JP6809993B2 - 抽出装置、抽出方法、抽出プログラム、及びモデル - Google Patents

抽出装置、抽出方法、抽出プログラム、及びモデル Download PDF

Info

Publication number
JP6809993B2
JP6809993B2 JP2017137902A JP2017137902A JP6809993B2 JP 6809993 B2 JP6809993 B2 JP 6809993B2 JP 2017137902 A JP2017137902 A JP 2017137902A JP 2017137902 A JP2017137902 A JP 2017137902A JP 6809993 B2 JP6809993 B2 JP 6809993B2
Authority
JP
Japan
Prior art keywords
user
information
sensor information
extraction device
extraction
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
JP2017137902A
Other languages
English (en)
Other versions
JP2019020963A (ja
Inventor
博基 谷口
博基 谷口
玲 田島
玲 田島
孝太 坪内
孝太 坪内
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.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
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 Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2017137902A priority Critical patent/JP6809993B2/ja
Publication of JP2019020963A publication Critical patent/JP2019020963A/ja
Application granted granted Critical
Publication of JP6809993B2 publication Critical patent/JP6809993B2/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、抽出装置、抽出方法、抽出プログラム、及びモデルに関する。
従来、ユーザの行動に関する情報を抽出し、抽出した情報に基づいて情報提供等を行う技術が提供されている。例えば、イベント毎の機器設置位置から開催位置までの距離を求め、所定の条件で、イベントを抽出することにより、人々の移動時間を考慮した情報提示を行う技術が提供されている。
特開２０１１−８４４７号公報
しかしながら、上記の従来技術では、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することが難しい場合がある。例えば、イベント毎の機器設置位置から開催位置までの距離を用いるだけでは、例えばユーザの行動の変化に関する情報等を適切に抽出することが難しい場合がある。
本願は、上記に鑑みてなされたものであって、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出する抽出装置、抽出方法、抽出プログラム、及びモデルを提供することを目的とする。
本願に係る抽出装置は、ユーザの移動に関するセンサ情報を取得する取得部と、前記取得部により取得されたセンサ情報のうち、前記ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する抽出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、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができるという効果を奏する。
図１は、実施形態に係る抽出処理の一例を示す図である。 図２は、実施形態に係る抽出処理の一例を示す図である。 図３は、実施形態に係る抽出システムの構成例を示す図である。 図４は、実施形態に係る抽出装置の構成例を示す図である。 図５は、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６は、実施形態に係る行動情報記憶部の一例を示す図である。 図７は、実施形態に係るセンサ情報記憶部の一例を示す図である。 図８は、実施形態に係る学習データ記憶部の一例を示す図である。 図９は、実施形態に係るモデル情報記憶部の一例を示す図である。 図１０は、実施形態に係る抽出処理の一例を示すフローチャートである。 図１１は、抽出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、本願に係る抽出装置、抽出方法、抽出プログラム、学習データ、及びモデル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抽出装置、抽出方法、抽出プログラム、学習データ、及びモデル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。
（実施形態）
〔１．抽出処理〕
図１及び図２を用いて、実施形態に係る抽出処理の一例について説明する。図１及び図２は、実施形態に係る抽出処理の一例を示す図である。図１及び図２の例では、ユーザが利用する端末装置１０が検知したセンサ情報から、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する場合を示す。また、図１及び図２に示す抽出処理には、対象センサ情報と所定の事象の発生有無を示す情報を用いてモデルを生成する処理が含まれる。なお、抽出処理には、モデルを生成する処理が含まれなくてもよい。
〔１−１．抽出システムの構成〕
まず、図１及び図２の説明に先立って、図３に示す抽出システム１について説明する。図３に示すように、抽出システム１は、端末装置１０と、抽出装置１００とが含まれる。端末装置１０と、抽出装置１００とは所定のネットワーク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。図３は、実施形態に係る抽出システムの構成例を示す図である。なお、図３に示した抽出システム１には、複数台の端末装置１０や、複数台の抽出装置１００が含まれてもよい。
端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１及び図２は、端末装置１０がスマートフォンである場合を示す。
また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得するものとする。また、端末装置１０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）の電波を用いてユーザの位置情報を推定し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。
また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得する。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。
また、端末装置１０は、ユーザによる操作を受け付ける。また、端末装置１０は、抽出装置１００に種々の情報を送信する。例えば、端末装置１０は、抽出装置１００に位置情報や行動情報等を送信する。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。
以下では、ユーザＩＤ「Ｕ１」により識別されるユーザを「ユーザＵ１」とする場合がある。このように、以下では、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ２」と記載した場合、そのユーザはユーザＩＤ「Ｕ２」により識別されるユーザである。例えば、図３に示した抽出システム１には、ユーザＵ１が利用する端末装置１０や、ユーザＵ２が利用する端末装置１０等の多数の端末装置１０が含まれる。
図１に示す端末装置１０は、ユーザＵ１によって利用される情報処理装置である。図２に示す端末装置１０は、ユーザＵ２によって利用される情報処理装置である。端末装置１０は、ユーザによる種々の操作を受け付ける。なお、端末装置１０をユーザと表記する場合がある。すなわち、ユーザを端末装置１０と読み替えることもできる。
抽出装置１００は、ユーザの移動に関するセンサ情報のうち、前記ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する情報処理装置である。また、抽出装置１００は、対象センサ情報と、対象センサ情報に対応する正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成する。
〔１−２．抽出例１〕
図１の例では、抽出装置１００がユーザＵ１について、日時ｄｔ１１〜ｄｔ１７において検知されたユーザの移動に関するセンサ情報のうち、ユーザの移動における変化が所定の条件を満たすセンサ情報（以下、「対象センサ情報」ともいう）を抽出する場合を示す。なお、図１の例では、説明を簡単にするために、センサ情報としてＧＰＳにより検知される位置情報を用いる場合を示すが、センサ情報は、ＧＰＳにより検知される位置情報に限らず、加速度情報等の種々のセンサ情報であってもよい。なお、図１の例では、ステップＳ１２以前においては、ＸＸ歩道に道路破損ＯＢ１があることを示す情報を抽出装置１００が未取得であるものとする。
図１の例では、ユーザＵ１は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図１に示す地図情報ＭＰ１は、ユーザＵ１の位置を模式的に示す。また、地図情報ＭＰ１において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ１１〜ＬＣ１７により示す。なお、位置ＬＣ１１〜ＬＣ１７を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ１の位置やユーザＵ１の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ１の位置やユーザＵ１の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１日おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
まず、抽出装置１００は、日時ｄｔ１１においてユーザＵ１の位置ＬＣ１１を取得する。図１の例では、抽出装置１００は、日時ｄｔ１１においてユーザＵ１がＸＸ歩道上に位置することを示す位置ＬＣ１１を取得する。例えば、抽出装置１００は、図１に示すＸＸ歩道（道路情報ＲＤ１）のような各種の道路交通情報を有するものとする。例えば、抽出装置１００は、道路交通情報と、ユーザＵ１の位置ＬＣとの比較により、ユーザＵ１がＸＸ歩道上に位置すると推定する。そして、抽出装置１００は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１１とは異なる位置にいることを示す位置ＬＣ１２を取得する。例えば、抽出装置１００は、道路交通情報と、ユーザＵ１の位置ＬＣの変化との比較により、ユーザＵ１がＸＸ歩道上を移動していると推定する。図１の例では、抽出装置１００は、位置ＬＣ１１、ＬＣ１２により、ユーザＵ１がＸＸ歩道に沿って（図１では下から上方向へ）、ＸＸ歩道上を移動していると推定する。なお、抽出装置１００は、端末装置１０が検知した加速度に基づいて、ユーザの移動方向を推定してもよい。また、抽出装置１００は、種々の従来技術を適宜用いることにより、端末装置１０が検知した加速度に基づいて、最後に位置情報が検知された地点からの移動を推定してもよい。
そして、抽出装置１００は、日時ｄｔ１２よりも後の日時ｄｔ１３においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１２とは異なる位置にいることを示す位置ＬＣ１３を取得する。図１の例では、抽出装置１００は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。
そして、抽出装置１００は、日時ｄｔ１３よりも後の日時ｄｔ１４においてユーザＵ１が、ＸＸ歩道に沿う方向と交差する方向へ移動したことを示す位置ＬＣ１４を取得する。図１の例では、抽出装置１００は、日時ｄｔ１４においてユーザＵ１が、ＸＸ歩道上で何かを避けつつ移動するように位置ＬＣ１３とは異なる位置にいることを示す位置ＬＣ１４を取得する。
そして、抽出装置１００は、日時ｄｔ１４よりも後の日時ｄｔ１５においてユーザＵ１が、ＸＸ歩道に沿う方向と交差する方向へ移動したことを示す位置ＬＣ１５を取得する。図１の例では、抽出装置１００は、日時ｄｔ１５においてユーザＵ１が、ＸＸ歩道上で何かを迂回しつつ移動するように位置ＬＣ１４とは異なる位置にいることを示す位置ＬＣ１５を取得する。
そして、抽出装置１００は、日時ｄｔ１５よりも後の日時ｄｔ１６においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１５とは異なる位置にいることを示す位置ＬＣ１６を取得する。図１の例では、抽出装置１００は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。また、抽出装置１００は、日時ｄｔ１６よりも後の日時ｄｔ１７においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１６とは異なる位置にいることを示す位置ＬＣ１７を取得する。図１の例では、抽出装置１００は、位置ＬＣ１６、ＬＣ１７により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。
抽出装置１００は、日時ｄｔ１１〜ｄｔ１７において検知されたユーザの複数のセンサ情報である位置ＬＣ１１〜ＬＣ１７のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する（ステップＳ１１）。例えば、抽出装置１００は、モデル情報記憶部１２５（図９参照）に示すような「対象ＴＧ１（道路状況）」に対応するユーザの移動における変化の条件を満たす対象センサ情報を抽出する。例えば、抽出装置１００は、ユーザＵ１の位置情報の変化が例えば歩道の延びる方向に対して所定の角度（例えば、３０°等）以上の向きに移動していることを示すセンサ情報を抽出する。図１の例では、抽出装置１００は、ユーザＵ１がＸＸ歩道において何かを避けて迂回している際の位置情報群を抽出する。例えば、抽出装置１００は、ＸＸ歩道が延びる方向に対して所定の角度以上となっているユーザＵ１の位置情報群を抽出する。なお、上記は一例であり、抽出装置１００は、種々の情報に基づいて、ユーザＵ１の位置情報群を抽出してもよい。
図１の例では、抽出装置１００は、日時ｄｔ１３〜ｄｔ１５においてユーザＵ１がＸＸ歩道の延びる方向と交差する方向へ移動している位置情報ＬＣ１３〜ＬＣ１５を抽出する。なお、図１の例では、ユーザＵ１の情報の抽出を例示するが、抽出装置１００は、多数（例えば、１万人等）のユーザについても同様の情報を抽出しているものとする。
また、抽出装置１００は、事象情報を取得する（ステップＳ１２）。例えば、抽出装置１００は、ユーザＵ１のような迂回行動を示す情報が所定の閾値（例えば１０００人等）以上抽出された場合に、ＸＸ歩道に関する事象情報Ｆ１を取得する。図１の例では、抽出装置１００は、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１を取得する。例えば、抽出装置１００は、抽出装置１００の管理者等がＸＸ歩道へ実際に行くことにより、位置ＬＣ１の道路状況を確認し、管理者等がＸＸ歩道の位置ＬＣ１の道路状況を抽出装置１００へ入力することにより、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１を取得してもよい。
また、例えば、抽出装置１００は、ソーシャルネットワーキングサービス（ＳＮＳ：Social Networking Service）においてユーザが投稿した投稿情報等を解析することにより、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１を取得してもよい。例えば、抽出装置１００は、対象センサ情報が抽出されたユーザが、ＳＮＳにおいて投稿した情報等を解析することにより、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１を取得してもよい。例えば、抽出装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿した投稿情報を用いてもよい。例えば、抽出装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文章（文字情報）を用いてもよい。
そして、抽出装置１００は、抽出した対象センサ情報と、事象情報Ｆ１とに基づいて、モデルを生成する（ステップＳ１３）。図１の例では、抽出装置１００は、位置情報ＬＣ１３〜ＬＣ１５と、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１とに基づいて、モデルＭ１を生成する。例えば、抽出装置１００は、事象情報Ｆ１が取得された場合の対象センサ情報を正例として、モデルを生成する。例えば、抽出装置１００は、道路状況に関する対象ＴＧ１に対応するモデルＭ１を生成する。図１の例では、抽出装置１００は、ユーザＵ１を含む多数（例えば、１万人等）のユーザについて抽出したセンサ情報を用いて、モデルＭ１を生成する。
例えば、抽出装置１００は、道路破損ＯＢ１が生じている位置ＬＣ１付近において抽出されたセンサ情報を正例として、モデルＭ１を生成する。例えば、抽出装置１００は、正例となるセンサ情報が入力された場合に、スコア「１」を出力するように学習処理を行うことにより、モデルＭ１を生成する。例えば、抽出装置１００は、センサ情報が入力された場合に、「１」に近いスコアを出力する程、対象ＴＧ１が生じている可能性が高いことを示すモデルＭ１を生成する。また、例えば、抽出装置１００は、道路破損が生じていない歩道において検知されたユーザのセンサ情報を負例として、モデルＭ１を生成してもよい。例えば、抽出装置１００は、負例となるセンサ情報が入力された場合に、スコア「０」を出力するように学習処理を行うことにより、モデルＭ１を生成する。例えば、抽出装置１００は、センサ情報が入力された場合に、「０」に近いスコアを出力する程、対象ＴＧ１が生じている可能性が低いことを示すモデルＭ１を生成する。例えば、抽出装置１００は、道路破損ＯＢ１が生じていないＸＸ歩道の部分において検知されたユーザのセンサ情報を負例として、モデルＭ１を生成してもよい。例えば、抽出装置１００は、道路破損ＯＢ１が発生する前、すなわち道路破損ＯＢ１が生じていない状態で位置ＬＣ１付近において検知されたセンサ情報を負例として、モデルＭ１を生成してもよい。例えば、抽出装置１００は、道路破損ＯＢ１が補修された後、すなわち道路破損ＯＢ１が生じていない状態で位置ＬＣ１付近において検知されたセンサ情報を負例として、モデルＭ１を生成してもよい。
なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。
〔１−３．抽出例２〕
図２の例では、抽出装置１００がユーザＵ２について、日時ｄｔ２１〜ｄｔ２８において検知されたユーザの移動に関するセンサ情報のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する場合を示す。なお、図２の例では、説明を簡単にするために、センサ情報としてＧＰＳにより検知される位置情報を用いる場合を示すが、センサ情報は、ＧＰＳにより検知される位置情報に限らず、加速度情報等の種々のセンサ情報であってもよい。なお、図２の例では、ステップＳ２２以前においては、屋外広告ＡＤ２が位置ＬＣ２にあることを示す情報を抽出装置１００が未取得であるものとする。
図２の例では、ユーザＵ２は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図２に示す地図情報ＭＰ２は、ユーザＵ２の位置を模式的に示す。また、地図情報ＭＰ２において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ２１〜ＬＣ２８により示す。なお、位置ＬＣ２１〜ＬＣ２８を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ２の位置やユーザＵ２の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ２の位置やユーザＵ２の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１時間おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
まず、抽出装置１００は、日時ｄｔ２１においてユーザＵ２の位置ＬＣ２１を取得する。図２の例では、抽出装置１００は、日時ｄｔ２１においてユーザＵ２がＹＹ歩道上に位置することを示す位置ＬＣ２１を取得する。例えば、抽出装置１００は、図２に示すＹＹ歩道（道路情報ＲＤ２）のような各種の道路交通情報を有するものとする。例えば、抽出装置１００は、道路交通情報と、ユーザＵ２の位置ＬＣとの比較により、ユーザＵ２がＹＹ歩道上に位置すると推定する。そして、抽出装置１００は、日時ｄｔ２１よりも後の日時ｄｔ２２においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２１とは異なる位置にいることを示す位置ＬＣ２２を取得する。例えば、抽出装置１００は、道路交通情報と、ユーザＵ２の位置ＬＣの変化との比較により、ユーザＵ２がＹＹ歩道上を移動していると推定する。図２の例では、抽出装置１００は、位置ＬＣ２１、ＬＣ２２により、ユーザＵ２がＹＹ歩道に沿って（図２では下から上方向へ）、ＹＹ歩道上を移動していると推定する。
そして、抽出装置１００は、日時ｄｔ２２よりも後の日時ｄｔ２３においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２２とは異なる位置にいることを示す位置ＬＣ２３を取得する。図２の例では、抽出装置１００は、位置ＬＣ２２、ＬＣ２３により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。ここで、抽出装置１００は、位置ＬＣ２１、ＬＣ２２、ＬＣ２３により、ユーザＵ２の位置ＬＣ２２から位置ＬＣ２３までの間の移動速度が、位置ＬＣ２１から位置ＬＣ２２までの間に比べて低下していると推定する。例えば、抽出装置１００は、ユーザＵ２の位置ＬＣ２２から位置ＬＣ２３までの間の移動速度が、ユーザＵ２の通常の移動速度に比べて低下していると推定する。なお、抽出装置１００は、ユーザＵ２の加速度情報に基づいて、ユーザＵ２の移動速度が通常よりも低下していると推定してもよい。
そして、抽出装置１００は、日時ｄｔ２３よりも後の日時ｄｔ２４においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２３とは異なる位置にいることを示す位置ＬＣ２４を取得する。図２の例では、抽出装置１００は、位置ＬＣ２３、ＬＣ２４により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。また、抽出装置１００は、ユーザＵ２の位置ＬＣ２３から位置ＬＣ２４までの間の移動速度が、位置ＬＣ２２から位置ＬＣ２３までの間の移動速度と同様であるため、ユーザＵ２の移動速度が通常よりも低下していると推定する。
そして、抽出装置１００は、日時ｄｔ２４よりも後の日時ｄｔ２５においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２４とは異なる位置にいることを示す位置ＬＣ２５を取得する。図２の例では、抽出装置１００は、位置ＬＣ２４、ＬＣ２５により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。また、抽出装置１００は、ユーザＵ２の位置ＬＣ２４から位置ＬＣ２５までの間の移動速度が、位置ＬＣ２２から位置ＬＣ２３までの間の移動速度と同様であるため、ユーザＵ２の移動速度が通常よりも低下していると推定する。
そして、抽出装置１００は、日時ｄｔ２５よりも後の日時ｄｔ２６においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２５とは異なる位置にいることを示す位置ＬＣ２６を取得する。図２の例では、抽出装置１００は、位置ＬＣ２５、ＬＣ２６により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。また、抽出装置１００は、ユーザＵ２の位置ＬＣ２５から位置ＬＣ２６までの間の移動速度が、位置ＬＣ２１から位置ＬＣ２２までの間の移動速度と同様であるため、ユーザＵ２の移動速度が通常に戻ったと推定する。
そして、抽出装置１００は、日時ｄｔ２６よりも後の日時ｄｔ２７においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２６とは異なる位置にいることを示す位置ＬＣ２７を取得する。図２の例では、抽出装置１００は、位置ＬＣ２６、ＬＣ２７により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。また、抽出装置１００は、ユーザＵ２の位置ＬＣ２６から位置ＬＣ２７までの間の移動速度が、位置ＬＣ２１から位置ＬＣ２２までの間の移動速度と同様であるため、ユーザＵ２の移動速度が通常の移動であると推定する。
そして、抽出装置１００は、日時ｄｔ２７よりも後の日時ｄｔ２８においてユーザＵ２が、ＹＹ歩道に沿って位置ＬＣ２７とは異なる位置にいることを示す位置ＬＣ２８を取得する。図２の例では、抽出装置１００は、位置ＬＣ２７、ＬＣ２８により、ユーザＵ２がＹＹ歩道に沿って、ＹＹ歩道上を移動していると推定する。また、抽出装置１００は、ユーザＵ２の位置ＬＣ２７から位置ＬＣ２８までの間の移動速度が、位置ＬＣ２１から位置ＬＣ２２までの間の移動速度と同様であるため、ユーザＵ２の移動速度が通常の移動であると推定する。
抽出装置１００は、日時ｄｔ２１〜ｄｔ２８において検知されたユーザの複数のセンサ情報である位置ＬＣ２１〜ＬＣ２８のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する（ステップＳ２１）。例えば、抽出装置１００は、モデル情報記憶部１２５（図９参照）に示すような「対象ＴＧ２（屋外広告）」に対応するユーザの移動における変化の条件を満たす対象センサ情報を抽出する。例えば、抽出装置１００は、ユーザＵ２の位置情報の変化が例えば通常の速度よりも低速で移動していることを示すセンサ情報を抽出する。図２の例では、抽出装置１００は、ユーザＵ２がＹＹ歩道において通常よりも低速な移動している際の位置情報群を抽出する。
図２の例では、抽出装置１００は、日時ｄｔ２２〜ｄｔ２５においてユーザＵ２がＹＹ歩道上を通常よりも低速で移動している位置情報ＬＣ２２〜ＬＣ２５を抽出する。なお、図２の例では、ユーザＵ２の情報の抽出を例示するが、抽出装置１００は、多数（例えば、５万人等）のユーザについても同様の情報を抽出しているものとする。なお、抽出装置１００は、各ユーザの通常の移動速度を各ユーザの位置情報の履歴や加速度情報の履歴から推定し、推定した通常の移動速度を用いてもよい。
また、抽出装置１００は、事象情報を取得する（ステップＳ２２）。例えば、抽出装置１００は、ユーザＵ２のような通常よりも低速な移動を示す情報が所定の閾値（例えば１０００人等）以上抽出された場合に、ＹＹ歩道に関する事象情報Ｆ２を取得する。図２の例では、抽出装置１００は、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得する。例えば、抽出装置１００は、抽出装置１００の管理者等がＹＹ歩道へ実際に行くことにより、位置ＬＣ２の状況を確認し、管理者等がＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されたことを示す情報を抽出装置１００へ入力することにより、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得してもよい。
また、例えば、抽出装置１００は、ＳＮＳにおいてユーザが投稿した投稿情報等を解析することにより、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得してもよい。例えば、抽出装置１００は、対象センサ情報が抽出されたユーザが、ＳＮＳにおいて投稿した情報等を解析することにより、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得してもよい。例えば、抽出装置１００は、図６中の行動情報記憶部１２２に示すように、対象センサ情報として位置情報ＬＣ２２〜ＬＣ２５が抽出されたユーザＵ２が、日時ｄｔ２９においてＳＮＳサイトＢに投稿した情報等を解析することにより、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得してもよい。
そして、抽出装置１００は、抽出した対象センサ情報と、事象情報Ｆ２とに基づいて、モデルを生成する（ステップＳ２３）。図２の例では、抽出装置１００は、位置情報ＬＣ２２〜ＬＣ２５と、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２とに基づいて、モデルＭ２を生成する。例えば、抽出装置１００は、事象情報Ｆ２が取得された場合の対象センサ情報を正例として、モデルを生成する。例えば、抽出装置１００は、屋外広告に関する対象ＴＧ２に対応するモデルＭ２を生成する。図２の例では、抽出装置１００は、ユーザＵ２を含む多数（例えば、１０万人等）のユーザについて抽出したセンサ情報を用いて、モデルＭ２を生成する。
例えば、抽出装置１００は、屋外広告ＡＤ２が配置されている位置ＬＣ２付近において抽出されたセンサ情報を正例として、モデルＭ２を生成する。例えば、抽出装置１００は、正例となるセンサ情報が入力された場合に、スコア「１」を出力するように学習処理を行うことにより、モデルＭ２を生成する。例えば、抽出装置１００は、センサ情報が入力された場合に、「１」に近いスコアを出力する程、対象ＴＧ２が生じている可能性が高いことを示すモデルＭ２を生成する。また、例えば、抽出装置１００は、屋外広告がない歩道において検知されたユーザのセンサ情報を負例として、モデルＭ２を生成してもよい。例えば、抽出装置１００は、負例となるセンサ情報が入力された場合に、スコア「０」を出力するように学習処理を行うことにより、モデルＭ２を生成する。例えば、抽出装置１００は、センサ情報が入力された場合に、「０」に近いスコアを出力する程、対象ＴＧ２が生じている可能性が低いことを示すモデルＭ２を生成する。例えば、抽出装置１００は、屋外広告ＡＤ２が配置されていないＹＹ歩道の部分において検知されたユーザのセンサ情報を負例として、モデルＭ２を生成してもよい。例えば、抽出装置１００は、屋外広告ＡＤ２が配置される前、すなわち屋外広告ＡＤ２がない状態で位置ＬＣ２付近において検知されたセンサ情報を負例として、モデルＭ２を生成してもよい。例えば、抽出装置１００は、屋外広告ＡＤ２の撤去後、すなわち屋外広告ＡＤ２がない状態で位置ＬＣ２付近において検知されたセンサ情報を負例として、モデルＭ２を生成してもよい。
上述したように、抽出装置１００は、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。図１の例では、抽出装置１００は、ユーザが歩道上を迂回するような行動を行っている場合、ユーザの移動における変化が所定の条件を満たすとして、その際のセンサ情報を対象センサ情報として抽出する。これにより、抽出装置１００は、歩道においてユーザの進行方向への移動を妨げる所定の事象が発生している可能性が高い箇所におけるユーザのセンサ情報を対象センサ情報として抽出することが可能となる。また、図２の例では、抽出装置１００は、ユーザが歩道上において通常よりも低速で移動している場合、ユーザの移動における変化が所定の条件を満たすとして、その際のセンサ情報を対象センサ情報として抽出する。これにより、抽出装置１００は、歩道においてユーザを注目させる所定の事象が発生している可能性が高い箇所におけるユーザのセンサ情報を対象センサ情報として抽出することが可能となる。また、抽出装置１００は、このように抽出された対象センサ情報を用いてモデルを生成することにより、所定の事象の発生有無を適切に推定することができるモデルを生成することができる。
〔１−４．抽出した情報の利用例〕
なお、上述したモデルの生成は一例であり、抽出装置１００は、抽出した対象センサ情報を用いて種々のサービスを提供してもよい。例えば、抽出装置１００は、抽出した対象センサ情報に関する情報を他の外部装置へ提供してもよい。
〔１−４−１．広告の効果測定〕
例えば、抽出装置１００は、抽出した対象センサ情報を用いて広告効果の定量化を行ってもよい。この点について、以下説明する。例えば、抽出装置１００は、対象センサ情報と当該対象センサ情報に対応するユーザ属性とに基づいて、広告の効果を示す情報を推定してもよい。ここでは、抽出装置１００は、ＹＹ歩道脇の位置ＬＣ２に屋外広告ＡＤ２が配置されていることを示す事象情報Ｆ２を取得済みであるものとする。この場合、抽出装置１００は、ＹＹ歩道脇の位置ＬＣ２の付近において通常よりも低速の移動になることにより、対象センサ情報が取得されたユーザを屋外広告ＡＤ２に注目したユーザであると推定する。
例えば、抽出装置１００は、所定の期間（期間ＴＭ１）において屋外広告ＡＤ２に表示されていた広告（広告ＡＣ１）の広告効果を期間ＴＭ１について、位置ＬＣ２付近を通過したユーザ数等に基づいて推定してもよい。例えば、抽出装置１００は、期間ＴＭ１において、位置ＬＣ２付近を通過した全ユーザを広告ＡＣ１に接触機会があったユーザ（接触機会ユーザ）として推定する。また、例えば、抽出装置１００は、期間ＴＭ１において、位置ＬＣ２付近において対象センサ情報が抽出されたユーザを広告ＡＣ１に注目したユーザ（注目ユーザ）として推定する。
例えば、抽出装置１００は、接触機会ユーザの数に対する注目ユーザの数の割合を屋外広告ＡＤ２における広告ＡＣ１の効果（屋外広告評価値）として推定してもよい。例えば、抽出装置１００は、接触機会ユーザの数が１万人であり、注目ユーザの数が２００人である場合、屋外広告ＡＤ２における広告ＡＣ１の効果を「０．０２（＝２０００／１００００）」として推定してもよい。この場合、例えば、接触機会ユーザを広告の配信先となるユーザと同等とみなし、注目ユーザを配信された広告に対して何らかの行動を行ったユーザとみなした場合、抽出装置１００は、屋外広告についても、インターネット等における広告配信と同様の効果測定が可能となる。例えば、注目ユーザを配信された広告をクリックしたユーザとみなした場合、抽出装置１００は、上述した例では、屋外広告評価値をクリック率と同様の指標として算出することができる。これにより、抽出装置１００は、対象センサ情報が取得された日時に屋外広告ＡＤ２に表示された広告の効果を測定することができる。
なお、抽出装置１００は、上述したような屋外広告の効果測定をユーザ属性に基づいて分類されたセグメント（ユーザ群）ごとに行ってもよい。例えば、抽出装置１００は、２０代や３０代等の年代ごとに分類されたユーザ群ごとに、屋外広告の効果測定を行ってもよい。例えば、抽出装置１００は、男性や女性等の性別ごとに分類されたユーザ群ごとに、屋外広告の効果測定を行ってもよい。また、例えば、抽出装置１００は、年代と性別とを組み合わせたユーザ群ごとに、屋外広告の効果測定を行ってもよい。これにより、抽出装置１００は、屋外広告ＡＤ２に表示された広告の効果をユーザ分類ごとに測定することができる。これにより、抽出装置１００は、どの年代のユーザやどの性別のユーザに効果的か等を適切に推定することができる。
〔１−４−２．情報提供〕
例えば、抽出装置１００は、抽出した対象センサ情報に関する情報を所定のサービス提供者に提供してもよい。また、例えば、抽出装置１００は、屋外広告の効果に関する情報を広告配信に関する所定のサービス提供者に提供してもよい。
例えば、抽出装置１００は、図１の例において抽出した対象センサ情報に関する情報を、道路を整備する事業者等へ提供してもよい。例えば、抽出装置１００は、多数のユーザが迂回行動を行っている歩道に関する情報を、道路を整備する事業者等へ提供してもよい。
〔１−５．モデルの利用〕
抽出装置１００は、上述した例で生成したモデルＭ１、Ｍ２等を用いて所定の事象の発生有無を推定してもよい。
例えば、抽出装置１００は、所定のエリアの歩道（ＡＡ歩道）において検知されたセンサ情報をモデルＭ１に入力することにより、ＡＡ歩道において道路状況に関する所定の事象が発生しているかどうかを予測してもよい。例えば、抽出装置１００は、ＡＡ歩道において検知されたセンサ情報をモデルＭ１に入力し、出力されたスコアが所定の閾値以上である場合、ＡＡ歩道において、道路状況に異常が発生していると予測してもよい。例えば、抽出装置１００は、センサ情報をモデルＭ１に入力し、出力されたスコアが所定の閾値以上である場合、そのセンサ情報を対象センサ情報として抽出してもよい。
例えば、抽出装置１００は、所定のエリアの歩道（ＢＢ歩道）において検知されたセンサ情報をモデルＭ２に入力することにより、ＢＢ歩道において屋外広告に関する所定の事象が発生しているかどうかを予測してもよい。例えば、抽出装置１００は、ＢＢ歩道において検知されたセンサ情報をモデルＭ２に入力し、出力されたスコアが所定の閾値以上である場合、ＢＢ歩道において屋外広告が配置されたと予測してもよい。例えば、抽出装置１００は、センサ情報をモデルＭ２に入力し、出力されたスコアが所定の閾値以上である場合、そのセンサ情報を対象センサ情報として抽出してもよい。
〔１−６．正解情報〕
上述した例では、事象情報（正解情報）を管理者等の入力やユーザの投稿情報等に基づいて取得する場合を示したが、抽出装置１００は、種々の手段により正解情報を取得してもよい。
例えば、抽出装置１００は、「対象ＴＧ１（道路状況）」に対応するモデルＭ１を生成する場合、正解情報を端末装置１０においてジャイロセンサにより検知された情報から推定してもよい。例えば、抽出装置１００は、「対象ＴＧ２（屋外広告）」に対応するモデルＭ２を生成する場合、正解情報を屋外広告ＡＤ２等のデジタルサイネージ等にカメラ等の撮像手段を設けることにより、正解情報を取得してもよい。
〔１−７．ユーザの移動〕
上述した例では、ユーザが歩行している場合を示したが、ユーザの移動は、歩行に限らず、人力を駆動源とする移動体による移動であれば、どのような移動であってもよい。例えば、ユーザが自転車等のモータを駆動源としない移動体による移動であれば、どのような移動であってもよい。
〔１−８．移動の変化〕
上述した例では、ユーザの移動における変化が迂回行動を示す場合や通常より低速になる場合を示したが、抽出装置１００は、上記に限らず種々の移動の変化に対応する対象センサ情報を抽出してもよい。
例えば、抽出装置１００は、通常より高速になる、移動の変化に対応する対象センサ情報を抽出してもよい。例えば、抽出装置１００は、通常より高速になる、移動の変化に対応する対象センサ情報を抽出してもよい。例えば、抽出装置１００は、多数（例えば、１０万人等）のユーザが通常より高速に移動する位置付近について、事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが通常より高速に移動することを示す対象センサ情報がＣＣ歩道において所定の閾値（例えば１万人等）以上抽出された場合に、ＣＣ歩道に関する事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが通常より高速に移動することを示す対象センサ情報が検知される位置に喫煙所が有る場合、その対象センサ情報に基づいて、喫煙所に関するモデルを生成してもよい。
例えば、抽出装置１００は、多数（例えば、５千人等）のユーザが夜間において通常より高速に移動する位置付近について、事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが夜間において通常より高速に移動することを示す対象センサ情報がＤＤ歩道において所定の閾値（例えば５００人等）以上抽出された場合に、ＤＤ歩道に関する事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが通常より高速に移動することを示す対象センサ情報が検知される位置付近が夜間暗い場合、その対象センサ情報に基づいて、夜間に危険なエリアに関するモデルを生成してもよい。
例えば、抽出装置１００は、所定のユーザ属性のユーザが他のユーザ属性のユーザよりも高速に移動する位置付近について、事象情報を取得してもよい。例えば、抽出装置１００は、ユーザ属性が女性であるユーザが、ユーザ属性が男性であるユーザよりも高速に移動することを示す対象センサ情報がＥＥ歩道において所定の閾値（例えば５千人等）以上抽出された場合に、ＥＥ歩道に関する事象情報を取得してもよい。例えば、抽出装置１００は、ユーザ属性が女性であるユーザが通常より高速に移動することを示す対象センサ情報が検知される位置付近が人気のないエリアである場合、その対象センサ情報に基づいて、危険なエリアに関するモデルを生成してもよい。
例えば、抽出装置１００は、多数（例えば、５千人等）のユーザが雨の日のみ、迂回している移動する位置付近について、事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが雨の日において迂回行動を行っていることを示す対象センサ情報がＥＥ歩道において所定の閾値（例えば５００人等）以上抽出された場合に、ＥＥ歩道に関する事象情報を取得してもよい。例えば、抽出装置１００は、ユーザが迂回行動を行っていることを示す対象センサ情報が検知される位置付近が雨の日において水たまり（障害）が発生している場合、その対象センサ情報に基づいて、雨の日に障害が発生するエリアに関するモデルを生成してもよい。
〔２．抽出装置の構成〕
次に、図４を用いて、実施形態に係る抽出装置１００の構成について説明する。図４は、実施形態に係る抽出装置の構成例を示す図である。図４に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワーク（例えば図３中のネットワークＮ）と有線または無線で接続され、端末装置１０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。実施形態に係る記憶部１２０は、図４に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、センサ情報記憶部１２３と、学習データ記憶部１２４と、モデル情報記憶部１２５とを有する。なお、図４では、図示を省略するが、記憶部１２０には、図１に示すＸＸ歩道（道路情報ＲＤ１）のような道路情報や図２に示すＹＹ歩道（道路情報ＲＤ２）のような道路情報に関する各種情報が記憶される。また、図４では、図示を省略するが、図２に示す屋外広告ＡＤ２を表示する表示デバイス（掲示媒体）等を含む各種の施設等（関心地点：Point of Interest）が所在する位置等、関心地点に関する各種情報が記憶されてもよい。
（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図５は、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に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」といった項目が含まれる。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。
例えば、図５に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「３０代」であり、性別は、「男性」であることを示す。また、例えば、図５に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザの年齢は、「２０代」であり、性別は、「女性」であることを示す。
なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。
（行動情報記憶部１２２）
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図６は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの行動等の各種の行動情報を記憶する。図６に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動ＩＤ」、「日時」、「種別」、「内容」といった項目が含まれる。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「日時」は、対応するユーザの行動が行われた日時を示す。なお、図６の例では、「ｄｔ１０」等で図示するが、「日時」には、「２０１７年７月５日１９時３１分５２秒」等の具体的な日時が記憶されてもよい。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。
例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、行動ＩＤ「ＡＣ１０」により識別される行動（行動ＡＣ１０）を行ったことを示す。例えば、図６に示す例においてユーザＵ１は、日時ｄｔ１０において、ＡコンビニでＡ折り畳み傘の購入（行動ＡＣ１０）を行ったことを示す。
例えば、図６に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、行動ＩＤ「ＡＣ２９」により識別される行動（行動ＡＣ２９）を行ったことを示す。例えば、図６に示す例においてユーザＵ２は、日時ｄｔ２９において、ＳＮＳサイトＢへの「ＹＹで見た広告は…」といった内容の投稿（行動ＡＣ２９）を行ったことを示す。
なお、行動情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図６では、ユーザＩＤごとに行動情報が行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。
（センサ情報記憶部１２３）
実施形態に係るセンサ情報記憶部１２３は、種々のセンサにより検知されたセンサ情報を記憶する。例えば、センサ情報記憶部１２３は、位置情報や加速度情報等の種々のセンサ情報を記憶する。図７は、実施形態に係るセンサ情報記憶部の一例を示す図である。図７に示すセンサ情報記憶部１２３は、「ユーザＩＤ」、「センサ情報」といった項目が含まれる。「センサ情報」には、「日時」、「位置」、「加速度」といった項目が含まれる。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「センサ情報」は、ユーザのセンサ情報の履歴を示す。「日時」は、各センサ情報が取得された日時を示す。なお、図７の例では「日時」を抽象的な符号「ｄｔ１１」等で図示するが、「日時」には、「２０１７年７月６日１８時５９分４８秒」等の具体的な日時が記憶されてもよい。また、「位置」は、対応する日時において検知されたユーザの位置情報を示す。なお、図７の例では「位置」を抽象的な符号「ＬＣ１１」等で図示するが、「位置」には、具体的な緯度経度情報等が記憶されてもよい。また、「加速度」は、対応する日時において検知されたユーザの加速度情報を示す。
例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置「ＬＣ１１」が、日時「ｄｔ１１」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置「ＬＣ１１」が、日時「ｄｔ１１」に取得されたことを示す。例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置「ＬＣ１２」が、日時「ｄｔ１２」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置「ＬＣ１３」が、日時「ｄｔ１３」に取得されたことを示す。
また、例えば、図７に示す例において、ユーザＩＤ「Ｕ３」により識別されるユーザの加速度「ＡＳ３１」が、日時「ｄｔ３１」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ３」により識別されるユーザが利用する端末装置１０の加速度「ＡＳ３１」が、日時「ｄｔ３１」に取得されたことを示す。例えば、図７に示す例において、ユーザＩＤ「Ｕ３」により識別されるユーザの加速度「ＡＳ３２」が、日時「ｄｔ３２」に取得されたことを示す。
なお、センサ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、センサ情報記憶部１２３は、抽出処理により抽出されたセンサ情報群であることを示す情報（フラグ）等を記憶してもよい。また、センサ情報記憶部１２３は、ユーザのコンテキストに関する情報を記憶してもよい。
（学習データ記憶部１２４）
実施形態に係る学習データ記憶部１２４は、学習データに関する各種情報を記憶する。図８は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２４は、モデルの生成に用いる教師データを記憶する。図８に示す学習データ記憶部１２４には、「対象」、「データＩＤ」、「正解情報」、「センサ情報」といった項目が含まれる。
「対象」は、モデルが生成される対象となる事象を示す。「データＩＤ」は、学習データ（教師データ）を識別するための識別情報を示す。「正解情報」は、データＩＤにより識別される学習データにおいて、センサ情報に対応する所定の事象の発生有無を示す。
「センサ情報」には、モデルの入力となるセンサ情報が記憶される。「センサ情報」には、「位置情報」、「加速度情報」といった項目が含まれる。「位置情報」は、データＩＤにより識別される学習データに含まれる位置情報を示す。例えば、「位置情報」には、抽出処理により抽出された位置情報群が記憶される。「加速度情報」は、データＩＤにより識別される学習データに含まれる加速度情報を示す。例えば、「加速度情報」には、抽出処理により抽出された加速度情報群が記憶される。
例えば、図８に示す例において、対象「ＴＧ１（道路状況）」に対応する学習データには、データＩＤ「ＤＴ１−１」により識別される学習データ（学習データＤＴ１−１）等が含まれることを示す。また、学習データＤＴ１−１には、正解情報ＲＤＴ１−１や位置情報ＬＤＴ１−１や加速度情報ＡＤＴ１−１等が含まれることを示す。例えば、学習データＤＴ１−１が、図１の例において抽出されたデータである場合、正解情報ＲＤＴ１−１は、ユーザＵ１が迂回している、すなわち道路に所定の事象が発生していることを示す値「１」であってもよい。また、例えば、学習データＤＴ１−１が、図１の例において抽出されたデータである場合、位置情報ＬＤＴ１−１には、ユーザＵ１の位置ＬＣ１３〜ＬＣ１５が含まれてもよい。
また、例えば、図８に示す例において、対象「ＴＧ２（屋外広告）」に対応する学習データには、データＩＤ「ＤＴ２−１」により識別される学習データ（学習データＤＴ２−１）等が含まれることを示す。また、学習データＤＴ２−１には、正解情報ＲＤＴ２−１や位置情報ＬＤＴ２−１や加速度情報ＡＤＴ２−１等が含まれることを示す。例えば、学習データＤＴ２−１が、図１の例において抽出されたデータである場合、正解情報ＲＤＴ２−１は、ユーザＵ２の移動速度が通常より低下している、すなわちユーザＵ２が屋外広告ＡＤ２に注視していることを示す値「１」であってもよい。また、例えば、学習データＤＴ２−１が、図１の例において抽出されたデータである場合、位置情報ＬＤＴ２−１には、ユーザＵ２の位置ＬＣ２２〜ＬＣ２６が含まれてもよい。
なお、学習データ記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、学習データ記憶部１２４は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２４は、各学習データがどのような抽出処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２４は、各学習データが管理者の選択により追加されたか等を示す情報を記憶してもよい。
（モデル情報記憶部１２５）
実施形態に係るモデル情報記憶部１２５は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２５は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図９は、実施形態に係るモデル情報記憶部の一例を示す図である。図９に示すモデル情報記憶部１２５は、「モデルＩＤ」、「対象」、「モデルデータ」といった項目が含まれる。なお、図９では、モデルＭ１及びモデルＭ２のみを図示するが、各対象に対応する複数のモデル情報（モデルＭ３、Ｍ４等）が記憶されてもよい。
「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「対象」は、対応するモデルの対象を示す。また、「対象」には、各対象に対応する条件等が記憶される。例えば、「対象ＴＧ１（道路状況）」には、センサ情報が対象に対応するための条件（例えば歩道の延びる方向に対して所定の角度以上迂回して移動）等が記憶される。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。
例えば、図９に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、対象が「ＴＧ１（道路状況）」であり、入力されたセンサ情報に対応する位置において対象ＴＧ１が発生しているかを推定するために用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。
モデルＭ１（モデルデータＭＤＴ１）は、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたセンサ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の事象の発生有無の推定に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。
ここで、モデルＭ１、Ｍ２等が「ｙ＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。
また、モデルＭ１、Ｍ２等がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。
なお、モデル情報記憶部１２５は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。
（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、抽出装置１００内部の記憶装置に記憶されている各種プログラム（決定プログラムや生成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、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２５に記憶されているモデルＭ１やモデルＭ２等に従った情報処理により、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたセンサ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の事象の発生有無の推定に用いられるスコアの値を出力層から出力する。
例えば、抽出装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、利用スコアや入札スコアの算出を行う。具体的には、モデルＭ１、Ｍ２等は、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、所定の事象の発生有無に関するスコア（すなわち、ユーザが所定の行動を行う可能性がどの程度であるかを示唆するスコア）を出力するように係数が設定される。情報提供装置１０は、このようなモデルＭ１、Ｍ２等を用いて、対応する行動パターンにおける各ユーザのスコアを算出する。
なお、上記例では、モデルＭ１、Ｍ２等が、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報が入力された場合に、所定の事象の発生有無に関するスコアを出力するモデルである例を示した。しかし、実施形態に係るモデルＭ１、Ｍ２等は、データの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルは、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報を入力とし、モデルＭ１が出力する利用スコアを出力とするよう学習されたモデル（モデルＭ１ｂ)であってもよい。または、モデルは、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報を入力とし、モデルＭ１ｂの出力値を出力とするよう学習されたモデルであってもよい。
また、抽出装置１００がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルＭ１、Ｍ２等は、ＧＡＮの一部を構成するモデルであってもよい。
図４に示すように、制御部１３０は、取得部１３１と、抽出部１３２と、生成部１３３と、推定部１３４と、提供部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４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。
（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、端末装置１０等の外部の情報処理装置から各種情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２１や行動情報記憶部１２２やセンサ情報記憶部１２３や学習データ記憶部１２４やモデル情報記憶部１２５等の記憶部１２０から各種情報を取得する。例えば、取得部１３１は、端末装置１０が検知した各種の情報を取得する。例えば、取得部１３１は、端末装置１０が検知した位置情報や加速度情報を取得する。
例えば、取得部１３１は、ユーザの移動に関するセンサ情報を取得する。例えば、取得部１３１は、センサ情報のうち、ユーザの移動における変化が速度に関する条件を満たす対象センサ情報を抽出する。例えば、取得部１３１は、ユーザの位置情報を含むセンサ情報を取得する。例えば、取得部１３１は、ユーザの加速度情報を含むセンサ情報を取得する。例えば、取得部１３１は、歩道を移動するユーザのセンサ情報を取得する。例えば、取得部１３１は、人力を駆動源とする移動体により移動するユーザのセンサ情報を取得する。
図１の例では、取得部１３１は、日時ｄｔ１１においてユーザＵ１がＸＸ歩道上に位置することを示す位置ＬＣ１１を取得する。例えば、取得部１３１は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１１とは異なる位置にいることを示す位置ＬＣ１２を取得する。例えば、取得部１３１は、日時ｄｔ１２よりも後の日時ｄｔ１３においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１２とは異なる位置にいることを示す位置ＬＣ１３を取得する。例えば、取得部１３１は、日時ｄｔ１４においてユーザＵ１が、ＸＸ歩道上で何かを避けつつ移動するように位置ＬＣ１３とは異なる位置にいることを示す位置ＬＣ１４を取得する。
図１の例では、取得部１３１は、日時ｄｔ１５においてユーザＵ１が、ＸＸ歩道上で何かを迂回しつつ移動するように位置ＬＣ１４とは異なる位置にいることを示す位置ＬＣ１５を取得する。例えば、取得部１３１は、日時ｄｔ１５よりも後の日時ｄｔ１６においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１５とは異なる位置にいることを示す位置ＬＣ１６を取得する。例えば、取得部１３１は、日時ｄｔ１６よりも後の日時ｄｔ１７においてユーザＵ１が、ＸＸ歩道に沿って位置ＬＣ１６とは異なる位置にいることを示す位置ＬＣ１７を取得する。
図１の例では、取得部１３１は、事象情報を取得する。例えば、取得部１３１は、ユーザＵ１のような迂回行動を示す情報が所定の閾値（例えば１０００人等）以上抽出された場合に、ＸＸ歩道に関する事象情報Ｆ１を取得する。例えば、取得部１３１は、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１を取得する。
（抽出部１３２）
抽出部１３２は、各種情報を抽出する。例えば、抽出部１３２は、ユーザ情報記憶部１２１や行動情報記憶部１２２やセンサ情報記憶部１２３や学習データ記憶部１２４やモデル情報記憶部１２５等の記憶部１２０から各種情報を抽出する。
例えば、抽出部１３２は、取得部１３１により取得されたセンサ情報のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する。
図１の例では、抽出部１３２は、日時ｄｔ１１〜ｄｔ１７において検知されたユーザの複数のセンサ情報である位置ＬＣ１１〜ＬＣ１７のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する。例えば、抽出部１３２は、モデル情報記憶部１２５（図９参照）に示すような「対象ＴＧ１（道路状況）」に対応するユーザの移動における変化の条件を満たす対象センサ情報を抽出する。例えば、抽出部１３２は、ユーザＵ１の位置情報の変化が例えば歩道の延びる方向に対して所定の角度（例えば、３０°等）以上の向きに移動していることを示すセンサ情報を抽出する。例えば、抽出部１３２は、ユーザＵ１がＸＸ歩道において何かを避けて迂回している際の位置情報群を抽出する。例えば、抽出部１３２は、ＸＸ歩道が延びる方向に対して所定の角度以上となっているユーザＵ１の位置情報群を抽出する。
（生成部１３３）
生成部１３３は、各種情報を生成する。例えば、生成部１３３は、ユーザ情報記憶部１２１や行動情報記憶部１２２やセンサ情報記憶部１２３や学習データ記憶部１２４等に記憶された情報からモデルを生成する。例えば、生成部１３３は、対象センサ情報と、当該対象センサ情報に対応する所定の事象の発生有無を示す正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成する。例えば、生成部１３３は、学習データ記憶部１２４に記憶されたセンサ情報群と、センサ情報群に対応する位置において所定の事象が発生したかどうかを示す正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成する。
例えば、生成部１３３は、モデルＭ１、Ｍ２等を生成し、生成したモデルＭ１、Ｍ２等をモデル情報記憶部１２５に格納する。なお、生成部１３３は、いかなる学習アルゴリズムを用いてモデルＭ１、Ｍ２等を生成してもよい。例えば、生成部１３３は、ニューラルネットワーク（neural network）、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１、Ｍ２等を生成する。一例として、生成部１３３がニューラルネットワークを用いてモデルＭ１、Ｍ２等を生成する場合、モデルＭ１、Ｍ２等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
図１の例では、生成部１３３は、抽出した対象センサ情報と、事象情報Ｆ１とに基づいて、モデルを生成する。例えば、生成部１３３は、位置情報ＬＣ１３〜ＬＣ１５と、ＸＸ歩道上の位置ＬＣ１に道路破損ＯＢ１が生じていることを示す事象情報Ｆ１とに基づいて、モデルＭ１を生成する。例えば、生成部１３３は、事象情報Ｆ１が取得された場合の対象センサ情報を正例として、モデルを生成する。例えば、生成部１３３は、道路状況に関する対象ＴＧ１に対応するモデルＭ１を生成する。
（推定部１３４）
推定部１３４は、各種情報を推定する。例えば、推定部１３４は、センサ情報記憶部１２３に記憶された位置情報に基づいて、所定の事象の発生有無を推定する。例えば、推定部１３４は、センサ情報記憶部１２３に記憶されたセンサ情報をモデル情報記憶部１２５に記憶されたモデルに入力することにより、所定の事象の発生有無を推定する。
例えば、推定部１３４は、抽出部１３２により抽出された対象センサ情報に基づいて、対象センサ情報に対応する位置における事象に関する情報を推定する。例えば、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置の道路の状況を推定する。例えば、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置における表示物に関する情報を推定する。例えば、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置における広告に関する情報を推定する。例えば、推定部１３４は、対象センサ情報と当該対象センサ情報に対応するユーザ属性とに基づいて、広告の効果を示す情報を推定する。例えば、推定部１３４は、センサ情報が入力されたモデルの出力に基づいて、所定の事象の発生有無を推定する。
例えば、推定部１３４は、モデルＭ１、Ｍ２等に従った情報処理により、ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たすセンサ情報を入力層に入力する。そして、推定部１３４は、入力データを中間層と出力層に伝播させることで出力層から所定の事象の発生有無に関するスコアを出力させる。
図１の例では、推定部１３４は、道路交通情報と、ユーザＵ１の位置ＬＣとの比較により、ユーザＵ１がＸＸ歩道上に位置すると推定する。例えば、推定部１３４は、道路交通情報と、ユーザＵ１の位置ＬＣの変化との比較により、ユーザＵ１がＸＸ歩道上を移動していると推定する。例えば、推定部１３４は、位置ＬＣ１１、ＬＣ１２により、ユーザＵ１がＸＸ歩道に沿って（図１では下から上方向へ）、ＸＸ歩道上を移動していると推定する。例えば、推定部１３４は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。例えば、推定部１３４は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。例えば、推定部１３４は、位置ＬＣ１６、ＬＣ１７により、ユーザＵ１がＸＸ歩道に沿って、ＸＸ歩道上を移動していると推定する。
（提供部１３５）
提供部１３５は、種々の情報を提供する。例えば、提供部１３５は、端末装置１０等の外部装置に各種情報を提供する。例えば、提供部１３５は、モデル情報記憶部１２５に記憶された各モデルを外部の情報処理装置へ提供する。例えば、提供部１３５は、推定結果に基づく情報を外部の情報処理装置へ提供する。
例えば、提供部１３５は、抽出部１３２により抽出された対象センサ情報に関する情報を所定のサービス提供者に提供してもよい。また、例えば、提供部１３５は、屋外広告の効果に関する情報を広告配信に関する所定のサービス提供者に提供してもよい。例えば、提供部１３５は、図１の例において抽出した対象センサ情報に関する情報を、道路を整備する事業者等へ提供してもよい。また、例えば、提供部１３５は、生成部１３３により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３５は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。なお、上記は一例であり、提供部１３５は、抽出部１３２により抽出された対象センサ情報に基づく、種々の情報を外部の情報処理装置へ提供してもよい。
〔３．抽出処理のフロー〕
次に、図１０を用いて、実施形態に係る抽出システム１による抽出処理の手順について説明する。図１０は、実施形態に係る抽出処理の一例を示すフローチャートである。また、図１０に示す抽出処理には、対象行動情報の抽出及びモデルの生成の処理が含まれる。
図１０に示すように、抽出装置１００は、ユーザの移動に関するセンサ情報を取得する（ステップＳ１０１）。例えば、抽出装置１００は、センサ情報記憶部１２３（図７参照）に示すような位置情報の履歴を取得する。図１の例では、抽出装置１００は、端末装置１０から日時ｄｔ１１〜ｄｔ１７に検知された位置情報ＬＣ１１〜ＬＣ１７等を取得する。
また、抽出装置１００は、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する（ステップＳ１０２）。例えば、抽出装置１００は、学習データ記憶部１２４（図８参照）に示すような対象ＴＧ１に関する条件を満たすような対象センサを抽出する。図１の例では、抽出装置１００は、位置情報ＬＣ１１〜ＬＣ１７のうち、道路破損ＯＢ１が位置する位置ＬＣ１を迂回する移動の変化に対応するセンサ情報群（位置情報ＬＣ１３〜ＬＣ１５）を抽出する。
〔４．効果〕
上述してきたように、実施形態に係る抽出装置１００は、取得部１３１と、抽出部１３２とを有する。取得部１３１は、ユーザの移動に関するセンサ情報を取得する。抽出部１３２は、取得部１３１により取得されたセンサ情報のうち、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出する。
このように、実施形態に係る抽出装置１００は、ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００において、抽出部１３２は、センサ情報のうち、ユーザの移動における変化が速度に関する条件を満たす対象センサ情報を抽出する。
このように、実施形態に係る抽出装置１００は、センサ情報のうち、ユーザの移動における変化が速度に関する条件を満たす対象センサ情報を抽出することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００において、取得部１３１は、ユーザの位置情報を含むセンサ情報を取得する。
このように、実施形態に係る抽出装置１００は、センサ情報のうち、ユーザの位置情報を含むセンサ情報を取得することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００において、取得部１３１は、ユーザの加速度情報を含むセンサ情報を取得する。
このように、実施形態に係る抽出装置１００は、ユーザの加速度情報を含むセンサ情報を取得することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００において、取得部１３１は、歩道を移動するユーザのセンサ情報を取得する。
このように、実施形態に係る抽出装置１００は、歩道を移動するユーザのセンサ情報を取得することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００において、取得部１３１は、人力を駆動源とする移動体により移動するユーザのセンサ情報を取得する。
このように、実施形態に係る抽出装置１００は、人力を駆動源とする移動体により移動するユーザのセンサ情報を取得することにより、ユーザの移動における変化が所定の条件を満たす情報を適切に抽出することができる。
また、実施形態に係る抽出装置１００は、推定部１３４を有する。推定部１３４は、抽出部１３２により抽出された対象センサ情報に基づいて、対象センサ情報に対応する位置における事象に関する情報を推定する。
このように、実施形態に係る抽出装置１００は、抽出した対象センサ情報に基づいて、対象センサ情報に対応する位置における事象に関する情報を推定することにより、所定の事象の発生を適切に推定することができる。
また、実施形態に係る抽出装置１００において、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置の道路の状況を推定する。
このように、実施形態に係る抽出装置１００は、対象センサ情報に基づいて、対象センサ情報に対応する位置の道路の状況を推定することにより、所定の事象の発生を適切に推定することができる。
また、実施形態に係る抽出装置１００において、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置における表示物に関する情報を推定する。
このように、実施形態に係る抽出装置１００は、対象センサ情報に基づいて、対象センサ情報に対応する位置における表示物に関する情報を推定することにより、所定の事象の発生を適切に推定することができる。
また、実施形態に係る抽出装置１００において、推定部１３４は、対象センサ情報に基づいて、対象センサ情報に対応する位置における広告に関する情報を推定する。
このように、実施形態に係る抽出装置１００は、対象センサ情報に基づいて、対象センサ情報に対応する位置における広告に関する情報を推定することにより、所定の事象の発生を適切に推定することができる。
また、実施形態に係る抽出装置１００において、推定部１３４は、対象センサ情報と当該対象センサ情報に対応するユーザ属性とに基づいて、広告の効果を示す情報を推定する。
このように、実施形態に係る抽出装置１００は、対象センサ情報と当該対象センサ情報に対応するユーザ属性とに基づいて、広告の効果を示す情報を推定することにより、所定の事象の発生を適切に推定することができる。
また、実施形態に係る抽出装置１００は、生成部１３３を有する。生成部１３３は、対象センサ情報と、当該対象センサ情報に対応する所定の事象の発生有無を示す正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成する。
このように、実施形態に係る抽出装置１００は、対象センサ情報と、当該対象センサ情報に対応する所定の事象の発生有無を示す正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成することにより、所定の事象の発生の適切な推定を可能にすることができる。
〔５．ハードウェア構成〕
上述してきた実施形態に係る抽出装置１００は、例えば図１１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１１は、抽出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。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、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が実施形態に係る抽出装置１００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またはデータ（例えば、モデルＭ１、Ｍ２等）を実行することにより、制御部１３０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またはデータ（例えば、モデルＭ１、Ｍ２等）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。
〔６．その他〕
また、上記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に記載された各処理は、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 抽出システム
１００ 抽出装置
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ センサ情報記憶部
１２４ 学習データ記憶部
１２５ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 生成部
１３４ 推定部
１３５ 提供部
１０ 端末装置
Ｎ ネットワーク

Claims (10)

  1. ユーザの移動に関するセンサ情報と、前記ユーザが移動する道路の情報とを取得する取得部と、
    前記取得部により取得されたセンサ情報のうち、前記ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出し、前記ユーザの移動方向が前記道路の延びる方向と異なる方向であるセンサ情報を前記対象センサ情報として抽出する抽出部と、
    前記抽出部により抽出された前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置における事象に関する情報を推定する推定部と、
    を備え、
    前記推定部は、
    前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置の道路の状況を推定することを特徴とする抽出装置。
  2. 前記抽出部は、
    前記センサ情報のうち、前記ユーザの移動における変化が速度に関する条件を満たす前記対象センサ情報を抽出する
    ことを特徴とする請求項１に記載の抽出装置。
  3. 前記取得部は、
    前記ユーザの位置情報を含む前記センサ情報を取得する
    ことを特徴とする請求項１または請求項２に記載の抽出装置。
  4. 前記取得部は、
    前記ユーザの加速度情報を含む前記センサ情報を取得する
    ことを特徴とする請求項１〜３のいずれか１項に記載の抽出装置。
  5. 前記抽出部は、
    歩道を移動する前記ユーザの前記センサ情報を取得する
    ことを特徴とする請求項１〜４のいずれか１項に記載の抽出装置。
  6. 前記抽出部は、
    人力を駆動源とする移動体により移動する前記ユーザの前記センサ情報を取得する
    ことを特徴とする請求項１〜５のいずれか１項に記載の抽出装置。
  7. 対象センサ情報と、当該対象センサ情報に対応する所定の事象の発生有無を示す正解情報とを含む学習データに基づいて、所定の事象の発生有無の推定に用いられるモデルを生成する生成部、
    をさらに備えることを特徴とする請求項１〜６のいずれか１項に記載の抽出装置。
  8. コンピュータが実行する抽出方法であって、
    ユーザの移動に関するセンサ情報と、前記ユーザが移動する道路の情報とを取得する取得工程と、
    前記取得工程により取得されたセンサ情報のうち、前記ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出し、前記ユーザの移動方向が前記道路の延びる方向と異なる方向であるセンサ情報を前記対象センサ情報として抽出する抽出工程と、
    前記抽出工程により抽出された前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置における事象に関する情報を推定する推定工程と、
    を含み、
    前記推定工程は、
    前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置の道路の状況を推定することを特徴とする抽出方法。
  9. ユーザの移動に関するセンサ情報と、前記ユーザが移動する道路の情報とを取得する取得手順と、
    前記取得手順により取得されたセンサ情報のうち、前記ユーザの移動における変化が所定の条件を満たす対象センサ情報を抽出し、前記ユーザの移動方向が前記道路の延びる方向と異なる方向であるセンサ情報を前記対象センサ情報として抽出する抽出手順と、
    前記抽出手順により抽出された前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置における事象に関する情報を推定する推定手順と、
    をコンピュータに実行させ、
    前記推定手順は、
    前記対象センサ情報に基づいて、前記対象センサ情報に対応する位置の道路の状況を推定することを特徴とする抽出プログラム。
  10. ユーザの移動に関するセンサ情報であって、ユーザの移動における変化が所定の条件を満たし、前記ユーザの移動方向が前記ユーザが移動する道路の延びる方向と異なる方向であるセンサ情報が入力される入力層と、
    出力層と、
    前記入力層から前記出力層までのいずれかの層であって前記出力層以外の層に属する第１要素と、
    前記第１要素と前記第１要素の重みとに基づいて値が算出される第２要素と、を含み、
    前記入力層に入力されたセンサ情報に対し、前記出力層以外の各層に属する各要素を前記第１要素として、前記第１要素と前記第１要素の重みとに基づく演算を行うことにより、前記センサ情報に対応する位置の道路の状況の推定に用いられるスコアの値を前記出力層から出力するよう、
    コンピュータを機能させ生成されたモデル。
JP2017137902A 2017-07-14 2017-07-14 抽出装置、抽出方法、抽出プログラム、及びモデル Active JP6809993B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017137902A JP6809993B2 (ja) 2017-07-14 2017-07-14 抽出装置、抽出方法、抽出プログラム、及びモデル

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017137902A JP6809993B2 (ja) 2017-07-14 2017-07-14 抽出装置、抽出方法、抽出プログラム、及びモデル

Publications (2)

Publication Number Publication Date
JP2019020963A JP2019020963A (ja) 2019-02-07
JP6809993B2 true JP6809993B2 (ja) 2021-01-06

Family

ID=65353016

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017137902A Active JP6809993B2 (ja) 2017-07-14 2017-07-14 抽出装置、抽出方法、抽出プログラム、及びモデル

Country Status (1)

Country Link
JP (1) JP6809993B2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6712739B1 (ja) * 2019-12-19 2020-06-24 ニューラルポケット株式会社 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法
JP6941846B2 (ja) * 2020-04-30 2021-09-29 ニューラルポケット株式会社 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法
JP7353317B2 (ja) * 2021-03-18 2023-09-29 ヤフー株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000213952A (ja) * 1999-01-27 2000-08-04 Nec Mobile Commun Ltd 移動通信におけるナビゲ―ション方法およびシステム
JP2007114988A (ja) * 2005-10-20 2007-05-10 Sony Corp 関心度提供装置、携帯情報端末、サーバ装置および関心度提供方法

Also Published As

Publication number Publication date
JP2019020963A (ja) 2019-02-07

Similar Documents

Publication Publication Date Title
US10726438B2 (en) Personalized contextual coupon engine
US10679231B2 (en) Measuring retail visitation amounts based on locations sensed by mobile devices
US10880682B2 (en) Systems and methods for creating and using geo-blocks for location-based information service
US20170329881A1 (en) Adaptive real time modeling and scoring
US11061912B2 (en) Generating personalized routes for one or more users to improve user well-being
US10097947B2 (en) Generating personalized routes incentivized for one or more users
US10244060B2 (en) Determining seeds for targeted notifications through online social networks in conjunction with user mobility data
Durán-Polanco et al. Crowd management COVID-19
JP6823612B2 (ja) 予測装置、予測方法、及び予測プログラム
JP6809993B2 (ja) 抽出装置、抽出方法、抽出プログラム、及びモデル
US20200019365A1 (en) Location prediction systems and related methods
JP7348230B2 (ja) 生成装置、生成方法、及び生成プログラム
JP2019145006A (ja) 選択装置、選択方法、及び選択プログラム
Guo et al. Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations
JP6955392B2 (ja) 決定装置、決定方法、及び決定プログラム
US11112263B2 (en) Inventory quantity prediction for geospatial ads with trigger parameters
US11270250B2 (en) Intelligent service and customer matching using an information processing system
JP7071940B2 (ja) 提供装置、提供方法および提供プログラム
JP6587660B2 (ja) 推定装置、推定方法、及び推定プログラム
WO2020255407A1 (ja) 経路表示装置、経路表示方法及びプログラムが格納された非一時的なコンピュータ可読媒体
Xi et al. Evaluating travel behavior resilience across urban and rural areas during the COVID-19 pandemic: contributions of vaccination and epidemiological indicators
JP7221586B2 (ja) 抽出装置、抽出方法、及び抽出プログラム
JP6797870B2 (ja) 生成装置、生成方法、及び生成プログラム
JP7194798B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP7259110B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190719

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190719

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190815

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191021

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20191101

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20191108

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200324

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200518

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200818

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201015

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: 20201208

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201210

R150 Certificate of patent or registration of utility model

Ref document number: 6809993

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350