JP2017151852A - 人物移動予測システム - Google Patents

人物移動予測システム Download PDF

Info

Publication number
JP2017151852A
JP2017151852A JP2016035360A JP2016035360A JP2017151852A JP 2017151852 A JP2017151852 A JP 2017151852A JP 2016035360 A JP2016035360 A JP 2016035360A JP 2016035360 A JP2016035360 A JP 2016035360A JP 2017151852 A JP2017151852 A JP 2017151852A
Authority
JP
Japan
Prior art keywords
point
visit
interest
person
movement prediction
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
Application number
JP2016035360A
Other languages
English (en)
Other versions
JP6676408B2 (ja
Inventor
亮一 新熊
Ryoichi Arakuma
亮一 新熊
荘司　洋三
Yozo Shoji
洋三 荘司
和泰 山口
Kazuyasu Yamaguchi
和泰 山口
寛子 松浦
Hiroko Matsuura
寛子 松浦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KOBE DIGITAL LABO Inc
National Institute of Information and Communications Technology
Kyoto University NUC
Original Assignee
KOBE DIGITAL LABO Inc
National Institute of Information and Communications Technology
Kyoto University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KOBE DIGITAL LABO Inc, National Institute of Information and Communications Technology, Kyoto University NUC filed Critical KOBE DIGITAL LABO Inc
Priority to JP2016035360A priority Critical patent/JP6676408B2/ja
Publication of JP2017151852A publication Critical patent/JP2017151852A/ja
Application granted granted Critical
Publication of JP6676408B2 publication Critical patent/JP6676408B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】本発明は、人物が移動する地点を精度良く予測することができる人物移動予測システムを提供することを目的とする。【解決手段】アプリケーション利用者行動に関するログ情報に基づいて、アプリケーション利用者が訪問した訪問地点を判定するとともに、該訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の少なくとも一つの時間的要素を判定する。訪問地点に関する時間的要素に基づいて、アプリケーション利用者の訪問地点に対する関心を数値的に評価した関心モデルを形成する。アプリケーション利用者の現在地に関する情報と、地点に関する情報とに基づいて、アプリケーション利用者が移動可能な評価対象地点を抽出する。関心モデルにおける訪問地点に対する関心の評価値に基づいて、評価対象地点に対する関心を数値的に評価する。該評価対象地点の中から前記人物が移動する移動予測地点を予測する。【選択図】図２

Description

本発明は、人物の行動に関するログ情報に基づいて、人物が移動する地点を予測する人物移動予測システムに関するものである。
近年、個人ごとに人物の将来の移動を予測する技術の研究および応用が注目されている。従来は、主に群ごとに人物の将来の移動の予測が検討されており（例えば、非特許文献１参照）、個人ごとに人物の将来の移動を予測することは困難と考えられていた。
ところが、Ａｎｄｒｏｉｄ（登録商標）やｉＯＳ（登録商標）といったモバイルコンピューティングプラットホームが普及したことにより、ＧＰＳ（Global Positioning System）によって計測される個人ごとの移動履歴や無線アクセスポイントへの接続履歴といった予測に必要な人物の行動に関するログ情報が取得できるようになったことで、個人ごとに人物が次に移動する地点を予測することが可能になり始めている（例えば、非特許文献２、３参照）。
このように個人ごとに人物が次に移動する地点を予測する技術が確立されれば、通信制御、マーケティング、安心安全、地域見守りといった様々なアプリケーションに適用することが可能になる。
例えば、通信制御では、モバイル通信の利用者が次に移動する地点を予測することで予め通信帯域を確保することができる。従来は、群としての移動に対しマクロなトラヒック予測を行っていたが、それに比べ、よく使用するアプリケーションの所要品質といった個々の利用者の特性も考慮した制御が可能になる。
また、マーケティングでは、広告やクーポンを消費者に対し予測的に配信できる。従来は、ある広告やクーポンを配信する際、それが有効な消費者に認知されるようにできるだけ多くの消費者に配信していたが、配信側のコストが大きい一方、消費者は多くのコンテンツを一斉に受信するため、広告やクーポンが実際の行動に結びつく率は高くなかった。
また、安心安全では、犯罪や事故、災害発生時に、その地点やその近隣に移動すると予測される人々に対して、その地点を避けるよう注意喚起を発信することができる。従来は、そういった注意喚起を市町村単位の広い範囲で配信していたが、配信側のコストが大きい一方、地域住人は注意喚起を日常的に受信するため、注意喚起が地域住人による実際の行動に結び付く率は高くなかった。
また、地域見守りでは、子供やお年寄りの行方が分からなくなった際に、本人の移動を予測するとともにその近隣に移動すると予測される地域住人に対し捜索の協力を依頼することができる。従来は、こういった依頼を地域の広い範囲に配信していたが、行方不明となった子共やお年寄りのプライバシーが晒される一方で、地域住民による実際の行動に結び付く率は高くなかった。
Lovas, et al., "Modeling and simulation of pedestrian traffic flow," Transportation Research Part B: Methodological, 28.6, pp.429-443, 1994. Chon, et al., "Evaluating mobility models for temporal prediction with high-granularity mobility data," IEEE PerCom2012, 2012. Noulas, et al., "Mining user mobility features for neＸt place prediction in location-based services," IEEE ICDM), 2012.
しかしながら、従来の技術は確率的なモデルを用いていたため、人物が次に移動する地点を必ずしも精度良く予測できるものではなく、ましてや未訪問の地点を予測することができなかった。
本発明は、上述の技術的背景に鑑みてなされたものであり、人物の行動に関するログ情報に基づいて、人物の関心を数値的に評価した関心モデルを形成し、その関心モデルに基づいて人物が移動する地点を精度良く予測することができる人物移動予測システムを提供することを目的とする。
本発明は、上記目的を達成するために、人物の行動に関するログ情報に基づいて、人物が移動する地点を予測する人物移動予測システムである。予測対象となる人物の行動に関するログ情報を取得する行動ログ取得部と、前記行動ログ取得部により取得された前記人物の行動に関するログ情報を記憶する行動ログデータベースと、地点に関する情報を記憶する地点データベースと、前記地点データベースに記憶されている地点を対象として、前記行動ログデータベースに記憶されている前記人物の行動に関するログ情報に基づいて、前記人物が訪問した訪問地点を判定するとともに、該訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の少なくとも一つの時間的要素を判定する訪問地点判定部と、前記訪問地点判定部により判定された訪問地点に関する時間的要素に基づいて、前記人物の訪問地点に対する関心を数値的に評価した関心モデルを形成する関心モデル形成部と、前記関心モデル形成部により形成された関心モデルを記憶する関心モデルデータベースとを備える。また、前記人物の現在地に関する情報を取得する現在地取得部と、前記現在地取得部により取得された前記人物の現在地に関する情報と、前記地点データベースに記憶されている地点に関する情報とに基づいて、前記人物が移動可能な評価対象地点を抽出する評価対象地点抽出部と、前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の訪問地点に対する関心の評価値に基づいて、前記評価対象地点抽出部により抽出された評価対象地点に対する関心を数値的に評価し、関心が数値的に評価された評価対象地点の中から前記人物が移動する移動予測地点を予測する移動予測部と、前記移動予測部により予測された前記人物が移動する移動予測地点に関する移動予測結果を出力する移動予測結果出力部とを備える。
また、前記関心モデル形成部は、下式により前記人物の訪問地点に対する関心を数値的に評価してもよい。
[式]
ＩX,i,n：人物Ｘのｎ回目の訪問地点ｉに対する関心の評価値
ｔX,i,n：人物Ｘが訪問地点ｉをｎ回目に訪問したときの訪問時刻
ｕX,i,n：人物Ｘが訪問地点ｉをｎ回目に訪問したときの滞在時間
また、前記関心モデル形成部は、下式により前記人物の訪問地点に対する関心を数値的に評価してもよい。
[式]
ＩX,i：人物Ｘの訪問地点ｉに対する関心の評価値
ｉ：訪問地点
ｎ：訪問回数
ｋ：１、・・・、ｎ
tavg：あらゆる訪問地点の平均訪問間隔
uavg：あらゆる訪問地点の平均滞在時間
また、前記移動予測部は、前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の訪問地点と、前記評価対象地点抽出部により抽出された評価対象地点が一致する場合、当該訪問地点に対する関心の評価値を当該評価対象地点に対する関心の評価値としてもよい。
また、前記移動予測部は、前記評価対象地点抽出部により抽出された評価対象地点のうち、前記人物が訪問したことがない未訪問地点について、下式により未訪問地点に対する関心を数値的に評価してもよい。
[式]
ＩX,j：人物Ｘの未訪問地点ｊに対する関心の評価値
βj,i：未訪問地点ｊに対する訪問地点ｉの類似度
ＩX,i：人物Ｘの訪問地点ｉに対する関心の評価値
また、前記地点データベースに記憶されている地点に関する情報に基づいて、各地点を所定のカテゴリごとに分けたカテゴリモデルを生成するカテゴリモデル生成部と、前記カテゴリモデル生成部により生成されたカテゴリモデルを記憶するカテゴリモデルデータベースとをさらに備え、前記移動予測部は、前記カテゴリデータベースに記憶されているカテゴリモデルにより未訪問地点に対する訪問地点の類似度を算出してもよい。
前記カテゴリモデルは、各地点が属する複数のカテゴリからなるツリー構造となされ、前記移動予測部は、ツリー構造のカテゴリモデルにおける未訪問地点に対する訪問地点の距離に基づいて、未訪問地点に対する訪問地点の類似度を算出してもよい。
また、前記訪問地点判定部により判定された前記人物が訪問地点を訪問した訪問時刻に基づいて、現在の時刻から直近の所定時間内に訪問した直近訪問地点を記憶する直近訪問地点データベースを備え、前記移動予測部は、前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の各訪問地点に対する関心の評価値に基づいて、前記評価対象地点抽出部により抽出された評価対象地点に対する関心を評価するに際して、当該評価対象地点が直近訪問地点データベースに記憶されている直近訪問地点である場合、当該評価対象地点に対してペナルティを付与してもよい。
また、前記移動予測部は、当該評価対象地点に対してペナルティを付与する場合、現在の時刻と直近訪問地点の最終訪問時刻の時間差をペナルティとして算出し、当該評価対象地点の関心の評価値から前記ペナルティの時間差を減算することにより当該評価対象地点の最終的な関心の評価値としてもよい。
また、前記移動予測結果出力部は、関心の評価値が高い移動予測地点から優先的に出力してもよい。
また、前記移動予測結果出力部は、地理的に近い移動予測地点をグループ化して出力してもよい。
本発明によれば、人物の行動に関するログ情報に基づいて、人物の関心を数値的に評価した関心モデルを形成し、その関心モデルに基づいて人物が移動する地点を精度良く予測することができる。また、人物が訪問したことがない未訪問の地点も予測することができる。このため、本システムによる移動予測結果を通信制御、マーケティング、安心安全、地域見守りといった様々なアプリケーションに適用することにより、予測的なアプリケーションサービスを提供することが可能となる。
本システムを含むシステムモデルの全体構成を示す図である。 第１の実施形態に係る本システムの構成を示す図である。 図２の本システムにおける関心モデル形成の動作を示すフローチャートである。 図２の本システムにおける移動予測の動作を示すフローチャートである。 第２の実施形態に係る本システムの構成を示す図である。 第３の実施形態に係る本システムの構成を示す図である。 関心モデルの一例を示す図である。 評価対象地点を抽出する概念を示す図である。 カテゴリモデルの一例を示す図である。 移動予測結果の一例を示す図である。 移動予測結果の他の例を示す図である。
＜第１の実施形態＞
次に、本発明に係る人物移動予測システム（以下、本システム１という）の第１の実施形態について図１〜図４を参照しつつ説明する。
[全体構成]
図１は、本システム１を含むシステムモデルの全体構成を示す図である。
このシステムモデルは、本システム提供者Ｚが管理する本システム１と、本システム１を利用するアプリケーション提供者Ｙが管理するアプリケーションシステム２と、予測対象者となるアプリケーション利用者Ｘが所有するスマートフォン、タブレット端末あるいは携帯電話等の情報端末装置３とから構成され、本システム１とアプリケーションシステム２がネットワークを介して接続されるとともに、アプリケーションシステム２と情報端末装置３がネットワークを介して接続されている。
前記アプリケーションシステム２は、アプリケーション利用者Ｘの情報端末装置３に対して予測的なアプリケーションサービスを提供するものであり、例えば、通信制御、マーケティング、安心安全、地域見守りなどの様々な分野のアプリケーションサービスが挙げられる。
より具体的に説明すると、前記アプリケーションシステム２は、アプリケーション利用者Ｘの情報端末装置３から移動履歴や無線アクセスポイントへの接続履歴などのアプリケーション利用者Ｘの行動に関するログ情報（以下、行動ログ情報という）や現在地に関する情報（以下、現在地情報という）を取得する。なお、これらアプリケーション利用者Ｘの移動履歴、無線アクセスポイントへの接続履歴および現在地情報については、アプリケーション利用者Ｘの情報端末装置３において、ＧＰＳ等の各種システムを利用して自動または手動で収集される。
そして、アプリケーションシステム２は、本システム１に対してアプリケーション利用者Ｘが移動する地点（以下、移動予測地点という）に関する予測リクエストを行い、その際、情報端末装置３から取得したアプリケーション利用者Ｘの行動ログ情報や現在地情報を本システム１に送信する。
そして、前記アプリケーションシステム２は、上述の予測リクエストに応じて、本システム１からアプリケーション利用者Ｘが移動する移動予測地点に関する移動予測結果を取得して、それら移動予測結果を所定の各種アプリケーションに適用したあと、予測的なアプリケーションサービスとしてアプリケーション利用者Ｘの情報端末装置３に提供する。
[本システム１の構成]
本システム１は、第１に、アプリケーション利用者Ｘの行動ログ情報に基づいて、アプリケーション利用者Ｘが訪問した地点（以下、訪問地点といい）に対する関心モデルを形成する。
具体的には、本システム１は、図２に示すように、行動ログ取得部１０１と、該行動ログ取得部１０１の出力側に設けられた行動ログデータベース（以下、行動ログＤＢ１０２という）と、行動ログＤＢ１０２と並列的に設けられた地点データベース（以下、地点ＤＢ１０３という）と、行動ログＤＢ１０２と地点ＤＢ１０３の出力側に設けられた訪問地点判定部１０４と、訪問地点判定部１０４の出力側に設けられた関心モデル形成部１０５と、関心モデル形成部１０５の出力側に設けられた関心モデルデータべース（以下、関心モデルＤＢ１０６という）とを備え、これら各部によりアプリケーション利用者Ｘが訪問した訪問地点に対する関心を評価する関心モデルを形成する。
前記行動ログ取得部１０１は、アプリケーションシステム２からネットワークを介して、予測対象となるアプリケーション利用者Ｘの行動ログ情報を取得する。この行動ログ情報は、アプリケーション利用者Ｘの移動履歴や無線アクセスポイントへの接続履歴といった、予測に必要なアプリケーション利用者Ｘの行動に関するログ情報である。
前記行動ログＤＢ１０２は、行動ログ取得部１０１により取得されたアプリケーション利用者Ｘの行動ログ情報を記憶する。この行動ログ情報は、アプリケーション利用者Ｘが訪問した訪問地点に関する経度、緯度、並びに各種時刻・時間などの情報として行動ログＤＢ１０２に蓄積されていく。
前記地点ＤＢ１０３は、様々な地点に関する情報（以下、地点情報という）を記憶する。この地点情報は、例えば、地名、建物名あるいは店舗名等と、緯度および経度が互いに関連付けられた情報である。
前記訪問地点判定部１０４は、前記地点ＤＢ１０３に記憶されている地点を対象として、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、該アプリケーション利用者Ｘが訪問した訪問地点を判定する。例えば、アプリケーション利用者Ｘの行動ログ情報には訪問地点に関する緯度および経度が含まれるため、地点ＤＢ１０３に記憶されている地点情報の緯度および経度と照合することにより、当該緯度および経度に対応する地名、建物名あるいは建物名等を訪問地点として判定することができる。
また、前記訪問地点判定部１０４は、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の少なくとも一つの時間的要素を判定する。例えば、アプリケーション利用者Ｘの行動ログ情報には訪問地点に関する各種時刻・時間が含まれるため、それら各種時刻・時間に基づいて訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の時間的要素を判定することができる。なお、訪問間隔は、訪問時刻の間隔を示す時間であり、滞在時間は訪問している間を示す時間である。
前記関心モデル形成部１０５は、図７に示すように、訪問地点判定部１０４により判定された訪問地点に関する時間的要素に基づいて、アプリケーション利用者Ｘの訪問地点に対する関心を数値的に評価した関心モデルを形成する。
この関心モデルについては、例えば、アプリケーション利用者Ｘが訪問地点ｉをｎ回目に訪問し、その訪問時刻（日時）がｔX,i,n、滞在時間がｕX,i,nであったとき、その関心の評価値ＩX,i,nは、下式[１]で表される。
[式１]
ＩX,i,n：アプリケーション利用者Ｘのｎ回目の訪問地点ｉに対する関心の評価値
ｔX,i,n：アプリケーション利用者Ｘが訪問地点ｉをｎ回目に訪問したときの訪問時刻
ｕX,i,n：アプリケーション利用者Ｘが訪問地点ｉをｎ回目に訪問したときの滞在時間
また、アプリケーション利用者Ｘが訪問地点ｉを複数回訪問したとすると、その訪問時刻（日時）の集合をＴX,iとし、その滞在時間の集合をＵX,iとして、その訪問地点ｉに対する関心の評価値ＩX,iは下式[２]で表される。
[式２]
ＩX,i：アプリケーション利用者Ｘの訪問地点ｉに対する関心の評価値
ＴX,i：アプリケーション利用者Ｘが訪問地点ｉを複数回訪問したときの訪問時刻の集合
ＵX,i：アプリケーション利用者Ｘが訪問地点ｉを複数回訪問したときの滞在時間の集合
すなわち、アプリケーション利用者Ｘの訪問地点ｉに対する関心の評価値ＩX,iは、ＴX,iの周期性などの分布特性とＵX,iの分布特性に依存することになる。単純には、訪問間隔が短いほど、また滞在時間が長いほど、訪問回数が多くなるほど、関心の評価値ＩX,iは大きくなる。
なお、関心モデル形成部１０５は、アプリケーション利用者Ｘの訪問地点に対する関心を数値的に評価するに際して、曜日ごと、時間帯ごとに評価するものとしてもよい。
なお、関心モデル形成部１０５は、訪問地点判定部１０４により判定された各訪問地点に関する時間的要素に基づいて、アプリケーション利用者Ｘの各訪問地点に対する関心を数値的に評価するものであれば、どのような評価方法を利用してもよい。具体的な評価方法は種々考えられるが、その一例を後述の実施例１で具体的に説明する。
前記関心モデルＤＢ１０６は、関心モデル形成部１０５により形成された、アプリケーション利用者Ｘの各訪問地点に対する関心を評価した関心モデルを記憶する。
本システム１は、第２に、上述の関心モデルに基づいてアプリケーション利用者Ｘが移動する移動予測地点を予測する。
具体的には、本システム１は、図２に示すように、現在地取得部１０７と、現在地取得部１０７と地点ＤＢ１０３の出力側に設けられた評価対象地点抽出部１０８と、評価対象地点抽出部１０８と関心モデルＤＢ１０６の出力側に設けられた移動予測部１０９と、移動予測部１０９の出力側に設けられた移動予測結果データベース（以下、移動予測結果ＤＢ１１０という）と、移動予測結果ＤＢ１１０と行動ログＤＢ１０２の出力側に設けられた移動予測結果出力部１１１とを備え、これら各部によりアプリケーション利用者Ｘが移動する移動予測地点を予測する。
前記現在地取得部１０７は、アプリケーションシステム２からネットワークを介して、アプリケーション利用者Ｘの現在地情報を取得する。この現在地情報は、上述のようにアプリケーション利用者Ｘの情報端末装置３のＧＰＳ機能で計測される移動履歴に関する情報から取得される。また、アプリケーション利用者Ｘの情報端末装置３の無線アクセスポイントへの接続履歴に関する情報を取得すれば、アプリケーション利用者Ｘの現在地（例えば、建物のどの部屋にいるかなど）を精度良く特定することができる。
前記評価対象地点抽出部１０８は、現在地取得部１０７により取得されたアプリケーション利用者Ｘの現在地情報に基づいて、アプリケーション利用者Ｘが移動可能な複数の評価対象地点を抽出する。例えば、評価対象地点抽出部１０８は、アプリケーション利用者Ｘが図８に示す位置に存在するとき、所定時間に到達可能な範囲を円で表し、その円内に含まれる各地点Ａ、Ｂ、Ｄ、Ｅを評価対象地点として抽出する。
前記移動予測部１０９は、関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの訪問地点に対する関心の評価値に基づいて、評価対象地点抽出部１０８により抽出された評価対象地点に対する関心を数値的に評価し、その関心が数値的に評価された評価対象地点の中からアプリケーション利用者Ｘが移動する移動予測地点を予測する。
例えば、前記関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの各訪問地点と、評価対象地点抽出部１０８により抽出された評価対象地点が一致する場合、当該訪問地点に対する関心の評価値を当該評価対象地点に対する関心の評価値とすることが挙げられる。なお、各訪問地点と評価対象地点の一致とは完全一致のみならず、地域が重複している部分一致も含まれる。また、評価対象地点に対する関心を評価するに際して、何らかの重みを掛け合わせるものとしてもよい。
なお、移動予測は、関心モデルにおけるアプリケーション利用者Ｘの訪問地点に対する関心の評価値に基づいて、評価対象地点抽出部１０８により抽出された評価対象地点に対する関心を数値的に評価し、関心が数値的に評価された評価対象地点の中からアプリケーション利用者Ｘが移動する移動予測地点を予測するものであれば、どのような予測方法を利用してもよい。具体的な移動予測は種々考えられるが、その例を後述の実施例１〜３で具体的に説明する。
前記移動予測結果ＤＢ１１０は、移動予測部１０９により予測されたアプリケーション利用者Ｘの移動予測地点に関する移動予測結果を記憶する。このとき、移動予測結果ＤＢ１１０は、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報も参照しながら、移動予測地点のほか、移動予測日時、移動予測順位、到達時間、これまでの移動経路などからなる移動予測結果を記憶する。
前記移動予測結果出力部１１１は、前記移動予測結果ＤＢ１１０に記憶されているアプリケーション利用者Ｘの移動予測地点に関する移動予測結果を、アプリケーションシステム２に対してネットワークを介して送信することにより出力する。このとき、移動予測結果出力部１１１は、移動予測結果として、これまでの移動経路、現在地、予測される地点までの移動経路を表示させるように出力してもよい。
[本システム１の動作]
次に、本システム１の動作（関心モデル形成）について、図３に示すフローチャートを参照しつつ説明する。なお、以下の説明において、「ＳＴＥＰ」を「Ｓ」と略記する。
まず、行動ログ取得部１０１が、アプリケーションシステム２からネットワークを介して、予測対象となるアプリケーション利用者Ｘの行動ログ情報を取得する（Ｓ１１）。
前記行動ログＤＢ１０２は、行動ログ取得部１０１により取得されたアプリケーション利用者Ｘの行動ログ情報を記憶する（Ｓ１２）。
前記訪問地点判定部１０４は、前記地点ＤＢ１０３に記憶されている地点を対象として、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、該アプリケーション利用者Ｘが訪問した訪問地点を判定する。また、前記訪問地点判定部１０４は、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の少なくとも一つの時間的要素を判定する（Ｓ１３）。
前記関心モデル形成部１０５は、訪問地点判定部１０４により判定された訪問地点に関する時間的要素に基づいて、アプリケーション利用者Ｘの訪問地点に対する関心を数値的に評価した関心モデルを形成する（Ｓ１４）。
前記関心モデルＤＢ１０６は、関心モデル形成部１０５により形成された、アプリケーション利用者Ｘの各訪問地点に対する関心を評価した関心モデルを記憶する（Ｓ１５）
次に、本システム１の動作（移動予測）について、図４に示すフローチャートを参照しつつ説明する。なお、以下の説明において、「ＳＴＥＰ」を「Ｓ」と略記する。
まず、前記現在地取得部１０７は、アプリケーションシステム２からネットワークを介して、アプリケーション利用者Ｘの現在地情報を取得する（Ｓ２１）。
前記評価対象地点抽出部１０８は、現在地取得部１０７により取得されたアプリケーション利用者Ｘの現在地情報に基づいて、アプリケーション利用者Ｘが移動可能な複数の評価対象地点を抽出する（Ｓ２２）。
前記移動予測部１０９は、関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの訪問地点に対する関心の評価値に基づいて、評価対象地点抽出部１０８により抽出された評価対象地点に対する関心を数値的に評価し、それら関心が数値的に評価された評価対象地点の中からアプリケーション利用者Ｘが移動する移動予測地点を予測する（Ｓ２３）。
前記移動予測結果ＤＢ１１０は、移動予測部１０９によるアプリケーション利用者Ｘの移動予測地点に関する移動予測結果を記憶する（Ｓ２４）。
前記移動予測結果出力部１１１は、前記移動予測結果ＤＢ１１０に記憶されているアプリケーション利用者Ｘの移動予測地点に関する移動予測結果を、アプリケーションシステム２に対してネットワークを介して送信することにより出力する（Ｓ２５）。
＜第２の実施形態＞
次に、本システム１の第２の実施形態について図５および図９を参照しつつ説明する。なお、以下では上記の実施形態と異なる構成についてのみ説明することとし、同一の構成については説明を省略して同一の符号を付すこととする。
本システム１は、アプリケーション利用者Ｘが訪問したことがない未訪問地点についても移動予測地点として予測する。
具体的には、本システム１は、地点ＤＢ１０３の出力側に設けられたカテゴリモデル生成部１１２と、該カテゴリモデル生成部１１２の出力側に設けられたカテゴリモデルデータベース（以下、カテゴリモデルＤＢ１１３という）を備える。
前記カテゴリモデル生成部１１２は、前記地点ＤＢ１０３に記憶されている地点に関する情報に基づいて、各地点を所定のカテゴリごとに分けたカテゴリモデルを生成する。このカテゴリモデルは、例えば、図９に示すように、複数の地点と、各地点が属する複数の下位のカテゴリと、該下位のカテゴリが属する複数の上位のカテゴリを備えたツリー構造となされている。
前記カテゴリモデルＤＢ１１３は、カテゴリモデル生成部１１２により生成されたカテゴリモデルを記憶する。
本実施形態では、前記移動予測部１０９は、前記評価対象地点抽出部１０８により抽出された評価対象地点のうち、前記アプリケーション利用者Ｘが訪問したことがない未訪問地点ｊについて、下式[３]により未訪問地点ｊに対する関心を数値的に評価して、当該未訪問地点ｊもアプリケーション利用者Ｘが移動する移動予測地点として予測する。
[式３]
ＩX,j：アプリケーション利用者Ｘの未訪問地点ｊに対する関心の評価値
βj,i：未訪問地点ｊに対する訪問地点ｉの類似度
ＩX,i：アプリケーション利用者Ｘの訪問地点ｉに対する関心の評価値
このとき、前記移動予測部１０９は、カテゴリモデルＤＢ１１３に記憶されているツリー構造のカテゴリモデルを利用して、未訪問地点ｊに対する訪問地点ｉの類似度βj,iを算出する。このツリー構造のカテゴリモデルを利用した未訪問地点ｊに対する関心の評価方法については、後述の実施例２で具体的に説明する。
なお、本実施形態では、ツリー構造のカテゴリモデルを利用するものとがしたが、その他の構造のカテゴリモデルを利用してもよい。
また、未訪問地点ｊに対する訪問地点ｉの類似度βj,iを算出するに際してカテゴリモデルを利用したが、その他のモデルを利用してもよい。
＜第３の実施形態＞
次に、本システム１の第３の実施形態について図６を参照しつつ説明する。なお、以下では上記の実施形態と異なる構成についてのみ説明することとし、同一の構成については説明を省略して同一の符号を付すこととする。
本システム１は、評価対象地点がアプリケーション利用者Ｘが直近に訪問した訪問地点（以下、直近訪問地点という）である場合、当該評価対象地点に対してペナルティを付与する。
具体的には、本システム１は、訪問地点判定部１０４の出力側に直近訪問地点データベース（以下、直近訪問地点ＤＢ１１４という）が設けられている。この直近訪問地点ＤＢ１１４は、訪問地点判定部１０４により判定されたアプリケーション利用者Ｘが各訪問地点を訪問した時刻に基づいて、現在の時刻から直近の所定の時間内に訪問した直近訪問地点を記憶する。
本実施形態では、前記移動予測部１０９は、前記関心モデルデータベースに記憶されている関心モデルにおけるアプリケーション利用者Ｘの訪問地点に対する関心の評価値に基づいて、評価対象地点抽出部１０８により抽出された評価対象地点に対する関心を評価するに際して、当該評価対象地点が直近訪問地点ＤＢ１１４に記憶されている直近訪問地点である場合、当該評価対象地点に対してペナルティを付与する。
なお、評価対象地点に対するペナルティの付与方法については、例えば現在時刻と直近訪問地点の最終訪問時刻が近いほど大きなペナルティを付与するとか（後述の実施例３で具体的に説明する）、直近訪問地点の滞在時間が長ければ大きなペナルティを付与するなどの方法が挙げられる。
[実施例１]
本発明の実施例１について、図２等を参照しつつ説明する。
まず、本システム１において、アプリケーション利用者Ｘの訪問地点Ａ〜Ｅに対する関心を数値的に評価した関心モデルを形成することについて説明する。
（１）前記行動ログ取得部１０１は、アプリケーションシステム２からネットワークを介して、予測対象となるアプリケーション利用者Ｘの行動ログ情報を取得して、行動ログＤＢ１０２に蓄積する。
（２）前記訪問地点判定部１０４は、前記地点ＤＢ１０３に記憶されている地点を対象として、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、該アプリケーション利用者Ｘが訪問した訪問地点Ａ〜Ｅを判定する。
また、前記訪問地点判定部１０４は、行動ログＤＢ１０２に記憶されているアプリケーション利用者Ｘの行動ログ情報に基づいて、訪問地点Ａ〜Ｅに対する時間的要素として訪問時刻ｔと滞在時間ｕを判定する。なお、アプリケーション利用者Ｘについて、訪問地点Ａに対する訪問時刻は、{tX,A,1, tX,A,2, … tX,A,n}と与えられ、訪問地点Ａに対する滞在時間は{uX,A,1, uX,A,2, … uX,A,n}と与えられる（ｎは訪問回数である）。
（３）前記関心モデル形成部１０５は、図７に示すように、訪問地点判定部１０４により判定された訪問地点に関する時間的要素の訪問時間ｔと滞在時間ｕに基づいて、アプリケーション利用者Ｘの訪問地点ｉに対する関心を下式[４]により数値的に評価した関心モデルを形成する（図７参照）。
[式４]
ＩX,i：アプリケーション利用者Ｘの訪問地点ｉに対する関心の評価値
ｉ：訪問地点（Ａ、Ｂ、Ｃ、Ｄ、Ｅ）
ｋ： １、・・・、ｎ（ｎは訪問回数）
tavg：アプリケーション利用者Ｘがこれまで訪問したあらゆる訪問地点の平均訪問間隔
uavg：アプリケーション利用者Ｘがこれまで訪問したあらゆる訪問地点の平均滞在時間
上式[４]の意味は、(tX,i,n-tX,i,1)/nが訪問地点ｉに対する平均訪問間隔であり、これがあらゆる地点に対する平均訪問間隔tavg より小さくなると関心の評価値IX,iが大きくなる。また、ΣuX,i,k/nが訪問地点ｉに対する平均滞在時間であり、これがあらゆる地点に対する平均滞在時間uavg よりも大きくなると関心の評価値IX,iが大きくなる。
なお、あらゆる地点に対する平均訪問間隔tavgと、あらゆる地点に対する平均滞在時間uavgは、アプリケーション利用者Ｘ以外の一般人がこれまで訪問地点を訪問した平均訪問間隔および平均滞在時間としてもよい。
次に、本システム１において、アプリケーション利用者Ｘが移動する移動予測地点を予測することについて説明する。
（４）前記現在地取得部１０７は、アプリケーションシステム２からネットワークを介して、アプリケーション利用者Ｘの現在地情報を取得する。
（５）評価対象地点抽出部１０８は、アプリケーション利用者Ｘが図８に示す位置に存在するとき、所定時間内に到達可能な範囲を円で表し、その円内に含まれる各地点Ａ〜Ｅを評価対象地点として抽出する。
（６）前記移動予測部１０９は、前記関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの各訪問地点Ａ、Ｂ、Ｄ、Ｅと、評価対象地点抽出部１０８により抽出された評価対象地点Ａ、Ｂ、Ｄ、Ｅが一致するため、図１０（ａ）に示すように、訪問地点Ａ〜Ｅに対する関心の評価を当該評価対象地点Ａ、Ｂ、Ｄ、Ｅに対する関心の評価として、それら関心が数値的に評価された評価対象地点Ａ、Ｂ、Ｄ、Ｅを全てアプリケーション利用者Ｘが移動する移動予測地点Ａ、Ｂ、Ｄ、Ｅと予測して、移動予測結果ＤＢ１１０に蓄積する。
（７）前記移動予測結果出力部１１１は、図１０（ａ）に示すように、前記移動予測結果ＤＢ１１０に記憶されているアプリケーション利用者Ｘの移動予測地点Ａ、Ｂ、Ｄ、Ｅに関する移動予測結果を、アプリケーションシステム２に対してネットワークを介して送信することにより出力する。
なお、移動予測結果出力部１１１は、図１０（ｂ）に示すように、関心の評価が高い移動予測地点から優先的に出力してもよい。また、図１０（ｃ）に示すように、地理的に近い移動予測地点Ａ、Ｂをグループ化し、移動予測地点Ａの関心の評価値ＩX,A[３０]と移動予測地点Ｂの関心の評価値ＩX,B[５]を合算した評価値ＩX,AB[３５]を出力してもよい。
[実施例２]
本発明の実施例２について、図５等を参照しつつ説明する。
本実施例では、実施形態２のカテゴリモデルを利用して、アプリケーション利用者Ｘが訪問したことがない未訪問地点も移動予測地点として予測する場合について説明する。なお、アプリケーション利用者Ｘが訪問したことがある訪問地点をＡ〜Ｃとして、訪問したことがない未訪問地点をＤ、Ｅとする。
まず、本システム１において、アプリケーション利用者Ｘの訪問地点Ａ〜Ｃに対する関心を数値的に評価した関心モデルを形成する手順（１）〜（３）については、実施例１と同一なので、その説明を省略する。
次に、本システム１において、アプリケーション利用者Ｘが移動する移動予測地点を予測することについて説明する。なお、手順（４）〜（５）については、実施例１と同一なので、その説明を省略する。
（６）前記移動予測部１０９は、前記関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの各訪問地点Ａ、Ｂと、評価対象地点抽出部１０８により抽出された評価対象地点Ａ、Ｂが一致するため、図１０（ａ）に示すように、訪問地点Ａ、Ｂに対する関心の評価値ＩX,A、ＩX,Bを当該評価対象地点Ａ、Ｂに対する関心の評価値として、それら関心が数値的に評価された評価対象地点Ａ、Ｂを全てアプリケーション利用者Ｘが移動する移動予測地点Ａ、Ｂと予測して、移動予測結果ＤＢ１１０に蓄積する。
また、前記移動予測部１０９は、前記評価対象地点抽出部１０８により抽出された評価対象地点のうち、前記アプリケーション利用者Ｘが訪問したことがない未訪問地点Ｄ、Ｅについて、上式[３]により未訪問地点に対する関心を数値的に評価する。
このとき、前記移動予測部１０９は、前記カテゴリモデルＤＢ１１３に記憶されているカテゴリモデルにより未訪問地点Ｄに対する訪問地点Ａ〜Ｃの類似度βD,A、βD,B、βD,Cを算出する。より具体的には、前記移動予測部１０９は、ツリー構造のカテゴリモデルにおける未訪問地点Ｄに対する訪問地点Ａ〜Ｃの距離に基づいて、未訪問地点Ｄに対する訪問地点Ａ〜Ｃの類似度βD,A、βD,B、βD,Cを算出する。
例えば、前記カテゴリモデル生成部１１２が、図９に示すように、複数の地点Ａ〜Ｅと、地点Ａ、Ｄが属する下位のカテゴリ「カジュアルウェア」と、地点Ｂ、Ｅが属する下位のカテゴリ「スポーツウェア」と、下位のカテゴリ「カジュアルウェア」「スポーツウェア」が属する上位のカテゴリ「アパレル」と、地点Ｃと下位のカテゴリ「スポーツウェア」が属する上位のカテゴリ「スポーツ」とからなるツリー構造のカテゴリモデルを生成して、カテゴリモデルＤＢ１１３に記憶していたとする。
このカテゴリモデルでは、未訪問地点Ｄは、訪問地点Ａとカテゴリ「カジュアルウェア」を介して２ホップの距離にあり、訪問地点Ｂと各カテゴリ「スポーツウェア」「アパレル」「カジュアルウェア」を介して４ホップの距離にあり、訪問地点Ｃと各カテゴリ「スポーツ」「スポーツウェア」「アパレル」「カジュアルウェア」を介して５ホップの距離にある。
このため、前記移動予測部１０９は、ツリー構造のカテゴリモデルにおける未訪問地点Ｄに対する訪問地点Ａ〜Ｃの距離（Ａ：２ホップ、Ｂ：４ホップ、Ｃ：５ホップ）に基づいて、未訪問地点Ｄに対する訪問地点Ａ〜Ｃの類似度（距離の逆数とする。βD,A：１／２、βD,B：１／４、βD,C：１／５）を算出する。これは、カテゴリモデルで未訪問地点Ｄに対してホップ数が大きいと、それだけ未訪問地点Ｄと類似度が低いと考えられるためである。
そして、前記移動予測部１０９は、上式[３]において、訪問地点Ａ〜Ｃに対する関心の評価値ＩX,A、ＩX,B、ＩX,Cと、未訪問地点Ｄに対する訪問地点Ａ〜Ｃの類似度βD,A、βD,B、βD,Cとを入力することにより、下式[５]に示すように、未訪問地点Ｄに対する関心を数値的に評価する。
[式５]
あとは、前記移動予測部１０９は、未訪問地点である評価対象地点Ｄをアプリケーション利用者Ｘが移動する移動予測地点Ｄと予測して、移動予測結果ＤＢ１１０に蓄積する。 なお、未訪問地点Ｅについても、未訪問地点Ｄと同様にして移動予測地点Ｅと予測して、移動予測結果ＤＢ１１０に蓄積する。
（７）前記移動予測結果出力部１１１は、図１０（ａ）に示すように、前記移動予測結果ＤＢ１１０に記憶されているアプリケーション利用者Ｘの移動予測地点Ａ、Ｂ、Ｄ、Ｅに関する移動予測結果を、アプリケーションシステム２に対してネットワークを介して送信することにより出力する。
[実施例３]
発明の実施例３について、図６等を参照しつつ説明する。
本実施例では、実施形態３の直近訪問地点ＤＢ１１４を利用して、アプリケーション利用者Ｘが直近に訪問した評価対象地点に対してペナルティを付与する場合について説明する。
まず、本システム１において、アプリケーション利用者Ｘの訪問地点Ａ〜Ｅに対する関心を数値的に評価した関心モデルを形成する手順（１）〜（３）については、実施例１と同一なので、その説明を省略する。
次に、本システム１において、アプリケーション利用者Ｘが移動する移動予測地点を予測することについて説明する。なお、手順（４）〜（５）については、実施例１と同一なので、その説明を省略する。
（６）前記移動予測部１０９は、前記関心モデルＤＢ１０６に記憶されている関心モデルにおけるアプリケーション利用者Ｘの各訪問地点Ａ、Ｂ、Ｄ、Ｅと、評価対象地点抽出部１０８により抽出された評価対象地点Ａ、Ｂ、Ｄ、Ｅが一致するため、図１１（ａ）左図に示すように、訪問地点Ａ、Ｂ、Ｄ、Ｅに対する関心の評価値ＩX,A、ＩX,B、ＩX,D、ＩX,Eを当該評価対象地点Ａ、Ｂ、Ｄ、Ｅに対する関心の評価値とする。このとき、前記移動予測部１０９は、当該評価対象地点Ａ、Ｂ、Ｄ、Ｅが直近訪問地点ＤＢ１１４に記憶されている直近訪問地点である場合、当該評価対象地点に対してペナルティを付与する。
例えば、前記直近訪問地点ＤＢ１１４が、前記訪問地点判定部１０４により判定された前記アプリケーション利用者Ｘが各訪問地点Ａ、Ｂを訪問した最終訪問時刻ｔX,A、ｔX,Bに基づいて、図１１（ａ）中図に示すように、現在の時刻から直近の所定の時間Δｔ内に訪問した直近訪問地点Ａ、Ｂに関する直近訪問リストを記憶していたとする。
この場合、前記移動予測部１０９は、現在の時刻と直近訪問地点Ａ、Ｂの最終訪問時刻ｔX,A、ｔX,Bの時間差Ｐ（ｔX,A−ｔ）、Ｐ（ｔX,B−ｔ）をペナルティとして算出して、評価対象地点Ａ、Ｂの評価値ＩX,A、ＩX,Bからペナルティの時間差時間差Ｐ（ｔX,A−ｔ）、Ｐ（ｔX,B−ｔ）を減算して、図１１（ａ）右図に示すように、評価対象地点Ａ、Ｂの最終的な評価値Ｉ’X,A、Ｉ’X,Bとする。これにより、直近に訪問した訪問地点ほど、すなわち訪問地点の最終訪問時間が現在時刻ｔに近いほど大きなペナルティを付与することができる。
あとは、前記移動予測部１０９は、関心が数値的に評価された評価対象地点Ａ、Ｂ、Ｄ、Ｅを全てアプリケーション利用者Ｘが移動する移動予測地点Ａ、Ｂ、Ｄ、Ｅと予測して、移動予測結果ＤＢ１１０に蓄積する。
（７）前記移動予測結果出力部１１１は、図１１（ｂ）に示すように、前記移動予測結果ＤＢ１１０に記憶されているアプリケーション利用者Ｘの移動予測地点Ａ、Ｂ、Ｄ、Ｅについて、関心の評価値が高い移動予測地点から優先的に出力されるように並べ替えた移動予測結果を、アプリケーションシステム２に対してネットワークを介して送信することにより出力する。
以上、図面を参照して本発明の実施形態を説明したが、本発明は、図示した実施形態のものに限定されない。図示された実施形態に対して、本発明と同一の範囲内において、あるいは均等の範囲内において、種々の修正や変形を加えることが可能である。
１・・・本システム
１０１・・・行動ログ取得部
１０２・・・行動ログＤＢ
１０３・・・地点ＤＢ
１０４・・・訪問地点判定部
１０５・・・関心モデル形成部
１０６・・・関心モデルＤＢ
１０７・・・現在地取得部
１０８・・・評価対象地点抽出部
１０９・・・移動予測部
１１０・・・移動予測結果ＤＢ
１１１・・・移動予測結果出力部
１１２・・・カテゴリモデル生成部
１１３・・・カテゴリモデルＤＢ
１１４・・・直近訪問地点ＤＢ
２・・・アプリケーションシステム
３・・・情報端末装置

Claims (11)

  1. 人物の行動に関するログ情報に基づいて、人物が移動する地点を予測する人物移動予測システムであって、
    予測対象となる人物の行動に関するログ情報を取得する行動ログ取得部と、
    前記行動ログ取得部により取得された前記人物の行動に関するログ情報を記憶する行動ログデータベースと、
    地点に関する情報を記憶する地点データベースと、
    前記地点データベースに記憶されている地点を対象として、前記行動ログデータベースに記憶されている前記人物の行動に関するログ情報に基づいて、前記人物が訪問した訪問地点を判定するとともに、該訪問地点に関する訪問時刻、訪問間隔あるいは滞在時間の少なくとも一つの時間的要素を判定する訪問地点判定部と、
    前記訪問地点判定部により判定された訪問地点に関する時間的要素に基づいて、前記人物の訪問地点に対する関心を数値的に評価した関心モデルを形成する関心モデル形成部と、
    前記関心モデル形成部により形成された関心モデルを記憶する関心モデルデータベースと、
    前記人物の現在地に関する情報を取得する現在地取得部と、
    前記現在地取得部により取得された前記人物の現在地に関する情報と、前記地点データベースに記憶されている地点に関する情報とに基づいて、前記人物が移動可能な評価対象地点を抽出する評価対象地点抽出部と、
    前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の訪問地点に対する関心の評価値に基づいて、前記評価対象地点抽出部により抽出された評価対象地点に対する関心を数値的に評価し、関心が数値的に評価された評価対象地点の中から前記人物が移動する移動予測地点を予測する移動予測部と、
    前記移動予測部により予測された前記人物が移動する移動予測地点に関する移動予測結果を出力する移動予測結果出力部とを備える人物移動予測システム。
  2. 前記関心モデル形成部は、下式により前記人物の訪問地点に対する関心を数値的に評価する請求項１に記載の人物移動予測システム。
    [式]
    ＩX,i,n：人物Ｘのｎ回目の訪問地点ｉに対する関心の評価値
    ｔX,i,n：人物Ｘが訪問地点ｉをｎ回目に訪問したときの訪問時刻
    ｕX,i,n：人物Ｘが訪問地点ｉをｎ回目に訪問したときの滞在時間
  3. 前記関心モデル形成部は、下式により前記人物の訪問地点に対する関心を数値的に評価する請求項２に記載の人物移動予測システム。
    [式]
    ＩX,i：人物Ｘの訪問地点ｉに対する関心の評価値
    ｉ：訪問地点
    ｎ：訪問回数
    ｋ：１、・・・、ｎ
    tavg：あらゆる訪問地点の平均訪問間隔
    uavg：あらゆる訪問地点の平均滞在時間
  4. 前記移動予測部は、前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の訪問地点と、前記評価対象地点抽出部により抽出された評価対象地点が一致する場合、当該訪問地点に対する関心の評価値を当該評価対象地点に対する関心の評価値とする請求項１から請求項３のいずれかに記載の人物移動予測システム。
  5. 前記移動予測部は、前記評価対象地点抽出部により抽出された評価対象地点のうち、前記人物が訪問したことがない未訪問地点について、下式により未訪問地点に対する関心を数値的に評価する請求項１から請求項４のいずれかに記載の人物移動予測システム。
    [式]
    ＩX,j：人物Ｘの未訪問地点ｊに対する関心の評価値
    βj,i：未訪問地点ｊに対する訪問地点ｉの類似度
    ＩX,i：人物Ｘの訪問地点ｉに対する関心の評価値
  6. 前記地点データベースに記憶されている地点に関する情報に基づいて、各地点を所定のカテゴリごとに分けたカテゴリモデルを生成するカテゴリモデル生成部と、
    前記カテゴリモデル生成部により生成されたカテゴリモデルを記憶するカテゴリモデルデータベースとをさらに備え、
    前記移動予測部は、前記カテゴリデータベースに記憶されているカテゴリモデルにより未訪問地点に対する訪問地点の類似度を算出する請求項５に記載の人物移動予測システム。
  7. 前記カテゴリモデルは、各地点が属する複数のカテゴリからなるツリー構造となされ、
    前記移動予測部は、ツリー構造のカテゴリモデルにおける未訪問地点に対する訪問地点の距離に基づいて、未訪問地点に対する訪問地点の類似度を算出する請求項６に記載の人物移動予測システム。
  8. 前記訪問地点判定部により判定された前記人物が訪問地点を訪問した訪問時刻に基づいて、現在の時刻から直近の所定時間内に訪問した直近訪問地点を記憶する直近訪問地点データベースを備え、
    前記移動予測部は、前記関心モデルデータベースに記憶されている関心モデルにおける前記人物の各訪問地点に対する関心の評価値に基づいて、前記評価対象地点抽出部により抽出された評価対象地点に対する関心を評価するに際して、当該評価対象地点が直近訪問地点データベースに記憶されている直近訪問地点である場合、当該評価対象地点に対してペナルティを付与する請求項１から請求項７のいずれかに記載の人物移動予測システム。
  9. 前記移動予測部は、当該評価対象地点に対してペナルティを付与する場合、現在の時刻と直近訪問地点の最終訪問時刻の時間差をペナルティとして算出し、当該評価対象地点の関心の評価値から前記ペナルティの時間差を減算することにより当該評価対象地点の最終的な関心の評価値とする請求項８に記載の行動予測システム。
  10. 前記移動予測結果出力部は、関心の評価値が高い移動予測地点から優先的に出力する請求項１から請求項９のいずれかに記載の人物移動予測システム。
  11. 前記移動予測結果出力部は、地理的に近い移動予測地点をグループ化して出力する請求項１から請求項１０のいずれかに記載の人物移動予測システム。
JP2016035360A 2016-02-26 2016-02-26 人物移動予測システム Active JP6676408B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016035360A JP6676408B2 (ja) 2016-02-26 2016-02-26 人物移動予測システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016035360A JP6676408B2 (ja) 2016-02-26 2016-02-26 人物移動予測システム

Publications (2)

Publication Number Publication Date
JP2017151852A true JP2017151852A (ja) 2017-08-31
JP6676408B2 JP6676408B2 (ja) 2020-04-08

Family

ID=59739877

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016035360A Active JP6676408B2 (ja) 2016-02-26 2016-02-26 人物移動予測システム

Country Status (1)

Country Link
JP (1) JP6676408B2 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983210A (zh) * 2020-06-29 2020-11-24 北京津发科技股份有限公司 基于时间同步的空间位置和多通道人机环境数据采集、时空行为分析方法和装置
JP7087147B1 (ja) 2021-03-25 2022-06-20 楽天グループ株式会社 推定システム、推定方法、及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003014670A1 (fr) * 2001-08-06 2003-02-20 Matsushita Electric Industrial Co.,Ltd. Procede et dispositif permettant de fournir des informations
JP2005149073A (ja) * 2003-11-14 2005-06-09 Matsushita Electric Ind Co Ltd データ検索装置
JP2012164227A (ja) * 2011-02-08 2012-08-30 Nippon Telegr & Teleph Corp <Ntt> 行動及び属性推定装置及び方法及びプログラム
JP2013122456A (ja) * 2011-12-12 2013-06-20 Toyota Infotechnology Center Co Ltd 場所嗜好性推定システムおよび方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003014670A1 (fr) * 2001-08-06 2003-02-20 Matsushita Electric Industrial Co.,Ltd. Procede et dispositif permettant de fournir des informations
JP2005149073A (ja) * 2003-11-14 2005-06-09 Matsushita Electric Ind Co Ltd データ検索装置
JP2012164227A (ja) * 2011-02-08 2012-08-30 Nippon Telegr & Teleph Corp <Ntt> 行動及び属性推定装置及び方法及びプログラム
JP2013122456A (ja) * 2011-12-12 2013-06-20 Toyota Infotechnology Center Co Ltd 場所嗜好性推定システムおよび方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111983210A (zh) * 2020-06-29 2020-11-24 北京津发科技股份有限公司 基于时间同步的空间位置和多通道人机环境数据采集、时空行为分析方法和装置
CN111983210B (zh) * 2020-06-29 2022-04-15 北京津发科技股份有限公司 基于时间同步的空间位置和多通道人机环境数据采集、时空行为分析方法和装置
JP7087147B1 (ja) 2021-03-25 2022-06-20 楽天グループ株式会社 推定システム、推定方法、及びプログラム
JP2022149350A (ja) * 2021-03-25 2022-10-06 楽天グループ株式会社 推定システム、推定方法、及びプログラム

Also Published As

Publication number Publication date
JP6676408B2 (ja) 2020-04-08

Similar Documents

Publication Publication Date Title
US11790766B2 (en) Predictive analytics for emergency detection and response management
CN105532030B (zh) 用于分析目标实体的移动的装置、系统和方法
US20160227367A1 (en) Method of providing positioning data to mobile device
Noulas et al. A random walk around the city: New venue recommendation in location-based social networks
CN104380293B (zh) 基于位置从地图历史提供相关元素信息的方法和计算装置
JP6053027B2 (ja) 類似移動経路をとるユーザを検索する装置、プログラム及び方法
Yu et al. Modeling user activity patterns for next-place prediction
JP5410462B2 (ja) 行動及び属性推定装置及び方法及びプログラム
WO2014203000A1 (en) Location analysis for analytics
JP2020123011A (ja) 所定圏における滞在圏人口を推定するプログラム、装置及び方法
JP2014203272A (ja) 新規出店候補地分析装置及び方法及びプログラム
Cai et al. A novel trip coverage index for transit accessibility assessment using mobile phone data
Horn et al. QZTool—automatically generated origin-destination matrices from cell phone trajectories
JP2018077756A (ja) 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法
Kandappu et al. Obfuscation at-source: Privacy in context-aware mobile crowd-sourcing
JP6676408B2 (ja) 人物移動予測システム
US20160034824A1 (en) Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction
Swanson et al. Using mobile phone data to evaluate access to essential services following natural hazards
Deeshma et al. Travel time modeling for bus transport system in Bangalore city
JP6545115B2 (ja) ユーザの将来期間の生活パターンを予測する生活パターン予測装置、携帯端末、プログラム及び方法
WO2012043300A1 (ja) 情報提供サーバ、情報提供システム、情報提供方法及びプログラム
JP6903167B2 (ja) 情報処理装置、情報処理プログラムおよび情報処理システム
Rehman et al. A constraint-aware optimized path recommender in a crowdsourced environment
JP6617084B2 (ja) 営業活動支援装置、営業活動支援方法及び営業活動支援プログラム
JP5900487B2 (ja) 移動体管理システム、移動体管理サーバ、移動体管理方法および移動体管理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190206

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191223

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200214

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: 20200302

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200312

R150 Certificate of patent or registration of utility model

Ref document number: 6676408

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313117

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250