JP6693897B2 - 予測装置、予測方法、及び予測プログラム - Google Patents
予測装置、予測方法、及び予測プログラム Download PDFInfo
- Publication number
- JP6693897B2 JP6693897B2 JP2017038326A JP2017038326A JP6693897B2 JP 6693897 B2 JP6693897 B2 JP 6693897B2 JP 2017038326 A JP2017038326 A JP 2017038326A JP 2017038326 A JP2017038326 A JP 2017038326A JP 6693897 B2 JP6693897 B2 JP 6693897B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- disaster
- prediction
- insurance
- user
- 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
- 238000000034 method Methods 0.000 title claims description 39
- 230000008569 process Effects 0.000 claims description 18
- 238000013277 forecasting method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 description 36
- 238000010586 diagram Methods 0.000 description 27
- 238000000605 extraction Methods 0.000 description 20
- 230000010365 information processing Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 101000608734 Helianthus annuus 11 kDa late embryogenesis abundant protein Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101000629036 Lumbricus terrestris Myosin regulatory light chain, striated muscle, 25 kDa isoform Proteins 0.000 description 1
- 101100522111 Oryza sativa subsp. japonica PHT1-11 gene Proteins 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
〔1.予測処理〕
まず、図1を用いて、実施形態に係る予測処理の一例について説明する。図1は、実施形態に係る予測処理の一例を示す図である。図1の例では、予測装置100は、発生した災害(以下、単に「災害」ともいう)に関する損害額を予測する場合を示す。具体的には、図1の例では、予測装置100は、災害種別が「台風」であって、発生災害ID「OC11」により識別される災害である台風Z号が発生した際に、保険会社であるA社が支払う保険料(支払額)を予測する場合を示す。なお、図1の例では、マップ情報MP1に示すように、台風Z号の対象エリアがエリアID「AR11」により識別されるエリアAと、エリアID「AR12」により識別されるエリアBである場合を一例として説明する。また、図1の例では、予測装置100は、各災害種別の各々に対応する複数の予測モデルのうち、発生した災害に対応するモデルを用いてA社の支払額を予測する場合を示す。なお、ここでいうエリアの大きさは、処理の目的等に応じて適宜設定されてもよい。例えば、エリアは、「国」、「地方」、「県」、「市」、「区」、「町」等の種々の大きさのエリアが適宜設定されてもよい。例えば、エリアは、関東地方や東京都等であってもよい。
図1の説明に先立って、図2を用いて予測システム1の構成について説明する。図2は、実施形態に係る予測システムの構成例を示す図である。図2に示すように、予測システム1は、端末装置10と、保険サービス装置20と、オープンデータ提供装置50と、予測装置100とが含まれる。端末装置10と、保険サービス装置20と、オープンデータ提供装置50と、予測装置100とは所定のネットワークNを介して、有線または無線により通信可能に接続される。なお、図2に示した予測システム1には、複数台の端末装置10や、複数台の保険サービス装置20や、複数台のオープンデータ提供装置50や、複数台の予測装置100が含まれてもよい。
上述した例では、予測モデルが出力するスコアを損害額(支払額)として用いる場合を示したが、予測装置100は、予測モデルが出力するスコアを損害額(支払額)のレベルを示す指標として用いてもよい。例えば、予測装置100は、予測モデルが出力するスコアと対応表とを用いて損害額(支払額)を予測してもよい。この点について、図14を用いて説明する。図14は、損害額の予測に用いる対応表の一例を示す図である。
次に、図3を用いて、実施形態に係る予測装置100の構成について説明する。図3は、実施形態に係る予測装置100の構成例を示す図である。図3に示すように、予測装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、予測装置100は、予測装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワークと有線または無線で接続され、端末装置10との間で情報の送受信を行う。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部120は、図3に示すように、ユーザ情報記憶部121と、資産情報記憶部122と、保険情報記憶部123と、災害履歴情報記憶部124と、予測モデル情報記憶部125と、発生情報記憶部126とを有する。また、記憶部120は、図12に示すようなオープンデータOD1、サービスデータSD1、保険データAD1や図13に示すようなオープンデータOD2、サービスデータSD2、保険データAD2等を記憶してもよい。
実施形態に係るユーザ情報記憶部121は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部121は、ユーザ属性に関する各種情報を記憶する。図4は、実施形態に係るユーザ情報記憶部の一例を示す図である。図4に示すユーザ情報記憶部121は、「ユーザID」、「年齢」、「性別」、「位置情報」といった項目が含まれる。また、「位置情報」には、「最新位置」、「取得日時」といった項目が含まれる。
実施形態に係る資産情報記憶部122は、ユーザの資産に関する情報(資産情報)を記憶する。図5は、実施形態に係る資産情報記憶部の一例を示す図である。例えば、資産情報記憶部122は、ユーザが所有する不動産や動産等の種々の資産に関する情報を記憶する。図5に示す資産情報記憶部122には、「ユーザID」、「資産情報」といった項目が含まれる。「資産情報」には、「資産ID」、「資産種別」、「所在地」、「価値」といった項目が含まれる。
実施形態に係る保険情報記憶部123は、ユーザの保険に関する情報(保険情報)を記憶する。図6は、実施形態に係る保険情報記憶部の一例を示す図である。例えば、保険情報記憶部123は、保険情報として、各ユーザが加入している保険に関する各種情報を記憶する。図6に示す保険情報記憶部123には、「保険会社ID」、「名称」、「加入情報」といった項目が含まれる。また、「加入情報」には、「ユーザID」、「保険種別ID」、「保険種別」、「対象」、「限度額」といった項目が含まれる。
実施形態に係る災害履歴情報記憶部124は、災害履歴に関する情報を記憶する。図7は、実施形態に係る災害履歴情報記憶部の一例を示す図である。例えば、災害履歴情報記憶部124は、過去に発生した災害に関する各種情報を記憶する。図7に示す災害履歴情報記憶部124には、「履歴ID」、「災害種別ID」、「名称」、「対象エリア」、「災害強度」、「被害規模」、「損害額」といった項目が含まれる。
実施形態に係る予測モデル情報記憶部125は、予測モデルに関する情報を記憶する。例えば、予測モデル情報記憶部125は、生成処理により生成された予測モデル情報を記憶する。図8は、実施形態に係る予測モデル情報記憶部の一例を示す図である。図8に示す予測モデル情報記憶部125では、各災害種別に対応する予測モデルが記憶される。図8に示す予測モデル情報記憶部125は、予測モデル情報として、各予測モデルM1〜M3等に対応させて「素性1」〜「素性3」等といった項目を有する。
実施形態に係る発生情報記憶部126は、発生する災害に関する情報(発生情報)を記憶する。例えば、発生情報記憶部126は、発生している災害に関する発生情報を記憶する。図9は、実施形態に係る発生情報記憶部の一例を示す図である。図9に示す発生情報記憶部126は、「発生災害ID」、「名称」、「災害対象情報」といった項目が含まれる。また、「災害対象情報」には、「対象エリア」、「予測強度」といった項目が含まれる。
図3の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、予測装置100内部の記憶装置に記憶されている各種プログラム(予測プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
取得部131は、種々の情報を取得する。取得部131は、端末装置10等の外部装置から各種情報を取得する。また、取得部131は、記憶部120から各種情報を取得する。また、取得部131は、ユーザ情報記憶部121や、資産情報記憶部122や、保険情報記憶部123や、災害履歴情報記憶部124や、予測モデル情報記憶部125や、発生情報記憶部126等から各種情報を取得する。
抽出部132は、種々の情報を抽出する。例えば、抽出部132は、記憶部120から各種情報を抽出する。また、抽出部132は、ユーザ情報記憶部121や、資産情報記憶部122や、保険情報記憶部123や、災害履歴情報記憶部124や、予測モデル情報記憶部125や、発生情報記憶部126等から各種情報を抽出する。
生成部133は、種々の情報を生成する。例えば、生成部133は、予測モデル等の各種モデルを生成する。例えば、生成部133は、予測モデル情報記憶部125(図8参照)に記憶された予測モデルM1〜M3を生成する。
予測部134は、種々の情報を予測する。例えば、予測部134は、生成部133により生成された各種モデルを用いて、種々の情報を予測する。例えば、予測部134は、予測モデル情報記憶部125に記憶された予測モデルM1〜M3等を用いて、災害における損害額を予測する。
提供部135は、端末装置10等の外部装置に各種情報を提供する。例えば、提供部135は、生成部133により生成された各種情報を外部装置に提供してもよい。また、提供部135は、予測部134により予測された各種の予測情報を外部装置に提供してもよい。例えば、提供部135は、予測部134により予測された損害額に関する情報を外部の情報処理装置へ提供してもよい。例えば、提供部135は、予測部134により予測された保険会社の支払額をその保険会社の保険サービス装置20へ提供してもよい。
次に、図10を用いて、実施形態に係る予測システム1による予測処理の手順について説明する。図10は、実施形態に係る予測モデルの生成の一例を示すフローチャートである。具体的には、図10は、予測モデルの生成に関する予測モデルの生成の一例を示すフローチャートである。
次に、図11を用いて、実施形態に係る予測システム1による予測処理の手順について説明する。図11は、実施形態に係る予測処理の一例を示すフローチャートである。具体的には、図11は、予測モデルを用いた予測処理の一例を示すフローチャートである。
ここで、予測システム1における予測モデルの生成及び損害額の予測に用いるデータ等について、図12及び図13を用いて説明する。図12は、実施形態に係る予測モデルの生成の一例を示す概念図である。また、図13は、実施形態に係る予測処理の一例を示す概念図である。
まず、図12を用いて予測装置100による予測モデルの生成について説明する。図12では、災害種別Xの損害額(支払額)を予測する予測モデルPMの生成を一例として示す。例えば、災害種別Xは、災害種別「地震」や災害種別「電車事故」であってもよいし、災害種別「全体」、すなわち全災害を対象とするものであってもよい。
次に、図13を用いて予測装置100による損害額の予測について説明する。図13では、予測モデルPMを用いた災害種別Xの損害額(支払額)の予測を一例として示す。図13では、災害種別Xである災害XXXが発生した際に、予測装置100が予測モデルPMを用いて災害XXXの損害額(支払額)を予測する場合を示す。具体的には、予測装置100が災害種別Xである災害XXXが発生した際に、保険会社であるX社が支払う保険料(支払額)を予測する場合を示す。そのため、予測装置100は、図12に示すように、過去の災害種別Xの災害時における対象会社の支払額を正解情報として生成した予測モデルPMを用いる。
上述してきたように、実施形態に係る予測装置100は、取得部131と、予測部134とを有する。取得部131は、災害に関する発生情報と、当該災害の影響を受けるエリアに位置する対象に関する対象情報とを取得する。予測部134は、取得部131により取得された発生情報と対象情報とに基づいて、災害に関する損害額を予測する。
上述してきた実施形態に係る予測装置100は、例えば図15に示すような構成のコンピュータ1000によって実現される。図15は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
100 予測装置
121 ユーザ情報記憶部
122 資産情報記憶部
123 保険情報記憶部
124 災害履歴情報記憶部
125 予測モデル情報記憶部
126 発生情報記憶部
130 制御部
131 取得部
132 抽出部
133 生成部
134 予測部
135 提供部
10 端末装置
20 保険サービス装置
50 オープンデータ提供装置
N ネットワーク
Claims (10)
- 災害に関する発生情報と、当該災害の影響を受けるエリアに位置する対象に関する対象情報であって、エリアに対応するユーザに関する情報、資産に関する情報、及び保険に関する情報を含む対象情報と、予測モデルとを取得する取得部と、
前記取得部により取得された前記発生情報と前記対象情報とに基づいて、前記ユーザに関する情報、前記資産に関する情報、及び前記保険に関する情報を前記予測モデルに入力することにより、前記予測モデルが出力するスコアと、損害額がスコアに対応付けられた対応表とを用いて、前記災害に関する損害額を予測する予測部と、
を備えることを特徴とする予測装置。 - 前記取得部は、
ユーザが所有する資産であって、前記災害の発生の影響を受けるエリアに位置する資産に関する資産情報を含む前記対象情報を取得する
ことを特徴とする請求項1に記載の予測装置。 - 前記取得部は、
前記災害の発生におけるユーザに関する位置情報を含む前記対象情報を取得する
ことを特徴とする請求項1または請求項2に記載の予測装置。 - 前記予測部は、
過去に発生した過去災害における損害に関する金額と、当該過去災害の影響を受けたエリアに位置する対象に関する対象情報とに基づいて生成される予測モデルを用いて、前記災害に関する損害額を予測する
ことを特徴とする請求項1〜3のいずれか1項に記載の予測装置。 - 前記予測部は、
災害の種別の各々について生成される複数の予測モデルのうち、予測対象となる災害の種別に対応する予測モデルを用いて、前記災害に関する損害額を予測する
ことを特徴とする請求項4に記載の予測装置。 - 前記取得部は、
地震、台風、または交通災害のいずれかである前記災害に関する発生情報を取得する
ことを特徴とする請求項1〜5のいずれか1項に記載の予測装置。 - 前記取得部は、
保険会社に関する保険情報を取得し、
前記予測部は、
前記保険情報に基づいて、前記災害に応じて前記保険会社が支払う支払額を前記損害額として予測する
ことを特徴とする請求項1〜6のいずれか1項に記載の予測装置。 - 前記取得部は、
前記保険会社が提供する所定の保険に加入する各ユーザであって、前記エリアに位置する対象に関連する各ユーザの前記保険情報を取得し、
前記予測部は、
前記保険情報に基づいて前記所定の保険の対象を特定することにより、前記災害による前記保険会社が支払う支払額を前記損害額として予測する
ことを特徴とする請求項7に記載の予測装置。 - コンピュータが実行する予測方法であって、
災害に関する発生情報と、当該災害の影響を受けるエリアに位置する対象に関する対象情報であって、エリアに対応するユーザに関する情報、資産に関する情報、及び保険に関する情報を含む対象情報と、予測モデルとを取得する取得工程と、
前記取得工程により取得された前記発生情報と前記対象情報とに基づいて、前記ユーザに関する情報、前記資産に関する情報、及び前記保険に関する情報を前記予測モデルに入力することにより、前記予測モデルが出力するスコアと、損害額がスコアに対応付けられた対応表とを用いて、前記災害に関する損害額を予測する予測工程と、
を含むことを特徴とする予測方法。 - 災害に関する発生情報と、当該災害の影響を受けるエリアに位置する対象に関する対象情報であって、エリアに対応するユーザに関する情報、資産に関する情報、及び保険に関する情報を含む対象情報と、予測モデルとを取得する取得手順と、
前記取得手順により取得された前記発生情報と前記対象情報とに基づいて、前記ユーザに関する情報、前記資産に関する情報、及び前記保険に関する情報を前記予測モデルに入力することにより、前記予測モデルが出力するスコアと、損害額がスコアに対応付けられた対応表とを用いて、前記災害に関する損害額を予測する予測手順と、
をコンピュータに実行させることを特徴とする予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017038326A JP6693897B2 (ja) | 2017-03-01 | 2017-03-01 | 予測装置、予測方法、及び予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017038326A JP6693897B2 (ja) | 2017-03-01 | 2017-03-01 | 予測装置、予測方法、及び予測プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018052412A Division JP6697500B2 (ja) | 2018-03-20 | 2018-03-20 | 予測装置、予測方法、及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018147024A JP2018147024A (ja) | 2018-09-20 |
JP6693897B2 true JP6693897B2 (ja) | 2020-05-13 |
Family
ID=63591162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017038326A Active JP6693897B2 (ja) | 2017-03-01 | 2017-03-01 | 予測装置、予測方法、及び予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6693897B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7218044B1 (ja) | 2022-04-26 | 2023-02-06 | 株式会社オプティム | 情報処理装置、方法、プログラム、およびシステム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003085361A (ja) * | 2001-07-03 | 2003-03-20 | Tokio Marine & Fire Insurance Co Ltd | デリバティブの設計支援システム、コンピュータプログラムおよび方法 |
JP4159890B2 (ja) * | 2002-02-08 | 2008-10-01 | 九州電力株式会社 | 熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法および装置 |
JP2006004212A (ja) * | 2004-06-18 | 2006-01-05 | Hitachi Ltd | 水害被害の推定方法をコンピュータに実行させるためのプログラム及び情報提示方法 |
US7353115B2 (en) * | 2006-07-20 | 2008-04-01 | Swiss Reinsurance Company | Computer system and method for determining a regional impact of earthquake events |
WO2008151042A1 (en) * | 2007-06-01 | 2008-12-11 | American International Group, Inc. | Method and system for projecting catastrophe exposure |
JP2010009470A (ja) * | 2008-06-30 | 2010-01-14 | Takenaka Komuten Co Ltd | 震災時リスク推定システム、震災時リスク推定方法、震災時リスク推定プログラム |
JP2010015299A (ja) * | 2008-07-02 | 2010-01-21 | Omron Corp | 情報処理システム、通信端末装置、情報処理装置、情報処理方法、および、プログラム |
CN102124482A (zh) * | 2008-08-21 | 2011-07-13 | 瑞士再保险公司 | 用于确定地震冲击指数的计算机系统和方法 |
US10387960B2 (en) * | 2012-05-24 | 2019-08-20 | State Farm Mutual Automobile Insurance Company | System and method for real-time accident documentation and claim submission |
-
2017
- 2017-03-01 JP JP2017038326A patent/JP6693897B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018147024A (ja) | 2018-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kirchmeier-Young et al. | Human influence has intensified extreme precipitation in North America | |
Hyandye et al. | A Markovian and cellular automata land-use change predictive model of the Usangu Catchment | |
Puttinaovarat et al. | Flood forecasting system based on integrated big and crowdsource data by using machine learning techniques | |
US20220245667A1 (en) | Adaptive lead generation for marketing | |
EP3309739A1 (en) | Information processing device, information processing method, and program | |
US10359292B2 (en) | Deep learning allergen mapping | |
JP2018077821A (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
JP6697500B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
US20160019463A1 (en) | System, method, and program for supporting intervention action decisions in hazard scenarios | |
Lorenzi et al. | Utilizing social media to improve local government responsiveness | |
US10762089B2 (en) | Open ended question identification for investigations | |
US11488083B2 (en) | Risk failure prediction for line assets | |
WO2023105294A1 (en) | Methods, systems, devices and neural networks for forecasting a time series | |
JP6693897B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
Kedron | Identifying the geographic extent of environmental inequalities: A comparison of pattern detection methods | |
Iskandaryan et al. | Comparison of nitrogen dioxide predictions during a pandemic and non-pandemic scenario in the city of Madrid using a convolutional LSTM network | |
WO2023049280A1 (en) | Systems and methods to screen a predictive model for risks of the predictive model | |
JP5639490B2 (ja) | タグ推薦装置 | |
JPWO2018147150A1 (ja) | 推論用知識生成装置、推論用知識生成方法、及びプログラム | |
CN110177339B (zh) | 一种od矩阵构建方法及装置 | |
Huang | Differences between disaster prediction and risk assessment in natural disasters | |
de Albuquerque et al. | Downscaling patterns of complementarity to a finer resolution and its implications for conservation prioritization | |
JP2020035072A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Anyidoho et al. | A machine learning approach for predicting hurricane evacuee destination location using smartphone location data | |
CN113112289B (zh) | 一种商户信息更新方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170522 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20170522 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170524 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170804 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170815 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180123 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180320 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20180619 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180919 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20180927 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20181116 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6693897 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |