JP2010020718A - 情報処理装置及び情報処理方法 - Google Patents

Abstract

【課題】人の測定対象に対する関心を算出すると共に、人が関心を持った測定対象の属性を推測することが可能な情報処理装置及び情報処理方法を提供すること。
【解決手段】人と１又は複数の測定対象との位置関係と、位置関係の時間変化とに基づいて、人の測定対象に対する関心度を測定対象毎に算出する関心度算出部と、測定対象に関する１又は複数の属性と、属性が有する属性値を記憶する属性記憶部と、測定対象に対する関心度を、測定対象に関する１又は複数の属性の関心度として扱い、属性間の関係性、又は属性と１若しくは複数の属性の関心度の相関を算出する相関算出部とを備えることを特徴とする。
【選択図】図１

Description

本発明は、情報処理装置及び情報処理方法に関する。

従来、顧客などの人や商品等のアイテムなどといった移動可能な物体の位置情報や動線を検知し、分析する技術がある。

例えば、特許文献１では、顧客が店舗内に入場してから退場するまでの間の行動を、人手によらず集計、分析することのできる顧客の購買行動分析システムが開示されている。このシステムでは、顧客は非接触ＩＣカードを持つ。そして、店内各所と清算箇所に設置された非接触ＩＣカードリーダにより、店舗内の購買前行動（位置・動線・滞留時間）、及び何を購入したかを取得する。精算後、顧客の購買前行動と購買結果を比較分析する。これにより、人手を介すことなく大量の顧客の購買行動データを収集でき、どのような経路を通ってどのような商品に関心を持ち、最終的に何を買い、何を（関心はあるが）買わなかったのかを、顧客ごとに分析できる。

また、特許文献２では、顧客が無線受信装置を持ち、棚に設置された無線発信装置から発信される情報を受信すると、該当する棚近辺に顧客がいるということを検知する技術が開示されている。同一無線発信装置の情報を長時間受信していると、顧客は棚の前に滞留しているとみなし、棚にある商品に関心を持っていると判定される。また、清算時の購買情報と照合することで、実際に購入したのかどうかを判断することができ、購買行動を分析できる。

特開２００３−０１６２４３号公報 特開平８−１３７９１６号公報

ところで、上述のような、従来の位置情報分析システムは、顧客の関心を判断する場合、分析対象とする商品毎の関心しか判断できなかった。

例えば、１００個の商品「商品００１」〜「商品１００」があるとして、それぞれの商品の前で顧客が滞留した場合、それぞれの商品について、商品前の滞留時間から商品毎の顧客の関心を推測できた。しかし、顧客が商品のどのような属性に関心を持っているかまでは判定できなかった。すなわち、顧客が商品の価格に関心を持ったのか、機能に関心を持ったのか、それともサイズや色、ブランドに関心を持ったのか、といった内容に踏み込んで判定することはできなかった。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、人の測定対象に対する関心を算出すると共に、人が関心を持った測定対象の属性を推測することが可能な、新規かつ改良された情報処理装置及び情報処理方法を提供することにある。

上記課題を解決するために、本発明のある観点によれば、人と１又は複数の測定対象との位置関係と、位置関係の時間変化とに基づいて、人の測定対象に対する関心度を測定対象毎に算出する関心度算出部と、測定対象に関する１又は複数の属性と、属性が有する属性値を記憶する属性記憶部と、測定対象に対する関心度を、測定対象に関する１又は複数の属性の関心度として扱い、属性間の関係性、又は属性と１若しくは複数の属性の関心度の相関を算出する相関算出部とを備える情報処理装置が提供される。

上記相関算出部で算出された相関に基づいて、人の任意の測定対象に関する任意の属性の関心度を、任意の属性が有する属性値から予測する関心度予測部を更に備えてもよい。

上記属性は、複数の属性の一部の集合である属性グループであってもよい。
上記関心度算出部は、人と１つの測定対象の距離が所定の閾値を満たしている１又は複数回の期間の時間を計測し線形若しくは非線形変換等を用いて関心度を算出してもよい。
上記関心度算出部は、人と１つの測定対象の距離が所定の閾値を満たしている１又は複数回の期間の回数を計測し線形若しくは非線形変換等を用いて関心度を算出してもよい。

上記測定対象は、所定のアイテム、人物又は領域であってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、人と１つの所定領域との位置関係と、位置関係の時間変化とに基づいて、人の１つの所定領域に対する関心度を算出する関心度算出部と、所定領域に関する１又は複数の属性と、属性が有する属性値を記憶する属性記憶部と、複数の所定領域についてのそれぞれの関心度と属性値との相関を算出する相関算出部とを備える情報処理装置が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、人と１又は複数の測定対象の距離が所定の閾値を満たしている時間を同伴時間として計測する同伴時間計測部と、所定領域内に人と測定対象が同時に存在している時間を同時存在時間として計測する同時存在時間計測部と、同伴時間と同時存在時間との関係に基づいて、人と測定対象の間の関係度を算出する関係度算出部とを備える情報処理装置が提供される。

上記人及び測定対象のうち少なくともいずれかが複数であるとき、人と測定対象との関係度に基づいて、人と測定対象を複数のグループに分類する分類部を更に備えてもよい。

上記属性は、数量で直接比較できない性質を有し、測定対象の色、機能、ブランドなどであってもよい。
上記属性は、数量で直接比較できる性質を有し、測定対象の容量、価格、サイズ、重量、消費電力、値引率などであってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、第１の顧客と、第１の顧客と異なる１又は複数の第２の顧客の距離が所定の閾値を満たしている時間を同伴時間として計測する同伴時間計測部と、所定領域内に第１の顧客と第２の顧客が同時に存在している時間を同時存在時間として計測する同時存在時間計測部と、同伴時間と同時存在時間との関係に基づいて、第１の顧客と第２の顧客の間の関係度を算出する関係度算出部とを備える情報処理装置が提供される。

上記第１の顧客及び第２の顧客と、１又は複数のアイテムとの位置関係と、位置関係の時間変化とに基づいて、第１の顧客及び第２の顧客のアイテムに対する関心度をアイテム毎に算出する関心度算出部と、アイテムに関する１又は複数の属性と、属性が有する属性値を記憶する属性記憶部と、アイテムに対する関心度を、アイテムに関する１又は複数の属性の関心度として扱い、属性間の関係性、又は属性と１若しくは複数の属性の関心度の相関を第１の顧客又は第２の顧客毎に算出する相関算出部と、第１の顧客又は第２の顧客毎の相関に基づいて、任意のアイテムと第１の顧客又は第２の顧客の関心度との関係を算出し、第１の顧客又は第２の顧客のうち最も関心度の高い第１の顧客又は第２の顧客を抽出する顧客アイテム関係算出部とを備えてもよい。

また、上記課題を解決するために、本発明の別の観点によれば、関心度算出部が、人と１又は複数の測定対象との位置関係と、位置関係の時間変化とに基づいて、人の測定対象に対する関心度を測定対象毎に算出するステップと、属性記憶部が、測定対象に関する１又は複数の属性と、属性が有する属性値を記憶するステップと、相関算出部が、測定対象に対する関心度を、測定対象に関する１又は複数の属性の関心度として扱い、属性間の関係性、又は属性と１若しくは複数の属性の関心度の相関を算出するステップとを含む情報処理方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、同伴時間計測部が、人と１又は複数の測定対象の距離が所定の閾値を満たしている時間を同伴時間として計測するステップと、同時存在時間計測部が、所定領域内に人と測定対象が同時に存在している時間を同時存在時間として計測するステップと、関係度算出部が、同伴時間と同時存在時間との関係に基づいて、人と測定対象の間の関係度を算出するステップとを含む情報処理方法が提供される。

本発明によれば、人の測定対象に対する関心を算出すると共に、人が関心を持った測定対象の属性を推測することができる。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

まず、本発明の第１の実施形態に係る位置情報分析システムについて説明する。
本実施形態の位置情報分析システムは、顧客などの人や商品等の物品などといった移動可能な物体の位置情報や動線を多量に検知・分析し、意図や意味を解析する。

本実施形態では、（１）人の関心の対象となる物品（アイテム）、人物や場所（領域）等の測定対象を、属性（例えば、商品の色、価格、機能、容量、ブランド、サイズ、場所の広さ等）の集合と捉える。また、（２）人が物品、人物や場所のどのような属性に関心を持ったのかを推定する。更に、（３）複数人の関心と行動との関係から、人が誰の意思に基づいて行動したのかを推定することができる。

ここで、「アイテム」とは、スーパーマーケットなどで陳列された食品、雑貨などの有体物の商品であり、海外旅行ツアーなどの無体物の商品やサービスであり、更に店内に陳列、配置された商品を紹介するパンフレット、パネル、ビデオ画面などである。人は、関心を持ったアイテムの前に足をとめる。また、「人物」とは、商品やサービスの詳しい説明をする店員や販売員などである。更に、「領域」とは、商品が陳列された商品棚、店舗内の所定のコーナー、店員等が商品等の説明をするエリアなどである。人物や領域についても、アイテムと同様に、人は関心を持った人物の前や領域内に足をとめることになる。

本実施形態を小売業に適用した例では、顧客が商品のどの属性に関心をもったのかを推定でき、更に、実際の購買者と実際の購買者の家族や友人関係の中で誰が購入決定を行ったのかを、実際の購買者とは切り離して推定できる。これにより、小売業者は、適切な人に適切な販促等のアプローチが可能となる。

本実施形態の上記の推定のステップは、大きく分けて以下の３ステップを有する。
（１）人単位に商品の属性に対する関心を推定する第１のステップ
（２）人のグループ構成（家族・友人など）を推定する第２のステップ
（３）グループ内の購買決定者を推定する第３のステップ

そして、第１のステップは、以下の４ステップを有する。
（１−１）人の位置と商品又は場所の位置の位置関係の遷移により、商品単位に関心度を計測するステップ
（１−２）商品又は場所単位の関心度を、商品又は場所の複数の属性からなる属性セット（商品：色、価格、機能、容量、ブランド、サイズなど、場所：イベント内容、紹介される商品など）に対する関心度に変換するステップ
（１−３）属性セットに対する関心度から、属性単位の関心度を推定するステップ
（１−４）属性単位の関心度から、個人の関心プロファイルを作成し保存するステップ

また、第２のステップは、以下の２ステップを有する。
（２−１）人の位置関係の遷移により、人間関係の距離を計測するステップ
（２−２）人間関係の距離から、人のグループ構成（家族・友人など）を推定するステップ

更に、第３のステップは、以下の２ステップを有する。
（３−１）グループを構成するメンバの関心プロファイルと、商品の属性を比較するステップ
（３−２）商品を購入するとしたら、だれが購入決定をするか推定するステップ

（第１のステップ）
上記第１のステップを実行させる本実施形態の位置情報分析システムの構成について説明する。図１は、本実施形態に係る位置情報分析システムの構成を示すブロック図である。

本実施形態に係る位置情報分析システムは、位置検知部１０と、周辺情報記憶部２００と、関心計測部１００と、属性情報記憶部２０１と、属性変換部１０１と、属性分類情報記憶部２０２と、分析部１０２と、関心プロファイル生成部１０３と、関心プロファイル記憶部２０３などから構成される。

位置検知部１０は、人や物品（商品、カート、バスケットなど）の位置を、個体を識別して記録する。周辺情報記憶部２００は、商品の配置等を記憶する。関心計測部１００は、商品の配置と人や物品の位置に基づいて、商品単位の関心を人単位に計測する。属性情報記憶部２０１は、商品の属性セット（色、価格、機能、容量、ブランド、サイズ、等）を記憶する。属性変換部１０１は、商品の属性と商品毎の関心に基づいて、属性セットの関心へ変換を人毎に行う。属性分類情報記憶部２０２は、商品の属性間の関係性を記憶する。分析部１０２は、人毎に、複数の属性セットへの関心を分析し、属性単位への関心を推定する。関心プロファイル生成部１０３は、属性単位の関心推定結果を人毎に生成する。関心プロファイル記憶部２０３は、人毎の関心プロファイルを人毎に保存する。

次に、本実施形態に係る位置情報分析システムの各構成要件について詳しく説明する。
位置検知部１０は、人や物品の位置情報を検知する。位置検知部１０が検出するのは、人や物品の座標と、人や物品に付随する識別子１である。位置検知部１０は、図２に示すように、識別子毎に位置を検出した時刻と合わせて、座標、識別子１、時刻の組み合わせを位置情報として出力する。図２は、本実施形態の位置検知部１０が出力する位置情報の例を示す説明図である。

位置検知部１０による位置検知の方法として、例えば人がデバイスを所持し、デバイスの位置及び識別子を人の位置及び識別子として検知する技術を用いることができる。上記デバイスとしては、超音波タグ（古河機械金属株式会社によるＺＰＳ（zone positioning system）技術など）や、インパルス無線型のＵＷＢ（ultra wideband）タグ、Ｗｉ−Ｆｉタグ、Ｗｉ−Ｆｉ搭載の携帯電話、パッシブＲＦＩＤ（radio−frequency identification）などがある。

位置検知部１０による位置検知のその他の方法として、監視カメラ等による人物・物体認識とトラッキングの組み合わせによって、人を特定する識別子と位置を検知する技術を用いてもよい。また、カーペット等に埋め込まれた感圧センサと個人認証装置を組み合わせて、感圧センサによる匿名のトラッキングと、各所に配置した個人認証装置の認証結果に基づいて、人別の位置を推定する技術などを用いてもよい。

位置検知対象である人の種類としては、顧客や店舗の店員、従業者などがある。また、位置検知対象である物品としては、商品、可搬設備・器具、小売店舗内であれば特にカートやショッピングバスケットなどがある。

カートやショッピングバスケットの位置は、それを運搬する人の位置とみなしてもよい。例えばカート等に位置検知デバイスを取り付ける場合は、そこに個人を特定するための仕組み（カードリーダ、各種個人認証装置など）を入れることで、カート等の位置を人の位置として扱うこともできる。この場合、カートの識別子は人の識別子と異なるが、各種個人認証装置によってカートの識別子と人の識別子を変換する変換テーブルを構築することで、変換可能である。

また、座標は、（緯度・経度・高度）といった地球上で一意に定まる座標系を用いてもよいし、特定の箇所を原点とした相対座標系を用いてもよい。また、識別子１は、人か物品を判別するフラグなどを含んでもよい。更に、識別子１は、データベースなどの手段を用いて、人や物品、そしてそれらの属性が予め記録されていてもよい。

周辺情報記憶部２００と、関心計測部１００と、属性情報記憶部２０１と、属性変換部１０１と、属性分類情報記憶部２０２と、分析部１０２と、関心プロファイル生成部１０３と、関心プロファイル記憶部２０３は、例えばサーバ装置などのコンピュータで実行される。コンピュータは、ＣＰＵ、メモリ、入出力Ｉ／Ｆ、表示部、ネットワーク接続部、記憶部などからなる。周辺情報記憶部２００と、属性情報記憶部２０１と、属性分類情報記憶部２０２と、関心プロファイル記憶部２０３は、例えば、ＨＤＤ（ハードディスクドライブ）、フラッシュメモリなどの記憶媒体や記録再生装置で構成される。

周辺情報記憶部２００は、商品の配置などの環境情報を記憶する。環境情報としては、図３に示すように、少なくとも環境中の物品や場所を識別する識別子２と、物品の位置や場所の範囲を表わす座標が記憶される。図３は、本実施形態の周辺情報記憶部２００が記憶する情報を示す説明図である。

環境情報は、例えば小売店舗内に配置されている商品棚に置かれる商品を示す識別子２と、その商品が置かれる商品棚の座標とすることができる。小売店の他の例では、パンコーナーや鮮魚コーナー、試食コーナー、イベントコーナー、喫煙コーナー、トイレ、ロッカーコーナーなどといった場所を示す識別子２と、場所の範囲の座標とすることもできる。座標は、一個の座標、又は複数個の座標とする場合もあるし、範囲を示す値により矩形や円形、曲線などで囲まれた任意形状のエリアを示す場合もある。また、場所とは、店舗における店員や販売員などが商品又はサービスを説明するエリアであってもよい。

関心計測部１００は、位置検知部１０で検知した物品の位置、又は周辺情報記憶部２００に保持している物品や場所の位置を、位置検知部１０で検知した人の位置と比較し、人単位に物品や場所毎の関心度を計測する。関心計測部１００は、関心度算出部の一例である。

物品の位置を位置検知部１０で検知した場合は、位置検知部１０で検知した人の位置と、位置検知部１０で検知した物品の位置を比較することができる。また、物品や場所の位置が周辺情報記憶部２００に保持されている場合は、位置検知部１０で検知した人の位置と、周辺情報記憶部２００に保持されている物品や場所の位置を比較することができる。

関心度は、例えば人と、物品や場所の距離が一定の閾値以下である時間を計測して、計測された時間に基づいて算出できる。
例えば、人Ａの時刻ｔ_Ａにおける座標を（ｘ_ｔＡ，ｙ_ｔＡ，ｚ_ｔＡ）とし、場所Ｂの座標を（ｘ_Ｂ，ｙ_Ｂ，ｚ_Ｂ）とすると、時刻ｔ_Ａにおける人Ａと場所Ｂの距離をＤ（ｔ_Ａ，Ａ，Ｂ）と定義したとき、距離Ｄは、下の式で表わすことができる。
Ｄ（ｔ_Ａ，Ａ，Ｂ）＝（（ｘ_ｔＡ−ｘ_Ｂ）^２＋（ｙ_ｔＡ−ｙ_Ｂ）^２＋（ｚ_ｔＡ−ｚ_Ｂ）^２）^１／２

例えば、距離の閾値は５０ｃｍ、関心度は滞在秒数に対応する場合について説明する。図４（Ｂ）に示すように、人Ａが場所Ｂに向かって移動したとき、場所Ｂから距離５０ｃｍの範囲内に入った時刻を図４（Ａ）に示すように開始時刻とし、その後、場所Ｂから距離５０ｃｍの範囲外に出た時刻を終了時刻とする。そして、終了時刻から開始時刻を引いた時間を滞在時間として算出する。滞在時刻が３０秒の場合、人Ａが場所Ｂに対する関心度を例えば３０とすることができる。図４は、本実施形態の関心計測部１００による関心度の計算方法の例を示す説明図である。図４（Ａ）は、距離Ｄと時間ｔ_Ａの関係を示し、図４（Ｂ）は、人Ａと場所Ｂの関係を示す平面図である。

また、関心度は、１日あたりの滞在秒数と訪問回数の２次元で表すこともできる。例えば、人が１０秒、２０秒、２０秒の計３回訪問した場合は、関心度は（５０，３）と表すことができる。図５は、本実施形態の関心計測部１００が出力する情報の一例を示す説明図である。関心度は、識別子１毎に、識別子２別に集計され、出力される。出力される時刻は、滞在開始時間でもよいし、滞在終了時間でもよい。

また、１週間や１ヶ月、１年単位での訪問回数や時間を用い、更に高い多次元で表現してもよい。計測される関心度は、リアルタイムに計算されて出力されてもよいし、位置情報を蓄積した上で、まとめて計算され出力されてもよい。また、リアルタイムに計算された結果が蓄積され、結果がまとめて出力されてもよい。

属性情報記憶部２０１は、属性記憶部の一例であり、物品や場所の１又は複数の属性（カテゴリ、色、価格、機能、容量、ブランド、サイズ等）を保持する。図６は、本実施形態に係る属性情報記憶部２０１が保持する情報の一例を示す説明図である。

例えば、商品Ａの属性として、カテゴリ１（商品Ａでは「商品」）があり、カテゴリ１に特化した属性として、カテゴリ２（商品Ａでは「カメラ」）、色（商品Ａでは「黒」）、価格（商品Ａでは「20,000円」）などがあり、カテゴリ２に特化した属性として、機能（商品Ａでは「ストロボ付」）、容量（商品Ａでは「128Ｍバイト」）、サイズ（商品Ａでは「50ｃｃ」）などがある。

カテゴリ１に含まれる分類は、商品（物品）のほかに、例えば設備品（物品）、イベント（場所）、飲食店（場所）、販売コーナー（場所）、インフォメーションコーナー（場所）などがある。商品のカテゴリ２に含まれる分類は、カメラのほかに、例えば冷蔵庫、テレビなどが挙げられる。

属性群は、商品や場所を示す識別子２を指定することによって、一意に定まるようにすることができる。また、属性の値（属性値）は、固定の物品や時間とともに変化するものもある。例えば、カテゴリ１が飲食店（場所）の場合の予想待ち時間は、例えば１分毎に更新されてもよい。また、商品（物品）の価格や値引率も、時間によって変化してもよい。

属性変換部１０１は、商品毎の関心度を、属性への関心度へ変換し出力する。図７は、本実施形態の属性変換部１０１が出力する情報の一例を示す説明図である。属性変換部１０１は、誰（識別子１）が、どの属性セット（属性群）にどの程度の関心度を持っているのかをまとめて出力する。

属性情報記憶部２０１で記憶されている属性が、時間とともに変化する値である場合、その属性の属性値は、関心度の基準となる距離が閾値以下になった時刻（開始時刻）の値を利用してもよいし、距離が閾値以上になった時刻（終了時刻）の値を利用してもよい。また、平均値を利用してもよいし、時間的に中間のときの値を利用してもよい。例えば、属性が商品の価格や値引率の場合は、終了時刻での値とし、属性が場所の待ち時間の場合は、開始時刻での値とするなど、カテゴリ１，２に依存したポリシーを定義し、ポリシーに従って、属性値を計算してもよい。計測された属性と関心度の関係は、リアルタイムに計算されて出力されてもよいし、一定時間まとめたデータに対して計算されて出力されてもよい。また、リアルタイムに計算された結果を蓄積し、まとめて出力されてもよい。

属性分類情報記憶部２０２は、商品の複数の属性の一部の集合であり、商品の属性間の関係を示す属性グループを保持する。属性グループは、分析部１０２で分析を行う際に使用される分類である。

例えば、カテゴリ１が商品（物品）の場合、カテゴリ２の属性間の関係として、「白物家電」という属性グループを定義できる。「白物家電」に関係のあるカテゴリ２は、例えば電子レンジ（識別子３：０１００）や、冷蔵庫（識別子３：０１０１）、食器洗い機（識別子３：０１０２）などが挙げられる。また、カテゴリ２の属性間の関係として、「デジタル家電」という属性グループを定義することができる。「デジタル家電」に関係のあるカテゴリ２は、例えばテレビ（００２１）、カメラ（００１０）、録画再生機（００２２）などが挙げられる。

更に、図８に示すように、カテゴリ２の属性間の関係として、「一人暮らし生活製品」という属性グループを定義できる。図８は、本実施形態に係る属性分類情報記憶部２０２が保持する属性グループ情報の一例を示す説明図である。「一人暮らし生活製品」に関係のあるカテゴリ２は、例えば電子レンジ、冷蔵庫、掃除機などが挙げられ、かつ、それぞれの属性として容量やサイズが小型の商品が指定される。また、「ＩＰ（Internet Protocol）接続対応」という属性グループを定義した場合は、例えばテレビや録画再生機などで、かつＩＰ接続機能を有する商品が挙げられる。また、図８に示すように、「リビング用品」という属性グループを定義した場合は、例えばテレビ、テレビラック、ソファー、テーブルなどの商品が挙げられる。

また、属性グループは、動的に構成されてもよい。例えば、特定の人が関心度の高い商品群のカテゴリをグループとしてもよいし、関心度の高い商品群の構成が近い人たち同士の商品群の分布の平均をとり、その平均的な商品群を新たなグループとしてもよい。

また、属性分類情報記憶部２０２に記憶される属性は、属性値が持つ指標（例えば単位など）が互いに異なるため、互いに統一的な指標で比較できない属性がある。この場合、統一的な尺度として複合属性が定義される。個々の属性の値から複合属性の値を算出するため、図９に示すような変換式や変換テーブルなどを予め定義しておく。図９は、本実施形態に係る属性分類情報記憶部２０２が保持する複合属性情報の一例を示す説明図である。

そして、カテゴリ１，２単位に複合属性の値が算出される。変換式又は変換テーブルは、単数の属性の値を単数の複合属性の値に変換する式やテーブルでもよいし、また、複数の属性の値を単数の複合属性の値に変換する式やテーブルでもよい。

例えば商品の「色」であれば、カテゴリ２の商品が異なっていても統一的な尺度で比較できるが、例えば「テレビの画面サイズ」と「ソファーの幅」の場合は、従来であれば、統一的な尺度で比較できない。この場合、例えば「リビングのサイズ」という複合属性を定義したとき、両者を統一的な尺度で比較することが可能になる。例えばテレビであれば画面サイズ２８インチ未満は６畳が適していると考えられるため「６畳」に変換し、同様にソファーであれば幅１００ｃｍ未満は「６畳」に変換する。このように、部屋の広さなどを尺度とする統一的な尺度に換算することで、属性値が持つ指標が異なる商品についても、同一の属性（複合属性）に含めることができる。その結果、属性と関心度の分析の範囲を従来に比べて広げることができる。

分析部１０２は、人（識別子１）単位に、分析部１０２に入力された属性セット単位の関心度を、カテゴリ１、２などのカテゴリで同じ値を取る物品別や、属性分類情報記憶部２０２に保持されている属性グループ別に分析する。この単位を分析単位と定義する。なお、分析単位は、カテゴリの値や属性グループだけでなく、例えば属性値による分類を分析単位としてもよい。例えば、メーカー属性値による分類をして分析することによって、Ａ社製の商品について、関心度に寄与する他の属性を見つけるといった分析をすることができる。分析部１０２は、相関算出部の一例である。

また、属性分類情報記憶部２０２に記憶されている属性グループ情報（図８）を用いて分類される属性グループを分析単位としてもよい。属性グループ情報には、カテゴリやその他の属性などの値に基づいて、同一の属性グループとして扱う条件が定義されている。従って、同一の属性グループの条件に合致した対象を、同一の分析単位として扱ってもよい。例えば、図８の例では、「リビング用品」という属性グループとして扱われる対象は、カテゴリ１の値が「商品」、かつカテゴリ２の値が「テレビ」、「テレビラック」、「ソファー」又は「テーブル」のいずれかであればよい。「一人暮らし生活用品」という属性グループとして扱われる対象は、カテゴリ１の値が「商品」、かつカテゴリ２の値が「電子レンジ」の場合は容量の値が１０リットル以下、または、カテゴリ２の値が「冷蔵庫」の場合は容量の値が４０リットル以下などのいずれかであればよい。

また、属性分類情報記憶部２０２に記憶されている複合属性情報（図９）の複合属性を分析対象としてもよい。属性から複合属性への変換は、カテゴリ１の内容が異なることによって属性が異なる場合や、カテゴリ１の内容が同じでも、カテゴリ２などの属性値に依存して属性の有無が異なる場合に行われる。これにより、個々の属性値を、統一的な尺度で利用できる属性に変換することができる。ここでは、複合属性は分析部１０２で計算されるが、属性変換部１０１で計算されてもよい。これにより、分析の都度計算する必要はなくなる。

分析単位での分析により、属性単位や複合属性単位での属性値と関心度との関係や、関心度の変化に寄与する属性の寄与度を算出し出力できる。また、時間的な遷移による属性の寄与度の変化や、関心度と属性値の関係の時間的な変化も出力できる。

分析の対象データの範囲は、人（識別子１）単位のデータであり、なおかつ、分析単位のデータで独立して分析を行う。例えば、カテゴリ１が商品（物品）であって、商品の色（Ｒ，Ｇ，Ｂ）という属性の関心を分析する場合、Ｒ，Ｇ，Ｂ値の分布を調べ、例えばＲ，Ｇ，Ｂ値の分布の平均と分散を計算する。そして、分散がある程度小さい場合は、平均値を色の好みとすることができる。また、カテゴリ２や属性グループ単位を分析単位として、色の分布を見ると、それら分析単位ごとに色の好みを知ることができる。例えば、リビング用品は白に統一したい、といった場合が考えられるが、そのような場合、属性グループ「リビング用品」において白の出現率が最も多くなり、白が好みだと推定できる。この情報を用いれば、例えばまだ購入していない商品の色の好みについて、店舗側で推測することができるようになる。これは、値引率や価格、メーカー名（ブランド）などについても同様のことが言える。

特定のカテゴリ１、カテゴリ２の場合、カテゴリ固有の属性のみを用いることで、どのような属性に対して関心が集中しているのかを分析できる。これは例えば回帰分析を行うことで、関心度と正または負の相関があり、相関係数の高い属性が分かり、物品のどの属性が関心度と相関があるのかを判別することができる。

以下に、図１０及び図１１を参照して説明する。図１０は、カテゴリ２がカメラである場合の記録可能な容量と関心度の関係を示すグラフである。図１１は、カテゴリ２がカメラである場合のサイズと関心度の関係を示すグラフである。容量と関心度の関係は、正の相関があり、相関係数が０．８で高い相関があると考えられる。すなわち、容量が大きいほど関心度が高いと推定できる。サイズと関心度の関係は、相関係数が０．２で、人はサイズの違いには容量より関心を示さないということが推定できる。

重回帰分析を行うと、関心度とサイズ、容量を複合的に分析することもできる。数値として表せない属性については、ロジスティック回帰分析を行うことで分析することができる。また、回帰直線だけでなく、図１２に示すように、カルホーン相関係数（参考文献：「幾何学的厚みに基づく相関係数」（電子情報通信学会論文誌，Ａ，Ｖｏｌ．Ｊ８５−Ａ，Ｎｏ．４，ｐｐ．４９０−４９４）といった２次曲線などさまざまな曲線への当てはまり具合を計算してもよい。図１２は、カテゴリ２がカメラである場合の記録可能な容量と関心度の関係を示すグラフである。その結果、相関の高い分布形状と、例えば関心度が高い範囲やどの容量（属性）が最も関心度が高そうかを推定するといったことが可能となる。また、アソシエーション分析という手法を用いることで、関心度の高い属性間の関連性が、相関の強さを示す信頼度（コンフィデンス、確信度とも言う）と全体の中での出現割合を示す支持度（サポート）で得ることもできる。

他にも、例えば複合属性を用いることで、異なるカテゴリで異なる属性の場合も、属性値を同列に扱うことができる。この場合、テレビやソファーのカテゴリ別の属性から、図９の条件に従いリビングのサイズの属性に変換し、その後、平均や分散などの分布を得ることで、関心度の推定が可能となる。

相関係数が低い属性は、人の関心に影響を及ぼす要因とは考えにくく、その属性の値が変化しても、関心度に与える影響は軽微と推定できる。このような場合、どのような回帰直線や曲線に当てはめているのかはあまり重要ではなく、当てはめた直線や曲線は、実際の分布からかけ離れており精度が悪いといえる。一方、相関が高い属性の場合は、人の関心を左右する要因と言えるため、どのような分布の曲線に相関が高く、その曲線がどのような部分で関心度が高くなっているのかを調べると、人の好みを推定することができる。また、このような場合は、単純に属性値の平均値や分散を求めるだけでも、関心を持っている値の範囲が特定できる。

なお、回帰曲線は、相対的な関心度を示す０〜１の間の値を取るように変換してもよいし、例えば分析単位内の各属性での関心度最大値の比率を最大とした分布としてもよい。また、関心度と容量といった１次の関係でなく、重回帰を用いることで多数の属性に対する関心度を推定することもできる。

ある属性値が関心度を左右する要因であると判断できた場合、その時間的な推移を分析することができる。例えば、色の好みは時間軸方向に一定的であり、あまり変化がなく定常的に重要な属性の場合がある。

また、商品（物品）のカテゴリ２の関心度を時系列に分析すれば、今関心のある商品又は場所が分かり、なおかつその関心が盛り上がってきている（注目されてきている）のかどうかが推定できる。すなわち、関心度の秒数や回数が増加傾向であれば、関心が盛り上がってきていると推定できる。

また、秒数は長いが回数が少ない場合は、購入を迷っていると推定できる場合がある。一方、秒数も回数も長く、同一カテゴリで属性のある程度近い商品にも同様な関心度を示している場合は、それらで比較して迷っていると判断することもできる。例えばそのようなことについて、店舗側が分かれば、比較している商品のうち、利益率の高い商品や売りたい商品の販売へ、価格などを調整して誘導することも可能である。このように、時間軸上での増加傾向・減少傾向といった勾配情報を算出し、用いることができる。

また、関心度の高い複数の属性値の分布が、クラスタを形成している場合がある。このような場合は、ｋ−ｍｅａｎｓ法などのクラスタリング手法を用いることで、関心のある属性値の範囲の集合を特定することもできる。

以上のような分析を行うことで、カテゴリ１・２別、属性グループ別などの分析単位それぞれにおいて、どの属性や複合属性における値の違いが属性セットへの関心度の変化に寄与するのかを示す寄与度として相関係数を用いることができる。また、関心度と属性値の分布を近似する関数が得られる。更に、時間軸での寄与度の変化を勾配として用いることができ、関心度と属性値の分布を近似する関数は、時間軸を加えた曲面として得ることができる（この曲面を、関心曲面という）。

関心プロファイル生成部１０３は、分析部１０２で出力される分析単位で、属性や複合属性の関心度への寄与度、および関心度と属性値の関係を選別し、図１３に示すように、関心プロファイル記憶部２０３に保存する人毎（識別子１の値毎）のプロファイルを生成する。図１３は、本実施形態に係る関心プロファイル生成部１０３が生成する情報の一例を示す説明図である。

選別の基準は、例えば、分析単位で、属性や複合属性別に、関心度への寄与度の高い物品のみを選別するとする。例えば、寄与度０．５以上の物品のみを選別する方法や、寄与度の高い順に３つの属性や複合属性を選別する方法がある。また、寄与度が急激に向上してきている物品や関心曲面の時間方向の勾配の急峻な物品は、人の関心の変化として捉えることができるため、重要な物品として選別してもよい。

分析単位内でのすべての属性の寄与度が閾値よりも低い場合、該当する分析単位によるプロファイルは存在しなくてもよい。そうすることで、プロファイルのある分析単位は、関心度に関係するということが判別できる。例えば、カテゴリ２が「冷蔵庫」の分析単位で分析を行ったが、該当するプロファイルが存在しない場合、冷蔵庫に関心がないと推定できる。以上の選別を行うことで、関心度に影響する属性を特定でき、更にその属性がどの範囲で影響するのかということが、分析単位として得られる。

以上のとおり、第１のステップを実行させる本実施形態の位置情報分析システムによれば、以下のような効果が得られる。
（１）人の位置と物品の位置の位置関係の変化により、物品単位の関心度だけでなく、物品のどの属性にどのように関心を持つのか、関心に影響しない属性はどれなのかを検出できる。また、属性単位に、その属性が関心に影響するかどうかを検出できる。
（２）物品の直接的な属性だけでなく、例えばリビングの広さといった、どういった利用に適しているかといった属性も勘案し、分析できる。
（３）属性単位で、時間軸方向での関心の変化の推移を分析できる。
（４）関心に影響ある属性と、その属性が影響する範囲を特定できる。
（５）関心に影響ある属性のみを、プロファイルとして記憶できる。

（第２のステップ）
上記第２のステップを実行させる本実施形態の位置情報分析システムの構成について説明する。図１４は、本実施形態に係る位置情報分析システムの構成を示すブロック図である。

本実施形態に係る位置情報分析システムは、位置検知部１０と、同伴計測部３００と、同時存在計測部３０１と、関係情報記憶部４０１と、関係分析部３０２と、関係プロファイル記憶部４０２などからなる。

位置検知部１０は、人や物品（商品、カート、バスケットなど）の位置を、個体を識別して記録する。位置検知部１０は、上述した位置検出部１０と同様であり詳細な説明は省略する。

同伴計測部３００と、同時存在計測部３０１と、関係情報記憶部４０１と、関係分析部３０２と、関係プロファイル記憶部４０２は、例えばサーバ装置などのコンピュータで実行される。コンピュータは、ＣＰＵ、メモリ、入出力Ｉ／Ｆ、表示部、ネットワーク接続部、記憶部などからなる。関係情報記憶部４０１と、関係プロファイル記憶部４０２は、例えば、ＨＤＤ（ハードディスクドライブ）、フラッシュメモリなどの記憶媒体や記録再生装置で構成される。

同伴計測部３００は、人や物品の同伴時間を計測する。同時存在計測部３０１は、人や物品がある範囲内で同時に存在する時間を計測する。関係情報記憶部４０１は、同伴計測部３００と同時存在計測部３０１の測定値を保存する。関係分析部３０２は、関係情報記憶部４０１の保持するデータを用いて人や物品の関係性を分析する。関係プロファイル記憶部４０２は、分析結果を保存する。

次に、本実施形態に係る位置情報分析システムの各構成要件について詳しく説明する。
同伴計測部３００は、人や物品の同伴時間を計測する。測定は、１時間単位としてもよいし、１日や１週間単位でもよい。計測は、位置検知部１０から得られる２つの識別子１の位置の距離を測定し、それが閾値以下である時間を同伴時間として計測する。図１５は、本実施形態の同伴計測部３００による同伴時間の計測方法の例を示す説明図である。図１５（Ａ）は、距離Ｄと時間ｔの関係を示し、図１５（Ｂ）は、人Ｘと人Ｙの関係を示す平面図である。

図１６は、本実施形態に係る同伴計測部３００が出力する情報の一例を示す説明図である。識別子１が０００１の人と識別子１が０００２の人は、２００８／３／４の１６：１５：１０に５１００秒間同伴し、それ以外の時刻で２１００秒同伴していなかった、識別子１が０００１の人と識別子１が０００３の人は、２００８／３／４の１９：３０：１０に２５２０秒間同伴し、それ以外の時刻で４６８０秒同伴しなかったという例である。時刻は、同伴開始時刻でもし、同伴終了時刻でもよい。

また、位置検知部１０が、特定のエリア内（店舗内など）で同伴の有無を検知し、同伴計測部３００が、特定のエリア内（店舗内など）での同伴時間と非同伴時間を計測してもよい。このとき、計測する非同伴時間は、特定のエリア内（店舗内など）に存在するが、同伴でない時間でもよい。

同時存在計測部３０１は、特定エリア内で、人や物品が同時に存在する時間を計測する。図１７は、検知エリアにおける人Ｘと人Ｙの関係を示す平面図である。
図１８は、本実施形態に係る同時存在計測部３０１が出力する情報の一例を示す説明図である。同時存在計測部３０１が出力する情報は、同伴計測部の出力する情報と同様の構成である。ただし、同時存在計測部３０１が、すべての人と物品の組み合わせで同時に存在する時間を計測するのは、非常に処理量が多くなるため、例えば同伴計測部３００で過去に同伴関係が検知された物品だけを用いるなどしてもよい。

関係情報記憶部４０１は、同伴計測部３００と同時存在計測部３０１が出力した結果を保存する。関係情報記憶部４０１は、関係分析部３０２から結果を受けて、同伴時間の値が閾値よりも短く、同時存在時間の値も閾値よりも低い場合は、該当するデータを削除することができる。

関係分析部３０２は、関係情報記憶部４０１が保持している同伴計測部３００の結果と同時存在計測部３０１の結果である同伴時間、同時存在時間に基づいて、人や物品の関係性を推測する。なお、同伴時間の代わりに同伴時間と非同伴時間の比を使用してもよいし、同時存在時間の代わりに、同時存在時間と非同時存在時間の比を用いてもよい。

図１９は、同伴時間と同時存在時間の関係を示すグラフである。同伴時間と同時存在時間に基づいて、人や物品の関係性は、例えば図１９のように分類できる。図１９の分類１は常に一緒に来訪するが同伴はしないケース、分類２は常に同伴し来訪するケース、分類３は一緒に来訪もしないし同伴もしないケース、分類４は一緒に来訪する場合は同伴しているが、別々に来訪する場合も多いケースなどである。人と人の関係では、分類１は、例えば親子や家族のような関係と推定でき、分類２は、恋人や夫婦などの仲の良い関係と推定できる。分類３は他人であり無関係と推定でき、分類４は１，２と同様であるが、近所に居住するなど個別に訪れる機会が多いと推定できる。人と物品の関係では、分類１は、自分の物品ではなく、家族などの物品と推定でき、分類２は、お気に入りで肌身離さず持っている物品と推定できる。分類３は他人の物品と推定でき、分類４はたまに持って行く物品と推定できる。

以上のような分析を行い、人と人であれば、分類１，２，４を関係者同士、分類３を赤の他人と判断できる。分類３のデータは、関係情報記憶部４０１から削除してもよい。関係性の深さは、同時存在時間、同伴時間の長さとして記録してもよいし、非同時存在時間、非同伴時間の比として記録してもよい。

更に、関係分析部３０２は、相互に共通に関係性のある複数人を検出し、関係グループを定義する。ある識別子１の値Ａ，Ｂ，Ｃ，Ｄ，Ｅ，Ｆの複数人が検出された場合について説明する。例えば、ある識別子１の値Ａの人と関係があると判断された複数の識別子１であるＢ，Ｃ，Ｄ，Ｅの人がいる場合、（Ａ，Ｂ，Ｃ，Ｄ，Ｅ）が１つのグループと推定できる。更に、値Ｂの人と関係があると判断された複数の識別子１であるＡ，Ｃ，Ｄ，Ｆの人がいる場合、（Ａ，Ｂ，Ｃ，Ｄ，Ｆ）が１つのグループと推定できる。

同様に、Ｃ，Ｄ，Ｅ，Ｆの各人に対して関係があると判断される複数の識別子１を比較する。そして、例えば、全ての人を含む最大の関係グループを仮定し、その中で、全ての人の６０％以上と関係がある人のみを残す、といった方法で、関係グループを構成する人を特定することができる。

関係プロファイル記憶部４０２は、関係分析部３０２から出力される関係性の深さのデータを保持する。

以上のとおり、第２のステップを実行させる本実施形態の位置情報分析システムによれば、人の位置と物品の位置の位置関係の変化により、人と人、人と物品の関係の深さ、更に複数の人や物品からなるグループを推定できる。

（第３のステップ）
上記第３のステップを実行させる本実施形態の位置情報分析システムの構成について説明する。図２０は、本実施形態に係る位置情報分析システムの構成を示すブロック図である。

本実施形態に係る位置情報分析システムは、データ入力部５０と、プロファイル分析部５００と、分析データ記憶部５０１などからなる。

データ入力部５０は、誰が何を購入したかが入力される。プロファイル分析部５００は、属性情報記憶部２０１、第１のステップで得られた結果を保持する関心プロファイル記憶部２０３、第２のステップで得られた結果を保持する関係プロファイル記憶部４０２のそれぞれから得られる情報をもとに分析する。分析データ記憶部５０１は、分析結果を保持する。

データ入力部５０は、誰が何を買ったのかが入力される。例えば小売店の場合は、ＰＯＳレジが該当し、誰が何を買ったのかについて、データ入力部５０は、人（購入者等）を示す識別子１と、何を買ったのかを示す識別子２を取得し、出力する。

プロファイル分析部５００と、分析データ記憶部５０１は、例えばサーバ装置などのコンピュータで実行される。コンピュータは、ＣＰＵ、メモリ、入出力Ｉ／Ｆ、表示部、ネットワーク接続部、記憶部などからなる。分析データ記憶部５０１は、例えば、ＨＤＤ（ハードディスクドライブ）、フラッシュメモリなどの記憶媒体や記録再生装置で構成される。

プロファイル分析部５００は、データ入力部５０から得られる識別子１と関係性の深い別の人の識別子１を、関係プロファイル記憶部４０２から取得する。そして、プロファイル分析部５００は、データ入力部５０から得られる識別子１と関係性の深い別の人の識別子１とから構成される識別子１リストを生成する。プロファイル分析部５００は、データ入力部５０から得られる識別子２を用い、識別子２の属性を属性情報記憶部２０１から取得する。

以降は、識別子１リストに含まれる識別子１それぞれに対して行う。
（１）属性情報記憶部２０１と関連のある分析単位と属性が、関心プロファイル記憶部２０３に含まれているかどうかか調査される。
（２）属性情報記憶部２０１と関連のある分析単位と属性が含まれている場合、属性値と、関心プロファイルに保持されている関心度の分布に基づいて、関心度が算出される。
（３）関心度は複数取りえるので、例えば２乗平均をとるなどの方法で、識別子１毎の識別子２の対象に対する関心度を算出する。

以上により、識別子１リストの人毎に、識別子２の対象に対する関心度が算出できる。その中で最大の関心度をとる識別子１の人を、作業者に識別子２の購入を指示した人と推定できる。

以上のとおり、第３のステップを実行させる本実施形態の位置情報分析システムによれば、購入を実際に行った人ではなく、誰が購入の意思決定を行ったのかが判別できる。

従来、人や物品など移動体の個体を識別し、なおかつ位置の遷移を動線として検出し、商品棚前の滞留時間に基づいて、商品への関心を推定するといった動線からの単純な意味解析をベースとした顧客動線分析技術は数多く開示されてきた。

例えば、１００個の商品「商品００１」〜「商品１００」があるとして、それぞれの商品の前で顧客が滞留した場合、それぞれの商品について、商品前の滞留時間から商品毎の顧客の関心を推定できた。しかし、顧客が商品のどのような属性に関心を持っているかまでは判定できなかった。すなわち、顧客が商品の価格に関心を持ったのか、機能に関心を持ったのか、それともサイズや色、ブランドに関心を持ったのか、といった内容に踏み込んで判定することはできなかった。

一方、本実施形態によれば、（１）人の位置と物品の位置の位置関係の変化により、物品単位の関心度だけでなく、物品のどの属性にどのように関心を持つのか、関心に影響しない属性はどれなのかを検出できる。また、属性単位に、その属性が関心に影響するかどうかを検出できる。

また、（２）物品の直接的な属性だけでなく、例えばリビングの広さといった、どういった利用に適しているかといった属性も勘案し、分析できる。更に、（３）属性単位で、時間軸方向での関心の変化の推移を分析できる。また、（４）関心に影響ある属性と、その属性が影響する範囲を特定できる。そして、（５）関心に影響ある属性のみを、プロファイルとして記憶できる。

更に、商品の購買形態として、商品の購入を決定した人物が、自分自身では商品を直接購入せず、他の関係者に指示し、その関係者を介して商品を購入する場合がある。この購買形態では、商品購入を実際に行った顧客は、自分自身の関心に基づく購買傾向とは異なる購買行動をとることになる。従って、従来の位置情報分析システムでは、実際に商品を購入した顧客と、購入指示をした顧客を区別することができなかった。そのため、実際に商品を購入した顧客に対する分析と、購入指示をした顧客に対する分析の両方とも正しい結果が得られなかった。

また、商品の購買形態として、商品の購入を決定した人物が、自分自身では商品を直接購入せず、他の関係者に指示し、その関係者を介して商品を購入する場合がある。例えば、冷蔵庫などの白物家電の購入の際、夫婦のうち妻が購入決定を行い、夫が購入を行うといった行動は、日常的に発生し得る。

この購買形態では、商品購入を実際に行った顧客は、自分自身の関心に基づく購買傾向とは異なる購買行動をとることになる。ところが、従来の位置情報分析システムでは、実際に商品を購入した顧客と、購入指示をした顧客を区別することができなかった。そのため、実際に商品を購入した顧客に対する分析について正しい結果が得られなかった。その上、購入指示をした顧客に対する分析は行われていなかった。

一方、本実施形態によれば、人の位置と物品の位置の位置関係の変化により、人と人、人と物品の関係の深さ、更に複数の人や物品からなるグループを推定できる。更に、購入を実際に行った人ではなく、誰が購入の意思決定を行ったのかが判別できる。

例えば冷蔵庫などの白物家電の購入を考えると、夫婦のうち妻が購入決定を行い、夫が購入を行うといった行動は、日常的に発生し得る。従来の技術では、夫の関心を分析する目的では、妻が購入決定を行った商品はノイズとなったが、本実施形態は妻が購入決定を行ったと判断できる。従って、誰が商品の購入決定を行ったかという情報を用いれば、夫自身や妻自身の関心をそれぞれ精度良く分析することができる。

その結果、例えば、測定対象の夫婦に販促活動を行う場合、妻が購入決定を行った商品カテゴリについて、夫に積極的に販促活動を実施してしまうという問題が発生せず、購入をしていないが購入決定を行った妻に販促活動を実施することができるため、販促活動を効果的に行うことができる。このように、購入意思決定者と購買者が同じ人物とは限らないという前提にたち、より確からしい購入決定者を推定することは、事業的な観点からも重要性が高いが、本発明はかかる観点でも有用性がある。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属する物品と了解される。

例えば、上記実施形態では、小売における顧客と商品の関係、顧客同士の関係について説明したが、本発明はかかる例に限定されない。例えば、工場等の製造業や、工事現場等の建設業、病院等の医療、物流業などにも適用することができる。例えば、人と物品の関係、人とその他の人の関係から、従業者が、誰の指示で作業したのかを推定できる。例えば、従業者が、自分自身の意思決定や直属の上司の意思決定に基づいて動いたかを推定できる。更に、従業者が、直属の上司以外の指示により作業を行う場合や、支持系統が複数あるといった業務が作業した場合を推定できる。このように、どの作業が誰の指示に基づいて行動したのかを推定できれば、誰の責任で行動しているのかが明らかにできる。また、事故や障害が発生した際にも、適切な意思決定者に状況を素早く連絡することが可能となり、早急な対策をとることが可能となる。

また、上記実施形態では、関心度の計測は、検出された位置関係に基づくとしたが、本発明はかかる例に限定されない。関心度の計測は、例えば、接触センサや人体通信などを用いた接触数や接触時間に基づいてもよい。また、パッシブＲＦＩＤや、存在を示すだけのアクティブＲＦＩＤ、赤外線ビーコンなど、近傍の範囲内に入ったことを検知するセンサで、近傍にいる時間に基づいて関心度を計測してもよい。また、関心度の計測は、作業開始と作業終了、離席を作業者自らが申告するシステムから得られる時間に基づいてもよい。

更に、上記実施形態では、関心度は時間を尺度として決定されるとしたが、本発明はかかる例に限定されない。例えば、沖電気工業株式会社のＦＳＥ（Face Sensing Engine）技術などの顔検出、表情検出などの技術を用いて、スマイル度合いで関心度を計測したり、顔色の高揚度合いで関心度を計測したりしてもよい。また、関心度は、店員などの第三者が目視で顧客の商品への関心度を判断し、その第三者によって手動で関心度が入力されてもよい。

上記実施形態では、商品の属性として、色、価格、機能、容量、ブランド、サイズ、等を挙げたが、本発明はかかる例に限定されない。物品の属性としては、ブランド、製品名、価格、色、重量、サイズ、形状、使われている素材、機能、消費電力、製品分野、用途、設置場所、値引率、販売エリア、販売店、支払い期日、特典、洗いやすさ、製品寿命、他の人の評判、発売日からの経過日数、新製品かどうか、在庫量、競合製品の有無、制限事項、設置工事の有無などでもよい。また、場所の属性としては、面積、形状、高度、イベント名称、イベント内容、出席予定者、座席数、集客人数、入場料、設置物、用途、清潔さ、開催日時などでもよい。

また、関心度の分析は、物品単独での分析や、場所単独での分析に限定されない。例えば、物品と場所両方を一緒に分析してもよい。

本発明の一実施形態に係る位置情報分析システムの構成を示すブロック図である。 同実施形態の位置検知部が出力する位置情報の例を示す説明図である。 同実施形態の周辺情報記憶部が記憶する情報を示す説明図である。 同実施形態の関心計測部による関心度の計算方法の例を示す説明図である。 同実施形態の関心計測部が出力する情報の一例を示す説明図である。 同実施形態に係る属性情報記憶部が保持する情報の一例を示す説明図である。 同実施形態の属性変換部が出力する情報の一例を示す説明図である。 同実施形態に係る属性分類情報記憶部が保持する属性グループ情報の一例を示す説明図である。 同実施形態に係る属性分類情報記憶部が保持する複合属性情報の一例を示す説明図である。 カテゴリ２がカメラである場合の記録可能な容量と関心度の関係を示すグラフである。 カテゴリ２がカメラである場合のサイズと関心度の関係を示すグラフである。 カテゴリ２がカメラである場合の記録可能な容量と関心度の関係を示すグラフである。 同実施形態に係る関心プロファイル生成部が生成する情報の一例を示す説明図である。 同実施形態に係る位置情報分析システムの構成を示すブロック図である。 同実施形態の同伴計測部による同伴時間の計測方法の例を示す説明図である。 同実施形態に係る同伴計測部が出力する情報の一例を示す説明図である。 検知エリアにおける人Ｘと人Ｙの関係を示す平面図である。 同実施形態に係る同時存在計測部が出力する情報の一例を示す説明図である。 同伴時間と同時存在時間の関係を示すグラフである。 同実施形態に係る位置情報分析システムの構成を示すブロック図である。

符号の説明

１０ 位置検知部
５０ データ入力部
１００ 関心計測部
１０１ 属性変換部
１０２ 分析部
１０３ 関心プロファイル生成部
２００ 周辺情報記憶部
２０１ 属性情報記憶部
２０２ 属性分類情報記憶部
２０３ 関心プロファイル記憶部
３００ 同伴計測部
３０１ 同時存在計測部
３０２ 関係分析部
４０１ 関係情報記憶部
４０２ 関係プロファイル記憶部
５００ プロファイル分析部
５０１ 分析データ記憶部

Claims (16)

1. 人と１又は複数の測定対象との位置関係と、前記位置関係の時間変化とに基づいて、前記人の前記測定対象に対する関心度を前記測定対象毎に算出する関心度算出部と、
   前記測定対象に関する１又は複数の属性と、前記属性が有する属性値を記憶する属性記憶部と、
   前記測定対象に対する関心度を、前記測定対象に関する前記１又は複数の属性の関心度として扱い、前記属性間の関係性、又は前記属性と前記１若しくは複数の属性の関心度の相関を算出する相関算出部と
   を備える、情報処理装置。
2. 前記相関算出部で算出された前記相関に基づいて、前記人の任意の測定対象に関する任意の属性の関心度を、前記任意の属性が有する属性値から予測する関心度予測部を更に備える、請求項１に記載の情報処理装置。
3. 前記属性は、前記複数の属性の一部の集合である属性グループである、請求項１又は２に記載の情報処理装置。
4. 前記関心度算出部は、前記人と前記１つの測定対象の距離が所定の閾値を満たしている１又は複数回の期間の時間を計測して前記関心度を算出する、請求項１〜３のいずれかに記載の情報処理装置。
5. 前記関心度算出部は、前記人と前記１つの測定対象の距離が所定の閾値を満たしている１又は複数回の期間の回数を計測して前記関心度を算出する、請求項１〜３のいずれかに記載の情報処理装置。
6. 前記測定対象は、所定のアイテム、人物又は領域である、請求項１〜５のいずれかに記載の情報処理装置。
7. 人と１又は複数の測定対象の距離が所定の閾値を満たしている時間を同伴時間として計測する同伴時間計測部と、
   所定領域内に前記人と前記測定対象が同時に存在している時間を同時存在時間として計測する同時存在時間計測部と、
   前記同伴時間と前記同時存在時間との関係に基づいて、前記人と前記測定対象の間の関係度を算出する関係度算出部と
   を備える、情報処理装置。
8. 前記人及び前記測定対象のうち少なくともいずれかが複数であるとき、前記人と前記測定対象との関係度に基づいて、前記人と前記測定対象を複数のグループに分類する分類部を更に備える、請求項７に記載の情報処理装置。
9. 前記属性は、数量で直接比較できない性質を有する、請求項１〜８のいずれかに記載の情報処理装置。
10. 前記属性は、前記測定対象の色、機能、ブランドである、請求項９に記載の情報処理装置。
11. 前記属性は、数量で直接比較できる性質を有する、請求項１〜８のいずれかに記載の情報処理装置。
12. 前記属性は、前記測定対象の容量、価格、サイズ、重量、消費電力、値引率である、請求項１１に記載の情報処理装置。
13. 第１の顧客と、前記第１の顧客と異なる１又は複数の第２の顧客の距離が所定の閾値を満たしている時間を同伴時間として計測する同伴時間計測部と、
    所定領域内に前記第１の顧客と前記第２の顧客が同時に存在している時間を同時存在時間として計測する同時存在時間計測部と、
    前記同伴時間と前記同時存在時間との関係に基づいて、前記第１の顧客と前記第２の顧客の間の関係度を算出する関係度算出部と
    を備える、情報処理装置。
14. 前記第１の顧客及び前記第２の顧客と、１又は複数のアイテムとの位置関係と、前記位置関係の時間変化とに基づいて、前記第１の顧客及び前記第２の顧客の前記アイテムに対する関心度を前記アイテム毎に算出する関心度算出部と、
    前記アイテムに関する１又は複数の属性と、前記属性が有する属性値を記憶する属性記憶部と、
    前記アイテムに対する関心度を、前記アイテムに関する前記１又は複数の属性の関心度として扱い、前記属性間の関係性、又は前記属性と前記１若しくは複数の属性の関心度の相関を前記第１の顧客又は前記第２の顧客毎に算出する相関算出部と、
    前記第１の顧客又は前記第２の顧客毎の前記相関に基づいて、任意の前記アイテムと前記第１の顧客又は前記第２の顧客の関心度との関係を算出し、前記第１の顧客又は前記第２の顧客のうち最も関心度の高い前記第１の顧客又は前記第２の顧客を抽出する顧客アイテム関係算出部と
    を備える、請求項１３に記載の情報処理装置。
15. 関心度算出部が、人と１又は複数の測定対象との位置関係と、前記位置関係の時間変化とに基づいて、前記人の前記測定対象に対する関心度を前記測定対象毎に算出するステップと、
    属性記憶部が、前記測定対象に関する１又は複数の属性と、前記属性が有する属性値を記憶するステップと、
    相関算出部が、前記測定対象に対する関心度を、前記測定対象に関する前記１又は複数の属性の関心度として扱い、前記属性間の関係性、又は前記属性と前記１若しくは複数の属性の関心度の相関を算出するステップと
    を含む、情報処理方法。
16. 同伴時間計測部が、人と１又は複数の測定対象の距離が所定の閾値を満たしている時間を同伴時間として計測するステップと、
    同時存在時間計測部が、所定領域内に前記人と前記測定対象が同時に存在している時間を同時存在時間として計測するステップと、
    関係度算出部が、前記同伴時間と前記同時存在時間との関係に基づいて、前記人と前記測定対象の間の関係度を算出するステップと
    を含む、情報処理方法。
    
    
    

Images