JP2009036594A - 移動先予測装置および移動先予測方法 - Google Patents

Abstract

【課題】個々のユーザの行動特性を十分に反映して正確に移動先を予測することができる移動先予測装置および移動先予測方法を提供する。
【解決手段】移動先予測装置１００は、ユーザの位置を検出する位置情報検出部１０１と、曜日を含む日時を検出する曜日検出部１０２と、移動履歴の目的地が自宅か否かを判定する自宅判定部１０７と、移動履歴における各目的地の中で自宅以外の目的地へ到着した頻度（到着頻度）を算出する頻度算出部１１０と、移動履歴における各目的地へ所定の期間内の各曜日に到着した頻度（出現頻度）を算出する曜日頻度算出部１１１と、到着頻度および出現頻度をもとに行動クラスを算出する行動クラス算出部１１２と、現在の日時情報に該当する行動クラスに含まれる移動履歴を用いて移動先を予測する移動先予測部１０６とを備える。
【選択図】図１

Description

本発明は、ユーザの移動履歴をもとに将来の移動先を予測する移動先予測装置および移動先予測方法に関する。

従来、例えばカーナビゲーションシステム（以下、カーナビ）等の移動体端末機器において、検出されたユーザの移動履歴をもとに将来の移動先を予測する装置が提案されている（例えば、特許文献１及び特許文献２参照）。これらの装置では、将来の移動先の予測する際に、時刻や曜日に関する情報を考慮して曜日や時刻が類似する移動履歴同士をひとつのまとまりあるクラスとし、そのクラスを用いることで予測精度の向上を図っている。

例えば、特許文献１に記載された装置では、出発時の時刻と曜日をもとに過去の移動履歴を参照して目的地を予測する際、同一の時刻や曜日の履歴が存在しない場合、出発時が平日ならば月曜日から金曜日の移動履歴を参照し、出発時が土日ならば土日の移動履歴を参照することで予測を行っている。この場合、単に移動履歴の頻度をもとに予測するのではなく、現在が土日等の休日ならばその土日だけの移動履歴を一つのクラスとし、これを用いてより正確に移動先を予測することが可能となる。

また特許文献２に記載された装置では、月曜日から金曜日を平日クラス、土日を休日クラスとしたクラス分けのルールを予め用意し、本ルールを適用した場合と適用しない場合のそれぞれの有効値を算出し、所定の有効値が得られる場合は本ルールを適用することで正確に移動先を予測している。

常にユーザの操作により到着地等を設定するのは煩雑な場合があるので、上記のように移動履歴をもとに移動先を予測し、予測した移動先を到着地として設定することで、設定の煩雑さを解消することができる。また、当該予測移動先に関する情報のみを提供することが可能となり、不要な情報提供を抑制してより安全に走行することを可能としている。

図２４および図２５は移動履歴における到着した目的地とその曜日及び時刻の一例を表で示す図である。ここでは、横軸に時刻、縦軸に曜日を示している。また、曜日は月曜日から日曜日と曜日毎に示し、さらに月曜日から金曜日までを平日のクラス、土曜日と日曜日を休日のクラスとしている。また時刻は６時から１２時を午前、１２時から１８時を昼、１８時から２４時を夜と分類しているものとする。

例えば「百貨店タイガー」へ月曜日の９時０２分に到着した履歴があるとする。この場合、図２４において月曜日の朝のクラスに位置づけられることとなる。同様に火曜日の朝、水曜日の朝等、「百貨店タイガー」は平日の朝に頻度よく到着していることが分かる。一方、例えば「サンゼリア」へ土曜日の１３時０１分に到着した履歴があるとする。この場合、図２４において「サンゼリア」は土曜日の昼のクラスに位置づけられることになる。同様に土曜日の１５時頃に到着した履歴や日曜日の１３時頃に到着した履歴等、「サンゼリア」は休日の昼に頻度よく到着していることが分かる。

ここで、同じ経路で、例えば現在の日時が２００６年７月１７日（月）の８時２０分である場合は、図２４に示すように月曜日の朝に該当することとなる。月曜日から金曜日である平日の朝のクラスには「百貨店タイガー」が５回、四菱銀行が１回の計６回履歴が存在し、約８３％（５÷６）で「百貨店タイガー」が最も高いため、「百貨店タイガー」を移動先として予測すると、精度良く予測することができる。一方、同じ経路であってもその日時が例えば２００６年７月１５日（土）の１３時２０分であったとする。この場合、図２５に示すように土曜日から日曜日の休日であって昼のクラスに該当することとなる。休日の昼のクラスは「サンゼリア」が４回、「ロイヤルガスト」が１回であり、「サンゼリア」の確率が８０％（４÷５）と最も高く、「サンゼリア」を移動先として予測することとなる。単に頻度のみを考慮した場合、全体で最も頻度が高い「百貨店タイガー」ばかりが将来の移動先として予測されることになるが、このように日時情報を考慮することでより正確にユーザの行動を反映した予測が可能となるのである。
特開２００５−１５６３５０号公報 特許第３５２７５０５号公報

しかしながら、従来の予測手法において、曜日情報等を用いて移動履歴をクラス分けする際には、設計者によって予め定められたルールをもとにしてクラス分けを行っている。例えば月曜日から金曜日は一般的に平日であるため一つのクラスとし、土曜日と日曜日は一般的に休日であるため別のクラスとしている。

この場合、月曜日から金曜日が勤務日で、土日が休みなどのユーザにとっては精度良く予測を行うことが可能となるが、一方、ユーザは必ずしもこのような行動特性を有しているとは限らない。例えば水曜日と日曜日が勤務先の休日であり、土曜日が出勤などのユーザの場合、従来技術では必ずしも精度良く予測することができない。

図２６は予め設計されたクラスを用いて予測する場合の例を示した図である。ここでは、月曜日から金曜日までを平日、土日を休日と予め設計されたクラスに分類して移動先を予測するものとする。また、図では頻度を横軸で表し、説明のため時刻情報を考慮せず、曜日情報のみを考慮する場合について説明を行う。

図２６（ａ）に示すユーザＡは「百貨店タイガー」へ月曜日に１０回、火曜日に１１回、水曜日に１０回、木曜日に９回、金曜日に１０回、「サンゼリア」へ土曜日に７回、日曜日に４回訪れている。この場合、各クラスの頻度を求めると、月曜日から金曜日の平日は「百貨店タイガー」が最も頻度が高く、一方、土日は「サンゼリア」が最も高くなる。そして、例えば水曜日であると「百貨店タイガー」が、土曜日であると「サンゼリア」が移動先として予測されることになる。よって、それぞれにおいてユーザの行動特性を反映して移動先を正確に予測することができる。

一方、図２６（ｂ）に示すユーザＢの場合、「百貨店タイガー」へ月曜日に１２回、火曜日に１０回、水曜日に０回、木曜日に１０回、金曜日に１０回、土曜日に９回、「サンゼリア」は水曜日に８回、日曜日に１０回訪れている。この場合も、各クラスの頻度を求めると、上記同様に月曜日から金曜日の平日は「百貨店タイガー」が最も頻度が高く、一方、土日は「サンゼリア」が最も高くなる。しかしながら、例えば水曜日はユーザＢにとっては会社の休日であり、レストラン「サンゼリア」に行くのに月曜日から金曜日のクラスとしては「百貨店タイガー」の頻度が最も高いため「百貨店タイガー」が予測されてしまうこととなる。また、土曜日は会社出勤日であり「百貨店タイガー」へ向かっているのに土日の休日クラスとしては「サンゼリア」が１０回と最も頻度が高いため「サンゼリア」と予測されてしまうこととなる。

このように一般的なクラス、例えば月曜日から金曜日を平日、土日を休日とする予め定められたクラスではユーザの行動特性を十分に反映することができない。このため、予め定められたクラス分けによる移動履歴を用いて予測しても必ずしも正確に移動先を予測することができるとは限らない。

そこで、本発明は上記の事情に鑑みてなされたものであり、個々のユーザの行動特性を十分に反映して正確に移動先を予測することができる移動先予測装置および移動先予測方法を提供することを目的とする。

上記目的を達成するため、本発明に係る移動先予測装置は、ユーザの移動先を予測する移動先予測装置であって、前記ユーザの位置を示す位置情報を検出する位置情報検出手段と、現在の日時および曜日を含む日時情報を検出する曜日情報検出手段と、前記位置情報検出手段において検出された前記位置情報および前記曜日情報検出手段において検出された前記日時情報を対応付けて移動履歴として蓄積する移動履歴蓄積手段と、前記移動履歴において到着した目的地ごとに、所定期間内に前記目的地へ到着した到着頻度を算出する頻度算出手段と、前記目的地ごとに、所定期間内に前記目的地へ到着した曜日の出現頻度を算出する曜日頻度算出手段と、前記頻度算出手段において算出された到着頻度が所定の閾値以上である目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を一つの行動クラスとして算出する行動クラス算出手段と、前記曜日情報検出手段において検出された現在の日時情報に該当する前記行動クラスに含まれる前記移動履歴、および前記位置情報検出手段において検出された現在の前記位置情報に基づいて移動先を予測する移動先予測手段とを備えることを特徴とする。

これによって、個々のユーザの行動特性を反映した行動クラスを算出することができ、算出した行動クラスを用いてユーザが今から向かう移動先を予測しているので、個々のユーザの行動特性を十分に反映して正確に移動先を予測することができる。

なお、本発明は、このような移動先予測装置として実現することができるだけでなく、このような移動先予測装置が備える特徴的な手段をステップとする移動先予測方法として実現したり、それらのステップをコンピュータに実行させるプログラムとして実現したりすることもできる。そして、そのようなプログラムは、ＣＤ−ＲＯＭ等の記録媒体やインターネット等の伝送媒体を介して配信することができるのは言うまでもない。

本発明に係る移動先予測装置および移動先予測方法によれば、ユーザの移動履歴をもとにユーザ毎に特徴ある曜日等の組合せを抽出して行動クラスを算出することで、より精度良くユーザの移動先を予測することが可能となる。

本発明の実施の形態に係る移動先予測装置は、ユーザの移動先を予測する移動先予測装置であって、前記ユーザの位置を示す位置情報を検出する位置情報検出手段と、現在の日時および曜日を含む日時情報を検出する曜日情報検出手段と、前記位置情報検出手段において検出された前記位置情報および前記曜日情報検出手段において検出された前記日時情報を対応付けて移動履歴として蓄積する移動履歴蓄積手段と、前記移動履歴において到着した目的地ごとに、所定期間内に前記目的地へ到着した到着頻度を算出する頻度算出手段と、前記目的地ごとに、所定期間内に前記目的地へ到着した曜日の出現頻度を算出する曜日頻度算出手段と、前記頻度算出手段において算出された到着頻度が所定の閾値以上である目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を一つの行動クラスとして算出する行動クラス算出手段と、前記曜日情報検出手段において検出された現在の日時情報に該当する前記行動クラスに含まれる前記移動履歴、および前記位置情報検出手段において検出された現在の前記位置情報に基づいて移動先を予測する移動先予測手段とを備えることを特徴とする。

これによって、個々のユーザの行動特性を反映した行動クラスを算出することができ、算出した行動クラスを用いてユーザが今から向かう移動先を予測しているので、個々のユーザの行動特性を十分に反映して正確に移動先を予測することができる。

ここで、前記移動先予測装置は、さらに、前記移動履歴における前記目的地が自宅か否かを判定する自宅判定手段を備え、前記行動クラス算出手段は、前記自宅を除く前記移動履歴を用いて前記行動クラスを算出してもよい。これによって、精度良く行動クラスを算出することができる。

また、前記移動先予測装置は、さらに、カレンダー情報を蓄積しているカレンダー情報蓄積部を備え、前記行動クラス算出手段は、前記カレンダー情報をもとに祝日を除く前記移動履歴を用いて前記行動クラスを算出してもよい。これによって、精度良く行動クラスを算出することができる。

また、前記行動クラス算出手段は、直近の前記所定期間内の移動履歴に基づいて、前記行動クラスを更新してもよい。これによって、その時点のユーザの行動特性を反映した行動クラスを用いて、移動先を予測することができる。

また、前記行動クラス算出手段は、前記頻度算出手段において算出された前記到着頻度が所定の閾値以上で、かつ、最も高い目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を前記行動クラスとして算出してもよい。これによって、簡単にユーザの行動特性を反映した行動クラスを算出することができる。

ここで、前記行動クラス算出手段は、算出した前記行動クラスに含まれる曜日の組合せがすべての曜日となる場合、前記頻度算出手段において算出された前記到着頻度が前記閾値以上で、かつ、２番目に高い目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を前記行動クラスとして算出してもよい。これによって、さらにユーザの行動特性を反映した行動クラスを算出することができる。

また、前記曜日頻度算出手段は、さらに、前記行動クラス算出手段において前記行動クラスが算出された場合、前記行動クラスに該当する移動履歴の中で、前記到着頻度が所定の閾値以上で、かつ、最も高い目的地を除く前記目的地へ到着した曜日の前記所定期間内の前記出現頻度を再度算出し、前記行動クラス算出手段は、再度算出された前記出現頻度が所定の閾値以上である曜日を新たな行動クラスとして算出してもよい。これによって、単に２つの行動クラスではなく、ユーザの行動特性に応じて柔軟に行動クラスを算出することが可能となり、より精度良く移動先を予測することができる。

前記移動先予測手段は、現在の前記日時情報に該当する前記行動クラスに含まれる前記移動履歴から、現在の前記位置情報を含む移動履歴を抽出し、抽出した前記移動履歴の目的地ごとに前記目的地へ到着した頻度を算出し、算出した頻度が最も高い目的地を前記移動先として予測してもよい。

前記移動先予測装置は、さらに、前記移動先予測手段において予測された前記移動先に関する情報を提供する情報提供手段を備えてもよい。

前記移動先予測装置は、さらに、前記行動クラス算出手段において算出された前記行動クラスを蓄積する行動クラス蓄積手段を備えてもよい。

以下、本発明の実施の形態に係る移動先予測装置について図面を参照しながら説明を行う。

（実施の形態１）
図１は、本実施の形態に係る移動先予測装置のシステム構成を示すブロック図である。以下、まず各構成要素について説明し、後に本実施の形態の動作フローを説明する。

移動先予測装置１００は、曜日の組合せで行動クラスを算出して移動先を予測するための装置であり、位置情報検出部１０１、曜日検出部１０２、ノード変換部１０３、地図情報蓄積部１０４、移動履歴蓄積部１０５、移動先予測部１０６、自宅判定部１０７、情報提供部１０８、カレンダー情報蓄積部１０９、頻度算出部１１０、曜日頻度算出部１１１、行動クラス算出部１１２、および行動クラス蓄積部１１３を備えている。

位置情報検出部１０１は、移動先予測装置１００とともに移動するユーザの位置を検出する。例えばカーナビの場合、ユーザの現在位置を検出するＧＰＳ（Global Positioning System）が備えられ、約１秒間隔など所定の間隔で緯度経度情報が検出される。本実施の形態において位置情報検出部１０１はＧＰＳ等で構成されるものとし、所定の間隔でユーザの移動とともに位置情報として緯度経度情報を検出する。

図２はユーザの移動と移動に伴って検出される位置情報の一例を示す図である。「自宅」を出発して「百貨店タイガー」に向かって走行するユーザに伴って、所定の間隔で検出される位置情報を白い丸印で示している。

図３は位置情報検出部１０１で検出される位置情報の一例を示す図である。緯度経度情報として位置が検出されている。

曜日検出部１０２は日時を検出する。例えば、ＧＰＳを介して衛星から得られる緯度経度情報と供に曜日を検出することとしてもよい。なお、一般的にＧＰＳでは曜日のみならず時間も取得が可能であるため、本実施の形態では曜日情報に時間も含めて説明を行う。図３に示す例は例えば日時「２００６年６月２４日８時４０分」に「東経１３５度１３分１０秒、北緯３５度４４分１５秒」の位置が、位置情報検出部１０１および曜日検出部１０２により検出されている。

地図情報蓄積部１０４は、地図情報を蓄積している。一般的に地図情報は所定のエリアごとに分割され、各エリアに存在する施設の情報や経路の情報等を蓄積している。例えば交差点や施設をノードとして蓄積したり、ノードとノードを結ぶ経路等をリンクとして蓄積しているのが一般的である。

図４は地図情報の一例を示した図である。図４に示す例では、例えばエリアＩＤ「Ｅ１１」のエリアに存在する施設や交差点の情報を有している。例えばノードＩＤ「Ｃ２１」は交差点「緑４交差点」に関する情報であり、位置「東経１３５度１３分１０秒、北緯３５度４３分２０秒」に位置し、名称「緑４交差点」として蓄積されている。また、ノードＩＤ「Ｎ１２３」は「百貨店タイガー」に関する情報であり、位置「東経１３５度２０分１０秒、北緯３５度５３分２０秒」に位置する等の情報が蓄積されている。

ノード変換部１０３は、地図情報蓄積部１０４に蓄積された地図情報を参照し、位置情報検出部１０１で検出された位置情報をノードへと変換する。そして、ノード変換部１０３は、ユーザの走行した経路を移動履歴として移動履歴蓄積部１０５へ蓄積する。なお、本実施の形態ではノードとして説明を行うが、リンクであっても良い。

なお、本実施の形態において数値である緯度経度をノードへと変換した位置情報を用いて説明を行うのは、緯度経度では数値の一致判定が困難な場合があるからである。しかしながらこれに限ったものではなく、誤差を含め緯度経度情報を数値として扱うものとしても良い。すなわち、位置情報検出部１０１とノード変換部１０３とを含めて位置情報を検出する手段ととらえてもよい。

今、ユーザが図２に示すように自宅を出発して所定の交差点を通過し、百貨店タイガーの駐車場へと到着したとする。なお到着か否かはエンジン停止で判断することができる。例えば図３に示すように「東経１３５度２０分１１秒、北緯３５度５３分２０秒」の位置で停止した旨が検出され、それまでの経路が緯度経度情報で検出されている。ノード変換部１０３は地図情報を参照し、これら経路を交差点や施設などのノード系列へと変換する。例えば検出された地点を基準に所定の範囲内（例えば地点を中心として直径２００ｍ以内とする）に該当するノードを検索し、移動履歴として蓄積することとする。例えば検出された位置「東経１３５度２０分１１秒、北緯３５度５３分２０秒」に対し、ノードＩＤ「Ｎ１２３」である百貨店タイガーの位置「東経１３５度２０分１０秒、北緯３５度５３分２０秒」が範囲内に含まれるため、当該到着地は百貨店タイガーとして蓄積されることとなる。なお、緯度経度の１秒は約２５メートルに該当するため、到着地点を中心とした直径２００ｍ内に百貨店タイガーは含まれることとなる。

図５は、図２に示すユーザの移動経路であって緑１交差点及び百貨店タイガー付近を詳細に示した図である。図５において緑１交差点はノードＣ２１、百貨店タイガーはＮ１２３として示されている。また検出される位置情報を白い丸印で示している。そして上記に示すように変換されたノードを白い星印で示している。同様に「自宅」や「緑４交差点」等、移動に伴って検出される緯度経度がノード系列へと変換されることで、ユーザの移動履歴をノード系列で表すことができる。なお位置情報からノードへの変換は位置情報が検出されるたびに随時行うものとする。

図６は、移動履歴蓄積部１０５に蓄積された到着地の移動履歴を示した図である。

移動履歴蓄積部１０５は、例えば図６に示すように履歴のＩＤとなる「履歴ＩＤ」、そして上記変換方法によって変換された「出発地」、「経路」、「目的地」を「日時」と付帯して蓄積している。例えば図６に示す履歴ＩＤ「００１」には日付「２００６年６月１９日（月）」の移動履歴であり、出発地「自宅」を時刻「８時０４分」に出発し、「緑４（交差点）」、「緑３（交差点）」を経由して「百貨店タイガー」へ時刻「９時０２分」に到着した旨が蓄積されている。このように移動履歴蓄積部１０５は、日々ユーザの走行に伴って検出される位置情報を履歴として蓄積していく。例えば同様に蓄積された履歴として、履歴ＩＤ「００５」には日付「２００６年６月２５日（日）」における「自宅」から「華町３−１」の移動履歴や、履歴ＩＤ「００７」として日付「２００６年６月２５日（日）」における「自宅」から「サンゼリア」の履歴等が蓄積されている。

移動履歴はユーザの行動傾向を反映しており、単に過去行った場所を後に検索したり、過去行った場所を目的地に設定するのみならず、行動傾向に応じてユーザ好みの経路案内に反映させたり、あるいは交通情報の提供のフィルタリングに用いたり等、さまざまな用途に用いられる重要な情報となる。さらにはこの移動履歴を用いることで将来の移動先を予測し、経路設定、経路案内を行うことも可能となる。

自宅判定部１０７は移動履歴の目的地が自宅か否かを判定する。なお、カーナビ等の場合、予め自宅を設定する機能が備わっていることが多いので、ここでは予め自宅が設定されているものする。そこで、自宅判定部１０７は、日々の走行によって検出される移動履歴のうち、各目的地がこの設定された自宅か否かを判定する。

図７は、被験者４０名による実際の車両の移動履歴を約６月間蓄積し、その目的地の種類の割合を示す図である。図７に示す目的地の種類の割合から、自宅４２％、会社２４％、買物１２％等、様々な種類の目的へ移動していることが分かる。一般的にユーザは自宅を出発して、ある目的地へ向かい、その後また帰宅する等の行動をとる。あるいは複数の目的地を経由し、最終的に自宅へ帰宅する。よって全走行の半分近くが自宅への移動となる。また自宅への移動においてその到着時刻や曜日は様々である。従ってこの自宅への移動履歴を用いて曜日の組合せ等、行動クラスを算出するのは必ずしも適切ではない。また、計算量が膨大となり、また不適切な行動クラスが算出されることもある。そこで本発明では自宅判定部１０７において自宅への移動か否かを検出し、後に示す行動クラス算出のデータから除くこととする。

なお、自宅の判定は設定に限ったものではない。例えば自宅を到着地の頻度や滞在時間をもとに算出しても構わない。例えば頻度が高い地点や、その平均滞在時間が長い地点、あるいは夜中１時等に滞在している頻度が高い地点等、履歴をもとに自宅を判定することも可能である。

頻度算出部１１０は、移動履歴における各目的地の中で、自宅判定部１０７で判定された自宅以外の目的地へ到着した頻度（到着頻度）を算出する。図７に示すように、一般的にユーザの移動先は全走行のうち自宅が最も高いが、次によく行く目的地が比較的決まっている場合が多い。例えば勤務者の場合は会社、主婦や大学生等、通勤に利用しない場合はそのユーザが頻度良く行くスーパー等、定期的に行く目的地がある。このように到着頻度が高い目的地を用いて例えばその人にとっての平日と休日など、曜日の組合せを算出することでより精度良く目的地が予測できることとなる。

曜日頻度算出部１１１は、移動履歴における各目的地へ所定の期間内の各曜日に到着した頻度（出現頻度）を算出する。単に出現頻度のみで曜日の組合せを算出した場合、必ずしも正確にユーザの行動特性を反映することができない場合もある。例えばある期間は月曜日と火曜日に頻度よく行き、後の期間では木曜日と金曜日に頻度良く行き月曜日と火曜日には行かなくなった場合、単に頻度よく行く曜日で組合せを算出するとこれらすべてが一つの行動クラスとされ、もう行かなくなった月曜日や火曜日にまである目的地が予測されてしまう等の不都合も生じる。例えば、大学生などのアルバイト、シフトが月単位で変わる看護士など、その月々や所定の期間で行動傾向が変更する場合もある。そこで曜日頻度算出部１１１では所定の期間での出現頻度を算出している。

行動クラス算出部１１２は、頻度算出部１１０で算出された到着頻度、および曜日頻度算出部１１１で算出された出現頻度をもとに、行動クラス、例えば曜日の組合せを算出する。すなわち、行動クラス算出部１１２は、現在の日時をもとに所定期間、例えば過去４週間のうち、出現頻度が高く、かつ各曜日に定期的に出現している目的地をもとに曜日の組合せを算出する。以下、具体例を用いて説明する。

図８は行動クラスの算出について示す図である。ここでは、横軸に週、縦軸に曜日、そしてある週のある曜日にどの目的地に到着したかを示している。例えば１週目を２００６年６月１９日の週とする。図６等に示すように２００６年６月１９日の月曜日に目的地「百貨店タイガー」へ到着していることから、１週目の月曜日に「百貨店タイガー」が示されている。同様に６月２０日（火）、６月２２日（木）、６月２３日（金）、６月２４日（土）にも「百貨店タイガー」へ到着した履歴が存在するとし、これを白い丸印でマッピングしている。一方、６月２１日（水）、６月２５日（日）には「百貨店タイガー」へは行かず、「サンゼリア」への履歴が存在したとする。「サンゼリア」は斜線を付した丸印で示している。同様に６月２６日（月）の２週目等、週ごとにどの目的地へ向かったかを示している。また６月２８日（水）、７月１６日（日）にはロイヤルガストにも行っており、これは黒い丸印で示している。例えば６月１９日を１週目とし、１週目から４週目の間の４回の月曜日のうち、「百貨店タイガー」へは３回、火曜日はすべていっており４回等、所定期間内における曜日ごとの出現頻度を算出することができる。

図８において、現在日時を７月１７日の週に該当する日、例えば７月２２日（土）とする。ここで頻度算出部１１０は過去４週間の移動履歴をもとに各目的地の到着頻度を算出する。現在の週に対して過去４週間前は６月１９日の週となり、６月１９日以降の移動履歴をもとに各目的地の到着頻度を算出する。図８の場合、「百貨店タイガー」が１７回、「サンゼリア」が５回、「百貨店タイガー」が２回であり、最も頻度が高いのは「百貨店タイガー」となる。ここで所定の閾値（例えば確率１／２、つまり２８日のうち１４回）以上の到着頻度のある目的地を用いて行動クラスを算出する。これは、頻度の少ない目的地で組合せを算出すると正確に行動クラスを算出できないからである。

次に曜日頻度算出部１１１で曜日毎の出現頻度を算出する。各曜日は４日あり、そのうち「百貨店タイガー」への出現頻度は、月曜日が３回、火曜日が４回、水曜日が０回、木曜日が４回、金曜日が３回、土曜日が３回、日曜日が０回となっている。ここで所定の閾値（例えば１／２、つまり２回）以上の曜日を用いて組合せを算出する。図８の場合、行動クラス算出部１１２によって、閾値である２回以上の曜日として３回の月曜日、４回の火曜日、４回の木曜日、３回の金曜日、３回の土曜日が組合せとして算出されることとなる。なお、閾値を設けたのは以下の理由による。例えば休日である日曜日にも勤務先である「百貨店タイガー」へ向かう場合も稀にあり、単に出現する曜日すべてを用いて組合せを算出すると正確に行動クラスを算出できないからである。

行動クラス蓄積部１１３は行動クラス算出部１１２で算出された行動クラスを蓄積する。例えば図８に示すユーザの場合、月、火、木、金、土曜日が一つの行動クラスとして算出されており、これを蓄積する。

移動先予測部１０６は、移動履歴蓄積部１０５に蓄積された移動履歴と、行動クラス算出部１１２で算出された行動クラスと、位置情報検出部１０１で検出される現在の位置情報とをもとにユーザが今から向かう移動先を予測する。以下、図を用いて説明する。

図９は移動先予測部１０６における移動先の予測を説明する図である。例えば日時２００６年７月１７日（月）の８時２０分における現在の走行を示したものとする。ユーザは自宅を出発し、緑４交差点を通過し、緑３交差点を右折した位置に現在位置している。位置情報検出部１０１は上記同様、移動に伴って緯度経度情報を検出する。そしてノード変換部１０３は、検出される緯度経度情報を、地図情報を参照してノード系列へと変換し、現在の走行を随時、図９に示すようなノードの系列で表すことになる。例えば、図９の走行の場合、系列「自宅（Ｎ１００）」、「緑４交差点（Ｃ２１）」、「緑３交差点（Ｃ２２）」が現在走行中の系列として検出されることとなる。

ここで移動先予測部１０６は移動履歴蓄積部１０５に蓄積された移動履歴中の、現在の曜日と同じ行動クラスに含まれる曜日の移動履歴から、現在走行中の系列と一致（又は類似）する系列を有する移動履歴を抽出する。例えば現在走行中の系列ノードのうち、所定の閾値以上一致していれば類似するとみなし、抽出することが可能である。そして抽出された移動履歴の目的地の頻度を算出し、例えば最も高い頻度、あるいは確率（例えば各目的の頻度÷トータルの頻度）の目的地を現在の走行における目的地として予測する。以下、図を用いて説明する。

図１０（ａ）は移動履歴、図１０（ｂ）は現在走行中の系列、図１０（ｃ）は移動履歴にから算出された目的地の頻度、の一例を示す図である。現在走行中の系列「自宅（Ｎ１００）」、「緑４交差点（Ｃ２１）」、「緑３交差点（Ｃ２２）」と一致する系列として、例えば図１０（ａ）に示す移動履歴ＩＤ「００１」が該当する。そして移動履歴ＩＤ「００１」の目的地は「百貨店タイガー」であるため、百貨店タイガーの頻度を１加算する。同様に現在走行中の系列に一致する移動履歴として移動履歴ＩＤ「００５」が該当し、目的地は「華町３−１」、移動履歴ＩＤ「００７」は「サンゼリア」と、履歴をもとに目的地候補の頻度を算出していく。ここでは、例えば図１０（ｃ）に示すように「百貨店タイガー」が１７回、「サンゼリア」が４回、「華町３−１」が３回、「ロイヤルガスト」が１回と得られたとする。そして百貨店タイガーが合計２５回（１９＋３＋２＋１）に対して頻度１９回、つまり確率７６％（１９÷２５）で最も高いため、移動先予測部１０６は移動先を百貨店タイガーとして予測することとなる。

情報提供部１０８は、例えばタッチパネル等で構成されるカーナビの画面を有し、移動先予測部１０６で予測された移動先に関する情報を提供する。一般的にカーナビでは現在走行に伴う地図の表示や渋滞情報を表示する。

図１１は表示画面の一例を示す図である。現在ユーザが緑３交差点を右折した位置を走行していることを示している。一方、移動先予測部１０６で上記のように移動先として「百貨店タイガー」が予測されているとすると、情報提供部１０８は、この「百貨店タイガー」までの到着予測時刻９時０５分等、予測移動先に関する情報を図１１に示すように提供する。カーナビでは常にユーザの操作により到着地等を設定するのは煩雑な場合があり、このように予測された移動先を設定することでこれら煩雑さを解消することができる。また、ユーザが向かう目的地とは無関係な情報を抑制して予測移動先に関する情報のみを提供することが可能となり、より安全に走行することが可能となるのである。

例えば７月２２日（土）において移動先を予測する場合、図８に示す例では月、火、木、金、土曜日の行動クラスに該当するため、この曜日の履歴をもとに予測する。月、火、木、金、土曜日で最も頻度が高いのは「百貨店タイガー」であり、実際の走行も「百貨店タイガー」と正確に予測することができるのである。もしここで例えば従来のように土日は一般的に休日であろうと、土日の履歴のみで予測を行った場合、「百貨店タイガー」の頻度は３回、「サンゼリア」の頻度も３回と、正確に予測できないことになる。

同様に、例えば７月１９日（水）における移動先の予測について説明する。この場合、水曜日と日曜日の履歴を用いて算出することとなる。水曜日と土曜日の履歴において最も頻度が高いのは「サンゼリア」の５回であり、実際の走行も「サンゼリア」と正確に予測することができるのである。もしここで例えば従来のように月曜日から金曜日は平日であろうと、月曜日から金曜日までの履歴を用いて予測を行った場合、実際には水曜日は休みであるにもかかわらず、頻度が１４回である「百貨店タイガー」という月、火、木、金の履歴に左右され、移動先が正確に予測できないことになる。

なお、さらにカレンダーの情報から国民の祝日情報を抽出し、この国民の祝日における移動履歴を考慮しないこととしてもよい。一般的にユーザは自身の会社等の勤務曜日に応じて行動傾向が異なる。例えば水曜日、日曜日が休日であり、それ以外が出勤日等、ユーザごとにその組合せは異なる。本実施の形態では、このようなことから曜日の組合せを抽出してより正確に移動先を予測することとしている。一方、いわゆる国民の祝日はいずれのユーザも休日に類似する行動をとることが多く、この国民の祝日をも考慮して行動クラスを算出するのでは必ずしも正確に曜日の組合せを算出することができない。そこで本実施の形態ではカレンダー情報から祝日を判定し、この祝日の履歴を除いて行動クラスの算出を行う。以下、図を用いて説明する。

図１２は、国民の祝日を考慮した行動クラスの算出について示す図である。ここでは、図８と同様、横軸に週、縦軸に曜日、どの目的地に到着したかを示している。図１２において、現在日時を５月２２日の週に該当する日とする。ここで頻度算出部１１０は図８と同様、過去４週間の移動履歴をもとに各目的地の到着頻度を算出する。現在の週に対して過去４週間前は４月２４日の週となり、４月２２日以降の移動履歴をもとに各目的地の到着頻度を算出する。ところで図１２において１週目の４月２９日、３０日及び２週目の５月３日、５月４日、５月５日は国民の祝日や振り替え休日に該当する日である。かかる日は普段の通勤日とは異なり、ユーザは異なった行動傾向をとることが多い。本例の場合、例えば木曜日、金曜日、土曜日は通勤日であるにもかかわらず、「百貨店タイガー」へは行かず、「サンゼリア」や「ロイヤルガスト」へ向かっている。このような履歴を用いては正確に行動クラスを算出できない。そこでこのような国民の休日や振り替え休日は、参照する履歴から除外して頻度を算出することとする。具体的には４月２２日から４週間の２８日のうち、国民の祝日や振り替え休日は５日あるため２３日（２８日−５日）を基準とし、閾値１／２（つまり２３日×１／２＝１１．５日）以上出現する目的地をもとに曜日の組合せを算出する。本例の場合、「百貨店タイガー」への到着は１３日ある。もしこれら国民の祝日も含め頻度を算出すると、１４日（２８日×１／２）には満たないため、行動クラスを算出できないことになる。一方、国民の祝日を除外することで、この「百貨店タイガー」を用いて行動クラスを算出することが可能となる。

次に曜日頻度算出部１１１は曜日毎の出現頻度を算出する。一方、ここでも図８とは異なり、国民の祝日等を除外して曜日の組合せを算出することとする。図１２において各曜日は４日あり、そのうち月曜日は４回、火曜日は３回とほぼ毎週のように「百貨店タイガー」へ向かっているため、これらはユーザにとって特徴的な行動として曜日の組合せの候補とすることができる。一方、木曜日、金曜日、土曜日は４週のうち、ともに２回と、必ずしも特徴的な傾向とは言い切れない。しかしながら、この４週のうち１日はともに国民の祝日等であり、普段とは異なる傾向のものと考えられる。そこでこれら国民の祝日の履歴は考慮しないものとして算出する。具体的には国民の祝日を除外した３日を基準とし、閾値１／２以上であるか否かを判定する。そうすると木曜日、金曜日、土曜日は３日のうち、ともに２回と閾値以上「百貨店タイガー」へ到着しており、周期的な行動と考えることができる。そこでこれらで曜日の組合せを算出すると、月、火、木、金、土と、本例のユーザの行動に応じた曜日の組合せが算出できることとなる。

従来、予め設計者が用意したルールを用い、評価値の有効な数値が得られた場合にそのルールを用いてクラスを分割する等の技術があるが、このような技術はユーザの行動が設計者の想定する行動におおむね一致する場合や、データ数が多い場合は確かに正確に行動クラスを算出することが可能となる。一方、実際のユーザの行動パターンはこれに限ったものではない。設計者が想定していなかったユーザ、例えば土日が必ずしも休日ではないようなユーザは予め設計されたルールでは必ずしも行動傾向を反映できない。一方、ユーザの実際の行動パターンは、頻度よく行く目的地をもとに反映することが可能である。例えば通勤者はその勤務先、大学生が通学する曜日やアルバイトの日等、ユーザそれぞれの曜日の組合せを算出することでより正確に行動傾向を反映し、正確に移動先を予測することができる。

なお、行動クラス算出部１１２において、上記のように最も頻度が高い目的地を用いて曜日の組合せ、すなわち行動クラスが算出されない場合、次に頻度が高い目的地を用いて曜日の組合せを算出することとしてもよい。例えば会社の場合、休日であっても出勤することも多く、月曜日から日曜日まですべての曜日がひとつのクラスとして算出されてしまうこととなる。この場合、次に頻度の高い目的地で組合せを算出することとしてもよい。また、頻度が所定の閾値を満たさない場合もクラスを算出することができない。この場合、一般的な組合せである月曜日から金曜日を一つのクラス、土日をもう一つのクラスとして予測することとしてもよい。

次に、上記のように構成された移動先予測装置１００の動作について、図１３、図１４、図１５、図１６を用いて説明する。移動先予測装置１００の動作は、大きく、履歴蓄積、行動クラスの算出、移動先の予測の３つの工程に分けることができる。

図１３は履歴蓄積を行う際の動作の流れを示すフローチャートである。

まず、位置情報検出部１０１は位置情報を検出し（ステップＳ１０１）、曜日検出部１０２は曜日情報を検出する（ステップＳ１０２）。次に、ノード変換部１０３は、地図情報蓄積部１０４に蓄積されている地図情報を参照し（ステップＳ１０３）、検出された地点を基準とした所定の範囲内（例えば半径５０メートル等）に該当するノードを検索する（ステップＳ１０４）。そしてノードが存在する場合（ステップＳ１０５でＹｅｓ）、ノード変換部１０３は、該当するノードを履歴として移動履歴蓄積部１０５に蓄積する（ステップＳ１０６）。一方存在しない場合（ステップＳ１０５でＮｏ）、位置情報の検出処理（ステップＳ１０１）へ戻り上記処理（ステップＳ１０１〜Ｓ１０５）を再帰的に行う。これにより、ユーザの移動に伴って検出される位置情報がノードの系列として蓄積されていくことになる。最後にエンジン停止されたか否かを判定し（ステップＳ１０７）、停止された場合（ステップＳ１０７でＹｅｓ）、履歴の蓄積工程は終了する。

図１４は蓄積された移動履歴をもとに行動クラスの算出を行う際の動作の流れを示すフローチャートである。なお、ここでは簡単に行動クラスの算出を説明するために、上記で説明した自宅の履歴を考慮しないこと、および国民の祝日等を考慮しないことについての処理を除いて説明する。

頻度算出部１１０は、まず現在走行の日時情報を参照し（ステップＳ２０１）、移動履歴蓄積部１０５に蓄積されている移動履歴から所定期間（本例の場合４週間前）の移動履歴を順に参照する（ステップＳ２０２）。次に頻度算出部１１０は当該移動履歴の目的地の到着頻度を１加算し（ステップＳ２０６）、曜日頻度算出部１１１において当該移動履歴の目的地の到着曜日の出現頻度を１加算する（ステップＳ２０７）。

所定期間内（４週間）の移動履歴をすべて参照したか否かを判定し（ステップＳ２０８）、判定していない場合（ステップＳ２０８でＮｏ）、ステップＳ２０２へ戻り次の移動履歴について同様の処理を行う。一方、すべての移動履歴を参照した場合（ステップＳ２０８でＹｅｓ）、次の処理（ステップＳ２０９）へ進む。

行動クラス算出部１１２は、最も到着頻度の高い目的地の移動履歴を参照し（ステップＳ２０９）、まず到着頻度が閾値以上（本例の場合、２８日×１／２）であるか否かを判定する（ステップＳ２１０）。この結果、閾値以上ではない場合（ステップＳ２１０でＮｏ）終了する。一方、閾値以上の場合（ステップＳ２１０でＹｅｓ）、行動クラス算出部１１２は、各曜日の出現頻度を参照し（ステップＳ２１１）、各曜日における出現頻度が閾値以上（本例の場合、４日×１／２）であるか否かを判定する（ステップＳ２１２）。この結果、閾値以上ではない場合（ステップＳ２１２のＮｏ）終了する。一方、閾値以上の場合（ステップＳ２１２でＹｅｓ）、行動クラス算出部１１２は、閾値以上の曜日を一つの組合せとして抽出して行動クラスとして算出する（ステップＳ２１３）。そして、行動クラス算出部１１２は、算出した行動クラスを行動クラス蓄積部１１３へ蓄積する（ステップＳ２１４）。

図１５は算出された行動クラスを用いた移動先の予測を行う際の動作の流れを示すフローチャートである。

位置情報検出部１０１は位置情報を検出し（ステップＳ３０１）、曜日検出部１０２は曜日情報を検出する（ステップＳ３０２）。次に、ノード変換部１０３は、地図情報蓄積部１０４に蓄積されている地図情報を参照し（ステップＳ３０３）、検出された地点を基準とした所定の範囲内に該当するノードを検索する（ステップＳ３０４）。ここで、該当するノードが存在しない場合（ステップＳ３０５でＮｏ）、位置情報の検出処理（ステップＳ３０１）へ戻り上記処理（ステップＳ３０１〜Ｓ３０５）を再帰的に行う。一方、ノードが存在する場合（ステップＳ３０５でＹｅｓ）、ノード変換部１０３によって、該当するノードが現在走行中の系列として移動先予測部１０６に通知され、移動先予測部１０６は現在走行中の系列を取得する（ステップＳ３０６）。次に、行動クラス蓄積部１１３に蓄積されている行動クラスを参照し（ステップＳ３０７）、行動クラスに該当する移動履歴から、現在走行中の系列と一致（又は類似）する系列を有する移動履歴を抽出する（ステップＳ３０８）。具体的には、図８に示すように現在が土曜日だとする。一方、行動クラスとして「月、火、木、金、土」が１つのクラスとして算出されているものとし、土曜日はこの「月、火、木、金、土」に該当するため、月曜日、火曜日、木曜日、金曜日、土曜日の移動履歴を抽出することとなる。そして、移動先予測部１０６は、これらの移動履歴をもとに各目的地の到着頻度を算出する（ステップＳ３０９）。そして、移動先予測部１０６は、到着頻度が最も高い目的地を移動先として予測する（ステップＳ３０６）。本例の場合「百貨店タイガー」が最も頻度が高いこととなり、「百貨店タイガー」が予測される。そして情報提供部１０８は、予測された移動先に関する情報を提供する（ステップＳ３０７）。これにより、例えば図１１に示すように、ユーザはなんの操作も無く、目的地に関する情報を自動で享受できることとなる。

次に、図１４に示すフローチャートを用いた行動クラスの算出を行う際の動作の説明で除いた自宅の履歴を考慮しないこと、および国民の祝日等を考慮しないことについての処理を含めて、行動クラスの算出を行う際の動作を説明する。

図１６は自宅の履歴および国民の祝日等を考慮しないで行動クラスの算出を行う際の動作の流れを示すフローチャートである。

自宅判定部１０７は、現在走行の日時情報を参照し（ステップＳ４０１）、移動履歴蓄積部１０５に蓄積されている移動履歴から所定期間（本例の場合４週間前）の移動履歴を順に参照する（ステップＳ４０２）。自宅判定部１０７は、当該移動履歴の目的地が自宅か否かを判定する（ステップＳ４０３）。自宅の場合（ステップＳ４０３でＹｅｓ）、行動クラス算出の移動履歴としては用いず、ステップＳ２０２へ戻り次の移動履歴を参照する。自宅でない場合（ステップＳ４０３でＮｏ）、カレンダー情報蓄積部１０９に蓄積されているカレンダーの情報を参照し（ステップＳ４０４）、その移動履歴の日が国民の祝日等か否かを判定する（ステップＳ４０５）。国民の祝日等に該当する場合（ステップＳ４０５でＹｅｓ）、行動クラス算出の履歴としては用いず、ステップＳ４０２へ戻り次の移動履歴を参照する。国民の祝日等でない場合（ステップＳ４０５でＮｏ）、頻度算出部１１０は当該移動履歴の目的地の到着頻度を１加算し（ステップＳ４０６）、曜日頻度算出部１１１は当該移動履歴の目的地の到着曜日の出現頻度を１加算する（ステップＳ４０７）。

所定期間内（４週間）の移動履歴をすべて参照したか否かを判定し（ステップＳ４０８）、判定していない場合（ステップＳ４０８でＮｏ）、ステップＳ４０２へ戻り次の移動履歴について同様の処理を行う。一方、すべての移動履歴を参照した場合（ステップＳ４０８でＹｅｓ）、次の処理（ステップＳ４０９）へ進む。

行動クラス算出部１１２は、最も到着頻度の高い目的地の移動履歴を参照する（ステップＳ４０９）。まず到着頻度が閾値以上（本例の場合、（２８日−祝日日数）×１／２）であるか否かを判定する（ステップＳ４１０）。この結果、閾値以上ではない場合（ステップＳ４１０でＮｏ）終了する。一方、閾値以上の場合（ステップＳ４１０でＹｅｓ）、行動クラス算出部１１２は、各曜日の出現頻度を参照する（ステップＳ４１１）。各曜日における出現頻度が閾値以上（本例の場合、（４日−祝日日数）×１／２）であるか否かを判定する（ステップＳ４１２）。この結果、閾値以上ではない場合（ステップＳ４１２のＮｏ）終了する。一方、閾値以上の場合（ステップＳ４１２でＹｅｓ）、行動クラス算出部１１２は、閾値以上の曜日を一つの組合せとして抽出して行動クラスとして算出する（ステップＳ４１３）。そして、行動クラス算出部１１２は、算出した行動クラスを行動クラス蓄積部１１３へ蓄積する（ステップＳ４１４）。

以上のように、移動履歴に基づいて行動クラスを算出し、算出した行動クラスを用いてユーザが今から向かう移動先を予測しているので、個々のユーザの行動特性を十分に反映して正確に移動先を予測することができる。

なお、算出された曜日等の組合せの行動クラスから、さらに行動クラスを作ることとしてもよい。以下、図を用いて具体例を説明する。

図１７は、移動履歴における到着した目的地とその曜日及び時刻の一例を表で示す図である。ここでは、図２４等と同様、横軸に時刻、縦軸に曜日を示している。例えば本ユーザは上記手法により「月、火、木、金、土」と「水、日」の行動クラスが「百貨店タイガー」をもとに抽出されているものとする。なお説明のため、水曜日と土曜日の履歴はここでは除外して説明する。

図１７において、１８時等、夜の履歴を参照すると、火曜日と金曜日には「ヤマダスポーツジム」へ行っていること分かる。例えばユーザによっては同じ通勤の日である「月、火、木、金、土」であってもさらに火曜日と金曜日はスポーツジム等、習慣的な行動をとることもある。そこで抽出された一つの行動クラス、つまり「月、火、木、金、土」からさらに他の目的地の頻度をもとに新たな行動クラスを抽出する。

図１８は、行動クラスから新たな行動クラスの算出する場合について説明する図である。ここでは、図８等と同様、横軸に各週、縦軸に曜日を示した図である。なお、説明のため「水、日」は除外している。

まず頻度算出部１１０は、抽出された行動クラスに該当する目的地の頻度を算出する。ここでは「月、火、木、金、土」が本ユーザの行動クラスとして算出されており、この行動クラスに該当する目的地として「ヤマダスポーツジム」が６回、「サンゼリア」が２回、「ロイヤルガスト」が１回と算出される。次に曜日頻度算出部１１１は、算出された頻度が最も高い目的地をもとに、所定の閾値（例えば４週中２回）以上か否かを判定し、曜日の組合せを算出する。例えば「ヤマダスポーツジム」は火曜日に３回、金曜日に３回と、ともに閾値以上であるため、「火、金」が新たな行動クラスとして算出されることとなる。これにより、単に２つのクラスではなく、ユーザの行動特性に応じて柔軟に行動クラスを算出することが可能となり、より精度良く移動先を予測することが可能となる。

また、本実施の形態では、行動クラス算出部１１２は、最も到着頻度の高い目的地の移動履歴を参照して、行動クラスを算出しているが、これに限られるものではない。例えば、到着頻度が最も高い目的地および２番目に高い目的地の移動履歴を参照して、行動クラスを算出しても構わない。

また、本実施の形態における行動クラスの算出は曜日情報を例に説明してきたが、これに限ったものではない。時刻の情報を用いて行動クラスを算出することとしても良い。以下、曜日情報に時刻情報を考慮したものを日時情報と呼び、図を用いて説明する。

図１９は移動履歴における到着した目的地とその曜日及び時刻の一例を表で示す図である。ここでは、図２４等と同様、横軸に時刻、縦軸に曜日を示している。例えば本例の場合、月曜日から金曜日の朝６時台に「みどり幼稚園」へ到着した履歴が存在している。また火曜日と金曜日の１３時台と、水曜日と木曜日の１７時台に「スーパーＢ」へ到着した履歴も示されている。

図２０は、移動履歴における到着した目的地とその曜日及び時刻をさらに週ごとに表した一例を示す図である。ここでは、縦軸に週を、奥行き方向に曜日をとり、三次元空間で示している。

従来技術では（例えば特許文献２）、予め設計された日時や曜日の境界線を用意し、その境界線でクラスを分けた場合、有効な閾値が得られるか否かでクラスの算出を行っている。例えば図２０に示す例の場合、予め定められた６時から１２時まで、１２時から１８時まで、１８時から２４時までのうち最もクラスを最適に分ける境界線として１２時が算出され、６時から１２時を一つのクラス、１２時から２４時を別のクラスとして分け、移動先を予測することとなる。

図２１は、図２０に示す例の６時から１２時までの時間帯の目的地を示す図である。この時間帯に移動する場合、最も頻度が高い目的地「みどり幼稚園」が予測されることとなる。一方、図２２は、図２０に示す例の１２時から２４時までの時間帯の目的地を示す図である。この時間帯に移動する場合、最も頻度が高い目的地、例えば「スーパーＢ」が予測されることとなる。しかしながら実際は、１２時から２４時であっても、さらに１８時から２１時までの場合は「みどり幼稚園」へ行く等の場合もある。

つまり従来技術は、連続数である時刻情報を所定の境界線で区切るのみであり、曜日と同様、時間もユーザに応じて時間帯の組合せを算出することでより正確に移動先を予測することが可能となる。具体的には本実施の形態と同様、頻度算出部１１０において各目的地の到着頻度を算出し、所定の閾値（例えば２８日中１４回）以上である目的地を抽出する。例えば「みどり幼稚園」が算出されることとなる。そして所定の時間帯（例えば３時間）毎に区切られた時間帯に対する出現頻度が所定の閾値（４週中２回）以上か否かを判定し、時間帯の組合せを算出する。

図２３は算出された時間帯の組合せを示す図である。例えば本例の場合、６時から９時までと、１５時から１８時が一つの組合せとして算出されることとなる。このように単に予め設計された境界線、つまり例えば月曜日から金曜日が平日で土日が休日、あるいは６時から１２時までが朝クラス等などでは必ずしも適切に行動クラスを算出することはできなかったが、本発明を用いることでユーザの行動特性を反映した行動クラスを算出することが可能となり、より精度良く移動先を予測することが可能となる。

以上、本発明に係る移動先予測装置について、実施の形態１に基づいて説明したが、本発明は、これらの実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、上記実施の形態を変形したものや、上記実施の形態の各構成要素を任意に組み合わせて実現される別の形態も、本発明に含まれる。

本発明に係る移動先予測装置は、例えば、車両に搭載されるカーナビゲーションシステム、およびユーザに携行される携帯電話等の移動体端末機器に適用することができる。

本発明の実施の形態１に係る移動先予測装置のシステム構成を示すブロック図である。 本発明の実施の形態１におけるユーザの移動と移動に伴って検出される位置情報の一例を示す図である。 本発明の実施の形態１における位置情報の一例を示す図である。 本発明の実施の形態１における地図情報の一例を示す図である。 本発明の実施の形態１におけるノードの抽出の一例を示す図である。 本発明の実施の形態１における移動履歴の一例を示す図である。 本発明の実施の形態１における目的地の種類の割合を示す図である。 本発明の実施の形態１における行動クラスの算出を示す図である。 本発明の実施の形態１における移動先予測の一例を示す図である。 本発明の実施の形態１における（ａ）移動履歴、（ｂ）現在走行中の系列、（ｃ）移動履歴にから算出された目的地の頻度、の一例を示す図である。 本発明の実施の形態１における予測移動先の情報提供の一例を示す図である。 本発明の実施の形態１における行動クラスの算出を示す図である。 本発明の実施の形態１における履歴蓄積を行う際の動作の流れを示すフローチャートである。 本発明の実施の形態１における行動クラスの算出を行う際の動作の流れを示すフローチャートである。 本発明の実施の形態１における行動クラスを用いた移動先の予測を行う際の動作の流れを示すフローチャートである。 本発明の実施の形態１における行動クラスの算出を行う際の動作の流れを示すフローチャートである。 本発明の実施の形態１における移動履歴における到着した目的地とその曜日及び時刻の一例を示す図である。 本発明の実施の形態１における行動クラスから新たな行動クラスを算出する場合について説明する図である。 本発明の実施の形態１における移動履歴における到着した目的地とその曜日及び時刻の一例を示す図である。 本発明の実施の形態１における移動履歴における到着した目的地とその曜日及び時刻をさらに週ごとに表した一例を示す図である。 本発明の実施の形態１における行動クラスの算出を説明するための図である。 本発明の実施の形態１における行動クラスの算出を説明するための図である。 本発明の実施の形態１における行動クラスの算出を説明するための図である。 移動履歴における到着した目的地とその曜日及び時刻の一例を表で示す図である。 移動履歴における到着した目的地とその曜日及び時刻の一例を表で示す図である。 （ａ）、（ｂ）予め設計されたクラスを用いて予測する場合の例を示した図である。

符号の説明

１０１ 位置情報検出部
１０２ 曜日検出部
１０３ ノード変換部
１０４ 地図情報蓄積部
１０５ 移動履歴蓄積部
１０６ 移動先予測部
１０７ 自宅判定部
１０８ 情報提供部
１０９ カレンダー情報蓄積部
１１０ 頻度算出部
１１１ 曜日頻度算出部
１１２ 行動クラス算出部
１１３ 行動クラス蓄積部

Claims (12)

1. ユーザの移動先を予測する移動先予測装置であって、
   前記ユーザの位置を示す位置情報を検出する位置情報検出手段と、
   現在の日時および曜日を含む日時情報を検出する曜日情報検出手段と、
   前記位置情報検出手段において検出された前記位置情報および前記曜日情報検出手段において検出された前記日時情報を対応付けて移動履歴として蓄積する移動履歴蓄積手段と、
   前記移動履歴において到着した目的地ごとに、所定期間内に前記目的地へ到着した到着頻度を算出する頻度算出手段と、
   前記目的地ごとに、所定期間内に前記目的地へ到着した曜日の出現頻度を算出する曜日頻度算出手段と、
   前記頻度算出手段において算出された到着頻度が所定の閾値以上である目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を一つの行動クラスとして算出する行動クラス算出手段と、
   前記曜日情報検出手段において検出された現在の日時情報に該当する前記行動クラスに含まれる前記移動履歴、および前記位置情報検出手段において検出された現在の位置情報に基づいて移動先を予測する移動先予測手段と
   を備えることを特徴とする移動先予測装置。
2. 前記移動先予測装置は、さらに、
   前記移動履歴における前記目的地が自宅か否かを判定する自宅判定手段を備え、
   前記行動クラス算出手段は、前記自宅を除く前記移動履歴を用いて前記行動クラスを算出する
   ことを特徴とする請求項１記載の移動先予測装置。
3. 前記移動先予測装置は、さらに、
   カレンダー情報を蓄積しているカレンダー情報蓄積部を備え、
   前記行動クラス算出手段は、前記カレンダー情報をもとに祝日を除く前記移動履歴を用いて前記行動クラスを算出する
   ことを特徴とする請求項１記載の移動先予測装置。
4. 前記行動クラス算出手段は、直近の前記所定期間内の移動履歴に基づいて、前記行動クラスを更新する
   ことを特徴とする請求項１記載の移動先予測装置。
5. 前記行動クラス算出手段は、前記頻度算出手段において算出された前記到着頻度が所定の閾値以上で、かつ、最も高い目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を前記行動クラスとして算出する
   ことを特徴とする請求項１記載の移動先予測装置。
6. 前記行動クラス算出手段は、算出した前記行動クラスに含まれる曜日の組合せがすべての曜日となる場合、前記頻度算出手段において算出された前記到着頻度が前記閾値以上で、かつ、２番目に高い目的地について、前記曜日頻度算出手段において算出された曜日の出現頻度が所定の閾値以上である曜日を前記行動クラスとして算出する
   ことを特徴とする請求項５記載の移動先予測装置。
7. 前記曜日頻度算出手段は、さらに、前記行動クラス算出手段において前記行動クラスが算出された場合、前記行動クラスに該当する移動履歴の中で、前記到着頻度が所定の閾値以上で、かつ、最も高い目的地を除く前記目的地へ到着した曜日の前記所定期間内の前記出現頻度を再度算出し、
   前記行動クラス算出手段は、再度算出された前記出現頻度が所定の閾値以上である曜日を新たな行動クラスとして算出する
   ことを特徴とする請求項５記載の移動先予測装置。
8. 前記移動先予測手段は、現在の前記日時情報に該当する前記行動クラスに含まれる前記移動履歴から、現在の前記位置情報を含む移動履歴を抽出し、抽出した前記移動履歴の目的地ごとに前記目的地へ到着した頻度を算出し、算出した頻度が最も高い目的地を前記移動先として予測する
   ことを特徴とする請求項１記載の移動先予測装置。
9. 前記移動先予測装置は、さらに、
   前記移動先予測手段において予測された前記移動先に関する情報を提供する情報提供手段を備える
   ことを特徴とする請求項１記載の移動先予測装置。
10. 前記移動先予測装置は、さらに、
    前記行動クラス算出手段において算出された前記行動クラスを蓄積する行動クラス蓄積手段を備える
    ことを特徴とする請求項１記載の移動先予測装置。
11. ユーザの移動先を予測する移動先予測方法であって、
    前記ユーザの位置を示す位置情報を検出する位置情報検出ステップと、
    現在の日時および曜日を含む日時情報を検出する曜日情報検出ステップと、
    前記位置情報検出ステップにおいて検出された前記位置情報および前記曜日情報検出ステップにおいて検出された前記日時情報を対応付けて移動履歴として蓄積する移動履歴蓄積ステップと、
    前記移動履歴において到着した目的地ごとに、所定期間内に前記目的地へ到着した到着頻度を算出する頻度算出ステップと、
    前記目的地ごとに、所定期間内に前記目的地へ到着した曜日の出現頻度を算出する曜日頻度算出ステップと、
    前記頻度算出ステップにおいて算出された到着頻度が所定の閾値以上である目的地について、前記曜日頻度算出ステップにおいて算出された曜日の出現頻度が所定の閾値以上である曜日を一つの行動クラスとして算出する行動クラス算出ステップと、
    前記曜日情報検出ステップにおいて検出された現在の日時情報に該当する前記行動クラスに含まれる前記移動履歴、および前記位置情報検出ステップにおいて検出された現在の前記位置情報に基づいて移動先を予測する移動先予測ステップと
    を含むことを特徴とする移動先予測方法。
12. ユーザの移動先を予測するためのプログラムであって、
    前記ユーザの位置を示す位置情報を検出する位置情報検出ステップと、
    現在の日時および曜日を含む日時情報を検出する曜日情報検出ステップと、
    前記位置情報検出ステップにおいて検出された前記位置情報および前記曜日情報検出ステップにおいて検出された前記日時情報を対応付けて移動履歴として蓄積する移動履歴蓄積ステップと、
    前記移動履歴において到着した目的地ごとに、所定期間内に前記目的地へ到着した到着頻度を算出する頻度算出ステップと、
    前記目的地ごとに、所定期間内に前記目的地へ到着した曜日の出現頻度を算出する曜日頻度算出ステップと、
    前記頻度算出ステップにおいて算出された到着頻度が所定の閾値以上である目的地について、前記曜日頻度算出ステップにおいて算出された曜日の出現頻度が所定の閾値以上である曜日を一つの行動クラスとして算出する行動クラス算出ステップと、
    前記曜日情報検出ステップにおいて検出された現在の日時情報に該当する前記行動クラスに含まれる前記移動履歴、および前記位置情報検出ステップにおいて検出された現在の前記位置情報に基づいて移動先を予測する移動先予測ステップと
    をコンピュータに実行させることを特徴とするプログラム。

Images