外国人観光客の動きをどこまで追えるか？ 40万カ所に設置されたWi-Fiのログを可視化（2/3 ページ）
Wi-Fiデータを利用する「群流の可視化」
続いて、Wi-Fiアクセスポイントのログデータの分析について説明された。これは、全国で約40万カ所に設置されたアクセスポイントから時々刻々と収集されるデータが、NIIのシステムに逐次蓄積され、リアルタイムな分析が可能になる仕組みである。しかし、このようなデータの取り扱いにはブライバシー保護の工夫が欠かせない。これに関しては次のような配慮がなされている。
- サービス利用開始前にログデータの利用に関わる同意を取得し、事後にオプトアウトの機会がある
- ID情報は複数回の匿名化処理を行い、加工済みデータのみを分析する
- エリアを郵便番号区分単位にする
- 時間は1時間を単位とする
- 対象デバイスは10個を1つの単位として扱う
生のログデータから特定個人に行き着くことは不可能ではないので、プライバシー保護の観点からこのような仕組みが必要になる。これは総務省の「位置情報プライバシーレポート」にのっとった対応であるとのことだ。
こうして得たデータの分析により、外国人観光客がどこに来て、どこに移動したのかを「群」単位で可視化することに成功した。実証実験は2月に開催された東京マラソン2017で行われた。図3はマラソンコース（オレンジのライン）の付近にいるWi-Fi利用者を地図上にプロットしたものだ。1つの人形アイコンが10人（デバイス）を表す。この人形アイコンがどのように移動するのかを、アニメーション付きで観察できる。
図3 東京マラソン2017のコース付近の訪日外国人の位置（表示はスタート地点付近）
例えば10時から16時までマラソンコース周辺で感知された人の群れが、16時以降23時ではどこで感知されるかの観測が可能だ。そのデータから、例えば「宿泊地として使われるのは新宿、上野、池袋が多い」というような事柄の推定が可能になる。
ビッグデータからさまざまな事実を迅速に可視化
NII 国立情報学研究所 情報社会相関研究系 特任研究員 福崎昭伸氏
このシステムのデモを披露した同チームの福崎昭伸特任研究員は、「同じデータの加工次第でさまざまな事実が推定できる」とし、その例を示した。図4は、マラソン当日と翌日に東京から離れた外国人観光客の動態を可視化したものだ。東京にとどまる人が多い一方、近隣3県への群流もあることが分かる。
図4 東京マラソン当日と翌日に東京から離れた訪日外国人の動態
また、東京マラソンの日に東京にいた人が、その前にどこにいたか、その後はどこに行ったかを県単位で明らかにする可視化例も示された（図5）。神奈川県から来て、大阪に移動する人、あるいはその逆のパターンが多いことが一目で分かる。
図5 東京都を中心として2月26日の外国人環境客の動態を可視化したダイヤグラム
さらに比較的長期間のデータ分析の例も紹介された。図6は2月に東京に来た外国人観光客の全国への移動状況を可視化したものだ。
Copyright © ITmedia, Inc. All Rights Reserved.
イベントレポートアーカイブ
この記事の著者
こんなメディアも見られています
キーマンズネットに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
SpecialPR
アクセスランキング
-
1
「Copilot案件」が急増、1年半で13倍に フリーランスに求められるニーズの変化
-
2
iPhoneが「再起動後だけ」落ちる怪……犯人は40年前のUNIXコード なぜ今も？：897th Lap
-
3
Windows更新後、ローカルサインインも不能に Microsoftが定例外更新で修正
-
4
神戸市、Copilotの弱点を「Dify」でどう解決？ あえて自前でAI環境を構築した理由
-
5
エイベックス、経費精算の「目視チェック」に限界 監査を外部化し承認業務37％削減へ
-
6
自治体、企業で進む「Google回帰」 事例で分かる「Gemini Notebook」の活用アイデア
-
7
AWS、SalesforceがAI連携を強化 データ分断をどう解消するか
-
8
「完璧な議事録」が仕事を遅くする 中小企業AI活用協会の専門家に聞く議事録AIの効果的な使い方
-
9
AIを導入した企業ほど困る「データ基盤問題」 パーソルが3サービスで支援へ
-
10
「Gemini Notebook」になって何が変わった？ NotebookLMからの変更点をおさらい
キーマンズネット SNS
@Keymansをフォロー
インフォメーション
注目情報をチェック
キーマンズネットをフォロー