JP2020086581A - 予測装置、予測方法、およびプログラム - Google Patents

Abstract

【課題】将来の治安の状態を適切に推定することができる予測装置、予測方法、およびプログラムを提供すること。【解決手段】町の区画の風景を撮像した画像（１５１）と、前記区画の価値を表す公表情報（１５２）とを取得する取得部（１１０）と、前記取得部により取得された画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出する導出部（１２０）と、を備える予測装置（１００）。【選択図】図２

Description

本発明は、予測装置、予測方法、およびプログラムに関する。

従来、警備領域における異常を検知するように構成され、異常を検知した場合にコントローラに異常検知信号を送信する検知手段と、警備領域を含む対象地域における治安情報を受付け、警報の発報を行うか否かを判断するための判断条件を治安情報に応じて変更するコントローラとを備える警備システムの発明が開示されている（特許文献１参照）この発明において、治安情報は、専ら犯罪情報に基づいて生成される。例えば、対象地域内で所定期間内に発生した侵入強盗事件及び侵入窃盗事件の件数が、治安情報の元情報となることが記載されている。

特開２０１４−１７８８８４号公報

しかしながら、従来の技術では、将来の治安の状態を適切に推定することができない場合があった。

本発明は、このような事情を考慮してなされたものであり、将来の治安の状態を適切に推定することができる予測装置、予測方法、およびプログラムを提供することを目的の一つとする。

この発明に係る予測装置、予測方法、およびプログラムは、以下の構成を採用した。
（１）：この発明の一態様に係る予測装置は、町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得する取得部と、前記取得部により取得された画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出する導出部と、を備えるものである。

（２）：上記（１）の態様において、前記導出部は、前記公表情報の変化率が基準値以上である区画について前記治安指標を導出するものである。

（３）：上記（１）または（２）の態様において、前記導出部は、前記画像に含まれる特定物体の状態を評価することにより、前記治安指標を導出するものである。

（４）：上記（１）から（３）のうちいずれかの態様において、前記公表情報は、路線価、賃料、犯罪発生に関する情報のうち少なくとも一部を含むものである。

（５）：上記（１）から（４）のうちいずれかの態様において、前記区画は、一つの道路における特定の区画であるものである。

（６）：上記（１）から（５）のうちいずれかの態様において、前記導出部は、前記公表情報を、前記治安指標を導出するためのモデルに対する入力データとして使用するものである。

（７）：上記（６）の態様において、機械学習によって前記モデルを生成する学習部を更に備えるものである。

（８）：上記（１）から（７）のうちいずれかの態様において、前記公表情報を、前記治安指標を導出するモデルを学習する際の教師データとして使用するものである。

（９）：本発明の他の態様に係る予測方法は、コンピュータが、町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得し、前記取得した画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出するものである。

（１０）：本発明の他の態様に係るプログラムは、コンピュータに、町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得させ、前記取得させた画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出させるものである。

上記（１）〜（１０）の態様によれば、将来の治安の状態を適切に推定することができる。

上記（２）の態様によれば、処理効率を向上させることができる。

上記（３）の態様によれば、漠然と画像処理を行うのではなく特定物体に絞り込んで画像処理を行うため、より精度良く将来の治安の状態を推定することができる。

上記（４）の態様によれば、より多角的な視点から将来の治安の状態を推定することができる。

上記（５）の態様によれば、従来の地図におけるメッシュ単位で推定を行うものに比して、より粒度の高い推定処理を行うことができる。

各実施形態に共通の構成の一例を示す図である。 第１実施形態に係る予測装置１００の構成の一例を示す図である。 画像データ１５１の内容の一例を示す図である。 公表情報１５２の内容の一例を示す図である。 画像解析部１２２による処理について説明するための図である。 物体状態認識モデル１５３の内容の一例を示す図である。 認識モデルの内容の一例を示す図である。 物体状態評価テーブル１５４の内容の一例を示す図である。 ルールベースで定められる予測モデル１５５の概念を示す図である。 第１実施形態の予測装置１００により実行される処理の流れの一例を示すフローチャートである。 第２実施形態に係る予測装置１００Ａの構成の一例を示す図である。 ペナルティ学習部１３０Ａの処理の内容を模式的に示す図である。 第３実施形態に係る予測装置１００Ｂの構成の一例を示す図である。 予測モデル学習部１３０Ｂの処理の内容を模式的に示す図である。 第４実施形態に係る予測装置１００Ｃの構成の一例を示す図である。 予測モデル１５５Ｃの内容の一例を示す図である。

以下、図面を参照し、本発明の予測装置、予測方法、およびプログラムの実施形態について説明する。

＜共通構成＞
図１は、各実施形態に共通の構成の一例を示す図である。予測装置１００は、車両Ｍに搭載された車載カメラ１０によって撮像された町の画像を、無線通信装置１２およびネットワークＮＷを介して取得する。或いは、予測装置１００は、町に設置された固定カメラ２０によって撮像された町の画像を、ネットワークＮＷを介して取得する。ネットワークＮＷは、例えば、セルラー網、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）などを含む。なお、図示する構成は、ネットワークＮＷに接続するためのネットワークカードなどのインターフェースを備えているものとする（車両Ｍについては無線通信装置１２がある）。車載カメラ１０の画像を取得する場合、車載カメラ１０は、予測対象の箇所に到達したときに撮像を行う（あるいは連続的に撮像している中で到達時点の画像を保存する）ように、予測装置１００あるいはその他の装置によって制御される。これによって、車載カメラ１０または固定カメラ２０によって所望の町の所望の場所を所望の方向から撮像した一以上の画像が予測装置１００に提供される。以下、このような画像を画像データと称する。

また、予測装置１００は、公表情報情報源３０から公表情報を取得する。公表情報とは、例えば、路線価、基準面積あたりの賃料、犯罪発生率など、町の価値を表すと考えられる、公表された任意の情報である。以下の各実施形態では、公表情報は路線価であるものとする。公表情報情報源３０は、例えば、これらの情報をウェブサイトなどで公開している情報提供装置である。予測装置１００は、例えば、クローラなどの技術を用いてウェブサイトから自動的に公表情報を電子情報として取得する。これに代えて、公表情報を見た操作者が予測装置１００の入力装置（不図示）に手動で公表情報を入力してもよい。

予測装置１００は、車載カメラ１０または固定カメラ２０によって撮像された画像と、公表情報とに基づいて、町の治安の状態を表す治安指数を導出する。以下、治安指数の導出手法のバリエーションについて、各実施形態で説明する。

＜第１実施形態＞
図２は、第１実施形態に係る予測装置１００の構成の一例を示す図である。予測装置１００は、例えば、取得部１１０と、導出部１２０と、記憶部１５０とを備える。取得部１１０および導出部１２０の各部は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。プログラムメモリとして機能する記憶装置は、記憶部１５０と同じものであってもよいし、異なるものであってもよい。

取得部１１０は、画像データおよび公表情報をそれぞれ取得し、画像データ１５１および公表情報１５２として記憶部１５０に記憶させる。記憶部１５０は、例えば、ＨＤＤやフラッシュメモリ、ＲＡＭなどにより実現される。記憶部１５０において、画像データ１５１は、例えば、区画ごとに時系列で整理されている。区画とは、ある道路の特定の区間であり、より詳細には１ブロックに対応する道路である。図３は、画像データ１５１の内容の一例を示す図である。図示するように画像データ１５１は、区画の識別情報に対して、画像の取得日および画像が対応付けられた情報である。

公表情報１５２は、例えば、上記の区画よりも細かい粒度で、周期的に到来する公表時期（例えば公表年度）ごとの時系列情報として整理されている。図４は、公表情報１５２の内容の一例を示す図である。図示するように、公表情報１５２は、区画に対して、詳細位置、公表年度、および路線価が対応付けられた情報である。詳細位置とは、例えば、建物の間口を単位として区分される位置である。

導出部１２０は、例えば、対象区画選択部１２１と、画像解析部１２２と、予測部１２３とを備える。

対象区画選択部１２１は、区画の中から、予測対象とする対象区画を選択する。例えば、対象区画選択部１２１は、区画の中から、第１タイミングと第２タイミングの間での公表情報１５２の変化率が基準値である区画を、対象区画として選択する。前述したように、公表情報１５２の粒度が区画よりも細かい場合、対象区画選択部１２１は、区画内の公表情報１５２の平均値を求めるなどして一つのスカラー値を求め、判定対象とする。また、第１タイミングは、公表情報１５２が定期的に公表される中で、直近の一つ前の公表タイミング（図４の例では２０１７年度）であり、第２タイミングは、直近の公表タイミング（図４の例では２０１８年度）である。

画像解析部１２２は、対象区画選択部１２１により選択された対象区画に対応する画像を解析することにより、画像に含まれる特定物体の状態を評価し、評価ポイントを出力する。図５は、画像解析部１２２による処理について説明するための図である。画像解析部１２２は、解析対象とする画像ＩＭの中に様々なサイズのウインドウＷ（図ではＷ１〜Ｗ６が示されている）を設定して画像ＩＭの少なくとも一部をスキャンし、ウインドウＷの中に特定の物体が含まれていることを検知した場合、その状態を認識する。特定の物体とは、例えば、人、駐車車両、街路樹、建物、街路樹ではない植物（雑草）、建物の壁面等への落書きなどである。図中、ウインドウＷ１にはフロントガラスの損壊した車両が、ウインドウＷ２には歩道に横たわっている人が、ウインドウＷ３には剪定されていない街路樹が、ウインドウＷ４には建物における壊れた窓が、ウインドウＷ５には雑草が、ウインドウＷ６には落書きが、それぞれ含まれている。画像解析部１２２は、このような各特定の物体の状態を認識する。

画像解析部１２２は、物体の状態を認識する処理を、物体状態認識モデル１５３を用いて行う。図６は、物体状態認識モデル１５３の内容の一例を示す図である。図示するように、物体状態認識モデル１５３は、特定物体の種類に対して、ウインドウサイズ、ウインドウ設定領域、認識モデルなどが対応付けられた情報である。ウインドウサイズとは、特定物体の種類に応じて設定されるウインドウＷのサイズである。ウインドウサイズは、遠近法を考慮して、画像ＩＭにおける下端に近いほど大きく、上端に近いほど小さくなるように補正されてもよい。ウインドウ設定領域は、特定物体の種類に応じた画像ＩＭ中でウインドウを設定してスキャンする領域である。例えば、建物であれば画像の中央付近に写り込む可能性は低いため、画像の幅方向に関する両端付近にウインドウ設定領域が設定される。

図７は、認識モデルの内容の一例を示す図である。認識モデルは、例えば、ＣＮＮ（Convolution Neural Network）などを用いたディープラーニングによって学習された学習済みモデルである。図示する認識モデルは、人に関する認識モデル（１）であり、ウインドウＷ内の画像（ウインドウ画像）が入力されると、出力層において、人であるか否か、人である場合における着服の有無、立っているか、座っているか、寝ているか、といった情報を出力する。

更に、画像解析部１２２は、認識した特定物体の状態を物体状態評価テーブル１５４を用いて評価し、評価ポイントを出力する。図８は、物体状態評価テーブル１５４の内容の一例を示す図である。図示するように、物体状態評価テーブル１５４は、特定物体の状態のそれぞれに対してペナルティが対応付けられた情報である。物体状態評価テーブル１５４は、予め何らかの手法により（例えば人が決定することで）生成され、記憶部１５０に格納されている。画像解析部１２２は、該当する状態に対応するペナルティを合計し、画像ＩＭに対する合計ペナルティ（評価ポイントの一例）を計算する。

予測部１２３は、画像解析部１２２により算出された合計ペナルティと、対象区画の公表情報１５２とに基づいて、対象区画の将来の治安状態を示す治安指標を導出する。例えば、現在が２０１８年であるとして、予測部１２３は、予測モデル１５５として予め規定されている式（１）に基づいて、将来（例えば２０１９年）の治安指標を導出する。式中、［合計ペナルティ（２０１８年）］は、２０１８年に取得された画像に基づく合計ペナルティである。以下、これを「２０１８年の合計ペナルティ」のように表現する場合がある。

［治安指標（２０１９年）］＝Ｆ｛［合計ペナルティ（２０１８年）］，［公表情報（２０１８年度）］，［公表情報（２０１７年度）］，…，［公表情報（ｎ年前）］｝ …（１）

上記の式（１）では、画像に関しては一つの取得日に係る画像のみを入力データとするように表現したが、画像に関しても公表情報１５２と同様に、時系列の画像が入力データとされてもよい。この場合、予測部１２３は、例えば、２０１８年に取得された画像に基づく合計ペナルティ、２０１７年に取得された画像に基づく合計ペナルティ、および２０１６年に取得された画像に基づく合計ペナルティのように複数年に亘る画像に基づく合計ペナルティに基づいて、治安指標を導出してもよい。

式（１）におけるＦで表される予測モデル１５５は、例えば、ルールベースで決定された関数である。これに代えて、予測モデル１５５は、機械学習によって学習された学習済みモデルを表す関数であってもよい。図９は、ルールベースで定められる予測モデル１５５の概念を示す図である。ここでは、治安指標は値が小さいほど「治安が悪い」ことを表すものとする。図中、ｈは、各年度の公表情報の関数であり、公表情報が「治安が良い」ことを示す（路線価が高い、賃料が高い、または犯罪発生率が低い）程、大きい正の値を出力する関数である。また、ｇは、合計ペナルティの関数であり、合計ペナルティに対して正の相関を示す値を出力する関数である。ＡＬは、ｈの値の推移を近似した近似線である。予測モデル１５５は、例えば、近似線ＡＬと予測対象の年度との交点の値から、関数ｇの値を差し引いた値を出力する。このとき、関数ｇの入力値は、予測対象が１年後であれば合計ペナルティ、２年後であれば合計ペナルティ×２、というように累積加算された値であってもよい。なお、この原理において「元々路線価が低い対象区画であれば合計ペナルティが大きくなる筈である」という推論が反映されていないため、関数ｇは、「近似線ＡＬの予測対象における交点の値が小さい程、小さくなるように補正された合計ペナルティ」に対して正の相関を示す値を出力するものであってもよい。

図１０は、第１実施形態の予測装置１００により実行される処理の流れの一例を示すフローチャートである。なお、画像データ１５１や公表情報１５２などのデータの取得に関しては、本フローチャートの処理とは独立して実行されているものとする。

まず、対象区画選択部１２１が、公表情報１５２の経時変化の大きい区画を対象区画として選択する（ステップＳ１００）。

次に、予測装置１００は、ステップＳ１０２〜Ｓ１０６の処理を、ステップＳ１００で選択された全ての対象区画について行う。まず、画像解析部１２２が、着目する対象区画の画像を読みだし、特定物体の情報を認識し（ステップＳ１０４）、認識した特定物体の状態に基づいて合計ペナルティを計算する（ステップＳ１０６）。そして、予測部１２３が、合計ペナルティと、その対象区画についての公表情報１５２とに基づいて、治安指標を導出する（ステップＳ１０６）。

以上説明した第１実施形態の予測装置１００によれば、将来の治安の状態を適切に推定することができる。

＜第２実施形態＞
以下、第２実施形態について説明する。第１実施形態において、特定物体の状態ごとのペナルティを規定した物体状態評価テーブル１５４は、何らかの手法により、予め設定されているものとしたが、第２実施形態では、物体状態評価テーブル１５４を機械学習によって生成する。

図１１は、第２実施形態に係る予測装置１００Ａの構成の一例を示す図である。予測装置１００Ａは、第１実施形態の予測装置１００と比較すると、ペナルティ学習部１３０Ａを更に備える。また、物体状態評価テーブル１５４Ａは、ペナルティ学習部１３０Ａにより生成されたものである。

ペナルティ学習部１３０Ａは、例えば、複数の画像の中から一つの画像（取得日が、現在よりも十分に古いことが望ましい）を順番に選択し、選択した画像について、特定物体の状態のそれぞれに該当する場合に１、該当しない場合にゼロを割り当てた特徴ベクトルを生成する。特徴ベクトルは、式（２）で表される。式中、ｆｋはｋ番目の「特定物体の状態」であり、ゼロか１の二値を示す値である。ｎは想定されている「特定物体の状態」の数（種類）である。

（特徴ベクトル）＝（ｆ１，ｆ２，…，ｆｎ） …（２）

そして、ペナルティ学習部１３０Ａは、複数の対象区間（或いは画像）に関して、特徴ベクトルの各要素にペナルティとなる係数α１〜αｎのそれぞれを乗算した値と、教師データとの相関が最大となるように、係数α１〜αｎを学習する。教師データは、例えば、選択した画像に係る対象区画の将来の治安の状態を示すものであり、公表情報１５２が教師データとして使用されてもよいし、その他の情報が教師データとして使用されてもよい。係る処理を数式で表すと、式（３）のようになる。式中、ａｒｇｍａｘは最大値を示すパラメータを求める関数であり、Ｃｏｒｒｅｌは相関係数である。教師データは、例えば、画像の取得日から所望の年数先の年度の情報である。例えば、画像の取得日が２０１５年である場合、２０１７年や２０１８年の教師データが式（３）のパラメータとして入力される。図１２は、ペナルティ学習部１３０Ａの処理の内容を模式的に示す図である。ペナルティ学習部１３０Ａは、例えば、バックプロパゲーション（逆誤差伝播法）によって係数α１〜αｎを求める。

α１〜αｎ＝ａｒｇｍａｘ_α1~αn［Ｃｏｒｒｅｌ｛Σ_k=1 ⁿ（ｆｋ×αｋ）｝，（教師データ）］ …（３）

物体状態評価テーブル１５４Ａが生成された後の処理については第１実施形態と同様であり、説明を省略する。

以上説明した第２実施形態の予測装置１００Ａによれば、将来の治安の状態を適切に推定することができる。また、物体状態評価テーブル１５４Ａを機械学習によって生成することで、ルールベースで物体状態評価テーブル１５４Ａを決定する場合に比して、高精度に推定を行うことができる。

＜第３実施形態＞
以下、第３実施形態について説明する。第１実施形態および第２実施形態では、公表情報１５２が治安指標を導出する際の入力データとして使用されるものとしたが、第３実施形態では、公表情報１５２は専ら機械学習の教師データとして使用される。

図１３は、第３実施形態に係る予測装置１００Ｂの構成の一例を示す図である。予測装置１００Ｂは、第１実施形態の予測装置１００と比較すると、予測モデル学習部１３０Ｂを更に備える。また、予測モデル１５５Ｂは、予測モデル学習部１３０Ｂにより生成されたものである。

第３実施形態に係る予測部１２３Ｂは、画像解析部１２２により算出された合計ペナルティに基づいて、対象区画の将来の治安状態を示す治安指標を導出する。例えば、現在が２０１８年であるとして、予測部１２３は、予測モデル１５５として予め規定されている式（４）に基づいて、将来（例えば２０１９年）の治安指標を導出する。

［治安指標（２０１９年）］＝Ｑ｛［合計ペナルティ（２０１８年）］，［合計ペナルティ（２０１７年に取得された画像に基づく）］，［合計ペナルティ（２０１６年に取得された画像に基づく）］｝ …（４）

式（４）におけるＱで表される予測モデル１５５Ｂは、公表情報１５２を教師データとして予測モデル学習部１３０Ｂが行う機械学習によって学習された学習済みモデルを表す関数である。図１４は、予測モデル学習部１３０Ｂの処理の内容を模式的に示す図である。図示するように、予測モデル学習部１３０Ｂは、例えば、Ｘ年、Ｘ−１年、Ｘ−２年の合計ペナルティを入力データとし、Ｘ＋１年、Ｘ＋２年、…の公表情報１５２を教師データとして機械学習を行い、学習済みモデルを生成する。

第３実施形態においても、第２実施形態と同様、機械学習によって物体状態評価テーブル１５４Ａを生成してもよい。その他の処理に関しては、第１実施形態と同様であるため説明を省略する。

以上説明した第３実施形態の予測装置１００Ｂによれば、将来の治安の状態を適切に推定することができる。また、予測モデル１５５Ｂを機械学習によって生成することで、ルールベースで予測モデル１５５Ｂを決定する場合に比して、高精度に推定を行うことができる。

＜第４実施形態＞
以下、第４実施形態について説明する。第１〜第３実施形態では、画像解析部１２２が合計ペナルティを計算するものとしたが、第４実施形態では、これを省略し、画像を直接予測モデルに入力する。

図１５は、第４実施形態に係る予測装置１００Ｃの構成の一例を示す図である。予測装置１００Ｃは、第１実施形態の予測装置１００と比較すると、画像解析部１２２が省略され、予測モデル学習部１３０Ｃを更に備える。また、予測モデル１５５Ｃは、予測モデル学習部１３０Ｃにより生成されたものである。

第４実施形態に係る予測部１２３Ｃは、対象区間の画像データ１５１と公表情報１５２とを予測モデル１５５Ｃに対して入力し、治安指数を導出する。図１６は、予測モデル１５５Ｃの内容の一例を示す図である。図示するように、予測モデル１５５Ｃは、画像データ１５１をＣＮＮに入力することで特徴マップを求め、特徴マップと公表情報１５２をＤＮＮ（Deep Neural Network）などのネットワークに入力することで、治安指数を導出するモデルである。

予測モデル学習部１３０Ｃは、例えば、教師データからバックプロパゲーションを行うことで、図１６に示すＣＮＮおよびＤＮＮのパラメータを決定する。公表情報１５２が教師データとして使用されてもよいし、その他の情報が教師データとして使用されてもよい。

なお、第４実施形態において、公表情報１５２を予測モデル１５５Ｃの入力データとするのではなく、専ら機械学習によって予測モデル１５５Ｃを生成する際の教師データとしてのみ使用してもよい。

以上説明した第４実施形態の予測装置１００Ｃによれば、将来の治安の状態を適切に推定することができる。画像解析処理を省略しているため、より高速な処理を実現することができる可能性がある。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１００、１００Ａ、１００Ｂ、１００Ｃ 予測装置
１１０ 取得部
１２０ 導出部
１２１ 対象区画選択部
１２２ 画像解析部
１２３、１２３Ｂ、１２３Ｃ 予測部
１３０Ａ ペナルティ学習部
１３０Ｂ、１３０Ｃ 予測モデル学習部
１５０ 記憶部
１５１ 画像データ
１５２ 公表情報
１５３ 物体状態認識モデル
１５４、１５４Ａ 物体状態評価テーブル
１５５、１５５Ｂ、１５５Ｃ 予測モデル

Claims (10)

1. 町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得する取得部と、
   前記取得部により取得された画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出する導出部と、
   を備える予測装置。
2. 前記導出部は、前記公表情報の変化率が基準値以上である区画について前記治安指標を導出する、
   請求項１記載の予測装置。
3. 前記導出部は、前記画像に含まれる特定物体の状態を評価することにより、前記治安指標を導出する、
   請求項１または２に記載の予測装置。
4. 前記公表情報は、路線価、賃料、犯罪発生に関する情報のうち少なくとも一部を含む、
   請求項１から３のうちいずれか１項記載の予測装置。
5. 前記区画は、一つの道路における特定の区画である、
   請求項１から４のうちいずれか１項記載の予測装置。
6. 前記導出部は、前記公表情報を、前記治安指標を導出するためのモデルに対する入力データとして使用する、
   請求項１から５のうちいずれか１項記載の予測装置。
7. 機械学習によって前記モデルを生成する学習部を更に備える、
   請求項６記載の予測装置。
8. 前記公表情報を、前記治安指標を導出するモデルを学習する際の教師データとして使用する、請求項１から７のうちいずれか１項記載の予測装置。
9. コンピュータが、
   町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得し、
   前記取得した画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出する、
   予測方法。
10. コンピュータに、
    町の区画の風景を撮像した画像と、前記区画の価値を表す公表情報とを取得させ、
    前記取得させた画像と公表情報とに基づいて、前記区画の将来の治安状態を表す治安指標を導出させる、
    プログラム。

Images