JP2023057478A - 行政課題探索プログラム - Google Patents

Abstract

【課題】政策を検討する上での行政上の課題を探索する行政課題探索プログラムを提供する。【解決手段】政策を検討する上での行政上の課題を探索する行政課題探索プログラムを実装する政策提案システム１において、政策を提案する地域における建築構造物又は公共交通機関の各設備から取得した電力、電気、電圧、振動、音、ガス、水道の何れか１以上からなる設備データを取得する情報取得部９と、予め建築構造物又は公共交通機関の各設備から取得した電力、電気、電圧、振動、音、ガス、水道の何れか１以上からなる参照用設備データと、行政上の課題との３段階以上の連関度を利用し、情報取得部９において取得した設備データに応じた参照用設備データに基づき、連関度のより高いものを優先させて行政上の課題を探索する探索装置２と、を備える。【選択図】図１

Description

本発明は、政策を検討する上での行政上の課題を探索する行政課題探索プログラムに関する。

国政、又は市区町村において、各種政策を立案する場合、様々な政治、経済、技術、社会上の様々なデータや、人口や産業などの行政データを集め、分析し、課題を抽出し、将来シナリオを検討した上で、必要な政策を考える。

今後はエッジカメラを始めとするＩｏＴデバイスが至る所に配設される時代が到来する中、この政策を提案する上でも、これらのＩｏＴデバイスにより得られるデータを活用することでより優れた政策を提案できる場合も出てくると考えられる。

しかしながら、従来において、このようなＩｏＴデバイスから得られるデータを活用して政策提言までつなげる技術が未だ案出されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、ＩｏＴデバイスから得られるデータを活用して政策提言に必要な行政上の課題を提案する行政課題探索プログラム、政策そのものを提案する政策提案プログラムを提供することにある。

本発明に係る政策を検討する上での行政上の課題を探索する行政課題探索プログラムにおいて、新たに探索する時期における外部環境に関する外部環境情報を取得する情報取得ステップと、外部環境を予め類型化した参照用外部環境情報と、行政上の課題との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外部環境情報に応じた参照用外部環境情報に基づき、上記連関度のより高いものを優先させて行政上の課題を探索する探索ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、人手に頼ることなく、ＩｏＴデバイスから得られるデータを活用して政策提言に必要な将来シナリオを提案することができる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した政策提案政策提案プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した政策提案プログラムが実装される政策提案システム１の全体構成を示すブロック図である。政策提案システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

また、情報取得部９は、水回りトラブル対応に対して出動し、実際に作業を行うことで問題解決を行う業者のデータベースに記録されている地域毎の売り上げデータや、地域毎の出動回数等に応じて算出した出動頻度データを取得するための手段で構成されていてもよい。

データベース３は、政策提案を行う上で必要な様々な情報が蓄積される。政策提案を行う上で必要な情報としては、後述する各参照用情報設備データ市況情報が、出力データとしての政策提言に必要な将来シナリオや提言すべき政策との関係において蓄積されている。

つまり、データベース３には、このような参照用情報設備データ市況情報の何れか１以上と、政策提言に必要な将来シナリオや提言すべき政策が互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う判別部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、判別部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

判別部２７は、探索解を判別する。この判別部２７は、判別動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この判別部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる政策提案システム１における動作について説明をする。

政策提案システム１では、例えば図３に示すように、参照用設備データと、政策提言に必要な将来シナリオとの３段階以上の連関度が予め設定されていることが前提となる。参照用設備データとは、建築構造物又は公共交通機関の各設備から取得した電力、電気、電圧、振動、音、ガス、水道の何れか１以上からなるデータである。ここでいう。建築構造物は、家屋、マンション、ビル、公共施設（学校や役所）、病院や店舗、遊技施設や競技場、球場やアミューズメント施設等、あらゆる構造物が含まれる。このような建築構造物の各設備とは、あらゆる電気設備、ガス設備、水道設備が含まれる。公共交通機関は、電車やバス等を想定するが、これらの車両ではなく、駅又はこれに連結するビルや建築物である。また公共交通機関は道路も含まれる。これらの公共交通機関に適用される設備とは、駅等に適用される電気設備、ガス設備、水道設備に加え、道路上に設置される街灯や高速道路に設置される電光掲示板等、あらゆる電気設備、ガス設備、水道設備が含まれる。ここでいう水道設備は、上水道のみならず下水道も含まれる。

参照用設備データは、このような設備について直接的、又は間接的にセンサや計測器を取り付け、取得したあらゆるデータを含む。また、各種ＩｏＴデバイスから検出されたデータも含む。例えば、上述した各種設備に供給される電力、電気、電圧、振動、音、光、電波（以下、これらを総称して物理データという。）、上水道、下水道の流量、ガスの流量等がこの参照用設備データである。設備を動作させる物理データ、電気、ガス、水道を供給する供給量データ、照明設備を通じて照射する光の光量や波長の何れか１以上からなる動作データもこの参照用設備データに含まれる。これらの動作データを検知することで、栽培環境の現状が正常か、或いは何らかの異常が発生しているのかを把握することができる。またこれらの動作データを検知することで、栽培環境が今後近いうちに異常が発生する可能性があるのか、或いは正常のままなのかも推定することができる。

これらの参照用設備データは、年単位、月単位、週単位、日単位、時間単位、分単位等あらゆる時系列的単位で管理可能とされている。またこの参照用設備データを含む以下に説明する全ての参照用情報は、政策を提案する地域単位ごとのデータであってもよく、例えば国の政策であれば国単位のデータで、県レベルの政策であれば県単位のデータ、更に市区町村レベルの政策であれば市区町村単位のデータで構成されていてもよい。

将来シナリオは、外国人の移住者の増加、観光事業が活発化、東京及びその周辺の一極集中がさらに進化、電気の使用量が増加等、政策を検討する上で将来起こりえるシナリオを予め類型化したものである。この将来シナリオは、類型化した各シナリオがどの頻度で起こり得るかを示すものであってもよい。

図３の例では、入力データとして、参照用設備データＰ０１、Ｐ０２、Ｐ０３であるものとする。このような入力データとしての参照用設備データＰ０１、Ｐ０２、Ｐ０３は、出力としての将来シナリオに連結している。

参照用設備データＰ０１、Ｐ０２、Ｐ０３は、この出力解としての将来シナリオＡ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。この将来シナリオは、例えばＡが外国人の移住者の増加、Ｂが東京及びその周辺の一極集中がさらに進化等のように示されているが、これに限定されるものではなく、更に詳細にシナリオが分類されていてもよい。参照用設備データがこの連関度を介して左側に配列し、各将来シナリオが連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データに対して、何れの将来シナリオと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データが、いかなる将来シナリオに紐付けられる可能性が高いかを示す指標であり、各参照用設備データについて最も確からしい将来シナリオを選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての将来シナリオと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての将来シナリオと互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用設備データと、その場合の将来シナリオの何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、過去において参照用設備データがある折れ線グラフで示される変動推移で示されるものであるものとする。このような、ある折れ線グラフで示される参照用設備データの場合に、実際にその地域における将来シナリオは、Ａが最も多かったものとする。このようなデータセットを集めて分析することにより、各地域の参照用設備データとの連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データＰ０１である場合に、過去の売上と、将来シナリオの各種データから分析する。設備データＰ０１である場合に、将来シナリオＡの事例が多い場合には、この将来シナリオの評価につながる連関度をより高く設定し、将来シナリオＢの事例が多い場合には、この将来シナリオの評価につながる連関度をより高く設定する。例えば設備データＰ０１についての参照用設備データの例では、将来シナリオＡと、将来シナリオＣにリンクしているが、以前の事例から将来シナリオＡにつながるｗ１３の連関度を７点に、将来シナリオＣにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図４に示すように、入力データとして各地域の参照用設備データが入力され、出力データとして将来シナリオが出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の各地域の参照用設備データと、将来シナリオとのデータセットを通じて作った後に、実際にこれから新たに将来シナリオの判別を行う上で、上述した学習済みデータを利用して将来シナリオを探索することとなる。これらのデータセットは、過去の設備データを取得し、その設備データを取得した後の段階でいかなるシナリオに発展したかを調べて、学習データとして入力するようにしてもよい。また将来シナリオの予め類型化された分類の何れに該当するかを人手により判別するようにしてもよいし、将来シナリオが何れの類型化された分類に当てはまるかを、シナリオのテキストデータを自動取込し、テキストマイニング技術を利用して自動分類してもよい。

新たに将来シナリオを探索する場合には、設備データの入力を受け付ける。

次にこの入力された設備データを参照用設備データと照合する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した設備データがＰ０２と同一かこれに類似するものである場合には、連関度を介して将来シナリオＢがｗ１５、将来シナリオＣが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い将来シナリオＢを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる将来シナリオＣを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

ちなみに、設備データと参照用設備データの照合は、仮にこれらのデータが、ある期間の平均値で表されている場合には、その平均値が±１０％の範囲内に入っているか否かで同一及び類似であるか否かを判別するようにしてもよい。また、設備データが時系列的推移グラフで示されるものであれば、その傾向の類似性に基づいて判別されるものであってもよい。

このようにして、新たに取得する設備データから、最も好適な将来シナリオを探索し、ユーザに表示することができる。この探索結果を見ることにより、その地域で、今後どのような将来シナリオになりえるかを事前に判別することができる。将来シナリオが提案されることで、新たに政策を立案する上でそれを参考にすることができる。

図５の例では、参照用設備データと、参照用市況情報との組み合わせの連関度が形成される例である。参照用市況情報とは、実際に建築構造物の居住者から水回りトラブルに基づく出動要請が業者に対してあり、これに対して業者側が受任をすることができず断りを入れた確率である。この市況情報は、出動要請数に対する断りを入れた回数で表される。出動要請数、断りを入れた回数、地域毎に業者がデータベース３上において管理している。この実際に市況情報を知りたい地域に対して、データベース３からこれらの出動要請数に対する断りを入れた回数を読み出すことで、市況情報を得ることができる。

将来シナリオは、その地域における売上に加え、あまりに出動要請件数が多い場合には、断りを入れる場合が多くなることから、その市況情報にも依拠する。このため、参照用設備データに加えて、参照用市況情報を学習データに組み合わせ判断することで、将来シナリオをより高精度に判別することができる。このため、参照用設備データに加えて、参照用市況情報を組み合わせて上述した連関度を形成しておく。

図５の例では、入力データとして例えば参照用設備データＰ０１～Ｐ０３、参照用市況情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用設備データに対して、参照用市況情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、将来シナリオが表示されている。

参照用設備データと参照用市況情報との各組み合わせ（中間ノード）は、この出力解としての、将来シナリオに対して３段階以上の連関度を通じて互いに連関しあっている。参照用設備データと参照用市況情報がこの連関度を介して左側に配列し、将来シナリオが連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データと参照用市況情報に対して、将来シナリオと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データと参照用市況情報が、いかなる将来シナリオに紐付けられる可能性が高いかを示す指標であり、参照用設備データと参照用市況情報から最も確からしい将来シナリオを選択する上での的確性を示すものである。このため、これらの参照用設備データと参照用市況情報の組み合わせで、最適な将来シナリオを探索していくこととなる。

図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用設備データと参照用市況情報、並びにその場合の将来シナリオが何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

参照用市況情報とは、市況に関する様々な情報である。ここでいう市況は、一企業、またその企業を含む業界全体、或いは日本全体、世界全体までいかなる範囲をターゲットにしてもよい。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、ＰＥＲ（株価収益率）、ＰＢＲ（株価純資産倍率）、ＲＯＥ（株主資本利益率）等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。参照用市況情報は、市場将来性自体を類型化しておくようにしてもよい。つまり図５の参照用市況情報Ｐ１４～Ｐ１７は類型別に分類した情報であってもよく、例えば、株価の伸び率が年〇％以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン（例えば、株価の伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データＰ０１で、参照用市況情報Ｐ１６である場合に、その将来シナリオを過去のデータから分析する。将来シナリオがＡの事例が多い場合には、この将来シナリオＡにつながる連関度をより高く設定し、将来シナリオＢの事例が多く、将来シナリオＡの事例が少ない場合には、将来シナリオＢにつながる連関度を高くし、将来シナリオＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、将来シナリオＡと将来シナリオＢの出力にリンクしているが、以前の事例から将来シナリオＡにつながるｗ１３の連関度を７点に、将来シナリオＢにつながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図５に示す連関度の例で、ノード６１ｂは、参照用設備データＰ０１に対して、参照用市況情報Ｐ１４の組み合わせのノードであり、将来シナリオＣの連関度がｗ１５、将来シナリオＥの連関度がｗ１６となっている。ノード６１ｃは、参照用設備データＰ０２に対して、参照用市況情報Ｐ１５、Ｐ１７の組み合わせのノードであり、将来シナリオＢの連関度がｗ１７、将来シナリオＤの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから将来シナリオを判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に将来シナリオを判別しようとする地域を同様に入力する。そしてデータベース３内にある、各地域毎に整理されている設備データと市況情報を取得する。

このようにして新たに取得した設備データ、市況情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した設備データがＰ０２と同一かこれに類似するものである場合であって、市況情報がＰ１７と同一か類似である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、将来シナリオＣがｗ１９、将来シナリオＤが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い将来シナリオＣを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる将来シナリオＤを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用人口推計データとの組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用人口推計データは、その地域における人口推計を示すものであり、人口ピラミッド（年代層、男女別に人口の分布が描かれた図）並びにその時系列的推移、その地域における転入数、転出数、転入家庭数、転出家庭数、また各人口毎の職業別分類等もこのデータに含めてもよい。将来シナリオは、設備データに加え、このような人口推計にも影響を受ける。高齢者人口が多いほど、トイレのつまり等に対応することができない場合が多く、出動要請の機会が増加する場合がある。また転入数－転出数がプラスに多いほど、人口が増加しており、これに応じて将来シナリオも高くなることが考えられる。このような参照用人口推計データは、各地域単位でデータベース３内にて管理されている。

このような人口推計も将来シナリオに影響を及ぼすことから、参照用設備データと組み合わせ、連関度を通じて将来シナリオを判別することで、判別精度を向上させることができる。解探索時には、実際にその将来シナリオの判別対象の地域を入力することで、その地域における設備データと、人口推計データとを取得する。新たに取得した設備データと、人口推計データに基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用地理的情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用地理的情報は、その地域におけるあらゆる地理的情報を示すものであり、河川、海の有無や位置、距離、面積、海抜何メートルあるか、また等高線の情報、道路に関する情報、河川に対する建築構造物の相対的位置関係等、の情報である。このような参照用地理的情報は、各地域単位でデータベース３内にて管理されている。

このような地理的情報も将来シナリオ、政策提案に影響を及ぼす。河川に近い場合には、これに応じて水回りのトラブルが発生する可能性が高くなる場合があることから、これを参照用設備データと組み合わせ、連関度を通じて将来シナリオを判別することで、判別精度を向上させることができる。解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、地理的情報とを取得する。新たに取得した設備データと、地理的情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用外部環境情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用外部環境情報、外部環境情報は、外部環境に関するあらゆる情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査、消費者物価指数、日銀短観等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、政治、経済、社会、技術の進化、流行、トレンド、疫病、天災事変等、あらゆる外部環境に関する情報を含めてもよい。また参照用外部環境情報は、このような外部環境情報はテキスト情報により定義されるものであってもよいし、これらがパターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。また参照用外部環境情報、環境情報は、ある特定の地域における観光客数、県内総生産等で示されるものであってもよい。

解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、探索時の外部環境情報とを取得する。新たに取得した設備データと、外部環境情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用政策情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用政策情報は、その地域において既に実施されている政策に関する情報である。この参照用政策情報、政策情報は、条文や条例そのものをテキストデータで取得し、テキストマイニングされた後で構成されていてもよいし、実施している政策に関する統計データで構成されていてもよいし、予め類型化された政策の分類で表示されるものであってもよい。

このような政策情報も次の政策提案や将来シナリオに影響を及ぼすことから、これを参照用設備データと組み合わせ、連関度を通じて将来シナリオを判別することで、判別精度を向上させることができる。解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、政策情報とを取得する。新たに取得した設備データと、政策情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用混雑度合情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用混雑度合情報、混雑度合情報は、政策を提案する地域における一又は複数の地点における混雑度合に関する情報である。即ち、参照用混雑度合情報、混雑度合情報とは、各エリア毎に通行人（通行車）やその場で滞在している人がどの程度混雑しているかを示す情報である。

図６は、この参照用混雑度合情報を説明するための図である。各エリアは屋外、屋内の何れも含む概念である。各エリア毎に人の数は異なり、最も人の少ないエリアはＬ３であり、最も人の多いエリアはＬ４である。人の多いほうから順にＬ４、Ｌ２、Ｌ１、Ｌ３であり、混雑度合もその順となる。参照用混雑度合は、このような混雑度合を示す情報である。即ち、この参照用混雑度合は、単位エリア当たりの人の数で示されるものであってもよい。

このような参照用混雑度合のデータを取得するためには、各人が所持するデバイスから発信される位置情報から取得するものであってもよい。ここでいうデバイスは、携帯電話機、スマートフォン、ウェアラブル端末のように各人が所持する電子機器であり、何れも位置情報を取得可能なデバイスで構成されている。位置情報の取得方法としては、例えばＧＰＳ等を利用するようにしてもよい。このように、各人が所持するデバイスにより取得された位置情報を収集することで各人の位置情報を取得することができる。このような位置情報を各エリアＬ１～Ｌ４毎に各人から収集することで、上述した混雑度合を求めることができる。そしてこのような各人の位置情報を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

このような参照用混雑度合のデータを取得するためには、各エリアに設置されたカメラから歩行者の通行状況を撮像した画像情報から取得するものであってもよい。カメラで各エリアの状況を捉えることができるような画像を撮像する。得られた画像を画像解析技術を通じて通行人を抽出し、その通行人の数をカウントする。この通行人の抽出は、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。このような画像解析を各エリアＬ１～Ｌ４についてそれぞれ実行することにより、各エリアＬ１～Ｌ４毎の人の数を検出することができ、上述した混雑度合を求めることができる。そしてこのような各エリアに設置されたカメラから歩行者の通行状況を撮像した画像情報を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

このような参照用混雑度合のデータを取得するためには、各エリアに設置されたマイクロフォンにより街頭の音声を記録した音声情報から取得するものであってもよい。マイクロフォンで各エリアの音声を記録する。得られた音声を音声認識技術を通じて通行人の数を推定する。単純にはマイクロフォンにより検出した音の大きさが大きいほど通行人が多いものと推定するモデルとしてもよい。このような音声認識を各エリアＬ１～Ｌ４についてそれぞれ実行することにより、各エリアＬ１～Ｌ４毎の人の数を検出することができ、上述した混雑度合を求めることができる。そしてこのような各エリアに設置されたマイクロフォンから歩行者の通行状況を時系列的に順次取得することにより、混雑度合を時系列的に順次することができ、これに応じて参照用混雑度合情報もリアルタイムに順次最新のものに更新することが可能となる。

混雑度合情報の取得方法も、上述した参照用混雑度合情報と同様である。

解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、提案時における混雑度合に関する混雑度合情報とを取得する。新たに取得した設備データと、政策情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用属性情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用属性情報、属性情報は、その地域において、居住し、勤務し、又は通過する人の年齢や健康状態、年収、生年月日、出身地、家庭環境、また子供が就学中であれば、その学費と今後かかる見込みの学費、当該個人が現在就職活動中か、就業中か等も含まれる。健康状態については、当該個人が全くの健康体であるか、或いは先天的に何らかの障害があるのか否かと障害の程度、また生まれた後に後天的に発生した障害があるか否かとその障害の程度、また生後に何らかの疾病にかかったか否か、現状もその疾病が継続しているか否かとその程度、アレルギーの状態、炎症の状態、怪我の状態、持病の状態、服用している薬剤の状況等、健康状態を示すあらゆる情報が含まれる。この参照用属性情報に含まれる健康状態は、心拍数や脈拍数、血液データ、心電図データ、Ｘ線画像等、医療データそのものから導かれたものであってもよい。これらは何れも各家庭からの申告や提出文書、医師の診断書等を通じて得られるものであってもよい。この参照用属性情報を上述した参照用情報Ｐ３４～Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、年齢４６歳、出身地：静岡、年収〇万円、〇×企業に勤務、家庭環境：妻と長男、長女の４人家族、長男は高校性、長女は中学生、健康状態：過去に胃潰瘍で手術した経験があり、参照用情報Ｐ３５は、年齢３８歳、出身地：東京、年収〇万円、▲〇企業に勤務、家庭環境：妻と長女の３人家族、長女は小学生、健康状態：良好等である。

参照用属性情報、属性情報は、その地域において存在する法人に関するあらゆる情報である。ここでいう属性とは、その法人の業種や技術分野、歴史、沿革、資本金、規模、従業員数、設立年数等が含まれるが、これに限定されるものでは無く、社風や従業の士気、採用者数等も含まれる。

このような参照用属性情報、属性情報は、各地域、国毎に管理しているデータベースや統計的なデータについては公開情報から取得するようにしてもよいが、路上に設置した監視カメラ等から撮像した画像に映し出されている人を画像解析することで、年齢、性別等を判別し、それを参照用属性情報、属性情報として取得するようにしてもよい。

解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、属性情報とを取得する。新たに取得した設備データと、属性情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用衛星画像情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用衛星画像情報、衛星画像情報は、その地域を含むように人工衛星から撮像した衛星画像で構成される。この参照用衛星画像情報、衛星画像情報は、衛星の画像以外に、衛星から電磁波を放射し、その反射特性を取得したデータで構成されるものであればいかなるものであってもよい。

このような参照用衛星画像情報、衛星画像情報も次の政策提案や将来シナリオに影響を及ぼすことから、これを参照用設備データと組み合わせ、連関度を通じて将来シナリオを判別することで、判別精度を向上させることができる。解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、衛星画像情報を取得する。新たに取得した設備データと、衛星画像情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用気象情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用気象情報、気象情報は、その撮影時における天気（晴、曇り、雨）、災害（台風、大雨等）、気温、湿度等の情報を示す。これ以外に、風向き、風速、雷雨、台風、旱魃等に関するあらゆるデータで構成されるものであってもよい。参照用気象情報、気象情報の取得は、その時点における天候を、気象庁のデータから取り込むようにしてもよいし、又は自ら把握した天候を入力するようにしてもよい。

解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、気象情報を取得する。新たに取得した設備データと、気象情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

なお、本発明によれば、上述した参照用設備データに加え、上述した参照用市況情報の代わりに参照用乗降情報との組み合わせと、当該組み合わせに対する将来シナリオとの３段階以上の連関度に基づいて解探索を行うようにしてもよい。

参照用市況情報の代わりに説明変数として加えられるこの参照用乗降情報、乗降情報は、その地域における公共交通機関（電車、バス等）への乗客の乗り降り数に関する情報である。乗り降り数は、公共交通機関が保有する乗客数のデータ以外に、駅のホームに設置されたカメラの画像解析により実際に電車に乗り込む乗客数、電車から出てくる乗客数をカウントしてもよい。

解探索時には、実際にその将来シナリオの判別対象の地域における設備データと、乗降情報を取得する。新たに取得した設備データと、乗降情報に基づいて、最適な将来シナリオを探索する。かかる場合には、予め取得した連関度を参照し、上述した方法に基づいて将来シナリオを探索する。

また、上述した参照用情報の代替として、参照用設備データを取得した時期に関する参照用時期情報を利用するようにしてもよい。ここでいう参照用時期情報とは、その参照用設備データを取得した時期として、月、週、日、季節等、時期を示すあらゆるデータで構成される。

かかる場合には、過参照用設備データと、上記参照用設備データを取得した時期に関する参照用時期情報とを有する組み合わせと、将来シナリオとの３段階以上の連関度をあらかじめ取得しておく。そして、設備データと、取得した時期情報に対応する参照用時期情報とに基づき、上述した連関度に基づいて将来シナリオを探索する。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に将来シナリオの判別・探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

なお、上述した連関度では、参照用設備データに加え、参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報等の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用設備データに加え、参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用設備データ又は、これに加えて参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して将来シナリオを求める。

また本発明は、図７に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて将来シナリオを判別するものである。この参照用情報Ｕが参照用設備データであり、参照用情報Ｖが参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報等の何れかであるものとする。

このとき、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（将来シナリオ）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用設備データ）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（将来シナリオ）を探索するようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい将来シナリオ、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用設備データを初めとする各参照用情報を取得し、これらに対する将来シナリオに関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

係る場合には、その参照用設備データを初めとする各参照用情報と実際にあったか否か、またその危険度や兆候の判別結果の事例を収集し、その事例の数に応じて連関度を上昇させ、或いは下降させる。このとき、上述した設備データ、市況情報、人口推計データ、地理的情報、外部環境情報、政策情報、混雑情報、属性情報、衛星画像情報、気象情報、乗降情報、時期情報を取得して、判別を行った際に、これらに基づいて更新を行うようにしてもよい。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

第２実施形態
以下、第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する将来シナリオ提案システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第２実施形態では、参照用外部環境情報と、将来シナリオのデータセットを学習させる。

図８の例では、入力データとして、各地域における参照用外部環境情報Ｐ０１、Ｐ０２、Ｐ０３であるものとする。このような入力データとしての参照用市外部環境情報Ｐ０１、Ｐ０２、Ｐ０３は、出力としての将来シナリオに連結している。

参照用外部環境情報Ｐ０１、Ｐ０２、Ｐ０３は、この出力解としての将来シナリオＡ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用外部環境情報がこの連関度を介して左側に配列し、各将来シナリオが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報に対して、何れの将来シナリオと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報が、いかなる将来シナリオに紐付けられる可能性が高いかを示す指標であり、各参照用外部環境情報について最も確からしい将来シナリオを選択する上での的確性を示すものである。

また、この連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の各地域の参照用外部環境情報と、将来シナリオとのデータセットを通じて作った後に、実際にこれから新たに将来シナリオの判別を行う上で、上述した学習済みデータを利用して将来シナリオを探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。解探索の方法は、上述した第１実施形態と同様であることから以下での説明を省略する。

上述した実施の形態に限定されるものでは無く、例えば図９に示すように、基調となる参照用情報と、将来シナリオとの３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と将来シナリオとの３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、上述した全ての参照用情報（参照用設備情報、参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報等）を適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用乗降情報Ｆにおいて、以前において将来シナリオＢが判別される経緯が多かったものとする。このような参照用乗降情報Ｆに応じた乗降情報を新たに取得したとき、将来シナリオとしての探索解Ｂに対して、重み付けを上げる処理を行い、換言すれば将来シナリオの探索解Ｂにつながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より将来シナリオとしての探索解Ｃを示唆するような分析結果であり、参照用情報Ｆが、より将来シナリオとしての探索解Ｄを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、将来シナリオＣの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、将来シナリオＤの重み付けを上げる処理を行う。つまり、将来シナリオにつながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、将来シナリオを上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての将来シナリオにいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する将来シナリオにつながるケースほど、連関度を介して求められた探索解としての当該判別類型をより高く修正するようにしてもよい。

同様に、図１０に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、将来シナリオとの連関度を形成する場合においても、基調となる参照用情報は、いかなる参照用情報（参照用設備情報、参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報等）も適用可能である。他の参照用情報は、基調となる参照用情報以外のいかなる参照用情報が含まれる。

このとき、基調となる参照用情報が、参照用外部環境情報であれば、他の参照用情報としては、これ以外のいかなる参照用情報が含まれる。

かかる場合も同様に解探索を行うことで、将来シナリオを推定することができる。このとき、上述した図９に示すように、連関度を通じて得られた探索解に対して、更なる他の参照用情報（参照用情報Ｆ、Ｇ、Ｈ等）を通じて、将来シナリオを修正するようにしてもよい。

このとき、他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよい。

また、図１１に示すように基調となる参照用情報のみと、将来シナリオとの間で連関度が形成されるものであってもよい。この基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用設備情報、参照用市況情報、参照用人口推計データ、参照用地理的情報、参照用外部環境情報、参照用政策情報、参照用混雑情報、参照用属性情報、参照用衛星画像情報、参照用気象情報、参照用乗降情報、参照用時期情報等）も適用可能である。この図１１の解探索方法は、図３の説明を引用することで以下での説明を省略する。

なお、第１実施形態、第２実施形態において、探索解としては何れも将来シナリオを探索する場合を例にとり説明をしたが、これに限定されるものではない。例えば、予め、各将来シナリオに政策が紐付けられていてもよい。かかる場合には、将来シナリオＡに対して政策ｐが、将来シナリオＢに対して政策ｑが、将来シナリオＣに対して、政策ｒがそれぞれ紐付けられて予めデータベースとして保存されている。ここでいう政策とは、経済財政、地方分権改革・地方創生、規制改革、科学技術・イノベーション、知的財産、健康・医療、宇宙、防災等のあらゆるジャンルを含む。例えば、「高等教育の費用を●●円にする」、「ドローンの適用対象を高度●●ｍまでとする」、「●●分野の研究に注力する」等といった大まかなレベルから、それぞれの政策を細かく定義する上で必要な条件が付されていてもよい。そして、上述した解探索を行った結果、探索解として得られた将来シナリオに紐付けられている政策をデータベースから読み出して出力する。例えば、将来シナリオＢが探索解として得られた場合、その将来シナリオＢに紐付けられている政策ｑをデータベースから読み出して出力するようにしてもよい。

また、第１実施形態、第２実施形態において、探索解としては将来シナリオを探索する代わりに、図１２に示すように、政策を探索するようにしてもよい。かかる場合には、参照用情報に対して将来シナリオの代替として政策を紐付けて学習させるようにしてもよい。かかる場合には、上述した将来シナリオを全て政策に置き換えて具現化ができる。

同様に図１３に示すように、探索解としては将来シナリオを探索する代わりに、行政上の課題を探索するようにしてもよい。かかる場合には、参照用情報に対して将来シナリオの代替として行政上の課題を紐付けて学習させるようにしてもよい。ここでいう行政上の課題は、例えば、「男女共同参画社会に向けた 市民意識の高揚」、「市民がまちなかに足を運び、賑わいをつくり出す」、「空き家利活用の推進」、「青少年がすこやかに成長すると共に、積極 的な社会参加ができるよう、指導や育成、支援を行う」、「貴重な文化財を守り、伝えていくための市民の 活動を促進」等、あらゆるジャンルの行政上の課題が含まれる。またこのような簡単なテキスト文で課題が定義される以外に、その課題をより細かく定義する上で必要な条件が付されていてもよい。かかる場合には、上述した将来シナリオを全て行政上の課題に置き換えて具現化ができる。

また各行政上の課題に対してそれぞれ政策が紐付けられていてもよい。かかる場合には、行政上の課題Ａに対して政策ｐが、行政上の課題Ｂに対して政策ｑが、行政上の課題Ｃに対して、政策ｒがそれぞれ紐付けられて予めデータベースとして保存されている。そして、上述した解探索を行った結果、探索解として得られた行政上の課題に紐付けられている政策をデータベースから読み出して出力する。例えば、行政上の課題Ｂが探索解として得られた場合、その行政上の課題Ｂに紐付けられている政策ｑをデータベースから読み出して出力するようにしてもよい。

１ 政策提案システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 判別部
２８ 記憶部
６１ ノード

Claims (9)

1. 政策を検討する上での行政上の課題を探索する行政課題探索プログラムにおいて、
   上記政策を提案する地域における建築構造物又は公共交通機関の各設備から取得した電力、電気、電圧、振動、音、ガス、水道の何れか１以上からなる設備データを取得する情報取得ステップと、
   予め建築構造物又は公共交通機関の各設備から取得した電力、電気、電圧、振動、音、ガス、水道の何れか１以上からなる参照用設備データと、行政上の課題との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した設備データに応じた参照用設備データに基づき、上記連関度のより高いものを優先させて行政上の課題を探索する探索ステップとをコンピュータに実行させること
   を特徴とする行政課題探索プログラム。
2. 上記情報取得ステップでは、新たに提案する時期における市況に関する市況情報を取得し、
   上記探索ステップでは、上記参照用設備データと、市況を予め類型化した参照用市況情報とを有する組み合わせと、行政上の課題との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した設備データに応じた参照用設備データと、市況情報に応じた参照用市況情報とを有する組み合わせとの間でより高い連関度が設定されている行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
3. 上記情報取得ステップでは、新たに提案する時期における市況に関する市況情報を取得し、
   上記探索ステップでは、上記連関度のより高いものを優先させるとともに、更に上記市況情報に基づいて行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
4. 上記情報取得ステップでは、新たに提案する時期における外部環境に関する外部環境情報を取得し、
   上記探索ステップでは、上記連関度のより高いものを優先させるとともに、更に上記外部環境情報に基づいて行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
5. 上記情報取得ステップでは、上記政策を提案する地域、又は他の地域において施行されている政策に関する政策情報を取得し、
   上記探索ステップでは、上記連関度のより高いものを優先させるとともに、更に上記政策情報に基づいて行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
6. 上記情報取得ステップでは、上記政策を提案する地域における一又は複数の地点における混雑度合に関する混雑度合情報を取得し、
   上記探索ステップでは、上記連関度のより高いものを優先させるとともに、更に上記混雑度合情報に基づいて行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
7. 上記情報取得ステップでは、上記政策を提案する地域を含むように人工衛星から撮像した衛星画像情報を取得し、
   上記探索ステップでは、上記連関度のより高いものを優先させるとともに、更に上記衛星画像情報に基づいて行政上の課題を探索すること
   を特徴とする請求項１記載の行政課題探索プログラム。
8. 上記探索ステップでは、上記行政上の課題に紐付けられた政策を提案すること
   を特徴とする請求項１～７のうち何れか１項記載の行政課題探索プログラム。
9. 上記連関度は、人工知能におけるニューラルネットワークのノードで構成されること
   を特徴とする請求項１～８のうち何れか１項記載の行政課題探索プログラム。

Images