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 ]