Download as PDF, PPTX
![[DL輪読会]ICLR2020の分布外検知速報](https://cdn.slidesharecdn.com/ss_thumbnails/iclr2020ood-190927011524-thumbnail.jpg?width=640&height=640&fit=bounds)
![SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習](https://cdn.slidesharecdn.com/ss_thumbnails/200611ssii2020os2weaksupervision-200609142553-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...](https://cdn.slidesharecdn.com/ss_thumbnails/dl0114-220114032933-thumbnail.jpg?width=640&height=640&fit=bounds)
2013 gis学会 発表スライド
- 1. 1 / 41 GISA学術研究発表Web大会 携帯電話のGPSログデータを用いた 人々 の 行 動 パ タ ーン の 分 類 東京大学大学院 西村隆宏 はじめに 背景 方法 結果 考察 課題
- 2. 2 / 41 Agenda ・背景 ・方法 ・結果 :GPSデータを取り巻く環境 ・考察 ・課題 : 分 析 結 果 か ら 導 ける こ と はじめに 背景 : 分類に関する既存データの利用 : 分 析 結 果 に つ いて : 今後研究を進める上での課題 方法 結果 考察 課題
- 3.
- 4.
- 5.
- 6. 6 / 41 購入行動の変化 19602000 ・大量生産大量消費 ・実店舗で購入 現在 ・少量生産少量消 費 ・Web通販で購入 顧客の嗜好は多様化している はじめに 背景 方法 結果 考察 課題
- 7. 7 / 41 顧客調査の手法 ・アンケート調査 -訪問調査 - 利点: 回収率が高い - 欠点: 大量・広域の情報を取得できない - Web調査 - 利点: 大量に情報を取得できる - 欠点: サンプルが偏る、回収率が低い アンケート調査は簡単だが限界もある はじめに 背景 方法 結果 考察 課題
- 8. 8 / 41 顧客調査の手法 ・POSデータの分析 -利点 顧客の嗜好傾向が非常にわかりやすい - 欠点 個人属性がわからないので、調査内容が 限定的になってしまう POSデータにも調査の限界がある はじめに 背景 方法 結果 考察 課題
- 9. 9 / 41 GPSデータの利活用 ・GPSデータ -利点 ユーザーの行動が明らかになる 様々な調査に応用が可能 - 欠点 非集計かつ空間データのため、扱いが 複雑である ハンドリングが難しいが、応用性は非常に高い はじめに 背景 方法 結果 考察 課題
- 10.
- 11.
- 12. 12 / 41 既往研究 ・山本らの研究* -研究対象地域を複数のエリアに分割し 被験者の通過状況をもとに 行動パターンの分類を行った。 年齢、グループ構成で 行動パターンに違いがある 行動パターンの分類はGPSデータで可能である はじめに 背景 方法 結果 考察 課題 *GPSを用いた新宿御苑における利用者の行動パターンに関する研究, 日本造園学会誌 69,601,604
- 13.
- 14. 14 / 41 使用したデータ ・混雑統計® ・事業所,企業統計調査 ・Cameoコード 対象エリア:東京急行電鉄2km沿線 はじめに 背景 方法 結果 考察 課題
- 15. 15 / 41 使用したデータ ・混雑統計® ・事業所,企業統計調査 ・Cameoコード はじめに 背景 方法 結果 考察 課題
- 16. 16 / 41 混雑統計 id date lon lat Precision 44 2010/8/1 140.45415437.683889 0:45 1 239 2010/8/1 140.452909 37.683889 0:45 1 342 2010/8/1 140.456944 37.683889 0:45 1 378 2010/8/1 140.454154 37.683889 0:45 3 精度が悪いデータは 滞留点の計算時に 除外する 本研究で最も重要なデータ はじめに 背景 方法 結果 考察 課題
- 17. 17 / 41 使用したデータ ・混雑統計® ・事業所,企業統計調査 ・Cameoコード はじめに 背景 方法 結果 考察 課題
- 18.
- 19. 19 / 41 使用したデータ ・混雑統計® ・事業所,企業統計調査 ・Cameoコード はじめに 背景 方法 結果 考察 課題
- 20.
- 21.
- 22.
- 23.
- 24.
- 25. 25 / 41 UserID lon lat flag 358 139.6572145 35.571478 1 528 139.6552235.570136 1 811 139.65707634.844495 1 1290 135.448560655.167193 3 2 1305 139.80227634.832681 1 2028 137.05060833.527822 0 2069 139.00638336.350873 0 2115 139.00515 36.34136 1 2142 130.09249956.3429395 3 1 3381 130.0924995 33.290681 1 はじめに 背景 方法 1: 居住地 2: 勤務地 3: 駅 0: その他 のフラグがついており、 このフラグをもとに滞留点を 各データに変換する 結果 考察 課題
- 26.
- 27.
- 28.
- 29. 29 / 41 集計結果 UserID Cameo 1 358 2 31 528 2 0 811 1 71 1290 1 1305 1 2028 1 2069 2 2115 2 3 4 5 1 2 3 4 5 UserID Cameo 358 2 4 528 2 32133 23 58 811 1 0.22 0.1 0.42 0.07 0.18 15 40 484 67 82 1290 1 0.02 0.06 0.7 29 30 136 7 687 1305 1 0.03 0.03 0.15 0.01 0.77 288 205 428 3 171 2028 1 0.26 0.19 0.39 39 69 342 488 404 2069 2 0.03 0.05 0.25 0.36 0.3 4 14 77 664 121 69 2115 4 0.01 0.08 0.7 0.13 0.07 2142 4 14 92 983 635 159 2142 4 0.01 0.05 0.52 0.34 0.08 3381 1 3 14 371 43 274 3381 1 88 214 54 129 7 264 357 頻度表の一部 はじめに 背景 0.06 0.17 0.41 0.1 0.25 0 0 0.01 0.42 0.56 0.01 0.1 0.12 0 0.16 0.02 0.53 0.06 0.39 正規化後の表の一部 方法 結果 考察 課題
- 30.
- 31. 31 / 41 クラスタリング結果 標準行動 クラスタ 495人 138人 非標準行動 クラスタ 179人 330人 Ca m e o コ ー ド 1 番 ユー ザー の クラスタリング結果 はじめに 背景 方法 結果 考察 課題
- 32.
- 33.
- 34. 34 / 41 類似度計算1/2 ・標準行動クラスタ間の類似度を計算する 1 2 3 4 2 0.17 3 0.78 0.58 4 0.98 0.13 0.71 5 0.06 -0.41 -0.25 はじめに 背景 方法 結果 考察 0.16 課題
- 35. 35 / 41 類似度計算2/2 ・ すべ ての 組 み 合 わ せ に お いて 類 似 度 を 計 算 す る 1 2 3 4 5 1-2 0.44 0.39 0.57 0.45 0.68 1-3 0.61 0.59 0.62 0.75 0.74 1-4 0.64 0.58 0.85 0.63 0.84 2-1 0.63 0.57 0.83 0.64 0.81 2-2 0.75 0.75 0.67 0.85 0.7 2-3 0.37 0.35 0.43 0.56 0.64 2-5 0.54 0.5 0.67 0.58 0.79 3-2 0.57 0.56 0.57 0.72 0.69 3-3 0.47 0.41 0.66 0.5 0.8 3-4 0.89 0.9 0.74 0.86 0.59 4-1 0.88 0.89 0.69 0.85 0.53 4-3 0.52 0.45 0.78 0.51 0.69 4-4 0.59 0.54 0.72 0.68 0.87 4-5 0.49 0.48 0.48 0.66 0.63 5-1 0.44 0.43 0.45 0.62 0.63 5-2 0.9 0.9 0.76 0.88 0.64 1-2 1-3 1-4 2-1 2-2 2-3 2-5 3-2 3-3 3-4 4-1 4-3 4-4 4-5 5-1 5-2 対応表 類似度表 はじめに 背景 5 4 3 3 4 5 5 4 5 2 2 3 5 4 5 4 方法 結果 考察 課題
- 36.
- 37.
- 38.
- 39. 39 / 41 考察 1 2 3 4 5 居住地属性 人数 居住地属性 人数 1-2 0.44 0.39 0.57 0.45 0.68 1-1 495 3-3 17 1-3 0.61 0.59 0.62 0.75 0.74 1-4 0.64 0.58 0.85 0.63 0.84 1-2 138 3-4 15 2-1 0.63 0.57 0.83 0.64 0.81 1-3 179 4-1 54 2-2 0.75 0.75 0.67 0.85 0.7 1-4 330 4-2 95 2-3 0.37 0.35 0.43 0.56 0.64 2-1 153 4-3 31 2-5 0.54 0.5 0.67 0.58 0.79 3-2 0.57 0.56 0.57 0.72 0.69 2-2 163 4-4 78 3-3 0.47 0.41 0.66 0.5 0.8 2-3 87 4-5 54 3-4 0.89 0.9 0.74 0.86 0.59 2-4 169 5-1 21 4-1 0.88 0.89 0.69 0.85 0.53 4-3 0.52 0.45 0.78 0.51 0.69 2-5 82 5-2 48 4-4 0.59 0.54 0.72 0.68 0.87 3-1 20 5-3 44 4-5 0.49 0.48 0.48 0.66 0.63 3-2 16 5-1 0.44 0.43 0.45 0.62 0.63 5-2 0.9 0.9 0.76 0.88 0.64 各ク ラ ス タ サイ ズ の 表 類似度表 ・例えばCameoコード１番に居住する人のうち、 中高年者が12%, 裕福なファミリーが15％含ま れているとわかる。 はじめに 背景 方法 結果 考察 課題
- 40.
- 41.
- 42.
- 43.