JP6096833B2 - 予測装置、予測方法及び予測プログラム - Google Patents
予測装置、予測方法及び予測プログラム Download PDFInfo
- Publication number
- JP6096833B2 JP6096833B2 JP2015114979A JP2015114979A JP6096833B2 JP 6096833 B2 JP6096833 B2 JP 6096833B2 JP 2015114979 A JP2015114979 A JP 2015114979A JP 2015114979 A JP2015114979 A JP 2015114979A JP 6096833 B2 JP6096833 B2 JP 6096833B2
- Authority
- JP
- Japan
- Prior art keywords
- user
- time
- position information
- prediction
- information
- 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
- 238000000034 method Methods 0.000 title claims description 78
- 230000007704 transition Effects 0.000 claims description 225
- 238000000605 extraction Methods 0.000 claims description 104
- 230000008569 process Effects 0.000 claims description 43
- 239000000284 extract Substances 0.000 claims description 29
- 230000006399 behavior Effects 0.000 description 105
- 238000003860 storage Methods 0.000 description 63
- 238000010586 diagram Methods 0.000 description 40
- 239000011159 matrix material Substances 0.000 description 33
- 230000009471 action Effects 0.000 description 23
- 238000009826 distribution Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 230000007717 exclusion Effects 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 239000002537 cosmetic Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000010365 information processing Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Description
〔1.予測処理〕
まず、図1を用いて、第1の実施形態に係る予測処理の一例について説明する。図1は、第1の実施形態に係る予測処理の一例を示す図である。以下に示す例において、予測装置100は、第1のユーザ(以下、単に「ユーザ」と称する)に関連するセンサ情報としてユーザの位置情報を用いる。具体的には、予測装置100は、位置情報が取得されたユーザの行動パターンとユーザ分類の行動パターンとの類似性に基づいて、位置情報が取得されたユーザの興味を予測する。以下では、位置情報が取得されたユーザを予測対象ユーザとし、予測装置100が、予測対象ユーザの興味を予測する例を示す。
次に、図2を用いて、第1の実施形態に係る予測システム1の構成について説明する。図2は、第1の実施形態に係る予測システム1の構成例を示す図である。図2に示すように、予測システム1は、ユーザ端末10と、ウェブサーバ20と、予測装置100とが含まれる。ユーザ端末10、ウェブサーバ20、及び予測装置100はネットワークNを介して、有線または無線により通信可能に接続される。なお、図2に示した予測システム1には、複数台のユーザ端末10や、複数台のウェブサーバ20や、複数台の予測装置100が含まれてもよい。
次に、図3を用いて、第1の実施形態に係る予測装置100の構成について説明する。図3は、第1の実施形態に係る予測装置100の構成例を示す図である。図3に示すように、予測装置100は、通信部110と、記憶部120と、制御部130とを有する。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。第1の実施形態に係る記憶部120は、図3に示すように、ユーザ情報記憶部121と、ユーザ分類情報記憶部122とを有する。
第1の実施形態に係るユーザ情報記憶部121は、ユーザ情報としてユーザ毎に抽出された行動パターンに関する情報や興味情報を記憶する。また、ユーザ情報記憶部121は、ユーザ毎の行動パターンを抽出するために用いるユーザの位置情報(例えば図14に示すような緯度経度情報)や、ユーザ毎の興味情報を抽出するために用いるユーザのコンテンツ閲覧履歴等を記憶してもよい。図4には、ユーザ情報記憶部121に記憶されるユーザ情報の一例を示す。図4に示すように、ユーザ情報記憶部121は、ユーザ情報として、「ユーザID」、「ユーザ分類」、「行動パターン」、「興味情報」・・・といった項目を有する。
第1の実施形態に係るユーザ分類情報記憶部122は、ユーザ分類情報としてユーザ分類毎の行動パターンに関する情報や興味情報を記憶する。図5には、ユーザ分類情報記憶部122に記憶されるユーザ分類情報の一例を示す。図5に示すように、ユーザ分類情報記憶部122は、ユーザ分類情報として、「ユーザ分類」、「行動パターン」、「興味情報」・・・といった項目を有する。
図3の説明に戻って、制御部130は、例えば、CPUやMPU等によって、予測装置100内部の記憶装置に記憶されている各種プログラム(予測プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、例えば、ASICやFPGA等の集積回路により実現される。
取得部131は、センサにより検出されたユーザに関連するセンサ情報を取得する。第1の実施形態において、取得部131は、ユーザに関連するセンサ情報としてユーザの位置情報を取得する。例えば、取得部131は、予測対象ユーザの位置情報の履歴を取得する。取得部131は、予測対象ユーザの位置情報の履歴を取得した場合、取得した予測対象ユーザの位置情報の履歴を抽出部133へ送信してもよいし、ユーザ情報記憶部121に格納してもよい。また、取得部131は、予測対象ユーザの位置情報を取得した場合、抽出部133へ送信する。なお、取得部131は、複数のユーザの位置情報の履歴を取得してもよい。また、取得部131は、複数のユーザのコンテンツ閲覧履歴を取得してもよい。また、取得部131は、ユーザ分類に関する情報やユーザ分類に関連する行動パターンに関する情報や興味情報を取得してもよい。
生成部132は、取得部131により複数のユーザの位置情報の履歴が取得された場合、後述する抽出部133により抽出された複数のユーザ毎に複数の傾向項目毎に対応するセンサ情報に基づいてユーザ分類を生成する。具体的には、生成部132は、複数の傾向項目毎に対応するセンサ情報の分布の類似度に基づいてユーザ分類を生成する。例えば、生成部132は、図4に示すユーザID「U01」〜「U05」等の複数のユーザ(以下、「U01のユーザ」等と称する場合がある)の行動パターンに関する情報から、図5に示すユーザ分類T1〜T4等の複数のユーザ分類を生成する。例えば、生成部132は、ユーザ分類の生成において、K平均法やコサイン類似度など種々のクラスタリング手法を適宜用いてもよい。また、生成部132は、ユーザ分類が所定の条件を満たすまで、ユーザ分類の生成を繰り返し行ってもよい。なお、予測装置100は、取得部131がユーザ分類に関する情報を取得する場合、生成部132を有さなくてもよい。
抽出部133は、第2のユーザ群のセンサ情報の履歴に基づいて、履歴に含まれる各センサ情報が内容に応じて分類され第2のユーザ群の行動の傾向を示す傾向項目を抽出し、第2のユーザ(以下、「他ユーザ」と称する)毎のセンサ情報の履歴から複数の傾向項目毎に対応するセンサ情報を抽出する。なお、第1のユーザと第2のユーザとは同一人であってもよい。第1の実施形態において、抽出部133は、他ユーザの位置情報の履歴に基づいて、履歴に含まれる各位置情報を内容に応じて分類する複数の傾向項目であって、他ユーザの行動の傾向を示すための複数の傾向項目を抽出し、他ユーザ毎のセンサ情報の履歴から複数の傾向項目毎に対応するセンサ情報を抽出する。例えば、抽出部133は、他ユーザ毎のセンサ情報の履歴から複数の傾向項目毎に対応するセンサ情報の分布として、複数の傾向項目毎の発生確率を抽出する。また、抽出部133は、所定の条件を満たすまで、上記の抽出を繰り返し行ってもよい。このような、抽出部133による抽出には、例えば非特許文献1に示すHabitモデル等の機械学習等の技術を用いてもよい。例えば、抽出部133は、他ユーザ毎のセンサ情報に共通する情報に関する項目を傾向項目として抽出してもよい。例えば、抽出部133は、同じユーザ分類に属する他ユーザのセンサ情報間で共通し、異なるユーザ分類に属する他ユーザのセンサ情報間で差異がある情報に関する項目を傾向項目として抽出してもよい。また、抽出部133は、各ユーザについて複数の傾向項目毎に対応する位置情報の分布として、複数の傾向項目毎の発生確率をユーザ情報記憶部121に格納する。なお、抽出部133は、生成部132により生成されたユーザ分類が所定の条件を満たすまで、上記の抽出を繰り返し行ってもよい。また、抽出部133は、取得部131がユーザ分類に関する情報を取得する場合、上記の抽出を行わなくてもよい。抽出部133は、複数の傾向項目毎に対応するセンサ情報の検出時間や検出回数を、複数の傾向項目毎に対応するセンサ情報の分布としてもよい。
予測部134は、取得部131により取得されたユーザのセンサ情報の履歴から得られる行動パターンと、他ユーザに関連するセンサ情報の履歴から得られる行動パターンに応じて他ユーザが分類されたユーザ分類の興味情報とに基づいて、ユーザの興味を予測する。第1の実施形態において、予測部134は、抽出部133により抽出された予測対象ユーザにおける複数の傾向項目毎に対応するセンサ情報の分布と、ユーザ分類毎に対応付けられた複数の傾向項目毎に対応するセンサ情報の分布との類似度に基づき予測対象ユーザが分類されるユーザ分類の興味情報により、予測対象ユーザの興味を予測する。具体的には、予測部134は、抽出部133により抽出された予測対象ユーザにおける複数の傾向項目毎の発生確率と、ユーザ分類毎に対応付けられた複数の傾向項目毎の発生確率との類似度に基づき予測対象ユーザが分類されるユーザ分類の興味情報により、予測対象ユーザの興味を予測する。
送信部135は、例えば、予測部134により生成された予測情報をウェブサーバ20へ送信する。具体的には、送信部135は、予測部134により予測された予測対象ユーザの興味が旅行であることを示す情報をウェブサーバ20へ送信する。
次に、図8を用いて、第1の実施形態に係る予測システム1による予測処理の手順について説明する。図8は、第1の実施形態に係る予測システム1による予測処理手順を示すフローチャートである。
上述した第1の実施形態に係る予測システム1は、上記第1の実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、予測システム1の他の実施形態について説明する。
上述した第1の実施形態において、予測装置100は、ユーザの位置情報のみに基づく傾向項目により示される行動パターンの類似性に基づいて、ユーザの興味を予測する。しかしながら、予測装置100は、ユーザの位置情報に他の情報を加味した傾向項目により示される行動パターンの類似性に基づいて、ユーザの興味を予測してもよい。この点について、図9を用いて説明する。図9は、変形例に係る行動パターンの抽出の一例を示す図である。なお、図9に示す例では、ユーザの位置情報に当該位置情報を取得した時間に関する情報を加味する場合を示す。また、図9に示す予測対象ユーザの位置情報は、図1に示す予測対象ユーザの位置情報と同様である。
上述した第1の実施形態において、予測装置100は、緯度経度等によるユーザの絶対的な位置情報に基づく傾向項目により示される行動パターンの類似性に基づいて、ユーザの興味を予測する。言い換えると、第1の実施形態において、予測装置100は、ユーザが緯度経度で示される地球上のどこに位置するかに基づく傾向項目により示される行動パターンの類似性に基づいて、ユーザの興味を予測する。しかしながら、予測装置100は、目的に応じてユーザの位置情報を概念化した情報に基づく傾向項目により示される行動パターンの類似性に基づいて、ユーザの興味を予測してもよい。この点について、図10を用いて説明する。図10は、変形例に係る行動パターンの抽出の他の一例を示す図である。なお、図10に示す予測対象ユーザの位置情報は、図1に示す予測対象ユーザの位置情報と同様である。
上記第1の実施形態において、予測装置100は、対象を車、旅行、コスメ等とした興味情報を用いて、予測対象ユーザの興味を予測する。しかしながら、予測装置100は、ユーザの興味に関する種々の対象を興味情報としてもよい。例えば、予測装置100は、地域を限定した対象を興味情報としてもよい。具体的には、予測装置100は、「関東地方の天気」、「大阪のイベント」などの地域を限定した対象を興味情報としてもよい。
上記第1の実施形態において、予測装置100は、ユーザに関連するセンサ情報としてユーザの位置情報を用いる。上記第1の実施形態においては、ユーザ端末10が主にGPSによりユーザの位置情報を取得する例を示したが、位置情報の取得はWiFi(登録商標)のフィンガープリントや、Bluetooth(登録商標)や赤外線により取得できる情報、いわゆるビーコン等の種々の情報をユーザの位置情報をしてもよい。また、予測装置100は、ユーザの位置情報に限らず、ユーザに関する種々の情報を用いてもよい。例えば、予測装置100は、ユーザに関連するセンサ情報としてユーザの加速度情報を用いてもよい。この場合、予測装置100は、例えば、ユーザが所有するユーザ端末10に搭載された加速度センサにより検出されたユーザの加速度情報を取得する。また、予測装置100は、ユーザに関連するセンサ情報として位置情報センサの反応回数や加速度センサの反応回数を用いてもよい。また、予測装置100は、ユーザに関連するセンサ情報であればどのような情報用いてもよく、例えば、照度、気温、湿度、音量など種々の情報を用いてもよい。
上記第1の実施形態において、予測装置100は、生成されたユーザ分類を用いて、予測対象ユーザの興味を予測する。しかしながら、予測装置100は、予測対象ユーザの位置情報の履歴を含めた複数のユーザの位置情報の履歴からユーザ分類を生成してもよい。具体的には、予測装置100は、予測対象ユーザの位置情報の履歴を含めた複数のユーザの位置情報の履歴から、複数の傾向項目を抽出する。そして、予測装置100は、抽出した複数の傾向項目により示される各ユーザの行動パターンに基づいて、ユーザ分類を生成する。これにより、予測装置100は、予測対象ユーザの行動パターンを含めて傾向項目を抽出することができる。また、予測装置100は、ユーザ分類が生成された時点で、予測対象ユーザのユーザ分類を判定できる。したがって、予測装置100は、予測対象ユーザの行動パターンを含めて生成されたユーザ分類に基づいて、予測対象ユーザの興味を予測できる。
上述してきたように、第1の実施形態に係る予測装置100は、取得部131と、予測部134とを有する。取得部131は、センサにより検出された第1のユーザに関連するセンサ情報を取得する。予測部134は、取得部131により取得された第1のユーザに関連するセンサ情報の履歴から得られる行動パターンと、第2のユーザに関連するセンサ情報の履歴から得られる行動パターンに応じて第2のユーザが分類されたユーザ分類の興味情報とに基づいて、第1のユーザの興味を予測する。
〔1.予測処理〕
まず、図11を用いて、第2の実施形態に係る予測処理の一例について説明する。図11は、第2の実施形態に係る予測処理の一例を示す図である。予測装置200は、ユーザの位置情報に含まれるユーザの複数の滞在地点のうち、ユーザが一の滞在地点である移動元に位置する所定の時刻からユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する。本実施形態において、予測装置200は、移動元における滞在時間と、移動元から移動先への移動時間とを合わせた時間を予測時間として予測する。言い換えると、予測装置200は、予測時間として、移動元にユーザが到達したと想定される時点から、他の滞在地点である移動先にユーザが到達したと想定される時点までの時間(以下、「遷移時間」と称する場合がある)を予測する。つまり、予測装置200は、ユーザに関する情報として、移動元にユーザが到達したと想定される時点から移動先にユーザが到達したと想定される時点までの時間を予測する。図11に示す例では、複数の滞在地点のうちオフィスを移動元とし、家を移動先として、ユーザがオフィスに到達してから家に到達したと想定される時点までの時間を予測する場合を示す。
次に、図12を用いて、第2の実施形態に係る予測システム2の構成について説明する。図12は、第2の実施形態に係る予測システム2の構成例を示す図である。図12に示すように、予測システム2は、ユーザ端末11と、ウェブサーバ21と、予測装置200とが含まれる。ユーザ端末11、ウェブサーバ21、及び予測装置200はネットワークNを介して、有線または無線により通信可能に接続される。なお、図12に示した予測システム2には、複数台のユーザ端末11や、複数台のウェブサーバ21や、複数台の予測装置200が含まれてもよい。
次に、図13を用いて、第2の実施形態に係る予測装置200の構成について説明する。図13は、第2の実施形態に係る予測装置200の構成例を示す図である。図13に示すように、予測装置200は、通信部210と、記憶部220と、制御部230とを有する。
記憶部220は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。第2の実施形態に係る記憶部220は、図13に示すように、位置情報記憶部221と、滞在情報記憶部222とを有する。
第2の実施形態に係る位置情報記憶部221は、例えばユーザ端末11から取得したユーザの位置情報を記憶する。図14には、位置情報記憶部221に記憶されるユーザの位置情報の一例を示す。図14に示すように、位置情報記憶部221は、位置情報として、「日時」、「緯度」、「経度」といった項目を有する。
第2の実施形態に係る滞在情報記憶部222は、ユーザの滞在情報である各滞在地点間の遷移確率及び遷移時間を示す遷移モデルを記憶する。なお、遷移確率とは、ユーザが一の滞在地点から他の滞在地点のうち対応する滞在地点へ移動する確率を示す。例えば、移動元が「家」であり、移動先が「オフィス」である場合の遷移確率が「0.4」である場合、家から他の滞在地点のうちオフィスへ移動する確率が40%であることを示す。
図13の説明に戻って、制御部230は、例えば、CPUやMPU等によって、予測装置200内部の記憶装置に記憶されている各種プログラム(予測プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部230は、例えば、ASICやFPGA等の集積回路により実現される。
取得部231は、ユーザの位置情報を取得する。取得部231は、予測対象ユーザの位置情報の履歴を取得した場合、位置情報記憶部221に格納する。
抽出部232は、位置情報記憶部221に記憶されたユーザの位置情報の履歴から、取得された時点が連続する二つの位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、二つの位置情報を抽出する。また、抽出部232は、抽出部232により抽出されたユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が閾値未満の複数の位置情報のうち、取得された時点が最先の位置情報を抽出する。なお、抽出部232が、ユーザの位置情報の履歴から取得された時点が連続する二つの位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、二つの位置情報を抽出する処理は、図11に示す時間軸TA2における移動除外処理に対応するため、以下、移動除外処理と称する。また、抽出部232が、移動除外処理により抽出されたユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が閾値未満の複数の位置情報のうち、取得された時点が最先の位置情報を抽出する処理は、図11に示す時間軸TA3における重複除外処理に対応するため、以下、重複除外処理と称する。
予測部233は、取得部231により取得されたユーザの位置情報の履歴に基づいて抽出されたユーザの複数の滞在地点のうち、ユーザが一の滞在地点である移動元に位置する所定の時刻からユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する。具体的には、予測部233は、移動元における滞在時間、または移動先における滞在時間と、移動元から移動先への移動時間とを合わせた時間を予測時間として予測する。例えば、予測部233は、抽出部232により抽出されたユーザの複数の滞在地点間の遷移時間を予測する。また、予測部233は、ユーザの位置情報の履歴に基づいて、移動元から移動先へ移動する確率を予測する。例えば、予測部233は、抽出部232により抽出されたユーザの複数の滞在地点間の遷移確率を予測する。
送信部234は、予測部233により生成された予測情報を例えばウェブサーバ21へ送信する。例えば、送信部234は、予測部233により生成された予測情報として予測対象位置に対応する滞在地点を移動元とし、他の滞在地点を移動先として、各移動先への遷移確率及び遷移時間に関する情報を送信する。また、送信部234は、予測部233により生成された予測情報として、予測対象位置に対応する滞在地点を移動元とし、最も遷移確率の高い滞在地点を移動先とする遷移時間に関する情報を送信してもよい。
次に、図24及び図25を用いて、第2の実施形態に係る予測システム2による遷移モデル生成後の予測処理の手順について説明する。図24は、第2の実施形態に係る予測システム2による遷移モデル生成後の予測処理手順を示すフローチャートである。図25は、遷移モデルの結合の一例を示す図である。図25中の行列MT11〜MT14は、遷移モデルにおける遷移確率を示す、図20中の遷移モデルにおける遷移確率を示す行列MT1に対応する。
上述してきたように、第2の実施形態に係る予測装置200は、取得部231と、予測部233とを有する。取得部231は、ユーザの位置情報を取得する。予測部233は、取得部231により取得されたユーザの位置情報に含まれるユーザの複数の滞在地点のうち、ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する予測する。
〔1.ハードウェア構成〕
上述してきた第1の実施形態に係る予測装置100や第2の実施形態に係る予測装置200は、例えば図26に示すような構成のコンピュータ1000によって実現される。図26は、予測装置100や予測装置200の機能を実現するコンピュータ1000の一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
また、上記各実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
100 予測装置
121 ユーザ情報記憶部
122 ユーザ分類情報記憶部
130 制御部
131 取得部
132 生成部
133 抽出部
134 予測部
135 送信部
2 予測システム
200 予測装置
221 位置情報記憶部
222 滞在情報記憶部
230 制御部
231 取得部
232 抽出部
233 予測部
234 送信部
N ネットワーク
Claims (15)
- ユーザの位置情報を取得する取得部と、
前記取得部により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する予測部と、
前記ユーザの位置情報の履歴から、取得された時点が連続する二の位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、前記移動元または前記移動先として前記二の位置情報を抽出する抽出部と、
を備え、
前記抽出部は、
抽出したユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が所定の閾値未満の複数の位置情報のうち、取得された時点が最先または最後の位置情報を前記移動元または前記移動先として抽出することを特徴とする予測装置。 - ユーザの位置情報を取得する取得部と、
前記取得部により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として、前記ユーザの位置情報の履歴から生成された複数の遷移モデルから、所定の日時に基づき一の遷移モデルを選択し、前記選択した遷移モデルが所定の条件を満たすまで他の遷移モデルと結合し、前記選択した遷移モデルに基づいて、予測する予測部と、
を備えたことを特徴とする予測装置。 - 前記予測部は、
前記移動元における滞在時間、または前記移動先における滞在時間と、前記移動元から前記移動先への移動時間とを合わせた時間を前記予測時間として予測する、
ことを特徴とする請求項1または請求項2に記載の予測装置。 - 前記ユーザの位置情報の履歴から、取得された時点が連続する二の位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、前記移動元または前記移動先として前記二の位置情報を抽出する抽出部、
をさらに備えたことを特徴とする請求項1〜3のいずれか一つに記載の予測装置。 - 前記抽出部は、
前記抽出部により抽出されたユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が所定の閾値未満の複数の位置情報のうち、所定の条件を満たす位置情報を前記移動元または前記移動先として抽出する、
ことを特徴とする請求項4に記載の予測装置。 - 前記抽出部は、
前記所定の条件を満たす位置情報として、取得された時点が最先または最後の位置情報を抽出する、
ことを特徴とする請求項5に記載の予測装置。 - 前記予測部は、
前記ユーザの位置情報の履歴に基づいて、前記移動元から前記移動先へ移動する確率を予測する、
ことを特徴とする請求項1〜6のいずれか一つに記載の予測装置。 - 前記予測部は、
前記ユーザの位置情報の履歴から生成された複数の遷移モデルから、所定の日時に基づき一の遷移モデルを選択し、前記選択した遷移モデルが所定の条件を満たすまで他の遷移モデルと結合し、前記選択した遷移モデルに基づいて、前記予測時間を予測する、
ことを特徴とする請求項1〜7のいずれか一つに記載の予測装置。 - 前記予測部は、
前記取得部によりユーザの位置情報が取得された日時を、前記所定の日時とする、
ことを特徴とする請求項8に記載の予測装置。 - ユーザの位置情報を取得する取得部と、
前記取得部により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点と当該位置情報であって、取得された時点が最先または最後に対応する各滞在地点の位置情報が取得された時間とに基づいて、前記ユーザが所定の滞在地点に位置する場合において、他の滞在地点のうちいずれの滞在地点にいずれのタイミングで移動するかを予測する予測部と、
前記ユーザの位置情報の履歴から、取得された時点が連続する二の位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、前記複数の滞在地点のいずれかとして前記二の位置情報を抽出する抽出部と、
を備え、
前記抽出部は、
抽出したユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が所定の閾値未満の複数の位置情報のうち、取得された時点が最先または最後の位置情報を前記複数の滞在地点のいずれかとして抽出することを特徴とする予測装置。 - ユーザの位置情報を取得する取得部と、
前記取得部により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点と当該位置情報が取得された時間と、前記ユーザの位置情報の履歴から生成された複数の遷移モデルから、所定の日時に基づき一の遷移モデルを選択し、前記選択した遷移モデルが所定の条件を満たすまで他の遷移モデルと結合し、前記選択した遷移モデルとに基づいて、前記ユーザが所定の滞在地点に位置する場合において、他の滞在地点のうちいずれの滞在地点にいずれのタイミングで移動するかを予測する予測部と、
を備えたことを特徴とする予測装置。 - コンピュータが実行する予測方法であって、
ユーザの位置情報を取得する取得工程と、
前記取得工程により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する予測工程と、
前記ユーザの位置情報の履歴から、取得された時点が連続する二の位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、前記移動元または前記移動先として前記二の位置情報を抽出する抽出工程と、
を含み、
前記抽出工程は、
抽出したユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が所定の閾値未満の複数の位置情報のうち、取得された時点が最先または最後の位置情報を前記移動元または前記移動先として抽出することを特徴とする予測方法。 - ユーザの位置情報を取得する取得手順と、
前記取得手順により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として予測する予測手順と、
前記ユーザの位置情報の履歴から、取得された時点が連続する二の位置情報に基づく二地点間を移動する速さが所定の閾値未満の場合、前記移動元または前記移動先として前記二の位置情報を抽出する抽出手順と、
をコンピュータに実行させ、
前記抽出手順は、
抽出したユーザの位置情報の履歴から、取得された時点が連続する位置情報であって連続する位置情報に基づく地点間の距離が所定の閾値未満の複数の位置情報のうち、取得された時点が最先または最後の位置情報を前記移動元または前記移動先として抽出することを特徴とする予測プログラム。 - コンピュータが実行する予測方法であって、
ユーザの位置情報を取得する取得工程と、
前記取得工程により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として、前記ユーザの位置情報の履歴から生成された複数の遷移モデルから、所定の日時に基づき一の遷移モデルを選択し、前記選択した遷移モデルが所定の条件を満たすまで他の遷移モデルと結合し、前記選択した遷移モデルに基づいて、予測する予測工程と、
を含むことを特徴とする予測方法。 - ユーザの位置情報を取得する取得手順と、
前記取得手順により取得された前記ユーザの位置情報に含まれる前記ユーザの複数の滞在地点のうち、前記ユーザが一の滞在地点である移動元に位置する所定の時刻から前記ユーザが他の滞在地点である移動先に位置する所定の時刻までの時間を予測時間として、前記ユーザの位置情報の履歴から生成された複数の遷移モデルから、所定の日時に基づき一の遷移モデルを選択し、前記選択した遷移モデルが所定の条件を満たすまで他の遷移モデルと結合し、前記選択した遷移モデルに基づいて、予測する予測手順と、
をコンピュータに実行させることを特徴とする予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015114979A JP6096833B2 (ja) | 2015-06-05 | 2015-06-05 | 予測装置、予測方法及び予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015114979A JP6096833B2 (ja) | 2015-06-05 | 2015-06-05 | 予測装置、予測方法及び予測プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014257643A Division JP6147242B2 (ja) | 2014-12-19 | 2014-12-19 | 予測装置、予測方法及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016119047A JP2016119047A (ja) | 2016-06-30 |
JP6096833B2 true JP6096833B2 (ja) | 2017-03-15 |
Family
ID=56244315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015114979A Active JP6096833B2 (ja) | 2015-06-05 | 2015-06-05 | 予測装置、予測方法及び予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6096833B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7001508B2 (ja) * | 2018-03-16 | 2022-01-19 | ヤフー株式会社 | 情報処理装置、情報処理方法、およびプログラム。 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4926232B2 (ja) * | 2009-12-03 | 2012-05-09 | 株式会社ソニー・コンピュータエンタテインメント | 情報処理装置および情報処理方法 |
CN103443584A (zh) * | 2011-03-25 | 2013-12-11 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
JP5998945B2 (ja) * | 2013-01-10 | 2016-09-28 | 富士通株式会社 | 滞在地点分析方法、滞在地点分析装置、及び滞在地点分析プログラム |
-
2015
- 2015-06-05 JP JP2015114979A patent/JP6096833B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016119047A (ja) | 2016-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6147242B2 (ja) | 予測装置、予測方法及び予測プログラム | |
US10332019B2 (en) | Ranking nearby destinations based on visit likelihoods and predicting future visits to places from location history | |
Nadembega et al. | A destination and mobility path prediction scheme for mobile networks | |
CN105284144B (zh) | 对显著位置进行建模 | |
CN103942229B (zh) | 目的地预测设备和方法 | |
US20160227367A1 (en) | Method of providing positioning data to mobile device | |
JP7338704B2 (ja) | 人流予測装置、人流予測方法、及び人流予測プログラム | |
WO2015035185A1 (en) | Providing transit information | |
CN104798420A (zh) | 基于沿路线遇到的周围的可识别无线信号源估计到达时间 | |
KR101642487B1 (ko) | 사용자의 미래 위치 예측 방법, 그리고 이를 이용한 콘텐츠 제공 방법 및 장치 | |
JP6469465B2 (ja) | 位置情報管理装置及び位置情報管理方法 | |
Praet et al. | Efficient parcel delivery by predicting customers’ locations | |
JP6396686B2 (ja) | 行動判定装置、行動判定方法及びプログラム | |
Yoon et al. | Rendezvous: Opportunistic data delivery to mobile users by UAVs through target trajectory prediction | |
JP6096833B2 (ja) | 予測装置、予測方法及び予測プログラム | |
KR20210078203A (ko) | 거점 기반의 프로파일링 방법 및 이를 이용하는 단말기 | |
JP6687648B2 (ja) | 推定装置、推定方法及び推定プログラム | |
JP6664582B2 (ja) | 推定装置、推定方法および推定プログラム | |
JP6560486B2 (ja) | 平日/非平日推定装置及び平日/非平日推定方法 | |
KR101773453B1 (ko) | 사용자별 트래블 로그 수집을 통한 이동 정보 관리 방법 및 이를 사용한 서버 | |
JP6443967B2 (ja) | エリア属性推定装置及びエリア属性推定方法 | |
Ibrahim et al. | Mining trajectory data and identifying patterns for taxi movement trips | |
JP5899193B2 (ja) | 分類装置、分類システム、および分類方法 | |
JP6736619B2 (ja) | 決定装置、決定方法、決定プログラム | |
US20170116540A1 (en) | Method for triggering an action on a mobile device of a user |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160531 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20160531 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20160630 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161020 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161115 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170110 |
|
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: 20170207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6096833 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |