JP2019021071A - 調整係数推定装置、モデル学習装置、及び方法 - Google Patents

Abstract

【課題】対象の分野における調整係数を自動的に取得することができるようにする。【解決手段】歩掛り係数推定装置１００は、建設工事に関連する推定用要因データと、学習用要因データ及び学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、建設工事の建物規模に関するデータから統計的手法によって得られた係数に対する調整係数を推定する。【選択図】図１

Description

本発明は、調整係数推定装置、モデル学習装置、及び方法に関する。

様々な分野において所定の係数を算出する場合がある。例えば、建設分野においては、建設工事の見積り金額を算出する際に、歩掛り係数を算出する必要がある。建設分野の見積り金額を算出する従来技術としては、例えば、建設工事の見積もりを行う建物管理システムが知られている（例えば、特許文献１）。また、施工管理に必要となるデータを効率よく作成できる施工管理支援システムが知られている（例えば、特許文献２）。

特開２０１４‐１７４５９０号公報 特開２０１４‐２０３２９２号公報

所定の係数を算出する際には、対象となる分野に属する人間が自らの経験又は勘に基づいて調整をすることが多い。この場合には、例えば、対象となる分野の人間が自らの経験又は勘に基づいて調整係数を設定し、調整係数を用いて所定の係数が調整される。例えば、建設工事の基本設計の段階において見積金額を算出する際には、建設技術者の経験等に基づき調整係数が設定され、調整係数を用いて建設工事の歩掛り係数が調整されることが多い。

しかし、上記特許文献１及び上記特許文献２に記載の技術では、歩掛り係数の調整については考慮されていない。

本発明は上記事実を考慮して、対象の分野における調整係数を自動的に取得することを目的とする。

上記目的を達成するために、本発明の調整係数推定装置は、推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する調整係数推定部を含んで構成される。これにより、対象の分野における調整係数を自動的に取得することができる。

本発明の前記調整係数推定部は、前記推定対象イベントとしての建設工事の設計に関する要因データ、前記建設工事の建物に関する要因データ、前記建設工事の顧客に関する要因データ、及び社会に関する要因データの少なくとも１つと、前記学習済みモデルとに基づいて、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた、前記建設工事の歩掛り係数に対する前記調整係数を推定するようにすることができる。これにより、建設工事の歩掛り係数に対する調整係数を自動的に取得することができる。

本発明の調整係数推定装置は、前記調整係数推定部によって推定された前記調整係数と、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた前記歩掛り係数とを乗算することにより、前記歩掛り係数を調整する歩掛り係数調整部を更に含むようにすることができる。これにより、調整係数によって調整された歩掛り係数を自動的に取得することができる。

本発明のモデル学習装置は、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データに基づいて、統計的手法によって得られた係数に対する調整係数を推定するための学習モデルを学習させて、推定対象イベントに関連する要因データから前記調整係数を推定するための学習済みモデルを得る学習部を含んで構成される。これにより、対象の分野における調整係数を自動的に取得するための学習済みモデルを得ることができる。

本発明の前記学習部は、前記学習用要因データ及び本発明の調整係数推定装置によって推定された前記調整係数に対する実績から得られる調整係数を前記学習データとして設定し、設定された前記学習データに基づいて、本発明の調整係数推定装置の前記学習済みモデルを再学習させる、ようにすることができる。これにより、実績から得られる調整係数を学習済みモデルへフィードバックすることにより、調整係数を精度良く推定するための学習済みモデルを得ることができる。

本発明の調整係数推定方法は、推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する、処理をコンピュータに実行させる。

本発明によれば、対象の分野における調整係数を自動的に取得することができる、という効果が得られる。

本実施形態に係る歩掛り係数推定装置の概略構成を示すブロック図である。 本実施形態で実行される処理の概要を説明するための説明図である。 過去の建設工事に関する実績データの一例を示す図である。 学習データの一例を示す図である。 本実施形態の学習済みモデルの一例を示す図である。 本実施形態の学習処理ルーチンの一例を示す図である。 本実施形態の歩掛り係数推定処理ルーチンの一例を示す図である。

以下、本発明の実施形態について詳細に説明する。なお、本実施形態では、建設工事の歩掛り係数を推定する歩掛り係数推定装置に本発明を適用した場合を例に説明する。

＜本実施形態に係る歩掛り係数推定装置のシステム構成＞

図１は、本実施形態に係る歩掛り係数推定装置の構成の一例を示すブロック図である。歩掛り係数推定装置１００は、機能的には、図１に示されるように、データ受付部１０、コンピュータ２０、及び出力装置５０を含んだ構成で表すことができる。歩掛り係数推定装置１００は、本発明の調整係数推定装置の一例である。

本実施形態では、建設工事の見積金額を算出する際に必要な歩掛り係数を推定する。なお、本実施形態では、建設工事の基本設計における構造歩掛りの推定に本発明を適用させた場合を例に説明する。

本実施形態では、まず、従来の統計的手法により、建設工事の規模（例えば、建築面積、延べ床面積、構造等）に応じた歩掛り係数を算出する。そして、学習データから予め作成された学習済みモデルを用いて、歩掛り係数に対する調整係数を推定する。

建設工事で用いられる歩掛り係数に対する調整係数は、従来であればベテランの建設技術者によって設定されるが、本実施形態では、ベテランの経験や勘が反映された学習済みモデルを作成し、当該学習済みモデルを用いて調整係数を得る。そして、歩掛り係数に対して調整係数を乗算して最終的な歩掛り係数を得る。これにより、ベテランの経験や勘が反映された歩掛り係数を得ることができ、ベテランの経験や勘が反映された見積金額を自動的に算出することができる。

本実施形態では、以下の（Ａ）〜（Ｅ）の処理を行う。図２に、本実施形態で実行される処理の概念図を示す。

（Ａ）統計的手法によって、建設工事の建物規模から歩掛り係数αを得る。
（Ｂ）学習フェーズにおいて、学習済みモデルを得る。
（Ｃ）運用フェーズにおいて、学習済みモデルにより調整係数βを算出する。
（Ｄ）統計的手法によって得られた歩掛り係数αに調整係数βを乗算して最終歩掛り係数Ｘを得る。最終歩掛りＸを用いて建設工事の見積金額を算出する。
（Ｅ）建設工事の終了後、実績値から得られる歩掛り係数をフィードバックする。

以下、本実施形態について具体的に説明する。

データ受付部１０は、各種の情報を受け付ける。具体的には、データ受付部１０は、過去の建設工事に関する実績データと、推定対象の建設工事の建物規模に関するデータと、学習用要因データ及び学習用要因データから得られる調整係数を表す学習データと、推定対象の建設工事に関連する推定用要因データとを受け付ける。データ受付部１０は、例えばキーボード、マウス、又は外部装置からの入力を受け付ける入出力装置等によって実現される。

過去の建設工事の実績データには、例えば、建物の建築面積、延床面積、地上部床面積、地下階数、地上階数、構造種別、及び建物用途を表す建物規模に関するデータと、各構造歩掛り（例えば、コンクリート歩掛り、型枠歩掛り、鉄筋歩掛り、及び鉄骨歩掛り等）とが対応付けられている。

推定対象の建設工事の建物規模に関するデータは、歩掛り係数を推定しようとする建設工事に関するデータである。建設工事の建物規模に関するデータは、例えば、建物の建築面積、延床面積、地上部床面積、地下階数、地上階数、構造種別、及び建物用途等である。

要因データを表す推定用要因データ及び学習用要因データは、歩掛り係数に対する調整係数を推定する際に用いられるデータである。本実施形態では、建設工事の設計に関する要因データ、建設工事の建物に関する要因データ、建設工事の顧客に関する要因データ、及び社会に関する要因データを用いる場合を例に説明する。各要因データの詳細については後述する。

また、学習データは、学習用要因データと学習用要因データから得られる調整係数とが対応付けられている。学習データの詳細については後述する。

コンピュータ２０は、ＣＰＵ（Central Processing Unit）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Read Only Memory）、データを一時的に記憶するＲＡＭ（Random Access Memory）、記憶手段としてのメモリ、ネットワークインタフェース等を含んで構成されている。コンピュータ２０は、機能的には、情報取得部２２と、実績データ記憶部２４と、統計モデル生成部２６と、統計モデル記憶部２８と、歩掛り係数推定部３０と、学習用データ記憶部３２と、学習部３４と、学習済みモデル記憶部３６と、調整係数推定部３８と、歩掛り係数調整部４０とを備えている。

情報取得部２２は、データ受付部１０によって受け付けられた、過去の建設工事に関する実績データと、推定対象の建設工事の建物規模に関するデータと、学習データと、推定用要因データとを取得する。そして、情報取得部２２は、過去の建設工事に関する実績データを実績データ記憶部２４へ格納する。また、情報取得部２２は、学習データを学習用データ記憶部３２へ格納する。

実績データ記憶部２４には、過去の建設工事に関する実績データが格納される。図３に、過去の建設工事に関する実績データの一例を示す。

図３に示されるように、過去の建設工事に関する実績データには、過去の建設工事の構造歩掛りと、過去の建設工事の建物規模に関するデータとが対応付けられている。例えば、実績ＩＤ「00001」の実績データは、建築面積「Ｘ１」、延べ床面積「Ｙ１」、及び構造種別「Ｚ１」の規模の建設工事において、構造歩掛りが「Ｌ１」であったことを示している。

統計モデル生成部２６は、実績データ記憶部２４に格納された実績データから、統計的手法によって統計モデルを生成する。例えば、統計モデル生成部２６は、重回帰分析によって、統計モデルの一例である重回帰式を生成する。

統計モデル記憶部２８は、統計モデル生成部２６によって生成された統計モデルが格納される。例えば、統計モデルが重回帰式である場合には、重回帰式の各係数が格納される。

歩掛り係数推定部３０は、推定対象の建設工事の建物規模に関するデータと、統計モデル記憶部２８に格納された統計モデルとに基づいて、推定対象の建設工事の歩掛り係数を推定する。例えば、歩掛り係数推定部３０は、統計モデル記憶部２８に格納された統計モデルである重回帰式の変数に、推定対象の建設工事の建物規模に関するデータを入力することにより、推定対象の建設工事の歩掛り係数αを推定する。

学習用データ記憶部３２には、学習用要因データと当該学習用要因データから得られる調整係数とが対応付けられた学習データが格納される。図４に、学習データの一例を示す。

図４に示されるように、学習用要因データには、建設工事の設計に関する要因データ、建設工事の建物に関する要因データ、建設工事の顧客に関する要因データ、及び社会に関する要因データが含まれている。例えば、学習ＩＤ「00001」の学習データについては、設計に関する要因データが「ＹＹ１」、建物に関する要因データが「ＺＺ１」、顧客に関する要因データが「ＷＷ１」、及び社会に関する要因データが「ＳＳ１」であるときに、調整係数は「ＸＸ１」であることが示されている。

学習部３４は、学習用データ記憶部３２に格納された学習データに基づいて、歩掛り係数推定部３０によって得られた歩掛り係数に対する調整係数を推定するための学習モデルを学習させて、学習済みモデルを得る。学習済みモデルによって、建設工事に関連する要因データから調整係数が推定される。

従来では、歩掛り係数αに対する調整係数βの設定はベテランの建設技術者によって行われていたが、本実施形態では調整係数βの設定を自動化する。具体的には、本実施形態では、ディープラーニングによってニューラルネットワークモデルを学習させることにより学習済みモデルを生成し、学習済みモデルに調整係数βを推定させる。

なお、ベテランの建設技術者が歩掛り係数αに対する調整係数βを設定する際には、例えば、以下の（１）〜（４）の要因を考慮していると考えられる。

（１）設計に関する要因
（２）建物に関する要因
（３）顧客に関する要因
（４）社会に関する要因

（１）設計に関する要因
ベテランの建設技術者は、建設工事の設計を担当する設計者の経験年数、性格等を考慮していると考えられる。設計者によって行われる設計内容に応じて見積もり金額は変動する。このため、設計者の経験年数、性格等に応じて見積もり金額も変動すると考えられる。

そのため、例えば、ベテランの建設技術者は、構造設計者の構造設計に関する経験年数を考慮して、歩掛り係数に対する調整係数を決定するものと考えられる。また、ベテランの建設技術者は、意匠設計者の意匠設計に関する経験年数を考慮して、歩掛り係数に対する調整係数を決定するものと考えられる。

具体的には、例えば、経験年数が長い設計者であれば適切に設計を行うことが予想されるため、調整係数βによって歩掛り係数αを変動させなくてもよいと考えられる。また、ベテランの建設技術者は、調整係数βを決定する際に、意匠設計者の仕事の効率度合い、意思決定の速さの度合い等を考慮していると考えられる。また、ベテランの建設技術者は、調整係数βを決定する際に、設計者の顧客の要望の把握度合い、設計の習熟度合い等を考慮していると考えられる。

（２）建物に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、建物に関する要因として、建物形状、建物用途、及び建設場所等を考慮していると考えられる。例えば、建物形状が複雑であるか単純であるか、建物用途が複合しているか（店舗、オフィス、ホテルなど）否か、建設場所が都心であるか郊外であるか等である。例えば、建設場所が都心である場合には、外観を気にする傾向があり、調整係数βは高めに設定される場合がある。

（３）顧客に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、顧客に関する要因として、例えば設計変更が多い顧客であるか、少ない顧客であるか等を考慮していると考えられる。例えば、設計変更が多い顧客の場合には、設計変更の余裕を考慮して調整係数βが設定される場合がある。

（４）社会に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、社会に関する要因として、例えば、景気状況、労務状況、及び資材状況等を考慮していることが考えられる。景気状況であれば、ベテランの建設技術者は、今後の景気動向を考慮している可能性がある。労務状況であれば、ベテランの建設技術者は、労務の需要と供給の関係として、労務不足であるか労務過剰であるか等を考慮している可能性がある。また、資材状況であれば、ベテランの建設技術者は、資材の需要と供給との関係を考慮し、資材不足であるか資材過剰であるかを考慮している可能性がある。

ベテランの建設技術者は、上記（１）〜（４）の各要因を考慮して調整係数βを設定していると考えられるため、本実施形態では、上記（１）〜（４）の要因が反映された学習済みモデルを生成する。

上記（１）〜（４）の各要因は、要因データとして数値化される。

例えば、設計に関する要因であれば、設計者の仕事の効率度合い、意思決定の速さの度合い、設計者の顧客の要望の把握度合い、設計の習熟度合い等を、１〜５のスコアによって表現する。また、建物に関する要因であれば、建物形状が複雑であるか単純であるか、建物用途が複合しているか否か、建設場所が都心であるか郊外であるか等を、−１又は１によって表現する。

数値化された上記（１）〜（４）の要因を表す要因データは、調整係数βと対応付けられて学習データとなる。なお、調整係数βは、過去の建設プロジェクトにおいてベテランの建設技術者によって設定された値であってもよいし、要因データを基にベテランの建設技術者によって設定された値であってもよい。

学習済みモデル記憶部３６には、学習部３４によって生成された学習済みモデルが格納される。

調整係数推定部３８は、情報取得部２２によって取得された推定対象の建設工事に関連する推定用要因データと、学習済みモデル記憶部３６に格納された学習済みモデルとに基づいて、歩掛り係数推定部３０によって得られた歩掛り係数αに対する調整係数βを推定する。

図５に、本実施形態の学習済みモデルの一例を示す。図５に示されるように、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データが学習済みモデルＬＭに入力され、調整係数βが出力される。具体的には、例えば、設計に関する要因データを表すスコア、建物に関する要因データを表すスコア、顧客に関する要因データを表すスコア、及び社会に関する要因データ表すスコアが学習済みモデルＬＭに入力される。

歩掛り係数調整部４０は、調整係数推定部３８によって推定された調整係数βと、歩掛り係数推定部３０によって得られた歩掛り係数αとを乗算することにより、歩掛り係数αを調整して最終歩掛り係数Ｘを得る。

出力装置５０は、歩掛り係数調整部４０によって推定された最終歩掛り係数Ｘを結果として出力する。例えば、出力装置５０は、ディスプレイによって実現される。

出力装置５０から、歩掛り係数調整部４０によって算出された最終歩掛り係数Ｘが出力されると、所定の担当者によって、最終歩掛り係数Ｘを用いて建設工事の見積金額が算出される。そして、基本設計における見積金額が算出され詳細設計が行われた後に、建設工事が開始される。

そして、当該建設工事が終了した後、所定の担当者は、実績値に応じた歩掛り係数α’を取得する。そして、所定の担当者は、実績値に応じた歩掛り係数α’と建設工事の建物規模を表す実績データを、実績データ記憶部２４に格納する。実績データ記憶部２４に格納された実績データは、他の建設工事の歩掛り係数αの算出に用いられる。

また、当該建設工事が終了した後、所定の担当者は、実績値に応じた調整係数β’を取得し、建設工事が行われる際の要因データと実績値に応じた調整係数βとを学習データとして学習用データ記憶部３２へ格納する。

そして、学習部３４は、調整係数βに対する実績から得られる調整係数β’を学習データとして設定し、設定された学習データに基づいて、学習済みモデル記憶部３６に格納された学習済みモデルを再学習させる。再学習によって更新された学習済みモデルは、他の建設工事の歩掛り係数βの算出に用いられる。

＜歩掛り係数推定装置の作用＞

次に、歩掛り係数推定装置１００の作用を説明する。歩掛り係数推定装置１００は、学習処理ルーチンと、歩掛り係数推定処理ルーチンとを実行する。

＜学習処理ルーチン＞
歩掛り係数推定装置１００の情報取得部２２がデータ受付部１０によって取得された学習データを取得し、学習用データ記憶部３２へ格納する。そして、歩掛り係数推定装置１００は、学習データが学習用データ記憶部３２に格納され、かつ学習処理の指示信号を受け付けると、図６に示す学習処理ルーチンを実行する。

ステップＳ１００において、学習部３４は、学習用データ記憶部３２に格納された学習データを取得する。

ステップＳ１０２において、学習部３４は、上記ステップＳ１００で取得された学習データに基づいて、学習モデルの一例であるニューラルネットワークモデルをディープラーニングによって学習させて、学習済みモデルを得る。例えば、上記図４に示される学習ＩＤ「0001」の学習データである、設計に関する要因データ「ＹＹ１」、建物に関する要因データ「ＺＺ１」、顧客に関する要因データ「ＷＷ１」、及び社会に関する要因データ「ＳＳ１」がニューラルネットワークモデルへ入力された場合には、ニューラルネットワークモデルの出力が調整整数「ＸＸ１」となるように、学習処理が行われる。

ステップＳ１０４において、学習部３４は、上記ステップＳ１０２で生成された学習済みモデルを、学習済みモデル記憶部３６へ格納する。

＜歩掛り係数推定処理ルーチン＞
歩掛り係数推定装置１００の統計モデル生成部２６によって、実績データ記憶部２４に格納された実績データから統計モデルが生成され、統計モデルが統計モデル記憶部２８に格納される。また、歩掛り係数推定装置１００の学習部３４によって、学習済みモデルが生成され、学習済みモデル記憶部３６に格納される。そして、推定対象の建設工事の建物規模に関するデータと、推定対象の建設工事の推定用要因データとがデータ受付部１０を介して歩掛り係数推定装置１００へ入力されると、歩掛り係数推定装置１００は、図７に示す歩掛り係数推定処理ルーチンを実行する。

ステップＳ２００において、情報取得部２２は、データ受付部１０によって受け付けられた、推定対象の建設工事の建物規模に関するデータと、推定用要因データとを取得する。

ステップＳ２０２において、歩掛り係数推定部３０は、上記ステップＳ２００で取得された推定対象の建設工事の建物規模に関するデータと、統計モデル記憶部２８に格納された統計モデルとに基づいて、推定対象の建設工事の歩掛り係数αを推定する。

ステップＳ２０４において、調整係数推定部３８は、学習済みモデル記憶部３６に格納された学習済みモデルを読み出す。

ステップＳ２０６において、調整係数推定部３８は、上記ステップＳ２００で取得された推定用要因データと、上記ステップＳ２０４で読み出された学習済みモデルとに基づいて、上記ステップＳ２０２で推定された歩掛り係数αに対する調整係数βを推定する。

ステップＳ２０８において、歩掛り係数調整部４０は、上記ステップＳ２０６で推定された調整係数βと、上記ステップＳ２０２で推定された歩掛り係数αとを乗算することにより、最終歩掛り係数Ｘを得る。

ステップＳ２１０において、歩掛り係数調整部４０は、上記ステップＳ２０８で算出された最終歩掛り係数Ｘを結果として出力する。

出力装置５０は、歩掛り係数調整部４０から出力された最終歩掛り係数Ｘを結果として出力する。

出力装置５０から、歩掛り係数調整部４０によって算出された最終歩掛り係数Ｘが出力されると、所定の担当者によって、最終歩掛り係数Ｘを用いて建設工事の見積金額が算出される。

そして、当該建設工事が終了した後、所定の担当者は、実績値に応じた歩掛り係数α’と建設工事の建物規模を表す実績データを、実績データ記憶部２４に格納する。また、当該建設工事が終了した後、所定の担当者は、実績値に応じた調整係数β’を取得し、建設工事が行われた際の要因データと実績値に応じた調整係数βとを学習データとして学習用データ記憶部３２へ格納する。

学習用データ記憶部３２へ格納された学習データは、上記図７に示される学習処理ルーチンによって学習済みモデルの再学習に用いられる。そして、再学習によって得られた学習済みモデルは学習済みモデル記憶部３６へ格納され、他の建設工事の調整係数βの算出に用いられる。

以上詳細に説明したように、本実施形態では、建設工事に関連する推定用要因データと学習済みモデルとに基づいて、建設工事の建物規模に関するデータから統計的手法によって得られた係数に対する調整係数を推定する。これにより、建設工事の歩掛り係数に対する調整係数を自動的に取得することができる。また、調整係数によって調整された最終歩掛り係数を自動的に取得することができる。

また、学習用要因データ及び学習用要因データから得られる調整係数を表す学習データに基づいて、歩掛り係数に対する調整係数を推定するための学習モデルを学習させることにより、建設工事の歩掛り係数に対する調整係数を自動的に取得するための学習済みモデルを得ることができる。また、建設工事の実績から得られる調整係数を学習済みモデルへフィードバックすることにより、調整係数を精度良く推定するための学習済みモデルを得ることができる。

なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記実施形態では、学習モデルの一例としてのニューラルネットワークモデルをディープラーニングによって学習させる場合を例に説明したが、これに限定されるものではない。例えば、ニューラルネットワークモデルとは異なる他のモデルを、ディープラーニングとは異なる他の学習方法によって学習させてもよい。

また、上記実施形態では、歩掛り係数推定装置が学習処理と推定処理と行う場合を例に説明したが、学習処理を行う装置と推定処理を行う装置とを別々の装置として構成するようにしてもよい。この場合には、例えば、学習用データ記憶部、学習部、及び学習済みモデル記憶部を備えたモデル学習装置と、学習済みモデル記憶部、及び調整係数推定部とを備える歩掛り係数推定装置によって構成するようにしてもよい。また、学習済みモデル記憶部を外部サーバに設置し、歩掛り係数推定装置は、外部サーバの学習済みモデル記憶部から学習済みモデルを読み出すようにしてもよい。

また、上記実施形態では、推定対象イベントが建設工事である場合を例に説明したがこれに限定されるものではなく、他のイベントを対象としてもよい。例えば、統計的手法によって得られた係数に対して調整係数を算出するような分野であれば、どのような分野の推定対象イベントであってもよい。

また、上記実施形態では、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データを用いる場合を例に説明したが、これに限定されるものではない。例えば、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データの少なくとも１つを用いるようにしてもよい。

また、要因データについては優先順位を設定して学習モデルを学習させてもよい。例えば、第１優先を顧客のニーズの把握度合い、設計の習熟度合いとし、第２優先を、建物形状が複雑か単純か、及び建物用途が複合か否かとし、第３優先を意匠設計者の経験年数、仕事の効率度合い、意思決定の速さ度合いとすることができる。また、第４優先を、設計変更が多い顧客か少ない顧客かとし、第５優先を、建設場所が都心であるか郊外であるかとすることができる。

また、上記ではプログラムが記憶部（図示省略）に予め記憶（インストール）されている態様を説明したが、プログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ及びマイクロＳＤカード等の記録媒体の何れかに記録されている形態で提供することも可能である。

１０ データ受付部
２０ コンピュータ
２２ 情報取得部
２４ 実績データ記憶部
２６ 統計モデル生成部
２８ 統計モデル記憶部
３０ 歩掛り係数推定部
３２ 学習用データ記憶部
３４ 学習部
３６ モデル記憶部
３８ 調整係数推定部
４０ 歩掛り係数調整部
５０ 出力装置
１００ 歩掛り係数推定装置

Claims (6)

1. 推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する調整係数推定部
   を含む調整係数推定装置。
2. 前記調整係数推定部は、前記推定対象イベントとしての建設工事の設計に関する要因データ、前記建設工事の建物に関する要因データ、前記建設工事の顧客に関する要因データ、及び社会に関する要因データの少なくとも１つと、前記学習済みモデルとに基づいて、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた、前記建設工事の歩掛り係数に対する前記調整係数を推定する、
   請求項１に記載の調整係数推定装置。
3. 前記調整係数推定部によって推定された前記調整係数と、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた前記歩掛り係数とを乗算することにより、前記歩掛り係数を調整する歩掛り係数調整部を更に含む、
   請求項２に記載の調整係数推定装置。
4. 学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データに基づいて、統計的手法によって得られた係数に対する調整係数を推定するための学習モデルを学習させて、推定対象イベントに関連する要因データから前記調整係数を推定するための学習済みモデルを得る学習部
   を含むモデル学習装置。
5. 前記学習部は、
   前記学習用要因データ及び請求項１〜請求項３の何れか１項に記載の調整係数推定装置によって推定された前記調整係数に対する実績から得られる調整係数を前記学習データとして設定し、
   設定された前記学習データに基づいて、請求項１〜請求項３の何れか１項に記載の調整係数推定装置の前記学習済みモデルを再学習させる、
   請求項４に記載のモデル学習装置。
6. 推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する、
   処理をコンピュータに実行させる調整係数推定方法。