信息处理装置、信息处理方法以及非临时性存储介质与流程

1.本发明涉及一种用于支持用户的移动的技术。


背景技术：

2.尝试通过派遣面向各种各样的用途而设计的自动驾驶车来提供服务。例如，在专利文献1中公开了估计用户需要移动手段的情况，从而派遣车辆的系统。
3.现有技术文献
4.专利文献
5.专利文献1：日本特表2019
‑
505899号公报


技术实现要素：

6.发明要解决的问题
7.本发明的目的在于，为了派遣车辆而估计用户的外出时刻。
8.用于解决问题的方案
9.本公开的第一方案是用于估计在室内的用户的外出时刻的信息处理装置。
10.具体而言，其特征在于具有控制部，该控制部执行如下内容：从设置于所述室内的多个传感器获取传感器数据；基于获取到的所述传感器数据，生成所述室内的用户的行动信息；以及基于生成的所述行动信息，估计所述用户外出的时刻。
11.另外，本公开的第二方案是所述信息处理装置所进行的信息处理方法。
12.具体而言，包括如下步骤：从设置于室内的多个传感器获取数据；基于获取到的所述数据，生成所述室内的用户的行动信息；以及基于生成的所述行动信息估计所述用户外出的时刻。
13.另外，作为其它方案，可列举出用于使计算机执行上述信息处理装置所执行的信息处理方法的程序或者非易失性地存储有该程序的计算机可读存储介质。
14.发明效果
15.根据本发明，不利用与用户的预定行动有关的数据就能够估计该用户的外出时刻。
附图说明
16.图1是说明车辆调配系统的概要的图。
17.图2是更详细地示出车辆调配系统的构成要素的图。
18.图3是例示设置于住宅内的多个传感器的图。
19.图4a是作为用户的行动而利用了住宅内的用户的位置的情况的例子。
20.图4b是作为用户的行动而利用了与设备有关的信息的情况的例子。
21.图5是说明生成或者更新行动模型的处理的图。
22.图6是模型管理部所执行的处理的流程图。
23.图7是说明预测用户要外出而进行车辆的调配的处理的图。
24.图8是预测部所执行的处理的流程图。
25.图9是说明行动模式的波动的图。
26.图10是例示多个人的行动模型的图。
27.图11是说明第二实施方式的传感器组的图。
28.图12是感测室内的用户而得到的时间序列数据的例子。
29.图13是示出第二实施方式的预测部的处理的流程图。
30.图14是更详细地示出第三实施方式的车辆调配系统的构成要素的图。
31.图15是第三实施方式的外出履历的例子。
32.附图标记说明
33.100
…
信息处理装置；101
…
通信部；102
…
存储部；103
…
控制部；104
…
输入输出部；200
…
传感器组；300
…
用户终端；400
…
车辆调配服务器；500
…
车辆。
具体实施方式
34.正在研究通过将自动驾驶车辆派遣给用户来支持用户的移动的服务。作为这样的服务，例如考虑在公共交通工具匮乏的地区使自动驾驶车辆按需运行的服务。
35.为了呼叫自动驾驶车辆，需要由用户进行的操作。然而，每次外出之前都进行呼叫操作是复杂的，特别对于老年人而言更是一种障碍。虽然也可以考虑基于预先输入的日程自动地进行车辆调配，但在预定被变更了的情况下难以跟踪。
36.为了解决该问题，在本实施方式中，利用自动地估计在室内的用户的外出时刻的信息处理装置。室内既可以是自己家，也可以是任意的设施内。通过自动地估计外出时刻，能够提前进行移动手段的安排。
37.实施方式的信息处理装置具有控制部，该控制部执行如下内容：从设置于所述室内的多个传感器获取传感器数据；基于获取到的所述传感器数据，生成所述室内的用户的行动信息；以及基于生成的所述行动信息，估计所述用户外出的时刻。
38.传感器只要设置于室内即可，既可以检测用户的位置(例如，在哪个房间等)，也可以检测用户的行动(例如就寝、起床、进餐、洗脸等)。另外，也可以检测位于室内的特定的设备被利用的情况。
39.控制部基于从多个传感器获取到的传感器数据生成用户的行动信息。行动信息是指表示用户在室内进行怎样的行动的数据。行动信息也可以是用时间序列表示用户的行动的数据。
40.在每天的例程确定的情况下，人在外出前大多采取特定的行动模式。由此，基于通过感测而得到的行动信息，能够估计用户的外出时刻。
41.另外，特征也可以在于，所述传感器数据是表示所述室内的所述用户的位置和/或设置于所述室内的一个以上的设备的利用状况的数据。
42.室内的用户的位置例如能够根据从设置于多个场所的传感器得到的数据来判定。另外，设备的利用状况能够从多个设备获取。
43.另外，特征也可以在于，所述行动信息是用时间序列表示所述室内的所述用户的位置和/或设置于所述室内的一个以上的设备的利用状况的数据。
44.行动信息例如既可以是表示用户在哪个房间的时间序列数据，也可以是表示用户利用了哪个设备(例如，计算机、电子产品)的时间序列数据。另外，也可以是它们的组合。
45.另外，特征也可以在于，该信息处理装置还具有用于存储表示所述用户外出前所采取的典型的行动模式的数据的存储部，所述控制部基于对所述行动信息和所述行动模式进行比较的结果估计所述用户的外出时刻。
46.通过存储用户外出前要采取的标准的行动模式，将其与获取到的行动信息进行比较，能够精度良好地估计外出时刻。
47.需要说明的是，比较既可以是单纯的比较，也可以利用机器学习模型获取行动模式的一致度。
48.另外，特征也可以在于，该信息处理装置还具有用于存储表示多个用户在外出前分别采取的典型的行动模式的数据的存储部，所述控制部基于对所述行动信息和所述多个用户的行动模式进行比较的结果估计所述多个用户中的任意用户的外出时刻。
49.行动模式也可以针对多个用户进行定义。即使在该情况下，也能够估计多个用户中的任意用户要外出的情况。
50.另外，特征也可以在于，所述多个传感器中的任意传感器是能够识别人物的传感器，所述控制部将识别出的用户的行动模式与所述行动信息进行比较，针对每个用户估计外出时刻。
51.例如，传感器在为能够获取生物体信息的传感器的情况下、在为图像传感器的情况下，能够进行人的识别。在该情况下，通过对每个用户生成行动信息，从而能够进行专门对个人的估计。
52.另外，特征也可以在于，所述行动模式是与作为对象的用户的外出时刻建立关联的数据。
53.外出时刻既可以是绝对时刻，也可以是相对时刻(例如，从模式中的某一时刻起的经过时间)。
54.另外，特征也可以在于，所述控制部基于比较结果计算所述行动模式与所述用户的实际的行动的偏差幅度，使用所述偏差幅度估计所述外出时刻。
55.行动模式与实际的行动完全一致的情况较少。由此，也可以通过计算偏差幅度，从而校正外出时刻。偏差幅度既可以是某一时刻的延迟时间，也可以是外出时被最终预想的延迟时间。
56.另外，特征也可以在于，所述控制部基于所述行动信息与所述行动模式的相似度，进一步计算所述用户外出的似然度。
57.通过用数值求出行动模式与实际的行动一致到何种程度，能够计算用户外出的似然度(准确度)。
58.另外，特征也可以在于，所述控制部基于估计得到的外出时刻，预约所述用户要乘坐的车辆。
59.例如，通过事先预约自动驾驶车辆的调配，能够提高用户的便利性。
60.另外，特征也可以在于，所述控制部在预定的取消期限到来之前，向所述用户确认所述车辆的利用意思。
61.而且，特征也可以在于，所述控制部进一步计算所述用户外出的似然度，在所述似
然度低于阈值的情况下，确认所述车辆的利用意思。
62.在预约车辆的调配的情况下，优选的是在能够取消的期间内进行意思确认。在该情况下，在外出的似然度在一定程度上较高的情况(可靠地预计要外出的情况)下，也可以省略意思确认。
63.另外，特征也可以在于，所述控制部使用从与所述用户建立关联的终端获取得到的过去的移动信息，进一步估计外出的目的地。
64.另外，特征也可以在于，所述控制部使用从与所述用户建立关联的终端获取得到的过去的移动信息，进一步估计外出的手段。
65.与用户建立关联的终端既可以是在外出时用户所持有的便携终端，也可以是在外出时搭载于用户所利用的车辆的车载终端。另外，也可以是管理该车辆的装置。
66.外出的手段例如是路线公交车、出租车、定制公交车、自动驾驶车辆、个人移动车、自行车、步行等，不限于车辆。
67.另外，特征也可以在于，所述控制部基于所述目的地决定进行预约的所述车辆的类型。
68.另外，特征也可以在于，所述控制部基于所述手段决定进行预约的所述车辆的类型。
69.预约对象的车辆不限于进行自动驾驶的汽车。例如也可以是个人移动车、合乘出租车等。控制部能够基于过去移动时的目的地、手段，预约恰当类型的车辆。
70.以下，基于附图说明本公开的实施方式。以下的实施方式的结构是例示的，本公开并不限定于实施方式的结构。
71.(第一实施方式)
72.参照图1说明第一实施方式的车辆调配系统的概要。本实施方式的车辆调配系统包括用于管辖与用户建立关联的预定的设施(例如，用户自己家)的信息处理装置100、包含在室内感测用户的多个传感器的传感器组200、车辆调配服务器400而构成。
73.第一实施方式的信息处理装置100是设置于用户自己家的装置，并且是对车辆调配服务器400进行车辆的调配委托的装置。信息处理装置100基于从设置于住宅内的多个传感器获取的信息，估计用户外出的时刻，进行车辆500的车辆调配委托，使得车辆500在估计出的时刻前到达。
74.需要说明的是，在图1中，信息处理装置100设置于室内，但信息处理装置100的设置场所也可以在远端位置。另外，也可以是一台信息处理装置100管辖多个设施(例如，多个用户自己家)。
75.传感器组200包括设置于住宅内的多个传感器。多个传感器只要能够检测住宅内的用户的行动，其种类就没有限制。例如，既可以是检测用户在住宅内位于哪儿的装置，也可以是检测用户在住宅内干什么的装置。
76.车辆调配服务器400是基于来自信息处理装置100的委托，对自动驾驶车辆(以下，车辆500)发送指令的装置。在本实施方式中，多个车辆500处于车辆调配服务器400的管理下，基于从车辆调配服务器400接收到的指令来行驶。
77.需要说明的是，在本实施方式中，作为预定的设施而例示出用户自己家，但设置有信息处理装置100和传感器组200的建筑物可以是任意的设施，不限于自己家。
78.图2是更详细地示出本实施方式的车辆调配系统的构成要素的图。在此，首先说明传感器组200所具有的传感器。
79.图3是例示设置于住宅内的多个传感器的图。如图所示，在本实施方式中，在用户的住宅设置有多个传感器。传感器能够大致分为设置于每个房间的人感传感器(用实线图示)、与设置于各房间的设备建立关联的传感器(以下，设备传感器。用虚线图示)以及用于检测用户外出的传感器(以下，外出检测传感器。用单点划线图示)。
80.能够利用人感传感器确定用户在住宅内的何处。另外，能够利用设备传感器确定用户在住宅内利用哪个设备。另外，能够利用外出检测传感器检测用户从自己家外出的情况。
81.人感传感器是用于检测人的存在的传感器。人感传感器例如可以是红外线式的传感器，但也可以是基于拍摄室内而得到的图像、由麦克风收集到的声音来检测人的存在的装置。
82.设备传感器是用于获取设置于住宅内的设备的利用状况的传感器。设备传感器既可以内置于设备，也可以间接地检测设备的利用。
83.例如，既可以利用内置于设备的距离传感器检测用户在正面的情况，也可以利用用于检测通电的传感器检测设备被利用的情况。另外，也可以是在设备上运行的软件检测由用户进行了特定的操作的情况。
84.设备传感器所感测的对象不限于特定的对象。例如，内置于电视机的传感器既可以检测出电视机开启的情况，也可以检测出播放特定频道。另外，内置于电饭煲的传感器既可以检测出煮饭开关被按下，也可以检测出盖开闭的情况。
85.外出检测传感器是检测用户外出到住宅外的手段。外出的检测例如能够借助设于门口大门的传感器来进行。例如，通过获取门的开闭和上锁的状态，能够判定出用户外出了。需要说明的是，外出的检测也可以基于图像来进行。例如，也能够利用设置于门口大厅的摄影机检测外出。
86.需要说明的是，外出检测传感器也可以不是必须设于住宅内。例如，也可以从用户持有的便携终端获取位置信息，在该便携终端离开自己家的情况下判定为外出了。信息处理装置100也可以以能够与该便携终端通信的方式构成。
87.回到图2，说明信息处理装置100。
88.信息处理装置100存储表示用户外出之前所采取的典型行动的模型(以下，行动模型)，基于对从传感器组200获取到的信息与行动模型进行比较的结果，估计用户要在不久的将来外出，进行车辆500的安排。
89.信息处理装置100也可以由通用的计算机构成。即，信息处理装置100能够构成为具有cpu、gpu等处理器、ram、rom等主存储装置、eprom、硬盘驱动器、可移动介质等辅助存储装置的计算机。需要说明的是，可移动介质例如也可以是usb存储器或者cd、dvd这样的盘记录介质。在辅助存储装置储存有操作系统(os)、各种程序、各种表等，将储存在其中的程序载入到主存储装置的工作区域并执行，通过执行程序来控制各结构部等，从而能够实现后述那样的符合预定的目的的各功能。但是，一部分或者全部功能也可以由asic、fpga这样的硬件电路来实现。
90.通信部101是用于将信息处理装置100与网络连接的通信接口。通信部101例如包
括网络接口板、用于无线通信的无线通信电路而构成。
91.存储部102包括主存储装置和辅助存储装置而构成。主存储装置是展开由控制部103执行的程序、该控制程序要利用的数据的存储器。辅助存储装置是对在控制部103中执行的程序、该控制程序要利用的数据进行存储的装置。
92.而且，存储部102存储行动模型。行动模型是指表示用户外出之前所采取的典型的行动模式(以下，预定行动模式)的模型。
93.基于在外出之前用户所采取的行动的履历生成行动模型。通过对由行动模型表示的预定行动模式和用户的实际的行动进行比较，能够判定用户外出的或然性的大小。
94.需要说明的是，行动模型也可以是进一步关联了用户的外出时刻而得的模型。例如也可以是表示“开始采取预定行动模式的对象用户具有在n分钟后外出的倾向”的模型。
95.行动模型也可以基于感测到用户的结果自动地生成。在自动生成行动模型的情况下，也可以利用机器学习。
96.控制部103是掌管信息处理装置100进行的控制的运算装置。控制部103能够由cpu等运算处理装置实现。
97.控制部103具有数据获取部1031、模型管理部1032、预测部1033、安排部1034这4个功能模块而构成。各功能模块也可以通过利用cpu执行所存储的程序来实现。
98.数据获取部1031从后述的传感器组所具有的传感器获取传感器数据。获取的传感器数据既可以是数字信号，也可以是模拟信号。另外，传感器数据也可以是图像数据、声音数据。
99.数据获取部1031也可以将获取到的信号转换为预定的形式。例如，也可以基于图像数据、声音数据进行用户的检测，输出表示有无用户的数据。另外，也可以将传感器数据转换为进行机器学习时的特征量。
100.模型管理部1032生成并更新用户的行动模型。
101.在此，说明用户的行动。图4a是作为用户的行动而利用了住宅内的用户的位置的情况的例子。在图示的例子中，横轴表示时刻，纵轴表示检测出用户的人感传感器的场所。即，图示的用户的行动用时间序列表示住宅内的用户的位置。
102.在本例中，表示了在平日7：30起床的用户在起居室和厨房、居室移动，并在8：45外出的意思。
103.图4b是作为用户的行动而利用了与在住宅内被利用的设备有关的信息的情况的例子。在图示的例子中，除人感传感器之外，还示出设备传感器。即，图示的用户的行动用时间序列表示住宅内的用户的位置和该用户对设备的利用状况。
104.如果用户在外出前(例如，每天的上班前)重复进行相似的行动的情况下，则通过比较由行动模型表示的预定行动模式和通过感测而得到的用户的行动模式，应该能够估计出外出时刻。例如，当在图4a或者图4b所例示的预定行动模式与实际上得到的用户的行动模式之间观测到一定以上的相似度的情况下，能够估计出在模式结束的时刻外出。信息处理装置100所存储的行动模型是这样的用时间序列表示用户外出之前所采取的典型的行动模式的数据。
105.需要说明的是，在图示的例子中，虽然通过二值化的方式表示用户的存在或者有无利用设备，但也可以利用更高维的数据。例如，作为从人感传感器获得的数据也可以利用
单位时间内的感知次数。
106.模型管理部1032基于从传感器组200获取到的传感器数据生成或者更新行动模型。
107.预测部1033基于所存储的行动模型和从传感器组200获取到的传感器数据预测用户的外出时刻。
108.安排部1034在估计出用户要外出的情况下，生成委托车辆调配的请求(以下，车辆调配请求)，向车辆调配服务器400发送。
109.输入输出部104是用于进行信息的输入输出的接口。输入输出部104例如具有显示器装置、触摸板而构成。输入输出部104也可以包括键盘、近距离通信手段、触摸屏等。
110.接下来，更详细地说明由控制部103进行的处理。
111.图5是说明基于用户所采取的实际的行动生成或者更新行动模型的处理的图。从传感器组200向数据获取部1031始终供给各传感器所输出的传感器数据。数据获取部1031将时刻分别与周期性地(例如，每分钟)获取到的多个传感器数据建立关联，向模型管理部1032依次发送。在模型管理部1032中积蓄有从数据获取部1031发送的传感器数据。
112.模型管理部1032以从数据获取部1031接收到表示用户外出的意思的传感器数据为触发，进行行动模型的更新。
113.具体而言，将所积蓄的多个传感器数据转换为时间序列形式的数据(以下，时间序列数据)。时间序列数据例如能够设为以传感器的种类和时刻为要素并储存有通过感测而得到的值的排列数据。时间序列数据能够转换得到与过去的预定的期间相对应的传感器数据。
114.例如，在用户上午8时45分外出的情况下，模型管理部1032将从上午7时45分到上午8时45分获取到的1小时量的传感器数据转换为时间序列数据，使用该时间序列数据更新行动模型。
115.需要说明的是，行动模型既可以是机器学习模型，也可以是以统计的方式表示在住宅内进行的多个行动与外出时刻(或者、到外出为止的剩余时间)之间的关系的模型。只要是表示用户的预定行动模式的模型，行动模型可以是任何形式。
116.在行动模型是机器学习模型的情况下，也可以在将时间序列数据转换为特征量的基础上，将该特征量作为输入数据，将外出时刻作为训练数据进行学习。
117.行动模型的更新例如能够在每次用户外出时执行。
118.图6是模型管理部1032生成(或者更新)行动模型的处理的流程图。
119.首先，在步骤s11中，依次积蓄从数据获取部1031发送的传感器数据。模型管理部1032在每次发送传感器数据时，判定是否表示了用户外出的意思(步骤s12)。在此，在用户未外出的情况下，处理返回步骤s11，继续传感器数据的积蓄。
120.在判定为用户外出了的情况下，处理向步骤s13前进，将所积蓄的传感器数据转换为时间序列数据。在本步骤中，例如将过去的预定时间量的传感器数据转换为时间序列数据。然后，使用所得到的时间序列数据更新行动模型(步骤s14)。
121.图7是说明使用所存储的行动模型预测用户要外出的情况并进行车辆的调配预约的处理的图。在本例中也是从传感器组200向数据获取部1031始终供给各传感器所输出的传感器数据，数据获取部1031将周期性地获取到的传感器数据向预测部1033依次供给。
122.预测部1033临时地积蓄从数据获取部1031供给的数据，使用所积蓄的数据与存储于存储部102的行动模型进行行动模式的比较。
123.具体而言，预测部1033在每次预定的判定周期到来时将所积蓄的传感器数据转换为时间序列数据。然后，对所得到的时间序列数据和由行动模型表示的预定行动模式进行比较，计算由时间序列数据示出的行动模式与预定行动模式的相似度。所得到的相似度是表示用户外出的似然度(似然性)的值。
124.需要说明的是，在行动模型为机器学习模型的情况下，也可以将时间序列数据转换为特征量，将该特征量作为输入数据进行评价。
125.作为比较的结果，在所得到的相似度为预定值以上的情况下，预测部1033判定为“用户如预定行动模式所示那样行动，该用户将在不久的将来外出(有外出的征兆)”。在该情况下，预测部1033计算直至由行动模型示出的外出时刻为止的剩余时间，在剩余时间低于预定的时间的情况下，经由安排部1034生成并发送车辆调配请求。
126.图8是预测部1033预测用户外出并进行车辆的调配预约的处理的流程图。
127.在步骤s21中，依次积蓄从数据获取部1031发送的传感器数据。
128.在步骤s22中，将所积蓄的传感器数据转换为时间序列数据。另外，使用所得到的时间序列数据和所存储的行动模型，进行行动模式的比较，计算其相似度(步骤s23)。然后，基于所得到的相似度，判定是否有外出的征兆(步骤s24)。
129.在此，在所得到的相似度低于预定的阈值的情况下，处理返回到步骤s11，继续传感器数据的积蓄。
130.在所得到的相似度超过预定的阈值的情况下，处理向步骤s25前进，请求用于供用户乘坐的车辆。需要说明的是，也可以使车辆调配请求中包含接车场所、到达希望时刻(即，用户的外出时刻)。
131.需要说明的是，当在进行了外出时刻的估计之后判明了实际的外出时刻的情况下，也可以执行使用实际的外出时刻更新行动模型的处理。
132.如以上说明的那样，第一实施方式的信息处理装置100利用设置于室内的多个传感器生成用户的行动信息，通过与事先生成的行动模式进行比较，来估计用户是否要外出。另外，在判定为用户要外出的情况下，安排该用户乘坐的车辆。采用该构成，即使不使用用户的日程信息也能够呼叫车辆，用户的便利性提高。
133.(第一实施方式的变形例1)
134.在第一实施方式中，以单一的用户为对象判定外出的征兆，但也可以在室内存在多个用户。即使当在室内存在多个用户的情况下，也能够将从传感器组200获取到的传感器数据与行动模型进行核对。
135.通过组合使用表示多个用户的行动的行动模型来进行判定，能够估计该多个用户中的谁要外出。
136.(第一实施方式的变形例2)
137.另外，在第一实施方式中，例示了单一的行动模型，但也可以针对一个用户存储多个行动模型。例如，也可以如“平日的行动模型”“休息日的行动模型”“下午上班的情况下的行动模型”这样存储多个行动模型，使用该多个行动模型，估计外出时刻。
138.在该情况下，也可以不将行动模式的相似度与固定的阈值进行比较，而是判定“用
户的行动与哪种模式最为相似”。
139.而且，也可以按日期的属性提供行动模型。例如，也可以按星期几、按平日/休息日来定义行动模型，选择适合于预测对象的日期的行动模型。
140.(第一实施方式的变形例3)
141.另外，在第一实施方式中，将外出时刻与行动模型建立关联，但行动模型也可以仅用于确定用户的行动模式的用途，外出时刻从其它数据源获取。例如，在判定为用户的行动与“上班”的行动模式一致的情况下，信息处理装置100也可以获取该用户上班时的移动履历，估计出发时刻。
142.(第一实施方式的变形例4)
143.另外，也可以根据行动模式的相似度进行追加处理。例如，在相似度比预定值低的情况下，意味着在估计出的时刻外出的准确度较低。在这样的情况下，若自动委托车辆调配，则有可能发生不良情况，因此也可以执行通过与用户对话来提高估计准确度的处理。例如，也可以经由用户终端询问是否应该进行车辆调配委托，并得到回答。优选的是在委托了车辆调配的车辆的取消期限到来之前执行该处理。
144.(第一实施方式的变形例5)
145.在第一实施方式中，基于时间序列数据和预先存储的行动模型进行外出时刻的估计。然而，人未必每天以相同的速度行动。例如，如图9所示，即使在从起床起到外出为止的期间的行动的顺序每天不变的情况下，有时各个行动的长度也根据日期而不同。
146.为了与此对应，也可以计算相对于预定行动模式的延迟。例如，在尽管行动的顺序没有较大地偏移，但检测到各行动变长的情况下，也可以作为产生了延迟时间的情况继续比较。另外，也可以进行外出时刻晚了延迟时间量的判定。
147.(第二实施方式)
148.第二实施方式是将多个人的行动模型存储于存储部102，对在室内存在的多个用户分别估计外出的实施方式。
149.图10是例示了多个人的预定行动模式的图。在本例中，对用户a和用户b这两个人，示出平日从起床起到外出为止的行动。
150.如前所述，即使当在室内存在多个用户的情况下，也能够将传感器数据与行动模型进行核对。然而，在仅使用了从无法进行个人的识别的传感器发送的传感器数据的情况下，无法确定谁要外出。
151.为了与此对应，在第二实施方式中，在传感器组200中至少包含一个能够进行个人的识别的传感器。图11是说明第二实施方式的传感器组200的图。例如，在图示的例子中，构成为在门口和洗面室设有摄影机，基于拍摄到的面部图像，能够识别个人。在本实施方式中，从该摄影机获取到数据的数据获取部1031进行个人的识别，生成用户的标识符(以下，用户标识符)。所生成的用户标识符与传感器数据同样地向预测部1033发送。
152.需要说明的是，只要是能够识别个人的传感器，也能够利用除摄影机之外的传感器。例如，可以利用虹膜识别、声音识别、其它生物体信息(体重等)等。
153.而且，预测部1033基于用户标识符确定要进行追踪的用户，使用与该确定的用户相对应的行动模型进行行动模式的比较。
154.图12是感测室内的用户而得到的时间序列数据的例子。该数据反映了用户a的行
动和用户b的行动这两者，因此仅通过该数据无法独立地追踪各用户。然而，由于能够在用户到洗面室的时刻和到门口大厅的时刻进行个人识别，因此能够以该时刻为线索，进行行动模式的匹配。
155.例如，在将图10(a)所示的用户a的预定行动模式与图12所示的时间序列数据进行比较时，使由附图标记901表示的时刻与由附图标记1101表示的时刻一致。即，以在洗面室中检测到用户a的时刻为基准，判定“用户a的预定行动模式是否出现在时间序列数据中”。其结果，在用户a的预定行动模式出现在了时间序列数据中的情况下，得知用户a外出的似然度高。关于用户b也是同样的。
156.图13是表示第二实施方式的预测部1033的处理的流程图。虚线所示的步骤与第一实施方式是同样的，因此省略说明。
157.在步骤s31中，与第一实施方式同样地，接收并积蓄传感器数据，但在有时代替传感器数据而发送用户标识符的方面，与第一实施方式存在差别。例如，在基于利用摄影机拍摄的图像进行用户识别的情况下，代替传感器数据而接收用户标识符。
158.在步骤s32中，判定是否接收到用户标识符。在此，在接收到用户标识符的情况下，在步骤s33中，决定将对应的用户作为匹配的对象。
159.在步骤s34中，判定是否设定了作为匹配对象的用户。在此，在为否定判定的情况下，处理返回步骤s31。
160.在步骤s35中，获取与设定为匹配的对象的用户相对应的行动模型，使用该行动模型进行行动模式的比较。此时，使用识别出用户的时刻，进行行动模式的对位。例如，在将用户a设为对象的情况下，使由附图标记901表示的时刻与由附图标记1101表示的时刻一致。另外，在将用户b设为对象的情况下，使由附图标记902表示的时刻与由附图标记1102表示的时刻一致。由此，能够按用户获得行动模式的相似度。步骤s24以后的处理与第一实施方式是相同的。
161.根据第二实施方式，即使当在室内有多个用户的情况下，也能够对每个用户估计外出时刻。
162.(第三实施方式)
163.第三实施方式是记录用户过去外出时的手段和目的地，基于所记录的数据，进行更优选的车辆调配的实施方式。
164.图14是更详细地表示第三实施方式的车辆调配系统的构成要素的图。在第三实施方式中，信息处理装置100构成为与用户所持有的终端(用户终端300)通信，而能够获取外出中的行动履历。
165.在本实施方式中，控制部103具有履历管理部1035。
166.履历管理部1035与和用户建立关联的用户终端300周期性地进行通信，获取位置信息。获取到的位置信息作为外出履历存储于存储部102。
167.图15是外出履历的例子。将外出前用户所采取的行动模式的标识符与外出的目的地、外出中的移动路径等建立关联地存储到外出履历中。由此，能进行“在外出前的行动模式为x1的情况下，用户具有前往目的地x2的倾向”这样的判定。也可以在外出履历中包含停靠地点、停留时间、移动目的等。另外，也可以在能够判定用户所利用的交通手段的情况下，进一步存储关联的信息。所利用的交通手段例如也可以基于由用户终端300发出的车辆的
预约请求、外出中的移动速度等进行估计。
168.另外，预测部1033在步骤s26中基于所存储的外出履历选择车辆类型。车辆类型的选择能够使用目的地、移动路径等进行。例如，能够基于到目的地的距离选择具有恰当的续航距离的车辆。例如，也可以在去附近购物的情况下选择个人移动车，在上下班的情况下选择汽车。另外，也可以根据外出的目的，选择具有恰当的乘车定员、载重量的车辆。例如，也可以在估计多人进行移动的情况下，选择全体人员能够乘坐的车辆。
169.根据第三实施方式，能够安排恰当类型的车辆。
170.需要说明的是，在本例中，作为履历管理部1035的通信目的地，例示了用户终端300，但也可以从管理移动车的利用履历的装置获取信息。
171.(变形例)
172.上述实施方式至多是一个例子，本公开能够在不脱离其要旨的范围内适当变更来实施。
173.例如，在本公开中说明的处理、手段只要不产生技术上的矛盾，就能够自由地组合实施。
174.另外，作为由1个装置进行的处理而说明的处理也可以由多个装置分担执行。或者，作为由不同的装置进行的处理而说明的处理也可以由1个装置执行。在计算机系统中，由怎样的硬件结构(服务器结构)实现各功能能够灵活变更。
175.本公开也能够通过向计算机供给安装有在上述实施方式中说明的功能的计算机程序，由该计算机所具有的1个以上的处理器读取并执行程序来实现。这样的计算机程序既可以通过能够与计算机的系统总线连接的非易失性的计算机可读存储介质向计算机提供，也可以经由网络向计算机提供。非易失性的计算机可读存储介质例如包括磁盘(软(注册商标)盘、硬盘驱动器(hdd)等)、光盘(cd
‑
rom、dvd盘
·
蓝光光盘等)等任意类型的盘、只读存储器(rom)、随机存取存储器(ram)、eprom、eeprom、磁卡、闪速存储器、光学卡、适合于储存电子指令的任意类型的介质。