JP6096833B2 - 予測装置、予測方法及び予測プログラム - Google Patents

Description

本発明は、予測装置、予測方法及び予測プログラムに関する。

近年、ユーザに関する情報を予測する技術が提供されている。このような予測されたユーザに関する情報に基づいて、ユーザに対して適切なサービスが提供される。例えば、ユーザ情報とレコメンドルールとの比較に基づくカテゴリの優先度に応じて、ユーザにコンテンツを配信する技術が提供されている。

特開２００９−８７１５４号公報

McInerney, James, Zheng, Jiangchuan, Rogers, Alex and Jennings, Nicholas R., "Modelling Heterogeneous Location Habits in Human Populations for Location Prediction Under Data Sparsity", International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2013), Zurich, CH, 08 - 12 Sep 2013. 10pp, 469-478.

しかしながら、上記の従来技術では、ユーザに関する情報を適切に予測することができるとは限らない。例えば、予測の対象となるユーザに関する情報に関連するデータが十分に取得できないユーザに関して、当該ユーザに関する情報を適切に予測することは難しい。

本願は、上記に鑑みてなされたものであって、ユーザに関する情報を適切に予測する予測装置、予測方法及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、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、を備えたことを特徴とする。

実施形態の一態様によれば、ユーザに関する情報を適切に予測することができるという効果を奏する。

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。 図２は、第１の実施形態に係る予測システムの構成例を示す図である。 図３は、第１の実施形態に係る予測装置の構成例を示す図である。 図４は、第１の実施形態に係るユーザ情報記憶部の一例を示す図である。 図５は、第１の実施形態に係るユーザ分類情報記憶部の一例を示す図である。 図６は、第１の実施形態に係るユーザ分類の興味抽出の一例を示す図である。 図７は、第１の実施形態に係る行動パターンの抽出の一例を示す図である。 図８は、第１の実施形態に係る予測処理の一例を示すフローチャートである。 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。 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。 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。 図１２は、第２の実施形態に係る予測システムの構成例を示す図である。 図１３は、第２の実施形態に係る予測装置の構成例を示す図である。 図１４は、第２の実施形態に係る位置情報記憶部の一例を示す図である。 図１５は、第２の実施形態に係る滞在情報記憶部の一例を示す図である。 図１６は、第２の実施形態に係る位置情報抽出の一例を示す図である。 図１７は、第２の実施形態に係る滞在地点の統合の一例を示す図である。 図１８は、第２の実施形態に係る滞在地点の役割の一例を示す図である。 図１９は、第２の実施形態に係る予測処理における遷移モデル生成処理の一例を示すフローチャートである。 図２０は、第２の実施形態に係る遷移モデルにおける遷移確率の一例を示す図である。 図２１は、第２の実施形態に係る遷移モデルにおける遷移時間の一例を示す図である。 図２２は、第２の実施形態に係る遷移モデルにおける遷移時間の算出の一例を示す図である。 図２３は、第２の実施形態に係る遷移モデルにおける遷移時間の一例を示す図である。 図２４は、第２の実施形態に係る予測処理の一例を示すフローチャートである。 図２５は、第２の実施形態に係る遷移モデルの結合の一例を示す図である。 図２６は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る予測装置、予測方法及び予測プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、予測方法及び予測プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（第１の実施形態）
〔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。

図１には、第１の実施形態に係る予測装置１００が予測処理に用いるユーザ分類Ｔ１〜Ｔ３等の行動パターン及び興味を示す。各ユーザ分類の行動パターンを棒グラフで示した行動パターンＡＰ１〜ＡＰ３は、傾向項目Ｈ１〜Ｈ８から構成される。ここで、傾向項目は、ユーザの位置情報に関する情報を当該情報の内容に応じて区別しユーザの行動パターンの傾向を示すものであるが、詳細は後述する。図１に示す例において、各ユーザ分類の行動パターンＡＰ１〜ＡＰ３中の傾向項目Ｈ１〜Ｈ８は、図１に示す地図Ｍ１中の領域を示すＨ１〜Ｈ８（以下、「領域Ｈ１」等と称する場合がある）に対応する。また、各ユーザ分類の行動パターンＡＰ１〜ＡＰ３中の傾向項目Ｈ１〜Ｈ８に対応する棒の高さは、地図Ｍ１中の領域Ｈ１〜Ｈ８に位置する発生確率（以下、単に「確率」と称する場合がある）を示す。具体的には、図１に示す例において、ユーザ分類Ｔ１の行動パターンＡＰ１は、地図Ｍ１中の領域Ｈ２に位置する確率が５０％であり、領域Ｈ４に位置する確率が１０％であり、領域Ｈ７に位置する確率が３５％であり、領域Ｈ８に位置する確率が５％であることを示す。また、ユーザ分類Ｔ２の行動パターンＡＰ２は、地図Ｍ１中の領域Ｈ１に位置する確率が４０％であり、領域Ｈ２に位置する確率が５％であり、領域Ｈ３に位置する確率が１０％であり、領域Ｈ４に位置する確率が３５％であり、領域Ｈ５に位置する確率が１０％であることを示す。なお、図１に示すユーザ分類Ｔ１〜Ｔ３等は、複数のユーザの位置情報の履歴から生成されるが詳細は後述する。また、各ユーザ分類の行動パターンＡＰ１〜ＡＰ３の上部に示す興味は、各ユーザ分類に対応づけられ、そのユーザ分類のユーザに共通すると推定される興味を示す。具体的には、図１に示す例において、ユーザ分類Ｔ２のユーザは、旅行に興味があると推定されることを示す。なお、ユーザ分類の興味についての詳細は後述する。

ここで、予測装置１００は、予測対象ユーザの位置情報の履歴を取得した場合、予測対象ユーザの位置情報の履歴から予測対象ユーザの行動パターンを生成する。図１に示す予測対象ユーザの行動パターンＡＰ４は、予測装置１００により生成された予測対象ユーザの行動パターンを示す。予測対象ユーザの行動パターンＡＰ４は、各ユーザ分類の行動パターンＡＰ１〜ＡＰ３と同様に、複数の傾向項目Ｈ１〜Ｈ８から構成される。図１に示す例において、予測対象ユーザの行動パターンＡＰ４中の傾向項目Ｈ１〜Ｈ８は、図１に示す地図Ｍ１中の領域Ｈ１〜Ｈ８に対応する。また、予測対象ユーザの行動パターンＡＰ４中の傾向項目Ｈ１〜Ｈ８に対応する棒の高さは、地図Ｍ１中の領域Ｈ１〜Ｈ８のそれぞれに位置する確率を示す。具体的には、図１に示す例において、予測対象ユーザの行動パターンＡＰ４は、地図Ｍ１中の領域Ｈ１に位置する確率が３５％であり、領域Ｈ３に位置する確率が１０％であり、領域Ｈ４に位置する確率が４５％であり、領域Ｈ５に位置する確率が１０％であることを示す。

予測装置１００は、予測対象ユーザの行動パターンＡＰ４を生成した後、ユーザ分類Ｔ１，Ｔ２，Ｔ３等の行動パターンＡＰ１〜ＡＰ３と生成した予測対象ユーザの行動パターンＡＰ４とに基づいて、予測対象ユーザが分類されるユーザ分類を判定する。具体的には、予測装置１００は、ユーザ分類Ｔ１，Ｔ２，Ｔ３等の行動パターンと予測対象ユーザの行動パターンＡＰ４との類似度に基づき、予測対象ユーザの行動パターンＡＰ４と類似度が最も高いユーザ分類を予測対象ユーザが分類されるユーザ分類と判定する。なお、予測装置１００は、行動パターン間の類似度の判定には、例えばコサイン類似度など種々の類似度計算に関する技術を用いる。

図１に示す例において、予測装置１００は、ユーザ分類Ｔ２の行動パターンＡＰ２を、予測対象ユーザの行動パターンＡＰ４と類似度が最も高い行動パターンと判定する。これにより、予測装置１００は、ユーザ分類Ｔ２のユーザに共通する興味であると推定された旅行を、予測対象ユーザの興味と予測する。

このように、第１の実施形態に係る予測装置１００は、予測対象ユーザの位置情報に基づいて、予測対象ユーザの興味を予測することができる。そのため、予測装置１００は、予測対象ユーザの興味に関連する情報が無い場合や不足している場合であっても、予測対象ユーザの位置情報に基づいて予測対象ユーザの興味を予測することができる。

従来、例えばユーザのコンテンツ閲覧履歴に基づく興味に応じて当該ユーザに対して適切なコンテンツを提供する技術が提供されている。しかしながら、予測対象ユーザのコンテンツ閲覧履歴が無い場合や不足している場合、予測対象ユーザのコンテンツ閲覧履歴からでは予測対象ユーザの興味を予測することは難しい。そのため、予測対象ユーザのコンテンツ閲覧履歴が無い場合や不足している場合、予測対象ユーザのコンテンツ閲覧履歴に類似するコンテンツ閲覧履歴を有する他のユーザに関連する情報を用いる場合がある。これにより、不足する予測対象ユーザのコンテンツ閲覧履歴を補って予測対象ユーザの興味を予測する。しかし、不足する予測対象ユーザのコンテンツ閲覧履歴に基づいて他のユーザとの類似性を判定する場合、類似する他のユーザを適切に判定することは難しい。また、予測対象ユーザのコンテンツ閲覧履歴が無い場合、コンテンツ閲覧履歴が類似する他のユーザを判定することができない。

第１の実施形態に係る予測装置１００は、予測対象ユーザの位置情報に基づいて、予測対象ユーザの興味を予測する。上述したように、予測装置１００は、複数のユーザから取得した位置情報に基づいて生成されたユーザ分類であって、複数のユーザから取得した興味に関する情報に基づく興味が関連付けられたユーザ分類を用いて、予測対象ユーザが分類されるユーザ分類を判定する。具体的には、予測装置１００は、ユーザ分類の行動パターンと予測対象ユーザの行動パターンとの類似度に基づき、予測対象ユーザの行動パターンと類似度が最も高いユーザ分類を予測対象ユーザが分類されるユーザ分類とする。そして、予測装置１００は、予測対象ユーザが分類されるユーザ分類の興味を予測対象ユーザの興味と予測する。つまり、予測装置１００は、予測対象ユーザの位置情報に基づいて、予測対象ユーザの興味を予測することが可能となる。そのため、予測装置１００は、予測対象ユーザの興味を予測する情報、例えばコンテンツの閲覧履歴が無い場合であっても、予測対象ユーザの興味を適切に予測することができる。したがって、予測装置１００により予測された予測対象ユーザの興味に基づいて、予測対象ユーザに対して適切なコンテンツを提供することが可能となる。

〔２．予測システムの構成〕
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。

ユーザ端末１０は、ユーザによって利用される情報処理装置である。第１の実施形態に係るユーザ端末１０は、例えば、スマートフォンやタブレット端末やＰＤＡ（Personal Digital Assistant）等の移動端末であり、センサにより位置情報を検出する。例えば、ユーザ端末１０は、ＧＰＳ（Global Positioning System）衛星と通信するＧＰＳ送受信機能を有する位置情報センサを備え、ユーザ端末１０の位置情報を取得する。なお、ユーザ端末１０の位置情報センサは、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いて推定されたユーザ端末１０の位置情報を取得してもよい。また、ユーザ端末１０は、上記の位置情報を組み合わせてユーザ端末１０の位置情報を推定してもよい。また、ユーザ端末１０は、取得した位置情報をウェブサーバ２０や予測装置１００へ送信する。

ウェブサーバ２０は、ユーザ端末１０からの要求に応じてウェブページ等のコンテンツを提供する情報処理装置である。ウェブサーバ２０は、ユーザ端末１０からユーザの位置情報を取得する場合、ユーザ端末１０のユーザの位置情報の履歴を予測装置１００へ送信する。また、ウェブサーバ２０は、例えば、複数のユーザ端末１０のユーザの位置情報の履歴や、複数のユーザ端末１０のユーザのコンテンツ閲覧履歴を予測装置１００へ送信する。

予測装置１００は、予測対象ユーザの位置情報の履歴から予測対象ユーザの興味を予測する。また、予測装置１００は、例えば、ウェブサーバ２０から取得した複数のユーザ端末１０のユーザの位置情報の履歴からユーザ分類を生成する。また、予測装置１００は、例えば、ウェブサーバ２０から取得した複数のユーザ端末１０のユーザのコンテンツ閲覧履歴からユーザ分類の興味情報を抽出する。なお、予測装置１００は、ユーザ分類に関する情報、例えば行動パターンに関する情報や興味情報を、ウェブサーバ２０等の外部の情報処理装置から取得してもよい。

ここで、予測システム１の処理の一例を示す。まず、ウェブサーバ２０は、複数のユーザ端末１０のユーザの位置情報と、複数のユーザ端末１０のユーザのコンテンツ閲覧に関する情報とを収集する。予測装置１００は、ウェブサーバ２０が収集した複数のユーザ端末１０のユーザの位置情報の履歴と、複数のユーザ端末１０のユーザのコンテンツ閲覧履歴をウェブサーバ２０から取得する。予測装置１００は、ウェブサーバ２０から取得した複数のユーザ端末１０のユーザの位置情報の履歴からユーザ分類を生成する。また、予測装置１００は、ウェブサーバ２０から取得した複数のユーザ端末１０のユーザのコンテンツ閲覧履歴からユーザ分類の興味情報を抽出し、対応するユーザ分類に関連付ける。その後、ウェブサーバ２０は、興味を予測したいユーザである予測対象ユーザの位置情報の履歴を、予測装置１００へ送信する。予測装置１００は、予測対象ユーザの位置情報の履歴を取得した場合、予測対象ユーザの位置情報の履歴と、生成したユーザ分類に基づいて、予測対象ユーザの興味を予測する。予測装置１００は、予測した予測対象ユーザの興味に関する情報をウェブサーバ２０へ送信する。そして、ウェブサーバ２０は、予測装置１００から取得した予測対象ユーザの興味に関する情報に基づいて、予測対象ユーザの興味に応じたコンテンツを提供する。なお、予測装置１００とウェブサーバ２０とは、一体であってもよい。

〔３．予測装置の構成〕
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。

通信部１１０は、例えば、ＮＩＣ等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、ユーザ端末１０やウェブサーバ２０との間で情報の送受信を行う。

（記憶部１２０）
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。

（ユーザ情報記憶部１２１）
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。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。なお、ユーザ情報記憶部１２１は、同一のユーザが複数台のユーザ端末１０を使用する場合であっても、同一のユーザと識別可能であれば同じユーザＩＤとして記憶してもよい。

「ユーザ分類」は、そのユーザが分類されるユーザ分類を示す。例えば、図４に示す例において、ユーザＩＤ「Ｕ０１」により識別されるユーザは、ユーザ分類「Ｔ１」に分類されることを示す。また、ユーザＩＤ「Ｕ０２」により識別されるユーザは、ユーザ分類「Ｔ２」に分類されることを示す。

「行動パターン」は、そのユーザの位置情報の履歴から得られる行動パターンを示す。図４に示す例では、ユーザ情報記憶部１２１は、「行動パターン」として、そのユーザの位置情報の履歴から抽出した複数の傾向項目毎の発生確率を記憶する。具体的には、ユーザ情報記憶部１２１は、「行動パターン」として、複数の傾向項目である「Ｈ１」、「Ｈ２」、「Ｈ３」・・・それぞれの発生確率を記憶する。なお、図４に示す複数の傾向項目「Ｈ１」、「Ｈ２」、「Ｈ３」・・・は、図１に示すものと同様である。例えば、ユーザ情報記憶部１２１には、ユーザＩＤ「Ｕ０１」により識別されるユーザの行動パターンにおいて、傾向項目「Ｈ１」の発生確率が「０％」であり、傾向項目「Ｈ２」の発生確率が「４０％」であり、傾向項目「Ｈ３」の発生確率が「０％」であること等が記憶される。ここで、傾向項目の発生確率が大きい程、そのユーザが傾向項目に対応する行動を行う可能性が高い、つまり傾向項目に対応する行動を行う習慣や癖（併せて「傾向」と称する場合がある）があることが示される。つまり、ユーザＩＤ「Ｕ０１」により識別されるユーザは、傾向項目「Ｈ２」に対応する行動を行う傾向があり、傾向項目「Ｈ１」や「Ｈ３」に対応する行動を行う傾向がないことが示される。

「興味情報」は、所定の対象に対するユーザの興味の有無を示す。図４に示す例では、ユーザ情報記憶部１２１は、「興味情報」として、所定の対象を「車」、「旅行」、「コスメ」・・・とし、そのユーザが「車」、「旅行」、「コスメ」・・・に対して興味を有するか否かを記憶する。具体的には、ユーザ情報記憶部１２１は、ユーザが興味を有すると推定される対象に対しては「１」を、ユーザが興味を有しないと推定される対象に対しては「０」を記憶する。例えば、ユーザ情報記憶部１２１には、ユーザＩＤ「Ｕ０１」により識別されるユーザは、「車」及び「コスメ」に対して興味を有し、「旅行」に対して興味を有しないこと等が記憶される。

（ユーザ分類情報記憶部１２２）
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。

「ユーザ分類」は、ユーザ分類を示す。「行動パターン」は、ユーザ分類に分類されるユーザの行動パターンを示す。「興味情報」は、所定の対象に対するユーザ分類に分類されるユーザの興味の有無を示す。

図５に示す例では、ユーザ分類情報記憶部１２２は、「行動パターン」として、そのユーザ分類に対応付けられた複数の傾向項目毎の発生確率を記憶する。具体的には、ユーザ分類情報記憶部１２２は、「行動パターン」として、複数の傾向項目である「Ｈ１」、「Ｈ２」、「Ｈ３」・・・それぞれの発生確率を記憶する。なお、図５に示す複数の傾向項目「Ｈ１」、「Ｈ２」、「Ｈ３」・・・は、図１に示すものと同様である。例えば、ユーザ分類情報記憶部１２２には、ユーザ分類「Ｔ２」に対応付けられた行動パターンにおいて、傾向項目「Ｈ１」の発生確率が「４０％」であり、傾向項目「Ｈ２」の発生確率が「５％」であり、傾向項目「Ｈ３」の発生確率が「１０％」であること等が記憶される。ここで、傾向項目の発生確率が大きい程、そのユーザ分類に分類されるユーザが傾向項目に対応する行動を行う可能性が高い、つまり傾向項目に対応する行動を行う傾向があることが分かる。つまり、ユーザ分類「Ｔ２」に分類されるユーザは、傾向項目「Ｈ１」に対応する行動を行う傾向があり、傾向項目「Ｈ２」に対応する行動を行う傾向があまりないことがわかる。

図５に示す例では、ユーザ分類情報記憶部１２２は、「興味情報」として、所定の対象を「車」、「旅行」、「コスメ」・・・とし、そのユーザ分類に分類されるユーザが「車」、「旅行」、「コスメ」・・・に対して興味を有するか否かを記憶する。具体的には、ユーザ分類情報記憶部１２２は、そのユーザ分類に分類されるユーザが興味を有すると推定される対象に対しては「１」を、そのユーザ分類に分類されるユーザが興味を有しないと推定される対象に対しては「０」を記憶する。例えば、ユーザ分類情報記憶部１２２には、ユーザ分類「Ｔ３」に分類されるユーザは、「コスメ」に対して興味を有し、「車」及び「旅行」に対して興味を有しないこと等が記憶される。

（制御部１３０）
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。

図３に示すように、制御部１３０は、取得部１３１と、生成部１３２と、抽出部１３３と、予測部１３４と、送信部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１）
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）
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）
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。

抽出部１３３は、取得部１３１により複数のユーザのコンテンツ閲覧履歴が取得された場合、複数のユーザのコンテンツ閲覧履歴からユーザ毎の興味情報を抽出してもよい。また、抽出部１３３は、ユーザ分類の興味情報を、当該ユーザ分類に分類される他ユーザの興味情報から抽出する。第１の実施形態において、抽出部１３３は、ユーザ分類の興味情報を、当該ユーザ分類に分類される複数のユーザの興味情報から抽出する。抽出部１３３は、抽出したユーザ分類の興味情報を当該ユーザ分類に対応付けてユーザ分類情報記憶部１２２に格納する。

ここで、図６を用いて、抽出部１３３がユーザ分類の興味情報を当該ユーザ分類に分類される他ユーザの興味情報から抽出する場合を説明する。図６は、ユーザ分類の興味抽出の一例を示す図である。図６中に行動パターン及び興味を示す、Ｕ０１、Ｕ０４、Ｕ０５等のユーザは、図４に示すように、同一のユーザ分類Ｔ１に分類されるユーザである。ここで、Ｕ０１のユーザは、興味として、「車」や「コスメ」等を有し、「旅行」を有さない。また、Ｕ０４のユーザは、興味として、「車」や「旅行」等を有し、「コスメ」を有さない。また、Ｕ０５のユーザは、興味として、「車」等を有し、「旅行」や「コスメ」を有さない。図６に示す例において、抽出部１３３は、Ｕ０１、Ｕ０４、Ｕ０５等のユーザ分類Ｔ１に分類される全ユーザが共通して興味を有する対象である「車」を、ユーザ分類Ｔ１の興味情報として対応付ける。

なお、抽出部１３３は、ユーザ分類Ｔ１の興味情報に、ユーザ分類Ｔ１に分類されるユーザであって最もコンテンツの閲覧履歴が多いユーザの興味情報を用いてもよい。また、抽出部１３３は、ユーザ分類Ｔ１の行動パターンに、ユーザ分類Ｔ１に分類されるユーザであってコンテンツの閲覧履歴が多い方から所定の人数（例えば、５人など）のユーザに共通する興味情報を用いてもよい。また、抽出部１３３は、ユーザ分類Ｔ１の興味情報に、ユーザ分類Ｔ１に分類される全ユーザのうち所定の人数（例えば、５人など）のユーザに共通する興味情報を用いてもよい。

また、図６に示す例において、抽出部１３３は、ユーザ分類Ｔ１の行動パターンＡＰ１に、ユーザ分類Ｔ１に分類されるユーザの行動パターンの平均を用いる。例えば、ユーザ分類Ｔ１の行動パターンＡＰ１に、Ｕ０１のユーザの行動パターンＡＰ５、Ｕ０４のユーザの行動パターンＡＰ６、Ｕ０５のユーザの行動パターンＡＰ７等の平均を用いる。なお、抽出部１３３は、ユーザ分類Ｔ１の行動パターンには、ユーザ分類Ｔ１に分類されるユーザであって最も位置情報の閲覧が多いユーザの行動パターンを用いてもよい。また、抽出部１３３は、ユーザ分類Ｔ１の行動パターンに、ユーザ分類Ｔ１に分類されるユーザであって位置情報の閲覧が多い方から所定の人数（例えば、５人など）のユーザの行動パターンを用いてもよい。また、抽出部１３３は、ユーザ分類Ｔ１の行動パターンに、ユーザ分類Ｔ１に分類されるユーザの位置情報の閲覧の多寡に基づいて重み付された行動パターンの平均、いわゆる加重平均を用いてもよい。

また、抽出部１３３は、ユーザ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。第１の実施形態において、抽出部１３３は、予測対象ユーザの位置情報の履歴から、複数の傾向項目毎に対応するセンサ情報を抽出する。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、他ユーザの位置情報の履歴から、上記の抽出を行わなくてもよい。

図７を用いて、抽出部１３３が予測対象ユーザの位置情報の履歴から、複数の傾向項目毎に対応する位置情報の分布、すなわち行動パターンを抽出する場合を説明する。図７は、行動パターンの抽出の一例を示す図である。なお、図７に示す予測対象ユーザの位置情報の地図Ｍ２は、図１に示す地図Ｍ１と同様の範囲を示す。図７に示す地図Ｍ２には、位置情報が取得された複数の地点Ｐが示される。なお、図７においては一つの地点のみにＰを付し、他の地点については省略する。抽出部１３３は、図７に示す地図Ｍ２中の複数の傾向項目Ｈ１〜Ｈ８に含まれる地点Ｐに基づいて、予測対象ユーザの位置情報の履歴から、複数の傾向項目毎に対応するセンサ情報を抽出し、複数の傾向項目毎の発生確率を抽出する。図７に示す地図Ｍ２において、傾向項目Ｈ１，Ｈ３，Ｈ４，Ｈ５には地点Ｐが含まれており、傾向項目Ｈ２，Ｈ６，Ｈ７，Ｈ８には地点Ｐが含まれていない。図７に示す例において、抽出部１３３は、地図Ｍ２に示される予測対象ユーザの位置情報から予測対象ユーザの行動パターンＡＰ４を抽出する。ここに、図７に示す予測対象ユーザの行動パターンＡＰ４は、図１に示す行動パターンＡＰ４と同様であり、地図Ｍ２中の領域Ｈ１に位置する確率が３５％であり、領域Ｈ３に位置する確率が１０％であり、領域Ｈ４に位置する確率が４５％であり、領域Ｈ５に位置する確率が１０％であることを示す。

（予測部１３４）
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。

例えば、予測部１３４は、図１に示す例において、ユーザ分類Ｔ１，Ｔ２，Ｔ３等の行動パターンと予測対象ユーザの行動パターンとの類似度に基づき、予測対象ユーザの行動パターンと類似度が最も高いユーザ分類を予測対象ユーザが分類されるユーザ分類とする。なお、予測部１３４は、行動パターン間の類似度の判定には、例えばコサイン類似度など種々の類似度計算に関する技術を用いてもよい。図１に示す例において、予測部１３４は、ユーザ分類Ｔ２の行動パターンを、予測対象ユーザの行動パターンと類似度が最も高い行動パターンと判定する。そして、予測部１３４は、ユーザ分類Ｔ２のユーザに共通する興味であると推定された旅行を、予測対象ユーザの興味と予測する。

（送信部１３５）
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。

〔４．予測処理のフロー〕
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。

図８に示すように、予測装置１００は、複数のユーザの位置情報の履歴を取得する（ステップＳ１０１）。そして、予測装置１００は、取得し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（ステップＳ１０２）。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（ステップＳ１０３）。

また、予測装置１００は、複数のユーザのコンテンツ閲覧履歴を取得する（ステップＳ１０４）。そして、予測装置１００は、取得した複数のユーザのコンテンツ閲覧履歴から興味情報を抽出し、ユーザ分類に関連付ける（ステップＳ１０５）。なお、ステップＳ１０１における複数のユーザの位置情報の履歴の取得、及びステップＳ１０４における複数のユーザのコンテンツ閲覧履歴の取得は、同時に行ってもよいし、ステップＳ１０４をステップＳ１０１よりも先に行ってもよい。また、予測装置１００は、ユーザ分類に関する情報を取得する場合、ステップＳ１０１〜Ｓ１０５の処理を行わなくてもよい。

そして、予測装置１００は、予測対象ユーザの位置情報の履歴を取得した場合（ステップＳ１０６）、予測対象ユーザが属するユーザ分類を予測する（ステップＳ１０７）。そして、予測装置１００は、ユーザ分類の興味情報から予測対象ユーザの興味を予測する（ステップＳ１０８）。その後、予測装置１００は、予測した予測対象ユーザの興味を予測情報としてウェブサーバ２０へ送信する（ステップＳ１０９）。

〔５．変形例〕
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。

〔５−１．時間を含む傾向項目〕
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。

図９に示す地図Ｍ３には、複数のユーザの位置情報と当該位置情報が取得された時間とに基づいて抽出された傾向項目Ｈ１１〜Ｈ１８に対応する、領域Ｈ１１〜Ｈ１８が含まれる。ここで、図９の地図Ｍ３中において、領域Ｈ１１と領域Ｈ１７とは、地理的に同じ領域を示す。図９に示す例において、傾向項目Ｈ１１は、「午前に領域Ｈ１１に位置する」ことを内容とする傾向項目であり、傾向項目Ｈ１７は、「午後に領域Ｈ１７に位置する」ことを内容とする傾向項目である。このように、傾向項目Ｈ１１とＨ１７とは地理的には同じ位置を対象とするが、時間的には異なる時点を対象とする。また、図９の地図Ｍ３中において、領域Ｈ１４と領域Ｈ１８とは、地理的に同じ領域を示すが、傾向項目Ｈ１４は「午前に領域Ｈ１４に位置する」ことを内容とする傾向項目であり、傾向項目Ｈ１８は、「午後に領域Ｈ１８に位置する」ことを内容とする傾向項目である。このように、傾向項目Ｈ１４とＨ１８とは地理的には同じ位置を対象とするが、時間的には異なる時点を対象とする。

予測装置１００は、位置情報と当該位置情報が取得された時間とに基づいて抽出された傾向項目Ｈ１１〜Ｈ１８を用いて、予測対象ユーザのセンサ情報の履歴から、傾向項目Ｈ１１〜Ｈ１８毎に対応するセンサ情報の分布を抽出し、傾向項目Ｈ１１〜Ｈ１８毎の発生確率を抽出する。図９に示す予測対象ユーザの行動パターンＡＰ８は、傾向項目Ｈ１１〜Ｈ１８毎の発生確率を示す。ここに、図９に示す予測対象ユーザの行動パターンＡＰ８は、地図Ｍ３中の領域Ｈ１１に午前に位置する確率が２０％であり、領域Ｈ１３に位置する確率が１０％であり、領域Ｈ１４に午前に位置する確率が１５％であり、領域Ｈ１５に位置する確率が１０％であり、領域Ｈ１７に午後に位置する確率が１５％であり、領域Ｈ１８に午後に位置する確率が３０％であることを示す。一方、図１に示す予測対象ユーザの行動パターンＡＰ４は、地図Ｍ１中の領域Ｈ１に位置する確率が３５％であり、領域Ｈ３に位置する確率が１０％であり、領域Ｈ４に位置する確率が４５％であり、領域Ｈ５に位置する確率が１０％であることを示す。このように、位置情報と当該位置情報が取得された時間とに基づいて傾向項目を抽出した場合、ユーザの行動パターンをより細かく分類することが可能となる。これにより、予測装置１００は、より適切に予測対象ユーザが分類されるユーザ分類を判定することが可能となる。したがって、予測装置１００は、より適切に予測対象ユーザの興味を予測することが可能となる。

〔５−２．位置情報を概念化した傾向項目〕
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。

図１０に示す例では、ユーザの位置情報が持つ役割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場合を示す。ここでいう位置情報が持つ役割とは、「家」、「オフィス」、「通勤経由地」、「レジャースポット」、「旅行先」など、そのユーザの生活における各位置が持つ各ユーザ独自の機能を意味する。つまり、あるユーザにとって「家」を示す位置も、他のユーザにとっては「オフィス」や「旅行先」である等、ユーザ毎に各位置が持つ機能は異なる場合がある。言い換えると、位置情報を「家」、「オフィス」などの各位置が持つ役割に概念化する。これにより、予測装置１００は、異なる地域に居住するユーザであっても、生活スタイルが類似するユーザを同じユーザ分類に分類することが可能となる。

図１０に示す例において、傾向項目Ｈ２１は、「家を示す領域Ｈ２１に位置する」ことを内容とする傾向項目であり、傾向項目Ｈ２２は、「オフィスを示す領域Ｈ２２に位置する」ことを内容とする傾向項目である。また、傾向項目Ｈ２３は、「通勤経由地を示す領域Ｈ２３に位置する」ことを内容とする傾向項目であり、傾向項目Ｈ２４は、「レジャースポットを示す領域Ｈ２４に位置する」ことを内容とする傾向項目である。また、傾向項目Ｈ２５は、「旅行先を示す領域Ｈ２５に位置する」ことを内容とする傾向項目であり、傾向項目Ｈ２６〜Ｈ２８は、「その他の役割１〜３を示す領域Ｈ２６〜Ｈ２８に位置する」ことを内容とする傾向項目である。

予測装置１００は、複数のユーザの位置情報が持つ役割に基づいて抽出された傾向項目Ｈ２１〜Ｈ２８を用いて、予測対象ユーザの位置情報の履歴及び他の予測対象ユーザの位置情報の履歴から、傾向項目Ｈ２１〜Ｈ２８毎に対応するセンサ情報を抽出し、傾向項目Ｈ２１〜Ｈ２８毎の発生確率を抽出する。ここで、図１０に示す予測対象ユーザの位置情報を示す地図Ｍ４及び他の予測対象ユーザの位置情報を示す地図Ｍ５には、傾向項目Ｈ２１〜Ｈ２８に対応する、領域Ｈ２１〜Ｈ２８が含まれる。

図１０の地図Ｍ４中において、領域Ｈ２３，Ｈ２６〜Ｈ２８は含まれていない。つまり、予測対象ユーザの位置情報の履歴には、傾向項目Ｈ２３，Ｈ２６〜Ｈ２８に対応する役割を持つ位置情報が含まれていないことを示す。例えば、予測対象ユーザの位置情報の履歴には、傾向項目Ｈ２３に該当する位置情報が含まれないことを示す。また、図１０の地図Ｍ５中において、領域Ｈ２４，Ｈ２６〜Ｈ２８は含まれていない。つまり、他の予測対象ユーザの位置情報の履歴には、傾向項目Ｈ２４，Ｈ２６〜Ｈ２８に対応する役割を持つ位置情報が含まれていないことを示す。例えば、他の予測対象ユーザの位置情報の履歴には、傾向項目Ｈ２４に該当する位置情報が含まれないことを示す。図１０の地図Ｍ４及びＭ５に示す例のように、位置情報が持つ役割に基づいて抽出された傾向項目を用いることにより、それぞれのユーザの生活スタイルに応じて、同じ傾向項目に対応する領域が異なる位置になる場合がある。例えば、図１０中の地図Ｍ４において予測対象ユーザの家を示す領域Ｈ２１は地図の略中央部に位置するが、図１０中の地図Ｍ５において他の予測対象ユーザの家を示す領域Ｈ２１は地図Ｍ５の左下部に位置する。

図１０に示す予測対象ユーザの行動パターンＡＰ９は、傾向項目Ｈ２１〜Ｈ２８毎の発生確率を示す。ここに、図１０に示す予測対象ユーザの行動パターンＡＰ９は、地図Ｍ４中の家を示す領域Ｈ２１に位置する確率が３５％であり、オフィスを示す領域Ｈ２２に位置する確率が４５％であり、レジャースポットを示す領域Ｈ２４に位置する確率が１０％であり、旅行先を示す領域Ｈ２５に位置する確率が１０％であることを示す。一方、図１０に示す他の予測対象ユーザの行動パターンＡＰ１０は、地図Ｍ５中の家を示す領域Ｈ２１に位置する確率が３０％であり、オフィスを示す領域Ｈ２２に位置する確率が５０％であり、通勤経由地を示す領域Ｈ２３に位置する確率が１５％であり、旅行先を示す領域Ｈ２５に位置する確率が５％であることを示す。

図１０の地図Ｍ４及びＭ５に位置情報を示す予測対象ユーザ及び他の予測対象ユーザのように位置情報が大きく異なるユーザであっても、位置情報の役割に応じた傾向項目に基づく行動パターンは類似度が高い場合がある。このように、位置情報の役割に応じた傾向項目に基づく行動パターンは類似度が高い場合、位置情報が異なるユーザであっても、同じユーザ分類のユーザとして分類することが可能となる。すなわち、予測装置１００は、生活スタイルに即して予測対象ユーザが分類されるユーザ分類を判定することが可能となる。したがって、予測装置１００は、より適切に予測対象ユーザの興味を予測することが可能となる。なお、どのような領域をどの役割と推定するかについては、種々の従来技術を適宜用いてもよい。例えば、夜から朝まで近似する位置情報が取得される領域を家と推定してもよい。また、例えば、平日の日中に近似する位置情報が取得される領域をオフィスと推定してもよい。

〔５−３．興味情報〕
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。

〔５−４．ユーザに関連するセンサ情報〕
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。

〔５−５．その他〕
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。

〔６．効果〕
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。

これにより、第１の実施形態に係る予測装置１００は、第１の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ユーザ分類の行動パターンに基づいて、第１のユーザに関する情報である第１のユーザの興味を適切に予測することができる。

また、第１の実施形態に係る予測装置１００において、予測部１３４は、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とに基づいて、第１のユーザが属するユーザ分類を予測する。

これにより、第１の実施形態に係る予測装置１００は、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ユーザ分類の行動パターンに基づいて、ユーザの属するユーザ分類を適切に予測することができる。

また、第１の実施形態に係る予測装置１００は、抽出部１３３を有する。抽出部１３３は、第２のユーザ群に関連する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、複数の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。また、予測部１３４は、抽出部１３３により抽出された複数の傾向項目毎に対応するセンサ情報の分布に基づいて第２のユーザが分類されたユーザ分類毎の興味情報を用いて、第１のユーザの興味を予測する。

これにより、第１の実施形態に係る予測装置１００は、第１のユーザの行動の傾向を示す複数の傾向項目毎に対応するセンサ情報の分布に基づいたユーザ分類を用いることにより、第１のユーザの興味を適切に予測することができる。

また、第１の実施形態に係る予測装置１００において、抽出部１３３は、第１のユーザ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。また、予測部１３４は、抽出部１３３により抽出された第１の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第１のユーザが分類されるユーザ分類の興味情報により、第１のユーザの興味を予測する。

これにより、第１の実施形態に係る予測装置１００は、第１のユーザの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いて第１のユーザを分類することにより、第１のユーザの興味を適切に予測することができる。

また、第１の実施形態に係る予測装置１００において、抽出部１３３は、ユーザ分類の興味情報を、当該ユーザ分類に分類される第２のユーザの興味情報から抽出する。

これにより、第１の実施形態に係る予測装置１００は、ユーザ分類に分類される第２のユーザの興味情報に基づいたユーザ分類の興味情報を用いることにより、第１のユーザの興味を適切に予測することができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、第１のユーザのセンサ情報として、センサにより検出された第１のユーザの位置情報を取得する。予測部１３４は、取得部１３１により取得された第１のユーザの位置情報の履歴から得られる行動パターンと、第２のユーザの位置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。

これにより、第１の実施形態に係る予測装置１００は、第１のユーザの位置情報の履歴から得られる行動パターンとユーザ分類の行動パターンに基づいて、第１のユーザの興味を適切に予測することができる。

（第２の実施形態）
〔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。

図１１中の時間軸ＴＡ１には、ユーザの位置情報が取得された位置情報、つまり処理前の位置情報に対応する時点ＰＴ１〜ＰＴ９が示される。ここで、図１１中に示す時点ＰＴ１，ＰＴ２に対応する位置情報は、ユーザがオフィスに位置する時点において取得された位置情報であり、時点ＰＴ３〜ＰＴ６に対応する位置情報は、ユーザが移動している時点において取得された位置情報であり、時点ＰＴ７〜ＰＴ９に対応する位置情報は、ユーザが家に位置する時点において取得された位置情報であることを示す。つまり、ユーザが時点ＰＴ１，ＰＴ２において位置するオフィス及びユーザが時点ＰＴ７〜ＰＴ９において位置する家は、予測装置２００により予測されたユーザの滞在地点である。なお、予測装置２００による滞在地点の抽出の詳細については後述する。

まず、予測装置２００は、処理前の位置情報からユーザの移動に関する位置情報を除外する（ステップＳ２１）。図１１に示す例においては、時点ＰＴ３〜ＰＴ６に対応する移動に関する位置情報が除外される。これにより、図１１中の移動除外処理後の時間軸ＴＡ２には、滞在地点であるオフィスの位置情報に対応する時点ＰＴ１，ＰＴ２、及び滞在地点である家の位置情報に対応する時点ＰＴ７〜ＰＴ９が残る。なお、予測装置２００による移動に関する位置情報の除外の詳細については後述する。

まず、予測装置２００は、移動除外処理後の位置情報から、各滞在地点において重複する位置情報を除外する（ステップＳ２２）。具体的には、予測装置２００は、各滞在地点における最先の時点に対応する位置情報以外を除外する。図１１に示す例においては、時点ＰＴ２，及び時点ＰＴ８，ＰＴ９に対応する位置情報が除外される。これにより、図１１中の重複除外処理後の時間軸ＴＡ３には、滞在地点であるオフィスにおいて最も早く取得された位置情報に対応する時点ＰＴ１、及び滞在地点である家において最も早く取得された位置情報に対応する時点ＰＴ７が残る。

その後、予測装置２００は、残った時点ＰＴ１及び時点ＰＴ７に基づきオフィスから家到達時への遷移時間を予測する（ステップＳ２３）。具体的には、時点ＰＴ１と時点ＰＴ７との時間差を求めることにより、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。

このように、第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、一の滞在地点である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を予測することができる。なお、図１１においては、一組の時点ＰＴ１と時点ＰＴ７との時間差を求めることにより、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一例を示したが、複数組の時点間の時間差の平均を求めることにより、ユーザがある移動元に到達してから移動先へ到達するまでの時間をより適切に予測することが可能となる。また、図１１においては、オフィスから家への遷移時間を予測する例を示したが、予測装置２００は、複数の滞在地点が予測された場合、各滞在地点を移動元とし、他の滞在地点を移動先とすることにより、各滞在地点間の遷移時間を予測することができる。つまり、予測装置２００は、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どの滞在地点にどのタイミングで遷移するかを予測することができる。例えば、予測装置２００は、ユーザのユーザ端末１１から位置情報を取得した場合、その位置情報と位置情報を取得した時間により、そのユーザが次にいつどこへ移動するのかを予測することが可能となる。また、後述する移動元からどの移動先に遷移するかを示す遷移確率も用いることにより、ユーザがある滞在地点に位置することを示す位置情報が取得された場合、予測装置２００は、その位置情報が取得された時間を起点として、そのユーザがどこへどれ位の確率で移動し、かつその移動を行う場合は遷移時間が何時間かを予測することが可能となる。つまり、予測装置２００は、ユーザが未来のどのタイミングにどこに向かうかを予測できる。また、予測装置２００は、次の遷移も予測することができるため、連鎖的にユーザの行動を予測することができる。したがって、予測装置２００は、ユーザの所定の期間（例えば１日など）の行動を予測することができる。このように予測装置２００は、ユーザの所定の期間の行動、すなわちスケジュールを予測することができるため、例えば、予測装置２００による予測をコンテンツ配信に用いる場合、ユーザに適切なタイミングで適切なコンテンツを配信等することも可能となる。

従来、例えば短い間隔で取得されるユーザの位置情報の履歴（以下、「密な位置情報の履歴」と称する場合がある）に基づいて、ユーザの移動を判定し、その移動に要する時間等を予測する技術が提供されている。また、例えば短い間隔で取得されるユーザの位置情報に基づいて、次の滞在地点を予測する技術も提供されている。これにより、ユーザが次の滞在地点への移動に要する時間が予測される。しかしながら、このような従来の技術においては、ユーザが移動を開始することにより移動が判定され、移動に要する時間等を予測するため、ユーザの位置が現在の滞在地点である移動元から次の滞在地点である移動先に移動する時間を、予め予測することは困難である。また、ユーザが移動を開始した場合であっても、移動先によって移動に要する時間が異なるため、ユーザの位置が移動元から移動先に移動する時間を、予め予測することは困難である。

第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、一の滞在地点である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を予測する。つまり、予測装置２００は、ユーザの位置情報の履歴に基づいて、予め滞在地点間の遷移時間を予測することが可能となる。具体的には、予測装置２００は、ユーザから取得した位置情報が一の滞在地点であった場合、その位置情報を取得した時点を当該滞在地点にユーザが到達した時点と想定して、他の滞在地点への遷移時間を予測することが可能となる。また、予測装置２００は、移動元から各移動先への遷移時間をそれぞれ予測する。つまり、予測装置２００は、移動先ごとに現時点において位置する滞在地点である移動元に滞在する時間を予測することができる。また、予測装置２００は、ユーザから取得した位置情報が一の滞在地点であった場合、当該滞在地点から他の滞在地点への遷移時間を予測し、さらに他の滞在地点から別の滞在地点への遷移時間を予測することが可能となる。言い換えると、予測装置２００は、ユーザから取得した位置情報が一の滞在地点であった場合、将来当該ユーザがどのような移動を行うかに関して時間を含めて予測することが可能となる。

また、第２の実施形態に係る予測装置２００は、例えば短い間隔でユーザの位置情報が取得されず、間欠的に不定期にユーザの位置情報が取得された場合であっても、間欠的に取得されたユーザの位置情報の履歴（以下、「疎な位置情報の履歴」と称する場合がある）に基づいて移動元から移動先への遷移時間を予測することができる。具体的には、予測装置２００は、疎な位置情報の履歴から抽出した時点間の遷移時間を統合することにより、各滞在地点を移動元とし、他の滞在地点を移動先とすることにより、各滞在地点間の遷移時間を予測することができる。このように、予測装置２００は、ユーザの位置情報の履歴が密な位置情報の履歴及び疎な位置情報の履歴のいずれであっても、移動元から移動先への遷移時間を予測することができる。なお、上記の例においては、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したが、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前記予測時間として予測してもよい。この場合、上記例においては、オフィスに滞在する時点ＰＴ２と家に滞在する時点ＰＴ９との時間差を求めることにより、ユーザがオフィスを出発達してから家を出発すると想定される時点までの時間を予測する。これにより、予測装置２００は、ユーザの所定の期間の行動、すなわちいつどこへ移動を開始するか等のスケジュールを予測することができるため、例えば、予測装置２００による予測をコンテンツ配信に用いる場合、ユーザに適切なタイミングで適切なコンテンツを配信等することも可能となる。また、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や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を、ユーザが滞在地点に位置する時間の中間としてもよいし、同じ滞在地点における連続する位置情報の中間の時刻としてもよいし、同じ滞在地点における連続する位置情報の時刻の平均としてもよい。

〔２．予測システムの構成〕
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。

ユーザ端末１１は、ユーザによって利用される情報処理装置である。第２の実施形態に係るユーザ端末１１は、例えば、スマートフォンやタブレット端末やＰＤＡ（Personal Digital Assistant）等の移動端末であり、センサにより位置情報を検出する。例えば、ユーザ端末１１は、ＧＰＳ（Global Positioning System）衛星と通信するＧＰＳ送受信機能を有する位置情報センサを備え、ユーザ端末１１の位置情報を取得する。なお、ユーザ端末１１の位置情報センサは、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いて推定されたユーザ端末１１の位置情報を取得してもよい。また、ユーザ端末１１は、上記の位置情報を組み合わせてユーザ端末１１の位置情報を推定してもよい。また、ユーザ端末１１は、ＧＰＳに限らず、移動する速度や距離を取得できれば種々のセンサを用いてもよい。例えば、ユーザ端末１１は、移動している速度を加速度センサから取得してもよい。また、ユーザ端末１１は、移動距離を歩数計のような歩数を数える機能により算出したりしてもよい。例えば、ユーザ端末１１は、歩数計のカウント数とユーザの想定される歩幅とにより、移動距離を算出してもよい。ユーザ端末１１は、上記の情報を予測装置１００へ送信し、予測装置１００により上記の算出を行ってもよい。また、ユーザ端末１１は、取得した位置情報をウェブサーバ２１や予測装置２００へ送信する。

ウェブサーバ２１は、ユーザ端末１１からの要求に応じてウェブページ等のコンテンツを提供する情報処理装置である。ウェブサーバ２１は、ユーザ端末１１からユーザの位置情報を取得する場合、ユーザ端末１１のユーザの位置情報の履歴を予測装置２００へ送信する。

予測装置２００は、取得したユーザの位置情報の履歴に基づいて、ユーザの複数の滞在地点を予測し、複数の滞在地点のうち一の滞在地点である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を予測する。

ここで、予測システム２の処理の一例を示す。予測装置２００は、ユーザの位置情報の履歴を例えばウェブサーバ２１から取得した場合、ユーザの複数の滞在地点を予測し、複数の滞在地点のうち一の滞在地点である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を予測する。予測装置２００は、予測したユーザの位置情報をウェブサーバ２１から受信した場合、予測したユーザの位置情報に対応する滞在地点から他の滞在地点への遷移時間に関する情報をウェブサーバ２１へ送信する。そして、ウェブサーバ２１は、予測装置２００から取得したユーザの遷移時間に基づいて、ユーザに対して適切なタイミングでコンテンツを提供する。なお、予測装置２００とウェブサーバ２１とは、一体であってもよい。

〔３．予測装置の構成〕
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。

通信部２１０は、例えば、ＮＩＣ等によって実現される。そして、通信部２１０は、ネットワークＮと有線または無線で接続され、ユーザ端末１１やウェブサーバ２１との間で情報の送受信を行う。

（記憶部２２０）
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。

（位置情報記憶部２２１）
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。

「日時」は、その位置情報が取得された日時を示す。例えば、「日時」には、ユーザ端末１１の位置情報センサにより位置情報が取得された日時が用いられる。また「緯度」は、その位置情報の緯度を示す。また「経度」は、その位置情報の経度を示す。例えば、位置情報記憶部２２１には、日時「２０１４/０４/０１ ０:３５:１０」に取得され、緯度が「３５．５２１２３８」であり、経度が「１３９．５８３０９９」である位置情報や、日時「２０１４/０４/０１ ７:２０:４０」に取得され、緯度が「３５．５００６１２」であり、経度が「１３９．５６０４３４」である位置情報が記憶される。

（滞在情報記憶部２２２）
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１５には、滞在情報記憶部２２２に記憶されるユーザの滞在情報の一例を示す。図１５に示すように、滞在情報記憶部２２２は、ユーザの滞在情報として、曜日・祝日及び時間毎に分割された遷移モデルを記憶する。

図１５に示す例において、「月曜日の０時（遷移確率/遷移時間）」には、月曜日の０時台に取得されたユーザの位置情報に基づく遷移モデルが記憶される。「祝日の２３時（遷移確率/遷移時間）」には、祝日の２３時台に取得されたユーザの位置情報に基づく遷移モデルが記憶される。このように、曜日・祝日「月、火、水、木、金、土、日、祝日」及び時間「０時〜２３時」毎に遷移モデルが記憶される。具体的には、「月曜日の０時」、「月曜日の１時」、「月曜日の２時」、「月曜日の３時」・・・「祝日の２２時」、「祝日の２３時」毎に遷移モデルが記憶される。したがって、図１５に示す例において、滞在情報記憶部２２２には、各曜日・祝日及び時間に対応する１９２個の遷移モデルが記憶される。

図１５に示す例において、「移動元」に示す列には、移動元となる滞在地点である「家」、「オフィス」、「その他０」・・・「その他ｎ」が対応する。「移動先」に示す行には、移動先となる滞在地点である「家」、「オフィス」、「その他０」・・・「その他ｎ」が対応する。例えば、「月曜日の０時」の遷移モデルにおいて、「移動元」が「家」、「移動先」が「オフィス」に対応する「０．７５/１０．５」は、月曜日の０時台における家からオフィスへの遷移確率及び遷移時間を示す。具体的には、月曜日の０時台にユーザが家に到達したと想定される場合、その時点からのオフィスへの遷移時間、及び遷移確率を示す。つまり、「月曜日の０時」の遷移モデル中の「移動元」が「家」、「移動先」が「オフィス」に対応する「０．７５/１０．５」は、月曜日の０時台にユーザが家に到達したと想定される場合、家からオフィスへの遷移時間は１０．５時間であり、オフィスへ移動する確率は７５％であることを示す。また、「祝日の２３時」の遷移モデル中の「移動元」が「家」、「移動先」が「オフィス」に対応する「０．９/１０」は、祝日の２３時台にユーザが家に到達したと想定される場合、家からオフィスへの遷移時間は１０時間であり、オフィスへ移動する確率は９０％であることを示す。

（制御部２３０）
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。

図１３に示すように、制御部２３０は、取得部２３１と、抽出部２３２と、予測部２３３と、送信部２３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部２３０の内部構成は、図１３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部２３０が有する各処理部の接続関係は、図１３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部２３１）
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）
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。

図１６を用いて、抽出部２３２による移動除外処理及び重複除外処理を説明する。図１６に示す地図Ｍ２１には、ユーザの位置情報が取得された複数の地点Ｐが示される。なお、図１６に示す地図Ｍ２１においては一つの地点のみにＰを付し、他の地点については省略する。まず、抽出部２３２は、移動除外処理により地図Ｍ２１中の地点Ｐから移動中の位置情報と推定される地点Ｐを除外する。なお、抽出部２３２は、連続する位置情報に基づく二地点間の距離は、例えばＨｕｂｅｎｙの簡易式など種々の手法により二地点の緯度・経度から距離を算出してもよい。抽出部２３２は、算出した距離に基づいて二地点間を移動した速さ（≧０）を算出する。図１６に示す例においては、抽出部２３２は、算出した距離に基づいて二地点間を移動した速度ΔＶのノルムを算出する。そして、抽出部２３２は、当該二地点間を移動した速度ΔＶのノルムが所定の閾値Ｖ_thresh未満の場合、その二地点間を抽出する。図１１に示す例においては、時点ＰＴ１に対応する位置情報及び時点ＰＴ２に対応する位置情報が抽出される。また、図１１に示す例においては、時点ＰＴ７に対応する位置情報、時点ＰＴ８に対応する位置情報、及びＰＴ９に対応する位置情報、つまり時点ＰＴ７，ＰＴ８，及びＰＴ９にそれぞれ対応する位置情報が抽出される。これにより、図１１に示す例において、移動中の位置情報と推定される時点ＰＴ３〜ＰＴ６にそれぞれ対応する位置情報が除外される。図１６に示す地図Ｍ２１においては、例えば、地図の中央部を右上から左下へ斜めに連続する複数の地点Ｐが移動中の位置情報に対応する地点Ｐとして除外される。

抽出部２３２は、重複除外処理により、移動除外処理後の地図Ｍ２１中の地点Ｐから、取得された時点が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以外を除外する。具体的には、抽出部２３２は、取得された時点が連続し、上述のように算出した二地点間の距離であるΔＤが所定の閾値Ｄ_thresh未満の複数の位置情報（以下、「連続位置情報群」と称する場合がある）のうち、取得された時点が最先の位置情報を抽出する。図１１に示す例においては、同じ連続位置情報群に含まれる時点ＰＴ１に対応する位置情報及び時点ＰＴ２に対応する位置情報のうち、時点ＰＴ１に対応する位置情報が抽出される。また、図１１に示す例においては、同じ連続位置情報群に含まれる時点ＰＴ７，ＰＴ８，及びＰＴ９にそれぞれ対応する位置情報のうち、時点ＰＴ７に対応する位置情報が抽出される。これにより、図１１に示す例において、取得された時点が最先の位置情報に対応する時点ＰＴ１及び時点ＰＴ７以外の時点ＰＴ２，ＰＴ８，ＰＴ９にそれぞれ対応する位置情報が除外される。

図１６に示す地図Ｍ２２には、抽出部２３２が移動除外処理及び重複除外処理を行うことにより抽出された滞在地点毎の上述した最先の位置情報を含む履歴中の位置情報に対応する地点が示される。したがって、これらの地点が、抽出部２３２により抽出されたユーザの滞在地点となる。例えば、図１６に示す地図Ｍ２２には、滞在地点ＳＰ１〜ＳＰ５等の複数の滞在地点が示される。

ここで、抽出部２３２は、位置が近接する滞在地点は同じ滞在地点としてもよい。この点について、図１７を用いて説明する。図１７は滞在地点統合の一例を示す図である。図１７に示す地図Ｍ２３は滞在地点統合前を示しており、複数の滞在地点ＳＰが示される。なお、図１７に示す地図Ｍ２３においては一つの滞在地点のみにＳＰを付し、他の滞在地点については省略する。例えば、図１７に示す地図Ｍ２３中の近接する複数の滞在地点ＳＰについては、同じ滞在地点としてもよい。また、例えば、抽出部２３２は、位置が近接する滞在地点は同じ滞在地点として位置を統合としてもよい。図１７に示す地図Ｍ２３中の近接する複数の滞在地点ＳＰの位置については、当該複数の滞在地点を統合し一つの位置に集約してもよい。この場合、近接する複数の滞在地点ＳＰの位置の平均を当該統合後の滞在地点の位置としてもよい。図１７に示す地図Ｍ２４は、近接する複数の滞在地点ＳＰの統合後を示しており、図１７に示す例においては、滞在地点ＳＰ１０に統合される。この場合、図１７に示す例における複数の滞在地点ＳＰに対応する位置情報の位置（緯度、経度）は、滞在地点ＳＰ１０に示す位置（緯度、経度）となる。例えば、抽出部２３２は、１ユーザにつき、滞在地点の個数を最大２５個としてもよい。なお、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場合、抽出部２３２は、重複除外処理により、取得された時点が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後の位置情報以外を除外してもよい。すなわち、抽出部２３２は、連続位置情報群の中から取得された時点が最後の位置情報以外を除外してもよい。また、抽出部２３２は、目的に応じて連続位置情報群の中から中間の位置情報を取得してもよいし、連続位置情報群すべての平均時間及び位置を抽出してもよい。なお、重複除外処理により、連続位置情報群の中からどのような位置情報を抽出するかを決める条件は統一してもよい。

（予測部２３３）
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。

まず、図１８を用いて、予測部２３３による滞在地点の役割の予測について説明する。予測部２３３は、抽出部２３２により抽出された滞在地点の役割を予測する。予測部２３３は、３時〜７時を早朝、７時〜１０時を朝、１０時〜１４時を昼、１４時〜１８時を夕方、１８時〜２２時を夜、２２時〜３時を深夜とする時間帯に基づいて、滞在地点の役割を予測してもよい。なお、上記のＸ時〜Ｙ時は、Ｘ時以降Ｙ時未満を意味し、Ｙ時は含まれない。例えば、予測部２３３は、深夜（２２時〜３時）や早朝（３時〜７時）において位置情報が取得されるユーザの滞在地点をユーザの家と推定してもよい。また、予測部２３３は、休日において位置情報が取得されるユーザの滞在地点をユーザの家と推定してもよい。また、例えば、平日の日中（１０時〜１８時）において位置情報が取得されるユーザの滞在地点をユーザのオフィスと推定してもよい。なお、どのような位置をどの役割と推定するかについては、種々の従来技術を適宜用いてもよい。図１８に示す地図Ｍ２５においては、滞在地点ＳＰ１がユーザの「家」と予測され、滞在地点ＳＰ２がユーザの「オフィス」と予測され、滞在地点ＳＰ５が滞在地点「その他０」と予測され、滞在地点ＳＰ４が滞在地点「その他１」と予測される。なお、予測部２３３は、滞在地点「その他」については対応する位置情報が取得された時点が現在時刻に近い順に番号付けを行ってもよい。このように、予測部２３３は、各滞在地点の役割を予測する。

また、予測部２３３は、滞在地点間の遷移時間を予測するために、ユーザの複数の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生成する。例えば、予測部２３３は、抽出部２３２により抽出された上述した最先の位置情報を含む履歴に基づいて、曜日・祝日「月、火、水、木、金、土、日、祝日」及び時間「０時〜２３時」毎に遷移モデルを生成する。具体的には、予測部２３３は、「月曜日の０時」、「月曜日の１時」、「月曜日の２時」、「月曜日の３時」・・・「祝日の２２時」、「祝日の２３時」毎の遷移モデルを生成する。したがって、図１５に示す例において、予測部２３３は、各曜日・祝日及び時間に対応する１９２個の遷移モデルを生成する。また、予測部２３３は、生成した遷移モデルを滞在情報記憶部２２２に記憶する。なお、上述した遷移モデルは一例であって、予測部２３３は、目的に応じて所定の条件で分割された遷移モデルを適宜生成してもよい。例えば、予測部２３３は、「平日・休日」及び時間「０時〜２３時」毎に遷移モデルを生成してもよい。また、予測部２３３は、曜日・祝日「月、火、水、木、金、土、日、祝日」及び時間帯「午前、午後」毎に遷移モデルを生成してもよい。

ここで、図１９を用いて、予測処理における遷移モデル生成までの処理手順について説明する。図１９は、第２の実施形態に係る予測処理における遷移モデル生成までの処理手順を示すフローチャートである。まず、取得部２３１は、ユーザの位置情報の履歴を取得する（ステップＳ２０１）。なお、取得部２３１は、間欠的に不定期に取得したユーザの位置情報を位置情報記憶部２２１に格納し、ユーザの位置情報の履歴としてもよい。

次に、抽出部２３２は、ユーザの位置情報の履歴に基づいて、連続する二地点間を移動したときの速さが所定の閾値未満の地点を抽出する（ステップＳ２０２）。つまり、抽出部２３２は、移動除外処理を行い、移動中の位置情報と推定される地点を除外する。その後、抽出部２３２は、連続して位置情報が取得された地点間の距離が閾値未満である複数の位置情報のうち、位置情報が取得された時点が最先の位置情報を抽出する（ステップＳ２０３）。つまり、抽出部２３２は、重複除外処理を行い、取得された時点が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以外を除外する。そして、抽出部２３２は、抽出した位置情報の履歴に基づいて、ユーザがよく行く場所（滞在地点）を特定する（ステップＳ２０４）。

その後、予測部２３３は、滞在地点を役割で分類する（ステップＳ２０５）。具体的には、予測部２３３は、抽出部２３２により抽出され特定された滞在地点の役割を予測する。そして、予測部２３３は、ユーザの遷移モデルを生成する（ステップＳ２０６）。具体的には、予測部２３３は、ユーザの複数の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生成する。

ここから、図２０〜図２３を用いて、予測部２３３が予測処理に用いる遷移モデルを行列の概念として説明する。図２０は、遷移モデルにおける遷移確率の一例を示す図である。具体的には、図２０は、遷移モデルにおける遷移確率を行列の形式により示す。図２０に示す行列ＭＴ１は、滞在地点である「家」、「オフィス」、「その他０」・・・「その他ｎ−１」、「その他ｎ」間の遷移確率を示す。例えば、行列ＭＴ１の１行２列目の成分Ｐ_ＨＷは、家からオフィスへの遷移確率を示す。例えば、図１５に示す例において、「月曜日の０時」の遷移モデルにおいては、「移動元」が「家」、「移動先」が「オフィス」に対応する遷移確率「０．７５」となる。

図２１は、遷移モデルにおける遷移時間の一例を示す図である。具体的には、図２１は、遷移モデルにおける遷移時間を行列の形式により示す。図２１に示す行列ＭＴ２は、滞在地点である「家」、「オフィス」、「その他０」・・・「その他ｎ−１」、「その他ｎ」間の遷移時間を示す。例えば、行列ＭＴ２の２行１列目の成分ｄ_ＷＨは、オフィスから家への遷移時間を示す。例えば、図１５に示す例において、「月曜日の０時」の遷移モデルにおいては、「移動元」が「オフィス」、「移動先」が「家」に対応する遷移時間「７」となる。

図２２は、遷移モデルにおける遷移時間の算出の一例を示す図である。図２２中の行列ＭＴ３は、平均計算前の遷移時間の行列を示し、行列ＭＴ４は、平均計算後の遷移時間の行列を示す。図２２中の行列ＭＴ３に示すように、例えば、「移動元」が「家」、「移動先」が「オフィス」に対応する遷移時間が複数取得される。図２２の行列ＭＴ３に示す例において、「移動元」が「オフィス」、「移動先」が「家」に対応する遷移時間は、「４３８（分）」、「５０２（分）」、「４７３（分）」、「５０８（分）」、「４３３（分）」、「５０５（分）」、「５０３（分）」、「４９０（分）」、「４５４（分）」の９個の遷移時間が含まれる。そのため、予測部２３３は、「移動元」が「オフィス」、「移動先」が「家」に対応する遷移時間は、当該９個の遷移時間の平均である「４７８．４（分）」とする。これにより、予測部２３３は、平均計算前の遷移時間の行列ＭＴ３から平均計算後の遷移時間の行列ＭＴ４を生成する。

図２３は、遷移モデルの一例を示す図である。具体的には、図２３は、曜日・祝日「月、火、水、木、金、土、日、祝日」及び時間「０時〜２３時」毎に生成された遷移モデルを行列の形式により示す。例えば、行列ＭＴ５は、「月曜日の０時」の遷移モデルにおける遷移確率を示し、行列ＭＴ６は、「月曜日の０時」の遷移モデルにおける遷移時間を示す。また、行列ＭＴ７は、「月曜日の１時」の遷移モデルにおける遷移確率を示し、行列ＭＴ８は、「月曜日の１時」の遷移モデルにおける遷移時間を示す。また、行列ＭＴ９は、「祝日の２３時」の遷移モデルにおける遷移確率を示し、行列ＭＴ１０は、「祝日の２３時」の遷移モデルにおける遷移時間を示す。

そして、予測部２３３は、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、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を結合し、選択した遷移モデルに基づいて、移動元に到達したと想定される時点から移動先に到達したと想定される時点までの時間を予測する。すなわち、予測部２３３は、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を結合し、選択した遷移モデルに基づいて、移動元から移動先への遷移時間を予測する。予測部２３３は、例えば、取得部２３１によりユーザの位置情報が取得された日時を、所定の日時とする。また、予測部２３３は、予測対象時間と予測対象位置を取得した場合、上述した遷移モデルを用いて、予測対象位置を移動元として予測対象時間に基づいて各移動先への遷移時間を予測する。その後、予測部２３３は、予測した遷移時間に基づいて予測情報を生成する。例えば、予測部２３３は、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予測情報として生成する。また、予測部２３３は、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予測情報として生成してもよい。

（送信部２３４）
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。

〔４．予測処理のフロー〕
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。

図２４に示すように、予測装置２００は、予測対象日時及び位置を取得する（ステップＳ３０１）。そして、予測装置２００は、予測対象日時に対応する遷移モデルを選択する（ステップＳ３０２）。図２５に示す例において、予測対象日時は、「月曜日の７：１３」であるため、「月曜日の７時」の遷移モデルが選択される。なお、図２５に示す行列ＭＴ１１は、「月曜日の７時」の遷移モデルにおける遷移確率を示す。

そして、予測装置２００は、選択した遷移モデルが所定の条件を満たさない場合（ステップＳ３０３：Ｎｏ）、関連する他の遷移モデルと結合する（ステップＳ３０４）。例えば、予測装置２００は、選択した遷移モデルと同じ曜日の時間帯である遷移モデルや、選択した遷移モデルと同じ時間帯であって他の曜日である遷移モデルを、関連する他の遷移モデルとしてもよい。図２５に示す例において、選択した「月曜日の７時」の遷移モデルにおける遷移確率を示す行列ＭＴ１１は、全ての成分が「０」である。すなわち、月曜日の７時台に取得されたユーザの位置情報に基づく遷移モデルでは、ユーザの移動元から移動先への遷移時間を予測できない。そのため、図２５に示す例においては、「月曜日の７時」の遷移モデルを他の遷移モデルと結合する。例えば、選択した「月曜日の７時」の遷移モデルを同じ月曜日の朝の時間帯の遷移モデルである「月曜日の８時」の遷移モデルや「月曜日の９時」の遷移モデルと結合する。図２５に示す例において、行列ＭＴ１２は、選択した「月曜日の７時」の遷移モデルと「月曜日の８時」の遷移モデルや「月曜日の９時」の遷移モデルとを結合した「月曜日の朝」の遷移モデルにおける遷移確率を示す。また、例えば、選択した「月曜日の７時」の遷移モデルを同じ「７時」であって平日の遷移モデルである「火曜日の７時」の遷移モデル、「水曜日の７時」の遷移モデル、「木曜日の７時」の遷移モデル、「金曜日の７時」の遷移モデルと結合する。図２５に示す例において、行列ＭＴ１３は、選択した「月曜日の７時」の遷移モデルと「火曜日の７時」の遷移モデル、「水曜日の７時」の遷移モデル、「木曜日の７時」の遷移モデル、「金曜日の７時」の遷移モデルとを結合した「平日の７時」の遷移モデルにおける遷移確率を示す。

予測装置２００は、ステップＳ３０３における所定の条件として、予測対象位置に対応する滞在地点を移動元とした場合に、複数の移動先への遷移確率が０でないことを条件としてもよい。例えば、図２５に示す例において、予測対象位置である移動元を「オフィス」とした場合、行列ＭＴ１２または行列ＭＴ１３において対応する２行目中に０でない成分が１つ以下である場合（ステップＳ３０３：Ｎｏ）、さらに結合を行う。また、予測装置２００は、ステップＳ３０３における所定の条件として、予測対象位置に対応する滞在地点を移動元とした場合に、当該移動元からの全移動先の数（＝全滞在地点の数−１（移動元））に対する０でない遷移確率の数の割合である密度が、所定の閾値以上含まれることを条件としてもよい。以下、閾値を０．５とした場合について説明する。例えば、予測装置２００は、ある移動元からの全移動先の数が１０であり、０でない遷移確率の数が３である場合、密度は０．３（＝３／１０）であり、所定の条件を満たさないと判定する。具体的には、全滞在地点の数が１１であり、行列ＭＴ１２の２行目中に０でない成分の数が３である場合、密度は０．３となる。また、予測装置２００は、ある移動元からの全移動先の数が１０であり、０でない遷移確率の数が６である場合、密度は０．６（＝６／１０）であり、所定の条件を満たすと判定する。具体的には、全滞在地点の数が１１であり、行列ＭＴ１２の２行目中に０でない成分の数が６である場合、密度は０．６となる。これにより、予測装置２００は、選択した遷移モデルを結合し、より適切に予測処理をすることができる。なお、上記ステップＳ３０３〜Ｓ３０４の結合処理は、遷移モデルの遷移確率及び遷移時間を併せて行ってもよいし、遷移確率と遷移時間とを個別に行ってもよい。

そして、図２５に示す例において、行列ＭＴ１４は、さらに結合を行った「平日の朝」の遷移モデルにおける遷移確率を示す。例えば、図２５に示す例において、予測対象位置である移動元を「オフィス」とした場合、行列ＭＴ１４において対応する２行目中には０でない複数の成分があるため、選択した遷移モデルは上述した結合により所定の条件を満たすため（ステップＳ３０３：Ｙｅｓ）、予測装置２００は、予測対象日時・位置及び選択した遷移モデルであって上述した結合後の遷移モデルに基づき予測情報を生成する（ステップＳ３０５）。図２５に示す例においては、選択した遷移モデルであり結合された「平日の朝」の遷移モデルに基づいて予測情報を生成する。その後、予測装置２００は、生成した予測情報をウェブサーバ２１へ送信する（ステップＳ３０６）。

〔５．効果〕
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。

これにより、第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、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適切に予測することができるため、ユーザに関する情報として、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どの滞在地点にどのタイミングで遷移するかを適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、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。

これにより、第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、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適切に予測することができるため、ユーザに関する情報として、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どの滞在地点にどのタイミングで遷移するかを適切に予測することができる。

また、第２の実施形態に係る予測装置２００は、抽出部２３２を有する。抽出部２３２は、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、移動元または移動先として二の位置情報を抽出する。

これにより、第２の実施形態に係る予測装置２００は、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である二つの位置情報を抽出することにより、ユーザが移動中と推定される位置情報が除外され、より適切に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適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、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移動元または移動先として抽出する。

これにより、第２の実施形態に係る予測装置２００は、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の位置情報を抽出することにより、滞在地点の最先の位置情報以外が除外され、より適切に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適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、抽出部２３２は、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。

これにより、第２の実施形態に係る予測装置２００は、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の位置情報を抽出することにより、滞在地点の最先の位置情報以外が除外され、より適切に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適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、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。

これにより、第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、ユーザに関する情報として、移動元から移動先にユーザが移動する確率を適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、予測部２３３は、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、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、選択した遷移モデルに基づいて、移動元に到達したと想定される時点から移動先に到達したと想定される時点までの時間を予測する。

これにより、第２の実施形態に係る予測装置２００は、所定の日時に基づいて選択した選択モデルを条件を満たすまで他の選択モデルと結合することにより予測処理に用いる遷移モデルを適切に選択することができ、より適切に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適切に予測することができる。

また、第２の実施形態に係る予測装置２００において、予測部２３３は、取得部２３１によりユーザの位置情報が取得された日時を、所定の日時とする。

これにより、第２の実施形態に係る予測装置２００は、ユーザの位置情報が取得された日時に基づいて、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適切に予測することができる。

第２の実施形態に係る予測装置２００において、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と当該位置情報が取得された時間とに基づいて、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。

これにより、第２の実施形態に係る予測装置２００は、ユーザの位置情報の履歴に基づいて、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適切に予測することができるため、ユーザに関する情報として、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どの滞在地点にどのタイミングで遷移するかを適切に予測することができる。

（第１〜２の実施形態について）
〔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。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が第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として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０や制御部２３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔２．その他〕
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。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 予測システム
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。

Images