JP2019032904A - 予測装置、予測方法、及び予測プログラム - Google Patents

Abstract

【課題】需要を適切に予測する。【解決手段】本願に係る予測装置は、取得部と、予測部と、を有する。取得部は、ユーザの位置情報を取得する。予測部は、取得部により取得されたユーザの位置情報に基づくユーザの訪問数の推移に関する情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要の変化に関する情報を予測する。【選択図】図３

Description

本発明は、予測装置、予測方法、及び予測プログラムに関する。

従来、種々の需要を予測する技術が提供されている。例えば、ユーザの検索データに基づいて、ユーザのニーズ情報を決定する技術が提供されている。

特開２０１７−１６６２５号公報

しかしながら、上記の従来技術では、需要を適切に予測することができるとは限らない。例えば、上記の従来技術では、ユーザの検索データを用いるだけでは、ユーザが検索に用いる情報にユーザの需要が反映されていない場合等、適切に需要を予測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、需要を適切に予測する予測装置、予測方法、及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、ユーザの位置情報を取得する取得部と、前記取得部により取得された前記ユーザの位置情報に基づく前記ユーザの訪問数の推移に関する情報と、位置に対応付けられた対象に関する情報とに基づいて、前記対象に関連する需要の変化に関する情報を予測する予測部と、を備えることを特徴とする。

実施形態の一態様によれば、需要を適切に予測することができるという効果を奏する。

図１は、実施形態に係る予測処理の一例を示す図である。 図２は、実施形態に係る予測システムの構成例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係るＰＯＩ情報記憶部の一例を示す図である。 図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図６は、実施形態に係る行動情報記憶部の一例を示す図である。 図７は、実施形態に係る関係情報記憶部の一例を示す図である。 図８は、実施形態に係る予測処理の一例を示すフローチャートである。 図９は、実施形態に係る予測処理の一例を示す図である。 図１０は、予測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、本願に係る予測装置、予測方法、及び予測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予測装置、予測方法、及び予測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．予測処理〕
図１を用いて、実施形態に係る予測処理の一例について説明する。図１は、実施形態に係る予測処理の一例を示す図である。具体的には、図１は、予測装置１００がユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する一例を示す図である。予測装置１００は、所定の位置にあるＰＯＩ（興味のある地点：Point of Interest）に関連する対象に関連する需要を予測する。ここでいうＰＯＩには、商品やサービスを提供する店舗や渡航に必要なビザの発給などを行う大使館等の種々の地点が含まれてもよい。また、ＰＯＩは上記に限らず、学校や保育園等の教育機関やハローワーク等の行政機関等の種々の地点であってもよい。また、以下では、商品またはサービスを併せて「商品」と記載する場合がある。

図１の例で、予測装置１００は、カーディーラＭＡをＰＯＩとして、対象に関連する需要を予測する。具体的には、予測装置１００は、カーディーラＭＡで提供される提供物である車を対象として、需要を予測する。

〔予測システムの構成〕
まず、図１及び図２に示す予測システム１について説明する。図２に示すように、予測システム１は、端末装置１０と、事業者装置２０と、予測装置１００とが含まれる。端末装置１０と、事業者装置２０と、予測装置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、実施形態に係る予測システムの構成例を示す図である。なお、図２に示した予測システム１には、複数台の端末装置１０や、複数台の事業者装置２０や複数台の予測装置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、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。図１に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。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。

また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得するものとする。また、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）やＢｌｕｅｔｏｏｔｈ（登録商標）等の所定の無線通信機能やビーコン等の機能を用いてユーザの位置情報を検知し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。例えば、端末装置１０は、ＧＰＳや上記のような無線通信機能やビーコン等の情報を組み合わせることにより、ユーザの位置の推定精度を高めてもよい。

また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得する。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。

また、端末装置１０は、ユーザによる操作を受け付ける。また、端末装置１０は、予測装置１００に種々の情報を送信する。例えば、端末装置１０は、予測装置１００に位置情報等の種々の行動情報等を送信する。

また、図１に示す例においては、端末装置１０を利用するユーザに応じて、端末装置１０を端末装置１０−１〜１０−５として説明する。例えば、端末装置１０−１は、ユーザＵ１により使用される端末装置１０である。また、例えば、端末装置１０−２は、ユーザＵ２により使用される端末装置１０である。また、以下では、端末装置１０−１〜１０−５について、特に区別なく説明する場合には、端末装置１０と記載する。

上記のように「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ２」と記載した場合、そのユーザはユーザＩＤ「Ｕ２」により識別されるユーザである。図１に示した予測システム１には、ユーザＵ１が利用する端末装置１０や、ユーザＵ２が利用する端末装置１０等の多数の端末装置１０が含まれる。

予測装置１００は、ユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する情報処理装置である。また、例えば、予測装置１００は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供する。例えば、予測装置１００は、端末装置１０からＧＰＳや上記のような無線通信機能やビーコン等のユーザの位置に関する情報を取得し、それらの情報を組み合わせることにより、ユーザの位置の推定精度を高めてもよい。

事業者装置２０は、事業者（企業）によって利用される情報処理装置である。ここでいう事業者は、事業を行うものであれば、個人（自然人）や法人等の種々の事業者が含まれてもよい。例えば、事業者は、商品またはサービスを提供（販売）する企業であってもよい。また、事業者装置２０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や、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。

図１の例では、予測装置１００は、ユーザＵ１〜Ｕ５等が利用する端末装置１０が有するＧＰＳセンサ等の機能により、ユーザＵ１〜Ｕ５が利用する端末装置１０の位置を取得する。図１に示す地図情報ＭＰ１は、ユーザＵ１〜Ｕ５の位置を模式的に示す。また、図１の例では、予測対象が「車」であり、ユーザのカーディーラへの訪問に関する情報に基づいて、ユーザによる車の購入契約に関する需要を予測する。

まず、予測装置１００は、ユーザＵ１が利用する端末装置１０−１から位置情報を取得する（ステップＳ１１−１）。図１の例では、予測装置１００は、日時ＤＴ１において、端末装置１０−１から位置情報ＬＣ１を取得する。なお、図１の例では位置情報ＬＣ１等の抽象的な符号で図示するが、位置情報は、具体的な緯度や経度を示す情報（緯度経度情報）等であってもよい。また、以下、「位置情報ＬＣ＊（＊は任意の数値）」を「位置ＬＣ＊」と記載する場合がある。例えば、「位置ＬＣ１」と記載した場合、その位置は位置情報ＬＣ１に対応する位置であることを示す。

そして、予測装置１００は、日時ＤＴ１において位置ＬＣ１にユーザＵ１が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図１の例では、位置ＬＣ１は、カーディーラＭＡの位置ＬＣ１０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ１にユーザＵ１がＰＯＩであるカーディーラＭＡに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ１にユーザＵ１がカーディーラＭＡに訪問したと予測することができる。

また、予測装置１００は、ユーザＵ２が利用する端末装置１０−２から位置情報を取得する（ステップＳ１１−２）。図１の例では、予測装置１００は、日時ＤＴ２において、端末装置１０−２から位置情報ＬＣ２を取得する。そして、予測装置１００は、日時ＤＴ２において位置ＬＣ２にユーザＵ２が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図１の例では、位置ＬＣ２は、カーディーラＭＡの位置ＬＣ１０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ２にユーザＵ２がカーディーラＭＡに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ２にユーザＵ２がカーディーラＭＡに訪問したと予測することができる。

また、予測装置１００は、ユーザＵ３が利用する端末装置１０−３から位置情報を取得する（ステップＳ１１−３）。図１の例では、予測装置１００は、日時ＤＴ３において、端末装置１０−３から位置情報ＬＣ３を取得する。図１の例では、位置ＬＣ３は、Ａエリア内の位置であるものとする。そして、予測装置１００は、日時ＤＴ３において位置ＬＣ３にユーザＵ３が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。位置ＬＣ３は、カーディーラＭＡやカーディーラＭＢやＸ国大使館ＥＭ等のいずれのＰＯＩの位置とも近接しない位置であるものとする。すなわち、予測装置１００は、日時ＤＴ３にユーザＵ３がいずれのＰＯＩにも位置していないことを示す行動情報を行動情報記憶部１２３に記憶する。

また、予測装置１００は、ユーザＵ４が利用する端末装置１０−４から位置情報を取得する（ステップＳ１１−４）。図１の例では、予測装置１００は、日時ＤＴ４において、端末装置１０−４から位置情報ＬＣ４を取得する。そして、日時ＤＴ４において位置ＬＣ４にユーザＵ４が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図１の例では、位置ＬＣ４は、Ｘ国大使館ＥＭの位置ＬＣ２０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ４にユーザＵ４がＸ国大使館ＥＭに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ４にユーザＵ４がＸ国大使館ＥＭに訪問したと予測することができる。なお、Ｘ国大使館ＥＭに位置するユーザに基づく需要予測については、図９において詳述する。

また、予測装置１００は、ユーザＵ５が利用する端末装置１０−５から位置情報を取得する（ステップＳ１１−５）。図１の例では、予測装置１００は、日時ＤＴ５において、端末装置１０−５から位置情報ＬＣ５を取得する。そして、日時ＤＴ５において位置ＬＣ５にユーザＵ５が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図１の例では、位置ＬＣ５は、Ｘ国大使館ＥＭの位置ＬＣ２０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ５にユーザＵ５がＸ国大使館ＥＭに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ５にユーザＵ５がＸ国大使館ＥＭに訪問したと予測することができる。

以下、ステップＳ１１−１〜Ｓ１１−５を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１１−１〜Ｓ１１−５に限らず、各ユーザの位置の取得は、複数回行われてもよい。なお、図１では、５人のユーザＵ１〜Ｕ５を図示するが、予測装置１００は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）の位置を取得する。

これにより、予測装置１００は、ユーザに関する情報を収集する（ステップＳ１２）。例えば、予測装置１００は、ユーザの位置情報を収集する図１の例では、予測装置１００は、行動情報記憶部１２３に示すように、ユーザＵ１〜Ｕ５等の位置ＬＣ１〜ＬＣ５等を収集する。

そして、予測装置１００は、計測対象を取得する（ステップＳ１３）。例えば、予測装置１００は、所定の事業者の指定や予測装置１００の管理者の設定等により、計測対象を取得する。図１の例では、予測装置１００は、対象「自動車（車）」を計測対象とする情報を取得する。また、予測装置１００は、計測対象を「自動車」とした場合に、ユーザの位置情報を計測するＰＯＩに関する情報を取得する。図１の例では、予測装置１００は、ユーザの位置情報を計測するＰＯＩとして、ＰＯＩ情報記憶部１２１に記憶されたカーディーラＭＡやカーディーラＭＢ等に関する情報を取得する。例えば、予測装置１００は、カーディーラＭＡの位置ＬＣ１０やカーディーラＭＢの位置ＬＣ１０１を取得する。例えば、予測装置１００は、カーディーラＭＡやカーディーラＭＢ等の複数のＰＯＩの情報を用いて、需要を予測する。

まず、予測装置１００は、上述した情報を用いてカーディーラへ来場（訪問）したユーザの数の推移情報を生成する（ステップＳ１４）。例えば、予測装置１００は、カーディーラＭＡやカーディーラＭＢ等の各ＰＯＩの位置と、各ユーザＵ１〜Ｕ５等の位置との比較に基づいて、所定の期間におけるカーディーラへ来場（訪問）したユーザの数を推定する。

例えば、予測装置１００は、日時ＤＴ１にユーザＵ１がＰＯＩであるカーディーラＭＡに位置したことを示す情報に基づいて、日時ＤＴ１にユーザＵ１がカーディーラＭＡに訪問したと推定する。また、例えば、予測装置１００は、日時ＤＴ２にユーザＵ２がＰＯＩであるカーディーラＭＡに位置したことを示す情報に基づいて、日時ＤＴ２にユーザＵ２がカーディーラＭＡに訪問したと推定する。このような各ユーザがカーディーラに訪問したことを示す推定結果を用いて、予測装置１００は、図１中の推移グラフＳＧ１１に示すような、カーディーラへ来場（訪問）したユーザの数の推移を示す情報を生成する。

図１の例では、予測装置１００は、カーディーラへ訪問したユーザの数、日時ＤＴ１１から日時ＤＴ１２の間において、来場者数ＣＮ１１から来場者数ＣＮ１２に上昇したことを示す推移グラフＳＧ１１を生成する。

そして、予測装置１００は、カーディーラへ訪問したユーザに関する情報に基づいて、対象「自動車」に関する需要を予測する（ステップＳ１５）。すなわち、予測装置１００は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における対象「自動車」に関する需要を予測する。例えば、予測装置１００は、カーディーラへ訪問したユーザの数の変化に基づいて、対象「自動車」に関する需要を予測する。図１の例では、予測装置１００は、ユーザのカーディーラへの訪問に関する情報に基づいて、ユーザによる車の購入契約に関する需要を予測する。

例えば、予測装置１００は、図１中の関係情報記憶部１２４に示すようなカーディーラへの訪問と、車の購入契約との関係に関する情報に基づいて、ユーザによる車の購入契約に関する需要を予測する。このように、予測装置１００は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における車の購入契約という第２行動を予測する。これにより、予測装置１００は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における対象「自動車」に関する需要を予測する。

図１中の関係情報記憶部１２４に示す「対象」は、ユーザの需要の対象を示す。図１中の関係情報記憶部１２４に示す「関係情報」は、対応する対象に関連するユーザの行動やその行動間の相関等を示す。図１中の関係情報記憶部１２４に示す「段階」は、対象に関してユーザが行う行動の段階を示す。例えば、「段階Ｎ（Ｎは任意の数値）」は、「段階Ｎ＋１」の前に行われる行動を示す。

図１中の関係情報記憶部１２４に示す「行動種別」は、各段階に対応する行動の種別を示す。図１中の関係情報記憶部１２４に示す「期間」は、対応する段階から次の段階へユーザの行動が移行するまでの期間を示す。「期間」には、「ＴＭ１１」等のように抽象的に図示するが、「２週間」や「平均１ヶ月」等の具体的な期間が記憶されてもよい。「相関関係」は、対応する段階と次の段階との相関を示す。「相関情報」には、「ＲＴ１１」等のように抽象的に図示するが、「前段階の６０％」や「前段階と同じ」等の具体的な関係が記憶されてもよい。

例えば、図１に示す例において、対象「自動車」は、段階として「Ｎ段階」〜「Ｎ＋２段階」等の需要を予測する段階があることを示す。また、対象「自動車」の「Ｎ段階」は、行動種別「ディーラ訪問」であることを示す。また、また、対象「自動車」の「Ｎ＋１段階」は、行動種別「購入契約」であることを示す。なお、「Ｎ段階」〜「Ｎ＋２段階」等の段階は、１段階ずつ行われなくてもよい。例えば、Ｎ段階の行動後にＮ＋１段階及びＮ＋２段階の行動が同時に行なわれてもよい。また、Ｎ＋１段階を経由せずに、Ｎ段階の行動後にＮ＋２段階の行動が行なわれた後、Ｎ＋１段階の行動が行なわれてもよい。

また、対象「自動車」の行動種別「ディーラ訪問」から行動種別「購入契約」に移行するまでの期間については期間「ＴＭ１１」であることを示す。例えば、期間「ＴＭ１１」が、「平均１ヶ月」である場合、ユーザがディーラを訪問してから車の購入契約に至るまでの期間が平均１ヶ月であることを示す。

また、対象「自動車」の行動種別「ディーラ訪問」と行動種別「購入契約」との相関については相関「ＲＴ１１」であることを示す。例えば、相関「ＲＴ１１」が、「前段階の１０％」である場合、ユーザのディーラへの訪問が１００％増加した場合、ユーザが車の購入契約も１０％増加することを示す。

例えば、予測装置１００は、過去のユーザの行動履歴等を用いて、上記のような関係情報を生成してもよい。なお、予測装置１００は、関係情報記憶部１２４に記憶される各種情報を外部の情報処理装置から取得してもよい。

また、例えば、予測装置１００は、図１中の関係情報記憶部１２４に示す項目「期間」や「相関情報」に記憶される情報を、機械学習等の手法により取得してもよい。例えば、予測装置１００は、ユーザの所定の行動に関する情報を入力することにより、その行動の次の行動までの期間を出力するモデルを用いて、図１中の関係情報記憶部１２４に示す項目「期間」の情報を取得してもよい。

また、例えば、予測装置１００は、ユーザの所定の行動に関する情報を入力することにより、その行動の次の行動に関するスコアを出力するモデルを用いて、図１中の関係情報記憶部１２４に示す項目「相関情報」の情報を取得してもよい。例えば、予測装置１００は、ユーザの所定の行動に関する情報を入力することにより、その行動の次の行動に関する０〜１（０％〜１００％）のスコアを出力するモデルを用いて、そのモデルが出力するスコアを項目「相関情報」の情報を取得してもよい。

図１の例では、予測装置１００は、推移グラフＳＧ１１と関係情報記憶部１２４中の対象「自動車」に関する関係情報とに基づいて、ユーザによる車の購入契約に関する需要を予測する。例えば、予測装置１００は、予測時点が日時ＤＴ１２である場合、日時ＤＴ１１から日時ＤＴ１２までのカーディーラを訪問したユーザ数の変化やカーディーラ訪問と購入契約との間の関係情報とに基づいて、ユーザによる車の購入契約に関する需要を予測する。

図１の例では、予測装置１００は、需要情報ＤＩＮＦ１１に示すように、対象「自動車」の購入契約について、期間ＴＭ１１が経過した後に需要ＤＭ１１となると予測する。例えば、予測装置１００は、対象「自動車」の購入契約について、日時ＤＴ１２から期間ＴＭ１１が経過した後において、カーディーラ訪問の増加率に対応する増加率を示す需要ＤＭ１１となると予測する。例えば、予測装置１００は、対象「自動車」の購入契約について、日時ＤＴ１２から期間ＴＭ１１が経過後の時点（日時ＤＴ１３とする）から所定の期間において、カーディーラ訪問の増加率に対応する増加率を示す需要ＤＭ１１となると予測する。例えば、予測装置１００は、対象「自動車」の購入契約について、日時ＤＴ１３から、日時ＤＴ１１と日時ＤＴ１２との間の期間（例えば２週間）と同期間（例えば２週間）において、カーディーラ訪問の増加率に対応する増加率を示す需要ＤＭ１１となると予測する。この場合、予測装置１００は、対象「自動車」の購入契約について、日時ＤＴ１３を始点とする２週間において、カーディーラ訪問の増加率に対応する増加率を示す需要ＤＭ１１となると予測する。

例えば、期間ＴＭ１１が「１ヶ月」であり、相関「ＲＴ１１」が「前段階の１０％」である場合、予測装置１００は、対象「自動車」の購入契約について、日時ＤＴ１２から１ヶ月経過後において、カーディーラ訪問の増加率の１０％増加すると予測する。予測装置１００は、例えば、日時ＤＴ１１から日時ＤＴ１２間のカーディーラ訪問の増加率が１００％である場合、日時ＤＴ１２から１ヶ月経過後において、対象「自動車」の購入契約が１０％増加すると予測する。なお、上記は一例であり、予測装置１００は、種々の情報を適宜用いて、対象の需要を予測してもよい。

上述のように、予測装置１００は、ユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する。図１の例では、予測装置１００は、ユーザの位置情報を用いてカーディーラへ訪問したユーザを捕捉し、そのユーザ数の変化に基づいて対象「自動車」の購入契約に関する需要を予測する。これにより、予測装置１００は、ユーザの位置情報を用いてカーディーラへ訪問という行動（第１行動）から対象「自動車」の購入契約（第２行動）を適切に予測することができる。したがって、予測装置１００は、需要を適切に予測することができる。

また、予測装置１００は、予測した需要情報を事業者に提供してもよい。例えば、予測装置１００は、予測した需要情報を、自動車を製造する事業者に提供してもよい。例えば、予測装置１００は、予測した需要情報を、自動車を販売する事業者に提供してもよい。これにより、情報の提供を受けた事業者は、提供された情報に基づいて、自身の事業についてより適切な需要予測（判断）を行うことができる。

〔１−１．予測の対象〕
〔１−１−１．他の対象〕
図１の例では、予測装置１００がカーディーラＭＡが提供する自動車に関する需要を予測する場合を示したが、予測装置１００は、種々の対象に関連する需要を予測してもよい。例えば、予測装置１００は、所定の事業者が提供するサービスに関する需要を予測してもよい。例えば、予測装置１００は、学校や保育園等の教育機関が提供する教育サービスに関する需要を予測してもよい。

例えば、予測装置１００は、学校や保育園等の教育機関が提供する教育サービスを受けるためにその教育機関への入学（入園）に関する需要を予測してもよい。この場合、例えば、予測装置１００は、学校や保育園等の教育機関の説明会に参加したユーザの数に基づいて、その教育機関への入学（入園）に関する需要を予測してもよい。

この場合、予測装置１００は、ユーザの教育機関の説明会への参加という第１行動に基づいて、第１行動よりも後における対象「教育機関」に関する需要を予測する。例えば、予測装置１００は、教育機関の説明会へ参加したユーザの数の変化に基づいて、対象「教育機関」が提供するサービスに関する需要を予測する。例えば、予測装置１００は、ユーザの教育機関の説明会への参加に関する情報に基づいて、教育機関への入学に関する需要を予測する。

また、例えば、予測装置１００は、教育機関の説明会に参加した第１ユーザ（保護者）の数に基づいて、その教育機関への入学（入園）を希望する第２ユーザ（被保護者）に関する需要を予測してもよい。例えば、予測装置１００は、教育機関の説明会に参加した第１ユーザである親の数に基づいて、その教育機関への入学（入園）する子供の数を予測してもよい。例えば、予測装置１００は、教育機関に受験制度がある場合、教育機関の説明会に参加した第１ユーザに基づいて、その教育機関の入学倍率を、その教育機関に関する需要として予測してもよい。

〔１−１−２．対象のレベル（対象の特定）〕
図１の例では、説明を簡単にするために、予測装置１００がカーディーラＭＡが提供する提供物である車に関する需要を予測する場合を示したが、予測装置１００は、種々の対象に関して需要を予測してもよい。例えば、予測装置１００は、カーディーラＭＡで提供（販売）される車種ごとの需要を予測してもよい。例えば、予測装置１００は、カーディーラＭＡで５つの車種の自動車が提供（販売）されている場合、５つの車種ごとの需要を予測してもよい。

例えば、予測装置１００は、カーディーラＭＡ内におけるユーザの位置情報を取得し、ユーザが各車種の車に近接する位置に滞在する時間に応じて、いずれの車種を対象としてユーザがカーディーラＭＡへ訪問したかを推定してもよい。例えば、予測装置１００は、カーディーラＭＡ内においてユーザＵ１が、各車種のうち、車種「車Ｘ」に近接する位置に最も長く滞在している場合、ユーザＵ１が、車種「車Ｘ」を目的としてカーディーラＭＡへ訪問したと推定してもよい。例えば、予測装置１００は、端末装置１０からＧＰＳや上記のような無線通信機能やビーコン等のユーザの位置に関する情報を取得し、それらの情報を組み合わせることにより、ユーザの位置の推定精度を高め、ユーザがどの車種の付近に滞在するかを捕捉してもよい。このように、予測装置１００は、ユーザの位置情報に基づいて対象を特定し、特定した対象に関連する需要を予測する。例えば、予測装置１００は、ユーザの位置情報に基づいて５つの車種のいずれを対象とするかを特定し、特定した車種を対象として需要を予測する。

この場合、予測装置１００は、ユーザＵ１が対象「車Ｘ」についてカーディーラＭＡへ訪問したと計測し、ユーザＵ１が他の車種（例えば「車Ｙ」等）についてはカーディーラＭＡへ訪問したと計測しなくてもよい。これにより、予測装置１００は、予測対象となる商品について、車よりも詳細な分類である車種に関する需要を予測することが可能となる。

また、予測装置１００は、ＰＯＩが市役所等の役所や大使館等である場合、ユーザの位置と各種手続きを受け付ける位置等に基づいて、ユーザの目的とする対象（提供物）を特定してもよい。例えば、予測装置１００は、ＰＯＩが大使館である場合、ユーザの位置がビザ申請の受付け窓口の前に一定時間滞在する場合、ユーザがビザ申請の手続きに大使館に訪問したと特定してもよい。例えば、予測装置１００は、ＰＯＩが市役所である場合、ユーザの位置が転入届等の住民異動届の受付け窓口の前に一定時間滞在する場合、ユーザが住民異動届の手続きに役所に訪問したと特定してもよい。

〔１−２．複数段階の需要予測〕
なお、図１の例では、予測装置１００がＮ段階の行動の情報に基づいて、Ｎ＋１段階の行動に関する需要を予測する場合を示したが、予測装置１００は、Ｎ＋２段階の行動に関する需要を予測してもよい。この場合、予測装置１００は、Ｎ段階の行動の情報に基づいて、Ｎ＋２段階の行動に関する需要を予測してもよいし、予測したＮ＋１段階の行動に基づいて、Ｎ＋２段階の行動に関する需要を予測してもよい。また、予測装置１００は、位置情報により捕捉したＮ＋１段階の行動に基づいて、Ｎ＋２段階の行動に関する需要を予測してもよい。

図１の例では、予測装置１００は、カーディーラ訪問の情報から、車の購入契約に関する需要を予測した後、車の購入契約に関する予測を用いて、対象「自動車」について保険加入に関する需要を予測してもよい。このように、予測装置１００は、位置情報に基づく１つのユーザの行動情報から、連鎖的に他の行動を推定し、需要を予測してもよい。

〔１−３．他の情報の利用〕
図１の例では、予測装置１００がユーザの位置情報のみを用いて需要を予測する場合を示したが、予測装置１００は、種々の情報を用いて、需要を予測してもよい。例えば、予測装置１００は、ユーザが入力する情報と位置情報とが対応付けられている情報であれば、どのような情報を用いて需要を予測してもよい。例えば、予測装置１００は、ユーザが検索に用いたクエリと位置情報とから所定のエリアに対応する需要を予測してもよい。例えば、予測装置１００は、所定のネットワークで通信される文字情報と位置情報とから所定のエリアに対応する需要を予測してもよい。

例えば、予測装置１００は、ソーシャルネットワーキングサービスにおいてユーザが投稿した投稿情報とその投稿時のユーザの位置情報とを用いて、需要を予測してもよい。例えば、予測装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿した投稿情報を用いて、需要を予測してもよい。例えば、予測装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文章（文字情報）を用いて、需要を予測してもよい。

例えば、予測装置１００は、ユーザがメッセージサービスにおいて入力した入力情報を用いて、需要を予測してもよい。例えば、予測装置１００は、ユーザがＬＩＮＥ（登録商標）等のメッセージサービスにおいて入力した入力情報を用いて、需要を予測してもよい。例えば、予測装置１００は、電子メールにおいて入力した入力情報を用いて、需要を予測してもよい。

〔１−４．各ユーザの予測〕
図１の例では、予測装置１００が複数のユーザの情報を用いて、多数のユーザに関する統計的な需要を予測する場合を示したが、予測装置１００は、個々のユーザに関する需要を予測してもよい。例えば、予測装置１００は、機械学習等の手法により生成したモデルを用いて、個々のユーザに関する需要を予測してもよい。

例えば、予測装置１００は、一のユーザの位置情報と一のユーザの属性情報とを入力することにより、一のユーザの位置に対応する行動の次の行動までの期間を出力するモデルを用いてもよい。この場合、予測装置１００は、一のユーザの位置情報と一のユーザの属性情報とをモデルに入力することにより、モデルに一のユーザの位置に対応する行動の次の行動までの期間を出力させてもよい。これにより、予測装置１００は、一のユーザの位置に対応する行動の次の行動までの期間を予測してもよい。

例えば、予測装置１００は、一のユーザの位置情報と一のユーザの属性情報とを入力することにより、一のユーザの位置に対応する行動と次の行動との相関関係を示す情報を出力するモデルを用いてもよい。この場合、予測装置１００は、一のユーザの位置情報と一のユーザの属性情報とをモデルに入力することにより、モデルに一のユーザの位置に対応する行動の次の行動に関する０〜１（０％〜１００％）のスコアを出力させてもよい。これにより、予測装置１００は、一のユーザの位置に対応する行動の次の行動を一のユーザが行う確率を予測してもよい。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。

〔１−５．予測について〕
なお、図１の例では、前段階（Ｎ段階）の行動（第１行動）を行ったユーザ数の変化に応じて、次段階（Ｎ＋１段階）の行動（第２行動）を行うユーザ数の変化を予測する場合を示したが、予測装置１００は、種々の情報を用いて対象に関連する需要を予測してもよい。例えば、予測装置１００は、第１行動を行ったユーザ数から第２行動を行うユーザ数を予測してもよい。

例えば、予測装置１００は、過去のユーザの行動履歴等から、第１行動を行ったユーザのうち半数（５０％）のユーザが第２行動を行うという相関情報が得られている場合、第１行動を行ったユーザ数から第２行動を行うユーザ数を予測してもよい。この場合、予測装置１００は、第１行動を行ったユーザ数が１万人である場合、第２行動を行うユーザを５０００人と予測してもよい。そして、予測装置１００は、予測した第２行動を行うユーザ数に基づいて対象に関連する需要を予測してもよい。例えば、予測装置１００は、予測した第２行動を行うユーザ数と過去の第２行動を行うユーザ数の平均との比較に基づいて、対象に関連する需要を予測してもよい。例えば、予測装置１００は、所定の期間（例えば、予測時点から１週間）における第２行動を行うユーザ数と過去において所定の期間と同期間（例えば、１週間）における第２行動を行うユーザ数の平均との比較に基づいて、対象に関連する需要を予測してもよい。

例えば、予測装置１００は、予測した第２行動を行うユーザ数と過去の第２行動を行うユーザ数の平均よりも多い場合、対象に関連する需要が高いと予測してもよい。例えば、予測装置１００は、予測した第２行動を行うユーザ数と過去の第２行動を行うユーザ数の平均よりも低い場合、対象に関連する需要が低いと予測してもよい。なお、上記の需要の予測は一例であり、予測装置１００は、種々の情報を適宜用いて対象に関連する需要を予測してもよい。

〔２．予測装置の構成〕
次に、図３を用いて、実施形態に係る予測装置１００の構成について説明する。図３は、実施形態に係る予測装置の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置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、ネットワークと有線または無線で接続され、例えば予測システム１に含まれる端末装置１０や事業者装置２０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、ＰＯＩ情報記憶部１２１と、ユーザ情報記憶部１２２と、行動情報記憶部１２３と、関係情報記憶部１２４とを有する。

（ＰＯＩ情報記憶部１２１）
実施形態に係るＰＯＩ情報記憶部１２１は、商品に関する各種情報を記憶する。図４は、実施形態に係るＰＯＩ情報記憶部の一例を示す図である。図４に示すＰＯＩ情報記憶部１２１は、「ＰＯＩ＿ＩＤ」、「ＰＯＩ名」、「業種」、「所在地」、「提供物」といった項目が含まれる。

「ＰＯＩ＿ＩＤ」は、ＰＯＩを識別するための識別情報を示す。「ＰＯＩ名」は、対応するＰＯＩ＿ＩＤにより識別されるＰＯＩを示す。例えば、「ＰＯＩ名」は、対応するＰＯＩ＿ＩＤにより識別されるＰＯＩの名称を示す。「業種」は、対応するＰＯＩ＿ＩＤにより識別されるＰＯＩに対応する事業者の業種を示す。「所在地」は、対応するＰＯＩ＿ＩＤにより識別されるＰＯＩの所在地を示す。「提供物」は、対応するＰＯＩ＿ＩＤにより識別されるＰＯＩに対応する事業者により提供される商品やサービスを示す。

例えば、図４に示す例において、ＰＯＩ＿ＩＤ「ＥＰ１」により識別されるＰＯＩは、事業者が「カーディーラＭＡ」であり、業種が「販売」であることを示す。また、カーディーラＭＡの所在地は、Ａエリア内の位置ＬＣ１０であることを示す。なお、図４の例では位置を「ＬＣ１０」等の抽象的な符号で図示するが、位置情報は、具体的な緯度経度情報等であってもよい。また、カーディーラＭＡが提供する商品は、「自動車」であることを示す。

なお、ＰＯＩ情報記憶部１２１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、ＰＯＩ情報記憶部１２１は、事業者の従業員数や売上高等の事業規模に関する情報を記憶してもよい。

（ユーザ情報記憶部１２２）
実施形態に係るユーザ情報記憶部１２２は、ユーザ属性に関する各種情報を記憶する。例えば、ユーザ情報記憶部１２２は、ユーザ属性情報を記憶する。図５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に示すユーザ情報記憶部１２２は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」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。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「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。

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図５に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図５に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図５に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

例えば、図５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。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。

なお、ユーザ情報記憶部１２２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１２２は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性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１２２は、氏名、家族構成、収入、興味、ライフスタイル等の情報を記憶してもよい。

（行動情報記憶部１２３）
実施形態に係る行動情報記憶部１２３は、ユーザの行動に関する各種情報を記憶する。図６は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２３は、各ユーザの端末装置１０を用いて行った検索等を含む種々の行動情報を記憶する。図６に示す行動情報記憶部１２３には、「行動ＩＤ」、「ユーザＩＤ」、「位置」、「日時」、「行動内容」といった項目が含まれる。

また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。

また、「位置」は、対応する行動が行われた位置を示す。例えば、「位置」は、ユーザの位置を示す。なお、図６の例では位置を「ＬＣ１」等の抽象的な符号で図示するが、位置情報は、具体的な緯度経度情報等であってもよい。

また、「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ＤＴ１」等のように抽象的に図示するが、「２０１７年８月８日２３時４６分５８秒」等の具体的な日時が記憶されてもよい。また、「行動内容」は、対応する位置においてユーザが行った行動内容を示す。例えば、「行動内容」は、ユーザが閲覧したコンテンツやユーザが検索に用いたクエリ等の情報が記憶されてもよい。なお、「行動内容」は、ユーザに位置のみが取得された場合は、記憶されてもよい。

例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、日時ＤＴ１において位置ＬＣ１に位置したことを示す。また、例えば、図６に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、日時ＤＴ２において位置ＬＣ２に位置したことを示す。

なお、行動情報記憶部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。また、図６では、ユーザＩＤごとに行動情報が行動情報記憶部１２３に記憶される場合を示したが、行動情報は、日時順に限らず、例えばユーザＩＤごとに記憶されてもよい。

（関係情報記憶部１２４）
実施形態に係る関係情報記憶部１２４は、対象と需要との関係に関する各種情報を記憶する。図７は、実施形態に係る関係情報記憶部の一例を示す図である。図７に示す関係情報記憶部１２４は、「対象」、「関係情報」といった項目を有する「関係情報」は、「段階」、「行動種別」、「期間」、「相関関係」といった項目を有する。

「対象」は、ユーザの需要の対象を示す。「対象」は、特定の商品名やサービス名や国名等に限らず、商品やサービスのカテゴリ（飲料やファッションや旅行等）であってもよい。

「関係情報」は、対応する対象に関連するユーザの行動やその行動間の相関等を示す。「段階」は、対象に関してユーザが行う行動の段階を示す。「段階Ｎ（Ｎは任意の数値）」は、「段階Ｎ＋１」の前に行われる行動を示す。

「行動種別」は、各段階に対応する行動の種別を示す。「期間」は、対応する段階から次の段階へユーザの行動が移行するまでの期間を示す。「期間」には、「ＴＭ１１」等のように抽象的に図示するが、「２週間」や「平均１ヶ月」等の具体的な期間が記憶されてもよい。「相関関係」は、対応する段階と次の段階との相関を示す。「相関情報」には、「ＲＴ１１」等のように抽象的に図示するが、「前段階の６０％」や「前段階と同じ」等の具体的な関係が記憶されてもよい。

例えば、図７に示す例において、対象「自動車」は、段階として「Ｎ段階」〜「Ｎ＋２段階」等の需要を予測する段階があることを示す。また、対象「自動車」の「Ｎ段階」は、行動種別「ディーラ訪問」であることを示す。また、また、対象「自動車」の「Ｎ＋１段階」は、行動種別「購入契約」であることを示す。また、対象「自動車」の行動種別「ディーラ訪問」から行動種別「購入契約」に移行するまでの期間については期間「ＴＭ１１」であることを示す。また、対象「自動車」の行動種別「ディーラ訪問」と行動種別「購入契約」との相関については相関「ＲＴ１１」であることを示す。

また、関係情報記憶部１２４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、関係情報記憶部１２４は、需要情報が生成された日時や生成に用いた情報が収集された期間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、予測装置１００内部の記憶装置に記憶されている各種プログラム（予測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、生成部１３２と、予測部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。

（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、ＰＯＩ情報記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や関係情報記憶部１２４から各種情報を取得する。例えば、取得部１３１は、関係情報記憶部１２４に記憶される各種情報を外部の情報処理装置から取得してもよい。例えば、取得部１３１は、端末装置１０や事業者装置２０から各種情報を取得する。取得部１３１は、ユーザの位置情報を取得する。例えば、取得部１３１は、位置と対象とが対応付けられた情報を取得する。

また、取得部１３１は、各種情報を外部の情報処理装置から取得する。例えば、取得部１３１は、行動情報記憶部１２３からユーザの位置情報を取得する。例えば、取得部１３１は、端末装置１０からユーザの位置情報を取得する。

図１の例では、取得部１３１は、ユーザＵ１が利用する端末装置１０−１から位置情報を取得する。例えば、取得部１３１は、日時ＤＴ１において、端末装置１０−１から位置情報ＬＣ１を取得する。例えば、取得部１３１は、ユーザＵ２が利用する端末装置１０−２から位置情報を取得する。例えば、取得部１３１は、日時ＤＴ２において、端末装置１０−２から位置情報ＬＣ２を取得する。例えば、取得部１３１は、ユーザＵ３が利用する端末装置１０−３から位置情報を取得する。例えば、取得部１３１は、日時ＤＴ３において、端末装置１０−３から位置情報ＬＣ３を取得する。例えば、取得部１３１は、ユーザＵ４が利用する端末装置１０−４から位置情報を取得する。例えば、取得部１３１は、日時ＤＴ４において、端末装置１０−４から位置情報ＬＣ４を取得する。例えば、取得部１３１は、ユーザＵ５が利用する端末装置１０−５から位置情報を取得する。例えば、取得部１３１は、日時ＤＴ５において、端末装置１０−５から位置情報ＬＣ５を取得する。

図１の例では、取得部１３１は、計測対象を取得する。例えば、取得部１３１は、所定の事業者の指定や予測装置１００の管理者の設定等により、計測対象を取得する。例えば、取得部１３１は、対象「自動車（車）」を計測対象とする情報を取得する。例えば、取得部１３１は、計測対象を「自動車」とした場合に、ユーザの位置情報を計測するＰＯＩに関する情報を取得する。例えば、取得部１３１は、ユーザの位置情報を計測するＰＯＩとして、ＰＯＩ情報記憶部１２１に記憶されたカーディーラＭＡやカーディーラＭＢ等に関する情報を取得する。例えば、取得部１３１は、カーディーラＭＡの位置ＬＣ１０やカーディーラＭＢの位置ＬＣ１０１を取得する。

（生成部１３２）
生成部１３２は、種々の情報を生成する。例えば、生成部１３２は、推移情報を生成する。例えば、生成部１３２は、予測部１３３による予測（推定）に基づいて、推移情報を生成する。

図１の例では、生成部１３２は、カーディーラへ来場（訪問）したユーザの数の推移情報を生成する。例えば、生成部１３２は、図１中の推移グラフＳＧ１１に示すような、カーディーラへ来場（訪問）したユーザの数の推移を示す情報を生成する。

図１の例では、生成部１３２は、カーディーラへ訪問したユーザの数、日時ＤＴ１１から日時ＤＴ１２の間において、来場者数ＣＮ１１から来場者数ＣＮ１２に上昇したことを示す推移グラフＳＧ１１を生成する。例えば、生成部１３２は、過去のユーザの行動履歴等を用いて、関係情報記憶部１２４に記憶される各種情報を生成してもよい。

（予測部１３３）
予測部１３３は、種々の情報を予測する。例えば、予測部１３３は、記憶部１２０に記憶された情報に基づいて、種々の情報を予測する。例えば、予測部１３３は、端末装置１０から取得した情報に基づいて、種々の情報を予測する。

予測部１３３は、取得部１３１により取得されたユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する。例えば、予測部１３３は、ユーザの位置情報に基づいて特定される対象に関連する需要を予測する。例えば、予測部１３３は、位置において提供される提供物に関連する対象に関連する需要を予測する。

例えば、予測部１３３は、位置において提供される提供物である対象に関連する需要を予測する。例えば、予測部１３３は、位置において提供される提供物を要する対象に関連する需要を予測する。

例えば、予測部１３３は、ユーザの位置情報に対応する時点よりも後における対象に関連する需要を予測する。例えば、予測部１３３は、ユーザの位置情報に対応するユーザの第１行動に基づいて、第１行動よりも後における対象に関連する需要を予測する。例えば、予測部１３３は、ユーザの第１行動に基づいて、第１行動よりも後のユーザの行動であって、対象に関連する行動である第２行動を予測する。

例えば、予測部１３３は、第１行動の変化に基づいて、第２行動の変化を予測する。例えば、予測部１３３は、ユーザの第１行動の時点から、対象に応じて変動する期間経過後のユーザの前記第２行動を予測する。

図１の例では、予測部１３３は、カーディーラＭＡやカーディーラＭＢ等の複数のＰＯＩの情報を用いて、需要を予測する。例えば、予測部１３３は、カーディーラＭＡやカーディーラＭＢ等の各ＰＯＩの位置と、各ユーザＵ１〜Ｕ５等の位置との比較に基づいて、所定の期間におけるカーディーラへ来場（訪問）したユーザの数を推定する。

例えば、予測部１３３は、日時ＤＴ１にユーザＵ１がＰＯＩであるカーディーラＭＡに位置したことを示す情報に基づいて、日時ＤＴ１にユーザＵ１がカーディーラＭＡに訪問したと推定する。例えば、予測部１３３は、日時ＤＴ２にユーザＵ２がＰＯＩであるカーディーラＭＡに位置したことを示す情報に基づいて、日時ＤＴ２にユーザＵ２がカーディーラＭＡに訪問したと推定する。

図１の例では、予測部１３３は、カーディーラへ訪問したユーザに関する情報に基づいて、対象「自動車」に関する需要を予測する。例えば、予測部１３３は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における対象「自動車」に関する需要を予測する。例えば、予測部１３３は、カーディーラへ訪問したユーザの数の変化に基づいて、対象「自動車」に関する需要を予測する。例えば、予測部１３３は、ユーザのカーディーラへの訪問に関する情報に基づいて、ユーザによる車の購入契約に関する需要を予測する。

例えば、予測部１３３は、図１中の関係情報記憶部１２４に示すようなカーディーラへの訪問と、車の購入契約との関係に関する情報に基づいて、ユーザによる車の購入契約に関する需要を予測する。例えば、予測部１３３は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における車の購入契約という第２行動を予測する。例えば、予測部１３３は、ユーザのカーディーラ訪問という第１行動に基づいて、第１行動よりも後における対象「自動車」に関する需要を予測する。

図１の例では、予測部１３３は、推移グラフＳＧ１１と関係情報記憶部１２４中の対象「自動車」に関する関係情報とに基づいて、ユーザによる車の購入契約に関する需要を予測する。例えば、予測部１３３は、予測時点が日時ＤＴ１２である場合、日時ＤＴ１１から日時ＤＴ１２までのカーディーラを訪問したユーザ数の変化やカーディーラ訪問と購入契約との間の関係情報とに基づいて、ユーザによる車の購入契約に関する需要を予測する。

図１の例では、予測部１３３は、需要情報ＤＩＮＦ１１に示すように、対象「自動車」の購入契約について、期間ＴＭ１１が経過した後に需要ＤＭ１１となると予測する。例えば、予測部１３３は、対象「自動車」の購入契約について、日時ＤＴ１２から期間ＴＭ１１が経過した後において、カーディーラ訪問の増加率に対応する増加率を示す需要ＤＭ１１となると予測する。

例えば、期間ＴＭ１１が「１ヶ月」であり、相関「ＲＴ１１」が「前段階の１０％」である場合、予測部１３３は、対象「自動車」の購入契約について、日時ＤＴ１２から１ヶ月経過後において、カーディーラ訪問の増加率の１０％増加すると予測する。予測部１３３は、例えば、日時ＤＴ１１から日時ＤＴ１２間のカーディーラ訪問の増加率が１００％である場合、日時ＤＴ１２から１ヶ月経過後において、対象「自動車」の購入契約が１０％増加すると予測する。

（提供部１３４）
提供部１３４は、外部の情報処理装置へ各種情報を提供する。例えば、提供部１３４は、事業者装置２０へ各種情報を提供する。例えば、提供部１３４は、端末装置１０へクエリに対応する検索結果を示す情報を提供してもよい。例えば、提供部１３４は、事業者装置２０へ需要情報を提供する。

例えば、提供部１３４は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供する。例えば、提供部１３４は、商品に関する需要を示す情報を、位置情報に対応するエリアに位置する事業者へ提供する。

また、提供部１３４は、予測部１３３により予測された需要情報を事業者に提供してもよい。例えば、提供部１３４は、予測部１３３により予測された需要情報を、自動車を製造する事業者に提供してもよい。例えば、提供部１３４は、予測部１３３により予測された需要情報を、自動車を販売する事業者に提供してもよい。

〔３．予測処理のフロー〕
ここで、図８を用いて、実施形態に係る予測装置１００による予測処理の手順について説明する。図８は、実施形態に係る予測処理の一例を示すフローチャートである。

図８に示すように、予測装置１００は、ユーザの位置情報を取得する（ステップＳ１０１）。図１の例では、予測装置１００は、日時ＤＴ１において、端末装置１０−１から位置情報ＬＣ１を取得する。図１の例では、予測装置１００は、日時ＤＴ２において、端末装置１０−２から位置情報ＬＣ２を取得する。図１の例では、予測装置１００は、日時ＤＴ３において、端末装置１０−３から位置情報ＬＣ３を取得する。図１の例では、予測装置１００は、日時ＤＴ４において、端末装置１０−４から位置情報ＬＣ４を取得する。図９の例では、予測装置１００は、日時ＤＴ５において、端末装置１０−５から位置情報ＬＣ５を取得する。

また、予測装置１００は、ユーザの位置情報と位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する（ステップＳ１０２）。例えば、予測装置１００は、ユーザの位置情報と位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する図１の例では、予測装置１００は、ユーザＵ１〜Ｕ５等の位置に基づいて、対象「自動車」に関する需要を予測する。

〔４．予測処理の他の一例〕
図１の例では、商品である自動車に関する需要を予測する場合を示したが、予測装置１００は、種々の対象に関連する需要を予測してもよい。この点について、図９を用いて説明する。図９は、実施形態に係る予測処理の一例を示す図である。具体的には、図９では、予測装置１００が対象「Ｘ国」に関する需要を予測する場合を示す。なお、図１の同様の点については、同様の符号を付して適宜説明を省略する。

図９の例では、予測装置１００は、ユーザＵ１〜Ｕ５等が利用する端末装置１０が有するＧＰＳセンサ等の機能により、ユーザＵ１〜Ｕ５が利用する端末装置１０の位置を取得する。図９に示す地図情報ＭＰ１は、図１に示す地図情報ＭＰ１と同様である。また、図１の例では、予測対象が「Ｘ国」であり、ユーザのＸ国大使館へのビザ申請（Ｘ国大使館の訪問）に関する情報に基づいて、ユーザによるＸ国への渡航に関する需要を予測する。

図９の例に示すステップＳ１１及びステップＳ１２は図１と同様であるため説明を一部省略する。まず、予測装置１００は、ユーザＵ１が利用する端末装置１０−１から位置情報を取得する（ステップＳ１１−１）。図９の例では、予測装置１００は、日時ＤＴ１において、端末装置１０−１から位置情報ＬＣ１を取得する。また、予測装置１００は、ユーザＵ２が利用する端末装置１０−２から位置情報を取得する（ステップＳ１１−２）。図９の例では、予測装置１００は、日時ＤＴ２において、端末装置１０−２から位置情報ＬＣ２を取得する。また、予測装置１００は、ユーザＵ３が利用する端末装置１０−３から位置情報を取得する（ステップＳ１１−３）。図９の例では、予測装置１００は、日時ＤＴ３において、端末装置１０−３から位置情報ＬＣ３を取得する。

また、予測装置１００は、ユーザＵ４が利用する端末装置１０−４から位置情報を取得する（ステップＳ１１−４）。図９の例では、予測装置１００は、日時ＤＴ４において、端末装置１０−４から位置情報ＬＣ４を取得する。そして、日時ＤＴ４において位置ＬＣ４にユーザＵ４が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図９の例では、位置ＬＣ４は、Ｘ国大使館ＥＭの位置ＬＣ２０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ４にユーザＵ４がＸ国大使館ＥＭに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ４にユーザＵ４がＸ国大使館ＥＭに訪問し、ビザを申請したと予測することができる。

また、予測装置１００は、ユーザＵ５が利用する端末装置１０−５から位置情報を取得する（ステップＳ１１−５）。図９の例では、予測装置１００は、日時ＤＴ５において、端末装置１０−５から位置情報ＬＣ５を取得する。そして、日時ＤＴ５において位置ＬＣ５にユーザＵ５が位置したことを示す行動情報を行動情報記憶部１２３に記憶する。図９の例では、位置ＬＣ５は、Ｘ国大使館ＥＭの位置ＬＣ２０と近接する位置であるものとする。すなわち、予測装置１００は、日時ＤＴ５にユーザＵ５がＸ国大使館ＥＭに位置したことを示す行動情報を行動情報記憶部１２３に記憶する。これにより、予測装置１００は、日時ＤＴ５にユーザＵ５がＸ国大使館ＥＭに訪問し、ビザを申請したと予測することができる。

これにより、予測装置１００は、ユーザの位置情報を収集する（ステップＳ１２）。図９の例では、予測装置１００は、行動情報記憶部１２３に示すように、ユーザＵ１〜Ｕ５等の位置ＬＣ１〜ＬＣ５等を収集する。

そして、予測装置１００は、計測対象を取得する（ステップＳ２３）。図９の例では、予測装置１００は、対象「Ｘ国」を計測対象とする情報を取得する。また、予測装置１００は、計測対象を「Ｘ国」とした場合に、ユーザの位置情報を計測するＰＯＩに関する情報を取得する。図９の例では、予測装置１００は、ユーザの位置情報を計測するＰＯＩとして、ＰＯＩ情報記憶部１２１に記憶されたＸ国大使館ＥＭ等に関する情報を取得する。例えば、予測装置１００は、Ｘ国大使館ＥＭの位置ＬＣ２０を取得する。

まず、予測装置１００は、上述した情報を用いてＸ国大使館ＥＭに訪問し、ビザを申請したユーザの数の推移情報を生成する（ステップＳ２４）。例えば、予測装置１００は、Ｘ国大使館ＥＭ等の各ＰＯＩの位置と、各ユーザＵ１〜Ｕ５等の位置との比較に基づいて、所定の期間におけるＸ国大使館ＥＭに訪問し、ビザを申請したユーザの数を推定する。

例えば、予測装置１００は、日時ＤＴ４にユーザＵ４がＰＯＩであるＸ国大使館ＥＭに位置したことを示す情報に基づいて、日時ＤＴ４にユーザＵ４がＸ国大使館ＥＭに訪問したと推定する。また、例えば、予測装置１００は、日時ＤＴ５にユーザＵ５がＰＯＩであるＸ国大使館ＥＭに位置したことを示す情報に基づいて、日時ＤＴ５にユーザＵ５がＸ国大使館ＥＭに訪問したと推定する。このような各ユーザがＸ国のビザを申請したことを示す推定結果を用いて、予測装置１００は、図９中の推移グラフＳＧ２１に示すような、Ｘ国大使館ＥＭに訪問し、ビザを申請したユーザの数の推移を示す情報を生成する。

図９の例では、予測装置１００は、Ｘ国大使館ＥＭに訪問し、ビザを申請したユーザの数、日時ＤＴ２１から日時ＤＴ２２の間において、ビザ申請者数ＣＮ２１からビザ申請者数ＣＮ２２に上昇したことを示す推移グラフＳＧ２１を生成する。

そして、予測装置１００は、Ｘ国大使館ＥＭに訪問し、ビザを申請したユーザに関する情報に基づいて、対象「Ｘ国」に関する需要を予測する（ステップＳ２５）。すなわち、予測装置１００は、ユーザのＸ国のビザ申請という第１行動に基づいて、第１行動よりも後における対象「Ｘ国」に関する需要を予測する。例えば、予測装置１００は、Ｘ国大使館ＥＭに訪問し、ビザを申請したユーザの数の変化に基づいて、対象「Ｘ国」に関する需要を予測する。図９の例では、予測装置１００は、ユーザのＸ国のビザ申請に関する情報に基づいて、ユーザによるＸ国への渡航に関する需要を予測する。このように、予測装置１００は、位置に対応するＰＯＩ（Ｘ国大使館ＥＭ）において提供されるＸ国のビザを要するユーザによるＸ国への渡航に関する需要を予測する。

例えば、予測装置１００は、図９中の関係情報記憶部１２４に示すようなＸ国のビザ申請と、Ｘ国への渡航との関係に関する情報に基づいて、ユーザによるＸ国への渡航に関する需要を予測する。このように、予測装置１００は、ユーザのＸ国のビザ申請という第１行動に基づいて、第１行動よりも後におけるＸ国への渡航という第２行動を予測する。これにより、予測装置１００は、ユーザのＸ国のビザ申請という第１行動に基づいて、第１行動よりも後における対象「Ｘ国」に関する需要を予測する。

例えば、図９に示す例において、対象「Ｘ国」は、段階として「Ｎ段階」〜「Ｎ＋１段階」等の需要を予測する段階があることを示す。また、対象「Ｘ国」の「Ｎ段階」は、行動種別「ビザ申請」であることを示す。また、また、対象「Ｘ国」の「Ｎ＋１段階」は、行動種別「渡航」であることを示す。

また、対象「Ｘ国」の行動種別「ビザ申請」から行動種別「渡航」に移行するまでの期間については期間「ＴＭ２１」であることを示す。例えば、期間「ＴＭ２１」が、「平均１ヶ月」である場合、ユーザがビザを申請してからＸ国への渡航に至るまでの期間が平均１ヶ月であることを示す。例えば、期間「ＴＭ２１」は、Ｘ国大使館ＥＭにおけるＸ国のビザ申請から発給までの平均期間であってもよい。

また、対象「Ｘ国」の行動種別「ビザ申請」と行動種別「渡航」との相関については相関「ＲＴ２１」であることを示す。例えば、相関「ＲＴ２１」が、「前段階の９０％」である場合、ユーザのＸ国のビザ申請が１００％増加した場合、ユーザがＸ国への渡航も９０％増加することを示す。

例えば、予測装置１００は、過去のユーザの行動履歴等を用いて、上記のような関係情報を生成してもよい。なお、予測装置１００は、関係情報記憶部１２４に記憶される各種情報を外部の情報処理装置から取得してもよい。

図９の例では、予測装置１００は、推移グラフＳＧ２１と関係情報記憶部１２４中の対象「Ｘ国」に関する関係情報とに基づいて、ユーザによるＸ国への渡航に関する需要を予測する。例えば、予測装置１００は、予測時点が日時ＤＴ２２である場合、日時ＤＴ２１から日時ＤＴ２２までのビザを申請したユーザ数の変化やＸ国のビザ申請と渡航との間の関係情報とに基づいて、ユーザによるＸ国への渡航に関する需要を予測する。

図９の例では、予測装置１００は、需要情報ＤＩＮＦ２１に示すように、対象「Ｘ国」の渡航について、期間ＴＭ２１が経過した後に需要ＤＭ２１となると予測する。例えば、予測装置１００は、対象「Ｘ国」の渡航について、日時ＤＴ２２から期間ＴＭ２１が経過した後において、Ｘ国のビザ申請の増加率に対応する増加率を示す需要ＤＭ２１となると予測する。

例えば、期間ＴＭ２１が「１ヶ月」であり、相関「ＲＴ２１」が「前段階の９０％」である場合、予測装置１００は、対象「Ｘ国」の渡航について、日時ＤＴ２２から１ヶ月経過後において、Ｘ国のビザ申請の増加率の９０％増加すると予測する。予測装置１００は、例えば、日時ＤＴ２１から日時ＤＴ２２間のＸ国のビザ申請の増加率が１００％である場合、日時ＤＴ２２から１ヶ月経過後において、対象「Ｘ国」の渡航が９０％増加すると予測する。なお、図９の例では、説明を簡単にするために、Ｘ国大使館ＥＭへ訪問したユーザがＸ国のビザを申請するものと推定する場合を示したが、予測装置１００は、Ｘ国大使館ＥＭの訪問と、Ｘ国のビザ申請とを別の段階として、処理してもよい。例えば、予測装置１００は、Ｘ国大使館ＥＭの訪問をＮ段階とし、Ｘ国のビザ申請をＮ＋１段階とし、Ｘ国渡航をＮ＋２段階をとして、処理してもよい。この場合、例えば、予測装置１００は、過去のユーザの行動履歴等から、Ｘ国大使館ＥＭの訪問したユーザのうち、８０％のユーザがＸ国のビザを申請することを示す相関情報を取得し、Ｘ国大使館ＥＭの訪問したユーザ数から、Ｘ国のビザ申請のユーザ数を推定してもよい。そして、予測装置１００は、ユーザのＸ国大使館ＥＭの訪問という第１行動から、Ｘ国のビザを申請という第２行動を推定し、その第２行動に関する情報を用いてＸ国渡航という第３段階に関する予測を行ってもよい。

〔５．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、ユーザの位置情報を取得する。予測部１３３は、取得部１３１により取得されたユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、ユーザの位置情報と、位置に対応付けられた対象に関する情報とに基づいて、対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、位置と対象とが対応付けられた情報を取得する。

このように、実施形態に係る予測装置１００は、位置と対象とが対応付けられた情報を取得することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、ユーザの位置情報に基づいて特定される対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、ユーザの位置情報に基づいて特定される対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、位置において提供される提供物に関連する対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、位置において提供される提供物に関連する対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、位置において提供される提供物である対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、位置において提供される提供物である対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、位置において提供される提供物を要する対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、位置において提供される提供物を要する対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、ユーザの位置情報に対応する時点よりも後における対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、ユーザの位置情報に対応する時点よりも後における対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、ユーザの位置情報に対応するユーザの第１行動に基づいて、第１行動よりも後における対象に関連する需要を予測する。

このように、実施形態に係る予測装置１００は、ユーザの位置情報に対応するユーザの第１行動に基づいて、第１行動よりも後における対象に関連する需要を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、ユーザの第１行動に基づいて、第１行動よりも後のユーザの行動であって、対象に関連する行動である第２行動を予測する。

このように、実施形態に係る予測装置１００は、ユーザの第１行動に基づいて、第１行動よりも後のユーザの行動であって、対象に関連する行動である第２行動を予測することにより、需要を適切に予測することができる。

また、実施形態に係る予測装置１００は、提供部１３４を有する。提供部１３４は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供する。

このように、実施形態に係る予測装置１００は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供することにより、事業者へ需要に関する情報を適切に提供することができる。

また、実施形態に係る予測装置１００において、提供部１３４は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供する。

このように、実施形態に係る予測装置１００は、対象に関連する需要を示す情報を、対象に関連する事業者へ提供することにより、事業者へ需要に関する情報を適切に提供することができる。

〔６．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００は、例えば図１０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１０は、予測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、ＲＯＭ１３００、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提供する。

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が実施形態に係る予測装置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生成することができる。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 予測システム
１００ 予測装置
１２１ ＰＯＩ情報記憶部
１２２ ユーザ情報記憶部
１２３ 行動情報記憶部
１２４ 関係情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部
１０ 端末装置
２０ 事業者装置
Ｎ ネットワーク

Claims (15)

1. ユーザの位置情報を取得する取得部と、
   前記取得部により取得された前記ユーザの位置情報に基づく前記ユーザの訪問数の推移に関する情報と、位置に対応付けられた対象に関する情報とに基づいて、前記対象に関連する需要の変化に関する情報を予測する予測部と、
   を備えることを特徴とする予測装置。
2. 前記予測部は、
   前記ユーザの位置情報に基づく前記対象に対応する地点への前記ユーザの訪問数の推移に関する情報に基づいて、前記対象に関連する需要の変化に関する情報を予測する
   ことを特徴とする請求項１に記載の予測装置。
3. 前記予測部は、
   前記訪問数の推移に関する情報と、前記対象に関する情報とに基づいて、前記対象に関連する需要の変化が変化する割合及び当該変化の期間を予測する
   ことを特徴とする請求項１または請求項２に記載の予測装置。
4. 前記取得部は、
   前記位置と前記対象とが対応付けられた情報を取得する
   ことを特徴とする請求項１〜３のいずれか１項に記載の予測装置。
5. 前記予測部は、
   前記ユーザの位置情報に基づいて特定される前記対象に関連する需要を予測する
   ことを特徴とする請求項１〜４のいずれか１項に記載の予測装置。
6. 前記予測部は、
   前記位置において提供される提供物に関連する対象に関連する需要を予測する
   ことを特徴とする請求項１〜５のいずれか１項に記載の予測装置。
7. 前記予測部は、
   前記位置において提供される提供物である前記対象に関連する需要を予測する
   ことを特徴とする請求項６に記載の予測装置。
8. 前記予測部は、
   前記位置において提供される提供物を要する前記対象に関連する需要を予測する
   ことを特徴とする請求項６に記載の予測装置。
9. 前記予測部は、
   前記ユーザの位置情報に対応する時点よりも後における前記対象に関連する需要を予測する
   ことを特徴とする請求項１〜８のいずれか１項に記載の予測装置。
10. 前記予測部は、
    前記ユーザの位置情報に対応するユーザの第１行動に基づいて、前記第１行動よりも後における前記対象に関連する需要を予測する
    ことを特徴とする請求項１〜９のいずれか１項に記載の予測装置。
11. 前記予測部は、
    前記ユーザの前記第１行動に基づいて、前記第１行動よりも後の前記ユーザの行動であって、前記対象に関連する行動である第２行動を予測する
    ことを特徴とする請求項１０に記載の予測装置。
12. 前記予測部により予測された前記対象に関連する需要を示す情報を提供する提供部、
    をさらに備えたことを特徴とする請求項１〜１１のいずれか１項に記載の予測装置。
13. 前記提供部は、
    前記対象に関連する需要を示す情報を、前記対象に関連する事業者へ提供する
    ことを特徴とする請求項１２に記載の予測装置。
14. コンピュータが実行する予測方法であって、
    ユーザの位置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前記ユーザの位置情報に基づく前記ユーザの訪問数の推移に関する情報と、位置に対応付けられた対象に関する情報とに基づいて、前記対象に関連する需要の変化に関する情報を予測する予測工程と、
    を含むことを特徴とする予測方法。
15. ユーザの位置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前記ユーザの位置情報に基づく前記ユーザの訪問数の推移に関する情報と、位置に対応付けられた対象に関する情報とに基づいて、前記対象に関連する需要の変化に関する情報を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。

Images