JP7464728B2 - ナビゲーションシステム - Google Patents
ナビゲーションシステム Download PDFInfo
- Publication number
- JP7464728B2 JP7464728B2 JP2022544848A JP2022544848A JP7464728B2 JP 7464728 B2 JP7464728 B2 JP 7464728B2 JP 2022544848 A JP2022544848 A JP 2022544848A JP 2022544848 A JP2022544848 A JP 2022544848A JP 7464728 B2 JP7464728 B2 JP 7464728B2
- Authority
- JP
- Japan
- Prior art keywords
- navigation
- client device
- data
- navigation client
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 claims description 96
- 230000015654 memory Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 24
- 239000000523 sample Substances 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100328887 Caenorhabditis elegans col-34 gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Description
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを収集するために、時間とともに、それぞれの位置センサを使用することと、前記ナビゲーション履歴データを前記ナビゲーションクライアントデバイスのメモリに記憶することと、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスのメモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
前記サーバが、前記ナビゲーションクライアントデバイスから前記モデルデータおよび前記属性データを受信することと、
前記サーバが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
前記サーバが、パラメータの前記集約されたセットを表すデータを、前記複数のナビゲーションクライアントデバイスのうちの第1のナビゲーションクライアントデバイスへ送信することと、
前記第1のナビゲーションクライアントデバイスが、前記第1のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を含む、方法を提供する。
各ナビゲーションクライアントデバイスはそれぞれ、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、を備え、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
を行うように構成されており、
前記サーバは、
前記ナビゲーションクライアントデバイスから、前記モデルデータおよび前記属性データを受信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
パラメータの前記集約されたセットを表すデータを前記複数のナビゲーションクライアントデバイスのうちの第1のナビゲーションクライアントデバイスへ送信することと、
を行うように構成され、
前記第1のナビゲーションクライアントデバイスは、前記第1のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、ナビゲーションシステムを提供する。
位置センサと、
メモリと、
処理システムと、
通信モジュールと、
を含むナビゲーションクライアントデバイスであって、
前記ナビゲーションクライアントデバイスは、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、ローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信することと、
を行うように構成される、ナビゲーションクライアントデバイスを提供する。
パラメータの集約されたセットを表すデータを前記サーバから受信することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を行うようにさらに構成されてもよい。
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶されたローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信するように前記通信モジュールを制御することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信するように前記通信モジュールを制御することと、
を行わせる命令を含むコンピュータプログラム製品を提供する。
サーバからパラメータの集約されたセットを表すデータを受信するために前記通信モジュールを使用することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を行わせる命令をさらに含んでもよい。
図3のナビゲーションクライアントデバイス402は、ほとんどのコンピューティングデバイスに共通のユーザ入力デバイス410および出力デバイス(たとえば、表示画面412)を含む。地図データコントローラ414は、地図データを取得し、コンピューティングデバイス(例えば、クライアントナビゲーションデバイス1)の不揮発性メモリ(例えば、フラッシュメモリ3)に格納する。位置センサ416(例えば、GPSモジュール6)は、処理ユニット、メモリ、ディスプレイ、長期記憶装置(フラッシュメモリ)、およびネットワーキングインタフェースなどの従来のコンピューティングハードウェア構成要素に加えて、位置センサ(例えば、GPS受信機)を備える。
地図サーバ404は、電子地図を作成するための大量の情報、およびナビゲーションのための電子地図の使用を記憶し、管理し、作成するためのインフラストラクチャを提供する。
交通情報サーバ406は、交通情報コンパイラ440を使用して、交通情報サービス444を介してナビゲーションクライアント402に道路情報および交通情報を提供する。サーバ406はまた、ナビゲーションクライアント402からプローブを受信し、これらのプローブを使用して、リアルタイム交通情報を計算し、更新し、提供する。
MLサーバ500は、ナビゲーションクライアント402に機械学習サービス501を提供する。MLサーバ500は、複数のナビゲーションクライアント402から受信したデータを集約し、ナビゲーションクライアント402へのモデルデータの送信を制御する、モデル更新エンジン520を含む。モデル更新モジュール520は、サーバ500上のメモリに記憶されている中央モデル510にアクセスする。
ここで、Kは、システム内のナビゲーションクライアント402の数であり、jによってインデックス付けされ、ここで、x=(z1,...,zk)∈RKは、k個のクライアント402からサーバ500によって受信されたk個の最新の重み値zKのセットである。
いくつかの実施形態では、中央およびローカルMLモデル510、610は、ユーザが手動で目的地を挿入する必要なしに、移動のための意図された目的地を予測するために使用される。これは、マルチクラス分類問題である。
-GPSトレースからの地図属性のシーケンス(例えば、地図のバージョン、移動した道路セグメントの個数、移動した道路セグメントについて登録された平均速度、使用した平均ターン回数、等のうちの1つ以上)。
-天気、個人用カレンダーなどの外部データベース。
-以前のトリップにおける最後のインデックスアイテムから、および/または以前の検索クエリから生じるアイテムから導出され得る、以前の目的地。
-履歴データが利用可能でない場合、ナビゲーションデバイス402は、事前に訓練された中央モデル510を受信し、このモデルも利用可能でない場合、ランダムモデルが初期化される。
-各反復(トリップ、トリップの一部、検索クエリ)の後、ローカルクライアントモデル610は、新しいクライアントデータ640上での訓練によって更新され、地図マッチングプロセスは、トリップ/目的地から地図属性を抽出するためにオンラインで実行され得る。
-周期的に、ローカルモデル610(すなわち、パラメータデータ612)および重みデータ652は、モデル更新モジュール520によって集約動作が実行されるMLサーバ400に送られる。
-周期的に、中央モデル510は、システム400内のすべての個々のナビゲーションデバイス402に送信され、それは、それらのそれぞれのローカルモデル610を、受信された中央モデル510と置き換え、ローカルモデル610を、コンテキスト変更に対してよりロバストにする。
いくつかの実施形態では、中央およびローカルMLモデル510、610は、ユーザがルートを手動で選択する必要なしに、移動のための最適なルートを予測するために使用される。
-GPSトレースのシーケンス(各シーケンスはトリップ)
-GPSトレースからの地図属性のシーケンス
-天気、個人用カレンダーなどの外部データベース。
いくつかの実施形態では、中央およびローカルMLモデル510、610は、ユーザに属する機密情報を共有することなく、自身の個人的な運転スタイルを考慮に入れて、トリップ(移動)中のユーザの推定到着時間(ETA)を予測するために使用される。
-GPSトレースのシーケンス(各シーケンスはトリップ)
-GPSトレースからの地図属性のシーケンス
-天気、個人用カレンダーなどの外部データベース。
いくつかの実施形態では、中央およびローカルMLモデル510、610は、ユーザによる位置検索のためのコンテキスト化されたランキングを提供するために使用される。検索処理は、ローカルおよび/またはリモートで行われ(例えば、地図サーバ404との通信を含む)、結果が生成されると、処理は、顧客に表示する前に位置をランク付けする。
-以前に訪問した目的地(GPSトレースから取得したものなど)
-以前の検索データ(クエリログなど)。
概して、本明細書に開示される任意の実施形態では、本明細書に開示されるプロセスを実装するために使用され得るシステムおよび装置は、スマートフォン、携帯電話、ポータブルパーソナルコンピュータ(PC)、携帯情報端末(PDA)、専用ポータブルナビゲーションデバイス(PND)、自動車などの車両、またはルート計画およびナビゲーション機能を提供するようにポータブルな方法でナビゲーションソフトウェアを実行するように構成される任意のタイプの処理デバイスを含み得る。
Claims (25)
- ナビゲーションシステムを動作させる方法であって、前記ナビゲーションシステムはサーバおよび複数のナビゲーションクライアントデバイスを含み、前記方法は、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを収集するために、時間とともに、それぞれの位置センサを使用することと、前記ナビゲーション履歴データを前記ナビゲーションクライアントデバイスのメモリに記憶することと、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
前記サーバが、前記ナビゲーションクライアントデバイスから前記モデルデータおよび前記属性データを受信することと、
前記サーバが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
前記サーバが、パラメータの前記集約されたセットを表すデータを、前記複数のナビゲーションクライアントデバイスのうちの第1のナビゲーションクライアントデバイスへ送信することと、
前記第1のナビゲーションクライアントデバイスが、前記第1のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を含む、方法。 - 前記サーバが、パラメータの前記集約されたセットを表す前記データを前記複数のナビゲーションクライアントデバイスの各々へ送信することと、
前記複数のナビゲーションクライアントデバイスの各々が、前記それぞれのナビゲーションクライアントデバイスの前記メモリに記憶された前記それぞれのローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を含む、請求項1に記載の方法。 - 各ステップは、時間とともに繰り返される、請求項1または2に記載の方法。
- サーバおよび複数のナビゲーションクライアントデバイスを含むナビゲーションシステムであって、
各ナビゲーションクライアントデバイスはそれぞれ、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、を備え、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
を行うように構成されており、
前記サーバは、
前記ナビゲーションクライアントデバイスから、前記モデルデータおよび前記属性データを受信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
パラメータの前記集約されたセットを表すデータを前記複数のナビゲーションクライアントデバイスのうちの第1のナビゲーションクライアントデバイスへ送信することと、
を行うように構成され、
前記第1のナビゲーションクライアントデバイスは、前記第1のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、ナビゲーションシステム。 - 前記共通の特性は、前記それぞれの訓練セットのエントロピーまたは分散を表す、請求項4に記載のナビゲーションシステム。
- 前記共通の特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項4または5に記載のナビゲーションシステム。
- 各ナビゲーションクライアントデバイスは、
可能な目的地のショートリストを決定することと、
目的地までのルートを予測することと、
目的地への到着時間を予測することと、
ユーザから受け付けた検索クエリに基づいて1つ以上の検索結果を予測することと、
のうちの1つ以上を行うために前記それぞれのローカル機械学習モデルを使用するように構成される、請求項4乃至6の何れか1項に記載のナビゲーションシステム。 - 前記サーバは、パラメータの前記集約されたセットを前記複数のナビゲーションクライアントデバイスの各々へ送信するか、または送信しようと試みるように構成される、請求項4乃至7の何れか1項に記載のナビゲーションシステム。
- 各ナビゲーションクライアントデバイスは、1つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項4乃至8の何れか1項に記載のナビゲーションシステム。
- 位置センサと、
メモリと、
処理システムと、
通信モジュールと、
を含むナビゲーションクライアントデバイスであって、
前記ナビゲーションクライアントデバイスは、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、ローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信することと、
を行うように構成される、ナビゲーションクライアントデバイス。 - パラメータの集約されたセットを表すデータを前記サーバから受信することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を行うようにさらに構成される、請求項10に記載のナビゲーションクライアントデバイス。 - 前記特性は、前記訓練セットのエントロピーまたは分散を表す、請求項10または11に記載のナビゲーションクライアントデバイス。
- 前記特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項10乃至12の何れか1項に記載のナビゲーションクライアントデバイス。
- 前記位置センサは、衛星測位センサである、請求項10乃至13の何れか1項に記載のナビゲーションクライアントデバイス。
- 前記訓練セットは、目的地データまたはルートデータを含む、請求項10乃至14の何れか1項に記載のナビゲーションクライアントデバイス。
- 前記ローカル機械学習モデルを訓練するために、前記ナビゲーションクライアントデバイスによって訪問された位置を表すデータに加えて、検索データを使用するように構成される、請求項10乃至15の何れか1項に記載のナビゲーションクライアントデバイス。
- 可能な目的地のショートリストを決定するために前記ローカル機械学習モデルを使用するように構成され、可能な目的地の前記ショートリストをユーザに提示するように構成される、請求項10乃至16の何れか1項に記載のナビゲーションクライアントデバイス。
- 目的地までのルートを予測するために前記ローカル機械学習モデルを使用するように構成される、請求項10乃至17の何れか1項に記載のナビゲーションクライアントデバイス。
- 目的地への到着時間を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項10乃至18の何れか1項に記載のナビゲーションクライアントデバイス。
- ユーザから受け付けた検索クエリに基づいて1つ以上の検索結果を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項10乃至19の何れか1項に記載のナビゲーションクライアントデバイス。
- 出力を予測するために前記ローカル機械学習モデルに入力データを提供するように構成され、前記入力データは、時間、天候、および現在のユーザのIDのうちの1つ以上を表す、請求項10乃至20の何れか1項に記載のナビゲーションクライアントデバイス。
- 前記更新されたパラメータをパラメータの前記集約されたセットで置き換えることによって前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、請求項11に記載のナビゲーションクライアントデバイス。
- 1つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項10乃至22の何れか1項に記載のナビゲーションクライアントデバイス。
- 位置センサと、メモリと、通信モジュールとを有するナビゲーションクライアントデバイスのプロセッサによって実行されると、前記プロセッサに、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶されたローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信するように前記通信モジュールを制御することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信するように前記通信モジュールを制御することと、
を行わせる命令を含むコンピュータプログラム。 - 前記プロセッサによって実行されると、前記プロセッサに、
サーバからパラメータの集約されたセットを表すデータを受信するために前記通信モジュールを使用することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を行わせる命令をさらに含む、請求項24に記載のコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB2001468.4A GB202001468D0 (en) | 2020-02-04 | 2020-02-04 | Navigation system |
GB2001468.4 | 2020-02-04 | ||
PCT/EP2021/052659 WO2021156363A1 (en) | 2020-02-04 | 2021-02-04 | Navigation system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023514079A JP2023514079A (ja) | 2023-04-05 |
JP7464728B2 true JP7464728B2 (ja) | 2024-04-09 |
Family
ID=69800080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022544848A Active JP7464728B2 (ja) | 2020-02-04 | 2021-02-04 | ナビゲーションシステム |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230080592A1 (ja) |
EP (1) | EP4100699A1 (ja) |
JP (1) | JP7464728B2 (ja) |
KR (1) | KR20220132006A (ja) |
CN (1) | CN115038935A (ja) |
GB (1) | GB202001468D0 (ja) |
WO (1) | WO2021156363A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350373B (zh) * | 2023-11-30 | 2024-03-01 | 艾迪恩(山东)科技有限公司 | 一种基于局部自注意力机制的个性化联邦聚合算法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009515231A (ja) | 2005-07-18 | 2009-04-09 | マイクロソフト コーポレーション | 任意のコストファンクションを用いて学習システムをトレーニングすること |
JP2009104632A (ja) | 2003-11-17 | 2009-05-14 | Nec Corp | ラベル予測方法およびシステム |
JP2009210517A (ja) | 2008-03-06 | 2009-09-17 | Denso Corp | 車両用ナビゲーション装置 |
JP2009536413A (ja) | 2006-05-02 | 2009-10-08 | インビディ テクノロジーズ コーポレイション | 対象設定資産配信システムのためのファジイ論理ベースの閲覧者識別 |
JP2011252844A (ja) | 2010-06-03 | 2011-12-15 | Sony Corp | データ処理装置、データ処理方法、およびプログラム |
JP2013211616A (ja) | 2012-03-30 | 2013-10-10 | Sony Corp | 端末装置、端末制御方法、プログラム、および情報処理システム |
US20160224803A1 (en) | 2015-01-29 | 2016-08-04 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
JP2019526851A (ja) | 2016-07-18 | 2019-09-19 | ナント ホールディングス アイピー エルエルシーNant Holdings IP, LLC | 分散型機械学習システム、装置、および方法 |
US20190311298A1 (en) | 2018-04-09 | 2019-10-10 | Here Global B.V. | Asynchronous parameter aggregation for machine learning |
JP2020502601A (ja) | 2017-11-23 | 2020-01-23 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 到着時間を推定するためのシステムおよび方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201400601D0 (en) | 2014-01-14 | 2014-03-05 | Tomtom Int Bv | Apparatus and method for a probe data management |
US20150324686A1 (en) * | 2014-05-12 | 2015-11-12 | Qualcomm Incorporated | Distributed model learning |
US10380503B2 (en) * | 2016-04-08 | 2019-08-13 | Here Global B.V. | Distributed online learning for privacy-preserving personal predictive models |
US20180089587A1 (en) | 2016-09-26 | 2018-03-29 | Google Inc. | Systems and Methods for Communication Efficient Distributed Mean Estimation |
-
2020
- 2020-02-04 GB GBGB2001468.4A patent/GB202001468D0/en not_active Ceased
-
2021
- 2021-02-04 JP JP2022544848A patent/JP7464728B2/ja active Active
- 2021-02-04 WO PCT/EP2021/052659 patent/WO2021156363A1/en unknown
- 2021-02-04 CN CN202180012260.9A patent/CN115038935A/zh active Pending
- 2021-02-04 US US17/799,902 patent/US20230080592A1/en active Pending
- 2021-02-04 EP EP21703444.6A patent/EP4100699A1/en active Pending
- 2021-02-04 KR KR1020227030641A patent/KR20220132006A/ko unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009104632A (ja) | 2003-11-17 | 2009-05-14 | Nec Corp | ラベル予測方法およびシステム |
JP2009515231A (ja) | 2005-07-18 | 2009-04-09 | マイクロソフト コーポレーション | 任意のコストファンクションを用いて学習システムをトレーニングすること |
JP2009536413A (ja) | 2006-05-02 | 2009-10-08 | インビディ テクノロジーズ コーポレイション | 対象設定資産配信システムのためのファジイ論理ベースの閲覧者識別 |
JP2009210517A (ja) | 2008-03-06 | 2009-09-17 | Denso Corp | 車両用ナビゲーション装置 |
JP2011252844A (ja) | 2010-06-03 | 2011-12-15 | Sony Corp | データ処理装置、データ処理方法、およびプログラム |
JP2013211616A (ja) | 2012-03-30 | 2013-10-10 | Sony Corp | 端末装置、端末制御方法、プログラム、および情報処理システム |
US20160224803A1 (en) | 2015-01-29 | 2016-08-04 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
JP2019526851A (ja) | 2016-07-18 | 2019-09-19 | ナント ホールディングス アイピー エルエルシーNant Holdings IP, LLC | 分散型機械学習システム、装置、および方法 |
JP2020502601A (ja) | 2017-11-23 | 2020-01-23 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 到着時間を推定するためのシステムおよび方法 |
US20190311298A1 (en) | 2018-04-09 | 2019-10-10 | Here Global B.V. | Asynchronous parameter aggregation for machine learning |
Also Published As
Publication number | Publication date |
---|---|
GB202001468D0 (en) | 2020-03-18 |
US20230080592A1 (en) | 2023-03-16 |
EP4100699A1 (en) | 2022-12-14 |
JP2023514079A (ja) | 2023-04-05 |
KR20220132006A (ko) | 2022-09-29 |
CN115038935A (zh) | 2022-09-09 |
WO2021156363A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220333930A1 (en) | Map-matching for low-sampling-rate gps trajectories | |
CN107532920B (zh) | 获得兴趣点数据的方法 | |
US9992627B2 (en) | Method and apparatus for providing location sharing via simulation | |
KR102602628B1 (ko) | 라우팅 정책들 및 경로들 생성을 위한 방법 및 시스템 | |
US8457880B1 (en) | Telematics using personal mobile devices | |
US9261376B2 (en) | Route computation based on route-oriented vehicle trajectories | |
CN102265114B (zh) | 用于存储和提供路线的系统和方法 | |
USRE47107E1 (en) | Method and system for navigation using bounded geographic regions | |
Liu et al. | Location awareness through trajectory prediction | |
CN107084732A (zh) | 产生预期平均行进速度的方法 | |
US9939514B2 (en) | Determination of a statistical attribute of a set of measurement errors | |
US20210019425A1 (en) | Quantification of privacy risk in location trajectories | |
US10314001B2 (en) | Method and apparatus for providing adaptive location sampling in mobile devices | |
CN103793763A (zh) | 基于大数据与云计算的最优公交乘车路径挖掘系统 | |
JP2010271205A (ja) | 経路検証システムにおける経路検証方法 | |
JP7464728B2 (ja) | ナビゲーションシステム | |
US20220082394A1 (en) | Method and apparatus for ridesharing pickup wait time prediction | |
US20220357180A1 (en) | Generating Segment Data | |
JP2023507560A (ja) | 交通量データを生成するための方法およびシステム | |
WO2022229049A1 (en) | Methods and systems for determining estimated travel times through a navigable network | |
WO2020099647A1 (en) | Determining location data accuracy using probe measurements | |
Griffin | GPS CaPPture: A system for GPS trajectory collection, processing, and destination prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220916 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220916 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230920 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231006 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240304 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240328 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7464728 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |