JP7294121B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明は、ユーザの移動をサポートする技術に関する。

様々な用途向けに設計された自動運転車を派遣することでサービスを提供する試みがなされている。例えば、特許文献１には、ユーザが移動手段を必要としていることを推定し、車両を派遣するシステムが開示されている。

特表２０１９－５０５８９９号公報

本発明は、車両を派遣するためにユーザの外出時刻を推定することを目的とする。

本開示の第一の様態は、屋内にいるユーザの外出時刻を推定する情報処理装置である。
具体的には、前記屋内に設置された複数のセンサからセンサデータを取得することと、前記取得したセンサデータに基づいて、前記屋内におけるユーザの行動情報を生成することと、前記生成した行動情報に基づいて、前記ユーザが外出する時刻を推定することと、を実行する制御部を有することを特徴とする。

また、本開示の第二の様態は、前記情報処理装置が行う情報処理方法である。
具体的には、屋内に設置された複数のセンサからデータを取得するステップと、前記取得したデータに基づいて、前記屋内におけるユーザの行動情報を生成するステップと、前記生成した行動情報に基づいて、前記ユーザが外出する時刻を推定するステップと、を含む。

また、他の態様として、上記の情報処理装置が実行する情報処理方法をコンピュータに実行させるためのプログラム、または、該プログラムを非一時的に記憶したコンピュータ可読記憶媒体が挙げられる。

本発明によれば、ユーザの行動予定に関するデータを利用することなく、当該ユーザの外出時刻を推定することができる。

配車システムの概要を説明する図。 配車システムの構成要素をより詳細に示した図。 宅内に設置された複数のセンサを例示する図。 ユーザの行動として、宅内におけるユーザの位置を利用した場合の例。 ユーザの行動として、機器に関する情報を利用した場合の例。 行動モデルを生成ないし更新する処理を説明する図。 モデル管理部が実行する処理のフローチャート。 ユーザが外出することを予測し、車両の配車を行う処理を説明する図。 予測部が実行する処理のフローチャート。 行動パターンのゆらぎを説明する図。 複数人の行動モデルを例示した図。 第二の実施形態におけるセンサ群を説明する図。 屋内のユーザをセンシングして得られた時系列データの例。 第二の実施形態における予測部の処理を示したフローチャート。 第三の実施形態に係る配車システムの構成要素をより詳細に示した図。 第三の実施形態における外出履歴の例。

自動運転車両をユーザの元へ派遣することで、ユーザの移動をサポートするサービスが検討されている。このようなサービスとして、例えば、公共交通機関が乏しい地域において、自動運転車両をオンデマンド運行するサービスが考えられる。

自動運転車両を呼び出すためには、ユーザによる操作が必要となる。しかし、外出するたびに前もって呼び出し操作を行うことは煩雑であり、特に高齢者にとっては障害となる。予め入力されたスケジュールに基づいて自動的に配車することも考えられるが、予定が変更となった場合に追従させることが難しい。

この問題を解決するため、本実施形態では、屋内にいるユーザの外出時刻を自動的に推定する情報処理装置を利用する。屋内とは、自宅であってもよいし、任意の施設内であってもよい。外出時刻を自動的に推定することで、移動手段の手配を前もって行うことが可能になる。

実施形態に係る情報処理装置は、前記屋内に設置された複数のセンサからセンサデータを取得することと、前記取得したセンサデータに基づいて、前記屋内におけるユーザの行動情報を生成することと、前記生成した行動情報に基づいて、前記ユーザが外出する時刻を推定することと、を実行する制御部を有する。

センサは、屋内に設置されたものであれば、ユーザの位置（例えば、どの部屋にいるか等）を検出するものであってもよいし、ユーザの行動（例えば、就寝、起床、食事、洗顔等）を検出するものであってもよい。また、屋内にある特定の機器が利用されたことを検出するものであってもよい。
制御部は、複数のセンサから取得したセンサデータに基づいて、ユーザの行動情報を生成する。行動情報とは、屋内においてユーザがどのような行動をしているかを表すデータである。行動情報は、ユーザの行動を時系列で表したデータであってもよい。
毎日のルーチンが決まっている場合、人は、外出前に特定の行動パターンを取る場合が多い。よって、センシングによって得られた行動情報に基づいて、ユーザの外出時刻を推定することができる。

また、前記センサデータは、前記屋内における前記ユーザの位置、および／または、前記屋内に設置された一つ以上の機器の利用状況を表したデータであることを特徴としてもよい。
屋内におけるユーザの位置は、例えば、複数の場所に設置されたセンサから得たデータによって判定することができる。また、機器の利用状況は、複数の機器から取得することができる。

また、前記行動情報は、前記屋内における前記ユーザの位置、および／または、前記屋内に設置された一つ以上の機器の利用状況を時系列で表したデータであることを特徴としてもよい。
行動情報は、例えば、ユーザがどの部屋にいるかを示した時系列データであってもよく
、ユーザがどの機器（例えば、コンピュータや電化製品）を利用したかを示した時系列データであってもよい。また、これらの組み合わせであってもよい。

また、前記ユーザが外出前に取る典型的な行動パターンを表したデータを記憶する記憶部をさらに有し、前記制御部は、前記行動情報と、前記行動パターンとを比較した結果に基づいて前記ユーザの外出時刻を推定することを特徴としてもよい。
ユーザが外出する前に取る標準的な行動パターンを記憶させ、これと、取得した行動情報とを比較することで、外出時刻を精度良く推定することが可能になる。
なお、比較は、単純な比較であってもよいし、機械学習モデルによって行動パターンの一致度を取得してもよい。

また、複数のユーザが外出前にそれぞれ取る典型的な行動パターンを表したデータを記憶する記憶部をさらに有し、前記制御部は、前記行動情報を、前記複数のユーザの行動パターンと比較した結果に基づいて、前記複数のユーザのいずれかの外出時刻を推定することを特徴としてもよい。
行動パターンは、複数のユーザについて定義してもよい。かかる場合であっても、複数のユーザのうちのいずれかが外出することを推定することができる。

また、前記複数のセンサのうちのいずれかは、人物を識別可能なセンサであり、前記制御部は、識別されたユーザの行動パターンを前記行動情報と比較し、ユーザごとに外出時刻を推定することを特徴としてもよい。
例えば、センサが、生体情報を取得可能なものである場合や、画像センサである場合、人の識別を行うことができる。この場合、ユーザごとに行動情報を生成することで、個人に特化した推定が行えるようになる。

また、前記行動パターンは、対象であるユーザの外出時刻が関連付いたデータであることを特徴としてもよい。
外出時刻は、絶対時刻であってもよいし、相対時刻（例えば、パターン中のある時点からの経過時間）であってもよい。

また、前記制御部は、比較結果に基づいて、前記行動パターンと、前記ユーザの実際の行動とのずれ幅を算出し、前記ずれ幅を用いて前記外出時刻を推定することを特徴としてもよい。
行動パターンと実際の行動が完全に一致することは少ない。よって、ずれ幅を算出することで、外出時刻を補正するようにしてもよい。ずれ幅とは、ある時点における遅延時間であってもよいし、外出時に最終的に予想される遅延時間であってもよい。

また、前記制御部は、前記行動情報と前記行動パターンとの類似度に基づいて、前記ユーザが外出する尤度をさらに算出することを特徴としてもよい。
行動パターンと実際の行動がどの程度一致しているかを数値で求めることによって、ユーザが外出する尤度（確度）を算出することができる。

また、前記制御部は、推定した外出時刻に基づいて、前記ユーザが乗車する車両を予約することを特徴としてもよい。
例えば、自動運転車両の配車を事前に予約することで、ユーザの利便性を高めることができる。

また、前記制御部は、所定のキャンセル期限が到来するまでに、前記ユーザに前記車両の利用意思を確認することを特徴としてもよい。
さらに、前記制御部は、前記ユーザが外出する尤度をさらに算出し、前記尤度が閾値を
下回る場合に、前記車両の利用意思を確認することを特徴としてもよい。
車両の配車を予約する場合、キャンセルが可能な期間内に意思確認を行うことが好ましい。この場合、外出する尤度がある程度高い場合（確実に外出すると見込まれる場合）、意思確認を省略するようにしてもよい。

また、前記制御部は、前記ユーザに関連付いた端末から取得した過去の移動情報を用いて、外出の目的地をさらに推定することを特徴としてもよい。
また、前記制御部は、前記ユーザに関連付いた端末から取得した過去の移動情報を用いて、外出の手段をさらに推定することを特徴としてもよい。
ユーザに関連付いた端末とは、外出時にユーザが所持する携帯端末であってもよいし、外出時にユーザが利用する車両に搭載された車載端末であってもよい。また、当該車両を管理する装置であってもよい。
外出の手段とは、例えば、路線バス、タクシー、オンデマンドバス、自動運転車両、パーソナルモビリティ、自転車、徒歩などであり、車両に限られない。

また、前記制御部は、前記予約する車両のタイプを、前記目的地に基づいて決定することを特徴としてもよい。
また、前記制御部は、前記予約する車両のタイプを、前記手段に基づいて決定することを特徴としてもよい。
予約対象の車両は、自動運転を行う自動車に限られない。例えば、パーソナルモビリティや、乗り合いタクシーなどであってもよい。制御部は、過去に移動した際の目的地や手段に基づいて、適切なタイプの車両を予約することができる。

以下、図面に基づいて、本開示の実施の形態を説明する。以下の実施形態の構成は例示であり、本開示は実施形態の構成に限定されない。

（第一の実施形態）
第一の実施形態に係る配車システムの概要について、図１を参照しながら説明する。本実施形態に係る配車システムは、ユーザに関連付いた所定の施設（例えば、ユーザの自宅）を管轄する情報処理装置１００と、屋内においてユーザをセンシングする複数のセンサを含むセンサ群２００と、配車サーバ４００と、を含んで構成される。

第一の実施形態に係る情報処理装置１００は、ユーザの自宅に設置された装置であって、配車サーバ４００に対して車両の配車依頼を行う装置である。情報処理装置１００は、宅内に設置された複数のセンサから取得した情報に基づいて、ユーザが外出する時刻を推定し、推定した時刻までに車両５００が到着するよう、車両５００の配車依頼を行う。
なお、図１では、情報処理装置１００が屋内に設置されているが、情報処理装置１００の設置場所は遠隔地であってもよい。また、一台の情報処理装置１００が、複数の施設（例えば、複数のユーザの自宅）を管轄してもよい。

センサ群２００は、宅内に設置された複数のセンサを含む。複数のセンサは、宅内におけるユーザの行動を検出できるものであれば、その種類は問わない。例えば、宅内においてユーザがどこにいるかを検出するものであってもよいし、宅内においてユーザが何をしているかを検出するものであってもよい。

配車サーバ４００は、情報処理装置１００からの依頼に基づいて、自動運転車両（以下、車両５００）に対して指令を送信する装置である。本実施形態では、複数の車両５００が配車サーバ４００の管理下にあり、配車サーバ４００から受信した指令に基づいて走行する。

なお、本実施形態では、所定の施設としてユーザの自宅を例示するが、情報処理装置１００およびセンサ群２００が設置される建物は、任意の施設であってもよく、自宅に限られない。

図２は、本実施形態に係る配車システムの構成要素をより詳細に示した図である。ここではまず、センサ群２００が有するセンサについて説明する。

図３は、宅内に設置された複数のセンサを例示する図である。図示したように、本実施形態では、ユーザの居宅に複数のセンサが設置されている。センサは、部屋ごとに設置された人感センサ（実線で図示）と、各部屋に設置された機器に関連付いたセンサ（以下、機器センサ。点線で図示）と、ユーザの外出を検知するセンサ（以下、外出検知センサ。一点鎖線で図示）に大別することができる。
人感センサによって、ユーザが宅内のどこに居るかを特定することができる。また、機器センサによって、ユーザが宅内でどの機器を利用しているかを特定することができる。また、外出検知センサによって、ユーザが自宅から外に出たことを検知することができる。

人感センサは、人の存在を検知するセンサである。人感センサは、例えば、赤外線式のセンサであってもよいが、屋内を撮像して得られた画像や、マイクによって集音した音声に基づいて人の存在を検知する装置であってもよい。

機器センサは、宅内に設置された機器の利用状況を取得するセンサである。機器センサは、機器に内蔵されていてもよいし、機器の利用を間接的に検知するものであってもよい。
例えば、機器に内蔵された距離センサによって、ユーザが正面にいることを検出してもよいし、通電を検知するセンサによって、機器が利用されていることを検出してもよい。また、機器上で動作するソフトウェアが、ユーザによって特定の操作が行われたことを検出してもよい。
機器センサによるセンシングの対象は、特定のものに限られない。例えば、テレビに内蔵されたセンサが、テレビがついていることを検出してもよいし、特定のチャンネルがついていることを検出してもよい。また、炊飯器に内蔵されたセンサが、炊飯スイッチが押されたことを検出してもよいし、蓋が開閉されたことを検出してもよい。

外出検知センサは、ユーザが宅外に出たことを検知する手段である。外出の検知は、例えば、玄関ドアに設けられたセンサを介して行うことができる。例えば、扉の開閉と施錠の状態を取得することで、ユーザが外出したと判定することができる。なお、外出の検知は、画像に基づいて行ってもよい。例えば、玄関ホールに設置されたカメラによって、外出を検知することもできる。
なお、外出検知センサは、必ずしも宅内に設けられていなくてもよい。例えば、ユーザが所持する携帯端末から位置情報を取得し、当該携帯端末が自宅から離れた場合に外出したと判定してもよい。情報処理装置１００は、当該携帯端末と通信可能に構成されていてもよい。

図２に戻り、情報処理装置１００について説明する。
情報処理装置１００は、ユーザが外出する前に取る典型的な行動を表すモデル（以下、行動モデル）を記憶し、センサ群２００から取得した情報と行動モデルとを比較した結果に基づいて、近い将来にユーザが外出することを推定し、車両５００の手配を行う。

情報処理装置１００は、汎用のコンピュータにより構成してもよい。すなわち、情報処理装置１００は、ＣＰＵやＧＰＵ等のプロセッサ、ＲＡＭやＲＯＭ等の主記憶装置、ＥＰ
ＲＯＭ、ハードディスクドライブ、リムーバブルメディア等の補助記憶装置を有するコンピュータとして構成することができる。なお、リムーバブルメディアは、例えば、ＵＳＢメモリ、あるいは、ＣＤやＤＶＤのようなディスク記録媒体であってもよい。補助記憶装置には、オペレーティングシステム（ＯＳ）、各種プログラム、各種テーブル等が格納され、そこに格納されたプログラムを主記憶装置の作業領域にロードして実行し、プログラムの実行を通じて各構成部等が制御されることによって、後述するような、所定の目的に合致した各機能を実現することができる。ただし、一部または全部の機能はＡＳＩＣやＦＰＧＡのようなハードウェア回路によって実現されてもよい。

通信部１０１は、情報処理装置１００をネットワークに接続するための通信インタフェースである。通信部１０１は、例えば、ネットワークインタフェースボードや、無線通信のための無線通信回路を含んで構成される。

記憶部１０２は、主記憶装置と補助記憶装置を含んで構成される。主記憶装置は、制御部１０３によって実行されるプログラムや、当該制御プログラムが利用するデータが展開されるメモリである。補助記憶装置は、制御部１０３において実行されるプログラムや、当該制御プログラムが利用するデータが記憶される装置である。

さらに、記憶部１０２は、行動モデルを記憶する。行動モデルとは、ユーザが外出する前に取る典型的な行動パターン（以下、所定行動パターン）を表したモデルである。
行動モデルは、外出する前にユーザが取った行動の履歴に基づいて生成される。行動モデルによって表された所定行動パターンと、ユーザの実際の行動とを比較することで、ユーザが外出する蓋然性の大小を判定することが可能になる。
なお、行動モデルは、ユーザの外出時刻をさらに関連付けたモデルであってもよい。例えば、「所定行動パターンを取り始めた対象ユーザは、Ｎ分後に外出する傾向がある」といったものを表すものであってもよい。
行動モデルは、ユーザをセンシングした結果に基づいて自動で生成されてもよい。行動モデルを自動生成する場合、機械学習を利用してもよい。

制御部１０３は、情報処理装置１００が行う制御を司る演算装置である。制御部１０３は、ＣＰＵなどの演算処理装置によって実現することができる。
制御部１０３は、データ取得部１０３１と、モデル管理部１０３２と、予測部１０３３と、手配部１０３４の４つの機能モジュールを有して構成される。各機能モジュールは、記憶されたプログラムをＣＰＵによって実行することで実現してもよい。

データ取得部１０３１は、後述するセンサ群が有するセンサから、センサデータを取得する。取得するセンサデータは、デジタル信号であってもよいし、アナログ信号であってもよい。また、センサデータは、画像データや音声データであってもよい。
データ取得部１０３１は、取得した信号を所定の形式に変換してもよい。例えば、画像データや音声データに基づいてユーザの検出を行い、ユーザの有無を表すデータを出力してもよい。また、センサデータを、機械学習を行う際の特徴量に変換してもよい。

モデル管理部１０３２は、ユーザの行動モデルを生成および更新する。
ここで、ユーザの行動について説明する。図４Ａは、ユーザの行動として、宅内におけるユーザの位置を利用した場合の例である。図示した例において、横軸は時刻を表し、縦軸は、ユーザを検知した人感センサの場所を表す。すなわち、図示したユーザの行動は、宅内におけるユーザの位置を時系列で表したものである。
本例では、平日の７：３０に起床したユーザが、リビングとキッチン、居室を移動し、８：４５に外出する旨が表されている。

図４Ｂは、ユーザの行動として、宅内において利用された機器に関する情報を利用した場合の例である。図示した例では、人感センサに加えて機器センサが示されている。すなわち、図示したユーザの行動は、宅内におけるユーザの位置と、当該ユーザによる機器の利用状況を時系列で表したものである。

もし、ユーザが外出前（例えば、毎日の出勤前）において似た行動を繰り返している場合、行動モデルによって表された所定行動パターンと、センシングによって得られたユーザの行動パターンを比較することで、外出時刻が推定できるはずである。例えば、図４Ａまたは図４Ｂに例示した所定行動パターンと、実際に得られたユーザの行動パターンとの間に一定以上の類似度が観測された場合、パターンが終了する時刻に外出することが推定できる。情報処理装置１００が記憶する行動モデルは、このような、ユーザが外出する前にとる典型的な行動パターンを時系列で表したデータである。
なお、図示した例では、ユーザの存在または機器の利用有無を二値で表したが、より高次元のデータを利用してもよい。例えば、人感センサから得られるデータとして、単位時間における感知回数を利用してもよい。

モデル管理部１０３２は、センサ群２００から取得したセンサデータに基づいて、行動モデルを生成ないし更新する。
予測部１０３３は、記憶された行動モデルと、センサ群２００から取得したセンサデータに基づいて、ユーザの外出時刻を予測する。

手配部１０３４は、ユーザが外出することが推定された場合に、配車を依頼するリクエスト（以下、配車リクエスト）を生成し、配車サーバ４００に送信する。

入出力部１０４は、情報の入出力を行うためのインタフェースである。入出力部１０４は、例えば、ディスプレイ装置やタッチパネルを有して構成される。入出力部１０４は、キーボード、近距離通信手段、タッチスクリーンなどを含んでいてもよい。

次に、制御部１０３によって行われる処理をより詳しく説明する。
図５は、ユーザが取った実際の行動に基づいて、行動モデルを生成ないし更新する処理を説明する図である。センサ群２００からは、各センサが出力したセンサデータが、データ取得部１０３１に常時供給される。データ取得部１０３１は、周期的に（例えば、１分ごとに）取得した複数のセンサデータにそれぞれ時刻を関連付け、モデル管理部１０３２へ順次送信する。モデル管理部１０３２には、データ取得部１０３１から送信されたセンサデータが蓄積される。

モデル管理部１０３２は、ユーザが外出した旨を示すセンサデータをデータ取得部１０３１から受信したことをトリガとして、行動モデルの更新を行う。
具体的には、蓄積された複数のセンサデータを、時系列形式のデータ（以下、時系列データ）に変換する。時系列データは、例えば、センサの種類と時刻を要素に持ち、センシングによって得られた値が格納された配列データとすることができる。時系列データは、過去の所定の期間に対応するセンサデータを変換して得ることができる。

例えば、午前８時４５分にユーザが外出した場合、モデル管理部１０３２は、午前７時４５分から午前８時４５分までに取得された１時間分のセンサデータを時系列データに変換し、当該時系列データを用いて行動モデルを更新する。
なお、行動モデルは、機械学習モデルであってもよいし、宅内で行われる複数の行動と外出時刻（あるいは、外出までの残り時間）との関係を統計的に表したモデルであってもよい。ユーザの所定行動パターンを表すものであれば、行動モデルはどのような形式であってもよい。
行動モデルが機械学習モデルである場合、時系列データを特徴量に変換したうえで、当該特徴量を入力データ、外出時刻を教師データとして学習を行ってもよい。
行動モデルの更新は、例えば、ユーザが外出するごとに実行することができる。

図６は、モデル管理部１０３２が行動モデルを生成（または更新）する処理のフローチャートである。

まず、ステップＳ１１で、データ取得部１０３１から送信されたセンサデータを順次蓄積する。モデル管理部１０３２は、センサデータが送信されるごとに、ユーザが外出した旨が示されているか否かを判定する（ステップＳ１２）。ここで、ユーザが外出していない場合、処理はステップＳ１１へ戻り、センサデータの蓄積を続ける。
ユーザが外出したと判定した場合、処理はステップＳ１３へ進み、蓄積したセンサデータを時系列データに変換する。本ステップでは、例えば、過去の所定時間分のセンサデータを時系列データに変換する。そして、得られた時系列データを用いて行動モデルを更新する（ステップＳ１４）。

図７は、記憶された行動モデルを用いて、ユーザが外出することを予測し、車両の配車予約を行う処理を説明する図である。本例においても、センサ群２００からは、各センサが出力したセンサデータが、データ取得部１０３１に常時供給され、データ取得部１０３１が、周期的に取得したセンサデータを予測部１０３３へ順次供給するものとする。

予測部１０３３は、データ取得部１０３１から供給されたデータを一時的に蓄積し、蓄積したデータと、記憶部１０２に記憶された行動モデルを用いて、行動パターンの比較を行う。
具体的には、予測部１０３３は、所定の判定周期が到来するごとに、蓄積されたセンサデータを時系列データに変換する。そして、得られた時系列データと、行動モデルによって表された所定行動パターンとを比較し、時系列データによって示された行動パターンと、所定行動パターンとの類似度を算出する。得られた類似度は、ユーザが外出する尤度（確からしさ）を表す値となる。
なお、行動モデルが機械学習モデルである場合、時系列データを特徴量に変換し、当該特徴量を入力データとして評価を行ってもよい。

比較の結果、得られた類似度が所定値以上であった場合、予測部１０３３は、「所定行動パターンが示す通りにユーザが行動しており、当該ユーザが近い将来外出する（外出の兆候がある）」と判定する。この場合、予測部１０３３は、行動モデルによって示された外出時刻までの残り時間を算出し、残り時間が所定の時間を下回った場合に、手配部１０３４を介して、配車リクエストを生成し、送信する。

図８は、予測部１０３３がユーザの外出を予測し、車両の配車予約を行う処理のフローチャートである。

ステップＳ２１では、データ取得部１０３１から送信されたセンサデータを順次蓄積する。
ステップＳ２２では、蓄積したセンサデータを時系列データに変換する。そして、得られた時系列データと、記憶された行動モデルとを用いて行動パターンの比較を行い、その類似度を算出する（ステップＳ２３）。そして、得られた類似度に基づいて外出の兆候があるか否かを判定する（ステップＳ２４）。
ここで、得られた類似度が所定の閾値を下回る場合、処理はステップＳ１１へ戻り、センサデータの蓄積を続ける。
得られた類似度が所定の閾値を超える場合、処理はステップＳ２５へ進み、ユーザが乗
車するための車両をリクエストする。なお、配車リクエストには、迎車場所や、到着希望時刻（すなわち、ユーザの外出時刻）を含ませてもよい。
なお、外出時刻の推定を行った後で、実際の外出時刻が判明した場合、実際の外出時刻を用いて行動モデルを更新する処理を実行してもよい。

以上説明したように、第一の実施形態に係る情報処理装置１００は、屋内に設置された複数のセンサによってユーザの行動情報を生成し、事前に生成された行動パターンと比較することで、ユーザが外出するか否かを推定する。また、ユーザが外出すると判定された場合に、当該ユーザが乗車する車両を手配する。かかる構成によると、ユーザのスケジュール情報を用いずとも車両を呼び出すことが可能になり、ユーザの利便性が向上する。

（第一の実施形態の変形例１）
第一の実施形態では、単一のユーザを対象として外出の兆候を判定したが、屋内には複数のユーザが存在してもよい。屋内に複数のユーザが存在する場合であっても、センサ群２００から取得したセンサデータと、行動モデルを照合することは可能である。
複数のユーザの行動を表す行動モデルを併用して判定を行うことで、当該複数のユーザのうちの誰かが外出することを推定することができる。

（第一の実施形態の変形例２）
また、第一の実施形態では、単一の行動モデルを例示したが、一人のユーザについて複数の行動モデルを記憶させてもよい。例えば、「平日の行動モデル」「休日の行動モデル」「午後出勤の場合の行動モデル」といったように、複数の行動モデルを記憶させ、当該複数の行動モデルを用いて、外出時刻を推定するようにしてもよい。
この場合、行動パターンの類似度を、固定された閾値と比較するのではなく、「ユーザの行動が、どのパターンに最も類似しているか」を判定するようにしてもよい。
さらに、日の属性別に行動モデルを持たせてもよい。例えば、曜日別や、平日／休日別に行動モデルを定義し、予測対象の日に適合する行動モデルを選択するようにしてもよい。

（第一の実施形態の変形例３）
また、第一の実施形態では、行動モデルに外出時刻を関連付けたが、行動モデルは、ユーザの行動パターンを特定する用途のみに利用し、外出時刻は、他のデータソースから取得してもよい。例えば、ユーザの行動が、「出勤」という行動パターンに一致すると判定した場合、情報処理装置１００は、当該ユーザの出勤時における移動履歴を取得し、出発時刻を推定してもよい。

（第一の実施形態の変形例４）
また、行動パターンの類似度に応じて、追加の処理を行うようにしてもよい。例えば、類似度が所定値よりも低い場合、推定された時刻に外出する確度が低いことを意味する。このような場合、自動で配車を依頼すると不都合が生じるおそれがあるため、ユーザと対話することで推定確度を引き上げる処理を実行してもよい。例えば、配車依頼をすべきかを、ユーザ端末を介して問いかけ、回答を得るようにしてもよい。当該処理は、配車を依頼した車両のキャンセル期限が到来するよりも前に実行することが好ましい。

（第一の実施形態の変形例５）
第一の実施形態では、時系列データと、予め記憶された行動モデルとに基づいて、外出時刻の推定を行った。しかし、人は必ずしも毎日同じ速度で行動するとは限らない。例えば、図９に示したように、起床してから外出するまでの間の行動の順序は毎日変わらない場合であっても、個々の行動の長さが日によって異なる場合がある。
これに対応するため、所定行動パターンからの遅れを算出するようにしてもよい。例え
ば、行動の順序は大きくずれていないにもかかわらず、各行動が長くなっていることを検出した場合、遅れ時間が発生したものとして比較を続けてもよい。また、遅れ時間のぶんだけ外出時刻が遅くなるという判定を行ってもよい。

（第二の実施形態）
第二の実施形態は、複数人の行動モデルが記憶部１０２に記憶されており、屋内に存在する複数のユーザそれぞれについて、外出を推定する実施形態である。

図１０は、複数人の所定行動パターンを例示した図である。本例では、ユーザＡとユーザＢの二人について、平日に起床してから外出するまでの行動が示されている。
前述したように、屋内に複数のユーザが存在する場合であっても、センサデータと行動モデルを照合することはできる。しかし、個人の識別ができないセンサから送信されたセンサデータのみを用いた場合、誰が外出しようとしているかを特定することができない。

これに対応するため、第二の実施形態では、センサ群２００の中に、個人の識別が可能なセンサを最低一つ含ませる。図１１は、第二の実施形態におけるセンサ群２００を説明する図である。例えば、図示した例では、玄関と洗面室にカメラが設置されており、撮像した顔画像に基づいて、個人の識別が可能な構成となっている。本実施形態では、当該カメラからデータを取得したデータ取得部１０３１が個人の識別を行い、ユーザの識別子（以下、ユーザ識別子）を生成する。生成されたユーザ識別子は、センサデータと同様に、予測部１０３３へ送信される。
なお、個人の識別が可能なセンサであれば、カメラ以外を利用することもできる。例えば、虹彩認識、音声認識、その他の生体情報（体重等）などを利用してもよい。

さらに、予測部１０３３が、ユーザ識別子に基づいて追跡を行うユーザを特定し、当該特定したユーザに対応する行動モデルを用いて行動パターンの比較を行う。

図１２は、屋内のユーザをセンシングして得られた時系列データの例である。当該データは、ユーザＡの行動と、ユーザＢの行動の双方が反映されたものであるため、当該データのみでは、各ユーザを個別に追跡することができない。しかし、ユーザが洗面室を訪れたタイミングと、玄関ホールを訪れたタイミングでは個人識別が可能であるため、当該タイミングを手がかりとして行動パターンのマッチングを行うことができる。

例えば、図１０（Ａ）に示したユーザＡの所定行動パターンを、図１２に示した時系列データと比較する際に、符号９０１で示したタイミングを、符号１１０１で示したタイミングと一致させる。すなわち、ユーザＡを洗面室で検出したタイミングを基準として、「時系列データに、ユーザＡの所定行動パターンが現れているか」を判定する。この結果、ユーザＡの所定行動パターンが時系列データに現れていた場合、ユーザＡが外出する尤度が高いことがわかる。ユーザＢについても同様である。

図１３は、第二の実施形態における予測部１０３３の処理を示したフローチャートである。点線で示したステップは、第一の実施形態と同様であるため説明は省略する。
ステップＳ３１では、第一の実施形態と同様に、センサデータを受信して蓄積するが、センサデータの代わりにユーザ識別子が送信される場合があるという点において、第一の実施形態と相違する。例えば、カメラによって撮像された画像に基づいてユーザ識別が行われた場合、センサデータの代わりにユーザ識別子を受信する。

ステップＳ３２では、ユーザ識別子を受信したか否かを判定する。ここで、ユーザ識別子を受信していた場合、ステップＳ３３で、対応するユーザをマッチングの対象とする旨を決定する。
ステップＳ３４では、マッチング対象のユーザが設定されているか否かを判定する。ここで、否定判定となった場合、処理はステップＳ３１へ戻る。

ステップＳ３５では、マッチングの対象として設定されたユーザに対応する行動モデルを取得し、当該行動モデルを用いて行動パターンの比較を行う。この際、ユーザを識別したタイミングを用いて、行動パターンの位置合わせを行う。例えば、ユーザＡを対象とする場合、符号９０１で示したタイミングと、符号１１０１で示したタイミングを一致させる。また、ユーザＢを対象とする場合、符号９０２で示したタイミングと、符号１１０２で示したタイミングを一致させる。これにより、行動パターンの類似度をユーザ別に得ることができる。ステップＳ２４以降の処理は、第一の実施形態と同様である。

第二の実施形態によると、屋内に複数のユーザがいる場合においても、ユーザごとに外出時刻を推定することが可能になる。

（第三の実施形態）
第三の実施形態は、過去にユーザが外出した際の手段および目的地を記録し、記録されたデータに基づいて、より好ましい車両の配車を行う実施形態である。
図１４は、第三の実施形態に係る配車システムの構成要素をより詳細に示した図である。第三の実施形態では、情報処理装置１００が、ユーザが所持する端末（ユーザ端末３００）と通信し、外出中における行動履歴を取得可能に構成される。

本実施形態では、制御部１０３が、履歴管理部１０３５を有している。
履歴管理部１０３５は、ユーザに関連付いたユーザ端末３００と周期的に通信を行い、位置情報を取得する。取得した位置情報は、外出履歴として記憶部１０２に記憶される。

図１５は、外出履歴の例である。外出履歴には、外出前にユーザが取った行動パターンの識別子と、外出における目的地、外出中の移動経路等を関連付けて記憶する。これにより、「外出前の行動パターンがＸ１であった場合、ユーザは目的地Ｘ２へ向かう傾向がある」といった判定が行えるようになる。外出履歴には、立ち寄り地点、滞在時間、移動目的などが含まれていてもよい。また、ユーザが利用した交通手段が判別できる場合、関連する情報をさらに記憶してもよい。利用した交通手段は、例えば、ユーザ端末３００から発せられた車両の予約リクエスト、外出中の移動速度等に基づいて推定してもよい。

また、予測部１０３３は、ステップＳ２６において、記憶された外出履歴に基づいて、車両タイプを選択する。車両タイプの選択は、目的地や移動経路などを用いて行うことができる。例えば、目的地までの距離に基づいて、適切な航続距離を持った車両を選択することができる。例えば、近場に買い物に行く場合はパーソナルモビリティを選択し、通勤の場合は自動車を選択するようにしてもよい。また、外出の目的によって、適切な乗車定員や積載量を有する車両を選択するようにしてもよい。例えば、複数人数で移動することが推定される場合、全員が乗車できる車両を選択するようにしてもよい。

第三の実施形態によると、適切なタイプの車両を手配することが可能になる。
なお、本例では、履歴管理部１０３５の通信先としてユーザ端末３００を例示したが、モビリティの利用履歴を管理する装置から情報を取得するようにしてもよい。

（変形例）
上記の実施形態はあくまでも一例であって、本開示はその要旨を逸脱しない範囲内で適宜変更して実施しうる。
例えば、本開示において説明した処理や手段は、技術的な矛盾が生じない限りにおいて、自由に組み合わせて実施することができる。

また、１つの装置が行うものとして説明した処理が、複数の装置によって分担して実行されてもよい。あるいは、異なる装置が行うものとして説明した処理が、１つの装置によって実行されても構わない。コンピュータシステムにおいて、各機能をどのようなハードウェア構成（サーバ構成）によって実現するかは柔軟に変更可能である。

本開示は、上記の実施形態で説明した機能を実装したコンピュータプログラムをコンピュータに供給し、当該コンピュータが有する１つ以上のプロセッサがプログラムを読み出して実行することによっても実現可能である。このようなコンピュータプログラムは、コンピュータのシステムバスに接続可能な非一時的なコンピュータ可読記憶媒体によってコンピュータに提供されてもよいし、ネットワークを介してコンピュータに提供されてもよい。非一時的なコンピュータ可読記憶媒体は、例えば、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスクドライブ（ＨＤＤ）等）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤディスク・ブルーレイディスク等）など任意のタイプのディスク、読み込み専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気カード、フラッシュメモリ、光学式カード、電子的命令を格納するために適した任意のタイプの媒体を含む。

１００・・・情報処理装置
１０１・・・通信部
１０２・・・記憶部
１０３・・・制御部
１０４・・・入出力部
２００・・・センサ群
３００・・・ユーザ端末
４００・・・配車サーバ
５００・・・車両

Claims (17)

1. 屋内に設置された複数のセンサからセンサデータを取得することと、
   ユーザが外出する前に取得した第１のセンサデータに基づいて生成された、前記ユーザの行動情報に基づいて、前記ユーザの外出前にお ける前記ユーザの典型的な行動パターンであって、前記ユーザの外出時刻を含む複数の行動パターンを含む行動モデルを生成することと、
   前記外出におけるユーザの目的地を、前記行動パターンと関連付けて記憶することと、
   第２のセンサデータと、前記行動モデルに基づいて、前記ユーザの行動パターンを特定することと、
   特定された前記ユーザの行動パターンに基づいて、前記ユーザの外出時刻および目的地を判定することと、
   前記目的地へ向かうための車両を予約することと、
   を実行する制御部を有する、情報処理装置。
2. 前記センサデータは、前記屋内における前記ユーザの位置を示したデータである、
   請求項１に記載の情報処理装置。
3. 前記行動情報は、前記屋内における前記ユーザの位置を時系列で表したデータである、
   請求項２に記載の情報処理装置。
4. 前記第１および第２のセンサデータは、前記屋内における前記ユーザの位置、および、前記屋内に設置された一つ以上の機器の利用状況を示したデータである、
   請求項１に記載の情報処理装置。
5. 前記行動情報は、前記屋内における前記ユーザの位置、および、前記屋内に設置された一つ以上の機器の利用状況を時系列で表したデータである、
   請求項４に記載の情報処理装置。
6. 前記行動パターンは、複数のユーザごとに定義され、
   前記制御部は、前記行動情報を、前記複数のユーザの行動パターンと比較した結果に基
   づいて、前記複数のユーザのいずれかの外出時刻および目的地を推定する、
   請求項１から５のいずれか１項に記載の情報処理装置。
7. 前記複数のセンサのうちのいずれかは、人物を識別可能なセンサであり、
   前記制御部は、識別されたユーザの行動パターンを前記行動情報と比較し、ユーザごとに外出時刻を推定する、
   請求項６に記載の情報処理装置。
8. 前記制御部は、比較結果に基づいて、前記行動パターンと、前記ユーザの実際の行動とのずれ幅を算出し、前記ずれ幅を用いて前記外出時刻を推定する、
   請求項７に記載の情報処理装置。
9. 前記制御部は、前記行動情報と前記行動パターンとの類似度に基づいて、前記ユーザが外出する尤度をさらに算出する、
   請求項６から８のいずれか１項に記載の情報処理装置。
10. 前記制御部は、推定した外出時刻に基づいて、前記ユーザが乗車する車両を予約する、
    請求項１から９のいずれか１項に記載の情報処理装置。
11. 前記制御部は、所定のキャンセル期限が到来するまでに、前記ユーザに前記車両の利用意思を確認する、
    請求項１０に記載の情報処理装置。
12. 前記制御部は、前記ユーザが外出する尤度をさらに算出し、前記尤度が閾値を下回る場合に、前記車両の利用意思を確認する、
    請求項１１に記載の情報処理装置。
13. 前記制御部は、前記予約する車両のタイプを、前記目的地に基づいて決定する、
    請求項１２に記載の情報処理装置。
14. 前記制御部は、前記ユーザに関連付いた端末から取得した過去の移動情報を用いて、外出の手段をさらに推定する、
    請求項１０または１１に記載の情報処理装置。
15. 前記制御部は、前記予約する車両のタイプを、前記手段に基づいて決定する、
    請求項１４に記載の情報処理装置。
16. 情報処理装置が、
    屋内に設置された複数のセンサからセンサデータを取得するステップと、
    ユーザが外出する前に取得した第１のセンサデータに基づいて生成された、前記ユーザの行動情報に基づいて、前記ユーザの外出前における前記ユーザの典型的な行動パターンであって、前記ユーザの外出時刻を含む複数の行動パターンを含む行動モデルを生成するステップと、
    前記外出におけるユーザの目的地を、前記行動パターンと関連付けて記憶するステップと、
    第２のセンサデータと、前記行動モデルに基づいて、前記ユーザの行動パターンを特定するステップと、
    特定された前記ユーザの行動パターンに基づいて、前記ユーザの外出時刻および目的地を判定するステップと、
    前記目的地へ向かうための車両を予約するステップと、
    を実行する、情報処理方法。
17. 請求項１６に記載の情報処理方法をコンピュータに実行させるためのプログラム。

Images