プローブデータを用いて着目地点を解析する方法
プローブデータからの軌跡を使用して着目地点(22)を解析する方法が提供される。前記方法は、道路を表す複数の軌跡(1’−14’)を格納するように構成されたデジタルベクトルマップ(18)のデータベースを提供する工程を含む。前記方法は、前記軌跡に沿って移動する車両からプローブデータを収集する工程を含み、共通の起点(20)および前記起点(20)から下流の少なくとも1つの分岐地点(24、I)を伴うルートを有する選択軌跡(2’、5’、7’、9’、11’)のグループを束ねる工程と、前記ルートに対する車両の動きのデータベースを構築する工程とを含む。さらに、前記車両の動きに従って移動する車両のランダム集団の平均速度および遅延時間を計算する工程を含む。さらに、前記ルートに従って移動する全ての車両の平均速度および遅延時間を計算する工程を含む。そして、車両のランダム集団からの計算結果と、前記ルートに従って移動する全ての車両からの計算結果と、を比較する工程を含む。
【発明の詳細な説明】
【技術分野】
【0001】
本出願は、2009年12月31に出願された国際出願番号PCT/US2009/069949の国際段階であり米国を指定している。本願の全内容はここに参照により組み込まれている。本出願は、2009年10月29に出願された仮出願番号61/279981優先権を主張しており、その全内容もここに参照により組み込まれている。
【0002】
本発明は、一般に、着目地点を解析する方法に関し、特に、全地球測位システム(GPS)を使用可能な装置で着目地点を解析する方法に関する。
【背景技術】
【0003】
着目地点(POI)は、マニュアルリサーチ、住所と関連づけられたレストランのディレクトリ、消費者、第三者、住所リスト等によって供給される地点、等の表形式情報によってしばしば解析される。着目地点は、マニュアルリサーチまたはジオコード化(おおよその座標を割り当てるための既知の住所およびマップのマッチングの使用)等の自動化手段を通じて座標(緯度/経度)を割り当てられる。残念ながら、その結果は、ヒューマンエラー等による誤差を伴いうる。さらに、全ての住所が地点リストに利用可能ではなく、変更されていてもよく、あるいはマップ自体が誤ったストリート名称(町名)または番地を有するかもしれず、その結果誤った位置へ至る。さらに、POIの評価は一般にマニュアルであり、ひいては一般に困難かつコストがかかる。加えて、収集されるマニュアルデータは比較的短期間で時代遅れとなり、それによって古くて次第に不正確なデータをレンダリングすることになる。
【発明の概要】
【0004】
本発明の1つの側面によれば、プローブデータからの軌跡を使用して着目地点を解析する方法が提供される。前記方法は、道路を表す複数の軌跡を格納するように構成されたデジタルベクトルマップのデータベースを提供する工程と、前記軌跡に沿って移動する車両からプローブデータを収集する工程とを含む。共通の起点および前記起点から下流の少なくとも1つの分岐地点を伴うルートを有する選択軌跡のグループを束ね、前記ルートに対する車両の動きのデータベースを構築する。さらに、前記車両の動きに従って移動する車両のランダム集団の平均速度および遅延時間を計算する。さらに、前記ルートに従って移動する全ての車両の平均速度および遅延時間を計算する。次に、車両の前記ランダム集団からの計算結果と、前記ルートに従って移動する全ての車両からの計算結果と、を比較する。
【0005】
車両の前記ランダム集団からの前記計算結果と、前記選択されたルートを移行する全ての車両の前記計算結果とを比較する場合、統計的に起こりそうな差異が識別されてもよい。したがって、POIは、前記選択されたルートに渡る車両の行動における差異に留意することによって特定されうる。
【0006】
本発明のこれらの側面および他の側面、特徴および利点は、現在の好適な実施形態の以下の詳細な説明およびベストモード、添付の特許請求の範囲および添付の図面に関連して考慮される場合により容易に理解されるだろう。
【図面の簡単な説明】
【0007】
【図1】図1は、ナビゲート可能なストリートネットワークデータベースから解析される軌跡の選択された束(バンドル)を説明する。
【図2A】、
【図2B】、
【図2C】、
【図2D】図2A−2Dは、図1の軌跡の束(バンドル)の選択位置での車両の平均速度および遅延時間の例を説明する。
【図3】図3は、解析されるべき軌跡の別の選択された束(バンドル)を説明する。
【図4A】、
【図4B】、
【図4C】、
【図4D】図4A−4Dは、図3の束(バンドル)のうち2つの異なる地点に対する車両の平均速度および遅延時間を説明する。
【図5A】、
【図5B】図5A−5Bは、図4A−4Dの異なる地点の1つで取得されたデータのさらなる統計解析を説明する。
【発明を実施するための形態】
【0008】
本発明の1つの側面によれば、ナビゲート可能なストリートネットワークに沿って移動する車両のグローバルな行動から情報が取得される。ストリートネットワークは、複数の軌跡(trace)によって定義される。その情報は、車両の特定の行動を評価するのに役に立ち、ひいては特定の着目地点(POI)がナビゲート可能なストリートネットワークに沿って存在する場所を判定するために使用されうる。POIは、予め存在してもよく、あるいは新規なものであってもよい。収集される情報は実質的にリアルタイムで取得されることができ、従ってその情報は最新かつ信頼できる。さらに、ナビゲート可能なストリートネットワークは動的な変化を受けるので、生じるその変化は、マニュアルでのデータ収集を必要とすることなく、経済的な方法で監視され、処理されうる。その情報は移動者の決定パターン、すなわち電動車両、自転車、歩行者の移動等を利用しているかどうか、を判定するために使用されうる。従って、本発明は電動車両の行動を評価することに限定されない。
【0009】
より詳細に図面を参照すると、図1は、どのようにして軌跡のデータベースが束にされ、ナビゲート可能なストリートネットワーク10の一部から解析のために選択されうるのかという例を、一例として限定なく説明する。例示の束の軌跡は1−4で列挙された端点を割り当てられている。軌跡のそれぞれは共通の位置すなわち起点12から生じており、共通の交差点14を通過している。軌跡のいくつかは、軌跡の束3および4によって示されるように分岐地点16に到達するまで、それらの距離の一部に渡って移動経路を共有している。従って、軌跡の束3および4に沿って移動する車両に対してデータを収集する場合、これらの束に沿って移動する車両から収集されるデータの地理的範囲が、束3および4における分岐地点16に到達することに応じて車両によってなされる決定を検出するために、各経路に沿って十分遠くまで取得されることが重要である。加えて、分岐地点16に到達すると、想像されるように、軌跡の束3に沿って移動することを望む車両は、あらゆる理由で分岐地点16において遅延されるかもしれない。例えば、いくつかの車両はターンの前に車線で待機しなければならないかもしれず、あるいは標識信号を待たなければならないかもしれない。
【0010】
束にされた軌跡1−4に沿って移動する車両の移動行動を評価するために、束にされた軌跡1−4に沿って移動する車両の操作(動き)が解析されうる。図2A−2Dに示されるように、図2Aは束にされた軌跡1に対応し、図2Bは束にされた軌跡2に対応し、図2Cは束にされた軌跡3に対応し、および図2Dは束にされた軌跡4に対応しており、束にされた軌跡1−4に対する車両の平均速度プロファイル(コラムL)および車両の平均遅延時間プロファイル(コラムR)が、車両から受信されたプローブデータによって取得されうる。あらゆる適切な統計プログラムアプリケーションが平均化情報を生成するために使用されうる。理解されるように、軌跡の束1に沿って移動する車両について取得される情報は、左折する車両が停止あるいはほぼ停止して、その後ターンを行う前の速度に近似する速度に即座に戻っていることを示している。一方、軌跡の束2に沿って移動する車両は、軌跡の束1に沿って移動する車両とは異なって行動する。軌跡の束2に沿って移動する車両は、交差点14を移動中それらの最大速度からわずかに遅くなり、その後即座に最大速度に戻る。さらに一方で、軌跡の束3に沿って移動する車両は、右折するために交差点14において最も遅い平均速度を示し、次にわずかに速度を上げ、続いて分岐地点16で左折するために別の平均速度の減少がある。そして、軌跡の束4に沿って移動する車両については、交差点14における行動は、軌跡の束3に沿って移動することを望む車両とは著しく異なっている。軌跡の束4に沿って移動する車両は、交差点で右折するために平均速度を減少させるが、平均速度の減少は、軌跡の束3に沿って移動する車両ほどまでは大きくない。従って、車両の行動に関して意味のある結論を取得するために、軌跡の束3および4に沿って移動する車両同士を区別可能であることが重要である。軌跡1−4に対する操作(動き)のデータベースが構築されているので、異なる軌跡の束1−4を移動する車両から取得されるプローブデータは、車両を引き付けるPOIを評価するために使用されることができ、同様に、POIは、TomTom NV (www.tomtom.com)によって製造された装置等の、グローバル・ポジショニング・システム(GPS)を使用可能なパーソナル・ナビゲーション装置のユーザへ注目をもたらすために、軌跡の束1−4に関して追加あるいは検証されうる。しかしながら、携帯型装置、携帯情報端末(PDA)、携帯電話等を含む、GPS機能を有するあらゆる適切な装置が使用されてもよい。
【0011】
ナビゲート可能なストリートネットワーク18に関する軌跡の選択されたグループに対する操作(動き)のデータベースがどのようにして利用されうるのかの一例として、空港20として表される共通の位置から出発している、束にされた軌跡1’−14’のデータベースを描写する図3を例示的かつ限定なく参照する。議論する目的でイラストは単純化されており、束にされた軌跡は、学習に要求されるエリアを包含するのに必要なほど複雑でありうることが認識されるべきである。各軌跡経路1’−14’は、空港20を出て後に続く操作のシーケンス(一連の操作)と関連付けられる。操作のシーケンスは、例えば、軌跡が終了するまで、タクシーまたはバスにしばしば起こるように軌跡が空港20へ戻るまで、軌跡が予め定められた地理的制限を超えて拡張するまで、または、車両による移動の著しい減少を示すまで、継続されうる。もちろん、他の制約が、軌跡を判定するために使用され、どのくらいその解析を拡張するかを判定するために使用されうる。
【0012】
この例では、空港20の出口でスタートすると、軌跡1’および2’が、車両が移動するための唯一の可能性のある決定であることに留意されたい。学習において、受信したプローブデータから、空港20を出る大多数の車両が軌跡2’に沿って進み続け、ほんのわずかの車両が軌跡1’に沿って移動することを学習する。そこで、空港20を出る車両に対してPOIを評価するために、軌跡1’を移動することを選ぶ車両を無視し、軌跡2’に沿って移動する車両からのプローブデータを監視することを継続する。別の軌跡に渡る移動について1つも好まれる軌跡が存在しなくなるまでこの種の推論を継続し、そうすることによって、プローブデータから、空港20を出る車両によって移動される最も好まれる軌跡が2’、5’、7’、9’および11’であることを学習し、および12’、13’、14’における交差点(I)に到達すると、空港20を出る車両によって移動される明確に好まれる軌跡が存在しないことを学習する。そして、車両の行動学習という特定の目的のために、軌跡11’における操作終了までプローブの軌跡2’、5’、7’、9’、11’(“グループ”と称される)を移動する車両の選択された一連の操作(“ルート”と称される)を学習することを選ぶ。
【0013】
学習のグループ2’、5’、7’、9’、11’に沿って位置するPOI、例としてホテル22で表されているPOIを判定するために、車両のランダム集団の全体と、空港グループと称される空港20を出発する車両と、の間での操作の行動(操作を通じた速度、決定地点での停止時間)を比較するためのアルゴリズムが使用される。2つの車両集団間の行動が、それらが異なることが統計的に確からしいように分岐する場合、POIが判定されうる。
【0014】
図4A−4Dに示されるように、例として、軌跡9’に対する操作でPOI(ホテル22)が存在し、一方、軌跡5’に対する操作でPOIが存在しないことが容易に判定されうる。図4A−4Bは、車両のランダム集団の全体(図4A)および空港グループ(図4B)に対する、束にされた軌跡5’の平均速度(コラムL)および平均時間遅延(コラムR)を示している。これらの図において、秒単位の平均遅延時間(μ)、同様に秒単位のメジアン(中央値)すなわち50番目の百分順位(パーセンタイル)遅延時間(M)を例示目的で追加している。2つの車両集団を比較すると、それらの行動にほとんど差異がないことが明らかである。いくらかの差異はあるが、それはわずかであり、例えば、種々の速度で運転しているタクシーまたはある車線に限定される公共交通機関等の、車両タイプの差異およびPOIとは関係がないものに起因する行動の差異という、統計的サンプリングといったものに原因がある。
【0015】
一方、束にされた軌跡9’について、図4C−4Dに示されるように、車両のランダム集団の全体(図4C)および空港グループ(図4D)に対する平均速度(コラムL)および平均時間遅延(コラムR)が示されており、統計的方法によって推察されうる別個の集団の行動間に実質的な差異が存在することが明らかである。選択された空港グループの速度プロファイルにおける劇的な低下から明らかにわかるように、軌跡9’が軌跡8’から分岐する分岐地点24より前のおよそ65mに検出されたPOIが存在する。しかしながら、この認識できる速度低下は、図4Cに示されるランダム集団全体には現れていない。したがって、これらの説明は、より大きなランダム集団に対して特定の対象グループ内の車両を比較することの価値を示している。
【0016】
もちろん、POIの性質に依存して、POIで停止しているグループにおける車両数は変化しうる。そのようなものとして、本発明によれば、追加の統計解析が、POIを検出する感度を増大するために参加者(participant)に関して実施されうる。例えば、別の実施形態において、遅延プロファイルのスキュー(歪度)(skew)解析(第3モーメント)およびカートシス(尖度)(kurtosis)(第4モーメント)が、ルートに沿ったいくつかの車両についてPOIが生じていることを判定するために使用されうる。スキュー(歪度)解析に目を向ける場合、束内の車両のランダム集団全体の成分よりも増大する前方成分を探すことになる。前方モーメントは、ルートにおける参加者の小さな集団が典型的な集団よりも長く停止していることを示す。同様に、車両のランダム集団全体(制御グループ)についてよりも、空港を出発する車両について、カートシス(尖度)がより平ら(緩尖的、平均値付近で広範かつ全体として平らなピークを有する)であり、唐突なピークを有さない場合、可能性の高いPOIが存在する。従ってPOIの尤度は、平均および標準偏差を使用して単一の統計モデルから取得される尤度値を、スキュー(歪度)およびカートシス(尖度)の解析から取得される追加の値と乗算することによって算出されうる。
【0017】
本発明の別の側面によれば、POIをさらに正確に示すため、異なる時間に生じる行動パターンを検出するために異なる時間に統計解析が実施されうる。例えば、プローブデータが一日の異なる時間、一週間の異なる時間、一か月の異なる時間、あるいは一年の異なる時間に取得されうる。空港の例では、車両交通は一般に一日の終わりの時間により多くなり、従って異なるプロファイルを示すラッシュ時間帯の交通と一致しないかもしれない。これらのケースでは、選択された制御グループの一日の時間帯の特性は、比較される一般的な集団へ拡張されるべきである。これは、そのグループの行動を、一日の同じ時間帯の統計的プロファイルを有するように選択された一般的な集団のうちランダム化された小集団の行動に対して、比較することにより行われる。
【0018】
本発明の別の側面によれば、データを解釈するために種々の解析技術が使用されうる。例えば、2分等の、予め定められた期間の時間閾値を超過する位置での特定の停止のプロファイルが生成されうる。図5に示されるように、図5Bにおいて空港の束9’は交差点24とは区別できる時間遅延を示し、それによってPOIが存在するという情報を証明し、裏付け、さらに、ルート内のPOIの位置を特定する。例えば、図4Dに示されるように、コラムLは交差点の手前65メートルにおける減速を示しており、プローブデータによって検出される遅延プロファイルは、交差点の手前65メートルにおいて急な山形(spike)を示している。従って、起点となる操作の位置および交差点の位置が、入口(E)をストリートネットワーク18内のPOIに位置付けるために使用されうる。
【0019】
POIへの入口(E)は、データベースに自動的に追加され、あるいは、航空写真、衛星画像、ビジネスおよびソーシャルネットワークウェブサイトまたは都市計画マップ等の検証に応じてマニュアルで追加されうる。マニュアルでの編集は、POIのタイプまたは他の情報を命名し取得する際に使用されうる。POIのタイプまたは他の情報を命名し取得する際、例えば移動時間および行動に基づく経験則がPOIのタイプを暗示しうる。POIの位置が特定されると、特定の操作の制御集団全体と比較して特徴的ではない遅延を示す選択されたグループ内の一部の軌跡が選択される。これらの非特徴的な遅延は、一日、一週間等解析される。そのエリアの文化および習慣に基づく任意の経験則が適用されうる。例えば、あるエリアは、様々な食事(例えばそのような特徴的な時間における遅延はレストランを示すかもしれない)、礼拝(例えば、そのような時間における遅延は教会を示すかもしれない)、ホテルのチェックイン等の、社会的に受容される種々の時間を示すかもしれない。他の経験則は、POIが運営中である時間帯を示し、到着時間とみなされる遅延は、週末対平日について解析されて比較されてもよく、従って、例えば月曜−金曜8:00amから7:00pm、土曜8:00amから5:00pm、および日曜休み等の、種々の運営時間を示す。さらに経験則は、例えば、発生頻度に基づいて他のホテルに対してあるホテルが好まれていることを示すために、ホテル等のPOIの類似のタイプを比較するために使用されうる。
【0020】
前述の取得される情報のそれぞれは、POIの入口地点に自動的に起因しており、それらはさらなる調査に関するマニュアル入力を予定している。POIの訪問頻度の場合、情報は検証目的のマニュアルリサーチを優先させるために使用されうる。すなわち、到着とみなされた最大遅延を受信する新しいPOI位置が最も高い学習優先度を付与されうる。従って、最も頻繁に訪問される場所のPOIデータベースが、最初に裏付けられる。
【0021】
上で議論された空港の例は、実質的にあらゆるシナリオに、特に明確に規定された出口ルートを有する位置に適用されることができ、その位置を出発する車両は、一般的な集団とは差別化されうることが認識されるべきである。
【0022】
明らかに、上述の教示に照らして、本発明の多くの修正および変形が可能である。それ故、添付の請求項の範囲内で、本発明は明確に記載された以外の方法で実施されてもよいことが理解されるだろう。
【技術分野】
【0001】
本出願は、2009年12月31に出願された国際出願番号PCT/US2009/069949の国際段階であり米国を指定している。本願の全内容はここに参照により組み込まれている。本出願は、2009年10月29に出願された仮出願番号61/279981優先権を主張しており、その全内容もここに参照により組み込まれている。
【0002】
本発明は、一般に、着目地点を解析する方法に関し、特に、全地球測位システム(GPS)を使用可能な装置で着目地点を解析する方法に関する。
【背景技術】
【0003】
着目地点(POI)は、マニュアルリサーチ、住所と関連づけられたレストランのディレクトリ、消費者、第三者、住所リスト等によって供給される地点、等の表形式情報によってしばしば解析される。着目地点は、マニュアルリサーチまたはジオコード化(おおよその座標を割り当てるための既知の住所およびマップのマッチングの使用)等の自動化手段を通じて座標(緯度/経度)を割り当てられる。残念ながら、その結果は、ヒューマンエラー等による誤差を伴いうる。さらに、全ての住所が地点リストに利用可能ではなく、変更されていてもよく、あるいはマップ自体が誤ったストリート名称(町名)または番地を有するかもしれず、その結果誤った位置へ至る。さらに、POIの評価は一般にマニュアルであり、ひいては一般に困難かつコストがかかる。加えて、収集されるマニュアルデータは比較的短期間で時代遅れとなり、それによって古くて次第に不正確なデータをレンダリングすることになる。
【発明の概要】
【0004】
本発明の1つの側面によれば、プローブデータからの軌跡を使用して着目地点を解析する方法が提供される。前記方法は、道路を表す複数の軌跡を格納するように構成されたデジタルベクトルマップのデータベースを提供する工程と、前記軌跡に沿って移動する車両からプローブデータを収集する工程とを含む。共通の起点および前記起点から下流の少なくとも1つの分岐地点を伴うルートを有する選択軌跡のグループを束ね、前記ルートに対する車両の動きのデータベースを構築する。さらに、前記車両の動きに従って移動する車両のランダム集団の平均速度および遅延時間を計算する。さらに、前記ルートに従って移動する全ての車両の平均速度および遅延時間を計算する。次に、車両の前記ランダム集団からの計算結果と、前記ルートに従って移動する全ての車両からの計算結果と、を比較する。
【0005】
車両の前記ランダム集団からの前記計算結果と、前記選択されたルートを移行する全ての車両の前記計算結果とを比較する場合、統計的に起こりそうな差異が識別されてもよい。したがって、POIは、前記選択されたルートに渡る車両の行動における差異に留意することによって特定されうる。
【0006】
本発明のこれらの側面および他の側面、特徴および利点は、現在の好適な実施形態の以下の詳細な説明およびベストモード、添付の特許請求の範囲および添付の図面に関連して考慮される場合により容易に理解されるだろう。
【図面の簡単な説明】
【0007】
【図1】図1は、ナビゲート可能なストリートネットワークデータベースから解析される軌跡の選択された束(バンドル)を説明する。
【図2A】、
【図2B】、
【図2C】、
【図2D】図2A−2Dは、図1の軌跡の束(バンドル)の選択位置での車両の平均速度および遅延時間の例を説明する。
【図3】図3は、解析されるべき軌跡の別の選択された束(バンドル)を説明する。
【図4A】、
【図4B】、
【図4C】、
【図4D】図4A−4Dは、図3の束(バンドル)のうち2つの異なる地点に対する車両の平均速度および遅延時間を説明する。
【図5A】、
【図5B】図5A−5Bは、図4A−4Dの異なる地点の1つで取得されたデータのさらなる統計解析を説明する。
【発明を実施するための形態】
【0008】
本発明の1つの側面によれば、ナビゲート可能なストリートネットワークに沿って移動する車両のグローバルな行動から情報が取得される。ストリートネットワークは、複数の軌跡(trace)によって定義される。その情報は、車両の特定の行動を評価するのに役に立ち、ひいては特定の着目地点(POI)がナビゲート可能なストリートネットワークに沿って存在する場所を判定するために使用されうる。POIは、予め存在してもよく、あるいは新規なものであってもよい。収集される情報は実質的にリアルタイムで取得されることができ、従ってその情報は最新かつ信頼できる。さらに、ナビゲート可能なストリートネットワークは動的な変化を受けるので、生じるその変化は、マニュアルでのデータ収集を必要とすることなく、経済的な方法で監視され、処理されうる。その情報は移動者の決定パターン、すなわち電動車両、自転車、歩行者の移動等を利用しているかどうか、を判定するために使用されうる。従って、本発明は電動車両の行動を評価することに限定されない。
【0009】
より詳細に図面を参照すると、図1は、どのようにして軌跡のデータベースが束にされ、ナビゲート可能なストリートネットワーク10の一部から解析のために選択されうるのかという例を、一例として限定なく説明する。例示の束の軌跡は1−4で列挙された端点を割り当てられている。軌跡のそれぞれは共通の位置すなわち起点12から生じており、共通の交差点14を通過している。軌跡のいくつかは、軌跡の束3および4によって示されるように分岐地点16に到達するまで、それらの距離の一部に渡って移動経路を共有している。従って、軌跡の束3および4に沿って移動する車両に対してデータを収集する場合、これらの束に沿って移動する車両から収集されるデータの地理的範囲が、束3および4における分岐地点16に到達することに応じて車両によってなされる決定を検出するために、各経路に沿って十分遠くまで取得されることが重要である。加えて、分岐地点16に到達すると、想像されるように、軌跡の束3に沿って移動することを望む車両は、あらゆる理由で分岐地点16において遅延されるかもしれない。例えば、いくつかの車両はターンの前に車線で待機しなければならないかもしれず、あるいは標識信号を待たなければならないかもしれない。
【0010】
束にされた軌跡1−4に沿って移動する車両の移動行動を評価するために、束にされた軌跡1−4に沿って移動する車両の操作(動き)が解析されうる。図2A−2Dに示されるように、図2Aは束にされた軌跡1に対応し、図2Bは束にされた軌跡2に対応し、図2Cは束にされた軌跡3に対応し、および図2Dは束にされた軌跡4に対応しており、束にされた軌跡1−4に対する車両の平均速度プロファイル(コラムL)および車両の平均遅延時間プロファイル(コラムR)が、車両から受信されたプローブデータによって取得されうる。あらゆる適切な統計プログラムアプリケーションが平均化情報を生成するために使用されうる。理解されるように、軌跡の束1に沿って移動する車両について取得される情報は、左折する車両が停止あるいはほぼ停止して、その後ターンを行う前の速度に近似する速度に即座に戻っていることを示している。一方、軌跡の束2に沿って移動する車両は、軌跡の束1に沿って移動する車両とは異なって行動する。軌跡の束2に沿って移動する車両は、交差点14を移動中それらの最大速度からわずかに遅くなり、その後即座に最大速度に戻る。さらに一方で、軌跡の束3に沿って移動する車両は、右折するために交差点14において最も遅い平均速度を示し、次にわずかに速度を上げ、続いて分岐地点16で左折するために別の平均速度の減少がある。そして、軌跡の束4に沿って移動する車両については、交差点14における行動は、軌跡の束3に沿って移動することを望む車両とは著しく異なっている。軌跡の束4に沿って移動する車両は、交差点で右折するために平均速度を減少させるが、平均速度の減少は、軌跡の束3に沿って移動する車両ほどまでは大きくない。従って、車両の行動に関して意味のある結論を取得するために、軌跡の束3および4に沿って移動する車両同士を区別可能であることが重要である。軌跡1−4に対する操作(動き)のデータベースが構築されているので、異なる軌跡の束1−4を移動する車両から取得されるプローブデータは、車両を引き付けるPOIを評価するために使用されることができ、同様に、POIは、TomTom NV (www.tomtom.com)によって製造された装置等の、グローバル・ポジショニング・システム(GPS)を使用可能なパーソナル・ナビゲーション装置のユーザへ注目をもたらすために、軌跡の束1−4に関して追加あるいは検証されうる。しかしながら、携帯型装置、携帯情報端末(PDA)、携帯電話等を含む、GPS機能を有するあらゆる適切な装置が使用されてもよい。
【0011】
ナビゲート可能なストリートネットワーク18に関する軌跡の選択されたグループに対する操作(動き)のデータベースがどのようにして利用されうるのかの一例として、空港20として表される共通の位置から出発している、束にされた軌跡1’−14’のデータベースを描写する図3を例示的かつ限定なく参照する。議論する目的でイラストは単純化されており、束にされた軌跡は、学習に要求されるエリアを包含するのに必要なほど複雑でありうることが認識されるべきである。各軌跡経路1’−14’は、空港20を出て後に続く操作のシーケンス(一連の操作)と関連付けられる。操作のシーケンスは、例えば、軌跡が終了するまで、タクシーまたはバスにしばしば起こるように軌跡が空港20へ戻るまで、軌跡が予め定められた地理的制限を超えて拡張するまで、または、車両による移動の著しい減少を示すまで、継続されうる。もちろん、他の制約が、軌跡を判定するために使用され、どのくらいその解析を拡張するかを判定するために使用されうる。
【0012】
この例では、空港20の出口でスタートすると、軌跡1’および2’が、車両が移動するための唯一の可能性のある決定であることに留意されたい。学習において、受信したプローブデータから、空港20を出る大多数の車両が軌跡2’に沿って進み続け、ほんのわずかの車両が軌跡1’に沿って移動することを学習する。そこで、空港20を出る車両に対してPOIを評価するために、軌跡1’を移動することを選ぶ車両を無視し、軌跡2’に沿って移動する車両からのプローブデータを監視することを継続する。別の軌跡に渡る移動について1つも好まれる軌跡が存在しなくなるまでこの種の推論を継続し、そうすることによって、プローブデータから、空港20を出る車両によって移動される最も好まれる軌跡が2’、5’、7’、9’および11’であることを学習し、および12’、13’、14’における交差点(I)に到達すると、空港20を出る車両によって移動される明確に好まれる軌跡が存在しないことを学習する。そして、車両の行動学習という特定の目的のために、軌跡11’における操作終了までプローブの軌跡2’、5’、7’、9’、11’(“グループ”と称される)を移動する車両の選択された一連の操作(“ルート”と称される)を学習することを選ぶ。
【0013】
学習のグループ2’、5’、7’、9’、11’に沿って位置するPOI、例としてホテル22で表されているPOIを判定するために、車両のランダム集団の全体と、空港グループと称される空港20を出発する車両と、の間での操作の行動(操作を通じた速度、決定地点での停止時間)を比較するためのアルゴリズムが使用される。2つの車両集団間の行動が、それらが異なることが統計的に確からしいように分岐する場合、POIが判定されうる。
【0014】
図4A−4Dに示されるように、例として、軌跡9’に対する操作でPOI(ホテル22)が存在し、一方、軌跡5’に対する操作でPOIが存在しないことが容易に判定されうる。図4A−4Bは、車両のランダム集団の全体(図4A)および空港グループ(図4B)に対する、束にされた軌跡5’の平均速度(コラムL)および平均時間遅延(コラムR)を示している。これらの図において、秒単位の平均遅延時間(μ)、同様に秒単位のメジアン(中央値)すなわち50番目の百分順位(パーセンタイル)遅延時間(M)を例示目的で追加している。2つの車両集団を比較すると、それらの行動にほとんど差異がないことが明らかである。いくらかの差異はあるが、それはわずかであり、例えば、種々の速度で運転しているタクシーまたはある車線に限定される公共交通機関等の、車両タイプの差異およびPOIとは関係がないものに起因する行動の差異という、統計的サンプリングといったものに原因がある。
【0015】
一方、束にされた軌跡9’について、図4C−4Dに示されるように、車両のランダム集団の全体(図4C)および空港グループ(図4D)に対する平均速度(コラムL)および平均時間遅延(コラムR)が示されており、統計的方法によって推察されうる別個の集団の行動間に実質的な差異が存在することが明らかである。選択された空港グループの速度プロファイルにおける劇的な低下から明らかにわかるように、軌跡9’が軌跡8’から分岐する分岐地点24より前のおよそ65mに検出されたPOIが存在する。しかしながら、この認識できる速度低下は、図4Cに示されるランダム集団全体には現れていない。したがって、これらの説明は、より大きなランダム集団に対して特定の対象グループ内の車両を比較することの価値を示している。
【0016】
もちろん、POIの性質に依存して、POIで停止しているグループにおける車両数は変化しうる。そのようなものとして、本発明によれば、追加の統計解析が、POIを検出する感度を増大するために参加者(participant)に関して実施されうる。例えば、別の実施形態において、遅延プロファイルのスキュー(歪度)(skew)解析(第3モーメント)およびカートシス(尖度)(kurtosis)(第4モーメント)が、ルートに沿ったいくつかの車両についてPOIが生じていることを判定するために使用されうる。スキュー(歪度)解析に目を向ける場合、束内の車両のランダム集団全体の成分よりも増大する前方成分を探すことになる。前方モーメントは、ルートにおける参加者の小さな集団が典型的な集団よりも長く停止していることを示す。同様に、車両のランダム集団全体(制御グループ)についてよりも、空港を出発する車両について、カートシス(尖度)がより平ら(緩尖的、平均値付近で広範かつ全体として平らなピークを有する)であり、唐突なピークを有さない場合、可能性の高いPOIが存在する。従ってPOIの尤度は、平均および標準偏差を使用して単一の統計モデルから取得される尤度値を、スキュー(歪度)およびカートシス(尖度)の解析から取得される追加の値と乗算することによって算出されうる。
【0017】
本発明の別の側面によれば、POIをさらに正確に示すため、異なる時間に生じる行動パターンを検出するために異なる時間に統計解析が実施されうる。例えば、プローブデータが一日の異なる時間、一週間の異なる時間、一か月の異なる時間、あるいは一年の異なる時間に取得されうる。空港の例では、車両交通は一般に一日の終わりの時間により多くなり、従って異なるプロファイルを示すラッシュ時間帯の交通と一致しないかもしれない。これらのケースでは、選択された制御グループの一日の時間帯の特性は、比較される一般的な集団へ拡張されるべきである。これは、そのグループの行動を、一日の同じ時間帯の統計的プロファイルを有するように選択された一般的な集団のうちランダム化された小集団の行動に対して、比較することにより行われる。
【0018】
本発明の別の側面によれば、データを解釈するために種々の解析技術が使用されうる。例えば、2分等の、予め定められた期間の時間閾値を超過する位置での特定の停止のプロファイルが生成されうる。図5に示されるように、図5Bにおいて空港の束9’は交差点24とは区別できる時間遅延を示し、それによってPOIが存在するという情報を証明し、裏付け、さらに、ルート内のPOIの位置を特定する。例えば、図4Dに示されるように、コラムLは交差点の手前65メートルにおける減速を示しており、プローブデータによって検出される遅延プロファイルは、交差点の手前65メートルにおいて急な山形(spike)を示している。従って、起点となる操作の位置および交差点の位置が、入口(E)をストリートネットワーク18内のPOIに位置付けるために使用されうる。
【0019】
POIへの入口(E)は、データベースに自動的に追加され、あるいは、航空写真、衛星画像、ビジネスおよびソーシャルネットワークウェブサイトまたは都市計画マップ等の検証に応じてマニュアルで追加されうる。マニュアルでの編集は、POIのタイプまたは他の情報を命名し取得する際に使用されうる。POIのタイプまたは他の情報を命名し取得する際、例えば移動時間および行動に基づく経験則がPOIのタイプを暗示しうる。POIの位置が特定されると、特定の操作の制御集団全体と比較して特徴的ではない遅延を示す選択されたグループ内の一部の軌跡が選択される。これらの非特徴的な遅延は、一日、一週間等解析される。そのエリアの文化および習慣に基づく任意の経験則が適用されうる。例えば、あるエリアは、様々な食事(例えばそのような特徴的な時間における遅延はレストランを示すかもしれない)、礼拝(例えば、そのような時間における遅延は教会を示すかもしれない)、ホテルのチェックイン等の、社会的に受容される種々の時間を示すかもしれない。他の経験則は、POIが運営中である時間帯を示し、到着時間とみなされる遅延は、週末対平日について解析されて比較されてもよく、従って、例えば月曜−金曜8:00amから7:00pm、土曜8:00amから5:00pm、および日曜休み等の、種々の運営時間を示す。さらに経験則は、例えば、発生頻度に基づいて他のホテルに対してあるホテルが好まれていることを示すために、ホテル等のPOIの類似のタイプを比較するために使用されうる。
【0020】
前述の取得される情報のそれぞれは、POIの入口地点に自動的に起因しており、それらはさらなる調査に関するマニュアル入力を予定している。POIの訪問頻度の場合、情報は検証目的のマニュアルリサーチを優先させるために使用されうる。すなわち、到着とみなされた最大遅延を受信する新しいPOI位置が最も高い学習優先度を付与されうる。従って、最も頻繁に訪問される場所のPOIデータベースが、最初に裏付けられる。
【0021】
上で議論された空港の例は、実質的にあらゆるシナリオに、特に明確に規定された出口ルートを有する位置に適用されることができ、その位置を出発する車両は、一般的な集団とは差別化されうることが認識されるべきである。
【0022】
明らかに、上述の教示に照らして、本発明の多くの修正および変形が可能である。それ故、添付の請求項の範囲内で、本発明は明確に記載された以外の方法で実施されてもよいことが理解されるだろう。
【特許請求の範囲】
【請求項1】
プローブデータからの軌跡を使用して着目地点を解析する方法であって、
道路を表す複数の軌跡を格納するように構成されたデジタルベクトルマップ(18)のデータベースを提供する工程と、
前記軌跡に沿って移動する車両からプローブデータを収集する工程と、
共通の起点(20)および前記起点(20)から下流の少なくとも1つの分岐地点(24、I)を伴うルートを有する選択軌跡(1’−14’)のグループを束ねる工程と、
前記ルートに対する車両の動きのデータベースを構築する工程と、
前記車両の動きに従って移動する車両の選択軌跡の前記グループの平均速度、遅延時間、または遅延プロファイルの少なくとも1つを計算する工程と、
前記ルートに従って移動する全ての車両の平均速度、遅延時間、または遅延プロファイルの少なくとも1つを計算する工程と、
車両の選択軌跡の前記グループからの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、前記ルートに従って移動する全ての車両からの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、を比較する工程と、
を備えることを特徴とする方法。
【請求項2】
車両の選択軌跡からの前記グループの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、前記ルートに従って移動する全ての車両からの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、を比較する工程は、
前記ルートに沿った着目地点の位置、建物のタイプ、または運営時間の少なくとも1つを判定する工程をさらに備えることを特徴とする請求項1に記載の方法。
【請求項3】
前記遅延時間の歪度を計算する工程をさらに含むことを特徴とする請求項1に記載の方法。
【請求項4】
前記遅延時間の尖度を計算する工程をさらに含むことを特徴とする請求項1乃至3の何れか1項に記載の方法。
【請求項5】
日、週、月、および年の所定時間の少なくとも1つの間に前記計算する工程を実行することをさらに含む特徴とする請求項1乃至4の何れか1項に記載の方法。
【請求項6】
前記遅延時間の前記ルートに沿った特定の位置のプロファイルを生成する工程をさらに含むことを特徴とする請求項1乃至5の何れか1項に記載の方法。
【請求項1】
プローブデータからの軌跡を使用して着目地点を解析する方法であって、
道路を表す複数の軌跡を格納するように構成されたデジタルベクトルマップ(18)のデータベースを提供する工程と、
前記軌跡に沿って移動する車両からプローブデータを収集する工程と、
共通の起点(20)および前記起点(20)から下流の少なくとも1つの分岐地点(24、I)を伴うルートを有する選択軌跡(1’−14’)のグループを束ねる工程と、
前記ルートに対する車両の動きのデータベースを構築する工程と、
前記車両の動きに従って移動する車両の選択軌跡の前記グループの平均速度、遅延時間、または遅延プロファイルの少なくとも1つを計算する工程と、
前記ルートに従って移動する全ての車両の平均速度、遅延時間、または遅延プロファイルの少なくとも1つを計算する工程と、
車両の選択軌跡の前記グループからの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、前記ルートに従って移動する全ての車両からの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、を比較する工程と、
を備えることを特徴とする方法。
【請求項2】
車両の選択軌跡からの前記グループの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、前記ルートに従って移動する全ての車両からの平均速度、遅延時間、または遅延プロファイルの前記少なくとも1つと、を比較する工程は、
前記ルートに沿った着目地点の位置、建物のタイプ、または運営時間の少なくとも1つを判定する工程をさらに備えることを特徴とする請求項1に記載の方法。
【請求項3】
前記遅延時間の歪度を計算する工程をさらに含むことを特徴とする請求項1に記載の方法。
【請求項4】
前記遅延時間の尖度を計算する工程をさらに含むことを特徴とする請求項1乃至3の何れか1項に記載の方法。
【請求項5】
日、週、月、および年の所定時間の少なくとも1つの間に前記計算する工程を実行することをさらに含む特徴とする請求項1乃至4の何れか1項に記載の方法。
【請求項6】
前記遅延時間の前記ルートに沿った特定の位置のプロファイルを生成する工程をさらに含むことを特徴とする請求項1乃至5の何れか1項に記載の方法。
【図1】
【図2A】
【図2B】
【図2C】
【図2D】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図5A】
【図5B】
【図2A】
【図2B】
【図2C】
【図2D】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図5A】
【図5B】
【公表番号】特表2013−509639(P2013−509639A)
【公表日】平成25年3月14日(2013.3.14)
【国際特許分類】
【出願番号】特願2012−536781(P2012−536781)
【出願日】平成21年12月31日(2009.12.31)
【国際出願番号】PCT/US2009/069949
【国際公開番号】WO2011/053336
【国際公開日】平成23年5月5日(2011.5.5)
【出願人】(507388889)テレ アトラス ノース アメリカ インコーポレイテッド (23)
【Fターム(参考)】
【公表日】平成25年3月14日(2013.3.14)
【国際特許分類】
【出願日】平成21年12月31日(2009.12.31)
【国際出願番号】PCT/US2009/069949
【国際公開番号】WO2011/053336
【国際公開日】平成23年5月5日(2011.5.5)
【出願人】(507388889)テレ アトラス ノース アメリカ インコーポレイテッド (23)
【Fターム(参考)】
[ Back to top ]