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
【課題】携帯端末の測位機能に頼ることなく、通信事業者設備によって取得可能な基地局位置情報を用いて、ユーザの滞在目的を推定することができる装置を提供する。【解決手段】本装置は、通信の日時刻及び基地局位置情報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か否かを判定する滞在移動判定手段と、滞在時間窓の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、滞在時間区間から算出される特徴ベクトルを算出する特徴ベクトル算出手段と、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。【選択図】図２
Description
本発明は、携帯端末を所持したユーザの滞在及び移動に関わる情報を推定する技術に関する。
近年、携帯電話機に代表される携帯端末の多くは、ＧＰＳ(Global Positioning System)といった測位機能を備えている。これにより、ユーザは、測位を通して現在位置情報を取得できると共に、測位結果をネットワーク経由でサーバに送信することによって、位置に応じた様々なサービス情報を受信可能となる。
例えば特許文献１に記載の技術では、携帯端末のＧＰＳ機能によって取得された位置情報がサーバへ送信され、当該サーバがユーザの位置情報履歴から行動範囲を算出し、この行動範囲を反映した情報を提供する。ここで、ユーザ毎の位置情報を位置情報同士の距離に基づいてクラスタリングし、ユーザ毎の行動範囲を算出する。但し、算出された行動範囲で、それぞれの位置が滞在地なのか移動中の通過場所なのかを判別することはできない。
これに対し、非特許文献１に記載の技術では、携帯端末のＧＰＳ機能によって取得されたユーザ毎の位置情報が、k-means法を改良した方法を用いてクラスタリングされ、総滞在時間に基づいて滞在状態か否かが判定される。
さらに、非特許文献２に記載の技術では、二次元平面上における無限混合ガウスモデルを用いたクラスタリング手法によってユーザの位置情報がクラスタリングされ、滞在か移動かの明確な区別はないものの、ユーザにとって有意な位置が抽出可能となる。
ここで、上述の従来技術は、ユーザの位置情報が携帯端末のＧＰＳ機能によって取得されることを前提としている。しかしながら、この取得のために、携帯端末においてＧＰＳ機能及びそのアプリケーションを常時又は定期的に起動させると、携帯端末の電池の消耗が早まるのみならず、携帯端末からのパケットの送出量が増大してしまう。また、それ故に、ユーザの位置情報に基づくサービスを普及させることも困難となる。
そのため、通信事業者側としては、携帯端末で取得された位置情報ではなく、その携帯端末を配下とする基地局の位置情報によって、携帯端末を所持したユーザの滞在に関する位置及び時間区間を推定できることが好ましい。この場合、携帯端末は常時又は定期的にＧＰＳ機能を起動させる必要もない。しかしながら、このような基地局位置情報は、空間的粒度が粗く且つ時間間隔が一定でないという特徴を有する。このような定常的な測位結果が得られない状況では、上述した特許文献１、非特許文献１及び非特許文献２に記載の解法アルゴリズムは適用困難である。
これに対し、通信事業者側で、携帯端末を配下とする基地局の位置情報の履歴を利用してユーザの行動を分析する技術が存在する。例えば非特許文献３に記載の技術では、通信事業者側が、携帯端末を配下とする基地局の位置情報の履歴に対し、Leader Algorithmと称される凝集型のクラスタリング方法を用い、ユーザにとって有意な位置を抽出する。
さらに、非特許文献４に記載の技術では、通信事業者側が、滞在時の基地局の切り替わり回数に関して上限値（例えば３回）を設け、この上限値を超えない一連の時間帯を滞在時間として抽出する。
遠山緑生、服部隆志、荻野達也、「携帯電話の測位機能を用いた有意位置の学習」、情報処理学会論文誌、vol.46 No.12、pp.2915-2924、2005
Petteri Nurmi、Sourav Bhattacharya、「Identifying Meaningful Places: The Non-parametric Way」、Pervasive 2008、pp.111-127、2008
S. Isaacman、R. Becker、R. Caceres、S.G. Kobourov、M. Martonosi、J. Rowland、and A. Varshavsky、「Identifying ImportantPlaces in People's Lives from Cellular Network Data」、Proc. of the 9th International Conference on Pervasive Computing、pp.133-151、2011
M.A. Bayir、M. Demirbas、and N. Eagle、「Mobility profiler: A frameworkfor discovering mobility profiles of cell phone users」、Proc.of the International Conference on Pervasive and Mobile Computing、vol.6、no.4、pp.435--454、2010
しかしながら、非特許文献３に記載の技術では、滞在地の間の電車等での移動中に発生する通信の影響を受けて、滞在地の位置や滞在の時間がずれてしまうという問題が生じる。
また、非特許文献４に記載の技術は、位置情報を考慮しないので、通信発生データの少ないユーザについて通信が移動中にもほとんど発生しない場合、例えば自宅と職場とを同一の滞在地にしてしまうといった問題を抱える。また、狭い範囲に基地局が密に配置されている場合、滞在時間を過度に細かく分割してしまうことも問題となる。
さらに、非特許文献３及び非特許文献４といった従来技術では、滞在地に関するユーザの更なる情報、特にユーザの滞在目的、例えば買い物、食事、仕事等を推定することはできない。このようなユーザの滞在目的が推定されれば、例えばその目的に応じた有益な情報をユーザに適宜提供するサービスを実現することも可能となる。
そこで、本発明は、携帯端末の測位機能に頼ることなく、通信事業者設備によって取得可能な基地局位置情報を用いて、ユーザの滞在目的を推定することができる装置、プログラム及び方法を提供することを目的とする。
本発明によれば、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、
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。
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。
この本発明による装置の一実施形態として、本装置が、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統計的学習手段を更に有し、
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。
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。
また、本装置の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も好ましい。
さらに、この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も好ましい。ここで、「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も好ましい。また、「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も好ましい。
また、本発明による装置の他の実施形態として、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、この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も好ましい。
さらに、本発明による装置の他の実施形態として、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、この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も好ましい。
さらに、他の実施形態として、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」毎に特徴ベクトル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学習データ作成手段を更に有することも好ましい。
さらに、他の実施形態として、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」毎に特徴ベクトル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学習データ作成手段を更に有することも好ましい。
さらにまた、他の実施形態として、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、この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学習データ作成手段を更に有することも好ましい。
さらにまた、他の実施形態として、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、この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学習データ作成手段を更に有することも好ましい。
ここで、上述した各実施形態に係る学習データ作成手段は、曜日毎及び時間帯毎に類似度を算出し、曜日毎及び時間帯毎に、この類似度を使用して学習データを作成することも好ましい。
また、本発明による装置の他の実施形態として、滞在移動判定手段は、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」と判定することも好ましい。
さらに、本発明による装置の他の実施形態として、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、この「未判定」の時間窓についても同一の「滞在地」に係る「滞在」と判定することも好ましい。
また、広域無線通信網に接続された上記の装置である通信設備装置であって、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、
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。
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。
本発明によれば、また、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、
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。
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。
本発明によれば、さらに、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、
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。
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。
本発明の装置、プログラム及び方法によれば、携帯端末の測位機能に頼ることなく、通信事業者設備によって取得可能な基地局位置情報を用いて、ユーザの滞在目的を推定することができる。
以下、本発明の実施形態について、図面を用いて詳細に説明する。
図１は、実空間での携帯端末の滞在及び移動を示す概略図である。
図１によれば、ユーザに所持された携帯端末（例えば携帯電話機やスマートフォン）２は、どの位置にあってもいずれかの基地局の配下にあり、当該基地局と無線通信し続けている。このユーザにとっては、自宅の住所及び学校の居所と、訪問（アルバイト）先となるＤ駅周辺とが「滞在地」となる。また、自宅、学校及びＤ駅周辺以外の場所が「移動」中となる。
多数の基地局３を統合する通信事業者設備は、携帯端末２毎に、空間的粒度が粗く且つ時間間隔が一定でない基地局位置情報を常時収集することができる。ここで、「空間的粒度が粗く」とは、位置情報同士の地理的な距離が比較的長いことを意味する。また、「時間間隔が一定でない」とは、位置情報の取得時間間隔が通信タイミングに依存して比較的ばらついていることを意味する。
広域無線通信網（携帯電話網）に接続された基地局３は、その配下に位置する携帯端末２と通信した際の日時刻（例えば通信を開始した日時刻）を通信履歴として取得する。通信履歴は、通話、メールの送受信や、Ｗｅｂページの閲覧の際に取得される。さらには、携帯端末２にインストールされたアプリケーションとサーバとの間の通信や、アプリケーション又はコンテンツのダウンロードやアップロード等の際にも取得される。
図２は、本発明によるユーザの滞在目的を推定する装置の機能構成図である。
本発明による装置１は、予め蓄積された通信履歴を用いて、携帯端末２を所持したユーザの滞在目的（滞在意図）、例えば買い物、食事、仕事等を推定することができる。このようなユーザの滞在目的を推定することによって、例えばその目的に応じた有益な情報をユーザに適宜提供するサービスが実現される。また、装置１は、広域無線通信網（携帯電話網）に設置され、基地局３から通信履歴を適宜収集する通信設備装置であってもよい。
図２によれば、滞在目的推定用の装置１は、通信履歴蓄積部１２１と、時間窓分割部１２２と、滞在移動判定部１２３と、滞在時間窓収集部１２４と、移動時間窓収集部１２５と、位置クラスタリング部１２６と、時間クラスタリング部１２７と、ユーザ行動履歴推定部１２８と、特徴ベクトル算出部１３１と、教師情報管理部１３２と、学習データ作成部１３３と、統計的学習部１３４と、滞在目的推定部１３５と、アプリケーション処理部１３とを有する。ここで、アプリケーション処理部１３は、本発明によって推定されたユーザ毎の滞在目的に基づいて、様々なサービスを実行する。
上述した機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、図２によれは、各機能構成部を用いた処理の流れは、滞在目的を推定する方法としても理解される。
さらに、装置１は、広域無線通信網（携帯電話網）に設置された通信設備装置である場合、通信履歴蓄積部１２１に通信履歴を蓄積させるために、オプション機能として、広域通信網に接続する通信インタフェース部１０と、基地局位置情報管理部１１１と、通信履歴収集部１１２と、位置情報履歴生成部１１３とを更に有する。以下、装置１は通信設備装置として説明する。
［基地局位置情報管理部１１１］
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。
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。
図３は、基地局位置情報の表である。基地局識別子毎に、緯度・経度の基地局位置情報が対応付けられている。図３によれば、基地局１は、緯度が35.825度であって経度が139.510度の位置に設置されていることが理解される。また、基地局３は、緯度35.825及び経度139.520の位置に設置されていることが理解される。尚、このような基地局位置情報は、基地局位置情報管理部１１１内に予め蓄積したものであってもよいし、通信インタフェース部１０を介して各基地局３から適宜取得するものであってもよい。
［通信履歴収集部１１２］
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。
図４は、通信履歴の表である。通信履歴は、基地局３が携帯端末２からの通信を受け付けた際の一連の通信記録（ログ）である。各通信記録では、携帯端末２の「端末識別子」（アドレス、電話番号、識別番号等）毎に、「日時刻」及び「基地局識別子」が対応付けられている。
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。
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］
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。
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。
図５は、通信記録に基地局位置情報を対応付けた表である。図５の表は、図４の表の基地局識別子の部分を、図３の基地局の緯度・経度情報で置き換えたものである。図５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、緯度35.825及び経度139.520の基地局と通信したことが理解される。また、携帯端末00001は、２０１０年６月１５日１７：５７：００に、緯度35.825及び経度139.510の基地局と通信したことが理解される。
［通信履歴蓄積部１２１］
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。
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］
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。
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。
時間幅Ｔは「どの時間幅で滞在を判定するか」を決めるパラメータである。ここで、時間窓内に所定数以上の位置情報が存在しないと滞在／移動の判定が難しい。従って、時間幅Ｔは、通信履歴の通信記録（ログ）数から判断して、時間窓内にできるだけ所定数以上の位置情報が入るように決定する必要がある。
また、シフト幅Ｓは、その幅を短くすると滞在時間区間の時間解像度が増す。一方で、その幅を長くすると、時間窓の数が多くなるので計算量が増大する。従って、シフト幅Ｓは、アプリケーションの求める時間解像度及び処理時間に応じて決定する必要がある。
図６は、各時間窓の開始時刻及び終了時刻を示す表である。ここで、時間幅Ｔは２０分であり、シフト幅Ｓは１０分である。図６によれば、時間窓１は17:50:00〜18:09:59であり、Ｔ＝00:20:00となっている。また、時間窓２は18:00:00〜18:19:59であり、時間窓１に対してＳ＝00:10:00となっている。
図７は、図５の各行（通信記録）を図６の時間窓毎に分類した表である。図７によれば、時間窓１には５個の通信記録が属し、時間窓３には８個の通信記録が属している。
［滞在移動判定部１２３］
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。
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。
尚、滞在移動判定部１２３は、後述する時間クラスタリング部１２７での処理を考慮し、所定数以上の通信記録（基地局位置情報）が属していない時間窓については「未判定」とすることも好ましい。例えば、所定数として２個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」とする。
図８は、単峰性を有するか否かを判定するためのフローチャートである。
図８によれば、滞在移動判定部１２３は、基地局の位置情報の確率分布が単峰性を有するか否かを判定するため、代表点計算処理を実行する。その結果、代表点の種類数が１個であれば単峰性を有しているので「滞在」と判定し、代表点の種類数が複数個であれば多峰性を有しているので「移動」中と判定する。
代表点計算処理は、各時間窓に含まれる複数の位置情報について、以下のステップＳ１〜Ｓ５によって実行される。
（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。
（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。
最後に、各時間窓について、収束した代表点の種類数が１個の場合には「滞在」と判定し、複数個の場合には「移動」と判定する。ここで、当該時間窓について、全ての代表点が第１の閾値又は第２の閾値の半径の円周領域内に収まる場合、収束した代表点の種類数が１個であるとすることも好ましい。
以下、図７の時間窓１及び時間窓３について、具体的に、滞在／移動を代表点抽出処理を用いて判定する。
（時間窓１における滞在移動判定）
（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。
（時間窓３における滞在移動判定）
（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。
（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。
尚、滞在移動判定部１２３は、時間窓毎に、複数の基地局位置情報に対してカーネル密度推定(Kernel density estimation)を用いて単峰性を有するか否かを判定することも好ましい。カーネル密度推定とは、確率変数の確率密度関数を推定するべく、ある母集団の標本のデータを外挿する方法である（例えば、野村友和、「カーネル密度推定」、[online]、［平成２５年６月１４日検索］、インターネット＜URL:http://www.econ.kobe-u.ac.jp/~nomura/lecture/11f/kd.pdf＞参照）。この方法によれば、カーネル関数を用いて峰となるコブを導出することができる。
［滞在時間窓収集部１２４］
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。
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。
図９は、「滞在」と判定された時間窓及び対応する代表点位置情報を示す表である。図９によれば、時間窓１、２、６及び８が「滞在」と判定されている。
［移動時間窓収集部１２５］
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。
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。
図１０は、「移動」と判定された時間窓に対する開始時刻及び終了時刻を表す表である。図１０によれば、時間窓３〜５が「移動」と判定されている。
［位置クラスタリング部１２６］
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。
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。
図８に示すように、位置クラスタリング部１２６も、この「滞在地クラスタ」を形成するため、滞在移動判定部１２３での処理と同様に代表点計算処理を実行する。具体的には、各時間窓で抽出された代表点の位置情報について、所与の中心点から第１の閾値の範囲で重心を算出し、この重心と中心点との差（変化量）が第２の閾値に収まるまで繰り返し、最終的に得られた各位置の収束値（図９の代表点における代表点）を、時間窓毎の「滞在地クラスタ」の代表点とする。
図１１は、図９に示した時間窓毎の代表点位置情報に基づいて算出された「滞在地クラスタ」の代表点位置情報を示す表である。同表での代表点計算処理では、第１の閾値を２ｋｍ、第２の閾値を１００ｍとした。図１１によれば、時間窓１及び２について１つの「滞在地クラスタ」が形成され、この「滞在地クラスタ」の代表点は、緯度35.824及び経度139.514であることが理解される。また、時間窓６及び８では、緯度35.910及び経度139.572の位置が別の「滞在地クラスタ」の代表点となることが理解される。
上述した実施形態によれば、「滞在地」（「滞在地クラスタ」）のみが導出される。これに対し、以下に示す実施形態は「滞在時間区間」を更に導出する。これにより、携帯端末毎に、時間経過に応じた滞在／移動の行動履歴が導出可能となる。
［時間クラスタリング部１２７］
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。
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。
上述した図７によれば、時間窓７は通信記録を有さず「未判定」とされている。ここで、図９によれば、時間窓６及び８は「滞在」と判定されており、同一の「滞在クラスタ」となっている。このような時間窓６及び８の間に挟まれている「未判定」の時間窓７は、時間窓６及び８と同一の「滞在クラスタ」に属するものとされる。
［ユーザ行動履歴推定部１２８］
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。
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。
図１２は、時間経過に沿ったユーザ行動履歴の表である。また、図１３は、図１２のユーザ行動履歴から「滞在時間区間」を抽出した表である。
図１２によれば、時間窓に沿って「滞在」／「移動」の行動履歴と、「滞在」における位置情報（緯度・経度）とが明確となっている。時間窓１及び時間窓２は、同じ「滞在地クラスタ」に属する一連の時間窓の集合であるため、同じ「滞在時間区間」を構成するとされる。また、時間窓６〜時間窓８は、「未判定」の時間窓 7を含む。しかしながら、時間窓 6と時間窓 8とが同じ「滞在地クラスタ」に属するため、一連の時間窓６〜時間窓８は、同じ「滞在時間区間」を構成するとされる。
これにより、推定される「滞在地クラスタ」及びそこでの「滞在時間区間」は図１３の通りとなる。図１３によれば、携帯端末00001は、17:50:00〜18:19:59までは緯度35.824及び経度139.514付近に「滞在」しており、その後「移動」し、18:40:00〜19:19:59までは緯度35.910及び経度139.572付近に「滞在」していた、と理解される。
以上、詳細に説明したように、本発明によれば、携帯端末の測位機能に頼ることなく、基地局位置情報を用いてユーザにとって有意な「滞在地」を高い精度で推定することができる。
次に、あるユーザＡ、Ｂ及びＣの「滞在地」推定結果を用い、各ユーザの特徴ベクトルを算出して学習データを作成し、機械学習を利用して対象ユーザ（ユーザＡ）の滞在目的を推定する方法を説明する。
図１４は、ユーザＡ、Ｂ及びＣの各々について所定の時間区間毎に「滞在」又は「移動」の判定を行った結果を示す表である。また、図１５及び図１６はそれぞれ、ユーザＡ及びユーザＣの「滞在地」推定の結果を示す表である。
図１４によれば、時間幅Ｔもシフト幅Ｓも２時間である時間区間（時間窓）が採用され、各時間区間について、ユーザ毎に「滞在」又は「移動」の推定結果が対応付けられている。この結果、後に詳述するように、例えば、ユーザＡの「滞在時間区間」の集合と、ユーザＢ又はＣ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」が算出可能となる。
また、図１５によれば、ユーザＡは、第１〜第３の時間区間において「滞在地Ａ１」に「滞在」し、第５及び第６の時間区間において「滞在地Ａ２」に「滞在」し、第９の時間区間において「滞在地Ａ３」に「滞在」し、最後に第１１及び第１２の時間区間において「滞在地Ａ１」に戻って「滞在」することが理解される。ここで、「滞在地Ａ１」は、代表点が緯度35.9及び経度139.5である「滞在地クラスタ」であり、「滞在地Ａ２」及び「滞在地Ａ３」も、同表に示された代表点を有する「滞在地クラスタ」である。
さらに、図１６によれば、ユーザＣは、第１〜第４の時間区間において「滞在地Ｃ１」に「滞在」し、第６及び第７の時間区間において「滞在地Ｃ２」に「滞在」し、第９の時間区間において「滞在地Ｃ３」に「滞在」し、最後に第１１及び第１２の時間区間において「滞在地Ｃ１」に戻って「滞在」することが理解される。ここで、「滞在地Ｃ１」〜「滞在地Ｃ３」は、同表に示された代表点を有する「滞在地クラスタ」である。
［教師情報管理部１３２］
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。
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。
図１７は、ユーザＢ及びユーザＣについて取得された教師情報を示す表である。ここで、滞在目的推定対象であるユーザＡについての教師情報は存在せず、ユーザＢ及びユーザＣについて教師情報が取得されているものとする。
［学習データ作成部１３３：類似ユーザ検索部］
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。
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。
図１４に示したユーザＡ及びユーザＢの「滞在」／「移動」の判定結果によれば、ユーザＡ及びユーザＢが共に「滞在」である時間区間は５つであり、ユーザＡ及びユーザＢのいずれかが「滞在」である時間区間は１２個である。従って、ユーザＡとユーザＢとの間の類似度は、上式（１）を用いると、５／１２であって０.４１７となる。一方、図１４に示したユーザＡ及びユーザＣの「滞在」／「移動」の判定結果によれば、ユーザＡ及びユーザＣが共に「滞在」である時間区間は７つであり、ユーザＡ及びユーザＣのいずれかが「滞在」である時間区間は１０個である。従って、ユーザＡとユーザＣとの間の類似度は、上式（１）を用いると、７／１０であって０.７００となる。従って、ユーザＡに対するユーザＣの類似度（０.７００）の方が、ユーザＢの類似度（０.４１７）よりも高いことが理解される。
［特徴ベクトル算出部１３１］
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F1）正規化された滞在開始時刻。具体的には、滞在開始時刻（秒）の午前０時からの経過秒数を求め、この経過秒数を８６４００で割ることによって［０−１］で正規化したもの。
（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。
（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。
（特徴量F5）「滞在地」と一部又は全部の「滞在地」との位置関係。以下の（ａ）、（ｂ）又は（ｃ）の方法で算出することができる。
（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。
（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。
尚、特徴ベクトルの成分は、その数、その内容共に、上述した実施形態に限定されるものではない。一般に、時間的特徴量は、後述する滞在目的の推定の際により有効に機能する。一方、空間的特徴量は、例えば、旅行等の遠出に係る行動履歴が存在する場合に有効となる。
図１８及び図１９は、それぞれユーザＣ及びユーザＡについて「滞在地」毎に特徴ベクトルを算出した結果を示す表である。ここで、図１８では、ユーザＣについて取得された教師情報（滞在目的）も示されている。
以下、実施例として図１９に示したユーザＡの「滞在地Ａ２」に係る特徴ベクトルの算出方法を示す。
（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。
（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。
（特徴量F5）図１５に示されたユーザＡの全「滞在地（滞在地クラスタ代表点）」の重心は、緯度36.025及び経度139.625となる。従って、この重心と滞在地Ａ２との距離Ｄは０．２４７５となる。また、この重心と各「滞在地」との距離の平均μDは０．１７６８となり、標準偏差σDは０．０５７７となるから、相対距離であるF5＝（Ｄ−μD）／σD＝１．２２５を得る。
さらに、類似度算出についての他の実施形態として、学習データ作成部１３３（図２）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てもよい。例えば、ユーザＡ及びユーザＢの「滞在時間区間」に係る特徴ベクトルの集合をそれぞれＳA及びＳBとし、その共通部分をＳ＝ＳA∩ＳBとし、その要素をs∈Ｓとし、共通部分の要素毎のユーザＡ及びユーザＢの特徴ベクトルをvA,s，vB,sとして、ユーザＡとユーザＢとの間のＦ（Ａ，Ｂ）を、次式
（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。
（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：学習データ作成］
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。
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。
上述したユーザＡ〜Ｃについての類似度計算結果によれば、滞在目的推定対象であるユーザＡとの類似度について、高い順に他のユーザを列挙すると、ユーザＣ（０.７００）、ユーザＢ（０.４１７）となる。このうちどのユーザのデータを使用して学習データを作成するかは、例えば、上位所定数のユーザまで、全体の人数の所定パーセントの順位まで、又は類似度が所定閾値以上のユーザまでを選択する等の基準によって決定することができる。本実施形態では、上位1人のユーザのデータ、即ちユーザＣのデータを使用して学習データを作成する。具体的には、図１８の表が学習データとなる。
さらに、他の実施形態として、上述したユーザＡとの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ことも好ましい。この実施形態では、教師情報を有する他のユーザ、即ちユーザＢ及びユーザＣのデータを使用して学習データを作成する。図２０に、「滞在地」毎の特徴ベクトル及び「滞在目的」を類似度で重み付けした学習データ例を示す。
図２０に示した表によれば、「滞在地」毎に設けられた表の各行について、元のデータがユーザＢのデータである場合、重みとしてユーザＡとユーザＢとの類似度である０．４１７が付与され、元のデータがユーザＣのデータである場合、重みとしてユーザＡとユーザＣとの類似度である０．７００が付与されている。この重みは、統計的学習部１３４（図２）において条件付き確率値を算出するのに使用される他、規則に基づいて「滞在目的」を推定する場合に規則の優先順位を定めるのに使用される。
ここで、学習データ作成の幾つかの実施形態（ａ）〜（ｃ）を説明する。ここで、類似度は、滞在目的推定対象であるユーザ（ユーザＡ）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算出される。
（ａ）類似度に関して上位所定数（例えば上位１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を、学習データとして作成する。これは、上述したユーザＣを選択した実施形態に相当する。
（ｂ）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、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。
（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。
（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。
さらに、他の実施形態として、曜日毎及び時間帯毎に滞在目的推定対象であるユーザ（ユーザＡ）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、曜日毎及び時間帯毎にこの類似度を使用して学習データを作成することも好ましい。具体的には、（ｄ）〜（ｆ）に示す通りである。
（ｄ）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を作成して学習データとする。
（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。
（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。
以上説明したように、他のユーザの類似度の取り扱い方、さらには特徴ベクトルの選択によって種々の学習データが作成可能となる。実際には、ユーザ集合の特徴・性質に応じて適切な学習データが作成される。
［統計的学習部１３４及び滞在目的推定部１３５］
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。
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。
具体的に、滞在目的推定部１３５は、まず、各「滞在目的」の事後確率を算出する。ここで、「事後確率分布(Posterior probability distribution)」とは、確率的にとり得る値が決まる変数（確率変数）が複数個存在する場合に、一部の変数の値が観測された条件の下で、ある変数がとり得る値のそれぞれの値をとる度合いの分布をいう。また、「事後確率(Posterior probability)」とは、前述の条件の下でのそれぞれの値をとる度合いをいう。
例えば、特徴ベクトルの各値（F1〜F5の値）が観測された条件の下で、「滞在目的」がとり得る値のそれぞれの値をとる度合いの分布を、特徴ベクトルに基づく「滞在目的」の事後確率分布と称する。「事後確率」は、特徴ベクトルに基づく各「滞在目的」の事後確率から構成される。
特徴ベクトルに基づく「滞在目的」の事後確率分布は、ベイズ定理に基づき、「滞在目的」の事前確率分布に特徴ベクトルの尤度を乗算し、この乗算結果に対し（合計値又は積分値を１にする）正規化を実施することによって算出される。
ここで、「滞在目的」の事前確率分布とは、いずれの確率変数の値も観測されていない条件の下で「滞在目的」がとり得る値のそれぞれの値をとる度合いの分布をいう。また、特徴ベクトルの尤度とは、「滞在目的」がある値をとった場合に、事後確率の条件となる特徴ベクトルのそれぞれの変数の値が観測される尤もらしさの度合いをいう。尚、「滞在目的」の事前確率分布と特徴ベクトルの尤度との乗算結果は、「滞在目的」と特徴ベクトルの同時確率分布と称される。
複数の確率変数の同時確率分布を算出するには、確率変数間の確率的な依存関係を表現するための「確率モデル」が必要となる。この「確率モデル」は、複数の確率変数と、確率変数間の確率的な依存関係を表現する複数の条件付き確率との組み合わせで構成される。「確率モデル」は、確率変数の種類によって一意に定まるものではなく、変数間の依存関係の表現の仕方によって多種多様な形態をとる。
例えば、確率変数がＡ、Ｂ及びＣの３つの場合、「確率モデル」は、
（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。
（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。
例えば、「Ａ、Ｂ、Ａ＆Ｂ→Ｃ」（ＡとＢは独立、ＣはＡとＢに依存）の場合には、
（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。
（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。
本発明によれば、教師情報の「滞在目的」（「Class」と表す）と、F1からF5の特徴ベクトルの各変数との間に、「Class，Class→F1，Class→F2，・・・，Class→F5」（F1〜F5はClassに依存）という依存関係が成り立つとする。前述の依存関係の場合、滞在目的と特徴ベクトルとの同時確率は、次式
（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。
（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。
最尤法を用いる場合、Classの事前確率Ｐ（Class）、及びClassを条件としたときのF1の値の条件付き確率Ｐ（F1｜Class）は、次式（５）及び（６）で算出される。尚、Classを条件としたときのF1の値の条件付き確率Ｐ（F2｜Class）等は、Ｐ（F1｜Class）と同様に算出される。
(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。
(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。
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した場合には、（F1＝x且つClass＝yという値を持つデータの総数）及び（Class＝yという値を持つデータの総数）を算出する際、各データは１個として加算される。
一方、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した場合には、（F1＝xかつClass＝yという値を持つデータの総数）及び（Class＝yという値を持つデータの総数）を算出する際、各データは付与された重みの個数として加算される。即ち、図２０の滞在地Ｂ１のデータは０.４１７個として加算される。以上に述べた方法でデータに付与された重みを用いて算出された確率値を用いた推定結果には、自動的に、類似度のより高いユーザのデータほど、より強く反映されることになる。
尚、以上に説明したような機械学習を使用せずに、規則に基づいて「滞在目的」の推定を行うことも可能である。例えば、「滞在地」毎に各特徴量を比較して、推定対象ユーザ（ユーザＡ）の各特徴量が、学習データに係るユーザ（ユーザＣ）の対応する特徴量の値を含む所定範囲内に収まるという規則に従う場合、当該「滞在地」における推定対象ユーザ（ユーザＡ）の滞在目的を、学習データに係るユーザ（ユーザＣ）の「滞在目的」と同一であると推定してもよい。
図１９によれば、ユーザＡの「滞在地」毎の各特徴量は、図１８に示したユーザＣの対応する特徴量の値を含む所定範囲内に収まるという規則に従っている、と判断することができる。ここで、特徴量の所定範囲は、例えば特徴量毎に予め設定されていてもよい。これにより、図１９では、「滞在地Ａ１」、「滞在地Ａ２」及び「滞在地Ａ３」での「滞在目的」が、それぞれ「滞在地Ｃ１」、「滞在地Ｃ２」及び「滞在地Ｃ３」に対応付けられた（教師データである）「自宅」、「学校」及び「バイト」と同一である、と推定されている。
さらに、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した場合、ユーザＡの「滞在地」毎の各特徴量が２以上の規則に従うときには、付与された重みが大きい方の規則を優先することができる。
以上、詳細に説明したように、本発明による装置、プログラム及び方法によれば、携帯端末の測位機能に頼ることなく、通信事業者設備によって取得可能な基地局位置情報を用いて、ユーザの滞在目的を推定することができる。ここで、基地局位置情報では一般に、空間的粒度が粗く且つ時間間隔が一定ではないが、このような基地局位置情報を使用しても、ユーザにとって有意な「滞在地」、さらにはその「滞在目的」を高い精度で推定することが可能となる。特に、本発明によれば、携帯端末での測位のための処理負荷を回避しつつ、ユーザの「滞在地」を推定するための情報を通信事業者側のみで取得することができる。
ここで、ユーザの「滞在目的」を推定することによって提供されるサービスとして、例えば、携帯端末を所持したユーザに対して生活場所に応じたクーポン情報等を配信するパーソナライズド情報提供サービスが挙げられる。また、複数のユーザについて推定した「滞在地」及び「滞在目的」の情報を集約し、地域毎に地域内で滞在しているユーザグループに対し、「滞在目的」に応じたクーポン情報等を配信するサービスや、地域毎及び滞在目的毎の滞在ユーザ数を周辺情報として各地域の住民や店舗に通知する周辺情報提供サービス等も挙げられる。
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲内での種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例示であって、何ら制約を意図するものではない。本発明は、特許請求の範囲及びその均等物によってのみ制約される。
１ 通信設備装置
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
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 |