JP2013131170A - 行動属性分析方法および装置 - Google Patents

Abstract

【課題】人の行動が蓄積された履歴データから利用者の行動パタンを抽出し、このパタンを用いて利用者の行動の傾向や特徴を、場所や時間など多様な観点から、網羅的かつ効率的に分析する技術を提供する。
【解決手段】本発明に係る行動属性分析装置は、人集合の行動を時間帯毎のシーン値として記載したシーンベクトルによって行動パタンを表現し、シーンベクトルをクラスタリングすることによって人集合全体に含まれる生活パタンを抽出した後、各人がどの生活パタンに当てはまるかに基づき分類する。
【選択図】図１

Description

本発明は、人の行動属性を用いて分析対象を分類する方法およびその装置に関するものである。

携帯電話のような携帯通信機器とその基地局との間の無線通信記録や、道路交通システムにおける自動車のプローブ情報は、人の移動履歴を表している。同様に交通系ＩＣカードの利用履歴も人の移動履歴を表していると言える。交通系ＩＣカードに電子マネー機能が付いている場合は、カードが移動履歴と併せて買い物という人の行動履歴も蓄積していると考えることができる。買い物という観点では、クレジットカードの利用履歴も人の行動履歴である。また人に装着可能なセンサ端末を使って測定した人の生体情報（体温、脈拍、腕の加速度等）は、生理学的な観点からの人の行動履歴である。

これら履歴は、記録の目的・手段が異なるため一日の生活において履歴に残る部分はそれぞれであるが、人がいつ、どこで、なにをしていたかを表している。これら多様な人の行動履歴から人の行動パタンを抽出し、個々の利用者にマッチした情報を提供するサービスやマーケティングに活用する技術が、下記特許文献１および特許文献２に開示されている。

特許文献１には、交通系ＩＣカードの利用履歴から利用者の移動や買い物などの行動パタンを抽出し、このパタンを使って利用者の行動にマッチした情報を提供する技術が開示されている。特許文献１において行動パタンとは、交通系ＩＣカードの利用者が利用した駅や店舗のリストである。このパタンを用いることによって利用者の移動や買い物の傾向を把握することができる。

特許文献２には、利用者が携帯する移動端末と店舗に設置された無線局とを使って利用者の来店履歴を蓄積し、この来店履歴から利用者の店舗の遷移パタンを抽出し、このパタンを使って利用者が次に来店する可能性の高い店舗の情報を利用者の下へ配信する技術が開示されている。特許文献２において行動パタンとは、ある店舗に関して次に来店した店舗のＩＤ（識別子）と来店した回数、および来店回数に基づく店舗間の遷移確率のリストである。この行動パタンを利用者毎に作成することにより、利用者の店舗利用の傾向を把握することができる。

特開２０１０−１５７０５５号公報 特開２００４−７０４１９号公報

上記特許文献１および２に記載されている行動パタンを用いることにより、利用者の移動や買い物など行動の傾向を把握し、個人にマッチしたサービスを実現することができるが、その一方で次のような課題がある。

（課題その１）
上記特許文献１および２に記載されている行動パタンは、利用者が駅、施設、店舗名を「いつ」利用したかが考慮されていない。例えば、ある駅の利用者が駅構内のコンビニエンスストアを利用するケースでは、早朝に利用する利用者、日中に利用する利用者、あるいは平日のみ／休日のみ利用する利用者では、それぞれ利用の目的が異なると考えられるが、特許文献１および２に記載されている行動パタンでは同じパタンとして扱われる。そのため利用者の行動のパタンから把握できるのは、駅、施設、店舗の「場所」の観点からのみであり、早朝、日中、平日、休日など「時間」の観点から利用者の傾向を把握することは難しい。

（課題その２）
利用者の数あるいは行動履歴を取得する期間が拡大すると行動パタンの数が爆発的に増加するため、利用者の傾向を網羅的に把握することが困難になる。特許文献１に記載されている行動パタンは、利用者が利用した駅、施設、店舗名をパタンの属性とし、特許文献２に記載されている行動パタンは、店舗、施設のコードをパタンの属性としているので、駅、施設、店舗が異なれば別のパタンとなる。そのため、これら文献に記載されている技術では、行動パタンは無数に生成される。そこで現実的には、パタンの出現頻度を手掛かりに「よくある」すなわち高頻度のパタンのみを分析対象とすることになる。この場合、店舗名は異なるがタイプは同じ店舗を繰り返し利用しているパタンや、各利用者の利用頻度は低いが全体では特定の傾向がみられるパタン（理容店の後に電車で出かけるなど）などが見つけにくい。

利用者の行動履歴から利用者の行動パタンを抽出して情報提供やマーケティングに活用するには、ある程度の規模で（１万人以上など）かつ網羅的に利用者の行動を分析できることが望ましい。しかし特許文献１および２に記載されている技術では、観点の多様性や処理の効率性に課題があるといえる。

本発明は、上記のような課題を解決するためになされたものであり、人の行動が蓄積された履歴データから利用者の行動パタンを抽出し、このパタンを用いて利用者の行動の傾向や特徴を、場所や時間など多様な観点から、網羅的かつ効率的に分析する技術を提供するものである。

本発明に係る行動属性分析装置は、人集合の行動を時間帯毎のシーン値として記載したシーンベクトルによって行動パタンを表現し、シーンベクトルをクラスタリングすることによって人集合全体に含まれる生活パタンを抽出した後、各人がどの生活パタンに当てはまるかを分類する。

本発明に係る行動属性分析装置によれば、利用者の行動の傾向や特徴を場所や時間など多様な観点から、網羅的かつ効率的に分析できる。

実施形態１に係る行動属性分析装置１の構成図である。 行動属性分析装置１のハードウェア構成を示す図である。 ＩＣカード利用履歴１０３のデータ構成を示す図である。 クレジットカード利用履歴１０４のデータ構成を示す図である。 シーンリスト１０５のデータ構成を示す図である。 イベントリスト１０６のデータ構成を示す図である。 シーンベクトルテーブル１０７のデータ構成を示す図である。 ターゲットシーンベクトルテーブル２０５のデータ構成を示す図である。 生活パタンテーブル２０６のデータ構成を示す図である。 ユーザ情報２０９のデータ構成を示す図である。 場所情報２１０のデータ構成を示す図である。 カレンダ情報２１１のデータ構成を示す図である。 特徴ベクトルテーブル３０５のデータ構成を示す図である。 クラスタテーブル３０６のデータ構成を示す図である。 抽出条件２０７の一例を示す図である。 抽出パラメタ２０８の一例を示す図である。 分析条件３０７の一例を示す図である。 分析パラメタ３０８の一例を示す図である。 実施形態１における行動属性分析装置１の処理手順を示すフローチャートである。 ステップＳ１０の処理手順を示すフローチャートである。 ステップＳ２０の処理手順を示すフローチャートである。 ステップＳ３０の処理手順を示すフローチャートである。 行動属性分析装置１のシーン抽出ルールおよびシーンを表す数値を説明する図である。 シーン抽出部１０１が実施するステップＳ１０１の詳細な処理手順を示すフローチャートである。 生活パタン抽出条件設定部２０１が実施するステップＳ２０１の詳細な処理手順を示すフローチャートである。 生活パタン抽出条件設定部２０１が表示する生活パタン抽出条件設定画面の一例を示す図である。 生活パタン抽出条件設定部２０１が表示する重みづけ設定画面の一例を示す図である。 生活パタン抽出条件設定部２０１が表示する属性追加設定画面の一例を示す図である。 生活パタン抽出条件設定部２０１が表示するパラメタ設定画面の一例を示す図である。 抽出した生活パタンを表示する画面の一例を示す図である。 クラスタ分析条件設定部３０１が実施するステップＳ３０１の詳細な処理手順を示すフローチャートである。 クラスタ分析条件設定部３０１がステップＳ３０１で表示する生活パタンクラスタ分析条件設定画面の一例を示す図である。 抽出条件表示ボタン３０１１１２をクリックしたときに表示される生活パタン抽出条件表示画面の一例を示す図である。 パラメタ設定指示ボタン３０１１３１をクリックしたときに表示されるパラメタ設定画面の一例を示す図である。 特徴ベクトル生成部３０２が実施するステップＳ３０２の詳細な処理手順を示すフローチャートである。 クラスタ表示部３０４部がクラスタを表示する画面の一例を示す図である。 詳細分析の画面の一例を示す図である。 詳細分析の画面の一例を示す図である。 円グラフ表示の一例を示す図である。 マトリクス表示の一例を示す図である。 実施形態２に係る行動属性分析装置１の構成図である。 パタンベクトルテーブル４０５のデータ構成を示す図である。 期間生活パタンテーブル４０６のデータ構成を示す図である。 抽出条件４０７の一例を示す図である。 抽出パラメタ４０８の一例を示す図である。 実施形態２における行動属性分析装置１の処理手順を示すフローチャートである。 期間生活パタン抽出部４０の処理手順を示すフローチャートである。 パタン抽出条件設定部４０１における期間生活パタン抽出条件設定画面の一例を示す図である。 パラメタ設定指示ボタン４０１４１をクリックしたときに表示されるパラメタ設定画面の一例を示す図である。 生成されたクラスタを期間生活パタン表示部４０４が一日のパタンの遷移として表現し、分析者に表示する画面の一例を示す図である。 実施形態３に係る行動属性分析装置１の全体構成を示す図である。

以下ではまず本発明の考え方について概略を説明し、その後に具体的な実施形態について説明する。

＜本発明の概略＞
本発明では、以下の３つの手法（１）シーンベクトル生成〜（３）生活パタンクラスタ分析により、人集合の行動属性を用いて分析対象を分析する。（１）シーンベクトル生成では行動履歴を後述するシーンベクトルとして表現し、（２）生活パタン抽出ではシーンベクトルの集合から生活パタンを抽出し、（３）生活パタンクラスタ分析では分析対象が各生活パタンのいずれに属するかに基づいて分類する。以下、各手法の概略を説明する。

（１）シーンベクトル生成
利用者の行動を場所だけでなく時間や行動の目的など多様な観点から傾向を把握できるよう、本発明では利用者の一日を「シーン」の遷移ととらえ、時刻（または時間帯）を要素番号とし、シーンを表す値を要素値とするベクトル（「シーンベクトル」と呼ぶ）によって人の行動を表現する。例えば利用者の行動を１時間毎のシーン遷移として表現する場合、シーンベクトルは２４個（１日＝２４時間に対応）の要素を持ち、各要素値は当該利用者が１時間毎に過ごしたシーンを表す値となる。具体的には以下の処理によりシーンベクトルを生成する。

（１．１）シーンの抽出
シーンとは、「自宅で過ごす」、「職場や学校で過ごす」、「遊びにでかける」など、人がある目的を持ってある場所で過ごした時間を指す。人が一日に過ごすシーンの数は高々１０個未満と考えられる。本発明ではこのシーンを、利用者の行動履歴に記録された移動時間、移動先の場所に滞在した長さ、その場所に滞在した頻度などに基づき推定して抽出する。具体的には、平日の朝から夕方／夜まで長時間滞在した場所は「職場」もしくは「学校」と推定し、曜日に限らず夕方／夜から次の日の朝まで滞在した場所は「家」と推定し、休日の日中や夕方に短時間滞在した場所は「買い物」や「娯楽／余暇」のための場所であると推定し、それぞれ利用者は「仕事」、「自宅」、「遊び」というシーンを過ごしたと考える。抽出可能なシーンは、利用する行動履歴の特性によって異なる。例えば学生証や社員証の機能を有する交通系ＩＣカードの利用履歴を利用する場合は、入退室管理記録から「図書館で過ごす」、「５Ｆの居室で過ごす」、「６Ｆの会議室で過ごす」などのシーンも抽出できるであろう。

人がある目的を持ってある場所で過ごす「シーン」は、数時間を単位とするものもあれば、「電話をかける」「何かを買う（支払い）」「（簡単な）食事をする」など数秒から数十分しか要しないものもある。本発明では後者の比較的短時間の過ごし方を「シーン」と区別して「イベント」と呼ぶ。人の行動履歴から抽出可能なイベントには、例えば携帯電話の移動履歴から「通話」というイベントが、あるいは電子マネー機能の付いた交通系ＩＣカードの利用履歴からは「支払い」というイベントがある。さらに利用者を紐づけることができれば複数の行動の履歴からイベントを抽出することができる。例えば、自動車の利用者がプローブ情報を用いた有料のサービス（一例として「オペレーターによる情報提供」）に加入しており、その料金の支払いを自動車会社提携のクレジットカードで行っていれば、自動車の利用者とクレジットカードの利用者を紐づけることができる。そこで自動車のプローブ情報を人の行動履歴として利用し、さらにクレジットカードの利用履歴を第２の履歴として利用すると、移動から推定されるシーンに加えて店舗での「支払い」をイベントとして抽出できる。このように主たる行動履歴を利用者と対応づけることができれば、イベントを抽出するための第２の履歴として次のような履歴を利用することができる。例えば店舗の会員カードやポイントカードの利用履歴（来店や購入といったイベント）、会員制ＨＰのＷｅｂアクセス履歴（Ｗｅｂ閲覧やネット通販での注文といったイベント）などがある。それぞれの履歴に出現する利用者の対応付け、すなわち名寄せは、その氏名、性別、住所などの登録情報を利用することにより実現できる。

一日のシーン遷移は、基本的には数時間を単位とするシーンを対象とし、「イベント」は「シーン」の中で発生するものととらえる。例えば「買い物」は「遊びにでかける」というシーンで発生するイベントである。しかし分析の目的によっては数十分のイベントでもシーンとして扱ってもよい。例えば前述の社員証機能を持った交通系ＩＣカードの利用履歴を使って社員の会社生活にフォーカスして一日の過ごし方を分析したい場合は、「社員食堂で食事する」という時間の過ごし方をシーンとして扱ってもよい。

抽出したシーンおよびイベントは、「何の」シーン／イベントを「誰が」「いつ」「どこで」過ごしたかという要素で表現する。各要素の具体的な値はシーンおよびイベントを抽出した行動履歴の特性によって決定される。交通系ＩＣカードの利用履歴の場合は、「誰が」はＩＣカードの利用者ＩＤ、「いつ」はＩＣカードを改札機またはカード端末機にタッチした時刻、「どこで」は改札機がある駅名または端末機がある店舗名、「どのシーン」はＩＣカードの利用履歴から抽出可能なシーンまたはイベント名となる。携帯電話の基地局との無線通信記録や自動車のプローブ情報を利用した場合は、「どこで」は基地局や自動車の位置情報（緯度・経度）となるであろう。また前述のようにクレジットカードの利用履歴から抽出した「支払い」イベントの場合、「どこで」は店舗名となり、上記４つの要素に加えて「いくら」（金額）を抽出することができる。

（１．２）シーンの数値への変換
次に一日をシーンベクトルで表現するため、抽出したシーンを数値に変換する。シーンの数値への変換は、具体的には次のような方法が考えられる。まず抽出可能なシーンの数をＮとしたとき、最も出現頻度の高いシーンの値を「１」、その次に出現頻度の高いシーンの値を「Ｎ」とする。その次に頻度の高いシーンの値を「Ｎ−１」、さらにその次に頻度の高いシーンの値を「Ｎ−２」、以下同様にＮ個シーンの値を設定する。これによれば後述の生活パタン抽出のためのクラスタリングにおいて、同じ時刻に出現したシーンのうち出現頻度の高いシーン同士をベクトル空間上離れた位置に置くことができる。

シーンの値は「１」「Ｎ」「Ｎ−１」・・・に限定されるものではない。最も頻度の高いシーンの値を「Ｎ」とし、その次に頻度の高いシーンの値は「１」、「２」、「３」、・・・としてもよく、１から０までの小数値でもよい。またシーンの値を決める順序は、上記では出現頻度の降順としたが、例えば複数シーンが同じ日において同時に出現する頻度を共起頻度または共起確率として計算しておき、最も出現頻度の高いシーンの値を「１」とするとき、このシーンに対して同時に出現しやすいシーンの値は「Ｎ」、このシーンに対して同時に出現しやすいシーンは「Ｎ−１」・・・としてもよい。

あるいは各シーンに対応する値は、分析システムの管理者がシーンの意味を考慮し任意で設定してもよい。具体的には、「自宅」と「遊び」はプライベートなシーンなのでそれぞれ「１」と「２」、「仕事」はプライベートなシーンとは差がでるよう「５」にする、などである。

（１．３）シーンベクトルの値の設定
本発明では利用者の一日をシーン遷移で捉えるため、利用者の一日を、時刻（または時間帯）を要素番号とするシーンベクトルで表現する。一日の範囲の捉え方には、午前０時から翌午前０時まで、あるいは朝の４時から翌日の朝の４時までなどいくつか考えられる。また時刻は１時間単位、３０分単位などがあるが、一定の長さを単位としなくてもよく、活動の多い日中は３０分単位、深夜は２時間単位などでもよい。シーンベクトルの各時刻において利用者が過ごしたシーンを表す数値をセットしてベクトルを生成する。

なお利用者の行動の傾向や特徴を多様な観点から効率的に分析できるよう、シーンベクトルは行動履歴からあらかじめ生成しておき、これらを基本データとして分析の目的に応じた抽出・加工を行って生活パタンを抽出してもよい。

一日のシーンの遷移は、人が同じであれば、あるいは人が違っても職業（会社員、学生など）や年代、性別などが同じであればある程度似たような傾向があると考えられる。そこでシーンベクトルのデータを利用者ごと日ごとに生成すると重複が多いデータとなることが予想されるため、シーンベクトルはユニークなリストとなるよう生成しておき、利用者ごと日ごとのデータはそのリストへのポインタとしてもよい。これにより膨大なデータを効率的に蓄積することができる。

（２）生活パタン抽出
一日のシーン遷移は、夜は自宅、日中は仕事や学校などのようにいくつかの典型的なパタンがあると想定される。そこで本発明では、一日のシーン遷移を表すシーンベクトルをクラスタリングし、一日のシーン遷移のパタン（「生活パタン」と呼ぶ）を抽出する。本処理により、人集合の中にどのような生活パタンが存在するかを概略的に把握することができる。具体的には次の処理により生活パタンを抽出する。

（２．１）生活パタン抽出条件設定
まず生活パタンを抽出したい対象者を絞り込むための条件を設定する。具体的には次のような情報を用いて条件を設定する。

（２．１．１）利用者の属性
利用者の年代、性別、住所などのユーザ情報があればそれらを生活パタンの抽出条件として利用することができる。例えば対象者を「３０代の男性」あるいは「都内在住の２０代女性」と設定すると、人集合のなかで上記条件に合致する者について、それぞれの典型的な一日の過ごし方、すなわち生活パタンを抽出することができる。

（２．１．２）シーンの属性
前述のようにシーンは「誰」が「いつ」「どこ」で「何」をして過ごしたかで表現される。これらシーンの属性を生活パタンの抽出条件とすることができる。例えば「緯度ｘ経度ｙの範囲内に自宅がある人」（どこで、何を）、「×月△日に○駅にきた人」（いつ、どこで）、「平日、仕事をしている人」（いつ、何を）などがある。このような条件を使うと、前記例では「緯度ｘ経度ｙの範囲内に自宅がある人」の典型的な一日の過ごし方（自宅から仕事に行ってそのまま帰宅する、あるいは帰りに寄り道をするなど）を抽出することができる。

（２．１．３）イベントの属性
イベントもシーンと同様、「誰」が「いつ」「どこ」で「何」をして過ごしたかで表現され、加えて「いくら」（金額）などの履歴に依存した要素がありうる。これらを使った抽出条件として「○月×日△△デパートで買い物をした人」（いつ、どこで、何を）、「×月社員食堂を○回以上利用した人」（いつ、どこで）などがある。

（２．２）シーンベクトルの抽出
（２．１）で説明した生活パタンの抽出条件にしたがい、条件にマッチするシーンベクトルを抽出し、分析の目的に合致する生活パタンが抽出され易いようにシーンベクトルを加工した上で、クラスタリング対象のシーンベクトル（「ターゲットシーンベクトル」と呼ぶ）を生成する。条件にマッチするシーンベクトルは、ユーザ情報やベクトルに含まれるシーン／イベントの属性を参照することにより抽出することができる。シーンベクトルの加工手法としては、例えばシーン値の重みづけ、シーンベクトルへの属性付加などがある。これらの処理は、抽出条件を特に設定する場合のみ実施すればよい。以下、シーン値の重みづけと属性付加について説明する。

（２．２．１）シーンベクトルの重みづけ
シーンベクトルの重み付けとは、（２．１）で説明した生活パタンを抽出したい対象者を絞り込むための条件に合致するシーンベクトルが、条件に合致しないシーンベクトルとは異なる値となるように、シーン値を変換する処理である。これにより、同様の傾向を有しそのままでは同じ生活パタンの中に埋没してしまうようなシーンベクトルのなかから、抽出条件に合致するものを有意に抽出することができる。シーンベクトルの重みづけの一例として、ここではシーンによる重みづけとイベントによる重みづけの２つの観点からの重みづけについて説明する。

（ａ）シーンによる重みづけ
本発明では一日をシーン遷移、すなわちシーンを表す数値を値とするベクトルで表現するが、そのうち分析者が着目しているシーンに重みづけをする。例えば分析の目的が「×月△日に○駅に来た利用者について、○駅でどのようなシーンを過ごしたか」である場合、まず日付が「×月△日」で場所が「○駅」のシーン（シーンのタイプはこだわらない）を含んだシーンベクトル（一日のシーンの遷移）を取得し、場所が「○駅」であるシーン値のみに重みをつける。重みの一例としては、値を１０倍にするなどが考えられる。あるいは「×月に○駅に来た利用者について、○駅でどのようなシーンを過ごしたか、平日と休日でわけて分析したい」場合、上記と同様「×月に○駅に来た人」のシーンベクトルを取得し場所が「○駅」であるシーンに重みを付け、さらに平日のベクトルと休日のベクトルがベクトル空間上離れて位置するよう、日付が休日（土／日）であるシーンベクトルの値にすべて−１をかけるという方法があげられる。

ここでは分析者が着目しているシーンへの重みづけの具体的な手段として、シーンの値を整数倍する、あるいは−１をかけるという手段をあげたが、これに限られるものではなく、抽出条件に合致するシーンベクトルとその他のシーンベクトルを区別できればよい。シーンベクトルのベクトル空間上の位置を考慮した様々な重みづけ手段が考えられる。

（ｂ）イベントによる重みづけ
シーンベクトルはシーンの遷移から構成され、比較的短時間の時間の過ごし方であるイベントはシーンベクトル上に表現されていない。これに対して分析者がイベントに着目して分析したい場合、シーンベクトル中、イベントが発生したシーンあるいはイベントが発生した時刻に重みを付ける。

例えば、分析者がクレジットカードによる「支払い」というイベントに着目し「×月△日に○駅に来て、Ａデパートで買い物をした人は、どのようなシーンで買い物したのか」（「仕事」の途中？「遊び」の途中？）を知りたい場合、「×月△日に○駅に来て、かつその日、Ａデパートでのクレジットカードの利用履歴がある人」のシーンベクトルを抽出し、クレジットカードの精算時刻を含むシーンに重みづけ（例えば値を１０倍にする）をする。さらには「支払い」イベントがシーン最初のほうにあるのか、最後のほうにあるのか知りたい場合は、精算時刻に対応する時刻の値のみ重みづけする。例えば、ある利用者が×月△日の○駅で「遊び」というシーンを１３時から１８時まで過ごし、１４時にＡデパートでクレジットカードを利用した履歴がある場合、シーンベクトル中、１４時の値を１０倍にする。着目したイベントが「支払い」である場合、支払い金額で重みを加重することも可能である。例えば、支払い金額が３万円以上ならシーンの値を２０倍、それ以外は１０倍にするなどである。

（２．２．２）ベクトルの属性の付加
抽出条件に合致するシーンベクトルを、他のシーンベクトルとは異なるものとして抽出したい場合には、（２．２．１）記載の重み付けが適していると思われる。一方、同じ生活パタンとしていったん抽出されたシーンベクトルのなかで、さらにどのようなパタンが存在しているかを掘り下げて分析したい（いわゆるドリルダウン分析）場合には、シーン値そのものを加工するよりも、掘り下げのための予備的属性をシーンベクトルにあらかじめ追加しておき、掘り下げが必要になった時点でその予備的属性を参照してさらに生活パタンを細分するとよいと思われる。この予備的属性を、本発明ではシーンベクトルの属性と呼ぶ。以下、シーンベクトルの属性が必要になる場面と併せて説明する。

利用者の生活パタンをシーン以外の観点も加えて抽出したい場合は、ベクトルに属性を付加し観点に対応する値を追加する。一例として「×月△日に○駅に来た人で、年代別の傾向があれば知りたい」という分析ニーズを想定する。このような場合「×月△日に○駅に来た人」を年代別に分けて、それぞれ生活パタンを抽出するという方法が考えられる。具体的には年代別に（例えば２０代未満、２０代、３０代、４０代、５０代、６０代以上の６つ）同じ数ずつ（例えば１０パタンずつ）生活パタンを抽出し、それらをまとめて「×月△日に○駅に来た人」の生活パタンとする。

しかしこの方法によれば抽出される生活パタンの数が増え６つの年代×１０パタン＝６０パタン）、かつそれぞれの年代の利用者数が異なるため生成されるパタンの粒度が一様ではなくなってしまう（例えば６０代以上の利用者数が少ない場合、生成されるパタンは他の年代のパタンより差異が小さいものになる）。この問題点に対して、年代別に抽出した生活パタンのうち年代に共通する似たようなパタンはまとめるという方法が考えられるが、まとめるためにはパタン間の類似度を計算する、または人手でパタン間の類似性を判断する必要があり、手間がかかる。

一方で「×月△日に○駅に来た人で、年代別の傾向があれば知りたい」という分析ニーズは、「年代別の傾向をそれぞれ知りたい」というよりは、「ある年代に特有のパタンが見られればその部分はその年代のパタンとして抽出し、年代かかわらず共通のパタンはひとつのパタンとしたい」と解釈することもできる。実際、クラスタリング対象のデータの状況によって柔軟にクラスタリング結果を得たいというニーズは多いと思われる。

以上の検討に鑑みると、上記のような分析ニーズに対しては、シーンベクトルを重み付けして抽出条件に合致するシーンベクトルを他のシーンベクトルとは異なるものとして取り扱うよりは、いったん同じパタンのシーンベクトルとして抽出しておき、必要に応じて抽出条件を掘り下げていくほうが望ましいと思われる。

そこで本発明では、上記ニーズに対応するためクラスタリング対象のシーンベクトルに属性を付加する。付加できる属性としては、利用者の年代、性別、住所などの利用者の属性があげられる。上記分析ニーズの場合は、シーンベクトルに年代を表す「２０代未満」、「２０代」、「３０代」、「４０代」、「５０代」、「６０代以上」の６つの次元（属性）を追加し、ユーザ情報などを参照してシーンベクトルの利用者の年代を取得し、該当する属性値に「１」を、それ以外の属性値には「０」をセットするなどする。その他、住所（「東京都」「神奈川県」「埼玉県」「千葉県」「その他」の５次元を追加）、何らかの手段によって得られた利用者の嗜好（アンケートの結果など。「サービスに満足」「ほぼ満足」「不満」の３次元）などが、掘り下げに利用する属性として考えられる。

（２．３）シーンベクトルクラスタリング
生成したシーンベクトルをクラスタリングする。クラスタリングのアルゴリズムには、いくつか既存のものがある。例えばｋ−ｍｅａｎｓ法は、非階層型クラスタリングの代表的なアルゴリズムであるが、これに限られるものではない。なおｋ−ｍｅａｎｓ法のようにあらかじめクラスタ数を指定する必要があるアルゴリズムを用いる場合は、あらかじめデフォルト値を設定してクラスタリングを実施する。あるいはクラスタ数を変更してクラスタリングを何回か試行し、生成されたクラスタの評価関数を用いて最適なクラスタ数を選択できるようにしてもよい。

シーンベクトルをクラスタリングすることにより、一日のシーン遷移が類似しているシーンベクトルがまとめられたクラスタが生成される。このクラスタは、同じような行動パタンを表すシーンベクトルの集合であり、本発明では「生活パタン」と呼ぶ。あるいはクラスタに属するシーンベクトルを平均したベクトル（代表ベクトル）を「生活パタン」と呼ぶこともある。すなわち、類似するシーンベクトルの全体的な傾向のことを「生活パタン」と呼ぶことにする。「×月△日に○駅にきた人」の生活パタンの一例を示す。

・朝自宅を出て、○駅に仕事にきたパタン
・朝自宅を出て、仕事に行き、仕事の帰りに○駅に遊びに来たパタン
・昼自宅を出て、○駅に遊びにきたパタン
・夕方自宅を出て、○駅に遊びに来たパタン

（２．４）生活パタン表示
（２．３）で抽出した生活パタンを分析者に表示する。シーンベクトルをｋ−ｍｅａｎｓ法などによってクラスタリングした結果は、クラスタのＩＤとそのクラスタに属するシーンベクトルのＩＤリストとなる。このリストを分析者にそのまま表示する、あるいはクラスタの重心（平均ベクトル）を表示しても、分析者はどのような生活パタンが抽出されたか即座に理解することは難しい。そこで本発明では、分析者による理解を容易にするため、クラスタの特徴を表す「代表シーンベクトル」を生成して、各クラスタ、すなわち生活パタンに特徴的なシーン遷移を可視化して表示する。以下詳細に説明する。

（２．４．１）代表シーンベクトルの生成
シーンベクトルはシーン遷移を表し、シーンベクトルの要素番号は一日のうちの各時刻を表し、要素値は各時刻におけるシーンを表す。この構造は、生活パタンについても同様である。そこで、各クラスタに属するシーンベクトルから各時刻における典型的なシーンを抽出し、その値を属性値とするシーンベクトルを生成して「代表シーンベクトル」とする。シーンベクトルと生活パタン（クラスタ）の構造は同じであるので、クラスタの代表シーンベクトルを、そのクラスタの特徴とすることができる。具体的には、以下のような手順で代表シーンベクトルを生成する。

まずクラスタに属するシーンベクトルを参照し、シーンまたはイベントの出現頻度を時刻ごとに集計する。各時刻におけるシーンのうち最も頻度が高い、または所定割合以上（例えば５０％以上）を占めるシーン（１つ以上）をその時刻における典型的なシーンとし、そのシーンを表す数値を当該時刻に対応する代表シーンベクトルのシーン値とする。このとき各時刻におけるシーンの頻度分布を記録しておき、後の代表シーンベクトルの可視化において分析者の指示によりシーンの分布情報（分散値など）を提示してもよい。

（２．４．２）代表シーンベクトルの可視化
生成した代表シーンベクトルを表示する際、シーン毎に色を設定して表示する。これにより、シーンの遷移をより視覚的に把握することができる。さらには、シーン遷移を状態遷移図として表示してもよい。具体的には、シーン毎にノードの色を設定し、さらにシーンの長さ（時間長）にしたがってノードの大きさを設定してシーン間の遷移を矢印で表現する。これにより、クラスタの特徴をより視覚的に把握することができる。

（２．５）補足
（２．１）生活パタン抽出条件設定、（２．２）シーンベクトルの抽出、（２．３）シーンベクトルクラスタリング、（２．４）生活パタン表示は、それぞれ１回のみの実行とは限らない。本発明の行動属性分析装置１では、（２．４）生活パタン表示の結果を受けて生活パタンの抽出条件を変え、再度シーンベクトルを抽出しクラスタリングを実行するなど、試行を繰り返して所望の分析結果を得ることができる構成とする。そのため抽出した生活パタンは、分析者からの削除の指示がない限り抽出条件とともに保存しておく。

分析者によるパタン抽出の試行を効率化するため、パタンの抽出条件を統計的に分析する機能を有してもよい。具体的には、抽出条件に含まれる項目についてそれぞれマッチするシーンベクトルの数を表示する、あるいは各項目をクロス集計して表示するなどである。例えば、「×月○日から□日までｘ駅に来た人」を「日付」と「ｘ駅に滞在したときのシーン」別に集計してマトリクス表示するなどである。

（２．４）生活パタン表示では、分析者が興味を持ったクラスタにマッチする利用者についてドリルダウン分析できるよう、クラスタに属するシーンベクトルに対応する利用者のＩＤを出力できる機能を設ける。

上記説明は、パタンの抽出条件を設定し、シーンベクトルを抽出してクラスタリングするというものであったが、これに限らない。基本となる抽出条件があり、それに対し少しずつ条件を変えて生活パタンを抽出したい場合は、まず基本となる抽出条件を用いて生活パタンを抽出しておき、次回以降はクラスタリングを実行せずに前記基本となる抽出条件から抽出した生活パタンにシーンベクトルを割り振るようにしてもよい。例えば「ある駅に来る人の生活パタンを毎月知りたい」場合、まず数カ月分の行動の履歴から生活パタンを抽出し、各クラスタの平均ベクトル（重心）を計算しておく。次に最新の行動履歴が１カ月分蓄積されたら、対象となるシーンベクトル（「ある駅に来る人のシーンベクトル」）を抽出し、各シーンベクトルに対して次の処理を実施する。すなわち当該シーンベクトルと前記計算しておいた各クラスタの平均ベクトルとの間の類似度を計算し、もっとも類似度の高い平均ベクトルのクラスタにシーンベクトルを割り振る。各クラスタに割り振られたシーンベクトルの数に偏りがある、あるいはどの平均ベクトルとも類似度が低いシーンベクトルがあるなど、クラスタに均等にシーンベクトルを割り振ることができなくなれば、あらためてシーンベクトルをクラスタリングして生活パタンを再抽出する。

さらには生活パタンの代表シーンベクトルに相当するシーンベクトルを人手で生成し、生活パタン抽出条件にマッチするシーンベクトルを当該人手で作成した代表シーンベクトルに割り振ってもよい。本発明では一日のシーンの遷移をベクトルで表現するため、代表シーンベクトルは分析者が遷移するシーンの種類と順序、および遷移する時刻を指定することにより容易に生成できる。

（３）生活パタンクラスタ分析
クラスタリングにより抽出された生活パタンは、人々が過ごしている典型的な一日を表す。しかし同じ利用者でも例えば平日と休日では一日の過ごし方は異なることが多い。その一方である程度の期間でみると一人の利用者が過ごす典型的な一日には一定の傾向が見られ、「その人らしさ」を表している。あるいはある特定の場所（街、お店、観光スポットなど）に集まる人にはある種の傾向があり（「アクティブなサラリーマン」「普段は家にいることが多い人」など）、その「場所らしさ」を表していることがある。

そこで本発明では、利用者ごとに行動履歴のなかで各生活パタンが出現する頻度を取得し、これを各利用者の特徴量としてクラスタリングを実施する。あるいは場所（街の中心となる駅や施設など）が分析対象である場合は、当該場所を利用した利用者の生活パタンを収集し、その出現頻度をもって当該場所の特徴量とする。これらの特徴量は、利用者あるいはある場所を利用する利用者がどのようなシーンをどのような遷移でどのよう割合で過ごしているかという生活のスタイルを表現している。本発明では、この特徴量を用いて利用者や場所をクラスタリングすることにより、利用者や場所を生活スタイルに基づき分類する。

本ステップの生活パタンクラスタ分析においては、まずクラスタ分析の条件を設定し、分析対象を特徴づけるベクトルを生成し、クラスタリングを実行して、結果を分析者に表示する。以下、各ステップについて説明する。

（３．１）クラスタ分析条件設定
分析のニーズにしたがって、クラスタ分析の対象および対象の特徴付けに用いる生活パタンを分析者が設定する。一例を示す。

（３．１：分析条件の例１）
分析ニーズ：「×月△日○駅に遊びに来た人の普段の生活が知りたい」
分析対象：「×月△日○駅に遊びに来た人」
利用する生活パタン：「×月△人○駅に来た人の１カ月のシーンベクトルから抽出した生活パタン」

（３．１：分析条件の例２）
分析ニーズ：「都内在住の２０代女性がどのようなシーンでコンビニを利用しているのか知りたい」
分析対象：「コンビニ」
利用する生活パタン：「コンビニの利用実績がある都内在住２０代女性のシーンベクトルに利用時刻で重みづけして抽出した生活パタン」

例１は分析ニーズが「×月△日○駅に遊びに来た人の普段の生活」であるため、分析対象者のその日の生活パタンではなく、例えば×月１カ月間など長い期間から抽出した生活パタンを用いる。一方で例２はコンビニの利用のされ方を知りたいので、コンビニが利用された日のシーンベクトルで、かつコンビニでの利用時刻に重みを付けたシーンベクトルから抽出した生活パタンを用いる。

（３．２）特徴ベクトル生成
（３．１）で設定したクラスタ分析対象（「遊びに来た人」「コンビニ」など）について、設定した生活パタンの出現頻度をカウントし、生活パタン数を次元数とし各生活パタンの出現頻度を値とする特徴ベクトルを生成する（表示例は図３６参照）。

このとき、生活パタンの出現頻度に重みをつけてもよい。生活パタンによっては分析対象に共通して出現するものもあれば、少数の分析対象のみに出現するものもある。前者は分析対象の特徴付けには効果がなく、かえってノイズになると思われる生活パタンであり、後者はその逆である。これに対してｔｆ−ｉｄｆ法などを用いて生活パタンの出現頻度に重みづけする。

（３．３）特徴ベクトルクラスタリング
生成した特徴ベクトルを用いて、分析対象をクラスタリングする。すなわち、生活パタンの出現頻度が類似している分析対象をまとめる。クラスタリングの具体的な手段はシーンベクトルクラスタリングと同様であるので、ここでは説明を省略する。これにより、例えば平日は朝自宅を出て仕事に行くパタンが多く、休日は午後遊びに行くパタンが多い利用者のクラスタ、平日も休日も昼自宅を出て遊びに行くパタンが多い利用者のクラスタなど生活パタンの出現頻度に応じたクラスタが生成される。

（３．４）クラスタ表示
生活パタン抽出と同様に、クラスタリングの結果は、自動的に生成されたクラスタのＩＤと、各クラスタに属する特徴ベクトルのＩＤのリストである。これらを分析者にわかりやすく表示するため本発明では次のような手段を提供する。

まず各クラスタを各クラスタにおいて特徴的に出現する生活パタンで特徴づける。具体的には、各クラスタに属する特徴ベクトルの平均ベクトルを生成し、平均ベクトルにおいてベクトル値が閾値以上の属性、すなわち生活パタンのＩＤを取得して代表生活パタンとする。次にこの代表生活パタンの代表シーンベクトルを取得し、シーンの遷移として分析者に表示する。代表シーンベクトルおよびその可視化については、（２）生活パタン抽出の（２．４）生活パタン表示で述べたのでここでは説明を省略する。

また各クラスタについて分析者が容易にドリルダウン分析やスライス＆ダイス分析を実施できるよう、本発明では次のような手段を提供する。

（３．４．１）グラフ表示機能
分析者が選択したクラスタについて、当該クラスタに属する分析対象の詳細をグラフ表示する。具体的には、分析対象が利用者の場合は利用者の性別、年代、住所など利用者の属性を参照して、場所の場合は住所や場所の分類（駅や店舗など）などの属性を参照して、各生活パタンクラスタに属する分析対象の内訳をグラフ表示する。グラフは、円グラフや棒グラフなどいくつかのタイプから選択できるものとする。さらに内訳として利用する属性はシステム提供以外のものでもよい。分析者が何らかの手段を使って得た利用者または場所の属性、例えば利用者ごとのクレジットカードの利用金額や、ある店舗におけるクレジットカードの利用金額などをシステムに読み込ませ、それらを属性として参照し、クラスタの内訳をグラフ表示してもよい。

（３．４．２）マトリクス表示
分析者が１つ以上選択した生活パタンクラスタについて、当該クラスタに属する分析対象の詳細をマトリクス表示する。具体的には、分析者が選択した属性（例えば利用者の性別や年代など、上記参照）を分析軸とし、生活パタンクラスタごとに分析軸に対応する分析対象の数をマトリクス形式で表示する。例えば、「生活パタンクラスタ１に属する利用者は男性が５１人で女性が６９人」などである。さらに分析軸は、階層的に設定できるものとする。例えば分析者は分析軸としてまず性別、その下位の分析軸として年代を設定することができ、この場合「生活パタンクラスタ１に属する利用者は男性５１人で、そのうち３０代が１７人、４０代が１２人・・・」のようにマトリクス表示する。さらには前述の分析者が読み込ませた属性も分析軸として設定可能とする。例えば「生活パタンクラスタ１に属する利用者は男性５１人で、そのうちクレジットカードの利用金額が１万円以上は１４人、３万円以上は９人・・・」などをマトリクス表示する。また上記マトリクス表示において分析軸間の関連性を統計的に分析するための機能を有してもよい。具体的には分析軸間の独立性（ｘ自乗検定）や無相関の検定機能、相関行列や分散行列の生成析機能などである。

（３．５）補足
（３．１）クラスタ分析条件設定、（３．２）特徴ベクトル生成、（３．３）特徴ベクトルクラスタリング、（３．４）クラスタ表示はそれぞれ１回のみの実行とは限らない。本発明の行動属性分析装置１では、（３．４）クラスタ表示の結果を受けてクラスタ分析の条件を変え、再度特徴ベクトルを生成しクラスタリングを実行するなど、試行を繰り返して所望の分析結果を得ることができる構成とする。そのため生活パタンクラスタ分析で生成したクラスタは、分析者からの削除の指示がない限り生成条件とともに保存しておく。また（３．４）クラスタ表示では、分析者が興味を持った生活パタンクラスタについてドリルダウン分析できるよう、各生活パタンクラスタに属する分析対象（利用者または場所）のＩＤを出力できる機能を設ける。

さらに（２）生活パタン抽出と（３）生活パタンクラスタ分析は、１回の分析でそれぞれ１回のみの実行とは限らない。データ分析においては、同じデータに対していくつかの異なる観点から分析したり、あるデータを分析した結果に基づきデータを絞り込んでさらに分析したりすることが一般的である。本発明の行動属性分析装置１では、（３）生活パタンクラスタ分析の結果に基づき、生活パタン抽出の条件を変えて再度（２）生活パタン抽出を実行することができる。

以上、上記説明では（２）において一日を単位とする生活パタンを抽出し、（３）において生活パタンの出現頻度を特徴量とするベクトルを生成して利用者や場所などをクラスタリングするという「２段階クラスタリング」の手法を説明した。

（４）２段階クラスタリング以外の手段
クラスタリングは２段階のみとは限らない。ここでは他の手段として（３）の利用者や場所などのクラスタリングにおいて利用者や場所の特徴ベクトルをクラスタリング以外の手段で分類する手法を説明する。また、（２）において抽出された一日の生活パタンを使ってある期間の生活パタンを抽出し、利用者や場所などをクラスタリングする手法について説明する。

（４．１）ペルソナを利用した利用者／場所の分類
上記（３）ではクラスタ分析の分析条件を設定し、特徴ベクトルを生成してクラスタリングするが、クラスタリングの手法はこれに限らない。例えば、分析者が具体的に想定している利用者像（ペルソナ）や場所の使われ方のイメージがあり、それに沿った形態で利用者／場所を分類したい場合は、抽出した生活パタンを使って人為的に特徴ベクトルを生成し、抽出した生活パタンによって特徴づけられた利用者／場所を人為的に生成した特徴ベクトルに割り振ることにより、分析対象を分類する。

例えば「平日の生活パタンは直行直帰が主で、休日は朝から出かけて夕方早目に帰宅する生活パタンの利用者」「平日は帰宅時に寄り道する生活パタンが多く、休日は遅めに出かけて深夜に帰宅する生活パタンの利用者」といった利用者像があらかじめ想定されており、ある駅を利用する人をこれら利用者像にあてはめて分類したい場合、分析者はすでに抽出された生活パタンを使ってこれら利用者像を特徴ベクトルで表現する。具体的には、１カ月間において平日の直行直帰の生活パタンが○回、休日の朝から出かける生活パタンが×回など、利用者像にマッチする生活パタンを選択して期間における出現頻度を分析者が指定する。この分析者が指定した特徴ベクトルに対して分析対象の利用者／場所の特徴ベクトルとの類似度を計算して、もっとも類似度の高い利用者度像に分析対象の利用者／場所を割り振る。

（４．２）多段階クラスタリング
「多段階クラスタリング」とは、一日を単位とする生活パタンを使って、１週間あるいは１０日間など一定の期間を単位とする期間の生活パタンを抽出し、当該パタンの出現頻度を特徴量とするベクトルを生成して利用者や場所などをクラスタリングする手法である。「多段階クラスタリング」において一日の生活パタンの抽出は（２）生活パタン抽出と同じであるので説明を省略する。この一日の生活パタンを用いて一例として利用者の１週間の生活パタンを生成する。そして１週間の生活パタンの出現頻度を用いて利用者の特徴ベクトルを生成しクラスタリングを実施する。この処理は（３）生活パタンクラスタリング分析と同様であるので説明を省略する。１週間の生活パタンを抽出する処理手順の詳細について説明する。

（４．２．１）
生活パタン抽出において生成された生活パタンに、識別可能なＩＤを付与する。クラスタリングではアルゴリズムが自動的にクラスタ番号を付与するが、このクラスタ番号をクラスタ間の類似度に基づいて振り直す。具体的には各クラスタの平均ベクトル（クラスタに属するシーンベクトルの平均）を生成し、平均ベクトルを長さの降順にソートしてその結果順に１から始まるＩＤを振る、あるいは平均ベクトルのうち任意の１つを選択し、残りのベクトルについて前記選択したベクトルとの類似度（ユークリッド距離など）を計算しその値の降順に残りのベクトルをソートしてその結果順（一番最初は選択したベクトル）に１から始まるＩＤを振る、などの手順が考えられる。

（４．２．２）
生活パタン抽出で対象としたシーンベクトルにはクラスタリングによって自動的に生成されたクラスタＩＤが付与されているが、それらを上記ふり直したクラスタＩＤに変換し、利用者を第１キー、日付を第２キーとしてシーンベクトルをソートする。

（４．２．３）
生活パタンを抽出した利用者ごとに次の処理を実施する。まず利用者のシーンベクトルを日付順に７日間に分割し、シーンベクトルが属する生活パタンのＩＤ（振り直したＩＤ）を属性値とする７次元の属性ベクトルを生成する。シーンベクトルを抽出した期間が７の倍数でない場合、７日間（７次元）に満たない余りが生じるが、ここではそれらは無視する。また該当するシーンベクトルがない日付があればその日の値は「０」とする。

（４．２．４）
全利用者に関して上記（４．２．３）の処理を実施して７次元の属性ベクトルを複数生成し、それらをクラスタリングして７日間の生活パタンを抽出する。

以上、本発明の概要について説明した。以下では具体的な実施形態について、図面を参照して説明する。

＜実施の形態１＞
本発明の実施形態１では、交通系ＩＣカードの利用履歴を用いて利用者の生活パタンを抽出し、当該生活パタンを用いて利用者をクラスタリングする行動属性分析装置について説明する。

（システムの全体構成）
図１は、本実施形態１に係る行動属性分析装置１の構成図である。行動属性分析装置１は、ＩＣカード利用履歴１０３およびクレジットカード利用履歴１０４を入力とし、分析リポート３０９を出力とする。ＩＣカード利用履歴１０３は、交通系ＩＣカード８１の利用者が交通系ＩＣカード８１を駅の改札機８２や店舗に設置された端末機８３で利用した履歴を格納したデータである。クレジットカード利用履歴１０４は、クレジットカード（図示せず）の利用者がクレジットカードを店舗などで支払いに利用した履歴を格納したデータである。分析レポート３０９は分析対象をクラスタ分析した結果を格納したレポートである。

行動属性分析装置１は、人集合の行動属性を用いて分析対象を分類する装置であり、大きく次の３つの機能部から構成される。すなわちシーンベクトル生成部１０、生活パタン抽出部２０、生活パタンクラスタ分析部３０である。

（システムの機能構成：シーンベクトル生成部１０）
シーンベクトル生成部１０は、人の行動履歴から利用者の一日のシーンの遷移を表すシーンベクトルを生成する。その入力はＩＣカード利用履歴１０３およびクレジットカード利用履歴１０４に格納されたデータであり、シーンリスト１０５、イベントリスト１０６、およびシーンベクトルテーブル１０７にデータを出力する。これら入出力データの詳細については、データ構成の説明において図を用いて詳述する。

シーンベクトル生成部１０は、さらにシーン抽出部１０１、およびイベント抽出部１０２の２つの機能部を有する。これら機能部の詳細については、処理手順の説明においてフローチャートを使って詳述する。

（システムの機能構成：生活パタン抽出部２０）
生活パタン抽出部２０は、分析者が設定した抽出条件にしたがってシーンベクトルを抽出し、これに対してクラスタリングを実行して生活パタンを抽出する。その入力は、シーンリスト１０５、イベントリスト１０６、およびシーンベクトルテーブル１０７に格納されたデータであり、ターゲットシーンベクトルテーブル２０５および生活パタンテーブル２０６にデータを出力する。またテンポラリデータとして抽出条件２０７およびパラメタ２０８を生成する。さらに参照データとして、ユーザ情報２０９、場所情報２１０およびカレンダ情報２１１に格納されたデータを利用することもある。これら入出力データ並びに参照データの詳細およびテンポラリデータの一例については、データ構成およびテンポラリデータの説明において図を用いて詳述する。

生活パタン抽出部２０は、さらにパタン抽出条件設定部２０１、シーンベクトル抽出部２０２、シーンベクトルクラスタリング部２０３、および生活パタン表示部２０４の４つの機能部を有する。これら機能部の詳細については、処理手順の説明においてフローチャートを使って詳述する。

（システムの機能構成：生活パタンクラスタ分析部３０）
生活パタンクラスタ分析部３０は、分析者が設定した分析条件にしたがって分析対象の特徴ベクトルを生成し、クラスタリングを実行して分析対象のクラスタを生成する。その入力は、ターゲットシーンベクトルテーブル２０５および生活パタンテーブル２０６に格納されたデータであり、特徴ベクトルテーブル３０５およびクラスタテーブル３０６にデータを出力する。またテンポラリデータとして分析条件３０７およびパラメタ３０８を生成する。これら入出力データの詳細およびテンポラリデータの一例については、データ構成およびテンポラリデータの説明において図を用いて詳述する。

生活パタンクラスタ分析部３０は、さらにクラスタ分析条件設定部３０１、特徴ベクトル生成部３０２、特徴ベクトルクラスタリング部３０３、およびクラスタ表示部３０４の４つの機能部を有する。これら機能部の詳細については、処理手順の説明においてフローチャートを使って詳述する。

上記各機能部は、これらの機能を実現する回路デバイスなどのハードウェアを用いて構成することもできるし、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算装置とその動作を規定するプログラムによって構成することもできる。以下では上記各機能部をプログラムとして実装したものと想定する。上記各データ、テーブル、リストなどのデータ類は、ハードディスクなどの記憶装置に格納することができる。

（ハードウェア構成）
図２は、行動属性分析装置１のハードウェア構成を示す図である。図２に示すように行動属性分析装置１は、ＣＰＵ２、ハードディスク３、メモリ４、ディスプレイ制御部５、ディスプレイ５１、キーボード制御部６、キーボード６１、マウス制御部７、およびマウス７１を備える。ＣＰＵ２は、データの入出力、読み込み、格納、および図１で説明した各機能部を実装したプログラムを実行する。ハードディスク３は図１で説明した各データを保存する記憶装置、メモリ４はプログラムおよびデータを一時的にロードして記憶する装置である。ディスプレイ５１はユーザにデータを表示する装置であり、ディスプレイ制御部５によって制御される。キーボード６１およびマウス７１はユーザからの入力を受け付ける装置であり、それぞれキーボード制御部６およびマウス制御部７によって制御される。

（データ構成）
次に、図１で説明した各データの構成について図３〜図１８を用いて説明する。

（データ構成：ＩＣカード利用履歴１０３）
図３は、ＩＣカード利用履歴１０３のデータ構成を示す図である。ＩＣカード利用履歴１０３は、利用者が交通系ＩＣカードを利用した履歴を格納したデータであり、利用者が駅の改札機や精算機、店舗などに設置された端末機などにおいてカードをタッチした記録が格納されている。

ＩＣカード利用履歴１０３は、利用者ＩＤ１０３０１、時刻１０３０２、駅名／店舗名１０３０３、端末機タイプ１０３０４、および金額１０３０５を有する。利用者ＩＤ１０３０１は、交通系ＩＣカード８１の利用者のＩＤを格納するエリアであり、ＩＣカード乗車券８１に格納されている利用者のＩＤを改札機８２や端末機８３のリーダライタ装置が読み込むことにより取得される。時刻１０３０２は、利用者が改札機８２や端末機８３を利用した時刻を格納するエリアである。駅名／店舗名１０３０３は、交通系ＩＣカードが利用された駅名または店舗名を格納するエリアである。端末機タイプ１０３０４は、交通系ＩＣカードが利用された端末機のタイプを格納するエリアであり、本実施形態１では「入場改札機」、「出場改札機」、「店舗端末」および「チャージ端末」の４種類があるものとする。金額１０３０５は、改札機８２や端末機８３で支払われた金額を格納するエリアである。

（データ構成：クレジットカード利用履歴１０４）
図４は、クレジットカード利用履歴１０４のデータ構成を示す図である。クレジットカード利用履歴１０４は、利用者がクレジットカードを利用した履歴を格納したデータであり、利用者の第２の行動履歴として用いられる。

クレジットカード利用履歴１０４は、カードＩＤ１０４０１、時刻１０４０２、店舗名１０４０３、および金額１０４０４を有する。カードＩＤ１０４０１は、クレジットカードのＩＤを格納するエリアである。時刻１０４０２は、クレジットカードが利用された時刻を格納するエリアである。店舗名１０４０３は、クレジットカードが利用された店舗名を格納するエリアである。金額１０４０４は、利用者がクレジットカードを利用して精算した金額を格納するエリアである。

（データ構成：シーンリスト１０５）
図５は、シーンリスト１０５のデータ構成を示す図である。シーンリスト１０５は、利用者が過ごしたシーンを格納したデータであり、シーン抽出部１０１によって生成される。シーンリスト１０５は、利用者ＩＤ１０５０１、シーン名１０５０２、開始時刻１０５０３、終了時刻１０５０４、場所ＩＤ１０５０５、およびシーンベクトルＩＤ１０５０６を有する。

利用者ＩＤ１０５０１は、交通系ＩＣカード８１の利用者のＩＤを格納するエリアである。シーン名１０５０２は、ＩＣカード利用履歴１０３から抽出したシーン名を格納する。本実施形態１では、シーンには平日／休日を問わず夜から朝にかけて過ごす「自宅」、平日の日中に長時間過ごす「仕事」、休日出かけ先で長時間過ごす「レジャー」、および平日／休日問わず出かけ先で短時間過ごす「おでかけ」の４つがあるものとする。これらシーンの抽出手順については後述する。開始時刻１０５０３はシーンが開始した時刻を、終了時刻１０５０４はシーンが終了した時刻を格納する。本実施形態１では改札機の通過を持ってシーンが切り替わると考える。具体的にはある駅に入場した時点でそれまでのシーンが次のシーンに切り替わるとする。また一般的に人は朝は自宅から出発して夜自宅に戻ると考えられる。そこで本実施形態１ではその日最初のシーンは「自宅」であり、最初の改札機の通過（入場）を境に次のシーンへ切り替わる。すなわち一日の最初のシーン「自宅」は一日の最初の改札機の通過時刻で終了し、次のシーンが「仕事」であれば改札機の通過時刻をもって「仕事」のシーンの開始時刻とする。利用者が勤め先の最寄り駅に到着して出場改札機を通過（出場）し、何時間かその場所に滞在したあと、同じ駅で入場改札機を通過（入場）すると「仕事」のシーンは終了し、次のシーンが開始する。このように交通系ＩＣカードの利用履歴からシーン抽出する場合、シーンの開始・終了時刻は改札機の通過（入場）時刻であり、シーンを過ごした場所は駅名（出場駅名）となる。したがって場所ＩＤ１０５０５は、利用者がシーンを過ごした場所、すなわち出場した駅のＩＤを格納する。シーンベクトルＩＤ１０５０６は、当該レコードに格納されたシーンを含むシーンベクトルのＩＤを格納する。

シーンリスト１０５はこれまで抽出したすべての利用者の全てのシーンをまとめて格納しているが、これに限らない。例えば一日、一週間、一か月などの期間ごとに、あるいは利用者のＩＤごと、シーンごとに分割して格納してもよい。

（データ構成：イベントリスト１０６）
図６は、イベントリスト１０６のデータ構成を示す図である。イベントリスト１０６は、利用者が過ごしたイベントを格納したデータであり、イベント抽出部１０２によって生成される。図６に示すようにイベントリスト１０６は、利用者ＩＤ１０６０１、イベント名１０６０２、時刻１０６０３、場所ＩＤ１０６０４、金額１０６０５、およびシーンベクトルＩＤ１０６０６を有する。

利用者ＩＤ１０６０１は、交通系ＩＣカードの利用者のＩＤを格納するエリアである。イベント名１０６０２は、ＩＣカード利用履歴１０３およびクレジットカード利用履歴１０４から抽出したイベントの名称を格納する。本実施形態１では、イベントは交通系ＩＣカードの電子マネー機能またはクレジットカードによる「支払い」、および交通系ＩＣカードのチャージ機能による「入金」の２つがあるものとする。これらイベントの定義および抽出手順については後述する。時刻１０６０３はイベントが発生した時刻を、場所ＩＤ１０６０４はイベントが発生した場所のＩＤを格納する。金額１０６０５は「支払い」および「入金」によって取引された金額を格納する。シーンベクトルＩＤ１０６０６は、当該レコードに格納されたイベントを対応付け可能なシーンベクトルのＩＤを格納する。

本実施形態１におけるイベントリスト１０６はこれまで抽出したすべての利用者の全てのイベントをまとめて格納しているが、これに限らない。例えば一日、一週間、一か月などの期間ごとに、あるいは利用者のＩＤごと、イベントごとに分割して格納してもよい。

（データ構成：シーンベクトルテーブル１０７）
図７は、シーンベクトルテーブル１０７のデータ構成を示す図である。シーンベクトルテーブル１０７は、シーンベクトルを格納したデータであり、シーンベクトル生成部１０によって生成される。本実施形態１では、一日を午前３時から翌日の午前３時までとし、シーンベクトルは１時間を単位とする２４次元のベクトルとして表現する。また前述のように本実施形態１では、シーンは「自宅」「仕事」「レジャー」「おでかけ」の４つであり、それぞれシーンを表す数値は「１」、「４」、「２」、「３」とする。したがって、本実施形態１におけるシーンベクトルは、「１」、「４」、「２」、「３」のいずれかが値にセットされた２４次元のベクトルである。

シーンベクトルテーブル１０７は、シーンベクトルＩＤ１０７０１、利用者ＩＤ１０７０２、日付１０７０３および時刻１０７０４を有する。ＩＤ１０７０１はシーンベクトルを識別するＩＤを格納する。利用者ＩＤ１０７０２は、シーンベクトルに対応する利用者のＩＤを、日付１０７０３はシーンベクトルに対応する日付を格納する。時刻１０７０４は、各時刻におけるシーン値を格納する。時刻１０７０４は２４に分割され、午前３時のシーンの値を格納する「３」から翌日の午前２時のシーンの値を格納する「２６」のエリアがある。

本実施形態１におけるシーンベクトルテーブル１０７はこれまで抽出したすべての利用者の全てのシーンベクトルをまとめて格納しているが、これに限らない。例えば一日、一週間、一か月などの期間ごとに、あるいは利用者のＩＤごとに分割して格納してもよい。

（データ構成：ターゲットシーンベクトルテーブル２０５）
図８は、ターゲットシーンベクトルテーブル２０５のデータ構成を示す図である。ターゲットシーンベクトルテーブル２０５は、生活パタン抽出部２０が抽出条件にしたがってクラスタリング対象となるシーンベクトル（以下、ターゲットシーンベクトルと呼ぶ）を抽出したデータである。ターゲットシーンベクトルテーブル２０５には、シーンベクトルテーブル１０７に格納されたシーンベクトルのうち生活パタン抽出の条件にマッチしたものが格納される。生活パタン抽出の条件によってはベクトル値に重みを付けたり、属性を付加することがある。

ターゲットシーンベクトルテーブル２０５は、ターゲットシーンベクトルＩＤ２０５０１、利用者ＩＤ２０５０２、場所ＩＤ２０５０３、日付２０５０４、時刻２０５０５、属性２０５０６およびパタンＩＤ２０５０７を有する。

ターゲットシーンベクトルＩＤ２０５０１は、ターゲットシーンベクトルを識別するＩＤを格納する。利用者ＩＤ２０５０２は当該レコードに格納されたターゲットシーンベクトルの利用者ＩＤを、場所ＩＤ２０５０３は当該レコードに格納されたターゲットシーンベクトルに含まれるシーン／イベントが発生した場所のＩＤを格納する。日付２０５０４は日付を格納する。時刻２０５０５は、各時刻におけるシーンの値または重みづけられたシーンの値を格納する。属性２０５０６は、抽出条件に応じて付加された属性を格納する。属性の数は抽出条件によって異なるため属性の数は不定である。パタンＩＤ２０５０７は、生活パタン抽出部２０のシーンベクトルクラスタリング部２０３がターゲットベクトルをクラスタリングした結果、当該レコードのターゲットシーンベクトルが属することになったクラスタのＩＤ（＝生活パタンのＩＤ）を格納する。

ターゲットシーンベクトルテーブル２０５は、生活パタン抽出部２０がシーンベクトルを抽出するごとに生成される。生成されたターゲットシーンベクトルテーブル２０５はターゲットシーンベクトルテーブルＩＤによって識別され、分析者からの削除の指示がない限り保存される。

（データ構成：生活パタンテーブル２０６）
図９は、生活パタンテーブル２０６のデータ構成を示す図である。生活パタンテーブル２０６は、ターゲットシーンベクトルをクラスタリングした結果を格納したデータである。本実施形態１では、クラスタリングのアルゴリズムとしてｋ−ｍｅａｎｓ法を用いる。生成するクラスタの数は生活パタン抽出部２０のパラメタとして指定する。また生成されるクラスタのＩＤはアルゴリズムが自動的に付与するが、このＩＤを各クラスタに対応する生活パタンのＩＤとして用いる。

生活パタンテーブル２０６は、図９（ａ）に示す生活パタンリストテーブル２０６００と（ｂ）に示すクラスタリング結果テーブル２０６１０を有する。生活パタンリストテーブル２０６００は、これまでに抽出した生活パタンの抽出条件やパラメタなどを格納したデータであり、クラスタリング結果テーブル２０６１０はターゲットシーンベクトルをクラスタリングした結果を格納したデータである。クラスタリング結果テーブル２０６１０は、生活パタン抽出部２０がクラスタリングを実行するごとに生成される。生成されたクラスタリング結果テーブル２０６１０はクラスタリング結果ＩＤで識別され、分析者からの削除の指示がない限り保存される。

生活パタンリストテーブル２０６００は、生活パタンリストＩＤ２０６０１、生活パタンリスト名称２０６０２、生成日２０６０３、ターゲットシーンベクトルテーブルＩＤ２０６０４、抽出条件２０６０５、クラスタリング結果ＩＤ２０６０６、およびパラメタ２０６０７を有する。

生活パタンリストＩＤ２０６０１は、生活パタンリストテーブル２０６００に格納されたシーンベクトルの抽出条件やクラスタリング結果を識別するためのＩＤを格納する。生活パタンリスト名称２０６０２は、シーンベクトルの抽出条件やクラスタリング結果に対して分析者がわかりやすさのために付与した名称を格納する。生活パタンリスト名称２０６０２は、初期状態では生活パタンリストＩＤを格納する。生成日２０６０３はクラスタリングを実行した日付を格納し、ターゲットシーンベクトルテーブルＩＤ２０６０４はターゲットシーンベクトルテーブル２０５の説明で述べたターゲットシーンベクトルテーブル２０５を識別するためのＩＤを格納する。抽出条件２０６０５は、ターゲットシーンベクトルを生成するために分析者が設定した条件を格納する。図９中、抽出条件２０６０５には一例として「２０１０年１２月１日にＸ駅に・・・」等の自然文で記載された抽出条件を格納しているが、これはわかりやすさのためであり、実際にはパタン抽出条件設定部２０１が設定した条件と値の組のリストである。クラスタリング結果ＩＤ２０６０６は、ターゲットシーンベクトルをクラスタリングした結果を格納したクラスタリング結果テーブル２０６１０に付与されるＩＤを格納する。パラメタ２０６０７は、ターゲットシーンベクトルをクラスタリングするために分析者が設定したパラメタを格納する。

クラスタリング結果テーブル２０６１０は、パタンＩＤ２０６１１、パタン名称２０６１２、平均ベクトル２０６１３、代表シーンベクトル２０６１４、ベクトル件数２０６１５、およびターゲットシーンベクトルＩＤ２０６１６を有する。

パタンＩＤ２０６１１は、シーンベクトルクラスタリング部２０３が各クラスタに付与したＩＤを格納する。パタン名称２０６１２は、各クラスタに対して分析者がわかりやすさのため付与した名称を格納する。パタン名称２０６１２は、初期状態ではパタンＩＤを格納する。平均ベクトル２０６１３は、当該クラスタに属するシーンベクトルの平均ベクトルを格納する。代表シーンベクトル２０６１４は、クラスタを代表するシーンベクトルを格納する。代表シーンベクトル２０６１４は、分析者に表示するためのベクトルであり、当該クラスタの特徴を表すベクトルである。代表シーンベクトルの生成については後述する。ベクトル件数２０６１５は、クラスタに属するターゲットシーンベクトルの件数を格納する。ターゲットシーンベクトルＩＤ２０６１６は、クラスタに属するターゲットシーンベクトルのＩＤを格納する。このターゲットシーンベクトルは、生活パタンリストテーブル２０６００のターゲットシーンベクトルテーブルＩＤ２０６０４に格納されたＩＤで識別されるターゲットシーンベクトルテーブル２０５に格納されている。

（データ構成：ユーザ情報２０９）
図１０は、ユーザ情報２０９のデータ構成を示す図である。ユーザ情報２０９は、利用者の氏名、性別、生年月日などの利用者の属性情報を格納したデータである。本実施形態１では、交通系ＩＣカードの利用履歴およびクレジットカードの利用履歴を利用者の行動の履歴として用いる。そのためユーザ情報２０９には、交通系ＩＣカードおよびクレジットカードの利用者の情報が格納されている。

ユーザ情報２０９は、交通系ＩＣカード利用者情報２０９００とクレジットカード所有者情報２０９１０を有する。図１０（ａ）は交通系ＩＣカード利用者情報２０９００のデータ構成を示す図、図１０（ｂ）はクレジットカード所有者情報２０９１０のデータ構成を示す図である。

交通系ＩＣカード利用者情報２０９００は、利用者ＩＤ２０９０１、氏名２０９０２、生年月日２０９０３、性別２０９０４、住所２０９０５、電話番号２０９０６、およびｅ−ｍａｉｌ２０９０７を有する。利用者ＩＤ２０９０１は、交通系ＩＣカードの利用者のＩＤを格納する。氏名２０９０２は、利用者の氏名を格納する。生年月日２０９０３は利用者の生年月日を格納し、性別２０９０４は利用者の性別を格納する。住所２０９０５は利用者の住所を格納し、電話番号２０９０６は利用者の電話番号を格納する。ｅ−ｍａｉｌ２０９０７は、利用者のメールアドレスを格納する。

クレジットカード所有者情報２０９１０は、カードＩＤ２０９１１、氏名２０９１２、生年月日２０９１３、性別２０９１４、住所２０９１５、および電話番号２０９１６を有する。カードＩＤ２０９１１は、クレジットカードのＩＤを格納する。氏名２０９１２は、カード所有者の氏名を格納する。生年月日２０９１３はカード所有者の生年月日を格納し、性別２０９１４はカード所有者の性別を格納する。住所２０９１５はカード所有者の住所を格納し、電話番号２０９１６はカード所有者の電話番号を格納する。

（データ構成：場所情報２１０）
図１１は、場所情報２１０のデータ構成を示す図である。場所情報２１０は、場所の属性情報を格納したデータである。本実施形態１では、交通系ＩＣカードの利用履歴およびクレジットカードの利用履歴を利用者の行動の履歴として用いるので、場所情報２１０には、交通系ＩＣカード履歴１０３およびクレジットカード利用履歴１０４内に格納されている、交通系ＩＣカードおよびクレジットカードを利用可能な駅や店舗の情報が格納されている。

場所情報２１０は、場所ＩＤ２１００１、名称２１００２、分類２１００３、エリア２１００４、住所２１００５およびｅ−ｍａｉｌ２１００６を有する。場所ＩＤ２１００１は、場所のＩＤを格納する。名称２１００２は、場所の名称を格納する。分類２１００３は場所の分類を格納する。本実施形態１では場所は「駅」、「店舗」、「施設」の３種類があるものとする。エリア２１００４は駅や店舗、施設が立地しているエリア名を格納する。駅の場合は路線名、店舗や施設の場合は店舗が立地しているビルやエリアの名称を格納する。住所２１００５は、駅や店舗の住所を格納する。ｅ−ｍａｉｌ２１００６は駅や店舗に送信される情報の宛先となるメールアドレスを格納する。

（データ構成：カレンダ情報２１１）
図１２は、カレンダ情報２１１のデータ構成を示す図である。カレンダ情報２１１は、曜日や祝日などのカレンダ情報を格納したデータである。本実施形態１では、日本の一般的なカレンダ情報を用いる。すなわち月〜金が平日、土日および祝祭日を休日とする。

カレンダ情報２１１は、日付２１１０１、曜日２１１０２、および平日／休日２１１０３を有する。日付２１１０１は、ＩＣカード利用履歴１０３に格納されている期間の日付を格納する。曜日２１１０２は、日付２１１０１に格納された日付の曜日を格納する。平日／休日２１１０３は、日付２１１０３に格納された日付が平日か休日かの区別を格納する。

（データ構成：特徴ベクトルテーブル３０５）
図１３は、特徴ベクトルテーブル３０５のデータ構成を示す図である。特徴ベクトルテーブル３０５は、利用者／場所など生活パタンクラスタ分析部３０が分析対象とする特徴ベクトルを格納したデータである。

特徴ベクトルテーブル３０５は、特徴ベクトルＩＤ３０５０１、分析対象ＩＤ３０５０２、および生活パタンＩＤ３０５０３を有する。特徴ベクトルテーブル３０５０１は、特徴ベクトルを識別するＩＤを格納する。分析対象ＩＤ３０５０２は、生活パタンクラスタ分析の対象を識別するＩＤを格納する。具体的には、分析対象が利用者の場合は利用者のＩＤを、場所の場合は場所のＩＤを格納する。生活パタンＩＤ３０５０３は、分析対象を特徴づける生活パタンのＩＤを要素番号とし、その出現頻度（重み付き）を要素値とするベクトルを格納する。具体的には、生活パタンテーブル２０６のクラスタリング結果テーブル２０６１０のパタンＩＤ２０６１１に格納された生活パタンのＩＤを要素番号とすればよい。

特徴ベクトルテーブル３０５は、生活パタンクラスタ分析部３０が特徴ベクトルを生成するごとに生成される。生成された特徴ベクトルテーブル３０５は特徴ベクトルリストＩＤで識別され、分析者からの削除の指示がない限り保存される。

（データ構成：クラスタテーブル３０６）
図１４は、クラスタテーブル３０６のデータ構成を示す図である。クラスタテーブル３０６は、特徴ベクトルをクラスタリングした結果を格納する。本実施形態１では、クラスタリングのアルゴリズムとしてｋ−ｍｅａｎｓ法を用いる。生成するクラスタの数は生活パタンクラスタ分析部３０のパラメタとして指定する。また生成されるクラスタのＩＤは、アルゴリズムが自動的に付与する。

クラスタテーブル３０６は、図１４（ａ）に示すクラスタリストテーブル３０６００、図１４（ｂ）に示すクラスタリング結果テーブル３０６１０を有する。クラスタリストテーブル３０６００は、これまでに生成したクラスタの生成条件やパラメタなどを格納したデータである。クラスタリング結果テーブル３０６１０は、特徴ベクトルをクラスタリングした結果を格納したデータである。クラスタリング結果テーブル３０６１０は、生活パタンクラスタ分析部３０が特徴ベクトルのクラスタリングを実行するごとに生成される。生成されたクラスタリング結果テーブル３０６１０は、クラスタリストテーブル３０６００のクラスタリング結果ＩＤ３０６０８に格納されたＩＤによって識別され、分析者からの削除の指示がない限り保存される。

クラスタリストテーブル３０６００は、クラスタリストＩＤ３０６０１、クラスタリスト名称３０６０２、生成日３０６０３、生活パタンリストＩＤ３０６０４、特徴ベクトルリストＩＤ３０６０５、分析対象設定条件３０６０６、分析対象３０６０７、クラスタリング結果ＩＤ３０６０８、およびパラメタ３０６０９を有する。

クラスタリストＩＤ３０６０１は、クラスタリストテーブル３０６００に格納された分析対象設定条件やクラスタリング結果を識別するためのＩＤを格納する。クラスタリスト名称３０６０２は、分析対象設定条件やクラスタリング結果に対して分析者がわかりやすさのために付与した名称を格納する。クラスタリスト名称３０６０２は、初期状態ではクラスタリストＩＤを格納する。生成日３０６０３はクラスタリングを実行した日付を格納し、生活パタンリストＩＤ３０６０４は、分析対象を特徴づけるために利用した生活パタンのリストＩＤを格納する。特徴ベクトルリストＩＤ３０６０５は、生活パタンを用いて分析対象を特徴づけた特徴ベクトルを格納した特徴ベクトルテーブル３０５のＩＤを格納する。分析対象設定条件３０６０６は、分析対象を抽出するために分析者が設定した条件を格納する。図１４中、分析対象設定条件３０６０６には一例として「２０１０年１２月１日にＸ駅に・・・」等の自然文で記載された設定条件を格納しているが、これはわかりやすさのためであり、実際にはクラスタ分析条件設定部３０１が設定した条件と値の組のリストである。分析対象３０６０７は、分析対象が利用者か場所かを示すデータを格納する。クラスタ分析条件設定部３０１が分析対象として利用者を選択すると「利用者」、場所を選択すると「場所」を格納する。クラスタリング結果ＩＤ３０６０８は、特徴ベクトルをクラスタリングした結果を格納したクラスタリング結果テーブルのＩＤを格納する。パラメタ３０６０９は、特徴ベクトルをクラスタリングするために分析者が設定したパラメタを格納する。

クラスタリング結果テーブル３０６１０は、クラスタＩＤ３０６１１、クラスタ名称３０６１２、平均ベクトル３０６１３、代表生活パタン３０６１４、特徴ベクトル数３０６１５、および特徴ベクトルＩＤ３０６１６を有する。

クラスタＩＤ３０６１１は、特徴ベクトルクラスタリング部３０３が各クラスタに付与しれたＩＤを格納する。クラスタ名称３０６１２は、各クラスタに対して分析者がわかりやすさのため付与した名称を格納する。クラスタ名称３０６１２は、初期状態ではクラスタＩＤを格納する。平均ベクトル３０６１３は、当該クラスタに属する特徴ベクトルの平均ベクトルを格納する。代表生活パタン３０６１４は、当該クラスタを特徴づける生活パタンのＩＤを格納する。具体的には当該クラスタに属する特徴ベクトルの平均ベクトルのうち重みが大きい、すなわち出現頻度が高い生活パタンのＩＤを上位数個、あるいは重みが閾値以上の生活パタンのＩＤを格納する。特徴ベクトル数３０６１５はクラスタに属する特徴ベクトルの数を、特徴ベクトルＩＤ３０６１６にはクラスタに属する特徴ベクトルのＩＤを格納する。

（テンポラリデータ）
次に、図１に示すテンポラリデータについて図１５〜図１８にその一例を示す。

（テンポラリデータ：抽出条件２０７）
図１５は、抽出条件２０７の一例を示す図である。抽出条件２０７は、生活パタン抽出部２０において分析者が設定したシーンベクトルの抽出条件を格納したテンポラリデータである。

（テンポラリデータ：抽出パラメタ２０８）
図１６は、抽出パラメタ２０８の一例を示す図である。抽出パラメタ２０８は、生活パタン抽出部２０において分析者が設定したシーンベクトルのクラスタリング条件を格納したテンポラリデータであり、具体的には生成するクラスタ数を格納する。

（テンポラリデータ：分析条件３０７）
図１７は、分析条件３０７の一例を示す図である。分析条件３０７は、生活パタンクラスタ分析部３０において分析者が設定した特徴ベクトルの生成条件を格納したテンポラリデータである。

（テンポラリデータ：分析パラメタ３０８）
図１８は、分析パラメタ３０８の一例を示す図である。分析パラメタ３０８は、生活パタンクラスタ分析部３０において分析者が設定した特徴ベクトルのクラスタリング条件を格納したテンポラリデータであり、具体的には生成するクラスタ数を格納する。

（処理手順）
次に図１９〜図３９を用いて行動属性分析装置１の処理手順について説明する。

（処理手順：全体の処理手順）
図１９は、本実施形態１における行動属性分析装置１の処理手順を示すフローチャートである。シーンベクトル生成部１０は、まず利用者の行動の履歴が蓄積されたＩＣカード利用履歴１０３およびクレジットカード利用履歴１０４を用いてあらかじめシーンベクトルを生成しておく（Ｓ１０）。次に生活パタン抽出部２０は、分析者の指定した条件にマッチするシーンベクトルを抽出してクラスタリングを実行し、生活パタンを抽出する（Ｓ２０）。次に生活パタンクラスタ分析部３０は、ステップＳ２０で抽出した生活パタンを用いて分析対象の特徴ベクトルを生成し、クラスタリングを実行して分析対象のクラスタを生成する（Ｓ３０）。各ステップの詳細は以下に説明する。

（シーンベクトル生成部１０の処理手順）
図２０は、ステップＳ１０の処理手順を示すフローチャートである。シーンベクトル生成部１０のシーン抽出部１０１は、ＩＣカード利用履歴１０３からシーンおよびイベントを抽出してシーンリスト１０５およびイベントリスト１０６に格納し、同時に抽出したシーンをシーン値に変換してシーンベクトルテーブル１０７に格納する（Ｓ１０１）。次にイベント抽出部１０２は、クレジットカード利用履歴１０４からイベントを抽出しイベントリスト１０６に格納する（Ｓ１０２）。

なお本実施形態１におけるシーンベクトル生成部１０の処理は、バッチ処理により実行する。初期状態においてはそれまでに蓄積されたすべてのＩＣカード利用履歴１０３に対して上記処理を実行し、以降は毎日、その日に蓄積された利用履歴に対して処理を実行し、シーン、イベント、シーンベクトルを抽出して、それぞれシーンリスト１０５、イベントリスト１０６、およびシーンベクトルテーブル１０７に追加格納するものとする。

（生活パタン抽出部２０の処理手順）
図２１は、ステップＳ２０の処理手順を示すフローチャートである。生活パタン抽出部２０のパタン抽出条件設定部２０１は、分析者が指定したクラスタリングの対象となるシーンベクトルを抽出する条件およびクラスタリングのパラメタを設定し、抽出条件をシーンベクトル抽出部２０２に、パラメタをシーンベクトルクラスタリング部２０３にそれぞれ引き渡す（Ｓ２０１）。

シーンベクトル抽出部２０２は、引き渡された条件にマッチするシーンベクトルをシーンベクトルテーブル１０７から抽出して条件に応じて加工し、ターゲットシーンベクトルを生成する。シーンベクトル抽出部２０２は、そのターゲットシーンベクトルをターゲットシーンベクトルテーブル２０５に格納し、そのＩＤとシーンベクトルの抽出条件をシーンベクトルクラスタリング部２０３に引き渡す（Ｓ２０２）。

シーンベクトルクラスタリング部２０３は、引き渡されたパラメタ、ターゲットシーンベクトルテーブルのＩＤ、シーンベクトルの抽出条件、およびクラスタリングを実行した日付を生活パタンテーブル２０６の生活パタンリストテーブル２０６００に格納し、ターゲットシーンベクトルのテーブルＩＤをキーにターゲットシーンベクトルテーブル２０５からクラスタリング対象のシーンベクトルを取得しパラメタにしたがってクラスタリングを実行する。シーンベクトルクラスタリング部２０３は、クラスタリングの結果を生活パタンテーブル２０６のクラスタリング結果テーブル２０６１０に格納して、生活パタンのリストのＩＤを生活パタン表示部２０４に引き渡す（Ｓ２０３）。

生活パタン表示部２０４は、引き渡された生活パタンのリストのＩＤをキーに生活パタンテーブル２０６の生活パタンリストテーブル２０６００およびクラスタリング結果テーブル２０６１０から生成された生活パタンを取得して分析者に表示する（Ｓ２０４）。

（生活パタンクラスタ分析部３０の処理手順）
図２２は、ステップＳ３０の処理手順を示すフローチャートである。生活パタンクラスタ分析部３０のクラスタ分析条件設定部３０１は、まず分析者が指定したクラスタリングの対象となる特徴ベクトルを生成する条件およびクラスタリングのパラメタを設定する（Ｓ３０１）。特徴ベクトル生成部３０２は、設定された条件に従って特徴ベクトルを生成する（Ｓ３０２）。特徴ベクトルクラスタリング部３０３は、生成した特徴ベクトルをクラスタリングしてその結果をクラスタテーブル３０６に格納する（Ｓ３０３）。クラスタ表示部３０４は、分析者にクラスタを表示する（Ｓ３０４）。

（処理手順：シーンベクトル生成部１０の詳細な処理手順）
次にシーンベクトル生成部１０の詳細な処理手順について説明する。

（処理手順：シーンベクトル生成部１０におけるシーン抽出部１０１の詳細な処理手順）
図２３は、行動属性分析装置１のシーン抽出ルールおよびシーンを表す数値を説明する図である。前述したように本実施形態１では「自宅」「仕事」「レジャー」「おでかけ」の４つのシーンを抽出する。これらシーン抽出するため本実施形態１では、利用者がシーンを過ごした時間帯、その長さ、および曜日の３つを用いたルールを定義した。すなわち一日の最初と最後に出現するシーンは「自宅」、一日の最初と最後以外でかつ平日の７時間以上であれば「仕事」、「休日」であれば「レジャー」、それ以外は「おでかけ」である。それぞれシーンを表す数値は「１」「４」「２」「３」とする。シーンベクトル生成部１０は、図２３に示すルールを用いてＩＣカード利用履歴１０３からシーンを抽出してシーンリスト１０５に格納し、シーンベクトルを生成してシーンベクトルテーブル１０７に格納する。

図２４は、シーン抽出部１０１が実施するステップＳ１０１の詳細な処理手順を示すフローチャートである。図２４においてｉはＩＣカード利用履歴１０３に格納された履歴のインデクスを示す変数である。本実施形態１ではＩＣカード利用履歴１０３は、利用者ＩＤおよび日づけをキーにソートされており、かつ格納されているすべての履歴が未処理であると想定する。したがってｉの初期値に０をセットするが、すでに過去分の履歴からはシーンを抽出済みで、追加されたＩＣカード利用履歴からシーンを抽出する場合、ｉは追加された履歴のインデクスを指す。他の変数としてＵｉｄは利用者ＩＤをセットする変数、Ｐｉｄは場所ＩＤをセットする変数であり、それぞれｎｕｌｌで初期化しておく。Ｓｖは２４次元のシーンベクトルをセットする変数であり、ベクトルの値はすべてｎｕｌｌで初期化しておく。またＳｔおよびＥｔは、シーンの開始・終了時刻をセットする変数であり、それぞれｎｕｌｌで初期化しておく。以下図２４の各ステップについて説明する。

（図２４：ステップＳ１０１００１〜Ｓ１０１００３）
シーン抽出部１０１はｉに０をセットする（Ｓ１０１００１）。シーン抽出部１０１はｉに１を加え（Ｓ１０１００２）、ＩＣカード利用履歴１０３のｉ番目の利用履歴の利用者ＩＤ１０３０１がＵｉｄと同じであればステップＳ１０１００７にスキップし、同じでなければステップＳ１０１００４に進む（Ｓ１０１００３）。

（図２４：ステップＳ１０１００４）
シーン抽出部１０１は、Ｕｉｄにセットされた利用者の全利用履歴について処理が終了したと判断し、シーンの終了時刻を表す変数Ｅｔに一日の最後の時刻“２６：５９”をセットし、「自宅」シーンを抽出する。具体的にはシーンリスト１０５の末尾の利用者ＩＤ１０５０１にＵｉｄをセットし、シーン名１０５０２に「自宅」をセットし、開始時刻１０５０３にＳｔの値をセットし、終了時刻１０５０４にＥｔの値をセットし、場所ＩＤ１０５０５にＰｉｄの値（一日の最後に出場した駅の場所ＩＤ）をセットし、シーンベクトルＳｖの時刻Ｓｔから時刻Ｅｔまでの値に「自宅」を表す数値「１」をセットする。

（図２４：ステップＳ１０１００５）
シーン抽出部１０１は、シーンベクトルテーブル１０７を参照し、Ｓｖと一致するシーンベクトルが既に格納されているか検索する。既に格納されていればそのシーンベクトルが格納されているレコードの利用者ＩＤ１０７０２にＵｉｄをセットし、日付１０７０３にＳｔの日付部分を（ただし２４時を過ぎればその前日）セットする。Ｓｖがシーンベクトルテーブル１０７に格納されていなければシーンベクトルテーブル１０７の末尾の時刻１０７０４にＳｖをセットし、利用者ＩＤ１０７０２にＵｉｄを、日付１０７０３にＳｔの日付部分を（ただし２４時を過ぎればその前日）セットする。さらに当該レコードのシーンベクトルＩＤ１０７０１を取得し、シーンリスト１０５の末尾からリスト先頭に向かって順に利用者ＩＤ１０５０１がＵｉｄと一致しているレコードを検索し、一致したレコードのシーンベクトルＩＤ１０５０６へ、取得したシーンベクトルＩＤ１０７０１をセットする。またイベントリスト１０６についても同様に、シーンベクトルＩＤ１０６０６へ、取得したシーンベクトルＩＤ１０７０１をセットする。

（図２４：ステップＳ１０１００６）
シーン抽出部１０１は、ＵｉｄにＩＣカード利用履歴１０３のｉ番目の利用者ＩＤ１０３０１の値をセットし、シーンの開始時刻を表す変数Ｓｔに一日の最初の時刻“０３：００”をセットしＳｖを初期化する。

（図２４：ステップＳ１０１００７）
ｉがＩＣカード利用履歴１０３に格納された履歴数よりも大きければ本処理を終了し、それ以外であればステップＳ１０１００８に進む。

（図２４：ステップＳ１０１００８）
ＩＣカード利用履歴１０３のｉ番目の端末機タイプ１０３０４が「入場改札機」であればステップＳ１０１００９に進み、それ以外であればステップＳ１０１０１９に進む。

（図２４：ステップＳ１０１００９）
シーン抽出部１０１は、ステップＳ１０１００８において利用履歴の端末機が入場改札機であれば、シーンが遷移したと判断し、シーンの終了時刻を表す変数ＥｔにＩＣカード利用履歴１０３のｉ番目の時刻１０３０２に格納された時刻に１分を減じて格納する。

（図２４：ステップＳ１０１０１０）
Ｓｔの値が一日の最初のシーンを示している場合（Ｓｔ＝“０３：００”）はステップＳ１０１０１１に進み、それ以外であればステップＳ１０１０１３に進む。

（図２４：ステップＳ１０１０１１）
シーン抽出部１０１は、ＩＣカード履歴１０３のｉ番目の駅名／店舗名１０３０３を取得してこれに対応する場所情報２１０のレコードを参照し、入場駅の場所ＩＤ２１００１を取得してＰｉｄにセットする。

（図２４：ステップＳ１０１０１２）
シーン抽出部１０１は、シーンリスト１０５の末尾の利用者ＩＤ１０５０１にＵｉｄをセットし、シーン名１０５０２に「自宅」をセットし、開始時刻１０５０３にＳｔにセットされた値をセットし、終了時刻１０５０４にＥｔにセットされた値をセットし、場所ＩＤ１０５０５にＰｉｄの値（一日の最初に入場した駅の場所ＩＤ）をセットする。

（図２４：ステップＳ１０１０１２：補足）
１日のうち最初に改札機に入場した場合、その直前までは自宅に滞在していたと考えられる。そこで、１つ前のシーン（ｉ−１番目のシーン）は自宅シーンとして抽出することとした。

（図２４：ステップＳ１０１０１３）
シーン抽出部１０１は、シーン開始時刻Ｓｔと終了時刻Ｅｔから滞在時間（シーンの長さ）を計算する。滞在時間が所定時間以上（たとえば７時間以上）であればステップＳ１０１０１４に進み、それ以外であればステップＳ１０１０１７に進む。

（図２４：ステップＳ１０１０１４）
シーン抽出部１０１は、ＩＣカード利用履歴１０３の時刻１０３０２から日付を取得し、さらにカレンダ情報２１１の曜日２１１０２を参照し、当該履歴の日付を取得する。日付が平日であればステップＳ１０１０１５に進み、それ以外であればステップＳ１０１０１６に進む。

（図２４：ステップＳ１０１０１５）
改札機に入場したのが１日のうち２回目以降であり、かつ直前の場所に滞在していたのが平日の７時間以上である場合、その入場の直前までは仕事中であったと考えられる。そこでシーン抽出部１０１は、１つ前のシーン（ｉ−１番目のシーン）として「仕事」シーンを抽出する。シーン抽出部１０１は、ステップＳ１０１０１２と同様に各テーブルの値をセットする。

（図２４：ステップＳ１０１０１６）
改札機に入場したのが１日のうち２回目以降であり、かつ直前の場所に滞在していたのが平日以外の７時間以上である場合、その入場の直前までは行楽外出していたと考えられる。そこでシーン抽出部１０１は、１つ前のシーン（ｉ−１番目のシーン）として「レジャー」シーンを抽出する。シーン抽出部１０１は、ステップＳ１０１０１２と同様に各テーブルの値をセットする。

（図２４：ステップＳ１０１０１７）
改札機に入場したのが１日のうち２回目以降であり、かつ直前の場所に滞在していたのが７時間未満である場合、その入場の直前まではその他一般的な外出をしていたと考えられる。そこでシーン抽出部１０１は、１つ前のシーン（ｉ−１番目のシーン）として「おでかけ」シーンを抽出する。シーン抽出部１０１は、ステップＳ１０１０１２と同様に各テーブルの値をセットする。

（図２４：ステップＳ１０１０１８）
シーン抽出部１０１は、シーンの開始時刻を表す変数ＳｔにＩＣカード利用履歴１０３のｉ番目の時刻１０３０２をセットし、ステップＳ１０１００２に戻る。

（図２４：ステップＳ１０１０１９）
ＩＣカード利用履歴１０３のｉ番目の端末機タイプ１０３０４が「出場改札機」であればステップＳ１０１０２０に進み、それ以外であればステップＳ１０１０２１に進む。

（図２４：ステップＳ１０１０２０）
利用者が改札機を出場した場合、その出場駅がシーン場所となる。そこでシーン抽出部１０１は、ＩＣカード利用履歴１０３のｉ番目の駅名／店舗名１０３０３を取得し、場所情報２１０から対応する場所ＩＤ２１００１を取得してＰｉｄにセットした上でステップＳ１０１００２に戻る。

（図２４：ステップＳ１０１０２１）
ＩＣカード利用履歴１０３のｉ番目の端末機タイプ１０３０４が「店舗端末」であればステップＳ１０１０２２へ進み、それ以外であればステップＳ１０１００２へ戻る。

（図２４：ステップＳ１０１０２２）
利用履歴が店舗内のものである場合は、利用者が電子マネー機能等を用いて支払いをしたと考えられる。そこでシーン抽出部１０１は、Ｐｉｄに当該店舗の場所ＩＤ２１００１をセットし、「支払い」イベントを抽出してイベントリスト１０６にセットし、ステップＳ１０１００２に戻る。具体的には、イベントリスト１０６の末尾の利用者ＩＤ１０６０１にＵｉｄをセットし、イベント名１０６０２に「支払い」をセットし、時刻１０６０３にＩＣカード利用履歴１０３のｉ番目の時刻１０３０２をセットし、場所ＩＤ１０６０４にＰｉｄをセットし、金額１０６０５にＩＣカード利用履歴１０３のｉ番目の金額１０３０５をセットする。

（処理手順：シーンベクトル生成部１０におけるイベント抽出部１０２の詳細な処理手順）
図２０のステップＳ１０２において、イベント抽出部１０２は、クレジットカード利用歴１０４からイベントを抽出してイベントリスト１０６に格納する。具体的には、クレジットカード利用履歴１０４に格納された履歴のうち未処理の履歴に対して、次の処理を実施する。

イベント抽出部１０２は、クレジットカード利用履歴１０４のカードＩＤ１０４０１の値を取得し、ユーザ情報２０９のクレジットカード所有者情報２０９１０から所有者の氏名、生年月日、性別、住所などの情報を取得する。次にイベント抽出部１０２は、ユーザ情報２０９の交通系ＩＣカード利用者情報２０９００を参照し、利用者の氏名、生年月日、性別、住所が一致するＩＤを利用者ＩＤ２０９０１から取得し、イベントリスト１０６の末尾の利用者ＩＤ１０６０１にセットする。

イベント抽出部１０２は、さらにイベント名１０６０２に「支払い」をセットし、時刻１０６０３にクレジットカード利用履歴１０４の時刻１０４０２をセットする。さらにクレジットカード利用履歴１０４の店舗名１０４０３にセットされた店舗名の場所ＩＤ２１００１を場所情報２１０から取得して場所ＩＤ１０６０４にセットし、金額１０６０５にクレジットカード利用履歴１０４の金額１０４０４をセットする。イベント抽出部１０２は、利用者ＩＤ１０６０１と時刻１０６０３の値をキーにしてシーンベクトルテーブル１０７から当該利用者の当該時刻を含むシーンベクトルのＩＤを取得し、シーンベクトルＩＤ１０６０６にセットする。

（処理手順：生活パタン抽出部２０の詳細な処理手順）
次に前述の生活パタン抽出部２０の詳細な処理手順について、フローチャートおよび画面例を用いて説明する。

（処理手順：生活パタン抽出部２０における生活パタン抽出条件設定部２０１の詳細な処理手順）
図２５は、生活パタン抽出条件設定部２０１が実施するステップＳ２０１の詳細な処理手順を示すフローチャートである。以下図２５の各ステップについて説明する。

生活パタン抽出条件設定部２０１は、まずステップＳ２０１００１において抽出対象設定画面を表示する。本ステップにおける画面の構成および分析者による抽出条件の入力の詳細については図を用いて後述する。ステップＳ２０１００２において分析者が抽出条件を入力し、設定の完了を指示すると本処理を終了する。それ以外はステップＳ２０１００３に進む。ステップＳ２０１００３において分析者が生活パタンを抽出する対象者のＩＤのリストの読み込みを指示した場合はステップＳ２０１００４に進み、それ以外はステップＳ２０１００５に進む。ステップＳ２０１００４では分析者が指定したファイルから対象者の利用者のＩＤを読み込む。ステップ２０１００５では分析者が過去に生成した生活パタンの抽出条件の読み込みを指示した場合はステップＳ２０１００６に進み、それ以外はステップＳ２０１００７に進む。ステップＳ２０１００６では、分析者が選択した生活パタンの抽出条件を読み込む。ステップＳ２０１００７において分析者が重みづけを指示した場合はステップＳ２０１００８に進み、それ以外はステップＳ２０１００９に進む。ステップ２０１００８では、分析者が生活パタンの抽出にあたって重みづけしたい項目（「いつ」「誰が」「どこで」「どのシーン」）を指定する。重みづけの指定については図を用いて後述する。ステップＳ２０１００９において分析者が属性の追加を指示した場合はステップＳ２０１０１０に進み、それ以外はステップＳ２０１０１１に進む。ステップＳ２０１０１０では、分析者が追加したい属性を追加する。属性の追加については図を用いて後述する。ステップＳ２０１０１１において分析者が抽出するパタン数の指定を指示した場合はステップＳ２０１０１２に進み、それ以外はステップＳ２０１００１に戻る。ステップＳ２０１０１２では、分析者が抽出する生活パタンの数を指定する。生活パタンの数の指定については図を用いて後述する。

（画面例：生活パタン抽出部２０の生活パタン抽出条件設定部２０１における生活パタン抽出条件設定画面の一例）
図２６は、生活パタン抽出条件設定部２０１が表示する生活パタン抽出条件設定画面の一例を示す図である。生活パタン抽出条件設定画面は、日付設定エリア２０１１１０、対象者設定エリア２０１１２０、シーン／イベント設定エリア２０１１３０、および指示ボタンエリア２０１１４０を有する。以下、分析者が各エリアで設定可能な条件について説明するが、わかりやすさのため、設定された条件に対してどのようにシーンベクトルを抽出するかというシーンベクトル抽出ステップ２０２の処理についても適宜説明する。

日付設定エリア２０１１１０は、分析者が生活パタンを抽出する期間や曜日を設定するエリアであり、期間２０１１１１、曜日２０１１１２、および平休２０１１１３を有する。期間２０１１１１は生活パタンを抽出する期間を指定するエリアである。分析者が期間を指定すると、行動属性分析装置１は指定された期間の日付にマッチするシーンベクトルのみから生活パタンを抽出する。この期間２０１１１１の指定は、本実施形態１では必須とするが、それに限らない。期間が指定されていない場合は、シーンベクトルテーブル１０７に格納されている全期間のシーンベクトルから生活パタンを抽出してもよい。曜日２０１１１２は生活パタンを抽出する曜日を１つ以上選択するエリアである。分析者が曜日を選択すると、行動属性分析装置１は期間２０１１１１において指定された期間中、選択された曜日にマッチするシーンベクトルのみから生活パタンを抽出する。曜日が選択されていない場合は、すべての曜日から生活パタンを抽出する。平休２０１１１３は生活パタンを抽出する日のタイプを選択するエリアである。分析者が日のタイプを選択すると、行動属性分析装置１は期間２０１１１１において指定された期間中、選択されたタイプ（平日か休日）にマッチするシーンベクトルのみから生活パタンを抽出する。日のタイプが選択されていない場合は、平日／休日両方のシーンベクトルから生活パタンを抽出する。

対象者設定エリア２０１１２０は、分析者が生活パタンを抽出する対象者を設定するエリアであり、性別２０１１２１、住所２０１１２２、年代２０１１２３およびＩＤ２０１１２４を有する。性別２０１１２１は、生活パタンを抽出する対象者の性別を選択するエリアである。分析者が性別を選択すると、行動属性分析装置１は選択された性別にマッチする対象者のシーンベクトルのみから生活パタンを抽出する。性別が選択されていない場合は、性別にかかわりなく全対象者のシーンベクトルから生活パタンを抽出する。住所２０１１２２は、生活パタンを抽出する対象者の住所を選択するエリアである。本実施形態１では住所の選択は、都道府県名をリストで選択する構成となっているが、これに限らない。分析者によるテキスト入力や、市区町村名の選択も可能である。分析者が住所を選択すると、行動属性分析装置１は選択された都道府県を住所とする対象者のシーンベクトルのみから生活パタンを抽出する。住所が選択されていない場合は、住所の都道府県にかかわりなく全対象者のシーンベクトルから生活パタンを抽出する。年代２０１１２３は、生活パタンを抽出する対象者の年代を選択するエリアである。分析者が年代を１つ以上選択すると、行動属性分析装置１は生年月日が選択された年代にマッチする対象者のシーンベクトルのみから生活パタンを抽出する。年代が選択されていない場合は、生年月日にかかわりなく全対象者のシーンベクトルから生活パタンを抽出する。ＩＤ２０１１２４は、生活パタンを抽出する対象者のＩＤを指定するエリアである。分析者がＩＤを１つ以上指定すると、行動属性分析装置１はＩＤが指定されたＩＤにマッチする対象者のシーンベクトルのみから生活パタンを抽出する。ＩＤが指定されていない場合は、ＩＤにかかわりなく全対象者のシーンベクトルから生活パタンを抽出する。なお分析者によるＩＤの指定は、ファイルからの読み込みも可能である。

シーン／イベント設定エリア２０１１３０は、分析者が生活パタンを抽出するシーンベクトル（一日のシーンの遷移）に含まれるシーンまたはイベントを選択するエリアであり、シーン／イベント２０１１３１、場所２０１１３２、および回数２０１１３３を有する。シーン／イベント２０１１３１は、生活パタンを抽出するシーンベクトルに含まれるシーン／イベントを選択するエリアである。分析者がシーン（本実施形態１では「自宅」「仕事」「レジャー」「おでかけ」の４つ）またはイベント（本実施形態１では「支払い」と「入金」）のいずれかを選択すると、行動属性分析装置１は選択されたシーンまたはイベントを含むシーンベクトルのみから生活パタンを抽出する。場所２０１１３２は、生活パタンを抽出するシーンベクトルに含まれるシーン／イベントが発生した場所を選択するエリアである。分析者が場所を指定すると、行動属性分析装置１はシーンまたはイベントの発生した場所が指定された場所にマッチするものを含むシーンベクトルのみから生活パタンを抽出する。より詳細には場所情報２１０を参照して分析者が入力した場所のＩＤを取得し、シーンリスト１０５またはイベントリスト１０６を参照してその場所ＩＤを含むシーンベクトルのＩＤを取得し、シーンベクトルテーブル１０７からシーンベクトルを取得してターゲットシーンベクトルテーブル２０５にセットする。なお場所は、場所情報２１０の名称２１００２に格納されている場所名だけでなく分類２１００３に格納されている分類名（「駅」「店舗」「施設」）やエリア２１００４に格納されているエリア名を指定することもできる。それらが指定された場合は、当該選択された分類またはエリアに該当する場所のＩＤを取得し、シーンリスト１０５またはイベントリスト１０６を参照する。回数２０１１３３は、シーンまたはイベントが発生した回数を指定するエリアである。日付設定エリア２０１１１０の期間２０１１１１において期間が指定されており、かつシーン／イベント設定エリア２０１１３０のシーン／イベント２０１１３１および場所２０１１３２においてシーンまたはイベントと場所が設定されているとき、当該期間において当該場所をシーンまたはイベントとして指定回数滞在している利用者のシーンベクトルのみから生活パタンを抽出する。なお図２６の画面例においてシーン／イベント設定エリア２０１１３０で設定可能なシーン／イベント２０１１３１、場所２０１１３２、および回数２０１１３３はそれぞれ２つのみであるが、これに限らない。分析者の指示があればさらに設定可能なシーン／イベント２０１１３１、場所２０１１３２、および回数２０１１３３の数を増やすこともできる。

指示ボタンエリア２０１１４０は、分析者が生活パタンを抽出するオプションやパラメタや生活パタン抽出の実行を指示するエリアであり、対象者読み込みボタン２０１１４１、生活パタン読み込みボタン２０１１４２、重みづけボタン２０１１４３、属性追加ボタン２０１１４４、パラメタボタン２０１１４５、およびパタン抽出実行ボタン２０１１４６を有する。分析者が対象者読み込みボタン２０１１４１をクリックすると、行動属性分析装置１は、対象者のＩＤが格納されたファイルを指定するための画面を表示する。対象者のＩＤが格納されたファイルを分析者が指定すると、行動属性分析装置１はファイルを読み込み、対象者設定エリア２０１１２０のＩＤ２０１１２４に表示する。分析者が生活パタン読み込みボタン２０１１４２をクリックすると、行動属性分析装置１は、過去に生成された生活パタンを選択するための画面を表示する。過去に生成された生活パタンを分析者が選択すると、行動属性分析装置１は生活パタンの抽出条件を読み込み、生活パタン抽出条件設定画面に表示する。分析者が重みづけボタン２０１１４３をクリックすると、行動属性分析装置１は図２７で説明する重みづけ設定画面を表示する。分析者は重みづけ設定画面にてシーンベクトルに重みづけする。分析者が属性追加ボタン２０１１４４をクリックすると、行動属性分析装置１は図２８で説明する属性追加設定画面を表示する。分析者は属性追加設定画面にてシーンベクトルに属性を追加する。分析者がパラメタボタン２０１１４５をクリックすると、行動属性分析装置１は図２９で説明するパラメタ設定画面を表示する。分析者はパラメタ設定画面にて生活パタン抽出のパラメタを設定する。分析者がパタン抽出実行ボタン２０１１４６をクリックすると、行動属性分析装置１は抽出条件設定画面で設定された条件にマッチする抽出対象者のシーンベクトルを抽出してクラスタリングを実行し生活パタンを抽出する。

（画面例：生活パタン抽出部２０の生活パタン抽出条件設定部２０１における重みづけ設定画面の一例）
図２７は、生活パタン抽出条件設定部２０１が表示する重みづけ設定画面の一例を示す図である。重みづけ設定画面は、日重みづけ設定エリア２０１１４３１、対象者重みづけ設定エリア２０１１４３２、シーン／イベント重みづけ設定エリア２０１１４３３、および指示ボタンエリア２０１１４３４を有する。

日重みづけ設定エリア２０１１４３１は、分析者が重みづけしたい日が含まれる期間、曜日、平日／休日を設定するエリアであり、期間２０１１４３１１、曜日２０１１４３１２、および平休２０１１４３１３を有する。分析者が期間２０１１４３１１を指定すると、行動属性分析装置１は指定された期間の日付にマッチするシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。分析者が曜日２０１１４３１２を選択すると、行動属性分析装置１は選択された曜日にマッチするシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。分析者が平休２０１１４３１３を選択すると、行動属性分析装置１は平日または休日（含む祝日）のうち選択された一方にマッチするシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。上記のように日に重みを付けることにより、重みを付けた日の生活パタンと重みを付けていない日の生活パタンを分けて抽出することができる。なお重みづけ設定画面では日への重みづけの値は「−１」としたがこれに限らない。デフォルトのシーンを表す数値（本実施形態１では「１」「２」「３」「４」）を値とするベクトルと、指定した条件にマッチするベクトルとを、ベクトル空間上で分離できる値であればよい。

対象者重みづけ設定エリア２０１１４３２は、分析者が重みづけしたい対象者の属性を設定するエリアであり、性別２０１１４３２１、住所２０１１４３２２、および年代２０１１４３２３を有する。分析者が性別２０１１４３２１で重みを付ける対象者の性別を選択すると、行動属性分析装置１は選択された性別にマッチする対象者のシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。分析者が住所２０１１４３２２で重みを付ける対象者の住所の都道府県を選択すると、行動属性分析装置１は選択された都道府県を住所とする対象者のシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。分析者が年代２０１１４３２３で重みを付ける対象者の年代を選択すると、行動属性分析装置１は生年月日が選択された年代とマッチする対象者のシーンベクトルに重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が各シーンベクトルにすべての値が「−１」であるベクトルをかける。上記のように対象者に重みを付けることにより、重みを付けた対象者の生活パタンと重みを付けていない対象者の生活パタンを分けて抽出することができる。なお重みづけ設定画面では対象者への重みづけの値は「−１」としたがこれに限らない。デフォルトのシーンを表す数値（本実施形態１では「１」「２」「３」「４」）を値とするベクトルと、指定した条件にマッチするベクトルとを、ベクトル空間上で分離できる値であればよい。

シーン／イベント重みづけ設定エリア２０１１４３３は、分析者が重みづけしたいシーンまたはイベントの名称および場所を設定するエリアであり、シーン／イベント２０１１４３３１および場所２０１１４３３２を有する。分析者がシーン／イベント２０１１４３３１を選択すると、行動属性分析装置１は選択されたシーンまたはイベントを含むシーンベクトルの当該シーンまたはイベントの時刻に重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が当該シーンまたはイベントの時刻に対応するシーン値に「１０」をかける。分析者が場所２０１１４３３２を選択すると、行動属性分析装置１はシーンベクトル中、指定された場所で発生したシーンまたはイベントの時刻に重みを付ける。具体的には当該重みづけが指定されると、シーンベクトル抽出部２０２が当該シーンまたはイベントの時刻に対応するシーン値に「１０」をかける。

図２７の画面例においてシーン／イベント重みづけ設定エリア２０１１４３３で設定可能なシーン／イベント２０１１４３３１および場所２０１１４３３２はそれぞれ２つのみであるが、これに限らない。分析者の指示があればさらに設定可能なシーン／イベント２０１１４３３１および場所２０１１４３３２の数を増やすこともできる。

指示ボタンエリア２０１１４３４は、分析者が重みづけのキャンセルや完了を指示するエリアであり、キャンセルボタン２０１１４３４１および完了ボタン２０１１４３４２を有する。分析者がキャンセルボタン２０１１４３４１をクリックすると、行動属性分析装置１はそれまでに入力された重みづけの設定をすべてクリアして生活パタン抽出条件設定画面に戻る。分析者が完了ボタン２０１１４３４２をクリックすると、行動属性分析装置１は分析者による重みづけの設定を記憶して生活パタン抽出条件設定画面に戻る。

（画面例：生活パタン抽出部２０の生活パタン抽出条件設定部２０１における属性追加設定画面の一例）
図２８は、生活パタン抽出条件設定部２０１が表示する属性追加設定画面の一例を示す図である。図２８に示すように属性追加設定画面は、日属性追加設定エリア２０１１４４１、利用者属性追加設定エリア２０１１４４２、および指示ボタンエリア２０１１４４３を有する。

日属性追加設定エリア２０１１４４１は、曜日２０１１４４１１および平休２０１１４４１２を有する。分析者が曜日２０１１４４１１を選択すると、行動属性分析装置１はシーンベクトルに曜日の属性を追加する。具体的には当該属性追加が指定されると、シーンベクトル抽出部２０２は、シーンベクトルテーブル１０７の日付１０７０３を参照し、カレンダ情報２１１から日付に対応する曜日を取得して、月〜日までに対応する７次元のベクトルを生成し対応する曜日のベクトル値を１にそれ以外に０をセットして、ターゲットシーンベクトルテーブル２０５の属性２０５０６に格納する。分析者が平休２０１１４４１２を選択すると、行動属性分析装置１はシーンベクトルに平日／休日を表す属性を追加する。具体的には当該属性追加が指定されると、シーンベクトル抽出部２０２は、シーンベクトルテーブル１０７の日付１０７０３を参照し、カレンダ情報２１１から日付に対応する平日／休日のタイプを取得して、平日と休日のタイプを表す１次元のベクトルを生成し、平日ならベクトル値を１にそれ以外なら０をセットして、ターゲットシーンベクトルテーブル２０５の属性２０５０６に格納する。

利用者属性設定エリア２０１１４４２は、性別２０１１４４２１、住所２０１１４４２２、および年代２０１１４４２３を有する。分析者が性別２０１１４４２１を選択すると、行動属性分析装置１はシーンベクトルに性別を表す属性を追加する。具体的には当該属性追加が指定されると、シーンベクトル抽出部２０２は、シーンベクトルテーブル１０７の利用者ＩＤ１０７０２を参照し、ユーザ情報２０９の交通系ＩＣカード利用者情報２０９００の性別２０９０４を取得して、性別を表す１次元のベクトルを生成し、男性ならベクトル値を１にそれ以外なら０をセットして、ターゲットシーンベクトルテーブル２０５の属性２０５０６にセットする。分析者が住所２０１１４４２２を選択すると、行動属性分析装置１はシーンベクトルに利用者の住所を表す属性を追加する。具体的には当該属性追加が指定されると、シーンベクトル抽出部２０２は、シーンベクトルテーブル１０７の利用者ＩＤ１０７０２を参照し、ユーザ情報２０９の交通系ＩＣカード利用者情報２０９００の住所２０９０５を取得して、住所を表すベクトル（本実施形態１では住所は「東京都」、「神奈川県」、「埼玉県」、「千葉県」、「その他」を属性とする５次元のベクトル）を生成し、利用者の住所に対応する属性の値を１にそれ以外を０にセットして、ターゲットシーンベクトルテーブル２０５の属性２０５０６にセットする。分析者が年代２０１１４４２３を選択すると、行動属性分析装置１はシーンベクトルに年代を表す属性を追加する。具体的には当該属性追加が指定されると、シーンベクトル抽出部２０２は、シーンベクトルテーブル１０７の利用者ＩＤ１０７０２を参照し、ユーザ情報２０９の交通系ＩＣカード利用者情報２０９００の生年月日２０９０３を取得して、年代を表すベクトル（本実施形態１では年代は「１０代」、「２０代」、「３０代」、「４０代」、「５０代」、「６０代」、「それ以上」を属性とする７次元のベクトル）を生成し、利用者の年齢に対応する属性の値を１にそれ以外に０をセットして、ターゲットシーンベクトルテーブル２０５の属性２０５０６にセットする。

指示ボタンエリア２０１１４４３は、分析者が属性追加のキャンセルや完了を指示するエリアであり、キャンセルボタン２０１１４４３１および完了ボタン２０１１４４３２を有する。分析者がキャンセルボタン２０１１４４３１をクリックすると、行動属性分析装置１はそれまでに入力された属性追加の設定をすべてクリアして生活パタン抽出条件設定画面に戻る。分析者が完了ボタン２０１１４４３２をクリックすると、行動属性分析装置１は分析者による属性追加の設定を記憶して生活パタン抽出条件設定画面に戻る。

（画面例：生活パタン抽出部２０の生活パタン抽出条件設定部２０１におけるパラメタ設定画面の一例）
図２９は、生活パタン抽出条件設定部２０１が表示するパラメタ設定画面の一例を示す図である。パラメタ設定画面は、パタン数設定エリア２０１１４５１、および指示ボタンエリア２０１１４５２を有する。

分析者がパタン数設定エリア２０１１４５１でパタン数を指定すると、シーンベクトルクラスタリング部２０３は、ターゲットシーンベクトルを指定された数のクラスタにクラスタリングする。指示ボタンエリア２０１１４５２は、分析者がパラメタ設定のキャンセルや完了を指示するエリアであり、キャンセルボタン２０１１４５２１および完了ボタン２０１１４５２２を有する。分析者がキャンセルボタン２０１１４５２１をクリックすると、行動属性分析装置１はそれまでに入力されたパタン数の設定をすべてクリアして生活パタン抽出条件設定画面に戻る。分析者が完了ボタン２０１１４５２２をクリックすると、行動属性分析装置１は分析者によるパタン数の設定を記憶して生活パタン抽出条件設定画面に戻る。なお分析者がパタン数を指定しない場合、本実施形態１ではデフォルトのクラスタ数は１２とするが、これに限らない。

（処理手順：生活パタン抽出部２０におけるシーンベクトル抽出部２０２の詳細な処理手順）
ステップＳ２０２において、シーンベクトル抽出部２０２は、生活パタン抽出条件設定部２０１において分析者によって設定された条件にマッチするシーンベクトルを適宜ユーザ情報２０９およびカレンダ情報２１１を参照しながらシーンベクトルテーブル１０７から抽出し、属性の追加が設定されていれば属性を追加して、ターゲットシーンベクトルテーブル２０５の時刻２０５０５および属性２０５０６に格納する。また、利用者ＩＤ２０５０２に利用者のＩＤを格納し、場所ＩＤ２０５０３にシーンまたはイベントが発生した場所のＩＤを格納し、日付２０５０４にシーンベクトルの日付を格納する。各設定条件に対するシーンベクトルの抽出手順、重みづけ手順、および属性の追加手順は、生活パタン抽出条件設定部２０１における画面の説明等で述べたのでここでは省略する。

（処理手順：生活パタン抽出部２０におけるシーンベクトルクラスタリング部２０３の詳細な処理手順）
ステップＳ２０３において、シーンベクトルクラスタリング部２０３は、ターゲットシーンベクトルテーブル２０５に格納されたターゲットシーンベクトルにｋ−ｍｅａｎｓ法を適用してクラスタリングを実行し、クラスタリング結果を生活パタンテーブル２０６のクラスタリング結果テーブル２０６１０に格納する。具体的にはクラスタリング結果テーブル２０６１０のパタンＩＤ２０６１１の値にクラスタＩＤを格納し、当該クラスタに属するターゲットシーンベクトルの平均ベクトルを平均ベクトル２０６１３に格納する（代表ベクトル２０６１４については後述する）。さらに当該クラスタに属するターゲットシーンベクトルの数をベクトル件数２０６１５に格納し、ターゲットシーンベクトルのＩＤをターゲットシーンベクトルＩＤ２０６１６に格納する。また当該クラスタに属するターゲットシーンベクトルＩＤをキーにしてターゲットシーンベクトルテーブル２０５を参照し、ターゲットシーンベクトルＩＤ２０５０１の値がターゲットシーンベクトルＩＤと一致するレコードのパタンＩＤ２０５０７に当該パタンＩＤをセットする。なおクラスタリングのクラスタ数は生活パタン抽出条件設定部２０１において設定されたクラスタ数とする。未設定の場合はクラスタ数を例えば１２とする。

シーンベクトルクラスタリング部２０３がクラスタリング結果テーブル２０６１０の代表シーンベクトル２０６１４を生成する手順について説明する。具体的には、生成された各クラスタについて以下の処理を実施する。まずクラスタに属するシーンベクトルを参照し、シーンまたはイベントの出現頻度を時刻ごとに集計する。各時刻におけるシーンのうち最も頻度が高い、あるいは例えば５０％以上を占めるシーン（１つ以上）をその時刻における典型的なシーンとし、そのシーンを表す数値を当該時刻に対応する代表ベクトルの要素値として代表ベクトルを生成し、クラスタリング結果テーブル２０６１０の代表シーンベクトル２０６１４に格納する。

（処理手順：生活パタン抽出部２０における生活パタン表示部２０４の詳細な処理手順）
生活パタン表示部２０４は、ステップＳ２０１〜Ｓ２０３によって抽出された生活パタンを表示する。以下、画面例を用いて生活パタン表示の処理手順について説明する。

図３０は、抽出した生活パタンを表示する画面の一例を示す図である。本画面は、ステップＳ２０１〜Ｓ２０３によって生成されたクラスタ（＝生活パタン）を、シーンベクトルと同じ形式でシーン遷移として表現し、分析者に表示する画面である。図３０（ａ）はシーン遷移を状態遷移図で表現した一例、図３０（ｂ）はシーン遷移をシーン値で表現した一例である。

図３０（ａ）に示すように、生活パタン表示画面は生活パタン表示エリア２０４００および指示ボタンエリア２０４１０を有する。

生活パタン表示エリア２０４００は、抽出された生活パタンを表示するエリアであり、選択チェックボックス２０４０１、パタン名２０４０２、生活パタン２０４０３、および件数２０４０４を有する。選択チェックボックス２０４０１は、分析者が「対象ＩＤ出力」を実行する際にクラスタを選択するためのチェックボックスである。パタン名２０４０２は、パタン名を表示するエリアである。パタン名は生活パタンテーブル２０６のクラスタリング結果テーブル２０６１０のパタン名称２０６１２に格納されている値を表示する。分析者がパタンに名称を付与していない状態では、「パタン１」、「パタン２」・・・のように自動的に付与した文字列を表示する。この文字列は分析者によって任意に書き換えることができる。例えば、図３０（ａ）において「パタン１」は「直行直帰パタン」、「パタン２」は「仕事帰りに寄り道パタン」などである。生活パタン２０４００３は、抽出した生活パタンを表示する。具体的にはクラスタリング結果テーブル２０６１０の代表シーンベクトル２０６１４に格納されているシーン値を取得し、シーン毎にノードの色を設定し、さらにシーンの長さ（時間長）にしたがってノードの大きさを設定してシーン間の遷移を矢印で表現する。件数２０４０４は、クラスタに属するターゲットシーンベクトルの数を表示する。ターゲットシーンベクトルの数はクラスタリング結果テーブル２０６１０のベクトル件数２０６１５から取得する。

指示ボタンエリア２０４１０は、抽出条件表示指示ボタン２０４１１、対象ＩＤ出力指示ボタン２０４１２、および保存指示ボタン２０４１３を有する。抽出条件表示指示ボタン２０４１１は、生活パタン抽出条件設定部２０１が設定した条件を表示するよう指示するためのボタンである。分析者が本ボタンをクリックすると、生活パタン表示部２０４は図２６に示す生活パタン抽出設定画面を表示して、生活パタンを抽出した設定条件を分析者に提示する。対象者ＩＤ出力指示ボタン２０４１２は、分析者が選択したクラスタ（生活パタン）内に出現する利用者のＩＤをファイル出力するためのボタンである。この機能は、分析者が着目した生活パタンに該当する利用者についてさらに詳しくまたは別の観点から分析したい場合に、該当する利用者のＩＤを取得するためのものである。出力した利用者のＩＤのリストは、対象者読み込みボタン２０１１４１などを介して利用できる。分析者が選択したクラスタに出現する利用者のＩＤは、次の手順で取得できる。クラスタリング結果テーブル２０６１０中、分析者が選択したパタンのＩＤとパタンＩＤ２０６１１が一致するレコードを参照し、当該レコードのターゲットシーンベクトルＩＤ２０６１６に格納されているターゲットシーンベクトルＩＤを取得してターゲットシーンベクトルテーブル２０５を参照し、利用者ＩＤ２０５０２に格納されている利用者ＩＤを取得する。保存指示ボタン２０４１３は抽出した生活パタンを保存するよう指示するためのボタンであり、分析者にとって理解しやすい名称、例えば「○駅滞在パタン」などの名称を付して記録することができる。

図３０（ｂ）は、シーンの遷移をベクトルで示した一例であり、シーン毎にベクトルの値の色を設定し、時刻ごとにシーンを表す数値をセットして表現されている。図３０（ｂ）中の画面の構成および機能は図３０（ａ）と同様であるので説明を省略する。

（処理手順：生活パタンクラスタ分析部３０の詳細な処理手順）
次に前述の生活パタンクラスタ分析部３０の詳細な処理手順について説明する。

（処理手順：生活パタンクラスタ分析部３０における生活パタンクラスタ分析条件設定部３０１の詳細な処理手順）
図３１は、クラスタ分析条件設定部３０１が実施するステップＳ３０１の詳細な処理手順を示すフローチャートである。以下図３１の各ステップについて説明する。

クラスタ分析条件設定部３０１は、分析対象の特徴付けに使う生活パタンを分析者が選択した結果を受け取る（Ｓ３０１０１）。分析者が選択した生活パタンの抽出条件を表示するよう指示するとステップ３０１０３に進み、それ以外はステップＳ３０１０４にスキップする（Ｓ３０１０２）。ステップＳ３０１０３では選択された生活パタンの抽出条件を分析者に表示する。抽出条件の表示については図を用いて後述する。ステップＳ３０１０４で分析者が生活パタンを抽出したシーンベクトルに出現する利用者または場所を分析対象とするように指示するとステップＳ３０１０５に進み、それ以外はステップＳ３０１０７に進む。ステップＳ３０１０５で分析者が分析対象を絞り込むように指示するとステップＳ３０１０６に進み、それ以外はステップＳ３０１０８にスキップする。ステップＳ３０１０６では選択された生活パタンの抽出条件を分析者に表示し、分析者が条件を絞り込む。分析対象の絞り込みについては後述する。ステップＳ３０１０７では分析者が分析対象を設定してステップＳ３０１０８に進む。分析対象の設定については後述する。ステップＳ３０１０８で分析者が生活パタンクラスタ分析の条件設定を終了するよう指示すると本処理を終了し、それ以外はステップＳ３０１０１に戻る。

（画面例：生活パタンクラスタ分析部３０の生活パタンクラスタ分析条件設定部３０１における生活パタンクラスタ分析条件設定画面の一例）
図３２は、クラスタ分析条件設定部３０１がステップＳ３０１で表示する生活パタンクラスタ分析条件設定画面の一例を示す図である。生活パタンクラスタ分析条件設定画面は、生活パタン選択エリア３０１１１０、分析対象設定エリア３０１１２０、および指示ボタンエリア３０１１３０を有する。

生活パタン選択エリア３０１１１０は、生活パタン選択３０１１１１および抽出条件表示ボタン３０１１１２を有する。生活パタン選択３０１１１１は、分析者が生成された生活パタンのなかから分析対象の特徴付けに用いるものを選択するエリアである。抽出条件表示ボタン３０１１１２は、分析者が選択した生活パタンの抽出条件の表示を指示するボタンである。分析者が抽出条件表示ボタン３０１１１２をクリックすると、行動属性分析装置１は図３３で説明する生活パタン抽出条件表示画面を表示し、選択された生活パタンの抽出条件を表示する。

分析対象設定エリア３０１１２０は、分析対象を利用者とすることを指示するラジオボタン３０１１２１、場所とすることを指示するラジオボタン３０１１２２、および分析対象設定ボタン３０１１２３を有する。分析者が分析対象設定ボタン３０１１２３をクリックすると、行動属性分析装置１は分析対象設定画面を表示する。分析対象設定画面は図３３に示す生活パタン抽出条件設定画面と同様なので詳細な説明は省略する。分析対象設定画面は、デフォルトで選択された生活パタン抽出条件を表示する。分析者はこの抽出条件を変更することにより分析対象を設定する。例えば、生活パタンの抽出条件が「２０１０年１２月１日にＸ駅に滞在した人の１カ月の生活パタン」であるとき、利用者の性別を女性のみに絞り込む、あるいは「Ｘ駅」ではなく「Ｙ駅に滞在した人」に変更するなどである。分析者が分析対象を利用者とすることを指示するラジオボタン３０１１２１を選択すると、行動属性分析装置１はその分析条件にマッチする利用者を分析対象とする。一方で分析対象を場所とすることを指示するラジオボタン３０１１２２を選択すると、行動属性分析装置１はシーンベクトルに出現した場所を分析対象とする。

指示ボタンエリア３０１１３０は、パラメタ設定指示ボタン３０１１３１、およびクラスタ分析実行ボタン３０１１３２を有する。分析者がパラメタ設定指示ボタン３０１１３１をクリックすると、行動属性分析装置１は図３４に示すパラメタ設定画面を表示する。分析者はパラメタ設定画面にて生活パタン抽出のパラメタを設定する。分析者がクラスタ分析実行ボタン３０１１３２をクリックすると、行動属性分析装置１は分析対象設定エリア３０１１２０で設定された条件にマッチする分析対象を抽出し、生活パタンの出現頻度をカウントして特徴ベクトルを生成し、クラスタリングを実行してクラスタを生成する。

図３３は、抽出条件表示ボタン３０１１１２をクリックしたときに表示される生活パタン抽出条件表示画面の一例を示す図である。図３３は図２６に示す生活パタン抽出条件設定画面の構成と同じ（ただし指示ボタンエリア２０１１４０は除く）であるため、詳細な説明は省略する。

図３４は、パラメタ設定指示ボタン３０１１３１をクリックしたときに表示されるパラメタ設定画面の一例を示す図である。パラメタ設定画面は、クラスタ数設定エリア３０１１３１１および指示ボタンエリア３０１１３１２を有する。分析者がクラスタ数設定エリア３０１１３１１でクラスタ数を指定すると、特徴ベクトルクラスタリング部３０３は特徴ベクトルを指定された数のクラスタにクラスタリングする。指示ボタンエリア３０１１３１２は、分析者がクラスタ設定のキャンセルや完了を指示するエリアであり、キャンセルボタン３０１１３１２１および完了ボタン３０１１３１２２を有する。分析者がキャンセルボタン３０１１３１２１をクリックすると、行動属性分析装置１はそれまでに入力されたクラスタ数の設定をすべてクリアして生活パタンクラスタ分析条件設定画面に戻る。分析者が完了ボタン３０１１３１２２をクリックすると、行動属性分析装置１はクラスタ数の設定を記憶して生活パタンクラスタ分析条件設定画面に戻る。なお分析者がクラスタ数を指定しない場合、本実施形態１ではデフォルトのクラスタ数は２０とするが、これに限らない。

（処理手順：生活パタンクラスタ分析部３０における特徴ベクトル生成部３０２の詳細な処理手順）
特徴ベクトル生成部３０２は、ステップＳ３０２において、分析対象を生活パタンの出現頻度で特徴づけた特徴ベクトルを生成する。詳細には、分析対象に係るターゲットシーンベクトルについて、各ターゲットシーンベクトルがどの生活パタンにマッチするかチェックして、生活パタンごとにマッチしたターゲットシーンベクトルの数をカウントし、生活パタンを要素番号、マッチしたターゲットシーンベクトルの数を要素値とするベクトルを生成する。

頻度をカウントする対象とするターゲットシーンベクトルは、分析対象の設定条件が生活パタンを抽出した抽出条件と同じであれば、その生活パタン抽出において生成したターゲットシーンベクトルとすればよい。一方で分析対象の設定条件が生活パタン抽出の抽出条件とは異なる場合、シーンベクトル抽出部２０２と同様の手順で分析対象にかかるターゲットシーンベクトルを生成し、その各ターゲットシーンベクトルがどの生活パタンにマッチするか類似度を計算して最も類似度が高い生活パタンにターゲットシーンベクトルを割りつけてから、生活パタンごとにマッチしたターゲットシーンベクトルの数をカウントする。

分析対象は前述の通り利用者または場所である。利用者を分析対象とする場合は、ターゲットシーンベクトルの利用者ＩＤを参照して利用者ごとにマッチした生活パタンの頻度をカウントすればよい。場所を分析対象とする場合は、ターゲットシーンベクトルの利用者ＩＤと日付をキーに、シーンベクトルテーブル１０７、シーンリスト１０５、およびイベントリスト１０６から場所ＩＤを取得して、場所ごとにマッチした生活パタンの頻度をカウントする。

図３５は、特徴ベクトル生成部３０２が実施するステップＳ３０２の詳細な処理手順を示すフローチャートである。以下図３５の各ステップについて説明する。

（図３５：ステップＳ３０２０１）
特徴ベクトル生成部３０２は、クラスタ分析条件設定部３０１が選択した生活パタンの抽出条件と、クラスタ分析対象設定画面にて設定されたクラスタ分析対象設定条件が同じかどうかをチェックする。同じであればステップＳ３０２０４にスキップし、それ以外はステップＳ３０２０２へ進む。

（図３５：ステップＳ３０２０２）
特徴ベクトル生成部３０２は、クラスタ分析条件にマッチするターゲットシーンベクトルを生成し、ターゲットシーンベクトルテーブル２０５に格納する。ターゲットシーンベクトルを生成する処理手順についてはシーンベクトル抽出部２０２の処理手順と同様なのでここでは説明を省略する。

（図３５：ステップＳ３０２０３）
特徴ベクトル生成部３０２は、ステップＳ３０２０２が生成したターゲットシーンベクトルそれぞれについて次の処理を実施する。ターゲットシーンベクトルと、クラスタリング結果テーブル２０６１０に格納された各生活パタンの平均ベクトル２０６１３との間の類似度を計算し、最も類似度が高い生活パタンのＩＤを取得してターゲットシーンベクトルテーブル２０５のパタンＩＤ２０５０７に格納する。ターゲットシーンベクトルと生活パタンの平均ベクトルとの間の類似度は、ベクトル間の距離（ユークリッド距離）を求めて類似度とするなどの方法を適用すればよい。

（図３５：ステップＳ３０２０４）
分析者が分析対象として利用者を選択していればステップＳ３０２０５に進み、それ以外はステップＳ３０２０６に進む。

（図３５：ステップＳ３０２０５）
特徴ベクトル生成部３０２は、ターゲットシーンベクトルテーブル２０５を参照して、利用者ごとに生活パタンの出現頻度を取得して特徴ベクトルテーブル３０５に格納する。具体的には、特徴ベクトルテーブル３０５の分析対象３０５０２に利用者ＩＤをセットし、ターゲットシーンベクトルテーブル２０５の利用者ＩＤ２０５０２が利用者ＩＤと同じであればパタンＩＤ２０５０７に格納されている生活パタンＩＤを取得し、特徴ベクトルテーブル３０５の生活パタンＩＤ３０５０３のうち取得したパタンＩＤに対応する値に１を加算する。

（図３５：ステップＳ３０２０６）
特徴ベクトル生成部３０２は、ステップＳ３０２０５と同様に生活パタンの出現頻度をカウントする。ただし利用者ＩＤごとではなく場所ＩＤごとにカウントして特徴ベクトルテーブル３０５に格納する。具体的には特徴ベクトルテーブル３０５の分析対象３０５００２に場所ＩＤをセットし、ターゲットシーンベクトルテーブル２０５の場所ＩＤ２０５０３が場所ＩＤと同じであればパタンＩＤ２０５０７に格納されている生活パタンＩＤを取得し、特徴ベクトルテーブル３０５の生活パタンＩＤ３０５０３のうち取得したパタンＩＤに対応する値に１を加算する。

（図３５：ステップＳ３０２０７）
特徴ベクトル生成部３０２は、カウントされた生活パタンの出現頻度に対して重みづけする。生活パタンによっては多くの分析対象に出現しているものもあれば、特定の分析対象のみに出現しているものもある。前者のような生活パタンの出現頻度は高くても特徴づけには有用ではなく、後者のほうを重要視すべきである。そこで本実施形態１においては、前者のような出現頻度は小さく、後者のほうの出現頻度はより大きくなるよう重みづけをおこなう。具体的にはベクトル空間モデルにおけるｔｆ−ｉｄｆ法を適用する。ｔｆ−ｉｄｆ法については多くの文献に記載されている公知技術であるため、説明は省略する。

（処理手順：生活パタンクラスタ分析部３０における特徴ベクトルクラスタリング部３０３の詳細な処理手順）
特徴ベクトルクラスタリング部３０３は、ステップＳ３０３において、特徴ベクトルテーブル３０５に格納された特徴ベクトルにｋ−ｍｅａｎｓ法を適用してクラスタリングを実行し、クラスタリング結果テーブル３０６１０に格納する。具体的にはクラスタリング結果テーブル３０６１０のクラスタＩＤ３０６１１の値にクラスタＩＤを格納し、当該クラスタに属する特徴ベクトルの平均ベクトルを平均ベクトル３０６１３に格納する。代表生活パタン３０６１４は、当該クラスタを特徴づける生活パタンのＩＤを格納する。具体的には当該クラスタに属する特徴ベクトルの平均ベクトルを参照し、ベクトル値が閾値以上の要素番号、すなわち生活パタンのＩＤを取得して格納する。さらに当該クラスタに属する特徴ベクトルの数をベクトル数３０６１５に格納し、特徴ベクトルのＩＤを特徴ベクトルＩＤ３０６１６に格納する。クラスタリングのクラスタ数は生活パタンクラスタ分析条件設定部３０１が設定したクラスタ数（または未設定の場合は２０）とする。

（処理手順：生活パタンクラスタ分析部３０におけるクラスタ表示３０４の詳細な処理手順）
クラスタ表示部３０４は、ステップＳ３０４において、生成したクラスタを表示する。以下、画面例を用いてクラスタ表示３０４の処理の手順について説明する。なお以下の説明では、クラスタリストテーブル３０６００の生活パタンリストＩＤ３０６０４に格納されている生活パタンリストＩＤをキーにして生活パタンリストテーブル２０６００を検索して生活パタンリストＩＤに対応するクラスタリング結果テーブル２０６１０が取得済みであり、クラスタ分析に用いた生活パタンが格納されたクラスタリング結果テーブル２０６１０が参照できる状態になっているものとする。

図３６は、クラスタ表示部３０４がクラスタを表示する画面の一例を示す図である。図３６に示すようにクラスタ表示画面は、クラスタ表示エリア３０４００と指示ボタンエリア３０４１０を有する。

クラスタ表示エリア３０４００は、生成されたクラスタを表示するエリアであり、選択チェックボックス３０４０１、クラスタ名３０４０２、代表生活パタン３０４０３、および件数３０４０４を有する。選択チェックボックス３０４０１は、分析者が「詳細分析」および「対象ＩＤ出力」を実行する際にクラスタを選択するためのチェックボックスである。クラスタ名３０４０２は、クラスタ名を表示するエリアである。クラスタ名はクラスタテーブル３０６のクラスタリング結果テーブル３０６１０のクラスタ名称３０６１２に格納されている値を表示する。分析者がクラスタに名称を付与していない状態では、「クラスタ１」、「クラスタ２」・・・のように自動的に付与した文字列を表示する。この文字列は分析者によって任意に書き換え可能である。代表生活パタン３０４０３は、クラスタを特徴づける生活パタンを表示する。具体的にはクラスタリング結果テーブル３０６１０の代表生活パタン３０６１４に格納されている生活パタンのＩＤを取得し、当該生活パタンＩＤをキーに生活パタンテーブル２０６のクラスタリング結果テーブル２０６１０を検索し、当該生活パタンに対応する代表ベクトル２０６１４を取得し、代表ベクトルを用いて図３０（ａ）と同様のシーン遷移図を生成して表示する。件数３０４０４は、クラスタに属する特徴ベクトルの数を表示する。特徴ベクトルの数はクラスタリング結果テーブル３０６１０の特徴ベクトル数３０６１５から取得する。なおクラスタ分析では、利用者または場所の分析対象ごとに特徴ベクトルが生成される。したがって特徴ベクトル数はそのクラスタに属する利用者または場所の数を表している。

指示ボタンエリア３０４１０は、詳細分析指示ボタン３０４１１、対象ＩＤ出力指示ボタン３０４１２、および保存指示ボタン３０４１３を有する。詳細分析指示ボタン３０４１１は、クラスタについて詳細に分析するよう分析者が指示するためのボタンである。詳細分析については、画面例を用いて後述する。対象ＩＤ出力指示ボタン３０４１２は、選択したクラスタに属する分析対象のＩＤのファイルを出力するよう分析者が指示するためのボタンである。クラスタを選択して対象ＩＤをファイル出力することにより、出力されたＩＤを対象に別の条件で生活パタンを抽出する、あるいはクラスタ分析をすることができる。保存指示ボタン３０４１３は、分析者がクラスタにわかりやすい名称を付与して保存を指示するボタンである。

次に詳細分析について説明する。詳細分析は、分析者が各クラスタに属する分析対象をシーンベクトルの属性別などで詳しく分析したい場合に用いる機能である。分析者がクラスタ表示画面においてクラスタを選択し詳細分析指示ボタン３０４１１をクリックすると詳細分析画面を表示する。

図３７は、詳細分析の画面の一例を示す図である。詳細分析画面は、表示形式選択エリア３０４１１１０、軸設定エリア３０４１１２０、分析軸リスト３０４１１３０、および指示ボタンエリア３０４１１４０を有する。

表示形式選択エリア３０４１１１０において、分析者はグラフ表示３０４１１１１またはマトリクス表示３０４１１１６を選択することができる。グラフ表示３０４１１１１が選択されると、選択されたクラスタの属性別の内訳をグラフ表示する。表示可能なグラフには、円グラフ３０４１１１２、棒グラフ３０４１１１３、折れ線グラフ３０４１１１４、および帯グラフ３０４１１１５があるが、これに限らない。グラフ表示については画面例を用いて後述する。マトリクス表示が選択されると、選択されたクラスタの属性別の内訳をマトリクス表示する。マトリクス表示については画面例を用いて後述する。

軸設定エリア３０４１１２０は、分析者が分析の観点としたい軸を分析軸リスト３０４１１３０からドラッグ＆ドロップするためのエリアである。軸は複数選択することが可能であり、さらに選択した各軸を独立に使用するのか、あるいは依存させて使用するのかを指定することができる。具体的には、分析軸リスト３０４１１３０から使用したい軸をドラッグして、軸設定エリア３０４１１２０にドロップする際、分析者が既に設定されている軸と同じレベルにドロップすると軸を独立に使用する。一方で分析者が既に設定されている軸の下位のレベルにドロップするとドロップした軸は既に設定されている軸の下位の軸として使用する。図３７の画面例では軸設定エリア３０４１１２０に「性別」「年代」「住所」の３つの軸が設定されているが、それぞれ同じレベルで設定されているので、行動属性分析装置１は分析者が選択したクラスタについて「男女別」、「年代別」、「住所別」の内訳をそれぞれ表示する。一方で後述する図３８の画面例では「性別」と「購買傾向」の２つの軸が設定されているが、「購買傾向」は「性別」の下位のレベルで設定されている。そのため行動属性分析装置１は、分析者が選択したクラスタに属する利用者をまず男女別に分けて、次に男女別に購買傾向に分けて表示する。

分析軸リスト３０４１１３０は、分析の観点となる軸を表示するエリアである。分析軸には利用者属性３０４１１３１、場所属性３０４１１３２、およびユーザが設定したユーザ設定属性３０４１１３３の３種類がある。利用者属性３０４１１３１は分析対象が利用者であるとき有効である軸であり、年代、住所、性別の３種類がある。これらは利用者ＩＤをキーにユーザ情報２０９から取得することができる。場所属性３０４１１３２は、分析対象が場所であるとき有効である軸であり、タイプおよび住所がある。これらは場所ＩＤをキーに場所情報２１０から取得することができる。利用者属性および場所属性はあらかじめ行動属性分析装置１が用意する軸であるのに対して、ユーザ設定属性は分析者が設定する軸である。具体的には分析対象のＩＤ（利用者ＩＤまたは場所ＩＤ）とその属性を格納したデータを分析者があらかじめ用意しておき、そのデータを詳細分析画面にて読み込ませることによってユーザ設定の軸を利用することができる。ユーザ設定の軸の一例として、図３７では「購買傾向」を示している。この軸は利用者の購買の傾向、すなわちどのくらいの金額を購買で使用しているかの傾向を示す軸であり、分析者が何らかの手段（本明細書には記載せず）を用いて利用者ＩＤごとに「〜￥１００００」「〜￥３０００」・・・のいずれのタイプに属するか分析してデータを生成し読み込ませたものである。

指示ボタンエリア３０４１１４０は、分析軸読み込み指示ボタン３０４１１４１および表示指示ボタン３０４１１４２を有する。分析軸読み込み指示ボタン３０４１１４１は、前述のユーザ設定の軸のデータを外部データから読み込むことを指示するボタンである。表示指示ボタン３０４１１４２は分析者が選択した表示形式および分析軸にしたがって選択したクラスタの詳細を表示することを指示するボタンである。

図３７では詳細分析の一例として分析者が「性別」、「年代」、「住所」を独立の軸に設定し、円グラフ表示を指示している。この状態で分析者が表示指示ボタン３０４１１４２をクリックすると、後述の図３９に示すような画面を表示する。

図３８は、詳細分析の画面の一例を示す図である。本図では、詳細分析の一例として分析者が複数のクラスタを選択し、軸設定エリア３０４１１２０において「性別」を第１の軸に設定し、さらにその軸の下位の軸として「購買傾向」を設定して、マトリクス表示を指示している。この状態で分析者が表示指示ボタン３０４１１４２をクリックすると、図４０に示すような画面が表示される。

図３９は、円グラフ表示の一例を示す図である。本画面では、分析者が選択したクラスタに属する利用者の内訳を、（ａ）では男女別、（ｂ）では年代別、（ｃ）では住所の都道府県別の割合で表示している。

図４０は、マトリクス表示の一例を示す図である。本画面では、行動属性分析装置１は分析者が選択したクラスタに属する利用者をまず性別で分け、次に購買傾向で分けて各セルに対応する人数を表示している。

＜実施の形態１：まとめ＞
以上のように、本実施形態１に係る行動属性分析装置１は、以下のような効果を発揮することができる。

（１）網羅性とスケーラビリティ
本発明では、利用者の１日をシーン遷移ととらえ、さらにシーン遷移をシーンベクトルで表現する。これにより、利用者が１日に過ごしたシーンの数にかかわらずベクトルの次元数は一定であり、かつ利用者の１日をカバーすることができるので、利用者の数にかかわらず利用者の１日を網羅的にかつスケーラブルに対象とすることができる。利用者の１日の生活パタンはシーンベクトルをクラスタリングすることによって抽出する。そのため利用者の数が膨大になっても生活パタンの数を妥当な範囲内に収めることができる。また抽出した生活パタンを属性として分析対象を特徴づけるため、生成された特徴ベクトルはスパースではないことが期待でき、良好なクラスタリング結果を得ることができる。

（２）分析の多様性とユーザビリティ
１日のシーン遷移を表すベクトルは、分析者が着目した日や利用者への重み付け、あるいは１日の中の着目したシーンへの重み付け、あるいは属性付加が容易である。また１日の生活パタンを用いて、１週間のパタンや１カ月のパタンを抽出することができる。よって分析者は、分析の目的に応じた行動のパタンの抽出を柔軟に行うことができ、所望の分析を容易に実行することができる。

＜実施の形態２＞
本発明の実施形態２では、一日を単位とする生活パタンを使って一定の期間（１週間あるいは１０日間など）を単位とする期間の生活パタンを抽出し、期間の生活パタンの出現頻度を特徴量とするベクトルを生成して利用者や場所などをクラスタリングする多段階クラスタリングを実施する構成例について説明する。本実施形態２における行動属性分析装置１のハードウェアの構成は実施形態１と同じであるので説明を省略する。

（システムの全体構成）
図４１は、本実施形態２に係る行動属性分析装置１の構成図である。本実施形態２における行動属性分析装置１は、大きく次の４つの機能から構成される。すなわちシーンベクトル生成部１０、生活パタン抽出部２０、期間生活パタン抽出部４０、および生活パタンクラスタ分析部３０である。これら機能のうち、シーンベクトル生成部１０、生活パタン抽出部２０、および生活パタンクラスタ分析部３０は、実施形態１にかかる行動属性分析装置１と同様であるので詳細な説明は省略する。

（システムの機能構成：期間生活パタン抽出部４０）
期間生活パタン抽出部４０は、生活パタン抽出部２０が抽出した一日の生活パタンを用いて期間の生活パタンを抽出する。その入力は生活パタンテーブル２０６であり、パタンベクトルテーブル４０５および期間生活パタンテーブル４０６にデータを出力する。またテンポラリデータとして抽出条件４０７およびパラメタ４０８を生成する。入力データの詳細は本実施形態１と同じである。出力データの詳細およびテンポラリデータの一例については、図を用いて詳述する。

期間生活パタン抽出部４０は、さらにパタン抽出条件設定部４０１、パタンベクトル抽出部４０２、パタンベクトルクラスタリング部４０３、および期間生活パタン表示部４０４の４つの機能部を備える。これら機能部の詳細についてはフローチャートを使って説明する。

（データ構成：パタンベクトルテーブル４０５）
図４２は、パタンベクトルテーブル４０５のデータ構成を示す図である。パタンベクトルテーブル４０５は、一日の生活パタンの並びを表すパタンベクトルを格納したデータである。パタンベクトルテーブル４０５は、パタンベクトルＩＤ４０５０１、利用者ＩＤ４０５０２、生活パタンＩＤ４０５０３、および期間の生活パタンＩＤ４０５０４を有する。パタンベクトルＩＤ４０５０１はパタンベクトルを識別するＩＤを格納する。利用者ＩＤ４０５０２は期間の生活パタンに対応する利用者のＩＤを格納する。生活パタンＩＤ４０５０３は期間における一日の生活パタンのＩＤを格納する。期間の生活パタンＩＤ４０５０４は、パタンベクトルをクラスタリングした結果抽出された期間の生活パタンのＩＤを格納する。

（データ構成：期間生活パタンテーブル４０６）
期間生活パタンテーブル４０６は、パタンベクトルをクラスタリングした結果を格納する。本実施形態２では、実施形態１同様、クラスタリングのアルゴリズムはｋ−ｍｅａｎｓ法を用いる。生成するクラスタの数は期間の生活パタン抽出のパラメタとして指定する。生成されるクラスタのＩＤは、アルゴリズムが自動的に付与する。

図４３は、期間生活パタンテーブル４０６のデータ構成を示す図である。期間生活パタンテーブル４０６は、図４３（ａ）に示す期間の生活パタンリストテーブル４０６００と、図４３（ｂ）に示すクラスタリング結果テーブル４０６１０を有する。

期間の生活パタンリストテーブル４０６００は、これまでに生成した期間の生活パタンの抽出条件やパラメタなどを格納したテーブルであり、クラスタリング結果テーブル４０６１０は、期間生活パタン抽出部４０がパタンベクトルのクラスタリングを実行するごとに生成される。生成されたクラスタリング結果テーブル４０６１０は期間の生活パタンリストテーブル４０６００のクラスタリング結果ＩＤ４０６０７に格納されたＩＤで識別され、分析者から削除の指示がない限り保存される。

期間の生活パタンリストテーブル４０６００は、期間の生活パタンリストＩＤ４０６０１、期間の生活パタンリスト名称４０６０２、生成日４０６０３、生活パタンリストＩＤ４０６０４、パタンベクトルテーブルＩＤ４０６０５、抽出条件４０６０６、クラスタリング結果ＩＤ４０６０７、およびパラメタ４０６０８を有する。期間の生活パタンリストＩＤ４０６０１は、期間の生活パタンリストテーブル４０６００に格納された抽出条件やクラスタリング結果を識別するためのＩＤを格納する。期間の生活パタンリスト名称４０６０２は、抽出条件やクラスタリング結果に対して分析者がわかりやすさのために付与した名称を格納する。生活パタンリスト名称４０６０２は、初期状態では期間の生活パタンリストＩＤを格納する。生成日４０６０３はクラスタリングを実行した日付を格納する。生活パタンリストＩＤ４０６０４は、パタンベクトルの生成に用いた一日の生活パタンが格納されている生活パタンテーブル２０６の生活パタンリストＩＤ２０６０１を格納する。パタンベクトルテーブルＩＤ４０６０５は、クラスタリング対象としたパタンベクトルテーブル４０５を識別するためのＩＤを格納する。抽出条件４０６０６は、パタンベクトルを生成するために分析者が設定した条件を格納する。図４３中、抽出条件４０６０６は一例として「Ｘ駅に滞在した人の１２月の・・・」といった自然文で記載された抽出条件を格納しているが、これはわかりやすさのためであり、実際にはパタン抽出条件設定部４０１が設定した条件と値の組のリストである。クラスタリング結果ＩＤ４０６０７は、パタンベクトルをクラスタリングした結果を格納したクラスタリング結果テーブル４０６１０に付与されるＩＤを格納する。パラメタ４０６０８は、パタンベクトルをクラスタリングするために分析者が設定したパラメタを格納する。

クラスタリング結果テーブル４０６１０は、パタンＩＤ４０６１１、パタン名称４０６１２、平均ベクトル４０６１３、代表パタンベクトル４０６１４、ベクトル件数４０６１５、およびパタンベクトルＩＤ４０６１６を有する。パタンＩＤ４０６１１は、パタンベクトルクラスタリング部４０３が各クラスタに付与したＩＤを格納する。パタン名称４０６１２は、各クラスタに対して分析者がわかりやすさのため付与した名称を格納する。パタン名称４０６１２は、初期状態ではパタンＩＤを格納する。平均ベクトル４０６０１３は、当該クラスタに属するパタンベクトルの平均ベクトルを格納する。代表パタンベクトル４０６１４は、クラスタを代表するパタンベクトルを格納する。代表パタンベクトル４０６１４は、分析者に表示するためのベクトルであり、当該クラスタの特徴を表すベクトルである。代表パタンベクトルは、シーンベクトルクラスタリング部２０３が代表ベクトルを生成する手順と同様の手順で生成する。ベクトル件数４０６１５は、クラスタに属するパタンベクトルの件数を格納する。パタンベクトルＩＤ４０６１６は、クラスタに属するパタンベクトルのＩＤを格納する。このパタンベクトルは、パタンベクトルテーブル４０５に格納されている。

（テンポラリデータ：抽出条件４０７）
図４４は、抽出条件４０７の一例を示す図である。抽出条件４０７は、分析者が設定したパタンベクトルの抽出条件を期間生活パタン抽出部４０が格納したテンポラリデータである。

（テンポラリデータ：抽出パラメタ４０８）
図４５は、抽出パラメタ４０８の一例を示す図である。抽出パラメタ４０８は、分析者が設定したパタンベクトルのクラスタリング条件を期間生活パタン抽出部４０が格納したテンポラリデータである。

（処理手順）
次に図４６〜図５０を用いて本実施形態２における行動属性分析装置１の処理手順について説明する。

（処理手順：全体の処理手順）
図４６は、本実施形態２における行動属性分析装置１の処理手順を示すフローチャートである。ステップＳ１０のシーンベクトル生成、ステップＳ２０の生活パタン抽出は、実施形態１と同様であるので説明を省略する。ステップＳ２０とＳ３０の間に、新たにステップＳ４０が追加されている。

ステップＳ４０において、行動属性分析装置１は、ステップＳ２０で抽出した一日の生活パタンを使って分析者が指定した期間（日の並び）のパタンを抽出する。次に行動属性分析装置１は、ステップＳ４０で抽出した期間の生活パタンを用いて分析対象の特徴ベクトルを生成し、クラスタリングを実行して分析対象のクラスタを生成する（Ｓ３０）。

（期間生活パタン抽出部４０の処理手順）
図４７は、期間生活パタン抽出部４０の処理手順を示すフローチャートである。以下図４７の各ステップについて説明する。

（図４７：ステップＳ４０１）
期間生活パタン抽出部４０のパタン抽出条件設定部４０１は、分析者が指定したクラスタリングの対象となるパタンベクトルを抽出する条件およびクラスタリングのパラメタを設定し、抽出条件をパタンベクトル抽出部４０２に、パラメタをパタンベクトルクラスタリング部４０３に引き渡す。

（図４７：ステップＳ４０２）
パタンベクトル抽出部４０２は、引き渡された条件に含まれる一日の生活パタンリストＩＤをキーに、クラスタリング結果テーブル２０６１０を参照し、抽出条件にマッチする対象者の対象期間における一日の生活パタンのＩＤを取得して、パタンベクトルを生成しパタンベクトルテーブル４０５に格納して、そのテーブルＩＤと、パタンベクトルの抽出条件をパタンベクトルクラスタリング部４０３に引き渡す。

（図４７：ステップＳ４０３）
パタンベクトルクラスタリング部４０３は、引き渡されたパラメタ、パタンベクトルテーブルのＩＤ、パタンベクトルの抽出条件、およびクラスタリングを実行した日付を期間の生活パタンリストテーブル４０６００に格納し、パタンベクトルテーブルのＩＤをキーにパタンベクトルテーブル４０５からクラスタリング対象のパタンベクトルを取得しパラメタにしたがってクラスタリングを実行し、結果をクラスタリング結果テーブル４０６１０に格納して、期間の生活パタンリストテーブル４０６００のＩＤを期間生活パタン表示部４０４に引き渡す。

（図４７：ステップＳ４０４）
期間生活パタン表示部４０４は、引き渡された期間の生活パタンリストテーブル４０６００のＩＤをキーに期間の生活パタンリストテーブル４０６００およびクラスタリング結果テーブル４０６１０から生成された期間の生活パタンを取得して分析者に表示する。

（画面例：期間生活パタン抽出部４０の期間の生活パタン抽出条件設定部４０１における期間の生活パタン抽出条件設定画面の一例）
図４８は、パタン抽出条件設定部４０１における期間生活パタン抽出条件設定画面の一例を示す図である。期間生活パタン抽出条件設定画面は、生活パタン選択エリア４０１１０、対象者設定エリア４０１２０、対象期間設定エリア４０１３０、および指示ボタンエリア４０１４０を有する。

生活パタン選択エリア４０１１０は、期間の生活パタンを抽出するにあたって用いる生活パタンを選択するエリアである。分析者がこれまでに抽出した生活パタンからひとつ選択すると、その生活パタンの抽出条件を対象者設定エリア４０１２０に表示する。期間の生活パタンの抽出では、対象期間における対象者の一日がどの生活パタンにマッチするか分析しておく必要がある。そのため期間の生活パタンの抽出において、対象者として選択することができるのは、１日の生活パタンを抽出した対象者内に限定される。新たに分析対象を設定した場合は、当該対象者のターゲットシーンベクトルを生成し、既に抽出されている生活パタンとの類似度を計算して割り付けることができるが、本実施形態２では前述の通り限定しているものとする。分析者は、対象者設定エリア４０１２０に表示された条件を絞り込むことによって期間の生活パタン抽出の対象者を設定する。表示された生活パタン抽出条件をそのまま使用する場合は、生活パタンを抽出した対象者全員が期間の生活パタン抽出の対象者となる。対象期間も分析者が選択した生活パタンの抽出期間内に限定される。

分析者は対象期間設定エリア４０１３０で、いつから何日間のパタンを抽出するのかを設定する。なおオプションとして曜日を選択することができる。曜日が選択されると、当該設定された期間のうち、設定された曜日のみを対象にパタンベクトルを生成する。

指示ボタンエリア４０１４０は、パラメタ設定指示ボタン４０１４１、およびパタン抽出実行ボタン４０１４２を有する。分析者がパラメタ設定指示ボタン４０１４１をクリックすると、行動属性分析装置１は図４９に示すパラメタ設定画面を表示する。分析者はパラメタ設定画面にて期間の生活パタン抽出パラメタを設定する。分析者がパタン抽出実行ボタン４０１４２をクリックすると、行動属性分析装置１は生活パタン選択エリア４０１１０と対象者設定エリア４０１２０で設定された条件にマッチする生活パタンを抽出し、クラスタリングを実行してクラスタを生成する。

図４９は、パラメタ設定指示ボタン４０１４１をクリックしたときに表示されるパラメタ設定画面の一例を示す図である。パラメタ設定画面は、クラスタ数設定エリア４０１４１１および指示ボタンエリア４０１４１２を有する。分析者がクラスタ数設定エリア４０１４１１でクラスタ数を指定すると、パタンベクトルクラスタリング部４０３は特徴ベクトルを指定された数のクラスタにクラスタリングする。指示ボタンエリア４０１４１２は、分析者がクラスタ設定のキャンセルや完了を指示するエリアであり、キャンセルボタン４０１４１２１および完了ボタン４０１４１２２を有する。これらの動作は図３４と同様である。

（処理手順：期間生活パタン抽出部４０におけるパタンベクトル抽出部４０２の詳細な処理手順）
パタンベクトル抽出部４０２の処理手順について説明する。なお以下の説明では、期間の生活パタン抽出条件における期間の条件が１週間の生活パタン（月〜日の生活パタン）であることを想定する。

まず期間の生活パタン抽出条件において分析者が選択した一日の生活パタンに、パタン間の類似度に基づくＩＤを付与する。シーンベクトルクラスタリング部２０３はアルゴリズムが自動的に付与したクラスタ番号をパタンＩＤとして利用しているが、このパタンＩＤをクラスタ間の類似度に基づいて振り直す。具体的には各パタンに対応するクラスタの平均ベクトル（クラスタに属するシーンベクトルの平均）を生活パタンテーブル２０６の平均ベクトル２０６１３から取得してその長さを計算し、その値の降順にパタンをソートし、ソートの結果順に１から始まるＩＤを振る、あるいは平均ベクトルのうち任意の１つを選択し、残りのベクトルについて前記選択したベクトルとの間の類似度（ユークリッド距離など）を計算しその値の降順に残りのベクトルをソートしてその結果順（一番最初は選択したベクトル）に１から始まるＩＤを振るなどを行う。

次に振り直したパタンＩＤを用いてターゲットシーンベクトルテーブル２０５のパタンＩＤ２０５０７を書き換える。具体的には、生活パタンテーブル２０６のターゲットシーンベクトルテーブルＩＤ２０６０４からターゲットシーンベクトルのリストＩＤを取得し、当該リストＩＤに対応するターゲットシーンベクトルテーブル２０５を取得し、ターゲットシーンベクトルテーブル２０５のパタンＩＤ２０５０７を、振り直したＩＤに書き換える。そして、ターゲットシーンベクトルテーブル２０５を、利用者を第１キー、日付を第２キーとしてソートする。

パタン抽出条件設定部４０１は設定された対象者ごとに次の処理を実施する。まず利用者のシーンベクトルを日付順に７日間に分割し、シーンベクトルが属する生活パタンのＩＤ（振り直したＩＤ）を属性値とする７次元のベクトルを生成しパタンベクトルテーブル４０５の生活パタンＩＤ４０５０３に格納する。シーンベクトルを抽出した期間が７の倍数でない場合、７日間（７次元）に満たない余りが生じるが、ここではそれらは無視する。また該当するシーンベクトルがない日付があればその日の値は「０」とする。

（処理手順：期間生活パタン抽出部４０におけるパタンベクトルクラスタリング部４０３の詳細な処理手順）
パタンベクトルクラスタリング部４０３は、パタンベクトルテーブル４０５に格納されたパタンベクトルにｋ−ｍｅａｎｓ法を適用してクラスタリングを実行し、クラスタリング結果をクラスタリング結果テーブル４０６１０に格納する。具体的にはクラスタリング結果テーブル４０６１０のパタンＩＤ４０６１１の値にクラスタＩＤを格納し、当該クラスタに属するパタンベクトルの平均ベクトルを平均ベクトル４０６１３に格納する。代表ベクトル４０６１４には、当該クラスタに属するパタンベクトルの代表ベクトルを格納する。なお代表ベクトルの生成手順は実施形態１におけるターゲットシーンベクトルクラスタリング２０６１０の代表ベクトル生成手順と同様である。さらに当該クラスタに属するパタンベクトルの数をベクトル件数４０６１５に格納し、パタンベクトルのＩＤをパタンベクトルＩＤ４０６１６に格納する。また当該クラスタに属するパタンベクトルＩＤをキーにパタンベクトルテーブル４０５を参照し、パタンベクトルＩＤ４０５０１の値がパタンベクトルＩＤと一致するレコードの生活パタンＩＤ４０５０３に当該パタンＩＤをセットする。なおクラスタリングのクラスタ数はパタン抽出条件設定部４０１において設定されたクラスタ数（未設定の場合は１０）とする。

（処理手順：期間生活パタン抽出部４０における期間生活パタン表示部４０４の詳細な処理手順）
図５０は、生成されたクラスタを期間生活パタン表示部４０４が一日のパタンの遷移として表現し、分析者に表示する画面の一例を示す図である。期間の生活パタン表示画面は、期間のパタン表示エリア４０４００と指示ボタンエリア４０４１０を有する。

期間のパタン表示エリア４０４００は、生成された期間の生活パタンを表示するエリアであり、選択チェックボックス４０４０１、パタン名４０４０２、代表期間パタン４０４０３、および件数４０４０４を有する。選択チェックボックス４０４０１は、分析者が「利用者ＩＤ出力」を実行する際にクラスタを選択するためのチェックボックスである。パタン名４０４０２は、パタン名を表示するエリアである。パタン名は期間生活パタンテーブル４０６のクラスタリング結果テーブル４０６１０のパタン名称４０６１２に格納されている値を表示する。分析者がクラスタに名称を付与していない状態では、「パタン１」、「パタン２」・・・のように自動的に付与した文字列を表示する。この文字列は分析者によって任意に書き換え可能である。例えば、図５０において「パタン１」は「平日仕事休日レジャーパタン」、「パタン２」は「平日寄り道あり休日おでかけパタン」などである。代表期間パタン４０４０３は、クラスタを特徴づける期間の生活パタンを表示する。具体的にはクラスタリング結果テーブル４０６１０のパタンＩＤ４０６１１に格納されている生活パタンＩＤを取得し、当該生活パタンＩＤをキーにクラスタリング結果テーブル２０６１０を検索し、当該生活パタンに対応するパタン名称２０６１２を取得し、代表パタンベクトル４０６１４を用いて図５０に示す一日の生活パタンの遷移図を生成して表示する。件数４０４０４は、クラスタに属するパタンベクトルの数を表示する。パタンベクトルの数はクラスタリング結果テーブル４０６１０のベクトル件数４０６１５から取得する。なお期間生活パタン抽出部４０は、利用者ごとにパタンベクトルを生成する。したがってパタンベクトル数がすなわちそのクラスタに属する利用者の数である。

指示ボタンエリア４０４１０は、抽出条件表示指示ボタン４０４１１、生活パタン表示指示ボタン４０４１２、利用者ＩＤ出力指示ボタン４０４１３、および保存指示ボタン４０４１４を有する。抽出条件表示指示ボタン４０４１１は、パタン抽出条件設定部４０１が設定した条件を表示するように分析者が指示するためのボタンである。分析者が当該ボタンをクリックすると、期間生活パタン表示部４０４は図４８に示す期間の生活パタン抽出設定画面を表示して、期間の生活パタンを抽出した設定条件を分析者に提示する。生活パタン表示指示ボタン４０４１２は、期間の生活パタンに使用した生活パタンを表示するように分析者が指示するボタンである。分析者が当該ボタンをクリックすると、期間生活パタン表示部４０４は、期間生活パタンテーブル４０６の生活パタンリストＩＤ４０６０４を取得し、生活パタンテーブル２０６の生活パタンリストＩＤ２０６０１を参照して、対応する一日の生活パタンのリストを取得して、図３０に示した一日の生活パタン表示画面に生活パタンを表示する。利用者ＩＤ出力指示ボタン４０４１３は、分析者が選択したパタンにマッチする利用者のＩＤをファイル出力するように指示するボタンである。分析者が選択チェックボックス４０４０１においてパタンを選択して、利用者ＩＤ出力指示ボタン４０４１３をクリックすると、期間生活パタン表示部４０４は、期間生活パタンテーブル４０６を参照し選択されたパタンベクトルＩＤ４０６１６を取得して、パタンベクトルテーブル４０５のパタンベクトルＩＤ４０５０１を参照し、対応する利用者ＩＤ４０５０２を取得して、ファイルに出力する。これにより、出力されたＩＤの利用者を対象として別条件で期間生活パタンを抽出することができる。保存指示ボタ４０４１４は、分析者がパタンにわかりやすい名称を付与して保存を指示するボタンである。

＜実施の形態２：まとめ＞
以上のように、本実施形態２に係る行動属性分析装置１は、人集合内に含まれる１日の生活パタンからさらに、ある期間にわたる生活パタンを抽出し、これを用いて分析対象を分析することができる。

＜実施の形態３＞
本発明の実施形態３では、分析者が利用者の行動属性を分析し、配信したいコンテンツに対してその効果が期待される利用者または場所を選択して、コンテンツを配信するコンテンツ配信機能を有する構成例を説明する。行動属性分析装置１のハードウェアの構成は実施形態１と同じであるので説明を省略する。

（システムの全体構成）
図５１は、本実施形態３に係る行動属性分析装置１の全体構成を示す図である。本実施形態３における行動属性分析装置１は、大きく次の４つの機能を有する。すなわちシーンベクトル生成部１０、生活パタン抽出部２０、生活パタンクラスタ分析部３０、およびコンテンツ配信部９１である。シーンベクトル生成部１０、生活パタン抽出部２０、および生活パタンクラスタ分析部３０は、実施形態１と同様であるので詳細な説明は省略する。

コンテンツ配信部９１は、生活パタン抽出部２０または生活パタンクラスタ分析部３０が抽出した利用者または場所のＩＤに対して分析者が選択したコンテンツを配信する。コンテンツテーブル９２は、配信するコンテンツを格納したデータである。コンテンツ９３は、利用者の携帯電話９４や駅のデジタルサイネージ９５に対して送信し、これらデバイスが表示するデータであり、例えば、駅ナカの店舗広告や駅近隣の地域情報などが考えられる。携帯電話９４は交通系ＩＣカードの利用者の携帯電話であり、そのｅ−ｍａｉｌアドレスはユーザ情報２０９のｅ−ｍａｉｌ２０９０７に格納されている。デジタルサイネージ９５は、駅や公共施設などに設置された情報提供装置であり、その設置場所は場所情報２１０に格納された場所と紐づいているものとする。すなわち場所情報２１０に格納されたｅ−ｍａｉｌ２１００６にコンテンツ９３を送信すると、当該場所に設置されたデジタルサイネージにコンテンツが表示される。

（処理手順）
次に本実施形態３に係る行動属性分析装置１の処理手順について説明する。シーンベクトル生成部１０は、まず利用者の行動の履歴が蓄積されたＩＣカード利用履歴１０３およびクレジットカード利用履歴１０４を用いてあらかじめシーンベクトルを生成しておく。次に生活パタン抽出部２０は、分析者の指定した条件にマッチするシーンベクトルを抽出してクラスタリングを実行して生活パタンを抽出する、生活パタンクラスタ分析部３０は、抽出した生活パタンを用いて分析対象の特徴ベクトルを生成し、クラスタリングを実行して分析対象のクラスタを生成する。分析者が、生活パタン抽出部２０または生活パタンクラスタ分析部３０の処理結果に基づきコンテンツを配信すべき利用者または場所が発見したら、利用者または場所のＩＤを適当なファイル等にＩＤリストとして出力する。コンテンツ配信部９１は、そのＩＤに対応する利用者の携帯電話９４、またはそのＩＤに対応する場所のデジタルサイネージ９５へ、コンテンツを送信する。

例えば、生活パタンクラスタ分析部３０が、仕事帰りにｘ駅に寄り道する「寄り道パタン」を主な生活パタンとしている２０代から３０代の女性の利用者ＩＤをＩＤリストとして出力すると、コンテンツ配信部９１は当該利用者ＩＤに対応するメールアドレスをユーザ情報２０９から取得する。分析者がコンテンツテーブル９２からｘ駅の駅ビルに開店した若い女性向けの店舗（雑貨店など）の広告のコンテンツを指定すると、コンテンツ配信部９１は当該コンテンツを上記メールアドレスに配信する。

＜実施の形態３：まとめ＞
以上のように、本実施形態３に係る行動属性分析装置１は、生活パタンの分析結果に基づき、利用者または場所に適したコンテンツを配信することができる。

以上、本発明者によってなされた発明を実施形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。例えば、ある実施形態における構成を他の実施形態において組み合わせたり、置き換えたりすることができる。

また、上記各構成、機能、処理部などは、それらの全部または一部を、例えば集積回路で設計することによりハードウェアとして実現することもできるし、プロセッサがそれぞれの機能を実現するプログラムを実行することによりソフトウェアとして実現することもできる。各機能を実現するプログラム、テーブルなどの情報は、メモリやハードディスクなどの記憶装置、ＩＣカード、ＤＶＤなどの記憶媒体に格納することができる。

１ 行動属性分析装置
１０ シーンベクトル生成部
２０ 生活パタン抽出部
３０ 生活パタンクラスタ分析部
４０ 期間生活パタン抽出部
９１ コンテンツ配信部
９２ コンテンツテーブル
１０１ シーン抽出部
１０２ イベント抽出部
１０３ ＩＣカード利用履歴
１０４ クレジットカード利用履歴
１０５ シーンリスト
１０６ イベントリスト
１０７ シーンベクトルテーブル
２０１ パタン抽出条件設定部
２０２ シーンベクトル抽出部
２０３ シーンベクトルクラスタリング部
２０４ 生活パタン表示部
２０５ ターゲットシーンベクトルテーブル
２０６ 生活パタンテーブル
２０７ 抽出条件
２０８ 抽出パラメタ
２０９ ユーザ情報
２１０ 場所情報
２１１ カレンダ情報
３０１ クラスタ分析条件設定部
３０２ 特徴ベクトル生成部
３０３ 特徴ベクトルクラスタリング部
３０４ クラスタ表示部
３０５ 特徴ベクトルテーブル
３０６ クラスタテーブル
３０７ 分析条件
３０８ 分析パラメタ
３０９ 分析レポート
４０１ パタン抽出条件設定部
４０２ パタンベクトル抽出部
４０３ パタンベクトルクラスタリング部
４０４ 期間生活パタン表示部

Claims (14)

1. 人集団の行動履歴を記録した履歴データから、前記人集団に属する人物が行動したシーンを抽出するシーン抽出部と、
   前記シーン抽出部が抽出したシーンの個人毎の遷移を、１日の時間帯を要素番号とし、前記時間帯に対応するシーンを表す値を前記要素番号に対応する要素値として持つ、シーンベクトルとして表現し、前記シーンベクトルを記述したシーンベクトルデータを記憶装置に格納するシーンベクトル生成部と、
   前記シーンベクトルをクラスタリングして前記シーンの遷移パタンを抽出することにより、前記遷移パタンを前記人集団内に含まれる生活パタンとして抽出する生活パタン抽出部と、
   前記履歴データのなかで前記生活パタンが分析対象に関連して出現する頻度によって前記分析対象を特徴付けて前記分析対象をクラスタリングする生活パタン分析部と、
   を備えることを特徴とする行動属性分析装置。
2. 前記シーン抽出部は、
   前記履歴データが記述している前記行動履歴の発生場所、発生時間帯、および継続時間に基づき前記行動履歴の目的を推定することにより、前記履歴データから前記目的に対応するシーンを抽出する
   ことを特徴とする請求項１記載の行動属性分析装置。
3. 前記シーン抽出部は、
   前記履歴データが駅の改札に入場したことを示している場合、
   その駅入場が１日のうち最初の駅入場であれば、当該駅入場の直前の前記行動履歴をその人物が自宅にいたことを示すシーンとして抽出し、その駅入場が１日のうち最初の駅入場でなければ、当該駅入場の直前の前記行動履歴を前記人物が外出していたことを示すシーンとして抽出し、
   前記人物が外出していたことを示すシーンを抽出する場合においては、
   当該駅入場の直前の前記行動履歴が平日に所定時間以上同じ場所に滞在していたことを示している場合は前記人物が仕事をしていたことを示すシーンとして抽出し、当該駅入場の直前の前記行動履歴が平日以外で所定時間以上同じ場所に滞在していたことを示している場合は前記人物が行楽外出していたことを示すシーンとして抽出する
   ことを特徴とする請求項２記載の行動属性分析装置。
4. 前記シーンベクトル生成部は、
   前記シーンを表す値として用いることができる値を前記シーンベクトルの要素値として割り当てる際に、シーン間のベクトル空間上における距離がシーンの出現頻度または意味に応じた大きさとなるように、前記割り当てを実施する
   ことを特徴とする請求項１記載の行動属性分析装置。
5. 前記生活パタン抽出部は、
   特定のシーンを含む生活パタンを抽出すべき旨の指定を受け取ると、前記シーンベクトルのうちそのシーンを含むもののみから前記生活パタンを抽出する
   ことを特徴とする請求項１記載の行動属性分析装置。
6. 前記生活パタン抽出部は、
   特定の分析目的に適した前記生活パタンを抽出すべき旨の指定を受け取ると、前記シーンベクトルの要素のうちその分析目的に合致する部分の要素値を、同じ前記生活パタンに属する他の前記シーンベクトルの要素値とは異なる値に変換する
   ことを特徴とする請求項１記載の行動属性分析装置。
7. 前記生活パタン抽出部は、
   前記変換後のシーンベクトルおよび前記変換前にこれと同じ前記生活パタンに属していたシーンベクトルを、互いに異なる前記生活パタンとして抽出する
   ことを特徴とする請求項６記載の行動属性分析装置。
8. 前記生活パタン抽出部は、
   特定の分析目的に適した前記生活パタンを掘り下げて抽出したい旨の要求を受け取ると、
   その分析目的に対応する付加属性を前記シーンベクトルに追加する
   ことを特徴とする請求項１記載の行動属性分析装置。
9. 前記生活パタン分析部は、
   前記分析対象をクラスタリングした後、前記生活パタンに属する前記シーンベクトルのなかで特定の分析目的に適したものをさらに抽出すべき旨の指定を受け取ると、
   その分析目的に対応する前記付加属性が追加されている前記シーンベクトルを、前記クラスタリング後の分析対象からさらに抽出する
   ことを特徴とする請求項８記載の行動属性分析装置。
10. 前記生活パタン抽出部は、
    抽出した前記生活パタン内における最も典型的な前記シーンの遷移を特定し、前記生活パタン毎に可視化して出力する
    ことを特徴とする請求項１記載の行動属性分析装置。
11. 前記生活パタン抽出部は、
    前記クラスタリングによって生成されたクラスタに属する前記シーンの遷移を表すベクトルを参照して、前記クラスタ内の各前記時間帯における前記シーンのうち最も頻度の高いものを、前記クラスタ内の当該時間帯における典型的なシーンとし、
    前記典型的なシーンを表す値を当該時間帯に対応する要素値として有するシーンベクトルを生成してこれを前記クラスタの特徴とし、
    前記生活パタン分析部は、
    前記履歴データのなかで分析対象が前記クラスタの特徴に合致する頻度によって前記分析対象を特徴付けて前記分析対象をクラスタリングする
    ことを特徴とする請求項１０記載の行動属性分析装置。
12. 前記生活パタン抽出部は、
    抽出した前記生活パタンのなかからさらに、ある期間における前記人集合の１日の生活パタンの並びをクラスタリングすることにより、前記人集合の前記期間における典型的な生活パタンを期間生活パタンとして抽出し、
    前記生活パタン分析部は、
    前記履歴データのなかで前記期間生活パタンが分析対象に関連して出現する頻度によって前記分析対象を特徴付けて前記分析対象をクラスタリングする
    ことを特徴とする請求項１記載の行動属性分析装置。
13. 前記生活パタンに対応するコンテンツ情報をその生活パタンに対応する場所に配信するコンテンツ配信部を備えた
    ことを特徴とする請求項１記載の行動属性分析装置。
14. 人集団の行動履歴を記録した履歴データからシーンを抽出するシーン抽出ステップ、
    前記シーン抽出ステップで抽出したシーンの個人毎の遷移を、１日の時間帯を要素番号とし、前記時間帯に対応するシーンを表す値を前記要素番号に対応する要素値として持つ、シーンベクトルとして表現し、前記シーンベクトルを記述したシーンベクトルデータを記憶装置に格納するステップ、
    前記シーンベクトルをクラスタリングして前記シーンの遷移パタンを抽出することにより、前記遷移パタンを前記人集団の生活パタンとして抽出するステップ、
    前記履歴データのなかで前記生活パタンが分析対象に関連して出現する頻度によって前記分析対象を特徴付けて前記分析対象をクラスタリングするステップ、
    を有することを特徴とする行動属性分析方法。

Images