JP6174527B2 - 移動手段推定装置、その動作方法およびプログラム - Google Patents

Description

本発明は、利用者がどのような移動手段を利用したかを推定する移動手段推定装置、その方法およびプログラムに関する。

ユーザの位置をＧＰＳロガー等の装置で蓄積したＧＰＳ履歴情報を利用して、ユーザがどのような移動手段を利用したかを推定する技術がある（例えば非特許文献１）。ユーザの利用した移動手段を推定するには、ＧＰＳ履歴情報から異なる移動手段を利用したと想定される区間（セグメント）に分割して当該区間を抽出する前処理を行う。そして、抽出されたセグメントに対してＧＰＳ履歴情報から特徴を抽出する。その特徴を分類器で分類して移動手段の判定を行う。

ここで、移動手段判定の分類器については、予め人手によって用意された正解データを利用して、教師あり機械学習（例えば非特許文献２）の枠組みで生成することが可能である（非特許文献１）。

Zheng, Y., Liu, L., Wang, L., Xie, X., "Learning transportation mode from raw gps data for geographic applications on the web", Proc. The 17th international conference on World Wide Web, pp.247-256, 2008. Crammer, K., Dekel, O. Keshet, J., Shalev-Shwartz, S. and Singer, Y., "Online Passive-Aggressive Algorithm", Journal of Machine Learning, Vol.7, pp.551-585, 2006.

しかしながら、正解データを作成するコストが高いため、限られた数の正解データしか用意することができないという課題がある。そのため、予測モデルの予測精度が低下し、移動モード判定の判定精度が悪化してしまう課題がある。

本発明は、この課題に鑑みてなされたものであり、限られた数の正解データしかなくても予測モデルの予測精度を劣化させないようにした移動手段推定装置、その動作方法およびプログラムを提供することを目的とする。

本願発明の移動手段推定装置は、ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報に基づいて移動手段を推定する移動手段推定装置であって、時空間頻度記憶部と訓練事例記憶部とラベルなし事例記憶部と予測モデル生成機能部とを具備する。時空間頻度記憶部は、ユーザを識別するユーザＩＤと、地図上の一定領域を表すメッシュＩＤと、１日内の時間帯と、時間帯にユーザが一定領域内に立ち入った頻度とを記憶する。訓練事例記憶部は、移動手段の事例を正しく表す正解ラベルと、ＧＰＳ履歴情報から求めた事例の特徴ベクトルとを記憶する。ラベルなし事例記憶部は、正解ラベルが与えられていない事例の特徴ベクトルを記憶する。予測モデル生成機能部は、訓練事例記憶部に記憶した全ての事例から、移動手段を予測する予測モデルを生成し、ラベルなし事例記憶部に記憶した事例の数が閾値以下の場合に、予測モデルを出力し、ラベルなし事例記憶部に記憶した事例の数が閾値より大きい場合に、正解ラベルが与えられていない事例に正解ラベルを付与したときに予測モデルの信頼度が向上する程度を表す選択スコアを、時空間頻度記憶部に記憶したデータを用いて求め、当該選択スコアがスコア閾値よりも大きい事例をラベルなし事例記憶部から抽出し、当該抽出した事例を外部に提示して注釈を要求し、入力された注釈を正解ラベルとした抽出した事例を、訓練事例記憶部に追加し、訓練事例記憶部に記憶した全ての事例を用いて、移動手段を予測する予測モデルを再計算する処理を、ラベルなし事例記憶部に記憶した事例の数が閾値以下になるまで繰り返す。

また、本願発明の移動手段推定装置の動作方法は、ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報から移動手段を推定する移動手段推定装置の動作方法であって、予測モデル生成機能部が、移動手段推定装置の訓練事例記憶部に記憶した全ての事例から、移動手段を予測する予測モデルを生成し、移動手段推定装置のラベルなし事例記憶部に記憶した事例の数が閾値以下の場合に、予測モデルを出力し、ラベルなし事例記憶部に記憶した事例の数が閾値より大きい場合に、正解ラベルが与えられていない事例に正解ラベルを付与したときに予測モデルの信頼度が向上する程度を表す選択スコアを、移動手段推定装置の時空間頻度記憶部に記憶したデータを用いて求め、当該選択スコアがスコア閾値よりも大きい事例をラベルなし事例記憶部から抽出し、当該抽出した事例を外部に提示して注釈を要求し、入力された注釈を正解ラベルとした抽出した事例を、訓練事例記憶部に追加し、訓練事例記憶部に記憶した全ての事例を用いて、移動手段を予測する予測モデルを再計算する処理を、ラベルなし事例記憶部に記憶した事例の数が閾値以下になるまで繰り返す。

また、本発明のプログラムは、上記の移動手段推定装置の各機能部をコンピュータに機能させるためのプログラムである。

本発明の移動手段推定装置とその方法とプログラムによれば、移動手段を正しく表すラベルが与えられた事例の数が少なくても、予測モデルの予測精度を向上させることができ、ユーザの移動手段の推定精度を向上させることが可能である。

本発明の実施形態の移動手段推定装置１００の機能構成例を示す図。 移動手段推定装置１００をコンピュータで構成した場合の機能構成例を示す図。 移動手段推定装置１００が、予測モデルを生成する動作フローを示す図。 移動手段推定装置１００の時空間頻度計算部１０の動作フローを示す図。 移動手段推定装置１００のＧＰＳ履歴情報記憶部６０に記憶された情報の例を示す図。 移動手段推定装置１００の正解アノテーション記憶部８５に記憶された情報の例を示す図。 移動手段推定装置１００の時空間頻度記憶部２０に記憶された情報の例を示す図。 移動手段推定装置１００のセグメント抽出機能部７０の動作フローを示す図。 移動手段推定装置１００のセグメント記憶部６５に記憶された情報の例を示す図。 移動手段推定装置１００の事例生成機能部６０の動作フローを示す図。 移動手段推定装置１００の訓練事例記憶部４０に記憶された情報の例を示す図。 移動手段推定装置１００のラベルなし事例記憶部３０に記憶された情報の例を示す図。 移動手段推定装置１００の予測モデル生成機能部５０の機能構成例を示す図。 予測モデル生成機能部５０の動作フローを示す図。 移動手段推定装置１００の予測モデル記憶部９０に記憶された情報の例を示す図。

以下、この発明の実施の形態を図面を参照して説明する。複数の図面中同一のものには
同じ参照符号を付し、説明は繰り返さない。

図１に、本実施形態の移動手段推定装置１００の機能構成例を示す。移動手段推定装置１００は、ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報に基づいて移動手段を推定するものである。

移動手段とは、ユーザが移動するのに用いる徒歩、車、電車、バスなどのことである。移動手段が正しく推定できれば、ユーザが携帯する機器において適切なサービスを提供することが可能である。例えば、ユーザが車を運転中の場合と電車で移動中の場合で、提供するサービスを異ならせることができる。

移動手段推定装置１００は、時空間頻度計算部１０、時空間頻度記憶部２０、ラベルなし事例記憶部３０、訓練事例記憶部４０、予測モデル生成機能部５０、事例生成機能部６０、セグメント記憶部６５、セグメント抽出機能部７０、ＧＰＳ履歴情報記憶部８０、正解アノテーション記憶部８５、予測モデル記憶部９０を具備する。移動手段推定装置１００は、例えば、コンピュータで実現することができる。

移動手段推定装置１００をコンピュータで実現した場合の機構構成例を図２に示す。図２において、時空間頻度記憶部２０、ラベルなし事例記憶部３０、訓練事例記憶部４０、セグメント記憶部６５、ＧＰＳ履歴情報記憶部８０、正解アノテーション記憶部８５、予測モデル記憶部９０、の各記憶部は、図１との対応を分かり易くする目的でそれぞれを個別に表記している。なお、各記憶部はメモリ６に全て集約してもよい。

時空間頻度計算部１０と予測モデル生成機能部５０と事例生成機能部６０の各機能部で行う処理は、ＣＰＵ５がプログラムを実行することで実現される。入力部７は例えばキーボードであり、本実施形態では入力部７からユーザの操作によって注釈が入力される。表示部８には、推定した移動手段が例えば地図情報と共に表示される。

図３に、移動手段推定装置１００が予測モデルを生成する全体の動作フローを示す。図１と図３を参照して予測モデルを生成する全体の流れを説明する。

時空間頻度計算部１０は、ＧＰＳ履歴情報記憶部８０に記憶されたログ情報と、正解アノテーション記憶部８５に記憶されたある時間区間において利用した移動手段の情報を用いて、ユーザＩＤと、地図上の一定領域を表すメッシュＩＤと、１日内の時間帯と、ある時間帯にあるユーザがある一定領域に入った頻度を計算し、それらの情報を時空間頻度記憶部２０に記憶する（ステップＳ１０）。

事例生成機能部６０は、ＧＰＳ履歴情報記憶部８０に記憶されたログ情報と、正解アノテーション記憶部８５に記憶されたある時間区間において利用した移動手段の情報と、セグメント記憶部６５に記憶された移動手段が同一の区間を表すセグメント情報から、予測モデルを生成するための移動手段の事例を正しく表す正解ラベルと特徴量の訓練事例を生成し、訓練事例記憶部４０に記憶する（ステップＳ２０）。また、事例生成機能部６０は、正解ラベルが与えられていない事例の特徴量を生成し、ラベルなし事例記憶部３０に記憶する（ステップＳ３０）。

予測モデル生成機能部５０は、訓練事例記憶部４０に記憶した全ての事例から、移動手段を予測する予測モデルを生成し、ラベルなし事例記憶部３０に記憶した事例の数が閾値以下の場合に、予測モデルを出力し、ラベルなし事例記憶部３０に記憶した事例の数が閾値より大きい場合に、正解ラベルが与えられていない事例に正解ラベルを付与したときに予測モデルの信頼度が向上する程度を表す選択スコアを、時空間頻度記憶部２０に記憶したデータを用いて求め、当該選択スコアがスコア閾値よりも大きい事例をラベルなし事例記憶部３０から抽出し、当該抽出した事例を外部に提示して注釈を要求し、入力された注釈を正解ラベルとした抽出した事例を、訓練事例記憶部４０に追加し、訓練事例記憶部４０に記憶した全ての事例を用いて、移動手段を予測する予測モデルを再計算する処理を、ラベルなし事例記憶部３０に記憶した事例の数が閾値以下になるまで繰り返して予測モデルを生成する（ステップＳ４０）。

以降、図面を参照して移動手段推定装置１００の各機能構成部の動作を詳しく説明する。

〔時空間頻度計算部〕
図４に、時空間頻度計算部１０の動作フローを示す。時空間頻度計算部１０は、ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報記憶部８０から未処理のユーザＩＤを取得してｕとする（ステップＳ１１）。

図５に、ＧＰＳ履歴情報記憶部６０に記憶されたＧＰＳ履歴情報の例を示す。図５の１行はＧＰＳ履歴情報の１レコードを表す。１レコードは、ログＩＤとユーザＩＤとＧＰＳロガーによって取得された取得時刻、緯度、経度、の情報を含む。図５は、ログＩＤの時間間隔を３秒で示すように３秒周期でＧＰＳ履歴情報が記憶される例を示す。

レコードはログＩＤで識別できる。ログＩＤは全ユーザに渡って一意である。ユーザＩＤ＝１が未処理であれば、ユーザＩＤ＝１をｕとする。

次に、時空間頻度計算部１０は、正解アノテーション記憶部８５からユーザＩＤ＝ｕに該当するレコードを取得する（ステップＳ１２）。正解アノテーション記憶部８５は、各ユーザについて、ある時間区間においてどのような移動手段（正解ラベル）を利用したのかを正しく表す情報を記憶する。

図６に、正解アノテーション記憶部８５に記憶された情報を例示する。図６の１行は正解アノテーション情報の１レコードを表す。１レコードは、ユーザＩＤと、開始時刻と終了時刻によって特定される時間区間と、当該時間区間に利用した移動手段（正解ラベル）の情報を含む。なお、正解アノテーション記憶部８５には、ＧＰＳ履歴情報記憶部８０に記憶されたＧＰＳ履歴情報に対応する全ての情報が記憶されている必要はない。また、ある時間区間に対して、複数の異なる正解ラベルが付与されていることはないものとする。

時空間頻度計算部１０は、正解アノテーション情報の時間区間に対応する同一ユーザの測位点を、ＧＰＳ履歴情報の経度／緯度情報を用いて求め、その測位点の集合に対応するメッシュＩＤの集合を取得して時間帯ごとの頻度情報を計算する（ステップＳ１３）。頻度情報は、当該時間帯にメッシュＩＤの領域をユーザが訪問した頻度を表す。なお、頻度情報は、ユーザが訪問したら必ず１を加算するのではなく、ある１日の側位点集合に対して１しか加算しないなど他のカウント方法を用いて計算してもよい。

メッシュＩＤは、地理上の一定領域を表すメッシュに対応するＩＤで、例えば標準地域メッシュ（JISX0410地域メッシュコード）などを用いることができる。時間帯には例えば２４時間を４分割した単位を用いることができる。他にも１時間ごとの単位や、朝、昼、晩、といった単位を用いることもできる。

時空間頻度計算部１０は、計算した頻度情報を、時空間頻度記憶部２０に記憶する（ステップＳ１４）。そして、未処理のユーザが無くなるまでステップＳ１１〜Ｓ１４までの処理を繰り返し（ステップＳ１５のＹＥＳ）、未処理のユーザが無くなった時点で上記の処理を終了する（ステップＳ１５のＮＯ）。

図７に、時空間頻度記憶部２０に記憶された時空間頻度情報の例を示す。ユーザＩＤ＝１のユーザが、１日を４分割した時間帯にメッシュＩＤで表される一定領域に訪問した頻度が記憶される。図７に示す例は、ユーザＩＤ＝１のユーザがＡＭ６時−１２時の時間帯に5438-2343のメッシュＩＤで表される領域に３回訪問したことを表している。

〔セグメント抽出機能部〕
図８に、セグメント抽出機能部７０の動作フローを示す。セグメント抽出機能部７０は、ＧＰＳ履歴情報記憶部８０から、同じ移動手段で移動した連続する軌跡の最小単位であるセグメントを抽出する。

セグメントは、ＧＰＳ履歴情報記憶部６０に記憶された連続する複数のレコード（図５の１行）で構成され、複数のセグメントは連続するＧＰＳ軌跡(GPS Trajectory)の単位を構成する。１つのセッションは、例えば、バスで移動したセグメントと、徒歩で移動したセグメントと、バイクで移動したセグメントの３つのセグメントで構成される。

セグメント抽出機能部７０は、ＧＰＳ履歴情報記憶部８０から未処理のユーザＩＤを取得してｕとする（ステップＳ７１）。そして、例えばユーザＩＤ＝１をｕとして、該当するレコード集合をＧＰＳ履歴情報記憶部８０から取得し、当該レコード集合をセッションに分割する（ステップＳ７２）。セッション分割の方法としては、連続するレコードの時刻に、閾値θｓ秒以上の差がある場合に分割点とする。閾値θｓは予め設定されているものとする。セッション分割の他の方法としては、例えば非特許文献１に記載されている方法を用いることができる。

次に、セグメント抽出機能部７０は、セッションをセグメントに分割する（ステップＳ７３）。セグメント分割の方法としては、非特許文献１に記載された公知の方法を用いることができる。

セグメント抽出機能部７０は、セッションを分割して抽出したセグメントを、セグメント記憶部６５に記憶する（ステップＳ７４）。そして、未処理のユーザが無くなるまでステップＳ７１〜Ｓ７４までの処理を繰り返し（ステップＳ７５のＹＥＳ）、未処理のユーザが無くなった時点で上記の処理を終了する（ステップＳ７５のＮＯ）。

図９に、セグメント記憶部６５に記憶されたセグメント情報の例を示す。セグメント情報は、セグメントＩＤ、セッションＩＤ、ユーザＩＤ、開始ログＩＤ、終了ログＩＤからなる。開始ログＩＤと終了ログＩＤは、ＧＰＳ履歴情報記憶部８０に記憶されたログＩＤのＩＤ番号と対応している。

この例では、開始ログＩＤ＝１〜終了ログＩＤ＝１０までのセグメントＩＤ＝１と、開始ログＩＤ＝１１〜終了ログＩＤ＝２０４までのセグメントＩＤ＝２の２つで、１つのセッション１が構成される。

〔事例生成機能部〕
図１０に、事例生成機能部６０の動作フローを示す。事例生成機能部６０は、ＧＰＳ履歴情報と正解アノテーション情報とセグメント情報を入力として、移動手段の事例を正しく表す正解ラベルと当該事例の特徴ベクトルと、正解ラベルが与えられていない事例の特徴ベクトルを生成する。

事例生成機能部６０は、セグメント記憶部６５に記憶されたセグメント情報から未処理のセグメント情報を選択してｓとする（ステップＳ６１）。次に、選択したセグメント情報ｓの開始ログＩＤと終了ログＩＤの区間に該当するレコードを、ＧＰＳ履歴情報記憶部８０から読み出す。そして、読み出したレコードからセグメント情報ｓの特徴を抽出する（ステップＳ６２）。

特徴には、例えばセグメント情報ｓの開始ログＩＤ〜終了ログＩＤ間における平均速度などを利用する。特徴抽出には、例えば非特許文献１に記載された公知の方法を用いることができる。抽出された特徴はＭ次元のベクトルｘ_１，ｘ_２，…，ｘ_Ｍで表現される。

次に、事例生成機能部６０は、セグメント情報ｓに対応するラベル（移動手段）を、正解アノテーション記憶部８５から読み込む（ステップＳ６３）。具体的に説明する。

正解アノテーション情報のうち、セグメント情報ｓのユーザＩＤと同じユーザＩＤを持つ各レコード（図６の１行）の開始時刻と終了時刻の時刻範囲に対する、セグメント情報ｓの開始ログＩＤがＧＰＳ履歴情報記憶部８０で持つ時刻（開始時刻）と、終了ログＩＤがＧＰＳ履歴情報記憶部８０で持つ時刻（終了時刻）とで決まる時刻範囲の被覆率が、最大のレコードを選択し、そのレコードが持つ移動手段を正解ラベルとして採用する。

正解アノテーション情報の移動手段（正解ラベル）を、セグメント情報ｓから求めた特徴に与えるか否かは、被覆率で判定する。被覆率が閾値θｃ以上で且つ最大のセグメント情報ｓの特徴は、移動手段の事例を正しく表すものとして、当該特徴に正解ラベルを与える。ラベルが与えられた特徴は、訓練事例として訓練事例記憶部４０に記憶する（ステップＳ６５）。

被覆率が閾値θｃ未満のセグメント情報ｓは正解ラベルがないものとして、当該セグメント情報ｓのユーザＩＤ、セッションＩＤ、特徴、メッシュＩＤ、時間帯、をラベルなし事例としてラベルなし事例記憶部３０に記憶する（ステップＳ６６）。ここでのメッシュＩＤは、セグメントの開始位置又は終了位置又は中間位置に対応するメッシュＩＤを用いることができる。また、時簡帯についても開始位置又は終了位置又は中間位置に対応する時簡帯などを用いることができる。

事例生成機能部６０は、未処理のセグメント情報ｓが無くなるまでステップＳ６１〜Ｓ６６までの処理を繰り返し（ステップＳ６７のＹＥＳ）、未処理のセグメント情報ｓが無くなった時点で上記の処理を終了する（ステップＳ６７のＮＯ）。

図１１に、事例生成機能部６０が生成した訓練事例の例を示す。移動手段（正解ラベル）に対応する特徴ベクトルが記憶されている。図１２に、事例生成機能部６０が生成したラベルなし事例の例を示す。セッションＩＤごとに特徴ベクトルとメッシュＩＤと時間帯が、ユーザＩＤごとに記憶されている。

〔予測モデル生成機能部〕
図１３に、予測モデル生成機能部５０のより具体的な機能構成例を示す。予測モデル生成部機能５０は、予測モデル生成部５２と、予測モデル出力部５３と、選択スコア計算部５４と、アノテーション要求部５５と、ラベルなし事例記憶更新部５６と、予測モデル再計算部５７とを具備する。

図１４に、予測モデル生成機能部５０の動作フローを示す。図１３と図１４を参照して予測モデル生成機能部５０の動作を説明する。予測モデル生成部５２は、訓練事例記憶部４０に記憶された全ての訓練事例を読み込み訓練事例集合Ｔとする（ステップＳ５１）。そして、訓練事例集合Ｔを用いて予測モデルＣを生成する（ステップＳ５２）。予測モデルＣは、訓練事例記憶部４０に記憶した全ての事例を用いたマルチクラス分類によって生成される。

マルチクラス分類とは、複数のクラスの中から一つを予測する分類法である。その予測モデルの構築は、例えば非特許文献２に記載された公知の方法を用いて行う。この方法以外でも、マルチクラス分類が可能な教師あり機械学習方法であれば任意の方法を利用することができる。本実施形態では、特徴ベクトルと同じ次元の重みベクトルの内積によって予測を行う線形識別モデルの例で説明を行うが、本実施形態に利用可能なアルゴリズムは線形識別モデルに限定されない。非線形モデルを適用する場合には、予測モデルを記憶する記憶部のデータ構造にアルゴリズムに合わせたスキーマを用いる。

予測モデル出力部５３は、ラベルなし事例記憶部３０に記憶したラベルなし事例集合Ｕの要素数（事例の数）が閾値θ以下の場合に、予測モデルＣを外部に出力（ステップＳ５３のＹＥＳ）し、予測モデル記憶部９０に記憶（ステップＳ５８）して動作を終了する。当該事例の数が閾値θより大きい場合に、予測モデルＣを選択スコア計算部５４に出力する（ステップＳ５３のＮＯ）。閾値θは予め設定されているものとする。

選択スコア計算部５４は、予測モデルＣを用いてラベルなし事例記憶部３０に記憶した各事例について移動手段の予測を行い、当該予測の確からしさの程度を表す確信度Ｆと、時空間頻度記憶部２０に記憶したメッシュＩＤと時間帯とから時空間的な珍しさの程度を表す地理スコアＧを求め、確信度Ｆと地理スコアＧから、予測モデルの性能が向上する程度を表す選択スコアＳを計算する（ステップＳ５４）。確信度Ｆには、線形識別モデルの場合、例えば特徴ベクトルと重みベクトルの内積の値の最大値などを用いることができる。他には、例えば非特許文献２に記載された公知の方法を用いることができる。このような確信度Ｆを計算できない予測モデルを利用する場合には、確信度Ｆは１であるものとする。

地理スコアＧは、ラベルなし事例のメッシュＩＤと時間帯情報を用いて計算する。ラベルなし事例集合Ｕに含まれるある事例のユーザＩＤをｕ、メッシュＩＤをｍ、時間帯をｔ、とすると地理スコアＧは式（１）で算出する。

ここでc(u,m,t)は、時空間頻度記憶部２０におけるユーザｕ，メッシュＩＤ_ｍ，時間帯
ｔの頻度を表す。同様にc(u,m)はユーザｕ，メッシュＩＤ_ｍの頻度、c(u,t)はユーザｕ,時間帯ｔの頻度、c(m,t)はメッシュＩＤ_ｍ, 時間帯ｔの頻度、c(u)はユーザｕの頻度、c(m)はメッシュＩＤ_ｍの頻度、c(t)は時間帯ｔの頻度を表す。また、λ_１，…，λ_７は各頻度の重み係数でありλ_１＋…＋λ_７＝１となるように予め設定されているものとする。

確信度Ｆと地理スコアＧを用いて選択スコアＳは、例えば式（２）で算出できる。

ここでαは重みパラメータであり予め設定されているものとする。選択スコアＳが大きいほど、現在の予測モデルＣでは正確な移動手段の予測が困難であることを表す。

選択には、例えば選択スコアＳに対する閾値θｓ以上の事例のみを選択する方法を用いることができる。閾値θｓは予め設定されているものとする。また、同じユーザＩＤを持つラベルなし事例集合Ｕに対する選択スコアＳの最小値に対して閾値θｓを設けてもよい。選択された事例集合を追加事例集合Ｖとし、ラベルなし事例集合Ｕから取り除く（式（３））。

更新したラベルなし事例集合Ｕをラベルなし事例記憶部３０に出力する（式（４））。

アノテーション要求部５５は、選択スコアＳがスコア閾値θｓ以上のラベルなし事例記憶部３０に記憶した各事例を抽出し、当該抽出した事例を外部に提示してアノテーションを要求する（ステップＳ５５）。アノテーションを要求するとは、例えばユーザに事例を提示して、当該事例でユーザが利用した移動手段（注釈：正解ラベル）の入力を要求することである。選択された追加事例集合Ｖをユーザに提示し、アノテーションを要求する。追加事例集合Ｖの提示方法としては、セグメントに対応する事例を地図上に可視化するなどの方法を用いることができる。ユーザによって入力されたアノテーションを正解ラベルとして採用する。

ラベルなし事例記憶更新部５６は、入力されたアノテーションをラベルとした抽出した事例を、ラベルなし事例記憶部３０から削除すると共に、抽出した事例を訓練事例記憶部４０に追加する（ステップＳ５６）。追加する事例は、選択スコアＳを用いてラベルなし事例記憶部３０の事例集合Ｕの中から追加学習に用いる事例を選択する。

予測モデル再計算部５７は、訓練事例記憶部４０に記憶した全ての事例（訓練事例集合Ｔ）から、移動手段を予測する予測モデルＣを再計算して予測モデル出力部５３に出力する（ステップＳ５７）。予測モデル再計算部５７は、新たに設定された訓練事例集合Ｔを用いて予測モデルＣの生成を行う。ここで予測モデルＣを再計算する方法は、上記のステップＳ５２と同じアルゴリズムを用いる。

予測モデル出力部５３は、ラベルなし事例記憶部３０に記憶した事例の数が閾値θ以下になるまで上記のステップＳ５３〜ステップＳ５７の処理を繰り返す。したがって、ラベルなし事例記憶部３０に記憶した事例の数が、所定の数より少なってから予測モデルＣが出力される。つまり、所定の数より多い訓練事例から生成した予測モデルＣが出力されることになる。

以上説明したように本実施形態の移動手段推定装置１００によれば、少量の正解ラベルが与えられている状況において、ラベルが与えられていないラベルなし事例集合から予測モデルの性能を向上させる観点で事例を選択することが可能になる。そして、その選択したラベルなし事例に対してアノテーションを要求し正解ラベルを追加することで予測モデルの性能向上が可能となる。その結果、ユーザの移動手段の推定精度を向上させることができる。

これらの効果を奏する本実施形態の作用をまとめると次のようになる。移動手段推定装置１００の予測モデル生成機能部５０が、現在の訓練事例に含まれていない事例に対して、現在の予測モデルの確からしさの程度を表す確信度Ｆと、時空間頻度記憶部２０を用いて時空間の観点で予測モデルの構築に既に同じ事例が利用されたかという観点を表す地理スコアを計算し、これらの２つの観点を用いることで予測モデルの性能が向上する程度を表す選択スコアを計算する。この選択スコアは、移動手段を推定する予測モデルの性能が向上する程度を表す。

予測モデル生成機能部５０のアノテーション要求部５５は、予測モデルの性能が向上する程度の高い事例をユーザに提示してアノテーションを要求する。そして、ラベルなし事例記憶更新部５６が、入力されたアノテーションを正解ラベルとした事例を訓練事例記憶部４０に追加する。この訓練事例が追加される処理は、ラベルなし事例の数が所定数より少なくなるまで繰り返される。予測モデル再計算部５７は、このように追加された訓練事例集合から予測モデルを再計算する。したがって、移動手段を推定する予測モデルの予測精度を向上させることができる。

なお、本実施形態では、アノテーションをユーザに対して要求する例で説明を行ったが、正解ラベルが例えば行動ログに記憶されていれば、その行動ログを参照して正解ラベルを自動的に取得するように構成してもよい。このように、本発明は、その要旨の範囲内で変形が可能である。

上記装置における処理部をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、各装置における処理部がコンピュータ上で実現される。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としても良い。

また、各手段は、コンピュータ上で所定のプログラムを実行させることにより構成することにしてもよいし、これらの処理内容の少なくとも一部をハードウェア的に実現することとしても良い。

１０ ：時空間頻度計算部
２０ ：時空間頻度記憶部
３０ ：ラベルなし事例記憶部
４０ ：訓練事例記憶部
５０ ：予測モデル生成機能部
５２ ：予測モデル生成部
５３ ：予測モデル出力部
５４ ：選択スコア計算部
５５ ：アノテーション要求部
５６ ：ラベルなし事例記憶更新部
５７ ：予測モデル再計算部
６０ ：事例生成機能部
６５ ：セグメント記憶部
７０ ：セグメント抽出機能部
８０ ：ＧＰＳ履歴情報記憶部
８５ ：正解アノテーション記憶部
１００：移動手段推定装置

Claims (5)

1. ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報に基づいて移動手段を推定する移動手段推定装置であって、
   ユーザを識別するユーザＩＤと、地図上の一定領域を表すメッシュＩＤと、１日内の時間帯と、前記時間帯に前記ユーザが前記一定領域内に立ち入った頻度とを記憶した時空間頻度記憶部と、
   前記移動手段の事例を正しく表す正解ラベルと、前記ＧＰＳ履歴情報から求めた前記事例の特徴ベクトルとを記憶した訓練事例記憶部と、
   前記正解ラベルが与えられていない前記事例の特徴ベクトルを記憶したラベルなし事例記憶部と、
   前記訓練事例記憶部に記憶した全ての前記事例から、前記移動手段を予測する予測モデルを生成し、前記ラベルなし事例記憶部に記憶した前記事例の数が閾値以下の場合に、前記予測モデルを出力し、前記ラベルなし事例記憶部に記憶した前記事例の数が前記閾値より大きい場合に、前記正解ラベルが与えられていない前記事例に前記正解ラベルを付与したときに前記予測モデルの信頼度が向上する程度を表す選択スコアを、前記時空間頻度記憶部に記憶したデータを用いて求め、当該選択スコアがスコア閾値よりも大きい前記事例を前記ラベルなし事例記憶部から抽出し、当該抽出した事例を外部に提示して注釈を要求し、入力された注釈を前記正解ラベルとした前記抽出した事例を、前記訓練事例記憶部に追加し、前記訓練事例記憶部に記憶した全ての前記事例を用いて、前記移動手段を予測する予測モデルを再計算する処理を、前記ラベルなし事例記憶部に記憶した前記事例の数が前記閾値以下になるまで繰り返す予測モデル生成機能部とを具備することを特徴とする移動手段推定装置。
2. 請求項１に記載した移動手段推定装置において、
   前記予測モデル生成機能部は、
   前記訓練事例記憶部に記憶した全ての前記事例を用いたマルチクラス分類を行って予測モデルを生成する予測モデル生成部と、
   前記ラベルなし事例記憶部に記憶した前記事例の数が閾値以下の場合に、前記予測モデルを外部に出力し、前記事例の数が閾値より大きい場合に、前記予測モデルを選択スコア計算部に出力する予測モデル出力部と、
   前記予測モデルを用いて前記ラベルなし事例記憶部に記憶した各事例について前記移動手段の予測を行い、当該予測の確からしさの程度を表す確信度と、前記時空間頻度記憶部に記憶した前記メッシュＩＤと前記時間帯とから時空間的な珍しさの程度を表す地理スコアを求め、前記確信度と前記地理スコアとから、予測モデルの性能が向上する程度を表す選択スコアを計算する選択スコア計算部と、
   前記選択スコアがスコア閾値以上の前記ラベルなし事例記憶部に記憶した各事例を抽出し、当該抽出した事例を外部に提示してアノテーションを要求するアノテーション要求部と、
   入力された前記アノテーションを正解ラベルとした前記抽出した前記事例を、前記ラベルなし事例記憶部から削除すると共に、前記抽出した前記事例を前記訓練事例記憶部に追加するラベルなし事例記憶更新部と、
   前記訓練事例記憶部に記憶した全ての前記事例から、前記移動手段を予測する予測モデルを再計算して前記予測モデル生成部に出力する予測モデル再計算部とを具備することを特徴とする移動手段推定装置。
3. 請求項２に記載した移動手段推定装置において、
   前記地理スコアは次式で計算し、
   

   

   ここでＧは地理スコア、c(u,m,t)は前記時空間頻度記憶部におけるユーザｕ，メッシュ
   ＩＤ_ｍ，時間帯ｔの頻度、c(u,m)はユーザｕ，メッシュＩＤ_ｍの頻度、c(u,t)はユーザｕ,時間帯ｔの頻度、c(m,t)はメッシュＩＤ_ｍ, 時間帯ｔの頻度、c(u)はユーザｕの頻度、c(m)はメッシュＩＤ_ｍの頻度、c(t)は時間帯ｔの頻度を表し、λはλ_１＋…＋λ_７＝１となる重み係数であり、
   前記選択スコアは次式で計算し、
   

   

   ここでＳは選択スコア、Ｆは前記確信度、αは重みパラメータであることを特徴とする移動手段推定装置。
4. ユーザの位置をＧＰＳで記録したＧＰＳ履歴情報から移動手段を推定する移動手段推定装置の動作方法であって、
   前記移動手段推定装置の予測モデル生成機能部が、前記移動手段推定装置の訓練事例記憶部に記憶した全ての事例から、前記移動手段を予測する予測モデルを生成し、前記移動手段推定装置のラベルなし事例記憶部に記憶した前記事例の数が閾値以下の場合に、前記予測モデルを出力し、前記ラベルなし事例記憶部に記憶した前記事例の数が前記閾値より大きい場合に、前記移動手段の事例を正しく表す正解ラベルが与えられていない前記事例に当該正解ラベルを付与したときに前記予測モデルの信頼度が向上する程度を表す選択スコアを、前記移動手段推定装置の時空間頻度記憶部に記憶したデータを用いて求め、当該選択スコアがスコア閾値よりも大きい前記事例を前記ラベルなし事例記憶部から抽出し、当該抽出した事例を外部に提示して注釈を要求し、入力された注釈を前記正解ラベルとした前記抽出した事例を、前記訓練事例記憶部に追加し、当該訓練事例記憶部に記憶した全ての前記事例を用いて、前記移動手段を予測する予測モデルを再計算する処理を、前記ラベルなし事例記憶部に記憶した前記事例の数が前記閾値以下になるまで繰り返すことを特徴とする移動手段推定装置の動作方法。
5. 請求項１乃至３の何れかに記載した移動手段推定装置としてコンピュータを機能させるためのプログラム。

Images