JP6624688B2 - ユーザの運転特性に基づいて行動を予測するプログラム、車両端末、携帯端末、推定サーバ及び方法 - Google Patents

Description

本発明は、ユーザの商品役務の行動を予測する技術に関する。

Ｏ２Ｏ(Online-to-Offline)と称される電子商取引の概念がある。Ｏ２Ｏとは、オフラインの店舗活動と、オンラインの情報配信活動とを連携させる営業方法をいう。これは、ユーザ属性と、商品役務の購買履歴（店舗の訪問履歴を含む）との相関関係を分析する。その相関関係を用いて、ユーザ属性から、オフラインにおける購買する可能性が高い商品役務を予測する。その予測結果に基づいて、オンラインによって商品役務に対するインセンティブを高めるクーポン等の情報を配信する。これによって、ユーザに対する購買確率がより高くなるように誘導する。

従来、家族構成・住所・年収・趣味・嗜好などのユーザ属性から、そのユーザが購買するであろう商品役務を予測する技術がある（例えば非特許文献１参照）。この技術によれば、顧客の購買行動に関する大規模データを用いて、顧客の購買行動に応じた潜在顧客カテゴリと、商品群から区分される商品カテゴリとを発見し、それらカテゴリ間の関係を潜在クラスモデルとして表現することによって、そのカテゴリに関する顧客行動を予測することができる。

石垣司、竹中毅、本村陽一、「日常購買行動に関する大規模データの融合による顧客行動予測システム」、人工知能学会論文誌26巻6号D(2011年)、[online]、［平成２８年１２月２５日検索］、インターネット＜URL:https://staff.aist.go.jp/takenaka-t/5075626C69636174696F6E_reD-B61takenaka.pdf＞

商品役務に対するユーザの行動を予測するために用いられるユーザ属性は、一般的に、家族構成・住所・年収・趣味・嗜好のようなプロフィール情報である。
しかしながら、商品役務の購買に関するユーザの行動特性は、プロフィール情報と必ずしも一致するとは考えにくい。
これに対し、本願の発明者らは、ユーザの行動特性は、ユーザの性格や習慣によって大きく影響を受けるのではないか？と考えた。

そこで、本発明は、ユーザの性格や習慣に影響を受けやすい情報から、商品役務に対する行動を予測することができるプログラム、車両端末、携帯端末、推定サーバ及び方法を提供することを目的とする。

本発明によれば、
車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
して機能させ、
運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ようにコンピュータを機能させることを特徴とする。

本発明のプログラムにおける他の実施形態によれば、
モデル記憶手段は、ユーザにおける過去の予測行動項目と、当該ユーザの運転特性とを対応付けた教師データを用いて、機械学習によって構築されたモデルを記憶する
ようにコンピュータを機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
商品役務項目毎に、複数の予測行動項目と、各予測行動項目の利用確率とが対応付けられており、
モデル記憶手段は、商品役務項目の各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ようにコンピュータを機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
ユーザに提示すべき商品役務項目を選択する商品役務項目選択手段と、
商品役務項目に対して予測行動項目選択手段によって選択された予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
してコンピュータを更に機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
車両から車両情報を収集する車両情報収集手段と、
車両情報に応じた運転特性を抽出する運転特性抽出手段と
して更にコンピュータを機能させ、
車両情報は、走行状態情報、車両状態情報、周囲環境情報、及び、運転操作情報のいずれか又はそれらの組み合わせであり、
運転特性は、車間距離、車線変更頻度、車線逸脱頻度、速度超過頻度、速度超過度合、迂回路選択頻度、駐車時切返し回数、制動距離、制動時間、急ハンドル頻度、急加速頻度、及び、急減速頻度のいずれか又はそれらの組み合わせである
ことも好ましい。

本発明によれば、車両に搭載された車両端末において、
車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
車両から車両情報を収集する車両情報収集手段と、
車両情報に応じた運転特性を抽出する運転特性抽出手段と、
モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
選択された予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
を有し、
運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ことを特徴とする。

本発明によれば、ユーザ所持の携帯端末において、
車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
車両から車両情報を収集する車両情報収集手段と、
車両情報に応じた運転特性を抽出する運転特性抽出手段と、
モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
選択された予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
を有し、
運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ことを特徴とする。

本発明によれば、端末とネットワークを介して通信可能な推定サーバにおいて、
車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
端末から車両情報を収集する車両情報収集手段と、
車両情報に応じた運転特性を抽出する運転特性抽出手段と、
モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
選択された予測行動項目を、端末へ送信する情報提示手段と
を有し、
運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ことを特徴とする。

本発明によれば、装置の予測行動選択方法であって、
装置は、車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けたモデルを記憶しており、
モデルを用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択し、
運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
モデルは、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
ことを特徴とする。

本発明のプログラム、車両端末、携帯端末、推定サーバ及び方法によれば、ユーザの性格や習慣に影響を受けやすい情報から、商品役務に対する行動を予測することができる。

運転時のユーザ周辺の情報機器を表す外観図である。 本発明における携帯端末の機能構成図である。 車両情報収集部及び運転特性抽出部のデータ構成を表すテーブルである。 ユーザ毎に運転特性ＩＤを対応付けたテーブルである。 モデル記憶部に記憶された、運転特性ＩＤと予測行動項目とを対応付けたテーブルである。 教師データに対するモデルの機械学習を表す説明図である。 本発明における推定サーバの機能構成図である。

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

本願の発明者らは、ユーザの性格や習慣が影響を与えるものとして、自動車に対するユーザの運転特性があるのではないか？と考えた。即ち、ユーザの運転の仕方は、ユーザの本来の性格や生活の習慣によって大きく異なると思われる。
例えば急発進・急停止・車線変更を繰り返すユーザは、車両の傷も多く、自動車メンテナンスには、板金工場やガソリンスタンドに行きやすいかもしれない。また、そのようなユーザは、外食には、自動車で訪問可能なファストフード店やファミリーレストランに行きやすいかもしれない。
一方で、例えば比較的ゆっくりした運転するユーザは、車両の傷も少なく、自動車メンテナンスには、正規ディーラやカー用品店に行きやすいかもしれない。また、そのようなユーザは、外食には、自動車にとらわれずモールやホテルのようなレストランに行きやすいかもしれない。
即ち、本願の発明者らは、結果的に、ユーザの運転特性は、商品役務に対してユーザが選択する行動に影響するのではないか？と考えた。

図１は、運転時のユーザ周辺の情報機器を表す外観図である。

図１によれば、例えばスマートフォンのような携帯端末１が、車内に設置されており、運転中のユーザに対して様々な情報を提示することができる。
携帯端末１は、狭域無線通信（例えば無線ＬＡＮ）又は近距離無線通信（例えばBluetooth（登録商標））を介して、車両のＣＡＮ(Controller Area Network)内で送受信される車両情報を受信する。ＣＡＮとは、耐ノイズ性が強化されており、相互接続された機器間のデータ転送に使われる規格をいう。本発明によれば、車両情報としては、例えば速度、エンジンの回転数、ブレーキの状態、故障診断等を受信する。
また、携帯端末１は、測位部を有し、ＧＰＳ(Global Positioning System)のような測位電波を受信することによって、現在位置を取得することができる。勿論、位置情報を、車両端末から受信するものであってもよい。
更に、携帯端末１は、地図データを保持しており、地図上の現在位置から、走行道路等の情報を取得することもできる。
更に、携帯端末１は、ＶＩＣＳ(Vehicle Information and Communication System)（登録商標）から道路交通情報（混雑状況、交通規制等）を受信することによって、走行道路における交通情報も取得することができる。

本発明の携帯端末１は、商品役務に対するユーザの行動を予測し、その行動項目に応じた情報を、ユーザに提示することができる。
勿論、携帯端末１に代えて、例えばナビゲーションシステムのような車両と一体的に搭載された車両端末であってもよい。
また、携帯端末１は、携帯ロボットのようなものであってもよい。
更に、本発明の特徴となるユーザの行動予測機能を、インターネットに接続された推定サーバで実行するものであってもよい。その場合、推定サーバは、車両に搭載された車両端末から車両情報を受信し、予測行動の情報をユーザ所持の携帯端末へ送信することができる。

図２は、本発明における携帯端末の機能構成図である。

図２によれば、携帯端末１は、車両情報収集部１０１と、運転特性抽出部１０２と、モデル記憶部１１と、予測行動項目選択部１２と、商品役務項目選択部１３と、情報提示部１４とを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の予測行動選択方法としても理解できる。
勿論、図２における本発明の機能は、携帯端末に限られず、車両に搭載された車両端末に搭載されたものであってもよい。

図３は、車両情報収集部及び運転特性抽出部のデータ構成を表すテーブルである。

［車両情報収集部１０１］
車両情報収集部１０１は、車両から「車両情報」を収集する。車両情報は、車両から時々刻々と受信される。

図３（ａ）によれば、ユーザ毎に収集される車両情報は、例えば以下のような情報のいずれか又はそれらの組み合わせである。
（走行状態情報）操舵(横方向加速度、前輪切れ角など)、制動(停止までの制動距離、前方加速度、タイヤ回転数など)、駆動(車速、後方加速度、タイヤ回転数など)
（車両状態情報）総走行距離、前回エンジン始動からの経過時間、走行距離、エンジン回転数、エンジン冷却水温、エンジンオイル温度、バッテリ温度／充電率
（周囲環境情報）前方車との車間距離、前方／後方／側方の障害物までの距離、車線逸脱状況
（運転操作情報）アクセル／ブレーキペダル踏み込み度、ハンドル操舵角、操舵角速度、ウィンカーやワイパー、パワーウィンドウなどの各種装置の操作状況

運転特性は、運転中の位置における道路種別及び／又は渋滞種別によっても変化する。そのために、図３（ａ）によれば、ユーザ毎の車両情報が、地図上の車両の位置に応じて、道路種別／渋滞種別にそれぞれ区分して収集されている。

（道路種別）高速、国道、主要地方道、一般都道府県道、市街地道、郊外道等の種別、道路幅、車線数、制限速度
道路種別は、地図上の現在位置から抽出される。
（渋滞種別）非渋滞時、渋滞時
渋滞種別は、運転時にＶＩＣＳから受信した道路交通情報（混雑状況、交通規制等）から抽出される。勿論、例えば20km/h以下で所定時間走行している場合を、単に渋滞と判定するものであってもよい。

［運転特性抽出部１０２］
運転特性抽出部１０２は、ユーザ毎に、車両情報に応じた「運転特性」を抽出する。運転特性は、ユーザの性格や習慣に影響を受けやすい情報である。
また、運転特性抽出部１０２は、車両の地図上の位置に応じて、道路種別毎に及び／又は渋滞種別毎に、各ユーザの運転特性を抽出するものであってもよい。

＜運転特性＞
図３（ｂ）によれば、ユーザＩＤ(IDentifier)毎に、運転特性が記録されている。
運転特性としては、例えば以下のような情報のいずれか又はそれらの組み合わせである。
（車間距離）車両搭載の前方監視カメラの映像解析結果、又は、前方監視センサから得られたレーダ解析結果から算出する。
（車線変更頻度）方向指示器操作情報及び操舵情報から、車線変更を検知すると共に、これを一定の走行距離毎に又は走行時間毎にカウントして算出する。
（車線逸脱頻度）車両搭載の前方監視カメラの映像解析結果、方向指示器操作情報、又は、操舵情報から検知する。これを一定の走行距離毎に又は走行時間毎にカウントして算出する。
（速度超過頻度／度合）走行位置から地図上の道路の制限速度を検索し、車両速度と制限速度とを比較することによって算出する。これを、一定の走行距離毎に又は走行時間毎にカウントして算出する。
（迂回路選択頻度）走行位置から地図上の走行経路を検索し、走行経路上の任意の２点間の経路が、地図上の当該２点間の最短経路と比較して、一定程度距離が長い場合、迂回経路が選択されたものとして検知する。これを、一定の走行距離又は走行時間毎にカウントして算出する。
（駐車時切返し回数）エンジン停止に至るまでの一定時間における、ハンドル操舵角の総和を算出する。
（制動距離／時間）ブレーキペダルを踏んでから停止するまでの走行距離又は走行時間を算出する。
（急ハンドル頻度）車速が一定速度以上であって、車速とハンドル操舵角、横方向加速度の情報から、ハンドル操舵の角速度が一定速度以上で且つ横方向加速度が一定以上の場合、急ハンドルとして検知する。これを、一定の走行距離又は走行時間毎に算出する。
（急加速／減速頻度）アクセルペダル又はブレーキペダルの踏み込み度、車速、前後方向加速度の情報から、車速が一定速度以下又は以上の場合に、ペダル踏み込み度が一定以上であり、且つ、前後方向加速度が一定以上の場合、急加速又は急減速として検知する。これを、一定の走行距離毎に又は走行時間毎にカウントして算出する。

図４は、ユーザ毎に運転特性ＩＤを対応付けたテーブルである。

図４（ａ）によれば、図３（ｂ）と同様に、ユーザ毎の運転特性が表されている。
図４（ｂ）によれば、運転特性ＩＤと運転特性とが対応付けられている。ここでは、多様な運転特性をグループ化して、ＩＤを付与したものである。即ち、運転特性としての各パラメータは所定範囲で表されている。
図４（ｃ）は、図４（ａ）のユーザ毎に、運転特性ＩＤを対応付けたものである。これによって、各ユーザを、運転特性ＩＤで区分することができる。

［モデル記憶部１１］
モデル記憶部１１は、車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したものである。即ち、このモデルは、運転特性と行動項目との相関関係を構築したものである。
モデル記憶部１１は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶するものであってもよい。

図５は、モデル記憶部に記憶された、運転特性ＩＤと予測行動項目とを対応付けたテーブルである。

図５によれば、運転特性ＩＤ毎に、予測行動項目の利用確率が表されている。
特に、商品役務項目毎に、複数の予測行動項目と、各予測行動項目の利用確率とが対応付けられている。
また、商品役務項目の各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶することも好ましい。

例えば商品役務項目「自動車メンテナンス」について、運転特性ID01に属するユーザは「正規ディーラ」の利用確率が最も高い。一方で、運転特性ID02に属するユーザは「カー用品店」の利用確率が最も高い。
また、例えば商品役務項目「外食」について、運転特性ID01に属するユーザは「ファミリーレストラン」の利用確率が最も高い。一方で、運転特性ID02に属するユーザは「ファストフード店」の利用確率が最も高い。
このように、運転特性に応じて、予測行動項目の利用確率も異なる。

勿論、図５のようなテーブルに限られず、運転特性のパラメータを変数として、予測行動項目の利用確率を算出する関数によって定義されていてもよい。

＜モデルの機械学習＞
モデル記憶部１１は、ユーザにおける過去の予測行動項目と、当該ユーザの運転特性とを対応付けた教師データを用いて、機械学習によって構築されたモデルを記憶するものであってもよい。

図６は、教師データに対するモデルの機械学習を表す説明図である。

図６によれば、教師データとして、ユーザ毎に、運転特性ＩＤと、過去一定期間における商品役務の利用実績とが対応付けられている。商品役務の利用実績としては、例えば訪問回数又は購買回数であってもよい。このような商品役務の利用回数は、例えばユーザ所持のスマートフォンにおける測位によって訪問回数をカウントしたものであってもよい。また、ユーザのクレジットカード、プリペイドカード、電子マネー、ネットショッピングにおける決済情報をカウントしたものであってもよい。

機械学習としては、教師あり学習を用いることが好ましい。本発明に基づく分類問題の場合、運転特性ＩＤ（ラベル）と各行動項目の利用回数（ベクトル）とを入力して学習する。これによって、運転特性ＩＤと各行動項目の正規化された利用確率との関係に基づく学習モデルが生成される。その学習モデルを用いた学習エンジンは、運転特性ＩＤを入力することによって、各行動項目の利用確率を出力することができる。また、別の機械学習としては、各種運転特性と商品役務の各行動項目の利用確率（利用実績）を教師データとして用いることにより、同運転特性から同利用確率を直接出力する学習モデルを生成してもよい。

尚、教師データを、所定期間毎（例えば３か月毎、又は１年毎）に更新することによって、学習モデルも更新されるものであるのが好ましい。
また、教師データは、不特定多数の第三者からに基づく利用実績であることが好ましいが、勿論、ユーザ固有のものであってもよい。

［予測行動項目選択部１２］
予測行動項目選択部１２は、モデル記憶部１１を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する。
図５によれば、ID100001のユーザは、運転特性ID01であるので、例えば商品役務項目「自動車メンテナンス」について予測行動項目「正規ディーラ」を選択する。また、商品役務項目「外食」について予測行動項目「ファミリーレストラン」を選択する。
また、ID100002のユーザは、運転特性ID02であるので、例えば商品役務項目「自動車メンテナンス」について予測行動項目「カー用品店」を選択する。また、商品役務項目「外食」について予測行動項目「ファストフード店」を選択する。

尚、予測行動項目選択部１２は、利用確率が高い予測行動項目を選択するものあってもよいし、逆に、利用確率が最も低い予測行動項目を選択するもであってもよい。

［商品役務項目選択部１３］
商品役務項目選択部１３は、ユーザに提示すべき商品役務項目を選択する。図５及び図６によれば、商品役務として「自動車メンテナンス」「外食」が対応付けられている。

いずれの商品役務項目を選択するかは、ナビゲーションシステムに対する検索キーに基づくものであってもよいし、地図上の現在位置や車両情報に基づくものであってもよい。
例えばナビゲーションシステムに対して、近くの「外食店」を検索した際に、商品役務項目「外食」を選択するものであってもよい。
例えば車両情報に基づいて、自動車部品や消耗品が破損又は減少した場合、商品役務項目「自動車メンテナンス」を選択するものであってもよい。
例えば地図上の現在位置に基づいて、道路上で近くで立ち寄るであろう商品役務項目が選択されるものであってもよい。

［情報提示部１４］
情報提示部１４は、商品役務項目に対して、予測行動項目選択部１２によって選択された予測行動項目に応じた情報を、ユーザに提示する。携帯端末の場合、ディスプレイやスピーカによって、予測行動項目に応じた情報をユーザに明示することができる。
例えば商品役務項目「自動車メンテナンス」に対して予測行動項目「正規ディーラ」が選択された場合、ユーザに対して「正規ディーラへ誘導しましょう？」と問いかけることもできる。これに対して、ユーザがＹＥＳと指示した場合、現在位置からみて最適な「正規ディーラ」を紹介すると共に、そこへの行き先をナビゲーションすることができる。
勿論、商品役務項目「自動車メンテナンス」に対して予測行動項目「正規ディーラＡ店」が対応付けられている場合、その「正規ディーラＡ店」への行き先をナビゲーションすることもできる。

また、予測行動項目選択部１２が、利用確率が最も低い予測行動項目を選択した場合、情報提示部１４は、例えばユーザにインセンティブ（クーポンや割引)付きの誘導情報を提示するものであってもよい。情報提示部１４は、予測行動項目に応じて異なる情報を、ユーザへ提示するものであってもよい。

図７は、本発明における推定サーバの機能構成図である。

図７によれば、本発明の推定サーバ２は、端末とネットワークを介して通信可能なものである。ここでは、推定サーバ２は、車両側の端末と通信しているとする。
推定サーバの各機能構成部は、図２の機能構成部と全く同じである。
但し、車両情報は、車両端末からネットワークを介して受信するものであり、ユーザに提示すべき予測行動項目に基づく情報は、ネットワークを介して端末へ送信される。

以上、詳細に説明したように、本発明のプログラム、車両端末、携帯端末、推定サーバ及び方法によれば、ユーザの性格や習慣に影響を受けやすい情報から、店舗の訪問や商品役務の購買のような行動を予測することができる。
特に、本発明によれば、ユーザの性格や習慣に影響を受けやすい情報として、ユーザの運転特性を用いている。運転時の運転特性には、ユーザの性格や習慣のみならず、嗜好、気分、体調といった様々な要素が反映されると考えられる。このようなユーザの運転特性を用いることによって、商品役務に対する行動を予測することが期待できる。

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１ 携帯端末、車両端末
１０１ 車両情報収集部
１０２ 運転特性抽出部
１１ モデル記憶部
１２ 予測行動項目選択部
１３ 商品役務項目選択部
１４ 情報提示部
２ 推定サーバ

Claims (9)

1. 車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
   前記モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
   して機能させ、
   前記運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
   前記モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ようにコンピュータを機能させることを特徴とするプログラム。
2. 前記モデル記憶手段は、ユーザにおける過去の予測行動項目と、当該ユーザの運転特性とを対応付けた教師データを用いて、機械学習によって構築されたモデルを記憶する
   ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。
3. 商品役務項目毎に、複数の予測行動項目と、各予測行動項目の利用確率とが対応付けられており、
   前記モデル記憶手段は、商品役務項目の各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ようにコンピュータを機能させることを特徴とする請求項１又は２に記載のプログラム。
4. ユーザに提示すべき商品役務項目を選択する商品役務項目選択手段と、
   前記商品役務項目に対して前記予測行動項目選択手段によって選択された予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
   してコンピュータを更に機能させることを特徴とする請求項３に記載のプログラム。
5. 車両から車両情報を収集する車両情報収集手段と、
   前記車両情報に応じて前記運転特性を抽出する運転特性抽出手段と
   して更にコンピュータを機能させ、
   前記車両情報は、走行状態情報、車両状態情報、周囲環境情報、及び、運転操作情報のいずれか又はそれらの組み合わせであり、
   前記運転特性は、車間距離、車線変更頻度、車線逸脱頻度、速度超過頻度、速度超過度合、迂回路選択頻度、駐車時切返し回数、制動距離、制動時間、急ハンドル頻度、急加速頻度、及び、急減速頻度のいずれか又はそれらの組み合わせである
   ことを特徴とする請求項１から４のいずれか１項に記載のプログラム。
6. 車両に搭載された車両端末において、
   車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
   車両から車両情報を収集する車両情報収集手段と、
   前記車両情報に応じた運転特性を抽出する運転特性抽出手段と、
   前記モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
   選択された前記予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
   を有し、
   前記運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
   前記モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ことを特徴とする車両端末。
7. ユーザ所持の携帯端末において、
   車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
   車両から車両情報を収集する車両情報収集手段と、
   前記車両情報に応じた運転特性を抽出する運転特性抽出手段と、
   前記モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
   選択された前記予測行動項目に応じた情報を、ユーザに提示する情報提示手段と
   を有し、
   前記運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
   前記モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ことを特徴とする携帯端末。
8. 端末とネットワークを介して通信可能な推定サーバにおいて、
   車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けて記憶したモデル記憶手段と、
   端末から車両情報を収集する車両情報収集手段と、
   前記車両情報に応じた運転特性を抽出する運転特性抽出手段と、
   前記モデル記憶手段を用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択する予測行動項目選択手段と
   選択された前記予測行動項目を、端末へ送信する情報提示手段と
   を有し、
   前記運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
   前記モデル記憶手段は、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ことを特徴とする推定サーバ。
9. 装置の予測行動選択方法であって、
   前記装置は、車両情報に基づくユーザ各自の運転特性に対して、商品役務に基づく予測行動項目の利用確率を対応付けたモデルを記憶しており、
   前記モデルを用いて、ユーザの運転特性から、利用確率に応じた予測行動項目を選択し、
   前記運転特性は、地図上の車両の位置に応じた道路種別毎及び／又は渋滞種別毎に区分されており、
   前記モデルは、各予測行動項目について、道路種別及び／又は渋滞種別に応じて異なる利用確率を記憶する
   ことを特徴とする装置の予測行動選択方法。

Images