WO2022018835A1 - 場所予測装置、場所予測方法、および、場所予測プログラム - Google Patents

場所予測装置、場所予測方法、および、場所予測プログラム Download PDF

Info

Publication number
WO2022018835A1
WO2022018835A1 PCT/JP2020/028340 JP2020028340W WO2022018835A1 WO 2022018835 A1 WO2022018835 A1 WO 2022018835A1 JP 2020028340 W JP2020028340 W JP 2020028340W WO 2022018835 A1 WO2022018835 A1 WO 2022018835A1
Authority
WO
WIPO (PCT)
Prior art keywords
stay
place
user
prediction
action
Prior art date
Application number
PCT/JP2020/028340
Other languages
English (en)
French (fr)
Inventor
篤 岡里
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2021500754A priority Critical patent/JP6952927B1/ja
Priority to PCT/JP2020/028340 priority patent/WO2022018835A1/ja
Publication of WO2022018835A1 publication Critical patent/WO2022018835A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Definitions

  • This disclosure relates to a location prediction device, a location prediction method, and a location prediction program.
  • Patent Document 1 discloses a technique for predicting a future staying place of a user by learning a co-occurrence relationship between a user's past staying place information and past and future schedule information.
  • the purpose of this disclosure is to accurately predict the place of stay without using the user's schedule information.
  • the place prediction device is a place prediction device that predicts the place where the user stays in the action area where the user acts.
  • a probability calculation unit that calculates the stay probability of the user's stay place for each time zone by using the stay place information accumulated as the stay place data of the history of the stay place of the user in the action area. It is provided with a prediction unit that determines a place of stay for each time zone based on the stay probability and generates a place of stay for each time zone as a prediction result of the place of stay of the user.
  • the probability calculation unit calculates the stay probability of the user's stay place for each time zone by using the user's stay place information. Then, the prediction unit determines the staying place for each time zone based on the staying probability, and generates it as a prediction result of the staying place of the user. Therefore, according to the location prediction device according to the present disclosure, it is possible to accurately obtain the prediction result of the staying place without using the schedule information of the user.
  • a configuration example of the location prediction device according to the first embodiment.
  • the flow chart which shows the operation of the place prediction apparatus which concerns on Embodiment 1.
  • the figure which shows the example of the structure of the stay place information and the example of the stay probability which concerns on Embodiment 1.
  • the flow diagram of the process which sets the action rule by the action setting part which concerns on Embodiment 1 in action pattern information The flow diagram of the process which sets the action characteristic by the action setting part which concerns on Embodiment 1 in the action pattern information.
  • FIG. 6 is a schematic diagram showing a process of calculating a behavior characteristic B for adjusting working hours from behavior pattern information in the first embodiment.
  • the schematic diagram which shows the specific example of the place prediction processing which concerns on Embodiment 1.
  • the flow diagram which shows an example of the place prediction processing which corrects the prediction result using the behavior pattern of the behavior characteristic B which concerns on Embodiment 1.
  • FIG. A configuration example of the location prediction device according to the modified example of the first
  • the place prediction device 100 is a device that predicts the place where the user stays in the action area where the user acts.
  • the action area in which the user acts is a workplace such as an office building or a factory where the user who is an employee works.
  • the action area may be an area such as a school where a user who is a student goes to school or an apartment where a resident lives.
  • the action area may be any area as long as it is an action area in which the user acts.
  • the location prediction device 100 is a computer.
  • the location prediction device 100 includes a processor 910 and other hardware such as a memory 921, an auxiliary storage device 922, an input interface 930, an output interface 940, and a communication device 950.
  • the processor 910 is connected to other hardware via a signal line and controls these other hardware.
  • the location prediction device 100 includes a probability calculation unit 110, a prediction unit 120, an action setting unit 130, a correction unit 140, and a storage unit 150 as functional elements.
  • the storage unit 150 stores the stay location information 151, the prediction result 152, the behavior pattern information 153, and the correction prediction result 154.
  • the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 are realized by software.
  • the storage unit 150 is provided in the memory 921.
  • the storage unit 150 may be provided in the auxiliary storage device 922, or may be distributed in the memory 921 and the auxiliary storage device 922.
  • the processor 910 is a device that executes a location prediction program.
  • the location prediction program is a program that realizes the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140.
  • the processor 910 is an IC (Integrated Circuit) that performs arithmetic processing. Specific examples of the processor 910 are a CPU (Central Processing Unit), a DSP (Digital Signal Processor), and a GPU (Graphics Processing Unit).
  • the memory 921 is a storage device that temporarily stores data.
  • a specific example of the memory 921 is a SRAM (Static Random Access Memory) or a DRAM (Dynamic Random Access Memory).
  • the auxiliary storage device 922 is a storage device for storing data.
  • a specific example of the auxiliary storage device 922 is an HDD.
  • the auxiliary storage device 922 may be a portable storage medium such as an SD (registered trademark) memory card, CF, NAND flash, flexible disk, optical disk, compact disc, Blu-ray (registered trademark) disk, or DVD.
  • HDD is an abbreviation for Hard Disk Drive.
  • SD (registered trademark) is an abbreviation for Secure Digital.
  • CF is an abbreviation for CompactFlash®.
  • DVD is an abbreviation for Digital Versatile Disc.
  • the input interface 930 is a port connected to an input device such as a mouse, keyboard, or touch panel. Specifically, the input interface 930 is a USB (Universal Serial Bus) terminal. The input interface 930 may be a port connected to a LAN (Local Area Network).
  • LAN Local Area Network
  • the output interface 940 is a port to which a cable of an output device such as a display is connected.
  • the output interface 940 is a USB terminal or an HDMI (registered trademark) (High Definition Multimedia Interface) terminal.
  • the display is an LCD (Liquid Crystal Display).
  • the output interface 940 is also referred to as a display interface.
  • the communication device 950 has a receiver and a transmitter.
  • the communication device 950 is connected to a communication network such as a LAN, the Internet, or a telephone line.
  • the communication device 950 is a communication chip or a NIC (Network Interface Card).
  • the location prediction program is executed by the location prediction device 100.
  • the location prediction program is read into the processor 910 and executed by the processor 910.
  • the memory 921 not only the location prediction program but also the OS (Operating System) is stored.
  • the processor 910 executes the location prediction program while executing the OS.
  • the location prediction program and the OS may be stored in the auxiliary storage device 922.
  • the location prediction program and the OS stored in the auxiliary storage device 922 are loaded into the memory 921 and executed by the processor 910. A part or all of the location prediction program may be incorporated in the OS.
  • the location prediction device 100 may include a plurality of processors that replace the processor 910. These multiple processors share the execution of the location prediction program.
  • Each processor like the processor 910, is a device that executes a location prediction program.
  • Data, information, signal values and variable values used, processed or output by the location prediction program are stored in the memory 921, the auxiliary storage device 922, or the register or cache memory in the processor 910.
  • the "unit" of each unit of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 may be read as “processing", "procedure”, or “process”.
  • the place prediction program causes a computer to execute a place prediction process including a probability calculation process, a prediction process, an action setting process, and a correction process.
  • the "process” of probability calculation processing, prediction processing, action setting processing, and correction processing is "program”, “program product”, "computer-readable storage medium that stores the program", or “computer-readable that records the program”. It may be read as "recording medium”.
  • the location prediction method is a method performed by the location prediction device 100 executing a location prediction program.
  • the location prediction program may be provided stored in a computer-readable recording medium or storage medium.
  • the location prediction program may also be provided as a program product.
  • the operation procedure of the location prediction device 100 corresponds to the location prediction method. Further, the program that realizes the operation of the location prediction device 100 corresponds to the location prediction program.
  • FIG. 2 is a flow chart showing the operation of the location prediction device 100 according to the present embodiment.
  • step S101 the probability calculation unit 110 uses the stay place information 151 accumulating the history of the stay place of the user 20 in the action area as the stay place data 511, and sets the stay probability 30 of the stay place of the user 20 for each time zone. calculate.
  • FIG. 3 is a diagram showing an example of the configuration of the stay location information 151 and an example of the stay probability 30 according to the present embodiment.
  • the stay location information 151 stores the history of the stay location of the user 20 for one day as the stay location data 511.
  • a plurality of stay place data 511 including the stay place data 511 on November 11, the stay place data 511 on November 12, and the stay place data 511 on November 13 are accumulated.
  • the stay place of the user 20 is set for each time zone.
  • the user's place of stay is set every hour, but the time interval may be an interval of 10 minutes, 15 minutes, or 30 minutes.
  • the actual stay place and the stay time may be set without providing a time interval.
  • the stay location information 151 is information input by the user 20.
  • the staying place information 151 may be generated by a mechanism for automatically acquiring the staying place and the staying time of the user 20 by using the wireless communication device built in the device carried by the user 20.
  • a specific example of the device carried by the user 20 is a device such as an employee ID card of the user 20 or a mobile terminal carried by the user 20.
  • the probability calculation process will be described using the example of FIG.
  • the probability calculation unit 110 calculates the stay probability 30 of the stay place of the user 20 for each time zone by using the plurality of stay place data 511 accumulated in the stay place information 151.
  • the probability calculation unit 110 calculates the stay probability 30 of the stay place of the time zone 9:00 to 10:00 from the stay place of each time zone 9:00 to 10:00 of the plurality of stay place data 511. Further, the probability calculation unit 110 calculates the stay probability 30 of the stay place of the time zone from 10:00 to 11:00 from the stay place of each time zone of the plurality of stay place data 511 from 10:00 to 11:00. ..
  • the stay probability 30 of the place of stay in the time zone from 9:00 to 10:00 is represented by a pie chart.
  • This pie chart with a stay probability of 30 is also called a probability density distribution. From this probability density distribution, it can be seen that the probability of staying at the place of stay from 9:00 to 10:00 in the time zone is 66% for the self-seat, 18% for the meeting, 8% for the experiment, and 8% for lunch.
  • the probability density distribution with a stay probability of 30 can be calculated at any time interval. For example, it may be possible to select from 5 minutes, 10 minutes, ..., 60 minutes.
  • step S102 the prediction unit 120 determines the staying place for each time zone based on the stay probability 30, and generates the staying place for each time zone as the prediction result 152 of the staying place of the user 20. Specifically, the prediction unit 120 determines the place of stay having the highest stay probability 30 for each time zone as the place of stay for each time zone.
  • FIG. 4 is a diagram showing an example of the prediction result 152 according to the present embodiment.
  • the prediction unit 120 determines the own seat, which is the staying place having the highest stay probability 30 in the time zone from 9:00 to 10:00, as the staying place in the time zone from 9:00 to 10:00.
  • the prediction unit 120 has the highest stay probability 30 for the time zone from 10:00 to 11:00, the time zone from 11:00 to 12:00, ..., And the time zone from 16:00 to 17:00. Decide where to stay.
  • the prediction unit 120 generates a staying place for each determined time zone as a prediction result 152 of the staying place of the user 20.
  • step S103 the correction unit 140 corrects the prediction result 152 based on the behavior pattern information 153.
  • the correction unit 140 generates the corrected prediction result as the correction prediction result 154.
  • FIG. 5 is a diagram showing an example of the behavior pattern information 153 according to the present embodiment.
  • the action pattern information 153 the action pattern 533 when the user 20 acts in the action area is set by the action setting unit 130.
  • the action pattern type 531, the action pattern name 532, and the action pattern 533 are set in the action pattern information 153.
  • the action pattern name 532 the name of the object of the action pattern 533 is set. For example, information such as arrival time, leaving time, regular meeting, behavior characteristic A, or behavior characteristic B is set.
  • the specific content of the action pattern of the user 20 is set.
  • the specific content of the behavior pattern of the user 20 such as "normal arrival time: 9:00, Wednesday arrival time: 10:00" is set.
  • the specific content of the behavior pattern of the user 20 such as "when the leaving time of the previous day is later than usual, the next sunrise company time tends to be later than usual” is set. ..
  • the action rule 41 or the action characteristic 42 is set in the action pattern type 531.
  • the action rule 41 is a rule when the user 20 acts in the action area.
  • the behavior rule 41 includes behavior patterns related to matters such as arrival time, departure time, and regular meetings.
  • the action rule 41 is set in the action pattern information 153 by the user 20 and himself / herself.
  • the behavior characteristic 42 is a characteristic when the user 20 acts in the behavior area. Specifically, it has a characteristic that "when the time of leaving the office on the previous day is later than usual, the time of leaving the office on the next sunrise tends to be later than usual".
  • the behavior characteristic 42 is automatically calculated by the behavior setting unit 130 based on the stay location information 151.
  • FIG. 6 is a flow chart of a process for setting an action rule 41 in the action pattern information 153 by the action setting unit 130 according to the present embodiment.
  • the action setting unit 130 accepts the rule when the user 20 acts in the action area as the action rule 41. Specifically, the action setting unit 130 receives the action rule 41 via the input interface 930.
  • the action setting unit 130 sets the action rule 41 as the action pattern in the action pattern information 153. For example, when the user 20 inputs that every Friday from 9:00 to 10:00 is a regular meeting, the action setting unit 130 sets the action pattern type 531 to "behavior rule 41" and the action pattern name 532. "Regular meeting", action pattern 533 is set to "every Friday: 09:00 to 10:00".
  • FIG. 7 is a flow chart of a process of setting the action characteristic 42 by the action setting unit 130 according to the present embodiment in the action pattern information 153.
  • the action setting unit 130 calculates the characteristic when the user 20 acts in the action area as the action characteristic 42 based on the stay location information 151.
  • the action setting unit 130 sets the action characteristic 42 as the action pattern in the action pattern information 153.
  • FIG. 8 is a schematic diagram showing a process of calculating the behavior characteristic B for adjusting the working hours from the behavior pattern information 153 in the present embodiment.
  • the stay location information 151 in FIG. 8 shows that the cumulative overtime hours reached the upper limit before the end of the month because the user 20 worked a lot from the beginning to the middle of the month. Two days before the end of the month shall be the day after the cumulative overtime hours reach the upper limit.
  • the behavior setting unit 130 analyzes the stay location information 151 of the user 20, determines the behavior characteristics as described above, and registers the behavior pattern information 153. For example, as shown in FIG.
  • the action setting unit 130 analyzes the stay location information 151 of the user 20 and sets "behavior characteristic 42" in the action pattern type 531 and "behavior characteristic B" in the action pattern name 532. .. Further, the behavior setting unit 130 sets the behavior pattern 533 as "the day after the day when the overtime hours reach the upper limit, there is a tendency to work so as not to increase the overtime hours".
  • the correction unit 140 corrects the prediction result 152 based on the behavior pattern information 153, and generates the corrected prediction result as the correction prediction result 154. Specifically, the correction unit 140 corrects the prediction result 152 according to the action rule 41. Alternatively, the correction unit 140 corrects the prediction result 152 according to the behavior characteristic 42.
  • FIG. 9 is a schematic diagram showing a specific example of the location prediction process according to the present embodiment.
  • the place prediction device 100 predicts the place of stay from Monday to Friday of this week by using the place of stay data 511 from Monday to Friday of last week included in the place of stay information 151.
  • the probability calculation unit 110 changes the staying place from 9:00 to 10:00 in the time zone from Monday to Friday last week in the staying place information 151 to the staying place in the time zone from 9:00 to 10:00.
  • the stay probability 30 is calculated.
  • one's own seat is 4.0 hours and one before going to work is 1.0 hour. Therefore, the probability of stay of 30 is 0.8 for one's own seat and 0.2 before going to work.
  • the prediction unit 120 predicts that the seat with the highest stay probability of 30 is the place of stay from 9:00 to 10:00 in the time zone.
  • the prediction unit 120 generates a prediction result 152 in which the place of stay from 9:00 to 10:00 in the time zone from Monday to Friday of this week is predicted to be one's own seat.
  • the correction unit 140 corrects the prediction result 152 based on the behavior pattern information 153.
  • the behavior pattern information 153 of FIG. 5 the behavior rule 41 is set that the normal arrival time is 9:00 and the arrival time on Wednesday is 10:00. Therefore, according to this action rule 41, the correction unit 140 stays at his / her own seat during this Monday, Tuesday, Thursday, and Friday time zone from 9:00 to 10:00, and this week's Wednesday time zone 9
  • the prediction result 152 is corrected to be before going to work from 0:00 to 10:00.
  • FIGS. 10 to 14 the prediction result 152 by the prediction unit 120 and the prediction result data of the correct answer for comparison are shown in the upper part. Further, the lower part shows the correction prediction result 154 in which the prediction result 152 is corrected by the correction unit 140, and the prediction result data of the correct answer for comparison. Further, in FIGS. 10 to 14, the staying place is predicted in the time zone of 15 minutes at the time interval. Further, in FIGS. 10 to 14, the behavior pattern information 153 of FIG. 5 is used for correction.
  • FIG. 10 is an example of correcting the prediction result 152 by using the behavior pattern at the time of arrival in the behavior rule 41 according to the present embodiment.
  • FIG. 10 shows the prediction result of the staying place from 9:00 to 11:00.
  • the prediction result 152 using only the stay probability 30, it is predicted that Wednesday from 9:00 to 10:00 is also a seat.
  • the correction unit 140 calculates the stay probability 30 of the past Wednesday and corrects the prediction result 152. In this way, it is possible to obtain the correct correction prediction result 154, which is predicted to be before going to work from 9:00 to 10:00 on Wednesday.
  • FIG. 11 is an example of correcting the prediction result 152 by using the behavior pattern at the time of leaving the office in the behavior rule 41 according to the present embodiment.
  • FIG. 11 shows the prediction result of the staying place from 16:00 to 18:00.
  • the prediction result 152 using only the stay probability 30, it is predicted that Wednesdays from 17:00 to 18:00 will also be seated.
  • the normal time of leaving the office is 19:00, and the time of leaving the office on Wednesday is 17:00. Therefore, by correcting using the behavior pattern of the leaving time in the behavior pattern information 153, it is predicted that Wednesday from 17:00 to 18:00 will be after leaving the office.
  • the correction unit 140 calculates the stay probability 30 of the past Wednesday and corrects the prediction result 152. In this way, it is possible to obtain the correct correction prediction result 154 predicted to be after leaving the office from 17:00 to 18:00 on Wednesday.
  • FIG. 12 is an example of correcting the prediction result 152 by using the behavior pattern of the regular meeting in the behavior rule 41 according to the present embodiment.
  • FIG. 12 shows the prediction result of the staying place from 9:00 to 11:00. According to the prediction result 152 using only the stay probability 30, it is predicted that Friday from 9:00 to 11:00 will also be a seat. However, in the regular meeting of the action rule 41 in the action pattern information 153, every Friday from 9:00 to 10:00 is a regular meeting. Therefore, by correcting using the behavior pattern of the regular meeting in the behavior pattern information 153, it is predicted that the meeting will be from 9:00 to 10:00 on Friday. For example, the correction unit 140 calculates the stay probability 30 on the day of the week of the past meeting and corrects the prediction result 152. In this way, it is possible to obtain the correct correction prediction result 154, which is predicted to be a meeting from 9:00 to 10:00 on Friday.
  • FIG. 13 is an example of correcting the prediction result 152 by using the behavior pattern of the behavior characteristic A according to the present embodiment.
  • FIG. 13 shows the prediction result of the staying place from 9:00 to 11:00. Further, in FIG. 13, it is assumed that leaving the office was delayed due to sudden work on Tuesday the previous day. Then, the place of stay on Wednesday of the day shall be predicted. In the prediction result 152 using only the stay probability 30, it is predicted that the seat is also from 9:00 to 11:00. This is because I had been at work at 9:00 for the past week. However, in the behavior characteristic A in the behavior pattern information 153, it is set that when the leaving time of the previous day is later than usual, the next sunrise company time tends to be later than usual.
  • the correction unit 140 corrects the prediction result 152 by calculating the stay probability 30 on the day following the day later than the normal leaving time. In this way, it is possible to obtain the correct correction prediction result 154 predicted to be before going to work from 9:00 to 10:00.
  • FIG. 14 is an example of correcting the prediction result 152 by using the behavior pattern of the behavior characteristic B according to the present embodiment.
  • FIG. 14 shows the prediction result of the staying place from 9:00 to 11:00. Further, in FIG. 14, it is assumed that the cumulative overtime hours have reached the upper limit on the previous Tuesday. Then, the place of stay on Wednesday of the day shall be predicted. In the prediction result 152 using only the stay probability 30, it is predicted that the seat is also from 9:00 to 11:00. This is because I had been at work at 9:00 for the past week. However, in the behavior characteristic B in the behavior pattern information 153, it is set that the day after the day when the overtime hours reach the upper limit value, there is a tendency to work so as not to increase the overtime hours.
  • the correction unit 140 calculates the probability of stay 30 on the working day following the day when the cumulative overtime hours reach the upper limit, and corrects the prediction result 152. In this way, it is possible to obtain the correct correction prediction result 154 predicted to be before going to work from 9:00 to 10:00.
  • FIG. 15 is a flow chart showing an example of a location prediction process for correcting the prediction result 152 by using the behavior pattern of the behavior characteristic B according to the present embodiment.
  • the probability calculation unit 110 calculates the stay probability 30 of the stay place by using the information from the stay place information to the day before the current month.
  • the prediction unit 120 uses the stay probability 30 to generate the prediction result 152.
  • the correction unit 140 totals the cumulative overtime hours from the stay location information 151 of the user 20 to the day before the current month.
  • step S403 the correction unit 140 determines whether the cumulative overtime hours have reached the upper limit. If the upper limit has been reached, the process proceeds to step S404. If the upper limit has not been reached, the process is terminated because the correction based on the cumulative overtime hours is not necessary. At this time, the prediction result 152 becomes the correction prediction result 154. Alternatively, when making corrections using other behavior patterns, correction processing is performed using the other behavior patterns.
  • step S404 the correction unit 140 sets the stay probability 30 of the stay place by using the stay place data 511 of the working day from the next day to the end of the month when the cumulative overtime hours of the previous month reaches the upper limit value from the stay place information 151. Calculate and correct the prediction result 152.
  • the probability calculation unit 110 acquires a date attribute representing the attribute of the day for predicting the place of stay of the user 20. Specifically, the probability calculation unit 110 acquires a date attribute such as Wednesday, Friday, or the day before a holiday from the user 20 via the input interface 930. The probability calculation unit 110 extracts the stay place data 511 of the day belonging to the date attribute from the stay place information 151, and calculates the stay probability 30 of the user's stay place for each time zone using the extracted stay place data 511. do. Then, the prediction unit 120 generates the staying place for each time zone as the prediction result 152 of the day belonging to the date attribute. Further, the correction prediction result 154 obtained by correcting the prediction result 152 by the correction unit 140 is generated as the correction prediction result 154 of the day belonging to the date attribute.
  • a date attribute such as Wednesday, Friday, or the day before a holiday from the user 20 via the input interface 930.
  • the probability calculation unit 110 extracts the stay place data 511 of the day belonging to the date attribute from the stay place information
  • the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 are realized by software.
  • the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 may be realized by hardware.
  • the location prediction device 100 includes an electronic circuit 909 instead of the processor 910.
  • FIG. 16 is a diagram showing a configuration example of the location prediction device 100 according to the modified example of the present embodiment.
  • the electronic circuit 909 is a dedicated electronic circuit that realizes the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140.
  • the electronic circuit 909 is specifically a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, a logic IC, a GA, an ASIC, or an FPGA.
  • GA is an abbreviation for Gate Array.
  • ASIC is an abbreviation for Application Specific Integrated Circuit.
  • FPGA is an abbreviation for Field-Programmable Gate Array.
  • the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 may be realized by one electronic circuit or may be distributed to a plurality of electronic circuits.
  • some functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 may be realized by an electronic circuit, and the remaining functions may be realized by software. Further, some or all the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 may be realized by the firmware.
  • Each of the processor and the electronic circuit is also called a processing circuit. That is, the functions of the probability calculation unit 110, the prediction unit 120, the action setting unit 130, and the correction unit 140 are realized by the processing circuit.
  • the location prediction device 100 can accurately predict the future stay location of the user from the stay probability without using the schedule information of the user.
  • the location prediction device 100 corrects the prediction result by using the user's behavior pattern such as the behavior rule and the behavior characteristic, it is possible to predict the staying place with high accuracy without using the schedule information. Can be done.
  • a pattern such as a user's lifestyle, lifestyle pattern, behavior rule, or characteristics of individual work style is set as behavior pattern information instead of a schedule.
  • behavioral characteristics include information that can only be obtained by automatically acquiring and updating. By correcting the prediction obtained from the stay probability with such behavior pattern information, it is possible to always predict the place of stay with a certain accuracy. In addition, by increasing the ratio of behavioral characteristics that can only be obtained and updated automatically for correction, it is possible to make more stable and highly accurate predictions.
  • each part of the location prediction device has been described as an independent functional block.
  • the configuration of the location prediction device does not have to be the configuration as in the above-described embodiment.
  • the functional block of the location prediction device may have any configuration as long as it can realize the functions described in the above-described embodiment.
  • the location prediction device may be a system composed of a plurality of devices instead of one device.
  • a plurality of parts may be combined and carried out.
  • one part of this embodiment may be implemented.
  • this embodiment may be implemented in any combination as a whole or partially. That is, in the first embodiment, it is possible to freely combine each embodiment, modify any component of each embodiment, or omit any component in each embodiment.

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

場所予測装置（１００）は、ユーザが行動する行動領域におけるユーザの滞在場所を予測する。確率算出部（１１０）は、行動領域におけるユーザの滞在場所の履歴を滞在場所データとして蓄積した滞在場所情報（１５１）を用いて、ユーザの滞在場所の滞在確率を時間帯ごとに算出する。予測部（１２０）は、滞在確率に基づいて、時間帯ごとに滞在場所を決定し、時間帯ごとの滞在場所を、ユーザの滞在場所の予測結果（１５２）として生成する。

Description

場所予測装置、場所予測方法、および、場所予測プログラム
　本開示は、場所予測装置、場所予測方法、および、場所予測プログラムに関する。
　オフィスビルといったエリア内において、そのエリアで働くあるいは居住するユーザの未来の滞在場所を推定する技術が知られている。
　特許文献１には、ユーザの過去の滞在場所情報と、過去および未来のスケジュール情報との共起関係を学習し、ユーザの未来の滞在場所を予測する技術が開示されている。
特開２０１１－１９８２９２号公報
　特許文献１の技術では、過去の滞在場所情報と、過去および未来のスケジュール情報とを用いて、未来の滞在場所を予測する。よって、過去および未来の正確なスケジュール情報がなければ、正しく滞在場所を予測することができないという課題がある。
　本開示では、ユーザのスケジュール情報を用いることなく、的確に滞在場所を予測することを目的とする。
　本開示に係る場所予測装置は、ユーザが行動する行動領域における前記ユーザの滞在場所を予測する場所予測装置において、
　前記行動領域における前記ユーザの滞在場所の履歴を滞在場所データとして蓄積した滞在場所情報を用いて、前記ユーザの滞在場所の滞在確率を時間帯ごとに算出する確率算出部と、
　前記滞在確率に基づいて、前記時間帯ごとに滞在場所を決定し、前記時間帯ごとの滞在場所を、前記ユーザの滞在場所の予測結果として生成する予測部と
を備えた。
　本開示に係る場所予測装置では、確率算出部が、ユーザの滞在場所情報を用いて、ユーザの滞在場所の滞在確率を時間帯ごとに算出する。そして、予測部が、滞在確率に基づいて、時間帯ごとに滞在場所を決定し、ユーザの滞在場所の予測結果として生成する。よって、本開示に係る場所予測装置によれば、ユーザのスケジュール情報を用いることなく、的確に滞在場所の予測結果を得ることができる
実施の形態１に係る場所予測装置の構成例。 実施の形態１に係る場所予測装置の動作を表すフロー図。 実施の形態１に係る滞在場所情報の構成の一例と滞在確率の一例を表す図。 実施の形態１に係る予測結果の一例を示す図。 実施の形態１に係る行動パターン情報の一例を示す図。 実施の形態１に係る行動設定部による行動ルールを行動パターン情報に設定する処理のフロー図。 実施の形態１に係る行動設定部による行動特性を行動パターン情報に設定する処理のフロー図。 実施の形態１において勤務時間を調整する行動特性Ｂを行動パターン情報から算出する処理を表す模式図。 実施の形態１に係る場所予測処理の具体例を示す模式図。 実施の形態１に係る行動ルールのうち出社時刻の行動パターンを用いて予測結果を補正する例。 実施の形態１に係る行動ルールのうち退社時刻の行動パターンを用いて予測結果を補正する例。 実施の形態１に係る行動ルールのうち定例会議の行動パターンを用いて予測結果を補正する例。 実施の形態１に係る行動特性Ａの行動パターンを用いて予測結果を補正する例。 実施の形態１に係る行動特性Ｂの行動パターンを用いて予測結果を補正する例。 実施の形態１に係る行動特性Ｂの行動パターンを用いて予測結果を補正する場所予測処理の一例を示すフロー図。 実施の形態１の変形例に係る場所予測装置の構成例。
　以下、本実施の形態について、図を用いて説明する。各図中、同一または相当する部分には、同一符号を付している。実施の形態の説明において、同一または相当する部分については、説明を適宜省略または簡略化する。
　実施の形態１．
＊＊＊構成の説明＊＊＊
　図１を用いて、本実施の形態に係る場所予測装置１００の構成例について説明する。
　場所予測装置１００は、ユーザが行動する行動領域におけるユーザの滞在場所を予測する装置である。ユーザが行動する行動領域とは、具体的には、社員であるユーザが働くオフィスビルあるいは工場といった職場である。また、行動領域とは、学生であるユーザが通学する学校、あるいは、居住者が居住するマンションといった領域でもよい。その他、行動領域とは、ユーザが行動する行動領域であればどのような領域でもよい。
　場所予測装置１００は、コンピュータである。場所予測装置１００は、プロセッサ９１０を備えるとともに、メモリ９２１、補助記憶装置９２２、入力インタフェース９３０、出力インタフェース９４０、および通信装置９５０といった他のハードウェアを備える。プロセッサ９１０は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。
　場所予測装置１００は、機能要素として、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０と記憶部１５０とを備える。記憶部１５０には、滞在場所情報１５１と予測結果１５２と行動パターン情報１５３と補正予測結果１５４が記憶される。
　確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能は、ソフトウェアにより実現される。記憶部１５０は、メモリ９２１に備えられる。なお、記憶部１５０は、補助記憶装置９２２に備えられていてもよいし、メモリ９２１と補助記憶装置９２２に分散して備えられていてもよい。
　プロセッサ９１０は、場所予測プログラムを実行する装置である。場所予測プログラムは、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能を実現するプログラムである。
　プロセッサ９１０は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）である。プロセッサ９１０の具体例は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。
　メモリ９２１は、データを一時的に記憶する記憶装置である。メモリ９２１の具体例は、ＳＲＡＭ（Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、あるいはＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。
　補助記憶装置９２２は、データを保管する記憶装置である。補助記憶装置９２２の具体例は、ＨＤＤである。また、補助記憶装置９２２は、ＳＤ（登録商標）メモリカード、ＣＦ、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤといった可搬の記憶媒体であってもよい。なお、ＨＤＤは、Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅの略語である。ＳＤ（登録商標）は、Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌの略語である。ＣＦは、ＣｏｍｐａｃｔＦｌａｓｈ（登録商標）の略語である。ＤＶＤは、Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋの略語である。
　入力インタフェース９３０は、マウス、キーボード、あるいはタッチパネルといった入力装置と接続されるポートである。入力インタフェース９３０は、具体的には、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）端子である。なお、入力インタフェース９３０は、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）と接続されるポートであってもよい。
　出力インタフェース９４０は、ディスプレイといった出力機器のケーブルが接続されるポートである。出力インタフェース９４０は、具体的には、ＵＳＢ端子またはＨＤＭＩ（登録商標）（Ｈｉｇｈ　Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）端子である。ディスプレイは、具体的には、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）である。出力インタフェース９４０は、表示器インタフェースともいう。
　通信装置９５０は、レシーバとトランスミッタを有する。通信装置９５０は、ＬＡＮ、インターネット、あるいは電話回線といった通信網に接続している。通信装置９５０は、具体的には、通信チップまたはＮＩＣ（Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｃａｒｄ）である。
　場所予測プログラムは、場所予測装置１００において実行される。場所予測プログラムは、プロセッサ９１０に読み込まれ、プロセッサ９１０によって実行される。メモリ９２１には、場所予測プログラムだけでなく、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）も記憶されている。プロセッサ９１０は、ＯＳを実行しながら、場所予測プログラムを実行する。場所予測プログラムおよびＯＳは、補助記憶装置９２２に記憶されていてもよい。補助記憶装置９２２に記憶されている場所予測プログラムおよびＯＳは、メモリ９２１にロードされ、プロセッサ９１０によって実行される。なお、場所予測プログラムの一部または全部がＯＳに組み込まれていてもよい。
　場所予測装置１００は、プロセッサ９１０を代替する複数のプロセッサを備えていてもよい。これら複数のプロセッサは、場所予測プログラムの実行を分担する。それぞれのプロセッサは、プロセッサ９１０と同じように、場所予測プログラムを実行する装置である。
　場所予測プログラムにより利用、処理または出力されるデータ、情報、信号値および変数値は、メモリ９２１、補助記憶装置９２２、または、プロセッサ９１０内のレジスタあるいはキャッシュメモリに記憶される。
　確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の各部の「部」を「処理」、「手順」あるいは「工程」に読み替えてもよい。場所予測プログラムは、確率算出処理と予測処理と行動設定処理と補正処理とを含む場所予測処理を、コンピュータに実行させる。確率算出処理と予測処理と行動設定処理と補正処理の「処理」を「プログラム」、「プログラムプロダクト」、「プログラムを記憶したコンピュータ読取可能な記憶媒体」、または「プログラムを記録したコンピュータ読取可能な記録媒体」に読み替えてもよい。また、場所予測方法は、場所予測装置１００が場所予測プログラムを実行することにより行われる方法である。
　場所予測プログラムは、コンピュータ読取可能な記録媒体あるいは記憶媒体に格納されて提供されてもよい。また、場所予測プログラムは、プログラムプロダクトとして提供されてもよい。
＊＊＊動作の説明＊＊＊
　次に、本実施の形態に係る場所予測装置１００の動作について説明する。場所予測装置１００の動作手順は、場所予測方法に相当する。また、場所予測装置１００の動作を実現するプログラムは、場所予測プログラムに相当する。
　図２は、本実施の形態に係る場所予測装置１００の動作を表すフロー図である。
＜確率算出処理＞
　ステップＳ１０１において、確率算出部１１０は、行動領域におけるユーザ２０の滞在場所の履歴を滞在場所データ５１１として蓄積した滞在場所情報１５１を用いて、ユーザ２０の滞在場所の滞在確率３０を時間帯ごとに算出する。
　図３は、本実施の形態に係る滞在場所情報１５１の構成の一例と滞在確率３０の一例を表す図である。
　図３に示すように、滞在場所情報１５１には、ユーザ２０の１日の滞在場所の履歴が滞在場所データ５１１として蓄積されている。図３では、１１月１１日の滞在場所データ５１１と、１１月１２日の滞在場所データ５１１と、１１月１３日の滞在場所データ５１１を含む複数の滞在場所データ５１１が蓄積されている。
　滞在場所データ５１１には、時間帯ごとにユーザ２０の滞在場所が設定されている。図３では、１時間ごとにユーザの滞在場所が設定されているが、時間間隔は１０分、１５分、あるいは、３０分といった間隔でもよい。あるいは、滞在場所データ５１１においては、時間間隔は設けずに、実際の滞在場所と滞在時間が設定されていてもよい。
　滞在場所情報１５１は、ユーザ２０により入力される情報である。あるいは、ユーザ２０により携帯される機器に内蔵された無線通信装置を用いて、自動的にユーザ２０の滞在場所と滞在時間を取得する仕組みにより、滞在場所情報１５１が生成されてもよい。ユーザ２０により携帯される機器の具体例は、ユーザ２０の社員証またはユーザ２０が携帯する携帯端末といった機器である。
　図３の例を用いて確率算出処理について説明する。確率算出部１１０は、滞在場所情報１５１に蓄積された複数の滞在場所データ５１１を用いて、ユーザ２０の滞在場所の滞在確率３０を時間帯ごとに算出する。確率算出部１１０は、時間帯９：００～１０：００の滞在場所の滞在確率３０を、複数の滞在場所データ５１１の各々の時間帯９：００～１０：００の滞在場所から算出する。また、確率算出部１１０は、時間帯１０：００～１１：００の滞在場所の滞在確率３０を、複数の滞在場所データ５１１の各々の時間帯１０：００～１１：００の滞在場所から算出する。
　図３では、時間帯９：００～１０：００における滞在場所の滞在確率３０を円グラフで表している。この滞在確率３０の円グラフを、確率密度分布とも呼ぶ。この確率密度分布から、時間帯９：００～１０：００における滞在場所の滞在確率３０は、自席６６％、会議１８％、実験８％、および昼食８％であることがわかる。
　滞在確率３０の確率密度分布は、任意の時間間隔で算出が可能である。例えば、５分、１０分、・・・、６０分から選択可能としてもよい。
＜予測処理＞
　ステップＳ１０２において、予測部１２０は、滞在確率３０に基づいて、時間帯ごとに滞在場所を決定し、時間帯ごとの滞在場所を、ユーザ２０の滞在場所の予測結果１５２として生成する。
　具体的には、予測部１２０は、時間帯ごとに、滞在確率３０が最も高い滞在場所を時間帯ごとの滞在場所として決定する。
　図４は、本実施の形態に係る予測結果１５２の一例を示す図である。
　図３の例では、予測部１２０は、時間帯９：００～１０：００において滞在確率３０が最も高い滞在場所である自席を、時間帯９：００～１０：００の滞在場所として決定する。同様に、予測部１２０は、時間帯１０：００～１１：００、時間帯１１：００～１２：００、・・・、時間帯１６：００～１７：００についても、滞在確率３０が最も高い滞在場所を決定する。
　図４に示すように、予測部１２０は、決定した時間帯ごとの滞在場所を、ユーザ２０の滞在場所の予測結果１５２として生成する。
＜補正処理＞
　ステップＳ１０３において、補正部１４０は、行動パターン情報１５３に基づいて、予測結果１５２を補正する。補正部１４０は、補正した予測結果を補正予測結果１５４として生成する。
　ここで、図５から図８を用いて、行動パターン情報１５３を設定する行動設定処理について説明する。
＜行動設定処理＞
　図５は、本実施の形態に係る行動パターン情報１５３の一例を示す図である。
　行動パターン情報１５３には、行動設定部１３０により、ユーザ２０が行動領域で行動する際の行動パターン５３３が設定される。
　図５に示すように、行動パターン情報１５３には、行動パターン種別５３１と、行動パターン名５３２と、行動パターン５３３が設定される。
　行動パターン名５３２には、行動パターン５３３の対象となる事がらの名称が設定される。例えば、出社時刻、退社時刻、定例会議、行動特性Ａ、あるいは行動特性Ｂといった情報が設定される。
　行動パターン５３３には、ユーザ２０の行動パターンの具体的な内容が設定される。例えば、出社時刻であれば、「通常の出社時刻：９：００、水曜の出社時刻：１０：００」といったユーザ２０の行動パターンの具体的な内容が設定される。また、行動特性Ａであれば、「前日の退社時刻が通常より遅くなった場合、翌日の出社時刻が通常より遅くなる傾向がある」といったユーザ２０の行動パターンの具体的な内容が設定される。
　行動パターン種別５３１には、行動ルール４１、あるいは、行動特性４２が設定される。
　行動ルール４１は、ユーザ２０が行動領域で行動する際のルールである。具体的には、出社時刻、退社時刻、および定例会議といった事がらに関する行動パターンが行動ルール４１に含まれる。行動ルール４１は、ユーザ２０、自らにより、行動パターン情報１５３に設定される。
　行動特性４２は、ユーザ２０が行動領域で行動する際の特性である。具体的には、「前日の退社時刻が通常より遅くなった場合、翌日の出社時刻が通常より遅くなる傾向がある」といった特性である。行動特性４２は、行動設定部１３０により、滞在場所情報１５１に基づいて、自動的に算出される。
　図６は、本実施の形態に係る行動設定部１３０による行動ルール４１を行動パターン情報１５３に設定する処理のフロー図である。
　ステップＳ２０１において、行動設定部１３０は、ユーザ２０が行動領域で行動する際のルールを行動ルール４１として受け付ける。具体的には、行動設定部１３０は、入力インタフェース９３０を介して、行動ルール４１を受け付ける。
　ステップＳ２０１において、行動設定部１３０は、行動ルール４１を行動パターンとして行動パターン情報１５３に設定する。例えば、ユーザ２０により、毎週金曜の９：００～１０：００は定例会議であることが入力されると、行動設定部１３０は、行動パターン種別５３１に「行動ルール４１」、行動パターン名５３２に「定例会議」、行動パターン５３３に「毎週金曜：０９：００～１０：００」と設定する。
　図７は、本実施の形態に係る行動設定部１３０による行動特性４２を行動パターン情報１５３に設定する処理のフロー図である。
　ステップＳ３０１において、行動設定部１３０は、滞在場所情報１５１に基づいて、ユーザ２０が前記行動領域で行動する際の特性を行動特性４２として算出する。
　ステップＳ３０２において、行動設定部１３０は、行動特性４２を行動パターンとして行動パターン情報１５３に設定する。
　図８は、本実施の形態において勤務時間を調整する行動特性Ｂを行動パターン情報１５３から算出する処理を表す模式図である。
　図８の滞在場所情報１５１では、ユーザ２０が月の初旬から中旬に多めに残業したため、月末前に累積残業時間が上限値に達した様子を示している。月末二日前は、累積残業時間が上限値に達した翌日であるものとする。
　このユーザ２０においては、滞在場所情報１５１から累積残業時間の増加に反して、就業時間が低下する傾向が見て取れる。また、累積残業時間が特定の値に達した後は、累積残業時間を増加させないように就業する傾向が見て取れる。また、これらの分析結果から、このユーザ２０は月初に多くの時間就業し、月末は早く帰る特性を持っていると判定される。
　行動設定部１３０は、ユーザ２０の滞在場所情報１５１を分析し、上記のような行動特性を判定し、行動パターン情報１５３に登録する。例えば、図５に示すように、行動設定部１３０は、ユーザ２０の滞在場所情報１５１を分析し、行動パターン種別５３１に「行動特性４２」、行動パターン名５３２に「行動特性Ｂ」を設定する。さらに、行動設定部１３０は、行動パターン５３３に「残業時間が上限値に達した日の翌日は、残業時間を増やさないように就業する傾向がある」と設定する。
　以上で、行動ルール４１および行動特性４２を行動パターン情報１５３に設定する行動設定処理についての説明を終わる。
　ここで、補正処理の説明に戻る。
　上述したように、ステップＳ１０３において、補正部１４０は、行動パターン情報１５３に基づいて予測結果１５２を補正し、補正した予測結果を補正予測結果１５４として生成する。
　具体的には、補正部１４０は、行動ルール４１に応じて予測結果１５２を補正する。あるいは、補正部１４０は、行動特性４２に応じて予測結果１５２を補正する。
　図９は、本実施の形態に係る場所予測処理の具体例を示す模式図である。
　ここで、場所予測装置１００は、滞在場所情報１５１に含まれる、先週の月曜から金曜までの滞在場所データ５１１を用いて、今週の月曜から金曜までの滞在場所を予測するものとする。
　時間帯９：００～１０：００に着目して説明する。
（１）まず、確率算出部１１０は、滞在場所情報１５１における先週の月曜から金曜までの時間帯９：００～１０：００の滞在場所から、時間帯９：００～１０：００における滞在場所の滞在確率３０を算出する。図９では、自席が４．０時間、出社前が１．０時間である。このため、滞在確率３０は、自席が０．８であり、出社前が０．２となる。
（２）予測部１２０は、最も滞在確率３０が高い自席を、時間帯９：００～１０：００の滞在場所と予測する。ここでは、予測部１２０は、今週の月曜から金曜までの時間帯９：００～１０：００の滞在場所は自席であると予測した予測結果１５２を生成する。
（３）補正部１４０は、行動パターン情報１５３に基づいて、予測結果１５２を補正する。図５の行動パターン情報１５３では、通常の出社時刻は９：００であり、水曜の出社時刻は１０：００であるという行動ルール４１が設定されている。よって、補正部１４０は、この行動ルール４１に応じて、今週の月曜、火曜、木曜、および金曜の時間帯９：００～１０：００の滞在場所は自席であり、今週の水曜の時間帯９：００～１０：００は出社前であると予測結果１５２を補正する。
　次に図１０から図１４を用いて、本実施の形態に係る補正処理の例について説明する。
　図１０から図１４では、上段に、予測部１２０による予測結果１５２と、比較のための正解の予測結果データを示している。また、下段には、補正部１４０により予測結果１５２を補正した補正予測結果１５４と、比較のための正解の予測結果データを示している。
　また、図１０から図１４では、時間間隔１５分の時間帯で滞在場所を予測している。
　また、図１０から図１４では、図５の行動パターン情報１５３を用いて補正するものとする。
　図１０は、本実施の形態に係る行動ルール４１のうち出社時刻の行動パターンを用いて予測結果１５２を補正する例である。
　図１０では、９：００から１１：００までの滞在場所の予測結果を示している。
　図９でも説明したように、滞在確率３０のみを用いた予測結果１５２では、水曜の９：００～１０：００も自席であると予測される。しかし、行動パターン情報１５３における出社時刻の行動パターンを用いて補正することにより、水曜の９：００～１０：００が出社前と予測される。例えば、補正部１４０は、過去の水曜日の滞在確率３０を算出して予測結果１５２を補正する。このように、水曜の９：００～１０：００が出社前と予測された正しい補正予測結果１５４を得ることができる。
　図１１は、本実施の形態に係る行動ルール４１のうち退社時刻の行動パターンを用いて予測結果１５２を補正する例である。
　図１１では、１６：００から１８：００までの滞在場所の予測結果を示している。
　滞在確率３０のみを用いた予測結果１５２では、水曜の１７：００～１８：００も自席であると予測される。しかし、行動パターン情報１５３における行動ルール４１の退社時刻では、通常の退社時刻は１９：００であり、水曜の退社時刻は１７：００である。よって、行動パターン情報１５３における退社時刻の行動パターンを用いて補正することにより、水曜の１７：００～１８：００が退社後と予測される。例えば、補正部１４０は、過去の水曜日の滞在確率３０を算出して予測結果１５２を補正する。このように、水曜の１７：００～１８：００が退社後と予測された正しい補正予測結果１５４を得ることができる。
　図１２は、本実施の形態に係る行動ルール４１のうち定例会議の行動パターンを用いて予測結果１５２を補正する例である。
　図１２では、９：００から１１：００までの滞在場所の予測結果を示している。
　滞在確率３０のみを用いた予測結果１５２では、金曜の９：００～１１：００も自席であると予測される。しかし、行動パターン情報１５３における行動ルール４１の定例会議では、毎週金曜の９：００～１０：００は定例会議である。よって、行動パターン情報１５３における定例会議の行動パターンを用いて補正することにより、金曜の９：００～１０：００が会議と予測される。例えば、補正部１４０は、過去の会議の曜日の滞在確率３０を算出して予測結果１５２を補正する。このように、金曜の９：００～１０：００が会議と予測された正しい補正予測結果１５４を得ることができる。
　図１３は、本実施の形態に係る行動特性Ａの行動パターンを用いて予測結果１５２を補正する例である。
　図１３では、９：００から１１：００までの滞在場所の予測結果を示している。また、図１３では、前日の火曜日は突発的な業務により退社が遅くなったものとする。そして、当日の水曜の滞在場所を予測するものとする。
　滞在確率３０のみを用いた予測結果１５２では、９：００～１１：００も自席であると予測される。これは、過去１週間は９：００に出社していたためである。しかし、行動パターン情報１５３における行動特性Ａには、前日の退社時刻が通常より遅くなった場合、翌日の出社時刻が通常より遅くなる傾向がある、と設定されている。よって、行動パターン情報１５３における行動特性４２の行動特性Ａを用いて補正することにより、９：００～１０：００が出社前と予測される。例えば、補正部１４０は、通常の退社時刻より遅くなった日の翌日の滞在確率３０を算出して予測結果１５２を補正する。このように、９：００～１０：００が出社前と予測された正しい補正予測結果１５４を得ることができる。
　図１４は、本実施の形態に係る行動特性Ｂの行動パターンを用いて予測結果１５２を補正する例である。
　図１４では、９：００から１１：００までの滞在場所の予測結果を示している。また、図１４では、前日の火曜に累積の残業時間が上限値に達してしまったものとする。そして、当日の水曜の滞在場所を予測するものとする。
　滞在確率３０のみを用いた予測結果１５２では、９：００～１１：００も自席であると予測される。これは、過去１週間は９：００に出社していたためである。しかし、行動パターン情報１５３における行動特性Ｂには、残業時間が上限値に達した日の翌日は、残業時間を増やさないように就業する傾向がある、と設定されている。よって、行動パターン情報１５３における行動特性Ｂを用いて補正することにより、９：００～１０：００が出社前と予測される。例えば、補正部１４０は、累積残業時間が上限値に達した日の次の勤務日の滞在確率３０を算出して予測結果１５２を補正する。このように、９：００～１０：００が出社前と予測された正しい補正予測結果１５４を得ることができる。
　図１５は、本実施の形態に係る行動特性Ｂの行動パターンを用いて予測結果１５２を補正する場所予測処理の一例を示すフロー図である。
　ステップＳ４０１において、確率算出部１１０が滞在場所情報から当月の前日までの情報を使って、滞在場所の滞在確率３０を算出する。予測部１２０は、滞在確率３０を用いて、予測結果１５２を生成する。
　ステップＳ４０２において、補正部１４０は、ユーザ２０の滞在場所情報１５１から当月の前日までの累積残業時間を集計する。
　ステップＳ４０３において、補正部１４０は、累積残業時間が上限値に到達したかを判定する。上限値に到達していれば、ステップＳ４０４に進む。上限値に到達していなければ、累積残業時間による補正は必要ないため、処理を終了する。このとき、予測結果１５２が補正予測結果１５４となる。あるいは、その他の行動パターンで補正する場合は、その他の行動パターンによる補正処理を行う。
　ステップＳ４０４において、補正部１４０は、滞在場所情報１５１から前月の累積残業時間が上限値に到達した次の日から月末までの勤務日の滞在場所データ５１１を使って、滞在場所の滞在確率３０を算出し、予測結果１５２を補正する。
　＊＊＊他の構成＊＊＊
＜変形例１＞
　図３および図４の例では、過去の複数の滞在場所データ５１１から、未来の１日の滞在場所を予測した予測結果１５２を生成する例を示している。
　しかし、特定の日あるいは特定の曜日について、滞在場所を予測することも可能である。
　確率算出部１１０は、ユーザ２０の滞在場所を予測する日の属性を表す日にち属性を取得する。具体的には、確率算出部１１０は、入力インタフェース９３０を介して、ユーザ２０から、水曜、金曜、あるいは、休日の前日といった日にち属性を取得する。確率算出部１１０は、滞在場所情報１５１から日にち属性に属する日の滞在場所データ５１１を抽出し、抽出された滞在場所データ５１１を用いて、ユーザの滞在場所の滞在確率３０を時間帯ごとに算出する。
　そして、予測部１２０は、時間帯ごとの滞在場所を、日にち属性に属する日の予測結果１５２として生成する。また、補正部１４０がこの予測結果１５２を補正した補正予測結果１５４は、日にち属性に属する日の補正予測結果１５４として生成される。
＜変形例２＞
　本実施の形態では、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能がソフトウェアで実現される。変形例として、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能がハードウェアで実現されてもよい。
　具体的には、場所予測装置１００は、プロセッサ９１０に替えて電子回路９０９を備える。
　図１６は、本実施の形態の変形例に係る場所予測装置１００の構成例を示す図である。
　電子回路９０９は、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能を実現する専用の電子回路である。電子回路９０９は、具体的には、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックＩＣ、ＧＡ、ＡＳＩＣ、または、ＦＰＧＡである。ＧＡは、Ｇａｔｅ　Ａｒｒａｙの略語である。ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの略語である。ＦＰＧＡは、Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙの略語である。
　確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能は、１つの電子回路で実現されてもよいし、複数の電子回路に分散して実現されてもよい。
　別の変形例として、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の一部の機能が電子回路で実現され、残りの機能がソフトウェアで実現されてもよい。また、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の一部またはすべての機能がファームウェアで実現されてもよい。
　プロセッサと電子回路の各々は、プロセッシングサーキットリとも呼ばれる。つまり、確率算出部１１０と予測部１２０と行動設定部１３０と補正部１４０の機能は、プロセッシングサーキットリにより実現される。
＊＊＊本実施の形態の効果の説明＊＊＊
　以上のように、本実施の形態に係る場所予測装置１００では、ユーザのスケジュール情報を用いることなく、ユーザの未来の滞在場所を滞在確率から的確に予測することができる。
　また、本実施の形態に係る場所予測装置１００では、行動ルールおよび行動特性といったユーザの行動パターンを用いて予測結果を補正するので、スケジュール情報を用いることなく、高精度に滞在場所を予測することができる。
　スケジュール情報を用いる場合は、未来のスケジュールを正確に細かく入力しなければ、高精度な予測を得ることはできない。しかし、人によってはスケジュールを入れ忘れる、大まかなスケジュールしか入れない、あるいは、間違ったスケジュールを入れてしまう、といった場合がある。このようなスケジュールを用いる方法では、人により予測の精度にばらつきが生じ、正しく滞在場所を予測することは不可能である。
　一方、本実施の形態に係る場所予測装置１００では、スケジュールではなく、ユーザの生活様式、生活パターン、行動ルール、あるいは個人の働き方の特性といったパターンを行動パターン情報として設定しておく。また、行動特性には自動的に取得更新することでしか得られない情報が含まれる。
　このような行動パターン情報で、滞在確率から得られた予測を補正することにより、常に一定の精度で滞在場所を予測することができる。
　また、自動的に取得更新することでしか得られない行動特性を補正に用いる割合を増加させることで、より安定的に高精度な予測を行うことが可能となる。
　以上の実施の形態１では、場所予測装置の各部を独立した機能ブロックとして説明した。しかし、場所予測装置の構成は、上述した実施の形態のような構成でなくてもよい。場所予測装置の機能ブロックは、上述した実施の形態で説明した機能を実現することができれば、どのような構成でもよい。また、場所予測装置は、１つの装置でなく、複数の装置から構成されたシステムでもよい。
　また、実施の形態１のうち、複数の部分を組み合わせて実施しても構わない。あるいは、この実施の形態のうち、１つの部分を実施しても構わない。その他、この実施の形態を、全体としてあるいは部分的に、どのように組み合わせて実施しても構わない。
　すなわち、実施の形態１では、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　なお、上述した実施の形態は、本質的に好ましい例示であって、本開示の範囲、本開示の適用物の範囲、および本開示の用途の範囲を制限することを意図するものではない。上述した実施の形態は、必要に応じて種々の変更が可能である。
　２０　ユーザ、３０　滞在確率、４１　行動ルール、４２　行動特性、１００　場所予測装置、１１０　確率算出部、１２０　予測部、１３０　行動設定部、１４０　補正部、１５０　記憶部、１５１　滞在場所情報、１５２　予測結果、１５３　行動パターン情報、１５４　補正予測結果、５１１　滞在場所データ、５３１　行動パターン種別、５３２　行動パターン名、５３３　行動パターン、９０９　電子回路、９１０　プロセッサ、９２１　メモリ、９２２　補助記憶装置、９３０　入力インタフェース、９４０　出力インタフェース、９５０　通信装置。

Claims (8)

  1. 　ユーザが行動する行動領域における前記ユーザの滞在場所を予測する場所予測装置において、
    　前記行動領域における前記ユーザの滞在場所の履歴を滞在場所データとして蓄積した滞在場所情報を用いて、前記ユーザの滞在場所の滞在確率を時間帯ごとに算出する確率算出部と、
    　前記滞在確率に基づいて、前記時間帯ごとに滞在場所を決定し、前記時間帯ごとの滞在場所を、前記ユーザの滞在場所の予測結果として生成する予測部と
    を備えた場所予測装置。
  2. 　前記確率算出部は、
    　前記ユーザの滞在場所を予測する日の属性を表す日にち属性を取得し、前記滞在場所情報から前記日にち属性に属する日の滞在場所データを抽出し、抽出された滞在場所データを用いて、前記ユーザの滞在場所の滞在確率を時間帯ごとに算出し、
    　前記予測部は、
    　前記時間帯ごとの滞在場所を、前記日にち属性に属する日の前記予測結果として生成する請求項１に記載の場所予測装置。
  3. 　前記予測部は、
    　前記時間帯ごとに、前記滞在確率が最も高い滞在場所を前記時間帯ごとの滞在場所として決定する請求項１または請求項２に記載の場所予測装置。
  4. 　前記場所予測装置は、
    　前記ユーザが前記行動領域で行動する際の行動パターンを行動パターン情報に設定する行動設定部と、
    　前記行動パターン情報に基づいて、前記予測結果を補正する補正部と
    を備えた請求項１から請求項３のいずれか１項に記載の場所予測装置。
  5. 　前記行動設定部は、
    　前記ユーザが前記行動領域で行動する際のルールを行動ルールとして受け付け、前記行動ルールを前記行動パターンとして前記行動パターン情報に設定し、
    　前記補正部は、
    　前記行動ルールに応じて前記予測結果を補正する請求項４に記載の場所予測装置。
  6. 　前記行動設定部は、
    　前記滞在場所情報に基づいて、前記ユーザが前記行動領域で行動する際の特性を行動特性として算出し、前記行動特性を前記行動パターンとして前記行動パターン情報に設定し、
    　前記補正部は、
    　前記行動特性に応じて前記予測結果を補正する請求項４または請求項５に記載の場所予測装置。
  7. 　ユーザが行動する行動領域における前記ユーザの滞在場所を予測する場所予測装置の場所予測方法において、
    　確率算出部が、前記行動領域における前記ユーザの滞在場所の履歴を滞在場所データとして蓄積した滞在場所情報を用いて、前記ユーザの滞在場所の滞在確率を時間帯ごとに算出し、
    　予測部が、前記滞在確率に基づいて、前記時間帯ごとに滞在場所を決定し、前記時間帯ごとの滞在場所を、前記ユーザの滞在場所の予測結果として生成する場所予測方法。
  8. 　ユーザが行動する行動領域における前記ユーザの滞在場所を予測する場所予測装置の場所予測プログラムにおいて、
    　前記行動領域における前記ユーザの滞在場所の履歴を滞在場所データとして蓄積した滞在場所情報を用いて、前記ユーザの滞在場所の滞在確率を時間帯ごとに算出する確率算出処理と、
    　前記滞在確率に基づいて、前記時間帯ごとに滞在場所を決定し、前記時間帯ごとの滞在場所を、前記ユーザの滞在場所の予測結果として生成する予測処理と
    をコンピュータである前記場所予測装置に実行させる場所予測プログラム。
PCT/JP2020/028340 2020-07-21 2020-07-21 場所予測装置、場所予測方法、および、場所予測プログラム WO2022018835A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021500754A JP6952927B1 (ja) 2020-07-21 2020-07-21 場所予測装置、場所予測方法、および、場所予測プログラム
PCT/JP2020/028340 WO2022018835A1 (ja) 2020-07-21 2020-07-21 場所予測装置、場所予測方法、および、場所予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/028340 WO2022018835A1 (ja) 2020-07-21 2020-07-21 場所予測装置、場所予測方法、および、場所予測プログラム

Publications (1)

Publication Number Publication Date
WO2022018835A1 true WO2022018835A1 (ja) 2022-01-27

Family

ID=78150247

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/028340 WO2022018835A1 (ja) 2020-07-21 2020-07-21 場所予測装置、場所予測方法、および、場所予測プログラム

Country Status (2)

Country Link
JP (1) JP6952927B1 (ja)
WO (1) WO2022018835A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001014297A (ja) * 1999-06-28 2001-01-19 Sony Corp 行動予測方法、情報提供方法及びそれらの装置
JP2009284501A (ja) * 2009-07-08 2009-12-03 Panasonic Corp プレゼンス情報処理装置及び方法
JP2017173999A (ja) * 2016-03-22 2017-09-28 Kddi株式会社 ユーザの将来期間の生活パターンを予測する生活パターン予測装置、携帯端末、プログラム及び方法
JP2017199441A (ja) * 2017-08-15 2017-11-02 株式会社Ｎｔｔファシリティーズ 活動分析システム、活動分析方法、及びプログラム
JP2018037856A (ja) * 2016-08-31 2018-03-08 沖電気工業株式会社 通信制御装置および方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6131201B2 (ja) * 2014-02-13 2017-05-17 日本電信電話株式会社 習慣度算出装置、行動予測装置、方法、及びプログラム
JP6212474B2 (ja) * 2014-12-11 2017-10-11 株式会社Ｎｔｔファシリティーズ オフィス活動分析システム、オフィス活動分析方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001014297A (ja) * 1999-06-28 2001-01-19 Sony Corp 行動予測方法、情報提供方法及びそれらの装置
JP2009284501A (ja) * 2009-07-08 2009-12-03 Panasonic Corp プレゼンス情報処理装置及び方法
JP2017173999A (ja) * 2016-03-22 2017-09-28 Kddi株式会社 ユーザの将来期間の生活パターンを予測する生活パターン予測装置、携帯端末、プログラム及び方法
JP2018037856A (ja) * 2016-08-31 2018-03-08 沖電気工業株式会社 通信制御装置および方法
JP2017199441A (ja) * 2017-08-15 2017-11-02 株式会社Ｎｔｔファシリティーズ 活動分析システム、活動分析方法、及びプログラム

Also Published As

Publication number Publication date
JP6952927B1 (ja) 2021-10-27
JPWO2022018835A1 (ja) 2022-01-27

Similar Documents

Publication Publication Date Title
Phipps et al. Robust estimates of the true (population) infection rate for COVID-19: a backcasting approach
Gallo et al. Adaptive designs in clinical drug development—an executive summary of the PhRMA working group
JP6640395B1 (ja) 情報処理システム及び情報処理方法
KR20180070912A (ko) 캘린더에 관한 예측을 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
He et al. Forward rank‐dependent performance criteria: Time‐consistent investment under probability distortion
JP5264813B2 (ja) 評価装置、評価方法及び評価プログラム
JP2015153272A (ja) 情報処理装置、情報処理方法およびプログラム
WO2022018835A1 (ja) 場所予測装置、場所予測方法、および、場所予測プログラム
US11556447B2 (en) Usage prediction method and storage medium
Leeftink et al. Optimising the booking horizon in healthcare clinics considering no-shows and cancellations
CN108961071B (zh) 自动预测组合业务收益的方法及终端设备
CN113537631B (zh) 药品需求量的预测方法、装置、电子设备及存储介质
Mukhopadhyay et al. Prediction intervals for time series: a modified sieve bootstrap approach
US10755044B2 (en) Estimating document reading and comprehension time for use in time management systems
JP2016200912A (ja) 計算機システム、計算機、ジョブ実行時刻予測方法及びジョブ実行時刻予測プログラム
Junker et al. Development of a prototype for high-frequency mental health surveillance in Germany: data infrastructure and statistical methods
US20230048809A1 (en) Electronic calendar selection
JP2008033545A (ja) リスク算出プログラム
JP2018181008A (ja) サーバ装置
US20200410586A1 (en) Adjusting Method and Adjusting Device, Server and Storage Medium for Scorecard Model
TWI806206B (zh) 智慧撥號推薦方法、非暫態電腦可讀取媒體及其行動裝置
JP6690070B1 (ja) 所在人数予測装置、設備管理システム、及び所在人数予測方法
US20220253364A1 (en) Method of calculating predicted exhaustion date and non-transitory computer-readable medium
CN112950295B (zh) 用户数据挖掘的方法、装置、可读存储介质和电子设备
JP7390955B2 (ja) シミュレーション装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021500754

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20945729

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20945729

Country of ref document: EP

Kind code of ref document: A1