JP7047174B1 - 予測システム、予測装置、予測方法および予測プログラム - Google Patents

Abstract

【課題】将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させること。【解決手段】本願に係る予測システムは、取得手段と、予測手段とを備える。取得手段は、第１の利用者の体温を示す体温情報と、第１の利用者が体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する。予測手段は、体温と第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、将来における第２の利用者の体温変化に関する情報を予測する。【選択図】図３

Description

本発明は、予測システム、予測装置、予測方法および予測プログラムに関する。

従来、利用者の身体状態の変化を予測し予測結果を利用者に提供する仕組みが提案されている。例えば、特許文献１には、人物の活動状態や環境状態をモニタリングし、熱中症に関するリスクを予測し、熱中症の予防に必要な情報提供を行う技術が提案されている。

特開２０１８－１１６５８４号公報

しかしながら、上記の従来技術では、将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させることができるとは限らない。

例えば、上記の従来技術では、身体状態の測定データおよび環境状態の測定データを入力データとして入力すると、熱中症の発生リスクを出力するよう学習させた学習モデルを用いることで、熱中症に関するリスクが利用者ごとに予測されている。

また、上記の従来技術では、過去の一定期間の測定データの傾向に基づいて将来の測定データの予測値を算出することで、算出した予測値に基づいて熱中症リスクが算出されてもよい。

このように上記の従来技術は、利用者の活動状態および環境状態をモニタリングした結果から当該利用者の熱中症リスクを予測するものであり、利用者の将来の状況ではどのような体温変化が起こるかを予測しようとする概念は存在しない。

したがって、上記の従来技術では、将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させるという点では改善の余地がある。

本願は、上記に鑑みてなされたものであって、将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させることができる予測システム、予測装置、予測方法および予測プログラムを提供することを目的とする。

本願に係る予測システムは、第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手段と、前記体温と前記第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手段とを備えることを特徴とする。

実施形態の一態様によれば、将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させることができる。

図１は、実施形態に係る予測システムの一例を示す図である。 図２は、実施形態に係る情報処理の一例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係る元データ記憶部の一例を示す図である。 図５は、実施形態に係る学習データ記憶部の一例を示す図である。 図６は、実施形態に係る学習結果記憶部の一例を示す図である。 図７は、実施形態に係る予測結果記憶部の一例を示す図である。 図８は、実施形態に係る閾値制御処理の一例を示す図である。 図９は、実施形態に係る予測処理手順を示すフローチャートである。 図１０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。

以下に、本願に係る予測システム、予測装置、予測方法および予測プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測システム、予測装置、予測方法および予測プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略する。

〔１．はじめに〕
昨今、発熱検知により感染症対策を実施しようとする風潮が高まってきている。また、これに伴い、各個人も日頃から自身の体温変化に気を配るようになってきている。このため、例えば、将来の行動予定に応じてどのような体温変化が生じるか予め知ることができれば、感染症予防をはじめとして熱中症対策など、各種の健康管理を個人個人が行えるようになり便利であるが、そのような技術には未だ検討の余地がある。

本発明は、上記事情に着目してなされたものであって、その目的とするところは、将来の状況に応じてどのような体温変化が生じるかを利用者に適切に把握させることができる技術を提供することにある。このような目的のため、本発明では、利用者の体温と、利用者のコンテキストとの関係性を機械学習により学習し、学習結果に基づいて、利用者の将来の行動予定に応じてどのような体温変化が生じるかを予測する。そして、本発明では、予測結果に関する情報を利用者に提供する。

〔２．システムについて〕
まず、図１を用いて、実施形態に係る予測システムの構成を説明する。図１は、実施形態に係る予測システムの一例を示す図である。図１には、実施形態に係る予測システムの一例として、予測システム１が示される。

図１に示すように、予測システム１は、端末装置１０と、予測装置１００とを備える。端末装置１０と、予測装置１００とは、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１に示す予測システム１には、任意の数の端末装置１０と、任意の数の予測装置１００とが含まれてもよい。

端末装置１０は、撮像機能および体温検知機能を有する情報処理端末であってよい。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。

また、端末装置１０は、上記のように、利用者によって日常的に利用される（利用者が所持する）情報処理端末に限定されず、例えば、街頭などに設置される防犯対策用の監視カメラであってもよい。また、他の例として、端末装置１０は、社員や訪問客に対する認証を目的として施設の入館ゲートなどに設置される顔認識用の情報処理端末であってもよい。

また、端末装置１０には、予測装置１００との間での情報の送受信を実現するためのアプリケーションが導入されていてよい。また、係るアプリケーションは、予測装置１００にアクセスするための専用のアプリケーションとして実装されてもよいし、ブラウザなどの汎用的なアプリケーションであってもよい。

また、以下の実施形態において、端末装置１０は、利用者に応じて区別表記される場合がある。図２に示すが、例えば、学習データの元となる元データを取得される利用者である第１の利用者Ｕｎに対応する端末装置１０は、端末装置１０－ｎ（ｎ＝１１，１２，１３，…）と区別表記される。具体的な例を挙げると、第１の利用者Ｕｎの一例である第１の利用者Ｕ１１に対応する端末装置１０－ｎは、端末装置１０－１１と区別表記される場合がある。

また、体温変化に関する情報が予測される処理対象の利用者である第２の利用者Ｕｘに対応する端末装置１０は、端末装置１０－ｘ（ｘ＝２１，２２，２３，…）と区別表記される。具体的な例を挙げると、第２の利用者Ｕｘの一例である第２の利用者Ｕ２１に対応する端末装置１０－ｘは、端末装置１０－２１と区別表記される場合がある。

なお、上記のような区別表記が不要な場合には、単に、端末装置１０と表記する。

予測装置１００は、実施形態に係る情報処理として、体温とコンテキストとの関係性を学習させることでモデルを生成する学習処理と、関係性を学習済のモデルを用いて体温変化に関する情報を予測する予測処理とを行う情報処理装置（サーバ装置）である。例えば、予測装置１００は、実施形態に係る予測プログラムに従って、このような一連の情報処理を行うことができる。

また、端末装置１０を利用者の近くでエッジ処理を行うエッジコンピュータとするなら、予測装置１００は、例えば、クラウド側で処理を行うクラウドコンピュータであってよい。

また、予測装置１００は、学習処理を行う情報処理装置と、予測処理を行う情報処理装置といったように複数台の装置に分けられてもよいが、本実施形態では、予測装置１００は、学習処理を行う機能と、予測処理を行う機能とを有する１台の情報処理装置であるものとして説明する。

なお、図１の例では、端末装置１０と、予測装置１００とは、それぞれ個別の異なる装置である例が示されるが、端末装置１０と、予測装置１００とは、一体化されてもよい。このような一体化の例として、例えば、以下の実施形態において、予測装置１００が行うものとして説明する機能が、端末装置１０側に実装されてもよい。具体的な一例として、実施形態に係る予測プログラムを端末装置１０に導入することで、端末装置１０を予測装置１００として動作させる構成が採用されてもよい。

〔３．情報処理の具体例ついて〕
続いて、図２を用いて、実施形態に係る情報処理の具体的な一例を示す。図２は、実施形態に係る情報処理の一例を示す図である。図２には、予測装置１００が、第１の利用者Ｕｎの体温と、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストをモデルに学習させる学習処理を行う場面（ステップＳ１１～Ｓ１４）が示される。また、図２には、予測装置１００が、関係性を学習した学習済のモデルと、第２の利用者Ｕｘの将来のコンテキストである第２のコンテキストとに基づいて、将来における第２の利用者Ｕｘの体温変化に関する情報を予測する予測処理を行う場面（ステップＳ２１～Ｓ２３）が示される。

以下では、図２に示すように、第１の利用者Ｕｎの一例として第１の利用者Ｕ１１、Ｕ１２およびＵ１３、そして、第２の利用者Ｕｘの一例として第２の利用者Ｕ２１を例に挙げて、実施形態に係る情報処理を説明する。

（学習処理）
はじめに学習処理について説明する。まず、端末装置１０－ｎは、第１の利用者Ｕｎの体温を検知する（ステップＳ１１）。図２の例によれば、スマートフォンである端末装置１０－１１が、第１の利用者Ｕ１１の体温を検知した例が示される。また、図２の例によれば、防犯カメラである端末装置１０－１２が、第１の利用者Ｕ１２の体温を検知した例が示される。さらに、図２の例によれば、顔認識用の情報処理端末である端末装置１０－１３が、第１の利用者Ｕ１３の体温を検知した例が示される。

なお、端末装置１０－ｎは、サーモグラフィカメラにより計測された第１の利用者Ｕｎの顔の表面温度に基づいて、第１の利用者Ｕｎの体温を検知してよい。もちろん、端末装置１０－ｎは、その他の任意の手法により第１の利用者Ｕｎの体温を計測してもよい。

続いて、端末装置１０－ｎは、第１の利用者Ｕｎの体温を検知すると、体温を検知した際における第１の利用者Ｕｎのコンテキストである第１のコンテキストを認識する処理を行う（ステップＳ１２）。図２の例によれば、端末装置１０－１１が、第１の利用者Ｕ１１のコンテキストとして、第１コンテキストＣ１１を認識した例が示される。また、図２の例によれば、端末装置１０－１２が、第１の利用者Ｕ１２のコンテキストとして、第１コンテキストＣ１２を認識した例が示される。さらに、図２の例によれば、端末装置１０－１３が、第１の利用者Ｕ１３のコンテキストとして、第１コンテキストＣ１３を認識した例が示される。

なお、図２では、第１のコンテキストが概念表記されているが、第１のコンテキストは、例えば、体温を検知された際の第１の利用者Ｕｎの位置、体温を検知された際の第１の利用者Ｕｎの行動状態（例えば、第１の利用者Ｕｎが行っている行動、行動のため第１の利用者Ｕｎが着用している衣類、行動の結果として第１の利用者Ｕｎが巻き込まれることとなった混雑状況など）、体温を検知された際の第１の利用者Ｕｎの周辺環境（例えば、天気、気温、湿度など）、体温を検知された際の日時、第１の利用者Ｕｎの属性（年齢、性別など）などであってよい。

このような状態において、端末装置１０－ｎは、第１の利用者Ｕｎの体温を示す体温情報と、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを予測装置１００に送信する。この結果、図２に示すように、予測装置１００は、第１の利用者Ｕｎごとに、体温を示す体温情報と、体温検知された際における第１の利用者Ｕｎのコンテキストである第１のコンテキストを示す第１のコンテキスト情報との組を収集（取得）する（ステップＳ１２）。

図２の例によれば、予測装置１００が、第１の利用者Ｕ１１に対応する体温情報として体温情報ＢＤＡ１１を取得するとともに、第１の利用者Ｕ１１に対応する第１のコンテキスト情報として第１のコンテキスト情報ＣＤＡ１１を取得した例が示される。また、図２の例によれば、予測装置１００が、第１の利用者Ｕ１２に対応する体温情報として体温情報ＢＤＡ１２を取得するとともに、第１の利用者Ｕ１２に対応する第１のコンテキスト情報として第１のコンテキスト情報ＣＤＡ１２を取得した例が示される。さらに、図２の例によれば、予測装置１００が、第１の利用者Ｕ１３に対応する体温情報として体温情報ＢＤＡ１３を取得するとともに、第１の利用者Ｕ１３に対応する第１のコンテキスト情報として第１のコンテキスト情報ＣＤＡ１３を取得した例が示される。

ここで、予測装置１００が、ステップＳ１２で収集した情報、すなわち第１の利用者Ｕｎの体温を示す体温情報、および、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報は、モデルの学習に用いられる学習データの元となる元データである。そこで、予測装置１００は、次に、ステップＳ１２で収集した情報に対するクレンジング処理を行うことで、モデルの学習に用いる学習データを生成する（ステップＳ１３）。図２の例によれば、予測装置１００は、第１のコンテキストに応じて第１の利用者Ｕｎにどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルＭｎに学習させるための学習データＬＤｎを生成する。

例えば、予測装置１００は、元データに基づいて、学習データＬＤｎの一例として、体温変化を示す情報と、第１のコンテキスト情報との組で構成される学習データＬＤ１を生成してよい。また、予測装置１００は、元データに基づいて、学習データＬＤｎの他の一例として、第１のコンテキストに応じて特定の体温変化が生じる確率を示す確率情報と、第１のコンテキスト情報との組で構成される学習データＬＤ２を生成してもよい。

次に、予測装置１００は、学習データＬＤｎを用いた機械学習により、体温変化とコンテキストとの関係性をモデルＭｎに学習させることで予測モデルＭｎを生成する（ステップＳ１４）。

例えば、予測装置１００は、学習データＬＤ１を教師データとして用いることで、モデルＭｎとして、コンテキスト情報を入力とし、体温変化を示す情報を出力とする第１の予測モデルＭ１を機械学習により生成する。また、予測装置１００は、学習データＬＤ２を教師データとして用いることで、モデルＭｎとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルＭ２を生成してもよい。

（予測処理）
続いて、予測処理について説明する。まず、端末装置１０－ｘは、第２の利用者Ｕｘによる操作に応じて、第２の利用者Ｕｘの将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報を予測装置１００に送信する（ステップＳ２１）。図２の例によれば、スマートフォンである端末装置１０－２１が、第２の利用者Ｕ２１による入力操作に応じて、第２の利用者Ｕ２１に対応する第２のコンテキスト情報を予測装置１００に送信した例が示される。

ここで、例えば、第２の利用者Ｕ２１は、数時間後の１０時ではＢ地区およびＢ地区周辺のエリアにおいて自身にどのような体温変化が生じるかを知りたいとする。係る場合、第２の利用者Ｕ２１は、「１０時にＢ地区に向かう予定」（将来の行動予定）という第２のコンテキストＣ２１を示す第２のコンテキスト情報を入力することができる。また、係る場合、端末装置１０－２１は、「１０時にＢ地区に向かう予定」という第２のコンテキストＣ２１を示す第２のコンテキスト情報を予測装置１００に送信する。

予測装置１００は、第２のコンテキスト情報の入力を受け付けると、受け付けた第２のコンテキスト情報と、モデルＭｎとに基づいて、第２の利用者Ｕ２１の体温変化に関する情報を予測する（ステップＳ２２）。例えば、予測装置１００は、予測モデルＭ１に対して第２のコンテキスト情報を入力することで予測モデルＭ１から出力された情報、すなわち体温変化を示す情報を予測結果として取得する。

例えば、予測モデルＭ１は、第２のコンテキスト情報の入力に応じて、「１０時においてＢ地区に所在する場合に起こり得る体温変化：＋０．２℃」を出力したとする。係る場合、予測装置１００は、この出力情報を予測結果として取得する。

また、予測装置１００は、第２の利用者Ｕ２１による「１０時にＢ地区に向かう予定」という入力に応じて、第２の利用者Ｕ２１が他のエリアに行くことも想定した第２のコンテキスト情報を動的に定めることで、この他のエリアに対応する出力情報も予測結果としてさらに取得してもよい。例えば、予測装置１００は、Ｂ地区の近辺エリアや、第２の利用者Ｕ２１が現在地からＢ地区まで向かう際に通過すると予想される予想エリアを含むような第２のコンテキスト情報を動的に定めてもよい。

このような他のエリアとして、Ａ地区、Ｃ地区、Ｄ地区、Ｅ地区、Ｆ地区を例に挙げると、予測モデルＭ１は、これら他の地区をそれぞれ含むような各第２のコンテキスト情報が予測装置１００によって入力されることで、予測結果を出力する。

ここで、予測モデルＭ１は、「１０時においてＡ地区に所在する場合に起こり得る体温変化：＋０．２℃」、「１０時においてＣ地区に所在する場合に起こり得る体温変化：＋０．１℃」、「１０時においてＤ地区に所在する場合に起こり得る体温変化：＋０．１℃」、「１０時においてＥ地区に所在する場合に起こり得る体温変化：＋０．３℃」、「１０時においてＦ地区に所在する場合に起こり得る体温変化：＋０．３℃」を出力したとする。係る場合、予測装置１００は、Ｂ地区に対応する予測結果に加えて、これら５つの出力情報を予測結果としてさらに取得することができる。

なお、予測装置１００は、予測モデルＭ１ではなく、予測モデルＭ２に対して第２のコンテキスト情報を入力することで、上記のような各地域での体温変化がどれだけの確率で生じるかを示す確率情報も予測結果として取得してもよい。

次に、予測装置１００は、ステップＳ２２での予測処理で取得した予測結果、すなわち第２の利用者Ｕ２１の体温変化に関する情報を第２の利用者Ｕ２１に提供する（ステップＳ２３）。例えば、予測装置１００は、予測モデルＭ１が出力した５つの出力情報が予測結果として地図上にマッピングされた予測結果画面ＲＧを生成し、生成した予測結果画面ＲＧを画面表示するよう端末装置１０－２１に送信してよい。

図２には、端末装置１０－２１によって表示された予測結果画面ＲＧの一例が示される。係る例によれば、予測結果画面ＲＧには、Ａ地区からＦ地区を含む地図が表示されるとともに、この地図に対して、１０時において各地区に所在する場合に起こり得る体温変化を示す情報がマッピングされている。

さて、これまで図１および図２で説明してきたように、予測システム１に含まれる予測装置１００によれば、第１の利用者Ｕｎの体温と、この体温を検知された際の第１の利用者Ｕｎのコンテキストである第１のコンテキストとの関係性を学習したモデルＭｎが生成される。また、予測装置１００によれば、モデルＭｎと、第２の利用者Ｕｘの将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、将来における第２の利用者Ｕｘの体温変化に関する情報が予測され、そして、予測結果が第２の利用者Ｕｘに提供される。この結果、第２の利用者Ｕｘは、将来の状況（行動予定）に応じてどのような体温変化が自身に生じ得るかを適切に把握することができるようになる。

〔４．予測装置の構成〕
ここからは、図３を用いて、実施形態に係る予測装置１００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。

（通信部１１０について）
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、例えば、端末装置１０との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ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。記憶部１２０は、元データ記憶部１２１と、学習データ記憶部１２２と、学習結果記憶部１２３と、予測結果記憶部１２４とを有する。

（元データ記憶部１２１について）
元データ記憶部１２１は、学習データの元となる元データに関する情報を記憶する。ここで、図４に、実施形態に係る元データ記憶部１２１の一例を示す。図４の例では、元データ記憶部１２１は、「利用者ＩＤ」、「体温情報」、「第１のコンテキスト情報」といった項目を有する。

「利用者ＩＤ」は、元データが取得される任意の利用者である第１の利用者Ｕｎを識別する識別情報を示す。

「体温情報」は、「利用者ＩＤ」で識別される第１の利用者Ｕｎの体温を示す体温情報である。図２で説明したように、「体温情報」は、第１の利用者Ｕｎに対応する端末装置１０－ｎによって検知されてよい。例えば、図４には、利用者ＩＤ「Ｕ１１」と、体温情報「体温情報ＢＤＡ１１」とが対応付けられた例が示される。係る例は、利用者ＩＤ「Ｕ１１」で識別される第１の利用者Ｕｎ（第１の利用者Ｕ１１）が、端末装置１０－１１によって「体温情報ＢＤＡ１１」という体温を計測された例を示す。なお、図４では、「体温情報ＢＤＡ１１」といったように概念表記が用いられているが、実際には、「３６．５℃」などといった体温を示す数値情報が登録される。

「第１のコンテキスト情報」は、「利用者ＩＤ」で識別される第１の利用者Ｕｎが、「体温情報」が示す体温を検知された際のコンテキストである第１のコンテキストを示す情報である。例えば、図４には、利用者ＩＤ「Ｕ１１」と、体温情報「体温情報ＢＤＡ１１」と、第１のコンテキスト情報「第１のコンテキスト情報ＣＤＡ１１」が対応付けられた例が示される。係る例は、「体温情報ＢＤＡ１１」が示す体温を検知された際の第１の利用者Ｕ１１のコンテキストが、「第１のコンテキスト情報ＣＤＡ１１」のような第１のコンテキストであった例を示す。

（学習データ記憶部１２２について）
学習データ記憶部１２２は、元データ記憶部１２１に記憶される元データ（「体温情報」、「第１のコンテキスト情報」）から生成された学習データを記憶する。学習でータは、第１の利用者Ｕｎの体温と、体温が検知された際の第１の利用者Ｕｎの第１のコンテキストとの関係性をモデルＭｎに学習させるために用いられる。

ここで、図５に、実施形態に係る学習データ記憶部１２２の一例を示す。図５の例によれば、学習データ記憶部１２２は、学習データ記憶部１２２ａと、学習データ記憶部１２２ｂとを含んでよい。

例えば、学習データ記憶部１２２ａは、「第１のコンテキスト情報」と、この「第１のコンテキスト情報」が示す第１のコンテキストに応じて実際に起こった体温変化を示す情報である「体温変化情報」との組で構成される学習データＬＤ１を記憶する。図２で説明したように、学習データＬＤ１は、予測モデルＭ１を生成するための教師データとして用いられる。

例えば、図５には、第１のコンテキスト情報「第１のコンテキスト情報ＣＤＡ１１」と、体温変化情報「体温変化情報ＣｈＤＡ１１」とが対応付けられた例が示される。係る例は、第１の利用者Ｕｎが、「第１のコンテキスト情報ＣＤＡ１１」によって示されるコンテキストである場合には、「体温変化情報ＣｈＤＡ１１」が示すような体温変化が生じたという実績が得られている例を示す。

また、学習データ記憶部１２２ｂは、「第１のコンテキスト情報」と、この「第１のコンテキスト情報」が示す第１のコンテキストに応じて実際に起こった体温変化を示す情報である「体温変化情報」と、この第１のコンテキストに応じてこの体温変化が生じる確率を示す「確率情報」との組で構成される学習データＬＤ２を記憶する。図２で説明したように、学習データＬＤ２は、予測モデルＭ２を生成するための教師データとして用いられる。

例えば、図５には、第１のコンテキスト情報「第１のコンテキスト情報ＣＤＡ１１」と、体温変化情報「体温変化情報ＣｈＤＡ１１」と、確率情報「確率情報ＰＤＡ１１」とが対応付けられた例が示される。係る例は、第１の利用者Ｕｎが、「第１のコンテキスト情報ＣＤＡ１１」によって示されるコンテキストである場合には、「体温変化情報ＣｈＤＡ１１」が示すような体温変化が生じたという実績が得られている例を示す。また、係る例は、「第１のコンテキスト情報ＣＤＡ１１」によって示されるコンテキストに応じて、「体温変化情報ＣｈＤＡ１１」が示すような体温変化が生じる確率は「確率情報ＰＤＡ１１」である例を示す。

（学習結果記憶部１２３について）
学習結果記憶部１２３は、モデルＭｎによって学習された関係性に関する情報を記憶する。ここで、図６に、実施形態に係る学習結果記憶部１２３の一例を示す。図６の例では、学習結果記憶部１２３は、「関係性情報」、「コンテキスト情報」といった項目を有する。

「関係性情報」は、モデルＭｎによって学習された関係性、具体的には、第１の利用者の体温に関する情報と、第１の利用者が体温を検知された際の第１のコンテキストとの関係性を学習結果として示す情報である。より具体的には、「関係性情報」は、第１のコンテキストに応じて第１の利用者Ｕｎにどのような体温変化がどれだけの確率で生じる傾向にあるか体温変化とコンテキストとの関係性を示す情報である。

「コンテキスト情報」は、「関係性情報」が示す関係性から推定された将来のコンテキスト情報を示す。

ここで、「関係性情報」が示す関係性の一例として、例えば、「２０代男性が、午前１０時においてＰ地点で混雑レベルＬＶ３の混雑に巻き込まれており、また、このときの天候が晴／外気温３２℃」という第１のコンテキストでは、「体温が０．４℃上昇する」傾向にある、といったものが挙げられる。また、このような関係性からは、将来のコンテキストとして、「現時点から所定期間だけ先の将来におけるＰ地点での季節、天候、気温、混雑レベル」などを推定することができ、この推定結果が「コンテキスト情報」として「関係性情報」に対応付けられてよい。

また、このような対応付けによれば、予測装置１００は、モデルＭｎを用いずとも第２の利用者の体温変化に関する情報を予測することができるようになる。例えば、予測装置１００は、学習結果記憶部１２３の「コンテキスト情報」のうち、第２の利用者から受け付けた「第２のコンテキスト情報」に一致（または類似）する「コンテキスト情報」に対応付けられる「関係性情報」に基づいて、「第２のコンテキスト情報」が示す第２のコンテキストでは、第２の利用者にどのような体温変化が生じるかを予測する。

（予測結果記憶部１２４について）
予測結果記憶部１２４は、第２の利用者について予測された体温変化に関する情報を予測結果として記憶する。ここで、図７に、実施形態に係る予測結果記憶部１２４の一例を示す。図７の例では、予測結果記憶部１２４は、「利用者ＩＤ」、「第２のコンテキスト情報」、「予測結果」といった項目を有する。

「利用者ＩＤ」は、体温変化に関する情報が予測される処理対象の利用者である第２の利用者Ｕｘを識別する識別情報を示す。

「第２のコンテキスト情報」は、第２の利用者Ｕｘの将来のコンテキストを示す情報である。「第２のコンテキスト情報」は、例えば、「利用者ＩＤ」で識別される第２の利用者Ｕｘにより予測装置１００に対して入力されてよい。例えば、図７には、利用者ＩＤ「Ｕ２１」と、第２のコンテキスト情報「第２のコンテキスト情報ＣＤＡ２１」が対応付けられた例が示される。係る例は、利用者ＩＤ「Ｕ２１」で識別される第２の利用者Ｕｘ（第２の利用者Ｕ２１）が、「第２のコンテキスト情報ＣＤＡ２１」が示すようなコンテキストの状態へとこの先変化した場合にどのような体温変化が生じるかを知る目的で「第２のコンテキスト情報ＣＤＡ２１」を入力した例を示す。

「予測結果」は、第１の利用者Ｕｎの体温に関する情報と、第１の利用者に対応する第１のコンテキストとの関係性を学習したモデルＭｎに対して、第２のコンテキスト情報を入力するとこで予測された予測結果（第２の利用者の体温変化に関する情報）を示す。例えば、図７には、利用者ＩＤ「Ｕ２１」と、第２のコンテキスト情報「第２のコンテキスト情報ＣＤＡ２１」と、予測結果「予測結果ＲＥ２１」とが対応付けられた例が示される。係る例は、「第２のコンテキスト情報ＣＤＡ２１」が示すような将来のコンテキストでは、「予測結果ＲＥ２１」が示す体温変化が第２の利用者Ｕ２１に生じると予測された例を示す。

図３に戻り、制御部１３０は、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、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。

図３に示すように、制御部１３０は、取得部１３１と、学習部１３２と、管理部１３３と、受付部１３４と、予測部１３５と、提供部１３６と、予測情報取得部１３７と、システム制御部１３８とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、第１の利用者Ｕｎの体温を示す体温情報と、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する。例えば、取得部１３１は、第１のコンテキスト情報として、体温を検知された際の第１の利用者Ｕｎの位置、体温を検知された際の第１の利用者Ｕｎの行動状態、体温を検知された際の第１の利用者Ｕｎの周辺環境、第１の利用者Ｕｎが体温を検知された際の日時、または、第１の利用者Ｕｎの属性を示す第１のコンテキスト情報を取得する。また、取得部１３１は、取得した体温情報と、第１のコンテキスト情報とを対応付けた状態で元データ記憶部１２１に登録する。

図２の例では、取得部１３１は、第１の利用者Ｕ１１に対応する体温情報として体温情報ＢＤＡ１１を取得するとともに、第１の利用者Ｕ１１に対応する第１のコンテキスト情報として第１のコンテキスト情報ＣＤＡ１１を取得している。また、図４に示すように、取得部１３１は、第１の利用者Ｕ１１を識別する利用者ＩＤ「Ｕ１１」に対して「体温情報ＢＤＡ１１」および「第１のコンテキスト情報ＣＤＡ１１」を対応付けるように元データ記憶部１２１に登録している。

（学習部１３２について）
学習部１３２は、第１の利用者Ｕｎの体温に関する情報と、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストとの関係性をモデルＭｎに学習させる。例えば、学習部１３２は、第１のコンテキストに応じて第１の利用者Ｕｎにどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルＭｎに学習させる。

一例として、学習部１３２は、体温変化を示す情報と、第１のコンテキスト情報との組である学習データＬＤ１として用い、モデルＭｎとして、コンテキスト情報を入力とし、体温変化を示す情報を出力とする第１の予測モデルＭ１を生成してよい。また、学習部１３２は、元データに基づいて、学習データＬＤ１を生成する処理も行ってよい。

他の例として、学習部１３２は、第１のコンテキストに応じて特定の体温変化が生じる確率を示す確率情報と、第１のコンテキスト情報との組を学習データＬＤ２として用い、モデルＭｎとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルＭ２を生成してもよい。また、学習部１３２は、元データに基づいて、学習データＬＤ２を生成する処理も行ってよい。

（管理部１３３について）
管理部１３３は、モデルＭｎが学習した関係性を示す情報と、当該関係性から推定された将来のコンテキストを示すコンテキスト情報とを紐付けて管理する。例えば、管理部１３３は、モデルＭｎにより関係性が学習された場合に、学習された関係性に基づいて、この関係性に応じた将来のコンテキストを推定する。

例えば、モデルＭｎが学習した関係性を示す情報が、「２０代男性が、午前１０時においてＰ地点で混雑レベルＬＶ３の混雑に巻き込まれており、また、このときの天候が晴／外気温３２℃」の場合には、「体温が０．４℃上昇する」傾向にある、といった第１のコンテキストと体温変化の関係性を示すとする。係る場合、管理部１３３は、この関係性に基づいて、例えば、将来のコンテキストとして、「現時点から所定期間だけ先の将来におけるＰ地点での季節、天候、気温、混雑レベル」などを推定することができる。また、管理部１３３は、推定したコンテキストを示すコンテキスト情報と、関係性を示す情報とを紐付けて、学習結果記憶部１２３で管理する。

また、管理部１３３による上記のような紐付けが予め行われていることで、予測部１３５は、モデルＭｎを用いずとも第２の利用者Ｕｘの体温変化に関する情報を予測することができるようになる。例えば、予測部１３５は、管理部１３３により管理されるコンテキスト情報のうち、第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性情報に基づいて、第２の利用者Ｕｘの体温変化に関する情報を予測する。

例えば、予測部１３５は、学習結果記憶部１２３の「コンテキスト情報」のうち、第２の利用者から受け付けた「第２のコンテキスト情報」に一致（または類似）する「コンテキスト情報」に対応付けられる「関係性情報」に基づいて、「第２のコンテキスト情報」が示す第２のコンテキストでは、第２の利用者Ｕｘにどのような体温変化が生じるかを予測することができる。

（受付部１３４について）
受付部１３４は、各種情報を受け付ける。具体的には、受付部１３４は、端末装置１０を介して予測装置１００に入力された入力情報を受け付ける。例えば、受付部１３４は、第２の利用者Ｕｘの将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報の入力を受け付ける。

（予測部１３５について）
予測部１３５は、第１の利用者Ｕｎの体温と、第１の利用者Ｕｎが体温を検知された際のコンテキストである第１のコンテキストとの関係性を学習したモデルＭｎと、第２の利用者Ｕｘの将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、将来における第２の利用者Ｕｘの体温変化に関する情報を予測する。例えば、予測部１３５は、第２のコンテキスト情報として、第２の利用者Ｕｘの行動予定を示す第２のコンテキスト情報に基づいて、行動予定とされている行動が将来的に実際に行われた際にはどのような体温変化が第２の利用者Ｕｘに生じるかを予測する。

また、予測部１３５は、第１の予測モデルＭ１と、第２のコンテキスト情報とを用いて、第２のコンテキストに応じて第２の利用者Ｕｘに生じる体温変化を予測する。

また、予測部１３５は、第２の予測モデルＭ２と、第２のコンテキスト情報とを用いて、第２のコンテキストに応じて第２の利用者に生じる体温変化と当該体温変化が起こる確率とを予測してもよい。

また、予測部１３５は、管理部１３３により管理されるコンテキスト情報のうち、第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性に基づいて、第２の利用者Ｕｘの体温変化に関する情報を予測してもよい。

（提供部１３６について）
提供部１３６は、予測部１３５により予測された予測結果が所定の条件を満たすか否かに基づいて、第２の利用者Ｕｘに対して所定の情報を提供する。例えば、提供部１３６は、予測手段により予測された予測結果が所定の条件を満たすことに応じて、身体的なリスクが予想される場合には、予想されたリスクへの対策手段が提案される提案情報を第２の利用者Ｕｘに提供する。また、提供部１３６は、予測部１３５により予測された予測結果が所定の条件を満たすことに応じて、身体的なリスクが予想される場合には、リスク発生を警告するアラートが第２の利用者Ｕｘに対して出力されるよう出力制御してもよい。

また、ここでいう所定の条件とは、熱中症、感染症などの各種の体調不良や疾病を示唆する異常体温（例えば、３７．５℃以上）であってよい。また、この例に限らず、提供部１３６は、予測部１３５により予測された予測結果から第２の利用者Ｕｘが密な状態にあると予測された場合には、密な状態を避けるよう忠告するアラートが第２の利用者Ｕｘに対して出力されるよう出力制御してもよい。

また、予測部１３５は、第２の利用者Ｕｘから受け付けられた第２のコンテキスト情報に基づいて、第２のコンテキストに応じた複数のエリアを特定し、特定したエリアごとに第２のコンテキストに応じた体温変化に関する情報を予測してもよい。このような場合には、提供部１３６は、図２で説明したように、複数のエリアを含む地図に対して、エリアごとに予測された体温変化に関する情報がマッピングされた予測結果画面ＲＧを生成してよい。また、提供部１３６は、生成した予測結果画面ＲＧを画面表示するよう第２の利用者Ｕｘの端末装置１０－ｘに送信してよい。このような情報提供によれば、第２の利用者Ｕｘは、各地の天気予報の体温版のようなコンテンツを参照することができ、この結果、例えばこの先の自身の行動予定を見直したり、行動予定に応じた適切な持ち物を事前準備するといった対策を行ったり、あるいは、目的地を変更したりなどすることができるようになる。

（予測情報取得部１３７について）
予測情報取得部１３７は、体温が所定の閾値を超えるか否かに応じて利用者の健康管理を実施する健康管理システムによって第２の利用者Ｕｘの体温が計測される場合に、第２の利用者Ｕｘについて予測された体温変化に関する情報を取得する。

（システム制御部１３８について）
システム制御部１３８は、予測情報取得部１３７により取得された情報に基づき所定の閾値を調整するとともに、調整後の閾値を用いて第２の利用者Ｕｘの健康状態を判断するよう健康管理システムを制御する。例えば、システム制御部１３８は、予測情報取得部１３７により取得された情報が示す体温変化が所定の条件を満たすか否かに基づいて、所定の閾値を調整する。

例えば、システム制御部１３８は、体温変化が所定の条件を満たす場合には、体温変化が予測されるに至ったコンテキスト情報に基づいて、所定の条件を満たす原因が正当な原因であるか否かを判定し、正当な原因であると判定した場合には、所定の閾値を調整する。一例として、システム制御部１３８は、所定の条件を満たす原因が正当な原因であると判定した場合には、所定の条件に応じた値だけこの閾値を高めるように調整する。

（閾値制御処理の一例）
ここで、システム制御部１３８によって行われる閾値制御処理について図８の例を用いて説明する。図８は、実施形態に係る閾値制御処理の一例を示す図である。

図８には、健康管理システムＨＳによって第２の利用者Ｕ２１の体温が計測される場合において、健康管理システムＨＳに対して予め定められる体温閾値が調整される場面が示される。また、図８に示すように、健康管理システムＨＳは、実施形態に係る予測システム１に含まれてよい。健康管理ステムＨＳには、少なくとも利用者に対する認証を目的として施設の入館ゲートなどに設置される顔認識用の情報処理端末が含まれてよい。係る情報処理端末は、サーモグラフィカメラにより計測された利用者の表面温度に基づいて、利用者の体温を検知することができる。

このような状態において、図８の例によれば、健康管理ステムＨＳは、情報処理端末により第２の利用者Ｕ２１の顔が検知されたことに応じて（ステップＳ８１）、第２の利用者Ｕ２１の体温を計測するタイミングであることを認識する（ステップＳ８２）。

また、健康管理システムＨＳは、体温を計測するタイミングであることを認識すると、予測装置１００に対して体温閾値を調整するよう要求する（ステップＳ８３）。係る要求には、例えば、現在設定されている体温閾値を示す通知情報が含まれてよい。

予測装置１００は、健康管理ステムＨＳから閾値調整の要求を受け付けると、閾値調整処理を実行する（ステップＳ８４）。ここで、予測部１３５は、過去の任意のタイミングにおいて、この閾値調整処理が行われる時点での第２の利用者Ｕ２１の体温変化（例えば、平均的な基準体温に対する上昇温度）を予測済みであるとする。例えば、予測部１３５は、閾値調整処理が行われる時点において第２の利用者Ｕ２１の体温は「１．０℃上昇している」（体温変化１．０℃）と予測しているものとする。より具体的な一例を挙げると、予測部１３５は、「８時台の満員電車で通勤の直後、会社に到着し体温を計測する予定」という第２のコンテキストを示す第２のコンテキスト情報と、予測モデルＭ１とに基づいて、閾値調整処理が行われる時点において第２の利用者Ｕ２１の体温は「１．０℃上昇している」と予測しているものとする。

係る例では、予測情報取得部１３７は、第２の利用者Ｕ２１について予測された体温変化に関する情報として、「体温変化１．０℃」を示す予測結果を取得する。例えば、予測情報取得部１３７は、「体温変化１．０℃」を示す予測結果を予測結果記憶部１２４から取得してよい。

そして、システム制御部１３８は、予測情報取得部１３７により取得された予測結果に基づいて、体温閾値を制御する。例えば、システム制御部１３８は、予測結果が示す「体温変化１．０℃」が所定の条件を満たすか否かに基づいて、体温閾値を調整する。ここで、感染症などの各種の体調不良や疾病を示唆する異常体温が「３７．５℃以上の体温」であるとすると、人物の平均的な基準体温３６．５℃と、異常体温３７．５との差分である「１．０℃」に基づいて、所定の条件として「体温変化１．０℃以上」が設定されてよい。

上記例によれば、システム制御部１３８は、予測情報取得部１３７により取得された予測結果「体温変化１．０℃」と、所定の条件「体温変化１．０℃以上」とを比較することで、予測結果としての体温変化が所定の条件を満たすと判定する。このように体温変化が所定の条件を満たすと判定した場合、システム制御部１３８は、閾値調整処理が行われる時点において第２の利用者Ｕ２１の体温は「１．０℃上昇している」と予測されるに至ったコンテキスト情報に基づいて、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因であるか否かを判定する。

上記例によれば、システム制御部１３８は、「８時台の満員電車で通勤の直後、会社に到着し体温を計測する予定」という第２のコンテキストを示す第２のコンテキスト情報に基づいて、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因であるか否かを判定することができる。

例えば、発熱を伴うような何らかの病気に罹患しておらずとも、人混みの中で行動したり、急激な運動をしたり、あるいは、炎天下の下で行動したりなどした場合には、一時的に体温が上場する場合がある。よって、システム制御部１３８は、第２のコンテキスト情報が示す第２のコンテキストが病気以外に一時的に体温を上昇させるような状況に対応するものであれば、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因であると判定してよい。

ここでいう第２のコンテキストによれば、第２の利用者Ｕ２１は、満員電車という人混みにもまれた直後に体温を計測していることになるので、何らかの病気に罹患していなくとも体温が「１．０℃以上」上昇していても致し方ないと判断されることができる。このため、システム制御部１３８は、図８の例では、第２のコンテキスト情報に基づいて、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因であると判定する。

また、システム制御部１３８は、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因であると判定した今回の例では、所定の条件「体温変化１．０℃以上」に応じた値だけ体温閾値を高めるように調整する。例えば、異常体温に応じて体温閾値「３７．５℃」が予め設定されているとすると、システム制御部１３８は、体温閾値「３７．５℃」に対して「１．０℃」を加算した「３８．５℃」を、第２の利用者Ｕ２１の体温を今回計測する際に用いられる体温閾値として一時的に調整する。

そして、システム制御部１３８は、調整後の体温閾値「３８．５℃」に基づき第２の利用者Ｕ２１の健康状態を判断するよう健康管理システムＨＳを制御する（ステップＳ８５）。このような制御処理によれば、健康監視システムＨＳは、システム制御部１３８による制御に応じて、第２の利用者Ｕ２１の体温を計測し、計測結果と体温閾値「３８．５℃」とに基づいて、第２の利用者Ｕ２１の健康状態を判断する。

一方、システム制御部１３８は、所定の条件「体温変化１．０℃以上」を満たす原因が正当な原因でないと判定した場合（例えば、第２の利用者Ｕ２１は感染症などの病気のため発熱していると判定した場合）には、体温閾値を調整せず現状の体温閾値のままとする。したがって、係る例では、システム制御部１３８は、現在の体温閾値「３７．５℃」に基づき第２の利用者Ｕ２１の健康状態を判断するよう健康管理システムＨＳを制御する。

さて、図８を用いて実施形態に係る閾値調整処理を説明したが、このような閾値制御処理によれば、例えば、発熱を伴うような感染症に罹患していると誤って判断されることで不当に入場を拒絶されてしまうといった状況を効果的に抑制するとともに、発熱を伴うような感染症に罹患している確かな利用者を精度よく区別することができるようになる。つまり、このような閾値制御処理によれば、効果的な感染症対策を可能とする健康管理システムＨＳを実現することができるようになる。

〔５．処理手順〕
次に、図９を用いて、実施形態に係る予測処理の手順について説明する。図９は、実施形態に係る予測処理手順を示すフローチャートである。なお、図９の例では、予測装置１００は、機械学習によりモデルＭｎを生成済みであるものとして説明する。

まず、受付部１３４は、第２の利用者Ｕｘから第２のコンテキスト情報を受け付けたか否かを判定する（ステップＳ１０１）。受付部１３４は、第２のコンテキスト情報を受けていないと判定している間は（ステップＳ１０１；Ｎｏ）、第２のコンテキスト情報を受け付けたと判定できるまで待機する。

予測部１３５は、第２のコンテキスト情報を受け付けたと判定された場合には（ステップＳ１０１；Ｙｅｓ）、予測モデルＭ１またはＭ２のうち、予測処理に用いるモデルＭｎを選択する（ステップＳ１０２）。

続いて、予測部１３５は、第２のコンテキスト情報と、選択したモデルＭｎとを用いて、第２のコンテキスト情報で示される将来のコンテキストに応じてどのような体温変化が生じるか、第２の利用者Ｕｘの体温変化に関する情報を予測する（ステップＳ１０３）。

次に、提供部１３６は、ステップＳ１０３で予測された予測結果が所定の条件を満たすか否かを判定する（ステップＳ１０４）。例えば、提供部１３６は、予測された体温変化から推定される第２の利用者Ｕ２１の体温が、熱中症、感染症などの各種の体調不良や疾病を示唆する異常体温（例えば、３７．５℃以上）を示すか否かを判定する。

そして、提供部１３６は、予測結果が所定の条件を満たすと判定した場合には（ステップＳ１０４；Ｙｅｓ）、予測結果が所定の条件を満たすことに応じて予想される身体的リスクに関する通知画面を生成する（ステップＳ１０５ａ）。例えば、提供部１３６は、身体的リスクへの対策手段が提案される提案画面を生成してよい。また、例えば、提供部１３６は、身体的リスクの発生を警告するアラート画面を生成してもよい。

一方、提供部１３６は、予測結果が所定の条件を満たさないと判定した場合には（ステップＳ１０４；Ｎｏ）、身体的リスクに関する通知を含まず、単に、予測結果のみが示される結果画面を生成してよい。例えば、提供部１３６は、体温変化を示す情報、あるいは、体温変化から推定される体温を示す情報が示される結果画面を生成してよい。

また、提供部１３６は、ステップＳ１０５ａまたは１０５ｂで生成した画面を第２の利用者Ｕｘに提供する（ステップＳ１０６）。例えば、提供部１３６は、生成した画面を第２の利用者Ｕｘの端末装置１０－ｘに送信する。

〔６．その他の実施形態〕
上記実施形態では、予測装置１００が、第１の利用者の体温に関する情報と、第１の利用者が体温を検知された際のコンテキストである第１のコンテキストとの関係性をモデルＭｎに学習させることで、学習済みのモデルＭｎを用いて、将来における第２の利用者の体温変化に関する情報を予測する例を示した。また、予測装置１００が、予測結果をこの第２の利用者に提供する例を示した。

しかしながら、予測装置１００は、係る例のように、第２の利用者からの要求に応じて、モデルＭｎと第２のコンテキスト情報とに基づき予測した予測結果（将来における第２の利用者の体温変化に関する情報）を、この第２の利用者に返すという第２の利用者個人を対象とする情報提供ではなく、特定の集団に対して情報提供してもよい。具体的には、予測装置１００は、予測結果から算出した各種の統計情報を特定の集団に提供してもよい。このような情報提供の一例として、以下のようなユースケースが考えられる。

例えば、特定の集団を、ある自治体Ｍに対応するエリアの住人であるとすると、予測装置１００は、各住人（第１の利用者）の顔画像をユニークＩＤとして、この顔画像の住人のコンテキスト（例えば、行動ログ）を第１のコンテキスト情報として紐付けておく。このような場合、予測装置１００は、係る第１のコンテキスト情報に基づいて、自治体Ｍに対応するエリア単位においてどのような体温変化の傾向があるかといった地域統計分布を算出し、算出した地域統計分布からエリア単位での体温変化を予測することができるようになる。また、この結果、自治体Ｍは、所定のウェブサイトやＳＮＳ等を通じて、予測結果を各住人に提供することができるようになる。また、自治体Ｍは、予測結果の提供だけでなく、例えば、予測結果に基づく生活様式の改善方法、予測結果に基づく周囲喚起などを各住人に対する市民サービスとしてさらに提供してよい。

また、自治体Ｍは、予測結果を医療体制の準備、医療従事者の勤務シフトの調整、医療従事者の補充などに活用することもできるようになる。

また、特定の集団は、ある自治体Ｍに対応するエリアの住人以外にも、例えば、民間企業Ｎの従業員であってもよい。係る場合、企業Ｎは、予測結果を従業員の在宅勤務やスケジュール調整などに活用することができる。また、民間企業Ｎは、予測結果を予防関連商品の需要予測、販売促進、在庫調整、生産調整、適切な店舗配送などに活用することもできる。

〔７．ハードウェア構成〕
また、上述してきた予測装置１００は、例えば、図１０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１０は、予測装置１００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、ＨＤＤ１４００、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。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラム（実施形態に係る出力制御プログラム）を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

〔８．その他〕
また、上記各実施形態において説明した処理のうち、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。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上記各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 情報処理システム
１０ 端末装置
１００ 予測装置
１２０ 記憶部
１２１ 元データ記憶部
１２２ 学習データ記憶部
１２３ 学習結果記憶部
１２４ 予測結果記憶部
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 管理部
１３４ 受付部
１３５ 予測部
１３６ 提供部
１３７ 予測情報取得部
１３８ システム制御部

Claims (24)

1. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手段と、
   前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習手段と、
   前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手段と
   を備え、
   前記学習手段は、前記第１のコンテキストに応じて前記体温変化が生じる確率を示す確率情報と、前記第１のコンテキスト情報との組を学習データとして用い、前記モデルとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルを生成し、
   前記予測手段は、前記第２の予測モデルと、前記第２のコンテキスト情報とを用いて、前記第２のコンテキストに応じて前記第２の利用者に生じる体温変化と当該体温変化が起こる確率とを予測する
   ことを特徴とする予測システム。
2. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手段と、
   前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習手段と、
   前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手段と、
   前記モデルが学習した関係性を示す情報と、当該関係性から推定された将来のコンテキストを示すコンテキスト情報とを紐付けて管理する管理手段と
   を備え、
   前記予測手段は、前記管理手段により管理されるコンテキスト情報のうち、前記第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性に基づいて、前記第２の利用者の体温変化に関する情報を予測する
   ことを特徴とする予測システム。
3. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手段と、
   前記体温と前記第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手段と、
   体温が所定の閾値を超えるか否かに応じて利用者の健康管理を実施する健康管理システムによって前記第２の利用者の体温が計測される場合に、前記第２の利用者について予測された体温変化に関する情報を取得する予測情報取得手段と、
   前記予測情報取得手段により取得された情報に基づき前記所定の閾値を調整するとともに、調整後の閾値を用いて前記第２の利用者の健康状態を判断するよう前記健康管理システムを制御するシステム制御手段と
   を備えることを特徴とする予測システム。
4. 前記システム制御手段は、前記予測情報取得手段により取得された情報が示す体温変化が所定の条件を満たすか否かに基づいて、前記所定の閾値を調整する
   ことを特徴とする請求項３に記載の予測システム。
5. 前記システム制御手段は、前記体温変化が前記所定の条件を満たす場合には、前記体温変化が予測されるに至ったコンテキスト情報に基づいて、前記所定の条件を満たす原因が正当な原因であるか否かを判定し、正当な原因であると判定した場合には、前記所定の閾値を調整する
   ことを特徴とする請求項４に記載の予測システム。
6. 前記システム制御手段は、前記所定の条件を満たす原因が正当な原因であると判定した場合には、前記所定の条件に応じた値だけ前記閾値を高めるように調整する
   ことを特徴とする請求項５に記載の予測システム。
7. 前記取得手段は、前記第１のコンテキスト情報として、前記体温を検知された際の前記第１の利用者の位置、前記体温を検知された際の前記第１の利用者の行動状態、前記体温を検知された際の前記第１の利用者の周辺環境、前記体温を検知された際の日時、または、前記第１の利用者の属性を示す第１のコンテキスト情報を取得する
   ことを特徴とする請求項１～６のいずれか１つに記載の予測システム。
8. 前記予測手段は、前記第２のコンテキスト情報として、前記第２の利用者の行動予定を示す第２のコンテキスト情報に基づいて、予定された行動が将来行われた場合における前記体温変化に関する情報を予測する
   ことを特徴とする請求項１～７のいずれか１つに記載の予測システム。
9. 前記体温と前記第１のコンテキストとの関係性をモデルに学習させる学習手段をさらに有する
   ことを特徴とする請求項３～８のいずれか１つに記載の予測システム。
10. 前記学習手段は、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性を前記モデルに学習させる
    ことを特徴とする請求項９に記載の予測システム。
11. 前記学習手段は、前記体温変化を示す情報と、前記第１のコンテキスト情報との組を学習データとして用い、前記モデルとして、コンテキスト情報を入力とし、体温変化を示す情報を出力とする第１の予測モデルを生成し、
    前記予測手段は、前記第１の予測モデルと、前記第２のコンテキスト情報とを用いて、前記第２のコンテキストに応じて前記第２の利用者に生じる体温変化を予測する
    ことを特徴とする請求項１０に記載の予測システム。
12. 前記予測手段は、前記第２のコンテキスト情報の入力が前記第２の利用者から受け付けられた場合には、受け付けられた第２のコンテキスト情報と、前記モデルとを用いて、前記第２の利用者の体温変化に関する情報を予測する
    ことを特徴とする請求項１～１１のいずれか１つに記載の予測システム。
13. 前記予測手段により予測された予測結果が所定の条件を満たすか否かに基づいて、前記第２の利用者に対して所定の情報を提供する提供手段をさらに備える
    ことを特徴とする請求項１～１２のいずれか１つに記載の予測システム。
14. 前記提供手段は、前記予測手段により予測された予測結果が所定の条件を満たすことに応じて、身体的なリスクが予想される場合には、予想されたリスクへの対策手段が提案される提案情報を前記第２の利用者に提供する
    ことを特徴とする請求項１３に記載の予測システム。
15. 前記提供手段は、前記予測手段により予測された予測結果が所定の条件を満たすことに応じて、身体的なリスクが予想される場合には、リスクの発生を警告するアラートを前記第２の利用者に対して出力する
    ことを特徴とする請求項１３または１４に記載の予測システム。
16. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得部と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習部と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測部と
    を有し、
    前記学習部は、前記第１のコンテキストに応じて前記体温変化が生じる確率を示す確率情報と、前記第１のコンテキスト情報との組を学習データとして用い、前記モデルとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルを生成し、
    前記予測部は、前記第２の予測モデルと、前記第２のコンテキスト情報とを用いて、前記第２のコンテキストに応じて前記第２の利用者に生じる体温変化と当該体温変化が起こる確率とを予測する
    ことを特徴とする予測装置。
17. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得部と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習部と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測部と、
    前記モデルが学習した関係性を示す情報と、当該関係性から推定された将来のコンテキストを示すコンテキスト情報とを紐付けて管理する管理部と
    を有し、
    前記予測部は、前記管理部により管理されるコンテキスト情報のうち、前記第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性に基づいて、前記第２の利用者の体温変化に関する情報を予測する
    ことを特徴とする予測装置。
18. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得部と、
    前記体温と前記第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測部と、
    体温が所定の閾値を超えるか否かに応じて利用者の健康管理を実施する健康管理システムによって前記第２の利用者の体温が計測される場合に、前記第２の利用者について予測された体温変化に関する情報を取得する予測情報取得部と、
    前記予測情報取得部により取得された情報に基づき前記所定の閾値を調整するとともに、調整後の閾値を用いて前記第２の利用者の健康状態を判断するよう前記健康管理システムを制御するシステム制御部と
    を有することを特徴とする予測装置。
19. 予測装置が実行する予測方法であって、
    第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得工程と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習工程と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測工程と
    を含み、
    前記学習工程は、前記第１のコンテキストに応じて前記体温変化が生じる確率を示す確率情報と、前記第１のコンテキスト情報との組を学習データとして用い、前記モデルとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルを生成し、
    前記予測工程は、前記第２の予測モデルと、前記第２のコンテキスト情報とを用いて、前記第２のコンテキストに応じて前記第２の利用者に生じる体温変化と当該体温変化が起こる確率とを予測する
    ことを特徴とする予測方法。
20. 予測装置が実行する予測方法であって、
    第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得工程と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習工程と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測工程と、
    前記モデルが学習した関係性を示す情報と、当該関係性から推定された将来のコンテキストを示すコンテキスト情報とを紐付けて管理する管理工程と
    を含み、
    前記予測工程は、前記管理工程により管理されるコンテキスト情報のうち、前記第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性に基づいて、前記第２の利用者の体温変化に関する情報を予測する
    ことを特徴とする予測方法。
21. 予測装置が実行する予測方法であって、
    第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得工程と、
    前記体温と前記第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測工程と、
    体温が所定の閾値を超えるか否かに応じて利用者の健康管理を実施する健康管理システムによって前記第２の利用者の体温が計測される場合に、前記第２の利用者について予測された体温変化に関する情報を取得する予測情報取得工程と、
    前記予測情報取得工程により取得された情報に基づき前記所定の閾値を調整するとともに、調整後の閾値を用いて前記第２の利用者の健康状態を判断するよう前記健康管理システムを制御するシステム制御工程と
    を含むことを特徴とする予測方法。
22. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手順と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習手順と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手順と
    を予測装置に実行させ、
    前記学習手順は、前記第１のコンテキストに応じて前記体温変化が生じる確率を示す確率情報と、前記第１のコンテキスト情報との組を学習データとして用い、前記モデルとして、コンテキスト情報を入力とし、どのような体温変化がどのような確率で生じるかを示す情報を出力とする第２の予測モデルを生成し、
    前記予測手順は、前記第２の予測モデルと、前記第２のコンテキスト情報とを用いて、前記第２のコンテキストに応じて前記第２の利用者に生じる体温変化と当該体温変化が起こる確率とを予測する
    ことを特徴とする予測プログラム。
23. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手順と、
    前記体温と前記第１のコンテキストとの関係性として、前記第１のコンテキストに応じて前記第１の利用者にどのような体温変化が生じる傾向にあるか体温変化とコンテキストとの関係性をモデルに学習させる学習手順と、
    前記関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手順と、
    前記モデルが学習した関係性を示す情報と、当該関係性から推定された将来のコンテキストを示すコンテキスト情報とを紐付けて管理する管理手順と
    を予測装置に実行させ、
    前記予測手順は、前記管理手順により管理されるコンテキスト情報のうち、前記第２のコンテキスト情報に対応するコンテキスト情報に紐付けられる関係性に基づいて、前記第２の利用者の体温変化に関する情報を予測する
    ことを特徴とする予測プログラム。
24. 第１の利用者の体温を示す体温情報と、前記第１の利用者が前記体温を検知された際のコンテキストである第１のコンテキストを示す第１のコンテキスト情報とを取得する取得手順と、
    前記体温と前記第１のコンテキストとの関係性を学習した学習済のモデルと、第２の利用者の将来のコンテキストである第２のコンテキストを示す第２のコンテキスト情報とに基づいて、前記将来における前記第２の利用者の体温変化に関する情報を予測する予測手順と、
    体温が所定の閾値を超えるか否かに応じて利用者の健康管理を実施する健康管理システムによって前記第２の利用者の体温が計測される場合に、前記第２の利用者について予測された体温変化に関する情報を取得する予測情報取得手順と、
    前記予測情報取得手順により取得された情報に基づき前記所定の閾値を調整するとともに、調整後の閾値を用いて前記第２の利用者の健康状態を判断するよう前記健康管理システムを制御するシステム制御手順と
    を予測装置に実行させることを特徴とする予測プログラム。

Images