JP2016038742A - 平日／非平日推定装置及び平日／非平日推定方法 - Google Patents

Abstract

【課題】移動体の移動履歴に基づいて、平日／非平日を推定可能とする。
【解決手段】移動体の移動情報を取得し、前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶し、１日を複数の時間帯に分け、前記移動履歴から各時間帯の乗車頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定する。
【選択図】図１

Description

本発明は、平日／非平日を推定する技術に関する。

従来、使用者が行動目的を入力しなくても自動的に使用者の行動目的を推測し、案内情報を提示することを目的とした技術が提案されている。例えば、出発時の時刻と曜日をもとに過去の移動履歴を参照して目的地を予測する際、出発時が平日ならば月曜日から金曜日の移動履歴を参照し、出発時が土日ならば土日の移動履歴を参照することで予測を行っている（特許文献１）。

また、移動履歴に基づき、各目的地へ各曜日に到着した頻度（出現頻度）を算出し、到着頻度および出現頻度をもとに行動クラスを算出し、現在の日時情報に該当する行動クラスに含まれる移動履歴を用いて移動先を予測する移動先予測方法も提案されている（特許文献２）。

特開２００５−１５６３５０号公報 特開２００９−３６５９４号公報

特許文献１では、月曜日から金曜日が平日で、土日が休日としてクラス分けを行っている。即ち、この限られたライフスタイルの場合にしか適用できなかった。

また、特許文献２の場合、各目的地について曜日毎の出現頻度を求めるもので、平日／非平日（休日）が判別できるものでは無かった。

そこで、本発明は、移動体の移動履歴に基づいて、平日／非平日を推定可能とすることを目的とする。

本発明に係る平日／非平日推定装置は、
移動体の移動情報を取得する移動情報取得部と、
前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶する履歴記憶部と、
１日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定する推定部と、
を有する。

平日／非平日推定装置は、前記移動頻度として、前記移動履歴に基づいて前記移動体の到着時刻が前記各時間帯に属する頻度を求めても良い。

前記平日／非平日推定装置は、前記履歴記憶部が、前記移動体の移動する地域を複数のエリアに区画し、前記位置情報に基づいて前記移動体が位置するエリアを判定し、前記移動体の移動に伴う前記移動体が位置するエリアの遷移を表す履歴情報を保持し、
前記推定部が、前記履歴情報に基づいて前記エリア毎の訪問頻度を求め、前記訪問頻度の最も高い前記エリアを自宅が属するエリアと推定し、前記履歴情報のうち、前記自宅が属するエリアに係る履歴情報を抽出し、抽出した前記履歴情報に基づいて、前記平日又は非平日の推定を行っても良い。

また、本発明に係る平日／非平日推定方法は、
移動体の移動情報を取得するステップと、
前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶するステップと、
１日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定するステップと、
をコンピュータが実行する。

前記平日／非平日推定方法は、前記移動履歴から各時間帯に到着した頻度を到着時刻別乗車頻度として曜日毎に求め、各曜日のデータに応じて前記推定を行っても良い。

なお、課題を解決するための手段に記載の内容は、本発明の課題や技術的思想を逸脱しない範囲で可能な限り組み合わせることができる。課題を解決するための手段の内容は、コンピュータ等の装置若しくは複数の装置を含むシステム、コンピュータが実行する方法、又はコンピュータに実行させるプログラムとして提供することができる。また、プログラムを保持する記録媒体を提供するようにしてもよい。

本発明によれば、移動体の移動履歴に基づいて、平日／非平日を推定することができる。

図１は、平日／非平日推定装置の機能ブロック図である。 図２は、履歴記憶部が記憶する移動履歴情報の一例を示す図である。 図３は、推定部が移動履歴情報に基づいて求める曜日ごとのデータの一例を示す図である。 図４は、コンピュータ（情報処理装置）の一例を示す装置構成図である。 図５は、移動履歴を記憶する処理の一例を示す図である。 図６は、推定処理の一例を示す図である。 図７は、時間帯毎の乗車率を求める処理の説明図である。 図８は、各曜日の特徴ベクトル間のユークリッド距離を求める処理の説明図である。 図９は、車通勤をしているユーザのデータ例を示す図である。 図１０は、図３のデータのクラスタリング結果を示す図である。 図１１は、通勤に車を使用しないユーザのデータ例を示す図である。 図１２は、図１１のデータに基づく特徴べクトルの例を示す図である。 図１３は、図１２のデータのクラスタリング結果を示す図である。 図１４は、実施形態１の変形例を示す図である。 図１５は、実施形態２に係る平日／非平日推定装置の機能ブロック図である。 図１６は、地域メッシュの説明図である。 図１７は、履歴記憶部が保持する移動履歴情報の一例を示す図である。 図１８は、推定部が移動履歴情報に基づいて求める特徴量の一例を示す図である。 図１９は、特徴量を求める際の観測日の説明図である。 図２０は、到着時刻情報量の算出例を示す図である。 図２１は、移動履歴を記憶する処理の一例を示す図である。 図２２は、推定処理の一例を示す図である。 図２３は、自宅・勤務先エリア推定処理の一例を示す図である。 図２４は、自宅エリア推定処理の一例を示す図である。 図２５は、エリア属性推定装置の機能ブロック図である。 図２６は、推定部が履歴情報に基づいて求める特徴量の一例を示す図である。 図２７は、特徴量を求める際の観測日の説明図である。 図２８は、移動履歴を記憶する処理の一例を示す図である。 図２９は、推定処理の一例を示す図である。 図３０は、自宅エリア推定処理の一例を示す図である。 図３１は、勤務先エリア推定処理の一例を示す図である。 図３２は、変形例３−１の自宅エリア推定処理の一例を示す図である。 図３３は、変形例３−２に係る推定処理の一例を示す図である。

《実施形態１》
以下、本発明の実施形態について、図面を用いて説明する。なお、下記の実施形態は本発明の例示であり、本発明は、下記の構成には限定されない。
＜機能説明＞
図１は、本実施形態に係る平日／非平日推定装置の機能ブロック図である。本実施形態の平日／非平日推定装置１は、車両やユーザ等の移動体と共に移動する装置であり、例えば自動車（乗用車、トラック、自動二輪車等）、原動機付き自転車、軽車両等の車両に搭載される装置（車載装置）や、ユーザが携帯して用いる携帯電話機、スマートフォン、タブレット端末（スレートＰＣ（Personal Computer））、ノート型ＰＣ、携帯ゲーム機と
いったユーザ端末（モバイル装置）である。平日／非平日推定装置１は、移動情報取得部１１や、履歴記憶部１２、推定部１３を有する。

移動情報取得部１１は、移動体の移動を検出するセンサであり、例えばＧＰＳ（Global
Positioning System）受信機等により、位置情報を取得する。即ち、位置情報の遷移に
より移動体の移動を検出する。また、移動の検出は、位置情報に限らず、車速や加速度、イグニッションスイッチの状態に基づいて検出するものでも良い。

履歴記憶部１２は、移動体の移動情報を日時と対応付け、移動履歴情報として記憶する。例えば、移動情報取得部１１で移動体が移動を開始したことを検出した場合に、この時間を出発時間として記憶する。また、車両が移動している状態から車速がゼロになり、イグニッションスイッチがオフの状態となった時間を到着時間として記憶する。なお、ユーザ端末の場合、定期的に移動情報取得部１１で位置を取得し、所定距離以上離れた位置に移動したことを検出した時間を出発時間とし、移動情報取得部１１で取得した位置が、所定範囲内に停滞し始めた時間を到着時間として記憶する。

推定部１３は、１日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定する。

各曜日のデータの類似度としては、例えばユークリッド距離、マンハッタン距離
、キャンベラ距離、ミンコフスキー距離等の距離関数や、コサイン類似度、ピアソン類似
度を用いることができる。なお、コサイン類似度及びピアソン類似度については、距離＝1 - コサイン類似度、距離＝1 - ピアソン類似度のように変換することで距離として用いることができる。

そして、この距離等の類似度に応じて、２つのグループに分類する手法としては、例えば、ウォード法、最近隣法（最短距離法、単連結法とも呼ばれる）、最遠隣法（最遠距離法、完全連結法とも呼ばれる）、郡平均法、重心法、メディアン法、McQuitty法を用いることができる。

図２は、履歴記憶部１２が記憶する移動履歴情報の一例を示す図である。図２に示すように、移動履歴情報は、出発日時、到着日時を対応付けて記憶している。即ち、出発日時から到着日時までの移動が行われたことを示している。

図３は、推定部１３が移動履歴情報に基づいて求める曜日ごとのデータの一例を示す図である。図３の例では、１日を０時〜２３時の１時間刻みとした２４の時間帯に区切り、前記移動履歴に基づいて各時間帯の乗車回数をカウントし、各曜日の日数（出現数）で乗車回数を除算して乗車率（移動頻度）を求める。

なお、本例では、１日の１つの時間帯に複数回の乗車があった場合でも乗車回数は１とカウントしている。そして、この乗車率を算出するための対象期間が、２１日であって、各曜日が３日ずつ出現する場合、各時間帯の乗車回数を各曜日の日数（３日）で割り、１日当たりの乗車回数を乗車率として求める。

このとき祝日や長期休暇期間は普段と異なる行動をとることが多く、有効なデータとならない可能性があるため、この対象期間中に祝日や長期休暇期間が存在した場合、この日のデータを除外する。なお、長期休暇期間とは、年末年始やゴールデンウィーク等であり、任意に設定して良い。

＜装置構成＞
図４は、コンピュータ（情報処理装置）の一例を示す装置構成図である。平日／非平日推定装置１は、例えば図４に示すようなコンピュータである。図４に示すコンピュータ１０００は、ＣＰＵ（Central Processing Unit）１００１、主記憶装置１００２、補助記
憶装置（外部記憶装置）１００３、通信ＩＦ（Interface）１００４、入出力ＩＦ（Interface）１００５、ドライブ装置１００６、通信バス１００７を備えている。ＣＰＵ１００１は、プログラムを実行することにより本実施の形態に係る処理等を行う。主記憶装置１００２は、ＣＰＵ１００１が読み出したプログラムやデータをキャッシュしたり、ＣＰＵの作業領域を展開したりする。主記憶装置は、具体的には、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等である。補助記憶装置１００３は、ＣＰＵ１００１により実行されるプログラムや、位置情報などを記憶する。補助記憶装置１００３は、具体的には、ＨＤＤ（Hard-disk Drive）やＳＳＤ（Solid State Drive）、ｅＭＭＣ（embedded Multi-Media Card）、フラッシュメモリ等である。主記憶装置１００２や補助記憶
装置１００３は、平日／非平日推定装置１の履歴記憶部１２として働く。

通信ＩＦ１００４は、他のコンピュータとの間でデータを送受信する。平日／非平日推定装置１は、通信ＩＦ１００４を介してネットワークに接続される。通信ＩＦ１００４は、具体的には、有線又は無線のネットワークカード等である。入出力ＩＦ１００５は、入出力装置と接続され、ユーザから入力を受け付けたり、ユーザへ情報を出力したりする。入出力装置は、具体的には、キーボード、マウス、ディスプレイ、タッチパネル、加速度センサ等である。ドライブ装置１００６は、磁気ディスク、光磁気ディスク、光ディスク等の記憶媒体に記録されたデータを読み出したり、記憶媒体にデータを書き込んだりする
。そして、以上のような構成要素が、通信バス１００７で接続されている。なお、これらの構成要素はそれぞれ複数設けられていてもよいし、一部の構成要素（例えば、ドライブ装置１００６）を設けないようにしてもよい。また、入出力装置がコンピュータと一体に構成されていてもよい。また、ドライブ装置１００６で読み取り可能な可搬性の記憶媒体や、フラッシュメモリのような可搬性の補助記憶装置１００３、通信ＩＦ１００４などを介して、本実施の形態で実行されるプログラムが提供されるようにしてもよい。そして、ＣＰＵ１００１がプログラムを実行することにより、図４に示すようなコンピュータを図１に示した平日／非平日推定装置１として働かせる。

＜推定方法＞
次に、平日／非平日推定装置１がプログラムに従って実行する処理の詳細について説明する。平日／非平日推定装置１は、移動体の移動に伴って移動履歴を記憶し、移動履歴に基づいて平日／非平日の推定を行う。

図５は、移動履歴を記憶する処理の一例を示す図である。平日／非平日推定装置１は、所定のタイミングで図５の処理を開始する。例えば、１時間毎、１５分毎のように定期的に図５の処理を開始する。車載装置の場合、車両が移動を開始した場合や停車した場合に図５の処理を行っても良い。また、ユーザ端末（モバイル装置）の場合、取得した位置情報により移動や停滞を検出した場合や、加速度センサで移動や停滞を検出した場合に図５の処理を行っても良い。

図５の処理を開始すると平日／非平日推定装置１は、先ず移動情報取得部１１としてのＧＰＳ受信機による位置情報や車速センサなどにより、移動体の移動情報を取得する（ステップＳ１０）。

また、平日／非平日推定装置１は、取得した移動情報に基づいて出発時刻や到着時刻を記憶し、移動履歴情報とする（ステップＳ２０）。

図６は、推定処理の一例を示す図である。平日／非平日推定装置１の推定部１３は、所定のタイミングで図６の処理を実行する。例えば、６時間毎、２４時間毎のように定期的に図６の処理を開始しても良いし、他のアプリやシステムから要求を受けたときや、ユーザが起動を選択した場合に図６の処理を開始しても良い。

図６の処理を開始すると平日／非平日推定装置１は、先ず記憶装置から対象期間とする所定日数分の移動履歴データを読み出し（ステップＳ１１０）、図３のように複数に区分した各時間帯の乗車率を曜日毎に求める（ステップＳ１２０）。例えば、図７の移動履歴データ７１に示すように、７月８日（火曜日）の出発時刻が８：５０、到着時刻が９：３０、７月１５日（火曜日）の出発時刻が９：０１、到着時刻が１０：１０と記録されていた場合、乗車回数データ７２に示すように火曜日８時台の乗車回数を１、火曜日９時台の乗車回数を２、火曜日１０時台の乗車回数を１とカウントする。そして、火曜日の出現数が４日であった場合に、これらの乗車回数を出現数（４日）で除して、乗車率データ７３に示すように火曜日８時台の乗車率（移動頻度）を０．２５、火曜日９時台の乗車率を０．５、火曜日１０時台の乗車率を０．２５とする。

なお、乗車率（移動頻度）を求める際、移動している全期間を漠然とカウントするのではなく、到着時刻に着目し、到着時刻の属する時間帯の乗車回数（移動回数）をカウントし、乗車率（移動頻度）を求めるようにしても良い。この場合、前後１時間の時間帯もカウントするようにしても良い。例えば、図７の移動履歴データ７１に示すように、７月８日（火曜日）の到着時刻が９：３０の場合、９時台の時間帯に加えて、８時台と１０時台の時間帯にも乗車回数をカウントする。同様に、図７の移動履歴データ７１に示す７月１
５日（火曜日）の到着時刻が１０：１０の場合、乗車回数データ７４に示すように１０時台の時間帯に加えて、９時台と１１時台の時間帯にも乗車回数をカウントし、乗車回数データ７４に示すように、火曜日の８時台の乗車回数を１、９時台の乗車回数を２、１０時台の乗車回数を２、１１時台の乗車回数を１とする。

そして、火曜日の出現数が４日であった場合に、これらの乗車回数を出現数（４日）で除して、乗車率データ７３に示すように火曜日８時台の乗車率（移動頻度）を０．２５、火曜日９時台の乗車率を０．５、火曜日１０時台の乗車率を０．５、火曜日１１時台の乗車率を０．２５とする。これは、時間帯の境界付近で度数（乗車回数）が分断されるのを防ぐためである。

次に、平日／非平日推定装置１は、各曜日のデータを類似度に応じて２つのグループにクラスタリングする。例えば、各曜日の時間帯毎の乗車率についてユークリッド距離を求め、ウォード法により、この距離の近いデータを１つのクラスタとし、これを繰り返して、２つのクラスタ（グループ）を形成する（ステップＳ１３０）。
例えば、各曜日のデータを図８（ａ）のように特徴ベクトルとして示した場合に、図８（ｂ）のように各特徴ベクトル間のユークリッド距離を総当たりで求めて、最も距離の近いデータを１つのクラスタとする。このユークリッド距離を求める際、具体的には、各曜日の特徴ベクトルについて、０時台の乗車率をＡ、１時台の乗車率をＢ、２時台の乗車率をＣ・・・２３時台の乗車率をＸで示し、図８（ｃ）のように時間帯毎の差をとって距離を求める。これにより時間帯毎の乗車率の差が少ないデータ、即ち乗車傾向が類似したデータを距離が近いデータとして求めることができる。

そして、平日／非平日推定装置１は、２つのクラスタ（グループ）のうち、要素数（曜日ごとのデータ数）が多いクラスタ（グループ）に分類された曜日を平日、要素数が少ないクラスタ（グループ）に分類された曜日を非平日と推定する（ステップＳ１４０）。

図９は、車通勤をしているユーザのデータ例を示す図であり、図９では、移動履歴情報に基づいて、曜日毎にカウントした０時台から２３時台の乗車回数と、各曜日の出現回数を示している。図９の曜日毎の乗車回数を各曜日の出現回数で除算したものが、図３に示した曜日毎の乗車率（移動頻度）である。

そして、図３の曜日毎の乗車率をそれぞれ特徴ベクトルとし、前述のように特徴ベクトル間の距離に応じてクラスタリングすることにより、図１０に示すように２つのクラスタ（グループ）に分類できる。図１０の例では、一方のクラスタに月曜日・火曜日・水曜日・木曜日・金曜日のデータが分類され、他方のクラスタに土曜日・日曜日のデータが分類された。これにより当該ユーザにとって、月曜日・火曜日・水曜日・木曜日・金曜日が平日、土曜日・日曜日が非平日であると推定できる。

このように、車通勤をしているユーザの場合、平日は始業時間に合わせて勤務先へ移動するため、特定の時間帯の乗車率（移動頻度）が高くなるので、時間帯毎の乗車率が類似するデータを分類することで、平日と非平日を判別できる。

また、図１１は、通勤に車を使用しない所謂週末ドライバであるユーザのデータ例を示す図である。図１１においても図９と同様に、移動履歴情報に基づいて、曜日毎の乗車回数と、各曜日の出現回数を示している。図１１の曜日毎の乗車回数を各曜日の出現回数で除算したものが、図１２に示した曜日毎の乗車率（移動頻度）である。

そして、図１２の曜日毎の乗車率をそれぞれ特徴ベクトルとし、前述のように特徴ベクトル間の距離に応じてクラスタリングすることにより、図１３に示すように２つのクラス
タ（グループ）に分類できる。図１３の例においても、一方のクラスタに月曜日・火曜日・水曜日・木曜日・金曜日のデータが分類され、他方のクラスタに土曜日・日曜日のデータが分類された。これにより当該ユーザにとって、月曜日・火曜日・水曜日・木曜日・金曜日が平日、土曜日・日曜日が非平日であると推定できる。

このように、車通勤をしていないユーザの場合、平日は昼間の乗車率が低く、夜間だけ乗車率が高くなり、休日は昼間の乗車率も高く、昼夜の差が少ない傾向となるので、時間帯毎の乗車率が類似するデータを分類することで、平日と非平日を判別できる。

以上のように本実施形態では、曜日毎の乗車率のデータをユークリッド距離に応じ、ウォード法によってクラスタリングすることにより、時間帯毎の乗車率が類似するデータを２つに分類している。これにより、曜日毎のデータが平日のクラスタ（グループ）と非平日のクラスタ（グループ）に分類される。これに限らず、本実施形態の平日／非平日推定装置１は、他の距離関数やクラスタリング手法を用いるものでも良い。

本実施形態によれば、曜日毎の乗車率（移動頻度）の傾向によって平日／非平日を判別できるので、固定的に土日を非平日とするようなことなく、適切に平日／非平日を設定できる。例えば、月曜日と水曜日が非平日の場合や、木曜日のみが非平日の場合等、土日以外が非平日となるようなライフスタイルであっても適切に平日／非平日を推定できる。

＜変形例＞
上記の実施形態では、祝日のデータを除いて平日／非平日を判定したが、祝日のデータを１つの曜日のデータと同じように乗車率（移動頻度）を求め、７つの曜日のデータに祝日のデータを加えて、８つのデータについてクラスタリングを行っても良い。
例えば、図１４に示すように、７列の曜日毎のデータに祝日のデータを１列加え、８列のデータとする。各行の時間帯の区切りは、他の曜日のデータと同じである。
このように祝日のデータを加えて２つのクラスタ（グループ）にクラスタリングし、要素数が多いクラスタ（グループ）に分類された曜日或は祝日を平日、要素数が少ないクラスタ（グループ）に分類された曜日或は祝日を非平日と推定する。
これにより、祝日が平日か非平日かを判別できる。

《実施形態２》
本実施形態２では、前述の推定処理に加え、ユーザの自宅が属するエリアや勤務先が属するエリアを推定する処理を行い、例えば自宅から勤務先へ移動した場合の移動履歴の基づいて平日／非平日を推定する例を示す。

＜機能説明＞
図１５は、本実施形態２に係る平日／非平日推定装置の機能ブロック図である。本実施形態２の平日／非平日推定装置１００は、自動車（乗用車、トラック、自動二輪車等）、原動機付き自転車、軽車両等の車両に搭載される装置（車載装置）であり、位置情報取得部１１や、履歴記憶部１２０、推定部１３０を有する。

位置情報取得部１１は、ＧＰＳ（Global Positioning System）受信機等の位置情報を
取得可能なセンサであり、平日／非平日推定装置１００が搭載された車両の位置情報を複数のＧＰＳ衛星から受信した信号に基づいて取得する。また、位置情報取得部１１は、ＧＰＳだけでなく、加速度センサによる自律航法によって位置を取得しても良い。

履歴記憶部１２０は、車両が移動する地域を複数のエリアに区画し、位置情報に基づいて車両が位置するエリアを判定し、前記車両の移動に伴う前記車両が位置するエリアの遷移を表す移動履歴情報を保持する。

推定部１３０は、エリア属性推定部１３Ａと平日／非平日推定部１３Ｂを有する。エリア属性推定部１３Ａは、移動履歴情報に基づいて、エリア毎の訪問頻度及び到着時刻のばらつきを求め、訪問頻度が閾値以上のエリアのうち、到着時刻のばらつきが最も大きいエリアを自宅が属するエリア（自宅エリア）と推定する。また推定部１３は、訪問頻度が閾値以上のエリアのうち、到着時刻のばらつきが最も小さいエリアを目的地が属するエリアと推定する。本例の目的地とは、ユーザ（運転者）が前記車両で習慣的に訪問する場所であり、例えばユーザの勤務先である。当該目的地は、ユーザが経営する店舗や会社の業務に従事する従業地であっても良い。更に、サークル活動やボランティア活動を行う場所、通学先、通院先等であっても良い。本願では、これらのユーザが習慣的に通う目的地を便宜上勤務先とも称し、当該目的地が属するエリアを勤務先エリアとも称する。

なお本実施形態２では、このエリアとして日本工業規格のＪＩＳ Ｘ０４１０で規定さ
れた地域メッシュを用いている。図１６は、地域メッシュの説明図である。地域メッシュは、第１次メッシュ（「第１次地域区画」とも呼ぶ）、第２次メッシュ（「第２次地域区画」、「統合地域メッシュ」とも呼ぶ）及び第３次メッシュ（「第３次地域区画」、「基準地域メッシュ」とも呼ぶ）といった標準地域メッシュ、並びに２分の１地域メッシュ、４分の１地域メッシュ及び８分の１地域メッシュといった分割地域メッシュの各段階の大きさのメッシュで構成され、各メッシュを示すメッシュコードによって特定される。

第１次メッシュとは、地域を１辺の長さが約８０ｋｍの略矩形の領域に分割したものであり、第１次メッシュコードは、緯度を表す上２桁の数字及び経度を表す下２桁の数値からなる４桁の数字で表される。第２次メッシュは、第１次メッシュを東西方向及び南北方向にそれぞれ８等分したものであり、第２次メッシュコードは、緯度方向を表す上１桁の数字及び経度方向を表す下１桁の数字からなる２桁の数字を「−（ハイフン）」で第１次メッシュコードに連結した形式で表される。第３次メッシュは、第２次メッシュを東西方向及び南北方向にそれぞれ１０等分したものであり、第３次メッシュコードは、緯度方向を表す上１桁の数字及び経度方向を表す下１桁の数字からなる２桁の数字を第１次メッシュコード及び第２次メッシュコードに連結した形式で表される。２分の１地域メッシュは、第３次メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、２分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜第３次メッシュコードに連結した形式で表される。４分の１地域メッシュは、２分の１地域メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、４分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜２分の１地域メッシュコードに連結した形式で表される。８分の１地域メッシュは、４分の１地域メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、８分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜４分の１地域メッシュコードに連結した形式で表される。

平日／非平日推定部１３Ｂは、前記エリア属性推定部１３Ａで特定したエリアに係る移動履歴を抽出し、抽出した移動履歴に基づいて平日／非平日の推定を行う。なお、平日／非平日推定部１３Ｂによる平日／非平日の推定処理は、前述の実施形態１の推定部１３による推定処理と同様である。

履歴記憶部１２０は、位置情報取得部１１で取得した緯度及び経度を含む位置情報から平日／非平日推定装置１００の位置するメッシュのメッシュコードを求める。即ち、緯度及び経度を含む位置情報を地域メッシュコードへ変換する。なお、この位置情報を地域メッシュコードへ変換する処理は既存のアルゴリズムを用いて行うことができるため、詳細は省略する。また、本実施形態におけるエリアは、既存の地域メッシュに限らず、地域を
独自に定めた位置及び大きさの網目状に区画したメッシュを用いるようにしてもよい。

このように地域メッシュコードを用いることで、地図情報を用いる場合と比べて、地図情報の更新及び管理にかかるコストを削減することができる。

図１７は、履歴記憶部１２０が保持する移動履歴情報の一例を示す図である。図１７に示すように、移動履歴情報は、到着日時、到着エリア、出発日時、移動先エリア等を対応付けて記憶している。到着日時は、到着エリアに到着した日付及び時刻を示す情報である。到着エリアは、到着した当該エリアを示すメッシュコードである。出発日時は、到着エリアから移動した日付及び時刻を示す情報である。移動先エリアは、移動後のエリアを示すメッシュコードである。

図１８は、推定部１３Ａが移動履歴情報に基づいて求める特徴量の一例を示す図、図１９は特徴量を求める際の観測日の説明図である。図１８に示すように、本実施形態の推定部１３Ａは、特徴量として、乗車頻度（乗車率）、訪問頻度（訪問率）、平均滞在時間、到着時刻情報量（到着時刻エントロピ）を求めている。

乗車頻度（乗車率）は、ユーザが車両に乗る頻度であり、観測期間中に乗車した日数（乗車日数）を観測期間の日数（観測日数）で除算した値（単位：日）である。本例では乗車回数を日毎にカウントして乗車日数とするため、１日に複数回乗車した場合でも乗車日数は１とカウントする。観測日数は、特徴量を算出するためにデータを取得する日数であり、図５に示すように起点となる日から有効なデータを有する日を所定の日数分遡ってデータを取得するものである。図１９は、７月２５日にエリア属性の判定を行う場合を示しており、当日のデータはまだ整っていないため、７月２５日を起点に所定日数（例えば７日間）遡ってデータを取得する。このとき祝日や長期休暇期間は普段と異なる行動をとることが多く、有効なデータとならない可能性があるため除外する。なお、長期休暇期間とは、年末年始やゴールデンウィーク等であり、任意に設定する。図１９の例では、７月２１日が祝日のため除外対象とし、有効なデータを有する日である７月１７日〜２０日・２２日〜２４日の７日間を観測期間とする。そして、この観測期間中の７月１７日・１８日・２２日〜２４日の５日が乗車した日であるので、乗車日数（５日）／観測日数（７日）＝乗車率（０．７１４・・・）となる。

訪問頻度は、各エリア（メッシュ）を訪問した日数を観測日数で除算した値（単位：日）である。本例では訪問回数を日毎にカウントするため、１日に複数回訪問した場合でも訪問した日数は１とカウントする。図１９に示すように観測日数が７日で、訪問日数が例えば４日であれば、訪問日数（４日）／観測日数（７日）＝訪問頻度（０．５７１・・・）となる。

平均滞在時間は、各エリアの滞在時間を示す値であり、本例では第一の滞在時間Ｔ１と第二の滞在時間Ｔ２の二種類を用いた。第一の滞在時間Ｔ１は、出発日時と到着日時との差（出発日時−到着日時）をそのエリア（メッシュ）に滞在した時間としてメッシュコード毎に集計し、訪問日数で除して算出する。第二の滞在時間Ｔ２は、出発日時と到着日時との差（出発日時−到着日時）をそのエリア（メッシュ）に滞在した時間としてメッシュコード毎に集計し、観測日数で除して算出する。

到着時刻情報量は、そのエリア（メッシュ）に到着する時刻分布の情報量（単位：bit
）であり、到着する時刻のばらつきを示す値でもあり、到着する時刻のばらつきが大きければ大きな値をとり、到着する時刻のばらつきが小さければ小さな値をとる。例えば、１日を所定数の時間帯（本例では１時間刻みで２４の時間帯）に区切り、時間帯毎に隣接しない他のエリアを出発して当該エリアに到着した回数をカウントし、頻度分布を求めた。
即ち、エリア内の移動や隣接エリア間で行き来した場合を除外して頻度分布を求めた。なお、頻度分布を計算する際、各時間帯の値にシュードカウントを加えても良い。例えば、引っ越しや転勤によって自宅や勤務先が変わったことを素早く推定結果に反映できるようにするためには、観測期間を短く設定し、この短い観測期間内のデータから推定が行えるようにする必要がある。しかし、観測期間を短く設定すると、出現頻度の低い事象の出現頻度が、ほぼゼロになってしまい、推定結果に正しく反映されず、所謂ゼロ頻度問題が生じてしまう。そこで、シュードカウントを各時間帯の値に加えて、この出現頻度の低い事象の出現頻度を補正し、ゼロ頻度問題を回避するようにしている。なお、シュードカウントの値は、観測期間の長さや推定に用いる特徴量のレンジ（幅）、バラツキ等に応じて変化させても良く、予め観測期間や特徴量と対応するシュードカウントの値とを求めて、関係式やデータテーブルとして保持しておき、推定処理時に観測期間や特徴量に応じたシュードカウントの値を用いるようにしても良い。

図６は、到着時刻情報量の算出例を示す図である。図６の例では、観測日数を２０日とし、０時〜２３時の１時間刻みとした２４の時間帯で到着回数をカウントし、シュードカウントを１加え、式（１）を用いて対数の底を２とした場合の計算結果を到着時刻情報量として求めている。なお、到着確率Ｐｔは、シュードカウントを含む到着回数を合計で除した値である。また、出発時刻情報量についても、式１を用いて同様に求めることが出来る。

＜装置構成＞
本実施形態２の平日／非平日推定装置１００は、前述の実施形態１と同様に、例えば図４に示すようなコンピュータである。

＜推定方法＞
次に、平日／非平日推定装置１００がプログラムに従って実行する処理の詳細について説明する。平日／非平日推定装置１００は、ユーザの移動に伴って移動履歴を記憶し、移動履歴に基づいて自宅エリア及び勤務先エリア等を推定する。

図２１は、移動履歴を記憶する処理の一例を示す図である。平日／非平日推定装置１００は、所定のタイミングで図２１の処理を開始する。例えば、１時間毎、１５分毎のように定期的に図２１の処理を開始しても良いし、車両が移動を開始した場合や停車した場合に図２１の処理を行っても良い。例えば、イグニッションスイッチがオフからオンにされた場合や車速が所定値以上となった場合に現在位置のメッシュコードと出発時刻とを対応付けて記憶し、イグニッションスイッチがオンからオフにされた場合に現在位置のメッシュコードと到着時刻とを対応付けて記憶する。

図２１の処理を開始すると平日／非平日推定装置１００は、先ず位置情報取得部１１としてのＧＰＳ受信機により、平日／非平日推定装置１００の存在する位置の緯度及び経度を車両の位置情報として取得する（ステップＳ２１０）。

また、平日／非平日推定装置１００は、取得した緯度及び経度を履歴記憶部１２０の機能により、メッシュコードに変換し、車両の位置するエリアを特定する（ステップＳ２２０）。

そして、平日／非平日推定装置１００は履歴記憶部１２０の機能により、メッシュコードと時刻とを対応付けて図１７のように移動履歴情報とし、記憶装置に記憶する（ステップＳ２３０）。ここで履歴記憶部１２０は、当該位置に到着した時刻を到着日時とし、当該位置から移動した時刻を出発日時として記憶する。

図２２は、推定処理の一例を示す図である。平日／非平日推定装置１００の推定部１３Ａは、所定のタイミングで図２２の処理を実行する。例えば、６時間毎、２４時間毎のように定期的に図２２の処理を開始しても良いし、他のアプリやシステムから要求を受けたときや、ユーザが起動を選択した場合に図２２の処理を開始しても良い。

図２２の処理を開始すると平日／非平日推定装置１００は、先ず記憶装置から所定の観測日数分のデータを読み出して図１８のように特徴量を算出する（ステップＳ１１０）。

次に、平日／非平日推定装置１００は、算出した乗車率が所定の閾値以上か否かを判定する（ステップＳ３２０）。そして、平日／非平日推定装置１００は、乗車率が閾値以上と判定した場合（ステップＳ３２０、Ｙｅｓ）、ステップＳ３１０で算出した特徴量を用いて、自宅エリアの推定及び勤務先エリアの推定（ステップＳ３３０）を行い、乗車率が閾値未満と判定した場合（ステップＳ３２０、Ｎｏ）、勤務先エリアの推定は行わずに自宅エリアの推定（ステップＳ３５０）を行う。即ち、乗車率が高ければ、通勤に車両を利用していると判断して自宅エリア・勤務先エリアの両方を推定し、乗車率が低ければ通勤に車両を利用していないと判断して自宅エリアのみを推定する。

そして、自宅エリア・勤務先エリアの両方を推定した場合（ステップＳ３２０、Ｙｅｓ）、前記移動履歴情報のうち、自宅エリア及び勤務先エリアに係る移動履歴を抽出し、この移動履歴に基づいて平日／非平日を推定する（ステップＳ３４０）。自宅エリア及び勤務先エリアに係る移動履歴とは、自宅エリアの到着時刻や出発時刻、勤務先エリアの到着時刻や出発時刻、自宅エリアを出発してから勤務先エリアへ到着するまでの移動時間、勤務先エリアを出発してから自宅エリアへ到着するまでの移動時間などである。例えば、自宅エリアから勤務先エリアまでの移動時間、勤務先エリアから自宅エリアまでの移動時間について、前述の図９のように当該移動時間にかかる時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いる。また、自宅エリアから出発して勤務先エリアへ到着した場合の到着時刻、及び勤務先エリアから出発して自宅エリアへ到着した場合の到着時刻について、前述の図９のように当該到着時刻が属する時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いても良い。なお、平日／非平日の推定手順については前述の実施形態１と同じであるため再度の説明を省略する。

また、自宅エリアエリアのみを推定した場合（ステップＳ３２０、Ｎｏ）、前記移動履歴情報のうち、自宅エリアに係る移動履歴を抽出し、この移動履歴に基づいて平日／非平日を推定する（ステップＳ３６０）。例えば、自宅エリアから他のエリアまでの移動時間、他のエリアから自宅エリアまでの移動時間について、前述の図９のように当該移動時間にかかる時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いる。また、自宅エリアから出発して他のエリアへ到着した場合の到着時刻、及び他のエリアから出発して自宅エリアへ到着した場合の到着時刻について、前述の図９のように当該到着時刻が属する時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いても良い。

図２３は、自宅エリア及び勤務先推定処理（ステップＳ３３０）の詳細を示す図である。図２３の処理が開始されると、平日／非平日推定装置１００は、先ず、各エリアの訪問頻度や平均滞在時間Ｔ１，Ｔ２が、所定の閾値を超えているか否かを判定する（ステップＳ４１０）。なお、本例のステップＳ４１０では、各エリアの訪問頻度と平均滞在時間Ｔ１，Ｔ２が閾値を超えていることを条件としたが、これに限らず、各エリアの訪問頻度と平均滞在時間Ｔ１、各エリアの訪問頻度と平均滞在時間Ｔ２、或いは訪問頻度のみが閾値を超えることを条件としても良い。

そして、平日／非平日推定装置１００は、ステップＳ４１０の条件を満たしたエリアの
うち、到着時刻情報量が最大のエリアを自宅エリアと推定する（ステップＳ４２０）。更に、平日／非平日推定装置１００は、ステップＳ４１０の条件を満たしたエリアのうち、到着時刻情報量が最小のエリアを勤務先エリアと推定する（ステップＳ４２５）。訪問率は、自宅エリアと勤務先エリアが群を抜いて高く、到着時刻情報量は、決まった時刻に出社することの多い勤務先では小さく、到着時刻に決まりのない自宅では大きくなる。このため、訪問頻度が閾値以上で到着時刻情報量が最大のエリアを自宅エリア、訪問頻度が閾値以上で到着時刻情報量が最小のエリアを勤務先エリアと推定する。

一方、ステップＳ４１０で上記条件を満たしていないと判定した場合、自宅エリア及び勤務先エリアの推定を行わずに前回の推定結果を引き継ぐ（ステップＳ４３０）。

図２４は、自宅エリア推定処理（ステップＳ３５０）の詳細を示す図である。図２４の処理が開始されると、平日／非平日推定装置１００のエリア属性推定部１３Ａは、先ず、各エリアの訪問頻度や平均滞在時間Ｔ２が、所定の閾値を超えているか否かを判定する（ステップＳ５１０）。なお、本例のステップＳ５１０では、各エリアの訪問頻度と平均滞在時間Ｔ２が閾値を超えていることを条件としたが、これに限らず、各エリアの訪問頻度と平均滞在時間Ｔ１，Ｔ２、或いは訪問頻度のみが閾値を超えることを条件としても良い。

そして、エリア属性推定部１３Ａは、ステップＳ２１０の条件を満たしたエリアのうち、到着時刻情報量が最大のエリアを自宅エリアと推定する（ステップＳ５２０）。

一方、ステップＳ３１０で上記条件を満たしていないと判定した場合、エリア属性推定部１３Ａは、自宅エリアの推定を行わずに前回の推定結果を引き継ぐ（ステップＳ３３０）。

このように本実施形態２によれば、エリア属性推定部１３Ａが、車両の移動履歴に応じて自宅エリアや勤務先エリアを特定し、平日／非平日推定部１３Ｂが、この特定のエリアに係る移動履歴情報に基づいて平日／非平日を推定するので、ノイズを排除して、精度良く平日／非平日の推定を行うことができる。

上記の実施形態１，２では、平日／非平日推定装置を車載装置で実現する例を示したが、これに限らず、平日／非平日推定装置は、位置情報取得部１１，履歴記憶部１２，１２０，推定部１３，１３０を有するものであれば、他の構成であっても良い。例えば、車載装置が位置情報取得部１１と履歴記憶部１２，１２０を有し、推定部１３，１３０を有するコンピュータが、ネットワークを介して車載装置から移動履歴情報を取得して推定を行う構成であっても良い。

《実施形態３》
本実施形態３では、実施形態１の推定処理に加え、移動体としてのユーザの移動をユーザの携帯するユーザ端末が検出し、この移動履歴に基づいて、自宅が属するエリアや勤務先が属するエリアを推定する処理を行い、例えば自宅から勤務先へ移動した場合の移動履歴の基づいて平日／非平日を推定する例を示す。

＜機能説明＞
図２５は、本実施形態３に係る平日／非平日推定装置１１０の機能ブロック図である。本実施形態の平日／非平日推定装置１１０は、ユーザが携帯して用いる携帯電話機、スマートフォン、タブレット端末（スレートＰＣ（Personal Computer））、ノート型ＰＣ、
携帯電話機、携帯ゲーム機といったユーザ端末（モバイル装置）１であり、位置情報取得部１１や、履歴記憶部１２０、推定部１３３を有する。

位置情報取得部１１は、ＧＰＳ（Global Positioning System）受信機等の位置情報を
取得可能なセンサであり、ユーザに携帯され、ユーザと共に移動するユーザ端末１１０の位置情報をユーザの位置を示す位置情報として取得する。また、位置情報取得部１１は、ＧＰＳだけでなく、加速度センサによる自律航法によって位置を取得しても良い。

履歴記憶部１２０は、ユーザが移動する地域を複数のエリアに区画し、位置情報に基づいて前記ユーザが位置するエリアを判定し、前記ユーザの移動に伴う前記ユーザが位置するエリアの遷移を表す履歴情報を保持する。

推定部１３３は、エリア属性推定部１３Ｃと平日／非平日推定部１３Ｄを有する。エリア属性推定部１３Ｃは、履歴情報に基づいて少なくともエリア毎の訪問頻度を求め、訪問頻度の最も高いエリアをユーザの自宅が属するエリア（自宅エリア）と推定する。また、推定部１３は、訪問頻度が閾値以上のエリアのうち、エリア内での移動量が最も多いエリアを前記ユーザの目的地が属するエリアと推定する。ここで、ユーザの目的地とは、ユーザが習慣的に訪問する場所であり、例えば勤務先である。目的地は、ユーザが経営する店舗や会社の業務に従事する従業地であっても良い。更に、サークル活動やボランティア活動を行う場所、通学先、通院先等であっても良い。本願では、これらのユーザが習慣的に通う目的地を便宜上勤務先とも称し、当該目的地が属するエリアを勤務先エリアとも称する。なお本実施形態３では、このエリアとして、前述の実施形態２と同様に、日本工業規格のＪＩＳ Ｘ０４１０で規定された地域メッシュを用いている。

平日／非平日推定部１３Ｄは、前記エリア属性推定部１３Ｃで特定したエリアに係る移動履歴を抽出し、抽出した移動履歴に基づいて平日／非平日の推定を行う。なお、平日／非平日推定部１３Ｄによる平日／非平日の推定処理は、前述の実施形態１の推定部１３による推定処理と同様である。

履歴記憶部１２０は、位置情報取得部１１で取得した緯度及び経度を含む位置情報からユーザ端末１１０の位置するメッシュのメッシュコードを求める。即ち、緯度及び経度を含む位置情報を地域メッシュコードへ変換する。なお、この位置情報を地域メッシュコードへ変換する処理は既存のアルゴリズムを用いて行うことができるため、詳細は省略する。また、本実施形態におけるエリアは、既存の地域メッシュに限らず、地域を独自に定めた位置及び大きさの網目状に区画したメッシュを用いるようにしてもよい。

このように地域メッシュコードを用いることで、地図情報を用いる場合と比べて、地図情報の更新及び管理にかかるコストを削減することができる。

本実施形態３の平日／非平日推定装置は、スマートフォン等のユーザ端末（モバイル装置）１１０であるため、従来の車載装置と異なり、出発時に車両のイグニッションスイッチがオンにされることで起動し、目的地に到着して車両のイグニッションスイッチがオフにされることで操作を停止するものではなく、出発したことや到着したことが検出しにくい。そこで、本実施形態３では、定期的に位置情報を取得し、前回の位置情報と比較して所定距離以上離れていた場合に移動したものとし、所定距離以上離れていなかった場合に移動していないもの（滞在している）として、移動した毎に出発時間や到着時間を求める。例えば、前回の位置情報と比較して１０ｍ以上離れた位置の位置情報を検出した場合に移動したものとし、今回検出した位置への到着時間と前回検出した位置の出発時間を記憶する。この比較に用いる具体的な位置情報（緯度及び経度等）は、前記メッシュコードと共に履歴情報として記憶しても良いし、メモリ内に所定期間保持するようにしても良い。

なお、前回検出した位置との比較に限らず、所定期間内に検出した位置と今回検出した
位置とを比較して所定距離以上離れていた場合に移動したものとしても良い。この場合、所定期間内に検出した位置の重心から今回検出した位置までの距離や、所定期間内に検出した位置が属するメッシュの中心や四隅等の代表点から今回検出した位置までの距離が、所定距離以上離れていた場合に移動したものとしても良い。

また、出発時刻や到着時刻は、検出位置毎に求めることに限らず、エリア毎や目的地毎に求めても良い。例えば、定期的に位置情報を取得し、前回の位置情報が属するエリアと比較して今回の位置情報が属するエリアが異なっていた場合に移動したものとし、おなじであった場合に移動していないもの（滞在している）として、移動した毎に出発時間や到着時間を求める。例えば、前回がエリアＡ、今回がエリアＢの場合、エリアＡからエリアＢへ移動したものとし、エリアＢへの到着時間とエリアＡの出発時間を記憶する。

ここで勤務先が複数のエリア（例えばエリアＡ，Ｂ）に跨って存在する場合、勤務先に滞在しているにも係らず移動していると判定されてしまうことがある。このため、所定期間内に往き来したエリアは一つのエリア（エリア群）と見なし、このエリアの到着時刻と出発時刻を記憶するようにしても良い。例えば、エリアＡ→エリアＢ→エリアＡ→エリアＢ→エリアＣ→エリアＤのように、最初にエリアＡに位置し、エリアＡとエリアＢ間で往き来した後、エリアＢと隣接しているエリアＣに移動し、次にエリアＣと隣接しているエリアＤに移動した場合、エリアＡ，Ｂを一つのエリアと見なして最初にエリアＡ内に位置した時間を到着時間とし、エリアＡと隣接していないエリアＣへ移動した時刻、又はエリアＡ，Ｂとも隣接していないエリアＤへ移動した時刻をエリアＡ，Ｂの出発時刻としても良い。

更に、各エリアの滞在時間に応じ、所定時間（例えば１時間）以上滞在したエリア又はエリア群を目的地（滞在地）とし、目的地への出発時刻や到着時刻を記憶しても良い。例えばエリアＡから、エリアＢ、Ｃ，Ｄ，Ｅを介してエリアＦへ移動した場合に、エリアＡ，Ｆの滞在時間が所定時間以上で、エリアＢ、Ｃ，Ｄ，Ｅの滞在時間が所定時間未満であれば、エリアＦをエリアＡに対する目的地とし、エリアＡからエリアＢへ移動した時刻をエリアＡの出発時刻、エリアＥを介してエリアＦへ到着した時刻をエリアＦへの到着時刻として記憶し、エリアＢ、Ｃ，Ｄ，Ｅについては出発時刻や到着時刻の記憶を省略しても良い。このように目的地（滞在地）に限定した出発時刻や到着時刻を用いることで、後述の推定の精度を高めることができる。なお、目的地への出発時刻や到着時刻、前記エリア毎の出発時刻や到着時刻、前記検出位置毎の出発時刻や到着時刻を、それぞれ記憶しても良く、何れの出発時刻・到着時刻を推定に用いるのかは、適宜選択して良い。

図２６は、推定部１３３が履歴情報に基づいて求める特徴量の一例を示す図、図２７は特徴量を求める際の観測日の説明図である。図２６に示すように、本実施形態の推定部１３は、特徴量として、訪問頻度、平均滞在時間、平均移動回数、出発時刻情報量、到着時刻情報量を求めている。

訪問頻度は、そのエリア（メッシュ）を訪問した日数を観測日数で除算した値（単位：日）である。本例では訪問回数を日毎にカウントするため、１日に複数回訪問した場合でも訪問した日数は１とカウントする。観測日数は、特徴量を算出するためにデータを取得する日数であり、図２７に示すように起点となる日から有効なデータを有する日を所定の日数分遡ってデータを取得するものである。図２７の例では、７月２５日にエリア属性の判定を行う場合、当日のデータはまだ整っていないため、７月２５日を起点に所定日数（例えば６日間）遡ってデータを取得する。このとき祝日や長期休暇期間は普段と異なる行動をとることが多く、有効なデータとならない可能性があるため除外する。なお、長期休暇期間とは、年末年始やゴールデンウィーク等であり、任意に設定する。また、ユーザ端末１１０が通常通り使用されなかった日、例えばユーザに携帯されなかった日や電源が切
れてしまった日を除外する。図２７の例では、７月２１日が祝日のため除外対象とし、７月２４日が電源の切れた日のため除外対象とし、７月１７日まで遡って観測日数６日分のデータを取得する。即ち、７月１７日から７月２３日までの訪問日数が５日のエリアは、訪問日数（５日）／観測日数（６日）＝訪問頻度（０．８３３・・・）となる。

平均滞在時間は、出発日時と到着日時との差（出発日時−到着日時）をそのエリア（メッシュ）に滞在した時間としてメッシュコード毎に集計し、訪問日数で除して算出する。

出発時刻情報量は、そのエリア（メッシュ）を出発する時刻分布の情報量（単位：bit
）であり、出発する時刻のばらつきを示す値でもあり、出発する時刻のばらつきが大きければ大きな値をとり、出発する時刻のばらつきが小さければ小さな値をとる。例えば、１日を所定数の時間帯（本例では１時間刻みで２４の時間帯）に区切り、時間帯毎にそのエリアから隣接しない他のエリアへ出発した回数をカウントし、頻度分布を求めた。即ち、エリア内の移動や隣接エリア間で行き来した場合を除外して頻度分布を求めた。なお、頻度分布を計算する際、各時間帯の値にシュードカウントを加えても良い。例えば、引っ越しや転勤によって自宅や勤務先が変わったことを素早く推定結果に反映できるようにするためには、観測期間を短く設定し、この短い観測期間内のデータから推定が行えるようにする必要がある。しかし、観測期間を短く設定すると、出現頻度の低い事象の出現頻度が、ほぼゼロになってしまい、推定結果に正しく反映されず、所謂ゼロ頻度問題が生じてしまう。そこで、シュードカウントを各時間帯の値に加えて、この出現頻度の低い事象の出現頻度を補正し、ゼロ頻度問題を回避するようにしている。なお、シュードカウントの値は、観測期間の長さや推定に用いる特徴量のレンジ（幅）、バラツキ等に応じて変化させても良く、予め観測期間や特徴量と対応するシュードカウントの値とを求めて、関係式やデータテーブルとして保持しておき、推定処理時に観測期間や特徴量に応じたシュードカウントの値を用いるようにしても良い。

到着時刻情報量は、そのエリア（メッシュ）に到着する時刻分布の情報量（単位：bit
）であり、到着する時刻のばらつきを示す値でもあり、到着する時刻のばらつきが大きければ大きな値をとり、到着する時刻のばらつきが小さければ小さな値をとる。例えば、１日を所定数の時間帯（本例では１時間刻みで２４の時間帯）に区切り、時間帯毎に隣接しない他のエリアを出発して当該エリアに到着した回数をカウントし、頻度分布を求めた。即ち、エリア内の移動や隣接エリア間で行き来した場合を除外して頻度分布を求めた。なお、頻度分布を計算する際、各時間帯の値にシュードカウントを加えても良い。例えば、前述の図２０の例では、観測日数を２０日とし、０時〜２３時の１時間刻みとした２４の時間帯で到着回数をカウントし、シュードカウントを１加え、式（１）を用いて対数の底を２とした場合の計算結果を到着時刻情報量として求めている。

＜装置構成＞
本実施形態３の平日／非平日推定装置１１０は、前述の実施形態１と同様に、例えば図４に示すようなコンピュータである。

＜推定方法＞
次に、ユーザ端末１１０がプログラムに従って実行する処理の詳細について説明する。ユーザ端末１１０は、ユーザの移動に伴って移動履歴を記憶し、移動履歴に基づいて自宅エリア及び勤務先エリア等を推定する。

図２８は、移動履歴を記憶する処理の一例を示す図である。ユーザ端末１１０は、所定のタイミングで図２８の処理を開始する。例えば、１時間毎、１５分毎のように定期的に図２８の処理を開始しても良いし、加速度センサでユーザ端末１１０の移動を検知した場合に図２８の処理を開始しても良い。

図２８の処理を開始するとユーザ端末１１０は、先ず位置情報取得部１１としてのＧＰＳ受信機により、ユーザ端末１１０の存在する位置の緯度及び経度をユーザの位置情報として取得する（ステップＳ６１０）。

また、ユーザ端末１１０は、取得した緯度及び経度を履歴記憶部１２０の機能により、メッシュコードに変換し、ユーザの位置するエリアを特定する（ステップＳ６２０）。

そして、ユーザ端末１１０は履歴記憶部１２０の機能により、メッシュコードと時刻とを対応付けて図１７のように履歴情報とし、記憶装置に記憶する（ステップＳ６３０）。ここで履歴記憶部１２０は、当該位置に到着した時刻を到着日時とし、当該位置から移動した時刻を出発日時として記憶する。

図２９は、推定処理の一例を示す図である。ユーザ端末１１０の推定部１３は、所定のタイミングで図２９の処理を実行する。例えば、６時間毎、２４時間毎のように定期的に図２９の処理を開始しても良いし、他のアプリやシステムから要求を受けたときや、ユーザが起動を選択した場合に図２９の処理を開始しても良い。

図２９の処理を開始するとユーザ端末１１０は、先ず記憶装置から所定の観測日数分のデータを読み出して図２６のように特徴量を算出する（ステップＳ７１０）。

また、ユーザ端末１１０は、算出した特徴量に基づいて隣接したエリアの特徴量をマージする（ステップＳ７２０）。例えば、ステップＳ１１０で算出した特徴量（ベクトル）を訪問頻度が高い順に整列する。訪問頻度が２位以下のエリア（メッシュコード）について、当該エリアより順位が高いものの中に、隣接するエリアがあるか否かをチェックする。隣接するエリアがあれば、それらは例えば勤務先が複数のエリアに跨って存在する場合のように同じ属性を有する一つのエリアとしてマージし、このエリアの特徴量についてもマージする。マージしたエリアのメッシュコードは、マージした複数のエリアのうち、訪問頻度の順位が最も高いエリアのメッシュコードとする。訪問頻度をマージする場合、訪問日（到着日）毎に集合和をとり、この集合和を合計して観測日数で割って訪問頻度を求める。平均滞在時間をマージする場合、訪問日数で割る前の値を合計した後、訪問日数で割って平均滞在時間を求める。平均移動回数をマージする場合、履歴情報に戻り、観測日毎にマージしたエリア内での移動回数をカウントして合計した後、訪問日数で割って平均移動回数を求める。出発時刻情報量をマージする場合、履歴情報に戻り、マージしたエリアを出発する出発時刻を求め、１日を所定数の時間帯に区切り、時間帯毎にそのマージしたエリアから他のエリアへ出発した回数をカウントし、前述のように図２０の式（１）を用いて頻度分布を求める。到着時刻情報量をマージする場合、履歴情報に戻り、マージしたエリアに到着した到着時刻を求め、１日を所定数の時間帯に区切り、時間帯毎に他のエリアからマージしたエリアへ到着した回数をカウントし、前述のように式１を用いて頻度分布を求める。

ユーザ端末１１０は、ステップＳ１１０及びステップＳ７２０で算出した特徴量を用いて、自宅エリアの推定（ステップＳ７３０）及び勤務先エリアの推定（ステップＳ７４０）を行う。

そして、前記移動履歴情報のうち、自宅エリア及び勤務先エリアに係る移動履歴を抽出し、この移動履歴に基づいて平日／非平日を推定する（ステップＳ７５０）。自宅エリア及び勤務先エリアに係る移動履歴とは、自宅エリアの到着時刻や出発時刻、勤務先エリアの到着時刻や出発時刻、自宅エリアを出発してから勤務先エリアへ到着するまでの移動時間、勤務先エリアを出発してから自宅エリアへ到着するまでの移動時間などである。例え
ば、自宅エリアから勤務先エリアまでの移動時間、勤務先エリアから自宅エリアまでの移動時間について、前述の図９のように当該移動時間にかかる時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いる。また、自宅エリアから出発して勤務先エリアへ到着した場合の到着時刻、及び勤務先エリアから出発して自宅エリアへ到着した場合の到着時刻について、前述の図９のように当該到着時刻が属する時間帯の乗車回数をカウントし、乗車率を求めて平日／非平日の推定処理に用いても良い。なお、平日／非平日の推定手順については前述の実施形態１と同じであるため再度の説明を省略する。

図３０は、自宅エリア推定処理の一例を示す図である。ユーザ端末１１０は、先ず、各エリアの訪問頻度が、所定の閾値を超えているか否かを判定する（ステップＳ８１０）。

そして、ユーザ端末１１０は、訪問頻度が閾値を超えているエリアのうち、訪問頻度が最大のものを自宅エリアと推定する（ステップＳ８２０）。

一方、ステップＳ８１０でいずれのエリアも閾値を超えていないと判定された場合、自宅エリアを推定せずに前回の推定結果を引き継ぐ（ステップＳ８３０）。

図３１は、勤務先エリア推定処理の一例を示す図である。ユーザ端末１１０は、先ず、各エリアの訪問頻度が、所定の閾値を超えているか否かを判定する（ステップＳ９１０）。本ステップＳ９１０の閾値は、前述のステップＳ９１０の閾値と比べて低く設定しても良い。

そして、ユーザ端末１１０は、訪問頻度が閾値を超えているエリアのうち、平均移動回数が最大のエリアであって、ステップＳ７３０で自宅エリアとされていないものを勤務先エリアと推定する（ステップＳ９２０）。

一方、ステップＳ９１０でいずれのエリアも閾値を超えていないと判定された場合、勤務先エリアを推定せずに前回の推定結果を引き継ぐ（ステップＳ９３０）。

このように本実施形態３によれば、エリア属性推定部１３Ｃが、ユーザの移動履歴に応じて自宅エリアや勤務先エリアを特定し、平日／非平日推定部１３Ｄが、この特定のエリアに係る移動履歴情報に基づいて平日／非平日を推定するので、ノイズを排除して、精度良く平日／非平日の推定を行うことができる。

＜変形例３−１＞
一般的なライフスタイルでは、前述の実施形態３のように自宅エリアの訪問頻度が最も高くなる。しかし、例えば鉄道や病院、警察、消防の業務に携わり、勤務先で仮眠をとるようなライフスタイルの場合、自宅エリアの訪問頻度が低くなることもある。このため到着時刻情報量を用いて自宅エリアの推定を行っても良い。

図３２は、本変形例３−１の自宅エリア推定処理の一例を示す図である。なお、本変形例３−１は、前述の実施形態３と比べて到着時刻情報量を用いた構成が異なり、その他の構成は同じであるため、重複する説明は省略する。本例のユーザ端末（平日／非平日推定装置）１１０は、各エリアの訪問頻度が、所定の閾値を超えているか否かを判定し（ステップＳ８１０）、訪問頻度が閾値を超えているエリアのうち、到着時刻情報量が所定の閾値以上のエリアを抽出し（ステップＳ８１５）、抽出したエリアのうち、訪問頻度が最大のものを自宅エリアと推定する（ステップＳ８２０）。

一方、ステップＳ８１０でいずれのエリアも閾値を超えていないと判定された場合、自宅エリアを推定せずに前回の推定結果を引き継ぐ（ステップＳ８３０）。

このように本変形例３−１では、到着時刻情報量が閾値以上で且つ訪問頻度が最大のものを自宅エリアと推定する。到着時刻情報量は、当該エリアに到着する時刻のばらつきを示す値であるので、勤務先のように決まった時刻に出勤するエリアでは小さく、自宅のように到着時刻の定めが無いエリアでは大きくなると予想される。到着時刻情報量が閾値以上であることを用いて自宅エリアを推定することで、より精度良く自宅エリアを推定することができる。

なお、本変形例３−１では、ステップＳ８１５で、到着時刻情報量が所定の閾値以上のエリアを抽出したが、これに限らず、出発時刻情報量よりも到着時刻情報量が多いエリアを抽出することや、出発時刻情報量に対する到着時刻情報量の割合（到着時刻情報量／出発時刻情報量）が閾値以上のエリアを抽出することとしても良い。

＜変形例３−２＞
前述のように、通常は自宅エリアと勤務先エリアの訪問頻度が突出して高くなるが、最寄駅や乗換駅等も訪問頻度が高くなることがある。また、これらの駅にショッピングモールが併設されていたりすると、平均移動回数も高くなることがある。しかし、これらは通過点であって、自宅エリアや勤務先エリアとは、滞在時間が異なっている。このため平均滞在時間を用いて自宅エリアや勤務先エリアの推定を行っても良い。

図３３は、本変形例３−２に係る推定処理の一例を示す図である。なお、本変形例３−２は、前述の実施形態３と比べて平均滞在時間を用いた構成が異なり、その他の構成は同じであるため、重複する説明は省略する。

ユーザ端末（平日／非平日推定装置）１１０のエリア属性推定部１３Ｃは、所定のタイミングで図３３の処理を実行すると、前述と同様に特徴量を算出し（ステップＳ７１０）、隣接したエリアの特徴量をマージし（ステップＳ７２０）、このうち、平均滞在時間が所定の閾値以上のエリアを抽出する（ステップＳ７２５）。

そして、ユーザ端末１１０は、ステップＳ１２５で抽出したエリアの特徴量を用いて、自宅エリアの推定（ステップＳ７３０）、勤務先エリアの推定（ステップＳ７４０）、及び平日／非平日の推定を行う。

このように本変形例３−２では、平均滞在時間が閾値以上のエリアについて、自宅エリアと勤務先エリアの推定を行うので、単なる通過点のデータを排除でき、精度良く自宅エリア及び勤務先エリアを推定することができる。

＜その他＞
本発明は上述の処理を実行するコンピュータプログラムを含む。さらに、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体も、本発明の範疇に属する。当該プログラムが記録された記録媒体については、コンピュータに、この記録媒体のプログラムを読み込ませて実行させることにより、推定処理が可能となる。

ここで、コンピュータ読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータから読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータから取り外し可能なものとしては、フレキシブルディスク、光磁気ディスク、光ディスク、磁気テープ、メモリカード等がある。また、コンピュータに固定された記録媒体としては、ハードディスクドライブやＲＯＭ等がある。

上記の実施形態３、変形例３−１及び変形例３−２では、平日／非平日推定装置１１０をユーザが携帯するスマートフォン等のユーザ端末で実現する例を示したが、これに限らず、平日／非平日推定装置１１０は、位置情報取得部１１，履歴記憶部１２０，推定部１３を有するものであれば、他の構成であっても良い。例えば、ユーザがＧＰＳロガーのように、位置情報取得部１１と履歴記憶部１２０を有する端末を携帯し、推定部１３を有するコンピュータが、ネットワークを介して前記端末から履歴情報を取得して推定を行う構成であっても良い。

＜その他＞
本発明は上述の処理を実行するコンピュータプログラムを含む。さらに、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体も、本発明の範疇に属する。当該プログラムが記録された記録媒体については、コンピュータに、この記録媒体のプログラムを読み込ませて実行させることにより、上述の推定処理が可能となる。

ここで、コンピュータ読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータから読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータから取り外し可能なものとしては、フレキシブルディスク、光磁気ディスク、光ディスク、磁気テープ、メモリカード等がある。また、コンピュータに固定された記録媒体としては、ハードディスクドライブやＲＯＭ等がある。

１ 平日／非平日推定装置
２ ネットワーク
１１ 移動情報取得部
１２，１２０ 履歴記憶部
１３，１３０，１３３ 推定部

Claims (6)

1. 移動体の移動情報を取得する移動情報取得部と、
   前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶する履歴記憶部と、
   １日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定する推定部と、
   を有する平日／非平日推定装置。
2. 前記移動頻度として、前記移動履歴に基づいて前記移動体の到着時刻が前記各時間帯に属する頻度を求める請求項１に記載の平日／非平日推定装置。
3. 前記履歴記憶部が、前記移動体の移動する地域を複数のエリアに区画し、前記位置情報に基づいて前記移動体が位置するエリアを判定し、前記移動体の移動に伴う前記移動体が位置するエリアの遷移を表す履歴情報を保持し、
   前記推定部が、前記履歴情報に基づいて前記エリア毎の訪問頻度を求め、前記訪問頻度の最も高い前記エリアを自宅が属するエリアと推定し、前記履歴情報のうち、前記自宅が属するエリアに係る履歴情報を抽出し、抽出した前記履歴情報に基づいて、前記平日又は非平日の推定を行う請求項１又は２に記載の平日／非平日推定装置。
4. 移動体の移動情報を取得するステップと、
   前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶するステップと、
   １日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定するステップと、
   をコンピュータが実行する平日／非平日推定方法。
5. 前記移動頻度として、前記移動履歴に基づいて前記移動体の到着時刻が前記各時間帯に属する頻度を求める請求項４に記載の平日／非平日推定方法。
6. 移動体の移動情報を取得するステップと、
   前記移動体の移動情報を日時と対応付け、移動履歴情報として記憶するステップと、
   １日を複数の時間帯に分け、前記移動履歴から各時間帯の移動頻度を曜日毎に求め、各曜日のデータを類似度に応じて２つのグループに分類し、要素数の多いグループに分類された曜日を平日、要素数の少ないグループに分類された曜日を非平日と推定するステップと、
   をコンピュータに実行させるための平日／非平日推定プログラム。
   

Images