JP7087147B1 - 推定システム、推定方法、及びプログラム - Google Patents

Abstract

【課題】場所の属性を精度よく推定する。【解決手段】推定システム（Ｓ）の位置情報取得手段（１０５）は、属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する。位置関係取得手段（１０６）は、推定対象場所の位置と、位置情報が示す位置と、の位置関係を取得する。属性推定手段（１０７）は、位置関係に基づいて、推定対象場所の属性を推定する。【選択図】図１４

Description

本開示は、推定システム、推定方法、及びプログラムに関する。

従来、種々の目的で、ユーザが訪れる場所に属性が関連付けられることがある。例えば、特許文献１には、場所の一例である店舗の店舗識別子と、属性の一例である店舗ジャンルと、が関連付けられたジャンル情報群を予め用意しておき、ユーザが利用した店舗の店舗識別子に関連付けられた店舗ジャンルに基づいて、ユーザの消費タイプを推定する技術が記載されている。

特開２０１８－１０１３７５号公報

しかしながら、特許文献１のジャンル情報群は、予め指定された静的な店舗ジャンルにすぎないので、個々の店舗が実際にどのように使われているのかを示す動的な店舗ジャンルではない。即ち、特許文献１における店舗ジャンルは、管理者によって定められた大まかな属性にすぎず、個々の店舗が利用されている実情が反映された精度の高い属性とはいえなかった。

本開示の目的の１つは、場所の属性を精度よく推定することである。

本開示に係る推定システムは、属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する位置情報取得手段と、前記推定対象場所の位置と、前記位置情報が示す位置と、の位置関係を取得する位置関係取得手段と、前記位置関係に基づいて、前記推定対象場所の前記属性を推定する属性推定手段と、を含む。

本開示によれば、場所の属性を精度よく推定できる。

推定システムの全体構成の一例を示す図である。 ユーザが通信サービスを利用する様子の一例を示す図である。 ベテランユーザが初心者ユーザだった頃に訪れた場所のばらつき具合が小さい場合の一例を示す図である。 ベテランユーザが初心者ユーザだった頃に訪れた場所のばらつき具合が大きい場合の一例を示す図である。 第１実施形態における学習モデルの概要を示す図である。 第１実施形態の推定システムで実現される機能の一例を示す機能ブロック図である。 ユーザデータベースのデータ格納例を示す図である。 場所データベースのデータ格納例を示す図である。 訓練データベースのデータ格納例を示す図である。 情報データベースのデータ格納例を示す図である。 学習処理の一例を示すフロー図である。 推定処理の一例を示すフロー図である。 第２実施形態の概要を示す図である。 第２実施形態の推定システムで実現される機能の一例を示す機能ブロック図である。 第２実施形態における場所データベースのデータ格納例を示す図である。 属性定義データのデータ格納例を示す図である。 第２実施形態の推定システムで実行される処理の一例を示すフロー図である。 変形例における機能ブロック図である。 変形例（２－１）における属性定義データのデータ格納例を示す図である。 変形例（２－２）における属性定義データのデータ格納例を示す図である。 変形例（２－３）における属性定義データのデータ格納例を示す図である。

［１．第１実施形態］
以降、本開示に係る推定システムの実施形態の一例である第１実施形態を説明する。第１実施形態では、通信サービスのユーザが将来に訪れそうな場所の中心地を推定する推定システムを例に挙げる。推定システムは、他の任意のサービスに適用可能である。他のサービスへの適用例は、後述の変形例で説明する。

［１－１．推定システムの全体構成］
図１は、推定システムの全体構成の一例を示す図である。図１に示すように、推定システムＳは、サーバ１０、無線通信装置２０、及びユーザ端末３０を含む。サーバ１０、無線通信装置２０、及びユーザ端末３０の各々は、インターネット等のネットワークＮに接続可能である。推定システムＳは、少なくとも１つのコンピュータを含めばよく、図１の例に限られない。

サーバ１０は、サーバコンピュータである。サーバ１０は、制御部１１、記憶部１２、及び通信部１３を含む。制御部１１は、少なくとも１つのプロセッサを含む。記憶部１２は、ＲＡＭ等の揮発性メモリと、ハードディスク等の不揮発性メモリと、を含む。通信部１３は、有線通信用の通信インタフェースと、無線通信用の通信インタフェースと、の少なくとも一方を含む。

無線通信装置２０は、無線通信が可能な装置である。例えば、無線通信装置２０は、Ｗｉ－Ｆｉ（登録商標）等の無線ＬＡＮのアクセスポイント、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の通信規格に対応したアクセスポイント、又は携帯電話の基地局である。無線通信装置２０自体は、公知の種々の通信規格に応じた装置を適用可能である。無線通信装置２０は、任意の場所に配置される。

ユーザ端末３０は、ユーザが操作するコンピュータである。例えば、ユーザ端末３０は、スマートフォン、タブレット端末、ウェアラブル端末、又はパーソナルコンピュータである。ユーザ端末３０は、制御部３１、記憶部３２、通信部３３、操作部３４、表示部３５、ＧＰＳ受信部３６、及びＩＣチップ３７を含む。制御部３１、記憶部３２、及び通信部３３の物理的構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様である。

操作部３４は、タッチパネル等の入力デバイスである。表示部３５は、液晶ディスプレイ又は有機ＥＬディスプレイである。ＧＰＳ受信部３６は、衛星からの信号を受信する受信機を含む。ＧＰＳ受信部３６は、現在位置又は現在日時の取得に利用される。ＩＣチップ３７は、任意の規格のチップであってよく、例えば、ＦｅｌｉＣａ（登録商標）のチップ、又は、非接触型規格におけるいわゆるＴｙｐｅＡ若しくはＴｙｐｅＢのチップである。

なお、サーバ１０、無線通信装置２０、及びユーザ端末３０の各々に記憶されるプログラム及びデータの少なくとも一方は、ネットワークＮを介して供給されてもよい。また、サーバ１０、無線通信装置２０、及びユーザ端末３０の各々に、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、光ディスクドライブやメモリカードスロット）と、外部機器とデータの入出力をするための入出力部（例えば、ＵＳＢポート）と、の少なくとも一方が含まれてもよい。例えば、情報記憶媒体に記憶されたプログラム及びデータの少なくとも一方が、読取部及び入出力部の少なくとも一方を介して供給されてもよい。

［１－２．第１実施形態の概要］
ユーザは、通信サービスの利用を開始するために、ユーザ端末３０を操作して、所定の利用登録を行う。ユーザの利用登録が完了すると、そのユーザを一意に識別可能なユーザＩＤが発行される。例えば、ユーザＩＤは、ユーザ端末３０に記録される。ユーザＩＤが発行されると、ユーザは、通信サービスを利用できるようになる。

図２は、ユーザが通信サービスを利用する様子の一例を示す図である。第１実施形態では、無線通信装置２０が、無線ＬＡＮのアクセスポイントである場合を例に挙げる。図２に示すように、ユーザは、ユーザ端末３０の無線通信機能をオンにして、ある無線通信装置２０の電波が届く範囲である通信可能範囲Ｒに移動すると、その無線通信装置２０にユーザ端末３０を接続し、通信サービスを利用できる。

例えば、ユーザが、通信可能範囲Ｒに移動してユーザ端末３０のブラウザを立ち上げると、認証のために、ユーザＩＤの入力が要求される。ユーザが操作部３４からユーザＩＤを入力すると、ユーザ端末３０は、無線通信装置２０に対し、当該入力されたユーザＩＤを送信する。ユーザがユーザＩＤを入力するのではなく、ユーザ端末３０に記憶されたユーザＩＤが無線通信装置２０に送信されてもよい。

無線通信装置２０は、サーバ１０に対し、自身を一意に識別可能な装置ＩＤと、ユーザ端末３０から受信したユーザＩＤと、を送信する。装置ＩＤは、無線通信装置２０内の記憶部に記憶されているものとする。サーバ１０は、装置ＩＤ及びユーザＩＤによって、どのユーザがどの無線通信装置２０の通信可能範囲Ｒにいるかを特定できる。

サーバ１０は、無線通信装置２０から装置ＩＤ及びユーザＩＤを受信すると、ユーザＩＤの正当性を確認する。サーバ１０は、ユーザＩＤの正当性を確認すると、通信サービスの利用を許可する。以降、ユーザは、無線通信装置２０にユーザ端末３０を接続して通信サービスを利用できる。

無線通信装置２０は、種々の場所に配置されており、ユーザは、任意の場所の無線通信装置２０を利用できる。例えば、無線通信装置２０は、店舗、駅、空港、イベント会場、宿泊施設、公共施設、観光施設、競技場、又はオフィスビルといった場所に配置され、ユーザは、自身が移動した場所に配置された無線通信装置２０に接続し、通信サービスを利用できる。

推定システムＳは、ユーザによる通信サービスの利用実績に基づいて、ユーザがよく訪れる複数の場所の中心地を取得し、その中心地に基づく情報、例えば、中心地周辺にある場所に関する情報を提供する。この中心地は、ユーザの興味がありそうな場所ということができる。中心地には、何らかの施設が存在することもあるし、特に施設が存在しない地点のこともある。

ユーザの中心地に基づいて提供される情報は、任意の情報であってよく、例えば、中心地周辺の店舗に関する情報、その店舗で利用可能な特典、又は中心地周辺におけるイベントに関する情報である。推定システムＳは、ユーザ端末３０の現在位置をリアルタイムに取得して、現在位置に基づく情報を提供することもできるが、中心地を取得できれば、より早い段階で中心地に基づく有用な情報を提供できる。

例えば、ユーザが、通信サービスを長期かつ頻繁に利用しているベテランユーザであれば、十分な利用実績が存在する。このため、推定システムＳは、ベテランユーザについては、過去の利用実績から中心地を計算すれば、高い精度の中心地を取得可能である。一方、ユーザが、通信サービスを利用し始めたばかりの初心者ユーザの場合には、十分な利用実績が存在しない。このため、推定システムＳは、初心者ユーザについては、過去の利用実績から中心地を計算しても、あまり高い精度の中心地を取得できないことがある。

そこで、推定システムＳは、ベテランユーザの傾向を学習させた学習モデルを利用して、初心者ユーザが将来に訪れそうな複数の場所の中心地を推定することによって、初心者ユーザであったとしても、高い精度の中心地を取得できるようになっている。発明者の極秘かつ独自の研究によれば、ベテランユーザの傾向として、ベテランユーザが初心者ユーザだった頃に訪れた複数の場所の中心地及びそこから個々の場所までの距離のばらつき具合と、ベテランユーザが十分な利用実績を積んだ後の中心地と、の間に相関関係があることが確認された。

図３は、ベテランユーザが初心者ユーザだった頃に訪れた場所のばらつき具合が小さい場合の一例を示す図である。図３では、通信サービスの提供エリアのマップＭの上に、ベテランユーザが接続した無線通信装置２０の場所がプロットされている。なお、図３では、マップＭ上の道路や建物等を省略している。また、図３では、ベテランユーザが初心者ユーザだった頃の中心地を「Ｃ１」の符号で示し、そのベテランユーザが十分な利用実績を積んだ後の中心地を「Ｃ２」の符号で示す。

図３のベテランユーザについては、初心者ユーザだった頃に訪れた複数の場所の中心地Ｃ１と、個々の場所の位置と、の距離のばらつき具合は小さい。即ち、ベテランユーザが初心者ユーザだった頃に訪れた複数の場所は、互いに密集している。図３に示すように、このようなベテランユーザについては、初心者ユーザだった頃の中心地Ｃ１と、十分な利用実績を積んだ後の中心地Ｃ２と、があまりずれない傾向にあることが、発明者の極秘かつ独自の研究によって確認された。

第１実施形態の学習モデルには、図３のようなベテランユーザの傾向が学習されている。このため、初心者ユーザが現時点までに訪れた複数の場所の中心地と、個々の場所の位置と、の距離のばらつき具合が小さければ、その初心者ユーザの将来の中心地は、現時点の中心地からさほど離れていない位置になるように推定される。第１実施形態の学習モデルには、ベテランユーザの利用回数、年齢、又は居住地といった他の要素も学習されているが、上記のばらつき具合が小さければ、学習モデルが、他の要素よりも現時点の中心地を重視するようになっている。

図４は、ベテランユーザが初心者ユーザだった頃に訪れた場所のばらつき具合が大きい場合の一例を示す図である。図４では、ベテランユーザが初心者ユーザだった頃の中心地を「Ｃ３」の符号で示し、そのベテランユーザが十分な利用実績を積んだ後の中心地を「Ｃ４」の符号で示す。

図４のベテランユーザについては、初心者ユーザだった頃に訪れた複数の場所の中心地Ｃ３と、個々の場所の位置と、の距離のばらつき具合は大きい。即ち、ベテランユーザが初心者ユーザだった頃に訪れた複数の場所は、互いに散らばっている。例えば、中心地Ｃ３は、ベテランユーザがたまたま訪れた遠隔地や普段の生活圏ではない場所の位置の影響を受けている。このようなベテランユーザについては、初心者ユーザだった頃の中心地Ｃ３と、十分な利用実績を積んだ後の中心地Ｃ４と、が大きくずれる傾向にあることが、発明者の極秘かつ独自の研究によって確認された。

第１実施形態の学習モデルには、図４のようなベテランユーザの傾向も学習されている。このため、初心者ユーザが現時点までに訪れた複数の場所の中心地と、個々の場所の位置と、の距離のばらつき具合が大きければ、その初心者ユーザの将来の中心地は、現時点の中心地からある程度離れた位置になるように推定される。上記のばらつき具合が小さければ、学習モデルが、現時点の中心地よりも、利用回数、年齢、又は居住地といった他の要素を重視するようになっている。

図５は、第１実施形態における学習モデルの概要を示す図である。図５に示すように、学習モデルＭ１には、ベテランユーザの利用実績に基づいて作成された訓練データが学習されている。訓練データの入力部分は、学習モデルＭ１に対する実際の入力と同じ形式であり、訓練データの出力部分は、学習モデルＭ１からの実際の出力と同じ形式である。訓練データの入力部分は、ベテランユーザが初心者ユーザだった頃の利用実績に基づいて作成されている。

第１実施形態では、あるユーザが昼に訪れる場所と、そのユーザが夜に訪れる場所と、が大きく異なることがあるので、昼の中心地と夜の中心地が別々の学習モデルＭ１で推定される場合を説明する。図５では、昼用の学習モデルＭ１が示されているが、夜用の学習モデルＭ１も入力部分が夜の情報になるだけであり、基本的な仕組みは同様である。

図５に示すように、訓練データには、入力部分として、ベテランユーザが初心者ユーザだった頃の「昼の中心地」、「昼のばらつき具合」、「昼の利用回数」、「全体の中心地」、「全体のばらつき具合」、「全体の利用回数」、「ユーザ属性」、及び「場所属性」が含まれる。ばらつき具合とは、上述したように、複数の場所の中心地と、個々の場所の位置と、の距離のばらつき具合である。全体とは、昼と夜を合わせた１日全体の期間である。この入力部分は、ベテランユーザが初心者ユーザだった頃の特徴を示す情報である。

ユーザ属性は、ユーザを分類するための属性である。ユーザ属性は、何らかの形でユーザを分類可能なものであればよく、例えば、年齢、居住地、性別、職業、年収、又はこれらの組み合わせである。ユーザ属性は、デモグラフィック情報と呼ばれることもある。ユーザ属性は、本実施形態の例に限られず、ユーザを何らか分類可能なものであればよい。ユーザ属性は、ユーザの性質、種類、カテゴリ、又はジャンルということもできる。

場所属性は、場所を分類するための属性である。場所属性は、何らかの形で場所を分類可能な情報であればよく、例えば、その場所で提供される商品又はサービスの種類（業種）、その場所にある建物、その場所が属するエリア、その場所へのアクセス、又はこれらの組み合わせである。場所属性は、本実施形態の例に限られず、場所を何らか分類可能なものであればよい。場所属性は、場所の性質、種類、カテゴリ、又はジャンルということもできる。第１実施形態では、訓練データには、ベテランユーザが最も訪れた場所の場所属性が含まれるものとする。

図５に示すように、訓練データには、出力部分として、ベテランユーザが十分な利用実績を積んだ後の中心地が含まれる。この中心地は、正解となる中心地である。この中心地は、全ての期間における利用実績から計算された中心地であってもよいし、現時点を含む一部の期間における利用実績から計算された中心地であってもよい。

図５に示すように、初心者ユーザの将来の中心地を推定するために、この初心者ユーザの「昼の中心地」、「昼のばらつき具合」、「昼の利用回数」、「全体の中心地」、「全体のばらつき具合」、「全体の利用回数」、「ユーザ属性」、及び「場所属性」が学習モデルＭ１に入力される。学習モデルＭ１に対する入力は、初心者ユーザの特徴を示す情報である。学習モデルＭ１は、この入力に基づいて、初心者ユーザの将来の中心地を出力する。

以上のように、推定システムＳは、ベテランユーザが初心者ユーザだった頃に訪れた場所の中心地及びそこからの距離のばらつき具合と、ベテランユーザが十分な利用実績を積んだ後の中心地と、の関係が学習された学習モデルＭ１を利用して、初心者ユーザが将来に訪れそうな場所に関する推定の精度を高めるようにしている。以降、この技術の詳細を説明する。

［１－３．第１実施形態の推定システムで実現される機能］
図６は、第１実施形態の推定システムＳで実現される機能の一例を示す機能ブロック図である。第１実施形態では、主な機能がサーバ１０で実現される場合を説明する。図６に示すように、サーバ１０では、データ記憶部１００、学習部１０１、第１取得部１０２、将来推定部１０３、及び第１提供部１０４が実現される。データ記憶部１００は、記憶部１２を主として実現される。他の各機能は、制御部１１を主として実現される。

[データ記憶部]
データ記憶部１００は、初心者ユーザの将来の中心地を推定するために必要なデータを記憶する。例えば、データ記憶部１００は、ユーザデータベースＤＢ１、場所データベースＤＢ２、訓練データベースＤＢ３、情報データベースＤＢ４、及び学習モデルＭ１を記憶する。

図７は、ユーザデータベースＤＢ１のデータ格納例を示す図である。図７に示すように、ユーザデータベースＤＢ１は、複数のユーザの各々に関する情報が格納されたデータベースである。例えば、ユーザデータベースＤＢ１には、ユーザＩＤ、氏名、履歴情報、ユーザ属性、及び中心地が格納される。あるユーザが利用登録を完了すると、ユーザデータベースＤＢ１に新たなレコードが作成され、そのユーザに関する情報が格納される。ユーザデータベースＤＢ１には、ユーザが利用登録した日時が格納されてもよい。

履歴情報は、通信サービスの利用実績に関する情報である。履歴情報は、個々のユーザが、いつ、どの場所を訪れて通信サービスを利用したかを示す。例えば、履歴情報には、個々のユーザが訪れた場所の位置、その場所の場所属性、及びそのユーザがその場所を訪れた日時が含まれる。履歴情報は、他の情報を含んでもよく、例えば、決済が発生する場所であれば決済金額を含んでもよいし、ユーザの滞在時間やその場所で購入された商品といった他の情報を含んでもよい。ユーザの履歴情報が多いことは、そのユーザの利用実績が多いことを意味する。

ユーザが訪れた場所の位置は、その場所の緯度経度、座標、又は住所によって示される。第１実施形態では、ユーザが無線通信装置２０の通信可能範囲Ｒに移動して通信サービスを利用するので、無線通信装置２０が配置された場所は、ユーザが訪れた場所に相当する。このため、第１実施形態で無線通信装置２０が配置された場所について説明している箇所は、ユーザが訪れた場所と読み替えることができる。履歴情報に含まれる個々の場所の位置は、ユーザがその場所を訪れた時に、ユーザ端末３０の通信部３３又はＧＰＳ受信部３６によって検出された現在位置であってもよい。

第１実施形態では、あるユーザが、ある無線通信装置２０の通信可能範囲Ｒに移動して通信サービスを利用すると、サーバ１０は、その無線通信装置２０が配置された場所の位置、その場所の場所属性、及びその時の日時を含む履歴情報を作成し、そのユーザに対応するレコードに格納する。無線通信装置２０が配置された場所の位置と、その場所の場所属性と、は場所データベースＤＢ２に格納されている。

例えば、ユーザが、あるコンビニエンスストアに配置された無線通信装置２０にユーザ端末３０を接続した場合、そのコンビニエンスストアの位置、「コンビニエンスストア」を示す場所属性、及びその時の日時が履歴情報に含まれる。また例えば、ユーザが、ある駅に配置された無線通信装置２０にユーザ端末３０を接続した場合、その駅の位置、「駅」を示す場所属性、及びその時の日時が履歴情報に含まれる。

ユーザデータベースＤＢ１に格納されるユーザ属性は、利用登録時に入力されてもよいし、履歴情報に基づいて動的に決定されてもよい。例えば、ユーザの年齢や居住地といった静的なユーザ属性であれば、利用登録時に入力される。また例えば、ユーザの嗜好や行動パターンといったユーザ属性であれば、履歴情報に基づいて動的に決定される。また例えば、ユーザの現在位置、ユーザ端末３０のＩＰアドレス、及びユーザの過去の決済金額等がユーザ属性として格納されていてもよい。

ユーザデータベースＤＢ１に格納される中心地は、学習モデルＭ１を利用して推定された中心地、又は、履歴情報に基づいて計算された中心地である。初心者ユーザのレコードには、学習モデルＭ１を利用して推定された中心地が格納される。ベテランユーザのレコードには、履歴情報に基づいて計算された中心地が格納される。朝・昼・夜といった時間帯ごとの中心地が格納されてもよいし、曜日・平日・祝日といった日ごとの中心地が格納されてもよい。他にも例えば、場所属性ごとの中心地が格納されてもよい。

図８は、場所データベースＤＢ２のデータ格納例を示す図である。図８に示すように、場所データベースＤＢ２は、複数の場所の各々に関する情報が格納されたデータベースである。例えば、場所データベースＤＢ２には、個々の無線通信装置２０の装置ＩＤ、無線通信装置２０が配置された場所の位置、及びその場所の場所属性が格納される。場所データベースＤＢ２の内容は、推定システムＳの管理者によって指定される。

図９は、訓練データベースＤＢ３のデータ格納例を示す図である。図９に示すように、訓練データベースＤＢ３は、学習モデルＭ１に学習させる訓練データが格納されたデータベースである。第１実施形態では、学習モデルＭ１に対する入力と、正解となる出力と、のペアを訓練データ（教師データ）と記載する。訓練データベースＤＢ３には、このペアの集まりが格納される。訓練データの詳細は、図５で説明した通りである。第１実施形態では、訓練データが学習部１０１によって作成される場合を説明するが、管理者が手動で訓練データを作成してもよい。

図１０は、情報データベースＤＢ４のデータ格納例を示す図である。図１０に示すように、情報データベースＤＢ４は、複数のユーザの各々に提供される情報が格納されたデータベースである。例えば、情報データベースには、複数の場所の各々の位置と、その場所に関する情報と、が格納される。この場所は、無線通信装置２０が配置された場所であってもよいし、特に無線通信装置２０が配置されていない場所であってもよい。例えば、通信サービスと提携する他のサービスが提供される場所に関する情報が、情報データベースＤＢ４に格納されていてもよい。

データ記憶部１００は、学習済みの学習モデルＭ１のプログラム及びパラメータを記憶する。学習モデルＭ１は、教師有り機械学習を利用したモデルであり、人工知能と呼ばれることもある。機械学習自体は、種々の手法を利用可能であり、例えば、畳み込みニューラルネットワーク、又は、再帰型ニューラルネットワークを利用可能である。広い意味では、深層学習又は強化学習も機械学習に分類されるが、学習モデルＭ１は、深層学習又は強化学習を利用して作成されたモデルであってもよい。

第１実施形態のデータ記憶部１００は、あるベテランユーザが過去に訪れた場所である第１場所の位置に基づく第１位置情報と、そのベテランユーザが第１場所よりも後に訪れた場所である第２場所の位置に基づく第２位置情報と、の関係が学習された学習モデルＭ１を記憶する。ベテランユーザは、第１場所及び第２場所の各々を訪れて通信サービスを利用する。

ベテランユーザは、第１ユーザの一例である。このため、ベテランユーザと記載した箇所は、第１ユーザと読み替えることができる。第１ユーザは、訓練データを作成するためのユーザである。第１ユーザは、正解となる結果が分かっているユーザである。第１実施形態では、第１ユーザは、後述する第２ユーザよりも利用実績が多いユーザである場合を説明する。第１ユーザは、第２ユーザと異なるユーザであればよく、例えば、第２ユーザと同程度の利用実績があるユーザ、又は、第２ユーザよりも利用実績が少ないユーザであってもよい。

第１場所は、ベテランユーザが過去の一部の期間に訪れた場所である。この期間は、現時点を含まない期間である。第１実施形態では、第１場所は、第１ユーザがサービスの利用を開始した直後の第１期間に訪れた場所である。例えば、ベテランユーザが初心者ユーザだった頃の期間は、第１期間に相当する。第１期間は、ベテランユーザが初心者ユーザだった頃のような期間ではなくてもよく、ある程度の利用実績を積んだ期間の一部を含んでもよい。

なお、第１期間は、固定の長さであってもよいし、ベテランユーザに応じた長さであってもよい。例えば、ベテランユーザが利用登録をした時点から一定時間だけ後までの期間、又は、ベテランユーザが利用登録をした時点から利用回数が所定回数になるまでの期間は、第１期間に相当する。第１期間は、任意の長さであってよく、例えば、１日～数か月程度の期間であってもよいし、利用回数が３回～１０回程度になるまでの期間であってもよい。第１実施形態における「ベテランユーザが初心者ユーザだった頃」は、この期間を意味する。

第１位置情報は、第１場所の位置に基づいて取得される情報である。第１実施形態では、第１位置情報が、複数の第１場所の各々の位置に基づいて取得される情報である場合を説明するが、ある１つの第１場所の位置だけに基づいて取得される情報であってもよい。第１位置情報は、あるピンポイントの位置を示してもよいし、一定程度の広さを有する領域を示してもよい。第１位置情報は、何らかの位置を特定可能な情報であればよい。第１実施形態では、ベテランユーザが初心者ユーザだった頃の中心地は、第１位置情報に相当する。第１位置情報は、第１実施形態の例に限られず、例えば、ベテランユーザが初心者ユーザだった頃に訪れた複数の第１場所の各々の位置が第１位置情報に含まれてもよい。即ち、中心地を計算する際の元となる位置が第１位置情報に相当してもよい。

第２場所は、ベテランユーザが過去に訪れた場所のうち、第１場所よりも後に訪れた場所である。第１実施形態では、第２場所は、第１ユーザが第１期間よりも後の第２期間に訪れた場所である。第２期間は、現時点を含んでもよいし、ベテランユーザが直近に利用した過去の時点を含んでもよい。第２期間は、第１期間よりも現地点に近ければよい。第１実施形態では、ベテランユーザが初心者ユーザではなくなった後、即ち、十分な利用実績を積んだ後の期間が第２期間に相当する。

第２位置情報は、第２場所の位置に基づいて取得される情報である。第１実施形態では、第２位置情報が、複数の第２場所の各々の位置に基づいて取得される情報である場合を説明するが、ある１つの第２場所の位置に基づいて取得される情報であってもよい。第１実施形態では、第１場所の位置と第２場所の位置との両方に基づいて、第２位置情報が取得される場合を説明するが、第２場所の位置だけに基づいて、第２位置情報が取得されてもよい。第２位置情報は、あるピンポイントの位置を示してもよいし、一定程度の広さを有する領域を示してもよい。第２位置情報は、何らかの位置を特定可能な情報であればよい。第１実施形態では、ベテランユーザが初心者ユーザではなくなった後の中心地は、第２位置情報に相当する。第２位置情報は、第１実施形態の例に限られず、例えば、ベテランユーザが初心者ユーザではなくなった後に訪れた複数の第２場所の各々の位置が第２位置情報に含まれてもよい。即ち、中心地を計算する際の元となる位置が第２位置情報に相当してもよい。

なお、データ記憶部１００が記憶するデータは、上記の例に限られない。例えば、データ記憶部１００は、訓練データが学習される前の学習モデルＭ１と、訓練データの学習で必要なプログラムと、を記憶してもよい。

[学習部]
学習部１０１は、訓練データベースＤＢ３に格納された訓練データを学習モデルＭ１に学習させる。学習モデルＭ１の学習方法自体は、種々の手法を利用可能であり、例えば、勾配降下法又は誤差逆伝播法を利用可能である。先述したように、深層学習又は強化学習の手法が利用されてもよい。学習部１０１は、訓練データの入力部分が入力された場合に、訓練データの出力部分が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１位置情報は、ベテランユーザが過去に訪れた複数の第１場所に基づく中心地である第１中心地を含む。第２位置情報は、ベテランユーザが複数の第１場所よりも後に訪れた複数の第２場所に基づく中心地である第２中心地を含む。学習モデルＭ１には、あるベテランユーザの第１中心地と、そのベテランユーザの第２中心地と、の関係が学習されている。第１中心地は、学習モデルＭ１の内部で計算されてもよい。この場合、学習モデルＭ１には、第１中心地の計算に必要な個々の位置が入力されるようにすればよい。

学習部１０１は、ユーザデータベースＤＢ１に格納されたベテランユーザの履歴情報に基づいて、ベテランユーザが初心者ユーザだった頃に訪れた複数の第１場所を特定する。学習部１０１は、履歴情報に含まれる利用日時が第１期間に含まれる場所を、第１場所として特定する。学習部１０１は、当該特定された複数の第１場所の各々の位置の平均を計算し、第１中心地として取得する。

第１中心地は、複数の第１場所の各々の位置の単純平均であってもよいし、ベテランユーザが訪れた日時に応じた重み付け係数を利用した加重平均であってもよい。加重平均の場合には、現時点に近いほど重み付け係数が大きくなってもよい。第１中心地は、ある程度の広さを有する領域ごとに計算されてもよい。領域ごとに第１中心地が計算されることによって、ベテランユーザの自宅付近の中心地や職場付近の中心地といったように、領域ごとに、ベテランユーザの中心地を計算することができる。

学習部１０１は、ユーザデータベースＤＢ１に格納されたベテランユーザの履歴情報に基づいて、ベテランユーザが初心者ユーザではなくなった後に訪れた複数の第２場所を特定する。第１実施形態では、全ての期間が第２中心地の計算で考慮される場合を説明するので、学習部１０１は、全ての期間にベテランユーザが訪れた複数の第１場所及び第２場所の各々の位置の平均を計算し、第２中心地として取得する。第２中心地は、第１中心地と同様、単純平均であってもよいし、加重平均であってもよい。

学習部１０１は、あるベテランユーザの第１中心地と、そのベテランユーザの第２中心地と、を含む訓練データを作成する。学習部１０１は、複数のベテランユーザの各々について訓練データを作成し、訓練データベースＤＢ３に格納する。学習部１０１は、訓練データに基づいて、あるベテランユーザの第１中心地が入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１位置情報は、第１中心地と、複数の第１場所の各々の位置と、の距離のばらつき具合である第１ばらつき具合を更に含む。学習モデルＭ１には、あるベテランユーザの第１中心地及び第１ばらつき具合と、そのベテランユーザの第２中心地と、の関係が学習されている。第１ばらつき具合は、学習モデルＭ１の内部で計算されてもよい。この場合、学習モデルＭ１には、第１ばらつき具合の計算に必要な個々の位置が入力されるようにすればよい。

学習部１０１は、第１中心地と、ベテランユーザが初心者ユーザだった頃に訪れた複数の第１場所の各々の位置と、の距離を計算する。学習部１０１は、第１場所ごとに計算した距離のばらつき具合を計算し、第１ばらつき具合として取得する。ばらつき具合は、任意の指標によって表現可能であり、例えば、標準偏差、分散、又は共分散である。これらの指標を計算する計算式自体は、公知の計算式を利用すればよい。ばらつき具合は、散らばり具合、又は、密集具合ということもできる。

学習部１０１は、あるベテランユーザの第１中心地及び第１ばらつき具合と、そのベテランユーザの第２中心地と、を含む訓練データを作成する。学習部１０１は、複数のベテランユーザの各々について訓練データを作成し、訓練データベースＤＢ３に格納する。学習部１０１は、訓練データに基づいて、あるベテランユーザの第１中心地及び第１ばらつき具合が入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、学習モデルＭ１は、第１位置情報とは異なる、ベテランユーザに関する第１特徴情報に基づいて作成されている。第１特徴情報は、ベテランユーザの特徴に関する情報である。ベテランユーザが訪れた場所の特徴という意味では、第１位置情報も何らかの特徴を示すものであるが、第１特徴情報は、ベテランユーザが訪れた場所以外の特徴を示す情報である。第１特徴情報の具体例は後述するが、後述した例以外にも、ベテランユーザの性別、職業、年収、過去の利用金額、又は他のサービスの利用状況といった情報が第１特徴情報に相当してもよい。

第１実施形態では、ベテランユーザの第１特徴情報が訓練データに含まれており、学習モデルＭ１の学習で利用される場合を説明する。このため、ベテランユーザの第１特徴情報が学習モデルＭ１に学習されることが、学習モデルＭ１が第１特徴情報に基づいて作成されていることを意味する。第１実施形態では、図９に示す訓練データのうち、中心地及びばらつき具合以外の情報が第１特徴情報に相当する。

なお、第１特徴情報が示す特徴ごとに、別々の学習モデルＭ１が用意されていてもよい。例えば、ベテランユーザの年齢、性別、居住地、又は利用回数といった特徴ごとに、別々の学習モデルＭ１が用意されてもよい。このため、ベテランユーザの第１特徴情報が示す特徴ごとに別々の学習モデルＭ１を用意することが、学習モデルＭ１が第１特徴情報に基づいて作成されていることを意味してもよい。

他にも例えば、場所属性ごとに、別々の学習モデルＭ１が用意されてもよい。例えば、コンビニエンスストア用の学習モデルＭ１、駅用の学習モデルＭ１、又はスーパーマーケット用の学習モデルＭ１といったように、個々の場所属性に専用の学習モデルＭ１が用意されてもよい。このように、場所属性ごとに別々の学習モデルＭ１を用意することが、学習モデルＭ１が第１特徴情報に基づいて作成されていることを意味してもよい。

場所属性ごとに別々の学習モデルＭ１が用意される場合、中心地及びばらつき具合の計算は、その場所属性の場所の位置に基づいて計算されてもよい。即ち、他の場所属性の場所の位置は、中心地及びばらつき具合の計算には参照されない、又は、中心地及びばらつき具合の計算における重み付けが低くなるようにしてもよい。例えば、コンビニエンスストア用の学習モデルＭ１の場合には、「コンビニエンスストア」の場所属性の場所の位置に基づいて、中心地及びばらつき具合が計算される。他の場所属性についても同様である。学習済みの学習モデルＭ１に入力される初心者ユーザの中心地及びばらつき具合についても同様であり、学習モデルＭ１に対応する場所属性の場所の位置に基づいて計算される。

第１実施形態では、第１特徴情報は、ベテランユーザによるサービスの利用回数である第１利用回数を含む。学習モデルＭ１は、第１利用回数に基づいて作成されてもよい。学習部１０１は、ユーザデータベースＤＢ１に基づいて、ベテランユーザが初心者ユーザだった頃の利用回数をカウントし、第１利用回数として取得する。学習部１０１は、あるベテランユーザの第１利用回数を含む訓練データを作成する。学習部１０１は、あるベテランユーザの第１利用回数が、第１中心地等の他の特徴とともに入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１特徴情報は、所定期間における第１利用回数を含む。学習モデルＭ１は、所定期間における第１利用回数に基づいて作成されてもよい。所定期間とは、第１期間の中での一部の期間である。第１実施形態では、昼用の学習モデルＭ１が作成されるので、昼の時間帯は、所定期間に相当する。所定期間は、他の期間であってもよく、例えば、朝又は夜であってもよいし、平日、祝日、又は曜日であってもよい。所定期間は、季節であってもよく、特にこれらに分類されない独自の期間が定められてもよい。

学習部１０１は、ユーザデータベースＤＢ１に基づいて、ベテランユーザが初心者ユーザだった頃の昼の利用回数をカウントし、昼における第１利用回数として取得する。学習部１０１は、あるベテランユーザの昼における第１利用回数を含む訓練データを作成する。学習部１０１は、あるベテランユーザの昼における第１利用回数が、第１中心地等の他の特徴とともに入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１特徴情報は、ベテランユーザの属性であるユーザ属性を含む。学習モデルＭ１は、ユーザ属性に基づいて作成されてもよい。学習部１０１は、ユーザデータベースＤＢ１に基づいて、ベテランユーザのユーザ属性を取得する。学習部１０１は、あるベテランユーザのユーザ属性を含む訓練データを作成する。学習部１０１は、あるベテランユーザのユーザ属性が、第１中心地等の他の特徴とともに入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１特徴情報は、第１場所の属性である第１場所属性を含む。学習モデルＭ１は、第１場所属性に基づいて作成されてもよい。学習部１０１は、場所データベースＤＢ２に基づいて、第１場所属性を取得する。学習部１０１は、あるベテランユーザが訪れた第１場所の第１場所属性に基づいて訓練データを作成する。学習部１０１は、あるベテランユーザが訪れた第１場所の第１場所属性が、第１中心地等の他の特徴とともに入力された場合に、そのベテランユーザの第２中心地が出力されるように、学習モデルＭ１のパラメータを調整する。

第１実施形態では、第１特徴情報は、第２場所の属性である第２場所属性を含む。学習モデルＭ１は、第２場所属性に基づいて作成されてもよい。学習部１０１は、場所データベースＤＢ２に基づいて、第２場所属性を取得する。学習部１０１は、あるベテランユーザが訪れた第２場所の第２場所属性に基づいて訓練データを作成する。例えば、学習部１０１は、あるベテランユーザが訪れた第１場所の第１場所属性と同じ第２場所属性の第２場所に基づいて、訓練データを作成する。学習部１０１は、第２場所属性に基づいて作成された訓練データの入力部分が入力された場合に、その訓練データの出力部分が出力されるように、学習モデルＭ１のパラメータを調整する。この点は、「コンビニエンスストア」の場所属性を例に挙げて説明した通りである。例えば、「コンビニエンスストア」の場所属性の情報を提供したい場合には、ベテランユーザが過去に訪れた「コンビニエンスストア」の場所に基づいて訓練データが作成され、学習モデルＭ１が学習されてもよい。この場合、初心者ユーザが過去に訪れた「コンビニエンスストア」の場所に基づいて、学習済みの学習モデルＭ１への入力が作成されるようにすればよい。

第１実施形態では、学習モデルＭ１は、過去の所定期間にベテランユーザが訪れた第１場所の位置に基づく第１位置情報に基づいて作成されてもよい。所定期間の意味は、先述した通りである。例えば、学習部１０１は、ユーザデータベースＤＢ１に基づいて、ベテランユーザが初心者ユーザだった頃の昼に訪れた第１場所の位置に基づいて、第１位置情報を取得する。学習部１０１は、この第１位置情報を含む訓練データを作成し、学習モデルＭ１のパラメータを調整する。

[第１取得部]
第１取得部１０２は、初心者ユーザが過去に訪れた場所である第３場所の位置に基づく第３位置情報を取得する。初心者ユーザは、第２ユーザの一例である。このため、初心者ユーザと記載した箇所は、第２ユーザと読み替えることができる。第２ユーザは、中心地の推定対象となるユーザである。第１実施形態では、第２ユーザは、第３場所を訪れてサービスを利用し、第１ユーザよりもサービスの利用回数が少ないユーザである場合を説明するが、第２ユーザは、第１ユーザと異なるユーザであればよい。

第３場所は、初心者ユーザが、過去における全部又は一部の期間に訪れた場所である。この期間の長さは、先述した第１期間の長さとは異なってもよい。第３位置情報は、第３場所の位置に基づいて取得される情報である。第１実施形態では、第３位置情報が、複数の第３場所の各々の位置に基づいて取得される情報である場合を説明するが、ある１つの第３場所の位置に基づいて取得される情報であってもよい。第３位置情報は、あるピンポイントの位置を示してもよいし、一定程度の広さを有する領域を示してもよい。第３位置情報は、何らかの位置を特定可能な情報であればよい。

第１実施形態では、第３位置情報は、初心者ユーザが過去に訪れた複数の第３場所に基づく中心地である第３中心地を含む。第３位置情報は、第１実施形態の例に限られず、例えば、初心者ユーザが訪れた複数の第３場所の各々の位置が第３位置情報に含まれてもよい。即ち、中心地を計算する際の元となる位置が第３位置情報に相当してもよい。

第１取得部１０２は、ユーザデータベースＤＢ１に格納された初心者ユーザの履歴情報に基づいて、初心者ユーザが訪れた複数の第３場所を特定する。第１取得部１０２は、当該特定された複数の第３場所の各々の位置の平均を計算し、第３中心地として取得する。第３中心地は、第１中心地及び第２中心地と同様、単純平均であってもよいし、加重平均であってもよい。

第１実施形態では、第３位置情報は、第３中心地と、複数の第３場所の各々の位置と、の距離のばらつき具合である第２ばらつき具合を更に含む。第１取得部１０２は、第３中心地と、初心者ユーザが訪れた複数の第３場所の各々の位置と、の距離を計算する。第１取得部１０２は、第３場所ごとに計算した距離のばらつき具合を計算し、第２ばらつき具合として取得する。第２ばらつき具合は、第１ばらつき具合と同様、任意の指標によって表現可能であり、個々の指標に応じた計算式に基づいて計算可能である。

第１実施形態では、第１取得部１０２は、過去の所定期間に初心者ユーザが訪れた第３場所の位置に基づく第３位置情報を取得する。所定期間の意味は、先述した通りである。例えば、第１取得部１０２は、ユーザデータベースＤＢ１に基づいて、初心者ユーザが昼に訪れた第３場所の位置に基づいて、第３位置情報を取得する。所定期間が昼の時間帯に限られない点も、先述した通りである。

[将来推定部]
将来推定部は、初心者ユーザが将来に訪れそうな場所である第４場所の位置に基づく第４位置情報の推定結果として、第３位置情報に対応する学習モデルＭ１の出力を取得する。

第４場所は、初心者ユーザが将来に訪れると推定される場所である。第４位置情報は、学習モデルＭ１の出力に基づいて取得される情報である。第１実施形態では、学習モデルＭ１の出力がそのまま第４位置情報に相当する場合を説明するが、学習モデルＭ１の出力が何らか加工された情報が第４位置情報に相当してもよい。第４位置情報は、あるピンポイントの位置を示してもよいし、一定程度の広さを有する領域を示してもよい。第４位置情報は、何らかの位置を特定可能な情報であればよい。第４位置情報は、複数の位置を含んでもよい。例えば、初心者ユーザが訪れそうな複数の第４場所の各々の位置が第４位置情報に含まれてもよい。

第１実施形態では、第４位置情報は、初心者ユーザが将来に訪れそうな複数の第４場所に基づく中心地である第４中心地を含む。将来推定部１０３は、初心者ユーザの第４中心地の推定結果として、第３中心地に対応する学習モデルＭ１の出力を取得する。

第１実施形態では、第３中心地及び第２ばらつき具合が学習モデルＭ１に入力され、将来推定部１０３は、初心者ユーザの第４中心地の推定結果として、第３中心地及び第２ばらつき具合に対応する学習モデルＭ１の出力を取得する。学習モデルＭ１は、第３中心地及び第２ばらつき具合を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。

また、第１実施形態では、ベテランユーザの第１特徴情報が学習モデルＭ１に学習されているので、将来推定部１０３は、第３位置情報とは異なる、初心者ユーザに関する第２特徴情報に基づいて、第４位置情報の推定結果を取得する。学習モデルＭ１は、第２特徴情報を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。

第１実施形態では、第２特徴情報は、初心者ユーザによるサービスの利用回数である第２利用回数を含む。将来推定部１０３は、第２利用回数に基づいて、第４位置情報の推定結果を取得する。学習モデルＭ１は、第２利用回数を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。

第１実施形態では、第２特徴情報は、所定期間における第２利用回数を含む。将来推定部１０３は、所定期間における第２利用回数に基づいて、第４位置情報の推定結果を取得する。学習モデルＭ１は、初心者ユーザの昼の利用回数である第２利用回数を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。

第１実施形態では、第２特徴情報は、初心者ユーザの属性である初心者ユーザ属性を含む。将来推定部１０３は、初心者ユーザ属性に基づいて、第４位置情報の推定結果を取得する。学習モデルＭ１は、初心者ユーザ属性を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。ユーザ属性ごとに学習モデルＭ１が用意される場合には、初心者ユーザ属性に対応する学習モデルＭ１に、初心者ユーザの第３中心地等の情報が入力されるようにすればよい。

第１実施形態では、第２特徴情報は、第３場所の属性である第３場所属性を含む。将来推定部１０３は、第３場所属性に基づいて、第４位置情報の推定結果を取得する。学習モデルＭ１は、第３場所属性を、初心者ユーザの特徴の１つとして取得し、その特徴に応じた第４中心地の推定結果を出力する。場所属性ごとに学習モデルＭ１が用意される場合には、第３中心地等の計算で用いられた場所の場所属性に対応する学習モデルＭ１に、第３中心地等の情報が入力されるようにすればよい。

第１実施形態では、将来推定部１０３は、将来の所定期間に訪れそうな第４場所の位置に基づく第４位置情報の推定結果を取得する。学習モデルＭ１は、初心者ユーザが将来の昼に訪れそうな第４場所の位置に基づく第４位置情報の推定結果を出力する。第１実施形態では、将来推定部１０３は、第１ユーザよりもサービスの利用回数が少ない初心者ユーザの第４位置情報の推定結果として、学習モデルＭ１の出力を取得する。

[第１提供部]
第１提供部１０４は、第４位置情報に基づいて定まる情報を、初心者ユーザに提供する。例えば、第１提供部１０４は、情報データベースＤＢ４に基づいて、第４位置情報が示す位置から所定距離以内の場所に関連付けられた情報を、初心者ユーザに提供する。この所定距離は、任意の長さであってよく、固定値であってもよいし、可変値であってもよい。第４位置情報が示す位置のエリアに応じて、この所定距離の長さが異なってもよい。例えば、地方部のエリアの場合には、都心部のエリアの場合よりも、この所定距離が長くなってもよい。第４位置情報が一定の広さを有する領域である場合には、この領域内の場所に関する情報が提供されてもよい。

［１－４．第１実施形態の推定システムで実行される処理］
次に、第１実施形態の推定システムで実行される処理の一例を説明する。第１実施形態では、ベテランユーザの傾向を学習モデルＭ１に学習させる学習処理と、初心者ユーザの将来の中心地を推定する推定処理と、を説明する。学習処理及び推定処理の各々は、制御部１１が記憶部１２に記憶されたプログラムに従って動作することによって実行される。学習処理及び推定処理の各々は、図６に示す機能ブロックにより実行される処理の一例である。

［学習処理］
図１１は、学習処理の一例を示すフロー図である。図１１に示すように、サーバ１０は、ユーザデータベースＤＢ１に基づいて、複数のユーザの各々による通信サービスの利用回数を計算する（Ｓ１００）。Ｓ１００では、全てのユーザの利用回数が計算されるものとするが、一部のユーザの利用回数だけが計算されてもよい。また、全ての期間における利用回数が計算されるものとするが、一部の期間における利用回数だけが計算されてもよい。第１実施形態では、ユーザが通信サービスを利用するたびに履歴情報が蓄積されるので、履歴情報の数が利用回数として取得される。

サーバ１０は、通信サービスの利用回数に基づいて、複数のベテランユーザを特定する（Ｓ１０１）。サーバ１０は、利用回数が閾値以上の複数のユーザを、ベテランユーザとして特定する。Ｓ１０１では、ベテランユーザを特定するための閾値が固定値であるものとするが、閾値は可変値であってもよい。Ｓ１０１では、閾値が利用されるのではなく、利用回数が多い順に所定人数又は所定割合の複数のユーザが、複数のベテランユーザとして特定されてもよい。

サーバ１０は、Ｓ１０１で特定された複数のベテランユーザの中から、Ｓ１０３～Ｓ１１３の処理の対象となる処理対象のベテランユーザを決定する（Ｓ１０２）。Ｓ１０２では、サーバ１０は、Ｓ１０１で特定された複数のベテランユーザの中から、まだ訓練データが作成されていないベテランユーザの何れかを、処理対象のベテランユーザとして決定する。

サーバ１０は、処理対象のベテランユーザの履歴情報の中から、そのベテランユーザが初心者ユーザだった頃の履歴情報を取得する（Ｓ１０３）。Ｓ１０３では、サーバ１０は、処理対象のベテランユーザの履歴情報に含まれる利用日時が古い順に所定数の履歴情報を取得する。サーバ１０は、所定数の履歴情報を取得するのではなく、処理対象のベテランユーザが利用登録をしてから一定期間以内の履歴情報を取得してもよい。

サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の昼の中心地を計算する（Ｓ１０４）。Ｓ１０４では、サーバ１０は、Ｓ１０３で取得した履歴情報に含まれる利用日時が昼の時間帯の利用位置の平均を計算し、昼の中心地として取得する。

サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の昼のばらつき具合を計算する（Ｓ１０５）。Ｓ１０５では、サーバ１０は、Ｓ１０３で取得した履歴情報に含まれる利用日時が昼の時間帯の利用位置ごとに、その利用位置と、Ｓ１０４で計算された昼の中心地と、の距離を計算する。サーバ１０は、当該計算された距離の標準偏差等を計算し、ばらつき具合として取得する。

サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の昼の利用回数を計算する（Ｓ１０６）。Ｓ１０６においては、サーバ１０は、Ｓ１０３で取得した履歴情報のうち、利用日時が昼の時間帯の履歴情報の数をカウントし、昼の利用回数として取得する。

サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の全体の中心地を計算する（Ｓ１０７）。Ｓ１０７の計算方法は、Ｓ１０４と同様であるが、履歴情報に含まれる利用日時が昼の時間帯の履歴情報だけではなく、処理対象のベテランユーザが初心者ユーザだった頃の全ての時間帯の履歴情報が計算で用いられる点で異なる。この点は、Ｓ１０８及びＳ１０９の処理も同様である。

サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の全体のばらつき具合を計算する（Ｓ１０８）。サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、処理対象のベテランユーザが初心者ユーザだった頃の全体の利用回数を計算する（Ｓ１０９）。

サーバ１０は、ユーザデータベースＤＢ１に基づいて、処理対象のベテランユーザのユーザ属性を取得する（Ｓ１１０）。サーバ１０は、Ｓ１０３で取得した履歴情報に基づいて、ベテランユーザが初心者ユーザだった頃に訪れた場所の場所属性を取得する（Ｓ１１１）。Ｓ１１１では、最も訪れたことが多い場所属性が取得される。

サーバ１０は、処理対象のベテランユーザの全ての期間における履歴情報に基づいて、そのベテランユーザが初心者ユーザではなくなった後、即ち十分な利用実績を積んだ後の中心地を計算する（Ｓ１１２）。Ｓ１１２の計算方法は、Ｓ１０４及びＳ１０７と同様であるが、ベテランユーザが初心者ユーザだった頃の履歴情報だけではなく、そのユーザの全ての期間の履歴情報が計算で用いられる点で異なる。なお、全ての期間ではなく、一部の期間の履歴情報だけが計算で用いられてもよい。

サーバ１０は、Ｓ１０４～Ｓ１１１で取得された各情報と、Ｓ１１２で計算された正解となる中心地と、のペアを、処理対象のベテランユーザに対応する訓練データとして作成し、訓練データベースＤＢ３に格納する（Ｓ１１３）。

サーバ１０は、まだ訓練データを作成していないベテランユーザが存在するか否かを判定する（Ｓ１１４）。まだ訓練データを作成していないベテランユーザが存在すると判定された場合（Ｓ１１４；Ｙ）、Ｓ１０２の処理に戻る。この場合、次に訓練データが作成される処理対象のベテランユーザが決定され、そのベテランユーザについてＳ１０３～Ｓ１１３の処理が実行されて、そのベテランユーザに対応する訓練データが作成される。

まだ訓練データを作成していないベテランユーザが存在すると判定されない場合（Ｓ１１４；Ｎ）、サーバ１０は、訓練データベースＤＢ３に格納された個々の訓練データを学習モデルＭ１に学習させ（Ｓ１１５）、本処理は終了する。Ｓ１１５では、個々の訓練データに含まれる入力と出力の関係が得られるように、学習モデルＭ１のパラメータが調整される。

［推定処理］
図１２は、推定処理の一例を示すフロー図である。図１２に示すように、サーバ１０は、ユーザデータベースＤＢ１に基づいて、複数のユーザの各々による通信サービスの利用回数を計算する（Ｓ２００）。Ｓ２００の処理は、Ｓ１００と同様である。

サーバ１０は、通信サービスの利用回数に基づいて、複数の初心者ユーザを特定する（Ｓ２０１）。Ｓ２０１の処理は、Ｓ１０１の処理と似ているが、利用回数が閾値以上の複数のユーザではなく、利用回数が閾値未満の複数のユーザが特定される点でＳ１０１の処理とは異なる。

サーバ１０は、Ｓ２０１で特定された複数の初心者ユーザの中から、Ｓ２０３～Ｓ２１２の処理の対象となる処理対象の初心者ユーザを決定する（Ｓ２０２）。Ｓ２０２では、サーバ１０は、Ｓ２０１で特定された複数の初心者ユーザの中から、まだ中心地が推定されていない初心者ユーザの何れかを、処理対象の初心者ユーザとして決定する。

サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの昼の中心地を計算する（Ｓ２０３）。Ｓ２０３では、サーバ１０は、処理対象の初心者ユーザの履歴情報に含まれる利用日時が昼の時間帯の利用位置の平均を計算し、昼の中心地として取得する。

サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの昼のばらつき具合を計算する（Ｓ２０４）。Ｓ２０４では、サーバ１０は、処理対象の初心者ユーザの履歴情報に含まれる利用日時が昼の時間帯の利用位置ごとに、その利用位置と、Ｓ２０３で計算された昼の中心地と、の距離を計算する。サーバ１０は、当該計算された距離の標準偏差等を計算し、ばらつき具合として取得する。

サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの昼の利用回数を計算する（Ｓ２０５）。Ｓ２０５においては、サーバ１０は、処理対象の初心者ユーザの履歴情報のうち、利用日時が昼の時間帯の履歴情報の数をカウントし、昼の利用回数として取得する。

サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの全体の中心地を計算する（Ｓ２０６）。Ｓ２０６の計算方法は、Ｓ２０３と同様であるが、履歴情報に含まれる利用日時が昼の時間帯の履歴情報だけではなく、その初心者ユーザの全ての時間帯の履歴情報が計算で用いられる点で異なる。この点は、Ｓ２０７及びＳ２０８の処理も同様である。

サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの全体のばらつき具合を計算する（Ｓ２０７）。サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、その初心者ユーザの全体の利用回数を計算する（Ｓ２０８）。

サーバ１０は、ユーザデータベースＤＢ１に基づいて、処理対象の初心者ユーザのユーザ属性を取得する（Ｓ２０９）。サーバ１０は、処理対象の初心者ユーザの履歴情報に基づいて、初心者ユーザが訪れた場所の場所属性を取得する（Ｓ２１０）。

サーバ１０は、Ｓ２０３～Ｓ２１０で取得された各情報を、学習モデルＭ１に入力し（Ｓ２１１）、処理対象の初心者ユーザの将来の中心地として、学習モデルＭ１からの出力を取得してユーザデータベースＤＢ１に格納する（Ｓ２１２）。

サーバ１０は、まだ中心地を推定していない初心者ユーザが存在するか否かを判定する（Ｓ２１３）。まだ中心地を推定していない初心者ユーザが存在すると判定された場合（Ｓ２１３；Ｙ）、Ｓ２０２の処理に戻る。この場合、次に中心地が推定される処理対象の初心者ユーザが決定され、その初心者ユーザについてＳ２０３～Ｓ２１２の処理が実行されて、その初心者ユーザの将来の中心地が推定される。

まだ中心地を推定していない初心者ユーザが存在すると判定されない場合（Ｓ２１３；Ｎ）、サーバ１０は、ユーザデータベースＤＢ１と、情報データベースＤＢ４と、に基づいて、複数のユーザの各々に対し、そのユーザの中心地に応じた情報を提供し（Ｓ２１４）、本処理は終了する。

第１実施形態の推定システムＳによれば、学習モデルＭ１を利用して、初心者ユーザの将来の中心地である第４中心地を取得することによって、初心者ユーザが将来に訪れそうな場所に関する推定の精度が高まる。学習モデルＭ１には、ベテランユーザが初心者ユーザだった頃の傾向が学習されており、学習モデルＭ１からの出力には、ベテランユーザの傾向が反映されるので、推定結果の精度が高まる。初心者ユーザが将来に訪れそうな場所を推定することによって、ユーザの現在位置をリアルタイムで取得しなくても、ユーザにとって有益な情報を提供できるので、ユーザ端末３０の消費電力を抑えたり、ユーザ端末３０の処理負荷を軽減したりすることもできる。

また、推定システムＳは、ベテランユーザの第１中心地と、ベテランユーザの第２中心地と、の関係を学習モデルＭ１に学習させておき、初心者ユーザの将来の第４中心地の推定結果として、初心者ユーザの過去の第３中心地に対応する学習モデルＭ１の出力を取得することによって、通信サービスの利用実績が不十分だった頃の中心地と、通信サービスの利用実績が十分になった場合の中心地と、の関係を学習モデルＭ１がより強く学習し、第４中心地の推定の精度が効果的に高まる。

また、推定システムＳは、ベテランユーザの第１中心地及び第１ばらつき具合と、ベテランユーザの第２中心地と、の関係を学習モデルＭ１に学習させておき、初心者ユーザの将来の第４中心地の推定結果として、初心者ユーザの過去の第３中心地及び第２ばらつき具合に対応する学習モデルＭ１の出力を取得することによって、将来の中心地により強い影響を与える第１ばらつき具合を学習モデルＭ１が学習しているので、第４中心地の推定の精度が効果的に高まる。

また、推定システムＳは、ベテランユーザに関する第１特徴情報に基づいて学習モデルＭ１が作成されており、初心者ユーザに関する第２特徴情報に基づいて、第４中心地の推定結果を取得することによって、中心地等の位置以外の情報も学習モデルＭ１に学習されているので、第４中心地の推定の精度が効果的に高まる。例えば、初心者ユーザの現状の中心地があてにならない場合には、他の特徴が似たベテランユーザの傾向が重視されて第４中心地が推定されるので、現状の中心地があてにならない初心者ユーザだったとしても、ある程度の第４中心地を推定できる。

また、推定システムＳは、ベテランユーザによる通信サービスの利用回数である第１利用回数に基づいて学習モデルＭ１が作成されており、初心者ユーザによるサービスの利用回数である第２利用回数に基づいて、第４中心地の推定結果を取得することによって、利用回数が似た他のユーザの傾向をもとに第４中心地が推定されるので、第４位置情報の推定の精度が効果的に高まる。例えば、利用登録をしてから一定期間における利用回数が似たベテランユーザの傾向をもとに第４中心地が推定されるので、現状の中心地があてにならない初心者ユーザだったとしても、ある程度の第４中心地を推定できる。

また、推定システムＳは、昼における第１利用回数に基づいて学習モデルＭ１が作成されており、昼における第２利用回数に基づいて、第４中心地の推定結果を取得することによって、昼における第４中心地を推定できる。その結果、時間帯に応じた第４中心地を推定し、時間帯に応じた有益な情報をユーザに提供できる。例えば、利用登録をしてから一定期間における昼の利用回数が似たベテランユーザの傾向をもとに第４中心地が推定されるので、現状の中心地があてにならない初心者ユーザだったとしても、ある程度の第４中心地を推定できる。

また、推定システムＳは、ベテランユーザのユーザ属性に基づいて学習モデルＭ１が作成されており、初心者ユーザのユーザ属性に基づいて、第４中心地の推定結果を取得することによって、ユーザ属性が同じ他のユーザの傾向をもとに第４中心地が推定されるので、第４中心地の推定の精度が効果的に高まる。例えば、初心者ユーザの現状の中心地があてにならない場合には、ユーザ属性が似たベテランユーザの傾向が重視されて第４中心地が推定されるので、現状の中心地があてにならない初心者ユーザだったとしても、ある程度の第４中心地を推定できる。

また、推定システムＳは、第１場所属性に基づいて学習モデルＭ１が作成されていることによって、場所属性が同じ情報をもとに第４中心地が推定されるので、第４中心地の推定の精度が効果的に高まる。例えば、場所属性「カフェ」の場所を多く訪れる初心者ユーザにとっては、場所属性「コンビニエンスストア」の場所を多く訪れるベテランユーザの傾向よりも、場所属性「カフェ」の場所を多く訪れるベテランユーザの傾向の方があてになる可能性があるので、場所属性を考慮することによって、第４中心地の推定の精度が効果的に高まる。

また、推定システムＳは、第２場所属性に基づいて学習モデルＭ１が作成されていることによって、ベテランユーザが初心者ユーザだった頃に訪れた場所と同じ場所属性の場所の中心地を学習モデルＭ１に学習させているので、第４中心地の推定の精度が効果的に高まる。例えば、ベテランユーザが初心者ユーザだった頃に場所属性「コンビニエンスストア」の場所を良く訪れていた場合に、そのベテランユーザが初心者ユーザではなくなった後に訪れた場所属性「コンビニエンスストア」の場所に基づいて中心地を計算することによって、ベテランユーザが「コンビニエンスストア」を訪れる場合の中心地を学習モデルＭ１に学習させることができる。その結果、初心者ユーザが将来に訪れる「コンビニエンスストア」の中心地を精度よく推定できる。

また、推定システムＳは、昼にベテランユーザが訪れた第１場所の位置に基づく第１位置情報に基づいて学習モデルＭ１が作成されており、将来の昼に訪れる第４中心地の推定結果を取得することによって、時間帯に応じた第４中心地を推定し、第４中心地の推定の精度が効果的に高まる。

また、推定システムＳは、ベテランユーザがサービスの利用を開始した直後の第１期間に訪れた場所と、ベテランユーザが第１期間よりも後の第２期間に訪れた場所と、の関係が学習モデルＭ１に学習されており、ベテランユーザよりもサービスの利用回数が少ない初心者ユーザの第４中心地の推定結果として、学習モデルＭ１の出力を取得することによって、利用実績が不十分のユーザだったとしても、第４中心地の推定の精度が高まる。

また、推定システムＳは、第４中心地に基づいて定まる情報を、初心者ユーザに提供することによって、有用な情報をユーザに事前に提供できる。例えば、初心者ユーザの現在位置をリアルタイムで取得し、その現在位置に応じた情報を提供したとすると、初心者ユーザが情報に気付かないことがあるが、初心者ユーザの将来の中心地を推定し、その中心地に応じた情報を事前に提供することによって、初心者ユーザが情報に気付きやすくなる。更に、ユーザが将来に訪れそうな第４中心地を基準として情報が提供されるので、ユーザがより興味を持つ情報を提供できる。

［２．第２実施形態］
次に、推定システムＳの第２実施形態を説明する。第２実施形態では、ある無線通信装置２０が配置された場所の属性である用途属性（詳細後述）が、その場所の位置と、その場所を訪れたユーザの中心地と、の距離に基づいて推定される場合を説明する。第２実施形態では、第１実施形態と同様の構成については、説明を省略する。

［２－１．第２実施形態の概要］
図１３は、第２実施形態の概要を示す図である。図１３では、スキー場が存在するリゾートエリアＸのマップＭが示されている。図１３のマップＭには、コンビニエンスストアである店舗Ｙ，Ｚの位置がプロットされている。店舗Ｙ，Ｚの各々には、無線通信装置２０が配置されている。店舗Ｙ，Ｚの各々には、「コンビニエンスストア」の場所属性が関連付けられており、店舗Ｙ，Ｚは、最寄り駅からの距離が互いに同程度であってもよい。

通信サービスは、種々のユーザが利用登録しているので、店舗Ｙ，Ｚの各々の無線通信装置２０が配置された店舗の用途が互いに異なることがある。例えば、店舗Ｙが住宅街に存在した場合、店舗Ｙは、主に近隣住民であるユーザＵ１～Ｕ３によって利用されることがある。また例えば、店舗Ｚが大通りに存在した場合、店舗Ｚは、主に観光客であるユーザＵ４～Ｕ６によって利用されることがある。

もし仮に、全てのユーザが通信サービスに正しい居住地を登録していれば、店舗Ｙ，Ｚの各々の無線通信装置２０を利用したユーザの居住地に基づいて、店舗Ｙ，Ｚの各々の用途を特定できる。例えば、店舗Ｙの無線通信装置２０を利用するユーザの居住地がリゾートエリアＸ周辺であれば、店舗Ｙが「近隣住民向け」の「コンビニエンスストア」であることを特定できる。店舗Ｚの無線通信装置２０を利用するユーザの居住地がリゾートエリアＸから遠く離れた都市部であれば、店舗Ｚが「観光客向け」の「コンビニエンスストア」であることを特定できる。

「近隣住民向け」や「観光客向け」といった情報は、店舗Ｙ，Ｚを何らかの観点で分類できるので、属性の一種である。この属性は、店舗Ｙ，Ｚに関連付けられていた場所属性「コンビニエンスストア」とは異なる観点の属性である。この属性は、店舗Ｙ，Ｚの用途を分類可能な情報なので、以降では用途属性と記載する。ある場所の用途属性は、その場所の位置と、その場所を訪れたユーザが普段訪れる場所の位置と、の距離によって推定できる。

しかしながら、ユーザが正しい居住地を通信サービスに登録しているとは限らない。ユーザが引っ越し前の古い居住地を通信サービスに登録していることも多い。この場合には、正しい用途属性を推定できない。また、ユーザが居住地を通信サービスに登録しないこともあるし、居住地の登録を必要としない通信サービスも存在する。この場合、居住地を利用した用途属性の推定自体をすることができない。

そこで、第２実施形態の推定システムＳは、ある無線通信装置２０が配置された場所の位置と、その場所を訪れて無線通信装置２０にユーザ端末３０を接続したユーザの中心地と、の距離に基づいて、その無線通信装置２０の用途属性を精度よく推定するようにしている。以降、この技術の詳細を説明する。

［２－２．第２実施形態の推定システムで実現される機能］
図１４は、第２実施形態の推定システムＳで実現される機能の一例を示す機能ブロック図である。第２実施形態では、主な機能がサーバ１０で実現される場合を説明する。図１４に示すように、サーバ１０では、データ記憶部１００、学習部１０１、第１取得部１０２、将来推定部１０３、第１提供部１０４、第２取得部１０５、第３取得部１０６、属性推定部１０７、及び第２提供部１０８が実現される。

データ記憶部１００は、第１実施形態と同様であるが、一部の機能が第１実施形態とは異なる。学習部１０１、第１取得部１０２、将来推定部１０３、及び第１提供部１０４は、第１実施形態と同様である。第２取得部１０５、第３取得部１０６、属性推定部１０７、及び第２提供部１０８の各々は、制御部１１を主として実現される。

なお、第２実施形態では、第１実施形態と同様にして、初心者ユーザの将来の中心地が推定される場合を説明するが、第２実施形態の推定システムＳは、第１実施形態で説明した中心地の推定に関する機能を含まなくてもよい。即ち、第２実施形態の推定システムＳは、学習部１０１、第１取得部１０２、将来推定部１０３、及び第１提供部１０４を含まなくてもよい。この場合、初心者ユーザの中心地は、用途属性の推定で利用されず、ベテランユーザの中心地だけが用途属性の推定で利用されるようにしてもよい。ある程度の信頼性があれば、初心者ユーザの中心地が用途属性の推定で利用されてもよい。この場合、初心者ユーザの中心地は、ベテランユーザと同様にして計算される。

[データ記憶部]
データ記憶部１００は、無線通信装置２０が配置された場所の用途属性を推定するために必要なデータを記憶する。データ記憶部１００は、第１実施形態と同様のデータ以外にも、属性定義データＤＴを記憶する。また、場所データベースＤＢ２の一部が第１実施形態とは異なる。

図１５は、第２実施形態における場所データベースＤＢ２のデータ格納例を示す図である。図１５に示すように、場所データベースＤＢ２には、複数の場所の各々に配置された無線通信装置２０の装置ＩＤに、その場所の用途属性が関連付けられて格納される。この用途属性は、属性推定部１０７により推定された属性である。図１５に示すように、場所属性は、個々の場所の業種等を大まかに分類可能な属性であり、用途属性は、個々の場所の用途等を細かに分類可能な属性である。

図１６は、属性定義データＤＴのデータ格納例を示す図である。図１６に示すように、属性定義データＤＴは、ある場所を訪れたユーザの中心地からの距離に関する条件と、その条件が満たされた場合にその場所に関連付けられる用途属性と、の関係が定義されたデータである。図１６の例では、属性定義データＤＴには、条件として、１つの閾値により２段階の距離の範囲が定められている。距離が閾値未満の場合には、「近隣住民向け」の用途属性が定義されている。距離が閾値以上の場合には、「観光客向け」の用途属性が定義されている。閾値は２つ以上であってよく、３段階以上の距離の範囲が属性定義データＤＴに定められていてもよい。

［第２取得部］
第２取得部１０５は、用途属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する。第２取得部は、位置情報取得部の一例である。このため、第２取得部と記載した箇所は、位置情報取得部と読み替えることができる。

推定対象場所は、少なくとも１人のユーザが訪れたことのある場所であればよい。第２実施形態では、無線通信装置２０が配置された場所が推定対象場所に相当する。推定対象場所は、第１実施形態で説明した第１場所～第３場所の何れであってもよい。推定対象場所は、通信サービスを利用できる場所であれば、第１場所～第３場所以外の場所であってもよい。

他の場所は、推定対象場所とは異なる場所である。他の場所は、推定対象場所の用途属性を推定するために利用される場所である。他の場所は、推定対象場所よりも前にユーザが訪れた場所であってもよいし、推定対象場所よりも後にユーザが訪れた場所であってもよい。１つの推定対象場所に対して、少なくとも１つの他の場所が存在すればよい。

図１３を参照した例であれば、推定対象場所及び他の場所の各々は、ユーザが利用した店舗である。第２実施形態では、推定対象場所は、推定対象店舗ということができる。他の場所は、推定対象店舗とは異なる他の店舗ということができる。用途属性は、推定対象店舗の用途を示す属性ということができる。

位置情報は、他の場所の位置に基づいて取得される情報である。位置情報は、複数の他の場所の各々の位置に基づいて取得されてもよいし、ある１つの他の場所の位置に基づいて取得されてもよい。第２実施形態では、位置情報は、推定対象場所を訪れた複数のユーザの各々が訪れた複数の他の場所の各々の位置に関する中心地の平均である平均中心地を含む場合を説明する。

なお、位置情報は、平均中心地に限られず、他の情報であってもよい。例えば、第１実施形態で説明した第１位置情報～第３位置情報の少なくとも１つが、第２実施形態における位置情報に相当してもよい。また例えば、推定対象場所を訪れたユーザが１人であれば、そのユーザが訪れた複数の他の場所の中心地が位置情報に相当してもよい。また例えば、位置情報は、ユーザが推定対象場所を訪れる前又は後に訪れた他の場所の位置を示してもよい。また例えば、位置情報は、ユーザが訪れた複数の他の場所の各々の位置を含んでもよい。

第２実施形態では、第２取得部１０５は、ユーザデータベースＤＢ１に格納された履歴情報に基づいて、推定対象場所を訪れた複数のユーザを特定する。第２取得部１０５は、ユーザデータベースＤＢ１に格納された、当該特定された少なくとも複数のユーザの中心地に基づいて、平均中心地を計算し、位置情報として取得する。なお、平均中心地は、複数のユーザの各々の中心地を平均するのではなく、個々のユーザの中心地を計算することなく、複数のユーザの各々が訪れた全ての他の場所の中心地が、平均中心地として計算されてもよい。

［第３取得部］
第３取得部１０６は、推定対象場所の位置と、位置情報が示す位置と、の位置関係を取得する。第３取得部は、位置関係取得部の一例である。このため、第３取得部と記載した箇所は、位置関係取得部と読み替えることができる。先述したように、第２実施形態では、位置情報は、平均中心地を含むので、第３取得部１０６は、推定対象場所の位置と、平均中心地と、の位置関係を取得する。

位置関係とは、ある位置と他の位置のずれ具合である。距離は、位置関係の一例である。このため、距離と記載した箇所は、位置関係と読み替えることができる。位置関係は、距離以外の情報であってもよい。例えば、推定対象場所の位置と、位置情報が示す位置と、の間のベクトルが、位置関係に相当してもよい。即ち、位置関係は、距離と方向の両方の情報を意味してもよい。他にも例えば、距離の情報を含まずに、方向だけが位置関係に相当してもよい。

第２実施形態では、第３取得部１０６は、位置関係として、推定対象場所の位置と、平均中心地と、の距離を取得する。この距離は、直線距離であってもよいし、ユーザの移動経路を考慮した距離であってもよい。第２実施形態では、複数の推定対象場所が存在するので、第３取得部１０６は、推定対象場所ごとに、その推定対象場所の位置と、その推定対象場所を訪れた複数のユーザの平均中心地と、の距離を取得する。

［属性推定部］
属性推定部１０７は、第３取得部１０６により取得された位置関係に基づいて、推定対象場所の用途属性を推定する。第２実施形態では、第３取得部１０６により取得された位置関係と、推定対象場所の用途属性と、の関係が属性定義データＤＴに定義されている。属性推定部１０７は、属性定義データＤＴと、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定する。

なお、図１６では、属性定義データＤＴをテーブル形式のデータとして説明したが、属性定義データＤＴは、任意のデータ形式であってよい。例えば、属性定義データＤＴは、プログラムコードの一部として定義されていてもよいし、計算式によって定義されていてもよい。他にも例えば、後述する変形例（２－８）のように、学習モデルＭ２を利用して用途属性を推定することもできるので、変形例（２－８）で説明する学習モデルＭ２も、属性定義データＤＴの一例ということもできる。即ち、属性定義データＤＴは、機械学習を利用したモデルの形式であってもよい。

第２実施形態では、属性推定部１０７は、第３取得部１０６により取得された距離に基づいて、推定対象場所の用途属性を推定する。属性推定部１０７は、属性定義データＤＴに基づいて、第３取得部１０６により取得された距離が満たす条件を特定し、その条件に関連付けられた用途属性を、推定対象場所の用途属性として推定する。図１６のデータ格納例であれば、属性推定部１０７は、第３取得部１０６により取得された距離が２０ｋｍ未満であれば「近隣住民向け」の用途属性を推定し、第３取得部１０６により取得された距離が２０ｋｍ以上であれば「観光客向け」の用途属性を推定する。

第２実施形態では、推定対象場所に、属性推定部１０７が推定する用途属性とは異なる観点の場所属性が関連付けられている。場所属性は、他の属性の一例である。このため、場所属性と記載した箇所は、他の属性と読み替えることができる。観点とは、属性の定義のしかたである。例えば、場所属性は、推定対象場所の業種等である第１の観点で定義され、用途属性は、推定対象場所の用途である第２の観点で定義される。

場所属性は、場所属性の候補が定義された第１の候補群の中から決定される。例えば、場所属性は、「コンビニエンスストア」「駅」「カフェ」「イベント会場」といった第１の候補群の中から決定される。用途属性は、用途属性の候補が定義された第２の候補群の中から決定される。例えば、用途属性は、「近隣住民向け」「観光客向け」といった第２の候補群の中から決定される。属性推定部１０７は、場所属性とは異なる用途属性として、推定対象場所の用途を推定する。

なお、属性推定部１０７は、推定対象場所の場所属性、ユーザの利用金額、ユーザの年齢、又はユーザの利用頻度といった他の要素も考慮して、推定対象場所の用途属性を推定してもよい。また、属性推定部１０７が推定する属性は、用途属性に限られない。属性推定部１０７は、第３取得部１０６により取得される位置関係から推定可能な属性であればよい。例えば、第１実施形態で説明した場所属性が、この位置関係と相関関係がある場合には、属性推定部１０７は、場所属性を推定してもよい。他にも例えば、属性推定部１０７は、推定対象場所を訪れるユーザのユーザ属性を推定してもよいし、ユーザが推定対象場所を訪れる目的を示す属性を推定してもよい。

［第２提供部］
第２提供部１０８は、推定対象場所の用途属性に基づいて、推定対象場所に関する情報を、ユーザに提供する。例えば、第２提供部１０８は、ある推定対象場所の用途属性に基づいて、その推定対象場所に関する情報を提供するユーザを決定し、当該決定されたユーザに対し、その情報を提供する。図１３の例であれば、店舗Ｙについては、用途属性「近隣住民向け」が推定されるので、第２提供部１０８は、中心地が店舗Ｙから閾値未満のユーザに対し、店舗Ｙに関する情報を提供する。店舗Ｚについては、用途属性「観光客向け」が推定されるので、第２提供部１０８は、中心地が店舗Ｚから閾値以上のユーザに対し、店舗Ｙに関する情報を提供する。第２提供部１０８は、用途属性に基づいて情報を提供するユーザを決定するのではなく、用途属性に基づいて情報の内容そのものを決定してもよい。

［２－３．第２実施形態の推定システムで実行される処理］
図１７は、第２実施形態の推定システムＳで実行される処理の一例を示すフロー図である。図１７の処理は、制御部１１が記憶部１２に記憶されたプログラムに従って動作することによって実行される。図１７の処理は、図１４に示す機能ブロックにより実行される処理の一例である。

図１７に示すように、サーバ１０は、場所データベースＤＢ２に基づいて、複数の無線通信装置２０の各々が配置された場所の中から、推定対象場所を決定する（Ｓ３００）。Ｓ３００では、サーバ１０は、場所データベースＤＢ２のレコードを最初から順番に選択し、そのレコードに対応する場所を、推定対象場所として決定する。

サーバ１０は、ユーザデータベースＤＢ１に基づいて、推定対象場所を訪れた少なくとも１人のユーザを特定する（Ｓ３０１）。Ｓ３０１では、サーバ１０は、ユーザデータベースＤＢ１に格納された履歴情報に、推定対象場所の位置が示された少なくとも１人のユーザを特定する。Ｓ３０１では、全ての期間における履歴情報の中から、推定対象場所の位置が示された少なくとも１人のユーザが特定される場合を説明するが、一部の期間における履歴情報の中から、推定対象場所の位置が示された少なくとも１人のユーザが特定されてもよい。

サーバ１０は、ユーザデータベースＤＢ１に基づいて、Ｓ３０１で特定した少なくとも１人のユーザの中心地に基づいて、平均中心地を計算する（Ｓ３０２）。Ｓ３０２では、サーバ１０は、ユーザデータベースＤＢ１に格納された、Ｓ３０１で特定した少なくとも１人のユーザの各々の中心地の平均を計算し、平均中心地として取得する。

サーバ１０は、推定対象場所の位置と、Ｓ３０２で計算した平均中心地と、の距離を計算し（Ｓ３０３）、Ｓ３０３で計算した距離と、属性定義データＤＴと、に基づいて、推定対象場所の用途属性を推定して場所データベースＤＢ２を更新する（Ｓ３０４）。Ｓ３０４では、サーバ１０は、Ｓ３０３で計算した距離が満たす条件に関連付けられた用途属性を、推定対象場所の用途属性として推定する。

サーバ１０は、まだ用途属性を推定していない場所が存在するか否かを判定する（Ｓ３０５）。まだ用途属性を推定していない場所が存在すると判定された場合（Ｓ３０５；Ｙ）、Ｓ３００の処理に戻る。この場合、次に用途属性が推定される場所が決定され、その場所についてＳ３０１～Ｓ３０４の処理が実行されて、その場所の用途属性が推定される。

まだ用途属性を推定していない場所が存在すると判定されない場合（Ｓ３０５；Ｎ）、サーバ１０は、ユーザデータベースＤＢ１と、場所データベースＤＢ２と、に基づいて、複数のユーザの各々に対し、個々の場所の用途属性に応じた情報を提供し（Ｓ３０６）、本処理は終了する。

第２実施形態の推定システムＳによれば、用途属性の推定対象の場所である推定対象場所と、その推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報が示す位置と、の位置関係に基づいて、推定対象場所の用途属性を推定することによって、用途属性を精度よく推定できる。例えば、「コンビニエンスストア」の場所属性の店舗だったとしても、「近隣住民向け」や「観光客向け」といったように、実際の店舗の使われ方を示す用途属性を推定できる。更に、店舗を利用する客層が変化したとしても、用途属性にその変化が表れるので、客層の変化を柔軟に察知できる。

また、推定システムＳは、推定対象場所の位置と、位置情報が示す位置と、の距離に基づいて、推定対象場所の用途属性を推定することによって、距離というシンプルな指標を利用して、用途属性を精度よく推定できる。

また、推定システムＳは、推定対象場所の位置と、平均中心地と、の位置関係を取得することによって、推定対象場所を訪れた複数のユーザの傾向を全体的に考慮し、用途属性を精度よく推定できる。

また、推定システムＳは、推定対象場所に関連付けられた場所属性とは異なる用途属性として、推定対象場所の用途を推定することによって、単なる業種等とは異なる観点の用途属性を精度よく推定できる。

また、推定システムＳは、第１実施形態のようにして推定された中心地を位置情報として用いることによって、ユーザが普段訪れる中心地を基準として用途属性を推定し、用途属性を精度よく推定できる。

また、推定システムＳは、推定対象場所の一例である店舗の用途属性を精度よく推定できる。その結果、店舗が実際にどのような使われ方をするのかを推定できる。

また、推定システムＳは、推定対象場所の用途属性に基づいて、推定対象場所に関する情報を、ユーザに提供することによって、有用な情報をユーザに提供できる。例えば、店舗の実際の使われ方に応じた情報をユーザに提供し、ユーザがより興味を持つ情報を提供できる。

［３．変形例］
なお、本開示は、以上に説明した実施形態に限定されるものではない。本開示の趣旨を逸脱しない範囲で、適宜変更可能である。

図１８は、変形例における機能ブロック図である。図１８に示すように、以降説明する変形例では、第１実施形態及び第２実施形態で説明した機能に加えて、属性利用部１０９、第１条件特定部１１０、第２条件特定部１１１、第３条件特定部１１２、第１候補特定部１１３、第２候補特定部１１４、及び第３候補特定部１１５が実現される。これら各機能は、制御部１１を主として実現される。

［３－１．第１実施形態の変形例］
（１－１）第１実施形態の変形例を説明する。例えば、第１実施形態と第２実施形態を組み合わせた場合、将来の中心地が推定された初心者ユーザが実際に訪れた場所の用途属性が推定される。この場合に、当該推定された用途属性が、学習モデルＭ１による中心地の推定で利用されてもよい。

変形例（１－１）の推定システムＳは、属性推定部１０７と、属性利用部１０９と、を含む。属性推定部１０７は、初心者ユーザが訪れた場所である第５場所の位置と、初心者ユーザの将来の中心地と、の位置関係に基づいて、当該第５場所の用途属性である第５場所属性を推定する。

第５場所は、将来の中心地が推定された初心者ユーザが訪れた場所である。例えば、第５場所は、ある初心者ユーザの中心地が推定された後に、その初心者ユーザが訪れた場所である。また例えば、第５場所は、ある初心者ユーザの中心地が推定される前に、その初心者ユーザが訪れた場所であってもよい。即ち、第５場所は、第３場所と同じであってもよい。

位置関係の意味、用途属性の意味、及び属性推定部１０７による用途属性の推定方法は、第２実施形態で説明した通りである。属性推定部１０７が推定する属性が用途属性に限られない点も、第２実施形態で説明した通りである。なお、変形例（１－１）では、第２実施形態で説明した第２提供部１０８が実現されてもよいし、第２提供部１０８は省略してもよい。

属性利用部１０９は、属性推定部１０７により推定された第５場所属性を、初心者ユーザの将来の中心地の推定で利用する。例えば、属性利用部１０９は、属性推定部１０７により推定された第５場所属性に基づいて、場所データベースＤＢ２を更新する。当該更新された場所データベースＤＢ２が、初心者ユーザの将来の中心地の推定で利用される。

変形例（１－１）では、場所属性だけでなく、用途属性である第５場所属性も学習モデルＭ１に入力されるものとする。訓練データの入力部分は、ベテランユーザが初心者ユーザだった頃に訪れた場所の情報なので、学習部１０１は、属性利用部１０９により更新された場所データベースＤＢ２を参照し、ベテランユーザが初心者ユーザだった頃に訪れた場所の第５場所属性を、訓練データの入力部分として追加する。即ち、この第５場所属性は、訓練データの入力部分の新たな特徴量として利用される。

学習部１０１は、入力部分に、属性推定部１０７により推定された第５場所属性を含む訓練データを作成する。学習部１０１は、属性推定部１０７により推定された第５場所属性を含む訓練データに基づいて、学習モデルＭ１を学習させる。学習後の学習モデルＭ１には、初心者ユーザが訪れた場所の用途属性である第５場所属性も入力される。学習後の学習モデルＭ１が初心者ユーザの将来の中心地の推定で利用されることによって、属性推定部１０７により推定された第５場所属性が、この推定で利用されることになる。なお、学習部１０１は、第５場所属性ごとに、学習モデルＭ１を作成してもよい。

変形例（１－１）によれば、初心者ユーザが訪れた第５場所の位置と、初心者ユーザの将来の中心地と、の位置関係に基づいて、用途属性である第５場所属性を推定し、初心者ユーザの将来の中心地の推定で利用することによって、初心者ユーザの将来の中心地の推定の精度を高めることができる。第２実施形態で説明したように、用途属性は店舗等の実際の使われ方を表すものなので、ユーザが訪れた場所の実情に沿った精度の高い中心地の推定を実現できる。

（１－２）また例えば、第１実施形態では、通信サービスに推定システムＳを適用する場合を説明したが、推定システムＳは、任意の他のサービスに適用可能である。例えば、他のサービスは、電子決済サービス、経路案内サービス、飲食店予約サービス、旅行予約サービス、チケット予約サービス、金融サービス、又は保険サービスであってもよい。

変形例（１－２）では、電子決済サービスに推定システムＳを適用する場合を説明する。例えば、ユーザ端末３０には、電子決済用のアプリケーション（以降、電子決済アプリ）がインストールされている。ユーザは、電子決済アプリに基づいて、任意の決済手段を利用して決済できる。例えば、決済手段は、電子マネー、電子キャッシュ、ポイント、仮想通貨、クレジットカード、デビットカード、銀行口座、又はウォレットである。

ユーザは、店舗に配置されたリーダ装置にユーザ端末３０をかざすことによって、電子決済を実行する。電子決済自体は、任意の方法によって実行可能であり、例えば、ユーザ端末３０のカメラでコード情報を読み取るタイプ、ユーザ端末３０に表示させたコード情報を店舗のＰＯＳ端末等で読み取るタイプ、ユーザ端末３０のＩＣチップを読み取るタイプ、又はユーザ端末３０に対する操作だけで完結するタイプであってもよい。他にも例えば、ユーザ端末３０を利用せずに、ＩＣカード又は磁気カードを利用した電子決済であってもよい。

変形例（１－２）では、ユーザデータベースＤＢ１の履歴情報は、ユーザが過去に電子決済サービスを利用した店舗の履歴を示す。即ち、履歴情報は、ユーザが過去に実行した電子決済の履歴を示す。例えば、履歴情報には、ユーザが電子決済サービスを利用した店舗の位置、場所属性、利用日時、及び決済金額が含まれる。ユーザが電子決済サービスを利用した店舗は、ユーザが訪れた場所に相当する。このため、本変形例の第１場所及び第２場所の各々は、ベテランユーザが過去に利用した店舗である。第３場所は、初心者ユーザが過去に利用した店舗であり、第４場所は、初心者ユーザが将来に利用する店舗である。学習モデルＭ１には、ベテランユーザが初心者ユーザだった頃に訪れた店舗の位置に基づく第１中心地と、ベテランユーザがそれよりも後に訪れた店舗に基づく第２中心地と、の関係が学習されている。

将来推定部１０３は、初心者ユーザが将来に訪れそうな複数の店舗の中心地を推定する。第１提供部１０２は、ある初心者ユーザの将来の中心地に基づいて、その初心者ユーザに対し、その中心地付近にある店舗に関する情報を提供する。例えば、第１提供部１０２は、ある初心者ユーザの将来の中心地付近にある店舗のクーポン情報を提供したり、その店舗のおすすめ情報を提供したりする。

変形例（１－２）によれば、初心者ユーザの将来に訪れそうな複数の店舗の中心地の推定の精度が高まる。その結果、ユーザが興味を持ちそうな店舗に関する情報を事前に提供できる。

（１－３）また例えば、学習モデルＭ１の入力と出力の関係は、第１実施形態の例に限られない。学習モデルＭ１には、あるベテランユーザが初心者ユーザだった頃に訪れた場所の何らかの位置に基づく情報と、ベテランユーザがそれよりも後に訪れた場所の何らかの位置に基づく情報と、の関係が学習されていればよい。例えば、学習モデルＭ１には、あるベテランユーザが初心者ユーザだった頃に訪れたｎ個（ｎは自然数）の場所の各々の位置と、ベテランユーザが初心者ユーザではなくなった後の中心地と、の関係が学習されてもよい。この場合、学習モデルＭ１は、ｎ個の位置が入力されると、それに応じた中心地を出力する。入力される位置がｎ個に満たない場合には、不足する分は欠損値として扱ってもよいし、仮の値で補完されるようにしてもよい。

また例えば、学習モデルＭ１を利用して推定された中心地は、その中心地周辺の店舗に関する情報を提供する以外にも種々の目的で利用可能である。例えば、あるユーザの中心地と、そのユーザの登録された自宅住所又は勤務先住所と、が比較されて、そのユーザの引っ越し又は転職による住所変更が検知され、登録された自宅住所又は勤務先住所の変更を促すメッセージが送信されるようにしてもよい。他にも例えば、あるユーザの昼の中心地と、そのユーザの勤務先住所と、が比較されることによって転職による住所変更が検知されてもよいし、あるユーザの平日の夜又は休日の中心地と、そのユーザの自宅住所と、が比較されることによって引っ越しが検知されてもよい。

また例えば、将来の中心地を推定する初心者ユーザが普段訪れる場所の場所属性と関連性が低い場所については学習モデルＭ１の寄与度を下げるようにしてもよい。また例えば、時間帯や曜日ごとに、初心者ユーザの将来の中心地を推定し、時間帯や曜日に応じた情報が提供されるようにしてもよい。この場合、時間帯や曜日ごとに、異なる場所属性の場所に関する情報が提供されてもよい。例えば、ある初心者ユーザの平日の昼の中心地に基づいて、平日の昼に利用可能なレストラン又はカフェ等の情報が提供されてもよい。また例えば、ある初心者ユーザの平日の夜の中心地に基づいて、平日の夜に利用可能なスーパーマーケット又はコンビニエンスストア等の情報が提供されてもよい。

また例えば、時間帯又は曜日ごとに、ユーザの利用回数が計算されて、最も利用回数が多い時間帯又は曜日に推定された中心地が、そのユーザの全体の中心地として取得されてもよい。また例えば、あるユーザの中心地が都心部の場合には、その中心地から比較的近い場所に関する情報が提示されてもよい。また例えば、あるユーザの中心地が地方部の場合には、その中心地から比較的遠い場所に関する情報が提示されてもよい。また例えば、ユーザの中心地とばらつき具合に応じた普段の行動範囲に基づいて、そのユーザに情報が提示されてもよい。この場合、普段の行動範囲が狭いユーザについては比較的狭い範囲の情報が提示され、普段の行動範囲が広いユーザについては比較的広い範囲の情報が提示されてもよい。

［３－２．第２実施形態の変形例］
（２－１）第２実施形態の変形例を説明する。例えば、無線通信装置２０が配置された場所のエリアによって、用途属性の推定に関する条件が異なることがある。例えば、地方部のユーザは、都心部のユーザに比べると、日常生活における移動距離が長いことが多い。このため、無線通信装置２０が配置された場所のエリアが地方部であれば、用途属性の推定時の閾値を大きくし、無線通信装置２０が配置されたエリアが都心部であれば、用途属性の推定時の閾値を小さくしてもよい。

図１９は、変形例（２－１）における属性定義データＤＴのデータ格納例を示す図である。図１９に示すように、変形例（２－１）の属性定義データＤＴには、エリアごとに、用途属性の推定に関する条件と、用途属性の候補と、が関連付けられている。エリアは、一定の広さを有する領域であればよく、例えば、都市部や地方部といった観点でエリアが分けられていてもよいし、ビジネス街や住宅地といった観点でエリアが分けられていてもよい。なお、図１９の例では、各エリアに関連付けられた用途属性の候補が同じである場合を説明するが、後述する変形例（２－４）のように、エリアごとに用途属性の候補が異なってもよい。

第１条件特定部１１０は、複数のエリアのうち、推定対象場所が属するエリアに基づいて、用途属性の推定に関する条件を特定する。第１条件特定部１１０は、場所データベースＤＢ２に基づいて、推定対象場所の位置を特定し、複数のエリアの中から、当該特定された位置が属するエリアを特定する。第１条件特定部１１０は、属性定義データＤＴに基づいて、当該特定されたエリアに関連付けられた条件を特定する。

属性推定部１０７は、第１条件特定部１１０により特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定する。第１条件特定部１１０により特定された条件が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－１）によれば、推定対象場所が属するエリアに基づいて特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定することによって、エリアに応じた条件で用途属性を推定し、用途属性の推定精度が高まる。例えば、地方部にいるユーザが車で２時間かけて行く場所が「観光客向け」と推定されずに「近隣住民向け」と推定され、都心部にいるユーザが車で２時間かけて行く場所が「近隣住民向け」と推定されずに「観光客向け」と推定されるようになる。

（２－２）また例えば、無線通信装置２０が配置された場所に関連付けられていた場所属性によっては、用途属性の推定に関する条件が異なることがある。例えば、場所属性「アウトレットモール」を訪れるユーザは、場所属性「コンビニエンスストア」を訪れるユーザに比べると、移動距離が長いことが多い。このため、無線通信装置２０が配置された場所の場所属性が「アウトレットモール」であれば、用途属性の推定時の閾値を大きくし、無線通信装置２０が配置された場所が場所属性「コンビニエンスストア」であれば、用途属性の推定時の閾値を小さくしてもよい。

図２０は、変形例（２－２）における属性定義データＤＴのデータ格納例を示す図である。図２０に示すように、変形例（２－２）の属性定義データＤＴには、場所属性ごとに、用途属性の推定に関する条件と、用途属性の候補と、が関連付けられている。なお、図２０の例では、各場所属性に関連付けられた用途属性の候補が同じである場合を説明するが、後述する変形例（２－５）のように、場所属性ごとに用途属性の候補が異なってもよい。

第２条件特定部１１１は、複数の場所属性のうち、推定対象場所に関連付けられた場所属性に基づいて、用途属性の推定に関する条件を特定する。第２条件特定部１１１は、場所データベースＤＢ２に基づいて、推定対象場所の場所属性を特定する。第１条件特定部１１０は、属性定義データＤＴに基づいて、当該特定された場所属性に関連付けられた条件を特定する。

属性推定部１０７は、第２条件特定部１１１により特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定する。第２条件特定部１１１により特定された条件が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－２）によれば、推定対象場所に関連付けられた場所属性に基づいて特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定することによって、場所属性に応じた条件で用途属性を推定し、用途属性の推定精度が高まる。これにより、ユーザが電車で２時間かけて行くアウトレットモール内の店舗が「観光客向け」と推定されずに「通常の買物向け」と推定され、ユーザが電車で２時間かけて行く観光地にあるコンビニエンスストアが「通常の買物向け」と推定されずに「観光客向け」と推定されるようになる。

（２－３）また例えば、無線通信装置２０が配置された場所を訪れたユーザの中心地と、個々の場所の位置と、の距離のばらつき具合によっては、用途属性の推定に関する条件が異なることがある。例えば、ある場所を訪れたユーザのばらつき具合が大きければ、その場所は遠出をするのが好きなユーザが訪れやすい場所のため、大きめの閾値にしてもよい。また例えば、ある場所を訪れたユーザのばらつき具合が小さければ、その場所は普段は遠出をしないユーザが訪れやすい場所のため小さめの閾値にしてもよい。

図２１は、変形例（２－３）における属性定義データＤＴのデータ格納例を示す図である。図２１に示すように、変形例（２－３）の属性定義データＤＴには、ばらつき具合ごとに、用途属性の推定に関する条件と、用途属性の候補と、が関連付けられている。なお、図２１の例では、各ばらつき具合に関連付けられた用途属性の候補が同じである場合を説明するが、後述する変形例（２－６）のように、場所属性ごとに用途属性の候補が異なってもよい。

第３条件特定部１１２は、ユーザが訪れた複数の他の場所に関する中心地と、複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて、用途属性の推定に関する条件を特定する。第３条件特定部１１２は、ユーザデータベースＤＢ１に基づいて取得された、ある場所を訪れたユーザの中心地と、そのユーザの履歴情報に含まれる位置と、に基づいて、そのユーザのばらつき具合を取得する。第３条件特定部１１２は、ある場所を訪れたユーザのばらつき具合の平均を計算し、当該計算された平均のばらつき具合に関連付けられた条件を特定する。

属性推定部１０７は、第３条件特定部１１２により特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定する。第３条件特定部１１２により特定された条件が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－３）によれば、ユーザが訪れた複数の他の場所に関する中心地と、複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて特定された条件と、第３取得部１０６により取得された位置関係と、に基づいて、推定対象場所の用途属性を推定することによって、このばらつき具合に応じた条件で用途属性を推定し、用途属性の推定精度が高まる。例えば、普段から遠出をしてでも食事をするのが好きなユーザ（ばらつき具合の大きいユーザ）が訪れるレストランが「観光客向け」ではなく「グルメユーザ向け」と推定されるようになり、普段は遠出をしないユーザ（ばらつき具合の小さいユーザ）が訪れるレストランが「グルメユーザ向け」ではなく「観光客向け」と推定されるようになる。

（２－４）また例えば、無線通信装置２０が配置された場所のエリアによっては、そのエリア特有の用途属性を関連付けた方がよいことがある。変形例（２－４）の属性定義データＤＴには、エリアごとに、用途属性の候補が関連付けられている。属性定義データＤＴの形式自体は、図１９と同様であるが、用途属性の候補がエリアごとに異なる。例えば、「地方部」のエリアには「観光客向け」「近隣住民向け」の候補が関連付けられている。また例えば、「都市部」のエリアには、「近隣企業の接待向け」「デート向け」の候補が関連付けられている。

第１候補特定部１１３は、複数のエリアのうち、推定対象場所が属するエリアに基づいて、用途属性の複数の候補を特定する。第１候補特定部１１３は、場所データベースＤＢ２に基づいて、推定対象場所の位置を特定し、複数のエリアの中から、当該特定された位置が属するエリアを特定する。第１候補特定部１１３は、属性定義データＤＴに基づいて、当該特定されたエリアに関連付けられた候補を特定する。

属性推定部１０７は、第３取得部１０６により取得された位置関係に基づいて、第１候補特定部１１３により特定された複数の候補の中から、推定対象場所の用途属性を推定する。第１候補特定部１１３により特定された候補が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－４）によれば、推定対象場所が属するエリアに基づいて特定された複数の候補の中から、推定対象場所の用途属性を推定することによって、エリアに応じた用途属性を推定できる。例えば、地方部のレストランであれば「観光客向け」「近隣住民向け」の候補の中から用途属性が推定され、都市部のレストランであれば、「近隣企業の接待向け」「デート向け」の候補の中から用途属性が推定されるようになる。

（２－５）また例えば、無線通信装置２０が配置された場所に関連付けられていた場所属性によっては、その場所属性特有の用途属性を関連付けた方がよいことがある。変形例（２－５）の属性定義データＤＴには、場所属性ごとに、用途属性の候補が関連付けられている。属性定義データＤＴの形式自体は、図２０と同様であるが、用途属性の候補が場所属性ごとに異なる。例えば、「ショッピングモール」の場所属性には「観光客向け」「近隣住民向け」の候補が関連付けられている。また例えば、「レストラン」の場所属性には「近隣企業の接待向け」「デート向け」の候補が関連付けられている。

第２候補特定部１１４は、複数の場所属性のうち、推定対象場所に関連付けられた場所属性に基づいて、用途属性の複数の候補を特定する。第２候補特定部１１４は、場所データベースＤＢ２に基づいて、推定対象場所の場所属性を特定する。第２候補特定部１１４は、属性定義データＤＴに基づいて、当該特定された場所属性に関連付けられた候補を特定する。

属性推定部１０７は、第３取得部１０６により取得された位置関係に基づいて、第２候補特定部１１４により特定された複数の候補の中から、推定対象場所の用途属性を推定する。第２候補特定部１１４により特定された候補が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－５）によれば、推定対象場所に関連付けられた場所属性に基づいて特定された複数の候補の中から、推定対象場所の用途属性を推定することによって、推定対象場所に関連付けられた場所属性に応じた用途属性を推定できる。例えば、場所属性「ショッピングモール」の店舗であれば「観光客向け」「近隣住民向け」の候補の中から用途属性が推定され、場所属性「レストラン」の店舗であれば「近隣企業の接待向け」「デート向け」の候補の中から用途属性が推定されるようになる。

（２－６）また例えば、無線通信装置２０が配置された場所を訪れたユーザの中心地と、個々の場所の位置と、の距離のばらつき具合によっては、そのばらつき具合特有の用途属性を関連付けた方がよいことがある。変形例（２－６）の属性定義データＤＴには、ばらつき具合ごとに、用途属性の候補が関連付けられている。属性定義データＤＴの形式自体は、図２１と同様であるが、用途属性の候補がばらつき具合ごとに異なる。例えば、比較的大きなばらつき具合には「グルメユーザ向け」と「近隣住民向け」の候補が関連付けられている。また例えば、比較的小さなばらつき具合には「観光客向け」と「近隣住民向け」の候補が関連付けられている。

第３候補特定部１１５は、ユーザが訪れた複数の他の場所に関する中心地と、複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて、用途属性の複数の候補を特定する。第３候補特定部１１５は、ユーザデータベースＤＢ１に基づいて取得された、ある場所を訪れたユーザの中心地と、そのユーザの履歴情報に含まれる位置と、に基づいて、そのユーザのばらつき具合を取得する。第３候補特定部１１５は、ある場所を訪れたユーザのばらつき具合の平均を計算し、当該計算された平均のばらつき具合に関連付けられた候補を特定する。

属性推定部１０７は、第３取得部１０６により取得された位置関係に基づいて、第３候補特定部１１５により特定された複数の候補の中から、推定対象場所の用途属性を推定する。第３候補特定部１１５により特定された候補が推定で用いられる点で第２実施形態と異なり、用途属性の推定方法自体は、第２実施形態で説明した通りである。

変形例（２－６）によれば、ユーザが訪れた複数の他の場所に関する中心地と、複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて特定された複数の候補の中から、推定対象場所の用途属性を推定することによって、ばらつき具合に応じた用途属性を推定できる。例えば、ある場所を訪れたユーザのばらつき具合が大きければ「グルメユーザ向け」と「近隣住民向け」の候補の中から用途属性が推定され、ある場所を訪れたユーザのばらつき具合が小さければ「観光客向け」と「近隣住民向け」の候補の中から用途属性が推定される。

（２－７）また例えば、第２取得部１０５は、ユーザが訪れた複数の他の場所のうち、推定対象場所と同じ場所属性が関連付けられた他の場所の位置に基づいて、位置情報を取得してもよい。例えば、第２取得部１０５は、予め「レストラン」や「コンビニエンスストア」といった場所属性が定められている場合、ユーザの中心地は、推定対象店舗と同じ場所属性が関連付けられた他の店舗の位置に基づいて計算する。

例えば、第２取得部１０５は、推定対象店舗の場所属性が「レストラン」の場合には、ユーザが訪れた「コンビニエンスストア」の位置は、用途属性の推定で重要ではない可能性があるので、中心地の計算から除外したり、中心地の計算における重み付けを小さくしたりする。第２取得部１０５は、第２取得部１０５は、推定対象店舗の場所属性が「コンビニエンスストア」の場合には、ユーザが訪れた「レストラン」の位置は、用途属性の推定で重要ではない可能性があるので、中心地の計算から除外したり、中心地の計算における重み付けを小さくしたりする。

変形例（２－７）によれば、推定対象場所と同じ場所属性が関連付けられた他の場所の位置に基づいて、ユーザの中心地を取得することによって、用途属性の推定の精度が高まる。例えば、場所属性「コンビニエンスストア」の推定対象場所の用途属性を推定するためには、ユーザが場所属性「カフェ」を訪れた時の中心地ではなく、ユーザが同じ場所属性「コンビニエンスストア」を訪れた時の中心地の方があてになる可能性があるので、場所属性を考慮することによって、用途属性の推定の精度が効果的に高まる。更に、ユーザに「コンビニエンスストア」の情報を提供したい場合には、より有用な情報を提供できる。

（２－８）また例えば、属性推定部１０７は、他の推定対象場所に対応する位置関係と、他の推定対象場所に関連付けられた用途属性と、の関係が学習された学習モデルＭ２に基づいて、用途属性を推定してもよい。学習モデルＭ２には、正解となる用途属性が分かっている他の推定対象場所に対応する距離（第３取得部１０６により取得された距離）と、正解となる用途属性と、の関係が学習されている。属性推定部１０７は、第３取得部１０６により取得された推定対象場所に対応する距離を学習モデルＭ２に入力し、学習モデルＭ２から出力された用途属性を取得する。学習モデルＭ２には、変形例（２－１）～（２－７）で説明した条件や候補等が学習されていてもよい。

変形例（２－８）によれば、学習モデルＭ２に基づいて用途属性を推定することによって、用途属性の推定の精度が効果的に高まる。例えば、管理者が指定した固定の閾値等を利用するのではなく、学習モデルＭ２を利用することによって、ユーザの傾向の変化を学習モデルＭ２が自然と学習し、その変化が用途属性の推定に反映されるので、実情に沿った用途属性を推定できる。

（２－９）また例えば、第２実施形態でも、変形例（１－１）と同様に、属性利用部１０９が、推定対象場所の用途属性を、第４位置情報の推定で利用してもよい。属性利用部１０９の詳細は、変形例（１－１）で説明した通りである。

変形例（２－９）によれば、推定対象場所の用途属性を、初心者ユーザの将来の中心地の推定で利用することによって、初心者ユーザの将来の中心地の推定の精度を高めることができる。用途属性は店舗等の実際の使われ方を表すものなので、ユーザが訪れた場所の実情に沿った精度の高い中心地の推定を実現できる。

（２－１０）また例えば、ユーザが訪れる場所は、そのユーザの休日である週末等にばらつく可能性があるので、ユーザが平日に訪れた場所に基づいて、そのユーザの中心地が計算されてもよい。例えば、ユーザが週末に旅行に行った場合には、その時に訪れた場所によって正確な中心地が計算されない可能性があるので、ユーザが平日に訪れた場所に基づいて中心地が計算されるようにしてもよい。

また例えば、ある推定対象場所の近隣住民のユーザと、その推定対象場所から遠くに住んでいる観光客のユーザと、の両方の利用がある場合に、混合正規分布を利用して距離の分布が計算されてもよい。この場合、推定対象場所及びユーザの各々がどの分布の山に属するかを示す確率が推定され、より高い確率の山に属しているものとしてもよい。山の数は、種々の方法で定義可能であり、例えば、近隣住民のユーザと観光客のユーザのみを区別すると事前に定める場合には、２つの正規分布の混合分布であると仮定すればよい。そうでない場合（ユーザを３つ以上に区分する場合）には、ＡＩＣ（赤池情報量規準）、ＢＩＣ（ベイズ情報量規準）、ＭＤＬ（最小記述長）といった種々の情報量規準を利用して、適切な分布の山の数が推定されてもよい。上記の混合正規分布では、それぞれの分布の山の意味を、場所属性やその数によって変えてもよい。この場合、同一の場所属性の店舗内で平均と分散が集計された時に複数のクラスタに分割されてもよい。このようにすることによって、各場所属性でどのような分布分けをすべきなのかを定義できる。

［３－３．その他の変形例］
また例えば、上記説明した変形例を組み合わせてもよい。また例えば、主な機能がサーバ１０で実現される場合を説明したが、各機能は複数のコンピュータで分担されてもよい。

Ｓ 推定システム、Ｍ マップ、Ｎ ネットワーク、Ｒ 通信可能範囲、Ｘ リゾートエリア、Ｙ 店舗、Ｚ 店舗、１０ サーバ、１１ 制御部、１２ 記憶部、１３ 通信部、２０ 無線通信装置、３０ ユーザ端末、３１ 制御部、３２ 記憶部、３３ 通信部、３４ 操作部、３５ 表示部、３６ 受信部、３７ ＩＣチップ、Ｃ１，Ｃ２，Ｃ３，Ｃ４ 中心地、ＤＴ 属性定義データ、Ｍ１，Ｍ２ 学習モデル、１００ データ記憶部、１０１ 学習部、１０２ 第１取得部、１０３ 将来推定部、１０４ 第１提供部、１０５ 第２取得部、１０６ 第３取得部、１０７ 属性推定部、１０８ 第２提供部、１０９ 属性利用部、１１０ 第１条件特定部、１１１ 第２条件特定部、１１２ 第３条件特定部、１１３ 第１候補特定部、１１４ 第２候補特定部、１１５ 第３候補特定部、ＤＢ１ ユーザデータベース、ＤＢ２ 場所データベース、ＤＢ３ 訓練データベース、ＤＢ４ 情報データベース。

Claims (17)

1. 属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する位置情報取得手段と、
   前記推定対象場所の位置と、前記位置情報が示す位置と、の位置関係を取得する位置関係取得手段と、
   前記位置関係に基づいて、前記推定対象場所の前記属性を推定する属性推定手段と、
   を含む推定システム。
2. 前記位置関係取得手段は、前記位置関係として、前記推定対象場所の位置と、前記位置情報が示す位置と、の距離を取得し、
   前記属性推定手段は、前記距離に基づいて、前記推定対象場所の前記属性を推定する、
   請求項１に記載の推定システム。
3. 前記位置情報は、複数の前記ユーザの各々が訪れた複数の前記他の場所の各々の位置に関する中心地の平均である平均中心地を含み、
   前記位置関係取得手段は、前記推定対象場所の位置と、前記平均中心地と、の前記位置関係を取得する、
   請求項１又は２に記載の推定システム。
4. 前記推定システムは、複数のエリアのうち、前記推定対象場所が属する前記エリアに基づいて、前記属性の推定に関する条件を特定する第１条件特定手段を更に含み、
   前記属性推定手段は、前記条件と、前記位置関係と、に基づいて、前記推定対象場所の前記属性を推定する、
   請求項１～３の何れかに記載の推定システム。
5. 前記推定対象場所には、前記属性とは異なる観点の他の属性が関連付けられており、
   前記推定システムは、複数の前記他の属性のうち、前記推定対象場所に関連付けられた前記他の属性に基づいて、前記属性の推定に関する条件を特定する第２条件特定手段を更に含み、
   前記属性推定手段は、前記条件と、前記位置関係と、に基づいて、前記推定対象場所の前記属性を推定する、
   請求項１～４の何れかに記載の推定システム。
6. 前記推定システムは、前記ユーザが訪れた複数の前記他の場所に関する中心地と、前記複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて、前記属性の推定に関する条件を特定する第３条件特定手段を更に含み、
   前記属性推定手段は、前記条件と、前記位置関係と、に基づいて、前記推定対象場所の前記属性を推定する、
   請求項１～５の何れかに記載の推定システム。
7. 前記推定システムは、複数のエリアのうち、前記推定対象場所が属する前記エリアに基づいて、前記属性の複数の候補を特定する第１候補特定手段を更に含み、
   前記属性推定手段は、前記位置関係に基づいて、前記複数の候補の中から、前記推定対象場所の前記属性を推定する、
   請求項１～６の何れかに記載の推定システム。
8. 前記推定対象場所には、前記属性とは異なる観点の他の属性が関連付けられており、
   前記推定システムは、複数の前記他の属性のうち、前記推定対象場所に関連付けられた前記他の属性に基づいて、前記属性の複数の候補を特定する第２候補特定手段を更に含み、
   前記属性推定手段は、前記位置関係に基づいて、前記複数の候補の中から、前記推定対象場所の前記属性を推定する、
   請求項１～７の何れかに記載の推定システム。
9. 前記推定システムは、前記ユーザが訪れた複数の前記他の場所に関する中心地と、前記複数の他の場所の各々の位置と、の距離のばらつき具合に基づいて、前記属性の複数の候補を特定する第３候補特定手段を更に含み、
   前記属性推定手段は、前記位置関係に基づいて、前記複数の候補の中から、前記推定対象場所の前記属性を推定する、
   請求項１～８の何れかに記載の推定システム。
10. 前記推定対象場所には、前記属性とは異なる観点の他の属性が関連付けられており、
    前記属性推定手段は、前記他の属性とは異なる前記属性として、前記推定対象場所の用途を推定する、
    請求項１～９の何れかに記載の推定システム。
11. 前記推定対象場所には、前記属性とは異なる観点の他の属性が関連付けられており、
    前記位置情報取得手段は、前記ユーザが訪れた複数の前記他の場所のうち、前記推定対象場所と同じ前記他の属性が関連付けられた前記他の場所の位置に基づいて、前記位置情報を取得する、
    請求項１～１０の何れかに記載の推定システム。
12. 前記属性推定手段は、他の前記推定対象場所に対応する前記位置関係と、前記他の推定対象場所に関連付けられた前記属性と、の関係が学習された学習モデルに基づいて、前記属性を推定する、
    請求項１～１１の何れかに記載の推定システム。
13. 前記推定システムは、
    第１ユーザが過去に訪れた場所である第１場所の位置に基づく第１位置情報と、前記第１ユーザが前記第１場所よりも後に訪れた場所である第２場所の位置に基づく第２位置情報と、の関係が学習された学習モデルを記憶する記憶手段と、
    第２ユーザが過去に訪れた場所である第３場所の位置に基づく第３位置情報を取得する取得手段と、
    前記第２ユーザが将来に訪れそうな場所である第４場所の位置に基づく第４位置情報の推定結果として、前記第３位置情報に対応する前記学習モデルの出力を取得する推定手段と、
    前記推定対象場所の前記属性を、前記第４位置情報の推定で利用する属性利用手段と、
    を更に含む請求項１～１２の何れかに記載の推定システム。
14. 前記推定対象場所及び前記他の場所の各々は、前記ユーザが利用した店舗であり、
    前記推定対象場所は、推定対象店舗であり、
    前記他の場所は、前記推定対象店舗とは異なる他の店舗であり、
    前記属性は、前記推定対象店舗の用途である、
    請求項１～１３の何れかに記載の推定システム。
15. 前記推定システムは、前記推定対象場所の前記属性に基づいて、前記推定対象場所に関する情報を、前記ユーザに提供する提供手段、
    を含む請求項１～１４の何れかに記載の推定システム。
16. コンピュータが、
    属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する位置情報取得ステップと、
    前記推定対象場所の位置と、前記位置情報が示す位置と、の位置関係を取得する位置関係取得ステップと、
    前記位置関係に基づいて、前記推定対象場所の前記属性を推定する属性推定ステップと、
    を実行する推定方法。
17. 属性の推定対象の場所である推定対象場所を訪れたユーザが訪れた他の場所の位置に関する位置情報を取得する位置情報取得手段、
    前記推定対象場所の位置と、前記位置情報が示す位置と、の位置関係を取得する位置関係取得手段、
    前記位置関係に基づいて、前記推定対象場所の前記属性を推定する属性推定手段、
    としてコンピュータを機能させるためのプログラム。

Images