JP7491821B2

JP7491821B2 - 要因推定方法、予測方法、属性値推定方法、要因推定装置、予測装置、属性値推定装置およびプログラム

Info

Publication number: JP7491821B2
Application number: JP2020199010A
Authority: JP
Inventors: 信一円谷
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 2020-11-30
Filing date: 2020-11-30
Publication date: 2024-05-28
Anticipated expiration: 2040-11-30
Also published as: JP2022086803A

Description

本発明は、要因推定方法、予測方法、属性値推定方法、要因推定装置、予測装置、属性値推定装置およびプログラムに関する。

観測対象の属性値が判明していれば、観測値（観測対象に生じる事象や観測対象の挙動）を予測できることが多い。例えば、観測値が、感染症における症状変化の場合、基礎疾患の有無、年齢などの患者の属性値が判明していれば、過去の観測結果との関係から、確率的な予測が可能となる。確率的な予測に基づいて計画を立てるような場合、より高い予測の精度が求められることがある。例えば、複数の属性の組み合わせでグルーピングを行い、カテゴライズした観測対象のグループごとに観測値を絞り込むことで、観測値に影響する属性（つまり、観測値の要因）を解析する方法が存在する。感染症の場合であれば、感染者を肺の疾患を持つ患者のグループにカテゴライズし、肺の疾患と感染症が重症化しやすいこととの関係に絞り込んで両者の関係を解析し、予測精度の向上を図る。カテゴライズの際に観測値の要因を適切に抽出することができれば、予測精度を向上することができる。

関連する技術として、特許文献１には、観測データを分析して、対象物の状態変化の因果関係を説明する因果モデルを複数作成し、全ての因果モデルに対して、原因の事後確率を求め、事後確率の大きさに基づいて因果モデルを順位付けし、さらに順位の高い因果モデルから順に妥当性の評価を行って、因果関係の探索を行う方法が開示されている。

特許第６１５４５２３号公報

グループを特徴付ける属性を増やし、グループを細分化すれば、データのバラつきは減少し、予測精度は見かけ上向上しているように見える。しかし、この場合、グループの母数が減少し、予測結果の信頼性は低下する可能性がある。予測精度と信頼性の向上のためには、属性の組み合わせを適切に設定する必要がある。

そこでこの開示は、上述の課題を解決することのできる要因推定方法、予測方法、属性値推定方法、要因推定装置、予測装置、属性値推定装置およびプログラムを提供することを目的としている。

本開示の一態様によれば、要因推定方法は、コンピュータによって実行される要因推定方法であって、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと、前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定するステップと、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出するステップと、前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出するステップと、前記抽出するステップにて抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定するステップと、を有する。

本開示の一態様によれば、予測方法は、上記の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データに対応する観測対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する観測対象に生じる前記事象を予測する。

本開示の一態様によれば、属性値推定方法は、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、上記の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する。

本開示の一態様によれば、要因推定装置は、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するデータ取得部と、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングし、前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定し、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出し、前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出し、前記抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定する要因推定部と、を有する。

本開示の一態様によれば、予測装置は、上記の要因推定装置と、前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係と、前記データ取得部が取得した第２の前記観測データに対応する観測対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する観測対象に生じる前記事象を予測する予測部と、を備える。

本開示の一態様によれば、属性値推定装置は、上記の要因推定装置と、前記データ取得部が取得した、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する属性値推定部と、を備える。

本開示の一態様によれば、プログラムは、コンピュータに、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと、前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定するステップと、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出するステップと、前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出するステップと、前記抽出するステップにて抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定するステップと、を実行させる。
前記プログラムは、コンピュータに、前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データに対応する観測対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する観測対象に生じる前記事象を予測するステップ、を更に実行させてもよい。
前記プログラムは、コンピュータに、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係に基づいて推定するステップ、を更に実行させてもよい。

本開示の要因推定方法、要因推定装置、プログラムによれば、観測対象に生じる事象の要因を推定することができる。本開示の予測方法、予測装置、プログラムによれば、観測対象への事象の発生を予測することができる。本開示の属性値推定方法、属性値推定装置、プログラムによれば、観測対象が有する属性値を推定することができる。

実施形態における解析装置の一例を示すブロック図である。実施形態における要因推定処理の一例を示すフローチャートである。実施形態におけるパラメータの一例を示す図である。実施形態における観測データの一例を示す図である。実施形態におけるパラメータの組み合わせの一例を示す図である。実施形態における評価項目の一例を示す図である。実施形態におけるグループごとの評価値と平均値の一例を示す図である。実施形態における評価値と度数の分布を示す図である。実施形態における評価値の分散について説明する図である。実施形態の未知のパラメータを仮定した処理について説明する図である。実施形態における要因推定方法について説明する図である。実施形態における要因推定処理による出力例を示す図である。実施形態における予測処理の一例を示すフローチャートである。実施形態における属性値推定処理の一例を示すフローチャートである。実施形態の解析装置のハードウェア構成の一例を示す図である。

＜実施形態＞
以下、本開示の一実施形態による要因推定方法、予測方法、属性値推定方法について図１～図１５を参照して説明する。
（構成）
図１は、実施形態における解析装置の一例を示すブロック図である。
解析装置１０は、観測対象が有する属性とその観測対象に生じる事象や観測対象の挙動との関係性（因果関係、相関関係など）を解析して、事象の要因を推定する。また、解析装置１０は、観測対象に対して、その観測対象が有する属性と、推定した事象の要因に基づいて、観測対象に事象が生じる可能性を予測する。また、解析装置１０は、属性が明確ではない観測対象に事象が発生したときに、その観測対象が有する属性を推定する。観測対象と事象の例を挙げると、例えば、観測対象が人で事象は感染症の発症、進展である。解析装置１０は、感染症の発症者が有する年齢、性別、基礎疾患の有無などの属性と、感染症の進展状況との関係を解析する。例えば、解析装置１０は、解析結果を、感染症の感染が疑われる人へ適用して、感染症の進展を予測する。解析装置１０は、感染症を発症した人が有する属性が不明な場合に、その人の感染症の進展状況に基づいて、その人の属性を推定する。観測対象と事象の他の例としては、観測対象が量産品で事象が不良品であってもよいし、観測対象がプラントで事象が故障であってもよい。

図１に示すように解析装置１０は、データ取得部１１と、設定受付部１２と、要因推定部１３と、予測部１４と、属性値推定部１５と、出力部１６と、記憶部１７とを備える。
データ取得部１１は、観測対象の属性を示すパラメータを含む観測データを取得する。
設定受付部１２は、閾値や評価値等の設定を受け付ける。
要因推定部１３は、観測データを解析して事象の要因となるパラメータおよびその値を推定する。
予測部１４は、観測対象の観測データと、要因推定部１３が推定した要因とに基づいて、観測対象に生じる事象を予測する。
属性値推定部１５は、事象が生じた観測対象が有する属性値を推定する。
出力部１６は、要因推定部１３が推定した要因、予測部１４による予測結果、属性値推定部１５が推定した属性値などを出力する。
記憶部１７は、観測データなど諸々の情報を記憶する。

（動作）
次に解析装置１０の動作について説明する。解析装置１０は、要因推定、予測、属性値推定の機能を有するが、まず、図２～図１１を用いて要因推定部１３による要因推定処理ついて説明する。

（要因推定処理）
図２は、実施形態における要因推定処理の一例を示すフローチャートである。
データ取得部１１が、複数の観測対象の観測データを取得する（ステップＳ１）。観測データには、観測対象が有する様々な属性のうち、事象の要因として考えられる複数のパラメータが設定され、各パラメータには、その観測対象の属性値が設定されている。ここで、図３に観測データに設定されるパラメータの一例を示す。例えば、事象が感染症の進展の場合、パラメータは、基礎疾患、喫煙習慣、肥満、高脂血症、高血圧、血栓症歴の有無、高齢などである。例えば、事象が量産品の製造における不良品や遅延の発生の場合、パラメータは、工作機械の出力や溶接温度などの加工条件、量産品の製造に用いる部品のロット番号などである。例えば、事象がプラントの故障や停止の場合、パラメータは、プラントにて計測される圧力、温度、流量などである。各パラメータには、ＯＮ，ＯＦＦの何れかの値が設定される。例えば、基礎疾患であれば、観測対象に基礎疾患があればＯＮ、なければＯＦＦが設定される。また、加工条件であれば、ある量産品が所定の条件を満たす環境で加工されたならばＯＮ，そうでなければＯＦＦが設定される（この場合の条件は、製造条件は満たした上で課される付加的な条件を指す）。また、プラントの場合、圧力が所定の範囲内ならＯＦＦ、範囲外ならＯＮが設定される。図４に観測データの一例を示す。観測データは、観測対象ＩＤ、日時、パラメータ１～Ｎ（図４の例ではＮ＝７）の各項目を有する。ある１つの観測対象について、例えば、パラメータ１の属性値が分からない場合には、パラメータ１にＯＮを設定したデータと、パラメータ１にＯＦＦを設定したデータの２つの観測データを作成してもよい。このように本実施形態では、一部のパラメータの属性が不明であっても、属性値を仮定し、以降の処理を行うことで要因の推定が可能である。データ取得部１１は、複数の観測データを取得し、記憶部１７に記録する。

次に要因推定部１３は、パラメータの組み合わせに基づいて、観測データをグルーピングする（ステップＳ２）。図５にパラメータの組み合わせの一例を示す。例えば、観測データにパラメータ１～７が設定されているとする。要因推定部１３は、パラメータ１～７の一部又は全部を組み合せてできるグループを複数パターン作成し、観測データを各グループにグルーピングする。例えば、要因推定部１３は、パラメータ１～７のうち１つのみを用いたグループ、つまり、パラメータ１のみに注目したグループ、パラメータ２のみに注目したグループ、・・・の７通りのグループを作成してもよい。各パラメータはＯＮまたはＯＦＦの値をとるため、要因推定部１３は、パラメータ１のグループについて、さらにパラメータ１の値がＯＮのグループ（Ｇ－１－１）、パラメータ１の値がＯＦＦのグループ（Ｇ－１－２）を作成する。同様に、要因推定部１３は、パラメータ２の値がＯＮのグループ（Ｇ－１－３）、パラメータ１の値がＯＦＦのグループ（Ｇ－１－４）を作成する。さらに要因推定部１３は、パラメータ１～７の中から２つを選択して、複数のグループを作成する。例えば、要因推定部１３は、選択した２つのパラメータの値の組み合せごとにグループを作成する（例えば、Ｇ－２－１～Ｇ－２－８）。このようなグループは、全部で_７Ｃ_２×２^２通り作成できる。要因推定部１３は、パラメータ１～７の中から２つを組み合わせたグループを全パターン作成してもよいし、明らかに意味のない組み合わせを除いてグループを作成してもよいし、ユーザによって指定される組み合せのグループを作成してもよい。又は、要因推定部１３は、特定のアルゴリズムによって、あるいはランダムに複数のグループを作成してもよい。要因推定部１３は、３つのパラメータを組み合わせたグループについても複数パターン作成する。全パターン作成する場合には、_７Ｃ_３×２^３通りのグループが作成できる。要因推定部１３は、４～７つのパラメータを組み合わせたグループについても同様に複数パターンずつ作成する。要因推定部１３は、データ取得部１１が取得した観測データを、該当するグループに分類する（観測データのグルーピング）。例えば、図４の観測対象ＩＤ＝００１の観測データは、図５に例示するグループのうちＧ－１－１、Ｇ－１－３、Ｇ－２－１、Ｇ－３－２にグルーピングされる。観測対象ＩＤ＝００２の観測データは、図５のＧ－１－２、Ｇ－１－４、Ｇ－２－４にグルーピングされる。

次に要因推定部１３は、事象の発生状況を評価するための評価項目を設定する（ステップＳ３）。設定受付部１２は、ユーザによる評価項目の設定を受け付け、要因推定部１３は、観測データに評価項目を設定する。図６に評価項目の一例を示す。例えば、事象が、感染症の進展の場合、評価項目として、軽症から中等症への悪化、軽症から中等症への移行期間、軽症期間、軽症時の体温、中等症から重症への悪化などが設定される。例えば、事象が、量産品の製造における不良品や遅延の発生の場合、評価項目として、“不良１”の発生、“不良２”の発生、納期遅延の発生などが設定される。例えば、事象が、プラントの故障や停止の場合、評価項目として、“故障１”の発生、“故障２”の発生、プラントの停止などが設定される。

次に要因推定部１３は、設定した評価項目ごとに以下のステップＳ４～Ｓ１４の処理を行う。
要因推定部１３は、観測データごとに評価値を設定する（ステップＳ４）。例えば、評価項目が、軽症から中等症への悪化の場合、ユーザは、観測対象ＩＤ＝００１について、その人の軽症から中等症への悪化の程度を数値化した値を解析装置１０へ入力する。設定受付部１２は、入力された悪化程度を示す値を取得する。要因推定部１３は、設定受付部１２が受け付けた値を観測対象ＩＤ＝００１の観測データと対応付けて記憶部１７に記録する。要因推定部１３は、他の観測対象の観測データについても、評価項目１について軽症から中等症への悪化程度を示す値を設定する。

次に要因推定部１３は、グループごとに評価値の平均値を算出する（ステップＳ５）。例えば、グループＧ－１－１に観測対象ＩＤが００１、０１１、０１２のＩＤを持つ観測データがグルーピングされていて、各観測データの評価項目１の値が、７０、６０、５０の場合、要因推定部１３は、グループＧ－１－１の評価項目１についての評価値の平均値６０を算出する。要因推定部１３は、他のグループについても評価値の平均値を算出する。図７に、グループごとの評価値と平均値の一例を示す。

次に要因推定部１３は、評価値の平均値と度数の分布を算出する（ステップＳ６）。ここで、度数とは、グループに分類された観測データの数（観測対象の数）である。例えば、図７の例ではグループＧ－１－１の度数は３である。要因推定部１３は、各グループの度数を算出し、グループごとの評価値の平均値と度数の分布を算出する。例えば、要因推定部１３は、評価値の平均値と度数とを座標軸とする座標系に、各グループに対応する点をプロットする。１つの評価項目についてのグループごとの評価値の平均値と度数の分布をプロットした図を図８上段の分布図７０に示す。

次に要因推定部１３は、評価項目についての評価値の高低を判定するためのＨｉｇｈとＬｏｗの閾値を設定する（ステップＳ７）。例えば、ユーザは、評価項目１の軽症から中等症への悪化の評価値についてＨｉｇｈ（中等症への悪化の程度が大きい）と判定する閾値Ｔｈ１と、Ｌｏｗ（中等症への悪化の程度が小さい）と判定する閾値Ｔｈ２とを解析装置１０へ入力する。設定受付部１２は、入力された閾値Ｔｈ１、Ｔｈ２を取得する。要因推定部１３は、設定受付部１２が取得した閾値Ｔｈ１、Ｔｈ２をステップＳ６で算出した評価値と度数の分布に対して適用する。例えば、閾値Ｔｈ１よりも評価値の平均値が大きいグループは、軽症から中等症への悪化程度が大きい観測対象が集められたグループである。このグループに集約された観測対象の観測データを解析することによって、軽症から中等症への悪化を促進する要因を特定できる可能性がある。要因推定部１３は、後続の処理によって、軽症から中等症への悪化を促進する要因を推定する。反対に、閾値Ｔｈ２よりも評価値の平均値が小さいグループは、軽症から中等症への悪化程度が小さい観測対象が集められたグループである。このグループに集約された観測データを解析することによって、軽症から中等症への悪化を抑制する要因を特定できる可能性がある。要因推定部１３は、後続の処理によって、軽症から中等症への悪化を抑制する要因を推定する。
例えば、出力部１６は、分布図７０を表示装置へ出力してもよい。

次に要因推定部１３は、グループの整理を行う（ステップＳ８）。例えば、ユーザは、分布図７０を参照して近くにある点を確認し、各点の属性値を比較する。そして各点の属性値が類似していれば、異なる属性値を無視して１つのグループにまとめることを検討する。例えば、図８の分布図７０における評価値の平均値が類似するグループｇ１とグループｇ２がともにパラメータ１～７のうちのパラメータ２～５で構成されているとする。また、グループｇ１の属性値はパラメータ２＝ＯＮ、パラメータ３＝ＯＮ、パラメータ４＝ＯＮ、パラメータ５＝ＯＮであり、グループｇ２の属性値はパラメータ２＝ＯＮ、パラメータ３＝ＯＮ、パラメータ４＝ＯＮ、パラメータ５＝ＯＦＦであるとする。また、グループｇ３はパラメータ２～４で構成されていて、グループｇ３の属性値はパラメータ２＝ＯＮ、パラメータ３＝ＯＮ、パラメータ４＝ＯＮであるとする。ユーザは、評価項目１の評価値にパラメータ５は影響ないと考え、パラメータ５の値をＯＮでもＯＦＦでもない値（例えば、ブランク）とするような指示情報を解析装置１０へ入力する。設定受付部１２は、この指示情報を受け付ける。要因推定部１３は、評価項目１について、各観測データのパラメータ５にブランクを設定し、再度ステップＳ２と同様のグルーピングを行う。この処理により、グループｇ１～ｇ３は１つの同じグループｇ４へとグルーピングされる。要因推定部１３は、他のグループについても同様の処理を行う。グループ整理後の評価値と度数の分布を図８下段の分布図７１に示す。

次に要因推定部１３は、各グループに分類された観測データの数が十分であることを判定するための度数の閾値を設定する（ステップＳ９）。グループに属する観測データの数が少なければ、そのグループの観測データを解析して、要因が推定できたとしても母数が少ないために信頼性の高い解析結果とならない可能性がある。従って、ステップＳ９では、観測データの数が閾値以上のグループだけを解析対象とするように度数の閾値を設定する。例えば、ユーザは、母数を担保できる度数の閾値Ｖを解析装置１０へ入力する。設定受付部１２は、入力された閾値Ｖを取得する。要因推定部１３は、設定受付部１２が取得した閾値ＶをステップＳ６～Ｓ８で算出した評価値と度数の分布に対して適用する（図８下段の分布図７１）。例えば、出力部１６は、分布図７１を表示装置へ出力してもよい。

次に要因推定部１３は、評価値の分布が適切かどうかを判定する（ステップＳ１０）。例えば、閾値Ｔｈ１より高い平均値を有する整理後のグループ又は／及び閾値Ｔｈ２より低い平均値を有する整理後のグループが存在すれば、要因推定部１３は、評価値の分布が適切であると判定する。評価値の分布が適切ではない例を、図９上段の分布図７２に示す。分布図７２では、全てのグループが中央の範囲に集まっている。閾値を超過するグループが得られない場合、要因推定部１３は、分布が適切では無いと判定する。又は、ユーザが、分布図７２を参照して、分布が適切かどうかを判断し、その結果を解析装置１０へ入力し、入力された判断結果に基づいて、要因推定部１３が、分布が適切かどうかを判定してもよい。

分布が適切な場合（ステップＳ１０；Ｙｅｓ）、要因推定部１３は、評価値の平均値が閾値Ｔｈ１以上で、かつ、度数が閾値Ｖ以上のグループ（分布図７１のｇ４）を抽出する。また、要因推定部１３は、評価値の平均値が閾値Ｔｈ２以下で、かつ、度数が閾値Ｖ以上のグループ（分布図７１のｇ０）を抽出する。要因推定部１３は、抽出したグループ（ｇ０とｇ４）を処理対象として、後述するステップＳ１４の処理へ進む。

分布が適切では無い場合（ステップＳ１０；Ｎｏ）、出力部１６は、例えば、パラメータの追加を受け付ける設定画面などを生成し、表示装置へ出力する。例えば、図３に例示した感染症の進展のパラメータ１～７のうち、パラメータ４が影響の大きい属性である場合、パラメータ４を設定しない状態で、ステップＳ９までの処理を行っても各グループには、パラメータ４がＯＮの観測データとＯＦＦの観測データが混在し、グループごとの評価値の平均値を算出すると分布がＨｉｇｈとＬｏｗの間に集中する可能性がある。このような分散状況の場合、影響のあるパラメータ４を追加して、再度、グルーピング（ステップＳ２）、評価値の設定（ステップＳ４）、平均値の算出（ステップＳ５）、平均値と度数の分布の算出（ステップＳ６）を行うことにより、図９下段の分布図７３に示す適切な分散状況に変化させることを試みる。ユーザは、評価項目１に関係のあるパラメータを探して、追加できそうなパラメータがあれば（ステップＳ１１；Ｙｅｓ）、新たなパラメータとそのパラメータについての各観測対象の属性値を解析装置１０へ入力する。また、ユーザは、観測データの各々について、新たに追加したパラメータの値（ＯＮ又はＯＦＦ）を設定する。設定受付部１２は、新しいパラメータおよび各観測データに対する値の入力を受け付け、記憶部１７が記憶する観測データに反映させる。要因推定部１３は、パラメータ追加後の観測データについて、グルーピング、評価値の設定、平均値の算出、平均値と度数の分布の算出を実行する（ステップＳ１３）。その後、要因推定部１３は、ステップＳ１０以降の処理を繰り返し実行する。

追加するパラメータが見つからない場合（ステップＳ１１）、ユーザは、追加パラメータ無しとの情報を解析装置１０へ入力する。追加パラメータ無しが入力されると、要因推定部１３は、未知のパラメータを仮定し、事象の発生確率を設定する（ステップＳ１２）。図１０を参照して、ステップＳ１２の処理について説明する。要因推定部１３は、整理後の各グループについて、あるいは、評価値の平均値と閾値Ｔｈ１、Ｔｈ２の何れかとの差が所定の範囲内にある整理後のグループについて、平均値ではなく、グループを構成する観測データ１つずつの評価値の分布を算出する。この処理を行う対象のグループは、ユーザによって選択されてもよい。例えば、要因推定部１３は、図１０上段の分布図７４に示すグループｇ５、ｇ６について、各観測データの評価値に分解して分布を算出する。図１０下段の分布図７５は、対象グループについて観測対象ごとの評価値に分解した場合の例である。（各観測データの度数は１だが、分布図７５では度数は無視して記してある。）図１０下段の分布図７５に示すように、分解後の分布において、閾値Ｔｈ１、Ｔｈ２を超過する観測データが存在する場合、要因推定部１３は、評価項目１の事象の要因となる１つ又は複数の未知のパラメータが存在すると仮定する。また、要因推定部１３は、この未知のパラメータについて、当該未知パラメータの値がＯＮ又はＯＦＦであることによって、グループｇ５に該当する属性値を有する観測対象について３／８の確率で、評価項目１の事象の発生を抑制し、グループｇ６に該当する属性値を有する観測対象について３／６の確率で、評価項目１の事象の発生を促進する効果があるパラメータであると認識する。

次に要因推定部１３は、対象とする評価項目の要因を推定する（ステップＳ１４）。例えば、評価項目１について、Ｈｉｇｈに分類されたグループ（評価値の平均値が閾値Ｔｈ１以上）をＧ－ｋ、Ｇ－ｌ、Ｇ－ｍ、Ｇ－ｎ、Ｌｏｗに分類されたグループ（評価値の平均値が閾値Ｔｈ２以下）を、Ｇ－ｐ、Ｇ－ｑ、・・・とする。評価項目１がＨｉｇｈとなる要因を推定する場合、要因推定部１３は、Ｇ－ｋ、Ｇ－ｌ、Ｇ－ｍ、Ｇ－ｎのパラメータの重なりを解析する。図１１に解析結果の一例を示す。図１１において、例えば、Ｇｏ１とＧｏ４はＧ－ｍ、Ｇ－ｎに共通するパラメータおよびその値を示し、更にＧｏ４はＧ－ｌ、Ｇ－ｍ、Ｇ－ｎに共通するパラメータおよびその値を示す。要因推定部１３は、最も多くのグループが重なっているＧｏ４に対応するパラメータとその値を評価項目１の評価値がＨｉｇｈとなることに最も影響するパラメータとその値（例えば、パラメータ１＝ＯＮ、パラメータ２＝ＯＮ）として評価する。要因推定部１３は、重なるグループの数に応じて、副次的な要因を示すパラメータおよびその値を設定してもよい。例えば、要因推定部１３は、Ｇｏ１、Ｇｏ２、Ｇｏ３に対応するパラメータおよびその値を副次的な要因として設定してもよい。また、他のグループと重ならないグループＧ－ｋについて、要因推定部１３は、Ｇ－ｋのパラメータおよびその値を評価項目１の要因として設定しなくてもよいし、Ｇ－ｋに属する観測データが多い場合には、Ｇｏ４に対応するパラメータおよびその値とは別に、Ｇ－ｋのパラメータおよびその値を評価項目１の要因として設定してもよい。要因推定部１３は、評価項目１の評価値がＬｏｗとなる要因についても同様の方法によって推定する。例えば、Ｇ－ｐ、Ｇ－ｑに共通するＧｏ５に対応するパラメータおよびその値を評価項目１の評価値がＬｏｗとなる要因として推定する。

なお、要因推定部１３は、ステップＳ１２の処理を行った場合は、対象となるグループ（図１０の例ではグループｇ５とｇ６のそれぞれ）について、上記処理を行って要因となるパラメータとその値を特定し、特定したパラメータに更に未知のパラメータを追加したものを評価項目１の要因として推定する。具体的には、要因推定部１３は、グループｇ５のパラメータに未知パラメータを加えたものを評価項目１の評価値をＬｏｗにする要因として推定し、グループｇ６のパラメータに未知パラメータを加えたものを評価項目１の評価値をＨｉｇｈにする要因として推定する。

また、要因推定部１３は、グループごとに評価項目に設定した事象が発生する確率を推定する（ステップＳ１５）。例えば、評価項目１について、Ｈｉｇｈに分類されたグループＧ－ｋ、Ｇ－ｌ、Ｇ－ｍ、Ｇ－ｎについて、Ｇ－ｌに属する観測データの数（母数）が１００個、その観測データのうち閾値Ｔｈ１以上の評価値が設定された観測データの数が７０個であれば、要因推定部１３は、Ｇ－ｌと同様の属性値を有する観測データの場合、評価項目１の評価値がＨｉｇｈとなる確率は７０％であると推定する。要因推定部１３は、Ｇ－ｋ、Ｇ－ｍ、Ｇ－ｎについても同様に評価項目１の評価値がＨｉｇｈとなる確率の推定値を算出する。また、要因推定部１３は、Ｇ－ｐ、Ｇ－ｑ等について、評価項目１の評価値がＬｏｗとなる確率の推定値を算出する。要因推定部１３は、対象とする評価項目について、Ｈｉｇｈとなる要因と、Ｌｏｗとなる要因と、グループごとの評価値がＨｉｇｈとなる確率と評価値がＬｏｗとなる確率と、を記憶部１７に記録する（ステップＳ１６）。

要因推定部１３は、ステップＳ３で設定された全ての評価項目について、ステップＳ４～ステップＳ１６の処理を行う。全ての評価項目について要因推定等が終了すると、出力部１６は、評価項目ごとの推定結果を表示装置や電子ファイルなどに出力する（ステップＳ１７）。図１２に推定結果の出力例を示す。図１２に示すように、評価項目ごとの要因、評価値がＨｉｇｈまたはＬｏｗとなるグループごとの確率が表示される。例えば、ステップＳ２で作成した全グループについて評価項目ごとに評価値がＨｉｇｈまたはＬｏｗとなる確率が出力されてもよい。

例えば、事象が感染症の進展の場合、解析装置１０は、定期検査などによって観測データが取得できるたびに図２の処理を実行して評価結果の見直しを行ってもよい。事象が量産品の製造における不良品の発生やプラントの故障の場合、不良品や故障が発生するたびに図２の処理を実行して評価結果の見直しを行ってもよい。

上記したように本実施形態の要因推定処理によれば、観測対象が有する複数の属性に注目し、属性の組み合せごとに同じ属性値を持つ観測対象をグルーピングし、グループごとに評価値を算出する。そして、グループ別の評価値の度数分布から、評価値が示す特性を反映したグループを１つまたは複数選択し、選択したグループが持つ属性値から、評価値が示す事象（例えば、軽症から中等症へ悪化する（Ｈｉｇｈ）又は悪化しない（Ｌｏｗ））の要因を推定する。これにより、評価値に影響を与えるパラメータおよびその値を適切に抽出することができる。

また、評価値が示す事象を反映したグループが抽出できない場合、未知のパラメータの存在を仮定し、未知のパラメータを加えることによって評価値が示す事象を反映したグループとなるであろうグループを選択する。そして、選択したグループ内の観測データ各々の評価値に基づいて、未知のパラメータの影響、効果を推定する。これにより、評価値の要因となる属性値が不明瞭な場合でも、現在分かっている属性値の組み合せに未知パラメータを加えた形式で要因を推定することができる。

また、グループごとに評価値が所定の値（Ｈｉｇｈ、Ｌｏｗ）となる確率を算出することで、後にそのグループと同様の属性値を有する観測対象が現れた場合に、その観測対象に生じる事象を予測することができる。

（予測処理）
次に図１３を用いて予測部１４による予測処理ついて説明する。予測処理は、属性の少なくとも一部が判明している観測対象について、評価項目で設定した事象が発生する確率を予測する処理である。
図１３は、実施形態における予測処理の一例を示すフローチャートである。
前提として、予測対象の事象について、既に図２～図１２を用いて説明した要因推定処理が実行されており、記憶部１７には、図５で例示したグループの構成情報、図６で例示した評価項目の設定情報、図１２の出力例と同様の情報が記録されているとする。
まず、ユーザが予測対象の観測データを解析装置１０に入力する。観測データの各パラメータには、観測対象の属性値が設定されている。パラメータが不明な場合には、ブランクとしてもよいし、ＯＮを仮設定した観測データとＯＦＦを仮設定した観測データを作成してもよい。データ取得部１１は、観測データを取得し（ステップＳ２１）、予測部１４へ出力する。次に予測部１４は、予測対象の観測データに適合するグループを選択する（ステップＳ２２）。例えば、予測対象の観測データのパラメータ１～パラメータ７の全てがＯＮの場合、予測部１４は、この観測データに適合するグループとして、図５に記載した範囲ではＧ－１－１、Ｇ－２－１、Ｇ－３－１、Ｇ－７－１を選択する。次に予測部１４は、選択したグループに基づいて予測を行う（ステップＳ２３）。例えば、評価項目が２つ設定され、図２の要因推定処理の結果、評価項目１～２について、以下のような結果が得られているとする。

Ｇ－１－１と同様の属性値を持つ場合に評価項目１の評価値がＨｉｇｈとなる確率が８０％、Ｇ－１－１と同様の属性値を持つ場合に評価項目１の評価値がＬｏｗとなる確率が０％、Ｇ－２－１と同様の属性値を持つ場合に評価項目１の評価値がＨｉｇｈとなる確率が２０％、Ｇ－２－１と同様の属性値を持つ場合に評価項目１の評価値がＬｏｗとなる確率が５０％、Ｇ－３－１と同様の属性値を持つ場合に評価項目１の評価値がＨｉｇｈとなる確率が３０％、Ｇ－３－１と同様の属性値を持つ場合に評価項目１の評価値がＬｏｗとなる確率が３０％、Ｇ－７－１と同様の属性値を持つ場合に評価項目１の評価値がＨｉｇｈとなる確率が１０％、Ｇ－７－１と同様の属性値を持つ場合に評価項目１の評価値がＬｏｗとなる確率が１０％

Ｇ－１－１と同様の属性値を持つ場合に評価項目２の評価値がＨｉｇｈとなる確率が７０％、Ｇ－１－１と同様の属性値を持つ場合に評価項目２の評価値がＬｏｗとなる確率が１０％、Ｇ－２－１と同様の属性値を持つ場合に評価項目２の評価値がＨｉｇｈとなる確率が２０％、Ｇ－２－１と同様の属性値を持つ場合に評価項目２の評価値がＬｏｗとなる確率が６０％、Ｇ－３－１と同様の属性値を持つ場合に評価項目２の評価値がＨｉｇｈとなる確率が２０％、Ｇ－３－１と同様の属性値を持つ場合に評価項目２の評価値がＬｏｗとなる確率が３０％、Ｇ－７－１と同様の属性値を持つ場合に評価項目２の評価値がＨｉｇｈとなる確率が１０％、Ｇ－７－１と同様の属性値を持つ場合に評価項目２の評価値がＬｏｗとなる確率が２０％

予測部１４は、予測対象の観測データに対して、上記と同様の予測を行う。次に出力部１６が予測結果を表示装置や電子ファイルへ出力する（ステップＳ２４）。例えば、出力部１６は、上記の１６個の予測結果全てを出力してもよいし、最も多くの属性値が合致するグループＧ－７－１についての予測結果のみ（４個、又はＨｉｇｈのみ、Ｌｏｗのみの２個など）を出力してもよい。例えば、感染症の場合、評価項目１に軽症から中等症へ悪化する確率を設定し、評価項目２に軽症から中等症へ悪化するまでの日数を設定し、評価項目３に中等症から重症へ悪化する確率を設定し、評価項目４に中等症から重症へ悪化するまでの日数を設定し、評価項目５に軽症から回復する確率を設定しておけば、現在軽症の予測対象者に対して、今後、中等症へと悪化する（評価項目１）、その場合の日数（評価項目２）、中等症から重症へさらに悪化する（評価項目３）、その場合の日数（評価項目４）、現在の軽症から悪化すること無く回復する（評価項目５）という５つの異なるシナリオについて、確率的に将来を予測することができる。この予測に基づいて、この感染者への治療方針の計画を立てたり、病床や医療機器、薬品の準備や調達計画を立てたりすることができる。プラントの故障の場合、故障Ａが発生する確率、故障Ｂが発生する確率、プラントの停止に至る確率といったシナリオで将来を予測することができるので、プラントの運転員は、各事象のリスクに応じた運転を行うことができる。

以上説明したように本実施形態の予測処理によれば、観測対象の属性に基づいて、複数のシナリオについて確率的な予測を行うことができる。

（属性値推定処理）
次に図１４を用いて属性値推定部１５による属性値推定処理ついて説明する。属性値推定処理は、事象や挙動が近しいグループに基づいて観測対象の属性値を推定する処理である。
図１４は、実施形態における属性値推定処理の一例を示すフローチャートである。
前提として、既に図２～図１２を用いて説明した要因推定処理が実行されており、記憶部１７には、図５で例示したグループの構成情報、図６で例示した評価項目の設定情報、図１２の出力例と同様の情報が記録されているとする。
まず、ユーザが観測対象に生じた事象を解析装置１０に入力する。データ取得部１１は、観測対象に生じた事象の情報を取得する（ステップＳ３１）。例えば、事象が感染症の場合、感染者が中等症であれば、現在の症状（中等症）、軽症から中等症に移行するまでの日数（例えば、８日）などを入力する。データ取得部１１は、事象の情報を属性値推定部１５へ出力する。次に属性値推定部１５は、事象に適合するグループを特定する（ステップＳ３２）。例えば、図２の要因推定処理の結果、グループＧ－７－１について中等症に悪化する確率が８０％、軽症から中等症までの移行期間が１０日間と評価され、グループＧ－７－２について中等症に悪化する確率が７０％、軽症から中等症までの移行期間が６日間と評価され、他のグループは、中等症に悪化する確率がこれら２つのグループよりもかなり小さい場合、属性値推定部１５は、グループＧ－７－１とグループＧ－７－２を、観測対象の事象に合致するグループとして特定する。例えば、観測対象の軽症から中等症への移行期間が１０日間だった場合、属性値推定部１５は、グループＧ－７－１のみを適合するグループとして特定してもよい。次に属性値推定部１５は、特定したグループに基づいて、観測対象の属性値を推定する（ステップＳ３３）。例えば、グループＧ－７－１が、パラメータ１～７の値が全てＯＮで構成されている場合、属性値推定部１５は、観測対象のパラメータ１～７の値は全てＯＮであると推定する。出力部１６は、推定結果を表示装置や電子ファイル等へ出力する（ステップＳ３４）。

上記説明したように本実施形態の属性値推定方法によれば、属性値が判明しない観測対象についての属性値を推定することができる。例えば、観測対象がプラントで、プラントに“故障１”が発生し、さらに、あるセンサの計測値が、センサの故障や通信線の切断等により監視装置側で取得できなくなっているとする。また、このセンサの値が、故障からの復旧方針を定めるうえで重要であるとする。このような場合に属性値推定部１５によって、センサの計測値が推定できれば、復旧作業に役立てることができる。また、感染症の場合、例えば、基礎疾患の有無、血栓症、高脂血症などの症状について患者が把握していなかったり、誤って認識していたりする可能性がある。そのような場合に属性値推定部１５によって、基礎疾患の有無、血栓症、高脂血症などの属性値を推定することができれば、投薬の種類や治療方針の参考にすることができる。また、例えば、量産品の不良の場合、属性値の推定により、工作機械の故障が推定されるような場合、工作機械の点検を行う等の対策を行うことによって、不良品の発生率を改善することができる。

図１５は、実施形態の解析装置のハードウェア構成の一例を示す図である。
コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述の解析装置１０は、コンピュータ９００に実装される。そして、上述した各機能（解析装置１０、データ取得部１１、設定受付部１２、要因推定部１３、予測部１４、属性値推定部１５、出力部１６）は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。

解析装置１０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、解析装置１０は、複数のコンピュータ９００によって構成されていても良い。記憶部１７は、コンピュータ９００とは別体の外部記憶装置に記憶されていても良い。

その他、本開示の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この開示の技術範囲は上記の実施形態に限られるものではなく、本開示の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。

＜付記＞
各実施形態に記載の要因推定方法、予測方法、属性値推定方法、要因推定装置（解析装置１０）、予測装置（解析装置１０）、属性値推定装置（解析装置１０）およびプログラムは、例えば以下のように把握される。

（１）第１の態様に係る要因推定方法は、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと（ステップＳ１）、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと（ステップＳ２）、前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し（ステップＳ３）、前記観測データに対して前記評価項目についての評価値を設定するステップと（ステップＳ４）、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し（ステップＳ５）、前記グループに属する前記観測データの数を前記代表値の度数として対応付けたグループ統計値（図８の分布図７０のｇ１～ｇ３等）を算出するステップと（ステップＳ６）、任意の前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定するステップと（ステップＳ１４）、を有する。
これにより、事象発生の要因となる属性値の組み合せを適切に抽出することができ、抽出した属性値の組み合せを事象発生の要因として推定することができる。
実施形態では評価値の代表値として、平均値を算出する例を挙げたが、中央値や最頻値を代表値として算出してもよい。また、例えば、複数個を１セットとして扱いを受ける評価値について、分散を代表値として用いてもよい。また、平均値と分散の２つを代表値として用いてもよい。

（２）第２の態様に係る要因推定方法は、（１）の要因推定方法であって、前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出するステップ（ステップＳ１０）、をさらに有し、前記決定するステップでは、前記抽出するステップにて抽出した前記グループ統計値について、前記事象の要因となるパラメータおよびその値を決定する。
閾値条件を満たすグループ統計値を抽出することにより、把握したい事象とその要因との関係性が強いサンプルを抽出することができ、このサンプルから要因を推定することにより、予測精度を高めることができる。前記度数が所定値以上のものを抽出することにより、予測の信頼性を確保することができる。

（３）第３の態様に係る要因推定方法は、（１）～（２）の要因推定方法であって、前記閾値条件を満たす前記評価値と満たさない前記評価値とを含む前記グループを、第２グループとして抽出し、抽出した前記第２グループについて、新たなパラメータが前記事象の発生状況に関与すると仮定し、仮定したパラメータを、前記第２グループの前記パラメータに追加するとともに、前記仮定したパラメータは、前記第２グループの前記パラメータおよびその値を有する観測対象に対して、前記第２グループの中で前記閾値条件を満足する前記評価値が占める割合に応じた確率で、前記事象を発生させる性質を持った要因であると推定する。
現在判明しているパラメータだけでは、要因推定が難しい場合でも、未知のパラメータを仮定することで、未知のパラメータを含んだ形式で事象の要因を推定し、推定した要因に基づく事象の発生確率を推定することができる。

（４）第４の態様に係る要因推定方法は、（１）～（３）の要因推定方法であって、前記グループごとの前記事象の発生確率を推定するステップ（ステップＳ１５）、をさらに有する。
事象の発生の主な要因を推定するだけでなく、グループ（パラメータの組み合せ）ごとの事象の発生確率を把握することができる。

（５）第５の態様に係る予測方法は、（１）～（３）の何れか１つに記載の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データが有する前記属性値と、に基づいて、第２の前記観測データに対応する前記観測対象に生じる前記事象を予測する。
これにより、観測対象の属性値が把握できれば、その観測対象に生じる事象を予測することができる。

（６）第６の態様に係る予測方法は、（５）の予測方法であって、（３）に記載の要因推定方法で前記パラメータおよびその値を決定した場合、当該パラメータおよびその値を持つ前記観測対象には、前記第２グループの中で前記閾値条件を満足する前記評価値が占める割合に応じた確率で、前記事象が発生すると予測する。
これにより、未知のパラメータを仮定して要因推定を行った場合でも、観測対象の判明しているパラメータについての属性値が把握できれば、その観測対象に生じる事象を予測することができる。

（７）第７の態様に係る予測方法は、（５）～（６）の予測方法であって、前記評価項目ごとに前記評価値が所定の条件を満たす確率を予測する。
評価項目ごとに、評価項目に設定した事象が発生する確率を予測することができる。これにより、観測対象について、複数シナリオに沿った予測が可能になる。

（８）第８の態様に係る属性値推定方法は、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、（１）～（４）の何れかに記載の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する。
これにより、属性値が不明な観測対象に、要因推定を行った事象が発生した場合に、その観測対象の属性値を推定することができる。

（９）第９の態様に係る要因推定装置（解析装置１０）は、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するデータ取得部１１と、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングし、事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目の評価値を設定し、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を前記代表値の度数として対応付けたグループ統計値を算出し、任意の前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の発生状況に関係する要因となるパラメータおよびその値として決定する要因推定部１３と、を有する。

（１０）第１０の態様に係る予測装置は、（９）に記載の要因推定装置と、前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係と、前記データ取得部が取得した第２の前記観測データに対応する観察対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する観測対象に生じる前記事象を予測する予測部と、を備える。

（１１）第１１の態様に係る属性値推定装置は、（９）に記載の要因推定装置と、前記データ取得部が取得した、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する。

（１２）第１２の態様に係るプログラムは、コンピュータに、観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと、前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと、事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目の評価値を設定するステップと、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を前記代表値の度数として対応付けたグループ統計値を算出するステップと、任意の前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の発生状況に関係する要因となるパラメータおよびその値として決定するステップと、を実行させる。

（１３）第１３の態様に係るプログラムは、（１２）のプログラムであって、前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データに対応する観察対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する前記観測対象に生じる前記事象を予測するステップ、を更に実行させる。

（１４）第１４の態様に係るプログラムは、（１２）のプログラムであって、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係に基づいて推定するステップ、を更に実行させる。

１０・・・解析装置
１１・・・データ取得部
１２・・・設定受付部
１３・・・要因推定部
１４・・・予測部
１５・・・属性値推定部
１６・・・出力部
１７・・・記憶部
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims

コンピュータによって実行される要因推定方法であって、
観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと、
前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと、
前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定するステップと、
前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出するステップと、
前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出するステップと、
前記抽出するステップにて抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定するステップと、
を有する要因推定方法。
前記閾値条件を満たす前記評価値と満たさない前記評価値とを含む前記グループを、第２グループとして抽出し、
抽出した前記第２グループについて、新たなパラメータが前記事象の発生状況に関与すると仮定し、前記仮定したパラメータを、前記第２グループの前記パラメータに追加するとともに、
前記仮定したパラメータは、前記第２グループの前記パラメータおよびその値を有する観測対象に対して、前記第２グループの中で前記閾値条件を満足する前記評価値が占める割合に応じた確率で、前記事象を発生させる性質を持った要因であると推定する、
請求項１に記載の要因推定方法。
前記グループごとに前記事象の発生確率を推定するステップ、をさらに有する請求項１から請求項２の何れか１項に記載の要因推定方法。
コンピュータによって実行される予測方法であって、
請求項１から請求項３の何れか１項に記載の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データに対応する観察対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する前記観測対象に生じる前記事象を予測する予測方法。
請求項２に記載の要因推定方法で前記パラメータおよびその値を決定した場合、当該パラメータおよびその値を持つ前記観測対象には、前記第２グループの中で前記閾値条件を満足する前記評価値が占める割合に応じた確率で、前記事象が発生すると予測する、
請求項２を引用する場合の請求項４に記載の予測方法。
前記評価項目ごとに発生確率を予測する、
請求項４または請求項５に記載の予測方法。
コンピュータによって実行される属性値推定方法であって、
前記事象が発生した観測対象の第３に係る前記観測データにおける前記パラメータの値を、請求項１から請求項３の何れか１項に記載の要因推定方法で決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する、
属性値推定方法。
観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するデータ取得部と、
前記パラメータの組み合わせに基づいて、前記観測データをグルーピングし、前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定し、前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出し、前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出し、前記抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定する要因推定部と、
を有する要因推定装置。
請求項８に記載の要因推定装置と、
前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係と、前記データ取得部が取得した第２の前記観測データに対応する観察対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する前記観測対象に生じる前記事象を予測する予測部と、
を備える予測装置。
請求項８に記載の要因推定装置と、
前記データ取得部が取得した、前記事象が発生した観測対象に係る第３の前記観測データにおける前記パラメータの値を、前記要因推定部が決定した前記パラメータおよびその値と前記事象との関係に基づいて推定する属性値推定部と、
を備える属性値推定装置。
コンピュータに、
観測対象について複数のパラメータを設定し、各パラメータに前記観測対象の属性を示す属性値又は前記属性が不明な場合には仮の値を設定した前記観測対象の観測データを取得するステップと、
前記パラメータの組み合わせに基づいて、前記観測データをグルーピングするステップと、
前記観測対象に関係する事象の発生状況を評価するための評価項目を設定し、前記観測データに対して前記評価項目についての評価値を設定するステップと、
前記グルーピングによって生成されたグループごとにそのグループに属する前記観測データの前記評価値の代表値を算出し、前記グループに属する前記観測データの数を示す度数と前記代表値とを対応付けたグループ統計値を算出するステップと、
前記グループ統計値のうち、前記評価値の代表値が所定の閾値条件を満たし、かつ、前記度数が所定値以上のものを抽出するステップと、
前記抽出するステップにて抽出した前記グループ統計値に対応する前記グループに共通する前記パラメータの値を、前記事象の要因となるパラメータおよびその値として決定するステップと、
を実行させるプログラム。
前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係と、第２の前記観測データに対応する観察対象が有する前記属性値と、に基づいて、第２の前記観測データに対応する前記観測対象に生じる前記事象を予測するステップ、
を更に実行させる請求項１１に記載のプログラム。
前記事象が発生した観測対象の第３に係る前記観測データにおける前記パラメータの値を、前記決定するステップにて決定した前記パラメータおよびその値と前記事象との関係に基づいて推定するステップ、
を更に実行させる請求項１１に記載のプログラム。