JP5422539B2 - 行動予測方法、装置及びプログラム - Google Patents

Description

本発明は、対象の行動予測に関する。

ＧＰＳなどに代表される位置情報センサは、小型化、低価格化が進んでおり、様々な機器に搭載されつつある。例えば、携帯電話機の位置情報をＧＰＳで検出し、現在地に応じた情報（例えば、近隣の施設情報など）をユーザに提供する通信サービスが運用されている。また、カーナビゲーションシステムにおいても、現在地に応じた情報が提供される。

係る現在地に応じた情報提供サービスに加えて、対象（ユーザなど）の次の滞留場所を予測して当該次の滞留場所に応じた情報を提供するサービスも想定することができる。ユーザの次の滞留場所を予測する技術として、例えば非特許文献１記載の手法が知られている。

非特許文献１記載の手法は、対象の位置計測データの履歴に対してクラスタリングを適用することにより、複数の滞留場所を抽出する。そして、この手法は、複数の滞留場所間の遷移を表現するマルコフモデルを事前作成しておき、このマルコフモデルに基づいて対象の次の滞留場所を予測する。

Daniel Ashbrook and Thad Starner, "Using GPS to Learn Significant Locations and Predict Movement across Multiple Users", Personal and Ubiquitous Computing 7(5), pp. 275-286 (2003) Martin Ester, Hans-Peter Kriegel, Jorg Sander, and Xiaowei Xu "A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise’’ , in proceedings of 2nd international conference on knowledge discovery and data mining, pp.226-231, 1996.

マルコフモデルは、滞留場所間の遷移確率を規定する。従って、対象の現在位置がいずれの滞留場所にも属さない場合に、高精度な予測が困難となる。例えば、対象が滞留場所Ａから滞留場所Ｂに向かって遷移する場合に、対象が滞留場所Ｂに近づくほど次の滞留場所がＢである確率は上昇すると予想される。しかしながら、マルコフモデルに基づく予測は、このような非滞留状態（滞留場所間の遷移中）における位置計測データを予測に活用することを企図していない。故に、対象が滞留場所間を移動しているときに、予測精度が実質的に下降するおそれがある。また、行動予測結果を動的に更新する場合には、高い更新速度を達成できない（例えば、対象の滞留場所が遷移するまで行動予測結果は更新されない）おそれがある。

従って、本発明は、非滞留状態における位置計測データを行動予測において活用することを目的とする。

本発明の一態様に係る行動予測方法は、現在の位置計測データが過去の位置計測データを分析して抽出された複数の滞留場所のいずれにも属さないならば、直前及び直後の滞留場所と関連付けて予め記録部に記録されている複数の滞留場所のいずれにも属さない過去の位置計測データの中から現在の位置計測データの近傍の地理的位置を持つ過去の位置計測データを探索することと、探索された過去の位置計測データの中から現在の位置計測データと同一の直前の滞留場所に関連付けられている過去の位置計測データを抽出することと、抽出された過去の位置計測データに関連付けられている直後の滞留場所に基づいて対象の次の滞留場所を予測することとを含む。

本発明によれば、非滞留状態における位置計測データを行動予測において活用することができる。

一実施形態に係る行動予測装置を例示するブロック図。 図１の行動予測装置による学習処理を例示するフローチャート。 位置計測データを例示する図。 滞留場所の説明図。 滞留行動データを例示する図。 図２のステップＳ２１０の詳細を例示するフローチャート。 図１の位置計測データ記録部に記録される位置計測データを例示する図。 図１の行動予測装置による予測処理を例示するフローチャート。 図８のステップＳ３１０の詳細を例示するフローチャート。 非滞留状態における位置計測データを活用した行動予測の説明図。 図１１に対応する遷移確率を例示する図。

以下、図面を参照して、本発明の実施形態について説明する。
（一実施形態）
図１に示されるように、一実施形態に係る行動予測装置は、位置計測データ入力部１００、位置計測データ分析部１１０、位置計測データ記録部１２０、滞留行動記録部１３０、滞留場所予測部１４０及び予測結果出力部１５０を含む。

行動予測装置は、例えばＧＰＳなどの位置計測機能を備える携帯端末（携帯電話機、モバイルＰＣ、ポータブルメディアプレーヤなど）であってもよいし、係る携帯端末にネットワークを介して接続されるコンピュータ（サーバ）であってもよい。
位置計測データ入力部１００は、対象の位置をＧＰＳなどによって継続的に計測することにより得られる位置計測データを入力する。位置計測データは、例えば図３に示されるように、計測時刻、緯度及び経度を示す情報を含む。位置計測データは、行動予測装置の処理モードに応じて位置計測データ分析部１１０または滞留場所予測部１４０に入力される。具体的には、行動予測装置が学習モードで動作しているならば、位置計測データ１０が位置計測データ分析部１１０に入力される。一方、行動予測装置が予測モードで動作しているならば、位置計測データ１３が滞留場所予測部１４０に入力される。

学習モードは、予測モードに先行して実行される。学習モードでは、学習のための期間における位置計測データ１０の分析に基づいて、滞留場所データ、滞留行動データ、非滞留状態における位置計測データなどが記録される。尚、学習のための期間の長さは任意に定めることができる。また、これら各種データの詳細は後述される。予測モードでは、位置計測データ１３と学習モードにおいて記録された各種データとに基づいて、対象の次の滞留場所が予測される。

位置計測データ分析部１１０は、後述されるように、位置計測データ１０を分析することにより、滞留場所データ、滞留行動データ、非滞留状態における位置計測データなどを得る。位置計測データ分析部１１０は、滞留行動データ１１を滞留行動記録部１３０に記録し、非滞留状態における位置計測データ１２を位置計測データ記録部１２０に記録する。

位置計測データ記録部１２０及び滞留行動記録部１３０は、任意の情報記録媒体（例えば、ＨＤＤ、ＳＳＤ、フラッシュメモリなど）によって形成されてよい。位置計測データ記録部１２０には、位置計測データ分析部１１０からの位置計測データ１２が記録される。後述される滞留場所予測部１４０は、必要に応じて、位置計測データ記録部１２０に記録された位置計測データ１５を読み出す。滞留行動記録部１３０には、位置計測データ分析部１１０からの滞留行動データ１１が記録される。滞留場所予測部１４０は、必要に応じて、滞留行動記録部１３０に記録された滞留行動データ１４を読み出す。

滞留場所予測部１４０は、位置計測データ入力部１００から位置計測データ１３を入力し、位置計測データ記録部１２０及び滞留行動記録部１３０から位置計測データ１５及び滞留行動データ１４を夫々読み出して、対象の次の滞留場所を予測する。尚、予測処理の詳細は後述される。滞留場所予測部１４０は、予測結果１６を予測結果出力部１５０へと出力する。予測結果１６は、各滞留場所への遷移確率を示す情報であってもよいし、最も遷移確率の高い滞留場所を示す情報であってもよいし、他の情報であってもよい。予測結果出力部１５０は、滞留場所予測部１４０からの予測結果１６を外部に出力する。

以下、図２を用いて図１の行動予測装置による学習処理を説明する。
図２の処理が開始すると、位置計測データ分析部１１０は、位置計測データ入力部１００から位置計測データ１０を入力する（ステップＳ２０１）。位置計測データ１０は、Ｍ（Ｍは２以上の整数）個の要素から成る集合Ｚ_train＝｛ｚ_１，ｚ_２，・・・，ｚ_Ｍ｝によって表すことができる。ここで、各要素ｚ_ｉは時刻ｔ（ｚ_ｉ）において計測された経度ｘ_ｉ及び緯度ｙ_ｉから成る２次元ベクトル（ｘ_ｉ，ｙ_ｉ）である。図３の例であれば、ｉは計測ＩＤの列に対応し、ｙ_ｉは緯度の列に対応し、ｘ_ｉは経度の列に対応し、ｔ（ｚ_ｉ）は時刻の列に対応する。ｉ≦ｊであるとき、ｔ（ｚ_ｉ）≦ｔ（ｚ_ｊ）が成立するとし、かつ、任意の１≦ｉ≦Ｍ−１についてｔ（ｚ_ｉ）≦ｔ（ｚ_ｊ）≦ｔ（ｚ_ｉ＋１）を成立させるようなｊは存在しないとする。

次に、位置計測データ分析部１１０は、ステップＳ２０１において入力した位置計測データ１０に対してクラスタリングなどの処理を適用することにより、対象が一定時間以上滞留した（複数の）滞留場所を抽出する（ステップＳ２０２）。尚、滞留場所は、任意の従来の手法を用いて抽出することができる。以降の説明では、一例として、非特許文献２に記載のクラスタリングアルゴリズム（以降、ＤＢＳＣＡＮと称される）を用いて各滞留場所をクラスタとして抽出することとする。

図４は、ＤＢＳＣＡＮの適用例を示す。図４において、白円及び影付き円は個々の位置計測データの地理的位置（経度及び緯度）を表しており、矢印は位置計測データ間の時系列的な順序を表している。破線で囲まれた領域はクラスタとして抽出された滞留場所ｃ_１及びｃ_２の地理的範囲（経度及び緯度）を表している。以降の説明では、滞留場所の集合をＣ＝｛ｃ_１，ｃ_２，・・・，ｃ_Ｎ｝で表す（Ｎは２以上の整数）。影付き円は滞留場所ｃ_１またはｃ_２に属する位置計測データ（換言すれば、滞留状態における位置計測データ）を表す。一方、白円は、滞留場所ｃ_１及びｃ_２のいずれにも属さない位置計測データ（換言すれば、非滞留状態における位置計測データ）を表す。

次に、位置計測データ分析部１１０は、ステップＳ２０２において抽出した滞留場所に基づいて位置計測データ１０を分析することにより、滞留行動データを抽出する（ステップＳ２０３）。抽出された滞留行動データ１１は、滞留行動記録部１３０に記録される。滞留行動データは、滞留行動を識別するための識別子（図５の滞留行動ＩＤの列）と、滞留行動に対応する滞留場所を示す情報（図５の滞留場所の列）と、当該滞留場所における滞留開始時刻（図５の開始時刻の列）及び滞留終了時刻（図５の終了時刻の列）とを含む。例えば、任意の位置計測データｚ_ｉの地理的位置が滞留場所ｃ_ｊの地理的範囲に含まれているならば、対象が時刻ｔ（ｚ_ｉ）において滞留場所ｃ_ｊに滞留していたと定義される。また、対象が時刻ｔ（ｚ_ｉ），ｔ（ｚ_ｉ＋１），・・・，ｔ（ｚ_ｉ＋α）において滞留場所ｃ_ｊに滞留していて、かつ、時刻ｔ（ｚ_ｉ−１）及びｔ（ｚ_{ｉ＋α＋１}）において滞留場所ｃ_ｊに滞留していなければ、滞留開始時刻は時刻ｔ（ｚ_ｉ）とされ、滞留終了時刻は時刻ｔ（ｚ_ｉ＋α）とされる。

次に、位置計測データ分析部１１０は、ステップＳ２０２において抽出した滞留場所のいずれにも属さない位置計測データ（即ち、非滞留行動）を分析する（ステップＳ２１０）。尚、ステップＳ２１０の処理の詳細は後述される。ステップＳ２１０の後に、図２の処理は終了する。

以下、図６を用いて図２のステップＳ２１０の詳細を説明する。
図６の処理が開始すると、位置計測データ分析部１１０は、ステップＳ２０３において抽出した滞留行動のいずれにも対応しない位置計測データを抽出する（ステップＳ２１１）。例えば、位置計測データ分析部１１０は、いずれの滞留場所ｃ_ｊの地理的範囲にも含まれない地理的位置を持つ位置計測データｚ_ｉを全て抽出する。

次に、位置計測データ分析部１１０は、ステップＳ２１１において抽出した位置計測データｚ_ｉの前後の滞留行動ＩＤを探索する（ステップＳ２１２）。具体的には、位置計測データ分析部１１０は、時刻ｔ（ｚ_ｉ）よりも前の滞留行動のうち最も時間的に近いもの（直前の滞留行動）と、時刻ｔ（ｚ_ｉ）よりも後の滞留行動のうち最も時間的に近いもの（直後の滞留行動）とを夫々探索し、これらの滞留行動ＩＤを取得する。例えば、図４の位置計測データＰに関して、直前の滞留行動は滞留場所ｃ_１に対応するものであり、直後の滞留行動は滞留場所ｃ_２に対応するものである。尚、位置計測データ分析部１１０は、直前の滞留行動及び直後の滞留行動の少なくとも一方を探索できなければ、係る位置計測データを破棄することができる。

次に、位置計測データ分析部１１０はステップＳ２１２において探索した直前及び直後の滞留行動ＩＤと関連付けて位置計測データを位置計測データ記録部１２０に記録し（ステップＳ２１３）、図６の処理は終了する。例えば、位置計測データ１２は、図７に示されるように直前及び直後の滞留行動ＩＤが追記された状態で位置計測データ記録部１２０に記録される。

以下、図８を用いて図１の行動予測装置による予測処理を説明する。
図８の処理が開始すると、滞留場所予測部１４０は、位置計測データ入力部１００から（現在の）位置計測データ１３を入力する（ステップＳ３０１）。次に、滞留場所予測部１４０は、ステップＳ３０１において入力した位置計測データ１３がいずれかの滞留場所に属しているか否かを判定する（ステップＳ３０２）。即ち、滞留場所予測部１４０は、位置計測データ１３の地理的位置が先行する学習処理において抽出された滞留場所のいずれかの地理的範囲に含まれるか否かを判定する。位置計測データ１３がいずれかの滞留場所に属しているならば処理はステップＳ３０３に進み、そうでなければ処理はステップＳ３１０に進む。

ステップＳ３０３において、滞留場所予測部１４０は従来の（例えば、非特許文献１記載の）マルコフモデルに基づく予測処理を行い、処理はステップＳ３０４に進む。即ち、滞留場所予測部１４０は、マルコフモデルにおいて定められている滞留場所間の遷移確率に基づいて次の滞留場所を予測する。滞留場所ｃ_ｊへの遷移確率ｐ（ｃ_ｊ）は、下記の条件式を満たす。

ステップＳ３１０において、滞留場所予測部１４０は後述される部分処理を実行することにより各滞留場所への遷移確率を予測し、処理はステップＳ３０４に進む。ステップＳ３０４において、滞留場所予測部１４０はステップＳ３０３またはステップＳ３１０において予測した遷移確率などの予測結果１６を出力し、図８の処理が終了する。

以下、図９を用いて図８のステップＳ３１０の詳細を説明する。
図９の処理が開始すると、滞留場所予測部１４０は、位置計測データ記録部１２０に記録されている過去の位置計測データ１５の中から位置計測データ１３の近傍の地理的位置を持つものを全て探索する（ステップＳ３１１）。ここで、近傍の定義は、特に限定されないが、例えば位置計測データ１３の地理的位置からの距離が閾値以下の範囲とすることができる。

次に、滞留場所予測部１４０は、ステップＳ３１１において探索した過去の位置計測データの中から直前の滞留行動ＩＤに対応する（直前の）滞留場所が、位置計測データ１３の直前の滞留場所と一致するものを全て抽出する（ステップＳ３１２）。
次に、滞留場所予測部１４０はステップＳ３１２において抽出した過去の位置計測データに関連付けられた直後の滞留行動ＩＤに対応する（直後の）滞留場所に基づいて遷移確率を計算し、図９の処理が終了する。例えば、滞留場所予測部１４０は、下記の数式によって遷移確率ｐ（ｃ_ｊ）を計算できる。

ここで、ｎ_ｊは、ステップＳ３１２において抽出された過去の位置計測データのうち直後の滞留行動ＩＤに対応する滞留場所がｃ_ｊであるものの総数である。但し、直後の滞留行動ＩＤの重複は許容されない。即ち、複数の過去の位置計測データの直後の滞留行動ＩＤが重複するならば、これらは同一視されて１つの位置計測データとして扱われる。このような取り扱いにより、特定の滞留行動に関して得られた位置計測データが遷移確率に過剰に影響を与える事態が回避されるので、より妥当な遷移確率が計算されやすくなる。

以下、図９の部分処理の具体例を図１０及び図１１を用いて説明する。図１０の例では、滞留場所ｃ_１、ｃ_２及びｃ_３が定められている。学習処理時に得られた位置計測データのうち、滞留場所ｃ_１から滞留場所ｃ_２へ遷移するまでに計測されたものが白円で描かれ、滞留場所ｃ_１から滞留場所ｃ_３へ遷移するまでに計測されたものが影付き円で描かれている。予測処理時に得られた位置計測データｔ１及びｔ２は、×印で夫々描かれている。また、予測処理時に得られた位置計測データｔ１及びｔ２の近傍の範囲は、×印を中心とする円で描かれている。

位置計測データｔ１の近傍には２つの影付き円と１つの白円とが含まれている。但し、これら２つの影付き円は直後の滞留行動ＩＤが重複するので同一視され、１つの位置計測データとして扱われる。即ち、ｎ_２＝ｎ_３＝１である。従って、上記数式によれば、図１１に示される通り、ｐ（ｃ_２）＝ｐ（ｃ_３）＝０．５である。一方、位置計測データｔ２の近傍には１つの影付き円が含まれている。即ち、ｎ_２＝１、ｎ_３＝０である。従って、上記数式によれば、図１１に示される通り、ｐ（ｃ_２）＝１、ｐ（ｃ_３）＝０である。このように、図９の部分処理によれば、予測される遷移確率が滞留場所間の遷移途中においても刻々と変化する。

以上説明したように、一実施形態に係る行動予測装置は、滞留場所間の遷移中に計測されたデータを直前及び直後の滞留場所に関連付けて事前学習し、予測時に計測されたデータがいずれの滞留場所にも属さなければ上記事前学習したデータを活用して次の滞留場所を予測する。従って、本実施形態に係る行動予測装置によれば、滞留場所間の遷移途中に予測精度を上昇させ易くなると共に、行動予測結果を動的に更新する場合には高い更新速度を達成し易くなる。

尚、上記実施形態は、その記載の通り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を適宜組み合わせることによって種々の態様を形成できる。また、例えば、上記実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。

上記実施形態の処理は、汎用のコンピュータを基本ハードウェアとして用いることで実現可能である。上記実施形態の処理を実現するプログラムは、コンピュータで読み取り可能な記憶媒体に格納して提供されてもよい。プログラムは、インストール可能な形式のファイルまたは実行可能な形式のファイルとして記憶媒体に記憶される。記憶媒体としては、磁気ディスク、光ディスク（ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＤＶＤ等）、光磁気ディスク（ＭＯ等）、半導体メモリなど、プログラムを記憶でき、かつ、コンピュータが読み取り可能な記憶媒体であれば、何れの形態であってもよい。また、上記実施形態の処理を実現するプログラムを、インターネットなどのネットワークに接続されたコンピュータ（サーバ）上に格納し、ネットワーク経由でコンピュータ（クライアント）にダウンロードさせてもよい。

１０，１２，１３，１５・・・位置計測データ
１１，１４・・・滞留行動データ
１６・・・予測結果
１００・・・位置計測データ入力部
１１０・・・位置計測データ分析部
１２０・・・位置計測データ記録部
１３０・・・滞留行動記録部
１４０・・・滞留場所予測部
１５０・・・予測結果出力部

Claims (9)

1. 現在の位置計測データが過去の位置計測データを分析して抽出された複数の滞留場所のいずれにも属さないならば、直前及び直後の滞留場所と関連付けて予め記録部に記録されている前記複数の滞留場所のいずれにも属さない過去の位置計測データの中から前記現在の位置計測データの近傍の地理的位置を持つ過去の位置計測データを探索することと、
   探索された過去の位置計測データの中から前記現在の位置計測データと同一の直前の滞留場所に関連付けられている過去の位置計測データを抽出することと、
   抽出された過去の位置計測データに関連付けられている直後の滞留場所に基づいて対象の次の滞留場所を予測することと
   を具備する、行動予測方法。
2. 前記対象の次の滞留場所の予測結果は、抽出された過去の位置計測データに関連付けられている直後の滞留場所に基づく遷移確率を用いて表現される、請求項１の行動予測方法。
3. 前記過去の位置予測データを分析して前記複数の滞留場所を抽出することと、
   前記複数の滞留場所のいずれにも属さない過去の位置計測データを直前及び直後の滞留場所と関連付けて前記記録部に記録することと
   を更に具備する、請求項１の行動予測方法。
4. 前記現在の位置計測データの近傍は、前記現在の位置計測データの地理的位置からの距離が閾値以下の範囲である、請求項１の行動予測方法。
5. 過去の位置計測データを分析して抽出された複数の滞留場所のいずれにも属さない過去の位置計測データが直前及び直後の滞留場所と関連付けて予め記録されている記録部と、
   現在の位置計測データが前記複数の滞留場所のいずれにも属さないならば、前記記録部に記録されている過去の位置計測データの中から前記現在の位置計測データの近傍の地理的位置を持つ過去の位置計測データを探索して、探索した過去の位置計測データの中から前記現在の位置計測データと同一の直前の滞留場所に関連付けられている過去の位置計測データを抽出して、抽出した過去の位置計測データに関連付けられている直後の滞留場所に基づいて対象の次の滞留場所を予測する予測部と
   を具備する、行動予測装置。
6. 前記対象の次の滞留場所の予測結果は、抽出された過去の位置計測データに関連付けられている直後の滞留場所に基づく遷移確率を用いて表現される、請求項５の行動予測装置。
7. 前記過去の位置予測データを分析して前記複数の滞留場所を抽出して、前記複数の滞留場所のいずれにも属さない過去の位置計測データを直前及び直後の滞留場所と関連付けて前記記録部に記録する分析部を更に具備する、請求項５の行動予測装置。
8. 前記現在の位置計測データの近傍は、前記現在の位置計測データの地理的位置からの距離が閾値以下の範囲である、請求項５の行動予測装置。
9. コンピュータを
   現在の位置計測データが過去の位置計測データを分析して抽出された複数の滞留場所のいずれにも属さないならば、直前及び直後の滞留場所と関連付けて予め記録部に記録されている前記複数の滞留場所のいずれにも属さない過去の位置計測データの中から前記現在の位置計測データの近傍の地理的位置を持つ過去の位置計測データを探索する手段、
   探索された過去の位置計測データの中から前記現在の位置計測データと同一の直前の滞留場所に関連付けられている過去の位置計測データを抽出する手段、
   抽出された過去の位置計測データに関連付けられている直後の滞留場所に基づいて対象の次の滞留場所を予測する手段
   として機能させるための行動予測プログラム。

Images