JP6627842B2 - 情報処理装置、リスク予測方法、およびプログラム - Google Patents
情報処理装置、リスク予測方法、およびプログラム Download PDFInfo
- Publication number
- JP6627842B2 JP6627842B2 JP2017202195A JP2017202195A JP6627842B2 JP 6627842 B2 JP6627842 B2 JP 6627842B2 JP 2017202195 A JP2017202195 A JP 2017202195A JP 2017202195 A JP2017202195 A JP 2017202195A JP 6627842 B2 JP6627842 B2 JP 6627842B2
- Authority
- JP
- Japan
- Prior art keywords
- risk
- combination
- distribution function
- evaluation value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 57
- 238000000034 method Methods 0.000 title claims description 42
- 238000011156 evaluation Methods 0.000 claims description 168
- 238000005315 distribution function Methods 0.000 claims description 129
- 230000002123 temporal effect Effects 0.000 claims description 79
- 238000004364 calculation method Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 27
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 22
- 238000013500 data storage Methods 0.000 description 14
- 230000032823 cell division Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 7
- 238000007639 printing Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Educational Administration (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
対象領域におけるリスクの発生場所及び発生時間を含むリスク発生履歴データを、期間内に設定した1つ以上のサンプル時刻よりも前の期間に含まれる学習データと、前記サンプル時刻以後の期間に含まれる評価値算出用データと、に分割するデータ分割手段と、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、前記分布関数の時間的パラメータの少なくともいずれか1つが異なる組み合わせ毎に、前記学習データが示すリスクの発生場所および発生時間を、前記組み合わせ毎の分布関数の入力として用いて、前記サンプル時刻における前記対象領域のリスク値を算出するリスク値算出手段と、
前記評価値算出用データに基づいてリスク発生件数を取得するリスク発生件数取得手段と、
前記組み合わせ毎のリスク値と、前記評価値算出用データから得られる前記リスク発生件数とを基に、前記リスク値によるリスクの予測精度に関する評価値を前記組み合わせ毎に算出する評価値算出手段と、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する選択手段と、
を備える情報処理装置が提供される。
対象領域を複数のセルに分割するセル分割手段と、
前記対象領域におけるリスクの発生場所および発生時間を含むリスク発生履歴データを入力として用いて、期間内に1つ以上のサンプル時刻を設定してサンプル時刻毎のリスク発生件数を集計する評価期間を生成し、さらに、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成する生成手段と、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを特定し、当該セル毎のリスク発生履歴データの中から、前記1つ以上のサンプル時刻それぞれに対して、前記分布関数の時間的パラメータおよび空間的パラメータを用いて特定した学習データと、前記サンプル時刻以後で前記評価期間内に含まれる評価値算出用データと、を抽出するデータ抽出手段と、
前記学習データが示すリスクの発生場所および発生時間を、前記複数の組み合わせのそれぞれに含まれる前記分布関数の入力として用いて、前記サンプル時刻における前記複数のセルのリスク値を前記組み合わせ毎に算出するリスク値算出手段と、
前記評価値算出用データに基づいて前記複数のセルのリスク発生件数を取得するリスク発生件数取得手段と、
前記組み合わせ毎に算出された前記複数のセルのリスク値と、前記評価値算出用データから得られる前記複数のセルのリスク発生件数とを基に、前記リスク値と前記リスク発生件数との関連性の強さを示す評価値を前記組み合わせ毎に算出する評価値算出手段と、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する選択手段と、
を備える情報処理装置が提供される。
コンピュータが、
対象領域におけるリスクの発生場所及び発生時間を含むリスク発生履歴データを、期間内に設定した1つ以上のサンプル時刻よりも前の期間に含まれる学習データと、前記サンプル時刻以後の期間に含まれる評価値算出用データと、に分割し、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、前記分布関数の時間的パラメータの少なくともいずれか1つが異なる組み合わせ毎に、前記学習データが示すリスクの発生場所および発生時間を、前記組み合わせ毎の分布関数の入力として用いて、前記サンプル時刻における前記対象領域のリスク値を算出し、
前記評価値算出用データに基づいてリスク発生件数を取得し、
前記組み合わせ毎のリスク値と、前記評価値算出用データから得られる前記リスク発生件数とを基に、前記リスク値によるリスクの予測精度に関する評価値を前記組み合わせ毎に算出し、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する、
ことを含む第1のリスク予測方法が提供される。
コンピュータが、
対象領域を複数のセルに分割し、
前記対象領域におけるリスクの発生場所および発生時間を含むリスク発生履歴データを入力として用いて、期間内に1つ以上のサンプル時刻を設定してサンプル時刻毎のリスク発生件数を集計する評価期間を生成し、さらに、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成し、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを特定し、当該セル毎のリスク発生履歴データの中から、前記1つ以上のサンプル時刻それぞれに対して、前記分布関数の時間的パラメータおよび空間的パラメータを用いて特定した学習データと、前記サンプル時刻以後で前記評価期間内に含まれる評価値算出用データと、を抽出し、
前記学習データが示すリスクの発生場所および発生時間を、前記複数の組み合わせのそれぞれに含まれる前記分布関数の入力として用いて、前記サンプル時刻における前記複数のセルのリスク値を前記組み合わせ毎に算出し、
前記評価値算出用データに基づいて前記複数のセルのリスク発生件数を取得し、
前記組み合わせ毎に算出された前記複数のセルのリスク値と、前記評価値算出用データから得られる前記複数のセルのリスク発生件数とを基に、前記リスク値と前記リスク発生件数との関連性の強さを示す評価値を前記組み合わせ毎に算出し、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する、
ことを含む第2のリスク予測方法が提供される。
コンピュータに第1のリスク予測方法を実行させるプログラムが提供される。
コンピュータに第2のリスク予測方法を実行させるプログラムが提供される。
本発明に係る情報処理装置は、過去に発生したリスクの履歴データ(以下、「リスク発生履歴データ」と表記)を用いて、リスクの分布を空間的および時間的に示す分布関数、並びに、該分布関数で使用される空間的パラメータおよび時間的パラメータの組み合わせの中から、最適な組み合わせを決定する。本明細書において、「最適な組み合わせ」とは、リスクの予測的中率が、その他の組み合わせよりも高い組み合わせのことを言う。また、本明細書における「リスク」とは、特に限定されないが、例えば、犯罪、疾病、感染症(インフルエンザなど)、家畜または農作物の伝染病などによる病害、害虫、地震や台風といった自然災害などである。以下の各実施形態では、これらの「リスク」のうち「犯罪」を取り扱うケースを主に例示する。
〔機能構成〕
図1は、第1実施形態における情報処理装置10の機能構成を概念的に示すブロック図である。図1に示されるように、本実施形態の情報処理装置10は、データ分割部110、選択部120、および、出力部130を有する。
情報処理装置10の各機能構成部は、各機能構成部を実現するハードウエア(例:ハードワイヤードされた電子回路など)で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ(例:電子回路とそれを制御するプログラムの組み合わせなど)で実現されてもよい。以下、情報処理装置10の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
図4を用いて、第1実施形態の情報処理装置10の動作例を説明する。図4は、第1実施形態の情報処理装置10での処理の流れを例示するフローチャートである。
〔機能構成〕
図5は、第2実施形態の情報処理装置10の機能構成を概念的に示すブロック図である。本実施形態の情報処理装置10は、セル分割部140、生成部150、選択部160、及び出力部170を備える。
本実施形態のハードウエア構成は、第1実施形態と同様(例:図2)である。本実施形態のストレージデバイス104は、上述のセル分割部140、生成部150、選択部160、および出力部170の機能をそれぞれ実現するプログラムモジュールを記憶している。情報処理装置10のプロセッサ102がこれらのプログラムモジュールを実行することによって、上述のセル分割部140、生成部150、選択部160、および出力部170の機能が実現される。
図6を用いて、第2実施形態の情報処理装置10の動作例を説明する。図6は、第2実施形態の情報処理装置10での処理の流れを例示するフローチャートである。ここでは、リスクが「犯罪」である場合の処理の一例を示す。
一例として、選択部160は、以下の式(6)を用いて、相関係数CORR(hs,ht)を算出することができる。
また、他の例として、選択部160は、相関係数とは異なる指標である、リスク値相対ランク合計を算出してもよい。選択部160は、リスク値相対ランク合計を、例えば次のように算出することができる。まず、選択部160は、分布関数、空間的パラメータ、および時間的パラメータの組み合わせと、あるサンプル時刻で上記式(3)の条件を満たす学習データとを用いて算出されたセル毎のリスク値に基づいて各セルをランク付けする。例えば、選択部160は、算出されたリスク値の大きいセルから1位、2位と昇順にランクを付けていく。そして、選択部160は、各評価値算出用データの位置情報を基に当該評価値算出用データに対応するセル(即ち、当該評価値算出用データの犯罪が発生したセル)を特定し、特定したセルのランクに応じた値をリスク値相対ランク合計に加算する。選択部160は、全てのサンプル時刻(t1,t2,t3,・・・,tK)で、上記処理を繰り返して、リスク値相対ランク合計を算出する。例えば、リスク値相対ランク合計は、以下の式(8)で表現され得る。
本実施形態は、以下の点を除き、第2実施形態と同様の構成を有する。
図13は、第3実施形態の情報処理装置10の機能構成を概念的に示すブロック図である。図13に示されるように、本実施形態の情報処理装置10は、第2実施形態の構成に加え、取得部180を更に備える。
本実施形態のハードウエア構成は、第1実施形態と同様(例:図2)である。本実施形態のストレージデバイス104は、上述の取得部180の機能を実現するプログラムモジュールを更に記憶している。情報処理装置10のプロセッサ102が当該プログラムモジュールを実行することによって、上述の取得部180の機能が実現される。
図14を用いて、第3実施形態の情報処理装置10の動作例を説明する。図14は、第3実施形態の情報処理装置10での処理の流れを例示するフローチャートである。ここでは、リスクが「犯罪」である場合の処理の一例を示す。ここでは、第2実施形態と異なる動作について主に説明する。図14のS302〜S310の処理は、図6のS202〜210の処理と同様である。
1.
対象領域のリスク発生履歴データを、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせ毎のリスク値の算出に用いる学習データと、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせの評価に用いる評価値算出用データと、に分割するデータ分割手段と、
前記学習データに基づく前記組み合わせ毎のリスク値と前記評価値算出用データとを基に算出された前記組み合わせ毎の評価値に基づいて、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせの中から、一の組み合わせを選択する選択手段と、
前記選択手段により選択された前記一の組み合わせを用いて、前記対象領域におけるリスク予測結果を出力する出力手段と、
を備える情報処理装置。
2.
対象領域を複数のセルに分割するセル分割手段と、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成する生成手段と、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを用いて前記組み合わせ毎の評価値を算出し、前記組み合わせ毎の評価値に基づいて、前記複数の組み合わせの中から一の組み合わせを選択する選択手段と、
前記選択手段により選択された前記一の組み合わせを用いて、前記対象領域におけるリスク予測結果を出力する出力手段と、
を備える情報処理装置。
3.
前記複数のセルのうち、人員または移動体を派遣することができるセルの割合を示すセルカバー率を取得する取得手段を更に備え、
前記選択手段は、前記セルカバー率に基づいて前記評価値を算出する、
2.に記載の情報処理装置。
4.
前記出力手段は、前記セルカバー率とは別に入力された、予測の条件としての第2のセルカバー率に基づいて、前記リスク予測結果の生成に用いる組み合わせを決定する、
3.に記載の情報処理装置。
5.
前記選択手段は、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎のリスク値と、前記リスク発生履歴データに基づくリスク発生件数とに基づき算出される相関係数を、前記評価値として算出する、
2.に記載の情報処理装置。
6.
前記選択手段は、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎のリスク値と、前記リスク発生履歴データに基づくリスク発生件数とに基づき算出されるリスク値相対ランク合計を、前記評価値として算出する、
2.に記載の情報処理装置。
7.
前記生成手段は、指定された期間の中で複数のサンプル時刻を設定し、前記リスク発生履歴データのうち当該サンプル時刻より所定時間前のデータと前記組み合わせとを基に算出される前記リスク値と、前記リスク発生履歴データのうち当該サンプル時刻より所定時間後までのデータとを用いて、前記組み合わせ毎の評価値を算出する、
2.から6.のいずれか1つに記載の情報処理装置。
8.
リスクの種別の指定入力を受け付ける受付手段を更に備え、
前記選択手段は、前記対象領域のリスク発生履歴データの中から、前記指定入力により指定されたリスクの種別に対応するデータを選別する、
1.から7.のいずれか1つに記載の情報処理装置。
9.
コンピュータが、
対象領域のリスク発生履歴データを、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせ毎のリスク値の算出に用いる学習データと、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせの評価に用いる評価値算出用データと、に分割し、
前記学習データに基づく前記組み合わせ毎のリスク値と前記評価値算出用データとを基に算出された前記組み合わせ毎の評価値に基づいて、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせの中から、一の組み合わせを選択し、
選択された前記一の組み合わせを用いて、前記対象領域におけるリスク予測結果を出力する、
ことを含むリスク予測方法。
10.
コンピュータが、
対象領域を複数のセルに分割し、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成し、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを用いて前記組み合わせ毎の評価値を算出し、前記組み合わせ毎の評価値に基づいて、前記複数の組み合わせの中から一の組み合わせを選択し、
選択された前記一の組み合わせを用いて、前記対象領域におけるリスク予測結果を出力する、
ことを含むリスク予測方法。
11.
前記コンピュータが、
前記複数のセルのうち、人員または移動体を派遣することができるセルの割合を示すセルカバー率を取得し、
前記セルカバー率に基づいて前記評価値を算出する、
ことを含む10.に記載のリスク予測方法。
12.
前記コンピュータが、
前記セルカバー率とは別に入力された、予測の条件としての第2のセルカバー率に基づいて、前記リスク予測結果の生成に用いる組み合わせを決定する、
ことを含む11.に記載のリスク予測方法。
13.
前記コンピュータが、
前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎のリスク値と、前記リスク発生履歴データに基づくリスク発生件数とに基づき算出される相関係数を、前記評価値として算出する、
ことを含む10.に記載のリスク予測方法。
14.
前記コンピュータが、
前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎のリスク値と、前記リスク発生履歴データに基づくリスク発生件数とに基づき算出されるリスク値相対ランク合計を、前記評価値として算出する、
ことを含む10.に記載のリスク予測方法。
15.
前記コンピュータが、
指定された期間の中で複数のサンプル時刻を設定し、前記リスク発生履歴データのうち当該サンプル時刻より所定時間前のデータと前記組み合わせとを基に算出される前記リスク値と、前記リスク発生履歴データのうち当該サンプル時刻より所定時間後までのデータとを用いて、前記組み合わせ毎の評価値を算出する、
ことを含む10.から14.のいずれか1つに記載のリスク予測方法。
16.
前記コンピュータが、
リスクの種別の指定入力を受け付け、
前記対象領域のリスク発生履歴データの中から、前記指定入力により指定されたリスクの種別に対応するデータを選別する、
ことを含む9.から15.のいずれか1つに記載のリスク予測方法。
17.
コンピュータに、9.から16.のいずれか1つに記載のリスク予測方法を実行させるプログラム。
101 バス
102 プロセッサ
103 メモリ
104 ストレージデバイス
105 入出力インタフェース
106 ネットワークインタフェース
110 データ分割部
120 選択部
130 出力部
140 セル分割部
150 生成部
160 選択部
170 出力部
180 取得部
20 外部装置
210 履歴データ記憶部
30 入力装置
40 表示装置
Claims (14)
- 対象領域におけるリスクの発生場所及び発生時間を含むリスク発生履歴データを、期間内に設定した1つ以上のサンプル時刻よりも前の期間に含まれる学習データと、前記サンプル時刻以後の期間に含まれる評価値算出用データと、に分割するデータ分割手段と、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、前記分布関数の時間的パラメータの少なくともいずれか1つが異なる組み合わせ毎に、前記学習データが示すリスクの発生場所および発生時間を、前記組み合わせ毎の分布関数の入力として用いて、前記サンプル時刻における前記対象領域のリスク値を算出するリスク値算出手段と、
前記評価値算出用データに基づいてリスク発生件数を取得するリスク発生件数取得手段と、
前記組み合わせ毎のリスク値と、前記評価値算出用データから得られる前記リスク発生件数とを基に、前記リスク値によるリスクの予測精度に関する評価値を前記組み合わせ毎に算出する評価値算出手段と、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する選択手段と、
を備える情報処理装置。 - 対象領域を複数のセルに分割するセル分割手段と、
前記対象領域におけるリスクの発生場所および発生時間を含むリスク発生履歴データを入力として用いて、期間内に1つ以上のサンプル時刻を設定してサンプル時刻毎のリスク発生件数を集計する評価期間を生成し、さらに、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成する生成手段と、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを特定し、当該セル毎のリスク発生履歴データの中から、前記1つ以上のサンプル時刻それぞれに対して、前記分布関数の時間的パラメータおよび空間的パラメータを用いて特定した学習データと、前記サンプル時刻以後で前記評価期間内に含まれる評価値算出用データと、を抽出するデータ抽出手段と、
前記学習データが示すリスクの発生場所および発生時間を、前記複数の組み合わせのそれぞれに含まれる前記分布関数の入力として用いて、前記サンプル時刻における前記複数のセルのリスク値を前記組み合わせ毎に算出するリスク値算出手段と、
前記評価値算出用データに基づいて前記複数のセルのリスク発生件数を取得するリスク発生件数取得手段と、
前記組み合わせ毎に算出された前記複数のセルのリスク値と、前記評価値算出用データから得られる前記複数のセルのリスク発生件数とを基に、前記リスク値と前記リスク発生件数との関連性の強さを示す評価値を前記組み合わせ毎に算出する評価値算出手段と、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する選択手段と、
を備える情報処理装置。 - 前記生成手段は、
前記対象領域におけるリスクの発生場所および発生時間を含むリスク発生履歴データを入力として用いて、期間内に1つ以上のサンプル時刻を設定してサンプル時刻毎のリスク発生件数を集計する評価期間を生成し、さらに、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数として複数項の和で定義され、各項の割合を表す複数の係数パラメータをもつ関数を用いて、前記複数項の和で定義される分布関数、その各項毎の空間的パラメータ、各項毎の時間的パラメータ、および各項の割合を示す複数の係数パラメータの、組み合わせを複数生成する、
請求項2に記載の情報処理装置。 - 領域を示す情報および時刻を示す情報を少なくとも含む予測条件の入力を受け付ける予測条件受付手段と、
前記選択手段により選択された、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを用いてリスク予測結果を出力する出力手段と、を更に備え、
前記出力手段は、
前記リスク発生履歴データの中から、前記予測条件が示す時刻以前のデータであって、前記予測条件が示す領域に対応するデータを特定し、
前記特定されたデータが示すリスクの発生場所および発生時間を、前記選択手段により選択された組み合わせに含まれる前記分布関数の入力として用いて前記リスク値を算出し、
前記算出されたリスク値を、前記リスク予測結果として出力する、
請求項2に記載の情報処理装置。 - 人員または移動体を派遣することができるセルの割合を示すセルカバー率を取得する取得手段を更に備え、
前記評価値算出手段は、
前記複数のセルのリスク値と前記セルカバー率に基づいて、前記複数のセルの中から1以上の対象セルを特定し、
前記評価値算出用データから得られる前記対象セルでのリスク発生件数の合計値と、前記評価値算出用データから得られる前記複数のセルのリスク発生件数の合計値との割合を、前記評価値として前記組み合わせ毎に算出する、
請求項4に記載の情報処理装置。 - 前記評価値算出手段は、
前記評価値の最も高い前記組み合わせと、当該評価値を算出する際に取得した前記セルカバー率とを対応付けて記憶部に記憶しておき、
前記予測条件受付手段は、
前記セルカバー率とは別に入力された第2のセルカバー率を更に含む前記予測条件を取得し、
前記選択手段は、
前記記憶部に記憶されている前記セルカバー率と前記第2のセルカバー率との差分に基づいて、前記リスクの予測に用いる、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを選択する、
請求項5に記載の情報処理装置。 - 前記評価値算出手段は、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎に、
前記セル毎のリスク値に基づいて前記複数のセルにおけるリスク値の期待値を算出し、
前記評価値算出用データから得られる前記セル毎のリスク発生件数に基づいて前記複数のセルにおけるリスク発生件数の期待値を算出し、
前記セル毎のリスク値と前記複数のセルのリスク値の期待値との差分、前記セル毎のリスク発生件数と前記複数のセルにおけるリスク発生件数の期待値との差分を用いて算出される、リスク値とリスク発生件数との関連性の強さを示す相関係数を、前記評価値として算出する、
請求項2に記載の情報処理装置。 - 前記評価値算出手段は、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせ毎に算出された前記セル毎のリスク値に基づいて前記セルそれぞれのランク値を決定し、前記リスク発生件数取得手段により取得された前記セル毎のリスク発生件数と、前記セル毎に決定された前記ランク値との演算結果を、前記評価値として算出する、
請求項2に記載の情報処理装置。 - リスクの種別の指定入力を受け付ける受付手段を更に備え、
前記データ抽出手段は、前記対象領域のリスク発生履歴データの中から、前記指定入力により指定されたリスクの種別に対応するデータを選別する、
請求項2から8のいずれか1項に記載の情報処理装置。 - リスクの種別の指定入力を受け付ける受付手段を更に備え、
前記データ分割手段は、前記対象領域のリスク発生履歴データの中から、前記指定入力により指定されたリスクの種別に対応するデータを選別する、
請求項1に記載の情報処理装置。 - コンピュータが、
対象領域におけるリスクの発生場所及び発生時間を含むリスク発生履歴データを、期間内に設定した1つ以上のサンプル時刻よりも前の期間に含まれる学習データと、前記サンプル時刻以後の期間に含まれる評価値算出用データと、に分割し、
前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、前記分布関数の時間的パラメータの少なくともいずれか1つが異なる組み合わせ毎に、前記学習データが示すリスクの発生場所および発生時間を、前記組み合わせ毎の分布関数の入力として用いて、前記サンプル時刻における前記対象領域のリスク値を算出し、
前記評価値算出用データに基づいてリスク発生件数を取得し、
前記組み合わせ毎のリスク値と、前記評価値算出用データから得られる前記リスク発生件数とを基に、前記リスク値によるリスクの予測精度に関する評価値を前記組み合わせ毎に算出し、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および、前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する、
ことを含むリスク予測方法。 - コンピュータが、
対象領域を複数のセルに分割し、
前記対象領域におけるリスクの発生場所および発生時間を含むリスク発生履歴データを入力として用いて、期間内に1つ以上のサンプル時刻を設定してサンプル時刻毎のリスク発生件数を集計する評価期間を生成し、さらに、前記対象領域におけるリスク分布を空間的および時間的に示す分布関数、前記分布関数の空間的パラメータ、および、前記分布関数の時間的パラメータの組み合わせを複数生成し、
前記対象領域のリスク発生履歴データの中から前記セル毎のリスク発生履歴データを特定し、当該セル毎のリスク発生履歴データの中から、前記1つ以上のサンプル時刻それぞれに対して、前記分布関数の時間的パラメータおよび空間的パラメータを用いて特定した学習データと、前記サンプル時刻以後で前記評価期間内に含まれる評価値算出用データと、を抽出し、
前記学習データが示すリスクの発生場所および発生時間を、前記複数の組み合わせのそれぞれに含まれる前記分布関数の入力として用いて、前記サンプル時刻における前記複数のセルのリスク値を前記組み合わせ毎に算出し、
前記評価値算出用データに基づいて前記複数のセルのリスク発生件数を取得し、
前記組み合わせ毎に算出された前記複数のセルのリスク値と、前記評価値算出用データから得られる前記複数のセルのリスク発生件数とを基に、前記リスク値と前記リスク発生件数との関連性の強さを示す評価値を前記組み合わせ毎に算出し、
前記評価値が最も高い、前記分布関数、前記空間的パラメータ、および前記時間的パラメータの組み合わせを、リスクの予測に用いる組み合わせとして選択する、
ことを含むリスク予測方法。 - コンピュータに、請求項11に記載のリスク予測方法を実行させるプログラム。
- コンピュータに、請求項12に記載のリスク予測方法を実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017202195A JP6627842B2 (ja) | 2017-10-18 | 2017-10-18 | 情報処理装置、リスク予測方法、およびプログラム |
PCT/JP2018/038052 WO2019078101A1 (ja) | 2017-10-18 | 2018-10-12 | 情報処理装置、リスク予測方法、およびプログラム |
US16/756,972 US20210201219A1 (en) | 2017-10-18 | 2018-10-12 | Information processing apparatus, risk forecasting method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017202195A JP6627842B2 (ja) | 2017-10-18 | 2017-10-18 | 情報処理装置、リスク予測方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019075017A JP2019075017A (ja) | 2019-05-16 |
JP6627842B2 true JP6627842B2 (ja) | 2020-01-08 |
Family
ID=66173673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017202195A Active JP6627842B2 (ja) | 2017-10-18 | 2017-10-18 | 情報処理装置、リスク予測方法、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210201219A1 (ja) |
JP (1) | JP6627842B2 (ja) |
WO (1) | WO2019078101A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826852B (zh) * | 2019-09-27 | 2024-05-31 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
JP6828132B1 (ja) * | 2019-12-25 | 2021-02-10 | 典志 藤本 | アクシデント発生予測システム及びアクシデント発生予測方法 |
CN113744882B (zh) * | 2021-09-17 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
CN115358721B (zh) * | 2022-08-30 | 2023-05-23 | 中新华都国际工程咨询有限公司 | 一种基于大数据的工程监理信息监管系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4429128B2 (ja) * | 2004-09-24 | 2010-03-10 | 株式会社竹中工務店 | 犯罪発生確率提示装置及び犯罪発生確率提示プログラム |
US9129219B1 (en) * | 2014-06-30 | 2015-09-08 | Palantir Technologies, Inc. | Crime risk forecasting |
US20160321563A1 (en) * | 2015-04-30 | 2016-11-03 | University Of Southern California | Optimized artificial intelligence machines that allocate patrol agents to minimize opportunistic crime based on learned model |
JP6737290B2 (ja) * | 2016-01-29 | 2020-08-05 | 日本電気株式会社 | 情報処理装置、情報処理方法、及びプログラム |
-
2017
- 2017-10-18 JP JP2017202195A patent/JP6627842B2/ja active Active
-
2018
- 2018-10-12 US US16/756,972 patent/US20210201219A1/en not_active Abandoned
- 2018-10-12 WO PCT/JP2018/038052 patent/WO2019078101A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JP2019075017A (ja) | 2019-05-16 |
US20210201219A1 (en) | 2021-07-01 |
WO2019078101A1 (ja) | 2019-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6627842B2 (ja) | 情報処理装置、リスク予測方法、およびプログラム | |
Sønderby et al. | Metnet: A neural weather model for precipitation forecasting | |
Mohler | Marked point process hotspot maps for homicide and gun crime prediction in Chicago | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
Pliscoff et al. | Effects of alternative sets of climatic predictors on species distribution models and associated estimates of extinction risk: A test with plants in an arid environment | |
CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
US20190295007A1 (en) | People flow prediction device | |
US20180096253A1 (en) | Rare event forecasting system and method | |
Upfill-Brown et al. | Predictive spatial risk model of poliovirus to aid prioritization and hasten eradication in Nigeria | |
Zhao et al. | A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection | |
CN110766184A (zh) | 订单量预测方法和装置 | |
US8600957B2 (en) | Mesh data creation method | |
JP6943242B2 (ja) | 分析装置、分析方法、およびプログラム | |
JP7400819B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN106844948B (zh) | 滑坡预测方法和装置 | |
Chandra et al. | Modelling and assessment of the arrival and departure process at the terminal area: A case study of Chennai international airport | |
CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
CN113486590A (zh) | 一种数据处理方法、设备和存储介质 | |
CN106844628B (zh) | 滑坡预测方法和装置 | |
CN113689020A (zh) | 业务信息预测方法、装置、计算机设备和存储介质 | |
Hasanudin et al. | a Comparative Study of Iconnet Jabodetabek and Banten Using Linear Regression and Support Vector Regression | |
CN117458450B (zh) | 电力数据能耗预测分析方法及系统 | |
Christodoulou et al. | Automated building stock data mining and classification using open source data | |
WO2022009787A1 (ja) | 情報処理装置、情報処理方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171018 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181023 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181225 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190604 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190719 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6627842 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |