JP2019082803A - 系列生成装置及びプログラム - Google Patents

Abstract

【課題】状態のステップを考慮して、状態系列を精度良く計算することができる。【解決手段】行為系列生成部が、複数の行為のペアの各々についての前記ペアの一方の行為から他方の行為への遷移確率と、前記複数の行為の各々についての、前記行為の生存関数に従った前記行為の継続確率とに基づいて、時間帯ｔの行為を決定する際に、時間帯ｔ−１の行為の継続確率に従って、前記行為を継続するか否かを判定し、前記行為を継続すると判定された場合に、時間帯ｔの行為として、時間帯ｔ−１の行為と同じ行為を決定し、前記行為を継続しないと判定された場合に、前記遷移確率に従って、時間帯ｔの行為として、時間帯ｔ−１の行為と異なる行為を決定することにより、各時間帯の行為からなる行為系列を生成する。【選択図】図３

Description

本発明は、系列生成装置及びプログラムに係り、特に、状態系列を生成する系列生成装置及びプログラムに関する。

人物の行為系列及び目的地系列を計算する技術がある（特許文献１参照）。また、電力機器等の使用といった行為について、継続時間を含むモデルを用いる技術がある（特許文献２及び特許文献３参照）。また、行為の持続時間は指数関数と仮定される（特許文献４参照）。このような行為の持続時間を求める確率過程には、マルコフ過程が用いられる。

マルコフ過程とは、未来が現在の状態（行為）のみによって決まる確率過程である。この性質は「無記憶性」と呼ばれる。特に、時間が離散的で、かつ状態数が有限個のマルコフ過程はマルコフ連鎖と呼ばれる。マルコフ連鎖は、状態間の遷移確率を行列で表示することができるため各種モデル化が容易であり、行動パターン認識及び合成や、音声認識及び合成、遺伝子配列の解析、様々な分野で用いられている。具体的には、状態遷移をマルコフ連鎖でモデル化する事例には、多様な事例が存在する（就寝、在宅、外出、勤務、買物などの行動やその目的地の系列、実店舗や通信販売における店舗内や店舗間での購買行動の系列等）。

状態を直接観察できない場合には、間接的に得られるデータから背後にある状態遷移をマルコフ連鎖によりモデル化する手法があり、隠れマルコフモデルと呼ばれる。上記の例においても、隠れマルコフモデルが用いられる場合も多い。また、カルマンフィルタ等の状態空間モデルにおいても、同様に内部状態をマルコフ連鎖によりモデル化している。

これらの事例では、状態遷移の系列についてマルコフ連鎖をモデル化することにより、行動系列の予測、異常検知、個人認証、音声認識や音声合成、に応用することができ、さらにこれらに基づいて情報の推薦、広告の提示、システムの制御等にフィードバックすることもできる。また高次元乱数の生成にマルコフ連鎖を用いるＭＣＭＣという手法もある。

また、隠れセミマルコフモデルやＶＴ（Variable Transition）隠れマルコフモデルでは、直前までの継続時間に応じて状態の遷移確率を変更するものとしている。また、隠れマルコフモデルの拡張においては、非特許文献１の例のように、状態間にスキップを入れるなどの遷移規則を設計することにより、ガンマ分布等の継続時間分布に従わせる案が示されている。

特開２０１５−１８７７６０号公報 再公表特許第１５／０８７４７０号 特開２０１６−１３４０１７号公報 特開２０１５−２１５８４８号公報

Michael T. Johnson, "Capacity and Complexity of HMM Duration Modeling Techniques",IEEE SIGNAL PROCESSING LETTERS, Vol.12, No.5, p.407, May 2005

マルコフ連鎖によるモデルは扱いやすく広い範囲で用いられているが、ひとつの課題として状態の継続時間のモデル化が現実に合わないケースがある点が挙げられる。通常のマルコフ連鎖では上記の無記憶性のために、状態の継続時間は幾何分布（指数分布）に従い急速に減速する。なお、ＤＮＡの配列や言語配列などの状態の配列をモデル化する場合には、継続時間は継続ステップ数の意味である。

しかし現実の事象においては、状態の継続時間が指数分布以外の特定の分布、例えばワイブル分布、ガンマ分布、対数正規分布等に従うことが少なからずあり、通常のマルコフ連鎖ではモデル化が困難である。

本発明は、上記問題点を解決するために成されたものであり、状態のステップを考慮して、状態系列を精度良く計算することができる系列生成装置、方法及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る系列生成装置は、予め学習された、複数の状態のペアの各々についての前記ペアの一方の状態から他方の状態への遷移確率と、前記複数の状態の各々についての、前記状態の生存関数に従った前記状態の継続確率とに基づいて、時間帯ｔの状態を決定する際に、ステップｔ−１の状態の継続確率に従って、前記状態を継続するか否かを判定し、前記状態を継続すると判定された場合に、ステップｔの状態として、ステップｔ−１の状態と同じ状態を決定し、前記状態を継続しないと判定された場合に、前記遷移確率に従って、ステップｔの状態として、ステップｔ−１の状態と異なる状態を決定することにより、各ステップの状態からなる状態系列を生成する系列生成部、を含んで構成されている。

また、本発明に係るプログラムは、コンピュータを、予め学習された、複数の状態のペアの各々についての前記ペアの一方の状態から他方の状態への遷移確率と、前記複数の状態の各々についての、前記状態の生存関数に従った前記状態の継続確率とに基づいて、ステップｔの状態を決定する際に、ステップｔ−１の状態の継続確率に従って、前記状態を継続するか否かを判定し、前記状態を継続すると判定された場合に、ステップｔの状態として、ステップｔ−１の状態と同じ状態を決定し、前記状態を継続しないと判定された場合に、前記遷移確率に従って、ステップｔの状態として、ステップｔ−１の状態と異なる状態を決定することにより、各ステップの状態からなる状態系列を生成する系列生成部として機能させるためのプログラムである。

本発明の系列生成装置、方法、及びプログラムによれば、予め学習された、複数の状態のペアの各々についての前記ペアの一方の状態から他方の状態への遷移確率と、前記複数の状態の各々についての、前記状態の生存関数に従った前記状態の継続確率とに基づいて、時間帯ｔの状態を決定する際に、ステップｔ−１の状態の継続確率に従って、前記状態を継続するか否かを判定し、前記状態を継続すると判定された場合に、ステップｔの状態として、ステップｔ−１の状態と同じ状態を決定し、前記状態を継続しないと判定された場合に、前記遷移確率に従って、ステップｔの状態として、ステップｔ−１の状態と異なる状態を決定することにより、各ステップの状態からなる状態系列を生成することにより、状態のステップを考慮して、状態系列を精度良く計算することができる。

３つの状態についいてのマルコフ連鎖の一例を示す図である。 睡眠の継続時間の分布の一例を示す図である。 本発明の実施の形態に係る系列生成装置の構成を示すブロック図である。 都市内移動データの一例を示す図である。 状態に内部状態を持たせたマルコフ連鎖の一例を示す図である。 本発明の実施の形態に係る系列生成装置における系列生成処理ルーチンを示すフローチャートである。 本発明の実施の形態に係る系列生成装置における行為系列生成処理ルーチンを示すフローチャートである。 本発明の実施の形態の手法により生成される行為系列の一例を示す図である。 本発明の実施の形態の手法により生成される行為系列の一例を示す図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜本発明の実施の形態に係る概要＞

まず、本発明の実施の形態における概要を説明する。

本発明の実施の形態では、各状態（行為）に内部状態を設け、各内部状態が状態の継続時間を表現するものとし、その内部状態間の遷移を規定することで遷移時間分布を再現する手法を提案する。

まず、本実施の形態の手法の前提となるマルコフ連鎖について説明する。ある状態の継続時間Ｔは非負の確率変数であるとしてモデル化できる。その累積分布関数(ＣＤＦ)Ｆ(ｔ)、および生存関数（累積生存関数、信頼度関数）Ｓ(ｔ)は、以下（２）式のように定義される。

・・・（１）

・・・（２）

定義より、Ｓ(０)＝１,Ｓ(１)＝０である。

Ｔの期待値Ｅ[Ｔ]は以下（３）式のようにＳ(ｔ)の積分で表現できることが知られている。

・・・（３）

状態がＩ個ある場合、Ｉ次元のベクトルπで各状態の存在確率を表し、図１のように状態がｉからｊへ遷移する確率をＰ_i,jとする。Ｐ_i,jを要素に持つＩ×Ｉの正方行列Ｐは遷移確率行列と呼ばれる。

ある状態ｉが継続するという事象は、図１において確率Ｐ_i,iで表されている自己ループ遷移が起こりうるということである。よって、状態ｉがｎステップ継続する確率、つまり状態ｉの生存関数は以下（４）式のようにＰ_i,iのｎ−１乗で表される。

・・・（４）

Ｐ_i,iが定数である場合、生存関数は指数的に減衰する。

しかし、現実の応用ではある状態が一定時間継続した後に速やかに終了する性質を持つ場合がある。

例えば、睡眠という状態は通常５〜１０時間程度継続し、平均６〜８時間程度という統計がある。この睡眠の継続時間の分布を図示したものが図２である。この場合は、ワイブル分布のように一定時間継続し、その後速やかに終了するような生存関数に従うことが分かる。同じ平均時間を持つ指数分布では、このような性質を表現できない。

このように、通常のマルコフ連鎖では状態の継続時間が常に指数分布に従うことが課題である。

＜本発明の実施の形態に係る系列生成装置の構成＞

次に、本発明の実施の形態に係る系列生成装置２００の構成について説明する。図３に示すように、本発明の実施の形態に係る系列生成装置２００は、ＣＰＵと、ＲＡＭと、後述する人物動態計算処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この系列生成装置２００は、機能的には図３に示すように入力部２１０と、演算部２２０と、出力部２９０とを備えている。

入力部２１０は、エリア毎の属性別人口を表す統計データであるエリア別人口データと、上記特許文献１に記載の手法により学習された属性別の時間帯別行為遷移確率行列及び行為別目的地選択確率行列と、属性別及び時間帯別の行為者の確率からなる時間帯別行為者率データと、属性別の行為の各々についての生存関数、及び時刻ｔの時間刻み幅とを受け付ける。

演算部２２０は、エリア別人口データ記憶部２２２と、時間帯別行為遷移確率行列記憶部２２４と、時間帯別行為者率データ記憶部２２６と、生存関数記憶部２２７と、行為別目的地選択確率行列記憶部２２８と、エージェント生成部２３０と、都市内移動データ記憶部２６０とを含んで構成されている。

エリア別人口データ記憶部２２２は、入力部２１０において受け付けたエリア別人口データを記憶している。なお、エリア別人口データとしては、国勢調査データ等を用いればよい。

時間帯別行為遷移確率行列記憶部２２４は、入力部２１０において受け付けた属性別の時間帯行為遷移確率行列を記憶している。

時間帯別行為者率データ記憶部２２６は、入力部２１０において受け付けた時間帯別行為者率データを記憶している。

生存関数記憶部２２７は、入力部２１０において受け付けた生存関数、及び時刻ｔの時間刻み幅を記憶している。

行為別目的地選択確率行列記憶部２２８は、入力部２１０において受け付けた行為別目的地選択確率行列を記憶している。

エージェント生成部２３０は、エリア別人口データ記憶部２２２に記憶されているエリア別人口データと、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯行為遷移確率行列と、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データと、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列と、生存関数記憶部２２７に記憶されている生存関数、及び時刻ｔの時間刻み幅に従った行為の継続確率とに基づいて、エージェントの各々についての行為系列及び目的地系列を生成し、都市内移動データ記憶部２６０に記憶すると共に、出力部２９０に出力する。また、エージェント生成部２３０は、属性生成部２３２と、行為系列生成部２３４と、目的地系列生成部２３６とを含んで構成されている。なお、行為系列生成部２３４が系列生成部の一例である。

属性生成部２３２は、エリア別人口データ記憶部２２２に記憶されているエリア別人口データに基づいて、属性別及びエリア別に、当該エリアに、当該属性を持つ人物を表すエージェントを、当該エリア及び当該属性の人口に応じた数だけ生成する。具体的に、例えば、エリア別人口データに含まれる年齢、及び性別の組み合わせを図３のＣ列に示すような属性として定義し、当該属性をもつ人の居住地を図３のＢ列に示すような居住メッシュとして、当該属性及び居住メッシュを組み合わせて一つのエージェントとして作成する。なお、作成された順に図３のＡ列に示すようなＩＤが付与されるものとする。また、居住メッシュについては、予めどの居住地がどの居住メッシュに属するか定義されているものとする。また、属性生成部がエージェント生成手段の一例である。

行為系列生成部２３４は、属性生成部２３２において作成されたエージェントの各々と、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯別行為遷移確率行列と、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データと、生存関数記憶部２２７に記憶されている生存関数、及び時刻ｔの時間刻み幅に従った行為の継続確率とに基づいて、エージェントの各々について図３のＤ１列〜ＤＴ列に示すような行為系列を生成し、エージェントごとに、ＩＤ、居住メッシュ、属性、及び行為系列を結合したデータを作成し、目的地系列生成部２３６に出力すると共に、系列生成装置２００の外部に出力する。

具体的には、まず、エージェントの各々について、時間帯別行為者率データ記憶部２２６に記憶されている時間帯別行為者率データの、当該エージェントの属性と同一の属性についての最初の時間帯での行為者率ｙ^（０）に基づいて、時刻ｔ＝０における行為ｋ^（０）を決定する。

そして、エージェントの各々について、時刻ｔ（ｔ＞０）における行為ｋ^（ｔ）について、属性別の時間帯別行為遷移確率行列と、時刻ｔ−１における行為ｋ^{（ｔ−１）}と、行為ｋ^{（ｔ−１）}の内部状態により計算される行為の継続確率とに基づいて、行為を継続するか否かを判定し、行為を継続すると判定された場合に、時間帯ｔの行為として、時間帯ｔ−１の行為と同じ行為を決定し、行為を継続しないと判定された場合に、時間帯別行為遷移確率行列に従って、時間帯ｔの行為として、時間帯ｔ−１の行為と異なる行為を決定する。例えば、決定された時刻ｔ＝０における行為ｋ^（０）と、属性別の時間帯別行為遷移確率行列の当該エージェントの属性のｋ^（０）番目の行ベクトルである

に従った確率と、行為ｋ^（０）における内部状態により計算される行為ｋ^（０）の継続確率とに基づいて、行為ｋ^（１）を決定し、当該決定処理を時刻ｔ＝Ｔ−１まで繰り返すことによって、当該エージェントの行為系列ｋ^（０）…ｋ^{（Ｔ−１）}を生成する。行為を継続すると判定された場合には、時刻ｔ−１と同じ行為を、時刻ｔにおける行為ｋ^（ｔ）として生成し、行為ｋ^（ｔ）の継続確率を更新する。そして、継続確率に基づいて行為を継続するか否かの判定を繰り返す。行為を継続しないと判定された場合には、時間帯別行為遷移確率行列、すなわち、時間帯別行為遷移確率行列のｋ^{（ｔ−１）}番目の行ベクトル、

に従った確率で、時刻ｔにおける行為ｋ^（ｔ）を生成する。

ここで、行為を継続するか否かを判定するため、エージェントの各々について、行為ｋの内部状態を定義する。以下に内部状態の原理について説明する。

ある行為を状態ｉとすると、状態ｉがｔ時間継続する確率、つまり状態ｉが継続する継続確率が与えられたときの生存関数~Ｓ^(ｉ)(ｔ)を近似できる特長を持つマルコフ連鎖を定式化する。

まず図５のように、各々の状態ｉに継続時間を表す内部状態

を定義する。

時間ステップを時刻ｔの時間刻み幅Δとした場合、ｎ番目の内部状態での経過時間はｔ＝ｎΔであるため、その時点で状態ｉの内部にいる確率が~Ｓ^(ｉ)(ｎΔ)となるようにしたい。なお、計算が有限となるようにある閾値εよりも値が小さくなるＮ_ｉつまり、~Ｓ(ｉ)(ｎΔ)＜εを満たす最小のｎの値をＮ_ｉ＝ｎとし、ここで内部状態を打ち切る。

内部状態は図５に示す遷移規則に従い、内部状態ｉ_ｎは次のステップで内部状態ｉ_ｎ＋１に確率Ｑ^(ｉ) _{ｎ,ｎ＋１}で進むか、または確率１−Ｑ^(ｉ) _{ｎ,ｎ＋１}で状態ｉを終了し他の状態へ遷移するものとする。また、内部状態

は必ず次のステップで状態ｉを終了するものとする。

これは、純出生過程と呼ばれるモデルに近いが、純出生過程では同じ状態に留まる自己ループ確率があるのに対して、本発明では内部状態の自己ループは排除し、必ず次の内部状態に進むか、状態を抜けるように、内部状態間の遷移規則を定義することが特徴である。

また、非特許文献１に記載の方法とは異なり、継続時間分布の種類により遷移規則を変更する必要はない。

なお、図５におけるｉ_ｉｎ及びｉ_ｏｕｔは状態間の遷移を分かりやすく表すための仮想的な状態であり、その状態に留まることは無いものとする。

状態ｉにおいて、内部状態の継続がｎ以上になる確率、つまり状態ｉの生存関数Ｓ^(ｉ) _ｎは以下（５）式のように定義する。

・・・（５）

ここで本発明の実施の形態においては、与えられた生存関数~Ｓ^(ｉ)(ｔ)を用いて、内部状態の遷移確率を以下（６）式のように定義する。

・・・（６）

すると、生存関数Ｓ^(ｉ) _ｎは以下のようになる。

・・・（７）

・・・（８）

・・・（９）

これにより、内部状態がｎステップ続く確率が与えられた生存関数~Ｓ^(ｉ)(nΔ)=~Ｓ^(ｉ)(ｔ)に比例することが分かる。この性質は時間の刻み幅Δ に依存しない。~ S(i)(Δ)は１に近い値であるため無視しても良い。

通常のマルコフ連鎖では、生存関数が（４）式のように同じ確率のべき乗になるのに対して、本発明の実施の形態では生存関数が（１０）式のように異なる確率の積となり、状態が継続しやすい継続時間の範囲ではＱ^(ｉ) _{ｎ,ｎ＋１}が１に非常に近い値を取り、状態が終了しやすい継続時間の範囲ではＱ^(ｉ) _{ｎ,ｎ＋１}が１よりもかなり小さくなるため、生存関数を柔軟にモデル化することが可能となる。なお、継続時間が指数分布に従う状態では、Ｑ^(ｉ) _{ｎ,ｎ＋１}がｎによらず定数となるため、内部状態を設けずに、状態の自己ループでモデル化してもよい。

また、時間の刻み幅Δを変更してもその影響を受けないことが特長である。例えば、刻み幅Δを半分にした場合は、以下（１０）式のｎが２倍になり、ｔ＝ｎΔで見た場合には影響がない。（１０）式のようにｎステップ続く確率がａを定数として~Ｓ^(ｉ)((ｎ＋１＋ａ)Δ)に比例するようにしてもよい。

・・・（１０）

ａは―１≦a≦１の範囲が望ましい。

以上のように、各状態に内部状態を設けること、及び内部状態の間の遷移規則と遷移確率を上述のように定めることが、本発明の実施の形態に係る手法の要点である。

例えば、｛１,２,３｝の３つの状態と、各々の状態ｉの中に３つの内部状態｛ｉ_１,ｉ_２,ｉ_３｝を持つマルコフ連鎖を考える。

次に、状態ベクトルを以下のように定義する。

・・・（１１）

状態｛１,２,３｝の間の遷移確率行列P_ｉ,ｊと、前述した規則で計算された内部状態｛ｉ_１,ｉ_２,ｉ_３｝の間の遷移確率Ｑ^(ｉ) _{ｎ,ｎ＋１}が与えられたとする。

すると、内部状態の間の遷移行列は以下（１２）式のようになる。

・・・（１２）

この行列に与えられている遷移確率は定数であり、状況に応じて変化させるなどの操作をしなくても、各状態ｉの継続確率が与えられた生存関数に従うことが特長である。

状態間の遷移確率Ｐ_ｉ,ｊは、特許文献１等に記載の手法で推定しても良いし、他の手法で推定しても良い。

もちろん行動パターンのように２４時間周期や７日周期などをもつ場合には、外的環境に従い適宜遷移確率を変化させても良い。

上記の遷移規則を持つ内部状態と、内部状態の遷移確率の計算手法を応用する事例として、行動系列の生成などが挙げられる。

目的地系列生成部２３６は、行為系列生成部２３４により入力される、各エージェントの行為系列と、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列とに基づいて、エージェントの各々について、図３に示すＥ１列〜ＥＴ列の目的地系列を生成し、エージェントごとに、上記図３に示すＡ列〜ＥＴ列のように結合した都市内移動データとして作成し、都市内移動データ記憶部２６０に記憶すると共に、出力部２９０に出力する。具体的な手法は上記特許文献１に記載の手法を用いればよい。

都市内移動データ記憶部２６０は、目的地系列生成部２３６から入力される上記図４に示すＡ列〜ＥＴ列のような都市内移動データを記憶している。

出力部２９０は、上記図４に示す都市内移動データを可視化する。

＜本発明の実施の形態に係る系列生成装置の作用＞

次に、本発明の実施の形態に係る系列生成装置２００の作用について説明する。まず、入力部２１０においてエリア別人口データと、予め学習された属性別の時間帯別行為遷移確率行列、及び行為別目的地選択確率行列と、時間帯別の行為者の確率からなる時間帯別行為者率データと、属性別の生存関数、及び時刻ｔの時間刻み幅とを受け付ける。そして、系列生成装置２００によって、図６に示す系列生成処理ルーチンが実行される。

まず、ステップＳ１００では、各種データを読み込む。具体的には、エリア別人口データ記憶部２２２に記憶されているエリア別人口データを読み込む。また、時間帯別行為遷移確率行列記憶部２２４に記憶されている属性別の時間帯別行為遷移確率行列を読み込む。また、時間帯別行為者率データ記憶部２２６に記憶されている属性別の時間帯別行為者率データを読み込む。また、生存関数記憶部２２７に記憶されている属性別の生存関数、及び時刻ｔの時間刻み幅を読み込む。また、行為別目的地選択確率行列記憶部２２８に記憶されている行為別目的地選択確率行列を読み込む。

次に、ステップＳ１０２では、ステップＳ１００において取得したエリア別人口データに基づいて、属性別及びエリア別に、当該エリアを居住メッシュとし当該属性を持つ人物を現すエージェントを、当該エリア及び当該属性の人口に応じた数だけ生成する。

次に、ステップＳ１０４では、ステップＳ１００において取得した属性別の時間帯別行為遷移確率行列と、属性別の時間帯別行為者率データと、属性別の生存関数、及び時刻ｔの時間刻み幅とに基づいて、ステップＳ１０２において取得したエージェントの各々について、行為系列を生成する。

次に、ステップＳ１０６では、ステップＳ１００において取得した行為別目的地選択確率行列と、ステップＳ１０４において取得したエージェントの各々の行為系列とに基づいて、ステップＳ１０２において取得したエージェントの各々について、目的地系列を生成し、都市内移動データとする。目的地系列の生成は具体的には上記特許文献１に記載の手法を用いる。

次に、ステップＳ１０８では、ステップＳ１０６において取得した都市内移動データを結果として出力部２９０において可視化して系列生成処理ルーチンを終了する。

上記ステップＳ１０４における行為系列の生成について、図７に示す、行為系列生成処理ルーチンにおいて詳細に説明する。

図７のステップＳ２００では、処理対象となるエージェントについて、当該エージェントの属性と、ステップＳ１００において取得した属性別の時間帯別行為者率データとに基づいて、時刻ｔ＝０における行為ｋ^（０）を決定すると共に、行為ｋの内部状態の継続確率を定義する。

次に、ステップＳ２０２では、変数ｔの値に１を設定する。

次に、ステップＳ２０４では、処理対象となるエージェントについて、当該エージェントの行為ｋ^（ｔ）について、属性別の時間帯別行為遷移確率行列と、時刻ｔ−１における行為ｋ^{（ｔ−１）}と、行為ｋ^（０）又は行為ｋ^{（ｔ−１）}の内部状態により計算される継続確率とに基づいて、行為を継続するか否かを判定する。行為を継続すると判定された場合には、ステップＳ２０６へ移行し、行為を継続しないと判定された場合には、ステップＳ２０８へ移行する。

次に、ステップＳ２０６では、処理対象となるエージェントについて、時刻ｔの行為として、時刻ｔ−１の行為と同じ行為を行為ｋ^（ｔ）として決定し、行為ｋ^{（ｔ−１）}の内部状態に基づいて行為ｋ^（ｔ）の継続確率を更新する。

ステップＳ２０８では、処理対象となるエージェントについて、ステップＳ１００において取得した属性別の時間帯別行為遷移確率行列と、ステップＳ２００において取得した当該エージェントの行為ｋ^（０）、前回のステップＳ２０６、又はステップＳ２０８において取得した当該エージェントの行為ｋ^{（ｔ−１）}とに基づいて、当該エージェントの行為ｋ^{（ｔ−１）}とは異なる当該エージェントの行為ｋ^（ｔ）を決定すると共に、行為ｋの内部状態の継続確率を定義する。

次に、ステップＳ２１０では、変数ｔの値にｔ＋１を設定する。

次に、ステップＳ２１２では、ｔ＝Ｔであるか否かを判定する。ｔ＝Ｔである場合には、ステップＳ２１４へ移行し、ｔ＝Ｔでない場合には、ステップＳ２０４へ移行する。

次に、ステップＳ２１４では、ステップＳ１０２において生成した全てのエージェントについて処理を終了したか否かを判定する。全てのエージェントについて処理を終了している場合には、行為系列生成処理ルーチンを終了し、全てのエージェントについて処理を終了していない場合には、処理対象となるエージェントを変更し、ステップＳ２００へ移行し、ステップＳ２００〜ステップＳ２１４までの処理を繰り返す。

本実施の形態の手法により生成される行為系列の一例を図８及び図９に示す。図８は、３つの状態（[１]：睡眠／[２]：起床在宅、帰宅／[３]：仕事）の遷移確率を２０日分について１時間刻みで求めた場合の例である。図９は、同様の条件で遷移確率を１５分刻みで求めた場合の例である。いずれの場合も不必要な状態遷移（睡眠が１時間で終わる等）が起こりにくい系列となっていることがわかる。

以上説明したように、本発明の実施の形態に係る系列生成装置によれば、行為の継続時間を考慮して、人物の行為系列及び目的地系列を精度良く計算することができる。

なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上述した実施の形態では、状態系列が行為系列である場合を例に説明したが、これに限定されるものではなく、行為以外の状態（例えば、ＤＮＡ配列、言語配列、交通状態や自然観測における状態等）であってもよい。

２００ 系列生成装置
２１０ 入力部
２２０ 演算部
２２２ エリア別人口データ記憶部
２２４ 時間帯別行為遷移確率行列記憶部
２２６ 時間帯別行為者率データ記憶部
２２７ 生存関数記憶部
２２８ 行為別目的地選択確率行列記憶部
２３０ エージェント生成部
２３２ 属性生成部
２３４ 行為系列生成部
２３６ 目的地系列生成部
２６０ 都市内移動データ記憶部
２９０ 出力部

Claims (6)

1. 予め学習された、複数の状態のペアの各々についての前記ペアの一方の状態から他方の状態への遷移確率と、前記複数の状態の各々についての、前記状態の生存関数に従った前記状態の継続確率とに基づいて、時間帯ｔの状態を決定する際に、ステップｔ−１の状態の継続確率に従って、前記状態を継続するか否かを判定し、前記状態を継続すると判定された場合に、ステップｔの状態として、ステップｔ−１の状態と同じ状態を決定し、前記状態を継続しないと判定された場合に、前記遷移確率に従って、ステップｔの状態として、ステップｔ−１の状態と異なる状態を決定することにより、各ステップの状態からなる状態系列を生成する系列生成部
   を含む系列生成装置。
2. 前記継続確率を以下（１）式により計算する請求項１に記載の系列生成装置。
   
   ・・・（１）
   ただし、~Ｓ^（ｉ）（ｔ）は生存関数、Δは時刻ｔの時間刻み幅であり、ａは−１≦ａ≦１である。
3. 前記系列生成部は、前記状態系列として、ユーザの行為系列を生成する請求項１又は請求項２に記載の系列生成装置。
4. 各エリアの人口データを表す統計データに基づいて、前記エリアに居住する人物を表すエージェントを、前記エリアの人口データに応じた数だけ生成するエージェント生成部を更に含み、
   前記系列生成部は、前記エージェント生成部によって生成されたエージェントの各々について、各時間帯の行為からなる前記行為系列を生成する請求項３に記載の系列生成装置。
5. 前記エージェント生成部によって生成されたエージェントの各々について、前記複数の行為の各々について予め学習した、エリアのペアの各々についての前記ペアの一方のエリアから他方のエリアを目的地として選択する目的地選択確率と、前記系列生成部によって前記エージェントについて生成された前記行為系列とに基づいて、各時間帯の目的地となるエリアからなる目的地系列を生成する目的地系列生成部と、
   前記エージェント生成部によって生成されたエージェントの各々について、前記系列生成部によって前記エージェントについて生成された前記行為系列及び前記目的地系列生成部によって前記エージェントについて生成された前記目的地系列を出力する出力部と、を更に含む請求項４に系列生成装置。
6. コンピュータを、
   予め学習された、複数の状態のペアの各々についての前記ペアの一方の状態から他方の状態への遷移確率と、前記複数の状態の各々についての、前記状態の生存関数に従った前記状態の継続確率とに基づいて、ステップｔの状態を決定する際に、ステップｔ−１の状態の継続確率に従って、前記状態を継続するか否かを判定し、前記状態を継続すると判定された場合に、ステップｔの状態として、ステップｔ−１の状態と同じ状態を決定し、前記状態を継続しないと判定された場合に、前記遷移確率に従って、ステップｔの状態として、ステップｔ−１の状態と異なる状態を決定することにより、各ステップの状態からなる状態系列を生成する系列生成部、
   として機能させるためのプログラム。