JP7427760B1 - ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム - Google Patents

Abstract

【課題】ドライバー自身に関する特徴に基づいて所定の傾向のドライバーを予測する仕組みを提供する。【解決手段】情報処理装置は、対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得し、該対象ユーザが所有する車両に関する特徴を表す車両特徴を、該１つ以上の第１のサービスと異なる第２のサービスから取得し、該ユーザ特徴と該車両特徴を入力として、該対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、該対象ユーザが前記所定の傾向のドライバーか否かを予測する。【選択図】図４Ｂ

Description

本発明は、ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラムに関し、特に、所定の傾向のドライバーを予測するための技術に関する。

車両（自動車、自転車を含む）のドライバーは、安全に運転することが求められる。安全に運転できると判定されたドライバーは、優良傾向のドライバーとして認定される。また、優良傾向のドライバーとして認定されると、様々な優遇措置を受けることができる場合がある。例えば、優良傾向のドライバーが、所有する自動車に対する自動車保険に加入している場合、自動車保険の保険料を、非優良傾向のドライバーよりも低い額に抑えることが可能となる。従来、優良傾向のドライバーか否かは、使用する車両で取得された物理的なデータや、ドライバーによる事故の有無により判定されている。

例えば、特許文献１には、ドライバーが使用する自動車におけるエンジン回転変化率、急ブレーキの割合、急ハンドルの割合といった指標を評価することにより、当該ドライバーの運転習熟度を判定することが開示されている。当該文献によれば、当該運転習熟度が高いドライバーは、優良傾向のドライバーであると判定することができる。

特開２０１４－６５３６２号公報

上記文献のように、従来では、優良傾向といった所定の傾向のドライバーか否かは、運転により得られた物理的なデータや事故の有無といった客観的なデータに基づいて判定されている。しかしながら、このような客観的なデータでなく、ドライバーの生活背景といった、ドライバー自身に関する特徴に基づいて当該ドライバーが所定の傾向ドライバーか否かを予測するための仕組みはこれまで提案されていなかった。所定の傾向のドライバーか否かをドライバー自身に関する特徴に基づいて予測することができれば、ドライバーに関して客観的なデータが存在しなくても、当該予測を行うことが可能となる。

本発明は上記課題に鑑みてなされたものであり、ドライバー自身に関する特徴に基づいて所定の傾向のドライバーを予測するための仕組みを提供することを目的とする。

上記課題を解決するために、本発明によるドライバー傾向予測装置の一態様は、対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測手段と、を有する。
上記課題を解決するために、本発明による学習装置の一態様は、複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、を有する。

上記課題を解決するために、本発明によるドライバー傾向予測方法の一態様は、対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得工程と、前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得工程と、前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測工程と、を有する。
上記課題を解決するために、本発明による学習方法の一態様は、複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得工程と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得工程と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得工程と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成工程と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習工程と、を有する。

上記課題を解決するために、本発明による情報処理プログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得処理と、前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得処理と、前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測処理と、を含む処理を実行させるためのものである。
本発明による情報処理プログラムの別の態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得処理と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得処理と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得処理と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成処理と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習処理と、を含む処理を実行させるためのものである。

本発明によれば、ドライバー自身に関する特徴に基づいて所定の傾向のドライバーを予測する仕組みが提供される。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。

図１は、実施形態による情報処理システムの構成例を示す。 図２は、実施形態による情報処理装置の機能構成例を示す。 図３Ａは、ドライバー傾向予測モデルの学習手順のフローチャートを示す。 図３Ｂは、ドライバー傾向予測モデルの学習時の概念図を示す。 図４Ａは、所定の傾向のドライバーの予測手順のフローチャートを示す。 図４Ｂは、所定の傾向のドライバー予測時のドライバー傾向予測モデルの概念図を示す。 図５は、実施形態による情報処理装置とユーザ装置のハードウェア構成例を示す。

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。

［情報処理システムの構成］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）と、ユーザＴ１により使用されるユーザ装置１１－Ｔ１を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎ、１１－Ｔ１をユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。

ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。

ユーザ装置１１のユーザは、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供される複数のウェブサービス（インターネット関連サービス）を利用することができる。これらのウェブサービスは、例えば、ユーザが、情報処理装置１０や他の装置から提供されるＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）に利用登録することにより、当該ユーザにより利用されうる。

本実施形態では、当該ウェブサービスは、カーサービスを含む。本実施形態において、カーサービスは、自動車に関連したサービスを提供するサービスである。例えば、カーサービスは、ユーザに対してガソリンスタンドに関する情報や、車用品のお買い得情報を提供する。また、カーサービスは、ユーザが、所有している自動車に関する情報を登録することにより、ユーザに対してポイントを付与したり、クーポンを配布したりするサービスを含みうる。当該自動車に関する情報は、自動車のメーカー名、車名、型式、買い替え頻度といった情報を含むことができる。

さらに、本実施形態では、当該ウェブサービスは、自動車保険サービス（車両保険サービス）を含む。自動車保険サービスは、当該サービスに登録したユーザが、割り当てられた等級に応じた金額（保険料）を支払うことにより、当該ユーザが所有する自動車による事故等の発生時に保険金を受けられるサービスである。当該等級は、当該自動車保険サービスを運営する保険会社により割り当てられ、安全に運転していると判定されたユーザには、高い等級が割り当てられる。よって、当該等級が高いほど、割引率が高くなり（もしくは、還元率が高くなり）、ユーザが支払う金額は低くなる。当該等級は、サービス利用開始時に所定の等級が割り当てられ、一定期間無事故であるといった所定の条件を満たすことにより、当該一定期間経過後に、高い等級が割り当てられうる。

さらに、当該ウェブサービスは、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。
ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名（名字と名前）といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。

なお、本実施形態において、ユーザ装置１１のユーザが利用することができる複数のウェブサービスは、特定の管理会社およびそのグループ会社（当該管理会社の関連会社）により直接的もしくは間接的に管理および運営されうる。また、当該複数のウェブサービスは、当該複数のウェブサービス間において共通のユーザＩＤで情報（例えば、ユーザ特徴等のユーザにかかる情報）が管理可能に構成される。例えば、ユーザによる、当該複数のウェブサービスにおける任意のサービスの利用に応じて、当該複数のウェブサービス間で共通のポイント等の電子的バリューを、当該ユーザに対して付与することができる。

情報処理装置１０は、ユーザ装置１１から各種情報を取得し、当該情報に基づいて、所定の傾向ドライバーを予測するために、学習モデルを学習させ、当該学習モデルに基づいて、任意のユーザが当該所定の傾向のドライバーか否かを予測する。本実施形態では、情報処理装置１０は、ユーザ装置１１－１～１１－Ｎ（すなわち、ユーザ１～Ｎ）から得た情報を用いて、学習モデルを学習させるように構成される。さらに、情報処理装置１０は、当該学習モデルを用いて、ユーザ装置１１－Ｔ１のユーザＴ１（対象ユーザ）が当該所定の傾向のドライバーか否かを予測するように構成される。なお、本実施形態において、学習モデル（後述するドライバー傾向予測モデル１１２）を学習させるための情報の取得元であるユーザ１～Ｎ（ユーザ装置１１－１～１１－Ｎ）を、複数のサンプルユーザとも称する。

［情報処理装置１０の機能構成］
図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。情報処理装置１０は、ドライバー傾向予測装置および／または学習装置として機能しうる。
図２に示す情報処理装置１０は、ユーザ特徴取得部１０１、車関連特徴取得部１０２、等級データ取得部１０３、学習部１０４、予測部１０５、出力部１０６、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、ユーザ特徴予測モデル１１１およびドライバー傾向予測モデル１１２を記憶している。当該各種学習モデルについては後述する。また、特徴記憶部１２０は、ユーザ特徴１２１、車関連特徴１２２、および等級データ（等級特徴）１２３を記憶している。当該各特徴ついては後述する。

ユーザ特徴取得部１０１は、ユーザ装置１１のユーザのユーザ特徴を取得する。本実施形態において、ユーザ特徴とは、ユーザ装置やユーザについての事実特徴（事実情報）であり、ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０１は例えば、ユーザ装置１１から直接的にユーザ特徴を取得することができる。また、ユーザ特徴取得部１０１は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。ユーザ特徴には、各ユーザの識別子（以下、ユーザＩＤ）が紐づけられている。

本実施形態では、ユーザ特徴取得部１０１は、１つ以上のウェブサービス（１つ以上の第１のサービス）において登録されたデモグラフィック情報と、当該１つ以上のウェブサービスにおけるサービス利用に関する行動を示す情報（例えば、過去のウェブサービスにおける購入行動情報）を、ユーザ特徴として取得する。ユーザ情報を取得する当該１つ以上のウェブサービスには、カーサービスは含まれなくてもよい。デモグラフィック情報は、性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性を示す情報である。購入行動情報は、例えば、購入したアイテムに関する情報（アイテム名、ジャンル、販売元等）や購入日時の情報である。また、ユーザ特徴取得部１０１は、ユーザにより購入の際にウェブサービスに登録された趣向を示すデータを、ユーザ特徴として取得してもよい。

また、ユーザ特徴取得部１０１は、取得したユーザ特徴を、学習済みのユーザ特徴予測モデル１１１に適用して、当該ユーザ特徴に対して推定されたユーザ特徴（推定ユーザ特徴（属性））も取得するように構成される。ユーザ特徴予測モデル１１１は、任意のユーザ（説明のため、「第１ユーザ」と称する）のユーザ特徴（すなわち、事実特徴）を入力として、複数のユーザ特徴それぞれが第１ユーザに該当する（適合する）確率（該当確率）を出力するように構成される。ユーザ特徴取得部１０１は、該当確率から、最終的に、第１ユーザの推定ユーザ特徴を決定する。

例えば、ユーザ特徴取得部１０１は、第１ユーザのユーザ特徴として、第１ユーザのデモグラフィック情報と過去のウェブサービスにおける購入履歴や趣向を示すデータを、ユーザ特徴予測モデル１１１に入力する。ユーザ特徴予測モデル１１１からは、該当確率として、第１ユーザが購入すると推定される複数のアイテムや第１ユーザが有しうる複数の趣向それぞれに対する確率が出力される。そして、ユーザ特徴取得部１０１は、所定値以上の確率を有するアイテムや趣向を、第１ユーザの推定ユーザ特徴として、取得することができる。また、確率そのものを推定ユーザ特徴としてもよい。

本実施形態による推定ユーザ特徴は、働いている確率や子を有する確率、といった、ユーザのライフステージに関する特徴を含みうる。ここで、子を有する確率は、０歳から１歳の子を有する確率、２歳から６歳の子を有する確率、小学生以上の子を有する確率、のように、子の年齢に分かれた確率であってよい。
さらに、本実施形態による推定ユーザ特徴は、旅行に行く確率、スポーツをする確率、たばこを吸う確率、お酒を飲む確率、新聞を購読している確率、ヘルスケア商品を購入する確率といった、ユーザのライフスタイルに関する特徴を含みうる。ここで、旅行に行く確率は、個人で旅行する確率、国内を旅行する確率、国外を旅行する確率、のように、旅行の目的や種別に分かれた確率であってよい。また、たばこを吸う確率やお酒を飲む確率は、場所（例えば、家か外出先（レストラン等））で分かれた確率であってよい。

ユーザ特徴取得部１０１は、取得したユーザ特徴および推定したユーザ特徴を、ユーザ特徴１２１として特徴記憶部１２０に記憶させる。ユーザ特徴は、ユーザＩＤと紐づけて記憶される。ユーザ特徴取得部１０１は、ユーザ特徴１２１を外部の装置に記憶させるように構成されてもよい。

車関連特徴取得部１０２は、ユーザ装置１１のユーザにより、ウェブサービスの１つであるカーサービス（第２のサービス）に登録されている情報を車関連特徴（車両特徴）として取得する。本実施形態では、カーサービスは、自動車に関連したサービスを提供するサービスであり、ユーザは、車関連特徴を登録することにより、当該サービスを享受することができる。当該車関連特徴は、所有する自動車のメーカー名、車名、型式、契約自動車保険会社（現在および／または過去）、および買い替え頻度、カーサービスに登録してからの期間（時間情報）といった特徴を含む。
また、本実施形態では、カーサービスに含まれるサブサービスである、所有車サービス（マイカーサービス）を含み、当該車関連特徴は、当該所有車サービスに登録しているか否かの情報（１（登録）または０（非登録））を含みうる。本実施形態において、所有車サービスとは、所有している自動車に関する情報（例えば、メーカー名、車名、型式）を登録するユーザに対して、ポイントやクーポンを無料で配布するサービスである。ユーザは、所有車サービスに登録し、かつ、所有する自動車に関する特徴を登録することにより、ポイントやクーポンを無料で入手することができる。なお、カーサービスに登録しているユーザは、必ずしも所有車サービスに登録しなくてもよい。

当該車関連特徴は、ユーザＩＤと紐づけられており、車関連特徴取得部１０２は、取得した車関連特徴を、ユーザＩＤと紐づけて車関連特徴１２２として特徴記憶部１２０に記憶させる。車関連特徴取得部１０２は、車関連特徴１２２を外部の装置に記憶させるように構成されてもよい。

等級データ取得部１０３は、ユーザ装置１１のユーザにより、ウェブサービスの１つである自動車保険サービスにおいて割り当てられている等級を、適法適正な範囲内で等級データとして取得する。等級は、保険料の支払い金額を定めるための区分を指す。等級は、個人が加入しうるノンフリート等級の場合、一実施形態において、１等級から２０等級まで分かれている。安全に運転していると判定されたユーザには、高い等級が割り当てられる。安全に運転しているか否かは、一般的に、ユーザが所有する自動車で事故を起こしたか否かにより判定される。ユーザは、サービス利用開始時に所定の等級が割り当てられ、一定期間無事故であるといった所定の条件を満たすことにより、当該一定期間経過後に、高い等級が割り当てられうる。等級データ取得部１０３は、等級が変更（更新）された場合には、その都度、等級データを取得するように構成される。

当該等級データは、ユーザＩＤと紐づけられており、等級データ取得部１０３は、取得した等級データを、ユーザＩＤと紐づけて等級データ１２３して特徴記憶部１２０に記憶させる。等級データ取得部１０３は、等級データ１２３を外部の装置に記憶させるように構成されてもよい。

学習部１０４は、ユーザ特徴１２１、車関連特徴１２２、および等級データ１２３に基づいて、学習用データ（教師データ）を生成する。さらに、学習部１０４は、生成した学習用データを用いて、ドライバー傾向予測モデル１１２を学習させる。学習用データの生成を含む、ドライバー傾向予測モデル１１２の学習手順については後述する。

予測部１０５は、学習部１０４により学習されたドライバー傾向予測モデル１１２を用いて、任意のユーザが所定の傾向のドライバーか否かを予測する。本実施形態では、予測部１０５は、対象ユーザＴ１が所定の傾向のドライバーか否かを予測する。所定の傾向のドライバーか否かの予測手順については後述する。

出力部１０６は、予測部１０５による予測結果を出力するように構成される。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図５の通信Ｉ／Ｆ５７）を介した外部の装置への出力であってもよいし、表示部（図５の表示部５６）への表示であってもよい。
出力部１０６は、当該予測結果に関する情報を生成して出力してもよい。例えば、対象ユーザＴ１が所定の傾向のドライバーであると予測され、かつ、対象ユーザＴ１が自動車保険サービスに加入していない場合に、出力部１０６は、対象ユーザＴ１に対して、自動車保険サービスを示す広告を作成して提供してもよい。

［ドライバー傾向予測モデルの学習手順］
本実施形態の学習部１０４によるドライバー傾向予測モデル１１２の学習手順について、図３Ａと図３Ｂを参照して説明する。図３Ａは、ドライバー傾向予測モデル１１２の学習手順のフローチャートを示し、図３Ｂは、ドライバー傾向予測モデル１１２の学習時の概念図を示す。図３Ａの処理は、ユーザ特徴取得部１０１、車関連特徴取得部１０２、および等級データ取得部１０３それぞれが、ユーザ特徴１２１、車関連特徴１２２、および等級データ１２３を特徴記憶部１２０に記憶させた後に開始されうる。ユーザ特徴１２１、車関連特徴１２２、および等級データ１２３はそれぞれ、複数のサンプルユーザ（ユーザ１～Ｎ）のユーザ特徴、車関連特徴、および等級データを含んでいる。

図３Ａにおいて、まず、学習部１０４は、ドライバー傾向予測モデル１１２を学習させるための、複数のサンプルユーザ（ユーザ１～Ｎ）についての特徴を取得する（Ｓ３１～Ｓ３３）。
Ｓ３１において、学習部１０４は、特徴記憶部１２０に記憶されている、複数のサンプルユーザのユーザ特徴１２１を取得する。
Ｓ３２において、車関連特徴取得部１０２は、特徴記憶部１２０に記憶されている、複数のサンプルユーザの車関連特徴１２２を取得する。
Ｓ３３において、等級データ取得部１０３は、特徴記憶部１２０に記憶されている、複数のサンプルユーザの等級データ１２３を取得する。
なお、Ｓ３１～Ｓ３３の処理は、複数のサンプルユーザそれぞれのユーザＩＤに基づいて行われる。また、Ｓ３１～Ｓ３３の処理は、図３Ａに示す順序に限定されず、異なる順序で行われてもよいし、同時に行われてもよい。また、本実施形態では、Ｓ３１～Ｓ３３で取得される各特徴が予め特徴記憶部１２０に格納されていることを前提としたが、これに限定されない。例えば、学習部１０４は、複数のサンプルユーザのうち少なくともいずれかから直接的に当該各特徴を取得するように、あるいは、外部の装置から当該各特徴を取得するように構成されてもよい。

Ｓ３４において、学習部１０４は、Ｓ３３で取得された等級データが示す等級から、ドライバー傾向予測モデル１１２に対する正解ラベル（正解データ）を生成（設定）する。本実施形態では、予測する所定の傾向は優良傾向と設定し、また、所定の等級以上の等級を有するユーザＩＤのユーザは優良傾向のドライバーである、と定義する。これに従って、学習部１０４は、所定の等級以上の等級を有するユーザＩＤのユーザが優良傾向のドライバーである確率は「１」（すなわち、当該確率の最大値）であるとして、正解ラベル（正解データ）を生成する。すなわち、学習部１０４は、当該所定の等級以上の等級から、「１」の正解ラベルを生成する。一方、学習部１０４は、当該所定の等級未満の等級を有するユーザＩＤのユーザが優良傾向のドライバーである確率は「０」（すなわち、当該確率の最小値）であるとして、正解ラベルを生成する。すなわち、学習部１０４は、当該所定の等級未満の等級から、「０」の正解ラベルを生成する。

当該所定の等級は、例えば、２０等級に設定される。よって、２０等級のユーザは、優良傾向のドライバー（＝１）、１～１９等級のユーザは、非優良傾向のドライバー（＝０）として、正解ラベルが生成される。なお、当該所定の等級は、操作者により入力部（図５の入力部５５）を介して入力されてもよいし、通信部（図５の通信Ｉ／Ｆ５７）を介して入力されてもよい。あるいは、当該所定の等級は、予めシステムにおいて設定されていてもよいし、記憶部（図５のＲＯＭ５２やＲＡＭ５３）に格納されている任意のプログラムによって設定されてもよい。

Ｓ３４までの処理において、複数のサンプルユーザそれぞれについて（すなわち、各ユーザＩＤに対して）、ユーザ特徴１２１、車関連特徴１２２、および正解ラベルが生成される。続くＳ３５において、学習部１０４は、ユーザ特徴１２１と車関連特徴１２２に対して、生成した正解ラベルを付したデータを、学習用データとして生成する。ここで、図３Ｂを参照すると、入力データ３０１は、ユーザ特徴１２１と車関連特徴１２２を含み、正解ラベル３０２が、生成した正解ラベルに対応する。学習部１０４は、生成した学習用データを、記憶部（図５のＲＯＭ５２やＲＡＭ５３）に記憶しうる。

Ｓ３６において、学習部１０４は、Ｓ３５で生成した学習用データを用いて、ドライバー傾向予測モデル１１２を学習させる。具体的には、図３Ｂを参照すると、学習部１０４は、複数のサンプルユーザそれぞれについて、ユーザ特徴１２１と車関連特徴１２２を含む入力データ３０１をドライバー傾向予測モデル１１２に入力し、ドライバー傾向予測モデル１１２から正解ラベル３０２が出力されるように、ドライバー傾向予測モデル１１２を学習させる。

ドライバー傾向予測モデル１１２は、機械学習のための学習モデルであり、例えば、ＣａｔＢｏｏｓｔをベースにした学習モデルである。あるいは、ドライバー傾向予測モデル１１２は、ＸＧＢｏｏｓｔやＬｉｇｈｔＧＢＭといった他のブースティングベースの学習モデルであってもよい。ブースティングベースの学習モデルを利用することにより、優良傾向のドライバーに起因するユーザ特徴を認識することも可能となる。

学習部１０４は、複数のサンプルユーザについての学習用データ（入力データ３０１と正解ラベル３０２）を用いて、ドライバー傾向予測モデル１１２を学習させる。学習により、ドライバー傾向予測モデル１１２は、任意のユーザのユーザ特徴１２１と車関連特徴１２２を入力として、当該任意のユーザが優良傾向のドライバーである確率を出力するように構成される。学習が完了すると、Ｓ３７において、学習部１０４は、学習済みのドライバー傾向予測モデル１１２を、学習モデル記憶部１１０に記憶させる。

［所定の傾向のドライバーの予測手順］
学習部１０４によりドライバー傾向予測モデル１１２が学習された後、予測部１０５は、当該学習済みのドライバー傾向予測モデル１１２を用いて、対象ユーザＴ１（任意のユーザ）が所定の傾向のドライバーか否かを予測する。本実施形態では、対象ユーザＴ１が優良傾向のドライバーか否かを予測する。本実施形態の予測部１０５による優良傾向のドライバーの予測手順について、図４Ａと図４Ｂを参照して説明する。図４Ａは、所定の傾向のドライバーの予測手順のフローチャートを示し、図４Ｂは、所定のドライバー予測時のドライバー傾向予測モデル１１２の概念図を示す。

図４Ａの処理は、ユーザ特徴取得部１０１および車関連特徴取得部１０２それぞれが、対象ユーザＴ１のユーザ特徴１２１および車関連特徴１２２を特徴記憶部１２０に記憶させた後に開始される。

図４Ａにおいて、まず、予測部１０５は、ドライバー傾向予測モデル１１２への入力データ４０１を、取得する（Ｓ４１～Ｓ４２）。
Ｓ４１において、予測部１０５は、特徴記憶部１２０に記憶されている、対象ユーザＴ１のユーザ特徴１２１を取得する。
Ｓ４２において、車関連特徴取得部１０２は、特徴記憶部１２０に記憶されている、対象ユーザＴ１の車関連特徴１２２を取得する。
なお、Ｓ４１～Ｓ４２の処理は、対象ユーザＴ１のユーザＩＤに基づいて行われる。また、Ｓ４１～Ｓ４２の処理は、図４Ａに示す順序に限定されず、異なる順序で行われてもよいし、同時に行われてもよい。また、本実施形態では、Ｓ４１～Ｓ４２で取得される各特徴が予め特徴記憶部１２０に格納されていることを前提としたが、これに限定されない。例えば、予測部１０５は、対象ユーザＴ１から直接的に当該各特徴を取得するように、あるいは、外部の装置から当該各特徴を取得するように構成されてもよい。

Ｓ４３において、予測部１０５は、予測部１０５は、Ｓ４１～Ｓ４２で取得した対象ユーザＴ１のユーザ特徴１２１と車関連特徴１２２を、ドライバー傾向予測モデル１１２に入力し、対象ユーザＴ１が所定の傾向の（本実施形態では、優良傾向の）ドライバーか否かを予測する。対象ユーザＴ１のユーザ特徴１２１と車関連特徴１２２が入力されたドライバー傾向予測モデル１１２は、対象ユーザＴ１が所定の傾向のドライバーである確率（所定の傾向のドライバーである確率４０２）を出力するように構成されている。

Ｓ４４において、予測部１０５は、対象ユーザＴ１が所定の傾向の（すなわち、優良傾向の）ドライバーか否かの予測結果を、出力部１０６へ伝達する。例えば、予測部１０５は、対象ユーザＴ１が優良傾向のドライバーである確率を、予測結果として出力部１０６へ伝達しうる。あるいは、所定の閾値を設定し、当該確率が当該所定の閾値以上の場合に、対象ユーザＴ１が優良傾向のドライバーであり、当該確率が当該所定の閾値未満の場合に、対象ユーザＴ１が非優良傾向のドライバーであることを示す予測結果を出力部１０６へ伝達してよい。なお、当該所定の閾値は、操作者により入力部（図５の入力部５５）を介して入力されてもよいし、通信部（図５の通信Ｉ／Ｆ５７）を介して入力されてもよい。あるいは、当該所定の閾値は、予めシステムにおいて設定されていてもよいし、記憶部（図５のＲＯＭ５２やＲＡＭ５３）に格納されている任意のプログラムによって設定されてもよい。

Ｓ４４で予測結果が伝達された出力部１０６は、当該予測結果に関する情報を生成して、ユーザ装置１１－Ｔ１といった外部の装置へ出力することができる。例えば、予測結果が対象ユーザＴ１が優良傾向のドライバーであることを示し、かつ、対象ユーザＴ１が自動車保険サービスに加入していない場合に、出力部１０６は、対象ユーザＴ１に対して、自動車保険サービスを示す広告を作成して提供してもよい。また、出力部１０６は、対象ユーザＴ１を含む任意の複数のユーザに対する予測結果から、当該複数のユーザに対する優良傾向のドライバーの確率を算出し、当該確率を用いて、自動車保険サービスにおける新たな保険ポリシーを作成することができる。

［情報処理装置１０のハードウェア構成］
図５は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図５を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。

図５に示すように、情報処理装置１０は、ＣＰＵ５１と、ＲＯＭ５２と、ＲＡＭ５３と、ＨＤＤ５４と、入力部５５と、表示部５６と、通信Ｉ／Ｆ５７と、システムバス５８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス５８を介して、各構成部（５２～５７）を制御する。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５２は、ＣＰＵ５１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）５４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５３は、揮発性メモリであり、ＣＰＵ５１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ５１は、処理の実行に際してＲＯＭ５２から必要なプログラム等をＲＡＭ５３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０および特徴記憶部１２０は、ＲＡＭ５３で構成されうる。

ＨＤＤ５４は、例えば、ＣＰＵ５１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ５４には、例えば、ＣＰＵ５１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部５５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部５６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部５６は、入力部５５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。

通信Ｉ／Ｆ５７は、情報処理装置１０と外部の装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ５７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部の装置との通信を実行する。通信Ｉ／Ｆ５７を介して、外部の装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ５７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。

図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ５１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ５１の制御に基づいて動作する。

［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図５と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ５１と、ＲＯＭ５２と、ＲＡＭ５３と、ＨＤＤ５４と、入力部５５と、表示部５６と、通信Ｉ／Ｆ５７と、システムバス５８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部５６に表示し、ＧＵＩ（入力部５５と表示部５６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。

このように、情報処理装置１０は、ウェブサービスを通じて得られた当該対象ユーザのユーザ特徴と、当該対象ユーザが所有する自動車に関連する情報（車関連特徴）に基づいて、当該対象ユーザが所定の傾向のドライバーか否を予測することができる。これにより、当該対象ユーザに関して、運転により得られる物理的なデータや事故の有無といった客観的なデータが存在しない場合であっても、当該対象ユーザが所定の傾向のドライバーか否を予測することができる。

また、情報処理装置１０は、所定の傾向のドライバーの予測結果から、様々な新たなサービスをユーザに提供できる。例えば、情報処理装置１０は、対象ユーザが優良傾向のドライバーであると予測し、当該対象ユーザが特定の自動車保険サービスに加入していない場合に、当該対象ユーザに対して、当該特定の自動車保険サービスを推奨することができる。また、情報処理装置１０は、対象ユーザを含む任意の複数のユーザに対する予測結果から、当該複数のユーザに対する優良傾向のドライバーの確率を算出し、当該確率を用いて、自動車保険サービスにおける新たな保険ポリシーを作成することができる。これにより、自動車保険サービスにおける収益性が向上しうる。

また、本実施形態では、当該予測のために、機械学習のための学習モデルである、ドライバー傾向予測モデル１１２を構築した。ここで、ドライバー傾向予測モデル１１２は、複数ユーザから得た、ユーザ特徴、車関連特徴、および自動車保険サービスにおける等級から生成した学習データを用いて学習される。当該学習データは、自動車保険サービスにおいて実際に割り当てられている等級に基づいて作成された正解ラベルを含ことから、当該等級が割り当てられた背景を考慮して、より正確な予測結果を出力するように、ドライバー傾向予測モデル１１２が学習される。

なお、上記実施形態では、自動車に関連した実施形態を説明したが、あらゆる車両について、上記実施形態を適用可能である。例えば、自転車やバイクといった他の車両についても、上記実施形態を適用可能である。

また、上記実施形態では、ドライバー傾向予測モデル１１２は、図３Ｂや図４Ｂに示したように、対象ユーザのユーザ特徴１２１と車関連特徴１２２を入力として、当該対象ユーザが所定の傾向のドライバーである確率を出力するように構成されているが、入力されるデータはこれに限定されない。例えば、対象ユーザのユーザ特徴１２１のみが入力されて、該対象ユーザが所定の傾向のドライバーである確率を出力するように構成および学習されてもよい。

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。

本実施形態の開示は以下の構成を含む。
［１］対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測手段と、を有する、ドライバー傾向予測装置。

［２］前記ユーザ特徴は、前記対象ユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、［１］に記載のドライバー傾向予測装置。

［３］前記事実特徴は、前記１つ以上の第１のサービスにおいて登録された前記対象ユーザのデモグラフィック情報と、前記第１のサービスにおけるサービス利用に関する行動を示す情報を含む、［２］に記載のドライバー傾向予測装置。

［４］前記推定特徴は、前記対象ユーザのライフステージに関する特徴と、前記対象ユーザのライフスタイルに関する特徴の少なくとも一方を含む、［２］または［３］に記載のドライバー傾向予測装置。

［５］前記１つ以上の第１のサービスと前記第２のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、［１］から［４］のいずれかに記載のドライバー傾向予測装置。

［６］複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、
前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、 前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、を有する、学習装置。

［７］前記ユーザ特徴は、前記複数のユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、［６］に記載の学習装置。

［８］前記事実特徴は、前記１つ以上の第１のサービスにおいて登録された前記対象ユーザのデモグラフィック情報と、前記第１のサービスにおけるサービス利用に関する行動を示す情報を含む、［７］に記載の学習装置。

［９］前記推定特徴は、前記複数のユーザのライフステージに関する特徴と、前記複数のユーザのライフスタイルに関する特徴の少なくとも一方を含む、［７］または［８］に記載の学習装置。

［１０］前記１つ以上の第１のサービスと前記第２のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、［６］から［９］のいずれかに記載の学習装置。

１～Ｎ：ユーザ、Ｔ１：対象ユーザ、１０：情報処理装置、１１－１～１１－Ｎ、１１－Ｔ１：ユーザ装置、１０１：ユーザ特徴取得部、１０２：車関連特徴取得部、１０３：等級データ取得部、１０４：学習部、１０５：予測部、１０６：出力部、１１０：学習モデル記憶部、１１１：ユーザ特徴予測モデル、１１２：ドライバー傾向予測モデル、１２０：特徴記憶部、１２１：ユーザ特徴、１２２：車関連特徴、１２３：等級データ

Claims (14)

1. 対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、
   前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、
   前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測手段と、
   を有することを特徴とするドライバー傾向予測装置。
2. 前記ユーザ特徴は、前記対象ユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、
   ことを特徴とする請求項１に記載のドライバー傾向予測装置。
3. 前記事実特徴は、前記１つ以上の第１のサービスにおいて登録された前記対象ユーザのデモグラフィック情報と、前記第１のサービスにおけるサービス利用に関する行動を示す情報を含む、
   ことを特徴とする請求項２に記載のドライバー傾向予測装置。
4. 前記推定特徴は、前記対象ユーザのライフステージに関する特徴と、前記対象ユーザのライフスタイルに関する特徴の少なくとも一方を含む、
   ことを特徴とする請求項２または３に記載のドライバー傾向予測装置。
5. 前記１つ以上の第１のサービスと前記第２のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、
   ことを特徴とする請求項１に記載のドライバー傾向予測装置。
6. 複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得手段と、
   前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得手段と、
   前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、
   前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、
   前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、
   を有することを特徴とする学習装置。
7. 前記ユーザ特徴は、前記複数のユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、
   ことを特徴とする請求項６に記載の学習装置。
8. 前記事実特徴は、前記１つ以上の第１のサービスにおいて登録された前記複数のユーザのデモグラフィック情報と、前記第１のサービスにおけるサービス利用に関する行動を示す情報を含む、
   ことを特徴とする請求項７に記載の学習装置。
9. 前記推定特徴は、前記複数のユーザのライフステージに関する特徴と、前記複数のユーザのライフスタイルに関する特徴の少なくとも一方を含む、 ことを特徴とする請求項７または８に記載の学習装置。
10. 前記１つ以上の第１のサービスと前記第２のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、
    ことを特徴とする請求項６に記載の学習装置。
11. 情報処理装置によって実行されるドライバー傾向予測方法であって、
    対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得工程と、
    前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得工程と、
    前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測工程と、
    を有することを特徴とするドライバー傾向予測方法。
12. 情報処理装置によって実行される学習方法であって、
    複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得工程と、
    前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得工程と、
    前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得工程と、
    前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成工程と、
    前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習工程と、
    を有することを特徴とする学習方法。
13. 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
    対象ユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得処理と、
    前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得処理と、
    前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測処理と、を含む処理を実行させるためのものである、
    情報処理プログラム。
14. 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
    複数のユーザの特徴を表すユーザ特徴を、１つ以上の第１のサービスから取得するユーザ特徴取得処理と、
    前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記１つ以上の第１のサービスと異なる第２のサービスから取得する車両特徴取得処理と、
    前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得処理と、
    前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成処理と、
    前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習処理と、を含む処理を実行させるためのものである、
    情報処理プログラム。

Images