JP2013190214A - 要因解析装置及び要因解析方法 - Google Patents

Abstract

【課題】出力結果に多数の要素が影響を与えるシステムに対して、出力結果に影響を与えた要素をより容易に、しかも高い精度で解析、推定することのできる要因解析装置、及び要因解析方法を提供する。
【解決手段】要因解析装置は、複数の変数Ｓ１〜Ｓ３０を含む複数のサンプルＤ１〜Ｄ２１０がそれぞれ複数の分類クラスの１つが割り当てられて記憶されている記憶装置と、複数のサンプルＤ１〜Ｄ２１０を「例外クラスＢ」のばらつきが小さくなるように変数Ｓ１〜Ｓ３０を順に選択しつつ変数別のサンプルＤ１〜Ｄ２１０に順次分類していくことで分類に影響を及ぼす複数の変数からなる変数群を得る決定木作成部とを備える。要因解析装置は、変数群に含まれている複数の変数Ｓ１〜Ｓ３０を、それぞれの変数Ｓ１〜Ｓ３０によって分類された複数のサンプルに設定されている「例外クラスＢ」の割合に基づいて絞り込む変数絞り込み部を備える。
【選択図】図３

Description

本発明は、多数の要素からなるシステムに生じた事象について、当該事象の要因である要素を解析、推定する要因解析装置、及び要因解析方法に関する。

一般に、車両や生産設備など多数の要素からなるシステムにあっては、システムの出力結果、例えば車両の走行状態や生産された製品などから、それら走行状態や生産された製品の良否などに影響を及ぼしている要素を特定したり、解析、推定したりすることは容易ではない。さらに、上記出力の結果への影響が複数の要素によるものであるとなると、それら要素の組み合わせを解析、推定することはより難しくなる。例えば、車両の特定の動作に影響する要素を推定しようとする場合、車両の要素としての、機関、ドライバ操作、車両環境など、どの要素の組み合わせが、当該特定の動作に影響したのかを解析することは容易ではない。しかも、こうした解析は、システムの出力結果に不都合が生じたときに行われることが多いものの、影響を及ぼす要素が十分に絞り込めていないと、複数の要素からなる多数の組み合わせを試すことにもなりかねず、解析に要する時間、労力、コストなどが無視できない。また、そればかりか、当該不都合に対する満足な解析結果さえ得られないおそれもある。そこで従来は、例えば特許文献１に記載の装置を用いるなどして、システムの出力結果に影響した要素を解析、推定するようにしている。

特許文献１に記載の装置は、生産設備の異常を推定する装置であって、同装置には、製品の履歴情報を記憶する履歴ＤＢ（データベース）と品質情報を記憶する品質ＤＢとからデータを検索し加工して解析データを作成する解析データ作成部と、解析データを使用して異常な設備を解析、推定するデータ解析部とが設けられている。そして、データ解析部には、決定木分析を用いて解析データを製造設備ごとに分類する異常事象分類部と、この分類結果に基づいて、製品の品質低下の原因となる製造設備を推定する異常設備評価部とが設けられている。特許文献１に記載の装置ではこのように、決定木分析を用いた解析によって、製品の品質低下の原因となっている製造設備を推定するようにしている。

特開２００６−３１９２２０号公報

ところで、特許文献１に記載の装置は、生産設備を解析対象としているため、決定木による要因解析に際しては、各生産設備による処理の良否が分類の条件として採用されることが多い。つまり、同装置による解析では、製品の品質の低下の原因となっている設備の組み合わせが、設備間の干渉が抑えられている生産設備による処理の良否に基づいて推定されるため、解析結果が比較的絞り込まれやすい傾向にある。

一方、車両など、解析対象となる要素（例えば、速度、アクセル操作、等々）の相互干渉を抑えることが困難なシステムに対する決定木による要因解析では、要素間の干渉が分類の条件を曖昧にすることが多い。また、車両などは、一つの結果に対して各要素が複数の状態を取り得ることも多く、このことも決定木における分類の条件を曖昧にする一因となっている。しかも、こうした分類条件の曖昧さは、決定木による要因解析において、結果を切り分ける要因を増加させる傾向にもある。また、決定木による要因解析の解析精度を高めようとすると、要因の切り分けも自ずと細分化されるため、上述のような生産設備に対してであれ、結果を切り分ける要因は増加する。そして、こうした切り分ける要因の増加は、解析結果に含まれる要因そのものを増加させることにもなるため、そうした解析結果に基づいて行われるシステムの検証等に要する時間や手間なども無視できないものとなる。

なお、こうした課題は、車両に搭載された要因解析装置のみならず、多数の構成要素より構成される製造設備など、いわゆる多変数系のシステムに対する要因解析においては概ね共通した課題となっている。

本発明は、上述のような実情に鑑みなされたものであって、その目的は、出力結果に多数の要素が影響を与えるシステムに対して、出力結果に影響を与えた要素をより容易に、しかも高い精度で解析、推定することのできる要因解析装置、及び要因解析方法を提供することにある。

以下、上記課題を解決するための手段及びその作用効果について記載する。
上記課題を解決するため、請求項１に記載の発明は、複数の変数を含む複数のサンプルが、それらサンプルの別に複数の分類クラスの１つが割り当てられて記憶されている記憶部と、前記複数のサンプルを各変数の別に分類したときに、前記複数の分類クラスのうちの選択された特定の分類クラスのばらつきが小さくなるように前記変数を順に選択しつつ前記複数のサンプルを変数別のサンプルに順次分類していくことで分類に影響を及ぼす複数の変数からなる変数群を得る解析部と、を備える要因解析装置であって、前記変数群に含まれている複数の変数を、それぞれの変数によって分類された複数のサンプルに設定されている前記特定の分類クラスの割合に基づいて絞り込む変数絞り込み部を備えることを要旨とする。

上記課題を解決するため、請求項７に記載の発明は、要因解析方法であって、複数の変数を含む複数のサンプルを、それらサンプルの別に複数の分類クラスの１つの分類クラスが割り当てられるように記憶部に記憶する記憶工程と、前記複数のサンプルを各変数の別に分類したときに、前記複数の分類クラスのうちの選択された特定の分類クラスのばらつきが小さくなるように前記変数を順に選択しつつ前記複数のサンプルを変数別のサンプルに順次分類していくことで分類に影響を及ぼす複数の変数からなる変数群を得る解析工程と、前記変数群に含まれている複数の変数を、それぞれの変数によって分類された複数のサンプルに設定されている前記特定の分類クラスの割合に基づいて絞り込む変数絞り込み工程を備えることを要旨とする。

このような構成もしくは方法によれば、特定の分類クラスのばらつきを小さくする、つまり、特定の分類クラスを良好に分割する複数の変数として求められた変数群が、当該変数群に含まれている複数の変数のそれぞれについて、その変数により分類された１又は複数のサンプルに割り当てられている特定の分類クラスの割合に基づいて絞り込まれる。つまり、変数群に含まれる変数が更に絞り込まれ、こうして絞り込まれた１又は複数の変数に基づく変数の組み合わせ数も減少し、それら組み合わせ毎に行われる特定の分類クラスに関する検証等に要する時間や手間などが軽減されるようになる。また、変数群から更に絞り込まれた変数によっても適切な解析、推定が行われるように変数群に含まれる変数を絞り込めば、従来よりも推定精度が向上することにもなる。すなわち、特定の分類クラス（出力結果）に多数の変数（要素）が影響を与えるシステムに対し、この要因解析装置は、特定の分類クラスに影響を与えた変数をより容易に、しかも高い精度で解析、推定することができる。

請求項２に記載の発明は、請求項１に記載の要因解析装置において、前記解析部では、前記分類クラスを、複数のサンプルを分類するための目的変数とし、前記サンプルを、分類クラスにより分類される説明変数とする決定木による解析によって前記変数群を得ることを要旨とする。

請求項８に記載の発明は、請求項７に記載の要因解析方法において、前記解析工程では、前記分類クラスを、複数のサンプルを分類するための目的変数とし、前記サンプルを、分類クラスにより分類される説明変数とする決定木による解析によって前記変数群を得ることを要旨とする。

このような構成もしくは方法によれば、変数群が決定木のアルゴリズムに基づいて求められるため、決定木のアルゴリズムを適用される要因解析装置において求められる変数群に含まれる変数を適切に絞り込むことができるようになる。

請求項３に記載の発明は、請求項２に記載の要因解析装置において、前記解析部は、前記決定木を、全てのサンプルを含む１つの根ノードと、順次分類した結果、分類不可能になった１又は複数のサンプルからなる複数の葉ノードを有するものとして得るとともに、前記変数群に含まれる複数の変数を、前記１つの根ノードから前記複数の葉ノードのうちの一つまでの経路に含まれる変数から構成し、前記変数絞り込み部は、前記変数群に含まれている複数の変数の絞り込みを、前記変数群に含まれる複数の変数により分類される複数のサンプルに対応付けられる特定の分類クラスの割合が、前記経路にあって葉ノード側で分類された１又は複数のサンプルに対応付けられる特定の分類クラスの割合よりも大きいとき、前記変数群から前記変数を除外することを再帰的に実行することにより行うことを要旨とする。

請求項９に記載の発明は、請求項８に記載の要因解析方法において、前記解析工程では、前記決定木を、全てのサンプルを含む１つの根ノードと、順次分類した結果、分類不可能になった１又は複数のサンプルからなる複数の葉ノードを有するものとして得るとともに、前記変数群に含まれる複数の変数を、前記１つの根ノードから前記複数の葉ノードのうちの一つまでの経路に含まれる変数から構成し、前記変数絞り込み工程では、前記変数群に含まれている複数の変数の絞り込みを、前記変数群に含まれる複数の変数により分類される複数のサンプルに対応付けられる特定の分類クラスの割合が、前記経路にあって葉ノード側で分類された１又は複数のサンプルに対応付けられる特定の分類クラスの割合よりも大きいとき、前記変数群から前記変数を除外することを再帰的に実行することにより行うことを要旨とする。

このような構成もしくは方法によれば、葉ノード側のサンプルに含まれる特定の分類クラスの割合よりも、根ノード側のサンプルに含まれる特定の分類クラスの割合が大きいとき、当該根ノード側の変数が変数群から除外される。これにより、変数群に含まれる変数から複数のサンプルの分類に対する貢献が小さい変数が除外されるようになるため、変数が絞り込まれた変数群としも複数のサンプルを特定の分類クラスによる分類を好適に維持することができる。

請求項４に記載の発明は、請求項３に記載の要因解析装置において、前記変数絞り込み部は、前記変数により分類された１又は複数のサンプルによって複数の葉ノードが生成されたとき、それら複数の葉ノードの各葉ノードのサンプルに対応付けられる特定の分類クラスの割合が大きい方の葉ノードにおける特定の分類クラスの割合を前記変数群の絞り込みに用いることを要旨とする。

請求項１０に記載の発明は、請求項９に記載の要因解析方法において、前記変数絞り込み工程では、前記変数により分類された１又は複数のサンプルによって複数の葉ノードが生成されたとき、それら複数の葉ノードの各葉ノードのサンプルに対応付けられる特定の分類クラスの割合が大きい方の葉ノードにおける特定の分類クラスの割合を前記変数群の絞り込みに用いることを要旨とする。

このような構成もしくは方法によれば、変数の絞り込みに適している葉ノードが選択され、該選択された葉ノードのサンプルに含まれる特定の分類クラスの割合が変数群に含まれる複数の変数の絞り込みに用いられるようになる。すなわち、変数群に含まれる変数の絞り込みが好適になされるようになる。

請求項５に記載の発明は、請求項１〜４のいずれか一項に記載の要因解析装置において、前記複数の分類クラスは、通常事例を示す通常クラスと例外事例を示す例外クラスとの２つのクラスからなり、前記特定の分類クラスが前記例外クラスであることを要旨とする。

請求項１１に記載の発明は、請求項７〜１０のいずれか一項に記載の要因解析方法において、前記複数の分類クラスは、通常事例を示す通常クラスと例外事例を示す例外クラスとの２つのクラスからなり、前記特定の分類クラスを前記例外クラスとすることを要旨とする。

このような構成もしくは方法によれば、複数のサンプルから例外クラスの発生に影響があると思われる変数が取得できるようになる。例外事例がシステムにとって好ましくない事例であるとすると、当該例外事例に影響を与える変数の取得により、システムにとって好ましくない事例に関する検証が好適に実行できるようになれば、システムに生じる例外事例へ適切に対応することができるようになることが期待される。

請求項６に記載の発明は、請求項５に記載の要因解析装置において、前記変数が車両状態又は車両環境を示す情報であり、前記サンプルが１つの車両から同時刻に得られる複数の車両状態又は車両環境からなるとともに、前記複数のサンプルが時刻及び車両の少なくとも一方が相互に異なるサンプルからなり、前記例外クラスとして、特定の車両状態が設定され、前記変数絞り込み部では、前記特定の車両状態が設定された割合に基づいて、前記変数群に含まれている複数の車両状態又は車両環境の絞り込みを実行することを要旨とする。

請求項１２に記載の発明は、請求項１１に記載の要因解析方法において、前記変数として車両状態を示す情報を用い、前記サンプルを１つの車両から同時刻に得られた複数の車両状態又は車両環境とするとともに、前記複数のサンプルを時刻及び車両の少なくとも一方が相互に異なるサンプルとし、前記例外クラスとして、特定の車両状態を設定し、前記変数絞り込み工程では、前記特定の車両状態の設定された割合に基づいて、前記変数群に含まれている複数の車両状態又は車両環境の絞り込みを実行することを要旨とする。

車両においては、速度や加速度などの車両状態に相関があったり、ステアリング操作や道路状況などの車両状態と車両環境との間に相関があったり、各車両状態や車両環境等の各要素間に相関がある、つまり各要素間の独立性が低く相互に干渉がある場合が多い。こうした、干渉の多い複数の要素から、目的とする特定の車両状態、いわゆる例外事例を生じさせている要素の組み合わせを推定することは容易ではない。また、干渉の多い要素から、目的とする特定の車両状態を好適に切り分ける要素を選択することも容易でなく、解析によって、特定の車両状態に影響を及ぼすものとして選択される要素の数が多くなる傾向にある。そのため、選択された要素の組み合わせに基づいて、特定の車両状態を検証する際、それら要素の組み合わせを多数検証することとなり、検証に要する時間や手間が無視できない。

これに対し、上記構成もしくは方法によれば、車両から取得された車両状態又は車両環境から、特定の車両状態に影響を与えるものとして得られた車両状態又は車両環境が、その車両状態又は車両環境により分類された１又は複数のサンプルに割り当てられている例外クラスの割合に基づいて絞り込まれる。つまり、車両のように特定の車両状態に影響を及ぼすものとして選択される要素の数が多い傾向にあるシステムであれ、選択される車両状態又は車両環境の数を絞り込むことができるようになる。これにより、絞り込まれた車両状態又は車両環境の組み合わせに基づいて、例外クラスを生じる車両状態を検証することができるようになるため、それら車両状態又は車両環境の組み合わせ数に対応する検証数が減ることとなり、例外クラスの検証に要する時間や手間などが軽減されるようになる。

本発明にかかる要因解析装置を備えるシステムを具体化した一の実施形態について、そのシステム構成を示すブロック図。 同実施形態の要因解析装置が解析対象にするサンプルを取得する車両について、その構成を示すブロック図。 同実施形態の要因解析装置が解析対象にするサンプルを格納するデータベースの内容の一例を示す図。 同実施形態の要因解析装置が要因解析にて作成した決定木を模式的に示す模式図。 同実施形態の要因解析装置が決定木より算出した例外率を表形式で示す図。 同実施形態の要因解析装置が決定木からノードを選択する例を示す模式図。 同実施形態の要因解析装置が例外率に基づいてノードを絞り込む例を示す模式図。

以下、本発明にかかる要因解析装置を備えるシステムを具体化した一の実施形態について、図に従って説明する。
本実施形態のシステムは、情報処理センタ１０に複数の車両２０から集められたサンプルに基づいて、情報処理センタ１０にて車両２０に生じる特定の例外的事象に対して関連性のある車両状態や車両環境を推定するシステムである。

まず、本実施形態のシステムについて、図１及び図２を参照して説明する。
図１に示すように、情報処理センタ１０には、複数の車両２０、具体的には４台の車両２０ａ〜２０ｄが無線接続されている。各車両２０ａ〜２０ｄは、同一の車種からなり、それぞれが同一の種類からなる車両状態や車両環境のデータを収集することができる。なお、車両状態とは、車両そのものの状態に関するものであり、車両状態としては、例えば、速度、加速度、エンジン回転数、ステアリング操作、ライトの点灯／消灯、ドアの開閉などが挙げられる。また、車両環境は、車両の周囲環境に関するものであり、車両環境としては、例えば、時刻、位置、天候、明暗（照度）、道路形状などの道路に関する情報、ユーザに関する情報などが挙げられる。

図２に示すように、車両２０には、車両に対する各種制御を行う車両制御装置２１と、データの入出力可能に車両制御装置２１に接続されている記憶装置２２と、データの入出力可能に車両制御装置２１に接続されている通信部２３とが設けられている。

また、車両制御装置２１には、検出等した情報をデータとして出力する情報出力装置が複数接続されている。情報出力装置として、時計３０と、位置センサとしてのＧＰＳ３１と、照度センサとしての照度計３２と、速度センサとしての速度計３３と、加速度センサとしての第１の加速度計３４及び第２の加速度計３５とが車両制御装置２１に接続されている。

時計３０は、現在の時刻Ｔａを車両制御装置２１に出力する。ＧＰＳ３１は、いわゆる全地球測位システム（ＧＰＳ：Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）であって、受信したＧＰＳ衛星信号に基づいて検出された現在位置Ｐａを車両制御装置２１に出力する。照度計３２は、車両２０の走行環境において検出された照度値Ｌａを車両制御装置２１に出力する。速度計３３は、車両２０から検出された速度Ｖａを車両制御装置２１に出力する。第１の加速度計３４は、車両２０の進行方向に対して検出された第１の加速度Ａａを車両制御装置２１に出力する。第２の加速度計３５は、路面に交差する方向に対して検出された加速度Ａｂを車両制御装置２１に出力する。

通信部２３は、車両制御装置２１から情報処理センタ１０への無線通信を可能にさせる装置であって、車両制御装置２１から入力された送信データを無線通信用の信号に変換して情報処理センタ１０に対して送信する。なお、通信部２３は、情報処理センタ１０からの無線通信用の信号を受信して車両制御装置２１へ出力してもよい。

記憶装置２２は、例えばフラッシュメモリーやＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記憶装置から構成されているとともに、車両制御装置２１からの読み出し及び書き込みが可能になっている。

車両制御装置２１は、各種演算処理を実行するＣＰＵ、各種制御プログラムを格納するＲＯＭ、データ格納やプログラム実行のためのワークエリアとして利用されるＲＡＭ、入出力インターフェース、メモリ等を備えたマイクロコンピュータを中心に構成されている。車両制御装置２１には、各種制御に要する各種プログラムや各種パラメータなどが予め記憶されている。また、本実施形態では、車両制御装置２１には、各種情報出力装置から出力された情報を収集して記録させるプログラムが設けられている。このプログラムは、時刻や位置などをサンプリング条件にして、複数の情報出力装置から出力された複数の情報を同時に取得するとともに、それら取得した複数の情報を１つの目的変数としてのサンプル、例えばサンプルＤ１として記憶装置２２に記憶させる。なお、このサンプルの取得と記憶装置２２への記憶は、時刻や位置などのサンプリング条件が成立する都度実行されることで、記憶装置２２には少なくとも時刻の異なるサンプルが記憶される。さらに、本実施形態では、所定の条件に基づいて記憶装置２２に記憶されたサンプルＤ１を情報処理センタ１０に送信するプログラムも設けられている。所定の条件は、送信周期や、通信状況や、記憶されたサンプルの数などに基づいて定められる。

これにより、車両制御装置２１は、サンプリング条件が成立すると、現在の時刻Ｔａ、現在位置Ｐａ、照度値Ｌａ、速度Ｖａ、第１の加速度Ａａ、第２の加速度Ａｂなどを同時に取得して１つのサンプルＤ１として記憶装置２２に記憶させる。同様に、車両制御装置２１は、サンプリング条件の成立に伴って取得された値を有する各サンプルＤ２，Ｄ３，…を記憶装置２２に記憶させる。また、車両制御装置２１は、記憶装置２２に記憶された１つ又は複数のサンプル（Ｄ１，Ｄ２，Ｄ３，…）を、無線通信を介して情報処理センタ１０に送信する。

図１に示すように、情報処理センタ１０には、各種情報を処理する情報処理部１１と、データの入出力可能に情報処理部１１に接続されている記憶部としての記憶装置１２と、データの入出力可能に情報処理部１１に接続されている通信部１３とが設けられている。

通信部１３は、車両制御装置２１から送信された無線信号を受信するための装置であって、受信した無線信号をデータに変換して情報処理部１１へ出力する。つまり、情報処理部１１は、通信部１３を介して、車両２０から送信された各サンプルＤ１，Ｄ２，Ｄ３，…を取得することができる。なお、通信部１３は、情報処理部１１から入力されたデータを無線通信用の信号に変換して車両制御装置２１へ送信してもよい。

記憶装置１２は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記憶装置から構成されているとともに、情報処理部１１からの読み出し及び書き込みが可能になっている。例えば、情報処理部１１は、車両２０から取得した各サンプルＤ１，Ｄ２，Ｄ３，…を記憶装置１２にそれぞれ書き込んだり、記憶装置１２からそれぞれ読み出したりできる。

記憶装置１２には、車両２０から取得した各サンプルＤ１，Ｄ２，Ｄ３，…を登録させることのできるデータベース１２１が設けられている。図３に示すように、データベース１２１には、車両２０（２０ａ〜２０ｄ）から取得した複数のサンプルＤ１，Ｄ２，Ｄ３，…から構成される２１０個のサンプルＤ１〜Ｄ２１０と、各サンプルＤ１〜Ｄ２１０にそれぞれ説明変数としての分類クラスＸ１が割付けられている。各サンプルＤ１〜Ｄ２１０には、車両２０の各情報出力装置に対応する３０個の変数Ｓ１〜Ｓ３０の値ｄｎ，ｍ（なお、ｎは１〜２１０の整数、ｍは１〜３０の整数）が含まれている。各変数Ｓ１〜Ｓ３０は、車両２０に設けられている複数の情報出力装置のいずれか１つに対応している。例えば、本実施形態では、変数Ｓ１は車両２０の時計３０に対応し、変数Ｓ２は車両２０のＧＰＳ３１に対応し、変数Ｓ３は車両２０の照度計３２に対応している。また、変数Ｓ４は車両２０の速度計３３に対応し、変数Ｓ５は車両２０の第１の加速度計３４に対応している。すなわち、データベース１２１のサンプルＤ１には、変数Ｓ１の値ｄ１，１として現在の時刻Ｔａが記憶され、変数Ｓ２に対応する値ｄ２，１として現在位置Ｐａが記憶され、変数Ｓ３に対応する値ｄ３，１として照度値Ｌａが記憶されている。また、データベース１２１のサンプルＤ１には、変数Ｓ４に対応する値ｄ４，１として速度Ｖａが記憶され、変数Ｓ５に対応する値ｄ５，１として第１の加速度Ａａが記憶されている。

分類クラスＸ１は、車両２０に生じる事例であって、要因解析の目的とする事例への対応の有無を各サンプルＤ１〜Ｄ２１０に設定するものである。分類クラスＸ１には、目的とする事例が車両２０に生じていたのか否かのそれぞれに対応する２つの分類クラスとして「通常クラスＡ」と「例外クラスＢ」とが設けられている。「例外クラスＢ」は、車両２０に生じる例外的な事例として特定の車両状態を示しており、当該特定の車両状態としては、例えば、急加速、急減速、上下振動などが挙げられる。本実施形態では、車両２０に生じる例外的な事例を要因解析の目的としているため、車両２０に例外事例が生じたときのサンプルには特定の分類クラスとしての「例外クラスＢ」が設定される一方、車両２０に例外事例が生じていないときのサンプルには「通常クラスＡ」が設定される。つまり、「通常クラスＡ」が設定されたサンプルは例外事例に対応していないサンプルである一方、「例外クラスＢ」が設定されたサンプルは例外事例に対応しているサンプルである。例えば、データベース１２１に登録されている各サンプルＤ１，Ｄ２，Ｄｎなどは分類クラスＸ１に「例外クラスＢ」が設定されている一方、各サンプルＤ３，Ｄ２１０などは分類クラスＸ１に「通常クラスＡ」が設定されている。なお、分類クラスＸ１は、所定の条件に基づいて自動的に付与してもよいし、解析者が与えるものであってもよい。また、分類クラスＸ１は、サンプル取得時に車両２０にて付与されるものでもよいし、サンプルがデータベース１２１に登録されるときや登録されたあとに付与されるものでもよい。

つまり、記憶装置１２には、複数の変数Ｓ１〜Ｓ３０を含む複数のサンプルＤ１〜Ｄ２１０が、それらサンプルＤ１〜Ｄ２１０の別に複数の分類クラスの１つの分類クラスである「通常クラスＡ」又は「例外クラスＢ」が割り当てられて記憶される（記憶工程）。

情報処理部１１は、各種演算処理を実行するＣＰＵ、各種制御プログラムを格納するＲＯＭ、データ格納やプログラム実行のためのワークエリアとして利用されるＲＡＭ、入出力インターフェース、メモリ等を備えたマイクロコンピュータを中心に構成されている。情報処理部１１には、各種車両診断に関する情報処理などに要する各種プログラムや各種パラメータなどが予め記憶されている。また本実施形態では、情報処理部１１には、決定木分析によって要因解析を行う決定木分析プログラム及びパラメータと、決定木分析により解析された変数について更に絞り込む絞り込みプログラム及びパラメータとが設けられている。そして情報処理部１１には、決定木分析プログラムの実行処理に基づいて決定木作成部１１１が設けられるとともに、絞り込みプログラムの実行処理に基づいて変数絞り込み部１１３が設けられる。なお、決定木分析プログラムや絞り込みプログラムは、常時実行処理されていてもよいし、必要に応じて実行処理されていてもよい。

決定木作成部１１１は、決定木分析に基づいてデータベース１２１に格納されているサンプルから決定木１１２を生成する。決定木１１２は、情報処理方法の一種である決定木分析によって生成される樹形状のモデルに基づく樹形図である。

図３に示すように、決定木作成部１１１は、要因解析の目的とする事例、例えば２つの分類クラスのうちから選択された１つの特定の分類クラスである「例外クラスＢ」を複数のサンプルＤ１〜Ｄ２１０から好適に分類することを繰り返すことで決定木１１２を生成する（解析工程）。好適な分類とは、決定木作成部１１１は、複数のサンプルＤ１〜Ｄ２１０を、「例外クラスＢ」のばらつきが小さくなるように選択した変数（Ｓ１など）で分類することである。なお、図４に示すように、決定木１１２では、上述した「分類」が「分岐」で図示される。

図４に示すように、決定木１１２は、分類（分岐）が開始される１つの「根ノードＮ１」と、「根ノードＮ１」以外の分岐点である４つの「中間ノードＮ２〜Ｎ５」と、これ以上分岐されない端点である６つの「葉ノードＬＰ１〜ＬＰ３，ＬＮ１〜ＬＮ３」とを有する。つまり、１つの「根ノードＮ１」から複数の分岐が生じ、その分岐の先にそれぞれ１つの「中間ノードＮ２〜Ｎ５」が設けられる。また、そうした分岐先において分岐が生じない端点として「葉ノードＬＰ１〜ＬＰ３，ＬＮ１〜ＬＮ３」が設けられる。これにより、１つの「根ノードＮ１」に対して、複数の「中間ノードＮ２〜Ｎ５」及び複数の「葉ノードＬＰ１〜ＬＰ３，ＬＮ１〜ＬＮ３」が設けられる。なお、「根ノード」から１回の分岐で「葉ノード」が設けられるような場合、「中間ノード」は設けられない。こうした決定木１１２から、各「葉ノードＬＰ１〜ＬＰ３，ＬＮ１〜ＬＮ３」から「根ノードＮ１」までに至る経路としての「ルート」がそれぞれの「葉ノードＬＰ１〜ＬＰ３，ＬＮ１〜ＬＮ３」毎に得られる。こうして得られる「ルート」には、当該「ルート」の端点である「葉ノード」と、「葉ノード」から「根ノード」までの経路に含まれる「中間ノード」と、そして「根ノード」との各情報が含まれる。

本実施形態では、「根ノードＮ１」には、全サンプルＤ１〜Ｄ２１０が情報として含まれる。そして、この全サンプルＤ１〜Ｄ２１０が分類によって２つの「中間ノードＮ２」及び「中間ノードＮ３」に分けられる。つまり各「中間ノードＮ２」及び「中間ノードＮ３」は、全サンプルＤ１〜Ｄ２１０のうちの一部のサンプルを含む。また、各「中間ノードＮ２」及び「中間ノードＮ３」は、それぞれに含まれるサンプルが、各別に２つの「中間ノード」もしくは「葉ノード」に分類される。そして、こうした分類が繰り返され、分類されたノードに含まれるサンプルの数が１つになるか、分類されたノードに含まれるサンプルが分類不可能になったとき、それらノードが「葉ノード」となるとともに、分類が終了する。

ここで、図４を参照して、決定木作成部１１１がデータベース１２１に設定されたサンプルＤ１〜Ｄ２１０に基づいて作成した決定木１１２について説明する。なお、決定木作成部１１１は、要因解析の目的とする事例を複数の分類クラスのうちの１つである「例外クラスＢ」とする。また、「根ノードＮ１」に含まれる２１０個のサンプルＤ１〜Ｄ２１０は、「通常クラスＡ」が設定されているサンプルが６０個、「例外クラスＢ」が設定されているサンプルが１５０個あるものとする。さらに、各サンプルＤ１〜Ｄ２１０には３０個の変数Ｓ１〜Ｓ３０に対応する値ｄｎ，１〜ｄｎ，３０が含まれているが、説明の便宜上、サンプルＤ１〜Ｄ２１０を５つの変数Ｓ１〜Ｓ５の値ｄｎ，１〜ｄｎ，５のみを分類に用いる、つまり切り分けに用いる場合について説明する。

決定木作成部１１１は、２１０個のサンプルＤ１〜Ｄ２１０を有する「根ノードＮ１」から分類（切り分け）を開始する。なお、決定木作成部１１１は、「根ノードＮ１」に対して決定木分析のアルゴリズムを適用することで、「根ノードＮ１」から「例外クラスＢ」を好適に分類（切り分ける）するには変数Ｓ１を変数として選択するとともに変数Ｓ１の値ｄ１，ｍを評価する閾値の値を閾値Ｃ１とすることが良好であることを定める。そして決定木作成部１１１は、「根ノードＮ１」から、値ｄ１，ｍが閾値Ｃ１より大きい（ｄ１＞Ｃ１）サンプルを含む「中間ノードＮ２」と、値ｄ１，ｍが閾値Ｃ１以下（ｄ１≦Ｃ１）であるサンプルを含む「中間ノードＮ３」とを分類する（切り分ける）。なお、ｄ１は、値ｄ１，ｍの添え字「ｍ」を略して記載したものである。これにより、「中間ノードＮ２」には１００個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが５０個、「例外クラスＢ」が設定されているサンプルが５０個含まれるものとする。一方、「中間ノードＮ３」には１１０個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが１０個、「例外クラスＢ」が設定されているサンプルが１００個含まれるものとする。

続いて、決定木作成部１１１は、「中間ノードＮ２」に対して決定木分析のアルゴリズムを適用することで、「中間ノードＮ２」から「例外クラスＢ」を好適に分類するには変数Ｓ２を変数として選択するとともに変数Ｓ２の値ｄ２，ｍを評価する閾値の値を閾値Ｃ２とすることが好適であることを定める。そして決定木作成部１１１は、「中間ノードＮ２」から、値ｄ２，ｍが閾値Ｃ２より大きい（ｄ２＞Ｃ２）サンプルを含む「葉ノードＬＰ１」と、値ｄ２，ｍが閾値Ｃ２以下（ｄ２≦Ｃ２）であるサンプルを含む「葉ノードＬＮ１」とを分類する。これにより、「葉ノードＬＰ１」には６０個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが５０個、「例外クラスＢ」が設定されているサンプルが１０個含まれるものとする。一方、「葉ノードＬＮ１」には４０個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが０個、「例外クラスＢ」が設定されているサンプルが４０個含まれるものとする。

また、決定木作成部１１１は、「中間ノードＮ３」に対して決定木分析のアルゴリズムを適用することで、「中間ノードＮ３」から「例外クラスＢ」を好適に分類するには変数Ｓ３を変数として選択するとともに変数Ｓ３の値ｄ３，ｍを評価する閾値の値を閾値Ｃ３とすることが好適であることを定める。そして決定木作成部１１１は、「中間ノードＮ３」から、値ｄ３，ｍが閾値Ｃ３より大きい（ｄ３＞Ｃ３）サンプルを含む「中間ノードＮ４」と、値ｄ３，ｍが閾値Ｃ３以下（ｄ３≦Ｃ３）であるサンプルを含む「中間ノードＮ５」とを分類する。これにより、「中間ノードＮ４」には６８個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが８個、「例外クラスＢ」が設定されているサンプルが６０個含まれるものとする。一方、「中間ノードＮ５」には４２個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが２個、「例外クラスＢ」が設定されているサンプルが４０個含まれるものとする。

さらに、決定木作成部１１１は、「中間ノードＮ４」に対して決定木分析のアルゴリズムを適用することで、「中間ノードＮ４」から「例外クラスＢ」を好適に分類するには変数Ｓ４を変数として選択するとともに変数Ｓ４の値ｄ４，ｍを評価する閾値の値を閾値Ｃ４とすることが良好であることを定める。そして決定木作成部１１１は、「中間ノードＮ４」から、値ｄ４，ｍが閾値Ｃ４より大きい（ｄ４＞Ｃ４）サンプルを含む「葉ノードＬＰ２」と、値ｄ４，ｍが閾値Ｃ４以下（ｄ４≦Ｃ４）であるサンプルを含む「葉ノードＬＮ２」とを分類する。これにより、「葉ノードＬＰ２」には８個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが７個、「例外クラスＢ」が設定されているサンプルが１個含まれるものとする。一方、「葉ノードＬＮ２」には６０個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが１個、「例外クラスＢ」が設定されているサンプルが５９個含まれるものとする。

続いて、決定木作成部１１１は、「中間ノードＮ５」に対して決定木分析のアルゴリズムを適用することで、「中間ノードＮ５」から「例外クラスＢ」を好適に分類するには変数Ｓ５を変数として選択するとともに変数Ｓ５の値ｄ５，ｍを評価する閾値の値を閾値Ｃ５とすることが良好であることを定める。そして決定木作成部１１１は、「中間ノードＮ５」から、値ｄ５が閾値Ｃ５より大きい（ｄ５＞Ｃ５）サンプルを含む「葉ノードＬＰ３」と、値ｄ５が閾値Ｃ５以下（ｄ５≦Ｃ５）であるサンプルを含む「葉ノードＬＮ３」とを分類する。これにより、「葉ノードＬＰ３」には２個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが２個含まれ、「例外クラスＢ」が設定されているサンプルが０個含まれるものとする。一方、「葉ノードＬＮ３」には４０個のサンプルが含まれ、それらサンプルには、「通常クラスＡ」が設定されているサンプルが０個、「例外クラスＢ」が設定されているサンプルが４０個含まれるものとする。

こうして、決定木作成部１１１により決定木１１２が生成される。なお、この決定木１１２からは、「例外クラスＢ」を好適に分類することのできるルートとして、「中間ノードＮ２」と「根ノードＮ１」とからなるルート、「中間ノードＮ４」と「中間ノードＮ３」と「根ノードＮ１」とからなるルート、「中間ノードＮ５」と「中間ノードＮ３」と「根ノードＮ１」とからなるルートが得られる。つまり、「中間ノードＮ２」と「根ノードＮ１」とからなるルートからは、変数Ｓ２と変数Ｓ１とからなる変数群としての第１の変数群が得られる。また、「中間ノードＮ４」と「中間ノードＮ３」と「根ノードＮ１」とからなるルートからは、変数Ｓ４と変数Ｓ３と変数Ｓ１とからなる変数群としての第２の変数群が得られる。さらに、「中間ノードＮ５」と「中間ノードＮ３」と「根ノードＮ１」とからなるルートからは、変数Ｓ５と変数Ｓ３と変数Ｓ１とからなる変数群としての第３の変数群が得られる。

そして従来、各変数群についてその変数群から得られる組み合わせに基づいて要因解析や推定が行われる。つまり、第１の変数群からは、「変数Ｓ２と変数Ｓ１」、「変数Ｓ２」及び「変数Ｓ１」の３つの組み合わせを得る。また、第２の変数群からは、「変数Ｓ４と変数Ｓ３と変数Ｓ１」、「変数Ｓ４と変数Ｓ３」、「変数Ｓ４と変数Ｓ１」、「変数Ｓ３と変数Ｓ１」、「変数Ｓ４」、「変数Ｓ３」及び「変数Ｓ１」の７つの組み合わせを得る。さらに、第３の変数群からは、「変数Ｓ５と変数Ｓ３と変数Ｓ１」、「変数Ｓ５と変数Ｓ３」、「変数Ｓ５と変数Ｓ１」、「変数Ｓ３と変数Ｓ１」、「変数Ｓ５」、「変数Ｓ３」及び「変数Ｓ１」の７つの組み合わせを得る。つまり決定木１１２から変数の組み合わせを１７種類、重複を除くと１３種類得ることができる。

変数絞り込み部１１３は、各ノードに含まれているサンプルに設定されている「例外クラスＢ」の割合に基づいて、決定木作成部１１１が生成した決定木１１２から「例外クラスＢ」に影響を及ぼす変数（要因）を絞り込む。

まず、図５に示すように、変数絞り込み部１１３は、決定木１１２に設けられている各ノードに対する例外率を算出する。例外率は、ノードに含まれる複数のサンプルの分類クラスＸ１に設定されている「例外クラスＢ」の割合であって、「例外クラスＢの数／（通常クラスＡの数＋例外クラスＢの数）」で示される式から算出される。つまり、「根ノードＮ１」の例外率は、「通常クラスＡ」が６０個、「例外クラスＢ」が１５０個であることから、「０．７１」（＝１５０／（６０＋１５０））と算出される。また、「中間ノードＮ２」の例外率は、「通常クラスＡ」が５０個、「例外クラスＢ」が５０個であることから、「０．５０」（＝５０／（５０＋５０））と算出される。さらに、「葉ノードＬＰ１」の例外率は、「通常クラスＡ」が５０個、「例外クラスＢ」が１０個であることから、「０．１７」（＝１０／（５０＋１０））と算出される一方、「葉ノードＬＮ１」の例外率は、「通常クラスＡ」が０個、「例外クラスＢ」が４０個であることから、「１．００」（＝４０／（０＋４０））と算出される。また、「中間ノードＮ３」の例外率は、「通常クラスＡ」が１０個、「例外クラスＢ」が１００個であることから、「０．９１」（＝１００／（１０＋１００））と算出されるとともに、「中間ノードＮ４」の例外率は、「通常クラスＡ」が８個、「例外クラスＢ」が６０個であることから、「０．８８」（＝６０／（８＋６０））と算出される。さらに、「葉ノードＬＰ２」の例外率は、「通常クラスＡ」が７個、「例外クラスＢ」が１個であることから、「０．１３」（＝１／（７＋１））と算出される一方、「葉ノードＬＮ２」の例外率は、「通常クラスＡ」が１個、「例外クラスＢ」が５９個であることから、「０．９８」（＝５９／（１＋５９））と算出される。また、「中間ノードＮ５」の例外率は、「通常クラスＡ」が２個、「例外クラスＢ」が４０個であることから、「０．９５」（＝４０／（２＋４０））と算出される。さらに、「葉ノードＬＰ３」の例外率は、「通常クラスＡ」が２個、「例外クラスＢ」が０個であることから、「０．００」（＝０／（２＋０））と算出される一方、「葉ノードＬＮ３」の例外率は、「通常クラスＡ」が０個、「例外クラスＢ」が４０個であることから、「１．００」（＝４０／（０＋４０））と算出される。

また、変数絞り込み部１１３は、決定木１１２から「例外クラスＢ」が好適に分類されるとして選択されたルートに含まれる要素を絞り込む。このとき、ルートには、中間ノードから分類された２つの「葉ノードＬＰ１，ＬＮ１（ＬＰ２，ＬＮ２又はＬＰ３，ＬＮ３）」のうち、「例外クラスＢ」の割合が大きい方の「葉ノードＬＮ１（ＬＮ２，ＬＮ３）」が含まれるようになっている。図６に示すように、決定木１１２からは、「ルートＲ１」と、「ルートＲ２」と、「ルートＲ３」とが選択される。つまり、「ルートＲ１」は、「中間ノードＮ２」と「根ノードＮ１」との順の経路からなるルートであって、変数Ｓ２と変数Ｓ１とからなる組み合わせを有する。また、「ルートＲ２」は、「中間ノードＮ４」と「中間ノードＮ３」と「根ノードＮ１」との順の経路からなるルートであって、変数Ｓ４と変数Ｓ３と変数Ｓ１とからなる組み合わせを有する。さらに、「ルートＲ３」は、「中間ノードＮ５」と「中間ノードＮ３」と「根ノードＮ１」との順の経路からなるルートであって、変数Ｓ５と変数Ｓ３と変数Ｓ１とからなる組み合わせを有する。

つまり、変数絞り込み部１１３は、この選択された各ルートＲ１，Ｒ２，Ｒ３に含まれるノード（変数）を絞り込む。絞り込みはルート毎に行われるとともに、絞り込みには中間ノードから分類された２つの葉ノードのうち「例外クラスＢ」の割合が大きい方の葉ノードにおける「例外クラスＢ」の割合を用いる。具体的には、絞り込み対象とするルートにおいて、１つのノード（例えば、中間ノードＮ３）の例外率が、その１つのノードから分類された他のノード（例えば、中間ノードＮ４）の例外率よりも大きいとき、当該１つのノード（中間ノードＮ３）を当該ルートから除外することを再帰的に実行することにより行う。なお、上述の絞り込みによって除外された１つのノード（中間ノードＮ３）が、元のノード（例えば、根ノードＮ１）から分類されたノードであるとする。この場合、当該元のノード（根ノードＮ１）の絞り込みでは、その元のノード（根ノードＮ１）の例外率と、除外された１つのノード（中間ノードＮ３）からさらに分類された他のノード（中間ノードＮ４）の例外率とを比較する。つまり、除外された１つのノード（中間ノードＮ３）からさらに分類された他のノード（中間ノードＮ４）であれ、元のノード（根ノードＮ１）から分類されたノードであるため、他のノード（中間ノードＮ４）の例外率と元のノード（根ノードＮ１）の例外率を比較することにしている。

続いて、変数絞り込み部１１３の作用について、図７を参照して説明する。
変数絞り込み部１１３は、「ルートＲ１」において、「中間ノードＮ２」の例外率「０．５０」が、「中間ノードＮ２」から分類された「葉ノードＬＮ１」の例外率「１．００」より大きいとき、「中間ノードＮ２」を「ルートＲ１」から除外する。しかしながら、「中間ノードＮ２」の例外率「０．５０」は、「葉ノードＬＮ１」の例外率「１．００」より小さい（ＹＥＳ）ことから「中間ノードＮ２」は「ルートＲ１」から除外されない。また、変数絞り込み部１１３は、「ルートＲ１」において、「根ノードＮ１」の例外率「０．７１」が、「根ノードＮ１」から分類された「中間ノードＮ２」の例外率「０．５０」より大きいとき、「根ノードＮ１」を「ルートＲ１」から除外する。その通り、「根ノードＮ１」の例外率「０．７１」は、「中間ノードＮ２」の例外率「０．５０」より大きい（ＮＯ）ことから「根ノードＮ１」は「ルートＲ１」から除外される。

これにより、「ルートＲ１」に含まれる２つの要素、「中間ノードＮ２」及び「根ノードＮ１」が絞り込まれ、「ルートＲ１」に対して「中間ノードＮ２」からなる要素の組み合わせが選択される。

また、変数絞り込み部１１３は、「ルートＲ２」において、「中間ノードＮ４」の例外率「０．８８」が、「中間ノードＮ４」から分類された「葉ノードＬＮ２」の例外率「０．９８」より大きいとき、「中間ノードＮ４」を「ルートＲ２」から除外する。しかしながら、「中間ノードＮ４」の例外率「０．８８」は、「葉ノードＬＮ２」の例外率「０．９８」より小さい（ＹＥＳ）ことから「中間ノードＮ４」は「ルートＲ２」から除外されない。次に、変数絞り込み部１１３は、「ルートＲ２」において、「中間ノードＮ３」の例外率「０．９１」が、「中間ノードＮ３」から分類された「中間ノードＮ４」の例外率「０．８８」より大きいとき、「中間ノードＮ３」を「ルートＲ２」から除外する。その通り、「中間ノードＮ３」の例外率「０．９１」は、「中間ノードＮ４」の例外率「０．８８」より大きい（ＮＯ）ことから「中間ノードＮ３」は「ルートＲ２」から除外される。続いて、変数絞り込み部１１３は、「ルートＲ２」において、「根ノードＮ１」の例外率を、「根ノードＮ１」から分類された「中間ノードＮ３」の例外率と比較しようとするが、「中間ノードＮ３」は除外されたノードであるため、さらに「中間ノードＮ３」から分類された「中間ノードＮ４」を比較対象とする。つまり、変数絞り込み部１１３は、「ルートＲ２」において、「根ノードＮ１」の例外率「０．７１」が、「根ノードＮ１」から「中間ノードＮ３」を介して分類された「中間ノードＮ４」の例外率「０．８８」より大きいとき、「根ノードＮ１」を「ルートＲ２」が除外する。しかしながら、「根ノードＮ１」の例外率「０．７１」は、「中間ノードＮ４」の例外率「０．８８」より小さい（ＹＥＳ）ことから「根ノードＮ１」は「ルートＲ２」から除外されない。

このように変数絞り込み部１１３は、根ノード側のノードの例外率と葉ノード側のノードの例外率とを再帰的に比較することにより、各ルートにおいて選択されるノードの例外率が、どのノード間の比較であっても「葉ノード側のノードの例外率」＞「根ノード側のノードの例外率」となるようにしている。

これにより、「ルートＲ２」に含まれる３つの要素、「中間ノードＮ４」、「中間ノードＮ３」及び「根ノードＮ１」が絞り込まれ、「ルートＲ２」に対して「中間ノードＮ４」と「根ノードＮ１」からなる要素の組み合わせが選択される。

さらに、変数絞り込み部１１３は、「ルートＲ３」において、「中間ノードＮ５」の例外率「０．９５」が、「中間ノードＮ５」から分類された「葉ノードＬＮ３」の例外率「１．００」より大きいとき、「中間ノードＮ５」を「ルートＲ３」から除外する。しかしながら、「中間ノードＮ５」の例外率「０．９５」は、「葉ノードＬＮ３」の例外率「１．００」より小さい（ＹＥＳ）ことから「中間ノードＮ５」は「ルートＲ３」から除外されない。次に、変数絞り込み部１１３は、「ルートＲ３」において、「中間ノードＮ３」の例外率「０．９１」が、「中間ノードＮ３」から分類された「中間ノードＮ５」の例外率「０．９５」より大きいとき、「中間ノードＮ３」を「ルートＲ３」から除外する。しかしながら、「中間ノードＮ３」の例外率「０．９１」は、「中間ノードＮ５」の例外率「０．９５」より小さい（ＹＥＳ）ことから「中間ノードＮ３」は「ルートＲ３」から除外されない。続いて、変数絞り込み部１１３は、「ルートＲ３」において、「根ノードＮ１」の例外率「０．７１」が、「根ノードＮ１」から分類された「中間ノードＮ３」の例外率「０．９１」より大きいとき、「根ノードＮ１」を「ルートＲ３」から除外する。しかしながら、「根ノードＮ１」の例外率「０．７１」は、「中間ノードＮ３」の例外率「０．９１」より小さい（ＹＥＳ）ことから「根ノードＮ１」は「ルートＲ３」から除外されない。

これにより、「ルートＲ３」に含まれる３つの要素、「中間ノードＮ５」、「中間ノードＮ３」及び「根ノードＮ１」が絞り込まれるものの、「ルートＲ３」からはいずれのノードも取り除かれず、「ルートＲ３」に対して「中間ノードＮ５」と「中間ノードＮ３」と「根ノードＮ１」とからなる要素の組み合わせが選択される。

このようにして、「ルートＲ１」からは要素として「中間ノードＮ２」が選択され、「ルートＲ２」からは要素として「中間ノードＮ４」と「根ノードＮ１」とが選択され、「ルートＲ３」からは要素として「中間ノードＮ５」と「中間ノードＮ３」と「根ノードＮ１」とが選択される（変数絞り込み工程）。

ところで各ノードは、分類判定に用いた変数を介して車両２０の各情報出力装置に対応している。具体的には、「中間ノードＮ２」は「変数Ｓ２」を介して車両２０の「ＧＰＳ３１」に対応付けられている。また、「中間ノードＮ４」は「変数Ｓ４」を介して車両２０の「速度計３３」に対応付けられているとともに、「根ノードＮ１」は「変数Ｓ１」を介して車両２０の「時計３０」に対応付けられている。さらに、「中間ノードＮ５」は「変数Ｓ５」を介して車両２０の「第１の加速度計３４」に対応付けられている。つまり、「例外クラスＢ」の分類に適した車両２０の情報出力装置として、「ルートＲ１」に基づいて車両２０の「ＧＰＳ３１」が選択され、「ルートＲ２」に基づいて車両２０の「速度計３３」と「時計３０」とが選択され、「ルートＲ３」に基づいて車両２０の「第１の加速度計３４」と「照度計３２」と「時計３０」とが選択される。

これにより、「ルートＲ１」からは、ＧＰＳ３１（変数Ｓ２）の１つの組み合わせを得る。また、「ルートＲ２」からは、速度計３３（変数Ｓ４）と時計３０（変数Ｓ１）、速度計３３、及び、時計３０の３つの組み合わせを得る。さらに、「ルートＲ３」からは、第１の加速度計３４（変数Ｓ５）と照度計３２（変数Ｓ３）と時計３０（変数Ｓ１）、第１の加速度計３４と照度計３２、第１の加速度計３４と時計３０、照度計３２と時計３０、第１の加速度計３４、照度計３２、及び、時計３０の７つの組み合わせを得る。つまり変数絞り込み部１１３により決定木１１２から変数の組み合わせを１１種類、重複を除いて１０種類得ることができる。

このように各ルートから選択された車両２０の情報出力装置（要素）の組み合わせが、「例外クラスＢ」を好適に分類できる組み合わせとして、変数絞り込み部１１３から車両診断装置などに提供される。そして、車両診断装置などでは、変数絞り込み部１１３から提供された絞り込まれた要素からなる組み合わせに基づいて「例外クラスＢ」の発生に関する検証などが行われる。このとき、変数の組み合わせが絞り込まれているため、車両診断装置などによる処理負荷の軽減や、処理速度の向上が図られるようになる。

例えば、車両診断装置は、「例外クラスＢ」に対応する事例の発生を、ＧＰＳ３１から得られた現在位置Ｐａに基づいて検証することができる。また、車両診断装置は、「例外クラスＢ」に対応する事例の発生を、速度計３３から得られた速度Ｖａと、時計３０から得られた時刻Ｔａとからなる組み合わせに基づいて検証することができる。さらに、車両診断装置は、「例外クラスＢ」に対応する事例の発生を、第１の加速度計３４から得られた加速度Ａａと、速度計３３から得られた速度Ｖａと、時計３０から得られた時刻Ｔａとからなる組み合わせに基づいて検証することができる。

以上説明したように、本実施形態の要因解析装置によれば、以下に列記するような効果が得られるようになる。
（１）決定木１１２から、「例外クラスＢ」のばらつきを小さくする、つまり、「例外クラスＢ」を良好に分割する複数の変数（Ｓ１〜Ｓ３０）として変数群が求められる。そして当該変数群に含まれている複数の変数がそれぞれ、その変数により分類された１又は複数のサンプルを有する各ノード（Ｎ１〜Ｎ５，ＬＮ１〜ＬＮ３）に割り当てられている「例外クラスＢ」の割合に基づいて絞り込まれる。つまり、変数群に含まれる変数が更に絞り込まれ、こうして絞り込まれた１又は複数の変数に基づく変数の組み合わせ数も減少し、それら組み合わせ毎に行われる「例外クラスＢ」に関する検証等に要する時間や手間などが軽減されるようになる。また、変数から更に絞り込まれた変数によっても適切な解析、推定が行われるように変数群に含まれる変数を絞り込めば、従来よりも推定精度が向上することにもなる。すなわち、「例外クラスＢ」（出力結果）に多数の変数（要素）が影響を与えるシステムに対し、この要因解析装置は、「例外クラスＢ」に影響を与えた変数をより容易に、しかも高い精度で解析、推定することができる。

（２）変数群が決定木１１２のアルゴリズムに基づいて求められるため、決定木１１２のアルゴリズムを適用する各種の解析装置において求められる変数群から、その変数群に含まれる変数が適切に絞り込まれるようになる。

（３）葉ノード（ＬＮ１〜ＬＮ３）側のサンプル（Ｄ１〜Ｄ２１０）に含まれる「例外クラスＢ」の割合よりも、根ノード（Ｎ１）側のサンプル（Ｄ１〜Ｄ２１０）に含まれる「例外クラスＢ」の割合が大きいとき、当該根ノード（Ｎ１）側の変数（Ｓ１〜Ｓ３０）が変数群から除外される。これにより、変数群に含まれる変数から複数のサンプルの分類に対する貢献が小さい変数が除外されるようになるため、変数が絞り込まれた変数群としも複数のサンプルを「例外クラスＢ」による分類を好適に維持することができる。

（４）変数の絞り込みに適している葉ノード（ＬＮ１〜ＬＮ３）が選択され、該選択された葉ノード（ＬＮ１〜ＬＮ３）のサンプルに含まれる「例外クラスＢ」の割合が変数群に含まれる複数の変数（Ｓ１〜Ｓ３０）の絞り込みに用いられるようになる。すなわち、変数群に含まれる変数の絞り込みが好適になされるようになる。

（５）複数のサンプルＤ１〜Ｄ２１０から「例外クラスＢ」の発生に影響があると思われる変数（Ｓ１〜Ｓ３０）が取得できるようになる。例外事例を車両２０にとって好ましくない事例である「例外クラスＢ」としている。このことから、当該例外事例に影響を与える変数の取得により、車両２０にとって好ましくない事例に関する検証が好適に実行できるため、車両２０に生じる例外事例へ適切に対応することができるようになることが期待される。

（６）車両２０においては、速度Ｖａや加速度Ａａなどの車両状態に相関があったり、ステアリング操作や道路状況などの車両状態と車両環境との間に相関があったり、各車両状態や車両環境等の各要素（変数）間に相関がある、つまり各要素間の独立性が低く相互に干渉がある場合が多い。こうした、干渉の多い複数の要素から、目的とする特定の車両状態、いわゆる例外事例（例えば、「例外クラスＢ」）を生じさせている要素の組み合わせを推定することは容易ではない。また、干渉の多い要素から、目的とする特定の車両状態を好適に切り分ける要素を選択することも容易でなく、解析によって、特定の車両状態に影響を及ぼすものとして選択される要素の数が多くなる傾向にある。そのため、選択された要素の組み合わせに基づいて、特定の車両状態を検証する際、それら要素の組み合わせを多数検証することとなり、検証に要する時間や手間が無視できない。

これに対し、本実施形態によれば、車両２０から取得された車両状態又は車両環境から、「例外クラスＢ」に影響を与えるものとして得られた車両状態又は車両環境が、その車両状態又は車両環境により分類された１又は複数のサンプル（Ｄ１〜Ｄ２１０）に割り当てられている「例外クラスＢ」の割合に基づいて絞り込まれる。つまり、車両２０のように特定の車両状態に影響を及ぼすものとして選択される変数の数が多い傾向にあるシステムであれ、選択される車両状態又は車両環境の数を絞り込むことができるようになる。これにより、絞り込まれた車両状態又は車両環境の組み合わせに基づいて、「例外クラスＢ」を生じる車両状態を検証することができるようになるため、それら車両状態又は車両環境の組み合わせ数に対応する検証数が減ることになり、「例外クラスＢ」の検証に要する時間や手間などが軽減されるようになる。

（その他の実施形態）
なお、上記実施形態は、例えば以下のような態様にて実施することもできる。
・上記実施形態では、各車両２０ａ〜２０ｄが同一の車種からなる場合について例示した。しかしこれに限らず、解析、推定対象とする例外事例が車種による影響が無い、もしくは小さい例外事例であれば、各車両が同一の車種ではなく、それぞれ異なる車種であってもよい。これにより、要因解析装置の適用可能性の向上が図られる。

・上記実施形態では、各車両２０ａ〜２０ｄが同一の種類からなるデータを収集する場合について例示した。しかしこれに限らず、解析、推定対象とする例外事例に影響を及ぼさないデータ、例えば、解析に利用しないデータであれば、各車両は利用されないデータを各車両の状況に応じて収集しても、逆に、収集しなくてもよい。これにより、要因解析装置の適用される車両の構成の自由度が向上するようになる。

・上記実施形態では、車両２０の記憶装置２２に記憶されたサンプルＤ１が情報処理センタ１０に送信される場合について例示した。しかしこれに限らず、車両は取得したサンプルを直ちに情報処理センタに送信してもよい。これにより、要因解析を適用することができるシステムの設計自由度が向上されるようになる。

・上記実施形態では、情報処理センタ１０と複数の車両２０とが無線接続されている場合について例示した。しかしこれに限らず、情報センタに車両のデータを集めることができるのであれば、停止した車両を情報センタに有線接続させて車両から情報センタにデータを転送してもよいし、ＵＳＢメモリや、ＨＤＤや、ＣＤ−ＲＯＭなどの記憶媒体にデータを記憶させたのちに当該記憶媒体から情報センタにデータを転送してもよい。これにより、システム構成の設計自由度の向上が図られる。

・上記実施形態では、同時に取得された時刻Ｔａ、現在位置Ｐａ、照度値Ｌａ、速度Ｖａ、第１の加速度Ａａ及び第２の加速度Ａｂなどが１つのサンプルＤ１（Ｄ２〜Ｄ２１０）に含まれている場合について例示した。しかしこれに限らず、サンプルに含まれる時刻、現在位置、照度値、走行速度、第１の加速度及び第２の加速度などの値は、要因解析に用いることが可能であるならば、同時に取得されたものでなくてもよい。例えば、値を後から追加してもよいし、時間差のある値を１つのサンプルにしてもよい。これにより、この要因解析装置を適用することがシステムの可能性が拡大される。

・上記実施形態では、複数のサンプルが２１０個のサンプルＤ１〜Ｄ２１０からなる場合について例示した。しかしこれに限らず、複数のサンプルの数は、２１０個未満であっても、２１０個より多くてもよい。サンプルの数がいくつであれ、サンプル数に応じた解析結果を得ることができる。これにより、要因解析装置の設計自由度を高めることができる。

・上記実施形態では、各サンプルＤ１〜Ｄ２１０には３０種類の変数Ｓ１〜Ｓ３０に対応する３０個の値ｄｎ，ｍが含まれている場合について例示した。しかしこれに限らず、各サンプルに含まれている変数の数、つまり情報出力装置から取得された値の数は、それぞれ３０個未満であっても、３０個より多くてもよい。情報出力装置の数がいくつであれ、情報出力装置からの値に基づく解析結果を得ることができる。これにより、要因解析装置の設計自由度を高めることができる。

・上記実施形態では、各サンプルＤ１〜Ｄ２１０には３０種類の変数Ｓ１〜Ｓ３０に対応する値ｄｎ，ｍがそれぞれ含まれている場合について例示した。しかしこれに限らず、サンプルは、一部の情報出力装置の値が含まれていなくてもよい。値が欠落したサンプルであれ、欠落が影響しない要因解析に用いることができる、一方、欠落が影響する要因解析には当該サンプルを用いないようにすることもできる。これにより、この要因解析装置を適用することのできるシステムの可能性が拡大される。

・上記実施形態では、分類クラスには「通常クラスＡ」と「例外クラスＢ」との２つのクラスが設けられている場合について例示した。しかしこれに限らず、分類クラスには、２つよりも多いクラスが設けられていてもよい。この場合であれ、対象とするクラスに影響を及ぼす変数を好適に絞り込むことができるようになる。これにより、この要因解析装置を、様々な決定木分析に対して適用することができるようになる。

・上記実施形態では、サンプルＤ１〜Ｄ２１０を５つの変数Ｓ１〜Ｓ５で切り分けて決定木１１２を作成する場合について例示した。しかしこれに限らず、要因解析に必要となる変数の数は５より少なくとも、５より多くてもよくてもよい。これにより、種々の状態に対する要因解析をすることができるようになる。

・上記実施形態では、変数絞り込み部１１３は、葉ノードＬＰ１〜ＬＰ３に対しても例外率を算出する場合について例示したが、これに限らず、変数絞り込み部は、絞り込みに用いられない葉ノードＬＰ１〜ＬＰ３の例外率を算出しなくてもよい。これにより、要因解析にかかる設計の自由度が向上されるようになる。

・上記実施形態では、情報処理センタ１０が車両２０外にある場合について例示した。しかしこれに限らず、情報処理センタにおける機能の全部もしくは一部が車両に設けられてもよい。例えば、１台の車両で、サンプルの取得をして当該車両に対する要因解析を実行してもよいし、１台の車両が、他車両の情報を情報処理センタや車車間通信によって他車両から取得して当該車両に対する要因解析を実行してもよい。また、情報処理センタにおける機能の全部もしくは一部が他車両に設けられてもよい。

これにより、こうした要因解析装置の設計自由度や採用可能性などが向上するようになる。
・上記実施形態では、「葉ノード側のノードの例外率」＞「根ノード側のノードの例外率」となるノードを選択する場合について例示した。しかしこれに限らず、「葉ノード側のノードの例外率」≧「根ノード側のノードの例外率」となるノードを選択してもよいし、少なくとも一方に所定の係数を乗じて比較するようにしてもよい。これにより、要因解析装置の解析結果を好適に調整することも可能になる。

・上記実施形態では、根ノード側のノードの「例外クラスＢ」の割合が、葉ノード側のノードの「例外クラスＢ」の割合より大きい場合、根ノード側のノードの変数を除外することを再帰的に繰り返す場合について例示した。しかしこれに限らず、ノード（変数）の除外を再帰的に繰り返さず、途中で中断してもよい。中断した場合であれ、除外された変数に応じて組み合わせ数を減らすことができる。これにより、要因解析装置の設計自由度の向上が図られるようになる。

・上記実施形態では、「例外クラスＢ」の要因を解析する場合について例示した。しかしこれに限らず、通常クラスの要因を解析してもよい。このとき、変数絞り込み部は、例えば、通常率に基づいて変数を絞り込むようにすれば、変数群に含まれている変数を絞り込むことができる。これにより、要因解析装置の適用範囲の拡大が図られるようになる。

・上記実施形態では、車両２０の要因解析を行う場合について例示した。しかしこれに限らず、同様の種類の変数を含むサンプルを複数取得可能であれば、鉄道、船舶、飛行機などの移動体や、製造ライン、プラントなどの製造装置、道路情報などのデータ処理などにも適用することができる。これにより、こうした要因解析装置の適用範囲の拡大が図られるようになる。

１０…情報処理センタ、１１…情報処理部、１２…記憶装置、１３…通信部、２０…車両、２０ａ〜２０ｄ…車両、２１…車両制御装置、２２…記憶装置、２３…通信部、３０…時計、３１…ＧＰＳ、３２…照度計、３３…速度計、３４…第１の加速度計、３５…第２の加速度計、１１１…決定木作成部、１１２…決定木、１１３…変数絞り込み部、１２１…データベース、Ｃ１〜Ｃ５…閾値、Ｄ１〜Ｄ２１０…サンプル、ＬＮ１〜ＬＮ３…葉ノード、ＬＰ１〜ＬＰ３…葉ノード、Ｎ１…根ノード、Ｎ２〜Ｎ５…中間ノード、Ｒ１〜Ｒ３…ルート、Ｘ１…分類クラス。

Claims (12)

1. 複数の変数を含む複数のサンプルが、それらサンプルの別に複数の分類クラスの１つが割り当てられて記憶されている記憶部と、
   前記複数のサンプルを各変数の別に分類したときに、前記複数の分類クラスのうちの選択された特定の分類クラスのばらつきが小さくなるように前記変数を順に選択しつつ前記複数のサンプルを変数別のサンプルに順次分類していくことで分類に影響を及ぼす複数の変数からなる変数群を得る解析部と、
   を備える要因解析装置であって、
   前記変数群に含まれている複数の変数を、それぞれの変数によって分類された複数のサンプルに設定されている前記特定の分類クラスの割合に基づいて絞り込む変数絞り込み部を備える
   ことを特徴とする要因解析装置。
2. 前記解析部では、前記分類クラスを、複数のサンプルを分類するための目的変数とし、前記サンプルを、分類クラスにより分類される説明変数とする決定木による解析によって前記変数群を得る
   請求項１に記載の要因解析装置。
3. 前記解析部は、前記決定木を、全てのサンプルを含む１つの根ノードと、順次分類した結果、分類不可能になった１又は複数のサンプルからなる複数の葉ノードを有するものとして得るとともに、前記変数群に含まれる複数の変数を、前記１つの根ノードから前記複数の葉ノードのうちの一つまでの経路に含まれる変数から構成し、
   前記変数絞り込み部は、前記変数群に含まれている複数の変数の絞り込みを、前記変数群に含まれる複数の変数により分類される複数のサンプルに対応付けられる特定の分類クラスの割合が、前記経路にあって葉ノード側で分類された１又は複数のサンプルに対応付けられる特定の分類クラスの割合よりも大きいとき、前記変数群から前記変数を除外することを再帰的に実行することにより行う
   請求項２に記載の要因解析装置。
4. 前記変数絞り込み部は、前記変数により分類された１又は複数のサンプルによって複数の葉ノードが生成されたとき、それら複数の葉ノードの各葉ノードのサンプルに対応付けられる特定の分類クラスの割合が大きい方の葉ノードにおける特定の分類クラスの割合を前記変数群の絞り込みに用いる
   請求項３に記載の要因解析装置。
5. 前記複数の分類クラスは、通常事例を示す通常クラスと例外事例を示す例外クラスとの２つのクラスからなり、
   前記特定の分類クラスが前記例外クラスである
   請求項１〜４のいずれか一項に記載の要因解析装置。
6. 前記変数が車両状態又は車両環境を示す情報であり、
   前記サンプルが１つの車両から同時刻に得られる複数の車両状態又は車両環境からなるとともに、前記複数のサンプルが時刻及び車両の少なくとも一方が相互に異なるサンプルからなり、
   前記例外クラスとして、特定の車両状態が設定され、
   前記変数絞り込み部では、前記特定の車両状態が設定された割合に基づいて、前記変数群に含まれている複数の車両状態又は車両環境の絞り込みを実行する
   請求項５に記載の要因解析装置。
7. 複数の変数を含む複数のサンプルを、それらサンプルの別に複数の分類クラスの１つの分類クラスが割り当てられるように記憶部に記憶する記憶工程と、
   前記複数のサンプルを各変数の別に分類したときに、前記複数の分類クラスのうちの選択された特定の分類クラスのばらつきが小さくなるように前記変数を順に選択しつつ前記複数のサンプルを変数別のサンプルに順次分類していくことで分類に影響を及ぼす複数の変数からなる変数群を得る解析工程と、
   前記変数群に含まれている複数の変数を、それぞれの変数によって分類された複数のサンプルに設定されている前記特定の分類クラスの割合に基づいて絞り込む変数絞り込み工程を備える
   ことを特徴とする要因解析方法。
8. 前記解析工程では、前記分類クラスを、複数のサンプルを分類するための目的変数とし、前記サンプルを、分類クラスにより分類される説明変数とする決定木による解析によって前記変数群を得る
   請求項７に記載の要因解析方法。
9. 前記解析工程では、前記決定木を、全てのサンプルを含む１つの根ノードと、順次分類した結果、分類不可能になった１又は複数のサンプルからなる複数の葉ノードを有するものとして得るとともに、前記変数群に含まれる複数の変数を、前記１つの根ノードから前記複数の葉ノードのうちの一つまでの経路に含まれる変数から構成し、
   前記変数絞り込み工程では、前記変数群に含まれている複数の変数の絞り込みを、前記変数群に含まれる複数の変数により分類される複数のサンプルに対応付けられる特定の分類クラスの割合が、前記経路にあって葉ノード側で分類された１又は複数のサンプルに対応付けられる特定の分類クラスの割合よりも大きいとき、前記変数群から前記変数を除外することを再帰的に実行することにより行う
   請求項８に記載の要因解析方法。
10. 前記変数絞り込み工程では、前記変数により分類された１又は複数のサンプルによって複数の葉ノードが生成されたとき、それら複数の葉ノードの各葉ノードのサンプルに対応付けられる特定の分類クラスの割合が大きい方の葉ノードにおける特定の分類クラスの割合を前記変数群の絞り込みに用いる
    請求項９に記載の要因解析方法。
11. 前記複数の分類クラスは、通常事例を示す通常クラスと例外事例を示す例外クラスとの２つのクラスからなり、
    前記特定の分類クラスを前記例外クラスとする
    請求項７〜１０のいずれか一項に記載の要因解析方法。
12. 前記変数として車両状態を示す情報を用い、
    前記サンプルを１つの車両から同時刻に得られた複数の車両状態又は車両環境とするとともに、前記複数のサンプルを時刻及び車両の少なくとも一方が相互に異なるサンプルとし、
    前記例外クラスとして、特定の車両状態を設定し、
    前記変数絞り込み工程では、前記特定の車両状態の設定された割合に基づいて、前記変数群に含まれている複数の車両状態又は車両環境の絞り込みを実行する
    請求項１１に記載の要因解析方法。

Images