特開 2022-96447 位置情報履歴に基づくユーザとエリアの特徴をモデル化する情報処理装置、情報処理方法、および、コンピュータプログラム

(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】P2022096447

(43)【公開日】2022-06-29

(54)【発明の名称】位置情報履歴に基づくユーザとエリアの特徴をモデル化する情報処理装置、情報処理方法、および、コンピュータプログラム

(51)【国際特許分類】

   G06Q 10/00 20120101AFI20220622BHJP

【ＦＩ】

G06Q10/00

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2020209558

(22)【出願日】2020-12-17

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り （１）掲載物名：令和２年度電気・電子・情報関係学会東海支部連合大会 論文集、掲載アドレス：ｈｔｔｐｓ：／／ｗｗｗ．ｊｐ－ｃ．ｊｐ／ｒｅｎｇｏ／ｗｗｗ／ｃｄ／ｐｄｆ／Ａ１－４．ｐｄｆ、掲載年月日：令和２年８月２４日 （２）集会名：令和２年度電気・電子・情報関係学会東海支部連合大会、開催日：令和２年９月３日 （３）掲載物名：令和２年度電気・電子・情報関係学会東海支部連合大会 発表動画、掲載アドレス：ｈｔｔｐｓ：／／ｗｗｗ．ｙｏｕｔｕｂｅ．ｃｏｍ／ｗａｔｃｈ？ｖ＝ＸｌＹｈ＿＿ＺｊＡｐｓ、掲載年月日：令和２年９月１７日 （４）掲載物名：マルチメディア，分散，協調とモバイル（ＤＩＣＯＭＯ２０２０）シンポジウム 論文集、 掲載アドレス：ｈｔｔｐ：／／ｃｏｎｆ．ｕｃｌａｂ．ｊｐ／ＤＩＣＯＭＯ２０２０／ｐｒｏｇｒａｍ／ｐｒｏｇｒａｍ．ｈｔｍｌ＃６Ｃ－１、掲載年月日：令和２年６月１７日 （５）集会名：マルチメディア，分散，協調とモバイル（ＤＩＣＯＭＯ２０２０）シンポジウム、開催日：令和２年６月２５日 （６）掲載物名：マルチメディア，分散，協調とモバイル（ＤＩＣＯＭＯ２０２０）シンポジウム 発表動画、掲載アドレス：ｈｔｔｐｓ：／／ｙｏｕｔｕ．ｂｅ／ｇ７Ｌｓｃ６ＤＳｓＯｋ、掲載年月日：令和２年７月１７日 （７）掲載物名：情報処理学会モバイルコンピューティングとパーベイシブシステム（ＭＢＬ） 研究報告、掲載アドレス： ｈｔｔｐｓ：／／ｉｐｓｊ．ｉｘｓｑ．ｎｉｉ．ａｃ．ｊｐ／ｅｊ／ｉｎｄｅｘ．ｐｈｐ？ａｃｔｉｖｅ＿ａｃｔｉｏｎ＝ｒｅｐｏｓｉｔｏｒｙ＿ｖｉｅｗ＿ｍａｉｎ＿ｉｔｅｍ＿ｄｅｔａｉｌ＆ｐａｇｅ＿ｉｄ＝１３＆ｂｌｏｃｋ＿ｉｄ＝８＆ｉｔｅｍ＿ｉｄ＝２０３５５２＆ｉｔｅｍ＿ｎｏ＝１、掲載年月日：令和２年２月２４日

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和２年度、国立研究開発法人科学技術振興機構、戦略的創造研究推進事業「イノベーション創発に資する人工知能基盤技術の創出と統合化 異種ドメインユーザの行動予測を可能にするペルソナモデルの転移技術」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】504139662

【氏名又は名称】国立大学法人東海国立大学機構

(71)【出願人】

【識別番号】508324617

【氏名又は名称】株式会社ブログウォッチャー

(74)【代理人】

【識別番号】110001911

【氏名又は名称】特許業務法人アルファ国際特許事務所

(72)【発明者】

【氏名】河口 信夫

(72)【発明者】

【氏名】庄子 和之

(72)【発明者】

【氏名】米澤 拓郎

(72)【発明者】

【氏名】酒田 理人

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA20

(57)【要約】

【課題】一意に特定することが可能であり、かつ、多様な情報を保持したエリアの時間的利用態様の特徴を表すモデルを実現する。
【解決手段】Ｌ個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現を特定する情報処理装置は、利用態様データ取得部と、エリア用ベクトル表現特定部とを備える。利用態様データ取得部は、各エリアの時間的利用態様がＭ種類のいずれであるかを示すエリア別利用態様データを取得する。エリア用ベクトル表現特定部は、エリア別利用態様データに基づき、各エリアの時間的利用態様の特徴を表すベクトル表現を特定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現を特定する情報処理装置であって、
各前記位置情報履歴データに基づき、各前記ユーザによる各前記エリアの時間的利用態様が、Ｍ（Ｍは、２以上の整数）種類の時間的利用態様のいずれであるかを示すエリア別利用態様データを取得する利用態様データ取得部と、
前記エリア別利用態様データに基づき、各前記エリアの時間的利用態様の特徴を表すＮ（Ｎは、２以上かつＬおよびＭより小さい整数）次元のベクトル表現を特定するエリア用ベクトル表現特定部と、
を備える、情報処理装置。

【請求項2】

請求項１に記載の情報処理装置であって、
前記エリア用ベクトル表現特定部は、Ｌ次元の入力層とＭ次元の出力層とＮ次元の隠れ層とを有する３層のニューラルネットワークを用いて、前記Ｌ個のエリアのうちの１つを特定するＬ次元のＯｎｅ－ｈｏｔベクトルを前記入力層への入力とし、前記入力において特定された前記エリアについて、前記エリア別利用態様データに示された時間的利用態様を特定するＭ次元のＯｎｅ－ｈｏｔベクトルを前記出力層からの出力として機械学習を行い、前記入力層から前記隠れ層へのＬ×Ｎの重み行列における各前記エリアに対応した行を、各前記エリアの時間的利用態様の特徴を表すＮ次元のベクトル表現として特定する、情報処理装置。

【請求項3】

請求項１または請求項２に記載の情報処理装置であって、さらに、
各前記エリアについて特定された前記ベクトル表現を、複数のクラスタに分類するクラスタリング処理部を備える、情報処理装置。

【請求項4】

請求項１から請求項３までのいずれか一項に記載の情報処理装置であって、
各前記エリアの時間的利用態様は、各前記ユーザによる各前記エリアへの滞在態様である、情報処理装置。

【請求項5】

請求項４に記載の情報処理装置であって、
各前記エリア別利用態様データは、少なくとも、各前記ユーザによる各前記エリアへの滞在時期と滞在時刻と滞在時間との組合せによって前記滞在態様の種類を特定するデータである、情報処理装置。

【請求項6】

請求項１から請求項５までのいずれか一項に記載の情報処理装置であって、さらに、
各前記位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する位置態様データ取得部と、
前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定するユーザ用ベクトル表現特定部と、
を備える、情報処理装置。

【請求項7】

請求項６に記載の情報処理装置であって、
前記ユーザ用ベクトル表現特定部は、Ｐ次元の入力層とＱ次元の出力層とＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元の隠れ層とを有する３層のニューラルネットワークを用いて、前記Ｐ人のユーザのうちの１人を特定するＰ次元のＯｎｅ－ｈｏｔベクトルを前記入力層への入力とし、前記入力において特定された前記ユーザについて、前記ユーザ別位置態様データに示された時間的位置態様を特定するＱ次元のＯｎｅ－ｈｏｔベクトルを前記出力層からの出力として機械学習を行い、前記入力層から前記隠れ層へのＰ×Ｒの重み行列における各前記ユーザに対応した行を、各前記ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現として特定する、情報処理装置。

【請求項8】

請求項６または請求項７に記載の情報処理装置であって、
各前記ユーザ別位置態様データは、少なくとも、時期と時間帯と各前記ユーザの滞在場所との組合せによって前記時間的位置態様の種類を特定するデータである、情報処理装置。

【請求項9】

請求項８に記載の情報処理装置であって、さらに、
各前記エリアについて特定された前記ベクトル表現を、複数のクラスタに分類するクラスタリング処理部を備え、
各前記ユーザ別位置態様データは、少なくとも、時期と時間帯と各前記ユーザの滞在クラスタとの組合せによって前記時間的位置態様の種類を特定するデータである、情報処理装置。

【請求項10】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様の特徴を表すベクトル表現を特定する情報処理装置であって、
各前記位置情報履歴データに基づき、各前記ユーザの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する位置態様データ取得部と、
前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定するユーザ用ベクトル表現特定部と、
を備える、情報処理装置。

【請求項11】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現を特定する情報処理方法であって、
各前記位置情報履歴データに基づき、各前記ユーザによる各前記エリアの時間的利用態様が、Ｍ（Ｍは、２以上の整数）種類の時間的利用態様のいずれであるかを示すエリア別利用態様データを取得する工程と、
前記エリア別利用態様データに基づき、各前記エリアの時間的利用態様の特徴を表すＮ（Ｎは、２以上かつＬおよびＭより小さい整数）次元のベクトル表現を特定する工程と、
を備える、情報処理方法。

【請求項12】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現を特定する処理を行うコンピュータプログラムであって、
コンピュータに、
各前記位置情報履歴データに基づき、各前記ユーザによる各前記エリアの時間的利用態様が、Ｍ（Ｍは、２以上の整数）種類の時間的利用態様のいずれであるかを示すエリア別利用態様データを取得する処理と、
前記エリア別利用態様データに基づき、各前記エリアの時間的利用態様の特徴を表すＮ（Ｎは、２以上かつＬおよびＭより小さい整数）次元のベクトル表現を特定する処理と、
を実行させる、コンピュータプログラム。

【請求項13】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様の特徴を表すベクトル表現を特定する情報処理方法であって、
各前記位置情報履歴データに基づき、各前記ユーザの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する工程と、
前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定する工程と、
を備える、情報処理方法。

【請求項14】

複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様の特徴を表すベクトル表現を特定する処理を行うコンピュータプログラムであって、
コンピュータに、
各前記位置情報履歴データに基づき、各前記ユーザの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する処理と、
前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定する処理と、
を実行させる、コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書に開示される技術は、エリアの時間的利用態様の特徴を表すベクトル表現またはユーザの時間的位置態様の特徴を表すベクトル表現を特定する情報処理装置等に関する。

【背景技術】

【0002】

近年、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）機能を備えたモバイル端末（例えば、スマートフォン、ウェアラブル端末等）の普及により、各ユーザの位置の履歴を示す位置情報履歴の収集が容易になっている。位置情報履歴は、個々のユーザの日々の行動を反映したものであり、例えば混雑予測、都市計画、マーケティングといった様々な目的に利用することができる。

【0003】

実際に位置情報履歴を活用するためには、その目的に沿った位置情報履歴のモデリングが必要になる。例えば、ユーザの滞在遷移をモデリングする手法として、滞在場所を座標（緯度および経度）で表現する「座標遷移モデル」や、滞在場所をラベル（例えば、住宅街、飲食店等）で表現する「ラベル遷移モデル」がある。位置情報履歴のモデリングを行うことにより、データを抽象化することができ、ユーザ毎に意味がまとまりやすくなるという利点がある。

【0004】

従来、上述したラベル遷移モデルに関連する技術として、様々な要素（例えば、滞在目的、天気、移動手段等）が含まれたデータセットを使用してユーザの分散表現を作成し、この分散表現に基づきユーザ同士の行動の類似性を測定する技術が知られている（例えば、非特許文献１参照）。また、同様に上述したラベル遷移モデルに関連する技術として、事前に収集したＰＯＩ（Ｐｏｉｎｔ ｏｆ Ｉｎｔｅｒｅｓｔ）情報に基づきユーザの滞在目的を類推し、滞在目的による滞在遷移モデルを作成し、この滞在遷移モデルに基づきユーザの属性の推定を行う技術が知られている（例えば、非特許文献２参照）。

【先行技術文献】

【非特許文献】

【0005】

【非特許文献1】アンドレア・エスリ（Ａｎｄｒｅａ Ｅｓｕｌｉ）、外３名、"Ｔｒａｊ２Ｕｓｅｒ：ユーザの移動態様の類似性を計算するためのエクスプロイティング・エンベッディング（Ｔｒａｊ２Ｕｓｅｒ：ｅｘｐｌｏｉｔｉｎｇ ｅｍｂｅｄｄｉｎｇｓ ｆｏｒ ｃｏｍｐｕｔｉｎｇ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｕｓｅｒｓ ｍｏｂｉｌｅ ｂｅｈａｖｉｏｒ）"、[online]、コーネル大学（Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙ）、［令和２年１２月１日検索］、インターネット（https://arxiv.org/abs/1808.00554）

【非特許文献2】ワンロン・シャン（Ｗａｎｌｏｎｇ Ｚｈａｎｇ）、外２名、"実在ユーザのＧＰＳデータから意味の軌跡パターンをマイニングするシステム（Ａ ｓｙｓｔｅｍ ｏｆ ｍｉｎｉｎｇ ｓｅｍａｎｔｉｃ ｔｒａｊｅｃｔｏｒｙ ｐａｔｔｅｒｎｓ ｆｒｏｍ ｇｐｓ ｄａｔａ ｏｆ ｒｅａｌ ｕｓｅｒｓ）"、シンメトリー（Ｓｙｍｍｅｔｒｙ）、２０１９年７月、第１１巻、第７号、ｐ．８８９

【発明の概要】

【発明が解決しようとする課題】

【0006】

上記従来の技術では、ラベルがＰＯＩの種類である場合、例えば衣料品、日用品、食料品といった様々な領域をカバーした店舗に対してラベルが「一意に決められない」という課題があり、また、そもそもデータセットに登録されていないＰＯＩに対してラベルが「振れない」という課題がある。また、上記従来の技術では、ラベルが滞在目的（自宅、職場、飲食、娯楽等）である場合、その種類はせいぜい数十から数百種類程度であるため、情報の損失が大きいという課題がある。

【0007】

本明細書に開示される技術は、上述の課題を解決するためのものであり、エリアの時間的利用態様の特徴を表すモデルまたはユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することを目的とする。

【課題を解決するための手段】

【0008】

本明細書に開示される技術は、例えば、以下の形態として実現することが可能である。

【0009】

（１）本明細書に開示される情報処理装置は、複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現を特定する装置である。本情報処理装置は、利用態様データ取得部と、エリア用ベクトル表現特定部とを備える。利用態様データ取得部は、各前記位置情報履歴データに基づき、各前記ユーザによる各前記エリアの時間的利用態様が、Ｍ（Ｍは、２以上の整数）種類の時間的利用態様のいずれであるかを示すエリア別利用態様データを取得する。エリア用ベクトル表現特定部は、前記エリア別利用態様データに基づき、各前記エリアの時間的利用態様の特徴を表すＮ（Ｎは、２以上かつＬおよびＭより小さい整数）次元のベクトル表現を特定する。

【0010】

このように、本情報処理装置では、各ユーザによる各エリアの時間的利用態様がＭ種類の時間的利用態様のいずれであるかを示すエリア別利用態様データに基づき、各エリアの時間的利用態様の特徴を表すＮ次元のベクトル表現を特定することができる。そのため、本情報処理装置によれば、各エリアの時間的利用態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。また、本情報処理装置によれば、事前にＰＯＩ情報を収集したり、ＰＯＩにマニュアルでラベリングしたりする必要が無いため、エリアのモデリングの手間やコストを低減することができる。

【0011】

（２）上記情報処理装置において、前記エリア用ベクトル表現特定部は、Ｌ次元の入力層とＭ次元の出力層とＮ次元の隠れ層とを有する３層のニューラルネットワークを用いて、前記Ｌ個のエリアのうちの１つを特定するＬ次元のＯｎｅ－ｈｏｔベクトルを前記入力層への入力とし、前記入力において特定された前記エリアについて、前記エリア別利用態様データに示された時間的利用態様を特定するＭ次元のＯｎｅ－ｈｏｔベクトルを前記出力層からの出力として機械学習を行い、前記入力層から前記隠れ層へのＬ×Ｎの重み行列における各前記エリアに対応した行を、各前記エリアの時間的利用態様の特徴を表すＮ次元のベクトル表現として特定する構成としてもよい。本情報処理装置によれば、各エリアの時間的利用態様の特徴をより精度良く表すＮ次元のベクトル表現を特定することができる。

【0012】

（３）上記情報処理装置において、さらに、各前記エリアについて特定された前記ベクトル表現を、複数のクラスタに分類するクラスタリング処理部を備える構成としてもよい。本情報処理装置によれば、時間的利用態様の類似度に基づき各エリアを複数のクラスタに分類することができ、各クラスタを分析することによって各クラスタに属するエリアの特徴を解釈することができる。

【0013】

（４）上記情報処理装置において、各前記エリアの時間的利用態様は、各前記ユーザによる各前記エリアへの滞在態様である構成としてもよい。本情報処理装置によれば、各エリアに滞在する人がどのような滞在をする傾向にあるか、といった各エリアの滞在態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0014】

（５）上記情報処理装置において、各前記エリア別利用態様データは、少なくとも、各前記ユーザによる各前記エリアへの滞在時期と滞在時刻と滞在時間との組合せによって前記滞在態様の種類を特定するデータである構成としてもよい。本情報処理装置によれば、各エリアに滞在する人が、どの時期のどの時間帯にどの程度の時間、滞在する傾向にあるか、といった各エリアの滞在態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0015】

（６）上記情報処理装置において、さらに、各前記位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する位置態様データ取得部と、前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定するユーザ用ベクトル表現特定部と、を備える構成としてもよい。本情報処理装置では、各ユーザのそれぞれの時間的位置態様がＱ種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データに基づき、各ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現を特定することができる。そのため、本情報処理装置によれば、各ユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0016】

（７）上記情報処理装置において、前記ユーザ用ベクトル表現特定部は、Ｐ次元の入力層とＱ次元の出力層とＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元の隠れ層とを有する３層のニューラルネットワークを用いて、前記Ｐ人のユーザのうちの１人を特定するＰ次元のＯｎｅ－ｈｏｔベクトルを前記入力層への入力とし、前記入力において特定された前記ユーザについて、前記ユーザ別位置態様データに示された時間的位置態様を特定するＱ次元のＯｎｅ－ｈｏｔベクトルを前記出力層からの出力として機械学習を行い、前記入力層から前記隠れ層へのＰ×Ｒの重み行列における各前記ユーザに対応した行を、各前記ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現として特定する構成としてもよい。本情報処理装置によれば、各ユーザの時間的位置態様の特徴をより精度良く表すＲ次元のベクトル表現を特定することができる。

【0017】

（８）上記情報処理装置において、各前記ユーザ別位置態様データは、少なくとも、時期と時間帯と各前記ユーザの滞在場所との組合せによって前記時間的位置態様の種類を特定するデータである構成としてもよい。本情報処理装置によれば、各ユーザがどの時期のどの時間帯にどの場所に滞在する傾向にあるか、といった各ユーザの時間的位置態様の特徴（換言すれば、各ユーザのライフスタイル）を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0018】

（９）上記情報処理装置において、さらに、各前記エリアについて特定された前記ベクトル表現を、複数のクラスタに分類するクラスタリング処理部を備え、各前記ユーザ別位置態様データは、少なくとも、時期と時間帯と各前記ユーザの滞在クラスタとの組合せによって前記時間的位置態様の種類を特定するデータである構成としてもよい。本情報処理装置によれば、各ユーザがどの時期のどの時間帯にどのクラスタに滞在する傾向にあるか、といった各ユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。また、本情報処理装置によれば、各エリアのベクトル表現についての各クラスタを分析して各クラスタの特徴を解釈し、該解釈に基づき、各ユーザの時間的位置態様の特徴を解釈することができる。

【0019】

（１０）本明細書に開示される他の情報処理装置は、複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様の特徴を表すベクトル表現を特定する装置である。本情報処理装置は、位置態様データ取得部と、ユーザ用ベクトル表現特定部とを備える。位置態様データ取得部は、各前記位置情報履歴データに基づき、各前記ユーザの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データを取得する。ユーザ用ベクトル表現特定部は、前記ユーザ別位置態様データに基づき、各前記ユーザの時間的位置態様の特徴を表すＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元のベクトル表現を特定する。

【0020】

このように、本情報処理装置では、各ユーザの時間的位置態様がＱ種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データに基づき、各ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現を特定することができる。そのため、本情報処理装置によれば、各ユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0021】

なお、本明細書に開示される技術は、種々の形態で実現することが可能であり、例えば、情報処理装置、情報処理方法、それらの方法を実現するコンピュータプログラム、そのコンピュータプログラムを記録した一時的でない記録媒体等の形態で実現することができる。

【図面の簡単な説明】

【0022】

【図1】ユーザの滞在遷移を表現するための各種モデルを概念的に示す説明図

【図2】本実施形態における情報処理装置１００の概略構成を示すブロック図

【図3】本実施形態におけるエリア用ベクトル表現特定処理を示すフローチャート

【図4】エリア別利用態様データＤａの一例を示す説明図

【図5】滞在態様の種類を特定する各項目の区分を示す説明図

【図6】エリア用ベクトル表現特定モデルＭＯａの一例を示す説明図

【図7】各エリアのベクトル表現ＶＲａのクラスタリング結果の一例を示す説明図

【図8】エリア用クラスタ１ａの分析結果の一例を示す説明図

【図9】エリア用クラスタ２ａの分析結果の一例を示す説明図

【図10】エリア用クラスタ３ａの分析結果の一例を示す説明図

【図11】ベクトル表現遷移モデルの一例を示す説明図

【図12】本実施形態におけるユーザ用ベクトル表現特定処理を示すフローチャート

【図13】ユーザ別位置態様データＤｕの一例を示す説明図

【図14】時間的位置態様の種類を特定する各項目の区分を示す説明図

【図15】ユーザ用ベクトル表現特定モデルＭＯｕの一例を示す説明図

【図16】クラスタリングにより特定されたユーザ用クラスタ１ｕの分析結果の一例を示す説明図

【図17】クラスタリングにより特定されたユーザ用クラスタ２ｕの分析結果の一例を示す説明図

【図18】クラスタリングにより特定されたユーザ用クラスタ３ｕの分析結果の一例を示す説明図

【図19】クラスタリングにより特定されたユーザ用クラスタ４ｕの分析結果の一例を示す説明図

【図20】クラスタリングにより特定されたユーザ用クラスタ５ｕの分析結果の一例を示す説明図

【発明を実施するための形態】

【0023】

Ａ．実施形態：
Ａ－１．ユーザの滞在遷移を表現するための各種モデル：
図１は、ユーザの滞在遷移を表現するための各種モデルを概念的に示す説明図である。図１のＡ欄には、ユーザの滞在遷移の一例が示されている。この例では、ユーザは、住宅街にある自宅を９時に出発し、１０時にオフィスビルの職場に到着し、１２時に飲食店に行って昼食を取り、その後、職場を経て１７時に住宅街にある自宅に帰宅する。

【0024】

図１のＢ欄には、座標遷移モデルの一例が示されている。座標遷移モデルでは、各時刻におけるユーザの滞在場所が、座標（緯度および経度）によって表される。そのため、座標遷移モデルでは、例えば複数のユーザ間の滞在遷移の比較といった処理を行うことが困難である。

【0025】

図１のＣ欄には、ラベル遷移モデルの一例が示されている。ラベル遷移モデルでは、各時刻におけるユーザの滞在場所が、ユーザ間で共通して使用される予め定められたラベル（例えば、住宅街、飲食店等）によって表される。そのため、ラベル遷移モデルでは、例えば複数のユーザ間の滞在遷移の比較といった処理を行うことが可能である。しかしながら、ラベル遷移モデルでは、上述したように、ラベルが「一意に決められない」あるいは「振れない」という課題や、情報の損失が大きいという課題がある。

【0026】

図１のＤ欄には、本明細書に開示される技術であるベクトル表現遷移モデルの一例が示されている。ベクトル表現遷移モデルでは、各時刻におけるユーザの滞在場所が、その場所の時間的利用態様（時間的使われ方）の特徴を表す所定の次元数のベクトル表現（分散表現）によって表される。ベクトル表現遷移モデルによれば、例えば複数のユーザ間の滞在遷移の比較を、各ユーザが滞在した各エリアを表すベクトル間の距離を算出することにより実現することができる。また、ベクトル表現遷移モデルによれば、各エリアの時間的利用態様の特徴を表すベクトル表現を一意に特定することができ、かつ、できる限り多様な情報を保持した形でエリアやユーザのモデリングを実現することができる。以下、この点について詳細に説明する。

【0027】

Ａ－２．情報処理装置１００の構成：
図２は、本実施形態における情報処理装置１００の概略構成を示すブロック図である。本実施形態の情報処理装置１００は、エリアの時間的利用態様の特徴を表すベクトル表現およびユーザの時間的位置態様の特徴を表すベクトル表現を特定するためのベクトル表現特定処理を行う装置である。

【0028】

情報処理装置１００は、例えばパーソナルコンピュータ（以下、「ＰＣ」という。）により構成されている。情報処理装置１００は、制御部１１０と、記憶部１３０と、表示部１５２と、操作入力部１５６と、インターフェース部１５８とを備える。これらの各部は、バス１９０を介して互いに通信可能に接続されている。

【0029】

情報処理装置１００の表示部１５２は、例えば液晶ディスプレイ等により構成され、各種の画像や情報を表示する。また、操作入力部１５６は、例えばキーボードやマウス、ボタン、マイク等により構成され、管理者の操作や指示を受け付ける。なお、表示部１５２が、タッチパネルを備えることにより、操作入力部１５６として機能するとしてもよい。また、インターフェース部１５８は、例えばＬＡＮインターフェースやＵＳＢインターフェース等により構成され、有線または無線により他の装置との通信を行う。

【0030】

情報処理装置１００の記憶部１３０は、例えばＲＯＭやＲＡＭ、ハードディスクドライブ（ＨＤＤ）等により構成され、各種のプログラムやデータを記憶したり、各種のプログラムを実行する際の作業領域やデータの一時的な記憶領域として利用されたりする。例えば、記憶部１３０には、上述したベクトル表現特定処理を実行するためのコンピュータプログラムであるベクトル表現特定処理プログラムＣＰが格納されている。ベクトル表現特定処理プログラムＣＰは、例えば、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータ読み取り可能な記録媒体（不図示）に格納された状態で提供され、情報処理装置１００にインストールすることにより記憶部１３０に格納される。

【0031】

また、情報処理装置１００の記憶部１３０には、ベクトル表現特定処理において、位置情報履歴データＤｐと、エリア別利用態様データＤａと、ユーザ別位置態様データＤｕと、エリア用ベクトル表現特定モデルＭＯａと、ユーザ用ベクトル表現特定モデルＭＯｕとが格納される。これらのデータやモデルについては、後述のベクトル表現特定処理の説明に合わせて説明する。

【0032】

情報処理装置１００の制御部１１０は、例えばＣＰＵ等により構成され、記憶部１３０から読み出したコンピュータプログラムを実行することにより、情報処理装置１００の動作を制御する。例えば、制御部１１０は、記憶部１３０からベクトル表現特定処理プログラムＣＰを読み出して実行することにより、ベクトル表現特定処理を実行する。より詳細には、制御部１１０は、ベクトル表現特定処理を実行するためのベクトル表現特定処理部１１１として機能する。また、ベクトル表現特定処理部１１１は、位置情報履歴データ取得部１１２と、エリア別利用態様データ取得部１１３と、エリア用ベクトル表現特定部１１４と、クラスタリング処理部１１５と、ユーザ別位置態様データ取得部１１７と、ユーザ用ベクトル表現特定部１１８とを含む。これら各部の機能については、後述のベクトル表現特定処理の説明に合わせて説明する。エリア別利用態様データ取得部１１３は、特許請求の範囲における利用態様データ取得部の一例であり、ユーザ別位置態様データ取得部１１７は、特許請求の範囲における位置態様データ取得部の一例である。

【0033】

Ａ－３．ベクトル表現特定処理：
次に、本実施形態の情報処理装置１００により実行されるベクトル表現特定処理について説明する。本実施形態におけるベクトル表現特定処理は、エリアのベクトル表現を特定するためのエリア用ベクトル表現特定処理と、ユーザのベクトル表現を特定するためのユーザ用ベクトル表現特定処理とを含む。以下、これらを順に説明する。

【0034】

Ａ－３－１．エリア用ベクトル表現特定処理：
図３は、本実施形態におけるエリア用ベクトル表現特定処理を示すフローチャートである。エリア用ベクトル表現特定処理は、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様（時間的使われ方）の特徴を表すベクトル表現ＶＲａを特定するための処理である。本実施形態では、各エリアの時間的利用態様として、各ユーザによる各エリアへの滞在態様を用いている。なお、各エリアは、例えば、地図上の対象範囲を所定の大きさ（例えば、東西５０ｍ×南北５０ｍ）の複数のメッシュに分割することにより設定される。エリア用ベクトル表現特定処理は、例えば、管理者が情報処理装置１００の操作入力部１５６を介して処理開始の指示を入力したことに応じて開始される。

【0035】

はじめに、情報処理装置１００の位置情報履歴データ取得部１１２（図２）が、複数のユーザの位置情報履歴を示す複数の位置情報履歴データＤｐを取得する（図３のＳ１１０）。位置情報履歴データＤｐは、各時刻におけるユーザの位置を示すデータである。各位置情報履歴データＤｐは、例えば、ＧＰＳ機能を備えたモバイル端末（例えば、スマートフォン、ウェアラブル端末等）によって生成され、各モバイル端末と通信可能なサーバ（不図示）によって収集され、位置情報履歴データ取得部１１２によって該サーバから通信回線を介して取得される。取得された位置情報履歴データＤｐは、記憶部１３０に格納される。

【0036】

次に、情報処理装置１００のエリア別利用態様データ取得部１１３（図２）が、エリア別利用態様データＤａを取得する（図３のＳ１２０）。エリア別利用態様データＤａは、各ユーザによる各エリアの時間的利用態様（滞在態様）が、Ｍ（Ｍは、２以上の整数であり、本実施形態ではＭ＝１４４）種類の態様のいずれであるかを示すデータである。

【0037】

図４は、エリア別利用態様データＤａの一例を示す説明図である。図４に示すように、エリア別利用態様データＤａは、滞在時期と、滞在時刻と、滞在時間とを示すデータを含んでいる。滞在時期は、滞在が行われた時期を示すデータである。本実施形態では、滞在時期の区分として、曜日（平日か休日（週末および祝日）かの別）が用いられる。滞在時期として、季節や月といった他の区分が用いられてもよい。また、滞在時刻は、１日の内のどの時間帯に滞在が行われたかを示すデータである。本実施形態では、滞在時刻の指標値として、各エリアへの到着時刻（滞在開始時刻）が用いられる。滞在時刻として、各エリアからの出発時刻（滞在終了時刻）や、各エリアへの各滞在における中央時刻が用いられてもよい。また、滞在時間は、各エリアへの到着時刻から出発時刻までの経過時間である。例えば、図４に示すエリア別利用態様データＤａの例の１行目は、あるユーザが、エリアＩＤ：１０のエリアに、休日の１１時１０分に到着し、該エリアに到着時刻から６６分間滞在したことが示されている。また、図４に示すエリア別利用態様データＤａの例の２行目は、あるユーザ（１行目のユーザと同じであってもよいし、異なるユーザであってもよい）が、エリアＩＤ：２３のエリアに、平日の８時３０分に到着し、該エリアに到着時刻から３６０分間滞在したことが示されている。なお、エリア別利用態様データＤａには、各エリアについて複数のデータ（レコード）が含まれ得る。

【0038】

エリア別利用態様データＤａは、各ユーザによる各エリアへの滞在時期（滞在曜日）と滞在時刻（到着時刻）と滞在時間との組合せによって滞在態様の種類を特定するデータである。図５は、滞在態様の種類を特定する各項目の区分を示す説明図である。図５に示すように、本実施形態では、滞在曜日の区分として、平日と休日の２つの区分が設定され、到着時刻の区分として、０時から１時５９分、２時から３時５９分・・・のように２時間区切りの１２区分が設定され、滞在時間の区分として、０～２９分、３０～５９分、６０～１１９分、１２０～２３９分、２４０～３５９分、３６０分～、の６区分が設定されている。そのため、滞在態様の種類として、２区分（滞在曜日）×１２区分（到着時刻）×６区分（滞在時間）＝１４４種類が設定されている。図４に示すように、エリア別利用態様データＤａには、各ユーザによる各エリアへの個々の滞在が、滞在曜日と到着時刻と滞在時間との組合せによって特定される１４４種類の滞在態様のうちのいずれであるかが示されている。

【0039】

なお、エリア別利用態様データ取得部１１３は、位置情報履歴データＤｐに基づきエリア別利用態様データＤａを生成することによって、エリア別利用態様データＤａを取得してもよい。あるいは、エリア別利用態様データ取得部１１３は、位置情報履歴データＤｐに基づき他の装置（例えばサーバ）により生成されたエリア別利用態様データＤａを、該他の装置から例えば通信回線を介して取得するとしてもよい。この場合には、位置情報履歴データＤｐの取得処理（図３のＳ１１０）は省略されてもよい。

【0040】

次に、情報処理装置１００のエリア用ベクトル表現特定部１１４（図２）が、エリア用ベクトル表現特定モデルＭＯａを用いて機械学習を行うことにより、各エリアのベクトル表現ＶＲａを特定する（図３のＳ１３０）。

【0041】

図６は、エリア用ベクトル表現特定モデルＭＯａの一例を示す説明図である。本実施形態では、エリア用ベクトル表現特定モデルＭＯａとして、Ｗｏｒｄ２ＶｅｃのＳｋｉｐ－ｇｒａｍモデルを改良したものが使用される。ここで、Ｗｏｒｄ２Ｖｅｃは、自然言語処理の分野で開発されたテキスト処理を行うためのニューラルネットワークである。Ｗｏｒｄ２ＶｅｃのＳｋｉｐ－ｇｒａｍモデルでは、ある単語を入力とし、その周辺の単語を予測するタスクをニューラルネットワークで学習し、得られた中間層の重み（入力層から隠れ層への重み行列における各単語に対応した行）が、各単語のベクトル表現（分散表現）として特定される。Ｗｏｒｄ２Ｖｅｃにより得られた単語のベクトル空間では、ある単語の周辺によく表れる単語は近くに配置され、文章中に同時に出現する頻度が少ない単語同士は遠くに配置される。

【0042】

図６に示すように、エリア用ベクトル表現特定モデルＭＯａは、Ｌ次元の入力層Ｉａと、Ｍ次元の出力層Ｏａと、Ｎ（Ｎは、２以上かつＬおよびＭより小さい整数）次元の隠れ層Ｈａとを有する３層のニューラルネットワークである。本実施形態では、隠れ層Ｈａの次元数Ｎは５０である。入力層Ｉａへの入力は、Ｌ個のエリアのうちの１つを特定するＬ次元のＯｎｅ－ｈｏｔベクトル（該エリアに対応する箇所が１であり、その他はすべて０であるベクトル）である。出力層Ｏａからの出力は、該入力において特定されたエリアについて、エリア別利用態様データＤａに示されたＭ種類の滞在態様の１つを特定するＭ次元のＯｎｅ－ｈｏｔベクトル（該滞在態様に対応する箇所が１であり、その他はすべて０であるベクトル）である。例えば、図４に示すエリア別利用態様データＤａの例の１行目に対応して、エリアＩＤ：１０のエリアを特定するＯｎｅ－ｈｏｔベクトルを入力とし、滞在態様種類ＩＤ：１０５の滞在態様種類を特定するＯｎｅ－ｈｏｔベクトルを出力とする学習データが用いられる。

【0043】

エリア用ベクトル表現特定部１１４は、このような構成のエリア用ベクトル表現特定モデルＭＯａを用いて、エリア別利用態様データＤａに規定された各データを学習データとして機械学習を行い、入力層Ｉａから隠れ層ＨａへのＬ×Ｎの重み行列Ｗ１を特定する。そして、この重み行列Ｗ１における各エリアに対応した行（各エリアを特定するＯｎｅ－ｈｏｔベクトルにおいてフラグ「１」が立った要素に対応した行）を、各エリアの滞在態様の特徴を表すＮ次元のベクトル表現ＶＲａとして特定する。このようにして特定された各エリアのベクトル表現ＶＲａは、各エリアに滞在する人が、どの時期（曜日）のどの時間帯にどの程度の時間、滞在する傾向にあるか、といった特徴を表すものとなる。そのため、各エリアのベクトル表現ＶＲａの空間では、滞在態様が互いに類似するエリア同士は近くに配置され、滞在態様が大きく異なるエリア同士は遠くに配置されることとなる。

【0044】

次に、情報処理装置１００のクラスタリング処理部１１５（図２）が、各エリアのベクトル表現ＶＲａをクラスタリングする（図３のＳ１４０）。各エリアのベクトル表現ＶＲａをクラスタリングにより複数のクラスタ（エリア用クラスタ）に分類することにより、滞在態様が類似するエリアが同一のクラスタにまとめられる。各クラスタの情報を分析することにより、各クラスタに属するエリアの滞在態様の特徴が解釈可能になる。なお、クラスタリングの手法は、任意の手法を用いることができ、例えばｋ－ｍｅａｎｓを採用することができる。また、クラスタ数は、ハイパーパラメータであり、任意に設定可能である。

【0045】

図７は、各エリアのベクトル表現ＶＲａのクラスタリング結果の一例を示す説明図である。図７には、複数のエリアを６個のエリア用クラスタ（クラスタ１ａ～６ａ）に分類するクラスタリング処理の結果が示されている。例えば、図７に示すエリアＡ１はクラスタ６ａに属しており、同様にクラスタ６ａに属しているエリアＡ２と、滞在態様が類似していることが予想される。なお、図７において、ハッチングが付されていないエリアは、データ数が少ないためにベクトル表現ＶＲａの特定が行われなかったエリアである。

【0046】

図８から図１０は、各エリア用クラスタの分析結果の一例を示す説明図である。図８から図１０には、それぞれ、複数のエリアを３個のエリア用クラスタ（クラスタ１ａ～３ａ）に分類するクラスタリング処理の結果において、平日および休日の１日あたりの、各クラスタに所属する１エリアあたりの、滞在時間別の人数分布が示されている。縦軸は人数であり、横軸は時刻であり、横軸のビンは３０分である。なお、図８から図１０において、長時間滞在している人は、複数の時間帯にわたってカウントされている。例えば、１０時から１２時までの滞在を行った人は、１０時から１２時までのすべてのビンにカウントされている。

【0047】

図８に示すクラスタ１ａは、「オフィス街」であると解釈される。その理由は、以下の通りである。
・平日のグラフを見ると、午前８時前後から多くの人が長時間の滞在を開始しており、かつ、夜間に滞在する人が少ない。
・休日のグラフを見ると、滞在する人の数が極めて少ない。

【0048】

また、図９に示すクラスタ２ａは、「住宅街」であると解釈される。その理由は、以下の通りである。
・１日を通じて、長時間の滞在が顕著である。
・平日と休日で、あまり差がない。

【0049】

また、図１０に示すクラスタ３ａは、「その他」、すなわち、オフィス街および住宅街以外のエリアである「ショッピング街」や「飲食店街」、または、人々が不規則に通行する「駅」であると解釈される。その理由は、以下の通りである。
・短時間の滞在が多い。
・食事時間帯において、滞在人数が増えている。
・夜間の滞在人数が、ある程度多い。

【0050】

このように、各エリア用クラスタには、各エリア用クラスタに属するエリアへの滞在に関する情報が含まれており、これを分析することにより、各エリアの特徴をある程度分析することができる。そのため、各エリアのベクトル表現ＶＲａは、滞在に関する時間的特徴からベクトル表現ＶＲａ同士の近さが決定しているものであると言える。

【0051】

なお、図８から図１０に示す分析結果は、２０２０年３月に愛知県日進市において収集された５，８２３人のユーザのＧＰＳデータ（１２，３５０，５８３レコード）を用いて、５０ｍメッシュに分割した２８，０００個のエリア（ただし、その内、学習のために十分なデータ数が得られた４，８２１個のエリア）を対象として行ったものである。エリア用ベクトル表現特定モデルＭＯａにおいて、入力層Ｉａの次元数Ｌを４，８２１とし、出力層Ｏａの次元数Ｍを１４４とし、隠れ層Ｈａの次元数Ｎを５０とした。

【0052】

なお、情報処理装置１００のクラスタリング処理部１１５（図２）は、クラスタリング処理の後、各エリア用クラスタの滞在態様の特徴を表すベクトル表現を特定してもよい。例えば、クラスタリング処理部１１５は、各エリア用クラスタに属する各エリアのベクトル表現ＶＲａの平均を、各エリア用クラスタのベクトル表現として特定してもよい。

【0053】

次に、情報処理装置１００のベクトル表現特定処理部１１１（図２）が、各ユーザの滞在遷移について、ベクトル表現遷移モデルを作成する（図３のＳ１５０）。図１１は、ベクトル表現遷移モデルの一例を示す説明図である。ユーザのベクトル表現遷移モデルは、各時刻における各ユーザの滞在エリアを、そのエリアのベクトル表現ＶＲａによって表すモデルである。図１１に示す例では、あるユーザが、エリアＩＤ：７８３８のエリア（所属クラスタ：９）から出発し、エリアＩＤ：６９３８のエリア（所属クラスタ：１）、エリアＩＤ：７８３８のエリア（所属クラスタ：９）、エリアＩＤ：６０９６のエリア（所属クラスタ：０）、エリアＩＤ：７８３８のエリア（所属クラスタ：９）・・・のような順に滞在場所を遷移させており、該滞在遷移が、各滞在エリアのベクトル表現ＶＲａによって表されている。ベクトル表現遷移モデルを用いることにより、例えば複数のユーザ間の滞在遷移の比較を、各ユーザが滞在した各エリアのベクトル表現ＶＲａ間の距離に基づいて実行することができる。また、ベクトル表現遷移モデルを用いることにより、上述したラベル遷移モデルにおけるラベルが「一意に決められない」という課題やラベルが「振れない」という課題が発生せず、また、できる限り多様な情報を保持したユーザの滞在遷移のモデリングを実現することができる。

【0054】

Ａ－３－２．ユーザ用ベクトル表現特定処理：
次に、ユーザのベクトル表現を特定するためのユーザ用ベクトル表現特定処理について説明する。図１２は、本実施形態におけるユーザ用ベクトル表現特定処理を示すフローチャートである。ユーザ用ベクトル表現特定処理は、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様（ある時期のある時間帯にどこに位置するかの態様であり、換言すれば各ユーザのライフスタイル）の特徴を表すベクトル表現ＶＲｕを特定するための処理である。ユーザ用ベクトル表現特定処理は、例えば、管理者が情報処理装置１００の操作入力部１５６を介して処理開始の指示を入力したことに応じて開始される。

【0055】

まず、情報処理装置１００のユーザ別位置態様データ取得部１１７（図２）が、ユーザ別位置態様データＤｕを取得する（図１２のＳ２２０）。ユーザ別位置態様データＤｕは、各ユーザの時間的位置態様が、Ｑ（Ｑは、２以上の整数であり、本実施形態ではＱ＝５７６）種類の態様のいずれであるかを示すデータである。

【0056】

図１３は、ユーザ別位置態様データＤｕの一例を示す説明図である。図１３に示すように、ユーザ別位置態様データＤｕは、滞在時期と、滞在時間帯と、滞在場所とを示すデータを含んでいる。滞在時期は、滞在が行われた時期を示すデータである。本実施形態では、滞在時期の区分として、曜日（平日か休日（週末および祝日）かの別）が用いられる。滞在時期として、季節や月といった他の区分が用いられてもよい。また、滞在時間帯は、１日の内のどの時間帯に滞在が行われたかを示すデータである。また、滞在場所は、ユーザの位置を示すデータである。本実施形態では、滞在場所の区分として、上述したエリア用ベクトル表現特定処理において特定されたエリア用クラスタが用いられる。例えば、図１３に示すユーザ別位置態様データＤｕの例の１行目は、ユーザＩＤ：１のユーザが、休日の０時から０時１４分の間に、クラスタ１ａに位置した（滞在した）ことが示されている。

【0057】

ユーザ別位置態様データＤｕは、時期（曜日）と時間帯と各ユーザの滞在場所（滞在クラスタ）との組合せによって時間的位置態様の種類を特定するデータである。図１４は、時間的位置態様の種類を特定する各項目の区分を示す説明図である。図１４に示すように、本実施形態では、曜日の区分として、平日と休日の２つの区分が設定され、時間帯の区分として、０時から０時１４分、０時１５分から０時２９分・・・のように１５分間区切りの９６区分が設定され、滞在クラスタの区分として、クラスタ１ａ～３ａの３区分が設定されている。そのため、時間的位置態様の種類として、２区分（曜日）×９６区分（時間帯）×３区分（滞在クラスタ）＝５７６種類が設定されている。図１３に示すように、ユーザ別位置態様データＤｕには、各ユーザの時間的位置態様が、曜日と時間帯と滞在クラスタとの組合せによって特定される５７６種類の時間的位置態様のうちのいずれであるかが示されている。

【0058】

なお、ユーザ別位置態様データ取得部１１７は、位置情報履歴データＤｐに基づきユーザ別位置態様データＤｕを生成することによって、ユーザ別位置態様データＤｕを取得してもよい。あるいは、ユーザ別位置態様データ取得部１１７は、位置情報履歴データＤｐに基づき他の装置（例えばサーバ）により生成されたユーザ別位置態様データＤｕを、該他の装置から例えば通信回線を介して取得するとしてもよい。

【0059】

次に、情報処理装置１００のユーザ用ベクトル表現特定部１１８（図２）が、ユーザ用ベクトル表現特定モデルＭＯｕを用いて機械学習を行うことにより、各ユーザのベクトル表現ＶＲｕを特定する（図１２のＳ２３０）。

【0060】

図１５は、ユーザ用ベクトル表現特定モデルＭＯｕの一例を示す説明図である。本実施形態では、ユーザ用ベクトル表現特定モデルＭＯｕとして、エリア用ベクトル表現特定モデルＭＯａと同様に、Ｗｏｒｄ２ＶｅｃのＳｋｉｐ－ｇｒａｍモデルを改良したものが使用される。図１５に示すように、ユーザ用ベクトル表現特定モデルＭＯｕは、Ｐ次元の入力層Ｉｕと、Ｑ次元の出力層Ｏｕと、Ｒ（Ｒは、２以上かつＰおよびＱより小さい整数）次元の隠れ層Ｈｕとを有する３層のニューラルネットワークである。本実施形態では、隠れ層Ｈｕの次元数Ｒは５０である。入力層Ｉｕへの入力は、Ｐ人のユーザのうちの１人を特定するＰ次元のＯｎｅ－ｈｏｔベクトル（該ユーザに対応する箇所が１であり、その他はすべて０であるベクトル）である。出力層Ｏｕからの出力は、該入力において特定されたユーザについて、ユーザ別位置態様データＤｕに示されたＱ種類の時間的位置態様の１つを特定するＱ次元のＯｎｅ－ｈｏｔベクトル（該態様に対応する箇所が１であり、その他はすべて０であるベクトル）である。例えば、図１３に示すユーザ別位置態様データＤｕの例の１行目に対応して、ユーザＩＤ：１のユーザを特定するＯｎｅ－ｈｏｔベクトルを入力とし、時間的位置態様種類ＩＤ：２８９の時間的位置態様種類を特定するＯｎｅ－ｈｏｔベクトルを出力とする学習データが用いられる。

【0061】

ユーザ用ベクトル表現特定部１１８は、このような構成のユーザ用ベクトル表現特定モデルＭＯｕを用いて、ユーザ別位置態様データＤｕに規定された各データを学習データとして機械学習を行い、入力層Ｉｕから隠れ層ＨｕへのＰ×Ｒの重み行列Ｗ２を特定する。そして、この重み行列Ｗ２における各ユーザに対応した行（各ユーザを特定するＯｎｅ－ｈｏｔベクトルにおいてフラグ「１」が立った要素に対応した行）を、各ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現ＶＲｕとして特定する。このようにして特定された各ユーザのベクトル表現ＶＲｕは、各ユーザが、どの時期（曜日）のどの時間帯にどの場所に滞在する傾向にあるか、といった特徴を表すものとなる。そのため、各ユーザのベクトル表現ＶＲｕの空間では、時間的位置態様が互いに類似するユーザ同士は近くに配置され、時間的位置態様が大きく異なるユーザ同士は遠くに配置されることとなる。

【0062】

次に、情報処理装置１００のクラスタリング処理部１１５（図２）が、各ユーザのベクトル表現ＶＲｕをクラスタリングする（図１２のＳ２４０）。各ユーザのベクトル表現ＶＲｕをクラスタリングにより複数のクラスタ（ユーザ用クラスタ）に分類することにより、時間的位置態様が類似するユーザが同一のクラスタにまとめられる。各クラスタの情報を分析することにより、各クラスタに属するユーザの時間的位置態様の特徴が解釈可能になる。なお、クラスタリングの手法は、任意の手法を用いることができ、例えばｋ－ｍｅａｎｓを採用することができる。また、クラスタ数は、ハイパーパラメータであり、任意に設定可能である。

【0063】

図１６から図２０は、クラスタリングにより特定された各ユーザ用クラスタの分析結果の一例を示す説明図である。図１６から図２０には、それぞれ、複数のユーザを５個のユーザ用クラスタ（クラスタ１ｕ～５ｕ）に分類するクラスタリング処理の結果において、平日および休日の１日あたりの、各クラスタに所属する１ユーザあたりの、上述したエリア用クラスタ別の滞在カウント分布が示されている。縦軸はカウント数（１５分／カウント）であり、横軸は時刻であり、横軸のビンは３０分である。また、上述したように、エリア用クラスタにおいて、クラスタ１ａはオフィス街と解釈され、クラスタ２ａは住宅街と解釈され、クラスタ３ａはその他と解釈される。

【0064】

図１６に示すクラスタ１ｕに属するユーザは、テレワーカーおよび／または主婦（または主夫）である蓋然性が高い。その理由は、以下の通りである。
・このクラスタに属するほとんどのユーザは、平日および休日とも、ほとんどの時間をクラスタ２ａ（住宅街）で過ごす。

【0065】

また、図１７に示すクラスタ２ｕに属するユーザは、自宅とオフィスとの間で通勤を行う一般的なオフィスワーカーである蓋然性が高い。その理由は、以下の通りである。
・このクラスタに属するユーザは、平日の日中の間ずっと、クラスタ１ａ（オフィス街）で過ごすことが多い。
・一方、休日には、クラスタ１ａ（オフィス街）のカウント数が大きく減少する。

【0066】

また、図１８に示すクラスタ３ｕに属するユーザは、クラスタ３ａ（その他）に自宅を持つユーザや、パートタイムワーカーであるとの推測が可能である。その理由は、以下の通りである。
・このクラスタに属するユーザは、曜日や時刻にかかわらず、クラスタ３ａ（その他）で多くの時間を過ごす。

【0067】

また、図１９に示すクラスタ４ｕに属するユーザは、頻繁に外出するテレワーカーであるとの推測が可能である。その理由は、以下の通りである。
・このクラスタに属するほとんどのユーザは、平日および休日とも、ほとんどの時間をクラスタ２ａ（住宅街）で過ごす。
・しかしながら、クラスタ１ｕに属するユーザと比較すると、このクラスタに属するユーザは、より頻繁にクラスタ３ａ（その他）を訪れている。

【0068】

また、図２０に示すクラスタ５ｕに属するユーザは、休日に働く機会を多く持つユーザであるとの推測が可能である。その理由は、以下の通りである。
・このクラスタに属するユーザは、平日に加えて休日にも、高い頻度でクラスタ１ａ（オフィス街）を訪れている。

【0069】

このように、各ユーザ用クラスタには、各ユーザ用クラスタに属するユーザの時間的位置態様に関する情報、換言すればライフスタイルに関する情報が含まれており、これを分析することにより、各ユーザの特徴をある程度分析することができる。そのため、各ユーザのベクトル表現ＶＲｕは、時間的位置態様の特徴からベクトル表現ＶＲｕ同士の近さが決定しているものであると言える。

【0070】

なお、図１６から図２０に示す分析結果は、図８から図１０に示すエリア用クラスタの分析と同じ対象地域およびデータを用いて行ったものである。ただし、対象ユーザは、１日の７割以上の時間帯における滞在位置を特定可能なユーザである６３２人のユーザとした。ユーザ用ベクトル表現特定モデルＭＯｕにおいて、入力層Ｉｕの次元数Ｐを６３２とし、出力層Ｏｕの次元数Ｑを５７６とし、隠れ層Ｈｕの次元数Ｒを５０とした。

【0071】

なお、情報処理装置１００のクラスタリング処理部１１５（図２）は、クラスタリング処理の後、各ユーザ用クラスタの時間的位置態様の特徴を表すベクトル表現を特定してもよい。例えば、クラスタリング処理部１１５は、各ユーザ用クラスタに属する各ユーザのベクトル表現ＶＲｕの平均を、各ユーザ用クラスタのベクトル表現として特定してもよい。

【0072】

また、情報処理装置１００のベクトル表現特定処理部１１１は、上述したエリア用ベクトル表現特定処理およびユーザ用ベクトル表現特定処理の結果を用いて、さらに種々の処理を行ってもよい。例えば、ベクトル表現特定処理部１１１は、各エリアについて、該エリアに滞在する各ユーザの所属するユーザ用クラスタを分析することにより、各エリアに滞在するユーザの多様性の程度を特定することができる。

【0073】

Ａ－４．本実施形態の効果：
以上説明したように、本実施形態の情報処理装置１００は、複数のユーザのそれぞれの位置情報履歴を示す位置情報履歴データＤｐに基づき、Ｌ（Ｌは、２以上の整数）個のエリアのそれぞれの時間的利用態様の特徴を表すベクトル表現ＶＲａを特定する装置である。情報処理装置１００は、エリア別利用態様データ取得部１１３と、エリア用ベクトル表現特定部１１４とを備える。エリア別利用態様データ取得部１１３は、各位置情報履歴データＤｐに基づき、各ユーザによる各エリアの時間的利用態様が、Ｍ（Ｍは、２以上の整数）種類の時間的利用態様のいずれであるかを示すエリア別利用態様データＤａを取得する。エリア用ベクトル表現特定部１１４は、Ｌ次元の入力層ＩａとＭ次元の出力層ＯａとＮ（Ｎは、２以上かつＬおよびＭより小さい整数）次元の隠れ層Ｈａとを有する３層のニューラルネットワークであるエリア用ベクトル表現特定モデルＭＯａを用いて、Ｌ個のエリアのうちの１つを特定するＬ次元のＯｎｅ－ｈｏｔベクトルを入力層Ｉａへの入力とし、該入力において特定されたエリアについて、エリア別利用態様データＤａに示された時間的利用態様を特定するＭ次元のＯｎｅ－ｈｏｔベクトルを出力層Ｏａからの出力として機械学習を行い、入力層Ｉａから隠れ層ＨａへのＬ×Ｎの重み行列Ｗ１における各エリアに対応した行を、各エリアの時間的利用態様の特徴を表すＮ次元のベクトル表現ＶＲａとして特定する。

【0074】

このように、本実施形態の情報処理装置１００では、各ユーザによる各エリアの時間的利用態様がＭ種類の時間的利用態様のいずれであるかを示すエリア別利用態様データＤａに基づき、エリア用ベクトル表現特定モデルＭＯａを用いて機械学習を行うことにより、各エリアの時間的利用態様の特徴を表すＮ次元のベクトル表現ＶＲａを特定することができる。そのため、本実施形態の情報処理装置１００によれば、各エリアの時間的利用態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。また、本実施形態の情報処理装置１００によれば、事前にＰＯＩ情報を収集したり、ＰＯＩにマニュアルでラベリングしたりする必要が無いため、エリアのモデリングの手間やコストを低減することができる。

【0075】

また、本実施形態の情報処理装置１００は、さらに、各エリアについて特定されたベクトル表現ＶＲａを、複数のクラスタに分類するクラスタリング処理部１１５を備える。そのため、本実施形態の情報処理装置１００によれば、時間的利用態様の類似度に基づき各エリアを複数のクラスタに分類することができ、各クラスタを分析することによって各クラスタに属するエリアの特徴を解釈することができる。

【0076】

また、本実施形態の情報処理装置１００では、各エリアの時間的利用態様は、各ユーザによる各エリアへの滞在態様である。そのため、本実施形態の情報処理装置１００によれば、各エリアに滞在する人がどのような滞在をする傾向にあるか、といった各エリアの滞在態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0077】

また、本実施形態の情報処理装置１００では、各エリア別利用態様データＤａは、少なくとも、各ユーザによる各エリアへの滞在時期と滞在時刻と滞在時間との組合せによって滞在態様の種類を特定するデータである。そのため、本実施形態の情報処理装置１００によれば、各エリアに滞在する人が、どの時期のどの時間帯にどの程度の時間、滞在する傾向にあるか、といった各エリアの滞在態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0078】

また、本実施形態の情報処理装置１００は、さらに、ユーザ別位置態様データ取得部１１７と、ユーザ用ベクトル表現特定部１１８とを備える。ユーザ別位置態様データ取得部１１７は、各位置情報履歴データＤｐに基づき、Ｐ（Ｐは、２以上の整数）人のユーザのそれぞれの時間的位置態様が、Ｑ（Ｑは、２以上の整数）種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データＤｕを取得する。ユーザ用ベクトル表現特定部１１８は、Ｐ次元の入力層ＩｕとＱ次元の出力層ＯｕとＲ（Ｒは、２以上かつＰおよびＱより小さい整数）次元の隠れ層Ｈｕとを有する３層のニューラルネットワークであるユーザ用ベクトル表現特定モデルＭＯｕを用いて、Ｐ人のユーザのうちの１人を特定するＰ次元のＯｎｅ－ｈｏｔベクトルを入力層Ｉｕへの入力とし、該入力において特定されたユーザについて、ユーザ別位置態様データＤｕに示された時間的位置態様を特定するＱ次元のＯｎｅ－ｈｏｔベクトルを出力層Ｏｕからの出力として機械学習を行い、入力層Ｉｕから隠れ層ＨｕへのＰ×Ｒの重み行列Ｗ２における各ユーザに対応した行を、各ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現ＶＲｕとして特定する。

【0079】

このように、本実施形態の情報処理装置１００では、各ユーザのそれぞれの時間的位置態様がＱ種類の時間的位置態様のいずれであるかを示すユーザ別位置態様データＤｕに基づき、ユーザ用ベクトル表現特定モデルＭＯｕを用いて機械学習を行うことにより、各ユーザの時間的位置態様の特徴を表すＲ次元のベクトル表現ＶＲｕを特定することができる。そのため、本実施形態の情報処理装置１００によれば、各ユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0080】

また、本実施形態の情報処理装置１００では、各ユーザ別位置態様データＤｕは、少なくとも、時期と時間帯と各ユーザの滞在場所との組合せによって時間的位置態様の種類を特定するデータである。そのため、本実施形態の情報処理装置１００によれば、各ユーザがどの時期のどの時間帯にどの場所に滞在する傾向にあるか、といった各ユーザの時間的位置態様の特徴（換言すれば、各ユーザのライフスタイル）を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。

【0081】

また、本実施形態の情報処理装置１００は、さらに、各エリアについて特定されたベクトル表現ＶＲａを複数のクラスタに分類するクラスタリング処理部１１５を備え、各ユーザ別位置態様データＤｕは、少なくとも、時期と時間帯と各ユーザの滞在クラスタとの組合せによって時間的位置態様の種類を特定するデータである。そのため、本実施形態の情報処理装置１００によれば、各ユーザがどの時期のどの時間帯にどのクラスタに滞在する傾向にあるか、といった各ユーザの時間的位置態様の特徴を表すモデルとして、一意に特定することが可能であり、かつ、できる限り多様な情報を保持したモデルの特定を実現することができる。また、本実施形態の情報処理装置１００によれば、各エリアのベクトル表現ＶＲａについての各クラスタを分析して各クラスタの特徴を解釈し、該解釈に基づき、各ユーザの時間的位置態様の特徴を解釈することができる。

【0082】

Ｂ．変形例：
本明細書で開示される技術は、上述の実施形態に限られるものではなく、その要旨を逸脱しない範囲において種々の形態に変形することができ、例えば次のような変形も可能である。

【0083】

上記実施形態における情報処理装置１００の構成は、あくまで一例であり、種々変形可能である。例えば、上記実施形態では、情報処理装置１００がパーソナルコンピュータにより構成されているが、情報処理装置１００が他の種類のコンピュータ（例えば、サーバ、スマートフォン、タブレット端末等）により構成されていてもよい。また、上記実施形態では、情報処理装置１００が、エリア用ベクトル表現特定処理とユーザ用ベクトル表現特定処理との両方を実行しているが、２つの処理が互いに異なる情報処理装置により実行されてもよい。この場合には、各情報処理装置が一方の処理を実行するための構成を備えていれば足りる。

【0084】

上記実施形態における情報処理装置１００によるベクトル表現特定処理の内容は、あくまで一例であり、種々変形可能である。例えば、上記実施形態において、図５に示す滞在態様の種類を特定する各項目の区分は、あくまで一例であり、他の区分を採用してもよい。例えば、到着時間の区分を、１時間区切りにしたり、３時間区切りにしたりしてもよい。また、滞在時間の区分を、５区分以下としてもよいし、７区分以上としてもよい。

【0085】

同様に、図１４に示す時間的位置態様の種類を特定する各項目の区分は、あくまで一例であり、他の区分を採用してもよい。例えば、時間帯の区分を、１分区切りにしたり、３０分区切りにしたりしてもよい。なお、上記実施形態では、ユーザ用ベクトル表現特定処理の前にエリア用ベクトル表現特定処理が実行されていること（各エリアのベクトル表現ＶＲａが特定され、該ベクトル表現ＶＲａのクラスタリングが実行されていること）を前提として、図１４に示すように、時間的位置態様の種類を特定する項目に「滞在クラスタ」を用いているが、この点は必須ではない。すなわち、ユーザ用ベクトル表現特定処理の前にエリア用ベクトル表現特定処理が実行されていることは必須ではなく、ユーザ用ベクトル表現特定処理が、エリア用ベクトル表現特定処理とは独立して実行されてもよい。この場合には、時間的位置態様の種類を特定する項目として、「滞在クラスタ」に代えて、他の滞在場所を示す項目（例えば、滞在エリア）を用いればよい。

【0086】

上記実施形態において、図４に示す時間的利用態様（滞在態様）の種類を特定する項目は、あくまで一例であり、他の項目を追加したり、一部の項目を省略したりしてもよい。同様に、図１３に示す時間的位置態様の種類を特定する項目は、あくまで一例であり、他の項目を追加したり、一部の項目を省略したりしてもよい。

【0087】

上記実施形態におけるエリア用ベクトル表現特定モデルＭＯａおよびユーザ用ベクトル表現特定モデルＭＯｕの各層の次元数は、あくまで一例であり、任意に変更可能である。なお、隠れ層Ｈａおよび隠れ層Ｈｕの次元数、すなわち、ベクトル表現ＶＲａおよびベクトル表現ＶＲｕの次元数は、各ベクトル表現にできる限り多様な情報を保持させるという観点から、５次元以上が好ましく、２０次元以上がさらに好ましく、５０次元以上が一層好ましい。また、上記実施形態では、エリア用ベクトル表現特定モデルＭＯａおよびユーザ用ベクトル表現特定モデルＭＯｕとして、Ｗｏｒｄ２ＶｅｃのＳｋｉｐ－ｇｒａｍモデルを改良したものが使用されているが、各モデルはこれに限られない。

【0088】

上記実施形態では、各エリアのベクトル表現ＶＲａのクラスタリング（図３のＳ１４０）や、各ユーザのベクトル表現ＶＲｕのクラスタリング（図１２のＳ２４０）が実行されているが、これらは必須ではない。また、これらのクラスタリングを実行する場合において、クラスタ数は任意に設定可能である。

【0089】

上記実施形態では、各エリアの時間的利用態様（時間的使われ方）として、各エリアに滞在する人がどのような滞在をする傾向にあるかを示す滞在態様が用いられているが、位置情報履歴に基づき把握可能なものであれば、他の時間的利用態様（例えば、各エリアにおける人の移動速度や、各エリアへの出入りの頻度等）が用いられてもよい。

【0090】

また、上記各実施形態において、ハードウェアによって実現されている構成の一部をソフトウェアに置き換えるようにしてもよく、反対に、ソフトウェアによって実現されている構成の一部をハードウェアに置き換えるようにしてもよい。

【符号の説明】

【0091】

１００：情報処理装置 １１０：制御部 １１１：ベクトル表現特定処理部 １１２：位置情報履歴データ取得部 １１３：エリア別利用態様データ取得部 １１４：エリア用ベクトル表現特定部 １１５：クラスタリング処理部 １１７：ユーザ別位置態様データ取得部 １１８：ユーザ用ベクトル表現特定部 １３０：記憶部 １５２：表示部 １５６：操作入力部 １５８：インターフェース部 １９０：バス ＣＰ：ベクトル表現特定処理プログラム Ｄａ：エリア別利用態様データ Ｄｐ：位置情報履歴データ Ｄｕ：ユーザ別位置態様データ ＭＯａ：エリア用ベクトル表現特定モデル ＭＯｕ：ユーザ用ベクトル表現特定モデル

【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】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】