JP2014232504A - 希少度算出装置、希少度算出方法および希少度算出プログラム - Google Patents

Abstract

【課題】記録された各ユーザの移動履歴から、各トリップの希少度を算出することを可能とする希少度算出装置等を提供する。【解決手段】希少度算出装置１は、位置情報から移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段２に記録する位置情報記録部３と、位置情報と開始日時および終了日時に基づいて、各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部４と、生成された特徴ベクトルに基づいて、滞留傾向が類似する位置情報をクラスタとしてまとめるクラスタ生成部５と、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部６と、代表ベクトルに基づいて希少度を算出してこれを出力する希少度算出部７とを有する。【選択図】図１

Description

本発明は希少度算出装置、希少度算出方法および希少度算出プログラムに関し、特に各ユーザの各々の移動（トリップ）の希少度を算出する希少度算出装置等に関する。

ライフログは、人間の日々の行動をデジタルデータとして記録する技術である。その中でも近年は、カーナビゲーション装置や携帯電話端末などを利用し、ＧＰＳ（Global Positioning System）などを介して取得された位置情報を収集して可視化する技術が普及しつつある。この技術は、各種情報サービスとの連携によって多大な付加価値を得ることができるものとして期待されている。

これに関連する技術として、次の各々がある。特許文献１には、測位間隔の長い位置情報からユーザの行動パターンを推定するという技術が記載されている。特許文献２には、カーナビゲーション装置で各パラメータから各ドライブをグループ化してそれらに関する購買履歴情報に関連する統計情報を提供するという技術が記載されている。特許文献３には、位置情報から各スポットの属性などを推定するという技術が記載されている。

特許文献４には、収集されたライフログデータの中でユーザが頻繁に閲覧するものを優先して表示するという技術が記載されている。特許文献５には、音楽再生装置で楽曲データの特徴量を算出して、その特徴量が最も平均的な楽曲を優先して再生するという技術が記載されている。特許文献６には、カーナビゲーション装置で目的地候補を移動履歴に基づく移動先到達確率の高い順に表示するという技術が記載されている。

国際公開ＷＯ２０１２／０９６１７５号 国際公開ＷＯ２０１０／０２６６６１号 特開２０１２−１６４２２７号公報 特開２０１２−０４３０１８号公報 特開２０１２−００８６２３号公報 特開２００８−０７０３７７号公報

位置情報についていえば、人の行動はある一つの地点から他の地点への移動（トリップ）と、その地点での滞留とに分類することができる。即ち、人の生活に伴って記録される移動履歴は、「トリップ」と「滞留」とを交互に繰り返すものであるといえる。そして、それらのトリップの中には、通勤、通学などのように日常的に行われるものと、ショッピング、旅行、娯楽などのように希少なものとがある。

ライフログデータ、その中でも特に移動履歴をマーケティング用などのデータとして利用する場合、各々の移動が当該ユーザにとって日常的なものであるか希少なものであるかの種別は、重要な情報の一つである。日常的な移動と希少な移動とでは、各交通機関を利用する区間や時間帯などが異なり、また求められるサービスの質なども異なる。そのため、たとえば公共交通機関で運行路線の新設や延伸などの計画をする場合も、その各々に応じた対応が必要となる。

また、各ユーザが自らのライフログデータを後から参照する場合も、蓄積された膨大な位置情報データの中から自らが重要だと思うデータを素早く参照できることが必要である。ユーザは通常、トリップと滞留との組み合わせで自らの行動を記憶するものであるので、その組み合わせごとに重要度を算出し、算出された重要度に応じてライフログデータを表示することが望ましい。

しかしながら、各々のトリップが日常的なものであるか希少なものであるかを示す数値である「希少度」については、前述の特許文献１〜６では言及されていない。従って、移動履歴から各トリップの希少度を算出して当該トリップが日常的なものであるか希少なものであるかを判定するということは、既存技術ではできない。また、この希少度は、前述の重要度と必ずしも一致するものであるとは限らない。

本発明の目的は、記録された各ユーザの移動履歴から、各トリップの希少度を算出することを可能とする希少度算出装置、希少度算出方法および希少度算出プログラムを提供することにある。

上記目的を達成するため、本発明に係る希少度算出装置は、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置であって、位置情報から移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する位置情報記録手段と、記録された位置情報と開始日時および終了日時に基づいて、各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部と、生成された特徴ベクトルに基づいて、滞留傾向が類似する位置情報をクラスタとしてまとめるクラスタ生成部と、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部と、代表ベクトルに基づいて希少度を算出してこれを出力する希少度算出部とを有すること、を特徴とする。

上記目的を達成するため、本発明に係る希少度算出方法は、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、位置情報から位置情報記録手段が移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録し、記録された位置情報と開始日時および終了日時に基づいて、特徴ベクトル生成部が各位置情報に対応する滞留傾向を示す特徴ベクトルを生成し、生成された特徴ベクトルに基づいて、クラスタ生成部が滞留傾向が類似する位置情報をクラスタとしてまとめ、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいてクラスタ特性算出部が当該クラスタにおける代表的な特徴ベクトルを算出し、代表ベクトルに基づいて希少度算出部が希少度を算出してこれを出力すること、を特徴とする。

上記目的を達成するため、本発明に係る希少度算出プログラムは、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、希少度算出装置が備えるプロセッサに、位置情報から移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する手順、記録された位置情報と開始日時および終了日時に基づいて、各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する手順、生成された特徴ベクトルに基づいて、滞留傾向が類似する位置情報をクラスタとしてまとめる手順、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出する手順、および代表ベクトルに基づいて希少度を算出してこれを出力する手順を実行させること、を特徴とする。

本発明は、前述の通り各移動の開始日時および終了日時に基づいて生成された特徴ベクトルから希少度を算出するように構成したので、これによって記録された各ユーザの移動履歴から、各トリップの希少度を算出することが可能であるという、優れた特徴を持つ希少度算出装置、希少度算出方法および希少度算出プログラムを提供することができる。

本発明の基本形態に係る希少度算出装置について示す説明図である。 本発明の第１の実施形態に係る希少度算出装置について示す説明図である。 図２に示したトリップデータ記憶部の記憶内容の一例について示す説明図である。 図２に示した滞留履歴記憶部の記憶内容の一例について示す説明図である。 図２に示した地点データ記憶部の記憶内容の一例について示す説明図である。 図２に示した希少度算出装置の動作について示すフローチャートである。 図６のステップＳ１１４として示した希少度算出部の動作をより詳細に示すフローチャートである。 図７で示した希少度算出部による計算の一例を平易に示す説明図である。 本発明の第２の実施形態に係る希少度算出装置について示す説明図である。 図９に示した地点データ記憶部の記憶内容の一例について示す説明図である。 図９に示した属性データ記憶部の記憶内容の一例について示す説明図である。 図９に示した希少度算出装置の動作について示すフローチャートである。

（基本形態）
以下、本発明の基本形態の構成について添付図１に基づいて説明する。
基本形態に係る希少度算出装置１は、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置である。この希少度算出装置１は、位置情報から移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段２に記録する位置情報記録部３と、記録された位置情報と、開始日時および終了日時に基づいて、各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部４と、生成された特徴ベクトルに基づいて、滞留傾向が類似する位置情報をクラスタとしてまとめるクラスタ生成部５と、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部６と、代表ベクトルに基づいて希少度を算出してこれを出力する希少度算出部７とを有する。
これら各部／各手段のより詳細な構成は、次の実施形態として説明する。

（第１の実施形態）
続いて、本発明の第１の実施形態の構成について添付図２に基づいて説明する。
本実施形態に係る希少度算出装置１０は、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置である。この希少度算出装置１０は、位置情報から移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段１２に記録する位置情報記録部２０と、記録された位置情報と、開始日時および終了日時に基づいて、各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部２１と、生成された特徴ベクトルに基づいて、滞留傾向が類似する位置情報をクラスタとしてまとめるクラスタ生成部２２と、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部２３と、代表ベクトルに基づいて希少度を算出してこれを出力する希少度算出部２４とを有する。ここで、特徴ベクトル生成部２１は、記録された位置情報と、開始日時および終了日時から得られる各移動の間の滞留時間とに基づいて特徴ベクトルを生成する。

また、滞留時間に基づいて、各位置情報に対応する地点がユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを位置情報と対応づけて記憶手段１２に記憶させる主目的地点見込値算出部２５を備えると共に、特徴ベクトル生成部２１が、位置情報と、これに対応する滞留時間および主目的地点見込値とに基づいて特徴ベクトルを生成する機能を備える。

以上の構成を備えることにより、この希少度算出装置１０は、記録された各ユーザの移動履歴から、各トリップの希少度を算出することが可能なものとなる。
以下、これをより詳細に説明する。

図２は、本発明の第１の実施形態に係る希少度算出装置１０について示す説明図である。希少度算出装置１０は、コンピュータ装置としての基本的な構成を備えている。即ち、希少度算出装置１０は、コンピュータプログラムの実施主体であるプロセッサ１１と、プログラムおよびデータを記憶する記憶手段１２と、ユーザからの入力を受け付け、また処理結果をユーザに提示する入出力手段１３と、ＧＰＳ（Global Positioning System）などによって位置情報を取得する位置情報取得手段１４とを備える。

プロセッサ１１は、希少度算出プログラムの動作により、位置情報記録部２０、特徴ベクトル生成部２１、クラスタ生成部２２、クラスタ特性算出部２３、希少度算出部２４、および主目的地点見込値算出部２５の各々として機能する。また記憶手段１２には、トリップデータ記憶部３１、滞留履歴記憶部３２、および地点データ記憶部３３といった各記憶領域が用意されている。

ここで、図２では物理的に同一の装置で位置情報を取得して希少度の算出までを行うという例を示しているが、これらの各要素が全て物理的に同一の装置である必要はもちろんない。

図３は、図２に示したトリップデータ記憶部３１の記憶内容の一例について示す説明図である。トリップデータ記憶部３１は、各ユーザの各々の移動（以下トリップという）について、その移動履歴を記録するものである。より具体的には、トリップデータ記憶部３１は少なくとも、各トリップを一意に識別するトリップ識別子３１ａ、各ユーザを一意に識別するユーザ識別子３１ｂ、そのトリップが開始された日時を示す移動開始日時３１ｃ、終了した日時を示す移動終了日時３１ｄといった各データを含む。

図４は、図２に示した滞留履歴記憶部３２の記憶内容の一例について示す説明図である。滞留履歴記憶部３２は、各ユーザが滞留した地点の識別子と滞留した期間からなる滞留履歴を記憶するものである。より具体的には、滞留履歴記憶部３２は少なくとも、トリップデータ記憶部３１のユーザ識別子３１ｂに対応するユーザ識別子３２ａ、各滞留地点を一意に示す地点識別子３２ｂ、その滞留が開始された日時を示す滞留開始日時３２ｃ、終了した日時を示す滞留終了日時３２ｄといった各データを含む。

ここで、地点識別子３２ｂとして、位置情報取得手段１４によって取得された当該地点の緯度および経度の情報を利用することができる。また、この位置情報取得手段１４によって取得された位置データによって、「ユーザが一定範囲内のエリアに一定時間以上とどまった」場合にそれを滞留と判断することもできる。

図５は、図２に示した地点データ記憶部３３の記憶内容の一例について示す説明図である。地点データ記憶部３３は少なくとも、トリップデータ記憶部３１のユーザ識別子３１ｂに対応するユーザ識別子３３ａ、滞留履歴記憶部３２の地点識別子３２ｂに対応する地点識別子３３ｂ、および主目的地点見込値３３ｃといった各データを含む。主目的地点見込値３３ｃは、詳細は後述するが、当該ユーザが当該地点への滞留を当該トリップの主な目的としている可能性見込み（確率）を示す数値である。

位置情報記録部２０は、位置情報取得手段１４によって取得された位置情報（ＧＰＳの場合は緯度と経度）の変化から、当該ユーザの移動開始と移動終了とを検出して、上記のトリップデータ記憶部３１および滞留履歴記憶部３２に含まれる各データを記録する。

位置情報記録部２０はたとえば、位置情報を一定の周期で取得して、その１周期における当該ユーザの移動距離が特定の閾値以上であれば「トリップ」、閾値以下であれば「滞留」と判断することができる。そして、「滞留」から「トリップ」に切り替わった時刻を移動開始日時３１ｃおよび滞留終了日時３２ｄ、「トリップ」から「滞留」に切り替わった時刻を移動終了日時３１ｄおよび滞留開始日時３２ｃとして記録することができる。

特徴ベクトル生成部２１は、トリップデータ記憶部３１の記憶する各トリップにおける滞留傾向を示す特徴ベクトルを生成する。特徴ベクトル生成部２１の生成する特徴ベクトルの要素数（次元数）は、地点データ記憶部３３の記憶する地点データに含まれる地点識別子の総数である。

特徴ベクトルの各要素の値Ｖｉは、例えばトリップの移動開始日時３１ｃから移動終了日時３１ｄまでの期間内に各地点に滞留したか否かの二択によって決定することができる。ここで、Ｖｉのｉは、各要素を識別するための添字である。例えば、上記期間内に地点ａに滞留した場合、地点ａに対応する要素の値Ｖａ＝１となり、上記期間内に滞留しなかった地点ｂに対応する要素の値Ｖｂ＝０となる。

もしくは、特徴ベクトルの各要素の値Ｖｉを各地点における滞留時間によって決定してもよい。滞留時間は、滞留履歴記憶部３２の記憶する滞留開始日時３２ｃおよび滞留終了日時３２ｄによって算出することができる。数１は、滞留時間によって地点ａに対応する要素の値Ｖａを決定する方法の一例である。ここで、数１のＴｉは地点ｉにおける滞留時間（＝滞留終了日時３２ｄ−滞留開始日時３２ｃ）を示す。

さらに、特徴ベクトルの各要素の値Ｖｉは、上記期間内に各地点に滞留したかどうかを判定した結果と、地点データ記憶部３３の記憶する主目的地点見込値３３ｃをもとに決定してもよい。例えば、上記期間内に地点ａに滞留する場合、地点ａに対応する要素の値Ｖａ＝地点データ記憶部３３の記憶する地点ａに対応する主目的地点見込値３３ｃとなり、期間内に滞留しなかった地点ｂに対応する要素の値Ｖｂ＝０となる。

クラスタ生成部２２は、特徴ベクトル生成部２１の生成した特徴ベクトルをもとに、滞留履歴の傾向が類似するトリップをまとめたクラスタを生成する。クラスタは、トリップデータ記憶部３１の記憶するユーザ識別子３１ｂで区別されるユーザごとに生成する。クラスタ生成部２２は、例えば最短距離法などの一般的な凝縮型クラスタリング手法を使用するようにしてもよい。また、各トリップ間の類似性については、一般的なベクトル間の内積を算出しその値をもとにクラスタリングを実行するようにしてもよい。

クラスタ特性算出部２３は、クラスタ生成部２２が生成したクラスタごとに、そのクラスタの特性を算出する。クラスタ特性算出部２３は、少なくともクラスタに含まれているトリップ数、クラスタに含まれるトリップの代表的なベクトルである代表ベクトルを算出する。代表ベクトルは、例えばクラスタに含まれるトリップの重心をあらわすベクトルとしてもよい。また、上記重心との距離が最も小さいトリップの特徴ベクトルを、代表ベクトルとしてもよい。

希少度算出部２４は、クラスタ特性算出部２３の算出するトリップ数と重心ベクトルと、特徴ベクトル生成部２１の生成する特徴ベクトルをもとに、希少度を算出する対象のトリップがすべてのトリップの中でどのくらい希少であるかをあらわすトリップ希少度ＳＴを算出する。なお、トリップ希少度ＳＴは希少度算出部２４の算出するクラスタ希少度ＳＣとクラスタ内希少度ＳＩをもとに算出する。なお、希少度算出部２４は、希少度を算出する対象のトリップに紐付くユーザの過去のトリップより生成されたクラスタのみを利用して希少度を算出する。

主目的地点見込値算出部２５は、滞留履歴記憶部３２が記憶する滞留開始日時３２ｃおよび滞留終了日時３２ｄの差分として算出される滞留時間をもとに、各滞留地点の主目的地点見込値３３ｃを算出してこれを地点データ記憶部３３に記憶する。

ここで、主目的地点見込値３３ｃは、例えば各地点の平均滞留時間から算出される。各地点の平均滞留時間は、滞留履歴記憶部３２が記憶する滞留開始日時３２ｃおよび滞留終了日時３２ｄの差分として算出可能な滞留時間より算出できる。なお、主目的地点見込値３３ｃはユーザ識別子３３ｂにより識別されるユーザと地点識別子３３ａで識別される地点ごとに算出されるものである。

このとき、主目的地点見込値３３ｃの算出に使用する滞留時間は、算出しようとするユーザのユーザ識別子３３ｂに対応するトリップに含まれる滞留時間のみを使用する。他のユーザ識別子３３ｂに対応するトリップに含まれる滞留時間は使用しない。以下、数２に識別子ｄで示される地点の主目的地点見込値Ｐｄの算出例を示す。なお、数２のＡＴｄは識別子ｄで示される地点における平均滞留時間である。

図６は、図２に示した希少度算出装置１０の動作について示すフローチャートである。まず、位置情報記録部２０が、一定の周期が経過する度に位置情報取得手段１４によって位置情報を取得し、そこから当該ユーザの移動開始と移動終了の時刻とを検出して、上記のトリップデータ記憶部３１および滞留履歴記憶部３２に含まれる各データを記録する（ステップＳ１０１〜１０２）。

これに続いて、主目的地点見込値算出部２５が滞留履歴記憶部３２に記録された内容をもとに、各滞留地点の主目的地点見込値３３ｃを算出してこれを地点データ記憶部３３に記憶する（ステップＳ１０３）。

ここまでのステップＳ１０１〜１０３の処理は一定の周期が経過するごとに行われるが、その次のステップＳ１１１〜１１４の処理は、ステップＳ１０１〜１０３に引き続いて定期的に行うようにしてもよいし、ユーザからの動作指令があった時に行ってもよい。図６では、ステップＳ１０１〜１０３に引き続いてステップＳ１１１〜１１４の処理を行う例を示している。

そして、特徴ベクトル生成部２１が、トリップデータ記憶部３１、滞留履歴記憶部３２、および地点データ記憶部３３の各データから、任意の移動開始地点から任意の移動完了地点までの移動経路である各トリップにおける滞留傾向をあらわす特徴ベクトルを生成する（ステップＳ１１１）。

これに引き続いてクラスタ生成部２２が、ステップＳ１１１で生成された特徴ベクトルをもとに、滞留履歴の傾向が類似するトリップをまとめたクラスタを生成する（ステップＳ１１２）。更に引き続いてクラスタ特性算出部２３が、ステップＳ１１２で生成されたクラスタごとに、そのクラスタの特性を算出する（ステップＳ１１３）。

最後に希少度算出部２４が、ステップＳ１１３の算出するデータ数と重心ベクトルと、特徴ベクトル生成部２１の生成する特徴ベクトルをもとに、希少度を算出する対象のトリップがすべてのトリップの中でどのくらい希少であるかをあらわすトリップ希少度を算出して、これを入出力手段１３を介して出力する（ステップＳ１１４）。ステップＳ１１４の処理の詳細については後述する。

図７は、図６のステップＳ１１４として示した希少度算出部２４の動作をより詳細に示すフローチャートである。希少度算出部２４は、まず対象トリップの含まれるクラスタの希少度であるクラスタ希少度ＳＣを算出する（ステップＳ１２１）。なお、ＳＣｊのｊは、各クラスタを識別するための添字である。

以下の数３に、識別子ｂで示されるクラスタのクラスタ希少度を算出する方法の一例を示す。なお、数３のＮｉは添字ｉで示されるクラスタに含まれるデータ数である。

図８は、図７で示した希少度算出部２４による計算の一例を平易に示す説明図である。図８では、α，β，γの３つのクラスタが存在する場合について示している。各クラスタのトリップ数は各々５０，３００，１５０で、代表ベクトルがα＝｛０，０，６，０，４｝，β＝｛０，８，０，１，０，１｝，γ＝｛０，０，５，０，５｝である。この時、これら各クラスタのクラスタ希少度ＳＣα＝０．９，ＳＣβ＝０．４，ＳＣγ＝０．７と求められる。

図７に戻って、希少度算出部２４はさらに、各トリップがトリップの属するクラスタ内においてどのくらい希少であるかをあらわすクラスタ内希少度ＳＩを算出する（ステップＳ１２２）。以下、数４にクラスタｂに属し識別子ｃで示されるトリップのクラスタ内希少度を算出する方法の一例を示す。

ここで、数４のＤ（ｂ，ｃ）は添字ｃで示されるトリップの特徴ベクトルと添字ｂで示されるクラスタの代表ベクトルとの距離である。なお、トリップの特徴ベクトルとクラスタの代表ベクトルの距離は、例えばユークリッド距離などの方法で算出してもよい。また、数４のｍａｘＤｂは、添字ｂで示されるクラスタに含まれるすべてのトリップからクラスタの重心である特徴ベクトルまでの距離の中で、最も大きい値である。

図８に示した例で、かつ識別子ｃで示されるトリップがクラスタαに属し、トリップの特徴ベクトルがｃ＝｛０．１、０．５、０．４｝で表される場合、トリップｃのクラスタ内希少度ＳＩの値は約０．１４となる。また、識別子ｄで示されるトリップがクラスタβに属し、トリップの特徴ベクトルがｃ＝｛０．７、０．３、０｝で表される場合、トリップｃのクラスタ内希少度ＳＩの値は０．２となる。

これに引き続いて希少度算出部２４は、ステップＳ１２１で算出したクラスタ希少度とステップＳ１２２で算出したクラスタ内希少度をもとに、トリップ希少度を算出する（ステップＳ１２３）。以下、数５にクラスタｂに属し識別子ｃで示されるトリップのクラスタ内希少度を算出する方法の一例を示す。ここで、ｗ１とｗ２は重み値であり、ｗ１＋ｗ２＝１を満たす。

希少なクラスタに含まれるトリップの希少度を高くしたい場合にはｗ１を大きくし、希少でないクラスタに含まれるトリップであっても、クラスタ内での希少度が高いトリップの希少度を高くしたい場合にはｗ２を大きく設定することが可能である。

例えば、重み値ｗ１とｗ２の値がそれぞれ０．７、０．３である場合、上記識別子ｃで示されるトリップのトリップ希少度ＳＴは０．７×０．９＋０．３×０．１４≒０．６７となる。一方、上記識別子ｄで示されるトリップのトリップ希少度ＳＴは０．７×０．４＋０．３×０．２＝０．３４となる。

希少度算出部２４は最後に、ステップＳ１２３で算出した各トリップ希少度の値を正規化して入出力手段１３を介して出力する（ステップＳ１２４）。以下、数６に各トリップ希少度の値を正規化する処理の式を示す。なお、数６のｍｉｎＳＴは、すべてのトリップ希少度のうち、最小のトリップ希少度の値である。また、数６のｍａｘＳＴは、すべてのトリップ希少度のうち、最大のトリップ希少度の値である。

（第１の実施形態の全体的な動作と効果）
次に、上記の実施形態の全体的な動作について説明する。
本実施形態に係る希少度算出方法は、移動体が取得した位置情報に基づいて、移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置１０にあって、位置情報から位置情報記録手段が移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録し（図６・ステップＳ１０１〜１０３）、記録された位置情報と、開始日時および終了日時に基づいて、特徴ベクトル生成部が各位置情報に対応する滞留傾向を示す特徴ベクトルを生成し（図６・ステップＳ１１１）、生成された特徴ベクトルに基づいて、クラスタ生成部が滞留傾向が類似する位置情報をクラスタとしてまとめ（図６・ステップＳ１１２）、クラスタとしてまとめられた各位置情報に係る特徴ベクトルに基づいてクラスタ特性算出部が当該クラスタにおける代表的な特徴ベクトルを算出し（図６・ステップＳ１１３）、代表ベクトルに基づいて希少度算出部が希少度を算出してこれを出力する（図６・ステップＳ１１４）。

ここで、記録された位置情報と、開始日時および終了日時から得られる各移動の間の滞留時間とに基づいて特徴ベクトル生成部が特徴ベクトルを生成する（図６・ステップＳ１１１）。

また、滞留時間に基づいて、主目的地点見込値算出部が各位置情報に対応する地点がユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを位置情報と対応づけて記憶手段に記憶させ（図６・ステップＳ１０３）、位置情報と、これに対応する滞留時間および主目的地点見込値とに基づいて特徴ベクトル生成部が特徴ベクトルを生成する（図６・ステップＳ１１１）。

ここで、上記各動作ステップについては、これをコンピュータで実行可能にプログラム化し、これらを前記各ステップを直接実行する希少度算出装置１０が備えるプロセッサ１１に実行させるようにしてもよい。本プログラムは、非一時的な記録媒体、例えば、ＤＶＤ、ＣＤ、フラッシュメモリ等に記録されてもよい。その場合、本プログラムは、記録媒体からコンピュータによって読み出され、実行される。
この動作により、本実施形態は以下のような効果を奏する。

本実施形態によれば、移動開始地点から移動完了地点までのトリップ（移動）の間に滞留した地点とその開始および終了の時刻を利用して、当該トリップの希少度を算出することができる。その地点と時刻の取得については、全て既存の技術のみを利用して行うことができ、また既存のカーナビゲーション装置や携帯電話端末などに容易に装備することができる。

（第１の実施形態の拡張）
前述の通り、図２では物理的に同一の装置で位置情報を取得して希少度の算出までを行うという例を示したが、これらの各要素が全て物理的に同一の装置である必要はもちろんない。

たとえば、位置情報取得手段１４と位置情報記録部２０、およびトリップデータ記憶部３１と滞留履歴記憶部３２とを含む記憶手段１２のみを一の装置とし、他の要素を他の装置として、位置情報記録部２０によって記録された移動履歴および滞留履歴を一の装置から他の装置に通信網を介して転送して、他の装置ではこれによって希少度を算出し、算出された希少度を一の装置に返送する、といった形であってももちろんよい。より具体的には一の装置＝携帯端末、他の装置＝サーバである。

複数装置によって本実施形態に係る希少度算出装置１０を構成する場合の、各装置間の動作手段および機能の区分は、これ以外にも考えられる。

（第２の実施形態）
本発明の第２の実施形態は、前述の第１の実施形態にて説明した構成に加えて、滞留時間に基づいて、各位置情報に対応して予め記憶されている属性がユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを属性を一意に示す属性識別子と対応づけて記憶手段に記憶させる主目的地点見込値算出部２２６を備えると共に、特徴ベクトル生成部２２１が、位置情報と、これに対応する滞留時間、主目的地点見込値および主目的属性見込値とに基づいて特徴ベクトルを生成する機能を備えるものとしている。

この構成によっても第１の実施形態と同じ効果が得られるのに加えて、各地点の属性を含めて希少度を算出することが可能となる。
以下、これをより詳細に説明する。

図９は、本発明の第２の実施形態に係る希少度算出装置２１０について示す説明図である。希少度算出装置２１０は、ハードウェアとしての構成は、第１の実施形態に係る希少度算出装置１０と同一である。即ち、希少度算出装置２１０は、プロセッサ１１と、記憶手段１２と、入出力手段１３と、位置情報取得手段１４とを備える。第１の実施形態と全く同一の要素については、同一の呼称と参照番号で言い、原則として説明を省略する。

希少度算出装置２１０は、第１の実施形態に係る希少度算出装置１０と比べて、プロセッサ１１で動作する各機能部が、第１の実施形態と同一のクラスタ生成部２２、クラスタ特性算出部２３、希少度算出部２４、および主目的地点見込値算出部２５に加えて、第１の実施形態とは別の特徴ベクトル生成部２２１と、主目的属性見込値算出部２２６とが新たに備えられている。

また、記憶手段１２に用意されている記憶領域が、第１の実施形態と同一のトリップデータ記憶部３１、および滞留履歴記憶部３２に加えて、第１の実施形態とは別の地点データ記憶部２３３、属性データ記憶部２３４が新たに記憶されている。

図１０は、図９に示した地点データ記憶部２３３の記憶内容の一例について示す説明図である。地点データ記憶部２３３は、第１の実施形態の地点データ記憶部３３の記憶する内容である地点識別子３３ａ、ユーザ識別子３３ｂ、および主目的地点見込値３３ｃに加えて、地点ごとに設定される属性を識別する属性識別子２３３ｄをさらに記憶している。この属性識別子２３３ｄは、各々の地点識別子３３ａと共に予め取得され、地点データ記憶部２３３の中に記憶されている。

図１１は、図９に示した属性データ記憶部２３４の記憶内容の一例について示す説明図である。属性データ記憶部２３４は、各地点に設定される属性を識別するための属性識別子２３４ａと、その属性が設定されている地点への滞留がユーザのトリップの主な目的となる見込みの大きさをあらわす主目的属性見込値２３４ｂとを関連付けて属性データとして記憶している。

図１２は、図９に示した希少度算出装置２１０の動作について示すフローチャートである。図１２のフローチャートも、図６に示した第１の実施形態と同一の動作を多く含むので、同一の動作については同一の参照番号を付けている。

まず、ステップＳ１０１〜１０３の処理によってトリップデータ記憶部３１、滞留履歴記憶部３２、および地点データ記憶部３３の各データが記録された後で、滞留履歴記憶部３２および地点データ記憶部２３３の内容をもとに、主目的属性見込値算出部２２６が各滞留地点の主目的属性見込値２３４ｂを算出しその結果を属性データ記憶部２３４に記憶する（ステップＳ２０４）。この処理の詳細は後述する。

ここまでの動作は一定の周期毎に行われるが、その次のステップＳ２１１および１１２〜１１４の処理は、ステップＳ１０１〜１０３および２０４に引き続いて定期的に行うようにしてもよいし、ユーザからの動作指令があった時に行ってもよい。

特徴ベクトル生成部２２１は、第１の実施形態に係る希少度算出装置１０と大凡同一の動作を行って、トリップデータ記憶部３１の記憶する各トリップで、地点ａに紐付く属性ｆに対応する特徴ベクトルを生成する（ステップＳ２１１）。

ここで、特徴ベクトルの各要素の値Ｖｆを各地点における滞留時間によって決定する場合、その算出の数式は以下のようになる。数７は、滞留時間によって地点ａに紐付く属性ｆに対応する要素の値Ｖｆを決定する方法の一例である。ここで、数７のＴｉは地点ｉにおける滞留時間（＝滞留終了日時３２ｄ−滞留開始日時３２ｃ）を示す。

また、特徴ベクトルの各要素の値Ｖｉは、上記期間内に各地点に滞留したかどうかを判定した結果と、地点データ記憶部２３３の記憶する主目的地点見込値３３ｃと、属性データ記憶部２３４の記憶する主目的属性見込値２３４ｂをもとに決定してもよい。数８は、上記期間内に属性ｆの紐付く地点ａに滞留する場合、地点ａに対応する要素の値Ｖａの算出方法の一例である。数８のＥＰａは、地点ａの主目的地点見込値３３ｃである。数式８のＥＡｆは、属性ｆの主目的属性見込値２３４ｂである。また、数８のｗ１およびｗ２は重み値であり、ｗ１＋ｗ２＝１を満たす。

ここで、同一の属性が設定されている別の地点に滞留しているトリップ同士の希少度を近くしたい場合にはｗ２を大きくし、同じ属性であっても別の地点に滞留しているトリップ同士の希少度の差を大きくしたければｗ１を大きくするよう、ｗ１およびｗ２の数値を設定することができる。

図１０〜１１の例でいえば、ユーザ識別子ｕｓｅｒ００２にとっての地点識別子ｐｏｓ００００１の主目的地点見込値が０．５であり、地点識別子ｐｏｓ００００１に紐付く属性識別子ａｔ０００１の主目的属性見込値が０．３であり、ｗ１とｗ２の値がそれぞれ０．５である場合、特徴ベクトルの中の地点識別子ｐｏｓ００００１に対応する要素の値は０．５×０．５＋０．５×０．３＝０．４となる。

これに続く動作は、図６に示した第１の実施形態と同一のステップＳ１１２〜１１４（図７のステップＳ１２１〜１２４）である。

前述のステップＳ２０４の処理で、主目的属性見込値算出部２２６が算出する主目的属性見込値２３４ｂは、例えば各属性の紐付く地点での平均滞留時間から算出される。各地点の平均滞留時間は、滞留履歴記憶部３２から算出される滞留時間（＝滞留終了日時３２ｄ−滞留開始日時３２ｃ）から算出可能である。

また、主目的属性見込値２３４ｂは、ユーザ識別子３１ｂにより識別されるユーザと属性識別子２３３ｄで識別される属性ごとに算出される。このとき、主目的属性見込値２３４ｂの算出に使用する滞留時間は、算出しようとするユーザのユーザ識別子３１ｂに対応するトリップに含まれる滞留時間のみが使用されるものである。他のユーザ識別子３１ｂに対応するトリップに含まれる滞留時間は使用しない。

以下、数９に識別子ｄで示される属性の主目的属性見込値Ｐｄの算出例を示す。なお、数９のＡＴｄは識別子ｄで示される地点における平均滞留時間である。

以上で説明した本実施形態によれば、各地点の属性を含めて希少度を算出することが可能となる。

たとえば、同一のフランチャイズチェーンに属する飲食店やコンビニエンスストアなどは、実際の位置情報に違いがあっても、ユーザがそこに行く目的は同一であると考えることができる。

しかしながら、前述の第１の実施形態では、希少度を算出する際にそのような点について考慮されていない。そのため、実際の位置情報が異なるが実際には類似する目的である複数のトリップの希少度が同程度とはならないことがある。

本実施形態では、各地点に予め設定された属性を利用して、特徴ベクトルを生成して希少度を算出している。そのため、実際の位置情報が異なるが実際には類似する目的である複数のトリップから同程度の希少度を得ることができる。

これまで本発明について図面に示した特定の実施形態をもって説明してきたが、本発明は図面に示した実施形態に限定されるものではなく、本発明の効果を奏する限り、これまで知られたいかなる構成であっても採用することができる。

上述した実施形態について、その新規な技術内容の要点をまとめると、以下のようになる。なお、上記実施形態の一部または全部は、新規な技術として以下のようにまとめられるが、本発明は必ずしもこれに限定されるものではない。

（付記１） 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置であって、
前記位置情報から前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する位置情報記録手段と、
記録された前記位置情報と、前記開始日時および終了日時に基づいて、前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部と、
生成された前記特徴ベクトルに基づいて、前記滞留傾向が類似する前記移動をクラスタとしてまとめるクラスタ生成部と、
前記クラスタとしてまとめられた前記各移動の前記特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部と、
前記代表ベクトルに基づいて前記希少度を算出してこれを出力する希少度算出部と
を有すること、を特徴とする希少度算出装置。

（付記２） 前記特徴ベクトル生成部が、記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする付記１記載の希少度算出装置。

（付記３） 前記滞留時間に基づいて、前記各位置情報に対応する地点が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを前記位置情報と対応づけて前記記憶手段に記憶させる主目的地点見込値算出部を備えると共に、
前記特徴ベクトル生成部が、前記位置情報と、これに対応する前記滞留時間および前記主目的地点見込値とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする付記１記載の希少度算出装置。

（付記４） 前記滞留時間に基づいて、前記各位置情報に対応して予め記憶されている属性が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを前記属性を一意に示す属性識別子と対応づけて前記記憶手段に記憶させる主目的地点見込値算出部を備えると共に
前記特徴ベクトル生成部が、前記位置情報と、これに対応する前記滞留時間、前記主目的地点見込値および前記主目的属性見込値とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする付記３記載の希少度算出装置。

（付記５） 第１の装置と第２の装置とが相互に接続された希少度算出システムであって、
前記第１の装置が、
位置情報を取得する位置情報取得手段と、
前記位置情報から前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する位置情報記録手段と
を備え、
前記第２の装置が、
前記第１の装置から受信した前記位置情報、前記開始日時および終了日時に基づいて、前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部と、
生成された前記特徴ベクトルに基づいて、前記滞留傾向が類似する前記移動をクラスタとしてまとめるクラスタ生成部と、
前記クラスタとしてまとめられた前記各移動の前記特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部と、
前記代表ベクトルに基づいて前記希少度を算出してこれを前記第１の装置に出力する希少度算出部と
を有すること、を特徴とする希少度算出システム。

（付記６） 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、
前記位置情報から位置情報記録手段が前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録し、
記録された前記位置情報と、前記開始日時および終了日時に基づいて、特徴ベクトル生成部が前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成し、
生成された前記特徴ベクトルに基づいて、クラスタ生成部が前記滞留傾向が類似する前記移動をクラスタとしてまとめ、
前記クラスタとしてまとめられた前記各移動の前記特徴ベクトルに基づいてクラスタ特性算出部が当該クラスタにおける代表的な特徴ベクトルを算出し、
前記代表ベクトルに基づいて希少度算出部が前記希少度を算出してこれを出力すること、を特徴とする希少度算出方法。

（付記７） 記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする付記６記載の希少度算出方法。

（付記８） 前記滞留時間に基づいて、主目的地点見込値算出部が前記各位置情報に対応する地点が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを前記位置情報と対応づけて前記記憶手段に記憶させ、
前記位置情報と、これに対応する前記滞留時間および前記主目的地点見込値とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする付記６記載の希少度算出方法。

（付記９） 前記滞留時間に基づいて、主目的地点見込値算出部が前記各位置情報に対応して予め記憶されている属性が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを前記属性を一意に示す属性識別子と対応づけて前記記憶手段に記憶させ、
前記位置情報と、これに対応する前記滞留時間、前記主目的地点見込値および前記主目的属性見込値とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする付記８記載の希少度算出方法。

（付記１０） 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、
前記希少度算出装置が備えるプロセッサに、
前記位置情報から前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する手順、
記録された前記位置情報と、前記開始日時および終了日時に基づいて、前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する手順、
生成された前記特徴ベクトルに基づいて、前記滞留傾向が類似する前記移動をクラスタとしてまとめる手順、
クラスタとしてまとめられた前記各移動の前記特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出する手順、
および前記代表ベクトルに基づいて前記希少度を算出してこれを出力する手順を実行させること、を特徴とする希少度算出プログラム。

（付記１１） 前記特徴ベクトルを生成する手順が、記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトルを生成する手順であること、を特徴とする付記１０記載の希少度算出プログラム。

（付記１２） 前記滞留時間に基づいて、前記各位置情報に対応する地点が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを前記位置情報と対応づけて前記記憶手段に記憶させる手順、
および前記位置情報と、これに対応する前記滞留時間および前記主目的地点見込値とに基づいて前記特徴ベクトルを生成する手順を前記プロセッサにさらに実行させること、を特徴とする付記１０記載の希少度算出プログラム。

（付記１３） 前記滞留時間に基づいて、前記各位置情報に対応して予め記憶されている属性が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを前記属性を一意に示す属性識別子と対応づけて前記記憶手段に記憶させる手順、
および前記位置情報と、これに対応する前記滞留時間、前記主目的地点見込値および前記主目的属性見込値とに基づいて前記特徴ベクトルを生成する手順を前記プロセッサにさらに実行させること、を特徴とする付記１２記載の希少度算出プログラム。

本発明は、カーナビゲーション装置や携帯電話端末などのような歩行者用ナビゲーションなどに適用することができる。また、本発明によって得られたデータは、位置情報を利用した情報提供サービス、あるいはマーケティングリサーチなどに活用することができる。

１、１０、２１０ 希少度算出装置
２、１２ 記憶手段
３、２０ 位置情報記録部
４、２１、２２１ 特徴ベクトル生成部
５、２２ クラスタ生成部
６、２３ クラスタ特性算出部
７、２４ 希少度算出部
１１ プロセッサ
１３ 入出力手段
１４ 位置情報取得手段
２５ 主目的地点見込値算出部
３１ トリップデータ記憶部
３１ａ、３２ａ トリップ識別子
３１ｂ、３３ａ ユーザ識別子
３１ｃ 移動開始日時
３１ｄ 移動終了日時
３２ 滞留履歴記憶部
３２ｂ、３３ｂ 地点識別子
３２ｃ 滞留開始日時
３２ｄ 滞留終了日時
３３、２３３ 地点データ記憶部
３３ｃ 主目的地点見込値
２２６ 主目的属性見込値算出部
２３３ｄ、２３４ａ 属性識別子
２３４ 属性データ記憶部
２３４ｂ 主目的属性見込値

Claims (10)

1. 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置であって、
   前記位置情報から前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する位置情報記録手段と、
   記録された前記位置情報と前記開始日時および終了日時に基づいて、前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する特徴ベクトル生成部と、
   生成された前記特徴ベクトルに基づいて、前記滞留傾向が類似する前記位置情報をクラスタとしてまとめるクラスタ生成部と、
   前記クラスタとしてまとめられた前記各位置情報に係る前記特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出するクラスタ特性算出部と、
   前記代表ベクトルに基づいて前記希少度を算出してこれを出力する希少度算出部と
   を有すること、を特徴とする希少度算出装置。
2. 前記特徴ベクトル生成部が、記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする請求項１記載の希少度算出装置。
3. 前記滞留時間に基づいて、前記各位置情報に対応する地点が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを前記位置情報と対応づけて前記記憶手段に記憶させる主目的地点見込値算出部を備えると共に、
   前記特徴ベクトル生成部が、前記位置情報と、これに対応する前記滞留時間および前記主目的地点見込値とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする請求項１記載の希少度算出装置。
4. 前記滞留時間に基づいて、前記各位置情報に対応して予め記憶されている属性が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを前記属性を一意に示す属性識別子と対応づけて前記記憶手段に記憶させる主目的地点見込値算出部を備えると共に
   前記特徴ベクトル生成部が、前記位置情報と、これに対応する前記滞留時間、前記主目的地点見込値および前記主目的属性見込値とに基づいて前記特徴ベクトルを生成する機能を備えること、を特徴とする請求項３記載の希少度算出装置。
5. 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、
   前記位置情報から位置情報記録手段が前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録し、
   記録された前記位置情報と前記開始日時および終了日時に基づいて、特徴ベクトル生成部が前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成し、
   生成された前記特徴ベクトルに基づいて、クラスタ生成部が前記滞留傾向が類似する前記位置情報をクラスタとしてまとめ、
   前記クラスタとしてまとめられた前記各位置情報に係る前記特徴ベクトルに基づいてクラスタ特性算出部が当該クラスタにおける代表的な特徴ベクトルを算出し、
   前記代表ベクトルに基づいて希少度算出部が前記希少度を算出してこれを出力すること、を特徴とする希少度算出方法。
6. 記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする請求項５記載の希少度算出方法。
7. 前記滞留時間に基づいて、主目的地点見込値算出部が前記各位置情報に対応する地点が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的地点見込値を算出してこれを前記位置情報と対応づけて前記記憶手段に記憶させ、
   前記位置情報と、これに対応する前記滞留時間および前記主目的地点見込値とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする請求項５記載の希少度算出方法。
8. 前記滞留時間に基づいて、主目的地点見込値算出部が前記各位置情報に対応して予め記憶されている属性が前記ユーザにとってその地点への移動の主目的地である確率を示す主目的属性見込値を算出してこれを前記属性を一意に示す属性識別子と対応づけて前記記憶手段に記憶させ、
   前記位置情報と、これに対応する前記滞留時間、前記主目的地点見込値および前記主目的属性見込値とに基づいて前記特徴ベクトル生成部が前記特徴ベクトルを生成すること、を特徴とする請求項７記載の希少度算出方法。
9. 移動体が取得した位置情報に基づいて、前記移動体の各々の移動が当該移動体のユーザにとって希少なものであるか否かを示す数値である希少度を算出してこれを出力する希少度算出装置にあって、
   前記希少度算出装置が備えるプロセッサに、
   前記位置情報から前記移動の開始日時および終了日時を検出してこれらを当該位置情報と共に予め備えられた記憶手段に記録する手順、
   記録された前記位置情報と前記開始日時および終了日時に基づいて、前記各位置情報に対応する滞留傾向を示す特徴ベクトルを生成する手順、
   生成された前記特徴ベクトルに基づいて、前記滞留傾向が類似する前記位置情報をクラスタとしてまとめる手順、
   クラスタとしてまとめられた前記各位置情報に係る前記特徴ベクトルに基づいて当該クラスタにおける代表的な特徴ベクトルを算出する手順、
   および前記代表ベクトルに基づいて前記希少度を算出してこれを出力する手順を実行させること、を特徴とする希少度算出プログラム。
10. 前記特徴ベクトルを生成する手順が、記録された前記位置情報と、前記開始日時および終了日時から得られる前記各移動の間の滞留時間とに基づいて前記特徴ベクトルを生成する手順であること、を特徴とする請求項９記載の希少度算出プログラム。

Images