JP5366138B2 - Spatiotemporal data display device, spatiotemporal data analysis method and program - Google Patents
Spatiotemporal data display device, spatiotemporal data analysis method and program Download PDFInfo
- Publication number
- JP5366138B2 JP5366138B2 JP2009152897A JP2009152897A JP5366138B2 JP 5366138 B2 JP5366138 B2 JP 5366138B2 JP 2009152897 A JP2009152897 A JP 2009152897A JP 2009152897 A JP2009152897 A JP 2009152897A JP 5366138 B2 JP5366138 B2 JP 5366138B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- tendency
- spatio
- cluster
- movement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000007405 data analysis Methods 0.000 title claims description 17
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、多数の人若しくは物に関連する時間情報と空間情報を有するデータの分析装置に関する。 The present invention relates to an apparatus for analyzing data having time information and space information related to a large number of people or objects.
近年、時刻情報（または時間情報）と空間情報（位置情報等）と人または物に対する固有の識別子を有するデータを生成する装置が普及している。この種の装置としては、次のようなものが知られている。
（１） 鉄道等で用いられる電子マネーやクレジットカード、ＧＰＳ機能付携帯端末等、人が所持して、様々な場所において利用されるアプライアンス。
（２） ＲＦＩＤ等の、商品に付属されて様々な場所において時刻情報が記録されるタグ。
（３） センサネット等、様々な場所に設置されて時間毎の情報を生成する装置。
In recent years, devices that generate data having time information (or time information), spatial information (position information, etc.) and a unique identifier for a person or an object have become widespread. The following are known as this type of apparatus.
(1) Appliances used by people in various places, such as electronic money and credit cards used in railways, portable terminals with GPS functions, and the like.
(2) A tag such as an RFID that records time information in various places attached to a product.
(3) A device that is installed in various places such as a sensor network and generates information for each hour.
これらの装置が収集した時刻情報と空間情報を含む大量のデータから、データまたはデータ全体の特徴などを解析する研究が行われており、時刻情報を用いずに、空間情報としての座標の前後関係のみを用いて解析を行う従来技術として、非特許文献１及び非特許文献２が知られている。 Research is being conducted to analyze the characteristics of data or the entire data from a large amount of data including time information and spatial information collected by these devices, and the context of coordinates as spatial information without using time information Non-Patent Document 1 and Non-Patent Document 2 are known as conventional techniques for performing analysis using only the above.
上記従来例では、複数のデータを解析して時刻情報と空間情報から抽出した軌跡を、方向を持ったベクトルと考え、ベクトルの座標並びに方向の類似性から軌跡のクラスタリングを行っており、軌跡の生じた時刻については相対関係（軌跡の方向）を除いて考慮していない。なお、軌跡は、例えば、人の移動の履歴を示し、鉄道用の電子マネーを利用するＩＣカードから改札機で取得したデータの場合、ある人が所持するＩＣカードのＩＤのデータで、乗車駅から下車駅までが軌跡として捉えられる。つまり、軌跡は空間情報の履歴からＩＤで特定した複数の位置を時系列で示す情報となる。 In the above conventional example, a trajectory extracted from time information and spatial information by analyzing a plurality of data is regarded as a vector having a direction, and trajectory clustering is performed based on similarity of vector coordinates and directions. The generated time is not considered except for the relative relationship (the direction of the trajectory). In addition, a locus | trajectory shows the history of a person's movement, for example, in the case of the data acquired with the ticket gate from the IC card which uses the electronic money for railroads, it is data of ID of the IC card which a certain person has, and a boarding station To the station where you get off. That is, the trajectory is information indicating a plurality of positions identified by IDs from the history of spatial information in time series.
また、人物の座標値及び移動量を検出して家の中で人物の部屋の移動を求め、この移動から移動パターンを抽出してクラスタリングを行う技術も知られている（例えば、特許文献１）。 A technique is also known in which a coordinate value and a movement amount of a person are detected to obtain a movement of a person's room in the house, and a movement pattern is extracted from the movement to perform clustering (for example, Patent Document 1). .
また、定期券から取得した個人の情報に基づいて駅構内のディスプレイに広告を表示する際に、駅に滞留する乗客層に最も適合する広告を選択して表示する技術が知られている（例えば、特許文献２）。この特許文献２では、表示する広告の選択に定期券から取得した乗客の属性を用いている。 Moreover, when displaying an advertisement on a display in a station premises based on personal information acquired from a commuter pass, a technique for selecting and displaying an advertisement that best suits a passenger group staying at a station is known (for example, Patent Document 2). In Patent Document 2, passenger attributes acquired from a commuter pass are used to select advertisements to be displayed.
上記非特許文献１、２の技術では、軌跡の生じた時刻は相対関係（軌跡の方向）を除いて考慮していない。このためにいつ主要軌跡が生じたのかを知ることが出来ないという問題があった。また、軌跡が生じた時刻が異なるデータをクラスタリングする場合や、他の時刻に生じた軌跡がノイズとなってクラスタリングできない場合があった。更に、ベクトルの類似性を用いているため、軌跡の集中または発散に関する解析が出来ないという問題があった。 In the techniques of Non-Patent Documents 1 and 2 described above, the time at which the locus occurs is not considered except for the relative relationship (the direction of the locus). For this reason, there was a problem that it was impossible to know when the main trajectory occurred. In addition, there is a case where data having different times when a locus occurs are clustered, or a locus generated at other times cannot be clustered due to noise. Furthermore, since the similarity of vectors is used, there is a problem that it is impossible to analyze the concentration or divergence of the trajectory.
上記特許文献１では、人物の座標値及び移動量から移動パターンを求めているため、移動した時刻に関する情報は無く、時刻毎のクラスタリングは出来ない上に、時刻に関連する人の集中または発散のクラスタリングができないという問題があった。
出来なかった。
In the above-mentioned Patent Document 1, since the movement pattern is obtained from the coordinate value and the movement amount of the person, there is no information regarding the time of movement, clustering for each time is not possible, and the concentration or divergence of people related to time There was a problem that clustering was not possible.
I could not do it.
上記特許文献２では、定期券から取得した情報に基づく行き先の予測に関しては、定期券の区間情報からの予測のみを行っており、通常の切符による利用や、通勤・通学以外での定期利用における行き先の予測はできず、行き先を用いた広告選択（行き先駅の店舗の広告等）は出来ないという問題があった。 In the above Patent Document 2, destination prediction based on information obtained from a commuter pass is performed only from the commuter pass section information, and it is used for regular tickets and regular use other than commuting. There was a problem that the destination could not be predicted, and advertisement selection using the destination (such as an advertisement for a store at the destination station) was not possible.
ここで、所持者の鉄道用ＩＣカード（電子マネー）の時刻毎の入出場駅の情報が得られるアプライアンスのデータ解析を例にすると、これらの従来技術では、具体的には、多くの人が利用する電車の経路を知ることは出来る。しかし、従来技術では、時刻情報を軌跡の方向を知るためにしか用いず、方向を持った軌跡の形状若しくは移動パターンからクラスタリングを行っているため、時刻毎の主要軌跡を知ることは出来ないという問題があった。また、軌跡や移動パターンとしては全く異なる軌跡を示す、集中・発散のクラスタリングを行うことが出来なかった。 Here, taking as an example data analysis of appliances that can obtain information on entry / exit stations for each time of the owner's railway IC card (electronic money), in these conventional technologies, specifically, many people You can know the train route to use. However, in the prior art, time information is used only to know the direction of the trajectory, and clustering is performed from the shape or movement pattern of the trajectory with the direction, so it is impossible to know the main trajectory at each time. There was a problem. Moreover, clustering of concentration and divergence that shows completely different trajectories as trajectories and movement patterns could not be performed.
このため、上記従来例では、以下に示す問題があった。
（１）混雑に直接関係する、所定の時間帯に集中する軌跡と、時間的に分散した軌跡の分離が出来ない。
（２）朝夕の通勤時間帯と百貨店等店舗の開店時刻周辺等、時刻によって要因が異なる主要軌跡の分離が出来ない。
（３）通勤、休日のテーマパークやイベント開催時等、様々な駅から特定の駅への集中と、逆方向へ発散軌跡のクラスタリングが出来ない。
For this reason, the conventional example has the following problems.
(1) It is impossible to separate a trajectory that is directly related to congestion and concentrated in a predetermined time zone and a temporally dispersed trajectory.
(2) Separation of major trajectories with different factors depending on time, such as morning and evening commuting hours and the opening hours of department stores, etc., is impossible.
(3) Concentration from various stations to specific stations and clustering of divergence trajectories in the opposite direction are not possible, such as when commuting, holiday theme parks and events.
本発明は、時刻情報と空間情報を含む大量のデータから類似パターンのクラスタリングを行い、データの集中・発散、及び時間毎の移動を表す主要軌跡を映像にて表示する手段を提供することを目的とする。 An object of the present invention is to provide means for performing clustering of similar patterns from a large amount of data including time information and spatial information, and displaying a main trajectory representing the concentration / divergence of data and movement over time on a video. And
本発明は、プロセッサと記憶装置と出力装置を備えて、固有の識別子と、時刻毎の位置情報と、を有する複数のデータを格納し、前記識別子毎の前記位置情報の変化を検出して前記位置情報の軌跡を出力する時空間データ表示装置において、前記プロセッサは、前記データの識別子毎に、所定時間毎の位置情報を補間したデータを生成し、前記プロセッサは、前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出し、前記プロセッサは、前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置へ集中または第１の位置から発散する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置への集中または第１の位置からの発散として判定し、前記プロセッサは、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示する。 The present invention includes a processor, a storage device, and an output device, stores a plurality of data having a unique identifier and position information for each time, detects a change in the position information for each identifier, and In the spatio-temporal data display device that outputs a locus of position information, the processor generates data obtained by interpolating position information for each predetermined time for each identifier of the data, and the processor generates the data and the interpolated data. When the movement of the data is detected from the change in the position information at each time, and the processor detects the movement of the data, the movement of the plurality of identifiers is concentrated at the first position or diverges from the first position. And detecting the tendency of the identifiers of the same tendency from the detected tendency, and concentrating the tendency of the plurality of identifiers on the first position from the correlation or the first position Determined as divergence of al, the processor displays on the output device a tendency that the determination as the main trajectory of the plurality of identifiers.
本発明により、時刻情報と空間情報を伴う大量のデータからデータ全体の集中または発散、及び時間毎の移動の傾向を表す主要軌跡を求め、映像にて出力装置へ表示できる。また、同傾向のデータの属性の傾向を求めることにより、主要軌跡の属性を求めることが出来る。更に、新たな位置情報が得られた場合、近傍の主要軌跡を求め、その中心（集中の場合）若しくは終点（移動の場合）近傍への広告を配信することが出来る。 According to the present invention, it is possible to obtain a main trajectory representing the concentration or divergence of the entire data and the tendency of movement for each time from a large amount of data accompanied by time information and spatial information, and display it on the output device as an image. Further, by determining the attribute tendency of data having the same tendency, the attribute of the main trajectory can be determined. Further, when new position information is obtained, a main trajectory in the vicinity can be obtained, and an advertisement can be distributed near the center (in the case of concentration) or the end point (in the case of movement).
以下、本発明の一実施形態を添付図面に基づいて説明する。 Hereinafter, an embodiment of the present invention will be described with reference to the accompanying drawings.
図１は、本発明を適用する時空間データ解析装置１を示すブロック図である。 FIG. 1 is a block diagram showing a spatiotemporal data analysis apparatus 1 to which the present invention is applied.
時空間データ解析装置１は、演算処理を行うＣＰＵ（またはプロセッサ）２と、情報またはプログラムを格納するメモリ３と、情報またはプログラムを蓄積するストレージ装置４と、マウスやキーボードなどで構成された入力装置と、ディスプレイ等で構成された出力装置６を主体にした計算機で構成される。 The spatio-temporal data analysis device 1 includes a CPU (or processor) 2 that performs arithmetic processing, a memory 3 that stores information or programs, a storage device 4 that stores information or programs, and an input that includes a mouse, a keyboard, and the like. It is comprised with the computer which made the main body the output device 6 comprised with the apparatus and the display.
メモリ３には時刻情報と空間情報を含む時空間データ４０の解析を行う解析アプリケーション３０がロードされてＣＰＵ２により実行される。なお、解析アプリケーション３０は、記憶媒体としてのストレージ装置４に格納されて、ＣＰＵ２によりメモリ３へロードされてから実行される。 An analysis application 30 that analyzes time-space data 40 including time information and space information is loaded into the memory 3 and executed by the CPU 2. The analysis application 30 is stored in the storage device 4 as a storage medium, and is loaded into the memory 3 by the CPU 2 and then executed.
解析アプリケーション３０は、ストレージ装置４に格納された時空間データ４０を読み込んで、後述するような解析処理を行う。時空間データ４０は予め収集されてストレージ装置４に格納したもので、例えば、鉄道等で用いられる電子マネーを利用可能なＩＣカードの利用履歴やＧＰＳ機能付携帯端末から取得した履歴で構成される。このＩＣカードの利用履歴で構成される時空間データ４０は、ＩＣカードの識別子と、時刻情報として当該ＩＣカードの利用日時と、空間情報として利用した位置情報を含んで構成される。空間情報は、直接的に位置を示す座標などの情報の他、間接的に位置を示す情報であっても良い。間接的に位置を示す情報としては、駅の識別子や商店または売店の識別子で構成し、これらの識別子から地図上の位置を特定することが可能な情報であればよい。 The analysis application 30 reads the spatiotemporal data 40 stored in the storage device 4 and performs an analysis process as will be described later. The spatio-temporal data 40 is collected in advance and stored in the storage device 4, and includes, for example, a usage history of an IC card that can use electronic money used in a railroad or the like and a history acquired from a mobile terminal with a GPS function. . The spatiotemporal data 40 constituted by the usage history of the IC card includes an identifier of the IC card, usage date and time of the IC card as time information, and position information used as spatial information. The spatial information may be information indicating the position indirectly in addition to information such as coordinates indicating the position directly. The information indicating the position indirectly may be information that is configured by a station identifier or a store or store identifier, and can identify the position on the map from these identifiers.
以下の説明では、空間情報として２次元平面の座標の値を用いる例を示す。 In the following description, an example in which a coordinate value of a two-dimensional plane is used as the spatial information is shown.
まず、解析アプリケーション３０で行われる全体の処理を、図２を用いて説明する。 First, the entire process performed by the analysis application 30 will be described with reference to FIG.
時刻情報とその時刻における位置情報（空間情報）を含む時空間データ４０に対して、予め定めた時間間隔Δｔの時刻毎に、以下の処理を行う（２００）。なお、解析アプリケーション３０は、入力装置５等から解析を行う時空間データ４０の時刻（または時刻の範囲）を受け付ける。このとき、時空間データ４０の数が膨大であるときには、入力装置５等から位置情報の範囲で解析アプリケーション３０が読み込む時空間データ４０の数をフィルタリングしても良い。 The following processing is performed on the spatio-temporal data 40 including the time information and the position information (spatial information) at that time for each predetermined time interval Δt (200). The analysis application 30 receives the time (or time range) of the spatiotemporal data 40 to be analyzed from the input device 5 or the like. At this time, when the number of spatiotemporal data 40 is enormous, the number of spatiotemporal data 40 read by the analysis application 30 in the range of position information from the input device 5 or the like may be filtered.
まず、解析アプリケーション３０は、前記受け付けた時刻に存在する時空間データ４０を補間し（２０１）、該時空間データ４０を位置情報に基づいてクラスタリングする（２０２）。このクラスタリングは、例えば、同一の時刻情報で位置情報が所定の範囲内の時空間データ４０を一つのクラスタに含めて、クラスタを生成する処理である。あるいは、同一の時刻情報で位置情報が近似する時空間データ４０をひとつのクラスタとして生成する処理を行う。 First, the analysis application 30 interpolates the spatiotemporal data 40 existing at the received time (201), and clusters the spatiotemporal data 40 based on the position information (202). This clustering is, for example, processing for generating a cluster by including spatio-temporal data 40 having the same time information and position information within a predetermined range in one cluster. Or the process which produces | generates the spatio-temporal data 40 which position information approximates with the same time information as one cluster is performed.
次に、生成されたクラスタＣに対して、以下の処理を行う（２０３）。クラスタＣに含まれる時空間データ４０の速度ベクトルの大きさをＶとし、規格化速度ベクトルの平均（規格化速度ベクトル平均値）をｕとする（２０４）。 Next, the following processing is performed on the generated cluster C (203). The size of the velocity vector of the spatio-temporal data 40 included in the cluster C is set as V, and the average of the normalized velocity vectors (standardized velocity vector average value) is set as u (204).
次に、規格化速度ベクトル平均値の絶対値｜ｕ｜が予め定めた値より大きい場合（２０５）、クラスタＣの移動検出を行う（２０６）。また、速度ベクトルＶが予め定めた値より大きい場合（２０７）、クラスタの集中または発散の検出を行う（２０８）。 Next, when the absolute value | u | of the normalized velocity vector average value is larger than a predetermined value (205), movement detection of the cluster C is performed (206). When the velocity vector V is larger than a predetermined value (207), cluster concentration or divergence is detected (208).
ここで、解析アプリケーション３０がクラスタＣに含まれる時空間データ４０から速度ベクトルＶ並びに規格化速度ベクトル平均値ｕを求める式を（１）式に示す。 Here, an expression in which the analysis application 30 obtains the velocity vector V and the normalized velocity vector average value u from the spatiotemporal data 40 included in the cluster C is shown in Equation (1).
上記（１）式において、ＮＣはクラスタＣの時空間データ４０の数、ｖｄは時空間データ４０ｄの速度、（ｖｄ）ｘ、（ｖｄ）ｙは速度ｖｄのそれぞれＸ成分とＹ成分、ｘｄ（ｔ）は時刻ｔにおける時空間データ４０（ｄ）の座標である。なお、Ｘ、Ｙは空間情報として２次元平面の例を示し、例えば、Ｘが経度、Ｙが緯度を示す。 In the above equation (1), NC is the number of spatiotemporal data 40 of cluster C, vd is the speed of spatiotemporal data 40d, (vd) x, (vd) y are the X component and Y component of speed vd, xd ( t) is the coordinates of the spatio-temporal data 40 (d) at time t. X and Y indicate examples of a two-dimensional plane as the spatial information. For example, X indicates longitude and Y indicates latitude.
次に、時空間データ４０の補間（２０１）に関して、図３〜図５を用いて詳細に説明する。まず、図３に解析アプリケーション３０へ入力された時空間データ４０（４１１〜４１８）の例を示す。図中４１１〜４１８の８個の各々の時空間データ４０は、時空間データＩＤ４０１と、時刻４０２と、Ｘ座標４０３と、Ｙ座標４０４と、始点・終点区分４０５から構成される。 Next, interpolation (201) of the spatiotemporal data 40 will be described in detail with reference to FIGS. First, FIG. 3 shows an example of the spatiotemporal data 40 (411 to 418) input to the analysis application 30. Each of the eight spatio-temporal data 40 in the figure includes a spatio-temporal data ID 401, a time 402, an X coordinate 403, a Y coordinate 404, and a start point / end point section 405.
時空間データＩＤ４０１は区分”s”で示される時刻に該時空間データ４０で表されている場所（Ｘ、Ｙ座標）から出発し、区分”e”で示される時刻に該時空間データ４０で表されている場所に到着したことを示している。 The spatio-temporal data ID 401 starts from the place (X, Y coordinates) represented by the spatio-temporal data 40 at the time indicated by the division “s”, and the spatio-temporal data 40 at the time indicated by the division “e”. It indicates that you have arrived at the indicated location.
例えば、時空間データ４１２は、時空間データＩＤ＝５２で、時刻５０１に座標（２、２）を出発し、時刻５０２に座標（２、３）に到着している時空間データ４１６が一連の空間情報の履歴として抽出される。これらの時空間データ４０を時空間上に図示すると図４上の様になる。ここで、５０１〜５０２は時刻を表し、５１０〜５４１が時空間データ４０を表す。図４は、２次元平面のうち現在着目している時空間データ４０を含む所定の領域をクラスタ矩形とし、時刻５０１〜５０３におけるクラスタ矩形を時刻ｔの系列で並べたものである。 For example, the spatio-temporal data 412 is a series of spatio-temporal data 416 that has a spatio-temporal data ID = 52, departs from coordinates (2, 2) at time 501, and arrives at coordinates (2, 3) at time 502. It is extracted as a history of spatial information. These spatio-temporal data 40 are illustrated on the spatio-temporal as shown in FIG. Here, 501 to 502 represent time, and 510 to 541 represent the spatiotemporal data 40. FIG. 4 shows a predetermined area including the spatio-temporal data 40 currently focused on in the two-dimensional plane as a cluster rectangle, and the cluster rectangles at times 501 to 503 are arranged in a sequence of time t.
前記図３の時空間データ４１２と時空間データ４１５の例は図４において、時空間データ５２０、５２１に対応する。この例の場合、図３に示した時空間データＩＤ＝５１（４１１、４１６、５１０、５１１）と時空間データＩＤ＝５３（４１３、４１７、５３０、５３１）は時刻５０２に時空間データ４０が存在しないが、実際には移動中で、図４で示すある場所（５１２、５３２）に存在している。 Examples of the spatiotemporal data 412 and the spatiotemporal data 415 in FIG. 3 correspond to the spatiotemporal data 520 and 521 in FIG. In this example, the spatiotemporal data ID = 51 (411, 416, 510, 511) and the spatiotemporal data ID = 53 (413, 417, 530, 531) shown in FIG. Although it does not exist, it is actually moving and exists at a certain location (512, 532) shown in FIG.
そこで、解析アプリケーション３０はある時刻に時空間データが存在しなかった時空間データＩＤ＝５１と５３について図４の下方に示すように、時刻５０２に存在が予測される座標（５１２、５３２）を補完して加える。具体的には、出発点と到着店の時間間隔での内分点を該座標とする。図３の時空間データ４０の場合、時刻５０２における時空間データＩＤ＝５１の座標は、時刻５０１における時空間データ４１１の座標（２、９）と、時刻５０３における時空間データ４１６の座標（６、７）の中点である座標（４、８）を補完する時空間データ５１２の座標とし、時刻５０２における時空間データＩＤ＝５３の座標は、同様に時空間データ４１３と時空間データ４１７から補完する時空間データ５３２の座標は（８、４）と求められる。 Therefore, the analysis application 30 sets the coordinates (512, 532) predicted to exist at the time 502 as shown in the lower part of FIG. 4 for the spatio-temporal data IDs = 51 and 53 where the spatiotemporal data did not exist at a certain time. Complement and add. Specifically, the internal dividing point at the time interval between the departure point and the arrival store is used as the coordinates. In the case of the spatiotemporal data 40 of FIG. 3, the coordinates of the spatiotemporal data ID = 51 at time 502 are the coordinates (2, 9) of the spatiotemporal data 411 at time 501 and the coordinates (6 of the spatiotemporal data 416 at time 503 7) The coordinates of the spatio-temporal data 512 that complement the coordinates (4, 8) that are the midpoint of the spatio-temporal data ID = 53 at the time 502 are similarly obtained from the spatio-temporal data 413 and the spatio-temporal data 417. The coordinates of the spatiotemporal data 532 to be complemented are obtained as (8, 4).
以上の時空間データ４０の補間処理によって求められた時刻Δｔ毎の時空間データ４０を図５に示す。 FIG. 5 shows the spatio-temporal data 40 for each time Δt obtained by the interpolation processing of the spatio-temporal data 40 described above.
ここで、６００は時刻を表し、６０１は時空間データＩＤで、６０２がＸ座標を示し、６０３がＹ座標を表す。時刻５０２において、時空間データＩＤ＝５１とＩＤ＝５３の時空間データ６１１と６１２が補間されたことを示す。なお、時空間データ６１１は図４の時空間データ５１２に対応し、空間データ６１２は図４の時空間データ５３２に対応する。 Here, 600 represents time, 601 represents a spatio-temporal data ID, 602 represents an X coordinate, and 603 represents a Y coordinate. It shows that the spatio-temporal data 611 and 612 of the spatio-temporal data ID = 51 and ID = 53 are interpolated at the time 502. Note that the spatiotemporal data 611 corresponds to the spatiotemporal data 512 in FIG. 4, and the spatial data 612 corresponds to the spatiotemporal data 532 in FIG.
次に、図２のステップ２０６に示した移動検出に関して、図６を用いて説明する。 Next, the movement detection shown in step 206 of FIG. 2 will be described with reference to FIG.
まず、解析アプリケーション３０は、現在注目しているクラスタ矩形（図４参照）の、次の時刻における座標を予測し、該予測座標の近傍を中心とするクラスタ矩形の全てに関し（７０１）、元のクラスタＣとの相関を計算する（７０２）。最後に、最も相関が高かった矩形の中心座標を次時刻の中心座標とする（７０３）。 First, the analysis application 30 predicts the coordinates at the next time of the cluster rectangle of interest (see FIG. 4) and relates to all of the cluster rectangles centered around the predicted coordinates (701). The correlation with cluster C is calculated (702). Finally, the central coordinate of the rectangle having the highest correlation is set as the central coordinate of the next time (703).
次に、解析アプリケーション３０が上記図６のステップ７０１で処理する予測座標を中心とする近傍クラスタ矩形を求める手法を、図７Ａ〜図７Ｃを用いて詳細に説明する。 Next, a method for obtaining a neighborhood cluster rectangle centered on the predicted coordinates processed in step 701 of FIG. 6 by the analysis application 30 will be described in detail with reference to FIGS. 7A to 7C.
まず、図７Ａは、現在着目している時刻ｔにおいて１つのクラスタ矩形Ｃ８００にクラスタリングされた時空間データ４０の位置（（１）式におけるｘｄ（ｔ））の時空間データを８０１〜８０８とし、次時刻ｔ＋Δｔにおける該時空間データ４０の位置（（１）式におけるｘｄ（ｔ＋Δｔ））を各々８１１〜８１８とする。なお、時空間データ８０１の次時刻ｔ＋Δｔにおける位置は、図中時空間データ８１１で示し、時空間データ８０８の次時刻ｔ＋Δｔにおける位置は、図中時空間データ８１８で示す。 First, in FIG. 7A, the spatio-temporal data of the position (xd (t) in equation (1)) of the spatiotemporal data 40 clustered into one cluster rectangle C800 at the time t of interest is 801 to 808, The positions of the spatiotemporal data 40 at the next time t + Δt (xd (t + Δt) in equation (1)) are 811 to 818, respectively. The position of the spatiotemporal data 801 at the next time t + Δt is indicated by spatiotemporal data 811 in the figure, and the position of the spatiotemporal data 808 at the next time t + Δt is indicated by spatiotemporal data 818 in the figure.
この時、該時空間データ４０の速度（（１）式におけるｖｄ）は図中各々８２１〜８２８になる。 At this time, the speed (vd in the equation (1)) of the spatiotemporal data 40 is 821 to 828 in the figure.
次に、解析アプリケーション３０は図７Ｂで示すように、時空間データ８０１〜８０８から次時刻（または次の周期）ｔ＋Δｔの時空間データ８１１〜８１８の速度８２１〜８２８の平均値（平均速度）を次式により求める。 Next, as shown in FIG. 7B, the analysis application 30 calculates the average value (average speed) of the speeds 821 to 828 of the spatiotemporal data 811 to 818 of the next time (or next period) t + Δt from the spatiotemporal data 801 to 808. Obtained by the following equation.
次に、元のクラスタ矩形８００の中心を、平均速度分だけ移動させた位置を時刻ｔ＋Δｔの予測座標とし、図７Ｃで示すように、該座標を中心とするクラスタ矩形８３０を求める。また、解析アプリケーション３０は平均速度の方向で近傍のクラスタ矩形（８３１、８３２）も近傍のクラスタ矩形として求める。なお、近傍の範囲と候補とするクラスタ矩形の数は、予め設定しておく。 Next, a position obtained by moving the center of the original cluster rectangle 800 by the average speed is set as a predicted coordinate at time t + Δt, and as shown in FIG. 7C, a cluster rectangle 830 centered on the coordinate is obtained. Further, the analysis application 30 also obtains a cluster rectangle (831, 832) adjacent in the direction of average speed as a cluster rectangle nearby. The neighborhood range and the number of candidate cluster rectangles are set in advance.
次に、元のクラスタＣとの相関を求める処理（図６のステップ７０２）に関して、図８Ａ〜図８Ｃと図９及び（２）式を用いて詳細に説明する。 Next, processing for obtaining a correlation with the original cluster C (step 702 in FIG. 6) will be described in detail with reference to FIGS. 8A to 8C and FIGS. 9 and (2).
時空間データ４０は図７Ａ〜図７Ｃの例と同等とし、元のクラスタ矩形を図８Ａの９００とし、近傍のクラスタ矩形を９０１とする。まず、図８Ｂで示すように、近傍のクラスタ矩形９０１に含まれない次時刻の時空間データ９１１と対応する元の時刻の時空間データ９１２を相関計算の対象から除く。次に、図８Ｃで示すように、クラスタ矩形９００と近傍のクラスタ矩形９０１を重ねたクラスタ矩形９２０を求め、対応する時空間データ間の距離９２２〜９２８を求める。次に、解析アプリケーション３０は次の（２）式に示した式を用いて相関Ｒを求める。 The spatio-temporal data 40 is equivalent to the example of FIGS. 7A to 7C, and the original cluster rectangle is 900 in FIG. 8A and the nearby cluster rectangle is 901. First, as shown in FIG. 8B, the spatiotemporal data 912 of the original time corresponding to the spatiotemporal data 911 of the next time not included in the neighboring cluster rectangle 901 is excluded from the correlation calculation targets. Next, as shown in FIG. 8C, a cluster rectangle 920 obtained by overlapping the cluster rectangle 900 and the neighboring cluster rectangle 901 is obtained, and distances 922 to 928 between the corresponding spatiotemporal data are obtained. Next, the analysis application 30 obtains the correlation R using the following equation (2).
ここで、（２）式中でＣは元のクラスタ矩形９００を示し、Ｃ’は近傍のクラスタ矩形９０１を示し、Ｎｃ∧ｃ’は対象となる時空間データ４０の数で、図８Ａ〜図８Ｃの例では７である。また、（２）式中でＤmaxは矩形の大きさを代表する値で、例えば図９で示すようにクラスタ矩形の対角線長１００４とする。また、上記（２）式中でｄ（ｘi、ｘ’i）は、図８Ａ〜図８Ｃで示した時空間データ間の距離９２２〜９２８である。 Here, in equation (2), C represents the original cluster rectangle 900, C ′ represents the nearby cluster rectangle 901, Nc∧c ′ is the number of the spatio-temporal data 40 of interest, and FIG. In the example of 8C, it is 7. In the equation (2), D max is a value representative of the size of the rectangle, for example, a diagonal length 1004 of the cluster rectangle as shown in FIG. In the above equation (2), d (x i , x ′ i ) is the distance 922 to 928 between the spatiotemporal data shown in FIGS. 8A to 8C.
次に、図６のステップ７０３に示した代表軌跡座標の決定処理に関して、上記図７Ｃと図１０を用いて説明する。７０２において、元クラスタＣとの相関が、図７Ａ〜図７Ｃのクラスタ矩形８３０〜８３２に関して計算され、例えば図７Ｃの次時刻ｔ＋Δｔにおけるクラスタ矩形８３０が最も相関が大きかった場合、図１０においてクラスタ８３０の中心１１０３が次時刻ｔ＋Δｔにおける代表軌跡座標となる。従って、時刻ｔにおいて元のクラスタ矩形８００の中心１１０２から、時刻ｔ＋Δｔにおいて該中心１１０３を通る軌跡１１０４が求められる。 Next, the representative trajectory coordinate determination process shown in step 703 of FIG. 6 will be described with reference to FIG. 7C and FIG. At 702, a correlation with the original cluster C is calculated for the cluster rectangles 830-832 of FIGS. 7A-7C, for example, the cluster rectangle 830 at the next time t + Δt of FIG. Is the representative trajectory coordinate at the next time t + Δt. Accordingly, a trajectory 1104 passing through the center 1103 at time t + Δt is obtained from the center 1102 of the original cluster rectangle 800 at time t.
次に、図２のステップ２０８に示した軌跡の集中・発散検出処理に関して、図１１のフローチャート（ＰＡＤ図）を用いて説明する。解析アプリケーション３０は、まず、ステップ１２０１で、当該時刻ｔにおいて注目しているクラスタＣに含まれる全ての時空間データ４０の座標の分散より、次時刻ｔ＋Δｔにおける同じ時空間データ４０の座標の分散が大きいか否かを判定し、大きい場合には比較する時刻を次時刻ｔ＋Δｔとする（１２０２）。 Next, the locus concentration / divergence detection process shown in step 208 of FIG. 2 will be described using the flowchart (PAD diagram) of FIG. First, in step 1201, the analysis application 30 determines that the variance of the coordinates of the same spatiotemporal data 40 at the next time t + Δt is larger than the variance of the coordinates of all the spatiotemporal data 40 included in the cluster C of interest at the time t. It is determined whether or not the time is larger. If the time is larger, the time to be compared is set to the next time t + Δt (1202).
一方、ステップ１２０３では、当該時刻ｔにおいて注目しているクラスタＣに含まれる全ての時空間データ４０の座標の分散より、前時刻（ｔ−Δｔ）の同じ時空間データ４０の座標の分散が大きいか否かを判定し、大きい場合にはステップ１２０４で比較する時刻を前時刻とする。クラスタＣの矩形を速度ベクトルＶ±σの範囲で拡大したクラスタ矩形を比較する時刻のクラスタ矩形とし（１２０５）、元のクラスタＣとの相関を計算する（１２０６）。最後に、最も相関が高かったクラスタ矩形を代表軌跡の範囲とする（１２０７）。ここで、時刻Ｔ （＝ｔ ｏｒ ｔ＋Δｔ ｏｒ ｔ−Δｔ）における分散σ2を求める式を以下の（３）式に示す。各記号の意味は（１）式と同様である。 On the other hand, in step 1203, the variance of the coordinates of the same spatiotemporal data 40 at the previous time (t−Δt) is larger than the variance of the coordinates of all the spatiotemporal data 40 included in the cluster C of interest at the time t. If it is larger, the time to be compared in step 1204 is set as the previous time. The cluster rectangle obtained by comparing the rectangle of cluster C in the range of velocity vector V ± σ is set as the cluster rectangle at the time of comparison (1205), and the correlation with the original cluster C is calculated (1206). Finally, the cluster rectangle having the highest correlation is set as the range of the representative trajectory (1207). Here, the equation for obtaining the variance σ 2 at time T (= t or t + Δt or t−Δt) is shown in the following equation (3). The meaning of each symbol is the same as in equation (1).
次に、現クラスタＣから拡大矩形を求める処理（１２０５）を、図１２Ａ、図１２Ｂ、を用いて詳細に説明する。図１２Ａにおいて当該時刻ｔにおいて１つのクラスタＣ１４００にクラスタリングされた時空間データの位置を１４０１〜１４０８とし、比較する時刻における該時空間データの位置を各々１４１１〜１４１８とする。これらの座標から、上記（１）式の式を用いて速度ベクトルＶを求め、上記（３）式を用いて分散σを求める。求めるクラスタ矩形は、クラスタＣ１４００のサイズよりＶ−σからＶ＋σ大きいクラスタ矩形１４２１〜１４２３である。なお、候補となるクラスタ矩形の数は、予め与えておく。図１２Ｂの例では候補となるクラスタ矩形を３つの矩形を求めていて、各々のクラスタ矩形の幅は、クラスタＣ１４００の幅をＷとするとそれぞれＷ＋Ｖ−σ（１４２１の場合）、Ｗ＋Ｖ（１４２２の場合）、Ｗ＋Ｖ＋σ（１４２３の場合）である。 Next, the process (1205) for obtaining an enlarged rectangle from the current cluster C will be described in detail with reference to FIGS. 12A and 12B. In FIG. 12A, the positions of the spatiotemporal data clustered into one cluster C1400 at time t are 1401 to 1408, and the positions of the spatiotemporal data at the time of comparison are respectively 1411 to 1418. From these coordinates, the velocity vector V is obtained using the equation (1), and the variance σ is obtained using the equation (3). The cluster rectangles to be obtained are cluster rectangles 1421 to 1423 that are larger than V−σ by V + σ than the size of the cluster C1400. Note that the number of candidate cluster rectangles is given in advance. In the example of FIG. 12B, three candidate cluster rectangles are obtained, and the width of each cluster rectangle is W + V−σ (in the case of 1421) and W + V (in the case of 1422), where the width of the cluster C1400 is W. ), W + V + σ (in the case of 1423).
次に、相関計算の手法（１２０６）を、図１３Ａ〜図１３Ｄと（２）式を用いて詳細に説明する。図１３Ａにおいて時空間データは図１２Ａの例と同等とし、クラスタ矩形を１５００、近傍の拡大矩形を１５１０とする。まず、近傍クラスタ矩形（＝拡大矩形）１５１０に含まれない次時刻の時空間データ４０（１５１１、１５１２、１５１７）と対応する元の時刻の時空間データ４０（１５０１、１５０２、１５０７）を相関計算対象から除く。次に、図１３Ｂで示すように拡大矩形１５１０と該矩形に含まれる時空間データ４０の座標をクラスタ１５００と同じ大きさまで縮小したクラスタ矩形１５２０とし、図１３Ｃで示すように縮小したクラスタ矩形１５２０をクラスタ矩形１５００と重ねてクラスタ矩形１５３０とする。 Next, the correlation calculation method (1206) will be described in detail with reference to FIGS. 13A to 13D and equation (2). In FIG. 13A, the spatio-temporal data is the same as in the example of FIG. 12A, and the cluster rectangle is 1500, and the nearby enlarged rectangle is 1510. First, correlation calculation is performed on the spatiotemporal data 40 (1501, 1502, 1507) of the original time corresponding to the spatiotemporal data 40 (1511, 1512, 1517) of the next time not included in the neighboring cluster rectangle (= enlarged rectangle) 1510. Remove from the subject. Next, as shown in FIG. 13B, the enlarged rectangle 1510 and the coordinates of the spatio-temporal data 40 included in the rectangle are made the cluster rectangle 1520 reduced to the same size as the cluster 1500, and the reduced cluster rectangle 1520 as shown in FIG. A cluster rectangle 1530 is formed by overlapping the cluster rectangle 1500.
そして、縮小したクラスタ矩形１５２０と元のクラスタ矩形１５００に対応する時空間データ間の距離（１５２３、１５２５、１５２６、１５２８）を求める。次に、上記（２）式を用いて相関Ｒを求める。ここで、クラスタＣ１５００の時空間データ４０の数は、図１３Ａ〜図１３Ｄの例では５である。上記図１１のステップ１２０６の相関計算によって最も相関Ｒが高かったクラスタ矩形が１５１０である場合、図１３Ｄで示すように該矩形１５１０に含まれる時空間データ４０の各々の時刻における座標を囲む図形１５４０、１５４１が求める軌跡円になる。すなわち、軌跡円は、相関Ｒの高い時空間データが存在する領域を示す閉空間（図形）で構成される。 Then, distances (1523, 1525, 1526, 1528) between the spatiotemporal data corresponding to the reduced cluster rectangle 1520 and the original cluster rectangle 1500 are obtained. Next, the correlation R is obtained using the above equation (2). Here, the number of spatio-temporal data 40 of the cluster C1500 is 5 in the examples of FIGS. 13A to 13D. When the cluster rectangle having the highest correlation R by the correlation calculation in step 1206 of FIG. 11 is 1510, as shown in FIG. 13D, a figure 1540 surrounding the coordinates at each time of the spatiotemporal data 40 included in the rectangle 1510. , 1541 is the trajectory circle to be obtained. That is, the trajectory circle is formed of a closed space (graphic) indicating an area where spatiotemporal data having a high correlation R exists.
ここで、規格化速度ベクトル平均値の絶対値｜ｕ｜の値も予め定めた値より大きい場合は、上記ステップ１２０５の拡大矩形を求める処理で、図１２Ｂに示した矩形１４２１〜１４２３の中心を７０１で求めた予測座標とする。 Here, if the absolute value | u | of the normalized velocity vector average value is also larger than a predetermined value, the center of the rectangles 1421 to 1423 shown in FIG. The predicted coordinates obtained in 701 are used.
次に、上記の処理により出力装置６へ出力される時空間データの表示例を図１４Ａ〜図１４Ｅと図１５を用いて説明する。まず、入力された時空間データ４０の例を図１４Ａ〜図１４Ｅに示す。図１４Ａ〜図１４Ｅにおいて、１６００〜１６０４は、ＧＰＳ機能付携帯端末等、所定の時刻（または時間間隔）毎にユーザの位置情報が入力された場合の時系列順に時空間データ４０の移動状況を表している。例えば時刻ｔ＝｛０、１、２、３、４、５、６、７、８、９｝の中で、図１４Ａの移動状況１６００は｛０、１｝、図１４Ｂの移動状況１６０１は｛２、３｝、図１４Ｃの移動状況１６０２は｛４、５｝、図１４Ｄの移動状況１６０３は｛６、７｝、図１４Ｅの移動状況１６０４は｛８、９｝の時空間データ４０の動きを表す。また、例えば図１４Ｂの１６０１において、破線１６１０〜１６１９が各々の時空間データ４０の軌跡であり、また実線矢印で記載されている部分が移動状況１６０１に対応する時間｛２、３｝における時空間データ４０の位置であり、矢印の始点が時刻２における時空間データ４０の位置であり、終点が時刻３における時空間データ４０の位置である。 Next, display examples of the spatiotemporal data output to the output device 6 by the above processing will be described with reference to FIGS. 14A to 14E and FIG. First, examples of the input spatiotemporal data 40 are shown in FIGS. 14A to 14E. 14A to 14E, reference numerals 1600 to 1604 indicate the movement status of the spatio-temporal data 40 in time series when a user's position information is input at every predetermined time (or time interval) such as a portable terminal with a GPS function. Represents. For example, at time t = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}, the movement situation 1600 in FIG. 14A is {0, 1}, and the movement situation 1601 in FIG. 14B is { 2, 3}, movement state 1602 in FIG. 14C is {4, 5}, movement state 1603 in FIG. 14D is {6, 7}, and movement state 1604 in FIG. 14E is movement of space-time data 40 of {8, 9}. Represents. Further, for example, in 1601 of FIG. 14B, broken lines 1610 to 1619 are the trajectories of the spatiotemporal data 40, and the portion described by the solid line arrow is the spatiotemporal at the time {2, 3} corresponding to the movement situation 1601. The position of the data 40, the start point of the arrow is the position of the spatiotemporal data 40 at time 2, and the end point is the position of the spatiotemporal data 40 at time 3.
図１４Ａ〜図１４Ｅの例では、移動状況１６００から移動状況１６０２にかけて時空間データ１６１０、１６１１、１６１５、１６１６、１６１８、１６１９が中心へ集中し（集中１）、移動状況１６００から移動状況１６０３にかけて時空間データ１６１５、１６１６が左から右上へ移動し（軌跡１）、移動状況１６０２から移動状況１６０４にかけて時空間データ１６１２、１６１３、１６１４が左上から右下へ移動している（軌跡２）。図１４Ａ〜図１４Ｅのような入力時空間データ４０から、本発明によると、出力装置６には図１５Ａ〜図１５Ｅに示す表示が出力される。 In the example of FIGS. 14A to 14E, the spatio-temporal data 1610, 1611, 1615, 1616, 1618, and 1619 are concentrated in the center (concentration 1) from the movement situation 1600 to the movement situation 1602, and the time from the movement situation 1600 to the movement situation 1603. The space data 1615 and 1616 move from the left to the upper right (trajectory 1), and the spatio-temporal data 1612, 1613 and 1614 move from the upper left to the lower right (trajectory 2) from the movement situation 1602 to the movement situation 1604. From the input spatio-temporal data 40 as shown in FIGS. 14A to 14E, the display shown in FIGS. 15A to 15E is output to the output device 6 according to the present invention.
まず、時空間データの特定の位置への集中（集中１）に対応して図１５Ａ〜図１５Ｃに示す１０１〜１０３の動軌跡円が出力装置６に表示される。また、図１５Ａでは軌跡１に対応して軌跡１１０が求められ、図１５Ａ〜図１５Ｄで示すように時系列で１１１〜１１４の動軌跡が表示される。更に、図１５Ａでは軌跡２に対応して軌跡１２０が求められ、また、図１５Ｃ〜図１５Ｅで示すような時系列で１２１〜１２３の動軌跡が表示される。 First, the movement trajectory circles 101 to 103 shown in FIGS. 15A to 15C are displayed on the output device 6 in correspondence with the concentration (concentration 1) of the spatiotemporal data at a specific position. In FIG. 15A, the trajectory 110 is obtained corresponding to the trajectory 1, and the moving trajectories 111 to 114 are displayed in time series as shown in FIGS. 15A to 15D. Further, in FIG. 15A, a trajectory 120 is obtained corresponding to the trajectory 2, and 121 to 123 moving trajectories are displayed in time series as shown in FIG. 15C to FIG. 15E.
なお、ここで、動軌跡円とは、時刻毎に求められる軌跡円を連続して動画像として表示した大きさと形が変化する軌跡円を表し、動軌跡は、時刻毎に求められる軌跡を連続して動画像として表示した位置が変化する軌跡を表す。 Here, the moving trajectory circle represents a trajectory circle whose size and shape change as a moving image continuously displayed as a moving image, and the moving trajectory is a continuous trajectory determined at each time. Thus, it represents a trajectory in which the position displayed as a moving image changes.
軌跡の集中・発散のクラスタリング機能が無く、軌跡を、方向を持ったベクトルと考え、ベクトルの座標並びに方向の類似性から軌跡のクラスタリングを行う従来技術の場合、図１４Ａ〜図１４Ｅに示した入力に対し、図１６の１７０１、１７０２のような軌跡が求められる。 In the case of the prior art in which there is no clustering function of locus concentration / divergence and the locus is considered to be a vector having a direction and the locus is clustered from the similarity of the coordinates of the vector and the direction, the inputs shown in FIGS. 14A to 14E On the other hand, trajectories like 1701 and 1702 in FIG. 16 are obtained.
図１６の従来例においては、まず、図１４Ｂに示す軌跡１６１２〜１６１４は、いずれも右上から右下に向かう類似した形状であるため、図１６の軌跡１７０１が得られる。次に、図１４Ｂに示す軌跡１６１５〜１６１７は、始点が左から左下、終点が右上と右に分散しているが、中心部分は左下から右上へ向かう類似した形状であるため、図１６の短い軌跡１７０２が得られる。従来技術の場合、図１５Ａ〜図１５Ｃの動軌跡円１０１〜１０３に相当する動軌跡円が得られないだけでなく、移動時刻が軌跡１６１５、１６１６とは異なる軌跡１６１７の影響で、本来軌跡１６１５、１６１６から得られる軌跡１１１〜１１４が図１６の軌跡１７０２で示すように。 In the conventional example of FIG. 16, first, the trajectories 1612 to 1614 shown in FIG. 14B are similar in shape from the upper right to the lower right, and thus the trajectory 1701 of FIG. 16 is obtained. Next, in the trajectories 1615 to 1617 shown in FIG. 14B, the start point is distributed from the left to the lower left and the end points are distributed from the upper right and the right. A trajectory 1702 is obtained. In the case of the prior art, not only the movement locus circles corresponding to the movement locus circles 101 to 103 in FIGS. 15A to 15C are obtained, but the movement time is different from the movements 1615 and 1616, and the original movement 1615 is caused by the influence of the movement 1617. , As shown by the locus 1702 in FIG.
以上のように、本願発明によれば、時刻情報と空間情報を含む大量の時空間データから座標の移動に関する類似パターンのクラスタリングを行い、時空間データの集中または発散、及び時間毎の移動を表す軌跡を出力装置６へ映像にて表示することが可能となる。 As described above, according to the present invention, clustering of similar patterns relating to movement of coordinates is performed from a large amount of spatio-temporal data including time information and spatial information to express concentration or divergence of spatio-temporal data and movement over time. The trajectory can be displayed as an image on the output device 6.
＜第２実施形態＞
所持者（ユーザ）の時刻毎の入出場駅情報が得られるアプライアンス（鉄道用電子マネーを利用可能なＩＣカードなど）を用いた場合における本発明の第２実施形態を以下に示す。第２の実施形態は、前記第１実施形態の時空間データ４０を鉄道用電子マネーを利用可能なＩＣカードの利用履歴とした場合を示し、その他の構成は前記第１実施形態と同様である。
Second Embodiment
A second embodiment of the present invention in the case of using an appliance (such as an IC card that can use railroad electronic money) that can obtain entry / exit station information for each time of the owner (user) will be described below. The second embodiment shows a case where the spatiotemporal data 40 of the first embodiment is an IC card use history that can use railway electronic money, and other configurations are the same as those of the first embodiment. .
まず、解析アプリケーション３０へ入力される時空間データを図１７に示す。図１７の時空間データ４０は時刻１８０１、駅ＩＤ１８０２、ユーザＩＤ１８０３から構成される。例えば、ユーザａは８：００に駅Ｋに入場し（図中の時空間データ１８１１）、８：２０に駅Ｊから出場した（図中の時空間データ１８１２）ことを、またユーザｂは８：０５に駅Ｋに入場し（図中の時空間データ１８２１）、８：４５に駅Ｔから出場した（図中の時空間データ１８２２）ことを表す。また、本実施形態の駅の路線図の一例を図１８に示す。 First, the spatio-temporal data input to the analysis application 30 is shown in FIG. 17 includes a time 1801, a station ID 1802, and a user ID 1803. For example, the user a enters the station K at 8:00 (time and space data 1811 in the figure), enters the station J at 8:20 (time and space data 1812 in the figure), and the user b has 8 : Entering station K at 05 (time-space data 1821 in the figure), and entering from station T at 8:45 (time-time data 1822 in the figure). Moreover, an example of the route map of the station of this embodiment is shown in FIG.
次に、前記第１実施形態の図２に示した処理によって主要軌跡並びに集中または発散を表す動軌跡円を求める様子を、図１９Ａ〜図２１Ｈを用いて説明する。なお、主要軌跡は、複数の時空間データの全体の位置情報の軌跡を示し、動軌跡円は複数の時空間データの全体の位置情報の範囲を示す図形として表現される。 Next, how the main trajectory and the dynamic trajectory circle representing concentration or divergence are obtained by the processing shown in FIG. 2 of the first embodiment will be described with reference to FIGS. 19A to 21H. The main trajectory indicates the trajectory of the entire position information of the plurality of spatiotemporal data, and the moving trajectory circle is expressed as a graphic indicating the range of the entire position information of the plurality of spatiotemporal data.
図１９Ａ〜図１９Ｊは前記第１実施形態の図２のステップ２０１に示した時空間データの補完処理が完了した後の各ユーザの位置を表す。例えばユーザａは図１９Ａの時空間データ２０１１にてＫ駅から入場し、図１９Ｅの時空間データ２０１５にてＪ駅で出場しており、図１９Ｂ〜図１９Ｄの時空間データ２０１２〜２０１４が補完した時空間データになる。次に、近接する時空間データを前記第１実施形態の図２に示したステップ２０２の処理でクラスタリングすると、図１９Ｂ〜図１９Ｉに示すクラスタ２０２２〜２０２９が求められる。これらのクラスタ２０２２〜２０２９から前記第１実施形態の図２に示したステップ２０６の移動検出を行うと、図１９Ｃ図１９Ｉに示す軌跡２０３３〜２０３９が求められる。また、図１９Ｅのクラスタ２０２５に関しては、前記第１実施形態の図２に示したステップ２０８の集中・発散検出処理で、図２０Ａ〜図２０Ｄに示すように時刻を遡って動軌道円２１０５〜２１０２が得られる。以上から、図２１Ａ〜図２１Ｈに示す軌跡２２０１〜２２０８と動軌跡円２２１１〜２２１４が得られる。 19A to 19J show the positions of the respective users after the spatiotemporal data complementing process shown in step 201 of FIG. 2 of the first embodiment is completed. For example, the user a enters from the K station in the spatio-temporal data 2011 of FIG. 19A, and enters the J station in the spatio-temporal data 2015 of FIG. 19E, and the spatio-temporal data 2012 to 2014 of FIGS. 19B to 19D are complemented. Spatiotemporal data. Next, when the adjacent spatio-temporal data is clustered by the process of step 202 shown in FIG. 2 of the first embodiment, clusters 2022 to 2029 shown in FIGS. 19B to 19I are obtained. When the movement detection in step 206 shown in FIG. 2 of the first embodiment is performed from these clusters 2022 to 2029, trajectories 2033 to 2039 shown in FIG. 19C and FIG. 19I are obtained. Further, with regard to the cluster 2025 in FIG. 19E, the moving orbit circles 2105 to 2102 go back in time as shown in FIGS. 20A to 20D in the concentration / divergence detection processing in step 208 shown in FIG. 2 of the first embodiment. Is obtained. From the above, the trajectories 2201 to 2208 and the moving trajectory circles 2211 to 2214 shown in FIGS. 21A to 21H are obtained.
軌跡の集中または発散のクラスタリング機能が無く、軌跡を、方向を持ったベクトルと考え、ベクトルの座標並びに方向の類似性から軌跡のクラスタリングを行う従来技術の場合、図１７に示した入力に対し、図２２Ａ、図２２Ｂの２３００に示すユーザ毎の軌跡が得られ、これらから軌跡２３０１〜２３０３が得られるが、本発明のように動軌跡円は得られない。また、図２２Ｂの軌跡２３０１はユーザｈ、ｇ、ｆの軌跡２３１１〜２３１３から求められているが、該ユーザは入出場時刻が異なるため、纏まって移動しているのではない。 In the case of the conventional technique in which there is no clustering function of locus concentration or divergence and the locus is considered as a vector having a direction and the locus is clustered from the similarity of the coordinates of the vector and the direction, the input shown in FIG. A trajectory for each user indicated by 2300 in FIGS. 22A and 22B is obtained, and trajectories 2301 to 2303 are obtained from these, but a moving trajectory circle is not obtained as in the present invention. The trajectory 2301 in FIG. 22B is obtained from the trajectories 2311 to 2313 of the users h, g, and f. However, the users are not moving together because their entry / exit times are different.
このように、本発明によれば、様々な駅から特定の駅への集中と、逆方向へ発散する軌跡のクラスタリングを実現することができる。 As described above, according to the present invention, it is possible to realize concentration from various stations to a specific station and clustering of trajectories that diverge in the opposite direction.
＜第３実施形態＞
前記第１実施形態若しくは第２実施形態で求められる動軌跡円若しくは軌跡（以下これらを纏めて主要軌跡と記す）の生成の元になったクラスタに含まれる時空間データ４０を用いた応用例を以下に示す。以下では該時空間データ４０を「主要軌跡に属する時空間データ」と記す。なお、本第３実施形態の構成は、前記第１実施形態と同様である。
<Third Embodiment>
Application example using spatio-temporal data 40 included in a cluster from which a moving trajectory circle or trajectory (hereinafter collectively referred to as a main trajectory) obtained in the first embodiment or the second embodiment is generated It is shown below. Hereinafter, the spatiotemporal data 40 is referred to as “spatiotemporal data belonging to the main trajectory”. The configuration of the third embodiment is the same as that of the first embodiment.
まず、該時空間データの例を、図１４Ａ〜Ｅ、図１５Ａ〜Ｅ、図１９Ａ〜Ｊ、図２０Ａ〜Ｄ、図２１Ａ〜Ｈを用いて説明する。図１５Ａ〜Ｅにおける主要軌跡１０１〜１１３に属する時空間データは図１４Ｂの１６１０、１６１１、１６１５、１６１６、１６１８、１６１９であり、図１５Ａ〜Ｄの主要軌跡１１１〜１１４に属する時空間データは図１４Ｂの１６１５、１６１６であり、図１５Ｃ〜Ｅに示した主要軌跡１２１〜１２３に属する時空間データ４０は図１４Ｂの１６１２、１６１３、１６１４である。また、図２１Ａ〜図２１Ｈにおける主要軌跡２２１１〜２２１４に属する時空間データ４０は図２０Ａ〜図２０Ｄにおけるａ、ｂ、ｃ、ｄ、ｅ、ｆであり、図２１Ａ〜図２１Ｄに示す主要軌跡２２０１〜２２０４に属する時空間データは図１９Ａ〜Ｊおけるａ、ｂ、ｃ、ｆであり、図２１Ｅ〜Ｈに示す主要軌跡２２０５〜２２０８に属する時空間データ４０は図１９Ａ〜ｊにおけるｂ、ｃ、ｄである。 First, examples of the spatiotemporal data will be described with reference to FIGS. 14A to 14E, 15A to 15E, 19A to 19J, 20A to 20D, and 21A to 21H. The spatiotemporal data belonging to the main trajectories 101 to 113 in FIGS. 15A to 15E are 1610, 1611, 1615, 1616, 1618, and 1619 in FIG. 14B, and the spatiotemporal data belonging to the main trajectories 111 to 114 in FIGS. The spatiotemporal data 40 belonging to the main trajectories 121 to 123 shown in FIGS. 15C to 16E are 1612, 1613, and 1614 shown in FIG. 14B. The spatiotemporal data 40 belonging to the main trajectories 2211 to 2214 in FIGS. 21A to 21H are a, b, c, d, e, and f in FIGS. 20A to 20D, and the main trajectories 2201 shown in FIGS. 21A to 21D. The spatio-temporal data belonging to ˜2204 are a, b, c, f in FIGS. 19A to 19J, and the spatiotemporal data 40 belonging to the main trajectories 2205 to 2208 shown in FIGS. d.
次に、主要軌跡に属する時空間データの属性を用いた応用例を、図２１Ａ〜図２１Ｈ、２４を用いて説明する。まず、時刻毎の入出場駅情報が得られるアプライアンスの所持者に関する情報の例を図２３に示す。該情報は、ユーザＩＤ２３００、性別２３０１、年齢２３０２から構成されている。該情報と、図２１Ａ〜図２１Ｈにおける主要軌跡に属する時空間データ４０との相関を求めることにより、以下の内容が主要軌跡の属性として分析される。
（１）８：０５〜８：２０頃に駅Ｊへ集中する（２２１１〜２２１４）乗客（ａ、ｂ、ｃ、ｄ、ｅ、ｆ）は２０代〜６０代
（２）８：０５〜８：２０頃に西から駅Ｊへ移動する（２２０１〜２２０４）乗客（ａ、ｂ、ｃ、ｆ）は２０代〜３０代
（３）８：２５〜８：４０頃に駅Ｊから駅Ｔへ向かう（２２０５〜２２０８）乗客（ｂ、ｃ、ｄ）は男性が多い
以上のように本第３実施形態によれば、時空間データの集中と発散、及び時間毎の移動を時空間データの属性についてクラスタリングを実施することが可能となる。
Next, an application example using attributes of spatiotemporal data belonging to the main trajectory will be described with reference to FIGS. 21A to 21H and 24. First, FIG. 23 shows an example of information regarding the owner of the appliance from which entry / exit station information for each time is obtained. The information includes a user ID 2300, a gender 2301, and an age 2302. By obtaining the correlation between the information and the spatio-temporal data 40 belonging to the main locus in FIGS. 21A to 21H, the following contents are analyzed as attributes of the main locus.
(1) Concentrate at station J around 8: 05-8: 20 (2211-2214) Passengers (a, b, c, d, e, f) are in their 20s-60s (2) 8: 05-8 : Move from west to station J around 20 (2201-2204) Passengers (a, b, c, f) are in their 20s to 30s (3) 8: 25-8: 40 around from station J to station T Passing (2205 to 2208) Passengers (b, c, d) have many men As described above, according to the third embodiment, the concentration and divergence of spatio-temporal data and the movement of each time are attributed to spatio-temporal data. Clustering can be performed for.
＜第４実施形態＞
前記第１実施形態若しくは第２実施形態で求められた主要軌跡を用いた応用例を以下に示す。
<Fourth embodiment>
An application example using the main trajectory obtained in the first embodiment or the second embodiment will be described below.
ＧＰＳ機能付端末、または所持者の時刻毎の入出場駅情報が得られるアプライアンスを用いて、ある場所にユーザが存在することが分かった場合、該場所の近傍に予め求めた主要軌跡が存在するならば、該主要軌跡の終点（軌跡の場合）若しくは中心（集中の動軌跡円の場合）近傍の店舗の広告を配信することが考えられる。なお、この配信は終点または中心に存在する計算機またはＧＰＳ機能付端末に対して広告を配信すればよい。 When it is found that a user exists at a certain location using a GPS function terminal or an appliance that can obtain entry / exit station information for each owner's time, there is a main trajectory obtained in advance near the location. Then, it is conceivable to distribute an advertisement for a store near the end point (in the case of a trajectory) or the center (in the case of a concentrated dynamic trajectory circle) of the main trajectory. In this distribution, an advertisement may be distributed to a computer or a terminal with a GPS function existing at the end point or the center.
例えば、図１５Ａ〜Ｅにおいて、図１５Ｂの１１２の終点付近にユーザが存在することが分かった場合、主要軌跡１０１〜１０３の中の１０３の中心、及び主要軌跡１１１〜１１４の中の１１４の終点付近の店舗の広告を配信する。 For example, in FIGS. 15A to 15E, when it is found that the user exists near the end point 112 in FIG. 15B, the center of 103 in the main trajectories 101 to 103 and the end point of 114 in the main trajectories 111 to 114 Deliver local store advertisements.
また、更に、前記第３実施形態で求められた主要軌跡の属性を用いて配信する広告を選択することも考えられる。例えば、駅Ｋより乗車したユーザに対しては、主要軌跡２２１１〜２２１４若しくは２２０１〜２２０４に基づき、駅Ｊ周辺の広告と、主要軌跡２２０１〜２２０４並びに２２０５〜２２０８に基づき駅Ｔ周辺の広告を配信することが考えられるが、該ユーザが女性ならば、上記（３）より駅Ｔへ向かう可能性が低いので、駅Ｊ周辺の広告のみを配信する。 Furthermore, it is also conceivable to select an advertisement to be distributed using the attributes of the main trajectory obtained in the third embodiment. For example, advertisements around station J and advertisements around station T are distributed based on main trajectories 2211 to 2214 or 2201 to 2204 and based on main trajectories 2201 to 2204 and 2205 to 2208 for users who get on from station K. However, if the user is a woman, since there is a low possibility of going to the station T from (3) above, only advertisements around the station J are distributed.
＜第５実施形態＞
また、図１５Ａ〜Ｅ、図２１Ａ〜Ｈに示したような主要軌跡だけでなく、該主要軌跡から外れた（どの主要軌跡にも属さない）時空間データ４０の軌跡をハイライト表示することも考えられる。これにより、異常行動の把握が可能になる。
<Fifth Embodiment>
Further, not only the main trajectory as shown in FIGS. 15A to 15E and FIGS. 21A to H, but also the trajectory of the spatio-temporal data 40 deviating from the main trajectory (not belonging to any main trajectory) may be highlighted. Conceivable. This makes it possible to grasp abnormal behavior.
例えば、図１４Ａ〜図１４Ｅに示した軌跡が入力された場合、第１実施形態で述べたように、図１５Ａ〜Ｅにおける軌跡１０１〜１０３、１１０、１２０の主要軌跡が求められる。主要軌跡１０１〜１０３には図１４Ｂで示したような軌跡１６１０、１６１１、１６１５、１６１６、１６１８、１６１９、主要軌跡１１０には１６１５、１６１６、主要軌跡１２０には図１４Ｂで示したような１６１２、１６１３、１６１４が属するが、軌跡１６１７はいずれの主要軌跡にも属さないため、該軌跡をハイライト表示するようにしてもよい。 For example, when the trajectories shown in FIGS. 14A to 14E are input, the main trajectories of the trajectories 101 to 103, 110, and 120 in FIGS. 15A to 15E are obtained as described in the first embodiment. The main trajectories 101 to 103 include trajectories 1610, 1611, 1615, 1616, 1618 and 1619 as shown in FIG. 14B, the main trajectory 110 has 1615 and 1616, and the main trajectory 120 has 1612 as shown in FIG. Although 1613 and 1614 belong, since the locus 1617 does not belong to any main locus, the locus may be highlighted.
＜第６実施形態＞
また、前記第１実施形態で得られた主要軌跡から、鉄道のダイヤの改正や新規路線、駅の増築の検討を行うことも考えられる。例えば図２１Ａ〜図２１Ｈの場合、朝８：０５〜８：４０に駅Ｋから駅Ｔまでの主要軌跡２２０１〜２２０８が得られることから、該区間の該時間帯における電車の本数を増やすことや、該区間に別の路線を新設することを検討することが考えられる。また、駅Ｊへ集中する主要軌跡（２２１１〜２２０４）が得られることから、該駅の増築を検討することが考えられる。
<Sixth Embodiment>
It is also conceivable to examine the revision of railway schedules, new routes, and expansion of stations from the main trajectory obtained in the first embodiment. For example, in the case of FIG. 21A to FIG. 21H, since main trajectories 2201 to 2208 from station K to station T are obtained at 8:05 to 8:40 in the morning, the number of trains in the time zone of the section can be increased. Considering the establishment of another route in the section may be considered. Moreover, since the main locus | trajectory (2211-2204) concentrated on the station J is obtained, it is possible to consider extension of this station.
一方、従来技術では図２２Ａ、図２２Ｂに示す通り、時間帯が分からないためにダイヤの改正の検討は出来ないだけでなく、本来ダイヤ改正の必要が無い主要軌跡２３０１が求められている。更に、集中を表す代表軌跡は求められないため、駅の増築の検討は出来ない。 On the other hand, in the prior art, as shown in FIGS. 22A and 22B, since the time zone is not known, the revision of the diamond cannot be considered, and a main trajectory 2301 that originally does not need the diamond revision is required. Furthermore, since a representative trajectory representing concentration cannot be obtained, it is not possible to examine the extension of the station.
以上、各実施形態で述べたとおり、本発明によって、時刻情報と空間情報を伴う大量の時空間データからデータ全体の集中または発散、及び時間毎の移動の傾向を表す主要軌跡を求め、視覚的な表示を実現することができる。また、同じ傾向のデータの属性の傾向を求めることにより、主要軌跡の属性を求めることが出来る。更に、新たな位置情報が得られた場合、近傍の主要軌跡を求め、その中心（集中の場合）若しくは終点（移動の場合）近傍の広告を配信することが出来る。 As described above in each embodiment, the present invention obtains a main trajectory representing the concentration or divergence of the entire data and the movement tendency by time from a large amount of spatiotemporal data accompanied with time information and spatial information, and visually Display can be realized. Further, by determining the attribute tendency of data having the same tendency, the attribute of the main trajectory can be determined. Further, when new position information is obtained, a main trajectory in the vicinity can be obtained, and an advertisement in the vicinity of the center (in the case of concentration) or the end point (in the case of movement) can be distributed.
以上のように、本発明は時刻情報と空間情報を伴う大量のデータからデータ全体の集中または発散、及び時間毎の移動の傾向を表す主要軌跡を求めてデータ全体の傾向を解析する計算機及びプログラムに適用することができる。 As described above, the present invention provides a computer and a program for analyzing a tendency of the entire data by obtaining a main trajectory representing a tendency of concentration or divergence of the entire data and a movement for every hour from a large amount of data accompanied with time information and spatial information. Can be applied to.
１ 時空間データ解析装置１
２ ＣＰＵ
３ メモリ
４ ストレージ装置
５ 入力装置
６ 出力装置
３０ 解析アプリケーション
４０ 時空間データ
1 Spatio-temporal data analyzer 1
2 CPU
3 Memory 4 Storage device 5 Input device 6 Output device 30 Analysis application 40 Spatio-temporal data
Claims (13)
前記プロセッサは、前記データの識別子毎に、所定時間毎の位置情報を補間したデータを生成し、
前記プロセッサは、前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出し、
前記プロセッサは、前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置へ集中または第１の位置から発散する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置への集中または第１の位置からの発散として判定し、
前記プロセッサは、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示することを特徴とする時空間データ表示装置。 A processor, a storage device, and an output device, storing a plurality of data having a unique identifier and position information for each time, and detecting a change in the position information for each identifier to track the position information In the spatio-temporal data display device that outputs
The processor generates, for each identifier of the data, data obtained by interpolating position information every predetermined time,
The processor detects movement of the data from a change in position information for each time of the data and the interpolated data,
When detecting the movement of the data, the processor detects a tendency that movement of the plurality of identifiers is concentrated at the first position or diverges from the first position, and identifiers having the same tendency are detected from the detected tendency. Calculating a correlation, and determining a tendency of the plurality of identifiers from the correlation as a concentration at the first position or a divergence from the first position;
The spatio-temporal data display device, wherein the processor displays the determined tendency on the output device as main trajectories of the plurality of identifiers.
前記プロセッサは、前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置から第２の位置へ移動する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置から第２の位置へ移動する傾向を判定し、
前記プロセッサは、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示することを特徴とする時空間データ表示装置。 The spatio-temporal data display device according to claim 1,
When detecting the movement of the data, the processor detects a tendency of movement of the plurality of identifiers from a first position to a second position, and correlates identifiers of the same tendency from the detected tendency. Calculating a tendency of moving the plurality of identifiers from the first position to the second position from the correlation;
The spatio-temporal data display device, wherein the processor displays the determined tendency on the output device as main trajectories of the plurality of identifiers.
前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出する際に、前記プロセッサは、前記時刻情報毎に第１の位置近傍に存在する前記識別子をクラスタにまとめ、前記クラスタに所属する前記識別子のデータについて時刻情報毎に位置情報の変化を演算し、前記位置情報の変化の方向から第１の位置への集中または第１の位置からの発散あるいは第１の位置から第２の位置への移動の傾向を検出することを特徴とする時空間データ表示装置。 The spatio-temporal data display device according to claim 1 or 2,
When detecting the movement of the data from a change in position information for each time of the data and the interpolated data, the processor collects the identifiers present in the vicinity of the first position for each time information in a cluster, For the data of the identifier belonging to the cluster, a change in position information is calculated for each time information, and concentration from the first position or divergence from the first position or first position from the change direction of the position information A spatio-temporal data display device for detecting a tendency of movement from a position to a second position.
前記データは、
前記識別子に対応する属性情報を含み、
前記プロセッサは、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示する際に、前記同一の傾向にある前記識別子の属性との相関を演算し、前記相関に基づいて前記主要軌跡に対する属性の傾向を求めることを特徴とする時空間データ表示装置。 The spatio-temporal data display device according to claim 1 or 2,
The data is
Including attribute information corresponding to the identifier;
The processor calculates a correlation with an attribute of the identifier having the same tendency when the determined tendency is displayed on the output device as a main locus of the plurality of identifiers, and the main tendency is calculated based on the correlation. A spatio-temporal data display device characterized in that an attribute tendency with respect to a trajectory is obtained.
前記プロセッサは、前記判定した傾向が前記第１の位置への集中である場合には、前記第１の位置に存在する端末へ広告を配信し、前記判定した傾向が前記第１の位置または前記第２の位置への移動である場合には、前記第２の位置に存在する端末へ広告を配信することを特徴とする時空間データ表示装置。 The spatio-temporal data display device according to claim 2,
The processor distributes an advertisement to a terminal existing at the first position when the determined tendency is concentration at the first position, and the determined tendency is the first position or the A spatio-temporal data display device that delivers an advertisement to a terminal located at the second position when the movement is to the second position.
前記プロセッサは第１のクラスタと第１のクラスタから所定時間後の第２のクラスタを選択し、前記第１のクラスタに所属するデータのうち第２のクラスタに含まれないデータを除外し、前記データの除外を行った第１のクラスタと第２のクラスタを重ねて前記識別子が一致するデータ間の距離を求め、前記距離に基づいて前記相関を演算することを特徴とする時空間データ表示装置。 The spatio-temporal data display device according to claim 3,
The processor selects a first cluster and a second cluster after a predetermined time from the first cluster, excludes data belonging to the first cluster that is not included in the second cluster, and A spatio-temporal data display device characterized in that a first cluster and a second cluster from which data is excluded are overlapped to obtain a distance between data having the same identifier, and the correlation is calculated based on the distance .
前記計算機が、前記データの識別子毎に、所定時間毎の位置情報を補間したデータを生成するステップと、
前記計算機が、前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出するステップと、
前記計算機が、前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置へ集中または第１の位置から発散する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置への集中または第１の位置からの発散として判定するステップと、
前記計算機が、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示するステップと、
を含むことを特徴とする時空間データ解析方法。 A computer having a processor, a storage device, and an output device, obtains a plurality of data having a unique identifier and position information for each time, detects a change in the position information for each identifier, and detects the position information. In the spatio-temporal data analysis method that outputs the trajectory of
The computer generates, for each identifier of the data, data obtained by interpolating position information every predetermined time;
The computer detects movement of the data from a change in position information of the data and the interpolated data at each time;
When the computer detects the movement of the data, the computer detects a tendency that the movement of the plurality of identifiers is concentrated at the first position or diverges from the first position, and the identifier of the same tendency is detected from the detected tendency. Calculating a correlation and determining a trend of the plurality of identifiers from the correlation as a concentration at a first location or a divergence from the first location;
The computer displaying the determined tendency on the output device as main trajectories of the plurality of identifiers;
A spatio-temporal data analysis method comprising:
前記計算機は、前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置から第２の位置へ移動する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置から第２の位置へ移動する傾向を判定するステップをさらに含み、
前記計算機は、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示することを特徴とする時空間データ解析方法。 The spatiotemporal data analysis method according to claim 7,
When the computer detects the movement of the data, the calculator detects a tendency of the movement of the plurality of identifiers from the first position to the second position, and correlates the identifiers of the same tendency from the detected tendency. Further comprising calculating a trend of moving the plurality of identifiers from the first position to the second position from the correlation,
The spatio-temporal data analysis method, wherein the computer displays the determined tendency on the output device as main trajectories of the plurality of identifiers.
前記計算機が、前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出するステップは、
前記計算機が、前記時刻情報毎に第１の位置近傍に存在する前記識別子をクラスタにまとめ、前記クラスタに所属する前記識別子のデータについて時刻情報毎に位置情報の変化を演算し、前記位置情報の変化の方向から第１の位置への集中または第１の位置からの発散あるいは第１の位置から第２の位置への移動の傾向を検出することを特徴とする時空間データ解析方法。 The spatiotemporal data analysis method according to claim 7 or claim 8,
The step of detecting the movement of the data from a change in position information for each time of the data and the interpolated data, the computer,
The computer collects the identifiers present in the vicinity of the first position for each time information in a cluster, calculates a change in the position information for each time information with respect to the data of the identifier belonging to the cluster, A spatio-temporal data analysis method characterized by detecting a tendency of concentration from a change direction to a first position, divergence from the first position, or movement from the first position to the second position.
前記データは、
前記識別子に対応する属性情報を含み、
前記計算機が、前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示するステップは、
前記同一の傾向にある前記識別子の属性との相関を演算し、前記相関に基づいて前記主要軌跡に対する属性の傾向を求めることを特徴とする時空間データ解析方法。 The spatiotemporal data analysis method according to claim 7 or claim 8,
The data is
Including attribute information corresponding to the identifier;
The step of displaying the determined tendency on the output device as main trajectories of the plurality of identifiers by the computer,
A spatio-temporal data analysis method, comprising: calculating a correlation with an attribute of the identifier having the same tendency and obtaining a tendency of the attribute with respect to the main trajectory based on the correlation.
前記計算機は、前記判定した傾向が前記第１の位置への集中である場合には、前記第１の位置に存在する端末へ広告を配信し、前記判定した傾向が前記第１の位置または前記第２の位置への移動である場合には、前記第２の位置に存在する端末へ広告を配信することを特徴とする時空間データ解析方法。 The spatiotemporal data analysis method according to claim 7,
When the determined tendency is concentration at the first position, the computer distributes an advertisement to a terminal existing at the first position, and the determined tendency is the first position or the A spatio-temporal data analysis method characterized in that an advertisement is distributed to a terminal existing at the second position when the movement is to the second position.
前記計算機は、第１のクラスタと第１のクラスタから所定時間後の第２のクラスタを選択し、前記第１のクラスタに所属するデータのうち第２のクラスタに含まれないデータを除外し、前記データの除外を行った第１のクラスタと第２のクラスタを重ねて前記識別子が一致するデータ間の距離を求め、前記距離に基づいて前記相関を演算することを特徴とする時空間データ解析方法。 The spatiotemporal data analysis method according to claim 9,
The computer selects a first cluster and a second cluster after a predetermined time from the first cluster, and excludes data belonging to the first cluster that is not included in the second cluster, Spatio-temporal data analysis characterized in that a first cluster and a second cluster which have been excluded from the data are overlapped to obtain a distance between data having the same identifier, and the correlation is calculated based on the distance Method.
前記データの識別子毎に、所定時間毎の位置情報を補間したデータを生成する手順と、
前記データと前記補間したデータの時刻毎の位置情報の変化から前記データの移動を検出する手順と、
前記データの移動を検出したときには、前記複数の識別子の移動が第１の位置へ集中または第１の位置から発散する傾向を検出し、前記検出した傾向から同一の傾向の識別子の相関を演算し、前記相関から前記複数の識別子の傾向を第１の位置への集中または第１の位置からの発散として判定する手順と、
前記判定した傾向を前記複数の識別子の主要軌跡として前記出力装置に表示する手順と、
を前記プロセッサに実行させることを特徴とするプログラム。 A computer having a processor, a storage device, and an output device, obtains a plurality of data having a unique identifier and position information for each time, detects a change in the position information for each identifier, and detects the position information. In the program that outputs the locus of
A procedure for generating data obtained by interpolating position information for each predetermined time for each identifier of the data;
A procedure for detecting movement of the data from a change in position information for each time of the data and the interpolated data;
When the movement of the data is detected, the tendency of movement of the plurality of identifiers to concentrate at the first position or diverge from the first position is detected, and the correlation of identifiers having the same tendency is calculated from the detected tendency. Determining a tendency of the plurality of identifiers from the correlation as a concentration at a first position or a divergence from the first position;
Displaying the determined tendency on the output device as a main trajectory of the plurality of identifiers;
That causes the processor to execute the program.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009152897A JP5366138B2 (en) | 2009-06-26 | 2009-06-26 | Spatiotemporal data display device, spatiotemporal data analysis method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009152897A JP5366138B2 (en) | 2009-06-26 | 2009-06-26 | Spatiotemporal data display device, spatiotemporal data analysis method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2011008635A JP2011008635A (en) | 2011-01-13 |
| JP5366138B2 true JP5366138B2 (en) | 2013-12-11 |
Family
ID=43565186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009152897A Expired - Fee Related JP5366138B2 (en) | 2009-06-26 | 2009-06-26 | Spatiotemporal data display device, spatiotemporal data analysis method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5366138B2 (en) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5917173B2 (en) * | 2012-01-31 | 2016-05-11 | 株式会社ゼンリンデータコム | Information processing system and information processing method |
| JP6230306B2 (en) * | 2013-07-09 | 2017-11-15 | 株式会社ゼンリンデータコム | Information processing apparatus, information processing method, and program for specifying congestion degree pattern and predicting congestion degree |
| CN104462326A (en) * | 2014-12-02 | 2015-03-25 | 百度在线网络技术（北京）有限公司 | Person relation analyzing method as well as method and device for providing person information |
| CN107911469B (en) * | 2017-11-29 | 2019-10-18 | Oppo广东移动通信有限公司 | Card configuration method, device and server |
| KR102113969B1 (en) * | 2019-10-28 | 2020-06-02 | 이화여자대학교 산학협력단 | Method of improving classification accuracy of sns image data for tourism using space information deep learning, recording medium and device for performing the method |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140362A (en) * | 2000-10-31 | 2002-05-17 | Toshiba Corp | System and method for providing information to moving body |
| JP2004171408A (en) * | 2002-11-21 | 2004-06-17 | Tamano Consultants Co Ltd | Outdoor activity information using method and outdoor activity information using system |
-
2009
- 2009-06-26 JP JP2009152897A patent/JP5366138B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2011008635A (en) | 2011-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Welch et al. | Big data in public transportation: a review of sources and methods | |
| Shambour et al. | Progress of IoT research technologies and applications serving Hajj and Umrah | |
| CN107391603B (en) | User portrait establishing method and device for mobile terminal | |
| Marra et al. | Developing a passive GPS tracking system to study long-term travel behavior | |
| JP5986641B2 (en) | Traffic analysis system | |
| Kieu et al. | A modified density-based scanning algorithm with noise for spatial travel pattern analysis from smart card AFC data | |
| US20180202827A1 (en) | Transportation system reconstruction | |
| JP5366138B2 (en) | Spatiotemporal data display device, spatiotemporal data analysis method and program | |
| Hoseinzadeh et al. | Integrating safety and mobility for pathfinding using big data generated by connected vehicles | |
| Kim et al. | Applications of transit smart cards beyond a fare collection tool: a literature review | |
| JP2019174876A (en) | Human flow prediction apparatus | |
| Qi et al. | How long a passenger waits for a vacant taxi--large-scale taxi trace mining for smart cities | |
| Foth et al. | Determinants of mode share over time: how changing transport system affects transit use in Toronto, Ontario, Canada | |
| Hwang et al. | Detecting stop episodes from GPS trajectories with gaps | |
| WO2016067369A1 (en) | People-flow analysis system and people-flow analysis method | |
| WO2016170767A1 (en) | Crowd guiding device, crowd guiding system, crowd guiding method, and storage medium | |
| Ansar et al. | Investigating the trip configured causal effect of distracted driving on aggressive driving behavior for e-hailing taxi drivers | |
| Coenen et al. | Synchronized wayfinding on multiple consecutively situated public displays | |
| Chen et al. | The impact of rainfall on the temporal and spatial distribution of taxi passengers | |
| Leung et al. | Why passengers’ geo-demographic characteristics matter to airport marketing | |
| Kassim et al. | The Design of Augmented Reality Using Unity 3D Image Marker Detection for Smart Bus Transportation. | |
| Dimitriou et al. | Dynamic estimation of optimal dispatching locations for taxi services in mega-cities based on detailed GPS information | |
| Shelat et al. | Evaluating the impact of waiting time reliability on route choice using smart card data | |
| Gao et al. | Distinguishing different types of city tourists through clustering and recursive logit models applied to Wi-Fi data | |
| Dou et al. | A heuristic line piloting method to disclose malicious taxicab driver’s privacy over GPS big data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120224 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120309 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130527 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130604 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130725 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130813 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130904 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5366138 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |