專利名稱：學(xué)習(xí)設(shè)備、學(xué)習(xí)方法以及程序的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種學(xué)習(xí)設(shè)備、學(xué)習(xí)方法以及程序，并且更特別地，涉及根據(jù)時(shí)間序列 數(shù)據(jù)來(lái)學(xué)習(xí)用戶的活動(dòng)狀態(tài)作為隱馬爾可夫模型的學(xué)習(xí)設(shè)備、學(xué)習(xí)方法以及程序。
背景技術(shù)：
近年來(lái)，積極地進(jìn)行了如下研究使用從可穿戴式傳感器(wearablesensor)獲得 的時(shí)間序列數(shù)據(jù)來(lái)對(duì)用戶的狀態(tài)進(jìn)行學(xué)習(xí)、建模，以及使用通過(guò)學(xué)習(xí)獲得的模型識(shí)別用戶 的當(dāng)前狀態(tài)，其中該可穿戴式傳感器是用戶可以穿戴在身上的傳感器(例如，日本未審查 的專利申請(qǐng)公布第2006-134080號(hào)、日本未審查的專利申請(qǐng)公布第2008-204040號(hào)、以及 "LifePatterns structure from wearable sensors", Brian Patrick Clarkson, Doctor Thesis, MIT,2002)。此外，如日本專利申請(qǐng)第2009-180780號(hào)，本申請(qǐng)人先前已提出了如下方法其 概率性地預(yù)測(cè)在期望的未來(lái)時(shí)間中的用戶活動(dòng)狀態(tài)的多種可能性。在日本專利申請(qǐng)第 2009-180780號(hào)的方法中，可以根據(jù)時(shí)間序列數(shù)據(jù)學(xué)習(xí)用戶的活動(dòng)狀態(tài)作為概率性狀態(tài)轉(zhuǎn) 移模型，以使用學(xué)習(xí)的概率性狀態(tài)轉(zhuǎn)移模型來(lái)識(shí)別當(dāng)前活動(dòng)狀態(tài)，并且以概率性地預(yù)測(cè)“預(yù) 定時(shí)間之后”的用戶的活動(dòng)狀態(tài)。另外，作為“預(yù)定時(shí)間之后”的用戶的活動(dòng)狀態(tài)預(yù)測(cè)的示 例，日本專利申請(qǐng)第2009-180780號(hào)公開(kāi)了如下示例其識(shí)別用戶的當(dāng)前位置并且預(yù)測(cè)預(yù) 定時(shí)間之后的用戶的目的地(位置)。另外，如日本專利申請(qǐng)第2009-208064號(hào)，本申請(qǐng)人先前已提出了預(yù)測(cè)多個(gè)目的 地的到達(dá)概率、路徑和到達(dá)時(shí)間的方法、以及自動(dòng)檢測(cè)目的地候選的方法。在日本專利申請(qǐng) 第2009-208064號(hào)的方法中，可以從形成概率性狀態(tài)轉(zhuǎn)移模型的狀態(tài)節(jié)點(diǎn)當(dāng)中搜索與目的 地對(duì)應(yīng)的狀態(tài)節(jié)點(diǎn)。

發(fā)明內(nèi)容
在日本專利申請(qǐng)第2009-180780號(hào)和日本專利申請(qǐng)第2009-208064號(hào)的方法中， 公開(kāi)了如下示例其根據(jù)關(guān)于GPS (全球定位系統(tǒng))傳感器測(cè)量的位置(維度和經(jīng)度)的時(shí) 間序列數(shù)據(jù)，學(xué)習(xí)用戶的活動(dòng)狀態(tài)作為隱馬爾可夫模型。該情況下的隱馬爾可夫模型是如下概率模型其根據(jù)在相等間隔處感測(cè)的時(shí)間序 列數(shù)據(jù)，將在時(shí)間序列數(shù)據(jù)之后“隱藏”的參數(shù)的動(dòng)態(tài)表示為狀態(tài)的概率性轉(zhuǎn)移。以此方式， 在根據(jù)時(shí)間序列數(shù)據(jù)學(xué)習(xí)隱馬爾可夫模型的情況下，所使用的時(shí)間序列數(shù)據(jù)優(yōu)選地是在相 等間隔處采樣的數(shù)據(jù)。另一方面，GPS傳感器是如下傳感器其從衛(wèi)星獲取信號(hào)，并且測(cè)量當(dāng)前位置的維 度和經(jīng)度。因此，GPS傳感器難以測(cè)量來(lái)自衛(wèi)星的信號(hào)無(wú)法到達(dá)的、諸如地下或建筑物內(nèi)部 的當(dāng)前位置的維度和經(jīng)度。此外，在從GPS傳感器難以測(cè)量維度和經(jīng)度的時(shí)間到重新開(kāi)始 測(cè)量的時(shí)間，在關(guān)于位置(維度和經(jīng)度)的時(shí)間序列數(shù)據(jù)中產(chǎn)生缺失時(shí)期。甚至可以使用以此方式產(chǎn)生缺失時(shí)期的時(shí)間序列數(shù)據(jù)來(lái)執(zhí)行隱馬爾可夫模型學(xué)習(xí)。然而，在該情況下獲得的模型中，出現(xiàn)如下?tīng)顟B(tài)轉(zhuǎn)移其中，缺失時(shí)期之前的相應(yīng)狀態(tài)節(jié) 點(diǎn)和缺失時(shí)期之后的相應(yīng)狀態(tài)節(jié)點(diǎn)彼此不連續(xù)。例如，圖1示出了通過(guò)在日本專利申請(qǐng)第2009-208064號(hào)中公開(kāi)的學(xué)習(xí)方法，通過(guò) 根據(jù)時(shí)間序列數(shù)據(jù)學(xué)習(xí)往返路徑作為隱馬爾可夫模型而獲得的結(jié)果，其中，當(dāng)實(shí)驗(yàn)者乘火 車往返于住處和辦公室時(shí)，通過(guò)GPS傳感器測(cè)量位置10天而獲得該時(shí)間序列數(shù)據(jù)。在圖中， 小圓表示學(xué)習(xí)的隱馬爾可夫模型的每個(gè)狀態(tài)節(jié)點(diǎn)的位置。此外，連接各個(gè)狀態(tài)節(jié)點(diǎn)的直線 表示狀態(tài)節(jié)點(diǎn)之間的狀態(tài)轉(zhuǎn)移。在圖1中，水平軸表示經(jīng)度，并且垂直軸表示維度。圖2是表示圖1中的各個(gè)站的位置和名稱的圖，以使得可以看到用于往返的路線 上的各個(gè)站之間的位置關(guān)系。 由于該路線從長(zhǎng)原(NAGAHARA)站附近到荏原中延(EBARA-NAKANOBU)站附近在地 下通過(guò)，因此在其附近時(shí)間序列數(shù)據(jù)中產(chǎn)生缺失部分。為此，例如，洗足池(SENZ0KU-IKE) 站附近與旗之臺(tái)(HATAN0DAI)站附近、旗之臺(tái)站附近與戶越銀座(T0G0SHIGINJA)站附近、 洗足池站附近與荏原中延站附近、以及洗足池站附近與大崎広小路(0SAKIHIR0K0JI)站附 近分別彼此不連續(xù)的數(shù)據(jù)出現(xiàn)作為時(shí)間序列數(shù)據(jù)。因此，如果使用該時(shí)間序列數(shù)據(jù)執(zhí)行學(xué) 習(xí)處理，則學(xué)習(xí)包括分別直接連接如下?tīng)顟B(tài)節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移(即，路徑)的模型洗足池站 附近與旗之臺(tái)站附近、旗之臺(tái)站附近與戶越銀座站附近、洗足池站附近與荏原中延站附近、 以及洗足池站附近與大崎広小路站附近。例如，在使用以此方式學(xué)習(xí)的模型來(lái)預(yù)測(cè)目的地的到達(dá)時(shí)間的情況下，在到目的 地的路徑上出現(xiàn)了翹曲部分。因此，直到到達(dá)目的地為止所轉(zhuǎn)移的狀態(tài)節(jié)點(diǎn)的數(shù)量(在下 文中，被稱為步數(shù))變得小于實(shí)際值，并且目的地的到達(dá)時(shí)間的預(yù)測(cè)精度變差。此外，對(duì)于同一路徑存在正常路徑和不連續(xù)路徑，它們分別被識(shí)別為分支路徑。另 外，在時(shí)間序列數(shù)據(jù)缺失的位置不固定的情況下，根據(jù)時(shí)間序列數(shù)據(jù)缺失的位置來(lái)學(xué)習(xí)不 同的不連續(xù)路徑，結(jié)果，學(xué)習(xí)的模型中出現(xiàn)較大數(shù)量的分支路徑。因此，在搜索到目的地的 路徑的情況下，應(yīng)該會(huì)搜索到實(shí)際不存在的多個(gè)分支路徑，這增加了施加到處理的負(fù)擔(dān)，延 長(zhǎng)了處理時(shí)間，并且降低了處理結(jié)果的可靠性。因此，期望提供如下技術(shù)其能夠根據(jù)產(chǎn)生缺失數(shù)據(jù)的時(shí)間序列數(shù)據(jù)，更精確地學(xué) 習(xí)隱馬爾可夫模型。根據(jù)本發(fā)明的實(shí)施例，提供了一種學(xué)習(xí)設(shè)備，其包括內(nèi)插裝置，其用于內(nèi)插時(shí)間 序列數(shù)據(jù)中缺失的數(shù)據(jù)；估計(jì)裝置，其用于根據(jù)時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型；以及 似然(likelihood)計(jì)算裝置，其用于計(jì)算估計(jì)的隱馬爾可夫模型的似然，其中，似然計(jì)算 裝置在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的 似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的時(shí)間序列數(shù)據(jù)的隱馬爾可夫模型的似然，并且其中，估計(jì)裝置 更新隱馬爾可夫模型，以使得似然計(jì)算裝置算出的似然變高。根據(jù)本發(fā)明的另一實(shí)施例，提供了一種在學(xué)習(xí)設(shè)備中執(zhí)行的學(xué)習(xí)方法，該學(xué)習(xí)設(shè) 備根據(jù)時(shí)間序列數(shù)據(jù)學(xué)習(xí)隱馬爾可夫模型，該方法包括如下步驟內(nèi)插時(shí)間序列數(shù)據(jù)中缺 失的數(shù)據(jù)；根據(jù)時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型；計(jì)算估計(jì)的隱馬爾可夫模型的似然； 在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然， 并且計(jì)算內(nèi)插了數(shù)據(jù)的時(shí)間序列數(shù)據(jù)的隱馬爾可夫模型的似然；以及更新隱馬爾可夫模 型，以使得算出的似然變高。
5
根據(jù)本發(fā)明的又一實(shí)施例，提供了一種使得在計(jì)算機(jī)中執(zhí)行過(guò)程的程序，該過(guò)程 包括如下步驟內(nèi)插時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)；根據(jù)時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模 型；計(jì)算估計(jì)的隱馬爾可夫模型的似然；在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似 然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的時(shí)間序列數(shù)據(jù)的隱馬爾可 夫模型的似然；以及更新隱馬爾可夫模型，以使得算出的似然變高。根據(jù)這樣的實(shí)施例，內(nèi)插時(shí)間序列數(shù)據(jù)中的缺失數(shù)據(jù)，根據(jù)時(shí)間序列數(shù)據(jù)估計(jì)隱 馬爾可夫模型，計(jì)算估計(jì)的隱馬爾可夫模型的似然；在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正 常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然；計(jì)算內(nèi)插了數(shù)據(jù)的時(shí)間序列數(shù)據(jù)的隱 馬爾可夫模型的似然；并且更新隱馬爾可夫模型，以使得算出的似然變高。根據(jù)本發(fā)明的實(shí)施例，可以根據(jù)缺失時(shí)間序列數(shù)據(jù)更精確地學(xué)習(xí)隱馬爾可夫模 型。


圖1是示出現(xiàn)有技術(shù)中的隱馬爾可夫模型的學(xué)習(xí)結(jié)果的圖。圖2是示出現(xiàn)有技術(shù)中的隱馬爾可夫模型的學(xué)習(xí)結(jié)果的圖。圖3是示出根據(jù)本發(fā)明的示例性實(shí)施例的預(yù)測(cè)系統(tǒng)的配置示例的框圖。圖4是示出行為學(xué)習(xí)部的功能配置的示例的框圖。圖5是示出預(yù)測(cè)系統(tǒng)的硬件配置示例的框圖。圖6是示出輸入到預(yù)測(cè)系統(tǒng)的時(shí)間序列數(shù)據(jù)的示例的圖。圖7是示出HMM(隱馬爾可夫模型)的示例的圖。圖8是示出用于聲音識(shí)別的HMM的示例的圖。圖9A和9B是示出給予稀疏限制(sparse restriction)的HMM的示例的圖。圖10是示出借助于行為預(yù)測(cè)部的路徑搜索處理的簡(jiǎn)單示例的圖。圖11是示出用戶活動(dòng)模型學(xué)習(xí)處理的流程圖。圖12是示出參數(shù)更新處理的流程圖。圖13是示出數(shù)據(jù)內(nèi)插處理的流程圖。圖14是示出到達(dá)時(shí)間預(yù)測(cè)處理的流程圖。圖15是示出本發(fā)明的效果的具體示例的圖。圖16是示出根據(jù)與本發(fā)明不同的第一方法的隱馬爾可夫模型的學(xué)習(xí)結(jié)果的圖。圖17是示出根據(jù)與本發(fā)明不同的第二方法的隱馬爾可夫模型的學(xué)習(xí)結(jié)果的圖。圖18是示出根據(jù)與本發(fā)明不同的第二方法的隱馬爾可夫模型的學(xué)習(xí)結(jié)果的圖。圖19是示出應(yīng)用了本發(fā)明的示例性實(shí)施例的計(jì)算機(jī)的框圖。
具體實(shí)施例方式在下文中，將描述用于執(zhí)行本發(fā)明的示例性實(shí)施例。即，將按以下順序進(jìn)行描述1.實(shí)施例2.修改的示例1.實(shí)施例[示出根據(jù)實(shí)施例的預(yù)測(cè)系統(tǒng)的框圖]
圖3是示出根據(jù)本發(fā)明的示例性實(shí)施例的預(yù)測(cè)系統(tǒng)的配置示例的框圖。預(yù)測(cè)系統(tǒng)1包括GPS傳感器11、時(shí)間序列數(shù)據(jù)存儲(chǔ)部12、行為學(xué)習(xí)部13、行為識(shí)別 部14、行為預(yù)測(cè)部15、到達(dá)時(shí)間預(yù)測(cè)部16、操作部17以及顯示部18。預(yù)測(cè)系統(tǒng)1使用表示GPS傳感器11獲取的當(dāng)前位置和當(dāng)前時(shí)間的時(shí)間序列數(shù)據(jù)， 執(zhí)行用于學(xué)習(xí)用戶的活動(dòng)狀態(tài)(表示行為和活動(dòng)模式的狀態(tài))作為概率性狀態(tài)轉(zhuǎn)移模型的 學(xué)習(xí)處理。此外，預(yù)測(cè)系統(tǒng)1使用通過(guò)學(xué)習(xí)處理獲得的參數(shù)表示的概率性狀態(tài)轉(zhuǎn)移模型(用 戶活動(dòng)模型)，執(zhí)行用于預(yù)測(cè)直到用戶指定的目的地的路徑和時(shí)間的預(yù)測(cè)處理。在圖3中，虛線箭頭表示學(xué)習(xí)處理中的數(shù)據(jù)流，并且實(shí)線箭頭表示預(yù)測(cè)處理中的 數(shù)據(jù)流。GPS傳感器11在預(yù)定時(shí)間間隔(例如，15秒)從衛(wèi)星接收信號(hào)，并然后測(cè)量用戶 的當(dāng)前位置的維度和經(jīng)度。此外，在學(xué)習(xí)處理中，GPS傳感器11將關(guān)于測(cè)量位置(維度和 經(jīng)度)和測(cè)量時(shí)間(在下文中，被稱為測(cè)量時(shí)間)的數(shù)據(jù)(在下文中，被稱為GPS數(shù)據(jù))提 供到時(shí)間序列數(shù)據(jù)存儲(chǔ)部12。此外，在預(yù)測(cè)處理中，GPS傳感器11將GPS數(shù)據(jù)提供到行為 識(shí)別部14。時(shí)間序列數(shù)據(jù)存儲(chǔ)部12存儲(chǔ)GPS傳感器11不斷地獲取到的GPS數(shù)據(jù)，即，關(guān)于位 置和測(cè)量時(shí)間的時(shí)間序列數(shù)據(jù)。由于學(xué)習(xí)用戶的行為和活動(dòng)模式，因此例如，針對(duì)某一時(shí)期 (諸如若干天)所存儲(chǔ)的時(shí)間序列數(shù)據(jù)是必要的。行為學(xué)習(xí)部13基于存儲(chǔ)在時(shí)間序列數(shù)據(jù)存儲(chǔ)部12中的時(shí)間序列數(shù)據(jù)，學(xué)習(xí)攜帶 設(shè)置有GPS傳感器11的裝置的用戶的活動(dòng)狀態(tài)作為概率性狀態(tài)轉(zhuǎn)移模型。由于時(shí)間序列 數(shù)據(jù)表示用戶的位置和測(cè)量時(shí)間，因此被學(xué)習(xí)作為概率性狀態(tài)轉(zhuǎn)移模型的用戶活動(dòng)狀態(tài)表 示用戶的當(dāng)前位置的時(shí)間序列變化，即，用戶的移動(dòng)路徑。作為用于學(xué)習(xí)的概率性狀態(tài)轉(zhuǎn)移 模型，例如，可以采用包括隱藏狀態(tài)的概率性狀態(tài)轉(zhuǎn)移模型，諸如遍歷(erg0diC)HMM(隱馬 爾可夫模型)等。在該實(shí)施例中，采用給予遍歷HMM稀疏限制的概率性狀態(tài)轉(zhuǎn)移模型作為 概率性狀態(tài)轉(zhuǎn)移模型。稍后將參照?qǐng)D7至9描述具有稀疏限制的遍歷HMM和遍歷HMM的參 數(shù)等的計(jì)算方法。此外，如上所述，在GPS傳感器11不能測(cè)量當(dāng)前位置的情況下，在時(shí)間序列數(shù)據(jù)中 產(chǎn)生缺失時(shí)期。在該情況下，行為學(xué)習(xí)部13如稍后參照?qǐng)D13描述的那樣，內(nèi)插時(shí)間序列數(shù) 據(jù)中缺失的數(shù)據(jù)，并且學(xué)習(xí)用戶的活動(dòng)狀態(tài)。行為學(xué)習(xí)部13將表示學(xué)習(xí)結(jié)果的數(shù)據(jù)提供到顯示部18用于顯示。行為學(xué)習(xí)部 13將通過(guò)學(xué)習(xí)處理獲得的概率性狀態(tài)轉(zhuǎn)移模型的參數(shù)提供到行為識(shí)別部14和行為預(yù)測(cè)部 15。行為識(shí)別部14使用通過(guò)學(xué)習(xí)獲得的參數(shù)的概率性狀態(tài)轉(zhuǎn)移模型，根據(jù)關(guān)于從GPS 傳感器11實(shí)時(shí)提供的位置的時(shí)間序列數(shù)據(jù)，識(shí)別用戶的當(dāng)前行為狀態(tài)，即，用戶的當(dāng)前位 置。行為識(shí)別部14將用戶的當(dāng)前狀態(tài)節(jié)點(diǎn)的節(jié)點(diǎn)號(hào)提供到行為預(yù)測(cè)部15。行為預(yù)測(cè)部15使用通過(guò)學(xué)習(xí)獲得的參數(shù)的概率性狀態(tài)轉(zhuǎn)移模型，適當(dāng)?shù)厮阉?預(yù) 測(cè))用戶可以從用戶的當(dāng)前位置而取得的路徑，該當(dāng)前位置以從行為識(shí)別部14提供的狀態(tài) 節(jié)點(diǎn)的節(jié)點(diǎn)號(hào)表示。此外，行為預(yù)測(cè)部15計(jì)算每個(gè)搜索到的路徑的發(fā)生概率以預(yù)測(cè)選擇概 率，該選擇概率是選擇搜索到的路徑的概率。用戶可以從行為預(yù)測(cè)部15取得的路徑及其選擇概率被提供到到達(dá)時(shí)間預(yù)測(cè)部16。此外，表示用戶通過(guò)操作部17指定的目的地的信息被提供到到達(dá)時(shí)間預(yù)測(cè)部16。到達(dá)時(shí)間預(yù)測(cè)部16從作為搜索結(jié)果的、用戶可以取得的路徑中提取包括用戶指 定的目的地的路徑，并且針對(duì)每條提取的路徑預(yù)測(cè)直到目的地的到達(dá)時(shí)間。此外，到達(dá)時(shí)間 預(yù)測(cè)部16預(yù)測(cè)作為用戶到達(dá)目的地的概率的到達(dá)概率。在對(duì)于目的地存在多條路徑的情 況下，到達(dá)時(shí)間預(yù)測(cè)部16計(jì)算多條路徑的選擇概率之和作為目的地的到達(dá)概率。在對(duì)于目 的地僅存在一條路徑的情況下，路徑的選擇概率成為目的地的到達(dá)概率。因此，到達(dá)時(shí)間預(yù) 測(cè)部16將表示預(yù)測(cè)結(jié)果的信息提供到顯示部18用于顯示。操作部17接收關(guān)于用戶輸入的目的地的信息，并且將該信息提供到到達(dá)時(shí)間預(yù) 測(cè)部16。顯示部18顯示從行為學(xué)習(xí)部13或到達(dá)時(shí)間預(yù)測(cè)部16提供的信息。[行為學(xué)習(xí)部的功能配置的示例]圖4是示出預(yù)測(cè)系統(tǒng)1的行為學(xué)習(xí)部13的功能配置示例的框圖。行為學(xué)習(xí)部13包括數(shù)據(jù)內(nèi)插部31、狀態(tài)似然計(jì)算部32、狀態(tài)似然修改部33、前向 似然計(jì)算部34、后向似然計(jì)算部35、初始概率和轉(zhuǎn)移概率估計(jì)部36、觀察概率估計(jì)預(yù)處理 部37以及觀察概率估計(jì)部38。數(shù)據(jù)內(nèi)插部31獲得存儲(chǔ)在時(shí)間序列數(shù)據(jù)存儲(chǔ)部12中的時(shí)間序列數(shù)據(jù)，并且如稍 后參照?qǐng)D13描述的那樣，內(nèi)插缺失時(shí)期中的時(shí)間序列數(shù)據(jù)的數(shù)據(jù)。數(shù)據(jù)內(nèi)插部31將內(nèi)插 之后的時(shí)間序列數(shù)據(jù)提供到狀態(tài)似然計(jì)算部32。如稍后參照?qǐng)D12描述的那樣，狀態(tài)似然計(jì)算部32計(jì)算關(guān)于表示用戶的活動(dòng)模型 的HMM的各個(gè)狀態(tài)的時(shí)間序列數(shù)據(jù)的似然(在下文中，被稱為狀態(tài)似然)。狀態(tài)似然計(jì)算部 32將表示算出的狀態(tài)似然的數(shù)據(jù)和時(shí)間序列數(shù)據(jù)提供到狀態(tài)似然修改部33。如稍后參照?qǐng)D12描述的那樣，狀態(tài)似然修改部33修改缺失時(shí)期中的時(shí)間序列數(shù) 據(jù)的狀態(tài)似然，并且將表示修改后的狀態(tài)似然的數(shù)據(jù)、以及時(shí)間序列數(shù)據(jù)提供到前向似然 計(jì)算部34。如稍后參照?qǐng)D12描述的那樣，前向似然計(jì)算部34計(jì)算表示用戶的活動(dòng)模型的HMM 的時(shí)間序列數(shù)據(jù)的前向似然。前向似然計(jì)算部34將表示算出的前向似然的數(shù)據(jù)添加到從 狀態(tài)似然修改部33獲取的數(shù)據(jù)，并然后將其提供到后向似然計(jì)算部35。如稍后參照?qǐng)D12描述的那樣，后向似然計(jì)算部35計(jì)算表示用戶的活動(dòng)模型的HMM 的時(shí)間序列數(shù)據(jù)的后向似然。后向似然計(jì)算部35將表示算出的后向似然的數(shù)據(jù)添加到從 前向似然計(jì)算部；34獲取的數(shù)據(jù)，并然后將其提供到初始概率和轉(zhuǎn)移概率估計(jì)部36。如稍后參照?qǐng)D12描述的那樣，初始概率和轉(zhuǎn)移概率估計(jì)部36估計(jì)表示用戶的活 動(dòng)模型的HMM的初始概率和狀態(tài)轉(zhuǎn)移概率。初始概率和轉(zhuǎn)移概率估計(jì)部36將表示算出的 初始概率和狀態(tài)轉(zhuǎn)移概率的數(shù)據(jù)添加到從后向似然計(jì)算部35獲取的數(shù)據(jù)，并然后將其提 供到觀察概率估計(jì)預(yù)處理部37。如稍后參照?qǐng)D12描述的那樣，在估計(jì)表示用戶的活動(dòng)模型的HMM的觀察概率之 前，觀察概率估計(jì)預(yù)處理部37改變?nèi)笔r(shí)期中的時(shí)間序列數(shù)據(jù)的前向似然和后向似然。觀 察概率估計(jì)預(yù)處理部37將如下數(shù)據(jù)提供到觀察概率估計(jì)部38 其中，對(duì)于從初始概率和轉(zhuǎn) 移概率估計(jì)部36獲取的數(shù)據(jù)，改變前向似然和后向似然。如稍后參照?qǐng)D12描述的那樣，觀察概率估計(jì)部38估計(jì)表示用戶的活動(dòng)模型的HMM 的初始概率。觀察概率估計(jì)部38將表示HMM的參數(shù)(初始概率、狀態(tài)轉(zhuǎn)移概率以及觀察概率)的數(shù)據(jù)提供到行為識(shí)別部14和行為預(yù)測(cè)部15、或者狀態(tài)似然計(jì)算部32。[預(yù)測(cè)系統(tǒng)的硬件配置的示例]例如，具有這樣的配置的預(yù)測(cè)系統(tǒng)1可以采用圖5中示出的硬件配置。即，圖5是 示出預(yù)測(cè)系統(tǒng)1的硬件配置示例的框圖。在圖5中，預(yù)測(cè)系統(tǒng)1包括三個(gè)移動(dòng)終端51-1到51-3以及服務(wù)器52。移動(dòng)終端 51-1到51-3是具有相同功能的相同類型的移動(dòng)終端51，但是移動(dòng)終端51-1到51_3由不 同的用戶擁有。在圖5中僅示出了三個(gè)移動(dòng)終端51-1到51-3，但是實(shí)際上，移動(dòng)終端51的 數(shù)量可對(duì)應(yīng)于用戶的數(shù)量。移動(dòng)終端51可以通過(guò)經(jīng)由網(wǎng)絡(luò)(諸如無(wú)線通信網(wǎng)和因特網(wǎng))進(jìn)行的通信執(zhí)行將 數(shù)據(jù)傳送到服務(wù)器52以及從服務(wù)器52接收數(shù)據(jù)。服務(wù)器52接收從移動(dòng)終端51傳送的數(shù) 據(jù)，并且對(duì)接收的數(shù)據(jù)執(zhí)行預(yù)定處理。此外，服務(wù)器52通過(guò)無(wú)線通信等將數(shù)據(jù)處理的處理 結(jié)果傳送到移動(dòng)終端51。因此，移動(dòng)終端51和服務(wù)器52具有以無(wú)線或有線方式進(jìn)行通信的通信部。此外，每個(gè)移動(dòng)終端51可包括圖3中示出的GPS傳感器11、操作部17以及顯示部 18 ；并且服務(wù)器52可包括圖3中示出的時(shí)間序列數(shù)據(jù)存儲(chǔ)部12、行為學(xué)習(xí)部13、行為識(shí)別 部14、行為預(yù)測(cè)部15以及到達(dá)時(shí)間預(yù)測(cè)部16。利用這樣的配置，在學(xué)習(xí)處理中，移動(dòng)終端51傳送GPS傳感器11獲取的時(shí)間序列 數(shù)據(jù)。服務(wù)器52基于接收到的用于學(xué)習(xí)的時(shí)間序列數(shù)據(jù)，通過(guò)概率性狀態(tài)轉(zhuǎn)移模型學(xué)習(xí)用 戶的活動(dòng)狀態(tài)。此外，在預(yù)測(cè)處理中，移動(dòng)終端51傳送用戶通過(guò)操作部17指定的目的地， 并且傳送GPS傳感器11實(shí)時(shí)獲取的GPS數(shù)據(jù)。服務(wù)器52使用通過(guò)學(xué)習(xí)獲得的參數(shù)，識(shí)別 用戶的當(dāng)前活動(dòng)狀態(tài)，即，用戶的當(dāng)前位置，并且將直到指定的目的地的路徑和時(shí)間作為處 理結(jié)果傳送到移動(dòng)終端51。移動(dòng)終端51通過(guò)顯示部18顯示從服務(wù)器52傳送的處理結(jié)果。此外，例如，移動(dòng)終端51可包括圖3中示出的GPS傳感器11、行為識(shí)別部14、行為 預(yù)測(cè)部15、到達(dá)時(shí)間預(yù)測(cè)部16、操作部17以及顯示部18 ；并且服務(wù)器52可包括圖3中示 出的時(shí)間序列數(shù)據(jù)存儲(chǔ)部12和行為學(xué)習(xí)部13。利用這樣的配置，在學(xué)習(xí)處理中，移動(dòng)終端51傳送GPS傳感器11獲取的時(shí)間序列 數(shù)據(jù)。服務(wù)器52基于接收到的用于學(xué)習(xí)的時(shí)間序列數(shù)據(jù)，通過(guò)概率性狀態(tài)轉(zhuǎn)移模型來(lái)學(xué)習(xí) 用戶的活動(dòng)狀態(tài)，并然后將通過(guò)學(xué)習(xí)獲得的參數(shù)傳送到移動(dòng)終端51。此外，在預(yù)測(cè)處理中， 移動(dòng)終端51使用從服務(wù)器52接收的參數(shù)，識(shí)別GPS傳感器11實(shí)時(shí)獲取的GPS數(shù)據(jù)，即，用 戶的當(dāng)前位置，并然后計(jì)算直到指定的目的地的路徑和時(shí)間。此外，移動(dòng)終端51將直到目 的地的路徑和時(shí)間作為計(jì)算結(jié)果顯示在顯示部18上?？梢愿鶕?jù)每個(gè)數(shù)據(jù)處理設(shè)備的處理能力或通信環(huán)境，確定如上所述的移動(dòng)終端51 和服務(wù)器52之間的角色劃分。在學(xué)習(xí)處理中，一個(gè)處理所需的時(shí)間非常長(zhǎng)，但是不必頻繁地執(zhí)行該處理。因此， 由于服務(wù)器52 —般具有比便攜式移動(dòng)終端51高的處理能力，因此可以允許服務(wù)器52基于 一天一次存儲(chǔ)的時(shí)間序列數(shù)據(jù)而執(zhí)行學(xué)習(xí)處理(參數(shù)更新)。另一方面，優(yōu)選地，與每個(gè)時(shí)刻實(shí)時(shí)更新的用于顯示的位置數(shù)據(jù)相對(duì)應(yīng)地迅速執(zhí) 行預(yù)測(cè)處理，并且因此優(yōu)選地，在移動(dòng)終端51中執(zhí)行該處理。如果通信環(huán)境豐富，則優(yōu)選 地，如上所述，在服務(wù)器52中執(zhí)行預(yù)測(cè)處理，并且僅從服務(wù)器52接收預(yù)測(cè)結(jié)果，從而減小移
9動(dòng)終端51的負(fù)擔(dān)，其中，優(yōu)選地使移動(dòng)終端51小型化以便攜。此外，在移動(dòng)終端51可以獨(dú)立地作為數(shù)據(jù)處理設(shè)備以高速執(zhí)行學(xué)習(xí)處理和預(yù)測(cè) 處理的情況下，移動(dòng)終端51可以設(shè)置有圖3中的預(yù)測(cè)系統(tǒng)1的整個(gè)配置。[輸入的時(shí)間序列數(shù)據(jù)的示例]圖6是示出關(guān)于在預(yù)測(cè)系統(tǒng)1中獲取的位置的時(shí)間序列數(shù)據(jù)的示例的圖。在圖6 中，水平軸表示經(jīng)度，并且垂直軸表示維度。在圖6中，為了描述簡(jiǎn)單，沒(méi)有示出每個(gè)位置的 時(shí)間，但是實(shí)際上，時(shí)間序列數(shù)據(jù)中包括每個(gè)位置的時(shí)間。圖6中示出的時(shí)間序列數(shù)據(jù)是實(shí)驗(yàn)者在大約一個(gè)半月的時(shí)期中存儲(chǔ)的時(shí)間序列 數(shù)據(jù)。如圖6所示，時(shí)間序列數(shù)據(jù)包括關(guān)于居住區(qū)和四個(gè)外部移動(dòng)位置(諸如工作位置) 的數(shù)據(jù)。時(shí)間序列數(shù)據(jù)還包括位置數(shù)據(jù)由于衛(wèi)星無(wú)法到達(dá)而缺失的數(shù)據(jù)。[遍歷 HMM]接下來(lái)，將描述預(yù)測(cè)系統(tǒng)1采用的、作為學(xué)習(xí)模型的遍歷HMM。圖7是示出HMM的示例的圖。HMM是具有狀態(tài)和狀態(tài)間轉(zhuǎn)移的狀態(tài)轉(zhuǎn)移模型。圖7是示出三態(tài)HMM的示例的圖。在圖7(與隨后的圖相同)中，圓表示狀態(tài)，并且箭頭表示狀態(tài)轉(zhuǎn)移。狀態(tài)對(duì)應(yīng)于 用戶的活動(dòng)狀態(tài)，并且被稱為狀態(tài)節(jié)點(diǎn)。此外，在圖7中，Si (在圖7中，i = 1，2和3)表示狀態(tài)(節(jié)點(diǎn))，Eiij表示從狀態(tài)Si 到狀態(tài)~的狀態(tài)轉(zhuǎn)移概率。此外，bj(x)表示在到狀態(tài)~的狀態(tài)轉(zhuǎn)移中觀察到觀察值X的 輸出概率密度函數(shù)(觀察概率)，并且、表示狀態(tài)Si是初始狀態(tài)的初始概率。作為輸出概率密度函數(shù)bj (χ)，例如，使用污染正態(tài)概率分布(contaminated normal probability distribution)等。這里，HMM(連續(xù)HMM)由狀態(tài)轉(zhuǎn)移概率％、輸出概率密度函數(shù)b」(χ)以及初始概率 、來(lái)定義。狀態(tài)轉(zhuǎn)移概率、輸出概率密度函數(shù)以及初始概率L被稱為HMM參數(shù) λ = Iai^bj(X), π ρ其中，i = 1，2，···Μ，j = 1，2，···Μ}。M 表示 HMM 狀態(tài)數(shù)。作為用于估計(jì)HMM參數(shù)λ的方法，廣泛地使用鮑姆-韋爾奇(Baumielch)似然 估計(jì)方法。鮑姆-韋爾奇似然估計(jì)方法是基于EM算法(期望最大化算法)的參數(shù)估計(jì)方 法。根據(jù)鮑姆-韋爾奇似然估計(jì)方法，基于觀察的時(shí)間序列數(shù)據(jù)χ = X1, x2, . . . xT，估 計(jì)HMM參數(shù)λ，使得根據(jù)發(fā)生概率算出的似然最大化，其中發(fā)生概率是時(shí)間序列數(shù)據(jù)被觀 察到(發(fā)生)的概率。這里，^ct表示在時(shí)間t觀察到的信號(hào)(樣本值)，并且T表示時(shí)間序 列數(shù)據(jù)的長(zhǎng)度(樣本數(shù))。將參照?qǐng)D12詳細(xì)地描述使用鮑姆-韋爾奇似然估計(jì)方法對(duì)參數(shù)λ的估計(jì)。例如，在“模式識(shí)別和機(jī)器學(xué)習(xí)”，C. Μ. Bishop，第333頁(yè)(英文原文"Pattern Recognition and Machine Learning (Information Science andStatistics)，，， Christopher M. BishopSpringer, New York，2006)(在下文中，被稱為“文獻(xiàn) A” )中公開(kāi)了 鮑姆-韋爾奇似然估計(jì)方法。鮑姆-韋爾奇似然估計(jì)方法是基于似然最大化但不確保最優(yōu)化的參數(shù)估計(jì)方法， 并且可收斂于(converge to)根據(jù)HMM的結(jié)構(gòu)或參數(shù)λ的初始值的局部解。
HMM —般用在聲音識(shí)別中。在聲音識(shí)別使用的HMM中，一般預(yù)先確定狀態(tài)數(shù)、狀態(tài) 轉(zhuǎn)移類型等。圖8是示出在聲音識(shí)別中使用的HMM的示例的圖。圖8中的HMM被稱為左右類型。在圖8中，狀態(tài)數(shù)變成3，并且狀態(tài)轉(zhuǎn)移被限制為如下結(jié)構(gòu)其中，僅允許自轉(zhuǎn)移 (從狀態(tài)Si到狀態(tài)Si的狀態(tài)轉(zhuǎn)移)和從左邊到右邊相鄰狀態(tài)的狀態(tài)轉(zhuǎn)移。與如圖8所示的對(duì)狀態(tài)轉(zhuǎn)移具有限制的HMM相比，如圖7所示的對(duì)狀態(tài)轉(zhuǎn)移沒(méi)有 限制的HMM(即，從任意狀態(tài)Si到任意狀態(tài)~的狀態(tài)轉(zhuǎn)移是可能的HMM)被稱為“遍歷HMM”。遍歷HMM是作為結(jié)構(gòu)具有最高自由度的HMM，但是如果狀態(tài)數(shù)增加，則難以估計(jì)參 數(shù)入。例如，如果遍歷HMM中的狀態(tài)數(shù)是1000，則狀態(tài)轉(zhuǎn)移數(shù)變成1，000，000(= 1000X1000)。因此，在該情況下，例如，對(duì)于參數(shù)λ中的狀態(tài)轉(zhuǎn)移概率％」，需要估計(jì)1，000, 000 項(xiàng)的狀態(tài)轉(zhuǎn)移概率。因此，例如，可以對(duì)為狀態(tài)設(shè)置的狀態(tài)轉(zhuǎn)移施加被稱為稀疏結(jié)構(gòu)的限制(稀疏限 制)。這里，稀疏結(jié)構(gòu)是如下結(jié)構(gòu)其中，能夠從某一狀態(tài)被狀態(tài)轉(zhuǎn)移的狀態(tài)受到限制， 其不是諸如遍歷HMM的緊密狀態(tài)轉(zhuǎn)移，其中，在遍歷HMM中，從任意狀態(tài)到另一任意狀態(tài)的 狀態(tài)轉(zhuǎn)移是可能的。在該方面，假設(shè)甚至在稀疏結(jié)構(gòu)中，也存在到其它狀態(tài)的至少一個(gè)狀態(tài) 轉(zhuǎn)移，并且存在自轉(zhuǎn)移。圖9示出了施加稀疏限制的HMM。在圖9中，連接兩個(gè)狀態(tài)的雙向箭頭表示從兩個(gè)狀態(tài)的一個(gè)方向到其另一方向的 狀態(tài)轉(zhuǎn)移、以及從其另一方向到其一個(gè)方向的狀態(tài)轉(zhuǎn)移。此外，在圖9中，可以在每個(gè)狀態(tài) 中執(zhí)行自轉(zhuǎn)移，并且圖中沒(méi)有示出表示自轉(zhuǎn)移的箭頭。在圖9中，16個(gè)狀態(tài)以格狀布置在二維空間中。即，在圖9中，4個(gè)狀態(tài)布置在橫 向上，并且4個(gè)狀態(tài)還布置在縱向上。如果假設(shè)在橫向上彼此相鄰的狀態(tài)之間的距離、以及在縱向上彼此相鄰的狀態(tài)之 間的距離都是1，則圖9A示出了施加了稀疏限制的HMM，其中，允許到距離等于1或更小的 狀態(tài)的狀態(tài)轉(zhuǎn)移，并且不允許到其它狀態(tài)的狀態(tài)轉(zhuǎn)移。此外，圖9B示出了施加了稀疏限制的HMM，其中，允許到距離等于^或更小的狀態(tài) 的狀態(tài)轉(zhuǎn)移，并且不允許到其它狀態(tài)的狀態(tài)轉(zhuǎn)移。在該實(shí)施例中，GPS傳感器11獲取的GPS數(shù)據(jù)被提供到時(shí)間序列數(shù)據(jù)存儲(chǔ)部12作 為時(shí)間序列數(shù)據(jù)。行為學(xué)習(xí)部13使用存儲(chǔ)在時(shí)間序列數(shù)據(jù)存儲(chǔ)部12中的GPS數(shù)據(jù)的時(shí)間 序列數(shù)據(jù)當(dāng)中的、關(guān)于位置的時(shí)間序列數(shù)據(jù)χ = XliX2,.. . &，估計(jì)表示用戶活動(dòng)模型的HMM 參數(shù)入。即，表示用戶的移動(dòng)軌跡的、關(guān)于每個(gè)時(shí)間的位置(維度和經(jīng)度)數(shù)據(jù)被認(rèn)為是關(guān) 于概率變量的觀察數(shù)據(jù)，其中，概率變量是使用從地圖上與HMM狀態(tài)~中的任何一個(gè)對(duì)應(yīng) 的一個(gè)點(diǎn)的預(yù)定分散值的擴(kuò)展而正態(tài)分布的。行為學(xué)習(xí)部13使得地圖上與每個(gè)狀態(tài)~對(duì) 應(yīng)的一個(gè)點(diǎn)、其離散值以及狀態(tài)轉(zhuǎn)移概率^^最優(yōu)化。
行為識(shí)別部14將維特比(Viterbi)準(zhǔn)則應(yīng)用于通過(guò)學(xué)習(xí)而獲得的用戶活動(dòng)模型 (HMM)，并且計(jì)算如下?tīng)顟B(tài)轉(zhuǎn)移的過(guò)程(狀態(tài)序列)(路徑)(在下文中，被稱為似然路徑) 其中，從GPS傳感器11觀察到位置數(shù)據(jù)χ = X15X2,.. . χτ的似然變成最大。因此，識(shí)別用戶 的當(dāng)前活動(dòng)狀態(tài)，即，與用戶的當(dāng)前位置對(duì)應(yīng)的狀態(tài)Si。這里，維特比準(zhǔn)則是用于確定在使用每個(gè)狀態(tài)Si作為起點(diǎn)的狀態(tài)轉(zhuǎn)移的路徑當(dāng)中 的如下路徑(似然路徑)的算法其中，在處理后的時(shí)間序列數(shù)據(jù)X的長(zhǎng)度T期間，通過(guò)對(duì) 在時(shí)間t狀態(tài)Si轉(zhuǎn)移到狀態(tài)~的狀態(tài)轉(zhuǎn)移概率以及在狀態(tài)轉(zhuǎn)移中觀察到位置數(shù)據(jù)χ = X1^X2, ... X1中的時(shí)間t處的樣本值&的概率(從輸出概率密度函數(shù)…(Χ)獲得的輸出 概率)進(jìn)行累積而獲得的值(發(fā)生概率)變成最大。在上述文獻(xiàn)A第347頁(yè)公開(kāi)了維特比 準(zhǔn)則的細(xì)節(jié)。[通過(guò)行為預(yù)測(cè)部15進(jìn)行的路徑搜索處理]接下來(lái)，將描述借助于行為預(yù)測(cè)部15的路徑搜索處理。通過(guò)學(xué)習(xí)獲得的HMM的每個(gè)狀態(tài)Si表示地圖上的預(yù)定點(diǎn)(位置)，并且可表示當(dāng) 狀態(tài)Si和狀態(tài)~相互連接時(shí)從狀態(tài)Si到狀態(tài)~的路徑。在該情況下，與狀態(tài)Si對(duì)應(yīng)的每個(gè)點(diǎn)可以被分類成端點(diǎn)、經(jīng)過(guò)點(diǎn)、分支點(diǎn)和環(huán)中的 任何一個(gè)。端點(diǎn)是如下點(diǎn)其中，除自轉(zhuǎn)移之外的概率非常小(除自轉(zhuǎn)移之外的概率等于預(yù) 定值或更低)，不存在另外的可移動(dòng)點(diǎn)。經(jīng)過(guò)點(diǎn)是如下點(diǎn)其中，除自轉(zhuǎn)移之外存在一個(gè)明 顯的轉(zhuǎn)移，換言之，存在一個(gè)另外的可移動(dòng)點(diǎn)。分支點(diǎn)是如下點(diǎn)除自轉(zhuǎn)移之外存在兩個(gè)或 更多個(gè)明顯的轉(zhuǎn)移，即，存在兩個(gè)或更多個(gè)另外的可移動(dòng)點(diǎn)。環(huán)是與到現(xiàn)在為止已通過(guò)的路 徑的任何一個(gè)重合的點(diǎn)。在搜索針對(duì)目的地的路徑的情況下，如果存在不同的路徑，則優(yōu)選地呈現(xiàn)關(guān)于各 個(gè)路徑的必要時(shí)間等的信息。因此，為了適當(dāng)?shù)厮阉骺捎玫穆窂剑O(shè)置接下來(lái)的條件。(1)即使路徑分支過(guò)一次并且再次會(huì)和，它也被視為不同的路徑。(2)在路徑中的端點(diǎn)或者包括在到現(xiàn)在為止通過(guò)的路徑中的點(diǎn)出現(xiàn)的情況下，路 徑的搜索終止。行為預(yù)測(cè)部15使用行為識(shí)別部14識(shí)別的用戶的當(dāng)前活動(dòng)狀態(tài)(S卩，用戶的當(dāng)前 點(diǎn))作為離開(kāi)位置，并且將作為下一個(gè)移動(dòng)位置的狀態(tài)轉(zhuǎn)移可用點(diǎn)分類作為端點(diǎn)、經(jīng)過(guò)點(diǎn)、 分支點(diǎn)以及環(huán)之一，這將被重復(fù)直至終止條件O)。在當(dāng)前點(diǎn)被分類作為端點(diǎn)的情況下，行為預(yù)測(cè)部15將當(dāng)前點(diǎn)連接至到現(xiàn)在為止 的路徑，并然后終止路徑的搜索。另一方面，在當(dāng)前點(diǎn)被分類作為經(jīng)過(guò)點(diǎn)的情況下，行為預(yù)測(cè)部15將當(dāng)前點(diǎn)連接至 到現(xiàn)在為止的路徑，并然后將其移動(dòng)到下個(gè)點(diǎn)。此外，在當(dāng)前點(diǎn)被分類作為分支點(diǎn)的情況下，行為預(yù)測(cè)部15將當(dāng)前點(diǎn)連接至到現(xiàn) 在為止的路徑，以分支的數(shù)量復(fù)制到現(xiàn)在為止的路徑，并然后將其連接到分支點(diǎn)。此外，行 為預(yù)測(cè)部15移動(dòng)分支點(diǎn)之一成為下個(gè)點(diǎn)。在當(dāng)前點(diǎn)被分類作為環(huán)的情況下，行為預(yù)測(cè)部15終止路徑的搜索，而無(wú)需將當(dāng)前 點(diǎn)連接至到現(xiàn)在為止的路徑。由于在環(huán)中包括折回從當(dāng)前點(diǎn)到緊接之前的點(diǎn)的路徑的情 況，因此這未被考慮。[搜索處理的示例]
圖10是示出借助于行為預(yù)測(cè)部15的路徑搜索處理的簡(jiǎn)單示例的圖。在圖10示出的示例中，在狀態(tài)S1是當(dāng)前位置的情況下，最終搜索到三條路徑。第 一路徑是從狀態(tài)S1通過(guò)狀態(tài)&、狀態(tài)S6等通向狀態(tài)Sltl的路徑(在下文中，被稱為路徑A)。 第二路徑是從狀態(tài)S1通過(guò)狀態(tài)^、狀態(tài)sn、狀態(tài)S14、狀態(tài)S23等通向狀態(tài)S29的路徑(在下 文中，被稱為路徑B)。第三路徑是從狀態(tài)S1通過(guò)狀態(tài)^、狀態(tài)sn、狀態(tài)S19、狀態(tài)S23等通向 狀態(tài)S29的路徑(在下文中，被稱為路徑C)。行為預(yù)測(cè)部15計(jì)算選擇每個(gè)搜索到的路徑的概率(路徑選擇概率)。路徑選擇概 率是通過(guò)將用于形成路徑的狀態(tài)之間的轉(zhuǎn)移概率順序相乘而獲得的。這里，由于僅需要考 慮轉(zhuǎn)移到下一狀態(tài)的情況而不需要考慮停留在原處的情況，因此使用轉(zhuǎn)移概率[au]計(jì)算 路徑選擇概率，其中，通過(guò)從通過(guò)學(xué)習(xí)獲得的每個(gè)狀態(tài)的狀態(tài)轉(zhuǎn)移概率去自轉(zhuǎn)移概率 來(lái)調(diào)整該轉(zhuǎn)移概率[au]。通過(guò)去除自轉(zhuǎn)移概率而調(diào)整的轉(zhuǎn)移概率[aij]可以被表示為以下等式(1)。
_ (1~c5ij)aij _ [3ij]= 1^(1-^,)3,,…⑴這里，δ表示克羅內(nèi)克(Kronecker)函數(shù)，其僅在下標(biāo)i和j彼此一致時(shí)才為1， 并且在所有其它情況下為0。因此，例如，在圖10中的狀態(tài)S5的狀態(tài)轉(zhuǎn)移概率aij中，在自轉(zhuǎn)移概率5是0. 5、 轉(zhuǎn)移概率& 6是0. 2并且轉(zhuǎn)移概率& n是0. 3的情況下，在狀態(tài)S5被分支到狀態(tài)S6或狀態(tài) S11的情況下的轉(zhuǎn)移概率k5.6]和轉(zhuǎn)移概率[a5.n]分別是0. 4和0. 6。當(dāng)搜索到的路徑的狀態(tài)Si的節(jié)點(diǎn)號(hào)i是(y1; y2，... yn)時(shí)，路徑的選擇概率可以 使用經(jīng)調(diào)整的轉(zhuǎn)移概率而被表示為以下等式O)。P(yi,y2,…，yn) = [ayiyJ [ay2y3]".U =π·； [ayi-iyi]· ■ ■ (2)實(shí)際上，由于經(jīng)過(guò)點(diǎn)中的經(jīng)調(diào)整的轉(zhuǎn)移概率[au]是1，因此可將分支時(shí)的經(jīng)調(diào)整 的轉(zhuǎn)移概率[au]順序相乘。在圖10示出的示例中，路徑A的選擇概率是0. 4。此外，路徑B的選擇概率是0. 24 =0.6X0.4。路徑C的選擇概率是0.36 = 0.6X0.6。此外，可以得到算出的路徑選擇概 率的總和是1 = 0. 4+0. 24+0. 36并且可以適當(dāng)?shù)剡M(jìn)行搜索。如上所述，基于當(dāng)前位置而搜索到的每條路徑及其選擇概率被從行為預(yù)測(cè)部15 提供到到達(dá)時(shí)間預(yù)測(cè)部16。到達(dá)時(shí)間預(yù)測(cè)部16從行為預(yù)測(cè)部15搜索到的路徑中提取包括用戶指定的目的地 的路徑，并且還對(duì)于每條提取出的路徑預(yù)測(cè)直到目的地為止的時(shí)間。例如，在圖10示出的示例中，在三條搜索到的路徑A至C當(dāng)中，包括作為目的地的 狀態(tài)S28的路徑是路徑B和C。到達(dá)時(shí)間預(yù)測(cè)部16預(yù)測(cè)通過(guò)路徑B或C而到達(dá)作為目的地 的狀態(tài)^所花費(fèi)的時(shí)間。在存在多條包括目的地的路徑并且因此難以看到所有顯示的路徑的情況下，或者 在呈現(xiàn)的路徑數(shù)被設(shè)置為預(yù)定數(shù)的情況下，需要從包括目的地的所有路徑中確定要在顯示部18上顯示的路徑(在下文中，被近似稱為顯示路徑)。在這樣的情況下，由于在行為預(yù)測(cè) 部15中計(jì)算每條路徑的選擇概率，因此到達(dá)時(shí)間預(yù)測(cè)部16可以按照選擇概率的降序確定 預(yù)定數(shù)量的路徑作為顯示路徑。假設(shè)當(dāng)前時(shí)間、的當(dāng)前位置是狀態(tài)Syl，則在時(shí)間(t1; t2，. . . tg)確定的路徑是 (Syl，Sy2,... Syg)。換言之，假設(shè)所確定的路徑狀態(tài)Si的節(jié)點(diǎn)號(hào)i是(y1; y2，... yg)。在下文 中，為了描述簡(jiǎn)單，與位置對(duì)應(yīng)的狀態(tài)Si可被簡(jiǎn)單表示為節(jié)點(diǎn)號(hào)i。由于當(dāng)前時(shí)間、處的當(dāng)前位置yi是通過(guò)行為識(shí)別部14的識(shí)別而指定的，因此當(dāng) 前時(shí)間、處的當(dāng)前位置是71的概率PylU1)是1。此外，在當(dāng)前時(shí)間、當(dāng)前位置在除71之 外的狀態(tài)的概率是0。另一方面，在預(yù)定時(shí)間tn當(dāng)前位置在節(jié)點(diǎn)號(hào)yn的概率Pyn(tn)可以被表示為以下 等式⑶。
權(quán)利要求
1.一種學(xué)習(xí)設(shè)備，包括內(nèi)插裝置，用于內(nèi)插時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)；估計(jì)裝置，用于根據(jù)所述時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型；以及似然計(jì)算裝置，用于計(jì)算估計(jì)的隱馬爾可夫模型的似然，其中，所述似然計(jì)算裝置在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi) 插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的所述時(shí)間序列數(shù)據(jù)的所述隱馬爾可夫 模型的似然，并且其中，所述估計(jì)裝置更新所述隱馬爾可夫模型，以使得所述似然計(jì)算裝置算出的似然變高。
2.根據(jù)權(quán)利要求1所述的學(xué)習(xí)設(shè)備，其中，所述似然計(jì)算裝置將所述內(nèi)插數(shù)據(jù)的似然設(shè)置得低于所述正常數(shù)據(jù)的似然。
3.根據(jù)權(quán)利要求2所述的學(xué)習(xí)設(shè)備，其中，所述內(nèi)插裝置基于所述時(shí)間序列數(shù)據(jù)中的緊接在缺失時(shí)期之前的第一數(shù)據(jù)、和 所述時(shí)間序列數(shù)據(jù)中的緊接在所述缺失時(shí)期之后的第二數(shù)據(jù)，內(nèi)插所述缺失時(shí)期中的數(shù) 據(jù)，并且對(duì)于接近所述缺失時(shí)期的開(kāi)始或結(jié)束的數(shù)據(jù)，將所述內(nèi)插數(shù)據(jù)的可靠性設(shè)置成高 水平，并且對(duì)于遠(yuǎn)離所述缺失時(shí)期的開(kāi)始或結(jié)束的數(shù)據(jù)，將所述內(nèi)插數(shù)據(jù)的可靠性設(shè)置成 低水平，并且其中，當(dāng)所述內(nèi)插數(shù)據(jù)的可靠性低時(shí)，所述似然計(jì)算裝置將所述內(nèi)插數(shù)據(jù)的似然設(shè)置 成低水平。
4 根據(jù)權(quán)利要求1所述的學(xué)習(xí)設(shè)備，其中，所述似然計(jì)算裝置將所述內(nèi)插數(shù)據(jù)的所述隱馬爾可夫模型的各個(gè)狀態(tài)的所有似 然都設(shè)置為相同值。
5.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的學(xué)習(xí)設(shè)備，其中，所述估計(jì)裝置將所述內(nèi)插數(shù)據(jù)對(duì)所述隱馬爾可夫模型的觀察概率的貢獻(xiàn)水平設(shè) 置為低于所述正常數(shù)據(jù)對(duì)所述觀察概率的貢獻(xiàn)水平。
6.一種在學(xué)習(xí)設(shè)備中執(zhí)行的學(xué)習(xí)方法，所述學(xué)習(xí)設(shè)備根據(jù)時(shí)間序列數(shù)據(jù)學(xué)習(xí)隱馬爾可 夫模型，所述方法包括以下步驟內(nèi)插所述時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)； 根據(jù)所述時(shí)間序列數(shù)據(jù)估計(jì)所述隱馬爾可夫模型； 計(jì)算估計(jì)的隱馬爾可夫模型的似然；在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的 似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的所述時(shí)間序列數(shù)據(jù)的所述隱馬爾可夫模型的似然，以及 更新所述隱馬爾可夫模型，以使得算出的似然變高。
7.一種使得在計(jì)算機(jī)中執(zhí)行過(guò)程的程序，所述過(guò)程包括以下步驟 內(nèi)插時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)；根據(jù)所述時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型； 計(jì)算估計(jì)的隱馬爾可夫模型的似然；在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的 似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的所述時(shí)間序列數(shù)據(jù)的所述隱馬爾可夫模型的似然，以及更新所述隱馬爾可夫模型，以使得算出的似然變高。
8. 一種學(xué)習(xí)設(shè)備，包括內(nèi)插部，其內(nèi)插時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)；估計(jì)部，其根據(jù)所述時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型；以及似然計(jì)算部，其計(jì)算估計(jì)的隱馬爾可夫模型的似然，其中，所述似然計(jì)算部在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插 的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的所述時(shí)間序列數(shù)據(jù)的所述隱馬爾可夫模 型的似然，并且其中，所述估計(jì)部更新所述隱馬爾可夫模型，以使得所述似然計(jì)算部算出的似然變高。
全文摘要
本發(fā)明公開(kāi)了一種學(xué)習(xí)設(shè)備、學(xué)習(xí)方法以及程序，所述學(xué)習(xí)設(shè)備包括內(nèi)插部，其內(nèi)插時(shí)間序列數(shù)據(jù)中缺失的數(shù)據(jù)；估計(jì)部，其根據(jù)時(shí)間序列數(shù)據(jù)估計(jì)隱馬爾可夫模型；以及似然計(jì)算部，其計(jì)算估計(jì)的隱馬爾可夫模型的似然。似然計(jì)算部在不同條件下計(jì)算沒(méi)有缺失數(shù)據(jù)的正常數(shù)據(jù)的似然和作為內(nèi)插的數(shù)據(jù)的內(nèi)插數(shù)據(jù)的似然，并且計(jì)算內(nèi)插了數(shù)據(jù)的時(shí)間序列數(shù)據(jù)的隱馬爾可夫模型的似然。估計(jì)部更新隱馬爾可夫模型，以使得似然計(jì)算部算出的似然變高。
文檔編號(hào)G06N99/00GK102087709SQ201010570580
公開(kāi)日2011年6月8日 申請(qǐng)日期2010年11月26日 優(yōu)先權(quán)日2009年12月4日
發(fā)明者井手直紀(jì), 伊藤真人, 佐部浩太郎 申請(qǐng)人:索尼公司