JP2012003322A - グループ行動推定方法及びそのプログラム - Google Patents
グループ行動推定方法及びそのプログラム Download PDFInfo
- Publication number
- JP2012003322A JP2012003322A JP2010135209A JP2010135209A JP2012003322A JP 2012003322 A JP2012003322 A JP 2012003322A JP 2010135209 A JP2010135209 A JP 2010135209A JP 2010135209 A JP2010135209 A JP 2010135209A JP 2012003322 A JP2012003322 A JP 2012003322A
- Authority
- JP
- Japan
- Prior art keywords
- user
- users
- walking
- group
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 72
- 238000005259 measurement Methods 0.000 claims abstract description 102
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 43
- 230000010365 information processing Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 47
- 230000006399 behavior Effects 0.000 description 32
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 9
- 238000013500 data storage Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】多数のユーザが密集した状態でも特定のグループメンバを高精度に推定する。
【解決手段】グループ行動推定装置SVにおいて、先ず各計測端末MT1〜MTnから収集した端末間の近接状態のセンシングデータをもとにグループメンバ候補が検出される。次に、このグループメンバ候補に含まれる計測端末から収集した加速度のセンシングデータをもとに各ユーザの歩行状態、つまり歩行中か否かが判定され、続いてこの歩行状態の判定結果に基づいてユーザ間の歩行時間帯の類似度が計算される。そして、この歩行時間帯の類似度がしきい値以上のユーザについて、さらに歩行周期変化量の類似度が計算され、この歩行周期変化量の類似度がしきい値以上のユーザが最終的に同一のグループに属するユーザとして判定される。
【選択図】図5
【解決手段】グループ行動推定装置SVにおいて、先ず各計測端末MT1〜MTnから収集した端末間の近接状態のセンシングデータをもとにグループメンバ候補が検出される。次に、このグループメンバ候補に含まれる計測端末から収集した加速度のセンシングデータをもとに各ユーザの歩行状態、つまり歩行中か否かが判定され、続いてこの歩行状態の判定結果に基づいてユーザ間の歩行時間帯の類似度が計算される。そして、この歩行時間帯の類似度がしきい値以上のユーザについて、さらに歩行周期変化量の類似度が計算され、この歩行周期変化量の類似度がしきい値以上のユーザが最終的に同一のグループに属するユーザとして判定される。
【選択図】図5
Description
この発明は、例えばアミューズメントパークやショッピングセンタにおいてユーザがグループ行動しているときに、そのグループメンバを推定するためのグループ行動推定方法及びそのプログラムに関する。
近年、ユーザの行動履歴を表すログデータをもとに同行者の有無を判定する研究が行われている。同行者の有無を判定できると、人と人との交わりを推定して、ユーザの消費・購買行動等の行動パターンをより綿密に導き出すことが可能となり、さらに的確なレコメンドサービスを行うことが可能となる。
従来提案されている同行判定方法には、推定対象ユーザの位置情報をGPS(Global Positioning System)を利用して取得し、その計測座標の誤差範囲が重なっているか否かを判定することで同行の有無を判定するものがある(例えば、非特許文献1参照。)。
また、その他の判定方法として、近接無線通信を利用してグループメンバを発見する技術も提案されている(例えば、非特許文献2参照。)。
また、その他の判定方法として、近接無線通信を利用してグループメンバを発見する技術も提案されている(例えば、非特許文献2参照。)。
瀬古俊一、西野正彬、青木政勝、山田智弘、武藤伸洋、阿部匡伸、「誤差情報を考慮した同行判定手法」、情報処理学会研究報告-UBI、Vol.2008,No.110,pp.65-72(2008-110))
鄭哲成、西尾信彦: "GRECOM:グループベースのサービス提供に向けたグループコンテキスト管理機構"、ユビキタスコンピューティングシステム研究会(UBI17),2008 年3 月)
ところが、非特許文献1に記載された技術では、GPSにより計測された位置情報を用いてグループメンバの推定を行っている。また、非特許文献2に記載された技術では、ユーザが所持する端末間の近接情報のみからグループメンバの推定を行っている。このため、これらの技術では、いずれも屋内、屋外にかかわらず多くのユーザが密集した状態では計測精度の面から特定のグループメンバの推定が困難となる。
この発明は上記事情に着目してなされたもので、その目的とするところは、多数のユーザが密集した状態でも特定のグループメンバを高精度に推定することが可能なグループ行動推定方法及びそのプログラムを提供することにある。
上記目的を達成するためにこの発明の第1の観点は、グループ行動推定装置としての機能を有する情報処理装置が、以下のような処理工程を実行するようにしたものである。すなわち、先ず複数のユーザがそれぞれ所持する計測端末から当該ユーザの歩行動作の加速度を表す計測データを時系列的に受信して、この受信した計測データをユーザ又は計測端末の識別情報と関連付けて記憶する。この状態で、上記複数のユーザのうち推定対処となるユーザの各々について、当該ユーザ又は計測端末の識別情報をもとに上記記憶された加速度を表す計測データを読み出し、この読み出された計測データをもとに歩行動作の周期的変化を表す歩行周期変化量を算出する。そして、この算出された歩行周期変化量の類似度を算出して、この算出された歩行周期変化量の類似度を予め設定した第1のしきい値と比較し、その比較結果をもとに上記複数のユーザが同一グループのメンバとして行動しているか否かを判定するようにしたものである。
すなわち、この発明の第1の観点は、同一グループで行動しているユーザはその歩行周期、つまり歩行速度が速くなったり遅くなったりする歩行パターンが類似することに着目し、推定対象となるユーザの歩行周期の類似度をもとに同一グループに属するか否かを推定するようにしたものである。
したがって、多数のユーザが密集している場所においても、ユーザがどのグループに属しているかを精度良く判定することが可能となる。
したがって、多数のユーザが密集している場所においても、ユーザがどのグループに属しているかを精度良く判定することが可能となる。
この発明の第2の観点は、上記情報処理装置が以下のような処理過程を実行するようにしたものである。すなわち、推定対象となるユーザの各々について当該ユーザ又は計測端末の識別情報をもとに上記記憶された加速度を表す計測データを読み出し、この読み出された計測データもとに歩行時間帯を算出してその類似度を算出する。そして、この算出された類似度を予め設定された第2のしきい値と比較し、その比較結果をもとに上記推定対象となる各ユーザが同一グループに属しているか否かを仮判定する。そして、上記推定対象となるユーザが同一グループに属していると仮判定された場合に、この発明の第1の観点で述べた処理過程を実行するようにしたものである。
すなわち、この発明の第2の観点は、同一グループに属しているユーザは歩行時間帯が類似することに着目し、この歩行時間帯の類似度をもとに同一グループに属しているか否かを仮判定する。そして、同一グループに属していると仮判定された場合に、この発明の第1の観点で述べたユーザの歩行周期変化量に着目した判定処理を実行させるものである。
したがって、グループ行動の推定に際し、先ずユーザ間の歩行時間帯の類似度をもとに当該ユーザが同一グループに属するか否かが仮判定され、さらにユーザ間の歩行周期変化量の類似度をもとに同一グループに属しているか否かが最終的に判定される。このため、より一層高精度のグループ行動の推定が可能となる。
したがって、グループ行動の推定に際し、先ずユーザ間の歩行時間帯の類似度をもとに当該ユーザが同一グループに属するか否かが仮判定され、さらにユーザ間の歩行周期変化量の類似度をもとに同一グループに属しているか否かが最終的に判定される。このため、より一層高精度のグループ行動の推定が可能となる。
この発明の第3の観点は、上記情報処理装置が以下の処理過程を実行するようにしたものである。すなわち、複数のユーザがそれぞれ所持する計測端末から当該ユーザ間の近接状態を表す計測データを時系列的に受信し、この受信した計測データをユーザ又は計測端末の識別情報と関連付けて記憶する。この状態で、ユーザの各々について当該ユーザ又は計測端末の識別情報をもとに上記記憶されたユーザ間の近接状態を表す計測データを読み出し、この読み出されたユーザ間の近接状態を表す計測データをもとに互いに近接する位置関係にあるユーザを検出して、この検出されたユーザ又はその計測端末の識別情報をグループメンバ候補として記憶する。そして、このグループメンバ候補に含まれるユーザを推定対象ユーザとするようにしたものである。
このようにすると、多数のユーザが存在する場合に、事前にグループメンバ候補を絞り込むことが可能となる。そして、この絞り込みによりグループ行動の推定処理に要する情報処理量を減らして情報処理装置の処理負荷を軽減し、かつ推定処理の所要時間を短縮することが可能となる。
このようにすると、多数のユーザが存在する場合に、事前にグループメンバ候補を絞り込むことが可能となる。そして、この絞り込みによりグループ行動の推定処理に要する情報処理量を減らして情報処理装置の処理負荷を軽減し、かつ推定処理の所要時間を短縮することが可能となる。
すなわちこの発明によれば、多数のユーザが密集した状態でも特定のグループメンバを高精度に推定することが可能なグループ行動推定方法及びそのプログラムを提供することができる。
以下、図面を参照してこの発明に係わる実施形態を説明する。
(第1の実施形態)
[構成]
図1は、この発明の第1の実施形態に係わるグループ行動推定方法を実現するためのシステムの概略構成図である。
このシステムは、複数のユーザにそれぞれ計測端末MT1〜MTnを所持させると共に、ネットワーク上にグループ行動推定装置SVを設け、上記計測端末MT1〜MTnからグループ行動推定装置SVへ通信ネットワークNWを介してセンシングデータを送信可能としたものである。
(第1の実施形態)
[構成]
図1は、この発明の第1の実施形態に係わるグループ行動推定方法を実現するためのシステムの概略構成図である。
このシステムは、複数のユーザにそれぞれ計測端末MT1〜MTnを所持させると共に、ネットワーク上にグループ行動推定装置SVを設け、上記計測端末MT1〜MTnからグループ行動推定装置SVへ通信ネットワークNWを介してセンシングデータを送信可能としたものである。
通信ネットワークNWは、IP(Internet Protocol)網と、このIP網にアクセスするためのアクセス網とから構成される。アクセス網としては、公衆通信網、携帯電話網、LAN(Local Area Network)、無線LAN、CATV(Cable Television)網等が用いられる。
計測端末MT1〜MTnは、例えば図2に示すように近接センサ11及び3軸加速度センサ12を備えている。そして、この近接センサ11及び3軸加速度センサ12の計測信号をもとに、制御部13において一定のサンプリングタイミングごとに、周辺の他の計測端末との近接状態を表すセンシングデータと、加速度を表すセンシングデータを生成し、この生成された各センシングデータを制御部13の制御の下で通信部14からグループ行動推定装置SVへ向けて送信するように構成される。なお、計測端末MT1〜MTnは、万歩計(登録商標)等のセンシング専用端末に機能を内蔵させたものとして構成してもよいし、また携帯電話機やPDA(Personal Digital Assistant)、スマートホン、携帯型のパーソナル・コンピュータに機能を内蔵させたものとして構成してもよい。
グループ行動推定装置SVは、例えば通信事業者又はサービス事業者が運用するサーバコンピュータからなるもので、以下のように構成される。図3はその構成を示すブロック図である。
すなわち、グループ行動推定装置SVは、通信インタフェースユニット20と、制御ユニット30と、記憶ユニット40を備えている。通信インタフェースユニット20は、制御ユニット30の制御の下で、通信ネットワークNWにより規定された通信プロトコルに従い、上記計測端末MT1〜MTnとの間でセンシングデータを収集するための通信を行う。
すなわち、グループ行動推定装置SVは、通信インタフェースユニット20と、制御ユニット30と、記憶ユニット40を備えている。通信インタフェースユニット20は、制御ユニット30の制御の下で、通信ネットワークNWにより規定された通信プロトコルに従い、上記計測端末MT1〜MTnとの間でセンシングデータを収集するための通信を行う。
記憶ユニット40は、HDD(Hard Disc Drive)又はSSD(Solid State Drive)を使用したランダムアクセス可能な不揮発性メモリを使用したもので、この発明を実現するために必要な記憶部として、センシングデータ記憶部41と、グループメンバ候補記憶部42と、歩行判定結果記憶部43と、判定結果記憶部44とを備えている。
センシングデータ記憶部41は、上記計測端末MT1〜MTnから収集された、近接センサ11及び3軸加速度センサ12によるセンシングデータを記憶するために用いられる。グループメンバ候補記憶部42は、後述する制御ユニット30のグループメンバ候補検出部32により検出されたグループメンバ候補を表す情報を一時保存するために用いられる。歩行判定結果記憶部43は、後述する制御ユニット30の歩行判定処理部33により判定された、上記グループメンバ候補のユーザの歩行パターン判定結果を記憶するために用いられる。判定結果記憶部44は、グループメンバの推定結果を表す情報和気臆するために用いられる。
制御ユニット30は、中央処理ユニット(CPU;Central Processing Unit)を主制御部として備えたもので、この発明を実施するために必要な処理機能として、センシングデータ収集部31と、グループメンバ候補検出部32と、歩行判定処理部33と、第1の類似度判定処理部34と、第2の類似度判定処理部35と、判定結果記憶制御部36を備えている。
センシングデータ収集部31は、以下の処理機能を有する。すなわち、各計測端末MT1〜MTnにおいて一定のサンプリングタイミングごとに生成される、他の計測端末との近接状態を表すセンシングデータ及び加速度を表すセンシングデータを、当該各計測端末MT1〜MTnから通信ネットワークNWを介してそれぞれ収集する。そして、この収集された各センシングデータをセンシングデータ記憶部41に記憶させる。
グループメンバ候補検出部32は、以下の処理機能を有する。すなわち、上記センシングデータ記憶部41から、計測端末MT1〜MTnごとに他の計測端末との近接状態を表すセンシングデータを読み出し、この読み出された近接状態を表すセンシングデータをもとに、互いに相手を検知している複数の計測端末をグループメンバ候補として抽出する。そして、この抽出された計測端末の識別情報(計測端末ID)の集合をグループメンバ候補記憶部42に一時記憶させる。
歩行判定処理部33は、以下の処理機能を有する。すなわち、上記グループメンバ候補記憶部42にグループメンバ候補として一時保存された各計測端末の端末IDをもとに、当該計測端末の加速度センシングデータを上記センシングデータ記憶部41から読み出す。そして、この読み出された加速度センシングデータに基づいて、当該計測端末を所持するユーザの歩行状態(歩行しているか否か)をサンプリングタイミングごとに判定する。そして、この歩行状態の判定結果を表す時系列データを、該当する計測端末IDに関連付けて歩行判定結果記憶部43に記憶させる。
第1の類似度判定処理部34は、以下の処理機能を有する。すなわち、上記歩行判定結果記憶部43から上記グループメンバ候補に含まれる各ユーザの歩行状態判定結果を表す時系列データを最新の一定期間分読み出し、この読み出された歩行状態判定結果を表す時系列データの類似度を計算する。すなわち、ユーザ間で歩行時間帯の類似度を計算する。そして、この計算された類似度を予め設定したしきい値と比較することにより、上記ユーザが同一グループに属しているか否かを仮判定する。
第2の類似度判定処理部35は、以下の処理機能を有する。すなわち、上記第1の類似度判定処理部34による仮判定の結果、類似度がしきい値より高いと判定された各ユーザについて、その加速度センシングデータをもとに上記最新の一定期間分の歩行周期変化量をそれぞれ算出する。そして、この算出された歩行周期変化量の時系列データ間の類似度を算出し、この算出された類似度を予め設定したしきい値と比較することにより、当該ユーザが同一グループに属しているか否かを最終判定する。
判定結果記憶制御部36は、以下の処理機能を有する。すなわち、上記第1または第2の各類似度判定処理部34,35により最終的に判定されたグループ行動の推定結果を表す情報、つまり同一グループに属すると最終的に判定されたユーザの計測端末IDの集合を判定結果記憶部44に記憶させる処理を実行する。
[動作]
次に、以上のように構成されたシステムによるグループ行動推定処理動作を説明する。
(1)計測端末MT1〜MTnにおけるセンシング
ユーザが所持する計測端末MT1〜MTnではそれぞれ、近接センサ11及び3軸加速度センサ12の計測信号をもとに、制御部13において予め設定された一定のサンプリング周期で、他の計測端末との近接状態を表すセンシングデータと、加速度を表すセンシングデータがそれぞれ生成される。これらのセンシングデータには、計測タイミングを表すタイムスタンプと、計測端末IDが付与される。そして、この生成された各センシングデータは、制御部13の制御の下で通信部14からグループ行動推定装置SVへ向けて送信される。
次に、以上のように構成されたシステムによるグループ行動推定処理動作を説明する。
(1)計測端末MT1〜MTnにおけるセンシング
ユーザが所持する計測端末MT1〜MTnではそれぞれ、近接センサ11及び3軸加速度センサ12の計測信号をもとに、制御部13において予め設定された一定のサンプリング周期で、他の計測端末との近接状態を表すセンシングデータと、加速度を表すセンシングデータがそれぞれ生成される。これらのセンシングデータには、計測タイミングを表すタイムスタンプと、計測端末IDが付与される。そして、この生成された各センシングデータは、制御部13の制御の下で通信部14からグループ行動推定装置SVへ向けて送信される。
なお、上記各センシングデータは、サンプリングタイミングごとに送信してもよいが、一定のサンプル分蓄積してこの蓄積されたデータを一括して送信するようにしてもよい。また、グループ行動推定装置SVから自端末宛の送信要求が到来するごとに、蓄積しておいた複数サンプル分のデータを一括送信するようにしてもよい。
(2)グループ行動推定装置SVの動作
グループ行動推定装置SVでは、制御ユニット30の制御の下で以下のような処理が実行される。図4はその全体の処理手順と処理内容を示すフローチャートである。
(2−1)センシングデータの収集
先ずステップS1において、センシングデータ収集処理部31が起動される。そして、計測端末MT1〜MTnから定期的に送信される端末間の近接状態及び加速度を表すセンシングデータが、上記センシングデータ収集処理部31の制御の下で、通信インタフェースユニット20により受信され、送信元の計測端末の端末IDに関連付けられかつタイムスタンプにより表される計測時刻順にソートされてセンシングデータ記憶部41に記憶される。
グループ行動推定装置SVでは、制御ユニット30の制御の下で以下のような処理が実行される。図4はその全体の処理手順と処理内容を示すフローチャートである。
(2−1)センシングデータの収集
先ずステップS1において、センシングデータ収集処理部31が起動される。そして、計測端末MT1〜MTnから定期的に送信される端末間の近接状態及び加速度を表すセンシングデータが、上記センシングデータ収集処理部31の制御の下で、通信インタフェースユニット20により受信され、送信元の計測端末の端末IDに関連付けられかつタイムスタンプにより表される計測時刻順にソートされてセンシングデータ記憶部41に記憶される。
(2−2)グループメンバ候補の検出
次にステップS2において、グループメンバ候補検出部32が起動される。そして、このグループメンバ候補検出部32により、各計測端末MT1〜MTnにおける他の端末との近接状態を表すセンシングデータが上記センシングデータ記憶部41から読み出される。そして、この読み出された近接状態を表すセンシングデータをもとに、他の端末を検知している計測端末の有無が判定される。この判定の結果、他の端末を検知している計測端末が存在する場合には、ステップS3において、他の端末を検知しているすべての計測端末がグループメンバ候補として抽出され、この抽出された計測端末の端末IDの集合がグループメンバ候補記憶部42に一時保存される。
次にステップS2において、グループメンバ候補検出部32が起動される。そして、このグループメンバ候補検出部32により、各計測端末MT1〜MTnにおける他の端末との近接状態を表すセンシングデータが上記センシングデータ記憶部41から読み出される。そして、この読み出された近接状態を表すセンシングデータをもとに、他の端末を検知している計測端末の有無が判定される。この判定の結果、他の端末を検知している計測端末が存在する場合には、ステップS3において、他の端末を検知しているすべての計測端末がグループメンバ候補として抽出され、この抽出された計測端末の端末IDの集合がグループメンバ候補記憶部42に一時保存される。
(2−3)加速度センシングデータに基づく同行推定
次にステップS4において、上記グループメンバ候補に含まれる計測端末(言い換えればそのユーザ)が同行しているか否かを推定する処理が、その加速度センシングデータに基づいて以下のように行われる。図5はその処理手順と処理内容を示すフローチャートである。
次にステップS4において、上記グループメンバ候補に含まれる計測端末(言い換えればそのユーザ)が同行しているか否かを推定する処理が、その加速度センシングデータに基づいて以下のように行われる。図5はその処理手順と処理内容を示すフローチャートである。
(2−3−1)歩行状態の判定
先ず歩行判定処理部33が起動され、この歩行判定処理部33により、上記グループメンバ候補記憶部42に保存されているグループメンバ候補の端末IDをもとに、その計測端末のユーザの歩行状態が以下のように判定される。
先ず歩行判定処理部33が起動され、この歩行判定処理部33により、上記グループメンバ候補記憶部42に保存されているグループメンバ候補の端末IDをもとに、その計測端末のユーザの歩行状態が以下のように判定される。
すなわち、グループメンバ候補に含まれる計測端末の端末IDがグループメンバ候補記憶部42から読み出され、この計測端末IDをもとに当該計測端末の最新のNサンプリング分の加速度センシングデータがセンシングデータ記憶部41から読み出される。そして、この読み出された加速度センシングデータに基づいて、当該計測端末を所持するユーザの歩行状態、つまり歩行中か停止しているかがサンプリングタイミングごとに判定され、その判定結果を表す時系列データが該当する計測端末IDに関連付けられて歩行判定結果記憶部43に記憶される。
歩行判定方法としては、事前にユーザの歩行時における加速度のリファレンスデータを計測して保存しておき、このリファレンスデータと計測データとを比較するといった方式が考えられる。具体的には、先ずリファレンスデータと計測データのそれぞれにおいて3軸加速度の計測値から各サンプルタイミングにおける加速度の絶対値を算出し、リファレンスデータと計測データのそれぞれにおける加速度絶対値のNサンプル分の時系列データを算出する。次に、この算出されたリファレンスデータ及び計測データの各加速度絶対値の時系列データをそれぞれ周波数解析することで、これらの時系列データのパワースペクトラムのピーク周波数[Hz]を算出する。そして、この算出された2つのピーク周波数の変化率Δfpを、下式により算出する。
Δfp =(fpDET−fpREF)/fpREF
ただし、fpDETは計測データにより算出されたパワースペクトラムのピーク周波数、fpREFはリファレンスデータにより算出されたパワースペクトラムのピーク周波数である。
Δfp =(fpDET−fpREF)/fpREF
ただし、fpDETは計測データにより算出されたパワースペクトラムのピーク周波数、fpREFはリファレンスデータにより算出されたパワースペクトラムのピーク周波数である。
続いて、上記算出されたピーク周波数の変化率Δfpを、予め設定したしきい値と比較し、この比較の結果ピーク周波数の変化率Δfpがしきい値よりも小さい場合には、上記計測データを歩行中のデータに相当すると判定する。以後、歩行中と判定された計測データのピーク周波数を歩行周期として保存する。
(2−3−2)歩行時間帯の類似度に基づく同行判定
次に、ステップS42〜ステップS45において第1の類似度範囲処理部34が起動され、この第1の類似度範囲処理部34により、上記グループメンバ候補に含まれる計測端末間の歩行時間帯の類似度が以下のように判定される。
次に、ステップS42〜ステップS45において第1の類似度範囲処理部34が起動され、この第1の類似度範囲処理部34により、上記グループメンバ候補に含まれる計測端末間の歩行時間帯の類似度が以下のように判定される。
すなわち、先ずステップS42により、上記グループメンバ候補に含まれる複数の計測端末の中から1つが選択される。そしてステップS43において、上記選択された計測端末の端末IDもとに歩行判定結果記憶部43から対応するユーザの歩行状態判定結果の時系列データが読み出される。続いてステップS44において、注目するユーザの計測端末と上記選択された計測端末との間で、上記歩行状態判定結果の時系列データの類似度が計算される。
上記歩行時間帯の類似度の計算は、例えば2つの計測端末について得られた歩行判定結果をグラフ化してこの2つのグラフ間で類似度を求めることにより行える。具体的には、図6に示すように、歩行中と判定された時間区間を“1”、それ以外の時間区間を“−1”とすることで、歩行判定結果の時系列グラフを作成する。そして、この2つの時系列グラフにおける最新のMサンプルタイミング分の歩行判定結果に対してガウス窓等の窓関数を掛ける。そして、この窓関数が掛けられた波形間の類似度を相互相関関数等の手法を用いて算出する。
続いてステップS45により、上記計算された歩行状態判定結果の類似度が予め設定されたしきい値と比較される。この比較の結果、類似度がしきい値より小さければ、注目ユーザと選択された計測端末のユーザとは同行していないと判定され、ステップS48に移行する。
一方、上記類似度がしきい値より大きかった場合には、上記注目ユーザと上記選択された計測端末のユーザとは同一グループに属するものと仮判定され、ステップS46に移行する。
(2−3−3)歩行周期の類似度に基づくグループ行動の判定
ステップS46に移行すると第2の類似度判定処理部35が起動し、この第2の類似度判定処理部35により以下のようにグループ行動の判定処理が行われる。
すなわち、先ずステップS46において、上記第1の類似度判定処理部34による仮判定の結果、歩行時間帯の類似度がしきい値より高いと判定された各ユーザについて、その加速度センシングデータをもとに上記最新の一定時間区間分の歩行周期変化量がそれぞれ算出される。そして、ステップS47において、上記算出された歩行周期変化量の時系列データ間の類似度が算出され、この算出された類似度が予め設定したしきい値と比較されることで、当該ユーザが同一グループに属しているか否かが最終的に判定される。
ステップS46に移行すると第2の類似度判定処理部35が起動し、この第2の類似度判定処理部35により以下のようにグループ行動の判定処理が行われる。
すなわち、先ずステップS46において、上記第1の類似度判定処理部34による仮判定の結果、歩行時間帯の類似度がしきい値より高いと判定された各ユーザについて、その加速度センシングデータをもとに上記最新の一定時間区間分の歩行周期変化量がそれぞれ算出される。そして、ステップS47において、上記算出された歩行周期変化量の時系列データ間の類似度が算出され、この算出された類似度が予め設定したしきい値と比較されることで、当該ユーザが同一グループに属しているか否かが最終的に判定される。
具体的には、上記最新のMサンプル区間におけるサンプリングレートTごとの歩行周期の変化量ΔCを、
ΔC=(Ct’ −Ct’-T)/T (t-T*M≦t’≦t)
により計算する。
ただし、Ct’は時刻t’にて算出された歩行周期、Ct’-Tは時刻t’-Tにて算出された歩行周期である。
ΔC=(Ct’ −Ct’-T)/T (t-T*M≦t’≦t)
により計算する。
ただし、Ct’は時刻t’にて算出された歩行周期、Ct’-Tは時刻t’-Tにて算出された歩行周期である。
続いて、上記算出された歩行周期の変化量ΔCの時系列グラフ間の類似度を、相互相関関数等の手法を用いて計算する。そして、この算出された類似度が予め設定されたしきい値よりも大きい場合に、判定対象の各ユーザがその時間区間において同一グループに属していたと判定する。図7はこの歩行周期の変化量の類似度に基づく判定結果を説明するためのもので、ユーザ間の歩行時間帯の類似度に基づく判定結果A1,A2に比べ、歩行周期の変化量の類似度に基づく判定結果B1,B2は、さらに限定されたものとなる。
上記ステップS47による判定が終了すると、ステップS48において、上記グループメンバ候補記憶部42に保存されたグループメンバ候補の中に未選択の計測端末が残っているか否かが判定される。この判定の結果、未選択の計測端末が残っていればステップS42に戻って未選択の計測端末が1つ選択され、この選択された計測端末のユーザに対し先に述べたステップS43〜S47による処理が行われる。以後同様に、グループメンバ候補中から未選択の計測端末が1つずつ順次選択されるごとに、上記ステップS43〜S47による処理が繰り返し行われる。
(2−4)判定結果の記憶
グループメンバ候補中の未選択の計測端末がなくなると、ステップS49に移行して判定結果記憶制御部36が起動し、この判定結果記憶制御部36の制御の下で、上記ステップS45又はステップS47の判定により最終的に得られたグループ行動の判定結果を表す情報が判定結果記憶部44に格納される。
グループメンバ候補中の未選択の計測端末がなくなると、ステップS49に移行して判定結果記憶制御部36が起動し、この判定結果記憶制御部36の制御の下で、上記ステップS45又はステップS47の判定により最終的に得られたグループ行動の判定結果を表す情報が判定結果記憶部44に格納される。
以上詳述したように第1の実施形態では、グループ行動推定装置SVにおいて、先ず各計測端末MT1〜MTnから収集した端末間の近接状態のセンシングデータをもとにグループメンバ候補が検出される。次に、このグループメンバ候補に含まれる計測端末から収集した加速度のセンシングデータをもとに各ユーザの歩行状態、つまり歩行中か否かが判定され、続いてこの歩行状態の判定結果に基づいてユーザ間の歩行時間帯の類似度が計算される。そして、この歩行時間帯の類似度がしきい値以上のユーザについて、さらに歩行周期変化量の類似度が計算され、この歩行周期変化量の類似度がしきい値以上のユーザが最終的に同一のグループに属するユーザとして判定される。
すなわち、第1の実施形態では、同一グループで行動しているユーザは歩行時間帯が類似することに着目して、先ず歩行時間帯の類似度をもとに同一グループに属しているか否か仮判定され、さらに同一グループで行動しているユーザはその歩行周期、つまり歩行速度が速くなったり遅くなったりする歩行パターンが類似することに着目して、歩行周期変化量の類似度をもとに同一グループに属するか否かが最終的に判定される。
したがって、多数のユーザが密集している場所においても、特定のユーザがどのユーザと同行しているかを精度良く判定することが可能となる。また、グループ行動の判定に際し、先ずユーザ間の歩行時間帯の類似度をもとに当該ユーザが同一グループに属するか否かが仮判定され、続いてユーザ間の歩行周期変化量の類似度をもとに当該ユーザが同一グループに属しているか否かが最終的に判定されるので、より一層高精度の推定が可能となる。
さらに、各計測端末MT1〜MTnから収集した近接状態を表すセンシングデータをもとに互いに近接する位置関係にあるユーザがグループメンバ候補として検出される。従って、多数のユーザが存在する場合に、グループ行動の推定処理に先立ちグループメンバ候補を絞り込むことが可能となる。このため、この絞り込みによりグループ行動の推定処理に要する情報処理量を減らして情報処理装置の処理負荷を軽減することができ、かつ推定処理の所要時間を短縮することが可能となる。
(第2の実施形態)
第1の実施形態では、注目するユーザが属するグループメンバを推定することはできるが、当該ユーザがグループメンバの他のユーザと実際に同行しているかどうかについては判定することができない。
そこで、この発明の第2の実施形態では、第1の実施形態で述べたグループ行動の推定処理に続き、グループ行動推定装置SVにおいて、ユーザの一日におけるグループ判定結果の時系列データをもとに、グループメンバ中で注目するユーザが実際に同行したユーザを推定するようにしたものである。
第1の実施形態では、注目するユーザが属するグループメンバを推定することはできるが、当該ユーザがグループメンバの他のユーザと実際に同行しているかどうかについては判定することができない。
そこで、この発明の第2の実施形態では、第1の実施形態で述べたグループ行動の推定処理に続き、グループ行動推定装置SVにおいて、ユーザの一日におけるグループ判定結果の時系列データをもとに、グループメンバ中で注目するユーザが実際に同行したユーザを推定するようにしたものである。
例えば、いま図8に示すように、ある1日にユーザU1と同じグループに属していると推定されたメンバがユーザU2,U3だったとする。ユーザU2は長い時間ユーザU1と同じグループに属していたと判定されている一方で、ユーザU3は一時的にユーザU1と同じグループに属していたと判定されており、この情報からではユーザU1が実際に同行したユーザが誰だったのかを判定することは難しい。
そこで、ユーザU2及びユーザU3が実際にユーザU1と同行していたかどうかを精度良く判定するために、日々蓄積されるユーザU2とユーザU3のグループ行動判定結果、つまり図8に示す情報から、ユーザU1がユーザU2,U3と同じグループに属していた全時間を算出する。そして、同様に日々蓄積されたグループ行動判定結果から各ユーザがユーザU1と同じグループであると判定された全日数を算出する。続いて、同じグループに属していた全時間と、ユーザごとに算出された日数の2つのパラメータを含む2次元ベクトルをユーザごとに定義する。図9にその一例を示す。そして、ユーザごとに用意された全てのベクトルを入力としたSOM(自己組織化マップ)−最遠近法等によるクラスタリング処理を行い、これによりグループ中の各ユーザが注目ユーザU1と同行していたかどうかの判定を行う。
具体的には、はじめにグループ中の全ユーザの2次元ベクトルを入力としたSOM等の教示不要の学習器を用いることで、互いに類似したベクトルが近傍に配置されるように2次元上で再マッピングを行う。次いで、再マッピングされた各ベクトル間のユークリッド距離を計算し、距離の短いベクトル同士を一つのクラスタとして形成する。以降、クラスタが2つになるまで同処理を繰り返すことで、マップ上の同行者と非同行者の領域を算出する。このようにして、日々のグループ判定結果を用いることで、ユーザの同行者の推定を行う。
このように第2の実施形態によれば、ユーザを、同一グループに属していた時間と、同一グループに属していると判定された日数とに基づいてクラスタリングすることで、同一グループに属する複数のユーザの中で、注目ユーザU1と同行しているユーザ群と、同行していないユーザ群とをそれぞれ分けて判定することが可能となる。
(その他の実施形態)
なお、この発明は上記実施形態に限定されるものではない。例えば、前記第1の実施形態では、グループ行動の推定に際し、先ずユーザ間の歩行時間帯の類似度を判定することによりグループメンバ候補に含まれるユーザが同一グループに属しているか否かを仮判定し、次にユーザ間の歩行周期変化量の類似度を判定することにより、当該ユーザが同一グループに属しているか否かを最終的に推定するようにした。しかしこれに限定されるものではなく、ユーザ間の歩行時間帯の類似度の判定処理を省略し、歩行周期変化量の類似度判定処理のみによりグループメンバ候補に含まれるユーザが同一グループに属しているか否かを判定するようにしてもよい。このようにすると、グループ行動の推定処理に要する情報処理量を減らしてサーバコンピュータの処理負荷を軽減すると共に、推定処理に要する時間を短縮することが可能となる。
なお、この発明は上記実施形態に限定されるものではない。例えば、前記第1の実施形態では、グループ行動の推定に際し、先ずユーザ間の歩行時間帯の類似度を判定することによりグループメンバ候補に含まれるユーザが同一グループに属しているか否かを仮判定し、次にユーザ間の歩行周期変化量の類似度を判定することにより、当該ユーザが同一グループに属しているか否かを最終的に推定するようにした。しかしこれに限定されるものではなく、ユーザ間の歩行時間帯の類似度の判定処理を省略し、歩行周期変化量の類似度判定処理のみによりグループメンバ候補に含まれるユーザが同一グループに属しているか否かを判定するようにしてもよい。このようにすると、グループ行動の推定処理に要する情報処理量を減らしてサーバコンピュータの処理負荷を軽減すると共に、推定処理に要する時間を短縮することが可能となる。
また、前記第1及び第2の実施形態ではグループ行動推定処理をグループ行動推定装置SVで行う場合を例にとって説明したが、グループ行動推定処理のすべて又は一部を各計測端末MT1〜MTnにおいて行うようにしてもよい。これは、各計測端末MT1〜MTnが、他の計測端末から端末間の近接状態及び加速度を表す各センシングデータを直接又はサーバコンピュータを経由して収集し、この収集した各センシングデータをもとに図4及び図5に示す処理を実行することにより実現できる。
その他、グループ行動推定装置の種類や構成、グループ行動推定処理の手順及び処理内容等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
要するにこの発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、各実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
要するにこの発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、各実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
SV…グループ行動推定装置、NW…通信ネットワーク、MT1〜MTn…計測端末、11…近接センサ、12…3軸加速度センサ、13…制御部、14…通信部、20…通信インタフェースユニット、30…制御ユニット、31…センシングデータ収集部、32…グループメンバ候補検出部、33…歩行判定処理部、34…第1の類似度判定処理部、35…第2の類似度判定処理部、36…判定結果記憶制御部、40…記憶ユニット、41…センシングデータ記憶部、42…グループメンバ候補記憶部、43…歩行判定結果記憶部、44…判定結果記憶部。
Claims (4)
- 情報処理装置が、複数のユーザが同一グループのメンバとして行動しているか否かを推定するグループ行動推定方法であって、
前記情報処理装置が、前記複数のユーザがそれぞれ所持する計測端末から、当該ユーザの歩行動作の加速度を表す第1の計測データを時系列的に受信し、この受信した第1の計測データをユーザ又は計測端末の識別情報と関連付けて記憶する第1の過程と、
前記情報処理装置が、前記複数のユーザのうち推定対象となるユーザの各々について、当該ユーザ又は計測端末の識別情報をもとに前記記憶された第1の計測データを読み出し、この読み出された第1の計測データをもとに歩行動作の周期的変化を表す歩行周期変化量を算出する第2の過程と、
前記情報処理装置が、前記推定対象となるユーザの各々について算出された歩行周期変化量の類似度を算出する第3の算出過程と、
前記情報処理装置が、前記算出された歩行周期変化量の類似度を予め設定した第1のしきい値と比較し、その比較結果をもとに前記推定対象となる各ユーザが同一グループに属するか否かを判定する第4の過程と
を具備することを特徴とするグループ行動推定方法。 - 前記情報処理装置が、前記推定対象となるユーザの各々について、当該ユーザ又は計測端末の識別情報をもとに前記記憶された第1の計測データを読み出し、この読み出された第1の計測データもとに歩行時間帯を算出する第5の過程と、
前記情報処理装置が、前記推定対象となるユーザの各々について、前記第5の過程により算出された歩行時間帯の類似度を算出する第6の過程と、
前記情報処理装置が、前記第6の過程により算出された類似度を予め設定された第2のしきい値と比較し、その比較結果をもとに前記推定対象となる各ユーザが同一グループに属しているか否かを仮判定する第7の過程と
をさらに具備し、
前記第7の過程により前記推定対象となるユーザが同一グループに属していると仮判定された場合に、前記情報処理装置が前記第2乃至第4の過程を実行させることを特徴とする請求項1記載のグループ行動推定方法。 - 前記情報処理装置が、前記複数のユーザがそれぞれ所持する計測端末から、当該ユーザ間の近接状態を表す第2の計測データを時系列的に受信し、この受信した第2の計測データをユーザ又は計測端末の識別情報と関連付けて記憶する第8の過程と、
前記情報処理装置が、前記複数のユーザの各々について、当該ユーザ又は計測端末の識別情報をもとに前記記憶された第2の計測データを読み出し、この読み出された第2の計測データをもとに互いに近接する位置関係にあるユーザを検出して、この検出されたユーザ又はその計測端末の識別情報をグループメンバ候補として記憶する過程と
をさらに具備し、
前記情報処理装置が、前記グループメンバ候補として識別情報が記憶されたユーザを前記推定対象とするユーザとして、前記第2乃至第4の過程又は第5乃至第7の過程を実行させることを特徴とする請求項1又は2記載のグループ行動推定方法。 - 請求項1乃至3のいずれかに記載のグループ行動推定方法が具備する各過程に対応する処理を、前記情報処理装置に実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010135209A JP2012003322A (ja) | 2010-06-14 | 2010-06-14 | グループ行動推定方法及びそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010135209A JP2012003322A (ja) | 2010-06-14 | 2010-06-14 | グループ行動推定方法及びそのプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012003322A true JP2012003322A (ja) | 2012-01-05 |
Family
ID=45535263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010135209A Pending JP2012003322A (ja) | 2010-06-14 | 2010-06-14 | グループ行動推定方法及びそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012003322A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014002611A (ja) * | 2012-06-19 | 2014-01-09 | Nippon Telegr & Teleph Corp <Ntt> | 友人推薦装置、方法及びプログラム |
JP2015005102A (ja) * | 2013-06-20 | 2015-01-08 | ヤフー株式会社 | 同行判断装置、同行判断方法、およびプログラム |
JP2015005103A (ja) * | 2013-06-20 | 2015-01-08 | ヤフー株式会社 | 同行判断装置、同行判断方法、およびプログラム |
WO2015050278A1 (ja) * | 2013-10-01 | 2015-04-09 | 株式会社日立製作所 | データ表示システム |
JP2015099527A (ja) * | 2013-11-20 | 2015-05-28 | ヤフー株式会社 | 情報処理装置、情報処理システム、及び情報処理方法 |
JP2017122986A (ja) * | 2016-01-05 | 2017-07-13 | 日本電信電話株式会社 | 所在同一性判定システムおよびその制御方法 |
-
2010
- 2010-06-14 JP JP2010135209A patent/JP2012003322A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014002611A (ja) * | 2012-06-19 | 2014-01-09 | Nippon Telegr & Teleph Corp <Ntt> | 友人推薦装置、方法及びプログラム |
JP2015005102A (ja) * | 2013-06-20 | 2015-01-08 | ヤフー株式会社 | 同行判断装置、同行判断方法、およびプログラム |
JP2015005103A (ja) * | 2013-06-20 | 2015-01-08 | ヤフー株式会社 | 同行判断装置、同行判断方法、およびプログラム |
US9245302B2 (en) | 2013-06-20 | 2016-01-26 | Yahoo Japan Corporation | Accompaniment determination apparatus, accompaniment determination method, and computer readable storage medium |
WO2015050278A1 (ja) * | 2013-10-01 | 2015-04-09 | 株式会社日立製作所 | データ表示システム |
JP2015072515A (ja) * | 2013-10-01 | 2015-04-16 | 株式会社日立製作所 | データ表示システム |
JP2015099527A (ja) * | 2013-11-20 | 2015-05-28 | ヤフー株式会社 | 情報処理装置、情報処理システム、及び情報処理方法 |
JP2017122986A (ja) * | 2016-01-05 | 2017-07-13 | 日本電信電話株式会社 | 所在同一性判定システムおよびその制御方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jankowska et al. | A framework for using GPS data in physical activity and sedentary behavior studies | |
Wang et al. | Applying mobile phone data to travel behaviour research: A literature review | |
Montoliu et al. | Discovering places of interest in everyday life from smartphone data | |
Kawaguchi et al. | Hasc challenge: gathering large scale human activity corpus for the real-world activity understandings | |
Otebolaku et al. | User context recognition using smartphone sensors and classification models | |
CN104737523B (zh) | 通过指派用于数据群集的情境标签来管理移动装置中的情境模型 | |
Nitsche et al. | A strategy on how to utilize smartphones for automatically reconstructing trips in travel surveys | |
Liu et al. | Characterizing activity sequences using profile Hidden Markov Models | |
JP2012003322A (ja) | グループ行動推定方法及びそのプログラム | |
Torres-Sospedra et al. | Providing Databases for Different Indoor Positioning Technologies: Pros and Cons of Magnetic Field and Wi‐Fi Based Positioning | |
Yin et al. | Mining GPS data for trajectory recommendation | |
US10104494B2 (en) | Marker based activity transition models | |
US20150189240A1 (en) | System and method for detecting an object of interest | |
Malmi et al. | Checking in or checked in: comparing large-scale manual and automatic location disclosure patterns | |
Wind et al. | Inferring stop-locations from wifi | |
Bjerre-Nielsen et al. | Inferring transportation mode from smartphone sensors: Evaluating the potential of Wi-Fi and Bluetooth | |
KR101308872B1 (ko) | 사용자 행동의 예측에 기반하여 서비스를 제공하기 위한 서비스 서버 및 단말 | |
Elhamshary et al. | A fine-grained indoor location-based social network | |
Ferrari et al. | Identifying and understanding urban sport areas using Nokia Sports Tracker | |
Unger et al. | Inferring contextual preferences using deep auto-encoding | |
Ghorpade et al. | An integrated stop-mode detection algorithm for real world smartphone-based travel survey | |
Bhargava et al. | Senseme: a system for continuous, on-device, and multi-dimensional context and activity recognition | |
Brouwers et al. | Dwelling in the canyons: Dwelling detection in urban environments using gps, wi-fi, and geolocation | |
Cleland et al. | Mobile based prompted labeling of large scale activity data | |
RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20120627 |