JP2015014878A - Stay estimation device and stay estimation method - Google Patents
Stay estimation device and stay estimation method Download PDFInfo
- Publication number
- JP2015014878A JP2015014878A JP2013140812A JP2013140812A JP2015014878A JP 2015014878 A JP2015014878 A JP 2015014878A JP 2013140812 A JP2013140812 A JP 2013140812A JP 2013140812 A JP2013140812 A JP 2013140812A JP 2015014878 A JP2015014878 A JP 2015014878A
- Authority
- JP
- Japan
- Prior art keywords
- stay
- user
- prediction model
- movement prediction
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Navigation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、ユーザが滞在する場所の推定を行う技術に関する。 The present invention relates to a technique for estimating a place where a user stays.
GPSや基地局情報に基づく位置情報の取得が可能なスマートフォンなどの端末装置の普及、及び、地図アプリケーションの普及に伴い、ユーザの位置情報を活用するサービスが広く用いられるようになっている。例えば、ユーザの場所や通勤経路に応じて情報を提供するサービスが存在する。 With the spread of terminal devices such as smartphones that can acquire position information based on GPS and base station information and the spread of map applications, services that utilize user position information are widely used. For example, there are services that provide information according to the location of the user and the commuting route.
場所に応じて情報提供を行う技術においては、ある場所に到着して滞在を開始した契機に情報を提示することが効果的であると考えられる。そのため、滞在点を抽出する技術が開発されている。例えば、非特許文献1では、指定した半径内のエリアに指定した滞在時間の移動履歴が含まれる場合に、そのエリアの中心を滞在点として抽出する技術が開示されている。この滞在点抽出技術を利用することにより、ユーザがある場所に滞在した際に、滞在を開始したことを検出して、その滞在場所に関する情報の収集や提示を行うことができる。
In the technology of providing information according to a place, it is considered effective to present information when the person arrives at a certain place and starts a stay. Therefore, techniques for extracting stay points have been developed. For example, Non-Patent
また、ユーザが初めて訪れる場所においては、当該ユーザがよく訪れる場所と比較して、当該場所についての情報提示の必要性が高いと考えられる。そのため、移動履歴やスケジューラに登録された情報に基づいて、将来訪れる場所を予測する技術が開発されている。例えば、特許文献1では携帯端末に搭載されたGPSによりユーザのよく訪れるエリアを記録し、このエリア情報を基にして、ユーザに対して情報提供を行うことが開示されている。また、特許文献2では、移動履歴とスケジューラに登録された情報に基づいて、将来の移動先を予測して、その場所に応じた情報を提供する技術が開示されている。さらに、特許文献3では、他の複数のユーザの経路履歴を用いて、移動先を予測する技術が開示されている。
In addition, it is considered that there is a higher necessity for presenting information about a place where the user visits for the first time than a place where the user often visits. Therefore, a technique for predicting a place to visit in the future based on movement history and information registered in the scheduler has been developed. For example,
しかし上記非特許文献1および特許文献1、2、3に開示された技術では、以下の問題が生じる。
第一の問題として、非特許文献1に記載された滞在点抽出技術では、滞在の開始を低省電力かつ短時間で検出することができない。位置情報には測位誤差が含まれるため、抽出するサンプル数を十分に取得するためには、高頻度での測位が必要となる。しかしながら、この方法では、任意の時間と場所で滞在の開始を抽出しようとすると、常に高頻度な測位を実施する必要があり、結果として消費電力が増大する問題がある。
However, the techniques disclosed in
As a first problem, with the stay point extraction technique described in
第二の問題として、特許文献1および2に開示された移動予測技術では、移動履歴が存在しない未訪問の場所であって、スケジューラにも移動先を特定できる情報が登録されていない場合には、初めて訪れる場所の予測を行うことができない。また特許文献3に開示された移動予測技術では、他の複数のユーザの経路履歴を参考にして、移動先の予測を行う。しかし、利用する経路は予想する対象のユーザと、前記他の複数のユーザの関連性を考慮せずに選ばれるため、精度が低い。
As a second problem, the movement prediction techniques disclosed in
本発明は、第一に、少ない消費電力かつ高速に滞在の開始を検知することを課題とする。第二に、ユーザが訪問したことのない場所について、スケジューラに予定が登録されていなくても、より高い精度で移動先を予測することを課題とする。 A first object of the present invention is to detect the start of stay at low speed with low power consumption. Secondly, it is an object to predict a destination with higher accuracy even if a schedule is not registered in the scheduler for a place where the user has not visited.
本発明に係る滞在推定装置は、ユーザの位置情報を取得する位置情報取得部と、ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、滞在点を抽出するパラメータと前記位置情報の取得頻度を保存する滞在点抽出パラメータ保存部と、ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、前記位置情報と、前記移動予測モデルに含まれる滞在点との位置関係に基づいて、前記位置情報の取得頻度を更新する滞在点抽出パラメータ更新部と、を備えることを特徴とする。 The stay estimation apparatus according to the present invention uses a location information acquisition unit that acquires user location information, and a stay point using parameters including a stay time threshold value and a travel distance threshold value based on a history of user location information. A stay point extraction unit for extracting the stay point, a parameter for extracting the stay point, a stay point extraction parameter storage unit for storing the acquisition frequency of the position information, and a movement prediction between the stay points based on a user's stay point movement history A movement prediction model creation unit for creating a model; a stay point extraction parameter update unit for updating the acquisition frequency of the position information based on a positional relationship between the position information and a stay point included in the movement prediction model; It is characterized by providing.
本発明に係る滞在推定装置は、ユーザの位置情報を取得する位置情報取得部と、前記ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、前記ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、他のユーザの移動予測モデルを取得する移動予測モデル取得部と、他のユーザとの時間を考慮した行動の類似性を判定する行動類似度判定部と、行動類似度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する移動予測モデル更新部と、を備えることを特徴とする。 The stay estimation device according to the present invention uses a location information acquisition unit that acquires user location information and a parameter that includes a stay time threshold and a travel distance threshold based on a history of the user location information. A stay point extraction unit that extracts points, a movement prediction model creation unit that creates a movement prediction model between stay points based on a movement history of the user's stay point, and a movement that acquires a movement prediction model of another user Movement using a prediction model acquisition unit, a behavior similarity determination unit that determines similarity of behavior in consideration of time with other users, and a movement prediction model of another user whose behavior similarity is equal to or greater than a predetermined threshold A movement prediction model updating unit for updating the prediction model.
本発明に係る滞在推定装置は、一のユーザの位置情報を取得する位置情報取得部と、前記一のユーザと他のユーザとの通信行動履歴を管理する通信行動履歴管理部と、前記一のユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、前記一のユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、他のユーザの移動予測モデルを取得する移動予測モデル取得部と、前記通信行動履歴に基づいて他のユーザとの親密度を算出する親密度算出部と、親密度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する移動予測モデル更新部と、を備えることを特徴とする。 The stay estimation apparatus according to the present invention includes a location information acquisition unit that acquires location information of one user, a communication behavior history management unit that manages a communication behavior history between the one user and another user, and the one Based on a history of the user's location information, a stay point extraction unit that extracts a stay point using parameters including a threshold of stay time and a threshold of travel distance, and based on the travel history of the one user's stay point A movement prediction model creation unit that creates a movement prediction model between stay points, a movement prediction model acquisition unit that acquires a movement prediction model of another user, and the familiarity with other users based on the communication behavior history It is characterized by comprising: a familiarity calculating unit for calculating; and a movement prediction model updating unit for updating a movement prediction model using a movement prediction model of another user whose familiarity is equal to or greater than a predetermined threshold.
本発明に係る滞在推定方法は、ユーザの位置情報を取得し、ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出し、滞在点を抽出するパラメータと前記位置情報の取得頻度を保存し、ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成し、前記位置情報と、前記移動予測モデルに含まれる滞在点との位置関係に基づいて、前記位置情報の取得頻度を更新する、ことを特徴とする。 The stay estimation method according to the present invention acquires location information of a user, extracts a stay point using parameters including a threshold of stay time and a threshold of travel distance based on the history of the location information of the user, A parameter for extracting points and the acquisition frequency of the position information are stored, and a movement prediction model between stay points is created based on the movement history of the user's stay points, and is included in the position information and the movement prediction model The frequency of acquiring the position information is updated based on the positional relationship with the stay point.
本発明によれば、ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する。したがって、高精度で滞在点の抽出が可能となる。また、本発明は、滞在点間の移動予測モデルを作成することにより、移動先の滞在点を予測し、予測した滞在点とユーザの位置情報との位置関係に基づいて位置情報の取得頻度が更新される。したがって、ユーザの位置情報が示す地点が予測した滞在点から離れている場合には、低い頻度で位置情報の取得を行って省電力化を図ることができる。また、ユーザの位置情報が示す地点が予測した滞在点に近づいた場合には、高い頻度で情報の取得を行って、高速に滞在点を抽出することができる。 According to the present invention, a stay point is extracted using parameters including a stay time threshold value and a movement distance threshold value based on a history of user location information. Therefore, the stay point can be extracted with high accuracy. Further, the present invention predicts a destination stay point by creating a movement prediction model between stay points, and the position information acquisition frequency is based on the positional relationship between the predicted stay point and the user's position information. Updated. Therefore, when the point indicated by the user's position information is far from the predicted stay point, the position information can be acquired at a low frequency to save power. In addition, when the point indicated by the user's position information approaches the predicted stay point, the information can be acquired at a high frequency and the stay point can be extracted at high speed.
また、本発明によれば、他のユーザとの時間を考慮した行動の類似性を判定し、行動類似度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する。さらに、本発明によれば、通信行動履歴に基づいて他のユーザとの親密度を算出し、親密度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する。したがって、行動類似度または親密度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新するので、前記ユーザが訪れたことのない場所を訪問した場合でも、高い頻度で情報の取得を行って、高速に滞在点を予想することができる。 In addition, according to the present invention, the similarity of behavior is determined in consideration of time with other users, and the motion prediction model is updated using the motion prediction model of another user whose behavior similarity is equal to or greater than a predetermined threshold. To do. Furthermore, according to the present invention, the familiarity with another user is calculated based on the communication behavior history, and the movement prediction model is updated using the movement prediction model of another user whose familiarity is equal to or greater than a predetermined threshold. . Accordingly, since the movement prediction model is updated using the movement prediction model of another user whose behavioral similarity or intimacy is a predetermined threshold or more, even when the user has visited a place where the user has never visited, the frequency is high. It is possible to obtain a stay point at high speed by acquiring information.
以下、添付の図面を参照しながら本発明に係る様々な実施の形態を説明する。 Hereinafter, various embodiments according to the present invention will be described with reference to the accompanying drawings.
<第1実施形態>
1.無線通信システムの構成
図1は、本発明の第1実施形態に係る無線通信システム1のブロック図である。無線通信システム1は、滞在推定装置10とネットワークNWとを備える。滞在推定装置10は、携帯電話やスマートフォン、タブレット端末、PCなどの移動通信端末であり、ユーザに対して、ユーザが自発的に操作せずとも情報の提供及び表示を行う。ネットワークNWは、基地局20と、交換局30と、ゲートウェイ40とをノードとして備える。滞在推定装置10は、基地局20と無線で接続する。基地局20は、交換局30およびゲートウェイ40と有線で接続される。なお、ネットワークNW内のノード同士が無線で接続される構成も採用可能である。ネットワークNWは、ゲートウェイ40を接続点として、外部ネットワークであるインターネットINに接続される。図1をはじめ、本実施形態では便宜的に1つの滞在推定装置10、1つの基地局20、1つの交換局30、1つのゲートウェイ40のみが例示されるが、無線通信システム1が、複数の滞在推装置10、複数の基地局20、複数の交換局30、および複数のゲートウェイ40を含み得ることは当然に理解される。
<First Embodiment>
1. Configuration of Radio Communication System FIG. 1 is a block diagram of a
無線通信システム1内の各要素は、所定のアクセス技術(Access Technology)、例えば3GPP規格(Third Generation Partnership Project)に規定されるLTE/SAE(Long Term Evolution / System Architecture Evolution)に従って通信を実行する。本実施形態では、無線通信システム1がLTE/SAEに従って動作する形態を例示して説明するが、本発明の技術的範囲を限定する趣旨ではない。本発明は、必要な設計上の変更を施した上で、他のアクセス技術にも適用可能である。なお、ユーザ装置10と基地局20との間の無線通信の方式は任意である。例えば、下りリンクではOFDMA(Orthogonal Frequency Division Multiple Access)が採用され得、上りリンクではSC−FDMA(Single-Carrier Frequency Division Multiple Access)が採用され得る。
Each element in the
2.滞在推定装置の構成
図2は、第1実施形態の滞在推定装置10の構成を示すブロック図である。滞在推定装置10は、無線通信部110と、入出力部120と、記憶部130と、位置情報取得部140と、滞在点抽出部150と、移動予測モデル作成部160と、滞在点抽出パラメータ更新部170と、滞在点抽出パラメータ保存部180とを備える。
2. Configuration of Stay Estimation Device FIG. 2 is a block diagram illustrating a configuration of the
無線通信部110は、基地局20と無線通信を実行するための要素であり、送受信アンテナと、基地局20から電波を受信して電気信号に変換する変換回路と、音声信号等の電気信号を電波に変換して送信する送信回路とを含む。
The
入出力部120は、タッチパネル、キーパッド、キーボード等からのデータの入力及びディスプレイやスピーカなどへのデータの出力を行うモジュールである。記憶部130は、フラッシュROM、HDD(Hard Disc Drive)、SSD(Solid State Drive)などの記憶装置である。記憶部130には、後述する各種のテーブルが記憶される。
The input /
位置情報取得部140は、GPS、基地局20からの情報、あるいは無線LANなどを用いて、滞在推定装置10を使用するユーザの現在の位置情報を取得するモジュールである。位置情報取得部140によって取得された位置情報は、位置情報テーブルTBL1に記憶される。位置情報取得部140による位置情報の取得頻度は、滞在点抽出部150から指示により、低頻度と高頻度のいずれかに切り換え可能となっており、初期状態においては低頻度に設定されている。
The location
図3に位置情報テーブルTBL1の一例を示す。図3に示す例では、位置情報テーブルTBL1には、位置情報を識別する識別情報である位置情報ID、位置情報取得部140によって取得された位置情報である緯度及び経度、並びに当該位置情報が取得された時刻が記憶される。
FIG. 3 shows an example of the position information table TBL1. In the example illustrated in FIG. 3, the position information table TBL1 acquires position information ID that is identification information for identifying position information, latitude and longitude that are position information acquired by the position
滞在点抽出部150は、位置情報テーブルTBL1に記憶された位置情報に基づいて、ユーザが滞在した滞在点を抽出するモジュールである。滞在点抽出部150は、滞在点抽出パラメータ保存部180から滞在点を抽出するための滞在時間の閾値及び距離の閾値を示すパラメータを読み出し、当該パラメータを用いて示される条件に合致する複数の位置情報から、滞在点を抽出する。滞在点の具体的な抽出方法については後述する。また、滞在点抽出部150は、滞在点抽出パラメータ保存部180から、位置情報取得部140による位置情報の取得頻度を読み出し、当該取得頻度を位置情報取得部140に指示する。
The stay
移動予測モデル作成部160は、滞在点間の遷移確率を算出して、滞在点の移動予測モデルを作成するモジュールである。本実施形態では、一例として、移動予測モデルの作成にはマルコフモデルを用いるが、ダイナミックベイジアンネットワークを用いてもよい。なお、移動予測モデルの作成の具体例については後述する。
The movement prediction
滞在点抽出パラメータ更新部170は、現在の位置情報と、滞在点の移動予測モデルとに基づいて、位置情報取得部140による位置情報の取得頻度を更新するモジュールである。なお、位置情報の取得頻度を更新は、一例として、閾値以上の確率で移動すると予測された滞在点と、現在の位置情報が示す地点との距離に応じて行う。
The stay point extraction
滞在点抽出パラメータ保存部180は、滞在点抽出部150が滞在点を抽出するために用いる滞在時間の閾値及び距離の閾値を示すパラメータと、位置情報取得部140の位置情報の取得頻度を保存するモジュールである。これらのパラメータのうち、位置情報の取得頻度は、滞在点抽出パラメータ170によって更新される。
The stay point extraction
位置情報取得部140、滞在点抽出部150、移動予測モデル作成部160、滞在点抽出パラメータ更新部170、及び滞在点抽出パラメータ保存部180は、滞在推定装置10の図示しないCPU(central processing unit)がコンピュータプログラムを実行し、そのコンピュータプログラムに従って機能することによって実現される機能ブロックである。
The location
3.滞在推定装置の動作
3(1).滞在点抽出処理
図4は、位置情報取得部140によって取得された位置情報が示す各地点(P1からP11まで)と、滞在点(S1、S2)との関係を示す図である。図4に示す各地点の符号P1からP11は、位置情報テーブルTBL1に記憶される位置情報IDに対応している。滞在点抽出部150によって抽出された滞在点は、図5に示す滞在点テーブルTBL2に記憶される。図5に示すように、滞在点テーブルTBL2には、滞在点を識別する滞在点IDと、当該滞在点の緯度及び経度が記憶される。
3. Operation of stay estimation device 3 (1). Stay Point Extraction Processing FIG. 4 is a diagram showing the relationship between each point (P1 to P11) indicated by the position information acquired by the position
滞在点抽出部150は、滞在点抽出パラメータ保存部180から、滞在時間の閾値Trと、距離の閾値Drとを読み出す。次に、滞在点抽出部150は、現在の位置情報が示す地点、例えば図4に示す地点P2が、滞在点テーブルTBL2に記憶された滞在点S1を中心として、距離の閾値Drを直径とする円の領域内に属する場合には、当該滞在点S1を暫定的な滞在点とする。そして、滞在点抽出部150は、次の位置情報以降の位置情報が示す地点、例えば図4に示す地点P3、P4等が、滞在点S1を中心として、距離の閾値Drを直径とする円の領域内に属し、かつ、地点P2の位置情報が取得された時刻から地点P3、P4の位置情報が取得された時刻までの時間間隔が滞在時間の閾値Trを超える場合に、滞在点S1を現在の滞在点として抽出する。
The stay
しかし、現在の位置情報が示す地点が、滞在点テーブルTBL2に記憶された滞在点を中心として、距離の閾値Drを直径とする円の領域内に属さない場合には、滞在点抽出部150は、以下のようにして新たな滞在点を抽出して滞在点テーブルTBL2に記憶させる。まず、滞在点抽出部150は、滞在点抽出パラメータ保存部180から、滞在時間の閾値Trと、距離の閾値Drとを読み出す。滞在点抽出部150は、位置情報テーブルTBL1に記憶された位置情報が示す地点、例えば図4に示す地点P6に着目し、当該地点P6の位置情報が取得された時刻と、地点P7を示す次の位置情報が取得された時刻との時間間隔を算出する。その結果、滞在点抽出部150は、当該時間間隔が閾値Trに満たない場合には、地点P6を示す位置情報を滞在点の抽出処理の対象とはせずに、次の地点P7を示す位置情報に着目する。滞在点抽出部150は、地点P7を示す位置情報が取得された時刻と、次の地点P8を示す位置情報が取得された時刻との時間間隔を算出する。滞在点抽出部150は、当該時間間隔が閾値Tr以上である場合には、地点P7から地点P8までの距離を算出する。滞在点抽出部150は、当該距離が距離の閾値Dr以内である場合には、地点P7と地点P8とを滞在点の抽出処理の対象とする。
However, when the point indicated by the current position information does not belong to a circle region having a diameter of the threshold value Dr of the distance centered on the stay point stored in the stay point table TBL2, the stay point extracting unit 150 A new stay point is extracted as follows and stored in the stay point table TBL2. First, the stay
滞在点抽出部150は、これ以降の地点P9、P10についても地点P7からの距離を算出し、当該距離が距離の閾値Dr以内である場合には、地点P9、P10を滞在点の抽出処理の対象とする。しかし、滞在点抽出部150は、図4に示す地点P11のように、地点P7からの距離が距離の閾値Drを超える場合には、それまでに抽出処理の対象として選んだ地点P7、P8、P9、P10に基づいて、滞在点の抽出処理を行う。滞在点抽出部150は、地点P7、P8、P9、P10の緯度の平均と、経度の平均とを算出し、算出した緯度と経度によって示される地点を新たな滞在点S2として滞在点テーブルTBL2に記憶させる。
The stay
以上のように滞在点抽出部150によって抽出された滞在点は、滞在点テーブルTBL2に記憶されるだけでなく、図6に示す滞在点移動履歴テーブルTBL3に記憶される。滞在点移動履歴テーブルTBL3には、滞在点が移動順序に従って記憶される。例えば、図4に示すように、滞在点S1から滞在点S2に移動した場合には、滞在点移動履歴テーブルTBL3には、滞在点S1、滞在点S2という順序で記憶される。
The stay points extracted by the stay
また、滞在点抽出部150は、該当する滞在点が存在しないと判断した場合、つまり、現在の位置情報が示す地点がいずれの滞在点にも属していないと判断した場合には、その旨を現在の滞在点情報として記憶部130に記憶させる。
In addition, when the stay
3(2).移動予測モデル作成処理
本実施形態においては、滞在点抽出部150によって現在の滞在点が抽出された場合には、移動予測モデル作成部160は、マルコフモデルを用いて滞在点の移動予測モデルを作成する。移動予測モデル作成部160は、現在の滞在点から、滞在点テーブルTBL2に記憶された他の全ての滞在点に遷移する確率を算出する。
3 (2). Movement Prediction Model Creation Processing In this embodiment, when the current stay point is extracted by the stay
例えば、現在の滞在点が滞在点S1の場合に、滞在点S1から滞在点S2に遷移する確率を算出するには、滞在点抽出部150は、まず、滞在点移動履歴テーブルTBL3に記憶された全移動履歴の中で、滞在点S1を訪れたことを示す移動履歴数n(S1)を算出する。次に、滞在点抽出部150は、滞在点移動履歴テーブルTBL3に記憶された全移動履歴の中で、滞在点S1の後に滞在点S2を訪れたことを示す移動履歴数n(S1,S2)を算出する。そして、滞在点抽出部150は、移動履歴数n(S1,S2)を移動履歴数n(S1)で除して滞在点S1から滞在点S2に遷移する遷移確率を算出する。
For example, in the case where the current stay point is the stay point S1, in order to calculate the probability of transition from the stay point S1 to the stay point S2, the stay
滞在点抽出部150は、以上のような遷移確率の算出を、全ての滞在点について行い、算出した遷移確率の値が所定の閾値以上となる滞在点の組み合わせを選び、当該組み合わせに含まれる滞在点を移動予想滞在点として抽出する。抽出された移動予想滞在点は、記憶部130に記憶される。
The stay
なお、初めて訪れた場所においては、過去の滞在点が存在しないため、移動予想滞在点を抽出できない。この場合には、該当データなしとして記憶部130に記憶させる。
In addition, in the place visited for the first time, since a past stay point does not exist, a movement expected stay point cannot be extracted. In this case, it is stored in the
3(3).滞在点抽出パラメータ更新処理
本実施形態では、現在の位置情報が示す地点と、移動予想滞在点との距離が所定の閾値以内になった場合には、滞在点抽出パラメータ更新部170により、位置情報取得部140による位置情報の取得頻度を、低頻度から高頻度に更新する滞在点抽出パラメータ更新処理を行う。滞在点抽出パラメータ更新部170は、位置情報テーブルTBL1から現在の位置情報を読み取ると共に、記憶部13に記憶された移動予想滞在点の位置情報とを読み取る。滞在点抽出パラメータ更新部170は、現在の位置情報が示す地点と、それぞれの移動予想滞在点との距離を算出し、算出した距離が所定の閾値以内になった場合には、位置情報取得部140による位置情報の取得頻度を、低頻度から高頻度に更新する。具体的には、滞在点抽出パラメータ更新部170は、滞在点抽出パラメータ保存部180に保存されている位置情報取得部140による位置情報の取得頻度を低頻度から高頻度に更新する。滞在点抽出部150は、滞在点抽出パラメータ保存部180に保存されたパラメータを読み取り、上述した滞在点の抽出処理を行う。この際、滞在点抽出部150は、位置情報取得部140による位置情報の取得頻度が更新された場合には、当該取得頻度を位置情報取得部140に指示する。つまり、本実施形態では、ユーザの位置と移動予測滞在点との距離が所定の閾値以内になった場合に、位置情報の取得頻度が高頻度に更新されるので、ユーザの位置が移動予測滞在点に近づいた際には、高頻度での位置情報の取得が行われる。その結果、滞在点抽出部150は、高頻度で取得された十分な数の位置情報に基づいて上述した滞在点の抽出処理を行うことになるので、高速に滞在点を抽出することができる。
3 (3). Stay Point Extraction Parameter Update Processing In this embodiment, when the distance between the point indicated by the current position information and the expected movement stay point is within a predetermined threshold, the stay point extraction
一方、滞在点抽出パラメータ更新部170は、現在の位置情報が示す地点と、移動予想滞在点との距離が所定の閾値を超える場合には、上記位置情報の取得頻度の低頻度から高頻度への更新は行わない。また、滞在点抽出パラメータ更新部170は、上記位置情報の取得頻度を高頻度に更新した後に、現在の位置情報が示す地点が、滞在点から移動したと判断した場合、つまり、現在の位置情報が示す地点がいずれの滞在点からも所定の閾値を超える距離の位置にあると判断した場合には、上記位置情報の取得頻度を高頻度から低頻度へ更新する。なお、現在の位置情報が示す地点がいずれかの滞在点に属しているかの情報は、上述したように現在の滞在点情報として記憶部130に記憶されている。
On the other hand, when the distance between the point indicated by the current position information and the predicted movement stay point exceeds a predetermined threshold, the stay point extraction
以上のように、本実施形態によれば、現在の位置情報が示す地点が、移動予想滞在点から離れている場合、あるいは、現在の位置情報が示す地点がいずれかの滞在点から移動した場合には、位置情報取得部140による位置情報の取得は、低頻度で行われるので、消費電力を増大させることがない。
As described above, according to the present embodiment, when the point indicated by the current position information is away from the predicted staying point, or when the point indicated by the current position information has moved from any staying point. In this case, the acquisition of the position information by the position
3(4).滞在推定装置の全体的動作
図7は本発明の第1実施形態にかかる滞在推定装置10の動作を示すシーケンス図である。図7に基づいて、滞在推定装置10の全体的動作について説明する。位置情報取得部140は、所定の頻度で位置情報を取得し(ステップS100)、記憶部130に対して、取得した位置情報の書込み要求を送る(ステップS101)。記憶部130は、この書込み要求に応じて、前記位置情報を位置情報テーブルTBL1に記憶させる(ステップS102)。図7においては、便宜上、位置情報取得部140による位置情報の取得処理(ステップS100)と記憶部130への書込み処理(ステップS101)を一度しか示していないが、これらの処理は、他の構成部の処理と並行して前記取得頻度で繰り返し行われる。
3 (4). Overall Operation of Stay Estimation Device FIG. 7 is a sequence diagram showing the operation of the
滞在点抽出部150は、滞在抽出パラメータ保存部180に対して、滞在時間の閾値Trと、距離の閾値Drと、位置情報の取得頻度とを含むパラメータの取得要求を送る(S103)。滞在点抽出パラメータ保存部180は、前記取得要求に応じて、現在保存されている滞在時間の閾値Trと、距離の閾値Drと、位置情報の取得頻度とを含むパラメータを滞在点抽出部150に出力する(ステップS104)。滞在点抽出部150は、記憶部130に対して、位置情報の取得要求を送る(ステップS105)。記憶部130は、前記取得要求に応じて、記憶部130に記憶されている位置情報を滞在点抽出部150に出力する(ステップS106)。図7においては、便宜上、前記取得要求の処理(ステップS105)と位置情報の出力処理(ステップS106)を一度しか示していないが、これらの処理は繰り返し行われる。滞在点抽出部150は、取得した滞在時間の閾値Trと距離の閾値Drとに基づいて、上述した滞在点抽出処理を行う(ステップS107)。滞在点が抽出された場合には、滞在点抽出部150は、記憶部130に対して、滞在点の書込み要求を送る(ステップS108)。記憶部130は、前記書込み要求に応じて、滞在点を滞在点テーブルTBL2に記憶させる(ステップS109)。図7においては、便宜上、前記滞在点の抽出処理(ステップS107)と滞在点の書込み処理(ステップS108)を一度しか示していないが、これらの処理は繰り返し行われる。
The stay
移動予測モデル作成部160は、記憶部130に対して、滞在点移動履歴テーブルTBL3に記憶された滞在点の移動履歴の取得要求を送る(ステップS110)。記憶部130は、前記取得要求に応じて、滞在点移動履歴テーブルTBL3に記憶された滞在点の移動履歴を移動予測モデル作成部160に対して出力する(ステップS111)。移動予測モデル作成部160は、取得した滞在点の移動履歴に基づいて、上述した移動予測モデルの作成処理を行う(ステップS112)。移動予測モデルが作成された場合には、移動予測モデル作成部160は、記憶部130に対して移動予測モデルの書込み要求を送る(ステップS113)。記憶部130は、前記書込み要求に応じて、移動予測モデルとして作成された移動予想滞在点を記憶する(ステップS114)。
The movement prediction
滞在点抽出パラメータ更新部170は、記憶部130に対して、位置情報テーブルTBL1に記憶された現在の位置情報と、記憶部130に記憶された移動予想滞在点との取得要求を送る(ステップS115)。記憶部130は、前記取得要求に応じて、現在の位置情報と移動予想滞在点とを滞在点抽出パラメータ更新部170に出力する。滞在点抽出パラメータ更新部170は、取得した現在の位置情報が示す地点と、移動予想滞在点との距離を算出する(ステップS117)。滞在点抽出パラメータ更新部170は、滞在点抽出パラメータ保存部180に対して、算出した前記距離に応じて、位置情報の取得頻度の更新要求を送る(ステップS118)。滞在点抽出パラメータ保存部180は、前記更新要求に応じて、位置情報の取得頻度を更新する(ステップS119)。具体的には、滞在点抽出パラメータ保存部180は、前記算出した距離が所定の閾値以内になった場合の更新要求に対しては、位置情報の取得頻度を低頻度から高頻度に更新する。また、滞在点抽出パラメータ保存部180は、現在の位置情報の取得頻度が高頻度の場合には、高頻度をそのまま維持する。滞在点抽出パラメータ保存部180は、前記算出した距離が所定の閾値を超えている場合の更新要求に対しては、位置情報の取得頻度を、低頻度のままで維持するか、あるいは、高頻度から低頻度に更新する。さらに、現在の位置情報が示す地点がいずれかの滞在点から移動した場合の更新要求に対しては、滞在点抽出パラメータ保存部180は、位置情報の取得頻度を、低頻度のままで維持するか、あるいは、高頻度から低頻度に更新する。
The stay point extraction
滞在点抽出部150は、上述したように、パラメータとしての位置情報の取得頻度の取得要求処理(ステップS103)と、パラメータの取得処理(S104)とを繰り返す。したがって、滞在点抽出部150は、滞在点抽出パラメータ保存部180において位置情報の取得頻度の更新処理(ステップS119)が行われた後に、前記パラメータの取得要求処理(ステップS103)とパラメータの取得処理(S104)とを行った場合には、位置情報の取得頻度がそれまでの頻度と異なる頻度に更新されたことを判断することができる。滞在点抽出部150は、位置情報の取得頻度がそれまでの頻度と異なる頻度に更新されたと判断した場合には、位置情報取得部140に対して位置情報の取得頻度の更新要求を送る(ステップS120)。位置情報取得部140は、前記更新要求に応じて位置情報の取得頻度を更新する(ステップS121)。したがって、現在の位置情報が示す地点が移動予想滞在点に近づき、位置情報の取得頻度が高頻度に更新された場合には、位置情報取得部140は高頻度で位置情報の取得を行い(ステップS100)、滞在点抽出部150は、十分な数の位置情報に基づいて滞在点抽出処理を行う(ステップS107)。その結果、滞在点の抽出が高速に行われることになる。また、現在の位置情報が示す地点が移動予想滞在点から離れており、位置情報の取得頻度が低頻度に更新された場合には、位置情報取得部140は低頻度で位置情報の取得を行い(ステップS100)、滞在点抽出部150は、低頻度で取得された位置情報に基づいて滞在点抽出処理を行う(ステップS107)。その結果、消費電力の増大が抑えられる。
As described above, the stay
<第2実施形態>
本発明の第2実施形態を図8乃至図14を参照して説明する。第1実施形態においては、滞在推定装置10のユーザの移動予測モデルのみに基づいて、次に移動すると予想される移動予想滞在点を求めた。しかし、本実施形態では、前記ユーザの移動予測モデルと、他のユーザの移動予測モデルとを統合し、統合した移動予測モデルに基づいて移動予想滞在点を求める。
Second Embodiment
A second embodiment of the present invention will be described with reference to FIGS. In the first embodiment, based on the user's movement prediction model of the
1.無線通信システムの構成
1(1).サーバの構成
図8は、本発明の第2実施形態に係る無線通信システムに用いられるサーバ50のブロック図である。第1実施形態で説明した無線通信システム1では、ゲートウェイ40を接続点としてインターネットINに接続されるが、サーバ50は当該インターネットINを介して、滞在推定装置10との通信が可能に構成されている。
1. Configuration 1 (1) of wireless communication system. Server Configuration FIG. 8 is a block diagram of a
サーバ50は、図8に示すように、制御部300、通信部310、移動予測モデル更新部320、行動類似度判定部330、及び記憶部340を備える。制御部300は、サーバ50全体を制御するモジュールであり、サーバ50の図示しないCPU(central processing unit)がコンピュータプログラムを実行し、そのコンピュータプログラムに従って機能することによって実現される機能ブロックである。
As illustrated in FIG. 8, the
通信部310は、インターネットINを介して、当該インターネットINに接続された他の装置等との通信を実行するためのモジュールである。
The
記憶部340は、HDD(Hard Disc Drive)等の記憶装置であり、移動予測モデルテーブルTBL5及び滞在点移動履歴テーブルTBL6が記憶されている。移動予測モデルテーブルTBL5には、本実施形態の無線通信システムを利用する複数のユーザの移動予測モデルが蓄積されている。図11に示すように、移動予測モデルテーブルTBL5には、各ユーザを識別するユーザIDと、各ユーザの過去に作成された移動予測モデルとしての移動予想滞在点と、各ユーザの移動予想滞在点の遷移確率とが記憶される。滞在点移動履歴テーブルTBL6には、前記複数のユーザの滞在点の移動履歴が蓄積されている。図12に示すように、滞在点移動履歴テーブルTBL6には、各ユーザを識別するユーザIDと、各ユーザが滞在した滞在点が移動順序に従って記憶される。また、滞在点移動履歴テーブルTBL6には、各滞在点に到着した時刻についても記憶される。
The
移動予測モデル更新部320は、滞在推定装置10のユーザの移動予測モデルを、他のユーザの移動予測モデルを用いて更新するモジュールである。なお、更新の際には、移動予測モデル間の類似度等に応じて重み付けを行ってもよい。
The movement prediction
行動類似度判定部330は、滞在推定装置10のユーザと、他のユーザとの類似度を計算するモジュールである。なお、本実施形態では、ユーザ間の類似度は、同一の滞在点に同一の時間帯に到着した回数、または、同一の時間帯に到着した同一の滞在点の個数に基づいて判断している。
The behavior
1(2).滞在推定装置の構成
図9は、本発明の第2実施形態に係る滞在推定装置10のブロック図である。本実施形態の滞在推定装置10は、滞在点抽出パラメータ更新部170と、滞在点抽出パラメータ保存部180とを備えていないところが第1実施形態の滞在推定装置10と異なる。また、本実施形態の滞在推定装置10は、移動予測モデル取得部200を備えているところが第1実施形態の滞在推定装置10と異なる。以下、第1実施形態との共通箇所については説明を省略し、本実施形態に特有の構成についてのみ説明する。
1 (2). Configuration of Stay Estimation Device FIG. 9 is a block diagram of a
移動予測モデル取得部200は、サーバ50から他のユーザの移動予測モデルを含めて更新された移動予測モデルを取得するモジュールである。
The movement prediction
2.滞在推定装置及びサーバの動作
2(1).移動予測モデル作成処理
滞在点抽出部150は、第1実施形態と同様に、位置情報が示す地点の平均を算出することにより、滞在点を抽出する滞在点抽出処理を行う。また、移動予測モデル作成部160も、第1実施形態と同様に、ある滞在点から予想滞在点への遷移確率を算出することにより移動予測モデルを作成する処理を行い、移動予測モデルテーブルTBL4として記憶部130に記憶させる。図10に移動予測モデルテーブルTBL4の例を示す。図10に示すように、移動予測モデルテーブルTBL4には、移動予測モデルID、起点となる滞在点のID、予想滞在点のID、及び遷移確率が記憶される。
2. Operation of stay estimation device and server 2 (1). Movement Prediction Model Creation Processing The stay
但し、本実施形態では、位置情報の取得頻度の変更は行わず、類似度の高いユーザの移動予測モデルを、当該滞在推定装置10の移動予測モデルと統合することにより、移動予想滞在点を精度良く抽出する。詳しくは後述する。
However, in this embodiment, the frequency of acquiring location information is not changed, and the movement prediction model of the user having a high degree of similarity is integrated with the movement prediction model of the
移動予測モデル作成部160は、第1実施形態と同様に、ユーザが過去に滞在したことのある滞在点の履歴に基づいて移動予測モデルの作成処理を行う。したがって、ユーザが初めて訪れた地域については、滞在点の履歴がなく、移動予測モデルを作成することができない。そこで、この場合には、該当データ無しとして移動予測モデルを作成し、移動予測モデルテーブルTBL4として記憶部130に記憶させる。
Similar to the first embodiment, the movement prediction
第1実施形態と同様に移動予測モデルが作成できた場合、あるいは、該当データ無しとして移動予測モデルを作成した場合のいずれも、移動予測モデル取得部200は、無線通信部10を介して、サーバ50に対して移動予測モデルの更新処理要求を送信する。この際、移動予測モデル取得部200は、無線通信部10を介して、移動予測モデルTBL4に記憶された移動予測モデルの他に、滞在点移動履歴テーブルTBL7に記憶された滞在点の移動履歴を、無線通信部10を介してサーバ50に送信する。図13に滞在点移動履歴テーブルTBL7の一例を示す。図13に示すように、滞在点移動履歴テーブルTBL7には、過去に滞在点を移動した際の順序通りに滞在点IDが記憶され、また、各滞在点に到着した際の時刻が記憶されている。
The movement prediction
2(2).類似度判定処理
滞在推定装置10から移動予測モデルの更新処理要求を受信したサーバ50の行動類似度判定部330は、滞在推定装置10のユーザ(以下、ユーザAとする。)と、他のユーザとの行動の類似度を判定する処理を行う。行動の類似度の判定は、同一の時間帯に同一の滞在点に到着した回数、または、同一の時間帯に到着した同一の滞在点の個数に基づいて行う。但し、行動の類似度の判定は、他のすべてのユーザについて行うのではなく、ユーザAが訪れた前記地点から所定の範囲内に、過去に滞在したことのある滞在点を有する他のユーザを比較対象とする。
2 (2). Similarity Determining Process The behavior
具体的には、行動類似度判定部330は、滞在推定装置10から受信したユーザAの滞在点移動履歴テーブルTBL7に記憶された滞在点の移動履歴と、サーバ50の記憶部340に記憶されている他のユーザの滞在点移動履歴テーブルTBL6に記憶された滞在点の移動履歴とを比較し、所定の時間帯ごとに同一の時間帯に到着した同一の滞在点が存在するかどうかを判断する。行動類似度判定部330は、このような滞在点が存在していると判断した場合には、当該時間帯において当該滞在点に到着した回数を、ユーザAと他のユーザとのそれぞれについて積算する。また、行動類似度判定部330は、所定の時間帯ごとに同一の時間帯に到着した同一の滞在点が存在していると判断した場合に、当該時間帯において到着した同一の滞在点の個数を積算するようにしてもよい。
Specifically, the behavior
行動類似度判定部330は、同一の時間帯において同一の滞在点に到着した回数が、ユーザAの回数と一致するか、あるいは、所定範囲内にある他のユーザを、ユーザAと行動の類似度の高いユーザであると判定する。また、行動類似度判定部330は、同一の時間帯において到着した同一の滞在点の個数が、ユーザAの個数と一致するか、あるいは、所定範囲内にある他のユーザを、ユーザAと行動の類似度の高いユーザであると判定するようにしてもよい。
The behavioral
時間帯については、例えば1日24時間を3〜4時間ごとに分割するようにしてもよいし、1〜2時間ごとに分割するようにしてもよい。さらに細かく分割するようにしてもよい。 As for the time zone, for example, 24 hours a day may be divided every 3 to 4 hours, or may be divided every 1 to 2 hours. Further, it may be divided finely.
行動類似度判定部330は、行動の類似度が高いと判定した他のユーザが存在する場合には、当該他のユーザのユーザIDを移動予測モデル更新部320に受け渡す。しかし、行動の類似度が高いと判定した他のユーザが存在しない場合には、行動類似度判定部330は、該当ユーザがいない旨を移動予測モデル更新部320に受け渡す。なお、行動の類似度が高いと判定した他のユーザが存在しない場合には、類似度の判定基準を変えて、再度判定を行うようにしてもよい。
The behavior
2(3).移動予測モデルの更新処理
移動予測モデル更新部320は、行動類似度判定部330から他のユーザのユーザIDを受け渡された場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出する。そして、移動予測モデル更新部320は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する。
2 (3). Movement Prediction Model Update Processing When the movement prediction
一方、移動予測モデル更新部320は、行動類似度判定部330から該当ユーザがいない旨を受け渡された場合には、移動予測モデルの更新処理を行わず、通信部310を介して、移動予測モデルの更新処理が行われなかった旨を滞在推定装置10に送信する。
On the other hand, the movement prediction
したがって、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルを用いて、ユーザAが移動しようとする移動予想滞在点を予想することが可能になる。また、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合するので、ユーザAが移動しようとする移動予想滞在点を精度良く予想することが可能になる。 Therefore, if there is another user with a high degree of behavioral similarity, even if the user A has visited a point that has never been visited in the past, another user with a high degree of behavioral similarity with the user A It is possible to predict a predicted movement stay point where the user A intends to move using the movement prediction model. In addition, when there is another user with a high degree of behavioral similarity, even if the user A visits a point where he has visited in the past, Since the movement prediction model of the user and the movement prediction model of the user A are integrated, it is possible to accurately predict the predicted movement stay point where the user A intends to move.
以下、同様にして、滞在推定装置10の滞在点抽出部150は、起点となる滞在点が変わる度に、上述した移動予測モデル作成処理を行い、サーバ50の行動類似度判定部330は行動の類似度の判定処理を行う。また、サーバ50の移動予測モデル更新部320は、移動予測モデルの更新処理を行う。
Similarly, the stay
2(4).滞在推定装置及びサーバの全体的な動作
図14は本発明の第2実施形態にかかる滞在推定装置10及びサーバ50において、ユーザの移動予測モデルを、行動の類似度の高い他のユーザの移動予測モデルを用いて更新するシーケンス図である。
2 (4). FIG. 14 shows the movement estimation model of the user and the movement prediction of another user having a high degree of behavioral similarity in the
図14に示すように、位置情報取得部140は、所定の頻度で位置情報を取得し(ステップS200)、記憶部130に対して、取得した位置情報の書込み要求を送る(ステップS201)。記憶部130は、この書込み要求に応じて、前記位置情報を位置情報テーブルTBL1に記憶させる(ステップS202)。図14においては、便宜上、位置情報取得部140による位置情報の取得処理(ステップS200)と記憶部130への書込み処理(ステップS201)を一度しか示していないが、これらの処理は、他の構成部の処理と並行して前記取得頻度で繰り返し行われる。
As shown in FIG. 14, the position
滞在点抽出部150は、記憶部130に対して、位置情報の取得要求を送る(ステップS203)。記憶部130は、前記取得要求に応じて、記憶部130に記憶されている位置情報を滞在点抽出部150に出力する(ステップS204)。図14においては、便宜上、前記取得要求の処理(ステップS203)と位置情報の出力処理(ステップS204)を一度しか示していないが、これらの処理は繰り返し行われる。
The stay
滞在点抽出部150は、第1実施形態と同様に、予め設定された滞在時間の閾値Trと距離の閾値Drとに基づいて、上述した滞在点抽出処理を行う(ステップS206)。滞在点が抽出された場合には、滞在点抽出部150は、記憶部130に対して、滞在点の書込み要求を送る(ステップS207)。記憶部130は、前記書込み要求に応じて、滞在点を滞在点テーブルTBL2に記憶させる(ステップS208)。図14においては、便宜上、前記滞在点の抽出処理(ステップS206)と滞在点の書込み処理(ステップS208)を一度しか示していないが、これらの処理は繰り返し行われる。
The stay
滞在点抽出部150は、次に、移動予測モデル作成部160に対して、移動予測モデルの取得要求を送る(ステップS209)。移動予測モデル作成部160は、移動予測モデルの取得要求を受け取ると、記憶部130に対して、滞在点移動履歴テーブルTBL3に記憶された滞在点の移動履歴の取得要求を送る(ステップS210)。記憶部130は、前記取得要求に応じて、滞在点移動履歴テーブルTBL3に記憶された滞在点の移動履歴を移動予測モデル作成部160に対して出力する(ステップS211)。移動予測モデル作成部160は、取得した滞在点の移動履歴に基づいて、上述した移動予測モデルの作成処理を行う(ステップS212)。
Next, stay
ユーザAが初めて訪れた地域の場合には、当該地域における滞在点の移動履歴がなく、移動予測モデルの作成処理を行うことができない。この場合には、移動予測モデル作成部160は、該当データ無しとして移動予測モデルの作成処理を行う(ステップS212)。
In the area where user A has visited for the first time, there is no movement history of the stay points in the area, and the movement prediction model creation process cannot be performed. In this case, the movement prediction
移動予測モデル作成部160は、移動予測モデルの作成処理が終了すると、記憶部130に対して移動予測モデルの書込み要求を送る(ステップS213)。記憶部130は、前記書込み要求に応じて、移動予測モデルとして作成された移動予想滞在点、あるいは、該当データ無しの移動予測モデルを記憶する(ステップS214)。
When the movement prediction model creation process ends, the movement prediction
移動予測モデル作成部160は、次に、移動予測モデル取得部200に対して、サーバ50から他のユーザの移動予測モデルを考慮した移動予測モデルを取得するように要求する(ステップS215)。移動予測モデル取得部200は、この取得要求を受け取ると、記憶部130に対して、ユーザAの移動予測モデルと、過去の滞在点の移動履歴と要求する(ステップS210)。記憶部130は、この要求を受け取ると、滞在点移動履歴テーブルTBL3に記憶された滞在点の移動履歴と、移動予測モデルテーブルTBL5に記憶された移動予測モデルとを移動予測モデル取得部200に対して出力する(ステップS217)。
Next, the movement prediction
移動予測モデル取得部200は、サーバ50に対して、ユーザAの移動予測モデル及び過去の滞在点の移動履歴と共に、移動予測モデルの取得要求を送る(ステップS218)。サーバ50の行動類似度判定部330は、取得要求を受け取ると、上述したようなユーザAと他のユーザとの行動の類似度を判定する処理を行う(ステップS219)。行動類似度判定部330は、行動の類似度が高いと判定した他のユーザが存在する場合には、当該他のユーザのユーザIDを移動予測モデル更新部320に受け渡す(ステップS220)。しかし、行動の類似度が高いと判定した他のユーザが存在しない場合には、行動類似度判定部330は、該当ユーザがいない旨を移動予測モデル更新部320に受け渡す(ステップS220)。なお、行動の類似度が高いと判定した他のユーザが存在しない場合には、類似度の判定基準を変えて、再度判定を行うようにしてもよい。
The movement prediction
移動予測モデル更新部320は、行動類似度判定部330から他のユーザのユーザIDを受け渡された場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出する。そして、移動予測モデル更新部200は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する処理を行う(ステップS221)。そして、滞在推定装置10に対して、ユーザAの移動予測モデルの書込み要求を送る(ステップS222)。一方、移動予測モデル更新部320は、行動類似度判定部330から該当ユーザがいない旨を受け渡された場合には、移動予測モデルの更新処理を行わず、移動予測モデルの更新処理が行われなかった旨を滞在推定装置10に送る(ステップS222)。滞在推定装置10においては、更新された移動予測モデルが記憶部130に記憶される。
When the movement prediction
したがって、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルを用いて、ユーザAが移動しようとする移動予想滞在点を予想することが可能になる。また、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合するので、ユーザAが移動しようとする移動予想滞在点を精度良く予想することが可能になる。 Therefore, if there is another user with a high degree of behavioral similarity, even if the user A has visited a point that has never been visited in the past, another user with a high degree of behavioral similarity with the user A It is possible to predict a predicted movement stay point where the user A intends to move using the movement prediction model. In addition, when there is another user with a high degree of behavioral similarity, even if the user A visits a point where he has visited in the past, Since the movement prediction model of the user and the movement prediction model of the user A are integrated, it is possible to accurately predict the predicted movement stay point where the user A intends to move.
<第3実施形態>
本発明の第3実施形態を図15乃至図17を参照して説明する。本実施形態は、第1実施形態と第2実施形態とを組み合わせた例である。つまり、ユーザAと行動の類似度の高いユーザの移動予測モデルとユーザAの移動予測モデルとを統合して移動予測モデルとし、位置情報に基づく現在位置が移動予測滞在点に近づくほど、位置情報の取得頻度を高くする。
<Third Embodiment>
A third embodiment of the present invention will be described with reference to FIGS. The present embodiment is an example in which the first embodiment and the second embodiment are combined. That is, the movement prediction model of the user A and the movement prediction model of the user A whose behavioral similarity is high are integrated into the movement prediction model, and the position information becomes closer to the movement prediction stay point based on the position information. Increase the acquisition frequency.
1.無線通信システムの構成
1(1).サーバの構成
本実施形態におけるサーバ50の構成は、図8に示す第2実施形態のサーバ50の構成と同様である。サーバ50の詳しい説明については省略する。
1. Configuration 1 (1) of wireless communication system. Configuration of Server The configuration of the
1(2).滞在推定装置の構成
図15に本実施形態の滞在推定装置10の構成を示す。図15に示すように、本実施形態の滞在推定装置10は、第2実施形態の滞在推定装置10に、第1実施形態の滞在推定装置10において設けられていた滞在点抽出パラメータ更新部170と滞在点抽出パラメータ保存部180とを備えたものである。各部の説明は、第1実施形態及び第2実施形態における説明と重複するので、本実施形態では省略する。
1 (2). Configuration of Stay Estimating Device FIG. 15 shows a configuration of the
2.滞在推定装置及びサーバの動作
2(1)滞在点抽出処理
本実施形態においては、図7に示す第1実施形態と同様の滞在点抽出処理が行われる。つまり、位置情報が示す各地点の平均から滞在点を抽出すると共に、当該滞在点の次に移動されると予想される移動予想滞在点を抽出する。そして、位置情報の示す地点が移動予想滞在点に近づいた場合には、位置情報の取得頻度を高くする。詳細については第1実施形態と同様なので説明を省略する。なお、本実施形態においては、滞在点の移動履歴は、第2実施形態と同様に各滞在点への到着時刻を含み、図13に示す記憶部130の滞在点移動履歴テーブルTBL7に記憶される。
2. Stay Estimation Device and Server Operation 2 (1) Stay Point Extraction Process In this embodiment, a stay point extraction process similar to that of the first embodiment shown in FIG. 7 is performed. That is, the stay point is extracted from the average of each point indicated by the position information, and the expected movement stay point expected to be moved next to the stay point is extracted. When the point indicated by the position information approaches the predicted staying point, the frequency of acquiring the position information is increased. Details are the same as those in the first embodiment, and a description thereof will be omitted. In the present embodiment, the travel history of the stay points includes arrival times at the respective stay points as in the second embodiment, and is stored in the stay point travel history table TBL7 of the
本実施形態においては、第2実施形態と同様に、作成した移動予測モデルは、図10に示す、記憶部130の移動予測モデルテーブルTBL4として記憶される。本実施形態においても、過去の滞在点が存在しないために移動予想滞在点の抽出ができない場合には、第2実施形態と同様に、該当データ無しとして記憶部130の移動予測モデルテーブルTBL4に記憶される。
In the present embodiment, as in the second embodiment, the created movement prediction model is stored as a movement prediction model table TBL4 in the
所定の移動予想滞在点を含む移動予測モデルが作成できた場合、あるいは、該当データ無しとして移動予測モデルを作成した場合のいずれも、第2実施形態と同様に、移動予測モデル取得部200は、無線通信部10を介して、サーバ50に対して移動予測モデルの更新処理要求を送信する。この際、移動予測モデル取得部200は、無線通信部10を介して、移動予測モデルTBL4に記憶された移動予測モデルの他に、滞在点移動履歴テーブルTBL7に記憶された滞在点の移動履歴を、無線通信部10を介してサーバ50に送信する。
As in the second embodiment, the movement prediction
2(2).類似度判定処理
滞在推定装置10から移動予測モデルの更新処理要求を受信したサーバ50の行動類似度判定部330は、第2実施形態と同様に、ユーザAと、他のユーザとの行動の類似度を判定する処理を行う。行動の類似度の判定は、同一の時間帯に同一の滞在点に到着した回数、または、同一の時間帯に到着した同一の滞在点の個数に基づいて行う。但し、行動の類似度の判定は、他のすべてのユーザについて行うのではなく、ユーザAが訪れた前記地点から所定の範囲内に、過去に滞在したことのある滞在点を有する他のユーザを比較対象とする。
2 (2). Similarity Determining Process Similar to the second embodiment, the behavior
行動類似度判定部330は、同一の時間帯において同一の滞在点に到着した回数が、ユーザAの回数と一致するか、あるいは、所定範囲内にある他のユーザを、ユーザAと行動の類似度の高いユーザであると判定する。また、行動類似度判定部330は、同一の時間帯において到着した同一の滞在点の個数が、ユーザAの個数と一致するか、あるいは、所定範囲内にある他のユーザを、ユーザAと行動の類似度の高いユーザであると判定するようにしてもよい。
The behavioral
行動類似度判定部330は、行動の類似度が高いと判定した他のユーザが存在する場合には、当該他のユーザのユーザIDを移動予測モデル更新部320に受け渡す。しかし、行動の類似度が高いと判定した他のユーザが存在しない場合には、行動類似度判定部330は、該当ユーザがいない旨を移動予測モデル更新部320に受け渡す。なお、行動の類似度が高いと判定した他のユーザが存在しない場合には、類似度の判定基準を変えて、再度判定を行うようにしてもよい。
The behavior
2(3).移動予測モデルの更新処理
移動予測モデル更新部320は、行動類似度判定部330から他のユーザのユーザIDを受け渡された場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出する。そして、移動予測モデル更新部200は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する。
2 (3). Movement Prediction Model Update Processing When the movement prediction
一方、移動予測モデル更新部320は、行動類似度判定部330から該当ユーザがいない旨を受け渡された場合には、移動予測モデルの更新処理を行わず、通信部310を介して、移動予測モデルの更新処理が行われなかった旨を滞在推定装置10に送信する。
On the other hand, the movement prediction
したがって、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルが用いられ、ユーザAが当該移動予測モデルに含まれる移動予想滞在点に近づいた場合には、位置情報の取得頻度が高頻度に切り換えられることになる。その結果、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、高速かつ精度良く滞在点を予測することができる。 Therefore, if there is another user with a high degree of behavioral similarity, even if the user A has visited a point that has never been visited in the past, another user with a high degree of behavioral similarity with the user A When the user A approaches the predicted movement stay point included in the movement prediction model, the position information acquisition frequency is switched to a high frequency. As a result, even when the user A has visited a point that has not been visited in the past, the stay point can be predicted with high speed and high accuracy.
行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合し、ユーザAが当該移動予測モデルに含まれる移動予想滞在点に近づいた場合には、位置情報の取得頻度が高頻度に切り換えられることになる。その結果、ユーザAが過去に訪れたことのない滞在点であっても、精度良く滞在点を予測することができる。 If there is another user with a high degree of behavioral similarity, even if the user A visits a point that the user A has visited in the past again, When the movement prediction model and the movement prediction model of the user A are integrated and the user A approaches the predicted movement stay point included in the movement prediction model, the position information acquisition frequency is switched to a high frequency. . As a result, even if the stay point has never been visited by the user A, the stay point can be accurately predicted.
以下、同様にして、滞在推定装置10の滞在点抽出部150は、起点となる滞在点が変わる度に、上述した移動予測モデル作成処理を行い、サーバ50の行動類似度判定部330は行動の類似度の判定処理を行う。また、サーバ50の移動予測モデル更新部320は、移動予測モデルの更新処理を行う。
Similarly, the stay
2(4).滞在推定装置及びサーバの全体的な動作
図16及び図17に基づいて本実施形態における動作について説明する。本実施形態においては、図16に示すステップS100からステップS114までの処理は、図7に示す第1実施形態の処理と同様なので、説明を省略する。
2 (4). Overall Operation of Stay Estimation Device and Server The operation in the present embodiment will be described based on FIGS. 16 and 17. In the present embodiment, the processing from step S100 to step S114 shown in FIG. 16 is the same as the processing of the first embodiment shown in FIG.
図16に示すように、移動予測モデル作成部160は、移動予測モデルの作成処理(ステップS112)が終了すると、移動予測モデル取得部200に対して、サーバ50から他のユーザの移動予測モデルを考慮した移動予測モデルを取得するように要求する(ステップS215、図17の端子Aへ移行)。図17に示すように、移動予測モデル取得部200は、この取得要求を受け取ると、記憶部130に対して、ユーザAの移動予測モデルと、過去の滞在点の移動履歴と要求する(ステップS216、図16の端子Bへ移行)。図16に示すように、記憶部130は、この要求を受け取ると、滞在点移動履歴テーブルTBL7に記憶された滞在点の移動履歴と、移動予測モデルテーブルTBL4に記憶された移動予測モデルとを移動予測モデル取得部200に対して出力する(ステップS217、図17の端子Cへ移行)。
As illustrated in FIG. 16, when the movement prediction model creation process (step S <b> 112) ends, the movement prediction
図17に示すように、移動予測モデル作成部160は、サーバ50に対して、ユーザAの移動予測モデル及び過去の滞在点の移動履歴と共に、移動予測モデルの取得要求を送る(ステップS218)。サーバ50の行動類似度判定部330は、取得要求を受け取ると、第2実施形態で説明したユーザAと他のユーザとの行動の類似度を判定する処理を行う(ステップS219)。行動類似度判定部330は、行動の類似度が高いと判定した他のユーザが存在する場合には、当該他のユーザのユーザIDを移動予測モデル更新部320に受け渡す(ステップS220)。しかし、行動の類似度が高いと判定した他のユーザが存在しない場合には、行動類似度判定部330は、該当ユーザがいない旨を移動予測モデル更新部320に受け渡す(ステップS220)。なお、行動の類似度が高いと判定した他のユーザが存在しない場合には、類似度の判定基準を変えて、再度判定を行うようにしてもよい。
As illustrated in FIG. 17, the movement prediction
移動予測モデル更新部320は、行動類似度判定部330から他のユーザのユーザIDを受け渡された場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出する。そして、移動予測モデル更新部200は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する処理を行う(ステップS221)。そして、滞在推定装置10に対して、ユーザAの移動予測モデルの書込み要求を送る(ステップS222、図16の端子Dへ移行)。一方、移動予測モデル更新部320は、行動類似度判定部330から該当ユーザがいない旨を受け渡された場合には、移動予測モデルの更新処理を行わず、移動予測モデルの更新処理が行われなかった旨を滞在推定装置10に送る(ステップS222、図16の端子Dへ移行)。図16に示すように、滞在推定装置10においては、更新された移動予測モデルが記憶部130に記憶される(ステップS223)。
When the movement prediction
図16に示すように、滞在点抽出パラメータ更新部170は、記憶部130に対して、位置情報テーブルTBL1に記憶された現在の位置情報と、記憶部130に記憶された移動予想滞在点との取得要求を送る(ステップS115)。記憶部130は、前記取得要求に応じて、現在の位置情報と移動予想滞在点とを滞在点抽出パラメータ更新部170に出力する。滞在点抽出パラメータ更新部170は、取得した現在の位置情報が示す地点と、移動予想滞在点との距離を算出する(ステップS117)。滞在点抽出パラメータ更新部170は、滞在点抽出パラメータ保存部180に対して、算出した前記距離に応じて、位置情報の取得頻度の更新要求を送る(ステップS118)。滞在点抽出パラメータ保存部180は、前記更新要求に応じて、位置情報の取得頻度を更新する(ステップS119)。具体的には、滞在点抽出パラメータ保存部180は、前記算出した距離が所定の閾値以内になった場合の更新要求に対しては、位置情報の取得頻度を低頻度から高頻度に更新する。また、滞在点抽出パラメータ保存部180は、現在の位置情報の取得頻度が高頻度の場合には、高頻度をそのまま維持する。滞在点抽出パラメータ保存部180は、前記算出した距離が所定の閾値を超えている場合の更新要求に対しては、位置情報の取得頻度を、低頻度のままで維持するか、あるいは、高頻度から低頻度に更新する。さらに、現在の位置情報が示す地点がいずれかの滞在点から移動した場合の更新要求に対しては、滞在点抽出パラメータ保存部180は、位置情報の取得頻度を、低頻度のままで維持するか、あるいは、高頻度から低頻度に更新する。
As illustrated in FIG. 16, the stay point extraction
滞在点抽出部150は、上述したように、パラメータとしての位置情報の取得頻度の取得要求処理(ステップS103)と、パラメータの取得処理(S104)とを繰り返す。したがって、滞在点抽出部150は、滞在点抽出パラメータ保存部180において位置情報の取得頻度の更新処理(ステップS119)が行われた後に、前記パラメータの取得要求処理(ステップS103)とパラメータの取得処理(S104)とを行った場合には、位置情報の取得頻度がそれまでの頻度と異なる頻度に更新されたことを判断することができる。滞在点抽出部150は、位置情報の取得頻度がそれまでの頻度と異なる頻度に更新されたと判断した場合には、位置情報取得部140に対して位置情報の取得頻度の更新要求を送る(ステップS120)。位置情報取得部140は、前記更新要求に応じて位置情報の取得頻度を更新する(ステップS121)。したがって、現在の位置情報が示す地点が、行動類似度の高い他のユーザの移動予測モデルを含めた移動予測モデルに示される移動予想滞在点に近づき、位置情報の取得頻度が高頻度に更新された場合には、位置情報取得部140は高頻度で位置情報の取得を行い(ステップS100)、滞在点抽出部150は、十分な数の位置情報に基づいて滞在点抽出処理を行う(ステップS107)。その結果、ユーザAが初めて訪れた地域においても、滞在点の抽出が高速に行われることになる。また、現在の位置情報が示す地点が移動予想滞在点から離れており、位置情報の取得頻度が低頻度に更新された場合には、位置情報取得部140は低頻度で位置情報の取得を行い(ステップS100)、滞在点抽出部150は、低頻度で取得された位置情報に基づいて滞在点抽出処理を行う(ステップS107)。その結果、消費電力の増大が抑えられる。
As described above, the stay
以上のように、本実施形態によれば、行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルが用いられる。そして、ユーザAが当該移動予測モデルに含まれる移動予想滞在点に近づいた場合には、位置情報の取得頻度が高頻度に切り換えられることになる。その結果、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、高速かつ精度良く滞在点を予測することができる。 As described above, according to the present embodiment, when there is another user with high behavioral similarity, even if the user A has visited a point that has not been visited in the past, the user A And other users' movement prediction models with high behavioral similarity are used. When the user A approaches the predicted movement stay point included in the movement prediction model, the position information acquisition frequency is switched to a high frequency. As a result, even when the user A has visited a point that has not been visited in the past, the stay point can be predicted with high speed and high accuracy.
行動の類似度の高い他のユーザが存在する場合には、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高い他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合した移動予測モデルが用いられる。そして、ユーザAが当該移動予測モデルに含まれる移動予想滞在点に近づいた場合には、位置情報の取得頻度が高頻度に切り換えられることになる。その結果、ユーザAが過去に訪れたことのない滞在点であっても、精度良く滞在点を予測することができる。 If there is another user with a high degree of behavioral similarity, even if the user A visits a point that the user A has visited in the past again, A movement prediction model in which the movement prediction model and the movement prediction model of user A are integrated is used. When the user A approaches the predicted movement stay point included in the movement prediction model, the position information acquisition frequency is switched to a high frequency. As a result, even if the stay point has never been visited by the user A, the stay point can be accurately predicted.
<第4実施形態>
次に、図18乃至図22を参照して、本発明の第4実施形態について説明する。本実施形態は、ユーザAと他のユーザの親密度を通信行動履歴に基づいて算出し、親密度の高いユーザを行動の類似度が高いユーザとして判定するところが第2実施形態と異なる。
<Fourth embodiment>
Next, a fourth embodiment of the present invention will be described with reference to FIGS. This embodiment is different from the second embodiment in that the intimacy of the user A and other users is calculated based on the communication behavior history, and a user with a high intimacy is determined as a user with high behavioral similarity.
1(1).サーバの構成
図18に本実施形態のサーバ50の構成を示す。本実施形態のサーバ50は、図18に示すように、行動類似判定部330を備えていないところが第2実施形態のサーバ50と異なる。また、本実施形態のサーバ50は、記憶部340に、滞在点移動履歴テーブルTBL6が記憶されていないところも第2実施形態のサーバ50と異なる。
1 (1). Configuration of Server FIG. 18 shows the configuration of the
本実施形態においては、ユーザ間の親密度を滞在推定装置10において算出し、サーバ50は、滞在推定装置10から親密度の高い他のユーザのユーザIDを受け取り、当該他のユーザの移動予測モデルとユーザAの移動予測モデルとを、移動予測モデル更新部320により統合する。
In the present embodiment, the intimacy between users is calculated in the
1(2).滞在推定装置の構成
図19に、本実施形態の滞在推定装置10の構成を示す。図19に示すように、本実施形態の滞在推定装置10は、親密度算出部220と、通信履歴管理部240とを備えているところが、第2実施形態の滞在推定装置10と異なる。また、本実施形態の滞在推定装置10は、記憶部130に、通信行動履歴テーブルTBL9と連絡帳テーブルTBL10とが記憶されているところが第2実施形態の滞在推定装置10と異なる。
1 (2). Configuration of Stay Estimation Device FIG. 19 shows a configuration of the
滞在推定装置10は、ユーザAと、連絡帳テーブルTBL10に記憶された他のユーザとの通信履歴を通信履歴管理部240により管理しており、通信履歴は通信行動履歴テーブルTBL9に記憶される。親密度算出部220は、通信行動履歴テーブルTBL9に記憶された通信履歴に基づいて、ユーザAと、連絡帳テーブルTBL10に記憶された他のユーザと親密度を算出する。移動予測モデル取得部200は、無線通信部110を介して親密度の高い他のユーザのユーザIDをサーバ50に送信すると共に、当該他のユーザの移動予測モデルを含めた移動予測モデルの更新要求をサーバ50に送信する。
The
図20に本実施形態の連絡帳テーブルTBL10の一例を示す。図20に示すように、連絡帳テーブルTBL10には、ユーザID、ユーザの名前、電話番号、メールアドレス、SNSアカウント等が記憶されている。 FIG. 20 shows an example of the contact book table TBL10 of this embodiment. As shown in FIG. 20, the contact book table TBL10 stores a user ID, a user name, a telephone number, a mail address, an SNS account, and the like.
図21に本実施形態の通信行動履歴テーブルTBL9の一例を示す。図21に示すように、通信行動履歴テーブルTBL9には、発信元の電話番号あるいは送信元のメールアドレス、発信先の電話番号あるいは送信先のメールアドレス等が記憶されている。 FIG. 21 shows an example of the communication behavior history table TBL9 of this embodiment. As shown in FIG. 21, in the communication behavior history table TBL9, a telephone number of a transmission source or a mail address of a transmission source, a telephone number of a transmission destination or a mail address of a transmission destination are stored.
親密度算出部220は、通信行動履歴テーブルTBL9に基づいて、通信行動履歴テーブルTBL9に記憶された電話の発着回数、あるいは、電子メールの送受信回数に基づいて、ユーザAと他のユーザとの親密度を算出する。詳しくは、後述する。
Based on the communication behavior history table TBL9, the
2.滞在推定装置及びサーバの動作
2(1).親密度算出処理
親密度算出部220によるユーザAと連絡帳テーブルTBL10に記憶された他のユーザとの親密度を算出する処理について説明する。親密度算出部220は、連絡帳テーブルTBL10に記憶された電話番号またはメールアドレスと、通信行動履歴テーブルTBL9に記憶された通信履歴とに基づいて、ユーザAと連絡帳テーブルTBL10に記憶された他のユーザとの親密度FMMを算出する。
2. Operation of stay estimation device and server 2 (1). Intimacy Calculation Processing Processing for calculating intimacy between the user A and another user stored in the contact book table TBL10 by the
親密度算出部220は、まず、連絡帳テーブルTBL10から、一のユーザの電話番号とメールアドレスとを読み取る。電話番号とメールアドレスとのいずれか一方しか連絡帳テーブルTBL10に記憶されていない場合には、記憶されていた方の情報を読み取る。また、電話番号とメールアドレスのいずれも連絡帳テーブルTBL10に記憶されていない場合には、次のユーザについて同様の読み取り処理を行う。
First, the
親密度算出部220は、読み取った電話番号とメールアドレスとの少なくともいずれか一方が、所定の期間において通信行動履歴テーブルTBL9の発信元または発信先のいずれかに記憶されているかどうかをユーザ毎に判断し、記憶されていた場合には、その回数を積算する。
The
例えば、一のユーザのユーザIDをmとすると、当該ユーザの電話についての通信比率R1mは、次のように算出される。通信行動履歴テーブルTBL9に記憶された通話発着信回数の総数をNCALLとし、当該ユーザの電話番号が通信行動履歴テーブルTBL9の発信元として記憶されていた回数、つまり、通話発信回数と、発信先として記憶されていた回数、つまり、通話受信回数との総数をNCmとすると、当該ユーザの電話についての通信比率R1mは、次のように算出される。
R1m=NCm/NCALL・・・(1)
For example, if the user ID of one user is m, the communication ratio R1m for the user's telephone is calculated as follows. The total number of calls made and received stored in the communication behavior history table TBL9 is NCALL, and the number of times that the user's telephone number is stored as the transmission source of the communication behavior history table TBL9, that is, the number of calls and the destination Assuming that the total number of stored times, that is, the number of calls received, is NCm, the communication ratio R1m for the user's telephone is calculated as follows.
R1m = NCm / NCALL (1)
また、当該ユーザの電子メールについての通信比率R2mは、次のように算出される。通信行動履歴テーブルTBL9に記憶された電子メール送受信回数の総数をNMALLとし、当該ユーザの電子メールが通信行動履歴テーブルTBL9の発信元として記憶されていた回数、つまり、メール送信回数と、発信先として記憶されていた回数、つまり、メール受信回数との総数をNMmとすると、当該ユーザの電子メールについての通信比率R2mは、次のように算出される。
R2m=NMm/NMALL・・・(2)
The communication ratio R2m for the user's e-mail is calculated as follows. The total number of e-mail transmission / reception times stored in the communication action history table TBL9 is NMALL, and the number of times that the user's e-mail is stored as the transmission source of the communication action history table TBL9, that is, the number of e-mail transmissions and the destination Assuming that the total number of stored times, that is, the number of received emails is NMm, the communication ratio R2m for the user's email is calculated as follows.
R2m = NMm / NMALL (2)
親密度算出部106は、R1mとR2mとの両方を算出できた場合には、これらの平均値を親密度FMMmとして算出する。
FMMm=(R1m+R2m)・・・(3)
When the closeness calculating unit 106 can calculate both R1m and R2m, the closeness calculating unit 106 calculates an average value of these values as the closeness FMMm.
FMMm = (R1m + R2m) (3)
しかし、親密度算出部106は、R1mとR2mとのいずれか一方しか算出できなかった場合には、重み付け係数G(例えば、0.4)をR1mとR2mのいずれかに掛けて親密度FMMmを算出する。
FMMm=G*(R1m+R2m)・・・(4)
However, when only one of R1m and R2m can be calculated, the familiarity calculating unit 106 multiplies the weighting coefficient G (for example, 0.4) by either R1m or R2m to obtain the familiarity FMMm. calculate.
FMMm = G * (R1m + R2m) (4)
このように重み付けを行うのは、電話番号と電子メールアドレスの両方で通信を行う相手との間の親密度は、一方のみで通信を行う相手との間の親密度よりも通常、高いと推定されるためである。 The reason for weighting in this way is that the intimacy between the person communicating with both the phone number and the e-mail address is usually higher than the intimacy between the other party communicating with only one. It is to be done.
例えば、ユーザID=mのユーザの、所定の1ヶ月間におけるユーザAとの間の通話発信回数と通話発着信回数の総数が10回で、通信行動履歴テーブルTBL9に記憶された同期間における通話発着信回数の総数を100回とすると、ユーザID=mのユーザの電話についての通信比率R1mは次のようになる。R1m=10/100=0.1・・・(5) For example, the total number of calls made to and received from user A in a predetermined month for user ID = m is 10 and calls during the same period stored in the communication behavior history table TBL9 Assuming that the total number of outgoing / incoming calls is 100, the communication ratio R1m for the telephone of the user with user ID = m is as follows. R1m = 10/100 = 0.1 (5)
また、ユーザID=mのユーザの、当該1ヶ月間におけるユーザAとの間のメール送信回数とメール受信回数の総数が10回で、通信行動履歴テーブルTBL9に記憶された同期間におけるメール送受信回数の総数を100回とすると、ユーザID=mのユーザの電子メールについての通信比率R2mは次のようになる。
R2m=10/100=0.1・・・(6)
In addition, the total number of mail transmissions and receptions of the user ID = m with the user A in the month is 10 and the number of mail transmission / receptions during the synchronization stored in the communication behavior history table TBL9. Is 100 times, the communication ratio R2m for the electronic mail of the user with the user ID = m is as follows.
R2m = 10/100 = 0.1 (6)
したがって、ユーザID=mのユーザとユーザAとの親密度FMMmは、次のようになる。
FMMm=(0.1+0.1)/2=0.1・・・(7)
Therefore, the familiarity FMMm between the user with the user ID = m and the user A is as follows.
FMMm = (0.1 + 0.1) /2=0.1 (7)
一方、ユーザID=nのユーザの、当該1ヶ月間におけるユーザAとの間の通話発信回数と通話発着信回数の総数が0回だとすると、ユーザID=nのユーザの電話についての通信比率R1nは次のようになる。
R1n=0/100=0・・・(8)
On the other hand, assuming that the total number of calls made to and received from user A in the month of user ID = n is 0, the communication ratio R1n for the user's phone with user ID = n is It becomes as follows.
R1n = 0/100 = 0 (8)
また、ユーザID=nのユーザの、当該1ヶ月間におけるユーザAとの間のメール送信回数とメール受信回数の総数が20回だとすると、ユーザID=nのユーザの電子メールについての通信比率R2nは次のようになる。
R2n=20/100=0.2・・・(9)
If the total number of mail transmissions and mail receptions with the user A of the user ID = n for the month is 20 times, the communication ratio R2n for the email of the user with the user ID = n is It becomes as follows.
R2n = 20/100 = 0.2 (9)
したがって、ユーザID=nのユーザとユーザAとの親密度FMMnは、次のようになる。
FMMn=0.4*(0+0.2)=0.08・・・(10)
Therefore, the familiarity FMMn between the user with the user ID = n and the user A is as follows.
FMMn = 0.4 * (0 + 0.2) = 0.08 (10)
この場合には、ユーザID=mのユーザとユーザAの親密度の方が、ユーザID=nのユーザとユーザAの親密度よりも高いことになる。 In this case, the familiarity between the user with the user ID = m and the user A is higher than the familiarity between the user with the user ID = n and the user A.
親密度算出部220は、以上のようにして、通信行動履歴テーブルTBL9に記憶された所定の期間における通信履歴に基づいて、ユーザAと他のユーザとの親密度を算出する。そして、移動予測モデル取得部200は、当該ユーザのユーザID、及びユーザAの移動予測モデルと共に、移動予測モデルの更新要求をサーバ50に送信する。
As described above, the
2(2).移動予測モデルの更新処理
移動予測モデル更新部320は、滞在推定装置10から、親密度の高い他のユーザのユーザID、ユーザAの移動予測モデル、及び移動予測モデルの更新要求を受け取った場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出する。そして、移動予測モデル更新部200は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する。
2 (2). Movement Prediction Model Update Processing When the movement prediction
したがって、親密度の高い他のユーザは、行動の類似度についても高いと思われるので、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高いと思われる前記他のユーザの移動予測モデルを用いて、ユーザAが移動しようとする移動予想滞在点を予想することが可能になる。また、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高いと思われる他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合するので、ユーザAが移動しようとする移動予想滞在点を精度良く予想することが可能になる。 Therefore, other users with high intimacy seem to have high behavioral similarity, so even if user A visits a point where he has never visited in the past, the similarity between user A and behavior It is possible to predict a predicted stay point where the user A intends to move using the movement prediction model of the other user who is considered to be high. In addition, even when the user A has visited a point that has been visited in the past, another user's movement prediction model and the user A's movement prediction model that are considered to have a high degree of similarity with the user A Therefore, it is possible to accurately predict the predicted stay point at which the user A intends to move.
2(3).滞在推定装置及びサーバの全体的な動作
図22は、本発明の第4実施形態にかかる滞在推定装置10及びサーバ50において、ユーザの移動予測モデルを、親密度の高い他のユーザの移動予測モデルを用いて更新するシーケンス図である。
2 (3). Overall Operation of Stay Estimation Device and Server FIG. 22 shows a user's movement prediction model as a user's movement prediction model in the
図14に示す第2実施形態のシーケンスとは異なり、本実施形態においては、親密度算出部220が上述した親密度算出処理を行っている(ステップS300)。親密度算出処理は、所定期間ごとに実行するようにしてもよいし、ユーザAが他のユーザとの通信を行う度に行うようにしてもよい。
Unlike the sequence of the second embodiment shown in FIG. 14, in the present embodiment, the
図22において、移動予測モデル取得部200が処理を開始するまでのシーケンスは、図14に示す第2実施形態のシーケンスと同様なので、各処理には同一のステップ番号を付して説明を省略する。
In FIG. 22, the sequence until the movement prediction
移動予測モデル取得部200は、移動予測モデルが作成され、移動予測モデル作成部160から他のユーザの移動予測モデルを含めた移動予測モデルの取得要求を受け取った場合には(ステップS215)、記憶部130に対してユーザAの移動予測モデルの取得要求を送る(ステップS216)。移動予測モデル取得部200は、記憶部130からユーザAの移動予測モデルを取得すると(ステップS217)、親密度算出部220に対して、ユーザAとの親密度が高いユーザのユーザIDを問い合わせる(S301)。
The movement prediction
親密度算出部220は、上述のように、所定のタイミングにてユーザAと他のユーザとの親密度を算出しているので、移動予測モデル取得部200からの問い合わせに対して、ユーザAとの親密度が高いユーザのユーザIDを通知する(ステップS302)。
Since the
移動予測モデル取得部200は、親密度が高い他のユーザのユーザID、及びユーザAの移動予測モデルと共に、移動予測モデルの更新要求をサーバ50に送信する(ステップS220)。
The movement prediction
移動予測モデル更新部320は、滞在推定装置10から、親密度の高い他のユーザのユーザID、ユーザAの移動予測モデル、及び移動予測モデルの更新要求を受け取った場合には、移動予測モデルテーブルTBL5に記憶された当該他のユーザの移動予測モデルを抽出して、移動予測モデルの更新処理を行う(ステップS221)。つまり、移動予測モデル更新部320は、抽出した前記他のユーザの移動予測モデルと、滞在推定装置10から受信したユーザAの移動予測モデルとを統合し、ユーザAの移動予測モデルを更新する。そして、移動予測モデル更新部320は、更新した移動予測モデルの書込み要求を滞在推定装置10に対して送信する(ステップS222)。書込み要求を受信した滞在推定装置10は、更新された移動予測モデルを記憶部130に記憶させる(ステップS223)。
When the movement prediction
以上のように、本実施形態によれば、親密度の高い他のユーザは、行動の類似度についても高いと思われるので、当該他のユーザの移動予測モデルをユーザAの移動予測モデルに統合することにより、ユーザAが移動する可能性の高い移動予想滞在点が増えることになる。その結果、ユーザAが過去に訪れたことのない地点を訪れた場合であっても、ユーザAと行動の類似度の高いと思われる前記他のユーザの移動予測モデルを用いて、ユーザAが移動しようとする移動予想滞在点を予想することが可能になる。また、ユーザAが過去に訪れたことのある地点を再び訪れた場合であっても、ユーザAと行動の類似度の高いと思われる他のユーザの移動予測モデルとユーザAの移動予測モデルとを統合するので、ユーザAが移動しようとする移動予想滞在点を精度良く予想することが可能になる。 As described above, according to the present embodiment, other users with high intimacy are also considered to have high behavioral similarity, so that the movement prediction model of the other user is integrated into the movement prediction model of user A. By doing so, the expected movement stay points where the user A is likely to move increase. As a result, even when the user A has visited a point that has never been visited in the past, the user A uses the movement prediction model of the other user that seems to have a high degree of similarity between the user A and the action. It is possible to predict the expected stay point of movement to be moved. In addition, even when the user A has visited a point that has been visited in the past, another user's movement prediction model and the user A's movement prediction model that are considered to have a high degree of similarity with the user A Therefore, it is possible to accurately predict the predicted stay point at which the user A intends to move.
<変形例>
上述した第2実施形態においては、移動予測モデル更新部200は、常に他のユーザの移動予測モデルの取得要求を送出する例について説明したが、本発明はこのような例に限定されるものではない。例えば、移動予測モデル作成部160において、現在の滞在点を起点とした移動予測モデルを作成する際に、母集団となる滞在点移動履歴が不足している場合、あるいは母集団となる滞在点移動履歴が存在していない場合等にのみ、他のユーザの移動予測モデルの取得要求を送出するようにしてもよい。
<Modification>
In 2nd Embodiment mentioned above, although the movement prediction
上述した第2実施形態においては、他のユーザの移動予測モデルテーブルTBL5をサーバ50の記憶部330に記憶させる例について説明したが、本発明はこのような例に限定されるものではない。例えば、基地局20の記憶部に記憶させるようにしてもよい。
In 2nd Embodiment mentioned above, although the example which memorize | stores another user's movement prediction model table TBL5 in the memory |
上述した第2実施形態においては、同一の時間帯に同一の滞在点に到達した回数、または、同一の時間帯に到達した同一の滞在点の個数により、行動類似度を判定する例について説明したが、本発明はこのような例に限定されるものではない。例えば、移動予測モデルテーブルTBL5に記憶されている、所定の滞在点から移動予想滞在点までの遷移確率を用いるようにしてもよい。例えば、当該遷移確率と、滞在推定装置10のユーザの移動予測モデルにおける所定の滞在点から移動予想滞在点までの遷移確率との相関を利用して行動類似度を判定するようにしてもよい。
In the second embodiment described above, an example has been described in which behavioral similarity is determined based on the number of times that the same stay point is reached in the same time zone, or the number of the same stay points that have reached the same time zone. However, the present invention is not limited to such an example. For example, you may make it use the transition probability from the predetermined stay point stored in the movement prediction model table TBL5 to the movement expected stay point. For example, you may make it determine action similarity using the correlation with the said transition probability and the transition probability from the predetermined stay point in the user's movement prediction model of the
上述した第2実施形態及び第3実施形態においては、サーバ50においてユーザAと他のユーザの行動の類似度を判定し、移動予測モデルを統合する例について説明した。しかしながら、本発明はこのような例に限定されるものではなく、他のユーザの滞在点推定履歴と移動予測モデルとを、暗号化したり、あるいは、他のユーザを特定できないように匿名化した上で、サーバ50から滞在推定装置10に対して送信し、滞在推定装置10において、行動の類似度判定と、移動予測モデルの統合とを行うようにしてもよい。
In 2nd Embodiment and 3rd Embodiment mentioned above, the
上述した第4実施形態においては、親密度の算出を、電話の発着回数または電子メールの送受信回数に基づいて行ったが、本発明はこのような例に限定されるものではない。例えば、通信履歴管理部240により、SNSメッセージの送受信回数を管理し、当該SNSメッセージの送受信回数に基づいて親密度の算出を行うようにしてもよい。また、サーバ50等の外部装置において、他のユーザの連絡帳の登録情報の内容、例えば、連絡帳に登録されている電話番号の個数、メールアドレスの個数、写真設定の有無、誕生日や記念日の登録の有無、住所の登録の有無などを管理し、これらの登録情報の内容と、ユーザAの連絡帳の登録情報の内容とを比較して、親密度を算出するようにしてもよい。
In the above-described fourth embodiment, the familiarity is calculated based on the number of incoming / outgoing calls or the number of transmission / reception of electronic mails. However, the present invention is not limited to such an example. For example, the communication
さらに、滞在推定装置10の入出力部120を類似ユーザ設定部として機能させ、ユーザに手動で類似ユーザを設定させるようにすればよい。この場合には、行動類度判定部220は、設定された類似ユーザを、対象ユーザとして判定すればよい。
Furthermore, the input /
上述した各実施形態において、無線通信システム1内の各要素(滞在推定装置10、基地局20、交換局30、ゲートウェイ40等)においてCPUが実行する各機能は、CPUの代わりに、ハードウェアで実行してもよいし、例えばFPGA(Field Programmable Gate Array)、DSP(Digital Signal Processor)等のプログラマブルロジックデバイスで実行してもよい。
In each of the above-described embodiments, each function executed by the CPU in each element in the wireless communication system 1 (the
10 滞在推定装置、130 記憶部、140 位置情報取得部、150 滞在点抽出部、160 移動予測モデル作成部、170 滞在点抽出パラメータ更新部、180 滞在点抽出パラメータ保存部、200 移動予測モデル取得部、220 親密度搬出部、240 通信履歴管理部、330 行動類似度判定部。
DESCRIPTION OF
Claims (7)
前記ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、
滞在点を抽出するパラメータと前記位置情報の取得頻度を保存する滞在点抽出パラメータ保存部と、
前記ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、
前記位置情報と、前記移動予測モデルに含まれる滞在点との位置関係に基づいて、前記位置情報の取得頻度を更新する滞在点抽出パラメータ更新部と、
を備えることを特徴とする滞在推定装置。 A location information acquisition unit that acquires location information of the user;
A stay point extraction unit that extracts a stay point using a parameter including a threshold value of a stay time and a threshold value of a movement distance based on a history of the location information of the user;
A stay point extraction parameter storage unit for storing a parameter for extracting a stay point and an acquisition frequency of the position information;
A movement prediction model creating unit that creates a movement prediction model between stay points based on the movement history of the stay points of the user;
Based on the positional relationship between the position information and a stay point included in the movement prediction model, a stay point extraction parameter update unit that updates the acquisition frequency of the position information;
A stay estimation device comprising:
前記ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、
前記ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、
他のユーザの移動予測モデルを取得する移動予測モデル取得部と、
他のユーザとの時間を考慮した行動の類似性を判定する行動類似度判定部と、
行動類似度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する移動予測モデル更新部と、
を備えることを特徴とする滞在推定装置。 A location information acquisition unit that acquires location information of the user;
A stay point extraction unit that extracts a stay point using a parameter including a threshold value of a stay time and a threshold value of a movement distance based on a history of the location information of the user;
A movement prediction model creating unit that creates a movement prediction model between stay points based on the movement history of the stay points of the user;
A movement prediction model acquisition unit for acquiring other users' movement prediction models;
An action similarity determination unit that determines the similarity of actions in consideration of time with other users;
A movement prediction model update unit that updates a movement prediction model using a movement prediction model of another user whose behavioral similarity is equal to or greater than a predetermined threshold;
A stay estimation device comprising:
前記行動類似度判定部は、同一の時間帯に同一の滞在点に到着した回数、あるいは、同一の時間帯に到着した同一の滞在点の個数に基づいて、行動類似度を判定する、
ことを特徴とする滞在推定装置。 The stay estimation device according to claim 2,
The behavioral similarity determination unit determines the behavioral similarity based on the number of arrivals at the same stay point in the same time zone, or the number of the same stay points arrived in the same time zone.
The stay estimation apparatus characterized by the above.
類似ユーザを設定する類似ユーザ設定部を更に備え、
前記行動類似度判定部は、前記類似ユーザ設定部によって設定された類似ユーザについて行動類似度が所定の閾値以上であると判定する、
ことを特徴とする滞在推定装置。 The stay estimation device according to claim 2,
A similar user setting unit for setting similar users;
The behavior similarity determination unit determines that the behavior similarity is equal to or greater than a predetermined threshold for the similar users set by the similar user setting unit;
The stay estimation apparatus characterized by the above.
前記一のユーザと他のユーザとの通信行動履歴を管理する通信行動履歴管理部と、
前記一のユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出する滞在点抽出部と、
前記一のユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成する移動予測モデル作成部と、
他のユーザの移動予測モデルを取得する移動予測モデル取得部と、
前記通信行動履歴に基づいて他のユーザとの親密度を算出する親密度算出部と、
親密度が所定の閾値以上である他のユーザの移動予測モデルを用いて移動予測モデルを更新する移動予測モデル更新部と、
を備えることを特徴とする滞在推定装置。 A location information acquisition unit that acquires location information of one user;
A communication behavior history management unit for managing a communication behavior history between the one user and another user;
A stay point extraction unit that extracts a stay point using a parameter including a threshold value of a stay time and a threshold value of a movement distance based on the history of the position information of the one user;
A movement prediction model creating unit that creates a movement prediction model between the stay points based on the movement history of the stay point of the one user;
A movement prediction model acquisition unit for acquiring other users' movement prediction models;
A closeness calculating unit for calculating closeness with other users based on the communication behavior history;
A movement prediction model update unit that updates a movement prediction model using a movement prediction model of another user whose intimacy is equal to or greater than a predetermined threshold;
A stay estimation device comprising:
親密度算出部は、前記一のユーザと他のユーザとの間の電話の発着回数または電子メールの送受信回数に基づいて、前記一のユーザと他のユーザとの間の親密度を算出する、
ことを特徴とする滞在推定装置。 The stay estimation apparatus according to claim 5,
The intimacy calculation unit calculates the intimacy between the one user and another user based on the number of incoming / outgoing calls or the number of e-mail transmission / reception between the one user and another user.
The stay estimation apparatus characterized by the above.
ユーザの位置情報の履歴に基づいて、滞在時間の閾値と移動距離の閾値とを含むパラメータを用いて滞在点を抽出し、
滞在点を抽出するパラメータと前記位置情報の取得頻度を保存し、
ユーザの滞在点の移動履歴に基づいて、滞在点間の移動予測モデルを作成し、
前記位置情報と、前記移動予測モデルに含まれる滞在点との位置関係に基づいて、前記位置情報の取得頻度を更新する、
ことを特徴とする滞在推定方法。
Get user location information,
Based on the history of the user's location information, a stay point is extracted using parameters including a stay time threshold and a travel distance threshold,
Save the parameters for extracting stay points and the frequency of acquisition of the location information,
Based on the movement history of the user's stay points, create a movement prediction model between stay points,
Updating the acquisition frequency of the position information based on the positional relationship between the position information and a stay point included in the movement prediction model;
The stay estimation method characterized by the above-mentioned.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013140812A JP6130249B2 (en) | 2013-07-04 | 2013-07-04 | Stay estimation device and stay estimation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013140812A JP6130249B2 (en) | 2013-07-04 | 2013-07-04 | Stay estimation device and stay estimation method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015014878A true JP2015014878A (en) | 2015-01-22 |
JP6130249B2 JP6130249B2 (en) | 2017-05-17 |
Family
ID=52436581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013140812A Active JP6130249B2 (en) | 2013-07-04 | 2013-07-04 | Stay estimation device and stay estimation method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6130249B2 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017021760A (en) * | 2015-07-15 | 2017-01-26 | 富士ゼロックス株式会社 | Information processing device and program |
JP2017083963A (en) * | 2015-10-23 | 2017-05-18 | 日本電信電話株式会社 | Parameter estimation device, prediction device, method, and program |
CN110069582A (en) * | 2017-10-12 | 2019-07-30 | 中电科海洋信息技术研究院有限公司 | Anchorage regardless area determination method, device, equipment and storage medium |
CN111369024A (en) * | 2019-12-25 | 2020-07-03 | 厦门城市职业学院(厦门市广播电视大学) | Geographic position-based coffee pre-making method, device and system |
CN111508228A (en) * | 2020-04-01 | 2020-08-07 | 佛山市城市规划设计研究院 | Method for acquiring public transport trip chain by using mobile phone GPS and electronic map data |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003044512A (en) * | 2001-07-27 | 2003-02-14 | Dainippon Printing Co Ltd | Server for searching activity area and server for recomending information |
JP2005283575A (en) * | 2004-03-05 | 2005-10-13 | Matsushita Electric Ind Co Ltd | Movement destination prediction device and movement destination prediction method |
JP2010211287A (en) * | 2009-03-06 | 2010-09-24 | Ntt Docomo Inc | Apparatus, system, and method for analyzing degree of association between users |
JP2010219761A (en) * | 2009-03-16 | 2010-09-30 | Nec Corp | System for notifying arrival at destination beforehand, method for notifying arrival at destination beforehand, portable terminal device, and program |
WO2010140504A1 (en) * | 2009-06-02 | 2010-12-09 | 日本電気株式会社 | System, device, method, and program for providing recommendation information |
JP2011003151A (en) * | 2009-06-22 | 2011-01-06 | Kddi Corp | Similarity calculation device, recommended poi determination device, poi recommendation system, similarity calculation method and program |
JP2013003643A (en) * | 2011-06-13 | 2013-01-07 | Sony Corp | Information processing apparatus, information processing method, and program |
-
2013
- 2013-07-04 JP JP2013140812A patent/JP6130249B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003044512A (en) * | 2001-07-27 | 2003-02-14 | Dainippon Printing Co Ltd | Server for searching activity area and server for recomending information |
JP2005283575A (en) * | 2004-03-05 | 2005-10-13 | Matsushita Electric Ind Co Ltd | Movement destination prediction device and movement destination prediction method |
JP2010211287A (en) * | 2009-03-06 | 2010-09-24 | Ntt Docomo Inc | Apparatus, system, and method for analyzing degree of association between users |
JP2010219761A (en) * | 2009-03-16 | 2010-09-30 | Nec Corp | System for notifying arrival at destination beforehand, method for notifying arrival at destination beforehand, portable terminal device, and program |
WO2010140504A1 (en) * | 2009-06-02 | 2010-12-09 | 日本電気株式会社 | System, device, method, and program for providing recommendation information |
JP2011003151A (en) * | 2009-06-22 | 2011-01-06 | Kddi Corp | Similarity calculation device, recommended poi determination device, poi recommendation system, similarity calculation method and program |
JP2013003643A (en) * | 2011-06-13 | 2013-01-07 | Sony Corp | Information processing apparatus, information processing method, and program |
Non-Patent Citations (3)
Title |
---|
大島 一将、外3名: "携帯端末を用いた街中情報取得システムの構築に関する検討", 第73回(平成23年)全国大会講演論文集(3) ネットワーク セキュリティ, JPN6017000012, 2 March 2011 (2011-03-02), JP, pages 3 - 227, ISSN: 0003474540 * |
西野 正彬、外5名: "時刻情報を含む特徴滞在パターンを用いた行動予測方式の検討", 電子情報通信学会2009年総合大会講演論文集 情報・システム1, JPN6017000010, 4 March 2009 (2009-03-04), JP, pages 125 - 125, ISSN: 0003474539 * |
西野 正彬、外5名: "滞在地遷移情報からの行動パターン抽出方式の検討", 情報処理学会研究報告, vol. 第2008巻,第110号, JPN6017000013, 6 November 2008 (2008-11-06), JP, pages 57 - 64, ISSN: 0003522729 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017021760A (en) * | 2015-07-15 | 2017-01-26 | 富士ゼロックス株式会社 | Information processing device and program |
JP2017083963A (en) * | 2015-10-23 | 2017-05-18 | 日本電信電話株式会社 | Parameter estimation device, prediction device, method, and program |
CN110069582A (en) * | 2017-10-12 | 2019-07-30 | 中电科海洋信息技术研究院有限公司 | Anchorage regardless area determination method, device, equipment and storage medium |
CN110069582B (en) * | 2017-10-12 | 2023-04-11 | 中电科海洋信息技术研究院有限公司 | Ship anchoring area determining method, device, equipment and storage medium |
CN111369024A (en) * | 2019-12-25 | 2020-07-03 | 厦门城市职业学院(厦门市广播电视大学) | Geographic position-based coffee pre-making method, device and system |
CN111369024B (en) * | 2019-12-25 | 2024-02-27 | 厦门城市职业学院(厦门市广播电视大学) | Geographic position-based coffee preparation method, equipment and system |
CN111508228A (en) * | 2020-04-01 | 2020-08-07 | 佛山市城市规划设计研究院 | Method for acquiring public transport trip chain by using mobile phone GPS and electronic map data |
CN111508228B (en) * | 2020-04-01 | 2021-01-01 | 佛山市城市规划设计研究院 | Method for acquiring public transport trip chain by using mobile phone GPS and electronic map data |
Also Published As
Publication number | Publication date |
---|---|
JP6130249B2 (en) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6851309B2 (en) | How to collect and process information, client terminals, and servers | |
JP6130249B2 (en) | Stay estimation device and stay estimation method | |
EP3435692B1 (en) | Determining a significant user location for providing location-based services | |
US8954110B2 (en) | Communication device, communication system and program | |
JP5653647B2 (en) | Predicting the presence of mobile user equipment | |
US9389299B2 (en) | Mobile communication device maintaining lifetrails in a battery efficient manner | |
US20090054043A1 (en) | Future Location Determination Using Social Networks | |
EP3291619B1 (en) | A mobile device and method for location prediction of a mobile device | |
JP5855924B2 (en) | Server apparatus, communication system, control method, and program | |
US20120066303A1 (en) | Synchronized group location updates | |
WO2014197318A2 (en) | Modeling significant locations | |
CN102223429A (en) | Predictive contact information representation | |
WO2013077987A2 (en) | Management of privacy settings for a user device | |
KR20100040330A (en) | Method and apparatus for automated publishing of customized presence information | |
US9002377B2 (en) | Method for improving discovery of preferred mobile computing locations | |
US20090222838A1 (en) | Techniques for dynamic contact information | |
CN105103573A (en) | Pattern labeling | |
US11874876B2 (en) | Electronic device and method for predicting an intention of a user | |
KR20150086725A (en) | Method and apparatus for providing user centric information and recording medium thereof | |
US10448356B1 (en) | Mobile device location anomaly detection based on non-location information | |
US11200409B2 (en) | Utilizing an array of cameras including IoT sensors with cameras to search for objects via a wireless communication network | |
KR20160109164A (en) | Method for providing notification service based on adaptative user model, server and system | |
JP2016095859A (en) | Server device, communication system, control method and program | |
JP6595933B2 (en) | Wireless device, control method, and program | |
JP6186211B2 (en) | Wireless communication system and communication control method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20150413 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160303 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170310 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170328 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170413 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6130249 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |