WO2020105445A1 - 推定装置、推定方法及びプログラム - Google Patents

推定装置、推定方法及びプログラム

Info

Publication number
WO2020105445A1
WO2020105445A1 PCT/JP2019/043621 JP2019043621W WO2020105445A1 WO 2020105445 A1 WO2020105445 A1 WO 2020105445A1 JP 2019043621 W JP2019043621 W JP 2019043621W WO 2020105445 A1 WO2020105445 A1 WO 2020105445A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
aggregated
estimation
function
model
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.)
Ceased
Application number
PCT/JP2019/043621
Other languages
English (en)
French (fr)
Inventor
具治 岩田
清水　仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to US17/295,291 priority Critical patent/US12216732B2/en
Publication of WO2020105445A1 publication Critical patent/WO2020105445A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to an estimation device, an estimation method and a program.
  • individual data may be aggregated. For example, there is a case where the data of the movement locus of each individual is aggregated into the population data of each rough area so that the individual cannot be tracked.
  • various analyzes can be performed by estimating the model of the individual data before being aggregated.
  • a set graphical model has been proposed as a method for estimating a model of individual data before being aggregated (see Non-Patent Document 1, for example).
  • various information may be obtained together with the data obtained by aggregating the individual data.
  • information indicating the characteristics of the area information indicating the characteristics of the time, information indicating the characteristics of the area and time, etc.
  • Such diverse information could not be effectively utilized. Effective use of these diverse information can be expected to improve the estimation accuracy of the model of individual data before being aggregated.
  • the present invention has been made in view of the above points, and it is an object of the present invention to estimate a model of individual data with high accuracy when aggregated data is given.
  • the estimation device includes an input unit for inputting aggregated data obtained by aggregating a plurality of data and feature data representing a feature of the aggregated data, and a predetermined function.
  • a determining unit that determines parameters of a model of a plurality of data before aggregation of the aggregated data, and using the aggregated data, by optimizing a predetermined objective function, It is characterized by comprising a parameter and an estimating means for estimating the plurality of data.
  • the model of individual data can be estimated with high accuracy when given the aggregated data.
  • the various information is data representing some characteristic of the aggregated data. For example, when the aggregated data is spatiotemporal data indicating population for each region and each hour, at least one of the region and the time is used. It is information representing the characteristics of.
  • the information indicating the characteristics of the area is latitude / longitude information or map information
  • the information indicating the characteristics of time is the day of the week or the time zone (for example, morning, daytime, night, etc.)
  • the area and Examples of information that represents the characteristics of time include weather forecasts and other spatiotemporal data.
  • the spatiotemporal data indicating the population for each area and each hour (hereinafter, also referred to as “population data”) is given, information indicating the characteristics of the area, A model of movement amount data indicating the flow of population between regions and each hour from the population data by utilizing the information indicating the characteristics of time and the information indicating the characteristics of region and time (hereinafter, “movement model”). Will also be described.) Will be described.
  • the aggregated data to which the embodiment of the present invention is applicable is not limited to the population data, and can be applied to any aggregated data.
  • population data In the embodiment of the present invention, population data
  • y tk represents the population of time t ⁇ ⁇ 1, 2, ..., T ⁇ in the region k ⁇ ⁇ 1, 2, ..., K ⁇ .
  • K represents the number of areas (that is, the total number of area indexes)
  • T represents the number of times (that is, the total number of time indexes).
  • the vector representing the feature of the area k x k vector s t representing the characteristics of the time t
  • the vector representing the feature region k and time t as u tk these vectors x k, s t and u tk Shall also be given.
  • the vector x k representing the characteristics of the region k latitude / longitude information of the region k, map information of the region k, and the like can be given.
  • a vector s t representing the characteristics of the time t it includes day and time, etc. of the time t.
  • the vector u tk representing the characteristics of the region k and the time t
  • the weather forecast of the region k at the time t other spatiotemporal data, and the like can be given.
  • these vectors are also referred to as “feature vectors”.
  • the feature vector may be referred to as “feature data”.
  • the movement amount data and the movement model are estimated so that the movement amount data and the movement model match the given population data.
  • the index indicating the degree of matching for example, the likelihood L (Z) shown in the following equations (1) and (2) can be used.
  • ⁇ tkk ′ is the probability of moving from the region k to the region k ′ at the time t
  • ⁇ tkk ′ ⁇ 0,
  • the first-order Markov model is used as the movement model, but the present invention is not limited to this.
  • a higher-order Markov model or another model may be used.
  • Is determined by a function f that takes the given feature vector as an input As the function f, a neural network represented by the following formula (4) can be used.
  • ⁇ is a parameter of the neural network.
  • the neural network e.g., x k, x k', s t, a neural network that only the input part of the feature vector of u tk and u tk'
  • the neural network any neural network such as a feedforward neural network, a recurrent neural network, a convolutional neural network can be used.
  • the function f a model other than the neural network may be used.
  • the degree of matching that is, the likelihood L (Z) shown in the above equations (1) and (2)
  • the parameter ⁇ of the function f which is a neural network
  • the movement amount data Z are estimated.
  • FIG. 1 is a diagram showing an example of a functional configuration of an estimation device 10 according to an embodiment of the present invention.
  • the estimation device 10 includes an input unit 101, a model parameter determination unit 102, an update unit 103, an end determination unit 104, and an output unit 105.
  • the estimation device 10 according to the embodiment of the present invention includes a storage unit 106.
  • the storage unit 106 stores each information.
  • the storage unit 106 is, for example, census data Y and each feature vector x k, s t and u tk like are stored.
  • the input unit 101 inputs and population data Y, each feature vector x k, and s t and u tk.
  • the population data Y as the input source of each feature vector x k, s t and u tk, may be a storage unit 106, another device that is connected via a communication network such as Good.
  • the model parameter determination unit 102 determines the parameter ⁇ of the moving model using the function f shown in the above equation (4).
  • the updating unit 103 estimates the parameter ⁇ and the movement amount data Z of the function f so as to increase the degree of matching while satisfying the constraint shown in the above equation (3), and then the parameter ⁇ and the movement amount data Z. (More precisely, the estimated value of the parameter ⁇ and the estimated value of each moving person z tkk ′ included in the movement amount data Z) are updated.
  • the determination of the parameter ⁇ by the model parameter determination unit 102 and the estimation of the parameter ⁇ and the movement amount data Z by the update unit 103 are repeatedly executed until a predetermined end condition is satisfied.
  • the end determination unit 104 determines whether a predetermined end condition is satisfied.
  • the predetermined termination condition for example, the number of repetitions is equal to or larger than a predetermined threshold value
  • the objective function value for example, the likelihood L (Z)
  • the output unit 105 outputs the movement model parameter ⁇ and the movement amount data Z when the end determination unit 104 determines that a predetermined end condition is satisfied.
  • the output destination of the movement model parameter ⁇ and the movement amount data Z may be the storage unit 106, a display device such as a display, or may be connected via a communication network or the like. It may be another device.
  • the output unit 105 may output only one of the movement model parameter ⁇ and the movement amount data Z.
  • FIG. 2 is a flowchart showing an example of processing executed by the estimation device 10 according to the embodiment of the present invention.
  • the input unit 101 inputs and population data Y, each feature vector x k, and s t and u tk (step S101).
  • the model parameter determination unit 102 determines the parameter ⁇ of the moving model using the function f shown in the above equation (4) (step S102).
  • the updating unit 103 estimates the parameter ⁇ and the movement amount data Z of the function f so as to increase the degree of matching while satisfying the constraint shown in the above expression (3), and then the parameter of the function f.
  • the estimated value of ⁇ and the estimated value of each moving person z tkk ′ included in the movement amount data Z are updated (step S103).
  • the end determination unit 104 determines whether or not a predetermined end condition is satisfied (step S104).
  • step S104 If it is not determined in step S104 that the predetermined end condition is satisfied, the process returns to step S102. As a result, the above steps S102 and S103 are repeatedly executed until the end condition is satisfied.
  • step S104 when it is determined in step S104 that the predetermined termination condition is satisfied, the output unit 105 outputs the movement model parameter ⁇ and the movement amount data Z (step S105).
  • the parameter ⁇ of the movement model and the movement amount data Z that is, the number of moving persons z tkk ′ for each region and for each time
  • CGMM mixed set graphical model
  • ICGM non-stationary set graphical model
  • CGM set graphical model
  • STAY set graphical model
  • the latitude / longitude information is used as the information showing the feature of the region, and the time of day is used as the information showing the time feature.
  • NAE number of moving people estimation error
  • Is an estimated value of the number of people moving that is, an estimation result according to the embodiment of the present invention or the related art.
  • the moving number estimation error is smaller than that in the conventional technique in all the four population data. That is, it can be seen that the estimation device 10 according to the embodiment of the present invention can estimate individual data with higher accuracy than in the conventional technique.
  • FIG. 3 is a diagram showing an example of a hardware configuration of the estimation device 10 according to the embodiment of the present invention.
  • the estimation device 10 includes an input device 201, a display device 202, an external I / F 203, a RAM (Random Access Memory) 204, and a ROM (Read Only Memory). 205, a processor 206, a communication I / F 207, and an auxiliary storage device 208. These pieces of hardware are connected to each other via a bus B so that they can communicate with each other.
  • the input device 201 is, for example, a keyboard, a mouse, a touch panel, etc., and is used by the user to input various operations.
  • the display device 202 is, for example, a display or the like, and displays the processing result of the estimation device 10.
  • the estimation device 10 may not include at least one of the input device 201 and the display device 202.
  • the external I / F 203 is an interface with an external device.
  • the external device includes a recording medium 203a and the like.
  • the estimation apparatus 10 can read or write the recording medium 203a via the external I / F 203.
  • On the recording medium 203a one or more programs and the like that implement each functional unit (for example, the input unit 101, the model parameter determination unit 102, the update unit 103, the end determination unit 104, the output unit 105, and the like) of the estimation device 10 are provided. It may be recorded.
  • the recording medium 203a includes, for example, a flexible disk, a CD (Compact Disc), a DVD (Digital Versatile Disk), an SD memory card (Secure Digital memory card), and a USB (Universal Serial Bus) memory card.
  • a flexible disk for example, a CD (Compact Disc), a DVD (Digital Versatile Disk), an SD memory card (Secure Digital memory card), and a USB (Universal Serial Bus) memory card.
  • RAM 204 is a volatile semiconductor memory that temporarily holds programs and data.
  • the ROM 205 is a non-volatile semiconductor memory that can retain programs and data even when the power is turned off.
  • the ROM 205 stores, for example, setting information regarding an OS (Operating System), setting information regarding a communication network, and the like.
  • the processor 206 is, for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or the like, and is an arithmetic device that reads programs and data from the ROM 205, the auxiliary storage device 208, and the like onto the RAM 204 and executes processing.
  • Each functional unit included in the estimation device 10 is realized by reading one or more programs stored in the ROM 205, the auxiliary storage device 208, or the like onto the RAM 204 and causing the processor 206 to execute the processing.
  • the communication I / F 207 is an interface for connecting the estimation device 10 to a communication network.
  • One or more programs that implement each functional unit of the estimation apparatus 10 may be acquired (downloaded) from a predetermined server device or the like via the communication I / F 207.
  • the auxiliary storage device 208 is, for example, a HDD (Hard Disk Drive) or SSD (Solid State Drive), and is a non-volatile storage device that stores programs and data.
  • the programs and data stored in the auxiliary storage device 208 include, for example, an OS, an application program that implements various functions on the OS, and one or more programs that implement each functional unit of the estimation device 10.
  • the storage unit 106 included in the estimation device 10 is realized by, for example, the auxiliary storage device 208.
  • the estimation device 10 according to the embodiment of the present invention has the hardware configuration shown in FIG. 3 and thus can realize the various processes described above.
  • the estimation device 10 according to the embodiment of the present invention is realized by one device (computer), but the present invention is not limited to this.
  • the estimation device 10 according to the embodiment of the present invention may be realized by a plurality of devices (computers). Further, one device (computer) may include a plurality of processors 206 and a plurality of memories (RAM 204, ROM 205, auxiliary storage device 208, etc.).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

推定装置は、複数のデータが集約された集約データと、該集約データの特徴を表す特徴データとを入力する入力手段と、所定の関数と前記特徴データとを用いて、前記集約データの集約前の複数のデータのモデルのパラメータを決定する決定手段と、前記集約データを用いて、所定の目的関数を最適化することで、前記関数のパラメータと、前記複数のデータとを推定する推定手段と、を有することを特徴とする。

Description

推定装置、推定方法及びプログラム
　本発明は、推定装置、推定方法及びプログラムに関する。
　プライバシー保護等のため、個々のデータが集約される場合がある。例えば、個人毎の移動軌跡のデータから、個人を追跡できないように、粗い領域毎の人口データに集約される場合等である。個々のデータを集約したデータが与えられた場合に、集約される前の個々のデータのモデルを推定することで、様々な解析が可能になる。
　集約される前の個々のデータのモデルを推定する方法として、集合グラフィカルモデルが提案されている（例えば非特許文献１参照）。
Tomoharu Iwata, Hitoshi Shimizu, Futoshi Naya, Naonori Ueda, "Estimating People Flow from Spatio-temporal Population Data via Collective Graphical Mixture Models,"ACM Transactions on Spatial Algorithms and Systems, Volume 3 Issue 1, Article No. 2, May 2017
　ここで、個々のデータを集約したデータと共に、多様な情報（例えば、領域の特徴を示す情報や時間の特徴を示す情報、領域及び時間の特徴を示す情報等）が得られる場合がある。しかしながら、従来では、このような多様な情報を有効に活用できなかった。これらの多様な情報を有効に活用することで、集約される前の個々データのモデルの推定精度の向上が期待できる。
　本発明は、上記の点に鑑みてなされたもので、集約されたデータが与えられた場合に、個々のデータのモデルを高い精度で推定することを目的とする。
　上記目的を達成するため、本発明の実施の形態における推定装置は、複数のデータが集約された集約データと、該集約データの特徴を表す特徴データとを入力する入力手段と、所定の関数と前記特徴データとを用いて、前記集約データの集約前の複数のデータのモデルのパラメータを決定する決定手段と、前記集約データを用いて、所定の目的関数を最適化することで、前記関数のパラメータと、前記複数のデータとを推定する推定手段と、を有することを特徴とする。
　集約されたデータが与えられた場合に、個々のデータのモデルを高い精度で推定することができる。
本発明の実施の形態における推定装置の機能構成の一例を示す図である。 本発明の実施の形態における推定装置が実行する処理の一例を示すフローチャートである。 本発明の実施の形態における推定装置のハードウェア構成の一例を示す図である。
　以下、本発明の実施の形態について説明する。本発明の実施の形態では、集約されたデータ（以降、「集約データ」とも表す。）が与えられた場合に、多様な情報も活用して、集約される前の個々のデータのモデルを推定する推定装置１０について説明する。ここで、多様な情報とは集約データの何等かの特徴を表すデータのことであり、例えば、集約データが領域毎及び時間毎の人口を示す時空間データである場合、領域及び時間の少なくとも一方の特徴を表す情報である。具体的には、例えば、領域の特徴を表す情報としては緯度・経度情報や地図情報等、時間の特徴を表す情報としては曜日や時間帯（例えば、朝、日中、夜間等）、領域及び時間の特徴を表す情報としては天気予報や他の時空間データ等が挙げられる。
　以降で説明する実施の形態では、一例として、領域毎及び時間毎の人口を示す時空間データ（以降、「人口データ」とも表す。）が与えられた場合に、領域の特徴を表す情報と、時間の特徴を表す情報と、領域及び時間の特徴を表す情報とを活用して、当該人口データから、領域間毎及び時間毎の人口の流れを示す移動量データのモデル（以降、「移動モデル」とも表す。）を推定する場合について説明する。ただし、本発明の実施の形態が適用可能な集約データは人口データに限られず、任意の集約データに対して適用可能である。
　本発明の実施の形態では、人口データ
Figure JPOXMLDOC01-appb-M000001
 が与えられるものとする。ここで、ｙｔｋは領域ｋ∈｛１，２，・・・，Ｋ｝における時間ｔ∈｛１，２，・・・，Ｔ｝の人口を表す。また、Ｋは領域の数（つまり、領域のインデックスの総数）を表し、Ｔは時間の数（つまり、時間のインデックスの総数）を表す。
　また、領域ｋの特徴を表すベクトルをｘｋ、時間ｔの特徴を表すベクトルをｓｔ、領域ｋ及び時間ｔの特徴を表すベクトルをｕｔｋとして、これらのベクトルｘｋ、ｓｔ及びｕｔｋも与えられるものとする。例えば、領域ｋの特徴を表すベクトルｘｋとしては、領域ｋの緯度・経度情報や領域ｋの地図情報等が挙げられる。また、例えば、時間ｔの特徴を表すベクトルｓｔとしては、時間ｔの曜日や時間帯等が挙げられる。また、例えば、領域ｋ及び時間ｔの特徴を表すベクトルｕｔｋとしては、例えば、時間ｔにおける領域ｋの天気予報や他の時空間データ等が挙げられる。なお、これらのベクトルを「特徴ベクトル」とも表す。特徴ベクトルは、「特徴データ」と称されてもよい。
　このとき、集約される前の個々のデータとして、領域間毎及び時間毎の人口の移動量データ
Figure JPOXMLDOC01-appb-M000002
 を推定したいものとする。ここで、
Figure JPOXMLDOC01-appb-M000003
 であり、ｚｔｋｋ´は時間ｔで領域ｋから領域ｋ´に移動した人数（つまり、移動人数）、
Figure JPOXMLDOC01-appb-M000004
 は領域ｋの近傍の領域の集合を表す。
　そこで、本発明の実施の形態では、移動量データと移動モデルとが、与えられた人口データと合致するように、移動量データ及び移動モデルを推定する。合致の度合いを表す指標としては、例えば、以下の式（１）及び式（２）に示す尤度Ｌ（Ｚ）を用いることができる。
Figure JPOXMLDOC01-appb-M000005
 　ここで、θｔｋｋ´は時刻ｔで領域ｋから領域ｋ´に移動する確率であり、θｔｋｋ´≧０、
Figure JPOXMLDOC01-appb-M000006
 である。
　なお、上記の通り、本発明の実施の形態では、移動モデルとして１次マルコフモデルを用いるが、これに限られず、例えば、高次のマルコフモデルや他のモデルを用いてもよい。
　また、移動量データと人口データとの間には、以下の式（３）に示す制約がある。
Figure JPOXMLDOC01-appb-M000007
 　また、移動モデルのパラメータ
Figure JPOXMLDOC01-appb-M000008
 は、与えられた特徴ベクトルを入力とする関数ｆで決定する。関数ｆとしては、以下の式（４）に示すニューラルネットワークを用いることができる。
Figure JPOXMLDOC01-appb-M000009
 　ここで、φはニューラルネットワークのパラメータである。なお、特徴ベクトルの一部だけを入力とするニューラルネットワーク（例えば、ｘｋ、ｘｋ´、ｓｔ、ｕｔｋ及びｕｔｋ´のうちの一部の特徴ベクトルだけを入力とするニューラルネットワーク）を用いてもよい。また、ニューラルネットワークとしては、フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク、畳み込みニューラルネットワーク等の任意のニューラルネットワークを用いることができる。また、関数ｆとして、ニューラルネットワーク以外の他のモデルが用いられてもよい。
　本発明の実施の形態では、上記の式（３）に示す制約を満たしつつ、合致の度合い（すなわち、上記の式（１）及び式（２）に示す尤度Ｌ（Ｚ））が高くなるように、ニューラルネットワークである関数ｆのパラメータφ及び移動量データＺを推定する。
　なお、本発明の実施の形態では、人口データＹの他に、ｘｋ、ｓｔ及びｕｔｋの３つの特徴ベクトルが与えられるものとするが、これに限られない。上述したように、関数ｆとして一部の特徴ベクトルだけを入力するモデルを用いる場合には、例えば、特徴ベクトルｘｋ、ｓｔ及びｕｔｋのうちの１又は２の特徴ベクトルだけが与えられるとしてもよい。
　＜機能構成＞
　まず、本発明の実施の形態における推定装置１０の機能構成について、図１を参照しながら説明する。図１は、本発明の実施の形態における推定装置１０の機能構成の一例を示す図である。
　図１に示すように、本発明の実施の形態における推定装置１０は、入力部１０１と、モデルパラメータ決定部１０２と、更新部１０３と、終了判定部１０４と、出力部１０５とを有する。また、本発明の実施の形態における推定装置１０は、記憶部１０６を有する。
　記憶部１０６は、各情報を記憶する。記憶部１０６には、例えば、人口データＹや各特徴ベクトルｘｋ、ｓｔ及びｕｔｋ等が記憶されている。
　入力部１０１は、人口データＹと、各特徴ベクトルｘｋ、ｓｔ及びｕｔｋとを入力する。なお、人口データＹと、各特徴ベクトルｘｋ、ｓｔ及びｕｔｋとの入力元としては、記憶部１０６であってもよいし、通信ネットワーク等を介して接続される他の装置であってもよい。
　モデルパラメータ決定部１０２は、上記の式（４）に示す関数ｆを用いて、移動モデルのパラメータΘを決定する。更新部１０３は、上記の式（３）に示す制約を満たしつつ、合致の度合いが高くなるように、関数ｆのパラメータφ及び移動量データＺを推定した上で、パラメータφ及び移動量データＺ（より正確には、パラメータφの推定値及び移動量データＺに含まれる各移動人数ｚｔｋｋ´の推定値）を更新する。
　上記のモデルパラメータ決定部１０２によるパラメータΘの決定と、更新部１０３によるパラメータφ及び移動量データＺの推定とは、所定の終了条件を満たすまで繰り返し実行される。
　終了判定部１０４は、所定の終了条件を満たすか否かを判定する。ここで、所定の終了条件としては、例えば、繰り返し回数が所定の閾値以上となったこと、ｉ回目の繰り返しとｉ＋１回目の繰り返しとの間で目的関数値（例えば、尤度Ｌ（Ｚ））の変化量が所定の閾値よりも小さくなったこと、ｉ回目の繰り返しとｉ＋１回目の繰り返しとの間で移動量データＺの推定値の変化量が所定の閾値よりも小さくなったこと等が挙げられる。
　出力部１０５は、終了判定部１０４により所定の終了条件を満たすと判定された場合、移動モデルのパラメータΘと、移動量データＺとを出力する。なお、移動モデルのパラメータΘと、移動量データＺとの出力先としては、記憶部１０６であってもよいし、ディスプレイ等の表示装置であってもよいし、通信ネットワーク等を介して接続される他の装置であってもよい。また、出力部１０５は、移動モデルのパラメータΘと、移動量データＺとのいずれか一方のみを出力してもよい。
　＜処理の流れ＞
　次に、本発明の実施の形態における推定装置１０が実行する処理（推定処理）の流れについて、図２を参照しながら説明する。図２は、本発明の実施の形態における推定装置１０が実行する処理の一例を示すフローチャートである。
　入力部１０１は、人口データＹと、各特徴ベクトルｘｋ、ｓｔ及びｕｔｋとを入力する（ステップＳ１０１）。
　次に、モデルパラメータ決定部１０２は、上記の式（４）に示す関数ｆを用いて、移動モデルのパラメータΘを決定する（ステップＳ１０２）。
　次に、更新部１０３は、上記の式（３）に示す制約を満たしつつ、合致の度合いが高くなるように、関数ｆのパラメータφ及び移動量データＺを推定した上で、関数ｆのパラメータφの推定値及び移動量データＺに含まれる各移動人数ｚｔｋｋ´の推定値を更新する（ステップＳ１０３）。
　次に、終了判定部１０４は、所定の終了条件を満たすか否かを判定する（ステップＳ１０４）。
　ステップＳ１０４で所定の終了条件を満たすと判定されなかった場合、ステップＳ１０２に戻る。これにより、当該終了条件を満たすまで、上記のステップＳ１０２とステップＳ１０３とが繰り返し実行される。
　一方で、ステップＳ１０４で所定の終了条件を満たすと判定された場合、出力部１０５は、移動モデルのパラメータΘと、移動量データＺとを出力する（ステップＳ１０５）。これにより、移動モデルのパラメータΘと、移動量データＺ（つまり、領域間毎及び時間毎の移動人数ｚｔｋｋ´は）とが推定される。
　＜従来技術との比較結果＞
　ここで、本発明の実施の形態における推定装置１０による推定結果と、従来技術による推定結果との比較結果について説明する。比較対象の従来技術としては、混合集合グラフィカルモデル（以降、「ＣＧＭＭ」と表す。）と、非定常集合グラフィカルモデル（以降、「ＩＣＧＭ」と表す。）と、集合グラフィカルモデル（以降、「ＣＧＭ」と表す。）と、ＳＴＡＹとを用いた。ＣＧＭＭは時間をクラスタリングする集合グラフィカルモデル、ＩＣＧＭは時間毎に異なる移動確率を持つ集合グラフィカルモデル、ＣＧＭは全時間で移動確率が等しい集合グラフィカルモデル、ＳＴＡＹは全ての人が同じ場所に留まるとする手法のことである。
　また、人口データとしては、東京、大阪、名古屋、北京の４つのデータを用いた。なお、東京、大阪、名古屋、北京のいずれの人口データも複数の領域及び複数の時間に集約された時空間データである。更に、本発明の実施の形態における推定装置１０に与えられる特徴ベクトルとしては、領域の特徴を表す情報として緯度・経度情報、時間の特徴を表す情報として一日中の時刻を用いた。
　このとき、評価指標として以下の式（５）に示す移動人数推定誤差（ＮＡＥ）を用いた。
Figure JPOXMLDOC01-appb-M000010
 　ここで、上記の式（５）におけるｚｔｋｋ´は移動人数の正解データであり、
Figure JPOXMLDOC01-appb-M000011
 は移動人数の推定値（つまり、本発明の実施の形態又は従来技術による推定結果）である。
　このとき、比較結果を以下の表１に示す。
Figure JPOXMLDOC01-appb-T000012
 　このように、本発明の実施の形態における推定装置１０は、４つの人口データの全てにおいて、従来技術よりも移動人数推定誤差が小さくなっている。すなわち、本発明の実施の形態における推定装置１０では、従来技術よりも、個々のデータを高い精度で推定できていることがわかる。
　＜ハードウェア構成＞
　最後に、本発明の実施の形態における推定装置１０のハードウェア構成について、図３を参照しながら説明する。図３は、本発明の実施の形態における推定装置１０のハードウェア構成の一例を示す図である。
　図３に示すように、本発明の実施の形態における推定装置１０は、入力装置２０１と、表示装置２０２と、外部Ｉ／Ｆ２０３と、ＲＡＭ（Random Access Memory）２０４と、ＲＯＭ（Read Only Memory）２０５と、プロセッサ２０６と、通信Ｉ／Ｆ２０７と、補助記憶装置２０８とを有する。これら各ハードウェアは、それぞれがバスＢを介して通信可能に接続されている。
　入力装置２０１は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各種操作を入力するのに用いられる。表示装置２０２は、例えばディスプレイ等であり、推定装置１０の処理結果を表示する。なお、推定装置１０は、入力装置２０１及び表示装置２０２の少なくとも一方を有していなくてもよい。
　外部Ｉ／Ｆ２０３は、外部装置とのインタフェースである。外部装置には、記録媒体２０３ａ等がある。推定装置１０は、外部Ｉ／Ｆ２０３を介して、記録媒体２０３ａの読み取りや書き込み等を行うことができる。記録媒体２０３ａには、推定装置１０が有する各機能部（例えば、入力部１０１、モデルパラメータ決定部１０２、更新部１０３、終了判定部１０４及び出力部１０５等）を実現する１以上のプログラム等が記録されていてもよい。
　記録媒体２０３ａには、例えば、フレキシブルディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等がある。
　ＲＡＭ２０４は、プログラムやデータを一時保持する揮発性の半導体メモリである。ＲＯＭ２０５は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ＲＯＭ２０５には、例えば、ＯＳ（Operating System）に関する設定情報や通信ネットワークに関する設定情報等が格納されている。
　プロセッサ２０６は、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等であり、ＲＯＭ２０５や補助記憶装置２０８等からプログラムやデータをＲＡＭ２０４上に読み出して処理を実行する演算装置である。推定装置１０が有する各機能部は、ＲＯＭ２０５や補助記憶装置２０８等に格納されている１以上のプログラムをＲＡＭ２０４上に読み出してプロセッサ２０６が処理を実行することで実現される。
　通信Ｉ／Ｆ２０７は、推定装置１０を通信ネットワークに接続するためのインタフェースである。推定装置１０が有する各機能部を実現する１以上のプログラムは、通信Ｉ／Ｆ２０７を介して、所定のサーバ装置等から取得（ダウンロード）されてもよい。
　補助記憶装置２０８は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等であり、プログラムやデータを格納している不揮発性の記憶装置である。補助記憶装置２０８に格納されているプログラムやデータには、例えば、ＯＳ、当該ＯＳ上で各種機能を実現するアプリケーションプログラム、推定装置１０が有する各機能部を実現する１以上のプログラム等がある。推定装置１０が有する記憶部１０６は、例えば補助記憶装置２０８により実現される。
　本発明の実施の形態における推定装置１０は、図３に示すハードウェア構成を有することにより、上述した各種処理を実現することができる。なお、図３に示す例では、本発明の実施の形態における推定装置１０が１台の装置（コンピュータ）で実現されている場合を示したが、これに限られない。本発明の実施の形態における推定装置１０は、複数台の装置（コンピュータ）で実現されていてもよい。また、１台の装置（コンピュータ）には、複数のプロセッサ２０６や複数のメモリ（ＲＡＭ２０４やＲＯＭ２０５、補助記憶装置２０８等）が含まれていてもよい。
　本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。
　１０　　　　推定装置
　１０１　　　入力部
　１０２　　　モデルパラメータ決定部
　１０３　　　更新部
　１０４　　　終了判定部
　１０５　　　出力部

Claims (8)

  1. 　複数のデータが集約された集約データと、該集約データの特徴を表す特徴データとを入力する入力手段と、
    　所定の関数と前記特徴データとを用いて、前記集約データの集約前の複数のデータのモデルのパラメータを決定する決定手段と、
    　前記集約データを用いて、所定の目的関数を最適化することで、前記関数のパラメータと、前記複数のデータとを推定する推定手段と、
    　を有することを特徴とする推定装置。
  2. 　前記目的関数は、前記複数のデータの推定値及び前記モデルのパラメータと、前記集約データとの合致の度合いを示す尤度であり、
    　前記推定手段は、
    　前記尤度が高くなるように、前記関数のパラメータと、前記複数のデータとを推定する、ことを特徴とする請求項１に記載の推定装置。
  3. 　前記モデルは、１次のマルコフモデル又は高次のマルコフモデルである、ことを特徴とする請求項２に記載の推定装置。
  4. 　前記推定手段は、
    　前記集約データと前記複数のデータとの間の制約を満たしつつ、前記尤度が高くなるように、前記関数のパラメータと、前記複数のデータとを推定する、ことを特徴とする請求項２又は３に記載の推定装置。
  5. 　前記集約データは、領域ｋ毎及び時間ｔ毎の人口データであり、
    　前記複数のデータのそれぞれは、時間ｔで領域ｋから領域ｋ´に移動した人数を示すデータであり、
    　前記特徴データは、領域ｋの特徴を表すベクトルと、時間ｔの特徴を表すベクトルと、領域ｋ及び時間ｔの特徴を表すベクトルとのうちの少なくとも１つである、ことを特徴とする請求項１乃至４の何れか一項に記載の推定装置。
  6. 　前記関数は、ニューラルネットワークであり、
    　前記決定手段は、
    　前記特徴データを前記関数に入力することで、前記モデルのパラメータを決定する、ことを特徴とする、請求項１乃至５の何れか一項に記載の推定装置。
  7. 　複数のデータが集約された集約データと、該集約データの特徴を表す特徴データとを入力する入力手順と、
    　所定の関数と前記特徴データとを用いて、前記集約データの集約前の複数のデータのモデルのパラメータを決定する決定手順と、
    　前記集約データを用いて、所定の目的関数を最適化することで、前記関数のパラメータと、前記複数のデータとを推定する推定手順と、
    　をコンピュータが実行することを特徴とする推定方法。
  8. 　コンピュータを、請求項１乃至６の何れか一項に記載の推定装置における各手段として機能させるためのプログラム。
PCT/JP2019/043621 2018-11-21 2019-11-07 推定装置、推定方法及びプログラム Ceased WO2020105445A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/295,291 US12216732B2 (en) 2018-11-21 2019-11-07 Estimation apparatus, estimation method and program to estimate function parameters and data values

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-218037 2018-11-21
JP2018218037A JP7176371B2 (ja) 2018-11-21 2018-11-21 推定装置、推定方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2020105445A1 true WO2020105445A1 (ja) 2020-05-28

Family

ID=70773507

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/043621 Ceased WO2020105445A1 (ja) 2018-11-21 2019-11-07 推定装置、推定方法及びプログラム

Country Status (3)

Country Link
US (1) US12216732B2 (ja)
JP (1) JP7176371B2 (ja)
WO (1) WO2020105445A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4231272A4 (en) * 2020-10-16 2024-07-10 Nippon Telegraph And Telephone Corporation PARAMETER ESTIMATION DEVICE, PARAMETER ESTIMATION SYSTEM, PARAMETER ESTIMATION METHOD AND PROGRAM
WO2025243416A1 (ja) * 2024-05-22 2025-11-27 株式会社Subaru 情報処理装置、車両制御装置および車両

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019191936A (ja) * 2018-04-25 2019-10-31 日本電信電話株式会社 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019191936A (ja) * 2018-04-25 2019-10-31 日本電信電話株式会社 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTOPHER SMITH-CLARKE ET AL: "Poverty on the Cheap: Estimating Poverty Maps Using Aggregated Mobile Communication Networks", PROCEEDINGS OF THE SIGCHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 30 April 2014 (2014-04-30), pages 511 - 520, XP058046888, ISBN: 978-1-4503-2473-1, DOI: 10.1145/2556288.2557358 *
NO-WOOK PARK: "Spatial Downscaling of TRMM Precipitation Using Geostatistics and Fine Scale Environmental Variables", ADVANCES IN METEOROLOGY, vol. 2013, 237126, 14 December 2013 (2013-12-14), pages 1 - 9, XP055709913, ISSN: 1687-9309, DOI: 10.1155/2013/237126 *

Also Published As

Publication number Publication date
US20240012869A1 (en) 2024-01-11
US12216732B2 (en) 2025-02-04
JP7176371B2 (ja) 2022-11-22
JP2020086746A (ja) 2020-06-04

Similar Documents

Publication Publication Date Title
Holmes et al. Fast nonparametric conditional density estimation
US11836576B2 (en) Distributed machine learning at edge nodes
US10846643B2 (en) Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models
CN107358247B (zh) 一种确定流失用户的方法及装置
Yu et al. Density-preserving hierarchical EM algorithm: Simplifying Gaussian mixture models for approximate inference
WO2022110640A1 (zh) 一种模型优化方法、装置、计算机设备及存储介质
Clough et al. Embedding graphs in Lorentzian spacetime
JP2012058972A (ja) 評価予測装置、評価予測方法、及びプログラム
JP7283065B2 (ja) 推定装置、最適化装置、推定方法、最適化方法、及びプログラム
CN112348079B (zh) 数据降维处理方法、装置、计算机设备及存储介质
CN111435461A (zh) 使用降低精度的深度神经网络的对抗性输入识别
CN110647675A (zh) 停留点识别及预测模型训练方法、装置及存储介质
US11321362B2 (en) Analysis apparatus, analysis method and program
CN112148880A (zh) 一种客服对话语料聚类方法、系统、设备及存储介质
WO2020105445A1 (ja) 推定装置、推定方法及びプログラム
Yu et al. Smoothing spline semiparametric density models
CN110674397B (zh) 年龄点预测模型的训练方法及装置、设备与可读介质
US20210365358A1 (en) Diagnosing anomalies detected by black-box machine learning models
JPWO2018151124A1 (ja) パラメタ算出装置、パラメタ算出方法、及び、パラメタ算出プログラム
CN109272165B (zh) 注册概率预估方法、装置、存储介质及电子设备
WO2020240770A1 (ja) 学習装置、推定装置、学習方法、推定方法及びプログラム
Little et al. A multiscale spectral method for learning number of clusters
CN120123792A (zh) 多模态聚类方法、装置、设备、存储介质及产品
Wang et al. Constrained spline regression in the presence of AR (p) errors
Chen et al. Robust Semi‐Supervised Manifold Learning Algorithm for Classification

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19886233

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 17295291

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19886233

Country of ref document: EP

Kind code of ref document: A1