JP2020038488A - 事案発生抑止効果予測システム - Google Patents

Abstract

【課題】警察官が警らすることで生じる事案発生の抑止効果を予測することにより効果的に警ら先を決定する。【解決手段】事案発生抑止効果予測システムは、事案発生の予測に利用するデータを格納するデータベースと、データベースに格納されたデータを学習して事案発生の予測モデル１４００を構築する学習用サーバと、予測モデル１４００を参照して事案発生の抑止効果量を予測する予測用サーバと、ユーザが入力した入力データを参照して予測用サーバで予測された予測効果量を地図上に可視化して表示するユーザ端末と、を備える。学習用サーバは事案発生の有無を教師データとして地理情報及び警察官の位置情報を学習して事案発生の予測モデル１４００を構築し、予測用サーバは学習用サーバで構築した予測モデル１４００とユーザ端末から入力された入力データを用いて事案発生の抑止効果量を求め、ユーザ端末は事案発生の抑止効果量を地図上に可視化して表示する。【選択図】図１４

Description

本発明は、事案発生抑止効果予測システムに関する。

各人の位置情報や属性情報に基づいて作成された人物位置統計情報に対して、テンプレートマッチング手法を適用することで、犯罪の発生場所及び発生時刻を予測する手法が提案されている（特許文献１参照）。

また、気象条件及び犯罪データの間の相互関係に基づいて過去の犯罪率を調整することにより犯罪予測を決定する犯罪予測システムが提案されている（特許文献２参照）。

特開２０１６−１６６９３８号公報（特許５９９２５６３） 特表２０１８−５０５４７４号公報

しかしながら、警察官の警ら活動といった事前対策によって事案発生を未然に防ぐことを想定した場合、警察官が警らすることで生じる事案発生への抑止効果を考慮する必要がある。警察官の警ら効果を見積もれない状態で警ら実施場所を決定した場合、事案発生への抑止効果が高い場所を見逃してしまう可能性がある。

特許文献１、２は、警察官が警らすることで生じる事案発生への抑止効果については考慮されていない。

本発明の目的は、警察官が警らすることで生じる事案発生の抑止効果を予測することにより効果的に警ら先を決定することにある。

本発明の一態様の事案発生抑止効果予測システムは、事案発生の予測に利用するデータを格納するデータベースを有するデータサーバと、前記データベースに格納された前記データを学習して前記事案発生の予測モデルを構築する学習用サーバと、前記予測モデルを参照して、前記事案発生の抑止効果量を予測する予測用サーバと、ユーザが入力した入力データを参照して、前記予測用サーバで予測された前記予測効果量を地図上に可視化して表示するユーザ端末とを有し、前記学習用サーバは、前記事案発生の有無を教師データとして地理情報及び警察官の位置情報を学習して、前記事案発生の前記予測モデルを構築し、前記予測用サーバは、前記学習用サーバで構築した前記予測モデルと前記ユーザ端末から入力された前記入力データを用いて前記事案発生の前記抑止効果量を求め、前記ユーザ端末は、前記事案発生の前記抑止効果量を前記地図上に可視化して表示することを特徴とする。

本発明に一態様によれば、警察官が警らすることで生じる事案発生の抑止効果を予測することにより効果的に警ら先を決定することができる。

実施例１の事案発生抑止効果予測システムの全体構成の概略図である。 （ａ）は学習用サーバの機能構成を示す図であり、（ｂ）は予測用サーバの機能構成を示す図である。 事案発生抑止効果予測システムの各サーバ間のやり取りを表す時系列シーケンス図である。 事案発生予測モデル構築に使用する学習用入力テーブル形式の一例を模式的に示す図である。 事案発生確率を出力する予測モデルを作成するための学習処理を示すフローチャートである。 警らの実施有無別の事案発生確率をそれぞれ算出するのに使用する予測用入力テーブル形式の一例を模式的に示す図であり、（ａ）は警らを実施する場合の模式図であり、（ｂ）は警らを実施しない場合の模式図である。 警らによる事案発生抑止効果量を予測するための予測処理を示すフローチャートである。 事案発生抑止効果予測システムのグラフィカルユーザインターフェースを示す図である。 実施例２の優先事案種別を定義した事案優先重みテーブルの一例を模式的に示す図である。 実施例２の事案優先重み記憶部１０００を追加した予測用サーバ１２０の機能構成図である。 実施例２の警ら先を決定するための警ら優先度を計算するためのフローチャートである。 実施例３の警ら種別変数を含む事案発生予測モデル構築に使用する学習用入力テーブル形式の一例を模式的に示す図である。 実施例３の警ら種別ごとの事案発生抑止効果量を予測するための予測処理を示すフローチャートである。 学習と予測の全体の流れを模式的に表した全体フロー概略図である。 実施例３の警らの実施形態パターンを定義したテーブルの一例を模式的に示す図である。

以下、実施例を図面を用いて説明する。

図１を参照して、実施例１の事案発生抑止効果予測システムの全体構成について説明する。
実施例１の事案発生抑止効果予測システムは、基本的には、予測に利用する各種データベースをもつデータサーバ１００、データを学習して予測モデルを構築する学習用サーバ１１０、事案発生抑止効果予測をする予測用サーバ１２０、予測結果を地図上に可視化するアプリケーションを有するコンピュータ１３０（ユーザ端末）を有する。

事案発生抑止効果予測システムにおいて使用される主なデータベースには、事案の発生日時、場所、事案種別等の情報を格納した事案データベース１０１と、人口統計、施設等の情報を格納した地理情報データベース１０２と、警察官の位置情報を格納したＧＰＳデータベース１０３と、可視化用の地図情報を格納した地図データベース１０４がある。しかしこれら以外にも、例えば携帯電話の位置情報等による人口動態データベース等があってもよい。

事案データベース１０１は、事案ＩＤ、事案が発生した日付、時間、場所、事案種別等の情報が少なくとも格納されている。事案種別は、例えば、交通事故、殺人、侵入盗、自転車盗等が含まれる。

地理情報データベース１０２は、年代別人口比率や世帯比率等を含む人口統計データや、施設（例えば、交番、警察署、駅、学校等）の位置や利用状況、土地の利用区分（例えば、住宅地、田、道路、森林等）等のような情報を含んでよい。また、地理的な位置情報と対応できれば、天候、気温、降水量、スポーツ等のイベント発生等のような情報を含んでもよい。

ＧＰＳデータベース１０３は、警察官が所持する端末及び車両に搭載される装置が備える位置計測機能によって取得される位置情報が格納されている。この位置情報には、少なくともタイムスタンプ、緯度、経度の情報が含まれている。また、この３つの要素以外にも、警察官の業務形態や車両種別等の情報を含んでいてもよい。

地図データベース１０４は、アプリケーション上で事案の発生予測場所等を表示するために使用される、地理的情報システム（ＧＩＳ）用の地図データである。なお、地図データについては、オンラインで別途取得が可能であれば、必ずしも地図データベース１０４の形態で所持する必要はない。

学習用サーバ１１０と予測用サーバ１２０では、データサーバ１００から必要なデータを受け取り、入力テーブル形式に加工後、機械学習による計算処理が行われる。学習用サーバ１１０では事案発生を教師データとして地理情報及び警察位置情報データを学習して事案発生予測モデルを構築する。予測用サーバ１２０では学習用サーバ１１０で構築した事案発生予測モデルと、ユーザが使用するコンピュータ１３０から送信されるユーザ入力データを用いて、最終的に事案発生抑止効果の予測結果を出力する。これによりユーザはコンピュータ１３０から事案発生抑止効果が高いと予測される場所を確認することができる。

図２を参照して、学習用サーバ１１０の機能構成（ａ）と、予測用サーバ１２０の機能構成（ｂ）について説明する。
図２（ａ）に示すように、学習用サーバ１１０は、データサーバ１００から取得されるデータを入力する入力部２００と、入力されたデータを図４に示されるような入力テーブル形式に加工するデータ加工部２０１と、入力テーブルを保存する入力テーブル記憶部２０５と、学習を実行するタイミングを制御する学習制御部２０２と、学習を実行する予測モデル構築部２０３と、構築された予測モデルを出力する出力部２０４と、予測モデルを保存する予測モデル記憶部２０６と、を備える。

事案発生抑止効果を時間と場所ごとに予測するために、データ加工部２０１にて各種データを予測単位ごとに集計する。場所については予測対象地理範囲をメッシュ化し、各メッシュに対してＩＤを割り振る。メッシュは、例えば一辺が１００ｍの正方形メッシュに分割するが、メッシュサイズはこれより大きくても小さくてもよい。設定したメッシュごとに、事案発生抑止効果の高い／低い場所を予測する。また時間についても同様に、ある時間帯サイズに区切って予測を行う。例えば、２時間ごとの予測を例にするが、２時間という幅はあくまで一例であり、これより長くても短くてもよい。

次に、図２（ｂ）に示すように、予測用サーバ１２０は、データサーバ１００から取得されるデータと学習用サーバ１１０から取得される予測モデルを受け取る入力部２１０と、ユーザからの予測リクエスト及び入力パラメータを受け付ける要求受付部２１５と、データ及び入力パラメータを図６に示されるような入力テーブル形式に加工するデータ加工部２１１と、予測条件ごとに予測実行を制御する予測制御部２１２と、学習用サーバ１１０から受け取った予測モデルと入力テーブルを用いて抑止効果予測の処理を実施する予測処理部２１３と、予測結果を出力する出力部２１４と、予測結果を保存する予測結果記憶部２１６と、を備える。

ユーザからの予測リクエストを受け取る度に予測処理を実行する必要は必ずしもなく、すでに予測済みの条件については、予測結果記憶部２１６に格納された予測結果を出力してもよい。

次に、図３の時系列シーケンスを参照して、各サーバ間のやり取りの流れについて説明する。
図３に示すように、学習用サーバ１１０はデータサーバ１００からデータを入力として受け取り、学習処理を実行して予測モデルを出力する。予測用サーバ１２０は、学習用サーバ１１０から予測モデル、データサーバ１００からデータ、ユーザが操作するコンピュータ１３０から入力パラメータを入力として受け取る。これら入力を利用して抑止効果の予測値算出を行い、予測結果をコンピュータ１３０側に出力する。

学習は時間的コストが高い処理となるため、基本的には予測モデルを構築したら、ユーザからの予測リクエストに対して同一の予測モデルを使用して予測処理を実行する。しかし、予測精度の低下が確認された場合や、もしくは定期的なタイミングにおいて、学習制御部２０２が再学習を実行するようにしてもよい。

上記の前提をもとに、図１４の全体フローを参照して、事案発生抑止効果の予測方法について説明する。
図１４に示すように、まず学習では、各種データを加工して学習用入力テーブルを作成し、機械学習によって過去の地理情報及び警ら実施状況と事案発生との関係を学習させる。この学習によって予測モデル１４００が構築され、出力される。

予測では、将来の日時において、警らを実施する場合と実施しない場合でのメッシュごとの事案発生確率をそれぞれ予測する。これらは、警ら変数の値のみを変えた２種類の予測用入力テーブルを作成して、先ほどの予測モデル１４００に入力することで出力される。最後に、警らの実施有無の違いによる事案発生確率の差分を、警察官が警らしたことによる抑止力とみなし、これを抑止効果量として出力する。
上記全体フローの個々の詳細について、以下説明する。

図４は、学習時に利用する学習用入力テーブルの形式の一例を示した図である。
図４に示すように、学習用入力テーブルは、メッシュＩＤと、日付と、時間帯と、各地理情報変数群と、警ら変数と、事案変数と、を列として保持する。各地理情報変数は、メッシュＩＤ、またはメッシュＩＤと日付、またはメッシュＩＤと時間帯に紐付く情報であり、地理情報データベース１０２から取得される。事案変数は、各メッシュＩＤ、日付、時間帯において、事案が発生した場合は１を、発生していない場合は０を値として持つ教師データである。事案発生の有無は、事案データベース１０１における各事案の発生日時と場所の情報より集計される。

また、警ら変数は、各メッシュＩＤ、日付、時間帯において、事案発生前に警らが実施された場合は１を、実施されていない場合は０を値として持つ変数である。警らの実施有無は、ＧＰＳデータベース１０３における警察官または車両の位置情報とタイムスタンプ情報から集計される。なお、メッシュＩＤと日付は機械学習における特徴量としては用いない。

図５の学習時のフローチャートを参照して、学習用サーバ１１０にて機械学習による予測モデル１４００を構築するプロセスについて説明する。この学習では、事案発生有無を教師データとして、地理情報と警ら実施情報から将来の事案発生予測を行うモデルを構築する。

まず、入力部２００が各データベースから事案、地理、ＧＰＳ情報を取得する（Ｓ５００）。データが取得されたら、データ加工部２０１が前述の図４で示された学習用入力テーブルの形式にデータを加工処理する（Ｓ５０１）。

次に、学習用入力テーブルの作成が完了したら、事案変数を教師データに、時間帯と、地理情報と、警ら変数とを特徴ベクトルにして、予測モデル構築部２０３が機械学習による予測モデル構築を行う（Ｓ５０２）。ここでの機械学習アルゴリズムの例としては、ロジスティック回帰モデルなどが使用できる。しかし、出力を確率値として表現できるアルゴリズムであれば、ロジスティック回帰に限らなくてもよい。この処理によって、将来のある時間帯におけるあるメッシュの特徴量を与えたときに、それが事案発生クラスに分類される確率値を出力する事案発生予測モデルが生成される。

最後に出力部２０４が事案発生予測モデルを保存し、予測用サーバ１２０に出力する（Ｓ５０３）。

続けて、予測用サーバ１２０にて事案発生抑止効果の予測を実施する方法について説明する。図６は予測時に利用する予測用入力テーブルの形式の一例を示した図である。
予測用入力テーブルは、学習用入力テーブル（図４参照）と同様に、メッシュＩＤと、日付と、時間帯と、各地理情報変数群と、警ら変数と、を列として保持する。事案変数は予測時には未知の値となるため、予測用入力テーブルには存在しない。以上の形式を持つ予測用入力テーブルを、警らを実施する場合（ａ）と、警らを実施しない場合（ｂ）の２種類用意する。メッシュＩＤ、日付、時間帯は、それぞれ予測対象である場所と日時の値であり、２つの予測用入力テーブルで同じ値に設定する。各地理情報変数も場所や日時に対応する値であるため、２つの予測用入力テーブルで同じ値となる。

２つの予測用入力テーブルで異なるのは、警ら変数の値である。予測対象である場所と日時に対して、警らを実施する場合である予測用入力テーブル（ａ）の警ら変数には、すべて１を格納する。一方で、警らを実施しない場合である予測用入力テーブル（ｂ）の警ら変数には、すべて０を格納する。ここで作成した２種類の予測用入力テーブルを用いて、警らによる抑止効果を予測していく。

図７の予測時のフローチャートを参照して、予測用サーバ１２０で実行される機械学習による事案発生抑止効果の予測プロセスについて説明する。
まず、入力部２１０が学習用サーバ１１０から事案発生の予測モデルを取得する（Ｓ７００）。また、要求受付部２１５が、ユーザが操作するコンピュータ１３０端末から入力パラメータを取得する（Ｓ７００）。入力パラメータとは、ユーザが予測を実施したい日付や時間帯、その時間帯における予報天気情報、予測対象事案種別、等が含まれる。ただし、天気などはオンライン上で自動取得することで、ユーザによる入力を省略してもよい。そして、再び入力部２１０が、各データベースから事案、地理、ＧＰＳ情報を取得する（Ｓ７００）。

次に、データ加工部２１１が先ほど図６で示した２種類の予測用入力テーブルを作成する（Ｓ７０１）。予測用入力テーブル作成後、予測処理部２１３が、２種類の予測用入力テーブルを予測モデルにそれぞれ入力し、各メッシュにおける警らを実施する場合の事案発生確率と、警らを実施しない場合の事案発生確率をそれぞれ算出する（Ｓ７０２）。そして、警らの実施有無による事案発生確率の差分を計算し、これを警らによる抑止効果量と定義する（Ｓ７０２）。なお、抑止効果量は差分だけでなく、警らを実施しない場合から実施する場合への事案発生確率の減少率として定義してもよい。

最後に、出力部２１４が抑止効果量を保存し、ユーザが使用するコンピュータ１３０端末へ出力する（Ｓ７０３）。

図８は、ユーザが操作するコンピュータ１３０でのアプリケーション上におけるユーザインターフェースの一例である。
図８に示すように、画面には、地図データベース１０４から取得した地図８００が表示されている。ユーザは、事案発生抑止効果を予測したい日付を選択する日付選択ボタン８０１と、予測したい時間帯を選択する時間帯選択ボタン８０２と、予測したい日時における予報天気情報を選択する天気選択ボタン８０３と、予測したい事案種別を選択する事案選択ボタン８０４と、をそれぞれ押下して設定し、予測表示ボタン８０５を押下する。すると各メッシュにおける抑止効果量の予測結果が予測用サーバ１２０から出力され、メッシュごとの予測結果８０６が色の濃淡で表現されて地図８００上に可視化される。

また、地図は縮尺設定バー８０７によって、拡大及び縮小して表示でき、地図の拡大及び縮小に合わせてメッシュサイズも拡大及び縮小される。

メッシュごとの予測結果８０６に関しては、抑止効果量の予測値をもとに決定されるので、色の濃淡を複数の段階で表示してもよい。また、予測値を各メッシュ上に直接表示してもよい。また、マウスカーソルをメッシュ上に合わせた時だけ予測値が吹き出し表示されるようにしてもよい。

地図の拡大及び縮小に合わせてメッシュサイズを動的に変更してもよく、例えば地図８００を縮小させた場合はメッシュサイズを５００ｍ四方に集約してメッシュごとの予測結果８０６を表示してもよい。この場合、予測値は、例えば５００ｍ四方メッシュに含まれる１００ｍ四方メッシュでの各予測値を平均化するなどして、最終的な予測値としてもよい。

事案選択ボタン８０４に関しては、複数の事案種別を選択できるようにしてもよい。その場合は、例えば、事案種別ごとの抑止効果量の予測値を、各メッシュで合計して色の濃淡で表現してもよい。またその場合は、例えば、マウスカーソルをメッシュ上に合わせた時に事案種別ごとの予測値を吹き出し表示してもよい。その他、抑止効果量だけでなく、その導出過程で算出した事案発生確率を別画面で可視化して確認できるようにしてもよい。

実施例１によれば、各警察官は、コンピュータ１３０を通して警らによる事案発生抑止効果の高い場所を確認し、その情報をもとに警ら先を決定することができる。これにより、過去の警ら実績と事案発生の関係をもとに抑止効果が高いと予測される場所に警らを実施して事前対策することができ、事案発生を未然に防ぐことができる。

実施例２の事案発生抑止効果予測システムついて説明する。実施例２は、実施例１におけるメッシュごとの抑止効果量を各事案種別で算出した時に、警ら先を決定するための警ら優先度を考慮する方法である。

図９は、事案種別ごとの優先重みを設定した、事案優先重みテーブルである。事案種別ごとの優先度をユーザが重みとして設定する。例えば、図９の例では、「殺人」に高い重みを設定しているが、これは他の事案種別よりも「殺人」の警ら優先度が高いということを意味する。

図１０を参照して、実施例２の予測用サーバについて説明する。実施例２の予測用サーバは、実施例１の予測用サーバ１２０（図２（ｂ）参照）に事案優先重み記憶部１０００が追加されものである。

事案優先重み記憶部１０００には事案優先重みテーブルが記憶されており、事案種別ごとの抑止効果量が計算された後に、予測処理部２１３によって事案優先重みテーブルが呼び出される。

図１１の予測時のフローチャートを参照して、予測用サーバ１２０で実行される機械学習による事案発生抑止効果の予測プロセスについて説明する。図１１は、実施例１に新たな処理を加えることで、メッシュごとの警ら優先度を計算するフローチャートである。

実施例１から変更がある部分のみ説明する。まず、要求受付部２１５はユーザから入力パラメータと一緒に事案優先重みを取得し、事案優先重みテーブルの形式にして事案優先重み記憶部１０００に保存する（Ｓ１１００）。そして予測処理部２１３が事案種別ごとに抑止効果量を算出した後に、事案優先重みテーブルを事案優先重み記憶部１０００から取得する。

そして、事案種別ごとの抑止効果量に対し、事案優先テーブルで対応する事案種別の優先重みを掛け合わせる。この抑止効果量と優先重みの掛け合わせの結果を、メッシュごとの警ら優先度として定義する（Ｓ１１０１）。
最後に出力部２１４が警ら優先度を保存し、出力する（Ｓ１１０２）。

このように、実施例２によれば、事案優先重みを掛けることで、例えば抑止効果量が同じである２つのメッシュがあった場合に、事案種別が重要である方を優先して提示することができる。また、例えば、各メッシュで複数の事案種別における抑止効果量がそれぞれ算出された時に、それぞれに対して事案優先重みを掛け合わせた結果を合計してやれば、それを総合的な優先度とみなして警ら先を決定することができる。

実施例３の事案発生抑止効果予測システムついて説明する。実施例３は、実施例１における警らの実施有無の違いによる抑止効果量計算を、警らの実施形態の違いによる抑止効果量計算に拡張するものである。ここで、警らの実施形態とは、例えば警ら時の警察官の人数や、車両の使用有無など、警らの実施手段をもとに定義される情報である。

図１５は、警らの実施形態パターンの一例を示した図である。ＧＰＳデータベース１０３に含まれる情報をもとに、警ら人数や車両使用有無の組み合わせ等を実施形態パターンとして定義し、コード値を割り振っている。ＧＰＳデータベース１０３から他の実施形態パターンを定義できる場合は、警ら人数や車両使用有無以外のパターンを定義してもよい。なお、警ら種別には警ら実施なしも含めており、ここではコード値を０に設定している。

図１２は、実施例１の学習用入力テーブルにおける警ら変数を、警ら種別変数に変更したものである。警ら変数では、警らの実施有無を二値で表現していたが、警ら種別変数は警らの実施形態パターンで定義したコード値で表現されている。過去の各メッシュＩＤ、日付、時間帯において、実際にその時間及びその場所で施された警らの実施形態パターンを警ら種別変数の値とする。実施形態パターンを警ら種別変数として特徴量に含めて、事案発生との関係を学習させる。

次に、図１３の予測フローチャートを参照して、警ら種別の違いによる抑止効果量の算出について説明する。ここで、図１３は、警ら種別ごとの抑止効果量の予測フローチャートである。実施例１から変更がある部分のみ説明する。

要求受付部２１５は、上述の実施形態パターンに基づいた警らリソースをユーザから取得する（Ｓ１３００）。警らリソースとは、予測対象とする日付、時間帯、地理範囲において、ユーザが警らに割り当てることができる人数や車両台数等を指す。例えば、実施形態パターンが人数と車両使用有無の組み合わせとして定義されている場合は、警らリソースとして人数と車両台数をユーザが入力する。

続いて、データ加工部２１１が、警らリソースから実行可能な実施形態パターンを決定し、各実施形態パターンを値としてもつ警ら種別変数を作成し、特定の警ら種別を実行する場合の予測用入力テーブルを作成する（Ｓ１３０１）。

例として、警らリソースが警察官２人、車両１台の場合を考える。実行可能な警ら種別は図１５に示したような５種類となる。実施例１と同様に、警ら種別変数の値のみを変更した予測用入力テーブルを５つ作成する。予測処理部２１３が５つの予測用入力テーブルを予測モデルに入力し、事案発生確率をそれぞれ算出する。これらはすなわち、各警ら種別を実施した場合に事案がどれだけ起こりやすそうかを、警ら種別ごとに予測したことになる。

そして、抑止効果量も実施例１と同様に、警ら種別変数が「警ら実施無し」の場合と、それ以外の特定の値（例えば、「警官２名、車両あり」）の場合における事案発生確率の差分を計算する。
これにより、特定の警ら種別（上記例では「警官２名、車両あり」）を実施した場合における抑止効果量が算出される。これを警ら種別の値ごとに算出する（Ｓ１３０２）。

実施例３では、警ら種別ごとに抑止効果量を予測できれば、例えば同一メッシュにおいて、警らにあたる警察官の人数を増やしても抑止効果が変わらないと予測結果から判断できた場合に、警らリソースを節約させて効率的な警らを実施できる。

このように、上記実施例では、過去の犯罪発生と警察官の警ら実施の関係を学習させることにより、これから警らを実施する場所において警らによる事案発生抑止効果を予測し、事案発生抑止効果の高い場所を提示することができる。つまり、警らによる場所ごとの事案発生抑止効果を予測することにより、事案発生抑止効果の大小をもとに効果的な警ら先を決定することができる。

１００ データサーバ
１０１ 事案データベース
１０２ 地理情報データベース
１０３ ＧＰＳデータベース
１０４ 地図データベース
１１０ 学習用サーバ
１２０ 予測用サーバ
１３０ コンピュータ（ユーザ端末）

Claims (11)

1. 事案発生の予測に利用するデータを格納するデータベースを有するデータサーバと、
   前記データベースに格納された前記データを学習して前記事案発生の予測モデルを構築する学習用サーバと、
   前記予測モデルを参照して、前記事案発生の抑止効果量を予測する予測用サーバと、
   ユーザが入力した入力データを参照して、前記予測用サーバで予測された前記予測効果量を地図上に可視化して表示するユーザ端末と、を有し、
   前記学習用サーバは、
   前記事案発生の有無を教師データとして地理情報及び警察官の位置情報を学習して、前記事案発生の前記予測モデルを構築し、
   前記予測用サーバは、
   前記学習用サーバで構築した前記予測モデルと前記ユーザ端末から入力された前記入力データを用いて前記事案発生の前記抑止効果量を求め、
   前記ユーザ端末は、
   前記事案発生の前記抑止効果量を前記地図上に可視化して表示することを特徴とする事案発生抑止効果予測システム。
2. 前記データベースは、
   事案の発生日時、場所及び事案種別の情報を格納する事案データベースと、
   前記地理情報を格納する地理情報データベースと、
   前記警察官の位置情報を格納するＧＰＳデータベースと、
   地図情報を格納する地図データベースと、
   を有することを特徴とする請求項１に記載の事案発生抑止効果予測システム。
3. 前記学習用サーバは、
   メッシュＩＤ、日付、時間帯、地理情報変数、警ら変数及び事案変数を保持する学習用入力テーブルを有し、
   前記メッシュは、予測対象地理範囲をメッシュ化して構成され、
   前記地理情報変数は、前記メッシュＩＤと前記日付又は前記時間帯とを紐付く情報であり、
   前記事案変数は、前記メッシュＩＤ、前記日付及び前記時間帯において、前記事案発生の有無を表す教師データであり、前記事案発生の有無は、前記事案データベースにおける前記事案の発生日時と場所の情報より集計され、
   前記警ら変数は、前記メッシュＩＤ、前記日付及び前記時間帯において、前記事案発生前の警ら実施の有無を表す変数であり、前記警らの実施有無は、前記ＧＰＳデータベースにおける前記警察官の位置情報から集計されることを特徴とする請求項２に記載の事案発生抑止効果予測システム。
4. 前記予測用サーバは、
   メッシュＩＤ、日付、時間帯、地理情報変数及び警ら変数を保持する予測用入力テーブルを有し、
   前記メッシュは、予測対象地理範囲をメッシュ化して構成され、
   前記地理情報変数は、前記メッシュＩＤと前記日付又は前記時間帯とを紐付く情報であり、
   前記警ら変数は、前記メッシュＩＤ、前記日付及び前記時間帯において、前記事案発生前の警ら実施の有無を表す変数であり、前記警らの実施有無は、前記ＧＰＳデータベースにおける前記警察官の位置情報から集計されることを特徴とする請求項２に記載の事案発生抑止効果予測システム。
5. 前記予測用サーバは、
   前記予測用入力テーブルを、警らを実施する場合と実施しない場合との２種類作成し、
   前記２種類の前記予測用入力テーブルを前記予測モデルに入力することにより、警らの実施有無の違いによる事案発生確率の差分を求めて、前記警らを実施したことによる前記事案発生の前記抑止効果量を求めることを特徴とする請求項４に記載の事案発生抑止効果予測システム。
6. 前記予測用サーバは、
   前記抑止効果量を前記メッシュごとに求め、
   前記ユーザ端末は、
   前記抑止効果量を前記地図上に前記メッシュごとに表示することを特徴とする請求項５に記載の事案発生抑止効果予測システム。
7. 前記ユーザ端末は、
   前記地図データベースから取得した前記地図情報と、
   前記事案発生の前記抑止効果量を予測する日付を選択する日付選択ボタンと、
   前記事案発生の前記抑止効果量を予測する時間帯を選択する時間帯選択ボタンと、
   前記事案発生の前記抑止効果量を予測する日時における予報天気情報を選択する天気選択ボタンと、
   前記事案発生の前記抑止効果量を予測する事案種別を選択する事案選択ボタンと、
   予測表示ボタンと、を表示し、
   前記予測用サーバは、
   前記予測表示ボタンの押下に応答して、前記メッシュにおける前記抑止効果量を求め、
   前記ユーザ端末は、
   前記メッシュごとの前記抑止効果量を前記地図上に表示することを特徴とする請求項６に記載の事案発生抑止効果予測システム。
8. 前記ユーザ端末は、
   前記メッシュごとの前記抑止効果量を前記地図上に色の濃淡で表現して表示することを特徴とする請求項７に記載の事案発生抑止効果予測システム。
9. 前記予測用サーバは、
   事案種別ごとの事案優先重みを設定した事案優先重みテーブルを更に有し、
   前記事案種別ごとの前記抑止効果量に対し、前記事案優先テーブルで対応する前記事案種別の前記事案優先重みを掛け合わせた結果を警ら優先度として求め、
   前記ユーザ端末は、
   前記警ら優先度を表示することを特徴とする請求項１に記載の事案発生抑止効果予測システム。
10. 前記予測用サーバは、
    特定の警ら種別を実施した場合における前記抑止効果量を前記警ら種別ごとに求め、
    前記ユーザ端末は、
    前記警ら種別ごとの前記抑止効果量を表示することを特徴とする請求項２に記載の事案発生抑止効果予測システム。
11. 前記予測用サーバは、
    前記警ら種別として、前記ＧＰＳデータベースに含まれる警察官の位置情報に基づいて、警ら人数又は警察車両の使用の有無の組み合わせを警ら実施形態パターンとして定義することを特徴とする請求項１０に記載の事案発生抑止効果予測システム。

Images