Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
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 / 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
...
3 / 41

背景

はじめに

背景

方法

結果

考察

課題
4 / 41

社会の変化
既往研究
はじめに

背景

方法

結果

考察

課題
5 / 41

社会の変化
既往研究
はじめに

背景

方法

結果

考察

課題
6 / 41

購入行動の変化
1960 2000
・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 / 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...
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...
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...
10 / 41

GPSデータの活用例
・モバイル広告代理店
10:00AM

18:00PM

15:00PM
百貨店

ユーザー

広告配信
DB

カフェ
流行もの
レストラン

ユーザーの位置・時間から最適な広告を配信
はじめに

背景...
11 / 41

社会の変化
既往研究
はじめに

背景

方法

結果

考察

課題
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...
13 / 41

方法

はじめに

背景

方法

結果

考察

課題
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 / 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 / 41

混雑統計
id

date

lon

lat

Precision

44

2010/8/1
140.454154 37.683889
0:45

1

239

2010/8/1
140.452909 37.683889...
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 / 41

事業所・企業統計調査
メッシュコード

事業所数

従業員数

533900043

1

6

533900051

1

10

533900053

2

27

533900071

1

221

533900073...
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 / 41

Cameoコード
グループNo.

特徴

1

裕福な単身・二人世帯の多い都会地域

2

裕福な中高年の多い地域

3

裕福なファミリーの多い地域

4

比較的裕福な単身者の多い地域

5

ホワイトカラー・2世帯住宅...
21 / 41

使用データのまとめ
滞留点
混雑
統計®

はじめに

背景

使用データ

推定居住地

Cameoコード

非推定居住地

事業所・企業
統計調査

方法

結果

考察

課題
22 / 41

解析のフロー
Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユ...
23 / 41

結果

はじめに

背景

方法

結果

考察

課題
24 / 41

Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユーザー分
類
...
25 / 41

UserID

lon

lat

flag

358

139.6572145
35.571478

1

528

139.65522 35.570136

1

811

139.65707634.844495

1

1...
26 / 41

Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユーザー分
類
...
27 / 41
28 / 41

Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユーザー分
類
...
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...
30 / 41

Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユーザー分
類
...
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

C a 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...
32 / 41

クラスタリング結果
居住地属性

居住地属性

人数

1-1

495

3-3

17

1-2

138

3-4

15

1-3

179

4-1

54

1-4

330

4-2

95

2-1

153
...
33 / 41

Start

滞留点を推定

混雑統計

Cameo
コード

Cameoコードを
割り当て

500mメッシ
ュに集計

メッシュを
分類

商業コード

滞留点
データ

yes

各Cameoコード
別にユーザー分
類
...
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...
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...
36 / 41

考察

はじめに

背景

方法

結果

考察

課題
37 / 41

考察
グループNo.

特徴

1

裕福な単身・二人世帯の多い都会地域
1

2

3

4

2

裕福な中高年の多い地域

2

0.17

3

裕福なファミリーの多い地域

3

0.78

0.58

4

0.9...
38 / 41

考察
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

5
4
3
3
4
5
5
4
5
2
2
3
5
4
5
4

・居住地のCameoコー...
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....
40 / 41

本研究のまとめ
・GPSデータから滞留点を推定
↓
・居住推定地と非居住地に分類し、
 居住地傾向から各ユーザーの属性を推定

裕福と推定される人々の個人属性は推定可能
はじめに

背景

方法

結果

考察

課題
41 / 41

課題

はじめに

背景

方法

結果

考察

課題
42 / 41

課題
・地域分類がまだ不完全
・日本全国を対象に行う
・滞留点の滞留時間を考慮に入れる
・推定勤務地の情報も追加する
さらに細かく分類する必要がある
はじめに

背景

方法

結果

考察

課題
43 / 41

ご静聴ありがとう
ございました
はじめに

背景

方法

結果

考察

課題
Upcoming SlideShare
Loading in …5
×

2013 gis学会 発表スライド

3,537 views

Published on

GISA学術研究発表Web大会

Published in: Technology
  • Be the first to comment

2013 gis学会 発表スライド

  1. 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. 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. 3. 3 / 41 背景 はじめに 背景 方法 結果 考察 課題
  4. 4. 4 / 41 社会の変化 既往研究 はじめに 背景 方法 結果 考察 課題
  5. 5. 5 / 41 社会の変化 既往研究 はじめに 背景 方法 結果 考察 課題
  6. 6. 6 / 41 購入行動の変化 1960 2000 ・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. 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. 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. 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. 10. 10 / 41 GPSデータの活用例 ・モバイル広告代理店 10:00AM 18:00PM 15:00PM 百貨店 ユーザー 広告配信 DB カフェ 流行もの レストラン ユーザーの位置・時間から最適な広告を配信 はじめに 背景 方法 結果 考察 課題
  11. 11. 11 / 41 社会の変化 既往研究 はじめに 背景 方法 結果 考察 課題
  12. 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. 13. 13 / 41 方法 はじめに 背景 方法 結果 考察 課題
  14. 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. 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. 16 / 41 混雑統計 id date lon lat Precision 44 2010/8/1 140.454154 37.683889 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. 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. 18. 18 / 41 事業所・企業統計調査 メッシュコード 事業所数 従業員数 533900043 1 6 533900051 1 10 533900053 2 27 533900071 1 221 533900073 2 4 533900074 4 2 533900081 1 76 事業所・企業統計調査表 分類結果表 地域分類のためのデータ はじめに 背景 方法 結果 考察 課題
  19. 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. 20. 20 / 41 Cameoコード グループNo. 特徴 1 裕福な単身・二人世帯の多い都会地域 2 裕福な中高年の多い地域 3 裕福なファミリーの多い地域 4 比較的裕福な単身者の多い地域 5 ホワイトカラー・2世帯住宅の多い地域 6 平均的な中高年の多い地域 はじめに 背景 方法 結果 考察 課題
  21. 21. 21 / 41 使用データのまとめ 滞留点 混雑 統計® はじめに 背景 使用データ 推定居住地 Cameoコード 非推定居住地 事業所・企業 統計調査 方法 結果 考察 課題
  22. 22. 22 / 41 解析のフロー Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  23. 23. 23 / 41 結果 はじめに 背景 方法 結果 考察 課題
  24. 24. 24 / 41 Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  25. 25. 25 / 41 UserID lon lat flag 358 139.6572145 35.571478 1 528 139.65522 35.570136 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. 26. 26 / 41 Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  27. 27. 27 / 41
  28. 28. 28 / 41 Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  29. 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 32 133 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. 30. 30 / 41 Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  31. 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 C a 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. 32. 32 / 41 クラスタリング結果 居住地属性 居住地属性 人数 1-1 495 3-3 17 1-2 138 3-4 15 1-3 179 4-1 54 1-4 330 4-2 95 2-1 153 4-3 31 2-2 163 4-4 78 2-3 87 4-5 54 2-4 169 5-1 21 2-5 82 5-2 48 3-1 20 5-3 44 3-2 はじめに 人数 16 背景 方法 結果 考察 課題
  33. 33. 33 / 41 Start 滞留点を推定 混雑統計 Cameo コード Cameoコードを 割り当て 500mメッシ ュに集計 メッシュを 分類 商業コード 滞留点 データ yes 各Cameoコード 別にユーザー分 類 居住地か どうか クラスタ数の 決定 事業所統計 no 滞留点を商業コ ードに変換し、 集計 クラスタサイ ズが最大か no 非標準行動 クラスタと命名 yes 標準行動 クラスタと命名 はじめに 背景 方法 結果 標準行動クラス タと非標準行動 クラスタの類似 度を計算 考察 End 課題
  34. 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. 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. 36. 36 / 41 考察 はじめに 背景 方法 結果 考察 課題
  37. 37. 37 / 41 考察 グループNo. 特徴 1 裕福な単身・二人世帯の多い都会地域 1 2 3 4 2 裕福な中高年の多い地域 2 0.17 3 裕福なファミリーの多い地域 3 0.78 0.58 4 0.98 0.13 0.71 5 0.06 -0.41 -0.25 4 比較的裕福な単身者の多い地域 5 ホワイトカラー・2世帯住宅の多い地域 6 平均的な中高年の多い地域 0.16 各標準クラスタ間の相 関 Cameoコードの特徴 年齢によって行動パターンが変化する はじめに 背景 方法 結果 考察 課題
  38. 38. 38 / 41 考察 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 5 4 3 3 4 5 5 4 5 2 2 3 5 4 5 4 ・居住地のCameoコードと異  なる地域の標準クラスタと  類似度が高い 対応表 同地域内居住者で行動が異なる人が一定数いる はじめに 背景 方法 結果 考察 課題
  39. 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. 40. 40 / 41 本研究のまとめ ・GPSデータから滞留点を推定 ↓ ・居住推定地と非居住地に分類し、  居住地傾向から各ユーザーの属性を推定 裕福と推定される人々の個人属性は推定可能 はじめに 背景 方法 結果 考察 課題
  41. 41. 41 / 41 課題 はじめに 背景 方法 結果 考察 課題
  42. 42. 42 / 41 課題 ・地域分類がまだ不完全 ・日本全国を対象に行う ・滞留点の滞留時間を考慮に入れる ・推定勤務地の情報も追加する さらに細かく分類する必要がある はじめに 背景 方法 結果 考察 課題
  43. 43. 43 / 41 ご静聴ありがとう ございました はじめに 背景 方法 結果 考察 課題

×