YJTC18 D-3 ユーザーの位置情報解析の最先端

200 Views

January 30, 18

スライド概要

Yahoo! JAPAN Tech Conference 2018 D-3 セッションのスライドです。

Yahoo!デベロッパーネットワーク

@ydnjp

スライド一覧

2023年10月からSpeaker Deckに移行しました。最新情報はこちらをご覧ください。 https://speakerdeck.com/lycorptech_jp

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

関連スライド

深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで

Yahoo!デベロッパーネットワーク 135.8K

ゼロから始める転移学習

Yahoo!デベロッパーネットワーク 75.8K

ヤフーにおける WebAuthn と Passkey の UX の紹介と考察 #idcon #fidcon

idcon fidcon

Yahoo!デベロッパーネットワーク 65.2K

OpenID Connectとネイティブアプリを取り巻く仕様と動向 Yahoo! JAPANの取り組み #openid #openid_tokyo

openid openid_tokyo

Yahoo!デベロッパーネットワーク 52.6K

運用業務とスクラムは本当に組み合わせにくいのか︖運用業務が大半を占めるプロダクト開発での試行錯誤

devsumi

Yahoo!デベロッパーネットワーク 28.4K

ヤフーのオンプレ機械学習基盤AIPFについて #ml_kubernetes

ml_kubernetes

Yahoo!デベロッパーネットワーク 26.1K

各ページのテキスト

ヤフーの位置情報解析技術 Yahoo! JAPAN研究所坪内孝太

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

とにかく、膨大な英数字の羅列ごちゃごちゃなデータ

確信技

10.

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。

11.

12.

未来は明るいという確信

13.

14.

15.

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.

16.

いつものパタン

17.

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

18.

19.

20.

21.

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. Copyright 2018 Yahoo Japan Corporation. All Rights Reserved.

22.

23.

24.

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。 ●=観測地点 3000 2000 1 異常！ 0.5 0 0 0.5 1 −20% −10% 0% +10% +20% −100% −50% 0% +50% +100% 1000 0 06:00 12:00 18:00 24:00

25.

26.

東京マラソン ●=観測地点

27.

東京マラソンの異常検出

28.

29.

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

30.

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)

31.

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 3000 異常！ 2000 1000 0 06:00 12:00 18:00 24:00 Sekimoto lab. IIS, Univ. of Tokyo

32.

４月１日＝たまにオレンジが見られる程度

33.

34.

避難所はうまく見つかりそう。隠れ避難所は？

35.

36.

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

37.

どのような施設が「隠れ避難所」として利⽤されたのか︖ 空地・更地 Aerial Images︓© Google Map 学校の校庭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。 l 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。 à 本⼿法を⽤いることで容易に特定をすることが出来た。 ②

38.

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 Copyright 2018 Yahoo Japan Corporation. All Rights Reserved.

39.

40.

41.

42.

https://www.nikkei.com/content/pic/20180122/

43.

https://www.nikkei.com/content/pic/20180122/

44.

雪に対する各都市の頑強性雪による遅延発⽣量 10都市を3つのグループに分けることができた。 n 都会ー郊外 n 災害多めー少なめ à 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。

45.

46.

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

47.

インフラ投資の費用対効果も分析可能 • 都市計画への応用インフラ投資の後頑強性頑強性インフラ投資の前災害の激しさ頑強性の向上災害の激しさ定量的に、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 ︖

48.

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. Copyright 2018 Yahoo Japan Corporation. All Rights Reserved.

49.

50.

51.

52.

53.