JP2015207106A - イベント発生場所推定方法、イベント発生場所推定プログラムおよびイベント発生場所推定装置 - Google Patents

Abstract

【課題】イベントの発生場所を精度良く推定できるイベント発生場所推定方法、イベント発生場所推定プログラムおよびイベント発生場所推定装置を提供する。【解決手段】取得部３５は、メッセージが投稿されるソーシャルメディアから所定のイベントに関するメッセージを取得する。抽出部３７は、取得されたメッセージから前記イベントの発生場所を抽出する。特定部３８は、抽出された発生場所をメッセージ数の多い順にランキングし、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定する。出力部３９は、特定された変化点に基づいて発生場所を出力する。【選択図】図２

Description

本発明は、イベント発生場所推定方法、イベント発生場所推定プログラムおよびイベント発生場所推定装置に関する。

防災の現場では、災害が発生した場合、いち早く災害の発生場所を捉えることが重要である。しかし、災害が発生するおそれがある場所に災害事象を捉えるための物理的なセンサーを漏れなく配置することは困難である。そこで、ソーシャルメディアにおける災害の目撃情報を「人によるセンサー」として活用することが検討されている。このソーシャルメディアとは、オンライン上で、ユーザ同士がメッセージを投稿し、交換することによって情報流通を行うメディアである。ソーシャルメディアとしては、例えば、ツイッター（twitter）やフェイスブック（Facebook）などが挙げられる。例えば、ソーシャルメディアから災害に関するメッセージを抽出して災害の発生場所に関する情報を抽出する技術がある。

特開２０１４−６７３５号公報 特開２０１３−５０９１９号公報 特開２０１３−２３５５２７号公報

上記の技術を用いた場合、災害の発生場所の候補を抽出することができる。しかしながら、ソーシャルメディアから抽出される災害の発生場所の候補には、正解と不正解が含まれており、災害の発生場所を精度良く推定できない。

災害の発生場所の個数は、災害の発生範囲の大小によって異なる。このため、例えば、メッセージ数の多い順に災害の発生場所の候補をランキングし、ランキングの上位所定個を災害発生場所と抽出する場合を想定する。この場合、災害発生場所を全て抽出できない場合がある。また、実際には災害が発生していない場所を抽出してしまう場合もある。また、例えば、災害発生場所の候補をランキング順にメッセージ数を集計して全メッセージ数に対する累積構成比を求め、累積構成比が所定値となるまでの災害発生場所を抽出する場合を想定する。この場合も、災害発生場所を全て抽出できない場合がある。また、実際には災害が発生していない場所を抽出してしまう場合もある。

なお、このような課題は、災害の発生場所に限ったものではなく、ソーシャルメディアからイベントが発生した発生場所を推定する場合全般に発生するものである。

本発明は、一側面では、イベントの発生場所を精度良く推定できるイベント発生場所推定方法、イベント発生場所推定プログラムおよびイベント発生場所推定装置を提供することを目的とする。

１つの態様では、イベント発生場所推定方法は、コンピュータが、メッセージが投稿されるソーシャルメディアから所定のイベントに関するメッセージを取得する処理を実行する。イベント発生場所推定方法は、コンピュータが、取得されたメッセージから前記イベントの発生場所を抽出する処理を実行する。イベント発生場所推定方法は、コンピュータが、抽出された発生場所をメッセージ数の多い順にランキングする処理を実行する。イベント発生場所推定方法は、コンピュータが、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定する処理を実行する。イベント発生場所推定方法は、コンピュータが、特定された変化点に基づいて発生場所を出力する処理を実行する。

本発明の一側面によれば、イベントの発生場所を精度良く推定できる。

図１は、イベント発生場所推定装置を含むシステムの全体の概略構成の一例を示す図である。 図２は、イベント発生場所推定装置の機能的な構成の一例を示す図である。 図３は、ソーシャルメディアサービスに投稿されたメッセージの一例を示す図である。 図４は、累積構成比曲線の一例を示す図である。 図５は、災害が発生した際にメッセージに含まれた発生箇所を地図上に示した図である。 図６は、累積構成比曲線から変化点を特定する流れを説明する図である。 図７は、正解の数が異なる累積構成比曲線の一例を示す図である。 図８は、ノイズ量が異なる累積構成比曲線の一例を示す図である。 図９Ａは、比較例の一例を示す図である。 図９Ｂは、比較例の一例を示す図である。 図９Ｃは、比較例の一例を示す図である。 図１０Ａは、メッセージから抽出された浸水、冠水の発生場所をメッセージ数の多い順にランキングした結果の一例を示す図である。 図１０Ｂは、各発生場所のメッセージ数と、累積構成比曲線の一例を示した図である。 図１０Ｃは、浸水、冠水の発生場所の推定精度の評価結果の一例を示す図である。 図１１Ａは、メッセージから抽出された浸水、冠水の発生場所をメッセージ数の多い順にランキングした結果の一例を示す図である。 図１１Ｂは、各発生場所のメッセージ数と、累積構成比曲線の一例を示した図である。 図１１Ｃは、浸水、冠水の発生場所の推定精度の評価結果の一例を示す図である。 図１２は、出力処理の手順の一例を示すフローチャートである。 図１３は、イベント発生場所推定プログラムを実行するコンピュータを示す図である。

以下に、本発明にかかるイベント発生場所推定方法、イベント発生場所推定プログラムおよびイベント発生場所推定装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

［システムの構成］
実施例１に係るシステムについて説明する。図１は、イベント発生場所推定装置を含むシステムの全体の概略構成の一例を示す図である。図１に示すように、システム１０は、イベント発生場所推定装置１１と、ソーシャルメディアサービス１２とを有する。イベント発生場所推定装置１１と、ソーシャルメディアサービス１２は、ネットワーク１３を介して通信可能に接続され、各種の情報を交換することが可能とされている。かかるネットワーク１３の一態様としては、有線または無線を問わず、携帯電話などの移動体通信、インターネット（Internet）、ＬＡＮ（Local Area Network）やＶＰＮ（Virtual Private Network）などの任意の種類の通信網を採用できる。

ソーシャルメディアサービス１２は、ユーザ同士がメッセージを投稿し、交換することによって情報流通を行うソーシャルメディアのサービスを提供するクラウドシステムである。ソーシャルメディアサービス１２は、１台のコンピュータにより実装されてもよく、また、複数台のコンピュータにより実装されてもよい。このソーシャルメディアサービス１２としては、例えば、ツイッターやフェイスブックなどが挙げられる。

イベント発生場所推定装置１１は、ソーシャルメディアサービス１２に投稿されたメッセージから所定のイベントが発生した発生場所を推定する装置である。イベント発生場所推定装置１１は、例えば、パーソナルコンピュータやサーバコンピュータなどのコンピュータなどである。イベント発生場所推定装置１１も、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、イベント発生場所推定装置１１を１台のコンピュータとした場合を例として説明する。また、本実施例では、所定のイベントを災害とし、災害が発生した発生場所を推定する場合を例に説明する。

［イベント発生場所推定装置の構成］
次に、本実施例に係るイベント発生場所推定装置１１の構成について説明する。図２は、イベント発生場所推定装置の機能的な構成の一例を示す図である。図２に示すように、イベント発生場所推定装置１１は、通信Ｉ／Ｆ（インタフェース）部２０と、表示部２１と、入力部２２と、記憶部２３と、制御部２４とを有する。イベント発生場所推定装置１１は、図２に示した機能部以外にも既知の各種の機能部を有してもよい。

通信Ｉ／Ｆ部２０は、他の装置との間で通信制御を行うインタフェースである。通信Ｉ／Ｆ部２０は、ネットワーク１３を介して他の装置と各種情報を送受信する。例えば、通信Ｉ／Ｆ部２０は、ソーシャルメディアサービス１２から投稿されたメッセージに関する情報を受信する。通信Ｉ／Ｆ部２０としては、ＬＡＮカードなどのネットワークインタフェースカードを採用できる。

表示部２１は、各種情報を表示する表示デバイスである。表示部２１としては、ＬＣＤ（Liquid Crystal Display）やＣＲＴ（Cathode Ray Tube）などの表示デバイスが挙げられる。表示部２１は、各種情報を表示する。例えば、表示部２１は、イベントが発生した発生場所の推定結果の画面など各種の画面を表示する。

入力部２２は、各種の情報を入力する入力デバイスである。入力部２２としては、マウスやキーボードなどの操作の入力を受け付ける入力デバイスが挙げられる。入力部２２は、各種の情報の入力を受付ける。例えば、入力部２２は、イベントが発生した発生場所を推定に関する各種の設定や各種の操作の入力を受け付ける。入力部２２は、ユーザからの操作入力を受け付け、受け付けた操作内容を示す操作情報を制御部２４に入力する。

記憶部２３は、各種のデータを記憶する記憶デバイスである。例えば、記憶部２３は、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスクなどの記憶装置である。なお、記憶部２３は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）などのデータを書き換え可能な半導体メモリであってもよい。

記憶部２３は、制御部２４で実行されるＯＳ（Operating System）や各種プログラムを記憶する。例えば、記憶部２３は、後述する推定処理を実行するプログラムを含む各種のプログラムを記憶する。さらに、記憶部２３は、制御部２４で実行されるプログラムで用いられる各種データを記憶する。例えば、記憶部２３は、イベント情報３０と、メッセージ情報３１と、累計情報３２とを記憶する。

イベント情報３０は、発生場所を推定する対象のイベントに関する情報を記憶したデータである。例えば、イベント情報３０には、イベントに関するキーワードを記憶する。本実施例では、ソーシャルメディアサービス１２から、イベント情報３０に記憶されたキーワードを含んだメッセージを抽出する。例えば、イベントとして、浸水や冠水などの水害の発生場所を推定する場合、イベント情報３０には、水害に関するキーワードとして「浸水」や「冠水」を記憶させる。イベント情報３０に記憶されるキーワードは、発生場所を推定する対象のイベントに応じて設定される。なお、イベント情報３０は、設定後もキーワードの追加、変更、削除を外部から可能としてもよい。

メッセージ情報３１は、ソーシャルメディアサービス１２から取得されたイベントに関するメッセージを記憶したデータである。取得されるメッセージの詳細については、後述する。

累計情報３２は、イベントの発生場所毎のメッセージ数の累計値に関する情報を記憶したデータである。イベントの発生場所毎のメッセージ数の累計値の詳細については、後述する。

制御部２４は、イベント発生場所推定装置１１を制御するデバイスである。制御部２４としては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路を採用できる。制御部２４は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部２４は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部２４は、取得部３５と、フィルタ部３６と、抽出部３７と、特定部３８と、出力部３９とを有する。

取得部３５は、各種の取得を行う。例えば、取得部３５は、ソーシャルメディアサービス１２から、投稿されたメッセージを取得する。なお、メッセージは、ソーシャルメディアサービス１２が随時送信してもよく、イベント発生場所推定装置１１からの要求を受け付けて送信してもよい。また、ソーシャルメディアサービス１２は、投稿された全てのメッセージを送信してもよく、特定のイベントに関するメッセージのみを選択して送信してもよい。例えば、取得部３５が、イベント情報３０に記憶されたキーワードを送信し、ソーシャルメディアサービス１２が、当該キーワードを含んだメッセージをのみを選択して送信してもよい。

フィルタ部３６は、各種のフィルタ処理を行う。例えば、フィルタ部３６は、取得部３５により取得されたメッセージから不要なメッセージを除外するフィルタ処理を行う。例えば、ソーシャルメディアサービス１２が投稿された全メッセージをイベント発生場所推定装置１１へ送信する場合、フィルタ部３６は、取得されたメッセージからイベント情報３０に記憶されたキーワードを含まないメッセージを除外するフィルタ処理を行う。

また、フィルタ部３６は、イベントの発生場所を推定する際に、ノイズとなるメッセージを除外するフィルタ処理を行う。例えば、フィルタ部３６は、取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージを除外するフィルタ処理を行う。例えば、フィルタ部３６は、メッセージに投稿元の情報が含まれ、投稿元が報道機関である場合、当該メッセージを除外する。また、フィルタ部３６は、メッセージが再投稿されたメッセージである場合、当該メッセージを除外する。例えば、ツイッターでは、再投稿されたメッセージにはリツイートであることを示す「ＲＴ」が含まれる。フィルタ部３６は、メッセージがリツイートのメッセージである場合、当該メッセージを除外する。また、フィルタ部３６は、メッセージが推定的な内容である場合、当該メッセージを除外する。例えば、フィルタ部３６は、メッセージに推定的な内容に含まれる特定のワードが含まれる場合、当該メッセージを除外する。特定のワードは、管理者が設定してもよい。また、特定のワードは、推定的な内容のメッセージを収集して、機械学習により求めてもよい。また、フィルタ部３６は、メッセージを構文解析して、推定的な内容で用いられる構文である場合、当該メッセージを除外するようにしてもよい。推定的な内容で用いられる構文も、例えば、推定的な内容のメッセージを収集して、機械学習により求めてもよい。本実施例では、取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージを全て除外する場合について説明するが、何れか１つまたは２つを除外するフィルタ処理を行ってもよい。フィルタ処理により除外されなかったメッセージは、メッセージ情報３１に記憶される。

抽出部３７は、各種の抽出を行う。例えば、抽出部３７は、フィルタ部３６により除外されなかったメッセージからイベントの発生場所の情報を抽出する。例えば、抽出部３７は、メッセージから地名など場所を示す名詞を抽出する。例えば、地名など場所を示す名詞を予め登録した場所情報を記憶部２３に記憶させておき、抽出部３７は、場所情報に登録された地名などの場所の情報がメッセージに含まれる場合、メッセージから場所の情報を抽出する。なお、イベントの発生を監視する監視対象範囲が定まっている場合、抽出部３７は、当該監視対象範囲内の場所を示す名詞のみを抽出するようにしてもよい。この場合、場所情報に監視対象範囲内の場所のみ、あるは、監視対象範囲内の場所にフラグを付けて登録しておけばよい。また、予め監視対象とする場所を示す名詞を監視対象として場所情報に登録しておき、抽出部３７は、監視対象の名詞のみを抽出するようにしてもよい。例えば、河川の氾濫などのイベントの発生箇所を推定する場合、監視対象の名詞として、河川の名称や、河川が流れる周辺の町名や市名などの地名を監視対象の名詞として登録しておき、抽出部３７は、登録された監視対象の名詞を抽出してもよい。なお、抽出部３７は、メッセージに含まれる地名など場所を示す名詞をそのまま抽出してもよく、メッセージに含まれる場所を示す名詞に関連する場所の情報を抽出してもよい。例えば、場所情報に町名と、当該町名を含む市町村の名前を対応付けて登録しておき、抽出部３７は、場所情報に基づいて、メッセージに含まれる町名に対応する市町村の名前を抽出してもよい。

特定部３８は、各種の特定を行う。例えば、特定部３８は、ソーシャルメディアサービス１２の投稿内容からイベントの発生場所を抽出する際の閾値となる情報を特定する。例えば、特定部３８は、抽出部３７により抽出された発生場所をメッセージ数の多い順にランキングする。そして、特定部３８は、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定する。例えば、特定部３８は、ランキング順に各発生場所のメッセージ数を累計して、イベントの発生場所を抽出された全メッセージに対する累積構成比曲線を求める。特定部３８は、累積構成比曲線の変化率が当該累積構成比曲線の平均増加率となる変化点を特定する。

出力部３９は、各種の出力を行う。例えば、出力部３９は、特定部３８により特定された変化点に基づいて発生場所を出力する。例えば、出力部３９は、累積構成比曲線において、特定された変化点の位置よりも上位側にランキングされる発生場所をイベントが発生した発生場所として出力する。例えば、出力部３９は、ランキング順に各発生場所を表示部２１に出力すると共に、変化点の位置よりも上位側にランキングされる発生場所を識別可能に表示部２１に出力する。なお、本実施例では、変化点の位置よりも上位側にランキングされる発生場所をイベントが発生した発生場所として出力するが、変化点の位置を基準として、出力する下限を変更してもよい。例えば、出力部３９は、変化点の位置よりも所定順位だけ下位や上位の順位よりも上位側にランキングされる発生場所をイベントが発生した発生場所として出力してもよい。例えば、出力部３９は、変化点の位置よりも下位に１つ低い順位よりも上位側にランキングされる発生場所をイベントが発生した発生場所として出力してもよい。

ここで、具体例を用いて説明する。図３は、ソーシャルメディアサービスに投稿されたメッセージの一例を示す図である。ここでは、投稿されたメッセージから浸水や冠水などの水害が発生している場所を推定する場合を例に説明する。

図３には、浸水や冠水などの水害が発生している際に投稿されたメッセージが示されている。図３の例では、2012/8/13 23:17:22に「うちは大阪市です。２０メートル先の少し低いところのお家は床下浸水しています。」とメッセージが投稿されている。また、図３の例では、2012/8/14 00:47:27に「納屋川市では豪雨で川が氾濫し、道が冠水してます。」とメッセージが投稿されている。また、図３の例では、2012/8/14 05:27:18に「枚方でも浸水で避難勧告でてるかな。」とメッセージが投稿されている。また、図３の例では、2012/8/14 05:27:58に「大阪市では一部に浸水が発生しているもよう。http://xxx.co.jp」とメッセージが投稿されている。この「http://xxx.co.jp」は、投稿元を示すアドレスであり、新聞などの報道機関のアドレスであるものとする。また、図３の例では、2012/8/14 05:30:52に「ＲＴ＠ｘｘｘｘ：お隣は浸水している。宇治市は大丈夫？」とメッセージが投稿されている。この「ＲＴ＠ｘｘｘｘ：」は、再投稿されたメッセージであることを示し、投稿元がｘｘｘｘであることを示す。

ソーシャルメディアサービス１２の投稿内容から水害に関する発生場所を推定する場合、取得部３５は、ソーシャルメディアサービス１２から図３に示すメッセージを取得する。

フィルタ部３６は、受信されたメッセージからイベント情報３０に記憶されたキーワードを含まないメッセージを除外するフィルタ処理を行う。例えば、水害に関する発生場所を推定する場合、フィルタ部３６は、「浸水」や「冠水」といったキーワードを含まないメッセージを除外するフィルタ処理を行う。図３の例は、メッセージに「浸水」や「冠水」といったキーワードが含まれるため、除外されない。これにより、水害の発生場所を推定する際のノイズを除外でき、また、処理負荷を軽減できる。

また、フィルタ部３６は、取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージを除外するフィルタ処理を行う。例えば、図３の例では、「大阪市では一部に浸水が発生しているもよう。http://xxx.co.jp」は、報道機関によるメッセージであるため、除外される。また、「ＲＴ＠ｘｘｘｘ：お隣は浸水している。宇治市は大丈夫？」は、再投稿されたメッセージであるため、除外される。また、「枚方でも浸水で避難勧告でてるかな。」は、「〜かな。」と推定的な特定のワードを含むメッセージであるため、除外される。

ここで、報道機関によるメッセージは、多数のユーザに引用される。このため、報道機関によるメッセージを含めて災害の発生場所をランキングした場合、報道機関によるメッセージの影響が大きくなり、発生場所を精度よく推定できなくなる。このため、本実施例では、報道機関によるメッセージを除外している。

また、再投稿されたメッセージも拡散することにより、多数のユーザに引用される。このため、再投稿されたメッセージを含めた場合、各ユーザが実際に発生場所を見ていないにも関わらず再投稿されたメッセージの災害の発生場所がランキングの上位となってしまい、実際の災害の発生場所を精度よく推定できなくなる。このため、本実施例では、再投稿されたメッセージを除外している。

また、推定的なメッセージは、災害場所を見て投稿されたものではない。このため、推定的なメッセージでは、発生場所を精度よく推定できない。このため、本実施例では、推定的なメッセージを除外している。

抽出部３７は、フィルタ部３６により除外されなかった残りのメッセージから場所を示す名詞を抽出する。例えば、図３の例では、抽出部３７は、「うちは大阪市です。２０メートル先の少し低いところのお家は床下浸水しています。」とメッセージから「大阪市」を抽出する。また、抽出部３７は、「納屋川市では、豪雨で川が氾濫し、道が冠水してます。」とメッセージから「納屋川市」を抽出する。

特定部３８は、抽出部３７により抽出された発生場所をメッセージ数の多い順にランキングする。そして、特定部３８は、ランキング順に各発生場所のメッセージ数を累計して全メッセージに対する累積構成比曲線を求める。

図４は、累積構成比曲線の一例を示す図である。図４の例では、ランキング１位から１３位の各発生場所のメッセージを合計した全メッセージに対する、１位から１３位の各発生場所のメッセージ数がグラフにより示されている。例えば、１位は、メッセージ数が２０とされている。累積構成比曲線４０は、ランキング順に各発生場所の構成比を累計した曲線である。

ここで、メッセージには、フィルタ部３６によるフィルタ処理では除外できないノイズが含まれる。例えば、ユーザが地名を間違えてメッセージを投稿する場合がある。また、同様の地名が異なる複数の場所で用いられている場合、異なる場所を災害の発生箇所と抽出する場合がある。このようなメッセージは、ノイズとなる。すなわち、メッセージには、実際に災害が発生している発生場所を含んだものと、実際には災害が発生していない場所を含んだものがある。実際には災害が発生していない場所は、災害の発生箇所を推定する場合、ノイズとなる。

メッセージから抽出された災害の発生場所をメッセージ数の多い順に並べてランキングした場合、実際に災害が発生している発生場所は、投稿数が多いため、ランキングの上位に集まる。一方、実際には災害が発生していない場所は、ランキングの下位に集まる。

図５は、災害が発生した際にメッセージに含まれた発生箇所を地図上に示した図である。図５の例では、災害が発生した災害発生地域を破線で囲っている。図５の例では、発生箇所が災害発生地域内の場合、正解としており、発生箇所が災害発生地域外の場合、ノイズとして示している。災害が発生した場合、災害発生地域で災害に関するメッセージが多く投稿される。このため、正解は、災害発生地域内に多数が集中する。一方、ノイズは、一様にランダムに発生する。

図４では、各発生場所のメッセージ数のグラフ内に正解のメッセージ数の部分と、ノイズのメッセージ数の部分が分けて示されている。また、図４には、正解のメッセージの総数に対する各発生場所の正解のメッセージ数の構成比を累計した正解のみによる累積構成比曲線４１が示されている。また、図４には、ノイズのメッセージの総数に対する各発生場所のノイズのメッセージ数の構成比を累計したノイズのみによる累積構成比曲線４２が示されている。上述のように、ノイズは、一様にランダムに発生する。このため、累積構成比曲線４２は、ほぼ一様に増加するリニアな線となる。一方、累積構成比曲線４１は、実際に災害が発生している発生場所で急激に増加する。図４の例では、ランキングの１位、２位が正解であるため、累積構成比曲線４１は、１位、２位で急激に増加する。

累積構成比曲線４０は、正解のみの累積構成比曲線４１とノイズのみの累積構成比曲線４２の成分が合わさったものである。このため、累積構成比曲線４０は、実際に災害が発生している正解の発生場所では増加が大きく、正解とノイズの境界において、増加が急速に減少していく。このため、累積構成比曲線４０は、累積構成比曲線４０の始点と終点を結ぶ直線を基準とした場合、正解と不正解の間でピークを取る。

特定部３８は、累積構成比曲線の変化率が当該累積構成比曲線の平均増加率となる変化点を特定する。図６は、累積構成比曲線から変化点を特定する流れを説明する図である。例えば、特定部３８は、図６に示すように、累積構成比曲線４０の始点と終点を結ぶ直線５０を求める。この直線５０の傾きは、累積構成比曲線４０の平均的な増加率である。そして、特定部３８は、直線５０を基準とした場合の累積構成比曲線４０のピークとなる変化点５１を特定する。例えば、特定部３８は、直線５０を平行移動させて累積構成比曲線４０と接する接点となる変化点５１を特定する。なお、特定部３８は、累積構成比曲線４０を直線５０が横方向の軸となるように回転させてピークとなる変曲点を求めることにより変化点５１を求めてもよい。

出力部３９は、累積構成比曲線において、特定部３８により特定された変化点の位置よりも上位側にランキングされる発生場所をイベントが発生した発生場所として出力する。図６の例では、出力部３９は、変化点５１の位置よりも上位である１位、２位の発生場所を出力する。

災害の発生場所の個数は、災害の発生範囲の大小によって異なる。しかし、本実施例によれば、累積構成比曲線の変化点を求めることにより、災害の発生場所を精度良く推定できる。累積構成比曲線は、正解とノイズの成分が合わさっている。このため、災害の発生場所の個数が多い場合、累積構成比曲線は、緩やかになり変曲点の位置もずれる。図７は、正解の数が異なる累積構成比曲線の一例を示す図である。図７の例には、実際に災害が発生している正解の発生場所の個数が２個の場合の累積構成比曲線６０と、正解の発生場所の個数が４個の場合の累積構成比曲線６１とが示されている。累積構成比曲線６１は、累積構成比曲線６０と比較して、変化が緩やかとなっており、変化点６３も２位の位置から４位の位置へ移動している。

また、ソーシャルメディアサービス１２では、メッセージのノイズ量も変化する。しかし、本実施例によれば、累積構成比曲線の変化点を求めることにより、災害の発生場所を精度良く推定できる。図８は、ノイズ量が異なる累積構成比曲線の一例を示す図である。図８の例には、ノイズ量が少ない場合の累積構成比曲線６５と、ノイズ量が多い場合の累積構成比曲線６６とが示されている。累積構成比曲線６５、６６は、正解とノイズの成分が合わさったものである。累積構成比曲線６５は、累積構成比曲線６６に比べて、ノイズ量が少なく、正解の成分の割合が多くなるため、急激に増加する。しかし、ノイズは一様に発生するため、累積構成比曲線６５、６６は、変化点６７の位置がほとんど変化しない。

ここで、比較例を挙げて推定の精度を説明する。ランキングの上位所定個を災害発生場所と抽出する場合および累積構成比が所定値となるまでの災害発生場所を抽出する場合の災害の発生場所の推定の精度について説明する。

図９Ａは、比較例の一例を示す図である。図９Ａの例では、ランキング１位、２位が正解であるものとする。図９Ａの例では、ランキングの上位２個を災害発生場所と抽出する場合および累積構成比が９０％（０．９０）となるまでの災害発生場所を抽出すると、正解の災害発生場所を抽出できる。

しかし、ランキングの上位２個を災害発生場所と抽出する場合、災害の発生範囲が大きく、正解の数が多くなると、災害発生場所を全て抽出できない。

図９Ｂは、比較例の一例を示す図である。図９Ｂの例では、ランキング１位から５位が正解であるものとする。図９Ｂの例では、ランキングの上位２個を災害発生場所と抽出する場合、３位から５位の災害発生場所を抽出できない。なお、図９Ｂの例では、累積構成比が９０％（０．９０）となるまでの災害発生場所を抽出すると、正解である１位から５位の災害発生場所を抽出できる。

一方、累積構成比が９０％（０．９０）となるまでの災害発生場所を抽出する場合、ノイズ量が多くなると、実際には災害が発生していない場所を抽出してしまう場合もある。

図９Ｃは、比較例の一例を示す図である。図９Ｃの例では、ランキング１位、２位が正解であるものとする。図９Ｃの例では、累積構成比が９０％（０．９０）となるまでの災害発生場所を抽出する場合、１位から９位の災害発生場所が抽出されてしまう。なお、図９Ｃの例では、ランキングの上位２個を災害発生場所と抽出すると、正解である１位、２位の災害発生場所を抽出できる。

このように、ランキングの上位所定個を災害発生場所と抽出する場合および累積構成比が所定値となるまでの災害発生場所を抽出する場合、災害の発生場所を精度良く推定できない場合がある。一方、本実施例に係るイベント発生場所推定装置１１は、図６から図８にて説明したように、正解の発生場所の個数が変化する場合やノイズ量が多い場合でも、災害の発生場所を精度良く推定できる。

次に、実際に災害発生場所を推定した一例を説明する。最初に、２０１２年８月１８日、大阪府において発生した浸水、冠水の発生場所をツイッターに投稿されたメッセージのデータから推定した結果を説明する。図１０Ａは、メッセージから抽出された浸水、冠水の発生場所をメッセージ数の多い順にランキングした結果の一例を示す図である。図１０Ａには、実際に浸水、冠水が発生した発生場所を正解として示している。実際に浸水、冠水が発生した発生場所は、当時の新聞等の報道から特定を行っている。図１０Ａの例では、ランキング１位の「大阪府＿大阪市」と、２位の「大阪府＿高槻市」で実際に浸水、冠水が発生していたことを示している。図１０Ｂは、各発生場所のメッセージ数と、累積構成比曲線の一例を示した図である。図１０Ｂには、実際に浸水、冠水が発生した１位、２位の発生場所のグラフ上に正解として星印が示されている。図１０Ｂの例では、累積構成比曲線の変化点の位置がランキング２位の位置となっている。例えば、出力部３９は、図１０Ａに示すようにランキング順に各発生場所を表示部２１に出力すると共に、変化点の位置よりも上位側にランキングされる発生場所を星印により識別可能に表示部２１に出力する。イベント発生場所推定装置１１では、このように結果の出力を行うことにより、結果を参照したユーザがメッセージに含まれる各発生場所と、イベントが発生していると推定される発生場所を識別して把握できるため、出力結果の信憑性を高めることができる。なお、識別可能に表示する表示形態は、これに限定されるものではなく、例えば、色を変える、パターンを変える、表示位置を分けるなど、変化点の位置よりも上位側にランキングされる発生場所が識別できれば、何れであってもよい。

図１０Ｃは、浸水、冠水の発生場所の推定精度の評価結果の一例を示す図である。精度は、浸水、冠水の発生場所として出力された発生場所のうち、正解の割合である。精度は、例えば、（出力された発生場所中での正解数）／（出力された発生場所数）から算出する。再現率は、正解の発生場所が出力された割合である。再現率は、例えば、（出力された発生場所中での正解数）／（総正解数）から算出する。Ｆ値は、出力された発生場所で正解をどれだけよく出力できたかを示す割合である。Ｆ値は、例えば、２×精度×再現率／（精度＋再現率）から算出する。イベント発生場所推定装置１１は、１位、２位を災害の発生場所と出力するため、図１０Ｃに示すように、精度が１．００、再現率が１．００、Ｆ値が１．００となっている。また、図１０Ｃには、参考として、ランキング５位までの災害発生場所として抽出する場合と、累積構成比が８０％までの災害発生場所と抽出する場合の評価結果が示されている。ランキング５位までの災害発生場所と抽出する場合は、浸水、冠水が発生していない３位から５位が災害の発生場所と出力されるため、精度が０．４０、再現率が１．００、Ｆ値が０．５７となっている。累積構成比が８０％までの災害発生場所と抽出する場合は、１位、２位が災害の発生場所と出力されるため、精度が１．００、再現率が１．００、Ｆ値が１．００となっている。

次に、２０１２年８月１４日、大阪府において発生した浸水、冠水の発生場所をツイッターに投稿されたメッセージのデータから推定した結果を説明する。図１１Ａは、メッセージから抽出された浸水、冠水の発生場所をメッセージ数の多い順にランキングした結果の一例を示す図である。図１１Ａでも、実際に浸水、冠水が発生した発生場所を正解として示している。実際に浸水、冠水が発生した発生場所は、当時の新聞等での報道から特定している。図１１Ａの例では、ランキング１位の「大阪府＿大阪市」と、２位の「大阪府＿守口市」と、３位の「大阪府＿寝屋川市」と、５位の「大阪府＿高槻市」で実際に浸水、冠水が発生したことを示している。図１１Ｂは、各発生場所のメッセージ数と、累積構成比曲線の一例を示した図である。図１１Ｂには、実際に浸水、冠水が発生した１位から３位、５位の発生場所のグラフ上に正解として星印が示されている。図１１Ｂの例では、累積構成比曲線の変化点の位置がランキング５位の位置となっている。例えば、出力部３９は、図１０Ａに示すようにランキング順に各発生場所を表示部２１に出力すると共に、変化点の位置よりも上位側にランキングされる発生場所を星印により識別可能に表示部２１に出力する。

図１１Ｃは、浸水、冠水の発生場所の推定精度の評価結果の一例を示す図である。イベント発生場所推定装置１１は、１位から５位を災害の発生場所と出力するため、図１１Ｃに示すように、精度が０．８０、再現率が１．００、Ｆ値が０．８８となっている。また、図１１Ｃにも、参考として、ランキング５位までの災害発生場所として抽出する場合と、累積構成比が８０％までの災害発生場所と抽出する場合の評価結果が示されている。ランキング５位までの災害発生場所と抽出する場合は、１位から５位が災害の発生場所と出力されるため、精度が０．８０、再現率が１．００、Ｆ値が０．８８となっている。累積構成比が８０％までの災害発生場所と抽出する場合は、１位から７位が災害の発生場所と出力されるため、精度が０．５７、再現率が１．００、Ｆ値が０．７２となっている。

［処理の流れ］
本実施例に係るイベント発生場所推定装置１１がイベントの発生場所を推定する推定処理の流れについて説明する。図１２は、推定処理の手順の一例を示すフローチャートである。この推定処理は、所定のタイミング、例えば、入力部２２から推定開始が指示されたタイミングで実行される。なお、推定処理は、定期的に処理を実行して推定結果を定期的に出力するものとしてもよい。

図１２に示すように、取得部３５は、ソーシャルメディアサービス１２から、投稿されたメッセージを取得する（Ｓ１０）。フィルタ部３６は、取得されたメッセージから不要なメッセージを除外するフィルタ処理を行う（Ｓ１１）。例えば、フィルタ部３６は、取得されたメッセージからイベント情報３０に記憶されたキーワードを含まないメッセージを除外するフィルタ処理を行う。また、フィルタ部３６は、取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージを除外するフィルタ処理を行う。

抽出部３７は、フィルタ処理により除外されなかったメッセージがあるか否かを判定する（Ｓ１２）。メッセージが無い場合（Ｓ１２否定）、処理を終了する。一方、メッセージがある場合（Ｓ１２肯定）、抽出部３７は、フィルタ処理により除外されなかった残りのメッセージからイベントの発生場所の情報を抽出する（Ｓ１３）。

特定部３８は、イベントの発生場所の情報が抽出できたが否かを判定する（Ｓ１４）。発生場所の情報が抽出できなかった場合（Ｓ１４否定）、処理を終了する。一方、発生場所の情報が抽出できた場合（Ｓ１４肯定）、特定部３８は、抽出された発生場所をメッセージ数の多い順にランキングする（Ｓ１５）。特定部３８は、ランキング順に各発生場所のメッセージ数を累計して、イベントの発生場所を抽出された全メッセージに対する累積構成比曲線を求める（Ｓ１６）。特定部３８は、累積構成比曲線の変化率が当該累積構成比曲線の平均増加率となる変化点を特定する（Ｓ１７）。

出力部３９は、特定された変化点に基づいて発生場所を出力し（Ｓ１８）、処理を終了する。例えば、出力部３９は、ランキング順に各発生場所を表示部２１に出力すると共に、変化点の位置よりも上位側にランキングされる発生場所を識別可能に表示部２１に出力する。

［効果］
上述してきたように、本実施例に係るイベント発生場所推定装置１１は、メッセージが投稿されるソーシャルメディアサービス１２から所定のイベントに関するメッセージを取得する。イベント発生場所推定装置１１は、取得されたメッセージからイベントの発生場所を抽出する。イベント発生場所推定装置１１は、取得されたメッセージからイベントの発生場所を抽出する。イベント発生場所推定装置１１は、抽出された発生場所をメッセージ数の多い順にランキングする。イベント発生場所推定装置１１は、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定する。例えば、イベント発生場所推定装置１１は、ランキング順に各発生場所のメッセージ数を累計して全メッセージに対する累積構成比曲線を求める。イベント発生場所推定装置１１は、累積構成比曲線の変化率が当該累積構成比曲線の平均増加率となる変化点を特定する。イベント発生場所推定装置１１は、特定された変化点に基づいて発生場所を出力する。これにより、イベント発生場所推定装置１１は、イベントの発生場所を精度良く推定できる。

また、本実施例に係るイベント発生場所推定装置１１は、累積構成比曲線において、特定された変化点の位置よりも上位側にランキングされる発生場所を出力する。これにより、イベント発生場所推定装置１１は、イベントの発生場所の数やノイズ量にかかわらず、イベントの発生場所を精度良く推定できる。

また、本実施例に係るイベント発生場所推定装置１１は、取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージの何れか１つまたは複数を除外する。これにより、イベント発生場所推定装置１１は、各ユーザ自身の目撃によるメッセージを抽出できるため、多くのユーザに目撃されたイベントの発生場所を精度良く推定できる。

また、本実施例に係るイベント発生場所推定装置１１は、ランキング順に各発生場所を出力すると共に、変化点の位置よりも上位側にランキングされる発生場所を識別可能に出力する。これにより、イベント発生場所推定装置１１は、出力された結果から、メッセージに含まれる各発生場所と、イベントが発生していると推定される発生場所をユーザが識別して把握できるため、出力結果の信憑性を高めることができる。

さて、これまで開示の装置に関する実施例について説明したが、開示の技術は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。

例えば、上記の実施例では、イベント発生場所推定装置１１では、表示部２１に結果を出力する場合について説明したが、開示の装置はこれに限定されない。例えば、イベント発生場所推定装置１１は、ネットワーク１３を介して接続された端末装置に結果を出力してもよい。また、イベント発生場所推定装置１１は、推定された発生場所に対する警告を促す信号を出力してもよい。また、イベント発生場所推定装置１１は、推定された発生場所の防災の管理者へメール等を出力してもよい。

また、上記の実施例では、メッセージからイベントの発生場所として、水害の発生場所を推定する場合について説明したが、開示の装置はこれに限定されない。例えば、その他の災害の発生場所の推定に用いてもよい。また、イベントは、災害に限定されるものではない。イベントは、場所に関連するイベントであれば、何れであってもよい。例えば、メッセージから桜の開花した場所や、花粉の飛散がひどい場所などを推定してもよい。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的状態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、取得部３５、フィルタ部３６、抽出部３７、特定部３８および出力部３９の各処理部が適宜統合されてもよい。また、各処理部の処理が適宜複数の処理部の処理に分離されてもよい。さらに、各処理部にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［イベント発生場所推定プログラム］
また、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図１３は、イベント発生場所推定プログラムを実行するコンピュータを示す図である。

図１３に示すように、コンピュータ３００は、ＣＰＵ（Central Processing Unit）３１０、ＨＤＤ（Hard Disk Drive）３２０、ＲＡＭ（Random Access Memory）３４０を有する。これら３００〜３４０の各部は、バス４００を介して接続される。

ＨＤＤ３２０には上記の取得部３５、フィルタ部３６、抽出部３７、特定部３８および出力部３９と同様の機能を発揮するイベント発生場所推定プログラム３２０ａが予め記憶される。なお、イベント発生場所推定プログラム３２０ａについては、適宜分離しても良い。

また、ＨＤＤ３２０は、各種情報を記憶する。例えば、ＨＤＤ３２０は、ＯＳや生産計画に用いる各種データを記憶する。

そして、ＣＰＵ３１０が、イベント発生場所推定プログラム３２０ａをＨＤＤ３２０から読み出して実行することで、実施例の各処理部と同様の動作を実行する。すなわち、イベント発生場所推定プログラム３２０ａは、取得部３５、フィルタ部３６、抽出部３７、特定部３８および出力部３９と同様の動作を実行する。

なお、上記したイベント発生場所推定プログラム３２０ａについては、必ずしも最初からＨＤＤ３２０に記憶させることを要しない。

例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」にプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などにプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

１０ システム
１１ イベント発生場所推定装置
１２ ソーシャルメディアサービス
２１ 入力部
２２ 表示部
２３ 記憶部
２４ 制御部
３０ イベント情報
３１ メッセージ情報
３２ 累計情報
３５ 取得部
３６ フィルタ部
３７ 抽出部
３８ 特定部
３９ 出力部

Claims (7)

1. メッセージが投稿されるソーシャルメディアから所定のイベントに関するメッセージを取得し、
   取得されたメッセージから前記イベントの発生場所を抽出し、
   抽出された発生場所をメッセージ数の多い順にランキングし、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定し、
   特定された変化点に基づいて発生場所を出力する
   処理をコンピュータが実行することを特徴とするイベント発生場所推定方法。
2. 前記特定する処理は、ランキング順に各発生場所のメッセージ数を累計して全メッセージに対する累積構成比曲線を求めて、前記累積構成比曲線を用いて、変化率が当該累積構成比曲線の平均増加率となる変化点を特定する
   ことを特徴とする請求項１に記載のイベント発生場所推定方法。
3. 前記出力する処理は、特定された変化点の位置よりも上位側にランキングされる発生場所を出力する
   ことを特徴とする請求項１または２に記載のイベント発生場所推定方法。
4. 取得されたメッセージから、報道機関によるメッセージ、再投稿されたメッセージおよび推定的なメッセージの何れか１つまたは複数を除外する処理をコンピュータがさらに実行し、
   前記抽出する処理は、除外後の残りのメッセージから前記イベントの発生場所を抽出する
   ことを特徴とする請求項１〜３の何れか１つに記載のイベント発生場所推定方法。
5. 前記出力する処理は、ランキング順に各発生場所を出力すると共に、前記変化点の位置よりも上位側にランキングされる発生場所を識別可能に出力する
   ことを特徴とする請求項１〜４の何れか１つに記載のイベント発生場所推定方法。
6. メッセージが投稿されるソーシャルメディアから所定のイベントに関するメッセージを取得し、
   取得されたメッセージから前記イベントの発生場所を抽出し、
   抽出された発生場所をメッセージ数の多い順にランキングし、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定し、
   特定された変化点に基づいて発生場所を出力する
   処理をコンピュータに実行させることを特徴とするイベント発生場所推定プログラム。
7. メッセージが投稿されるソーシャルメディアから所定のイベントに関するメッセージを取得する取得部と、
   前記取得部により取得されたメッセージから前記イベントの発生場所を抽出する抽出部と、
   前記抽出部により抽出された発生場所をメッセージ数の多い順にランキングし、ランキング順に各発生場所のメッセージ数を累積し、累積したメッセージ数の増加率が平均増加率となる変化点を特定する特定部と、
   前記特定部により特定された変化点に基づいて発生場所を出力する出力部と、
   を有することを特徴とするイベント発生場所推定装置。

Images