ホーム > 特許ランキング > 楽天グループ株式会社
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2023-11-30
(45)【発行日】2023-12-08
(54)【発明の名称】情報処理装置、情報処理方法、およびプログラム
(51)【国際特許分類】
G01C 21/26 20060101AFI20231201BHJP
G08G 1/005 20060101ALI20231201BHJP
G16Y 10/40 20200101ALI20231201BHJP
G16Y 20/20 20200101ALI20231201BHJP
G16Y 40/20 20200101ALI20231201BHJP
【ＦＩ】
G01C21/26 P
G08G1/005
G16Y10/40
G16Y20/20
G16Y40/20
【請求項の数】
9
(21)【出願番号】P 2023521589
(86)(22)【出願日】2022-04-28
(86)【国際出願番号】 JP2022019258
【審査請求日】2023-04-07
【早期審査対象出願】
(73)【特許権者】
【識別番号】399037405
【氏名又は名称】楽天グループ株式会社
(74)【代理人】
【識別番号】100109380
【弁理士】
【氏名又は名称】小西 恵
(74)【代理人】
【識別番号】100109036
【弁理士】
【氏名又は名称】永岡 重幸
(72)【発明者】
【氏名】ポリヤプラム ヴィネーラジュ
(72)【発明者】
【氏名】ミード カイル アーロン
【審査官】上野 博史
(56)【参考文献】
【文献】特開２０１２－００３４９４（ＪＰ，Ａ）
【文献】国際公開第２０１３／１７９３５９（ＷＯ，Ａ１）
【文献】特表２０２０－５２０５２０（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｃ ２１／００－２１／３６
２３／００－２５／００
Ｇ０８Ｇ １／００－９９／００
Ｇ１６Ｙ １０／４０
Ｇ１６Ｙ ２０／２０
Ｇ１６Ｙ ４０／２０
(57)【特許請求の範囲】
【請求項1】
ユーザの移動軌跡を取得する取得部と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出部と、
前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成部と、
を有し、
前記生成部は、前記移動軌跡を、地図情報にマッピングし、前記移動軌跡に整合する前記地図情報におけるエリアや経路に対応する交通情報を示すソフトラベルを、前記移動軌跡に付与し、
前記ソフトラベルと前記移動情報を所定の関数に入力することにより、前記移動軌跡と前記移動情報に対応付けた、前記ラベルを出力し、
前記地図情報は、鉄道ネットワークおよびバス経路ネットワークの情報を含み、
前記ソフトラベルは、前記地図情報に対応する、前記ラベルに対する潜在的なラベルである、ことを特徴とする情報処理装置。
【請求項2】
前記移動軌跡は、タイムスタンプを有する、前記ユーザの位置の緯度と経度を含むことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記移動情報は、前記移動軌跡における２地点間の速度を含むことを特徴とする請求項１に記載の情報処理装置。
【請求項4】
前記移動情報は、前記移動軌跡における２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含むことを特徴とする請求項１に記載の情報処理装置。
【請求項5】
前記交通手段は、車、電車、バス、自転車、徒歩、ボートまたは船、のうち１つ以上を含むことを特徴とする請求項１に記載の情報処理装置。
【請求項6】
前記ソフトラベルは、道路、鉄道、バス、ボートまたは船、のうち１つ以上を含むことを特徴とする請求項１に記載の情報処理装置。
【請求項7】
前記学習データを用いて、前記移動軌跡および前記移動情報と、前記ラベルとの関係を機械学習のための学習モデルに学習させる学習部を更に有することを特徴とする請求項１に記載の情報処理装置。
【請求項8】
情報処理装置により実行される情報処理方法であって、
ユーザの移動軌跡を取得する取得工程と、
前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出工程と、
前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成工程と、
を有し、
前記生成工程では、前記移動軌跡を、地図情報にマッピングし、前記移動軌跡に整合する前記地図情報におけるエリアや経路に対応する交通情報を示すソフトラベルを、前記移動軌跡に付与し、
前記ソフトラベルと前記移動情報を所定の関数に入力することにより、前記移動軌跡と前記移動情報に対応付けた、前記ラベルを出力し、
前記地図情報は、鉄道ネットワークおよびバス経路ネットワークの情報を含み、
前記ソフトラベルは、前記地図情報に対応する、前記ラベルに対する潜在的なラベルである、ことを特徴とする情報処理方法。
【請求項9】
情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、ユーザの移動軌跡を取得する取得処理と、
前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出処理と、
前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成処理と、を含む処理を実行させるためのものであり、
前記生成処理は、前記移動軌跡を、地図情報にマッピングし、前記移動軌跡に整合する前記地図情報におけるエリアや経路に対応する交通情報を示すソフトラベルを、前記移動軌跡に付与し、
前記ソフトラベルと前記移動情報を所定の関数に入力することにより、前記移動軌跡と前記移動情報に対応付けた、前記ラベルを出力し、
前記地図情報は、鉄道ネットワークおよびバス経路ネットワークの情報を含み、
前記ソフトラベルは、前記地図情報に対応する、前記ラベルに対する潜在的なラベルである、
情報処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、学習データを生成する技術に関する。
【背景技術】
【0002】
ユーザが携帯するスマートフォンから取得したセンサデータから、当該ユーザの交通手段（徒歩、車、バス、電車等）を機械学習により予測する技術が開発されている（非特許文献１）。
【先行技術文献】
【非特許文献】
【0003】
【文献】Ifigenia Drosouli, et al., “Transportation Mode Detection Using an Optimized Long Short-Term Memory Model on Multimodal Sensor Data”, Entropy, vol. 23, issue 11, p. 1457, November 2021
【発明の概要】
【発明が解決しようとする課題】
【0004】
当該文献に開示された技術では、スマートフォンに搭載された６つのセンサ（加速度センサ、ジャイロスコープ、地磁気センサ、圧力センサ、ＧＰＳ（高度計測）、温度）と、ユーザの交通手段とを関連付けることにより生成したデータを、学習データ（教師データ）として用いている。しかしながら、当該手法では、学習データを生成するために、スマートフォンに６つのセンサを搭載しなければならず、交通手段を予測するための学習データを生成するため処理が煩雑であり、より効率的な手法が望まれる。
【0005】
本発明は上記課題を解決するためになされたものであり、交通手段を予測する機械学習のための学習データを効率的に生成することを目的とする。
ことを目的とする。
ことを目的とする。
【課題を解決するための手段】
【0006】
上記課題を解決するために、本発明に係る情報処理装置の一態様は、ユーザの移動軌跡を取得する取得部と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出部と、前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成部と、を有し、前記ラベルは、前記移動情報を所定の関数に入力することにより出力される。
【0007】
前記移動軌跡は、タイムスタンプを有する、前記ユーザの位置の緯度と経度を含みうる。
【0008】
前記移動情報は、前記移動軌跡における２地点間の速度を含みうる。
前記移動情報は、前記移動軌跡における２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含みうる。
前記移動情報は、前記移動軌跡における２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含みうる。
【0009】
前記交通手段は、車、電車、バス、自転車、徒歩、ボートまたは船、のうち１つ以上を含みうる。
【0010】
前記生成部は、前記移動軌跡を、地図情報にマッピングし、前記移動軌跡に整合する前記地図情報におけるエリアや経路に対応する交通情報を示すソフトラベルを、前記移動軌跡に付与し、前記ソフトラベルと前記移動情報を所定の関数に適用することにより、前記移動軌跡と前記移動情報に、前記ラベルを対応付けうる。
【0011】
前記ソフトラベルは、道路、鉄道、バス、ボートまたは船、のうち１つ以上を含みうる。
【0012】
前記地図情報は、道路ネットワーク、鉄道ネットワーク、バス経路ネットワーク、地域領域の境界に関する情報を含みうる。
【0013】
前記情報処理装置は、前記学習データを用いて、前記移動軌跡および前記移動情報と、前記ラベルとの関係を前記機械学習のための学習モデルに学習させる学習部を更に有しうる。
【0014】
上記課題を解決するために、本発明に係る情報処理方法の一態様は、ユーザの移動軌跡を取得する取得工程と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出工程と、前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成工程と、を有し、前記ラベルは、前記移動情報を所定の関数に入力することにより出力される。
【0015】
上記課題を解決するために、本発明に係るプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、ユーザの移動軌跡を取得する取得処理と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出処理と、前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成処理と、を含む処理を実行させるためのものであり、前記ラベルは、前記移動情報を所定の関数に入力することにより出力される。
【発明の効果】
【0016】
本発明によれば、交通手段を予測する機械学習のための学習データを効率的に生成することが可能となる。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
【図面の簡単な説明】
【0017】
【発明を実施するための形態】
【0018】
以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。
【0019】
［情報処理システムの構成例］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
【0020】
ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、タブレット端末やノート型のＰＣといったデバイスであってもよい。また、ユーザ装置１１は、表示面を別に備えてもよい。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、タブレット端末やノート型のＰＣといったデバイスであってもよい。また、ユーザ装置１１は、表示面を別に備えてもよい。
【0021】
ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。
【0022】
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する属性情報（以下、ユーザの属性情報）を、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた緯度、経度、高度といった情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、当該情報に基づいて、ユーザの交通手段を予測する機械学習のための学習データの生成、および、当該交通手段の予測の処理を行う。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた緯度、経度、高度といった情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、当該情報に基づいて、ユーザの交通手段を予測する機械学習のための学習データの生成、および、当該交通手段の予測の処理を行う。
【0023】
［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎから各種情報を取得し、ユーザの交通手段を予測するための機械学習モデルである交通手段予測モデル１１１を学習させるための学習データ（教師データ）を生成する。続いて、情報処理装置１０は、生成した学習データを用いて交通手段予測モデル１１１を学習させる。さらに、情報処理装置１０は、学習済みの交通手段予測モデル１１１を用いて、任意のユーザの交通手段を予測する。
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎから各種情報を取得し、ユーザの交通手段を予測するための機械学習モデルである交通手段予測モデル１１１を学習させるための学習データ（教師データ）を生成する。続いて、情報処理装置１０は、生成した学習データを用いて交通手段予測モデル１１１を学習させる。さらに、情報処理装置１０は、学習済みの交通手段予測モデル１１１を用いて、任意のユーザの交通手段を予測する。
【0024】
図２は、本実施形態による情報処理装置１０の機能構成の一例を示すブロック図である。
図２に示す情報処理装置１０は、ユーザ情報取得部１０１、地図情報取得部１０２、移動情報導出部１０３、学習データ生成部１０４、学習部１０５、推定部１０６、出力部１０７、学習モデル記憶部１１０、およびデータ記憶部１２０を備える。学習モデル記憶部１１０は、交通手段予測モデル１１１を記憶可能に構成される。また、データ記憶部１２０は、ユーザ軌跡１２１、地図情報１２２、移動情報１２３、ラベル付け関数１２４、および学習データ１２５を記憶可能に構成される。
図２に示す情報処理装置１０は、ユーザ情報取得部１０１、地図情報取得部１０２、移動情報導出部１０３、学習データ生成部１０４、学習部１０５、推定部１０６、出力部１０７、学習モデル記憶部１１０、およびデータ記憶部１２０を備える。学習モデル記憶部１１０は、交通手段予測モデル１１１を記憶可能に構成される。また、データ記憶部１２０は、ユーザ軌跡１２１、地図情報１２２、移動情報１２３、ラベル付け関数１２４、および学習データ１２５を記憶可能に構成される。
【0025】
ユーザ情報取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、ユーザの動きの情報を取得する。具体的には、ユーザ情報取得部１０１は、移動軌跡を示す、一定時間内で連続した複数の位置情報（以下、ユーザ軌跡）を取得する。当該一定時間は任意に設定されうる。例えば、当該一定時間は、ユーザの移動が連続的である（長時間停止しない）時間でありうる。各位置情報は、少なくともタイムスタンプ（日時情報や時間情報）が付された（タイムスタンプを有する）、緯度と経度を含む。また、ユーザ情報取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、ユーザの属性情報を取得してもよい。ユーザ情報取得部１０１は、取得したユーザ軌跡を、データ記憶部１２０に、ユーザ軌跡１２１として格納する。
【0026】
地図情報取得部１０２は、地図情報を、任意のサービス（ウェブサイトやデータベース等）により取得する。当該地図情報は、後述するように、例えば、道路ネットワーク、鉄道ネットワーク、バス経路ネットワーク、地域領域（例えば、県や州）の境界に関する情報（以下、地域領域情報）を含む。地図情報取得部１０２は、取得した地図情報をデータ記憶部１２０に、地図情報１２２として格納する。
【0027】
移動情報導出部１０３は、データ記憶部１２０に格納されている一定時間におけるユーザ軌跡１２１から、ユーザ軌跡１２１における移動に関する特徴（以下、移動情報）を導出する。具体的には、移動情報導出部１０３は、タイプスタンプが付された２地点それぞれの位置情報を用いて、移動情報を導出する。本実施形態では、移動情報は、２地点間（第１位置（移動前）と第２位置（移動後）との間）の速度、加速度、加加速度（時間に対する加速度の変化率）、方位、方位差を含みうる。
【0028】
２地点間の距離ｘは、（１）式のように導出することができる。
ここで、θ１とθ２はそれぞれ、第１位置の緯度と第２位置の緯度（ラジアン）を表し、λ１とλ２はそれぞれ、第１位置の経度と第２位置の経度（ラジアン）を表す。また、ｒは地球（Ｓｐｈｅｒｅ）の半径（メートル）を表す。
【0029】
（１）式により導出された距離ｘを用いて、２地点間におけるユーザの速度ｖは、（２）式のように導出することができる。
【0030】
また、（１）式により導出された距離ｘと（２）式により導出された速度ｖを用いて、２地点間におけるユーザの加速度ａは、（３）式のように導出することができる。
【0031】
また、加加速度（ｊｅｒｋ）ｊは、（１）式により導出された距離ｘ、（２）式により導出された速度ｖ、または、（３）式により導出された加速度ａを用いて、（４）式のように導出することができる。
【0032】
２地点間における方位（ｂｅａｒｉｎｇ）は、（５）式のように導出することができる。
ここで、ＸとＹは、それぞれ（６）式と（７）式のように表される。
また、複数地点間における方位差は、（５）式により導出された複数の２地点間における方位を用いて、（８）式のように導出することができる。
【0033】
さらに、移動情報導出部１０３は、複数の２地点間の速度ｖ、加速度ａ、から、速度差（Ｓｐｅｅｄ＿ｄｉｆｆ）、加速度差（Ａｃｃｅｌｅｒａｔｉｏｎ＿ｄｉｆｆ）、平均速度（Ａｖｇ＿ｓｐｅｅｄ）、平均速度差（Ａｖｇ＿ｓｐｅｅｄ＿ｄｉｆｆ）、および平均加速度（Ａｖｇ＿ａｃｃｅｌｅｒａｔｉｏｎ）を、移動情報として導出することができる。よって、本実施形態では、移動情報は、２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含みうる。
移動情報導出部１０３は、導出した移動情報を、移動情報１２３としてデータ／関数記憶部１２０に格納する。
移動情報導出部１０３は、導出した移動情報を、移動情報１２３としてデータ／関数記憶部１２０に格納する。
【0034】
学習データ生成部１０４は、ラベル付け関数１２４を生成して、データ／関数記憶部１２０に格納する。ラベル付け関数１２４については後述する。また、学習データ生成部１０４は、交通手段予測モデル１１１を学習させるための学習データ（教師データ）を、ラベル付け関数１２４を用いて生成する。学習データ生成部１０４は、生成した学習データを、学習データ１２５としてデータ／関数記憶部１２０に格納する。当該学習データの生成の手順については後述する。
【0035】
学習部１０５は、学習データ生成部１０４により生成された学習データ１２５を用いて、交通手段予測モデル１１１を学習させる。交通手段予測モデル１１１の学習の手順については後述する。
【0036】
推定部１０６は、任意のユーザから取得したユーザ軌跡から、交通手段予測モデル１１１を用いて当該ユーザ軌跡に対応するユーザの交通手段を推定する。
出力部１０７は、推定部１０６により推定されたユーザの交通手段の結果（推定結果）を出力する。出力部１０７は、推定結果に基づく情報（例えば、広告）を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図３の通信Ｉ／Ｆ３７）を介した外部装置への出力であってもよいし、表示部（図３の表示部３６）への表示であってもよい。
出力部１０７は、推定部１０６により推定されたユーザの交通手段の結果（推定結果）を出力する。出力部１０７は、推定結果に基づく情報（例えば、広告）を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図３の通信Ｉ／Ｆ３７）を介した外部装置への出力であってもよいし、表示部（図３の表示部３６）への表示であってもよい。
【0037】
［情報処理装置１０のハードウェア構成］
図３は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図３を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
図３は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図３を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
【0038】
図３に示すように、情報処理装置１０は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、ＨＤＤ３４と、入力部３５と、表示部３６と、通信Ｉ／Ｆ３７と、システムバス３８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス３８を介して、各構成部（３２～３７）を制御する。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス３８を介して、各構成部（３２～３７）を制御する。
【0039】
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３２は、ＣＰＵ３１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）３４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３３は、揮発性メモリであり、ＣＰＵ３１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ３１は、処理の実行に際してＲＯＭ３２から必要なプログラム等をＲＡＭ３３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とデータ／関数記憶部１２０は、ＲＡＭ３３で構成されうる。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３３は、揮発性メモリであり、ＣＰＵ３１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ３１は、処理の実行に際してＲＯＭ３２から必要なプログラム等をＲＡＭ３３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とデータ／関数記憶部１２０は、ＲＡＭ３３で構成されうる。
【0040】
ＨＤＤ３４は、例えば、ＣＰＵ３１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ３４には、例えば、ＣＰＵ３１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部３５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部３６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部３６は、入力部３５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
入力部３５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部３６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部３６は、入力部３５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
【0041】
通信Ｉ／Ｆ３７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ３７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ３７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ３７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
通信Ｉ／Ｆ３７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ３７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ３７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
【0042】
図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ３１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ３１の制御に基づいて動作する。
【0043】
［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図３に示すハードウェア構成と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、ＨＤＤ３４と、入力部３５と、表示部３６と、通信Ｉ／Ｆ３７と、システムバス３８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部３６に表示し、ＧＵＩ（入力部３５と表示部３６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
図１に示すユーザ装置１１のハードウェア構成は、図３に示すハードウェア構成と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、ＨＤＤ３４と、入力部３５と、表示部３６と、通信Ｉ／Ｆ３７と、システムバス３８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部３６に表示し、ＧＵＩ（入力部３５と表示部３６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
【0044】
［学習データの生成手順］
次に、本実施形態による学習データの生成手順について説明する。図４に、学習データ生成部１０４により実施される学習データの生成処理のフローチャートを示す。なお、本例において、ユーザ軌跡１２１、地図情報１２２、移動情報１２３、ラベル付け関数１２４は、データ／関数記憶部１２０に格納されているものとする。説明のために、図１に示した情報処理システムを参照する。
次に、本実施形態による学習データの生成手順について説明する。図４に、学習データ生成部１０４により実施される学習データの生成処理のフローチャートを示す。なお、本例において、ユーザ軌跡１２１、地図情報１２２、移動情報１２３、ラベル付け関数１２４は、データ／関数記憶部１２０に格納されているものとする。説明のために、図１に示した情報処理システムを参照する。
【0045】
まず、Ｓ４１において、学習データ生成部１０４は、地図情報取得部１０２により取得された地図情報１２２を、データ／関数記憶部１２０から取得する。
Ｓ４２において、学習データ生成部１０４は、ユーザ情報取得部１０１により取得された、ユーザ１～Ｎのユーザ軌跡１２１を、データ／関数記憶部１２０から取得する。
Ｓ４３において、学習データ生成部１０４は、地図情報１２２とユーザ軌跡１２１を空間結合（Ｓｐａｔｉａｌ ｊｏｉｎ ｏｐｅｒａｔｉｏｎ）し、ユーザ軌跡１２１にソフトラベルを付与する（ソフトラベリングする）。
Ｓ４２において、学習データ生成部１０４は、ユーザ情報取得部１０１により取得された、ユーザ１～Ｎのユーザ軌跡１２１を、データ／関数記憶部１２０から取得する。
Ｓ４３において、学習データ生成部１０４は、地図情報１２２とユーザ軌跡１２１を空間結合（Ｓｐａｔｉａｌ ｊｏｉｎ ｏｐｅｒａｔｉｏｎ）し、ユーザ軌跡１２１にソフトラベルを付与する（ソフトラベリングする）。
【0046】
図５に、Ｓ４３の処理（ソフトラベルの付与）を説明するための概念図を示す。本実施形態では、地図情報１２２は、道路ネットワーク５１、鉄道ネットワーク５２、バス経路ネットワーク５３、および地域領域情報５４を含む。なお、図５に示す地図情報１２２は一例に過ぎず、地図情報１２２は、他の地図に関する情報を含んでもよい。
【0047】
道路ネットワーク５１は、道路（ある場所と他の場所とを結ぶあらゆる地上の道路）を表す道路情報である。鉄道ネットワーク５２は、鉄道路線図の情報である。バス経路ネットワーク５３は、路線バスの経路図の情報である。バス経路ネットワーク５３は、臨時に運行するバスの路線図の情報を含んでもよい。地域領域情報５４は、地域領域（例えば、県や州）の境界に関する情報であり、池、湖、または海の境界の情報も含む。
道路ネットワーク５１、鉄道ネットワーク５２、およびバス経路ネットワーク５３はそれぞれ、道路、鉄道、バス経路を表す線（ライン）により表され、地域領域情報５４は、あらゆる境界（線）で囲まれる領域により表されうる。
道路ネットワーク５１、鉄道ネットワーク５２、およびバス経路ネットワーク５３はそれぞれ、道路、鉄道、バス経路を表す線（ライン）により表され、地域領域情報５４は、あらゆる境界（線）で囲まれる領域により表されうる。
【0048】
また、学習データ生成部１０４は、地図情報１２２に対応するソフトラベル５５を準備する。ソフトラベル５５は、ユーザ軌跡１２１を地図情報１２２に空間結合（マッピング）した場合に、ユーザ軌跡１２１に整合する（整合する可能性が高い）地図情報１２２におけるエリア（領域）や経路（線）に対応する交通情報を示すラベルである。また、ソフトラベル５５は、後述するラベル６１に対する潜在的なラベルである。ソフトラベル５５は、「道路」、「鉄道」、「バス」、または「ボート／船」である。なお、これは一例であり、他のソフトラベルが準備されてもよい。例えば、ソフトラベル５５は、「その他」を含めもよい。ユーザ軌跡１２１が、「道路」、「鉄道」、「バス」、または「ボート／船」を示す線または領域を通らない場合、「その他」が使用されうる。
【0049】
学習データ生成部１０４は、地図情報１２２とユーザ軌跡１２１を空間結合し、ユーザ軌跡１２１にソフトラベル５５を付与する。具体的には、学習データ生成部１０４は、ユーザ軌跡１２１を、道路ネットワーク５１、鉄道ネットワーク５２、バス経路ネットワーク５３、および地域領域情報５４にマッピングし、ユーザ軌跡１２１に対応するソフトラベル５５を付与する。例えば、ユーザ軌跡１２１が、バス経路ネットワーク５３で示されるライン（経路）を通る軌跡の場合、学習データ生成部１０４は、ユーザ軌跡１２１に、「バス」のソフトラベル５５を付与する。また、ユーザ軌跡１２１が、地域領域情報５４により示される湖の領域内で移動した軌跡の場合、学習データ生成部１０４は、ユーザ軌跡１２１に、「ボート／船」のソフトラベル５５を付与する。また、ユーザ軌跡１２１が、道路ネットワーク５１、鉄道ネットワーク５２、バス経路ネットワーク５３、および地域領域情報５４のいずれにも整合しない場合、学習データ生成部１０４は、ユーザ軌跡１２１に「その他」のソフトラベル５５を付与してもよい。
【0050】
次に、Ｓ４４において、学習データ生成部１０４は、移動情報導出部１０３により導出された移動情報１２３を、データ／関数記憶部１２０から取得する。移動情報１２３は、前述したように、２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含みうる。
【0051】
Ｓ４５において、学習データ生成部１０４は、データ／関数記憶部１２０から、ラベル付け関数１２４を取得する。ラベル付け関数１２４は、それぞれが、移動情報１２３および／またはソフトラベル５５からラベルを出力するように構成された複数の関数を含む。ラベル付け関数１２４は、学習データ生成部１０４により生成され、データ／関数記憶部１２０に格納されている。なお、ラベル付け関数１２４は、予め情報処理システムにおいて生成され、データ／関数記憶部１２０に格納されていてもよい。
【0052】
図６にラベル付け関数１２４の入力と出力の概念図を示す。ラベル関数１２４は、ソフトラベル５５と移動情報１２３を入力として、ラベル６１を出力する関数である。本実施形態では、ラベル６１は、ユーザの（ユーザが用いる）交通手段に対応し、「車」、「電車」、「バス」、「自転車」、「徒歩」、または「ボート／船」であるとする。なお、これは一例であり、ラベル６１は、他のラベルを含んでもよい。
【0053】
ラベル付け関数１２４の一例を［１］～［３］に示す。
［１］移動情報１２３に含まれる速度が１５ｍ／ｓ以上で３３ｍ／ｓ以下、かつ、ソフトラベル５５が「電車」でない場合、「車」のラベル６１を出力
［２］移動情報１２３に含まれる速度が２．５ｍ／ｓ以上で１０ｍ／ｓ以下、かつ、ソフトラベル５５が「バス」の場合、「バス」のラベル６１を出力
［３］移動情報１２３に含まれる速度が１．４ｍ／ｓ以下、かつ、移動情報１２３に含まれる加速度が１．５ｍ／ｓ２未満の場合、「徒歩」のラベル６１を出力
なお、当該関数は一例であり、ラベル付け関数１２４は、移動情報１２３および／またはソフトラベル５５からラベル６１を出力するように構成された複数の関数を含むように構成されればよい。
［１］移動情報１２３に含まれる速度が１５ｍ／ｓ以上で３３ｍ／ｓ以下、かつ、ソフトラベル５５が「電車」でない場合、「車」のラベル６１を出力
［２］移動情報１２３に含まれる速度が２．５ｍ／ｓ以上で１０ｍ／ｓ以下、かつ、ソフトラベル５５が「バス」の場合、「バス」のラベル６１を出力
［３］移動情報１２３に含まれる速度が１．４ｍ／ｓ以下、かつ、移動情報１２３に含まれる加速度が１．５ｍ／ｓ２未満の場合、「徒歩」のラベル６１を出力
なお、当該関数は一例であり、ラベル付け関数１２４は、移動情報１２３および／またはソフトラベル５５からラベル６１を出力するように構成された複数の関数を含むように構成されればよい。
【0054】
Ｓ４６において、学習データ生成部１０４は、Ｓ４３で付与されたソフトラベル５５と、Ｓ４４で取得された移動情報１２３とを、ラベル付け関数１２４に適用し、ソフトラベル５５と移動情報１２３に対してラベル６１を付与する。すなわち、学習データ生成部１０４は、ソフトラベル５５が付与されたユーザ軌跡１２１と、移動情報１２３との組み合わせに対して、ラベル６１を付与する。
【0055】
なお、Ｓ４５とＳ４６の処理は、Ｓｎｏｒｋｅｌプラットフォームにより実装されてもよい。Ｓｎｏｒｋｅｌプラットフォームは、ラベル付けを自動化させたプラットフォームである。
また、学習データ生成部１０４は、推定部１０６による推定結果により、ラベル付け関数１２４を修正することができる。例えば、学習データ生成部１０４は、当該推定結果に基づき、上記［１］式の速度の値を変更することができる。
また、学習データ生成部１０４は、推定部１０６による推定結果により、ラベル付け関数１２４を修正することができる。例えば、学習データ生成部１０４は、当該推定結果に基づき、上記［１］式の速度の値を変更することができる。
【0056】
学習データ生成部１０４は、ソフトラベル５５が付されたユーザ軌跡１２１と移動情報１２３に対してラベル６１を付したデータセットを生成する。すなわち、学習データ生成部１０４は、ユーザ軌跡１２１と移動情報１２３の組み合わせに、交通手段を示すラベル６１（正解データ）が対応付けられたデータセットを生成する。学習データ生成部１０４は、データセットの生成処理を複数回に渡って行い、複数のデータセットを生成する。学習データ生成部１０４は、当該複数のデータセットを、データ／関数記憶部１２０に学習データ１２５として格納する。
【0057】
このように、学習データ生成部１０４は、ユーザ軌跡１２１に基づいて、学習データ１２５を生成する。具体的には、学習データ生成部１０４は、ユーザ軌跡１２１と、ユーザ軌跡１２１から導出された移動情報１２３を用いて学習データ１２５を生成する。これにより、ユーザ軌跡１２１、すなわち、ユーザの連続する位置情報から、学習データを生成することが可能となり、ユーザ端末に特別なセンサを搭載するなど、ユーザ端末の機能を複雑化させることなく、効率的に学習データを生成することが可能となる。
【0058】
また、ラベル付け関数１２４の設定により、ユーザ軌跡１２１と移動情報１２３に基づき、同じ道路を通る車と自転車とを区別して、適切にラベル付けを行うことが可能となる。例えば、同じ道路を通る２つのユーザ軌跡の速度や加速度が異なる場合、異なる速度および／または加速度を条件としたラベル付け関数１２４を設定することにより。当該２つのユーザ軌跡を区別した上で適切なラベルを付すことが可能となる。
【0059】
［交通手段予測モデル１１１の学習手順］
次に、交通手段予測モデル１１１の学習手順について説明する。図７に、機械学習のための学習モデルである、交通手段予測モデル１１１のアーキテクチャの一例を示す。図７に示す交通手段予測モデル１１１は、ニューラルネットワークを用いた深層学習モデルである。
次に、交通手段予測モデル１１１の学習手順について説明する。図７に、機械学習のための学習モデルである、交通手段予測モデル１１１のアーキテクチャの一例を示す。図７に示す交通手段予測モデル１１１は、ニューラルネットワークを用いた深層学習モデルである。
【0060】
図７に示すように、本実施形態による交通手段予測モデル１１１は、第１ブランチ７１１と第２ブランチ７１２からなる第１ネットワーク７１と、第１ネットワーク７１に続く第２ネットワーク７２から構成される。第１ネットワーク７１と第２ネットワーク７２はそれぞれ、白ボックスで表した入力層と網掛けボックスで表した複数の全結合層（Ｄｅｎｓｅ）を含む。また、第２ネットワーク７２は、グレーボックスで表した出力層を含む。各層に示した数字は、ノード数（ユニット数）を表す。なお、層の数は、図７に示す数に限定されない。
【0061】
学習部１０５は、学習データ生成部１０４により生成された学習データ１２５を用いて、交通手段予測モデル１１１を学習させる。前述のように、学習データ１２５は、複数のデータセットを含み、各データセットは、ユーザ軌跡１２１と移動情報１２３の組み合わせに対してラベル６１が対応付けられている。よって、学習部１０５は、ユーザ軌跡１２１および移動情報１２３と、ラベル６１との関係を交通手段予測モデル１１１に学習させる。
【0062】
学習部１０５は、ユーザ軌跡１２１（ユーザ軌跡１２１を示すデータ）を第１ブランチ７１１へ入力し、移動情報１２３（移動情報１２３を示すデータ）を第２ブランチ７１２へ入力する。
【0063】
第１ブランチ７１１では、ユーザ軌跡１２１から、ユーザ軌跡の特徴量（特徴ベクトル）が生成（抽出）される。また、複数の全結合層を介して、圧縮された（エンコードされた）ユーザ軌跡の特徴量が生成される。
【0064】
第２ブランチ７１２では、移動情報１２３から、移動情報の特徴量（特徴ベクトル）が生成（抽出）される。また、複数の全結合層を介して、圧縮された（エンコードされた）移動情報の特徴量が生成される。
前述のように、移動情報１２３は、２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの複数の値を含みうるためデータサイズが大きくなりうる。そのため、図７に示すアーキテクチャでは、第２ブランチ７１２では、第１ブランチ７１１より層が多く、圧縮された移動情報の特徴量が生成されうる。
前述のように、移動情報１２３は、２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの複数の値を含みうるためデータサイズが大きくなりうる。そのため、図７に示すアーキテクチャでは、第２ブランチ７１２では、第１ブランチ７１１より層が多く、圧縮された移動情報の特徴量が生成されうる。
【0065】
第２ネットワーク７２では、まず、第１ブランチ７１１で生成されたユーザ軌跡の特徴量と、と第２ブランチ７１２で生成された移動情報の特徴量を結合し、結合特徴量（結合特徴ベクトル）を生成する。さらに、第２ネットワーク７２では、複数の全結合層を介して、当該結合特徴量を圧縮し（エンコードし）、ラベル６１の数に対応する６つの特徴量を生成する。
【0066】
出力層は、当該６つの特徴量から、交通手段予測モデル１１１に入力されたユーザ軌跡１２１と移動情報１２３に対応付けられたラベル６１を表すデータ（交通手段を示すデータ）を生成して出力するように構成される。出力層では活性化関数（ソフトマックス関数等）が使用される。本実施形態では、出力層は、学習データ１２５に含まれる６種類（車、電車、バス、自転車、徒歩、ボート／船、）のラベルそれぞれについて、正解データである確率（０～１）を、出力データとして出力するように構成されうる。あるいは、出力層は、当該６種類のラベルのうち正解データである確率が最も高いラベルに１、それ以外のラベルに０を、出力データとして出力するように構成されうる。
【0067】
学習部１０５は、出力層の出力データと正解データを適用した損失関数を用いて、交通手段予測モデル１１１におけるパラメータを算出および／または調整し、交通手段予測モデル１１１を学習させる。学習部１０５は、学習データ１２５に含まれる複数のデータセットを用いて、交通手段予測モデル１１１を学習させる。学習部１０５は、学習済みの交通手段予測モデル１１１を、学習モデル記憶部１１０に格納する。
【0068】
このように、本実施形態による交通手段予測モデル１１１は、ユーザから取得したユーザ軌跡（生データ）と、当該ユーザ軌跡から導出した移動情報（導出データ）とを、異なるブランチへ入力する。そして、当該モデルは、当該生データの特徴量と当該導出データの特徴量とを結合して生成した結合特徴量から、ユーザの交通手段を推定する。生データと、当該生データの特徴を表す導出データの２種類のデータを用いることにより、より精度高い交通手段の推定が可能となる。
【0069】
なお、学習処理は、都市エリアと田舎エリアで分けて行ってもよい。都市エリアでは、人の移動が多く、多数のデータセットから成る学習セット１２５での学習が可能である一方、田舎エリアでは人の動きが少なく、学習のためのデータセットが少ない。よって、都市エリアでは学習精度が高くなりうる。
【0070】
［交通手段推定手順］
次に、本実施形態による交通手段推定手順について説明する。図８に、本実施形態による交通手段推定処理のフローチャートを示す。なお、本例において、上述のように学習された、学習済みの交通手段予測モデル１１１は、学習モデル記憶部１１０に格納されているものとする。説明のために、図１に示した情報処理システムを参照する。
次に、本実施形態による交通手段推定手順について説明する。図８に、本実施形態による交通手段推定処理のフローチャートを示す。なお、本例において、上述のように学習された、学習済みの交通手段予測モデル１１１は、学習モデル記憶部１１０に格納されているものとする。説明のために、図１に示した情報処理システムを参照する。
【0071】
まず、Ｓ８１において、ユーザ情報取得部１０１は、任意のユーザ（以下、対象ユーザ）の、一定時間におけるユーザ軌跡を取得する。対象ユーザは、ユーザ１～Ｎのいずれかのユーザでありうる。また、当該一定時間は任意に設定されうる。例えば、当該一定時間は、当該ユーザの移動が連続的である（長時間停止しない）時間でありうる。
【0072】
Ｓ８２において、移動情報導出部１０３は、Ｓ８１で取得された対象ユーザのユーザ軌跡から、当該ユーザ軌跡における移動に関する特徴である移動情報を導出する。前述のように、当該移動情報は、２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含みうる。
【0073】
Ｓ８３において、推定部１０６は、Ｓ８１で取得したユーザ軌跡とＳ８２で導出した移動情報に基づいて、学習済みの交通手段予測モデル１１１を用いて、対象ユーザの交通手段を推定する。具体的には、推定部１０６は、図７に示した交通手段予測モデル１１１の、第１ネットワーク７１の第１ブランチ７１１に、対象ユーザのユーザ軌跡を示すデータを入力し、第２ブランチ７２２に対象ユーザの移動情報を示すデータを入力する。交通手段予測モデル１１１は、当該入力されたデータから、上記のように、６種類のラベル（車、電車、バス、自転車、徒歩、ボート／船）のそれぞれについて、正解データ（実際の交通手段）である確率（０～１）を出力する。あるいは、交通手段予測モデル１１１は、当該６種類のラベルのうち正解データである確率が最も高いラベルに１、それ以外のラベルに０を出力する。
推定部１０６は、正解データである確率が最も高いラベルに対応する交通手段を、対象ユーザの交通手段として推定する。
推定部１０６は、正解データである確率が最も高いラベルに対応する交通手段を、対象ユーザの交通手段として推定する。
【0074】
最後に、Ｓ８４において、出力部１０７は、Ｓ８３により推定された対象ユーザの交通手段の情報（推定結果）を出力する。例えば、出力部１０７は、対象ユーザと推定結果とを対応付けた情報を、外部装置に出力する。また、出力部１０７は、推定結果に基づく情報を生成して出力してもよい。例えば、出力部１０７は、ユーザ軌跡に対して推定された交通手段に関する広告を生成して出力することができる。対象ユーザの進行中のユーザ軌跡から推定された交通手段が車である場合、出力部１０７は、当該対象ユーザの現在位置に基づいて、当該現在位置に近い観光スポットやサービス情報の広告を生成して、当該対象ユーザに提供することができる。また、対象ユーザの進行中のユーザ軌跡から推定された交通手段が徒歩である場合、出力部１０７は、健康向上に関する広告を生成して、当該対象ユーザに提供することができる。
【0075】
図８では、対象ユーザの交通手段について説明したが、同様な処理により多数のユーザの交通手段を推定することで、任意のエリアの任意の時間帯における交通手段毎の交通量を推定することができる。当該推定は、適切な交通計画やトラフィック管理に役立ちうる。
【0076】
なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。
【0077】
本実施形態の開示は以下の構成を含む。
［１］ユーザの移動軌跡を取得する取得部と、
前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出部と、
前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成部と、を有することを特徴とする情報処理装置。
［１］ユーザの移動軌跡を取得する取得部と、
前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出部と、
前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成部と、を有することを特徴とする情報処理装置。
【0078】
［２］前記移動軌跡は、タイムスタンプを有する、前記ユーザの位置の緯度と経度を含むことを特徴とする［１］に記載の情報処理装置。
【0079】
［３］前記移動情報は、前記移動軌跡における２地点間の速度、加速度、加加速度、方位、方位差、および、複数の２地点間の速度差、加速度差、平均速度、平均速度差、平均加速度のうちの１つ以上を含むことを特徴とする［１］または［２］に記載の情報処理装置。
【0080】
［４］前記交通手段は、車、電車、バス、自転車、徒歩、ボートまたは船、のうち１つ以上を含むことを特徴とする［１］から［３］のいずれかに記載の情報処理装置。
【0081】
［５］前記生成部は、前記移動軌跡を、地図情報にマッピングし、前記移動軌跡に整合する前記地図情報におけるエリアや経路に対応する交通情報を示すソフトラベルを、前記移動軌跡に付与し、前記ソフトラベルと前記移動情報を所定の関数に適用することにより、前記移動軌跡と前記移動情報に、前記ラベルを対応付けることを特徴とする［１］から［４］のいずれかに記載の情報処理装置。
【0082】
［６］前記ソフトラベルは、道路、鉄道、バス、ボートまたは船、のうち１つ以上を含むことを特徴とする［５］に記載の情報処理装置。
【0083】
［７］前記地図情報は、道路ネットワーク、鉄道ネットワーク、バス経路ネットワーク、地域領域の境界に関する情報を含むことを特徴とする［５］または［６］に記載の情報処理装置。
【0084】
［８］前記学習データを用いて、前記移動軌跡および前記移動情報と、前記ラベルとの関係を機械学習のための学習モデルに学習させる学習部を更に有することを特徴とする［１］から［７］のいずれか１項に記載の情報処理装置。
【0085】
［９］ユーザの移動軌跡を取得する取得工程と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出工程と、前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成工程と、を有することを特徴とする情報処理方法。
【0086】
［１０］情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、ユーザの移動軌跡を取得する取得処理と、前記移動軌跡から当該移動に関する特徴を示す移動情報を導出する導出処理と、前記移動軌跡と前記移動情報に、前記ユーザの交通手段を示すラベルを対応付けた、学習データを生成する生成処理と、を含む処理を実行させるためのものである、情報処理プログラム。
【符号の説明】
【0087】
１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザ情報取得部、１０２：地図情報取得部、１０３：移動情報導出部、１０４：学習データ生成部、１０５：学習部、１０６：推定部、１０７：出力部、１１０：学習モデル記憶部、１１１：交通手段予測モデル、１２０：データ／関数記憶部、１２１：ユーザ軌跡、１２２：地図情報、１２３：移動情報、１２４：ラベル付け関数、１２５：学習データ
【要約】
情報処理装置は、ユーザの移動軌跡を取得し、該移動軌跡から該移動に関する特徴を示す移動情報を導出し、該移動軌跡と該移動情報に、該ユーザの交通手段を示すラベルを対応付けた、学習データを生成する。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】