CN102087722A - 学习设备和方法、预测设备和方法及程序 - Google Patents

Abstract

本发明涉及一种学习设备和学习方法、预测设备和预测方法及程序。学习设备包括：位置采集部，用于采集关于用户的位置的时序数据；时间采集部，用于采集关于时间的时序数据；以及学习部，用于使用相应采集的关于位置和时间的时序数据作为输入来学习表明用户的活动状态的活动模型作为概率状态转变模型。

Description

学习设备和方法、预测设备和方法及程序

技术领域

本发明涉及一种学习设备和学习方法、预测设备和预测方法及程序并且具体地涉及一种能够更准确地预测将来路径和在当前时间之后的经过时间的学习设备和学习方法、预测设备和预测方法及程序。

背景技术

近年来，已经研究对使用从可佩戴传感器(用户可以随身佩戴的传感器)获得的时序数据的用户状态进行建模、学习并且使用学习模型来识别用户的当前状态(例如日本待审专利申请公开号2006-134080、日本待审专利申请公开号2008-204040和“生命模式：来自可佩带传感器的结构”，布莱恩·帕特里克·克拉克森，博士论文，麻省理工大学，2002(“LifePatterns：Structure From Wearable Sensors”，Brian Patrick Clarkson，Doctor Thesis，MIT，2002))。

另外，本申请人在日本专利申请号2009-180780中已经预先提出一种以概率方式预测用户在预期将来时间的活动状态的多个可能性的方法。在日本专利申请号2009-180780的方法中，有可能从时序数据中学习用户的活动状态作为概率状态转变模型，使用学习的概率状态转变模型来识别当前活动状态，并且以概率方式预测用户“在预定时间之后”的活动状态。也作为用户“在预定时间之后”的活动状态的预测例子，日本专利申请号2009-180780公开一种识别用户的当前位置并且预测用户在预定时间之后的目的地(位置)的例子。

此外，本申请人提出一种即使未指定称为“在预定时间之后”的从当前时间起的经过时间仍然针对多个目的地预测到达概率、路径和时间的方法作为从日本专利申请号2009-180780进一步发展的日本专利申请号2009-208064。在日本专利申请号2009-208064的方法中，有可能从形成概率模型的节点之中搜索与目的地的节点对应的节点以由此自动检测目的地候选。

发明内容

例如在日本专利申请号2009-208064的方法中，在学习用于去往某个目的地和从该目的地返回的动作路径作为概率模型的情况下，关于即使在去往和返回的任一项中途经的共同位置，去往和返回仍然相互区分并且向其分配不同节点。

然而有如下情况，其中根据诸如概率模型中设置的初始状态或者节点数目、时序数据的采样间隔等设置条件来区分去往和返回并且不向其分配不同节点。因此例如在预测过程中有如下情况，其中路径被预测为从返回路径中间的共同位置返回到出发位置。为了防止路径被预测为从返回路径中间的共同位置返回到出发位置，例如可能考虑从搜索路径中排除去往路径。然而鉴于实际行为而不希望这样的路径例外。

因而希望提供一种能够更准确地预测将来路径和在当前时间之后的经过时间的技术。

根据本发明的一个实施例，提供一种学习设备，该设备包括：位置采集装置，用于采集关于用户的位置的时序数据；时间采集装置，用于采集关于时间的时序数据；以及学习装置，用于使用相应采集的关于位置和时间的时序数据作为输入来学习表明用户的活动状态的活动模型作为概率状态转变模型。

根据本发明的一个实施例，有一种由学习设备进行的学习方法，该学习设备识别表明用户的活动状态的活动模型并且学习用于在预测用户的行为的预测设备中使用的用户的活动模型作为概率状态转变模型，该方法包括以下步骤：采集关于用户的位置的时序数据；采集关于时间的时序数据；并且使用相应采集的关于位置和时间的时序数据作为输入来学习用户的活动模型作为概率状态转变模型。

根据本发明的一个实施例，提供一种在计算机中作为以下装置来工作的程序，该装置包括：位置采集装置，用于采集关于用户的位置的时序数据；时间采集装置，用于采集关于时间的时序数据；以及学习装置，用于使用相应采集的关于位置和时间的时序数据作为输入来学习表明用户的活动状态的活动模型作为概率状态转变模型。

根据本发明的这样的实施例，采集关于用户的位置的时序数据，采集关于时间的时序数据，并且使用相应采集的关于位置和时间的时序数据作为输入来学习用户的活动模型作为概率状态转变模型。

根据本发明的另一实施例，提供一种预测设备，该设备包括：位置采集装置，用于采集关于用户的位置的时序数据；时间采集装置，用于采集关于时间的时序数据；行为识别装置，用于使用用户的活动模型来识别用户的当前位置，其中活动模型表明用户的活动状态，并且学习设备使用相应采集的关于位置和时间的时序数据作为输入通过作为概率状态转变模型来学习而获得活动模型；行为预测装置，用于从行为识别装置识别的用户的当前位置预测可能路径和路径的选择概率；以及到达时间预测装置，用于根据预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

根据本发明的另一实施例，一种由预测设备进行的预测方法，该预测设备使用用户的活动模型来进行预测，其中学习设备学习表明用户的活动状态的活动模型作为概率状态转变模型，该方法包括以下步骤：采集关于用户的位置的时序数据；采集关于时间的时序数据；并且使用由学习设备使用相应采集的关于位置和时间的时序数据作为输入而学习的用户的活动模型来识别用户的当前位置；根据识别的用户的当前位置来预测可能路径和路径的选择概率；并且根据预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

根据本发明的另一实施例，一种在计算机中作为以下装置来工作的程序，该装置包括：位置采集装置，用于采集关于用户的位置的时序数据；时间采集装置，用于采集关于时间的时序数据；行为识别装置，用于使用用户的活动模型来识别用户的当前位置，其中活动模型表明用户的活动状态，并且学习设备使用相应采集的关于位置和时间的时序数据作为输入通过作为概率状态转变模型来学习而获得活动模型；行为预测装置，用于从行为识别装置识别的用户的当前位置预测可能路径和路径的选择概率；以及到达时间预测装置，用于根据预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

根据本发明的这样的实施例，采集关于用户的位置的时序数据；采集关于时间的时序数据；使用由学习设备使用相应采集的关于位置和时间的时序数据作为输入而学习获得的用户的活动模型来识别用户的当前位置；根据识别的用户的当前位置来预测可能路径和路径的选择概率；并且根据预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

可以提供学习设备和预测设备作为个别设备或者可以提供学习设备和预测设备作为构成单个设备的内部块。

如上文所述，根据本发明的一个实施例，有可能学习更准确地预测将来路径和在当前时间之后的经过时间的预测设备所使用的学习参数。

另外，根据本发明的另一实施例，有可能准确地预测将来路径和在当前时间之后的经过时间。

附图说明

图1是图示了根据日本专利申请号2009-208064的预测***的第一配置例子的框图；

图2是图示了预测***的硬件配置例子的框图；

图3是图示了向预测***输入的时序数据例子的图；

图4是图示了HMM例子的图；

图5是图示了用于语音识别的HMM例子的图；

图6A和6B是图示了给予稀疏限制的HMM例子的图；

图7是图示了借助行为预测部的路径搜索过程的简单例子的图；

图8是图示了用户行为模型学习过程的流程图；

图9是图示了到达时间预测过程的流程图；

图10是图示了日本专利申请号2009-208064中的预测***的第二配置例子的框图；

图11是图示了图10中的行为学习部可以运用的配置例子的图；

图12是图示了预测***1识别的行为模式的图；

图13是图示了到达时间预测过程的流程图；

图14是图示了到达时间预测过程的流程图；

图15是根据本发明第一实施例的预测***的框图；

图16是根据本发明第二实施例的预测***的框图；

图17是根据本发明第三实施例的预测***的框图；

图18是图示了参数重新计算部的详细配置例子的框图；

图19是图示了根据本发明第三实施例的预测***的学习过程的流程图；

图20是图示了根据本发明第三实施例的预测***的预测过程的流程图；

图21是图示了图20中的步骤S123中的参数重新计算过程的流程图；

图22是图示了根据本发明第四实施例的预测***100的配置例子的部分的框图；

图23是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图24是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图25是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图26是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图27是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图28是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图29是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图30是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图31是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图32是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图33是图示了其中对应用本发明的预测***的效果进行验证的实验结果的图；

图34是图示了根据本发明一个示例实施例的计算机的配置例子的框图。

具体实施方式

下文将描述用于实现本发明的示例实施例。为了与“背景技术”中公开的先前应用比较，将简述日本专利申请号2009-208064中公开的方法，然后将描述本发明的实施例。也就是说，将按以下顺序进行描述：

1.日本专利申请号2009-208064的第一实施例(如下例子，其中指定目的地并且预测直至指定目的地的路径和到达时间)

2.日本专利申请号2009-208064的第二实施例(如下例子，其中预测目的地并且也预测直至指定目的地的路径和到达时间)

3.本发明的第一实施例(如下实施例，其中使用关于时间和位置的时序数据的多流输入的HMM是学习模型)

4.本发明的第二实施例(如下实施例，其中除了关于时间和位置的时序数据之外也使用关于附加信息的时序数据的多流输入的HMM是学习模型)

5.本发明的第三实施例(如下实施例，其中使用关于时间和位置的时序数据的多流输入的HMM是学习模型，并且还使用其它信息)

6.本发明的第四实施例(如下实施例，其中除了本发明的第三实施例之外还识别行为模式以进一步预测目的地)

7.关于根据本发明实施例的验证实验结果的描述

1.日本专利申请号2009-208064的第一实施例

[图示了日本专利申请号2009-208064的第一配置的框图]

图1是图示了日本专利申请号2009-208064中提出的预测***的第一配置例子的框图。

预测***1包括位置采集部11、时序数据存储部12、行为学习部13、行为识别部14、行为预测部15、到达时间预测部16、操作部17和显示部18。

预测***1进行用于从表明位置采集部11采集的当前位置的时序数据中学习用户的活动状态(表明行为和活动模式的状态)作为概率状态转变模型的学习过程。另外，预测***1进行用于使用由学习过程获得的参数表明的概率状态转变模型(用户活动模型)来预测直至用户指定的目的地的路径和时间的预测过程。

在图1中，虚线箭头代表学习过程中的数据流，而实线箭头代表预测过程中的数据流。

位置采集部11例如具有GPS传感器并且按照预定时间间隔(例如15秒)依次采集关于表明它的位置的纬度和经度的数据。位置采集部11可以不按照预定间隔采集关于位置的数据。例如GPS传感器不能在隧道、地下等中捕获卫星。在这样的情况下，有可能通过进行插值过程等来***数据。

在学习过程中，位置采集部11向时序数据存储部12供应采集的位置(纬度和经度)数据。另外，在预测过程中，位置采集部11向行为识别部14供应采集的位置数据。

时序数据存储部12存储位置采集部11连续采集的位置数据、也就是关于位置的时序数据。例如由于学习用户的行为和活动模式，所以针对某些时段如数日存储的时序数据是必需的。

行为学习部13基于存储于时序数据存储部12中存储的时序数据来学习携带具有位置采集部11的器件的用户的活动状态作为概率状态转变模型。由于时序数据表明用户的位置，所以作为概率状态转变模型而学习的用户活动状态代表用户的当前位置的时序改变、也就是用户的动作路径。作为用于学习的概率状态转变模型，例如可以运用包括隐藏状态的概率状态转变模型，比如遍历HMM(隐藏马尔科夫模型)。预测***1运用其中向遍历HMM给予稀疏限制的概率状态转变模型。后文将参照图4至图6描述具有遍历HMM稀疏限制和参数等的遍历HMM的计算方法。

行为学习部13向行为识别部14和行为预测部15供应通过学习过程获得的概率状态转变模型的参数。

行为识别部14使用通过学习获得的参数的概率状态转变模型根据从位置采集部11实时供应的关于位置的时序数据来识别用户的当前行为状态、也就是用户的当前位置。行为识别部14向行为预测部15供应用户的当前状态节点的节点编号。

行为预测部15使用通过学习获得的参数的概率状态转变模型来成比例地搜索(预测)用户可以从由行为识别部14供应的状态节点的节点编号表明的用户当前位置取道的路径。另外，行为预测部15针对各搜索的路径计算出现概率以预测如下选择概率，该选择概率是选择该搜索的路径的概率。

向到达时间预测部16供应来自行为预测部15的用户可以取道的路径及其选择概率。另外，向到达时间预测部16供应表明用户通过操作部17指定的目的地的信息。

到达时间预测部16从作为搜索结果的用户可以取道的路径中提取包括用户指定的目的地的路径并且针对各提取的路径预测直至目的地的到达时间。另外，到达时间预测部16预测如下到达概率，该到达概率是用户到达目的地的概率。在针对目的地存在多个路径的情况下，到达时间预测部16计算多个路径的选择概率之和作为针对目的地的到达概率。在针对目的地存在仅一个路径的情况下，路径的选择概率变成针对目的地的到达概率。因此，到达时间预测部16向显示部18供应表明预测结果的信息用于显示。

操作部17接收用户输入的关于目的地的信息并且向到达时间预测部16供应该信息。显示部18显示从到达时间预测部16供应的信息。

[预测***的硬件配置例子]

具有这样的配置的预测***1可以例如运用图2中所示硬件配置。也就是说，图2是图示了预测***1的硬件配置例子的框图。

在图2中，预测***1包括三个移动终端21-1至21-3和服务器22。移动终端21-1至21-3是具有相同功能的相同类型的移动终端21，但是移动终端21-1至21-3由不同用户拥有。在图2中示出了仅三个移动终端21-1至21-3，但是实际上，移动终端21的数目可以对应于用户数目。

移动终端21可以通过网络如无线通信网和因特网的通信来进行向/从服务器22发送和接收数据。服务器22接收从移动终端21发送的数据并且针对接收的数据进行预定过程。另外，服务器22通过无线通信等向移动终端21发送数据处理的过程结果。

因而，移动终端21和服务器22具有以无线或者有线方式进行通信的通信部。

另外，各移动终端21可以包括图1中所示位置采集部11、操作部17和显示部18；并且服务器22可以包括图1中所示时序数据存储部12、行为学习部13和行为识别部14、行为预测部15和到达时间预测部16。

利用这样的配置，在学习过程中，移动终端21发送位置采集部11采集的时序数据。服务器22基于用于学习的接收的时序数据通过概率状态转变模型来学习用户的活动状态。另外，在预测过程中，移动终端21发送用户通过操作部17指定的目的地并且实时发送位置采集部11采集的位置数据。服务器22使用通过学习获得的参数来识别用户的当前活动状态、也就是用户的当前位置并且向移动终端21发送直至指定目的地的路径和时间作为过程结果。移动终端21在显示部18上显示从服务器22发送的过程结果。

另外例如移动终端21可以包括图1中所示位置采集部11、行为识别部14、行为预测部15、到达时间预测部16、操作部17和显示部18；并且服务器22可以包括图1中所示时序数据存储部12和行为学习部13。

利用这样的配置，移动终端21发送位置采集部11在学习过程中采集的时序数据。服务器22基于用于学习的接收的时序数据通过概率状态转变模型来学习用户的活动状态、然后向移动终端21发送通过学习获得的参数。另外，在预测过程中，移动终端21使用从服务器22接收的参数来识别位置采集部11实时采集的位置数据、也就是用户的当前位置，然后计算直至指定目的地的路径和时间。另外，移动终端21在显示部18上显示直至目的地的路径和时间作为计算结果。

可以根据各数据处理设备的处理能力或者通信环境来确定在如上文所述移动终端21与服务器22之间的作用划分。

在学习过程中，一个过程所必需的时间很长，但是没有必要频繁进行该过程。因而，由于服务器22一般具有比便携移动终端21更高的处理能力，所以有可能允许服务器22一天一次基于存储的时序数据来进行学习过程(参数更新)。

另一方面，可优选的是与每一时刻实时更新的位置数据对应地迅速进行预测过程用于显示，并且因此可优选的是在移动终端21中进行该过程。如果通信环境足够，可优选的是在如上文所述服务器22中进行预测过程并且从服务器22仅接收预测结果以由此减少优选为便携最小尺寸的移动终端21的负担。

另外，在移动终端21可以作为数据处理设备独立高速进行学习过程和预测过程的情况下，移动终端21可以具有图1中的预测***1的整个配置。

[输入的时序数据例子]

图3是图示了预测***1中采集的关于位置的时序数据例子的图。在图3中，水平轴代表经度而竖直轴代表纬度。

图3中所示时序数据是实验者在约一个半月的时段中存储的时序数据。如图3中所示，时序数据包括关于居民区和四个外界移动位置如工作位置的数据。时序数据也包括如下数据，其中位置数据是在空中而不捕获卫星。

图3中所示时序数据是与用于后文将描述的验证实验的数据不同的数据例子。

[遍历HMM]

接着将描述预测***1作为学习模型而运用的遍历HMM。

图4是图示了HMM例子的图。

HMM是具有状态和状态间转变的状态转变模型。

图4是图示了三态HMM例子的图。

在图4(与后续图相同)中，圆圈代表状态而箭头代表状态转变。状态对应于用户的活动状态并且称为状态节点、简称为节点。

另外，在图4中，s_i(在图4中，i＝1、2和3)代表状态(节点)，a_ij代表从状态s_i向状态s_j的状态转变概率。另外，b_j(x)代表输出概率密度函数，其中在向状态s_j的状态转变中观测到观测值x，并且π_i代表状态s_i为初始状态的初始概率。

作为输出概率密度函数b_j(x)，例如使用正态概率分布。

这里，HMM(连续HMM)由状态转变概率a_ij、输出概率密度函数b_j(x)和初始概率π_i限定。状态转变概率a_ij、输出概率密度函数b_j(x)和初始状态率π_i称为HMM参数λ＝{a_ij，b_j(x)，π_i，其中i＝1、2、…、M，j＝1、2、…、M}。M代表HMM状态数目。

作为一种用于估计HMM参数λ的方法，广泛使用Baum-Welch相似度估计方法。Baum-Welch相似度估计方法是基于EM算法的参数估计方法(期望值-最大化算法)。

根据Baum-Welch相似度估计方法，基于观测的时序数据x＝x₁、x₂、…、x_T来估计HMM参数λ以便最大化根据出现概率(观测到(出现)时序数据的概率)而计算的相似度。这里，x_t代表在时间t观测的信号(样本值)，并且T代表时序数据的长度(样本数目)。

例如在下文称为“文献A”的“模式识别和机器学习(II)”，C.M.毕晓普，第333页(“Pattern Recognition and Machine Learning(II)”，C.M.Bishop，P333)(英文原文：“模式识别与机器学习(信息科学与统计学)”，克里斯托弗M.毕晓普，斯普林格出版社，纽约，2006(“PatternRecognition and Machine Learning(Information Science andStatistics)”，Christopher M.Bishop，Springer，New York，2006)中公开了Baum-Welch相似度估计方法。

Baum-Welch相似度估计方法是一种基于相似度最大化的参数估计方法，但是并不保证最优性并且可以根据HMM的结构或者参数λ的初始值而收敛至局部解(局部最小值)。

一般在语音识别中使用HMM。在使用于语音识别的HMM中，一般预先确定状态数目、状态转变类型等。

图5是图示了语音识别中使用的HMM例子的图。

图5中的HMM称为由左向右型。

在图5中，状态数目变成3，并且状态转变限于如下结构，其中只允许自转变(从状态s_i向状态s_i的状态转变)和从左向右邻近状态的状态转变。

与如图5中所示限于状态转变的HMM比较，如图4中所示未限于状态转变的HMM(也就是如下HMM，其中状态转变有可能从任意状态s_i向任意状态s_j)称为“遍历HMM”。

遍历HMM是以最高自由度为结构的HMM，但是如果增加状态数目，则难以估计参数λ。

例如，如果遍历HMM中的状态数目为1000，则状态转变数目变成1,000,000(＝1000×1000)。

因而，在这种情况下，例如有必要参照参数λ中的状态转变概率a_ij来估计1,000,000项状态转变概率a_ij。

因此，例如有可能向针对状态设置的状态转变施加称为稀疏结构的限制(稀疏限制)。

这里，稀疏结构是如下结构，其中能够从某个状态进行状态转变(并非严密状态转变比如遍历HMM，其中状态转变有可能从任意状态向另一任意状态)的状态受限。就这一点而言，假设即使在稀疏结构中仍然存在向其它状态的至少一个状态转变，并且存在自转变。

图6图示了施加有稀疏限制的HMM。

在图6中，连接两个状态的双向箭头代表从两个状态的一个方向向其另一方向的状态转变和从其另一方向向其这一个方向的状态转变。另外，在图6中，可以在各状态中进行自转变，图中未示出表明自转变的箭头。

在图6中，以格子形状在二维空间中布置16个状态。也就是说，在图6中，4个状态布置于横向方向上，并且4个状态也布置于纵向方向上。

如果假设在横向方向上彼此相邻的状态之间的距离和在纵向方向上彼此相邻的状态之间的距离全为1，则图6A图示了施加有稀疏限制的HMM，其中允许向距离等于1或者小于1的状态的状态转变而不允许向其它状态的转变。

另外，图6B图示了施加有稀疏限制的HMM，其中允许向距离等于√2或者小于√2的状态的状态转变而不允许向其它状态的转变。

在预测***1中，向时序数据存储部12供应位置采集部11采集的位置数据作为时序数据x＝x₁、x₂、…、x_T。行为学习部13使用存储于时序数据存储部12中的时序数据x＝x₁、x₂、…、x_T来估计表明用户活动模型的HMM参数λ。

也就是说，考虑表明用户的移动轨迹的关于各时间的位置数据(纬度和经度)作为关于如下概率变量的观测数据，这些概率变量使用从地图上的与HMM状态s_j中的任一状态对应的一点展开预定分散值来正态分布。行为学习部13优化地图上的与各状态s_j对应的各点、其分散值和状态转变概率a_ij。

状态s_i的初始概率π_i可以设置成恒定值。例如，M个状态s_i中的各状态的初始概率π_i设置成1/M。另外，可以向时序数据存储部12供应在针对位置采集部11采集的位置数据进行预定过程如插值过程之后的位置数据作为时序数据x＝x₁、x₂、…、x_T。

行为识别部14将维特比(Viterbi)规则应用于通过学习获得的用户活动模型(HMM)并且计算状态转变(其中从位置采集部11观测到位置数据x＝x₁、x₂、…、x_T的相似度变成最大值)的路线(状态序列)(路径)(下文称为相似度路径)。因此识别用户的当前活动状态、也就是与用户的当前位置对应的状态s_i。

这里，维特比规则是一种用于确定在使用各状态s_i作为起点的状态转变的路径之中的如下路径(相似度路径)的算法，其中在处理之后通过在时序数据x的长度T内累积状态转变概率a_ij(状态s_i在时间t转变成状态s_j)和如下概率(从输出概率密度函数b_j(x)获得的输出概率，其中位置数据x＝x₁、x₂、…、x_T中的在时间t的样本值x_t被观测到)而获得的值(出现概率)变成最大值。在上述文献A的第347页中公开了维特比规则的细节。

[通过行为预测部15的路径搜索过程]

接着将描述借助行为预测部15的路径搜索过程。

通过学习获得的HMM的各状态s_i代表地图上的预定点(位置)并且可以在状态s_i和状态s_j相互连接时代表从状态s_i到状态s_j的路径。

在这种情况下，与状态s_i对应的各点可以分类为终点、途经点、分叉点和回路中的任一个。终点是除了自转变之外的概率很小(除了自转变之外的概率等于预定值或者更低)的点，其中并不存在进一步的可移动点。途经点是存在除了自转变之外的一个有效转变的点，换句话说，就是存在一个进一步的可移动点。分叉点是存在除了自转变之外的两个或者更多有效转变的点，也就是说，存在两个或者更多个进一步的可移动点。回路是与目前为止已经途经的路径上的任一点重合的点。

在搜索用于目的地的路径的情况下，如果有不同路径，则可优选针对相应路径呈现关于必需时间等的信息。因此，为了成比例地搜索可用路径，设置接下来的条件。

(1)即使路径分叉一次并且再次汇合，仍然考虑它作为不同路径。

(2)在出现路径中的终点或者目前为止途经的路径中包括的点的情况下，终止路径搜索。

行为预测部15使用由行为识别部14识别的用户当前活动状态(也就是用户的当前点)作为出发位置并且将作为下一移动位置的状态转变可用点分类为终点、途经点、分叉点和回路之一，对此进行重复直至终止条件(2)。

在将当前点分类为终点的情况下，行为预测部15将当前点连接到目前为止的路径，然后终止路径搜索。

另一方面，在将当前点分类为途经点的情况下，行为预测部15将当前点连接到目前为止的路径，然后将它移向下一点。

另外，在将当前点分类为分叉点的情况下，行为预测部15将当前点连接到目前为止的路径，按照分叉数目复制目前为止的路径，然后将它连接到分叉点。另外，行为预测部15移动分叉点之一以变成下一点。

在将当前点分类为回路的情况下，行为预测部15终止路径搜索而不将当前点连接到目前为止的路径。由于在回路中包括将路径从当前点转回到紧接在前的点的情况，所以对此不进行考虑。

[搜索过程例子]

图7是图示了借助行为预测部15的路径搜索过程的简单例子的图。

在图7中所示例子中，在状态s₁为当前位置的情况下，最终搜索三个路径。第一路径是从状态s₁经过状态s₅、状态s₆等引向状态s₁₀的路径(下文称为路径A)。第二路径是从状态s₁经过状态s₅、状态s₁₁、状态s₁₄、状态s₂₃等引向状态s₂₉的路径(下文称为路径B)。第三路径是从状态s₁经过状态s₅、状态s₁₁、状态s₁₉、状态s₂₃等引向状态s₂₉的路径(下文称为路径C)。

行为预测部15计算选择各搜索的路径的概率(路径选择概率)。通过依次乘以在用于形成路径的状态之间的转变概率来获得路径选择概率。这里，由于有必要仅考虑向下一状态转变的情况而不必考虑位置静止的情况，所以使用通过从通过学习获得的各状态的状态转变概率a_ij中去除自转变概率而调节的转变概率[a_ij]来计算路径选择概率。

通过去除自转变概率而调节的转变概率[a_ij]可以表达为以下方程(1)。

$\left[a_{\mathrm{ij}}\right]=\frac{(1-{\mathrm{\δ}}_{\mathrm{ij}})a_{\mathrm{ij}}}{{\mathrm{\Σ}}_{j=1}^N(1-{\mathrm{\δ}}_{\mathrm{ij}})a_{\mathrm{ij}}}\·\·\·\left(1\right)$

这里，δ代表克罗内克尔(Kronecker)函数，其仅在下标i和j相互重合时变成1而在除此之外的情况下变成0。

因而例如在图7中的状态s₅的状态转变概率a_ij中，在自转变概率a_5.5为0.5、转变概率a_5.6为0.2并且转变概率a_5.11为0.3的情况下，在状态a₅分叉到状态s₆或者状态s₁₁的情况下的转变概率[a_5.6]和转变概率[a_5.11]分别为0.4和0.6。

当搜索的路径的状态s_i的节点编号i为(y₁，y₂，…y_n)时，路径的选择概率P(y₁，y₂，…y_n)可以使用调节的转变概率[a_ij]来表达为以下方程(2)。

$P(y_1,y_2,\·\·\·,y_n)=\left[a_{y_1{y}_2}\right]\left[a_{y_2{y}_3}\right]\·\·\·\left[a_{y_{n-1}{y}_n}\right]$

$={\mathrm{\Π}}_{i=1}^{n-1}\left[a_{y_{i-1}{y}_i}\right]\·\·\·\left(2\right)$

实际上，由于在途经点中的调节转变概率[a_ij]为1，所以可以依次乘以在分叉时的调节转变概率[a_ij]。

在图7中所示例子中，路径A的选择概率为0.4。另外，路径B的选择概率为0.24＝0.6×0.4。路径C的选择概率为0.36＝0.6×0.6。另外可以发现路径的计算选择概率的总和为1＝0.4+0.24+0.36并且可以成比例地进行搜索。

如上文所述，从行为预测部15向到达时间预测部16供应基于当前位置而搜索的各路径及其选择概率。

到达时间预测部16从行为预测部15搜索的路径中提取包括用户指定的目的地的路径并且也针对各提取的路径预测直至目的地的时间。

例如在图7所示例子中，在三个搜索的路径A至C之中的包括作为目的地的状态s₂₈的路径为路径B和C。到达时间预测部16预测经由路径B或者C到达作为目的地的状态s₂₈所花费的时间。

在有包括目的地的许多路径并且因此难以看见显示的所有路径的情况下，或者在将呈现的路径数目设置成预定数目的情况下，有必要从包括目的地的所有路径中确定将在显示部18上显示的路径(下文近似地称为显示路径)。在种情况下，由于在行为预测部15中计算针对各路径的选择概率，所以到达时间预测部16可以按照选择概率的降序确定预定数目的路径作为显示路径。

假设当前时间t₁的当前位置为状态s_y1，在时间(t₁、t₂、…、t_g)确定的路径为(s_y1、s_y2、…、s_yg)。换而言之，假设确定的状态s_i的节点编号i为(y₁、y₂、…、y_g)。下文为了简化描述，与位置对应的状态s_i可以简称为节点编号i。

由于通过行为识别部14的识别来指明在当前时间t₁的当前位置y₁，所以在当前时间t₁的当前位置为y₁的概率P_y1(t₁)是1。另外，当前位置在当前时间t₁处于除了y₁之外的状态的概率是0。

另一方面，当前位置在预定时间t_n在节点编号y_n中的概率P_yn(t_n)可以表达为以下方程(3)。

$P_{y_n}\left(t_n\right)=P_{y_n}(t_n-1)a_{y_n{y}_n}+P_{y_{n-1}}(t_n-1)a_{y_{n-1}{y}_n}\·\·\·\left(3\right)$

这里，方程(3)的右侧第一项代表当前位置设置于原位置y_n中并且进行自转变的概率；并且右侧第二项是从设置于紧接在前的位置y_n-1向位置y_n进行转变的概率。在方程(3)中，不同于路径选择概率的计算，原样使用通过学习获得的状态转变概率a_ij。

可以使用“当前位置在紧接在时间t_g之前的时间t_g-1设置于紧接在目的地y_g之前的位置y_g-1中并且在时间t_g移向目的地y_g的概率”将在到达目的地y_g时的时间t_g的预测值<t_g>表达为以下方程(4)。

$\&lang;t_g\&rang;={\mathrm{\&Sigma;}}_t{t}_g\left(\frac{P_{x_{g-1}}(t_{g-1}-1)a_{x_{g-1}{x}_g}}{{\mathrm{\&Sigma;}}_t{P}_{x_{g-1}}(t_g-1)a_{x_{g-1}{x}_g}}\right)\&CenterDot;\&CenterDot;\&CenterDot;\left(4\right)$

也就是说，将预测值<t_g>表达为直到“当前位置在紧接在时间t_g之前的时间t_g-1设置于紧接在状态s_yg之前的状态s_yg-1中并且在时间t_g移向状态s_yg”的时间的期望值。

[用户活动模型学习过程]

接着将参照图8中的流程图描述一种学习用户的动作路径作为表明用户活动状态的概率状态转变模型的用户活动模型学习过程。

首先在步骤S1中，位置采集部11采集位置数据，然后将它供应到时序数据存储部12。

在步骤S2中，时序数据存储部12存储位置采集部11连续采集的位置数据、也就是关于位置的时序数据。

在步骤S3中，行为学习部13基于存储于时序数据存储部12中的时序数据来学习用户活动模型作为概率状态转变模型。也就是说，行为学习部13基于存储于时序数据存储部12中的时序数据来计算概率状态转变模型(用户活动模型)的参数λ。

在步骤S4中，行为学习部13向行为识别部14和行为预测部15供应在步骤S3中计算的概率状态转变模型的参数λ，然后终止该过程。

[到达时间预测过程]

接着将描述一种使用通过图8中的用户活动模型学习过程而获得的表明用户活动模型的概率状态转变模型来搜索直至目的地的路径并且计算到达时间以将它呈现给用户的到达时间预测过程。

图9是图示了到达时间预测过程的流程图。在这一例子中，在图9中的过程之前假设预先确定了目的地。然而可以在图9的过程中间输入目的地。

首先在步骤S21中，位置采集部11采集关于位置的时序数据，然后将它供应到行为识别部14。具有预定数目的样本的关于位置的时序数据暂时存储于行为识别部14中。

在步骤S22中，行为识别部14基于通过学习获得的参数λ根据用户活动模型识别用户的当前活动状态。也就是说，行为识别部14识别用户的当前位置。另外，行为识别部14向行为预测部15供应用户的当前状态节点的节点编号。

在步骤S23中，行为预测部15确定与当前搜索的状态节点(下文称为当前状态节点)对应的点是否为终点、途经点、分叉点和回路中的任一个。就在步骤S22中的过程之后，与用户的当前位置对应的状态节点变成当前状态节点。

在步骤S23中，如果确定与当前状态节点对应的点为终点，则流程前往步骤S24。然后行为预测部15将当前状态节点连接到目前为止的路径并且终止路径搜索，然后流程进行步骤S31。如果当前状态节点为与当前位置对应的状态节点，则由于无目前为止的路径，所以不进行连接过程。这是步骤S25、S27和S30的情况。

在步骤S23中，如果确定与当前状态节点对应的点为途经点。则流程进行步骤S25。然后，行为预测部15将当前状态节点连接到目前为止的路径。然后在步骤S26中，行为预测部15移动下一状态节点以变成当前状态节点。在步骤S26的过程之后，流程返回到步骤S23。

在步骤S23中，如果确定与当前状态节点对应的点为分叉点，则流程进行步骤S27。然后，行为预测部15将当前状态节点连接到目前为止的路径。然后在步骤S28中，行为预测部15按照分叉数目复制目前为止的路径，然后将它们连接到分叉线的状态节点。另外在步骤S29中，行为预测部15选择复制的路径之一并且移动在所选路径之前的状态节点以变成当前状态节点。在步骤S29的过程之后，流程返回步骤S23。

另一方面，在步骤S23中，如果确定与当前状态节点对应的点为回路，则流程进行步骤S30。然后，行为预测部15终止路径搜索而不将当前状态节点连接到目前为止的路径，然后流程进行步骤S31。

在步骤S31中，行为预测部15确定是否存在未搜索的路径。在步骤S31中，如果确定存在未搜索的路径，则流程进行步骤S32。然后，行为选择部15允许流程返回到当前位置的状态节点并且移动未搜索的路径的下一状态节点以变成当前状态节点。在步骤S32的过程之后，流程返回到步骤S23。因此进行路径搜索直至参照未搜索的路径因终点或者回路而终止搜索。

在步骤S31中，如果确定不存在未搜索的路径，则流程进行步骤S33。然后，行为预测部15计算各搜索的路径的选择概率(出现概率)。行为预测部15向到达时间预测部16供应各路径及其选择概率。

在步骤S34中，到达时间预测部16从行为预测部15搜索的路径中提取包括输入的目的地的路径，然后针对目的地计算到达概率。具体而言，在针对目的地存在多个路径的情况下，到达时间预测部16计算多个路径的选择概率之和作为针对目的地的到达概率。在存在针对目的地的仅一个路径的情况下，该路径的选择概率原样变成针对目的地的到达概率。

在步骤S35中，到达时间预测部16确定提取的路径数目是否大于预先设置为呈现数目的预定数目。

在步骤S35中，如果提取的路径数目大于预定数目，则流程进行步骤S36。然后，到达时间预测部16确定显示于显示部18上的预定数目的路径。例如，到达时间预测部16可以按照选择概率的降序确定预定数目的路径。

另一方面，在步骤S35中，如果确定所选路径的数目等于或者小于预定数目，则跳过步骤S36的过程。也就是说，在这种情况下，用于到达目的地的所有路径都显示于显示部18上。

在步骤S37中，到达时间预测部16计算确定为显示于显示部18上的各路径的到达时间。另外，到达时间预测部16向显示部18供应如下图像信号，该图像信号表明针对目的地的到达概率以及直至目的地的路径和时间。

在步骤S38中，显示部18基于从到达时间预测部16供应的图像信号来显示针对目的地的到达概率以及直至目的地的路径和时间，然后流程终止。

如上文所述，在预测***1的第一配置例子中进行如下学习过程，其中从由位置采集部11获得的关于位置的时序数据中学习用户的活动状态作为概率状态转变模型。另外，预测***1使用通过学习过程获得的表达为参数λ的概率状态转变模型来预测针对输入的目的地的到达概率以及去往目的地的路径和到达时间并且将它呈现给用户。

因此，根据预测***1的第一配置例子，有可能预测针对用户指定的目的地的到达概率以及去往目的地的路径和到达时间以由此将它呈现给用户。

2.日本专利申请号2009-208064中的第二配置

[图示了日本专利申请号2009-208064中的第二配置例子的框图]

图10是图示了日本专利申请号2009-208064中公开的预测***的第二配置例子的框图。在图10中，与上述第一配置例子中相同的部件给予相同标号，并且将按照需要省略描述(其它图也是这种情况)。

图10中所示预测***1包括位置采集部11、速度计算部50、时序数据存储部51、行为学习部52、行为识别部53、行为预测部54、目的地预测部55、操作部17和显示部18。

在第一配置例子中，目的地由用户指定，但是在第二配置例子中，预测***1基于由位置采集部11采集的位置数据的时序数据来预测目的地。预测的目的地可以是一个或者多于一个。预测***1针对预测的目的地计算到达概率、路径和到达时间并且将它呈现给用户。

至于作为目的地的住宅、办公室、车站、购物中心、餐馆等，用户一般在该地点静止预定时间，并且用户的移动速度几乎接近零。另一方面，在用户移向目的地的情况下，用户的移动速度根据移动手段而处于具体模式的转变状态中。因而，有可能通过根据关于用户移动速度的信息识别用户的行为状态(也就是用户是处于静止于目的地的状态(静止状态)中还是在移动的状态(移动状态)中)来预测在静止状态中的地点作为目的地。

速度计算部50按照预定时间间隔根据从位置采集部11供应的位置数据来计算移动速度。

具体而言，当使用时间t_k、经度y_k、纬度x_k来表达按照预定时间间隔在第k个步骤(k-th)中获得的位置数据时，可以通过以下方程(5)计算在x方向上在第k个步骤中的移动速度vx_k和在y方向上在第k个步骤中的移动速度vy_k。

${\mathrm{vx}}_k=\frac{x_k-x_{k-1}}{t_k-t_{k-1}}$ ${\mathrm{vy}}_k=\frac{y_k-y_{k-1}}{t_k-t_{k-1}}\&CenterDot;\&CenterDot;\&CenterDot;\left(5\right)$

在方程(5)中，原样使用从位置采集部11获得的关于纬度和经度的数据，但是可以将纬度和经度转换成距离，或者可以按照需要适当地进行以待表达的单位每小时或者每分钟的方式转换速度的过程。

另外，速度计算部50可以根据通过方程(5)获得的移动速度vx_k和vy_k来计算通过以下方程(6)表达的在行进方向上的第k个移动速度v_k和改变θ_k并且可以利用它。

$v_k=\sqrt{{{\mathrm{vx}}_k}^2+{{\mathrm{vy}}_k}^2}$ ${\mathrm{\&theta;}}_k={\sin }^{-1}\left(\frac{{\mathrm{vx}}_k\&CenterDot;{\mathrm{vy}}_{k-1}-{\mathrm{vx}}_{k-1}\&CenterDot;{\mathrm{vy}}_k}{v_k\&CenterDot;v_{k-1}}\right)\&CenterDot;\&CenterDot;\&CenterDot;\left(6\right)$

如果使用通过方程(6)表达的在行进方向上的移动速度v_k和改变θ_k，则有可能与方程(5)中的移动速度vx_k和vy_k相比鉴于以下几点希望提取特性。

1.由于移动速度vx_k和vy_k的数据分布参照纬度轴和经度轴有所偏移，如果角度即使就相同移动手段(火车、步行等)而言仍然不同，则可能难以识别它。然而在移动速度v_k的情况下，这种可能性就会减少。

2.如果仅通过移动速度的绝对值(|v|)进行学习，则由于器件的噪声生成的绝对值|v|而难以区分步行与静止。因此，考虑在行进方向上的改变而有可能减少噪声的影响。

3.由于在行进方向上的改变在移动期间为少量、但是在静止时段期间行进方向不确定，所以如果使用在行进方向上的改变，则易于识别移动和静止状态。

根据这些原因，速度计算部50计算方程(6)表达的在行进方向上的移动速度v_k和改变θ_k作为关于移动速度的数据并且将它与位置数据一起供应到时序数据存储部51或者行为识别部53。

另外，为了在计算行进方向上的移动速度v_k和改变θ_k之前去除噪声分量，速度计算部50使用移动平均值来进行过滤过程(预处理)。

下文将在行进方向上的改变θ_k简称为行进方向θ_k。

位置采集部11包括输出移动速度的功能。如果采用这样的位置采集部11，则省略速度计算部50，并且可以原样使用位置采集部11输出的移动速度。

时序数据存储部51存储从速度计算部50供应的位置数据和关于移动速度的时序数据。

行为学习部52基于存储于时序数据存储部51中的时序数据来学习用户的移动轨迹和行为状态作为概率状态转变模型。也就是说，行为学习部52识别用户的当前位置并且学习用于预测目的地、路径和到达时间的用户活动模型作为概率状态转变模型。

行为学习部52向行为识别部53、行为预测部54和目的地预测部55供应通过学习过程获得的概率状态转变模型的参数λ。

行为识别部53使用通过学习过程获得的参数λ的概率状态转变模型根据关于位置和移动速度的时序数据来识别用户的当前位置。行为识别部53向行为预测部54供应用户的当前状态节点的节点编号。

行为预测部54使用通过学习获得的参数λ的概率状态转变模型来搜索用户从用户的当前位置可以取道的路径，然后针对各所选路径计算选择概率。

也就是说，行为识别部53和行为预测部54与第一配置例子中的行为识别部14和行为预测部15相同而不同在于通过添加关于移动速度的时序数据来使用通过学习行为状态而不是动作路径而获得的参数λ。

目的地预测部55使用通过学习获得的参数λ的概率状态转变模型来预测用户的目的地。

具体而言，目的地预测部55首先呈现目的地候选。目的地预测部55使用识别的用户行为状态变成静止状态时所在的地点作为目的地候选。

另外，目的地预测部55确定在呈现的目的地候选之中的在行为预测部54搜索的路径上的目的地候选作为目的地。

接着，目的地预测部55针对各确定目的地计算到达概率。

在检测到多个目的地的情况下，如果所有目的地显示于显示部18上，则难以看见所有目的地。另外，也可以显示到达概率低的目的地。因而在第二配置例子中，以与搜索的路径受限的情况类似的方式，待显示的目的地也可以受限，从而仅显示到达概率高的预定数目的目的地或者到达概率为预定值或者更高值的目的地。显示的目的地和路径的数目可以互不相同。

如果确定待显示的目的地，则目的地预测部55计算直至目的地的路径的到达时间并且在显示部18上显示它们。

如果有去往目的地的多个路径，则目的地预测部55可以基于选择概率将去往目的地的路径减少至预定数目并且可以以与第一配置例子类似的方式仅计算显示路径的到达时间。

另外，如果有去往目的地的多个路径，则可以按照选择概率的降序或者按照到达时间的升序或者按照与目的地的距离的升序确定显示路径。例如在按照到达时间的升序确定显示路径的情况下，目的地预测部55首先针对去往目的地的所有路径计算到达时间并且基于计算的到达时间来确定显示路径。例如在按照与目的地的距离的升序确定显示路径的情形下，目的地预测部55首先针对去往目的地的所有路径基于关于与状态节点对应的纬度和经度的信息来计算与目的地的距离，然后基于计算的距离确定显示路径。

[行为学习部52的详细配置例子]

图11是图示了图10中的行为学习部52可以运用的配置例子的图。

行为学习部52使用存储于时序数据存储部51中的关于位置和移动速度的时序数据来同时学习用户的移动轨迹和行为状态。

行为学习部52包括学习数据转换部61和集成学习部62。

学习数据转换部61包括状态序列生成部71和行为模式生成部72。状态序列生成部71将关于位置的时序数据转换成关于状态节点s_i的时序数据(状态序列数据)并且将它供应到集成学习部62。行为模式生成部72将关于移动速度的数据转换成关于行为模式的时序数据(行为模式序列数据)并且将它供应到集成学习部62。

向状态序列生成部71供应从时序数据存储部51供应的关于位置的时序数据。状态序列生成部71可以采用与图1中的行为识别部14相同的配置。也就是说，状态序列生成部71基于通过学习获得的参数λ来识别与从用户活动模型输入的用户当前位置对应的用户当前活动状态。进而，状态序列生成部71向集成学习部62依次供应用户的当前状态节点s_i作为识别结果。

向行为模式生成部72供应从时序存储部51供应的关于移动速度的时序数据。行为模式生成部72使用通过学习用户的行为状态作为概率状态转变模型而获得的参数λ来识别与供应的移动速度对应的用户行为状态，然后向集成学习部62依次供应识别结果作为行为模式。作为由行为模式生成部72识别的用户行为状态，有必要的是至少存在静止状态和移动状态。另外，可以根据移动手段如步行、自行车或者汽车对移动状态的行为模式进行分类。

[行为模式分类]

图12是图示了行为模式生成部72识别的用户行为状态(行为模式)的图。

如图12中所示，首先可以将用户的行为状态分类为静止状态和移动状态。如上文所述，在预测***1中有必要将行为状态分类为上述两个状态作为行为模式生成部72识别的用户行为状态，因为如上文所述有必要的是至少存在静止状态和移动状态。

另外，可以根据移动手段将移动状态分类为火车、车辆(包括公共汽车)、自行车和步行。可以将火车分类为限速特快、快车、慢车等。可以将车辆分类为特快、公路等。另外，可以将步行分类为跑步、正常、漫步等。

在预测***1中，如图12中的斜线代表的那样，可以将用户的行为状态分类为“静止”、“火车(快车)”、“火车(慢车)”、“车辆(特快)”、“车辆(公路)”、“自行车”和“步行”。另外，省略“火车(限速特快)”，因为不能获得学习数据。

行为模式的分类方法不限于图12中所示例子。另外，根据移动手段的移动速度改变并未根据用户而明显不同，因此作为学习数据的关于移动速度的时序数据不一定限于作为识别目标的具体用户。

回到图11，集成学习部62通过概率状态转变模型来集成地学习关于多个事件(模态)的时序数据。向集成学习部62供应状态序列数据作为关于第一事件的时序数据，并且向集成学习部62供应行为模式序列数据作为关于第二事件的时序数据。因而，集成学习部62使用状态序列数据和行为模式序列数据来学习多流HMM(表明用户活动状态的概率状态转变模型)的参数λ。

多流HMM是如下HMM，其中根据多个不同概率规则从具有与正常HMM相同的转变概率的状态节点输出数据。在多流HMM中，针对各条时序数据预备、然后更新作为参数λ之中的观测概率参数的输出概率密度函数b_j(x)。

如果关于第一事件的时序数据的输出概率密度函数b_j(x)是平均值为μ_s而标准偏差为σ_xs的正态概率分布而关于第二事件的时序数据的输出概率密度函数b2_j(x)是平均值为μ_s而标准偏差为σ_ys的正态概率分布，则通过以下方程(7)给予从状态s_i输出在时间t的第一事件的时序数据x_t和第二事件的时序数据y_t的相似度P(s_i|x_t，y_t)。

$P\left(s\right|x_t,y_t)={\left[\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_{x,s}^2}}\exp (-\frac{{(x_t-{\mathrm{\&mu;}}_s)}^2}{{2\mathrm{\&sigma;}}_{x,s}^2})\right]}^{w_x}{\left[\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_{y,s}^2}}\exp (-\frac{{(y_t-{\mathrm{\&mu;}}_s)}^2}{{2\mathrm{\&sigma;}}_{y,s}^2})\right]}^{w_y}\&CenterDot;\&CenterDot;\&CenterDot;\left(7\right)$

在方程(7)中，w_x和w_y为如下权值，这些权值表明关于第一和第二事件的时序数据对学***。权值w_x和w_y鉴于对数相似度可以是相应事件的对数相似度的线性组合。因而在多流HMM中，通过根据对数相似度线性地组合学习模型的状态针对相应流而具有的相似度来获得各状态s_i的相似度。

作为单个流的输入的在正常HMM中的状态s_i的相似度对应于权值w_y在方程(7)中为零而无y_t项的情况。

除了针对各条时序数据个别地更新作为观测概率参数的输出概率密度函数b_j(x)以及通过方程(7)计算相似度之外，学习过程与在正常HMM中相同。

在这一例子中，由于时序数据包括状态序列数据和行为模式序列数据，所以在集成学习部62的多流HMM中以地图上的指数与行为模式相互关联这样的方式(集成地学习)学习用户的行为状态。

具体而言，集成学习部62学习各状态节点的概率(输出具体状态节点的概率)和各状态节点输出的行为模式的概率(输出具体行为模式的概率)。根据通过学习获得的集成模型(多流HMM)来获得如下状态节点，其中可能以概率方式输出“静止状态”的行为模式。另外，有可能从识别的状态节点中识别目的地候选的地点。此外，有可能根据目的地候选的地点表明的纬度和经度分布来识别目的地的位置。

如上文所述，估计观测的行为模式变成“静止状态”的概率高的状态节点表明的位置是用户的逗留位置。另外如上文所述，由于在“静止状态”中的位置在许多情况下为目的地，所以有可能估计逗留位置作为目的地。

集成学习部62向行为识别部53、行为预测部54和目的地预测部55供应通过学习获得的表明用户行为状态的多流HMM的参数λ。

在上述例子中，在状态序列生成部71和行为模式生成部72中，通过HMM进行建模，因此将从时序数据存储部51供应的关于位置和移动速度的时序数据转换成状态序列数据和行为模式序列数据。

然而使用除了上述方法之外的不同方法可以将关于位置和移动速度的数据转换成状态序列数据和行为模式序列数据。例如参照行为模式，可以不同于位置采集部11而使用运动传感器如加速度传感器或者陀螺传感器从加速度等的检测结果中检测有或者无用户的移动，并且可以获得针对确定行为模式的确定结果。在这一情况下，可以省略行为模式生成部72。

[目的地到达时间预测过程]

接着将参照图13和图14中的流程图描述借助图10中的预测***1的目的地到达时间预测过程。

也就是说，图13和图14图示了根据关于位置和移动速度的时序数据预测目的地、计算直至目的地的路径和到达时间并且将它呈现给用户的目的地到达时间预测过程的流程图。

除了在步骤S51中获得的时序数据为关于位置和移动速度的数据外，图13中的步骤S51至S63的过程与图9中所示到达时间预测过程的步骤S21至S33相同，并且将省略其描述。

通过图13中的步骤S51至S63的过程来识别用户的当前位置。然后成比例地搜索用户可以选择的路径并且计算各路径的选择概率。随后，流程进行图14中的步骤S64。

在步骤S64中，目的地预测部55预测用户的目的地。具体而言，目的地预测部55起初呈现目的地候选。目的地预测部55呈现用户的行为状态在静止状态中时所在的位置作为目的地候选。另外，目的地预测部55从呈现的目的地候选之中确定行为预测部54搜索的路径上的目的地候选作为目的地。

在步骤S65中，目的地预测部55针对各目的地计算到达概率。也就是说，关于具有多个路径的目的地，目的地预测部55计算多个路径的选择概率之和作为目的地的到达概率。对于仅具有一个路径的目的地，路径的选择概率原样变成目的地的到达概率。

在步骤S66中，目的地预测部55确定预测的目的地的数目是否大于预定数目。在步骤S66中，如果确定预测的目的地的数目大于预定数目，则流程进行步骤S67。然后，目的地预测部55确定将在显示器18上显示的预定数目的目的地。例如，目的地预测部55可以按照针对目的地的到达概率的降序来确定预定数目的路径。

另一方面，在步骤S66中，如果确定预测的目的地的数目等于或者小于预定数目，则跳过步骤S67。也就是说，在这种情况下，所有预测的目的地显示于显示部18上。

在步骤S68中，目的地预测部55从行为预测部54搜索的路径中提取包括预测的目的地的路径。在预测了多个目的地的情况下，针对各预测的目的地提取路径。

在步骤S69中，目的地预测部55确定提取的路径的数目是否大于预定为呈现数目的数目。

在步骤S69中，如果确定提取的路径的数目大于预定数目，则流程进行步骤S70。然后，目的地预测部55确定将在显示部18上显示的预定数目的路径。例如，目的地预测部55可以按照选择概率的降序确定预定数目的路径。

另一方面，在步骤S69中，如果确定提取的路径的数目等于或者小于预定数目，则跳过步骤S70的过程。也就是说，在这种情况下，用于到达目的地的所有路径都显示于显示部18上。

在步骤S71中，目的地预测部55计算确定为显示于显示部18上的各路径的到达时间并且向显示部18供应表明针对目的地的到达概率以及直至目的地的路径和到达时间的图像信号。

在步骤S72中，显示部18基于从目的地预测部55供应的图像信号来显示针对目的地的到达概率以及直至目的地的路径和到达时间，然后流程终止。

如上文所述，根据图10中的预测***1，有可能根据关于位置和移动速度的时序数据来预测目的地、计算针对目的地的到达概率以及直至目的地的路径和到达时间、以及将它呈现给用户。

[根据日本专利申请号2009-208064的方法中的问题]

在根据日本专利申请号2009-208064的方法中，一般而言，基于HMM的学习模型不仅针对关于位置的输入时序数据学习纬度和经度的值而且学习其先后关系的时间连接。因而例如在通过HMM来学习用户去往具体目的地和从该目的地返回所沿着的动作路径的情况下，在去往和返回时均途经的共同位置的情况下，去往和返回相互区分并且向其分配不同节点。

然而有如下情况，其中根据诸如学习模型(HMM)中设置的初始状态或者节点数目、时序数据的采样间隔等设置条件来区分去往和返回并且不向其分配不同节点。因此例如在预测过程中有如下情况，其中预测路径从返回路径中间的共同位置返回到出发位置。

3.本发明的第一实施例

因此将描述如下实施例，这些实施例与上述日本专利申请号2009-208064相比可以防止预测路径从返回路径中间的共同位置返回到出发位置并且可以准确地预测将来路径和在当前时间之后的经过时间。也就是说，将描述本发明的示例实施例。

[图示本发明第一实施例的框图]

图15是图示了根据本发明第一实施例的预测***的框图。

在图15中，与图1中所示部件相同的部件给予以相同标号，并且将省略其描述。

在图1所示预测***1中，基于关于位置(纬度和经度)的时序数据来学习用户的活动状态。就这一点而言，在图15所示预测***100中，基于关于位置的时序数据和关于时间的时序数据来学习用户的活动状态。作为本实施例中的学习模型，采用具有稀疏限制的HMM。

图15中的预测***100包括位置采集部11、行为识别部14、行为预测部15、到达时间预测部16、操作部17、显示部18、时间采集部111、时序数据存储部112和多流输入行为学习部113。

时间采集部111在学习过程中依次采集当前时间，然后将它供应到时序数据存储部112。另一方面，时间采集部111在预测过程中依次采集当前时间，然后将它供应到行为识别部14。例如在位置采集部11由GPS传感器配置的情况下，GPS传感器一般也可以采集时间，因此时间采集部111也可以由GPS传感器配置。另外，有可能使用具有时钟功能的其它设备或者传感器。

时序数据存储部112存储从位置采集部11供应的关于位置的时序数据和从时间采集部111供应的关于时间的时序数据。另外，时序数据存储部112向多流输入行为学习部113供应关于时间和位置的时序数据。

多流输入行为学习部113基于关于位置的时序数据和关于时间的时序数据使用概率状态转变模型来学习用户的活动状态并且向行为识别部14和行为预测部15供应作为结果而获得的参数λ。

这里，关于位置的时序数据和关于时间的时序数据具有不同特性，因此多流输入行为学习部113以与图11中所示集成学习部62类似的方式学习多流HMM的参数λ。也就是说，关于上述第一事件的时序数据对应于关于位置的时序数据，而关于第二事件的时序数据对应于关于时间的时序数据。

在预测过程中，向行为识别部14供应来自位置采集部11的关于位置的时序数据和来自时间采集部111的关于时间的时序数据。

行为识别部14通过学习获得的用户活动模型(多流HMM)来识别与用户当前位置对应的用户当前行为状态。行为预测部15从识别的用户当前位置搜索路径。到达时间预测部16从行为预测部15搜索的路径中提取包括用户指定的目的地的路径并且针对各提取的路径预测直至目的地的时间。

图15的预测***100中的学习过程与图8中相同，不同在于表明作为学习目标的用户活动模型的概率状态转变模型为多流HMM，因此将省略它的描述。

另外，图15的预测***100中的预测过程也与图9中相同，不同在于用户活动模型为多流HMM，因此将省略它的描述。

根据图15的预测***100的第一实施例，在预测过程中，识别与实时供应的关于位置和时间的时序数据最近的状态节点作为用户的当前活动状态。例如由于学习模型在去往与返回之间学习为不同时间，所以在去往与返回之间识别不同状态节点。因此，在搜索与实时获得的当前时间的状态节点最近的状态节点时，在去往移动中间不预测返回路径。也就是说，有可能准确地预测将来路径和在当前时间之后的经过时间并且学习其学习参数。

4.本发明的第二实施例

[图示本发明第二实施例的框图]

接着将描述根据本发明的预测***的第二实施例。

图16是图示了根据本发明第二实施例的预测***的框图。

在图16中，与图15中所示部件相同的部件给予相同标号，并且将省略其描述。

在图15所示预测***100的第一实施例中，仅基于关于位置和时间的时序数据通过具有稀疏限制的HMM来学习用户的活动状态。另外具体而言，如果向用于学习用户活动状态的学习模型给予大量信息，则有可能识别用户的活动状态。

因此，在图16的预测***100的第二实施例中，多流HMM除了关于位置和时间的时序数据之外还接收关于附加信息(比如日子、交通条件或者天气条件)的时序数据作为输入并且进行学习。

与图15中的预测***100比较，图16中的预测***100还包括日子采集部121、交通条件采集部122和天气条件采集部123。另外安装时序数据存储部124和多流输入行为学习部125而不是图15中的时序数据存储部112和多流输入行为学习部113。

日子采集部121按照预定间隔依次采集在当前时间点的日子。在学习过程中，向时序数据存储部124供应采集的关于日子的时序数据。另一方面，在预测过程中，向行为识别部14供应采集的关于日子的时序数据。

交通条件采集部122按照预定间隔依次采集在当前时间点的交通条件。在学习过程中，向时序数据存储部124供应采集的关于交通条件的时序数据。另一方面，在预测过程中，向行为识别部14供应采集的关于交通条件的时序数据。

天气条件采集部123按照预定间隔依次采集在当前时间点的天气条件。在学习过程中，向时序数据存储部124供应采集的关于天气条件的时序数据。另一方面，在预测过程中，向行为识别部14供应采集的关于天气条件的时序数据。

日子采集部121、交通条件采集部122和天气条件采集部123可以由如下通信设备配置，该通信设备连接到用于提供关于日子、交通条件和天气条件的相应信息的服务器并且采集该信息。另外，在位置采集部11、时间采集部111、日子采集部121、交通条件采集部122和天气条件采集部123分别采集信息时的采集间隔未必相同。

时序数据存储部124存储从相应部供应的关于位置、时间、日子、交通条件和天气条件的时序数据并且将其供应到多流输入行为学习部125。

在这一实施例中，除了关于位置和时间的时序数据之外，向多流输入行为学习部125输入关于日子、交通条件和天气条件的三条时序数据，但是可以使用日子、交通条件和天气条件中的任何一条或者两条作为时序数据。

向行为识别部14和时序数据存储部124独立地供应关于日子、交通条件和天气条件的相应时序数据。这里在图16中为了简化图示，将时序数据的供应线集成为单个线。后文描述的图17中的情况也是这种情况。

多流输入行为学习部125基于多个输入的多流、通过概率状态转变模型来学习用户的活动状态并且向行为识别部14和行为预测部15供应作为结果而获得的参数λ。也就是说，向多流输入行为学习部125供应关于位置、时间、日子、交通条件和天气条件的时序数据，并且进行对其中输入五个多流的多流HMM的学习。

根据第二实施例的预测***的学习过程和预测过程与图15中的第一实施例中相同。

根据图16中的预测***100的第二实施例，除了关于时间和位置的时序数据之外还参照关于日子、交通条件、天气条件等的附加信息的时序数据进行学习过程和预测过程。因而，除了可以通过关于时间的时序数据辨别去往和返回的情况之外，例如在动作路径根据日子变成不同的情况下，在动作路径根据天气或者交通条件变成不同的情况下或者在类似情况下，有可能识别动作路径作为不同状态节点。具体而言，在用户从住宅移向最近车站的情况下，如果是工作日，则预测办公室作为目的地，而如果是假日，则可以预测除了办公室之外的地点作为目的地。

也就是说，根据预测***100的第二实施例，有可能更准确地预测将来路径和在当前时间之后的经过时间并且学习其学习参数。

然而如果增加向多流HMM输入的用于学习的时序数据(流)的数目，则有必要增加状态节点的数目并且也增加用于学习的时间。对于关于日子、交通条件、天气条件等的附加信息，有一种用于通过根据各预定条件对关于时间和位置的时序数据进行分类、通过针对各条件对学习模型个别地进行学习并且通过选择满足当前时间点条件的学习模型来进行预测的方法。在这一情况下，与相应学习模型的节点数目的总数相同的数目是必需的。

另外，用来确定用户活动的关于日子等的附加信息的时序数据的权值(对应于方程(7)中的权值w_x、w_y)与关于时间和位置的时序数据不同并且可以根据用户、活动类型或者日子而不同。

5.本发明的第三实施例

因此将描述如下实施例，其中学习模型(多流HMM)仅使用关于时间和位置的时序数据作为输入来进行学习，而给出关于日子、交通条件、天气条件等的附加信息作为附加条件，因此考虑这样的附加信息有可能更简单和准确地进行预测。

[图示本发明第三实施例的框图]

图17是图示了根据本发明第三实施例的预测***的框图。

在图17中，与图15或者图16中所示部件相同的部件给予相同标号，并且将省略其描述。

在图17中的预测***100的第三实施例中，用于根据供应的时序数据来计算学习模型的参数λ的学习设备包括时序数据存储部141、多流输入行为学习部113和状态序列生成部142。

另一方面，根据供应的时序数据来预测去往用户目的地的路径和到达时间的预测设备包括状态序列分类部143、参数重新计算部144、行为识别部145和行为预测部146。

时序数据存储部141在学习过程中存储从各部供应的关于位置、时间、日子、交通条件和天气条件的时序数据。时序数据存储部141向多流输入行为学习部113供应关于位置和时间的时序数据并且向状态序列分类部143供应与关于日子等的附加信息有关的时序数据。

多流输入行为学习部113以与第一实施例类似的方式基于关于位置和时间的时序数据来学习用户活动模型。作为用户活动模型，采用作为概率状态转变模型的多流HMM。向状态序列生成部142供应作为学习结果而获得的多流HMM的参数λ。

状态序列生成部142将从时序数据存储部141供应的关于位置和时间的时序数据转换成关于识别的状态节点的时序数据(下文称为状态序列数据)，然后将它供应到状态序列分类部143。具体而言，状态序列生成部142基于从多流输入行为学习部113供应的参数λ根据用户活动模型来识别用户在该时间的活动状态。另外，状态序列生成部142向状态序列分类部143依次供应作为识别结果的用户状态节点。

在学习过程中从时序数据存储部141向状态序列分类部143供应与关于日子的附加信息有关的时序数据以及关于位置和时间的时序数据。另外，在学习过程中从状态序列生成部142向状态序列分类部143供应状态序列数据。

状态序列分类部143在存储部中对应地存储包括附加信息的关于位置和时间的时序数据以及状态序列数据。因此，状态序列分类部143识别与用作学习数据的关于位置和时间的时序数据对应的状态序列数据是与某个附加条件(附加信息确定的条件)对应的数据。

另一方面，在预测过程中，向状态序列分类部143实时供应关于附加信息的时序数据。也就是说，分别从日子采集部121、交通条件采集部122和天气条件采集部123向状态序列分类部143供应关于在当前时间点的日子、交通条件和天气条件的时序数据。

状态序列分类部143从在学习过程中存储的状态序列数据以及关于位置和时间的时序数据中仅选择满足实时供应的附加条件的状态序列数据以及关于位置和时间的时序数据并且将它们供应到参数重新计算部144。

参数重新计算部144在预测过程中仅通过统计过程重新计算多流HMM的参数λ。也就是说，参数重新计算部144仅使用满足在当前时间点的附加信息的关于位置和时间的时序数据来重新计算在所有附加条件中针对关于位置和时间的时序数据而计算的多流HMM的参数λ。实际上，使用与满足在当前时间点的附加信息的关于位置和时间的时序数据对应的状态序列数据来重新计算参数λ。通过参数重新计算部144的参数重新计算过程而计算的参数λ称为重新计算参数λ’。

如上文所述，由于状态序列分类部143和参数重新计算部144计算预测过程中使用的学习模型的参数，所以状态序列分类部143和参数重新计算部144可以是学习设备的一部分。

在预测过程中，向行为识别部145供应来自位置采集部11的关于位置的时序数据和来自时间采集部111的关于时间的时序数据。行为识别部145通过从参数重新计算部144供应的重新计算参数λ’使用用户活动模型(多流HMM)来识别与用户当前位置对应的用户当前活动状态。因而，行为识别部145仅使用关于位置的时序数据和关于时间的时序数据来识别用户的当前活动状态。

行为预测部146通过从参数重新计算部144供应的重新计算参数λ’使用用户活动模型从用户的当前位置搜索可选路径。到达时间预测部16从由行为预测部15搜索的路径中提取包括用户指定的目的地的路径，然后针对提取的各路径预测直至目的地的时间。

[参数重新计算部144的配置例子]

图18图示了参数重新计算部144的详细配置例子。

参数重新计算部144使用如下状态序列数据来重新计算参数λ，该状态序列数据对应于与在当前时间点的附加信息相符的关于位置和时间的时序数据。

参数重新计算部144包括转变频率计数部161、转变参数计算部162、状态频率计数部163、时序数据分类部164和观测参数计算部165。

转变频率计数部161使用从状态序列分类部143供应的状态序列数据作为目标对各状态转变的频率进行计数。也就是说，如果将用于从状态节点s_i移向状态节点s_j的路径的频率(计数值)表达为n_ij，则转变频率计数部161使用从状态序列分类部143供应的状态序列数据作为目标来计算各状态转变的频率n_ij(i＝1至N，j＝1至N，并且N是时序数据的最终节点编号(也就是节点数目))。

转变参数计算部162计算与HMM的状态转变概率a_ij对应的转变参数。具体而言，转变参数计算部162基于从转变频率计数部161供应的各状态转变的频率n_ij通过以下方程(8)来计算转变概率A_ij。

$A_{\mathrm{ij}}=\frac{n_{\mathrm{ij}}}{{\mathrm{\&Sigma;}}_{j=1}^N{n}_{\mathrm{ij}}}\&CenterDot;\&CenterDot;\&CenterDot;\left(8\right)$

未生成状态转变的转变概率A_ij通过方程(8)变成零。在使用正常HMM的学习模型中，如果重复次数不足，则难以减少先前未生成的转变的概率。然而根据方程(8)，未生成状态转变的转变概率A_ij可以是零。这一特性在搜索将来路径可能性的算法中在减少非必需路径搜索时明显有利。

转变参数计算部162输出计算的转变概率A_ij作为与HMM状态转变概率a_ij对应的转变参数。

状态频率计数部163使用从状态序列分类部143供应的状态序列数据作为目标来对状态频率进行计数。也就是说，状态频率计数部163使用从状态序列分类部143供应的状态序列数据作为目标来对相应状态节点s_i的总数cnt_i进行计数。向观测参数计算部165供应作为计数结果的相应状态节点s_i的总数cnt_i。

从状态序列分类部143向时序数据分类部164供应状态序列数据以及关于位置和时间的时序数据。

时序数据分类部164根据状态节点对从状态序列分类部143依次供应的位置数据x进行分类以便分组。状态s_i的位置数据的集合数据X_i可以表达为以下方程(9)。

$X_i=\{x_{i,1},x_{i,2},\&CenterDot;\&CenterDot;\&CenterDot;,x_{i,{\mathrm{cnt}}_i}\}\&CenterDot;\&CenterDot;\&CenterDot;\left(9\right)$

由于状态节点s_i的总数是cnt_i，所以集合数据X_i的元素数目变成cnt_i。作为集合数据X_i的各元素的位置数据x例如是包括纬度和经度的二维数据，但是以简写方式表达为如同一维数据。

另外，时序数据分类部164根据状态节点对从状态序列分类部143依次供应的时间数据t进行分类以便分组。状态节点s_i中的时间数据的集合数据T_i可以表达为以下方程(10)。

$T_i=\{t_{i,1},t_{i,2},\&CenterDot;\&CenterDot;\&CenterDot;,t_{i,{\mathrm{cnt}}_i}\}\&CenterDot;\&CenterDot;\&CenterDot;\left(10\right)$

方程(10)中的集合数据T_i的元素数目也是cnt_i。

时序数据分类部164向观测参数计算部165供应如上文所述通过根据状态节点对关于位置和时间的时序数据进行分类而获得的分类结果。换而言之，时序数据分类部164向观测参数计算部165供应相应状态节点的集合数据X和集合数据T。

观测参数计算部165计算关于位置和时间的相应时序数据的观测参数。

作为关于位置的时序数据的观测参数，观测参数计算部165使用来自状态频率计数部163的状态节点s_i的总数cnt_i和来自时序数据分类部164的集合数据X_i来计算状态节点s_i的平均值μ1_i和标准偏差σ1_i。

${\mathrm{\&mu;}1}_i=\frac{1}{{\mathrm{cnt}}_i}{\mathrm{\&Sigma;}}_{j=1}^{{\mathrm{cnt}}_i}{x}_{i,j}\&CenterDot;\&CenterDot;\&CenterDot;\left(11\right)$

${\mathrm{\&sigma;}1}_i=\sqrt{\frac{1}{{\mathrm{cnt}}_i}{\mathrm{\&Sigma;}}_{j=1}^{{\mathrm{cnt}}_i}}{x_{i,j}}^2-{{\mathrm{\&mu;}1}_i}^2\&CenterDot;\&CenterDot;\&CenterDot;\left(12\right)$

状态节点s_i的平均值μ1_i和标准偏差σ1_i是状态节点s_i中的位置数据x的观测概率并且对应于上述多流输入行为学习部113(在图17中)输出的多流HMM的输出概率密度函数b1_i(x)。

另外，作为关于时间的时序数据的观测参数，观测参数计算部165使用来自状态频率计数部163的状态节点s_i的总数cnt_i和来自时序数据分类部164的集合数据T_i来计算状态节点s_i的平均值μ2_i和标准偏差σ2_i。

${\mathrm{\&mu;}2}_i=\frac{1}{{\mathrm{cnt}}_i}{\mathrm{\&Sigma;}}_{j=1}^{{\mathrm{cnt}}_i}{x}_{i,j}\&CenterDot;\&CenterDot;\&CenterDot;\left(13\right)$

${\mathrm{\&sigma;}2}_i=\sqrt{\frac{1}{{\mathrm{cnt}}_i}{\mathrm{\&Sigma;}}_{j=1}^{{\mathrm{cnt}}_i}}{x_{i,j}}^2-{{\mathrm{\&mu;}2}_i}^2\&CenterDot;\&CenterDot;\&CenterDot;\left(14\right)$

状态节点s_i的平均值μ2_i和标准偏差σ2_i是状态节点s_i中的时间数据t的观测概率并且对应于上述多流输入行为学习部113(在图17中)输出的多流HMM的输出概率密度函数b2_i(x)。

鉴于元素数目少的情况，标准偏差σ1_i和σ2_i可以被限制为大于预定值，或者可以使用在多流输入行为学习部113中学习的标准偏差。

利用这样的配置，参数重新计算部144可以根据从状态序列生成部142供应的状态序列数据以及关于位置和时间的时序数据来计算多个模态的概率状态转变模型的参数。

[根据第三实施例的预测***100的学习过程]

接着将参照图19中的流程图描述根据第三实施例的预测***100的学习过程。假设在开始该过程之前，作为学习数据的包括附加信息的关于位置和时间的时序数据已经存储于时序数据存储部141中。

首先在步骤S101中，多流输入行为学习部113基于存储于时序数据存储部141中的关于位置和时间的时序数据来学习用户活动模型。也就是说，多流输入行为学习部113基于存储于时序数据存储部141中的关于位置和时间的时序数据来计算多流HMM的参数λ。

在步骤S102中，状态序列数据生成部142基于从多流输入行为学习部113供应的包括参数λ的用户行为模型将从时序数据存储部141获得的关于位置和时间的时序数据转换成状态序列数据，然后将它供应到状态序列分类部143。

在步骤S103中，时序数据存储部141向状态序列分类部143供应向状态序列生成部142供应的关于位置和时间的时序数据，还包括关于附加信息的时序数据。状态序列分类部143在存储部中对应地存储来自时序数据存储部141的包括附加信息的关于位置和时间的时序数据和来自状态序列生成部142的状态序列数据，然后学习过程终止。

[根据第三实施例的预测***100的预测过程]

接着将参照图20中的流程图描述根据第三实施例的预测***100的预测过程。

首先，在步骤S121中，状态序列分类部143采集在当前时间点的附加信息。另外，在步骤S122中，状态序列分类部143从学习过程中存储的状态序列数据以及关于位置和时间的时序数据中仅选择与在当前时间点的附加信息符合的状态序列数据以及关于位置和时间的时序数据。

在步骤S123中，参数重新计算部144进行重新计算多流输入行为学习部113在学习过程中计算的多流HMM的参数λ的参数重新计算过程以便与在当前时间点的附加信息符合。在参数重新计算过程中，使用选择的序列数据以及关于位置和时间的时序数据通过统计过程来重新计算多流HMM的参数λ。参数重新计算部144向行为识别部145和行为预测部146供应重新计算获得的重新计算参数λ’。

在步骤S124中，行为识别部145采集从位置采集部11供应的关于位置的时序数据和从时间采集部111供应的关于时间的时序数据。

在步骤S125中，行为识别部145借助从参数重新计算部144供应的重新计算的参数λ’使用用户活动模型来识别表明用户当前活动状态的状态节点以由此识别用户的当前位置。这一过程与上述步骤S22(在图8中)中的过程相同。

在步骤S126中，行为预测部146借助从参数重新计算部144供应的重新计算的参数λ’使用用户活动模型搜索可以从用户的当前位置取道的路径。另外，行为预测部146计算各搜索的路径的选择概率。这一过程与上述步骤S23至S33(在图8中)中的过程相同。

在步骤S127中，到达时间预测部16从由行为预测部146搜索的路径中提取包括输入的目的地的路径，然后针对目的地计算到达概率。另外，到达时间预测部16预测直至目的地的各路径的到达时间。这一过程与步骤S34至S37(在图8中)中的过程相同。

在步骤S128中，显示部18显示针对目的地的到达概率以及直至目的地的路径和到达时间，然后流程终止。这一过程与步骤S38(在图8中)的过程相同。

[参数重新计算过程]

接着将参照图21中的流程图描述图20中的步骤S123中的参数重新计算过程。

首先在步骤S141中，转变频率计数部161使用从状态序列分类部143供应的状态序列数据作为目标对各转变的频率n_ij进行计数。也就是说，如果用于从状态节点s_i移向状态节点s_j的路径的频率(计数值)表达为n_ij，则转变频率计数部161使用从状态序列分类部143供应的状态序列数据作为目标来计算各状态转变的频率n_ij(i＝1至N，j＝1至N，并且N是时序数据的最终节点编号(也就是节点数目))。

在步骤S142中，转变参数计算部162计算与HMM的状态转变概率a_ij对应的转变参数A_ij。具体而言，转变参数计算部162基于从转变频率计数部161供应的各状态转变的频率n_ij通过方程(8)来计算转变概率A_ij。

在步骤S143中，状态频率计数部163使用从状态序列分类部143供应的状态序列数据作为目标来对状态频率cnt_i进行计数。也就是说，状态频率计数部163使用从状态序列分类部143供应的状态序列数据作为目标来对相应状态节点s_i的总数cnt_i进行计数。向观测参数计算部165供应作为计数结果的相应状态节点s_i的总数cnt_i。

可以在上述步骤S141和S142的过程之前或者可以与步骤S141和S142的过程并行进行步骤S143中的过程。

在步骤S144中，时序数据分类部164根据状态节点对来自状态序列分类部143的关于位置和时间的时序数据进行分类。也就是说，时序数据分类部164根据状态节点对从状态序列分类部143依次供应的位置数据x进行分类以便分组。另外，时序数据分类部164根据状态节点对从状态序列分类部143依次供应的时间数据t进行分类以便分组。

在步骤S145中，观测参数计算部165计算关于位置和时间的相应时序数据的观测参数。观测参数计算部165计算状态节点s_i的平均值μ1_i和标准偏差σ1_i作为关于位置的时序数据的观测参数。另外，观测参数计算部165计算状态节点s_i的平均值μ2_i和标准偏差σ2_i作为关于时间的时序数据的观测参数。

观测参数计算部165向行为识别部145和行为预测部146供应关于位置和时间的相应时序数据的计算的观测参数。然后，流程返回到图20并且进行步骤S124。

在图20和图21的预测过程中，由于步骤S122和S123的过程是数据选择和统计过程计算，所以有可能瞬间计算重新计算参数λ’。因而有可能在考虑关于日子、交通条件、天气条件等的附加信息作为附加条件之时针对直至目的地的路径、到达时间等简洁和准确地进行预测。

[6.本发明的第四实施例]

预测***100的上述第一至第三实施例对应于日本专利申请号2009-208064中的预测***1的第一配置。也就是说，目的地由用户指定，并且预测***100预测针对指定的目的地的到达概率以及直至目的地的路径和到达时间。

然而预测***100的第一至第三实施例可以对应于日本专利申请号2009-208064中的用于预测目的地的预测***1的第二配置例子。也就是说，可以通过组合预测***100的第一至第三实施例中的任一实施例与预测***1的第二配置例子来实现预测***100的第四实施例。

在预测***100的第一或者第二实施例中，为了预测目的地，可以进行多流HMM，其中除了关于位置和时间的时序数据之外还采集关于移动速度的时序数据并且也添加关于行为模式的时序数据(行为模式序列数据)。另外，在预测过程中有可能根据关于用户移动速度的输入时序数据来识别行为模式并且有可能预测静止状态的位置作为目的地。另外有可能针对预测的目的地计算到达概率、路径和到达时间并且将它们呈现给用户。

[图示本发明第四实施例的框图]

图22是图示了与根据如下实施例的参数重新计算过程有关的部分的框图，在该实施例中，在预测***100的第三实施例(在图17中)中还预测目的地(下文称为预测***100的第四实施例)。

在预测***100的第四实施例中，除了关于位置和时间的时序数据之外还采集关于移动速度的时序数据，然后将其存储于时序数据存储部141中。另外，如图22中所示，还提供用于将存储于时序数据存储部141中的关于移动速度的时序数据转换成关于行为模式的时序数据(行为模式序列数据)的行为模式生成部181。行为模式生成部181例如可以运用与图11中的行为模式生成部72相同的配置。

状态序列分类部143在内部存储部中对应地存储包括附加信息的关于位置和时间的时序数据、行为模式序列数据以及状态序列数据。

另外，在预测过程中，状态序列分类部143选择满足实时供应的附加条件的行为模式序列数据和状态序列数据以及关于位置和时间的时序数据，然后将它们供应到参数重新计算部144。向参数重新计算部144的转变频率计数部161、状态频率计数部163和时序数据分类部164供应状态序列数据。向时序数据分类部164供应关于位置和时间的时序数据以及行为模式序列数据。

通过上述方程(11)至(14)来计算参数重新计算部144中的关于位置和时间的时序数据的观测参数。

另一方面，关于行为模式的时序数据的观测参数计算如下。

时序数据分类部164根据状态节点对从状态序列分类部143依次供应的行为模式m进行分类以便分组。状态节点s_i中的行为模式m的集合数据M_i可以表达为以下方程(15)。

$M_i=\{m_{i,1},m_{i,2},\&CenterDot;\&CenterDot;\&CenterDot;,m_{i,{\mathrm{cnt}}_i}\}\&CenterDot;\&CenterDot;\&CenterDot;\left(15\right)$

方程(15)中的集合数据M_i的元素数目是cnt_i。

观测参数计算部165针对状态节点s_i中的行为模式的集合数据M_i计算表达为以下方程的各行为模式m的出现频率P(s_i|m)作为关于行为模式的时序数据的观测参数。

$P\left(s_i\right|m)=\frac{1}{{\mathrm{cnt}}_i}N(M_i=m)\&CenterDot;\&CenterDot;\&CenterDot;\left(16\right)$

在方程(16)中，N(M_i＝m)代表集合数据M_i中的行为模式m的数目。与上述方程(11)至(14)不同，这里并未计算平均值和标准偏差而是计算概率。这是因为行为模式并非连续数量而是离散值。

观测参数计算部165除了各状态的平均值μ1_i和标准偏差σ1_i以及平均值μ2_i和标准偏差σ2_i之外还输出出现频率P(s_i|m)作为观测参数，它们是关于位置和时间的时序数据以及行为模式的观测概率。

在根据预测***100的第四实施例的预测过程中，目的地预测部55(在图10中)使用如上文所述重新计算的参数λ’预测目的地并且针对各目的地计算到达概率。

7.关于本发明实施例验证实验结果的描述

[预测***100的第一实施例的验证]

将参照图23至图33描述根据本发明实施例的预测***100的效果。已经针对如下实施例进行了图23至图33中所示实验，在该实施例中还向学习模型(多流HMM)给予关于移动速度的时序数据作为输入流并且还预测了目的地。

首先参照图23和图24，比较日本专利申请号2009-208064中的预测***的第二配置(在图10)与如下实施例，其中在预测***100的第一实施例(在图15中)中还使用关于移动速度的时序数据作为输入流来预测目的地。

图23图示了根据图10中所示日本专利申请号2009-208064中的预测***的第二配置的预测结果。也就是说，图23图示了图10中的预测***1预测从用户当前位置起的目的地以及直至目的地的路径、到达概率和到达时间的结果。

另一方面，图24图示了根据如下实施例的预测结果，其中在预测***100的第一实施例(在图15中)中还使用关于移动速度的时序数据作为输入流来预测目的地。

在图23和图24中可以发现，作为用户的实际行为(与预测结果对应的实际值)，用户在他们从当前位置沿着箭头所示行进方向去往位于便利店前面的住宅的路上。

如图23中所示，预测***1输出用户在5.5分钟之后返回到办公室的概率为50％或者在3.9分钟之后访问便利店的概率为50％作为预测结果。

因此，由于与当前值对应的状态节点或者从当前位置预测的将来会通过的任一状态节点均共用去往和返回的路径，所以预测***1预测从当前位置的状态节点起的往回路径以由此预测返回到办公室。

就这一点而言，图24中所示预测***100预测用户在10分钟之后从当前位置到达住宅的概率为100％。在预测***100中，使用在去往与返回之间时间不同这一事实，向在去往与返回之间的相同位置分配不同状态节点。因此鉴于进行预测的时间为0:20，选择不仅其纬度和经度接近并且与午夜接近的状态节点作为与当前位置对应的状态节点。因而改进预测结果，从而仅对返回路径进行预测。

[预测***100的第三实施例的验证]

接着参照图25至图33比较如下实施例与预测***100的第四实施例(在图22中)，在该实施例中，在预测***100的第一实施例(在图15中)中还使用关于移动速度的时序数据作为输入流来预测目的地。

图25图示了在如下实施例中的在地图上示出的在学习过程之后的用户行为模型，在该实施例中，在预测***100的第一实施例(在图15中)中还预测目的地。这一学习数据包括在工作日和假日的用户行为，但是在第一实施例中不能进行其中工作日和假日相互区分的学习。

参照图25中在学习过程之后的用户行为模型，除了住宅和办公室之外还检测目的地1、目的地2、目的地3等作为用户的主要目的地。

图26图示了使用图25中的用户行为模型来预测关于用户在具体“工作日”的行为的预测结果。

在图26中可以发现用户从当前位置沿着箭头行进方向朝着目的地1行进作为用户的实际行为(与预测结果对应的实际值)。

在预测***100的第一实施例中通过还预测目的地的预测过程而获得的预测结果如下：

(1)在14.8分钟之后到达目的地1的到达概率为17％

(2)在50.7分钟之后到达目的地3的到达概率为6％

(3)在13分钟之后到达目的地4的到达概率为11％

(4)在11.4分钟之后到达目的地5的到达概率为17％

与图23中的预测结果不同，并未预测行进路线在往回方向上反向，但是由于作为实际值的目的地1的到达概率低，因为它并非希望的预测结果。

图27是图示了如下状态的图，其中重写图26中的预测结果从而可以容易地查看状态转变。

图27中的粗黑线代表直至当前位置节点的通过的状态节点(途经路径)。另外，粗灰线代表预测路径，并且与预测路径接近的圆代表目的地的状态节点。细黑线代表在状态节点之间的连接。

参照图27可以发现，预测路径关于当前位置在左侧上蜿蜒，这造成显示多个目的地和预测路径。

图28是图示了如下状态的图，其中在预测***100的第四实施例(在图22中)中在地图上示出了当针对关于“工作日”的状态转变数据重新计算参数时在学习过程之后的用户行为模型。

在图28中仅示出了用于在住宅与办公室之间往返的路径。在这一用户的情况下，学习用户在工作日时主要在住宅与办公室之间往返所沿着的路径。另外，在用户行为模型中示出了用户在工作日下午访问目的地1等所沿着的路径。实际上，用户即使在工作日时仍然可能由于假日等去往目的地1而无需去往办公室。

就这一点而言，在图28中并不存在用户去往目的地3等所沿着的路径。用户一般在工作日时途经目的地2，因此在图28中并不识别目的地2作为目的地。

图29图示了在预测***100的第四实施例(在图22中)通过预测用户在工作日期间的行为而获得的预测结果。换而言之，图29示出了预测***100的第四实施例(在图22中)中从与图26中的当前位置相同的位置预测的预测结果。

参照图29，预测目的地候选仅限于目的地1。以这一方式，通过根据工作日条件来进行分类，所预测的目的地候选可以限于一个目的地。在用户在工作日条件下从当前位置移动的情况下，用户仅能经历去往目的地1、然后从其反回。

图30是图示了如下状态的图，其中重写图29中的预测结果从而可以容易地查看状态转变。

与图27比较参照图30，可以发现减少了所用状态节点。具体而言，可以发现对从当前位置到目的地1简化了图27中蜿蜒的部分。以这一方式，由于通过附加信息来重新计算参数，所以有可能减少候选并且准确地进行预测。

图31是图示了如下状态的图，其中在预测***100的第四实施例(在图22中)中在地图上示出了在针对关于“假日”的状态序列数据重新计算参数时在学习过程之后的用户行为模型。

在图31中，在用户的学习数据中生成如下用户行为模型，其中用户在假日时不去往办公室，因而没有针对办公室的路径。

图32图示了在预测***100的第四实施例(在图22中)中预测用户在“假日”期间的行为的预测结果。换而言之，图32示出了预测***100的第四实施例(在图22中)中通过从与图26中的当前位置相同的位置进行预测而获得的预测结果。

参照图32，预测的目的地候选以与图29中的情况类似的方式仅限于目的地1。

图33是图示了如下状态的图，其中改写图32中的预测结果从而可以容易地查看状态转变。

仅参照图29和图32，预测结果看似相同。然而与图30比较参照图33，可以发现关于“工作日”和“假日”预测了不同路径。也就是说，可以发现，可以关于“工作日”和“假日”分别预测不同状态序列。

如上文所述，根据本发明实施例的预测***100，有可能更准确地预测将来路径和在当前时间之后的经过时间并且学习针对它们的学习参数。

可以通过硬件或者软件来执行如上文所述的系列过程。在通过软件来执行该系列过程的情况下，在计算机中安装用于形成软件的程序。这里，计算机包括装配于专用硬件中的计算机或者安装有多种程序以执行多种功能的通用个人计算机。

图34是图示了通过程序来执行如上文所述系列过程的计算机的硬件配置例子的框图。

在计算机中，CPU(中央处理单元)201、ROM(只读存储器)202和RAM(随机存取存储器)203通过总线204相互连接。

另外，输入输出接口205连接到总线204。输入部206、输出部207、存储部208、通信部209、驱动器210和GPS传感器211连接到输入输出接口205。

输入部206包括键盘、鼠标和麦克风。输出部207包括显示器和扬声器。存储部208包括硬盘和非易失性存储器。通信部209包括网络接口。驱动器210驱动可移动记录介质212比如磁盘、光盘、磁光盘或者半导体存储器。GPS传感器211对应于上述位置采集部11和时间采集部111。

例如在具有这样的配置的计算机中，CPU 201通过输入和输出接口205以及总线204向RAM 203加载存储于存储部208中的待执行程序以由此进行如上文所述系列过程。

计算机(CPU 201)执行的程序例如可以记录于作为封装介质等的可移动记录介质212中以便供应。另外，可以通过有线或者无线传输介质(比如局域网、因特网或者数字卫星广播)供应程序。

在计算机中，程序可以通过向驱动器210安装可移动记录介质212通过输入输出接口205来安装于存储部208中。另外，可以通过有线或者无线传输介质在通信部209中接收程序，然后可以将其安装于存储部208中。此外，程序可以预先安装于ROM 202或者存储部208中。

计算机执行的程序可以是如下程序，其中按照如在本说明书中所述顺序以时序方式进行流程，或者可以是如下程序，其中例如在进行调用时并行地或者在必需定时时进行流程。

在本说明书中，可以按照所述顺序以时序方式进行或者例如在进行调用时可以并行地或者在必需定时时进行在流程图中公开的步骤。

在本说明书中，***是指包括多个器件的整个设备。

本发明的实施例并不限于上述实施例而是可以不同地加以变化而不脱离本发明的精神实质。

本申请包含与2009年12月4日向日本专利局提交的日本优先权专利申请JP 2009-277000中公开的主题内容有关的主题内容，该申请的全部内容通过引用结合于此。

本领域技术人员应当理解，在所附权利要求或者其等效范围内，根据设计要求和其它因素可以出现各种修改、组合、再组合和变更。

Claims (14)

1.一种学习设备，包括：

位置采集装置，用于采集关于用户的位置的时序数据；

时间采集装置，用于采集关于时间的时序数据；以及

学习装置，用于使用相应采集的关于位置和时间的时序数据作为输入来学习表明所述用户的活动状态的活动模型作为概率状态转变模型。

2.根据权利要求1所述的学习设备，

还包括日子采集装置，用于采集关于日子的时序数据，

其中所述学习装置还使用所述关于日子的时序数据作为输入来学习表明所述用户的活动状态的所述活动模型。

3.根据权利要求2所述的学习设备，

还包括交通条件采集装置和天气条件采集装置中的至少一个，所述交通条件采集装置用于采集关于交通条件的时序数据，所述天气条件采集装置用于采集关于天气条件的时间序列数据，

其中所述学习装置还使用所述关于交通条件和天气条件中的至少一个的时序数据作为输入来学习表明所述用户的活动状态的所述活动模型。

4.根据权利要求1所述的学习设备，还包括：

附加信息采集装置，用于采集关于除了所述用户的位置和时间之外的一个或者多个类型的附加信息的时序数据；

状态序列生成装置，用于通过输入所述学习装置学习的所述用户的活动模型中的所述采集的关于位置和时间的时序数据、根据所述关于位置和时间的时序数据来生成关于状态节点的时序数据，并且输出所述用户的活动模型的所述关于状态节点的时序数据；

选择装置，用于对应地存储所述附加信息采集装置采集的所述关于附加信息的时序数据和所述状态序列生成装置生成的所述关于状态节点的时序数据，并且用于在使用由所述学习装置学习的所述用户的活动模型来预测所述用户在当前时间点的活动模型的情况下、从所述存储的时序数据之中仅选择与所述附加信息采集装置采集的在当前时间点的附加信息对应的关于状态节点的时序数据；以及

重新计算装置，用于使用由所述选择装置选择的所述关于状态节点的时序数据、通过统计过程来重新计算用于所述用户的活动模型的参数。

5.一种由学习设备进行的学习方法，所述学习设备识别表明用户的活动状态的活动模型并且学习用于在预测所述用户的行为的预测设备中使用的所述用户的活动模型作为概率状态转变模型，所述方法包括以下步骤：

采集关于所述用户的位置的时序数据；

采集关于时间的时序数据；并且

使用相应采集的关于位置和时间的时序数据作为输入来学习所述用户的活动模型作为所述概率状态转变模型。

6.一种在计算机中作为以下装置来工作的程序，所述装置包括：

位置采集装置，用于采集关于用户的位置的时序数据；

时间采集装置，用于采集关于时间的时序数据；以及

学习装置，用于使用相应采集的关于位置和时间的时序数据作为输入来学习表明所述用户的活动状态的活动模型作为概率状态转变模型。

7.一种预测设备，包括：

位置采集装置，用于采集关于用户的位置的时序数据；

时间采集装置，用于采集关于时间的时序数据；

行为识别装置，用于使用所述用户的活动模型来识别所述用户的当前位置，其中所述活动模型表明所述用户的活动状态，并且所述活动模型由学习设备使用相应采集的关于位置和时间的时序数据作为输入通过作为概率状态转变模型来学习而获得；

行为预测装置，用于根据所述行为识别装置识别的所述用户的当前位置预测可能路径和所述路径的选择概率；以及

到达时间预测装置，用于根据所述预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

8.根据权利要求7所述的预测设备，

还包括日子采集装置，用于采集关于日子的时序数据，

其中所述学习设备还使用所述关于日子的时序数据作为输入来学习所述用户的活动模型，并且

其中所述行为识别装置和所述行为预测装置使用通过还使用所述关于日子的时序数据作为输入来进行学习而获得的所述用户的活动模型。

9.根据权利要求7所述的预测设备，还包括：

附加信息采集装置，用于采集关于除了所述用户的位置和时间之外的一个或者多个类型的附加信息的时序数据；

选择装置，用于对应地存储所述学习设备的状态序列生成装置生成的关于状态节点的时序数据和在采集作为所述学习数据的关于位置和时间的时序数据时的关于附加信息的时序数据，其中所述学习设备的状态序列生成装置根据所述关于位置和时间的时序数据、通过输入作为被学习的所述用户的所述活动模型中的学习数据的所述关于位置和时间的时序数据并且通过输出关于所述用户的所述活动模型的状态节点的时序数据而生成所述关于状态节点的时序数据；并且所述选择装置用于从所存储的时序数据之中仅选择与所述附加信息采集装置采集的在当前时间点的附加信息对应的所述关于状态节点的时序数据；以及

重新计算装置，用于使用由所述选择装置选择的所述关于状态节点的时序数据通过统计过程来重新计算用于所述用户的活动模型的参数。

10.根据权利要求9所述的预测设备，

其中所述学习设备除了所述用户的位置之外还使用关于移动速度的时序数据来学习所述用户的所述活动模型，

其中所述行为识别装置使用通过还使用关于所述用户的移动速度的时序数据作为输入的所述学习而获得的所述用户的活动模型来进一步识别至少包括移动状态和静止状态的所述用户的行为状态，并且

其中所述到达时间预测装置还预测其中所述用户的移动状态变成静止状态的状态节点作为所述目的地。

11.一种由预测设备进行的预测方法，所述预测设备使用用户的活动模型来进行预测，其中学习设备学习表明所述用户的活动状态的所述活动模型作为概率状态转变模型，所述方法包括以下步骤：

采集关于所述用户的位置的时序数据；

采集关于时间的时序数据；并且

使用由所述学习设备使用所述相应采集的关于位置和时间的时序数据作为输入而学习的所述用户的所述活动模型来识别所述用户的当前位置；

根据所识别的所述用户的当前位置来预测可能路径和所述路径的选择概率；并且

根据所预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

12.一种在计算机中作为以下装置来工作的程序，所述装置包括：

位置采集装置，用于采集关于用户的位置的时序数据；

时间采集装置，用于采集关于时间的时序数据；

行为识别装置，用于使用所述用户的活动模型来识别所述用户的当前位置，其中所述活动模型表明所述用户的活动状态，并且学习设备使用所述相应采集的关于位置和时间的时序数据作为输入通过作为概率状态转变模型来学习而获得所述活动模型；

行为预测装置，用于根据所述行为识别装置识别的所述用户的所述当前位置预测可能路径和所述路径的选择概率；以及

到达时间预测装置，用于根据所述预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

13.一种学习设备，包括：

位置采集部，采集关于用户的位置的时序数据；

时间采集部，采集关于时间的时序数据；以及

学习部，使用所述相应采集的关于位置和时间的时序数据作为输入来学习表明所述用户的活动状态的活动模型作为概率状态转变模型。

14.一种预测设备，包括：

位置采集部，采集关于用户的位置的时序数据；

时间采集部，采集关于时间的时序数据；

行为识别部，使用所述用户的活动模型来识别所述用户的当前位置，其中所述活动模型表明所述用户的活动状态，并且学习设备使用所述相应采集的关于位置和时间的时序数据作为输入通过作为概率状态转变模型来学习而获得所述活动模型；

行为预测部，根据所述行为识别部识别的所述用户的当前位置预测可能路径和所述路径的选择概率；以及

到达时间预测部，根据所述预测的路径和选择概率来预测到达目的地的到达时间和到达概率。

Images