触信息的移动平均。
22.根据权利要求21所述的预测方法，其特征在于，
所述广播媒体所广播的多个广播信息是在包含所述多个星期的广播日由所述广播媒体所广播的多个广播节目，
所述预定广播的广播信息是在所述规定星期的规定时间段广播的连续节目，
提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息的处理是从所述多个广播节目各自广播接触信息中提取在所述规定星期的所述规定时间段广播的所述连续节目的广播接触信息，使用所提取的所述连续节目的广播接触信息计算所述第2统计值。
23.一种预测程序，其特征在于，使计算机执行如下处理：
从表示来自接收者对在包含由日历信息所示的多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息；
根据提取出的广播接触信息，计算第1统计值及第2统计值；以及
根据所述第1统计值及所述第2统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度，
所述第1统计值表示在所述规定星期广播的广播信息中、在与播放所述预定广播的广播信息的预定广播日距离最近的多个日子播放的多个广播信息的各自的广播接触信息的移动平均，
所述第2统计值表示在所述规定星期广播的广播信息中、在与所述预定广播日距离最近的多个日子中在同一时间段广播的多个广播信息各自的广播接触信息的移动平均。
24.根据权利要求23所述的预测程序，其特征在于，
所述广播媒体所广播的多个广播信息是在包含所述多个星期的广播日由所述广播媒体所广播的多个广播节目，
所述预定广播的广播信息是在所述规定星期的规定时间段广播的连续节目，
提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息的处理是从所述多个广播节目各自广播接触信息中提取在所述规定星期的所述规定时间段广播的所述连续节目的广播接触信息，使用所提取的所述连续节目的广播接触信息计算所述第2统计值。
25.一种预测装置，其特征在于，包括：
存储部，存储表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和表示预定广播的广播信息被广播的预定广播日的各时刻的天气及降水概率的天气预报信息；
推测部，使用通过针对学习对象的天气预报信息的机器学习而生成的天气校正模型，根据所述预定广播日的各时刻的天气及降水概率，推测所述预定广播日的各时刻的降水量；以及
预测部，根据所述多个广播信息各自的广播接触信息、和所述预定广播日的各时刻的降水量，求出预测接触信息，该预测接触信息表示来自接收者对所述预定广播的广播信息的接触程度。
26.根据权利要求25所述的预测装置，其特征在于，
所述预测部根据所述多个广播信息各自的广播接触信息，求出表示来自接收者对所述预定广播的广播信息的接触程度的校正前接触信息，使用由所述推测部推测出的、所述预定广播日的各时刻的降水量计算各时刻的校正系数，使用所述校正前接触信息及所述各时刻的校正系数求出所述预测接触信息。
27.根据权利要求25或26所述的预测装置，其特征在于，
所述预测部使用通过对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
28.根据权利要求25所述的预测装置，其特征在于，
还具备计算部，其使用所述多个广播信息中包含第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值，
所述预测部根据所述统计值、和由所述推测部推测出的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
29.根据权利要求25所述的预测装置，其特征在于，
所述存储部还存储包含节日的日历信息，
所述预测装置还包括计算部，所述预测装置从所述多个广播信息各自的广播接触信息中，除去在所述节日广播的广播信息的广播接触信息，使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
所述预测部根据所述统计值、和由所述推测部推测出的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
30.根据权利要求25所述的预测装置，其特征在于，
所述存储部还存储包含多个星期的日历信息，
所述预定广播日是规定星期，
所述预测装置还包括计算部，从所述多个广播信息各自的广播接触信息中，提取在所述多个星期中在所述规定星期广播的广播信息的广播接触信息，使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
所述预测部根据所述统计值、和由所述推测部推测出的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
31.一种预测方法，其特征在于，
使计算机执行如下步骤：
根据表示预定广播的广播信息被广播的预定广播日的各时刻的天气及降水概率的天气预报信息，使用通过针对学习对象的天气预报信息的机器学习而生成的天气校正模型，推测所述预定广播日各时刻的降水量；
根据表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和所述预定广播日的各时刻的降水量，求出预测接触信息，该预测接触信息表示来自接收者对所述预定广播的广播信息的接触程度。
32.根据权利要求31所述的预测方法，其特征在于，
所述计算机使用所述多个广播信息中包含第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值，
根据所述统计值、和使用所述天气校正模型而推测出的、所述预定广播日的各时刻的降水量，求出所述预测接触信息。
33.根据权利要求31所述的预测方法，其特征在于，
所述计算机从所述多个广播信息各自的广播接触信息中，除去在日历信息所示的节日广播的广播信息的广播接触信息，
使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
根据所述统计值、和使用所述天气校正模型推测出的、所述预定广播日的各时刻的降水量，求出所述预测接触信息。
34.根据权利要求31所述的预测方法，其特征在于，
所述预定广播日是规定星期日，
所述计算机从所述多个广播信息各自广播接触信息中，提取日历信息所示的多个星期中的在所述规定星期广播的广播信息的广播接触信息，
使用所提取的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
根据所述统计值、和使用所述天气校正模型推测出的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
35.一种预测程序，其特征在于，使计算机执行如下处理：
根据表示预定广播的广播信息被广播的预定广播日的各时刻的天气及降水概率的天气预报信息，使用通过对学习对象的天气预报信息的机械学习而生成的天气校正模型，推测所述预定广播日的各时刻的降水量，
根据表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和所述预定广播日的各时刻的降水量，求出表示来自接收者对所述预定广播的广播信息的接触程度的预测接触信息。
36.根据权利要求35所述的预测程序，其特征在于，
还使计算机执行如下处理：
使用所述多个广播信息中包含第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值，
求出所述预测接触信息的处理是根据所述统计值、和使用所述天气校正模型推测出的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
37.根据权利要求35所述的预测程序，其特征在于，
所述预测程序还使所述计算机进行如下处理：
从所述多个广播信息各自的广播接触信息中，除去在日历信息所示的节日广播信息的广播接触信息，
使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
求出所述预测接触信息处理是，根据所述统计值、和使用所述天气校正模型推测的所述预定广播日的各时刻的降水量，求出所述预测接触信息。
38.根据权利要求35所述的预测程序，其特征在于，
所述预定广播日是规定星期，
所述预测程序使所述计算机还执行以下处理：
从所述多个广播信息各自广播接触信息中，提取日历信息所示的多个星期中在所述规定星期广播的广播信息的广播接触信息，
使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
求出所述预测接触信息处理是根据所述统计值、和使用所述天气校正模型推测的所述预定广播日的各时刻的降水量，求出所述预测接触信息。

Claims (22)

1.一种预测装置，其特征在于，包括：
存储部，其存储广播接触信息，该广播接触信息表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度；
计算部，其使用所述多个广播信息所包含的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值；以及
预测部，其根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度。
2.根据权利要求1所述的预测装置，其特征在于。
所述多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
3.根据权利要求1或2所述的预测装置，其特征在于，
所述统计值是所述多个广播信息各自的广播接触信息的加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
4.根据权利要求1～3中任一项所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
5.一种预测方法，其特征在于，
使计算机执行如下步骤：
在表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，使用所述多个广播信息中包含的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值；
根据所述统计值，求出表示来自接收者对预定广播的广播信息的接触程度的预测接触信息。
6.一种预测程序，其特征在于，使计算机执行如下处理：
在表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，使用所述多个广播信息中包含的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算所述第2广播信息的广播接触信息的贡献大于所述第1广播信息的广播接触信息的贡献的统计值；
根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度的。
7.一种预测装置，其特征在于，包括：
存储部，其存储包含节日的日历信息、和广播接触信息，该广播接触信息表示来自接收者对各个由广播媒体所广播的多个广播信息的接触程度；
计算部，其从所述多个广播信息的每一个的广播接触信息中，除去在所述节日广播的广播信息的广播接触信息，使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算统计值；以及
预测部，其根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度。
8.根据权利要求7所述的预测装置，其特征在于，
所述多个广播信息及所述预定广播的广播信息是属于多个广播节目类别中的规定类别的广播节目，所述多个广播信息及所述预定广播的广播信息各自的节目描述信息包含规定关键字或所述规定关键字的同义词。
9.根据权利要求7或8所述的预测装置，其特征在于，
所述统计值是所述多个广播信息各自的广播接触信息的简单移动平均或加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
10.根据权利要求7～9中任一项所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
11.一种预测方法，其特征在于，
使计算机执行如下步骤：
从表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，除去在日历信息所表示的节日广播的广播信息的广播接触信息；
使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
计算机根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度。
12.一种预测程序，其特征在于，使计算机执行如下处理：
从表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，除去在日历信息所表示的节日广播的广播信息的广播接触信息；
使用剩余的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后广播的第2广播信息的广播接触信息，计算统计值，
根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对预定广播的广播信息的接触程度。
13.一种预测装置，其特征在于，包括：
存储部，其存储包含多个星期的日历信息、和广播接触信息，该广播接触信息表示来自接收者对在包含所述多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度；
计算部，其从所述多个广播信息各自广播接触信息中，提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息，使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算统计值；以及
预测部，其根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度。
14.根据权利要求13所述的预测装置，其特征在于，
所述统计值是所述多个广播信息各自的广播接触信息的简单移动平均或加权移动平均，越是广播日晚的广播信息，所述加权移动平均的权重越大。
15.根据权利要求13或14所述的预测装置，其特征在于，
所述预测部使用通过针对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
16.一种预测方法，其特征在于，
使计算机执行如下步骤：
从表示来自接收者对在包含表示日历信息的多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，提取在所述多个星期中规定的星期被广播的广播信息的广播接触信息；
使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算统计值；以及
根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度。
17.一种预测程序，其特征在于，使计算机执行如下处理：
从表示来自接收者对在包含表示日历信息的多个星期的广播日由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息中，提取在所述多个星期中在规定的星期广播的广播信息的广播接触信息；
使用提取出的广播接触信息中的第1广播信息的广播接触信息、和在所述第1广播信息之后被广播的第2广播信息的广播接触信息，计算统计值；
根据所述统计值求出预测接触信息，该预测接触信息表示来自接收者对在所述规定星期广播的、预定广播的广播信息的接触程度。
18.一种预测装置，其特征在于，包括：
存储部，存储表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和表示预定广播的广播信息被广播的预定广播日的天气的天气预报信息；
推测部，根据所述天气预报信息，推测所述预定广播日的降水量；以及
预测部，根据所述多个广播信息各自的广播接触信息、和所述预定广播日的降水量，求出预测接触信息，该预测接触信息表示来自接收者对所述预定广播的广播信息的接触程度。
19.根据权利要求18所述的预测装置，其特征在于，
所述预测部根据所述多个广播信息各自的广播接触信息，求出表示来自接收者对所述预定广播的广播信息的接触程度的校正前接触信息，使用所述预定广播日的降水量计算校正系数，使用所述校正前接触信息及所述校正系数求出所述预测接触信息。
20.根据权利要求18或19所述的预测装置，其特征在于，
所述预测部使用通过对学习对象的广播接触信息的机器学习而生成的预测模型，求出所述预测接触信息。
21.一种预测方法，其特征在于，
使计算机执行如下步骤：
根据表示预定广播的广播信息被广播的预定广播日的天气的天气预报信息，推测所述预定广播日的降水量；
根据表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和所述预定广播日的降水量，求出预测接触信息，该预测接触信息表示来自接收者对所述预定广播的广播信息的接触程度。
22.一种预测程序，其特征在于，使计算机执行如下处理：
根据表示预定广播的广播信息被广播的预定广播日的天气的天气预报信息，推测所述预定广播日的降水量，
根据表示来自接收者对由广播媒体所广播的多个广播信息的每一个的接触程度的广播接触信息、和所述预定广播日的降水量，求出预测接触信息，该预测接触信息表示来自接收者对所述预定广播的广播信息的接触程度。
CN202180025183.0A 2020-01-28 2021-01-25 预测装置、预测方法及预测程序 Pending CN115380304A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-011544 2020-01-28
JP2020011544A JP6902636B1 (ja) 2020-01-28 2020-01-28 予測装置、予測方法、及び予測プログラム
PCT/JP2021/002454 WO2021153505A1 (ja) 2020-01-28 2021-01-25 予測装置、予測方法、及び予測プログラム

Publications (1)

Publication Number Publication Date
CN115380304A true CN115380304A (zh) 2022-11-22

Family

ID=76753135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180025183.0A Pending CN115380304A (zh) 2020-01-28 2021-01-25 预测装置、预测方法及预测程序

Country Status (6)

Country Link
US (1) US20230066059A1 (zh)
EP (1) EP4099251A4 (zh)
JP (1) JP6902636B1 (zh)
CN (1) CN115380304A (zh)
TW (1) TW202147234A (zh)
WO (1) WO2021153505A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7351975B1 (ja) * 2022-07-13 2023-09-27 株式会社電通 予測装置、予測方法及び予測プログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05342191A (ja) * 1992-06-08 1993-12-24 Mitsubishi Electric Corp 経済時系列データ予測及び解析システム
JP2001086081A (ja) * 1999-09-13 2001-03-30 Toshiba Corp 個人視聴率ファイルレイアウト構造を有するデータベース、個人視聴率を求める方法及び個人視聴率とその因子による最適ｃｍ割り当て方法
JP2004110300A (ja) * 2002-09-17 2004-04-08 Japan Research Institute Ltd データ予測方法、データ予測装置、コンピュータプログラム、及び記録媒体
JP2004206679A (ja) * 2002-12-12 2004-07-22 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
JP5320985B2 (ja) * 2008-10-30 2013-10-23 日本電気株式会社 予測システム、予測方法および予測プログラム
JP2010122825A (ja) * 2008-11-18 2010-06-03 Osaka Prefecture Univ データ予測装置、データ予測方法、データ予測プログラム
JP2010130585A (ja) * 2008-11-28 2010-06-10 Video Research:Kk 視聴率予測装置および視聴率予測プログラム
JP2010181966A (ja) * 2009-02-03 2010-08-19 Ntt Docomo Inc レコメンド情報評価装置およびレコメンド情報評価方法
JP2014238640A (ja) * 2013-06-06 2014-12-18 沖電気工業株式会社 情報提供システム、サーバ、顧客操作端末、情報提供方法及びプログラム
WO2015103328A1 (en) * 2013-12-30 2015-07-09 Lucid Commerce, Inc. Systems and methods for a television scoring service that learns to reach a target audience
KR101533043B1 (ko) * 2014-02-05 2015-07-02 한국기술교육대학교 산학협력단 Tv 프로그램 시청률 예측 시스템 및 그 예측 방법
JP2016045917A (ja) * 2014-08-27 2016-04-04 株式会社日立ソリューションズ西日本 時系列データの傾向抽出及び評価装置
JP6408451B2 (ja) * 2015-05-21 2018-10-17 株式会社日立製作所 エネルギー需要予測システム及びエネルギー需要予測方法
US9922341B2 (en) * 2015-09-01 2018-03-20 Turner Broadcasting System, Inc. Programming optimization utilizing a framework for audience rating estimation
JP6642159B2 (ja) * 2016-03-18 2020-02-05 日本電気株式会社 予測支援システム、予測支援方法及びプログラム
US10165315B2 (en) * 2016-10-17 2018-12-25 Viacom International Inc. Systems and methods for predicting audience measurements of a television program
RU2019122991A (ru) * 2017-01-10 2021-02-12 Денцу Инк. Система оптимизации рекламного места и способ оптимизации рекламного места для вещательных средств массовой информации, например, телевидения

Also Published As

Publication number Publication date
TW202147234A (zh) 2021-12-16
WO2021153505A1 (ja) 2021-08-05
JP2021117818A (ja) 2021-08-10
JP6902636B1 (ja) 2021-07-14
US20230066059A1 (en) 2023-03-02
EP4099251A1 (en) 2022-12-07
EP4099251A4 (en) 2023-10-25

Similar Documents

Publication Publication Date Title
TWI765952B (zh) 電視等的廣播媒體中之廣告時段最佳化系統及廣告時段最佳化方法
US9693115B2 (en) Method and system for automatically determining demographics of media assets for targeting advertisements
US11574321B2 (en) Generating audience response metrics and ratings from social interest in time-based media
US20220264179A1 (en) Methods and apparatus to estimate population reach from different marginal rating unions
US11330343B2 (en) Dynamic viewer prediction system for advertisement scheduling
JP4910000B2 (ja) リスティング広告送出装置及び方法
CN111651722B (zh) 一种针对广告主广告投放效果的风险评估方法及平台
JP2019050011A (ja) インプレッションデータの帰属先の誤判定及び／又はデータベース保有者による未カバーを補償する方法及び装置
JP2009088777A (ja) 広告選択最適化処理装置及びその処理方法
JP2010130585A (ja) 視聴率予測装置および視聴率予測プログラム
CN115380304A (zh) 预测装置、预测方法及预测程序
EP4134896A1 (en) Information processing device, revision assistance method, and revision assistance program
CN113010788B (zh) 信息推送方法及装置、电子设备、计算机可读存储介质
JP7231192B2 (ja) コミュニティの活性度測定方法、コミュニティの成熟度測定方法及びコミュニティの活性度測定プログラム
JP4276616B2 (ja) コマーシャル提供システム
US20180357664A1 (en) Graphical user interface to monitor a marketing campaign
JP7399225B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP7464711B2 (ja) 視聴率推定装置、視聴率推定方法および視聴率推定プログラム
CN111224731B (zh) 基于语音广播的内容推送方法、装置及设备
Agholor et al. ICT Education and Determinants of Acceptance Amongst Smallholder Farmers in Mbombela, South Africa
Deer et al. Online Word of Mouth and the Performance of New Products
Michelon et al. Why Shorter Advertisement Breaks Reduce Radio Advertisement Avoidance: When It Comes to Radio Advertising, Less Is More
Aulia et al. Design Of Quality Improvement For Prime Time Program On Zora Radio Using Qfd Method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40077076

Country of ref document: HK