JP7453076B2 - 生成装置、生成方法、および生成プログラム - Google Patents

Description

本発明は、データを生成する生成装置、生成方法、および生成プログラムに関する。

時系列データ解析の目的は、時点ごとに特徴量セットの値が記された時系列データから、各時点各特徴量の間の関係性を見出してモデル化し、そのモデルを用いて未来予測を行い、さらに、モデルを解析することによって各時点各特徴量の間の関係性を理解することにある。

時系列データ解析の用途は、時系列な医療データから人々の未来の健康状態を予測する、時系列な市場データから金融商品の未来の市場価値を予測する、または、時系列な生化学データから細胞の状態がどう変化するか予測するなど多岐にわたる。

たとえば、時系列な医療データから将来患者が回復するか否かを予測するモデルを作成する場合、予測モデルを作成して未来予測を行うだけでなく、患者が回復するに至るシナリオを明らかにし、シナリオを視覚化した過程グラフを生成することが求められる。

シナリオとは、複数の特徴量がどのような順番で、どのように相互に作用して患者の回復するまたは回復しないに寄与するのか、そのとき各特徴量がどの時点にどのような値の場合に患者の回復を左右するのかを示す過程である。

下記特許文献１は、イベントストリームデータから決定グラフを生成する方法を開示する。この方法において、イベントストリームデータは複数のイベントを含み、各イベントは関連するタイムスタンプを含み、グラフの決定ノードを生成することを含み、決定ノードはそれぞれ、時間的要素を有する設問を含む。また、この方法は、それぞれレートパラメータを含むグラフのリーフノードを生成し、結果として生じるノードの結果の純度の測定値を最大化するためにグラフのノードを繰り返し分割およびマージする。

下記特許文献２は、時系列データより得られたモデルから未来予測に至る過程グラフを生成する手法として、各時刻における特徴量間の関係性と、その時間発展をグラフ化する手法を開示する。

米国特許公開２０１３－６９１５号公報 中国特許公開１１００５９１３１号公報

特許文献１の手法では、有限個のノードからなる決定グラフでシナリオを表現するため、分岐の数を有限個に制限する必要がある。そのためには、各ノードに設定された設問において、特徴量になんらかの閾値を設定して離散化することが要請される。離散化にはなんらかの仮定を導入する必要がある。また、離散化によって元々は連続値として保持されていたデータの情報を簡略化してしまう。したがって、可能であれば連続値のままで特徴量を扱うことが望ましい。

特許文献２の手法によるグラフは、各時刻の特徴量間の関係性がどのように時間変化していくかでシナリオを表現するが、異なる時刻の間で各特徴量がどのように関連するかを直接表現しない。たとえば、当初は小さい影響度しかないが、プロセスを辿ると、大きな悪循環サイクルの入り口だったりするような因子を見逃してしまう可能性がある。また、このグラフは、特徴量がどのような値で未来予測を左右するかについての情報を表現していない。

本発明は上記に鑑みてなされたものであって、異なる時点の因子間の関係を連続的な特徴量を用いて提示することを目的とする。

本願において開示される発明の一側面となる生成装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置であって、前記プロセッサは、時系列に存在する複数の異なる因子の特徴量を含む時系列データに基づいて、前記因子ごとの特徴量の連続的な範囲である特徴量範囲を規定する特徴量範囲視覚化要素を生成し、前記複数の異なる因子のうち時間的に連続する第１因子の第１特徴量と第２因子の第２特徴量との関連性を規定する特徴量間視覚化要素を生成する視覚化要素生成処理と、前記視覚化要素生成処理によって生成された因子ごとの前記特徴量範囲視覚化要素のうち前記第１因子の第１特徴量範囲視覚化要素と前記第２因子の第２特徴量範囲視覚化要素との間に、前記特徴量間視覚化要素を関連付けることにより、前記複数の異なる因子に関する前記特徴量の関係性を示す視覚化情報を生成する視覚化情報生成処理と、を実行することを特徴とする。

本発明の代表的な実施の形態によれば、異なる時点の因子間の関係を連続的な特徴量を用いて提示することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

図１は、実施例１にかかる、異なる時点の因子間の関係性を表すシナリオを図形化した過程グラフである。 図２は、実施例１にかかる、シナリオでの因子の特徴量の関係性を表す線グラフである。 図３は、生成システムのシステム構成例を示すブロック図である。 図４は、生成装置に入力される時系列データの一例を示す説明図である。 図５は、生成装置によって生成される関連度テーブルの一例を示す説明図である。 図６は、生成装置によって生成される接続タイプテーブル群の一例を示す説明図である。 図７は、生成装置の詳細な機能的構成例を示すブロック図である。 図８は、生成装置によるグラフ生成処理手順例を示すフローチャートである。 図９は、実施例１にかかるニューラルネットワークの構造例を示す説明図である。 図１０は、線グラフの他の例を示す説明図である。 図１１は、過程グラフの短縮例を示す説明図である。

実施例１では、ある地方自治体の高齢者において、２０１８年度の保健サービスデータを用いて、２０１９年度に要介護化するか否かを予測する予測モデルを作成し、その予測モデルから予測に至る過程グラフを生成する生成装置を例として説明する。生成装置が出力するグラフは、どのようなシナリオを通じて高齢者が要介護化するまたはしないのかを自治体が把握することを可能とし、要介護化を防ぐ手立てを講じるための大きな手掛かりとなる。このことは、自治体の保健サービスの質の向上や、国の医療・保健費の削減、国民の健康増進につながる。

＜過程グラフ＞
図１は、実施例１にかかる、異なる時点の因子間の関係性を表すシナリオを図形化した過程グラフである。過程グラフ１００は、生成装置により生成される視覚化情報の一つであり、１以上のシナリオ（図１では例として、４本のシナリオＳＣ１～ＳＣ４。シナリオＳＣ１～ＳＣ４，…を区別しない場合は、単にシナリオＳＣと表記）と、シナリオＳＣに従った場合の正解ラベルＣと、を含む。因子Ｆ（Ｆ１～Ｆ１１，…の総称）とは、被験者に生じる結果（正解ラベルＣ）を引き起こす要素である。

シナリオＳＣは、時点が異なる複数の因子Ｆを示す矩形の図形の間を、関連度を示す黒線のリンクＬ（Ｌ１２、Ｌ２３、…の総称）で接続した図形データとして表現される。このような図形データを因子視覚化要素と称す。視覚化要素とは、画面に描画されることでユーザが視認可能な図形データや描画した領域の色である。因子Ｆを示す矩形の図形データは図１の左端（最古）から右端（最新）に向かって時系列に配列される。リンクＬは、その太さにより両端の因子Ｆの関連度の大きさを示す。すなわち、リンクＬの太さは、その関連度の値が高いほど太くなる。このような関連度の大きさを示すリンクＬを関連度視覚化要素と称す。

たとえば、シナリオＳＣ１は、因子Ｆ１（筋力低下）～Ｆ３（低栄養）が時系列順に配列されている図形データである。リンクＬ１２は、因子Ｆ１と因子Ｆ２（外出頻度低下）とを接続し、その関連度は０．４である。リンクＬ２３は、因子Ｆ２と因子Ｆ３とを接続し、その関連度は０．７である。

同様に、シナリオＳＣ２は、因子Ｆ４（転倒経験）～Ｆ６（歩行速度低下）が時系列順に配列されている図形データである。リンクＬ４５は、因子Ｆ４と因子Ｆ５（転倒不安＜欠損＞）とを接続し、その関連度は０．４である。リンクＬ５６は、因子Ｆ５と因子Ｆ６とを接続し、その関連度は０．９である。

同様に、シナリオＳＣ３は、因子Ｆ７（残存歯数減少）～Ｆ９（嚥下力低下）が時系列順に配列されている図形データである。リンクＬ７８は、因子Ｆ７と因子Ｆ８（咀嚼力低下）とを接続し、その関連度は０．５である。リンクＬ８９は、因子Ｆ８と因子Ｆ９とを接続し、その関連度は０．６である。

同様に、シナリオＳＣ４は、因子Ｆ１０（抑うつ状態）、Ｆ２、Ｆ１１（会話量低下）が時系列順に配列されている図形データである。リンクＬ１０２は、因子Ｆ１０と因子Ｆ２とを接続し、その関連度は０．３である。リンクＬ２１１は、因子Ｆ２と因子Ｆ１１とを接続し、その関連度は０．３である。なお、図１では、リンクＬの太さで関連度の大きさを表現したが、太さではなくリンクＬの色（たとえば、色の濃淡）で関連度の大きさを表現してもよい。

正解ラベルＣは、シナリオＳＣをたどった場合に該当する結果を示す。図１では、例として「要支援１」とする。要支援状態とは、たとえば、介護保険法第７条第２項によれば、身体上若しくは精神上の障害があるために入浴、排せつ、食事等の日常生活における基本的な動作の全部若しくは一部について厚生労働省令で定める期間にわたり継続して常時介護を要する状態の軽減若しくは悪化の防止に特に資する支援を要すると見込まれ、又は身体上若しくは精神上の障害があるために厚生労働省令で定める期間にわたり継続して日常生活を営むのに支障があると見込まれる状態をいう。

「要支援１」とは、要支援状態に該当し、かつ、日常生活上の基本的動作については、ほぼ自分で行うことが可能であるが、家事など生活する上で必要な活動に社会的支援が必要な状態である。なお、「要支援２」は、要支援状態に該当し、かつ、立ち上がりや歩行などの身体的な動作で不安で、要支援１よりも何らかの支援が必要な状態である。また、社会的支援がなくとも生活ができる状態を「自立」という。したがって、正解ラベルＣには、３種類の値が存在するが、ここでは、正解ラベルが「要支援１」になるシナリオＳＣ１～ＳＣ４を示している。

このような正解ラベルＣを示す図形データを、結果視覚化要素と称す。なお、生成装置は、所定のしきい値（たとえば、０．３）以下の関連度を示すリンクＬを削除または非表示にしてもよい。

＜線グラフ＞
図２は、実施例１にかかる、シナリオＳＣでの因子Ｆの特徴量の関係性を表す線グラフである。線グラフ２００は、過程グラフ１００の中から選ばれたいずれか１つのシナリオＳＣでの因子Ｆの特徴量の関係性を表する視覚化情報の一つである。図２では、例としてシナリオＳＣ１での因子Ｆの特徴量の関係性を表す線グラフ２００を示す。

線グラフ２００は、シナリオＳＣ１の因子Ｆ１～Ｆ３および正解ラベルＣに関する特徴量の範囲（値域）を示す時点ｔ１～ｔ４（ｔ１＜ｔ２＜ｔ３＜ｔ４）における縦軸Ａ１～Ｖ３，ＶＣ（縦軸Ａ１～Ａ３，ＡＣを区別しない場合は単に縦軸Ａと表記）を、因子Ｆ１（筋力低下）～Ｆ３（低栄養）の時系列順（縦軸ＡＣは右端）に配列した線グラフ２００である。

縦軸Ａ１は、時点ｔ１（＝２０１８年４月）での因子Ｆ１（筋力低下）に関する特徴量である「筋力低下度」の範囲を示す軸である。縦軸Ａ２は、時点ｔ２（＝２０１８年７月）での因子Ｆ２（外出頻度低下）に関する特徴量である「外出頻度スコア」の範囲を示す軸である。縦軸Ａ３は、時点ｔ３（＝２０１８年１０月）での因子Ｆ３（低栄養）に関する特徴量である「栄養スコア」の範囲を示す軸である。縦軸ＡＣは、時点ｔ４（＝２０１９年４月）での正解ラベルである要支援１となる確率の範囲を示す軸である。

なお、縦軸Ａ１～Ａ３のように、因子Ｆごとの特徴量の連続的な範囲（値域）である特徴量範囲を規定する数値軸を、特徴量範囲視覚化要素と称す。また、縦軸ＡＣのように、予測値（要支援１となる確率）の連続的な範囲（値域）である予測値範囲を規定する数値軸を、予測値範囲視覚化要素と称す。連続的な範囲とは、特徴量の最下位桁の値が連続する範囲（値域）である。

隣接する縦軸Ａ間には、線分が表示されている。線分は直線でも曲線でもよい。各線分は、隣接する一方の因子Ｆ（ここでは、Ｆａとする）の縦軸Ａ（ここでは、Ａａとする）と、一方の因子Ｆａに後続する他方の因子Ｆ（ここでは、Ｆｂとする）の縦軸Ａ（ここでは、Ａｂとする）と、を結ぶ。線分の両端の一方は、縦軸Ａａの因子Ｆａの特徴量を示し、他方は、縦軸Ａｂの因子Ｆｂの特徴量を示す。たとえば、線分２０１は、ある被験者の時点ｔ１での筋力低下度０．７８と時点ｔ２での外出頻度スコア「ｍｉｄｄｌｅ」とを示す。線分２０２は、ある被験者の時点ｔ２での外出頻度スコア「ｌｏｗ」と時点ｔ３での栄養スコア「１００」とを示す。線分２０３は、ある被験者の時点ｔ３での栄養スコア「３００」と時点ｔ４での要支援１となる確率「０．１」とを示す。

なお、線分２０１，２０２のように、時間的に連続する因子Ｆａの特徴量と因子Ｆｂの特徴量との関連性を規定する線分を、特徴量間視覚化要素と称す。また、線分２０３のように、因子Ｆｂよりも後に出現する因子Ｆｃ（たとえば、因子Ｆ３）の特徴量と要支援１となる確率との関連性を規定する線分を、特徴量予測値間視覚化要素と称す。

＜ システム構成例＞
図３は、生成システムのシステム構成例を示すブロック図である。図３では、サーバ－クライアント型の生成システム３を例に挙げて説明するが、スタンドアロン型でもよい。（Ａ）は、生成システム３のハードウェア構成例を示すブロック図であり、（Ｂ）は、生成システム３の機能的構成例を示すブロック図である。（Ａ）および（Ｂ）において同一構成には同一符号を付す。

生成システム３は、クライアント端末３００とサーバである生成装置３２０とがネットワーク３１０で通信可能に接続される構成である。

（Ａ）において、クライアント端末３００は、補助記憶装置であるＨＤＤ（ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ）３０１、主記憶装置であるメモリ３０２、プロセッサ３０３、キーボードやマウスである入力装置３０４、モニタ３２５を有する。生成装置３２０は、補助記憶装置であるＨＤＤ３２１、主記憶装置であるメモリ３２２、プロセッサ３２３、キーボードやマウスである入力装置３２４、モニタ３２５を有する。なお、主記憶装置、補助記憶装置、および、図示しない可搬型の記憶媒体を総称して、記憶デバイスと称す。記憶デバイスは、図９で後述するニューラルネットワーク９００およびこれらの学習パラメータ３６５を記憶する。

（Ｂ）において、クライアント端末３００は、クライアントデータベース（ＤＢ）３５１を有する。クライアントＤＢ３５１は、ＨＤＤ３０１やメモリ３０２などの記憶デバイスとして実現される。クライアントＤＢ３５１には、テストデータ集合３５２と、予測結果３５３と、が格納される。テストデータ集合３５２は、テストデータの集合である。予測結果３５３は、予測部３６２からネットワーク３１０経由で得られたデータである。なお、サーバ－クライアント型の場合、クライアント端末３００は１台以上存在する。

生成装置３２０は、学習部３６１と、予測部３６２と、サーバデータベース（ＤＢ）３６３と、を有する。学習部３６１は、ニューラルネットワーク９００を用いて、学習パラメータ３６５を出力する機能部である。

予測部３６２は、学習パラメータ３６５を用いて、ニューラルネットワーク９００を構築し、ニューラルネットワーク９００にテストデータが与えられることで、予測処理を実行し、予測結果３５３をクライアント端末３００に出力する機能部である。学習部３６１および予測部３６２は、ＨＤＤ３２１、メモリ３２２などの記憶デバイスに記憶されたプログラムをプロセッサ３２３に実行させることによりその機能を実現する。

サーバＤＢ３６３は、訓練データ集合３６４と、学習パラメータ３６５と、を格納する。サーバＤＢ３６３は、ＨＤＤ３２１やメモリ３２２などの記憶デバイスとして実現される。なお、生成装置３２０は複数台で構成されてもよい。たとえば、負荷分散のため、生成装置３２０が複数存在してもよい。また、生成装置３２０は、機能ごとに複数台で構成されてもよい。

＜時系列データ＞
図４は、生成装置３２０に入力される時系列データの一例を示す説明図である。時系列データ４００は、訓練データ集合３６４またはテストデータ集合３５２として、記憶デバイスに格納されている。時系列データ４００は、フィールドとして、たとえば、ＩＤ４０１と、正解ラベル４０２と、因子群４０３と、時点４０４と、を含む。同一行の各フィールドの値の組み合わせであるエントリをサンプルと称す。

ＩＤ４０１は、被験者を一意に特定する識別情報である。ＩＤ４０１の値が同じであれば、同一被験者である。ＩＤ４０１の値が同じでもエントリ（行）が異なれば、同一被験者の異なるサンプルとなる。

正解ラベル４０２は、多値のいずれかの値であり、サンプルの正解を示す。たとえば、ＩＤ４０１が要支援状態か否かの対象となる被験者集団の場合、各サンプルにおける正解ラベル４０２の値である正解ラベルＣ＝０が「自立」、Ｃ＝１が「要支援１」、Ｃ＝２が「要支援２」を示す。

因子群４０３は、２以上の因子Ｆ１，Ｆ２，Ｆ３，…，Ｆｘ（ｘは１以上の整数）の集合である。各サンプルの因子Ｆ１，Ｆ２，Ｆ３，…，Ｆｘの値は、その因子Ｆ１，Ｆ２，Ｆ３，…，Ｆｘの特徴量を示す。

時点４０４は、そのサンプルが得られた時間軸上の一点または時間間隔を示す。時点４０４の単位は、年、月、週、日、時、分、秒のいずれでもよい。図４では、例として、「２０１８／１０」のように、月単位（日以下は省略）とした。図４の時系列データ４００は、ＩＤ４０１の値が１～Ｎ（Ｎは１以上の整数）の被験者集団について、時点４０４が「２０１８／４」、「２０１８／７」、「２０１８／１０」の３回にわたって検査した結果を示す。

＜関連度テーブル＞
図５は、生成装置３２０によって生成される関連度テーブルの一例を示す説明図である。関連度テーブル５００は、時系列データ４００が生成装置３２０に入力されることにより生成される中間データであり、異なる時点４０４での同一または異なる因子Ｆ間の関連度を示す。関連度テーブル５００は、記憶デバイスに格納される。

関連度テーブル５００は、フィールドとして、たとえば、第１因子５０１と、第１時点５０２と、第２因子５０３と、第２時点５０４と、関連度５０５と、を含む。同一行の各フィールドの値の組み合わせであるエントリは、たとえば、図１に示したリンクＬおよびリンクＬの両端の因子Ｆに対応する。

第１因子５０１は、因子群４０３内の因子Ｆである。第１時点５０２は、第１因子５０１の特徴量が取得された時点４０４である。第２因子５０３は、因子群４０３内の因子Ｆである。第２因子５０３は、第１因子５０１と同一因子Ｆでもよく異なる因子Ｆでもよい。

第２時点５０４は、第２因子５０３の特徴量が取得された時点４０４である。第２時点５０４は、第１時点５０２と異なる時点４０４である。第１因子５０１および第２因子５０３の組み合わせは、生成装置３２０によって、たとえば、総当たりで選択される。

関連度５０５は、第１因子５０１と第２因子５０３との関連性の高さ（共起の強さ）を示す指標値である。本例では、関連度５０５の値が大きいほど関連性が高いことを示し、リンクＬが太くなる。関連度５０５は、生成装置３２０によって算出される。

＜接続タイプテーブル＞
図６は、生成装置３２０によって生成される接続タイプテーブル群の一例を示す説明図である。接続タイプテーブル群６００は、複数の接続タイプテーブル６０１－１，６０１－２、６０１－３、…（これらを区別しない場合は、単に接続タイプテーブル６０１と表記）の集合である。

接続タイプテーブル６０１は、接続タイプを格納するテーブルである。接続タイプテーブル６０１は、ＩＤ４０１と、接続タイプ６１０と、を格納する。接続タイプ６１０とは、ＩＤ４０１ごとの、上述した因子Ｆａの特徴量（以下、第１特徴量）６１１と、上述した因子Ｆｂの特徴量（以下、第２特徴量）６１２と、の組み合わせである。

接続タイプテーブルごとに、因子Ｆａと因子Ｆｂとの組み合わせは異なる。接続タイプ６１０は、図２に示した縦軸Ａ間の線分に対応する。接続タイプテーブル６０１は、生成装置３２０によって、時系列データ４００から生成される。

＜生成装置３２０の詳細な機能的構成例＞
図７は、生成装置３２０の詳細な機能的構成例を示すブロック図である。生成装置３２０は、解析部７０１と、構造データ生成部７０２と、視覚化要素生成部７０３と、グラフ生成部７０４と、を有する。解析部７０１、構造データ生成部７０２、視覚化要素生成部７０３、およびグラフ生成部７０４は、具体的には、たとえば、図３に示したメモリ３２２のような記憶デバイスに記憶された生成プログラムをプロセッサ３２３に実行させることにより実現される。

解析部７０１は、時系列データ４００内の因子の関連性を解析する。具体的には、たとえば、解析部７０１は、時系列データ４００から、関連度テーブル５００と、接続タイプテーブル群６００と、を生成する。解析部７０１は、図３に示した学習部３６１と予測部３６２とを含む。

具体的には、たとえば、解析部７０１は、学習部３６１により、訓練データ集合３６４である時系列データ４００を入力して予測モデルを生成する。また、解析部７０１は、予測部３６２により、訓練データ集合３６４である時系列データ４００を予測モデルに入力して予測結果を出力するとともに、関連度テーブル５００と、接続タイプテーブル群６００と、を生成する。

構造データ生成部７０２は、解析部７０１の解析結果から構造データを生成する。具体的には、たとえば、構造データ生成部７０２は、関連度テーブル５００のサンプル群を第１構造データに変換し、接続タイプテーブル群６００に含まれる複数の接続タイプを第２構造データに変換する。第１構造データおよび第２構造データの詳細については後述する。

視覚化要素生成部７０３は、構造データ生成部７０２によって変換された第１構造データから、図１に示した過程グラフ１００を構成する過程グラフ視覚化要素を生成し、構造データ生成部７０２によって変換された第２構造データから、図２に示した線グラフ２００を構成する線グラフ視覚化要素を生成する。

過程グラフ視覚化要素は、過程グラフ１００における時点ｔ１～ｔ３ごとの各因子Ｆの図形データ（因子Ｆの取得時点および名称含む）と、因子Ｆの図形データ間のリンクＬ（関連度含む）と、正解ラベルＣ（要支援１）の図形データ（正解ラベルの名称「要支援１」含む）と、を含む。

線グラフ視覚化要素は、線グラフ２００における縦軸Ａ（縦軸Ａの目盛、因子Ｆの特徴量の名称、特徴量の取得時点ｔを含む）と、縦軸Ａ間の線分２０１，２０２，２０３，…と、を含む。

グラフ生成部７０４は、視覚化要素生成部７０３によって生成された過程グラフ視覚化要素を用いて過程グラフ１００を生成し、視覚化要素生成部７０３によって生成された線グラフ視覚化要素を用いて線グラフ２００をシナリオＳＣごとに生成し、それぞれ記憶デバイスに格納する。グラフ生成部７０４は、過程グラフ１００内のシナリオＳＣと線グラフ２００とを関連付ける。

これにより、ユーザは、入力装置３０４，３２４を操作して、過程グラフ１００からあるシナリオＳＣを選択すると、生成装置３２０は、選択したシナリオＳＣに関連付けられた線グラフ２００を記憶デバイスから読み出して、モニタ３２５に表示したり、ネットワーク３１０を介してクライアント端末３００に表示可能に送信したりする。

これにより、生成装置３２０は、時系列データ４００の分析において、予測される未来に至るシナリオＳＣを表す過程グラフ１００および線グラフ２００を、その因子Ｆの特徴量の値を連続値として取り扱ったまま生成することができる。

＜グラフ生成処理手順＞
図８は、生成装置３２０によるグラフ生成処理手順例を示すフローチャートである。生成装置３２０は、記憶デバイスから訓練データ集合３６４としての時系列データ４００を読み込む（ステップＳ８０１）。時系列データ４００は、因子Ｆの特徴量を示す時系列な特徴量ベクトルｘ_{（ｎ）（ｔ）}と、予測すべき未来の値である正解ラベルＣを記述する目的変数Ｙ_（ｎ）と、の組み合わせ｛ｘ_{（ｎ）（ｔ）}，ｙ_（ｎ）｝によりサンプルを構成するデータである。

ｎ＝｛１，…，Ｎ｝は被験者を指定するためのインデックスであり、たとえば、Ｎ＝３０，０００とする。また、ｔ＝｛１，…，Ｔ｝は時点を表すインデックスである。たとえば、Ｔ＝３とし、各時点ｔ＝１（図１、図２のｔ１），２（図１、図２のｔ２），３（図１、図２のｔ３）はそれぞれ、２０１８年４月、２０１８年７月、２０１９年１０月を示す。

特徴量ベクトルｘ_{（ｎ）（ｔ）}∈Ｒ^ＤはＤ（≧１）次元の実数値ベクトルであり、たとえば、被験者ｎの筋力や栄養状態などの身体情報、服薬や病歴などの医療情報、外出頻度や会話量などの情報を含む。

目的変数Ｙ_（ｎ）は、正解ラベルＣ＝０，１，２のいずれかのクラス値をとる。ここでは、時点ｔ１＝２０１８年４月時点で要介護認定を受けていない被験者集団において、Ｙ_（ｎ）＝０は、時点ｔ４＝２０１８年４月時点で要介護度「要支援１」および「要支援２」のいずれにも認定されていない被験者ｎを意味し、Ｙ_（ｎ）＝１は、時点ｔ４で要介護度「要支援１」に認定された被験者ｎを意味し、Ｙ_（ｎ）＝２は、時点ｔ４で要介護度「要支援２」に認定された被験者ｎを意味する。すなわち、時点ｔ１から時点ｔ４までの１年間で被験者ｎの要介護度がどのように変化したかを示す。

つぎに、生成装置３２０は、解析部７０１により、関連度と接続タイプとを算出する（ステップＳ８０２）。具体的には、たとえば、解析部７０１は、特徴量ベクトルｘ_{（ｎ）（ｔ）}を用いて、以下に示すディープラーニングによる予測モデルを生成し、生成した予測モデルにテストデータ集合３５２としての特徴量ベクトルｘ_{（ｎ）（ｔ）}を入力することにより、目的変数Ｙ_（ｎ）＝１（要支援１）となる確率ｐ_（ｎ）を出力する。

この予測モデルは、本来ブラックボックスであるディープラーニングモデルにおいて、ホワイトボックス性を高めた予測モデルである。ここで、解析部７０１（学習部３６１および予測部３６２）が用いるニューラルネットワークの構造例および予測モデルの生成例について説明する。

［ニューラルネットワークの構造例］
図９は、実施例１にかかるニューラルネットワークの構造例を示す説明図である。以下では、説明の単純化するため、サンプルを指定するインデックス（ｎ）を省略する場合がある。ニューラルネットワーク９００は、時系列データ向けニューロン群９０２と、トランスフォームユニット群９０３と、リアロケーションユニット９０４と、ディシジョンユニット９０５と、インポータンスユニット９０６と、を有する。また、入力データとなる特徴量ベクトルｘ_（１）～ｘ_（Ｔ）の集合を入力ユニット９０１として図示した。

時系列データ向けニューロン群９０２は、Ｔ個の時系列データ向けニューロン９０２（１）～９０２（Ｔ）の集合である。学習部３６１による学習時では、時系列データ向けニューロン９０２（ｔ）は、訓練データ集合３６４としての特徴量ベクトルｘ_（ｔ）の入力を受け付ける。そして、時系列データ向けニューロン９０２（ｔ）は、下記式（１）に示すように、特徴量ベクトルｘ_（ｔ）と内部状態パラメータｃ_{（ｔ－１）}とに基づいて、内部ベクトルｈ_（ｔ）および内部状態パラメータｃ_（ｔ）を算出する。

右辺のＲＮＮ関数は、特徴量ベクトルｘ_（ｔ）とともに、取得時点（ｔ－１）以前の時系列データ向けニューロン９０２（ｔ－１）に入力された特徴量ベクトルｘ_（０）～ｘ_{（ｔ－１）}から集約された特徴量を再帰的に入力して、内部ベクトルｈ_（ｔ）および内部状態パラメータｃ_（ｔ）を算出する関数である。ＲＮＮ関数は、重みとなる学習パラメータＲＷｓを保持する。

学習パラメータＲＷｓは、取得時点ｔ毎の時系列データ向けニューロン９０２（ｔ）に存在する学習パラメータＲＷの集合である。学習部３６１による学習時において、学習パラメータＲＷｓの初期値はランダムに決定される。学習パラメータＲＷｓは、学習部３６１による学習時において、特徴量ベクトルｘ_（ｔ）が時系列データ向けニューロン９０２（ｔ）に入力される都度更新される。学習パラメータＲＷｓは、後述する下記式（６）で最適化される。

内部ベクトルｈ_（ｔ）∈Ｒ^Ｄ´（Ｒ^Ｄ´はＤ´次元の実数。Ｄ´は１以上の整数。）は、特徴量ベクトルｘ_（ｔ）で特定される情報に、取得時点ｔよりも１取得時点前の取得時点（ｔ－１）における内部状態パラメータｃ_{（ｔ－１）}∈Ｒ^Ｄ´´（Ｒ^Ｄ´´はＤ´´次元の実数。Ｄ´´は１以上の整数。）を反映した情報である。ただし、内部状態パラメータｃ_（０）は、ゼロや乱数で初期化された値である。内部ベクトルｈ_（ｔ）は、後段のトランスフォームユニット群９０３に出力される。

一方、内部状態パラメータｃ_（ｔ）は、次の取得時点（ｔ＋１）の時系列データ向けニューロン９０２（ｔ＋１）に出力される。ただし、時系列データ向けニューロン９０２（Ｔ）は、内部状態パラメータｃ_（Ｔ）を出力しない。内部状態パラメータｃ_（ｔ）は、取得時点ｔよりも１取得時点前の取得時点（ｔ－１）以前の特徴量ベクトルｘ_（１）～ｘ_{（ｔ－１）}までの因子Ｆの特徴量がＲＮＮ関数により集約されたパラメータ（ベクトル）である。内部状態パラメータｃ_（ｔ）は、暗号化されたキャッシュ情報のように人間には理解不能なベクトルである。

なお、時系列データ向けニューロン９０２（ｔ）におけるＲＮＮ関数の演算は、ＬＳＴＭ（ｌｏｎｇ ｓｈｏｒｔ‐ｔｅｒｍ ｍｅｍｏｒｙ）、ＧＲＵ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ）、ＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などの時系列データを扱うことのできる時系列ニューラルネットワークの演算を用いることができる。また、それらの時系列ニューラルネットワークを多層化して用いた構成をとることもできる。また、時系列データ向けニューロン９０２（ｔ）の種類と層数、および内部ベクトルｈ_（ｔ）の次元数Ｄ´は、ユーザ操作で自由に設定可能である。

また、予測部３６２による予測時においても、時系列データ向けニューロン９０２（ｔ）は、学習部３６１による学習時と同様に実行可能である。なお、以降において、予測部３６２による予測時に用いる各情報には、学習部３６１による学習時と区別するために、たとえば、特徴量ベクトルｘ´_（ｔ）のように、「´」を付す。ただし、テストデータである特徴量ベクトルｘ´_（ｔ）は、訓練データである特徴量ベクトルｘ_（ｔ）と同一の特徴量ベクトルでもよく、異なる特徴量ベクトルでもよい。予測部３６２による予測時では、時系列データ向けニューロン９０２（１）～９０２（Ｔ）はそれぞれ、テストデータ集合３５２としての特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ）の入力を受け付ける。

そして、時系列データ向けニューロン９０２（ｔ）は、特徴量ベクトルｘ´_（ｔ）と、内部状態パラメータｃ´_{（ｔ－１）}と、学習部３６１による学習時に得られた学習パラメータＲＷｓとを、ＲＮＮ関数に与えて、上記式（１）により、内部ベクトルｈ´_（ｔ）および内部状態パラメータｃ´_（ｔ）を算出する。内部ベクトルｈ´_（ｔ）は、後段のトランスフォームユニット群９０３に出力される。

トランスフォームユニット群９０３は、Ｔ個のトランスフォームユニット９０３（１）～９０３（Ｔ）の集合である。学習部３６１による学習時においては、トランスフォームユニット９０３（ｔ）は、下記式（２）により、内部ベクトルｈ_（ｔ）の入力を受け付けて、トランスフォームベクトルｖ_（ｔ）を算出する。トランスフォームベクトルｖ_（ｔ）は、後段のリアロケーションユニット９０４に出力される。

上記式（２）では、アインシュタインの縮約記法を用いた。たとえば、Ｚ^α＝Ｘ^α _β・Ｙ^βにおいて、Ｘはα行β列の行列であり、Ｙはβ行の行列であり、Ｚはα行１列の行列（ベクトル）であることを示す。以降、演算を説明する際の式では、アインシュタインの縮約記法を用いる。また、α、βを省略する場合もある。

Ｗ∈Ｒ^Ｄ×Ｄ´（Ｒ^Ｄ×Ｄ´はＤ×Ｄ´次元の実数。）は学習パラメータ３６５の一つであり、取得時点ｔ毎に存在する。学習部３６１による学習時において、学習パラメータＷの初期値はランダムに決定される。学習パラメータＷは、学習部３６１による学習時において、内部ベクトルｈ_（ｔ）がトランスフォームユニット９０３（ｔ）に入力される都度更新される。トランスフォームベクトルｖ_（ｔ）は、取得時点ｔの特徴量空間に存在する特徴量ベクトルｘ_（ｔ）の位置を、その目的変数Ｙの値を区別しやすい位置に変換するためのベクトルである。

また、予測部３６２による予測時においても、トランスフォームユニット９０３（ｔ）は、学習部３６１による学習時と同様に実行可能である。トランスフォームユニット９０３（１）～９０３（Ｔ）はそれぞれ、内部ベクトルｈ´_（１）～ｈ´_（Ｔ）の入力を受け付ける。そして、トランスフォームユニット９０３（ｔ）は、内部ベクトルｈ´_（ｔ）と、後述する下記式（９）で最適化された学習パラメータＷとを、上記式（５）に与えて、トランスフォームベクトルｖ´_（ｔ）を算出する。トランスフォームベクトルｖ´_（ｔ）は、後段のリアロケーションユニット９０４に出力される。

リアロケーションユニット９０４は、訓練データ集合３６４である特徴量ベクトル群（ｘ_{（１）（１）}～ｘ_{（Ｎ）（Ｔ）}）をその特徴量空間において再配置する。リアロケーションユニット９０４の演算を説明するために、２つの時系列ベクトルｕ_{（ｔ＝１,…,Ｔ）}とｖ_{（ｔ＝１,…,Ｔ）}との間のアダマール積の計算方法を下記式（３）により定義する。

学習部３６１による学習時においては、リアロケーションユニット９０４は、下記式（４）により、特徴量ベクトルｘ_（１）～ｘ_（Ｔ）とトランスフォームベクトルｖ_（１）～ｖ_（Ｔ）との入力を受け付けて、リアロケーションベクトルＲ∈Ｒ^Ｄを算出する。リアロケーションベクトルＲは、後段のディシジョンユニット９０５と、インポータンスユニット９０６と、に出力される。なお、右辺のｒ_（ｔ）は、取得時点ｔでのリアロケーションベクトルであり、トランスフォームベクトルｖ_（ｔ）と特徴量ベクトルｘ_（ｔ）とのアダマール積である。リアロケーションベクトルＲは、リアロケーションベクトルｒ_（１）～ｒ_（Ｔ）の平均値である。

また、予測部３６２による予測時においても、リアロケーションユニット９０４は、学習部３６１による学習時と同様に実行可能である。予測部３６２による予測時では、リアロケーションユニット９０４は、特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ）とトランスフォームベクトルｖ´_（ｔ）～ｖ´_（ｔ）との入力を受け付ける。そして、リアロケーションユニット９０４は、特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ）とトランスフォームベクトルｖ´_（ｔ）～ｖ´_（ｔ）とを、上記式（４）に与えて、リアロケーションベクトルＲ´∈Ｒ^Ｄを算出する。リアロケーションベクトルＲ´は、後段のディシジョンユニット９０５と、インポータンスユニット９０６と、に出力される。

ディシジョンユニット９０５は、学習部３６１による学習時においては、下記式（５）により、目的変数Ｙ_（ｎ）に対応する予測値ｙ_（ｎ）を算出する。

上記式（５）において、σはシグモイド関数、ｗ∈Ｒ^Ｄは学習パラメータ、予測値ｙ_（ｎ）は、要支援１になる目的変数Ｙ_（ｎ）の確率値である。学習部３６１による学習時において、学習パラメータｗの初期値はランダムに決定される。学習パラメータｗは、学習部３６１による学習時において、リアロケーションベクトルＲがリアロケーションユニット９０４に入力される都度更新される。なお、本実施例の自立、要支援１、要支援２のように、３以上のクラスの識別タスクを解く場合には、シグモイド関数σの代わりにｓｏｆｔｍａｘ関数が適用される。

また、学習部３６１は、統計的勾配法を用いて、目的変数Ｙ_（ｎ）と予測値ｙ_（ｎ）とを、下記式（６）に与え、そのクロスエントロピーが最小化するように、学習パラメータ３６５である｛ＲＷｓ，Ｗ，ｗ｝を計算する。これにより、｛ＲＷｓ，Ｗ，ｗ｝が最適化される。学習部３６１は、最適化された｛ＲＷｓ，Ｗ，ｗ｝をサーバＤＢ３６３に格納する。最適化された｛ＲＷｓ，Ｗ，ｗ｝をニューラルネットワーク９００に適用すると予測モデルとなる。

インポータンスユニット９０６は、予測部３６２による予測時において、重要度ベクトルξを算出する。インポータンスユニット９０６の演算を説明するために、ベクトルｗと時系列ベクトルｕ_{（ｔ＝１,…,Ｔ）}との間のアダマール積の計算方法を下記式（７）により定義する。

インポータンスユニット９０６は、最適化された学習パラメータｗとトランスフォームベクトルｖ´_（ｔ）の入力を受け付けて、上記式（７）を反映した下記式（８）により、特徴量ベクトルｘ´の重要度ベクトルξ_（ｔ）（ｘ´）を算出する。重要度ベクトルξ_（ｔ）（ｘ´）の各要素が、ある取得時点ｔにおいて、テストデータ集合３５２（特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ））内のｎ番の被験者における要支援１の予測に寄与した重要度を表す。予測部３６２は、重要度ベクトルξ_（ｔ）（ｘ´）を予測結果３５３としてクライアントＤＢ３５１に保存する。予測部３６２は、下記式（８）により、取得時点ｔごとにロジスティックリグレッションを実行する。

上記式（８）において、トランスフォームベクトルｖ´_（ｔ）は、上記式（２）のように、最適化された学習パラメータＷと内部ベクトルｈ´_（ｔ）との内積により算出される。内部ベクトルｈ´_（ｔ）は、上記式（１）のように、最適化された学習パラメータＲＷｓが適用されたＲＮＮ関数に、特徴量ベクトルｘ´_（ｔ）と１取得時点前の内部状態パラメータｃ_{（ｔ－１）}とを与えることにより得られる。

すなわち、ＲＮＮ関数は、特徴量ベクトルｘ´_（ｔ）とともに、取得時点（ｔ－１）以前の時系列データ向けニューロン９０２（ｔ－１）に入力された特徴量ベクトルｘ´_（０）～ｘ´_{（ｔ－１）}から集約された特徴量を再帰的に入力して、内部ベクトルｈ´_（ｔ）および内部状態パラメータｃ´_（ｔ）を算出する。

ディシジョンユニット９０５は、予測部３６２による予測時において、上記式（８）で求めた重要度ベクトルξ_（ｔ）（ｘ´）を用いて、下記式（９）により、特徴量ベクトルｘ´についての未知の予測値ｙ´_（ｎ）を算出する。

上記式（９）には、最適化された学習パラメータｗとトランスフォームベクトルｖ´_（ｔ）とのアダマール積により算出された重要度ベクトルξ_（ｔ）（ｘ´）が用いられている。したがって、ディシジョンユニット９０５は、上記式（９）に、テストデータ集合３５２である特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ）を与えることにより、最適化された学習パラメータ３６５｛ＲＷｓ，Ｗ，ｗ｝が反映されたニューラルネットワーク９００により、特徴量ベクトルｘ´_（１）～ｘ´_（Ｔ）についての未知の予測値ｙ´_（ｎ）を算出する。

上記式（９）において、重要度ベクトルξ_（ｔ）（ｘ´_（ｎ））は、特徴量ベクトルｘ´_{（ｎ）（ｔ）}を識別する局所平面のパラメータに対応する。解析部７０１は、たとえば、予測値ｙ´_（ｎ）を、重要度ベクトルξ_（ｔ）（ｘ´_（ｎ））と関連付けて、予測結果３５３としてクライアントＤＢ３５１に保存する。

解析部７０１は、下記式（１０）または下記式（１１）により、特徴量ベクトル群をその特徴量空間において再配置したリアロケーションベクトルｒを用いて、第１時点５０２（時点ｔ）における第１因子５０１の特徴量ベクトルｘ_１´_（ｔ）と第２時点５０４（時点ｔ´）における第２因子５０３の特徴量ベクトルｘ_２´_（ｔ´）との間の関連度の大きさΓ（ｘ_１´_（ｔ），ｘ_２´_（ｔ´））を算出する。

上記式（１０），（１１）の右辺は、カッコ内のデータ列の標本相関係数を表す。右辺のリアロケーションベクトルｒ_{１，（ｔ）}は、第１時点５０２（時点ｔ）における第１因子５０１の特徴量ベクトルｘ_１´_（ｔ）に対応し、リアロケーションベクトルｒ_{２，（ｔ´）}は、第２時点５０４（時点ｔ´）における第２因子５０３の特徴量ベクトルｘ_２´_（ｔ´）に対応する。

つぎに、解析部７０１による接続タイプの設定について説明する。接続タイプは、テストデータ集合３５２としての時系列データ４００における、第１時点５０２（時点ｔ）における第１因子５０１の特徴量ベクトルｘ_１´_（ｔ）と、第２時点５０４（時点ｔ´）における第２因子５０３の特徴量ベクトルｘ_２´_（ｔ´）との組｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝によって表される。

なお、接続タイプ｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝の代わりに、リアロケーションベクトルの組｛ｒ_１´_（ｔ），ｒ_２´_（ｔ´）｝を用いてもよく、重み付きリアロケーションベクトルの組｛ｗ_１ｒ_１´_（ｔ），ｗ_２ｒ_２´_（ｔ´）｝または重要度ベクトルで重みづけされた特徴量ベクトルの組（下記式（１２）を参照）を用いてもよい。

リアロケーションベクトルの組｛ｒ１´（ｔ），ｒ２´（ｔ´）｝を用いることにより、予測モデルが考えた時系列データの性質（予測モデルが何を表したいか）を適用して、予測結果を得ることができる。また、重み付きリアロケーションベクトルの組｛ｗ_１ｒ_１´_（ｔ），ｗ_２ｒ_２´_（ｔ´）｝または重要度ベクトルで重みづけされた特徴量ベクトルの組（上記式（１２）を参照）を用いることにより、予測モデルが考えた時系列データの性質をより重要視して、予測結果を得ることができる。

つぎに、図８において、生成装置３２０は、構造データ生成部７０２により、関連度と接続タイプ｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝とをそれぞれ第１構造データおよび第２構造データに変換する（ステップＳ８０３）。具体的には、たとえば、構造データ生成部７０２は、上記式（１０）の関連度の大きさΓ（ｘ_１´_（ｔ），ｘ_２´_（ｔ´））を、１つの（Ｔ×Ｄ）行（Ｔ×Ｄ）列の第１構造データに変換する。

第１構造データの各行は、各時点ｔの各因子Ｆの特徴量を表し、各列も同様に各時点ｔの各因子Ｆの特徴量を表す。第１構造データの行列の各要素には、対応する行の時点ｔの因子Ｆの特徴量と対応する列の時点ｔの因子Ｆの特徴量との間の関連度の値が格納される。

また、構造データ生成部７０２は、接続タイプ｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝を、_Ｔ×ＤＣ_２個のＮ行２列の第２構造データ群に変換する。第２構造データ群の各第２構造データの各行は、各サンプルを表し、２つの列はそれぞれある時点ｔのある因子Ｆａ，Ｆｂの特徴量（第１特徴量６１１、第２特徴量６１２）である。

第２構造データの行列の要素には、対応する行のサンプルがもつ、対応する列の時点ｔの因子Ｆの特徴量が格納される。この第２構造データを全時点ｔ＝１，…，Ｔの全因子の特徴量の中から選んだ第１特徴量６１１、第２特徴量６１２の全組み合わせが第２構造データ群となる。

生成装置３２０は、第１構造データと第２構造データ群とを記憶デバイスに保存する。生成装置３２０は、第１構造データと第２構造データ群とを、モニタ３２５に表示してもよく、ネットワーク３１０を介してクライアント端末３００に表示可能に送信してもよい。

つぎに、生成装置３２０は、視覚化要素生成部７０３により、第１構造データおよび第２構造データから第１可視化要素および第２可視化要素を生成する（ステップＳ８０４）。視覚化要素生成部７０３は、第１構造データの行列の各要素について、図１に示したように、その要素の行に対応する時点ｔの因子Ｆと列に対応する時点ｔの因子Ｆとを表す箱型の視覚化要素を生成し、それらの因子Ｆ間の関連度の大きさを示す黒線を、過程グラフ視覚化要素として生成する。

また、視覚化要素生成部７０３は、第２構造データ群の各第２構造データから、各第２構造データの列を構成する２つの特徴量（第１特徴量６１１、第２特徴量６１２）に対し、当該２つの特徴量を特徴づける接続タイプ｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝の値域を表現する二本の縦軸Ａと、当該２つの特徴量の接続タイプ｛ｘ_１（ｔ ^），ｘ_{２（ｔ´）}｝を示す線分群（線分２０１，２０２，２０３，…）とを、線グラフ視覚化要素として生成する。このとき、視覚化要素生成部７０３は、全サンプルについて、各サンプルに対して１つの接続タイプを示す線分を生成する。線分は、対応するサンプルの接続タイプ｛ｘ_１´_（ｔ），ｘ_２´_（ｔ´）｝の値の二本の縦軸Ａ上の点を両端とする。

つぎに、生成装置３２０は、グラフ生成部７０４により、ステップＳ８０４で生成した過程グラフ視覚化要素を用いて過程グラフ１００を生成し、ステップＳ８０４で生成した線グラフ視覚化要素を用いて線グラフ２００を生成する（ステップＳ８０５）。

過程グラフ１００を生成することにより、全因子Ｆまたは一部の因子Ｆの中で、どの因子Ｆがどの因子Ｆと関連することによって要介護化につながるかを可視化することができる。また、ユーザは、過程グラフ１００を見ることにより、要介護化につながる様々なシナリオを把握することが可能となる。

線グラフ２００は、図２に示したように、各時点ｔの因子Ｆａ，Ｆｂの特徴量（第１特徴量６１１、第２特徴量６１２）とその値域とを示す縦軸Ａと、各時点ｔの因子Ｆ間の接続タイプを示す線分群とを含む。なお、線グラフ２００の生成において、線分群のグレースケールを変化させる代わりに、他の因子や目的変数または基準に基づいて線分群のグレースケール、色または太さや形状を変化させてもよい。

このように、線グラフ２００を生成することにより、ある一連の因子ＦからなるシナリオＳＣの中で、各因子Ｆがどのような特徴量をたどるときに要介護化につながるか、またはつながらないかを可視化することができる。生成装置３２０は、過程グラフ１００および線グラフ２００を記憶デバイスに保存する。さらに、生成装置３２０は、過程グラフ１００および線グラフ２００をモニタ３２５に表示してもよく、ネットワーク３１０を介してクライアント端末３００に表示可能に送信してもよい。

なお、実施例１では、ニューラルネットワーク９００の予測モデルを適用したが、リアロケーションベクトルｒ_{（ｎ）（ｔ）}を用いない場合は、ＬＳＴＭ、ＧＲＵ、ＣＮＮなどの時系列データ４００を扱うことのできるニューラルネットワークで得られる予測モデルでもよい。この場合、第１時点５０２（時点ｔ）における第１因子５０１の特徴量ベクトルｘ_１´_（ｔ）と第２時点５０４（時点ｔ´）における第２因子５０３の特徴量ベクトルｘ_２´_（ｔ´）との間の関連度の大きさは、第１因子５０１の特徴量ベクトルｘ_１´_（ｔ）と第２因子５０３の特徴量ベクトルｘ_２´_（ｔ´）との相関係数でもよい。

このように、実施例１によれば、因子Ｆの特徴量を連続値として取り扱ったままで予測される未来に至るシナリオＳＣを表す過程グラフ１００および線グラフ２００を生成することができる。また、生成装置３２０は、連続値のままラベル付けした縦軸Ａ１～Ａ３、ＡＣを使用する代わりに、離散化された数値でラベル付けされた縦軸を使用して線グラフ２００を生成してもよい。

図１０は、線グラフの他の例を示す説明図である。図１０の線グラフ２００の縦軸Ｂ１～Ｂ３、ＢＣは、離散化された数値でラベル付けされている。たとえば、縦軸Ｂ１を例に挙げると、筋力低下度が数値０．８４，０．８３，０．８２でラベル化されている。すなわち、縦軸Ｂ１～Ｂ３、ＢＣの範囲（値域）は、特徴量の最下位桁の値が非連続となっている。０．８４，０．８３，０．８２の各々の範囲（縦軸Ｂ１方向の長さ）は、ラベル化された数値０．８４，０．８３，０．８２が接続タイプに含まれる線分の本数に比例する。したがって、ユーザは、どの数値が他の数値に比べてどのくらい接続タイプ、すなわち、線分が多いかを直感的に把握することができる。

また、生成装置３２０は、隣り合わない時点ｔ（たとえば、ｔ１とｔ３）の二つの因子（因子Ｆｃ、Ｆｄとする）が、その時点ｔ１～ｔ３の間で所定数（たとえば、５個）以上の因子としきい値（たとえば、０．２）以下の関連度のリンクＬで接続されているとき、当該所定数以上の因子Ｆの視覚化要素と当該しきい値以下の関連度の視覚化要素とを削除して、直接因子Ｆｃと因子Ｆｄとを新たな視覚化要素で接続してもよい。

図１１は、過程グラフの短縮例を示す説明図である。たとえば、図１１の短縮前のシナリオＳＣ５Ａにおいて、時点ｔ１における因子Ｆ１の「筋力低下」と時点ｔ３における因子Ｆ３の「低栄養」の各々が、時点ｔ２のある８個の因子Ｆ２、Ｆ５、Ｆ８、Ｆ１２～Ｆ１７に各々関連度の値０．１のリンクＬ１２、Ｌ１５、Ｌ１８、Ｌ１１２、Ｌ１１７、Ｌ２３、Ｌ５３、Ｌ８３、Ｌ１２３、Ｌ１７３で接続されているとする。

このとき、生成装置３２０は、視覚化要素生成部７０３により、時点ｔ１における因子Ｆ１と時点ｔ３における因子Ｆ３とを当該しきい値以上となる関連度の値０．８（＝０．１×８個）を示す太線のリンクＬ１３を生成する。生成装置３２０は、グラフ生成部７０４により、Ｆ２、Ｆ５、Ｆ８、Ｆ１２～Ｆ１７の図形データおよびリンクＬ１２、Ｌ１５、Ｌ１８、Ｌ１１２、Ｌ１１７、Ｌ２３、Ｌ５３、Ｌ８３、Ｌ１２３、Ｌ１７３を削除し、因子Ｆ１の図形データと因子Ｆ３の図形データとをリンクＬ１３で接続する。

これにより、短縮後のシナリオＳＣ５Ｂが生成される。このように、シナリオＳＣ５ＡからシナリオＳＣ５Ｂに短縮することにより、過程グラフ１００の簡略化を図ることができ、ユーザに対する視認性の向上を図ることができる。また、ユーザは、省略された８個の因子Ｆ２、Ｆ５、Ｆ８、Ｆ１２～Ｆ１７との関連度（各々０．１）が全体でどの程度であったかを、Ｌ１２、Ｌ１５、Ｌ１８、Ｌ１１２、Ｌ１１７、Ｌ２３、Ｌ５３、Ｌ８３、Ｌ１２３、Ｌ１７３を統合したリンクＬ１３の太さおよび関連度の値０．８で認識することができる。

なお、生成装置３２０は、短縮後のシナリオＳＣ５Ｂを含む過程グラフ１００を直接生成してモニタ３２５に表示してもよく、短縮前のシナリオＳＣ５Ａを含む過程グラフ１００を生成してモニタ３０５，３２５に表示してから、たとえば、ユーザ操作により、短縮後のシナリオＳＣ５Ｂを含む過程グラフ１００に更新してモニタ３０５，３２５に表示してもよい。

実施例２にかかる生成装置３２０は、抗がん剤の治験において、がん患者が治験の結果６ヶ月以上生存できるかどうかを予測する予測モデルを作成し、その予測モデルから予測に至るシナリオを表す過程グラフ１００および線グラフ２００を生成する。過程グラフ１００および線グラフ２００は、抗がん剤を販売する製薬会社がその適用手法を適切に設定することを可能とし、また、抗がん剤の作用機序を解明するための大きな手掛かりとなる。このことは医療の質の向上に貢献し、また、薬学および医学の進歩に大きく寄与する。

実施例２の場合、時系列データ４００のｎ＝｛１，…，Ｎ｝は、ある患者の特徴量ベクトルｘ_{（ｎ）（ｔ）}を指定するためのインデックスである。また、ｔ＝｛１，…，Ｔ｝は、日々の問診や検査をした月日を時点とするインデックスである。特徴量ベクトルｘ_{（ｎ）（ｔ）}∈Ｒ^ＤはＤ（≧１）次元の実数値ベクトルであり、日々の問診や検査の結果などの情報を含む。目的変数Ｙ_（ｎ）は、０または１のいずれかのクラス値をとる。実施例２では、ｙ_（ｎ）＝１は、治験の結果６ヶ月以上生存できたことを意味し、ｙ_（ｎ）＝０は、治験の結果６ヶ月以上生存できなかったことを意味する。

実施例１と同様のグラフ生成処理手順を実行すれば、実施例２にかかる生成装置３２０は、日々の問診や検査の中で、どの問診や検査結果がどのような順序で生存または死亡につながるかを可視化できる過程グラフ１００と、過程グラフ１００で示されたシナリオＳＣのうち、どのような問診結果や検査値が生存または死亡を左右するかを把握することが可能となる線グラフ２００を生成することができる。

実施例３にかかる生成装置３２０は、市場データから一年以内に金融商品の価値が急落するか否かを予測する予測モデルを作成し、その予測モデルから予測に至るシナリオを表す過程グラフ１００および線グラフ２００を生成する装置を例として説明する。過程グラフ１００および線グラフ２００は、金融商品の価値が急落する際にはどういった流れが市場全体に起こっているのかを理解することができ、危険な金融商品に投資するリスクを避ける助けとなる。また、膨大なデータからなる市場の動きの流れを理解可能な形に可視化することは、経済学の進歩の大きく寄与する。

実施例３の場合、時系列データ４００のｎ＝｛１，…，Ｎ｝は、ある金融商品データの特徴量ベクトルｘ_{（ｎ）（ｔ）}を指定するためのインデックスである。また、ｔ＝｛１，…，Ｔ｝は、取引日時を時点とするインデックスである。特徴量ベクトルｘ_{（ｎ）（ｔ）}∈Ｒ^ＤはＤ（≧１）次元の実数値ベクトルであり、金融商品に関連する企業の会計情報や市場全体の情報を含む。目的変数Ｙ_（ｎ） は０または１のいずれかのクラス値をとる。実施例３では、ｙ_（ｎ）＝１は、一年以内に価値が急落したことを意味し、ｙ_（ｎ）＝０は、一年以内に価値が急落することはなかったことを意味する。

実施例１と同様のグラフ生成処理手順を実行すれば、実施例３にかかる生成装置３２０は、会計情報や市場情報の中で、どの要素がどのような順序で金融商品の価値の急落につながるかを可視化できる過程グラフ１００と、過程グラフ１００で示されたシナリオＳＣのうち、具体的にどのような帳簿上の値や市場上の数値が金融商品の価値を左右するかを把握することが可能となる線グラフ２００を生成することができる。

なお、上述した実施例１～実施例３では、解析部７０１が予測モデルを生成することとしたが、予測モデルはあらかじめ実装されていてもよい。

また、上述した実施例１～実施例３にかかる生成装置３２０は、下記（１）～（９）のように構成することもできる。

（１）プログラムを実行するプロセッサ３２３と、プログラムを記憶する記憶デバイスと、を有する生成装置３２０では、プロセッサ３２３は、時系列に存在する複数の異なる因子Ｆの特徴量を含む時系列データ４００に基づいて、因子Ｆごとの特徴量の連続的な範囲である特徴量範囲を規定する特徴量範囲視覚化要素（縦軸Ａ１～Ａ３）を生成し、複数の異なる因子Ｆのうち時間的に連続する第１因子Ｆａの第１特徴量と第２因子Ｆｂの第２特徴量との関連性を規定する特徴量間視覚化要素（線分２０１，２０２）を生成する視覚化要素生成処理と、視覚化要素生成処理によって生成された因子Ｆごとの特徴量範囲視覚化要素のうち第１因子Ｆａの第１特徴量範囲視覚化要素（縦軸Ａａ）と第２因子Ｆｂの第２特徴量範囲視覚化要素（縦軸Ａａ）との間に、特徴量間視覚化要素（線分２０１，２０２）を関連付けることにより、複数の異なる因子Ｆに関する特徴量の関係性を示す線グラフ２００を生成するグラフ生成処理と、を実行する。

すなわち、生成装置３２０は、時系列データ４００の分析において、予測される未来に至るシナリオＳＣを表す線グラフ２００を、因子Ｆの特徴量の連続性を維持したまま生成する。これにより、異なる時点の因子Ｆ間の関係を連続的な特徴量を用いて提示することができる。したがって、時系列な因子群がどのような特徴量をたどるかを可視化することができる。

（２）また、上記（１）の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、時系列データ４００と、複数の異なる因子に関連する結果の予測値（要支援１となる確率）と、に基づいて、予測値の連続的な範囲である予測値範囲を規定する予測値範囲視覚化要素（縦軸ＡＣ）を生成し、複数の異なる因子Ｆのうち第２因子Ｆｂよりも後に出現する第３因子Ｆ３の第３特徴量と結果の予測値（要支援１となる確率）との関連性を規定する特徴量予測値間視覚化要素（線分２０３）を生成し、グラフ生成処理では、プロセッサ３２３は、さらに、第３因子Ｆｃの第３特徴量範囲視覚化要素（縦軸Ａ３）と予測値範囲視覚化要素（縦軸ＡＣ）との間に、特徴量予測値間視覚化要素（線分２０３）を関連付けることにより、線グラフ２００を生成する。

これにより、異なる時点の因子Ｆ間や結果との関係を、連続的な特徴量を用いて提示することができる。したがって、時系列な因子群がどのような特徴量をたどるときにどのような予測結果になるかを可視化することができる。

（３）また、上記（１）に記載の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、時系列データ４００に基づいて、因子Ｆごとの特徴量の連続値を示す特徴量範囲を因子ごとに規定する特徴量範囲視覚化要素（縦軸Ａ１～Ａ３）を生成する。

これにより、異なる時点の因子Ｆ間の関係を示す特徴量範囲を連続値のままで提示することができる。したがって、時系列な因子群がどのような特徴量をたどるかを可視化することができる。

（４）また、上記（１）に記載の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、時系列データ４００に基づいて、因子Ｆごとの特徴量の複数の値の各々の範囲を、当該値を含む特徴量間視覚化要素（線分２０１，２０２）の数に応じて因子Ｆごとに規定する特徴量範囲視覚化要素（縦軸Ａ１～Ａ３）を生成する。

これにより、異なる時点の因子Ｆ間の関係を示す特徴量を、連続性のある離散値で提示することができる。したがって、どの程度のサンプルがどの因子のどの特徴量をたどるかを可視化することができる。

（５）また、上記（１）に記載の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、複数の異なる因子Ｆが時系列に配列されたシナリオＳＣが選択された場合に、シナリオＳＣ内の複数の異なる因子Ｆの特徴量を含む時系列データ４００に基づいて、特徴量範囲視覚化要素（縦軸Ａ１～Ａ３）を生成し、特徴量間視覚化要素（線分２０１，２０２）を生成する。

これにより、シナリオＳＣを構成する一連の因子Ｆ間の関係を、連続的な特徴量を用いて提示することができる。したがって、シナリオＳＣがどのような特徴量をたどるかを可視化することができる。

（６）また、上記（２）に記載の生成装置３２０において、プロセッサ３２３は、複数の異なる因子Ｆに関連する結果が特定の結果（要支援１）であることを予測する予測モデルに時系列データ４００を入力した結果、特定の結果（要支援１）となる確率を予測値として出力する解析処理を実行し、視覚化要素生成処理では、プロセッサ３２３は、時系列データ４００と、解析処理によって出力された予測値と、に基づいて、特徴量予測値間視覚化要素（線分２０３）を生成する。

これにより、時系列な一連の因子Ｆと予測値との関係を高精度に特定することができる。

（７）また、上記（１）に記載の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、複数の異なる因子Ｆの各々を規定する因子視覚化要素（因子Ｆの図形データ）と、第１因子Ｆａと第２因子Ｆｂとの第１関連度を規定する第１関連度視覚化要素（リンクＬａｂとする。第１因子ＦａがＦ１、第２因子ＦｂがＦ２であればリンクＬ１２。）と、を生成し、グラフ生成処理では、プロセッサ３２３は、第１因子Ｆａを規定する第１因子視覚化要素（因子Ｆａの図形データ）と、第２因子Ｆｂを規定する第２因子視覚化要素（因子Ｆｂの図形データ）とを、第１関連度視覚化要素（リンクＬａｂ）で接続することにより、複数の異なる因子Ｆの過程を示す過程グラフ１００を生成する。

これにより、どの因子Ｆがどのような順序をたどるかを示すシナリオＳＣを可視化することができる。

（８）また、上記（７）に記載の生成装置３２０において、プロセッサ３２３は、複数の異なる因子Ｆに関連する結果が特定の結果（要支援１）であることを予測する予測モデルに時系列データ４００を入力した結果、特定の結果（要支援１）となる確率を予測値として出力するとともに、予測値を説明するための重要度を出力する解析処理を実行し、視覚化要素生成処理では、プロセッサ３２３は、解析処理によって出力された第１因子Ｆａの第１重要度（重要度ベクトルξ_ａとする）と第２因子Ｆｂの第２重要度（重要度ベクトルξ_ｂとする）とに基づいて、第１関連度視覚化要素（リンクＬａｂ）と、を生成する。

これにより、因子Ｆの重要度ξを考慮した関連度を得ることができる。

（９）また、上記（７）に記載の生成装置３２０において、視覚化要素生成処理では、プロセッサ３２３は、第１関連度視覚化要素（リンクＬａｂ）の第１関連度と、第２因子視覚化要素（因子Ｆｂの図形データ）と第２因子Ｆｂの次の時点で出現する第４因子（Ｆｄとする）を規定する第４因子視覚化要素（因子Ｆｄの図形データ）とを接続する第２関連度視覚化要素（Ｌｂｄとする。第２因子ＦｂがＦ２、第４因子ＦｄがＦ３であればリンクＬ２３。）の第２関連度と、がいずれもしきい値以下である場合、第１関連度と第２関連度とに基づいて、第１因子視覚化要素（因子Ｆａの図形データ）と第４因子視覚化要素（因子Ｆｄの図形データ）とを接続する第３関連度視覚化要素（リンクＬａｄとする。第１因子ＦａがＦ１、第４因子ＦｄがＦ３であればリンクＬ１３。）を生成し、グラフ生成処理では、プロセッサ３２３は、第１因子視覚化要素（因子Ｆａの図形データ）と、第４因子視覚化要素（因子Ｆｄの図形データ）とを、第３関連度視覚化要素（リンクＬａｄ）で接続することにより、過程グラフ１００を生成する。

これにより、過程グラフ１００の簡略化を図ることができ、ユーザに対する視認性の向上を図ることができる。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサ３２３がそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

Ａ１～Ａ３，ＡＣ 縦軸
ＳＣ シナリオ
１００ 過程グラフ
２００ 線グラフ
２０１，２０２，２０３ 線分
３２０ 生成装置
３２２ メモリ
３２３ プロセッサ
３６１ 学習部
３６２ 予測部
７０１ 解析部
７０２ 構造データ生成部
７０３ 視覚化要素生成部
７０４ グラフ生成部

Claims (11)

1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置であって、
   前記プロセッサは、
   時系列に存在する複数の異なる因子の特徴量を含む時系列データに基づいて、前記因子ごとの特徴量の連続的な範囲である特徴量範囲を規定する特徴量範囲視覚化要素を生成し、前記複数の異なる因子のうち時間的に連続する第１因子の第１特徴量と第２因子の第２特徴量との関連性を規定する特徴量間視覚化要素を生成する視覚化要素生成処理と、
   前記視覚化要素生成処理によって生成された因子ごとの前記特徴量範囲視覚化要素のうち前記第１因子の第１特徴量範囲視覚化要素と前記第２因子の第２特徴量範囲視覚化要素との間に、前記特徴量間視覚化要素を関連付けることにより、前記複数の異なる因子に関する前記特徴量の関係性を示す視覚化情報を生成する視覚化情報生成処理と、
   を実行することを特徴とする生成装置。
2. 請求項１に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記時系列データと、前記複数の異なる因子に関連する結果の予測値と、に基づいて、前記予測値の連続的な範囲である予測値範囲を規定する予測値範囲視覚化要素を生成し、前記複数の異なる因子のうち前記第２因子よりも後に出現する第３因子の第３特徴量と前記結果の予測値との関連性を規定する特徴量予測値間視覚化要素を生成し、
   前記視覚化情報生成処理では、前記プロセッサは、さらに、前記第３因子の第３特徴量範囲視覚化要素と前記予測値範囲視覚化要素との間に、前記特徴量予測値間視覚化要素を関連付けることにより、前記視覚化情報を生成する、
   ことを特徴とする生成装置。
3. 請求項１に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記時系列データに基づいて、前記因子ごとの特徴量の連続値を示す特徴量範囲を前記因子ごとに規定する特徴量範囲視覚化要素を生成する、
   ことを特徴とする生成装置。
4. 請求項１に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記時系列データに基づいて、前記因子ごとの特徴量の複数の値の各々の範囲を、当該値を含む前記特徴量間視覚化要素の数に応じて前記因子ごとに規定する特徴量範囲視覚化要素を生成する、
   ことを特徴とする生成装置。
5. 請求項１に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記複数の異なる因子が時系列に配列されたシナリオが選択された場合に、前記シナリオ内の前記複数の異なる因子の特徴量を含む時系列データに基づいて、前記特徴量範囲視覚化要素を生成し、前記特徴量間視覚化要素を生成する、
   ことを特徴とする生成装置。
6. 請求項２に記載の生成装置であって、
   前記プロセッサは、
   前記複数の異なる因子に関連する結果が特定の結果であることを予測する予測モデルに前記時系列データを入力した結果、前記特定の結果となる確率を予測値として出力する解析処理を実行し、
   前記視覚化要素生成処理では、前記プロセッサは、前記時系列データと、前記解析処理によって出力された予測値と、に基づいて、前記特徴量予測値間視覚化要素を生成する、
   ことを特徴とする生成装置。
7. 請求項１に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記複数の異なる因子の各々を規定する因子視覚化要素と、前記第１因子と前記第２因子との第１関連度を規定する第１関連度視覚化要素と、を生成し、
   前記視覚化情報生成処理では、前記プロセッサは、前記第１因子を規定する第１因子視覚化要素と、前記第２因子を規定する第２因子視覚化要素とを、前記第１関連度視覚化要素で接続することにより、前記複数の異なる因子の過程を示す過程視覚化情報を生成する、
   ことを特徴とする生成装置。
8. 請求項７に記載の生成装置であって、
   前記プロセッサは、
   前記複数の異なる因子に関連する結果が特定の結果であることを予測する予測モデルに前記時系列データを入力した結果、前記特定の結果となる確率を予測値として出力するとともに、前記予測値を説明するための重要度を出力する解析処理を実行し、
   前記視覚化要素生成処理では、前記プロセッサは、前記解析処理によって出力された前記第１因子の第１重要度と前記第２因子の第２重要度とに基づいて、前記第１関連度視覚化要素と、を生成する、
   ことを特徴とする生成装置。
9. 請求項７に記載の生成装置であって、
   前記視覚化要素生成処理では、前記プロセッサは、前記第１関連度視覚化要素の第１関連度と、前記第２因子視覚化要素と前記第２因子の次の時点で出現する第４因子を規定する第４因子視覚化要素とを接続する第２関連度視覚化要素の第２関連度と、がいずれもしきい値以下である場合、前記第１関連度と前記第２関連度とに基づいて、前記第１因子視覚化要素と前記第４因子視覚化要素とを接続する第３関連度視覚化要素を生成し、
   前記視覚化情報生成処理では、前記プロセッサは、前記第１因子視覚化要素と、前記第４因子視覚化要素とを、前記第３関連度視覚化要素で接続することにより、前記過程視覚化情報を生成する、
   ことを特徴とする生成装置。
10. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置が実行する生成方法であって、
    前記生成方法は、
    前記プロセッサが、
    時系列に存在する複数の異なる因子の特徴量を含む時系列データに基づいて、前記因子ごとの特徴量の連続的な範囲である特徴量範囲を規定する特徴量範囲視覚化要素を生成し、前記複数の異なる因子のうち時間的に連続する第１因子の第１特徴量と第２因子の第２特徴量との関連性を規定する特徴量間視覚化要素を生成する視覚化要素生成処理と、
    前記視覚化要素生成処理によって生成された因子ごとの前記特徴量範囲視覚化要素のうち前記第１因子の第１特徴量範囲視覚化要素と前記第２因子の第２特徴量範囲視覚化要素との間に、前記特徴量間視覚化要素を関連付けることにより、前記複数の異なる因子に関する前記特徴量の関係性を示す視覚化情報を生成する視覚化情報生成処理と、
    を実行することを特徴とする生成方法。
11. プロセッサに、
    時系列に存在する複数の異なる因子の特徴量を含む時系列データに基づいて、前記因子ごとの特徴量の連続的な範囲である特徴量範囲を規定する特徴量範囲視覚化要素を生成し、前記複数の異なる因子のうち時間的に連続する第１因子の第１特徴量と第２因子の第２特徴量との関連性を規定する特徴量間視覚化要素を生成する視覚化要素生成処理と、
    前記視覚化要素生成処理によって生成された因子ごとの前記特徴量範囲視覚化要素のうち前記第１因子の第１特徴量範囲視覚化要素と前記第２因子の第２特徴量範囲視覚化要素との間に、前記特徴量間視覚化要素を関連付けることにより、前記複数の異なる因子に関する前記特徴量の関係性を示す視覚化情報を生成する視覚化情報生成処理と、
    を実行させることを特徴とする生成プログラム。

Images