YJTC18 D-3 ユーザーの位置情報解析の最先端

ヤフーの位置情報解析技術
Yahoo! JAPAN研究所坪内孝太

Copyright 2018 Yahoo Japan Corporation. All Rights Reserved.
利用数1100万人突破！
Appストア無料総合ランキング1位獲得！

あなたの近くの災害情報を提供
利用数1100万人突破！
Appストア無料総合ランキング1位獲得！

定期的に取得し、サーバーで大切に保存

ヤフーの位置情報
• GPS（防災アプリ）
• >20M / day
• 2013年
• >150M / day
• 2017年
5
2013年5月20日のログを
白い紙にプロット

街を知る！

ごちゃごちゃなデータ
とにかく、膨大な英数字の羅列

データ解析の３大がっかり
•データが悪い。
•解析がふさわしくない。
•結果がつまらない。

ざわ・・・
ざわ・・・
本当に街を知るのに良いデータなのか？

未来は明るいという確信

街を知るに足る位置情報か？
• 防災アプリの位置情報から決められたエリアの人数
を推定
• カーネル密度推定を用いた補正
• カチカチ調査を実施
• 同タイミングでの人数を比較

丸の内
幕張メッセ
六本木明大前

確信＝未来は明るい！
• 推定結果とかちかち調査の結果が、概ね一致。
• ヤフーの位置情報は、街の人の動きを表している。
Kentaro Nishi, Kota Tsubouchi, and Masamichi Shimosaka. 2014. Hourly pedestrian population
trends estimation using location data from smartphones dealing with temporal and spatial
sparsity. In Proceedings of the 22nd ACM SIGSPATIAL International Conference on Advances in
Geographic Information Systems (SIGSPATIAL '14). ACM, New York, NY, USA, 281-290.

いつものパタン?
06:00 12:00 18:00 24:00
0
1000
2000
3000
4000
5000
Time
Intensity
Shinjuku
06:00 12:00 18:00 24:00
0
200
400
600
800
1000
Time
Intensity
TokyoDisneyland
06:00 12:00 18:00 24:00
0
500
1000
1500
2000
2500
3000
Time
Intensity
YahooJapan
ー平日ー週末
新宿東京ディズニーランドミッドタウン

いつものパタン？
• 簡単な統計処理の求め方ではうまくいかない！

バイリニアポアソン回帰モデル
• 時間tと要因dの組合せを考慮
• 早く計算できる！
• 条件を指定して、パタンをうまく
抽出できる！

バイリニアポアソン回帰モデルの評価
• 予測誤差が小さい
• 人数
• 波形（ピーク）
• 既存手法より優れた方法

武器＝いつものパタンを正しく
• バイリニアポアソン回帰モデル
• いつものパタンを抽出できる。
• “いつも”の意味を指定できる。
Masamichi Shimosaka, Keisuke Maeda, Takeshi Tsukiji, and Kota Tsubouchi. 2015. Forecasting
urban dynamics with mobility logs by bilinear Poisson regression. In Proceedings of the 2015
ACM International Joint Conference on Pervasive and Ubiquitous Computing(UbiComp '15). ACM,
New York, NY, USA, 535-546.

3種の神器が揃うことで、
面白い解析ができる。

事例１：イベント検出
• 「いつものパタン」を正しく検出できていると、異常も
正しく検出できる。
06:00 12:00 18:00 24:00
0
1000
2000
3000
異常！
0 0.5 1
0
0.5
1
+100%+50%0%−50%−100%
+20%+10%0%−10%−20%
●=観測地点

東京マラソン
●=観測地点

東京マラソンの異常検出

事例２：熊本震災＋隠れ避難所問題

通常の避難所の様子
The Page news (https://thepage.jp/detail/20160422-00000003-wordleafv)

9グランメッセ熊本の駐車場（非公式避難所）での混雑
(source: fuji newspaper)

Sekimoto lab. IIS, Univ. of Tokyo
隠れ避難所を検出できないか。
•「いつものパタン」から大きく外れているところが、
避難所
06:00 12:00 18:00 24:00
0
1000
2000
3000
異常！

４月１日＝たまにオレンジが見られる程度

避難所はうまく見つかりそう。
隠れ避難所は？

異常混雑メッシュと「公式避難所」を重ねると。。。
Map：© OpenStreetMap contributors
青い点は熊本市が指定した
「公式避難所」

Sports Center
School
School
School
City Hall
Hospital
Hospital
School
School
School
Park
Hospital
School
School
Tax Office
School
School
Hospital
School
Shrine City Office
City Hall
Baseball field
これらのメッシュは「隠れ避難所」の可能性
Map：© OpenStreetMap contributors
Hospital
真っ赤だが、公式避難所がない場所＝隠れ避難所？

空地・更地
どのような施設が「隠れ避難所」として利用されたのか？
航空写真を用いて異常混雑を観測したメッシュをチェックした。
 空地・公共施設の駐車場・学校等の校庭など
これらの避難場所は特定が困難であった。
 本手法を用いることで容易に特定をすることが出来た。
学校の校庭
②
Aerial Images：© Google Map

事例２：隠れ避難所検出
• 「いつものパタン」との差異で避難地域を特定
• 公式避難所との差分で、隠れ避難所を検出
• 解析自体は数時間程度で可能
Takahiro Yabe, Kota Tsubouchi, Akihito Sudo, and Yoshihide Sekimoto. 2016. Predicting irregular
individual movement following frequent mid-level disasters using location data from
smartphones. In Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances
in Geographic Information Systems (GIS '16). ACM, New York, NY, USA, Article 54

事例３：豪雨・豪雪の影響測定

•天候により、人の移動は影響を受ける。
•可視化
•定量的な評価
• 例）どの程度いつものパタンと違うか
• 例）人の流れが変わったか

•天候により、人の移動は影響を受ける。
•可視化
•定量的な評価
• 例）どの程度いつものパタンと違うか
• 例）人の流れが変わったか
•災害に対する強さは、街によって違う。

街の災害強度の違い
• 東京は６ｃｍの雪で大混乱
https://www.nikkei.com/content/pic/20180122/ より引用

街の災害強度
• 東京は６ｃｍの雪で大混乱
• 福井は60cmの雪でも通常営業
https://www.nikkei.com/content/pic/20180122/ より引用

雪に対する各都市の頑強性
10都市を3つのグループに
分けることができた。
 都会ー郊外
 災害多めー少なめ
 都市の複雑性や人口、さ
らには災害の経験などが
都市の頑強性に影響して
いると推定される。
雪
に
よ
る
遅
延
発
生
量

発見
• 見事にフラジリティー曲線と一致する！
• 一致する＝街の脆さを数値で議論できる！

東京のどこに投資をするべき？
• インフラやエリア単位の脆弱性の議論も可能
埼京線：36.2%の遅延率
中央線：59.7%の遅延率

インフラ投資の費用対効果も分析可能
• 都市計画への応用
災害の激しさ
頑強性
災害の激しさ
頑強性
インフラ投資の前インフラ投資の後
頑強性の向上
定量的に、インフラ投資の効果を評価することができる。
低下した経済損失＞投資額？

事例３：街の頑強性評価
• いつものパタンとの差異を調べ、災害に対する頑強
性を評価。
• 直感に合う結果、頑強性を数値化。
Takahiro Yabe, Kota Tsubouchi, and Yoshihide Sekimoto. 2017. CityFlowFragility: Measuring the
Fragility of People Flow in Cities to Disasters using GPS Data Collected from Smartphones. Proc.
ACM Interact. Mob. Wearable Ubiquitous Technol. 1, 3, Article 117 (September 2017), 17 pages.

１月２２日・雪

１月１５日（月）１月２２日（月）

１月１５日（月）２０：００１月２２日（月）２０：００

まとめ
• 位置情報解析の3種の神器
• 膨大な位置情報
• 良いデータという確信
• いつものパタンという武器
• あとはインサイト１つで、日本のことを、街のことを知
ることができる。

ご清聴、ありがとうございました！
ktsubouc@yahoo-corp.jp

YJTC18 D-3 ユーザーの位置情報解析の最先端

More Related Content

Similar to YJTC18 D-3 ユーザーの位置情報解析の最先端

More from Yahoo!デベロッパーネットワーク

Recently uploaded

YJTC18 D-3 ユーザーの位置情報解析の最先端