信息处理装置、信息处理方法以及系统

技术领域

本发明涉及信息处理装置、信息处理方法以及系统。

背景技术

已知如下技术：积蓄用户的预定计划表以及乘车历史的数据来掌握行动模式，在存在用户外出的可能性的情况下，对可利用的车辆进行车辆调配(参照例如专利文献1)。

现有技术文献

专利文献

专利文献1：日本特表2019-505899号公报

发明内容

当用户未在预定计划表中输入预定计划的情况下，难以掌握用户的预定计划，所以迫使用户输入预定计划。因此，对于用户而言麻烦。本发明的目的在于提高移动时的用户的便利性。

本公开的一个方案是信息处理装置，具备控制部，该控制部执行：

根据与用户的行为有关的信息，计算与将来的所述用户的移动有关的准确度；以及

根据计算出的所述准确度，输出与用于所述用户的移动的服务有关的信息。

本公开的一个方案是信息处理方法，由计算机执行：

根据与用户的行为有关的信息，计算与将来的所述用户的移动有关的准确度；以及

根据计算出的所述准确度，输出与用于所述用户的移动的服务有关的信息。

本公开的一个方案是一种系统，具备：

输入装置，检测用户的行为；

具备控制部的信息处理装置，该控制部执行根据由所述输入装置检测出的所述用户的行为计算与将来的所述用户的移动有关的准确度、和根据计算出的所述准确度输出与用于所述用户的移动的服务有关的信息；以及

输出装置，针对所述用户，输出基于由所述控制部输出的与所述服务有关的信息的通知。

另外，本公开的其它方案是使计算机执行上述信息处理方法的程序或者是存储有该程序的非临时性存储介质。

根据本公开，能够提高移动时的用户的便利性。

附图说明

图1是示出实施方式所涉及的车辆调配系统的概略结构的图。

图2是概略地示出构成实施方式所涉及的车辆调配系统的服务器、用户终端以及智能扬声器各自的结构的一个例子的框图。

图3是示出机械学习的概要的图。

图4是示出机械学习的概要的图。

图5是示出服务器的功能结构的一个例子的图。

图6是实绩数据的一个例子。

图7是取得数据的一个例子。

图8是说话数据的一个例子。

图9是说明准确度计算模型的构筑处理(学习阶段)的概要的图。

图10是准确度计算模型的构筑处理(学习阶段)的流程图。

图11是说明计算准确度的处理(准确度计算阶段)的概要的图。

图12是计算准确度的处理(准确度计算阶段)的流程图。

图13是提供服务的处理的流程图。

图14是实施方式所涉及的车辆调配系统的处理的时序图。

图15是提供服务的处理的流程图。

(符号说明)

1：车辆调配系统；10：服务器；11：处理器；12：主存储部；13：辅助存储部；14：通信部；20：用户终端；30：智能扬声器；101：存储部；101A：模型存储部；101B：数据存储部；102：控制部；103：输入输出部；1021：学习部；1022：计算部；1023：提供部。

具体实施方式

在实施方式中，在用户外出时，针对用户提供与移动有关的服务。例如，在为用户安排车辆的系统(以下还称为车辆调配系统)中，考虑根据移动前的用户的行为，计算与将来的用户的移动有关的准确度，根据计算出的准确度进行车辆调配。车辆例如可以设为有人驾驶出租车、无人驾驶出租车、有人驾驶共享车辆或者无人驾驶共享车辆。在无人驾驶出租车或者无人驾驶搭乘共享车辆中，能够利用可自主行驶的车辆。例如，当用户从家外出时利用车辆的情况下，可考虑利用该服务。此外，除了从家外出以外，从商业设施或者办公大厦等家以外的建筑物移动时也能够同样地考虑。只要用户在直至到达目的地为止的过程的至少一部分中利用车辆即可。例如，也可以用车辆从家移动至车站，用电车从车站移动至目的地。此外，用户也可以从家乘坐车辆以外的交通工具(例如自行车)外出。

车辆开到家迎接用户的时刻能够根据用户的行为来决定。用户的行为例如包括用户向终端输入字符、用户朝麦克风说话或者用户彼此交谈等。用户的交谈例如也可以通过配置于建筑物的麦克风取得。

但是，还有在用户外出前进行的行为与用户的外出的关联性低的情况。因此，进行基于用户的外出几率(以下还称为准确度)的判定。在此，通过针对用户的行为进行例如机械学习，能够计算与用户的行为对应的准确度。此外，基于用户的行为进行的准确度的计算不限于利用机械学习的例子。例如，也可以将外出前的用户的行为的次数相对用户实际上外出的次数之比计算为准确度。关于准确度，也可以设为何时用什么样的手段向何处移动的几率。另外，准确度也可以设为用户外出的概率。

而且，在用户外出的准确度在某种程度上高的情况下，能够认为用户实际外出的可能性高。因此，例如在准确度是阈值以上的情况下，控制部输出与用于用户的移动的服务有关的信息。例如，也可以针对出租车运营商发送与用户的住址、外出时刻有关的信息，以使出租车在用户的外出时刻到达。进而，例如也可以针对用户通知出租车到达的时刻等。

此外，在以下的实施方式中，说明对用户的家安排可自主行驶的出租车的服务，但不限于此，例如在对用户出借自行车的情况下，将自行车送至用户的家的服务等也能够利用。

以下，根据附图，说明本公开的实施方式。以下的实施方式的结构是例示的，本公开不限定于实施方式的结构。

<第1实施方式>

图1是示出实施方式所涉及的车辆调配系统1的概略结构的图。车辆调配系统1例如包括服务器10、用户终端20、智能扬声器30。服务器10是信息处理装置的一个例子。图1中的用户是操作用户终端20的用户，是利用通过车辆调配系统1安排的车辆(出租车)的用户。将与用户输入到用户终端20的内容对应的信息从用户终端20发送到服务器10。可以存在多个用户，用户终端20根据用户的数量也存在多个。另外，将与用户的说话对应的信息从智能扬声器30发送到服务器10。也可以在用户的家中设置多个智能扬声器30。此外，也可以在用户终端20中设置麦克风，将用户的说话发送给服务器10。

图1所示的车辆调配系统1例如是根据用户输入到用户终端20的内容或者智能扬声器30取得用户的说话而得到的内容进行车辆调配的系统。服务器10根据向用户终端20的输入或者向智能扬声器30的输入，计算用户外出的准确度。然后，在准确度是阈值以上的情况下，服务器10针对用户安排车辆。该阈值是第一阈值以及第二阈值的一个例子。阈值也可以考虑用户的便利性以及出租车运营商的成本来决定。

服务器10、用户终端20以及智能扬声器30通过网络N1相互连接。网络N1例如是因特网等世界规模的公共通信网，可以采用WAN(Wide Area Network，广域网)或其它通信网。另外，网络N1也可以包括便携电话等电话通信网、Wi-Fi(注册商标)等无线通信网。

(硬件结构)

根据图2，说明服务器10、用户终端20以及智能扬声器30的硬件结构。图2是概略地示出构成本实施方式所涉及的车辆调配系统1的服务器10、用户终端20以及智能扬声器30各自的结构的一个例子的框图。此外，用户终端20以及智能扬声器30是输入装置以及输出装置的一个例子。另外，用户终端20以及智能扬声器30都是用户的终端的一个例子。

服务器10具有一般的计算机的结构。服务器10具有处理器11、主存储部12、辅助存储部13、通信部14。它们通过总线相互连接。

处理器11是CPU(Central Processing Unit，中央处理单元)、DSP(DigitalSignal Processor，数字信号处理器)等。处理器11控制服务器10，进行各种信息处理的运算。主存储部12是RAM(Random Access Memory，随机存取存储器)、ROM(Read Only Memory，只读存储器)等。辅助存储部13是EPROM(Erasable Programmable ROM：可擦除可编程只读存储器)、硬盘驱动器(HDD、Hard Disk Drive)、可移动介质等。在辅助存储部13中，储存操作系统(Operating System：OS)、各种程序、各种表格等。处理器11将储存于辅助存储部13的程序载入到主存储部12的作业区域并执行，通过该程序的执行控制各结构部等。由此，服务器10实现符合预定计划的目的的功能。主存储部12以及辅助存储部13是计算机可读取的记录介质。此外，服务器10既可以是单一的计算机，也可以是多台计算机协作的装置。另外，也可以将储存于辅助存储部13的信息储存到主存储部12。另外，也可以将储存于主存储部12的信息储存到辅助存储部13。

通信部14是经由网络N1而与用户终端20以及智能扬声器30进行通信的单元。通信部14例如是LAN(Local Area Network，局域网)接口板、用于无线通信的无线通信电路。LAN接口板、无线通信电路与网络N1连接。

此外，由服务器10执行的一连串的处理既能够通过硬件执行，也能够通过软件执行。服务器10的硬件结构不限定于图2所示的例子。

接下来，说明用户终端20。用户终端20例如是智能手机、便携电话、平板终端、个人信息终端、可穿戴计算机(智能手表等)、个人计算机(Personal Computer、PC)这样的小型的计算机。用户终端20具有处理器21、主存储部22、辅助存储部23、输入部24、输出部25、通信部26以及位置信息传感器27。它们通过总线相互连接。用户终端20的处理器21、主存储部22以及辅助存储部23与服务器10的处理器11、主存储部12以及辅助存储部13相同，所以省略说明。

输入部24是受理用户进行的输入操作的单元，例如是触摸面板、按压按钮、鼠标、键盘或者麦克风等。输出部25是针对用户提示信息的单元，例如是LCD(Liquid CrystalDisplay，液晶显示器)、EL(Electroluminescence，电致发光)面板、扬声器或者灯等。输入部24以及输出部25也可以构成为1个触摸面板显示器。

通信部26是用于将用户终端20连接到网络N1的通信单元。通信部26例如是用于利用移动通信服务(例如5G(5th Generation：第5代)、4G(4th Generation：第4代)、3G(3rdGeneration：第3代)、LTE(Long Term Evolution，长期演进)等电话通信网)或者、Wi-Fi(注册商标)等无线通信网经由网络N1而与其它装置(例如服务器10等)进行通信的电路。

位置信息传感器27以预定计划的周期取得用户终端20的位置信息(例如纬度、经度)。位置信息传感器27例如是GPS(Global Positioning System，全球定位系统)接收部、无线通信部等。将由位置信息传感器27取得的信息例如记录到辅助存储部23等，发送给服务器10。

接下来，说明智能扬声器30。智能扬声器30具有处理器31、主存储部32、辅助存储部33、麦克风34、扬声器35以及通信部36。它们通过总线相互连接。智能扬声器30的处理器31、主存储部32、辅助存储部33以及通信部36与用户终端20的处理器21、主存储部22、辅助存储部23以及通信部26相同，所以省略说明。

麦克风34是将用户的说话变换为电信号的设备。扬声器35是将从服务器10取得的电信号变换为声音的设备。麦克风34以及扬声器35的结构没有限定。将通过麦克风34变换为电信号的用户的说话，经由通信部36发送给服务器10。

(服务器的概要)

接下来，参照图3以及图4，说明本实施方式所涉及的服务器10的概要。图3以及图4是示出机械学习的概要的图。本实施方式所涉及的服务器10将表示已提供服务的实绩的数据(以下还称为实绩数据)作为训练数据，构筑机械学习模型(以下还称为准确度计算模型)，使用该准确度计算模型计算用户的外出的准确度。实绩数据是指，表示用户外出的实绩的数据，例如，包括出发时刻、目的地、移动路线以及利用的交通工具等。

准确度计算模型将按照用户的意思输入的数据、和不依赖用户的意思输入的数据用作用于进行准确度的计算的数据。此外，也可以还利用天气、时间段等通常数据。按照用户的意思输入的数据是指，例如在用户利用终端等时输入的数据。以下，将该数据还称为检索数据。另一方面，不依赖用户的意思输入的数据是指，例如与由麦克风34取得的用户的说话有关的数据。以下，将该数据还称为说话数据。

检索数据例如是表示用户向用户终端20输入字符或者声音等时的特征的例子。此外，在检索数据中能够包括作为用户向用户终端20输入字符或者声音等的结果而得到的信息。在该特征中，例如包括在路线检索中输入的目的地、出发时刻、移动路线或者利用的交通工具中的1个以上的内容。另外，该特征也可以是用户检索餐厅时的餐厅的场所、利用的时间以及店铺可招待人数。另外，该特征也可以是用户为了查天气而输入的场所以及时间。这些特征例如在用户使用安装到用户终端20的预定计划的APP时取得。例如，在用户向APP输入出发地、目的地以及时刻而作为其检索结果得到移动路线以及可利用的交通工具的信息的情况下，与该移动路线以及交通工具有关的信息也包含于检索数据。

说话数据例如是表示智能扬声器30取得用户的说话时的特征的例子。在该特征中，例如既可以是移动时的目的地、出发时刻、移动路线或者利用的交通工具中的1个以上的内容，也可以是餐厅的场所、营业时间以及可招待人数等，还可以是检索天气时的场所以及时间等。说话数据例如是在用户彼此交谈时输入到智能扬声器30的声音中包含的信息。例如，在预定计划的时间(例如30秒、1分、3分、5分或者10分等)内有“与外出有关的说话”、“与场所有关的说话”、“与时刻有关的说话”、“与移动路线有关的说话”以及“与交通工具有关的说话”的情况下，认为用户外出。在该情况下，能够通过“与外出有关的说话”推测为用户外出，能够通过“与场所有关的说话”推测用户的目的地，能够通过“与时刻有关的说话”推测用户出发的时刻，能够通过“与移动路线有关的说话”推测用户的移动路线，能够通过“与交通工具有关的说话”推测用户利用的交通工具。

此外，在用户的说话中包括与用户外出关联的关键字的情况下，认为有“与外出有关的说话”。该情况的关键字例如是“出家门”、“出发”、“外出”、“走”或者“乘车”等。另外，在用户的说话中包括与场所关联的关键字的情况下，认为有“与场所有关的说话”。该情况的关键字例如是设施名、地域名、车站名、旅游景点或者市街村名等。另外，在用户的说话中包括与时刻关联的关键字的情况下，认为有“与时刻有关的说话”。该情况的关键字例如是“早上7时”等。另外，在用户的说话中包括与移动路线关联的关键字的情况下，认为有“与移动路线有关的说话”。该情况的关键字例如是服务区名、车站名或者巴士站名等。另外，在用户的说话中包括与交通工具关联的关键字的情况下，认为有“与交通工具有关的说话”。该情况的关键字例如是“车”、“电车”、“巴士”、“飞机”、“出租车”、“自行车”或者“船”等。这些关键字既可以预先决定，也可以通过针对每个用户进行机械学习来取得。另外，不是必须包括全部上述说话。例如，如果有与外出有关的说话以及与时刻有关的说话，则能够判定为在该时刻外出。以上的检索数据以及说话数据被变换为特征量，被用作说明变量。

服务器10使用机械学习算法，构筑用于计算用户的外出的准确度的模型，使用该模型计算准确度。例如，使用在各个用户中得到的实绩数据来构筑机械学习模型，计算各个用户中的准确度。在用户不同的情况下，相对向用户终端20以及智能扬声器30的输入的内容以及说话的内容，外出的准确度有时不同，所以也可以针对每个用户进行学习。在取得说话数据时，例如也可以根据声音识别用户。也可以在取得检索数据时，例如当作用户终端20的所有者输入的数据，而识别用户。

(功能结构：服务器)

图5是示出服务器10的功能结构的一个例子的图。在服务器10中，作为功能构成要素包括存储部101、控制部102以及输入输出部103。

存储部101是存储为了进行准确度的计算而所需的数据的单元。具体而言，被构成为包括存储机械学习模型的模型存储部101A、和存储用于进行机械学习的数据的数据存储部101B。此外，在存储部101中，还能够存储由后述的控制部102执行的程序、该程序利用的数据等。

模型存储部101A存储机械学习模型(准确度计算模型)。准确度计算模型是将成为准确度计算的背景的特征量作为输入数据，将变换实绩数据而得到的特征量作为训练数据构筑的模型。服务器10能够执行进行准确度计算模型的学习的阶段、和利用该准确度计算模型进行准确度计算的阶段。准确度计算模型是通过在各用户中发生的实绩数据进行学习而得到的模型。准确度设为0至1的数，0与用户一定不外出的情况对应，1与用户一定外出的情况对应。

数据存储部101B是存储实绩数据、检索数据以及说话数据的数据库。通过由处理器11执行的数据库管理系统(DBMS)的程序来管理存储于辅助存储部13的数据，构筑这些数据库。在本实施方式中利用的数据库是例如关系型数据库。数据存储部101B也能够针对作为对象的每个用户存储不同的数据组。

作为用于进行机械学习的数据，有如上述的实绩数据、检索数据、说话数据。也可以从服务器10的外部经由存储介质、网络取得这些数据。

实绩数据是表示用户利用车辆(出租车)外出的实绩的数据。图6是实绩数据的一个例子。实绩数据例如是通过数值表示用户实际外出时的出发时刻、目的地、移动路线、利用的交通工具的例子。利用的交通工具例如是用户在从家利用出租车移动之后利用的交通工具。根据用户输入到用户终端20或者智能扬声器30的信息以及用户终端20的位置信息等，生成这些数据。

检索数据是表示关于用户终端20的输入的特征的数据。图7是检索数据的一个例子。检索数据例如是通过数值表示在用户使用用户终端20实施路线检索时用户输入到用户终端20的出发时刻以及目的地、和作为检索的结果得到的移动路线以及交通工具的例子。

说话数据是表示关于智能扬声器30取得的用户的说话的特征的数据。图8是说话数据的一个例子。说话数据例如是在由智能扬声器30取得的用户的交谈中包括与外出关联的关键字的情况下，通过数值表示它们的例子。

此外，在以后的说明中，将变换实绩数据而得到的特征量称为实绩特征量，将变换检索数据而得到的特征量称为检索特征量，将变换说话数据而得到的特征量称为说话特征量。

控制部102以及输入输出部103是掌控服务器10具有的功能的运算装置。控制部102例如是通过服务器10的处理器11执行存储于辅助存储部13的各种程序而提供的功能构成要素。控制部102构成为具有学习部1021、计算部1022、提供部1023这三个功能模块。

学习部1021使用存储于数据存储部101B的数据组，构筑与各用户对应的准确度计算模型。例如，将与特定的用户对应的实绩数据、检索数据、说话数据变换为特征量，构筑与特定的用户对应的准确度计算模型。特定的用户能够切换。

计算部1022使用构筑的准确度计算模型，进行用户外出的准确度的计算。具体而言，选择与进行准确度的计算的用户对应的准确度计算模型，向该准确度计算模型输入成为准确度计算的前提的特征量(例如检索特征量或者说话特征量)，根据得到的结果判定对应的状况下的准确度的大小。

提供部1023提供与准确度对应的服务。例如，在准确度是阈值以上的情况下，以使出租车在对应的出发时刻到达的方式，进行出租车的安排。例如，经由管理出租车的运营商的服务器，进行出租车的安排。为此，提供部1023将用户的姓名、住址以及接车时刻等信息经由输入输出部103发送给运营商的服务器。另外，例如，在已安排出租车的情况下，通过将表示其意思的信号从输入输出部103发送给用户终端20或者智能扬声器30，对用户通知已安排出租车。此外，向用户的通知并非必须的。另外，例如，在即使到了出发时刻用户仍未出发的情况(例如用户终端20的位置信息无变化的情况)下，也可以取消安排给用户的出租车的预约。

接下来，说明各功能模块进行的处理的具体内容。首先，说明学习部1021进行的模型的构筑方法。图9是说明准确度计算模型的构筑处理(学习阶段)的概要的图，图10是该处理的流程图。

在学习阶段中，学习部1021使用实绩特征量、和与该实绩特征量对应的检索特征量以及说话特征量，进行准确度计算模型的学习。在此，设为有关于车辆调配服务的提供实绩，关联的数据(实绩数据、检索数据以及说话数据)被存储于数据存储部101B。

首先，学习部1021判定在存储的实绩数据中是否有未用于学习的数据(步骤S11)。在此，在所有实绩数据已处理的情况下，处理结束，否则处理转移到步骤S12。

在步骤S12中，将实绩数据中的作为处理对象的记录项变换为实绩特征量，并且将与该实绩对应的检索数据的记录项变换为检索特征量，将与该实绩对应的说话数据的记录项变换为说话特征量。

然后，在步骤S13中，使用这些特征量进行准确度计算模型的学习。检索特征量以及说话特征量成为说明变量，实绩特征量成为目的变量。通过将其针对所有实绩数据的记录项反复进行，更新说明变量相对于目的变量的权重。

接下来，说明计算部1022进行的准确度计算的方法。图11是说明计算准确度的处理(准确度计算阶段)的概要的图，图12是该处理的流程图。在准确度计算阶段中，计算部1022使用与进行准确度的计算的条件(计算条件)对应的检索特征量以及说话特征量，进行准确度的计算。在此，设为预先准备与计算条件对应的检索特征量和说话特征量。

首先，计算部1022取得与计算条件对应的检索特征量和说话特征量(步骤S21)。向特征量的变换能够使用与学习时相同的方法。而且，将取得的特征量输入到准确度计算模型，取得得到的输出而作为与准确度有关的数据(步骤S22)。

接下来，说明提供部1023进行的处理。图13是提供服务的处理的流程图。在此，设为将用户的实绩数据积蓄到数据存储部101B，并且将使用该实绩数据构筑的准确度计算模型存储到模型存储部101A。每当关于各用户计算准确度时，就执行本例程。

首先，提供部1023取得计算出的准确度(步骤S31的处理)，判定准确度是否为阈值以上(步骤S32)。阈值被设定为用户外出的阈值。阈值也可以是预先设定的固定值。另外，阈值也可以针对每个用户不同。在步骤S32中被进行了肯定判定的情况下，进入到步骤S33，在被进行了否定判定的情况下，结束本例程。

在步骤S33中，将用户的出发时刻以及住址等接车所需的信息例如发送给运营商的服务器。此外，也可以将该信息不经由运营商的服务器而直接发送给出租车。另外，也可以针对可自主行驶的车辆，生成用于接车的运行指令并发送该运行指令。接下来，在步骤S34中，发送向用户的通知。在此，针对用户终端20发送表示已车辆调配出租车的信息。通过该信息，在用户终端20中例如显示表示出租车已被车辆调配的画面。另外，例如，接收到表示已车辆调配的信息的智能扬声器30用声音进行通知。

图14是本实施方式所涉及的车辆调配系统1的处理的时序图。与图14相关的时序图设想对用户进行车辆调配的情况。另外，设为将表示已对用户车辆调配的通知发送给用户终端20。另外，设为在模型存储部101A中存储有机械学习模型。

在用户终端20中输入检索数据时(S101)，将检索数据从用户终端20发送给服务器10。另外，在智能扬声器30中输入说话数据时(S103)，将说话数据从智能扬声器30发送给服务器10(S104)。在接收到检索数据以及说话数据的服务器10中，根据存储于模型存储部101A的机械学习模型，计算准确度(S105)。在计算准确度后，执行图13所示的例程，对用户进行车辆调配(S106)。此时，也可以生成与车辆调配有关的信息，发送给出租车运营商的服务器。另外，将表示已车辆调配的通知发送给用户终端20(S107)，将该通知显示于用户终端20的输出部25。

通过提供部1023执行以上说明的处理，即使用户未自身安排出租车，仍通过提供部1023安排出租车。即，用户即使在外出时未安排出租车也能够乘坐出租车，所以对于用户移动变得简单。另外，在准确度小于阈值的情况下，不被安排出租车，所以能够抑制对于不必要的情况安排出租车的情形。另外，通过从多个设备(例如用户终端20以及智能扬声器30)收集信息，能够更正确地计算用户外出的准确度。

(变形例)

在上述实施方式中，利用机械学习计算用户外出的准确度，但也可以不依赖于机械学习而计算用户外出的准确度。例如，也可以预先关联起来用户的行为和准确度的关系。例如，在用户使用用户终端20检索路线时，当输入出发地、目的地、出发时刻等的情况下，也可以当作用户以阈值以上的预定的准确度在该时刻向该目的地外出来处理。另外，也可以以实施路线检索的日期时间和在路线检索时输入的移动日期时间越接近，准确度越高的方式，计算准确度。例如，在指定明天进行路线检索的情况下，也可以认为在明天用户外出的准确度是阈值以上的预定的准确度。

另外，也可以在计算准确度时，以相比于从由智能扬声器30取得的用户的说话的内容得到的信息，使从用户自身输入到用户终端20的内容得到的信息的准确度更大的方式，进行加权。在用户彼此的交谈中，还包括玩笑或者愿望等，所以即使在交谈中包括与外出有关的信息，用户也有时不外出。另一方面，在用户自身检索移动路线的情况下，用户作为实际要外出的准备而进行检索的情形较多，所以用户外出的可能性高。因此，可以说在用户使用用户终端20进行路线检索时得到的信息相比于由智能扬声器30的麦克风34得到的用户的说话所包含的信息，针对用户的外出的关联性更高。因此，也可以使与用户自身检索的内容有关的信息的权重更大。例如，在不依赖于机械学习而计算准确度的情况下，即使在检索数据和说话数据中目的地、出发时刻、移动路线以及交通工具相同，检索数据也相比于说话数据提高针对准确度的贡献率。

另外，例如也可以预先决定与多个用户对应的准确度，在对各用户应用该准确度时，根据各用户的属性进行校正。与多个用户对应的准确度也可以设为针对过去的多个用户的行为的平均准确度。用户的属性也可以与用户的嗜好、性别、人种、年龄、居住地区或者家族结构等关联。另外，用户的属性既可以是用户自身输入到用户终端20的值，也可以是根据过去的检索数据以及说话数据学习而得到的值。

另外，例如在从用户终端20或者智能扬声器30检索餐厅的情况下，也可以判定为用户在周末为了去该餐厅而外出的准确度是预定的准确度。在该情况下，也可以预先通过用户终端20的位置信息等检测用户倾向于在周末外出。

另外，例如在用户从用户终端20或者智能扬声器30预约了餐厅、宾馆或者交通工具的情况下，也可以与该预约对应地，判定为用户外出的准确度是阈值以上的预定的准确度。即，如果由用户预约了餐厅等，则认为用户外出的概率非常高，所以计算准确度，以安排车辆。

另外，例如也可以在用户检索了某个日期时间的天气的情况下，判定为在该日期时间外出的准确度是阈值以上的预定的准确度。另外，也可以在检索了某个日期时间的某个场所的天气的情况下，判定为在该日期时间外出到该场所的准确度是阈值以上的预定的准确度。

另外，也可以在计算出的准确度小于阈值的情况下，针对用户询问是否外出。例如，提供部1023也可以在准确度小于阈值的情况下，使针对用户询问是否外出的画面显示于用户终端20或者从智能扬声器30输出用于询问的声音，从用户得到回答。询问除了是否外出的询问以外，也可以是是否可以进行出租车等车辆的安排的询问。另外，也可以根据准确度变更输出询问的装置。例如，通过用户的说话得到的信息也有仅为玩笑或者愿望的情况，所以也可以认为询问的必要性低，仅显示于用户终端20。在该情况下，即使有用户看漏询问的情况，由于用户外出的可能性低，所以多数情况没有问题。另一方面，关于通过由用户向用户终端20输入字符等而得到的信息，用户为了外出的准备进行路线检索等的可能性高。因此，为了更可靠地询问用户，可以从智能扬声器30通过声音进行询问。

另外，即使在计算出的准确度是阈值以上的情况下，也可以针对用户进行是否外出的询问。即使在准确度大的情况下，因为也考虑有用户不外出的情况，所以通过询问用户是否外出，能够抑制例如不必要地车辆调配出租车。

图15是提供在车辆调配前向用户进行询问的情况下的服务的处理的流程图。图15所示的处理由提供部1023执行。在图15中，对于执行与图13所示的流程图相同的处理的步骤附加相同的符号而省略说明。

在图15所示的流程图中，在步骤S32中被肯定判定时，进入到步骤S41，针对用户终端20或者智能扬声器30，发送用于询问是否可以在预定车辆调配的日期时间进行车辆调配的信息。此时，进而，也可以发送用于询问是否有进行车辆调配的日期时间的信息。另一方面，在步骤S32中被否定判定时，进入到步骤S42，发送用于询问是否需要车辆调配的信息。然后，在步骤S43中，判定是否从用户终端20或者智能扬声器30接收到针对询问的回答，在有回答的情况下，进入到步骤S44。然后，在步骤S44中，如果是需要车辆调配这样的回答，则进入到步骤S33，将接车所需的信息例如发送给运营商的服务器。另一方面，在步骤S44中被否定判定的情况下，使本例程结束。

此外，在针对在家配置有多个智能扬声器30的用户进行关于车辆调配的询问的情况下，也可以根据准确度，变更进行询问的智能扬声器30。例如，可以在准确度高的情况下，针对配置于被用户得知的可能性高的场所的智能扬声器30发送询问，在准确度低的情况下，针对配置于被用户得知的可能性低的场所的智能扬声器30发送询问。在上述步骤S42中执行该处理。也可以由用户设定成为发送询问的对象的智能扬声器30和准确度的关系。另一方面，也可以通过服务器10进行机械学习，掌握用户得知的可能性高的智能扬声器30或者得知的可能性低的智能扬声器30。另外，也可以由用户设定进行车辆调配或者询问的准确度的阈值。

另外，也可以在S41或者S42中，根据用户的属性，决定进行询问的智能扬声器30。另外，也可以根据用户的属性，对用户终端20或者智能扬声器30的某一方进行询问。此时，也可以对用户喜欢的终端进行询问。另外，也可以根据用户的属性，决定在S34中发送通知的对方的终端。此时，也可以向用户喜欢的终端发送通知。

另外，在上述实施方式中，使用阈值判断是否针对用户进行车辆调配。即，进行将准确度分类为两段的判断。另一方面，也可以将准确度分类为三段以上。例如，也可以分类为准确度最高的高准确度、准确度比高准确度低的中准确度、准确度比中准确度低的低准确度这三段，在计算出的准确度是高准确度的情况下，不询问用户而进行车辆调配，在中准确度的情况下，对用户进行关于车辆调配的询问，在低准确度的情况下，既不车辆调配也不询问。

另外，在上述实施方式中，主要说明出租车的车辆调配，但例如即便是在用户借自行车时将自行车搬运至家的服务等也能够应用。另外，还能够根据用户的说话变更提供给用户的服务。例如，可以对有过关于健康的说话的用户安排自行车而并非出租车。

另外，即便是利用家用车的情况，也能够提供服务。例如，可以在家用车是电动汽车的情况下，判定在用户的出发时刻充电是否完成，在预测为充电未完成的情况下，对用户通知该意思。另外，例如也可以在用户的出发时刻有其它用户使用家用车的预定计划的情况下，对用户通知该意思。

另外，例如也可以在由设置于电冰箱内的传感器探测到食材不足的情况下，以使用户在明天与附近的超市的开店时间符合地出发的方式进行车辆调配，对用户通知该意思。

<其它实施方式>

上述实施方式只不过是一个例子，本公开能够在不脱离其要旨的范围内适宜地变更来实施。

在本公开中说明的处理、单元只要不产生技术上的矛盾，就能够自由地组合实施。

另外，说明为1个装置进行的处理也可以由多个装置分担执行。或者，说明为不同的装置进行的处理也可以由1个装置执行。在计算机系统中，能够灵活地变更通过怎样的硬件结构(服务器结构)实现各功能。

通过将安装有在上述实施方式中说明的功能的计算机程序供给给计算机、并由该计算机具有的1个以上的处理器读出并执行程序也能够实现本公开。这样的计算机程序既可以通过能够连接到计算机的系统总线的非临时性的计算机可读存储介质提供给计算机，也可以经由网络提供给计算机。非临时性的计算机可读存储介质例如包括磁盘(软盘(注册商标)、硬盘驱动器(HDD)等)、光盘(CD-ROM、DVD盘、蓝光盘等)等任意类型的盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡、闪存存储器、光学式卡、适合于储存电子命令的任意类型的介质。