JP2016157196A

JP2016157196A - 学習データ生成システム、学習データ生成方法およびプログラム

Info

Publication number: JP2016157196A
Application number: JP2015033239A
Authority: JP
Inventors: 淳松野; Atsushi Matsuno; 啓一郎帆足; Keiichiro Hoashi
Original assignee: KDDI Corp
Current assignee: KDDI Corp
Priority date: 2015-02-23
Filing date: 2015-02-23
Publication date: 2016-09-01
Anticipated expiration: 2035-02-23
Also published as: JP6461639B2

Abstract

【課題】半教師あり学習を行動認識に適用するときに、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、信頼度の高い行動認識のための学習データを生成する。【解決手段】学習データ生成手段が、行動データ、行動特性、地図データを取得し、取得した行動データを滞在地点ごとに分類し、取得した地図データから滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動を求める。次に、滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求め、各ユーザに対して滞在地点ごとに特徴的な行動と最も高い頻度で認識された行動とを比較して、一致しない場合に、最も高い頻度で認識された行動のラベルを特徴的な行動のラベルで訂正する。そして、各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する。【選択図】図４

Description

本発明は、半教師あり学習をユーザの行動認識に適用するときに、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、行動識別精度を向上させ、信頼度の高い行動認識のための学習データを生成する学習データ生成システム、学習データ生成方法およびプログラムに関する。

従来、スマートフォンやウェアラブルデバイスといった携帯端末装置から収集されるモーションデータや音声データを用いることにより、ユーザ行動を認識する方式が提案されている。このような方式は、主に、教師あり学習に基づくものであるが、大量のラベル付データを作成するためのコストが課題となっている。この課題に対して、半教師あり学習の１つであるｓｅｌｆ−ｔｒａｉｎｉｎｇが効果的であることが知られている。ｓｅｌｆ−ｔｒａｉｎｉｎｇは、少数のラベル付データから生成可能な識別器と大量のラベル無しデータとから、大量のラベル付データを作成することを可能とする。

ここで、大量のラベル無しデータは、日常生活で容易に収集可能である。しかしながら、ラベル無しデータに誤った行動ラベルを付与してしまうと、識別器の認識精度が低下する恐れがある。そのため、非特許文献１では、ルールの中に信頼度を設け、付与ラベルの信頼度を決定するために、決定木学習においてラベル選択のための知識に付与されている信頼度を用いている。つまり、信頼度の高い知識に基づいて選択された行動ラベルは、信頼度の高いラベルと判断する。

また、非特許文献２では、複数の異なる学習器の複数のアルゴリズムによる行動ラベル選択結果を多数決により集約することによって、信頼度の高いラベル付与を可能としている。

ＥｘｐｌｏｒｉｎｇＳｅｍｉ−ＳｕｐｅｒｖｉｓｅｄａｎｄＡｃｔｉｖｅＬｅａｒｎｉｎｇｆｏｒＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎ；１２ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＷｅａｒａｂｌｅＣｏｍｐｕｔｅｒｓ、２００８．；Ｍ.Ｓｔｉｋｉｃ、ｅｔａｌ．ＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｏｎＳｅｍｉ−ＳｕｐｅｒｖｉｓｅｄＬｅａｒｎｉｎｇ；１３ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｍｂｅｄｄｅｄａｎｄＲｅａｌ−ＴｉｍｅＣｏｍｐｕｔｉｎｇＳｙｓｔｅｍｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ、２００７；Ｄ．Ｇｕａｎ、ｅｔａｌ．ＴｈｅＩｍｐａｃｔｏｆＰｅｒｓｏｎａｌｉｚａｔｉｏｎｏｎＳｍａｒｔｐｈｏｎｅ−ＢａｓｅｄＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎ；Ｔｅｃｈｎｉｃａｌｒｅｐｏｒｔ、ＷｏｒｋｓｈｏｐｏｎＡｃｔｉｖｉｔｙＣｏｎｔｅｘｔＲｅｐｒｅｓｅｎｔａｔｉｏｎ、２０１２．；Ｇ．Ｍ．ＷｅｉｓｓｓａｎｄＪ．Ｗ．Ｌｏｃｋｈａｒｔ．

しかしながら、非特許文献１、２のいずれにおいても、ユーザ自身の識別器のラベル選択結果のみに基づいて、信頼度の高いラベルを選択しているため、初期段階で識別器の認識精度が低い場合には、誤ったラベルを選択してしまう可能性が高く、認識精度が向上しないという問題がある。これは、サンプル数が限定的であるために生じる問題である。

ここで、ｓｅｌｆ−ｔｒａｉｎｉｎｇでは、最初の識別器が他ユーザのラベル付データから生成されることが一般的である。この点で、ユーザによっては、初期段階においての識別器の認識精度が低く、ｓｅｌｆ−ｔｒａｉｎｉｎｇで認識精度を向上させることが困難となる。なぜなら、非特許文献３によれば、ユーザ自身のラベル付データのみを用いた場合は、高い精度で行動を識別可能であるが、一方で、他ユーザのラベル付データを用いた場合には、行動識別精度が高いユーザも存在すれば、行動識別精度が著しく低いユーザも存在することが知られているからである。

以上のことから、ｓｅｌｆ−ｔｒａｉｎｉｎｇを行動認識に適用するときに、初期段階でユーザの行動に対する識別器の認識精度が低いと、日常生活で収集可能なユーザ自身のラベル無しデータを利用したとしても、識別器の行動認識精度が向上しないという問題がある。

そこで、本発明は、上述の課題に鑑みてなされたものであり、半教師あり学習を行動認識に適用するときに、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、行動識別精度を向上させ、信頼度の高い行動認識のための学習データを生成する学習データ生成装置、学習データ生成システム、学習データ生成方法およびプログラムを提供することを目的とする。

本発明は、上述の課題を解決するために、以下の事項を提案している。

本発明は、ｓｅｌｆ−ｔｒａｉｎｉｎｇを行動認識に適用するときに、滞在場所属性ごとの特徴的な行動（行動特性）に基づいて誤った行動ラベルを訂正することにより、行動識別精度を向上させ、信頼度の高い学習データ（ラベル付データ）を生成するものである。

つまり、ｓｅｌｆ−ｔｒａｉｎｉｎｇでは、初期段階でユーザ行動に対する識別器の認識精度が低いと、誤ったラベルを選択し続ける可能性が高い。そのような識別器の認識精度を向上させるためには、誤りラベルを訂正することが求められる。そこで、一般的な人の行動特性（ユーザ自身の行動特性）から正しい行動ラベルを特定し、誤りラベルを訂正する方式（本願の第１の実施形態）を提案する。人の行動特性とは、人が滞在場所属性ごとに特徴的な行動をとることを指す。例えば、書店では読書、飲食店では食事、映画館では映像視聴などである。すなわち、滞在場所属性が分かれば、その場所で高頻度に発生する行動を知ることができる。識別器の誤り方が一定であるとすれば(ある行動に対して同じ行動に誤認識する)、人の行動特性に基づいて誤りラベルを訂正できる。例えば、飲食店での食事に対して映像視聴であると識別器が高い割合で誤認識した場合を考える。ここで、飲食店では、人は食事という行動をとるはずであるため、映像視聴は食事の誤りであると判断し、映像視聴を食事に訂正する。なお、滞在場所属性は、ユーザの滞在地点(緯度、経度)と地図情報から取得することが可能である。

しかし、先に提案した方式では、滞在場所属性ごとに人の行動特性を把握する必要がある．また、地図情報の整備という点でも実施者に対する負荷が高い。そのため、人の行動特性と地図情報を用いない方式（本願の第２の実施形態）を提案する。この方式では、ユーザ自身だけでなく他ユーザの識別器の認識結果に基づいて、滞在地点の特徴的な行動（行動特性）を特定することにより、誤りラベルを訂正する。ｓｅｌｆ−ｔｒａｉｎｉｎｇを行動認識に適用すると、識別器の認識精度が低いユーザが存在する一方で、認識精度が高いユーザも存在する。そのため、認識精度の高いユーザの行動に対する認識結果に従えば、滞在地点の特徴的な行動を特定できる。そこで、ある滞在地点で、ユーザの最高頻度で発生した行動認識結果を多数決で集約し、多数派に属する行動認識結果を特徴的な行動と特定する。そして、少数派に属する行動認識結果のラベルを特徴的な行動のラベルで訂正する。ここで、多数派への得票率が設定した閾値以上である場合にのみ正しくラベルを訂正できる可能性が高いと見なし、誤ったラベルを訂正することも可能である。すなわち、この発明によれば、初期段階でユーザの行動に対する識別器の認識精度が低い場合でも、日常生活で収集可能なユーザ自身のラベル無しデータを利用することにより、識別器の行動認識精度を向上を可能とした学習データ生成システム、学習データ生成方法およびプログラムを提供することができる。

（１）本発明は、各ユーザの携帯端末とサーバとからなる学習データ生成システムであって、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えたことを特徴とする学習データ生成システムを提案している。

（２）本発明は、（１）の学習データ生成システムについて、前記学習データ生成手段は、前記位置情報から算出した滞在地点と前記地図データとから滞在場所属性を特定し、該滞在場所属性と前記行動特性から滞在地点での特徴的な行動を求めることを特徴とする学習データ生成システムを提案している。

（３）本発明は、（２）の学習データ生成システムについて、前記行動データが、少なくとも、ユーザＩＤ、日時、行動ラベル、位置情報、特徴量で構成され、前記学習データ生成手段は、前記特徴的な行動と前記行動認識手段による認識結果とを比較し、一致していない場合には、該認識結果に対応する前記行動ラベルを前記特徴的な行動を示す行動ラベルで訂正して、学習データを生成することを特徴とする学習データ生成システムを提案している。

（４）本発明は、各ユーザの携帯端末とサーバとからなる学習データ生成システムであって、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、前記行動データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えたことを特徴とする学習データ生成システムを提案している。

（５）本発明は、（４）の学習データ生成システムについて、前記行動データが、少なくとも、ユーザＩＤ、日時、行動ラベル、位置情報、特徴量で構成され、前記学習データ生成手段は、同一滞在地点における全ユーザから最高頻度で認識された前記行動ラベルを多数決で決定し、最も得票数を得た多数派の前記行動ラベルを滞在地点における特徴的な行動と見なすことを特徴とする学習データシステムを提案している。

（６）本発明は、（５）の学習データ生成システムについて、前記学習データ生成手段は、数１から多数決の前記得票数を計算することを特徴とする学習データ生成システムを提案している。

（７）本発明は、（６）の学習データ生成システムについて、前記学習データ生成手段は、同一滞在地点において前記多数決で少数派であった行動ラベルを多数派の前記行動ラベルで訂正し、学習データを生成することを特徴とする学習データ生成システム。

（８）本発明は、（７）の学習データ生成システムについて、前記学習データ生成手段は、多数決の前記得票率が事前に設定した閾値以上である場合にのみ、少数派の前記行動ラベルを訂正することにより、学習データを生成することを特徴とする学習データ生成システムを提案している。

（９）本発明は、（８）の学習データ生成システムについて、前記学習データ生成手段は、数２から多数決の前記得票率を計算することを特徴とする学習データ生成システムを提案している。

（１０）本発明は、各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法であって、前記学習データ生成手段が、前記行動データ、行動特性、地図データを取得する第１のステップと、取得した前記行動データを滞在地点ごとに分類する第２のステップと、取得した地図データから前記滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動を求める第３のステップと、前記滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第４のステップと、前記各ユーザに対して滞在地点ごとに前記特徴的な行動と前記最も高い頻度で認識された行動とを比較して、一致しない場合に、前記最も高い頻度で認識された行動のラベルを前記特徴的な行動のラベルで訂正する第５のステップと、前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、を備えたことを特徴とする学習データ生成方法を提案している。

（１１）本発明は、各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法であって、前記学習データ生成手段が、前記行動データ記憶手段から行動データを取得する第１のステップと、前記取得した行動データを滞在地点ごとに分類する第２のステップと、前記滞在地点ごとに前記各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第３のステップと、前記滞在地点ごとに、最も高い頻度で認識された行動としてユーザに最も支持された多数派の行動を投票率とともに求める第４のステップと、前記滞在地点ごとに、前記投票率が事前に設定した閾値を超えていれば、少数派の行動ラベルを多数派の行動ラベルで訂正する第５のステップと、前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、を備えたことを特徴とする学習データ生成方法を提案している。

（１２）本発明は、各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法をコンピュータに実行させるためのプログラムであって、前記学習データ生成手段が、前記行動データ、行動特性、地図データを取得する第１のステップと、取得した前記行動データを滞在地点ごとに分類する第２のステップと、取得した地図データから前記滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動を求める第３のステップと、前記滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第４のステップと、前記各ユーザに対して滞在地点ごとに前記特徴的な行動と前記最も高い頻度で認識された行動とを比較して、一致しない場合に、前記最も高い頻度で認識された行動のラベルを前記特徴的な行動のラベルで訂正する第５のステップと、前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、をコンピュータに実行させるためのプログラムを提案している。

（１３）本発明は、各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法をコンピュータに実行させるためのプログラムであって、前記学習データ生成手段が、前記行動データ記憶手段から行動データを取得する第１のステップと、前記取得した行動データを滞在地点ごとに分類する第２のステップと、前記滞在地点ごとに前記各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第３のステップと、前記滞在地点ごとに、最も高い頻度で認識された行動としてユーザに最も支持された多数派の行動を投票率とともに求める第４のステップと、前記滞在地点ごとに、前記投票率が事前に設定した閾値を超えていれば、少数派の行動ラベルを多数派の行動ラベルで訂正する第５のステップと、前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、をコンピュータに実行させるためのプログラムを提案している。

本発明によれば、ｓｅｌｆ−ｔｒａｉｎｉｎｇを行動認識に適用するときに，滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、行動識別精度を向上させ、信頼度の高いラベル付データを生成する。そのため、初期段階でユーザの行動に対する識別器の認識精度が低い場合であっても、識別器の行動認識精度を向上させることが可能であるという効果がある。

本発明の第１の実施形態に係る学習データ生成システムの概略構成を示す図である。本発明の第１の実施形態に係る学習データ生成システムの構成を示す図である。本発明の第１の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。本発明の第１の実施形態に係る学習データ生成部の処理フロー図である。本発明の第１の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。本発明の第１の実施形態に係る行動特性記憶部に格納される滞在場所ごとに発生しうる特徴的な行動（行動特性）を示す図である。本発明の第１の実施形態に係る修正後に得られる学習データを例示した図である。本発明の第２の実施形態に係る学習データ生成システムの構成を示す図である。本発明の第２の実施形態に係る学習データ生成部の処理フロー図である。本発明の第２の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。本発明の第２の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。本発明の第２の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。本発明の第２の実施形態に係る行動データ記憶部に格納されるデータを例示した図である。

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。
なお、本実施形態における構成要素は適宜、既存の構成要素等との置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。したがって、本実施形態の記載をもって、特許請求の範囲に記載された発明の内容を限定するものではない。

＜第１の実施形態＞
図１から図７を用いて、本実施形態に係る学習データ生成システムについて説明する。

＜学習データ生成システムの概要＞
図１に示すように、本実施形態に係る学習データ生成システムは、滞在場所属性ごとの人の特徴的な行動を表す行動特性と地図データとを用いて、信頼度の高いラベル付データ（学習データ）を生成するものであり、携帯端末１００〜３００とサーバ５００とから構成されている。本実施形態に係る学習データ生成システムは、ユーザが所持する携帯端末１００〜３００がネットワークを介して、学習データ生成装置の役割を担うサーバ５００に接続する。

＜学習データ生成システムの構成＞
図２に示すように、本実施形態に係る学習データ生成システムは、携帯端末１００〜３００とサーバ５００とから構成され、携帯端末１００（携帯端末２００、３００も同様の構成を備える）は、行動認識モデル更新部１０１と、行動認識部１０２と、モーションセンサ１０３の構成要素であり、携帯端末１００の加速度をセンシングする加速度センサ１０３Ａと携帯端末１００の傾きをセンシングする傾きセンサ１０３Ｂと、音声情報を取得するマイク１０４と、アプリケーション動作監視部１０５と、ＧＰＳ受信部１０６と、ＧＰＳ測位部１０７と、行動データ生成部１０８とから構成されている。サーバ５００は、行動データ記憶部５０１と、行動特性データ記憶部５０２と、地図データ記憶部５０３と、学習データ生成部５０４と、学習データ記憶部５０５と、行動認識モデル生成部５０６とから構成されている。

行動認識モデル更新部１０１は、サーバ５００内の行動認識モデル生成部５０６が生成する行動認識モデルにより、図示しない記憶装置内の行動認識モデルを更新し、更新した行動認識モデルを行動認識部１０２に出力する。なお、行動認識モデル更新部１０１は、ユーザが行動認識部１０２を利用しない時間帯、例えば、睡眠中の時間帯等にモデル更新を行なう。また、収集した学習データが少ない状況では、モデル更新があまり意味を成さないため、このような場合には、日ごとだけでなく、週ごとに更新を行なう。行動認識部１０２は、モーションセンサ１０３からのモーションデータとマイク１０４からの音データと行動認識モデル更新部１０１からの行動認識モデルとを入力する。そして、モーションセンサ１０３からのモーションデータとマイク１０４からの音データの特徴量を抽出し、入力した行動認識モデルに基づいて、ユーザ行動を分刻みで認識する。

アプリケーション動作監視部１０５は、携帯端末１００におけるアプリケーションの動作状況から、ユーザが携帯端末を操作しているかどうかを判定する。ＧＰＳ受信部１０６は、衛生からＧＰＳ信号を受信する。ＧＰＳ測位部１０７は、ＧＰＳ受信部１０６が受信したＧＰＳ信号から緯度と経度で表される位置情報を取得する。行動データ生成部１０８は、アプリケーション動作監視部１０５から入力した情報、ＧＰＳ測位部１０７から入力した位置情報、行動認識部１０２から入力した情報とに基づいて、ユーザの行動データを生成し、生成した行動データをネットワークを介してサーバ５００に送信する。携帯端末２００、３００も同様に、携帯端末２００、３００内で生成した行動データをネットワークを介してサーバ５００に送信する。

具体的には、行動認識部１０２は、「歩行、静止、読書、食事、映像視聴」を認識する。ここで、「歩行、静止」のような基本行動は、十分高い精度で認識可能であるが、「読書、食事、映像視聴」のような応用行動については、互いに認識の誤りを生じることがある。そのため、例えば、行動認識部１０２が、ユーザ行動を「読書」と認識しても、実際は「食事」または「映像視聴」である可能性も考えられる。そこで、行動認識結果を特徴量に対する行動ラベルと見なし、行動データ生成部１０８が、行動ラベル、特徴量、位置情報からなる行動データを生成して、行動データを後述するサーバ５００内の行動データ記憶部５０１に保存する。ただし、行動認識結果が誤っている可能性のある「読書、食事、映像視聴」の場合のみ、行動データ記憶部５０１に保存することとする。なお、参考文献１、２などによれば、行動認識モデルは、モーションデータ、音データの特徴量とユーザ行動の正解データから形成される学習データを用いて、決定木やサポートベクターマシンなどの機械学習アルゴリズムにより生成可能である。

＜参考文献１＞
ＳｔｅｆａｎＤｅｍｂａｃｈ、ｅｔａｌ．、‘’ＳｉｍｐｌｅａｎｄＣｏｍｐｌｅｘＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎＴｈｒｏｕｇｈＳｍａｒｔＰｈｏｎｅ‘’、１１^ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＥｎｖｉｒｏｍｅｎｔｓ、２０１２．

＜参考文献２＞
ＫｏｊｉＹａｔａｎｉａｎｄＫｈａｉＮ．Ｔｒｕｏｎｇ、‘’ＢｏｄｙＳｃｏｐｅ：ＡＷｅａｒａｂｌｅＡｃｏｕｓｔｉｃＳｅｎｓｏｒｆｏｒＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎ、１４^ｔｈＡＣＭＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＵｂｉｑｕｉｔｏｕｓＣｏｍｐｕｔｉｎｇ、２０１２．

サーバ５００内の行動データ記憶部５０１は、各携帯端末１００〜３００内の行動データ生成部１０８が、生成した行動ラベル、特徴量、位置情報からなる行動データを各携帯端末１００〜３００ごとに保存する。行動特性データ記憶部５０２は、滞在場所属性ごとの特徴的な行動である行動特性を保存する。例えば、「読書」、「食事」および「映像視聴」といった行動は、滞在場所属性によっては高頻度で発生する特徴的な行動である。図６に示すように、「書店」であれば「読書」、「飲食店」であれば「食事」、「映画館」であれば「映像視聴」が特徴的な行動となる。地図データ記憶部５０３は、メッシュ単位で区切られた区画に対して滞在場所属性を付与した地図データを保存する。地図データを用いれば、ユーザの滞在地点と区画の重なりから滞在場所属性を特定することができる。

学習データ生成部５０４は、行動データ、行動特性、地図データとを用いて、行動データ中の誤った行動ラベルを訂正し、信頼度の高いラベル付データ（学習データ）を生成する。具体的には、ユーザの行動データごとに以下の処理を実施する。まず、行動データを滞在地点ごとに分ける。次に、地図データを用いて、滞在地点ごとに、滞在場所属性を特定し、行動特性から特徴的な行動を割り出す。また、行動データから滞在地点ごとに、最高頻度で認識された行動を割り出す。そして、滞在地点ごとに特徴的な行動と最高頻度で認識された行動を比較し、一致していない場合に、最高頻度で認識された行動のラベルを特徴的な行動のラベルで訂正する。なお、一致している場合は、何も処理を施さない。最後に、行動ラベルとそれに対応する特徴量を学習データとして、学習データ記憶部５０５に保存する。行動認識モデル生成部５０６は、学習データ生成部５０４から受信した信号をトリガに学習データ記憶部５０５内のデータから行動認識モデルを生成する。なお、行動認識モデルの生成は、ユーザが行動認識部１０２を利用しない時間帯、例えば、睡眠中の時間帯等に行なう。また、収集した学習データが少ない状況では、モデル更新があまり意味を成さないため、このような場合には、日ごとだけでなく、週ごとに更新を行なう。

＜学習データ生成システムの処理＞
図３から図６を用いて、本実施形態に係る学習データ生成システムの処理について説明する。

サーバ５００内の行動データ記憶部５０１は、各携帯端末１００〜３００から受信した行動データを携帯端末１００〜３００ごとに保存している。図３に、行動データを例示する。図３に示すように、行動データは、ユーザＩＤ、日時、行動ラベル、位置情報、特徴量とから構成されている。例えば、２０１４／１２／１１１：３０：００時点に位置（ｘ０、ｙ０）で読書、２０１４／１２／１１２：００：００時点に位置（ｘ１、ｙ１）で食事というデータが存在する。ここで、参考文献３などによれば、位置情報履歴から、ある地点付近における滞留時間がある閾値を超えた場合に、滞在場所を特定することが可能である。しかし、ここでは、簡単化のために、同一位置情報の場合にのみ同一地点に滞在していると見なす。図３に示す行動データでは、２０１４／１２／１１２：００：００から２０１４／１２／１１２：０９：００まで、同一地点（ｘ１、ｙ１）に滞在していることが分かる。

＜参考文献３＞
西野等；滞在地遷移情報からの行動パターン抽出方式の検討；情報処理学会研究報告．ユビキタスコンピューティングシステム、２００８（１１０）ｐｐ.５７−６４

図４に示すように、学習データ生成部５０４は、まず、行動データ記憶部５０１、行動特性データ記憶部５０２、地図データ記憶部５０３から行動データ、行動特性、地図データを取得する（ステップＳ１０１）。

学習データ生成部５０４は、図５で示された行動データを滞在地点ごとに分ける（ステップＳ１０２）。学習データ生成部５０４は、取得した地図データから滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動ａを求める（ステップＳ１０３）。

学習データ生成部５０４は、滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動ａ’を取得した行動データから求める（ステップＳ１０４）。学習データ生成部５０４は、各ユーザに対して滞在地点ごとにａとａ’とを比較して、一致しない場合に、ａ’のラベルをａのラベルで訂正する（ステップＳ１０５）。

学習データ生成部５０４は、各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出したラベル付きデータ（学習データ）を生成し（ステップＳ１０６）、生成したラベル付きデータ（学習データ）を学習データ記憶部５０５に保存する（ステップＳ１０７）。

図５を用いて、具体的に説明すると、ユーザＩＤ（：１）の滞在地点(ｘ１、ｙ１)の行動データをｄ１_{（ｘ１、ｙ１）}、滞在地点(ｘ２、ｙ２)の行動データをｄ１_{（ｘ２、ｙ２）}とし、このとき、行動データｄｉ_{（ｘｊ、ｙｊ）}から最高頻度で発生した行動ラベルを求める関数をｆ（ｄｉ_{（ｘｊ、ｙｊ）}）とすれば、ｆ（ｄ１_{（ｘ１、ｙ１）}）＝映像視聴、ｆ（ｄ１_{（ｘ２、ｙ２）}）＝食事となる。ここで、地図データから(ｘ１、ｙ１) と(ｘ２、ｙ２)の滞在場所属性がどちらも「飲食店」であったとすれば、行動特性から「飲食店」の特徴的な行動は「食事」となる。そのため、(ｘ１、ｙ１)についてのみ、「映像視聴」を「食事」に訂正し、訂正した行動ラベルを含む学習データを生成する。このとき生成される学習データは、図７のようになる。

以上、説明したように、本実施形態によれば、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、行動識別精度を向上させ、信頼度の高いラベル付データ（学習データ）を生成する。そのため、初期段階でユーザの行動に対する識別器の認識精度が低い場合であっても、識別器の行動認識精度を向上させることが可能となる。

＜第２の実施形態＞
図８から図１３を用いて、本実施形態に係る学習データ生成システムについて説明する。本実施形態では、第１の実施形態において設けられていた行動特性記憶部、地図データ記憶部のデータを用いることなく、信頼度の高いラベル付きデータ（学習データ）を生成するものである。

第１の実施形態では、滞在場所属性ごとに人の行動特性を把握する必要があり、また、地図情報の整備という点でも実施者に対する負荷が高い。そのため、本実施形態では、人の行動特性と地図情報を用いない方式を提案する。本実施形態では、ユーザ自身だけでなく他ユーザの識別器の認識結果に基づいて、滞在地点の特徴的な行動を特定することにより、誤りラベルの訂正を行う。一般に、ｓｅｌｆ−ｔｒａｉｎｉｎｇをユーザの行動認識に適用すると、識別器の認識精度が低いユーザが存在する一方で、認識精度が高いユーザも存在する。そこで、認識精度の高いユーザの行動に対する認識結果に従えば、滞在地点の特徴的な行動を特定できる。つまり、ある滞在地点で、ユーザの最高頻度で発生した行動認識結果を多数決で集約し、多数派に属する行動認識結果を特徴的な行動と特定する。そして、少数派に属する行動認識結果のラベルを特徴的な行動のラベルで訂正する。ここで、多数派への得票率が設定した閾値以上である場合にのみ正しくラベルを訂正できる可能性が高いと見なし、誤ったラベルを訂正することが可能となる。

＜学習データ生成システムの構成＞
図８に示すように、本実施形態に係る学習データ生成システムは、携帯端末１００〜３００とサーバ５００とから構成され、携帯端末１００（携帯端末２００、３００も同様の構成を備える）は、行動認識モデル更新部１０１と、行動認識部１０２と、モーションセンサ１０３の構成要素であり、携帯端末１００の加速度をセンシングする加速度センサ１０３Ａと携帯端末１００の傾きをセンシングする傾きセンサ１０３Ｂと、音声情報を取得するマイク１０４と、アプリケーション動作監視部１０５と、ＧＰＳ受信部１０６と、ＧＰＳ測位部１０７と、行動データ生成部１０８とから構成されている。サーバ５００は、行動データ記憶部５０１と、学習データ記憶部５０５と、行動認識モデル生成部５０６と、学習データ生成部５１０とから構成されている。なお、第１の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。

学習データ生成部５１０は、行動データ記憶部５０１に保存される各ユーザの滞在地点に紐付いた行動データを取得し、この行動データを滞在地点ごとに分類する。次に、滞在地点ごとに、最も多くのユーザに対して、最高の頻度で認識された行動ラベル（多数派の行動ラベル）を求める。そして、少数派の行動ラベルを多数派の行動ラベルで訂正して、生成した行動ラベルとそれに対応する特徴量を学習データとして、学習データ記憶部５０５に保存する。

＜学習データ生成システムの処理＞
図９から図１３を用いて、本実施形態に係る学習データ生成システムの処理について説明する。

図９に示すように、学習データ生成部５１０は、まず、行動データ記憶部５０１から行動データを取得する（ステップＳ２０１）。

学習データ生成部５１０は、図５、図１０から図１３で示された行動データを滞在地点ごとに分ける（ステップＳ２０２）。学習データ生成部５１０は、滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める（ステップＳ２０３）。

学習データ生成部５１０は、滞在地点ごとに、最も高い頻度で認識された行動としてユーザに最も支持された多数派の行動を投票率とともに求める（ステップＳ２０４）。学習データ生成部５１０は、滞在地点ごとに、投票率が事前に設定した閾値を超えていれば、少数派の行動ラベルを多数派の行動ラベルで訂正する（ステップＳ２０５）。

学習データ生成部５１０は、各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出したラベル付きデータ（学習データ）を生成し（ステップＳ２０６）、生成したラベル付きデータ（学習データ）を学習データ記憶部５０５に保存する（ステップＳ２０７）。

以下では、ユーザＩＤ＝ｉの滞在地点(ｘ_ｊ、ｙ_ｊ)における行動データをｄｉ_{(ｘｊ、ｙｊ)}とし、滞在地点(ｘ_ｊ、ｙ_ｊ) での行動データ全体は、Ｄ_{(ｘｊ、ｙｊ)}＝{ｄ１_{(ｘｊ、ｙｊ)}、・・・、ｄｎ_{(ｘｊ、ｙｊ)} }で表すものとし(ｎ：ユーザ数，ユーザＩＤ＝ｉでの滞在地点(ｘ_ｊ、ｙ_ｊ)における行動データが存在しない場合、ｄｉ_{(ｘｊ、ｙｊ)}＝０)、具体的に、学習データ生成部５１０の処理について説明する。

学習データ生成部５１０は、取得した行動データを滞在地点ごとに分けることにより、Ｄ＝{Ｄ_{（ｘ１、ｙ１）}、・・・、Ｄ_{（ｘｍ、ｙｍ）}}(ｍ＊；滞在地点数)を得る。次に、滞在地点ごとに、最も多くのユーザに対して最高頻度で認識された行動のラベルを求める。ここで、行動データｄｉ_{(ｘｊ、ｙｊ)}から最高頻度で発生した行動ラベルを求める関数をｆ(ｄｉ_{(ｘｊ、ｙｊ)})とし、行動ラベルをl（エル）としたときｇ（ｌ、ｄｉ_{(ｘｊ、ｙｊ)})を以下のように定義する。

ｇ（ｌ、ｄｉ_{(ｘｊ、ｙｊ)}) ＝Ｉｆｌとｆ(ｄｉ_{(ｘｊ、ｙｊ)})が一致するｔｈｅｎｌｏｔｈｅｒｗｉｓｅ０
このとき、滞在地点(ｘ_ｊ、ｙ_ｊ) での多数派の行動ラベルは、以下の得票数の計算式（数１）を最大にする行動ラベルｌ‘である。

また、得票率は以下の数２で表される。

そして、得票結果に従って、少数派の行動ラベルを多数派の行動ラベルで訂正する。すなわち、ｆ(ｄｉ_{(ｘｊ、ｙｊ)})≠ｌ‘であるｄｉ_{(ｘｊ、ｙｊ)}に対して、ｆ(ｄｉ_{(ｘｊ、ｙｊ)})で表される行動ラベルをｌ‘で訂正する。

また、訂正した行動ラベルのみを含む行動データからラベル付データとして必要なユーザＩＤ、行動ラベル、および特徴量のみ抽出したラベル付データｄ‘ｉ_{(ｘｊ、ｙｊ)}を生成する (なお、ｆ(ｄｉ_{(ｘｊ、ｙｊ)})＝ｌ‘’であれば、ｄ‘ｉ_{(ｘｊ、ｙｊ)}≠０である)。

滞在地点ごとに得票とラベル訂正を繰り返すことにより、最終的に各ユーザに対するラベル付データＤ‘ｉ＝{ｄ‘ｉ_{(ｘｊ、ｙｊ)}、・・・、ｄ‘ｉ_{(ｘｍ、ｙｍ)} } (ユーザＩＤ＝ｉの場合)を得て、このラベル付データ（学習データ）を学習データ記憶部５０５に保存する。このとき、滞在地点での多数派への得票率に応じて多数派の行動ラベルの信頼度に優劣を与えることができる。そのため、得票率が事前に設定した閾値を超えた場合にのみ、ラベル付データとして採用することにより、更に、信頼度の高いラベル付データを得ることができる。

＜実施例＞
以下、図５、図１０から図１３を用いて、本実施形態に係る実施例について説明する。
図５、図１０から図１３から、
Ｄ_{（ｘ１、ｙ１）}＝{ｄ１_{(ｘ１、ｙ１)}、ｄ２_{(ｘ１、ｙ１)}、ｄ３_{(ｘ１、ｙ１)}、ｄ４_{(ｘ１、ｙ１)}、ｄ５_{(ｘ１、ｙ１)} }、ｆ(ｄ１_{(ｘ１、ｙ１)})＝映像視聴、ｆ(ｄ２_{(ｘ１、ｙ１)})＝食事、ｆ(ｄ３_{(ｘ１、ｙ１)})＝食事、ｆ(ｄ４_{(ｘ１、ｙ１)})＝食事、ｆ(ｄ５_{(ｘ１、ｙ１)})＝食事、
Ｄ_{（ｘ２、ｙ２）}＝{ｄ１_{(ｘ２、ｙ２)}、ｄ２_{(ｘ２、ｙ２)}、ｄ３_{(ｘ２、ｙ２)}、ｄ４_{(ｘ２、ｙ２)}} (ここで、ｄ５_{(ｘ２、ｙ２)}≠０)、ｆ(ｄ１_{(ｘｊ、ｙｊ)})＝食事、ｆ(ｄ２_{(ｘｊ、ｙｊ)})＝映像視聴、ｆ(ｄ３_{(ｘｊ、ｙｊ)})＝読書、ｆ(ｄ４_{(ｘｊ、ｙｊ)})＝読書である。

このとき，滞在地点(ｘ_１、ｙ_１) では、行動ラベル「食事」のとき、得票数は、数３で最大となり、得票率は数４になる。

そのため、滞在地点(ｘ_１、ｙ_１) での多数派の行動ラベルは「食事」である。同様に、滞在地点(ｘ_２、ｙ_２)では、行動ラベル「読書」のとき、得票数が数５で最大となり、得票率は、数６となる。

そのため、滞在地点(ｘ_２、ｙ_２) での多数派の行動ラベルは「読書」である。そこで、滞在地点(ｘ_１、ｙ_１)で、少数派のユーザＩＤ＝１の行動ラベル「映像視聴」を多数派の行動ラベル「食事」で訂正し、訂正した行動ラベルを含む学習データを生成する。また、滞在地点(ｘ_２、ｙ_２)で、少数派のユーザＩＤ＝１の行動ラベル「食事」とユーザＩＤ＝２の行動ラベル「映像視聴」を多数派の行動ラベル「読書」で訂正し、ユーザごとに訂正した行動ラベルを含む学習データを生成する。

このとき、例えば、得票率に対して閾値０．８を与えれば、滞在地点(ｘ_１、ｙ_１)においては、多数派の行動ラベルに従ってラベルの訂正を行うが、滞在地点(ｘ_２、ｙ_２) では、ラベルを訂正しないようにすることができる。これにより、更に信頼度の高いラベル付データのみを得ることができる。

以上、説明したように、本実施形態によれば、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正することにより、信頼度の高いラベル付データ（学習データ）を生成する。そのため、初期段階でユーザの行動に対する識別器の認識精度が低い場合であっても、識別器の行動認識精度を向上させることが可能となる。

なお、学習データ生成システムを構成する携帯端末、サーバの処理をコンピュータシステムが読み取り可能な記録媒体に記録し、この記録媒体に記録されたプログラムを学習データ生成システムを構成する携帯端末、サーバに読み込ませ、実行することによって本発明の学習データ生成システムを実現することができる。ここでいうコンピュータシステムとは、ＯＳや周辺装置等のハードウェアを含む。

また、「コンピュータシステム」は、ＷＷＷ（ＷｏｒｌｄＷｉｄｅＷｅｂ）システムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、第１の実施形態、第２の実施形態においては、滞在場所属性を精度高く選択するために、十分な期間の行動データを用いる方が望ましい。仮に、１週間の行動データを用いるとすれば、直近１週間の行動データから学習データを生成し続けることで、反復的に行動モデルを改善することができる。

また、本実施形態では、携帯端末とサーバとで機能分割するシステムについて説明したが、携帯端末に行動データ記憶部５０１と、行動特性データ記憶部５０２と、地図データ記憶部５０３と、学習データ生成部５０４と、学習データ記憶部５０５と、行動認識モデル生成部５０６、学習データ生成部５１０を設け、他のユーザからの行動データを受信し、すべてのユーザの行動データを行動データ記憶部５０１に格納することにより、各ユーザの携帯端末単体で、学習データの生成を行なうようにしてもよい。

１００；携帯端末
１０１；行動認識モデル更新部
１０２；行動認識部
１０３；モーションセンサ
１０３Ａ；加速度センサ
１０３Ｂ；傾きセンサ
１０４；マイク
１０５；アプリケーション動作監視部
１０６；ＧＰＳ受信部
１０７；ＧＰＳ測位部
１０８；行動データ生成部
２００；携帯端末
３００；携帯端末
５００；サーバ
５０１；行動データ記憶部
５０２；行動特性データ記憶部
５０３；地図データ記憶部
５０４；学習データ生成部
５０５；学習データ記憶部
５０６；行動認識モデル生成部
５１０；学習データ生成部

Claims

各ユーザの携帯端末とサーバとからなる学習データ生成システムであって、
前記各ユーザの携帯端末が、
前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、
前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、
前記ユーザの位置情報を検知する位置情報検知手段と、
前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、
を備え、
前記サーバが、
前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、
滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、
地図情報を格納する地図データ記憶手段と、
前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、
該生成した学習データを格納する学習データ記憶手段と、
該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、
を備えたことを特徴とする学習データ生成システム。
前記学習データ生成手段は、前記位置情報から算出した滞在地点と前記地図データとから滞在場所属性を特定し、該滞在場所属性と前記行動特性から滞在地点での特徴的な行動を求めることを特徴とする請求項１に記載の学習データ生成システム。
前記行動データが、少なくとも、ユーザＩＤ、日時、行動ラベル、位置情報、特徴量で構成され、前記学習データ生成手段は、前記特徴的な行動と前記行動認識手段による認識結果とを比較し、一致していない場合には、該認識結果に対応する前記行動ラベルを前記特徴的な行動を示す行動ラベルで訂正して、学習データを生成することを特徴とする請求項２に記載の学習データ生成システム。
各ユーザの携帯端末とサーバとからなる学習データ生成システムであって、
前記各ユーザの携帯端末が、
前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、
前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、
前記ユーザの位置情報を検知する位置情報検知手段と、
前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、
を備え、
前記サーバが、
前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、
前記行動データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、
該生成した学習データを格納する学習データ記憶手段と、
該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、
を備えたことを特徴とする学習データ生成システム。
前記行動データが、少なくとも、ユーザＩＤ、日時、行動ラベル、位置情報、特徴量で構成され、前記学習データ生成手段は、同一滞在地点における全ユーザから最高頻度で認識された前記行動ラベルを多数決で決定し、最も得票数を得た多数派の前記行動ラベルを滞在地点における特徴的な行動と見なすことを特徴とする請求項４に記載の学習データシステム。
前記学習データ生成手段は、数１から多数決の前記得票数を計算することを特徴とする請求項５に記載の学習データ生成システム。
前記学習データ生成手段は、同一滞在地点において前記多数決で少数派であった行動ラベルを多数派の前記行動ラベルで訂正し、学習データを生成することを特徴とする請求項６に記載の学習データ生成システム。
前記学習データ生成手段は、多数決の得票率が事前に設定した閾値以上である場合にのみ、少数派の前記行動ラベルを訂正することにより、学習データを生成することを特徴とする請求項７に記載の学習データ生成システム。
前記学習データ生成手段は、数２から多数決の前記得票率を計算することを特徴とする請求項８に記載の学習データ生成システム。
各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法であって、
前記学習データ生成手段が、
前記行動データ、行動特性、地図データを取得する第１のステップと、
取得した前記行動データを滞在地点ごとに分類する第２のステップと、
取得した地図データから前記滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動を求める第３のステップと、
前記滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第４のステップと、
前記各ユーザに対して滞在地点ごとに前記特徴的な行動と前記最も高い頻度で認識された行動とを比較して、一致しない場合に、前記最も高い頻度で認識された行動のラベルを前記特徴的な行動のラベルで訂正する第５のステップと、
前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、
を備えたことを特徴とする学習データ生成方法。
各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法であって、
前記学習データ生成手段が、
前記行動データ記憶手段から行動データを取得する第１のステップと、
前記取得した行動データを滞在地点ごとに分類する第２のステップと、
前記滞在地点ごとに前記各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第３のステップと、
前記滞在地点ごとに、最も高い頻度で認識された行動としてユーザに最も支持された多数派の行動を投票率とともに求める第４のステップと、
前記滞在地点ごとに、前記投票率が事前に設定した閾値を超えていれば、少数派の行動ラベルを多数派の行動ラベルで訂正する第５のステップと、
前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、
を備えたことを特徴とする学習データ生成方法。
各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法をコンピュータに実行させるためのプログラムであって、
前記学習データ生成手段が、
前記行動データ、行動特性、地図データを取得する第１のステップと、
取得した前記行動データを滞在地点ごとに分類する第２のステップと、
取得した地図データから前記滞在場所ごとに滞在場所属性を特定し、取得した行動特性から特徴的な行動を求める第３のステップと、
前記滞在地点ごとに各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第４のステップと、
前記各ユーザに対して滞在地点ごとに前記特徴的な行動と前記最も高い頻度で認識された行動とを比較して、一致しない場合に、前記最も高い頻度で認識された行動のラベルを前記特徴的な行動のラベルで訂正する第５のステップと、
前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、
をコンピュータに実行させるためのプログラム。
各ユーザの携帯端末とサーバとからなり、前記各ユーザの携帯端末が、前記サーバから入力した行動認識モデルと、モーションデータあるいは音データのいずれかとに基づいて前記ユーザの行動を認識する行動認識手段と、前記ユーザが携帯端末を操作しているかどうかを判定する操作判定手段と、前記ユーザの位置情報を検知する位置情報検知手段と、前記行動認識手段により認識された行動認識データ、前記携帯端末の操作状況、前記位置情報に基づいて、前記ユーザの行動データを生成する行動データ生成手段と、を備え、前記サーバが、前記行動データ生成手段が生成した前記各ユーザの行動データを格納する行動データ記憶手段と、滞在場所ごとの特徴的な行動である行動特性を格納する行動特性記憶手段と、地図情報を格納する地図データ記憶手段と、前記行動データ、行動特性、地図データに基づいて、前記ユーザの行動を認識するための学習データを生成する学習データ生成手段と、該生成した学習データを格納する学習データ記憶手段と、該格納された学習データに基づいて行動認識モデルを生成する行動認識モデル生成手段と、を備えた学習データ生成システムにおける学習データ生成方法をコンピュータに実行させるためのプログラムであって、
前記学習データ生成手段が、
前記行動データ記憶手段から行動データを取得する第１のステップと、
前記取得した行動データを滞在地点ごとに分類する第２のステップと、
前記滞在地点ごとに前記各ユーザに対して、最も高い頻度で認識された行動を取得した行動データから求める第３のステップと、
前記滞在地点ごとに、最も高い頻度で認識された行動としてユーザに最も支持された多数派の行動を投票率とともに求める第４のステップと、
前記滞在地点ごとに、前記投票率が事前に設定した閾値を超えていれば、少数派の行動ラベルを多数派の行動ラベルで訂正する第５のステップと、
前記各ユーザに対して訂正したラベルを含む行動データからユーザＩＤ、行動ラベルおよび特徴量を抽出した学習データを生成する第６のステップと、
をコンピュータに実行させるためのプログラム。