[发明专利]数据处理设备、数据处理方法和程序

权利要求书

1.一种数据处理设备，包括：

学习装置，其将作为学习数据获得的用户移动历史数据表达为概率模型，并学习所述模型的参数，其中，所述概率模型表达用户的活动；

目的地和中途停留地估计装置，其从所述概率模型的状态节点中估计与移动的目的地和中途停留地等同的目的地节点和中途停留地节点，所述概率模型使用通过学习获得的所述参数；

当前位置估计装置，其在使用通过学习获得的所述参数的所述概率模型中输入与所述学习数据不同并且在从当前时间起的预定时间内的用户移动历史数据，并估计与所述用户的当前位置等同的当前位置节点；

搜索装置，其使用关于所估计的目的地节点、中途停留地节点和当前位置节点的信息以及通过学习获得的所述概率模型来搜索从所述用户的当前位置至目的地的路线；以及

计算装置，其计算到所搜索到的目的地的到达概率和所需时间。

2.根据权利要求1所述的数据处理设备，进一步包括：

移动属性辨别装置，其针对构成所述移动历史数据的每一单元三维数据的至少辨别静止状态和移动状态，

其中，所述目的地和中途停留地估计装置将与其中所述静止状态已经持续预定阈值时间或更久的所述移动历史数据对应的状态节点估计为所述目的地节点，并将与其中所述静止状态的持续时间小于预定阈值时间的所述移动历史数据对应的状态节点估计为所述中途停留地节点。

3.根据权利要求2所述的数据处理设备，进一步包括：

数据加工装置，其将其中所述静止状态已经持续所述预定阈值时间或更久的所述移动历史数据校正为同一位置的数据，

其中，所述学习装置使用利用所述数据加工装置加工的所述学习数据来学习所述概率模型的参数。

4.根据权利要求1所述的数据处理设备，

其中，所述学习装置采用隐马尔可夫模型作为表达所述用户的活动的概率模型，并学习所述参数，以使得当使用所述隐马尔可夫模型来建模所述移动历史数据时似然度最大化。

5.根据权利要求1所述的数据处理设备，

其中，所述当前位置估计装置计算使用通过学习获得的所述参数的所述概率模型的状态节点系列数据，并将所计算的状态节点系列数据中的最后一个节点设置为与所述用户的当前位置等同的节点，其中，所述概率模型的状态节点系列数据对应于在从所述当前时间起的预定时间内的所述用户的所述移动历史数据。

6.根据权利要求1所述的数据处理设备，

其中，在由有可能从所述用户的当前位置节点转换到的状态节点形成的树结构中，所述搜索装置以所述当前位置节点为起点，搜索到目的地节点或到没有转换目的地情况下的终端节点的所有状态节点，或进行搜索直到搜索的次数达到作为完成条件的预定次数，并将从所述用户的当前位置至所述目的地的路线确定为从所述当前位置节点起的状态节点系列。

7.根据权利要求6所述的数据处理设备，

其中，所述搜索装置使用深度优先算法来执行处理，所述深度优先算法从具有较高选择概率的分支组成的路线中进行搜索。

8.根据权利要求1所述的数据处理设备，

其中，所述计算装置通过计算到所搜索到的目的地节点的所述状态节点系列的标准化转换概率的联合概率，来计算到所述目的地的路线的选择概率。

9.根据权利要求8所述的数据处理设备，

其中，在存在到所述目的地的多个路线的情况下，所述计算装置使用多个选择概率的总和来计算到所述目的地的到达概率。

10.根据权利要求8所述的数据处理设备，

其中，所述计算装置将搜索结果中从所述用户的当前位置至所述目的地的路线中对于各个目的地来说具有最高选择概率的路线计算为每一个目的地的代表性路线，并计算所述代表性路线的所需时间作为到所述目的地的所需时间。

11.根据权利要求8所述的数据处理设备，

其中，在存在没有中途停留地的路线和具有中途停留地的路线作为到所述目的地的路线的情况下，所述计算装置将所述没有中途停留地的路线和具有中途停留地的路线计算为到每一个目的地的代表性路线，并将每一个路线的所需时间计算为到所述目的地的所需时间。