JP5946394B2

JP5946394B2 - 複数種類のデータソースを用いた経路の始点・終点の統計的推測手法、コンピュータ・プログラム及びコンピュータ。

Info

Publication number: JP5946394B2
Application number: JP2012247403A
Authority: JP
Inventors: 哲郎森村
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2012-11-09
Filing date: 2012-11-09
Publication date: 2016-07-06
Anticipated expiration: 2032-11-09
Also published as: JP2014096039A; US9292800B2; US20160110654A1; US20140136453A1

Description

本発明は、情報処理技術に関係し、より詳しくは、複数種類のデータソースを用い、経路の始点・終点を統計的に推定する技術に係る。

都市レベルの広範な地域で精度の良い交通シミュレーションを行うためには、広域かつ粒度の細かい（例えば、交差点単位）クルマや人の移動経路の始点・終点（OD）を得る必要がある。

特開平６−２６６９９３号公報特開２００８−２８２１６１号公報

しなしながら、センサスデータを用いる既存の広域OD推定手法はその粒度が地区レベル（例えば、数百交差点単位）の推定に限られる。一方、プローブデータを用いれば、その粒度が交差点単位のODを推定することは可能であるが、一般に、広域のプローブデータはその入手が困難であり、結果として、対象は比較的狭い領域（例えば、交差点数~数千）に限られる。

本発明はこのような課題に鑑みてなされたものであり、その目的は、広域で入手が比較的容易なランドマーク情報を用いて、限られた地域のプローブデータを汎化し、広域において粒度の細かい始点・終点(OD)を推定する技術を提供することにある。さらに、センサスデータを用いることで、その学習精度、予測精度を高める技術を提供することにある。

すなわち本発明は、コンピュータにより未知の経路の始点及び終点を予測する方法であり、第二領域に含まれる既知の目印の種類及びその位置を含む第二目印情報の入力を受け付けるステップと、前記第二目印情報に基づいて、前記第二領域に含まれる各地点の第二特徴ベクトルを生成するステップと、第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報と前記第一領域に含まれる既知の始点及び終点の情報とに基づいて得られる予測モデルと、前記第二特徴ベクトルとに基づいて、前記第二領域に含まれる各地点が前記始点及び前記終点となる確率を予測するステップとを備えるものである。

ここで、第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報と前記第一領域に含まれる既知の始点及び終点の情報とに基づいて予測モデルを学習するステップを更に備えることもできる。この前記予測モデルを学習するステップは、前記第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報の入力を受け付けるステップと、前記第一目的情報に基づいて、前記第一領域に含まれる各地点の第一特徴ベクトルを生成するステップとを更に備えることもできる。また、前記予測モデルを学習するステップは、緯度経度の時系列データを複数含むプローブデータの入力を受け付けるステップと、前記各時系列データの開始時及び終了時に対応する緯度経度に基づいて、前記第一領域に含まれる各地点が前記始点又は前記終点となった数をカウントするステップとを更に備えることができる。

また、前記予測モデルは、前記第一特徴ベクトルを説明変数とし、前記第一領域に含まれる各地点が前記始点又は前記終点となった数を目的変数として回帰するものとすることができる。この予測モデルは、前記各地点について、前記始点となる前記経路数がoである確率モデルと、前記終点となる前記経路数がdである確率モデルとそれぞれ異なる態様でモデル化することができる。また、前記予測モデルは、前記各地点について、地点iが前記始点で、地点jが前記終点となる前記経路数がｄ_ijである確率モデルとしてモデル化することもできる。

さらに、前記予測モデルは、前記各地点について、前記始点又は前記終点となる経路数がｎである確率がポアソン分布に従うものとしてモデル化することができる。また、前記予測モデルを学習するステップは、前記第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報の入力を受け付けるステップと、前記第一目的情報に基づいて、前記第一領域に含まれる各地点の第一特徴ベクトルを生成するステップとを更に備え、前記予測モデルは、前記ポアソン分布のパラメータμの対数を、前記第一特徴ベクトルで線形近似することができる。その線形近似式は、各地点iでの前記ポアソン分布のパラメータμ_i、第一特徴ベクトルφ_i、学習パラメータθ、ベースラインbとして、
logμ_i(θ)＝ω^Tφ_i+bと表すことができる。

また、前記予測モデルを学習するステップは、前記第一領域に含まれ、複数の地点を包含する既知の前記経路の始エリア及び終エリアの第一エリア情報の入力を受け付けるステップと、前記第一エリア情報に基づいて、前記ベースラインを調整するステップとを更に備えることができる。

また、前記予測モデルを学習するステップは、負の対数尤度を目的関数として最小化することで、パラメータθを学習するステップを更に備えることができる。また、前記予測モデルを学習するステップは、正則化項付き負の対数尤度を目的関数として最小化することで、パラメータθを学習するステップを更に備えることができる。

また、前記予測モデルを学習するステップは、前記目的関数を現在のパラメータ推定値周りで二次のテイラー近似を行うステップと、前記二次のテイラー近似を行った目的関数Ｌを最小にする値にパラメータを更新するステップとを備えることができる。

また、前記第二領域に含まれる各地点が前記始点及び前記終点となる確率を予測するステップは、前記第二領域に含まれ、複数の地点を包含する既知の前記経路の始エリア及び終エリアの第二エリア情報の入力を受け付けるステップと、前記第二エリア情報に基づいて、各エリアでの始エリア発生数確率及び終エリア発生確率を求めるステップと、前記始エリア発生数確率及び終エリア発生確率に基づいて、各地点が前記始点及び前記終点となる確率を予測するステップを更に備えることができる。

また、前記経路は、自動車又は人による経路であり、前記地点は、道路上の交差点でもよい。また、前記第二領域は、前記第一領域に比べて広域とすることができる。前記第二領域は、前記第一領域を含んでもよいし、含まなくてもよい。

本発明コンピュータ・プログラム、コンピュータ・システムとして把握した場合にも、上述した本発明を方法として把握した場合と実質的に同一の技術的特徴を備える事ができる。

本発明によれば、広域で入手が比較的容易なランドマークデータを用いて、限られた地域のプローブデータを汎化し、広域において粒度の細かい始点・終点(OD)を推定する技術を提供することができる。さらに、センサスデータを用いることで、その学習精度や推定精度を高めることができる。

コンピュータのハードウェア構成を説明するブロック図コンピュータの機能を説明するブロック図コンピュータの処理を模式化した図コンピュータが実行する基本的処理を示すフローチャート学習フェーズを説明するフローチャート予測フェーズを説明するフローチャート

実施形態
以下、本発明を実施するための最良の形態を図面に基づいて詳細に説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。また、本発明は多くの異なる態様で実施することが可能であり、実施の形態の記載内容に限定して解釈されるべきものではない。また、実施の形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須とは限らないことに留意されたい。実施の形態の説明の全体を通じて（特段の断りのない限り）同じ要素には同じ番号を付している。

図１は、本実施形態に係るパーソナル・コンピュータ(コンピュータ)１のハードウェア構成を説明するブロック図である。コンピュータ１のハードウェア構成は、（低速及び高速の）バス１０、バス１０に接続されるＣＰＵ（演算制御装置）１１、ＲＡＭ（ランダム・アクセス・メモリ：記憶装置）１２、ＲＯＭ（リード・オンリ・メモリ：記憶装置）１３、ＨＤＤ（ハード・ディスク・ドライブ：記憶装置）１４、通信インタフェース１５、入出力インタフェース１６を備えている。さらに、入出力インタフェース１６に接続されるマウス１７、フラット・パネル・ディスプレイ（表示装置）１８、キーボード１９等を備えている。なお、コンピュータ１は一般的なパーソナル・コンピュータ・アーキテクチャを採用するものとして説明したが、例えば、より高いデータ処理能力や可用性を求めて、ＣＰＵ１１やＨＤＤ１４等を多重化することができる。また、デスクトップ型の他、様々なタイプのコンピュータ・システムを採用することができる。

このコンピュータ１のソフトウェア構成は、基本的な機能を提供するオペレーティング・システム（ＯＳ）と、OSの機能を利用するアプリケーション・ソフトウェアと、入出力装置のドライバ・ソフトウェアとを備えている。これらの各ソフトウェアは、各種データと共にRAM１２上にロードされ、CPU１１等により実行され、コンピュータ１は全体として、図２に示す機能モジュールとして機能し、図４から図６に示す処理を実行する。図４は、基本的な処理を示すフローチャートであり、図５は、図４の学習フェーズを示すフローチャートであり、図６は、図４の予測フェーズを示すフローチャートである。

図２は、実施形態に係るコンピュータ１の機能モジュールを説明するブロック図である。コンピュータ１は、全体として、前処理モジュール（入力手段、生成手段）１０１、学習モジュール（学習手段）１０２、予測モジュール（予測手段）１０３として機能する。なお、各モジュールの具体的な機能については、後述する。

図３は、実施形態に係るコンピュータの処理を模式的に示したものである。本実施形態では、限られた領域におけるプローブデータのOD情報（既知の始点及び終点の情報）を、広範囲案領域のランドマークデータ（目印情報）を介して汎化する。ここで、プローブデータは、車載ＧＰＳ等により収集された緯度経度の時系列の集合であり、一般に、限られた地域しか取得できず、また希少である。一方、ランドマークデータは、駅やホテル、市役所などの建造物や施設がその種類と緯度経度として記録されているデータであり、広域で比較的入手が容易である。なお、図示しないが、道路交通センサス（正式名称は「全国道路・街路交通情勢調査」）データ（以下、単に「センサスデータ」という）を利用することができる。センサスデータは、ゾーン（およそ日本の行政区分の町レベル、数キロ程度）毎のOD情報含み、日本の国土交通省が数年ごとに全国の道路交通量を調査し、発表するものであり、その入手は容易である。

モデル構築
本実施態様では、各交差点iにおけるOD(O:Origin(始点)、D:Distination(終点)発生確率のモデル化にポアソン分布を利用している。ポアソン分布では、ある時間当たりに起こる事象の数nの分布は、式（１）で表される。ここで、ポアソン分布のパラメータは、
μ＝平均E(n)＝E[(n-μ)²](>0)となる。

つまり、各交差点iでのポアソン分布のパラメータμ_iの大きさを調整することで、OD発生確率を調整することができる。ここでは、パラメータμ_iの対数を、ランドマークデータから得られる特徴ベクトルφ_i（後述する）で式（２）に示すとおり、線形近似する（μ_iに関する対数線形モデル）。なお、θ=[ω^T,b]^Tは学習パラメータであり、ωは線形結合パラメータと呼ばれ、bはベースラインと呼ばれる。また、OD発生確率のモデルとしては、ポアソン分布に限らず、例えば、ガンマ分布、対数正規分布等を採用することもできる。

本実施形態では、（特徴ベクトルがφ_i、学習パラメータがθ_oであるとの前提の元）交差点iが始点の経路数がo_iである確率p(o_i|φ_i,θ_o)を式（３）として、（特徴ベクトルがφ_ij、学習パラメータがθ_dであるとの前提の元）交差点iが始点で、交差点jが終点である経路数がd_ijである確率p(d_ij|φ_ij,θ_d)を式（４）として、それぞれ異なる態様（特徴ベクトルとその線形結合パラメータが異なる）でモデル化している。本実施形態のようにある経路の始点と終点との関係を考慮してモデル化してもよいし、ある経路の始点と終点との関係を考慮せず、始点と終点とは独立の事象としてモデル化してもよい。

学習（ステップＳ１）
前処理モジュール１０１は、トレーニング・データ（第一情報）の前処理を行う（ステップＳ１１）。ここで、トレーニング・データとしては、日本の東京都心エリアのプローブデータ（第一領域に含まれる既知の始点及び終点の情報）、同エリアのランドマークデータ（第一目印情報）である。また、プローブデータの偏りを補正するために、選択的に同エリアのセンサスデータ（第一エリア情報）を利用することもできる。また、基本となる地図データには各交差点iとその緯度経度とが対応付けられて保存されている。なお、各トレーニング・データ、地図データ、（後述の）テスト・データは、予めハードディスク１４上に保存されており、各モジュールから必要に応じてアクセス可能である。

都心エリアのプローブデータから始点・終点の抽出を行い、各交差点iの目的変数o_i：交差点iが経路の始点となった数（始点発生数）、d_i：交差点iが経路の終点となった数（終点発生数）を算出する。なお、プローブデータは、ＧＰＳ緯度経路の時系列の集合であり、複数台のプローブカーと呼ばれる自動車に搭載されるＧＰＳからの緯度経度時系列を長期間収集して構成される。

具体的な算出方法は以下の通りである。まず、各交差点_iの目的変数(o_i,d_i)を(0,0)と初期化する。次に、各ＧＰＳ時系列について、以下を繰り返す。一のＧＰＳ時系列の最初の時刻に対応するポイント（位置）から、最近傍の交差点を検索し、その交差点の始点発生数に１を加える。同一のＧＰＳ時系列の最後の時刻に対応するポイントから、最近傍の交差点を検索し、その交差点の終点発生数に１を加える。これをすべてのＧＰＳ時系列について繰り返す。目的変数の算出方法は、他の方法を採用してもよい。例えば、ＧＰＳポイントからＫ（所定距離）近傍の交差点を列挙し、ＧＰＳポイントからの相対距離に応じて目的変数に加える値を決定することもできる。

東京都心エリアのランドマークデータから、都心エリアに含まれる各交差点_iの説明変数（特徴ベクトル）ψ_i, ψ_ijを算出する。なお、ランドマークデータは、様々な施設がその種類と緯度経度とが対応付けられて記録されているデータである。施設の種類としては、例えば、ホテル、駅、銀行、郵便局、役所、公民館、病院、バス停、コンビニエンスストア、ショッピングモール、デパートメントストア、ファストフードショップ、市民ホール等を挙げることができる。

具体的な算出方法は以下の通りである。まず、各交差点_iの基本特徴ベクトルl_iを初期化する。つまり、想定するランドマークの総種類数がLならば、L次元の全要素が0のベクトルを各交差点_iの基本特徴ベクトルl_iとする。次に、各ランドマーク標本について、以下を繰り返す。一のランドマーク標本について、最近傍の交差点を検索し、その交差点の特徴ベクトルの対応するランドマーク要素に１を加える。これをすべてのランドマーク標本について繰り返す。基本特徴ベクトルl_iの算出方法は、他の方法を採用してもよい。例えば、交差点からＫ（所定距離：例えば、１００ｍ）近傍のランドマークを列挙し、その基本特徴ベクトルの対応する各要素に１加えることもできる。そして、交差点iを始点とする特徴ベクトルφ_iは式（５）により、交差点iを始点として、交差点jを終点とする特徴ベクトルφ_ijは式（６）により、それぞれ得ることができる。なお、終点モデルが始点を考慮しないものであれば、交差点iを終点とする特徴ベクトルと交差点iを終点とする特徴ベクトルは同じ（例えば、式（５））となる。この場合でも、始点と終点モデルで目的変数o_i,d_jが異なるので、パラメータθoとθdは異なるものになり、その結果として、同じ交差点でも異なる始点と終点の発生確率は異なる。

次に、学習モジュール１０２は、パラメータの初期化を行い（ステップＳ１２）、パラメータを学習する（ステップＳ１３）。本実施形態では、始点について式（７）、終点について式（８）にそれぞれ示すＬ１正則化付きの負の対数尤度を目的関数として最小化することで、パラメータθ（始点用パラメータ：θ_o=[ω_o ^T,b_o]^T,終点用パラメータ：θ_d=[ω_d ^T,b_d]^T）を学習する。

パラメータθの初期化は、例えば、ω^T=ω_o ^T=ω_d=0(ベクトル)、b=b_o=b_d=1(スカラー)とすることができる。また、式（７）や式（８）の正則化パラメータλ(>0)は、複数のλの候補を用意して、交差検定法により初期値を決定することができる。

固定的なベースラインb=1とする代わりに、ベースラインbをセンサスデータに基づいてゾーン毎に調整し、プローブデータの収集地域の潜在的な偏りを補正することもできる。つまり、プローブカーは限られた台数の自動車のため、その収集地域に偏りが生じることある。その結果、プローブデータからODが観測されていない地域は、本当にODが発生していないのではなく、偶然、その地域にプローブカーが走行していなかったに過ぎない場合がある。反対に、プローブデータから多数のODが観測されている地域でも、観測時に偶然、その地域に多くのプローブカーが走行していたに過ぎない場合もある。そこで、センサスデータのゾーン毎にプローブデータの偏りを調整するベースラインを導入することが好ましい。各ゾーンは、複数の交差点を含み、各交差点がいずれのゾーンに含まれるかは、（例えば、前処理として）予め対応付けておく。その結果、ベースライン b をゾーン毎に調整することができる。すなわち、始点のベースラインb_o=b_i=bψ_iとして、式（９）のように調整することができる。同様に、終点のベースラインb_d=b_ij= bψ_ijとして、式（９）のψ_iに式（１０）のψ_ijを代入して、b_d=b_ijを得ることができる。

ここで、ω=0(ベクトル)、b=1の時、ポアソン分布モデルの平均値は、式（１１）に示すとおり、（一様分布を仮定した際の）属するゾーンz_iに含まれる交差点のプローブカー期待発生数の期待値に一致する。

パラメータ初期化の後、学習モジュール１０２は、パラメータを学習する（ステップＳ１３）。ここで、解析的にパラメータの最適解を求めることは困難であり、以下の通り、目的関数の凸性を利用して、逐次最適化を行う。すなわち、式（７）、式（８）の目的関数Ｌを現在のパラメータ推定値周りで二次近似し、二次近似した関数はLasso回帰の同型になり、劣勾配法によりパラメータを更新する。パラメータの学習は、上記逐次最適化を複数回数繰り返して、終了する。終了条件としては、具体的な回数は交差点の数に依存するが、例えば、最大繰り返し回数を３００回と設定し、それまでに所定の収束条件（例えば、パラメータの更新量（‖θnew - θold‖₁ や ‖θnew - θold‖₂; θold は各繰り返しの更新前のパラメータ、θnewは更新後のパラメータ）がある閾値（例えば、0.01）未満）より小さくなる）を満たせば、終了するように設定することができる。

予測（ステップＳ２）
パラメータ学習の後、前処理モジュール１０１は、テスト・データ（第二情報）の前処理を行う（ステップＳ２１）。ここで、テスト・データとしては、日本の東京都心エリアを含み、それよりも広域である日本の関東エリアのランドマークデータ（第二目印情報）である。また、予測精度を高めるために、選択的に同エリアのセンサスデータ（第二エリア情報）を利用することもできる。

前処理モジュール１０１は、関東エリアのランドマークデータから、関東エリアに含まれる各交差点_iの説明変数（特徴ベクトル）φ_i, φ_ijを算出する。その具体的な方法は、既に述べたので、ここでは省略する。

センサスデータを用いない場合には、予測モジュール１０３は、学習に用いたプローブデータに収集地域の潜在的な偏りがあることを考慮し、学習に用いたベースラインを0にする（θ_oとθ_dのベースラインb_oとb_dを0（スカラーゼロ）にする）。そして、式（１２）の始点発生確率p_oに従い、始点交差点oを選択し、式（１３）の終発生確率p_dに従い、終点交差点dを選択する。

一方、センサスデータのOD情報により、ゾーンからゾーン（z_o->z_d）へのOD発生確率p_z(Z_o,Z_d)が既知の場合には、予測精度を高めるため、予測モジュール１０３は、p_zからODのゾーン組(z_o,z_d)を選択し、式（１４）のp_o|z に従い、ゾーンz_o 内の交差点から始点交差点oを選択し、式（１５）のp_d|o,z に従い、ゾーンz_d 内の交差点から終点交差点dを選択する。

本実施態様では、東京都心エリアのランドマークデータを用いて、東京都心エリアのプローブデータを汎化し、(東京都心エリアを含む)関東エリア全域において交差点レベルの始点・終点(OD)の発生確率を予測することができる。さらに、センサスデータを用いることで、その学習精度や推定精度を高めることができる。なお、交差点レベルの始点・終点(OD)の発生確率は、ディスプレイ１８等に表示することができる。また、例えば、東京都心エリアのランドマークデータを用いて、東京都心エリアのプローブデータを汎化し、(東京都心エリアを含まない)関西エリア全域において交差点レベルの始点・終点(OD)の発生確率を予測することも同様に可能である。

本発明は、全体がハードウェアの実施形態、全体がソフトウェアの実施形態、またはハードウェアおよびソフトウェア両方のエレメントを包含する実施形態の形を取ることができる。ある好適な実施形態において、本発明は、以下に限らないが、ファームウェア、常駐ソフトウェア、マイクロコード、構文解析ピココードなどを含めた、ソフトウェアに実装される。

さらに、本発明は、コンピュータまたは任意の命令実行システムによってまたはこれに関連させて使用するプログラム・コードを備えるコンピュータ・プログラム、コンピュータ可読媒体の形態を採ることもできる。本説明目的の上で、コンピュータ可読媒体は、任意の命令実行システム、装置、またはデバイスによってまたはこれに関連させて使用するためのプログラムを、収容、格納、通信、伝搬、または伝送できる任意の装置であり得る。具体的には、前述の構文解析制御モジュールは、この意味で命令実行システム、または「コンピュータ」を構成する。

媒体は、電子的、磁気的、光学的、電磁気的、赤外的、または半導体のシステム（もしくは装置もしくはデバイス）または伝搬媒体とすることができる。コンピュータ可読媒体の例には、半導体または固体メモリ、磁気テープ、着脱可能コンピュータ・ディスケット、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍａｃｃｅｓｓｍｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ：ｒｅａｄ−ｏｎｌｙｍｅｍｏｒｙ）、剛体磁気ディスク、および光ディスクが含まれる。光ディスクの現時点での例には、コンパクト・ディスク読み取り専用メモリ（ＣＤ−ＲＯＭ：ｃｏｍｐａｃｔｄｉｓｋｒｅａｄｏｎｌｙｍｅｍｏｒｙ）、コンパクト・ディスク読み取り／書き込み（ＣＤ−Ｒ／Ｗ：ｃｏｍｐａｃｔｄｉｓｋｒｅａｄ／ｗｒｉｔｅ）メモリ、およびＤＶＤが含まれる。

プログラム・コードを格納もしくは実行またはその両方を行うのに適したデータ処理システムは、システム・バスを介して直接的または間接的にメモリ・エレメントに連結された少なくとも一つのプロセッサを含み得る。このメモリ・エレメントには、プログラム・コードの実際の実行の過程で使われるローカル・メモリ、バルク記憶装置、および、実行中にバルク記憶装置から読み出さねばならない回数を低減するために、少なくとも一部のプログラム・コードに一時的保管を提供するキャッシュ・メモリを含めることができる。

１…パーソナル・コンピュータ、
１１…ＣＰＵ（演算制御装置）
１２…ＲＡＭ（ランダム・アクセス・メモリ：記憶装置）
１３…ＲＯＭ（リード・オンリ・メモリ：記憶装置）
１４…ＨＤＤ（ハード・ディスク・ドライブ：記憶装置）
１５…通信インタフェース
１６…入出力インタフェース
１７…マウス
１８…フラット・パネル・ディスプレイ（表示装置）
１０１…前処理モジュール（入力手段、前処理手段）
１０２…学習モジュール（学習手段）
１０３…予測モジュール（予測手段）

Claims

コンピュータにより未知の経路の始点及び終点を予測する方法であり、
第二領域に含まれる既知の目印の種類及びその位置を含む第二目印情報の入力を受け付けるステップと、
前記第二目印情報に基づいて、前記第二領域に含まれる各地点の第二特徴ベクトルを生成するステップと、
第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報と前記第一領域に含まれる既知の始点及び終点の情報とに基づいて得られる予測モデルと、前記第二特徴ベクトルとに基づいて、前記第二領域に含まれる各地点が前記始点及び前記終点となる確率を予測するステップと
を備える方法。
第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報と前記第一領域に含まれる既知の始点及び終点の情報とに基づいて予測モデルを学習するステップ
を更に備える請求項１に記載の方法。
前記予測モデルを学習するステップは、
前記第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報の入力を受け付けるステップと、
前記第一目印情報に基づいて、前記第一領域に含まれる各地点の第一特徴ベクトルを生成するステップと
を更に備える請求項２に記載の方法。
前記予測モデルを学習するステップは、
緯度経度の時系列データを複数含むプローブデータの入力を受け付けるステップと、
前記各時系列データの開始時及び終了時に対応する緯度経度に基づいて、前記第一領域に含まれる各地点が前記始点又は前記終点となった数をカウントするステップと
を更に備える請求項３に記載の方法。
前記予測モデルは、
前記第一特徴ベクトルを説明変数とし、前記第一領域に含まれる各地点が前記始点又は前記終点となった数を目的変数として回帰する請求項４に記載の方法。
前記予測モデルは、前記各地点について、前記始点となる前記経路数がoである確率モデルと、前記終点となる前記経路数がdである確率モデルとそれぞれ異なる態様でモデル化されている請求項１に記載の方法。
前記予測モデルは、前記各地点について、地点iが前記始点で、地点jが前記終点となる前記経路数がｄijである確率モデルとしてモデル化される請求項１に記載の方法。
前記予測モデルは、前記各地点について、前記始点又は前記終点となる経路数がｎである確率がポアソン分布に従うものとしてモデル化されている請求項１に記載の方法。
前記予測モデルを学習するステップは、
前記第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報の入力を受け付けるステップと、
前記第一目印情報に基づいて、前記第一領域に含まれる各地点の第一特徴ベクトルを生成するステップと
を更に備え、
前記予測モデルは、前記ポアソン分布のパラメータμの対数を、前記第一特徴ベクトルで線形近似する請求項８に記載の方法。
前記線形近似式は、
各地点iでの前記ポアソン分布のパラメータμi、第一特徴ベクトルφi、学習パラメータθ、ベースラインbとして、
logμi(θ)＝ωTφi+b
と表す請求項９に記載の方法。
前記予測モデルを学習するステップは、
前記第一領域に含まれ、複数の地点を包含する既知の前記経路の始エリア及び終エリアの第一エリア情報の入力を受け付けるステップと、
前記第一エリア情報に基づいて、前記ベースラインを調整するステップと
を更に備える請求項１０に記載の方法。
前記予測モデルを学習するステップは、
負の対数尤度を目的関数として最小化することで、パラメータθを学習するステップ
を更に備える請求項１０に記載の方法。
前記予測モデルを学習するステップは、
正則化項付き負の対数尤度を目的関数として最小化することで、パラメータθを学習するステップ
を更に備える請求項１０に記載の方法。
前記予測モデルを学習するステップは、
前記目的関数を現在のパラメータ推定値周りで二次のテイラー近似を行うステップと、
前記二次のテイラー近似を行った目的関数Ｌを最小にする値にパラメータを更新するステップと
を備える請求項１２又は１３に記載の方法。
前記第二領域に含まれる各地点が前記始点及び前記終点となる確率を予測するステップは、
前記第二領域に含まれ、複数の地点を包含する既知の前記経路の始エリア及び終エリアの第二エリア情報の入力を受け付けるステップと、
前記第二エリア情報に基づいて、各エリアでの始エリア発生数確率及び終エリア発生確率を求めるステップと
前記始エリア発生数確率及び終エリア発生確率に基づいて、各地点が前記始点及び前記終点となる確率を予測するステップ
を更に備える請求項１に記載の方法。
前記経路は、自動車による経路であり、前記地点は、道路上の交差点である請求項１に記載の方法。
前記第二領域は、前記第一領域に比べて広域である請求項１に記載の方法。
前記第二領域は、前記第一領域を含まない請求項１に記載の方法。
コンピュータにより実行されることにより、前記コンピュータに請求項１乃至１８のいずれかに記載の方法を実行させるコンピュータ・プログラム。
未知の経路の始点及び終点を予測するコンピュータであり、
第二領域に含まれる既知の目印の種類及びその位置を含む第二目印情報の入力を受け付ける手段と、
前記第二目印情報に基づいて、前記第二領域に含まれる各地点の第二特徴ベクトルを生成する手段と、
第一領域に含まれる既知の目印の種類及びその位置を含む第一目印情報と前記第一領域に含まれる既知の始点及び終点の情報とに基づいて得られる予測モデルと、前記第二特徴ベクトルとに基づいて、前記第二領域に含まれる各地点が前記始点及び前記終点となる確率を予測する手段と
を備えるコンピュータ。