CN110291542A - 主要原因估计装置、主要原因估计系统以及主要原因估计方法 - Google Patents
主要原因估计装置、主要原因估计系统以及主要原因估计方法 Download PDFInfo
- Publication number
- CN110291542A CN110291542A CN201880011267.7A CN201880011267A CN110291542A CN 110291542 A CN110291542 A CN 110291542A CN 201880011267 A CN201880011267 A CN 201880011267A CN 110291542 A CN110291542 A CN 110291542A
- Authority
- CN
- China
- Prior art keywords
- state
- information
- situation
- classification
- main cause
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明的一个方式的主要原因估计装置受理与对象相关的信息,从所述受理的信息中提取状态信息,确定与所述对象中的第1对象相关的规定的状态,接受作为提取出的所述状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类,从受理的所述信息中提取状况信息,确定发展到所述规定的状态为止的状况,接受作为由所述状况信息提取部提取出的状况信息的、与所确定的所述状况对应的状况信息的输入而对该所确定的状况进行分类。接着,主要原因估计装置根据所述规定的状态的分类结果和所述所确定的所述状况的分类结果,对成为发展到所述规定状态的主要原因的状况进行估计。
Description
技术领域
本发明涉及对造成结果的主要原因进行估计的技术。
背景技术
通常,难以对造成人在进行业务或者过着日常生活的过程中产生的结果(例如人处于特定的状态)的主要原因进行分析。对于特定业务用机械等物体也同样如此。在因果关系是已知的情况下,人们能够估计出结果是由哪个主要原因造成的。然而,在因果关系未知的情况下,人们无法类推出结果是由哪个主要原因造成的。例如,由于许多外部因素的影响,难以将人的特定行动或在人的周边产生的特定事件确定为导致结果的主要原因。
然而,近年来,利用了深度学习的技术正在迅速地发展。特别是,通过利用深度学习技术,图像识别技术已经发展到获得接近人的水平的能力。另一方面,难以让机器获得人没有的能力。这是因为例如像因果关系未知的情况等那样,无法创建学习中所使用的监督数据。
目前,使用机器通过学习而获得的能力来估计与结果之间的关系是未知的主要原因的服务或装置还没有被实用化。
本发明是鉴于上述情况而完成的,其目的在于,提供能够对造成了结果的主要原因进行估计的主要原因估计装置、主要原因估计系统以及主要原因估计方法。
发明内容
在本发明的第1方式中,主要原因估计装置具有:对象信息输入部,其受理与对象相关的信息;状态信息提取部,其从受理的所述信息中提取状态信息;状态确定部,其确定与所述对象中的第1对象相关的规定的状态;状态分类部,其接受作为由所述状态信息提取部提取出的状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类;状况信息提取部,其从受理的所述信息中提取状况信息;状况确定部,其确定发展到所述规定的状态为止的状况;状况分类部,其接受作为由所述状况信息提取部提取出的状况信息的、与确定出的所述状况对应的状况信息的输入而对该确定出的状况进行分类;以及主要原因估计部,其根据所述规定的状态的分类结果和所述确定出的所述状况的分类结果,估计成为发展到所述规定的状态的主要原因的状况。
在本发明的第2方式中,所述主要原因估计部对表示从第1状态向第2状态变化的期间中的状况的状况变化模式的历史记录进行保持,将所述状况变化模式中的与所述规定的状态的分类结果对应的状况变化模式和所确定的所述状况的分类结果所共同的状况确定为所述主要原因。
在本发明的第3方式中,主要原因估计系统具有:上述的主要原因估计装置;状态分类学习装置,其进行与状态的分类相关的学习;以及状况分类学习装置,其进行与状况的分类相关的学习,所述状态分类部利用所述状态分类学习装置的学习结果来进行状态的分类,所述状况分类部利用所述状况分类学习装置的学习结果来进行状况的分类。
根据第1方式,对对象的状态和状况进行分类,根据它们的分类结果来估计成为对象发展到规定的状态的主要原因的状况。由此,能够在不借助人工的情况下估计造成了结果的主要原因。
根据第2方式,参照状况变化模式的历史记录来确定成为主要原因的状况。由此,容易确定成为主要原因的状况。
根据第3方式,状态分类学习装置和状况分类学习装置的机器学习的结果被提供给状态分类部和状况分类部,由此,状态分类部和状况分类部能够获得分类能力。由于使用机器学习,所以没有人的介入,可以保护隐私或安全等,能够避免人成为主要原因的威胁。
根据本发明,能够提供可对造成了结果的主要原因进行估计的主要原因估计装置、主要原因估计系统以及主要原因估计方法。
附图说明
图1是对一个实施方式的主要原因估计方法的概要进行说明的图。
图2是对本实施方式的主要原因估计方法的概要进行说明的图。
图3是对本实施方式的主要原因估计方法的概要进行说明的图。
图4是示出本实施方式的主要原因估计系统的结构例的框图。
图5是示出计算机的硬件结构例的框图。
图6是示出服务器型计算机的硬件结构例的框图。
图7是示出图4所示的辅助装置的结构例的功能框图。
图8是示出图4所示的对象信息数据库装置的结构例的功能框图。
图9是示出图4所示的学习数据生成系统的结构例的框图。
图10是示出图4所示的对象信息取得装置的结构例的功能框图。
图11是示出图4所示的对象信息传感器装置组中所包含的传感器装置的结构例的框图。
图12是示出服务器型计算机的硬件结构的另一例的框图。
图13是示出图4所示的状态分类学习装置的结构例的功能框图。
图14是示出神经网络的结构例的功能框图。
图15是示出图4所示的状况分类学习装置的结构例的功能框图。
图16是示出图4所示的排除状况学习装置的结构例的功能框图。
图17是示出图4所示的主要原因估计装置的结构例的功能框图。
图18是示出本实施方式的学习的过程例的流程图。
图19是示出本实施方式的从主要原因估计委托到估计结果的输出为止的过程例的流程图。
图20是示出本实施方式的状态分类学习装置中的学习的过程例的流程图。
图21是示出本实施方式的状况分类学习装置中的学习的过程例的流程图。
图22是示出本实施方式的排除状况学习装置中的学习的过程例的流程图。
图23是示出本实施方式的主要原因估计装置中的主要原因估计的过程例的流程图。
具体实施方式
下面,参照附图对本发明的实施方式进行说明。
本发明的实施方式涉及主要原因估计系统,该主要原因估计系统包含对造成了结果的主要原因进行估计的主要原因估计装置。根据本实施方式的主要原因估计系统,机器(例如计算机)能够通过使用与对象相关的大量数据的学习来高效地获得对主要原因进行估计的能力。在本实施方式中,为了使机器获得分类能力而使用深度学习技术。深度学习能够发现包含在作为多维向量的数据中的类似的模式。由此,机器能够将包含类似模式的数据判定为相同的分类。在因果关系未知的情况下,无法创建监督数据。能够通过使用无监督数据的学习来获得规定的分类能力。通过使用无监督数据的深度学习来使机器获得分类能力,由此,机器能够判定未知的因果关系。然而,仅通过简单地对输入数据进行分类,无法获得判定因果关系的能力。在本实施方式中,通过以下所示的方法来获得由机器判定因果关系的能力。
为了容易理解,对以人为对象的例子进行说明。对象并不限定于人,例如,可以是人以外的生物、人或生物的行为、物体、物体的动作等。此外,能够对可以由结果来估计主要原因的任意的对象进行处理。
本实施方式包括:对多个人取得与人自身以及与环境相关的大量数据,以能够将所取得的数据用作学习数据的方式进行记录。与人自身相关的数据例如可以从业务应用或智能手机应用的操作、汽车的控制装置或传感器、可穿戴传感器、健康检查应用等取得。与环境相关的数据例如可以从IoT(Internet of Things:物联网)型传感器、位于身边的各种装置取得。
在本实施方式中,将对象如图1所示那样模型化。根据1个或多个状况(在图1的例子中为3个状况)中的任意状况所包含的主要原因X,对象从状态A变化为状态B。各状况包含有可能成为主要原因的外部主要原因或自发主要原因。外部主要原因表示给对象造成影响的环境。自身主要原因表示对象自身的状态或行动。各状况也可以包含不会成为主要原因的外部主要原因或自发主要原因。课题相当于对作为对象的人从状态A变化(转移)到状态B的主要原因X进行估计。状况中的任意状况成为主要原因而引起从状态A变化为状态B的结果。当以这种方式进行模型化时,主要原因X包含在任意的状况中。
参照图2对在本实施方式中设想的服务和装置的功能进行说明。在以下的说明中存在不包含于本发明的部分。
使用者通过未图示的使用者终端装置加入到服务(例如辅助服务)中。在加入时,使用者签订按照规定的条件接受服务的合同。辅助服务能够允许使用者经由网络对很多对象(以下,也称为监控对象)的状态或状况进行监视。辅助服务例如可以使用IoT系统来实施。服务的委托是针对每个对象进行的。辅助服务例如可以使用日本特许第4150965号公开的技术等现有技术来实施,或者也可以通过创建辅助应用来实施。
在日本特许第4150965号中公开了如下的技术:使用业务辅助内容来取得与使用者关于业务所进行的行动相关的信息,该业务辅助内容根据状况来输出业务指示以对使用者(对象)的业务进行辅助。使用者将业务辅助内容下载到智能手机或个人计算机(PC)中加以使用,由此能够接受基于业务辅助内容的辅助而进行业务。取得与环境相关的信息、与使用者相关的信息、示出业务的状态的信息等。由于根据各使用者的使用来更新业务辅助内容的内容,因此能够针对每位使用者提供不同的服务。
监控对象及位于其周围环境中的对象包含在可监视的对象的集合中。监控对象通过其存在、行为、动作等而对周围环境带来影响。相反,监控对象也从周围环境受到影响。此时,监控对象与环境之间相互受到影响而从状态A变化为状态B。在从状态A变化到状态B的期间中,作为监控对象的周围环境从状况1向状况2、并进一步向状况3变迁。如上述那样,课题相当于对对象从状态A变化为状态B的主要原因进行估计。这是因为,例如,能够通过进行接下来所示的集成性的辅助服务而实现。辅助服务具有行动辅助、状态监视、环境的掌握、状况监视、机器学习以及主要原因估计的功能。
行动辅助是对作为对象的人的行动进行辅助的功能。在对象为物体的情况下,进行对象的动作的辅助。在进行辅助的过程中能够取得与对象的状态或状况相关的信息。状态监视是监视对象的状态的功能。环境的掌握是掌握对象的环境并取得环境的状态等与环境相关的信息的功能。状况监视是取得与对象及其环境相关的信息并对对象的状况进行监视的功能。机器学习是机器收集与对象及其环境相关的信息而生成学习数据并进行规定的学习的功能。主要原因估计是对对象变为规定的状态B时的主要原因进行估计的功能。
所有的机器都进行上述那样的辅助服务。由此,能够对各对象提供更细致的服务。由于没有人的介入,所以能够保护隐私和安全等以避免以人为主要原因的威胁。进而,容易自动取得与人的环境相关的信息。进而,能够在没有人的介入的情况下提供365天24小时的服务。
本实施方式包括通过机器学习来获得对由多维向量构成的数据进行分类的能力的情况。分类能力例如能够通过深度学习来获得。为了容易构建学习程序,优选使得作为输入的向量的维数一致。用于获得分类能力的方法并不限定于深度学习。分类能力的获得可以使用作为AI(Artificial Intelligence:人工智能)技术或机器学习技术而公知的任意方法。学习不一定必须是被称为AI的技术,例如,可以对输入数据的取得方法进行研究而使用使多维向量的分布按每个事件分离的方法、预先准备判定逻辑而通过蒙特卡罗法或遗传算法等办法来学习阈值参数的方法等。
以关于作为对象的人收集的大量数据为基础,按照以下方式来获得估计主要原因的能力。图3示出了本实施方式的获得对主要原因进行估计的能力的方法的概要。方法包括取得与包含在对象的集合中的各个对象相关的时序数据(传感器数据)。在对象的数量和数据取得频度较多的情况下,所取得的数据为大数据。方法包括:从针对对象取得的数据中,根据各个对象来选择要分析的数据。具体来说,方法包括:提取与对象的状态相关的数据,根据所提取的数据来生成示出对象的状态的1个或多个数据,或者生成作为它们的组合的状态信息向量。状态信息向量可以用针对对象自身而得到的多个传感器数据来表示。例如,状态信息向量包含通过测定人的生物体信息(例如,血压、心跳数等)而得到的生物体数据、记录了人的行动的行动历史记录数据。通过取得多个对象在多个时刻的数据,能够得到状态信息向量的集合。此外,方法包括:提取与对象的状况相关的数据,根据所提取的数据来生成状况信息向量。状况信息向量是指与可成为对象变为规定状态的主要原因的事件相关的数据。状况信息向量包含外部主要原因向量和自身主要原因向量。外部主要原因向量和内部主要原因向量是1个或多个数据,或者是它们的组合。优选状况信息向量包含外部主要原因向量和自身主要原因向量双方,但也可以不包含外部主要原因向量或自身主要原因向量中的任何一个。例如,存在有针对外部主要原因的行动等而没有自发的行动的情况。外部主要原因向量可以用从对象的周围环境得到的多个传感器数据来表示。自身主要原因向量可以用针对对象自身得到的多个传感器数据来表示。自身主要原因向量例如包含可穿戴传感器、移动终端、业务用应用、人所操作的汽车之类的机械所输出的数据。自身主要原因向量也可以包含状态信息向量的一部分或全部。通过取得多个对象在多个时间点的数据,能够得到状况信息向量的集合。
方法包括:进行对状态信息向量进行分类的无监督学习,获得对人的状态进行分类的能力。针对多个对象而得到的状态信息向量被分类为规定数量(例如1万个种类)的状态分类。类似的状态信息向量被分类为同一状态分类。通过学习来获得对状态信息向量进行分类的能力,从而能够对任意时刻的对象的状态进行分类。这种能力称为状态分类能力。可得到对多个对象的状态进行了分类而得到的集合。
方法包括:进行对状况信息向量进行分类的无监督学习,获得对人的状况进行分类的能力。将针对多个对象而得到的状况信息向量分类为规定数量(例如1万个种类)的状况分类。类似的状况信息向量被分类为同一状况分类。通过学习来获得对状况信息向量进行分类的能力,从而能够对任意时刻的对象的状况进行分类。将这种能力称为状况分类能力。可得到对多个对象的状况进行了分类而得到的集合。也可以按照人的每个状态进行用于获得状况分类能力的学习。
方法包括:将想要估计主要原因之前和之后的状态确定为状态A(也称为事前状态)和状态B(也称为事后状态)。例如,事前状态和事后状态可以是作为对象的人自身所意识到的状态。在对象输入了“现在手臂比上周更累了。”的情况下,上周的状态被确定为事前状态,输入时间点的状态被确定为事后状态。事前状态和事后状态也可以根据由可穿戴传感器或智能手机取得的与人的状态相关的信息来确定。事前状态和事后状态也可以使用由应用程序判断的规定的状态。事前状态和事后状态可以是通过规定的方法判断的现在的状态发生之前和之后的状态。此外,可以通过任意的方法来确定状态。
如图1所示,要求对对象从状态A变化为状态B的主要原因X进行估计。针对多个对象,提取示出从状态A向状态B的变化的数据。将其设为状态变化向量。针对多个对象,提取示出从状态A变化为状态B的期间内的状况的数据。将其设为状况变化模式。例如,在从状态A变化为状态B的期间中提取出3个状况的情况下,设想出以下的3个状况变化模式。
·状态A→状况1→状态B
·状态A→状况2→状态B
·状态A→状况3→状态B
这里,状况1、状况2以及状况3是作为任意的1个或多个对象从状态A变化为状态B的期间内的状况信息向量通过AI进行了分类的结果的、被判定为类似状况的状况的集合。在该例中,状况的集合为3种状况,但状况的集合也可以是1、2或4种以上的状况。例如,作为对象从状态A变化为状态B的期间中的状况,在检测出状况2和状况4的情况下,状况2被估计为主要原因。
作为状态信息向量的分类结果,状态从状态A变化为状态B的事例存在3个,在该变化的各自间可具有多个(例如3个)状况信息向量。例如,假设得到了下述3个状况变化模式。
·状态A→状况1→状况4→状况6→状态B
·状态A→状况2→状况3→状况4→状态B
·状态A→状况3→状况5→状况7→状态B
对对象从状态A变化为状态B的期间中的对象的状况信息向量进行了分类,其结果是,在检测到状况1、状况10以及状况20的情况下,状况1被估计为主要原因X。
对获得估计从状态A变化为状态B的主要原因X的能力的方法例进行说明。在由于特定的人而频繁地发生从状态A向状态B的变化的情况下,能够使用针对该人得到的数据来确定主要原因。在从状态A向状态B的变化对于属于特定分类的人而言是共同的情况下,可以使用针对这些人得到的更多的数据来确定主要原因。针对所有的对象,提取按顺序包含状态A和状态B的数据。将其设为状态变化向量。提取从状态A变化为状态B的期间中的状况的数据。将其设为状况推移列表。将状态变化向量和状况推移列表组合起来而设为用于估计主要原因的学习数据。将其设为状况变化模式。学习数据包含示出从状态A变化为状态B时的状况的、多个人的数据。在从状态A变化为状态B时的状况存在多个的情况下,也可以生成去除了示出无关的状况的信息后的新的学习数据。由于状态和状况是分类结果,所以其数据量远少于原始数据。因此,能够高效地进行学习。按照以下方式来获得为了估计作为人从状态A变化为状态B的主要原因的状况而需要的、对状况的类似性进行识别的能力。获得将主要原因估计的学习数据分类成1000个种类的能力。例如,获得将示出从状态A变化为状态B时的状况的多个人的数据分类为规定数量(例如1000个种类)的能力。示出人从状态A变化为状态B时的状况的数据中的类似的数据被分类为相同的分类。
方法包括获得对无关的状况进行分类的能力。具体来说,方法包括提取在对象变为状态A之后再变为状态B时的数据以及在对象变为状态A之后未变为状态B时的数据。通过使用这些数据,能够创建用于对关联性较低的状况进行分类的监督数据。通过排除关联性较低的状况,减少了处理量,能够更快地判定出主要原因。进而,能够抑制由于与状况分类无关的事件而生成无用的分类的情况。
也可以按照对象的每个种类或每个属性进行上述处理。例如,也可以按照性别、年龄、体力等属性对人进行分类。
图4示出了一个实施方式的主要原因估计系统的结构例。图4所示的主要原因估计系统400具有使用者终端装置401、辅助装置402、对象信息数据库装置403、学习数据生成系统404、对象信息取得装置405、对象信息传感器装置组406、学习数据库装置407、状态分类学习装置408、状况分类学习装置409、排除状况学习装置410以及主要原因估计装置411,这些装置与互联网等网络412连接。在图4所示的例子中,主要原因估计系统400构成为设想了数据中心或云系统那样的分布系统。主要原因估计系统400也可以作为1个装置来实施。例如,主要原因估计系统400能够通过连接有传感器装置的1台计算机来实现。另外,也可以将主要原因估计系统400内的多个装置作为1个装置来实施。例如,状态分类学习装置408、状况分类学习装置409以及排除状况学习装置410能够通过1台计算机来实现。此外,也可以进行变更以使得任意装置内的要素的一部分包含在其他装置中。另外,任意的装置也可以进一步分散成能够进行并行动作。
使用者终端装置401向使用者提供辅助服务。作为使用者终端装置401,例如,可以使用PC、智能手机、智能手表、可穿戴设备、家用电器、健康设备、医疗设备、业务终端、公共终端、语音终端、汽车的控制台、平视显示器、汽车的控制装置、远程信息处理终端、工厂的作业辅助装置、ATM或售票机等特定业务终端。此外,可以使用至少能够输出主要原因的估计结果的任意的装置。例如,使用者终端装置401可以是构成云服务或IoT服务的功能之一。
使用者可以利用使用者终端装置401来使用辅助应用(有时也称为辅助程序、辅助内容等)。辅助应用可以按照要辅助的每个对象或每个目的来准备。辅助应用与利用辅助装置402执行的辅助程序协作而提供辅助服务。
使用者利用使用者终端装置401来进行对象的监视等辅助的委托。使用者终端装置401将包含监视方法等信息在内的辅助委托消息发送给辅助装置402。
使用者能够通过利用使用者终端装置401指定对象和作为某种主要原因导致的结果的所造成的状态(状态B),来进行估计主要原因的委托。使用者也可以指定两个状态(状态A和状态B)。例如,使用者终端装置401按时间顺序来显示状态,使用者选择所显示的状态中的两个。另外,使用者也可以指定两个时刻(日期时间)。状态A也可以设定为是紧邻状态B之前的状态。在该情况下,使用者仅指定状态B。使用者也可以预先设定检测出状态A和状态B的条件。状态A可以设定为是最初的状态。使用者也可以从输入到使用者终端装置401的信息中决定状态A和状态B。例如,使用者输入“前天之前不困,但今天困了”。在这种情况下,例如,辅助应用将前天的任意时刻的状态指定为状态A,将当前的状态指定为状态B。也可以是,辅助应用检测出对象的状态发生了较大变化的情况,而将变化前的状态指定为状态A,将变化后的状态指定为状态B。另外,也可以是,辅助应用检测出业务成果等对象的性能较大地发生了变动的情况,而将变动前的状态指定为状态A,将变动后的状态指定为状态B。使用者终端装置401将用于确定状态A和状态B的信息发送到辅助装置402。
使用者终端装置401也可以具有对象信息取得装置405的功能。使用者终端装置401还可以具有传感器功能。在使用者终端装置401的处理能力较高的情况下,使用者终端装置401也可以具有主要原因估计装置411的功能。
图5示出了实现使用者终端装置401的计算机的硬件结构例。图5所示的计算机500具有用户接口501。用户接口501从使用者接受指示(例如估计主要原因的委托),向使用者输出信息(例如主要原因的估计结果)。在图5所示的例子中,用户接口501包含显示装置502、键盘503以及鼠标504。在其他例子中,用户接口501包含触摸屏。计算机还具有CPU(Central Processing Unit:中央处理单元)、存储器以及通信部(均未图示)。作为一例,存储器具有ROM(read only memory:只读存储器)、RAM(random access memory:随机存取存储器)以及存储装置。作为存储装置,例如,可以使用硬盘驱动器(HDD)。使用者终端装置401的各种功能可以通过由CPU将记录在ROM或存储装置中的各种程序读出到RAM执行而实现。通信部包含用于与网络412连接的接口。
辅助装置402例如能够通过由服务器型计算机执行的辅助程序来实施。辅助程序例如可以作为Web应用来实施。使用者可以在使用者终端装置401中使用浏览器来利用Web应用。辅助程序也可以使用REST(Representational State Transfer:表征性状态传输)等在使用者终端装置401上执行。辅助装置402也可以具有对象信息数据库装置403的功能。
图6示出了服务器型计算机的硬件结构例。例如,辅助装置402、对象信息数据库装置403、学习数据生成系统404内的各装置、对象信息取得装置405或者学习数据库装置407可以通过图6所示的服务器型计算机600来实施。
计算机600包含CPU 601、ROM 602、RAM 603、存储装置604、输入输出部605以及通信部606,这些装置通过总线607而相互连接。辅助装置402等装置的各种功能可以通过由CPU 601将记录在ROM 602或存储装置604中的各种程序读出到RAM603中执行而实现。作为存储装置604,例如,可以使用HDD。输入输出部605进行信息的输入输出。作为一例,输入输出部605包含显示装置、键盘以及鼠标。通信部606包含用于与网络(例如图4的网络412)连接的接口。
图7是示出辅助装置402的结构例的功能框图。图7所示的辅助装置402包含通信部701、辅助用户接口部702、学习委托信息取得部703、对象监视启动部704、学习程序启动部705、外部程序启动部706、主要原因估计控制部707以及主要原因估计结果输出部708。通信部701与经由网络412连接的其他装置交换数据。
辅助用户接口部702提供辅助程序的用户接口。辅助用户接口部702允许使用者加入辅助服务。例如,辅助用户接口部702从使用者接受辅助的委托。另外,辅助用户接口部702也可以受理来自使用者的主要原因估计的委托。辅助用户接口部702也可以受理状态检测的设定。
学习委托信息取得部703经由辅助用户接口部702来受理取得进行主要原因估计的能力的委托。具体来说,学习委托信息取得部703取得用于确定状态A和状态B的信息。学习委托信息取得部703也可以受理主要原因估计之外的与学习目标相关的委托。
对象监视启动部704将开始对使用者指定的对象进行监视的指令发送到对象信息取得装置405。开始监视的指令是按照每个对象发送的。
学习程序启动部705对各装置发送启动规定的程序的指令。例如,学习程序启动部705将启动用于对对象进行监视的监视程序的指令发送给对象信息传感器装置组406。在对象信息传感器装置组406所包含的1个或多个传感器装置中,启动用于进行与对象对应的监视的监视程序。并且,学习程序启动部705将启动学习数据生成程序的指令发送给学习数据生成系统404,其中,该学习数据生成程序用于生成学习数据。并且,学习程序启动部705发送启动用于进行学习的学习程序的指令。例如,学习程序启动部705将启动状态分类学习程序的指令发送给状态分类学习装置408,将启动状况分类学习程序的指令发送给状况分类学习装置409,将启动排除状况学习程序的指令发送给排除状况学习装置410。
为了应对来自使用者的委托,外部程序启动部706根据需要来启动外部装置的程序。例如,为了拍摄对象,外部程序启动部706能够启动对象所存在的房间的监视照相机。外部程序启动部706能够启动对特定的业务进行辅助的业务辅助应用。外部程序启动部706能够对使用者再现健身辅助内容。
主要原因估计控制部707对主要原因估计装置411进行控制。主要原因估计控制部707以能够利用由状态分类学习装置408、状况分类学习装置409以及排除状况学习装置410生成的学习结果的方式将这些学习结果应用于主要原因估计装置411中。具体来说,主要原因估计控制部707根据这些学习结果来设定主要原因估计装置411的神经网络。主要原因估计控制部707在从使用者终端装置401接受了用于确定状态A和状态B的信息时,将进行主要原因估计的指令发送给主要原因估计装置411。然后,主要原因估计控制部707从主要原因估计装置411接收估计结果,并将接收到的估计结果传递给主要原因估计结果输出部708。主要原因估计结果输出部708从主要原因估计控制部707接收估计结果,并将该估计结果发送给使用者终端装置401。
对象信息数据库装置403对由传感器装置取得的、与对象相关的数据进行记录,其中,该传感器装置依照对象信息取得装置405的指令来取得与对象相关的信息。对象信息数据库装置403以能够针对所指定的对象提取成为状态信息向量和状况信息向量的源的数据的方式来记录数据。
图8是示出对象信息数据库装置403的结构例的功能框图。图8所示的对象信息数据库装置403具有通信部801、对象信息DB(数据库)802、状态信息数据库803以及状况信息数据库804。通信部801与经由网络412连接的其他装置交换数据。对象信息数据库802对由对象信息取得装置405取得的与对象相关的数据进行记录。状态信息数据库803对从对象信息数据库802所记录的数据中提取出的与状态相关的数据进行记录。状况信息数据库804对从对象信息数据库802所记录的数据中提取的与状况相关的数据进行记录。
学习数据生成系统404根据由对象信息取得装置405取得并存储在对象信息数据库装置403中的与对象相关的数据,创建学习所使用的学习数据。例如,学习数据生成系统404从对象信息数据库装置403取得与对象相关的数据,根据所取得的数据来生成学习数据。由于对象可以存在多个,所以学习数据生成系统404需要按照每个对象提取与状态相关的信息、与状况相关的信息以及表示要排除的状况的信息。
图9示出了学习数据生成系统404的结构例。图9所示的学习数据生成系统404具有通信部901、状态信息提取装置902、状况信息提取装置903以及排除状况信息提取装置904。通信部901、状态信息提取装置902、状况信息提取装置903以及排除状况信息提取装置904也可以作为1个装置来实施。
通信部901、状态信息提取装置902、状况信息提取装置903以及排除状况信息提取装置904与以太网(注册商标)等网络连接。通信部901与经由网络(例如网络412)连接的其他装置交换数据。
状态信息提取装置902从与对象相关的数据中提取与对象的状态相关的信息。这是作为用于获得对状态进行分类的能力所要使用的学习数据而输出的。状况信息提取装置903从与对象相关的数据中提取与对象的状况相关的信息。这是作为用于获得对状况进行分类的能力所要使用的学习数据而输出的。排除状况信息提取装置904从与对象相关的数据中提取与要排除的状况相关的信息。这是作为用于获得对状况信息进行排除的能力所要使用的学习数据而输出的。
图10是示出对象信息取得装置405的结构例的功能框图。图10所示的对象信息取得装置405具有通信部1001、指示部1002、对象信息取得部1003以及对象信息存储部1004。通信部1001与经由网络412连接的其他装置交换数据。指示部1002在从辅助装置402接收到开始对象的监视的指令时,指示对象信息传感器装置组406开始对象的监视并将由此得到的数据记录在对象信息数据库装置403中。指示部1002也可以按照每个对象来管理要取得什么样的信息。由此,能够从对象信息数据库装置403所记录的数据中提取期望的信息。指示部1002也可以根据对象的状态来变更监视方法。当检测到对象的特定状态时,指示部1002也可以对对象信息传感器装置组406指示选择规定的传感器对与该对象相关的信息进行监视。对象信息取得部1003能够取得从对象信息传感器装置组406输出的与对象相关的数据,并将所取得的数据保存于对象信息存储部1004中。
对象信息传感器装置组406包含多个传感器装置。各传感器装置检测与对象相关的信息,并输出传感器数据。传感器装置只要能够取得与对象相关的信息,则可以是任何结构。传感器装置也可以沿用为了其他目的而设置的装置所具有的传感器功能。例如,可以利用设置于智能手机或汽车的传感器。也可以将在PC或智能手机上运行的应用所检测到的信息用作传感器数据。传感器装置例如可以作为取得特定信息的专用传感器来实施。传感器装置可以是在IoT系统中分散设置的传感器。传感器装置也可以是,按照与存在实体的传感器同样地进行动作的方式虚拟地构成在云中的虚拟传感器。由各传感器装置取得的数据被记录在对象信息数据库装置403中。
图11示出了传感器装置的结构例。具体来说,图11示出了组装了传感器装置的计算机1100。计算机1100具有CPU 1101、ROM 1102、RAM 1103、存储装置1104、传感器部1105、输入输出部1106以及通信部1107,这些装置通过总线1108而相互连接。传感器部1105包含1个或多个传感器装置。CPU 1101依照记录在ROM 1102或存储装置1104中的控制程序对传感器部1105的动作进行控制。输入输出部1106进行信息的输入输出。通信部1107包含用于与网络(例如图4的网络412)连接的接口。
学习数据库装置407对由学习数据生成系统404生成的学习数据进行记录。学习数据包含用于学习状态分类的数据、用于学习状况分类的数据以及用于学习排除状况的数据,这些数据分别由状态分类学习装置408、状况分类学习装置409以及排除状况学习装置410来使用。学习数据库装置407可以依次输出包含在学习数据中的多个对象的状态信息向量和状况信息向量。另外,学习数据库装置407可以依次输出包含在学习数据中的特定对象的状态信息向量和状况信息向量。由此,仅使用与特定对象相关的数据进行学习成为可能。
学习数据库装置407也可以构成为按照对象的每个种类或每个属性来记录学习数据。由此,能够对多种对象进行处理。另外,通过指定种类或属性,能够提取期望的数据。
学习数据库装置407也可以对由状态分类学习装置408、状况分类学习装置409以及排除状况学习装置410生成的学习结果进行记录。
状态分类学习装置408进行用于对状态进行分类的学习。图12示出了实现状态分类学习装置408的服务器型计算机的结构例。图12所示的服务器型计算机1200具有GPU(Graphics Processing Unit:图形处理单元)1201、CPU 1202、ROM 1203、RAM 1204、存储装置1205、输入输出部1206以及通信部1207。状态分类学习装置408的处理量非常大。因此,计算机1200成为对通常的计算机追加了GPU 1201的结构。由于CPU 1202、ROM 1203、RAM1204、存储装置1205、输入输出部1206以及通信部1207分别与图6所示的CPU 601、ROM 602、RAM 603、存储装置604、输入输出部605以及通信部606对应,所以省略了这些说明。GPU1201能够比CPU 1202更快地执行神经网络的学习中的反复计算。
状态分类学习装置408也可以通过将具有与计算机1200同样结构的多个计算机组合起来的刀片式PC系统来实现。另外,状态分类学习装置408也可以通过将多个刀片式PC系统组合起来的复合型服务器装置来实现。此外,在对大规模的学习数据进行处理的情况下,状态分类学习装置408也可以通过多个复合型服务器装置组合而成的数据传感器来实现。图12所示的结构是用于通过软件来进行深度学习的学习的结构。软件处理的一部分或全部也可以通过硬件来实施。由此,能够使处理高速化。
图13是示出状态分类学习装置408的结构例的功能框图。图13所示的状态分类学习装置408具有通信部1301、状态分类学习控制部1302、神经网络1303、学习结果提取部1304以及学习结果输出部1305。通信部1301与经由网络412连接的其他装置交换数据。
状态分类学习控制部1302对旨在获得对状态进行分类的能力的处理进行控制。状态分类学习控制部1302设定神经网络1303的超参数(hyper-parameter),进行基于深度学习的学习。学习并不限定于深度学习,也可以使用机器学习的任意的学习方法。状态分类学习控制部1302从记录在对象信息数据库装置403的对象信息数据库802的数据中提取1个以上的与对象相关的数据。在本实施方式中,使用至少与所指定的对象相关的数据。也可以使用1个以上的与其他对象相关的数据。这在与所指定的对象相关的数据较少的情况下等会提高效果。状态分类学习控制部1302从所提取的数据中选择图3所示的状态信息向量。供选择的程序可以按照对象的每个种类或每个属性来预先准备。状态信息向量可以设计为示出对象的状态。状态信息向量也可以按照对象的每个种类或每个属性来定义。状态分类学习控制部1302将包含多个状态信息向量的学习数据提供给神经网络1303,使用神经网络1303来进行将多个状态信息向量分类为规定数量(例如1万个种类)的状态分类的学习。作为学习的结果,获得对状态进行分类的能力。由学习结果提取部1304来提取用于在其他装置中实施所获得的能力的学习结果。提取出的信息由学习结果输出部1305汇总为文件等发送到主要原因估计装置411。
图14示出了神经网络的结构例。图14所示的神经网络1400相当于图13所示的神经网络1303。神经网络1400具有神经网络输入部1401、深层神经网络1402以及神经网络输出部1403。在深度学习中,使用深层神经网络1402。神经网络输入部1401将学习数据输入到深层神经网络1402。深层神经网络1402使用学习数据来进行学习。作为学习的结果,获得对状态进行分类的能力。神经网络输出部1403输出能够提取出用于在其他装置中实施所获得的能力的学习结果的数据。
状况分类学习装置409进行旨在对状况进行分类的学习。状况分类学习装置409可以具有与状态分类学习装置408同样的硬件结构。例如,状况分类学习装置409能够通过图12所示的服务器型计算机1200来实现。
图15是示出状况分类学习装置409的结构例的功能框图。图15所示的状况分类学习装置409具有通信部1501、状况分类学习控制部1502、神经网络1503、学习结果提取部1504以及学习结果输出部1505。通信部1501与经由网络412连接的其他装置交换数据。
状况分类学习控制部1502控制旨在获得对状况进行分类的能力的处理。状况分类学习控制部1502设定神经网络1503的超参数,进行基于深度学习的学习。神经网络1503可以具有与图14所示的神经网络1400同样的结构。学习并不限定于深度学习,可以使用机器学习的任意的学习方法。
状况分类学习控制部1502从记录在对象信息数据库装置403的对象信息数据库802中的数据中提取1个以上的与对象相关的数据。在本实施方式中,至少使用与在主要原因估计的委托中指定的对象相关的数据。也可以使用1个以上的与其他对象相关的数据。这在与所指定的对象相关的数据较少的情况下等会提高效果。状况分类学习控制部1502从提取出的数据中选择图3所示的状况信息向量。供选择的程序可以按照对象的每个种类或每个属性来预先准备。状况信息向量可以设计成示出对象的状况。状况信息向量包含外部主要原因向量和自身主要原因向量。外部主要原因向量表示给对象造成影响的外部的主要原因。自身主要原因向量表示由对象自身引起的主要原因。状况信息向量例如可以定义为外部主要原因向量和自身主要原因向量组合起来得到的向量。状况信息向量也可以按照对象的每个种类或每个属性来定义。状况分类学习控制部1502将包含多个状况信息向量的学习数据提供给神经网络1503,使用神经网络1503来进行将多个状况信息向量分类成规定数量(例如1万个种类)的状况分类的学习。作为学习的结果,获得对状况进行分类的能力。用于在其他装置中实施所获得的能力的学习结果通过学习结果提取部1504来提取。学习结果提取部1504所提取出的信息被学习结果输出部1505汇总为文件等发送到主要原因估计装置411。
排除状况学习装置410进行旨在对要排除的状况进行分类的学习。排除状况学习装置410可以具有与状态分类学习装置408同样的硬件结构。例如,排除状况学习装置410可以通过图12所示的服务器型计算机1200来实现。
图16是示出排除状况学习装置410的结构例的功能框图。图16所示的排除状况学习装置410具有通信部1601、排除状况学习控制部1602、神经网络1603、学习结果提取部1604以及学习结果输出部1605。通信部1601与经由网络412连接的其他装置交换数据。
排除状况学习控制部1602控制旨在获得对要排除的状况进行分类的能力的处理。排除状况学习控制部1602设定神经网络1603的超参数,并进行基于深度学习的学习。神经网络1603可以具有与图14所示的神经网络1400同样的结构。学习并不限定于深度学习,可以使用机器学习的任意的学习方法。
排除状况学习控制部1602从记录在对象信息数据库装置403的对象信息数据库802中的数据中提取1个以上的与对象相关的数据。在本实施方式中,至少使用与所指定的对象相关的数据。也可以使用1个以上的与其他对象相关的数据。这在与所指定的对象相关的数据较少的情况下等会提高效果。排除状况学习控制部1602提取对象从状态A变化为状态B时的数据。将其设为从状态A变化为状态B时的监督数据。并且,排除状况学习控制部1602提取对象从状态A变化为状态B时以外的数据。将其设为未从状态A变化为状态B时的监督数据。排除状况学习控制部1602从提取出的数据中选择图3所示的状况信息向量。供选择的程序可以按照对象的每个种类或每个属性来预先准备。状况信息向量示出对象的状况。状况信息向量也可以按照对象的每个种类或每个属性来定义。使用多个有监督学习数据,获得将状况信息向量分类成与从状态A变为状态B时的状况信息向量类似的状况信息向量和不是这样的状况信息向量的能力。通过排除与从状态A变为状态B时的状况信息向量类似以外的状况信息向量,能够大幅削减成为主要原因的候选的数据的数据量。由此,削减了学习的处理量,缩短了学习时间。
作为学习的结果,获得对要排除的状况进行分类的能力。用于在其他装置中实施所获得的能力的学习结果通过学习结果提取部1604来提取。学习结果提取部1604所提取的信息被学习结果输出部1605汇总为文件等发送到主要原因估计装置411。
主要原因估计装置411根据来自使用者的主要原因估计委托,估计所指定的对象从状态A变化为状态B的主要原因。主要原因估计装置411使用从状态分类学习装置408输出的学习结果和从状况分类学习装置409输出的学习结果来进行主要原因估计。另外,主要原因估计装置411还可以使用从排除状况学习装置410输出的学习结果。通过使用包含在学习结果中的数据,能够构成与状态分类学习装置408、状况分类学习装置409以及排除状况学习装置410各自的神经网络同等的神经网络。
图17是示出主要原因估计装置411的结构例的功能框图。图17所示的主要原因估计装置411具有通信部1701、对象信息输入部1702、状态信息提取部1703、状态确定部1704、状态分类部1705、状态分类学习结果设定部1706、状况信息提取部1707、状况确定部1708、状况分类部1709、状况分类学习结果设定部1710、主要原因估计部1711以及主要原因估计结果输出部1712。通信部1701与经由网络412连接的其他装置交换数据。
对象信息输入部1702从对象信息数据库装置403接收与对象相关的信息。对象信息输入部1702也可以从对象信息传感器装置组406接收与对象相关的信息。对象包含要对主要原因进行估计的对象(第1对象)。状态信息提取部1703从由对象信息输入部1702接收到的信息中提取状态信息(状态信息向量)。
状态确定部1704确定与第1对象相关的规定的状态,从由状态信息提取部1703提取出的状态信息中提取与规定的状态对应的状态信息。规定的状态与作为结果的状态B对应。状态B例如可以是认为使用者期望进行主要原因估计的状态。状态确定部1704还可以确定作为事前状态的状态A。状态A和状态B可以通过其他装置来检测。辅助装置402的辅助服务程序根据使用者的使用而将进行个别的辅助服务的程序在使用者可使用的装置中的任意装置中启动。例如,启动业务辅助应用。业务辅助应用依照规定的条件来检测状态A和状态B。例如,汽车的远程信息处理终端使用检测驾驶员状态的传感器。例如,希望向驾驶员进行建议的状态被检测为状态B。例如,保健应用也可以检测对象的状态A和状态B。状态确定部1704从其他装置接收表示第1对象变为规定的状态的通知,并根据接收到的通知来确定规定的状态。例如,通知包含表示第1对象变为规定的状态的时刻的时刻信息,状态确定部1704从由状态信息提取部1703提取出的状态信息中,将该时刻的第1对象的状态信息输出到状态分类部1705。
状态分类部1705从状态确定部1704接受与规定的状态对应的状态信息的输入,从而对规定的状态进行分类。例如,状态分类部1705可以包含与图14所示的神经网络同样的神经网络。状态分类学习结果设定部1706从状态分类学习装置408接收学习结果,使用接收到的学习结果来设定状态分类部1705的神经网络的超参数。由此,状态分类部1705能够对状态进行分类。状态分类部1705对所输入的状态信息进行分类,并将状态分类结果输出到主要原因估计部1711。
状况信息提取部1707从由对象信息输入部1702接收到的信息中提取状况信息。状况确定部1708确定第1对象发展到规定的状态的状况,从由状况信息提取部1707提取出的状况信息中提取与特定的状况对应的状况信息。例如,状况确定部1708从状态确定部1704接收表示第1对象从状态A变化到状态B的期间的信息,从由状况信息提取部1707提取出的状况信息中提取第1对象从状态A变化到状态B的期间中的第1对象的状态信息。状况确定部1708也可以从由排除状况学习装置410分类出的状况信息以外的状况信息中提取与特定的状况对应的状况信息,并将其输入到状况分类部1709。
状况分类部1709接受与由状况确定部1708确定出的状况对应的状况信息的输入,从而对所确定的状况进行分类,输出包含1个或多个状况(状况分类)的状况分类结果。例如,状况分类部1709可以包含与图14所示的神经网络同样的神经网络。状况分类学习结果设定部1710从状况分类学习装置409接收学习结果,使用接收到的学习结果来设定状况分类部1709的神经网络的超参数。由此,状况分类部1709能够对状况进行分类。
主要原因估计部1711根据来自状态分类部1705的状态分类结果和来自状况分类部1709的状况分类结果,估计成为发展到规定的状态的主要原因的状况。例如,主要原因估计部1711对表示从第1状态向第2状态变化的期间中的状况的状况变化模式的历史记录进行保持,从历史记录中的状况变化模式中选择与状态分类结果对应的状况变化模式,将所选择的状况变化模式和状况分类结果所共同的状况确定为主要原因。更具体来说,在检测出从状态A变化为状态B的情况下,按照如下方式来估计主要原因。主要原因估计部1711从状况分类部1709接收状况变化模式,该状况变化模式表示对对象从状态A变化为状态B的期间中的状况信息向量进行分类而得到的结果。在从状况分类部1709接收到的状况变化模式与历史记录中所包含的某个状况变化模式一致的情况下,主要原因估计部1711将由该状况变化模式示出的状况判定为主要原因。在状况分类部1709生成了多个状况变化模式的情况下,主要原因估计部1711从由状况分类部1709接收到的状况变化模式中选择与历史记录中所包含的状况变化模式一致的状况变化模式,将由所选择的状况变化模式示出的状况分类判定为主要原因。在一致的状况变化模式存在多个的情况下,主要原因估计部1711也可以输出1个或多个主要原因。或者,在一致的状况变化模式存在多个的情况下,主要原因估计部1711也可以将最先发生的状况作为主要原因来输出。另外,关于深度学习的分类结果,可以将相对于规定的分类的类似度作为数值来输出。可以使用该数值将最接近的判定为主要原因。
图18示出了本实施方式的学习的过程例。图18所示的处理是响应学习委托而开始的。在步骤S1801中,学习数据生成系统404生成学习数据,并将生成的学习数据记录在学习数据库装置407中。在步骤S1802中,各学习装置根据学习数据来进行一系列的学习。具体来说,在步骤S1803中,状态分类学习装置408获得对对象的状态进行分类的能力,生成用于在其他装置中实施所获得的能力的学习结果。在步骤S1804中,状况分类学习装置409获得对对象的状态进行分类的能力,生成用于在其他装置中实施所获得的能力的学习结果。在步骤S1805中,排除状况学习装置410获得对与从状态A向状态B的变化无关的状况进行分类的能力,生成用于在其他装置中实施所获得的能力的学习结果。
在步骤S1806中,各学习装置输出学习结果。在步骤S1807中,主要原因估计装置411从各学习装置接收学习结果。在步骤S1808中,主要原因估计装置411使用接收到的学习结果来获得主要原因估计能力。
在步骤S1809中,判定是否存在其他学习委托。在存在其他学习委托的情况下,返回到步骤S1801,在不存在其他学习委托的情况下,处理结束。
图19示出了本实施方式的从主要原因估计委托到估计结果的输出的处理。在图19的步骤S1901中,使用者利用使用者终端装置401指定对象而启动辅助应用。在步骤S1902中,开始针对对象的辅助服务。在步骤S1903中,使用者指定事前状态A和事后状态B来委托主要原因估计。在步骤S1904中,学习装置对从状态A变化为状态B的事件进行学习。详细内容将在后述的状态分类学习装置、状况分类学习装置、排除状况学习装置各自的学习的过程例中说明。在步骤S1905中,获得对与从状态A变化为状态B的事件无关的状况进行分类的能力等能力。在步骤S1906中,学习装置输出学习结果。在步骤S1907中,主要原因估计装置411接收学习结果。在步骤S1908中,主要原因估计装置411使用接收到的学习结果来获得主要原因估计能力。在步骤S1909中,主要原因估计装置411估计对象从状态A变化为状态B的主要原因,并输出估计结果。
图20示出了本实施方式的状态分类学习装置408中的学习的过程例。在图20的步骤S2001中,状态分类学习装置408被指示开始学习。在步骤S2002中,状态分类学习装置408向学习数据库装置407请求与所指定的对象相关的数据。在步骤S2003中,状态分类学习装置408设定分类数。分类数是可变的。例如,分类数通过主要原因估计系统的操作员来设定。在步骤S2004中,状态分类学习装置408从学习数据库装置407接收与所指定的对象的状态相关的数据,并进行学习。
在步骤S2005中,状态分类学习装置408判定是否满足学习终止条件。在不满足学习终止条件的情况下,进入到步骤S2006,在满足学习终止条件的情况下,处理结束。
在步骤S2006中,状态分类学习装置408判定学习水平是否达到了规定的水平。在学习水平未达到规定的水平的情况下,返回到步骤S2004,状态分类学习装置408从学习数据库装置407取得与其他对象的状态相关的数据而再次进行学习。在学习水平达到了规定的水平的情况下,进入到步骤S2007,在步骤S2007中,状态分类学习装置408输出学习结果。
图21示出了本实施方式的状况分类学习装置409中的学习的过程例。在图21的步骤S2101中,状况分类学习装置409被指示开始学习。在步骤S2102中,状况分类学习装置409向学习数据库装置407请求与所指定的对象相关的数据。在步骤S2103中,状况分类学习装置409设定分类数。分类数是可变的。例如,通过主要原因估计系统的操作员来设定分类数。状况分类中的分类数也可以与状态分类中的分类数不同。在步骤S2104中,状况分类学习装置409从学习数据库装置407接收与所指定的对象的状况相关的数据,并进行学习。
在步骤S2105中,状况分类学习装置409判定是否满足学习终止条件。在不满足学习终止条件的情况下,进入到步骤S2106,在满足学习终止条件的情况下,处理结束。
在步骤S2106中,状况分类学习装置409判定学习水平是否达到了规定的水平。在学习水平未达到规定的水平的情况下,返回到步骤S2104,状况分类学习装置409从学习数据库装置407取得与其他对象的状况相关的数据而再次进行学习。在学习水平达到了规定的水平的情况下,进入到步骤S2107,在步骤S2107中,状况分类学习装置409输出学习结果。
图22示出了本实施方式的排除状况学习装置410中的学习的过程例。在图22的步骤S2201中,排除状况学习装置410从学习数据库装置407接收状况变化模式的数据。在步骤S2202中,排除状况学习装置410生成从状态A变化为状态B的状况变化模式的数据来作为非排除监督数据。在步骤S2203中,排除状况学习装置410生成从状态A变化为状态B的状况变化模式以外的状况变化模式的数据来作为排除监督数据。非排除监督数据和排除监督数据也可以通过学习数据生成系统404来创建。
在步骤S2204中,排除状况学习装置410使用非排除监督数据和排除监督数据来进行识别要排除的状况的学习。在步骤S2205中,排除状况学习装置410判定是否满足学习终止条件。在不满足学习终止条件的情况下,进入到步骤S2206,在满足学习终止条件的情况下,处理结束。
在步骤S2206中,排除状况学习装置410判定学习水平是否达到了规定的水平。在学习水平未达到规定的水平的情况下,返回到步骤S2201,排除状况学习装置410取得状况变化模式的进一步数据而再次进行学习。在学习水平达到了规定的水平的情况下,进入到步骤S2207,在步骤S2207中,排除状况学习装置410输出学习结果。
图23示出了本实施方式的主要原因估计装置411的处理的过程例。在图23的步骤S2301中,主要原因估计部1711取得包含多个状况变化模式的状况分类历史记录。在步骤S2302中,状态分类学习结果设定部1706将从状态分类学习装置408接收到的学习结果设定在状态分类部1705中。在步骤S2303中,状况分类学习结果设定部1710将从状况分类学习装置409接收到的学习结果设定在状况分类部1709中。
在步骤S2304中,状态信息提取部1703将对象的状态信息向量输入到状态确定部1704。在步骤S2305中,状态确定部1704判定对象是否处于作为事前状态的状态A。在对象的状态不是状态A的情况下,返回到步骤S2304,在对象的状态为状态A的情况下,状态确定部1704从所输入的状态信息向量中选择与状态A对应的状态信息向量,并进入到步骤S2306。
在步骤S2306中,状态信息提取部1703还将对象的状态信息向量输入到状态确定部1704。在步骤S2307中,状态确定部1704判定对象是否处于作为事后状态的状态B。在对象的状态不是状态B的情况下,返回到步骤S2306,在对象的状态是状态B的情况下,状态确定部1704从所输入的状态信息向量中选择与状态B对应的状态信息向量,并进入到步骤S2308。
在步骤S2308中,状况分类部1709生成状况变化模式。在步骤S2309中,主要原因估计部1711从状况分类历史记录中检索与所生成的状况变化模式一致的状况变化模式。在步骤S2310中,主要原因估计部1711将包含在一致的状况变化模式中的状况判定为估计结果。在步骤S2310中,主要原因估计结果输出部1712输出估计结果。
以上,对主要原因估计系统的结构和动作进行了说明。以下,进行具体的补充说明。
深度学习能够基于大量的数据进行学习以获得分类或预测等规定的能力。然而,当数据量过多时,无法使用规定规模的装置在规定的时间内完成学习。在主要原因估计系统中,取得包含与监控对象无关的数据在内的庞大的数据。因此,有时需要限制为了估计主要原因而使用的数据的范围。优选根据对使用者提供的服务或装置来设置限制。例如,可以根据与使用者的合同来设置限制。在这种情况下,数据范围根据与使用者的协议而受到限制,因此能够明确系统侧的责任范围。
数据范围也可以根据规定的条件而受到限制。例如,在对象为人的情况下,可以使用年龄、性别、国籍、居住地域、工种等属性来生成比全部的人的数量少的数量的部分集合。有时即使用属性来限制数据范围,数据量仍然较多。在这种情况下,需要进一步减少数据量。但是,当数据量减少过多时,漏掉主要原因的可能性变高。优选将包含主要原因的可能性较低的数据排除。
也可以将与外部主要原因相关的数据的一部分排除。例如,将与预先已知受到影响的可能性极低的外部主要原因相关的数据排除。也可以设定如下这样的指定要排除的数据的条件:与能够根据监控对象的属性判定为不受影响的外部主要原因相关的数据;与监控对象没有进行的运动相关的数据;与监控对象不关心、未包含在新的信息中、过去未访问过、不为公知的地域相关的数据。
另外,通过对输入数据进行分类,能够减少数据量。由多维向量构成的数据在很多情况下是稀疏(sparse)的分布。通常,随着维数增加,分布倾向于变稀疏。成为稀疏分布的多维向量可以通过分类来大幅减少数据量。在分类结果按时序排列时,能够通过对分类后的结果的排列进一步进行分类而大幅削减数据量。
对输入数据的例子进行说明。
在对象为人的情况下,输入数据包含与人自身相关的信息和与人的周围环境相关的信息。优选考虑到隐私而对与人自身相关的信息进行管理。根据来自使用者的要求、与使用者的合同、装置的结构等,能够决定要取得什么样的信息。
与人自身相关的信息可以包含与生物体的状态相关的信息。与生物体的状态相关的信息可以使用可穿戴传感器(例如智能手机、智能手表、生物体信息传感器等)来取得。能够从智能手机所包含的加速度传感器或在智能手机上执行的应用程序来取得与生物体的状态相关的信息。由于智能手表与身体接触,所以能够通过智能手表来取得比从智能手机取得的信息更详细的方法。生物体信息传感器例如测定心率、氧饱和度等。生物体信息传感器例如与智能手机连接,或者,内置在智能手表中。与生物体的状态相关的信息也可以使用环境型传感器来取得。例如,与生物体的状态相关的信息能够利用IoT来取得。具体来说,可以使用位于人的环境中的现有装置来作为取得与人相关的信息的传感器。例如,在得到了“人在大厦1层的楼梯入口处被检测到,然后在4层的楼层被检测到”这样的信息的情况下,可以根据该信息来计算这个人的物理上的运动量。这样的信息可以通过将监视照相机和人脸识别装置组合起来而得到。与生物体的状态相关的信息可以包含饮食信息。能够利用烹调菜谱和饮食店公开的信息。饮食信息例如可以由作为监控对象的人来输入。
与人自身相关的信息可以包含人的行动历史记录。行动历史记录可以包含运动量的历史记录和业务量的历史记录。与运动量相关的信息能够使用可穿戴传感器来取得。与业务量相关的信息例如包含与汽车的驾驶等行动相关的信息。与业务量相关的信息能够从在PC或智能手机等IT终端中使用的应用程序取得。例如,与汽车驾驶相关的信息能够从汽车或智能手机等取得。
与人的周围环境相关的信息例如可以从建筑物附带的装置取得。例如,可以使用设置于单独住宅或集体住宅等的各种装置。另外,可以使用设置于办公室或学校等楼宇的各种装置。能够从监视照相机取得与访问者相关的信息。能够从空调系统取得与人的环境相关的信息。能够从设置于健身房的训练装置取得与人的状态和行动相关的信息。能够从设置于商场的买卖监理系统取得与买卖行动相关的信息。能够从设置于娱乐设施的设备取得与来到设施的到场相关的信息。能够从设置于医院的设备取得与人的状态相关的信息。
与人的周围环境相关的信息能够从汽车或公共交通工具等移动体附带的装置取得。另外,由于人通过位于环境中的装置来使用各种各样的业务应用或教育应用,所以能够从业务应用或教育应用取得与业务或教育相关的信息。通过提取各应用的使用历史记录,能够取得与人在业务或学习中受到了影响的情况相关的信息。另外,与人的周围环境相关的信息能够包含来自运营商的信息。来自运营商的信息例如是在各运营商提供的运营服务中与使用者所进行的使用相关的信息。另外,与人的周围环境相关的信息可以包含来自信息服务提供者的信息。来自信息服务提供者的信息例如是各信息服务提供者提供的信息的内容和与信息服务的使用相关的信息。另外,与人的周围环境相关的信息可以包含来自IoT服务的信息。来自IoT服务的信息例如包含从IoT终端得到的与人相关的信息、从服务器或云系统得到的与人相关的信息。
在对象是物体(例如机器)的情况下,输入数据可以包含从作为对象的物体得到的信息和从其周围的装置得到的信息。作为对象的物体及其周围的装置可以与网络连接。
关于输入数据的方法,以综合型辅助服务为例来进行说明。综合型辅助服务是对人的365天的活动进行综合监控的服务。使用者根据所使用的PC或智能手机或者特定业务用终端等终端装置的辅助程序或辅助内容,接受辅助服务的提供。辅助装置提供综合辅助服务。综合辅助服务通过辅助装置的辅助程序来执行。该辅助程序能够与在使用者使用的终端装置中执行的辅助程序或辅助内容协作地运行。为了对作为对象的人进行辅助,辅助程序利用位于周围环境的装置。由此,辅助程序能够取得与人及其周围环境相关的信息。通过确定对象,能够取得与该对象的状态和状况相关的信息。
对委托主要原因估计的方法进行说明。例如,使用者能够预先进行委托以使得在检测到规定的结果时进行主要原因估计。主要原因估计的结果例如在智能手机或智能手表等终端装置中通过振动和显示来通知。另外,使用者也可以在任意的时刻委托主要原因估计。
对确定作为结果的状态B的方法例进行说明。在估计主要原因时,例如,使用者指定两个状态(事前状态A和事后状态B)。在使用者未指定事前状态的情况下,对象的最初状态也可以被决定为事前状态A。如果使用者能够将当前的状态指定为状态B,则能够省略时刻等的用于确定状态的信息的输入。另外,在可穿戴传感器检测到对象为特定状态(例如,对对象施加了较大压力的状态)的情况下,也可以将该时刻的对象的状态确定为状态B。
对主要原因估计系统的应用例进行说明。
首先,对对象为人的情况下的应用例进行说明。通过将以下说明的多个应用例组合起来,能够实现信息的相互灵活应用,能够提供与主要原因估计相关的综合的服务。
第1应用例是对人的状态进行监视的服务。在该服务中,如以下那样,取得与人的运动、饮食、工作相关的状态和状况的信息,根据所取得的信息,能够估计成为人发展到特定状态的主要原因的状况。
运动会对人的生活模式带来影响。体质或生活模式相似的人在很多情况下会因为相同的主要原因而产生相同的结果。与运动相关的信息例如包含运动量、活动量。运动量和活动量能够使用活动量传感器、智能手表、智能手机等来取得。公知体重会根据卡路里摄取量和运动量而发生变化。
饮食的内容会对人的状态造成较大的影响。与饮食内容相关的信息例如能够使用从信用卡或电子货币的结算记录中提取所购买的便当等信息的方法而取得。另外,人也可以使用智能手机或PC等终端装置来输入与饮食内容相关的信息。另外,与饮食内容相关联的信息能够从食堂的支付终端取得。例如,支付终端保持将饮食和饮食内容互相关联起来的对应表,在所输入的饮食信息中参照对应表来取得与饮食内容相关的信息。
与工作相关的信息例如可以使用之后说明的业务辅助应用来取得。与工作相关的信息例如包含与人在业务中进行的业务及其环境相关的信息。
优选对人的状态进行监视的服务具有进行建议的功能。有效的建议是估计成为当前状态的主要原因并进行通知。通常,公知运动量与体重的增减具有较高的相关关系。人可以准确地记得1天前的运动量,但几乎不会想起1周左右之前的运动量。由于体重的增减受几个月程度的期间内的运动量影响,所以很多人没有掌握运动量的历史记录。通过估计体重增减的主要原因并进行通知,人能够从自身的行动中掌握生活习惯的好的点和不好的点。由此,能够实现生活习惯的改善。另外,通过使用与很多人相关的信息来进行学习,能够预测当前状态继续时的体重的变化。将这样的信息作为建议进行通知也是有效的。
如以上那样,主要原因估计系统能够应用在对人的状态进行监视的服务中。这里说明的方法也能够适用于以下的应用例。
第2应用例是对人的业务进行辅助的服务。人的状态会给业务造成影响。在该服务中,取得与人的业务相关的信息和状况的信息,根据所取得的信息,能够估计作为人发展到特定状态的主要原因的状况。
过劳已经成为社会问题,要求企业对此作出应对。另一方面,企业在取得业务时间外的员工信息方面存在限制。企业通过将员工的监控委托给外部,能够避免过劳的问题。通过使用本实施方式的主要原因估计系统,能够在没有人介入的情况下监视对象(例如员工)的状态和状况。
另外,在检测到特定状态的情况下,第2应用例的服务能够提出用于改善业务效率的提案。在一个例子中,在早晨开始工作时检测到员工的规定的异常的情况下,该服务估计为是生活模式的影响,并根据估计结果来提出改善生活模式的方案。在另一例子中,在下午开始工作的时刻检测到员工的规定的异常的情况下,该服务向该员工的领导进行通知。在接到通知后,领导可以对员工说“有什么不舒服的么?”、“要不歇一会吧”。在另一个例子中,该服务能够根据员工的生物体信息传感器所示的状态信息向量,检测出正承受过度压力的状态。另外,在另一例子中,该服务能够确定业务效率提高的期间之前的状态A和该期间中的状态B,能够将从状态A变化为状态B的主要原因估计为业务效率提高的主要原因。
此外,第2应用例的服务检测与紧急事件相关的信息,能够利用规定的逻辑来估计对正在进行业务的员工造成的紧急事件的影响。作为紧急事件,例如,存在监视装置的故障、业务系统的故障、作业对象的紧急事件、员工的紧急事件等。在监视装置发生了故障的情况下,记录了缺失记录数据的情况。在业务系统发生了故障的情况下,根据从业务系统得到的故障发生时刻和内容,判定影响度并进行记录。从安装在员工正在进行作业的作业对象上的传感器取得与对象的紧急事件相关的信息。根据该信息和作业对象与员工的关系来估计对员工的影响度。员工的紧急事件对业务效率影响很大。优选将造成了员工的紧急事件的主要原因记录在案。作为员工的紧急事件,例如,存在作业的中断、过大的活动、生物体信息有别于通常、位置信息(例如检测出员工处于与预定的位置不同的场所)等。
第3应用例是对汽车驾驶进行辅助的服务。仅凭搭载于汽车的控制装置,无法掌握驾驶员没有乘坐在汽车上时的状态和状况。因此,辅助装置(例如图4所示的辅助装置402)中所存储的辅助内容或辅助应用被下载到汽车的远程信息处理终端。由此,远程信息处理终端能够对驾驶中的驾驶员进行辅助,将驾驶员的信息通知给车辆控制装置。远程信息处理终端能够从搭载于汽车的驾驶员检测摄像头或生物体信息传感器、驾驶员所佩戴的可穿戴终端或智能手表、智能手机等取得示出驾驶员的状态的信息。辅助应用能够掌握在驾驶员乘坐汽车之前检测到的状态和状况。辅助应用能够估计驾驶员从状态A变化为状态B的主要原因,并且根据估计结果对驾驶进行辅助。
第4应用例是对人在家或外出地点(例如,工作地点、学校、住宿设施)的活动进行辅助的服务。给人造成影响的主要原因在很多场景中都存在。例如,温度、湿度、气压、噪音、异味等家的环境主要原因会给人造成较大的影响。异常的低温或高温影响特别大。通过利用传感器对这样的环境主要原因进行检测并记录,能够估计环境主要原因对人的影响程度。另外,只要能够从空调装置等取得环境主要原因的详细信息,则能够详细地掌握环境主要原因的影响程度。作为与家相关的信息,例如,能够从安全系统中所包含的防范传感器取得。此外,人们关心与家庭(例如,父母、孩子、配偶)或宠物相关的信息或新闻信息等,并且会受到这些信息的影响。对正在看家的宠物的状态大多感到担心,通过向人通知宠物的状态,会让人感到安心。另外,通过使用对新闻发布服务等的发布委托信息,能够确定人的关心事项。通过按照每个人预先设定判定关心事项的条件,能够估计新闻对个人造成的影响度。
如以上所示,给特定的人造成影响的主要原因在很多场景中都存在。在以往的每个领域的服务中,往往不知道是什么影响了当前的状态。如以上那样,通过构成系统,能够抑制主要原因的遗漏或主要原因的误判定。
接着,对对象是机器的情况的应用例进行说明。本实施方式的主要原因估计系统即使在对象是机器的情况下,也能够与对象是人的情况同样地进行应对。例如,在人对机器进行操作的情况下,对于机器来说,该人成为环境的一部分。
在对象为汽车的情况下,辅助应用能够与在对象是人的情况下所说明的内容同样地取得对汽车造成很大影响的驾驶员的信息。辅助应用能够从汽车的控制装置取得与汽车的状态、行驶历史记录、行驶中的环境相关的信息。另外,辅助应用能够从外部取得与道路、天气、地震等相关的信息。主要原因估计系统可以通过使用这些信息来进行学习,从而获得估计主要原因的能力。
在对象为加工装置的情况下,与加工装置相关的状况的信息能够从位于其周围的装置取得。加工装置受到位于周围的装置和经由网络连接的装置的影响。从主要原因估计系统来看,这与人受到环境影响的情况相同。因此,能够通过学习来获得对成为某种状态的主要原因进行估计的能力。
如以上那样,在本实施方式的主要原因估计系统中,状态分类学习装置通过进行对与对象的状态相关的数据(状态信息向量)进行分类的学习而获得对对象的状态进行分类的能力,生成用于在其他装置中实施所获得的能力的状态分类学习结果,该状态分类学习结果被应用于主要原因估计装置的神经网络。由此,能够使主要原因估计装置获得对对象的状态进行分类的能力。此外,状况分类学习装置通过进行对与对象的状况相关的数据(状况信息向量)进行分类的学习而获得对对象的状况进行分类的能力,生成用于在其他装置中实施所获得的能力的状况分类学习结果,该状况分类学习结果被应用于主要原因估计装置的神经网络。由此,能够使主要原因估计装置获得对对象的状况进行分类的能力。主要原因估计装置通过对对象的状态进行分类,检测对象成为状态A和成为状态B的情况,通过对对象的状况进行分类,检测对象从事前状态A变化到事后状态B的期间内的对象的状况。主要原因估计装置取得包含表示从状态A变化为状态B的期间内的状况的状况变化模式在内的状况分类历史记录,在状况分类历史记录包含表示与检测到的状况一致的状况的状况变化模式的情况下,将检测到的状况决定为主要原因。由此,能够估计造成了结果的主要原因。
本发明并不被上述实施方式原样限定,能够在实施阶段在不脱离其主旨的范围内对构成要素进行变形而具体化。另外,能够通过上述实施方式所公开的多个结构要素的适当组合来形成各种发明。例如,也可以从实施方式所示的全部构成要素中删除几个结构要素。此外,也可以对不同的实施方式的构成要素进行适当组合。
另外,上述实施方式的一部分或全部也可以如以下的附记那样记载,但并不限于以下内容。
(附记1)
一种主要原因估计装置,该主要原因估计装置具有:
硬件处理器;以及
存储器,其与所述硬件处理器连接,
所述硬件处理器构成为:
受理与对象相关的信息;
从所受理的所述信息中提取状态信息;
确定与所述对象中的第1对象相关的规定的状态;
接受作为所提取的所述状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类;
从所受理的所述信息中提取状况信息;
确定发展到所述规定的状态为止的状况;
接受作为所提取的所述状况信息的、与所确定的所述状况对应的状况信息的输入而对该所确定的状况进行分类,
根据所述规定的状态的分类结果和所述所确定的所述状况的分类结果,估计成为发展到所述规定的状态的主要原因的状况。
(附记2)
一种主要原因估计方法,该主要原因估计方法包括:
使用至少1个硬件处理器来受理与对象相关的信息;
使用至少1个硬件处理器来从所受理的所述信息中提取状态信息;
使用至少1个硬件处理器来确定与所述对象中的第1对象相关的规定的状态;
使用至少1个硬件处理器来接受作为所提取的所述状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类;
使用至少1个硬件处理器来从所受理的所述信息中提取状况信息;
使用至少1个硬件处理器来确定发展到所述规定的状态为止的状况;
使用至少1个硬件处理器来接受作为所提取的所述状况信息的、与所确定的所述状况对应的状况信息的输入而对该确定的状况进行分类;以及
使用至少1个硬件处理器来根据所述规定的状态的分类结果和所确定的所述状况的分类结果,估计成为发展到所述规定的状态的主要原因的状况。
Claims (4)
1.一种主要原因估计装置,该主要原因估计装置具有:
对象信息输入部,其受理与对象相关的信息;
状态信息提取部,其从受理的所述信息中提取状态信息;
状态确定部,其确定与所述对象中的第1对象相关的规定的状态;
状态分类部,其接受作为由所述状态信息提取部提取出的状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类;
状况信息提取部,其从受理的所述信息中提取状况信息;
状况确定部,其确定发展到所述规定的状态为止的状况;
状况分类部,其接受作为由所述状况信息提取部提取出的状况信息的、与确定出的所述状况对应的状况信息的输入而对该确定出的状况进行分类;以及
主要原因估计部,其根据所述规定的状态的分类结果和所述确定出的所述状况的分类结果,估计成为发展到所述规定的状态的主要原因的状况。
2.根据权利要求1所述的主要原因估计装置,其中,
所述主要原因估计部对表示从第1状态向第2状态变化的期间中的状况的状况变化模式的历史记录进行保持,将所述状况变化模式中的与所述规定的状态的分类结果对应的状况变化模式和所确定的所述状况的分类结果所共同的状况确定为所述主要原因。
3.一种主要原因估计系统,该主要原因估计系统具有:
权利要求1或2所述的主要原因估计装置;
状态分类学习装置,其进行与状态的分类相关的学习;以及
状况分类学习装置,其进行与状况的分类相关的学习,
所述状态分类部利用所述状态分类学习装置的学习结果来进行状态的分类,
所述状况分类部利用所述状况分类学习装置的学习结果来进行状况的分类。
4.一种主要原因估计方法,该主要原因估计方法包括:
受理与对象相关的信息;
从受理的所述信息中提取状态信息;
确定与所述对象中的第1对象相关的规定的状态;
接受作为所提取的所述状态信息的、与所述规定的状态对应的状态信息的输入而对该规定的状态进行分类;
从所受理的所述信息中提取状况信息;
确定发展至所述规定的状态为止的状况;
接受作为所提取的所述状况信息的、与所确定的所述状况对应的状况信息的输入而对该所确定的状况进行分类;以及
根据所述规定的状态的分类结果和所确定的所述状况的分类结果,对成为发展至所述规定的状态的主要原因的状况进行估计。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-044375 | 2017-03-08 | ||
JP2017044375A JP6418260B2 (ja) | 2017-03-08 | 2017-03-08 | 要因推定装置、要因推定システム、および要因推定方法 |
PCT/JP2018/007022 WO2018163890A1 (ja) | 2017-03-08 | 2018-02-26 | 要因推定装置、要因推定システム、および要因推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110291542A true CN110291542A (zh) | 2019-09-27 |
CN110291542B CN110291542B (zh) | 2023-04-18 |
Family
ID=63448176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880011267.7A Active CN110291542B (zh) | 2017-03-08 | 2018-02-26 | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200012955A1 (zh) |
EP (1) | EP3594864A4 (zh) |
JP (1) | JP6418260B2 (zh) |
CN (1) | CN110291542B (zh) |
WO (1) | WO2018163890A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6798968B2 (ja) * | 2017-11-22 | 2020-12-09 | ファナック株式会社 | ノイズ発生原因推定装置 |
US11429725B1 (en) * | 2018-04-26 | 2022-08-30 | Citicorp Credit Services, Inc. (Usa) | Automated security risk assessment systems and methods |
KR102502441B1 (ko) * | 2019-12-24 | 2023-02-22 | 한국과학기술원 | 소수의 데이터를 이용하여 트레이닝되지 않은 상황에 적응하는 모바일 센싱장치 및 방법 |
WO2021140670A1 (ja) * | 2020-01-10 | 2021-07-15 | オリンパス株式会社 | 情報伝達装置および情報伝達方法 |
JP7128236B2 (ja) * | 2020-07-22 | 2022-08-30 | ヤフー株式会社 | 特定装置、特定方法及び特定プログラム |
US11934840B2 (en) * | 2020-12-17 | 2024-03-19 | Hewlett Packard Enterprise Development Lp | Classification of hardware components |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11175144A (ja) * | 1997-12-05 | 1999-07-02 | Toshiba Corp | プラント機器の保守支援装置 |
JP2003091600A (ja) * | 2001-09-17 | 2003-03-28 | Kansai Tlo Kk | 医療看護業務のリスク管理方法及びリスク管理支援システム |
CN1873645A (zh) * | 2005-05-30 | 2006-12-06 | 欧姆龙株式会社 | 信息处理装置、信息处理方法 |
CN1945476A (zh) * | 2005-10-06 | 2007-04-11 | 欧姆龙株式会社 | 生产管理装置、生产管理方法以及生产管理系统 |
CN101052294A (zh) * | 2006-04-03 | 2007-10-10 | 欧姆龙株式会社 | 主要原因推断装置、主要原因推断方法以及记录介质 |
CN101241359A (zh) * | 2007-02-06 | 2008-08-13 | Abb研究有限公司 | 用来监视工业机器人的状况的方法和控制系统 |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
US20120102371A1 (en) * | 2009-05-15 | 2012-04-26 | Toshio Tonouchi | Fault cause estimating system, fault cause estimating method, and fault cause estimating program |
CN102539129A (zh) * | 2010-11-30 | 2012-07-04 | 通用电气公司 | 涡轮性能诊断系统和方法 |
JP2012235372A (ja) * | 2011-05-06 | 2012-11-29 | Hitachi Ltd | 無線通信装置、無線通信システムおよび通信制御方法 |
CN103366221A (zh) * | 2012-03-28 | 2013-10-23 | 卡西欧计算机株式会社 | 信息处理装置及信息处理方法 |
CN104956331A (zh) * | 2013-09-18 | 2015-09-30 | 株式会社日立制作所 | 管理计算机系统的管理系统及其管理方法 |
CN106393622A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 注射成形机的异常诊断装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07110771A (ja) * | 1993-10-13 | 1995-04-25 | Nippon Telegr & Teleph Corp <Ntt> | 因果律獲得学習装置 |
JP4150965B2 (ja) | 2003-05-12 | 2008-09-17 | オムロン株式会社 | 端末装置、業務指示方法、コンテンツ提供装置、コンテンツ提供方法、記録媒体、プログラム、業務管理システム、および業務管理方法 |
JP5413240B2 (ja) * | 2010-02-25 | 2014-02-12 | 日本電気株式会社 | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム |
-
2017
- 2017-03-08 JP JP2017044375A patent/JP6418260B2/ja active Active
-
2018
- 2018-02-26 EP EP18763801.0A patent/EP3594864A4/en active Pending
- 2018-02-26 WO PCT/JP2018/007022 patent/WO2018163890A1/ja unknown
- 2018-02-26 CN CN201880011267.7A patent/CN110291542B/zh active Active
- 2018-02-26 US US16/490,915 patent/US20200012955A1/en active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11175144A (ja) * | 1997-12-05 | 1999-07-02 | Toshiba Corp | プラント機器の保守支援装置 |
JP2003091600A (ja) * | 2001-09-17 | 2003-03-28 | Kansai Tlo Kk | 医療看護業務のリスク管理方法及びリスク管理支援システム |
CN1873645A (zh) * | 2005-05-30 | 2006-12-06 | 欧姆龙株式会社 | 信息处理装置、信息处理方法 |
CN1945476A (zh) * | 2005-10-06 | 2007-04-11 | 欧姆龙株式会社 | 生产管理装置、生产管理方法以及生产管理系统 |
CN101052294A (zh) * | 2006-04-03 | 2007-10-10 | 欧姆龙株式会社 | 主要原因推断装置、主要原因推断方法以及记录介质 |
CN101241359A (zh) * | 2007-02-06 | 2008-08-13 | Abb研究有限公司 | 用来监视工业机器人的状况的方法和控制系统 |
US20120102371A1 (en) * | 2009-05-15 | 2012-04-26 | Toshio Tonouchi | Fault cause estimating system, fault cause estimating method, and fault cause estimating program |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
CN102539129A (zh) * | 2010-11-30 | 2012-07-04 | 通用电气公司 | 涡轮性能诊断系统和方法 |
JP2012235372A (ja) * | 2011-05-06 | 2012-11-29 | Hitachi Ltd | 無線通信装置、無線通信システムおよび通信制御方法 |
CN103366221A (zh) * | 2012-03-28 | 2013-10-23 | 卡西欧计算机株式会社 | 信息处理装置及信息处理方法 |
CN104956331A (zh) * | 2013-09-18 | 2015-09-30 | 株式会社日立制作所 | 管理计算机系统的管理系统及其管理方法 |
CN106393622A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 注射成形机的异常诊断装置 |
Non-Patent Citations (1)
Title |
---|
ABDUR RAHIM MOHAMMADFORKAN 等: "A context-aware approach for long-term behavioural change detection and abnormality prediction in ambient assisted living", 《PATTERN RECOGNITION》 * |
Also Published As
Publication number | Publication date |
---|---|
EP3594864A1 (en) | 2020-01-15 |
EP3594864A4 (en) | 2021-01-13 |
JP2018147407A (ja) | 2018-09-20 |
WO2018163890A1 (ja) | 2018-09-13 |
US20200012955A1 (en) | 2020-01-09 |
CN110291542B (zh) | 2023-04-18 |
JP6418260B2 (ja) | 2018-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110291542A (zh) | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 | |
An | Modeling human decisions in coupled human and natural systems: Review of agent-based models | |
Babbar-Sebens et al. | A Case-Based Micro Interactive Genetic Algorithm (CBMIGA) for interactive learning and search: Methodology and application to groundwater monitoring design | |
Hui et al. | Defining optimal sampling effort for large‐scale monitoring of invasive alien plants: a Bayesian method for estimating abundance and distribution | |
CN109597844A (zh) | 基于深度神经网络与图网络的核心用户挖掘方法及系统 | |
CN110108914A (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
Alani et al. | Classifying imbalanced multi-modal sensor data for human activity recognition in a smart home using deep learning | |
Zou et al. | A novel network security algorithm based on improved support vector machine from smart city perspective | |
CN112084240B (zh) | 一种群租房智能识别、联动治理方法及系统 | |
Terbuch et al. | Detecting anomalous multivariate time-series via hybrid machine learning | |
Delfosse et al. | Deep learning applied to NILM: Is data augmentation worth for energy disaggregation? | |
Jankowski et al. | Risk management and interactive computational systems | |
Asgarnezhad et al. | An Effective Algorithm to Improve Recommender Systems using Evolutionary Computation Algorithms and Neural Network | |
CN113326472B (zh) | 一种基于时序多变量数据的模式提取与演化可视分析方法 | |
CN113704637A (zh) | 基于人工智能的对象推荐方法、装置、存储介质 | |
KR20200091508A (ko) | 특허와 논문 데이터를 활용한 국가 및 기업들의 과학 기술력 진단 및 예측 방법 | |
CN112016769B (zh) | 管理相对人风险预测以及信息推荐方法及装置 | |
Duhain | Particle swarm optimisation in dynamically changing environments-an empirical study | |
CN115695025A (zh) | 网络安全态势预测模型的训练方法及装置 | |
Kanchanamala et al. | Aaco: Aquila anti-coronavirus optimization-based deep lstm network for road accident and severity detection | |
Duong et al. | History-dependent graphical multiagent models. | |
Thommandru et al. | Towards Applicability of Artificial Intelligence in Healthcare, Banking and Education Sector | |
Wijayanto et al. | Enhancing clustering quality of fuzzy geographically weighted clustering using Ant Colony optimization | |
Alsharkawi et al. | Improved Poverty Tracking and Targeting in Jordan Using Feature Selection and Machine Learning | |
CN113032643B (zh) | 目标行为识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |