JP2021148460A - 移動量推定装置、モデル生成装置、移動量推定方法及びプログラム - Google Patents

Abstract

【課題】ユーザの移動量を高精度に推定するための技術を提供することである。【解決手段】本開示の一態様は、移動中のユーザから取得したセンサデータから特徴量を抽出する特徴量抽出部と、前記特徴量が属するクラスタを決定するクラスタ決定部と、決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する移動量推定部と、を有する移動量推定装置に関する。【選択図】図８

Description

本開示は、移動量推定装置、モデル生成装置、移動量推定方法及びプログラムに関する。

ユーザは、スマートフォンやウェアラブルデバイスなどの携帯端末を利用して、現在位置や移動距離などを容易に確認することができる。典型的には、携帯端末に内蔵されたＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）機能を利用することによって、ユーザの位置を特定することができる。

また、自律航法機能を利用して、ユーザは現在位置や移動距離を確認することが可能である。例えば、ユーザが歩行中であるとき、ユーザの歩数と歩幅に基づき起点からの移動距離を推定することが可能である（例えば、特許文献１）。

特開平７−３３３０００号公報

しかしながら、歩数と歩幅に基づく移動量の推定精度は、ユーザの移動速度などによって変動しうる。例えば、同じ歩数であっても、歩いているときと走っているときでは、移動量に誤差が生じうる。

本発明は上記課題に鑑みてなされたもので、その目的とするところは、ユーザの移動量を高精度に推定するための技術を提供することである。

上記課題を解決するため、本開示の一態様は、移動中のユーザから取得したセンサデータから特徴量を抽出する特徴量抽出部と、前記特徴量が属するクラスタを決定するクラスタ決定部と、決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する移動量推定部と、を有する移動量推定装置に関する。

本開示によると、ユーザの移動量を高精度に推定することができる。

本開示の一実施例によるモデル生成装置及び移動量推定装置を示す概略図である。 本開示の一実施例によるモデル生成装置のハードウェア構成を示すブロック図である。 本開示の一実施例による移動量推定装置のハードウェア構成を示すブロック図である。 本開示の一実施例によるモデル生成処理を示す概略図である。 本開示の一実施例によるモデル生成装置の機能構成を示すブロック図である。 本開示の一実施例による移動時の一例となる加速度データを示す図である。 本開示の一実施例によるモデル生成処理を示すフローチャートである。 本開示の一実施例による移動量推定処理を示す概略図である。 本開示の一実施例による移動量推定装置の機能構成を示すブロック図である。 本開示の一実施例による移動量推定処理を示すフローチャートである。

以下の実施例では、教師データを利用して、センサデータから移動量を推定する回帰モデルを生成するモデル生成装置と、生成された回帰モデルを利用して、移動中のユーザに対して検知されたセンサデータから移動量を推定する移動量推定装置とが開示される。
［本開示の概要］
後述される実施例を概略すると、図１に示されるように、モデル生成装置１００は、データベース５０からセンサデータと移動量との教師データを取得し、取得したセンサデータ（例えば、加速度データ、角速度データなど）から複数の特徴量（例えば、各種センサデータの極小値、極大値、平均など）を算出する。そして、モデル生成装置１００は、算出した特徴量から構成される特徴量ベクトルを特徴量空間上にプロットし、プロットした特徴量ベクトル群をクラスタリングする。そして、モデル生成装置１００は、各クラスタに含まれる特徴量ベクトル群と正解移動量とに対して重回帰分析を実行することによって、各クラスタに対して特徴量ベクトルから移動量を推定する回帰関数を導出し、導出したクラスタ毎の回帰関数を移動量推定モデルとして移動量推定装置２００に提供する。

移動量推定装置２００は、移動中のユーザから取得したセンサデータから特徴量を抽出し、当該特徴量が属するクラスタを決定する。そして、移動量推定装置２００は、モデル生成装置１００から提供されたクラスタ毎の回帰関数から当該クラスタの回帰関数を利用して、抽出した特徴量からユーザの移動量を推定する。

このようにして、検知したセンサデータのクラスタに対応したクラスタ毎の回帰関数を利用して、移動量をより高精度に推定することが可能になる。
［ハードウェア構成］
ここで、モデル生成装置１００は、例えば、パーソナルコンピュータ、サーバなどの計算装置であってもよく、図２に示されるようなハードウェア構成を有してもよい。すなわち、モデル生成装置１００は、バスＢを介し相互接続されるドライブ装置１０１、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０４、インタフェース装置１０５及び通信装置１０６を有する。

モデル生成装置１００における後述される各種機能及び処理を実現するプログラム又は命令を含む各種コンピュータプログラムは、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの記録媒体１０７によって提供されてもよい。プログラムを記憶した記録媒体１０７がドライブ装置１０１にセットされると、プログラムが記録媒体１０７からドライブ装置１０１を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０７により行う必要はなく、ネットワークなどを介し何れかの外部装置からダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータなどを格納する。メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムやデータを読み出して格納する。補助記憶装置１０２及びメモリ装置１０３は、プログラム又は命令を格納する非一時的なコンピュータ可読記憶媒体として実現される。プロセッサとして機能するＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムやプログラムを実行するのに必要なパラメータなどの各種データに従って、モデル生成装置１００の各種機能及び処理を実行する。インタフェース装置１０５は、キーボード、マウスなどの入力装置、ディスプレイなどの出力装置などであり、ユーザとのユーザインタフェースとして用いられる。通信装置１０６は、外部装置と通信するための各種通信処理を実行する。

また、移動量推定装置２００は、例えば、携帯機器であってもよく、図３に示されるようなハードウェア構成を有してもよい。すなわち、移動量推定装置２００は、ＣＰＵ２０１、メモリ装置２０２、補助記憶装置２０３、センサ２０４、通信装置２０５及び操作手段２０６を有する。

移動量推定装置２００における後述される各種機能及び処理を実現するプログラム又は命令を含む各種コンピュータプログラムは、補助記憶装置２０３にインストールされ、メモリ装置２０２は、移動量推定装置２００の起動指示があった場合に、補助記憶装置２０３からプログラムやデータを読み出して格納する。補助記憶装置２０３及びメモリ装置２０２は、プログラム又は命令を格納する非一時的なコンピュータ可読記憶媒体として実現される。プロセッサとして機能するＣＰＵ２０１は、メモリ装置２０２に格納されたプログラムやプログラムを実行するのに必要なパラメータなどの各種データに従って、センサ２０４から取得したセンサデータに基づき移動量推定装置２００の各種機能及び処理を実行する。センサ２０４は、加速度センサ、ジャイロセンサなどであってもよく、ユーザの移動に関連する各種データを検知する。通信装置２０５は、センサデータから推定した移動量をスマートフォン、スマートウォッチなどの他の情報端末に送信する。操作手段２０６は、移動量推定装置２００の電源オン／オフのためのスイッチ、電源オン／オフ状態を示すランプ、設定ボタン、表示パネルなどであってもよい。

しかしながら、モデル生成装置１００及び移動量推定装置２００は、上述したハードウェア構成に限定されるものでなく、例えば、移動量推定装置２００による機能及び処理の１つ以上を実現する１つ以上の回路などの他の何れか適切なハードウェア構成により実現されてもよい。
［モデル生成装置］
次に、図４〜６を参照して、本開示の一実施例によるモデル生成装置１００を説明する。図４は、本開示の一実施例によるモデル生成処理を示す概略図である。

図４に示されるように、モデル生成装置１００は、データベース５０に格納されている訓練用センサデータと正解移動量との教師データを利用して、クラスタ毎の回帰関数を導出する。より詳細には、モデル生成装置１００は、訓練用センサデータから複数種別の特徴量（例えば、各種センサデータの極小値、極大値、平均、標準偏差など）を抽出し、抽出した複数種別の特徴量から構成された特徴量ベクトル群をクラスタリングする。そして、モデル生成装置１００は、各クラスタの特徴ベクトル群と正解移動量とに対して重回帰分析を実行し、クラスタ毎の回帰関数を導出する。

図５は、本開示の一実施例によるモデル生成装置１００の機能構成を示すブロック図である。図５に示されるように、モデル生成装置１００は、特徴量抽出部１１０、クラスタリング部１２０及び重回帰分析部１３０を有する。

特徴量抽出部１１０は、センサデータから特徴量を抽出する。例えば、センサデータは、様々な被験者が所定のいくつかの速度によって移動した際にセンサによって測定された加速度データ、角速度データなどの時系列データであり、当該移動による被験者の移動量と関連付けて教師データとして取得される。

また、特徴量は、センサデータから抽出可能な各種統計量などであってもよい。具体的には、訓練用センサデータが所定の速度による移動中の被験者の時系列の加速度データである場合、特徴量抽出部１１０は、加速度データを一歩の区間によって分割し、各区間における加速度データの極小値、極大値、平均、標準偏差などの複数の特徴量を抽出する。典型的には、加速度データは３軸方向の加速度から構成されているが、特徴量抽出部１１０は、一歩の区間の決定に際して、例えば、地表に対して垂直方向の加速度（図６参照）に着目し、当該垂直方向の加速度の極小値または極大値において被験者が接地したと想定し、図６に示されるように各区間（一の縦破線から隣の縦破線の間）を決定する。

各区間に対する各種特徴量を抽出すると、特徴量抽出部１１０は、各区間の各種特徴量をベクトル空間上の点によって表す。例えば、加速度や角速度のセンサデータの複数軸から極小値、極大値、平均、標準偏差、等の複数種類の特徴量を抽出した場合、各区間は抽出した特徴量の種類の数の次元のベクトル空間上の点として表すことができる。

クラスタリング部１２０は、抽出した特徴量をクラスタリングする。具体的には、クラスタリング部１２０は、様々な被験者が所定のいくつかの速度によって移動することによって取得した訓練用センサデータに対して、上述したように複数の特徴量を抽出し、抽出した特徴量に基づき各区間を特徴量ベクトルとして表す。準備された訓練用センサデータから特徴量ベクトル群を取得すると、クラスタリング部１２０は、各特徴量ベクトルをベクトル空間上にプロットし、プロットされた特徴量ベクトル群をクラスタリングする。例えば、当該クラスタリングは、ｋ−Ｍｅａｎｓ法などの何れか適当なクラスタリングアルゴリズムに従って実行されてもよい。ここで、クラスタ数ｋは、訓練用センサデータのバリエーションに応じて設定されてもよい。典型的には、各クラスタは、特定タイプの被験者（例えば、体格が類似した被験者など）が同一速度で移動した際に取得されたセンサデータから抽出された特徴量から構成されると考えられうる。

重回帰分析部１３０は、各クラスタの回帰関数を導出する。具体的には、クラスタリング部１２０によって特徴量ベクトル群がクラスタリングされると、重回帰分析部１３０は、データベース５０から対応する正解移動量を取得し、各クラスタの特徴量ベクトル群と取得した正解移動量とに対して重回帰分析を実行する。典型的には、正解移動量は、収集された時系列のセンサデータの測定期間における移動量である。従って、例えば、当該クラスタが特定タイプの被験者の特定の速度による移動の際に取得されたセンサデータに対応している場合、重回帰分析部１３０は、当該時系列のセンサデータに対応する正解移動量を区間数によって除算することによって、区間あたりの移動量、すなわち、一歩あたりの移動量を算出し、各区間と区間あたりの移動量とを対応付けすることができる。各クラスタの各区間と当該区間の移動量とが対応付けされると、重回帰分析部１３０は、当該クラスタ内の特徴量ベクトル群に対して重回帰分析を実行し、特徴量ベクトルから移動量を推定する回帰関数を導出することができる。

例えば、重回帰分析部１３０は、線形重回帰分析を実行し、線形回帰関数を導出してもよい。例えば、ｎ種類の特徴量ｘ_１〜ｘ_ｎから線形重回帰分析によって移動量ｙを推定する場合、
ｙ＝ａ_１ｘ_１＋ａ_２ｘ_２＋・・・＋ａ_ｎｘ_ｎ＋ａ_０
の線形回帰式が導出されてもよい。ただし、ａ_０〜ａ_ｎは係数である。

このようにして、重回帰分析部１３０は、各クラスタに対して回帰関数を導出し、クラスタ毎の回帰関数を取得する。重回帰分析部１３０は、取得したクラスタ毎の回帰関数を移動量推定装置２００に提供する。
［モデル生成処理］
次に、図７を参照して、本開示の一実施例によるモデル生成処理を説明する。当該モデル生成処理は、上述したモデル生成装置１００によって実現され、例えば、モデル生成装置１００のプロセッサがプログラム又は命令を実行することによって実現されてもよい。図７は、本開示の一実施例によるモデル生成処理を示すフローチャートである。

図７に示されるように、ステップＳ１０１において、モデル生成装置１００は、訓練用センサデータを取得する。例えば、訓練用センサデータは、被験者の移動中の動きを示す時系列のセンサデータであってもよく、具体的には、加速度センサによって検知された加速度データ、ジャイロセンサによって検知された角速度データなどであってもよい。また、訓練用センサデータは、被験者の測定期間における移動量と関連付けてデータベース５０に格納される。例えば、複数の被験者に所定のいくつかの速度で移動するよう指示し、移動中の被験者の動きを検知し、当該測定期間における移動量を測定することによって、様々な被験者の様々な速度のセンサデータと移動量とのペアを取得することができる。

ステップＳ１０２において、モデル生成装置１００は、センサデータから特徴量を抽出する。例えば、訓練用センサデータが時系列の加速度データである場合、モデル生成装置１００は、地表面に対して垂直方向の加速度データの極小値又は極大値に基づき被験者の一歩の区間を特定し、特定された区間によって加速度データを分割する。そして、モデル生成装置１００は、各区間の加速度データに対して、極小値、極大値、平均、標準偏差などの所定の特徴量を抽出する。

ステップＳ１０３において、モデル生成装置１００は、特徴量をクラスタリングする。具体的には、モデル生成装置１００は、ステップＳ１０２において各区間に対して抽出した特徴量から構成される特徴量ベクトルを特徴量空間上の点としてプロットする。抽出された全ての特徴量ベクトルを特徴量空間上にプロットすると、モデル生成装置１００は、特徴量空間上にプロットされた特徴量ベクトル群をクラスタリングすることができる。例えば、モデル生成装置１００は、ｋ−ｍｅａｎｓ法に従って特徴量ベクトル群をクラスタリングしてもよい。ここで、定数ｋは、例えば、被験者及び／又は移動速度のバリエーションに応じて設定されてもよい。

ステップＳ１０４において、モデル生成装置１００は、各クラスタの特徴量ベクトル群に対して重回帰分析を実行する。具体的には、モデル生成装置１００は、データベース５０から正解移動量を取得し、取得した正解移動量に基づき各区間に対応する移動量を算出する。そして、ステップＳ１０５において、モデル生成装置１００は、各クラスタに対して、当該クラスタ内の各特徴量ベクトルと算出した移動量との対応関係に基づき重回帰分析を実行し、当該クラスタの回帰関数を導出する。例えば、線形重回帰分析によって回帰関数が導出される場合、モデル生成装置１００は、特徴量ベクトルｘ＝（ｘ_１，ｘ_２，・・・，ｘ_ｎ）に対して線形回帰式
ｙ＝ａ_１ｘ_１＋ａ_２ｘ_２＋・・・＋ａ_ｎｘ_ｎ＋ａ_０
を導出する。ここで、ｙは区間における移動量であり、ａ_０〜ａ_ｎは係数である。

ステップＳ１０５において、各クラスタに対して上述したように回帰関数を導出すると、モデル生成装置１００は、取得したクラスタ毎の回帰関数を移動量推定装置２００に提供する。
［移動量推定装置］
次に、図８及び９を参照して、本開示の一実施例による移動量推定装置２００を説明する。典型的には、移動量推定装置２００は、ユーザによって携行され、移動中のユーザから検知されたセンサデータからユーザの移動量を推定する。

図８に示されるように、移動量推定装置２００は、モデル生成装置１００から提供されたクラスタ毎の回帰関数を利用して、処理対象のセンサデータから移動量を推定する。より詳細には、移動量推定装置２００は、処理対象のセンサデータから複数種別の特徴量（例えば、各種センサデータの極小値、極大値、平均、標準偏差など）を抽出し、抽出した特徴量から構成される特徴量ベクトルが何れのクラスタに属するか決定する。そして、移動量推定装置２００は、決定したクラスタに対応する回帰関数を利用して、特徴量ベクトルから移動量を算出する。

図９は、本開示の一実施例による移動量推定装置２００の機能構成を示すブロック図である。図９に示されるように、移動量推定装置２００は、特徴量抽出部２１０、クラスタ決定部２２０及び移動量推定部２３０を有する。

特徴量抽出部２１０は、センサデータから特徴量を抽出する。具体的には、センサから移動中のユーザの動きを示すセンサデータを取得すると、特徴量抽出部１１０と同様に、特徴量抽出部２１０は、取得したセンサデータから一歩の区間を特定し、特定した区間によってセンサデータを分割する。特徴量抽出部２１０は、各区間のセンサデータから所定の種別の特徴量（例えば、極小値、極大値、平均、標準偏差など）を抽出する。当該特徴量の種別は、モデル生成装置１００の特徴量抽出１１０が抽出した特徴量と同種別の特徴量であり、モデル生成装置１００から提供されたクラスタ毎の回帰関数の引数として選択された特徴量の種別に対応する。

クラスタ決定部２２０は、特徴量が属するクラスタを決定する。具体的には、クラスタ決定部２２０は、各区間のセンサデータから抽出された特徴量ベクトルが特徴量空間上のｋ個のクラスタの何れに属するか判断する。特徴量空間上のクラスタはモデル生成装置１００によって決定され、クラスタ決定部２２０は、特徴量空間上の複数のクラスタの各重心と特徴量ベクトルとの間の距離に基づき、当該特徴量ベクトルが属するクラスタを決定してもよい。例えば、クラスタ決定部２２０は、特徴量ベクトルに最も近い重心を有するクラスタを当該特徴量ベクトルが属するクラスタとして決定してもよい。決定されるクラスタは、モデル生成装置１００のクラスタリング部１２０がクラスタリングした何れかのクラスタに決定される。

移動量推定部２３０は、当該クラスタの回帰関数に従って特徴量から移動量を推定する。具体的には、移動量推定部２３０は、クラスタ決定部２２０によって決定されたクラスタに対応する回帰関数に特徴量ベクトルを入力し、移動量を算出する。算出された移動量は、当該区間におけるユーザの推定移動量である。移動量推定部２３０は、測定期間における連続する各区間に対して移動量を算出し、算出した移動量の累積値を測定期間におけるユーザの推定移動量として提供することができる。

なお、移動量推定部２３０は、算出した各区間の移動量を、ユーザが携行するスマートフォン、スマートウォッチなどの他のデバイスに送信し、当該デバイスが、各区間の移動量の累積値を算出し、測定期間におけるユーザの推定移動量を推定してもよい。
［移動量推定処理］
次に、図１０を参照して、本開示の一実施例による移動量推定処理を説明する。当該移動量推定処理は、上述した移動量推定装置２００によって実現され、例えば、移動量推定装置２００のプロセッサがプログラム又は命令を実行することによって実現されてもよい。図１０は、本開示の一実施例による移動量推定処理を示すフローチャートである。

図１０に示されるように、ステップＳ２０１において、移動量推定装置２００は、処理対象のセンサデータを取得する。例えば、処理対象のセンサデータは、移動量推定装置２００を携行するユーザの移動中の動きを示す時系列データであってもよく、具体的には、加速度センサによって検知された加速度データ、ジャイロセンサによって検知された角速度データなどであってもよい。

ステップＳ２０２において、移動量推定装置２００は、センサデータから特徴量を抽出する。例えば、処理対象のセンサデータが時系列の加速度データである場合、移動量推定装置２００は、地表面に対して垂直方向の加速度データの極小値又は極大値に基づき被験者の一歩の区間を特定し、特定された区間によって加速度データを分割する。そして、移動量推定装置２００は、各区間の加速度データに対して、極小値、極大値、平均、標準偏差などの所定の特徴量を抽出する。

ステップＳ２０３において、移動量推定装置２００は、特徴量が属するクラスタを決定する。具体的には、移動量推定装置２００は、各区間のセンサデータから抽出された特徴量から構成される特徴量ベクトルと各クラスタの重心との間の距離を決定し、最短距離のクラスタに当該特徴ベクトルを分類する。

ステップＳ２０４において、移動量推定装置２００は、決定したクラスタに対応する回帰関数を適用して、当該特徴量ベクトルから移動量を算出する。移動量推定装置２００は、測定期間にわたって算出した移動量を累積し、当該測定期間におけるユーザの移動量を推定してもよい。あるいは、移動量推定装置２００は、各区間に対して算出した移動量を外部デバイスに送信し、当該外部デバイスが、測定期間におけるユーザの移動量を推定してもよい。

本願発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適当な組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。

以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。
［付記］
本開示の一態様では、
移動中のユーザから取得したセンサデータから特徴量を抽出する特徴量抽出部と、
前記特徴量が属するクラスタを決定するクラスタ決定部と、
決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する移動量推定部と、
を有する移動量推定装置が提供される。

一実施例では、前記センサデータは、時系列の加速度データを含み、
前記特徴量抽出部は、前記加速度データの極値に基づき前記加速度データを区間に分割し、各区間に対して特徴量を抽出してもよい。

一実施例では、前記クラスタ決定部は、特徴量空間上の複数のクラスタの各重心と前記特徴量との間の距離に基づき、前記特徴量が属するクラスタを決定してもよい。

一実施例では、前記複数のクラスタは、ｋ−ｍｅａｎｓ法に従って決定してもよい。

一実施例では、前記特徴量から前記移動量を推定するクラスタ毎の回帰関数が、重回帰分析に従って推定してもよい。

一実施例では、前記移動量推定部は、前記特徴量が属するクラスタに対応するクラスタ毎の回帰関数を利用して、前記特徴量から前記移動量を推定してもよい。

一実施例では、前記移動量推定部は、各区間に対して推定された移動量の時系列の移動量データに基づき、測定期間における移動量を推定してもよい。

一実施例では、前記回帰関数は、訓練用センサデータから特徴量を抽出し、抽出された前記特徴量をクラスタリングし、重回帰分析によって各クラスタの回帰関数を導出するモデル生成装置が生成した回帰関数であってもよい。

本開示の他の態様では、
プロセッサが、移動中のユーザから取得したセンサデータから特徴量を抽出するステップと、
前記プロセッサが、前記特徴量が属するクラスタを決定するステップと、
前記プロセッサが、決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定するステップと、
を有する移動量推定方法が提供される。

本開示の他の態様では、
移動中のユーザから取得したセンサデータから特徴量を抽出する処理と、
前記特徴量が属するクラスタを決定する処理と、
決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する処理と、
をコンピュータに実行させるプログラムが提供される。

本開示の他の態様では、
訓練用センサデータから特徴量を抽出する特徴量抽出部と、
抽出された前記特徴量をクラスタリングするクラスタリング部と、
重回帰分析によって各クラスタの回帰関数を導出する重回帰分析部と、
を有するモデル生成装置が提供される。

５０ データベース
１００ モデル生成装置
１１０ 特徴量抽出部
１２０ クラスタリング部
１３０ 重回帰分析部
２００ 移動量推定装置
２１０ 特徴量抽出部
２２０ クラスタ決定部
２３０ 移動量推定部

Claims (11)

1. 移動中のユーザから取得したセンサデータから特徴量を抽出する特徴量抽出部と、
   前記特徴量が属するクラスタを決定するクラスタ決定部と、
   決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する移動量推定部と、
   を有する移動量推定装置。
2. 前記センサデータは、時系列の加速度データを含み、
   前記特徴量抽出部は、前記加速度データの極値に基づき前記加速度データを区間に分割し、各区間に対して特徴量を抽出する、請求項１記載の移動量推定装置。
3. 前記クラスタ決定部は、特徴量空間上の複数のクラスタの各重心と前記特徴量との間の距離に基づき、前記特徴量が属するクラスタを決定する、請求項１又は２記載の移動量推定装置。
4. 前記複数のクラスタは、ｋ−ｍｅａｎｓ法に従って決定される、請求項３記載の移動量推定装置。
5. 前記特徴量から前記移動量を推定するクラスタ毎の回帰関数が、重回帰分析に従って推定される、請求項１乃至４何れか一項記載の移動量推定装置。
6. 前記移動量推定部は、前記特徴量が属するクラスタに対応するクラスタ毎の回帰関数を利用して、前記特徴量から前記移動量を推定する、請求項５記載の移動量推定装置。
7. 前記移動量推定部は、各区間に対して推定された移動量の時系列の移動量データに基づき、測定期間における移動量を推定する、請求項１乃至６何れか一項記載の移動量推定装置。
8. 前記回帰関数は、訓練用センサデータから特徴量を抽出し、抽出された前記特徴量をクラスタリングし、重回帰分析によって各クラスタの回帰関数を導出するモデル生成装置が生成した回帰関数である、請求項１乃至７何れか一項記載の移動量推定装置。
9. プロセッサが、移動中のユーザから取得したセンサデータから特徴量を抽出するステップと、
   前記プロセッサが、前記特徴量が属するクラスタを決定するステップと、
   前記プロセッサが、決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定するステップと、
   を有する移動量推定方法。
10. 移動中のユーザから取得したセンサデータから特徴量を抽出する処理と、
    前記特徴量が属するクラスタを決定する処理と、
    決定された前記クラスタの回帰関数に従って前記特徴量から移動量を推定する処理と、
    をコンピュータに実行させるプログラム。
11. 訓練用センサデータから特徴量を抽出する特徴量抽出部と、
    抽出された前記特徴量をクラスタリングするクラスタリング部と、
    重回帰分析によって各クラスタの回帰関数を導出する重回帰分析部と、
    を有するモデル生成装置。

Images