JP4495620B2 - 移動先予測装置および移動先予測方法 - Google Patents

Description

本発明は、車等の移動体の移動先を予測する装置に関し、特に、移動履歴を用いて移動先を予測する装置に関する。

近年のカーナビゲーションシステム等のモバイル端末の普及に伴い、移動体の移動先を予測し、予測した移動先に関連する情報をユーザに提供する様々な技術が提案されている。ここで、ユーザの移動時の目的地を予測する従来の手法として、ユーザの過去の移動履歴を蓄積しておき、現在の移動状態から目的地候補を複数算出するものがある（例えば、特許文献１参照）。

この従来の技術では、蓄積された移動履歴データベースの中から、現在移動しているリンクを移動した経路を検索し、目的地到達の頻度の多いものを目的地として算出している。
特開平７−８３６７８号公報

しかしながら、上記従来の技術は、単に蓄積された移動履歴と、現在移動中のリンクと一致する経路のみを考慮するものであるために、各経路における移動頻度等、ユーザの移動特性を必ずしも反映したマッチングが行えず、また、まったく同一の経路がない場合には目的地を正確に予測できるとは限らないという課題を有している。そのために、ユーザが欲している情報が適確には提供されないという問題がある。

そこで、本発明は、上記従来の課題を解決するものであり、ユーザの現在移動経路と同一の経路が、蓄積された移動履歴に存在する場合はもちろん、同一の経路がない場合においても、ユーザの移動の頻度など移動特性を反映し、また現在の移動の特性を反映し、より精度よく目的地を予測する移動先予測装置等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、本発明に係る移動先予測装置は、移動体の移動先を予測する移動先予測装置であって、移動体の移動履歴を蓄積する移動履歴蓄積手段と、移動体の現在の移動経路である現在経路を記録する現在経路記録手段と、前記移動履歴蓄積手段に蓄積された複数の移動履歴の中から、前記現在経路記録手段で記録された現在経路と類似する移動履歴を選択する移動履歴選択手段と、選択された移動履歴に基づいて、前記移動体の移動先を決定する移動先決定手段とを備え、前記移動履歴および前記現在経路は、地図上の位置を特定するノードの系列で示され、前記移動履歴選択手段は、前記ノードに重みを付与する重み付与部を有し、前記移動履歴と前記現在経路に共通に含まれるノードに付与された重みに基づいて、前記移動経路を選択することを特徴とする。

なお、本発明は、このような移動先予測装置だけでなく、移動先予測装置を構成する処理手段をステップとする移動先予測方法として実現したり、その方法をコンピュータに実行させるプログラムとして実現したり、そのプログラムを記録したコンピュータ読み取り可能なＣＤ−ＲＯＭ等の記録媒体として実現することもできる。

本発明により、移動体の現在移動経路と同一の経路が蓄積された移動履歴に存在する場合はもちろん、同一の経路がない場合においても、ユーザの移動の頻度など移動特性を反映し、また現在移動の特性を反映した類似経路を算出することが可能となり、この類似経路を用いることで、より精度よく目的地を予測することができる。

以下、本発明の実施の形態について説明する。
ここで、具体的な実施の形態を説明する前に、まず、本発明に係る移動先予測装置の特徴を説明する。

本発明に係る移動先予測装置は、移動体の移動先を予測する移動先予測装置であって、移動体の移動履歴を蓄積する移動履歴蓄積手段と、移動体の現在の移動経路である現在経路を記録する現在経路記録手段と、前記移動履歴蓄積手段に蓄積された複数の移動履歴の中から、前記現在経路記録手段で記録された現在経路と類似する移動履歴を選択する移動履歴選択手段と、選択された移動履歴に基づいて、前記移動体の移動先を決定する移動先決定手段とを備え、前記移動履歴および前記現在経路は、地図上の位置を特定するノードの系列で示され、前記移動履歴選択手段は、前記ノードに重みを付与する重み付与部を有し、前記移動履歴と前記現在経路に共通に含まれるノードに付与された重みに基づいて、前記移動経路を選択することを特徴とする。ここで、前記重み付与部は、前記移動履歴に含まれるノードに重みを付与する第１重み付与部と、前記現在経路に含まれるノードに重みを付与する第２重み付与部とを有し、前記移動履歴選択手段は、前記移動履歴に含まれるノードに付与された重みと、前記現在経路に含まれるノードに付与された重みとに基づいて、前記移動経路を選択してもよい。

このような構成によって、移動履歴と現在経路とが完全に一致する場合だけでなく、部分的に一致する箇所（ノード）を用いて移動履歴と現在経路とのマッチングができるので、現在までの移動経路と同一の経路が過去の移動履歴に存在する場合はもちろん、同一の経路がない場合においても類似経路を算出することが可能となり、この類似経路を用いて目的地や、移動先を算出することで、より精度よく予測することができる。

ここで、重み付けの例として、
（１）現在経路に含まれるノードに対して、各ノードの位置と前記移動体の現在位置との間の経路長に依存した重みを付与する、例えば、前記移動体の現在位置に近いノードに対して大きな重みを付与したり、
（２）現在経路に含まれるノードに対して、各ノードを通過した時刻と現在時刻との差に依存した重みを付与する、例えば、現在時刻に近い時刻に通過したノードに対して大きな重みを付与したり、
（３）前記移動履歴蓄積手段に蓄積された移動履歴に含まれる頻度が高いノードに対して大きい重みを付与したり、
（４）交通情報を取得し、取得した交通情報に従って、前記ノードに重みを付与したりする方法が挙げられる。

これによって、異なる地点を出発地とするが途中の経路が共通する移動経路を用いて移動先を予測したり、頻度に基づく重み付けによって例外的な移動履歴を排除したうえで移動先を予測したり、交通情報が示す通行止め区間が含まれる移動経路を予測してしまうことが回避されるようにノードに重みを付与したりすることが可能となり、予測制度が向上される。

また、選択する移動履歴としては、内蔵の移動履歴蓄積手段に限られず、通信ネットワークを介して接続された、複数のユーザの移動履歴が蓄積された外部記憶装置に蓄積された複数の移動履歴の中から、現在経路と類似する移動履歴を選択してもよい。これによって、他人の移動履歴を用いて移動先を予測することが可能となり、移動履歴のデータ量が増加することに伴う予測精度の向上だけでなく、はじめて走行する現在経路に対しても、移動先を予測することが可能となる。

さらに、前記移動先予測装置は、地図情報を取得する地図情報取得手段を備え、前記重み付与部は、取得された地図情報に含まれるノードにも重みを付与したり、前記移動先決定手段によって決定された移動先に関する情報を取得する移動先情報取得手段と、取得された移動先に関する情報をユーザに提示する提示手段とを備える構成としてもよい。このとき、情報の提示においては、前記移動履歴と前記現在経路に共通に含まれるノードに対する重みに基づいて、決定した移動先の確からしさを示す評価値を算出し、前記提示手段は、前記移動先決定手段で算出された評価値が一定のしきい値を超えた場合に、移動先に関する情報をユーザに提示するのが好ましい。これによって、確率の低い移動先に関する情報がユーザに提供されることによる情報過多という不具合が回避される。

また、前記移動先予測装置はさらに、前記移動体の現実の移動先を特定し、特定した現実の移動先と前記移動先決定手段によって決定された移動先とが一致するか否かを判定する移動先判定手段を備え、前記重み付与部は、前記移動先判定手段による判定結果に従って、前記ノードに重みを付与するという学習機能を備えてもよい。具体的には、前記重み付与部は、前記移動先判定手段によって前記移動先が一致すると判定された場合に、前記移動先決定手段による移動先の決定に用いられた移動履歴に含まれるノードに対する重みを大きくする。これによって、過去の予測結果（当否）が次の予測に反映されるので、予測が繰り返されるごとに、予測精度が向上されていく。

さらに、重み付けのパターン（重み付けのルール）としては、１つに限られず、前記重み付与部は、前記ノードに対して、複数のパターンで重みを付与し、前記移動履歴選択手段は、前記複数のパターンに対応させて、複数の移動経路を選択し、前記移動先決定手段は、選択された複数の移動履歴に基づいて、複数の移動先を決定してもよい。これによって、前記移動先予測装置は、前記移動先決定手段によって決定された移動先に関する情報を取得する移動先情報取得手段と、取得された移動先に関する情報をユーザに提示する提示手段とを備える場合に、前記移動先決定手段はさらに、前記移動履歴と前記現在経路に共通に含まれるノードに対する重みに基づいて、決定した複数の移動先について、確からしさを示す評価値を算出し、前記提示手段は、前記移動先決定手段で算出された評価値が一定のしきい値を超える移動先に関する情報をユーザに提示することができる。また、前記移動先予測装置はさらに、前記移動体の現実の移動先を特定し、特定した現実の移動先と一致する移動先を、前記移動先決定手段によって決定された複数の移動先の中から特定する移動先判定手段を備える場合に、前記重み付与部は、前記移動先判定手段によって特定された移動先に含まれるノードに対する重みを大きくすることができる。これによって、重みに関する学習だけでなく、重み付けのルールに関する学習が行われ、予測が繰り返されるに従って、より精度の高い予測ルールが選択されていく。

ここで、前記複数のパターンの例としては、前記移動体の現在位置に近いノードに対して大きな重みを付与するパターン、現在時刻に近い時刻に通過したノードに対して大きな重みを付与するパターン、前記移動履歴蓄積手段に蓄積された移動履歴に含まれる頻度が高いノードに対して大きい重みを付与するパターン、および、現在経路の出発地点に近いノードに対して大きな重みを付与するパターン等が挙げられる。

次に、本発明の具体的な実施の形態について、図面を用いて詳細に説明する。
（実施の形態１）
まず、本発明の実施の形態１について説明する。

図１は、本発明の実施の形態１におけるカーナビゲーションシステム１００の構成を示す機能ブロック図である。このカーナビゲーションシステム１００は、移動履歴と現在の移動経路それぞれに重み付けをした後にマッチングすることによって移動先を予測する点に特徴を有するカーナビゲーションシステムであり、情報提供データベース１３１と、カーナビゲーション装置１０１と、位置情報検出部１０２と、提示部１０８とから構成される。なお、これらの構成要素のうち、カーナビゲーション装置１０１、位置情報検出部１０２および提示部１０８は、移動体に搭載される車載装置である。情報提供データベース１３１は、無線通信を含むネットワーク１３２を介してカーナビゲーション装置１０１と接続されるデータサーバである。

位置情報検出部１０２は、移動体の現在位置を計測するセンサ等であり、ＧＰＳアンテナ等により構成される。提示部１０８は、カーナビゲーション装置１０１によって提供される情報をドライバーに提示する処理部であり、車載ディスプレイ等により構成される。

カーナビゲーション装置１０１は、本発明に係る移動先予測装置の一例としてのカーナビゲーション本体であり、位置情報検出部１０２によって検出された位置情報をハードディスク等の記憶媒体において履歴として蓄積し、さらに、ネットワーク１３２を経由して外部の情報提供データベース１３１へアクセスすることで、提示部１０８を介して、ドライバーに店舗情報や道路情報などの情報を提供する装置である。

このカーナビゲーション装置１０１は、現在時刻を計測する時刻計測部１１２、位置情報検出部１０２により検出された位置情報と、時刻計測部１１２によって得られた時刻、日付情報をもとに、移動経路情報（位置情報と時刻情報の時系列）として生成し、移動経路情報を経路情報記憶部１０３に保存する経路生成部１０２１、移動経路情報を蓄積する経路情報記憶部１０３、経路情報記憶部１０３から頻出する移動経路パターンを抽出する頻出経路抽出部１０４、求めるべき時点の移動経路に対して、求めるべき時点に近い移動経路に重み付けを与える重み付け経路生成部１１０、重み付け経路生成部１１０にて重み付けされた移動経路に対して一致または類似している移動経路パターンを選択する経路選択部１０９、経路選択部１０９で選択された移動経路パターンをもとにドライバーの目的地を予測する目的地予測部１１１、目的地予測部１１１で得られた目的地に関する情報を、ネットワークを介して外部の情報提供データベース１３１を検索する情報検索部１１３、予測された目的地と検索された情報を提示する提示部１０８を備える。

なお、本実施の形態におけるカーナビゲーション装置１０１は、移動体の移動先を予測する移動先予測装置の一例であり、経路情報記憶部１０３は、移動体の移動履歴を蓄積する移動履歴蓄積手段の一例であり、位置情報検出部１０２および経路生成部１０２１は、移動体の現在の移動経路である現在経路を記録する現在経路記録手段の一例であり、頻出経路抽出部１０４、重み付き経路生成部１１０および経路選択部１０９は、前記移動履歴蓄積手段に蓄積された複数の移動履歴の中から、前記現在経路記録手段で記録された現在経路と類似する移動履歴を選択する移動履歴選択手段の一例であり、目的地予測部１１１は、選択された移動履歴に基づいて、前記移動体の移動先を決定する移動先決定手段の一例であり、重み付き経路生成部１１０および頻出経路抽出部１０４は、移動履歴および現在経路に含まれるノードに重みを付与する重み付与部の一例であり、頻出経路抽出部１０４は、前記移動履歴に含まれるノードに重みを付与する第１重み付与部の機能を有し、重み付き経路生成部１１０は、前記現在経路に含まれるノードに重みを付与する第２重み付与部の一例であり、情報検索部１１３は、前記移動先決定手段によって決定された移動先に関する情報を取得する移動先情報取得手段の一例であり、提示部１０８は、取得された移動先に関する情報をユーザに提示する提示手段の一例である。

このような構成によって、時刻計測部１１２によって、現在時刻が計測されるとともに、位置情報検出部１０２によって各時刻における移動体（本実施形態では車両）の位置情報が検出される。一方、現在までの車両の位置情報の時系列としての移動経路情報が経路情報記憶部１０３において蓄積されており、経路情報記憶部１０３からユーザ（本実施形態ではドライバー）の頻出する移動経路パターンが頻出経路抽出部１０４により抽出される。また、求めるべき時点（本実施形態では現在）までの移動経路に対して、例えば、現在地に最も近い経路が今後のドライバーの経路の予測に役立つとみなし、例えば、現在地に近い経路から順に重みが重み付き経路生成部１１０によって加えられ、重み付き経路生成部１１０で生成された移動経路に対して一致または類似している移動経路パターンが経路選択部１０９によって選択され、経路選択部１０９で選択された移動経路パターンをもとにドライバーの目的地が目的地予測部１１１によって予測され、目的地予測部１１１で得られた目的地に関する商用情報などを、ネットワークを介して外部の情報提供データベース１３１が情報検索部１１３によって検索され、予測された目的地と検索された商用情報などが提示部１０８によって提示される。

ここで移動経路とは、移動体が移動する経路の位置情報（本実施の形態では交差点などのノード）の系列であり、さらに付帯情報として日付情報を含む情報を移動経路情報と定義する。また、移動経路パターンとは、蓄積された上記移動経路より、例えば頻度を基にパターン化したものであり、さらに移動経路パターンとその経路を通過後の目的地等を集合としてリスト化したものと定義する。

なお、頻出する移動経路パターンを抽出する方法については、経路情報記憶部１０３にて移動経路パターンの頻度を求めておき、頻出経路抽出部１０４にて頻度の高い移動経路パターンから抽出してもよく、あるいは、経路情報記憶部１０３から頻出経路抽出部１０４にて移動経路パターンを抽出し、頻度の高い移動経路パターンを取得してもよい。以下、このようにして抽出された頻出する移動経路パターンを「頻出経路パターン」という。

次に、本実施形態におけるカーナビゲーションシステム１００の各構成要素の詳細と動作を説明する。

位置情報検出部１０２は、ＧＰＳアンテナ等により構成されており、カーナビゲーション装置１０１の位置を検出する処理部である。この位置情報検出部１０２は、所定の間隔（例えば１分間隔とする）で、位置（例えば緯度経度で示す）を検出する。図２は、位置情報検出部１０２で検出された位置情報の例を示す図である。「２００３年１月２３日８時１０分」に「東経１３５度２０分３５秒、北緯３４度４４分３５秒」の位置で検出された等、ユーザの移動と共に所定の間隔で、緯度経度情報が検出されている。

また、図３は、ユーザの移動を示す地図である。黒い太線がユーザの移動であり、自宅を出発し、「ａ」交差点を右折し、「ｂ」交差点を左折し、「ｃ」交差点を右折した移動を示している。また、白い丸印は、位置情報検出部１０２で検出される位置情報であり、ユーザの移動に伴い、所定の間隔で位置情報が検出されていることを示している。

経路生成部１０２１は、位置情報検出部１０２により検出された位置情報と、時刻計測部１１２によって得られた時刻、日付情報をもとに、ユーザの移動経路の履歴を経路情報記憶部１０３へ保存する処理部である。まず、図３、および図４を用いて、検出された位置情報からユーザの移動履歴の生成を説明する。図４は、図３に示されるユーザの移動であって、さらに「ｃ」交差点近辺を拡大した図である。白い丸印は検出された位置情報であり、「ｃ」交差点を右折して、目的地「Ｔ（ターミナル）８（番）」へ到達したことを示している。例えば、一般的にカーナビゲーション装置等には、地図が備えられており、さらにその地図には交差点やランドマーク等の位置情報等が蓄積されている。そこで検出される位置情報が、交差点の所定の許容半径（例えば交差点を中心とした半径２０メートル以内）に存在すれば、それは交差点を通過したと判定する。また、到達地点、例えばエンジンがストップされた地点やサイドブレーキがひかれた地点が、ランドマークの所定の許容半径内に存在すれば、そのランドマークへ到達したとして判定する。つまり、図４によれば、「ｃ」交差点を通過し、「Ｔ（ターミナル）８（番）」へ到達したこととなる。さらに時刻計測部１１２によって得られた時刻、日付情報をとともに、ユーザの移動経路の履歴を経路情報記憶部１０３へと保存する。なお、時刻情報はＧＰＳから、緯度経度とともに得られる電波時刻等の時刻情報であってもよい。

経路情報記憶部１０３に保存されるユーザの移動経路の履歴は、例えば図５（ａ）に示されるように、各移動経路ＩＤごとの、出発日時、出発地、目的地、移動経路が含まれる。ここで、テーブル２００は、移動経路履歴データの全体を示す。

図５（ａ）における移動履歴ＩＤ「００１」２０１は、例えば図３、図４に示されるユーザの移動経路の履歴を表している。日時の欄「２０００３０１２３」は２００３年１月２３日を示し、この日時に記号「Ｔ１」で表される地点を出発し、経路で示される「ａ」交差点、「ｂ」交差点、「ｃ」交差点と通過し、目的地「Ｔ８」に到着したことを示している。ここで各交差点の通過時刻もそれぞれ「８時４５分」、「８時５０分」、「８時５６分」と記憶される。なお、本実施の形態において、保存する移動経路の履歴を記号で表された交差点としたが、これに限ったものではなく、例えばリンク（交差点を結ぶ道路情報、例えばルート２５、ルート３３など）としてもよく、ＧＰＳより得られる位置の系列から移動経路への変換の方式、データの保存方式はここでは問わないものとする。

また、本実施の形態では、出発地、目的地、移動経路の位置情報は、位置情報検出部１０２より検出される緯度、経度情報を保存してもよく、更に上述したように緯度、経度情報である位置情報と地図データとを基に、交差点などのノード系列として保存するものとする。例えば、車載搭載機においてエンジンがスタートした地点を出発地とし、また同時に前回移動経路の目的地として保存し、随時検出される位置情報を移動経路の履歴として保存する。なお、出発地や目的地を地点として捉えるのではなく、エンジンがスタートされた位置の半径２０ｍ以内など、所定の範囲を出発地近辺、目的地近辺として保存してもよい。ここで地図データは図６に示されるように、カーナビゲーション装置１０１内に備えた地図データベース１５１から取得してもよいし、ネットワークを介して地図データサーバ１５２から取得してもよい。さらに、ユーザの移動経路履歴には、更に図５に示されるように、付帯情報検出部１０２２より得られる、同乗者情報、天気情報などを付帯情報として保存してもよい。例えば、同じ経路において、同乗者の有無や、天気によってその後の目的地や経路が異なることが考えられる。そこで、これらを履歴として保存し、移動先予測に用いることで、より精度の高い移動先予測が実現可能となる。具体的な予測方法については後に示す。なお、同乗者情報は、シートベルトの着用やシートセンサなどで判断することとしてもよい。また、天気情報は、ワイパーの動作情報から判断する、あるいは、ネットワークを１３２介して天気情報サーバ１５３から天気情報を配信またはＷＥＢサービスを行っているサイトを参照することで得られる情報を用いてもよい。図５（ａ）では、移動経路ＩＤ００１の付帯情報として「同乗者なし」、「晴」が示されている。

なお、経路情報記憶部１０３に記憶する移動経路情報は、記憶容量の有限性により、新しい情報を追加するため、データを消去する必要が生じた場合、時系列順に古いものから優先的に消去し、データを更新してもよいし、また、頻度情報が極端に多いもの、つまり、消去してもユーザの移動経路履歴として影響の少ないものを優先的に消去するものとしてもよい。

次に、重み付き経路生成部１１０および頻出経路抽出部１０４の動作を説明する。まず、移動履歴より目的地を予測する一般的な手法について、図７、図８を用いて説明する。

近年、例えばカーナビゲーション装置等の移動体端末において、目的地を設定することで、目的地までの到達時間や、それまでの経路に関わる交通情報等、ユーザが必要とする情報が得られるようになっている。また、今後、目的地に関する商用情報も得ることが可能となると考えられる。一方で、車載搭載機の場合、運転中の操作は煩雑であり、また、運転上好ましいものではない。そこで、例えばユーザの目的地を予測する必要が生じる。この目的地の予測手法としては、例えば、移動履歴を用いる方法が従来ある。

図７は、ユーザの現在走行を示す図である。自宅（Ｔ１とする）を出発し、「ａ」交差点、「ｂ」交差点、「ｃ」交差点と通過してきたとする（以下、説明のため、交差点等をノードの記号で呼ぶこととする）。ここで、今後ユーザがどこへ行こうとしているのか、目的的や移動先を予測する。なお、予測のきっかけは、通過したノード（交差点等）に所定の閾値（例えば３つ目のノード等）を設けて予測することとしてもよいし、スタートから所定の閾値（例えば５分後）等を設けて予測するのでもよく、ここでは問わないものとする。図７に示される移動では、ノードｃの通過が予測のきっかけとなったとする。なお、本実施の形態においてユーザの現在走行は、前述の位置情報検出部１０２、経路生成部１０２１等で特定される。

例えば、図８は、蓄積されている移動履歴の一例であり、本実施の形態では経路情報記憶部１０３に格納されている移動履歴に該当する。移動履歴「１０１」には、過去に自宅を出発し、ノードａ、ノードｂ、ノードｃ、ノードｄと通過し、目的地「Ｔ８」へ到達した履歴が蓄積されている。一方、今、ユーザは自宅を出発し、ノードａ、ノードｂ、ノードｃ、と通過してきており（図７より）、現在までの走行経路と、過去走行した経路（例えば予測のきっかけとなる所定の閾値までの経路である、ノードａからノードｃまでの３つ）が一致していることより、現在の走行においても、過去と同様、今後、ノードｄ、そして目的地「Ｔ８」へ到達するであろうと予測できる。これが、移動履歴を用いて目的地を予測する従来の一般的な手法である。

また、時刻や付帯情報を用いることも可能である。図９に示される移動履歴「００１」は、前述の図８と同様、Ｔ１（自宅）を出発し、ノードａ、ノードｂ、ノードｃ、ノードｄを通過し、目的地Ｔ８へ到達した履歴と、さらにその移動が行われた日付「２００３年１月２３日」、各ノードの通過時刻（ノードａの通過時刻は「８時４５分」等）、付帯情報等が蓄積されている。また、移動履歴ＩＤ「１０２」には、Ｔ１を出発し、ノードａ、ノードｂ、ノードｃ、ノードｄを通過し、目的地Ｔ９へ到達した履歴が蓄積されている。つまり、ノードｄまでは同じ経路であったが、その後の目的地がＴ８とＴ９で異なる移動を行ったことを示している。つまり、この例では、現在走行と一致する履歴は存在するが、目的地は、Ｔ８、Ｔ９と、２つ存在することとなる。そこで、現在走行を考慮し、例えば、現在、同乗者がいなければ移動履歴ＩＤ「００１」と同じ行動パターンであろうと予測し、予測目的地をＴ８に、一方、同乗者がいる場合はＴ９とする等の手法を用いることができる。あるいは、現在走行におけるノードａの通過時刻が８時４５分と、履歴ＩＤ「００１」と一致している、あるいは、近い場合等は、予測目的地をＴ８とする等の手法であってもよい。以上が、従来の予測手法の一例である。

一方、図８に示される移動履歴ではなく、いま、図１０および図１１に示されるものであったとする。移動履歴ＩＤ「１０３」には、出発地Ｔ１を出発し、ノードａ、ノードｂ、ノードｎ、ノードｍと通過し、目的地「Ｔ１１」へ到達した履歴が存在している。また、移動履歴ＩＤ「１０４」には、出発地「Ｔ１２」を出発し、ノードｘ、ノードｂ、ノードｃ、ノードｙと通過し、目的地「Ｔ１３」へ到達した履歴が存在している。そして移動履歴ＩＤ「１０５」には、出発地「Ｔ１４」を出発し、ノードｐ、ノードｑ、ノードｃ、ノードｄと通過し、目的地「Ｔ８」へ到達した履歴が存在している。この場合、現在の走行、ノードａ、ノードｂ、ノードｃ、ノードｄに対し、完全に一致する履歴は存在しないこととなり、目的地を予測することができない。また、一致するノードの数を考慮したとしても、移動履歴ＩＤ「１０３」はノードａ、ノードｂの２つが現在走行に一致し、移動履歴ＩＤ「１０４」はノードｂ、ノードｃの２つ、移動履歴ＩＤ「１０５」はノードｃ、ノードｄの２つ、と一致するノードが等しくなってしまうため、どの移動履歴を用いて予測していいのか判断できず、目的地を予測することができない。そこで、本実施の形態では、現在走行に対して重みを付与し、ユーザの走行を考慮したマッチングを行っている。

重み付き経路生成部１１０は、経路生成部１０２１で生成されたユーザの移動経路に、より現在位置に近いほど高い重みを付与する。例えば、図１２（ａ）に示されるように、ユーザの移動してきた経路が、ノードａを通過してノードｂ、ノードｃ、そして現在ノードｄに至ったとする。このとき、重み付き経路生成部１１０は、現在ノードｄの重みを１．０とし、現在ノードｄから時系列的に近い順にノードｃは０．８、ノードｂは０．６、ノードａは０．４、と現在に近いほど高い重みを付与していく。

重みを付与する重み係数は、図１３（ａ）に示されるように、線形的な係数を付与してもよいし、図１３（ｂ）に示されるように、指数関数的な係数を付与してもよい。また図１４（ａ）に示されるように、ノード間の経過時間や、図１４（ｂ）に示されるように、ノード間の経路長を考慮して付与してもよい。例えば、図１２（ｂ）および図１２（ｃ）に示される例のように、より現在に近いノードに高い重みを付与し、つまり、後半（より現在位置に近いノード）に高い重みを付与することで、ユーザの移動の前半（より出発地に近いノード）の影響を軽減することができる。よって、ユーザが普段通らない出発地から出発した場合など、移動の前半の影響を軽減して普段通過する経路に復帰した近辺をより考慮することとなり、予測精度の向上効果が生まれる。なお、これとは逆に、前半に重きをおくことで、現在に近い経路のみでは判断できない場合、より以前の移動経路を用いることで予測可能になる。

なお、重み付き経路生成部１１０と経路生成部１０２１とをひとつにして、経路生成と同時に重み付けを行ってもよい。

頻出経路抽出部１０４は、経路情報記憶部１０３に保存された移動経路履歴の頻度によって、ノードに重みを付与する。重み付き経路生成部１１０は、ユーザの現在移動してきた経路のみを考慮し、重みを付与していたが、頻出経路抽出部１０４は、経路情報記憶部１０３に蓄積された経路（交差点などのノード）の頻度を考慮して重みを付与する。

頻度による重みを付与するために、本実施の形態では、まず経路情報記憶部１０３に蓄積された移動経路履歴データ（図５（ａ）の移動経路２０１、２０１１など）を図５（ｂ）の頻出経路パターン２０３、２０４に示されるように、頻出経路別に体系化する。体系化されたデータは頻出経路パターンと、この頻出経路パターンの各ノードの移動頻度を有し、さらにその頻出経路パターンに関する付加情報として出発地、目的地、日付情報、時刻情報、付帯情報とが集合としてリスト付けされている。頻出経路パターン２０３の例において、頻出経路は「ａ→ｂ→ｃ」、移動頻度は「ａは２回、ｂは２回、ｃは２回」、日付情報は「２００３０１２３（２００３年１月２３日の意味）」、時刻情報は「０８：４５（８時４５分の意味）」、付帯情報は「同乗者なし」、「晴」、出発地は「Ｔ１」、目的地は「Ｔ８」となる。

なお、体系化されたデータは、頻出経路抽出部１０４に保存してもよいし、経路情報記憶部１０３にあらためて保存することとしてもよい。さらには、経路検出と同時に移動経路履歴として体系化されたデータを経路情報記憶部１０３に保存することとしてもよい。本実施形態のように、頻度による重みを考慮することで、移動先予測や、よりユーザの移動を反映した情報提供に用いることが可能となる。

経路選択部１０９は、経路情報記憶部１０３に頻度情報を含む形式で保存された頻出経路パターンと、重み付き経路生成部１１０によって重み付けされた現在までの移動経路との一致度判定を行い、評価値が高いものを一致または類似経路として算出する。この評価値は、現在の移動経路が過去の履歴に一致するほど高くなる値であり、かつ、より現在に近い経路が一致するほど高くなるような値であり、例えば、図１５に示されるマッチングアルゴリズムによって算出する。図１６、図１７を用い、評価値を算出するマッチングアルゴリズムについて説明する。

図１７（ａ）の移動経路７０１に示されるように、ユーザは、現在までの移動経路として「ａ、ｂ、ｃ、ｄ、ｅ、ｆ」を移動してきたとする。重み付き経路生成部１１０によって、現在位置に最も近いノードｆに高い重み１．０、次のノードｅに０．８、ノードｄに０．６、ノードｃに０．４、ノードｂに０．２、ノードａに０．０と各ノードに重みが付与される。

一方、経路情報記憶部１０３は図１７（ｂ）の頻出経路７０２〜７０６に示される頻出経路パターンが蓄積されていたとする。ここで頻出経路パターンは、頻出経路ＩＤと図５（ｂ）で説明した頻出経路パターンと、さらに目的地等の情報の集合を対応付けしたものである。

マッチングは、各頻出経路パターンに対して行われ、評価値を算出する。以下、図１７（ａ）に示される移動体の求めるべき時点（本実施形態では現時点）に生成された移動経路７０１と図１７（ｂ）に示される頻出経路パターンのひとつである頻出経路ＩＤ００１（７０３）とのマッチングをフローに沿って説明する。

まず、移動体が存在する現時点にもっとも近いノード（本実施形態ではノードｆ）を評価ノードにセットする（図１６のステップＳ３００）。次に経路履歴中の検索履歴の一つ（本実施形態では頻出経路ＩＤ００１）の最終ノード（本実施形態ではノードｇ）に初期のフラグをセットする（ステップＳ３０１）。そして、そのノードｇ以前に、評価するためのノードｆとマッチするノードを検索する（ステップＳ３０２）。評価するためのノードとマッチするノード、つまりノードｆがあるかどうか判定し（ステップＳ３０３）、ノードｆがある場合（ステップＳ３０３でＹｅｓ）には、この重みを評価値に加算する（ステップＳ３０４）。

本実施形態において評価値は、両重みの積、つまり頻出経路パターンのノードの移動頻度と現在移動経路のノードの重みとの積である、３．０（＝１．０×３）が算出され、評価値に加算される。

次にマッチしたノード、つまりノードｆにフラグをセットする（ステップＳ３０５）。
次に移動経路の評価ノードの前にノードが存在するかどうか判断（本実施形態ではノードｆの前にまだノードｅがあるかどうか判断）し、前のノードが存在する場合（本実施形態ではノードｅ）（ステップＳ３０６でＹｅｓ）、移動経歴パターン７０１の評価ノードを一つ前に戻し（本実施形態ではノードｆからノードｅへ戻す）、ノードｅを次に評価ノードにセットする（ステップＳ３０７）。

そして、同様に検索履歴のフラグノードから順に遡って評価ノードを検索する、つまりノードｆより前からノードｅを検索する。この場合、ノードｅはないので（ステップＳ３０３でＮｏ）、次に移動経路のノードｅの前にあるノードｄを検索することとなる。この操作を移動経路の最初のノード、つまり、ノードａまで、再帰的に繰り返す（ステップＳ３０２〜Ｓ３０６のループ）。

この頻出経路ＩＤ００１の場合、移動経路７０１は、ノードｎ、ノードｇとマッチせず、ノードｄ、ノードｆがマッチするので、最終的な評価値は４．２（＝１．０×３＋０．６×２）となる。同様に、すべての頻出経路パターン履歴との評価値を求めると（ステップＳ３０８）、頻出経路ＩＤ００２の評価値は２．６（＝０．６×２＋０．４×２＋０．２×３＋０．０×３）、経路履歴ＩＤ００３の評価値は６．６（＝１．０×３＋０．８×３＋０．６×２）、経路履歴ＩＤ００４の評価値は６．０（＝１．０×３＋０．８×３＋０．２×３）となる。

経路選択部１０９は、もっとも高い評価値６．６である経路履歴ＩＤ００３が、現在までの移動経路「ａ、ｂ、ｃ、ｄ、ｅ、ｆ」に一致または類似しているとして選択する。

次に、この評価値の意味と効果について、図１２、図１３を用いて説明する。
例えば、頻出経路パターンとして「ａ、ｂ、ｃ」（図５の頻出経路パターン２０３）と「ｂ、ｃ、ｄ」（図５の頻出経路パターン２０４）がユーザの頻出経路パターンとして保存されていたとする。また、現在の移動経路として「ａ、ｂ、ｃ、ｄ」が検出されたとする。

現在の移動経路は重み付き経路生成部１１０より、ノードｄに重み１．０、ノードｃに０．８、ノードｂに０．６、ノードａに０．４と現在に近いほど高い重みを付与する（図１２（ａ））。上記マッチングアルゴリズムを用い、各々の頻出経路パターン（「ａ、ｂ、ｃ」と「ｂ、ｃ、ｄ」）との一致度を算出する。この例の場合、図１２（ｂ）に示されるように、頻出経路パターン２０４の評価値３．６（＝２×（０．８＋０．６＋０．４））に対し、図１２（ｃ）に示されるように、頻出経路パターン２０３が評価値４．８（＝２×（１．０＋０．８＋０．６）と高いため、頻出経路パターン２０３が類似経路として算出される。

この頻出経路パターン「ａ、ｂ、ｃ」、「ｂ、ｃ、ｄ」は、現在経路「ａ、ｂ、ｃ、ｄ」と同一ではなく、また、単に一致ノード数のみ参照した場合、ともに３つと差はない。しかし、本手法を用いることで、より現在に近いノードが一致するほど評価値が高く、さらにまったく同一の移動経路が頻出経路パターンにない場合でも、類似性を考慮し、より現在に近い移動経路を反映した経路が、頻出経路パターンとして算出される。このように、本手法を用い、類似経路を算出することで、例えば、これらを予測に用いる場合、予測精度の向上という効果が奏される。

なお、算出される類似経路は一つとは限らず、評価値の高いものを順に複数出力するものとしてもよい。出力される類似経路の数は、予め決めることとしてもよいし、ある閾値を設けて、評価値が閾値以上のものを出力するものとしてもよい。例えば、本例の場合、閾値を「４．０」と設定していた場合、「ａ、ｂ、ｃ」のみが類似経路として算出されることになる。

次に、頻度による重みの効果について図１８を用いて説明する。ユーザの移動履歴より、図１８に示される頻出経路パターン３０２、３０３が得られていたとする。また、図１９（ａ）に示されるように、ユーザは現在ノードａ、ｂ、ｃ、ｄの移動経路を通過してきたとする。経路選択部１０９は、重み付き経路生成部１１０によって付与された重みと、移動経路の頻度に基づく重みを考慮し、類似経路を算出する。

図１９（ｂ）に示されるように、頻出経路パターン「ａ、ｂ、ｃ」との一致度を示す評価値Ｅは５４（＝３０×（０．８＋０．６＋０．４））となり、一方、図１９（ｃ）に示されるように、頻出経路パターン「ｂ、ｃ、ｄ」との一致度を示す評価値は７．２（＝３×（１．０＋０．８＋０．６）となる。そして評価値の高い頻出経路パターン「ａ、ｂ、ｃ」が類似経路と判定される。これにより、例えば普段、経路「ａ、ｂ、ｃ」を通過し、目的地Ｔ８に向かうユーザが、単に迂回経路として頻度の低い経路を通過した場合なども精度よく予測することが可能となる。

頻出経路抽出部１０４を設けることで、例えば、ユーザが普段通る経路を交通事情等のため迂回した場合などにも、普段通る経路を頻度重みという形で考慮するため、よりユーザの移動特性を反映した柔軟な予測が可能となる。

目的地予測部１１１では、経路選択部１０９より算出された類似経路を用いて、将来ユーザが向かうであろう目的地を予測する。

例えば、現在の移動経路を基に、経路情報記憶部１０３に保存された頻出経路パターン２０３（図５の頻出経路パターン２０３）が類似経路として算出されたとする。頻出経路パターン２０３の最終的な目的地はＴ８と記録されており、今回の移動においても、最終的にＴ８へ行くと考えられるため、目的地をＴ８として算出する。

一方、経路選択部１０９によって算出された類似経路において、目的地はひとつとは限らないため、頻度の多いものや時刻情報などの付帯情報を基に、目的地の予測を行ってもよい。例えば、類似経路として頻出経路パターン２０４が算出されたとする。この場合、目的地としてはＴ９とＴ７が考えられる（図５の２０５、２０６）。そこで、例えば現在の移動時刻が９：００なら頻出経路パターン２０５の履歴を基に目的地はＴ９とし、あるいは、現在の移動において同乗者がいる場合や、天気が雨の場合は頻出経路パターン２０６の履歴を基に目的地はＴ７とするなど、時刻情報や付帯情報を基に、目的地を予測してもよい。

なお、ユーザ一人の経路パターンを用いるのみならず、ネットワーク等を介し、複数のユーザの移動特性を反映し、重みを付与することとしてもよい。本実施の形態では、ユーザの過去の移動履歴を用いて、ユーザが将来行きそうな目的地を予測するものであるため、ユーザの履歴が十分に蓄えられていなければ、予測することができない。例えば、ユーザが新たにカーナビゲーションシステムを備えた移動体（本実施例では車両）を取得し、そのときに目的地を予測しようとしても、本人の移動履歴が十分に蓄えられていなければ移動先を予測することができない。そこで、運転者本人の移動履歴だけでなく、他人の移動履歴を利用することで目的地を予測することが可能になる場合がある。

以下、その具体例について、図を用いて説明する。例えば、図２０に示されるように、ノードｐ、ノードｑを通過する移動体に備えたカーナビゲーション装置は、ノードｒを通過する、さらには目的地Ｔ５に向かうということが、複数のカーナビゲーション装置の移動履歴より頻出経路パターンとして得られていたとする。この場合、図２１に示されるように、ネットワーク１３２を介し、移動履歴サーバ１５５等にこれらの情報を蓄積しておく。例えば、図２０（ａ）に示されるように、体系化された頻出経路パターン４０１として、ノードｐ、ノードｑを通過し、目的地Ｔ５に到着すると蓄積しておく。さらにその重みが優先される値を設定しておく。例えば、どの値より優先される∞（無限大）等に設定しておく。

一方、ユーザはこのサーバに蓄積された頻出経路パターンと、ユーザ自身の経路情報記憶部１０３に蓄積された頻出経路パターンとをもとに目的地を予測する。例えば、図２０（ｂ）に示されるように、ユーザがノードａ、ｂ、ｐ、ｑを通過してきた場合、ユーザの経路情報記憶部１０３に蓄積された頻出経路パターン４０３と、サーバに蓄積された頻出経路パターン４０１とをもとに経路選択部１０９で類似経路ｐ、ｑを算出し、目的地予測部１１１で目的地Ｔ５と算出する。

このようにユーザの経路情報記憶部１０３のみでは、類似経路ａ、ｂが算出され、誤った目的地Ｔ１が算出されてしまうが、複数のユーザの移動履歴を用いることで、ユーザの移動履歴が十分に蓄積されていなくても、より精度の高い目的地や移動先の予測が可能となる。

なお、市街地や娯楽施設等、多くの人が向かう目的地へ通じる経路に、重みを付与することとしてもよい。この重みは、地図データに予め付与されていてもよいし、ユーザの移動や、複数ユーザの移動をもとに随時変更するものこととしてもよい。さらには、通行止め等の交通情報をもとに、これら重みを付与することで、回避経路案内等に利用することも可能である。このように、本手法により、ユーザが通ったことのない経路についても、他のユーザの経路履歴を用いることで、目的地を予測することが可能となる。

なお、上記の例において、重みのつけ方は頻度のみを考慮、すなわち頻度によって線形的に増加するものであったが、本発明はこれに限ったものではなく、分岐の重要度をもとに予め付与された重み係数の線形増加などで重みを算出することとしてもよい。

なお、ネットワークを介し、地図データを更新する場合、経路につけられた重みを更新する手段を設けてもよい。

提示部１０８は、タッチパネル等の車載提示装置であり、目的地予測部１１１で得られた目的地と、目的地に至る経路の交通情報、商用情報、目的地付近の提供情報等を表示する。

情報検索部１１３は、目的地付近や、目的地に至る経路沿い等の提供情報を、ネットワーク１３２を介し、情報提供データベース１３１等から取得し、提示部１０８に表示する。

なお、頻出経路抽出部１０４によって得られた頻度に基づく重みを、商用情報などの情報取得に用いてもよい。従来、ユーザの移動履歴を用いた情報提供手法として、地図をメッシュ状などに予め区切り、その単位ごとにユーザの訪問回数等を算出し、頻度の多い区画の情報を提供する手法が知られているが、本手法を用いることで、よりユーザの行動を反映した情報提供が可能となる。以下、図２２を用いて説明する。

現在、ユーザは経路ａ、ｂ、ｃを通過してきたとし、経路選択部１０９にて、類似経路のひとつである図２２の頻出経路パターン６０１が算出されたとする。目的地予測部１１１において、頻出経路パターン６０１より目的地「Ｔ７」およびそれに至る経路「ｄ、ｅ、ｆ」が算出される。ここで、ノード「ａ」、「ｂ」、「ｅ」、「ｆ」の頻度は５となっているのに対し、ノード「ｄ」、「ｅ」の頻度は３０となっている。これはノード「ｄ」、「ｅ」をユーザがよく通過していることを示している。そこで、この頻度の高い経路上の情報を詳細に表示するために、情報検索部１１３において、頻度が閾値以上（本実施形態の場合、閾値を２０とする）の経路付近（本実施形態の場合、経路を中心とする半径２０ｍ、および経路間のリンク沿い１０ｍとする）の提供情報を、ネットワーク１３２を介し、提示部１０８に表示する。これにより、ユーザは単に予測経路上の情報ではなく、よく通過する経路においては詳細な情報を知ることが可能となる。

なお、本実施形態では、提供情報として商用情報を表示したが、頻度に応じて提供情報の種類を変更してもよい。例えば頻度が閾値以下の場合は、商用情報ではなく、交通情報を表示するものとしてもよい。また、逆に頻度が高い場合は情報提供を停止し、頻度の低い経路のみ交通情報や商用情報を提供するようにしてもよいし、これらをユーザが設定するものとしてもよい。これにより、ユーザがよく通過するような詳しい経路においては、その付近にある商用情報を知ることが可能となり（逆によく通過するので情報を表示しないなど）、また一方、ふだんあまり通過しないような経路においては、商用情報より交通情報を知ることができるなど、ユーザの移動履歴を反映させた柔軟な情報提供が可能となる。

次に、上記カーナビゲーション装置１０１における動作処理について図１５、１５を用いて説明する。

図１５は、カーナビゲーション装置１０１における動作処理の全体を示すフローチャートである。図２３は図１５で示すステップ４の目的地予測の詳細フローチャートを示す。

ユーザが電源をオンに、あるいはエンジンをスタートさせることで電力がカーナビゲーション装置に供給され本装置が起動する（ステップＳ１０１）。本装置が起動されると、経路生成部１０２１は、位置情報検出部１０２より検出される現在位置と時刻計測部１１２より日付情報等とを取得し、経路情報記憶部１０３に保存する（ステップＳ１０２）。なお、本実施形態では本装置の起動時の位置を出発点としているが、前回の移動において、目的地を設定しなかった場合や、目的地として保存される前にエンジンが停止あるいは、本装置がオフされたため、目的地として保存されなかった場合は、同時に前回の目的地として保存することとしてもよい。また、その旨を提示部１０８により提示し、ユーザの操作を促してもよいし、自動で行うものとしてもよい。

ユーザの移動により、あらたなノード（本実施形態では交差点）が検出される（具体的には交差点を通過する）と（ステップＳ１０３）、目的地の予測を行う（ステップＳ１０４）。目的地予測は、重み付き経路生成部１１０によって現在の移動経路に重みを付与し（ステップＳ２００）、現在移動経路と一致または類似する頻出経路パターンを図１５に示されるようなマッチングアルゴリズムを用いて算出する（ステップＳ２０１）。評価値が閾値以上の経路を類似経路とし（ステップＳ２０２）、その経路における目的地が複数ある場合は、頻度や、時刻、曜日等の付帯情報を用いて目的地を予測する（ステップＳ２０２〜ステップＳ２０３）。目的地予測に成功したら（ステップＳ１０５でＹｅｓ）、情報検索部１１３は、その目的地に至る経路までの交通情報、経路沿いの商用情報、目的地付近の商用情報等をサーバを介し取得し（ステップＳ１０６）、提示部１０８に情報を提示する（ステップＳ１０７）。エンジンが停止されたり、所定の時間停車したり、サイドブレーキが引かれたり、ドアの開閉等を合図に（ステップＳ１０８でＹｅｓ）、経路生成部１０２１は、その付近を目的地として経路情報記憶部１０３へ履歴のひとつとして登録する（ステップＳ１０９）。

以上の動作を実行することにより、現在までの経路と全く同じ経路が蓄積されていなくても、経路に重みを付けた類似度を計算することにより、類似した経路を効率的に選択することができ、目的地の予測精度向上を実現することが可能になる。

なお、以上の動作をカーナビゲーションシステムだけでなく、車両に搭載された計算機やＰＤＡ等の小型端末、携帯電話により実行してもよい。また、移動履歴情報をリアルタイムにサーバへ送信することで、サーバ上で動作するプログラムとしてもよい。
（実施の形態２）
次に、本発明の実施の形態２について説明する。

上記実施の形態１では、移動履歴よりユーザの現在走行における目的地を予測すべく、まず、ユーザの現在走行に重みを付与した。例えば、より現在に近いノードに重みを付与することで、より現在の走行を反映したマッチングを行うことが可能となり、正確に予測することができる。例えばユーザの出発地はいつも同じとは限らず、異なる地点から出発し、後に普段利用する経路へ復帰し、いつもの目的地へ行く等の移動を行うことがある。このような場合、より現在に近い経路に重きを置いてマッチングを行うことで、より正確に目的地を予測することが可能となる。

また、上記実施の形態１では、移動履歴に対しても、例えば頻度を考慮して重みを付与した。ユーザが過去に多くの頻度である経路を利用している場合、その経路および目的地は現在走行に対しても信頼できるであろうとの考えを反映させることが可能となり、より正確に予測することができる。そしてこれら両重みを考慮して、目的地を予測する手法について説明を行った。

一方、移動履歴に付与する重みは頻度に限ったものではなく、本実施の形態では、予測結果を考慮して移動履歴に重みを付与し、再び目的地の予測に反映させる手法について説明する。例えば、現在走行に対して複数のパターンで過去の移動履歴を抽出し、抽出された移動履歴をもとに複数の目的地を予測しておき、到達した目的地が正解していた場合、その履歴や経路に重みを付与することで、後の予測にこれら移動履歴に付与された重みを反映させることが可能となる。ユーザの行動パターンはさまざまであり、ユーザに応じた学習が可能となり、予測精度の向上につながる。

また、この複数のパターンの移動履歴を抽出する点においては、例えば、上記実施の形態１に示される現在走行に対する重みの付与を用いることが可能である。例えば、上記実施の形態１において、現在走行に付与する重みは現在により近いノードに高い重みを付与する例のみ示したが、本発明はこれに限ったものではない。ユーザによって、あるいは同じユーザであっても、経路によっては現在に重みを付与した方がよい場合や、あるいは、出発地点に近い方に重みを付与した方がよい場合など、さまざまなパターンがある。

例えば、ある出発地点やエリアを出発した場合、途中の経路は、迂回経路を利用したり等、さまざまであるが、目的地はほぼ決まっている場合もある。この場合、目的地の予測という点においては、より現在に近い地点、つまり途中の経路に重きを置くのではなく、現在走行の前半（例えば、迂回経路が始まる地点よりも出発地点に近いノード）に重きを置いて過去の履歴を参照したほうが、迂回経路の影響が回避されるので、より正確に目的地を予測できる。あるいは、出発地点や出発したエリアには、特に決まった特性はないが、途中、ある経路間を通過した場合は必ずそこへ行く、という行動のパターンを持つユーザもいる。この場合、現在走行のより前半や、より後半ではなく、その途中の決まった経路間に重きを置いて過去の履歴を参照したほうが、より正確に目的地を予測できる。そこで、本実施の形態では、例えば、現在走行に複数のパターンで重みを付与し、移動履歴より複数の経路を抽出し、抽出された経路をもとに得られた予測目的地と、実際到達した目的地をもとに、経路に重みを付与する手法について説明する。

図２４は、本実施の形態におけるカーナビゲーションシステム１００ａのシステムブロック図である。このカーナビゲーションシステム１００ａは、目的地の予測において学習機能を有する点を特徴とするカーナビゲーションシステムであり、カーナビゲーション装置１０１ａと、位置情報検出部１０２と、提示部１０８とから構成される。

カーナビゲーション装置１０１ａは、さらに、経路情報記憶部１０３、履歴経路重み付け部１２２、頻出経路抽出部１０４、複数重み付き経路生成部１１０１、経路生成部１０２１、複数経路選択部１０９１、時刻計測部１１２、情報検索部１１３、複数目的地予測部１１１１および目的地判定部１２１を備える。なお、上記実施の形態１に示される構成要素については同じ符号を付与し、説明を省略する。

複数重み付き経路生成部１１０１は、上記実施の形態１における重み付き経路生成部１１０と同様、ユーザの移動に伴い、経路生成部１０２１より生成される通過経路に重みを付与する処理部である。さらに本実施の形態においては、複数重み付き経路生成部１１０１は、複数のパターンで現在の走行に重みを付与する。この機能の詳細について、図２５、図２６を用いて説明する。

図２５に示されるように、今、ユーザが「映画館（Ｔ３）」を出発し、交差点「ｎ」（以下、これら交差点等を、ノードや記号で呼ぶこととする）、ノードｍ、ノードｅ、ノードｄと通過してきたとする。ここで、上記実施の形態１における重み付き経路生成部１１０では、より現在の位置や、現在の移動経路を反映すべく、現在に近いほど高い重みを付与していた。一方、ユーザによって、あるいは同じユーザであっても、経路によっては現在地点に近い方に重みを置いた方がよい場合や、あるいは、出発地点に近い方に重みを置いた方がよい場合など、さまざまなパターンがある。そこで、複数重み付き経路生成部１１０１では、複数のパターンで重みを付与する。本実施の形態では、図２６に示される２つのパターンで重みを付与することとする。図２６のパターン１は、上記実施の形態１と同様、より現在地点に近いノードに高い重みを付与したパターンである。ここでは、上記実施の形態１に示される一時関数的な重みを付与することとする。この場合、現在地点であるノードｄに１．０と最も高い値が付与され、順にノードｅに０．８、ノードｍに０．６、ノードｎに０．４と重みが付与される。これにより、より現在に近いノードｅ、ノードｄに重きを置き、過去このノードｅ、ノードｄを通過した移動履歴をより考慮し、目的地を予測することとなる。一方、パターン２は、パターン１と異なり、例えば出発地近辺に高い重みを付与するパターンである。より出発地点近辺に現在地点であるノードｎに１．０と最も高い値が付与され、順にノードｍに０．８、ノードｅに０．６、ノードｄに０．４と重みが付与されている。これにより、より現在出発地点に近いノードｎ、ノードｍに重きを置き、過去このノードｎ、ノードｍを通過した移動履歴をより考慮し、目的地を予測することとなる。

図２７は、経路情報記憶部１０３に蓄積された移動履歴である。上記実施の形態１に示される移動履歴と同様、ユーザの通過経路と目的地等が蓄積されている。例えば、移動履歴ＩＤ「００２」は、Ｔ２（スポーツジム）を出発し、ノードｇ、ノードｆ、ノードｅ、ノードｄ、ノードｈを経由してＴ４（図書館）へ移動した履歴である。移動履歴ＩＤ「０１０」は、Ｔ３（映画館）を出発し、ノードｎ、ノードｍ、ノードｐ、ノードｑ、ノードｒ、ノードｂ、ノードａを経由してＴ１（自宅）へ移動した履歴である。

図２８は、移動履歴をもとに目的地を予測するために、頻出経路抽出部１０４において移動履歴をもとに抽出した頻出経路パターンである。例えば、頻出経路ＩＤ「００１」には、ノードｎ、ノードｍ、ノードｐ、ノードｑを通過した場合、目的地は「Ｔ１」であることを示している。なお、これは、例えば、図２６に示される移動履歴ＩＤ「０１０」等をもとに抽出されたものということになる。目的地予測のためには、例えば所定の閾値等（例えばスタートから５分以内）を設け、ノードの系列を抽出し、そのパターンと現在との走行のマッチングを行う必要があり、この頻出経路パターンがそれに該当する。つまり、現在走行がノードｎ、ノードｍ、ノードｐ、ノードｑと一致（本発明においては類似も含む）していた場合、これは過去の履歴より目的地はＴ１であろうと考えることができる、ということである。また、この頻出経路ＩＤ「００１」が選択された場合は、予測目的地はＴ１となる。一方、頻出経路ＩＤ「００２」は、ノードｇ、ノードｆ、ノードｅ、ノードｄを通過した場合、目的地は「Ｔ４」であることを示している。なお、上記実施の形態１では、この頻出経路に頻度をもとにした重みが付与されていた。例えば頻出経路ＩＤ「００１」であるノードｎ、ノードｍ、ノードｐ、ノードｑを２回通過したことがある場合、各ノードに２の重みが付与されていた。さらに、この重みは履歴に頻度多く存在する場合、高く付与されることとなり、目的地予測の際、この頻度が多い経路は信頼できるという考えを反映させることができることは、前述に示したとおりである。一方、本実施の形態では、予測結果をこの経路に反映させるため、まずは初期値（例えば１）等を付与させておくものとする。

本発明において、目的地の予測は、この頻出経路抽出部１０４で抽出された頻出経路パターンと、現在走行とのマッチングを行い、目的地の予測を行う。さらに本実施の形態は、これら頻出経路パターンから複数の頻出経路パターンを選択し、複数の目的地を予測しておき、実際到達した地点と予測した目的地との結果をさらに反映させる手法である。

複数経路選択部１０９１は、頻出経路抽出部１０４で抽出された頻出経路パターンと、複数重み付き経路生成部１１０１で生成された複数のパターンで重み付けされた現在走行とを参照し、複数の頻出経路パターンを選択する処理部である。以下、図２９を用いて、その機能の詳細を説明する。

前述に示したように、例えば、現在、ユーザがＴ５を出発し、ノードｎ、ノードｍ、ノードｅ、ノードｄと通過してきた場合、複数重み付き経路生成部１１０１によって、複数のパターンで重み付けされる。本実施の形態においては、例えば、図２６に示される２つのパターンとする。一方、頻出経路抽出部１０４には、ユーザの移動履歴をもとに、例えば図２８に示される頻出経路パターンが抽出されている。これらをもとに、目的地予測に利用できる経路を選択する。経路の選択には、上記実施の形態１に示される評価値、つまり「頻出経路パターンのノードの重みと現在移動経路のノードの重みとの積の加算」を用いることとする。

まず、頻出経路パターンの中から、現在走行におけるノードを含む頻出経路パターンを抽出する。図２９に示される例では、現在走行であるノードｎ、ノードｍを含む頻出経路ＩＤ「００１」と、ノードｅ、ノードｄを含む「００２」が該当することとなる。次に、各頻出経路の評価値を算出する。例えば、パターン１の場合、頻出経路ＩＤ「００１」とはノードｎ、ノードｍが一致しており、各重みの積の和を算出すると１．０となる（１．０＝０．４×１＋０．６×１）。一方、頻出経路ＩＤ「００２」とはノードｅ、ノードｄが一致しており、各重みの積の和を算出すると１．８となる（１．８＝０．８×１＋１×１）。従って、パターン１で評価値を算出した場合、頻出経路ＩＤ「００２」が選択されることとなる。これは、図３０に示されるように、頻出経路ＩＤ「００２」とは前半のノードｇ、ノードｆとは異なるが、後半のノードｅ、ノードｄとが一致しており、結果として類似しているため、現在の走行はこの頻出経路ＩＤ「００２」を参考に目的地を予測するという考えを反映していることとなる。上記実施の形態１においては、この頻出経路パターンを用いて目的地を予測していたが、本実施の形態においては、さらに他のパターンを用いて頻出経路パターンを選択する。

図３１に示されるように、パターン２の場合、頻出経路ＩＤ「００１」とはノードｎ、ノードｍが一致しており、各重みの積の和を算出すると１．８となる（１．８＝１×１＋０．８×１）。一方、頻出経路ＩＤ「００２」とはノードｅ、ノードｄが一致しており、各重みの積の和を算出すると０．３となる（１．０＝０．６×１＋０．４×１）。従って、パターン２で評価値を算出した場合、頻出経路ＩＤ「００１」が選択されることとなる。これは、図３２に示されるように、頻出経路ＩＤ「００１」とは後半のノードｐ、ノードｑとは異なるが、前半のノードｎ、ノードｍとが一致しており、結果として類似しているため、現在の走行はこの頻出経路ＩＤ「００１」を参考に目的地を予測するという考えを反映していることとなる。

複数目的地予測部１１１１は、複数経路選択部１０９１で選択させた複数の経路より、目的地を予測する処理部である。例えば、前述に記すとおり、パターン１の場合、頻出経路ＩＤ「００２」がもっとも類似するとして選択されており、一方、パターン２の場合、頻出経路ＩＤ「００１」が選択されている。これら複数の頻出経路より目的地を予測する。

パターン１によって選択された頻出経路ＩＤ「００２」の場合、図２８に示される頻出経路パターンより、目的地「Ｔ４」が予測されることとなる（図３３）。一方、パターン２によって選択された頻出経路ＩＤ「００１」の場合、図２８に示される頻出経路パターンより、目的地「Ｔ１」が予測されることとなる（図３４）。

目的地判定部１２１は、位置情報検出部１０２および経路生成部１０２１をもとに、現在の走行より得られる実際の目的地と、前述の複数目的地予測部１１１１によって予測された目的地が一致しているか否かを判定する処理部である。

例えば、現在ノードｎ、ノードｍ、ノードｅ、ノードｄと通過してきたユーザがさらに走行し、図３５に示されるように、Ｔ１（自宅）で停車したとする。つまり実際に到達した目的地はＴ１ということになる。複数目的地予測部１１１１では、頻出経路ＩＤ「００２」を選択したパターン１よりＴ４（図３３より）、頻出経路ＩＤ「００１」を選択したパターン２よりＴ１（図３４より）と予測されている。ここで、どの頻出経路パターンが有効であったのか、ということが分かる。この場合、図３５に示される通り、パターン２によって選択された頻出経路ＩＤ「００１」を用いて予測されたＴ１と、実際の到達地点Ｔ１が一致しているため、パターン２が有効であったということが分かる。さらに、この場合、頻出経路ＩＤ「００１」のノードｎ、ノードｍが一致していたことより、このノードｎ、ノードｍという経路に重みをあらたに付与し、今後の目的地予測に反映させることができる。

履歴経路重み付け部１２２は、目的地判定部１２１で判定された実際の目的地と、予測目的地の結果より、履歴の経路に重みを付与する処理部である。例えば、上記例の場合、目的地Ｔ１を予測するために有効であった、ノードｎ、ノードｍに所定の重み（例えば１）をあらたに付与（加算）する。図３６は、あらためて重みを付与された頻出経路パターンを示している。頻出経路ＩＤ「００１」のノードｎ、ノードｍに重み１が加算され、重み２となっている。これにより、後の目的地予測に反映されることが可能となる。

例えば、図３７に示されるように、後にＴ５（レストラン）を出発し、ノードｎ、ノードｍ、ノードｅ、ノードｄを通過してきたとする。ここで、前述に示される手法を用いて経路選択部１０９で選択することとする。図３８、図３９は、それぞれ、前述に示した各パターン１、パターン２で重み付けされた現在走行経路と、頻出経路パターンと、評価値の算出例とを示す図である。なお今回は、図３６に示されるように、過去の予測結果を考慮された重みが付与されたものとの評価値である。

パターン１で重み付けされた現在走行経路と、頻出経路ＩＤ「００１」の評価値は、ノードｎ、ノードｍが一致しているため、２．０（＝０．４×２＋０．６×２）となる。頻出経路ＩＤ「００２」の評価値は、ノードｅ、ノードｄが一致しているため、１．８（＝０．８×１＋１．０×１）となる。したがって、パターン１で評価した結果、頻出経路ＩＤ「００１」が選択されることとなる。

一方、パターン２で重み付けされた現在走行経路と、頻出経路ＩＤ「００１」の評価値は、同様に３．６（＝１．０×２＋０．８×２）となる。頻出経路ＩＤ「００２」の評価値は、１．０（＝０．６×１＋０．４×１）となる。したがって、パターン２で評価した結果でも、頻出経路ＩＤ「００１」が選択されることとなる。

つまり、過去の予測結果が反映され、ノードｎ、ノードｍにあらたに重み２が付与されているため、複数のパターンを用いて評価値を算出しても頻出経路ＩＤ「００１」が選択されることとなる。複数目的地予測部１１１１は、選択された経路、つまり頻出経路ＩＤ「００１」を用いて目的地Ｔ１を予測することになるのは、上記に示したとおりである。

前述の例では、パターン１で予測した目的地Ｔ４と、パターン２で予測した目的地Ｔ１とは異なっていたが、今回、過去の予測結果を反映させることで、どちらのパターンを用いても目的地Ｔ１と予測されることとなっている。

このように、複数のパターンを用いて目的地を予測し、実際に到達した目的地との結果をさらに履歴に反映させることで、よりユーザの行動特性を考慮した目的地予測が可能となる。

なお、このように複数パターンで予測した結果、目的地が異なる場合は、予測結果をユーザに通知せず、学習し、このようにすべてのパターンで予測結果が一致する場合に予測結果を通知することとしてもよい。例えば、評価値に閾値（例えば、「２．０」）を設け、閾値以下の場合は、システム内部で学習するのみで、閾値以上の場合に初めてユーザに通知するようにしてもよい。例えば、上記例の場合、図２９、および、図３１の場合、最も高い評価値は１．８であり、さらにその目的地が異なっているため、この場合はその予測目的地は信頼できないとし、ユーザに通知は行われず、一方、学習した結果（図３６）、図３９において評価値が閾値以上（図３９では３．６）となっている場合に、その予測目的地は信頼がおけるとしてユーザに通知することとしてもよい。例えばカーナビゲーション装置において、ユーザが必要とする目的地や目的地までの経路に関する情報は必要であるが、一方で運転のタスクを阻害することは好ましくない。これによって、予測目的地が信頼おける場合にのみ通知することで、より運転を快適に行うことが可能となる。

例えば、ある出発地点やエリアを出発した場合、途中の経路は、迂回経路を利用したり等、さまざまであるが、目的地はほぼ決まっている場合がある。例えば、本実施の形態に示される例の場合、ユーザはノードｎ、ノードｍを通過した場合、途中の経路は複数あるが、必ず自宅（Ｔ１）へ帰宅する等の行動パターンを持っていることになる。この場合、ノードｎ、ノードｍに重みを置くことで現在に近い経路のみならず、各ユーザに応じた行動傾向を反映させることが可能となる。また、頻度のみならず、予測結果を反映させて重みを付与することができるので、より正確にユーザならではの特性を予測に用いる履歴に反映させることができる。

以下、本実施の形態におけるカーナビゲーション装置１０１ａの動作について、フローチャート（図４０、図４１、図４２）を用いて説明する。

まず、位置情報検出部１０２でユーザの現在走行を検出する。例えば、エンジンスタートされた地点を出発地として蓄積する（ステップＳ５０１）。図２５に示される例では、Ｔ３が出発地となる。次に、経路生成部１０２１は、エンジンストップされたか否かを判定し（ステップＳ５０２）、ストップされていない場合（ステップＳ５０２でＮｏ）、ユーザの移動とともに検出される位置情報を検出する（ステップＳ５０３）。検出される位置情報をもとに通過経路を生成していく。そして、経路生成部１０２１は、交差点を通過したか否かを判定し（ステップＳ５０４）、通過した場合（ステップＳ５０４でＹｅｓ）、通過交差点を経路情報記憶部１０３に蓄積する（ステップＳ５０５）。図２５に示される例では、ノードｎ、ノードｍ、ノードｅ、ノードｄが検出されることとなる。

一方で、本カーナビゲーション装置１０１ａは、複数目的地予測部１１１１において目的地予測を行う。目的地の予測のきっかけは、例えば、走行してから５分とするものとする。スタートしてから５分経過したか否かを判定し（ステップＳ５０６）、経過していた場合（ステップＳ５０６でＹｅｓ）、目的地を予測する（ステップＳ５０７）。例えば、図２５において、ノードｄが予測のタイミングとなることとする。一方、経過していなければ（ステップＳ５０６でＮｏ）、交差点の検出ループへと戻る（ステップＳ５０３へ）。

ここで、目的地予測のフローへと移る。目的地予測は、現在までの走行経路に複数のパターンで重みを付与することによって行われる（ステップＳ６０１）。例えば、図２５の場合、現在までにノードｎ、ノードｍ、ノードｅ、ノードｄが検出されており、図２６に示されるように、本実施の形態では２つのパターンで重みが付与される。そして、複数目的地予測部１１１１は、パターン１を用いて目的地を予測する（ステップＳ６０２）。該当経路と一致あるいは類似する経路を頻出経路パターンより検索し（ステップＳ６０２）、該当経路の有無を判定し（ステップＳ６０３）、該当経路が存在する場合（ステップＳ６０３でＹｅｓ）、評価値の算出を行い、目的地のひとつに設定する（ステップＳ６０４）。図２８より、頻出経路ＩＤ「００１」および頻出経路ＩＤ「００２」が該当経路となる。さらに、図２９および図３１で示すように、各頻出経路パターンの評価値を算出する。図２９の場合、評価値１．８の頻出経路ＩＤ「００２」が該当経路となり、これより、目的地Ｔ４がひとつの目的地として設定される（図３３）。

次に、複数目的地予測部１１１１は、他のパターンが存在するか否かを判定し（ステップＳ６０６）、存在する場合（ステップＳ６０６でＹｅｓ）、次のパターンを用いて目的地を予測する（ステップＳ６０７）。本実施の形態の場合、パターン２の評価を同様に行う。パターン２の場合、図３１より、評価値１．８の移動履歴ＩＤ「００１」が該当経路となり、これより、目的地Ｔ１がひとつの目的地として設定される（図３４）。すべてのパターンについて評価を終了したら終了する（ステップＳ６０６でＮｏ）。

一方、エンジンがストップされた場合（ステップＳ５０２でＹｅｓ）、エンジンがストップされた地点を目的地として履歴に蓄積する（ステップＳ５０８）。そして、目的地判定部１２１は、予測された目的地と、実際に到達した目的地が一致していたか否かを判断し（ステップＳ５０９）、一致していた場合、履歴経路重み付け部１２２により、予測結果を履歴に反映させる（ステップＳ５１０）。例えば、図３５に示されるように、ユーザがＴ１へ到達したとする。この場合、予測したＴ１と一致するため、この結果を反映することとなる。

履歴経路重み付け部１２２による予測結果の履歴への反映は、まず、複数目的地の到達した目的地が存在するか否かを判定し（ステップＳ７０１）、該当目的地を予測するために用いた頻出経路を検索する（ステップＳ７０２）。上記例の場合、頻出経路ＩＤ「００１」が該当することとなる。検索された頻出経路のうち、一致するノードを検出する（ステップＳ７０３）。上記例の場合、頻出経路ＩＤ「００１」のノードｎ、ノードｍ、が該当ノードことなる。そして、該当ノードにあらたに重み（例えば１を加算）付与する。図３６には、履歴の経路にあらたな重みが付与されている。そしてこれら予測した結果にもとづき、各ユーザの特性を反映した重みが、履歴の経路に付与されることとなり、より正確に目的地を予測することが可能となる。

本実施の形態では、移動履歴に対する重みに、予測した結果を反映させる手法について説明を行った。例えば、複数のパターンで目的地を予測しておき、その中で正解していた場合、その経路は有効であるとし、高い重みを付与し、後にこの重みを利用することが可能となる。例えば、出発エリアや所定の経路を通過した場合、途中の経路は複数にまたがるが、到達地点は統一されている等の行動パターンを有するユーザもいる。これらを反映すべく、本実施の形態では、現在走行の経路に複数のパターンで重みを付与し、つまり複数のアルゴリズムで目的地を予測し、その結果を履歴に反映させていることを意味する。なお、本手法によって、学習され、履歴に付与された重みは、ユーザの行動特性を如実に表しており、目的地予測はもちろん、上記実施の形態１に示されるように、情報提供においてもその効果を発揮する。カーナビゲーション装置等の移動体端末において、経路に関する情報等はユーザにとって重要である。一方で、カーナビゲーション装置等の場合、その運転タスクを阻害することは好ましくなく、本実施の形態で示すように、ユーザの行動特性を反映させた移動履歴を用いて目的地を予測し、ユーザが必要とする情報を適切に提供することができる。

本発明は、車等の移動体の移動先を予測する装置として、例えば、カーナビゲーションシステムに代表される移動体端末やモバイル端末等に組み込まれる移動先予測装置として利用することができる。

本発明の実施の形態１におけるカーナビゲーションシステムのブロック図 た位置情報の例を示す図 ユーザの移動と位置情報の例を示す地図 経路生成の例を示す地図 移動履歴情報の例を示す図 本発明の実施の形態１におけるカーナビゲーションシステムの変形例を示すブロック図 る移動履歴と目的地予測を説明する図 移動履歴と目的地予測を説明する図 移動履歴と目的地予測を説明する図 移動履歴と目的地予測を説明する図 移動履歴と目的地予測を説明する地図 移動経路の重みつけによる経路抽出を説明する図 経路に対する重みのつけ方の例を示す図 経路に対する重みのつけ方の別の例を示す図 カーナビゲーション装置の動作を示すフローチャート カーナビゲーション装置のマッチングアルゴリズムを示すフローチャート マッチングアルゴリズムを説明する図 移動履歴情報の例を示す図 移動経路の重みつけによる経路抽出を説明する図 サーバに蓄積された移動履歴とのマッチングを示す図 本発明の実施の形態１におけるカーナビゲーションシステムの変形例を示すブロック図 頻度情報に基づく情報提供の様子を示す図 カーナビゲーション装置による目的地の予測手順を示すフローチャート 本発明の実施の形態２におけるカーナビゲーションシステムのブロック図 ユーザの移動例を示す地図 現在走行に複数パターンで付与される重みを示す図 移動履歴の例を示す図 頻出経路パターンを説明する図 頻出経路と現在走行との評価値の算出例を示す図 頻出経路と現在走行との評価値の算出例を説明する地図 頻出経路と現在走行との評価値の算出例を示す図 頻出経路と現在走行との評価値の算出例を説明する地図 頻出経路と現在走行との評価値の算出例を示す地図 頻出経路による目的地予測の例を示す地図 頻出経路による目的地予測の例を示す地図 予測結果に基づく重みの移動履歴への付与を説明する図 目的地予測の例を示す地図 目的地予測の例を説明する図 目的地予測の別の例を説明する図 カーナビゲーション装置の動作を示すフローチャート カーナビゲーション装置の動作を示すフローチャート カーナビゲーション装置の動作を示すフローチャート

符号の説明

１００、１００ａ カーナビゲーションシステム
１０１、１０１ａ カーナビゲーション装置
１０２ 位置情報検出部
１０２１ 経路生成部
１０２２ 付帯情報検出部
１０３ 経路情報記憶部
１０４ 頻出経路抽出部
１０８ 提示部
１０９ 経路選択部
１０９１ 複数経路選択部
１１０ 重み付き経路生成部
１１０１ 複数重み付き経路生成部
１１１ 目的地予測部
１１１１ 複数目的地予測部
１１２ 時刻計測部
１１３ 情報検索部
１２１ 目的地判定部
１２２ 移動履歴重み付け
１３１ 情報提供データベース
１３２ ネットワーク
１５１ 地図データベース
１５２ 地図データサーバ
１５３ 天気情報サーバ
１５５ 複数移動履歴サーバ

Claims (20)

1. 移動体の移動先を予測する移動先予測装置であって、
   移動体の移動履歴を蓄積する移動履歴蓄積手段と、
   移動体の現在の移動経路である現在経路を記録する現在経路記録手段と、
   前記移動履歴蓄積手段に蓄積された複数の移動履歴の中から、前記現在経路記録手段で記録された現在経路と類似する移動履歴を選択する移動履歴選択手段と、
   選択された移動履歴に基づいて、前記移動体の移動先を決定する移動先決定手段とを備え、
   前記移動履歴および前記現在経路は、地図上の位置を特定するノードの系列で示され、
   前記移動履歴選択手段は、前記ノードに重みを付与する重み付与部を有し、前記移動履歴と前記現在経路に共通に含まれるノードに付与された重みに基づいて、前記移動経路を選択する
   ことを特徴とする移動先予測装置。
2. 前記重み付与部は、
   前記移動履歴に含まれるノードに重みを付与する第１重み付与部と、
   前記現在経路に含まれるノードに重みを付与する第２重み付与部とを有し、
   前記移動履歴選択手段は、前記移動履歴に含まれるノードに付与された重みと、前記現在経路に含まれるノードに付与された重みとに基づいて、前記移動経路を選択する
   ことを特徴とする請求項１記載の移動先予測装置。
3. 前記重み付与部は、現在経路に含まれるノードに対して、各ノードの位置と前記移動体の現在位置との間の経路長に依存した重みを付与する
   ことを特徴とする請求項１記載の移動先予測装置。
4. 前記重み付与部は、前記移動体の現在位置に近いノードに対して大きな重みを付与する
   ことを特徴とする請求項３記載の移動先予測装置。
5. 前記重み付与部は、現在経路に含まれるノードに対して、各ノードを通過した時刻と現在時刻との差に依存した重みを付与する
   ことを特徴とする請求項１記載の移動先予測装置。
6. 前記重み付与部は、現在時刻に近い時刻に通過したノードに対して大きな重みを付与する
   ことを特徴とする請求項５記載の移動先予測装置。
7. 前記重み付与部は、前記移動履歴蓄積手段に蓄積された移動履歴に含まれる頻度が高いノードに対して大きい重みを付与する
   ことを特徴とする請求項１記載の移動先予測装置。
8. 前記重み付与部は、交通情報を取得し、取得した交通情報に従って、前記ノードに重みを付与する
   ことを特徴とする請求項１記載の移動先予測装置。
9. 前記移動先予測装置は、通信ネットワークを介して、複数のユーザの移動履歴が蓄積された外部記憶装置に接続され、
   前記移動履歴選択手段は、前記移動履歴蓄積手段および前記外部記憶装置に蓄積された複数の移動履歴の中から、現在経路と類似する移動履歴を選択する
   ことを特徴とする請求項１記載の移動先予測装置。
10. 前記移動先予測装置はさらに、地図情報を取得する地図情報取得手段を備え、
    前記重み付与部は、取得された地図情報に含まれるノードにも重みを付与する
    ことを特徴とする請求項１記載の移動先予測装置。
11. 前記移動先予測装置はさらに、
    前記移動先決定手段によって決定された移動先に関する情報を取得する移動先情報取得手段と、
    取得された移動先に関する情報をユーザに提示する提示手段とを備える
    ことを特徴とする請求項１記載の移動先予測装置。
12. 前記移動先予測装置はさらに、前記移動体の現実の移動先を特定し、特定した現実の移動先と前記移動先決定手段によって決定された移動先とが一致するか否かを判定する移動先判定手段を備え、
    前記重み付与部は、前記移動先判定手段による判定結果に従って、前記ノードに重みを付与する
    ことを特徴とする請求項１記載の移動先予測装置。
13. 前記重み付与部は、前記移動先判定手段によって前記移動先が一致すると判定された場合に、前記移動先決定手段による移動先の決定に用いられた移動履歴に含まれるノードに対する重みを大きくする
    ことを特徴とする請求項１２記載の移動先予測装置。
14. 前記移動先決定手段はさらに、前記移動履歴と前記現在経路に共通に含まれるノードに対する重みに基づいて、決定した移動先の確からしさを示す評価値を算出し、
    前記提示手段は、前記移動先決定手段で算出された評価値が一定のしきい値を超えた場合に、移動先に関する情報をユーザに提示する
    ことを特徴とする請求項１１記載の移動先予測装置。
15. 前記重み付与部は、前記ノードに対して、複数のパターンで重みを付与し、
    前記移動履歴選択手段は、前記複数のパターンに対応させて、複数の移動経路を選択し、
    前記移動先決定手段は、選択された複数の移動履歴に基づいて、複数の移動先を決定する
    ことを特徴とする請求項１記載の移動先予測装置。
16. 前記移動先予測装置はさらに、
    前記移動先決定手段によって決定された移動先に関する情報を取得する移動先情報取得手段と、
    取得された移動先に関する情報をユーザに提示する提示手段とを備え、
    前記移動先決定手段はさらに、前記移動履歴と前記現在経路に共通に含まれるノードに対する重みに基づいて、決定した複数の移動先について、確からしさを示す評価値を算出し、
    前記提示手段は、前記移動先決定手段で算出された評価値が一定のしきい値を超える移動先に関する情報をユーザに提示する
    ことを特徴とする請求項１５記載の移動先予測装置。
17. 前記移動先予測装置はさらに、前記移動体の現実の移動先を特定し、特定した現実の移動先と一致する移動先を、前記移動先決定手段によって決定された複数の移動先の中から特定する移動先判定手段を備え、
    前記重み付与部は、前記移動先判定手段によって特定された移動先に含まれるノードに対する重みを大きくする
    ことを特徴とする請求項１５記載の移動先予測装置。
18. 前記複数のパターンは、前記移動体の現在位置に近いノードに対して大きな重みを付与するパターン、現在時刻に近い時刻に通過したノードに対して大きな重みを付与するパターン、前記移動履歴蓄積手段に蓄積された移動履歴に含まれる頻度が高いノードに対して大きい重みを付与するパターン、および、現在経路の出発地点に近いノードに対して大きな重みを付与するパターンの少なくとも１つを含む
    ことを特徴とする請求項１５記載の移動先予測装置。
19. 移動体の移動先を予測する移動先予測方法であって、
    移動体の移動履歴を蓄積する移動履歴蓄積ステップと、
    移動体の現在の移動経路である現在経路を記録する現在経路記録ステップと、
    前記移動履歴蓄積ステップで蓄積された複数の移動履歴の中から、前記現在経路記録ステップで記録された現在経路と類似する移動履歴を選択する移動履歴選択ステップと、
    選択された移動履歴に基づいて、前記移動体の移動先を決定する移動先決定ステップとを含み、
    前記移動履歴および前記現在経路は、地図上の位置を特定するノードの系列で示され、
    前記移動履歴選択ステップは、前記ノードに重みを付与する重み付与サブステップを含み、前記移動履歴と前記現在経路に共通に含まれるノードに付与された重みに基づいて、前記移動経路を選択する
    ことを特徴とする移動先予測方法。
20. 移動体の移動先を予測する移動先予測装置のためのプログラムであって、
    請求項１９記載の移動先予測方法に含まれるステップをコンピュータに実行させる
    ことを特徴とするプログラム。

Images