JP2013211616A - 端末装置、端末制御方法、プログラム、および情報処理システム - Google Patents

端末装置、端末制御方法、プログラム、および情報処理システム Download PDF

Info

Publication number
JP2013211616A
JP2013211616A JP2012079034A JP2012079034A JP2013211616A JP 2013211616 A JP2013211616 A JP 2013211616A JP 2012079034 A JP2012079034 A JP 2012079034A JP 2012079034 A JP2012079034 A JP 2012079034A JP 2013211616 A JP2013211616 A JP 2013211616A
Authority
JP
Japan
Prior art keywords
local information
information
parameters
terminal device
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2012079034A
Other languages
English (en)
Other versions
JP2013211616A5 (ja
Inventor
Naoki Ide
直紀 井手
Takashi Usui
隆志 臼居
Shinichiro Tsuda
信一郎 津田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP2012079034A priority Critical patent/JP2013211616A/ja
Priority to US13/777,653 priority patent/US9547827B2/en
Priority to CN2013100953239A priority patent/CN103369584A/zh
Publication of JP2013211616A publication Critical patent/JP2013211616A/ja
Publication of JP2013211616A5 publication Critical patent/JP2013211616A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

【課題】各端末装置が、多数の端末装置で収集したデータを効率よく利用することができるようにする。
【解決手段】端末装置の取得部は、現時刻における現在地のローカル情報を取得する。蓄積部は、取得したローカル情報を所定期間蓄積する。通信部は、蓄積した所定期間のローカル情報を、情報処理装置に送信するとともに、情報処理装置が複数の端末装置から取得したローカル情報を用いて学習された統計モデルのパラメータを情報処理装置から受信する。予測部は、受信した統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する。本技術は、例えば、現在地とは別の場所におけるローカルな情報を予測して、また、共有する端末装置に適用できる。
【選択図】図２

Description

本技術は、端末装置、端末制御方法、プログラム、および情報処理システムに関し、特に、各端末装置が、多数の端末装置で収集したデータを効率よく利用することができるようにする端末装置、端末制御方法、プログラム、および情報処理システムに関する。
近年、スマートフォンなど、大容量のデータを通信できる携帯型の無線通信端末の急速な普及に伴い、通信回線の混雑度が問題となってきている。
本出願人は、回線の混雑度を、基地局のスクランブルコードに対する受信信号の相関出力aと、他のスクランブルコードに対する相関出力の最小値ｂを用いた指標ｂ／ａを用いて推定する方法を提案している（例えば、特許文献１、２参照）。また、本出願人は、回線混雑度から、通信レートを推定することも提案している（例えば、特許文献２参照）。
さらに、本出願人は、ユーザの現在地から、目的地とそこまでの移動ルートを予測し、通信を行う時刻、場所、通信システム、伝送レートなどを選択する技術を提案している（例えば、特許文献３参照）。
特開２０１１−１０２６７号公報（０１１０段落） 特開２０１２−９９８７号公報（００６２，００７３，００７７段落） 特開２０１０−２１１４２５号公報（０１２１ないし０１３０段落）
しかしながら、特許文献３の技術では、多数のクライアント端末（端末装置）からサーバに収集された、目的地や移動ルートにおける通信環境に関する通信情報を利用することは記載されているものの、どのように利用するかについては明らかではない。多数のクライアント端末で収集された通信情報をすべて取得したのでは、通信回線も混雑し、クライアント端末に必要な記憶容量も大きくなる。
本技術は、このような状況に鑑みてなされたものであり、各端末装置が、多数の端末装置で収集したデータを効率よく利用することができるようにするものである。
本技術の第１の側面の端末装置は、現時刻における現在地のローカル情報を取得する取得部と、取得した前記ローカル情報を所定期間蓄積する蓄積部と、蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部とを備える。
本技術の第１の側面の端末制御方法は、端末装置が、現時刻における現在地のローカル情報を取得し、取得した前記ローカル情報を所定期間蓄積し、蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信し、受信した前記回帰モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測するステップを含む。
本技術の第１の側面のプログラムは、コンピュータを、現時刻における現在地のローカル情報を取得する取得部と、取得した前記ローカル情報を所定期間蓄積する蓄積部と、蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、受信した前記回帰モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部として機能させるためのものである。
本技術の第１の側面においては、現時刻における現在地のローカル情報が取得され、取得された前記ローカル情報が所定期間蓄積され、蓄積された所定期間の前記ローカル情報が、情報処理装置に送信されるとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータが前記情報処理装置から受信され、受信された前記回帰モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報が予測される。
本技術の第２の側面の情報処理システムは、端末装置と情報処理装置とからなり、前記端末装置が、現時刻における現在地のローカル情報を取得する取得部と、取得した前記ローカル情報を所定期間蓄積する蓄積部と、蓄積した所定期間の前記ローカル情報を、前記情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部とを備え、前記情報処理装置が、前記端末装置から送信されてくる所定期間の前記ローカル情報を受信するとともに、前記統計モデルのパラメータを前記端末装置に送信する通信部と、複数の端末装置から受信した前記ローカル情報を用いて、前記統計モデルのパラメータを学習する学習部とを備え、前記端末装置または前記情報処理装置のいずれかが、受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部を備える。
本技術の第２の側面においては、端末装置において、現時刻における現在地のローカル情報が取得され、取得された前記ローカル情報が所定期間蓄積され、蓄積された所定期間の前記ローカル情報が、情報処理装置に送信されるとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータが前記情報処理装置から受信され、前記情報処理装置において、前記端末装置から送信されてくる所定期間の前記ローカル情報が受信されるとともに、前記統計モデルのパラメータが前記端末装置に送信され、複数の端末装置から受信した前記ローカル情報を用いて、前記統計モデルのパラメータが学習され、前記端末装置または前記情報処理装置のいずれかにおいて、前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報が予測される。
なお、プログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。
端末装置および情報処理装置は、独立した装置であっても良いし、１つの装置を構成している内部ブロックであっても良い。
本技術の第１の側面によれば、各端末装置が、多数の端末装置で収集したデータを効率よく利用することができる。
本技術の第２の側面によれば、各端末装置に、多数の端末装置で収集したデータを効率よく利用させることができる。
本技術が適用された情報処理システムの一実施の形態の構成例を示す図である。 携帯端末とサーバの機能的な構成例を示すブロック図である。 混雑度データの例を示す図である。 所定期間に収集した混雑度をグラフ化した図である。 混雑度の移動平均として算出した平均化混雑度を示す図である。 １日ごとの平均化混雑度を１か月間について示した図である。 サポートベクタ回帰におけるε許容誤差関数を示す図である。 連立方程式によるパラメータ算出処理のフローチャートである。 勾配法によるパラメータ算出処理のフローチャートである。 サポートベクタ回帰モデルのパラメータａnとａn~の例を示す図である。 サポートベクタ回帰モデルのパラメータ更新を行うデータ更新処理について説明するフローチャートである。 混雑度を予測する予測処理を説明するフローチャートである。 サポートベクタ回帰モデルのパラメータを学習する学習処理について説明するフローチャートである。 サポートベクタ回帰モデルにより混雑度を予測した予測結果について説明する図である。 サポートベクタ回帰モデルにより混雑度を予測した予測結果について説明する図である。 サポートベクタ回帰モデルにより混雑度を予測した予測結果について説明する図である。 関連ベクタ回帰モデルについて説明する図である。 関連ベクタ回帰モデルのパラメータｍとΣの例を示す図である。 関連ベクタ回帰モデルにより混雑度を予測した予測結果を示す図である。 サポートベクタ回帰モデルと関連ベクタ回帰モデルの予測性能を比較した比較結果の例を示す図である。 サポートベクタ回帰モデルと関連ベクタ回帰モデルのデータの個数を比較した図である。 予測結果画面の例を示す図である。 隠れマルコフモデルを説明する図である。 ユーザの移動履歴の学習結果を示す図である。 移動経路と目的地を予測して混雑度を予測する予測処理のフローチャートである。 予測処理による予測結果の例を示す図である。 予測処理による予測結果の例を示す図である。 予測処理による予測結果の例を示す図である。 ローカル情報を入力する入力画面の例を示す図である。 ローカル情報を予測する予測結果画面の例を示す図である。 本技術が適用されたコンピュータの一実施の形態の構成例を示すブロック図である。
＜情報処理システムの実施の形態＞
［情報処理システムの構成例］
図１は、本技術が適用された情報処理システムの一実施の形態の構成例を示している。
図１の情報処理システム１は、複数の携帯端末（端末装置）１１と、携帯端末１１で取得された所定のデータを収集し、解析するサーバ１２と、携帯端末１１がサーバ１２とデータ通信を行う際に接続する基地局（基地局）１３とで構成される。
なお、図１においては、３台の携帯端末１１−１乃至１１−３と、６基の基地局１３−１乃至１３−６が示されているが、携帯端末１１と基地局１３の数がこれに限定されるものではない。
携帯端末１１は、ユーザの現在地から接続可能な基地局１３として検出された複数の基地局１３のうち、例えば、最も近い基地局１３を、接続する基地局１３（以下、自セル１３という。）として決定する。なお、自セル１３をどのようにして決定するかは任意である。
また、携帯端末１１は、自セル１３を介して、サーバ１２と所定のデータを送受信する。本実施の形態では、携帯端末１１は、自セル１３の通信回線の混雑度を所定の時間間隔で計測し、混雑度データとして蓄積しておき、蓄積された混雑度データをサーバ１２に送信する。さらに、携帯端末１１は、サーバ１２が多数の携帯端末１１から収集した混雑度データに基づいて学習して得られたパラメータを、サーバ１２から受信する。なお、ここでいう回線の混雑度とは、多重化された無線通信における通信帯域の占有度合いを示す指標である。
携帯端末１１は、サーバ１２から受信したパラメータを用いて、自セル１３以外の所定の基地局１３の混雑度を推定する。基地局１３の混雑度を推定した推定結果は、現時点以降に接続する基地局１３を決定するために利用できる。例えば携帯端末１１は、ユーザの移動経路と目的地を予測し、移動経路および目的地で接続する基地局１３を、受信したパラメータに基づいて混雑度を推定してから決定する。
携帯端末１１は、本実施の形態では、スマートフォンと呼ばれる携帯電話である。携帯端末１１は、例えば、タブレット端末、携帯型のPC（Personal Computer）、携帯型オーディオプレーヤなどでもよい。携帯端末１１が、携帯電話通信網の基地局１３に接続できない場合には、基地局１３は、Wi-Fiなどの無線通信のアクセスポイントでもよい。
サーバ１２は、複数の携帯端末１１から収集した基地局１３の混雑度を、回帰モデルで学習する（統計モデルでモデル化する）。本実施の形態では、回帰モデルとして、カーネル回帰モデル、特に、後述するように、サポートベクタ回帰モデル、または、関連ベクタ回帰モデルを採用する。
そして、サーバ１２は、学習により得られた回帰モデルのパラメータ（モデルパラメータ）を、携帯端末１１へ送信する。携帯端末１１は、例えば、１分間隔で取得する混雑度の時系列データ（混雑度データ）を、１日分だけ蓄積し、１日に１回の割合でサーバ１２へ接続して送信する。サーバ１２は、収集された混雑度データに基づいて学習を実行し、携帯端末１１が次に接続して混雑度データを送信してきたときに、更新された学習モデルのモデルパラメータを、携帯端末１１に送信する。携帯端末１１が蓄積した混雑度データをサーバ１２へ送信したり、サーバ１２から更新されたモデルパラメータを受信する間隔、サーバ１２が回帰モデルのモデルパラメータを更新するタイミングは任意である。
［携帯端末とサーバの機能構成例］
図２は、携帯端末１１とサーバ１２の機能的な構成例を示すブロック図である。
携帯端末１１は、混雑度取得部４１、混雑度データ蓄積部４２、サーバ通信部４３、パラメータ記憶部４４、予測部４５、入力部４６、および表示部４７を有する。
携帯端末１１の混雑度取得部４１は、所定の時間間隔で自セル１３の混雑度を計算するか、または、図示せぬブロックで計算された混雑度を取得し、混雑度データ蓄積部４２に供給する。混雑度を取得するタイミングは必ずしも一定間隔である必要はない。
混雑度データ蓄積部４２は、サーバ通信部４３がサーバ１２に接続し、混雑度データを送信するまでの間、混雑度取得部４１から供給される混雑度を蓄積する。
サーバ通信部４３は、一日一回程度など、混雑度データ蓄積部４２にある程度の混雑度のデータが蓄積された所定のタイミングで、サーバ１２に接続し、混雑度データ蓄積部４２に蓄積されている混雑度データをサーバ１２に送信する。
また、サーバ通信部４３は、サーバ１２に接続したときに、回帰モデルの更新されたパラメータがサーバ１２にある場合には、そのパラメータを受信し、パラメータ記憶部４４に記憶させる。パラメータ記憶部４４は、サーバ１２から取得した回帰モデルのパラメータを記憶し、必要に応じて予測部４５に供給する。
予測部４５は、パラメータ記憶部４４に記憶されている回帰モデルのパラメータを用いて、自セル１３以外の所定の基地局１３の混雑度を予測（推定）する。
入力部４６は、自セル１３以外の所定の基地局１３の混雑度を予測するための条件を予測部４５に入力する。例えば、入力部４６は、ユーザに、どの基地局１３のいつの混雑度を予測するかを指定（入力）させ、指定された基地局１３を特定する情報と時刻を予測部４５に供給する。また例えば、ユーザの移動経路と目的地を予測し、移動経路および目的地で接続する基地局１３を予測する場合には、入力部４６は、ユーザの移動経路と目的地を予測するブロックに相当し、当該ブロックで予測した移動経路と目的地の周辺に位置する基地局１３を特定する情報を予測部４５に供給する。ここで、予測部４５に入力される基地局１３を特定する情報としては、例えば、基地局１３を特定するIDである。
表示部４７は、例えば、LCD(Liquid Crystal Display)や有機ELディスプレイなどで構成され、予測部４５の予測結果を表示する。
サーバ１２は、混雑度データ取得部６１、データ前処理部６２、回帰モデル学習部６３、およびパラメータ送信部６４を有する。
混雑度データ取得部６１は、複数の携帯端末１１それぞれから所定のタイミングで送信されてくる混雑度データを取得（受信）し、データ前処理部６２に供給する。
データ前処理部６２は、多数の携帯端末１１で取得された混雑度データを、回帰モデル学習部６３が学習するのに適したデータとなるような所定の前処理を行い、処理後のデータを、回帰モデル学習部６３に供給する。例えば、データ前処理部６２は、多数の携帯端末１１で取得された混雑度データをマージし、時系列、および、基地局IDごとに並べ替える処理を、前処理として行う。データ前処理部６２により、多数の携帯端末１１で取得された混雑度データがマージされることで、携帯端末１１を所有するユーザのプライバシーの問題を軽減することができる。
回帰モデル学習部６３は、多数の携帯端末１１により収集された混雑度データに基づいて、各基地局１３の混雑度を所定の回帰モデルで学習し、学習結果としてのモデルパラメータを生成する。混雑度データを学習する回帰モデルとしては、サポートベクタモデルか、または、関連ベクタ回帰モデルが採用される。学習処理は、予め定めた所定のタイミング（例えば、一日一回）で行われ、その時点までに蓄積された学習用データに基づいて、回帰モデル（のパラメータ）が更新される。学習処理は、その時点で蓄積されている全データを用いて再度学習してもよいし、新たに蓄積された学習用データのみを用いて追加的に学習するものでもよい。以下では、回帰モデル学習部６３が、サポートベクタ回帰モデルにより学習するものとして説明し、その後で、関連ベクタ回帰モデルについても後述する。
パラメータ送信部６４は、携帯端末１１が混雑度データを送信するため接続してきたときに、学習モデルの更新されたモデルパラメータを携帯端末１１に送信する。なお、更新後の新たなモデルパラメータの送信は、混雑度データの受信とは別のタイミングで実行してもよい。
携帯端末１１とサーバ１２は以上のように構成される。以下、携帯端末１１とサーバ１２それぞれが行う処理の詳細についてさらに説明する。
［混雑度データの例］
図３は、携帯端末１１で取得され、混雑度データ蓄積部４２に蓄積される混雑度データの例を示している。
混雑度データは、図３に示すように、混雑度が取得（計算）された日付と時刻、自セル１３の基地局ID、および、混雑度の組（セット）のデータである。
日付と時刻は、携帯端末１１のシステムクロックから取得される。日付と時刻の他に、曜日、平日か休日（祝祭日を含む）であるか、などの情報もデータとして含めてもよい。あるいは、気象情報（気温、湿度、降雨量、降雪量など）、周辺状況（明るさ、騒音など）、何らかのイベントが発生する情報などを含めて良い。また、基地局IDは、基地局１３を識別するIDである。基地局IDは、現在地のエリアを推定する情報となる。基地局IDの代わりに、スクランブルコードを用いてもよいし、基地局IDとスクランブルコードの両方を基地局ID１３の識別データとして記憶してもよい。スマートフォンのアプリケーションなどでは、自セル１３の基地局IDを取得するようなAPIが用意されている。
混雑度は、自セル１３の通信回線の混雑度を表す。例えば、符号分割多重接続（CDMA）方式では、多重化されるDPCHの数(Dedicated Physical Channel)、すなわち、自セル１３に属するユーザ数、若しくは、HSDPA(High Speed Downlink Packet Access)において複数のユーザが共有する高速下り共有チャンネルの数（HS-DSCHの数）が多くなると、各DPCH、あるいは、各HS-DSCHは拡散されているものの、各スクランブルコードの相関出力を少なからず増加させる。このため、最も大きかったスクランブルコードの相関出力をａとし、他のスクランブルコードの相関出力のうちで最も小さい相関出力をｂとすると、ユーザ数が増えて空き容量が減少するにつれ、または干渉が大きくなるにつれ、相関出力ｂ／相関出力ａが大きくなると考えられる。そこで、混雑度取得部４１は、相関出力ａと相関出力ｂの比率ｂ／ａを、混雑度（を示す指標）として利用できる。なお、混雑度の算出方法は、上述の例に限らず、通信方式等の所定の条件に従って適宜決定することができる。
図４は、携帯端末１１に、ある基地局１３の混雑度を、１５秒間隔で所定期間（約２か月）計測したときのデータを１日分ごとに重ね書きして示したグラフである。このデータは、一つの基地局１３の混雑度を１台の携帯端末１１で計測したデータであるが、複数の携帯端末１１で取得された混雑度を、データ前処理部６２によりマージし、ある一つの基地局１３について混雑度を集計した場合も、図４に示されるようなデータとなる。
図４の横軸は、１日内の時刻（０時から２４時）を示し、縦軸は、混雑度を示す。混雑度は、その値が大きいほど混雑していることを表す。
図４の混雑度を見ると、混雑度が「０．３」付近の「混雑状態」と、混雑度が「０．１」付近の「非混雑状態」という２つの状態がかすかに分かる。図４は、「混雑状態」と「非混雑状態」の２つの状態が観測される確率が、時間的に変化しているとも言える。予測部４５は、「混雑状態」と「非混雑状態」の２つの状態が観測される確率を予測できればよい。しかし、図４の状態では、２つの状態の観測確率の変遷をダイレクトに捉えることは難しい。
図５は、図４に示した混雑度のデータを、前後２０分ずつの計４０分間のデータの移動平均として算出した平均化混雑度のデータを示している。
図５のように平均化混雑度でプロットしてみると、図４における場合よりも時間的な変遷が分かりやすい。例えば、０時から８時ごろまでの平均化混雑度は、毎日似た傾向を示している。一方、８時から２４時までの平均化混雑度には、おおまかに２通りの変遷がある。このデータを取得した基地局１３がある場所がオフィス街であるので、８時から２４時までの混雑度が高い傾向のデータは平日のデータであり、混雑度が低い傾向のデータは、休日のデータであることが想像される。
そこで、例えば、図５に示したデータ取得期間のうち、１１月の１か月について日付別に、平均化混雑度を分類してみると、図６のようになる。
図６において、土曜日と日曜日、および、祝祭日（11/3，11/23）の日の平均化混雑度が、太線の枠で囲んで示されている。図６を見ると、土日、および、祝祭日の日の平均化混雑度は、平日の平均化混雑度と異なる傾向を示していることが分かる。すなわち、図５において、８時から２４時までの平均化混雑度に見られた２通りの変遷は、平日と休日の違いであることが分かった。
以上から、混雑度は、平日と休日とで傾向が異なることがわかった。したがって、例えば、学習するモデルとして、平日と休日とでデータを分けて、学習させる（パラメータを求める）ことが考えられる。この場合、学習モデルとして混雑度を予測する場合には、平日か休日かによって使用するモデルを変えることになる。
しかし、そのように、何らかの条件で場合分けをして学習することには、いくつか問題がある。例えば、混雑度のパターンが、本当に平日か休日かだけに依るものかどうかが確実ではなく、他の要因で様々なパターンが存在する可能性がある。すなわち、収集するデータの傾向を完全に把握した上で、モデル化する必要があり、また場合分けが多数になった場合には、演算処理も膨大となる。
換言すれば、曜日や、休日、平日などの必要となりそうな条件を入力でき、一つの学習モデルで学習することができる学習モデルが好ましい。このような学習モデルとして、本実施の形態では、カーネル回帰モデルの一種であり、サポートベクタ回帰モデルが採用される。サポートベクタ回帰モデルは、一般的なカーネル回帰モデルよりもパラメータの数を少なくすることができるという特徴を有している。これにより、パラメータ送受信時の携帯端末１１とサーバ１２間の通信容量、および、携帯端末１１のパラメータ記憶部４４の記憶容量を削減することができる。
［サポートベクタ回帰モデル］
サポートベクタ回帰モデルについて説明する。
サポートベクタ回帰は、線形基底の重みパラメータに、コスト関数を最適化するパラメータを用いる回帰分析の一種である。コスト関数としては、普通の回帰モデルでは二乗誤差がよく用いられるが、サポートベクタ回帰では、図７に示されるようなε許容誤差関数が使用される。
サポートベクタ回帰については、Ｃ．Ｍ．ビショップ著，パターン認識と機械学習（下），シュプリンガー出版に詳細が記載されている。
サポートベクタ回帰モデルでは、入力の説明変数ｘに対して、出力の目的変数ｙ（ｘ）が、次式（１）で表される。
Figure 2013211616
即ち、目的変数ｙ（ｘ）は、Ｍ個の基底関数φm（ｘ）（ｍ＝１，・・，Ｍ）と重み係数ｗmの積和で表される。なお、Ｍは、ここではデータ数Ｎとの大小関係で明確な関係はない。ここで、基底関数φm（ｘ）は、例えば、予め決められたパラメータの正規分布を基底とするガウス基底で与えられる。式（１）のｂは、バイアス項であり、学習により求めるパラメータは、式（１）の重み係数ｗmである。
式（１）の目的変数ｙ（ｘ）は、本実施の形態では、混雑度であり、図３に示した“日付”、“時刻”、“基地局ID”が説明変数ｘとなる。
したがって、説明変数ｘは、Ｄ次元（Ｄ≧１）のデータであり、ｍ番目の基底関数φm（ｘ）のＤ次元のデータを区別して示す場合には、ｘm,1:D＝｛ｘm,1，ｘm,2，・・・，ｘm,D-1，ｘm,D｝のように表す（１：Ｄは、１からＤまで全てを、略記している）。ｘが、例えば、“時刻”、“曜日”、“平日or休日”、“基地局ID”の組の混雑度データであるとすると、ｘは、４次元のデータとなる。“時刻”の情報は、たとえば、時間表示として、分や秒を小数点で表すことができる。“曜日”の情報は、各曜日に１から７のいずれかを割り当てて表すことができる。“平日or休日”の情報は、例えば、平日に「０」、休日に「１」を割り当てて表すことができる。
説明変数ｘの次元数Ｄは、入力できる他の情報があれば、さらに拡大することができる。例えば、気温、湿度、日照、降水量、降雪量、風向、風速などの気象状況が混雑度に関連するのであれば、このような気象情報を入力してもよい。また、ユーザが移動したときの位置に関係すると思われる交通状況なども入力してもよい。ただし、相関がないものを説明変数ｘとして入力すると、予測精度を劣化させることがある。したがって、説明変数ｘは、目的変数ｙ（ｘ）と相関が予想されるもののみとすることが望ましい。
サーバ１２の回帰モデル学習部６３では、上述した式（１）の重み係数ｗmが回帰モデルのパラメータとして求められる。
重み係数ｗmは、説明変数ｘと目的変数ｙ（ｘ）の観測値ｔのセットである学習データセットと、基底ベクトルφが与えられたときに、以下の誤差関数Ｅ（ｗ）を最小化する係数として求められる。誤差関数Ｅ（ｗ）は、学習データセットの説明変数ｘから予測した目的変数ｙ（ｘn）と、その観測値ｔnとの偏差（ｙ（ｘn）−ｔn）のコスト関数Ｅc（ｙ（ｘn）−ｔn）を、学習データセット全体で加算したものとして表される。
Figure 2013211616
しかし、誤差関数Ｅ（ｗ）を最小化する重み係数ｗmは、極端に大きな値になることでも、学習データセットに対する誤差関数Ｅ（ｗ）を小さくすることがある。しかし、極端に大きな値になることで誤差関数Ｅ（ｗ）が小さくなった場合には、未知のデータに対する予測性能はよくない。このような状態は、一般に、「過学習する」、あるいは、「汎化しない」などと呼ばれる。
そこで、このような汎化しない重み係数ｗmを求めることがないようにするため、重み係数ｗmに対して、式（２）に対して正則化とよばれる制約を付加した誤差関数Ｅ（ｗ）を最小化することで、重み係数ｗmが求められる。
Figure 2013211616
式（２）の正則化の方法は、重み係数ｗmの二乗和を誤差関数に追加する方法である。二乗和は、計算が容易になりやすいことから、このような方法が採用されている。また、コスト関数Ｅc（ｙ（ｘn）−ｔn）のサメーションに乗算されるC（＞０）は、正則化の強さを決定するための定数である。
サポートベクタ回帰で用いられる式（２）のコスト関数Ｅc（ｙ（ｘn）−ｔn）は、許容誤差εを導入し、目的変数ｙ（ｘn）と、その観測値ｔnとの偏差の絶対値｜ｙ（ｘn）−ｔn｜が許容誤差εよりも小さければ０、許容誤差ε以上であれば線形なコストが発生するとしたε許容誤差関数で表される。
以下の式（３）は、ε許容誤差関数の定義式であり、図７は、式（３）で表されるε許容誤差関数Ｅc（ｙ（ｘn）−ｔn）を示している。
Figure 2013211616
式（３）の絶対値を処理するために、以下のスラック変数ξおよびξ~を導入すると（ξ＞０，ξ~＞０）、
Figure 2013211616
 のように表すことができるので、式（２）は、
Figure 2013211616
 のように表すことができる。
したがって、式（２’）が最小化する誤差関数Ｅ（ｗ）となる。
以上より、回帰モデル学習部６３は、式（４）、ξ，ξ~＞０の制約条件の下で、式（２’）の誤差関数Ｅ（ｗ）を最小化する重み係数ｗmを求めることを行う。回帰モデル学習部６３は、この最小化問題を解くために、ラグランジュの未定乗数法を用いる。
式（４）、ξ，ξ~＞０の制約条件の下での式（２’）は、ラグランジュの未定乗数μ，μ~，ａ，ａ~を用いると、式（５）のように書くことができる。
Figure 2013211616
式（５）の第三項は、ξ，ξ~＞０の制約に対応し、第四項および第五項は、式（４）の制約に対応する。
式（５）のラグランジュ関数を最小化するように、ｗ，ｂ，ξ，ξ~の偏微分を０として、これらの変数を消去すると、結局、未定の変数は、ラグランジュの未定乗数ａとａ~のみとなり、式（５）は、その双対関数である以下の関数（式（３’））を最小化することになる。
Figure 2013211616
 ただし、式（５）のｋ（ｘn，ｘm）は、ｋ（ｘn，ｘm）＝ｋ（ｘ，ｙ）として、基底関数の全要素を縦に並べた基底関数ベクトルφ（ｘ）を用いて、
Figure 2013211616
 と表すことができるカーネル関数である。φ（ｘ）Tは、φ（ｘ）の転置を表す。
式（６）のカーネル関数ｋ（ｘ，ｙ）は、基底関数ベクトルφが既知であれば当然定まるが、基底関数ベクトルφが未定であっても、例えば、式（７）のように定義することができる。
Figure 2013211616
 式（７）のカーネル関数ｋ（ｘ，ｙ）は、ガウスカーネルと呼ばれ、Ｄは入力の説明変数ｘの次元である。σは、たとえば、入力の説明変数ｘの標準偏差をそのまま使うことができる。
式（７）のカーネル関数ｋ（ｘ，ｙ）を用いると、式（１）は、次式（８）のように書き直すことができる。
Figure 2013211616
 ここで、式（８）のバイアス項ｂは、
Figure 2013211616
 などで予め計算して与えておくことができる。なお、このようにカーネル表記する場合、式（１）のＭを、データ数Ｎとすることで、式（１）と等価な表現となる。
このようにすると、サポートベクタ回帰は、式（１）の重み係数ｗmを求めるかわりに、式（８）のパラメータ（ラグランジュ未定乗数）ａnとａn~を求めることに帰着する。
ここで、式（８）のパラメータａnとａn~を求める方法として、（１）連立方程式により解く方法と、（２）勾配法により解く方法の２つの方法を説明する。
［連立方程式によるパラメータ算出処理］
図８は、連立方程式により回帰モデルのパラメータａnとａn~を求めるパラメータ算出処理のフローチャートである。
初めに、ステップＳ１において、回帰モデル学習部６３は、パラメータａnとａn~の初期値を所定の方法で決定する（ｎ＝１，・・・，Ｎ）。
ステップＳ２において、回帰モデル学習部６３は、学習データセットの各混雑度データを、式（８）に代入し、予測値ｙi＝ｙ（ｘi）を計算する。
ステップＳ３において、回帰モデル学習部６３は、目的変数ｔiが予測値ｙiに対して許容誤差εより大きい混雑度データ、すなわち、（ｔi−ｙi）＞εを満たすデータを、グループＡとする。また、回帰モデル学習部６３は、目的変数ｔiが予測値ｙiに対して許容誤差εより小さい混雑度データ、すなわち、（ｔi−ｙi）＜εを満たすデータを、グループＢとする。
ステップＳ４において、回帰モデル学習部６３は、混雑度データがグループＡに含まれるか、または、グループＢに含まれるかによって式を切り分けながら連立方程式を立てて、パラメータａkとａk~（ｋ＝１，・・・，Ｎ）について解く。
すなわち、グループＡに含まれる混雑度データは、以下の式（１０−１）が成立し、グループＢに含まれる混雑度データは、以下の式（１０−２）が成立する。したがって、回帰モデル学習部６３は、混雑度データがグループＡに含まれるか、または、グループＢに含まれるかに応じて式（１０−１）または式（１０−２）に代入した連立方程式を立てて、パラメータａkとａk~（ｋ＝１，・・・，Ｎ）について解く。
Figure 2013211616
 ここで、ｖk＝ａk−ａk~である。なお、混雑度データがグループＡまたはグループＢのいずれでもない場合には、ｖkはゼロとされ（ｖk＝０）、サメーション（Σ）の項は省略される。
ステップＳ５において、回帰モデル学習部６３は、連立方程式を解くことにより得られたｖkから、パラメータａkとａk~を決定する。すなわち、グループＡに属するｖkについては以下の式（１１−１）、グループＢに属するｖkについては以下の式（１１−２）により、パラメータａkとａk~が決定される。
Figure 2013211616
ステップＳ６において、回帰モデル学習部６３は、決定されたパラメータａkとａk~が以下の制約を満たすか否かを判定する。
Figure 2013211616
ステップＳ６で、決定されたパラメータａkとａk~が制約を満たさないと判定された場合、処理はステップＳ２に戻り、それ以降の処理が繰り返される。すなわち、決定されたパラメータａkとａk~を用いてステップＳ２乃至Ｓ６の処理が再度実行される。
一方、ステップＳ６で、決定されたパラメータａkとａk~が制約を満たすと判定された場合、処理は終了する。
［勾配法によるパラメータ算出処理］
図９は、勾配法により回帰モデルのパラメータａnとａn~を求めるパラメータ算出処理のフローチャートである。
この処理では、初めに、ステップＳ１１において、回帰モデル学習部６３は、パラメータａnとａn~の初期値を所定の方法で決定する（ｎ＝１，・・・，Ｎ）。
ステップＳ１２において、回帰モデル学習部６３は、パラメータａnとａn~を、以下の式（１２）に代入して更新し、更新後のパラメータａn’とａn’~を取得する。
Figure 2013211616
ステップＳ１３において、回帰モデル学習部６３は、パラメータａnとａn~の更新を、予め設定した所定の回数繰り返したか否かを判定する。
ステップＳ１３で、回帰モデル学習部６３は、パラメータａnとａn~の更新を所定回数繰り返していないと判定した場合、処理をステップＳ１２に戻し、パラメータａnとａn~の更新を繰り返す。
一方、ステップＳ１３で、パラメータａnとａn~の更新を所定回数繰り返したと判定された場合、回帰モデル学習部６３は処理を終了する。
なお、ステップＳ１３の終了条件は、パラメータ更新の繰り返し回数ではなく、パラメータａnとａn~の更新による式（３’）のラグランジュ関数の変化分が所定の閾値（収束幅）以下となったかどうかで判定してもよい。
図１０は、上述したいずれかの方法により算出されたサポートベクタ回帰モデルのパラメータａnとａn~の例を示している。
図１０に示されるパラメータａnとａn~が、回帰モデルの学習結果として、回帰モデル学習部６３内に記憶されている。なお、パラメータａnとａn~は、説明変数ｘn,1:Dと対応しているので、パラメータａnとａn~は、説明変数ｘn,1:Dおよび目的変数ｔnとセットで記憶されている。
なお、回帰モデル学習部６３に回帰モデルのパラメータを記憶する際には、パラメータａnとａn~のうち、ａnとａn~の両方がゼロのパラメータは省略することができる。サポートベクタ回帰では、ａnとａn~の両方がゼロのパラメータが多数出現するという特徴があり、サポートベクタ回帰モデルを学習モデルとして採用することにより、記憶容量を削減することができる。
［データ更新処理の説明］
図１１のフローチャートを参照して、携帯端末１１が、自セル１３の混雑度の取得と、サポートベクタ回帰モデルのパラメータ更新を行うデータ更新処理について説明する。
初めに、ステップＳ２１において、携帯端末１１の混雑度取得部４１は、自セル１３の混雑度を取得（計算）する。自セル１３の混雑度は、予め定めた一定間隔で取得するようにしてもよいし、例えば、ユーザが混雑度の計測を指示したときなど、不定期に取得するようにしてもよい。混雑度取得部４１によって取得された混雑度は、“時刻”、“曜日”、“平日or休日”、“基地局ID”の説明変数とともに混雑度データ蓄積部４２に供給され、蓄積される。
ステップＳ２２において、サーバ通信部４３は、サーバ１２に接続するタイミングとなったかを判定する。携帯端末１１では、混雑度データ蓄積部４２に蓄積された混雑度データを送信するタイミングが一日一回などのように予め設定されており、サーバ通信部４３は、そのタイミング（設定時刻）となったかどうかを判定する。
ステップＳ２２で、サーバ１２に接続するタイミングではないと判定された場合、処理はステップＳ２１に戻る。一方、ステップＳ２２で、サーバ１２に接続するタイミングとなったと判定された場合、処理はステップＳ２３に進む。
ステップＳ２３において、サーバ通信部４３は、混雑度データ蓄積部４２に蓄積された混雑度データをサーバ１２に送信する。
ステップＳ２４において、サーバ通信部４３は、サーバ１２から、サポートベクタ回帰モデルの更新されたパラメータａnとａn~、及びその説明変数ｘkを受信し、パラメータ記憶部４４に記憶させる（ｎ＝１，・・・，Ｎ）。パラメータａnとａn~がまだ更新されていない場合には、ステップＳ２４の処理はスキップされる。
更新されたパラメータａnとａn~、及びその説明変数ｘkがパラメータ記憶部４４に記憶されると、処理はステップＳ２１に戻り、それ以降の処理が再び実行される。これにより、携帯端末１１が電源オフされるまで、自セル１３の混雑度が取得され、混雑度データが蓄積される。
［予測処理の説明］
図１２は、携帯端末１１が取得したサポートベクタ回帰モデルのパラメータを用いて、自セル１３以外の所定の基地局１３の混雑度を予測する予測処理を説明するフローチャートである。
初めに、ステップＳ４１において、携帯端末１１の入力部４６は、混雑度を予測する時刻と基地局１３をユーザに指定させ、指定された時刻と基地局１３を予測部４５に入力する。
ステップＳ４２において、予測部４５は、パラメータ記憶部４４に記憶されているサポートベクタ回帰モデルのパラメータを用いて、ユーザに指定された時刻と基地局１３の混雑度を予測（推定）する。
ステップＳ４３において、予測部４５は、予測結果を表示部４７に供給し、表示部４７で表示させる。表示部４７は、予測部４５から供給された予測結果を表示して、処理を終了する。
なお、一般に、ユーザは、基地局１３の位置や基地局IDなどを把握していない。したがって、携帯端末１１の内部メモリに、基地局IDと、そのカバーエリアとを対応付けた基地局IDテーブルを記憶し、ユーザには、混雑度を予測したい場所（住所）または地名などを入力させ、入力部４６または予測部４５が、入力された場所または地名を、記憶している基地局IDテーブルに基づいて基地局IDに変換するようにしてもよい。
［学習処理の説明］
次に、図１３のフローチャートを参照して、サーバ１２がサポートベクタ回帰モデルのパラメータを学習（更新）する学習処理について説明する。
初めに、ステップＳ６１において、混雑度データ取得部６１は、各携帯端末１１から所定のタイミングで送信されてくる混雑度データを取得（受信）し、データ前処理部６２に供給する。
ステップＳ６２において、データ前処理部６２は、各携帯端末１１で取得された混雑度データをマージし、ステップＳ６３において、時系列に並べ替える。
そして、ステップＳ６４において、データ前処理部６２は、基地局ごとにサポートベクタ回帰モデルのパラメータを求めるかを判定する。基地局ごとにサポートベクタ回帰モデルのパラメータを求めるか否かは、例えば、設定ファイルによって予め設定されている。
ステップＳ６４で、基地局ごとにパラメータを求めると判定された場合、処理はステップＳ６５に進み、データ前処理部６２は、時系列に並べ替えた混雑度データを基地局別に分類する。すなわち、データ前処理部６２は、時系列に並べ替えられた混雑度データを基地局IDで分類する。
そして、ステップＳ６６において、データ前処理部６２は、時系列に並んだ混雑度データに対して所定の時間幅で混雑度の移動平均を基地局ごとに算出し、移動平均化された混雑度（すなわち、平均化混雑度）を算出する。混雑度の項目（の値）が平均化混雑度に置き換えられた混雑度データが、新たな学習用データとして、データ前処理部６２から回帰モデル学習部６３に供給される。
ステップＳ６７において、回帰モデル学習部６３は、図８または図９を参照して説明した手法を用いて、基地局ごとに、サポートベクタ回帰モデルのパラメータを求める。すなわち、回帰モデル学習部６３は、データ前処理部６２から供給された新たな学習用データと、それまでに蓄積されている学習用データを学習データセットとして、混雑度を推定するサポートベクタ回帰モデルのパラメータを基地局ごとに求める。
一方、ステップＳ６４で、サポートベクタ回帰モデルのパラメータを学習用データ全体で求めると判定された場合、処理はステップＳ６８に進み、データ前処理部６２は、時系列に並べ替えた混雑度データを基地局別に分類する。そして、ステップＳ６９において、データ前処理部６２は、時系列に並んだ混雑度データに対して所定の時間幅で混雑度の移動平均を基地局ごとに算出し、平均化混雑度を算出する。
そして、ステップＳ７０において、データ前処理部６２は、混雑度の項目（の値）が平均化混雑度に置き換えられた混雑度データが時系列に並んだ、基地局ごとの混雑度データを再びマージする。
ステップＳ７１において、回帰モデル学習部６３は、図８または図９を参照して説明した手法を用いて、新たな学習用データと、それまでの学習用データを学習データセットとして、サポートベクタ回帰モデルのパラメータを求める。
ステップＳ７２において、回帰モデル学習部６３は、学習により得られたサポートベクタ回帰モデルのパラメータを圧縮する。例えば、図１０を参照して説明したように、サポートベクタ回帰モデルのパラメータには、ａnとａn~の両方がゼロのパラメータが多数出現する。したがって、ａnとａn~の両方がゼロの項目を削除し、ａnとａn~の両方がゼロではないパラメータを送信対象のデータとすることにより、パラメータを圧縮することができる。また、基地局ごとにパラメータを求めている場合には、ユーザが使用する基地局のパラメータのみを集めることにより、パラメータを圧縮することができる。
ステップＳ７３において、パラメータ送信部６４は、更新されたパラメータを携帯端末１１に送信して、処理を終了する。
なお、図１３では、混雑度データの受信（ステップＳ６１）、データ前処理およびパラメータ学習（ステップＳ６２乃至Ｓ７２）、および、パラメータの送信（ステップＳ７３）が、一連の処理として説明されている。しかし、混雑度データの受信およびパラメータの送信は、携帯端末１１が接続するタイミングに依存するので、実際には別々のタイミングで実行される。
図１３の処理では、サポートベクタ回帰モデルのパラメータを基地局ごとに求めるか、学習用データ全体として求めるかを選択できるようにしたが、どちらか一方のみが実行できるようにしてもよい。学習用データ全体として求めるのみである場合には、学習用データとして蓄積される混雑度データの“基地局ID”の項目は省略可能である。
また、携帯端末１１またはサーバ１２の少なくとも一方に、各基地局の基地局IDと座標（所在地）とを対応付けたテーブルを記憶するようにして、混雑度データの説明変数“基地局ID”の項目の値を、基地局の座標として蓄積することができる。“基地局ID”では、互いの基地局の隣接度（距離）が分からないが、基地局の座標を用いることで、互いの基地局の隣接度（距離）も分かるようになる。したがって、例えば、基地局１３−４の混雑度を推定した推定結果が“混雑している”場合に、次に、隣接する基地局１３−３または１３−５の混雑度を推定するような処理も可能となる。
［予測結果の例］
図１４乃至図１６を参照して、サポートベクタ回帰モデルにより混雑度を予測した予測結果について説明する。
図１４と図１５それぞれは、ある一日の混雑度を実際に計測した実測値（Real）と、サポートベクタ回帰モデルにより予測した予測値（Prediction）を重ねて比較した図である。図１４は、平日の金曜日の一日のデータであり、図１５は、休日の日曜日の一日のデータである。なお、サポートベクタ回帰モデルの説明変数ｘには、｛“時刻”，“曜日”，“平日or休日”｝が含まれている。
図１４と図１５の実測値を比較して分かるように、平日と休日では、混雑度のパターン（傾向）が異なるが、そのように混雑度のパターンが異なる場合であっても、学習により得られたサポートベクタ回帰モデルが実測値をよく表現していることが分かる。すなわち、平日と休日の両方で、予測値が実測値をよく表現している。
図１６は、図１４の平日の一日について、予測値と実測値の一致度を１時間単位で計算したグラフである。
図１６において、予測値と実測値の一致度は、実測値と予測値との差の最小値を、実測値と予測値との差の最大値で除算した値として求めた。すなわち、一致度は、
一致度 ＝ MIN(実測値、予測値)／MAX（実測値、予測値）
とした。この算出方法によれば、一致度は、実測値と予測値が一致すれば１００％となり、実測値が予測値よりも大きい場合と、実測値が予測値よりも小さい場合のいずれも、１００％を下回る値となる。したがって、１時時間単位、１日単位、１か月単位などの平均を取った場合に、予測値と実測値との誤差の正負が異なっても打ち消しあうことがなく、重なり具合を評価することができる。
図１４の平日の一日について、一致度の平均値であるoverlapは、図１４に示されるように、９４．６％であり、３か月間の一致度の平均値であるaccumは、図１４に示されるように９０％である。
図１５の休日の一日について、一致度の平均値であるoverlapは、図１５に示されるように、９１．６％であり、３か月間の一致度の平均値であるaccumは、図１５に示されるように９０％である。
このように、平日と休日のように、混雑度のパターン（傾向）が異なる場合であっても、サポートベクタ回帰モデルは、精度よく混雑度を予測することができると言える。
［関連ベクタ回帰モデル］
次に、関連ベクタ回帰モデルについて説明する。
サポートベクタ回帰では、ａnとａn~の両方がゼロのパラメータが多数出現するという特徴があり、パラメータの記憶容量を削減することができるという特徴があった。関連ベクタ回帰モデルは、後述するように、サポートベクタ回帰モデルよりもさらにパラメータ数を少なくすることができる。
関連ベクタ回帰では、説明変数ｘに対して目的変数ｙを回帰する式が、サポートベクタ回帰と同様に、次式（１３）で表すことができる。
Figure 2013211616
 ここで、ｋ（ｘ，ｘn）は、カーネル関数であり、式（７）で与えられる。また、ｂはバイアス項であり、式（９）で与えられる。サポートベクタ回帰の場合と同様、説明変数ｘは、“時刻”、“曜日”、“平日or休日”、“基地局ID”などの情報であり、また、目的変数ｙ（ｘ）は混雑度である。
サポートベクタ回帰では、上述したように、重み係数ｗmが極端に大きな値になることを避けるために正則化と呼ばれる制約が付加された。これに対して、関連ベクタ回帰では、重み係数ｗmが極端に大きな値になることを避けるため、重み係数ｗmは小さい値であるという仮定が重み係数ｗmの事前分布により付加される。そのため、重み係数ｗmを確率的に取り扱うことが必要となる。
まず、重み係数ベクトルｗと説明変数Ｘが与えられたときに、目的変数ｔを生成する尤度を考える。学習データセットの尤度ｐ（ｔ｜Ｘ，ｗ，β）は、次式（１４）で与えられる。
Figure 2013211616
 式（１４）の左辺のＸは、学習データセット中のＤ次元ベクトルの説明変数ｘを、N列並べた行列である。左辺のｗは、重み係数ｗmのベクトルである。βは正の実数であり、ｔは目的変数ｙ（ｘ）の真値（実測値）である。式（１４）の右辺は、学習データセットの真値ｔは、予測ｙ（ｘ）を中心として、各混雑度データで独立に、同一の分散をもつ正規分布に従って生成されると仮定した式である。N（ｔn｜y（Ｘn，ｗ）、β-1）は、正規分布である。y（Xn，ｗ）は、式（１３）で計算される。ｔnは目的変数である。また、β-1は、正規分布ノイズの分散の逆数である。
重み係数ベクトルｗの値が大きくならないという仮定は、以下の事前分布で取り込まれる。
Figure 2013211616
 式（１５）では、重み係数ｗmが、０を中心に、分散αn -1で正規分布する値と仮定することで、小さい値であるという仮定が取り込まれている。
以上の尤度と、事前分布を利用すると、重み係数ベクトルｗの事後分布も正規分布で表すことができて、式（１６）のように表すことができる。
Figure 2013211616
式（１６）の重み係数ベクトルｗの平均ｍと分散Σは、学習データセットと、αやβを用いて、
Figure 2013211616
 で与えられる。ここでは、Φはカーネル、Φnm＝ｋ（ｘn，ｘm）である。
よって、重み係数ベクトルｗは、パラメータαとβが決まれば、与えられた学習データセットとカーネルΦ（Φnm＝ｋ（ｘn，ｘm））によって一意に決まる。
そこで、最後に、このパラメータαとβを求めることを考える。パラメータαとβの尤度は、式（１４）、式（１５）を重み係数ベクトルｗについて周辺化することで求められる。
Figure 2013211616
パラメータα、βの値は、最尤推定によって求めるが、式（１８）の尤度を最大化するα、βは直接求められないので、以下のような逐次推定を行うことで求められる。
Figure 2013211616
 式（１９）のｍ，Σは、上述した式（１７）のｍ，Σである。この逐次推定を、尤度の変化分が所定の収束条件を満たすまで繰り返すことで、パラメータαとβの値が求められる。
以上のようにして求められたαとβを用いると、式（１７）のように、重み係数ベクトルｗの中心値と分散値が求められる。最後に、重み係数ベクトルｗの値を、中心値で代用することで、式（１３）の回帰が可能になる。
関連ベクタ回帰のパラメータαとβの値を求める学習処理は、上述した図１３の処理と同様である。
図１７は、関連ベクタ回帰のグラフィカルモデルである。
図１７のグラフィカルモデルでは、関連ベクタ回帰において、重み係数ｗi（ｉ＝１，・・・，Ｋ）は、確率変数であり、パラメータαi（ｉ＝１，・・・，Ｋ）に依存して決められることを表している。また、目的変数ｙ（ｘ）の実測値ｔn（ｎ＝１，・・・，Ｎ）は、重み係数ｗiの組み合わせと、ノイズβ、および、図示せぬ所定の基底関数ベクトルφと、説明変数ｘで決まることを表している。前述のように、基底関数φとして、カーネル関数ｋ（ｘ，ｘn）を用いても良い。この場合は、Ｋ=Ｎである。そして、αとβを最尤推定することで、重み係数ｗiの平均ｍiと分散Σiを求めて、重み係数ｗiの平均ｍiを利用して、説明変数ｘに対する実測値ｔの予測値ｙ（ｘ）が求められる。
関連ベクタ回帰のグラフィカルモデルについては、C.M.Bishop, M.E.Tipping, Variagtion Relevance Vector Machines, Uncertainty in artificial intelligence proceedings 2000，などで詳細が説明されている。
図１８は、学習により求められた関連ベクタ回帰モデルのパラメータｍとΣの例を示している。
関連ベクタ回帰モデルでは、式（１）の重み係数ｗmの代わりに、式（１３）の重み係数ｗnの平均ｍnと分散Σnが、パラメータとして回帰モデル学習部６３内に記憶される。なお、重み係数ｗnの分散Σnは、予測の範囲などの正確さを知りたいときに必要となり、上述したように、説明変数ｘに対する実測値ｔの予測値ｙ（ｘ）を求めるだけであれば、省略することができる。図１８では、図１０に示したサポートベクタ回帰の場合と同様、説明変数ｘn,1:Dおよび目的変数ｔnもセットで記憶されている。
図１８から、関連ベクタ回帰モデルのパラメータは、平均ｍn、分散Σn、説明変数ｘn,1:D（D次元）、目的変数ｔnの（３＋D）×N個のパラメータが必要である。しかし、関連ベクタ回帰モデルでは、上述のパラメータαnに非常に大きな値と推定されるものが多数あることが知られており、大きな値と推定されたαnは平均ｍnと分散Σnが０になる。そこで、大きな値と推定されたαnに対応する平均ｍnと分散Σnを省略することで、関連ベクタ回帰モデルのパラメータの個数を非常に少なくすることができる。
［予測結果の例］
図１９は、関連ベクタ回帰モデルにより混雑度を予測した予測結果を示している。
図１９は、サポートベクタ回帰モデルのときに図１４や図１５で示したのと同様に、ある一日の混雑度を関連回帰モデルにより予測した予測値（Prediction）と、実測値（Real）とを重ねて比較した図である。
図１９の一日について、一致度の平均値であるoverlapは、図１９に示されるように、９４．８％であり、３か月間の一致度の平均値であるaccumは、図１９に示されるように８８％である。
［サポートベクタ回帰モデルと関連ベクタ回帰モデルの比較例］
図２０は、サポートベクタ回帰モデルと関連ベクタ回帰モデルの予測性能を比較した比較結果の例を示している。
図２０は、横軸を日付（Date）、縦軸をoverlapとして、計測した１日目から３５日目までの、サポートベクタ回帰モデルと関連ベクタ回帰モデルそれぞれのoverlapを示している。図２０において、点（・）の折れ線が、サポートベクタ回帰モデル（SVR）のoverlapを示しており、丸（○）の折れ線が、関連ベクタ回帰モデルのoverlapを示している。
図２０を見ると、計測を開始してから、７日程度で、関連ベクタ回帰モデルのoverlapが、安定してきている。サポートベクタ回帰モデルと関連ベクタ回帰モデルでは、関連ベクタ回帰モデルの方が若干性能が劣るが、１０日目以降になると、その差は２％未満となり、ほとんどないと言っていい。したがって、２％未満の値を許容するかどうかにもよるが、多くのアプリケーションでは、関連ベクタ回帰モデルを用いても十分であると考えられる。
図２１は、サポートベクタ回帰モデルと関連ベクタ回帰モデルの非０の重みデータの個数を比較した図である。
図２１は、学習データセットの個数、サポートベクタ回帰で重みが０でなかったデータの個数、関連ベクタ回帰で重みが０にならなかったデータの個数の履歴を示している。
図２１において、横軸は日数を表し、１日目から３５日目までを示している。また、縦軸は、データの個数を示している。なお、３５日目のデータ個数は、欄外にはみ出ているが、学習データセットが約３０００個、サポートベクタ回帰モデルが約２２００個、関連ベクタ回帰モデルが約６０個となっている。
図２１を参照すると、３５日間で収集された３０００個の学習データセットのうち、サポートベクタ回帰モデルでは２２００個のデータを記憶しておく必要があるが、関連ベクタ回帰モデルでは、６０個のデータを記憶するだけで足りる。また、関連ベクタ回帰モデルのデータ個数は、１０日目以降からほとんど変化がない。このように、学習データセットが増えても、関連ベクタ回帰モデルで必要とされるデータ数は非常に少ない。したがって、関連ベクタ回帰モデルによるモデル化は、学習データセットを携帯端末１１に送信して、計算リソースの少ない携帯端末１１で予測処理を行うために適している。
関連ベクタ回帰モデルで、必要となるデータサイズを見積もる。
収集する混雑度データの個数をNとすると、説明変数：D（次元数）×N、目的変数：１×Nであわせて、学習データセットのデータ個数は、（D＋１）×N程度必要である。以下では、Dは、“時刻”、“曜日”、“平日or休日”として、D＝３とする。
一日あたり１基地局で２４時間、１時間あたり１０点（６分間隔）とすると、一日の混雑度データの個数は、２４×１０＝２４０個となる。この条件で一ヶ月分（３０日分）収集すると、混雑度データの全個数Nは２４０×３０＝７２００個となる。よって、学習データセットのデータ個数は、（D＋１）×N＝（３＋１）×７２００＝２８８００個となる。この学習データセットの各データを、全てダブル精度（４バイト）のデータ形式で記憶すると、必要となるデータサイズは、２８８００×４Ｂ＝１１５．２ｋBとなる。つまり１基地局、１ヶ月あたり、約１００ｋBが必要となる。
これに対して、関連ベクタ回帰モデルで学習して、モデルパラメータを利用する場合は、図２１の結果から、記憶する混雑度データの全個数Nは、６０／３０００＝１／５０で済むから、７２００÷５０＝１４４個でよい。そして、１個の混雑度データあたりのパラメータの数は、説明変数D＝３個、目的変数１個、重みの平均１個で、Ｄ＋２個のデータが必要なので、１４４×５＝７２０個のデータ個数を記憶することになる。この結果、必要となるデータサイズは、７２０×４Ｂ＝２．９ｋBとなる。したがって、関連ベクタ回帰モデルによれば、約１００ｋBのデータ量を、約２．９ｋBに圧縮することができる。そして、例えば、１０００基地局のデータを集めたとしても、関連ベクタ回帰モデルでは、２．９MBのデータベースで予測が可能となる。＾
＜応用例＞
［周辺基地局情報アプリケーション］
これまでの説明では、携帯端末１１において、ユーザが混雑度を知りたい基地局１３を指定して、予測部４５が、指定された基地局１３の混雑度を回帰モデルにより予測して出力する例について説明した。
しかし、「混雑度」という指標は、ユーザにとって理解し易いものではない。また、自セル１３の混雑度が高いときに、代替となる基地局１３を提示することができれば、ユーザにとって便利である。
そこで、自セル１３の「混雑度」という指標の代わりに「通信レート」を提示するとともに、自セル１３の周辺の基地局１３の「通信レート」と、そのカバレージエリア（あるいは、ハンドオーバーして自セル１３になると見込まれる）までの距離を提示するアプリケーションが考えられる。
図２２は、そのようなアプリケーションにより携帯端末１１の表示部４７に表示された予測結果画面の例を示している。
図２２において、「CurrentPosition」は、ユーザの携帯端末１１の現在地を示しており、［A1，４Mbps］で示される基地局１３が現在地に対応する自セル１３である。［A1，４Mbps］は、通信事業者Aの基地局１３であり、現在の通信レートが４Mbpsであることを示している。
携帯端末１１の現在地に対して、自セル１３以外の基地局１３としては、［B2，10Mbps@NW400m］、［B1，2Mbps@SW100m］、［A2，13Mbps@SE300m］で示される３つの基地局１３がある。
［B2，10Mbps@NW400m］で示される基地局１３は、通信事業者Bの基地局１３であり、カバレージエリアまでの距離が北西（NW）に400ｍであり、通信レートが10Mbpsであることを示している。［B1，2Mbps@SW100m］で示される基地局１３は、通信事業者Bの基地局１３であり、カバレージエリアまでの距離が南西（SW）に100ｍであり、通信レートが2Mbpsであることを示している。また、［A2，13Mbps@SE300m］で示される基地局１３は、通信事業者Aの基地局１３であり、カバレージエリアまでの距離が南東（SE）に300ｍであり、通信レートが13Mbpsであることを示している。
自セル１３に対する周辺の基地局１３は、例えば、基地局１３ごとに周辺の基地局１３を記憶させたテーブルを保持することで認識することができる。また、各基地局１３を基地局IDではなく、座標（位置）で記憶している場合には、その位置情報を利用してもよい。また、通信レートは、基地局１３の混雑度、パイロット信号のSIR(Signal to Interference Ratio)および拡散率などを用いて推定することができる。通信レートの算出方法については、上述した特許文献２に記載されている。
以上のように、このアプリケーションによれば、どちらの方角にどれだけ移動すると、どれくらいの通信レートになるかを予測して表示することができる。また、この予測結果に基づいて、基地局１３や事業者を切り替えるなどの制御を行うことも可能である。
なお、基地局１３の通信レート、カバレージエリアなどの情報の提供方法は、図２２のように地図上に表示する方法に限らず、単純にリストアップして提供する方法、音声案内により提供する方法など任意である。また、このようなアプリケーションが他のアプリケーションの一部として組み込まれていてもよい。
［移動予測機能と連携したアプリケーション］
その他のアプリケーション例について説明する。
本出願人は、ユーザの移動経路と目的地を所定の学習モデルで学習し、その学習結果に基づいて、ユーザの移動経路および目的地を予測する技術を、特開２０１１−０５９９２４、特開２０１１−２５２８４４などで提案している。この移動予測機能と、本明細書で提案する所定の時刻および位置における混雑度予測機能とを連携することにより、予測した移動経路と目的地で接続可能な基地局１３の混雑度を予測し、自セル１３を適切に選択するアプリケーションが実現可能である。
特開２０１１−０５９９２４、特開２０１１−２５２８４４などで提案している移動予測機能では、ユーザの移動経路と目的地を学習する学習モデルとして、隠れマルコフモデルが採用されている。そこで、隠れマルコフモデルについて簡単に説明する。
図２３は、隠れマルコフモデルの状態遷移図を示している。
隠れマルコフモデルは、時系列データを、隠れ層における状態の遷移確率と観測確率によってモデル化する確率モデルである。ユーザの移動経路と目的地を学習する学習モデルとする場合は、GPSセンサなどにより得られたユーザの移動履歴を示すデータが学習用の時系列データとなる。隠れマルコフモデルの詳細は、例えば、上坂吉則／尾関和彦著，「パターン認識と学習のアルゴリズム」，文一総合出版、Ｃ．Ｍ．ビショップ著，「パターン認識と機械学習」，シュプリンガー・ジャパンなどに記載されている。
図２３では、状態S１、状態S２、および状態S３の３つの状態と、遷移T１乃至T９の９つの遷移Tが示されている。遷移Tそれぞれは、遷移前の状態を表す始状態、遷移後の状態を表す終状態、および、始状態から終状態に遷移する確率を表す遷移確率の、３つのパラメータで定義される。また、状態それぞれは、データが予め決められた離散シンボルのどれかを取るものとして、各シンボルを取る確率を表す観測確率を、パラメータとして有する。
図２４は、ユーザの移動履歴を隠れマルコフモデルにより学習した学習結果を示している。
図２４において、学習用データは、ユーザの過去の移動履歴であり、ユーザが過去に移動したときGPSセンサで計測された時刻、経度、および緯度の時系列データである。また、図２４において、移動経路を覆うように配置されている複数の楕円それぞれは、隠れマルコフモデルの状態から生成される計測データの確率分布の等高線を示している。また、図２４では、理解を容易にするために、学習用データを記録したときのユーザの目的地を、楕円より少し大きめの円で明示した。
図２４に示される複数の楕円それぞれに対応する状態の中心値と分散値が、隠れマルコフモデルのパラメータとして学習されている。また、図２４に示される複数の楕円それぞれに対応する状態間の遷移確率も、隠れマルコフモデルのパラメータとして学習されている。目的地は、学習により得られた隠れマルコフモデルの複数の状態のうち、滞在時間の長い状態ノードが目的地ノードとして設定されている。
［移動経路と目的地を予測して混雑度を予測する予測処理］
図２５は、移動予測機能と連携したアプリケーションにより実行される、移動経路と目的地を予測して、その予測結果に応じて混雑度を予測する予測処理のフローチャートである。図２５では、この移動予測機能と連携したアプリケーションを、携帯端末１１の予測部４５が行い、予測部４５は、移動予測機能を実行する移動予測部と、混雑度の予測を行う混雑度予測部を有するものとして、説明する。
初めに、ステップＳ１０１として、予測部４５の移動予測部は、GPSセンサ等により現在地を取得し、現在地に対応する隠れマルコフモデルの状態ノードを推定する。
ステップＳ１０２において、予測部４５の移動予測部は、現在地からユーザが移動する目的地と、そこまでの移動経路を予測する。移動予測部は、学習により得られた隠れマルコフモデルを用いて、現在の状態ノードから連なる状態遷移図をツリー探索して、目的地に対応する目的地ノードを探索する。目的地と、そこまでの移動経路は、複数検出される場合もある。例えば、移動予測部は、目的地への到達確率が高い順に所定数の目的地をリストアップするとともに、目的地へ行く経路のうち最も生起確率の高い経路を代表経路として決定する。
ステップＳ１０３において、予測部４５の移動予測部は、予測した目的地の目的地ポイントと、そこまでの移動経路のうちの所定地点を移動経路ポイントとして、予測部４５の混雑度予測部に入力する。目的地ポイントは、目的地ノードの状態パラメータである中心値で与えられ、移動経路ポイントは、例えば、移動経路を一定時間または一定区間で区切ったときの各区間を代表する状態ノードの中心値などで与えることができる。また、移動予測部は、目的地や移動経路とともに、各状態ノードに到達するときの到達時間（到達予定時刻）も予測することができるので、その時刻も、目的地ポイントや移動経路ポイントともに混雑度予測部に入力される。
ステップＳ１０４にいて、予測部４５の混雑度予測部は、入力された時刻における目的地ポイントと移動経路ポイントの混雑度を予測する。そして、ステップＳ１０５において、混雑度予測部は、予測結果を表示部４７に表示させて、処理を終了する。
以上のようにして、移動予測機能と混雑度予測機能とを連携することにより、予測した移動経路と目的地において接続可能な基地局１３の混雑度を予測することができる。なお、図２５の処理では、目的地と移動経路のポイントを同時に求めたが、現時点から所定時間内に到達可能な目的地と移動経路の少なくとも一つを求めるようにしてもよい。また、移動先に応じて予測した混雑度を利用して、接続する基地局１３を選択することも勿論可能である。移動予測機能の詳細については、本出願人による特開２０１１−０５９９２４、特開２０１１−２５２８４４などに説明されている。
図２６は、図２５で説明した予測処理による予測結果の例を示している。また、図２７は、推定して得られた混雑度から通信レートを求め、通信レートで表示するようにした予測結果の例を示している。なお、図２６と図２７の予測結果に関連はない。
図２６と図２７は、１つの目的地に対して１つの移動経路を抽出した例であるが、図２８は、１つの目的地に対して、複数の経路を抽出し、抽出された経路それぞれで混雑度を表示するようにした例を示している。
［混雑度以外の情報適用例］
上述した実施の形態では、基地局１３の混雑度データを用いて回帰モデルで学習し、時間的または空間的に離れた基地局１３の混雑度を予測（推定）する例について説明した。
しかし、本技術は、混雑度という情報に限定されず、現時点または現在位置で得られるローカル情報から、時間的または空間的に離れた位置で得られるローカル情報を予測する予測処理全般に適用することができる。
例えば、携帯端末１１が温度計、湿度計、気圧計などのセンサを装備して、取得部（混雑度取得部４１に相当）が、センサにより計測された気温や湿度、気圧などをローカル情報として取得し、計測結果の時系列データをサーバ１２に送信して、回帰モデルによりサーバ１２に学習させる。そして、携帯端末１１の予測部４５が学習結果（回帰モデルのパラメータ）を取得し、未来の時刻の、あるいは、異なる場所の気温や湿度、気圧などをローカル情報として予測することができる。
また、携帯端末１１が、照度計やマイクを装備して、周囲の人間活動（交通状況や騒音状況、街の明るさなどの人間活動の活性状況）をローカル情報として計測して、回帰モデルに学習させてもよい。
なお、携帯端末１１が取得するローカル情報は、装置内に装備されるセンサ等で取得するものに限定されず、GUI等によりユーザが入力する方法により取得するものでもよい。
図２９は、ユーザが入力する方法により取得するローカル情報の例として、ユーザがいる現在地周辺の混雑度をユーザに入力させる例を示している。
図２９は、携帯端末１１の表示部４７に表示される画面例を示しており、ユーザは、自分がいる現在地周辺の混雑度を、５段階評価で入力する。携帯端末１１は、５段階評価で入力された混雑度を、場所、時刻とともに記録し、サーバ１２に送信する。
図３０は、図２９に示したローカル情報で学習した回帰モデルを用いて、所定の場所の混雑度を予測した予測結果の画面例を示している。
例えば、ユーザが、画面に表示されている地図のなかで、混雑度を知りたい場所をタッチすると、図３０に示されるように、「指定された場所の混雑度は３．２です。」のように予測結果が表示される。
なお、ユーザが入力するローカル情報は、混雑度以外にも様々考えられる。例えば、現在地（ローカルエリア）における男女比、年齢層などをローカル情報として入力してもよい。図２９のような画面において、１．男男男、２．男男女、３．男女、４．女女男、５．女女女、などのように男女比を５段階評価で提示して、ユーザに入力させることができる。また例えば、１．７０歳以上、２．５０〜７０歳、３．３５〜５０歳、４．２０〜３５歳、５．０〜２０歳、などのように年齢層を５段階評価で提示して、ユーザに入力させることができる。その他、街の活性度（街の明るい時間帯、店が閉まる時間帯）などや、道路の車種の比率（トラックが多いのか、自家用車が多いのか、バスが多いのか、タクシーが多いのか）なども入力可能なローカル情報として考えられる。ここに挙げたローカル情報は一例であって、これらに限られるものではない。
このようなローカル情報は、ユーザのこれからの行動のモチベーションになったり、あるいは、広告を対象にあわせて適切に表示するために重要である。従来は、このようなローカル情報を収集するために、人手をかけて調査を行なっていた。しかし、知りたい情報が細分化されるにつれて、そのような調査は困難になることが予想される。このような方法であれば、簡単にローカル情報を収集することができるとともに、任意のローカル情報を予測することが可能となる。
複数の携帯端末１１それぞれが、異なる時刻で、異なるローカル情報を取得して、サーバ１２に送信し、サーバ１２が、多数の携帯端末１１で収集されたローカル情報を集合知として回帰モデルで学習する。サーバ１２で学習されたモデルパラメータを受信して利用する携帯端末１１は、自身が取得していない場所や未来の時刻のローカル情報も予測することが可能となる。
また、サーバ１２は、多数の携帯端末１１で収集されたローカル情報（の時系列データ）を、サポートベクタ回帰モデルまたは関連ベクタ回帰モデルで学習することにより、パラメータの容量を削減して、モデルパラメータを各携帯端末１１へ送信することができる。これにより、各携帯端末１１は、多数の携帯端末１１で収集したローカル情報を効率よく利用することができる。
上述した例では、携帯端末１１が回帰モデルのパラメータを受信して、ローカル情報を予測するようにしたが、ローカル情報の推定はサーバ１２が行うようにしてもよい。すなわち、携帯端末１１が予測したい時刻および場所をサーバ１２に送信して、サーバ１２が送信されてきた時刻および場所のローカル情報を回帰モデルにより予測し、予測結果を携帯端末１１に送信するようにしてもよい。
［コンピュータの構成例］
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
図３１は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
コンピュータにおいて、CPU（Central Processing Unit）１０１，ROM（Read Only Memory）１０２，RAM（Random Access Memory）１０３は、バス１０４により相互に接続されている。
バス１０４には、さらに、入出力インタフェース１０５が接続されている。入出力インタフェース１０５には、入力部１０６、出力部１０７、記憶部１０８、通信部１０９、及びドライブ１１０が接続されている。
入力部１０６は、キーボード、マウス、マイクロホンなどよりなる。出力部１０７は、ディスプレイ、スピーカなどよりなる。記憶部１０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部１０９は、インターネット、携帯電話回線網、無線LAN、衛星放送回線などを介して他の通信機器または基地局と通信を行う通信モジュールなどよりなる。センサ１１２は、ローカル情報を取得するためのセンサである。ドライブ１１０は、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブル記録媒体１１１を駆動する。
以上のように構成されるコンピュータでは、CPU１０１が、例えば、記憶部１０８に記憶されているプログラムを、入出力インタフェース１０５及びバス１０４を介して、RAM１０３にロードして実行することにより、上述した一連の処理が行われる。
コンピュータでは、プログラムは、リムーバブル記録媒体１１１をドライブ１１０に装着することにより、入出力インタフェース１０５を介して、記憶部１０８にインストールすることができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して、通信部１０９で受信し、記憶部１０８にインストールすることができる。その他、プログラムは、ROM１０２や記憶部１０８に、あらかじめインストールしておくことができる。
なお、本明細書において、フローチャートに記述されたステップは、記載された順序に沿って時系列的に行われる場合はもちろん、必ずしも時系列的に処理されなくとも、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで実行されてもよい。
なお、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。
本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。
なお、本技術は以下のような構成も取ることができる。
（１）
現時刻における現在地のローカル情報を取得する取得部と、
取得した前記ローカル情報を所定期間蓄積する蓄積部と、
蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、
受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部と
を備える端末装置。
（２）
前記統計モデルは、少なくとも時刻とエリアを説明変数として、ローカル情報を目的変数とする回帰モデルである
前記（１）に記載の端末装置。
（３）
前記通信部は、前記回帰モデルの重みパラメータのうち、重みパラメータがゼロでないパラメータのみを受信する
前記（２）に記載の端末装置。
（４）
前記ローカル情報は、前記端末装置が通信するために接続している基地局の混雑度を示す情報である
前記（１）乃至（３）のいずれかに記載の端末装置。
（５）
前記予測部は、ユーザによって指定された時刻および場所におけるローカル情報を予測する
前記（１）乃至（４）のいずれかに記載の端末装置。
（６）
前記予測部は、さらに、前記端末装置の移動経路を予測する機能と、前記移動経路上の少なくとも一地点の位置と到達時刻を予測する機能を備え、予測した前記位置と到達時刻における前記ローカル情報を予測する
前記（１）乃至（５）のいずれかに記載の端末装置。
（７）
所定のデータを取得するセンサをさらに備え、
前記ローカル情報は、前記センサにより取得された前記データである
前記（１）乃至（６）のいずれかに記載の端末装置。
（８）
前記ローカル情報は、前記端末装置を保持するユーザによって評価されて入力された所定の指標における評価情報である
前記（１）乃至（７）のいずれかに記載の端末装置。
（９）
端末装置が、
現時刻における現在地のローカル情報を取得し、
取得した前記ローカル情報を所定期間蓄積し、
蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信し、
受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する
ステップを含む端末制御方法。
（１０）
コンピュータを、
現時刻における現在地のローカル情報を取得する取得部と、
取得した前記ローカル情報を所定期間蓄積する蓄積部と、
蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、
受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部
として機能させるためのプログラム。
（１１）
端末装置と情報処理装置とからなり、
前記端末装置が、
現時刻における現在地のローカル情報を取得する取得部と、
取得した前記ローカル情報を所定期間蓄積する蓄積部と、
蓄積した所定期間の前記ローカル情報を、前記情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と
を備え、
前記情報処理装置が、
前記端末装置から送信されてくる所定期間の前記ローカル情報を受信するとともに、前記統計モデルのパラメータを前記端末装置に送信する通信部と、
複数の端末装置から受信した前記ローカル情報を用いて、前記統計モデルのパラメータを学習する学習部と
を備え、
前記端末装置または前記情報処理装置のいずれかが、
前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部
を備える
情報処理システム。
１ 情報処理システム， １１ 携帯端末， １２ サーバ， １３ 基地局， ４１ 混雑度取得部， ４２ 混雑度データ蓄積部， ４３ サーバ通信部， ４４ 予測部， ６１ 混雑度データ取得部， ６３ 回帰モデル学習部

Claims (11)

  1. 現時刻における現在地のローカル情報を取得する取得部と、
    取得した前記ローカル情報を所定期間蓄積する蓄積部と、
    蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、
    受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部と
    を備える端末装置。
  2. 前記統計モデルは、少なくとも時刻とエリアを説明変数として、ローカル情報を目的変数とする回帰モデルである
    請求項１に記載の端末装置。
  3. 前記通信部は、前記回帰モデルの重みパラメータのうち、重みパラメータがゼロでないパラメータのみを受信する
    請求項２に記載の端末装置。
  4. 前記ローカル情報は、前記端末装置が通信するために接続している基地局の混雑度を示す情報である
    請求項１に記載の端末装置。
  5. 前記予測部は、ユーザによって指定された時刻および場所におけるローカル情報を予測する
    請求項１に記載の端末装置。
  6. 前記予測部は、さらに、前記端末装置の移動経路を予測する機能と、前記移動経路上の少なくとも一地点の位置と到達時刻を予測する機能を備え、予測した前記位置と到達時刻における前記ローカル情報を予測する
    請求項１に記載の端末装置。
  7. 所定のデータを取得するセンサをさらに備え、
    前記ローカル情報は、前記センサにより取得された前記データである
    請求項１に記載の端末装置。
  8. 前記ローカル情報は、前記端末装置を保持するユーザによって評価されて入力された所定の指標における評価情報である
    請求項１に記載の端末装置。
  9. 端末装置が、
    現時刻における現在地のローカル情報を取得し、
    取得した前記ローカル情報を所定期間蓄積し、
    蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信し、
    受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する
    ステップを含む端末制御方法。
  10. コンピュータを、
    現時刻における現在地のローカル情報を取得する取得部と、
    取得した前記ローカル情報を所定期間蓄積する蓄積部と、
    蓄積した所定期間の前記ローカル情報を、情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と、
    受信した前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部
    として機能させるためのプログラム。
  11. 端末装置と情報処理装置とからなり、
    前記端末装置が、
    現時刻における現在地のローカル情報を取得する取得部と、
    取得した前記ローカル情報を所定期間蓄積する蓄積部と、
    蓄積した所定期間の前記ローカル情報を、前記情報処理装置に送信するとともに、前記情報処理装置が複数の端末装置から取得した前記ローカル情報を用いて学習された統計モデルのパラメータを前記情報処理装置から受信する通信部と
    を備え、
    前記情報処理装置が、
    前記端末装置から送信されてくる所定期間の前記ローカル情報を受信するとともに、前記統計モデルのパラメータを前記端末装置に送信する通信部と、
    複数の端末装置から受信した前記ローカル情報を用いて、前記統計モデルのパラメータを学習する学習部と
    を備え、
    前記端末装置または前記情報処理装置のいずれかが、
    前記統計モデルのパラメータを用いて、任意の時刻および場所におけるローカル情報を予測する予測部
    を備える
    情報処理システム。
JP2012079034A 2012-03-30 2012-03-30 端末装置、端末制御方法、プログラム、および情報処理システム Pending JP2013211616A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2012079034A JP2013211616A (ja) 2012-03-30 2012-03-30 端末装置、端末制御方法、プログラム、および情報処理システム
US13/777,653 US9547827B2 (en) 2012-03-30 2013-02-26 Terminal device, terminal control method, program and information processing system
CN2013100953239A CN103369584A (zh) 2012-03-30 2013-03-22 终端装置、终端控制方法、程序和信息处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012079034A JP2013211616A (ja) 2012-03-30 2012-03-30 端末装置、端末制御方法、プログラム、および情報処理システム

Publications (2)

Publication Number Publication Date
JP2013211616A true JP2013211616A (ja) 2013-10-10
JP2013211616A5 JP2013211616A5 (ja) 2015-03-12

Family

ID=49236376

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012079034A Pending JP2013211616A (ja) 2012-03-30 2012-03-30 端末装置、端末制御方法、プログラム、および情報処理システム

Country Status (3)

Country Link
US (1) US9547827B2 (ja)
JP (1) JP2013211616A (ja)
CN (1) CN103369584A (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
JP2018160833A (ja) * 2017-03-23 2018-10-11 日本電気株式会社 混雑情報送信端末装置、混雑状況評価システム、混雑状況評価方法、及び、混雑情報送信プログラム
JPWO2018131311A1 (ja) * 2017-01-10 2019-11-07 日本電気株式会社 センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム
JP2020129388A (ja) * 2015-10-01 2020-08-27 グーグル エルエルシー ユーザ選択されたコンテンツに対するアクション提案
JP2021526259A (ja) * 2018-05-30 2021-09-30 クアンタム−エスアイ インコーポレイテッドＱｕａｎｔｕｍ−Ｓｉ Ｉｎｃｏｒｐｏｒａｔｅｄ 訓練された統計モデルを使用するマルチモーダル予測のための方法および装置
WO2021205959A1 (ja) * 2020-04-10 2021-10-14 ソニーグループ株式会社 情報処理装置、サーバー、情報処理システム及び情報処理方法
JP2023502817A (ja) * 2020-10-26 2023-01-26 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 領域熱度予測モデルを確立する方法、領域熱度予測の方法、及び装置
JP7232487B1 (ja) * 2023-01-10 2023-03-03 株式会社アドインテ 推定システム及び推定方法
US11704136B1 (en) 2014-07-11 2023-07-18 Google Llc Automatic reminders in a mobile environment
US11875267B2 (en) 2018-05-14 2024-01-16 Quantum-Si Incorporated Systems and methods for unifying statistical models for different data modalities
JP7464728B2 (ja) 2020-02-04 2024-04-09 トムトム ナビゲーション ベスローテン フエンノートシャップ ナビゲーションシステム
US11967436B2 (en) 2019-05-08 2024-04-23 Quantum-Si Incorporated Methods and apparatus for making biological predictions using a trained multi-modal statistical model

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3196817B1 (en) 2012-06-22 2020-02-19 Google LLC Presenting information for a current location or time
CN105683716B (zh) 2012-06-22 2018-07-17 谷歌有限责任公司 场境交通或通行警示
US9503516B2 (en) 2014-08-06 2016-11-22 Google Technology Holdings LLC Context-based contact notification
CN104486773B (zh) * 2014-12-05 2018-09-11 中国联合网络通信集团有限公司 一种预测基站下终端数的方法及装置
US10264407B2 (en) * 2015-06-25 2019-04-16 The Board Of Trustees Of The University Of Alabama Intelligent multi-bean medium access control in ku-band for mission-oriented mobile mesh networks
US20180225681A1 (en) * 2015-08-06 2018-08-09 Nec Corporation User information estimation system, user information estimation method, and user information estimation program
EP3378244B1 (en) * 2015-11-17 2022-03-02 Sony Group Corporation Providing location information of a terminal in a communication network
US11300949B2 (en) * 2017-08-11 2022-04-12 Jtekt Corporation Data processing device of production equipment
CN110784900B (zh) * 2019-10-15 2021-11-16 深圳市高德信通信股份有限公司 一种运营商网络服务自主监管切换系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002251698A (ja) * 2001-02-23 2002-09-06 Hitachi Ltd プローブ情報を利用した交通状況推定方法及び交通状況推定・提供システム
JP2004363733A (ja) * 2003-06-02 2004-12-24 Sumitomo Electric Ind Ltd 前置型非線形歪補償器
JP2009075709A (ja) * 2007-09-19 2009-04-09 Sumitomo Electric Ind Ltd 交通パラメータ算出システム、算出方法及びコンピュータプログラム

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050075905A1 (en) * 2003-08-22 2005-04-07 Bennett Richard M. Customizable automatic generation and ordering of a medical report summary
US8812526B2 (en) * 2005-09-14 2014-08-19 Millennial Media, Inc. Mobile content cross-inventory yield optimization
US20070100650A1 (en) * 2005-09-14 2007-05-03 Jorey Ramer Action functionality for mobile content search results
CN101173980A (zh) * 2007-11-21 2008-05-07 湖南大学 一种基于超宽带的室内节点定位算法
CN102124504A (zh) * 2008-08-20 2011-07-13 日本先锋公司 路径决定支持装置和路径决定支持方法
JP5515331B2 (ja) 2009-03-09 2014-06-11 ソニー株式会社 情報提供サーバ、情報提供システム、情報提供方法及びプログラム
JP5348013B2 (ja) 2009-05-26 2013-11-20 ソニー株式会社 無線通信装置、推定サーバ、無線通信方法および推定方法
US8665724B2 (en) * 2009-06-12 2014-03-04 Cygnus Broadband, Inc. Systems and methods for prioritizing and scheduling packets in a communication network
US8813124B2 (en) * 2009-07-15 2014-08-19 Time Warner Cable Enterprises Llc Methods and apparatus for targeted secondary content insertion
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
JP2012009987A (ja) 2010-06-23 2012-01-12 Sony Corp 無線通信装置、プログラム、無線通信方法、および無線通信システム
JP2012008771A (ja) * 2010-06-24 2012-01-12 Sony Corp 情報処理装置、情報処理システム、情報処理方法およびプログラム
US8391896B2 (en) * 2010-07-09 2013-03-05 Nokia Corporation Method and apparatus for providing a geo-predictive streaming service
US9832671B2 (en) * 2010-09-16 2017-11-28 Vassona Networks Modeling radio access networks
US9118593B2 (en) * 2010-10-07 2015-08-25 Enghouse Networks Limited System and method for best value routing
US10433207B2 (en) * 2010-10-28 2019-10-01 Verizon Patent And Licensing Inc. Load balancing to provide a target grade of service (GOS)
KR101173382B1 (ko) * 2010-10-29 2012-08-10 삼성에스디에스 주식회사 데이터 전송 방법 및 장치
US20120170503A1 (en) * 2010-12-30 2012-07-05 Motorola, Inc. Method and apparatus for controlling network access in a multi-technology wireless communication system
US20120198020A1 (en) * 2011-02-02 2012-08-02 Verizon Patent And Licensing, Inc. Content distribution within a service provider network
US8812661B2 (en) * 2011-08-16 2014-08-19 Facebook, Inc. Server-initiated bandwidth conservation policies
US8712389B2 (en) * 2011-11-22 2014-04-29 T-Mobile Usa, Inc. User-initiated quality of service modification in a mobile device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002251698A (ja) * 2001-02-23 2002-09-06 Hitachi Ltd プローブ情報を利用した交通状況推定方法及び交通状況推定・提供システム
JP2004363733A (ja) * 2003-06-02 2004-12-24 Sumitomo Electric Ind Ltd 前置型非線形歪補償器
JP2009075709A (ja) * 2007-09-19 2009-04-09 Sumitomo Electric Ind Ltd 交通パラメータ算出システム、算出方法及びコンピュータプログラム

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11704136B1 (en) 2014-07-11 2023-07-18 Google Llc Automatic reminders in a mobile environment
JP2020129388A (ja) * 2015-10-01 2020-08-27 グーグル エルエルシー ユーザ選択されたコンテンツに対するアクション提案
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
US11514277B2 (en) 2017-01-10 2022-11-29 Nec Corporation Sensing system, sensor node device, sensor measurement value processing method, and program
JPWO2018131311A1 (ja) * 2017-01-10 2019-11-07 日本電気株式会社 センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム
JP7206915B2 (ja) 2017-01-10 2023-01-18 日本電気株式会社 センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム
JP2018160833A (ja) * 2017-03-23 2018-10-11 日本電気株式会社 混雑情報送信端末装置、混雑状況評価システム、混雑状況評価方法、及び、混雑情報送信プログラム
US11875267B2 (en) 2018-05-14 2024-01-16 Quantum-Si Incorporated Systems and methods for unifying statistical models for different data modalities
JP2021526259A (ja) * 2018-05-30 2021-09-30 クアンタム−エスアイ インコーポレイテッドＱｕａｎｔｕｍ−Ｓｉ Ｉｎｃｏｒｐｏｒａｔｅｄ 訓練された統計モデルを使用するマルチモーダル予測のための方法および装置
US11967436B2 (en) 2019-05-08 2024-04-23 Quantum-Si Incorporated Methods and apparatus for making biological predictions using a trained multi-modal statistical model
JP7464728B2 (ja) 2020-02-04 2024-04-09 トムトム ナビゲーション ベスローテン フエンノートシャップ ナビゲーションシステム
WO2021205959A1 (ja) * 2020-04-10 2021-10-14 ソニーグループ株式会社 情報処理装置、サーバー、情報処理システム及び情報処理方法
JP2023502817A (ja) * 2020-10-26 2023-01-26 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 領域熱度予測モデルを確立する方法、領域熱度予測の方法、及び装置
JP7232487B1 (ja) * 2023-01-10 2023-03-03 株式会社アドインテ 推定システム及び推定方法

Also Published As

Publication number Publication date
US9547827B2 (en) 2017-01-17
CN103369584A (zh) 2013-10-23
US20130262354A1 (en) 2013-10-03

Similar Documents

Publication Publication Date Title
JP2013211616A (ja) 端末装置、端末制御方法、プログラム、および情報処理システム
Phithakkitnukoon et al. Taxi-aware map: Identifying and predicting vacant taxis in the city
US8572008B2 (en) Learning apparatus and method, prediction apparatus and method, and program
Do et al. A probabilistic kernel method for human mobility prediction with smartphones
JP6284538B2 (ja) データクラスタのためのコンテキストラベル
CN104380293B (zh) 基于位置从地图历史提供相关元素信息的方法和计算装置
Nadembega et al. A destination and mobility path prediction scheme for mobile networks
US20140100835A1 (en) User Behavior Modeling for Intelligent Mobile Companions
CN106464706B (zh) 用于通过可从电信网络获得的数据识别显著地点的方法和系统
WO2017031856A1 (zh) 信息预测的方法和装置
US20110137831A1 (en) Learning apparatus, learning method and program
US20130210480A1 (en) State detection
US20110313956A1 (en) Information processing apparatus, information processing method and program
US20140188384A1 (en) Telemetrics based location and tracking
US20110319094A1 (en) Information processing apparatus, information processing system, information processing method, and program
US11647074B2 (en) Methods and systems for multi-access edge compute node selection based on a geolocation-indexed performance dataset
JP7175783B2 (ja) 所定圏における滞在圏人口を推定するプログラム、装置及び方法
CN107273437A (zh) 提供与用户可能访问的地点相关的信息的方法和系统
CN109633785A (zh) 基于预期位置的天气预报
Gkiotsalitis et al. A utility-maximization model for retrieving users’ willingness to travel for participating in activities from big-data
EP3451275B1 (en) Information processing device and method
CN106997666A (zh) 一种利用手机信令数据位置切换获取交通流速度的方法
JP6147242B2 (ja) 予測装置、予測方法及び予測プログラム
CN106339769B (zh) 一种面向移动社会网络的用户出行预测方法
CN115017400B (zh) 一种应用app推荐方法及电子设备

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150123

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150123

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20151117

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20151118

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20151224

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20160526