JP6821447B2 - 公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリング - Google Patents

Description

本開示は、交通機関技術、旅路プランニング技術、データ処理技術、データ分析技術、追跡技術、予測技術などに関する。

多くの都市及び団体が、ウェブ又はモバイルアプリケーションの形態で様々な旅程プランナを制作している。それらのプランナは、ユーザの旅行要求があり次第、公共又は民間の交通機関手段による交通機関システム上の旅程すなわち旅路を、道路及び公共交通機関ネットワーク並びにサービス属性及びデータの静的ライブラリを使用して生成するように構成されている。

公共交通機関の旅路プランナすなわち旅程プランナは、例えばウェブベースのアプリケーションを介して、公共交通機関システムに沿った利用可能な公共交通機関の旅程又はルートに関する情報を提供するように設計されている場合がある。そのようなアプリケーションは、将来の旅行者に出発地及び到着地を入力するよう促す場合があり、次に旅路プランニングエンジンを使用して２つの入力位置の間のルートを、例えばバス、トラム、列車などの指定された利用可能な公共交通機関サービス及びルートをそれらのサービスについて利用可能なスケジュールに応じて使用して決定する。従って交通機関当局はそのウェブサイト上に、そのような公共交通機関旅程プランナを含める場合がある。

旅路プランナは、１つ以上の提案される経路を出発地と到着地との間に見出し得る。出発地及び到着地は、地理空間座標として、あるいはバス停、駅、空港、又はフェリーポートなどの公共交通機関へのアクセス点の名称として指定され得る。位置発見プロセスは、その既知の経路すなわちルートのデータセット上での旅路プランを計算するために、出発地及び到着地を、交通機関ネットワーク上の最も近い既知のノードに変える場合がある。大規模ネットワークのための旅路プランナは、（交通機関ネットワークへのアクセス点を表す）ノード及び（点の間の可能な旅程を表す）エッジのグラフを検索するために検索アルゴリズムを使用する場合がある。距離、コスト、又はアクセス性などの様々な重み付けが各エッジと関連付けられる場合がある。旅程又は旅路プランを提案する際に、旅路プランナは、公共交通機関ネットワークの抽象モデルを使用し、それらのプランは旅行者がそれらのルート上で日常的に行う旅路を反映していない場合がある。

すなわち前述の旅程プランナでは通常、ルートが旅行される時刻と、より一般的には、サービスを受ける乗客の嗜好とが両方とも無視される。嗜好は、出発地と到着地との間で実世界の旅行者が行った実際のルートではなく、代わりに、最短のルート又は最速のルートに与えられる。これらのプランナは、基礎となる交通機関ネットワーク及び利用可能なサービスの知識においてますます信頼性が高くなっているが、各プランナは静的世界という同じ仮定を共有している。特に、各プランナでは一般に定常性及び普遍性（ｃｏｎｓｔａｎｃｙ ａｎｄ ｕｎｉｖｅｒｓａｌｉｔｙ）が仮定されており、すなわち最適な旅路は実際の旅程の日時とも乗客の詳細な嗜好とも無関係であると仮定されている。

しかし定常性及び普遍性は不十分な仮定であることが理解されるであろう。ほとんどの都市旅行者は、真夜中における職場と自宅との間の最良の旅路が必ずしも、例えば午前８時などの異なる時刻に同じ位置の間で行うための最良の選択肢ではないということを確認できる。同様に、異なる乗客は、同じ出発地及び到着地の地点間を旅行するために異なる方法を選択する可能性がある。

公共交通機関の乗客は、出発地と到着地との間を旅行するために、異なる時点においてしばしば異なる方法を選択する。個人的知識はそれらの様々な選択において役割を果たし得るが、多くの場合、乗客は行う旅路に関して単に異なる嗜好を有するのみである。例えば、ある乗客は数分間だけ旅程の所要時間を延長することによって複数の変更を回避する可能性があり、別の乗客は単に到着地にできるだけ早く到着することを望んでいる。

ユーザが、時刻ｓにおいて開始される出発地ｏから到着地ｄまでの旅程に対するクエリを用いてプランナに問い合わせた場合、クエリを満たす多数の旅路がしばしば存在する。プランナは、最小の移動時間、最小の変更数などの事前定義された基準の組に従って上位ｋ個の推奨を提供する。旅程プランナの動作は情報検索システムが動作する方法に類似しており、すなわち目標は、最も関連性のあるドキュメントを上位ｋ個の回答の中に配置することである。従って、実際の乗客の嗜好を反映する上位ｋ個の旅路を提案することが、インテリジェントな旅程プランニングにおいて重要であるということが理解されるであろう。

実際には、プランナによって提供される推奨と、交通機関ネットワークの旅行者によって取られる実際のルート及び／又は旅路との間には相違がある。上記で示したように、旅路プランナによって提案される旅路は、交通機関ネットワークを定期的に使用する実世界の旅行者によって行われる選択に必ずしも対応していない。

従って、交通機関ネットワークの実世界の使用に関する旅行者情報を収集して、旅路ランナによるそのユーザへの推奨を促進するための、効果的なシステム及び方法を提供することが有利である。

例示的実施形態の一態様では、関連する交通機関ネットワーク上の旅路のリストを生成するためのコンピュータ実装方法であって、リストは乗客嗜好の時間依存モデリングに従ってランク付けされる、コンピュータ実装方法が、関連するユーザから旅路要求を受信することであって、旅路要求は関連する交通機関ネットワーク上での出発地と到着地と出発時刻とを含む、ことと、関連するデータベースから、受信された旅路要求に対応する実際の旅路の組を取り出すことであって、実際の旅路の組はそれぞれが、受信された旅路要求に対応する共通の出発地と到着地と出発時刻とを有する、こととを含む。コンピュータ実装方法は、実際の旅路の取り出された組について、関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得することと、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換することとを更に含む。加えて、方法は、旅路の取り出された組からサービス行列及び変更点行列の系列を抽出することと、抽出された系列と旅路要求に関連する動的潜在変数の組とに従ってランク付け関数を生成することと、受信された旅路要求に対応する取り出された旅路の組内の各旅路にランク付け関数を適用してそれらのランク付けを決定することとを含む。更に、コンピュータ実装方法は、関連する旅程プランナから受信された、受信された出発地と到着地と時刻とに対応する旅路のリストをランク付けすることを更に含む。

別の態様では、関連する交通機関ネットワーク上の旅路のリストを生成するためのシステムであって、リストは乗客嗜好の時間依存モデリングに従ってランク付けされる、システムが、旅程プランニングエンジンを含む旅程プランナであって、関連するユーザから旅路要求を受信し、旅路要求は関連する交通機関ネットワーク上での出発地と到着地と出発時刻とを含み、それに応答して関連する交通機関ネットワーク上の旅路のリストを返すように構成された、旅程プランニングエンジンを含む旅程プランナと、ランク付け関数に従って旅路のリストをランク付けするように構成された再ランク付け要素とを含む。システムは、関連するデータベースから、受信された旅路要求に対応する実際の旅路の組を取り出すための命令であって、実際の旅路の組はそれぞれが、受信された旅路要求に対応する共通の出発地と到着地と出発時刻とを有する、命令と、実際の旅路の取り出された組について、関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得するための命令とを記憶するメモリを更に含む。メモリは、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換するための命令と、旅路の取り出された組からサービス行列及び変更点行列の系列を抽出するための命令と、抽出された系列と旅路要求に関連する動的潜在変数の組とに従ってランク付け関数を生成するための命令とを更に記憶する。加えて、メモリは、受信された旅路要求に対応する取り出された旅路の組内の各旅路にランク付け関数を適用してそれらのランク付けを決定し、関連する旅程プランナから受信された、受信された出発地と到着地と時刻とに対応する旅路のリストをランク付けするための命令を含む。システムは、メモリと動作可能に通信するプロセッサであって、命令を実行し、旅程プランナと再ランク付け要素とを実装するプロセッサを更に含む。

別の態様は、関連する交通機関ネットワーク上の旅路のリストを生成するためのコンピュータ実装方法であり、リストは乗客嗜好の時間依存モデリングに従ってランク付けされる。方法は、受信された旅路要求に応答して関連するデータベースから取り出された実際の旅路の組について、サービス行列及び変更点行列の系列を抽出することと、行列の抽出された系列に動的平滑化非負行列因数分解（ｄｙｎａｍｉｃ ｓｍｏｏｔｈｉｎｇ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）を適用することとを含む。コンピュータ実装方法は、旅路の取り出された組から、関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得することと、行列の抽出された系列から、実際の旅路の取り出された組内の各旅路についての特徴ベクトルを生成することとを更に含み、各特徴ベクトルは、旅路と、ユーザクエリであってそれに対して前記旅路が応答されるユーザクエリとの関数として定義される。加えて、コンピュータ実装方法は、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換することと、旅路要求に関連する行列の平滑化抽出された系列（ｓｍｏｏｔｈｅｄ ｅｘｔｒａｃｔｅｄ ｓｅｑｕｅｎｃｅｓ ｏｆ ｍａｔｒｉｃｅｓ）から生成された特徴ベクトルに従ってランク付け関数を学習することとを含む。

例示的実施形態の一態様による関連する交通機関ネットワーク上のユーザ旅行嗜好の平滑化動的モデリングのためのシステムの機能ブロック図を示す。 本願の一実施形態による例示的交通機関ネットワーク上の平日についての旅程数の分布を示す。 図２Ａに示した例示的交通機関ネットワーク上の週末についての旅程数の分布を示す。 例示的実施形態の一態様による上位５つの旅路についての旅行時間のグラフィカル表現である。 図３Ａに示した上位５つの旅路についての平均旅路数のグラフィカル表現である。 一例示的交通機関ネットワーク内の旅路の組の図を提供し、頻繁な旅路についての変化するユーザ嗜好を示す。 一例示的交通機関ネットワーク内の旅路の組の図を提供し、旅路距離を示す。 一例示的交通機関ネットワーク内の旅路の組の図を提供し、旅程／旅路プランナによる旅路推奨を示す。 例示的実施形態の一態様による関連する交通機関ネットワーク上の旅路を再ランク付けするための方法の一部を示すフローチャートである。 交通機関ネットワークのラインについての速度の推定された平均及び分散を表すグラフを示す。 例示的な関連する交通機関ネットワークについての最も頻繁に使用される変更のネットワークを示す。 例示的な関連する交通機関ネットワークについての選択された時刻におけるユーザ変更数を示す。 図８Ａに示した数からの、例示的な関連する交通機関ネットワーク上のトラムからバスへの１つの乗り換えを示す。 本願の例示的実施形態の一態様による短縮された（ｃｏｌｌａｐｓｅｄ）変更行列因数分解のグラフィカル表現を示す。 例示的な関連する交通機関ネットワーク上の２４０の選択された旅路についての全体統計の表を示す。 本願の例示的実施形態の一態様による、ベースライン旅程プランナと比較した旅路のためのランク付け方法の結果の表を示す。 図１１からの、潜在変数を用いた独立及び平滑化方法の性能を表すグラフを示す。 本願の例示的実施形態の一態様による潜在変数抽出の機能ブロック図を示す。

ここで１つ以上の実施形態について添付の図面を参照して説明する。図面全体を通して同様の参照番号は同様の要素に言及するために使用される。関連する交通機関ネットワーク上の旅路を再ランク付けするためのシステム及び方法に関する例示的実施形態の態様について本明細書中で説明する。加えて、交通機関ネットワーク上の旅行プランニングに関連して以下に例示的実施形態を提示するが、記載するシステム及び方法は、「群衆の知恵（ｃｒｏｗｄ−ｗｉｓｄｏｍ）」の推奨を利用する他の分野にも応用可能である。

本明細書中で説明するように、公共交通機関ネットワーク上の旅路プランの更新されたリストを提供する方法であって、ネットワーク上の実際の旅行者から収集した「群衆の知恵」を利用して、リストされた旅路プランをランク付けする方法について説明する。一実施形態では、旅行者によって行われた実際の旅路に対応する出発地−到着地の対が収集される。これらの対は、旅行者による報告、自動チケット検証システムなどから取得されてもよい。検証情報は、旅行が開始された時刻、進路に沿った出発地（乗車）及び到着地（下車）の停車場（１つ又は複数）、取られたルート（乗り換えなど）、及び交通機関ネットワーク上の旅路に関連するその他の情報を含んでもよい。任意の所与の出発地−到着地の対について、検証の存在は、取られたルートの暗黙的な推奨であり、すなわち、人が実際にその時刻にその出発地とその到着地との間でそのルートを取ったということである。市の公共交通機関ネットワークなどの大規模な交通機関ネットワークについて収集された場合、特定の時刻における特定のルートについて、かなりの数のそのような推奨が存在し得る。

ユーザが旅路プランナにアクセスした場合、一実施形態によれば、旅路プランナは上位ｋ個の結果のリストを、すなわち、ユーザによって選択された出発地と到着地との間の推奨されるルートのリストを出力してもよい。実世界の旅行者すなわち交通機関システムの経験を積んだユーザから得た、受信された暗黙的嗜好を使用して、ランク付け関数が計算されてもよい。その後、ランク付け関数は結果のリストに適用されてもよく、それにより、知識のある旅行者によって「暗黙的に推奨」されたものに対応する、より高くランク付けされた旅路を用いて、結果が再ランク付けされる。

旅路プランナの推奨は、旅行者によって行われた実際の選択から逸脱している場合があるということが理解されるであろう。すなわち、プランナによって提案される旅路は、ネットワークを定期的に使用する実際の旅行者によって行われた選択に対応していなければならない。しかし、プランナの提案が実際の選択から逸脱している場合、プランナは、旅路についてのユーザクエリに回答する際にいくつかの重要な知識を取り逃がしている。従って、本明細書中で開示される一実施形態は、実際の旅路の集合をグラウンドトゥルースとして利用してプランナの推奨を検証し、逸脱がある場合は、現実をより良好に反映するように好適な再ランク付け手法を策定して推奨を再ランク付けする。

本明細書中で開示される実施形態では、乗客嗜好と時間変化交通状況推定値（ｔｉｍｅ−ｖａｒｉａｎｔ ｔｒａｆｆｉｃ ｃｏｎｄｉｔｉｏｎ ｅｓｔｉｍａｔｅｓ）とを旅程プランニングにおいて利用可能である。乗客旅路の大きな集合を使用して、交通機関ネットワーク内の所与の旅路を選択するための時間変化パラメータが学習されてもよい。市の選択された交通機関ネットワークについての実際の旅行者データを使用した例示的実装では、旅路が、静的ヒューリスティックを使用するプランナによって生成された旅路よりも、乗客によって実際に選択される旅路に測定可能な程度に近いことが実証された。これは特に、交通機関ネットワークの頻繁な旅行者の知識を、旅路プランナを利用する経験の浅い旅行者に伝達することにおいて、現在の旅路プランナに勝るいくつかの利点を提供する。経験を積んだ旅行者の「群衆の知恵」が、選択された時刻、曜日などにおける選択された出発地から選択された到着地までのルートの推奨に織り込まれる場合、旅路プランナの精度は更に増加する。

一実施形態では、上述の旅路ランク付けは、旅程プランニングにおける乗客嗜好の時間依存性モデリングを用いて拡張される。そのような実施形態では、特定の公共交通機関サービス又は変更点を選択するユーザ嗜好が、潜在変数の組によってモデル化されてもよい。任意の実際の旅路は、旅行中の旅行者によって暗黙的に作られる対単位の嗜好の組に変換されてもよい。次に、サービス及び経由数の平滑化動的非負因数分解（ｓｍｏｏｔｈｅｄ ｄｙｎａｍｉｃ ｎｏｎ−ｎｅｇａｔｉｖｅ ｆａｃｔｏｒｉｚａｔｉｏｎ）による変数推定のための方法が導出される。次に、対単位の嗜好の組を使用して、旅路のランク付け関数が学習される。次にこの関数が、プランナによる上位ｋ個の推奨を再ランク付けするために使用されてもよい。

本明細書中で開示される実施形態では、ユーザ旅行嗜好は時間依存性潜在変数として表され、実際の旅行者選択からそれらを推定する。本明細書中に記載するシステム及び方法では、動的潜在変数の２つの組によってユーザ旅行嗜好をモデル化し、第１のグループは公共交通機関サービス（バス、トラムなど）についてのユーザ嗜好を表し、第２のグループはサービスの間の変更点（又は数）についてのユーザ嗜好を表す、ということが理解されるであろう。本明細書中で開示されるシステム及び方法では、公共交通機関システムにおける全ての根元事象をサービスの系列及びサービスの間の変更数として表すことによって、嗜好が１日の間に変化することを示すということが更に理解されるであろう。その後、任意の数行列が非負の様式で因数分解されてもよい。更に、行列の系列は、所与の期間の因数が以前の期間の因数に近いままであるように、平滑に因数分解されてもよい。これは１日の間のユーザ嗜好の進展を自然に反映する。本明細書中で開示されるシステム及び方法では更に、平滑化動的非負行列因数分解のための乗法的更新アルゴリズムのバージョンの開発によって、時間的潜在変数を推定する。本明細書中に記載するシステム及び方法の一例示的適用によれば、フランス国ナンシー市（ｔｈｅ ｃｉｔｙ ｏｆ Ｎａｎｃｙ，Ｆｒａｎｃｅ）から収集されたデータ組において、実際の旅路を記述するために潜在変数を使用するいくつかの手法が試験され、それらの潜在変数は旅路ランク付け関数を学習するために使用された。

次に図１を参照すると、公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリングのためのシステム１００が示されている。システム１００は、ランク付け関数の学習中に使用される、関連する交通機関システム１３４の旅行者によって行われた実際の旅路についての高水準記述子の相補性問題に対処する。そのようなランク付け関数は、関連する交通機関システム１３４の旅行者によって行われた実際の旅路から判定される、他のルートに優る１つのルートについての旅行者の暗黙的嗜好を利用する。動的潜在変数の組１９４は、公共交通機関サービス（例えば、バス、トラム、地下鉄など）及び変更数１９６の両方についてのユーザ嗜好を表す。数行列の系列から動的潜在変数１９６を推定するための、動的非負行列因数分解方法が開発された。図１に示す様々な構成要素は例示的ハードウェア、ソフトウェア、又はそれらの組み合わせの態様を示す目的のためのものであり、それらの間で置き換え可能であるということが理解されるであろう。

図１のシステム１００は、２つ以上の電子装置間でのデータの交換を可能にできる任意の分散通信システムを表すコンピュータネットワークなどの分散コンピューティング環境を使用して実装可能であるということが理解されるであろう。そのようなコンピュータネットワークは、例えば、以下に限定されないが、仮想ローカルエリアネットワーク、ワイドエリアネットワーク、パーソナルエリアネットワーク、ローカルエリアネットワーク、インターネット、イントラネット、又はそれらの任意の好適な組み合わせを含むことが更に理解されるであろう。従ってそのようなコンピュータネットワークは、例えば、以下に限定されないが、トークンリング、イーサネット、又はその他の無線又は有線ベースのデータ通信機構などの様々な従来のデータ転送機構によって例示されるように、物理層とトランスポート層とを含む。更に、図１では構成要素のネットワーク化された組として示されているが、システム及び方法は、本明細書中で説明する方法を実行するように適合されたスタンドアロン装置上に実装可能である。

図１に示すように、システム１００は、以下で説明する例示的方法を実装することが可能なコンピュータシステム１０２を含む。コンピュータシステム１０２は、コンピュータサーバ、ワークステーション、パーソナルコンピュータ、ラップトップコンピュータ、携帯電話、タブレットコンピュータ、ページャ、それらの組み合わせ、又は例示的方法を実行するための命令を実行可能なその他のコンピューティング装置を含んでもよい。

一例示的実施形態によれば、コンピュータシステム１０２は、関連するユーザ、ネットワーク装置、ネットワークストレージ、遠隔装置などと相互作用するように構成された、ハードウェア、ソフトウェア、及び／又はそれらの任意の好適な組み合わせを含む。例示的コンピュータシステム１０２はプロセッサ１０４を含み、プロセッサ１０４は、プロセッサ１０４に接続されたメモリ１０８内に記憶された処理命令１０６の実行によって例示的方法を実行し、また、コンピュータシステム１０２の全体的な動作を制御する。

命令１０６は、交通機関ネットワーク１３４に関連する１つ以上の自動発券検証システム１３６からの検証情報１３７を受信する旅路抽出部１１０を含む。検証情報１３７は、交通機関ネットワーク１３４上で旅行者が実際に行った旅路１１１を抽出するために旅路抽出部１１０によって利用され、その旅路１１１は次に、以下で説明するように、旅路の組１３８に追加されてもよい。検証情報１３７は、例えば、タイムスタンプ１４０、位置１４１、チケット識別情報１４５などを含んでもよい。旅路抽出部１１０は、受信された検証情報１３７を処理して、特定の旅行者に関連する特定のチケット識別情報１４５についての出発地１４２と到着地１４４とを判定してもよい。すなわち旅路抽出部１１０は、検証情報１３７内に含まれるタイムスタンプ１４０及び位置１４１すなわち旅行者の出発地１４２から導出して、その旅行者の対応する到着地１４４を推測、計算するか又はその他の方法で判定してもよい。次に旅路抽出部１１０は、対応する旅行者（すなわちチケット識別情報１４５）が交通機関システム１３４上で行った実際の旅程に対応する旅路１１１を出力してもよい。本願の様々な実施形態では、例えば検証の系列（特定の期間にわたる対応するタイムスタンプを有する乗車及び下車の検証の組）などの、自動発券検証システム１３６からの追加情報の集合が利用されてもよく、それにより、旅路１１１の追加情報が旅路抽出部１１０によって抽出されてもよい。

命令１０６は、コンピュータシステム１０２によってアクセス可能な旅路のデータ組１３８から対単位の嗜好１９２を暗黙的に導出する嗜好変換部１１２を含む。すなわち嗜好変換部１１２は、以下で説明するように、自動発券検証システム１３６からの検証情報１３７から旅路抽出部１１０によって抽出された旅路１１１に関する情報、例えば、関連する交通機関ネットワーク１３４上の実際の旅行者の時刻１４０、出発地１４２、及び到着地１４４から、対単位の嗜好１９２の組を決定する。一実施形態によれば、対単位の嗜好１９２は旅路の組１３８から推論され、例えば、嗜好される旅路は特定の時刻に多数の旅行者が選択したものである。対単位の嗜好１９２は、例えば、データセット１３８から推論される交通嗜好（例えば、旅行者はバスを回避する）、時間的及び／又は空間的嗜好（時刻、ルートなど）を含んでもよい。すなわち嗜好１９２は、旅行者が特定の時刻に特定のルート（旅路１１１）を好んだ理由（暗黙的／明示的）に対応することが理解されるであろう。

命令１０６は、関連する交通機関ネットワーク１３４内の任意の所与の旅路１１１を特徴付ける動的潜在変数の１つ以上の組１９４を生成するモデリング要素１１４も含んでもよい。モデリング要素１１４は、交通機関ネットワーク１３４上で実際に行われたか又はその可能性がある旅路の組１３８（例えば、任意の出発地／到着地の対、及びそれらの間の様々な介在する停車場）の中の各旅路１１１を処理して、そのような対間の又は実際の旅路上の旅程を特徴付ける動的潜在変数の１つ以上の組１９４を生成してもよい。１つ以上の動的潜在変数組１９４は、サービス、すなわちバスに乗ること、トラムに乗ること、列車に乗ることに関する乗客嗜好を表す組、変更点、すなわちどこでサービスを降りるか、どこでサービスに乗るかについての乗客嗜好を表す組などに対応してもよい。

加えて、命令１０６は、関連するユーザからのクエリすなわち旅路要求１６２に応えて旅程プランナ１５８によって出力された旅路１１１を再ランク付けするためのランク付け関数１９０を計算するランク付け関数計算部１１６も含んでもよい。ランク付け関数１９０は、交通機関ネットワーク１３４の実際の旅行者の検証情報１３７及び対応する旅路１１１に基づいて決定されてもよい。各クエリすなわち旅路要求１６２について、ランク付け関数１９０が、旅路要求１６２に対応する出発地１６８、到着地１７０、出発時刻１７２を有する全ての旅路１１１をランク付けするために計算されてもよい。ランク付け関数計算部１１６によって計算されるランク付け関数１９０は更に、以下でより詳細に説明するように、旅行者及び／又は交通機関ネットワーク１３４に関連する嗜好１９２及び動的潜在変数１９４を使用して決定されてもよい。

一実施形態によれば、乗客が開始時刻ｔ_ｓにおいて出発地ｏから到着地ｄまで旅行する旅程Ｊを行う場合、その乗客は１日のうちのこの時点において他の旅程よりもこの旅程を暗黙的に好んでいる。次にこの暗黙的なフィードバックは、この嗜好を対単位の旅路嗜好の明示的な組に変換することによって、ランク付け関数を学習するために使用される。

以下に記載するアルゴリズム１は、旅程プランナ１５８と観察された旅程の組Ｔとを使用することによってこれらの嗜好をインスタンス化する。クエリＱ＝（ｏ，ｄ，ｔ_ｓ）に一致する任意の実際の旅程Ｊについて、コンピュータシステム１０２によって動作可能なアルゴリズム１は、プランナ１５８を使用してＱについての上位ｋ個の候補を取り出し、これらの候補のうち、Ｊ自体が偶然この組内にある場合はＪ自体を除く、いずれよりもＪが好まれていることを印付ける。

アルゴリズム１：
アルゴリズム１ ランク付け学習アルゴリズム
Ｒｅｑｕｉｒｅ：乗客旅程Ｊ（Ｓ，Ｃ）の集合Ｔ
Ｒｅｑｕｉｒｅ：上位ｋ個の推奨を有する旅程プランナＰ
１：Ｓ＝φ
２：ｆｏｒ 各Ｊ∈Ｔ ｄｏ
３： 旅程ＪをクエリＱ＝（ｏ＝ｂ_１，ｄ＝ａ_ｎ，ｔ_ｓ＝ｔ^ｂ _１）に割り当て
４： クエリＱを用いてプランナＰに問い合わせ
５： 上位ｋ個の旅路をリストＬとして取り出し
６： ｆｏｒ 各Ｊ’∈Ｌ，Ｊ’≠Ｊ ｄｏ
７： （Ｑ，ｘ（Ｊ）＞ｘ（Ｊ’））をＳに追加
８： ｅｎｄ ｆｏｒ
９：ｅｎｄ ｆｏｒ
１０：Ｓを用いてランク付けモデルｆ（ｘ）を学習
１１：ｒｅｔｕｒｎ Ｍ

アルゴリズム１は、旅程Ｊが、推奨される１つのＪ’と一致するか調べる。我々は厳密な定義を適用し、それによればＪとＪ’とはＰＴサービスの同じ系列に従う。Ｓ_Ｊ＝｛ｌ_１，．．．，ｌ_ｎ｝及びＳ_Ｊ’＝｛ｌ’_１，．．．，ｌ’_ｎ｝である場合、全てのｉ＝１，．．．，ｎについてｓ_ｉ＝ｓ’_ｉ∧ｂ_ｉ＝ｂ’_ｉ∧ａ_ｉ＝ａ’_ｉならば、ＪはＪ’と一致する。

再ランク付けシナリオにおいて、旅程プランナ１５８の動作方法は変化しない。ユーザクエリに応じて旅程プランナ１５８は上位ｋ個の候補旅路を生成し、これらの旅路候補は次に、アルゴリズム１を用いて学習されたランク付け関数Ｍを使用して再ランク付けされる。

対単位の嗜好１９２からランク付け関数１９０を学習するために、各旅程Ｊについて特徴ベクトルｘが作成され、ここで任意の特徴は、旅程Ｊとそれが回答されるユーザクエリＱとの関数として定義される。ユーザ嗜好は経時変化するため、ランク付け又は旅路／旅程は時間的側面を考慮に入れたものでなければならない。従って本明細書中で説明するシステム及び方法は、特徴抽出が時間依存性である場合の固有のランク付け関数ｆ（ｘ）を学習するアプローチを提供する。従って、同じｏ及びｄを有する２つのクエリＱ（ｏ，ｄ，ｔ_ｓ）及びＱ’＝（ｏ，ｄ，ｔ’_ｓ）についての関数ｆは、ｔ_ｓとｔ’_ｓとが異なる場合、異なるランク付けを生成し得るということが理解されるであろう。

乗客旅程は、ランク付け関数ｆを学習するために本明細書中に記載するシステム及び方法に従って使用される対単位の嗜好１９２の組を形成する。任意の対単位の方法は、クエリＱ_ｉのラベル付きデータ
（ｘ_ｉ、１、ｙ_ｉ、１）、．．．、（ｘ_ｉ、ｍｉ、ｙ_ｉ、ｍｉ）、i＝１、．．．Ｎ＝｜Ｔ｜を使用して特徴ベクトルの嗜好対を作成する。例えば、ｘ_ｉ，ｊがｘ_ｉ，ｋより大きいグレードを有する場合（ｙ_ｉ，ｊ＞ｙ_ｉ，ｋ）、ｘ_ｉ，ｊ＞ｘ_ｉ，ｋが嗜好対となり、これはｘ_ｉ，ｊがｘ_ｉ，ｋより優位であることを意味する。嗜好対は新たな分類問題におけるインスタンス及びラベルと考えることができ、ここでｘ_ｉ，ｊ＞ｘ_ｉ，ｋはポジティブインスタンスである。

ランク付けにおいて後で使用される分類器ｆ（ｘ）をトレーニングするために、任意の好適な分類方法が使用されてもよいということが理解されるであろう。より詳細には、旅路／旅程は、ｆ（ｘ）によってスコアが割り当てられ、スコアによってソートされる。ランク付けのための良好なモデルのトレーニングは、対単位の分類のための良好なモデルのトレーニングによって実現される。学習における損失関数は、特徴ベクトルの対に関して定義されるため、対単位である。

対単位のアプローチは、例えば、以下に限定されないが、Ｒａｎｋｉｎｇ ＳＶＭ、ＲａｎｋＢｏｏｓｔ、ＲａｎｋＮｅｔ、ＩＲ ＳＶＭ、ＧＢＲａｎｋ、ＬａｍｂｄａＲａｎｋ、及びその他を含む多くの方法において採用されている。以下では、ツエン、ジャオフィ（Ｚｈｅｎｇ，Ｚｈａｏｈｕｉ）及びチェン、ケケ（Ｃｈｅｎ，Ｋｅｋｅ）及びサン、ゴードン（Ｓｕｎ，Ｇｏｒｄｏｎ）及びザ、ホンユアン（Ｚｈａ，Ｈｏｎｇｙｕａｎ）著「相対的関連性判断を使用してランク付け関数を学習するための回帰フレームワーク（Ａ Ｒｅｇｒｅｓｓｉｏｎ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｌｅａｒｎｉｎｇ Ｒａｎｋｉｎｇ Ｆｕｎｃｔｉｏｎｓ Ｕｓｉｎｇ Ｒｅｌａｔｉｖｅ Ｒｅｌｅｖａｎｃｅ Ｊｕｄｇｍｅｎｔｓ）」（Ｐｒｏｃ．ＳＩＧＩＲ’０７、２８７〜２９４ページ、Ｎｅｗ Ｙｏｒｋ、ＮＹ、ＵＳＡ、２００７．ＡＣＭ）に記載されたＧＢＲａｎｋが、現在使用されている普及した対単位の方法のうちの１つとして採用される。ＧＢＲａｎｋでは、嗜好対をトレーニングデータ｛ｘ^１ _ｉ，ｘ^２ _ｉ｝、ｘ^１ _ｉ＞ｘ^２ _ｉ、ｉ＝１，．．．，Ｎとして取り、パラメトリック対単位損失関数

を使用し、上式で、ｆ（ｘ）はランク付け関数であり、τはパラメータ０＜τ≦１である。ｆ（ｘ^１ _ｉ）がｆ（ｘ^２ _ｉ）＋τより大きい場合、損失は０であり、それ以外の場合、生じる損失は（１／２）（ｆ（ｘ^２ _ｉ）−ｆ（ｘ^１ _ｉ）＋τ）^２である。

トレーニングインスタンスに関して損失関数を最適化するために、関数的勾配降下（Ｆｕｎｃｔｉｏｎａｌ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）が採用される。全てのｆ（ｘ^１ _ｉ）、ｆ（ｘ^２ _ｉ）、ｉ＝１，．．．，Ｎを変数として取り扱い、Ｌ（ｆ）の勾配がトレーニングインスタンスに関して以下のように計算される。
−ｍａｘ｛０，ｆ（ｘ^２ _ｉ）−ｆ（ｘ^１ _ｉ）＋τ｝、ｍａｘ｛０，ｆ（ｘ^２ _ｉ）−ｆ（ｘ^１ _ｉ）＋τ｝、ｉ＝１，．．．，Ｎ

ｆ（ｘ^１ _ｉ）−ｆ（ｘ^２ _ｉ）≧τである場合、対応する損失は０であり、ランク付け関数１９０を変更する必要はない。ｆ（ｘ^１ _ｉ）−ｆ（ｘ^２ _ｉ）＜τである場合、損失は非ゼロであり、ランク付け関数は勾配降下を使用して更新される。
ｆ_ｋ（ｘ）＝ｆ_ｋ−１（ｘ）−νΔＬ（ｆ_ｋ（ｘ））
上式で、ｆ_ｋ（ｘ）及びｆ_ｋ−１（ｘ）はそれぞれｋ回目及び（ｋ−１）回目の反復におけるｆ（ｘ）の値を示し、νは学習速度である。

学習のｋ回目の反復において、ＧＢＲａｎｋは非ゼロの損失を有する全ての対｛（ｘ^１ _ｉ、ｆ_ｋ−１（ｘ^２ _１）＋τ），（ｘ^２ _ｉ，ｆ_ｋ−１（ｘ^１ _ｉ）−τ）｝を収集し、勾配ブースティング木（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｔｒｅｅ）［６］を使用して、回帰データに関する予測を行うことが可能な回帰モデルｇ_ｋ（ｘ）を学習する。次に、学習されたモデルｇ_ｋ（ｘ）は既存のモデルｆ_ｋ−１（ｘ）と線形結合されて、新たなモデルｆ_ｋ（ｘ）が以下のように作成される。
ｆ_ｋ（ｘ）＝（ｋｆ_ｋ−１（ｘ）＋β_ｋｇ_ｋ（ｘ））／（ｋ＋１）
上式で、β_ｋは収縮率である［１６］。

図１に戻ると、命令１０６は、対応する旅路要求１６２に応えて旅程プランナ１５８によって出力された上位ｋ個のリスト１６４にランク付け関数１９０を適用するように構成された再ランク付け要素１１８を更に含んでもよい。再ランク付け要素１１８は、ランク付け関数１９０を利用して、旅程プランナ１５８によって出力された上位ｋ個のリスト１６４内の旅路１１１の再ランク付けされた上位ｋ個のリスト１６５を生成してもよく、それにより、旅路要求１６２の出発地１６８、到着地１７０、出発時刻１７２、及びサービス嗜好１７４に該当するものとして、リスト１６４内の旅路１１１を実際の旅行者の嗜好１９２に基づいてランク付けする。再ランク付けされた上位ｋ個のリスト１６５は次に、以下で説明するように、関連するユーザに通信されてもよい。

システム１００は、旅程プランニングエンジン１６０を備えた旅程プランナ１５８を更に含んでもよい。本明細書中で企図される一実施形態によれば、旅程プランニングエンジン１６０は、ユーザが行うための候補となる旅路の組を、すなわち選択された出発地１６８と選択された到着地１７０との間の１つ以上の経路を決定する。理解されるように、旅程プランナ１５８は、交通機関システム１３４に関連するルート１４８、スケジュール１５０、所要時間１５４、歩行距離１５６、停車場１４３、及びサービス１５２（例えば、バス、列車、地下鉄など）を使用して、選択された出発地１６８と到着地１７０とに関連する停車場１４３の間の１つ以上の経路の決定を促進してもよい。旅程プランナ１５８は、ユーザによって提供された選択された出発地１６８と到着地１７０との間の１つ以上の経路を決定し、旅路の上位リスト（ｋ個のリスト）１６４を出力してもよい。選択された出発地１６８と到着地１７０との間の旅路を決定する際に、旅程プランナ１５８は、交通機関ネットワーク１３４の抽象モデル、すなわちルート１４８とスケジュール１５０とに基づくモデルを使用してもよく、また、交通機関ネットワーク１３４、ユーザ嗜好などに関して旅程プランナ１５８が入手可能なその他の情報も使用してもよいということが理解されるであろう。旅程プランナ１５８は、コンピュータシステム１０２と通信状態にあるデータベース１３０上に記憶されたデータにアクセス可能であってもよく、それと通信状態にある別個のデータベース（図示せず）上に記憶された交通機関システムに関連するデータ、例えば、ルート１４８、スケジュール１５０、停車場１４３、サービス１５２などを有してもよい。旅程プランナ１５８は更に、特定の出発地／到着地の対に応答して以前に生成された旅程又は旅路のリストを記憶する関連するデータベース（図示せず）と通信状態にあってもよく、図１の図は前述の旅程プランナ１５８の１つの例示的実装として意図されるものである。

理解されるように、公共交通機関ネットワーク１３４のための好適な旅程プランナ１５８は、利用可能な公共交通機関の旅程又は旅路に関する情報を提供するように構成される。旅程プランナ１５８のための入力は出発地ｏ１６８と到着地ｄ１７０と開始時刻ｓ（出発時刻１７２）とを含み、交通機関ネットワーク１３４の利用可能なサービスを使用した、指定されたサービス（１７４）を使用するｏからｄまでのルートを見出すために旅程プランニングエンジン１６０が使用される。旅程プランナ１５８の場合の公共交通機関ネットワーク１３４上のルートの選択は、道路ルートプランナの場合よりも制約されたものであり、その上、ルートを選択することに関するだけでなく、そのルート上のサービスを選択することにも関する、ということが理解されるであろう。

旅程プランナ１５８は、出発地と到着地との間の１つ以上の提案される旅程を見出す。一実施形態によれば、プランナ１５８は、（交通機関ネットワーク１３４へのアクセス点を表す）ノードと（点の間の可能な旅程を表す）エッジとのグラフを検索するための検索アルゴリズムを使用する。距離、コスト、又はアクセス性などの様々な重み付けが各エッジと関連付けられてもよい。

検索は、例えば最速、最短、最少の変更、最安などの様々な基準に基づいて最適化されてもよい。検索は、例えば特定の時刻に出発又は到着すること、特定の中間地点を回避することなどに制約されてもよい。そのようなプランナ１５８は通常、より良好にユーザクエリすなわち旅路要求１６２に回答するために、詳細なネットワーク記述、利用可能なルート、停車場の位置、サービススケジュール、歩行距離などを含む公共及び民間情報の複数のソースを処理する。

メモリ１０８は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、磁気ディスク又はテープ、光ディスク、フラッシュメモリ、あるいはホログラフィックメモリなどの任意のタイプの非一時的コンピュータ読み取り可能媒体を表してもよい。一実施形態では、メモリ１０８は、ランダムアクセスメモリと読み取り専用メモリとの組み合わせを含む。いくつかの実施形態では、プロセッサ１０４とメモリ１０８とは単一のチップ内で組み合わされてもよい。ネットワークインタフェース（１つ又は複数）１２０、１２２は、コンピュータがコンピュータネットワークを介して他の装置と通信することを可能にするものであり、変調復調器（ＭＯＤＥＭ）を含んでもよい。メモリ１０８は、方法において処理されるデータと、例示的方法を実行するための命令とを記憶してもよい。

デジタルプロセッサ１０４は、シングルコアプロセッサ、デュアルコアプロセッサ（又はより一般的にはマルチコアプロセッサ）、デジタルプロセッサ及び協働する数値演算コプロセッサ、デジタルコントローラなどによって様々に実施されてもよい。デジタルプロセッサ１０４は、コンピュータ１０２の動作を制御するのに加えて、図５において概説する方法を実行するためにメモリ１０８内に記憶された命令１０６を実行する。

本明細書中で使用される用語「ソフトウェア」は、ソフトウェアの目的であるタスクを実行するようコンピュータ又はその他のデジタルシステムを構成するためにコンピュータ又はその他のデジタルシステムによって実行可能な命令の任意の集合又は組を包含することが意図される。本明細書中で使用される用語「ソフトウェア」は、ＲＡＭ、ハードディスク、光ディスクなどの記憶媒体内に記憶されたそのような命令を包含することが意図され、また、ＲＯＭ上などに記憶されたソフトウェアであるいわゆる「ファームウェア」を包含することも意図される。そのようなソフトウェアは様々な方法で編成されてもよく、ライブラリ、遠隔サーバ上などに記憶されたインターネットベースのプログラム、ソースコード、解釈コード、目的コード、直接実行可能なコードなどとして編成されたソフトウェアコンポーネントを含んでもよい。ソフトウェアは特定の機能を実行するために、システムレベルコードを起動してもよく、又はサーバ上又はその他の位置に存在するその他のソフトウェアへの呼び出しを起動してもよいということが企図される。

コンピュータシステム１０２は、外部装置と通信するための１つ以上の入出力（Ｉ／Ｏ）インタフェース装置１２０及び１２２も含む。Ｉ／Ｏインタフェース１２０は、情報を表示するための表示装置１２４、テキストを入力するためのキーボード又はタッチスクリーン又は書き込み可能スクリーンなどのユーザ入力装置１２６、及び／又は、ユーザ入力情報及びコマンド選択をプロセッサ１０４に通信するためのマウス、トラックボールなどのカーソル制御装置のうちの１つ以上と通信してもよい。コンピュータシステム１０２の様々な構成要素は全てデータ／制御バス１２８によって接続されてもよい。コンピュータシステム１０２のプロセッサ１０４は、関連するデータベース１３０とリンク１３２を介して通信する。好適な通信リンク１３２は、例えば、公衆交換電話網、独自通信ネットワーク、赤外線、光、又はその他の好適な有線又は無線データ伝送通信を含んでもよい。データベース１３０はコンピュータシステム１０２の構成要素上に実装可能であり、例えば、ローカルメモリ１０８内すなわちハードドライブ上、仮想ドライブ上などに記憶されるか、又はコンピュータシステム１０２からアクセス可能な遠隔メモリ上に記憶される。

関連するデータベース１３０は、１つ以上の目的のために使用されるデータ（例えば、検証情報、交通機関システム情報（例えば、停車場、ノード又は駅、スケジュール、ルート）、クラウドソーシング情報（例えば、可能な経路、所要時間、旅行の頻度、予想される移動時間など）の任意の編成された集合に対応する。関連するデータベース１３０の実装は、例えば、磁気記憶ドライブ、ハードディスクドライブ、光記憶装置、フラッシュメモリ装置、又はそれらの好適な組み合わせなどの任意の大容量記憶装置（１つ又は複数）上で行われることが可能である。関連するデータベース１３０は、例えばメモリ１０８内に常駐するものなどの、コンピュータシステム１０２の構成要素として実装されてもよい。

一実施形態では、関連するデータベース１３０は、関連する交通機関システム１３４に対応するデータ、すなわち、ルート１４８（交通機関システム１３４上で利用可能な旅行のコースに沿って個々の車両によって行われる交通機関ノードにおける停車の系列）、これらのルート１４８のそれぞれについてのスケジュール１５０、駅又は停車場１４３などの交通機関ノード、経路（すなわち最初の出発地と最後の到着地との間の連続した出発地と到着地との系列）、サービス１５２、所要時間１５４、歩行距離１５６、及び検証系列情報１３６の集合を含んでもよい。例えば公共交通機関システムの場合、関連するデータベース１３０は公共交通機関システム１３４に関する以下のような情報を含んでもよく、すなわち、公共交通機関ルート（例えば、個々のバス、地下鉄、列車などによってスケジュールされた停車場の既知の系列）１４８、これらのルート１４８についての交通機関システム１３４のバス、トラム、地下鉄などの到着／出発時刻に関するスケジュール１５０、公共交通機関の停車場（又は駅）１４３すなわち交通機関システム１３４によってリンクされる固定された位置又はノード、２つの停車場１４３の間の経路の組であって各経路は１つ以上の交通機関ルート１４８と関連付けられた、経路の組（例えば経路は、第１の駅（出発地）において列車によって旅程を開始することと、第２の駅まで（列車のスケジュールされたルートに沿って）列車に乗ることと、第２の駅においてバスに乗り換えることと、（バスのスケジュールされたルートに沿って）バスに乗り、第３の駅（到着地）において下車することとを含んでもよい）、交通機関システム１３４によって提供されるサービス（バス／トラム／列車）の間の変更の数に対応する変更数１９８、などの情報を含んでもよい。

データベース１３０は、交通機関システム１３４の旅行者によって行われた実際の旅路に対応する１つ以上の旅路１１１の組１３８を更に含んでもよい。受信された検証情報１３７から旅路抽出部１１０によって出力された旅路の組１３８内の各旅路１１１は、例えば、タイムスタンプ１４０、出発地１４２、到着地１４４などを含んでもよい。特定の旅路１１１に関連するその他の情報が検証情報１３７において受信され、関連するデータベース１３０内への記憶のために旅路抽出部１１０によって抽出されてもよいということが理解されるであろう。例えば、チケット検証系列の組が、様々な収集構成要素（例えば、駅に位置するか又は交通機関システム１３４の車両上に位置する自動発券検証システム１６０）から収集された検証情報１３７から導出されてもよい。そのような例において検証系列は例えば、乗車及び下車タイムスタンプのそれぞれの系列を表すタイムスタンプと、タイムスタンプに対応する出発地及び到着地を表す位置と、系列タグと、各検証系列に対応するチケット識別子とを含んでもよい。

例えば、公共交通機関システムに関連して、検証情報１３７は以下に関連してもよく、すなわち、各チケットの固有の識別情報１４５などの旅行者識別情報（例えばチケット識別情報１４５は、ユーザによって書き換えられることもその他の方法で変更されることもできない（偽造防止特性）スマートカード、トランジットカード、トランジットチケットなどから導出されてもよい）、位置１４１（出発地及び到着地の位置）、系列タグ（最初の使用、対応使用など）、その特定の検証系列についての出発地と到着地との間の移動時間に関連するタイムスタンプ１４０に関連してもよい。すなわち、各検証系列は、公共交通機関ネットワーク１３４上への旅行者のエントリの時刻、及び旅行者が乗車又は下車した対応する位置１４１又はルート１４８（すなわち、ルート１４８上の停車場１４３）などを含んでもよい。公共交通機関システム上の各旅行者は一般に人であるが、その他のネットワーク化された交通機関システムの旅行者として貨物又はその他の無生物が含まれ得る。

検証情報１３７の各位置１４１は、例えばルート番号などのルート識別子、例えば停車場番号などの交通機関ノード識別子、住所、ＧＰＳ座標、又は位置に関連付けられたその他の地理的識別情報のうちの１つ以上を含んでもよい。スタンプ１４０の時間要素は、時刻、曜日、日付、又はタイムスタンプ１４０に対応するその他の時間的情報のうちの１つ以上を含んでもよい。従って本明細書中で企図される様々な実施形態において収集及び使用される検証情報１３７は、プリペイドカード、単回使用のトランジットチケット、再ロード可能なトランジットカード、又はその他の発券装置の使用によって収集される発券データであってもよい。上述の系列タグは、特定の検証系列内のどこで又はいつ旅行者の乗車又は下車が発生したかを反映してもよく、すなわち「最初」タグはチケット識別情報１４５の最初の使用を示してもよく、「対応」タグは指定された期間内でのチケット識別情報１４５の２回目の及び各後続の使用を示してもよい。データベース１３０は、検証情報１３７と公共交通機関システム１３４の旅行者／乗客／ユーザによって行われた実際の旅路／旅程１１１とから確認された対単位の嗜好１９２から導出又は判定された動的潜在変数の組１９４を更に含んでもよい。

検証情報１３７は、関連する交通機関システム１３４上の複数の位置から収集されてもよい。簡単に上述したように、これらの位置のそれぞれは、交通機関システム１３４によって又は交通機関システム１３４のルート１４８に沿って旅行する車両によって接続される位置（例えば駅、停車場など）の有限の組のうちの１つに対応してもよい。そのような情報１３７の収集は、料金徴収のためのチケット検証機によって、すなわち、スマートカードリーダ、磁気カードリーダ、入力端末、チケットディスペンサ、チケットリーダなどの、各それぞれの位置における自動チケット検証システム１３６によって行われてもよいということが理解されるであろう。そのような自動チケット検証システムは、駅、車両上などにおいて実装されてもよく、自動料金徴収サブシステムを表してもよいということが理解されるであろう。

交通機関システム１３４上の様々な旅行者は、交通カード／チケットを使用してもよい。そのようなカード／チケットは、交通機関システム１３４上の旅行に対して支払うために、又はその他の方法で旅行を可能にするために使用されてもよく、従って、旅行者が出発地の位置１４２から到着地の位置１４４まで交通機関システム１３４を通って旅行する際に、自動チケット検証システム１３６によってスキャン又は読み取りされるか、自動チケット検証システム１３６内に挿入されるか、あるいはその他の方法で自動チケット検証システム１３６によって検出される。そのような交通カードは、スマートカードのような機能、例えばマイクロチップ伝送、磁気的に記憶されたデータなどを含んでもよい。そのような実施形態において、自動チケット検証システム１３６は、検証情報１３７をコンピュータシステム１０２にリンク１４６を介して通信する。好適な通信リンク１４６は、例えば、公衆交換電話網、独自通信ネットワーク、赤外線、光、又は任意のその他の好適な有線又は無線データ伝送通信を含んでもよい。

交通機関使用データ、発券受領データ、混雑データなどを含む発券操作に対応する追加情報が自動チケット検証システム１３６によって収集されてもよいということが理解されるであろう。一実施形態によれば、交通機関システム１３４の車両又はノードでの、乗り降りする乗客のエントリ及びエグジットの両方が、検証情報１３７として収集されてもよい。エントリオンリーシステムは、対照的に、車両上への又は交通機関システム１３４の出発地ノードにおける、旅行者のエントリのみに関連する電子検証レコードの収集を可能にしてもよい。エントリ−エグジットシステムにおける旅行者の到着地は自動発券検証データから、すなわち自動チケット検証システム１３６によって収集される検証情報１３７から識別可能であってもよいのに対して、エントリオンリーの自動発券検証システム１３６における乗客の到着地は、非検証データ（例えば交通機関システムのルート及びスケジュール、イベントの発生（スポーツ、コンサート、その他）など）及び旅行者の仮定に基づく推論により識別されてもよい。

本明細書中で説明するシステム及び方法では、ワントリップチケット及びプリペイドカードが使用されてもよく、その使用は、収集される検証情報１３７内に含まれるチケット識別情報１４５内に反映される。ワントリップチケットは、固定された検証時間、すなわち旅行者による使用のためにチケットが有効であり続ける期間を有してもよい。例えば、エントリオンリーシステムにおいて、チケットが有効である期間は発行／購入の時刻から１時間に限定されてもよく、その期間中、旅行者は追加料金を負担することなく交通機関ネットワーク１３４内の車両を変更してもよい。そのようなチケットの最初の検証は「最初」を示す系列タグによって識別されてもよく、この検証時間中の２回目及び後続の検証は「対応」を示す系列タグによって識別されてもよい。自動発券検証システム１３６は、旅行者による複数回のエントリが提供される複数エントリカードの使用を許可してもよく、要求する旅行者には長期の永続的カードの使用を許可してもよい。複数エントリカードの使用により、各カード保持旅行者の旅行データの追跡が可能になり得ると共に、そのような旅行者の時間ベースの分析も可能になるということが理解されるであろう。

自動発券検証システム１３６は、旅行者のエントリ又はエントリ及びエグジットに対応する位置識別を可能にしてもよい。例えば自動発券検証システム１３６は、チケットの各検証がチケットＩＤ１４５、タイムスタンプ１４０、及び対応タグを含むことを可能にしてもよい。加えて自動発券検証システム１３６は、自動車両位置サブシステムを使用して、チケット検証を公共交通機関ルート１４８、停車場識別子（例えば停車場１４３）、及び方向と関連付けてもよい。例えばタイムスタンプ付きアンテナ認証系列などの移動通信イベント、又はスケジュールされた活動と旅行者のスケジュールとの交差のその他の観察を含む、検証情報１３７を収集するためのその他の方法が代替として又は加えて使用されてもよい。チケット検証、すなわち自動発券検証システム１３６において収集された検証情報１３７は、交通機関ネットワーク１３４内の旅行者のフローを理解するための情報を提供してもよい。公共旅客輸送及び公共交通機関の部局に貴重な洞察を提供し、意思決定プロセスを支援するために、一般的な施設における情報が分析されてもよい。

図１の実装に関連する検証情報１３７は例示のみを目的としている。公共交通機関の例以外のその他の用途も企図される。例えば有料道路監視及び管理システムも、本システム及び方法を利用してもよく、それにより、関連する有料道路に関する車両のエントリ及びエグジットに際して検証情報１３７が料金徴収所において収集される。その他の実施形態、例えば患者／従業員のエントリ及びエグジットの病院監視、セキュア施設の監視なども企図される。

図１に示すように、旅路再ランク付けシステム１００は、好適なリンク１８４を介してコンピュータシステム１０２と相互作用することが可能な、例えばモバイルスマートフォンなどの携帯通信装置として図１に示されている１つ以上のユーザアクセス装置１７６を含むか、又はそれと通信してもよい。装置１７６は、パーソナルコンピュータ、ネットブックコンピュータ、ラップトップコンピュータ、ワークステーションコンピュータ、パーソナルデータアシスタント、ウェブ対応携帯電話、タブレットコンピュータ、独自ネットワーク装置、又はその他のウェブ対応電子装置などの任意のパーソナルコンピューティング装置を表す。コンピュータシステム１０２とユーザアクセス装置１７６との間のデータ通信リンク１８４は、例えばブルートゥース、ＷｉＭＡＸ、８０２．１１ａ、８０２．１１ｂ、８０２．１１ｇ、８０２．１１（ｘ）、独自通信ネットワーク、赤外線、光、公衆交換電話網、又は任意の好適な無線データ伝送システムなどの無線通信、あるいは有線通信などの、データ通信の任意の適切なチャネルを介して達成されてもよい。

ユーザ装置１７６は、プロセッサ１８２、システムメモリ１７８、システム記憶装置、及びシステムメモリ１７８を含む様々なシステム構成要素を処理ユニット１８２に結合するバスなどを含んでもよい。ユーザ装置１７６は、コンピュータシステム１０２と相互作用して、データベース１３０へのアクセス、旅路要求１６２の提出、旅路プランの再ランク付けされた上位ｋ個のリストの受信などを行うように好適に構成されてもよい。具体的には、ユーザ装置１７６は、コンピュータシステム１０２と相互作用するように動作可能な、例えばメモリ１７８内に記憶されたウェブブラウザ、専用アプリケーション、又はその他のシンクライアントインターフェース１８０を含んでもよい。シンクライアント１８０は、関連する交通機関システム１３４、ルート１４８、スケジュール１５０、サービス１５２などのグラフィカル表現を表示するように好適に構成されてもよい。プロセッサ１８２及びメモリ１７８は、コンピュータシステム１０２のプロセッサ１０４及びメモリ１０８に関して上述したように構成されてもよい。

一実施形態によれば、例えば選択された出発時刻１７２における所望の出発地１６８と所望の到着地１７０との間の好適な旅路を判定することを望む人などの、システム１００のユーザは、旅路要求１６２をコンピュータシステム１０２による処理のために提出してもよい。旅路要求１６２は、リンク１８４を介して提出されるか又はシステム１０２に直接入力されてもよい。旅路要求１６２は、（システム１３４上の停車場／駅１４３に対応する）選択された出発地１６８と（別の停車場／駅１４３に対応する）選択された到着地１７０との間の最上位に評価された旅路のリスト１６５に対する要求として働き、これはデータベース１３０内に記憶された任意の数の介在する駅１４３を含んでもよい。そのような実施形態において、旅路要求１６２は、出発地（Ｏ）１６８と、到着地（Ｄ）１７０と、所望の出発時刻１７０と、必要に応じて、選択されたサービス嗜好１７４（例えばバスのみ、トラムのみ、地下鉄のみなど）とを含んでもよい。旅路要求１６２は、コンピュータシステム１０２とデータ通信状態にあるユーザ装置１７６上で動作可能なシンクライアント１８０へのアクセスを介してユーザによって入力されてもよく、又はユーザ入力装置１２６とのユーザ相互作用を介して入力され、結果が表示装置１２４上に表示されてもよく、又はその他であってもよい。

旅路要求１６２は次に、関連する旅程プランニングエンジン１６０による旅路の上位ｋ個のリスト１６４についての判定のために、旅程プランナ１５８に送信されてもよい。旅路のこの上位ｋ個のリスト１６４は次に、旅路の再ランク付けされた上位ｋ個のリスト１６５に旅路１１１を再ランク付けするために、コンピュータシステム１０２の再ランク付け要素１１８によって処理されてもよい。その後、旅路の再ランク付けされた上位ｋ個のリスト１６５は、通信リンク１８４を介して、コンピュータシステム１０２からユーザ装置１７６、ディスプレイ１２４などに通信されてもよい。

図１の交通機関システム１３４を含む任意の公共交通機関ネットワークは、複数のサービス（バス及びトラムライン、列車など）を提供するということが理解されるであろう。個々の乗客旅路又は旅程Ｊは、利用される公共交通機関サービス及びそれらの間の変更の系列を表す。用語「旅程」及び「旅路」は、特に記載のない限り、以下では区別なく使用されるということが理解されるであろう。図２Ａは仕事日の旅程数を示し、図２Ｂは週末の旅程数を示す。明るい方の数は経由数に対応し、暗い方の数は直接数に対応する。

Ｊの公共交通機関サービスは系列Ｓ_Ｊ＝｛ｌ_１，．．．，ｌ_ｎ｝、ｎ≧１であり、ここで任意のレッグｌ_ｉはタプル（ｓ_ｉ，ｂ_ｉ，ａ_ｉ，ｔ^ｂ _ｉ，ｔ^ａ _ｉ）であり、ここでｓ_ｉはサービス識別子（例えばバス番号）であり、ｂ_ｉ及びａ_ｉは乗車及び下車の停車場識別子であり、ｔ^ｂ _ｉ、ｔ^ａ _ｉは乗車及び下車のタイムスタンプである。旅路は、ｎ＝１の場合は直接であり、それ以外の場合は経由である。

任意の経由旅程はｎ−１回の変更を定義し、これは多くの場合、サービスの間のいくらかの待機及び／又は歩行を意味する。一実施形態によれば、変更の系列がＣ_Ｊ＝｛ｃ_１，．．．，ｃ_ｎ−１｝、ｎ≧１として定義されてもよく、ここで任意の変更ｃ_ｉは２つの連続したサービスレッグｌ_ｉとｌ_ｉ＋１とによって次のように一意に定義される：ｃ_ｉ＝（ａ_ｉ，ｂ_ｉ＋１，ｔ^ａ _ｉ，ｔ^ｂ _ｉ＋１）。旅程変更Ｃ_Ｊは、旅程の前及び後のいかなる歩行も無視することに留意されたい。

従って、本明細書中に記載するシステム及び方法は、旅程Ｊを暗黙的な旅行クエリＱ＝（ｏ＝ｂ_１，ｄ＝ａ_ｎ，ｔ_ｓ＝ｔ^ｂ _１）又はＱ＝（ｏ＝ｂ_１，ｄ＝ａ_ｎ，ｔ_ｆ＝ｔ^ａ _ｎ）に対する明示的な回答とみなすということが理解されるであろう。この側面は旅路プランニングを文書検索から区別するものであり、文書検索においては代わりに、明示的なユーザクエリによってクリックスルーデータの形態の暗黙的な関連性ユーザフィードバックが受信されるということが更に理解されるであろう。

上記の観察は図３Ａ及び図３Ｂにおいてより十分に図示されている。図３Ａ及び図３Ｂは、フランス国ナンシーにおける上位５つの旅路についての旅行時間及び平均旅路数を示すものであり、ナンシーにおける例示的な（ｏ，ｄ）位置の対について、様々な旅路の嗜好が１日の間にどのように変化するかを示している。従って図３Ａは、例示的な（ｏ，ｄ）位置の対についての上位５つの経由旅程を示す。図３Ｂは、例示的な（ｏ，ｄ）位置の対についての上位５つの旅路の旅行時間及び平均旅路数を示す。示されるように、５つの旅路のそれぞれは１回の変更すなわち乗り換えを伴う経由旅路である。図３Ａ及び図３Ｂは旅行者の嗜好が１日の間に変化することを示していることが理解されるであろう。旅程プランナ１５８は、最速旅路クエリに対して旅路３０４を推奨する。示されるように、推奨される旅路３０２は最速でも最も頻繁に選択されるものでもなく、更に旅路３０２は、ランチに一般的に関連付けられる時間中に、旅路３０２が最も遅い旅路のうちの１つであるにもかかわらず最も頻繁である。

図４Ａ〜図４Ｃは、ユーザ嗜好のより一般的な図を示す。すなわち図４Ａ、図４Ｂ、及び図４Ｃは、ナンシーにおける２４０の最も頻繁な経由旅路を示す。各旅路について、図４Ａは、異なる色を使用して、ユーザ嗜好が１日の間にどのように変化するかを示す。全体的に最も頻繁に使用される旅路は、ボックスなしで白で示されている。２番目、３番目、４番目、及び５番目の嗜好は、それぞれ、白のボックス、右上がりのハッシュ（ｈａｓｈ）付きボックス、右下がりのハッシュ付きボックス、及びドット付きボックスで示されている。旅路は出発地と到着地との間の距離によってソートされた。異なる旅路は異なる距離を提供するため、図４Ｂに示されるマンハッタン距離が使用された。

短い旅路はより高い変動性を示す。図４Ａに示すように、午前のラッシュアワーの間は第２の選択肢がより目立つ（白のボックス）。午前のラッシュアワーの前と午後のラッシュアワーの後には、より頻繁でない経路がより頻繁になっている。更に、最長の旅路はユーザ選択の最少の変動性を示す。最後に図４Ｃは、同じ旅路について、旅路プランナによる旅路変動性がどのように異なるかを示す。プランナ１５８による推奨は静的であり、変化するユーザ嗜好を反映しないことが理解されるであろう。

次に図５を参照すると、一実施形態による関連する交通機関ネットワーク上の旅路を再ランク付けするための方法を示すフローチャート５００が示されている。図５の方法は５０２において開始され、ここで、検証情報１３７が少なくとも１つの自動発券検証システム１３６から受信され、前記検証情報は、タイムスタンプ１４０、位置１４１（例えば停車場１４３）、及びチケット識別情報１４５を含んでもよい。５０４において、検証情報１３７によって示される、旅行者によって開始された各旅路１１１が抽出される。各旅路１１１は少なくともタイムスタンプ１４０と出発地１４２と到着地１４４とを含む。旅路１１１は、１つ以上の自動発券検証システム１３６によって収集された検証情報１３７から旅路抽出部１１０によって抽出されるか又はその他の方法で判定されてもよい。

５０８において、関連するユーザから受信された旅路要求１６２に対応して、関連するデータベース１３０から、関連する交通機関ネットワーク１３４についての旅路の組１３８が取り出される。上述したように、組１３８内の各旅路１１１は、交通機関ネットワーク１３４上の旅行者によって行われた実際の旅程に対応する。一実施形態によれば、旅路の組１３８を形成する各旅路１１１は共通の出発地１６８、到着地１７０、及び出発時刻１７２を含み、これは受信された旅路要求１６２の出発地１６８、到着地１７０、及び出発時刻１７２にも対応する。一実施形態では、旅路要求１６２は所望のサービス１７４を指定してもよく、取り出された旅路の組１３８も、選択されたサービス１７４を使用する旅路１１１に更に限定されてもよい。

５１０において、交通機関ネットワーク１３４上の旅路の組１３８内の任意の所与の旅路１１１を特徴付ける動的潜在変数の組１９４が、コンピュータシステム１０２と関連付けられたモデリング要素１１４又はその他の好適な要素によって開発される。一実施形態によれば、動的潜在変数の組１９４は、関連する交通機関ネットワーク１３４上のサービスに関する乗客嗜好を表す組のうちの１つ以上と、ネットワーク１３４上の変更点についての乗客嗜好を表す組のうちの１つ以上とを用いてモデル化される。

５１２において、コンピュータシステム１０２と関連付けられた嗜好変換部１１２又はその他の好適な要素が、動的潜在変数の決定された組１９４に従って旅路の組１３８を対単位の嗜好の組１９２に変換する。上述したように、嗜好１９２は、例えば、データ組１３８から推論される交通嗜好（例えば、旅行者はバスを回避する）、時間的及び／又は空間的嗜好（時刻、ルートなど）を含んでもよい。すなわち対単位の嗜好１９２は、旅行者が特定の時刻に特定のルート（旅路１１１）を好んだ理由（暗黙的／明示的）に対応することが理解されるであろう。

５１４において、サービス行列及び変更行列の系列が、公共交通機関システム１３４の旅行者／乗客／ユーザによって行われた旅路／旅程１１１から抽出される。次に５１６において、行列の抽出された系列に非負行列因数分解が適用され、それにより行列の系列は動的平滑化（ｄｙｎａｍｉｃａｌｌｙ ｓｍｏｏｔｈ）される。次に５１８において、ランク付け関数１９０が、システム１００に関連付けられたランク付け関数計算部１１６又はその他の好適な要素を介して、動的潜在変数の組１９４によって特徴付けられた対単位の嗜好の組１９２と、アルゴリズム２に関して以下でより十分に説明する動的平滑化非負行列因数分解された行列の系列とを使用して決定される。一実施形態によれば、上述の５１８におけるランク付け関数１９０の学習は、アルゴリズム１を介して実行されてもよい。

５２０において、選択された出発地１６８と選択された到着地１７０と出発時刻１７２と、必要に応じて、好ましいサービス１７４（例えばバス、列車／トラム、ダイレクトなど）とを含む、関連するユーザから受信された旅路要求１６２が、プランニングエンジン１６０による処理のために旅程プランナ１５８に通信される。

５２２において、再ランク付け要素１１８は、旅路要求１６２に応答した旅程プランナ１５８から旅路の上位ｋ個のリスト１６４を受信する。次に再ランク付け要素１１８は、受信されたクエリすなわち旅路要求１６２に対応するランク付け関数１９０を取り出し、５２４において、取り出された旅路の上位ｋ個のリスト１６４にランク付け関数１９０を適用し、５２６において、適用されたランク付け関数１９０に従ってリストを再ランク付けする。次に５２８において、再ランク付けされた上位ｋ個のリスト１６５が、受信された旅路要求１６２に応答してユーザに返される。

乗客の選択に影響を及ぼす多数の明示的及び暗黙的な要因が存在することが理解されるであろう。従って、本願に記載するシステム及び方法では、全ての乗客旅路を処理して対単位の嗜好の組をインスタンス化する。トレーニングの間に、方法は、乗客によって行われた旅路選択を最も良好に説明する、様々な側面／特徴に対する最適な重みを見出す。

時間依存特徴の２つのグループが存在する。第１に、グローバル特徴は、旅行時間、変更の数、特定のタイプの交通機関（バス、列車、トラムなど）の使用、マルチモダリティなどの、旅程全体を説明する特性である。第２に、ローカル特徴は、旅程を構成する各サービスレッグ及び変更を記述する。各公共交通機関サービスについて、この期間にこのラインを使用した場合の速度の推定された平均及び分散、及びスケジュールを基準にした平均遅延が抽出されてもよい（図６を参照されたい。これは例として、ナンシーにおけるライン３０の速度の平均、２５％及び７５％クオンタイルを１時間ごとに示す）。各変更点について、例えば歩行距離、商業地域又は交通の中心との近さなどの追加の特性が評価される。図７は、ナンシーにおいて最も頻繁に使用される変更のネットワークを示す。

乗客は旅行の選択を、店、サービス、道路構成、及び横断歩道などの局所情報に応じて行うだけでなく、時間に応じても行う。図８Ａ〜図８Ｂは、ユーザの変更嗜好がどのように時間変動するかを示す。図８Ａは、午前８時、午後１時、及び午後６時における全ネットワーク内の総変更数を示す。絶対値に加えて地理的分布も１日の間にかなり変化する。図８Ｂは、やはり午前８時、午後１時、及び午後６時における、トラム１からバス２３への乗り換えという特定のケースを示す。変更を行う２つの可能な場所について、（市の中心部にある）１つの場所は、１日のうちの全て時間帯に頻繁に利用され続け、第２の場所は、主として午前の時間帯に使用される。

残念なことに、乗客の旅程を記述するために収集及び使用される公共交通機関サービスの未加工の（ｒａｗ）特徴及び変更カウントは不明瞭でノイズが多く、予測可能性が低い。従って、分類の前に初期データから判別潜在特徴（ｄｉｓｃｒｉｍｉｎａｎｔ ｌａｔｅｎｔ ｆｅａｔｕｒｅｓ）を抽出することが最初のステップと解釈されてもよい。乗り換え数はドキュメントの語と同様に非負であり、潜在因子分析（ｌａｔｅｎｔ ｆａｃｔｏｒ ａｎａｌｙｓｉｓ）は非負行列因数分解によって対処され得る。従って、本システム及び方法では、ユーザ嗜好及びその対応する時間的特性を捕獲／獲得することが可能な潜在変数を判定するということが理解されるであろう。

ｎは公共交通機関システム内の停車場の数を表すとする。Ｔ内の全ての旅程はサービス及び変更の観察の２つの集合Ａ^Ｓ＝｛ｌ_ｉ｜ｌ_ｉ∈Ｓ_Ｊ，Ｊ∈Ｔ｝及びＡ^Ｃ＝｛ｃ_ｉ｜ｃ_ｉ∈Ｃ_Ｊ，Ｊ∈Ｔ｝に分割される。以下では簡潔にするために、観察の組Ａを取り扱うと仮定される場合があり、Ａはサービス又は変更の観察、あるいはそれらの合計を示す場合がある。

Ａ内の全ての観察がＴ個の期間に分割される場合、数行列の系列Ａ_ｔ、ｔ＝１，．．．，Ｔ、Ａ_ｔ∈Ｒ^ｎ×ｎ _＋が期間ｔにおいて取得されてもよく、ここで、ａ_ｉｊは期間ｔの間のサービス又は変更の数である。

その後、Ｔは１に設定され、Ａからの全ての観察は１つの行列Ａ内に短縮される。図９は本願の一実施形態による短縮された変更行列因数分解を示す。チケット検証システム１３６から抽出された、例えば出発地−到着地の対などの旅程構成要素は、一般にノイズが多く、エラーを多く含む傾向がある。エラーの３つの主な理由は以下の通りである。１）検証機の誤った組アップに起因するエラー、２）（例えば、一方の、タイムスタンプ及びカード情報を提供する（バスに搭載された）検証機１３６と、他方の、ＡＶＬによって提供されるＧＰＳ位置との間の誤ったアライメントに起因する）誤った公共交通機関のポジショニング、３）旅行者によるカードの誤用。

サービス及び変更データは両方とも非負数であり、非負行列因数分解（ＮＭＦ）が、非負データの可視化及び解釈のための大きな利点を与える方法として利用可能であり、これについては、リー、ダニエルＤ（Ｌｅｅ，Ｄａｎｉｅｌ Ｄ）及びスン、Ｈセバスチャン（Ｓｅｕｎｇ，Ｈ Ｓｅｂａｓｔｉａｎ）著「非負行列因数分解のためのアルゴリズム（Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）」（Ｐｒｏｃ．ＮＩＰＳ’０１、５５６〜５６２ページ、２００１年）においてより十分に説明されている。そのような可視化及び解釈の好適な例が上記の引用文献において見出され得る。そのような非負行列因数分解は、ペナルティ最適化問題（ｐｅｎａｌｉｚｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍｓ）を定式化し、ホイヤー、パトリックＯ（Ｈｏｙｅｒ，Ｐａｔｒｉｋ Ｏ）著「疎制約を有する非負行列因数分解（Ｎｏｎ−ｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ ｗｉｔｈ Ｓｐａｒｓｅｎｅｓｓ Ｃｏｎｓｔｒａｉｎｔｓ）」（Ｊ．Ｍａｃｈ．Ｌｅａｒｎ．Ｒｅｓ．、５：１４５７〜１４６９ページ、２００４年）に記載されたアルゴリズムなどの最新の勾配降下アルゴリズムを使用することによって効率的に計算され得る。

（上述の）行列Ａは、次の最小化により推定された２つの低ランク行列の積を用いて近似される。

上式で、Ｕ及びＶはｎ×Ｋ非負行列である。近似Ｋのランク又は次元は潜在因子の数に対応し、これは良好なデータ適合（ｇｏｏｄ ｄａｔａ ｆｉｔ）及び解釈可能性を得るために選択され、ここで、Ｕは出発地停車場についての潜在因子を与え、Ｖは到着地停車場についての潜在因子を与える。

因数分解された行列は、適合度項（ｇｏｏｄｎｅｓｓ ｏｆ ｆｉｔ ｔｅｒｍ）及び粗さペナルティからなる目的関数を最小化することによって得られる。

式（１）
上式で、λ≧０はペナルティ強度（ｐｅｎａｌｔｙ ｓｔｒｅｎｇｔｈ）を示し、より大きなペナルティはより疎行列Ｕ及びＶを助長する。ＮＭＦにペナルティを追加すると、ＮＭＦによる解釈可能性が向上するだけでなく、多くの場合、推定の数値安定性も向上するため、これはよく使用される方策である。

図９は、２０の因子を有するＴ＝１についての短縮された行列Ａ^Ｃに対する式（１）における疎ＮＮＭＦの結果を示す。これは、「固定」されたすなわち以下でより詳細に説明する平滑化操作によって明らかにされた、ユーザ嗜好に関する静的な図（ｓｔａｔｉｃ ｖｉｅｗ）に対応する。

平滑化動的ＮＮＭＦ
期間ｔ＝１，．．．，Ｔについての行列の系列｛Ａ_ｔ｝_ｔ＝１、 ^Ｔを仮定すると、我々は低ランク行列因数分解の系列｛Ｕ_ｔ，Ｖ_ｔ｝_ｔ＝１、 ^Ｔを生成することを求めている。Ｔ個の行列｛Ａ_ｔ｝の独立した因数分解によって、式（１）における因数分解を時間的セッティング（ｔｅｍｐｏｒａｌ ｓｅｔｔｉｎｇ）に拡張可能である。しかし、本開示に記載するシステム及び方法では、乗車及び下車の両方において潜在因子が以前の期間に類似するよう強いるために、Ｕ_ｔ及びＶ_ｔの両方に対して平滑性制約を加えて課す。その場合、目的関数は次のようになる。

式（２）
上式で、パラメータλ、μはユーザによって設定される。この目的関数は２つの連続した期間におけるＵ_ｔ及びＶ_ｔの平滑化を課すが、これはより大きなウィンドウに一般化されることが可能である。

行列Ｕ_ｔ及びＶ_ｔを推定するために、適応勾配降下に基づいた、ＮＮＭＦのための乗法的更新アルゴリズムの拡張バージョンを使用する。ＮＮＭＦのための乗法的更新アルゴリズムの好適な例は、ギリス、ニコラス（Ｇｉｌｌｉｓ，Ｎｉｃｏｌａｓ）及びグリニュー、フランソワ（Ｇｌｉｎｅｕｒ，Ｆｒａｎｃｏｉｓ）著「非負行列因数分解のための加速された乗法的更新及び階層Ａｌｓアルゴリズム（Ａｃｃｅｌｅｒａｔｅｄ Ｍｕｌｔｉｐｌｉｃａｔｉｖｅ Ｕｐｄａｔｅｓ ａｎｄ Ｈｉｅｒａｒｃｈｉｃａｌ Ａｌｓ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｎｏｎｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ）」（Ｎｅｕｒａｌ Ｃｏｍｐｕｔ．、２４（４）：１０８５〜１１０５ページ、２０１２年）、リー、ダニエルＤ（Ｌｅｅ，Ｄａｎｉｅｌ Ｄ）及びスン、Ｈセバスチャン（Ｓｅｕｎｇ，Ｈ Ｓｅｂａｓｔｉａｎ）著「非負行列因数分解のためのアルゴリズム（Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）」（Ｐｒｏｃ．ＮＩＰＳ’０１、５５６〜５６２ページ、２００１年）、並びにマンカド、ショーン（Ｍａｎｋａｄ，Ｓｈａｗｎ）及びミカイリディス、ジョージ（Ｍｉｃｈａｉｌｉｄｉｓ，Ｇｅｏｒｇｅ）著「非負行列因数分解を用いた動的ネットワークにおける構造的及び機能的発見（Ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｆｕｎｃｔｉｏｎａｌ ｄｉｓｃｏｖｅｒｙ ｉｎ ｄｙｎａｍｉｃ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）」（Ｐｈｙｓ．Ｒｅｖ．Ｅ、８８：０４２８１２、２０１３年）において見出され得る。

行列因数分解技法の時間的拡張は、エルザス、ジョナサンＬ（Ｅｌｓａｓ，Ｊｏｎａｔｈａｎ Ｌ）及びデュメイス、スーザンＴ（Ｄｕｍａｉｓ，Ｓｕｓａｎ Ｔ）著「関連性ランク付けにおけるドキュメントコンテンツの時間的動特性の活用（Ｌｅｖｅｒａｇｉｎｇ Ｔｅｍｐｏｒａｌ Ｄｙｎａｍｉｃｓ ｏｆ Ｄｏｃｕｍｅｎｔ Ｃｏｎｔｅｎｔ ｉｎ Ｒｅｌｅｖａｎｃｅ Ｒａｎｋｉｎｇ）」（Ｐｒｏｃ．ＷＳＤＭ’１０、１〜１０ページ、Ｎｅｗ Ｙｏｒｋ、ＮＹ、ＵＳＡ、２０１０年、ＡＣＭ）、マンカド、ショーン（Ｍａｎｋａｄ，Ｓｈａｗｎ）及びミカイリディス、ジョージ（Ｍｉｃｈａｉｌｉｄｉｓ，Ｇｅｏｒｇｅ）著「非負行列因数分解を用いた動的ネットワークにおける構造的及び機能的発見（Ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｆｕｎｃｔｉｏｎａｌ ｄｉｓｃｏｖｅｒｙ ｉｎ ｄｙｎａｍｉｃ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）」（Ｐｈｙｓ．Ｒｅｖ．Ｅ、８８：０４２８１２、２０１３年）、アンカン サハ（Ａｎｋａｎ Ｓａｈａ）及びヴィカス シンドワニ（Ｖｉｋａｓ Ｓｉｎｄｈｗａｎｉ）著「ソーシャルメディアにおいて発展及び出現しつつあるトピックの学習：時間的正則化を用いた動的ＮＭＦアプローチ（Ｌｅａｒｎｉｎｇ ｅｖｏｌｖｉｎｇ ａｎｄ ｅｍｅｒｇｉｎｇ ｔｏｐｉｃｓ ｉｎ ｓｏｃｉａｌ ｍｅｄｉａ：ａ ｄｙｎａｍｉｃ ＮＭＦ ａｐｐｒｏａｃｈ ｗｉｔｈ ｔｅｍｐｏｒａｌ ｒｅｇｕｌａｒｉｚａｔｉｏｎ）」Ｐｒｏｃ．ＷＳＤＭ’１２、６９３〜７０２ページ、２０１２年）、並びにサン、Ｊ．Ｚ．（Ｓｕｎ，Ｊ．Ｚ．）及びパーササラシー、Ｄ（Ｐａｒｔｈａｓａｒａｔｈｙ，Ｄ．）及びヴァーシュニー、Ｋ．Ｒ．（Ｖａｒｓｈｎｅｙ，Ｋ．Ｒ．）著「動的行列因数分解のための協調カルマンフィルタリング（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ ｆｏｒ Ｄｙｎａｍｉｃ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ）」（ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ、６２（１４）：３４９９〜３５０９ページ、２０１４年）において研究された。特に、エルザス（Ｅｌｓａｓ）らは「関連性ランク付けにおけるドキュメントコンテンツの時間的動特性の活用（Ｌｅｖｅｒａｇｉｎｇ Ｔｅｍｐｏｒａｌ Ｄｙｎａｍｉｃｓ ｏｆ Ｄｏｃｕｍｅｎｔ Ｃｏｎｔｅｎｔ ｉｎ Ｒｅｌｅｖａｎｃｅ Ｒａｎｋｉｎｇ）」において、Ｗｅｂドキュメントコンテンツの時間的動特性を分析した。この研究では、関連性ランク付けを向上させるために、項の差分重み付け（ｄｉｆｆｅｒｅｎｔｉａｌ ｗｅｉｇｈｔｉｎｇ）をそれらの項の時間的特性に基づいて行うことを可能にする確率的ドキュメントランク付けアルゴリズムが開発された。サン（Ｓｕｎ）らは「動的行列因数分解のための協調カルマンフィルタリング（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ ｆｏｒ Ｄｙｎａｍｉｃ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ）」において、かなり大きな時間的動特性を有する推奨システムに取り組んだ。この研究では、状態空間モデルによって確率的行列因数分解を時間的に拡張する協調カルマンフィルタが開発された。時間進展グラフにおけるコミュニティ検出が、マンカド（Ｍａｎｋａｄ）ら著「非負行列因数分解を用いた動的ネットワークにおける構造的及び機能的発見（Ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｆｕｎｃｔｉｏｎａｌ ｄｉｓｃｏｖｅｒｙ ｉｎ ｄｙｎａｍｉｃ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）」において分析された。オーバラップしているコミュニティの潜在構造が、順次的行列因数分解によって発見された。

式（２）を解くために、本願に記載するシステム及び方法の一実施形態では、マンカド（Ｍａｎｋａｄ）らの方法を採用し、次のラグランジアンを考慮する。

式（３）
上式でΦ、Ψはラグランジュ乗数である。この方法は、局所極小に収束する適応勾配降下として働く。キューン−タッカー（ＫＫＴ）最適化によって収束のための必要条件が保証される。ＫＫＴ最適化条件は、∂Ｌ／∂Ｕ_ｔ＝０；∂Ｌ／∂Ｖ_ｔ＝０、ｔ＝１，．．．，Ｔを設定することによって得られる。ＫＫＴ最適化条件は次によって得られることが示され得る。
Φ_ｔ＝−２Ａ_ｔＶ_ｔ＋２Ｕ_ｔＶ_ｔ ^ＴＶ_ｔ−２μ（Ｕ_ｔ−１−Ｕ_ｔ）＋２λ、
Ψ_ｔ＝−２Ａ_ｔ ^ＴＵ_ｔ＋２Ｖ_ｔＵ_ｔ ^ＴＵ_ｔ−２μ（Ｖ_ｔ−１−Ｖ_ｔ）＋２λ、
式（４）
行列代数操作の後、アルゴリズム２で示される乗法的更新規則に導かれる。

アルゴリズム２ 動的平滑化ＮＮＭＦアルゴリズム
Ｒｅｑｕｉｒｅ：行列Ａ_ｔ、ｔ＝１，．．．，Ｔ、定数λ、μ
１：Ｕ_ｔ、Ｖ_ｔを密、正（ｄｅｎｓｅ，ｐｏｓｉｔｉｖｅ）のランダム行列として初期化
２：ｒｅｐｅａｔ
３： ｆｏｒ ｔ＝１，．．．，Ｔ ｄｏ
４： Ｕ_ｔ←Ｕ_ｔ（Ｕ_ｔＶ_ｔ ^ＴＶ_ｔ＋λＡＵ_ｔ）^−１（Ａ_ｔＶ_ｔ＋μＵ_ｔ−１）
５： Ｖ_ｔ←Ｖ_ｔ（Ｖ_ｔＵ_ｔ ^ＴＵ_ｔ＋λＡＶ_ｔ）^−１（Ａ_ｔ ^ＴＵ_ｔ＋μＶ_ｔ−１）
６： ｅｎｄ ｆｏｒ
７：ｕｎｔｉｌ 収束
８：ｒｅｔｕｒｎ Ｕ_ｔ、Ｖ_ｔ、ｔ＝１，．．．，Ｔ

乗法的更新アルゴリズムの収束は多くの場合、低速で報告されることが理解されるであろう。しかし実際には、わずかな繰り返しの後に意味のある因数分解が得られ、これは入力行列Ａ_ｔの疎性によって説明され得る。将来、より密なデータ及びより大きな都市に対処する場合は、交互非負最小自乗（ａｌｔｅｒｎａｔｉｎｇ ｎｏｎｎｅｇａｔｉｖｅ ｌｅａｓｔ ｓｑｕａｒｅｓ）（ＡＮＬＳ）アルゴリズム［１０］のアクティブセットバージョンのような、より高速の方法がより適切となるであろう。前述のＡＮＬＳアルゴリズムの好適な例は、キム、ヒョンソ（Ｋｉｍ，Ｈｙｕｎｓｏｏ）及びパク、ヘソン（Ｐａｒｋ，Ｈａｅｓｕｎ）著「交互非負性制約最小自乗とアクティブセット方法とに基づく非負行列因数分解（Ｎｏｎｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ａｌｔｅｒｎａｔｉｎｇ Ｎｏｎｎｅｇａｔｉｖｉｔｙ Ｃｏｎｓｔｒａｉｎｅｄ Ｌｅａｓｔ Ｓｑｕａｒｅｓ ａｎｄ Ａｃｔｉｖｅ Ｓｅｔ Ｍｅｔｈｏｄ）」（ＳＩＡＭ Ｊ．Ｍａｔｒｉｘ Ａｎａｌ．Ａｐｐｌ．、３０（２）：７１３〜７３０ページ、２００８年）で提供されている。

旅程の特徴付け（Ｊｏｕｒｎｅｙ ｆｅａｔｕｒｉｎｇ）
アルゴリズム２は、入力行列の系列Ａ_ｔ、ｔ＝１，．．．，Ｔに対して疎な因数分解された行列を見出す。最初に、全旅程の集合から抽出されたサービス行列Ａ^Ｓ _ｔ及び変更行列Ａ^Ｃ _ｔの系列にアルゴリズムが適用される。従って、サービス及び変更についての平滑化因数分解された（ｓｍｏｏｔｈｅｄ ｆａｃｔｏｒｉｚｅｄ）行列Ｕ^Ｓ _ｔ、Ｖ^Ｓ _ｔ、及びＵ^Ｃ _ｔ、Ｖ^Ｃ _ｔ、ｔ＝１，．．．，Ｔがそれぞれ取得される。期間ｔにおいて、乗車停車場ｂはＵ^Ｓ _ｔ内の対応する行によって与えられる潜在因子を有し、この行はＵ^Ｓ _ｔ（ｂ）と表される。下車停車場ａについては、行Ｖ^Ｓ _ｔ（ａ）が時刻ｔにおける潜在因子を与える。アルゴリズムは次に和の行列Ａ^ｆ _ｔ＝Ａ^Ｃ _ｔ＋Ａ^Ｓ _ｔ、ｔ＝１，．．．，Ｔに適用されてもよい。Ａ^ｆ _ｔについての平滑化因数分解された行列はＵ^ｆ _ｔ、Ｖ^ｆ _ｔと表される。

旅程Ｊについての特徴ベクトルｘを生成するために、サービスレッグ及び変更へのその分解、すなわちＪ＝（Ｓ，Ｃ）が使用されてもよい。ベクトルｘ（Ｊ）はこの場合、一般特徴ベクトルｘ_ｇと４つの潜在要素とから構成され、ｘ（Ｊ）＝｛ｘ_ｇ，ｘ^Ｓ _ｂ，ｘ^Ｓ _ａ，ｘ^Ｃ _ｂ，ｘ^Ｃ _ａ｝、ここで、ｘ^Ｓ _ｂ、ｘ^Ｓ _ａはそれぞれ、旅路の乗車及び下車の場所にわたって平均された潜在特徴ベクトルである：

ｘ^Ｃ _ｂ、ｘ^Ｃ _ａはそれぞれ、変更場所（下車及び乗車）にわたって平均された潜在特徴ベクトルである：

和の潜在行列Ｕ^ｆ _ｔ、Ｖ^ｆ _ｔの場合、ｘ（Ｊ）は一般特徴ベクトルｘ_ｇと、Ｕ^ｆ _ｔ及びＶ^ｆ _ｔから取得された２つの潜在要素とからｘ（Ｊ）＝｛ｘ_ｇ，ｘ^ｆ _ｂ，ｘ^ｆ _ａ｝のように構成される。

評価
一実験では、２０１２年の３か月の期間中にフランス国ナンシー市内で収集された５２４万の乗客の旅程が処理された。ナンシー公共交通機関システムは、８９の異なるルートに沿って走行し合計１１２９の停車場によって構成される、２７のバス及びトラムのスケジュールベースのサービスを提供する。実験においては、仕事日のデータのみが使用され、週末及び休日のデータは全て除外された。

実際の旅路からユーザ嗜好を学習することの効果を評価するために、２４０の最も頻繁な出発地−到着地の対が選択された（図４Ａ〜図４Ｃを参照）。選択された旅路に関するいくつかの全体統計が図１０において報告されている。

数行列の時系列を生成する２つのケースが考慮された。主に考慮されたのは、任意の行列が１時間の間の数を含むＴ＝２４のケースである。その他に、Ｔ＝４８となる３０分のケースが試験的に考慮された。行列の系列が生成されたら、任意の行列はトレーニングデータのための７０％と試験のための残りの３０％とに無作為に分割された。以下の全ての結果は、１０回の独立した実行にわたる平均及び分散である。

実験の間、ｈｔｔｐ／／ｗｗｗ．ｒｅｓｅａｕ−ｓｔａｎ．ｃｏｍにおいて入手可能なナンシー市についての上位の旅程／旅路推奨を取り出すためのＷｅｂインタフェースが使用された。ランク付け関数が、収集されたデータに対するアルゴリズム１に従って学習され、その後、上記でより詳細に説明した様々な異なるオプションを使用してナンシー公共交通機関システムについてのＷｅｂインタフェースからの旅路推奨を再ランク付けするために使用された。未加工数の因数分解（ｒａｗ ｃｏｕｎｔ ｆａｃｔｏｒｉｚａｔｉｏｎ）の効果を理解するために、いくつかのオプションが考慮された。第１に、時間的側面を無視するために行列は短縮された。第２に、サービス行列Ａ^Ｓ _ｔ及び変更行列Ａ^Ｃ _ｔは別個に考慮されるか、又は因数分解の前にそれらは合計されてＡ^ｆ _ｔ＝Ａ^Ｃ _ｔ＋Ａ^Ｓ _ｔとされた。第３に、因数分解が独立に行われるか又は連続した期間にわたる平滑化によって行われる場合の、時間的平滑化の効果が調べられた。最後に、因数分解のためのＫの様々な値が試験された。

ランク付け方法の結果を評価するために、情報検索において一般に使用される尺度である正規化減損累積利得（ＮＤＣＧ）が使用された。ランク付け方法を複数クラスの分類と比較することが期待されるため、上位１個の推奨の誤り率である完全なランク付けのＮＤＣＧスコア１が選択された。

図１１では、Ｔの２つの値について、１２の異なる方法についての評価結果が報告され、旅路プランナのベースラインと比較されている。μ及びλの最適な値は交差検証によって決定された。これらの結果の分析によりいくつかの興味深い洞察が提供される。第１に、Ｔ＝２４とＴ＝４８のケースで結果は近接している。第２に、短縮された行列はベースラインをある程度向上させるが、時間的ユーザ嗜好を考慮に入れることのみが性能を真に強化する。第３に、変更の潜在変数は、サービスの潜在変数より際立っているように見える。代わりに合計数を使用した場合の性能は、サービス及び変更の変数を別個に保った場合の性能より劣っている。これはサービス嗜好と変更嗜好との異質性（ｈｅｔｅｒｏｇｅｎｅｉｔｙ）によって説明できる。

図１２は、独立及び平滑化の予測対潜在変数の数を示す。すなわち図１２は、潜在変数の数Ｋが２〜３０に変化した場合の、Ｔ＝２４についての３つの独立方法及び３つの平滑化方法の性能を示す。驚くべきことに、すでにＫ＝２において十分に良好な性能が発揮されており、従って数行列の疎性が示されている。

図１３は、本願の例示的実施形態による、個々の旅路１１１についての潜在特徴抽出、及びランク付け関数１９０の学習のプロセスの機能ブロック図を示す。図１３に示すように、旅路１１１の組から、サービス及び変更数１９６に対応する行列が抽出される。次に、上述の平滑化動的非負行列因数分解が、抽出された行列に適用される。平滑化抽出された行列から、動的潜在変数１９４が推論される。動的潜在変数１９４は、図１３ではサービス潜在嗜好及び変更潜在嗜好として示されている。その後、これらの動的潜在変数１９４についての特徴ベクトルが生成される。図１３に示すように、特徴ベクトル及び対単位の嗜好１９２を使用してランク付け関数１９０が学習され、ランク付け関数１９０は、旅程／旅路プランナ１５８へのクエリの結果を再ランク付けして旅行者の嗜好に基づく実世界のランク付けを表すために適用されるものである。

図５及び図１３に示した方法は、コンピュータ上で実行可能なコンピュータプログラム製品において実施されてもよい。コンピュータプログラム製品は、ディスク、ハードドライブなどの、制御プログラムがその上に記録（記憶）される非一時的コンピュータ読み取り可能記録媒体を含んでもよい。非一時的コンピュータ読み取り可能媒体の一般的な形態としては、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ又は任意のその他の磁気記憶媒体、ＣＤ−ＲＯＭ、ＤＶＤ又は任意のその他の光媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ又はその他のメモリチップ又はカートリッジ、あるいはコンピュータが読み取り及び使用可能な任意のその他の有形媒体が含まれる。

あるいは方法は、電波及び赤外線データ通信などの間に生成されるものなどの、音波又は光波などの伝送媒体を使用したデータ信号として制御プログラムがその中で実施される、伝送可能な搬送波などの一時的媒体において実装されてもよい。

例示的方法は、１つ以上の汎用コンピュータ、専用コンピュータ（１つ又は複数）、プログラムされたマイクロプロセッサ又はマイクロコントローラ及び周辺集積回路素子、ＡＳＩＣ又はその他の集積回路、デジタル信号プロセッサ、個別素子回路などのハードワイヤード電子回路又は論理回路、ＰＬＤ、ＰＬＡ、ＦＰＧＡ、グラフィックカードＣＰＵ（ＧＰＵ）、又はＰＡＬなどのプログラム可能論理デバイスなどにおいて実装されてもよい。一般に、図５及び図１３に示されたフローチャートを実装可能な有限状態機械を実装できる任意の装置が、交通機関ネットワークをクラウドソーシングする方法を実装するために使用されてもよい。

Claims (10)

1. 関連する交通機関ネットワーク上の旅路のリストを生成するためのコンピュータ実装方法であって、前記リストは乗客嗜好の時間依存モデリングに従ってランク付けされる、コンピュータ実装方法であって、
   関連するユーザから旅路要求を受信することであって、前記旅路要求は前記関連する交通機関ネットワーク上での出発地と到着地と出発時刻とを含む、ことと、
   関連するデータベースから、受信された前記旅路要求に対応する実際の旅路の組を取り出すことであって、前記実際の旅路の組はそれぞれが、受信された前記旅路要求に対応する共通の出発地と到着地と出発時刻とを有する、ことと、
   取り出された前記実際の旅路の組について、前記関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と前記関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得することにより、乗客の潜在的な嗜好を前記実際の旅路の組から学習することと、
   取得された前記動的潜在変数の組に基づいて、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換することと、
   取り出された前記実際の旅路の組からサービス行列及び変更点行列の系列を抽出することと、
   前記抽出された行列の系列と前記旅路要求に関連する前記動的潜在変数の組とに従ってランク付け関数を生成することと、
   受信された前記旅路要求に対応する取り出された前記実際の旅路の組内の各旅路に前記ランク付け関数を適用してそれらのランク付けを決定することと、
   関連する旅程プランナから受信された出発地と到着地と時刻とに対応する旅路のリストをランク付けすることと
   を含むコンピュータ実装方法。
2. 前記ネットワーク上の乗客の嗜好を示す適用されたランク付け関数に従って旅路を識別することを、識別される旅路が、前記関連する旅程プランナから受信された旅路の前記リスト内に含まれていないことに関係なく行うことを更に含む、請求項１に記載のコンピュータ実装方法。
3. 前記ランク付け関数を生成する前に、前記コンピュータ実装方法は、前記抽出された行列の系列に動的平滑化非負行列因数分解を適用することを更に含み、前記ランク付け関数は平滑化された前記抽出された行列の系列に従って生成される、請求項２に記載のコンピュータ実装方法。
4. 取り出された前記実際の旅路の組内の各旅路についての特徴ベクトルを生成することを更に含み、各特徴ベクトルは、旅程と、ユーザクエリであってそれに対して前記旅程が応答されるユーザクエリとの関数として定義される、請求項３に記載のコンピュータ実装方法。
5. 関連する交通機関ネットワーク上の旅路のリストを生成するためのシステムであって、前記リストは乗客嗜好の時間依存モデリングに従ってランク付けされ、前記システムは、
   旅程プランニングエンジンを含む旅程プランナであって、関連するユーザから旅路要求を受信し、前記旅路要求は前記関連する交通機関ネットワーク上での出発地と到着地と出発時刻とを含み、それに応答して前記関連する交通機関ネットワーク上の旅路のリストを返すように構成された、前記旅程プランニングエンジンを含む前記旅程プランナと、
   ランク付け関数に従って旅路の前記リストをランク付けするように構成された再ランク付け要素と、
   メモリであって、
   関連するデータベースから、受信された旅路要求に対応する実際の旅路の組を取り出すための命令であって、前記実際の旅路の組はそれぞれが、受信された前記旅路要求に対応する共通の出発地と到着地と出発時刻とを有する、命令と、
   取り出された前記実際の旅路の組について、前記関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と前記関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得するにより、乗客の潜在的な嗜好を前記実際の旅路の組から学習するための命令と、
   取得された前記動的潜在変数の組に基づいて、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換するための命令と、
   取り出された前記実際の旅路の組からサービス行列及び変更点行列の系列を抽出するための命令と、
   前記抽出された行列の系列と前記旅路要求に関連する前記動的潜在変数の組とに従ってランク付け関数を生成するための命令と、
   受信された前記旅路要求に対応する取り出された前記実際の旅路の組内の各旅路に前記ランク付け関数を適用してそれらのランク付けを決定するための命令と、
   関連する旅程プランナから受信された出発地と到着地と時刻とに対応する旅路の前記リストをランク付けするための命令と
   を含む、メモリと、
   前記メモリと動作可能に通信するプロセッサであって、前記命令を実行し、前記旅程プランナと前記再ランク付け要素とを実装するプロセッサと
   を備えるシステム。
6. 前記ネットワーク上の乗客の嗜好を示す適用されたランク付け関数に従って旅路を識別することを、識別される旅路が、前記関連する旅程プランナから受信された旅路の前記リスト内に含まれていないことに関係なく行うための命令を更に含む、請求項５に記載のシステム。
7. 前記ランク付け関数を生成する前に、前記命令は、前記抽出された行列の系列に動的平滑化非負行列因数分解を適用することを更に含み、前記ランク付け関数は平滑化された前記抽出された行列の系列に従って生成される、請求項６に記載のシステム。
8. 関連する交通機関ネットワーク上の旅路のリストを生成するためのコンピュータ実装方法であって、前記リストは乗客嗜好の時間依存モデリングに従ってランク付けされる、コンピュータ実装方法であって、
   受信された旅路要求に応答して関連するデータベースから取り出された実際の旅路の組について、サービス行列及び変更点行列の系列を抽出することと、
   前記抽出された行列の系列に動的平滑化非負行列因数分解を適用することと、
   取り出された前記実際の旅路の組から、前記関連する交通機関ネットワーク上のサービスに関する乗客嗜好を表す少なくとも１つの組と前記関連する交通機関ネットワーク上の変更点に関する乗客嗜好を表す少なくとも１つの組とを含む動的潜在変数の組を取得することにより、乗客の潜在的な嗜好を前記実際の旅路の組から学習することと、
   前記抽出された行列の系列から、取り出された前記実際の旅路の組内の各旅路についての特徴ベクトルを生成することであって、各特徴ベクトルは、旅路と、ユーザクエリであってそれに対して前記旅路が応答されるユーザクエリとの関数として定義される、ことと、
   取得された前記動的潜在変数の組に基づいて、各取り出された実際の旅路を、各実際の旅路上の対応する乗客の暗黙的選択を表す対単位の嗜好の組に変換することと、
   前記旅路要求に関連する平滑化された前記抽出された行列の系列から生成された前記特徴ベクトルに従ってランク付け関数を学習することと
   を含むコンピュータ実装方法。
9. 前記旅路要求に応答した関連する旅程プランナから旅路のリストを受信することと、
   受信された前記旅路要求に対応する旅路の前記リスト内の各旅路に前記ランク付け関数を適用してそれらのランク付けを決定することと、
   前記ランク付け関数の適用に応答して旅路のリストを再ランク付けすることと
   を更に含む、請求項８に記載のコンピュータ実装方法。
10. 前記実際の旅路の組内の各旅路（Ｊ）についての前記特徴ベクトルｘを生成することは、前記旅路（Ｊ）をサービスレッグ（Ｓ）と変更（Ｃ）とに分解してＪ＝（Ｓ，Ｃ）とすることを更に含み、前記特徴ベクトルｘ（Ｊ）は一般特徴ベクトルｘ_ｇと４つの潜在要素｛ｘ^Ｓ _ｂ，ｘ^Ｓ _ａ，ｘ^Ｃ _ｂ，ｘ^Ｃ _ａ｝とを含み、前記特徴ベクトルｘ（Ｊ）＝｛ｘ_ｇ，ｘ^Ｓ _ｂ，ｘ^Ｓ _ａ，ｘ^Ｃ _ｂ，ｘ^Ｃ _ａ｝である、請求項９に記載のコンピュータ実装方法。