JP6833642B2 - 要因分析装置、要因分析方法、およびプログラム - Google Patents

Description

本発明の実施形態は、要因分析装置、要因分析方法、およびプログラムに関する。

監視対象の異常を検知するために作成された監視対象の状態に係るデータには、監視対象に発生した異常の要因に関するデータも含まれている。近年、監視対象の状態に係るデータから要因の抽出および分析を行い、将来において発生する可能性のある異常を事前に導き出すことが一般化しつつある。

要因を抽出するには、要因と異常との関連を明らかにしておく必要がある。しかし、監視対象の状態に係るデータに、異常値のような特異点が見受けられない場合、監視対象にあまり異常が発生しない場合などでは、異常と要因を関連づけることが困難である。

特開２０１１−１５０４９６号公報

本発明の一実施形態は、要因分析に用いられるデータに特異点が含まれていなくとも、要因分析の対象とされた事象と、当該事象の想定要因と、を関連づける。

本発明の一態様としての要因分析装置は、要因分析の対象とされた対象事象と、対象事象の要因と想定される想定要因と、の関連を分析する要因分析装置であって、類似度算出部と、第１影響度算出部と、第２影響度算出部と、を備える。類似度算出部は、与えられた時系列データに含まれるデータ項目と、想定要因と、の間の類似度を算出する。第１影響度算出部は、データ項目に係る時系列データと、対象事象に係る時系列データと、に基づき、データ項目の対象事象に対する影響度を示す第１影響度を算出する。第２影響度算出部は、類似度と、第１影響度と、に基づき、想定要因の対象事象に対する影響度を示す第２影響度を算出する。

第１の実施形態に係る要因分析装置の一例を示すブロック図。 特性要因図の第１の例を示す図。 特性要因図の第２の例を示す図。 分析用データの一例を示す図。 類似度の一例を示す図。 出力の第１の例を示す図。 出力の第２の例を示す図。 第１の実施形態の全体処理の概略フローチャートの一例を示す図。 第２の実施形態に係る要因分析装置の一例を示すブロック図 特性要因図の第３の例を示す図。 第２の実施形態の全体処理の概略フローチャートの一例を示す図。 出力の第３の例を示す図。 本発明の一実施形態におけるハードウェア構成の一例を示すブロック図。

以下、図面を参照しながら、本発明の実施形態について説明する。

（第１の実施形態）
図１は、第１の実施形態に係る要因分析装置の一例を示すブロック図である。第１の実施形態では、要因分析装置１は、入力部１０１と、分析用データ取得部１０２と、設定部１０３と、類似度算出部１０４と、記憶部１０５と、下位要因候補影響度（第１影響度）算出部１０６と、想定要因影響度（第２影響度）算出部１０７と、出力部１０８と、を備える。

要因分析装置１は、与えられた分析用データに基づき、要因分析の対象とされた事象と、想定される当該事象の要因と、を関連づける。要因分析の対象とされた事象を、対象事象と記載する。また、想定される対象事象の要因を想定要因と記載する。

また、本実施形態の要因分析装置１は、想定要因の対象事象に対する影響の度合を算出する。当該度合を影響度と記載する。

例えば、ある機器の異常について分析する場合に、複数の想定要因ごとに、当該異常への影響度を算出する。影響度が高い想定要因ほど、異常の発生に関与していると考えられる。ゆえに、影響度が高い想定要因に対して対策を施すことにより、異常の発生を抑えるといったことが可能になる。

対象事象は特に限られるものではない。機器の異常に限らず、機器の状態に関わるものでよい。また、機器に限らず、複数の機器から構成されるシステムに起こる事象でもよい。あるいは、人、動物などの生体に起こる事象でもよい。

想定要因は、対象事象に応じて予め定められているとする。また、複数の想定要因を予め記憶しておき、対象事象に基づき、用いられる想定要因が選択されてもよい。

要因分析装置１は、特性要因図の概念に基づいて、対象事象と想定要因とを関連づける。特性要因図とは、「特性」と「要因」との関連を体系的に示す図である。特性要因図の概念では、結果などの事象が特性とみなされ、特性に影響を与えると考えられる概念が要因とみなされる。特性要因図は、魚の骨のような形状にて示されることから、フィッシュボーンチャートとも呼ばれる。

図２は、特性要因図の第１の例を示す図である。特性要因図は、特性２と、要因３と、下位要因４と、矢印（骨）５と、を含む。図２の特性要因図の例は、車両の空調の異常の要因について分析することを想定する。図２では、特性２として、空調異常が示されている。また、要因３として、車両周辺、設備、運行、車両、および天候が示されている。

下位要因４は、要因３をより具体化した概念である。つまり、要因３は下位要因４よりも抽象的な概念であり、下位要因４は要因３の詳細を示す。具体化の度合いにより、子要因、孫要因などとも呼ばれるが、本実施形態では、要因３の下位概念をまとめて下位要因４と記載する。図２では、要因３である「車両」の下位要因４として、車両の「空調設定温度」が示されている。

矢印５は、事象間の関連性を示す。特性２は要因３と直に接続されず、特性２に接続された背骨（大骨）５Ａと、背骨５Ａと要因３とを接続する中骨５Ｂと、を介して、要因３と接続される。下位要因４は、小骨５Ｃを介して、関連する要因３に係る中骨５Ｂと接続される。

本実施形態の要因分析装置１は、対象事象を特性要因図の特性２とみなし、想定要因を特性要因図の要因３とみなす。また、要因分析装置１は、与えられた分析用データの各データ項目を下位要因４の候補（下位要因候補）とみなし、各データ項目が下位要因４となり得る度合を、要因３ごとに算出する。単にデータ項目を下位要因４とみなさないのは、データ項目が１つの要因３に関連づけられるとは限られないためである。

要因３の特性２に対する影響度は、要因３配下の各下位要因４の特性２に対する影響度をまとめたものと考えられる。ゆえに、要因分析装置１は、下位要因候補が要因３の配下となり得る度合と、当該下位要因候補の特性２に対する影響度と、を算出した上で、要因３の特性２に対する影響度を算出する。詳細は、要因分析装置１の内部構成とともに説明する。

図３は、特性要因図の第２の例を示す図である。図３の例では、人のストレスが特性２として示されている。そして、ストレスの主な原因と考えられる、経済、家庭、職場、身体状態、生活習慣、および自由時間が要因３として示されている。このように、特性２、つまり対象事象は、機器だけでなく生体に係る事象でもよい。また、要因３、つまり想定要因は、対象事象に応じて、任意に定められてよい。

要因分析装置１の内部構成について説明する。入力部１０１は、ユーザなどから、対象事象および想定要因の指定を受け付ける。なお、入力部１０１が受け付けるのではなく、分析用データにより、対象事象が指定されてもよい。また、対象事象に基づき、想定要因が記憶部１０５から抽出されてもよい。

また、入力部１０１は、処理に用いられるパラメータなどの修正等を受け付けてもよい。例えば、分析用データに含まれているデータ項目名がデータ内容を適切に示した名称でない場合に、データ項目名の修正名称を入力部１０１が受け付けてもよい。

分析用データ取得部１０２は、分析用データを取得する。分析用データは、対象事象に係る時系列データと、対象事象以外のデータ項目に係る時系列データと、が含まれる。

図４は、分析用データの一例を示す図である。図４に示された表の１行目に、データ項目の名称が記載されている。図４の例での対象事象は、鉄道などの車両の空調の異常とする。１列目が対象事象を示す時系列データであり、空調の異常が数値で示されている。なお、数値０が正常を、数値１が異常を示している。

対象事象以外のデータ項目は、特に限られるものではなく、またその数も限定されるものではない。図４の例では、２列目以降に、車両内のセンサにより測定された測定値などの時系列データ（乗車率、外気温、編成速度、空調設定温度、車内温度、ドア開指令値）が示されている。対象事象とは直接関係がないと思われる項目に係るデータが、分析用データに含まれていてもよい。

なお、図４の例では、対象事象およびその他のデータ項目に係る時系列データが１つの表にてまとめて表示されているが、分析用データは、データ項目ごとに分かれていてもよい。逆に、分析用データ取得部１０２が、複数のデータを加工することにより、図４のような１つの分析用データを作成してもよい。例えば、複数のセンサそれぞれから直接または間接的に複数の測定データを取得する。そして、複数の測定データから、図４に示したような１つの分析用データを作成してもよい。

また、分析用データ取得部１０２が、複数の測定データから対象事象に係る時系列データを作成してもよい。つまり、分析用データ取得部１０２が、異常などの状態の判定を行ってもよい。

また、分析用データ取得部１０２は、取得したデータに対して、標準化などの処理を行ってもよい。例えば、取得したデータに欠損がある場合に、前後の値に基づいて、欠損した値を推定し、補完してもよい。あるいは、前後の値に基づいて異常値を検出し、異常値を平滑化してもよい。ノイズを軽減する処理などを行ってもよい。

設定部１０３は、分析用データ取得部１０２からの分析用データに含まれるデータ項目から、指定された対象事象を抽出する。そして、残りのデータ項目から下位要因候補を選択する。なお、残りのデータ項目の一部を下位要因候補としてもよい。あるいは、対象事象と因果関係を有するデータ項目は不明なため、取捨選択せずに、残りのデータ項目の全てを下位要因候補としてもよい。

また、設定部１０３は、下位要因候補の名称を変更してもよい。例えば、下位要因候補の名称を、入力部１０１が受け付けた修正名称に変更してもよい。

また、設定部１０３は、対象事象に基づき、記憶部１０５に記憶されている想定要因から、当該対象事象に対応する想定要因を選択してもよい。

類似度算出部１０４は、下位要因候補の名称に係る特徴量と、想定要因の名称に係る特徴量と、を算出する。そして、下位要因候補の名称に係る特徴量と、想定要因の名称に係る特徴量と、に基づき、両名称の類似度を算出する。このように、テキスト処理により、分析用データに含まれるデータ項目と、想定要因とが、関連づけられる。

特徴量および類似度の算出には、公知の単語特徴量抽出手法を用いてよい。例えば、ＣＢｏＷ（Ｃｏｎｔｉｎｕｏｕｓ Ｂａｇ−ｏｆ−Ｗｏｒｄ）、Ｓｋｉｐ−ｇｒａｍ、ＴＦ−ＩＤＦ（Ｔｅｒｍ ｆｒｅｑｕｅｎｃｙ−Ｉｎｖｅｒｓｅ ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ）、ＳＯＡ（Ｓｔｒｅｎｇｔｈ ｏｆ Ａｓｓｏｃｉａｔｉｏｎ）、ＰＭＩ（Ｐｏｉｎｔｗｉｓｅ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ）などの手法が考えられる。上記以外の手法が用いられてもよい。

例えば、ＣＢｏＷなどにより、下位要因候補の名称と、想定要因の名称とが、ベクトルにて表される。ゆえに、類似度算出部１０４は、ＣＢｏＷを単語特徴量抽出手法として用いる場合、ベクトルを特徴量とすることができる。そして、両ベクトルに基づき、類似度を算出する。類似度の種類および算出法も手法により様々あるが、任意に定めてよい。例えば、ベクトルの始点の位置、ベクトルの傾きなどを考慮して類似度を算出してもよい。

単語の特徴量を算出するためのモデルは、記憶部１０５に予め記憶されているとする。当該モデルは、事前の学習により生成されていることを想定する。なお、要因分析装置１内で学習が行われてもよい。

また、下位要因候補の名称に類似する単語を複数含む第１グループ（第１単語群）を作成し、想定要因の名称に類似する単語を複数含む第２グループ（第２単語群）を作成し、第１グループと第２グループとを比較することにより、下位要因候補と想定要因との類似度が算出されてもよい。本手法により、単に単語を比較するよりも、算出される類似度の精度が向上する。

下位要因候補または想定要因の名称に類似する単語も、記憶部１０５に記憶されていればよい。記憶部１０５がデータベースとして実現されている場合、類似度算出部１０４は、下位要因候補または想定要因の名称を抽出キーとして、データベースの機能を用いて、第１または第２グループに属する単語を抽出することができる。

図５は、類似度の一例を示す図である。図５に示すように、類似度は、想定要因と下位要因候補の組み合わせごとに算出される。図５の例では、類似度は０から１の範囲で表されており、類似度が１に近い程、名称の意味、用法などが近いことを示す。また、類似度が１に近い程、下位要因候補が、想定要因の下位要因となり得る度合が高いことを示す。

記憶部１０５は、要因分析装置１の各処理に用いられるデータを記憶する。例えば、上述の単語の特徴量を算出するためのモデル、学習済みの単語などが記憶される。なお、図１では、記憶部１０５が類似度算出部１０４と接続されているが、記憶部１０５は他の構成要素とデータの送受を行ってもよい。また、要因分析装置１に入力されるデータ、要因分析装置１の各処理において算出されたデータなどが記憶されてもよく、記憶されるデータは、特に限られるものではない。なお、記憶されるデータごとに記憶部１０５が分かれていてもよい。

下位要因候補影響度算出部１０６は、下位要因候補ごとに、下位要因候補の対象事象に対する影響度（第１影響度）を算出する。対象事象に対する影響度の算出には、公知の因果関係モデルを用いてよい。例えば、グレンジャー因果性検定、ルービンの因果モデル、ＬｉｎＧＡＭ（Ｌｉｎｅａｒ Ｎｏｎ−Ｇａｕｓｓｉａｎ Ａｃｙｌｉｃ Ｍｏｄｅｌ）、ＣＣＭ（Ｃｏｎｖｅｒｇｅｎｔ Ｃｒｏｓｓ Ｍａｐｐｉｎｇ）などの因果関係モデルを使用して、影響度を算出することが考えられる。上記以外のモデルが用いられてもよい。

影響度は、因果関係モデルにより算出される検定値、有意確率（ｐ値）などにしてもよいし、これらの値から所定の算出式に基づき算出されてもよい。

想定要因影響度算出部１０７は、想定要因ごとに、想定要因の対象事象に対する影響度を算出する。想定要因の対象事象に対する影響度は、各下位要因候補の当該想定要因に係る類似度と、各下位要因候補の対象事象に対する影響度とに基づき、算出される。

例えば、Ｋ（Ｋは１以上の整数）個の下位要因候補があるとする。第ｋ（ｋは１以上、Ｋ以下の整数）番目の下位要因候補の対象事象に対する影響度をα_ｋと記載する。また、第ｋ番目の下位要因候補と、第ｉ（ｉは１以上の整数）番目の想定要因との間の類似度をβ_ｉｋと記載する。この場合、第ｉ番目の想定要因の対象事象に対する影響度γ_ｉは、次式で表される。

このような算出式を用いることにより、各想定要因の対象事象に対する影響度を算出することができる。なお、上記以外の算出式を用いてもよい。また、影響度は、各要因の影響度の総和が１になるように、調整されてもよい。

出力部１０８は、各構成要素の処理に用いられたデータおよび各部の処理結果を出力することができる。例えば、対象事象、想定要因、下位要因候補、類似度、下位要因候補の対象事象に対する影響度、想定要因の対象事象に対する影響度などが出力部１０８から出力される。なお、出力部１０８が出力するデータは特に限られるものではない。また、図１では、出力部１０８が想定要因影響度算出部１０７と接続されているが、出力部１０８は他の構成要素とデータの送受を行ってもよい。例えば、記憶部１０５に記憶されているデータが出力されてもよい。

また、出力部１０８の出力方式は特に限られるものではない。画像、音声などを要因分析装置１に接続されたディスプレイ等に出力してもよいし、ネットワーク経由にて外部の通信端末に送信してもよい。例えば、分析用データを送信した通信端末などに、出力結果をフィードバックしてもよい。また、処理結果を記録した電子ファイルを生成し、外部のストレージなどに保存してもよい。

図６は、出力の第１の例を示す図である。図６の例では、特性要因図の形式にて、対象事象、想定要因、下位要因候補が示されている。下位要因候補は類似度が０ではない想定要因に属しているため、いくつかの下位要因候補は複数の想定要因の配下に表示されている。

また、図６の例では、対象事象に対する影響が大きい想定要因および当該想定要因配下の下位要因候補は、文字が大きく表示されている。これにより、図６の例では、「空調異常」には「天候」の影響度が大きく、「運行」の影響度が小さいことが分かる。また、想定要因配下の下位要因候補は、属する想定要因に対する類似度が大きいほど、文字が大きく表示されている。これにより、図６の例では、「外気温」のほうが「車内温度」よりも「天候」に対する類似度が大きいことが分かる。

このように、影響度、類似度などの処理結果に応じて画像の特徴を変化させることにより、いずれの想定要因が対象事象に強く影響を及ぼすかなどを視覚的に分かりやすくしてもよい。例えば、文字の形状、模様、色彩、位置、大きさ、範囲などを変えてもよい。

図７は、出力の第２の例を示す図である。内側の円グラフに想定要因が、外側の円グラフに下位要因候補が表示されている。表示された数値は、全ての想定要因または下位要因候補が対象事象に与える影響度に対する、ある想定要因または下位要因候補が対象事象に与える影響度の割合を示す。このように、影響度の割合に基づいて、各想定要因または下位要因候補を比較してもよい。

なお、出力部１０８は、入力部１０１を介してユーザなどから出力方式について指示を受け付けた場合に、図６および７に示したような出力形式を切り替えてもよい。また、詳細情報をさらに表示してもよい。

次に、要因分析装置１の処理の流れについて説明する。図８は、第１の実施形態の全体処理の概略フローチャートの一例を示す図である。

分析用データ取得部１０２が分析用データを取得する（Ｓ１０１）。この際、分析用データ取得部１０２は、分析用データを加工してもよい。分析用データは設定部１０３に送られ、設定部１０３が分析用データのデータ項目名から下位要因候補を決定する（Ｓ１０２）。一方、入力部１０１は、ユーザなどから、対象事象と想定要因を受け付ける（Ｓ１０２）。そして、出力部１０８が設定に係る情報、例えば、設定部１０３により設定された下位要因候補、入力された対象事象および想定要因など、を出力する（Ｓ１０４）。

出力された設定に係る情報に対する応答を入力部１０１が受け付ける（Ｓ１０５）。例えば、設定に係る情報を確認したユーザが、当該設定を了承または拒絶することが考えられる。設定が了承されなかった場合（Ｓ１０６のＮＯ）は、設定部１０３が設定を変更する（Ｓ１０７）。例えば、下位要因候補の名称を入力部１０１が受け付けた名称に変更することが考えられる。設定が了承された場合（Ｓ１０６のＹＥＳ）は、設定は変更されずにＳ１０８およびＳ１０９の処理に移る。

設定の確定後、類似度算出部１０４は下位要因候補と想定要因との類似度を算出し（Ｓ１０８）、下位要因候補影響度算出部１０６は各下位要因候補の対象事象に対する影響度を算出する（Ｓ１０９）。そして、想定要因影響度算出部１０７は、類似度算出部１０４により算出された類似度と、下位要因候補影響度算出部１０６により算出された影響度と、に基づき、想定要因の対象事象に対する影響度を想定要因ごとに算出する（Ｓ１１０）。最後に、出力部１０８が、類似度、下位要因候補の対象事象に対する影響度、想定要因の対象事象に対する影響度といった処理結果を出力する（Ｓ１１１）。

なお、このフローチャートは一例であり、必要とされる処理結果を得ることができれば処理の順序等は限られるものではない。例えば、対象事象と想定要因とが予め定められている場合は、Ｓ１０３の処理は省力されてよい。また、各処理の処理結果は逐次記憶部１０５に記憶され、各構成要素は記憶部１０５を参照して処理結果を取得してもよい。

以上のように、本実施形態によれば、テキスト処理により、分析用データに含まれるデータ項目と、対象事象の想定要因とが関連づけられる。そして、想定要因と関連付けられたデータ項目の対象事象に対する影響度に基づき、想定要因の対象事象に対する影響度を算出する。これにより、与えられたデータに異常などの特異点が含まれていない場合であっても、想定要因および下位要因候補を、対象事象に関連づけることができる。

（第２の実施形態）
図９は、第２の実施形態に係る要因分析装置の一例を示すブロック図である。第２の実施形態では、精度算出部１０９をさらに備える点が第１の実施形態とは異なる。第１の実施形態と同様の点は、説明を省略する。

本実施形態では、要因分析の精度を算出する。また、算出された精度に基づき、処理に用いられる算出手法などを切り替える。これにより、安定して高精度な処理結果を算出することができる。

図１０は、特性要因図の第３の例を示す図である。図１０では、ある企業の株価変動を特性２、つまり対象事象とすることを想定する。要因３、つまり想定要因としては、当該企業の業績、配当および製品が選択されている。また、国内景気、海外情勢、および為替も選択されている。

なお、これらの想定要因の株価変動に対する影響度を算出することができれば、今後の各想定要因の変動を予測することにより、株価変動も予測することが可能となる。

精度算出部１０９は、下位要因候補と想定要因との類似度に基づき、下位要因候補の分析用データから、想定要因の時系列データを作成する。例えば、下位要因候補の時系列データに当該類似度を掛け合わせ、それらの総和を想定要因の時系列データとしてもよい。

また、精度算出部１０９は、想定要因の対象事象に対する影響度に基づき、想定要因の時系列データから、対象事象の時系列データを算出する。例えば、各想定要因の時系列データに当該影響度を掛け合わせ、それらの総和を対象事象の時系列データとしてもよい。

なお、算出された時系列データは、分析用データに含まれる時系列データと区別するために推定時系列データと記載する。

そして、精度算出部１０９は、対象事象の推定時系列データと、分析用データに含まれる対象事象の実際の時系列データと、の相関値を算出する。相関値の算出方法は、任意に定めてよい。例えば、ピアソンの積率相関係数、スピアマンの順位相関係数、ケンドールの順位相関係数、分布間距離、線間距離などの手法を用いることが考えられる。上記以外の手法が用いられてもよい。

算出された相関値に基づき、精度が決定される。相関値そのものを精度としてもよいし、相関値を加工してもよい。また、精度算出部１０９は、算出された精度が、条件を満たすかを判断する。条件は任意に定めてよい。例えば、精度が所定の許容範囲内であること、または所定の閾値以上であることなどとしてもよい。条件および当該条件に係る値は、予め定められていてもよいし、入力部１０１を介してユーザなどから受け付けてもよい。

次に、各構成要素による処理の流れについて説明する。図１１は、第２の実施形態の全体処理の概略フローチャートの一例を示す図である。

Ｓ１０１からＳ１０７までの処理は、第１の実施形態と同様である。そして、Ｓ１０８およびＳ１０９の処理が開始される前に、本実施形態では、複数ある算出手法から今回の処理に用いられる算出手法が設定される（Ｓ２０１）。算出手法は、類似度、下位要因候補の対象事象に対する影響度、想定要因の対象事象に対する影響度の算出手法があるが、いずれに係る算出手法でもよい。また、算出手法の設定は、設定部１０３が行ってもよいし、算出手法を用いる構成要素が行ってもよい。

次に、第１の実施形態と同様にＳ１０８からＳ１１０までの処理が行われる。その後、精度算出部１０９が各想定要因の推定時系列データを作成した上で、対象事象の推定時系列データを作成する（Ｓ２０２）。そして、精度算出部１０９が、対象事象の推定時系列データと、対象事象の実際の時系列データと、に基づき、精度を算出する（Ｓ２０３）。

精度が所定の条件を満たさない場合（Ｓ２０４のＮＯ）、Ｓ２０１の処理に戻り、算出手法が変更される。これにより、前回とは異なる算出手法により影響度などが算出されて、再度、精度が算出される。こうして、精度が条件を満たすまで処理が繰り返される。精度が所定の条件を満たす場合（Ｓ２０４のＹＥＳ）は、第１の実施形態同様、出力部１０８が処理結果を出力し（Ｓ１１１）、本フローは終了する。

なお、出力部１０８は、精度算出部１０９により算出された相関値、精度、推定時系列データなどを出力してもよい。図１２は、出力の第３の例を示す図である。実線が対象事象の推定時系列データを示す。点線が想定要因の推定時系列データを示す。点線が合成されることにより、対象事象の実際の時系列データが作成される。この実線と、対象事象の実際の時系列データとの相関値が高いほど、今後の対象事象の推移の予測の精度が高くなる。

以上のように、本実施形態によれば、精度算出部１０９が影響度などの精度を算出する。これにより、分析結果の信頼性を確認することができる。また、精度に基づいて、算出手法を切り替えることにより、安定して高精度に要因分析を行うことができる。

また、上記に説明した実施形態における各処理は、専用の回路により実現してもよいし、ソフトウェア（プログラム）を用いて実現してもよい。ソフトウェア（プログラム）を用いる場合は、上記に説明した実施形態は、例えば、汎用のコンピュータ装置を基本ハードウェアとして用い、コンピュータ装置に搭載された中央処理装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサにプログラムを実行させることにより、実現することが可能である。

図１３は、本発明の一実施形態におけるハードウェア構成の一例を示すブロック図である。要因分析装置１は、プロセッサ６１と、主記憶装置６２と、補助記憶装置６３と、ネットワークインタフェース６４と、デバイスインタフェース６５と、を備え、これらがバス６６を介して接続されたコンピュータ装置６として実現できる。また、要因分析装置１は、さらに入力装置６７と、出力装置６８とを備えていてもよい。

本実施形態における要因分析装置１は、各装置で実行されるプログラムをコンピュータ装置６に予めインストールすることで実現してもよいし、プログラムをＣＤ−ＲＯＭなどの記憶媒体に記憶して、あるいはネットワークを介して配布して、コンピュータ装置６に適宜インストールすることで実現してもよい。

なお、図１３では、コンピュータ装置は、各構成要素を１つ備えているが、同じ構成要素を複数備えていてもよい。また、図１３では、１台のコンピュータ装置が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされてもよい。当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行することにより、処理結果を生成してもよい。つまり、要因分析装置１がシステムとして構成されていてもよい。

プロセッサ６１は、コンピュータの制御装置および演算装置を含む電子回路である。プロセッサ６１は、コンピュータ装置６の内部構成の各装置などから入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を各装置等に出力する。具体的には、プロセッサ６１は、コンピュータ装置６のＯＳ（オペレーティングシステム）や、アプリケーションなどを実行し、コンピュータ装置６を構成する各装置を制御する。

プロセッサ６１は、上記の処理を行うことができれば特に限られるものではない。プロセッサ６１は、例えば、汎用目的プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、コントローラ、マイクロコントローラ、状態マシンなどでもよい。また、プロセッサ６１は、特定用途向け集積回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラム可能デバイス（ＰＬＤ）に組み込まれていてもよい。また、プロセッサ６１は、複数の処理装置から構成されていてもよい。例えば、ＤＳＰおよびマイクロプロセッサの組み合わせでもよいし、ＤＳＰコアと協働する１つ以上のマイクロプロセッサでもよい。

主記憶装置６２は、プロセッサ６１が実行する命令および各種データ等を記憶する記憶装置であり、主記憶装置６２に記憶された情報がプロセッサ６１により直接読み出される。補助記憶装置６３は、主記憶装置６２以外の記憶装置である。なお、記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとする。主記憶装置６２として、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭ等の一時的な情報の保存に用いられる揮発性メモリが主に用いられるが、本発明の実施形態において、主記憶装置６２がこれらの揮発性メモリに限られるわけではない。主記憶装置６２および補助記憶装置６３として用いられる記憶装置は、揮発性メモリでもよいし、不揮発性メモリでもよい。不揮発性メモリは、プログラム可能読み出し専用メモリ（ＰＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ）、電気的消去可能ＰＲＯＭ（ＥＥＰＲＯＭ）、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）、フラッシュメモリ、ＭＲＡＭ等がある。また、補助記憶装置６３として磁気または光学のデータストレージが用いられてもよい。データストレージとしては、ハードディスク等の磁気ディスク、ＤＶＤ等の光ディスク、ＵＳＢ等のフラッシュメモリ、および磁気テープなどが用いられてもよい。

なお、プロセッサ６１が主記憶装置６２または補助記憶装置６３に対して、直接または間接的に、情報を読み出しまたは書き込みまたはこれらの両方を行うならば、記憶装置はプロセッサと電気的に通信すると言うことができる。なお、主記憶装置６２は、プロセッサに統合されていてもよい。この場合も、主記憶装置６２は、プロセッサと電気的に通信していると言うことができる。

ネットワークインタフェース６４は、無線または有線により、通信ネットワーク７に接続するためのインタフェースである。ネットワークインタフェース６４は、既存の通信規格に適合したものを用いればよい。ネットワークインタフェース６４により、通信ネットワーク７を介して通信接続された外部装置８に出力結果などが送信されてもよい。

デバイスインタフェース６５は、出力結果などを記録する外部装置８と接続するＵＳＢなどのインタフェースである。外部装置８は、外部記憶媒体でもよいし、データベースなどのストレージでもよい。外部記憶媒体は、ＨＤＤ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＡＭ、ＤＶＤ−Ｒ、ＳＡＮ（Ｓｔｏｒａｇｅ ａｒｅａ ｎｅｔｗｏｒｋ）等の任意の記録媒体でよい。あるいは、外部装置８は出力装置でもよい。例えば、画像を表示するための表示装置でもよいし、音声などを出力する装置などでもよい。例えば、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＰＤＰ（Ｐｌａｓｍａ Ｄｉｓｐｌｙ Ｐａｎｅｌ）、スピーカなどがあるが、これらに限られるものではない。

また、コンピュータ装置６の一部または全部、つまり要因分析装置１の一部または全部は、プロセッサ６１などを実装している半導体集積回路などの専用の電子回路（すなわちハードウェア）にて構成されてもよい。専用のハードウェアは、ＲＡＭ、ＲＯＭなどの記憶装置との組み合わせで構成されてもよい。

上記に、本発明の一実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 要因分析装置
１０１ 入力部
１０２ 分析用データ取得部
１０３ 設定部
１０４ 類似度算出部
１０５ 記憶部
１０６ 下位要因候補影響度算出部（第１影響度算出部）
１０７ 想定要因影響度算出部（第２影響度算出部）
１０８ 出力部
１０９ 精度算出部
２ 特性
３ 要因
４ 下位要因
５ 矢印（骨）
５Ａ 背骨（大骨）
５Ｂ 中骨
５Ｃ 小骨
６ コンピュータ装置
６１ プロセッサ
６２ 主記憶装置
６３ 補助記憶装置
６４ ネットワークインタフェース
６５ デバイスインタフェース
６６ バス
６７ 入力装置
６８ 出力装置
７ 通信ネットワーク
８ 外部装置

Claims (10)

1. 要因分析の対象とされた対象事象と、前記対象事象の要因と想定される想定要因と、の関連を分析する要因分析装置であって、
   与えられた時系列データに含まれるデータ項目の名称に係る第１特徴量と、前記想定要因の名称に係る第２特徴量と、を算出して、前記データ項目と、前記想定要因と、の間の類似度を算出する類似度算出部と、
   前記想定要因に関する所定の因果関係モデルを少なくとも用いて、前記データ項目の前記対象事象に対する影響度を示す第１影響度を算出する第１影響度算出部と、
   前記類似度と、前記第１影響度と、に基づく所定の演算式を用いて、前記想定要因の前記対象事象に対する影響度を示す第２影響度を算出する第２影響度算出部と、
   を備える要因分析装置。
2. 単語の特徴量を記憶する記憶部
   をさらに備え、
   前記類似度算出部は、
   前記第１特徴量に基づき、前記記憶部から、前記データ項目と類似する単語を抽出し、 前記第２特徴量に基づき、前記記憶部から、前記想定要因と類似する単語を抽出し、
   前記類似度が、前記第１特徴量に基づき抽出された第１単語群と、前記第２特徴量に基づき抽出された第２単語群と、に基づき、算出される
   請求項１に記載の要因分析装置。
3. 前記想定要因が複数ある場合に、
   複数の想定要因それぞれに対し、前記データ項目である第１データ項目との類似度が算出され、
   前記複数の想定要因それぞれの第２影響度は、少なくとも前記第１データ項目との前記類似度に基づき算出される
   請求項１または２に記載の要因分析装置。
4. 前記データ項目に係る時系列データと、前記類似度と、前記第１影響度と、前記第２影響度と、に基づき算出された前記対象事象の推定の時系列データと、前記対象事象の実際の時系列データとの相関値を算出する相関値算出部
   をさらに備える請求項１ないし３のいずれか一項に記載の要因分析装置。
5. 前記相関値に係る閾値を前記相関値が下回った場合に、少なくとも前記類似度または前記第１影響度を算出する手法を切り替える
   請求項４に記載の要因分析装置。
6. 前記想定要因が、前記対象事象に基づき、複数の想定要因候補から選択される
   請求項１ないし５のいずれか一項に記載の要因分析装置。
7. 時系列データを取得する取得部と、
   前記対象事象、前記想定要因、前記類似度、前記第１影響度、および前記第２影響度の少なくともいずれかに係る情報を出力する出力部と、
   をさらに備える請求項１ないし６のいずれか一項に記載の要因分析装置。
8. 前記想定要因に係る情報が画像にて出力される場合に、前記出力部が前記画像の前記想定要因の表示形式を前記想定要因の影響度に応じて変化させる
   請求項７に記載の要因分析装置。
9. 要因分析の対象とされた対象事象と、前記対象事象の要因と想定される想定要因と、の関連を分析する要因分析方法であって、
   与えられた時系列データに含まれるデータ項目の名称に係る第１特徴量と、前記想定要因の名称に係る第２特徴量と、を算出して、前記データ項目と、前記想定要因との間の類似度を算出するステップと、
   前記想定要因に関する所定の因果関係モデルを少なくとも用いて、前記データ項目の前記対象事象に対する影響度を示す第１影響度を算出するステップと、
   前記類似度と、前記第１影響度と、に基づく所定の演算式を用いて、前記想定要因の前記対象事象に対する影響度を示す第２影響度を算出するステップと、
   を備える、コンピュータによって実行される要因分析方法。
10. 要因分析の対象とされた対象事象と、前記対象事象の要因と想定される想定要因と、の関連を分析するためのプログラムであって、
    与えられた時系列データに含まれるデータ項目の名称に係る第１特徴量と、前記想定要因の名称に係る第２特徴量と、を算出して、前記データ項目と、前記想定要因との間の類似度を算出するステップと、
    前記想定要因に関する所定の因果関係モデルを少なくとも用いて、前記データ項目の前記対象事象に対する影響度を示す第１影響度を算出するステップと、
    前記類似度と、前記第１影響度と、に基づく所定の演算式を用いて、前記想定要因の前記対象事象に対する影響度を示す第２影響度を算出するステップと、
    をコンピュータに実行させるプログラム。

Images