JP2018097726A - 決定装置、決定方法、決定プログラム、生成装置、生成方法、及び生成プログラム - Google Patents

Abstract

【課題】現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にする。【解決手段】本願に係る決定装置は、取得部と、決定部とを有する。取得部は、所定のユーザの行動に関する履歴情報を取得する。決定部は、取得部により取得された履歴情報に基づいて、履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する。【選択図】図３

Description

本発明は、決定装置、決定方法、決定プログラム、生成装置、生成方法、及び生成プログラムに関する。

従来、コンピュータ上において、種々のシミュレーションを行う技術が提供されている。例えば、所定の施設におけるユーザの行動をシミュレーションする技術が提供されている。

特開２０１６−１１５００５号公報

しかしながら、上記の従来技術では、現実世界を適切に反映したシミュレーションを可能にすることが難しい場合がある。例えば、所定の施設における行動シーンを予め設定してシミュレーションを行う場合、行動シーンを特定することが難しい場合など、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることが難しい場合がある。

本願は、上記に鑑みてなされたものであって、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にする決定装置、決定方法、決定プログラム、生成装置、生成方法、及び生成プログラムを提供することを目的とする。

本願に係る決定装置は、所定のユーザの行動に関する履歴情報を取得する取得部と、前記取得部により取得された履歴情報に基づいて、前記履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する決定部と、を備えたことを特徴とする。

実施形態の一態様によれば、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る生成システムの構成例を示す図である。 図３は、実施形態に係る生成装置の構成例を示す図である。 図４は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図５は、実施形態に係るモデル情報記憶部の一例を示す図である。 図６は、実施形態に係るエージェント情報記憶部の一例を示す図である。 図７は、実施形態に係る生成処理の一例を示すフローチャートである。 図８は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る決定装置、決定方法、決定プログラム、生成装置、生成方法、及び生成プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る決定装置、決定方法、決定プログラム、生成装置、生成方法、及び生成プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．生成処理〕
図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、生成装置１００（図３参照）がシミュレータ情報記憶部１２１（図３参照）に記憶された仮想空間に関する情報等の所定のシミュレータに関する各種情報を用いて、所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報（シミュレーションログ）を生成する場合を示す。また、図１に示す生成処理には、エージェントにモデルを割り当てる決定処理が含まれる。なお、シミュレーションログを生成する生成処理には、エージェントにモデルを割り当てる決定処理が含まれなくてもよい。なお、ここでいうエージェントとは、シミュレーションにおける行動の主体となるものであれば、どのような対象であってもよい。図１の例では、エージェントは、人間（ユーザ）であるものとする。

図１の例では、生成装置１００がエリアＡにおけるユーザ（人間）の行動をシミュレーションしてシミュレーションログを生成する場合を示す。例えば、図１の例では、エリアＡにおける実際のユーザの行動履歴が不足している等の理由により、エリアＡの実際の人数に対応する数に行動履歴を増幅するために、シミュレーションによりシミュレーションログを生成する場合を示す。

まず、生成装置１００は、行動履歴ＡＬ１１を取得する（ステップＳ１１）。図１の例では、生成装置１００は、エリアＡにおけるユーザの行動情報の履歴を含む行動履歴ＡＬ１１を取得する。例えば、生成装置１００は、ユーザ情報記憶部１２３（図４参照）からエリアＡにおけるユーザの行動履歴に関する情報を取得する。例えば、生成装置１００は、ユーザ情報記憶部１２３（図４参照）からエリアＡにおけるユーザの行動履歴として、ユーザＩＤ「Ｕ１」により識別されるユーザの行動履歴やユーザＩＤ「Ｕ２」により識別されるユーザの行動履歴等を取得する。

また、生成装置１００は、オープンデータＯＤ１１を取得する（ステップＳ１２）。図１の例では、生成装置１００は、情報提供装置５０（図２参照）等から提供される種々のオープンデータＯＤ１１を用いる。オープンデータＯＤ１１には、工事や渋滞等の道路情報等の交通に関するオープンデータＯＤ１１−１や、天気や気温等の気象に関するオープンデータＯＤ１１−２や、家計や消費等の経済に関するオープンデータＯＤ１１−３等が含まれる。なお、上記のオープンデータＯＤ１１−１〜オープンデータＯＤ１１−３は一例であり、オープンデータＯＤ１１には、利用が許可されているデータ（情報）であれば、上記に限らず、地理空間情報、防災・減災情報、調達情報、統計情報等の種々のオープンデータが含まれてもよい。例えば、生成装置１００は、取得したオープンデータＯＤ１１をオープンデータ記憶部１２２（図３参照）に記憶する。この場合、生成装置１００は、オープンデータ記憶部１２２からオープンデータＯＤ１１を取得してもよい。

そして、生成装置１００は、シミュレーションにおいてエージェントに適用するモデルを決定する（ステップＳ１３）。まず、エージェントに適用するモデルを決定する決定処理では、例えば、生成装置１００は、シミュレーションにおいてエージェントに適用するモデルを生成する。例えば、生成装置１００は、行動履歴ＡＬ１１に基づいてモデルを生成する。例えば、生成装置１００は、行動履歴ＡＬ１１に基づいて、モデル情報ＭＤ１１に示すように、モデルＭ１、Ｍ２等を生成する。例えば、生成装置１００は、行動履歴ＡＬ１１に基づいて、各属性に応じたモデルを生成する。例えば、生成装置１００は、行動履歴ＡＬ１１に基づいて、２０代男性の行動モデルＭ１や２０代女性の行動モデルＭ２等の種々のモデルを生成してもよい。例えば、生成装置１００は、オープンデータＯＤ１１を加味して、モデルを生成してもよい。例えば、生成装置１００は、生成したモデルＭ１やモデルＭ２等をモデル情報記憶部１２４（図５参照）に記憶してもよい。

そして、生成装置１００は、各エージェントに適用するモデルを決定する。例えば、生成装置１００は、オープンデータＯＤ１１に含まれるエリアＡの人口構成等に関する情報に基づいて、各エージェントに適用するモデルを決定してもよい。図１の例では、属性情報として年齢及び性別に関するエリアＡの人口構成に基づいて、各エージェントに適用するモデルを決定する場合を示す。なお、人口構成に用いる属性情報は年齢や性別に限らず、種々の属性情報が用いられてもよい。図１の例では、エリアＡの人口構成は２０代男性が多いものとして以下説明する。

例えば、生成装置１００は、エリアＡにおける人間の数（人口等）だけエージェントを生成する。図１の例では、生成装置１００は、エリアＡにおける人口が５万人であり、５万のエージェントを生成するものとする。例えば、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２等を含む５万のエージェントを生成するものとする。例えば、生成装置１００は、エリアＡにおける人口構成を反映するように５万のエージェントに属性を割り当てる。例えば、生成装置１００は、エリアＡにおける２０代男性の割合が５０％である場合、２万５千のエージェントに２０代男性の属性を割り当てる。また、例えば、生成装置１００は、エリアＡにおける２０代女性の割合が２０％である場合、１万のエージェントに２０代女性の属性を割り当てる。

なお、上述のように、「エージェントＡＧ＊（＊は任意の数値）」と記載した場合、そのエージェントはエージェントＩＤ「ＡＧ＊」（図６参照）により識別されるエージェントであることを示す。例えば、「エージェントＡＧ１」と記載した場合、そのエージェントはエージェントＩＤ「ＡＧ１」により識別されるエージェントである。

ここで、エージェントＡＧ１やエージェントＡＧ２は、２０代男性の属性が割り当てられたエージェントであるものとする。そのため、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２には、２０代男性に対応するモデルＭ１を適用すると決定する。例えば、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２を含む２０代男性の属性が割り当てられた２万５千のエージェントには、２０代男性に対応するモデルＭ１を適用すると決定する。また、例えば、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２以外の２０代女性の属性が割り当てられた１万のエージェントには、２０代女性に対応するモデルＭ２を適用すると決定する。

そして、生成装置１００は、ステップＳ１３において決定したモデルを各エージェントに適用する（ステップＳ１４）。図１の例では、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２にモデルＭ１を適用する。そして、生成装置１００は、シミュレータに各エージェントを適用する（ステップＳ１５）。図１の例では、生成装置１００は、シミュレータに各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。具体的には、生成装置１００は、エリアＡを模した仮想空間ＣＳ１１に各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。

また、図１の例では、生成装置１００は、エリアＡを模した仮想空間ＣＳ１１に、オープンデータＯＤ１１に基づく各種状況を適用する。例えば、生成装置１００は、交通に関するオープンデータＯＤ１１−１に基づいて、所定の道路（橋）が工事中であり通行止めＣＬ１であることを示す情報を適用する。また、例えば、生成装置１００は、交通に関するオープンデータＯＤ１１−１に基づいて、所定の道路（橋）が渋滞ＳＮ１であることを示す情報を適用する。このように、生成装置１００は、各種のオープンデータＯＤ１１の情報をシミュレータに適用することにより、エリアＡの現実に即した仮想空間ＣＳ１１によりシミュレーションすることができる。

そして、生成装置１００は、ステップＳ１５において適用したエージェントによりシミュレーションを行う（ステップＳ１６）。例えば、仮想空間ＣＳ１１に適用された各エージェントＡＧ１、ＡＧ２等は、各自に割り当てられたモデルに応じて行動を行う。例えば、エージェントＡＧ２は、分岐点ＢＲ１に来た場合、左右のいずれに曲がるかをモデルＭ１に応じて決定する。例えば、エージェントＡＧ２は、６０％の確率で右に曲がり、４０％の確率で左に曲がるモデルＭ１に基づいて、確率的にいずれに曲がるかを決定し行動する。

また、例えば、２０代女性のモデルＭ２が適用されたエージェントが分岐点ＢＲ１に来た場合、左右のいずれに曲がるかをモデルＭ２に応じて決定する。例えば、２０代女性のモデルＭ２が適用されたエージェントは、２０％の確率で右に曲がり、８０％の確率で左に曲がるモデルＭ２に基づいて、確率的にいずれに曲がるかを決定し行動する。このように、各エージェントは、自身に割り当てられたモデルに応じて確率的に仮想空間ＣＳ１１内において行動を行う。

例えば、モデルＭ１やモデルＭ２は、上述したような各エージェントの確率的な行動に関する行動モデル（確率モデル）であってもよい。例えば、モデルＭ１やモデルＭ２は、仮想空間ＣＳ１１中の分岐点ＢＲ１に示すような複数の選択肢がある地点（時点）にエージェントが差し当たった場合、それらの複数の選択肢のうち、いずれの選択肢をエージェントが選択するかの確率を示す確率モデルであってもよい。

例えば、モデルＭ１は、仮想空間ＣＳ１１中に渋滞ＳＮ１のような交通渋滞がある場合に、エージェントが渋滞ＳＮ１に差し掛かった際に、渋滞を回避する確率が５５％であり、渋滞を回避しない確率が４５％であることを示す情報を含む確率モデルであってもよい。この場合、例えば、モデルＭ１が適用されたエージェントが渋滞ＳＮ１に差し掛かった場合、モデルＭ１が適用されたエージェントは、５５％の確率で渋滞ＳＮ１を回避し、４５％の確率で渋滞ＳＮ１を回避しない、すなわちそのまま通行することになる。したがって、モデルＭ１が適用された多数のエージェントが渋滞ＳＮ１に差し掛かった場合、その確率モデルに応じて、モデルＭ１が適用された多数のエージェントの行動が分岐することとなる。例えば、モデルＭ１が適用された２万のエージェントが渋滞ＳＮ１に差し掛かった場合、確率モデルに応じて、約１万１千のエージェントが渋滞ＳＮ１を回避し、約９千のエージェントが渋滞ＳＮ１を回避せず、そのまま通行するというシミュレーションログが生成されることとなる。

このように、生成装置１００は、仮想空間ＣＳ１１において各エージェントに行動を行わせることにより、シミュレーションログＳＬ１１を生成する（ステップＳ１７）。例えば、生成装置１００は、生成したシミュレーションログＳＬ１１をエージェント情報記憶部１２５（図６参照）に格納する。なお、上記は一例であり、生成装置１００は、所望のシミュレーションログが生成可能であれば、種々の情報やモデルを適宜用いてシミュレーションログを生成してもよい。

また、図１の例では、生成装置１００は、生成したシミュレーションログＳＬ１１に基づいて、所定のサービスに適用可能な形式のログ情報を生成する。例えば、生成装置１００は、生成したシミュレーションログＳＬ１１に基づいて、広告配信サービスや電子商取引サービスにおいて利用可能な形式のログ情報を生成する。

上述したように、生成装置１００は、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。これにより、生成装置１００は、所定のエリアにおけるユーザの行動履歴が不足する場合であっても、シミュレーションによりログ情報を増幅することができる。したがって、生成装置１００は、所定のエリアにおけるユーザの行動履歴を単純にＮ（例えば、１より大きい任意の実数）倍するのではなく、実際にシミュレーションを行って生成したシミュレーションログによりログ情報を増幅することにより、より現実世界を適切に反映したログ情報を生成することができる。このように、生成装置１００は、シミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成することにより、現実世界を適切に反映したログ情報を生成することができるため、シミュレーション結果を種々のサービスにおいて利用することができる。

また、上述したように、生成装置１００は、実施のユーザの行動履歴とオープンデータとを加味し、ユーザの行動が確率的に決定されるシミュレーションにより、より現実的なシミュレーションログ（シミュレーション情報）を生成することができる。例えば、生成装置１００は、確率モデル等の種々のモデルを用いて行動履歴（ログ）を増幅させることができる。例えば、生成装置１００は、現実の行動においては、確率的な分岐は多数あるため、確率モデル等の種々のモデルを用いたシミュレーションにより、基本的な統計の確率よりもより現実に近いデータを得ることができる。また、例えば、生成装置１００は、実際のログデータ（行動履歴）を入力として、シミュレーションログを生成することにより、より現実世界を適切に反映したログ情報を生成することができる。また、例えば、生成装置１００は、実際のユーザの行動履歴を複数日集めることにより、シミュレーション自体のパラメータも補強することができる。

例えば、従来のログデータ（行動履歴等）の解析においては、１つのログがｎ人分（ｎ＞１）を代表しているものとして、１つのログをｎ倍する手法（以下、「従来手法」ともいう）を用いて、種々の予測・推定（需要推定、客数の予測、視聴率予測等）を行う。例えば、実際のユーザの行動履歴において不足する部分について、従来手法のように１つのログをｎ倍する手法では、実際のユーザの行動履歴において不足する部分（少量）をｎ倍して増幅させるため、元のデータが少ないため、大数の法則（中心極限定理）等の確率論・統計学における法則が働きにくく信頼性を高めることが難しい。したがって、従来手法では、実際のユーザの行動履歴において不足する部分については、予測・推定を行う精度を高めることが難しい。

一方、生成装置１００は、実際のユーザの行動履歴において不足する部分をシミュレーションにより補完することができる。例えば、生成装置１００は、実際のユーザの行動履歴に基づいてモデルが決定されたエージェントのシミュレーションログを生成することにより、確率的に振る舞うエージェントのシミュレーションログを生成することができる。そのため、生成装置１００は、１秒１分等のタイムスライスごとの適切な統計データを分析することができる。このように、生成装置１００は、実際のユーザの行動履歴において不足する部分をシミュレーションにより補完することができる。

例えば、上述したようなシミュレーションを行うことなく、単純に分岐における各選択肢の確率やその分岐における選択を行うユーザ数等に基づいて、ログを増幅した場合、多様な行動パターンを表現することが難しい。例えば、単純に分岐における各選択肢の確率やその分岐における選択を行うユーザ数等に基づいて、各選択肢の期待値を算出し、その期待値を、各選択肢を選択した人数（ユーザ数）としてログを増幅した場合、上述したような渋滞等の交通状況等を適切に反映した期待値を算出することは難しい。また、待ち行列や、天候の変化といった物理現象は確率で表現することが困難である。一方で、生成装置１００は、実際のユーザのログデータ（行動履歴）に基づいてモデルやパラメータ等を調整し、シミュレーションを行うことにより、確率では表現することは難しい多様な行動パターンによりログを生成（増幅）することができる。

また、上述のような単純な確率に基づく期待値算出の場合、複数の分岐における選択肢の選択を積み重ねた最終的な結果の期待値等を算出する場合、組み合わせの数が膨大になり、適切に反映した期待値を算出することがより困難になる。一方で、生成装置１００は、実際のユーザの行動を模した複数のエージェントをシミュレーションに適用し、仮想区間内でのエージェントの行動によりログを生成（増幅）する。この場合、エージェントが配置された仮想区間内では、各エージェントの行動に応じて、エージェント相互の作用やエージェントと環境（他の自動車等の交通や天候等）との作用により、例えばエージェントの行動による渋滞の発生や交通事故の発生等が起こる。このような場合、仮想区間内のエージェントは、多様に変化する状況に応じて種々の選択をし、行動することになる。したがって、上述した生成装置１００における生成処理は、いわゆる複雑系である現実世界においてユーザが行った行動履歴と同様の行動履歴（シミュレーションログ）を、仮想区間におけるエージェントの振る舞いにより生成することが可能となる。これにより、生成装置１００は、期待値計算等の単純な算出式（関数）等を用いるのみでは得ることが難しい現実世界を反映した情報（ログデータ）を、生成することが可能となる。

〔１−１．シミュレーションについて〕
上述したように、生成装置１００は、時間帯や時期等を加味して、シミュレーションを行ってもよい。例えば、生成装置１００は、月曜日の朝７時台のエリアＡにおけるユーザの行動履歴が不足する場合、月曜日の朝７時台におけるシミュレーションを行い、月曜日の朝７時台のエリアＡにおけるシミュレーションログ（シミュレーション情報）を生成してもよい。例えば、生成装置１００は、エリアＡにおける月曜日の朝に関するオープンデータを用いて、シミュレーションを行ってもよい。例えば、生成装置１００は、月曜日の朝におけるエリアＡの交通に関するオープンデータＯＤ１１−１を用いて、シミュレーションを行ってもよい。

また、例えば、生成装置１００は、１２月の雨の日のエリアＡにおけるユーザの行動履歴が不足する場合、１２月の雨の日のエリアＡにおけるシミュレーションを行い、１２月の雨の日のエリアＡにおけるシミュレーションログ（シミュレーション情報）を生成してもよい。例えば、生成装置１００は、エリアＡにおける２月の雨の日に関するオープンデータを用いて、シミュレーションを行ってもよい。例えば、生成装置１００は、エリアＡにおける２月の雨の日の交通に関するオープンデータＯＤ１１−１や気象に関するオープンデータＯＤ１１−２を用いて、シミュレーションを行ってもよい。

〔１−２．対象について〕
また、上述した例では、エリアＡにおけるユーザの移動を対象として、シミュレーションログを生成する場合を示したが、生成装置１００は、種々の対象についてシミュレーションログを生成してもよい。例えば、生成装置１００は、ユーザの商品等の購入に関する行動を対象として、シミュレーションログを生成してもよい。例えば、生成装置１００は、ユーザが実店舗で商品を購入したり、ウェブ上において商品を購入したりするなどの種々の形態のショッピングを対象として、シミュレーションログを生成してもよい。

例えば、生成装置１００は、所定のシミュレータによるシミュレーションの結果の適用対象となるサービスを利用するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定してもよい。例えば、生成装置１００は、電子商取引サービスを利用するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定してもよい。例えば、生成装置１００は、電子商取引サービスを利用するユーザのデモグラフィック属性やサイコグラフィック属性に基づいて、エージェントに適用するモデルを決定してもよい。

このように、生成装置１００は、シミュレーションの対象となる地域の縮図となるユーザ属性や適用したいサービスを利用するユーザ属性等の種々の情報に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。したがって、生成装置１００は、実施のユーザの行動履歴とオープンデータとを加味し、ユーザの行動が確率的に決定されるシミュレーションにより、より現実的なシミュレーションログ（シミュレーション情報）を生成することができる。

〔１−３．エージェントについて〕
なお、上記の例では、エージェントに年齢と性別に関する属性を割り当てる場合を示したが、エージェントに割り当てる属性については、年齢や設別に限らず種々の属性が割り当てられてもよい。例えば、エージェントには、種々のデモグラフィック属性やサイコグラフィック属性が割り当てられてもよい。例えば、エージェントには、自宅の住所（以下、単に「自宅」と記載）、勤務地、興味、趣味、性格、家族構成、収入、ライフスタイル等の種々の属性が割り当てられてもよい。例えば、エージェントには、お金に厳しいや、浪費癖ありや、乗換の時間に厳しいや、時間にルーズ等の種々の属性が割り当てられてもよい。

また、上記の例では、エージェントに年齢や性別を割り当てる例を示したが、例えば、年齢や性別による行動の差異が少ない場合、エージェントに割り当てる属性に年齢や性別が含まれなくてもよい。例えば、エリアＡにおける行動の差異が勤務地や家族構成が異なる場合に大きい場合は、エージェントに勤務地や家族構成を割り当ててもよい。

〔１−４．モデルについて〕
なお、モデルについては上記に限らず、上述したような生成処理を実行可能であれば、種々のモデルが用いられてもよい。生成装置１００は、確率モデル等の種々のモデルを適宜用いてシミュレーションを行ってもよい。また、上記は一例であり、例えば、生成装置１００は、行動履歴が不足している属性に関するモデルをエージェントに適用するモデルとして決定してもよい。

また、生成装置１００は、シミュレーションを行う時点に近い履歴ほど重みを大きくして生成されたモデルを用いてもよい。例えば、生成装置１００は、第１の時点に収集された履歴情報（行動履歴）の方が、第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいて生成されたモデルを用いてもよい。生成装置１００は、シミュレーションを行う時点に近い履歴ほど重みを大きくしてモデルを生成してもよい。例えば、生成装置１００は、第１の時点に収集された履歴情報（行動履歴）の方が、第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいてモデルを生成してもよい。

例えば、生成装置１００は、シミュレーションの対象となる日付の当日に収集された履歴情報を前日以前に収集された履歴情報よりも重要な情報として、エージェントに適用するモデルを決定してもよい。また、例えば、生成装置１００は、シミュレーションの対象となる日付の当日に収集された履歴情報が所定の閾値以上のデータ量である場合、その当日に収集された履歴情報のみを用いてモデルを生成したり、エージェントに適用するモデルを決定したりしてもよい。

また、生成装置１００は、シミュレーションの対象となる日付の曜日に対応する履歴情報の方が、他の曜日に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定してもよい。例えば、生成装置１００は、シミュレーションの対象となる日付の曜日が水曜日である場合、水曜日に収集された履歴情報を他の曜日に収集された履歴情報よりも重要な情報として、エージェントに適用するモデルを決定してもよい。例えば、生成装置１００は、シミュレーションの対象となる日付の曜日が水曜日である場合、水曜日に収集された履歴情報が所定の閾値以上のデータ量である場合、水曜日に収集された履歴情報のみを用いてモデルを生成したり、エージェントに適用するモデルを決定したりしてもよい。

また、上記の例では、年齢や性別に応じたモデルを用いる例を示したが、例えば、年齢や性別による行動の差異が少ない場合、年齢や性別に応じたモデルを用いなくてもよい。例えば、エリアＡにおける行動の差異が自宅や収入が異なる場合に大きい場合は、自宅や収入に応じたモデルを用いてもよい。

〔１−５．データの利用について〕
なお、上記の例では、エリアＡの人口に合わせて５万のエージェントに関するシミュレーションログを生成したが、生成装置１００は、生成したシミュレーションログのうち所定のエージェントに関するシミュレーションログのみを利用してもよい。

例えば、生成装置１００は、実際のユーザに関する行動履歴が１万人分取得済みである場合、５万のエージェントに関するシミュレーションログのうち、実際のユーザにおいて不足する４万（＝５万−１万）のエージェント分のシミュレーションログを増幅分の行動履歴として用いると決定してもよい。

例えば、生成装置１００は、５万のエージェントに関するシミュレーションログのうち、増幅分の行動履歴として用いるシミュレーションログをランダムサンプリングにより決定してもよい。また、例えば、生成装置１００は、５万のエージェントに関するシミュレーションログのうち、エリアＡの人口構成に基づいて、増幅分の行動履歴として用いるシミュレーションログを決定してもよい。例えば、生成装置１００は、実際のユーザである１万人の属性とエージェントの４万の属性との統計が、エリアＡの統計に近似するように増幅分の行動履歴として用いるシミュレーションログを決定してもよい。

〔２．生成システムの構成〕
図２に示すように、生成システム１は、端末装置１０と、情報提供装置５０と、生成装置１００とが含まれる。端末装置１０と、情報提供装置５０と、生成装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図２は、実施形態に係る生成システムの構成例を示す図である。なお、図２に示した生成システム１には、複数台の端末装置１０や、複数台の情報提供装置５０や、複数台の生成装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。なお、上述した端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。例えば、端末装置１０は、生成装置１００に位置情報等の行動情報を送信する。

情報提供装置５０は、種々のオープンデータが格納された情報処理装置である。例えば、情報提供装置５０は、オープンデータを提供する。また、例えば、情報提供装置５０は、オープンデータＯＤ１１を生成装置１００へ提供する。

生成装置１００は、所定のユーザの行動に関する履歴情報に基づいて、履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する決定装置である。また、生成装置１００は、モデルが適用されたエージェントの所定のシミュレータにおける行動に関するシミュレーション情報を生成する情報処理装置である。例えば、生成装置１００は、端末装置１０から位置情報等の行動情報を収集する。

〔３．生成装置の構成〕
次に、図３を用いて、実施形態に係る生成装置１００の構成について説明する。図３は、実施形態に係る生成装置の構成例を示す図である。図３に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワーク（例えば図２中のネットワークＮ）と有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図３に示すように、シミュレータ情報記憶部１２１と、オープンデータ記憶部１２２と、ユーザ情報記憶部１２３と、モデル情報記憶部１２４と、エージェント情報記憶部１２５とを有する。なお、図示することは省略するが、シミュレータ情報記憶部１２１には、仮想空間に関する情報等の所定のシミュレータに関する各種情報が記憶される。また、図示することは省略するが、オープンデータ記憶部１２２には、図１に示すような、工事や渋滞等の道路情報等の交通に関するオープンデータＯＤ１１−１や、天気や気温等の気象に関するオープンデータＯＤ１１−２や、家計や消費等の経済に関するオープンデータＯＤ１１−３等を含むオープンデータＯＤ１１が記憶される。

（ユーザ情報記憶部１２３）
実施形態に係るユーザ情報記憶部１２３は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２３は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図４は、実施形態に係るユーザ情報記憶部の一例を示す図である。図４に示すユーザ情報記憶部１２３は、「ユーザＩＤ」、「属性情報」、「履歴情報」といった項目が含まれる。「属性情報」には、「年齢」、「性別」といった項目が含まれる。「履歴情報」には、「日時」、「位置情報」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。また、「属性情報」は、ユーザの属性情報を示す。「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。

「履歴情報」は、例えば、ユーザの位置情報の履歴を示す。「日時」は、各位置情報が取得された日時を示す。なお、図４の例では「日時」を抽象的な符号「日時ＤＡ−１」等で図示するが、「日時」には、「２０１６年１２月２３日１４時０１分４３秒」等の具体的な日時が記憶されてもよい。また、「位置情報」は、対応する日時における対応するユーザの位置情報を示す。なお、図４の例では「位置情報」を抽象的な符号「ＬＣ１１−１」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。

例えば、図４に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。例えば、図４に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置情報「ＬＣ１１−１」が、日時「日時ＤＡ−１」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置情報「ＬＣ１１−１」が、日時「日時ＤＡ−１」に取得されたことを示す。例えば、図４に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置情報「ＬＣ１２−１」が、日時「日時ＤＢ−１」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置情報「ＬＣ１２−１」が、日時「日時ＤＢ−１」に取得されたことを示す。

なお、ユーザ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザの属性情報として、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザの属性情報として、氏名、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。また、例えば、ユーザ情報記憶部１２３は、ユーザの履歴情報として、商品Ａの購入やコンテンツＡの閲覧等のユーザの行動の内容に関する情報を記憶してもよい。また、例えば、ユーザ情報記憶部１２３は、ユーザの履歴情報として、ユーザのコンテキストに関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２３には、ユーザが「通勤中」やユーザが「骨折中」やユーザが「渋滞に巻き込まれているサラリーマン」とか、ユーザが「気分が悪い学生」等の種々のコンテキストに関する情報が記憶されてもよい。また、例えば、生成装置１００は、このようなコンテキストに関する情報を加味してモデルの生成等を行ってもよい。例えば、生成装置１００は、このようなコンテキストによって確率が変動する確率モデルを生成してもよい。これにより、生成装置１００は、多様なシミュレーションを行うことができる。

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、各利用目的に対応するモデル情報を記憶する。図５は、実施形態に係るモデル情報記憶部の一例を示す図である。図５に示すモデル情報記憶部１２４は、モデル情報として、モデルＭ１等に対応させて「素性１」〜「素性３」等といった項目を有する。

例えば、図５に示す例において、モデルＭ１に関するモデル情報は、素性１の重みが「０．６」、素性２の重みが「０．４」、素性３の重みが「０．２」等であることを示す。例えば、図５に示す例において、モデルＭ２に関するモデル情報は、素性１の重みが「０．２」、素性２の重みが「０．８」、素性３の重みが「０．５」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。

なお、モデル情報記憶部１２４は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。例えば、モデル情報記憶部１２４は、確率モデル等の種々のモデル情報が記憶されてもよい。

（エージェント情報記憶部１２５）
実施形態に係るエージェント情報記憶部１２５は、エージェントに関する各種情報を記憶する。例えば、エージェント情報記憶部１２５は、エージェント属性に関する各種情報やエージェントの行動に関する各種情報を記憶する。図６は、実施形態に係るエージェント情報記憶部の一例を示す図である。図６に示すエージェント情報記憶部１２５は、「エージェントＩＤ」、「属性情報」、「履歴情報」といった項目が含まれる。「属性情報」には、「年齢」、「性別」といった項目が含まれる。「履歴情報」には、「日時」、「位置情報」といった項目が含まれる。

「エージェントＩＤ」は、エージェントを識別するための識別情報を示す。例えば、エージェントＩＤ「ＡＧ１」により識別されるエージェントは、図１の例に示したエージェントＡＧ１に対応する。また、「属性情報」は、エージェントに割り当てられた属性情報を示す。「年齢」は、エージェントＩＤにより識別されるエージェントに割り当てられた年齢を示す。なお、「年齢」は、例えば３５歳など、エージェントＩＤにより識別されるエージェントに割り当てられた具体的な年齢であってもよい。また、「性別」は、エージェントＩＤにより識別されるエージェントに割り当てられた性別を示す。

「履歴情報」は、例えば、エージェントのシミュレーションにおける位置情報の履歴を示す。「日時」は、各位置情報が取得された日時を示す。なお、図６の例では「日時」を抽象的な符号「日時ＤＡ−１１」等で図示するが、「日時」には、「２０１６年１２月２３日１４時０１分４３秒」等の具体的な日時が記憶されてもよい。例えば、エージェント情報記憶部１２５における「日時」には、シミュレーションにおいて設定された日時が記憶されてもよい。また、「位置情報」は、対応する日時における対応するエージェントのシミュレーションにおける位置情報を示す。なお、図６の例では「位置情報」を抽象的な符号「ＬＣ２４−１１」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。

例えば、図６に示す例において、エージェントＩＤ「ＡＧ１」により識別されるエージェントに割り当てられた年齢は、「２０代」であり、性別は、「男性」であることを示す。例えば、図６に示す例において、エージェントＩＤ「ＡＧ１」により識別されるエージェントの位置情報「ＬＣ２４−１１」が、日時「日時ＤＡ−１１」に取得されたことを示す。例えば、エージェントＩＤ「ＡＧ１」により識別されるエージェントが利用する端末装置１０の位置情報「ＬＣ２４−１１」が、日時「日時ＤＡ−１１」に取得されたことを示す。例えば、図６に示す例において、エージェントＩＤ「ＡＧ１」により識別されるエージェントの位置情報「ＬＣ２５−１１」が、日時「日時ＤＢ−１１」に取得されたことを示す。例えば、エージェントＩＤ「ＡＧ１」により識別されるエージェントが利用する端末装置１０の位置情報「ＬＣ２５−１１」が、日時「日時ＤＢ−１１」に取得されたことを示す。

なお、エージェント情報記憶部１２５は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、エージェント情報記憶部１２５は、エージェントに割り当てられた属性情報として、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、エージェント情報記憶部１２５は、エージェントに割り当てられた属性情報として、氏名、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。また、例えば、エージェント情報記憶部１２５は、エージェントの履歴情報として、商品Ａの購入やコンテンツＡの閲覧等のエージェントの行動の内容に関する情報を記憶してもよい。また、例えば、エージェント情報記憶部１２５は、エージェントの履歴情報として、エージェントのコンテキストに関する情報を記憶してもよい。

（制御部１３０）
図３の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、生成装置１００内部の記憶装置に記憶されている各種プログラム（決定プログラムや生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、決定部１３２と、生成部１３３と、提供部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、外部の情報処理装置から各種情報を取得する。例えば、取得部１３１は、シミュレータ情報記憶部１２１やオープンデータ記憶部１２２やユーザ情報記憶部１２３やモデル情報記憶部１２４やエージェント情報記憶部１２５から各種情報を取得する。例えば、取得部１３１は、所定のユーザの行動に関する履歴情報を取得する。例えば、取得部１３１は、オープンデータに関する情報を取得する。

図１の例では、取得部１３１は、行動履歴ＡＬ１１を取得する。図１の例では、取得部１３１は、エリアＡにおけるユーザの行動情報の履歴を含む行動履歴ＡＬ１１を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２３（図４参照）からエリアＡにおけるユーザの行動履歴に関する情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２３（図４参照）からエリアＡにおけるユーザの行動履歴として、ユーザＩＤ「Ｕ１」により識別されるユーザの行動履歴やユーザＩＤ「Ｕ２」により識別されるユーザの行動履歴等を取得する。

また、取得部１３１は、オープンデータＯＤ１１を取得する。また、取得部１３１は、オープンデータ記憶部１２２からオープンデータＯＤ１１を取得してもよい。例えば、取得部１３１は、端末装置１０から位置情報等の行動情報を取得する。

（決定部１３２）
決定部１３２は、各種情報を決定する。例えば、決定部１３２は、取得部１３１により取得された履歴情報に基づいて、履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する。例えば、決定部１３２は、取得部１３１により取得されたオープンデータに関する情報に基づいて、エージェントに適用するモデルを決定する。例えば、決定部１３２は、所定のシミュレータによるシミュレーションの対象となるエリアに位置するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定する。

例えば、決定部１３２は、所定のシミュレータによるシミュレーションの結果の適用対象となるサービスを利用するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定する。例えば、決定部１３２は、履歴情報の各々に対応する時点に応じて割り当てられる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。

例えば、決定部１３２は、第１の時点に対応する履歴情報の方が、第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。例えば、決定部１３２は、所定のシミュレータにおけるシミュレーションの対象となる日付の曜日に対応する履歴情報の方が、他の曜日に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。

図１の例では、決定部１３２は、各エージェントに適用するモデルを決定する。例えば、決定部１３２は、オープンデータＯＤ１１に含まれるエリアＡの人口構成等に関する情報に基づいて、各エージェントに適用するモデルを決定する。

図１の例では、決定部１３２は、エージェントＡＧ１やエージェントＡＧ２には、２０代男性に対応するモデルＭ１を適用すると決定する。例えば、決定部１３２は、エージェントＡＧ１やエージェントＡＧ２を含む２０代男性の属性が割り当てられた２万５千のエージェントには、２０代男性に対応するモデルＭ１を適用すると決定する。また、例えば、決定部１３２は、エージェントＡＧ１やエージェントＡＧ２以外の２０代女性の属性が割り当てられた１万のエージェントには、２０代女性に対応するモデルＭ２を適用すると決定する。

図１の例では、決定部１３２は、エリアＡにおける人間の数（人口等）だけエージェントを生成する。図１の例では、決定部１３２は、エリアＡにおける人口が５万人であり、５万のエージェントを生成するものとする。例えば、決定部１３２は、エージェントＡＧ１やエージェントＡＧ２等を含む５万のエージェントを生成するものとする。例えば、決定部１３２は、エリアＡにおける人口構成を反映するように５万のエージェントに属性を割り当てる。例えば、決定部１３２は、エリアＡにおける２０代男性の割合が５０％である場合、２万５千のエージェントに２０代男性の属性を割り当てる。また、例えば、決定部１３２は、エリアＡにおける２０代女性の割合が２０％である場合、１万のエージェントに２０代女性の属性を割り当てる。

図１の例では、決定部１３２は、決定したモデルを各エージェントに適用する。図１の例では、決定部１３２は、エージェントＡＧ１やエージェントＡＧ２にモデルＭ１を適用する。例えば、決定部１３２は、シミュレータに各エージェントを適用する。図１の例では、決定部１３２は、シミュレータに各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。例えば、決定部１３２は、エリアＡを模した仮想空間ＣＳ１１に各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。例えば、決定部１３２は、適用したエージェントによりシミュレーションを行う。

（生成部１３３）
生成部１３３は、各種情報を生成する。例えば、生成部１３３は、決定部１３２により決定されたモデルが適用されたエージェントの所定のシミュレータにおける行動に関するシミュレーション情報を生成する。例えば、生成部１３３は、シミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する。例えば、生成部１３３は、所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する。

図１の例では、生成部１３３は、シミュレーションにおいてエージェントに適用するモデルを生成する。例えば、生成部１３３は、行動履歴ＡＬ１１に基づいてモデルを生成する。例えば、生成部１３３は、行動履歴ＡＬ１１に基づいて、モデル情報記憶部１２４に示すようなモデルＭ１等を生成する。例えば、生成部１３３は、行動履歴ＡＬ１１に基づいて、各属性に応じたモデルを生成する。例えば、生成部１３３は、行動履歴ＡＬ１１に基づいて、２０代男性の行動モデルＭ１や２０代女性の行動モデルＭ２等の種々のモデルを生成してもよい。例えば、生成部１３３は、オープンデータＯＤ１１を加味して、モデルを生成してもよい。図１の例では、生成部１３３は、仮想空間ＣＳ１１において各エージェントに行動を行わせることにより、シミュレーションログＳＬ１１を生成する。

また、図１の例では、生成部１３３は、生成したシミュレーションログＳＬ１１に基づいて、所定のサービスに適用可能な形式のログ情報を生成する。例えば、生成部１３３は、生成したシミュレーションログＳＬ１１に基づいて、広告配信サービスや電子商取引サービスにおいて利用可能な形式のログ情報を生成する。

（提供部１３４）
提供部１３４は、各種情報を提供する。例えば、提供部１３４は、端末装置１０に各種情報を提供する。例えば、提供部１３４は、生成部１３３により生成されたログ情報に基づいて、種々のサービスを提供してもよい。

〔４．生成処理のフロー〕
次に、図７を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図７は、実施形態に係る生成処理の一例を示すフローチャートである。また、図７に示す生成処理には、エージェントにモデルを割り当てる決定処理が含まれる。なお、シミュレーションログを生成する生成処理には、エージェントにモデルを割り当てる決定処理が含まれなくてもよい。

図７に示すように、生成装置１００は、行動履歴を取得する（ステップＳ１０１）。例えば、生成装置１００は、ユーザ情報記憶部１２３（図４参照）に示すような行動履歴を取得する。図１の例では、生成装置１００は、行動履歴ＡＬ１１を取得する。

また、生成装置１００は、オープンデータを取得する（ステップＳ１０２）。例えば、生成装置１００は、オープンデータＯＤ１１を取得する。例えば、生成装置１００は、オープンデータ記憶部１２２（図３参照）からオープンデータＯＤ１１を取得してもよい。

そして、生成装置１００は、エージェントに適用するモデルを決定する（ステップＳ１０３）。図１の例では、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２には、２０代男性に対応するモデルＭ１を適用すると決定する。例えば、図１の例では、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２を含む２０代男性の属性が割り当てられた２万５千のエージェントには、２０代男性に対応するモデルＭ１を適用すると決定する。また、図１の例では、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２以外の２０代女性の属性が割り当てられた１万のエージェントには、２０代女性に対応するモデルＭ２を適用すると決定する。

そして、生成装置１００は、エージェントにモデルを適用する（ステップＳ１０４）。図１の例では、生成装置１００は、エージェントＡＧ１やエージェントＡＧ２にモデルＭ１を適用する。

そして、生成装置１００は、エージェントをシミュレータに適用する（ステップＳ１０５）。図１の例では、生成装置１００は、シミュレータに各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。例えば、生成装置１００は、エリアＡを模した仮想空間ＣＳ１１に各エージェントＡＧ１、ＡＧ２等を含む５万のエージェントを適用する。

そして、生成装置１００は、シミュレーションを実行する（ステップＳ１０６）。図１の例では、生成装置１００は、各エージェントＡＧ１、ＡＧ２等を仮想空間ＣＳ１１において、各自に割り当てられたモデルに応じて行動させることにより、シミュレーションを実行する。

そして、生成装置１００は、シミュレーションログを生成する（ステップＳ１０７）。図１の例では、生成装置１００は、仮想空間ＣＳ１１において各エージェントに行動を行わせることにより、シミュレーションログＳＬ１１を生成する。

〔５．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、決定部１３２とを有する。取得部１３１は、所定のユーザの行動に関する履歴情報を取得する。決定部１３２は、取得部１３１により取得された履歴情報に基づいて、履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、所定のユーザの行動に関する履歴情報に基づいて、履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、オープンデータに関する情報を取得する。決定部１３２は、取得部１３１により取得されたオープンデータに関する情報に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、オープンデータに関する情報に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、決定部１３２は、所定のシミュレータによるシミュレーションの対象となるエリアに位置するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、所定のシミュレータによるシミュレーションの対象となるエリアに位置するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、決定部１３２は、所定のシミュレータによるシミュレーションの結果の適用対象となるサービスを利用するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、所定のシミュレータによるシミュレーションの結果の適用対象となるサービスを利用するユーザのユーザ属性に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、決定部１３２は、履歴情報の各々に対応する時点に応じて割り当てられる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、履歴情報の各々に対応する時点に応じて割り当てられる重みに関する情報に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、決定部１３２は、第１の時点に対応する履歴情報の方が、第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、第１の時点に対応する履歴情報の方が、第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００において、決定部１３２は、所定のシミュレータにおけるシミュレーションの対象となる日付の曜日に対応する履歴情報の方が、他の曜日に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定する。

これにより、実施形態に係る生成装置１００は、所定のシミュレータにおけるシミュレーションの対象となる日付の曜日に対応する履歴情報の方が、他の曜日に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、エージェントに適用するモデルを決定することにより、現実世界を適切に反映したシミュレーションによるシミュレーション情報の生成を可能にすることができる。

また、実施形態に係る生成装置１００は、生成部１３３を有する。生成部１３３は、決定部１３２により決定されたモデルが適用されたエージェントの所定のシミュレータにおける行動に関するシミュレーション情報を生成する。

これにより、実施形態に係る生成装置１００は、決定したモデルが適用されたエージェントの所定のシミュレータにおける行動に関するシミュレーション情報を生成することにより、現実世界を適切に反映したログ情報を生成することができる。したがって、生成装置１００は、履歴情報が不足する場合、適切な量まで履歴情報を増幅することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、シミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する。

これにより、実施形態に係る生成装置１００は、シミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成することにより、現実世界を適切に反映したログ情報を生成することができるため、シミュレーション結果を種々のサービスにおいて利用することができる。

〔６．ハードウェア構成〕
上述してきた実施形態に係る生成装置１００は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る生成装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔７．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた各実施形態に記載された各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 生成システム
１００ 生成装置（決定装置）
１２１ シミュレータ情報記憶部
１２２ オープンデータ記憶部
１２３ ユーザ情報記憶部
１２４ モデル情報記憶部
１２５ エージェント情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 決定部
１３３ 生成部
１３４ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク

Claims (14)

1. 所定のユーザの行動に関する履歴情報を取得する取得部と、
   前記取得部により取得された履歴情報に基づいて、前記履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する決定部と、
   を備えることを特徴とする決定装置。
2. 前記取得部は、
   オープンデータに関する情報を取得し、
   前記決定部は、
   前記取得部により取得されたオープンデータに関する情報に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１に記載の決定装置。
3. 前記決定部は、
   前記所定のシミュレータによるシミュレーションの対象となるエリアに位置するユーザのユーザ属性に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１または請求項２に記載の決定装置。
4. 前記決定部は、
   前記所定のシミュレータによるシミュレーションの結果の適用対象となるサービスを利用するユーザのユーザ属性に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１〜３のいずれか１項に記載の決定装置。
5. 前記決定部は、
   前記履歴情報の各々に対応する時点に応じて割り当てられる重みに関する情報に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１〜４のいずれか１項に記載の決定装置。
6. 前記決定部は、
   第１の時点に対応する履歴情報の方が、前記第１の時点よりも前の時点の第２の時点に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１〜５のいずれか１項に記載の決定装置。
7. 前記決定部は、
   前記所定のシミュレータにおけるシミュレーションの対象となる日付の曜日に対応する履歴情報の方が、他の曜日に対応する履歴情報よりも大きくなる重みに関する情報に基づいて、前記エージェントに適用するモデルを決定する
   ことを特徴とする請求項１〜６のいずれか１項に記載の決定装置。
8. 前記決定部により決定されたモデルが適用されたエージェントの前記所定のシミュレータにおける行動に関するシミュレーション情報を生成する生成部、
   をさらに備えることを特徴とする請求項１〜７のいずれか１項に記載の決定装置。
9. 前記生成部は、
   前記シミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する
   ことを特徴とする請求項８に記載の決定装置。
10. コンピュータが実行する決定方法であって、
    所定のユーザの行動に関する履歴情報を取得する取得工程と、
    前記取得工程により取得された履歴情報に基づいて、前記履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する決定工程と、
    を含むことを特徴とする決定方法。
11. 所定のユーザの行動に関する履歴情報を取得する取得手順と、
    前記取得手順により取得された履歴情報に基づいて、前記履歴情報を増幅するために用いられるシミュレーション情報を生成する所定のシミュレータにおけるエージェントに適用するモデルを決定する決定手順と、
    をコンピュータに実行させることを特徴とする決定プログラム。
12. 所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する生成部、
    を備えることを特徴とする生成装置。
13. コンピュータが実行する生成方法であって、
    所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する生成工程、
    を含むことを特徴とする生成方法。
14. 所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報に基づいて、所定のサービスに適用可能な形式のログ情報を生成する生成手順、
    をコンピュータに実行させることを特徴とする生成プログラム。

Images