JP2016038741A - Movement state determination device, movement state determination method and program - Google Patents
Movement state determination device, movement state determination method and program Download PDFInfo
- Publication number
- JP2016038741A JP2016038741A JP2014161828A JP2014161828A JP2016038741A JP 2016038741 A JP2016038741 A JP 2016038741A JP 2014161828 A JP2014161828 A JP 2014161828A JP 2014161828 A JP2014161828 A JP 2014161828A JP 2016038741 A JP2016038741 A JP 2016038741A
- Authority
- JP
- Japan
- Prior art keywords
- movement
- destination
- information
- mesh
- determination
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、移動状況判定装置、移動状況判定方法及びプログラムに関する。 The present invention relates to a movement situation determination device, a movement situation judgment method, and a program.
従来、使用者が行動目的を入力しなくても自動的に使用者の行動目的を推測し、使用者にとって有用な案内情報を提示することを目的とした技術が提案されている（例えば、特許文献１）。当該技術では、ナビゲーション装置において、車内に存在する人物の情報、物体の情報等に基づいて使用者の行動目的を推定するとしている。 2. Description of the Related Art Conventionally, there has been proposed a technique aimed at automatically inferring a user's behavioral purpose without presenting the user's behavioral purpose and presenting useful guidance information for the user (for example, a patent) Reference 1). According to the technology, the navigation device estimates the user's purpose of action based on information on a person existing in a vehicle, information on an object, and the like.
また、撮像された映像と当該映像から認識された車両の乗員の装飾状態とを用いて、移動目的を予測する技術も提案されている（例えば、特許文献２）。当該技術では、習慣性の少ない行動の目的地についても精度よく推定することができるとしている。 In addition, a technique for predicting the purpose of movement using a captured image and a decoration state of a vehicle occupant recognized from the image has been proposed (for example, Patent Document 2). According to the technology, it is possible to accurately estimate a destination of a less addictive action.
また、ユーザの滞在場所及び滞在時間と、ユーザの行動予定を定義したスケジューラデータとを用いて共起関係のモデル化情報を生成し、当該モデル化情報を利用することでユーザの行動を予測するという技術も提案されている（例えば、特許文献３）。本技術は、ユーザの非日常的な行動についても予測可能になるとしている。 Moreover, the modeling information of co-occurrence relation is generated using the user's staying place and staying time and scheduler data defining the user's action schedule, and the user's action is predicted by using the modeling information. There is also a proposed technique (for example, Patent Document 3). This technology is supposed to be able to predict user's extraordinary behavior.
従来、使用者の移動先を推定するという技術は提案されていた。ここで、移動の目的を推定するためには、過去の移動履歴以外にも乗員の映像やユーザの行動予定を定義するスケジューラデータ等、様々な情報を必要としていた。そこで、本発明は、移動体の移動に関する履歴情報に基づき、ユーザの置かれている状況や移動の目的を推定する技術を提供することを目的とする。 Conventionally, a technique for estimating a user's destination has been proposed. Here, in order to estimate the purpose of movement, in addition to the past movement history, various information such as the image of the occupant and scheduler data defining the user's action schedule are required. Therefore, an object of the present invention is to provide a technique for estimating a situation where a user is placed and a purpose of movement based on history information regarding movement of a moving object.
本発明に係る移動状況判定装置は、移動体の位置を示す位置情報に基づいて、移動体の訪問先を含む移動履歴を生成する移動履歴生成部と、移動履歴に基づいて、移動体の過去の移動に係る各訪問先への到達回数を、到着時間帯ごとに集計するモデル生成部と、移動体の目的地が、推定される到着時間帯において過去の到達回数が最多の訪問先である場合、移動体の移動は習慣的な行動であると判定する習慣性判定部と、習慣性判定部の判定に応じて移動体に情報を出力する情報出力部とを有する。 The movement status determination apparatus according to the present invention includes a movement history generation unit that generates a movement history including a visit destination of a moving object based on position information indicating the position of the moving object, and a past history of the moving object based on the movement history. The model generation unit that counts the number of arrivals for each destination related to the movement for each arrival time zone, and the destination of the mobile body is the destination with the highest number of past arrivals in the estimated arrival time zone In this case, the mobile body has an addictiveness determination unit that determines that the movement of the mobile body is a habitual behavior, and an information output unit that outputs information to the mobile body according to the determination of the addictiveness determination unit.
このような構成によれば、移動履歴に基づいて移動体の移動が習慣的な行動であるか否か判定することができる。また、判定に基づいて、例えば習慣的な行動であれば時間的な余裕がない状況であると推定し、これに応じた情報を出力することができるようになる。すなわち、移動体の移動に関する履歴情報に基づき、ユーザの置かれている状況や移動の目的を推定することができる。 According to such a configuration, it can be determined whether the movement of the moving body is a habitual behavior based on the movement history. Also, based on the determination, for example, if it is a habitual behavior, it is estimated that there is no time allowance, and information according to this can be output. That is, it is possible to estimate the situation where the user is placed and the purpose of the movement based on the history information regarding the movement of the moving body.
また、目的地は、移動履歴と、移動体の出発地から現在地までの移動経路とに基づいて
推定された場所であってもよい。このようにすれば、ユーザから目的地の指定を受けることなく、ユーザの置かれている状況や移動の目的を推定することができるようになる。
Further, the destination may be a place estimated based on the movement history and the movement route from the departure place of the moving object to the current position. In this way, it is possible to estimate the situation where the user is placed and the purpose of movement without receiving designation of the destination from the user.
また、位置情報取得部が取得した移動体の出発地、及び目的地が、移動体に係るユーザの自宅の位置から所定範囲内である場合、又は、前記位置情報取得部が取得した前記移動体の出発地、及び前記目的地が、前記移動履歴において通過頻度が閾値以上の領域に含まれる場合、生活圏内における移動であると判定する生活圏内外判定部をさらに有し、情報出力部は、習慣性判定部の判定及び生活圏内外判定部の判定に応じて移動体に情報を出力するようにしてもよい。このようにすれば、上述の習慣的な行動であるか否かという基準に加え、ユーザにとって土地勘のある生活圏内における移動であるか否かという基準を組み合わせて、ユーザの置かれている状況や移動の目的を推定することができるようになる。 In addition, when the starting point and the destination of the moving object acquired by the position information acquisition unit are within a predetermined range from the position of the user's home related to the moving object, or the moving object acquired by the position information acquisition unit When the departure place of the destination and the destination are included in an area having a passage frequency equal to or higher than a threshold in the movement history, the information processing unit further includes an outside-life area determination unit that determines that the movement is within the life area, Information may be output to the moving body in accordance with the determination of the addictiveness determination unit and the determination of the out-of-life determination unit. In this way, in addition to the criteria for whether or not it is a habitual behavior as described above, the criteria for whether or not the user is moving in a living area that is familiar to the land is combined with the situation where the user is placed. And the purpose of movement can be estimated.
また、移動体に係るユーザの自宅の位置は、移動履歴に基づいて推定された場所であってもよい。このようにすれば、ユーザの自宅についてもユーザが設定する必要なくユーザの置かれている状況や移動の目的を推定することができるようになる。 Further, the position of the user's home related to the moving body may be a place estimated based on the movement history. In this way, the situation where the user is placed and the purpose of movement can be estimated without the user having to set the user's home.
移動履歴は、地域を予め定められた位置及び大きさの網目状に区画するメッシュに基づいて移動体の位置情報の遷移を表すものであってもよい。このようにすれば、経時的に変化する道路の情報を用いることなく移動履歴を表すことができるようになるため、地図情報の維持及び管理にかかるコストを低減させることができる。 The movement history may represent a transition of position information of the moving body based on a mesh that divides the area into a mesh having a predetermined position and size. In this way, the travel history can be expressed without using road information that changes over time, and thus the cost for maintaining and managing the map information can be reduced.
なお、課題を解決するための手段に記載の内容は、本発明の課題や技術的思想を逸脱しない範囲で可能な限り組み合わせることができる。課題を解決するための手段の内容は、コンピュータ等の装置若しくは複数の装置を含むシステム、コンピュータが実行する方法、又はコンピュータに実行させるプログラムとして提供することができる。また、プログラムを保持する記録媒体を提供するようにしてもよい。 The contents described in the means for solving the problems can be combined as much as possible without departing from the problems and technical ideas of the present invention. The contents of the means for solving the problems can be provided as a device such as a computer or a system including a plurality of devices, a method executed by the computer, or a program executed by the computer. Further, a recording medium that holds the program may be provided.
本発明によれば、移動体の移動に関する履歴情報に基づき、ユーザの置かれている状況や移動の目的を推定する技術を提供することができる。 ADVANTAGE OF THE INVENTION According to this invention, the technique which estimates the condition where the user is put, and the objective of a movement based on the historical information regarding the movement of a mobile body can be provided.
以下、本発明の実施形態について、図面を用いて説明する。なお、下記の実施形態は本発明の例示であり、本発明は、下記の構成には限定されない。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. In addition, the following embodiment is an illustration of this invention and this invention is not limited to the following structure.
＜システムの構成＞
図１は、本実施形態に係るシステムの構成を示す図である。本システムは、移動状況判定装置１と、ネットワーク２と、移動体３（３ａ、３ｂ・・・）とを含む。移動体３はＧＰＳ（Global Positioning System）受信機等の位置情報を取得可能なセンサを備えてい
る。本実施形態では、移動体３が位置情報を送信するものとして説明する。具体的には、移動体３は、乗用車や二輪車等であってナビゲーション装置を備える車両３ａや、携帯電話機、スマートフォン、タブレット（スレートＰＣ（Personal Computer））、ノート型
ＰＣといったモバイル装置３ｂを所持して外出する使用者等である。また、ナビゲーション装置やモバイル装置には所定のアプリケーションソフトウェアがインストールされており、当該アプリケーションソフトウェアはネットワーク２を介して移動状況判定装置１へ継続的に位置情報を送信するものとする。一方、移動状況判定装置１は、移動体３の現在地や目的地、過去の移動履歴から生成した移動パターンのモデル等に基づいて、土地勘のある地域での移動か否か、習慣性（規則性とも呼ぶ）のある移動か否かといった移動状況の判定を行うとともに、判定に応じた情報を出力する。
<System configuration>
FIG. 1 is a diagram illustrating a configuration of a system according to the present embodiment. This system includes a movement
＜機能構成＞
図２は、移動状況判定装置１の一例を示す機能ブロック図である。移動状況判定装置１は、記憶部１１と、位置情報取得部１２と、移動履歴生成部１３と、モデル生成部１４と、予測目的地取得部１５と、自宅位置取得部１６と、生活圏内外判定部１７と、習慣性判定部１８と、情報出力部１９とを含む。
<Functional configuration>
FIG. 2 is a functional block diagram illustrating an example of the movement
記憶部１１は、いわゆる主記憶装置または補助記憶装置であり、本実施形態で用いる情報を一時的又は永続的に保持する。位置情報取得部１２は、ネットワーク２を介して移動体３から緯度及び経度を含む位置情報を継続的に取得し、記憶部１１に格納する。また、移動履歴生成部１３は、出発地から目的地への移動を表す１つの単位として、記憶部１１に格納されている複数の位置情報から１回の移動に係る移動履歴を生成し、記憶部１１に格納する。なお、移動の開始及び終了は、例えば車両のエンジン始動からエンジン停止まで、又は略同一の場所への所定期間以上の滞在から別の場所への所定期間以上の滞在までといった条件に基づいて判別する。なお、本実施形態では、過去の移動において到達した目的地を特に「訪問先」とも呼ぶ。
The storage unit 11 is a so-called main storage device or auxiliary storage device, and temporarily or permanently holds information used in the present embodiment. The position
本実施形態では、緯度及び経度を含む位置情報を例えば地域メッシュコードに変換し、地域メッシュコードの遷移を表す移動履歴を生成する。図３は、地域メッシュコードを説明するための図である。本実施形態では、日本工業規格のＪＩＳ Ｘ０４１０に規定された地域メッシュコードを用いている。地域メッシュコードは、第１次メッシュ（「第１次地域区画」とも呼ぶ）、第２次メッシュ（「第２次地域区画」、「統合地域メッシュ」とも呼ぶ）及び第３次メッシュ（「第３次地域区画」、「基準地域メッシュ」とも呼ぶ）といった標準地域メッシュ、並びに２分の１地域メッシュ、４分の１地域メッシュ及び８分の１地域メッシュといった分割地域メッシュの各段階の大きさのメッシュで位置を表現する。 In the present embodiment, position information including latitude and longitude is converted into, for example, a regional mesh code, and a movement history representing a transition of the regional mesh code is generated. FIG. 3 is a diagram for explaining a regional mesh code. In the present embodiment, a regional mesh code defined in Japanese Industrial Standard JIS X0410 is used. The regional mesh code includes a primary mesh (also referred to as “primary regional partition”), a secondary mesh (also referred to as “secondary regional partition”, “integrated regional mesh”), and a tertiary mesh (“first regional partition”). The size of each stage of the standard area mesh such as “tertiary area section” and “reference area mesh” and the divided area mesh such as the half area mesh, the quarter area mesh, and the eighth area mesh. The position is expressed by the mesh.
第１次メッシュとは、地域を１辺の長さが約８０ｋｍの略矩形の領域に分割したものであり、第１次メッシュコードは、緯度を表す上２桁の数字及び経度を表す下２桁の数値からなる４桁の数字で表される。第２次メッシュは、第１次メッシュを東西方向及び南北方向にそれぞれ８等分したものであり、第２次メッシュコードは、緯度方向を表す上１桁の
数字及び経度方向を表す下１桁の数字からなる２桁の数字を「−（ハイフン）」で第１次メッシュコードに連結した形式で表される。第３次メッシュは、第２次メッシュを東西方向及び南北方向にそれぞれ１０等分したものであり、第３次メッシュコードは、緯度方向を表す上１桁の数字及び経度方向を表す下１桁の数字からなる２桁の数字を第１次メッシュコード及び第２次メッシュコードに連結した形式で表される。２分の１地域メッシュは、第３次メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、２分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜第３次メッシュコードに連結した形式で表される。４分の１地域メッシュは、２分の１地域メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、４分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜２分の１地域メッシュコードに連結した形式で表される。８分の１地域メッシュは、４分の１地域メッシュを東西方向及び南北方向にそれぞれ２等分したものであり、８分の１地域メッシュコードは、南西の領域を１、南東の領域を２、北西の領域を３、北東の領域を４として第１次〜４分の１地域メッシュコードに連結した形式で表される。
The primary mesh is obtained by dividing an area into a substantially rectangular area having a side length of about 80 km, and the primary mesh code is an upper two-digit number representing latitude and a lower 2 representing longitude. It is expressed as a 4-digit number consisting of a numeric value. The secondary mesh is obtained by dividing the primary mesh into eight equal parts in the east-west direction and the north-south direction, respectively, and the secondary mesh code is the first one digit representing the latitude direction and the last one digit representing the longitude direction. This is expressed in a format in which a two-digit number consisting of the following numbers is connected to the primary mesh code by “-(hyphen)”. The tertiary mesh is obtained by dividing the secondary mesh into 10 equal parts in the east-west direction and the north-south direction, respectively. The tertiary mesh code is a first digit representing the latitude direction and a last digit representing the longitude direction. This is expressed in a form in which a two-digit number consisting of a number of 1 is connected to a primary mesh code and a secondary mesh code. The half-region mesh is the third mesh divided into two equal parts in the east-west direction and north-south direction. The half-region mesh code is 1 for the southwest region, 2 for the southeast region, and northwest. The area is 3 and the area in the northeast is 4 and is expressed in a form connected to the primary to tertiary mesh codes. The quarter region mesh is a halve of the half region mesh in the east-west direction and the north-south direction. The quarter region mesh code is 1 for the southwest region and 2 for the southeast region. , The northwest region is 3 and the northeast region is 4, and is expressed in a format connected to the primary to half-region mesh codes. One-eighth region mesh is a quarter-region mesh divided into two equal parts in the east-west direction and north-south direction. The eighth-region mesh code is 1 for the southwest region and 2 for the southeast region. , The northwest region is 3 and the northeast region is 4, and is expressed in a format connected to the primary to quarter region mesh codes.
なお、緯度及び経度を含む位置情報から地域メッシュコードへの変換処理は既存のアルゴリズムを用いて行うことができるため、詳細は省略する。また、本実施形態では、便宜上、第１次メッシュ側を上位のメッシュ、８分の１地域メッシュ側を下位のメッシュと相対的に呼ぶ。なお、既存の地域メッシュコードに限らず、地域を予め定められた位置及び大きさの網目状に区画するメッシュを独自に定義して用いるようにしてもよい。 In addition, since the conversion process from the positional information including latitude and longitude to a regional mesh code can be performed using an existing algorithm, details are omitted. In the present embodiment, for the sake of convenience, the primary mesh side is referred to as the upper mesh, and the 1/8 area mesh side is referred to as the lower mesh. In addition, you may make it use uniquely the mesh which partitions not only the existing area | region mesh code | cord | chord but the area | region into the mesh | network shape of a predetermined position and magnitude | size.
例えば交差点をノードとした位置情報の系列で移動履歴を表す場合等のような地図情報を必要とする方式と異なり、地域メッシュコードを用いることで、地図情報の更新及び管理にかかるコストを削減することができる。また、メッシュコードに対して商業施設や観光地、その他のランドマーク（例えば、ＰＯＩ（Point Of Interest））を関連付けて保
存したり、メッシュコードの系列に対して渋滞や工事等の交通情報を関連付けて保存したりしておくことで、移動状況判定装置１から移動体３への適切な情報出力も可能となる。なお、上述の通り、地域メッシュコードは、位置情報を複数段階の詳細度で表すことができる。移動体３の移動距離や、移動状況判定装置１の処理負荷等に応じて詳細度を変更することで、状況判定の精度を向上させたり、処理速度を向上させたりすることもできる。
For example, unlike a method that requires map information, such as when moving history is represented by a series of position information with an intersection as a node, the cost of updating and managing map information is reduced by using a regional mesh code. be able to. Also, store commercial facilities, sightseeing spots, and other landmarks (for example, POI (Point Of Interest)) in association with mesh codes, and associate traffic information such as traffic jams and construction with mesh code sequences. By storing the information, it is possible to output appropriate information from the movement
また、モデル生成部１４は、記憶部１１に格納されている移動履歴から、後述する判別処理において用いる履歴モデルを生成し、記憶部１１に格納する。本実施形態に係る履歴モデルとは、移動履歴から生成した習慣性の傾向を表す統計情報をいうものとする。例えば、曜日ごと且つ時間帯ごとに、各目的地（すなわち、訪問先）への到着回数を集計しておく。図４は、曜日及び時間帯ごとに集計した目的地への到達回数を説明するための図である。図４の例では、過去所定期間における木曜８時台の集計結果として、会社が４３回、理容院が６回、ジムが３回と記憶されている。なお、図４において目的地はランドマークごとに集計されているが、メッシュごとに目的地を集計するようにしてもよい。また、モデル生成部１４は、習慣性判断の指標値を求めるようにしてもよい。例えば、ある曜日のある時間帯において訪問回数が最多の目的地と、訪問回数が２番目以下の目的地との間の比率が、所定の閾値以上であるか判断する。そして、所定の閾値以上の差がある場合、当該曜日の当該時間帯においては、最多訪問回数の目的地へ向かっているときに習慣的な移動を行っていると、後述する判定処理において判定する。
In addition, the
目的地取得部１５は、移動体３の目的地を示す情報を記憶部１１から読み出す。移動体３の目的地は、ユーザ（運転者）がナビゲーション装置に入力した位置であってもよいし、移動体３の移動開始から現在地までの移動に基づいて移動状況判定装置１等が予測した位置であってもよい。また、自宅位置取得部１６は、移動体３のユーザの自宅の位置を記
憶部１１から読み出す。自宅の位置も、ユーザがナビゲーション装置に入力した位置を読み出すようにしてもよいし、移動履歴に基づいて推定した自宅の位置を読み出すようにしてもよい。
The
生活圏内外判定部１７は、移動中である移動体３の出発地及び目的地に基づいて、今回の移動が移動体３のユーザの生活圏内における移動であるか否かを判定する。例えば、出発地及び目的地の両者が自宅の位置から所定距離以内であれば生活圏内であると判定する。また、習慣性判定部１８は、移動中である移動体３の目的地並びに移動時の曜日及び時間帯に基づいて、今回の移動が移動体３のユーザにとって習慣性のある移動であるか否か判定する。習慣性のある移動とは、例えば、同一の曜日且つ同一の時間帯に行う決まった場所への移動のように、所定の時刻に間に合うように移動しなければならないと推定される、日常の規則的な行動をいうものとする。
The out-of-life
図５は、移動状況の判定を説明するための図である。本実施形態では、生活圏内外及び習慣性の有無の組み合わせによって、移動体３のユーザの置かれている状況や移動の目的を表す、４つの移動状況（シーンとも呼ぶ）に分類する。具体的には、習慣性の有無により、状況を日常と非日常とに分類する。また、生活圏内外により、状況をホーム（Home）とアウェイ（Away）とに分類する。これらの状況を組み合わせると、非日常且つホーム、非日常且つアウェイ、日常且つホーム、日常且つアウェイの４つの移動状況に分類される。
FIG. 5 is a diagram for explaining determination of the movement status. In this embodiment, it is classified into four movement situations (also referred to as scenes) that represent the situation where the user of the moving
情報出力部１９は、生活圏内の移動であるか否か、及び習慣性のある移動であるか否かといった条件により、移動体３のユーザが土地勘のある地域を移動しているか否か、及び日常のルーチン化された移動であるか否かといった移動の状況を判別し、状況に応じた情報をネットワーク２を介して移動体３に出力する。
The
＜装置構成＞
図６は、コンピュータの一例を示す装置構成図である。移動状況判定装置１や図示していない移動体３のナビゲーション装置、モバイル端末等は、例えば図６に示すようなコンピュータである。図６に示すコンピュータ１０００は、ＣＰＵ（Central Processing Unit）１００１、主記憶装置１００２、補助記憶装置（外部記憶装置）１００３、通信ＩＦ
（Interface）１００４、入出力ＩＦ（Interface）１００５、ドライブ装置１００６、通信バス１００７を備えている。ＣＰＵ１００１は、プログラムを実行することにより本実施の形態に係る処理等を行う。主記憶装置１００２は、ＣＰＵ１００１が読み出したプログラムやデータをキャッシュしたり、ＣＰＵの作業領域を展開したりする。主記憶装置は、具体的には、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等である。補助記憶装置１００３は、ＣＰＵ１００１により実行されるプログラムや、位置情報などを記憶する。補助記憶装置１００３は、具体的には、ＨＤＤ（Hard-disk Drive）やＳ
ＳＤ（Solid State Drive）、ｅＭＭＣ（embedded Multi-Media Card）、フラッシュメモリ等である。主記憶装置１００２や補助記憶装置１００３は、移動状況判定装置１の記憶部１１等として働く。通信ＩＦ１００４は、他のコンピュータとの間でデータを送受信する。移動状況判定装置１は、通信ＩＦ１００４を介してネットワーク２に接続される。通信ＩＦ１００４は、具体的には、有線又は無線のネットワークカード等である。入出力ＩＦ１００５は、入出力装置と接続され、ユーザから入力を受け付けたり、ユーザへ情報を出力したりする。入出力装置は、具体的には、キーボード、マウス、ディスプレイ、タッチパネル等である。ドライブ装置１００６は、磁気ディスク、光磁気ディスク、光ディスク等の記憶媒体に記録されたデータを読み出したり、記憶媒体にデータを書き込んだりする。そして、以上のような構成要素が、通信バス１００７で接続されている。なお、これらの構成要素はそれぞれ複数設けられていてもよいし、一部の構成要素（例えば、ドライブ装置１００６）を設けないようにしてもよい。また、入出力装置がコンピュータと一体
に構成されていてもよい。また、ドライブ装置１００６で読み取り可能な可搬性の記憶媒体や、フラッシュメモリのような可搬性の補助記憶装置１００３、通信ＩＦ１００４などを介して、本実施の形態で実行されるプログラムが提供されるようにしてもよい。そして、ＣＰＵ１００１がプログラムを実行することにより、図６に示すようなコンピュータを図２に示した移動状況判定装置１等として働かせる。
＜モデル作成処理＞
次に、移動状況判定装置１の処理の詳細について説明する。移動状況判定装置１は、移動体３から位置情報を継続的に受信し、移動履歴の記憶及び予測モデルの生成を行う。
<Device configuration>
FIG. 6 is an apparatus configuration diagram illustrating an example of a computer. The movement
(Interface) 1004, input / output IF (Interface) 1005,
SD (Solid State Drive), eMMC (embedded Multi-Media Card), flash memory, and the like. The
<Model creation process>
Next, details of the processing of the movement
図７は、モデル作成処理の一例を示す処理フロー図である。移動状況判定装置１の位置情報取得部１２は、ネットワーク２を介して移動体３から任意のタイミングで位置情報を取得する（図７：Ｓ１）。まず、移動体３は、例えばＧＰＳ受信機によって、緯度及び経度によって自身の位置を示す位置情報を測定する。そして、移動体３は、所定の時間ごと、又は所定の距離を移動するごと等のタイミングで、位置情報を移動状況判定装置１へ送信する。なお、位置情報は、いわゆるプローブ情報であってもよい。一方、移動状況判定装置１の位置情報取得部１２は、受信した位置情報を記憶部１１に格納する。
FIG. 7 is a process flow diagram illustrating an example of the model creation process. The position
図８は、記憶部１１に格納される位置情報の一例を示す図である。図８の例では、ある移動体のある時点における位置情報として、移動体ＩＤ、日時、緯度、経度、方角、速度等の各項目に対応する値が１つのレコードに格納されている。なお、方角の項目は移動体の進行方向を示し、進行方向を示す値は、例えば、真北を０度又は１２時等とする方位角で表す。 FIG. 8 is a diagram illustrating an example of position information stored in the storage unit 11. In the example of FIG. 8, as position information at a certain point in time for a certain moving body, values corresponding to the respective items such as the moving body ID, date and time, latitude, longitude, direction, and speed are stored in one record. The direction item indicates the traveling direction of the moving body, and the value indicating the traveling direction is represented by an azimuth angle where true north is 0 degrees or 12:00, for example.
そして、位置情報取得部１２は、移動体３が目的地（すなわち、訪問先）へ到着したか判断する（Ｓ２）。位置情報取得部１２は、例えば所定時間以上、移動体３から位置情報が送信されなくなった場合に移動体３が目的地へ到着したと判断してもよいし、移動体３が目的地へ到着した旨の情報を送信するようにしてもよい。車両のエンジン停止を目的地への到着と判断するような場合、車載装置の電源のオフが指示されたとき目的地への到着を示す情報及び当該地点の位置情報を移動状況判定装置１へ送信してからシャットダウンするようにしてもよい。また、エンジンや車載装置の電源と連動した制御ができない場合は、次に車載装置の電源がオンになったとき、当該地点の位置情報及び前回のシャットダウン直前の日時等を移動状況判定装置１へ送信するようにしてもよい。目的地へ到着していないと判断された場合（Ｓ２：ＮＯ）、処理はＳ１に戻り、位置情報取得部１２は、移動体３が送信する位置情報を順次記憶部１１に格納する。
Then, the position
一方、目的地へ到着したと判断された場合（Ｓ２：ＹＥＳ）、移動状況判定装置１の移動履歴生成部１３は、移動開始から目的地到着までを１つの単位とした移動履歴を生成する（Ｓ３）。本ステップでは、例えば図９に示すような移動履歴の１レコードが生成される。図９の移動履歴は、移動体ＩＤ、履歴ＩＤ、出発情報、到着情報、移動時間、通過点、天候等の各項目に対応する値を含む。なお、出発情報及び到着情報は、それぞれメッシュ、緯度、経度、ＰＯＩ及び日時の各項目に対応する値を含む。移動体ＩＤの項目には、移動体の識別情報が登録される。履歴ＩＤの項目には、移動開始から目的地到着までを表す移動履歴の識別情報が登録される。また、移動状況判定装置１の図示していないＰＯＩ情報更新部は、地域メッシュにより表される位置情報と当該位置に存在する施設等の情報とを対応付けて記憶部１１に保持させておくようにしてもよい。また、図示していない天候情報取得部は、地域ごと且つ過去の時間帯ごとの天候を示す情報を、例えばインターネット上の情報配信サーバから取得し、記憶部１１に保持させておくようにしてもよい。そして、移動履歴生成部１３は、出発地及び到着地の位置情報にそれぞれ関連付けられたＰＯＩや、例えば出発地における出発時刻の天候情報を読み出して移動履歴に格納する。天候情報とは、例えば、晴れ、曇り、雨、雪、不明等の天候区分、並びに最高気温及び最低
気温とする。また、移動時間の項目には、到着に係る日時から出発に係る日時を減じて求めた所要時間が保持される。通過点の項目には、出発地から到着地までに経由した１以上の地点の系列が保持される。
On the other hand, when it is determined that the vehicle has arrived at the destination (S2: YES), the movement
その後、移動状況判定装置１のモデル生成部１４は、履歴モデルを生成する（Ｓ４）。履歴モデルとは、移動履歴における習慣性の傾向を表す統計情報であり、後述する移動状況判別処理において指標として用いられる。本ステップでは、図４に示したような統計情報に、曜日及び時間帯ごとに集計した目的地への到達回数が記録される。すなわち、モデル生成部１４は、Ｓ３において生成された移動履歴情報を読み出し、到着情報の日時に基づいて該当する曜日及び時間帯のセルの、該当する目的地（到着情報のＰＯＩ）の到着回数に１をインクリメントする。また、本ステップでは、習慣性の判断において用いる指標として、ある曜日のある時間帯における訪問回数が最多の目的地と、その他（訪問回数が２番目以下）の目的地との間の訪問回数の比率を求めておくものとする。例えば、次の数１に示すような指標を、曜日ごと且つ時間帯ごとに求めておき、指標が所定の閾値以上である場合、曜日及び時間帯に対応付けて訪問回数が最多の目的地を「習慣的目的地」として保持しておく。
以上で、モデル生成処理は終了する。移動体３が移動を開始する度に図７のモデル生成処理が開始され、履歴モデルが更新される。
Thus, the model generation process ends. Each time the moving
＜状況判別処理＞
次に、履歴モデルを用いた状況判別処理について説明する。状況判別処理は、移動体３の移動中に実行される。すなわち、上述したモデル作成処理において、例えば位置情報の取得処理と並行して実行される。
<Situation determination processing>
Next, situation determination processing using a history model will be described. The situation determination process is executed while the moving
図１０は、状況判別処理の一例を示す処理フロー図である。移動状況判定装置１の目的地取得部１５は、記憶部１１から目的地の情報を取得する（図１０：Ｓ１１）。なお、目的地の情報は、例えばランドマーク又はメッシュの形式で記憶部１１に記憶されている。また、目的地の情報は、ユーザがナビゲーション装置等に入力した情報に基づくものでもよいし、移動状況判定装置１又はナビゲーション装置等によって推定されたものでもよい。なお、目的地の推定処理については後述する。
FIG. 10 is a process flow diagram illustrating an example of the situation determination process. The
また、移動状況判定装置１の自宅位置取得部１６は、記憶部１１から自宅の情報を取得する（Ｓ１２）。なお、自宅の情報は、例えばメッシュの形式で記憶部１１に記憶されている。また、自宅の位置も、ユーザがナビゲーション装置等に入力した情報に基づくものでもよいし、移動状況判定装置１又はナビゲーション装置等によって推定されたものでもよい。なお、自宅位置の推定処理についても後述する。
Moreover, the home
その後、移動状況判定装置１の生活圏内外判定部１７は、移動体３の移動が移動体３のユーザの生活圏内におけるものであるか否か判定する（Ｓ１３）。例えば、生活圏内外判定部１７は、位置情報取得部１２が取得した、移動体３の今回の移動に係る出発地、及び目的地取得部１５が取得した目的地の両者が、自宅位置取得部１６が取得した自宅の位置から所定距離以内であれば生活圏内であると判定する。一方、出発地又は目的地のいずれか一方でも自宅から所定距離内でなければ、生活圏外であると判定する。なお、所定距離以内とは、例えば自宅からの直線距離が３ｋｍ以内のように、閾値が予め定められているものとする。
Thereafter, the out-of-life
なお、Ｓ１３では、生活圏内外判定部１７は、例えば移動履歴において通過頻度が所定の閾値以上であるメッシュ又は区間を、生活圏内と判断するようにしてもよい。図１１は、通過頻度が閾値以上のメッシュを説明するための模式的な図である。なお、図１１の例では、便宜上、メッシュの縦方向にＡ〜Ｊ、横方向に１〜１０の符号を付している。また、メッシュＦ５にユーザの自宅があるものとする。そして、図９に示した移動履歴の出発情報に係るメッシュ、到着情報に係るメッシュ、及び通過点に係るメッシュを用いて、過去所定期間における各メッシュの通過回数を集計し、通過回数を多いほどドットの数が多くなるようなパターンで塗りつぶしている。さらに、通過回数が所定の閾値以上であったメッシュを太枠で示すと、図１１のようになったものとする。ここでは、便宜上、通過回数が所定の閾値以上であったメッシュ群（すなわち、太枠で囲われたメッシュ）を、メッシュセットとも呼ぶ。図１１の例では、自宅の周囲のメッシュの通過回数が比較的高くなっているが、自宅からほぼ等距離にあるメッシュであっても、通過回数には偏りがある。このような情報を用いて、例えば、出発地及び目的地の両者が、メッシュセットのいずれかである場合、生活圏内における移動であると判断することもできる。また、出発地から目的地までに通過が予測されるメッシュのうち、所定の割合以上がメッシュセットのいずれかである場合に、生活圏内における移動であると判断するようにしてもよい。同様に、メッシュセットを用いることで、自宅以外であって訪問頻度の高い場所についても生活圏内（換言すれば、土地勘のある地域）であると判断することもできる。
In S <b> 13, the out-of-life
そして、移動状況判定装置１の習慣性判定部１８は、移動体３の今回の移動が習慣性のある移動であるか否か判断する（Ｓ１４）。本ステップでは、モデル作成処理において作成された履歴モデル及び指標を用いて、習慣性の有無を判断する。例えば、移動体３の目的地が、過去の同一曜日且つ同一時間帯における最多訪問回数の目的地である場合に、習慣性のある移動であると判断する。さらに、Ｓ１１において取得した目的地が、Ｓ４で求めた習慣的目的地である場合、習慣性のある移動であると判断するようにしてもよい。すなわち、当該曜日且つ当該時間帯における訪問確率が所定ポイント以上高い目的地である場合に、習慣性のある移動であると判断する。
And the
その後、移動状況判定装置１の情報出力部１９は、移動状況の判断結果に応じた情報を、ネットワーク２を介して移動体３へ出力する（Ｓ１５）。本ステップでは、図５に示した、非日常且つホーム、非日常且つアウェイ、日常且つホーム、又は日常且つアウェイの４種類の移動状況によって、異なる情報を出力する。情報は、メッシュに関連付けて記憶部１１に記憶されているものとし、例えば移動体３が通過中のメッシュ又は目的地までの経路に存在するメッシュに関連付けられた情報を出力する。
Thereafter, the
本実施形態では、ホームの場合、ユーザにとって土地勘のある地域、すなわち生活圏内での移動であると判断する。したがって、例えば新規店舗の開店のような地域の情報や、生活に密着したお勧め情報を提供する。一方、アウェイの場合は、観光スポットの情報や、運転経路の提案、危険ポイント等の交通情報等、ユーザの移動の目的に応じて様々な情報を出力する。また、日常の場合は、変わった提案は行わず、所定の時刻に遅刻しないように目的地までの交通情報を案内する。一方、非日常の場合は、時間的な余裕がある可能性があると判断し、地域の様々な情報を出力したり、経路や目的地に関する提案を行ったりする。以下、組み合わせに係る４種類の移動状況で出力される情報を例示する。 In the present embodiment, in the case of a home, it is determined that the user is moving in an area in which the user feels the land, that is, in the living area. Therefore, for example, local information such as opening a new store or recommended information closely related to daily life is provided. On the other hand, in the case of away, various information is output according to the purpose of movement of the user, such as information on tourist spots, proposal of driving routes, traffic information such as danger points, and the like. Also, in daily life, no unusual proposals are made, and traffic information to the destination is guided so as not to be late at a predetermined time. On the other hand, in the case of non-daily life, it is determined that there is a possibility that there is a time allowance, and various information on the area is output, or a proposal regarding a route and a destination is made. Hereinafter, information output in the four types of movement situations related to the combination will be exemplified.
＜出力例１＞
非日常且つアウェイの場合、地域の様々な情報を紹介するようにしてもよい。例えば、歴史に関連して地域にまつわる武将の情報や、観光地の歴史的なエピソード、地名の由来等を出力する。また、地域の交通機関や乗り物を紹介するようにしてもよいし、例えば廃墟のような観光地を紹介するようにしてもよい。このような情報は、ユーザ（移動体）の
移動履歴に基づいて推定された嗜好に応じて出力されるようにしてもよいし、移動履歴とは無関係に新たな提案を行うようにしてもよい。
<Output example 1>
In the case of extraordinary and away, various information on the area may be introduced. For example, information on military commanders related to the area in relation to history, historical episodes of sightseeing spots, origin of place names, etc. are output. In addition, local transportation and vehicles may be introduced, or a tourist spot such as a ruin may be introduced. Such information may be output according to the preference estimated based on the movement history of the user (moving body), or a new proposal may be made regardless of the movement history. .
＜出力例２＞
同様に、非日常且つアウェイの場合、状況に応じて再生する音楽を提案するようにしてもよい。例えば、音楽は、通過中の地域にまつわるものを提案する。また、図示していない統計処理部が、本実施形態に係るシステムのユーザから位置情報と当該地点において再生した音楽の識別情報とを受信し、他のユーザが移動している地域において再生される割合の高い音楽を提案するようにしてもよい。このとき、音楽データが配信される構成にしてもよい。
<Output example 2>
Similarly, in the case of extraordinary and away, music to be played may be proposed according to the situation. For example, music is suggested for the area in transit. In addition, a statistical processing unit (not shown) receives position information and identification information of music reproduced at the point from the user of the system according to the present embodiment, and is reproduced in an area where other users are moving. You may make it suggest a music with a high ratio. At this time, music data may be distributed.
＜出力例３＞
非日常且つアウェイの場合、観光プランを提案するようにしてもよい。この場合、例えばユーザの移動履歴を用いて嗜好や家族構成等を推定し、推定に基づいた観光地を提案する。
<Output example 3>
In the case of extraordinary and away, a sightseeing plan may be proposed. In this case, for example, the user's movement history is used to estimate the preference, the family structure, and the like, and a sightseeing spot based on the estimation is proposed.
＜出力例４＞
また、非日常且つアウェイの場合、安全運転を促す交通情報を出力するようにしてもよい。事故多発等の統計情報に基づいて注意喚起を行うことにより、見知らぬ土地での運転を支援することができる。
<Output example 4>
Further, in the case of extraordinary and away, traffic information that encourages safe driving may be output. By calling attention based on statistical information such as frequent accidents, driving on an unknown land can be supported.
＜出力例５＞
非日常且つアウェイの場合、移動状況判定装置１が訪問履歴のない地域へのドライブ計画を提案するようにしてもよい。移動状況判定装置は、例えば上述したような嗜好等の推定に応じて経路や立寄り地点、休憩地点等の計画を生成する。
<Output example 5>
In the case of extraordinary and away, the movement
＜出力例６＞
また、非日常且つホームと判断された場合であって、習慣性のある移動よりも早めに出発したと判断されるときは、喫茶店やファストフード店等への立寄りを提案するようにしてもよい。特に非日常と判断された場合は、通常の行動パターンと異なるため、ユーザとの対話形式で提案を行うことが好ましい。
<Output example 6>
Also, if it is determined that it is unusual and home, and it is determined that it has departed earlier than the habitual movement, it may be suggested to drop in at a coffee shop or fast food restaurant . In particular, when it is determined to be extraordinary, it is different from the normal behavior pattern, so it is preferable to make a proposal in a dialog form with the user.
＜出力例７＞
状況の推定が難しいケースでは、不適切な提案を行うよりも対話形式で移動の目的を適切に把握することが好ましい。履歴に記録のない深夜に移動を開始したような場合、ユーザに目的の入力を求めることで、例えば家族が急病なのか、車中泊をしてスキー場へ向かうのか、適切に把握することができる。
<Output example 7>
In cases where it is difficult to estimate the situation, it is preferable to appropriately grasp the purpose of movement in an interactive manner rather than making an inappropriate proposal. If you start moving in the middle of the night without a record in the history, by asking the user for the desired input, you can appropriately know whether your family is suddenly ill, for example, whether you are staying in the car and heading to the ski area .
以上のように、本実施形態によれば、移動体の移動に関する履歴情報に基づき、ユーザの置かれている状況や移動の目的を推定することができる。よって、移動の目的や状況に応じて、適切な情報を出力することができるようになる。特に、自宅や目的地の位置も推定するようにすれば、ユーザからは何ら情報の入力を受け付けることなく履歴情報に基づいて、あるユーザのある移動に適切と判断された情報を提供することができるようになる。次に、自宅推定処理と目的地推定処理の内容を例示する。 As described above, according to the present embodiment, it is possible to estimate the situation where the user is placed and the purpose of the movement based on the history information regarding the movement of the moving object. Therefore, appropriate information can be output according to the purpose and situation of the movement. In particular, if the position of the home or the destination is also estimated, it is possible to provide information that is determined to be appropriate for a certain user's movement based on the history information without receiving any information input from the user. become able to. Next, the contents of home estimation processing and destination estimation processing will be exemplified.
＜自宅推定処理＞
自宅推定処理では、図９に示した履歴情報を読み出し、到着情報のメッシュ（すなわち、訪問先）ごとの到達回数を集計する。そして、到達回数が最大のメッシュを、自宅の存在するエリアであると判断する。ユーザは自宅を起点として移動するため、自宅は最も訪問する回数が多くなると考えられるからである。なお、訪問頻度が所定の閾値以上である
という条件をさらに加えて判断するようにしてもよい。このようにすれば、例えば訪問回数の拮抗した２位のメッシュが存在する場合に、判断が保留される。このような自宅推定処理によれば、ユーザから情報の入力を受けることなく自宅の位置を推定することができる。また、本願のように自宅の位置をピンポイントの緯度及び経度でなく面積のあるメッシュという単位で保持するようにすれば、ユーザの住所に係るプライバシーに対して配慮したシステムとなる。
<Home estimation processing>
In the home estimation process, the history information shown in FIG. 9 is read, and the arrival frequency for each mesh (that is, visited) of arrival information is totaled. Then, the mesh having the maximum number of arrivals is determined to be an area where the home exists. This is because the user moves from his / her home, and the home is considered to be visited most frequently. The determination may be made by further adding a condition that the visit frequency is equal to or higher than a predetermined threshold. In this way, for example, when there is a second-ranked mesh with the number of visits competing, the determination is suspended. According to such home estimation processing, the home position can be estimated without receiving input of information from the user. Further, if the home position is held in units of an area mesh instead of the pinpoint latitude and longitude as in the present application, the system takes into account the privacy associated with the user's address.
＜目的地推定処理＞
本実施形態に係る目的地推定処理は、例えば、出発時の予測処理に用いる予測モデルと、移動時の予測処理に用いる予測モデルとを予め生成しておくものとする。なお、出発時の予測処理に用いる予測モデルとして、（１）隠れマルコフモデル方式と、（２）ベイジアンネットワーク方式とを例示する。一方、移動時の予測処理に用いる予測モデルとしては、（３）類似度方式と、（４）ベイズ更新方式とを例示する。そして、移動体３が移動を開始すると、予測モデルを用いて目的地を推定する。以下、各方式について説明する。
<Destination estimation processing>
In the destination estimation process according to the present embodiment, for example, a prediction model used for the prediction process at the time of departure and a prediction model used for the prediction process at the time of movement are generated in advance. In addition, as a prediction model used for the prediction process at the time of departure, (1) Hidden Markov model method and (2) Bayesian network method are illustrated. On the other hand, as a prediction model used for the prediction process at the time of movement, (3) similarity method and (4) Bayesian update method are illustrated. When the moving
（１）隠れマルコフモデル方式
隠れマルコフモデル方式では、過去の出発地及び目的地（すなわち、訪問先）の組み合わせを複数含む系列のパターンと、現在地に至るまでの移動に係る経由地の系列のパターンとの類似性に基づき、今回の移動の目的地を確率的に予測する。本実施形態では、過去所定回数（Ｎ）分の出発地から目的地への移動履歴に基づいて（いわゆるＮ階マルコフ連鎖に基づいて）目的地を推定するものとする。すなわち、過去所定回数分の出発地と目的地との組み合わせを予測モデルする。このようにすれば、移動体の移動が所定の経路で目的地を巡回するような規則性を有する場合、適切に目的地を予測可能となる。なお、曜日や出発時刻、天気等の条件を加味して予測モデルを生成するようにしてもよい。このように、移動体が移動を開始した直後において、過去に経由した目的地に基づいて次の目的地を推定することができる。
(1) Hidden Markov Model Method In the Hidden Markov Model Method, a sequence pattern that includes a plurality of combinations of past departure points and destinations (ie, destinations) and a route sequence pattern related to movement to the current location. The destination of the current movement is predicted probabilistically based on the similarity to. In the present embodiment, it is assumed that the destination is estimated based on the movement history from the departure point to the destination for a predetermined number of times (N) (based on the so-called Nth-order Markov chain). That is, a prediction model is formed of combinations of the starting point and the destination for a predetermined number of times in the past. In this way, the destination can be appropriately predicted when the moving body has regularity such that the destination travels around the destination along a predetermined route. Note that the prediction model may be generated in consideration of conditions such as day of the week, departure time, and weather. In this way, immediately after the moving object starts moving, the next destination can be estimated based on the destination that has passed in the past.
（２）ベイジアンネットワーク方式
本方式では、蓄積された移動履歴に基づき、出発時の条件ごとに各目的地（すなわち、訪問先）に到達した確率である予測モデルを算出する。例えば、出発時の条件である出発地、出発曜日、出発時刻の組み合わせごとに、各目的地への遷移確率を算出する。詳細には、次のような処理を行う。
（１−１）移動履歴の中から新たに生成された１つのレコードを読み出し、出発地、出発曜日、出発時刻等の組み合わせとして表される出発時の条件を抽出する。なお、出発地及び目的地は、例えば、４分の１地域メッシュ又はＰＯＩで表すものとする。
（１−２）抽出した出発時の条件に基づき、読み出したレコードを所定のカテゴリに分類する。例えば、目的地ごと、且つ出発時刻を０時から４時間刻みの６つの時間帯ごと、且つ曜日ごとの条件の組み合わせで表されるカテゴリに分類する。
（１−３）上述の組み合わせに基づく条件付確率表（ＣＰＴ：Conditional Probability Table）のセルに対応付けて記憶される当該目的地の総訪問回数に所定の調整値ｕを加算
する。なお、一般的にはｕ＝１として１回の訪問につき１を加算するが、最近の移動履歴を高く重みづけしてもよい。例えば、ｕを次の数２のように定義する。なお、ｄは、例えば、移動履歴の最も古い日にちから当該処理対象のレコードの生成された日にちまでの日数とする。
(1-1) One newly generated record is read out from the movement history, and a departure condition represented as a combination of the departure place, departure day, departure time, and the like is extracted. The departure point and the destination are represented by, for example, a quarter area mesh or POI.
(1-2) The read records are classified into a predetermined category based on the extracted departure conditions. For example, classification is made into categories represented by combinations of conditions for each destination, for each of six time zones from 0 o'clock to four hours, and for each day of the week.
(1-3) A predetermined adjustment value u is added to the total number of visits to the destination stored in association with cells in a conditional probability table (CPT) based on the above-described combination. In general, u = 1 and 1 is added for each visit, but recent movement history may be weighted higher. For example, u is defined as follows: Note that d is, for example, the number of days from the earliest date of the movement history to the date when the record to be processed is generated.
図１２は、条件付き確率表の一例を示す図である。条件付き確率表の各セルは、上述の
条件の組み合わせで表されるカテゴリに相当する。また、各カテゴリにおいて、目的地別の頻度を示す確率分布が集計される。このような条件付き確率表が、出発地ごとに生成される。後述する目的地推定処理では、出発時の条件に基づいて目的地の確率分布を読み出し、最も確率の高い目的地を予測された目的地とする。なお、モデル生成処理において、出発曜日が月曜から金曜であれば平日、土曜又は日曜であれば休日としてカテゴリに分類してもよい。なお、天候情報等をさらに用いて予測モデルを生成するようにしてもよい。このようにすれば、移動体が移動を開始した直後において、過去の同一出発地、同一曜日、同一時間帯、同一天候等といった条件のもとで集計された確率分布に基づいて次の目的地を推定することができる。
FIG. 12 is a diagram illustrating an example of the conditional probability table. Each cell in the conditional probability table corresponds to a category represented by a combination of the above conditions. In each category, probability distributions indicating the frequency for each destination are aggregated. Such a conditional probability table is generated for each departure place. In the destination estimation process described later, the probability distribution of the destination is read based on the conditions at the time of departure, and the destination with the highest probability is set as the predicted destination. In the model generation process, the category may be classified as a weekday if the departure day is Monday to Friday and as a holiday if it is Saturday or Sunday. Note that the prediction model may be generated by further using weather information or the like. In this way, immediately after the moving object starts moving, the next destination is based on the probability distribution compiled under the conditions such as the same starting place in the past, the same day of the week, the same time zone, the same weather, etc. Can be estimated.
（３）類似度方式
次に、移動時の目的地予測に用いる予測モデルについて説明する。なお、移動時の予測処理においては、位置情報を隣接するメッシュ間の有向グラフ（区間とも呼ぶ）で表すものとする。類似度方式では、出発地から現在地までの経路に存在する区間の類似度に基づいて、各目的地の尤もらしさを表すスコアを算出する。
(3) Similarity method Next, the prediction model used for the destination prediction at the time of movement is demonstrated. In the prediction process at the time of movement, position information is represented by a directed graph (also referred to as a section) between adjacent meshes. In the similarity method, a score representing the likelihood of each destination is calculated based on the similarity of a section existing in the route from the departure place to the current location.
図１３は、メッシュ間の有向グラフを説明するための図である。図１３の例では、便宜上、メッシュの縦方向にＡ〜Ｊ、横方向に１〜１０の符号を付している。また、図１３には、Ａ１〜Ｊ１０の１００個のメッシュが示されている。ここで、Ｇ２からＤ８まで直線的に移動する場合の経路を表す位置情報の系列について説明する。まず、移動体はＧ２からＧ３に向かって移動する。このような方向を有する隣接メッシュのペアによって、経路を表すものとする。その後、移動体は、Ｇ３からＦ３へ、Ｆ３からＦ４へ、Ｆ４からＦ５へ、Ｆ５からＥ５へ、Ｅ５からＥ６へ、Ｅ６からＥ７へ、Ｅ７からＤ７へ、Ｄ７からＤ８へ移動し、目的地へ到着する。 FIG. 13 is a diagram for explaining a directed graph between meshes. In the example of FIG. 13, for convenience, reference numerals A to J are assigned to the vertical direction of the mesh and 1 to 10 are given to the horizontal direction. FIG. 13 shows 100 meshes A1 to J10. Here, a series of position information representing a route when moving linearly from G2 to D8 will be described. First, the moving body moves from G2 to G3. A path is represented by a pair of adjacent meshes having such a direction. After that, the moving body moves from G3 to F3, from F3 to F4, from F4 to F5, from F5 to E5, from E5 to E6, from E6 to E7, from E7 to D7, from D7 to D8, To arrive.
類似度方式では、移動履歴に基づいて、方向を有する隣接メッシュのペアを要素とする特徴ベクトルを目的地ごとに生成する。この特徴ベクトルが本方式における予測モデルに相当する。 In the similarity method, a feature vector having a pair of adjacent meshes having directions as elements is generated for each destination based on the movement history. This feature vector corresponds to the prediction model in this method.
そして、予測処理においては、出発地から現在地までの経路を示す特徴ベクトルと、予測モデルに係る特徴ベクトルとの類似度を算出し、いずれの目的地が尤もらしいか判断する。具体的には、出発地から現在地までの経路を示す特徴ベクトルと、予測モデルに係る特徴ベクトルとの類似度を算出し、いずれの目的地が尤もらしいか判断する。なお、特徴ベクトルの類似度については、例えば２つのベクトルのなす角が小さいほど類似していると判断する等、既存の判断手法により評価することができる。また、変形Jaccard係数を
用いて類似スコアを算出し、類似スコアの高い目的地が尤もらしいと判断するようにしてもよい。なお、変形Jaccard係数は、次の数３によって求めることができる。
（４）ベイズ更新方式
ベイズ更新方式では、あるメッシュから隣接するメッシュへ移動した場合におけるという条件付きの各目的地（すなわち、訪問先）への到達確率（尤度関数とも呼ぶ）を算出し、隣接するメッシュ間の双方向の移動について移動時の確率表を生成する。そして、出発時の条件付き確率表から推定した目的地に対し、移動時の確率表に基づく推定の修正を繰り返す。なお、出発時の条件付き確率表は、上述の（２）ベイジアンネットワーク方式において生成したものと同様とする。移動時の条件付き確率表は、出発時の条件付き確率表を、出発地別でなく移動した区間別に生成したものとする。
(4) Bayesian update method In the Bayesian update method, the arrival probability (also referred to as a likelihood function) to each conditional destination (that is, a visited place) when moving from one mesh to an adjacent mesh is calculated, A probability table at the time of movement is generated for bidirectional movement between adjacent meshes. And the correction of the estimation based on the probability table at the time of movement is repeated for the destination estimated from the conditional probability table at the time of departure. The conditional probability table at the time of departure is the same as that generated in the above-described (2) Bayesian network method. It is assumed that the conditional probability table at the time of movement is a conditional probability table at the time of departure generated not for each departure place but for each moved section.
図１４は、移動時の条件付き確率表の一例を示す図である。移動時の条件付き確率表は、方向を有する隣接メッシュのペアによって表される区間、曜日、時間帯別の目的地到達確率を表す。図１４は、Ｇ２からＧ３への区間に係る確率表である。図１４に示した経路の移動履歴が記憶部１１に格納されている場合、Ｇ２からＧ３への区間のほか、Ｇ３からＦ３へ、Ｆ３からＦ４へ、Ｆ４からＦ５へ、Ｆ５からＥ５へ、Ｅ５からＥ６へ、Ｅ６からＥ７へ、Ｅ７からＤ７へ、Ｄ７からＤ８へのそれぞれの区間（すなわち、通過区間のすべて）に係る確率表において、移動した曜日及び時間帯のセルに、目的地への重み付き訪問回数ｕ（例えば、数２）を加算する。以上のようにして、出発時の条件付き確率表及び移動時の条件付き確率表（すなわち、予測モデル）が生成される。 FIG. 14 is a diagram illustrating an example of a conditional probability table when moving. The conditional probability table at the time of movement represents the destination arrival probability for each section, day of the week, and time zone represented by a pair of adjacent meshes having directions. FIG. 14 is a probability table related to the section from G2 to G3. When the movement history of the route shown in FIG. 14 is stored in the storage unit 11, in addition to the section from G2 to G3, G3 to F3, F3 to F4, F4 to F5, F5 to E5, E5 To the E6, E6 to E7, E7 to D7, and D7 to D8 probabilities (i.e., all of the passing sections), the cell of the day of the week and time zone moved to the destination The weighted visit count u (for example, the number 2) is added. As described above, the conditional probability table at the time of departure and the conditional probability table at the time of movement (that is, the prediction model) are generated.
また、本実施形態では、ある区間を通過した場合、特定の目的地へ到達する傾向が所定の閾値以上高くなるような区間を、求めるようにしてもよい。このような区間を、特異的区間と呼ぶものとする。特異的区間は、例えば、移動履歴の各レコードについて、出発地から順に各区間のエントロピーを算出することで求める。エントロピーは、次の数４によって算出することができる。
一方、移動中に目的地の予測を行う場合、出発時の予測処理によって得られた目的地への到達確率を事前確率として、事前確率に対して、新たな区間に関する目的地到達確率を乗ずることにより事後確率を算出（すなわち、ベイズ更新）する。ベイズ更新は、例えば隣接するメッシュに進入する度に実行する。すなわち、事前確率及び事後確率は相対的なものであり、ある区間において算出された事後確率は、次の区間において事前確率として用いられ、当該事前確率を修正した事後確率が算出される。このように、移動体の移動中において、過去の同一区間の移動と最終的な訪問先に基づき、今回の移動に係る目的地到達確率が修正される。より具体的には、事前確率を示す確率分布に尤度関数を乗じ、さらに正規化して事後確率を示す確率分布を得る。 On the other hand, when predicting a destination while moving, multiply the prior probability by the destination arrival probability related to the new section, using the arrival probability as a prior probability obtained by the prediction process at departure. To calculate the posterior probability (that is, Bayesian update). Bayesian updating is performed every time an adjacent mesh is entered, for example. That is, the prior probability and the posterior probability are relative, and the posterior probability calculated in one section is used as the prior probability in the next section, and the posterior probability obtained by correcting the prior probability is calculated. Thus, during the movement of the moving body, the destination arrival probability related to the current movement is corrected based on the movement of the same section in the past and the final destination. More specifically, a probability distribution indicating the posterior probability is obtained by multiplying the probability distribution indicating the prior probability by the likelihood function and further normalizing.
例えば、ベイズ更新は次の数５によって表すことができる。なお、ここでは図１５に示すメッシュＡ〜Ｉを用いて説明する。
通過点にメッシュＢからメッシュＣの順に移動したレコードの件数を、通過点にＢを含むレコードの件数で除した割合である。ここで、割合の算出に用いるレコードの件数（区間を移動した回数）は、例えば上述の数１に示したような重みづけした値ｕを用いるようにしてもよい。すなわち、履歴情報のうち時間的に新しい移動ほど影響が大きくなるように重みづけした疑似的な移動回数を用いて、ベイズ更新に係る処理を行うようにしてもよい。また、Ｐ（ＤBC｜Ｈi）は、目的地ｉに向かっている場合において、メッシュＢを通過
した後、メッシュＣに移動する確率を示している。すなわち、図９に示した移動履歴において、到着情報のメッシュ又はＰＯＩが目的地ｉを示しているレコードのうち、通過点においてメッシュＢからメッシュＣに移動したレコードの件数の割合である。例えば、Ｐ（ＤAB｜Ｈi）は、次の数７で表すことができる。
動した場合において、目的地ｉに向かっている確率を示すものとする。すなわち、図９の通過点において、メッシュＡからメッシュＢへ移動したレコードのうち、到着情報のメッシュ又はＰＯＩが目的地ｉを示しているレコードの割合である。このような計算を各目的地について実行し、確率分布を更新する。
For example, a Bayesian update can be represented by the
This is a ratio obtained by dividing the number of records moved from the mesh B to the mesh C in order of the passing point by the number of records including B at the passing point. Here, as the number of records used for calculating the ratio (the number of times the section has been moved), for example, a weighted value u as shown in
なお、過去に通過したことのない区間へ進入した場合、予測モデルの代わりに予め定められたデフォルトの目的地到達確率を用いてベイズ更新を行うようにしてもよい。図１６は、デフォルトの目的地到達確率の一例である。デフォルトの目的地到達確率は、例えば次のような性質を持つ確率とする。
（１）目的地として、対象の移動体に係る移動履歴に含まれるすべての目的地及び「不明」を有する。
（２）対象の移動体に係る移動履歴に含まれるすべての目的地及び「不明」の各々に確率が与えられ、これらの総和は１とする。
（３）対象の移動体に係る移動履歴に含まれるすべての目的地に関する確率は同一の値とする。
（４）「その他」に関する確率は、対象の移動体に係る移動履歴に含まれるすべての目的地に関する確率の２倍とする。
Note that when entering a section that has not passed in the past, Bayesian updating may be performed using a predetermined default destination arrival probability instead of the prediction model. FIG. 16 is an example of a default destination arrival probability. The default destination arrival probability is, for example, a probability having the following properties.
(1) As destinations, all destinations included in the movement history related to the target moving body and “unknown” are included.
(2) Probabilities are given to all destinations and “unknown” included in the movement history related to the target moving body, and the sum of these is set to 1.
(3) The probabilities regarding all destinations included in the movement history related to the target moving body are the same value.
(4) The probability relating to “others” is twice the probability relating to all destinations included in the movement history relating to the target moving object.
また、新たに進入した区間が上述の特異的区間であるか否かを判断し、特異的区間であると判断された場合に、新たに進入した区間に関する目的地到達確率を乗ずるようにしてもよい。一方、特異的区間でないと判断された場合は、ベイズ更新を行わず、事前確率をそのまま事後確率とするようにしてもよい。 Further, it is determined whether or not the newly entered section is the above-mentioned specific section, and when it is determined that the section is a specific section, the destination arrival probability related to the newly entered section may be multiplied. Good. On the other hand, when it is determined that it is not a specific section, the prior probability may be used as it is as the posterior probability without performing Bayesian update.
自宅推定処理や目的地推定処理によって推定された自宅及び目的地を記憶部１１に記憶させておくことにより、図１０のＳ１１やＳ１２において、推定された目的地情報や推定された自宅の位置を取得することができるようになる。移動履歴から推定した情報を用いることで、ユーザは煩わしい情報入力を行う必要がなくなる。 By storing the home and the destination estimated by the home estimation process and the destination estimation process in the storage unit 11, the estimated destination information and the estimated home position in S11 and S12 of FIG. Be able to get. By using the information estimated from the movement history, the user does not need to perform troublesome information input.
＜その他＞
本発明は上述の処理を実行するコンピュータプログラムを含む。さらに、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体も、本発明の範疇に属する。当該プログラムが記録された記録媒体については、コンピュータに、この記録媒体のプログラムを読み込ませて実行させることにより、上述の処理が可能となる。
<Others>
The present invention includes a computer program that executes the above-described processing. Furthermore, a computer-readable recording medium on which the program is recorded also belongs to the category of the present invention. With respect to the recording medium on which the program is recorded, the above-described processing can be performed by causing the computer to read and execute the program on the recording medium.
ここで、コンピュータ読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータから読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータから取り外し可能なものとしては、フレキシブルディスク、光磁気ディスク、光ディスク、磁気テープ、メモリカード等がある。また、コンピュータに固定された記録媒体としては、ハードディスクドライブやＲＯＭ等がある。 Here, the computer-readable recording medium refers to a recording medium in which information such as data and programs is accumulated by electrical, magnetic, optical, mechanical, or chemical action and can be read from a computer. Examples of such a recording medium that can be removed from the computer include a flexible disk, a magneto-optical disk, an optical disk, a magnetic tape, and a memory card. In addition, examples of the recording medium fixed to the computer include a hard disk drive and a ROM.
また、習慣性の判断は、該当する曜日の該当する時間帯に対して所定以上の到着回数が保持されていない場合には実行しないようにしてもよい。過去の実績がある程度蓄積されていなければ、判断の精度が出ないためである。 Moreover, you may make it not perform judgment of habituality, when the frequency | count of arrival more than predetermined is not hold | maintained with respect to the applicable time zone of the applicable day of the week. This is because the accuracy of judgment cannot be obtained unless past results are accumulated to some extent.
図１にも示した通り、上述の移動体は乗用車等の車両には限られず、スマートフォン等を有するユーザであってもよい。この場合、移動速度や位置情報に基づいて移動手段を推定し、移動手段に応じた情報を出力するようにしてもよい。例えば車両での移動と電車での移動とでは異なる観光プランを提案するように、適切な情報出力が可能となる。 As shown in FIG. 1, the above moving body is not limited to a vehicle such as a passenger car, and may be a user having a smartphone or the like. In this case, the moving means may be estimated based on the moving speed and position information, and information corresponding to the moving means may be output. For example, it is possible to output appropriate information so as to propose different sightseeing plans for movement by vehicle and movement by train.
１ 移動状況判定装置
１１ 記憶部
１２ 位置情報取得部
１３ 移動履歴生成部
１４ モデル生成部
１５ 目的地取得部
１６ 自宅位置取得部
１７ 生活圏内外判定部
１８ 習慣性判定部
１９ 情報出力部
２ ネットワーク
３（３ａ，３ｂ・・・） 移動体
DESCRIPTION OF
Claims (7)
前記移動履歴に基づいて、前記移動体の過去の移動に係る各訪問先への到達回数を、到着時間帯ごとに集計するモデル生成部と、
前記移動体の目的地が、推定される到着時間帯において過去の到達回数が最多の訪問先である場合、前記移動体の移動は習慣的な行動であると判定する習慣性判定部と、
前記習慣性判定部の判定に応じて前記移動体に情報を出力する情報出力部と、
を有する移動状況判定装置。 Based on position information indicating the position of the moving body, a movement history generating unit that generates a movement history including the visited place of the moving body;
Based on the movement history, a model generation unit that counts the number of arrivals to each visited destination related to the past movement of the mobile body for each arrival time zone;
When the destination of the mobile object is the most visited destination in the estimated arrival time zone, the addictiveness determination unit that determines that the movement of the mobile object is a habitual action,
An information output unit that outputs information to the mobile body according to the determination of the addictiveness determination unit;
A moving situation determination apparatus having
前記請求項１に記載の移動状況判定装置。 The movement status determination apparatus according to claim 1, wherein the destination is a place estimated based on the movement history and a movement route from a departure place of the moving body to a current position.
をさらに有し、
前記情報出力部は、前記習慣性判定部の判定及び前記生活圏内外判定部の判定に応じて前記移動体に情報を出力する
請求項１又は２に記載の移動状況判定装置。 The starting point of the moving object acquired by the position information acquiring unit and the destination are within a predetermined range from the position of the user's home related to the moving object, or the position information acquiring unit acquired When the starting point of the moving object and the destination are included in a section having a passage frequency equal to or higher than a threshold in the movement history, the mobile body further includes a life area outside determination unit that determines that the movement is within the life area,
The movement status determination apparatus according to claim 1, wherein the information output unit outputs information to the mobile body according to the determination of the addictiveness determination unit and the determination of the out-of-life determination unit.
前記請求項３に記載の移動状況判定装置。 The movement status determination apparatus according to claim 3, wherein the position of the user's home related to the moving object is a place estimated based on the movement history.
請求項１から４のいずれか一項に記載の移動状況判定装置。 The movement status according to any one of claims 1 to 4, wherein the movement history represents a transition of position information of the moving body based on a mesh that divides an area into a mesh having a predetermined position and size. Judgment device.
前記移動履歴に基づいて、前記移動体の過去の移動に係る各訪問先への到達回数を、到着時間帯ごとに集計するモデル生成ステップと、
前記移動体の目的地が、推定される到着時間帯において過去の到達回数が最多の訪問先である場合、前記移動体の移動は習慣的な行動であると判定する習慣性判定ステップと、
前記習慣性判定部の判定に応じて前記移動体に情報を出力する情報出力ステップと、
をコンピュータが実行する移動状況判定方法。 Based on position information indicating the position of the moving body, a movement history generating step for generating a movement history including the visited place of the moving body;
Based on the movement history, a model generation step of counting the arrival times to each visited destination related to the past movement of the moving body for each arrival time zone;
If the destination of the mobile body is the most visited destination in the estimated arrival time zone, the habituality determining step for determining that the mobile body movement is a habitual behavior;
An information output step of outputting information to the mobile body according to the determination of the addictiveness determination unit;
Is a movement status determination method executed by a computer.
前記移動履歴に基づいて、前記移動体の過去の移動に係る各訪問先への到達回数を、到着時間帯ごとに集計するモデル生成ステップと、
前記移動体の目的地が、推定される到着時間帯において過去の到達回数が最多の訪問先である場合、前記移動体の移動は習慣的な行動であると判定する習慣性判定ステップと、
前記習慣性判定部の判定に応じて前記移動体に情報を出力する情報出力ステップと、
をコンピュータに実行させるプログラム。 Based on position information indicating the position of the moving body, a movement history generating step for generating a movement history including the visited place of the moving body;
Based on the movement history, a model generation step of counting the arrival times to each visited destination related to the past movement of the moving body for each arrival time zone;
If the destination of the mobile body is the most visited destination in the estimated arrival time zone, the habituality determining step for determining that the mobile body movement is a habitual behavior;
An information output step of outputting information to the mobile body according to the determination of the addictiveness determination unit;
A program that causes a computer to execute.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014161828A JP6681657B2 (en) | 2014-08-07 | 2014-08-07 | Travel status determination device, travel status determination method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014161828A JP6681657B2 (en) | 2014-08-07 | 2014-08-07 | Travel status determination device, travel status determination method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016038741A true JP2016038741A (en) | 2016-03-22 |
| JP6681657B2 JP6681657B2 (en) | 2020-04-15 |
Family
ID=55529761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014161828A Active JP6681657B2 (en) | 2014-08-07 | 2014-08-07 | Travel status determination device, travel status determination method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6681657B2 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018009904A (en) * | 2016-07-14 | 2018-01-18 | トヨタ自動車株式会社 | Schedule management device |
| JP2018097726A (en) * | 2016-12-15 | 2018-06-21 | ヤフー株式会社 | Determining apparatus, determining method, determining program, generating apparatus, generating method, and generating program |
| JP2018163506A (en) * | 2017-03-24 | 2018-10-18 | 富士通株式会社 | Data transmission processing program, data transmission processing device, and data transmission processing method |
| WO2019093102A1 (en) * | 2017-11-13 | 2019-05-16 | 本田技研工業株式会社 | Information distribution device and information distribution method |
| CN109798906A (en) * | 2017-11-17 | 2019-05-24 | 丰田自动车株式会社 | The non-transitory computer-readable medium of information processing unit, information processing method and storing information processing program |
| JP2020004210A (en) * | 2018-06-29 | 2020-01-09 | Ｚホールディングス株式会社 | Estimation device, estimation method and estimation program |
| JP2020004211A (en) * | 2018-06-29 | 2020-01-09 | Ｚホールディングス株式会社 | Proposal device, proposal method and proposal program |
| CN112262294A (en) * | 2018-06-20 | 2021-01-22 | 宝马股份公司 | Methods, systems, and computer program products for user mobility prediction |
| JP2021022277A (en) * | 2019-07-30 | 2021-02-18 | 株式会社エヌ・ティ・ティ・データ | Information processing apparatus, information processing method, and program |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005331294A (en) * | 2004-05-18 | 2005-12-02 | Alpine Electronics Inc | Vehicle-mounted electronic apparatus |
| WO2006087933A1 (en) * | 2005-02-17 | 2006-08-24 | Matsushita Electric Industrial Co., Ltd. | Motion history conversion device and motion history conversion method |
| JP2009036594A (en) * | 2007-07-31 | 2009-02-19 | Panasonic Corp | Travel destination forecast device and method |
| JP2014052288A (en) * | 2012-09-07 | 2014-03-20 | Yahoo Japan Corp | Information distribution apparatus, information distribution method and program |
-
2014
- 2014-08-07 JP JP2014161828A patent/JP6681657B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005331294A (en) * | 2004-05-18 | 2005-12-02 | Alpine Electronics Inc | Vehicle-mounted electronic apparatus |
| WO2006087933A1 (en) * | 2005-02-17 | 2006-08-24 | Matsushita Electric Industrial Co., Ltd. | Motion history conversion device and motion history conversion method |
| JP2009036594A (en) * | 2007-07-31 | 2009-02-19 | Panasonic Corp | Travel destination forecast device and method |
| JP2014052288A (en) * | 2012-09-07 | 2014-03-20 | Yahoo Japan Corp | Information distribution apparatus, information distribution method and program |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018009904A (en) * | 2016-07-14 | 2018-01-18 | トヨタ自動車株式会社 | Schedule management device |
| JP2018097726A (en) * | 2016-12-15 | 2018-06-21 | ヤフー株式会社 | Determining apparatus, determining method, determining program, generating apparatus, generating method, and generating program |
| JP2018163506A (en) * | 2017-03-24 | 2018-10-18 | 富士通株式会社 | Data transmission processing program, data transmission processing device, and data transmission processing method |
| JP7105034B2 (en) | 2017-03-24 | 2022-07-22 | 富士通株式会社 | Data transmission processing program, data transmission processing device, and data transmission processing method |
| WO2019093102A1 (en) * | 2017-11-13 | 2019-05-16 | 本田技研工業株式会社 | Information distribution device and information distribution method |
| JP7194689B2 (en) | 2017-11-13 | 2022-12-22 | 本田技研工業株式会社 | INFORMATION DISTRIBUTION DEVICE AND INFORMATION DISTRIBUTION METHOD |
| JPWO2019093102A1 (en) * | 2017-11-13 | 2020-11-12 | 本田技研工業株式会社 | Information distribution device and information distribution method |
| JP7027834B2 (en) | 2017-11-17 | 2022-03-02 | トヨタ自動車株式会社 | Information processing equipment, information processing method, information processing program |
| CN109798906A (en) * | 2017-11-17 | 2019-05-24 | 丰田自动车株式会社 | The non-transitory computer-readable medium of information processing unit, information processing method and storing information processing program |
| JP2019095865A (en) * | 2017-11-17 | 2019-06-20 | トヨタ自動車株式会社 | Information processing device, information processing method, and information processing program |
| CN112262294A (en) * | 2018-06-20 | 2021-01-22 | 宝马股份公司 | Methods, systems, and computer program products for user mobility prediction |
| CN112262294B (en) * | 2018-06-20 | 2024-04-16 | 宝马股份公司 | Methods, systems, and computer program products for user mobility prediction |
| JP2020004211A (en) * | 2018-06-29 | 2020-01-09 | Ｚホールディングス株式会社 | Proposal device, proposal method and proposal program |
| JP2020004210A (en) * | 2018-06-29 | 2020-01-09 | Ｚホールディングス株式会社 | Estimation device, estimation method and estimation program |
| JP2021022277A (en) * | 2019-07-30 | 2021-02-18 | 株式会社エヌ・ティ・ティ・データ | Information processing apparatus, information processing method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6681657B2 (en) | 2020-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6681657B2 (en) | Travel status determination device, travel status determination method and program | |
| JP6462264B2 (en) | Destination prediction apparatus, destination prediction method, and program | |
| JP4283338B2 (en) | Destination prediction apparatus, destination prediction method, navigation apparatus, and program | |
| US8775080B2 (en) | Destination estimating apparatus, navigation system including the destination estimating apparatus, destination estimating method, and destination estimating program | |
| CN105683716B (en) | Context traffic or current warning | |
| US9638542B2 (en) | Method and system of route scheduling and presenting route-based fuel information | |
| JP2009036594A (en) | Travel destination forecast device and method | |
| US10859391B2 (en) | Method, apparatus, and computer program product for predicting range of an electric vehicle | |
| CN102538813A (en) | Method and apparatus for route searching | |
| JP2009031046A (en) | Fuel consumption estimation system of automobile, route searching system, and driving guiding system | |
| JP6141743B2 (en) | Moving path estimation system and method | |
| WO2015013042A2 (en) | Familiarity modeling | |
| US9959508B2 (en) | Systems and methods for providing information for predicting desired information and taking actions related to user needs in a mobile device | |
| Manasseh et al. | Predicting driver destination using machine learning techniques | |
| CN109631922A (en) | Information processing unit, information processing method and the non-transitory storage medium for storing program | |
| CN109154507A (en) | Predict the point of interest waiting time for Estimated Time of Arrival | |
| JP6098302B2 (en) | Navigation system, navigation method, and navigation program | |
| JP2016143232A (en) | Position information management device and position information management method | |
| EP2932195B1 (en) | Method and apparatus for vehicle usage recording | |
| JP6170772B2 (en) | Information processing system, information processing apparatus, information processing method, and information processing program | |
| JP6540040B2 (en) | Moving direction prediction device, moving direction prediction method, and moving direction prediction program | |
| WO2015181568A2 (en) | Predicting attainable locations | |
| JP2009002872A (en) | Recommended destination presenting device | |
| US20200292344A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable storage medium storing program | |
| JP2016161501A (en) | Route search device, route search system, route search method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170725 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180726 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180807 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181009 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200324 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6681657 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |