羽藤：なにに適用しようとしているのか．改札が詰まっていたら，他の改札を行くというのがplan-action modelである．
芝原：大丸に行った後にplanを考え直して，別の場所に行くという話しを考えている．
羽藤：最初の目的地から違う場所に行くという行動か．マクロなゾーン選択をplanとしているのか．
芝原：逐次の経路選択を考えている．
羽藤：最終的な目的地がplanで，逐次の経路選択がactionではなくて，最終的な目的地がわかっているが，途中まで隠れ状態としての目的地があったのか．planを考えると精度が上がりそうだが，どういう目的地・領域にするのか．ツアーのテーマをplannにするのがあるのではないか．一つ前のplanが影響を与えるというのは，どういう状況か．
芝原：食事しようとしていたが他の行動をして，また次のplanには元の目的が影響を与えるということである．
羽藤：前のプランに影響を与えている．影響度が高いということはコンテクストに影響を与えている．それは空間依存していれば，わりと面白い．
若林：カーシェアで行こうとしていたが，使えないときに，また次のPLANに影響を与えるということなのか．
羽藤：最適化問題だと，あまり適さない．フローの問題だと使いうるのか．車線変更よりも回遊のほうがあるのでないか．時系列的におって，変化しうるというのが面白い．決定論的にできるというのは面白いのではないか．
福山：actionがplanに対して，影響するというのはどのようにplan選択に影響するのか．前のアクションを全部入れているということか．
浦田：NLで表されているので，空間の関係が説明変数に入れば，Planの選択確率が空間によって変わっていくというモデル表現もできるのではないか．
柳沼：planは選択肢集合ではない．駅の改札の選択を隠れ状態とする．改札がplan．混雑状況によって改札を変えるという記述をやっていた．選択肢集合の選択ではなく，状態が固定されている．選択のjが1:tでやっているが，論文の推定では入っていない．推定データはぶつ切りになっている．これは，推定上では難しいという問題がある．planとはなんなのか．回遊だと，目に見えることに影響を受けるという話である．
羽藤：プランは背後にある状態だからなんでもいいのではないか．アクションはただの潜在クラスなのではないか．クラスが推移しているということではないか．回遊とか駅中の行動の中で，プランをいれると変わるのではないか．どこから出たいという話があって，途中で目的がかわっていくということを表現できる．背後にある状態はなんでもいいのではないか．
柳沼：微視的な行動変化は，背後に影響を受けている．解き方がちゃんとできていないというのがこのモデルの問題点となっている．後ろから解いていけば，できるはずだが，誰もやっていない．内部に行動モデルが入っているので，そこの整合がうまくいかないのではないか．行動とプランの依存関係がうまく推定できないのではないか．そこをやると楽しそう？回遊はモデルとしては，やりたいことにあっていて，よいのではないか．
片山：改札の話はイメージがわいた．プランのイメージがどの時間軸なのかがわからなかった．
羽藤：ラーメン食いたいとか，複数のプランがあるはず．駅中の回遊行動を考えるときには，プランが色々あるねではなくて，設定しなくてはならない．ツアーのH-W-Hというものを定義しなくてはならない．
福田：最初はUターンするつもりが，東京に就職するみたいな．長期的なプランでも途中でプランをかえるという話はあるのではないか．
羽藤：スケジューリングモデルのタイムフレームに反映する．時間の使い方をプランするということができる．何時に帰ろう，もう一軒とかの話がある．
藤垣：シェアリングでできるというのは，時間軸を一日ごとに捉えるのか，一週間でとらえるのかという設定の仕方がある．定期の話である．
羽藤：どのタイムスパンを，アクションとして捉えるか．は深いテーマである．毎日行っている人が100人と週１の人が100人いる人で違う．プランをどのくらいのタイムスパンで決めているのかというのが隠れ状態である．スケールそのものが意思決定の分解能で，研究対象となる．
永杉：なぜ隠れているのか．
芝原：観測できないということである．観測されているのは行動だが，その当初のプランはわからない．
羽藤：どこに行ったかはわかるが，どこに行こうとしたかはわからない．それを設定することで，モデルの精度があがるということである．
伊藤：こういうモデルを作って，過去のデータを使ったほうがいいがマルコフでやっている．それのほうがよかったですということでいいのか．
芝原：論文では，HMMの適用自体で精度がよくなっていることがある．
伊藤：本当にこのモデルがいいということはなぜいえるのか．
羽藤：確率空間をどのようにわければ蓋然性が高まるのかということ．観測されている変数の背後に状態がある．それを設定したら，確率があがるよねというモデルである．planをどのように設定するのか，というのは問題に固有．隠れ状態が設定しないほうがいい場合や時間連鎖がない場合がある．
モデルを作ろうとしているが，本当に正しいかどうか．どのくらい正しいのかというのはモデルのfittingでしかない．ただし，行動原理の話もある．背後にある前提状況が変わってしまうと，ある状態・データではあたっても，他の状態やデータではあたらない．因果を考えて，構造を考えてやるということは，状態やデータが変わってもあたるというのが強みである．構造型とデータマイニングの違いはある．