JP7315018B2 - 情報処理方法、記憶媒体、及び情報処理装置 - Google Patents

Description

特許法第３０条第２項適用 ２０１８年１１月２６日 自社ホームページ内プレスリリース「救急ビッグデータを用いた救急自動車最適運用システムの有効性を確認～リアルタイムな救急需要予測等による救急車の搬送時間短縮をめざす～」にて公開 ｈｔｔｐｓ：／／ｗｗｗ．ｎｔｔ．ｃｏ．ｊｐ／ｎｅｗｓ２０１８／１８１１／１８１１２６ａ．ｈｔｍｌ ２０１８年１１月２６日～２０１８年１１月３０日 ＮＴＴ Ｒ＆Ｄ フォーラム２０１８（秋）にて公開

本開示の一態様は、救急医療において救急要請の発生数を予測するための情報処理方法、記憶媒体、及び情報処理装置に関する。

近年の高齢化に伴い、日本では市民の１１９番通報にともなう救急隊出動数が年々増加し、あわせて救急隊出動時間も増加傾向にある。救命救急の現場では数分の遅れが致命的であるが、消防署に配分される予算は限られており、救急隊員数の大幅な増員は望めないため、救急出動時間を削減するための技術開発が急務となっている。

例えば、札幌市では、将来の人口増加の予測を行い、区別（中央区、北区、東区・・・）及び５歳階級別（０～４歳、５～９歳、１０～１４歳・・・）の救急搬送数をそれに掛け合わせることで、将来の区別の救急需要を予測し、救急車の最適配置を検討する試みを行っている（非特許文献１）。また総務省も、ビッグデータを用いた救急需要予測及び当該予測に基づく救急車の効率配置に関するシステムを導入すると発表している（非特許文献２）。

救急隊の適正配置等に関する研究会（札幌市消防局）、平成２６年度一般財団法人救急振興財団調査研究助成事業「救急需要増加に伴う救急隊の適正配置等に関する研究について」、［online］、２０１５年３月、インターネット<URL: http://www.fasd.or.jp/tyousa/pdf/h26tekisei.pdf> 日本経済新聞電子版、「救急車を効率配置 ビッグデータ活用、需要予測」、［online］、２０１６年１０月２８日、インターネット<URL: https://www.nikkei.com/article/DGXLASFS31H0P_Y6A021C1MM0000/>

これらの非特許文献に記載の技術において、救急車の最適配置を行うためには、細かい地域（丁目、又は第３次メッシュ等）レベルでの救急需要予測を行う必要がある。しかし、地域を細分するにつれ、救急要請の発生頻度も減少するため、確率事象としての解析が非常に困難になる。

ここで、救急要請発生数は、様々な環境因子の影響を受けると考えられており、そのような環境因子として、例えば以下が挙げられる。
・気温、湿度、及び気圧等の気候情報（熱中症、偏頭痛、喘息、関節痛など）
・天候情報（降雨による交通事故、積雪による転倒など）
・伝染性のある病気の流行状況（風邪、インフルエンザなと）
・該当地域の特性（繁華街における急性アルコール中毒症など）

様々な環境因子と、それらの影響を受ける傷病群を明らかにすることで、救急需要の推定精度を高められると考えられる。しかしながら、一般に、救急搬送データにおいては、傷病分類が非常に細かく区分されているため、多くの傷病において、解析に耐えるだけの出現頻度が得られない。また、救急搬送データは、自治体ごとにフォーマットが異なっており、傷病分類も自治体ごとに様々であり、一般化が容易ではない。

また、救急搬送数は季節毎の増減があり、特に気象条件が厳しい夏季及び冬季に増加する。脳疾患や心因性のものなど、さまざまな傷病で季節的な増加が見られるが、特に夏季であれば熱中症、冬季であれば、インフルエンザの流行、並びに降雪、凍結等による転倒及び骨折など、気象の急激な変動に伴う突発的な急増がしばしば発生する。一般に救急の現場では、このような夏場及び冬場の突発的な救急搬送の急増に対する予測が特に求められている。

しかし、このような気象の急激な変動に伴う救急搬送の急増は、年間を通してみると稀な現象であるため、機械学習において年間を通した予測モデルを構築した場合、得てして無視されやすく、学習に反映されない傾向がある。

開示の技術は、上記の点に鑑みてなされたものであり、救急要請の発生数を高精度かつ効率的に予測する技術を提供することを目的とする。

本開示の第１の態様は、記憶部に記憶されている指示を実行するプロセッサにより実行される情報処理方法であって、前記プロセッサは前記記憶部に記憶された指示を実行することにより、少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類し、所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、前記救急要請の発生数を出力する、ことを含む処理をコンピュータが実行することを特徴とする。

本開示の第２の態様は、記憶部に記憶された指示であって、プロセッサにより実行される指示を記憶した記憶媒体であって、前記プロセッサは前記記憶部に記憶された指示を実行することにより、少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類する、所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、前記救急要請の発生数を出力する、ことをコンピュータに実行させる指示を記憶した記憶媒体である。

本開示の第３の態様は、記憶部に記憶されている指示を実行するプロセッサにより各処理部の処理を実行する情報処理装置であって、前記プロセッサは前記記憶部に記憶された指示を実行することにより、少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類する前処理部と、所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、前記救急要請の発生数を出力する予測部と、を含む。

救急要請の発生数を高精度かつ効率的に予測する技術を提供することができる。

図１は、本開示の一参考例に係る救急需要予測装置の機能構成の第１の例を示すブロック図である。 図２は、図１に示した救急需要予測装置による分類モデルの学習手順の一例を示すフローチャートである。 図３は、図１に示した救急需要予測装置による予測モデルの学習手順の一例を示すフローチャートである。 図４は、図１に示した救急需要予測装置による予測手順の一例を示すフローチャートである。 図５は、救急搬送の実績データの一例を示す図である。 図６Ａは、クラスタリングを用いた傷病群抽出結果の一例を示す図である。 図６Ｂは、クラスタリングを用いた傷病群抽出結果を可視化した例を示す図である。 図６Ｃは、クラスタリング結果を可視化した例を一覧にした図である。 図７は、予測モデル学習用データの一例を示す図である。 図８は、図１に示した救急需要予測装置による予測結果の一例を示す図である。 図９は、本開示の一参考例に係る救急需要予測装置の機能構成の第２の例を示すブロック図である。 図１０は、環境データの一例を示す図である。 図１１は、前処理を施した環境データの一例を示す図である。 図１２は、本開示の一参考例に係る救急需要予測装置の機能構成の第３の例を示すブロック図である。 図１３は、地域データの一例を示す図である。 図１４は、本開示の一参考例に係る救急需要予測装置の機能構成の第４の例を示すブロック図である。 図１５は、地域性学習用データの一例を示す図である。 図１６は、地域性学習結果の一例を示す図である。 図１７は、本開示の一参考例に係る救急需要予測装置による学習手順の第２の例を示すフローチャートである。 図１８は、本開示の一参考例に係る救急需要予測装置による予測手順の第２の例を示すフローチャートである。 図１９は、図１７に示した学習手順で用いられる学習用データの一例を示す図である。 図２０は、図１７に示した学習手順及び図１８に示した予測手順におけるデータフローを示す略図である。 図２１Ａは、救急需要予測結果を視覚表示する第１の例を示す図である。 図２１Ｂは、救急需要予測結果を視覚表示する第２の例を示す図である。 図２２は、予測モデルにベクトル回帰モデルを用いた場合の予測結果の一例を示す図である。 図２３は、予測モデルに深層学習モデルを用いた場合の予測結果の一例を示す図である。 本開示の一実施形態に係る救急需要予測装置の機能構成の例を示すブロック図である。 図２５は、本開示の一実施形態に係る予測モデル学習部の詳細な構成を示すブロック図である。 図２６は、本開示の一実施形態に係る救急需要予測装置１による、学習処理を示すフローチャートである。 図２７は、本開示の一実施形態に係る救急需要予測装置１による、予測処理を示すフローチャートである。

以下、図面を参照して本開示の実施形態の前提となる各参考例について説明した後、本開示の実施形態を説明する。

［一参考例］
［参考例１］
（構成）
図１は、本開示の一参考例に係る救急需要予測装置１の機能構成を示すブロック図である。

救急需要予測装置１は、例えば、各自治体の消防本部によって管理され、サーバコンピュータ又はパーソナルコンピュータにより構成される。救急需要予測装置１は、過去の単位領域あたりの救急要請の発生数を教師データとして、数時間ないし数日先の単位時間あたり単位領域あたりの救急発生数を推定する。

救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢをはじめとする種々のサーバ及びデータベースとの間で通信が可能となっている。救急データベースＥＭＤＢは、例えば、指令台及び救急隊から入力された救急搬送情報及び傷病者情報を含む救急要請の発生実績に関するデータを蓄積している。

ネットワークＮＷは、例えば中継網と、この中継網に対しアクセスするための複数のアクセス網とから構成される。アクセス網の種類には、一般的なインターネットのような公衆網、又は限られた機器などからのみアクセスできるよう制御された閉域網がある。中継網としては例えばインターネットプロトコルを利用した公衆網、又は閉域網が用いられる。アクセス網としては例えばＬＡＮ（Local Area Network）、無線ＬＡＮ、携帯電話網、有線電話網、ＦＴＴＨ(Fiber To The Home)、又はＣＡＴＶ（Cable Television）網が用いられる。

一参考例に係る救急需要予測装置１は、入出力インタフェースユニット１０と、制御ユニット２０と、記憶ユニット３０とを備えている。

入出力インタフェースユニット１０は、例えば１つ以上の有線又は無線の通信インタフェースユニットを含んでおり、外部機器との間で情報の送受信を可能にする。有線インタフェースとしては、例えば有線ＬＡＮが使用され、また無線インタフェースとしては、例えば無線ＬＡＮ又はＢｌｕｅｔｏｏｔｈ（登録商標）などの小電力無線データ通信規格を採用したインタフェースが使用される。

例えば、入出力インタフェースユニット１０は、制御ユニット２０の制御の下、救急データベースＥＭＤＢにアクセスして、蓄積されたデータを読み出し、読み出したデータを制御ユニット２０に渡す処理を行う。入出力インタフェースユニット１０はまた、キーボードなどの入力デバイス（図示せず）によって入力された指示情報を制御ユニット２０に出力する処理を行うことができる。さらに、入出力インタフェースユニット１０は、制御ユニット２０から出力された学習結果又は予測結果を、液晶ディスプレイなどの表示デバイス（図示せず）に出力したり、ネットワークＮＷを介して外部機器に送信する処理を行うことができる。

記憶ユニット３０は、記憶媒体として、例えばＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）等の随時書込及び読み出しが可能な不揮発性メモリを用いる。記憶ユニット３０は、この参考例を実現するために必要な記憶領域として、プログラム記憶部の他に、分類モデル記憶部３１と、予測モデル記憶部３２と、予測結果記憶部３３とを備えている。

分類モデル記憶部３１は、傷病分類を発生パターンに基づき傷病群に再分類するための分類モデルを記憶するために用いられる。

予測モデル記憶部３２は、過去の実績データに基づいて将来の救急要請の発生数を予測するための予測モデルを記憶するために用いられる。

予測結果記憶部３３は、学習済みの予測モデルを用いて得られた予測結果を記憶するために使用される。

ただし、上記記憶部３１～３３は必須の構成ではなく、例えば、ＵＳＢメモリなどの外付け記憶媒体、又はクラウドに配置されたデータベースサーバ等の記憶装置に設けられていてもよい。

制御ユニット２０は、図示しないＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processing Unit）等のハードウェアプロセッサと、ＤＲＡＭ（Dynamic Random Access Memory）又はＳＲＡＭ（Static Random Access Memory）等のメモリとを有し、この参考例を実施するために必要な処理機能として、搬送データ取得部２１と、搬送データ前処理部２２と、傷病群学習部２３と、予測モデル学習部２４と、要請発生数予測部２５と、出力制御部２６とを備えている。これらの処理機能は、いずれも上記記憶ユニット３０に格納されたプログラムを上記プロセッサに実行させることにより実現される。制御ユニット２０は、また、ＡＳＩＣ（Application Specific Integrated Circuit）又はＦＰＧＡ（field-programmable gate array）などの集積回路を含む、他の多様な形式で実現されてもよい。プログラムは、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。また、プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

搬送データ取得部２１は、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから、救急隊が出動するごとに記録された過去の救急搬送の実績データ（以下、「搬送データ」と言う。）を取得し、搬送データ前処理部２２に渡す処理を行う。

搬送データ前処理部２２は、受け取った搬送データに対して前処理を施してから、傷病群学習部２３、予測モデル学習部２４又は要請発生数予測部２５のいずれかに渡す処理を行う。例えば、搬送データ前処理部２２は、受け取った搬送データをもとに、データを分割し、必要な項目を抽出し、欠損の補完を行い、正規化処理をして、傷病群学習用データ、予測モデル学習用データ又は要請発生数予測用データを作成し、各部２３～２５に渡す。なお、傷病群学習用データ、及び予測モデル学習用データの両方を指す場合に、単に学習用データと記載する。

傷病群学習部２３は、搬送データ前処理部２２から傷病群学習用データを受け取り、同様の発生パターンを示す傷病群を学習して、その学習結果を分類モデル記憶部３１に保存する処理を行う。

予測モデル学習部２４は、搬送データ前処理部２２から予測モデル学習用データを受け取り、傷病群ごとの発生数及び日時情報から救急要請の総発生数を予測するための予測モデルの学習を行い、その学習結果を予測モデル記憶部３２に保存する処理を行う。

要請発生数予測部２５は、単位領域ごとの救急要請の発生数を予測し、その予測結果を予測結果記憶部３３に保存する処理を行う。予測処理は、搬送データ前処理部２２から要請発生数予測用データを受け取り、予測モデル記憶部３２に保存された学習済みの予測モデルを読み出し、要請発生数予測用データを予測モデルに入力することによって行う。

出力制御部２６は、要請発生数予測部２５の予測結果をもとに出力データを作成し、入出力インタフェースユニット１０を介して出力する処理を行う。例えば、出力制御部２６は、単位領域ごとの予測数を表示デバイス（図示せず）上に２次元マップとして表示させるための出力データを作成し、表示デバイスに出力することができる。また、出力制御部２６は分類モデル記憶部３１、予測モデル記憶部３２及び予測結果記憶部３３に記憶されたデータに基づいて出力データを作成することもできる。

（動作）
次に、以上のように構成された救急需要予測装置１の動作を説明する。

救急需要予測装置１は、例えば、図示しない入力デバイスを通じて入力されたオペレータ等からの指示信号を受け付けて、学習処理又は予測処理を開始することができる。

（１）傷病群の学習処理
傷病群の学習処理の指示信号を受け付けると、救急需要予測装置１は、以下のように、傷病群の分類モデルの学習処理を実行する。

図２は、図１に示した救急需要予測装置１による、傷病群を学習する処理の処理手順及び処理内容を示すフローチャートである。
まずステップＳ１０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。このとき、救急需要予測装置１は、取得した搬送データを記憶ユニット３０内に保存するようにしてもよい。

図５は、取得される搬送データの一例を示す。図５に示した搬送データは、レコードを区別するＩＤと、発生日時と、出動地域、年代、性別、発生場所、傷病の種別、傷病の部位、及び傷病の程度等を表す情報とを含んでいる。年代、及び性別が、本開示の技術の傷病者の属性である傷病者属性の一例である。発生日時が、本開示の技術の救急要請が発生した日時を表す日時情報の一例である。出動地域が、本開示の技術の救急要請が発生した場所を表す位置情報の一例である。傷病の種別、傷病の部位、及び傷病の程度が、本開示の技術の救急要請の原因となった傷病を表す傷病情報の一例である。

次いでステップＳ１０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して欠損補完又は正規化などの処理を行い、傷病群学習用データを作成して、傷病群学習部２３に渡す。

傷病は、複数の要因の影響を受けると考えられる。例えば、その発生数が特定の年代又は性別に偏る場合（例えば多くの病気は高齢者に多くみられるが、熱性けいれん等は若年層に多い）、気温又は気圧といった天候などの影響を受ける場合、地域性がある場合（例えば繁華街における急性アルコール中毒、スポーツ施設におけるケガ又は骨折、交通事故の多発する地域）など、複数の要因の影響を受けると考えられる。これらのメカニズムをデータから学習し、様々な状況で同様の発生パターンを示す傷病群にまとめ上げることで、搬送データをより効率的かつ効果的に活用できる。図５に示した搬送データを例にとると、傷病群学習用データとして、例えば、傷病者の年代及び性別等の属性情報、傷病の発生場所、並びに傷病発生日時などの情報を利用することができる。

次いでステップＳ１０３において、救急需要予測装置１は、傷病群学習部２３の制御の下、傷病群学習用データを用いて、同じような発生パターンを示す傷病群を学習し、その結果を学習済みモデルとして分類モデル記憶部３１に保存する。本ステップにおける学習は、機械学習を用いてもよいし、ヒューリスティックに決められたルールでもよく、なんらかの線形変換に基づく尤度を算出してもよい。

傷病群学習部２３は、例えば、傷病間の類似度又は距離を算出し、その値をもとに傷病群を抽出することができる。

図６Ａは、そのような学習の一例として、Ｋ－ｍｅａｎｓクラスタリングにより傷病群を抽出した結果を示す。図６Ａに示した例では、まず図５に示した１つ１つの救急搬送データをノードとし、傷病者属性、発生場所、発生日時をノードの値としてＫ－ｍｅａｎｓをかけ、傷病を数十のクラスタに分割した。このクラスタは傷病が発生しやすい状況に相当する。次に各傷病をノード、それぞれのクラスタにおける各傷病の発生数を値とし、再度クラスタリングを行って傷病をグルーピングした。このように、傷病群学習部２３において学習した傷病群の学習済みモデルを用いることで、傷病者情報と、位置情報と、日時情報とを傷病群のクラスタにより関連付けて、クラスタごとの傷病の発生しやすさを得ることで、傷病を傷病群に分類できる。なお、利用することができる傷病群学習用データの中身については個々でも、それぞれを任意の数だけ組み合わせてもよい。

図６Ｂは、さらに、そのようなクラスタリング結果を、可視化のために多次元尺度構成法を用いて三次元空間上にプロットした図である。図６Ｃは、クラスタリング結果を可視化した例を一覧にした図である。マーカの色及び形状が、各傷病が属する傷病群を示している。この例では、例えば熱性けいれん、過呼吸症候群などの子ども及び若者に多くみられる症状と、口、食道、及び胃異物という誤飲に伴うであろう症状とが同じ傷病群（白抜きの四角マーカ）に割り当てられていることがわかる。

傷病群学習部２３は、このように抽出された傷病群を、例えば、傷病と傷病群との対応表の形で分類モデル記憶部３１に保存することができる。

なお、学習済みの分類モデルは、一定時間ごとに、一定の条件を満たしたときに、又はオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。

（２）予測モデルの学習処理
救急需要予測装置１は、上記傷病群の学習処理に続けて、又は傷病群の学習処理とは別個に、例えばオペレータから予測モデルの学習指示信号を受け付けることによって、以下のように予測モデルの学習処理を実行する。

図３は、図１に示した救急需要予測装置１による、救急要請の発生数を予測するための予測モデルを学習する処理の処理手順及び処理内容を示すフローチャートである。
まずステップＳ２０１において、救急需要予測装置１は、搬送データ取得部２１により取得された搬送データをもとに、搬送データ前処理部２２の制御の下、予測モデル学習用データを作成し、予測モデル学習部２４に渡す。予測モデル学習用データの作成処理は、学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を求めることにより行う。

例えば、搬送データ前処理部２２は、はじめに、搬送データ取得部２１により取得された搬送データを、出動地域情報をもとに単位領域ごとに分割する。ここで単位領域としては、市区町村及び丁目レベルなどの行政区画、又は緯度経度に基づき算出される地域メッシュなどが考えられる。行政区画と緯度経度との相互変換には、例えばＧｏｏｇｌｅＭａｐｓＡＰＩなどのオンラインサービスを用いることができる。次に、搬送データ前処理部２２は、単位領域ごとに分割された搬送データに基づき、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、学習された傷病群ごとの発生数を単位時間ごとに数え上げる処理を行う。

図７は、そのようにして作成された予測モデル学習用データの一例を示す。図７の例では、単位領域としての「○○町１丁目」について、時間帯別にカウントされた、傷病群ごとの救急要請の発生数とそれらを合計した総発生数が示されている。

次いでステップＳ２０２において、救急需要予測装置１は、予測モデル学習部２４の制御の下、予測モデル学習用データとして図７に示したような単位領域ごと傷病群ごとの発生頻度及び日時情報を用いて、予測モデルの教師付き学習を行う。学習には、例えば一般化線形モデル及びベクトル自己回帰モデルなどの統計手法、又はランダムフォレスト若しくはニューラルネットワークなどの機械学習手法を用いることができる。

次いでステップＳ２０３において、救急需要予測装置１は、予測モデル学習部２４の制御の下、学習済みの予測モデル、すなわち、得られた最適なモデル構造とパラメータとを、予測モデル記憶部３２に保存する。

なお、学習済みの予測モデルは、一定時間ごとに、一定の条件を満たしたときに、又はオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。

（３）予測処理
救急需要予測装置１は、予測処理の指示信号を受け付けると、学習済みの分類モデル及び予測モデルを用いて、以下のように救急要請の発生数を予測する処理を実行する。

図４は、図１に示した救急需要予測装置１による、救急要請の発生数を予測する処理の処理手順及び処理内容を示すフローチャートである。
まずステップＳ３０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。

ここで、一般に救急搬送データがデータベースに収集されるまでにはタイムラグが生じるため、実際に予測処理を行うときには、タイムラグを考慮するように構成してもよい。例えば、救急需要予測装置１は、数時間前までの搬送データを救急データベースＥＭＤＢから取得するとともに、直近の搬送データを救急車等から直接収集するように構成することができる。

次いでステップＳ３０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して種々の前処理を行い、予測用データを作成して、要請発生数予測部２５に渡す。例えば、上記のように直近の搬送データを救急車等から直接取得する例では、搬送データ前処理部２２は、救急データベースＥＭＤＢから取得した搬送データと直近の搬送データとを統合し、統合されたデータを単位領域ごとに分割する。次いで搬送データ前処理部２２は、分割した搬送データをもとに、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を算出することにより、予測モデルに入力するための予測用データを作成する。当該処理によって、傷病者属性と、位置情報と、日時情報と、を関連付けることで得られる傷病情報の傷病の発生しやすさに基づき傷病群に傷病を分類する。また、所定の単位領域と所定の単位時間ごとに傷病群ごとの救急要請の発生頻度が求められる。

次いでステップＳ３０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、単位領域ごと（例えばメッシュごと）の任意の時刻の救急要請発生数の予測を行う。予測処理は、受け取った予測用データをもとに、予測モデル記憶部３２に記憶された学習済みの予測モデルを読み出して行う。当該処理によって、傷病群ごとの発生頻度と、任意の日時と、を予測モデルで関連付けることで救急要請の発生数を推定する。

ステップＳ３０４において、救急需要予測装置１は、要請発生数予測部２５の制御の下、予測結果を予測結果記憶部３３に保存する。

図８は、以上のようにして得られる予測結果の一例を示す。時間帯別に予測された、単位領域ごとの救急要請の発生予測数が示されている。

出力制御部２６は、適時に、予測結果記憶部３３に記憶された予測結果を読み出し、読み出した予測結果をもとに出力データを作成して、作成した出力データを表示デバイス又は外部機器に出力することができる。要請発生数予測部２５が予測結果を直接出力制御部２６に渡すようにしてもよい。また、出力制御部２６は、オペレータ等の指示に応じて、分類モデル記憶部３１に記憶された対応表、又は予測モデル記憶部３２に記憶されたパラメータに基づいて、出力データを作成することもできる。

以上のような学習及び予測処理について、一例では、救急需要予測装置１は、時刻ｔn-m ～ｔn-m+p のｐ組の発生月、曜日、及び祝日などの情報、時刻帯などの日時に関する情報、並びに傷病別救急要請発生数を用いることができる。学習処理においては、例えば、時刻ｔn ～ｔn+α における総発生数の総和を予測するモデルを学習する教師付き学習を行うように構成することができる。予測処理においては、例えば、直前２４時間分のデータを用い、３時間後までの発生数を予測する場合、ｔn-24 ～ｔn-1 の学習用データを用い、ｔn ～ｔn+2 の総発生数の和を予測する問題として解くことができる。

なお、一参考例では、モデル学習は蓄積されたデータを用いて事前に行い、システム運用中は予測のみを行うようにすることが可能である。また、モデルの再学習は、一定のタイミング（毎週／毎月など）で実施することも可能であり、又は予測結果が一定期間の間大きく外れた場合に実施するなども考えられる。

一例として、救急需要予測装置１が、図８に示す予測結果記憶部のテーブルに対して、結果が確定した段階で、搬送データ前処理部２２から実測値を入力し、単位時間における全単位領域の誤差の和を算出しておき、誤差の和を監視するように構成することができる。そして誤差和が閾値を超え続ける場合にアラームを出してシステム運用者に再学習を促す、といった運用を行うことで、再学習のコストを抑えつつ、外界の変化に追従することができる。

［参考例２］
本開示の技術に係る救急需要予測装置１の第２の参考例は、さらに、救急要請の発生場所の環境の情報を表す環境データを学習及び予測に用いる。

図９は、そのような参考例２に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１と同一部分には同一符号を付し、詳細な説明は省略する。

図１に示した装置に比べて、図９に示した救急需要予測装置１は、制御ユニット２０内に、環境データ取得部２２１と、環境データ前処理部２２２とをさらに備えている。また図９の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢに加えて環境データベースＥＶＤＢとの間でさらに通信が可能となっている。

環境データ取得部２２１は、例えばオペレータにより入力された学習又は予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、環境データベースＥＶＤＢから気象データなどの環境データを取得し、環境データ前処理部２２２に渡す処理を行う。環境データベースＥＶＤＢは、例えば、インターネット上又は外部サービスから周辺環境に関する情報を自動で又はオペレータの手作業により収集する環境データ収集サーバに接続され、収集された環境データを蓄積している。

図１０は、取得される環境データの一例を示す。環境データの一例は、気象庁のホームページから取得される気象データである。図１０では、日時情報とともに種々の気象データが示され、また各データが取得された状況を表す情報が条件１～３として付加されている。一例として、条件１は、統計のもととなるデータの欠損の有無を示し、条件２は、観測環境の違いを表し、条件３は当該現象が起きたか否かを０／１の値で示す情報である。

環境データ前処理部２２２は、環境データ取得部２２１から受け取った環境データに対し、必要な項目を抽出し、欠損を補完し、正規化処理を行うなどの前処理を行う。図１１にそのような前処理を施した環境データの一例を示す。環境データ前処理部２２２は、前処理を施した環境データを予測モデル学習部２４又は要請発生数予測部２５のいずれかに渡す。

予測モデル学習部２４及び要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データ又は予測用データと、環境データ前処理部２２２から受け取った環境データを、時刻情報をもとに突合して、学習及び予測処理を行うことができる。

［参考例３］
本開示の技術に係る救急需要予測装置１の第３の参考例は、さらに、救急要請の発生場所の地域統計情報を含む地域データを学習及び予測に用いる。

図１２は、そのような参考例３に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１及び図９と同一部分には同一符号を付し、詳細な説明は省略する。

図９に示した装置に比べて、図１２に示した救急需要予測装置１は、制御ユニット２０内に、地域データ取得部３２１と、地域データ前処理部３２２とをさらに備えている。また図１２の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢ及び環境データベースＥＶＤＢに加えて、地域データベースとの間でさらに通信が可能となっている。

地域データ取得部３２１は、例えばオペレータにより入力された学習又は予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、地域データベースから地域データを取得し、地域データ前処理部３２２に渡す処理を行う。地域データベースは、例えば、インターネット上又は外部サービスから地域統計に関する情報を自動で又はオペレータの手作業により収集する地域データ収集サーバに接続され、収集された地域データを蓄積している。地域データに含まれる地域統計情報としては、地域内の病院及び店舗等の施設情報を格納する地図情報、並びに単位領域ごとの年代別人口情報などが考えられる。

地域データ前処理部３２２は、地域データ取得部３２１から受け取った地域データに対し、単位領域ごとにデータを集約し、インターバル調整及び欠損補完を行うなど、地域データの整形を行う。地域データ前処理部３２２は、前処理を施した地域データを予測モデル学習部２４又は要請発生数予測部２５のいずれかに渡す。

図１３は、地域データの一例として、性別及び年代別の人口推移データを示す。このようなデータは、例えば、携帯電話の各基地局にて収集される端末情報に契約者情報を紐づけることにより作成することが可能である。

なお、時刻ごとの人口分布データでは、プライバシー保護の目的で、閾値以下の人数をマスクし空欄とする場合がある。この場合、地域データ前処理部３２２は、このようなデータに対し、例えば各自治体の作成する推計人口又は公簿人口に記載の月平均人口を用い、夜間人口の地域総和が月平均人口となるような値を求めて欠損補完を行うことができる。

予測モデル学習部２４及び要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データ又は予測用データと、環境データ前処理部２２２から受け取った環境データと、地域データ前処理部３２２から受け取った地域データとを、時刻情報をもとに突合して、学習及び予測処理を行うことができる。

なお、参考例３に係る救急需要予測装置１に環境データ取得部２２１及び環境データ前処理部２２２を設けず、学習及び予測において環境データを使用しないようにすることも可能である。

［参考例４］
本開示の技術に係る救急需要予測装置１の第４の参考例は、さらに、救急要請の発生場所の地域統計情報を表す地域データに基づいて、単位領域ごとの地域性を学習し、その学習結果を上述のような学習及び予測に用いるようにした。

図１４は、そのような参考例４に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において前記図１、図９及び図１２と同一部分には同一符号を付し、詳細な説明は省略する。

図１２に示した装置に比べて、図１４に示した救急需要予測装置１は、制御ユニット２０内の地域性学習部４２１と、記憶ユニット３０内の地域性記憶部４３４とをさらに備えている。

図１４に示した救急需要予測装置１は、参考例３と同様に、地域データ取得部３２１の制御の下、地域データを取得し、地域データ前処理部３２２の制御の下、取得した地域データに対して所定の前処理を行う。地域データ前処理部３２２は、前処理を施した地域データを、予測モデル学習部２４、要請発生数予測部２５又は地域性学習部４２１のいずれかに渡す。例えば、地域データ前処理部３２２は、取得した地域データをもとに、学習用地域データを作成して予測モデル学習部２４に渡し、又は予測用地域データを作成して要請発生数予測部２５に渡し、又は地域性学習用データを作成して地域性学習部４２１に渡すことができる。

地域性学習部４２１は、受け取った地域性学習用データをもとに、時間帯別又は年代別人口データのほか、領域内の病院又は老人ホーム、店舗、学校、スポーツ施設などの数に基づいて、その地域がどのような街区であるかを学習及び抽出する処理を行う。

図１５は、地域性学習用データの一例を示す。なお、領域内の施設の種類及び数については、ＧｏｏｇｌｅＭａｐｓＡＰＩなどの各種地図サービスにて検索を行うことによって取得することができる。

地域性学習部４２１は、単一の単位領域についての学習を行う場合は機能しないが、様々な単位領域に対して学習を行い、そのパラメータを引き継ぐことで、学習結果として、地域性を表す特徴量を抽出する。地域性を表す特徴量を用いることによって、オフィス街又は繁華街などの街区の性質、及び成熟住宅街又は新興住宅街など住民の性質に対する救急要請発生パターンの抽出が可能になる。

地域性記憶部４３４は、地域性学習部４２１による地域性を表す特徴量を学習結果として記憶する。なお、地域性記憶部４３４は、記憶部３１～３３と同様、必須の構成ではなく、外部の記憶媒体等に置き換えることもできる。

図１６は、地域性学習部４２１による学習結果の一例として、それぞれの領域がオフィス街、繁華街、又は住宅街等のいずれの性質をもちうるかを、人口変動及びそこに存在する施設から推定した結果を示す。

予測モデル学習部２４及び要請発生数予測部２５は、各種データをもとに、上述のような学習及び予測処理を行うことができる。各種データは、搬送データ前処理部２２から受け取った学習用データ又は予測用データと、環境データ前処理部２２２から受け取った環境データと、地域データ前処理部３２２で前処理された地域データと、地域性学習部４２１で抽出された地域性を表す特徴量とである。

なお、参考例４に係る救急需要予測装置１に環境データ取得部２２１及び環境データ前処理部２２２を設けず、学習及び予測において環境データを使用しないようにすることも可能である。

［参考例５］
上記参考例１に係る救急需要予測装置１は、傷病群の抽出をクラスタリング手法を用いて独立に行ったが、傷病群の抽出と予測モデルの学習を同時に行うことも可能である。
本開示の手法に係る救急需要予測装置１の第５の参考例は、例えばニューラルネットワークにおいて、傷病群学習に相当するレイヤーをモデルに追加することで、傷病群抽出と予測モデルの学習とを同時に行う。

参考例５では、例えば、傷病群の抽出と発生数予測とに、それぞれＬＳＴＭ（Long Short-term Memory）（リカレントニューラルネットワークの一種）レイヤーを用意する。傷病群抽出のためのＬＳＴＭレイヤーには、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたものを入力とすることができる。そして、出力ノード数を、元の傷病分類数に対して小さく（２０～３０程度）に設定することで、傷病分類を要約する効果を得ることができる。この出力を救急要請発生数予測用のＬＳＴＭレイヤーの入力として設定し、一括で学習を進めることで、発生数予測精度を最大限向上させるような傷病群を抽出することが可能である。

（１）学習処理
図１７は、参考例５に係る救急需要予測装置１による、傷病群及び予測モデルの学習処理を示すフローチャートである。参考例５に係る救急需要予測装置１は、図１に示した救急需要予測装置１と機能の実行内容が異なるだけで基本構成は同じである。そこで、以下では、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。

まずステップＳ４０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。

次いでステップＳ４０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、モデル学習用データを作成する。モデル学習用データは、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに単位時間あたりの発生数を数え上げることで作成する。

図１９は、モデル学習用データの一例を示す。傷病群抽出のためのＬＳＴＭレイヤーには、図１９に示すような、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたモデル学習用データを入力とすることができる。

次いでステップＳ４０３において、救急需要予測装置１は、傷病群学習部２３による傷病群学習と、予測モデル学習部２４による予測モデル学習とをまとめて行う。

ステップＳ４０４において、救急需要予測装置１は、学習済みの予測モデルに関するモデル構造及びパラメータを、例えば予測モデル記憶部３２に保存する。

（２）予測処理
図１８は、参考例５に係る救急需要予測装置１による予測処理を示すフローチャートである。やはり、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。

まずステップＳ５０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。参考例１で説明したように、救急需要予測装置１は、実際の予測処理においては、救急搬送データがデータベースに収集されるまでのタイムラグを考慮するため、直近の搬送データを救急車等から直接収集することもできる。

次いでステップＳ５０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに、単位時間あたりの発生数を数え上げて、予測用データを作成する。

ステップＳ５０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、上記のように学習された学習済みの予測モデルを用いて、予測用データをもとに単位領域ごとの救急要請発生数の予測を行う。

ステップＳ５０４において、救急需要予測装置１は、制御ユニット２０の制御の下、要請発生数予測部２５により得られた予測結果を、予測結果記憶部３３に保存する。

さらに、傷病群抽出と同様に、参考例４で説明した地域性の学習も、予測モデルの学習と同時に行ってもよい。この場合、例えばニューラルネットワークを用い、地域性の抽出と救急要請発生数予測を同じモデルに組み込むことで、両者を同時に最適化することが可能である。より詳細には、例えば、地域性学習部４２１を、入力を曜日と時間帯別の年齢別人口分布及び領域内の施設情報とし、出力を街区種別に相当する１０～２０程度のノードとするＬＳＴＭレイヤーとして構成すればよい。

図２０は、このような参考例５に係る、ＬＳＴＭレイヤーを用いた学習モデルにおけるデータフローイメージを示す。図２０の救急需要予測装置１は、傷病群の抽出に、各自治体から得られる傷病種別の発生数のデータを入力とするＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。また同様に、地域性特徴量の抽出にもＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。

［参考例６］
本開示の手法に係る救急需要予測装置１の第６の参考例は、さらに、出力制御部２６が、予測結果を視覚的に表示するための出力データを作成し、出力する。参考例６に係る救急需要予測装置１は、参考例１～５で説明した救急需要予測装置１のいずれかと同じ機能構成を備えることができる。

図２１Ａ及び図２１Ｂは、参考例６に係る救急需要予測装置１から出力される出力データに基づく表示例として、予測結果をヒートマップ上に可視化した例を示す。これらは、液晶ディスプレイなどの表示デバイス上に表示されることができる。

図２１Ａは、直近のデータに基づいて予測された３時間後の救急需要予測結果を示す。図２１Ｂは、直近のデータに基づいて予測された６時間後の救急需要予測結果を示す。図２１Ａ及び図２１Ｂから、３時間後と６時間後とで、救急要請の発生予測数が高い領域（ヒートマップ上の色の濃いメッシュ）が、左下から右上へと推移している様子が観察される。なお、参考例６に係る救急需要予測装置１は、特定領域における予測値の推移をグラフや図表として描画することで、救急隊の運用検討を支援することもできる。また、参考例６に係る救急需要予測装置１からの予測結果の出力形式は、視覚的表示に限られるものでなく、合成音声をはじめとする多様な形式で出力することが可能である。
（参考例の効果）
以上詳述したように、一参考例に係る救急需要予測装置では、救急医療において、過去の救急要請の発生日時、発生場所を含む搬送データから、近未来の救急要請の発生数を予測することができる。その際、過去の救急搬送データを、単位領域ごとのデータに分割し、該領域における単位時間ごと、傷病種別ごとの発生数を特徴量として算出する。特徴量を算出したのち、同種の環境因子から影響を受ける傷病群を学習して、学習された傷病群ごとに算出した発生数を学習用データ及び予測用データとして用いて、学習及び予測を行うようにしている。

これにより、取得された救急搬送の実績データが傷病単位では解析に耐えるだけの十分な出現頻度を有していない場合でも、傷病群を学習し、傷病群ごとの発生頻度を算出して解析に用いることで、限られた実績データから精度よく救急要請の発生数を予測することができる。

また上記のように、傷病は、発生数が特定の年代や性別に偏るものや、気温や気圧、天候などの影響を受けるもの、地域性があるものなど、複数の要因に影響を受けると考えられる。一参考例に係る救急需要予測装置では、これらのメカニズムをデータから学習し、様々な状況で同じような発生パターンを示す傷病群にまとめ上げることによって、人手による分類の違いを吸収し、最適な粒度で傷病別救急要請発生数のデータを取り扱うことができるようになる。

また一般に、風邪やインフルエンザ、熱中症など、気温や天候に影響される病気は多い。さらに、気圧の変化は自律神経を乱し、頭痛や神経痛、もしくは脳卒中など、様々な病気を引き起こすことが知られている。一参考例に係る救急需要予測装置では、気象データなどの環境データを利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させる効果が期待できる。

また一方、新興住宅街には子育て世帯が集まるなど、住宅街には年齢層、経済力、価値観、及びライフスタイルが似通った住民が集まることが多い。また病院が含まれる地域では転院搬送に伴う救急出動が一定の割合で発生し、繁華街では夜間に急性アルコール中毒による救急出動要請が増加するなど、救急出動要請には地域性が色濃く反映される。一参考例に係る救急需要予測装置では、このような地域性を利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させることができる。

さらに、ヒートマップなどを用いて予測結果を可視化できるように出力データを作成し、出力することにより、迅速な対応を要する救急医療の現場において、予測結果を容易かつ効率的に把握できるようになる。また救急要請発生数の時間推移もグラフ等により容易に可視化することができる。これにより、救急隊の数時間先の出動見込みを可視化し、救急隊の運用効率を向上させることが可能となる。

以上のように、一参考例に係る救急需要予測装置では、過去の救急搬送データから、同じような出現パターンを示す傷病群を抽出し、傷病群ごとの発生数をもとに学習を行うことで、限られた観測データから精度よく救急要請発生数を予測することができる。また一参考例に係る救急需要予測装置によれば、指令台や救急隊から収集される救急搬送データと、オンラインで収集可能な気象データ、及び単位領域ごとの地域特性や単位時間ごとの年齢別人口分布などのデータを組み合わせ、当該領域の救急要請発生数を高精度に推定可能である。さらに、自治体ごとの救急搬送データにおける傷病分類の違いを吸収し、複数の自治体で利用可能なモデルを容易に構築することができる。

［他の参考例］
なお、参考例の手法は上記参考例１に限定されるものではない。例えば、予測モデル記憶部３２に保存される学習済みのモデル及びパラメータは、利用する統計解析ツールに応じたパラメータ保存用の処理やファイル形式に従うことができる。同様に、分類モデル記憶部３１、予測結果記憶部３３、地域性記憶部４３４に保存されるデータ形式についても、図示した例に限定されず、任意の形式を用いることができる。

また、傷病群の学習及び予測モデルの学習についても、上述した統計手法や機械学習手法だけに限定されず、任意の手法を採用することができる。

気象情報を含む環境データならびに施設情報及び人口情報を含む地域データを、予測モデルの学習処理及び予測処理に使用するものとして説明したが、これらのデータを傷病群の学習にも用いるようにしてもよい。特に、分類モデルの学習と予測モデルの学習とを別個に行う参考例においては、環境データや地域データを用いることで、傷病群の学習がより効率的に行えることが期待される。

また、参考例１～６で説明した救急需要予測装置１の各機能部は、結合し、同様の構成で置換し、又は省略することが可能である。例えば、上述したように、参考例３及び４において環境データを使用せず、搬送データと地域データに基づいて学習及び予測を行うように構成することも可能である。

あるいは、救急需要予測装置１が備える各機能部２１～２６を、クラウドコンピュータ又はエッジルータ等に分散配置し、これらの装置が互いに連携することにより学習及び予測を行うようにしてもよい。これにより、各装置の処理負荷を軽減し、処理の効率化を図ることができる。

以上、説明した一参考例においては、過去の救急出動データ、気象データ、動的人口データ、及び地域情報などを用い、ある領域における救急発生数を予測する予測モデルを、深層学習等を用いて構築している。一参考例では、特に、同じような救急発生パターンを示す傷病群を抽出し、傷病群ごとの予測を行うことを特徴とし、予測モデルは単位領域ごとに１つ作成している。

［実施例］
以上の参考例を踏まえて、本開示の実施形態に係る手法では、傷病又は傷病群ごとに発生する突発的な増減を学習する予測モデルを別途構築し、気象条件及び日時情報を用いて組み合わせるアンサンブルモデルを提案する。

アンサンブルモデルでは、例えば、以下の点に着目する。［１］定常的な傾向を示す期間においても、春秋と夏冬とで異なる傾向を示すことを考慮した時系列モデルとなるよう重みづけによる学習を行う。また、［２］発生すると時系列の変化に依存しない要請数を増加させる要素を含むイベント（例えば、気温の急な上昇又は下降、積雪、及び正月などの風習）をトリガに、所定の時間を経過した後、要請数が増加する傾向を考慮する突発モデルとなるよう重みづけによる学習を行う。本実施形態のアンサンブルモデルでは、［１］及び［２］を考慮した重みづけを行う。なお、一度発生数が増加した後、特定の時間継続するケースは、［１］の場合に含まれることを想定した重みづけを行ってもよい。

本開示の実施形態のアンサンブルモデルの一構成例として、平常時に対応する、時系列の周期性又はトレンドを主として学習する予測モデルと、夏及び冬に多く見られる、気象の急激な変化に伴う突発的な増加を学習する予測モデルとをそれぞれ別の手法を用いて学習し、それらの重み付き和を出力する予測モデルを構築する。それぞれの予測モデルの学習手法としては、例えば、平常時の予測モデルには、傷病群ごとに時系列解析を行うベクトル自己回帰モデルを採用し、突発事象に対する変化を捉えるための突発事象の予測モデルには、パターン認識に強い深層学習モデルを採用する。このように、平常時の予測モデルで定常的な変化を捉え、突発事象の予測モデルで非定常的な変化を捉える。

図２２は、予測モデルにベクトル回帰モデルを用いた場合の予測結果の一例を示す図である。図２３は、予測モデルに深層学習モデルを用いた場合の予測結果の一例を示す図である。図２２及び図２３は、とある市の２０１７年の３時間毎の救急出動数を、２０１３年～２０１６年のデータを用いて学習した予測モデルで予測した結果を示すグラフである。図２２及び図２３において、５月～７月の３か月分を１か月毎にグラフにしており、実線が実際の出動数を、一点鎖線ないし破線が予測を示す。１年を通した二乗誤差平均は、ベクトル自己回帰モデルが５．７８であり、深層学習モデルが７．７９と、ベクトル自己回帰の方が高い予測精度を示していた。一方で、７月後半の熱中症予測については、深層学習モデルの方が初日からピークに追随していることがわかる。

また、複数の予測モデルを組み合わせるにあたり、救急発生数は日時情報のみならず、気象からも多大な影響を受ける。よって、本開示の実施形態の手法においては、日時情報及び気象条件の２種類の情報を用いて重みを制御するアンサンブルモデルを提案する。従来においては、異なる予測モデルをアンサンブルさせる手法については、十分な研究が行われておらず、単純に多数決を取る、それぞれのモデルの精度に基づき重みを決定するなどの方式に留まっている。そこで、本開示の実施形態の手法では、救急領域に特化し、適切なモデルアンサンブルを構築する手法を用いる。すなわち、救急出動数が変化する原因である気象情報と日時情報とを属性として用い、気象及び日時の変動に合わせた最適な重みを機械学習によって学習する。

（構成）
図２４は、本開示の一実施形態に係る救急需要予測装置の機能構成の例を示すブロック図である。なお、参考例と同様の箇所については同一符号を付して詳細な説明を省略する。図２４に示す本開示の実施形態の主要な構成は、予測モデル学習部５２４及び要請発生数予測部５２５の態様である。救急需要予測装置が、本開示の技術の情報処理装置の一例である。

まず、予測モデル学習部５２４の学習処理について説明する。図２５は、本開示の一実施形態に係る予測モデル学習部５２４の詳細な構成を示すブロック図である。図２５に示すように、予測モデル学習部５２４は、個別モデル学習部５４１Ｎ（５４１１～Ｎ）と、アンサンブル学習部５４２とを含んで構成される。

予測モデル学習部５２４は、学習用データ等を受け取り、個別モデル学習部５４１Ｎのそれぞれによって、個別の予測モデルを学習し、アンサンブル学習部５４２によって、個別の予測モデルの各々を統合した統合予測モデルを学習する。統合予測モデルは、上述した各参考例と同様に、傷病群ごとの発生数及び日時情報から救急要請の総発生数を予測するための予測モデルである。

個別モデル学習部５４１Ｎの学習処理について説明する。個別モデル学習部５４１ＮのＮは、個別の予測モデルの数に対応する。個別の予測モデルの数は、上述したように、平常時の予測と、突発事象の予測とが行えるように予め設定しておく。例えば、平常時の予測モデル、並びに突発事象の予測モデルのそれぞれを学習する場合には、個別モデル学習部５４１ＮのＮをＮ＝２とし、１：平常時、２：突発事象とそれぞれの予測モデルを学習するように割り当てる。なお、夏及び冬の突発事象をまとめるのではなく、Ｎ＝３として、夏の突発事象の予測モデル、及び冬の突発事象の予測モデルとしてもよい。

平常時の予測モデルの学習は、ベクトル回帰モデルによる学習を行う。突発事象の予測モデルの学習は、深層学習モデルによる学習を行う。なお、いずれの学習の場合も、個別モデル学習部５４１Ｎは、入力として各種学習用データを受け付けて学習処理を行う。各種学習用データとは、例えば、搬送データ前処理部２２からの学習用データと、環境データ前処理部２２２からの環境データと、地域データ前処理部３２２からの地域データと、地域性学習部４２１からの地域性を表す特徴量と、である。なお、学習用データにおける日時情報には、曜日、休日、及び祝日等の情報を含む。ここで、平常時の予測モデルが、本開示の技術の第一の手法の一例である。突発事象の予測モデルが、本開示の技術の第二の手法の一例である。上述したように、突発事象の予測モデルは、平常時の予測モデルと比較して突発事象が発生している区間におけるパターン認識の精度が高くなる。第二の手法により、時系列の推移とは異なる救急要請の発生数の増減を推定する。ここでいう時系列の推移とは、例えば、平常時の予測モデルで推定される発生数の推移である。

アンサンブル学習部５４２の学習処理について説明する。アンサンブル学習部５４２では、個別モデル学習部５４１Ｎそれぞれの個別の予測モデルの出力、教師信号を含む救急搬送データ、及び出力を決めるための重みの指標となる気象条件及び日時情報を入力とする。救急搬送データ及び日時情報は、上述した予測用データを用い、気象データには、上述した環境データを用いる。アンサンブル学習部５４２は、これらの入力データを、ニューラルネットワークのへの入力として、季節、曜日、時間帯、及びその時々の気象に合わせてニューラルネットワークの重みを変化させるアンサンブル学習を行い、統合予測モデルを得て、予測モデル記憶部３２に保存する。統合予測モデルは、日時情報及び気象条件を重みとして用いて、救急要請の発生数の増減を調整するように学習する。日時情報であれば、月、時間帯、曜日、及び休日か否か、等の情報によって重みを調整する。気象条件であれば、気温（例えば年間平均気温からの差、一日前の気温の差など）、及び天候の情報等によって重みを調整する。例えば、降雪又は降雨の量が多いほど、重みが大きくなるよう、すなわち救急要請の発生数が多くなるように重みを学習する。統合予測モデルには、個別モデル学習部５４１Ｎで学習された個別の予測モデルも含まれる。

次に、要請発生数予測部５２５の予測処理について説明する。予測処理の前段の処理としては、参考例において上述したように、搬送データ前処理部２２により予測モデルに入力するための各種予測用データを作成する。各種予測用データは、分割した搬送データをもとに、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を算出することにより作成する。これにより、傷病が傷病群に分類され、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度が求まる。また、各種予測用データには、環境データ前処理部２２２からの環境データと、地域データ前処理部３２２からの地域データと、地域性学習部４２１からの地域性を表す特徴量と、を含む。搬送データ前処理部２２が、本開示の技術の前処理部の一例である。

要請発生数予測部５２５は、各種予測用データと、予測モデル記憶部３２に記憶された統合予測モデルとを用いて予測を行う。統合予測モデルを用いた予測では、例えば、統合予測モデルに含まれるそれぞれの個別の予測モデルで救急要請の発生数を推定したうえで、それぞれの発生数の各々と、重みとに基づいて、最終的に出力する救急要請の発生数を取得する。要請発生数予測部５２５が、本開示の技術の予測部の一例である。

平常時の予測モデルを用いた予測では、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度と、任意の日時と、を平常時の予測モデルで関連付けることで、救急要請の発生数を推定する。同様に、突発事象の予測モデルを用いた予測では、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度と、任意の日時と、を突発事象の予測モデルで関連付けることで、救急要請の発生数の増減を推定する。発生数の増減は、例えば平常時の予測モデルで推定した発生数との比較により求めればよい。それぞれの予測モデルによる予測の例は、上述した図２２及び図２３に示した通りである。

要請発生数予測部５２５は、統合予測モデルを用いて、出力する救急要請の発生数を取得し、予測結果記憶部３３に保存する。出力する救急要請の発生数の取得は、平常時の予測モデルで推定した発生数と、突発事象の予測モデルで推定した発生数の増減と、任意の日時と、少なくとも気象条件に基づき得られる重みと、に基づいて行う。日時情報及び気象条件は、予測データの情報を適宜用いる。気象条件であれば、環境データから、位置情報に対応する気温、及び天候等を取得すればよい。統合予測モデルのニューラルネットワークに、発生数の各々、日時情報、及び気象条件が入力されると、ニューラルネットワークの重みが求まり、ニューラルネットワークが重みに応じた傷病群ごとの救急要請の発生数を出力する。

（作用）
学習処理及び予測処理の作用を説明する。学習処理及び予測処理は、記憶ユニット３０に格納されたプログラムをプロセッサに実行させることにより、各部の制御下において実現される。

図２６は、本開示の一実施形態に係る救急需要予測装置１による、学習処理を示すフローチャートである。

ステップＳ６０１において、救急需要予測装置１は、搬送データ取得部２１その他各部の制御の下、個別モデル学習部５４１Ｎは、入力として各種学習用データを受け付ける。各種学習用データは、搬送データ前処理部２２からの学習用データと、環境データ前処理部２２２からの環境データと、地域データ前処理部３２２からの地域データと、地域性学習部４２１からの地域性を表す特徴量と、である。

ステップＳ６０２において、救急需要予測装置１は、個別モデル学習部５４１Ｎの各々の制御の下、各種学習用データを用いて、個別の予測モデルの各々を学習する。個別の予測モデルのうち、平常時の予測モデルは、ベクトル回帰モデルによる学習を行い、突発事象の予測モデルの学習は、深層学習モデルによる学習を行う。

ステップＳ６０３において、救急需要予測装置１は、アンサンブル学習部５４２の制御の下、入力データをニューラルネットワークへの入力として、季節、曜日、時間帯、及びその時々の気象に合わせてニューラルネットワークの重みを変化させるアンサンブル学習を行い、統合予測モデルを得て、予測モデル記憶部３２に保存する。入力データは、個別モデル学習部５４１Ｎそれぞれの個別の予測モデルの出力、教師信号を含む救急搬送データ、並びに出力を決めるための重みの指標となる気象条件及び日時情報である。気象条件は位置情報の位置に対応する環境データを参照すればよい。なお、重みは、日時情報を用いずに、気象条件のみに基づいて求まるように学習してもよい。

図２７は、本開示の一実施形態に係る救急需要予測装置１による、予測処理を示すフローチャートである。予測処理が、本開示の技術の情報処理方法の一例である。

ステップＳ７０１において、救急需要予測装置１は、搬送データ前処理部２２その他各部の制御の下、予測モデルに入力するための各種予測用データを作成する。各種予測用データは、分割した搬送データをもとに、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を算出することにより作成する。これにより、傷病が傷病群に分類され、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度が求まる。また、各種予測用データには、環境データ前処理部２２２からの環境データと、地域データ前処理部３２２からの地域データと、地域性学習部４２１からの地域性を表す特徴量と、を含む。

ステップＳ７０２において、救急需要予測装置１は、要請発生数予測部５２５の制御の下、各種予測用データと、予測モデル記憶部３２に記憶された統合予測モデルとを用いて、それぞれの個別の予測モデルで救急要請の発生数を推定する。平常時の予測モデルであれば、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度と、任意の日時と、を平常時の予測モデルで関連付けることで、救急要請の発生数を推定する。突発事象の予測モデルであれば、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度と、任意の日時と、を突発事象の予測モデルで関連付けることで、救急要請の発生数の増減を推定する。これにより、それぞれにおいて、所定の単位領域と所定の単位時間ごとに求められた傷病群ごとの発生頻度が求まる。

ステップＳ７０３において、救急需要予測装置１は、要請発生数予測部５２５の制御の下、統合予測モデルを用いて、出力する救急要請の発生数を取得し、予測結果記憶部３３に保存する。出力する救急要請の発生数は、平常時の予測モデルで推定した発生数と、突発事象の予測モデルで推定した発生数と、任意の日時と、日時情報及び気象条件に基づき得られる重みと、に基づき取得する。日時情報及び気象条件には、各種予測用データの情報を適宜用いる。統合予測モデルのニューラルネットワークに、発生数の各々、日時情報、及び気象条件が入力されると、ニューラルネットワークの重みが求まり、ニューラルネットワークが重みに応じた傷病群ごとの救急要請の発生数を出力する。なお、重みは、日時情報を用いずに、気象条件のみに基づき求めてもよい。

（効果）
以上説明したように本実施形態の救急需要予測装置１によれば、特定期間の条件を加味して、救急要請の発生数を高精度かつ効率的に予測する技術を提供することができる。

本開示の技術によれば、春又は秋の増減が比較的穏やかな平常時の期間と、夏又は冬の救急数増大、すなわち突発事象の増加が見込まれる期間とのそれぞれについて、気象条件及び日時情報を適切に組み合わせて最適な予測モデルを学習する。このように、気象条件及び日時情報を適切に組み合わせて学習した予測モデルを用いることで高精度な救急搬送の発生数の予測が実現できる。これにより、一年にわたって精度の高い救急隊出動数の予測を得ることができる。特に、夏又は冬の急増を初日から予測することができ、救急隊リソースの枯渇による現場到着時刻の延伸を防ぐことが期待される。

その他、環境データ及び地域データの種類等についても、本開示の要旨を逸脱しない範囲で種々変形して実施可能である。

要するに本開示の技術は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の開示の技術を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１…救急需要予測装置、１０…入出力インタフェースユニット、２０…制御ユニット、２１…搬送データ取得部、２２…搬送データ前処理部、２３…傷病群学習部、２４…予測モデル学習部、２５…要請発生数予測部、２６…出力制御部、３０…記憶ユニット、３１…分類モデル記憶部、３２…予測モデル記憶部、３３…予測結果記憶部、２２１…環境データ取得部、２２２…環境データ前処理部、３２１…地域データ取得部、３２２…地域データ前処理部、４２１…地域性学習部、４３４…地域性記憶部、５２４…予測モデル学習部、５２５…要請発生数予測部、５４１Ｎ…個別モデル学習部、５４２…アンサンブル学習部。

Claims (5)

1. 記憶部に記憶されている指示を実行するプロセッサにより実行される情報処理方法であって、
   前記プロセッサは前記記憶部に記憶された指示を実行することにより、
   少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、
   前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類し、
   所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、
   前記救急要請の発生数を出力する、
   ことを含む処理をコンピュータが実行することを特徴とする情報処理方法。
2. さらに、所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、前記任意の日時と、を前記第一の手法とは異なる第二の手法で関連付けることで、時系列の推移とは異なる救急要請の発生数の増減を推定し、
   前記第一の手法で推定した発生数と、前記第二の手法で推定した前記発生数の増減と、前記任意の日時と、少なくとも前記位置情報に対応する気象条件に基づき得られる重みと、に基づき、出力する救急要請の発生数を取得する請求項１記載の情報処理方法。
3. 前記気象条件は、気候における降雪又は降雨を条件として含み、
   前記重みは、前記気候が降雪又は降雨であるほど前記第二の手法で推定した発生数の重みが大きくなるよう前記出力する救急要請の発生数を取得する請求項２記載の情報処理方法。
4. 記憶部に記憶された指示であって、プロセッサにより実行される指示を記憶した記憶媒体であって、
   前記プロセッサは前記記憶部に記憶された指示を実行することにより、
   少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、
   前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類する、
   所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、
   前記救急要請の発生数を出力する、
   ことをコンピュータに実行させる指示を記憶した記憶媒体。
5. 記憶部に記憶されている指示を実行するプロセッサにより各処理部の処理を実行する情報処理装置であって、
   前記プロセッサは前記記憶部に記憶された指示を実行することにより、
   少なくとも、傷病者の属性である傷病者属性と、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報と、を取得し、
   前記傷病者属性と、前記位置情報と、前記日時情報と、を関連付けることで得られる前記傷病情報の傷病の発生しやすさに基づき傷病群に前記傷病を分類する前処理部と、
   所定の単位領域と所定の単位時間ごとに求められた前記傷病群ごとの発生頻度と、任意の日時と、を第一の手法で関連付けることで救急要請の発生数を推定し、
   前記救急要請の発生数を出力する予測部と、
   を含む情報処理装置。