CN103443584A - 信息处理设备、信息处理方法和程序 - Google Patents

Abstract

本技术涉及一种能够以少量电力消耗累积必要且充足的移动历史数据的信息处理设备、信息处理方法和程序。相似性检索单元从存储于过去历史数据库中的检索数据中检索与从时间序列位置数据配置并且由位置传感器单元获取的最近移动历史相似的过去路线。匹配确定单元确定由相似性检索单元检索到的过去路线与最近移动历史的匹配程度是否等于或者大于预定阈值。根据匹配确定单元确定的结果，传感器控制单元控制位置传感器单元获取位置数据的间隔。该公开的技术可以应用于例如获取位置数据并且预测预测路线的预测设备。

Description

信息处理设备、信息处理方法和程序

技术领域

本发明涉及一种信息处理设备、信息处理方法和程序，尤其涉及一种能够以少量电力消耗累积充足移动历史数据的信息处理设备、信息处理方法和程序。

背景技术

预测以当前点作为起始点的移动路线的方法包括：从过去移动历史数据库搜索与当前移动历史相似的路线，并且将获得的路线作为预测路线输出（请参考例如专利文献1）。

这种预测方法需要充分地累积作为数据库的过去移动历史。此外，累积的过去移动历史是精确的也非常重要。

引用列表

专利文献

专利文献1：日本专利申请2000-155167号公报

发明内容

发明要解决的问题

一种用于累积精确移动历史的方法包括对获取当前地点的位置传感器设定短获取间隔。

然而，例如，当仅将获取间隔设定得短时，上面安装了位置传感器的移动终端消耗大量电力，并且因此使得电池寿命变短。

鉴于这种情况，本技术能够以少量电力消耗存储充足的移动历史数据。

问题的解决方案

根据本技术的一方面的信息处理设备，具有：位置传感器单元，其获取包括时间序列位置数据的最近移动历史；过去历史数据库，其存储搜索数据；相似性搜索单元，其从搜索数据中搜索与最近移动历史相似的过去路线；吻合确定单元，其确定由相似性搜索单元搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及传感器控制单元，其根据吻合确定单元的确定结果来控制位置传感器单元的位置数据的获取间隔。

根据本技术的一方面的信息处理方法，包括在具有存储搜索数据的过去历史数据库的信息处理设备上执行的步骤：获取包括时间序列位置数据的最近移动历史；从搜索数据中搜索与最近移动历史相似的过去路线；确定搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及根据确定结果控制位置传感器单元的位置数据的获取间隔。

根据本技术一方面的一种程序，使计算机运行为：相似性搜索单元，其从存储于过去历史数据库中的搜索数据中搜索与由位置传感器单元获取的并且包括时间序列位置数据的最近移动历史相似的过去路线；吻合确定单元，其确定由相似性搜索单元搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及传感器控制单元，其根据吻合度确定单元的确定结果控制位置传感器单元的位置数据的获取间隔。

根据本技术的一方面，从存储于过去历史数据库中的搜索数据中搜索与由位置传感器单元获取的并且包括时间序列位置数据的最近移动历史相似的过去路线；搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及根据确定结果控制位置传感器单元的位置数据的获取间隔。

可以通过经过传输介质传送或者记录于记录介质中提供程序。

信息处理设备可以是独立设备，也可以是形成一个设备的内部模块。

发明的效果

根据本技术的一个方面，能够以少量电力消耗累积充足的移动历史数据。

附图说明

图1是例示应用了本技术的预测设备的示例结构的框图。

图2是用于解释预测操作的流程图。

图3是用于解释第一传感器控制操作的流程图。

图4是用于解释第二传感器控制操作的流程图。

图5是用于解释数据校正操作的流程图。

图6是例示预测设备的第一实施例的示例结构的框图。

图7是例示存储于路线记录数据库中的过去移动历史的数据例子的视图。

图8是例示目的地列表的例子的视图。

图9是例示过去移动历史和目的地的视图。

图10是例示预测值计算单元的预测结果的视图。

图11是用于解释最近移动历史的校正的视图。

图12是用于解释根据第一实施例的预测操作的流程图。

图13是用于解释根据第一实施例采用绝对预测出发时间的第二传感器控制操作的流程图。

图14是用于解释根据第一实施例采用相对预测出发时间的第二传感器控制操作的流程图。

图15是用于解释根据第一实施例的数据校正操作的流程图。

图16是例示预测设备的第二实施例的示例结构的框图。

图17是随机转移模型的概念图。

图18是例示HMM的每个状态节点的内部模型和观察模型的例子的视图。

图19是例示当HMM在地图上进行学习时获得的学习结果的视图。

图20是用于解释最近移动历史的校正的视图。

图21是用于解释另一个最近移动历史的校正的视图。

图22是例示学习设备的示例结构的框图。

图23是例示图22中的状态节点分配单元的详细示例结构的框图。

图24是用于解释学习操作的流程图。

图25是用于解释吻合度计算操作的流程图。

图26是用于解释现存节点分配操作的流程图。

图27是用于解释新节点分配操作的流程图。

图28是用于解释模型重构操作的流程图。

图29是例示转移频率表的例子的视图。

图30例示用于解释根据第二实施例的预测操作的流程图。

图31是用于解释根据第二实施例使用绝对预测出发时间的第二传感器控制操作的流程图。

图32是用于解释根据第二实施例使用相对预测出发时间的第二传感器控制操作的流程图。

图33是用于解释根据第二实施例的数据校正操作的流程图。

图34是例示预测设备的第三实施例的示例结构的框图。

图35是例示预测设备的第四实施例的示例结构的框图。

图36是例示预测设备的第四实施例的示例结构的框图。

图37是应用了本技术的计算机的实施例的示例结构的框图。

具体实施方式

下面是对用于执行本技术的模式（下文中称为实施例）进行的描述。以下面的顺序进行解释。

1.预测设备的操作概述

2.第一实施例（基于路线记录数据库进行控制的示例结构）

3.第二实施例（基于数据库随机转移模型进行控制的示例结构）

4.第三实施例（能够选择性地执行第一实施例和第二实施例的示例结构）

5.第四实施例（具有传感器控制功能和数据校正功能之一的示例结构）

<1.预测设备的操作概述>

[预测设备的示例结构]

图1是例示应用了本技术的预测设备的示例结构的框图。

图1中的预测设备1是基于诸如GPS（全球定位***）传感器的位置传感器获取的位置信息预测用户移动路线并且预测目的地和到达该目的地的路线或者预测时间的设备。该预测设备1被形成为单个移动设备或者作为诸如移动电话的移动终端或者台式终端的一部分的设备。

预测设备1形成有：位置传感器单元11、缓冲器12、过去历史数据库13、相似性搜索单元14、吻合确定单元15、预测路线提取单元16、出发时间预测单元17、预测值计算单元18、传感器控制单元19以及数据库校正单元20。

位置传感器单元11以在传感器控制单元19的控制下确定的固定时间间隔，顺序获取指示位置传感器单元的当前地点的纬度/经度数据。位置传感器单元11将获取时间（当前时间）和此时的纬度和经度（数据）提供到缓冲器12。

缓冲器12临时保持从位置传感器单元11提供的时间、预定时间的纬度和经度数据。此外，当将位置传感器单元11获取时间、纬度和经度数据的一个操作称为“一步”时，缓冲器12将作为当前时间之前的预定步数的时间、纬度和经度时间序列数据（下面称为“最近移动历史”）提供到相似性搜索单元14。

过去历史数据库13存储预测设备1预测移动路线和目的地所需的搜索数据。搜索数据是过去移动历史本身、按需进行了校正的过去移动历史或者对应于过去移动历史的学习模型。另外，尽管要存储在过去历史数据库13中的搜索数据理想是由使用预测结果的用户产生，但是搜索数据也可以由其它用户产生。

此外，过去历史数据库13还存储目的地列表，该目的地列表是过去移动历史中的目的地的列表。例如，通过由用户预先输入或者对预定时间（例如，1小时）或者更长时间检测预定范围内的停留地点，创建目的地列表。

相似性搜索单元14从存储在过去历史数据库13中的搜索数据中搜索与从缓冲器12提供的最近移动历史相似的过去路线，并且将搜索结果提供到吻合确定单元15。

吻合确定单元15确定由相似性搜索单元14搜索到的搜索数据的相似路线是否与获取的最近移动历史吻合。换句话说，吻合确定单元15基于通过搜索获得的搜索数据的相似路线与最近移动历史的吻合度是否等于或大于预定阈值，来确定获取的最近移动历史是否是作为搜索数据获取的已知路线。当通过搜索获得的搜索数据的相似路线与最近移动历史的吻合度等于或者大于预定阈值时，吻合确定单元15将最近移动路线确定为已知路线。同时，当搜索到的搜索数据的相似路线与最近移动历史的吻合度小于预定阈值时，吻合确定单元15将最近移动路线确定为未知路线。

吻合确定单元15将已知或者未知确定结果提供到传感器控制单元19。此外，当确定为已知路线时，吻合确定单元15将最近移动路线提供到预测路线提取单元16和数据库校正单元20。

预测路线提取单元16基于从吻合确定单元15提供的已知最近移动历史从过去历史数据库13的搜索数据中提取预定路线（预测用户的移动路线）。

此外，预测路线提取单元16基于目的地列表从提取的预测路线中列出可达目的地。此外，预测路线提取单元16将提取的目的地和到达该目的地的预测路线提供到预测值计算单元18，并且将预测路线提供到出发时间预测单元17。

不管用户当前是移动的还是停止的，出发时间预测单元17都预测作为从当前地点出发的时间的出发时间，作为绝对值或者相对值。即，出发时间预测单元17预测从当前地点出发的出发时间，作为绝对值。可选择地，出发时间预测单元17预测从当前地点出发的时间（出发时间），作为相对时间。可以响应于用户的选择确定使用绝对时间和相对时间中的哪一个。出发时间预测单元17将作为预测结果的预测出发时间提供到传感器控制单元19。

预测值计算单元18基于根据从预测路线提取单元16提供的已知最近移动历史获得的预测路线和目的地，计算并且输出到目的地的到达时间、路线和到达概率，作为预测值。从预测值计算单元18输出的预测结果被显示于例如未例示的显示器上。此外，在预测值计算单元18之后的阶段，使用预测结果来控制移动终端。

传感器控制单元19接收从吻合确定单元15提供的已知的或者未知的确定结果。此外，传感器控制单元19接收从出发时间预测单元17提供的被表示为绝对时间和相对时间之一的预测出发时间。

传感器控制单元19根据已知或者未知的确定结果控制位置传感器单元11获取位置数据的数据获取间隔。更具体地说，传感器控制单元19进行控制，使得当提供已知确定结果时，数据获取间隔变短，并且进行控制，使得当提供未知确定结果时，数据获取间隔变长。

此外，传感器控制单元19能够根据从出发时间预测单元17提供的预测出发时间控制位置传感器单元11的数据获取间隔。更具体地说，传感器控制单元19进行控制，使得当出发时间之前有额外时间时，数据获取间隔变短，并且进行控制，使得当马上到出发时间时，数据获取间隔变长。当马上到出发时间时，这也意味着用户正在移动。

数据库校正单元20接收从吻合确定单元15提供的已知最近移动历史。数据库校正单元20基于存储于过去历史数据库13中的搜索数据校正从吻合确定单元15提供的已知最近移动历史，并且将该最近移动历史提供到过去历史数据库13。

因此，尽管图1中未例示，预测路线提取单元16、预测值计算单元18以及数据库校正单元20在需要时获取过去历史数据库13的搜索数据，并执行操作。

如上所述形成的预测设备1基于由位置传感器单元11获取的最近已知移动历史，根据当前位置、目的地和到达该目的地所需的时间来执行预测移动路线的预测操作。

此外，预测设备1基于由位置传感器单元11获取的最近移动历史是已知还是未知，来执行控制（改变）位置传感器单元11的数据获取间隔的传感器控制操作。

此外，预测设备1基于由位置传感器单元11获取的已知最近移动历史，执行校正最近移动历史（的数据）的数据校正操作。

下面将参考图2至图5中的流程图描述预测操作、传感器控制操作以及数据校正操作。

[预测操作的流程图]

图2是由图1中的预测设备1执行的预测操作的流程图。此外，在图2至图5中，始终执行位置传感器单元11的数据获取和缓冲器12的缓存。

首先，在步骤S1中，相似性搜索单元14从过去历史数据库13获取搜索数据。

在步骤S2中，相似性搜索单元14从缓冲器12获取最近移动历史。

在步骤S3中，相似性搜索单元14从获取的搜索数据中搜索与最近移动历史相似的路线，并且将搜索结果提供到吻合确定单元15。通过对所有搜索数据项计算最近移动历史与搜索数据的路线之间的吻合度（相似性），搜索最近移动历史与之相似的搜索数据的路线。

在步骤S4中，吻合确定单元15确定最近移动历史与搜索数据的路线的吻合度是否等于或大于预定阈值。

当在步骤S4中确定最近移动历史与搜索数据的路线的吻合度小于预定阈值时，结束预测操作。即，当最近移动历史是未知路线时，不能进行预测，并且因此结束该操作。

同时，当在步骤S4中确定最近移动历史和搜索数据的路线的吻合度等于或者大于预定阈值时，操作进入步骤S5，并且预测路线提取单元16从过去历史数据库13的搜索数据中提取目的地和预测路线。

此外，在步骤S6中，预测值计算单元18基于提取的预测路线计算并输出到该目的地的到达时间、路线和到达概率，并且结束该操作。

[第一传感器控制操作的流程图]

图3是仅基于来自吻合确定单元15的已知或者未知确定结果来控制位置传感器单元11的数据获取间隔的第一传感器控制操作的流程图。

首先，在步骤S11中，相似性搜索单元14从过去历史数据库13获取搜索数据。

在步骤S12中，相似性搜索单元14从缓冲器12获取最近移动历史。

在步骤S13中，相似性搜索单元14从获取的搜索数据中搜索与最近移动历史相似的路线，并且将搜索结果提供到吻合确定单元15。通过对所有搜索数据项计算最近移动历史与搜索数据的路线之间的吻合度（相似性），搜索最近移动历史与之相似的搜索数据的路线。

在步骤S14中，吻合确定单元15确定最近移动历史与搜索数据的路线的吻合度是否等于或者大于预定阈值。

步骤S11至S14的上述操作与图1中的步骤S1至S4的操作相同，并且在预测操作与传感器控制操作之间共同使用一个操作。

当在步骤S14中确定最近移动历史与搜索数据的路线之间的吻合度小于预定阈值时，即，当最近移动历史是未知路线时，该操作进入步骤S15，并且传感器控制单元19进行控制，使得数据获取间隔变短，并且结束该操作。

同时，当在步骤S14中确定最近移动历史与搜索数据的路线之间的吻合度等于或者大于预定阈值时，即，当最近移动历史是已知路线时，该操作进入步骤S16，并且传感器控制单元19进行控制，使得数据获取间隔变长，并且结束该操作。

重复执行图3中的操作。

如上所述，在第一传感器控制操作中，当已知最近移动历史时，已经学习了该路线，并且因此将数据获取间隔设定得长。同时，当未知最近移动历史时，需要累积搜索数据，并且因此，将数据获取间隔设定得短，以获取精确数据。利用这种方式，当搜索数据不必要时，能够使数据获取间隔变长，因此，以少量电力消耗累积足够移动历史数据。

[第二传感器控制操作的流程图]

图4是基于已知或未知确定结果和预测出发时间控制位置传感器单元11的数据获取间隔的第二传感器控制操作的流程图。

图4中的步骤S21至S25与图3中的步骤S11至S15相同，并且因此未描述它们。

当在步骤S24中确定最近移动历史与搜索数据的路线的吻合度等于或者大于预定阈值时，该操作进入步骤S26，并且出发时间预测单元17将作为从当前地点出发的时间的出发时间预测为绝对时间或者相对时间。将作为出发时间预测单元17的预测结果的预测出发时间提供到传感器控制单元19。

此外，在步骤S27中，传感器控制单元19确定从出发时间预测单元17提供的预测出发时间是否在预定时间之后到达。

当在步骤S27中确定预测出发时间不是在预定时间之后到达，即，出发时间如在移动期间很快到达时，该操作进入步骤S28，并且传感器控制单元19进行控制，使得数据获取间隔变短。

同时，当在步骤S27中确定预测出发时间在预定时间之后到达，即，到出发时间有额外时间时，操作进入步骤S29，并且传感器控制单元19进行控制，使得数据获取间隔变短。

重复执行图4中的操作。

如上所述，在第二传感器控制操作中，即使当已知最近移动路线时，即，例如，在移动期间，将数据获取间隔设定得短，并且当用户暂时未从当前地点移动时，即，当例如用户停留在目的地或者等火车时，将数据获取间隔设定得长。

利用该方法，当搜索数据不必要时，能够使数据获取间隔变长，并且因此，以少量电力消耗累积足够移动历史数据。

此外，尽管将数据获取间隔设定为短设定时间（例如，1分钟）和长设定时间（例如，5分钟）的两级，但是可以将数据获取间隔划分为3级或者更多级。

[数据校正操作的流程图]

图5是由图1中的预测设备1执行的数据校正操作的流程图。

图5中的步骤S41至S44中的操作与图1中的步骤S1至S4的操作和图2中的步骤S11至S14的操作相同，并且因此，不描述它们。即，对于步骤S41至S44的操作，在预测操作、传感器控制操作以及数据校正操作之间共同采用一个操作。

在步骤S44中，当确定最近移动历史与搜索数据的路线的吻合度小于预定阈值时，结束数据校正操作。即，当最近移动历史是未知路线时，不累积搜索数据，并且不能进行校正，并且因此结束该操作。

同时，当在步骤S44中确定最近移动历史与搜索数据的路线的吻合度等于或者大于预定阈值时，该操作进入步骤S45，并且数据库校正单元20通过使用搜索数据校正最近移动历史。此外，数据库校正单元20将校正的最近移动历史提供到过去历史数据库13，并且结束该操作。

重复执行图5中的操作。

如上所述，在数据校正操作中，能够基于搜索数据校正最近移动历史，并且将最近移动历史提供到过去历史数据库13，并且因此，改善作为过去移动历史累积的精确数据（搜索数据）。

上面参考图1至图5描述了图1中的预测设备1的操作概况。

图1中的预测设备1能够根据取决于搜索数据如何存储于过去历史数据库13中的不同的方法，来执行预测操作、传感器控制操作以及数据校正操作。

一种方法是在过去历史数据库13中将作为获取的时间、纬度和经度时间序列数据的路线记录存储为搜索数据，并且使用该路线记录的方法。另一种方法是在过去历史数据库13中将学习获取时间、纬度和经度时间序列数据的学习模型存储为搜索数据，并且使用该学习模型的方法。对于学习模型，例如，采用随机转移模型。

作为预测设备1的第一实施例，将描述使用路线记录执行的方法，并且作为预测设备1的第二实施例，将描述使用学习模型执行的方法。

<2.第一实施例>

[根据第一实施例的预测设备1的示例结构]

图6是根据第一实施例的预测设备1的示例结构的框图。

图6中的路线记录数据库13A、相似路线搜索单元14A、吻合确定单元15A、预测路线记录提取单元16A、出发时间预测单元17A、预测值计算单元18A以及搜索记录校正单元20A对应于图1中的过去历史数据库13、相似性搜索单元14、吻合确定单元15、预测路线提取单元16、出发时间预测单元17、预测值计算单元18以及数据库校正单元20。

路线记录数据库13A存储过去移动历史和目的地列表。

图7是例示存储于路线记录数据库13A中的过去移动历史的数据例子的视图。如图7中所示，以获取时间顺序存储获取时间和位置（经度和纬度）。获取间隔是由传感器控制单元19控制的预定时间间隔。

此外，在某些情况下，位置传感器单元11不能以固定间隔获取位置数据。当例如用户处于隧道中或者处于地下时，不能捕捉到卫星，并且获取间隔变长。在这种情况下，例如，利用线性内插将获取间隔内插为等间隔并且存储。在过去移动历史中，以老获取时间的顺序分配序列号并存储。

图8是例示存储于路线记录数据库13A中的目的地列表的例子的视图。

目的地列表包括对目的地顺序分配的索引和目的地的位置（经度和纬度）。

图9是在地图上例示存储于路线记录数据库13A中的过去移动历史和目的地列表中所列目的地的视图。

在图9中，位置的中心由圆形（o）圈定，并且连接这些目的地的灰色点是绘制的过去移动历史。

回到图6，相似路线搜索单元14A扫描路线记录数据库13A的过去移动历史，并且计算最近移动历史和从缓冲器12提供的过去移动历史的每个站点（位置）的相似性。

相似路线搜索单元14A根据下面的等式（1）计算过去移动历史的第i个站点与最近移动历史的相似性D(i)。

[数学公式1]

$D\left(i\right)=-\underset{K=0}{\overset{K-1}{\mathrm{\&Sigma;}}}\mathrm{Dis}\tan \mathrm{ce}({x^{\mathrm{past}}}_{i-k},{x^{\mathrm{current}}}_{t-k})\&CenterDot;\&CenterDot;\&CenterDot;\left(1\right)$

等式（1）中的x^past代表过去移动历史，而x^current代表最近移动历史。右下标是过去移动历史或者最近移动历史的序列数。此外，等式（1）中的Distance(x,y)是计算两个站点x和y之间的距离的函数，并且可以是欧氏距离、市区距离（正交方向上的不同矢量的各分量之和）和这些距离的平方。Σ代表k步的和。

因此，等式（1）的相似性D(i)是由缓冲器12提供的k步最近移动历史位置数据，并且对应于k步的最近移动历史的相应步与从过去移动历史中的第i步开始追溯过去k步的各步的移动历史之间的距离（总和）。

此外，等式（1）乘以负号，以当相似性越高时使相似性D(i)的值越高。

通过用k步数除以k步的和，等式（1）中的相似性D(i)可以取距离的平均。

此外，计算相似性D(i)的方法并不局限于此。例如，可以从最近移动历史中选择最近站点和预定时间之前的另一个站点，靠近这两个所选最近站点并且约间隔预定时间的两个站点可以从过去移动历史中检测到，并且可以采用这两个检测到的站点与对应于两个最近站点的站点之间的距离。

相似路线搜索单元14A计算等式（1）中的相似性D(i)，作为吻合度，并且将该吻合度提供到吻合确定单元15A。

吻合确定单元15A确定由相似路线搜索单元14A计算的过去移动历史和最近移动历史的每个站点的吻合度等于或者大于预定阈值，并且确定存在与获取的最近移动历史吻合的过去移动历史。

针对检测到具有等于或者大于预定阈值的过去移动历史的站点，预测路线记录提取单元16A提取到达路线记录数据库13A的目的地列表中的目的地之一的移动历史，作为预测路线。检测被检测到具有等于或者大于预定阈值的过去移动历史的多个站点。

预测路线记录提取单元16A基于路线记录数据库13A的目的地列表，根据提取的每个目的地的预测路线，列出可达的目的地。

预测值计算单元18A计算到目的地的路线列表、典型路线、到达概率以及每个列出的目的地的所需时间。

对于目的地的典型路线，例如，采用提取路线列表中到达该目的地的所需时间最短的典型路线。此外，典型路线可以是最接近多个提取预测路线的平均所需时间的预测路线。

通过将提取的预测路线的总数用作分母，而将可到达该目的地的预测路线的总数作为分子，能够计算该目的地的到达概率。

到目的地的所需时间是到该目的地的预测路线的所需时间的平均值。此外，到目的地的所需时间可以被计算为去除了明显异常值的预测路线后的平均值。

图10例示在地图上例示由预测值计算单元18A获得的每个目的地以及到每个目的地的到达概率和所需时间的例子。

回到图6，出发时间预测单元17A根据由预测路线记录提取单元16A提取的并且从吻合度等于或者大于预定阈值的站点开始的一个或者更多个预测路线，计算绝对或者相对出发时间，并且将该出发时间提供到传感器控制单元19。

为了计算绝对出发时间，出发时间预测单元17A通过将围绕起点的预定范围（例如，半径100m）设定为设定范围，来计算第一次从设定范围出发的历时的平均值，并且将该平均值设定为绝对出发时间。

为了计算相对出发时间，通过将围绕起点的预定范围（例如，半径100m）设定为设定范围，出发时间预测单元17A计算用户停留在该设定范围中多少步（时间），并且将该平均值设定为相对出发时间（预定停留时间）。

如果用户有进入办公室和离开办公室的习惯，并且行为的时间区间有规律，则适合预测绝对时间。同时，当用户在假日外出时（购物或者理发）时，并且动作的时间区间没有规律时，适合预测相对时间。

搜索记录校正单元20A利用检测到具有等于或者大于预定阈值的过去移动历史校正最近移动历史，并且将校正的最近移动历史提供到路线记录数据库13A。

将参考图11描述由搜索记录校正单元20A执行的最近移动历史的校正。

搜索记录校正单元20A在路线记录数据库13A中搜索过去移动历史，该过去移动历史从检测到具有等于或者大于预定阈值的过去移动历史的站点开始并且与最近移动历史具有相同步数（k步），并且将该过去移动历史剪辑（clip）为搜索数据。

此外，搜索记录校正单元20A计算每步的一个或者更多剪辑搜索数据的平均值，并且产生理想序列。此外，搜索记录校正单元20A计算理想序列和最近移动历史的平均值，并且产生校正最近移动历史。

在图11中，最近移动历史的黑色圆（·）是最新位置数据（站点），并且搜索数据的黑色三角形是对应于最新位置数据的过去移动历史的站点（起点）。相似地，理想序列的空白三角形（Δ）和校正移动历史的空白圆（○）也是对应于最近移动历史的最新位置数据的站点。

此外，尽管在该例子中，从起点开始的步数与计算相似性的步数相同，但是该步数可以与计算相似性的步数不同。

此外，尽管在上面的例子中对校正最近移动历史进行简单平均，但是可以利用对理想序列设定较高权重的加权平均计算理想序列和最近移动历史。相似地，为了计算理想序列，通过执行设定较低权重的加权平均可以计算过去移动历史。

根据该校正操作，能够将最近移动历史校正到自动并且统计地被进行了操作的位置，并且在路线记录数据库13A中累积该最近移动历史。

[预测操作的流程图]

将参考图12的流程图描述根据第一实施例的预测操作。

首先，在步骤S61中，相似路线搜索单元14A从路线记录数据库13A获取过去移动历史和目的地列表。

在步骤S62中，相似路线搜索单元14A从缓冲器12获取最近移动历史。

在步骤S63中，相似路线搜索单元14A扫描过去移动历史，并且计算过去移动历史与最近移动历史的每个站点（位置）的吻合度。同时，例如，等式（1）中的相似性D(i)被用作吻合度。

在步骤S64中，吻合确定单元15A基于由相似路线搜索单元14A计算的吻合度确定是否存在具有等于或者大于预定阈值的吻合度的一个或者更多站点。

当在步骤S64中确定甚至一个具有等于或者大于预定阈值的吻合度的站点也不存在时，结束该预测操作。同时，当在步骤S64中确定存在一个或者更多个具有等于或者大于预定阈值的吻合度的站点时，该操作进入步骤S65。

在步骤S65中，预测路线记录提取单元16A选择具有等于或者大于预定阈值的吻合度的站点。

此外，在步骤S66中，预测路线记录提取单元16A针对选择的站点（所选站点）提取从所选站点到目的地之一的过去移动历史，作为预测路线。

在步骤S67中，预测路线记录提取单元16A基于路线记录数据库13A的目的地列表根据每个目的地的提取预测路线列出可达目的地。

此外，在步骤S68中，对于所列的每个目的地，预测值计算单元18A计算到该目的地的路线列表和典型路线。对于典型路线，例如，从到目的地的多个预测路线中采用所需时间最短的预测路线。

预测值计算单元18A在步骤S69中计算到每个目的地的到达概率，并且在步骤S70中计算并且输出到每个目的地所需的时间，并且结束操作。

[采用绝对预测出发时间的第二传感器控制操作的流程图]

接着，将参考图13中的流程图描述采用绝对预测出发时间的根据第一实施例的第二传感器控制操作。

图13中的步骤S81至S84与图12中的步骤S61至S64相同，并且因此不做描述。

当在步骤S84中确定甚至不存在具有等于或者大于预定阈值的吻合度的一个站点时，该操作进入步骤S85，并且传感器控制单元19控制位置传感器单元11，使得数据获取间隔变短，并且结束该操作。

同时，当在步骤S84中确定存在具有等于或者大于预定阈值的吻合度的一个或者更多站点时，该操作进入步骤S86，并且预测路线记录提取单元16A选择具有等于或者大于预定阈值的吻合度的站点。

在步骤S87中，出发时间预测单元17A根据具有等于或者大于预定阈值的吻合度的所选站点计算到首先到设定范围外的历时的平均值，并且将该平均值设定为绝对出发时间。将计算的绝对出发时间提供到传感器控制单元19。

在步骤S88中，传感器控制单元19计算从出发时间预测单元17A提供的绝对出发时间与当前时间之间的差。

此外，在步骤S89中，传感器控制单元19确定计算的差是否大于预定阈值（下面称为“出发时间阈值”）。

当在步骤S89中确定计算的差等于或者小于出发时间阈值时，该操作进入步骤S90，并且传感器控制单元19进行控制，使得数据获取间隔变短，并且结束该操作。

当在步骤S89确定计算的差大于出发时间阈值时，该操作进入步骤S91，并且传感器控制单元19进行控制，使得数据获取间隔变短，并且结束该操作。

跳过根据第一实施例的第一传感器控制操作是去除了上述步骤S86至S90的操作。

[使用相对预测出发时间的第二传感器控制操作的流程图]

接着，将参考图14中的流程图描述使用相对预测出发时间的根据第一实施例的第二传感器控制操作。

使用图14中的相对预测出发时间的第二传感器控制操作与使用图13中的绝对预测出发时间的第二传感器控制操作的不同之处仅在于对应于图13中的步骤S87至S89的步骤S107和S108。因此，仅描述图14中的步骤S107和S108中的操作，并且不描述其它操作。

在步骤S107中，出发时间预测单元17A计算从围绕所选范围的设定范围出发的时间的平均值（步数），作为预测停留时间。

在步骤S108中，出发时间预测单元17A确定计算的预测停留时间是否大于预定时间（下面称为“停留时间阈值”）。

当在步骤S108中确定计算的预测停留时间等于或者小于停留时间时，该操作进入步骤S109。

同时，当在步骤S108中确定计算的预测停留时间大于停留时间阈值时，该操作进入步骤S110。

在步骤S109或者S110，对传感器控制单元19设定预定数据获取间隔，并且结束该操作。

尽管如上所述执行使用绝对预测出发时间的第二传感器控制操作或者使用相对预测出发时间的第二传感器控制操作，但是基于通过合并两种操作的处理结果获得的结果，可以确定最终数据获取间隔。

[数据校正操作的流程图]

将参考图15的流程图描述根据第一实施例的数据校正操作。

图15中的步骤S121至S125与图12中的步骤S61至S65相同，并且因此不做描述。

在步骤S126中，搜索记录校正单元20A在路线记录数据库13A中搜索从所选站点开始的并且具有相同步数（k步）的过去移动历史，并且剪辑该过去移动历史作为搜索数据。利用这种手段，剪辑一个或更多个搜索数据项。

在步骤S127中，搜索记录校正单元20A计算每步的一个或者更多剪辑搜索数据的平均值，并且产生理想序列。

在步骤S128中，搜索记录校正单元20A通过计算理想序列和最近移动历史的平均产生校正的最近移动历史，并且结束该操作。

如上所述，根据第一实施例的预测设备1能够使用存储于过去历史数据库13中的路线记录执行预测操作、传感器控制操作以及数据校正操作。

<3.第二实施例>

[根据第二实施例的预测设备1的示例结构]

图16是例示根据第二实施例的预测设备1的示例结构的框图。

图16中的随机转移模型数据库13B、相似节点搜索单元14B、吻合确定单元15B、预测节点搜索单元16B、出发时间预测单元17B、预测值计算单元18B以及模型数据校正单元20B对应于图1中的过去历史数据库13、相似性搜索单元14、吻合确定单元15、预测路线提取单元16、出发时间预测单元17、预测值计算单元18以及数据库校正单元20。

随机转移模型数据库13B存储根据作为学习模型的随机转移模型学习过去移动历史获得的结果。换句话说，随机转移模型数据库13B将根据作为学习模型的随机转移模型学习过去移动历史获得的参数存储为搜索数据。

此外，随机转移模型数据库13B接收由模型数据校正单元20B提供的新移动历史，并且随机转移模型数据库13B以预定定时（例如，每隔一天或者每隔一周）利用新移动历史更新并且存储随机转移模型的参数。

此外，与根据第一实施例的路线记录数据库13A相似，随机转移模型数据库13B也存储目的地列表。

图17是用于学习过去移动历史的随机转移模型的原理图。

图17所示的随机转移模型是状态数量是3（N＝3）的隐马尔可夫模型。HMM由多个离散状态节点s_i构成。

更具体地，HMM由用于确定由具有规则分布的随机变量表示的状态的参数和用于确定多个离散状态节点s_i的状态转移的参数表示。下面将用于确定状态的参数和用于确定状态转移的参数通称为HMM参数，并且将状态节点简称为状态。

用于确定状态的参数包括状态节点s_i的观察模型以及状态节点s_i的中心值（平均值）μ_i和方差σ_i ²。用于确定状态转移的参数是状态节点s_i的内部模型，并且包括从状态节点s_i到状态s_j的状态转移概率a_ij。

图18例示当作为学习模型的HMM学习过去移动历史时HMM的每个状态节点的观察模型和内部模型的例子。

作为内部模型的状态转移概率a_ij还包括转移到状态节点s_i的自身转移概率。对于该时间、经度和纬度，计算作为观察模型的状态节点s_i的中心值μ_i和方差σ_i ²。此外，在初始学习阶段，足以对每个状态节点s_i设定表示初始状态的初始值。

图19例示在地图上例示当作为随机转移模型的HMM学习图9所示的过去移动历史和目的地时获得的学习结果的视图。在图19中，连接路线的椭圆形指示每个学习状态节点。

作为估计HMM参数的方法，广泛采用Baum-Welch的最大似然性估计方法。Baum-Welch的最大似然性估计方法是基于EM（最大期望）算法估计参数的方法。

根据Baum-Welch的最大似然性估计方法，基于要观察时间序列数据x=x₁,x₂,...,x_T估计HMM参数，使得由作为观察到（出现）该时间序列数据的概率的发生概率计算的似然性最大。同时，x_t表示在时间t观察到的信号（采样值），并且T表示时间序列数据的长度（采样数量）。

例如，“Pattern recognition and learning algorithm”，YoshinoriUESAKA and Kazuhiko OZEKI,Bun-ichi Co.,Ltd.,P.121公开了Baum-Welch的最大似然性估计方法。

回到图16，相似节点搜索单元14B搜索对应于缓冲器12提供的最近移动历史的随机转移模型的状态节点。换句话说，相似节点搜索单元14B搜索（选择）使对应于最近移动历史的当前地点（最新站点）的状态节点的状态概率最大的状态节点。

吻合确定单元15B确定对应于最近移动历史的当前地点的状态节点的吻合度是否等于或者大于预定阈值。将描述在随机转移模型的情况下计算吻合度的方法。当对应于最近移动历史的当前地点的状态节点的吻合度等于预定阈值时，将已知确定结果提供到传感器控制单元19、预测节点搜索单元16B和模型数据校正单元20B。此外，将通过搜索获得的状态节点提供到预测节点搜索单元16B和模型数据校正单元20B。同时，当对应于最近移动历史（的当前地点）的状态节点的吻合度小于预定阈值时，将未知确定结果提供到传感器控制单元19。

通过从吻合确定单元15B提供的并且对应于通过搜索获得的当前地点的状态节点中对能够转移到的目的地的状态节点执行树搜索，预测节点搜索单元16B搜索该目的地。此外，预测节点搜索单元16B列出每个目的地的搜索目的地。

预测值计算单元18B计算每个所列目的地的目的地的路线列表、典型路线、到达概率和所需时间。

出发时间预测单元17B基于对应于通过搜索获得的当前地点的状态节点计算绝对或者相对出发时间，并且将该出发时间提供到传感器控制单元19。

通过计算对应于通过搜索获得的当前地点的状态节点的自转移之外的一个或者更多个转移目的地的时间中心值的平均，能够计算绝对出发时间。可选择地，可以选择对应于通过搜索获得的当前地点的状态节点的自转移之外的转移目的地的时间中、作为中心值具有最接近当前时间的未来时间的出发时间，作为绝对出发时间。

此外，根据通过用单步的时间乘以使用对应于通过搜索获得的当前地点的状态节点的自转移概率的下面的等式（2）获得的值计算相对出发时间（预测停留时间）。

[数学公式2]

t_stay=1/(1-a_ss)

在等式（2）中，t_stay代表预测停留时间，而a_ss代表通过搜索获得的状态节点。此外，当自转移概率为1时，等式（2）展开，可以将上限值设定为预测停留时间。

模型数据校正单元20B使用对应于最近移动历史的状态节点的状态节点序列校正最近移动历史，并且将校正的最近移动历史提供到随机转移模型数据库13B。

将参考图20描述由模型数据校正单元20B执行的最近移动历史的校正。

模型数据校正单元20B产生对应于最近移动历史的状态节点的状态节点序列（对应于节点序列），并且产生所产生的对应节点序列的一系列中心值，作为理想序列。此外，模型数据校正单元20B计算理想序列和最近移动历史的平均以及校正的最近移动历史。

图21例示模型数据校正单元20B的另一校正方法。

图21例示的校正方法与图20所示的校正方法的不同之处在于：采用形成最近移动历史的每步的随机转移模型的每个状态节点的概率。即，在图21中，将最近移动历史的每步的每个状态节点的概率δ_j(t)示为概率表。根据下面的等式（5）计算最近移动历史的每步的每个状态节点的概率δ_j(t)。

模型数据校正单元20B使用概率表根据下面的等式（3）计算对应于最近移动历史的理想序列。

[数学公式3]

$<x_t>=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_j\left(t\right)\&CenterDot;{\mathrm{\&mu;}}_j\&CenterDot;\&CenterDot;\&CenterDot;\left(3\right)$

等式（3）表示通过利用最近移动历史的每步的每个状态节点的状态节点概率δ_j(t)对每个状态节点的纬度和经度的中心值μ_j执行加权加法获得的值是对应于最近移动历史的每步的理想序列的位置<x_t>。同时，t是对应于最近移动历史的每步的获取时间的步数（序列数）。

[学习设备的示例结构]

接着，将描述学习存储于随机转移模型数据库13B中的随机转移模型的学习设备。

图22例示计算存储于随机转移模型数据库13B中的随机转移模型的参数的学习设备60的示例结构。

学习设备60具有：记录获取单元61、预处理单元62、状态节点分配单元63、模型重构单元64、目的地列表校正单元65和模型存储单元66。

记录获取单元61获取过去移动历史，作为学习数据，并且将该过去移动历史提供到预处理单元62。

预处理单元62通过对学习数据的临时数据的不足部分执行诸如线性内插的内插操作进行内插，并且将经过该操作的过去移动历史提供到状态节点分配单元63。

状态节点分配单元63对从预处理单元62提供的过去移动历史分配随机转移模型的状态节点。更具体地说，状态节点分配单元63计算作为学习数据的过去移动历史的每个位置数据与现有随机转移模型的吻合度，并且确定该吻合度是否等于或者大于预定阈值。此外，当该吻合度等于或者大于预定阈值时，状态节点分配单元63对该位置数据分配现有状态节点。同时，当该吻合度小于预定阈值时，状态节点分配单元63对该位置数据分配新状态节点。此外，将与过去移动历史结合分配的状态节点的节点数的序列数据（对应于节点序列）提供到模型重构单元64。

模型重构单元64执行基于来自状态节点分配单元63的相应节点序列重构随机转移模型的模型重构操作。即，模型重构单元64校正当前随机转移模型的状态节点的参数，并且增加新状态节点的参数。

当对过去移动历史增加新目的地时，目的地列表校正单元65校正存储于模型存储单元66中的目的地列表。

模型存储单元66存储随机转移模型的参数作为学习模型。此外，模型存储单元66还存储目的地列表。

图23例示图22中的状态节点分配单元63的详细示例结构。

状态节点分配单元63由模型获取单元71、对应节点序列估计单元72、吻合度阈值确定单元73、现有节点分配单元74以及新节点分配单元75形成。

模型获取单元71获取来自模型存储单元66的随机转移模型的参数，并且将该参数提供到对应节点序列估计单元72。

对应节点序列估计单元72使用现有随机转移模型针对作为学习数据的过去移动历史产生（估计）作为对应状态节点的对应节点序列。

对于形成由对应节点序列估计单元72估计的对应节点序列的状态节点，吻合度阈值确定单元73确定吻合度是否等于或者大于预定阈值。换句话说，吻合度阈值确定单元73确定作为学习数据提供的过去移动历史是已知路线还是未知路线。此外，吻合度阈值确定单元73将具有已确定等于或者大于预定阈值（已知路线）的吻合度的学习数据（过去移动历史）提供到现有节点分配单元74，并且将具有已确定小于预定阈值（未知路线）的吻合度的学习数据提供到新节点分配单元75。

现有节点分配单元74对从吻合度阈值确定单元73提供的已知路线的学习数据执行现有节点分配操作，以分配现有随机转移模型的状态节点。

新节点分配单元75对从吻合度阈值确定单元73提供的未知路线的学习数据执行新节点分配操作，以分配新随机转移模型的状态节点。

将现有节点分配操作和新节点分配操作分配的状态节点序列提供到图22中的模型重构单元64。

[学习操作的流程图]

图24例示学习设备60的学习操作的流程图。

首先，在步骤S161中，记录获取单元61获取过去移动历史作为学习数据，并且将该过去移动历史提供到预处理单元62。

在步骤S162中，预处理单元62通过对学习数据的临时数据的不足部分执行诸如线性内插的内插操作执行内插，并且将经过该操作的过去移动历史提供到状态节点分配单元63。

在步骤S163中，状态节点分配单元63的模型获取单元71从模型存储单元66获取随机转移模型的参数，并且将该参数提供到对应节点序列估计单元72。

在步骤S164中，状态节点分配单元63的对应节点序列估计单元72执行吻合度计算操作，以计算作为学习数据的过去移动历史的每个位置数据与现有随机转移模型的吻合度。

在步骤S165中，状态节点分配单元63的吻合度阈值确定单元73将识别构成学习数据的每个位置数据的步数i设定为1，该操作进入步骤S166，并且确定第i步的吻合度等于或者大于预定阈值。

当在步骤S166中确定第i步的吻合度等于或者大于预定阈值时，该操作进入步骤S167，并且吻合度阈值确定单元73确定学习数据的步数i的位置数据对应于现有节点。

同时，当在步骤S166中确定第i步的吻合度小于预定阈值时，该操作进入步骤S168，并且吻合度阈值确定单元73确定学习数据的步数i的位置数据对应于新节点。

在步骤S169中，吻合度阈值确定单元73对所有学习数据项确定节点是现有节点还是新节点。

当在步骤S169中确定未对所有学习数据项进行确定时，该操作进入步骤S170，吻合度阈值确定单元73使步数递增1，并且该操作返回步骤S166。

同时，当在步骤S169中确定对所有学习数据项进行了确定时，该操作进入步骤S171，并且状态节点分配单元63的现有节点分配单元74执行现有节点分配操作，以对已知路线的学习数据分配现有随机转移模型的状态节点。

接着，在步骤S172中，状态节点分配单元63的新节点分配单元75执行新节点分配操作，以对未知路线的学习数据分配新随机转移模型的状态节点。

能够并行执行步骤S171和S172中的操作。

此外，在步骤S173中，模型重构单元64执行模型重构操作，以依据来自状态节点分配单元63的对应节点序列重构随机转移模型。

在步骤S174中，当对过去移动历史增加新目的地时，目的地列表校正单元65对存储于模型存储单元66中的目的地列表增加目的地，并且结束该操作。此外，当没有目的地要增加时，跳过步骤S174的操作。

[吻合度计算操作的流程]

图25是在图24中的步骤S164执行的吻合度计算操作的流程图。

在该操作中，在步骤S181，状态节点分配单元63首先将识别构成学习数据的每个位置数据的步数i设定为1。

此外，在步骤S182，状态节点分配单元63根据下面的等式（4）计算步i的每个状态的观察似然性。

[数学公式4]

$P\left(x_t\right|{\mathrm{\&mu;}}_i,s_i)=\underset{d=1}{\overset{3}{\mathrm{\&Pi;}}}\frac{1}{\sqrt{2\mathrm{\&pi;}{{\mathrm{\&sigma;}}_{\mathrm{id}}}^2}}\exp (-\frac{{(x_{\mathrm{td}}-{\mathrm{\&mu;}}_{\mathrm{id}})}^2}{{{2\mathrm{\&sigma;}}_{\mathrm{id}}}^2})\&CenterDot;\&CenterDot;\&CenterDot;\left(4\right)$

等式（4）中的观察似然性表示从中心值μ₁和方差σ_i ²规则分布的状态节点s_i观察到的数据x_i的似然性。此外，Π{x_d}意味着当d=1,2,3成立时乘以x_d，并且d=1,2,3表示过去移动路线的时间、纬度和经度。

在步骤S183，状态节点分配单元63根据下面的等式（5）计算步i中的每个状态的状态概率。

[数学公式5]

${\mathrm{\&delta;}}_i\left(1\right)=P\left(x_1\right|{\mathrm{\&mu;}}_i,s_i)/Z_1$

${\mathrm{\&delta;}}_j\left(t\right)=\max \left[a_{\mathrm{ij}}{\mathrm{\&delta;}}_i(t-1)\right]\&CenterDot;P\left(x_t\right|{\mathrm{\&mu;}}_j,s_j)/Z_t$

在等式（5）中，δ_i(1)代表是头步中的状态s_i的概率。此外，δ_i(t)代表是步t中的状态s_j的概率。等式（5）中的max[a_ijδ_i(t-1)]指选择步t-1的状态概率和状态转移中从该地点到状态s_j的转移概率的最大乘积。此外，等式（5）中的Z_t是归一化参数，并且是所有状态s_i的δ_i(t)的和。

根据等式（5），能够估计反映两个状态节点之间的转移构成的拓扑的状态历史。

在步骤S184中，状态节点分配单元63根据下面的等式（6）计算步i中的观察似然性的期望值，作为吻合度。

[数学公式6]

$L\left(t\right)=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}P\left(x_t\right|{\mathrm{\&mu;}}_j,s_j)\&CenterDot;{\mathrm{\&delta;}}_j\left(t\right)\&CenterDot;\&CenterDot;\&CenterDot;\left(6\right)$

在等式（6）中，在时间t，使用状态s_j的似然性P(x_t|μ_j，s_j)的状态概率δ_i(t)计算期望值。

在步骤S185中，状态节点分配单元63确定步i是否是最后步。

当在步骤S185中确定步i不是最后步时，该操作进入步骤S186，状态节点分配单元63使步数i递增1，并且该操作返回步骤S182。

同时，当在步骤S185中确定步i是最后步时，该操作返回步骤S24。

[现有节点分配操作的流程]

接着，将参考图26中的流程图描述在图24中的步骤S171中执行的现有节点分配操作。

图26中的步骤S201至S203与图25中的步骤S181至S183相同，并且因此不做描述。同时，现有节点分配操作中的步数是对被确定为现有节点的学习数据的步数。

在步骤S204中，状态节点分配单元63存储在步i达到每个状态的父节点。更具体地，状态节点分配单元63计算并且存储在下面的等式（7）计算的状态节点数。

[数学公式7]

Ψ_j(t)=argmax_i[a_ijδ_i(t-1)]

等式（7）中的Ψ_j(t)是步t-1的状态概率和从地点的转移概率的乘积最大的状态节点的节点数。argmax_i[x]代表使通过在1至N的范围内将索引i变更为整数获得的x最大的索引i。

在步骤S205中，状态节点分配单元63确定步i是否是最后步。

当在步骤S205中确定步i不是最后步时，该操作进入步骤S206，状态节点分配单元63使步数递增1，并且该操作返回步骤S202。

同时，当在步骤S205中确定步i是最后步时，该操作进入步骤S207，并且状态节点分配单元63选择使最后步的状态概率最大的状态节点。

更具体地，步骤S207中的操作是当最后步是例如t=T时设定s(T)=argmax_i[δ_i(T)]的操作，并且是使最后最高状态概率的状态概率与已知路线的学习数据的最后步相关的操作。

在步骤S208中，状态节点分配单元63从在步骤S207选择的状态节点中反向搜索在步骤S204中存储的父节点。

步骤S208中的操作是设定S(t-1)=Ψ(S(t))的操作。利用这种方法，能够顺序发现与移动历史的第t步相关的状态节点S(t)，并且最后获得对应于已知移动历史状态节点序列。

在步骤S209中，状态节点分配单元63使在步骤S208中获得的状态节点序列与作为学习数据的已知移动历史相关存储于内部，并且返回图24。

[新节点分配操作的流程]

接着，将参考图27中的流程图描述在图24中的步骤S172执行的新节点分配操作。

首先，在步骤S221中，状态节点分配单元63根据HMM（随机转移模型）学习作为学习数据的未知移动历史。在步骤S221，对未知移动历史的每步分配新状态节点，并且计算与未知移动历史相关的HMM参数。

在步骤S222中，状态节点分配单元63对学习获得的状态节点分配作为状态节点要增加到现有HMM（随机转移模型）的新节点数。

在步骤S223中，状态节点分配单元63将作为学习数据的未知移动历史和对应于新节点数的状态节点序列存储在内部，并且返回图24。

[模型重构操作的流程]

接着，将参考图28中的流程图描述在图24中的步骤S173执行的模型重构操作。

首先，在步骤S241中，模型重构单元64创建转移频率表。

图29例示在步骤S241中创建的转移频率表的例子。在该转移频率表中，图18中的HMM的状态转移概率a_ij是转移频率。

在步骤S242中，模型重构单元64根据下面的等式（8）由转移频率表的转移频率产生状态频率表。

[数学公式8]

$f_i=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}\&CenterDot;\&CenterDot;\&CenterDot;\left(8\right)$

等式（8）表示利用状态s_j的转移频率f_ij的总和能够获得状态s_i的状态频率f_i。

在步骤S243中，模型重构单元64根据下面的等式（9）利用频率表产生包括状态频率的中心值M_i和方差Σ_i ²的统计表。

M_i=μ_i·f_i,Σ_i ²=(σ_i ²+μ_i)·f_i·····(9)

在步骤S244中，模型重构单元64使用对应于图26中的现有节点分配操作和图27中的新节点分配操作产生并且存储的学习数据的状态节点序列更新转移频率表。同时，将更新的转移频率f_ij表示为转移频率f_ij’，并且将更新状态频率表表示为f_i’。

在步骤S245中，通过将对应于由图26中的现有节点分配操作和图27中的新节点分配操作产生的状态节点的位置数据和该位置数据的平方值与该状态频率的中心值M_i和方差Σ_i ²相加，模型重构单元64根据等式（9）更新统计表。将更新统计表的状态频率的中心值M_i和方差Σ_i ²表示为M_i’和Σ_i ²’。

在步骤S246中，模型重构单元64根据下面的等式（10）更新由图26中的现有节点分配操作和图27中的新节点分配操作产生的状态节点的中心值μ_i和方差σ_i ²，并且返回图24。

μ_i’=M_i’/f_i’,σ_i ²’=Σ_i ²’/f_i’-μ_i’²)·····(10)

如上所述，根据参考图24至图28描述的学习操作，基于新输入的移动历史，能够校正（更新）和展开现有学习模型。此外，其现有模型不存在的第一学习操作是基于输入移动历史全部是未知路线并且能被上述操作支持的确定学习随机转移模型的操作。

[预测操作的流程图]

将参考图30的流程图描述根据第二实施例的预测操作。

首先，在步骤S301中，相似节点搜索单元14B从随机转移模型数据库13B获取随机转移模型（的参数）和通过事先学习获得的目的地列表。

在步骤S302中，相似节点搜索单元14B从缓冲器12获取最近移动历史。

在步骤S303中，相似节点搜索单元14B搜索并且选择对应于最近移动历史的状态节点。更具体地，相似节点搜索单元14B执行对上述学习操作描述的吻合度计算操作（图24中的步骤S164和图25）、执行现有节点分配操作（图24中的步骤S171和图26），并且搜索并且选择对应于最近移动历史的状态节点。

在步骤S304中，吻合确定单元15B确定由相似节点搜索单元14B选择的状态节点的吻合度是否等于或者大于预定阈值。

当在步骤S304中确定所选状态节点的吻合度小于预定阈值时，结束该预测操作。

同时，当在步骤S304中确定所选状态节点的吻合度等于或者大于预定阈值时，该操作进入步骤S305。在步骤S305中，通过对能够从所选状态节点转移到的目的地节点执行树搜索，预测节点搜索单元16B搜索目的地。

在步骤S306中，预测节点搜索单元16B列出每个目的地的搜索目的地。

在步骤S307中，预测值计算单元18B计算到每个所列目的地的目的地的路线列表和典型路线。

根据例如下面的等式（11）能够计算到目的地i的到路线r_i。

[数学公式9]

$\begin{array}{c}r=\arg \mathrm{mi}{n}_j\left(\underset{k=1}{\overset{T_j-1}{\mathrm{\&Pi;}}}a({s^j}_k,{s^j}_{k+1})\right)\\ r_i=\left\{s_k\right|k=1,...,T_r\}\end{array}\&CenterDot;\&CenterDot;\&CenterDot;\left(11\right)$

在等式（11）中，T_j代表第j路线列表的长度（步数），而（s_k,s_k+1）表示从状态节点s_k到状态节点s_k+1的转移概率。因此，s^j _k代表第j路线列表的第k状态节点，s^j ₁代表当前地点节点，s^j _Tj代表第j路线列表的目的地节点。

因此，等式（11）表示对于目的地i，最高发生概率的第r个路线r_i是典型路线，并且该典型路线r_i包括状态节点序列（s₁,s₂,s₃,…,s_Tr）。选择典型路线的方法可以是该方法之外的方法。

在步骤S308中，预测值计算单元18B计算到每个目的地的到达概率。

根据例如下面的等式（12）能够计算到目的地i的到达概率。

[数学公式10]

$p_i=\underset{j=1}{\overset{N_i}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{T_j-1}{\mathrm{\&Pi;}}}a({s^j}_k,{s^j}_{k+1})\&CenterDot;\&CenterDot;\&CenterDot;\left(12\right)$

在等式（12）中，N_i代表从当前地点节点到达目的地i的路线列表的数量。

在步骤S309中，计算并且输出到达每个目的地所需的时间，并且结束该操作。

根据例如下面的等式（13）计算到目的地i的典型路线r_i所需的时间t_i。

[数学公式11]

$\begin{array}{c}{t}_i=\frac{\underset{t}{\mathrm{\&Sigma;}}t\&CenterDot;p_{s_{T-1}}(t-1)\&CenterDot;a(s_{T-1},s_T)}{{\underset{t}{\mathrm{\&Sigma;}}}_{}{p}_{s_{T-1}}(t-1)\&CenterDot;a(s_{T-1},s_T)}\\ p_{s_1}\left(1\right)=1\\ p_{s_k}\left(t\right)=p_{s_k}\&CenterDot;(t-1)\&CenterDot;a(s_k,s_k)+p_{s_{k-1}}\&CenterDot;(t-1)\&CenterDot;a(s_{k-1},s_k)\end{array}---\left(13\right)$

在等式（13）中，s_k是典型路线r的状态节点序列的第k个状态节点，T是典型路线的路线列表的长度（步数），t=1是当前地点节点，t=T是目的地节点。

此外，在等式（13）中，P_s1(1)代表步s1的状态节点s₁。p_sk(t)代表用户以步t出现于状态节点s_k的概率，并且是用户以先前步处于状态节点s_k并且自转移的概率和用户以先前步处于状态节点s_k-1并且进行转移的概率。

此外，等式（13）中的所需时间t_i是当用户在时间t-1处于作为目的地节点s_T之前的一个节点的状态节点s_T-1并且在时间t的第一时间转移到目的地节点s_T时的期望值。

[使用绝对预测出发时间的第二传感器控制操作的流程图]

接着，将参考图31中的流程图描述根据第一实施例使用绝对预测出发时间的第二传感器控制操作。

图31中的步骤S321至S324与图30中的步骤S301至S304相同，并且因此不做描述。

当在步骤S324中确定所选状态节点的吻合度小于预定阈值时，该操作进入步骤S325，并且传感器控制单元19控制位置传感器单元11，使得数据获取间隔变短，并且结束该操作。

同时，当在步骤S324中确定所选状态节点的吻合度等于或者大于预定阈值时，该操作进入步骤S326。

在步骤S326中，出发时间预测单元17B计算所选状态节点中自转移之外的一个或者更多迁移目的地状态节点的时间中心值的平均（平均时间），作为绝对出发时间。将计算的绝对出发时间提供到传感器控制单元19。

在步骤S327中，传感器控制单元19计算从出发时间预测单元17B提供的绝对出发时间与当前时间之间的差。

在步骤S328中，传感器控制单元19确定计算的差是否大于预定阈值（出发时间阈值）。

当在步骤S328中确定计算的差等于或者小于出发时间阈值时，该操作进入步骤S329，并且传感器控制单元19进行控制，使得数据获取间隔变短，并且结束该操作。

同时，当在步骤S328中确定计算的差大于出发时间阈值时，该操作进入步骤S330，并且传感器控制单元19进行控制，使得数据获取间隔变长，并且结束该操作。

根据第二实施例的第一传感器控制操作是去除了上述步骤S326至S329的操作。

[使用相对预测出发时间的第二传感器控制操作的流程图]

接着，将参考图32中的流程图描述根据第二实施例使用相对预测出发时间的第二传感器控制操作。

图32中使用相对预测出发时间的第二传感器控制操作与图31中使用绝对预测出发时间的第二传感器控制操作的不同之处仅在于：对应于图31中的步骤S326至S328的步骤S346和S347。因此，仅描述图32中的步骤S346和S347的操作，并且不描述其它操作。

在步骤S346中，出发时间预测单元17B根据所选状态节点的自转移概率计算相对出发时间（预测停留时间）。即，通过将使用所选状态节点的自转移概率的等式（2）乘单步的时间，计算预测停留时间，并且将该预测停留时间提供到传感器控制单元19。

在步骤S347中，出发时间预测单元17B确定计算的预测停留时间是否大于预定阈值（停留时间阈值）。

当在步骤S347中确定计算的预测停留时间等于或者小于停留时间阈值时，该操作进入步骤S348。

同时，当在步骤S347中确定计算的预测停留时间大于停留时间阈值时，该操作进入步骤S349。

在步骤S348或者S349中，对传感器控制单元19设定预定数据获取间隔，并且结束该操作。

尽管如上所述执行使用绝对预测出发时间的第二传感器控制操作或者使用相对预测出发时间的第二传感器控制操作，但是可以基于通过组合两个操作的处理结果获得的结果，确定最终数据获取间隔。

[数据校正操作的流程图]

将参考图33描述根据第二实施例的数据校正操作。

图33中的步骤S361至S364与图30中的步骤S301至S304相同，并且不做描述。

在步骤S365中，模型数据校正单元20B获取对应于最近移动历史的每步的每个状态节点的概率δ_j(t)。

在步骤S366中，模型数据校正单元20B根据等式（3）产生对应于最近移动历史的理想序列。即，模型数据校正单元20B通过利用状态节点的概率δ_j(t)对对应于最近移动历史的每步的每个状态节点的中心值执行加权求和，来生成理想序列。

在步骤S367中，模型数据校正单元20B通过计算理想序列和最近移动历史的平均，产生校正最近移动历史，并且结束该操作。

如上所述，根据第二实施例的预测设备1使用存储于随机转移模型数据库13B中的随机转移模型能够执行预测操作、传感器控制操作以及数据校正操作。

<4.第三实施例>

[根据第三实施例的预测设备1的示例结构]

上面描述了预测设备1利用路线记录和随机转移模型之一作为过去历史数据库13的搜索数据来执行预测操作、传感器控制操作以及数据校正操作。

然而，预测设备1可以具有并且可以选择性地执行作为过去历史数据库13的搜索数据的路线记录和随机转移模型。

图34是例示预测设备1的示例结构的框图。即，图34例示根据第三实施例具有并且选择性地执行路线记录和随机转移模型的预测设备1的示例结构。

过去历史数据库13具有根据第一实施例的路线记录数据库13A和根据第二实施例的随机转移模型数据库13B。

相似性搜索单元14具有根据第一实施例的相似路线搜索单元14A和根据第二实施例的相似节点搜索单元14B。

吻合确定单元15具有根据第一实施例的吻合确定单元15A和根据第二实施例的吻合确定单元15B。

预测路线提取单元16具有根据第一实施例的预测路线记录提取单元16A和根据第二实施例的预测节点搜索单元16B。

出发时间预测单元17具有根据第一实施例的出发时间预测单元17A和根据第二实施例的出发时间预测单元17B。

数据库校正单元20具有根据第一实施例的搜索记录校正单元20和根据第二实施例的模型数据校正单元20B。

在第三实施例中，用户利用未例示的操作单元选择使用路线记录和随机转移模型中的哪个。当选择使用路线记录时，执行第一实施例中描述的操作。同时，当选择使用随机转移模型时，执行第二实施例中描述的操作。

<5.第四实施例>

[根据第四实施例的预测设备1的示例结构]

在上述实施例中，预测设备1既具有控制位置传感器单元11的数据获取间隔的传感器控制功能，又具有基于搜索数据校正最近移动历史的数据校正单元。

然而，预测设备1具有传感器控制功能和数据校正功能之一。

图35是例示根据预测设备1的第四实施例仅具有传感器控制功能的预测设备1的示例结构的框图。

图36是例示根据预测设备1的第四实施例仅具有数据校正功能的预测设备1的示例结构的框图。

根据第四实施例的预测设备1的操作与上面描述的交叠，并且因此不做描述。

[计算机的示例结构]

上面描述的系列操作能够由硬件执行，并且也能够由软件执行。当一系列操作由软件执行时，构成软件的程序安装于计算机中。在此，计算机可以是***专用硬件中的计算机，也可以是当各种程序安装在其内时能够执行各种功能的通用个人计算机。

图37是例示根据程序执行上述一系列操作的计算机的硬件的示例结构的框图。

在计算机中，CPU（中央处理单元）101、ROM（只读存储器）102、以及RAM（随机存取存储器）103通过总线104互相连接。

输入/输出接口105也连接到总线104。输入单元106、输出单元107、存储单元108、通信单元109以及驱动器110连接到输入/输出接口105。

输入单元106由键盘、鼠标、麦克风等形成。输出单元107由显示器、扬声器等形成。存储单元108由硬盘、非易失性存储器等形成。通信单元109由网络接口等形成。驱动器110驱动诸如磁盘、光盘、磁光盘或者半导体存储器的移动记录介质111。

在具有上述配置的计算机中，CPU101经由输入/输出接口105和总线104将存储单元108内存储的程序装载到RAM103中，并且执行该程序，从而执行上述一系列操作。

在计算机中，通过将移动记录介质111装接到驱动器110，能够通过输入/输出接口105将程序安装到存储单元108。可选择地，能够经由诸如局域网、互联网或者数字卫星广播的有线或者无线传输介质在通信单元109接收程序，并且将该程序安装在存储单元108中。此外，可以将程序预装在ROM102和存储单元108中。

此外，在该说明书中，流程图中描述的步骤可以按照在此描述的顺序以时序自然执行，但是不一定以时序处理，并且当进行调用时可以并行或者在必要时间执行。

在上述实施例中，对于用于确定各种条件的阈值，可以适当地设定适当值。

应当注意，本技术的实施例并不局限于上面描述的实施例，并且在不脱离本技术的范围的情况下，可以对其进行各种修改。

此外，本技术还可以采用下面的构造。

（1）一种信息处理设备，具有：位置传感器单元，其获取包括时间序列位置数据的最近移动历史；

过去历史数据库，其存储搜索数据；

相似性搜索单元，其从搜索数据中搜索与最近移动历史相似的过去路线；

吻合确定单元，其确定由相似性搜索单元搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及

传感器控制单元，其根据吻合确定单元的确定结果来控制位置传感器单元的位置数据的获取间隔。

（2）在（1）所述的信息处理设备中，当吻合度等于或者大于预定阈值时，传感器控制单元进行控制，使得位置数据的获取间隔比吻合度小于预定阈值时的获取间隔长。

（3）在（1）或者（2）中所述的信息处理设备，还具有出发时间预测单元，其预测出发时间，出发时间是从当前地点出发的时间，并且

当吻合度等于或者大于预定阈值，并且在预定时间之后到达由出发时间预测单元预测的预测出发时间时，传感器控制单元进行控制，使得位置数据的获取间隔比吻合度小于预定阈值时的获取间隔长。

（4）在（3）所述的信息处理设备中，出发时间预测单元将出发时间预测为绝对时间和相对时间之一。

（5）在（1）至（4）中的任何一个所述的信息处理设备中，过去历史数据库存储过去移动历史，以作为搜索数据；并且

相似性搜索单元通过使用过去移动历史与最近移动历史之间的距离作为吻合度来搜索与最近移动历史相似的历史。

（6）在（1）至（5）中的任何一个所述的信息处理设备中，过去历史数据库存储在根据随机转移模型学习过去移动历史时获得的参数，以作为搜索数据，并且

相似性搜索单元通过使用针对最近移动历史计算的随机转移模型的似然性作为吻合度来搜索与最近移动历史相似的历史。

（7）一种信息处理方法，包括在具有存储搜索数据的过去历史数据库的信息处理设备上执行的步骤：

获取包括时间序列位置数据的最近移动历史；

从搜索数据中搜索与最近移动历史相似的过去路线；

确定搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及

根据确定结果控制位置传感器单元的位置数据的获取间隔。

（8）一种程序，使计算机运行为：

相似性搜索单元，其从存储于过去历史数据库中的搜索数据中搜索与由位置传感器单元获取的并且包括时间序列位置数据的最近移动历史相似的过去路线；吻合确定单元，其确定由相似性搜索单元搜索到的过去路线与最近移动历史的吻合度是否等于或者大于预定阈值；以及

传感器控制单元，其根据吻合度确定单元的确定结果控制位置传感器单元的位置数据的获取间隔。

附图标记列表

1预测设备、11位置传感器单元、13过去历史数据库、14相似性搜索单元、15吻合确定单元、16预测路线提取单元、17出发时间预测单元、***值计算单元、19传感器控制单元、20数据库校正单元

Claims (8)

1.一种信息处理设备，包括：

位置传感器单元，其获取包括时间序列位置数据的最近移动历史；

过去历史数据库，其存储搜索数据；

相似性搜索单元，其从所述搜索数据中搜索与所述最近移动历史相似的过去路线；

吻合确定单元，其确定由所述相似性搜索单元搜索到的所述过去路线与所述最近移动历史的吻合度是否等于或者大于预定阈值；以及

传感器控制单元，其根据所述吻合确定单元的确定结果来控制所述位置传感器单元的所述位置数据的获取间隔。

2.根据权利要求1所述的信息处理设备，其中，当所述吻合度等于或者大于所述预定阈值时，所述传感器控制单元进行控制，使得所述位置数据的获取间隔比所述吻合度小于所述预定阈值时的获取间隔长。

3.根据权利要求1所述的信息处理设备，还包括出发时间预测单元，其预测出发时间，所述出发时间是从当前地点出发的时间，

其中，当所述吻合度等于或者大于所述预定阈值，并且在预定时间之后到达由所述出发时间预测单元预测的预测出发时间时，所述传感器控制单元进行控制，使得所述位置数据的获取间隔比吻合度小于所述预定阈值时的获取间隔长。

4.根据权利要求3所述的信息处理设备，其中，所述出发时间预测单元将所述出发时间预测为绝对时间和相对时间之一。

5.根据权利要求1所述的信息处理设备，其中，

所述过去历史数据库存储过去移动历史，以作为所述搜索数据；并且

所述相似性搜索单元通过使用所述过去移动历史与所述最近移动历史之间的距离作为所述吻合度来搜索与所述最近移动历史相似的历史。

6.根据权利要求1所述的信息处理设备，其中，

所述过去历史数据库存储在根据随机转移模型学习过去移动历史时获得的参数，以作为所述搜索数据，并且

所述相似性搜索单元通过使用针对所述最近移动历史计算的所述随机转移模型的似然性作为所述吻合度来搜索与所述最近移动历史相似的历史。

7.一种信息处理方法，包括在包括存储搜索数据的过去历史数据库的信息处理设备上执行的步骤：

获取包括时间序列位置数据的最近移动历史；

从所述搜索数据中搜索与所述最近移动历史相似的过去路线；

确定所述搜索到的过去路线与所述最近移动历史的吻合度是否等于或者大于预定阈值；以及

根据确定结果控制所述位置传感器单元的所述位置数据的获取间隔。

8.一种程序，使计算机运行为：

相似性搜索单元，其从存储于过去历史数据库中的搜索数据中搜索与由位置传感器单元获取的并且包括时间序列位置数据的最近移动历史相似的过去路线；

吻合确定单元，其确定由所述相似性搜索单元搜索到的所述过去路线与所述最近移动历史的吻合度是否等于或者大于预定阈值；以及

传感器控制单元，其根据所述吻合度确定单元的确定结果控制所述位置传感器单元的位置数据的获取间隔。

Images