JP2015056018A - 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 - Google Patents
携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 Download PDFInfo
- Publication number
- JP2015056018A JP2015056018A JP2013188843A JP2013188843A JP2015056018A JP 2015056018 A JP2015056018 A JP 2015056018A JP 2013188843 A JP2013188843 A JP 2013188843A JP 2013188843 A JP2013188843 A JP 2013188843A JP 2015056018 A JP2015056018 A JP 2015056018A
- Authority
- JP
- Japan
- Prior art keywords
- stay
- time
- user
- place
- feature vector
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積手段と、
通信履歴を所定の時間窓で分割する時間窓分割手段と、
時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する滞在移動判定手段と、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する位置クラスタリング手段と、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する時間クラスタリング手段と、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する特徴ベクトル算出手段と、
他のユーザについて「滞在地」毎に特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する滞在目的推定手段と
を有する装置が提供される。
滞在目的推定手段は、学習された上記の相関に基づいて各滞在目的の事後確率を算出し、事後確率の降順に特徴ベクトルに対応する滞在目的を並び替えた際、上位所定数に入る滞在目的を当該ユーザの滞在目的と推定することも好ましい。
基地局識別子及び基地局位置情報を対応付けて記憶する基地局位置情報管理手段と、
携帯端末を配下に接続させる基地局から、携帯端末毎に通信に係る日時刻と当該基地局の基地局識別子とを対応付けた通信記録を収集する通信履歴収集手段と、
基地局位置情報管理手段を用いて、通信記録について、携帯端末毎に基地局識別子に対応する基地局位置情報を更に対応付ける位置情報履歴生成手段と
を更に有する通信設備装置が提供されることも好ましい。
携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積手段と、
通信履歴を所定の時間窓で分割する時間窓分割手段と、
時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する滞在移動判定手段と、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する位置クラスタリング手段と、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する時間クラスタリング手段と、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する特徴ベクトル算出手段と、
他のユーザについて「滞在地」毎に特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する滞在目的推定手段と
してコンピュータを機能させるプログラムが提供される。
上記装置は、携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積部を有し、上記方法は、
通信履歴を所定の時間窓で分割する第1のステップと、
時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する第2のステップと、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する第3のステップと、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する第4のステップと、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する第5のステップと、
他のユーザについて「滞在地」毎に特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する第6のステップと
を有する方法が提供される。
基地局位置情報管理部111(図2)は、基地局識別子と基地局位置情報とを対応付けて記憶する。
通信履歴収集部112(図2)は、基地局3から、当該基地局3の配下にある携帯端末2毎に日時刻及び基地局識別子といった通信記録(通信履歴)を収集する。
通信記録(端末識別子、日時刻、基地局識別子)
図4の通信履歴によれば、携帯端末00001は、2010年6月15日17:54:50に基地局3と通信している。また、携帯端末00001は、2010年6月15日17:57:00には基地局1と通信している。
位置情報履歴生成部113(図2)は、基地局位置情報管理部111を用いて、通信記録(ログ)毎に、基地局識別子に対応する基地局位置情報を更に対応付ける。この通信履歴は通信履歴蓄積部121へ出力される。
通信履歴蓄積部121(図2)は、位置情報履歴生成部113から出力された通信履歴を蓄積する。
時間窓分割部122(図2)は、通信履歴蓄積部121から出力された通信履歴を所定の時間窓(時間区間)で分割する。具体的には、通信履歴を構成する複数の通信記録を、日時刻が所定の時間窓に属するもの同士を集めて区分する。時間窓は、時間幅T及びシフト幅Sによって決定される。シフト幅Sの時間窓とは、開始時刻をSだけ遅らせたものである。従ってT>Sの場合、時間窓はT−Sだけ重畳することになる。
滞在移動判定部123(図2)は、各携帯端末2につき、時間窓毎に、複数の基地局位置情報に基づく位置の確率分布が単峰性を有するならば「滞在」と判定し、単峰性を有さないならば「移動」と判定する。ここで、単峰性とは、位置の確率分布が1つの山の形状をしている(1つのピークをなす)ことを意味する。即ち、1つの時間窓(例えば20分)に属する基地局位置の確率分布が単峰性を有する場合、この時間区間については「滞在」と判定することができる。一方、基地局位置の確率分布が、複数の山の形状をしている(複数のピークをなす)ならば多峰性を有するものとする。1つの時間窓について多峰性を有する場合、この時間区間については「移動」中と判定することができる。
(S1)任意の点(位置情報)を、最初の中心点とする。
(S2)中心点を中心とした第1の閾値(例えば2km)の半径の円に含まれる点(位置情報)を用いて、重心を算出する。
(S3)次に、算出された重心と現在の中心点との差(変化量)が、第2の閾値(例えば100m)以下であるか否かを判定する。
(S4)S3において偽と判定された場合、その重心を新たな中心点とする。次いで、再びS2へ戻り、変化量が第2の閾値以下に収まるまで繰り返す。
(S5)S3において真と判定された場合、その重心(収束した点)を代表点とする。
(1)時間窓1の点(35.825,139.520)に関する1回目の重心を計算する。時間窓1の点(35.825,139.520)と時間窓1に含まれるその他の点との距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(2)次いで、時間窓1の点(35.825,139.520)に関する2回目の重心を計算する。2回目の重心計算では、中心点を(35.824,139.514)とする。中心点と時間窓1に含まれるその他の点の距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(3)1回目と2回目の重心計算の結果は同じであり変化量は100m以下であるので、時間窓1の点(35.825,139.520)の代表点は(35.824,139.514)となる。
(4)次いで、時間窓1の点(35.825,139.510)に関する1回目の重心を計算する。時間窓1の点(35.825,139.510)と時間窓1に含まれるその他の点との距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(5)次いで、時間窓1の点(35.825,139.510)に関する2回目の重心を計算する。2回目の重心計算では、中心点を(35.824,139.514)とする。中心点と時間窓1に含まれるその他の点との距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(6)1回目と2回目の重心計算の結果は同じであり、変化量は100m以下であるので、時間窓1の点(35.825,139.510)の代表点は(35.824,139.514)となる。
(7)次いで、時間窓1の点(35.820,139.510)に関する1回目の重心を計算する。時間窓1の点(35.820,139.510)と時間窓1に含まれるその他の点との距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(8)次いで、時間窓1の点(35.820,139.510)に関する2回目の重心を計算する。2回目の重心計算では、中心点を(35.824,139.514)とする。中心点と時間窓1に含まれるその他の点との距離はすべて2km以内であるので、その他の点すべての平均をとると(35.824,139.514)となる。
(9)1回目と2回目の重心計算の結果は同じであり、変化量は100m以下であるので、時間窓1の点(35.820,139.510)の代表点は(35.824,139.514)となる。
以上より、計算された代表点はいずれの点についても(35.824,39.514)であり、代表点の種類数は1であるので、時間窓1は「滞在」と判定される。
(1)時間窓3の点(35.825,139.510)に関する1回目の重心を計算する。時間窓3の点(35.825,139.510)と時間窓3に含まれるその他の点との距離を計算すると、(35.825,139.510)、(35.820,139.510)、(35.820,139.510)、(35.825,139.520)及び(35.820,139.510)は2km以内であるがそれ以外は2kmを超えるので、これらの5点の平均をとると(35.822,139.512)となる。
(2)次いで、時間窓3の点(35.825,139.510)に関する2回目の重心を計算する。2回目の重心計算では、中心点を(35.822,139.512)とする。中心点と時間窓3に含まれるその他の点との距離を計算すると、(35.825,139.510)、(35.820,139.510)、(35.820,139.510)、(35.825,139.520)及び(35.820,139.510)は2km以内であるがそれ以外は2kmを超えるので、これらの5点の平均をとると(35.822,139.512)となる。
(3)1回目と2回目の重心計算の結果は同じであり、変化量は100m以下であるので、時間窓3の点(35.825,139.510)の代表点は(35.822,139.512)となる。
(4)次いで、時間窓3の点(35.850,139.530)に関する1回目の重心を計算する。時間窓3の点(35.850,139.530)と時間窓3に含まれるその他の点との距離を計算すると、(35.850,139.530)及び(35.850,139.530)は2km以内であるがそれ以外は2kmを超えるので、これらの2点の平均をとると(35.850,139.53)となる。
(5)次いで、時間窓3の点(35.850,139.530)に関する2回目の重心を計算する。2回目の重心計算では、中心点を(35.850,139.530)とする。中心点と時間窓3に含まれるその他の点との距離を計算すると、(35.850,139.530)及び(35.850,139.530)は2km以内であるがそれ以外は2kmを超えるので、これらの2点の平均をとると(35.850,139.530)となる。
(6)1回目と2回目の重心計算の結果は同じであり、変化量は100m以下であるので、時間窓3の点(35.850,139.530)の代表点は(35.850,139.530)となる。
(7)時間窓3のその他の点の代表点の計算は省略する。
以上より、計算された代表点は、(35.822,139.512)、(35.850,139.530)(以下省略)と2以上であるため、時間窓3は「移動」と判定される。
滞在時間窓収集部124(図2)は、「滞在」と判定された時間窓の位置情報を収集する。滞在と判定された時間窓の代表点の数は1である。
移動時間窓収集部125(図2)は、「移動」と判定された時間窓の通信履歴を収集する。
位置クラスタリング部126(図2)は、「滞在」と判定された各時間窓の複数の位置情報の重心を「滞在地クラスタ」(「滞在地」)とする。具体的には、この重心を代表点とし、互いに近接した代表点の集合を1つの「滞在地クラスタ」とする。
時間クラスタリング部127(図2)は、
(a)同じ「滞在地クラスタ」に属する一連の時間窓の集合、又は
(b)通信の発生がなく滞在とも移動とも判定されなかった「未判定」の時間窓を含み、この「未判定」の時間窓を除いて同じ「滞在地クラスタ」に属する一連の時間窓の集合
から1つの「滞在時間区間」を形成する。
ユーザ行動履歴推定部128(図2)は、位置クラスタリング部126から出力された時間窓情報と、時間クラスタリング部127から出力された時間窓情報とから、時間経過に沿ったユーザ行動履歴を導出する。
教師情報管理部132(図2)は、ユーザ集合の部分集合である一部ユーザについて取得されている滞在目的の教師情報を記憶し管理する。ここで、これら一部ユーザについては、位置情報履歴に沿った時系列の一部または全部について教師情報としての滞在目的が明示的に得られている。このような滞在目的は、例えば、位置情報履歴を有するこれらの一部ユーザに対しアンケート等の行動調査を実施することにより取得される。
学習データ作成部133(図2)は類似ユーザ検索部を有し、この類似ユーザ検索部は、滞在目的推定対象であるユーザの「滞在時間区間」の集合と、他のユーザの「滞在時間区間」の集合との間の重畳度合いに基づいて類似度を算出する。例えば、ユーザA及びユーザBの「滞在時間区間」の集合をそれぞれSA及びSBとすると、SAとSBとの間の重畳度合いF(SA,SB)を、次式
(1) F(SA,SB)=|SA∩SB|/|SA∪SB|
により算出し、算出されたF(SA,SB)をユーザAとユーザBとの間の類似度とする。式(1)の重畳度合いはジャカール(jaccard)類似度とも称される。
特徴ベクトル算出部131(図2)は、各ユーザについて推定された「滞在地」毎に特徴ベクトルを算出する。特徴ベクトルは、本実施形態において以下に示す5つの特徴量F1〜F5をその成分とする。このうち、特徴量F1〜F4は、「滞在地」毎に決定された「滞在時間区間」から算出される時間的特徴量となっており、特徴量F5は、決定された「滞在地」から算出される当該「滞在地」と一部又は全部の「滞在地」との位置関係に関する空間的特徴量となっている。
(特徴量F2)平日か休・祝日かを示すパラメータ。滞在時が平日(Weekday)ならば0、休・祝日(Holiday)ならば1の値をとる。
(特徴量F3)滞在時間。(滞在終了時刻(秒))−(滞在開始時刻(秒))を86400で割ったもの。
(特徴量F4)移動時間。(滞在開始時刻(秒))−(直前の「滞在地」の滞在終了時刻(秒))を86400で割ったもの。
(a)「滞在地」毎に、当該「滞在地」と当該「滞在地」の周辺の1または複数の「滞在地」との距離の平均を当該「滞在地」と一部又は全部の「滞在地」との位置関係とする。
(b)「滞在地」毎に、当該「滞在地」と当該「滞在地」の周辺の1または複数の「滞在地」における重心との距離をDとし、当該「滞在地」の周辺の1または複数の「滞在地」の平均及び標準偏差をそれぞれμD及びσDとして、(D−μD)/σDを当該「滞在地」と一部又は全部の「滞在地」との位置関係とする。
(c)「滞在地」毎に、当該「滞在地」と当該「滞在地」の周辺の1または複数の「滞在地」における最大頻度地との距離をDとし、当該「滞在地」の周辺の1または複数の「滞在地」の平均及び標準偏差をそれぞれμD及びσDとして、(D−μD)/σDを当該「滞在地」と一部又は全部の「滞在地」との位置関係とする。
(特徴量F1)滞在地A2の開始時刻は8:00:00であり、この8:00:00の0:00:00からの秒数は28800である。これを86400で割ることにより、F1=0.333を得る。
(特徴量F2)2012/6/15は平日であるため、F2=0となる。
(特徴量F3)滞在地A2の開始時刻は8:00であって終了時刻は11:59であり、経過秒数は14400である。これを86400で割ることにより、F3=0.167を得る。
(特徴量F4)滞在地A2の開始時刻は8:00であって、直前の「滞在地」である滞在地A1の終了時刻は5:59であり、この間の経過秒数は7200である。これを86400で割ることにより、F4=0.083を得る。
(2) F(A,B)=Σdist(vA,s,vB,s)
により算出する。この算出されたF(A,B)をユーザAとユーザBとの間の類似度とすることができる。ここで、Σはs(∈S)についての総和である。また、dist(vA,s,vB,s)は、共通部分の要素s毎のユーザA及びユーザBの特徴ベクトル間の距離を表し、例えばユークリッド距離とする。
学習データ作成部133(図2)は、類似度に基づいて検索された類似ユーザの「滞在地」について算出された特徴ベクトルと「滞在目的」とを対応付けて、各ユーザの統計的学習のために用いる学習データを作成する。
(c)類似度に関して上位所定数(例えば上位2人)となる他のユーザについて「滞在地」毎に特徴ベクトル(F1〜F5)及び「滞在目的」を対応付けたデータに対し類似度で重み付けしたデータを、学習データとして作成する。即ち、上位所定数の中で類似度のより高いユーザのデータほど、より強く推定結果に反映されるように調整する。
(e)曜日毎及び時間帯毎に、他のユーザについて「滞在地」毎に特徴ベクトル(F1〜F5)及び「滞在目的」を対応付けたデータに対し、対応する類似度で重み付けしたデータを、学習データとして作成する。
(f)曜日毎及び時間帯毎に、対応する類似度に関して上位所定数となる他のユーザについて「滞在地」毎に特徴ベクトル(F1〜F5)及び「滞在目的」を対応付けたデータに対し、対応する類似度で重み付けしたデータを、学習データとして作成する。
統計的学習部134(図2)は、学習データ作成部133で作成された学習データにおける特徴ベクトルと「滞在目的」との「相関」を統計的に学習する。また、滞在目的推定部135(図2)は、統計的推論部であり、作成された学習データに基づいて「滞在地」毎に特徴ベクトルを対応付けたデータに係る対象ユーザの滞在目的を推定する。ここで、滞在目的推定部135は、以下詳細に説明するように、統計的学習部134で学習された「相関」に基づいて各「滞在目的」の事後確率を算出し、最も高い事後確率となった特徴ベクトルに対応する滞在目的を、当該ユーザの滞在目的と推定することも好ましい。また、最も高い事後確率となった特徴ベクトルに対応する滞在目的だけでなく、事後確率の降順に特徴ベクトルに対応する滞在目的を並べ替えた際、上位所定数(上位の1つ以上)に入る滞在目的を当該ユーザの滞在目的と推定することも好ましい。
(a)「A、B、C」(すべての変数が独立)、
(b)「A、B、A→C」(AとBは独立、CはAに依存)、
(c)「A、A→B、A→C」(Aは独立、BとCはAに依存)、
(d)「A、B、A&B→C」(AとBは独立、CはAとBに依存)
等、多くの種類の依存関係をとり得る。このような「確率モデル」を規定することにより、複数の確率変数における全ての変数の値の組み合わせの確率分布である同時確率の計算式を導出可能となる。
(3) 同時確率分布P(A,B, C)=P(A)P(B)P(C|A,
B)
という計算式が導出される。このように「確率モデル」は、学習データ(教師データ)により予め適切な表現が選択され、条件付き確率分布は最尤法や最大事後確率法によって予め推定される。
(4) P(Class, F1,F2,・・・,F5)
=P(Class)P(F1|Class)P(F2|Class)・・・P(F5|Class)
=P(Class)ΠiP(Fi|Class)
を用いて算出される。尚、変数間の依存関係は、学習データに応じ、最尤法又は最大事後確率法を用いて適切に学習されるものであって、前述の依存関係の表現に限定されるものではない。
(5) P(Class=y)=(Class=yという値を持つデータの総数)/(全データ数)
(6) P(F1=x|Class=y)=(F1=x且つClass=yという値を持つデータの総数)/(Class=yという値を持つデータの総数)
ここで、x及びyはそれぞれ、F1及びClassの特定の値を指す。
10 通信インタフェース部
111 基地局位置情報管理部
112 通信履歴収集部
113 位置情報履歴生成部
121 通信履歴蓄積部
122 時間窓分割部
123 滞在移動判定部
124 滞在時間窓収集部
125 移動時間窓収集部
126 位置クラスタリング部
127 時間クラスタリング部
128 ユーザ行動履歴推定部
131 特徴ベクトル算出部
132 教師情報管理部
133 学習データ作成部
134 統計的学習部
135 滞在目的推定部
13 アプリケーション処理部
2 携帯端末
3 基地局
Claims (18)
- 携帯端末を所持したユーザの滞在目的を推定する装置であって、
携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積手段と、
当該通信履歴を所定の時間窓で分割する時間窓分割手段と、
当該時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する滞在移動判定手段と、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する位置クラスタリング手段と、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する時間クラスタリング手段と、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する特徴ベクトル算出手段と、
他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に当該特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する滞在目的推定手段と
を有することを特徴とする装置。 - 当該学習データにおける当該特徴ベクトルと滞在目的との相関を統計的に学習する統計的学習手段を更に有し、
前記滞在目的推定手段は、学習された当該相関に基づいて各滞在目的の事後確率を算出し、事後確率の降順に特徴ベクトルに対応する滞在目的を並び替えた際、上位所定数に入る滞在目的を当該ユーザの滞在目的と推定する
ことを特徴とする請求項1に記載の装置。 - 前記特徴ベクトル算出手段は、「滞在地」毎に、決定された「滞在時間区間」から算出される滞在開始時間、平日・休祝日の区分、滞在時間、及び移動時間のうちの少なくとも1つに関する特徴量を含む特徴ベクトルを算出することを特徴とする請求項1又は2に記載の装置。
- 前記特徴ベクトル算出手段は、「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量と、決定された「滞在地」から算出される当該「滞在地」と一部又は全部の「滞在地」との位置関係に関する特徴量とを含む特徴ベクトルを算出することを特徴とする請求項1から3のいずれか1項に記載の装置。
- 「滞在地」毎に、当該「滞在地」と当該「滞在地」の周辺の1または複数の「滞在地」との距離の平均を、当該「滞在地」と一部又は全部の「滞在地」との位置関係に関する特徴量とすることを特徴とする請求項4に記載の装置。
- 「滞在地」毎に、当該「滞在地」と当該「滞在地」の周辺の1または複数の「滞在地」の重心又は最大頻度地との距離をDとし、当該「滞在地」の周辺の1または複数の「滞在地」の平均及び標準偏差をそれぞれμD及びσDとして、(D−μD)/σDを当該「滞在地」と一部又は全部の「滞在地」との位置関係に関する特徴量とすることを特徴とする請求項4に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と、他のユーザの「滞在時間区間」の集合との間の重畳度合いに基づいて類似度を算出し、当該類似度に関して上位所定数となる他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と他のユーザの「滞在時間区間」の集合との共通部分に係る、当該ユーザの「滞在時間区間」に係る特徴ベクトルと他のユーザの「滞在時間区間」に係る特徴ベクトルとの距離の総和に基づいて類似度を算出し、当該類似度に関して上位所定数となる他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と、他のユーザの「滞在時間区間」の集合との間の重畳度合いに基づいて類似度を算出し、他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータに対し当該類似度で重み付けしたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と他のユーザの「滞在時間区間」の集合との共通部分に係る、当該ユーザの「滞在時間区間」に係る特徴ベクトルと他のユーザの「滞在時間区間」に係る特徴ベクトルとの距離の総和に基づいて類似度を算出し、他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータに対し当該類似度で重み付けしたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と、他のユーザの「滞在時間区間」の集合との間の重畳度合いに基づいて類似度を算出し、当該類似度に関して上位所定数となる他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータに対し当該類似度で重み付けしたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 当該ユーザの「滞在時間区間」の集合と他のユーザの「滞在時間区間」の集合との共通部分に係る、当該ユーザの「滞在時間区間」に係る特徴ベクトルと他のユーザの「滞在時間区間」に係る特徴ベクトルとの距離の総和に基づいて類似度を算出し、当該類似度に関して上位所定数となる他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けたデータに対し当該類似度で重み付けしたデータを、学習データとして作成する学習データ作成手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の装置。
- 前記学習データ作成手段は、曜日毎及び時間帯毎に当該類似度を算出し、曜日毎及び時間帯毎に、当該類似度を使用して学習データを作成することを特徴とする請求項7から12のいずれか1項に記載の装置。
- 前記滞在移動判定手段は、当該時間窓毎に、複数の基地局位置情報に基づく位置の確率分布が単峰性を有する場合に「滞在」と判定し、単峰性を有さない場合に「移動」と判定することを特徴とする請求項1から13のいずれか1項に記載の装置。
- 前記時間クラスタリング手段は、所定数以上の通信記録が属していない時間窓については「未判定」とし、「未判定」とされた時間窓が「滞在」と判定され且つ同一の「滞在地」に属する少なくとも2つの時間窓の間に挟まれている場合、当該「未判定」の時間窓についても前記同一の「滞在地」に係る「滞在」と判定することを特徴とする請求項1から14のいずれか1項に記載の装置。
- 広域無線通信網に接続された請求項1から15のいずれか1項に記載の装置である通信設備装置であって、前記通信履歴蓄積手段に通信履歴を蓄積させるために、
基地局識別子及び基地局位置情報を対応付けて記憶する基地局位置情報管理手段と、
携帯端末を配下に接続させる基地局から、携帯端末毎に通信に係る日時刻と当該基地局の基地局識別子とを対応付けた通信記録を収集する通信履歴収集手段と、
前記基地局位置情報管理手段を用いて、当該通信記録について、携帯端末毎に基地局識別子に対応する基地局位置情報を更に対応付ける位置情報履歴生成手段と
を更に有することを特徴とする通信設備装置。 - 装置に搭載されたコンピュータを、携帯端末を所持したユーザの滞在地を推定するように機能させるプログラムであって、
携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積手段と、
当該通信履歴を所定の時間窓で分割する時間窓分割手段と、
当該時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する滞在移動判定手段と、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する位置クラスタリング手段と、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する時間クラスタリング手段と、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する特徴ベクトル算出手段と、
他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に当該特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する滞在目的推定手段と
してコンピュータを機能させることを特徴とするプログラム。 - 装置を用いて、携帯端末を所持したユーザの滞在地を推定する方法であって、
前記装置は、携帯端末毎に、通信に係る日時刻及び基地局位置情報を対応付けた複数の通信記録を含む通信履歴を蓄積した通信履歴蓄積部を有し、前記方法は、
当該通信履歴を所定の時間窓で分割する第1のステップと、
当該時間窓毎に、複数の基地局位置情報に基づく位置の確率分布に基づいて「滞在」又は「移動」を判定する第2のステップと、
「滞在」と判定された時間窓における位置の確率分布に基づいて「滞在地」を決定する第3のステップと、
「滞在」と判定された時間窓の時間区間に基づいて「滞在時間区間」を決定する第4のステップと、
「滞在地」毎に、決定された「滞在時間区間」から算出される時間に関する特徴量を含む特徴ベクトルを算出する第5のステップと、
他のユーザについて「滞在地」毎に当該特徴ベクトル及び滞在目的を対応付けた学習データに基づいて、「滞在地」毎に当該特徴ベクトルを対応付けたデータに係る当該ユーザの滞在目的を推定する第6のステップと
を有することを特徴とする方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013188843A JP6052806B2 (ja) | 2013-09-11 | 2013-09-11 | 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013188843A JP6052806B2 (ja) | 2013-09-11 | 2013-09-11 | 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015056018A true JP2015056018A (ja) | 2015-03-23 |
JP6052806B2 JP6052806B2 (ja) | 2016-12-27 |
Family
ID=52820381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013188843A Active JP6052806B2 (ja) | 2013-09-11 | 2013-09-11 | 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6052806B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016081253A (ja) * | 2014-10-15 | 2016-05-16 | 株式会社 ミックウェア | 情報出力装置、情報出力方法、およびプログラム |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
JP2017059032A (ja) * | 2015-09-17 | 2017-03-23 | 株式会社Nttドコモ | 推定装置 |
JP2018133028A (ja) * | 2017-02-17 | 2018-08-23 | 日本電信電話株式会社 | 行動パターン分類装置、行動パターン分類方法、及び行動パターン分類プログラム |
CN113918838A (zh) * | 2021-11-12 | 2022-01-11 | 合众新能源汽车有限公司 | 基于停留数据的目标人群识别方法、系统和可读介质 |
KR20230091226A (ko) * | 2021-12-15 | 2023-06-23 | 재단법인 서울특별시 서울기술연구원 | 통신데이터 위치정보에 미분기법을 적용한 효과적인 체류정보 추출 방법 및 장치 |
CN117336683A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于信令数据的大规模人员典型停留地识别方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220163120A (ko) * | 2021-06-02 | 2022-12-09 | 에스케이텔레콤 주식회사 | 체류 목적 추정장치 및 체류 목적 추정방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011253315A (ja) * | 2010-06-01 | 2011-12-15 | Nippon Telegr & Teleph Corp <Ntt> | 滞在目的推定装置、方法及びプログラム |
JP2013054512A (ja) * | 2011-09-02 | 2013-03-21 | Fuji Xerox Co Ltd | 識別情報付与プログラム及び識別情報付与装置 |
-
2013
- 2013-09-11 JP JP2013188843A patent/JP6052806B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011253315A (ja) * | 2010-06-01 | 2011-12-15 | Nippon Telegr & Teleph Corp <Ntt> | 滞在目的推定装置、方法及びプログラム |
JP2013054512A (ja) * | 2011-09-02 | 2013-03-21 | Fuji Xerox Co Ltd | 識別情報付与プログラム及び識別情報付与装置 |
Non-Patent Citations (1)
Title |
---|
JPN6016040251; Kurokawa, Mori et al.: 'Extracting People's Stays from Cellular Network Data' NetMob2013 Book of abstracts [online] , 20130503, pp.115-117 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016081253A (ja) * | 2014-10-15 | 2016-05-16 | 株式会社 ミックウェア | 情報出力装置、情報出力方法、およびプログラム |
JP2017053804A (ja) * | 2015-09-11 | 2017-03-16 | 株式会社東芝 | 確率的気象予測装置、確率的気象予測方法およびプログラム |
JP2017059032A (ja) * | 2015-09-17 | 2017-03-23 | 株式会社Nttドコモ | 推定装置 |
JP2018133028A (ja) * | 2017-02-17 | 2018-08-23 | 日本電信電話株式会社 | 行動パターン分類装置、行動パターン分類方法、及び行動パターン分類プログラム |
CN113918838A (zh) * | 2021-11-12 | 2022-01-11 | 合众新能源汽车有限公司 | 基于停留数据的目标人群识别方法、系统和可读介质 |
CN113918838B (zh) * | 2021-11-12 | 2024-04-12 | 合众新能源汽车股份有限公司 | 基于停留数据的目标人群识别方法、系统和可读介质 |
KR20230091226A (ko) * | 2021-12-15 | 2023-06-23 | 재단법인 서울특별시 서울기술연구원 | 통신데이터 위치정보에 미분기법을 적용한 효과적인 체류정보 추출 방법 및 장치 |
KR102634331B1 (ko) | 2021-12-15 | 2024-02-07 | 재단법인 서울연구원 | 통신데이터 위치정보에 미분기법을 적용한 효과적인 체류정보 추출 방법 및 장치 |
CN117336683A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于信令数据的大规模人员典型停留地识别方法及系统 |
CN117336683B (zh) * | 2023-12-01 | 2024-02-13 | 北京航空航天大学 | 基于信令数据的大规模人员典型停留地识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6052806B2 (ja) | 2016-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6052806B2 (ja) | 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法 | |
US11762818B2 (en) | Apparatus, systems, and methods for analyzing movements of target entities | |
Lv et al. | Big data driven hidden Markov model based individual mobility prediction at points of interest | |
Liu et al. | Unified point-of-interest recommendation with temporal interval assessment | |
Frias-Martinez et al. | Spectral clustering for sensing urban land use using Twitter activity | |
Yuan et al. | Time-aware point-of-interest recommendation | |
JP6053027B2 (ja) | 類似移動経路をとるユーザを検索する装置、プログラム及び方法 | |
Gao et al. | Exploring social-historical ties on location-based social networks | |
JP5523274B2 (ja) | 携帯端末を所持したユーザの有意圏を推定する装置、プログラム及び方法 | |
JP5410462B2 (ja) | 行動及び属性推定装置及び方法及びプログラム | |
Nurmi et al. | Identifying meaningful locations | |
JP6049186B2 (ja) | 携帯端末を所持したユーザの滞在地を推定する装置、プログラム及び方法 | |
Zhang et al. | Optimizing online task allocation for multi-attribute social sensing | |
Sarwat et al. | Plutus: leveraging location-based social networks to recommend potential customers to venues | |
JP5986028B2 (ja) | 携帯端末を所持したユーザの短時間滞留地を推定する装置、プログラム及び方法 | |
Özsoy et al. | Multi-objective optimization based location and social network aware recommendation | |
Huang et al. | On interesting place finding in social sensing: An emerging smart city application paradigm | |
Mourchid et al. | A Markov chain model for integrating context in recommender systems | |
Frias-Martinez et al. | Sensing urban land use with twitter activity | |
Al-Molegi et al. | Regions-of-interest discovering and predicting in smartphone environments | |
Jahromi et al. | Predicting encounter and colocation events | |
Hai et al. | A mobility prediction model for location-based social networks | |
Hajela et al. | Crime hotspot prediction based on dynamic spatial analysis | |
Elbery et al. | Proactive and reactive carpooling recommendation system based on spatiotemporal and geosocial data | |
Zignani et al. | On the key features in human mobility: relevance, time and distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160119 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161019 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161102 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161122 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6052806 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |