JP6038857B2 - 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム - Google Patents
移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム Download PDFInfo
- Publication number
- JP6038857B2 JP6038857B2 JP2014211510A JP2014211510A JP6038857B2 JP 6038857 B2 JP6038857 B2 JP 6038857B2 JP 2014211510 A JP2014211510 A JP 2014211510A JP 2014211510 A JP2014211510 A JP 2014211510A JP 6038857 B2 JP6038857 B2 JP 6038857B2
- Authority
- JP
- Japan
- Prior art keywords
- database
- trajectory
- latitude
- moving means
- longitude
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、ＧＰＳ軌跡に基づき移動手段を推定するため移動手段推定モデルを生成する技術に関する。
スマートフォンの普及に伴い、ＧＰＳ測位などにより取得されたユーザの位置情報を利用して、ユーザの状況に合わせた情報提供や、ユーザの行動を記録するライフログのサービスが多く利用されるようになった。それに伴い、ユーザの位置情報からユーザの状況を推定する技術が求められている。
関連技術の一つとして移動手段判定があげられる。この移動手段判定は、ＧＰＳ測位やＷｉＦｉ測位などで取得された位置情報と時刻情報を持つ測定点の系列（ＧＰＳ軌跡）に対して同一移動手段である区間（セグメント）の抽出と、セグメントに対する移動手段（例えば歩行、自動車、電車など）の推定を行う。
このように移動手段判定は、セグメント抽出と移動手段推定の二つのフェーズから構成される。セグメント抽出としては、一定時間で区間を区切る方法やＧＰＳ軌跡から得られる速度や加速度情報を手がかりとした変化点に基づく方法などがある。
また、移動手段推定としては、非特許文献１，２に示すように、ＧＰＳ軌跡に対する移動手段アノテーションを用いることで、教師あり学習の枠組みで移動手段予測モデルを構築する方法が利用されている。移動手段推定においては、単純な測位点の羅列情報から、予測に有効な特徴量を如何に獲得できるかが重要である。データから特徴量を抽出するアプローチは大きく二つに分けられる。
一つ目のアプローチはタスクに有効な特徴を人手で設計（ｆｅａｔｕｒｅ ｅｎｇｉｎｅｅｒｉｎｇ）することである。例えば移動手段推定の従来研究（非特許文献１）は、ＧＰＳ軌跡から移動距離や速度、加速度など計１０次元の特徴を設計し、その特徴量をもとに予測モデルを構築している。さらにその後、非特許文献２の発展的な特徴量が追加され、予測精度の向上が確認されている。
具体的には、一定区間において大きな速度変化のある測位点の割合（Ｖｅｌｏｃｉｔｙ Ｃｈａｎｇｅ Ｒａｔｅ）、停止している測位点の割合（Ｓｔｏｐ Ｒａｔｅ）、大きく進行方向を変えている測位点の割合（Ｈｅａｄｉｎｇ Ｃｈａｎｇｅ Ｒａｔｅ）の三つである。
二つ目のアプローチは表現学習である。表現学習は人によってほとんど加工されていない生のデータから、より抽象的な高次の特徴量を自動で抽出することができる。代表的な手法として、近年画像認識や音声認識の分野において高い認識精度を達成した非特許文献３の「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ」が注目を集めている。「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ」は、多層のニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＤＮＮ）を学習することで、高い表現力をもつ特徴量を獲得することができる。
移動手段推定においては、従来の「Ｆｅａｔｕｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ」のアプローチに加えて、「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ」のアプローチを新しく利用することで、新たな特徴付与が可能になる。新たな特徴量を用いた教師あり学習を行うことで、予測精度の向上が期待できる。
移動手段推定において「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ」を用いる際には、各セグメントのＧＰＳ軌跡を画像化した軌跡画像を生成し、それらの軌跡画像を表現学習の入力として用いる方法が考えられる。ＧＰＳ軌跡の範囲は、セグメントによって異なるため、全範囲を同じ縮尺で画像化すると、異なる画像サイズの軌跡画像が生成される。
「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ」を適用するには、基本的に画像サイズが同じである必要があるため、画像化の際には、例えば拡大縮小などの方法によって各セグメントの軌跡画像を同じサイズに揃える必要がある。さらにＧＰＳ軌跡を画像化する際には連続的な情報を離散的な情報に変換する必要がある．
Zheng, Y., Liu, L., Wang, L., and Xie, X.: Learning transportation mode from raw ＧＰＳ data for geographic applications on the web, In Proc. of WWW'08, pp. 247-256, 2008.
Zheng, Y., Chen, Y., Li, Q., Xie, X., and Ma, W.-Y.: Understanding transportation modes based on ＧＰＳ data for web applications, ACM Trans. Web, Vol. 4, No. 1, pp.1:1-1:36, 2010.
Bengio, Y.: Learning deep architectures for AI. FTML,Vol. 2, No. 1, pp. 1-127, 2009.
Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y. and Manzagol,P.-A.: Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. In Proc. of JMLR'10, 11:3371-3408, Dec. 2010.
Rumelhart, D., Hinton, G., & Williams, R. (1986a). Learning representations by back-propagating errors. Nature, 323, 533_536.
しかしながら、各セグメントの全範囲のＧＰＳ軌跡を画像化して、拡大縮小によって大きさを揃えた場合には画像ごとに縮尺が変わってしまうため、距離的な情報が失われてしまい効果的に表現学習を行えないという問題があった(問題１)。
また、経緯度という高精細なＧＰＳ軌跡を量子化する際に、画像サイズを小さくするほど移動手段推定に有効なＧＰＳ軌跡の情報が多く失われる一方、画像サイズを大きくするほど情報が失われるのは防げるが、全画素に対してＧＰＳ軌跡に関わる情報を持つ画素が少ない画像となり、効果的に表現学習を行えないという問題もあった（問題２）。この問題１，２により従来は、高精度に移動手段を推定できる移動手段推定モデルを提供することが困難であった。
本発明は、従来の問題１，２を解決するためになされ、移動手段を高精度に推定可能な移動手段推定モデルを生成することを解決課題としている。
本発明の一態様は、ＧＰＳ軌跡に基づき移動手段を推定するための移動手段推定モデルを生成する装置であって、同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出部と、第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像を格納する第３データベースと、第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像を前記ラベルと対応させて格納する第４データベースと、第３データベースおよび第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出部と、第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出部と、第５データベースおよび第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結部と、該連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成部と、を備える。
本発明の他の態様は、同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、に基づきコンピュータが、移動手段を推定するための移動手段推定モデルを生成する方法であって、前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出ステップと、第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像を第３データベースに格納する軌跡画像格納ステップと、第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像を前記ラベルと対応させて第４データベースに格納するラベルあり軌跡画像格納ステップと、第３データベースおよび第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出ステップと、第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出ステップと、第５データベースおよび第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結ステップと、該連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成ステップと、を有する。
なお、本発明は、前記装置としてコンピュータを機能させるプログラムの態様としてもよい。このプログラムは、ネットワークや記録媒体などを通じて提供することができる。
本発明によれば、移動手段を高精度に推定可能な移動手段推定モデルを生成することができる。
以下、本発明の実施形態に係る移動手段推定モデル生成装置を説明する。この移動手段推定モデル生成装置は、ＧＰＳ軌跡の重心付近を画像化し、さらに滞在時間の情報をも付加した形で画像化して軌跡画像を作成する。この軌跡画像をＤＮＮ学習させ、ＤＮＮ特徴量を得る。このＤＮＮ特徴量を従来の基本特徴量に加えて利用することで移動手段の推定精度を向上させている。
≪構成例≫
図１に基づき前記移動手段推定モデル生成装置の全体構成を説明する。この移動手段推定モデル生成装置１は、コンピュータにより構成され、ＣＰＵ，主記憶装置（ＲＡＭ，ＲＯＭ等），補助記憶装置（ハードディスクドライブ装置，ソリッドステートドライブ装置等）などのハードウェアリースを備える。
図１に基づき前記移動手段推定モデル生成装置の全体構成を説明する。この移動手段推定モデル生成装置１は、コンピュータにより構成され、ＣＰＵ，主記憶装置（ＲＡＭ，ＲＯＭ等），補助記憶装置（ハードディスクドライブ装置，ソリッドステートドライブ装置等）などのハードウェアリースを備える。
このハードウェアリソースとソフトウェアリソース（ＯＳ，アプリケーションなど）との協同の結果、移動手段推定モデル生成装置１は、ラベルなしＧＰＳ軌跡セグメントＤＢ１０，ラベルありＧＰＳ軌跡セグメントＤＢ２０，軌跡画像抽出部３０，ラベルなし軌跡画像ＤＢ４０，ラベルあり軌跡画像ＤＢ５０，ＤＮＮ学習部６０，ＤＮＮＤＢ７０，ＤＮＮ特徴量抽出部８０，ＤＮＮ特徴量ＤＢ９０，基本特徴量抽出部１００，基本特徴量ＤＢ１１０，特徴量連結部１２０，連結特徴量ＤＢ１３０，推定モデル生成部１４０，推定モデルＤＢ１５０を実装する。
この各ＤＢ１０，２０，４０，５０，７０，９０，１１０，１３０，１５０は、前記記憶装置に構築されている。なお、移動手段推定モデル生成装置１は、単一のコンピュータに構成してもよく、あるいは複数のコンピュータに構成してもよいものとする。以下、前記各構成１０〜１５０の詳細を説明する。
≪ラベルなしＧＰＳ軌跡セグメントＤＢ１０≫
図２に基づき前記ＤＢ１０のデータ構造を説明する。この前記ＤＢ１０には、同一の移動手段である区間（セグメント）毎にＧＰＳ測位によって取得された測位点の羅列情報が格納されている。この測位点の羅列情報は、図２中ではＧＰＳ軌跡セグメントと示されている。
図２に基づき前記ＤＢ１０のデータ構造を説明する。この前記ＤＢ１０には、同一の移動手段である区間（セグメント）毎にＧＰＳ測位によって取得された測位点の羅列情報が格納されている。この測位点の羅列情報は、図２中ではＧＰＳ軌跡セグメントと示されている。
このＧＰＳ軌跡セグメントは、前記測位点の羅列情報として緯度・経度・測位時刻をペア（組）にした情報を保有する。なお、図２中のセグメントＩＤは、ＧＰＳ軌跡セグメントに付与されたＩＤを示し、該ＩＤの単位には特に制約がないものとする。
≪ラベルありＧＰＳ軌跡セグメントＤＢ２０≫
図３に基づき前記ＤＢ２０のデータ構造を説明する。この前記ＤＢ２０には、ＧＰＳ軌跡セグメントおよびセグメントＩＤに加えて、各ＧＰＳセグメントに対する移動手段のラベル情報が格納されている。
図３に基づき前記ＤＢ２０のデータ構造を説明する。この前記ＤＢ２０には、ＧＰＳ軌跡セグメントおよびセグメントＩＤに加えて、各ＧＰＳセグメントに対する移動手段のラベル情報が格納されている。
≪ラベルなし軌跡画像ＤＢ４０≫
図４に基づき前記ＤＢ４０のデータ構造を説明する。この前記ＤＢ４０には、軌跡画像抽出部３０から受け取った軌跡画像と、前記ＤＢ１０のＧＰＳ軌跡セグメントに対応するセグメントＩＤの各情報とが格納されている。ここでは軌跡画像は行列で表され、各画素と対応する行列の各要素には実数値が入る。
図４に基づき前記ＤＢ４０のデータ構造を説明する。この前記ＤＢ４０には、軌跡画像抽出部３０から受け取った軌跡画像と、前記ＤＢ１０のＧＰＳ軌跡セグメントに対応するセグメントＩＤの各情報とが格納されている。ここでは軌跡画像は行列で表され、各画素と対応する行列の各要素には実数値が入る。
≪ラベルあり軌跡画像ＤＢ５０≫
図５に基づき前記ＤＢ５０のデータ構造を説明する。この前記ＤＢ５０には、軌跡画像抽出部３０から受け取った軌跡画像と、前記ＤＢ２０のＧＰＳ軌跡セグメントに対応するセグメントＩＤおよびラベル情報とが格納されている。ここでも軌跡画像は行列で表され、各画素と対応する行列の各要素には実数値が入る。
図５に基づき前記ＤＢ５０のデータ構造を説明する。この前記ＤＢ５０には、軌跡画像抽出部３０から受け取った軌跡画像と、前記ＤＢ２０のＧＰＳ軌跡セグメントに対応するセグメントＩＤおよびラベル情報とが格納されている。ここでも軌跡画像は行列で表され、各画素と対応する行列の各要素には実数値が入る。
≪軌跡画像抽出部３０≫
軌跡画像抽出部３０は、前記各ＤＢ１０，２０からデータを読み出し、それぞれのデータから軌跡画像を抽出する。ここで抽出した軌跡画像を前記ＤＢ４０，５０に格納させる。
軌跡画像抽出部３０は、前記各ＤＢ１０，２０からデータを読み出し、それぞれのデータから軌跡画像を抽出する。ここで抽出した軌跡画像を前記ＤＢ４０，５０に格納させる。
まず、図６に基づき軌跡画像抽出部３０の全体的な処理ステップを説明する。ここでは軌跡画像抽出部３０は、処理が開始されると前記ＤＢ１０からすべてのＧＰＳ軌跡セグメントを受け取る（Ｓ１１０）。続いて前記ＤＢ２０からすべてのラベル情報とＧＰＳ軌跡セグメントを受け取る（Ｓ１２０）。
その後に前記ＤＢ１０，２０から取得した各ＧＰＳ軌跡セグメントｓにおける前記測位点の羅列情報をＰsとし、Ｐsから軌跡画像を抽出する（Ｓ１３０）。そして、前記ＤＢ２０のＧＰＳ軌跡セグメントから抽出した軌跡画像と、該軌跡画像に対応するラベル情報とを前記ＤＢ５０に格納する（Ｓ１４０）。また、前記ＤＢ２０のＧＰＳ軌跡セグメントから抽出した軌跡画像を前記ＤＢ４０に格納し（Ｓ１５０）、処理を終了する。
つぎに図７に基づき軌跡画像抽出部３０の中心的な処理内容、即ちＳ１３０の軌跡画像抽出ステップを詳細に説明する。
Ｓ２０１：処理が開始されると測位点の羅列情報ＰsをＴ秒間隔でサンプリングしたＰs’を生成する。ここでＴは任意のパラメータとする。
Ｓ２０２：緯度経度座標系において測位点の羅列情報における重心座標の緯度成分ｃｅｎｔｅｒlngを計算する。具体的には式（１）により計算する。この式（１）中の｜Ｐs’｜は、Ｐs’の要素数を示している。また、ｐ(j)．ｌｎｇは、Ｐs’におけるｊ番目の測位点の経度を示している。
Ｓ２０３：緯度経度系において測位点の羅列情報における重心座標の緯度成分ｃｅｎｔｅｒlatを計算する。具体的には式（２）により計算する。この式（２）中のｐ(j)．ｌａｔは、Ｐs’におけるｊ番目の測位点の緯度を示している。
Ｓ２０４：Ｐs’における最も南西にある座標の経度座標ｍｉｎlngを計算する。具体的には式（３）により計算する。
Ｓ２０５：Ｐs’における最も南西にある座標の緯度座標ｍｉｎlatを計算する。具体的には式（４）により計算する。
Ｓ２０６：緯度経度座標系において測位点の羅列情報における重心座標の経度座標が、画像座標系の中心座標の水平成分と一致させるために用いる補正値ｏｆｆｓｅｔxを計算する。具体的には式（５）により計算する。
ここでＷmは、軌跡画像の水平幅を表す任意のパラメータである。また、εは定数であり、例えば１０-9のような任意の小さい値を用いる。
Ｓ２０７：緯度経度座標系において測位点の羅列情報における重心座標の緯度座標が、画像座標系の中心座標の垂直成分と一致させるために用いる補正値ｏｆｆｓｅｔyを計算する。具体的には式（６）により計算する。この式（６）中のＨmは、軌跡画像の垂直幅を表す任意のパラメータである。
Ｓ２０８：抽出する軌跡画像を表すＷm×Ｈmの行列Ｉを用意し、すべての要素を０で初期化し、その後にＳ２０９〜Ｓ２１２のループ処理に移行する。このループ処理においては、測位点の順番ｊに１〜｜Ｐs’｜まで値を順次に代入する。以下、Ｓ２０９〜Ｓ２１２のループ処理を説明する。
Ｓ２０９：ｐ(j)．ｌｎｇを緯度経度座標系の経度成分から画像座標系の水平成分ｘに変換する。この変換は、式（７）の計算により行われる。この式（７）中のＷpは、ＰS’の重心を画像の中心として画像化する際の経度幅を示している。
Ｓ２１０：ｐ(j)．ｌａｔを緯度経度座標系の経度成分から画像座標系の垂直成分ｙに変換する。この変換は、式（８）の計算により行われている。この式（８）中、ＨpはＰS’の重心を画像の中心として画像化する際の緯度幅を示している。
Ｓ２１１：Ｓ２０９で変換した座標ｘまたはＳ２１０で変換した座標ｙが、決められた画像サイズの範囲内の場合にはＳ２１２に進む一方、そうでない場合にはＳ２１２をスキップする。
Ｓ２１２：測位点の存在する画素に定数を加算する。ここでは式（９）の計算を行うものとする。
式（９）中のＩ(x,y)は、行列Ｉのｘ行ｙ列の要素を示している。この式（９）の加算処理によって、同じ地点での滞在時間に応じて画素値が調節される。例えば同じ地点に長く滞在すると、軌跡画像の対応する画素値が大きくなり、これにより滞在時間の判別が可能となる。なお、｜Ｐs’｜の要素数のすべてをｊに代入してＳ２０９〜Ｓ２１２の処理が完了すれば、ループ処理を終了する。
≪ＤＮＮ学習部６０，ＤＮＮＤＢ７０≫
ＤＮＮ学習部６０は、前記ＤＢ４０，５０から軌跡画像とラベル情報とを読み出して入力とし、多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）の学習を行う。
ＤＮＮ学習部６０は、前記ＤＢ４０，５０から軌跡画像とラベル情報とを読み出して入力とし、多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）の学習を行う。
図８に基づきＤＮＮ学習部３０の処理ステップを説明する。すなわち、処理が開始されると、まず前記ＤＢ４０から軌跡画像を受け取る（Ｓ３１０）。つぎに前記ＤＢ５０からラベル情報と軌跡画像とを受け取る（Ｓ３２０）。
続いてＳ３１０，Ｓ３２０で取得したすべての軌跡画像を用いて、ＤＮＮのＰｒｅ−ｔｒａｉｎｉｎｇを行う（Ｓ３３０）。Ｐｒｅ−ｔｒａｉｎｉｎｇの方法としては、非特許文献４の「Ｓｔａｃｋｅｄ Ｄｅｎｏｉｓｉｎｇ Ａｕｔｏｅｎｃｏｄｅｒ」など公知の技術を用いることができる。
Ｐｒｅ−ｔｒａｉｎｉｎｇの結果として、中間層の数がＮのＤＮＮに対して、出力としてＮ個の重み行列「Ｗ＝（Ｗ1 T，Ｗ2 T，．．．，Ｗm T）T」およびバイアス項ｂが得られる。
そして、Ｓ３２０で取得した軌跡画像とラベル情報とを用いて、ＤＮＮ全体の重み行列Ｗおよびバイアス項ｂを調整するｆｉｎｅ−ｔｕｎｉｎｇを行う（Ｓ３４０）。ｆｉｎｅ−ｔｕｎｉｎｇの方法は、非特許文献５の誤差逆伝播法などに基づく公知技術を用いることができる。
その後、前記ＤＢ７０に重み行列Ｗおよびバイアス項ｂの情報を格納し（Ｓ３５０）、処理を終了する。これにより前記ＤＢ７０には、図９に示すように、ＤＮＮ学習部６０の学習結果として、各中間層の番号毎に重み行列Ｗおよびバイアス項ｂが格納される。
≪ＤＮＮ特徴量抽出部８０，ＤＮＮ特徴量ＤＢ９０≫
ＤＮＮ特徴量抽出部８０は、前記ＤＢ７０の格納データを読み出して入力とし、ＤＮＮ特徴量の抽出を実行する。図１０に基づき説明すれば、処理が開始されるとＤＮＮ特徴量抽出部８０は、まず前記ＤＢ５０からラベル情報と軌跡画像とを受け取り（Ｓ４１０）、続いて前記ＤＢ７０から各中間層における重み行列Ｗおよびバイアス項ｂを受け取る（Ｓ４２０）。
ＤＮＮ特徴量抽出部８０は、前記ＤＢ７０の格納データを読み出して入力とし、ＤＮＮ特徴量の抽出を実行する。図１０に基づき説明すれば、処理が開始されるとＤＮＮ特徴量抽出部８０は、まず前記ＤＢ５０からラベル情報と軌跡画像とを受け取り（Ｓ４１０）、続いて前記ＤＢ７０から各中間層における重み行列Ｗおよびバイアス項ｂを受け取る（Ｓ４２０）。
つぎにＳ４２０で受け取った重み行列Ｗおよびバイアス項ｂとを用いたＤＮＮから、Ｓ４１０で受け取った各軌跡画像の特徴量を計算する（Ｓ４３０）。この特徴量の計算方法としては、非特許文献４などで用いられている公知の方法を利用できる。例えば軌跡画像をＤＮＮの入力層に与えることで得られるＤＮＮの最も深い中間層の出力を軌跡画像の特徴量とすることができる。
そして、Ｓ４３０で計算された各軌跡画像の特徴量（ＤＮＮ特徴量）と、該軌跡画像に対応するラベル情報とのペアを前記ＤＢ９０に格納し（Ｓ４４０）、処理を終了する。これにより前記ＤＢ９０には、図１１に示すように、ＧＰＳ軌跡セグメントのセグメントＩＤ毎にラベル情報およびＤＮＮ特徴量が格納される。
≪基本特徴量抽出部１００，基本特徴量ＤＢ１１０≫
基本特徴量抽出部１００は、図１に示すように、前記ＤＢ２０のデータを読み出し、読み出したデータから特徴量（基本特徴量）を抽出する。この基本特徴量の抽出方法としては、例えば非特許文献１，２に記載された公知の技術（ｆｅａｔｕｒｅ ｅｎｇｉｎｅｅｒｉｎｇなど）を用いることができる。
基本特徴量抽出部１００は、図１に示すように、前記ＤＢ２０のデータを読み出し、読み出したデータから特徴量（基本特徴量）を抽出する。この基本特徴量の抽出方法としては、例えば非特許文献１，２に記載された公知の技術（ｆｅａｔｕｒｅ ｅｎｇｉｎｅｅｒｉｎｇなど）を用いることができる。
ここで抽出された基本特徴量は、ラベル情報と対応付けて前記ＤＢ１１０に格納される。これにより前記ＤＢ１１０は、図１２に示すように、ＧＰＳ軌跡セグメントのセグメントＩＤ毎にラベル情報および基本特徴量が格納される。
≪特徴量連結部１２０，連結特徴量ＤＢ１３０≫
特徴量連結部１２０は、前記各ＤＢ９０，１１０のデータを読み出し、それぞれのデータ間における同じセグメントＩＤに係る基本特徴量とＤＮＮ特徴量とを連結させる。ここで連結された特徴量を連結特徴量と呼ぶ。
特徴量連結部１２０は、前記各ＤＢ９０，１１０のデータを読み出し、それぞれのデータ間における同じセグメントＩＤに係る基本特徴量とＤＮＮ特徴量とを連結させる。ここで連結された特徴量を連結特徴量と呼ぶ。
図１３に基づき特徴量連結部１２０の処理ステップを説明する。すなわち、特徴量連結部１２０は、処理が開始されると、まず前記ＤＢ９０からセグメントＩＤとラベル情報とＤＮＮ特徴量とを受け取り（Ｓ５１０）、続いて前記ＤＢ１１０からセグメントＩＤとラベル情報と基本特徴量とを受け取る（Ｓ５２０）。
つぎに特徴量連結部１２０は、Ｓ５１０、Ｓ５２０で受け取ったデータ間においてセグメントＩＤが対応する基本特徴量とＤＮＮ特徴量とを特定し、特定された基本特徴量とＤＮＮ特徴量とを一つのベクトルに連結し（Ｓ５３０）、連結された連結特徴量を前記ＤＢ１３０に格納する（Ｓ５４０）。これにより前記ＤＢ１３０には、連結特徴量がラベル情報毎に格納される。
≪推定モデル生成部１４０，推定モデルＤＢ１５０≫
推定モデル生成部１４０は、前記ＤＢ１３０からデータを読み出し、読み出したデータ中の連結特徴量と該連結特徴量に応じたラベル情報とを用いて移動手段推定モデルを生成する。推定モデルの生成には、例えばロジステック回帰やＳＶＭ，決定木などの公知技術を用いることができる（非特許文献１，２参照）。ここで生成された移動手段推定モデルは、前記ＤＢ１５０に格納される。
推定モデル生成部１４０は、前記ＤＢ１３０からデータを読み出し、読み出したデータ中の連結特徴量と該連結特徴量に応じたラベル情報とを用いて移動手段推定モデルを生成する。推定モデルの生成には、例えばロジステック回帰やＳＶＭ，決定木などの公知技術を用いることができる（非特許文献１，２参照）。ここで生成された移動手段推定モデルは、前記ＤＢ１５０に格納される。
このような移動手段推定モデル生成装置１によれば、軌跡画像抽出部３０のＳ１３０は、ＧＰＳ軌跡セグメントから軌跡画像を抽出する際、ＧＰＳ軌跡の尺度を変えずに重心付近を画像化するため（Ｓ２０１〜Ｓ２１２）、移動手段推定に有効な情報を多く含む領域を画像化した軌跡画像を生成することができる。
また、画像サイズを大きくせずに各画素に滞在時間の情報を保持させることにより（Ｓ２１２）、移動手段推定に有効なＧＰＳ軌跡の情報の損失を防ぐとともに、全画素に対してＧＰＳ軌跡に関わる情報を持つ画素が少なくなることが防止できる。
これによりＤＮＮ学習部６０において、Ｓ３３０，Ｓ３４０の表現学習をＧＰＳ軌跡セグメントに対して効果的に適用可能となり、移動手段推定に有効な特徴量（ＤＮＮ特徴量）を抽出できるようになる。
その結果、従来の「ｆｅａｔｕｒｅ ｅｎｇｉｎｅｅｒｉｎｇ」による基本特徴量に加えて表現学習によるＤＮＮ特徴量を、推定モデル生成部１４０のモデル生成に利用可能となり、この点で移動手段を高精度に推定可能な移動手段推定モデルを提供することができる。
≪プログラム等≫
本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で変形・応用して実施することができる。例えば本発明は、移動手段推定モデル生成装置１の各部１０〜１５０の一部もしくは全部として、コンピュータを機能させる移動手段推定モデル生成プログラムとして構成することもできる。このプログラムによれば、Ｓ１１０〜Ｓ１５０，Ｓ２０１〜Ｓ２１２，Ｓ３１０〜Ｓ３５０，Ｓ４１０〜Ｓ４４０，Ｓ５１０〜Ｓ５４０の一部あるいは全部をコンピュータに実行させることが可能となる。
本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で変形・応用して実施することができる。例えば本発明は、移動手段推定モデル生成装置１の各部１０〜１５０の一部もしくは全部として、コンピュータを機能させる移動手段推定モデル生成プログラムとして構成することもできる。このプログラムによれば、Ｓ１１０〜Ｓ１５０，Ｓ２０１〜Ｓ２１２，Ｓ３１０〜Ｓ３５０，Ｓ４１０〜Ｓ４４０，Ｓ５１０〜Ｓ５４０の一部あるいは全部をコンピュータに実行させることが可能となる。
前記プログラムは、Ｗｅｂサイトや電子メールなどネットワークを通じて提供することができる。また、前記プログラムは、ＣＤ−ＲＯＭ，ＤＶＤ−ＲＯＭ，ＣＤ−Ｒ，ＣＤ−ＲＷ，ＤＶＤ−Ｒ，ＤＶＤ−ＲＷ，ＭＯ，ＨＤＤ，ＢＤ−ＲＯＭ，ＢＤ−Ｒ，ＢＤ−ＲＥなどの記録媒体に記録して、保存・配布することも可能である。この記録媒体は、記録媒体駆動装置を利用して読み出され、そのプログラムコード自体が前記実施形態の処理を実現するので、該記録媒体も本発明を構成する。
１…移動手段推定モデル生成装置
１０…ラベルなしＧＰＳ軌跡セグメントＤＢ
２０…ラベルありＧＰＳ軌跡セグメントＤＢ
３０…軌跡画像抽出部
４０…ラベルなし軌跡画像ＤＢ
５０…ラベルあり軌跡画像ＤＢ
６０…ＤＮＮ学習部
７０…ＤＮＮＤＢ
８０…ＤＮＮ特徴量抽出部
９０…ＤＮＮ特徴量ＤＢ
１００…基本特徴量抽出部
１１０…基本特徴量ＤＢ
１２０…特徴量連結部
１３０…連結特徴量ＤＢ
１４０…推定モデル生成部
１５０…推定モデルＤＢ
１０…ラベルなしＧＰＳ軌跡セグメントＤＢ
２０…ラベルありＧＰＳ軌跡セグメントＤＢ
３０…軌跡画像抽出部
４０…ラベルなし軌跡画像ＤＢ
５０…ラベルあり軌跡画像ＤＢ
６０…ＤＮＮ学習部
７０…ＤＮＮＤＢ
８０…ＤＮＮ特徴量抽出部
９０…ＤＮＮ特徴量ＤＢ
１００…基本特徴量抽出部
１１０…基本特徴量ＤＢ
１２０…特徴量連結部
１３０…連結特徴量ＤＢ
１４０…推定モデル生成部
１５０…推定モデルＤＢ
Claims (7)
- ＧＰＳ軌跡に基づき移動手段を推定するための移動手段推定モデルを生成する装置であって、
同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、
前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、
前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出部と、
第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像を格納する第３データベースと、
第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像を前記ラベルと対応させて格納する第４データベースと、
第３データベースおよび第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出部と、
第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出部と、
第５データベースおよび第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結部と、
該連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成部と、
を備えることを特徴とする移動手段推定モデル生成装置。 - 第１データベースおよび第２データベースのＧＰＳ軌跡セグメントは、測位点の羅列情報として緯度・経度・測位時刻の情報を保有する一方、
軌跡画像抽出部は、緯度経度座標系において前記羅列情報における重心座標の経度成分と緯度成分とを計算する手段と、
前記羅列情報における最も南西にある座標の経度座標および緯度座標を計算する手段と、
緯度経度座標系において前記重心座標の経度座標を画像座標系の中心座標の水平成分と一致させる補正値と、緯度経度座標系において前記重心座標の緯度座標を、前記中心座標の垂直成分と一致させる補正値と、を計算する手段と、
前記測位点の経度を緯度経度座標系の経度成分から画像座標系の水平成分に変換する手段と、
前記測位点の緯度を緯度経度座標系の緯度成分から画像座標系の垂直成分に変換する手段と、
を備えることを特徴とする請求項１記載の移動手段推定モデル生成装置。 - 軌跡画像抽出部は、前記水平成分に変換した座標または前記垂直成分に変換した座標が予め決められた画像サイズ内であれば、
前記測位点の存在する画素に定数を加算する手段をさらに備えることを特徴とする請求項２記載の移動手段推定モデル生成装置。 - 同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、
前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、
に基づきコンピュータが、移動手段を推定するための移動手段推定モデルを生成する方法であって、
前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出ステップと、
第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像を第３データベースに格納する軌跡画像格納ステップと、
第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像を前記ラベルと対応させて第４データベースに格納するラベルあり軌跡画像格納ステップと、
第３データベースおよび第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出ステップと、
第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出ステップと、
第５データベースおよび第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結ステップと、
該連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成ステップと、
を有することを特徴とする移動手段推定モデル生成方法。 - 第１データベースおよび第２データベースのＧＰＳ軌跡セグメントは、測位点の羅列情報として緯度・経度・測位時刻の情報を保有する一方、
軌跡画像抽出ステップは、緯度経度座標系において前記羅列情報における重心座標の経度成分と緯度成分とを計算するステップと、
前記羅列情報における最も南西にある座標の経度座標および緯度座標を計算するステップと、
緯度経度座標系において前記重心座標の経度座標を画像座標系の中心座標の水平成分と一致させる補正値と、緯度経度座標系において前記重心座標の緯度座標を前記中心座標の垂直成分と一致させる補正値と、を計算するステップと、
前記測位点の経度を緯度経度座標系の経度成分から画像座標系の水平成分に変換するステップと、
前記測位点の緯度を緯度経度座標系の緯度成分から画像座標系の垂直成分に変換するステップと、
を有することを特徴とする請求項４記載の移動手段推定モデル生成方法。 - 軌跡画像抽出ステップは、前記水平成分に変換した座標または前記垂直成分に変換した座標が予め決められた画像サイズ内であれば、
前記測位点の存在する画素に定数を加算するステップをさらに有することを特徴とする請求項５記載の移動手段推定モデル生成方法。 - 請求項１〜３のいずれか１項に記載の移動手段推定モデル生成装置としてコンピュータを機能させることを特徴とする移動手段推定モデル生成プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014211510A JP6038857B2 (ja) | 2014-10-16 | 2014-10-16 | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014211510A JP6038857B2 (ja) | 2014-10-16 | 2014-10-16 | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016081272A JP2016081272A (ja) | 2016-05-16 |
| JP6038857B2 true JP6038857B2 (ja) | 2016-12-07 |
Family
ID=55958724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014211510A Active JP6038857B2 (ja) | 2014-10-16 | 2014-10-16 | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6038857B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6149024B2 (ja) * | 2014-11-18 | 2017-06-14 | 日本電信電話株式会社 | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム |
| JP6927161B2 (ja) * | 2018-06-04 | 2021-08-25 | 日本電信電話株式会社 | 学習装置、予測装置、方法、及びプログラム |
| CN112329832B (zh) * | 2020-10-27 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度卷积生成对抗网络的无源定位目标轨迹数据增强方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4932798B2 (ja) * | 2008-07-14 | 2012-05-16 | 日本電信電話株式会社 | 移動手段判定装置及び方法 |
| JP2012003494A (ja) * | 2010-06-16 | 2012-01-05 | Sony Corp | 情報処理装置、情報処理方法及びプログラム |
-
2014
- 2014-10-16 JP JP2014211510A patent/JP6038857B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016081272A (ja) | 2016-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Exploring categorical regularization for domain adaptive object detection | |
| US20210117396A1 (en) | Feature-Based Deduplication of Metadata for Places | |
| KR102469261B1 (ko) | 적응적 인공 신경 네트워크 선택 기법들 | |
| US10592786B2 (en) | Generating labeled data for deep object tracking | |
| JP6350251B2 (ja) | 経路情報処理装置、方法、及びプログラム | |
| US20180239986A1 (en) | Image Clustering Method, Image Clustering System, And Image Clustering Server | |
| JP6038857B2 (ja) | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム | |
| CN116438544B (zh) | 用于特定领域神经网络修剪的系统和方法 | |
| JP6927410B2 (ja) | 画像分類システム、画像分類方法および画像分類プログラム | |
| CN107291845A (zh) | 一种基于预告片的电影推荐方法及系统 | |
| JPWO2019225597A1 (ja) | 空き家判定装置、空き家判定方法およびプログラム | |
| CN110942090A (zh) | 模型训练、图像处理方法、装置、电子设备及存储介质 | |
| JP6110281B2 (ja) | 移動手段予測モデル生成装置、移動手段予測モデル生成方法及び移動手段予測モデル生成プログラム | |
| JP6360000B2 (ja) | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム | |
| US20220180744A1 (en) | System and method for task control based on bayesian meta-reinforcement learning | |
| JP6174527B2 (ja) | 移動手段推定装置、その動作方法およびプログラム | |
| JP6149024B2 (ja) | 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム | |
| WO2023140044A1 (ja) | モデル生成方法、モデル生成装置、推論プログラム、及び推論装置 | |
| WO2016086731A1 (zh) | 多级并行关键帧云提取方法及系统 | |
| Wang et al. | A novel trace clustering technique based on constrained trace alignment | |
| JP6433876B2 (ja) | パラメータ推定装置、予測装置、方法、及びプログラム | |
| CN109901189A (zh) | 利用递归神经网络的三维点云跟踪装置及方法 | |
| JP6927161B2 (ja) | 学習装置、予測装置、方法、及びプログラム | |
| US9922262B2 (en) | Method and apparatus for tracking target object | |
| Zhang et al. | A novel framework for semantic segmentation with generative adversarial network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160725 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160802 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160921 |
|
| 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: 20161025 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161102 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6038857 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |