Transcript ppt
MUGI: 利用者の行動履歴と場所の属性を用いた 提案型ナビゲーションのための行動モデル 2004年度 卒業論文 最終発表 ACE：matsu Outline 背景 問題意識・目的 アプローチ 設計&実装 評価 まとめ 背景 ロケーションアウェアサービスの普及 行動モデルの利用 背景 – 提案型ロケーションアウェアサービス 提案型ロケーションアウェアサービス クーポンの提供 お店の推薦 位置情報取得デバイスの普及 小型GPSレシーバ GPS付き携帯電話 携帯端末の普及 PDA 携帯電話 背景 – 行動モデル 既存研究 Learning Significant Locations and Predicting User Movement with GPS GPS マルコフモデル Inferring High Level Behavior from Low Level Sensors GPS 交通手段別の行動モデル 問題意識・目的 地域による提案型サービスの分類 問題意識 目的 地域による提案型サービスの分類 A.日常の行動地域 行く場所に関連した場所を提案 目的地までの最適経路提案 B.訪れた事の無い地域 いつもと同じ行動を提案 待ち合わせに早く到着したとき 目的無しにぶらぶらするとき 問題意識 ユーザは行動履歴の存在しない地域で， 行動モデルを用いたロケーションアウェアサー ビスを利用できない 既存研究では位置座標を用いてモデル化 行動モデルを 用いたサービス 普段の行動している地域 行動モデルを 用いたサービス 行動履歴のない地域 目的 行動履歴が無い地域でも利用できる行動モデ ルの構築 行動モデルを 用いたサービス 行動モデルを 用いたサービス 行動履歴のない場所 行動履歴のない場所 アプローチ 位置情報の抽象化 場所の属性 隠れマルコフモデル アプローチ – 位置情報の抽象化 位置情報と行動モデルの結合度を下げる 滞在する場所の属性を利用 隠れマルコフモデルの利用 MUGI A Model for User activity using Geographical Information アプローチ – MUGI:場所の抽象度 MUGIで利用する抽象度 できるだけ具体性のある属性 × デニーズ湘南台店 ○ デニーズ ファミリーレストラン 例外 場所に依存しない属性 × 自宅 勤務する会社 Mappleデジタル地図 全国の建物・施設の属性定義 http://www.mapple.co.jp/denshi/ アプローチ – 隠れマルコフモデルの利用 隠れマルコフモデルの利用 論理より柔軟な確率で表現 行動の遷移を表現 隠れマルコフモデルの特徴 遷移系列の表現 音声認識 形態素解析 アプローチ – MUGI:行動モデル 隠れマルコフモデル ノード 内部属性 カフェ 0．8 サイゼリア 0.2 レストラン タリーズ 0.3 ドトール 0.1 0.5 0.4 0.1 [CD屋→スターバックス]へ行く確率 0.5 x 0.6 = 0.3 0.6 1 0.6 デニーズ スターバックス CD 新星堂 0.8 HMV 0.1 有隣堂 0.1 0.4 アプローチ – MUGI:地域特性 普段の行動と訪れたことのない地域 地域特有の建物 学校 0.6 自宅 0.3 スターバックス 0.6 仕事場 0.1 タリーズ 0.3 ドトール 0.1 Special カフェ 1.0 1 0.6 デニーズ 0．8 サイゼリア 0.2 レストラン 0.5 0.4 0.1 CD 新星堂 0.8 HMV 0.1 有隣堂 0.1 0.4 設計と実装 CHOCO:システム 実装環境 デモ CHOCO – システム構成 ノートPC PC Garmin e-Trex CHOCO – データ収集部 GPS受信機から位置を取得 位置履歴の保存 IN GPS受信機からのデータ OUT 位置座標 CHOCO – データ分析 行動常態の判定 8秒の平均移動距離 閾値 1.8m/s 以下 期間5分間 IN 位置座標 OUT 滞在した場所の属性 滞在条件 CHOCO – MUGI:行動モデル構築 行動モデルの学習・予測 IN 滞在した場所の属性 実装 – サンプルアプリケーション 行動予測 現在居る場所から次に遷移する確率が高い場所 を提案できた 実装 – デモ MUGIの表示 自分の行動履歴を用いて学習させてみた 評価 定量的評価 定性的評価 定量的評価 – 予測実行時間 2ステップ先の予測 レストランに居るときに次の場所を検索 HMM 前向きアルゴリズム 実行時間（2ステップ先） 1000 900 800 予測 時間(ms) 700 600 500 400 300 200 100 0 1 44 87 130 173 216 259 302 345 388 431 474 517 560 滞在場所の遷移回数 定量的評価 – MUGIファイルサイズ ファイルサイズ 近似関数：y = 10.56x + 1152.8 100年分：約1.1MB f(104862) = 10.56 x 104862 + 1152:8 = 1108495:52 = 約1.1MB 行動履歴数に対するファイルサイズ ファイルサイズ (bytes) 3500 y = 10.56x + 1152.8 2 R = 0.9563 3000 2500 2000 1500 1000 500 0 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 行動履歴数 (回) 定性的評価 関連研究との比較 行動履歴の無 い地域での利 用 行動履歴のあ る地域での利 用 メタ情報の必要性 Learning Significant Location and predicting User Movement with GPS × ○ ○ Inferring High Level Behavior from Low Level Sensors × ○ △ ○ ○ △ 行動モデル構築手法 MUGI まとめ 今後の課題 まとめ 今後の課題 行動履歴の重みを考慮 過去と最近 複数人のモデルを合成 複数の行動モデルを合成 重み 上司の重みは大きく まとめ 場所の属性を用いた行動モデルの提案 MUGI: A Model for User activity using Geographical Information 行動モデルシステムの構築 CHOCO 質疑応答 背景 – 提案型サービス A.日常の行動地域 行く場所に関連した場所を提案 目的地までの最適経路提案 B.訪れた事の無い地域 行動に目的がある 観光経路提案 滞在に目的が無い いつもと同じ行動を提案 待ち合わせに早く到着したとき 目的無しにぶらぶらするとき ドライブ・ツーリング 背景 – 用語定義 位置 座標で表せる点 例：バス停・ユーザ 場所 ポリゴン形状 例：公園・学校 地域 場所を包括する 例：湘南台駅の周辺 めも 定性的評価項目増やす． メンタルモデルについては問題意識の前 具体的なシナリオ HMM Viewerのノード名の関連づけをやる． アプローチ – 行動の共通性 個々人の行動には共通性がある 人の行動は心理的な判断により決定されている 既知の場所・未知の場所に共通 メンタルモデルでの行動 例 デニーズへ行った後にはスターバックスへ行く アプローチ – 行動モデル構築法 行動モデル構築の三手順 データ収集 データ分析 行動モデル構築 Learning Significant Locations and Predicting User Movement with GPS GPS 特徴点抽出・クラスタリング マルコフモデル Inferring High Level Behavior from Low Level Sensors GPS 移動速度分析，交通手段判別 各交通手段に応じた行動モデル 実装 – 実験環境 GISサーバ Pentium M 733MHz モバイル端末 Pentium M 2GHz GPS受信機 Garmin e-Trex 実装言語 Java 1.5