JP2020038526A - 予測装置、方法およびプログラム - Google Patents

Abstract

【課題】将来の金銭的リスクを適切に予測する。【解決手段】実施形態における金銭的リスク予測装置は、ユーザの将来の資産額を示す時系列データを予測する予測モデルを記録する予測モデル記録部と、ユーザの資産額と健康状態を示す数値とを含む時系列データである評価データを受け付け、前記予測モデル記録部に記録される予測モデルに前記評価データを入力して、前記入力に応じて前記予測モデルにより予測される前記ユーザの将来の資産額を示す時系列データを出力する予測手段とを有する。【選択図】図１

Description

本発明の実施形態は、予測装置、方法およびプログラムに関する。

金銭的なリスク（金銭上のリスクとも呼ばれる）は、資産と支出のバランスが崩れたときに生じる。金銭的なリスクが生じやすいケースとして、資産を大きく上回る治療費を必要とする疾病の発症、定年後の収入が大きく減った老後の暮らし、等が知られている。

このような金銭的なリスクの低減を目的として様々な保険商材が開発され、普及している。多くの人は、一般的な統計情報を参考にして、自身に起こりうる金銭的なリスクを予測し、この予測したリスクに基づいて保険商材を選択し、契約している。

一般的な統計情報として、疾病の発症リスクのオッズ比が挙げられる。オッズ比は、あるエンドポイント（例えば疾患発症）までの期間のデータを収集し、このデータを因子の有無で群に分け、生存時間分析を適用することによって得られる。統計情報としては、例えば、因子の有無が疾病の発症リスクに与える大きさを定量的に知ることが出来る統計情報が挙げられる（例えば非特許文献１を参照）。

国立研究開発法人 国立がん研究センター プレスリリース、「受動喫煙による日本人の肺がんリスク約1.3倍」、2016年8月31日、インターネット＜ＵＲＬ：https://www.ncc.go.jp/jp/information/pr_release/2016/0831/index.html＞

しかしながら、上記で述べたオッズ比は、因子の有無の影響の大きさが経過時間によらないことを前提として算出される統計情報である。このため、現在及び今後の行動によって時々刻々と変化する金銭的リスクを細かい粒度で、かつ十分な精度で予測することができない。

また、疾患の種類、又は重症化の進行状況によって金銭的なリスクは異なり、これらを網羅して予測することは困難である。それゆえ、自身の将来の金銭的リスクを正しく予測できないまま、一般的な金銭的リスクを参考にして、真に適切であるか分からない保険商材を選択せざるを得ない。

上記のように、自身の将来の金銭的リスクについて細かい粒度で精度の高い見込みを立てることは難しかった。例えば、（１）自身に将来の金銭的リスクが起こりうるか、（２）将来の金銭的リスクが起こるとしたら、どの程度の金額が不足するか、（３）生活習慣を改善して寿命延伸又は疾病リスク低減に努めることで金銭的リスクを低減できるか、（４）保険商材を契約して将来の金銭的リスクを低減できるか、（５）資産運用方針又は健康行動方針をいつまでに変更すれば将来の金銭的リスクを回避できるか、といった自身の将来の金銭的リスクに関する疑問を解消する予測は難しかった。

この発明は上記事情に着目してなされたもので、その目的とするところは、将来の金銭的リスクを適切に予測する予測装置、方法、およびプログラムを提供することにある。

上記目的を達成するために、この発明の一実施形態における予測装置の第１の態様は、予測装置が、ユーザの将来の資産額を示す時系列データを予測する予測モデルを記録する予測モデル記録部と、ユーザの資産額と健康状態を示す数値とを含む時系列データである評価データを受け付け、前記予測モデル記録部に記録される予測モデルに前記評価データを入力して、前記入力に応じて前記予測モデルにより予測される前記ユーザの将来の資産額を示す時系列データを出力する予測手段とを備えるようにしたものである。

この発明の予測装置の第２の態様は、第１の態様において、前記予測モデル記録部に記録された予測モデルは、前記ユーザの将来の資産額を示す時系列データを、前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とが互いに及ぼす影響の大きさを考慮して予測するモデルであるようにしたものである。

この発明の予測装置の第３の態様は、第２の態様において、前記予測モデル記録部に記録された予測モデルは、前記ユーザの将来の資産額を示す時系列データを、前記ユーザの資産運用の種別が前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルであるようにしたものである。

この発明の予測装置の第４の態様は、第２の態様において、前記予測モデル記録部に記録され予測モデルは、前記ユーザの将来の資産額を示す時系列データを、前記ユーザの行動の種別が前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルであるようにしたものである。

この発明の予測装置の第５の態様は、第１乃至第４の態様のいずれか１つにおいて、ユーザ毎の資産額と健康状態を示す数値を含み、前記予測モデルの学習に用いられる時系列データである訓練データを受け付ける訓練データ受付手段と、前記訓練データ受付手段により受け付けられた訓練データを記録する訓練データ記録部と、前記訓練データ記録部に記録された訓練データをもとに、学習済みの前記予測モデルを生成する学習手段とをさらに備えるようにしたものである。

この発明の予測装置の第６の態様は、第１乃至第５の態様のいずれか１つにおいて、前記予測手段は、前記ユーザが疾病を発症すると予測される時点及び前記ユーザが死亡すると予測される時点の少なくとも一方の資産額の時系列データを可視化した結果を含むデータを出力するようにしたものである。

この発明の予測装置の第７の態様は、第１乃至第６の態様のいずれか１つにおいて、前記予測される時系列データは、前記ユーザの将来の資産運用の種別及び行動の種別を含み、前記予測手段は、前記ユーザの将来の資産運用の種別及び将来の行動の種別の少なくとも一方を変更する前と変更した後における将来の資産額の時系列データの差異を可視化した結果を含むデータを出力するようにしたものである。

この発明の予測装置の第８の態様は、第１乃至第７の態様のいずれか１つにおいて、前記予測モデル記録部に記録された予測モデルは、前記ユーザの将来の資産額を、前記ユーザによる資産運用の種別及び行動の種別が前記将来の資産額と将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルであり、前記予測手段は、前記資産運用の種別に応じた資産額を経済状況により変動しやすい第１の要素と前記第１の要素と比較して経済状況により変動しにくい第２の要素とに分類し、前記行動に必要な費用を経済状況により変動しやすい第３の要素に応じた費用と前記第３の要素と比較して経済状況により変動しにくい第４の要素に応じた費用とに分類し、前記資産額の総額に占める前記第１の要素に応じた資産額の割合と、分類前の前記行動に必要な費用に占める前記第３の要素に応じた費用の割合との乖離を表す情報を出力するようにしたものである。

本発明の一実施形態における、予測方法の一つの態様は、ユーザの将来の資産額を示す時系列データを予測する予測モデルを記録する予測モデル記録部を有する予測装置が行なう予測方法であって、ユーザの資産額と健康状態を示す数値とを含む時系列データである評価データを受け付け、前記予測モデル記録部に記録される予測モデルに前記評価データを入力し、前記入力に応じて前記予測モデルにより予測される前記ユーザの将来の資産額を示す時系列データを出力する、ようにしたものである。

本発明の一実施形態における予測処理プログラムの一つの態様は、第１乃至第８の態様のいずれか１つにおける予測装置の前記各手段としてプロセッサを機能させるものである。

本発明によれば、将来の金銭的リスクを適切に予測することが可能になる。

本発明の一実施形態に係る金銭的リスク予測装置の機能構成例を示すブロック図。 本発明の一実施形態に係る金銭的リスク予測装置による訓練データの記録および予測モデル構築にかかる処理動作の一例を示すフローチャート。 本発明の一実施形態に係る金銭的リスク予測装置の訓練データ記録部に記録される訓練データの一例を表形式で示す図。 本発明の一実施形態に係る金銭的リスク予測装置による予測モデルの学習について説明する図。 本発明の一実施形態に係る金銭的リスク予測装置による学習済みの予測モデルの適用にかかる処理動作の一例を示すフローチャート。 本発明の一実施形態に係る金銭的リスク予測装置により出力する評価結果の一例を示す図。 本発明の一実施形態に係る金銭的リスク予測装置により出力する評価結果の一例を示す図。 本発明の一実施形態に係る金銭的リスク予測装置により出力する評価結果の一例を示す図。

以下、図面を参照しながら、この発明に係わる一実施形態を説明する。
（本発明の一実施形態の趣旨）
ユーザの将来の資産は、現在の資産（単に資産と称することがある）と今後の資産運用方針とに応じて変動するものである。一方、将来の支出は、現在の健康状態（単に健康状態と称することがある）と今後の健康行動方針とに応じて変動するものである。そして、将来の資産と将来の支出は、互いに影響を及ぼし合うものである。将来の資産と支出を、これら将来の資産と将来の支出との関係性を加味して予測できれば、これらのバランスが崩れるとき、つまり、金銭的リスクが生じるときについて精度の高い見込みを立てることができる。

本発明の一実施形態では、時々刻々と変化する、ユーザの現在の資産、今後の資産運用方針、現在の健康状態、今後の健康行動方針を受け付けてユーザの将来の資産額を予測することで将来の金銭的リスクを予測するリスク予測モデルを構築することで、細かい粒度で金銭的リスクを予測する。

（構成）
図１は、本発明の一実施形態に係る金銭的リスク予測装置の機能構成例を示すブロック図である。
図１に示すように、本発明の一実施形態に係る金銭的リスク予測装置１０は、訓練データ受付部１１、訓練データ記録部１２、予測モデル学習部１３、予測モデル記録部１４、および予測モデル適用部１５を有する。各部の詳細については後述する。

また、金銭的リスク予測装置１０は、パーソナルコンピュータ（ＰＣ）などのコンピュータデバイスを用いたシステムにより実現可能である。例えば、コンピュータデバイスは、ＣＰＵ（Central Processing Unit）などのプロセッサと、プロセッサに接続されるメモリと、入出力インタフェースとを備える。このうちメモリは、不揮発性メモリなどの記憶媒体を有する記憶装置により構成される。

訓練データ受付部１１、予測モデル学習部１３、および予測モデル適用部１５の機能は、例えば、プロセッサがメモリに格納されているプログラムを読み出して実行することにより実現される。なお、これらの機能の一部または全部は、特定用途向け集積回路（ＡＳＩＣ）などの回路によって実現されてもよい。
訓練データ記録部１２、および予測モデル記録部１４は、上記メモリのうち随時書込および読み出しが可能な不揮発性メモリに設けられる。

（訓練データの記録および予測モデル構築）
図２は、本発明の一実施形態に係る金銭的リスク予測装置１０による訓練データの記録および予測モデル構築にかかる処理動作の一例を示すフローチャートである。
まず、訓練データ受付部１１は、外部からの訓練データの入力を受け付け、この訓練データを訓練データ記録部１２に記録する（ステップＳ１−１）。訓練データとは、リスク予測モデルの学習に用いられるデータである。

図３は、本発明の一実施形態に係る金銭的リスク予測装置１０の訓練データ記録部１２に記録される訓練データの一例を表形式で示す図である。
図３に示すように、訓練データは、ユーザ毎に、日時（例えば年月日）、資産、資産運用方針、健康状態、健康行動方針、疾病リスクでなる６つの大項目で構成される時系列データである。訓練データの日時は、過去、現在および将来の日時を含んでよい。資産、健康状態は、訓練データ上で対応する日時における資産、健康状態である。

図３に示した訓練データでは、大項目「資産」の小項目は「資産額」（現在の資産額）である。大項目「資産運用方針」の小項目は、「預金割合」（現在および今後の資産の総額に対する預金額の割合）及び「投資割合」（現在および今後の資産の総額に対する投資額の割合）である。

大項目「健康状態」の小項目は「HbA1c」（現在のヘモグロビンエーワンシー）及び「体重」（現在の体重）である。
大項目「健康行動方針」の小項目は「食事」（健康を考慮した食事方針の採用の有無）、「運動」（健康を考慮した運動方針の採用の有無）、「薬剤」（現在罹患している疾病に対する薬剤治療方針の採用の有無）である。

大項目「健康行動方針」の小項目について、ある日時において、健康を考慮した食事方針を採用する、又は将来において採用すると仮定する場合は、この日時に係る小項目「食事」の値を「１」とし、採用しない、又は将来において採用しないと仮定する場合は、この値を「０」とする。

ある日時において、健康を考慮した運動方針を採用する、又は将来において採用すると仮定する場合は、この日時に係る小項目「運動」の値を「１」とし、採用しない、又は将来において採用しないと仮定する場合は、この値を「０」とする。

ある日時において、薬剤治療を行なう、又は将来において薬剤治療を行なうと仮定する場合は、この日時に係る小項目「薬剤」の値を「１」とし、行なわない、又は将来において行なわないと仮定する場合は、この値を「０」とする。

大項目「疾病リスク」の小項目は、「糖尿病」（糖尿病を発症する時期にかかるリスク）、「腎症」（腎症を発症する時期にかかるリスク）、「透析」（透析を要する疾病に罹患した場合の透析開始の時期にかかるリスク）、「死亡」（寿命にかかるリスク）である。

大項目「疾病リスク」の小項目について、ある日時において、糖尿病を発症している、又は将来において発症していると仮定する場合は、この日時に係る小項目「糖尿病」の値を「１」とし、発症していない、又は将来において発症していないと仮定する場合は、この値を「０」とする。

ある日時において、腎症を発症している、又は将来において発症していると仮定する場合は、この日時に係る小項目「腎症」の値を「１」とし、発症していない、又は発症しないと仮定する場合は、この値を「０」とする。

ある日時において、死亡している、又は将来において死亡していると仮定する場合は、この日時に係る小項目「死亡」の値を「１」とし、生存している、又は生存していると仮定する場合は、この値を「０」とする。

訓練データ上の資産の小項目の値は、上記の資産額に限らず、預金額、不動産の評価額、株券の評価額など、金銭的価値を算出できるものであればよい。
訓練データ上の資産運用方針の小項目の値は、上記の預金割合及び投資割合に限らず、海外株式又は国内株式の資産運用配分、投資銘柄（投資していれば「１」、投資していなければ「０」のカテゴリ変数）など、資産運用の各種別の程度を量的に表せるものであればよい。

訓練データ上の健康状態の小項目の値は、上記のHbA1c及び体重に限らず、健康状態にかかる各種検査値、病歴、薬剤の処方歴、通院歴、健康診断の結果、日々の活動量、日々の血圧値、日々の食事内容など、健康状態の各種別を量的に表せるものであればよい。

訓練データ上の健康行動方針の小項目の値は、上記の食事、運動及び薬剤に限らず、歩数、運動時間、食事内容、十分な睡眠の有無など、健康を考慮した行動を量的に表せるものであればよい。
訓練データ上の疾病リスクの小項目の値は、疾病の症状を定義できるものであればよい。

小項目の値に欠損があれば、欠損値を表す値（図３に示した例では”NA”）を定義する。欠損は、例えば将来の日時における資産、健康状態に対応する値、又は過去の日時における資産、健康状態に対応し、不明である値などが該当する。

ステップＳ１−１の後、予測モデル学習部１３は、訓練データ記録部１２に記録される訓練データに基づいて、資産リスク（資産額が低下するリスク）及び疾病リスク（疾病の発症時期などのリスク）の予測モデルを構築（学習）し、構築後のモデルを予測モデル記録部１４に記録する（ステップＳ１−２）。資産リスクと疾病リスクとは互いに影響を及ぼし合う関係であるため、本実施形態では、これら２種類のリスクの予測モデルを一括して１つの多層ニューラルネットワークから構成される学習器で表すことにする。

図４は、本発明の一実施形態に係る金銭的リスク予測装置１０による予測モデルの学習について説明する図である。図４では、予測モデルを構成する多層ニューラルネットワークから構成される学習器の一例を示す。図４に示した例では、多層ニューラルネットワークは、入力層、隠れ層、及び出力層から構成される。
予測モデルの学習には訓練データ記録部１２に記録される訓練データを用いる。
多層ニューラルネットワークの入力層に入力されるデータは、時点tにおける訓練データの資産、資産運用方針、健康状態、健康行動方針、疾病リスクを表す値、及び時点tにおける、これらの値の欠損の有無（値が欠損していれば「０」、値があれば「１」）を表すベクトルをそれぞれ含む。

多層ニューラルネットワークの出力層から出力されるデータは、入力されたデータと予測モデルのパラメータとに基づいて出力される、時点ｔ＋１における訓練データの資産、資産運用方針、健康状態、健康行動方針、疾病リスクを表す値とする。
予測モデルは、個人の将来の資産額及び健康状態を示す数値（疾病の発症時期、寿命など）の関係、例えば疾病の発症時期及び死亡時における資産額を、これら将来の資産額と将来の健康状態を示す数値とが互いに及ぼす影響の大きさを考慮して予測することができる。予測モデルは、個人の将来の資産及び健康の関係を、ユーザの資産運用方針が将来の資産額と将来の健康状態を示す数値（疾病の発症時期、寿命）とにそれぞれ及ぼす影響の大きさを考慮して予測することができる。これにより、例えば、資産における預金、投資の割合の大小に応じて金銭的リスクを適切に予測できる。

また、予測モデルは、個人の将来の資産及び健康の関係を、ユーザの健康行動方針が将来の資産額と将来の健康状態を示す数値とにそれぞれ及ぼす影響の大きさを考慮して予測することができる。これにより、例えば、健康を考慮した食事、運動の有無に応じて金銭的リスクを適切に予測できる。

多層ニューラルネットワークの隠れ層は、入力層と出力層との間の複数の「全結合層＋BatchNormalization＋活性化関数ReLU（Rectified Linear Unit, Rectifier：正規化線形関数（ランプ関数とも呼ばれる））」及びLSTM（Long short-term memory）を含み、リカレントニューラルネットワーク（Recurrent Neural Network）としての機能を有する。

予測モデル学習部１３は、誤差関数に平均二乗誤差を用いる。予測モデル学習部１３は、訓練データを入力層に入力し、出力層から出力されるデータと当該データの正解値との誤差を最適化手法としてのAdam（Adaptive moment estimation）により最小化して、予測モデルのパラメータを収束させる。この時点でのパラメータが反映された予測モデルは、学習済みの予測モデルとして予測モデル記録部１４に記録される。なお、誤差関数は、上記の平均二乗誤差に限らず、例えば疾病の発症リスクについては、交差エントロピーを用いたり、リスク値の大小関係をもとにランキングロスを用いたりしても良い。最適化手法は上記のAdamに限らず、他の勾配法でも良い。

多層ニューラルネットワークの層の設計は、図４に示した例に限るものではなく、リカレントニューラルネットワークではない、つまりLSTMを含まない層であっても良く、また、活性化関数（伝達関数とも呼ばれる）は、上記のReLUに限らず、リスクを出力可能な関数であれば良い。

本実施形態における、学習後の予測モデルは、時刻tにおける資産、資産運用方針、健康状態、健康行動方針、疾病リスクでなる時系列データを入力し、時刻ｔ＋１における値を出力（予測結果）として得ることができる。
この後に、予測モデルは、予測結果として得た、当該時刻ｔ＋１における値を入力し、時刻ｔ＋２における値を出力として得る。このような処理を繰り返すことで、任意の時刻における予測値を得ることができる。つまり、現在の資産運用方針及び現在の健康行動方針を含む時系列データを予測モデルに入力すると、将来の資産運用方針及び将来の健康行動方針を含む時系列データを予測して出力することができる。

もし、予測された時系列データで示される将来の資産運用方針又は健康行動方針と異なる方針を意図的に設定したいときの処理は下記のとおりである。
例えば、将来の資産額を増やしたり、疾病の発症を予防したりする目的で、将来の時刻ｔ＋１における予測された時系列データで示される資産運用方針及び健康行動方針の少なくとも一方を意図的に変更する場合の処理を説明する。
この場合は、現在の時刻tにおける時系列データの値を予測モデルに入力して得られた、時刻ｔ＋１における時系列データで示される資産運用方針、健康行動方針の予測結果で示される値をユーザにより意図する値に置き換えた上で、予測モデル学習部１３は、この値を予測モデルに入力し、時刻ｔ＋２における時系列データの値を出力として得る。

図５は、本発明の一実施形態に係る金銭的リスク予測装置１０による学習済みの予測モデルの適用にかかる処理動作の一例を示すフローチャートである。
予測モデル適用部１５は、ユーザに係る日時、資産（現在の資産）、資産運用方針（過去、現在の資産運用方針、将来にわたって予測又は仮定される資産運用方針）、健康状態（過去、現在の健康状態）、健康行動方針（過去、現在の健康行動方針、将来にわたって予測又は仮定される健康行動方針）、疾病リスク（過去、現在の疾病、将来に予測される疾病など）でなる６つの大項目で構成される時系列データを評価データとして外部から受け付ける。

予測モデル適用部１５は、予測モデル記録部１４に記録された学習済の予測モデルを読み出し、この予測モデルの入力層に評価データを入力して、この予測モデルがパラメータによる演算を経て出力層から出力した結果を評価結果として出力して、外部の図示しない表示装置に表示する（ステップＳ２−１）。
評価結果は、ユーザに係る日時、資産（将来の資産）、資産運用方針（将来にわたって予測される資産運用方針）、健康行動方針（将来にわたって予測又は仮定される健康行動方針）、疾病リスク（将来に予測される疾病など）の時系列データを含む。

図６、図７、図８は、本発明の一実施形態に係る金銭的リスク予測装置１０により出力する評価結果の一例を示す図である。
図６乃至図８では、評価結果における、ユーザが疾病を発症すると予測される時点、ユーザが死亡すると予測される時点を含む各時点での資産額予測値の時系列データを可視化した予測結果通知データの表示例を示す。
図６に示した例では、評価結果における資産額予測値は、各種の疾病の発症と、その後の治療によって年齢とともに低下していくが、ユーザが寿命を全うすると予測される９０歳の時点で資産が残っているため、金銭的リスクが生涯にわたって生じないことを示している。

図７では、図６に示した資産運用方針を生涯にわたって「預金＝１．０、投資０．０」（収入をすべて預金する）に変更した場合の評価結果の例を示す。
この図７に示した例では、図６に示した例と比較してユーザが糖尿病を発症するまでの資産額増加の傾きが緩く、７５歳で資産が０円になり金銭的リスクが生じ、寿命を全うすると予測される９０歳の時点で資産額が大幅に不足すると予測された結果を示している。

図８では、図６に示した、将来にわたる健康行動方針を「食事＝１、運動＝１、薬剤＝０」（健康を考慮した食事、運動を取り入れる）に変更した場合の評価結果の例を示す。
図８に示した例では、上記のように健康を考慮した食事、運動を取り入れたため、年齢を経ても腎症の発症および透析の開始に至らず、さらに、寿命を全うすると予測される年齢が１００歳に延び、この時点で資産額が大幅に残っており、金銭的リスクが生涯にわたって明らかに生じないことを示している。
上記の例に限らず、評価データの健康状態として日々の体重の増減、歩数の増減、運動負荷の増減、食事内容を入力として受け付け、金銭的リスクの予測に反映してもよい。

以上説明したように、本発明の一実施形態に係る金銭的リスク予測装置は、ユーザの現在の資産と今後の資産運用方針から予測される将来の資産と、現在の健康状態と今後の健康行動方針から予測される将来の疾病リスクとをもとに将来の資産額を予測することで将来の金銭的リスクを予測する。

本発明の一実施形態では、ユーザの将来の資産と将来の支出との関係性を考慮して金銭的リスクを検証できる。また、将来の資産運用方針と将来の健康行動方針の一方又は双方を変更した条件で、金銭的リスクを再度検証できる。つまり、ユーザは、将来の金銭的リスクが予想された場合に、例えば将来の資産運用方針と将来の健康行動方針の一方又は双方をどの程度改めれば将来の金銭的リスクを回避できるかを知ることができる。

例えば、現在の資産額が少ないがために、将来にわたってどのような資産運用方針を適用しても将来の資産額を十分に高めることが難しい場合に、今後の健康行動方針のうち食事、運動などの生活習慣を改善することで疾患の発症リスクを低減して将来の支出を抑制しることで将来の金銭的リスクを回避する、といった対策を導くことができる。

また、将来の資産の予測結果をきっかけとした資産運用方針の変容、および将来の資産の予測結果をきっかけとした健康行動方針の変容をユーザに促すことができる。例えば、会社のシステムにおいて確定拠出年金と健康診断のシステムとを連結して金銭的リスクについて予測した結果をユーザに提示することで、資産運用方針及び健康行動方針の変容を促す効果が期待される。

他にも、例えば健康状態に何らかの問題があるユーザについて、通常の食事を減塩食に変更し、短期間では健康状態が改善しなくても、将来の健康状態への影響、および長期的な資産形成の見込みをユーザに提示することで、健康行動改善を促す効果が期待される。

（金銭的リスクの改善又は悪化傾向の可視化について）
次に、金銭的リスクの改善又は悪化傾向の可視化について説明する。
予測モデル適用部１５は、ユーザの将来の資産運用方針、健康行動方針の少なくとも一方の変更前において予測された将来の資産及び健康と、変更後において予測された将来の資産及び健康との差異を可視化した評価結果を出力してもよい。これにより、ユーザは、資産運用方針、健康行動方針の変更に伴う将来の金銭的リスクの変動を容易に把握することができる。

（資産運用方針の分類と、健康行動方針の分類について）
次に、資産運用方針の分類と、健康行動方針の分類について説明する。
資産運用方針については、景気、インフレ率などの経済状況に影響されやすい要素（例えば株式、不動産）と、経済状況に影響されにくい要素（例えば貯金）とがある。

また健康の維持に必要な費用については、経済状況に影響されやすい要素（例えばフィットネスジム、高価な健康食にかかる費用）と、経済状況に影響されにくい要素（例えば散歩などにかかる費用）とがある。

そこで、ここでは、上記の訓練データにおける資産運用方針および健康行動方針の各要素を景気変動要素（経済状況により変動しやすい要素）と、景気不変要素（経済状況により変動しにくい又は変動しない要素）とに分類することとする。具体的には、資産額の総額を、景気変動要素に応じた資産額と、景気不変要素に応じた資産額とに分類することができる。また、健康の維持に必要な費用の総額を、景気変動要素に応じた金額と、景気不変要素に応じた金額とに分類することができる。

予測モデル適用部１５は、資産額の総額に占める景気変動要素に応じた資産額の割合と、健康行動方針に必要な費用、つまり健康の維持に必要な費用に占める景気変動要素に応じた金額の割合との剥離（差異）を可視化する情報を評価結果に含めることができる。

そして、資産運用方針に対応する費用に占める景気変動要素の割合と、健康の維持に必要な費用に占める景気変動要素の割合とを一致させる、つまり上記の剥離をゼロにすることが望ましい。

このように、資産運用方針に占める景気変動要素の割合と、健康の維持に必要な費用に占める景気変動要素の割合とを一致させると、インフレが発生して健康の維持に必要な費用が上昇したときに、この上昇を資産価値の上昇で相殺することができる。

なお、本発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。更に、上記実施形態には種々の発明が含まれており、開示される複数の構成要件から選択された組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、課題が解決でき、効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。

また、各実施形態に記載した手法は、計算機（コンピュータ）に実行させることができるプログラム（ソフトウエア手段）として、例えば磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ、ＭＯ等）、半導体メモリ（ＲＯＭ、ＲＡＭ、フラッシュメモリ等）等の記録媒体に格納し、また通信媒体により伝送して頒布することもできる。なお、媒体側に格納されるプログラムには、計算機に実行させるソフトウエア手段（実行プログラムのみならずテーブル、データ構造も含む）を計算機内に構成させる設定プログラムをも含む。本装置を実現する計算機は、記録媒体に記録されたプログラムを読み込み、また場合により設定プログラムによりソフトウエア手段を構築し、このソフトウエア手段によって動作が制御されることにより上述した処理を実行する。なお、本明細書でいう記録媒体は、頒布用に限らず、計算機内部あるいはネットワークを介して接続される機器に設けられた磁気ディスク、半導体メモリ等の記憶媒体を含むものである。

１０…金銭的リスク予測装置、１１…訓練データ受付部、１２…訓練データ記録部、１３…予測モデル学習部、１４…予測モデル記録部、１５…予測モデル適用部。

Claims (10)

1. ユーザの将来の資産額を示す時系列データを予測する予測モデルを記録する予測モデル記録部と、
   ユーザの資産額と健康状態を示す数値とを含む時系列データである評価データを受け付け、前記予測モデル記録部に記録される予測モデルに前記評価データを入力して、前記入力に応じて前記予測モデルにより予測される前記ユーザの将来の資産額を示す時系列データを出力する予測手段と、
   を備える予測装置。
2. 前記予測モデル記録部に記録された予測モデルは、
   前記ユーザの将来の資産額を示す時系列データを、前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とが互いに及ぼす影響の大きさを考慮して予測するモデルである、
   請求項１に記載の予測装置。
3. 前記予測モデル記録部に記録された予測モデルは、
   前記ユーザの将来の資産額を示す時系列データを、前記ユーザの資産運用の種別が前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルである、
   請求項２に記載の予測装置。
4. 前記予測モデル記録部に記録され予測モデルは、
   前記ユーザの将来の資産額を示す時系列データを、前記ユーザの行動の種別が前記ユーザの将来の資産額と前記ユーザの将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルである、
   請求項２に記載の予測装置。
5. ユーザ毎の資産額と健康状態を示す数値を含み、前記予測モデルの学習に用いられる時系列データである訓練データを受け付ける訓練データ受付手段と、
   前記訓練データ受付手段により受け付けられた訓練データを記録する訓練データ記録部と、
   前記訓練データ記録部に記録された訓練データをもとに、学習済みの前記予測モデルを生成する学習手段と、
   をさらに備える請求項１乃至請求項４の何れか１項に記載の予測装置。
6. 前記予測手段は、
   前記ユーザが疾病を発症すると予測される時点及び前記ユーザが死亡すると予測される時点の少なくとも一方の資産額の時系列データを可視化した結果を含むデータを出力する、
   請求項１乃至請求項５の何れか１項に記載の予測装置。
7. 前記予測される時系列データは、
   前記ユーザの将来の資産運用の種別及び行動の種別を含み、
   前記予測手段は、
   前記ユーザの将来の資産運用の種別及び将来の行動の種別の少なくとも一方を変更する前と変更した後における将来の資産額の時系列データの差異を可視化した結果を含むデータを出力する、
   請求項１乃至請求項６の何れか１項に記載の予測装置。
8. 前記予測モデル記録部に記録された予測モデルは、
   前記ユーザの将来の資産額を、前記ユーザによる資産運用の種別及び行動の種別が前記将来の資産額と将来の健康状態を示す数値とに及ぼす影響の大きさを考慮して予測するモデルであり、
   前記予測手段は、
   前記資産運用の種別に応じた資産額を経済状況により変動しやすい第１の要素と前記第１の要素と比較して経済状況により変動しにくい第２の要素とに分類し、前記行動に必要な費用を経済状況により変動しやすい第３の要素に応じた費用と前記第３の要素と比較して経済状況により変動しにくい第４の要素に応じた費用とに分類し、前記資産額の総額に占める前記第１の要素に応じた資産額の割合と、分類前の前記行動に必要な費用に占める前記第３の要素に応じた費用の割合との乖離を表す情報を出力する、
   請求項１乃至請求項７のいずれか１項に記載の予測装置。
9. ユーザの将来の資産額を示す時系列データを予測する予測モデルを記録する予測モデル記録部を有する予測装置が行なう予測方法であって、
   ユーザの資産額と健康状態を示す数値とを含む時系列データである評価データを受け付け、
   前記予測モデル記録部に記録される予測モデルに前記評価データを入力し、
   前記入力に応じて前記予測モデルにより予測される前記ユーザの将来の資産額を示す時系列データを出力する、
   予測方法。
10. 請求項１乃至請求項８のいずれか１項に記載の予測装置の前記各手段としてプロセッサを機能させる予測処理プログラム。