JP4834624B2 - 行動推定装置およびプログラム - Google Patents

Description

本発明は、人の行動時間を予測する装置およびプログラムに関する。

近年、地球温暖化問題や化学物質管理規制を契機に、資源・エネルギー、環境容量の有限性が社会的に認知されてきた。これに対して、生産者は省資源、省エネルギー、易リサイクル性などにより環境負荷の小さな製品・サービスの開発に注力してきた。しかし、このような生産者側の対策だけでは、持続可能社会の実現は困難であることが明らかになってきた。特に、生活行動については、必ずしも環境負荷の小さな行動を選択し実行できるとは限らない。例えば、同じ目的地へ行くのに何を使うか、余った時間を何に使うか、などの判断は、個人の価値観、嗜好性、生活習慣とも深く関係するため、一義的な判断が難しい問題である。したがって、社会全体で環境負荷を低減するには、製品・サービスの生産、廃棄段階で直接生じる環境負荷を低減するだけでなく、製品・サービスによって間接的に誘発される消費行動の環境負荷も低減した、いわゆる「持続可能な消費」の実現が必要とされている。

所望の目的を達成するために必要な時間が削減されれば、その製品・サービスの稼働時間も減るため、副次的に消費エネルギーも低減される可能性が高い。しかし、一方で、余剰時間に別の活動を行うことで多くのエネルギーを消費するならば、同一時間内で比較したエネルギー消費は、結果的に新製品・新サービスを導入する前よりも高くなることもある。このような副作用はリバウンド効果と呼ばれる。例えば、「電子商取引で余暇時間が生み出された結果、旅行に行く回数が増えた」などというのはリバウンド効果の一例である。今後、社会全体で発生する環境負荷の総量を管理するには、これまでのように製品・サービス自体から発生する環境負荷だけでなく、リバウンド効果を含めた環境負荷、より広い意味では社会価値も評価していく必要がある。

これに対して、非特許文献１では、時間と所得の制約の下で、消費パターンが変化したときの行動を効用最大化原理で予測し、行動に伴う環境負荷を算出するモデルが報告されている。
高瀬浩二，近藤康之，鷲津明由，廃棄物産業連関モデルによる消費者行動の分析：所得と生活時間を考慮した環境負荷の計測，日本LCA学会誌，2-1，(2006)，pp.48-54.

非特許文献１では、標準的経済学における合理的な人間を仮定している。すなわち、人間の行動は効用関数を最大化するように選択する、と仮定している。しかし、現実の人間は必ずしも合理的な行動を選択しないことも多い。したがって、時間と所得の制約の中で人間の行動を予測するとしても、従来技術では現実に即した予測を行えるとは言いがたい。

このように、従来は、人間の行動を現実に即して正確に予測することができないという問題点があった。

本発明は、人の行動パターンを集約した行動統計データを利用し、必ずしも合理的ではない人間の行動も、現実に即して正確に予測することができる行動推定装置及びプログラムを提供することを目的とする。

（ａ）予測期間と、年間消費支出額と、複数の行動種別のうち互いに代替え可能な複数の行動種別のグループについて、当該グループに属する各行動種別の利用比とを含む複数の条件を入力し、（ｂ）人の複数の行動種別のそれぞれについて、時間帯毎の発生確率を示す行動統計データから、前記予測期間内の行動種別毎の発生確率を示す先験確率分布を抽出し、（ｃ）前記利用比に基づき、前記グループ内の各行動種別の行動に対し消費される時間の比を示す消費時間比を算出し、（ｄ）前記グループ内の各行動種別の前記予測期間内での推定発生確率の比が前記消費時間比に等しいという第１の制約条件と、各行動種別による一単位時間当たりの支出金額の総和が、前記年間消費支出額から求めた前記１単位時間当たりの支出金額に等しいという第２の制約条件と、前記予測期間内の各行動種別の前記発生確率の総和は「１」であるという第３の制約条件と、前記予測期間内の各行動種別の前記推定発生確率の総和は「１」であるという第４の制約条件とを含む複数の制約条件を満たすとともに、前記先験確率分布との間のKullback-Leibler尺度が最小となるように、前記複数の行動種別のそれぞれの推定発生確率を算出し、（ｅ）各行動種別の前記推定発生確率を基に、各行動種別の前記予測期間における行動時間を算出する。

本発明によれば、人間の行動を現実に即して正確に予測することができる。

以下図面を参照して本発明の実施形態を説明する。

（第１の実施形態）
図１は、本発明の第１の実施形態に係る行動予測システムの構成例を示したものである。図１に示すように、行動予測システムは、大きく分けて、行動予測装置１、入力装置２、表示装置３とからなる。行動予測装置１は、データ記憶部１０１、条件入力部１０２、先験確率抽出部１０３、利用比変換部１０４、行動確率推定部１０５、行動時間計算部１０６、価値計算部１０７、結果出力部１０８、メモリ１０９を含む。

また、データ記憶部１０１は、行動統計データ記憶部１２１、個人行動履歴記憶部１２２、支出データ記憶部１２３、消費時間データ記憶部１２４、原単位データ記憶部１２５、参照データ記憶部１２６を含む。

なお、第１の実施形態に係る行動予測システムでは、データ記憶部１０１は、少なくとも、行動統計データ記憶部１２１、支出データ記憶部１２３、消費時間データ記憶部１２４、原単位データ記憶部１２５が含まれていればよい。

行動統計データ記憶部１２１には、性別、年齢層、年間消費支出額などにより特定される標準的な人の複数の行動パターンが記憶されている。各行動パターンは、性別、年齢層、年間消費支出額などを含む属性データに対応付けて行動統計データ記憶部１２１に記憶されている。

各行動パターンは、図３に示すように、炊事、食事、トイレ、テレビ視聴、通勤・通学、仕事などの行動種別（ｉ）毎に、各月日の各時間帯における当該行動の平均的な発生確率（行動率）ｑ_ｉを示したものである。

図３は、年齢３０代で年間消費支出が４００〜５００万円の女性の場合のある時間帯における行動パターンを示している。

行動統計データ記憶部１２１には、図３のように、テーブル形式で、行動パターンが記憶されているが、この場合に限らず、どのような形式で記憶されていてもよい。例えば、図４に示したように、グラフ形式で記憶されていてもよい。

図４は、ある月日の丸1日分の行動パターン、すなわち、各時間帯における各行動の発生確率をグラフ形式で示したものである。

性別、年齢層、年間消費支出額などを含む属性データにより特定される各行動パターンは、当該属性データにマッチする集団の持つ価値観や習慣などの特徴が平均化されて含まれていると考えることができる。属性データを詳細化するほど、当該属性データにマッチする集団の持つ特徴がより顕著に表れた行動パターンが得られる。

図３、図４に示したように、人間の行動は複数の種別（タイプ）に分類されている。特に、図３に示すように、「鉄道」による移動と、「車」による移動と、「徒歩」による移動とは、同じ目的を達成するための行動であり、互いに代替えすることが可能な関係にある。そこで、これらを１つの「移動」という行動種別のグループに分類している。

また、図３には示していないが、「自宅で自炊」して食事するという行動種別と、「外食」するという行動種別も、やはり同じ目的を達成するための行動であり、互いに代替えすることが可能な関係にあるから、「食事」という１つの行動種別のグループに分類することができる。なお、図３では、「自宅で自炊」と「外食」とを細分化せず、１つの行動種別「食事」として示している。

このように、例えば、「鉄道」による移動、「車」による移動、「徒歩」による移動のように、同一の行動種別のグループに属する複数の行動種別のそれぞれの（各時間帯毎の、あるいは後述の予測期間内の）発生確率を、当該グループ「移動」における消費パターンと呼ぶ。

本実施形態では、行動種別のグループ「移動」に着目し、当該グループの消費パターンを変えた場合に、行動種別毎の予測期間内での行動時間がどのように変化するかを推定する。

図２は、図１の行動予測装置の処理動作を説明するためのフローチャートである。次に、図２を参照して、平均的な人間の行動を予測する場合を例にとり、図１の行動予測装置の処理動作について説明する。

ステップＳ１において、入力装置１から、何年何月何日何時何分から何年何月何日何時何分までという形で予測期間が入力される。入力された予測期間は、条件入力部１０２を介してメモリ１０９に一時記憶される。次に、ステップＳ２へ進み、入力装置１から、行動予測対象とする人間の性別、年齢層、年間消費支出額が属性データとして入力される。入力された属性データは、条件入力部１０２を介してメモリ１０９に一時記憶される。

続いて、ステップＳ３へ進み、先験確率抽出部１０３は、行動統計データ記憶部１２１から、メモリ１０９に一時記憶された予測期間及び属性データに対応する行動パターンを先験確率分布として抽出する。

すなわち、先験確率抽出部１０３で得た先験確率分布は、入力された属性データに対応する行動パターンのうち、指定された予測期間内における行動種別毎の発生確率を示したものである。例えば、年間消費支出が４００万から５００万の３０代の女性という属性データと、２月４日の８：００〜１０：００という予測期間で抽出された先験確率分布は、図３のようになる。

次に、ステップＳ４では、入力装置２から、同一の行動種別のグループに属する複数の行動種別について、（距離単位、時間単位、金額単位などの）機能単位による利用比が入力される。入力された当該グループ内の各行動種別に対する利用比は、条件入力部１０２を介してメモリ１０９に一時記憶される。例えば、行動種別のグループ「移動」に属する行動種別の場合、「鉄道」による移動、「車」による移動、「徒歩」による移動、のそれぞれに対する移動距離による利用比を、移動（鉄道）：移動（車）：移動（徒歩）＝１：２：３と入力する。

図１の説明に戻り、支出データ記憶部１２３には、各種行動の機能に応じて定められた機能単位当たりに要する支出金額が記憶されている。例えば、鉄道による移動、車による移動、徒歩による移動の場合には、１機能単位を移動量１ｋｍとする。支出データ記憶部１２３には、鉄道、車、徒歩で１ｋｍ移動した場合の支出金額として、鉄道：２６円、車：１５円、徒歩：０円が記憶されている。

その他、例えば、行動種別が「洗濯」の場合には、１機能単位を洗濯物の重量１ｋｇとし、１ｋｇの洗濯物を洗濯する場合に要する支出金額が記憶されている。行動種別が「食事」の場合には、１機能単位をエネルギー摂取量１ｋｃａｌとし、１ｋｃａｌのエネルギーを摂取する場合に要する支出金額が記憶されている。行動種別が「トイレ」「テレビ視聴」「睡眠」の場合には、１機能単位をそれぞれの行動１回とし、１回当該行動をした場合に要する支出金額が記憶されている。

消費時間データ記憶部１２４には、各行動種別の機能に応じて定められた機能単位当たりに要する時間（消費時間）が記憶されている。例えば、鉄道による移動、車による移動、徒歩による移動の場合には、１機能単位を移動量１ｋｍとすると、消費時間データ記憶部１２４には、鉄道、車、徒歩で１ｋｍ移動した場合の消費時間として、鉄道０．０１４時間、車０．０１６時間、徒歩０．２時間が記憶されている。

その他、例えば、行動種別が「洗濯」の場合には、１機単位を洗濯物の重量１ｋｇとし、１ｋｇの洗濯物を洗濯する場合に要する消費時間が記憶されている。行動種別が「食事」の場合には、１機能単位をエネルギー摂取量１ｋｃａｌとし、１ｋｃａｌのエネルギーを摂取する場合に要する消費時間が記憶されている。行動種別が「トイレ」「テレビ視聴」「睡眠」の場合には、１機能単位をそれぞれの行動１回とし、１回当該行動をした場合に要する消費時間が記憶されている。

図２の説明に戻り、ステップＳ５では、利用比変換部１０４は、指定された利用比、すなわち、移動（鉄道）：移動（車）：移動（徒歩）＝１：２：３を、支出データ記憶部１２３に記憶されている情報と、消費時間データ記憶部１２４に記憶されている情報を用いて、消費時間比及び支出比に変換する。

例えば、消費時間データ記憶部１２４には、１機能単位（１ｋｍ）あたり、鉄道：０．０１４時間、車：０．０１６時間、徒歩：０．２時間と記憶されている。これら各消費時間に、先に入力された当該機能単位で表された利用比（１：２：３）を乗じることにより、消費時間比を算出する。すなわち、消費時間比は０．０１４（鉄道）：０．０３２（車）：０．６（徒歩）（なお、図３に併せて、「鉄道」による移動をｉ＝Ｎ-２、「車」による移動をｉ＝Ｎ-１、「徒歩」による移動をｉ＝Ｎとした場合、消費時間比はａ_N-2：ａ_N-1：ａ_Nと表される）が得られる。

同様に、支出データ記憶部１２３には、１機能単位（１ｋｍ）あたり、鉄道：２６円、車：１５円、徒歩０円と記憶されている。これら各支出金額に、先に入力された当該機能単位で表された利用比（１：２：３）を乗じることにより、支出比を算出する。すなわち、支出比は２６（鉄道）：３０（車）：０（徒歩）（上記同様、ｂ_N-2：ｂ_N-1：ｂ_Nと表される）が得られる。

次に、ステップＳ６へ進み、行動確率推定部１０５は、先験確率抽出部１０３で求めた先験確率分布から、制約条件に用いて、エントロピー原理によって新たな行動確率分布を推定する。

ここで、先験確率分布中の各行動種別ｉの発生確率をｑ_ｉ、各行動種別ｉについて求める推定行動確率（推定発生確率）をｐ_ｉとする。なお、「鉄道」による移動（ｉ＝Ｎ-２）、「車」による移動（ｉ＝Ｎ-１）、「徒歩」による移動（ｉ＝Ｎ）のそれぞれについての先験確率分布中の発生確率はｑ_N-2、ｑ_N-1、ｑ_N 、行動確率はｐ_N-2、ｐ_N-1、ｐ_Nと表すことができる。また、ステップＳ５で得られた消費時間比ａ_N-2：ａ_N-1：ａ_Nは、０．０１４（鉄道）：０．０３２（車）：０．６（徒歩）、支出比ｂ_N-2：ｂ_N-1：ｂ_Nは、２６（鉄道）：３０（車）：０（徒歩）である。さらに、行動確率推定部１０５は、上記「鉄道」による移動（ｉ＝Ｎ-２）、「車」による移動（ｉ＝Ｎ-１）、「徒歩」による移動（ｉ＝Ｎ）以外の各行動種別ｉについても、その1機能単位当たりに要する時間ａ_ｉ及び支出金額ｂ_ｉを消費時間データ記憶部１２４及び支出データ記憶部１２３からそれぞれ読み出すことにより、取得する。

行動確率推定部１０５は、次式（１）に示すように、各行動種別ｉの先験確率をｑｉとしたときのクロスエントロピーと、各行動種別ｉの推定行動確率をｐ_ｉとしたときのエントロピー（乱雑さ）との差、すなわちカルバックライブラー尺度（Kullback-Leibler divergence:以下、Kullback-Leibler尺度と呼ぶ）が、消費時間比などの各行動種別ｉの推定行動確率ｐ_ｉに対する制約条件の下で最小となるように、行動種別ｉの推定行動確率ｐ_ｉを求める。なお、Kullback-Leibler尺度とその計算方法については「Kapur, J.N. and Kesavan, H.K., Entropy Optimization Principles with Applications, Academic Press, INC., pp. 151-203」に記載されている。

ただし、ｑ：先験確率、ｐ：推定行動確率（推定発生確率）、i：行動種別（i=１，・・・，Ｎ）０≦ｐ_ｉ≦１、０≦ｑ_ｉ≦１
式（１）に対する制約条件として、次式（２）〜（５）を定める。

まず、第１の制約条件について説明する。注目の行動種別のグループに属する複数の行動種別ｉ＝ｋ１〜ｋｎ（例えば上記例では、グループ「移動」に属する、「鉄道」による移動（ｉ＝Ｎ-２（＝ｋ１））、「車」による移動（ｉ＝Ｎ-１（＝ｋ２））、「徒歩」による移動（ｉ＝Ｎ＝（ｋ３）））の場合には、当該複数の行動種別ｉの推定行動確率ｐ_ｉには、次式（２）に示すような制約条件を与える。

ｐ_k１／ａ_k１＝ｐ_ｋ２／ａ_ｋ２＝…＝ｐ_ｋｎ／ａ_ｋｎ …（２）
例えば、グループ「移動」に属する、「鉄道」による移動（ｉ＝Ｎ-２（＝ｋ１））、「車」による移動（ｉ＝Ｎ-１（＝ｋ２））、「徒歩」による移動（ｉ＝Ｎ＝（ｋ３）））の場合には、
ｐ_N-2／ａ_N-2＝ｐ_N-1／ａ_N-1＝ｐ_N／ａ_N
という制約条件が与えられる。

式（２）は、注目するグループに属する各行動種別の予測期間内の推定行動確率の比が、消費時間比に等しい、という制約条件である。

例えば、式（２）から、行動種別「移動」の消費パターンに対する制約条件は、ｋ１を鉄道、ｋ２を車、ｋ３を徒歩として、
ｐ_ｋ１／０．０１４＝ｐ_ｋ２／０．０３２＝ｐ_ｋ３／０．６ となる。

次に、式（１）に対する第２の制約条件について説明する。第２の制約条件は、例えば、次式（３）で表すことができる。

ただし、ｐ：推定行動確率（推定発生確率）、i：行動種別（i=１，・・・，Ｎ）、Ｃ：年間消費支出［円］、Ｓ：支出増減係数（通常は「１」）、Ｔ：予測期間［h］、ａ_ｉ：行動種別ｉの１機能単位当たりの消費時間［時間（ｈ）］、ｂ_ｉ：行動種別ｉの１機能単位当たりの支出金額[円]である。

なお、「鉄道」による移動、「車」による移動、「徒歩」による移動を含む、各行動種別ｉの１機能単位当たりの消費時間ａｉ及び支出金額ｂｉは、前述したように、消費時間データ記憶部１２４及び支出データ記憶部１２３から得られる。

また、支出増減係数Ｓは、年間消費支出額の増減率であり、年間消費支出額の増減が無い場合、あるいは考慮しない場合、Ｓ＝１とする。

式（３）に示す第２の制約条件は、各行動種別ｉが推定行動確率ｐ_ｉに従って発生する場合、１単位時間（ここでは例えば１時間）当たりの支出金額の総和が、属性データとして入力された年間消費支出額から求めた１単位時間（たとえば、ここでは１時間）当たりの支出金額に等しい、という制約条件である。

さらに、式（１）に対する制約条件として、次式（４）に示すような第４の制約条件と、次式（５）に示すような第５の制約条件とが与えられる。

式（２）〜式（５）の制約条件の下、式（１）から、各行動種別ｉの先験確率をｑ_ｉとしたときのクロスエントロピーと、各行動種別ｉの推定行動確率をｐ_ｉとしたときのエントロピーとの差が最小となるような、各行動種別ｉ（ｉ＝１…Ｎ）の推定行動確率ｐｉを求める。

以上のようにして、各行動種別ｉの推定行動確率ｐｉを求めた後、次に、ステップＳ７へ進み、行動時間計算部１０６が、各行動種別ｉの予測期間内での行動時間を計算する。

すなわち、行動種別iの推定行動確率ｐ_ｉに、予測期間Ｔを乗じて当該行動種別ｉの予測期間内での行動時間を算出する。例えば、予測期間Ｔ＝２０時間の場合、ある行動種別ｉの推定行動確率ｐ_ｉ＝０．２ならば、当該行動種別ｉの予測期間内での行動時間は４．０時間となる。

図５は予測期間Ｔ＝２０時間の場合に、行動時間計算部１０６で各行動種別ｉについて求めた予測期間内での行動時間を示したものである。結果出力部１０８は、行動時間計算部１０６で各行動種別ｉについて求めた行動時間を、図５に示したように、表示装置３に表示する。

次に、ステップＳ８へ進み、価値計算部１０７は、各行動種別ｉについて求めた予測期間内での行動時間を用いて環境負荷を算出する。

原単位データ記憶部１２５には、図６に示すように、行動種別毎に、その1単位時間（ここでは、例えば1時間）当たりの行動に際し排出される環境負荷原単位（図６では、二酸化炭素排出量）の値が記憶されている。

価値計算部１０７は、各行動種別ｉの環境負荷原単位を原単位データ記憶部１２５から読み出す。そして、読み出された環境負荷原単位に、当該行動種別ｉについて求めた予測期間内での行動時間を乗じることにより、当該行動種別ｉの環境負荷量を算出する。

図７は、各行動種別ｉについて求めた環境負荷量（二酸化炭素排出量）を示したものである。結果出力部１０８は、価値計算部１０７で各行動種別ｉについて求めた環境負荷量を、図７に示したように、表示装置３に表示する。

以上説明したように、上記第１の実施形態によれば、必ずしも効用最大化原理によって行動しない人間の行動（特に行動時間）を、エントロピー原理によって予測することが可能になる。

すなわち、日頃の行動パターンを前提としつつも、時間と支出の制約の下で、最大の自由度を得るような行動の発生確率を予測することが可能であり、この予測結果と環境負荷データを組み合わせることによって、消費パターンが変わったときの環境負荷を推定することができる。

（第２の実施形態）
図２のステップＳ６で行動確率分布を推定する際、予測期間中の特定の行動種別について行動時間が予め予測される場合、当該行動種別ｉの推定行動確率ｐ_ｉに対し、当該予測される行動時間に基づき個別に制約条件を与える。

この場合、注目の行動種別のグループに属する行動種別や、それ以外の他の行動種別ｉの行動確率ｐ_ｉについても、予め予測される予測期間中の当該他の行動種別の行動時間に基づき個別の制約条件を与えることもできる。

この場合、例えば、図２のステップＳ４において、入力装置２から、予測期間中の行動時間が予め予測される当該特定の行動種別について、予測される行動時間の値、あるいは予測される行動時間の範囲（上限値／下限値）を入力する。このときの（表示装置３に表示される）入力画面の表示例を図８に示す。

ここで、予測期間をＴ、当該特定の行動種別ｉの行動確率ｐ_ｉ、当該特定の行動種別ｉに対し入力された予測される行動時間の下限値／上限値／予測される行動時間をＬｉと表すと、条件入力部１０２には、次式に示すようなデータが追加条件として入力され、メモリ１０９に一時記憶される。

Ｔ×ｐ_ｉ≧Ｌ_ｉ または Ｔ×ｐ_ｉ≦Ｌ_ｉ または Ｔ×ｐ_ｉ＝Ｌ_ｉ …（６）
行動確率推定部１０５は、入力装置２から入力された当該特定の行動種別の行動時間あるいはその範囲を、先に入力された予測期間を用いて、当該特定の行動種別ｉの行動確率ｐｉに対する制約条件式を生成する。

図８では、予測期間が２４時間である場合に、行動種別「食事」（ｉ＝４）の行動時間が最低１時間以上であることを条件として入力された表示画面例を示している。この場合、行動確率推定部１０５は、
Ｐ₄≧１／２４（＝入力値／予測期間） …（７）
という制約条件式を生成する。この制約条件式（７）は、図２のステップＳ６で行動確率推定部１０５が行動確率分布を推定する際に、式（１）の制約条件に追加される。行動確率推定部１０５は、式（２）〜（５）の他にさらに、上記式（７）を用いて、式（１）を計算することにより、各行動種別ｉについて、推定行動確率ｐ_ｉを計算する。

同様に、例えば、予測期間内に明らかに行わない行動種別があれば、図８に示すような入力画面から、当該行動種別に対し、「０」時間を入力することにより、当該行動種別の推定行動確率を「０」とする制約条件式を与えることもできる。

例えば、予測期間内に明らかに食器洗い（ｉ＝３）という行動を行わない場合、行動確率推定部１０５は、Ｐ₃＝０という制約条件式を生成する。行動確率推定部１０５は、式（２）〜（５）の他にさらに、上記式制約条件式を用いて、式（１）を計算することにより、各行動種別ｉについて、推定行動確率ｐ_ｉを計算する。なお、この場合、行動確率推定部１０５で計算される行動種別「食器洗い」の行動確率Ｐ₃は「０」となる。

（第３の実施形態）
上記第１の実施形態では、多くのデータから統計的に求めた標準的な行動パターンから、先験確率分布を抽出していた。第３の実施形態では、図９に示すように、ステップＳ３において、この標準的な行動パターンではなく、特定個人の行動履歴データから先験確率分布を抽出する。

標準的な行動パターンではなく、実際の特定個人の行動履歴データから先験確率分布を抽出すれば、その特定個人の行動を正確に予測することができる。

個人行動履歴記憶部１２２には、氏名、ＩＤ番号、年間消費支出額などを含む個人を識別するための識別情報に対応付けて、図３、図４と同様の行動パターンが記憶されている。

図９のステップＳ２では、属性データとして、ＩＤ番号などの個人を識別するためのデータが入力される。ステップＳ３では、先験確率抽出部１０３は、入力されたＩＤ番号に対応する行動パターンから、先に入力された予測期間を用いて、第１の実施形態と同様に、先験確率分布を抽出する。以降の処理は、第１の実施形態と同様である。

以上説明したように、上記第３の実施形態によれば、標準的な人間の予測期間内での行動確率及び行動時間の他、特定個人についても、その行動確率及び行動時間を予測することができる。

（第４の実施形態）
行動確率推定部１０５は、式（２）に示した制約条件を用いず、且つ、式（３）に示した制約条件において、支出増減係数Ｓを「１」以外の値に設定することにより、所得が増減することに伴う行動変化、すなわち、所得リバウンド効果を予測することができる。

例えば、図２のステップＳ２において、入力装置２から所得の増減率をさらに入力する。入力された増減率は、条件入力部１０２を介して、メモリ１０９に一時記憶される。

行動確率推定部１０５は、メモリ１０９に記憶されている増減率を上記支出増減係数Ｓに変換する。

図２のステップＳ６で行動確率推定部１０５が行動確率分布を推定する際には、式（３）〜（５）を用い、さらに、式（３）の支出増減係数Ｓを上記変換により得られた新たな値に更新して、式（１）を計算することにより、各行動種別ｉについて、行動確率ｐ_ｉを計算する。

例えば、所得が従来よりも１０％増える場合を条件として入力した場合には、Ｓ＝１．１となり、従来より１０％減るならばＳ＝０．９となる。

（第５の実施形態）
例えばボーリングのように、特定の場所に移動しなければ実施できない行動種別ｊについて、予測対象者が予測期間内に滞在している場所からは、発生しないことが明らかな場合、そのような行動種別ｊに対しては、発生しないという限定（ｐ_j＝０）を制約条件に加えて式（１）を解く。その結果、発生時間帯を考慮した空き時間の行動の影響、すなわち、時間リバウンド効果を予測することができる。

参照データ記憶部１２６には、図１０に示すように、場所毎に、当該場所に予測対象者が滞在している場合に発生しない行動種別を示した参照データが記憶されている。

入力装置２から、予測期間、行動パターンを特定するための属性データの他に、さらに、図１１に示す入力画面から、例えば、当該予測期間内に予測対象者が行かない場所を入力する。

条件入力部１０２は、予測対象者が行かない場所が入力された場合には、図１０に示したような参照データを参照して、予測期間内に発生しない行動種別ｊを求める。すなわち、まず、当該入力された各場所に対応付けて記憶されている行動種別の和集合を求める。全行動種別のうち、求めた和集合に含まれる行動種別が、予測期間内に発生しない行動種別ｊである。

条件入力部１０２で求めた、予測期間内に発生しない各行動種別ｊは、メモリ１０９に記憶される。行動確率推定部１０５は、メモリ１０９に記憶されている、予測期間内に発生しない各行動種別ｊに対し、制約条件ｐ_ｊ＝０という制約条件式を生成する。

行動確率推定部１０５は、上記制約条件式を加えて、式（１）を計算することにより、各行動種別ｉについて、行動確率ｐ_ｉを計算する。なお、この場合、行動確率推定部１０５で計算される行動種別ｊの行動確率Ｐ_jは「０」となる。

以上説明したように、上記第４及び第５の実施形態によれば、所得リバウンド効果や時間リバウンド効果もそれぞれ予測可能である。従って、例えば新しいオンラインサービスの提供時間帯や対象顧客層を決定する際に活用することができる。

（第６の実施形態）
第１の実施形態では、行動種別毎の環境負荷原単位データを用いて、各行動種別ｉについて環境負荷量を求めていた。

第６の実施形態では、原単位データ記憶部１２５に、図１２に示すような、行動種別毎に、その1単位時間当たりの行動に際し消費されるエネルギー量を記憶する。

この場合、価値計算部１０７は、各行動種別ｉの1単位時間当たりの消費エネルギー量を原単位データ記憶部１２５から読み出す。そして、得られた1単位時間当たりの消費エネルギー量に、当該行動種別ｉについて求めた予測期間内での行動時間を乗じることにより、予測期間内の当該行動種別ｉの消費エネルギーを算出する。

また、原単位データ記憶部１２５に、図１３に示すような、行動種別毎に、その1単位時間当たりの事故の発生度合いを記憶する。

この場合、価値計算部１０７は、各行動種別ｉの1単位時間当たりの事故の発生度合いを原単位データ記憶部１２５から読み出す。そして、得られた1単位時間当たりの事故の発生度合いに、当該行動種別ｉについて求めた予測期間内での行動時間を乗じることにより、予測期間内の当該行動種別ｉの累積事故発生度合いを算出する。

このように、第１の実施形態で説明した手法により、各行動種別ｉについて予測期間内での行動時間を求めた場合には、この各行動種別の予測期間内での行動時間を用いて、様々な価値計算を行うことができる。

消費エネルギーや事故発生度合いなど、行動に伴う様々な社会価値を予測することが可能になる。

（第７の実施形態）
図１の行動統計データ記憶部１２１には、第１の実施形態で説明したように、標準的な人の複数の行動種別のそれぞれについて、時間帯毎の発生確率を示す行動統計データ、すなわち、図３や図４に示したような行動パターンが記憶されている。一般に、この標準的な人の行動パターンは、不特定多数の人の行動パターンから統計的に求めたものである。図１の先験確率抽出部１０３では、この行動パターンから先験確率分布を抽出していた。

第７の実施形態では、この行動統計データ記憶部１２１に記憶されている、標準的な人の行動パターンから、特定集団（例えば、ある特定の会社の従業員の集合、ある特定の学校の生徒の集合、ある地域の居住者など）に属する人の行動パターンを上述の第１の実施形態と同様の手法を用いて推定する。

例えば、予測対象の特定集団の行動パターンが、一般的な行動統計データを用いて表せるような単純な集団ではない場合、第７の実施形態では、この一般的な行動統計データと、該特定集団固有の情報を用いることで、この特定集団に関し、第１の実施形態で用いる先験確率分布を推定することができるのである。

以下、第７の実施形態について説明する。

図１４は、第７の実施形態に係る行動予測システムの構成例を示したものである。なお、図１４において、図１と同一部分には同一符号を付し、異なる部分についてのみ説明する。すなわち、図１の行動統計データ記憶部１２１が、図１４では、第１の行動統計データ記憶部１２１ａと第２の行動統計データ記憶部１２１ｂに置き換わり、図１の行動確率推定部１０５が、図１４では、行動確率推定部１０５ａと行動確率推定部１０５ｂに置き換わっている。図１４の第２の行動統計データ記憶部１２１ｂは、図１の行動統計データ記憶部１２１と同一であり、図１４の第２の行動確率推定部１０５ｂは図１の行動確率推定部１０５と同一である。

第１の行動統計データ記憶部１２１ａには、図１の行動統計データ記憶部１２１と同様、性別、年齢層などにより特定される標準的な人の複数の行動パターンが時間帯毎に記憶されている。

図１６は、第１の行動統計データ記憶部１２１ａに記憶されている、ある時間帯における、性別、年齢層別の人の複数の行動パターンを、図３と同様、テーブル形式で示したものである。なお、図１６では、ある時間帯における行動種別毎の平均的な行動時間を示している。この時間帯における行動種別毎の発生確率は、当該行動種別の行動時間を当該時間帯の時間で除することで求めるこができる。

第１の行動確率推定部１０５ａは、図１６に示したような行動パターンを用いて、対象集団の行動パターンを推定する。

第２の行動統計データ記憶部１２ｂには、第１の行動確率推定部１０５ａで推定された対象集団の行動パターンを記憶する。

以下、図１５に示すフローチャートを参照して、図１４の行動予測装置の処理動作を説明する。

例えば、図１７に示すような集団を例にとり説明する。図１７は、行動パターンを予測する集団（予測対象の集団）に関するデータ（集団データ）であり、神奈川県内のある集団（グループ）の構成員（メンバ）を、性別、年代別の複数のクラス（サブグループ）に分類し、各クラスに属する構成員の人数（当該集団の構成員の性別の人数、当該集団の構成員の年代別の人数など）や、当該集団の全構成員の人数などを示している。なお、集団データには、構成員のクラス別の人数の代わりに、あるいは、構成員のクラス別の人数とともに、該集団内での該クラスに属する構成員の割合が含まれていても良い。また、予測対象の集団の存在する地域や名称などの属性データが含まれていてもよい。

また、図１７に示した集団データの場合には、集団の構成員を、性別及び年代別で複数のクラスに分類したが、この場合に限らない。集団データ中に、年齢や性別の他、当該集団の構成員の居所（住所）や役職などの各構成員の属性データが含まれている場合には、これらのうちの少なくとも１つを用いて、当該集団の構成員を複数のクラスに分類すればよい。

まず、ステップＳ１０１において、入力装置１から、何年何月何日何時何分から何年何月何日何時何分までという形で予測期間が入力される。入力された予測期間は、条件入力部１０２を介してメモリ１０９に一時記憶される。次に、ステップＳ１０２へ進み、入力装置１から、予測対象の集団に関するデータ、すなわち、図１７に示したような集団データが入力される。入力された集団データは、条件入力部１０２を介してメモリ１０９に一時記憶される。

続いて、ステップＳ１０３へ進み、先験確率抽出部１０３は、第１の行動統計データ記憶部１２１ａから、メモリ１０９に一時記憶された予測期間及び集団データを基に、性別、年齢別に（すなわち、クラス別に）、当該予測期間内の行動種別毎の発生確率（行動パターン）を先験確率分布として抽出する。

例えば、集団データ内の１５才から２４才までの男性というクラスのデータと、２月４日の８：００〜１０：００という予測期間とを基に抽出された先験確率分布は、図１８（ａ）のようになる。

次に、ステップＳ１０４では、入力装置２から、当該予測対象の集団について、当該予測期間内での発生確率または行動時間が既知である行動種別に対し、当該既知の発生確率または行動時間（既知データ）が入力される。入力された既知データは、条件入力部１０２を介してメモリ１０９に一時記憶される。なお、性別や年代毎に異なる場合には、性別及び年代別に抽出された各先験確率分布に対し、その性別及び年代に対応する既知データが入力される。

例えば、図１７に示した予測対象の集団の場合、特に、１５才から２４才までの男性のクラスにおける当該予測期間では、予め計測・調査することにより「交際・付き合い」「受診・診療」「その他」という行動種別の行動時間が「０」であることが判明しているか、または該予測対象の集団が滞在する場所では実施できない行動であるので、これら行動種別の行動時間やその発生確率に対し「０」という既知データが入力される。

次に、ステップＳ１０５へ進み、第１の行動確率推定部１０５ａは、まず、入力された既知データを用いて、ステップＳ１０３で抽出された性別・年齢別の先験確率分布を修正する。例えば、図１８（ａ）に示した先験確率分布の場合、「交際・付き合い」「受診・診療」「その他」という行動種別の行動時間が「０」であるので、当該行動種別の行動時間及び発生確率を「０」に修正する。

次に、ステップＳ１０６へ進み、第１の行動確率推定部１０５ａは、この修正された先験確率分布から、第１の実施形態と同様、式（１）を用いて、エントロピー原理によって新たな行動確率分布を推定する。

式（１）において、修正された先験確率分布中の各行動種別ｉの発生確率をｑ_ｉ、各行動種別ｉについて求める推定行動確率（推定発生確率）をｐ_ｉとする（０≦ｐ_ｉ≦１、０≦ｑ_ｉ≦１）。また、修正された先験確率分布中で、発生確率が既知データで修正された行動種別をｋで表し、当該行動種別ｋの既知データをｔ_ｋとする。行動種別ｋの先験確率はｑ_ｋであり、行動種別ｋについて求める推定行動確率（推定発生確率）はｐ_ｋである。

なお、ここで式（１）に対する制約条件としては、第１の実施形態で用いた式（４）に示した制約条件と、式（５）に示した制約条件と、さらに、次式（８）で示すような制約条件を用いる。

ｐ_ｋ＝ｔ_{ｋ …（８）}
式（８）は、先験確率分布中で、発生確率が既知データｔ_ｋで修正された行動種別ｋについては、その推定発生確率ｐ_ｋは既知データｔ_ｋに等しいという制約条件を表している。

第１の行動確率推定部１０５ａは、式（４）、式（５）、式（８）の制約条件の下、式（１）から、各行動種別ｉの先験確率をｑ_iとしたときのクロスエントロピーと、各行動種別ｉの推定行動確率をｐ_iとしたときのエントロピーとの差が最小となるような、各行動種別ｉ（ｉ＝１…Ｎ）の推定行動確率ｐ_ｉを求める。

図１８（ｂ）は、図１８（ａ）に示した修正前の先験確率分布から、上記のようにして推定された各行動種別ｉの推定行動確率ｐｉを示したものである。図１８（ｂ）に示すように、先験確率が既知データ「０」で修正された「交際・付き合い」「受診・診療」「その他」という行動種別の推定行動確率ｐｉは、当該既知データ「０」のままである。

以上のような処理により、性別及び年齢別に（クラス別に）各行動種別ｉの推定行動確率ｐｉが得られる。

次に、ステップＳ１０７へ進み、性別及び年齢別（クラス別）の各行動種別ｉの推定行動確率ｐｉを基に、第１の行動確率推定部１０５ａは、図１８（ｂ）に示すように、各行動種別ｉの予測期間内での行動時間（推定行動時間）を計算する。

すなわち、行動種別iの推定行動確率ｐ_ｉに、予測期間Ｔを乗じて当該行動種別ｉの予測期間内での推定行動時間を算出する。例えば、予測期間Ｔ＝２０時間の場合、ある行動種別ｉの推定行動確率ｐ_ｉ＝０．２ならば、当該行動種別ｉの予測期間内での推定行動時間は４．０時間となる。

以上のような処理（ステップＳ１０３〜ステップＳ１０７）を、当該予測対象の集団の全てのクラスについて実行し、当該予測対象の集団の各クラスについて、各行動種別ｉの当該予測期間内での推定行動確率ｐｉと推定行動時間を求める。

図１９には、当該予測対象の集団の各クラスについて求めた、各行動種別ｉの当該予測期間内での推定行動時間を示している。

次に、ステップＳ１０８へ進む。ステップＳ１０８では、第１の行動確率推定部１０５ａは、当該予測対象の集団の集団データと、図１９に示したような性別及び年齢別（クラス別）に得られた行動種別毎の行動時間とから、当該予測対象の集団における行動種別毎の行動確率、すなわち、当該予測対象の集団の標準的な行動パターンを計算する。

例えば、まず、図１８（ｂ）に示した１５才から２４才までの男性というクラスの各行動種別の推定行動時間に、当該予測対象の集団の１５才か２４才までの男性の人数を乗じて、当該クラスの行動種別毎の行動時間の総和を求める。

図１９に示すように、当該予測対象の集団に属する各クラス（例えば、図１７に示したように、２５才から３４才までの男性のクラス、２５才から３４才までの女性のクラスなど）について、上記同様にして、クラス別の行動種別毎の行動時間の総和を求める。

そして、図１９に示すように、行動種別毎に全てのクラスの行動時間の総和ｓｕｍ（ｉ）（ｉ＝行動種別）を計算し、さらにその総和、すなわち全行動種別の行動時間の総和Ｓを求める。

当該予測対象の集団の行動種別（ｉ）毎の行動確率（発生確率）Ｐ（ｉ）は、次式（１０）から求めることができる。

Ｐ（ｉ）＝ｓｕｍ（ｉ）／Ｓ …（１０）
第１の行動確率推定部１０５ａは、上記のようにして得られた当該予測対象の集団の行動種別（ｉ）毎の行動確率（発生確率）Ｐ（ｉ）を、第２の行動統計データ記憶部１２１ｂに記憶する。

以上説明したように、第２の行動統計データ記憶部１２１ｂには、行動パターンにある一定の特徴を有するある特定の集団の行動パターンが記憶される。第１の実施形態で説明した行動予測装置は、図２と同様にして、第２の行動統計データ記憶部１２１ｂに記憶された行動パターンから先験確率分布を抽出して、第１の実施形態で説明した処理を実行することにより、当該集団特有の行動を予測することができる。

すなわち、図２のステップＳ１において、入力装置１から、何年何月何日何時何分から何年何月何日何時何分までという形で予測期間が入力され、ステップＳ２において、入力装置１から、行動予測対象とする人間の性別、年齢層、年間消費支出額が属性データとして入力されると、ステップＳ３では、先験確率抽出部１０３は、第２の行動統計データ記憶部１２１から、メモリ１０９に一時記憶された予測期間及び属性データに対応する行動パターンを先験確率分布として抽出する。

ステップＳ４において、入力装置２から、同一の行動種別のグループに属する複数の行動種別について、（距離単位、時間単位、金額単位などの）機能単位による利用比が入力されると、ステップＳ５では、利用比変換部１０４は、指定された利用比、例えば、移動（鉄道）：移動（車）：移動（徒歩）＝１：２：３を、支出データ記憶部１２３に記憶されている情報と、消費時間データ記憶部１２４に記憶されている情報を用いて、消費時間比及び支出比に変換する。

次に、ステップＳ６へ進み、第２の行動確率推定部１０５ｂは、先験確率抽出部１０３で求めた先験確率分布から、制約条件に用いて、エントロピー原理によって新たな行動確率分布を推定する。

移行の処理は、図２と同様であるので省略する。

以上説明したように、上記第７の実施形態によれば、行動統計データが存在しないような集団に関する行動確率（先験確率分布）を推定することが可能である。この先験確率分布を用いることにより、当該集団に関する行動を正確に推定することが可能となる。

本発明の実施の形態に記載した本発明の手法（特に、条件入力部１０２、先験確率抽出部１０３、利用比変換部１０４、行動確率推定部１０５（第１の行動確率推定部１０５ａ、第２の行動確率推定部１０５ｂ）、行動時間計算部１０６、価値計算部１０７、結果出力部１０８等の各機能）は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記録媒体に格納して頒布することもできる。

なお、本発明は上記実施形態そのまま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構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

本発明の実施形態に係る行動予測システムの構成例を示した図。 図１の行動予測システムの処理動作を説明するためのフローチャート。 行動統計データ記憶部１２１に記憶されている行動パターンの一例を示した図。 行動統計データ記憶部１２１に記憶されている行動パターンの他の例を示した図。 行動種別毎の予測期間内での行動時間の表示例を示した図。 原単位データ記憶部１２５に記憶されている、各行動種別の１単位時間当たりに排出される環境負荷原単位（二酸化炭素排出量）を示したデータの記憶例を示した図。 行動種別毎の環境負荷量の表示例を示した図。 追加条件の入力画面の一例を示した図。 図１の行動予測システムの他の処理動作を説明するためのフローチャート。 場所毎に、当該場所に予測対象者が滞在している場合に発生しない行動種別を示した参照データの一例を示した図。 予測期間内に予測対象者が行かない場所を入力するための入力画面の一例を示した図。 原単位データ記憶部１２５に記憶されている、各行動種別の1単位時間当たりの行動に際し消費されるエネルギー量を示したデータの記憶例を示した図。 原単位データ記憶部１２５に記憶されている、各行動種別の1単位時間当たりの事故の発生度合いを示したデータの記憶例を示した図。 第７の実施形態に係る行動予測システムの構成例を示した図。 図１４の行動予測システムの処理動作を説明するためのフローチャート。 行動統計データ記憶部１２１ａに記憶されている行動パターンの一例を示した図。 予測対象の集団に関する集団データの一例を示した図。 修正前の先験確率分布（（ａ）図）と、修正後の先験確率分布から求めた各行動種別の推定行動確率（（ｂ）図）とを示した図。 予測対象の集団の各クラスについて求めた、行動種別毎の推定行動時間と、該予測対象の集団における行動種別毎の行動確率（行動パターン）を示した図。

符号の説明

１…行動予測装置、２…入力装置、３…表示装置３、１０…１データ記憶部、１０２…条件入力部、１０３…先験確率抽出部、１０４…利用比変換部、１０５…行動確率推定部、１０６…行動時間計算部、１０７…価値計算部、１０８…結果出力部、１０９…メモリ。

Claims (13)

1. 人の複数の行動種別のそれぞれについて、時間帯毎の発生確率を示す行動統計データを記憶する記憶手段と、
   予測期間と、年間消費支出額と、前記複数の行動種別のうち互いに代替え可能な複数の行動種別のグループについて、当該グループに属する各行動種別の利用比とを含む複数の条件を入力する入力手段と、
   前記行動統計データから、前記予測期間内の行動種別毎の発生確率を示す先験確率分布を抽出する抽出手段と、
   前記利用比に基づき、前記グループ内の各行動種別の行動に対し消費される時間の比を示す消費時間比を算出する第１の算出手段と、
   前記グループ内の各行動種別の前記予測期間内での推定発生確率の比が前記消費時間比に等しいという第１の制約条件と、各行動種別による一単位時間当たりの支出金額の総和が、前記年間消費支出額から求めた前記１単位時間当たりの支出金額に等しいという第２の制約条件と、前記予測期間内の各行動種別の前記発生確率の総和は「１」であるという第３の制約条件と、前記予測期間内の各行動種別の前記推定発生確率の総和は「１」であるという第４の制約条件とを含む複数の制約条件を満たすとともに、前記先験確率分布との間のKullback-Leibler尺度が最小となるように、前記複数の行動種別のそれぞれの推定発生確率を算出する第２の算出手段と、
   を含む行動推定装置。
2. 各行動種別の前記推定発生確率を基に、各行動種別の前記予測期間における行動時間を算出する第３の算出手段を含むことを特徴とする請求項１記載の行動推定装置。
3. 各行動種別の前記行動時間と当該行動を一単位時間行う際に発生する環境負荷量とを乗じることにより、前記予測期間内に発生する環境負荷量を算出する環境負荷算出手段をさらに含む請求項２記載の行動推定装置。
4. 前記複数の条件は、さらに、前記複数の行動種別のうちの少なくとも１つに対する、当該行動種別の前記予測期間中の予測行動時間、その下限値及び上限値のうちの少なくとも１つを追加条件として含み、
   前記複数の制約条件は、前記追加条件と前記予測期間とから生成される、当該追加条件の指定された行動種別の前記推定発生確率に対する第５の制約条件を含むことを特徴とする請求項１記載の行動推定装置。
5. 前記抽出手段は、性別、年齢層及び前記年間消費支出額を含む属性情報により特定される前記行動統計データから、前記先験確率分布を抽出することを特徴とする請求項１記載の行動推定装置。
6. 前記抽出手段は、特定個人の前記行動統計データから、前記先験確率分布を抽出することを特徴とする請求項１記載の行動推定装置。
7. 前記複数の制約条件は、
   前記予測期間内の滞在場所からは発生することがない行動種別の前記推定発生確率を「０」とする第６の制約条件を含むこと特徴とする請求項１記載の行動推定装置。
8. 各行動種別の前記行動時間に、当該行動を一単位時間行う際の消費エネルギーを乗じることにより、前記予測期間内に消費するエネルギーを算出する消費エネルギー算出手段をさらに含むことを特徴とする請求項２記載の行動推定装置。
9. 各行動種別の前記行動時間に、当該行動を一単位時間行う際の事故発生度合いとを乗じることにより、前記予測期間内に発生する事故発生度合いを算出する事故発生度合い算出手段をさらに含むことを特徴とする請求項２記載の行動推定装置。
10. 前記複数の条件は、前記年間消費支出額に対する増減率を含み、
    前記第３及び第４の制約条件と、各行動種別による一単位時間当たりの支出金額の総和が、前記年間消費支出額に前記増減率を乗じた結果得られる金額から求めた前記１単位時間当たりの支出金額に等しいという第７の制約条件とを満たすとともに、前記先験確率分布との間のKullback-Leibler尺度が最小となるように、前記複数の行動種別のそれぞれの推定発生確率を算出する第４の算出手段をさらに含むことを特徴とする請求項１記載の行動推定装置。
11. 人の複数の行動種別のそれぞれについて、時間帯毎の発生確率を示す行動統計データを記憶する記憶手段と、
    予測期間、年間消費支出額、及び前記年間消費支出額に対する増減率を含む複数の条件を入力する入力手段と、
    前記行動統計データから、前記予測期間内の行動種別毎の発生確率を示す先験確率分布を抽出する抽出手段と、
    各行動種別による一単位時間当たりの支出金額の総和が、前記年間消費支出額に前記増減率を乗じた結果得られる金額から求めた前記１単位時間当たりの支出金額に等しいという第１の制約条件と、前記予測期間内の各行動種別の前記発生確率の総和は「１」であるという第２の制約条件と、前記予測期間内の各行動種別の前記推定発生確率の総和は「１」であるという第３の制約条件とを含む複数の制約条件を満たすとともに、前記先験確率分布との間のKullback-Leibler尺度が最小となるように、前記複数の行動種別のそれぞれの推定発生確率を算出する第１の算出手段と、
    各行動種別の前記推定発生確率を基に、各行動種別の前記予測期間における行動時間を算出する第２の算出手段と、
    を含む行動推定装置。
12. コンピュータを、
    人の複数の行動種別のそれぞれについて、時間帯毎の発生確率を示す行動統計データを記憶する記憶手段、
    予測期間と、年間消費支出額と、前記複数の行動種別のうち互いに代替え可能な複数の行動種別のグループについて、当該グループに属する各行動種別の利用比とを含む複数の条件を入力する入力手段、
    前記行動統計データから、前記予測期間内の行動種別毎の発生確率を示す先験確率分布を抽出する抽出手段、
    前記利用比に基づき、前記グループ内の各行動種別の行動に対し消費される時間の比を示す消費時間比を算出する第１の算出手段、
    前記グループ内の各行動種別の前記予測期間内での推定発生確率の比が前記消費時間比に等しいという第１の制約条件と、各行動種別による一単位時間当たりの支出金額の総和が、前記年間消費支出額から求めた前記１単位時間当たりの支出金額に等しいという第２の制約条件と、前記予測期間内の各行動種別の前記発生確率の総和は「１」であるという第３の制約条件と、前記予測期間内の各行動種別の前記推定発生確率の総和は「１」であるという第４の制約条件とを含む複数の制約条件を満たすとともに、前記先験確率分布との間のKullback-Leibler尺度が最小となるように、前記複数の行動種別のそれぞれの推定発生確率を算出する第２の算出手段、
    各行動種別の前記推定発生確率を基に、各行動種別の前記予測期間における行動時間を算出する第３の算出手段、
    として機能させるためのプログラム。
13. 前記記憶手段に記憶された行動統計データは、特定集団の行動種別毎の発生確率を示すことを特徴とする請求項１記載の行動推定装置。

Images