JP6545115B2 - ユーザの将来期間の生活パターンを予測する生活パターン予測装置、携帯端末、プログラム及び方法 - Google Patents

Description

本発明は、携帯端末の位置情報における過去ログを分析することによって、ユーザの行動を予測する技術に関する。

通信設備では、携帯端末が配下となる基地局の位置情報の履歴が記録されるため、この情報を用いて、携帯端末を所持したユーザ行動としての滞在地及び滞在時間を推定することができる。この場合、携帯端末は、ＧＰＳ(Global Positioning System)機能を起動させる必要もないし、ネットワークを介して測位情報を送信する必要もない。一方で、基地局位置情報は、空間的粒度が粗くかつ時間間隔が一定でないという問題がある。但し、例えば「滞在」のようなユーザの大まかな行動を判定するための情報とすることはできる。

従来、ユーザが特定の地理的経路を移動した際に、特定のイベントに参加していたとする行動ログを記録する技術がある（例えば特許文献１参照）。この技術によれば、ユーザがその地理的経路を移動すると共に、そのイベントに参加可能である場合に、そのイベントに関するコンテンツをユーザへ提供する。

特開２０１４−１３９８３７号公報

前述した従来技術によれば、ユーザが所持する携帯端末の位置情報を明確に特定した上で、その滞在目的に応じた情報が携帯端末へ提供されるものである。

これに対し、本願の発明者らは、不特定多数の人の１日の行動は、おおよそ数個の生活パターンに区分されるのではないか？と考えた。即ち、特定のユーザについて、過去の毎日の生活パターンを分析することによって、例えば当日の生活パターンを予測することができるのではないか？と考えた。この場合、予測された生活パターンに応じて適切な時刻に必要な情報を、ユーザの携帯端末へ提供することができる。

そこで、本発明によれば、ユーザの将来期間の生活パターンを予測することができる生活パターン予測装置、携帯端末、プログラム及び方法を提供することを目的とする。

本発明によれば、ユーザの将来期間の生活パターンを予測する生活パターン予測装置において、
不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
を有することを特徴とする。

本発明の生活パターン予測装置における他の実施形態によれば、
生活パターン類型割当手段は、単位期間における複数の行動類型の組み合わせに基づいて、生活パターン類型を割り当てることも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
生活パターン類型割当手段は、単位期間における複数の行動類型の遷移に基づいて、生活パターン類型を割り当てることも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
生活パターン類型予測手段は、過去期間における各生活パターン類型の出現確率に基づいて、ユーザの将来期間の生活パターン類型を予測することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
生活パターン類型予測手段は、過去期間における複数の生活パターン類型の周期性に基づいて、生活パターン類型毎の出現確率を算出することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
将来期間の開始後、行動類型抽出手段によって抽出された行動類型が、生活パターン類型予測手段によって予測された生活パターン類型を構成する行動類型と整合するか否かを検証する生活パターン類型検証手段を更に有することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
行動類型抽出手段は、各行動類型の開始終了時刻を更に抽出し、
生活パターン類型予測手段によって予測された生活パターン類型と、行動類型抽出手段によって抽出された行動類型及びその開始終了時刻に基づいて、ユーザの将来期間における行動類型の開始終了時刻を予測する行動時間予測手段を更に有することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
行動時間予測手段は、生活パターン類型予測手段によって最も出現確率が高いと算出された生活パターン類型における行動類型の開始終了時刻の分布を適用することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
行動時間予測手段は、
生活パターン類型毎に、行動類型の開始終了時刻の分布を算出し、
生活パターン類型毎の出現確率と行動類型の開始終了時刻の分布による確率に基づいて予測することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
将来期間の開始後、行動類型抽出手段によって抽出された行動類型の開始終了時刻が、行動時間予測手段によって予測された行動類型の開始終了時刻と整合するか否かを検証する行動時間検証手段を更に有することも好ましい。

本発明の生活パターン予測装置における他の実施形態によれば、
単位期間は、日であり、
過去期間は、連続日であり、
将来期間は、次日であり、
機械学習エンジンの教師データは、日毎の時系列の生活パターン類型に、曜日が対応付けられており、
生活パターン類型予測手段は、機械学習エンジンへ、過去の連続日における時系列の生活パターン類型を入力し、その出力として次日の生活パターン類型を予測することも好ましい。

本発明によれば、ユーザの将来期間の生活パターンを予測する携帯端末において、
不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
を有することを特徴とする。

本発明によれば、装置に搭載されたコンピュータを、ユーザの将来期間の生活パターンを予測するように機能させるプログラムにおいて、
不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
してコンピュータを機能させることを特徴とする。

本発明によれば、ユーザの将来期間の生活パターンを予測する装置の生活パターン予測方法において、
装置は、
不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積部と
を有し、
装置は、
時系列データから、滞在に基づく行動類型を抽出する第１のステップと、
単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる第２のステップと、
機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する第３のステップと
を有することを特徴とする。

本発明の生活パターン予測装置、携帯端末、プログラム及び方法によれば、ユーザの将来期間の生活パターンを予測することができる。

携帯端末の滞在を表す空間的な外観図である。 本発明における生活パターン予測装置の機能構成図である。 位置情報蓄積部及び行動類型抽出部の処理を表す説明図である。 生活パターン類型割当部の処理を表す説明図である。 生活パターン類型予測部の処理を表す説明図である。 生活パターン類型検証部の処理を表す説明図である。 行動時間予測部の処理を表す説明図である。 行動時間検証部の処理を表す説明図である。 通信設備装置として配置された生活パターン予測装置のシステム構成図である。

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

図１は、携帯端末の滞在を表す空間的な外観図である。

ユーザに所持された携帯端末（例えば携帯電話機やスマートフォン）は、いずれの位置にあっても、常に基地局の配下にあって。広域無縁通信網（携帯電話網）に接続されている。図１によれば、ユーザは、自宅の住所及び職場の居所と、訪問先となるＤ駅周辺とが、「滞在地」となる。また、そのユーザは、自宅、職場及びＤ駅周辺以外の場所では、移動中となる。

多数の基地局を統合する通信設備では、携帯端末毎に、空間的粒度が粗く、且つ、時間間隔が一定でない基地局位置情報が記録される。「空間的粒度が粗く」とは、位置情報同士の地理的な距離が比較的長いことを意味する。また、「時間間隔が一定でない」とは、位置情報の記録時間間隔が比較的ばらついていることを意味する。

広域無線通信網に接続された基地局は、その配下に位置する携帯端末２と通信することによって、その日時刻を通信履歴として記録する。通信履歴は、携帯端末に対するユーザ操作を要する通話や、メールの送受信、Ｗｅｂページの閲覧の時に限られない。携帯端末にインストールされたアプリケーションが自動的に実行するデータの送受信の時にも、基地局によって携帯端末２からの通信履歴として記録される。

図２は、本発明における生活パターン予測装置の機能構成図である。

本発明における生活パターン予測装置１は、ユーザの将来期間の生活パターンを予測するものである。図２によれば、位置情報蓄積部１０１と、教師データ群１０２と、行動類型抽出部１１と、生活パターン類型割当部１２と、生活パターン類型予測部１３と、機械学習エンジン１４と、生活パターン類型検証部１５と、行動時間予測部１６と、行動時間検証部１７とを有する。予測された生活パターンはアプリケーション処理部へ入力され、ユーザに対してその生活パターンに応じた様々なサービスが提供される。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、図２によれは、各機能構成部を用いた処理の流れは、装置の生活パターン推定方法としても理解できる。

図３は、位置情報蓄積部及び行動類型抽出部の処理を表す説明図である。

［位置情報蓄積部１０１］
位置情報蓄積部１０１は、携帯端末の位置情報及び日時刻の時系列データを蓄積したものである。
図３によれば、位置情報として緯度経度が表されている。この緯度経度は、その携帯端末を配下に通信する基地局の位置情報であってもよい。
位置情報蓄積部１０１の時系列データは、行動類型抽出部１１から参照される。

［行動類型抽出部１１］
行動類型抽出部１１は、位置情報蓄積部１０１の時系列データを参照し、滞在に基づく行動類型を抽出するものである。
「滞在」とは、所定時間以上で且つ所定距離範囲内に位置することを意味する。又は、所定時間以上、地図上を等分区画化した１つの地図範囲内に位置することとしてもよい。
「行動類型」とは、自宅への滞在である「自宅滞在」、職場への滞在である「職場滞在」、それ以外の場所への滞在である「その他滞在」など、行動を推定できる範囲で「滞在」に意味付けを行い分類したものであり、後述する「生活パターン類型」を類型化するための構成要素である。尚、「滞在」に基づき「滞在」ではない期間を抽出して「移動中」とし、行動を推定できる範囲で意味付けを行い分類してもよく、これを「生活パターン類型」を類型化するための構成要素としてもよい。
行動類型抽出部１１によって抽出された日毎の行動類型は、生活パターン類型割当部１２へ出力される。

行動類型抽出部１１は、ユーザの行動を特徴付ける自宅位置及び職場位置などを、位置情報履歴から抽出する。まず、ユーザの複数の滞在点と、各滞在点における滞在開始日時及び滞在終了日時を特定する。そして、複数の滞在点のそれぞれについて滞在日数を算出し、当該滞在日数が最も多い滞在点を自宅滞在点として抽出し、当該滞在日数が２番目に多い滞在点を職場滞在点として抽出する。

また、他の実施形態として、行動類型抽出部１１は、機械学習エンジンであって、行動類型付き時間帯（時間帯に対する自宅滞在／職場滞在など）を教師データとして学習させたものであってもよい。この場合、位置情報蓄積部１０１の時系列データを機械学習エンジンに入力することによって、最も近い行動類型を抽出することができる。

図３によれば、自宅滞在点及び職場滞在点とから、ユーザの１日の行動類型が特定されている。このユーザによればおおよそ、自宅滞在は２１時から７時であり、職場滞在は９時〜１９時であることが表されている。

図４は、生活パターン類型割当部の処理を表す説明図である。

［生活パターン類型割当部１２］
生活パターン類型割当部１２は、単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる。
単位期間は、例えば１日２４時間としてもよいし、所定の場所における日の出時刻から翌日の日の出時刻までのように必ずしも２４時間に固定されない１日であってもよいし、２４時間のうち所定の時間帯のみを毎日抽出したものであってもよい。また、半日１２時間などの短期であってもよいし、１週間、１ヶ月、１年などの長期であってもよい。

「生活パターン類型」とは、単位期間（例えば１日２４時間）における「行動類型」（自宅滞在／職場滞在など）の種類・組合せ・出現回数・出現順序（遷移）などに基づき類型化された雛形である。図４によれば、人の生活パターン類型は、以下のように大きく５つに区分することができる。
＜生活パターン類型Ａ（勤務タイプ）＞
連続自宅滞在及び連続職場滞在がそれぞれ、２時間を超えて存在し、且つ、連続その他滞在が２時間以下である場合
想定ユーザ：社会人（通常勤務、複数勤務）、学生（通常通学、アルバイト）、
主婦（パート通常勤務）
＜生活パターン類型Ｂ（外出タイプ）＞
連続自宅滞在及び連続その他滞在がそれぞれ、２時間超存在し、且つ、連続職場滞在が２時間以下である場合
想定ユーザ：社会人（休日）、学生（平日＋交際）、主婦（平日）
＜生活パターン類型Ｃ（自宅タイプ）＞
連続自宅滞在が２時間を超えて存在し、且つ、連続職場滞在及び連続その他滞在が２時間以下である場合
想定ユーザ：社会人（休日）、学生（休日）、主婦（休日）
＜生活パターン類型Ｄ（勤務＆外出タイプ）＞
連続自宅滞在、連続職場滞在及び連続その他滞在が２時間を超えて存在する場合
想定ユーザ：社会人（通常勤務＋交際）、学生（通常通学＋交際）、
主婦（パート勤務）
＜生活パターン類型Ｚ（その他）＞
自宅滞在が２時間以下である場合
想定ユーザ：社会人（出張、旅行）、学生（旅行）、主婦（旅行）

生活パターン類型割当部１２は、単位期間（例えば１日）における「複数の行動類型の組み合わせ」に基づいて、生活パターン類型を割り当てるものであってもよい。
また、生活パターン類型割当部１２は、単位期間における「複数の行動類型の遷移」に基づいて、生活パターン類型を割り当てるものであってもよい。
生活パターン類型は、サービスの用途に応じて様々なパターンに分類することができる。

生活パターン類型割当部１２は、割り当てた生活パターンを、生活パターン類型予測部１３へ出力する。

図５は、生活パターン類型予測部の処理を表す説明図である。

［生活パターン類型予測部１３］
生活パターン類型予測部１３は、過去期間（＞単位期間）における時系列の生活パターン類型に基づいて、ユーザの将来期間の生活パターン類型を予測する。ここで、「期間」は、例えば以下のように定義する。
単位期間：日（例えば１日（２４時間））
過去期間：連続日（例えば２週間（１４日分））
将来期間：次日（例えば当日（翌日）（２４時間））
具体的には、「過去２週間分」の生活パターン類型から、ユーザの「当日」の生活パターン類型を予測することができる。

また、生活パターン類型予測部１３は、過去期間における各生活パターン類型の「出現確率」に基づいて、ユーザの将来期間の生活パターン類型を予測するものであってもよい。ここで、生活パターン類型毎の出現確率は、過去期間における複数の生活パターン類型の「周期性」に基づいて算出されるものであってもよい。

本発明の生活パターン類型予測部１３は、機械学習エンジン１４へ、過去期間における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する。

［機械学習エンジン１４］
機械学習エンジン１４は、不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築したものである。
不特定多数の人のおおよそ９８％は、前述した生活パターンＡ〜Ｄに含まれる。図５によれば、機械学習エンジン１４はおおよそ、以下の割合で、生活パターンを学習するであろうと考えられる。
生活パターンＡ：３４％
生活パターンＢ：２８％
生活パターンＣ：２４％
生活パターンＤ：１２％
生活パターンＺ：２％

機械学習エンジン１４の教師データは、日毎の時系列の生活パターン類型に、曜日が対応付けられたものである。この場合、生活パターン類型予測部１３は、機械学習エンジン１４へ、過去の曜日付きの連続日における時系列の生活パターン類型を入力し、その出力として次日の曜日に応じた生活パターン類型を予測することができる。

具体的には、機械学習エンジン１４は、連続日の生活パターンによって次日の生活パターンを予測するベイジアンネットワークに基づくものであってもよい。

「ベイジアンネットワーク」とは、ノード間の因果関係を、確率によって記述するグラフィカルネットワークである。本発明におけるネットワークとは、連続日の生活パターン類型を「ノード」とし、ノード間のアークに付与された類似度を「重み」として付与したグラフ構造をいう。ベイジアンネットワークは、複数ノード間の因果関係の推論を有向非巡回グラフ構造によって表し、個々の変数の関係を条件つき確率で表す確率推論のモデルである。有向非巡回グラフ構造とは、アークに矢印が付与され（有向）、その矢印の経路がノードを巡回することが無いものをいう。ベイジアンネットワークを用いることによって、既に過ぎ去った過去数日の生活パターン類型から、将来となる当日の生活パターン類型を、不確実な事象の確率として定量的に推定することができる。

生活パターン類型予測部１３によって予測された生活パターン類型は、アプリケーション処理部へ出力される。

図６は、生活パターン類型検証部の処理を表す説明図である。

［生活パターン類型検証部１５］
生活パターン類型検証部１５は、オプション的なものであって、将来期間の開始後、当該ユーザの当日の携帯端末の時系列データから、行動類型抽出部１１によって抽出された行動類型が、生活パターン類型予測部１３によって予測された生活パターン類型を構成する行動類型と整合するか否かを検証する。検証に基づく正否は、アプリケーション処理部へ出力される。

生活パターン類型検証部によると、例えば、当日は生活パターン類型Ａ（勤務タイプ）と予測され、アプリケーション処理部により帰宅時間に合わせて帰宅者用ダイレクトメールが配信される予定であったユーザが、実際には外出しておらず、当該日は生活パターン類型Ｃ（自宅タイプ）であることが検知されたとする。その場合、検証結果をアプリケーション処理部へ出力し、急遽、メール配信を取りやめることができる。

図７は、行動時間予測部の処理を表す説明図である。
［行動時間予測部１６］
行動類型抽出部１１は、各行動類型の開始終了時刻を更に抽出する。このとき、行動時間予測部１６は、生活パターン類型予測部１３によって予測された生活パターン類型と、行動類型抽出部１１によって抽出された行動類型及びその開始終了時刻に基づいて、ユーザの将来期間における行動類型の開始終了時刻を予測する。予測された開始終了時刻は、アプリケーション処理部へ出力される。

ここで、行動時間予測部１６は、生活パターン類型予測部１３によって最も出現確率が高いと算出された生活パターン類型における行動類型の開始終了時刻の分布を適用することもできる。
また、行動時間予測部１６は、生活パターン類型毎に、行動類型の開始終了時刻の分布を算出し、生活パターン類型毎の出現確率と行動類型の開始終了時刻の分布による確率に基づいて予測するものであってもよい。

図８は、行動時間検証部の処理を表す説明図である。

［行動時間検証部１７］
行動時間検証部１７は、将来期間の開始後、当該ユーザの当日の携帯端末の時系列データから、行動類型抽出部１１によって抽出された行動類型の開始終了時刻が、行動時間予測部１６によって予測された行動類型の開始終了時刻と整合するか否かを検証する。検証に基づく正否は、アプリケーション処理部へ出力される。

行動時間検証部１７によれば、例えば、当日は生活パターン類型Ａ（勤務タイプ）で２１時に帰宅と予測され、アプリケーション処理部により帰宅時間に合わせて帰宅者用ダイレクトメールが配信される予定であったユーザが、実際には生活パターン類型Ａ（勤務タイプ）であるものの１８時に帰宅したことが検知されたとする。その場合、検証結果をアプリケーション処理部へ出力し、急遽、２１時に予定されていたメール配信を取りやめることができる。

図９は、通信設備装置として配置された生活パターン予測装置のシステム構成図である。

生活パターン予測装置１は、広域無線通信網（携帯電話網）に設置された通信設備装置として構成することも好ましい。この場合、生活パターン予測装置１は、位置情報蓄積部１０１へ通信履歴を蓄積するために、オプション機能として、広域通信網に接続する通信インタフェース部と、基地局位置情報管理部と、通信履歴収集部と、位置情報履歴生成部とを更に有する。

基地局位置情報管理部は、基地局識別子と基地局位置情報とを対応付けて記憶する。
通信履歴収集部は、携帯端末２を配下に接続させる基地局から、携帯端末２毎における日時刻及び基地局識別子の通信履歴を収集する。
通信履歴（端末識別子、日時刻、基地局識別子）
位置情報履歴生成部は、基地局位置情報管理部を用いて、通信履歴毎に、基地局識別子に対応する基地局位置情報を更に対応付ける。その通信履歴は、位置情報蓄積部１０１へ出力される。

以上、詳細に説明したように、本発明の生活パターン予測装置、携帯端末、プログラム及び方法によれば、ユーザの将来期間の生活パターンを予測することができる。

将来期間の生活パターンが予測されることによって、アプリケーション処理部は、ユーザ毎に適切な時間帯に効果的な情報を提供することができる。例えば、当日の夕方に空き時間がありそうなユーザに対して、その時間帯に夕方のイベント情報を配信することもできる。特に、ユーザが出現する位置の特徴を分析しつつ、具体的な位置情報（緯度経度）を取得しないことによって、そのユーザのプライバシー情報を必要とすることなく、そのユーザの将来期間における生活パターンを予測することができる。

尚、前述した本発明の実施形態では、将来期間の生活パターンの予測としたが、必ずしも将来期間の予測には限らない。位置情報が取得できなかった過去又は現在の特定期間の生活パターンを推定してもよい。また、ユーザに対して、予測した生活パターン類型自体を通知したり、予測した生活パターン類型に基づく健康指導をアドバイスするものであってもよい。
また、基地局により位置情報を取得するとしたが、ＧＰＳシステム等、他のシステムにより位置情報を取得してもよい。

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１ 生活パターン予測装置
１０１ 位置情報蓄積部
１０２ 教師データ群
１１ 行動類型抽出部
１２ 生活パターン類型割当部
１３ 生活パターン類型予測部
１４ 機械学習エンジン
１５ 生活パターン類型検証部
１６ 行動時間予測部
１７ 行動時間検証部
２ 携帯端末

Claims (14)

1. ユーザの将来期間の生活パターンを予測する生活パターン予測装置において、
   不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
   携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
   前記時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
   単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
   前記機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
   を有することを特徴とする生活パターン予測装置。
2. 前記生活パターン類型割当手段は、前記単位期間における複数の行動類型の組み合わせに基づいて、前記生活パターン類型を割り当てる
   ことを特徴とする請求項１に記載の生活パターン予測装置。
3. 前記生活パターン類型割当手段は、前記単位期間における複数の行動類型の遷移に基づいて、前記生活パターン類型を割り当てる
   ことを特徴とする請求項１又は２に記載の生活パターン予測装置。
4. 前記生活パターン類型予測手段は、前記過去期間における各生活パターン類型の出現確率に基づいて、前記ユーザの将来期間の生活パターン類型を予測する
   ことを特徴とする請求項１から３のいずれか１項に記載の生活パターン予測装置。
5. 前記生活パターン類型予測手段は、前記過去期間における複数の生活パターン類型の周期性に基づいて、前記生活パターン類型毎の出現確率を算出する
   ことを特徴とする請求項４に記載の生活パターン予測装置。
6. 前記将来期間の開始後、前記行動類型抽出手段によって抽出された前記行動類型が、前記生活パターン類型予測手段によって予測された生活パターン類型を構成する前記行動類型と整合するか否かを検証する生活パターン類型検証手段を更に有する
   ことを特徴とする請求項１から５のいずれか１項に記載の生活パターン予測装置。
7. 前記行動類型抽出手段は、各行動類型の開始終了時刻を更に抽出し、
   前記生活パターン類型予測手段によって予測された前記生活パターン類型と、前記行動類型抽出手段によって抽出された前記行動類型及びその開始終了時刻に基づいて、前記ユーザの前記将来期間における前記行動類型の開始終了時刻を予測する行動時間予測手段を更に有する
   ことを特徴とする請求項１から６のいずれか１項に記載の生活パターン予測装置。
8. 前記行動時間予測手段は、前記生活パターン類型予測手段によって最も出現確率が高いと算出された前記生活パターン類型における前記行動類型の開始終了時刻の分布を適用する
   ことを特徴とする請求項７に記載の生活パターン予測装置。
9. 前記行動時間予測手段は、
   前記生活パターン類型毎に、前記行動類型の開始終了時刻の分布を算出し、
   前記生活パターン類型毎の出現確率と前記行動類型の開始終了時刻の分布による確率に基づいて予測する
   ことを特徴とする請求項７又は８に記載の生活パターン予測装置。
10. 前記将来期間の開始後、前記行動類型抽出手段によって抽出された前記行動類型の開始終了時刻が、前記行動時間予測手段によって予測された行動類型の開始終了時刻と整合するか否かを検証する行動時間検証手段を更に有する
    ことを特徴とする請求項７から９のいずれか１項に記載の生活パターン予測装置。
11. 前記単位期間は、日であり、
    前記過去期間は、連続日であり、
    前記将来期間は、次日であり、
    前記機械学習エンジンの前記教師データは、日毎の時系列の生活パターン類型に、曜日が対応付けられており、
    前記生活パターン類型予測手段は、前記機械学習エンジンへ、過去の連続日における時系列の生活パターン類型を入力し、その出力として次日の生活パターン類型を予測する
    ことを特徴とする請求項１から１０のいずれか１項に記載の生活パターン予測装置。
12. ユーザの将来期間の生活パターンを予測する携帯端末において、
    不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
    携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
    前記時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
    単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
    前記機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
    を有することを特徴とする携帯端末。
13. 装置に搭載されたコンピュータを、ユーザの将来期間の生活パターンを予測するように機能させるプログラムにおいて、
    不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
    携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積手段と、
    前記時系列データから、滞在に基づく行動類型を抽出する行動類型抽出手段と、
    単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる生活パターン類型割当手段と、
    前記機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する生活パターン類型予測手段と
    してコンピュータを機能させることを特徴とするプログラム。
14. ユーザの将来期間の生活パターンを予測する装置の生活パターン予測方法において、
    前記装置は、
    不特定多数の人から収集された、単位期間毎の時系列の生活パターン類型を教師データとして構築された機械学習エンジンと、
    携帯端末の位置情報及び日時刻の時系列データを蓄積した位置情報蓄積部と
    を有し、
    前記装置は、
    前記時系列データから、滞在に基づく行動類型を抽出する第１のステップと、
    単位期間毎に、１つ以上の行動類型に基づいて、所定のいずれかの生活パターン類型を割り当てる第２のステップと、
    前記機械学習エンジンへ、過去期間（＞単位期間）における時系列の生活パターン類型を入力し、その出力として将来期間の生活パターン類型を予測する第３のステップと
    を有することを特徴とする装置の生活パターン予測方法。

Images