特開 2022-156923 推論装置、推論方法およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022156923

(43)【公開日】2022-10-14

(54)【発明の名称】推論装置、推論方法およびプログラム

(51)【国際特許分類】

   G09B 29/00 20060101AFI20221006BHJP

   G06F 40/216 20200101ALI20221006BHJP

【ＦＩ】

G09B29/00 Z

G06F40/216

【審査請求】有

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2021060866

(22)【出願日】2021-03-31

(71)【出願人】

【識別番号】399106192

【氏名又は名称】三井住友海上火災保険株式会社

(71)【出願人】

【識別番号】513099603

【氏名又は名称】兵庫県公立大学法人

(74)【代理人】

【識別番号】110000877

【氏名又は名称】弁理士法人ＲＹＵＫＡ国際特許事務所

(72)【発明者】

【氏名】澤田 祥一

(72)【発明者】

【氏名】山本 光穂

(72)【発明者】

【氏名】大島 裕明

(72)【発明者】

【氏名】山本 岳洋

【テーマコード（参考）】

2C032

5B091

【Ｆターム（参考）】

2C032HB05

2C032HC27

5B091EA01

(57)【要約】      （修正有）

【課題】学習によって地図表示情報を推論する。
【解決手段】推論装置は、特定の地点を含む区域に関する地理データを取得する取得部と、任意の地点に関する第１言語表現および任意の地点を含む区域に関する地理データと、任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得部によって取得された地理データから特定の地点を推論する推論部とを備える。推論部は、取得部によって取得された地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定し、特定の地点に関する第１言語表現から複数の言語特徴量を特定し、特定の地点に関する複数の画像特徴量および複数の言語特徴量から特定の地点を推論してもよい。
【選択図】図１

【特許請求の範囲】

【請求項1】

特定の地点を含む区域に関する地理データを取得する取得部と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得部によって取得された前記地理データから前記特定の地点を推論する推論部と
を備える推論装置。

【請求項2】

前記推論部は、
前記任意の地点に関する前記第１言語表現から特定される複数の言語特徴量、および、前記任意の地点を含む区域に関する前記地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、前記任意の地点との対応関係を学習し、
前記取得部によって取得された前記地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定し、
前記特定の地点に関する前記第１言語表現から複数の言語特徴量を特定し、
前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論する、
請求項１に記載の推論装置。

【請求項3】

前記推論部は、
前記任意の地点を含む第１区域から、前記第１区域よりも小さい、前記任意の地点を含む第２区域へと段階的に、前記任意の地点に関する前記複数の言語特徴量および前記複数の画像特徴量と、前記任意の地点との対応関係を学習し、
前記特定の地点を含む第３区域から、前記第３区域よりも小さい、前記特定の地点を含む第４区域へと段階的に、前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論する、
請求項２に記載の推論装置。

【請求項4】

前記推論部は、前記特定の地点に関する前記複数の言語特徴量にそれぞれ対応する前記複数の画像特徴量に示される地理的な尤度を足し合わせることで前記特定の地点の画像を生成する、
請求項２または３に記載の推論装置。

【請求項5】

前記推論部が生成した前記特定の地点の前記画像の中で、最も地理的な尤度が高い点を前記特定の地点として決定し、決定した前記点の緯度および経度を算出する算出部を更に備える、
請求項４に記載の推論装置。

【請求項6】

前記算出部が算出した前記緯度および前記経度で特定される地点が道路上に位置していない場合に、前記算出部が算出した前記緯度および前記経度を、特定される前記地点に最も近い道路上における、特定される前記地点から最も近い地点の緯度および経度に補正する補正部を更に備える、
請求項５に記載の推論装置。

【請求項7】

前記取得部は、前記特定の地点に関する第２言語表現を取得した場合に、前記第２言語表現に基づいて前記特定の地点を含む区域のオープンデータを取得し、前記オープンデータから、ランドマーク、道路および交差点の少なくとも何れかによって分類した前記複数の地図画像または地物画像を生成する、
請求項２から６の何れか一項に記載の推論装置。

【請求項8】

前記取得部は、前記特定の地点に関する自然言語表現を取得し、前記自然言語表現を、前記特定の地点に関するベクトル表現である前記第１言語表現に変換して前記推論部に出力する、
請求項２から７の何れか一項に記載の推論装置。

【請求項9】

特定の地点を含む区域に関する地理データを取得する取得段階と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得段階で取得した前記地理データから前記特定の地点を推論する推論段階と
を備える推論方法。

【請求項10】

コンピュータに、
特定の地点を含む区域に関する地理データを取得する取得手順と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得手順で取得した前記地理データから前記特定の地点を推論する推論手順と
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推論装置、推論方法およびプログラムに関する。

【背景技術】

【0002】

特許文献１には、「端末３に含まれる位置情報検出センサ９は、ＧＰＳであってもよい…車両の現在位置を測定して、この現在位置情報を出力する。」（段落００８６）、「端末３からサーバ２０に…送付される情報は、…位置情報として〇県×市△町ＸＸＸ」（段落０１０９）と記載されている。
［先行技術文献］
［特許文献］
［特許文献１］ 特許第６０９５８３５号

【発明の概要】

【0003】

本発明の一態様においては、推論装置が提供される。推論装置は、特定の地点を含む区域に関する地理データを取得する取得部を備えてもよい。推論装置は、任意の地点に関する第１言語表現および任意の地点を含む区域に関する地理データと、任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得部によって取得された地理データから特定の地点を推論する推論部を備えてもよい。

【0004】

推論部は、任意の地点に関する第１言語表現から特定される複数の言語特徴量、および、任意の地点を含む区域に関する地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、任意の地点との対応関係を予め学習しておいてもよい。推論部は、取得部によって取得された地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定してもよい。推論部は、特定の地点に関する第１言語表現から複数の言語特徴量を特定してもよい。推論部は、特定の地点に関する複数の画像特徴量および複数の言語特徴量から特定の地点を推論してもよい。

【0005】

推論部は、任意の地点を含む第１区域から、第１区域よりも小さい、任意の地点を含む第２区域へと段階的に、任意の地点に関する複数の言語特徴量および複数の画像特徴量と、任意の地点との対応関係を学習してもよい。推論部は、特定の地点を含む第３区域から、第３区域よりも小さい、特定の地点を含む第４区域へと段階的に、特定の地点に関する複数の画像特徴量および複数の言語特徴量から特定の地点を推論してもよい。

【0006】

推論部は、特定の地点に関する複数の言語特徴量にそれぞれ対応する複数の画像特徴量に示される地理的な尤度を足し合わせることで特定の地点の画像を生成してもよい。

【0007】

推論装置は、推論部が生成した特定の地点の画像の中で、最も地理的な尤度が高い点を特定の地点として決定し、決定した点の緯度および経度を算出する算出部を更に備えてもよい。

【0008】

推論装置は、算出部が算出した緯度および経度で特定される地点が道路上に位置していない場合に、算出部が算出した緯度および経度を、特定される地点に最も近い道路上における、特定される地点から最も近い地点の緯度および経度に補正する補正部を更に備えてもよい。

【0009】

取得部は、特定の地点に関する第２言語表現が入力された場合に、第２言語表現に基づいて特定の地点を含む区域のオープンデータを取得し、オープンデータから、ランドマーク、道路および交差点の少なくとも何れかによって分類した複数の地図画像または地物画像を生成してもよい。

【0010】

取得部は、特定の地点に関する自然言語表現を取得し、自然言語表現を、特定の地点に関するベクトル表現である第１言語表現に変換して推論部に出力してもよい。

【0011】

本発明の一態様においては、推論方法が提供される。推論方法は、特定の地点を含む区域に関する地理データを取得する取得段階を備えてもよい。推論方法は、任意の地点に関する第１言語表現および任意の地点を含む区域に関する地理データと、任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得段階で取得した地理データから特定の地点を推論する推論段階を備えてもよい。

【0012】

本発明の一態様においては、プログラムが提供される。プログラムは、コンピュータに、特定の地点を含む区域に関する地理データを取得する取得手順を実行させてもよい。プログラムは、コンピュータに、任意の地点に関する第１言語表現および任意の地点を含む区域に関する地理データと、任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得手順で取得した地理データから特定の地点を推論する推論手順を実行させてもよい。

【0013】

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

【図面の簡単な説明】

【0014】

【図1】一実施形態によるシステム１０の概略図である。

【図2】一実施形態による推論装置１００のブロック図である。

【図3】一実施形態による推論方法のフロー図である。

【図4】一実施形態による、ユーザ２０が位置する特定の地点を含む区域６０の一例である。

【図5】一実施形態による、オープンデータから地図画像または地物画像を生成する方法の一例を説明するための図である。

【図6】一実施形態による、オープンデータから地図画像または地物画像を生成する方法の一例を説明するための図である。

【図7】一実施形態による、ランドマーク層および道路ネットワーク層のそれぞれに分類される複数の地図画像または地物画像の一例である。

【図8】一実施形態による、ニューラルネットワーク構造で特定の地点の画像を生成する方法の一例を説明するための図である。

【図9】一実施形態による、地理的な尤度を足し合わせる方法の一例を説明するための図である。

【図10】一実施形態による、ニューラルネットワーク構造で特定の地点の画像を生成する方法の他の一例を説明するための図である。

【図11】一実施形態による学習方法のフロー図である。

【図12】一実施形態による学習方法で使用する地図画像または地物画像の一例を示す図である。

【図13】本発明の複数の態様が全体的又は部分的に具現化されうるコンピュータ１２００の例を示す図である。

【発明を実施するための形態】

【0015】

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。なお、図面において、同一または類似の部分には同一の参照番号を付して、重複する説明を省く場合がある。

【0016】

図１は、一実施形態によるシステム１０の概略図である。システム１０は、通信ネットワーク５０を介して相互に通信する通信端末３０および推論装置１００を備える。システム１０は、通信端末３０を所持しているユーザ２０からの自然言語で記述される自然言語表現に基づき、ユーザ２０に関する地理的位置を推論するためのシステムである。なお、通信ネットワーク５０は有線か無線かを問わない。

【0017】

本実施形態における通信端末３０は、一例として、スマートフォンなどの通話機器である。通信端末３０は、回線交換方式によって推論装置１００と通信する。本実施形態におけるシステム１０では、ユーザ２０が通信端末３０から推論装置１００に発信し、推論装置１００と音声通話する。

【0018】

本実施形態における推論装置１００は、ユーザ２０が音声通話中に発した自然言語で記述される自然言語表現に基づき、ユーザ２０が現在いる地点の緯度および経度を特定する。

【0019】

より具体的には、推論装置１００は、ユーザ２０との音声通話中に、ユーザ２０から、ユーザ２０が現在いる地点の住所と、当該地点に関する情報、例えばユーザ２０が視認可能なランドマークや、ユーザ２０から最も近い道路や交差点などの名称とを聞き出す。当該住所は、一例として、市区町村レベルの大まかな住所情報であってもよく、番地レベルの具体的な住所情報であってもよい。推論装置１００は、これらの自然言語で記述される自然言語表現から、ルールベースの探索と機械学習による推論を行うことで、ユーザ２０が現在いる地点の緯度および経度を特定する。

【0020】

ルールベースの探索は、例えば、ジオコーダを用いて、住所から緯度および経度を特定することを含んでもよい。また、ルールベースの探索は、例えば、オープンストリートマップ（ＯＳＭ）を用いて、当該緯度および経度を中心とする一定領域内のポイントデータやラインデータを取得することを含んでもよい。また、ルールベースの探索は、例えば、住所で表される位置を特定し、当該位置が道路上や交差点上の位置ではない場合に、当該位置を、当該位置の最寄りの道路や交差点上の位置に補正することを含んでもよい。

【0021】

機械学習による推論は、例えば、言語表現と地理データを入力として、言語で示される地理的位置を推論することであってもよい。推論装置１００は、上記の自然言語表現が、自然言語で曖昧に記述された地点を示す場合にも、ルールベースの探索と機械学習による推論とを行うことにより、当該地点の緯度および経度を高精度に特定できる。

【0022】

なお、本実施形態における推論装置１００は、一例として、通信端末３０を通じたユーザ２０からの電話を自動音声で応対することにより、ユーザ２０から上記の自然言語を聞き出して、当該自然言語で記述される自然言語表現を取得する。追加的に又は代替的に、推論装置１００は、推論装置１００を管理する会社のオペレータがユーザ２０から聞き出した上記の自然言語で記述される自然言語表現を取得してもよい。

【0023】

なお、推論装置１００がユーザ２０との音声通話中にユーザ２０から聞き出す、ユーザ２０が現在いる地点の住所は、特定の地点の住所に関する第２言語表現の一例である。また、推論装置１００がユーザ２０との音声通話中にユーザ２０から聞き出す、上記のランドマーク、道路、交差点などの名称は、特定の地点に関する自然言語表現の一例である。

【0024】

なお、通信端末３０および推論装置１００は、上述の回線交換方式に代えて、パケット交換方式により通信してもよく、ユーザ２０が通信端末３０のインターフェースに手入力又は音声入力した言語表現を、データ通信によって推論装置１００に送信してもよい。

【0025】

図２は、一実施形態による推論装置１００のブロック図である。推論装置１００は、取得部１０１と、推論部１０３と、算出部１０５と、補正部１０７と、事故情報データベース１０９とを備える。

【0026】

取得部１０１は、推論装置１００の外部の装置、例えば通信端末３０と相互に通信する。取得部１０１は、他の通信端末、例えば推論装置１００を管理する管理会社のコンピュータと相互に通信してもよい。

【0027】

取得部１０１は、特定の地点を含む区域に関する地理データを取得する。より具体的には、本実施形態における取得部１０１は、通信端末３０と通信している間、ユーザ２０が音声通話中に発した、ユーザ２０が現在いる地点に関する自然言語を解読して自然言語表現を取得する。当該自然言語は、例えば、当該地点の住所を示すものであってもよく、高速の〇〇ＩＣ付近や、〇〇駅付近といった特定の道路やランドマーク等を示すものであってもよい。なお、当該自然言語表現は、特定の地点に関する第２言語表現の一例である。

【0028】

本実施形態における取得部１０１は、このように当該地点の自然言語表現を取得した場合に、当該自然言語表現に基づいて、ユーザ２０が現在いる地点を含む区域のオープンデータを取得する。取得部１０１は更に、当該オープンデータから、ランドマーク、道路および交差点の少なくとも何れかによって分類した複数の地図画像または地物画像を生成する。

【0029】

具体的な一例として、本実施形態における取得部１０１は、当該住所をジオコーダで緯度および経度に変換し、オープンストリートマップ（ＯＳＭ）を用いて、当該緯度および経度を中心とする一定領域内のポイントデータやラインデータを取得する。

【0030】

本実施形態における取得部１０１は更に、地図描画用ライブラリによって、当該ポイントデータやラインデータから上記の複数の地図画像または地物画像を生成する。なお、オープンデータ、地図画像および地物画像は何れも、上記の地理データの一例である。

【0031】

取得部１０１は、取得した地理データを推論部１０３に出力する。より具体的には、本実施形態における取得部１０１は、ＯＳＭで取得したオープンデータから生成した複数の地図画像または地物画像を推論部１０３に出力する。

【0032】

本実施形態における取得部１０１は更に、特定の地点に関する自然言語表現を取得し、自然言語表現を、当該特定の地点に関するベクトル表現に変換する。具体的な一例として、本実施形態における取得部１０１は、通信端末３０と通信している間にユーザ２０が現在いる地点に関する自然言語から自然言語表現を取得した場合、Ｗｏｒｄ２Ｖｅｃ（ワードツーベック）を用いた構文解析器を用いて、当該自然言語表現をベクトル表現に変換する。取得部１０１は、当該ベクトル表現を推論部１０３に出力する。なお、当該ベクトル表現は、特定の地点に関する第１言語表現の一例である。

【0033】

本実施形態における取得部１０１は更に、補正部１０７から緯度および経度を入力された場合、例えば、推論装置１００を管理する管理会社のコンピュータに緯度および経度を送信する。

【0034】

推論部１０３は、任意の地点に関する第１言語表現および当該任意の地点を含む区域に関する地理データと、当該任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得部１０１によって取得された地理データから当該特定の地点を推論する。

【0035】

より具体的には、本実施形態における推論部１０３は、特定の地点に関する第１言語表現から複数の言語特徴量を特定し、また、取得部１０１によって取得された地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定する。本実施形態では、当該第１言語表現は上述のベクトル表現であり、特定の地点に関するベクトル表現は、上述の通り、取得部１０１から推論部１０３に入力される。

【0036】

推論部１０３は更に、任意の地点に関する第１言語表現から特定される複数の言語特徴量、および、当該任意の地点を含む区域に関する地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、当該任意の地点との対応関係の学習結果に基づき、特定の地点に関する複数の画像特徴量および複数の言語特徴量から特定の地点を推論する。

【0037】

具体的な一例として、本実施形態における推論部１０３は、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ）ネットワークおよびＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を含むニューラルネットワーク構造の深層学習モデルを有する。推論部１０３は、ＬＳＴＭネットワークにより、ベクトル表現から複数の言語特徴量を特定し、ＣＮＮにより、複数の地図画像または地物画像から複数の画像特徴量を特定する。

【0038】

具体的な一例において、推論部１０３は、上記の深層学習モデルにより、任意の地点に関するベクトル表現から特定される複数の言語特徴量、および、当該任意の地点に関する複数の地図画像または地物画像から特定される複数の画像特徴量と、当該任意の地点との対応関係を深層学習する。当該対応関係は、言語特徴量と画像特徴量との関連度合いを含む。推論部１０３は、例えば、事故情報データベース１０９に格納されている、任意の地点に関するベクトル表現および複数の地図画像または地物画像を読み出して、言語特徴量および画像特徴量をそれぞれ特定し、当該対応関係を深層学習する。

【0039】

なお、事故情報データベース１０９には、任意の地点に関するベクトル表現および複数の地図画像または地物画像に代えて、任意の地点に関する自然言語表現および任意の地点の住所に関する自然言語表現が格納されていてもよい。この場合、推論部１０３は、事故情報データベース１０９から読み出したこれらの自然言語表現を取得部１０１に出力することで、取得部１０１から、任意の地点に関するベクトル表現および複数の地図画像または地物画像を入力されてもよい。

【0040】

具体的な一例において、推論部１０３は更に、特定の地点に関する複数の言語特徴量にそれぞれ対応する複数の画像特徴量に示される地理的な尤度を足し合わせることで特定の地点の画像を生成する。画像特徴量に示される地理的な尤度とは、例えば、各画像特徴量に対応する言語特徴量の元となった言語表現が表す場所、すなわちユーザ２０が現在いる位置の尤もらしさの度合いを画像内にマッピングしたものであり、範囲、複数個所、曖昧さなどを含めて扱うことができる。なお、当該特定の地点の画像を生成することは、当該特定の地点を推論することに相当する。推論部１０３は、当該特定の地点の画像を算出部１０５に出力する。

【0041】

本実施形態において、算出部１０５は、推論部１０３が生成した特定の地点の画像の中で、最も地理的な尤度が高い点を特定の地点として決定し、決定した点の緯度および経度を算出する。なお、当該画像には、当該画像の元となったオープンデータが有する緯度および経度の情報が紐付けられている。算出部１０５は、算出した緯度および経度を補正部１０７に出力する。

【0042】

本実施形態において、補正部１０７は、算出部１０５が算出した緯度および経度で特定される地点が道路上に位置しているか否かを判断する。補正部１０７は、当該地点が道路上に位置していない場合に、算出部１０５が算出した緯度および経度を、特定される地点に最も近い道路上における、特定される地点から最も近い地点の緯度および経度に補正する。一例として、補正部１０７は、これらの判断および補正を行うために、道路の地図画像から特定された画像特徴量を、算出部１０５を介して推論部１０３から取得してもよい。補正部１０７は、緯度および経度を取得部１０１に出力する。

【0043】

なお、推論装置１００は、算出部１０５および補正部１０７を備えなくてもよい。例えば、推論装置１００は、外部装置に対して、上述の算出部１０５および補正部１０７の各処理を実行させてもよい。外部装置の一例は、上述した管理会社のコンピュータであってもよい。

【0044】

本実施形態において、事故情報データベース１０９は、上述した各データを格納する。各データは、過去に車両事故が起きた場所を示すデータであってもよい。なお、推論装置１００は、推論装置１００全体を制御するためのプログラム等が格納されたメモリを事故情報データベース１０９とは別に備えてもよく、当該メモリが事故情報データベース１０９を含んでもよい。推論装置１００の各構成は、上記で説明した各機能を実行するべく、当該メモリに格納されたプログラムを読み出す。

【0045】

なお、推論装置１００は、事故情報データベース１０９を備えなくてもよい。例えば、推論装置１００は、外部装置のデータベースから、上述した各データを取得して、上述の推論や学習を実行してもよい。

【0046】

図３は、一実施形態による推論方法のフロー図である。図３に示すフローは、一例として、ユーザ２０が通信端末３０を使用して推論装置１００に音声通話を発信し、推論装置１００が自動音声でユーザ２０への応対を始めることによって開始されてもよい。ユーザ２０は、自動音声の案内に従い、当該フローで必要とされる自然言語を発話する。

【0047】

推論装置１００は、ユーザ２０が発話した自然言語から、（１）特定の地点の住所に関する住所言語表現を取得し、（２）特定の地点に関する地点言語表現を取得する（ステップＳ１０１）。住所言語表現の一例は、「兵庫県神戸市中央区」という言語表現である。地点言語表現の一例は、「三宮町のコンビニ近くの、国道Ａおよび国道Ｂの交差点付近」という言語表現である。

【0048】

推論装置１００は、（１）当該住所を含む区域のオープンデータを取得し、オープンデータからＮｉ個の地図画像又は地物画像を生成し、（２）地点言語表現を長さＮｖのベクトル表現に変換する（ステップＳ１０３）。

【0049】

図４は、一実施形態による、ユーザ２０が位置する特定の地点を含む区域６０の一例である。図４において、区域６０に、緯度（latitude）および経度（longitude）をそれぞれベクトルで併記してある。区域６０は、一例として、「兵庫県神戸市中央区」という言語表現で示される住所の緯度および経度を中心とする、５ｋｍ四方の正方形領域である。

【0050】

図４に示す通り、区域６０には、自車両の傍らで通信端末３０を操作しているユーザ２０と、４つの交差点で交わる４本の道路と、各道路沿いに位置する３つのコンビニとが含まれる。また、単に説明を明確にする目的で、区域６０上に「三宮町」と表記してある。

【0051】

推論装置１００は、ジオコーダを用いて、「兵庫県神戸市中央区」という言語表現で示される住所から緯度および経度を特定する。このように、住所言語表現に示される住所が市区町村レベルの場合、当該住所は点ではなく範囲なので、推論装置１００は、当該住所の中心を代表点として、当該代表点の緯度および経度を特定してもよい。これに代えて、推論装置１００は、当該範囲に基づいてオープンデータを取得してもよい。住所言語表現に示される住所が番地や号までを含んでいる場合には、当該住所は点なので、当該点の緯度および経度を特定してもよい。

【0052】

推論装置１００は更に、当該緯度および経度を中心とする区域６０を定め、ＯＳＭを用いて、区域６０の複数のポイントデータやラインデータを取得し、これらのオープンデータから、Ｎｉ個の、例えば１５０個の地図画像および地物画像を生成する。

【0053】

図５は、一実施形態による、オープンデータから地図画像または地物画像を生成する方法の一例を説明するための図である。図５は、上から順に、ＯＳＭのポイントデータ（ランドマーク）のテーブルと、当該テーブルに示される各ランドマークの地理的な尤度のグラフと、当該グラフに基づく各ランドマークの地物画像とを示す。

【0054】

当該テーブルには、１行目にＯＳＭポイントデータ（ランドマーク）という大別されたグループ名が記載され、２行目の１列目から順に、ランドマークの種別、各ランドマークの名称、各ランドマークのlatitude（緯度）、および、各ランドマークのlongitude（経度）が記載される。また、当該テーブルの３行目以降の各セルには、各ポイントデータが格納されている。

【0055】

図６は、一実施形態による、オープンデータから地図画像または地物画像を生成する方法の一例を説明するための図である。図６は、図５と同様、上から順に、ＯＳＭのラインデータ（道路）のテーブルおよびポイントデータ（交差点）のテーブルと、当該テーブルに示される道路および交差点のそれぞれの地理的な尤度のグラフと、当該グラフに基づく道路の地図画像および交差点の地図画像とを示す。

【0056】

図６の最上部左側に示すテーブルには、１行目にＯＳＭラインデータ（道路）という大別されたグループ名が記載され、２行目以降の各行には、道路の名称とラインデータとの組み合わせが格納されている。

【0057】

図６の最上部右側に示すテーブルには、１行目にＯＳＭポイントデータ（交差点）という大別されたグループ名が記載され、２行目の１列目から順に、交差点の名称、各交差点のlatitude（緯度）、および、各交差点のlongitude（経度）が記載される。また、当該テーブルの３行目以降の各セルには、各ポイントデータが格納されている。

【0058】

推論装置１００は、図５および図６に例示するように、地図描画用ライブラリを用いて、ＯＳＭにおけるランドマーク、道路、交差点などのポイントデータやラインデータからＮｉ個の地図画像および地物画像を生成する。

【0059】

図７は、一実施形態による、ランドマーク層および道路ネットワーク層のそれぞれに分類される複数の地図画像または地物画像の一例である。推論装置１００は、図７に示すように、Ｎｉ個の地図画像および地物画像を、ランドマーク層および道路ネットワーク層のそれぞれに分類してもよい。

【0060】

ランドマーク層は、ランドマーク毎に、例えば店舗、建物、地形、目標物などの種類毎に、別レイヤとなっており、一例として数百層を含む。推論装置１００は、例えば、図５に示すランドマークの地物画像を、ランドマーク層の何れかの層に分類する。

【0061】

また、道路ネットワーク層は、歩道、車道、交差点、高速などを含み、一例として１０層程度を含む。推論装置１００は、例えば、図６に示す道路および交差点の地図画像を、道路ネットワーク層の何れかの層に分類する。

【0062】

推論装置１００は、構文解析器を用いて、「三宮町のコンビニ近くの、国道Ａおよび国道Ｂの交差点付近」という地点言語表現を、「三宮町／の／コンビニ／近く／の、／国道Ａ／および／国道Ｂ／の／交差点／付近」のように解析し、長さＮｖのベクトルに埋め込む。ベクトルの単語（トークン）の数Ｎｖは可変であり、係り受けも含まれる。

【0063】

なお、ステップＳ１０１～ステップＳ１０３は、特定の地点を含む区域に関する地理データを取得する取得段階の一例である。

【0064】

図３のフローの説明に戻り、推論装置１００は、（１）Ｎｉ個の地図画像又は地物画像から複数の画像特徴量を特定し、（２）長さＮｖのベクトル表現から複数の言語特徴量を特定する（ステップＳ１０５）。推論装置１００は更に、複数の画像特徴量および複数の言語特徴量から特定の地点を推論する（ステップＳ１０７）。より具体的には、推論装置１００は、複数の言語特徴量にそれぞれ対応する複数の画像特徴量に示される地理的な尤度を足し合わせることで特定の地点の画像を生成する。

【0065】

図８は、一実施形態による、ニューラルネットワーク構造で特定の地点の画像を生成する方法の一例を説明するための図である。推論装置１００は、図８に示すように、ＬＳＴＭネットワークおよびＣＮＮを含むニューラルネットワーク構造の深層学習モデルを有する。

【0066】

推論装置１００は、ＬＳＴＭネットワークにより、ベクトル表現である言語表現（Ｎｖ）から複数の言語特徴量（Ｍｖ）を特定し、ＣＮＮにより、複数の地図画像または地物画像（２５６×２５６×Ｎｉ）から複数の画像特徴量（２５６×２５６×Ｍｉ）を特定する。

【0067】

推論装置１００は、画像特徴量のi層目の行列と言語特徴量のi番目の値を掛け算することでi層目の特徴量とし、これをＭ枚生成する。推論装置１００は更に、生成したM枚を足し合わせ、ＣＮＮにより、ユーザ２０が位置する特定の地点を推定する画像を生成する。

【0068】

推論装置１００は、画像特徴量のi層目の行列と言語特徴量のi番目の値を掛け算する際に、画像特徴量の各層に対して言語特徴量の各値を重みとみなして掛け合わせてもよい。推論装置１００は、各層の重みを学習によって得てもよい。推論装置１００は、学習の結果として、例えば「三宮町：コンビニ：交差点＝３：６：１」という重みを得てもよい。

【0069】

図９は、一実施形態による、地理的な尤度を足し合わせる方法の一例を説明するための図である。図９は、単に説明を明確にする目的で、図５に示した各ランドマークの地理的な尤度のグラフを足し合わせるイメージ図と、当該グラフに基づく各ランドマークの地物画像を足し合わせるイメージ図とを、上下に並べて示す。推論装置１００は、図９に示すイメージ図のように、複数の言語特徴量にそれぞれ対応する複数の画像特徴量に示される地理的な尤度を足し合わせることで特定の地点の画像を生成する。

【0070】

図１０は、一実施形態による、ニューラルネットワーク構造で特定の地点の画像を生成する方法の他の一例を説明するための図である。当該他の一例の実施形態における推論装置１００は、図８に示す実施形態と異なる点として、ＬＳＴＭネットワークにより、ベクトル表現である言語表現（Ｎｖ）から複数の言語特徴量（２５６×２５６×Ｍｖ）を特定し、ＣＮＮにより、複数の地図画像または地物画像（２５６×２５６×Ｎｉ）から複数の画像特徴量（２５６×２５６×Ｍｉ）を特定する。

【0071】

当該他の一例の実施形態における推論装置１００は、言語特徴量の層と画像特徴量の層のサイズを合わせて、層を重ねることで、２Ｍ枚の層とする。推論装置１００は更に、２Ｍ枚の層を足し合わせ、ＣＮＮにより、ユーザ２０が位置する特定の地点を推定する画像を生成する。

【0072】

なお、ステップＳ１０５～ステップＳ１０７は、学習用の任意の地点に関する第１言語表現および当該任意の地点を含む区域に関する地理データと、当該任意の地点との対応関係の学習結果に基づき、特定の地点に関する第２言語表現および取得段階で取得した地理データから特定の地点を推論する推論段階の一例である。

【0073】

図３のフローの説明に戻り、推論装置１００は、ステップＳ１０７で生成した画像の中で最も地理的な尤度が高い点を特定の地点として決定し、決定した点の緯度および経度を算出する（ステップＳ１０９）。推論装置１００は更に、算出した緯度および経度で特定される地点が道路上に位置しているか否かを判断する（ステップＳ１１１）。

【0074】

推論装置１００は、当該地点が道路上に位置していないと判断した場合には（ステップＳ１１１：ＹＥＳ）、当該緯度および経度を、当該緯度および経度で特定される地点に最も近い道路上における、当該地点から最も近い地点の緯度および経度に補正し（ステップＳ１１３）、補正後の緯度および経度を例えば推論装置１００の管理会社のコンピュータに送信して、当該フローを終了する。

【0075】

推論装置１００は、ＯＳＭを利用して上記補正を実行してもよい。例えば、推論装置１００は、道路や地物の緯度および経度のデータをＯＳＭで検索して、当該緯度および経度から最寄りの道路上の位置の緯度および経度を取得してもよい。例えば、推論装置１００は、事故情報データベース１０９に格納されている路上、交差点などの事故場所の補足情報を利用して、上記補正を実行してもよい。

【0076】

推論装置１００は、当該地点が道路上に位置していると判断した場合には（ステップＳ１１１：ＮＯ）、算出した緯度および経度をそのまま、例えば当該コンピュータに送信して、当該フローを終了する。

【0077】

図１１は、一実施形態による学習方法のフロー図である。推論装置１００は、図１１に示す学習方法を、図３に示す推論方法を実行する前に実行する。推論装置１００は、これに追加して、図１１に示す学習方法を、図３に示す推論方法を実行していない間に実行してもよい。

【0078】

推論装置１００は、学習対象とする区域を定め、当該区域のオープンデータを取得し、オープンデータからＮｉ個の地図画像または地物画像を生成する（ステップＳ３０１）。当該区域は、例えば図３に示すように、５ｋｍ四方程度であってもよい。推論装置１００は、例えば図３のフローのステップＳ１０３における（１）と同様の処理を行うことで、Ｎｉ個の地図画像または地物画像を生成する。なお、推論装置１００は、図１１に示す学習のフローを実行する間、ステップＳ３０１で生成したＮｉ個の地図画像または地物画像を固定として、繰り返し使用する。

【0079】

推論装置１００は、事故情報データベース１０９から、教師データとして、（１）当該区域内の任意の地点に関する地点言語表現を取得し、（２）当該地点の緯度および経度の正解情報を取得する（ステップＳ３０３）。換言すると、推論装置１００は、過去に事故が起きた場所などのデータを用いて、事故場所の言語表現と、その地点の緯度および経度とのペアを教師データとする。

【0080】

推論装置１００は、（１）地点言語表現を長さＮｖのベクトル表現に変換し、（２）正解情報の緯度および経度の地図画像を生成する（ステップＳ３０５）。推論装置１００は、例えば図３のフローのステップＳ１０３における（１）および（２）と同様の処理を行うことで、長さＮｖのベクトル表現を特定し、且つ、正解情報の緯度および経度の地図画像を生成する。

【0081】

推論装置１００は、Ｎｉ個の地図画像又は地物画像および長さＮｖのベクトル表現を入力とし、正解情報に基づく地図画像を出力として深層学習し（ステップＳ３０７）、十分学習するまでステップＳ３０３からＳ３０７までを繰り返してから（ステップＳ３０９）、当該フローを終了する。

【0082】

このように、推論装置１００は、Ｎｉ個の地図画像または地物画像の入力を固定として、言語表現と正解画像のペアをそれぞれ入力と出力として順次与えていくことにより、深層学習する。

【0083】

図１２は、一実施形態による学習方法で使用する地図画像または地物画像の一例を示す図である。図１２には、当該一実施形態による推論装置１００が自動的に生成する自然言語表現と、地図画像または地物画像とのペアの一例を示す。

【0084】

推論装置１００は、事故データなどの実際の情報を使用する他に、データ量を補うべく、ＯＳＭの地理データを使用したり、クラウドソーシングを活用したりすることで、図１２に示すようなペアを自動生成してもよい。

【0085】

推論装置１００は、図１２に示すように、住所、地物名、補正情報などの様々な言語表現の組合せを自動生成してもよい。推論装置１００はまた、図１２に示すように、単一地点、複数地点、範囲などの任意の地図画像または地物画像を生成してもよい。

【0086】

推論装置１００は、自然言語表現の自動生成データを使用する場合、先ず、地図画像または地物画像と、自動生成した言語表現とを入力とし、自動生成した画像特徴量を正解データとして事前学習を行う。次に、推論装置１００は、図１１の学習方法により、追加学習を行う。ただし、推論装置１００は、事前学習および追加学習において、互いに同じ「地図画像または地物画像」を使用する。すなわち、推論装置１００は、図１１のフローのステップＳ３０１で生成する地図画像または地物画像を、事前学習および追加学習の両方で用いる。

【0087】

図１１のように実データのみを用いる場合、必要十分な数のデータを用意することが難しい場合がある。そこで、推論装置１００は、図１２に示すような大量の自動生成データで事前学習した上で、少量の実データで追加学習することで精度を向上させてもよい。推論装置１００は、実データの数が十分でない場合に、自動生成したデータで数を補うことで、学習モデルの精度を向上させてもよい。

【0088】

また、推論装置１００は、再学習（ファインチューニング）してもよい。具体的には、推論装置１００は、様々な区域のデータによって汎用的なベースモデルを学習し、当該ベースモデルを元にして、特定地域のデータで再学習することで、少量のデータで高い精度を実現することも可能である。もしくは、推論装置１００は、汎用的なベースモデルを学習後、入力する地理画像を入れ替えるだけで、上記の再学習をすることなく、様々な地域に適用可能であってもよい。

【0089】

以上、上記で説明した複数の実施形態による推論装置１００および推論方法によれば、特定の地点を含む区域に関する地理データを取得し、任意の地点に関する第１言語表現および任意の地点を含む区域に関する地理データと、任意の地点との対応関係の学習結果に基づき、特定の地点に関する第１言語表現および取得された地理データから特定の地点を推論する。

【0090】

例えば、保険会社が保有する既存の事故データベースに格納されている過去の事故データは、事故地の住所等の記録が正確でない場合がある。また、事故受付担当者が、自由記述で事故地を記録したものが事故データベースに格納されるため、記述内容が曖昧なことが多い。また、事故地の住所と事故場所は正確には一致しない。住所は建物の位置であるが、事故場所の殆どは道路上であるため、事故地の住所と事故場所との間にはずれがある。

【0091】

上記の構成を備える推論装置１００および推論方法によれば、例えば、自然言語で曖昧に表現された事故場所を示す情報から、例えば町丁目などの範囲までルールベースで絞り込んだ上で、機械学習を用いてより詳細な事故位置を推定することができる。例えば、上記の構成を備える推論装置１００および推論方法によれば、過去に記録された事故データの事故地の言語表現から緯度および経度を推定することにより、どういう場所で事故が多発しているかを分析するなど、事故データの地理的な統計分析に活用したり、リスクマップを詳細に作製することができる。

【0092】

また例えば、上記の構成を備える推論装置１００および推論方法によれば、保険会社のコールセンターなどの電話受付時に、より具体的に位置を特定するための質問を指示することで事故位置特定の補助をしたり、事故位置を特定する精度を向上させたりすることができる。

【0093】

以上の複数の実施形態において、推論部１０３は追加的に、任意の地点を含む第１区域から、第１区域よりも小さい、任意の地点を含む第２区域へと段階的に、任意の地点に関する複数の言語特徴量および複数の画像特徴量と、任意の地点との対応関係を学習してもよい。この場合、推論部１０３は、特定の地点を含む第３区域から、第３区域よりも小さい、特定の地点を含む第４区域へと段階的に、特定の地点に関する複数の画像特徴量および複数の言語特徴量から特定の地点を推論してもよい。

【0094】

例えば、推論部１０３は、区域の広さを、２０００ｋｍ四方の範囲、１００ｋｍ四方の範囲、５ｋｍ四方の範囲へと段階的に変えて、それぞれでモデルを学習させてもよい。換言すると、推論部１０３は、機械学習で使用する画像の解像度を複数に分け、広い範囲から徐々に狭い範囲に絞り込んでいってもよい。推論部１０３は、広い範囲から徐々に場所を絞り込むことで、詳細な位置を推定するように構成されてもよい。換言すると、推論部１０３は、広い区域から順に推論を行い、徐々に範囲を絞り込んでいってもよい。

【0095】

以上の複数の実施形態におけるシステム１０では、推論装置１００が、通信ネットワーク５０を介して通信端末３０から取得した、ユーザ２０からの言語表現に基づき、ユーザ２０の現在位置を推論する構成として説明した。追加的に又は代替的に、システム１０は、ユーザ２０の車両に搭載された推論装置１００や、ユーザ２０の通信端末３０に実装された推論装置１００等を備えてもよい。

【0096】

また、以上の複数の実施形態におけるシステム１０では、推論装置１００は、ユーザ２０の現在位置を推論する構成として説明した。追加的に又は代替的に、推論装置１００は、ユーザ２０が意図する目的地を推論してもよい。この場合、推論装置１００は、ユーザ２０の現在の位置や進行方向などのコンテキスト情報を追加的に使用して、ユーザ２０が意図する目的地、すなわちユーザ２０が今いる位置からの相対的な位置を推論してもよい。推論装置１００は、一例として、推論した目的地までの経路をユーザ２０に知らせるべく、推論した目的地までの経路情報を通信端末３０、例えば車両のカーナビのディスプレイ等に表示させてもよい。推論装置１００は、一例として、推論した目的地に向かって車両を自動運転させるべく、推論した目的地までの経路情報を車両に入力してもよい。なお、推論装置１００は、ユーザ２０が今いる位置からの相対的な位置を推論する場合、ジオコーダの代わりに、現在の位置や方向などで区域を決定してもよい。

【0097】

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

【0098】

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

【0099】

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

【0100】

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

【0101】

図１３は、本発明の複数の態様が全体的又は部分的に具現化されうるコンピュータ１２００の例を示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００に、本発明の実施形態に係る装置に関連付けられるオペレーション又は当該装置の１又は複数の「部」として機能させ、又は当該オペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。このようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

【0102】

本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、グラフィックコントローラ１２１６、及びディスプレイデバイス１２１８を含み、これらはホストコントローラ１２１０によって相互に接続される。コンピュータ１２００はまた、通信インターフェース１２２２、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭドライブ１２２６、及びＩＣカードドライブのような入出力ユニットを含み、これらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続される。コンピュータはまた、ＲＯＭ１２３０及びキーボード１２４２のようなレガシの入出力ユニットを含み、これらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続される。

【0103】

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、これにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又は当該グラフィックコントローラ１２１６自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示させる。

【0104】

通信インターフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤ－ＲＯＭドライブ１２２６は、プログラム又はデータをＤＶＤ－ＲＯＭ１２０１から読み取り、ハードディスクドライブ１２２４にＲＡＭ１２１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

【0105】

ＲＯＭ１２３０は、内部に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。

【0106】

プログラムが、ＤＶＤ－ＲＯＭ１２０１又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもあるハードディスクドライブ１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

【0107】

例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェース１２２２に対し、通信処理を命令してよい。通信インターフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭ１２０１、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

【0108】

また、ＣＰＵ１２１２は、ハードディスクドライブ１２２４、ＤＶＤ－ＲＯＭドライブ１２２６（ＤＶＤ－ＲＯＭ１２０１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

【0109】

様々なタイプのプログラム、データ、テーブル、及びデータベースのような、様々なタイプの情報が、情報処理されるべく、記録媒体に格納されてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、これにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

【0110】

以上の説明によるプログラム又はソフトウェアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、これにより、プログラムをコンピュータ１２００にネットワークを介して提供する。

【0111】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。また、技術的に矛盾しない範囲において、特定の実施形態について説明した事項を、他の実施形態に適用することができる。また、各構成要素は、名称が同一で、参照符号が異なる他の構成要素と同様の特徴を有してもよい。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

【0112】

例えば、ルールベースの探索は、カーナビゲーションシステムやスマートフォンのＧＰＳ情報から、特定の地点を含む、緯度経度の範囲で表される区域の地理データ、例えばタイル座標やメッシュコードなどの地理データを取得することを含んでもよい。すなわち、取得部は、特定の地点を含む区域に関する地理データを取得する具体例として、ＧＰＳ情報から当該特定の地点を含む区域の地理データを取得してもよい。

【0113】

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

【符号の説明】

【0114】

１０ システム
２０ ユーザ
３０ 通信端末
５０ 通信ネットワーク
６０ 区域
１００ 推論装置
１０１ 取得部
１０３ 推論部
１０５ 算出部
１０７ 補正部
１２００ コンピュータ
１２０１ ＤＶＤ－ＲＯＭ
１２１０ ホストコントローラ
１２１２ ＣＰＵ
１２１４ ＲＡＭ
１２１６ グラフィックコントローラ
１２１８ ディスプレイデバイス
１２２０ 入出力コントローラ
１２２２ 通信インターフェース
１２２４ ハードディスクドライブ
１２２６ ＤＶＤ－ＲＯＭドライブ
１２３０ ＲＯＭ
１２４０ 入出力チップ
１２４２ キーボード

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【手続補正書】

【提出日】2022-07-27

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

特定の地点を含む区域に関する地理データを取得する取得部と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得部によって取得された前記地理データから前記特定の地点を推論する推論部と
を備え、
前記推論部は、
前記任意の地点に関する前記第１言語表現から特定される複数の言語特徴量、および、前記任意の地点を含む区域に関する前記地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、前記任意の地点との対応関係を学習し、
前記取得部によって取得された前記地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定し、
前記特定の地点に関する前記第１言語表現から複数の言語特徴量を特定し、
前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論する、
推論装置。

【請求項2】

前記推論部は、
前記任意の地点を含む第１区域から、前記第１区域よりも小さい、前記任意の地点を含む第２区域へと段階的に、前記任意の地点に関する前記複数の言語特徴量および前記複数の画像特徴量と、前記任意の地点との対応関係を学習し、
前記特定の地点を含む第３区域から、前記第３区域よりも小さい、前記特定の地点を含む第４区域へと段階的に、前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論する、
請求項１に記載の推論装置。

【請求項3】

前記推論部は、前記特定の地点に関する前記複数の言語特徴量にそれぞれ対応する前記複数の画像特徴量に示される地理的な尤度を足し合わせることで前記特定の地点の画像を生成する、
請求項１または２に記載の推論装置。

【請求項4】

前記推論部が生成した前記特定の地点の前記画像の中で、最も地理的な尤度が高い点を前記特定の地点として決定し、決定した前記点の緯度および経度を算出する算出部を更に備える、
請求項３に記載の推論装置。

【請求項5】

前記算出部が算出した前記緯度および前記経度で特定される地点が道路上に位置していない場合に、前記算出部が算出した前記緯度および前記経度を、特定される前記地点に最も近い道路上における、特定される前記地点から最も近い地点の緯度および経度に補正する補正部を更に備える、
請求項４に記載の推論装置。

【請求項6】

前記取得部は、前記特定の地点に関する第２言語表現を取得した場合に、前記第２言語表現に基づいて前記特定の地点を含む区域のオープンデータを取得し、前記オープンデータから、ランドマーク、道路および交差点の少なくとも何れかによって分類した前記複数の地図画像または地物画像を生成する、
請求項１から５の何れか一項に記載の推論装置。

【請求項7】

前記取得部は、前記特定の地点に関する自然言語表現を取得し、前記自然言語表現を、前記特定の地点に関するベクトル表現である前記第１言語表現に変換して前記推論部に出力する、
請求項１から６の何れか一項に記載の推論装置。

【請求項8】

コンピュータによって実行される推論方法であって、
特定の地点を含む区域に関する地理データを取得する取得段階と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得段階で取得した前記地理データから前記特定の地点を推論する推論段階と
を備え、
前記推論段階は、
前記任意の地点に関する前記第１言語表現から特定される複数の言語特徴量、および、前記任意の地点を含む区域に関する前記地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、前記任意の地点との対応関係を学習することと、
前記取得段階で取得された前記地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定することと、
前記特定の地点に関する前記第１言語表現から複数の言語特徴量を特定することと、
前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論することと
を含む、
推論方法。

【請求項9】

コンピュータに、
特定の地点を含む区域に関する地理データを取得する取得手順と、
任意の地点に関する第１言語表現および前記任意の地点を含む区域に関する地理データと、前記任意の地点との対応関係の学習結果に基づき、前記特定の地点に関する第１言語表現および前記取得手順で取得した前記地理データから前記特定の地点を推論する推論手順と
を実行させるためのプログラムであり、
前記推論手順は、
前記任意の地点に関する前記第１言語表現から特定される複数の言語特徴量、および、前記任意の地点を含む区域に関する前記地理データに含まれる複数の地図画像または地物画像から特定される複数の画像特徴量と、前記任意の地点との対応関係を学習することと、
前記取得手順で取得された前記地理データに含まれる複数の地図画像または地物画像から複数の画像特徴量を特定することと、
前記特定の地点に関する前記第１言語表現から複数の言語特徴量を特定することと、
前記特定の地点に関する前記複数の画像特徴量および前記複数の言語特徴量から前記特定の地点を推論することと
を含む、
プログラム。