JP6528532B2 - 災害検知プログラム、災害検知装置および災害検知方法 - Google Patents

Description

本発明は、災害検知プログラム、災害検知装置および災害検知方法に関する。

防災の現場では、災害が発生した場合に、いち早く災害の発生場所を捉えることが重要である。しかし、災害が発生する恐れがある場所に災害事象を捉えるための物理的なセンサを漏れなく配置することは困難である。そこで、ソーシャルメディアにおける災害の目撃情報を「人によるセンサ」として活用することが検討されている。

ソーシャルメディアは、インターネットなどを利用して、ユーザ同士がメッセージを投稿し、交換することによって情報流通を行うメディアである。ソーシャルメディアとしては、例えば、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）などが挙げられる。

関連する先行技術としては、例えば、同一のグループに属していると定められたデータ系列のデータ値またはデータ値の累乗の和を計算し、グループごとに計算された和に基づいて、異常または変化が生じているデータ系列を含むグループを検出するものがある。

特開２０１０−１９８５７９号公報

ソーシャルメディアにおける災害の目撃情報を用いるには、時間や地域によって投稿数が大きく変化する。しかしながら、上述した先行技術では投稿数の変化に追従できず、ソーシャルメディアなどに投稿されるメッセージから、災害の発生を検知することが難しい場合がある。

一つの側面では、本発明は、災害の発生を高精度に検知する災害検知プログラム、災害検知装置および災害検知方法を提供することを目的とする。

本発明の一側面によれば、災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域で共通の第１変数と前記各地域で独立のバラツキを表す第２変数とを用いて表現される前記各地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、算出した前記各地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する災害検知プログラム、災害検知装置および災害検知方法が提案される。

本発明の一態様によれば、災害の発生を高精度に検知することができるという効果を奏する。

図１は、実施の形態にかかる災害検知方法の一実施例を示す説明図である。 図２は、災害検知システム２００のシステム構成例を示す説明図である。 図３は、災害検知装置１０１のハードウェア構成例を示すブロック図である。 図４は、メッセージＤＢ２２０の記憶内容の一例を示す説明図である。 図５は、地域別発言数ＤＢ２３０の記憶内容の一例を示す説明図である。 図６は、各種統計量ＤＢ２４０の記憶内容の一例を示す説明図である。 図７は、災害検知装置１０１の機能的構成例を示すブロック図である。 図８は、メッセージＤＢ２２０の記憶内容の更新例を示す説明図である。 図９は、地域別発言数ＤＢ２３０の記憶内容の更新例を示す説明図である。 図１０は、各種統計量ＤＢ２４０の記憶内容の更新例を示す説明図である。 図１１は、閾値Ｔｈの設定例を示す説明図である。 図１２は、発災地域Ａ_jの特定処理例を示す説明図である。 図１３は、災害通知の具体例を示す説明図である。 図１４は、災害検知装置１０１の災害検知処理手順の一例を示すフローチャートである。 図１５は、フィルタ処理の具体的処理手順の一例を示すフローチャートである。 図１６は、実施の形態にかかる災害検知方法の適用事例を示す説明図である。 図１７は、発災事例に対する処理結果の一例を示す説明図である。

以下に図面を参照して、本発明にかかる災害検知プログラム、災害検知装置および災害検知方法の実施の形態を詳細に説明する。

（災害検知方法の一実施例）
図１は、実施の形態にかかる災害検知方法の一実施例を示す説明図である。図１において、災害検知装置１０１は、災害の発生を検知するコンピュータである。災害は、自然現象の変化、あるいは人為的な原因などによって、人命や社会生活に対する被害を生じる現象である。災害としては、例えば、浸水や土砂災害などの局所的に発生する災害が挙げられる。

防災の現場では、災害が発生した場合に、いち早く災害の発生場所を捉えることが重要であり、ソーシャルメディアにおける災害の目撃情報を「人によるセンサ」として活用することが検討されている。ところが、発災時には、災害が発生している地域以外においても、ノイズの影響により全国的に小規模なバースト、すなわち、災害の目撃情報を含む発言数の急増が発生してしまう場合がある。また、国外の災害に関する発言が全国的に発生し、全国的にバーストが発生することもある。

これらの要因により、例えば、都道府県といった地域別の発言数の推移に対して個別にバースト検知を実施すると誤検知してしまう。このため、例えば、日本全国のどこかで局所的に発生する災害を捉えるためには、単純なバースト検知ではなく、地域別の発言数を相対的に比較し、局所的にバーストが発生していることを検知することが重要である。

ここで、地域別の発言数を地域別のユーザ数等で除算した正規化発言数を求め、正規化発言数群が単一の確率分布に従うと仮定した上で、外れ値を検出する手法が考えられる。しかしながら、この手法では、地域間でユーザ数の格差が大きい場合に、極端にユーザ数が小さい地域において、発言数が過剰に評価されるという問題がある（以下、「ｓｍａｌｌ ｎｕｍｂｅｒ ｐｒｏｂｌｅｍ」という）。

ｓｍａｌｌ ｎｕｍｂｅｒ ｐｒｏｂｌｅｍに対する対処法として、疫学分野において、地域別の観測値に対して独立なパラメータを持つポアソン分布を仮定し、ベイズ推定を用いて人口調整を行う手法が提案されている。しかしながら、この手法では、地域ごとに独立なパラメータを持つ分布を仮定するため、共通分布を仮定できず、外れ値を検出することが難しい。

以下の説明では、地域別の発言数を地域別のユーザ数等で除算した正規化発言数を求め、正規化発言数群が単一の確率分布に従うと仮定した上で、外れ値を検出する手法を「問題手法１」と表記する場合がある。

また、多数のデータ系列に対して、各データ系列のデータ値またはデータ値の累乗の和を計算し、計算された和に基づいて、異常または変化が生じているかを判定する手法がある。しかしながら、この手法では、和によってデータ系列を集約しているため、データ系列のデータ値またはデータ値の累乗をそのまま集約すると、人口が少ない地域で災害が発生した場合に検知することができない。

また、データ系列の大きさの格差を是正するために、上述した疫学分野の手法により発言率を求め、それらの和に対して異常または変化が生じているかを判定することが考えられる。しかしながら、データの全体量は、災害の規模や時間帯によって大きく変動するため、単純な和によって求めた集約値のみで発災の有無を判定することは難しい。

以下の説明では、多数のデータ系列に対して、各データ系列のデータ値またはデータ値の累乗の和を計算し、計算された和に基づいて、異常または変化が生じているかを判定する手法を「問題手法２」と表記する場合がある。

ここで、浸水、土砂災害といった災害は、ほぼ同時刻に特定の地域で局所的に発生することが多い。このため、発災時において、ソーシャルメディア上の災害目撃に対する地域別の発言率は、災害発生地域のみ全国平均からみて大きくなる傾向にある。一方、災害が発生していない平常時の地域別の発言率、および、発災時における災害が発生していない地域の発言率は、全国平均を中心に分布する傾向にある。

そこで、本実施の形態では、上述したデータ特性に着目し、地域別の投稿率（上述した「発言率」に対応）を求め、全国の投稿率群が構成する分布に偏りが生じているか否かを判定することにより、災害の発生を検知する災害検知方法について説明する。以下、災害検知装置１０１の処理例について説明する。

（１）災害検知装置１０１は、複数の地域の各地域において投稿された災害に関するメッセージの数を取得する。ここで、複数の地域は、災害の発生を監視する対象エリアに含まれる地域である。対象エリアは、任意に設定可能である。例えば、対象エリアを「日本全国」とし、地域を「都道府県」とすると、複数の地域は４７都道府県となる。

また、例えば、対象エリアを「関東地方」とし、地域を「都道府県」とすると、複数の地域は、東京都と神奈川・埼玉・群馬・栃木・茨城・千葉の６県となる。また、例えば、対象エリアを「東京都」とし、地域を「市区町村」とすると、複数の地域は、東京都に含まれる市区町村となる。

災害に関するメッセージは、例えば、ＴｗｉｔｔｅｒやＦａｃｅｂｏｏｋなどのソーシャルメディアに投稿されたメッセージのうち、災害に関連するキーワードを含むメッセージである。具体的には、例えば、災害に関するメッセージは、ソーシャルメディアに投稿されたメッセージに対してフィルタ処理を実施することにより抽出することができる。なお、フィルタ処理についての詳細な説明は後述する。

以下の説明では、複数の地域を「地域Ａ₁〜Ａ_m」と表記し（ｍ：２以上の自然数）、地域Ａ₁〜Ａ_mのうちの任意の地域を「地域Ａ_i」と表記する場合がある（ｉ＝１，２，…，ｍ）。また、地域Ａ_iにおいて投稿された災害に関するメッセージの数を「メッセージ数ｙ_i」と表記する場合がある。

（２）災害検知装置１０１は、各地域Ａ_iにおいて投稿された災害に関するメッセージ数ｙ_iに基づいて、各地域Ａ_iにおいて投稿された災害に関するメッセージの投稿率θ_iを算出する。ここで、投稿率θ_iは、地域Ａ_iのユーザ数ｎ_iに対するメッセージ数ｙ_iの割合を表す値である。

各地域Ａ_iのユーザ数ｎ_iは、例えば、予め与えられて記憶されている。各地域Ａ_iのユーザ数ｎ_iとしては、例えば、各地域Ａ_iにおけるソーシャルメディアのユーザ数を用いることにしてもよく、また、各地域Ａ_iの人口を用いることにしてもよい。

ここでは、図１中のグラフ１１０に示すように、ある時刻ｔにおける各地域Ａ_iの投稿率θ_iは、全地域Ａ₁〜Ａ_mで共通のパラメータμを中心に独立的なバラツキ（ε_i）をもって分布すると仮定する。パラメータμは、例えば、全地域Ａ₁〜Ａ_mの投稿率群｛θ₁〜θ_m｝の分布の中心値に対応する変数である。そして、災害検知装置１０１は、階層的な回帰モデル（統計モデル）を用いて、パラメータμの値と各地域Ａ_iの投稿率θ_iとを算出する。

具体的には、例えば、災害検知装置１０１は、下記式（１）および（２）を用いて、各地域Ａｉの投稿率θｉがそれぞれ独立なパラメータを持つポアソン分布に従うと仮定した階層的なポアソン回帰モデル（統計モデル）を構築し、各パラメータの値を推定する。

ただし、ｙ_iは、地域Ａ_iにおいて投稿された災害に関するメッセージ数である。ｎ_iは、各地域Ａ_iのユーザ数である。θ_iは、各地域Ａ_iの投稿率である。ε_iは、各地域Ａ_iで独立のバラツキを表すパラメータである。μは、全地域Ａ₁〜Ａ_mで共通のパラメータである。

ここで、上記式（１）および（２）において、求めるべきパラメータ（θ_i、μ等）の数と比較して観測データ（メッセージ数ｙ_i）の数が少ない。このため、災害検知装置１０１は、例えば、下記式（３）および（４）のように、ハイパーパラメータおよび無情報事前分布を用意し、ベイズモデルを構築する。

そして、災害検知装置１０１は、例えば、マルコフ連鎖モンテカルロ法（ＭＣＭＣ法）を用いて各パラメータを求め、得られた各パラメータ分布の代表値（例えば、中央値または平均値）をパラメータ推定値とする。ただし、上記のパラメータの推定方法は一例であり、他の推定方法を用いることにしてもよい。

（３）災害検知装置１０１は、算出した各地域Ａ_iの投稿率θ_iの平均値μ₀と、算出したパラメータμの値から得られる地域Ａ₁〜Ａ_mにおける平均的な投稿率ｅｘｐ（μ）との差分ξを算出する。そして、災害検知装置１０１は、算出した差分ξが閾値Ｔｈよりも大きい場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定する。

閾値Ｔｈは、任意に設定可能である。閾値Ｔｈの具体的な設定例については後述する。また、地域Ａ₁〜Ａ_mにおける平均的な投稿率ｅｘｐ（μ）は、パラメータε_iの値を「ε_i＝０」とし、上記式（２）の左辺のｌｏｇをとることにより求めることができる。

ここで、災害が発生していない平常時は、図１中のグラフ１２０に示すように、各地域Ａ_iの投稿率θ_iは、地域Ａ₁〜Ａ_mにおける平均的な投稿率ｅｘｐ（μ）を中心に分布する。一方で、局所的な災害の発生時は、図１中のグラフ１３０に示すように、災害が発生している地域Ａ_jの投稿率θ_jのみ大きくなり、他の地域Ａ_i（ｉ≠ｊ）の投稿率θ_iが構成する分布において、地域Ａ_jの投稿率θ_jは外れ値となる。

このため、災害が発生し、局所的な外れ値が存在する場合に、全地域Ａ₁〜Ａ_mの投稿率群｛θ₁〜θ_m｝が構成する分布に偏りが生じる。そこで、パラメータμの値から得られる地域Ａ₁〜Ａ_mにおける平均的な投稿率ｅｘｐ（μ）と、各地域Ａ_iの投稿率θ_iの平均値μ₀との差分ξを、地域別の投稿率群｛θ₁〜θ_m｝が構成する分布の偏りとして定義する。

すなわち、本実施の形態では、災害が局所的に発生する点に着目し、偏りξ（差分ξ）の大きさの推移を監視し、偏りξが急増（バースト）している場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生しているとみなす。

具体的には、例えば、災害検知装置１０１は、下記式（５）および（６）を用いて、差分ξを算出することができる。ただし、μ₀は、各地域Ａ_iの投稿率θ_iの平均値である。ｍは、地域Ａ₁〜Ａ_mの地域数である。ｅｘｐ（μ）は、パラメータμの値から得られる地域Ａ₁〜Ａ_mにおける平均的な投稿率である。

μ₀＝１／ｍ（Σ_iθ_i） ・・・（５）
ξ＝μ₀−ｅｘｐ（μ） ・・・（６）

このように、災害検知装置１０１によれば、ユーザ数で調整された地域別の投稿率群｛θ₁〜θ_m｝が構成する分布の偏りξ（差分ξ）を用いて、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生しているか否かを判定することができる。これにより、ｓｍａｌｌ ｎｕｍｂｅｒ ｐｒｏｂｌｅｍを回避しながら、全体分布の形が不明なデータに対して外れ値の有無を判定することができ、ソーシャルメディアなどに投稿されるメッセージから、災害の発生を高精度に検知することができる。

（災害検知システム２００のシステム構成例）
つぎに、災害検知装置１０１を含む災害検知システム２００のシステム構成例について説明する。以下の説明では、災害の発生を監視する対象エリアを「日本全国」とし、地域Ａ₁〜Ａ_mを「４７都道府県」とし、地域Ａ_iを「４７都道府県のいずれかの都道府県」とする。

図２は、災害検知システム２００のシステム構成例を示す説明図である。図２において、災害検知システム２００は、災害検知装置１０１と、ソーシャルメディアサービス２０１と、を含む。災害検知システム２００において、災害検知装置１０１およびソーシャルメディアサービス２０１は、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット、移動体通信網などである。

災害検知装置１０１は、メッセージＤＢ（データベース）２２０、地域別発言数ＤＢ２３０および各種統計量ＤＢ２４０を有し、ソーシャルメディアサービス２０１に投稿されたメッセージから、災害の発生を検知する。災害検知装置１０１は、例えば、サーバやＰＣ（パーソナル・コンピュータ）などである。

なお、メッセージＤＢ２２０、地域別発言数ＤＢ２３０および各種統計量ＤＢ２４０の記憶内容については、図４〜図６を用いて後述する。また、本実施の形態では、災害検知装置１０１が、１台のコンピュータにより実現される場合を例に挙げて説明するが、複数台のコンピュータにより実現されることにしてもよい。

ソーシャルメディアサービス２０１は、ユーザ同士がメッセージを投稿し、交換することによって情報流通を行うソーシャルメディアのサービスを提供するクラウドシステムである。ソーシャルメディアサービス２０１は、１台のコンピュータにより実現されてもよく、また、複数台のコンピュータにより実現されてもよい。ソーシャルメディアサービス２０１としては、例えば、ＴｗｉｔｔｅｒやＦａｃｅｂｏｏｋなどが挙げられる。

（災害検知装置１０１のハードウェア構成例）
図３は、災害検知装置１０１のハードウェア構成例を示すブロック図である。図３において、災害検知装置１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、ディスクドライブ３０４と、ディスク３０５と、を有する。また、各構成部は、バス３００によってそれぞれ接続される。

ここで、ＣＰＵ３０１は、災害検知装置１０１の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることで、コーディングされている処理をＣＰＵ３０１に実行させる。

Ｉ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他の装置（例えば、図２に示したソーシャルメディアサービス２０１）に接続される。そして、Ｉ／Ｆ３０３は、ネットワーク２１０と自装置内部とのインターフェースを司り、他の装置からのデータの入出力を制御する。Ｉ／Ｆ３０３には、例えば、モデムやＬＡＮアダプタなどを採用することができる。

ディスクドライブ３０４は、ＣＰＵ３０１の制御に従ってディスク３０５に対するデータのリード／ライトを制御する。ディスク３０５は、ディスクドライブ３０４の制御で書き込まれたデータを記憶する。ディスク３０５としては、例えば、磁気ディスク、光ディスクなどが挙げられる。

なお、災害検知装置１０１は、上述した構成部のほか、例えば、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、キーボード、マウス、ディスプレイなどを有することにしてもよい。また、図２に示したソーシャルメディアサービス２０１についても、災害検知装置１０１と同様のハードウェア構成のコンピュータにより実現することができる。

（メッセージＤＢ２２０の記憶内容）
つぎに、災害検知装置１０１が有するメッセージＤＢ２２０の記憶内容について説明する。メッセージＤＢ２２０は、例えば、図３に示したメモリ３０２やディスク３０５などの記憶装置により実現される。

図４は、メッセージＤＢ２２０の記憶内容の一例を示す説明図である。図４において、メッセージＤＢ２２０は、投稿場所、投稿日時および本文のフィールドを有し、各フィールドに情報を設定することで、メッセージ（例えば、メッセージ４００−１〜４００−５）をレコードとして記憶する。

ここで、投稿場所は、ソーシャルメディアサービス２０１を利用してメッセージが投稿された地域を示す。ただし、初期状態では、投稿場所フィールドには「−（ｎｕｌｌ）」が設定される。投稿日時は、ソーシャルメディアサービス２０１を利用してメッセージが投稿された日時である。本文は、ソーシャルメディアサービス２０１を利用して投稿されたメッセージの本文である。

（地域別発言数ＤＢ２３０の記憶内容）
つぎに、災害検知装置１０１が有する地域別発言数ＤＢ２３０の記憶内容について説明する。地域別発言数ＤＢ２３０は、例えば、図３に示したメモリ３０２やディスク３０５などの記憶装置により実現される。

図５は、地域別発言数ＤＢ２３０の記憶内容の一例を示す説明図である。図５において、地域別発言数ＤＢ２３０は、集計日時および都道府県別の発言数のフィールドを有し、各フィールドに情報を設定することで、地域別発言数情報（例えば、地域別発言数情報５００−１〜５００−４）をレコードとして記憶する。

集計日時は、都道府県別の発言数を集計した日時である。都道府県別の発言数は、各都道府県において投稿された災害に関するメッセージの数であり、後述する「地域Ａ_iの発言数ｙ_i」に対応する。ここでは、都道府県別の発言数は、集計日時の過去１時間分のメッセージを集計した数である。例えば、集計日時が２０１５年４月１１日８時００分の場合、都道府県別の発言数は、各都道府県において２０１５年４月１１日の７時０１分から８時００分までに投稿された災害に関するメッセージの合計となる。

なお、ここでは都道府県別の発言数として、集計日時の過去１時間分のメッセージの集計値を用いることにしたが、これに限らない。例えば、都道府県別の発言数として、移動平均的な集計値を用いることにしてもよい。

（各種統計量ＤＢ２４０の記憶内容）
つぎに、災害検知装置１０１が有する各種統計量ＤＢ２４０の記憶内容について説明する。各種統計量ＤＢ２４０は、例えば、図３に示したメモリ３０２やディスク３０５などの記憶装置により実現される。

図６は、各種統計量ＤＢ２４０の記憶内容の一例を示す説明図である。図６において、各種統計量ＤＢ２４０は、集計日時、集計統計量、全国平均推定値および都道府県別の発言率のフィールドを有し、各フィールドに情報を設定することで、各種統計量情報（例えば、各種統計量情報６００−１〜６００−４）をレコードとして記憶する。

ここで、集計日時は、都道府県別の発言数（各地域Ａ_iの発言数ｙ_i）を集計した日時である。集計統計量は、全地域Ａ₁〜Ａ_mの発言率群｛θ₁〜θ_m｝が構成する分布の偏りを示しており、後述する「差分ξ」に対応する。全国平均推定値は、全地域Ａ₁〜Ａ_mの発言率群｛θ₁〜θ_m｝の分布の中心値に対応するパラメータであり、後述する「全地域Ａ₁〜Ａ_mで共通のパラメータμ」に対応する。

都道府県別の発言率は、各地域Ａ_iのユーザ数ｎ_iに対する発言数ｙ_iの割合を表す値であり、後述する「地域Ａ_iの発言率θ_i」に対応する。なお、図６では、各種統計量として、スペースの都合上実際よりも大きな値を示している。

（災害検知装置１０１の機能的構成例）
図７は、災害検知装置１０１の機能的構成例を示すブロック図である。図７において、災害検知装置１０１は、取得部７０１と、フィルタ部７０２と、特定部７０３と、集計部７０４と、算出部７０５と、判定部７０６と、出力部７０７と、を含む構成である。取得部７０１〜出力部７０７は制御部となる機能であり、具体的には、例えば、図３に示したメモリ３０２、ディスク３０５などの記憶装置に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、Ｉ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、メモリ３０２、ディスク３０５などの記憶装置に記憶される。

取得部７０１は、ソーシャルメディアサービス２０１から、投稿されたメッセージを取得する。メッセージには、投稿日時と本文が含まれる。また、メッセージには、投稿場所を示す位置情報が含まれていてもよい。投稿場所を示す位置情報は、例えば、投稿者の端末機器に搭載されたＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）などにより測位される緯度、経度の情報である。

なお、ソーシャルメディアサービス２０１は、投稿されたメッセージを、定期的（例えば、数秒単位）に災害検知装置１０１に送信することにしてもよく、また、災害検知装置１０１からの要求に応じて送信することにしてもよい。取得されたメッセージは、例えば、図４に示したメッセージＤＢ２２０に記憶される。

フィルタ部７０２は、取得部７０１によって取得されたメッセージに対してフィルタ処理を行う。具体的には、例えば、フィルタ部７０２は、メッセージＤＢ２２０から、所定のキーワードを含まないメッセージを除外するフィルタ処理を行う。所定のキーワードは、任意に設定可能である。所定のキーワードとしては、例えば、「浸水」、「冠水」などの災害に関連するキーワードが設定される。

これにより、災害に関するメッセージ以外を除外することができる。なお、フィルタ部７０２によるメッセージに対するフィルタ処理例については、図８を用いて後述する。

また、フィルタ部７０２は、自然言語処理等を使って、目撃情報ではないメッセージを除外するフィルタ処理を行うことにしてもよい。例えば、フィルタ部７０２は、メッセージＤＢ２２０から、報道機関によるメッセージを除外するフィルタ処理を行う。具体的には、例えば、フィルタ部７０２は、メッセージに投稿元の情報が含まれ、投稿元が報道機関である場合、当該メッセージを除外する。

また、例えば、フィルタ部７０２は、メッセージが再投稿されたメッセージである場合、当該メッセージを除外するフィルタ処理を行う。Ｔｗｉｔｔｅｒを例に挙げると、再投稿されたメッセージにはリツイートであることを示す「ＲＴ」が含まれる。フィルタ部７０２は、メッセージがリツイートのメッセージである場合、当該メッセージを除外する。

また、例えば、フィルタ部７０２は、メッセージが推定的な内容である場合、当該メッセージを除外するフィルタ処理を行う。具体的には、例えば、フィルタ部７０２は、メッセージに推定的な内容に含まれる特定のワードが含まれる場合、当該メッセージを除外する。特定のワードは、任意に設定可能である。

また、特定のワードは、推定的な内容のメッセージを収集して、機械学習により求めてもよい。また、フィルタ部７０２は、メッセージを構文解析して、推定的な内容で用いられる構文である場合、当該メッセージを除外するようにしてもよい。推定的な内容で用いられる構文も、例えば、推定的な内容のメッセージを収集して、機械学習により求めてもよい。

このように、目撃情報ではないメッセージを除外することにより、災害の発生場所を推定する際にノイズとなるメッセージを除外することができる。ここで、図８を用いて、フィルタ部７０２によるメッセージに対するフィルタ処理例について説明する。

図８は、メッセージＤＢ２２０の記憶内容の更新例を示す説明図である。ここでは、図４に示したメッセージＤＢ２２０内のメッセージ４００−１〜４００−５に対するフィルタ処理を例に挙げて説明する。

図８の（８−１）において、フィルタ部７０２は、メッセージ４００−１〜４００−５から、所定のキーワードを本文に含まないメッセージを除外する。ここでは、所定のキーワードとして、「浸水」、「冠水」が設定されている場合を想定する。この場合、メッセージ４００−１〜４００−５の全てに「浸水」というキーワードが含まれるため、フィルタ部７０２は、メッセージ４００−１〜４００−５のいずれのメッセージも除外しない。

図８の（８−２）において、フィルタ部７０２は、報道機関によるメッセージを除外する。ここでは、メッセージ４００−３の本文に、投稿元が報道機関であることを示す情報「［新聞］」が含まれる。この場合、フィルタ部７０２は、例えば、メッセージＤＢ２２０からメッセージ４００−３を削除する。

図８の（８−３）において、フィルタ部７０２は、メッセージが再投稿されたメッセージである場合、当該メッセージを除外する。ここでは、メッセージ４００−２の本文に、リツイートであることを示す「ＲＴ」が含まれる。この場合、フィルタ部７０２は、例えば、メッセージＤＢ２２０からメッセージ４００−２を削除する。

図７の説明に戻り、特定部７０３は、メッセージの投稿場所を特定する。具体的には、例えば、メッセージに投稿場所を示す位置情報が含まれる場合、特定部７０３は、メッセージに含まれる位置情報を参照して、メッセージの投稿場所を特定することにしてもよい。なお、投稿場所の特定は、例えば、フィルタ部７０２により除外されなかったメッセージについて行われる。

また、例えば、特定部７０３は、メッセージから地名などの場所を示す名詞を抽出することにより、抽出した名詞が示す場所を投稿場所として特定することにしてもよい。地名などの場所を示す名詞は、例えば、メモリ３０２、ディスク３０５などの記憶装置に予め登録されている。

特定されたメッセージの投稿場所は、例えば、メッセージＤＢ２２０に記憶される。ここで、メッセージの投稿場所の特定例について説明する。ここでは、メッセージの投稿場所として、４７都道府県のいずれかの都道府県を特定する場合を例に挙げて説明する。

まず、メッセージ４００−１に、投稿場所を示す位置情報として、京都府のいずれかの地点を示す緯度、経度が含まれていたとする。この場合、特定部７０３は、メッセージ４００−１の投稿場所として「京都府」を特定し、メッセージＤＢ２２０のメッセージ４００−１の投稿場所フィールドに「京都府」を設定する（図８の（８−４）参照）。

つぎに、メッセージ４００−４に、投稿場所を示す位置情報として、大阪府のいずれかの地点を示す緯度、経度が含まれていたとする。この場合、特定部７０３は、メッセージ４００−４の投稿場所として「大阪府」を特定し、メッセージＤＢ２２０のメッセージ４００−４の投稿場所フィールドに「大阪府」を設定する（図８の（８−４）参照）。

つぎに、メッセージ４００−５に、投稿場所を示す位置情報が含まれておらず、また、地名などの場所を示す名詞も含まれていなかったとする。この場合、メッセージ４００−５の投稿場所は特定されず、特定部７０３は、メッセージＤＢ２２０のメッセージ４００−５の投稿場所フィールドに「ｕｎｋｎｏｗｎ」を設定する（図８の（８−４）参照）。

集計部７０４は、特定部７０３によって特定されたメッセージの投稿場所を参照して、各地域Ａ_iの発言数ｙ_iを集計する。ここで、地域Ａ_iは、４７都道府県のうちのいずれかの都道府県である。また、各地域Ａ_iの発言数ｙ_iは、各地域Ａ_iにおいて投稿された災害に関するメッセージの数であり、図１で説明した「各地域Ａ_iのメッセージ数ｙ_i」に対応する。

具体的には、例えば、集計部７０４は、フィルタ部７０２によるフィルタ処理が行われたメッセージＤＢ２２０から投稿日時が所定期間Ｔ内に含まれるメッセージを抽出する。所定期間Ｔは、任意に設定可能である。例えば、時刻ｔにおける各地域Ａ_iの発言数ｙ_iを集計する場合、時刻ｔの過去数時間分の期間を所定期間Ｔとして設定することにしてもよい。

より具体的には、例えば、図５に示したように、各地域Ａ_iの発言数ｙ_iを集計する集計日時を１時間ごとに設定し、集計日時の過去１時間分の期間を所定期間Ｔとして設定することにしてもよい。一例として、集計日時を「２０１５年４月１１日１２時００分」とすると、所定期間Ｔは「２０１５年４月１１日の１１時０１分〜１２時００分」となる。この場合、集計部７０４は、メッセージＤＢ２２０から、「２０１５年４月１１日の１１時０１分〜１２時００分」に投稿日時が含まれるメッセージを抽出する。

そして、集計部７０４は、抽出したメッセージの投稿場所を参照して、各地域Ａ_iの発言数ｙ_iを集計する。例えば、「２０１５年４月１１日の１１時０１分〜１２時００分」に投稿日時が含まれるメッセージ群の中に、投稿場所が「北海道」のメッセージが２件含まれていた場合、北海道の発言数は「２」となる。

これにより、所定期間Ｔ内に各地域Ａ_iにおいて投稿された災害に関するメッセージの数、すなわち、都道府県別の発言数を得ることができる。集計された各地域Ａ_iの発言数ｙ_iは、例えば、図５に示した地域別発言数ＤＢ２３０に記憶される。ここで、図９を用いて、地域別発言数ＤＢ２３０の記憶内容の更新例について説明する。

図９は、地域別発言数ＤＢ２３０の記憶内容の更新例を示す説明図である。ここでは、集計日時を「２０１５年４月１１日１２時００分」とし、所定期間Ｔを集計日時の過去１時間分の期間とする。この場合、集計部７０４によって集計された各地域Ａ_iの発言数ｙ_iが都道府県別の発言数フィールドに設定されて、地域別発言数情報５００−５が新たなレコードとして記憶される。

図７の説明に戻り、算出部７０５は、集計部７０４によって集計された各地域Ａ_iの発言数ｙ_iに基づいて、全地域Ａ₁〜Ａ_mで共通のパラメータμと各地域Ａ_iで独立のバラツキを表すパラメータε_iとを用いて表現される各地域Ａ_iの発言率θ_iと、パラメータμの値とを算出する。

ここで、各地域Ａ_iの発言数ｙ_iは、例えば、地域別発言数ＤＢ２３０から特定される。より詳細に説明すると、例えば、時刻ｔにおける各地域Ａ_iの発言率θ_iとパラメータμの値は、地域別発言数ＤＢ２３０内の集計時刻ｔにおける各地域Ａ_iの発言数ｙ_iに基づいて算出される。

各地域Ａ_iの発言率θ_iは、各地域Ａ_iのユーザ数ｎ_iに対する発言数ｙ_iの割合を表す値であり、図１で説明した「各地域Ａ_iの投稿率θ_i」に対応する。各地域Ａ_iのユーザ数ｎ_iは、例えば、各地域Ａ_iにおけるソーシャルメディアのユーザ数であってもよく、また、各地域Ａ_iの人口であってもよい。パラメータμは、例えば、全地域Ａ₁〜Ａ_mの発言率群｛θ₁〜θ_m｝が構成する分布の中心値に対応する。

本実施の形態では、ある時刻ｔにおける各地域Ａ_iの発言率θ_iは、全地域Ａ₁〜Ａ_mで共通のパラメータμを中心に独立的なバラツキ（ε_i）をもって分布すると仮定する。そして、算出部７０５は、例えば、上記式（１）および（２）を用いて、各地域Ａ_iの発言率θ_iがそれぞれ独立なパラメータを持つポアソン分布に従うと仮定した階層的なポアソン回帰モデルを構築し、各パラメータの値を推定する。

ただし、ｙ_iは、各地域Ａ_iの発言数である。ｎ_iは、各地域Ａ_iのユーザ数である。各地域Ａ_iのユーザ数ｎ_iは、例えば、予め登録されてメモリ３０２、ディスク３０５などの記憶装置に記憶されている。θ_iは、各地域Ａ_iの発言率である。ε_iは、各地域Ａ_iで独立のバラツキを表すパラメータである。μは、全地域Ａ₁〜Ａ_mで共通のパラメータである。

上記式（１）および（２）において、求めるべきパラメータ（θ_i、μ等）の数と比較して観測データ（発言数ｙ_i）の数が少ない。このため、算出部７０５は、例えば、上記式（３）および（４）のように、ハイパーパラメータおよび無情報事前分布を用意し、ベイズモデルを構築する。そして、算出部７０５は、例えば、マルコフ連鎖モンテカルロ法（ＭＣＭＣ法）を用いて各パラメータを求め、得られた各パラメータ分布の代表値（例えば、中央値または平均値）をパラメータ推定値とする。

これにより、ある時刻ｔ（所定期間Ｔ）における各地域Ａ_iの発言率θ_iと、全地域Ａ₁〜Ａ_mで共通のパラメータμの値を推定することができる。算出された各地域Ａ_iの発言率θ_iとパラメータμの値は、例えば、図６に示した各種統計量ＤＢ２４０に記憶される。各種統計量ＤＢ２４０の記憶内容の更新例については、図１０を用いて後述する。

また、算出部７０５は、算出した各地域Ａ_iの発言率θ_iの平均値μ₀と、算出したパラメータμの値から得られる平均的発言率ｅｘｐ（μ）との差分ξを算出する。ここで、平均的発言率ｅｘｐ（μ）は、地域Ａ₁〜Ａ_mにおける平均的な発言率を表す。

具体的には、例えば、算出部７０５は、算出した各地域Ａ_iの発言率θ_iを上記式（５）に代入することにより、各地域Ａ_iの発言率θ_iの平均値μ₀を算出する。ただし、ｍは、地域Ａ₁〜Ａ_mの地域数である。そして、算出部７０５は、算出したパラメータμの値と、算出した平均値μ₀とを上記式（６）に代入することにより、差分ξを算出する。

算出された差分ξは、例えば、図６に示した各種統計量ＤＢ２４０に記憶される。ここで、図１０を用いて、各種統計量ＤＢ２４０の記憶内容の更新例について説明する。

図１０は、各種統計量ＤＢ２４０の記憶内容の更新例を示す説明図である。ここでは、集計日時を「２０１５年４月１１日１２時００分」とし、所定期間Ｔを集計日時の過去１時間分の期間とする。

図１０の（１０−１）に示すように、算出部７０５によって各地域Ａ_iの発言率θ_iとパラメータμの値が算出されると、各地域Ａ_iの発言率θ_iが都道府県別の発言率フィールドに設定され、また、パラメータμの値が全国平均推定値フィールドに設定される。これにより、各種統計量情報６００−５が新たなレコードとして記憶される。ただし、この時点では、各種統計量情報６００−５の集約統計量フィールドは「−」である。

図１０の（１０−２）に示すように、算出部７０５によって差分ξが算出されると、各種統計量情報６００−５の集約統計量フィールドに差分ξが設定される。

図７の説明に戻り、判定部７０６は、算出部７０５によって算出された差分ξが閾値Ｔｈよりも大きいか否かを判定する。ここで、災害が発生し、局所的な外れ値が存在する場合に、全地域Ａ₁〜Ａ_mの発言率群｛θ₁〜θ_m｝が構成する分布に偏りが生じる。このため、平均的発言率ｅｘｐ（μ）と、各地域Ａ_iの発言率θ_iの平均値μ₀との差分ξを、全地域Ａ₁〜Ａ_mの発言率群｛θ₁〜θ_m｝が構成する分布の偏りとして定義する。

そして、判定部７０６は、差分ξが閾値Ｔｈよりも大きいと判定した場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定する。これにより、偏りξ（差分ξ）が急増（バースト）している場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生しているとみなすことができる。

なお、閾値Ｔｈは、任意に設定可能であり、例えば、災害が発生していない期間（平常時）における差分ξの平均値に基づいて設定される。ここで、図１１を用いて、閾値Ｔｈの設定例について説明する。

図１１は、閾値Ｔｈの設定例を示す説明図である。図１１において、グラフ１１００は、一定時間（例えば、１時間）ごとの各時刻ｔ（例えば、時刻ｔ₁〜ｔ_k）における、各地域Ａ_iの発言率θ_iの平均値μ₀と平均的発言率ｅｘｐ（μ）との差分ξの推移を表している。

ここでは、時刻ｔ_kの直後に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生したとする。すなわち、時刻ｔ₁から時刻ｔ_kまでの期間を、災害が発生していない平常時の期間とする。この場合、判定部７０６は、時刻ｔ₁〜ｔ_kの各時刻ｔの差分ξの平均値ξ₀を算出する。

そして、判定部７０６は、例えば、下記式（７）を用いて、閾値Ｔｈを算出する。ただし、ｃは、任意に設定可能な係数である。

Ｔｈ＝ｃ×ξ₀ ・・・（７）

これにより、災害が発生していない平常時の期間における差分ξを考慮して、偏りξ（差分ξ）のバーストを検出するための閾値Ｔｈを設定することができ、発災の有無を高精度に判定することができるようになる。

また、判定部７０６は、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定した場合、各地域Ａ_iの発言率θ_iに基づいて、地域Ａ₁〜Ａ_mの中から災害が発生している発災地域Ａ_jを特定する。ここで、図１２を用いて、判定部７０６による発災地域Ａ_jの特定処理例について説明する。

図１２は、発災地域Ａ_jの特定処理例を示す説明図である。図１２において、グラフ１２１０は、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定された際の各地域Ａ_iの発言率θ_iの分布を表している。

まず、判定部７０６は、各種統計量ＤＢ２４０を参照して、例えば、グラフ１２２０に示すように、ある時刻ｔ（集計日時）における各地域Ａ_iの発言率θ_iを小さい順に並べてランキングを構成する。つぎに、判定部７０６は、下記式（８）を用いて、ランキング上位から順に１位からｐ位までの発言率の平均を求めることにより、ｐ位平均値μ^(p)を算出する（ｐ＝１，２，…，ｍ）。

ここで、上記式（６）により、発災地域Ａ_jの発言率θ_jは、平均的発言率ｅｘｐ（μ）付近から大きい方向の外れ値となっており、災害が発生していない地域Ａ_iの発言率θ_iは、平均的発言率ｅｘｐ（μ）付近に分布すると想定される。このため、ｐ位平均値μ^(p)は、災害が発生していない地域Ａ_iにおいては緩やかな上昇を示し、発災地域Ａ_jにおいて極端に大きくなる。

また、上記式（６）および（７）により、例えば、グラフ１２２０において、ｐ位平均値μ^(p)が、閾値Ｔｈと平均的発言率ｅｘｐ（μ）とを加算した値「ｃξ₀＋ｅｘｐ（μ）」を超える点が発災地域Ａ_jを推定する閾値になるといえる。そこで、判定部７０６は、ｐ位平均値μ^(p)が閾値「ｃξ₀＋ｅｘｐ（μ）」よりも大きい場合に、ｐ位の発言率に対応する地域を発災地域Ａ_jとして特定する。

より具体的には、例えば、判定部７０６は、ｐ位平均値μ^(p)が閾値「ｃξ₀＋ｅｘｐ（μ）」よりも大きい場合に、ｐ位以降の各順位の発言率に対応する地域をそれぞれ発災地域Ａ_jとして特定する。これにより、ある時刻ｔ（集計日時）において災害が発生している地域Ａ_jを特定することができる。

例えば、ｐ位平均値μ^(p)が閾値「ｃξ₀＋ｅｘｐ（μ）」よりも大きくなったときのｐを「ｐ＝４６」とする。また、４７都道府県のうち、各地域Ａ_iの発言率θ_iを小さい順に並べた際の順位が４６位の地域を「大阪府」とし、４７位の地域を「京都府」とする。この場合、判定部７０６は、４６位以降の各発言率に対応する「大阪府」および「京都府」をそれぞれ発災地域として特定する。

図７の説明に戻り、出力部７０７は、判定部７０６によって判定された判定結果を出力する。出力部７０７の出力形式としては、例えば、メモリ３０２、ディスク３０５などの記憶装置への記憶、Ｉ／Ｆ３０３による外部装置（例えば、災害検知システム２００の管理者のＰＣ等）への送信、不図示のディスプレイへの表示、不図示のプリンタへの印刷出力などがある。

具体的には、例えば、出力部７０７は、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定された場合、時刻ｔ（集計日時）と対応付けて、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していることを示す情報を出力することにしてもよい。

これにより、例えば、災害検知システム２００の管理者は、時刻ｔにおいて地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していることを知ることができる。

また、出力部７０７は、判定部７０６によって特定された発災地域Ａ_jの情報を出力する。具体的には、例えば、出力部７０７は、発災地域Ａ_jが特定された場合、時刻ｔ（集計日時）と対応付けて、地域Ａ_jで災害が発生していることを示す災害通知を出力することにしてもよい。

ここで、図１３を用いて、災害通知の具体例について説明する。ここでは、集計日時「２０１５年４月１１日１２時００分」において災害が発生している「大阪府」および「京都府」が特定された場合を例に挙げて説明する。

図１３は、災害通知の具体例を示す説明図である。図１３において、災害通知１３００は、時刻「２０１５年４月１１日１２時００分」と対応付けて、災害が発生している都道府県名「大阪府」および「京都府」を示す情報である。災害通知１３００によれば、例えば、災害検知システム２００の管理者は、時刻「２０１５年４月１１日１２時００分」において、「大阪府」および「京都府」で災害が発生していることを知ることができる。

（災害検知装置１０１の災害検知処理手順）
つぎに、災害検知装置１０１の災害検知処理手順について説明する。

図１４は、災害検知装置１０１の災害検知処理手順の一例を示すフローチャートである。図１４のフローチャートにおいて、まず、災害検知装置１０１は、集計日時ｔとなったか否かを判断する（ステップＳ１４０１）。ここで、災害検知装置１０１は、集計日時ｔとなるのを待つ（ステップＳ１４０１：Ｎｏ）。

そして、集計日時ｔとなった場合（ステップＳ１４０１：Ｙｅｓ）、災害検知装置１０１は、メッセージＤＢ２２０から集計日時ｔの過去１時間分の所定期間Ｔ内のメッセージを抽出する（ステップＳ１４０２）。つぎに、災害検知装置１０１は、抽出したメッセージに対してフィルタ処理を行う（ステップＳ１４０３）。

フィルタ処理の具体的な処理手順については、図１５を用いて後述する。

つぎに、災害検知装置１０１は、フィルタ処理により除外されなかったメッセージの投稿場所を特定する（ステップＳ１４０４）。そして、災害検知装置１０１は、特定したメッセージの投稿場所を参照して、各地域Ａ_iの発言数ｙ_iを集計する（ステップＳ１４０５）。

つぎに、災害検知装置１０１は、集計した各地域Ａ_iの発言数ｙ_iに基づいて、上記式（１）〜（４）を用いて、各地域Ａ_iの発言率θ_iと、全地域Ａ₁〜Ａ_mで共通のパラメータμの値とを算出する（ステップＳ１４０６）。そして、災害検知装置１０１は、算出した各地域Ａ_iの発言率θ_iの平均値μ₀と、算出したパラメータμの値から得られる平均的発言率ｅｘｐ（μ）との差分ξを算出する（ステップＳ１４０７）。

つぎに、災害検知装置１０１は、算出した差分ξが閾値ｃξ₀よりも大きいか否かを判定する（ステップＳ１４０８）。ここで、差分ξが閾値ｃξ₀以下の場合には（ステップＳ１４０８：Ｎｏ）、災害検知装置１０１は、本フローチャートによる一連の処理を終了する。

一方、差分ξが閾値ｃξ₀よりも大きい場合は（ステップＳ１４０８：Ｙｅｓ）、災害検知装置１０１は、各地域Ａ_iの発言率θ_iに基づいて、地域Ａ₁〜Ａ_mの中から災害が発生している発災地域Ａ_jを特定する（ステップＳ１４０９）。そして、災害検知装置１０１は、集計日時ｔと対応付けて、地域Ａ_jで災害が発生していることを示す災害通知を出力して（ステップＳ１４１０）、本フローチャートによる一連の処理を終了する。

これにより、リアルタイムに発災地域Ａ_jを特定して、災害の発生日時と発生場所を推定することができる。

つぎに、図１４に示したステップＳ１４０３のフィルタ処理の具体的な処理手順について説明する。

図１５は、フィルタ処理の具体的処理手順の一例を示すフローチャートである。図１５のフローチャートにおいて、まず、災害検知装置１０１は、図１４に示したステップＳ１４０２において抽出したメッセージから、所定のキーワードを含まないメッセージを除外する（ステップＳ１５０１）。

そして、災害検知装置１０１は、残余のメッセージから、投稿元が報道機関であるメッセージを除外する（ステップＳ１５０２）。つぎに、災害検知装置１０１は、残余のメッセージから、再投稿されたメッセージを除外する（ステップＳ１５０３）。そして、災害検知装置１０１は、残余のメッセージから、推定的な内容のメッセージを除外して（ステップＳ１５０４）、フィルタ処理を呼び出したステップに戻る。

これにより、災害に関するメッセージを絞り込むとともに、目撃情報ではないメッセージを除外して、災害の発生場所を推定する際にノイズとなるメッセージを除外することができる。

図１６は、実施の形態にかかる災害検知方法の適用事例を示す説明図である。図１６において、色付き期間（図１６中、発災ありと判定した期間）は、２０１２年８月１０日〜１９日のＴｗｉｔｔｅｒ上の浸水、冠水等の災害に関連するキーワードを含むメッセージに対して、本災害検知方法を適用した場合に地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定した期間である。ただし、地域Ａ_iは、４７都道府県のうちのいずれかの都道府県である（ｍ＝４７）。

具体的には、点線グラフ１６１０は、２０１２年８月１０日〜１９日の偏りξ（差分ξ）の推移を表している。破線グラフ１６２０は、２０１２年８月１０日〜１９日の平均的発言率ｅｘｐ（μ）の推移を表している。実線グラフ１６３０は、２０１２年８月１０日〜１９日の発言率の和の推移を表している。

本災害検知方法に比べて、図１で説明した問題手法１，２では発災地域を推定できない場合がある。例えば、図１６中のＡ１，Ａ２では、全国で発言数がバーストし、問題手法２では発災地域を推定することができない。また、図１６中のＢ１，Ｂ２では、ｓｍａｌｌ ｎｕｍｂｅｒ ｐｒｏｂｌｅｍの影響により、問題手法１では発災地域を推定することができない。また、図１６中のＣ１，Ｃ２では、全発言率の和の明確なバーストがなく、問題手法２では発災地域を推定することが難しい。

ここで、図１６中のＢ１を例に挙げて、発災事例に対する処理結果について説明する。

図１７は、発災事例に対する処理結果の一例を示す説明図である。図１７において、グラフ１７１０は、２０１２年８月１３日２２時００分における問題手法１の正規化発言率（地域別の発言数を地域別のユーザ数等で除算した正規化発言数）の推移を表している。
グラフ１７２０は、２０１２年８月１３日２２時００分における本災害検知方法の発言率θ_iの推移を表している。グラフ１７３０は、２０１２年８月１３日２２時００分における各地域Ａ_iの発言率θ_iを小さい順に並べたランキングを表している。

グラフ１７１０では、極端にユーザ数が小さい地域（図１７中、点線丸）において発言数が過剰に評価されているのに対して、グラフ１７２０では、統計量が不安定なものが畳み込まれている。この結果、本災害検知方法では、グラフ１７３０に示すように、各地域Ａ_iの発言率θ_iのランキングを構成してｐ位平均値μ^(p)を算出することにより、実際の発災地域である「愛知県」を検知することができている。

以上説明したように、実施の形態にかかる災害検知装置１０１によれば、時刻ｔ（所定期間Ｔ）における各地域Ａ_iの発言数ｙ_iに基づいて、全地域Ａ₁〜Ａ_mで共通のパラメータμと各地域Ａ_iで独立のバラツキを表すパラメータε_iとを用いて表現される各地域Ａ_iの発言率θ_iと、パラメータμの値とを算出することができる。これにより、時刻ｔにおける各地域Ａ_iの発言率θ_iと、全地域Ａ₁〜Ａ_mで共通のパラメータμの値を推定することができる。

また、災害検知装置１０１によれば、算出した各地域Ａ_iの発言率θ_iの平均値μ₀と、算出したパラメータμの値から得られる平均的発言率ｅｘｐ（μ）との差分ξが閾値Ｔｈよりも大きいか否かを判定することができる。そして、災害検知装置１０１によれば、差分ξが閾値Ｔｈよりも大きい場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定することができる。これにより、偏りξ（差分ξ）が急増（バースト）している場合に、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生しているとみなすことができ、時刻ｔにおける浸水や土砂災害などの局所的に発生する災害の有無を高精度に判定することができる。

また、災害検知装置１０１によれば、災害が発生していない期間（平常時）における差分ξの平均値に基づいて、閾値Ｔｈを設定することができる。これにより、災害が発生していない平常時の期間における差分ξを考慮して、偏りξ（差分ξ）のバーストを検出するための閾値Ｔｈを設定することができ、発災の有無をより高精度に判定することができるようになる。

また、災害検知装置１０１によれば、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生していると判定した場合、各地域Ａ_iの発言率θ_iに基づいて、地域Ａ₁〜Ａ_mの中から災害が発生している発災地域Ａ_jを特定することができる。具体的には、例えば、災害検知装置１０１は、時刻ｔにおける各地域Ａ_iの発言率θ_iを小さい順に並べてランキングを構成し、ランキング上位から順に１位からｐ位までの発言率の平均を求めてｐ位平均値μ^(p)を算出することができる。そして、災害検知装置１０１は、ｐ位平均値μ^(p)が閾値「ｃξ₀＋ｅｘｐ（μ）」よりも大きい場合に、ｐ位以降の各順位の発言率に対応する地域をそれぞれ発災地域Ａ_jとして特定することができる。これにより、発言率群｛θ₁〜θ_m｝の分布の偏りξの要因となっている外れ値を検出して、時刻ｔにおいて災害が発生している地域Ａ_jを特定することができる。

また、災害検知装置１０１によれば、ソーシャルメディアサービス２０１から取得した災害に関するメッセージのうち、報道機関によるメッセージを除外するフィルタ処理を行うことができる。また、災害検知装置１０１によれば、災害に関するメッセージのうち、再投稿されたメッセージを除外するフィルタ処理を行うことができる。また、災害検知装置１０１によれば、災害に関するメッセージのうち、推定的な内容のメッセージを除外するフィルタ処理を行うことができる。そして、災害検知装置１０１によれば、フィルタ処理後のメッセージの投稿場所を特定して、各地域Ａ_iの発言数ｙ_iを集計することができる。これにより、目撃情報ではないメッセージを除外して、災害の発生場所を推定する際にノイズとなるメッセージを除外することができる。

これらのことから、災害検知装置１０１によれば、ユーザ数で調整された地域別の発言率群｛θ₁〜θ_m｝が構成する分布の偏りξ（差分ξ）を用いて、地域Ａ₁〜Ａ_mのいずれかの地域Ａ_iで災害が発生しているか否かを判定することができる。これにより、ｓｍａｌｌ ｎｕｍｂｅｒ ｐｒｏｂｌｅｍを回避しながら、全体分布の形が不明なデータに対して外れ値の有無を判定することができ、ソーシャルメディアなどに投稿されるメッセージから、災害の発生を高精度に検知することができる。また、ユーザ数が極端に異なる地域間の発言数（メッセージ数）を相対的に比較して、局所的に発言数が大きくなっている地域を検出することができ、リアルタイムに発災地域Ａ_jを特定して、災害の発生日時と発生場所を推定することができる。

また、全国的な災害関連の発言の平均的発言率ｅｘｐ（μ）をモデル式に組み込み、かつ、平均的発言率ｅｘｐ（μ）に対する偏りξを用いて発災の有無を判定することで、発災の有無に関わらず発生する全国的な発言数の経時的な変動の影響を回避することができる。これにより、発災時における全国的な発言数の急増に加え、時間帯等に起因する周期的な発言数の変動を吸収することができる。例えば、図１６に示した例では、平均的発言率ｅｘｐ（μ）は、平常時（８／１０）・発災時（８／１４等）ともに経時的に変動している。一方で、偏りξ（差分ξ）は、平均的発言率ｅｘｐ（μ）と比べて変動が小さいものとなっている。

また、問題手法１では、地域ごとの発言数に対してバーストを検知するために、それぞれの地域に対して閾値を事前に用意する必要がある。これに対して、本災害検知方法では、調整すべきパラメータ（閾値Ｔｈ）が１つのみであるため事前準備にかかる手間が少ない。

なお、本実施の形態で説明した災害検知方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本災害検知プログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また、本災害検知プログラムは、インターネット等のネットワークを介して配布してもよい。

上述した実施の形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、
災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域で共通の第１変数と前記各地域で独立のバラツキを表す第２変数とを用いて表現される前記各地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
算出した前記各地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
処理を実行させることを特徴とする災害検知プログラム。

（付記２）前記メッセージの数は、所定期間内に前記各地域において投稿された災害に関するメッセージの数であることを特徴とする付記１に記載の災害検知プログラム。

（付記３）前記閾値は、災害が発生していない期間における前記差分の平均値に基づいて設定されることを特徴とする付記１または２に記載の災害検知プログラム。

（付記４）前記コンピュータに、
前記複数の地域のいずれかの地域で災害が発生していると判定した場合、算出した前記各地域の投稿率に基づいて、前記複数の地域から災害が発生している発災地域を特定する、処理を実行させることを特徴とする付記１〜３のいずれか一つに記載の災害検知プログラム。

（付記５）前記特定する処理は、
前記各地域の投稿率のうちのいずれかの投稿率以下の投稿率の平均値が、前記閾値と前記平均的な投稿率とを加算した所定値よりも大きい場合に、前記いずれかの投稿率に対応する地域を発災地域として特定することを特徴とする付記４に記載の災害検知プログラム。

（付記６）前記特定する処理は、
前記いずれかの投稿率以下の投稿率の平均値が前記所定値よりも大きい場合に、前記各地域の投稿率のうちの前記いずれかの投稿率以上の投稿率に対応する地域をそれぞれ発災地域として特定することを特徴とする付記５に記載の災害検知プログラム。

（付記７）前記第１変数は、前記複数の地域それぞれの前記メッセージの投稿率の分布の中心値に対応する変数であることを特徴とする付記１〜６のいずれか一つに記載の災害検知プログラム。

（付記８）前記メッセージの数は、前記各地域において投稿された災害に関するメッセージのうち、報道機関によるメッセージ、再投稿されたメッセージおよび推定的な内容のメッセージの少なくともいずれかを除外した残余のメッセージの数であることを特徴とする付記１〜７のいずれか一つに記載の災害検知プログラム。

（付記９）災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域で共通の第１変数と前記各地域で独立のバラツキを表す第２変数とを用いて表現される前記各地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
算出した前記各地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
制御部を有することを特徴とする災害検知装置。

（付記１０）コンピュータが、
災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域で共通の第１変数と前記各地域で独立のバラツキを表す第２変数とを用いて表現される前記各地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
算出した前記各地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
処理を実行することを特徴とする災害検知方法。

１０１ 災害検知装置
２００ 災害検知システム
２０１ ソーシャルメディアサービス
２２０ メッセージＤＢ
２３０ 地域別発言数ＤＢ
２４０ 各種統計量ＤＢ
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ Ｉ／Ｆ
３０４ ディスクドライブ
３０５ ディスク
７０１ 取得部
７０２ フィルタ部
７０３ 特定部
７０４ 集計部
７０５ 算出部
７０６ 判定部
７０７ 出力部

Claims (8)

1. コンピュータに、
   災害に関するメッセージにおける地域を推定し、
   推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域それぞれの前記メッセージの投稿率の分布の中心値に対応する第１変数および前記第１変数に対する前記複数の地域それぞれの前記メッセージの投稿率のバラツキを示す第２変数を用いて表現される前記複数の地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
   算出した前記複数の地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
   処理を実行させることを特徴とする災害検知プログラム。
2. 前記メッセージの数は、所定期間内に前記各地域において投稿された災害に関するメッセージの数であることを特徴とする請求項１に記載の災害検知プログラム。
3. 前記閾値は、災害が発生していない期間における前記差分の平均値に基づいて設定されることを特徴とする請求項１または２に記載の災害検知プログラム。
4. 前記コンピュータに、
   前記複数の地域のいずれかの地域で災害が発生していると判定した場合、算出した前記各地域の投稿率に基づいて、前記複数の地域から災害が発生している発災地域を特定する、処理を実行させることを特徴とする請求項１〜３のいずれか一つに記載の災害検知プログラム。
5. 前記特定する処理は、
   前記各地域の投稿率のうちのいずれかの投稿率以下の投稿率の平均値が、前記閾値と前記平均的な投稿率とを加算した所定値よりも大きい場合に、前記いずれかの投稿率に対応する地域を発災地域として特定することを特徴とする請求項４に記載の災害検知プログラム。
6. 前記特定する処理は、
   前記いずれかの投稿率以下の投稿率の平均値が前記所定値よりも大きい場合に、前記各地域の投稿率のうちの前記いずれかの投稿率以上の投稿率に対応する地域をそれぞれ発災地域として特定することを特徴とする請求項５に記載の災害検知プログラム。
7. 災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域それぞれの前記メッセージの投稿率の分布の中心値に対応する第１変数および前記第１変数に対する前記複数の地域それぞれの前記メッセージの投稿率のバラツキを示す第２変数を用いて表現される前記複数の地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
   算出した前記複数の地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
   制御部を有することを特徴とする災害検知装置。
8. コンピュータが、
   災害に関するメッセージにおける地域を推定し、推定した複数の前記地域の各地域における前記メッセージの数に基づいて、前記複数の地域それぞれの前記メッセージの投稿率の分布の中心値に対応する第１変数および前記第１変数に対する前記複数の地域それぞれの前記メッセージの投稿率のバラツキを示す第２変数を用いて表現される前記複数の地域の前記メッセージの投稿率と、前記第１変数の値とを算出し、
   算出した前記複数の地域の投稿率の平均値と、算出した前記第１変数の値から得られる前記複数の地域における平均的な投稿率との差分が閾値よりも大きい場合に、前記複数の地域のいずれかの地域で災害が発生していると判定する、
   処理を実行することを特徴とする災害検知方法。

Images