JP2017083273A - Route prediction apparatus, route prediction method, and route prediction program - Google Patents
Route prediction apparatus, route prediction method, and route prediction program Download PDFInfo
- Publication number
- JP2017083273A JP2017083273A JP2015211313A JP2015211313A JP2017083273A JP 2017083273 A JP2017083273 A JP 2017083273A JP 2015211313 A JP2015211313 A JP 2015211313A JP 2015211313 A JP2015211313 A JP 2015211313A JP 2017083273 A JP2017083273 A JP 2017083273A
- Authority
- JP
- Japan
- Prior art keywords
- positioning data
- grid
- series
- destination
- positioning
- 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
Abstract
Description
本発明は、移動経路予測装置、移動経路予測方法、及び移動経路予測プログラムに係り、特に、観測された位置情報の系列である測位データから、未来における移動経路の確率分布を予測することを実現するための移動経路予測装置、移動経路予測方法、及び移動経路予測プログラムに関する。 The present invention relates to a movement route prediction apparatus, a movement route prediction method, and a movement route prediction program, and in particular, to realize prediction of a probability distribution of a movement route in the future from positioning data that is a series of observed position information. The present invention relates to a movement route prediction device, a movement route prediction method, and a movement route prediction program.
ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）、Ｗｉ−Ｆｉチップ等の測位機能が搭載された携帯電話、スマートフォン等の携帯端末の普及によって、ユーザの位置を測位した測位データを容易に取得できるようになった。そこで、過去から現在までの測位データを用いて、ユーザの目的地を予測することができれば、予測結果に応じた情報推薦、生活支援等の幅広いサービスに応用可能である。 With the widespread use of mobile terminals such as GPS (Global Positioning System) and Wi-Fi chips and mobile terminals such as smartphones, it has become possible to easily acquire positioning data obtained by measuring the position of the user. Therefore, if the user's destination can be predicted using positioning data from the past to the present, it can be applied to a wide range of services such as information recommendation according to the prediction result and life support.
上記測位データを用いてユーザの目的地を予測する従来の方法として、系列マイニングを用いた方法が知られている。この系列マイニングを用いた方法では、例えば、まずユーザが携帯する携帯端末によるＧＰＳの測位データから、マイニング処理によってユーザの滞在地域を抽出する。さらに、複数の滞在地域間の遷移行動をマルコフモデルとして表現して遷移確率を計算することにより、ある場所に滞在しているユーザが次に滞在するであろう滞在地域である目的地を予測するものである（例えば、非特許文献１や非特許文献２を参照。） A method using sequence mining is known as a conventional method for predicting a user's destination using the positioning data. In this method using series mining, for example, a user's stay area is first extracted by mining processing from GPS positioning data from a portable terminal carried by the user. Furthermore, by predicting the transition behavior between multiple stay areas as a Markov model and calculating the transition probability, a destination that is a stay area where a user staying at a certain place will stay next is predicted. (For example, see Non-Patent Document 1 and Non-Patent Document 2)
ところが、上記従来の方法では、ユーザの過去から現在までの測位データを用いて目的地を予測することはできるが、目的地までの移動経路を予測することはできなかった。 However, with the above conventional method, the destination can be predicted using the positioning data from the past to the present of the user, but the travel route to the destination cannot be predicted.
本発明は、以上のような事情に鑑みてなされたものであり、ユーザの目的地までの移動経路を精度良く予測することができる移動経路予測装置、移動経路予測方法、及び移動経路予測プログラムを提供することを目的とする。 The present invention has been made in view of the circumstances as described above, and provides a movement route prediction apparatus, a movement route prediction method, and a movement route prediction program capable of accurately predicting a movement route to a user's destination. The purpose is to provide.
上記目的を達成するために、本発明の移動経路予測装置は、緯度及び経度の組である測位データの系列の履歴が記憶される測位データ系列履歴データベースから取得した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間すると共に、入力した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間する測位データ系列補間部と、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から、緯度経度空間を分割して得られる分割領域であるグリッドを示すグリッドＩＤの系列を抽出すると共に、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から前記グリッドＩＤの系列を抽出するグリッドＩＤ抽出部と、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、次の移動先のグリッドを予測するためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルを学習し、学習した前記ＲＮＮモデルのパラメータを移動先予測モデルパラメータデータベースに記憶させる移動先予測モデル学習部と、前記移動先予測モデルパラメータデータベースから前記ＲＮＮモデルのパラメータを取得して前記ＲＮＮモデルを構築し、目的地候補、及び、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するグリッド訪問回数計算部と、前記グリッド訪問回数計算部により計算された各タイムステップにおける各々のグリッドの訪問回数、及び入力時間に基づき、前記入力時間における移動先を表す移動経路の確率分布を計算する移動経路確率分布計算部と、を備える。 In order to achieve the above-mentioned object, the movement route prediction apparatus of the present invention applies to the positioning data series acquired from the positioning data series history database in which the history of the positioning data series that is a set of latitude and longitude is stored. A positioning data series interpolation unit for interpolating the positioning data so as to be a predetermined positioning time interval and interpolating the positioning data so as to be a predetermined positioning time interval with respect to the input positioning data series; A series of grid IDs indicating grids that are divided areas obtained by dividing a latitude / longitude space from a series of positioning data obtained by interpolating positioning data with respect to the series of positioning data acquired from the positioning data series history database. And extracting the grid ID from the positioning data series obtained by interpolating the positioning data with respect to the input positioning data series. A grid ID extracting unit for extracting a series, and a next movement from the grid ID series extracted from a series of positioning data obtained by interpolating positioning data with respect to the series of positioning data acquired from the positioning data series history database A destination prediction model learning unit that learns a recurrent neural network (RNN) model for predicting a previous grid and stores the learned parameters of the RNN model in a destination prediction model parameter database; and the destination prediction model parameter The grid extracted from a series of positioning data obtained by acquiring parameters of the RNN model from a database, constructing the RNN model, and interpolating positioning data with respect to a destination candidate and the input positioning data series From the ID series, the RN A grid visit count calculation unit that calculates the number of visits of each grid at each time step by sampling simulation using a model, and the number of visits of each grid at each time step calculated by the grid visit count calculation unit, and A movement path probability distribution calculating unit that calculates a probability distribution of a movement path that represents a movement destination at the input time based on the input time.
なお、前記グリッド訪問回数計算部は、前記測位データ系列履歴データベースから取得した各々の前記測位データの系列の最終点の緯度及び経度を前記目的地候補として、前記入力した測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するようにしても良い。 In addition, the grid visit number calculation unit may use the latitude and longitude of the final point of each of the positioning data series acquired from the positioning data series history database as the destination candidate for the input positioning data series. The number of visits of each grid at each time step may be calculated from the grid ID series extracted from the series of positioning data obtained by interpolating the positioning data by sampling simulation using the RNN model.
また、前記グリッド訪問回数計算部は、前記測位データ系列履歴データベースから取得した各々の前記測位データの系列の最終点をクラスタリングした緯度及び経度の集合を前記目的地候補として、前記入力した測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するようにしても良い。 In addition, the grid visit number calculation unit may use a set of latitudes and longitudes obtained by clustering the final points of each of the positioning data series acquired from the positioning data series history database as the destination candidates, and The number of visits of each grid at each time step is calculated from the grid ID series extracted from the series of positioning data obtained by interpolating the positioning data with respect to the series by sampling simulation using the RNN model. Also good.
また、前記グリッドＩＤ抽出部は、緯度経度空間を一定間隔で分割して得られる矩形領域を前記グリッドとして、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から、前記グリッドＩＤの系列を抽出すると共に、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から、前記グリッドＩＤの系列を抽出するようにしても良い。 In addition, the grid ID extraction unit interpolates the positioning data with respect to the positioning data series acquired from the positioning data series history database using the rectangular area obtained by dividing the latitude / longitude space at regular intervals as the grid. The grid ID series is extracted from the positioning data series, and the grid ID series is extracted from the positioning data series obtained by interpolating the positioning data with respect to the input positioning data series. good.
上記目的を達成するために、本発明の移動経路予測方法は、測位データ系列補間部、グリッドＩＤ抽出部、移動先予測モデル学習部、グリッド訪問回数計算部、及び移動経路確率分布計算部を備えた移動経路予測装置における移動経路予測方法であって、測位データ系列補間部が、緯度及び経度の組である測位データの系列の履歴が記憶される測位データ系列履歴データベースから取得した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間すると共に、入力した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間するステップと、前記グリッドＩＤ抽出部が、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から、緯度経度空間を分割して得られる分割領域であるグリッドを示すグリッドＩＤの系列を抽出すると共に、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から前記グリッドＩＤの系列を抽出するステップと、前記移動先予測モデル学習部が、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、次の移動先のグリッドを予測するためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルを学習し、学習した前記ＲＮＮモデルのパラメータを移動先予測モデルパラメータデータベースに記憶させるステップと、前記グリッド訪問回数計算部が、前記移動先予測モデルパラメータデータベースから前記ＲＮＮモデルのパラメータを取得して前記ＲＮＮモデルを構築し、目的地候補、及び、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するステップと、前記移動経路確率分布計算部が、前記グリッド訪問回数計算部により計算された各タイムステップにおける各々のグリッドの訪問回数、及び入力時間に基づき、前記入力時間における移動先を表す移動経路の確率分布を計算するステップと、を有する。 In order to achieve the above object, a movement route prediction method of the present invention includes a positioning data series interpolation unit, a grid ID extraction unit, a movement destination prediction model learning unit, a grid visit frequency calculation unit, and a movement route probability distribution calculation unit. In the movement route prediction method in the movement route prediction apparatus, the positioning data sequence interpolation unit is configured to store the positioning data acquired from the positioning data sequence history database in which the history of the positioning data sequence that is a set of latitude and longitude is stored. Interpolating the positioning data so as to be a predetermined positioning time interval with respect to the series, and interpolating the positioning data so as to be a predetermined positioning time interval with respect to the input series of positioning data; and The grid ID extraction unit interpolates the positioning data with respect to the positioning data series acquired from the positioning data series history database. From the position data series, a grid ID series indicating a grid which is a divided area obtained by dividing the latitude / longitude space is extracted, and positioning data obtained by interpolating positioning data with respect to the input positioning data series Extracting the grid ID series from the series, and extracting the destination prediction model learning unit from the positioning data series obtained by interpolating the positioning data with respect to the positioning data series acquired from the positioning data series history database Learning a recurrent neural network (RNN) model for predicting the next destination grid from the grid ID series, and storing the learned RNN model parameters in the destination prediction model parameter database; The grid visit frequency calculation unit The parameters of the RNN model are acquired from the pre-predicted model parameter database, the RNN model is constructed, and extracted from the destination candidate and the positioning data series obtained by interpolating the positioning data with respect to the input positioning data series A step of calculating the number of visits of each grid at each time step by sampling simulation using the RNN model from the grid ID series, and the movement path probability distribution calculation unit includes the grid visit number calculation unit And calculating the probability distribution of the travel route representing the travel destination at the input time based on the number of visits of each grid at each time step calculated by the above and the input time.
上記目的を達成するために、本発明の移動経路予測プログラムは、コンピュータを、請求項１〜４の何れか１項記載の移動経路予測装置の各部として機能させるためのプログラムである。 In order to achieve the above object, a moving route prediction program of the present invention is a program for causing a computer to function as each part of a moving route prediction device according to any one of claims 1 to 4.
本発明によれば、ユーザの目的地までの移動経路を精度良く予測することが可能となる。 According to the present invention, it is possible to accurately predict a movement route to a user's destination.
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、本実施形態では、ユーザがＧＰＳ、Ｗｉ−Ｆｉチップ等が搭載された携帯端末を携帯して目的地に向かう場合について説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. In the present embodiment, a case will be described in which a user travels to a destination with a portable terminal equipped with a GPS, a Wi-Fi chip, or the like.
また、本実施形態では、測位データの系列の履歴に対して、ユーザの次の移動先を予測するＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデル（下記の非特許文献３及び非特許文献４を参照）を学習し、ＲＮＮモデルを用いたサンプリングシミュレーションによって目的地候補への移動をシミュレーションする過程で、各タイムステップにおける各々の経路への訪問回数を算出することで、任意の時刻におけるユーザの移動経路を確率分布として予測する。この際、逐次的に与えられるユーザの位置の測位データの系列から、任意の入力時間が経過した後のユーザの移動経路を確率分布として出力することにより、ユーザの目的地までの移動経路を予測することができる。 Further, in the present embodiment, an RNN (recurrent neutral network) model (see Non-Patent Document 3 and Non-Patent Document 4 below) that predicts the next destination of the user is learned from the history of the positioning data series. In the process of simulating movement to the destination candidate by sampling simulation using the RNN model, the number of visits to each route at each time step is calculated, and the user's movement route at an arbitrary time is distributed with probability. To predict. At this time, the user's travel route to the user's destination is predicted by outputting the user's travel route after an arbitrary input time as a probability distribution from a series of positioning data of the user's position given sequentially. can do.
［非特許文献３］Sepp Hochreiter and Jurgen Schmidhuber, "Long short-term memory", Neural Computation 9 (8): pp.1735-1780 (1997). [Non-Patent Document 3] Sepp Hochreiter and Jurgen Schmidhuber, "Long short-term memory", Neural Computation 9 (8): pp.1735-1780 (1997).
［非特許文献４］Felix A. Gers, Nicol N. Schraudolph, and Jurgen Schmidhuber, "Learning precise timing with LSTM recurrent networks", Journal of Machine Learning Research, vol. 3, pp.115-143 (2002). [Non-Patent Document 4] Felix A. Gers, Nicol N. Schraudolph, and Jurgen Schmidhuber, "Learning precise timing with LSTM recurrent networks", Journal of Machine Learning Research, vol. 3, pp. 115-143 (2002).
図１に示すように、本実施形態に係る移動経路予測装置１０は、測位データ系列履歴データベース１２、測位データ系列補間部１３、グリッドＩＤ抽出部１４、移動先予測モデル学習部１６、移動先予測モデルパラメータデータベース１８、目的地候補データベース２０、グリッド訪問回数計算部２２、及び、移動経路確率分布計算部２４を備える。 As shown in FIG. 1, the movement route prediction apparatus 10 according to the present embodiment includes a positioning data sequence history database 12, a positioning data sequence interpolation unit 13, a grid ID extraction unit 14, a movement destination prediction model learning unit 16, and a movement destination prediction. A model parameter database 18, a destination candidate database 20, a grid visit frequency calculation unit 22, and a movement route probability distribution calculation unit 24 are provided.
測位データ系列履歴データベース１２は、一例として図２に示すように、ユーザが上記携帯端末を携帯して移動した際に、当該携帯端末により測位された緯度及び経度の組である測位データの識別ＩＤが整数値で表された測位番号、測位データの一部として測位された緯度、測位データの一部として測位された経度、及び、測位された時刻がそれぞれ対応付けられた測位データ系列履歴情報が記憶される。測位データ系列履歴情報において、ユーザの一連の移動において複数の異なる時刻に各々測位された複数の測位データにより、測位データの系列が構成される。 As an example, the positioning data series history database 12 includes an identification ID of positioning data that is a set of latitude and longitude measured by the mobile terminal when the user moves with the mobile terminal as shown in FIG. Positioning data series history information in which the positioning number represented by an integer value, the latitude measured as part of the positioning data, the longitude measured as part of the positioning data, and the positioning time are associated with each other. Remembered. In the positioning data series history information, a series of positioning data is constituted by a plurality of positioning data each positioned at a plurality of different times in a series of movements of the user.
測位データ系列補間部１３は、測位データ系列履歴データベース１２に記憶されている測位データの系列における測位時間の間隔を揃えるために、当該測位データの系列に対して、予め定めた測位時間間隔Ｔとなるように測位データを補間する。また、測位データ系列補間部１３は、入力した測位データの系列における測位時間の間隔を揃えるために、当該測位データの系列に対して、予め定めた測位時間間隔Ｔとなるように測位データを補間する。補間方法としては、例えば、線形補間等を利用することができ、測位時間間隔としては、例えば、Ｔ＝３秒である。 The positioning data series interpolation unit 13 sets a predetermined positioning time interval T for the positioning data series in order to align the positioning time intervals in the positioning data series stored in the positioning data series history database 12. Interpolate the positioning data so that In addition, the positioning data series interpolation unit 13 interpolates the positioning data so that a predetermined positioning time interval T is obtained for the positioning data series in order to align the positioning time intervals in the input positioning data series. To do. As the interpolation method, for example, linear interpolation or the like can be used, and the positioning time interval is, for example, T = 3 seconds.
グリッドＩＤ抽出部１４は、緯度経度空間を複数に分割し、分割した分割領域である各々のグリッドに整数値の識別ＩＤであるグリッドＩＤを割り当てる。また、グリッドＩＤ抽出部１４は、測位データ系列履歴データベース１２に記憶されている測位データの系列に対して測位データを補間した測位データの系列に基づいて、各々の測位データの緯度及び経度の組に対してグリッドＩＤを対応付けることにより、グリッドＩＤの系列を抽出する。また、グリッドＩＤ抽出部１４は、入力した測位データの系列に対して測位データを補間した測位データの系列に基づいて、各々の測位データの緯度及び経度の組に対してグリッドＩＤを対応付けることにより、グリッドＩＤの系列を抽出する。 The grid ID extraction unit 14 divides the latitude / longitude space into a plurality of areas, and assigns a grid ID, which is an integer ID, to each grid that is the divided area. In addition, the grid ID extracting unit 14 sets the latitude and longitude of each positioning data based on the positioning data series obtained by interpolating the positioning data with respect to the positioning data series stored in the positioning data series history database 12. A grid ID series is extracted by associating a grid ID with each other. Further, the grid ID extraction unit 14 associates a grid ID with a set of latitude and longitude of each positioning data based on the positioning data series obtained by interpolating the positioning data with respect to the input positioning data series. The grid ID series is extracted.
移動先予測モデル学習部１６は、グリッドＩＤ抽出部１４により、測位データ系列履歴データベース１２に記憶されている測位データの系列に対して測位データを補間した測位データの系列から抽出されたグリッドＩＤの系列から、次の移動先のグリッドを予測するためのＲＮＮモデルを学習する。また、移動先予測モデル学習部１６は、学習したＲＮＮモデルのパラメータを、移動先予測モデルパラメータデータベース１８に記憶させる。なお、ＲＮＮモデル、及びＲＮＮモデルの学習方法については、後述する。 The destination prediction model learning unit 16 has the grid ID extracted from the positioning data series obtained by interpolating the positioning data with respect to the positioning data series stored in the positioning data series history database 12 by the grid ID extraction unit 14. An RNN model for predicting the next destination grid is learned from the sequence. The destination prediction model learning unit 16 stores the learned parameters of the RNN model in the destination prediction model parameter database 18. The RNN model and the learning method for the RNN model will be described later.
移動先予測モデルパラメータデータベース１８は、一例として図３に示すように、ＲＮＮモデルのパラメータのパラメータ名、及び、ＲＮＮモデルのパラメータのパラメータ値がそれぞれ対応付けられた移動先予測モデルパラメータ情報が記憶される。 The destination prediction model parameter database 18 stores, as an example, as shown in FIG. 3, destination prediction model parameter information in which parameter names of parameters of the RNN model and parameter values of parameters of the RNN model are associated with each other. The
目的地候補データベース２０は、一例として図４に示すように、目的地候補の識別ＩＤが整数値で表された目的地候補番号、目的地候補の緯度、及び、目的地候補の経度がそれぞれ対応付けられた目的地候補情報が記憶される。 As shown in FIG. 4 as an example, the destination candidate database 20 corresponds to the destination candidate number in which the destination candidate identification ID is represented by an integer value, the latitude of the destination candidate, and the longitude of the destination candidate. The attached destination candidate information is stored.
本実施形態では、測位データの複数の系列から、各々の測位データの系列の最終点の緯度及び経度の組をそれぞれ目的地候補として抽出し、抽出した緯度及び経度の組を目的地候補の緯度及び経度とすることにより、目的地候補情報を構築する。 In this embodiment, a set of latitude and longitude of the final point of each series of positioning data is extracted as a destination candidate from a plurality of series of positioning data, and the set of extracted latitude and longitude is the latitude of the destination candidate. And the destination candidate information is constructed by using the longitude and the longitude.
しかしながら、目的地候補情報を構築する方法はこれに限らず、測位データの各々の系列の最終点をＫ−ｍｅａｎｓクラスタリング、Ｍｅａｎ−ｓｈｉｆｔクラスタリング等に
よりクラスタリングし、クラスタリングされた部分集合を目的地候補としても良い。この場合には、部分集合に含まれる最終点の緯度及び経度の平均値、中央値等をそれぞれ目的地候補の緯度及び経度とすることにより、目的地候補情報を構築すると良い。
However, the method of constructing the destination candidate information is not limited to this, and the final point of each series of positioning data is clustered by K-means clustering, Mean-shift clustering, etc., and the clustered subset is used as the destination candidate. Also good. In this case, the destination candidate information may be constructed by setting the average and median values of the latitude and longitude of the final point included in the subset as the latitude and longitude of the destination candidate, respectively.
グリッド訪問回数計算部２２は、目的地の予測を行う際の予測対象の測位データ、すなわちユーザの現在の位置までの移動経路の少なくとも一部を示す測位データとして入力された入力情報に基づき、学習されたＲＮＮモデルのパラメータを用いて構築されたＲＮＮモデルと、目的地候補情報に含まれる目的地候補とを用いたサンプリングシミュレーションを行い、各タイムステップ及び各々のグリッドについて、ユーザが次の目的地候補まで移動する間に経由する訪問回数を計算する。 The grid visit frequency calculation unit 22 learns based on the input data input as the positioning data to be predicted when the destination is predicted, that is, the positioning data indicating at least a part of the travel route to the current position of the user. The sampling simulation using the RNN model constructed using the parameters of the RNN model and the destination candidates included in the destination candidate information is performed, and the user selects the next destination for each time step and each grid. Calculate the number of visits that pass through while moving to a candidate.
なお、上述した入力情報は、ユーザの移動経路の予測を行う際に予測対象とする測位データの系列であり、一例として図５に示すように、緯度及び経度の組が測位された測位データの識別ＩＤが整数値で表された測位番号、測位データの一部である緯度、測位データの一部である経度、及び、測位された時刻がそれぞれ対応付けられた情報である。そして、グリッド訪問回数計算部２２は、グリッドＩＤ抽出部１４により、入力情報に含まれる測位データの系列に対して測位データを補間した測位データの系列から抽出されたグリッドＩＤの系列に基づき、上述したように、ＲＮＮモデルのパラメータを用いることにより構築されたＲＮＮモデルと、目的地候補情報とを用いて、各々のグリッドの訪問回数を計算する。 The input information described above is a series of positioning data to be predicted when the user's movement route is predicted. As an example, as shown in FIG. The positioning ID is an information in which a positioning number represented by an integer value, a latitude that is a part of positioning data, a longitude that is a part of positioning data, and a positioning time are associated with each other. The grid visit number calculation unit 22 is based on the grid ID series extracted from the series of positioning data obtained by interpolating the positioning data with respect to the series of positioning data included in the input information by the grid ID extraction unit 14. As described above, the number of visits of each grid is calculated using the RNN model constructed by using the parameters of the RNN model and the destination candidate information.
移動経路確率分布計算部２４は、入力時間と、測位データの系列に対して測位データを補間する時間間隔である測位時間間隔Ｔから、タイムステップを算出する。また、移動経路確率分布計算部２４は、グリッド訪問回数計算部２２により計算された各タイムステップにおける各々のグリッドの訪問回数に基づいて、算出したタイムステップにおける移動経路の確率分布を算出する。 The movement path probability distribution calculation unit 24 calculates a time step from the input time and a positioning time interval T that is a time interval for interpolating the positioning data with respect to the positioning data series. Further, the movement route probability distribution calculation unit 24 calculates the probability distribution of the movement route at the calculated time step based on the number of visits of each grid at each time step calculated by the grid visit number calculation unit 22.
このようにして、一例として図６（Ａ）に示すような緯度経度空間３０上の測位データの系列が入力され、当該測位データの系列に対応するグリッドＩＤの系列３２が抽出されたとする。この場合、一例として図６（Ｂ）に示すように、例えば３０秒後における各々のグリッドの確率分布が計算される。また、同様に、一例として図６（Ｃ）に示すように、例えば６０秒後における各々のグリッドの確率分布も計算される。なお、図６（Ｂ）及び図６（Ｃ）では、各々のグリッドに描画されたドットの密度が濃い程、ユーザの移動経路である確率が高いことを表す。 In this way, as an example, it is assumed that a series of positioning data in the latitude / longitude space 30 as shown in FIG. 6A is input, and a grid ID series 32 corresponding to the positioning data series is extracted. In this case, as shown in FIG. 6B as an example, the probability distribution of each grid after 30 seconds, for example, is calculated. Similarly, as shown in FIG. 6C as an example, the probability distribution of each grid after 60 seconds, for example, is also calculated. In FIG. 6B and FIG. 6C, the higher the density of dots drawn on each grid, the higher the probability that the user is on the moving path.
なお、本実施形態に係る移動経路予測装置１０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、各種プログラムを記憶するＲＯＭ（Read Only Memory）を備えたコンピュータ装置で構成される。また、移動経路予測装置１０を構成するコンピュータは、ハードディスクドライブ、不揮発性メモリ等の記憶部を備えていても良い。本実施形態では、ＣＰＵがＲＯＭ、ハードディスク等の記憶部に記憶されているプログラムを読み出して実行することにより、上記のハードウェア資源とプログラムとが協働し、上述した機能が実現される。 The travel route prediction device 10 according to the present embodiment is configured by a computer device including, for example, a CPU (Central Processing Unit), a RAM (Random Access Memory), and a ROM (Read Only Memory) that stores various programs. . Moreover, the computer which comprises the movement path | route prediction apparatus 10 may be provided with memory | storage parts, such as a hard disk drive and a non-volatile memory. In the present embodiment, the CPU reads and executes a program stored in a storage unit such as a ROM or a hard disk, whereby the hardware resources and the program cooperate to realize the above-described function.
また、本実施形態では、測位データ系列履歴データベース１２、移動先予測モデルパラメータデータベース１８、及び、目的地候補データベース２０は、移動経路予測装置１０の内部に設けられているが、これに限らず、移動経路予測装置１０の外部に設けられていても構わない。 In the present embodiment, the positioning data series history database 12, the destination prediction model parameter database 18, and the destination candidate database 20 are provided inside the movement route prediction device 10, but not limited thereto. It may be provided outside the movement route prediction apparatus 10.
以上のような機能を備えた移動経路予測装置１０によって実行される処理は、ＲＮＮモデルのパラメータを記憶するための学習フェーズと、入力した入力情報に基づいてユーザの移動先を予測するための予測フェーズと、に分けられる。 The process executed by the movement route prediction apparatus 10 having the above-described functions includes a learning phase for storing parameters of the RNN model and a prediction for predicting a user's destination based on input input information. And divided into phases.
まず、本実施形態に係る移動経路予測装置１０による学習フェーズにおける処理の流れの概要を、図７に示すフローチャートを用いて説明する。 First, the outline of the flow of processing in the learning phase by the movement route prediction apparatus 10 according to the present embodiment will be described with reference to the flowchart shown in FIG.
ステップＳ１０１では、測位データ系列補間部１３が、測位データ系列履歴データベース１２に記憶されている測位データの系列の測位時間の間隔を揃えるために、当該測位データの系列に対して、測位時間間隔Ｔとなるように測位データを補間する。 In step S101, the positioning data sequence interpolation unit 13 performs a positioning time interval T on the positioning data sequence in order to align the positioning time intervals of the positioning data sequence stored in the positioning data sequence history database 12. Interpolate the positioning data so that
ステップＳ１０３では、グリッドＩＤ抽出部１４が、測位データ系列履歴データベース１２から測位データ系列履歴情報を取得し、取得した測位データ系列履歴情報に含まれる測位データの系列に基づいて、グリッドＩＤの系列を抽出するデータ入力時の抽出処理を行う。なお、データ入力時の抽出処理については、図１０に示すフローチャートを用いて後述する。 In step S103, the grid ID extraction unit 14 acquires the positioning data sequence history information from the positioning data sequence history database 12, and based on the positioning data sequence included in the acquired positioning data sequence history information, the grid ID sequence is obtained. Performs extraction processing when inputting data to be extracted. The extraction process at the time of data input will be described later with reference to the flowchart shown in FIG.
ステップＳ１０５では、移動先予測モデル学習部１６が、抽出されたグリッドＩＤの系列から、ＲＮＮモデルを学習する学習処理を行う。なお、学習処理については、図１０に示すフローチャートを用いて後述する。 In step S105, the destination prediction model learning unit 16 performs a learning process of learning the RNN model from the extracted grid ID series. The learning process will be described later with reference to the flowchart shown in FIG.
ステップＳ１０７では、移動先予測モデル学習部１６が、学習したＲＮ
Ｎモデルのパラメータを移動先予測モデルパラメータデータベース１８に記憶させる。
In step S107, the destination prediction model learning unit 16 has learned the RN.
The parameters of the N model are stored in the destination prediction model parameter database 18.
次に、本実施形態に係る移動経路予測装置１０による予測フェーズにおける処理の流れの概要を、図８に示すフローチャートを用いて説明する。 Next, an outline of the process flow in the prediction phase by the movement route prediction apparatus 10 according to the present embodiment will be described with reference to the flowchart shown in FIG.
ステップＳ２０１では、測位データ系列補間部１３が、入力情報を入力し、入力した入力情報に含まれる測位データの系列の測位時間の間隔を揃えるために、当該測位データの系列に対して、測位時間間隔Ｔとなるように測位データを補間する。 In step S201, the positioning data series interpolation unit 13 inputs input information and determines the positioning time for the positioning data series in order to align the positioning time intervals of the positioning data series included in the input information. The positioning data is interpolated so that the interval T is obtained.
ステップＳ２０３では、グリッドＩＤ抽出部１４が、測位データが補間された測位データの系列に基づいて、グリッドＩＤの系列を抽出するデータ入力時の抽出処理を行う。なお、データ入力時の抽出処理については、図１０に示すフローチャートを用いて後述する。 In step S203, the grid ID extraction unit 14 performs an extraction process at the time of data input for extracting a grid ID series based on a series of positioning data in which the positioning data is interpolated. The extraction process at the time of data input will be described later with reference to the flowchart shown in FIG.
ステップＳ２０５では、グリッド訪問回数計算部２２が、移動先予測モデルパラメータデータベース１８からＲＮＮモデルのパラメータを取得すると共に、目的地候補データベース２０から目的地候補情報を取得する。また、グリッド訪問回数計算部２２が、抽出されたグリッドＩＤの系列から、取得したＲＮＮモデルのパラメータを用いて構築されたＲＮＮモデルと、取得した目的地候補情報と、を用いたサンプリングシミュレーションを行ことにより、ユーザが次の目的地候補までに経由する各タイムステップにおける各々のグリッドの訪問回数を計算する計算処理を行う。なお、計算処理については、図１３に示すフローチャートを用いて後述する。 In step S <b> 205, the grid visit frequency calculation unit 22 acquires the RNN model parameters from the destination prediction model parameter database 18 and also acquires destination candidate information from the destination candidate database 20. In addition, the grid visit frequency calculation unit 22 performs a sampling simulation using the extracted RNN model and the acquired destination candidate information from the extracted grid ID series. Thus, a calculation process is performed in which the user calculates the number of visits to each grid at each time step that passes until the next destination candidate. The calculation process will be described later with reference to the flowchart shown in FIG.
ステップＳ２０７では、移動経路確率分布計算部２４が、各タイムステップにおける各々のグリッドの訪問回数から、入力時間に対応するタイムステップが経過した際の移動先のグリッドを表す移動経路の確率分布を計算し、出力する出力処理を行う。なお、出力処理については、図１４に示すフローチャートを用いて後述する。 In step S207, the movement path probability distribution calculation unit 24 calculates the probability distribution of the movement path representing the movement destination grid when the time step corresponding to the input time has elapsed from the number of visits of each grid in each time step. Then, output processing is performed. The output process will be described later with reference to the flowchart shown in FIG.
ここで、本実施形態におけるグリッドＩＤ抽出部１４の処理について詳細に説明する。なお、グリッドＩＤ抽出部１４は、移動経路の予測の開始時に行う初期の抽出処理と、測位データの系列を入力した際に行うデータ入力時の抽出処理と、を行う。 Here, the process of the grid ID extraction part 14 in this embodiment is demonstrated in detail. Note that the grid ID extraction unit 14 performs an initial extraction process that is performed at the start of the prediction of the movement route, and an extraction process that is performed when data is input when a series of positioning data is input.
まず、グリッドＩＤ抽出部１４の初期の抽出処理の流れを、図９に示すフローチャートを用いて説明する。なお、初期の抽出処理は、データ入力時の抽出処理に先立って行われる処理である。 First, the flow of the initial extraction process of the grid ID extraction unit 14 will be described with reference to the flowchart shown in FIG. The initial extraction process is a process performed prior to the extraction process at the time of data input.
ステップＳ３０１では、グリッドＩＤ抽出部１４が、緯度経度空間を一定間隔の格子状に分割することにより、各々矩形状の領域である複数のグリッドを作成する。 In step S <b> 301, the grid ID extraction unit 14 divides the latitude / longitude space into a lattice having a predetermined interval, thereby creating a plurality of grids, each of which is a rectangular region.
なお、緯度経度空間を分割する方法はこれに限らず、緯度及び経度の各々の組が何れかの分割領域に含まれるように分割されれば良く、例えば下記の参考文献５に開示された公知技術であるジオハッシュを用いて分割しても良い。また、本実施形態では、緯度経度空間を一定間隔の格子状に分割することにより各々形状が等しい複数のグリッドを作成するが、グリッドの形状はこれに限らず、サイズ又は形状が異なる複数のグリッドを作成しても良い。 Note that the method of dividing the latitude / longitude space is not limited to this, and it may be divided so that each set of latitude and longitude is included in one of the divided regions. You may divide | segment using the geo hash which is a technique. In the present embodiment, a plurality of grids having the same shape are created by dividing the latitude / longitude space into a lattice at regular intervals. However, the shape of the grid is not limited to this, and a plurality of grids having different sizes or shapes are used. May be created.
［非特許文献５］ Kisung Lee, Raghu K. Ganti, Mudhakar Srivatsa, Ling Liu, "Efficient spatial query processing for big data", In Proc. of SIGSPATIAL’14, pp.469-472 (2014). [Non-Patent Document 5] Kisung Lee, Raghu K. Ganti, Mudhakar Srivatsa, Ling Liu, "Efficient spatial query processing for big data", In Proc. Of SIGSPATIAL'14, pp.469-472 (2014).
ステップＳ３０３では、グリッドＩＤ抽出部１４が、分割で得られた各々のグリッドに、グリッドＩＤとして整数値を割り当てる。本実施形態では、グリッドＩＤ抽出部１４は、０から順に値を１ずつ増やしつつ各々のグリッドに整数値を割り当てることにより、複数のグリッドの各々でグリッドＩＤが重複することを回避する。 In step S303, the grid ID extraction unit 14 assigns an integer value as a grid ID to each grid obtained by the division. In this embodiment, the grid ID extraction part 14 avoids duplication of grid ID in each of a plurality of grids by assigning an integer value to each grid while increasing the value by 1 in order from 0.
次に、グリッドＩＤ抽出部１４のデータ入力時の抽出処理の流れを、図１０に示すフローチャートを用いて説明する。 Next, the flow of extraction processing when data is input by the grid ID extraction unit 14 will be described with reference to the flowchart shown in FIG.
ステップＳ４０１では、グリッドＩＤ抽出部１４が、入力された入力情報に含まれる測位データの系列の各々の測位データについて、対応するグリッドを決定する。 In step S401, the grid ID extraction unit 14 determines a corresponding grid for each positioning data in the positioning data series included in the input information.
ステップＳ４０３では、グリッドＩＤ抽出部１４が、対応するグリッドに割り当てられた整数値の系列をグリッドＩＤの系列としてグリッド訪問回数計算部２２に出力する。 In step S403, the grid ID extraction unit 14 outputs the series of integer values assigned to the corresponding grid to the grid visit count calculation unit 22 as a grid ID series.
次に、本実施形態における移動先予測モデル学習部１６が実行する学習処理について、図１１に示すフローチャートを用いて詳細に説明する。 Next, the learning process executed by the destination prediction model learning unit 16 in the present embodiment will be described in detail with reference to the flowchart shown in FIG.
以下、数式及び図面おいてはベクトルをボールド表示で表し、本文中においてはベクトルの記号に「＾」を付して表す。 Hereinafter, in mathematical formulas and drawings, a vector is represented in bold, and in the text, the vector symbol is represented by “^”.
ステップＳ５０１では、グリッドＩＤ抽出部１４が、測位データ系列履歴データベース１２から測位データ系列履歴情報を取得し、取得した測位データ系列履歴情報に含まれる測位データの系列に基づいて、上述した学習時の抽出処理により得られたグリッドＩＤの系列を抽出する。また、グリッドＩＤ抽出部１４が、全てのグリッド数の次元からなるｏｎｅ−ｈｏｔ表現の特徴ベクトルの系列を算出する。なお、ここでいうｏｎｅ−ｈｏｔ表現の特徴ベクトルは、対応するグリッドＩＤの要素が１となり、それ以外の要素が０となるバイナリベクトルである。 In step S501, the grid ID extraction unit 14 acquires the positioning data sequence history information from the positioning data sequence history database 12, and based on the positioning data sequence included in the acquired positioning data sequence history information, the above-described learning time. A series of grid IDs obtained by the extraction process is extracted. In addition, the grid ID extraction unit 14 calculates a series of feature vectors of one-hot expression including dimensions of all grid numbers. The feature vector of the one-hot expression here is a binary vector in which the element of the corresponding grid ID is 1 and the other elements are 0.
ステップＳ５０３では、移動先予測モデル学習部１６が、算出した特徴ベクトルの系列を教師データとして、任意の測位タイミングの特徴ベクトルに対して次の測位タイミングの特徴ベクトルを予測するＲＮＮモデルを学習する。なお、ＲＮＮの手法としては、上述した非特許文献３に開示された公知技術であるＬＳＴＭ（ｌｏｎｇ ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ）を備えたＲＮＮ、上述した非特許文献４に開示された公知技術である忘却ゲート付のＬＳＴＭを備えたＲＮＮ等、公知技術を利用することが可能である。 In step S503, the destination prediction model learning unit 16 learns an RNN model that predicts a feature vector at the next positioning timing with respect to a feature vector at an arbitrary positioning timing, using the calculated feature vector series as teacher data. In addition, as the technique of RNN, RNN provided with LSTM (long short term memory) which is a known technique disclosed in Non-Patent Document 3 described above, and a forgetting gate which is a known technique disclosed in Non-Patent Document 4 described above It is possible to use a known technique such as an RNN provided with an attached LSTM.
図１２に示すように、ＲＮＮモデルを用いた次の測位タイミングの特徴ベクトルの予測では、まず、パラメータに基づいて現在の測位タイミングにおけるｏｎｅ−ｈｏｔ表現の特徴ベクトルを求め（Ｓ３０）、求めた特徴ベクトルを低次元に埋め込む（Ｓ３２）。具体的には、パラメータの一つであるｗembed＾と、ｏｎｅ−ｈｏｔ表現の特徴ベクトルとの積を取ることで、別のベクトル空間に埋め込まれた特徴ベクトルを得る。 As shown in FIG. 12, in the prediction of the next positioning timing feature vector using the RNN model, first, the feature vector of the one-hot expression at the current positioning timing is obtained based on the parameters (S30), and the obtained feature is obtained. The vector is embedded in a low dimension (S32). Specifically, a feature vector embedded in another vector space is obtained by taking the product of one of the parameters w embed ^ and the feature vector of the one-hot expression.
次に、得られた特徴ベクトルと、前の測位タイミングにおけるＲＮＮモデルを用いて得られた潜在的な状態ベクトル（Ｓ３４）とを入力し、上述した非特許文献３に開示されたＬＳＴＭ等を用いて現在の測位タイミングにおける状態ベクトルを算出する（Ｓ３６）。 Next, the obtained feature vector and the potential state vector (S34) obtained using the RNN model at the previous positioning timing are input, and the LSTM disclosed in Non-Patent Document 3 described above is used. The state vector at the current positioning timing is calculated (S36).
最後に、算出した状態ベクトルから、ソフトマックス関数を用いて、次の測位タイミングにおける特徴ベクトル、すなわち各々のグリッドへの移動確率を予測する（Ｓ３８）。 Finally, the feature vector at the next positioning timing, that is, the probability of movement to each grid is predicted from the calculated state vector using a softmax function (S38).
なお、ＲＮＮの学習には、上述した非特許文献３に開示されているＴｒｕｎｃａｔｅｄ ＢＰＴＴ（Ｔｒｕｎｃａｔｅｄ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｔｈｒｏｕｇｈ ｔｉｍｅ）等の手法を利用することが可能である。 For the learning of the RNN, a technique such as Truncated BPTT (Truncated back propagation through time) disclosed in Non-Patent Document 3 described above can be used.
ステップＳ５０５では、移動先予測モデル学習部１６が、学習したＲＮＮモデルのパラメータを、移動先予測モデルパラメータデータベース１８に記憶させる。なお、図３に示した移動先予測モデルパラメータ情報は、上述したＬＳＴＭを備えたＲＮＮモデルのパラメータの一例である。すなわち、ｗembed＾は、ｏｎｅ−ｈｏｔ表現の入力特徴ベクトルを低次元の別のベクトル空間に埋め込むためのパラメータである。また、ｗin＾は、ＬＳＴＭのｉｎｐｕｔ ｇａｔｅにおけるパラメータであり、ｗout＾は、ｏｕｔｐｕｔ ｇａｔｅにおけるパラメータであり、ｗc＾は、ｍｅｍｏｒｙ ｃｅｌｌにおけるパラメータである。また、ｗsoftmax＾は、ソフトマックス関数を用いてＲＮＮの状態ベクトルから次の測位タイミングにおける特徴ベクトルを算出するためのパラメータである。 In step S505, the destination prediction model learning unit 16 stores the learned parameters of the RNN model in the destination prediction model parameter database 18. The destination prediction model parameter information shown in FIG. 3 is an example of the parameters of the RNN model provided with the above-described LSTM. That is, w embed ^ is a parameter for embedding the input feature vector of the one-hot expression in another low-dimensional vector space. In addition, w in is a parameter in the LSTM input gate, w out is a parameter in the output gate, and w c is a parameter in the memory cell. W softmax ^ is a parameter for calculating a feature vector at the next positioning timing from the state vector of the RNN using a softmax function.
次に、本実施形態におけるグリッド訪問回数計算部２２が実行する計算処理について、図１３に示すフローチャートを用いて詳細に説明する。グリッド訪問回数計算部２２は、ＲＮＮを用いたサンプリングシミュレーションによって、各々のタイムステップにおける移動経路となる各々のグリッドの訪問回数を算出する。 Next, calculation processing executed by the grid visit number calculation unit 22 in the present embodiment will be described in detail with reference to the flowchart shown in FIG. The grid visit number calculation unit 22 calculates the number of visits of each grid serving as a movement route in each time step by sampling simulation using the RNN.
ステップＳ６０１では、グリッド訪問回数計算部２２が、各々のタイムステップにおける各々のグリッドの訪問回数を表す、Ｍ×Ａのグリッド訪問回数行列Ｐの全要素を零ベクトルで初期化する。ここで、Ｍはサンプリングシミュレーションにおける最大サンプリング回数であり、例えば、Ｍ＝１００である。また、Ａは緯度経度空間におけるグリッドの総数である。 In step S601, the grid visit number calculation unit 22 initializes all elements of the M × A grid visit number matrix P representing the number of visits of each grid in each time step with a zero vector. Here, M is the maximum number of samplings in the sampling simulation, for example, M = 100. A is the total number of grids in the latitude / longitude space.
ステップＳ６０３では、グリッド訪問回数計算部２２が、初期の状態ベクトルｈ＾を零ベクトルで初期化する。 In step S603, the grid visit count calculation unit 22 initializes the initial state vector ＾ with a zero vector.
ステップＳ６０５では、グリッド訪問回数計算部２２が、移動先予測モデルパラメータデータベース１８からＲＮＮモデルのパラメータを取得し、取得したＲＮＮモデルのパラメータを用いてＲＮＮモデルを構築する。この際、グリッド訪問回数計算部２２は、上述した通り、現在の測位タイミングのグリッドＩＤから生成されたｏｎｅ−ｈｏｔ表現の特徴ベクトルと、直前の測位タイミングにおけるＲＮＮモデルから得られた状態ベクトルをＲＮＮモデルに入力することにより、次の測位タイミングにおける予測結果の特徴ベクトル及び状態ベクトルを出力する。 In step S605, the grid visit frequency calculation unit 22 acquires the parameters of the RNN model from the destination prediction model parameter database 18, and constructs the RNN model using the acquired parameters of the RNN model. At this time, as described above, the grid visit count calculation unit 22 uses the feature vector of the one-hot expression generated from the grid ID at the current positioning timing and the state vector obtained from the RNN model at the previous positioning timing as the RNN. By inputting into the model, the feature vector and state vector of the prediction result at the next positioning timing are output.
ここで、予測結果の特徴ベクトルは、各々のグリッドへの遷移確率とみなすことができる。以下、現在の測位タイミングのグリッドｇのグリッドＩＤから生成されたｏｎｅ−ｈｏｔ表現の特徴ベクトル、及び、直前の測位タイミングにおいてＲＮＮモデルから得られた状態ベクトルｈ＾とし、ＲＮＮモデルを用いて得られる関数ＲＮＮ（グリッドｇ，状態ベクトルｈ＾)と表記する。 Here, the feature vector of the prediction result can be regarded as a transition probability to each grid. Hereinafter, the feature vector of the one-hot expression generated from the grid ID of the grid g of the current positioning timing and the state vector h ^ obtained from the RNN model at the previous positioning timing are obtained using the RNN model. It is written as a function RNN (grid g, state vector h ^).
ステップＳ６０７では、グリッド訪問回数計算部２２が、シミュレーション試行回数である変数ｉが１からＮになるまでの間、ループ内の処理を繰り返すループＡを開始する。なお、例えば、Ｎ＝１０００である。 In step S607, the grid visit count calculation unit 22 starts loop A that repeats the processing in the loop until the variable i, which is the number of simulation trials, changes from 1 to N. For example, N = 1000.
ステップＳ６０９では、グリッド訪問回数計算部２２が、グリッドＩＤ抽出部１４により、入力情報に含まれる測位データの系列に対して上述した予測時の抽出処理を実行することによって得られたグリッドＩＤの系列をＧとすると、グリッドＩＤの系列Ｇにおける各々の要素のグリッドＩＤのグリッドｇのグリッド毎にループ内の処理を繰り返すループＢを開始する。 In step S609, the grid visit number calculation unit 22 uses the grid ID extraction unit 14 to perform the above-described extraction processing at the time of prediction on the series of positioning data included in the input information. Is set to G, a loop B is started in which the processing in the loop is repeated for each grid of the grid g of the grid ID of each element in the grid ID series G.
ステップＳ６１１では、グリッド訪問回数計算部２２が、下記（１）式に基づいて、ＲＮＮモデルを用いてグリッドｇ及び１ステップ前の状態ベクトルｈ＾から、各々のグリッドへの遷移確率ｐ＾を算出し、さらに状態ベクトルｈ＾を更新する。 In step S611, the grid visit frequency calculation unit 22 calculates the transition probability p ^ to each grid from the grid g and the state vector h ^ one step before using the RNN model based on the following equation (1). Further, the state vector h ^ is updated.
ステップＳ６１３では、グリッド訪問回数計算部２２が、グリッドＩＤの系列Ｇ内の全てのグリッドｇについてループ内の処理を実行したか否かを判定し、否定判定となった場合はループ内の処理を繰り返し、肯定判定となった場合はループＢを終了してステップＳ６１５に移行する。 In step S613, the grid visit frequency calculation unit 22 determines whether or not the processing in the loop has been executed for all the grids g in the grid ID series G. If the determination is negative, the processing in the loop is performed. If the determination is affirmative repeatedly, the loop B is terminated and the process proceeds to step S615.
ステップＳ６１５では、グリッド訪問回数計算部２２が、サンプリングの回数である変数ｋが１からＭになるまでの間、ループ内の処理を繰り返すループＣを開始する。なお、Ｍはサンプリングの上限回数であり、例えば、Ｍ＝１００である。 In step S615, the grid visit count calculation unit 22 starts a loop C that repeats the processing in the loop until the variable k, which is the number of samplings, changes from 1 to M. Note that M is the upper limit number of samplings, for example, M = 100.
ステップＳ６１７では、グリッド訪問回数計算部２２が、次のステップに移動した場合のグリッドとなるグリッドｇを、各々のグリッドへの遷移確率ｐ＾に従ってランダムサンプリングする。 In step S617, the grid visit number calculation unit 22 randomly samples the grid g that becomes a grid when moving to the next step according to the transition probability p ^ to each grid.
ステップＳ６１９では、グリッド訪問回数計算部２２が、グリッドｇに最も近い目的地候補ｄとの距離が閾値εより近いか否かを判定する。本実施形態では、例えば、１ステップでユーザが移動する距離の平均値を閾値εとし、例えば、ε＝１００ｍ（メートル）である。ステップＳ６１９で肯定判定となった場合はステップＳ６２５に移行し、否定判定となった場合はステップＳ６２１に移行する。 In step S619, the grid visit count calculation unit 22 determines whether the distance to the destination candidate d closest to the grid g is closer to the threshold ε. In the present embodiment, for example, an average value of distance traveled by the user in one step is set as a threshold value ε, for example, ε = 100 m (meters). If the determination in step S619 is affirmative, the process proceeds to step S625. If the determination is negative, the process proceeds to step S621.
ステップＳ６２１では、グリッド訪問回数計算部２２が、下記（２）式に基づいて、タイムステップｊにおいて訪問したグリッドｇに対応するグリッド訪問回数行列Ｐ＾のｊ行ｇ番目の要素Ｐj,gに１を加算する。 In step S621, the grid visit frequency calculation unit 22 sets the j-th row g-th element P j, g of the grid visit frequency matrix P ^ corresponding to the grid g visited in time step j based on the following equation (2). Add one.
ステップＳ６２３では、グリッド訪問回数計算部２２が、上記（１）式に基づいて、ＲＮＮモデルを用いて、グリッドｇ、及び１つ前の測位タイミングの状態ベクトルｈ＾から、各々のグリッドへの遷移確率ｐ＾を算出し、更に、状態ベクトルｈ＾を更新する。 In step S623, the grid visit frequency calculation unit 22 uses the RNN model based on the above equation (1) to transition from the grid g and the state vector h ^ at the previous positioning timing to each grid. The probability p ^ is calculated, and the state vector h ^ is updated.
ステップＳ６２５では、グリッド訪問回数計算部２２が、変数ｋがＭになったか否かを判定し、否定判定となった場合はループ内の処理を繰り返し、肯定判定となった場合はループＣを終了してステップＳ６２７に移行する。 In step S625, the grid visit number calculation unit 22 determines whether or not the variable k is M. If the determination is negative, the processing in the loop is repeated, and if the determination is affirmative, the loop C is terminated. Then, the process proceeds to step S627.
ステップＳ６２７では、グリッド訪問回数計算部２２が、変数ｉがＮになったか否かを判定し、否定判定となった場合はループＡ内の処理を繰り返し、肯定判定となった場合はループＡを終了する。 In step S627, the grid visit number calculation unit 22 determines whether or not the variable i is N. If the determination is negative, the processing in the loop A is repeated, and if the determination is affirmative, the loop A is performed. finish.
次に、本実施形態における移動経路確率分布計算部２４が実行する出力処理について、図１４に示すフローチャートを用いて詳細に説明する。 Next, output processing executed by the movement route probability distribution calculation unit 24 in the present embodiment will be described in detail with reference to the flowchart shown in FIG.
ステップＳ７０１では、移動経路確率分布計算部２４が、グリッド訪問回数計算部２２から、グリッド訪問回数行列Ｐ＾を取得する。 In step S <b> 701, the movement route probability distribution calculation unit 24 acquires a grid visit frequency matrix P ^ from the grid visit frequency calculation unit 22.
ステップＳ７０３では、移動経路確率分布計算部２４が、下記（３）式に基づいて、入力時間ｔと測位データの系列の測位データの測位時間間隔Ｔから、入力時間ｔに対応するタイムステップｊを算出する。 In step S703, the movement path probability distribution calculation unit 24 calculates a time step j corresponding to the input time t from the input time t and the positioning time interval T of the positioning data of the positioning data series based on the following equation (3). calculate.
ステップＳ７０５では、移動経路確率分布計算部２４が、下記（４）式に基づいて、タイムステップｊにおける移動経路確率分布ｒ＾を算出する。なお、Ｋはグリッドの総数を表す。またｒ＾の各々の要素は入力時間ｔ経過後にユーザがｒ＾の各々の要素に対応するグリッドに存在する確率を表す。 In step S705, the movement route probability distribution calculation unit 24 calculates a movement route probability distribution r ^ at time step j based on the following equation (4). K represents the total number of grids. Each element of r ^ represents the probability that the user exists in the grid corresponding to each element of r ^ after the input time t has elapsed.
ステップＳ７０７では、移動経路確率分布計算部２４が、算出した移動経路確率分布ｒ＾を、表示手段に表示したり記憶手段に記憶したりすることにより出力する。 In step S707, the movement route probability distribution calculation unit 24 outputs the calculated movement route probability distribution r ^ by displaying it on the display means or storing it in the storage means.
以上のように、本実施形態に係る移動経路予測装置１０は、測位データ系列履歴データベース１２から緯度と経度の組である測位データの系列の履歴を取得し、取得した測位データの系列の履歴に含まれる測位データの系列に測位データを一定の時間間隔で補間し、測位データが補間された測位データの系列に基づいてグリッドＩＤの系列を抽出する。また、移動経路予測装置１０は、グリッドＩＤの系列からＲＮＮモデルを学習し、学習したＲＮＮモデルのパラメータを移動先予測モデルパラメータデータベース１８に記憶させる。 As described above, the travel route prediction apparatus 10 according to the present embodiment acquires a history of a series of positioning data that is a set of latitude and longitude from the positioning data series history database 12, and stores the history of the series of positioning data acquired. The positioning data is interpolated into the included positioning data series at regular time intervals, and the grid ID series is extracted based on the positioning data series obtained by interpolating the positioning data. Further, the movement path prediction device 10 learns the RNN model from the grid ID series, and stores the learned RNN model parameters in the movement destination prediction model parameter database 18.
また、移動経路予測装置１０は、入力した測位データの系列を取得し、取得した測位データの系列に測位データを一定の時間間隔で補間し、補間された測位データの系列に基づいてグリッドＩＤの系列を抽出する。そして、移動経路予測装置１０は、移動先予測モデルパラメータデータベース１８からパラメータを取得してＲＮＮモデルを構築し、目的地候補データベース２０から目的地候補を取得し、抽出したグリッドＩＤの系列からＲＮＮモデルを用いたサンプリングシミュレーションによってグリッド訪問回数行列を算出し、算出したグリッド訪問回数行列と入力時間に基づいて移動経路の確率分布を算出し、算出した移動経路の確率分布を出力する。 Further, the movement path prediction device 10 acquires a series of input positioning data, interpolates the positioning data into the acquired positioning data series at a constant time interval, and sets the grid ID based on the interpolated positioning data series. Extract series. Then, the movement route prediction apparatus 10 acquires parameters from the destination prediction model parameter database 18 to construct an RNN model, acquires destination candidates from the destination candidate database 20, and extracts the RNN model from the extracted grid ID series. A grid visit frequency matrix is calculated by a sampling simulation using, a probability distribution of the movement route is calculated based on the calculated grid visit frequency matrix and the input time, and the calculated probability distribution of the movement route is output.
このように、ユーザの位置を測位した測位データの系列の履歴に対して、ユーザの移動先を予測するＲＮＮモデルを学習し、学習したＲＮＮモデルを用いたサンプリングシミュレーションによって、目的地候補への移動をシミュレーションする過程で、各々の時刻における各々の移動経路への訪問回数を算出することで、任意の時刻におけるユーザの移動経路を確率分布として予測することが可能となる。 In this way, an RNN model for predicting the user's destination is learned from the history of the series of positioning data obtained by measuring the user's position, and the movement to the destination candidate is performed by sampling simulation using the learned RNN model. By calculating the number of visits to each moving route at each time in the process of simulating the above, it is possible to predict the user's moving route at any time as a probability distribution.
なお、本実施形態では、図１に示す機能の構成要素の動作をプログラムとして構築し、移動経路予測装置１０として利用されるコンピュータにインストールして実行させるが、これに限らず、ネットワークを介して流通させても良い。 In the present embodiment, the operation of the components of the functions shown in FIG. 1 is constructed as a program, and is installed and executed on a computer used as the movement route prediction apparatus 10. However, the present invention is not limited to this. It may be distributed.
また、構築されたプログラムをハードディスクやフレキシブルディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体に格納し、コンピュータにインストールしたり、配布したりしても良い。 Further, the constructed program may be stored in a portable storage medium such as a hard disk, a flexible disk, or a CD-ROM, and installed in a computer or distributed.
１０ 移動経路予測装置
１２ 測位データ系列履歴データベース
１３ 即位データ系列補間部
１４ グリッドＩＤ抽出部
１６ 移動先予測モデル学習部
１８ 移動先予測モデルパラメータデータベース
２０ 目的地候補データベース
２２ グリッド訪問回数計算部
２４ 移動経路確率分布計算部
DESCRIPTION OF SYMBOLS 10 Movement route prediction apparatus 12 Positioning data series history database 13 Immediate data series interpolation part 14 Grid ID extraction part 16 Movement destination prediction model learning part 18 Movement destination prediction model parameter database 20 Destination candidate database 22 Grid visit frequency calculation part 24 Movement path Probability distribution calculator
Claims (6)
前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から、緯度経度空間を分割して得られる分割領域であるグリッドを示すグリッドＩＤの系列を抽出すると共に、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から前記グリッドＩＤの系列を抽出するグリッドＩＤ抽出部と、
前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、次の移動先のグリッドを予測するためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルを学習し、学習した前記ＲＮＮモデルのパラメータを移動先予測モデルパラメータデータベースに記憶させる移動先予測モデル学習部と、
前記移動先予測モデルパラメータデータベースから前記ＲＮＮモデルのパラメータを取得して前記ＲＮＮモデルを構築し、目的地候補、及び、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するグリッド訪問回数計算部と、
前記グリッド訪問回数計算部により計算された各タイムステップにおける各々のグリッドの訪問回数、及び入力時間に基づき、前記入力時間における移動先を表す移動経路の確率分布を計算する移動経路確率分布計算部と、
を備えた移動経路予測装置。 In addition to interpolating the positioning data so as to have a predetermined positioning time interval with respect to the positioning data series acquired from the positioning data series history database in which the history of the positioning data series that is a set of latitude and longitude is stored A positioning data series interpolation unit for interpolating the positioning data so as to have a predetermined positioning time interval with respect to the input positioning data series;
Extracts a grid ID series indicating a grid, which is a divided area obtained by dividing a latitude / longitude space, from a series of positioning data obtained by interpolating positioning data with respect to the positioning data series acquired from the positioning data series history database. And a grid ID extraction unit for extracting the grid ID series from the series of positioning data obtained by interpolating the positioning data with respect to the input positioning data series;
An RNN (RNN) for predicting the next destination grid from the grid ID series extracted from the positioning data series obtained by interpolating the positioning data with respect to the positioning data series acquired from the positioning data series history database. a recursive neural network) model, and a destination prediction model learning unit for storing the learned parameters of the RNN model in a destination prediction model parameter database;
A sequence of positioning data obtained by acquiring the parameters of the RNN model from the destination prediction model parameter database, constructing the RNN model, and interpolating positioning data with respect to the destination candidate and the input positioning data sequence A grid visit number calculation unit for calculating the number of visits of each grid at each time step by sampling simulation using the RNN model from the grid ID sequence extracted from
A travel route probability distribution calculation unit for calculating a probability distribution of a travel route representing a travel destination at the input time based on the number of visits of each grid at each time step calculated by the grid visit number calculation unit and the input time; ,
A travel route prediction apparatus comprising:
請求項１記載の移動経路予測装置。 The grid visit number calculation unit uses the latitude and longitude of the last point of each of the positioning data series acquired from the positioning data series history database as the destination candidate, and the positioning data for the input positioning data series The travel route prediction apparatus according to claim 1, wherein the number of visits of each grid at each time step is calculated from the grid ID series extracted from the series of positioning data interpolated by the sampling simulation using the RNN model. .
請求項２記載の移動経路予測装置。 The grid visit number calculation unit is a set of latitudes and longitudes obtained by clustering the final points of each of the positioning data series acquired from the positioning data series history database as the destination candidates, to the input positioning data series. The number of visits of each grid at each time step is calculated from the grid ID series extracted from the series of positioning data obtained by interpolating positioning data with sampling simulation using the RNN model. Travel path prediction device.
請求項１〜３の何れか１項記載の移動経路予測装置。 The grid ID extraction unit uses positioning data obtained by interpolating positioning data with respect to the positioning data series acquired from the positioning data series history database, using a rectangular area obtained by dividing a latitude / longitude space at regular intervals as the grid. The grid ID series is extracted from a series of positioning data obtained by interpolating positioning data with respect to the inputted series of positioning data. The movement path | route prediction apparatus in any one of Claims.
測位データ系列補間部が、緯度及び経度の組である測位データの系列の履歴が記憶される測位データ系列履歴データベースから取得した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間すると共に、入力した前記測位データの系列に対して、予め定めた測位時間間隔となるように測位データを補間するステップと、
前記グリッドＩＤ抽出部が、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から、緯度経度空間を分割して得られる分割領域であるグリッドを示すグリッドＩＤの系列を抽出すると共に、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から前記グリッドＩＤの系列を抽出するステップと、
前記移動先予測モデル学習部が、前記測位データ系列履歴データベースから取得した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、次の移動先のグリッドを予測するためのＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルを学習し、学習した前記ＲＮＮモデルのパラメータを移動先予測モデルパラメータデータベースに記憶させるステップと、
前記グリッド訪問回数計算部が、前記移動先予測モデルパラメータデータベースから前記ＲＮＮモデルのパラメータを取得して前記ＲＮＮモデルを構築し、目的地候補、及び、前記入力した前記測位データの系列に対して測位データを補間した測位データの系列から抽出された前記グリッドＩＤの系列から、前記ＲＮＮモデルを用いたサンプリングシミュレーションによって、各タイムステップにおける各々のグリッドの訪問回数を計算するステップと、
前記移動経路確率分布計算部が、前記グリッド訪問回数計算部により計算された各タイムステップにおける各々のグリッドの訪問回数、及び入力時間に基づき、前記入力時間における移動先を表す移動経路の確率分布を計算するステップと、
を有する移動経路予測方法。 A movement route prediction method in a movement route prediction apparatus comprising a positioning data series interpolation unit, a grid ID extraction unit, a movement destination prediction model learning unit, a grid visit number calculation unit, and a movement route probability distribution calculation unit,
The positioning data series interpolation unit has a predetermined positioning time interval for the positioning data series acquired from the positioning data series history database in which the history of the positioning data series that is a set of latitude and longitude is stored. Interpolating the positioning data, and interpolating the positioning data so as to have a predetermined positioning time interval for the input series of positioning data;
A grid which is a divided region obtained by dividing the latitude / longitude space from a series of positioning data obtained by interpolating positioning data with respect to the series of positioning data acquired from the positioning data series history database by the grid ID extraction unit. Extracting a grid ID series, and extracting the grid ID series from a positioning data series obtained by interpolating positioning data with respect to the input positioning data series;
From the grid ID series extracted from the positioning data series obtained by interpolating the positioning data with respect to the positioning data series acquired from the positioning data series history database by the destination prediction model learning unit, the next destination Learning a recurrent neural network (RNN) model for predicting the grid of the first and storing parameters of the learned RNN model in a destination prediction model parameter database;
The grid visit frequency calculation unit acquires the parameters of the RNN model from the destination prediction model parameter database, constructs the RNN model, and performs positioning for the destination candidate and the input sequence of positioning data. Calculating the number of visits of each grid at each time step by sampling simulation using the RNN model from the grid ID series extracted from the series of positioning data interpolated with data;
Based on the number of visits of each grid in each time step calculated by the grid visit number calculation unit and the input time, the movement route probability distribution calculation unit calculates a probability distribution of the movement route representing the destination at the input time. A calculating step;
A method for predicting a movement route.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015211313A JP6521835B2 (en) | 2015-10-27 | 2015-10-27 | Movement path prediction device, movement path prediction method, and movement path prediction program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015211313A JP6521835B2 (en) | 2015-10-27 | 2015-10-27 | Movement path prediction device, movement path prediction method, and movement path prediction program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017083273A true JP2017083273A (en) | 2017-05-18 |
| JP6521835B2 JP6521835B2 (en) | 2019-05-29 |
Family
ID=58711777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015211313A Active JP6521835B2 (en) | 2015-10-27 | 2015-10-27 | Movement path prediction device, movement path prediction method, and movement path prediction program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6521835B2 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633196A (en) * | 2017-06-14 | 2018-01-26 | 电子科技大学 | A kind of eyeball moving projection scheme based on convolutional neural networks |
| CN108389385A (en) * | 2018-04-03 | 2018-08-10 | 北京万集科技股份有限公司 | A kind of hold-up interception method and device of overrun vehicle |
| KR101951595B1 (en) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | Vehicle trajectory prediction system and method based on modular recurrent neural network architecture |
| KR20190042540A (en) * | 2019-04-18 | 2019-04-24 | 고려대학교 산학협력단 | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks |
| CN111006653A (en) * | 2019-12-20 | 2020-04-14 | 中国科学院计算技术研究所 | Intelligent route planning method and equipment |
| JP2020519989A (en) * | 2017-07-28 | 2020-07-02 | ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド | Target identification method, device, storage medium and electronic device |
| KR20210126961A (en) * | 2020-04-13 | 2021-10-21 | 한국과학기술원 | Electronic device for prediction using recursive structure and operating method thereof |
| JP2021174496A (en) * | 2020-04-24 | 2021-11-01 | 中国人民解放軍国防科技大学 | Trajectory prediction method and system |
| US11448494B2 (en) | 2017-08-11 | 2022-09-20 | Korea University Research And Business Foundation | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009521665A (en) * | 2005-09-29 | 2009-06-04 | マイクロソフト コーポレーション | A method for predicting a destination from a partial trajectory using open world modeling and closed world modeling methods |
| JP2012008771A (en) * | 2010-06-24 | 2012-01-12 | Sony Corp | Information processing device, information processing system, information processing method and program |
-
2015
- 2015-10-27 JP JP2015211313A patent/JP6521835B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009521665A (en) * | 2005-09-29 | 2009-06-04 | マイクロソフト コーポレーション | A method for predicting a destination from a partial trajectory using open world modeling and closed world modeling methods |
| JP2012008771A (en) * | 2010-06-24 | 2012-01-12 | Sony Corp | Information processing device, information processing system, information processing method and program |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633196A (en) * | 2017-06-14 | 2018-01-26 | 电子科技大学 | A kind of eyeball moving projection scheme based on convolutional neural networks |
| US11200682B2 (en) | 2017-07-28 | 2021-12-14 | Beijing Sensetime Technology Development Co., Ltd. | Target recognition method and apparatus, storage medium, and electronic device |
| JP2020519989A (en) * | 2017-07-28 | 2020-07-02 | ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド | Target identification method, device, storage medium and electronic device |
| US11448494B2 (en) | 2017-08-11 | 2022-09-20 | Korea University Research And Business Foundation | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks |
| CN108389385A (en) * | 2018-04-03 | 2018-08-10 | 北京万集科技股份有限公司 | A kind of hold-up interception method and device of overrun vehicle |
| KR101951595B1 (en) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | Vehicle trajectory prediction system and method based on modular recurrent neural network architecture |
| KR102243917B1 (en) * | 2019-04-18 | 2021-04-23 | 고려대학교 산학협력단 | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks |
| KR20190042540A (en) * | 2019-04-18 | 2019-04-24 | 고려대학교 산학협력단 | Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks |
| CN111006653B (en) * | 2019-12-20 | 2021-06-18 | 中国科学院计算技术研究所 | Intelligent route planning method and equipment |
| CN111006653A (en) * | 2019-12-20 | 2020-04-14 | 中国科学院计算技术研究所 | Intelligent route planning method and equipment |
| KR20210126961A (en) * | 2020-04-13 | 2021-10-21 | 한국과학기술원 | Electronic device for prediction using recursive structure and operating method thereof |
| KR102541685B1 (en) | 2020-04-13 | 2023-06-09 | 한국과학기술원 | Electronic device for prediction using recursive structure and operating method thereof |
| JP2021174496A (en) * | 2020-04-24 | 2021-11-01 | 中国人民解放軍国防科技大学 | Trajectory prediction method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6521835B2 (en) | 2019-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6521835B2 (en) | Movement path prediction device, movement path prediction method, and movement path prediction program | |
| Lim et al. | Personalized trip recommendation for tourists based on user interests, points of interest visit durations and visit recency | |
| Yang et al. | Fast map matching, an algorithm integrating hidden Markov model with precomputation | |
| KR102178295B1 (en) | Decision model construction method and device, computer device and storage medium | |
| JP6543215B2 (en) | Destination prediction apparatus, destination prediction method, and destination prediction program | |
| Grover et al. | A deep hybrid model for weather forecasting | |
| JP6761789B2 (en) | People flow forecasters, systems and programs | |
| US9123259B2 (en) | Discovering functional groups of an area | |
| Li et al. | Predicting future locations of moving objects with deep fuzzy-LSTM networks | |
| CN102298608A (en) | Information processing apparatus, information processing method and program | |
| BRPI0616736A2 (en) | methods for predicting destinations from partial trajectories using open world and closed world modeling methods | |
| JP6433877B2 (en) | Destination prediction apparatus, destination prediction method, and destination prediction program | |
| US20230030127A1 (en) | People flow prediction device, people flow prediction method, and people flow prediction program | |
| CN103368787A (en) | Information processing device, information processing method, and program | |
| CN107239846B (en) | Parking lot berth prediction processing method and device | |
| Ameli et al. | Cross‐comparison of convergence algorithms to solve trip‐based dynamic traffic assignment problems | |
| CN110858062B (en) | Target optimization parameter obtaining method and model training method and device | |
| Li et al. | A regionalization method for clustering and partitioning based on trajectories from NLP perspective | |
| Yu et al. | Multi-hop mobility prediction | |
| Ahmed et al. | Prediction of traveller information and route choice based on real-time estimated traffic state | |
| AU2021105525A4 (en) | Mobile user trajectory prediction system with extreme machine learning algorithm | |
| Amirat et al. | Nextroute: a lossless model for accurate mobility prediction | |
| Balzano et al. | WiFiNS: a smart method to improve positioning systems combining WiFi and INS techniques | |
| WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
| JP6807822B2 (en) | Human flow predictors, methods, and programs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180918 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180919 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181116 |
|
| 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: 20190416 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190423 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6521835 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |