专利名称：目的地推定装置、方法和程序以及包含该装置的导航系统的制作方法
技术领域：
本发明涉及目的地推定装置、包含该目的地推定装置的导航系统、目的地推定方法、以及目的地推定程序，尤其涉及将过去成为目的地的地点作为候补目的地、从这些候补目的地中推定目的地的目的地推定装置、包含该目的地推定装置的导航系统、目的地推定方法、以及目的地推定程序。
背景技术：
以往以来，导航系统具有如下功能当目的地被设定时，搜索从当前位置到该目的地的路径。另外，也已知以下的导航系统，该导航系统具备如下功能在所搜索出的路径上存在交通拥堵、交通限制等关联信息的情况下，对该信息进行提示，或者基于关联信息搜索 路径。用户能够对导航系统设定目的地。但是，也存在如下情况因为对导航系统设定目的地的操作繁杂，在目的地为用于常去的地点而不需要路径引导的情况下，用户不对导航系统设定目的地，不进行导航系统的路径搜索以及路径引导。在这样的情况下，用户无法使用由导航系统提示上述的关联信息、基于关联信息搜索路径等功能，在不知道发生了交通拥堵的情况下还沿该路径行驶，或者行驶到交通限制的地点才知道有交通限制而不得不绕行。已提出具备目的地推定装置的导航系统(例如参照日本特开2007-10572号公报)，该目的地推定装置中，即使用户没有设定目的地，也基于时间带、星期几、有无同乘者等状况信息、和/或用户的年龄、职业等用户信息，自动地推定目的地。在该目的地推定装置中，将过去成为目的地的地点作为候补目的地，基于上述的状况信息和/或用户信息，选择似然(likelihood，可能性)高的候补目的地而将其推定为目的地。根据这样的目的地推定装置，即使在用户认为是熟路而不需要路径引导、没有在导航系统设定目的地的情况下，也自动地推定目的地，搜索到该目的地的路径，在关于该搜索出的路径存在关联信息的情况下，能够对该关联信息进行提示，或者对基于关联信息的路径进行提不。

发明内容
发明要解决的问题在以往的目的地推定装置中，如上所述，将过去成为目的地的地点作为候补目的地,从这些候补目的地中推定目的地。图8是表示过去的目的地的履历中的每个目的地的到达次数的例子的图。如图8所示，在过去的目的地的履历中，实际上，例如9成以上的目的地是仅去过一次的地点，也有时I成左右的目的地的到达次数占全部目的地的到达次数的9成以上。因此，例如，很久以前仅去过一次并且现在不太可能去第二次的地点，有时也会基于状况信息和/或用户信息被推定为目的地。由此，存在目的地的推定精度会降低这种问题。本发明是为了解决以往的问题而完成的发明，其目的在于，在将过去成为目的地的地点作为候补目的地 、从这些候补目的地中推定目的地的目的地推定装置或具备该目的地推定装置的导航系统中，使目的地的推定精度提高。用于解决问题的手段本发明的目的地推定装置，具备履历存储部，其存储过去成为目的地的地点的履历；目的地推定部，其从包含在所述履历存储部中存储的地点的多个候补目的地中，推定目的地；候补排除部，其基于在所述履历存储部中存储的所述履历，从由所述目的地推定部从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得部，其取得观测变量；以及模型存储部，其存储用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型，所述目的地推定部基于在所述模型存储部中存储的概率模型，求出所述多个候补目的地相对于由所述观测变量取得部取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地，所述候补排除部基于在所述履历存储部中存储的所述履历，从由所述目的地推定部求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地。根据该结构，在由目的地推定部推定的目的地中不包含判断为作为目的地的可信度比预定阈值低的候补目的地，因此在基于概率模型按作为目的地的概率高低的顺序排列候补目的地时，与存在作为目的地的可信度低的候补目的地的情况相比，作为目的地的可信度高的候补目的地的顺序改变(上升)。其结果，目的地的推定精度提高。另外，即使是基于概率模型设为作为目的地的概率(似然)高的候补目的地，但作为目的地的可信度低的候补目的地也会被排除，剩余的候补目的地中的概率高的候补目的地被推定为目的地。即，与以往同样地，目的地推定装置在使用概率模型求出候补目的地的概率之后，从候补目的地中排除可信度低的候补目的地，将概率高的候补目的地推定为目的地。此外，目的地推定部也可以将多个候补目的地推定为目的地。在该情况下，可以让用户从所推定出的目的地中选择目的地，也可以基于所推定出的全部目的地进行路径搜索，对与所搜索出的路径关联的关联信息进行提示。另外，上述的可信度是基于在履历存储部中存储的履历而得到的变量，例如可以是对于经常去的候补目的地以及今后有可能经常去的候补目的地而使变量值提高的变量。另外，本发明的另一方式的目的地推定装置，具备履历存储部，其存储过去成为目的地的地点的履历；目的地推定部，其从包含在所述履历存储部中存储的地点的多个候补目的地中，推定目的地；观测变量取得部，其取得观测变量；模型存储部，其存储用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型；以及学习部，其将所述履历中的成为所述目的地的地点作为所述候补目的地，对在所述模型存储部中存储的所述概率模型进行学习；以及候补排除部，基于在所述履历存储部中存储的所述履历，从由所述学习部用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地，所述目的地推定部基于在所述模型存储部中存储的概率模型，求出所述多个候补目的地相对于由所述观测变量取得部取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地，。根据该结构，在由目的地推定部推定的目的地中也不包含判断为作为目的地的可信度比预定阈值低的候补目的地，所以在基于概率模型按作为目的地的概率高低的顺序排列候补目的地时，与包含作为目的地的可信度低的候补目的地而进行了学习的情况相比，作为目的地的可信度高的候补目的地的顺序改变(上升)。其结果，目的地的推定精度提高。由此，如果基于所如此学习得到的概率模型来与以往同样地推定目的地，则在所推定的目的地中不会包含可信度低的候补目的地。在上述的目的地推定装置中，在所述履历存储部中存储的过去成为目的地的地点的履历中，可以包含日期信息，所述候补排除部可以基于所述日期信息，排除判断为作为目的地的可信度比预定阈值低的候补目的地。根据该结构，可以使用履历中的日期信息适当地排除判断为作为目的地的可信度比预定阈值低的候补目的地。通过在履历中包含日期信息，候补排除部能够例如按日期顺序重新排列履历而仅参考最近一定次数的行动履历，或者按日期顺序重新排列履历而掌握某地点最后成为目的地之日以后的行动次数和/或直到现在的期间。此外，在履历中除了日期信息以外还可以包含时刻信息。
在上述的目的地推定装置中，可以基于(a)在最近一定次数的行动中候补目的地成为目的地的比例、(b)候补目的地最后成为目的地之日以后的行动次数、(a’ )在最近一定期间的行动中候补目的地成为目的地的比例、(b’)候补目的地最后成为目的地之日以前的期间、(a)以及(b)、(a’ )以及(b)、(a)以及(b’)、或者(a’ )以及(b)，求出该候补目的地的所述可信度。根据该结构，能够将可信度设为对于经常去的目的地以及今后有可能经常去的目的地而使变量值提高的变量，能够适当地排除不经常去的候补目的地。在上述的目的地推定装置中，可以基于在所述履历存储部中存储的全部履历中的、候补目的地成为目的地的比例或者该候补目的地成为目的地的次数，求出该候补目的地的所述可信度。根据该结构，例如，通过候补排除部排除在全部履历中成为目的地的比例没有达到预定阈值的候补目的地、成为目的地的次数没有达到预定阈值的候补目的地。在上述的目的地推定装置中，可以对在所述履历存储部中存储的过去成为目的地的地点的履历赋予权重，可以考虑所述权重来求出所述可信度。根据该结构，在某地点成为目的地的情况下，根据各种条件附以权重而存储履历，考虑该权重来求出可信度，因此能够更正确地排除由用户设为目的地的可能性低的候补目的地。在上述的目的地推定装置中，可以根据该地点是否通过用户设定目的地从而成为目的地，赋予所述权重。认为由用户设定为目的地的地点是不经常去的地点的可能性比较高，另一方面，认为如果不是由用户设定为目的地而到达的地点，则该地点是用户经常去的地点的可能性比较高，因此，根据该结构，从推定为目的地的候补目的地中排除这样的地点，因此能够更正确地排除由用户设为目的地的可能性低的候补目的地。在上述的目的地推定装置中，可以根据从出发地到该地点的距离，赋予所述权重。在从出发地到成为目的地的地点的距离长的情况下，认为抱着更明确的目的去该地点的可信性比较高，相反，在从出发地到成为目的地的地点的距离短的情况下，认为由于偶然在该地点停车等理由而将该地点设为目的地的可能性比较高，因此，根据该结构，能够更正确地排除由用户设为目的地的可能性低的候补目的地。在上述的目的地推定装置中，可以根据该地点是否为大量人聚集的地点，赋予所述权重。例如在停车场的停车位多等通常大量人聚集的地点的情况下，认为该地点再次成为目的地的可能性比较高，因此，根据该结构，能够更正确地排除由用户设为目的地的可能性低的候补目的地。另外，本发明的另一方式是一种导航系统，该导航系统具备上述的目的地推定装置；和路径搜索部，其搜索到达由所述目的地推定部推定出的目的地的路径。根据该结构，在由目的地推定部推定的目的地中也不包含判断为作为目的地的可信度比预定阈值低的目的地，因此目的地的推定精度提高。
另外，上述的导航系统还可以具备关联信息提示部，该关联信息提示部提示与由所述路径搜索部搜索出的路径相关联的关联信息。因为用户对经常去的目的地熟悉其路径，有时不会特意在导航系统设定目的地来进行路径搜索，但根据该结构，即使在用户没有设定目的地的情况下，在到达该目的地的路径上存在关联信息的情况下，也能够对该关联信息进行提示。另外，在上述的导航系统中，所述路径搜索部基于包含交通拥堵信息以及交通限制信息的关联信息来搜索路径。根据该结构，即使在用户没有设定目的地的情况下，路径搜索部也基于包含交通拥堵信息以及交通限制信息的关联信息来搜索路径，因此，在用户日常行驶的路径上存在拥堵信息和/或交通限制信息等关联信息的情况下，能够基于这样的关联信息来搜索另外的路径。本发明的另一方式是一种目的地推定方法，该方法包括履历存储步骤，存储过去成为目的地的地点的履历；目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地；候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得步骤，取得观测变量；以及概率取得步骤，基于用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率，所述候补排除步骤中，从由所述概率取得步骤求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地，所述目的地推定步骤中，在由所述候补排除步骤排除了所述候补目的地之后，将剩余的所述候补目的地中的、由所述概率取得步骤求出的概率高的候补目的地推定为所述目的地。根据该结构，在由目的地推定步骤推定的目的地中不包含判断为作为目的地的可信度比预定阈值低的目的地，因此目的地的推定精度提高。另外，根据该结构，即使是基于概率模型作为目的地的概率(似然)高的候补目的地，但作为目的地的可信度低的候补目的地也会被排除，剩余的候补目的地中的概率高的候补目的地被推定为目的地。即，目的地推定方法中，与以往同样，在使用概率模型求出候补目的地的概率之后，从候补目的地中排除可信度低的候补目的地，将概率高的候补目的地推定为目的地。
本发明的另一方式的目的地推定方法，包括履历存储步骤，存储过去成为目的地的地点的履历；目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地；候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得步骤，取得观测变量；以及学习步骤，将所述履历中的所述目的地作为所述候补目的地，对用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型进行学习，所述候补排除步骤中，基于由所述履历存储步骤存储的所述履历，从由所述学习步骤用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地，所述目的地推定步骤中，基于由所述学习步骤学习的所述概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地。根据该结构，在由目的地推定步骤推定的目的地中也不包含判断为作为目的地的可信度比预定阈值低的目的地，因此目的地的推定精度提高。另外，根据该结构，在学习步骤中，基于履历进行概率模型的学习，在目的地推定步骤中，基于所学习的概率模型进行目 的地的推定，但在该学习步骤中排除了可信度低的候补目的地。由此，如果基于如此学习的概率模型与以往同样地推定目的地，则在所推定的目的地中不会包含可信度低的候补目的地。本发明的另一方式是一种目的地推定程序，该目的地推定程序用于使计算机执行如下步骤履历存储步骤，存储过去成为目的地的地点的履历；目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地；候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得步骤，取得观测变量；以及概率取得步骤，基于用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率。在此，所述候补排除步骤中，从由所述概率取得步骤求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地，所述目的地推定步骤中，在由所述候补排除步骤排除了所述候补目的地之后，将剩余的所述候补目的地中的、由所述概率取得步骤求出的概率高的候补目的地推定为所述目的地。根据该结构，在由目的地推定步骤推定的目的地中不包含判断为作为目的地的可信度比预定阈值低的目的地，因此目的地的推定精度提高。另外，根据该结构，即使是基于概率模型作为目的地的概率(似然)高的候补目的地，但作为目的地的可信度低的候补目的地也会被排除，剩余的候补目的地中的概率高的候补目的地被推定为目的地。本发明的另一方式的目的地推定程序，用于使计算机执行如下步骤履历存储步骤，存储过去成为目的地的地点的履历；目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地；候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得步骤，取得观测变量；以及学习步骤，将所述履历中的所述目的地作为所述候补目的地，对用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型进行学习。在此，所述候补排除步骤中，基于由所述履历存储步骤存储的所述履历，从由所述学习步骤用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地，所述目的地推定步骤中，基于由所述学习步骤学习的所述概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地。根据该结构，在由目的地推定步骤推定的目的地中也不包含判断为作为目的地的可信度比预定阈值低的目的地，因此目的地的推定精度提高。另外，根据该结构，在学习步骤中，基于履历进行概率模型的学习，在目的地推定步骤中，基于所学习的概率模型进行目的地的推定，但在该学习步骤中排除了可信度低的候补目的地。由此，如果基于如此学习的概率模型与以往同样地推定目的地，则在所推定的目的地中不会包含可信度低的候补目的地。发明的效果根据本发明，在所推定的目的地中不包含判断为作为目的地的可信度比预定阈值低的候补目的地，因此具有使目的地的推定精度提高这种优异的效果。


图I是表示本发明的实施方式中的导航系统的主要部分结构的框图。图2是表示本发明的实施方式中的导航系统的结构的框图。图3是表示本发明的实施方式中的贝叶斯(Bayesian)网络模型的图。图4是本发明的实施方式中的存储用户信息的处理的流程图。图5是本发明的实施方式中的进行目的地推定以及路径搜索的处理的流程图。图6是本发明的实施方式中的基于实际的行动进行学习的流程图。图7是本发明的实施方式的变形例中的导航系统的主要部分结构的框图。图8是表示过去的目的地的履历中的每个目的地的到达次数的例子的图。标号说明I位置检测器；2地磁传感器；3陀螺仪；4距离传感器；5GPS接收机；6地图数据输入器；7操作开关组；8控制装置；81用户信息取得部；82同乘者判定部；83目的地推定部；84候补排除部；84’候补排除部；85路径搜索部；86导航部；87学习部；9外部存储器；9a用户模型存储部；9b学习数据存储部；9c成本评价函数存储部；9d用户信息存储部；10显不装置；11收发机；12声音控制器；13扬声器；14声音识别装置；15麦克；16远程传感器；17遥控器；18座椅传感器。
具体实施例方式以下，参照附图对本发明的实施方式的导航系统进行说明。图I是表示本发明的实施方式中的导航系统的主要部分结构的框图。图2是表示本发明的实施方式中的导航系统的结构的框图。首先，参照图2说明本实施方式中的导航系统的整体结构。导航系统100通过其一部分结构也作为目的地推定装置发挥作用。如图2所示，导航系统100具备位置检测器I、地图数据输入器6、操作开关组7、外部存储器9、显示装置10、收发机11、声音控制器12、扬声器13、声音识别装置14、麦克15、远程传感器16、远程控制器终端(以下称为遥控器)17、座椅传感器18、以及与这些各装置连接的控制装置8。
位置检测器I具有用于检测车辆的绝对方位的地磁传感器2、用于检测车辆的相对方位的陀螺仪3、用于检测车辆的通行距离的距离传感器4、以及用于基于来自卫星的电波来测定车辆的位置的全球定位系统(GPS Global Position System)的GPS接收机5。这些传感器2、3、4、5等都是公知的传感器。由于这些传感器2、3、4、5等各自具有性质不同的误差，因此构成为通过多个传感器2、3、4、5等各自相互补充来使用。此外，根据精度要求，也可以由上述传感器中的一部分来构成位置检测器1，进而，也可以使用未图示的转向装置(steering、方向盘)的旋转传感器、各转动轮的车速传感器等。地图数据输入器6具备例如DVD-ROM、CD-ROM、闪存(flash memory)、硬盘(harddisk)等未图示的存储介质。在该存储介质中存储了包含道路数据、背景数据、文字数据以及设施数据等的数字地图数据。地图数据输入器6将这些数据输入控制装置8。操作开关组7包括与显示装置10成为一体的触控面板(touch panel)，用于进行显示装置10所显示的地图的缩尺(比例尺)变更、菜单显示选择、目的地设定、路径搜索、路径引导开始、当前位置修正、显示画面变更、音量调整等的各种输入。在操作开关组7中， 一部分或全部开关可以为设置于显示装置10的周边的机械式开关。在遥控器17上设置有未图示的多个操作开关，通过该操作开关的操作，进行与操作开关组7同样的输入操作。表示输入到遥控器17的输入操作的信号，经由远程传感器16被供给到控制装置8。外部存储器9例如为存储卡、硬盘等，具备可写入的存储介质。在该外部存储器9中存储了由用户设定的自家位置、文字数据、图像数据、声音数据等各种数据。显示装置10例如由液晶显示器、有机EL显示器构成，在该显示装置10的预定的地图显示区域中，与车辆的当前位置对应的自己车辆位置标记被重叠显示于由地图数据生成的车辆周边的道路地图上。另外，在显示装置10中，除此以外，还可以附加显示当前时亥IJ、拥堵信息等其他的信息显示。收发机11是用于与外部进行通信连接的通信机，经由设立于道路的信标(beacon)和/或各地的FM广播电台，与接收从VICS(Vehicle Information andCommunication System :车辆信息与通信系统)(登记商标)传感器提供的道路交通信息(包含交通拥堵信息、交通限制信息)、气象信息、日期信息、星期信息、设施信息、广告信息的VICS传感器连接，将该道路交通信息等向控制装置8发送。另外，也可以从接收机11输出由上述控制装置8处理过的信息。此外，接收机11也可以连接于网络、经由网络接收道路交通信息等。扬声器13基于从声音控制器12输入的声音输出信号,将预定的声音(用于引导的声音、画面操作的说明、声音识别结果等)输出到外部。麦克15将操作者发出的声音作为电信号输入声音识别装置14。声音识别装置14对从麦克15输入的操作者的输入声音与存储在内部的识别词典(未图不)中的词汇数据(比较对象模板)进行对比，将一致度最高的词汇数据作为识别结果输入声音控制器12。声音控制器12控制声音识别装置14,并且对进行了声音输入的操作者,通过扬声器13进行回话输出控制(声音输出)。另外，也进行将声音识别装置14的识别结果输入控制装置8的处理。座椅传感器18检测每个座椅是否有乘客，将表示有无乘客的乘客信号输入控制装置8。控制装置8是通常的计算机，在内部具备公知的CPU、ROM、RAM、I/O以及连接这些结构的总线。在ROM中预先写入用于使控制装置8执行的程序，CPU等根据该程序执行预定的运算处理。控制装置8基于来自声音识别装置14的信息，执行对操作者的发声的预定的处理以及对操作开关组7或遥控器17的输入操作的预定的处理(例如，向外部存储器9存储地图数据的存储处理、地图缩尺变更处理、菜单显示选择处理、目的地设定处理、路径搜索执行处理、路径引导处理、当前位置修正处理、显示画面变更处理、音量调整处理等)。另外，经由声音控制器12从扬声器13适当地报告由控制装置8处理过的路径引导声音信息等。图I是表示本发明的实施方式中的导航系统100的主要部分结构的框图。外部存储器9具备用户模型存储部9a、学习数据存储部％、成本评价函数存储部9c以及数用户信 息存储部9d。用户模型存储部9a是存储作为概率模型的贝叶斯网络模型的区域。图3是表示在用户模型存储部9a中存储的贝叶斯网络模型的图。贝叶斯网络模型20中，作为用户信息节点30具有年龄节点32和职业节点34，作为状况信息节点40具有时间带节点42、星期节点44和同乘者节点46，作为以这些节点为父节点的子节点具有目的地节点50。年龄节点32取与驾驶者的年龄对应的自然数，职业节点34取预先确定的多种职业名(状态)。时间带节点42通过将24个小时划分为多个时间带(例如，每4小时、每2小时、每I小时等)而取多个状态，星期节点44取从星期一到星期日这7个状态，同乘者节点46取有同乘者和无同乘者这2个状态。此外，这些节点32、34、42、44、46为观测变量。目的地节点50取通过学习设定的多个候补目的地(状态)。各父节点与子节点之间以箭头连接，该箭头表示箭头背向的节点与箭头指向的节点之间的条件依赖性，设定与各个箭头对应的条件概率。若对如此构成的贝叶斯网络模型20提供用户信息(年龄以及职业)、状况信息(时间带、星期以及有无同乘者)，则可得到目的地节点50的各候补目的地的概率(似然)。返回图1，学习数据存储部9b是用于对学习(修正)贝叶斯网络模型20的学习数据进行存储的区域。该学习数据是以在目的地推定时实际输入贝叶斯网络模型20的年龄、职业、时间带、星期、有无同乘者、实际成为目的地的地点、和日期为一组的数据。如此，学习数据存储部％是对成为目的地的地点的履历进行存储的单元，相当于本发明的履历存储部。成本评价函数存储部9c是对在从车辆的当前位置到目的地的路径搜索中使用的下式(I)所示的成本评价函数Ci进行存储的区域。Ci = α · I (i) + β · t (i) + Y · w (i) + δ · η (i). . . (I)在式⑴中，I⑴是距离的成本，t(i)是平均通行时间的成本，w(i)是道路宽度的成本，n(i)是左右转弯次数的成本。另外，系数α、β、Y、δ是权重系数，被预先设定。此外，式(I)所示的成本评价函数Ci是一个例子，成本评价函数Ci中也可以包含距离、平均通行时间、道路宽度、左右转弯次数以外的参数(例如限制速度、信号机的数量等)。用户信息存储部9d是对多个用户将用于确定作为用户信息的年龄的用户的出生年月日以及作为用户信息的职业对应于用户名来进行存储的区域。此外，虽然年龄本身一年变化一次，但若当前的日期确定，则年龄可根据作为不变信息的出生年月日而确定，因此年龄可以作为用户的不变的信息即用户信息来使用。如此，用户信息中，不仅包含根据对用户来说不变的信息，还可以包含能够基于该不变的信息确定的信息，因此，还可以包含根据对用户来说在I年左右不变的信息(例如年收入)。控制装置8具备用户信息取得部81、同乘者判定部82、目的地推定部83、候补排除部84、路径搜索部85、导航部86、学习部87。用户信息取得部81判定驾驶者是谁，从用户信息存储部9d取得该判定出的驾驶者的出生年月日以及职业，并且根据该出生年月日以及当前的日期来确定用户的年龄。此夕卜，作为判定驾驶者是谁的方法，在此如下进行判定将预先登记的多个用户的列表显示于显示装置10，通过操作开关组7或遥控器17的操作，从该显示装置10所显示的列表中选出驾驶者是哪个用户。用户信息是贝叶斯网络模型20中的观测变量，因此用户信息取得部81相当于观测变量取得部。同乘者判定部82基于从座椅传感器18供给的信号来判定有无同乘者。此外，有 无同乘者是贝叶斯网络模型20中的观测变量，因此该同乘者判定部82相当于观测变量取得部。目的地推定部83将在用户信息取得部81中取得的年龄以及职业、基于从设置于车辆内部的未图示的时钟得到的信号确定的时间带、经由收发机11的得到的星期信息、由同乘者判定部82判定出的有无同乘者分别输入贝叶斯网络模型20的年龄节点32、职业节点34、时间带节点42、星期节点44、同乘者节点46，求出目的地节点50的各候补目的地的似然。此外，经由收发机11得到的星期节点是贝叶斯网络模型20中的观测变量，因此收发机11相当于观测变量取得部。候补排除部84从由目的地推定部83从中推定目的地的多个候补目的地中，排除判断为可信度比预定阈值低的候补目的地。目的地推定部83将由候补排除部84排除了一部分候补目的地而剩下的候补目的地中的似然最高的候补目的地推定为目的地。上述的可信度是能够确信为该候补目的地是经常去的地点的程度。即，目的地推定部83排除不是经常去的候补目的地，将似然最高的候补目的地推定为目的地。基于在学习数据存储部9b所存储的学习数据、即过去的履历，求出可信度比预定阈值高还是低。可信度高的候补目的地中包含实际经常去的地点以及有可能经常去的地点。候补排除部84不仅是基于履历、该候补目的地过去成为目的地几次这样的观点，还基于在履历中包含的成为目的地的日期时刻(也可以仅是日期)，求出可信度即能够确信为该候补目的地是经常去的地点的程度。具体而言，在本实施方式中，可以基于(a)在最近一定次数的行动中成为目的地的比例、(b)最后成为目的地之日以后的行动次数、(a’ )在最近一定期间的行动中成为目的地的比例、或者(b’ )最后成为目的地之日以前的期间，求出可信度。可信度可以是连续的值，也可以是离散的值。例如，关于(a)，可以将在最近一定次数的行动中成为目的地的比例直接设为可信度，也可以对于在最近一定次数的行动中成为目的地的比例为0%、0 50%、50 100%各自的情况，将可信度设为0、1、2。上述的(a)是用于判断实际经常去的地点的条件。例如，每年习惯去一次的地点，通过历经多年学习通行履历，可知去过该地点的次数增加，全部通行履历中的去过该地点的比例增加，但将这样的地点设为经常去的地点是不合适的。于是，在(a)中，基于在最近一定次数的行动中该候补目的地成为目的地的比例来求出可信度。例如，假定进行每日一次往返通行(每日两次行动)，将在最近的一个月(行动次数为60次)中每2周以I次以上的比例去的地点设为经常去的地点(可信度1)，将每2天以I次以上的比例去的地点设为经常且频繁去的地点(可信度2)，在该情况下，能够在最近的60次行动中成为目的地的比例大于等于O %且小于4%的情况下将可信度设为0，在所述比例大于等于4%且小于25%的情况下将可信度设为1，在所述比例大于等于25%的情况下将可信度设为2。另外，上述的(b)是用于判断有可能经常去的地点的条件。即，即使是此前仅去过一次的地点，如果这是极最近去过的地点，则可以说现如今再次去(即变为经常去)的可能性高，但反过来，例如虽然多年前频繁去但最近几乎不去的地点，有时在全部通行履历中的去过该地点的比例较高，但可以说现如今再次去的可能性低(即变为不经常去)。于是，在(b)中，基于从该目的地最后成为目的地之日到现在之间的行动次数来 求出可信度。例如，在假定如上所述进行每日一次往返行动(每日两次行动)的情况下，在从最后成为目的地之日到现在之间的行动次数小于3次的情况下将可信度设为2，在所述行动次数大于等于3且小于14的情况下将可信度设为I，在所述行动次数大于等于14的情况下将可信度设为O。上述的(a’)和(b’)分别是将(a)和(b)中的行动次数置换为期间而得到的。可以适当组合(a)或(a’)以及(b)或(b’)来求出可信度。例如，通过组合(a)和(b’)，能够如下进行柔性应对即使在最近一定次数的行动中成为目的地的比例(a)比较小的情况下，但如果在最后成为目的地之日以前的期间(b’ )短，则也可以认为用户现如今再次去的可能性高，另外，如果在最近一定次数的行动中成为目的地的比例(a)大，则即使在最后成为目的地之日以前的期间(b’ )比较长，也认为成为目的地的可能性不低。此外，上述的(a)中的一定次数和(a’)中的一定期间可以根据用户的行动频率来调整。即，在用户的行动频率高的情况下，增加(a)中的一定次数或缩短(a’ )中的一定期间，在用户的行动频率低的情况下，减少(a)中的一定次数或延长(a’ )中的一定期间。候补排除部84排除在目的地推定部83中可推定为目的地的候补目的地中的、其可信度小于预定阈值的候补目的地。如上所述，在学习数据存储部％中，作为学习数据存储了包含日期的履历，因此，候补排除部84能够通过参考该学习数据来取得上述的(a)、(b)、(a’)、(b’)。目的地推定部83将在由候补排除部84排除了一部分候补目的地之后剩下的候补目的地的中似然最高的候补目的地推定为目的地。目的地推定部83将所推定出的目的地输出到路径搜索部85。目的地推定部83在没有由用户设定目的地时也执行目的地的推定，但在由用户设定了目的地时，为了推定到达该目的地的作为中间的目的地的间歇地，也可以能够执行目的地的推定。路径搜索部85基于从地图数据输入器6输入的地图数据，搜索从由位置检测器I检测出的车辆的当前位置到由目的地推定部83推定出的目的地之间的路径。在该路径搜索中，使用在成本评价函数存储部9c中存储的式(I)所示的成本评价函数Ci，例如通过狄克斯特拉算法(Dijkstra算法)等公知的方法,搜索使式(I)所示的成本评价函数Ci的值成为最小的路径。
路径搜索部85从收发机11取得包含交通拥堵信息以及交通限制信息的道路交通信息，在存在交通拥堵信息和/或交通限制信息的情况下，考虑这些信息来搜索最佳路径。具体而言，搜索最佳路径以使得如果存在交通拥堵和/或交通限制则避开它们。然后，在存在与所搜索出的路径相关联的关联信息的情况下，由显示装置10显示该关联信息，或者由扬声器13以声音方式输出该关联信息。例如，如果在路径的途中存在某设施的活动(event)信息等，则在适当的定时将该信息提供给用户。此时，显示装置10和/或扬声器13相当于关联信息提示部。导航部86基于由路径搜索部85搜索出的路径、由位置检测器I逐次检测到的车辆的当前位置、以及来自地图数据输入器6的地图数据，执行路径引导。学习部86基于在学习数据存储部9b中存储的学习数据，执行贝叶斯网络模型20的学习。学习部86可以在追加了新的学习数据时执行学习，也可以按预定的学习周期定期地执行学习。如上所述，在学习数据存储部9b中存储的学习数据是年龄、职业、时间带、星期、有无同乘者、实际成为目的地的地点、以及日期为一组的数据。该学习数据在每次目的地确定时追加到学习数据存储部9b中。此外，学习数据中的日期信息，虽然没有在贝叶斯 网络模型20的学习中使用，但如上所述，在从候补目的地中排除可信度比预定阈值低的候补目的地时，由候补排除部84使用。目的地的确定如以下这样进行。首先，在推定出目的地的情况下，即、在用户没有自行设定了目的地的情况下，当在通行之后判定为停车时，将该停车位置确定为目的地。另夕卜，在由用户设定了目的地的情况下，不管所推定的目的地是否准确，都将该设定的目的地直接确定为目的地。用于作为学习数据存储的年龄以及职业从用户信息取得部81取得，有无同乘者从同乘者判定部82取得，日期以及星期从接收机11取得。图4是将用户信息存储于外部存储器9的用户信息存储部9d中的处理的流程图。首先，将为了输入用户名、用户信息以及用于确定用户信息的信息(例如出生年月日以及职业)的预定的输入画面显示于显示装置10 (步骤S41)。接着，通过用户操作，判断这些用户名、出生年月日、职业是否已被输入(步骤S42)。然后，在用户名、出生年月日、职业已被输入的情况下(步骤S42中是)，将所输入的用户名、用户信息以及用于确定用户信息的信息存储于外部存储器9的用户信息存储部9d中(步骤S43)。图5是进行目的地推定以及路径搜索的处理的流程图。首先，同乘者判定部82以及收发机11取得状况信息，将其存储于学习数据存储部9b中并输出到目的地推定部83 (步骤S51)。为此，同乘者判定部82基于来自座椅传感器18的信号确定有无同乘者。另夕卜，接收机11取得星期信息，进而从设置于车辆内部的时钟取得信号来确定时间带。此外，此时收发机11也取得日期信息，将其存储于学习数据存储部9b中。接着，用户信息取得部81取得用户信息，将其存储于学习数据存储部9b中并输出到目的地推定部83 (步骤S52)。为此，用户信息取得部81将表示在外部存储器9的用户信息存储部9d中存储了用户信息的用户一栏的用户列表显示于显示装置10，将与通过操作开关组7或遥控器17的操作从该用户列表中选择出的用户有关的出生年月日以及职业，从用户信息存储部9d读出。然后，基于所读出的出生年月日和由上述步骤S51取得的来自时钟的信号，确定驾驶者的年龄。
接着，目的地推定部83对在外部存储器9的用户模型存储部9a中存储的贝叶斯网络模型20输入由上述步骤S51取得的状况信息(时间带、星期、同乘者)以及由步骤S52取得的用户信息(年龄、职业)，算出目的地节点50的各候补目的地的似然(步骤S53)。然后，候补排除部84排除可信度比预定阈值小的候补目的地(步骤S54)。接着，目的地推定部83从由步骤S54排除了可信度比预定阈值小的候补目的地之后剩下的候补目的地中，将似然最高的候补目的地推定为目的地(步骤S55)。然后，将所推定出的目的地输出到路径搜索部85以及显示装置10(步骤S56)。接着，路径搜索部85通过狄克斯特拉算法等搜索从由位置检测器I检测出的车辆的当前位置到由步骤S55推定出的目的地之间的、使式(I)所示的评价函数Ci的总成本成为最小的路径(步骤S57)。此时，如果存在交通拥堵信息和/或交通限制信息等关联信息，则考虑该信息来搜索路径。然后，导航部86基于由步骤S57搜索出的路径、由位置检测器I逐次检测到的车辆的当前位置、以及来自地图数据输入器6的地图数据，执行路径引导(步骤 S58)。
图6是基于实际的行动进行学习的处理的流程图。首先，判断是否已判定为停车(步骤S61)。停车的判定，在此设为基于由位置检测器I逐次检测到的车辆位置在预定时间是否处于同一地点来进行，但也能够基于点火钥匙(点火开关)的接通/断开来判定。在没有判定为停车时(步骤S61中否)，结束本程序，而在已判定为停车时(步骤S61中是)，将由位置检测器I检测到的当前的车辆位置确定为停车位置，将该停车位置存储于学习数据存储部％中(步骤S62)。接着，制作用于学习贝叶斯网络模型20的学习数据(步骤S63)。该学习数据为关于贝叶斯网络模型20的各节点32、34、42、44、46、50的状态分别各有一个的一组数据，关于年龄节点32和职业节点34，由步骤S52存储于学习数据存储部9b中，关于时间带节点42、星期节点44、同乘者节点46，由图5的步骤S51存储于学习数据存储部9b中。另外，目的地节点50为由图6的步骤S62存储的停车位置。然后，使用由步骤S63制作的学习数据，修正(学习)在用户模型存储部9a中存储的贝叶斯网络模型20的父节点与子节点之间的依赖性概率(步骤S64)。通过反复进行该学习，目的地的推定精度逐步提闻。如上所述，在本实施方式的导航系统100中，目的地推定部83通过将被输入的用户信息以及状况信息输入贝叶斯网络模型20，求出各候补目的地的似然，但此时，排除可信度比预定阈值低的候补目的地，将似然最高的候补目的地推定为目的地，因此补充了使用贝叶斯网络模型20的贝叶斯推理的不完全性，能够避免将不是经常去的地点的候补目的地推定为目的地的情况。此外，在上述的实施方式中，学习部87将过去所有的通行履历用作学习数据来进行学习，修正贝叶斯网络模型20，对如此修正后的贝叶斯网络模型20提供用户信息以及状况信息，由此求出各候补目的地的似然。然后，由于该候补目的地中也包含可信度比预定阈值小的候补目的地，因此，排除该可信度比预定阈值小的候补目的地，将似然最高的候补目的地推定为目的地。本发明并不限于这样的实施方式。在变形例的导航系统中，学习部87也可以对于在学习数据存储部9b中存储的数据(年龄、职业、时间带、星期、有无同乘者、实际成为目的地的地点、日期成为一组)，将可信度与预定阈值相比较，仅采用可信度比阈值高的数据作为学习数据，修正(学习)贝叶斯网络模型20。在该情况下，目的地推定部83将对贝叶斯网络模型20提供用户信息以及状况信息得到的各候补目的地中的似然最高的候补目的地可以直接设为推定结果。图7是表示变形例的导航系统的主要部分结构的框图。在变形例的导航系统101中，候补排除部84’设置于学习数据存储部9b与学习部87之间。候补排除部84’采用上述的任一确定条件，在学习数据存储部9b中作为过去的履历存储的学习数据中，排除不满足确定条件的学习数据而将剩下的输出到学习部87。另外，在上述的实施方式中，将似然最高的候补目的地推定为目的地(步骤S55)，自动地进行了向该目的地的路径搜索(步骤S57)以及路径引导(步骤S58)，但也可以按似然高低的顺序将多个候补目的地显示于显示装置10，使用户选择目的地。当用户选择了目的地时，与用户自行设定目的地同样，在该时刻目的地确定。另外，在上述的实施方式中，在推定了目的地之后，自动地进行了路径引导(步骤S58)，但也可以如下用户不主动设定目的地，认为熟悉到达该目的地的路径，因此不进行 路径引导，仅在存在与由路径搜索(步骤S57)搜索出的路径相关联的关联信息的情况下，对该关联信息进行提示。或者，也可以如下进行了路径搜索(步骤S57)之后，仅在基于与该路径相关联的关联信息提出了绕行路线的情况下，在搜索出绕行路线之后进行路径引导。由此，关于熟悉的路径，能够避免由于自动地开始引导导致的麻烦，并且若存在有用的信息就能取得该信息。另外，在上述的实施方式中，用户信息取得部81通过将预先登记的多个用户的列表显示于显示装置10来让驾驶者从该列表中选择，从而对驾驶者是谁进行了判定，但也可以如下座椅为电动座椅，具有存储该座椅位置的存储器功能，在按每个用户存储了座椅位置的情况下，与利用该存储器功能相联系来判定驾驶者是谁。另外，在上述的实施方式中，为了求出各候补目的地的概率而使用了贝叶斯网络模型20，但也可以使用类神经网络模型等其他的概率模型。另外，当然也能够适当改变贝叶斯网络模型20的观测变量。另外，在上述的实施方式中，作为观测变量，对使用了用户信息和状况信息的概率模型进行了说明，但观测变量也可以仅是状况信息或仅是用户信息。另外，在上述的实施方式中，对多个可信度进行了例示，但可信度并不限于上述所例示的参数。可信度只要是能够基于过去的履历来排除判断为不是经常去的地点的参数即可。例如，可信度可以基于在过去的履历中该候补目的地成为目的地的比例而求出，也可以基于在过去的履历中该候补目的地成为目的地的次数而求出。例如，可以排除在过去的履历中成为目的地的比例小于10%的候补目的地，另外，可以排除在过去的履历中成为目的地的次数小于3次(I次或2次)的候补目的地。另外，在上述的实施方式中，学习数据在每当目的地确定时作为履历追加到了学习数据存储部％中，但此时也可以根据各种条件附以权重来存储履历。过去成为目的地的地点的履历按每个履历的记录具有权重的数据。S卩，在上述的实施方式中，履历的全部记录具有相同的权重，但在该变形例中，根据各种状况，具有不同的权重，例如成为目的地I. 5次、成为目的地O. 5次等。权重例如根据该地点是否通过用户设定目的地从而成为目的地、从出发地到该地点的距离、以及该地点是否为地标(landmark)而赋予。以下，说明具体例子。
在某地点成为目的地时，在该地点是通过由用户设定为目的地、从而被确定为目的地的情况下，可以减小权重，在不是由用户自己设定目的地而到达了该地点、从而该地点被确定为目的地的情况下，可以增大权重。例如，在通过用户在导航系统中设定目的地、从而成为目的地的情况下，作为去过该地点I次来计数，在不是由用户在导航系统中将该地点设定为目的地(包括该地点被推定为目的地的情况)而到达了该地点的情况下，作为去过该地点2次来计数。这是因为认为由用户设定为目的地的地点不是经常去的地点的可能性比较高，另一方面，如果不是由用户设定为目的地而到达的地点，则认为该地点是用户经常去的地点的可能性比较高。另外，在某地点成为目的地的情况下，可以赋予与出发地到该地点的距离相应的权重。例如,如果从出发地到成为目的地的地点的距离小于1km，则将权重设为O. 5，如果所述距离大于等于Ikm且小于10km，则将权重设为1，如果所述距离大于等于10km，则将权重设为I. 5。此外，距离可以是直线距离，也可以是沿着路径的行驶距离。如此，从出发地到成为目的地的地点的距离越长则赋予越大的权重，在从出发地到成为目的地的地点的距离长的情况下，认为抱着更明确的目的去该地点的可能性比较高，相反，在从出发地到成为目的 地的地点的距离短的情况下，认为由于偶然在该地点停车等理由而将该地点设为目的地的可能性比较高。另外，在某地点成为目的地的情况下，可以赋予与该地点是否为大量人聚集的地点(例如，有名的商业设施(百货商店等)、娱乐设施(游乐园、公园等)、观光地点等)相应的权重。是否为大量人聚集的地点，例如可以根据停车场的停车位来确定，也可以根据用户主观意愿来确定。另外，也可以对多个用户中成为目的地的地点的履历进行合计，调查实际上有多少人将该地点设为了目的地，确定该地点是否为大量人聚集的地点。然后，例如，在成为目的地的地点是大量人聚集的地点的情况下，将权重设为3，在成为目的地的地点不是大量人聚集的地点的情况下，将权重设为I。如此，对通常大量人聚集的地点赋予较大的权重是因为如果是大量人聚集的地点，则认为该地点成为目的地的可能性比较高。候补排除部84与上述的实施方式同样地求出作为目的地的可信度，但此时，例如在求出该地点成为目的地的比例时，基于权重来求出比例。例如，当在10次行动中作为某地点的履历设为存在权重为2的履历和权重为I的履历时，该10次行动中该地点成为目的地的比例成为(2+1)/10 = 30%。此外，候补排除部84在如本变形例这样对履历赋予权重的情况下，可以不是如上述的实施方式那样考虑日期时刻来求出可信度，而是不考虑日期时刻来求出可信度。即，根据本变形例，即使不考虑履历中的日期时刻，也能够求出成为目的地的可信度，排除该可信度低的候补目的地。此外，权重可以仅基于该地点是否通过用户设定目的地从而成为目的地、从出发地到该地点的距离、以及该地点是否为大量人聚集的地点中的一部分而赋予，另外，权重也可以根据其他的因素而赋予。另外，导航系统100可以是安装于车辆的导航系统，也可以是便携式的导航系统。产业上的可利用性本发明具有使目的地的推定精度提高这种效果，作为将过去成为目的地的地点作为候补目的地、从这些候补目的地中推定目的地的目的地推定装置等有用。
权利要求
1.一种目的地推定装置，其特征在于，具备 履历存储部，其存储过去成为目的地的地点的履历； 目的地推定部，其从包含在所述履历存储部中存储的地点的多个候补目的地中，推定目的地； 候补排除部，其基于在所述履历存储部中存储的所述履历，从由所述目的地推定部从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地； 观测变量取得部，其取得观测变量；以及 模型存储部，其存储用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型， 所述目的地推定部基于在所述模型存储部中存储的概率模型，求出所述多个候补目的 地相对于由所述观测变量取得部取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地， 所述候补排除部基于在所述履历存储部中存储的所述履历，从由所述目的地推定部求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地。
2.一种目的地推定装置，其特征在于，具备 履历存储部，其存储过去成为目的地的地点的履历； 目的地推定部，其从包含在所述履历存储部中存储的地点的多个候补目的地中，推定目的地； 观测变量取得部，其取得观测变量； 模型存储部，其存储用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型； 学习部，其将所述履历中的成为所述目的地的地点作为所述候补目的地，对在所述模型存储部中存储的所述概率模型进行学习；以及 候补排除部，基于在所述履历存储部中存储的所述履历，从由所述学习部用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地， 所述目的地推定部基于在所述模型存储部中存储的概率模型，求出所述多个候补目的地相对于由所述观测变量取得部取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地。
3.根据权利要求I或2所述的目的地推定装置，其特征在于， 在所述履历存储部中存储的过去成为目的地的地点的履历中，包含日期信息， 所述候补排除部基于所述日期信息，排除判断为作为目的地的可信度比预定阈值低的候补目的地。
4.根据权利要求3所述的目的地推定装置，其特征在于， 基于在最近一定次数的行动中候补目的地成为目的地的比例，求出该候补目的地的所述可信度。
5.根据权利要求3所述的目的地推定装置，其特征在于， 基于候补目的地最后成为目的地之日以后的行动次数，求出该候补目的地的所述可信度。
6.根据权利要求3所述的目的地推定装置，其特征在于， 基于在最近一定期间的行动中候补目的地成为目的地的比例，求出该候补目的地的所述可信度。
7.根据权利要求3所述的目的地推定装置，其特征在于， 基于候补目的地最后成为目的地之日以前的期间，求出该候补目的地的所述可信度。
8.根据权利要求3所述的目的地推定装置，其特征在于， 基于在最近一定次数的行动中候补目的地成为目的地的比例或在最近一定期间的行动中该候补目的地成为目的地的比例、以及该候补目的地最后成为目的地之日以后的行动 次数或该候补目的地最后成为目的地之日以前的期间，求出该候补目的地的所述可信度。
9.根据权利要求I或2所述的目的地推定装置，其特征在于， 基于在所述履历存储部中存储的全部履历中的、候补目的地成为目的地的比例，求出该候补目的地的所述可信度。
10.根据权利要求I或2所述的目的地推定装置，其特征在于， 基于在所述履历存储部中存储的全部履历中的、候补目的地成为目的地的次数，求出该候补目的地的所述可信度。
11.根据权利要求I 10的任一项所述的目的地推定装置，其特征在于， 对在所述履历存储部中存储的过去成为目的地的地点的履历赋予权重， 考虑所述权重来求出所述可信度。
12.根据权利要求11所述的目的地推定装置，其特征在于， 根据该地点是否通过由用户设定目的地从而成为目的地，赋予所述权重。
13.根据权利要求11所述的目的地推定装置，其特征在于， 根据从出发地到该地点的距离，赋予所述权重。
14.根据权利要求11所述的目的地推定装置，其特征在于， 根据该地点是否为大量人聚集的地点，赋予所述权重。
15.一种导航系统，其特征在于，具备 权利要求I 14的任一项所述的目的地推定装置；和 路径搜索部，其搜索到达由所述目的地推定部推定出的目的地的路径。
16.根据权利要求15所述的导航系统，其特征在于， 还具备关联信息提示部，该关联信息提示部提示与由所述路径搜索部搜索出的路径相关联的关联信息。
17.根据权利要求15所述的导航系统，其特征在于， 所述路径搜索部基于包含交通拥堵信息以及交通限制信息的关联信息来搜索路径。
18.—种目的地推定方法,其特征在于,包括 履历存储步骤，存储过去成为目的地的地点的履历； 目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地； 候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地；观测变量取得步骤，取得观测变量；以及 概率取得步骤，基于用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率， 所述候补排除步骤中，从由所述概率取得步骤求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地， 所述目的地推定步骤中，在由所述候补排除步骤排除了所述候补目的地之后，将剩余的所述候补目的地中的、由所述概率取得步骤求出的概率高的候补目的地推定为所述目的地。
19.一种目的地推定方法,其特征在于,包括 履历存储步骤，存储过去成为目的地的地点的履历； 目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地； 候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地； 观测变量取得步骤，取得观测变量；以及 学习步骤，将所述履历中的所述目的地作为所述候补目的地，对用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型进行学习， 所述候补排除步骤中，基于由所述履历存储步骤存储的所述履历，从由所述学习步骤用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地， 所述目的地推定步骤中，基于由所述学习步骤学习的所述概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地。
20.一种目的地推定程序，其特征在于， 用于使计算机执行如下步骤 履历存储步骤，存储过去成为目的地的地点的履历； 目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地； 候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地； 观测变量取得步骤，取得观测变量；以及 概率取得步骤，基于用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率， 所述候补排除步骤中，从由所述概率取得步骤求出了概率的所述候补目的地中，排除判断为所述可信度比预定阈值低的候补目的地，所述目的地推定步骤中，在由所述候补排除步骤排除了所述候补目的地之后，将剩余的所述候补目的地中的、由所述概率取得步骤求出的概率高的候补目的地推定为所述目的地。
21.一种目的地推定程序，其特征在于， 用于使计算机执行如下步骤 履历存储步骤，存储过去成为目的地的地点的履历； 目的地推定步骤，从包含由所述履历存储步骤存储的地点的多个候补目的地中，推定目的地； 候补排除步骤，基于由所述履历存储步骤存储的所述履历，从由所述目的地推定步骤从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地； 观测变量取得步骤，取得观测变量；以及 学习步骤，将所述履历中的所述目的地作为所述候补目的地，对用于求出所述多个候补目的地相对于所述观测变量的概率的概率模型进行学习， 所述候补排除步骤中，基于由所述履历存储步骤存储的所述履历，从由所述学习步骤用于学习的所述候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地， 所述目的地推定步骤中，基于由所述学习步骤学习的所述概率模型，求出所述多个候补目的地相对于由所述观测变量取得步骤取得的所述观测变量的概率，将概率高的候补目的地推定为所述目的地。
全文摘要
本发明提供一种目的地推定装置、方法和程序以及包含该装置的导航系统。在将过去成为目的地的地点作为候补目的地、从这些候补目的地中推定目的地的目的地推定装置中，使目的地的推定精度提高。目的地推定装置100具备学习数据存储部9b，其存储过去成为目的地的地点的履历；目的地推定部83，其从包含在学习数据存储部9b中存储的地点的多个候补目的地中，推定目的地；候补排除部84，其基于在学习数据存储部9b中存储的履历，从由目的地推定部83从中推定目的地的所述多个候补目的地中，排除判断为作为目的地的可信度比预定阈值低的候补目的地。
文档编号G01C21/34GK102818573SQ20121008473
公开日2012年12月12日 申请日期2012年3月27日 优先权日2011年6月6日
发明者水野伸洋, 清水泰博 申请人:电装It研究所, 株式会社电装