专利名称：数据处理装置、数据处理方法和程序的制作方法
技术领域：
本发明涉及一种数据处理装置、数据处理方法和程序、具体地涉及更简单地对学习参数进行学习以预测处于在当前时间的不远将来或者以后进行特定动作的地点或者特定位置的概率、路线和流逝时间。
背景技术：
近来积极研究通过使用从用户佩戴的可佩戴传感器获得的时间序列数据进行建模来学习用户的状态并且通过使用从学习中获得的模型来识别用户的当前状态(例如参见第2006-134080号日本公开待审专利申请、第2008-204040号日本公开待审专利申请和 Brian Patrick Clarkson ψ 2002 MIT ff ^ ；" Life Patterns structure from wearable sensors")。
本发明人作为第2009-180780号日本专利申请首先提出随机估计用户的动作状态在将来预期时间的多个可能性的方法。在第2009-180780号日本专利申请的方法中，从时间序列数据中学习用户动作状态作为随机状态转变模型，并且通过使用学习的随机状态转变模型，有可能识别当前动作状态并且随机估计所谓“在预定时间之后”的用户动作状态。然后，作为对在“预定时间”之后的用户动作状态的估计例子，建议用于通过识别用户当前位置来估计在预定时间之后的用户目的地(位置)的例子。
另外，本发明人还改进了第2009-180780号日本专利申请并且作为第 2009-208064号日本专利申请提出用于即使在未指定从所谓“在预定时间”的当前时间起的流逝时间时仍然估计通向多个目的地的到达概率、路线和时间的方法。在第2009-208064 号日本专利申请的方法中，有可能通过发现与概率模型中的节点之中的目的地节点对应的位置来自动检测目的地候选。
发明内容
在第2009-180780号日本专利申请和第2009-208064号日本专利申请的方法中，采用隐马尔科夫模型作为表达用户动作状态的随机状态转变模型的例子。然后，在第 2009-208064号日本专利申请的方法中，采用两步过程(将第一隐马尔科夫模型所获得的输出结果输入到将作为后续步骤的第二隐马尔科夫模型)用于对表达用户动作状态的隐马尔科夫模型的学习手段。对于两步过程，学习时间需要两倍之久，并且该过程负担大。
希望更简单地对学习参数进行学习以预测处于在当前时间的不远将来或者以后进行特定动作的地点或特定位置的概率、路线和流逝时间。
根据本发明的一个实施例的一种数据处理装置包括状态序列生成装置，在第一事件的状态转变模型表达为随机状态转变模型时根据在第一事件和第二事件的时间序列数据之间的第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算装置，通过使用第一事件的时间序列数据和状态节点的时间序列数据来计算与状态节点的出现频率、在状态节点之中的转变出现频率和状态节点对应的时间序列数据的参数，以计算用于第一事件和第二事件的随机状态转变模型的参数。
根据本发明的另一实施例，提供一种使用数据处理装置的数据处理方法，该数据处理装置通过包括状态序列生成装置和计算装置来输出第一事件和第二事件的随机状态转变模型的参数，该方法包括使数据处理装置的状态序列生成装置在第一事件的状态转变模型表达为随机状态转变模型时根据在第一事件和第二事件的时间序列数据之间的第一事件的时间序列数据来生成状态节点的时间序列数据；以及使计算装置通过使用第一事件的时间序列数据和状态节点的时间序列数据来计算与状态节点的出现频率、在状态节点之中的转变出现频率和状态节点对应的时间序列数据的参数，以计算第一事件和第二事件的随机状态转变模型的参数。
根据本发明的又一实施例，提供一种使计算机作为以下装置来工作的程序状态序列生成装置，在第一事件的状态转变模型表达为随机状态转变模型时根据在第一事件和第二事件的时间序列数据之间的第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算装置，通过使用第一事件的时间序列数据和状态节点的时间序列数据来计算与状态节点的出现频率、在状态节点之中的转变出现频率和状态节点对应的时间序列数据的参数，以计算第一事件和第二事件的随机状态转变模型的参数。
在本发明的实施例中，当第一事件的状态转变模型表达为随机状态转变模型时根据在第一事件和第二事件的时间序列数据之间的第一事件的时间序列数据来生成状态节点的时间序列数据，并且通过使用第一事件的时间序列数据和状态节点的时间序列数据计算与状态节点的出现频率、在状态节点之中的转变出现频率和状态节点对应的时间序列数据的参数来计算第一事件和第二事件的随机状态转变模型的参数。
数据处理装置可以是独立装置或者是组成一个装置的中间块。
根据本发明的实施例，可以更容易地对学习参数进行学习以预测处于在当前时间的不远将来或者以后进行特定动作的地点或者特定位置的概率、路线和流逝时间。
图15是状态序列纠正单元的循环纠正过程的流程图。
图16是描述状态序列纠正单元的共享节点纠正过程的图。
图17是状态序列纠正单元的共享节点纠正过程的流程图。
图18是描述其它共享节点纠正过程的图。
图19是描述采用图12中所示动作学习部的效果的图。
图20是描述采用图12中所示动作学习部的效果的图。
图21是描述采用图12中所示动作学习部的效果的图。
图22是描述采用状态序列纠正单元的效果的图。
图23是描述采用状态序列纠正单元的效果的图。
图M是描述采用状态序列纠正单元的效果的图。
图25是示出用于应用本发明的计算机的实施例形式的配置例子的框图。
具体实施例方式下文描述了用于实施本发明的形式(下文称为实施例)。
为了与在“背景技术”中描述的相关技术比较，简要地描述在第2009-208064号日本专利申请中建议的方法，然后描述应用于本发明的实施例。也就是说，按照以下顺序进行描述。
1.第2009-208064号日本专利申请的实施例 2.本发明的实施例(该实施例比在第2009-208064号日本专利申请的实施例中更容易地获得学习参数) <1.第2009-208064号日本专利申请的实施例> [用于第2009-208064号日本专利申请的预测处理系统的配置例子] 图1是示出用于第2009-208064号日本专利申请的预测系统的配置例子的框图。
预测系统1被配置成具有GPS传感器10、速度计算部11、时间序列数据存储器部 12、动作学习部13、动作识别部14、动作预测部15、目的地预测部16、操作部17和显示部 18。
预测系统1进行学习处理，以便从由GPS传感器10获得的表明当前位置的时间序列数据中学习用户动作状态(该状态是表达的动作和活动模式)作为随机状态转变模型。
预测系统1也进行预测过程，以通过使用由通过学习处理而获得的参数表示的随机状态转变模型(用户活动模型)、在预测用户目的地之后预测到达目的地的到达概率、路线和到达时间。此外，目的地可以预测为多个目的地以及单个目的地。
在诸如住所、办公室、车站、购物目的地和餐馆等目的地中，用户一般逗留预定时间，并且用户的移动速度基本上为零。另一方面，对于当用户移向目的地时的情况，用户的移动速度将是取决于交通手段以特定模式改变的状态。因此有可能通过从用户移动速度的信息中识别用户动作状态(也就是说，用户是静止于目的地(静止状态)还是正移动(移动状态))来预测静止状态的地点作为目的地。
在图1中，虚线箭头示出学习处理中的数据流而实线箭头示出预测过程中的数据流。
GPS传感器10以规律的时间间隔(例如15秒间隔)顺序地获取表明它自己的位置的纬度和经度数据。此外，GPS传感器10可能不能够以规律的时间间隔获取位置数据。 例如，可能当用户例如在隧道中或者地下时难以搜寻卫星，并且获取间隔变长。在此情况下，有可能通过进行插值过程等来补偿数据。
在学习处理中，GPS传感器10向速度计算部11供应所获得的纬度和经度位置数据以及获取数据的获取时间。在预测处理中，GPS传感器10向速度计算部11供应所获取的位置数据。
数据计算部11根据由GPS传感器10供应的位置数据来计算移动速度。
具体而言，以恒定的时间间隔在第k个步骤(kth)获得的位置数据通过时间tk、经度yk和纬度&来表达，并且可以按照以下等式(1)来计算第k个步骤在χ方向上的移动速度Hk和第k个步骤在y方向上的移动速度vyk。
权利要求
1.一种数据处理装置，包括状态序列生成装置，在第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和第二事件的时间序列数据之间的所述第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算装置，通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算用于所述第一事件和所述第二事件的随机状态转变模型的参数。
2.根据权利要求1所述的数据处理装置，其中所述第一事件的时间序列数据是用于用户的位置数据的时间序列数据，所述第二事件的时间序列数据是用于所述用户的动作模式的时间序列数据，所述状态序列生成装置在示出用户的动作状态的动作模型表达为所述随机状态转变模型时根据所述用户的位置数据的时间序列数据来生成所述状态节点的时间序列数据，以及所述计算装置通过使用所述位置数据的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算所述随机状态转变模型的参数。
3.根据权利要求2所述的数据处理装置，其中所述状态序列生成装置采用隐马尔科夫模型作为所述随机状态转变模型并且通过使用通过学习而寻求的所述隐马尔科夫模型的参数根据所述用户的位置数据的时间序列数据来生成所述状态节点的时间序列数据。
4.根据权利要求3所述的数据处理装置，其中所述计算装置具有计数装置，针对所述状态节点的时间序列数据对各状态的频率和各状态转变的频率进行计数，以及统计计算装置，在时间序列数据分离成对应状态节点之后计算分类成各状态节点的时间序列数据的统计，以及根据分类成各状态的频率、各状态转变的频率和所述状态节点的时间序列数据的所述统计来计算所述隐马尔科夫模型的转变概率和观测概率。
5.根据权利要求4所述的数据处理装置，还包括状态序列纠正装置，修改状态节点的时间序列数据，所述状态节点的时间序列数据由所述状态序列生成装置生成。
6.根据权利要求5所述的数据处理装置，其中所述状态序列纠正装置修改状态节点的时间序列数据以便满足针对所述状态转变的新约束。
7.根据权利要求5所述的数据处理装置，其中所述状态序列纠正装置修改所述状态节点的时间序列数据，从而状态节点的似然度尚。
8.根据权利要求5所述的数据处理装置，其中所述状态序列纠正装置还利用其它信息通过鉴别来修改所述状态节点的时间序列数据。
9.一种使用数据处理装置的数据处理方法，所述数据处理装置通过包括状态序列生成装置和计算装置来输出第一事件和第二事件的随机状态转变模型的参数，所述方法包括使所述数据处理装置的状态序列生成装置在所述第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和所述第二事件的时间序列数据之间的所述第二事件的时间序列数据来生成状态节点的时间序列数据；以及使所述计算装置通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算所述第一事件和第二事件的随机状态转变模型的参数。
10.一种使计算机作为以下装置来工作的程序状态序列生成装置，在第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和第二事件的时间序列数据之间的所述第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算装置，通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算所述第一事件和第二事件的随机状态转变模型的参数。
11.一种数据处理装置，包括状态序列生成单元，在第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和第二事件的时间序列数据之间的所述第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算单元，通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算用于所述第一事件和所述第二事件的随机状态转变模型的参数。
12.一种使用数据处理装置的数据处理方法，所述数据处理装置通过包括状态序列生成单元和计算单元来输出第一事件和第二事件的随机状态转变模型的参数，所述方法包括使所述数据处理装置的状态序列生成单元在所述第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和所述第二事件的时间序列数据之间的所述第二事件的时间序列数据来生成状态节点的时间序列数据；以及使所述计算单元通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算所述第一事件和第二事件的随机状态转变模型的参数。
13.一种使计算机作为以下单元来工作的程序状态序列生成单元，在第一事件的状态转变模型表达为随机状态转变模型时根据在所述第一事件和第二事件的时间序列数据之间的所述第一事件的时间序列数据来生成状态节点的时间序列数据；以及计算单元，通过使用所述第一事件的时间序列数据和所述状态节点的时间序列数据来计算与所述状态节点的出现频率、在所述状态节点之中的转变出现频率和所述状态节点对应的时间序列数据的参数，以计算所述第一事件和第二事件的所述随机状态转变模型的参数。
全文摘要
本发明涉及一种数据处理装置、数据处理方法以及程序。数据处理装置包括状态序列生成单元和计算单元。状态序列生成单元根据事件的时间序列数据来生成状态节点的时间序列数据。将事件的状态转变模型表达为随机状态转变模型。计算单元通过计算与状态节点的出现频率、在状态节点之中的转变出现频率等对应的时间序列数据的参数来计算用于事件的随机状态转变模型的参数。
文档编号G06F15/18GK102183252SQ201010573728
公开日2011年9月14日 申请日期2010年11月26日 优先权日2009年12月4日
发明者井手直纪, 伊藤真人, 佐部浩太郎 申请人:索尼公司