JP6149024B2 - 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

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、セグメントにおける単純な測位点の羅列からなる情報から、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。例えば非特許文献１では、セグメントにおけるＧＰＳ軌跡の移動距離、平均速度、速度の期待値、速度の分散、上位三つの速度、上位三つの加速度の計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に示す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）の三つを用いる。

Zheng, Y., Liu, L., Wang, L., and Xie, X. " Learning transportation mode frうom 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. Socher, R., Pennington, J., Huang, E. H., Ng, A. Y., Manning, C. D. " Semi-Supervised Recursive Autoencoders for Predicting Sentiment Distributions ". In Proc. of EMNLP'11, pp. 151-161, 2011.

しかしながら、従来技術に用いられている特徴量は、個々の測位点の特徴の系列的な変化が十分に考慮されていないため、移動手段推定に有効な特徴を捉えきれないおそれがある。

例えば、車やバイク、バスなどの移動手段においては、特定の信号で停止した後の加速度合が異なっていたり、速度に応じたブレーキのかけ方(速度の落とし方)が異なっていたりと、個々の測位点に対する系列的な変化が特徴として表れると考えられる。ところが、従来技術においては、このような移動手段推定に重要な特徴を捉えきれず、移動手段の推定精度を低下させてしまうという問題があった。

本発明は、従来技術の前記問題を解決するためになされ、ＧＰＳ軌跡から個々の測位点の特徴の系列的な変化を捉えた特徴量を抽出可能とすることで移動手段推定の推定精度を高めることを解決手段としている。

本発明の移動手段推定モデル生成装置は、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としてのＧＰＳ軌跡セグメント群と、該ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメント群とに基づきすべての測位点に特徴を持たせた系列表現を抽出する系列表現抽出部と、前記ＧＰＳ軌跡セグメント群から抽出した系列表現と、前記ラベルありＧＰＳ軌跡セグメント群から抽出されたラベルあり系列表現とに基づき生成された系列特徴量抽出モデルを用いて、異なる次元のラベルあり系列表現から同次元の系列特徴量を抽出する系列特徴量抽出部と、前記ラベルありＧＰＳ軌跡セグメントから抽出された基本特徴量と、前記系列特徴量とを連結させた連結特徴量とに基づき推定モデルを生成する推定モデル生成部と、を備える。

本発明の移動手段推定モデル生成方法は、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としてのＧＰＳ軌跡セグメント群と、該ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメント群とに基づきすべての測位点に特徴を持たせた系列表現を抽出する系列表現抽出ステップと、前記ＧＰＳ軌跡セグメント群から抽出した系列表現と、前記ラベルありＧＰＳ軌跡セグメント群から抽出されたラベルあり系列表現とに基づき生成された系列特徴量抽出モデルを用いて、異なる次元のラベルあり系列表現から同次元の系列特徴量を抽出する系列特徴量抽出ステップと、前記ラベルありＧＰＳ軌跡セグメントから抽出された基本特徴量と、前記系列特徴量とを連結させた連結特徴量とに基づき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、ＧＰＳ軌跡から個々の測位点の特徴の系列的な変化を捉えた特徴量を抽出可能なため、移動手段推定の推定精度を高めることができる。

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模式的に示す構成図。 ラベルなしＧＰＳ軌跡セグメントＤＢのデータ構造例を示す図。 ラベルありＧＰＳ軌跡セグメントＤＢのデータ構造例を示す図。 ラベルなし系列表現ＤＢのデータ構造例を示す図。 ラベルあり系列表現ＤＢのデータ構造例を示す図。 系列表現抽出部の処理を示すフローチャート。 図６中のＳ１３０の詳細な処理を示すフローチャート。 系列特徴量抽出モデル生成部の処理を示すフローチャート。 系列特徴量抽出モデルＤＢのデータ構造例を示す図。 系列特徴量抽出部の処理を示すフローチャート。 系列特徴量ＤＢのデータ構造例を示す図。 基本特徴量ＤＢのデータ構造例を示す図。 特徴量連結部の処理を示すフローチャート。

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、セグメントに区切られた移動軌跡から移動手段を判定する。

すなわち、前記移動手段推定モデル生成装置によれば、ラベルあり／ラベルなしの移動軌跡データ（ＧＰＳ軌跡セグメント）から速度・加速度などの系列表現を求め、続いてモデルパラメータ最適化技術により重みとバイアスを求める。

また、ラベルありの移動軌跡データに限定し、前記重みと前記バイアスを利用して系列特徴量に変換する。この系列特徴量と従来からの基本特徴量とを連結した連結特徴量に基づき識別モデルを生成する。

≪装置構成例≫
図１に基づき前記移動手段推定モデル生成装置の構成例を説明する。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，系列表現抽出部３０，ラベルなし系列表現ＤＢ４０，ラベルあり系列表現ＤＢ５０，系列特徴量抽出モデル生成部６０，系列特徴量抽出モデルＤＢ７０，系列特徴量抽出部８０，系列特徴量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各構成１０〜１５０を分散して構成してもよいものとする。以下、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。

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（歩行、自動車、自転車など）を表すラベル情報が格納されている。なお、図２中のセグメントＩＤも、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。

≪ラベルなし系列表現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、系列表現抽出部３０から受け取った系列表現毎に前記ＤＢ１０のＧＰＳ軌跡セグメントに応じたセグメントＩＤが格納されている。ここで系列表現は、各測位点における移動時間や緯度経度、速度、加速度などの特徴から構成されるベクトル表現のリストで表され、該ベクトルの各要素には実数値が入る。

≪ラベルあり系列表現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は、系列表現抽出部３０から受け取った系列表現毎に前記ＤＢ２０のＧＰＳ軌跡セグメントに応じたセグメントＩＤおよびラベル情報が格納されている。ここでも系列表現は、各測位点における移動時間や緯度経度、速度、加速度などの特徴から構成されるベクトル表現のリストで表され、該ベクトルの各要素には実数値が入る。

≪系列表現抽出部３０≫
系列表現抽出部３０は、前記両ＤＢ１０，２０からデータ読み出し、読み出したデータから系列表現を抽出する。抽出された系列表現を前記ＤＢ４０，５０にそれぞれ格納する。

まず、図６に基づき系列表現抽出部３０の全体的な処理内容を説明する。すなわち、系列表現抽出部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および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」の測位点の羅列情報を式（１）とし、「Ｐ_s」から系列表現を抽出する（Ｓ１３０）。ここで「Ｐ_s」における測位点数「Ｎ_s」は、ＧＰＳ軌跡セグメント「ｓ」によって異なる。

そして、前記ＤＢ２０のＧＰＳ軌跡セグメントから抽出した系列表現と、該ＧＰＳ軌跡セグメントに対応するラベル情報とを併せて前記ＤＢ５０に格納する（Ｓ１４０）。また、前記ＤＢ１０のＧＰＳ軌跡セグメントから抽出した系列表現を前記ＤＢ４０に格納し（Ｓ１５０）、処理を終了する。

つぎに図７に基づき系列表現抽出部３０の中心的な処理内容、即ちＳ１３０の系列表現抽出処理を詳細に説明する。

Ｓ２１０：処理が開始されると、セグメント「ｓ」における系列表現を「ｖ_s」とし、該系列表現「ｖ_s」を空リストで初期化する。その後にＳ２２０，Ｓ２３０のループ処理に移行する。このループ処理においては、Ｓ２２０の「ｊ」に「１〜Ｎ_s−２」までの値を順次代入する。以下、Ｓ２２０，Ｓ２３０のループ処理を説明する。

Ｓ２２０：測位点の羅列情報「Ｐ_s」における「ｊ」番目の測位点について移動時間，緯度経度，速度，加速度などの特徴から構成されるベクトル「ｘ」を抽出する。このとき移動時間は、「ｊ」番目の測位点と「ｊ＋１」番目の測位点との測位時刻差をもとに算出することができる。

移動距離（ｄｓｉｔ）は、「ｊ」番目の測位点と「ｊ＋１」番目の測位点との緯度経度をもとに算出すればよい。例えば式（２）のヒュベニの公式によって算出することができる。

式（２）中、「Ｍ」は子午線曲率半径を示し、「ｄｐ」は二点間（「ｊ」番目の測位点と「ｊ＋１」番目の測位点との間）の緯度差を示し、「Ｎ」は卯西線曲率半径を示し、「Ｐ」は２点間の平均緯度を示し、「ｄＲ」は前記２点間の経度差を示している。

速度は、移動距離を移動時間で除算することで算出できる。また、加速度は、「ｊ」番目の測位点と「ｊ＋１」番目の測位点との速度差を移動距離で除算することで算出できる。このように算出された各情報を並べてベクトル「ｘ」として抽出する。

Ｓ２３０：Ｓ２２０で抽出されたベクトル「ｘ」をリスト「ｖ_s」に追加する。以下、ループ処理が終了するまで各測位点のベクトル「ｘ」を抽出し、リスト「ｖ_s」への追加を繰り返す。なお、「ｊ」に「１〜Ｎ_s−２」までの値をすべて代入してループ処理が終了すれば、Ｓ１３０の処理を終了する。

≪系列特徴量抽出モデル生成部６０，系列特徴量抽出モデルＤＢ７０≫
系列特徴量抽出モデル生成部６０は、前記ＤＢ４０，５０から系列表現およびラベル情報を読み出して入力とし、系列特徴量抽出モデルの学習を行う。以下、図８に基づき系列特徴量抽出モデル生成部６０の処理内容を説明する。

Ｓ３１０，Ｓ３２０：系列特徴量抽出モデル生成部６０は、処理が開始されると前記ＤＢ４０から系列表現を受け取り（Ｓ３１０）、続いて前記ＤＢ５０からラベル情報および系列表現を受け取る（Ｓ３２０）。

Ｓ３３０：Ｓ３１０，Ｓ３２０で取得したすべての系列表現および該系列表現に対応するラベル情報を用いて、系列特徴量抽出モデルを生成する。ここで生成される系列特徴量抽出モデルは、各々の系列表現「ｖ_s」における測位点の個数が異なることから、異なる次元の入力を扱えるものである必要がある。

そこで、移動手段推定モデル生成装置１においては、そのようなモデルとして、自然言語処理の分野において提案されている半教師あり再帰的オートエンコーダ（非特許文献３参照）などの公知技術を応用して用いる。

例えば非特許文献３に記載されていように「Ｌ−ＢＦＧＳ法」などのパラメータ最適手法を用いて、与えられたすべての系列表現「ｖ_s」およびラベル情報から半教師あり再帰的オートエンコーダのモデルパラメータを最適化する。結果として系列特徴量抽出モデルの重み行列「Ｗ＝（ｗ₁ ^T，ｗ₂ ^T，．．．，ｗ_m ^T）^T」およびバイアス項「ｂ」が得られる。ここで「ｗ₁，ｗ₂，．．．，ｗ_m」および「ｂ」は、それぞれ前述のベクトル「ｘ」と同次元のベクトルであり、「ｍ」は系列表現から抽出される系列特徴量のベクトルの次元数を表している。

Ｓ３４０：Ｓ３３０で生成された系列特徴量抽出モデルの重み行列「Ｗ」およびバイアス項「ｂ」を、図９に示すように、前記ＤＢ７０に格納し、処理を終了する。

≪系列特徴量抽出部８０，系列特徴量ＤＢ９０≫
系列特徴量抽出部８０は、前記ＤＢ５０，７０の格納データに基づきラベル情報と系列特徴量のペア（組み合わせ）を前記ＤＢ９０に出力する。

図１０に基づき系列特徴量抽出部８０の処理内容を説明すれば、処理が開始されると前記ＤＢ５０からラベル情報および系列表現を受け取る（Ｓ４１０）。続いて前記ＤＢ７０から系列特徴量抽出モデルのパラメータ、即ち重み行列「Ｗ」およびバイアス項「ｂ」を受け取る（Ｓ４２０）。

また、Ｓ４２０で取得した重み行列「Ｗ」およびバイアス項「ｂ」を用いた系列特徴量抽出モデルに対して、Ｓ４１０で取得した各系列表現「ｖ_s」を入力とし、非特許文献３に記載の方法等を利用して「ｍ」次元のベクトルで表される系列特徴量を出力として得る（Ｓ４３０）。

ここで得られた系列特徴量と、Ｓ４１０で取得したラベル情報とを対応付けて前記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毎にラベル情報と系列特徴量とがペアに格納される。

≪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、前記ＤＢ２０からデータを読み出し、当該データから特徴量を抽出する。ここで抽出された特徴量を基本特徴量と呼ぶ。

この基本特徴量を抽出する方法としては、非特許文献１や非特許文献２に記載されている公知の技術を用いることができる。このように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、読み出した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系列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とラベル情報と系列特徴量とを受け取る（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系列特徴量とを特定し、特定された基本特徴量と系列特徴量とを一つのベクトルに連結する（Ｓ５３０）。連結された連結特徴量を前記ＤＢ１３０に格納し（Ｓ５４０）、処理を終了する。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。この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のパラメータは、前記ＤＢ１５０に格納される。

このように移動手段推定モデル生成装置１によれば、系列表現抽出部３０がＧＰＳ軌跡セグメントに基づきすべての測位点に速度や加速度などの特徴を持たせた系列表現を抽出する。つぎに系列特徴量抽出モデル生成部６０が、前記ＤＢ４０，５０の系列表現から系列特徴量抽出モデルを生成する。さらに系列特徴量抽出部８０が、系列特徴量抽出モデル生成部６０で生成された系列特徴量抽出モデルを用いて、異なる次元のラベルあり系列表現から同次元の系列特徴量を抽出する。

したがって、前記各部３０，６０，８０の処理によれば、ＧＰＳ軌跡から個々の測位点の特徴の系列的な変化を捉えた特徴量が抽出され、該抽出された特徴量を移動手段の予測に用いることが可能となる。これにより従来よりも高精度に移動手段を推定するモデルが生成でき、移動手段推定の推定精度を高めることが可能となる。

≪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の各構成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，Ｓ２１０〜Ｓ２３０，Ｓ３１０〜Ｓ３４０，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…系列表現抽出部
４０…ラベルなし系列表現ＤＢ
５０…ラベルあり系列表現ＤＢ
６０…系列特徴量抽出モデル生成部
７０…系列特徴量抽出モデルＤＢ
８０…系列特徴量抽出部
９０…系列特徴量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 (5)

1. 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としてのＧＰＳ軌跡セグメント群と、該ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメント群とに基づきすべての測位点に特徴を持たせた系列表現を抽出する系列表現抽出部と、
   前記ＧＰＳ軌跡セグメント群から抽出した系列表現と、前記ラベルありＧＰＳ軌跡セグメント群から抽出されたラベルあり系列表現とに基づき生成された系列特徴量抽出モデルを用いて、前記ラベルあり系列表現から系列特徴量を抽出する系列特徴量抽出部と、
   前記ラベルありＧＰＳ軌跡セグメントから抽出された基本特徴量と、前記系列特徴量とを連結させた連結特徴量とに基づき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。
2. 前記系列特徴量抽出モデルの重み行列およびバイアス項を求める系列特徴量抽出モデル生成部をさらに備え、
   前記系列特徴量抽出部は、重み行列およびバイアス項を用いた前記系列特徴量抽出モデルに対して、
   ラベルあり系列表現を入力として前記系列特徴量を抽出す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。
3. コンピュータによって、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方法であって、
   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としてのＧＰＳ軌跡セグメント群と、該ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメント群とに基づきすべての測位点に特徴を持たせた系列表現を抽出する系列表現抽出ステップと、
   前記ＧＰＳ軌跡セグメント群から抽出した系列表現と、前記ラベルありＧＰＳ軌跡セグメント群から抽出されたラベルあり系列表現とに基づき生成された系列特徴量抽出モデルを用いて、前記ラベルあり系列表現から系列特徴量を抽出する系列特徴量抽出ステップと、
   前記ラベルありＧＰＳ軌跡セグメントから抽出された基本特徴量と、前記系列特徴量とを連結させた連結特徴量とに基づき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。
4. 前記系列特徴量抽出モデルの重み行列およびバイアス項を求める系列特徴量抽出モデル生成ステップを有し、
   前記系列特徴量抽出ステップは、重み行列およびバイアス項を用いた前記系列特徴量抽出モデルに対して、
   ラベルあり系列表現を入力として前記系列特徴量を抽出することを特徴とする請求項３記載の移動手段推定モデル生成方法。
5. 請求項１または２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。

Images