JP6360000B2 - 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム - Google Patents

移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム Download PDF

Info

Publication number
JP6360000B2
JP6360000B2 JP2015104089A JP2015104089A JP6360000B2 JP 6360000 B2 JP6360000 B2 JP 6360000B2 JP 2015104089 A JP2015104089 A JP 2015104089A JP 2015104089 A JP2015104089 A JP 2015104089A JP 6360000 B2 JP6360000 B2 JP 6360000B2
Authority
JP
Japan
Prior art keywords
trajectory
map image
database
gps
segment
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
Application number
JP2015104089A
Other languages
English (en)
Other versions
JP2016218812A (ja
Inventor
結城 遠藤
結城 遠藤
浩之 戸田
浩之 戸田
義昌 小池
義昌 小池
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2015104089A priority Critical patent/JP6360000B2/ja
Publication of JP2016218812A publication Critical patent/JP2016218812A/ja
Application granted granted Critical
Publication of JP6360000B2 publication Critical patent/JP6360000B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、ＧＰＳ軌跡に基づき移動手段を推定するための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（１）セグメント抽出と（２）移動手段推定の二つのフェーズから構成される。（１）セグメント抽出については、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、加速度情報を手がかりとした変化点にもとづく方法などがある。（２）移動手段推定については、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(非特許文献１、非特許文献２)。
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。非特許文献１及び非特許文献２は、セグメントにおけるＧＰＳ軌跡の移動距離、速度、加速度、速度変化率、停止率、方向転換率を特徴量として抽出している。さらに、非特許文献３においては、移動軌跡を表した画像形式のデータからｄｅｅｐ ｌｅａｒｎｉｎｇを用いて特徴量を抽出し、この特徴量を移動手段予測に利用することでさらに移動手段推定の精度を向上させる手法が開示されている。
Zheng, Y., Liu, L., Wang, L., and Xie, X.: Learning transportation mode from raw GPS data for geographic applications on the web, In Proc. of WWW'08, pp. 247-256, 2008. Zheng, Y., Chen, Y., Li, Q., Xie, X., and Ma, W.-Y.: Understanding transportation modes based on GPS data for web applications, ACM Trans. Web, Vol. 4, No. 1, pp.1:1-1:36, 2010. 遠藤結城,数原良彦,戸田浩之,小池義昌："移動手段判定のための表現学習を用いたＧＰＳ軌跡からの特徴抽出"，WebDB Forum 2014,2014-11-19. Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y. and anzagol,P.-A.: Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. In Proc. of JMLR'10, 11:3371-3408, Dec. 2010. Rumelhart, D., Hinton, G., and Williams, R. (1986a). Learning representations by back-propagating errors. Nature, 323, 533-536.
しかしながら、非特許文献３に記載された技術では、移動手段推定に利用する特徴量として、セグメント上の地図画像情報が何ら利用されていない。すなわち、移動軌跡に基づく特徴量だけでは移動手段を区別できないときに、地図画像における情報（例えば経路の形や色情報、周囲の建物の景観情報等）を特徴量として利用することができず、移動手段の推定精度が上がらないという問題があった。
本発明は、上記の事情に鑑みなされ、従来の速度や加速度、軌跡画像の特徴量などでは判別できなかった移動手段の判別を可能とすることを課題とする。
そこで、本発明は、ＧＰＳ軌跡に基づき移動手段を推定するための移動手段推定モデルを生成するにあたり、ＧＰＳ軌跡に対応した地図画像から抽出した特徴量を利用する。
本発明の装置としての態様は、ＧＰＳ軌跡に基づき移動手段を推定するための移動手段推定モデルを生成する装置であって、同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出部と、地図画像を格納する地図画像データベースから前記両データベースに格納された各ＧＰＳ軌跡セグメントに対応する地図画像を取得する地図画像取得部と、前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルなし軌跡地図画像を生成する一方で前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルあり軌跡地図画像を生成する軌跡地図画像生成部と、前記ラベルなし軌跡地図画像を格納する第３データベースと、前記ラベルあり軌跡地図画像を前記ラベルと対応させて格納する第４データベースと、前記第３データベースと前記第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出部と、前記第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出部と、前記第５データベースと前記第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結部と、前記連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成部と、を備える。
本発明の方法としての態様は、同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、に基づきコンピュータが、移動手段を推定するための移動手段推定モデルを生成する方法であって、前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出ステップと、地図画像を格納する地図画像データベースから前記両データベースに格納された各ＧＰＳ軌跡セグメントに対応する地図画像を取得する地図画像取得ステップと、前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルなし軌跡地図画像を生成する一方で前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルあり軌跡地図画像を生成する軌跡地図画像生成ステップと、前記ラベルなし軌跡地図画像を第３データベースに格納する軌跡地図画像格納ステップと、前記ラベルあり軌跡地図画像を前記ラベルと対応させて第４データベースに格納するラベルあり軌跡地図画像格納ステップと、前記第３データベースと前記第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出ステップと、前記第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出ステップと、前記第５データベースと前記第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結ステップと、前記連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成ステップと、を有する。
尚、本発明は上記装置の各手段としてコンピュータを機能させるプログラム若しくは上記方法の各ステップをコンピュータに実行させるプログラムの態様とすることもできる。
本発明によれば、従来の速度や加速度、軌跡画像の特徴量などでは判別できなかった移動手段が判別可能となる。
本発明の実施形態における移動手段推定モデル生成装置の全体構成図。 （ａ）は地図画像の可視化例を示した図、（ｂ）は当該例のデータ構造図。 ラベルなしＧＰＳ軌跡セグメントＤＢのデータ構造図。 ラベルありＧＰＳ軌跡セグメントＤＢのデータ構造図。 （ａ）は軌跡画像の可視化例を示した図、（ｂ）は当該例のデータ構造図。 地図画像取得部の処理ステップを示すフローチャート。 軌跡地図画像生成部の処理ステップを示すフローチャート。 軌跡地図画像のデータ構造図。 ラベルなし軌跡地図画像ＤＢのデータ構造図。 ラベルあり軌跡地図画像ＤＢのデータ構造図。 軌跡画像抽出部の処理ステップを示すフローチャート。 図１１のＳ１３０の詳細を示すフローチャート。 ＤＮＮ学習部の処理ステップを示すフローチャート。 ＤＮＮＤＢのデータ構造図。 ＤＮＮ特徴量抽出部の処理ステップを示すフローチャート。 ＤＮＮ特徴量ＤＢのデータ構造図。 基本特徴量ＤＢのデータ構造図。 特徴量連結部の処理ステップを示すフローチャート。
以下に図面を参照しながら本発明の実施形態について説明する。
≪概要≫
図１に示された移動手段推定モデル生成装置１は、ＧＰＳ軌跡に基づき移動手段を推定するための移動手段推定モデルを生成するにあたり、ＧＰＳ軌跡に対応した地図画像から抽出した特徴量を利用することにより、従来よりも高精度に移動手段の判別を行う。
≪装置の構成例≫
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ソースを備える。
このハードウェアリソースとソフトウェアリソース（ＯＳ，アプリケーションなど）との協同の結果、移動手段推定モデル生成装置１は、ラベルなしＧＰＳ軌跡セグメントＤＢ１０，ラベルありＧＰＳ軌跡セグメントＤＢ２０，軌跡画像抽出部３０，地図画像ＤＢ１６０，地図画像取得部１７０，軌跡地図画像生成部１８０，ラベルなし軌跡地図画像ＤＢ４０，ラベルあり軌跡地図画像ＤＢ５０，ＤＮＮ学習部６０，ＤＮＮＤＢ７０，ＤＮＮ特徴量抽出部８０，ＤＮＮ特徴量ＤＢ９０，基本特徴量抽出部１００，基本特徴量ＤＢ１１０，特徴量連結部１２０，連結特徴量ＤＢ１３０，推定モデル生成部１４０，推定モデルＤＢ１５０を実装する。
ラベルなしＧＰＳ軌跡セグメントＤＢ１０は、同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する。
ラベルありＧＰＳ軌跡セグメントＤＢ２０は、前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する。
軌跡画像抽出部３０は、前記ＤＢ１０，２０に格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、当該測位点の羅列情報の重心を画像の中心として画像化する。
地図画像取得部１７０は、地図画像を格納した地図画像ＤＢ１６０から前記ＤＢ１０，２０に格納された各ＧＰＳ軌跡セグメントに対応する地図画像を取得する。具体的には、前記ＤＢ１０，２０から一定時間の間隔で取得したＧＰＳ軌跡に基づき当該ＧＰＳ軌跡の重心座標の経度並びに緯度を算出し、この経度と緯度とからなる座標を中心とする経度幅、緯度幅の範囲に含まれる地図画像を地図画像ＤＢ１６０から取得する。
軌跡地図画像生成部１８０は、前記ＤＢ１０のＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルなし軌跡地図画像を生成する。具体的には、前記ＤＢ１０のＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該セグメントに対応する地図画像の画素の要素を示すベクトルとの結合により前記ラベルなし軌跡地図画像を構成する画素の要素を示すベクトルを生成する。ラベルなし軌跡地図画像はラベルなし軌跡地図画像ＤＢ４０に格納される。
また、軌跡地図画像生成部１８０は、前記ＤＢ２０のラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルあり軌跡地図画像を生成する。具体的には、前記ＤＢ２０のラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該セグメントに対応する地図画像の画素を示すベクトルとの結合により前記ラベルあり軌跡地図画像を構成する画素の要素を示すベクトルを生成する。ラベルあり軌跡地図画像は前記ラベルと対応させてラベルあり軌跡地図画像ＤＢ５０に格納される。
ＤＮＮ特徴量抽出部８０は、前記ＤＢ４０，５０の格納データに基づくＤＮＮ学習部６０による多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の学習結果をＤＮＮＤＢ７０から引き出してＤＮＮ特徴量を抽出する。ＤＮＮ特徴量は前記ラベルと対応させてＤＮＮ特徴量ＤＢ９０に格納される。
基本特徴量抽出部１００は、前記ＤＢ２０のラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、この抽出した基本特徴量を前記ラベルと対応させて基本特徴量ＤＢ１１０に格納する。
特徴量連結部１２０は、ＤＮＮ特徴量ＤＢ９０と基本特徴量ＤＢ１１０のそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする。連結特徴量は前記ラベルと対応させて連結特徴量ＤＢ１３０に格納される。
推定モデル生成部１４０は、連結特徴量ＤＢ１３０の連結特徴量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。移動手段推定モデルは推定モデルＤＢ１５０に格納される。
前記各ＤＢ１０，２０，４０，５０，７０，９０，１１０，１３０，１５０，１６０は、前記記憶装置に構築されている。尚、移動手段推定モデル生成装置１は、単一のコンピュータに構成してもよく、あるいは複数のコンピュータに構成してもよいものとする。
以下、前記各構成１０〜１８０の詳細を説明する。
≪ラベルなしＧＰＳ軌跡セグメントＤＢ１０≫
図３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３においては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。尚、図３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４に基づき前記ＤＢ２０のデータ構造を説明する。この前記ＤＢ２０には、ＧＰＳ軌跡セグメントおよびセグメントＩＤに加えて、各ＧＰＳセグメントに対する移動手段のラベル情報が格納されている。
≪軌跡画像抽出部３０≫
軌跡画像抽出部３０は、前記各ＤＢ１０，２０からデータを読み出し、それぞれのデータから軌跡画像を抽出する。まず、図１１に基づき軌跡画像抽出部３０の全体的な処理ステップを説明する。ここでは軌跡画像抽出部３０は、処理が開始されると前記ＤＢ１０からすべてのＧＰＳ軌跡セグメントを受け取る（Ｓ１１０）。続いて前記ＤＢ２０からすべてのラベル情報とＧＰＳ軌跡セグメントを受け取る（Ｓ１２０）。
その後に前記ＤＢ１０，２０から取得した各ＧＰＳ軌跡セグメントｓにおける前記測位点の羅列情報をＰsとし、Ｐsから軌跡画像を抽出する（Ｓ１３０）。そして、軌跡画像Ｉ、セグメントＩＤを軌跡地図画像生成部１８０に受け渡す。ラベルがあればラベルも受け渡す（Ｓ１４０）。
次いで図１２に基づき軌跡画像抽出部３０の中心的な処理内容、即ちＳ１３０の軌跡画像抽出ステップを詳細に説明する。
Ｓ２０１：処理が開始されると測位点の羅列情報ＰsをＴ秒間隔でサンプリングしたＰs’を生成する。ここでＴは任意のパラメータとする。
Ｓ２０２：緯度経度座標系において測位点の羅列情報における重心座標の経度成分ｃｅｎｔｅｒlngを計算する。具体的には式（１）により計算する。この式（１）中の｜Ｐs’｜は、Ｐs’の要素数を示している。また、ｐ（ｊ）．ｌｎｇは、Ｐs’におけるｊ番目の測位点の経度を示している。
Figure 0006360000
Ｓ２０３：緯度経度座標系において測位点の羅列情報における重心座標の緯度成分ｃｅｎｔｅｒlatを計算する。具体的には式（２）により計算する。この式（２）中のｐ（ｊ）．ｌａｔは、Ｐs’におけるｊ番目の測位点の緯度を示している。
Figure 0006360000
Ｓ２０４：Ｐs’における最も南西にある座標の経度座標ｍｉｎlngを計算する。具体的には式（３）により計算する。
Figure 0006360000
Ｓ２０５：Ｐs’における最も南西にある座標の緯度座標ｍｉｎlatを計算する。具体的には式（４）により計算する。
Figure 0006360000
Ｓ２０６：緯度経度座標系において測位点の羅列情報における重心座標の経度座標が、画像座標系の中心座標の水平成分と一致させるために用いる補正値ｏｆｆｓｅｔxを計算する。具体的には式（５）により計算する。
Figure 0006360000
ここで、Ｗmは、軌跡画像の水平幅を表す任意のパラメータである。また、εは定数であり、例えば１０-9のような任意の小さい値を用いる。
Ｓ２０７：緯度経度座標系において測位点の羅列情報における重心座標の緯度座標が、画像座標系の中心座標の垂直成分と一致させるために用いる補正値ｏｆｆｓｅｔyを計算する。具体的には式（６）により計算する。この式（６）中のＨmは、軌跡画像の垂直幅を表す任意のパラメータである。
Figure 0006360000
Ｓ２０８：抽出する軌跡画像を表すＷm×Ｈmの行列Ｉを用意し、すべての要素を０で初期化し、その後にＳ２０９〜Ｓ２１２のループ処理に移行する。このループ処理においては、測位点の順番ｊに１〜｜Ｐs’｜まで値を順次に代入する。以下、Ｓ２０９〜Ｓ２１２のループ処理を説明する。
Ｓ２０９：ｐ(j)．ｌｎｇを緯度経度座標系の経度成分から画像座標系の水平成分ｘに変換する。この変換は、式（７）の計算により行われる。この式（７）中のＷpは、Ｐs‘の重心を画像の中心として画像化する際の経度幅を示している。
Figure 0006360000
Ｓ２１０：ｐ(j)．ｌａｔを緯度経度座標系の緯度成分から画像座標系の垂直成分ｙに変換する。この変換は、式（８）の計算により行われている。この式（８）中、ＨpはＰs‘の重心を画像の中心として画像化する際の緯度幅を示している。
Figure 0006360000
Ｓ２１１：Ｓ２０９で変換した座標ｘまたはＳ２１０で変換した座標ｙが、決められた画像サイズの範囲内の場合にはＳ２１２に進む一方、そうでない場合にはＳ２１２をスキップする。
Ｓ２１２：測位点の存在する画素に定数を加算する。ここでは式（９）の計算を行うものとする。
Figure 0006360000
式（９）中のＩ(x,y)は、行列Ｉのｘ行ｙ列の要素を示している。この式（９）の加算処理によって、同じ地点での滞在時間に応じて画素値が調節される。例えば同じ地点に長く滞在すると、軌跡画像の対応する画素値が大きくなり、これにより滞在時間の判別が可能となる。なお、｜Ｐs’｜の要素数のすべてをｊに代入してＳ２０９〜Ｓ２１２の処理が完了すれば、ループ処理を終了する。
≪地図画像ＤＢ１６０≫
地図画像ＤＢ１６０には、地図画像が格納されている。地図画像とは、図２に示す通り、地物（建物や道路）を一定の縮尺で表した色情報付きの任意の画像であり、人が描いて作成した地図以外にも航空写真やベクトル地図データ等から生成された画像も含まれる。データ構造としては図２に示す通り行列で表現され、行列の各要素には色情報を表すための次元数からなるベクトルを有する。地図画像に用いる色空間は例えば３次元からなるＲＧＢ色空間などを利用できる。
≪地図画像取得部１７０≫
地図画像取得部１７０は、ラベルなしＧＰＳ軌跡セグメントＤＢ１０及びラベルありＧＰＳ軌跡セグメントＤＢ２０からデータを読み出す。ラベルなしＧＰＳ軌跡セグメントＤＢ１０のデータ構造は図３に示す通り、セグメントＩＤおよびＧＰＳ軌跡セグメントの情報を持つ。ラベルありＧＰＳ軌跡セグメントＤＢ２０のデータ構造は、図４に示す通り、セグメントＩＤ、ラベル、ＧＰＳ軌跡セグメントの情報を持つ。
読みだしたデータの座標に該当する地図画像を地図画像ＤＢ１６０から読みだし、軌跡画像抽出部３０で抽出した軌跡画像と同じサイズに拡大または縮小する。ここで軌跡画像とは、図５に示す通りユーザが通過した経路が直線や曲線によって表されている。データ構造としては図５に示す通り行列で表現され、行列の各要素には当該画素における滞在時間として実数値を持つ。
図６は地図画像取得部１７０の処理の流れを示すフローチャートである。図６を参照して地図画像取得部１７０の処理の流れを説明する。
Ｓ６１０：ラベルなしＧＰＳ軌跡セグメントＤＢ１０またはラベルありＧＰＳ軌跡セグメントＤＢ２０から、セグメントsにおけるセグメントＩＤ、ＧＰＳ軌跡Ｐsを受け取る。ラベルが存在すればラベルも受け取る。
Ｓ６２０：ＧＰＳ軌跡の測位時間間隔の誤差を軽減するために、ＧＰＳ軌跡ＰsをＴ秒間隔でサンプリングし、Ｐs’を生成する。ここでＴは定数であり、例えば６０のような任意の実数値を利用する。
Ｓ６３０：ＧＰＳ軌跡Ｐsの重心座標の経度ｃｅｎｔｅｒlngを式（１）の通り算出する。
Figure 0006360000
Ｓ６４０：ＧＰＳ軌跡Ｐsの重心座標の緯度ｃｅｎｔｅｒlatを式（２）の通り算出する。
Figure 0006360000
Ｓ６５０：（ｃｅｎｔｅｒlng,ｃｅｎｔｅｒlat）を中心とする経度幅Ｗp、緯度幅Ｈpの範囲に含まれる縮尺ｓｃａｌｅ地図画像を地図画像ＤＢ１６０に要求し、地図画像ＤＢ１６０は該当する地図画像Ｉmを送信する。ここでＷpおよびＨpは軌跡画像抽出部３０と同じ値を利用する。またｓｃａｌｅは１／１００００や１／５０００など任意の値を設定する。
Ｓ６６０：取得した地図画像Ｉmを横幅Ｗmピクセル、縦幅Ｈmピクセルになるように拡大または縮小する。ここでＷmおよびＨmは軌跡画像抽出部３０と同じ値を利用する。
Ｓ６７０：地図画像Ｉm、セグメントＩＤを軌跡地図画像生成部１８０に受け渡す。ラベルがあればラベルも受け渡す。
≪軌跡地図画像生成部１８０≫
軌跡地図画像生成部１８０は軌跡画像抽出部３０から軌跡画像等を受け取り、地図画像取得部１７０から地図画像等を受け取る。次に受け取った軌跡画像と地図画像を結合することで軌跡地図画像を生成し、ラベルあり軌跡地図画像ＤＢ５０またはラベルなし軌跡地図画像ＤＢ４０に地図軌跡画像等を格納する。
図７は軌跡地図画像生成部１８０の処理の流れを示すフローチャートである。図７を参照して、軌跡地図画像生成部１８０の処理の流れを説明する。
Ｓ７１０：地図画像取得部１７０から地図画像Ｉm、セグメントＩＤを受け取る。ラベルがあればラベルも受け取る。
Ｓ７２０：軌跡画像抽出部３０から軌跡画像Ｉ、セグメントＩＤを受け取る。
Ｓ７３０：セグメントＩＤが一致する軌跡画像と地図画像を結合する。具体的には、各画素に対応するベクトルを結合する。例えば軌跡画像の１画素の要素を表すベクトルが1次元、地図画像の１画素の要素を表すベクトルが３次元であれば、それらを結合した１画素の要素が４次元のベクトルからなる軌跡地図画像Ｉ’が生成される。図８に生成される軌跡地図画像Ｉ’のデータ構造の例を示す。
Ｓ７４０：Ｓ７１０において地図画像取得部１７０からラベルを受け取っているか否かを確認する。
Ｓ７５０：Ｓ７４０においてＹｅｓと判断された場合、セグメントＩＤ、ラベル、生成された軌跡画像Ｉ’をラベルあり軌跡地図画像ＤＢ５０に格納する。
Ｓ７６０：Ｓ７４０においてＮｏと判断された場合、セグメントＩＤ、生成された軌跡画像Ｉ’をラベルなし軌跡地図画像ＤＢ４０に格納する。
≪ラベルなし軌跡地図画像ＤＢ４０≫
ラベルなし軌跡地図画像ＤＢ４０は、軌跡地図画像生成部１８０によって生成された軌跡地図画像とセグメントＩＤを格納するＤＢである。図９にラベルなし軌跡地図画像ＤＢ４０のデータ構造の例を示す。
≪ラベルあり軌跡地図画像ＤＢ５０≫
ラベルあり軌跡地図画像ＤＢ５０は、軌跡地図画像生成部１８０によって生成された軌跡地図画像とセグメントＩＤとラベルを格納するＤＢである。図１０にラベルあり軌跡地図画像ＤＢ５０のデータ構造の例を示す。
≪ＤＮＮ学習部６０，ＤＮＮＤＢ７０≫
ＤＮＮ学習部６０は、前記ＤＢ４０，５０から軌跡地図画像とラベル情報とを読み出して入力とし、多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）の学習を行う。
図１３に基づきＤＮＮ学習部６０の処理ステップを説明する。すなわち、処理が開始されると、まず前記ＤＢ４０から軌跡地図画像を受け取る（Ｓ３１０）。つぎに前記ＤＢ５０からラベル情報と軌跡地図画像とを受け取る（Ｓ３２０）。
続いてＳ３１０，Ｓ３２０で取得したすべての軌跡地図画像を用いて、ＤＮＮのＰｒｅ−ｔｒａｉｎｉｎｇを行う（Ｓ３３０）。Ｐｒｅ−ｔｒａｉｎｉｎｇの方法としては、非特許文献４の「Ｓｔａｃｋｅｄ Ｄｅｎｏｉｓｉｎｇ Ａｕｔｏｅｎｃｏｄｅｒ」など公知の技術を用いることができる。
Ｐｒｅ−ｔｒａｉｎｉｎｇの結果として、中間層の数がＮのＤＮＮに対して、出力としてＮ個の重み行列「Ｗ＝（Ｗ1 T，Ｗ2 T，…，Ｗm T）T」およびバイアス項ｂが得られる。
そして、Ｓ３２０で取得した軌跡地図画像とラベル情報とを用いて、ＤＮＮ全体の重み行列Ｗおよびバイアス項ｂを調整するｆｉｎｅ−ｔｕｎｉｎｇを行う（Ｓ３４０）。ｆｉｎｅ−ｔｕｎｉｎｇの方法は、非特許文献５の誤差逆伝播法などに基づく公知技術を用いることができる。
その後、前記ＤＢ７０に重み行列Ｗおよびバイアス項ｂの情報を格納し（Ｓ３５０）、処理を終了する。これにより前記ＤＢ７０には、図１４に示すように、ＤＮＮ学習部６０の学習結果として、各中間層の番号毎に重み行列Ｗおよびバイアス項ｂが格納される。
≪ＤＮＮ特徴量抽出部８０，ＤＮＮ特徴量ＤＢ９０≫
ＤＮＮ特徴量抽出部８０は、前記ＤＢ７０の格納データを読み出して入力とし、ＤＮＮ特徴量の抽出を実行する。図１５に基づき説明すれば、処理が開始されるとＤＮＮ特徴量抽出部８０は、まず前記ＤＢ５０からラベル情報と軌跡地図画像とを受け取り（Ｓ４１０）、続いて前記ＤＢ７０から各中間層における重み行列Ｗおよびバイアス項ｂを受け取る（Ｓ４２０）。
次に、Ｓ４２０で受け取った重み行列Ｗおよびバイアス項ｂとを用いたＤＮＮから、Ｓ４１０で受け取った各軌跡画像の特徴量を計算する（Ｓ４３０）。この特徴量の計算方法としては、非特許文献４などで用いられている公知の方法を利用できる。例えば軌跡画像をＤＮＮの入力層に与えることで得られるＤＮＮの最も深い中間層の出力を軌跡画像の特徴量とすることができる。
そして、Ｓ４３０で計算された各軌跡画像の特徴量（以下、ＤＮＮ特徴量とする。）と、該軌跡画像に対応するラベル情報とのペアを前記ＤＢ９０に格納し（Ｓ４４０）、処理を終了する。これにより前記ＤＢ９０には、図１６に示すように、ＧＰＳ軌跡セグメントのセグメントＩＤ毎にラベル情報およびＤＮＮ特徴量が格納される。
≪基本特徴量抽出部１００，基本特徴量ＤＢ１１０≫
基本特徴量抽出部１００は、図１に示すように、前記ＤＢ２０のデータを読み出し、読み出したデータから特徴量（以下、基本特徴量とする。）を抽出する。この基本特徴の抽出方法としては、例えば非特許文献１，２に記載された公知の技術（ｆｅａｔｕｒｅ ｅｎｇｉｎｅｅｒｉｎｇなど）を用いることができる。
ここで抽出された基本特徴量は、ラベル情報と対応付けて前記ＤＢ１１０に格納される。これにより前記ＤＢ１１０は、図１７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、ＤＢ９０，１１０のデータを読み出し、それぞれのデータ間における同じセグメントＩＤに係る基本特徴量とＤＮＮ特徴量とを連結させる。ここで連結された特徴量を連結特徴量と呼ぶ。
図１８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ＤＢ９０からセグメントＩＤとラベル情報とＤＮＮ特徴量とを受け取り（Ｓ５１０）、続いて前記ＤＢ１１０からセグメントＩＤとラベル情報と基本特徴量とを受け取る（Ｓ５２０）。
つぎに特徴量連結部１２０は、Ｓ５１０、Ｓ５２０で受け取ったデータ間においてセグメントＩＤが対応する基本特徴量とＤＮＮ特徴量とを特定し、特定された基本特徴量とＤＮＮ特徴量とを一つのベクトルに連結し（Ｓ５３０）、連結された連結特徴量を前記ＤＢ１３０に格納する（Ｓ５４０）。これにより前記ＤＢ１３０には、連結特徴量がラベル情報毎に格納される。
≪推定モデル生成部１４０，推定モデルＤＢ１５０≫
推定モデル生成部１４０は、前記ＤＢ１３０からデータを読み出し、読み出したデータ中の連結特徴量と該連結特徴量に応じたラベル情報とを用いて移動手段推定モデルを生成する。推定モデルの生成には、例えばロジステック回帰やＳＶＭ，決定木などの公知技術を用いることができる（非特許文献１，２参照）。ここで生成された移動手段推定モデルは、前記ＤＢ１５０に格納される。
≪本実施形態の効果≫
以上の移動手段推定モデル生成装置１によれば、地図画像からｄｅｅｐ ｌｅａｒｎｉｎｇによって特徴量を抽出し、これを従来の特徴量と合わせて移動手段推定に利用することで、従来よりも高精度に移動手段を推定することが可能となる。具体的には、地図画像における経路の色や形、周囲の景観の違い等の移動手段に効果的な特徴量をｄｅｅｐ ｌｅａｒｎｉｎｇによって定量化及び抽出し、これを利用することにより、従来の速度、加速度や軌跡画像の特徴量などでは判別できなかった移動手段が判別可能となる。
≪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の各部１０〜１８０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〜Ｓ１４０，Ｓ２０１〜Ｓ２１２，Ｓ３１０〜Ｓ３５０，Ｓ４１０〜Ｓ４４０，Ｓ５１０〜Ｓ５４０，Ｓ６１０〜６７０，Ｓ７１０〜Ｓ７６０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（第１データベース）
２０…ラベルありＧＰＳ軌跡セグメントＤＢ（第２データベース）
３０…軌跡画像抽出部
４０…ラベルなし軌跡地図画像ＤＢ（第３データベース）
５０…ラベルあり軌跡地図画像ＤＢ（第４データベース）
６０…ＤＮＮ学習部
７０…ＤＮＮＤＢ
８０…ＤＮＮ特徴量抽出部
９０…ＤＮＮ特徴量ＤＢ（第５データベース）
１００…基本特徴量抽出部
１１０…基本特徴量ＤＢ（第６データベース）
１２０…特徴量連結部
１３０…連結特徴量ＤＢ（第７データベース）
１４０…推定モデル生成部
１５０…推定モデルＤＢ
１６０…地図画像ＤＢ（地図画像データベース）
１７０…地図画像取得部
１８０…軌跡地図画像生成部

Claims (7)

  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をＧＰＳ軌跡セグメントとして格納する第１データベースと、
    前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、
    前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出部と、
    地図画像を格納する地図画像データベースから前記両データベースに格納された各ＧＰＳ軌跡セグメントに対応する地図画像を取得する地図画像取得部と、
    前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルなし軌跡地図画像を生成する一方で前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルあり軌跡地図画像を生成する軌跡地図画像生成部と、
    前記ラベルなし軌跡地図画像を格納する第３データベースと、
    前記ラベルあり軌跡地図画像を前記ラベルと対応させて格納する第４データベースと、
    前記第３データベースと前記第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出部と、
    前記第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出部と、
    前記第５データベースと前記第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結部と、
    前記連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成部と、
    を備えることを特徴とする移動手段推定モデル生成装置。
  2. 前記地図画像取得部は、
    前記両データベースから一定時間の間隔で取得したＧＰＳ軌跡に基づき当該ＧＰＳ軌跡の重心座標の経度を算出する手段と、
    前記一定時間の間隔で取得したＧＰＳ軌跡に基づき当該ＧＰＳ軌跡の重心座標の緯度を算出する手段と、
    前記算出された経度と緯度とからなる座標を中心とする経度幅、緯度幅の範囲に含まれる地図画像を前記地図画像データベースから取得する手段と、
    を備えることを特徴とする請求項１に記載の移動手段推定モデル生成装置。
  3. 前記軌跡地図画像生成部は、
    前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該ＧＰＳ軌跡セグメントに対応する地図画像の画素の要素を示すベクトルとの結合により前記ラベルなし軌跡地図画像を構成する画素の要素を示すベクトルを生成する手段と、
    前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像の画素を示すベクトルとの結合により前記ラベルあり軌跡地図画像を構成する画素の要素を示すベクトルを生成する手段と、
    を備えることを特徴とする請求項１または２に記載の移動手段推定モデル生成装置。
  4. 同一の移動手段である区間毎にＧＰＳ測位によって取得された測位点の羅列情報をＧＰＳ軌跡セグメントとして格納する第１データベースと、
    前記ＧＰＳ軌跡セグメントにラベルを付したラベルありＧＰＳ軌跡セグメントを格納する第２データベースと、
    に基づきコンピュータが、移動手段を推定するための移動手段推定モデルを生成する方法であって、
    前記両データベースに格納された各ＧＰＳ軌跡セグメントの測位点の羅列情報から軌跡画像を抽出する際、該測位点の羅列情報の重心を画像の中心として画像化する軌跡画像抽出ステップと、
    地図画像を格納する地図画像データベースから前記両データベースに格納された各ＧＰＳ軌跡セグメントに対応する地図画像を取得する地図画像取得ステップと、
    前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルなし軌跡地図画像を生成する一方で前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像と当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像とに基づきラベルあり軌跡地図画像を生成する軌跡地図画像生成ステップと、
    前記ラベルなし軌跡地図画像を第３データベースに格納する軌跡地図画像格納ステップと、
    前記ラベルあり軌跡地図画像を前記ラベルと対応させて第４データベースに格納するラベルあり軌跡地図画像格納ステップと、
    前記第３データベースと前記第４データベースの格納データに基づく多層ニューラルネットワークの学習結果からＤＮＮ特徴量を抽出し、抽出されたＤＮＮ特徴量を前記ラベルと対応させて第５データベースに格納するＤＮＮ特徴量抽出ステップと、
    前記第２データベースのラベルありＧＰＳ軌跡セグメントから基本特徴量を抽出し、抽出された基本特徴量を前記ラベルと対応させて第６データベースに格納する基本特徴量抽出ステップと、
    前記第５データベースと前記第６データベースのそれぞれ対応するＤＮＮ特徴量と基本特徴量とを連結させて連結特徴量とする特徴量連結ステップと、
    前記連結特徴量を前記ラベルと対応させて格納する第７データベースに基づき前記推定モデルを生成する推定モデル生成ステップと、
    を有することを特徴とする移動手段推定モデル生成方法。
  5. 前記地図画像取得ステップは、
    前記両データベースから一定時間の間隔で取得したＧＰＳ軌跡に基づき当該ＧＰＳ軌跡の重心座標の経度を算出するステップと、
    前記一定時間の間隔で取得したＧＰＳ軌跡に基づき当該ＧＰＳ軌跡の重心座標の緯度を算出するステップと、
    前記算出された経度と緯度とからなる座標を中心とする経度幅、緯度幅の範囲に含まれる地図画像を前記地図画像データベースから取得するステップと、
    を有することを特徴とする請求項４に記載の移動手段推定モデル生成方法。
  6. 前記軌跡地図画像生成ステップは、
    前記第１データベースのＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該ＧＰＳ軌跡セグメントに対応する地図画像の画素の要素を示すベクトルとの結合により前記ラベルなし軌跡地図画像を構成する画素の要素を示すベクトルを生成するステップと、
    前記第２データベースのラベルありＧＰＳ軌跡セグメントから抽出した軌跡画像の画素の要素を示すベクトルと当該ラベルありＧＰＳ軌跡セグメントに対応する地図画像の画素を示すベクトルとの結合により前記ラベルあり軌跡地図画像を構成する画素の要素を示すベクトルを生成するステップと、
    を有することを特徴とする請求項４または５に記載の移動手段推定モデル生成方法。
  7. 請求項１から３のいずれか１項に記載の移動手段推定モデル生成装置としてコンピュータを機能させることを特徴とする移動手段推定モデル生成プログラム。
JP2015104089A 2015-05-22 2015-05-22 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 Active JP6360000B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015104089A JP6360000B2 (ja) 2015-05-22 2015-05-22 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015104089A JP6360000B2 (ja) 2015-05-22 2015-05-22 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム

Publications (2)

Publication Number Publication Date
JP2016218812A JP2016218812A (ja) 2016-12-22
JP6360000B2 true JP6360000B2 (ja) 2018-07-18

Family

ID=57578988

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015104089A Active JP6360000B2 (ja) 2015-05-22 2015-05-22 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム

Country Status (1)

Country Link
JP (1) JP6360000B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10599146B2 (en) 2018-03-26 2020-03-24 Ford Global Technologies, Llc Action-conditioned vehicle control
US20250020474A1 (en) * 2022-04-28 2025-01-16 Rakuten Group, Inc. Information processing apparatus, information processing method, non-transitory computer readable medium, and learning model

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005056002A (ja) * 2003-08-07 2005-03-03 Aisin Aw Co Ltd 情報処理センター、情報処理方法及び情報提供システム
JP5193808B2 (ja) * 2008-11-04 2013-05-08 日本電信電話株式会社 移動手段の判定装置、判定方法、判定プログラム及びその記録媒体
JP5509932B2 (ja) * 2010-03-02 2014-06-04 日本電気株式会社 移動通信装置、プログラム及び周辺情報出力方法
JP6189620B2 (ja) * 2013-04-11 2017-08-30 株式会社ゼンリンデータコム 情報処理装置、情報処理方法及びプログラム

Also Published As

Publication number Publication date
JP2016218812A (ja) 2016-12-22

Similar Documents

Publication Publication Date Title
US11562002B2 (en) Enabling advanced analytics with large data sets
US11200611B2 (en) Computer vision for unsuccessful queries and iterative search
Vatsavai et al. Spatiotemporal data mining in the era of big spatial data: algorithms and applications
US9123259B2 (en) Discovering functional groups of an area
JP7218754B2 (ja) 空き家判定装置、空き家判定方法およびプログラム
CN111989665A (zh) 设备上图像识别
EP3443482B1 (en) Classifying entities in digital maps using discrete non-trace positioning data
US11989626B2 (en) Generating performance predictions with uncertainty intervals
CN115861400B (zh) 目标对象检测方法、训练方法、装置以及电子设备
Jia et al. Automatic land-cover update approach integrating iterative training sample selection and a Markov Random Field model
Xu et al. Use of active learning for earthquake damage mapping from UAV photogrammetric point clouds
US12511730B2 (en) Meta-learning for detecting object anomaly from images
JP2018045302A (ja) 情報処理装置、情報処理方法及びプログラム
Kargah-Ostadi et al. Automated real-time roadway asset inventory using artificial intelligence
JP6360000B2 (ja) 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム
JP6038857B2 (ja) 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム
JP2015099467A (ja) 移動手段予測モデル生成装置、移動手段予測モデル生成方法及び移動手段予測モデル生成プログラム
KR102763022B1 (ko) 서비스로서의 합성 데이터 프레임세트 패키지 스토어를 갖는 분산 컴퓨팅 시스템
JP6149024B2 (ja) 移動手段推定モデル生成装置、移動手段推定モデル生成方法、移動手段推定モデル生成プログラム
JP6433876B2 (ja) パラメータ推定装置、予測装置、方法、及びプログラム
Yanenko et al. Introducing social distance to st-dbscan
WO2021111499A1 (ja) 学習装置、推定装置、方法およびプログラム
US20250363775A1 (en) Geolocalizing oblique aerial imagery
WO2021033273A1 (ja) 推定プログラム、推定装置、検出モデルの生成方法、学習方法、および、学習装置
Bui et al. Drone-Based Road Marking Condition Mapping: A Drone Imaging and Geospatial Pipeline for Asset Management

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170621

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180516

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: 20180619

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180621

R150 Certificate of patent or registration of utility model

Ref document number: 6360000

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