JP7567904B2 - 犯罪捜査支援システム、犯罪捜査支援方法、及び、犯罪捜査支援プログラム - Google Patents
犯罪捜査支援システム、犯罪捜査支援方法、及び、犯罪捜査支援プログラム Download PDFInfo
- Publication number
- JP7567904B2 JP7567904B2 JP2022512499A JP2022512499A JP7567904B2 JP 7567904 B2 JP7567904 B2 JP 7567904B2 JP 2022512499 A JP2022512499 A JP 2022512499A JP 2022512499 A JP2022512499 A JP 2022512499A JP 7567904 B2 JP7567904 B2 JP 7567904B2
- Authority
- JP
- Japan
- Prior art keywords
- incident
- type
- history information
- estimation
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Description
本発明は、犯罪捜査支援システム、犯罪捜査支援装置、犯罪捜査支援方法、及び、犯罪捜査支援プログラムが格納された記録媒体に関する。
犯罪事件（事件又は刑事事件とも称する）の発生を事前に予測し、その発生を未然に防止することは、安全な社会を構築する上で重要である。
特許文献１には、テンプレートマッチングにより、犯罪の発生場所及び時刻をリアルタイムで予測するシステムが開示されている。
Lu Wang, Wenchao Yu, Wei Wang, Wei Cheng, Wei Zhang, Hongyuan Zha, Xiaofeng He, Haifeng Chen, "Learning Robust Representations with Graph Denoising Policy Network ", arXiv:1910.01784, October 4, 2019
Dongkuan Xu, Wei Cheng, Dongsheng Luo, Xiao Liu, Xiang Zhang, "Spatio-Temporal Attentive RNN for Node Classification in Temporal Attributed Graphs", Twenty-Eighth International Joint Conference on Artificial Intelligence Main track, Pages 3947-3953, August 11-12, 2019
Wenchao Yu, Wei Cheng, Charu Aggarwal, Kai Zhang, Haifeng Chen, Wei Wang, " NetWalk: A Flexible Deep Embedding Approach for Anomaly Detection in Dynamic Networks", KDD 2018, August 19-23, 2018, London, United Kingdom
特許文献１は、未だ起こっていない犯罪事件の発生を予測することにより、犯罪事件の発生を未然に防止することができる。しかしながら、通常、犯罪事件発生後の捜査は、警察の捜査員により人手で行われている。特に、熟練した捜査員の経験と勘に頼って、捜査が行われることが多い。
本発明の主たる目的は、熟練した捜査員の経験と勘に依存することなく事件を解決できるように、犯罪事件の捜査を好適に支援する犯罪捜査支援システム等を提供することにある。
本発明の一態様に係る犯罪捜査支援システムは、第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表し、行動履歴情報及び人間関係情報を基づき事件の種別を推定する推定モデルを生成する、モデル生成手段と、前記推定モデルを用いて、第２の事件に関する前記行動履歴情報及び前記人間関係情報を入力することにより、前記第２の事件の種別を推定する推定手段と、を備え、前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す。
上記目的を達成する他の見地において、本発明の一態様に係る犯罪捜査支援方法は、情報処理システムによって、第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表し、行動履歴情報及び人間関係情報を基づき事件の種別を推定する推定モデルを生成し、前記推定モデルを用いて、第２の事件に関する前記行動履歴情報及び前記人間関係情報を入力することにより、前記第２の事件の種別を推定する推定し、前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す。
また、上記目的を達成する更なる見地において、本発明の一態様に係る犯罪捜査支援プログラムは、第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表し、行動履歴情報及び人間関係情報を基づき事件の種別を推定する推定モデルを生成し、前記推定モデルを用いて、第２の事件に関する前記行動履歴情報及び前記人間関係情報を入力することにより、前記第２の事件の種別を推定する推定する推定処理をコンピュータに実行させるためのプログラムであって、前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す。
更に、本発明は、係る犯罪捜査支援プログラム（コンピュータプログラム）が格納された、コンピュータ読み取り可能な、不揮発性の記録媒体によっても実現可能である。
本発明によれば、熟練した捜査員でなくても犯罪事件を解決できるように、捜査を好適に支援することができる犯罪捜査支援システム等が得られる。
後述する実施形態を一例とするシステムは、ある入力情報から目的の事象を推定する場合において、機械学習（例えば、深層学習）によって生成した学習済モデル（推定モデルとも称する）を用いる。そして、当該システムは、当該入力情報を表す、例えばノードとエッジ（枝とも称する）とによって構成されるグラフを用いる。グラフは、時間の経過とともに構造が変化する。当該システムは、そのようなグラフの特徴を分析可能なアルゴリズムを適用することに着想を得たものである。このアルゴリズムとしては、例えば下記のアルゴリズムが知られている。
（１）ＴＧＦＮ（Temporal Graph Factorization Network）
時間の経過とともに構造が変化するグラフから、時刻にかかわらず不変である静的な特徴と、各時刻に固有の動的な特徴とを抽出し、抽出した特徴を分析するアルゴリズムである。本アルゴリズムは、非特許文献１に示されているので、後述する実施形態ではその詳細な説明を省略する。
（２）ＳＴＡＲ（Spatio-Temporal Attentive RNN）
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードのうち、時間軸及び空間軸の各軸において、例えばある事象の推定において重要な（即ち、推定に対する影響度が高い）ノードを特定して分析するアルゴリズムである。本アルゴリズムは、非特許文献２に示されているので、後述する実施形態ではその詳細な説明を省略する。
（３）Ｎｅｔｗａｌｋ
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードの特徴量を抽出するアルゴリズムである。本アルゴリズムは、非特許文献３に示されているので、後述する実施形態ではその詳細な説明を省略する。
（１）ＴＧＦＮ（Temporal Graph Factorization Network）
時間の経過とともに構造が変化するグラフから、時刻にかかわらず不変である静的な特徴と、各時刻に固有の動的な特徴とを抽出し、抽出した特徴を分析するアルゴリズムである。本アルゴリズムは、非特許文献１に示されているので、後述する実施形態ではその詳細な説明を省略する。
（２）ＳＴＡＲ（Spatio-Temporal Attentive RNN）
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードのうち、時間軸及び空間軸の各軸において、例えばある事象の推定において重要な（即ち、推定に対する影響度が高い）ノードを特定して分析するアルゴリズムである。本アルゴリズムは、非特許文献２に示されているので、後述する実施形態ではその詳細な説明を省略する。
（３）Ｎｅｔｗａｌｋ
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードの特徴量を抽出するアルゴリズムである。本アルゴリズムは、非特許文献３に示されているので、後述する実施形態ではその詳細な説明を省略する。
後述する実施形態を一例とする開示は、学習済モデルを生成するとき、及び、その学習済モデルを用いてある入力情報から目的の事象を推定するときに、上述したアルゴリズムを適用することによって、目的の事象を推定する精度を高めることを実現する。
以下、本発明の実施の形態について図面を参照して詳細に説明する。
＜第１の実施形態＞
図１は、本発明の第１の実施の形態に係る犯罪捜査支援システム１０の構成を示すブロック図である。犯罪捜査支援システム１０は、犯罪事件の種別を分類することにより、捜査を支援するシステムである。具体的には、本実施形態に係る犯罪捜査支援システム１０は、捜査中の事件の関係者の行動履歴及び人間関係に関する情報に基づいて、当該事件の種別を推定するシステムである。
図１は、本発明の第１の実施の形態に係る犯罪捜査支援システム１０の構成を示すブロック図である。犯罪捜査支援システム１０は、犯罪事件の種別を分類することにより、捜査を支援するシステムである。具体的には、本実施形態に係る犯罪捜査支援システム１０は、捜査中の事件の関係者の行動履歴及び人間関係に関する情報に基づいて、当該事件の種別を推定するシステムである。
事件の種別とは、例えば失踪事件の場合、誘拐事件、家出、あるいは事故等である。また事件の種別は、例えば殺人事件の場合、怨恨事件、強盗事件、通り魔（無差別）事件、傷害致死事件等である。また事件の種別は、例えば窃盗事件の場合、強盗、万引き、侵入窃盗、自動車窃盗、ひったくり、スリなどである。また事件の種別は、例えば経済事件の場合、詐欺、横領、贈収賄、談合、偽造、汚職、あっせん利得処罰法違反、背任、独占禁止法違反、知的財産権侵害、不正競争防 止法違反、脱税、インサイダー取引等の証券取引法違反などである。
事件の種別は、さらに細かく分類された種別であってもよい。事件の種別は、また、失踪事件、殺人事件、暴行事件、窃盗事件、経済事件等のように、粒度が大きい種別であってもよい。
犯罪捜査支援システム１０は、既に解決済みである１以上の事件について、事件の種別がラベルとして付与された事件の関係者の行動履歴及び人間関係に関する情報を用いて学習済モデル（推定モデルとも称する）を生成する。そして犯罪捜査支援システム１０は、当該学習済モデルを用いて、捜査中の事件の種別を推定する。犯罪捜査支援システム１０は、少なくとも１つ以上の情報処理装置によって構成される。
犯罪捜査支援システム１０には、管理端末装置２０（表示装置とも称する）が通信可能に接続されている。管理端末装置２０は、犯罪捜査支援システム１０を使用するユーザが、犯罪捜査支援システム１０に対して情報を入力したり、犯罪捜査支援システム１０から出力された情報を確認したりする際に使用する、例えばパーソナルコンピュータ、その他の情報処理装置である。管理端末装置２０は、犯罪捜査支援システム１０から出力された情報を表示する表示画面２００を備えている。
犯罪捜査支援システム１０は、取得部１１、グラフ生成部１２、モデル生成部１３、推定部１４、及び表示制御部１５を備えている。グラフ生成部１２、モデル生成部１３、推定部１４、及び表示制御部１５は、順に、グラフ生成手段、モデル生成手段、推定手段、及び表示制御手段の一例である。
次に、本実施形態に係る犯罪捜査支援システム１０が、捜査中の事件の種別を推定するための推定モデル１３０を生成あるいは更新（再学習）する動作と、その推定モデル１３０を用いて当該事件の種別を推定する動作とのそれぞれについて説明する。
＜推定モデル１３０を生成（及び更新又は再学習）する動作＞
まず、本実施形態に係る犯罪捜査支援システム１０が、捜査のための情報を取得してから捜査中の事件の種別を推定するための推定モデル１３０を生成あるいは更新するまでの動作について説明する。
まず、本実施形態に係る犯罪捜査支援システム１０が、捜査のための情報を取得してから捜査中の事件の種別を推定するための推定モデル１３０を生成あるいは更新するまでの動作について説明する。
取得部１１は、学習対象とする事件（第１の事件とも称する）に関する、行動履歴情報１００、及び、人間関係情報１０３を、ネットワークを経由してコンピュータ装置（図示せず）あるいはデータベースから取得する。取得部１１は、例えば定期的に、行動履歴情報１００、及び、人間関係情報１０３を取得してもよい。取得部１１は、あるいは例えば、ユーザが管理端末装置２０を介して入力した指示に応じて、行動履歴情報１００、及び、人間関係情報１０３を取得してもよい。
取得部１１は、例えば、行動履歴情報１００、及び、人間関係情報１０３を送信する1つまたは複数のコンピュータ装置あるいはデータベースに接続する通信回路と、当該通信回路によって取得された情報を格納する記憶デバイスとを備える。記憶デバイスは、後述される図１１に示す情報処理システム９００のハードディスク９０４あるいはＲＡＭ９０３でもよい。
行動履歴情報１００は、当該事件の関係者の行動の時系列変化（推移）を表す情報である。行動履歴情報１００は、移動履歴情報１０１、及び、通信履歴情報１０２を含んでいる。
図２は、本実施形態に係る移動履歴情報１０１のデータの内容を例示する図である。移動履歴情報１０１は、当該事件の関係者が、ある場所から別のある場所に移動した履歴を表している。移動履歴情報１０１は、例えば、捜査官による聞き込み捜査などの捜査活動によって得られた情報に基づいて、ユーザにより作成された情報である。移動履歴情報１０１は、例えば関係者ごとに作成され、図２に例示する移動履歴情報１０１－Ａ、及び１０１－Ｂは、順に、関係者Ａ及び関係者Ｂが移動した履歴（即ち移動の時系列変化）を表す。
移動履歴情報１０１は、移動日時、移動元の場所、移動先（目的地）の場所、移動における経由場所、及び、移動手段（徒歩、自転車、自動車、鉄道など）を含んでいる。但し、移動履歴情報１０１は、例えば、移動した道路の名称、及び、使用した鉄道の路線名及び駅名など、図２に例示する情報（項目）以外の情報を含んでもよい。
図２に例示する移動履歴情報１０１において、移動元、移動先、経由場所等は、事件における位置づけを表す場所、あるいは、事件の関係者の生活における位置づけを表す場所を表す。事件における位置づけを表す場所は、例えば、事件発生現場、凶器発見現場、目撃現場などである。事件の関係者の生活における位置づけを表す場所は、例えば、自宅、学校、勤務先などである。移動履歴情報１０１は、各場所の属性を表す情報を含んでもよい。各場所の属性とは、例えば、当該場所における不審者や不審物の目撃状況などである。不審者や不審物の目撃状況は、例えば、「速度違反の自動車が目撃された」などである。尚、図２に示す移動履歴情報は、事件の関係者ごとに作成されているが、事件関係者の移動履歴情報を一つにまとめた形式で表されてもよい。
図３は、本実施形態に係る通信履歴情報１０２のデータの内容を例示する図である。通信履歴情報１０２は、ある関係者が別のある関係者に対して通信した履歴（即ち通信の時系列変化）を表している。通信履歴情報１０２は、例えば、関係者の携帯電話の通信履歴を確認するなどの捜査官による捜査活動によって得られた情報に基づいて、ユーザにより作成された情報である。通信履歴情報１０２は、通信日時、通信元である関係者、通信先である関係者、及び、通信手段を含んでいる。但し、通信履歴情報１０２は、例えば通信内容など、図３に例示する情報以外の情報を含んでもよい。尚、図３の例では、行動履歴情報は一つにまとめられているが、関係者ごとに分けて作成されてもよい。
通信履歴情報１０２は、関係者の属性を表す情報を含んでもよい。関係者の属性とは、例えば、関係者の年齢、性別、職業、勤務先、居住地などである。
図４は、本実施形態に係る人間関係情報１０３のデータの内容を例示する図である。人間関係情報１０３は、関係者ごとの、他の関係者との人間関係を表す。人間関係情報１０３は、例えば、捜査官による聞き込み捜査などの捜査活動によって得られた情報に基づいて、ユーザにより作成された情報である。人間関係情報１０３は、例えば関係者ごとに作成され、図４に例示する人間関係情報１０３－Ａ、及び１０３－Ｂは、順に、関係者Ａ及び関係者Ｂに関する他の関係者との人間関係を表す。
人間関係情報１０３は、他の関係者との間における、関係の種別（続柄、友人、同僚、仕事関係者、恋人、元恋人、ＳＮＳ（Social Networking Service）上のみの知人等）及び、人間関係の状態（良好、所定の期間コンタクトなし、金銭トラブルあり等）を含んでいる。人間関係情報１０３における関係の種別、人間関係の状態は、トラブルの発生あるいは解消など、時系列に変化する動的な情報である。人間関係情報１０３は、例えば人間関係の悪化の程度を含んでもよい。人間関係の悪化の程度とは、例えば、ある関係者同士の人間関係が悪い状態にあるもののまだ傷害等の事件の発生には至ってない状態（トラブルの有無やトラブルの内容）、及び、当該関係者同士において既に傷害等の事件や何らかのトラブルが発生している状態などである。そして、人間関係の状態が時系列に変化する傾向は、事件の種別を推定するための指標の１つとなる。人間関係情報１０３は、図４に例示する情報以外の情報を含んでもよい。図４に例示する情報以外の情報とは、例えば、関係者間の関係歴（友人歴、知人歴、初めて知り合った時期など）や、「２０××年〇月〇日に関係者Ｂとの間にトラブルが発生し関係性が良好から悪化に変化」などの人間関係の変化タイミング、変化の理由及び変化内容である。
取得部１１は、上述の通りに取得した、移動履歴情報１０１、通信履歴情報１０２、及び、人間関係情報１０３を、図示しない記憶デバイス（例えばメモリやハードディスク等）に格納する。
図１に示すグラフ生成部１２は、取得部１１により取得された、学習対象とするある事件に関する、例えば、移動履歴情報１０１を表すグラフ１２０、及び、通信履歴情報１０２と人間関係情報１０３とを表すグラフ１２０を生成する。具体的に、グラフ生成部１２は、記憶デバイスから移動履歴情報１０１、通信履歴情報１０２、及び、人間関係情報１０３を読み出し、グラフ生成アルゴリズムに基づいてグラフ１２０を生成する。移動履歴情報１０１を表すグラフ１２０は、当該事件における各関係者の移動の時系列変化を表す。通信履歴情報１０２を表すグラフ１２０及び人間関係情報１０３を表すグラフ１２０は、当該事件における関係者の通信、及び、関係者の人間関係の時系列変化を表す。
図５は、本実施形態に係るグラフ１２０の構成を例示する図である。図５に例示する通り、グラフ１２０は、事件に関する要素の名称を囲む円で示されるノードと、ノード同士を矢印で接続するエッジとを含んでいる。尚、グラフ１２０は図５に例示する構成に限定されず、例えばエッジは矢印ではなく、方向を示さない線で表されてもよい。
例えば、通信履歴情報１０２及び人間関係情報１０３を表すグラフ１２０では、ノードは関係者（関係者Ａ、関係者Ｂ等）を表し、エッジは関係者間における通信及び人間関係を表す。グラフ１２０における各ノードは、関係者の属性情報（年齢、性別、職業等）を含んでいる。各ノードが示す属性情報は、図示しない記憶デバイス（例えば、ハードディスク９０４あるいはＲＡＭ９０３）に記憶される。
通信履歴情報１０２及び人間関係情報１０３を表すグラフ１２０において、例えば、関係者Ａを示すノードと関係者Ｂを表すノードとを結ぶエッジは、通信履歴情報１０２が示す関係者Ａと関係者Ｂとの間の通信を表し、図５に示す関数ｆＡＢ（ｔ）で表される。ただし、ｔは時間を表す。人間関係情報１０３が示す、関係者Ａと関係者Ｂとの間の人間関係もまた、図５に示す関数ｆＡＢ（ｔ）で表される。
このように、各エッジを表す関数ｆＡＢ（ｔ）等の関数は、時間ｔを変数とし、通信履歴情報１０２に含まれる項目（例えば、通信手段）と人間関係情報１０３に含まれる項目（例えば、人間関係の状態）とを要素として含む多次元の関数である。エッジを表す多次元の関数は、エッジと関連付けて図示しない記憶デバイス（例えば、ハードディスク９０４あるいはＲＡＭ９０３）に記憶される。
また、移動履歴情報１０１を表すグラフ１２０では、ノードは場所（自宅、他の関係者の家、地点Ｘ等）を表し、エッジは移動経路及び移動手段の少なくともいずれかを表す。グラフ１２０における各ノードは、場所の属性情報（不審者の目撃状況等）を含んでいる。移動履歴情報１０１を表すグラフ１２０におけるエッジも、通信履歴情報１０２及び人間関係情報１０３を表すグラフ１２０と同様に、時間ｔを変数とする多次元の関数で表される。
グラフ生成部１２は、さらに、学習対象とする事件に関して生成した、後述するモデル生成部１３が機械学習を行う際に使用する教師データ用のグラフ１２０に対して、ラベルを付与する。グラフ生成部１２は、既に解決済みである当該事件の種別を、当該ラベルとする。
図６は、グラフ生成部１２が、後述するモデル生成部１３が推定モデル１３０を生成する際に教師データとして使用するグラフ１２０を生成する手順を例示する図である。図６に例示する移動履歴情報１０１、通信履歴情報１０２は、学習対象とする失踪者Ａの失踪事件において、下記のイベントが時系列の順番に発生したことを示すこととする。
（１）地点Ｘにおいて不審者による誘拐未遂事件が複数発生した。
（２）失踪者Ａから友人Ｂに、自宅から地点Ｙに行く旨、連絡があった。
（３）地点Ｘ近辺に設置された監視カメラが失踪者Ａを撮影した。
また、人間関係情報１０３は、事件発生前において、失踪者Ａとその家族及び友人との間の関係は良好であったことを示すこととする。
（１）地点Ｘにおいて不審者による誘拐未遂事件が複数発生した。
（２）失踪者Ａから友人Ｂに、自宅から地点Ｙに行く旨、連絡があった。
（３）地点Ｘ近辺に設置された監視カメラが失踪者Ａを撮影した。
また、人間関係情報１０３は、事件発生前において、失踪者Ａとその家族及び友人との間の関係は良好であったことを示すこととする。
グラフ生成部１２は、上述したイベントを表す移動履歴情報１０１及び通信履歴情報１０２、及び、事件発生前の人間関係を表す人間関係情報１０３に基づいて、教師データとして使用されるグラフ１２０を生成する。
尚、グラフ生成部１２は、上述したようなグラフ構造データではなく、関数のグラフを生成（描画）してもよい。この場合、グラフ生成部１２は、例えば、横軸が時間（日時）、縦軸が関係者の行動を示す指標、のグラフ（関数）を生成してもよい。
図６に例示する失踪事件は、失踪者Ａが失踪した後に解決し、誘拐事件であることが判明していることとする。この場合、グラフ生成部１２は、教師データとして使用されるグラフ１２０に対して、当該事件の種別が誘拐事件であることを、ラベルとして付与する。
グラフ生成部１２は、上述の通りにラベルを付与したグラフ１２０の構成を記憶デバイスに格納する。グラフ生成部１２は、ラベルを付与したグラフ１２０を、教師データとしてモデル生成部１３に出力する。
モデル生成部１３は、グラフ生成部１２から入力された、ラベルが付与されたグラフ１２０を教師データとして、後述する推定部１４が事件の種別を推定する際に用いる推定モデル１３０（学習済モデル）を生成する。モデル生成部１３は、プロセッサによって、上述した教師データを用いる推定モデル１３０（学習済モデル）を生成する機械学習を行う。
具体的に、モデル生成部１３は、入力されたグラフ１２０から、所定のアルゴリズムを用いて、関係者の行動（移動、通信）、関係者の人間関係、関係者及び場所の属性に関する、時系列変化の特徴を抽出する。モデル生成部１３は、当該所定のアルゴリズムとして、例えば上述した、ＴＧＦＮ、ＳＴＡＲ、Ｎｅｔｗａｌｋ等を使用可能である。
モデル生成部１３は、例えばＴＧＦＮを用いることによって、グラフ１２０から、関係者の行動、関係者の人間関係、関係者及び場所の属性に関する、静的な特徴と時間とともに変化する動的な特徴とを抽出する。あるいはモデル生成部１３は、例えばＳＴＡＲを用いることによって、時間軸（ある期間に亘る観点）及び空間軸（個々の時刻に着目した観点）の各軸において、事件の種別の推定において重要な（即ち、推定に対する影響度が高い）ノードを抽出する。あるいはモデル生成部１３は、例えばＮｅｔｗａｌｋを用いることによって、グラフ１２０からノードの特徴量を抽出する。モデル生成部１３は、Ｎｅｔｗａｌｋを用いる場合、例えば、Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ等の既存の予測アルゴリズムと組み合わせてもよい。
次に、モデル生成部１３は、上述した教師データを用いて機械学習を行う過程において、上述の通りにグラフ１２０から特徴を抽出した結果から、事件の種別に関する説明変数を決定する。説明変数の具体例については後述する。グラフ１２０から特徴を抽出した結果とは、具体的には、関係者の行動（移動、通信）、関係者の人間関係、関係者及び場所の属性に関する、静的な特徴と動的な特徴、またはノードの特徴量である。そして、モデル生成部１３は、その特徴を抽出した結果から決定される説明変数に基づいて、事件の種別を推定するための基準を含む推定モデル１３０を生成する。モデル生成部１３は、教師データにおける説明変数とグラフ生成部１２にて付与されるラベルとの関係について機械学習を行うことによって、当該基準を決定する。
モデル生成部１３は、例えば、行動履歴情報１００によって示される、関係者の行動の時系列変化に関する第１の説明変数を決定する。第１の説明変数は、関係者に関する、移動元と移動先、移動経路、移動手段、通信における通信元と通信先、通信手段などを表すが、これらに限定されない。モデル生成部１３は、例えば、人間関係情報１０３によって示される関係者間の人間関係の時系列変化に関する第２の説明変数を決定する。第２の説明変数は、例えば、関係者の間におけるトラブルの発生あるいは解消の状況などを表すが、これらに限定されない。
モデル生成部１３は、また、上述の通りに説明変数を決定する際に、複数の説明変数の個々に対して、事件の種別の推定における重要度（推定結果に対する寄与度）を決定する。モデル生成部１３は、上述した事件の種別を推定するための基準において、各説明変数を表す値を、当該説明変数の重要度によって重み付けしてもよい。モデル生成部１３は、この際、同一の説明変数に対して、関係者間あるいは場所間における行動履歴情報１００、及び、人間関係情報１０３に関する特徴の違いから、関係者あるいは場所ごとに異なる重要度を決定してもよい。即ち、モデル生成部１３は、例えば、ある説明変数に関して、関係者Ａあるいは場所Ｘに関わる場合にその重要性を高く設定し、関係者Ｂあるいは場所Ｙに関わる場合にその重要性を低く設定してもよい。
モデル生成部１３は、上述の通りに生成あるいは更新した推定モデル１３０を、図示しない不揮発性の記憶デバイスに格納する。モデル生成部１３は、例えば所定時間ごとに、推定モデル１３０を更新（再学習ともいう）することにより、推定精度を漸次向上することができる。
次に図７のフローチャートを参照して、本実施形態に係る犯罪捜査支援システム１０が推定モデル１３０を生成する（機械学習を行う）動作（処理）について詳細に説明する。
取得部１１は、教師データとして用いる、学習対象の事件に関する行動履歴情報１００と人間関係情報１０３とを、外部から取得する（ステップＳ１０１）。グラフ生成部１２は、取得部１１によって取得された行動履歴情報１００と人間関係情報１０３とを用いて、グラフ１２０を生成（更新）するとともに、事件の種別をラベルとしてグラフ１２０に付与する（ステップＳ１０２）。
モデル生成部１３は、グラフ生成部１２によって生成されたグラフ１２０から、所定のアルゴリズムを用いて、関係者の行動及び人間関係の時系列変化の特徴、及び、属性の特徴を抽出する（ステップＳ１０３）。モデル生成部１３は、その抽出結果に基づいて、事件の種別に関する説明変数を決定する（ステップＳ１０４）。
モデル生成部１３は、個々の説明変数に対して、所定のアルゴリズムを用いて事件の種別の推定における重要度を決定し、重要度が付与された当該説明変数を含む推定モデル１３０を生成（更新）し（ステップＳ１０５）、全体の処理は終了する。
＜捜査中の事件の種別を推定する動作＞
次に、本実施形態に係る犯罪捜査支援システム１０が、生成あるいは更新した推定モデル１３０を用いて、捜査中の事件の種別を推定する動作について説明する。
次に、本実施形態に係る犯罪捜査支援システム１０が、生成あるいは更新した推定モデル１３０を用いて、捜査中の事件の種別を推定する動作について説明する。
取得部１１は、犯罪捜査支援システム１０が推定モデル１３０を生成するときと同様に、行動履歴情報１００、及び、人間関係情報１０３を外部の装置（図示せず）から取得する。但し、取得部１１は、これらの情報を、上述した教師データとして取得するのではなく、事件の種別に関する推定対象のデータとして取得する。
例えば上述の通り、既に解決済みの事件（第１の事件とも称する）に関する行動履歴情報１００、及び、人間関係情報１０３に基づいて推定モデル１３０が生成されていることとする。この場合、取得部１１は、例えばユーザが管理端末装置２０を介して入力した指示に応じて、推定対象である捜査中の事件（第２の事件とも称する）に関する行動履歴情報１００、及び、人間関係情報１０３を取得する。捜査中の事件に関する行動履歴情報１００、及び、人間関係情報１０３の態様は、図２乃至図４に示す、推定モデル１３０の生成に用いた行動履歴情報１００、及び、人間関係情報１０３と同様である。
グラフ生成部１２は、捜査中の事件に関する、行動履歴情報１００、及び、人間関係情報１０３を表すグラフ１２０を生成する。尚、グラフ１２０の構成は、図５を参照して上述した通りである。
図１に示す推定部１４は、捜査中の事件に関するグラフ１２０と、推定モデル１３０とに基づいて、捜査中の事件の種別を推定する。
推定部１４は、モデル生成部１３が推定モデル１３０を生成あるいは更新するときと同様に、グラフ生成部１２から入力されたグラフ１２０から、関係者の行動及び人間関係の時系列変化の特徴を抽出する。推定部１４は、この際、例えば上述した、ＴＧＦＮ、ＳＴＡＲ、Ｎｅｔｗａｌｋ等の所定のアルゴリズムを使用すればよい。
推定部１４は、グラフ１２０から抽出した特徴に基づいて、グラフ１２０における、推定モデル１３０によって定義された説明変数の値を求める。推定部１４は、求めた説明変数の値を、推定モデル１３０に含まれる、事件の種別を推定するための基準と照合することによって、捜査中の事件の種別を推定する。
推定部１４は、また、事件の種別の推定結果として、複数の種別を出力してもよい。推定部１４は、捜査中の事件の種別を推定する過程において、説明変数の値に基づいて、教師データである各種別の事件と捜査中の事件との類似性を示すスコア（類似度）を算出する。そして推定部１４は、当該スコアが最も高い事件の種別から、当該スコアがｎ番目（ｎは任意の自然数）に高い事件の種別までの事件の種別を、推定結果として出力する。
推定部１４は、捜査中の事件の種別を推定した結果と、その推定理由を示す情報を表示制御部１５へ出力する。推定理由を示す情報は、例えば、事件の種別の推定対象であるグラフ１２０における説明変数の値、及び、説明変数の重要度等である。
表示制御部１５は、推定部１４から入力された、捜査中の事件の種別を推定した結果と、その推定理由を示す情報を、管理端末装置２０における表示画面２００に表示する。すなわち、表示制御部１５は、管理端末装置２０の表示画面２００に、推定部１４による推定結果及び推定理由を表示するよう、管理端末装置２０を制御する。
図８は、本実施形態に係る表示制御部１５が、捜査中の事件の種別を推定した結果とその推定理由を示す情報とを、表示画面２００に表示する態様を例示する図である。
図８に例示する表示画面２００は、本事件（捜査中の事件）が誘拐事件である可能性が高いことを表示している。そして、表示画面２００は、捜査中の事件が誘拐事件である可能性が高い理由を、説明変数の重要度（寄与度）が高い方から、下記の通り表している。
１．失踪者Ｇは、不審者による誘拐未遂事件が複数発生している地点Ｚで目撃されたのを 最後に失踪していること。
（この場合の推定理由は、「捜査中の事件が発生した場所と過去に犯罪の発生実績がある場所とが一致」である。つまり、この場合は、犯罪の発生実績がある場所において事件が発生したことと事件の種別との関係が推定理由となっている。）
２．失踪者Ｇが地点Ｚで目撃されたのは、人通りが少なくなった夜遅い時間であること。
（この場合の推定理由は、「捜査中の事件が発生した場所がある特定の時間帯であること」である。つまり、この場合は、事件が発生した時間帯と事件の種別との関係が推定理由となっている。）
３．失踪者Ｇと家族、友人との間の関係は良好であること。
（この場合の推定理由は、「事件の被害者とその関係者との間の人間関係の状態」である。つまり、この場合は、被害者とその関係者との間の人間関係の状態と事件の種別との関係が推定理由となっている。）
犯罪捜査支援システム１０は、管理者に対して、説明変数を推定理由として視認可能に提示することにより、説明性を向上することができるという効果を奏する。犯罪捜査支援システム１０は、また、事件の種別の推定理由として、推定に寄与した説明変数間の関係を視認可能に提示することができる。犯罪捜査支援システム１０は、その際、推定理由を視認可能であれば自然言語文ではない態様により、推定理由を視認可能に提示してもよい。
１．失踪者Ｇは、不審者による誘拐未遂事件が複数発生している地点Ｚで目撃されたのを 最後に失踪していること。
（この場合の推定理由は、「捜査中の事件が発生した場所と過去に犯罪の発生実績がある場所とが一致」である。つまり、この場合は、犯罪の発生実績がある場所において事件が発生したことと事件の種別との関係が推定理由となっている。）
２．失踪者Ｇが地点Ｚで目撃されたのは、人通りが少なくなった夜遅い時間であること。
（この場合の推定理由は、「捜査中の事件が発生した場所がある特定の時間帯であること」である。つまり、この場合は、事件が発生した時間帯と事件の種別との関係が推定理由となっている。）
３．失踪者Ｇと家族、友人との間の関係は良好であること。
（この場合の推定理由は、「事件の被害者とその関係者との間の人間関係の状態」である。つまり、この場合は、被害者とその関係者との間の人間関係の状態と事件の種別との関係が推定理由となっている。）
犯罪捜査支援システム１０は、管理者に対して、説明変数を推定理由として視認可能に提示することにより、説明性を向上することができるという効果を奏する。犯罪捜査支援システム１０は、また、事件の種別の推定理由として、推定に寄与した説明変数間の関係を視認可能に提示することができる。犯罪捜査支援システム１０は、その際、推定理由を視認可能であれば自然言語文ではない態様により、推定理由を視認可能に提示してもよい。
また、表示制御部１５は、図８には図示していないが、例えば、表示画面２００に「ＳＮＳを介して知り合った人物からの連絡を受けて、事件の発生場所に行った」という推定理由を表示してもよい。この推定理由は、「インターネットで知り合った人物による指示を受けた後、事件の発生場所に移動」である。つまり、この場合、犯罪捜査支援システム１０は、移動履歴情報１０１及び通信履歴情報１０２の時系列変化の仕方の特徴（時系列特徴）を推定理由として提示する。犯罪捜査支援システム１０は、このように説明変数の時系列変化（変化のタイミングなど）を提示することにより、推定結果の説明性をさらに向上することができる。
尚、推定部１４が、上述の通り、事件の種別の推定結果として複数の種別を出力した場合、表示制御部１５は、捜査中の事件との類似性が最も高い事件の種別から順番に、当該複数の種別を表示画面２００に表示するように、管理端末装置２０を制御する。表示制御部１５は、その際、類似性を示すスコアもあわせて表示画面２００に表示するように、管理端末装置２０を制御してもよい。
また、図８に例示する表示画面２００は、重点捜査項目を示すために、関係者間の人間関係及び通信履歴を表すグラフ１２０と、移動履歴を表すグラフ１２０を表示している。そして、図８に例示する表示画面２００は、移動履歴を表すグラフ１２０における地点Ｚを太線の円で囲むことによって、地点Ｚが重点捜査項目であることを示している。地点Ｚは、重要度が高い説明変数に関連する場所である。重点捜査項目である地点Ｚは、捜査官による失踪者Ｇの持ち物及び不審物等の捜索を重点的に行う対象となる。
図８に示す例の場合、犯罪捜査支援システム１０は、失踪者が最後に目撃された場所の属性、失踪者が最後に目撃された時間、及び、失踪者と他の関係者との間の人間関係の状態を説明変数としている。そして、表示制御部１５は、説明変数の名称とその値とを含む推定理由を、表示画面２００に表示する。
次に図９のフローチャートを参照して、本実施形態に係る犯罪捜査支援システム１０が捜査中の事件の種別を推定する動作（処理）について詳細に説明する。
取得部１１は、推定対象である捜査中の事件に関する行動履歴情報１００と人間関係情報１０３とを、外部から取得する（ステップＳ２０１）。グラフ生成部１２は、取得部１１によって取得された行動履歴情報１００と人間関係情報１０３とを用いて、グラフ１２０を生成（更新）する（ステップＳ２０２）。
推定部１４は、グラフ生成部１２によって生成されたグラフ１２０から、所定のアルゴリズムを用いて、関係者の行動及び人間関係の時系列変化の特徴、及び、属性の特徴を抽出する（ステップＳ２０３）。
推定部１４は、グラフ１２０からの特徴の抽出結果と推定モデル１３０とに基づいて、捜査中の事件の種別を推定するとともに、その推定理由を特定する（ステップＳ２０４）。表示制御部１５は、推定部１４による捜査中の事件の種別の推定結果とその推定理由を、管理端末装置２０の表示画面２００に表示し（ステップＳ２０５）、全体の処理は終了する。
本実施形態に係る犯罪捜査支援システム１０は、熟練した捜査員でなくても犯罪事件を解決できるように、捜査を好適に支援することができる。その理由は、犯罪捜査支援システム１０は、解決済みの事件における関係者の行動履歴及び人間関係に関する情報から、その時系列変化の特徴を抽出した結果を用いて生成された推定モデル１３０に基づいて、推定対象の事件の種別を推定するからである。
以下に、本実施形態に係る犯罪捜査支援システム１０によって実現される効果について、詳細に説明する。
通常、犯罪事件発生後の捜査は、警察の捜査員により人手で行われている。特に、熟練した捜査員の経験と勘に頼って、捜査が行われることが多い。したがって、熟練した捜査員の経験と勘に依存することなく事件を解決できるように、犯罪事件の捜査を好適に支援する技術が期待されている。
犯罪事件の捜査を好適に支援する方法の一つとして、捜査中の事件の種別を推定することがある。そして、捜査中の事件の種別を高い精度で推定するためには、互いに複雑に影響し合う、様々な因子をふまえて推定する必要がある。そのような因子は、例えば事件の関係者の行動の時系列変化（推移）の特徴や、関係者間の人間関係の時系列変化の特徴などを含む。したがって、事件の種別を高い精度で推定するには、このような関係者の行動及び人間関係に関する時系列変化の特徴を、高い精度で把握した上で分析を行うことが課題である。
このような課題に対して、本実施形態に係る犯罪捜査支援システム１０は、推定モデル１３０と推定部１４とを備え、例えば図１乃至図９を参照して上述した通り動作する。即ち、推定モデル１３０は、第１の事件に関する行動履歴情報１００及び人間関係情報１０３と、第１の事件の種別との関係を表す学習済モデルである。推定部１４は、第２の事件に関する行動履歴情報１００及び人間関係情報１０３と、に基づいて、第２の事件の種別を推定する。但し、行動履歴情報１００及び人間関係情報１０３は、第１あるいは第２の事件における関係者の行動及び人間関係に関する時系列変化を表す情報である。
本実施形態に係る犯罪捜査支援システム１０は、行動履歴情報１００と人間関係情報１０３とを表す、ノードとエッジとによって構成される、時系列に構造が変化するグラフ１２０を生成する。そして犯罪捜査支援システム１０は、生成したグラフ１２０の特徴を抽出及び分析可能な、上述したＴＧＦＮ、ＳＴＡＲ、Ｎｅｔｗａｌｋ等のアルゴリズムを用いることによって、関係者の行動及び人間関係に関する時系列変化の特徴を高い精度で把握することを実現する。これにより犯罪捜査支援システム１０は、熟練した捜査員でなくても犯罪事件を解決できるように、捜査を好適に支援することができる。
また、本実施形態に係る犯罪捜査支援システム１０は、推定モデル１３０を生成する過程において、事件の種別の推定に関する説明変数を決定し、さらに、個々の説明変数に対して、事件の種別の関係の推定における重要度（寄与度）を決定する。そして、犯罪捜査支援システム１０は、説明変数をその重要度により重み付けして事件の種別を推定する。これにより、犯罪捜査支援システム１０は、例えば当該重要度を算出することなく推定を行う場合と比較して、事件における関係者の行動履歴及び人間関係の特徴をより正確に捉えた推定を行うので、事件の種別を推定する精度を高めることができる。
また、学習済モデルを用いて事象の推定を行う一般的なシステムでは、推定プロセスがブラックボックス化され、推定理由を提示せずに推定結果のみを提示するので、ユーザは、システムが出力した推定結果の根拠を把握することが困難である。これに対して、本実施形態に係る犯罪捜査支援システム１０は、説明変数の値に基づく事件の種別の推定理由を、例えば図８に例示する通り、管理端末装置２０の表示画面２００に表示する。これにより、犯罪捜査支援システム１０は、事件の種別の推定理由に関する説明性を向上させることができる。
また、本実施形態に係る犯罪捜査支援システム１０は、重要度が高い説明変数に関連する関係者及び場所を、例えば図８に例示する態様で重点捜査項目として表示する。これにより犯罪捜査支援システム１０は、事件の迅速な解決につながる適切な捜査を、捜査官に提示することができる。
上述した本実施形態では、教師あり機械学習により生成される推定モデルを用いて事件の種別を分類する例について説明した。しかしながら、犯罪捜査支援システム１０は、教師なし機械学習であるクラスタリング手法により、事件の種別を分類することも可能である。
＜第２の実施形態＞
図１０は、本発明の第２の実施形態に係る犯罪捜査支援システム３０の構成を示すブロック図である。犯罪捜査支援システム３０は、推定モデル３１を使用する推定部３２を備えている。但し、推定部３２は、推定手段の一例である。
図１０は、本発明の第２の実施形態に係る犯罪捜査支援システム３０の構成を示すブロック図である。犯罪捜査支援システム３０は、推定モデル３１を使用する推定部３２を備えている。但し、推定部３２は、推定手段の一例である。
推定モデル３１は、第１の事件（機械学習の対象とする解決済みの事件）に関する行動履歴情報３１０及び人間関係情報３１３と、当該第１の事件の種別３１４との関係を表す。推定モデル３１は、例えば、第１の実施形態に係る推定モデル１３０と同様に、行動履歴情報３１０と人間関係情報３１３と、第１の事件の種別３１４との関係について機械学習を行った結果を表す学習済モデルである。
行動履歴情報３１０は、第１の事件における関係者の行動の時系列変化を表す。行動履歴情報３１０は、例えば、第１の実施形態に関して図２乃至図４を参照して説明した行動履歴情報１００と同様な情報であればよい。
人間関係情報３１３は、第１の事件における関係者の人間関係の時系列変化を表し、例えば、第１の実施形態に関して図４を参照して説明した人間関係情報１０３と同様な情報であればよい。
推定部３２は、第２の事件（推定対象である捜査中の事件）に関する行動履歴情報３００及び人間関係情報３０３と、推定モデル３１と、に基づいて、第２の事件の種別を推定する。
推定部３２は、事件の種別を推定する際に、第１の実施形態に係る推定部１４と同様に、行動履歴情報３００、及び、人間関係情報３０３から、事件における関係者の行動及び人間関係の時系列変化の特徴を抽出する。推定部３２は、この際、第１の実施形態において示した所定のアルゴリズム（ＴＧＦＮ、ＳＴＡＲ、Ｎｅｔｗａｌｋ等）を使用可能である。
本実施形態に係る犯罪捜査支援システム３０は、熟練した捜査員でなくても犯罪事件を解決できるように、捜査を好適に支援することができる。その理由は、犯罪捜査支援システム３０は、解決済みの事件における関係者の行動履歴及び人間関係に関する情報から、その時系列変化の特徴を抽出した結果を用いて生成された推定モデル３１に基づいて、推定対象の事件の種別を推定するからである。
＜ハードウェア構成例＞
上述した各実施形態において図１に示した犯罪捜査支援システム１０、あるいは、図１０に示した犯罪捜査支援システム３０における各部は、専用のＨＷ（ＨａｒｄＷａｒｅ）（電子回路）によって実現することができる。また、図１及び図１０において、少なくとも、下記構成は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。
・取得部１１、
・グラフ生成部１２、
・モデル生成部１３、
・推定部１４及び３２、
・表示制御部１５。
上述した各実施形態において図１に示した犯罪捜査支援システム１０、あるいは、図１０に示した犯罪捜査支援システム３０における各部は、専用のＨＷ（ＨａｒｄＷａｒｅ）（電子回路）によって実現することができる。また、図１及び図１０において、少なくとも、下記構成は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。
・取得部１１、
・グラフ生成部１２、
・モデル生成部１３、
・推定部１４及び３２、
・表示制御部１５。
但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図１１を参照して説明する。
図１１は、本発明の第１の実施形態に係る犯罪捜査支援システム１０あるいは第２の実施形態に係る犯罪捜査支援システム３０を実現可能な情報処理システム９００（コンピュータシステム）の構成を例示的に説明する図である。即ち、図１１は、図１及び図１０に示した犯罪捜査支援システム１０及び３０を実現可能な少なくとも１つのコンピュータ（情報処理装置）の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。
図１１に示した情報処理システム９００は、構成要素として下記を備えているが、下記のうちの一部の構成要素を備えない場合もある。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）９０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）９０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）９０３、
・ハードディスク（記憶装置）９０４、
・外部装置との通信インタフェース９０５、
・バス９０６（通信線）、
・ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体９０７に格納されたデータを読み書き可能なリーダライタ９０８、
・モニターやスピーカ、キーボード等の入出力インタフェース９０９。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）９０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）９０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）９０３、
・ハードディスク（記憶装置）９０４、
・外部装置との通信インタフェース９０５、
・バス９０６（通信線）、
・ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体９０７に格納されたデータを読み書き可能なリーダライタ９０８、
・モニターやスピーカ、キーボード等の入出力インタフェース９０９。
即ち、上記構成要素を備える情報処理システム９００は、これらの構成がバス９０６を介して接続された一般的なコンピュータである。情報処理システム９００は、ＣＰＵ９０１を複数備える場合もあれば、マルチコアにより構成されたＣＰＵ９０１を備える場合もある。情報処理システム９００は、ＣＰＵ９０１に加えてＧＰＵ（Ｇｒａｐｈｉｃａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）（不図示）を備えてもよい。
そして、上述した実施形態を例に説明した本発明は、図１１に示した情報処理システム９００に対して、次の機能を実現可能なコンピュータプログラムを供給する。その機能とは、その実施形態の説明において参照したブロック構成図（図１及び図１０）における上述した構成、或いはフローチャート（図７及び図９）の機能である。本発明は、その後、そのコンピュータプログラムを、当該ハードウェアのＣＰＵ９０１に読み出して解釈し実行することによって達成される。また、当該装置内に供給されたコンピュータプログラムは、読み書き可能な揮発性のメモリ（ＲＡＭ９０３）、または、ＲＯＭ９０２やハードディスク９０４等の不揮発性の記憶デバイスに格納すれば良い。
また、前記の場合において、当該ハードウェア内へのコンピュータプログラムの供給方法は、現在では一般的な手順を採用することができる。その手順としては、例えば、ＣＤ－ＲＯＭ等の各種記録媒体９０７を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等がある。そして、このような場合において、本発明は、係るコンピュータプログラムを構成するコード或いは、そのコードが格納された記録媒体９０７によって構成されると捉えることができる。
以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかしながら、上述した各実施形態により例示的に説明した本発明は、以下には限られない。
（付記１）
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定手段を備え、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援システム。
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定手段を備え、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援システム。
（付記２）
前記第２の事件の種別の推定理由を表示するよう表示装置を制御する表示制御手段をさらに備える、
付記１に記載の犯罪捜査支援システム。
前記第２の事件の種別の推定理由を表示するよう表示装置を制御する表示制御手段をさらに備える、
付記１に記載の犯罪捜査支援システム。
（付記３）
前記行動履歴情報は、前記関係者が移動した履歴を表す、
付記２に記載の犯罪捜査支援システム。
前記行動履歴情報は、前記関係者が移動した履歴を表す、
付記２に記載の犯罪捜査支援システム。
（付記４）
前記行動履歴情報は、複数の前記関係者の間において行われた通信の履歴を表す、
付記２または付記３に記載の犯罪捜査支援システム。
前記行動履歴情報は、複数の前記関係者の間において行われた通信の履歴を表す、
付記２または付記３に記載の犯罪捜査支援システム。
（付記５）
前記行動履歴情報は、前記関係者が端末装置を操作することによって通信を行った位置を表す、
付記４に記載の犯罪捜査支援システム。
前記行動履歴情報は、前記関係者が端末装置を操作することによって通信を行った位置を表す、
付記４に記載の犯罪捜査支援システム。
（付記６）
前記人間関係情報は、前記関係者の間における人間関係の種別、及び、前記関係者の間における問題の発生状況の少なくともいずれかを表す、
付記２乃至付記５のいずれか一項に記載の犯罪捜査支援システム。
前記人間関係情報は、前記関係者の間における人間関係の種別、及び、前記関係者の間における問題の発生状況の少なくともいずれかを表す、
付記２乃至付記５のいずれか一項に記載の犯罪捜査支援システム。
（付記７）
前記行動履歴情報及び前記人間関係情報を表すグラフを生成するグラフ生成手段をさらに備える、
付記２乃至付記６のいずれか一項に記載の犯罪捜査支援システム。
前記行動履歴情報及び前記人間関係情報を表すグラフを生成するグラフ生成手段をさらに備える、
付記２乃至付記６のいずれか一項に記載の犯罪捜査支援システム。
（付記８）
前記グラフは、前記関係者ごとに、前記関係者が移動した際の移動元あるいは移動先を表すノードと、前記移動元から前記移動先への移動経路を表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
前記グラフは、前記関係者ごとに、前記関係者が移動した際の移動元あるいは移動先を表すノードと、前記移動元から前記移動先への移動経路を表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
（付記９）
前記グラフは、前記関係者を表すノードと、前記関係者の間において行われた通信を表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
前記グラフは、前記関係者を表すノードと、前記関係者の間において行われた通信を表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
（付記１０）
前記グラフは、前記関係者を表すノードと、前記関係者の間における人間関係の種別及び前記関係者の間における問題の発生状況の少なくともいずれかを表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
前記グラフは、前記関係者を表すノードと、前記関係者の間における人間関係の種別及び前記関係者の間における問題の発生状況の少なくともいずれかを表すエッジとを含む、
付記７に記載の犯罪捜査支援システム。
（付記１１）
前記第１の事件に関する前記行動履歴情報及び前記人間関係情報と、前記第１の事件の解決後に判明した前記第１の事件の種別とに基づいて、前記推定モデルを生成するモデル生成手段をさらに備える、
付記７乃至付記１０のいずれか一項に記載の犯罪捜査支援システム。
前記第１の事件に関する前記行動履歴情報及び前記人間関係情報と、前記第１の事件の解決後に判明した前記第１の事件の種別とに基づいて、前記推定モデルを生成するモデル生成手段をさらに備える、
付記７乃至付記１０のいずれか一項に記載の犯罪捜査支援システム。
（付記１２）
前記モデル生成手段は、前記第１の事件の解決後に判明した前記第１の事件の種別がラベルとして付与された前記グラフから、所定のアルゴリズムを用いて、前記第１の事件における前記関係者の行動及び人間関係の時系列変化の特徴を抽出したのち、その抽出結果に基づいて、前記第１の事件の種別に関する説明変数を決定することによって、前記説明変数を含む前記推定モデルを生成する、
付記１１に記載の犯罪捜査支援システム。
前記モデル生成手段は、前記第１の事件の解決後に判明した前記第１の事件の種別がラベルとして付与された前記グラフから、所定のアルゴリズムを用いて、前記第１の事件における前記関係者の行動及び人間関係の時系列変化の特徴を抽出したのち、その抽出結果に基づいて、前記第１の事件の種別に関する説明変数を決定することによって、前記説明変数を含む前記推定モデルを生成する、
付記１１に記載の犯罪捜査支援システム。
（付記１３）
前記モデル生成手段は、複数の前記説明変数の個々に対して、前記第１の事件の種別の推定における重要度を決定し、
前記推定手段は、前記重要度に基づいて、前記第２の事件の種別を推定する、
付記１２に記載の犯罪捜査支援システム。
前記モデル生成手段は、複数の前記説明変数の個々に対して、前記第１の事件の種別の推定における重要度を決定し、
前記推定手段は、前記重要度に基づいて、前記第２の事件の種別を推定する、
付記１２に記載の犯罪捜査支援システム。
（付記１４）
前記モデル生成手段は、同一の前記説明変数に対して、前記第１の事件における前記関係者ごとに異なる前記重要度を決定する、
付記１３に記載の犯罪捜査支援システム。
前記モデル生成手段は、同一の前記説明変数に対して、前記第１の事件における前記関係者ごとに異なる前記重要度を決定する、
付記１３に記載の犯罪捜査支援システム。
（付記１５）
前記表示制御手段は、前記重要度の順に前記説明変数の名称を並べて表示するとともに、前記説明変数の値を表示する態様で前記推定理由を表示するように、前記表示装置を制御する、
付記１３または付記１４に記載の犯罪捜査支援システム。
前記表示制御手段は、前記重要度の順に前記説明変数の名称を並べて表示するとともに、前記説明変数の値を表示する態様で前記推定理由を表示するように、前記表示装置を制御する、
付記１３または付記１４に記載の犯罪捜査支援システム。
（付記１６）
前記表示制御手段は、前記第２の事件において、前記重要度が高い前記説明変数に関連する前記関係者及び場所を、重点捜査項目として表示するように、前記表示装置を制御する、
付記１３乃至付記１５のいずれか一項に記載の犯罪捜査支援システム。
前記表示制御手段は、前記第２の事件において、前記重要度が高い前記説明変数に関連する前記関係者及び場所を、重点捜査項目として表示するように、前記表示装置を制御する、
付記１３乃至付記１５のいずれか一項に記載の犯罪捜査支援システム。
（付記１７）
前記推定手段は、
前記第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、前記第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第１の事件と前記第２の事件との類似度を算出し、
前記類似度に基づいて、前記第２の事件の種別を推定する、
付記１乃至付記１６のいずれか一項に記載の犯罪捜査支援システム。
前記推定手段は、
前記第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、前記第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第１の事件と前記第２の事件との類似度を算出し、
前記類似度に基づいて、前記第２の事件の種別を推定する、
付記１乃至付記１６のいずれか一項に記載の犯罪捜査支援システム。
（付記１８）
前記推定手段は、複数の前記第１の事件に関する行動履歴情報及び人間関係情報と複数の前記第１の事件の種別との関係を表す推定モデルと、前記第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、複数の前記第１の事件と前記第２の事件との類似度をそれぞれ算出し、
表示制御手段は、前記類似度が高い順に事件の種別を表示する
付記１乃至付記１７のいずれか一項に記載の犯罪捜査支援システム。
前記推定手段は、複数の前記第１の事件に関する行動履歴情報及び人間関係情報と複数の前記第１の事件の種別との関係を表す推定モデルと、前記第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、複数の前記第１の事件と前記第２の事件との類似度をそれぞれ算出し、
表示制御手段は、前記類似度が高い順に事件の種別を表示する
付記１乃至付記１７のいずれか一項に記載の犯罪捜査支援システム。
（付記１９）
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定手段を備え、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援装置。
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定手段を備え、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援装置。
（付記２０）
情報処理システムによって、
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定し、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援方法。
情報処理システムによって、
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定し、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援方法。
（付記２１）
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定処理をコンピュータに実行させるためのプログラムであって、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援プログラムが格納された記録媒体。
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルと、第２の事件に関する前記行動履歴情報及び前記人間関係情報と、に基づいて、前記第２の事件の種別を推定する推定処理をコンピュータに実行させるためのプログラムであって、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援プログラムが格納された記録媒体。
１０ 犯罪捜査支援システム
１００ 行動履歴情報
１０１ 移動履歴情報
１０２ 通信履歴情報
１０３ 人間関係情報
１１ 取得部
１２ グラフ生成部
１２０ グラフ
１３ モデル生成部
１３０ 推定モデル
１４ 推定部
１５ 表示制御部
２０ 管理端末装置
２００ 表示画面
３０ 犯罪捜査支援システム
３００ 行動履歴情報
３０３ 人間関係情報
３１ 推定モデル
３１０ 行動履歴情報
３１３ 人間関係情報
３１４ 事件の種別
３２ 推定部
９００ 情報処理システム
９０１ ＣＰＵ
９０２ ＲＯＭ
９０３ ＲＡＭ
９０４ ハードディスク（記憶装置）
９０５ 通信インタフェース
９０６ バス
９０７ 記録媒体
９０８ リーダライタ
９０９ 入出力インタフェース
１００ 行動履歴情報
１０１ 移動履歴情報
１０２ 通信履歴情報
１０３ 人間関係情報
１１ 取得部
１２ グラフ生成部
１２０ グラフ
１３ モデル生成部
１３０ 推定モデル
１４ 推定部
１５ 表示制御部
２０ 管理端末装置
２００ 表示画面
３０ 犯罪捜査支援システム
３００ 行動履歴情報
３０３ 人間関係情報
３１ 推定モデル
３１０ 行動履歴情報
３１３ 人間関係情報
３１４ 事件の種別
３２ 推定部
９００ 情報処理システム
９０１ ＣＰＵ
９０２ ＲＯＭ
９０３ ＲＡＭ
９０４ ハードディスク（記憶装置）
９０５ 通信インタフェース
９０６ バス
９０７ 記録媒体
９０８ リーダライタ
９０９ 入出力インタフェース
Claims (7)
- 第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルであり、前記第１の事件の種別がラベルとして付与された、前記第１の事件に関する行動履歴情報及び人間関係情報が教師データとして用いられる機械学習によって、事件の種別を推定する推定モデルを生成する、モデル生成手段と、
前記推定モデルを用いて、推定対象である第２の事件に関する行動履歴情報及び人間関係情報を入力することにより、第２の事件の種別を推定する推定手段と、を備え、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援システム。 - 前記行動履歴情報及び前記人間関係情報を表すグラフを生成するグラフ生成手段をさらに備え、
前記グラフは、前記関係者ごとに、前記関係者が移動した際の移動元あるいは移動先を表すノードと、前記移動元から前記移動先への移動経路を表すエッジとを含むグラフ、前記関係者を表すノードと、前記関係者の間において行われた通信を表すエッジとを含むグラフ、又は、前記関係者を表すノードと、前記関係者の間における人間関係の種別及び前記関係者の間における問題の発生状況の少なくともいずれかを表すエッジとを含むグラフである、請求項１に記載の犯罪捜査支援システム。 - 前記モデル生成手段は、前記第１の事件の解決後に判明した前記第１の事件の種別が教師データとしてのラベルとして付与された前記グラフから、所定のアルゴリズムを用いて、前記第１の事件における前記関係者の行動及び人間関係に関して、時間とともに変化する特徴量を抽出したのち、その抽出結果から、前記所定のアルゴリズムを用いて、前記第１の事件の種別の推定に影響する特徴量である説明変数を決定し、前記説明変数を入力パラメータとして用いる前記推定モデルを生成し、
前記所定のアルゴリズムは、ＴＧＦＮ、ＳＴＡＲ、Ｎｅｔｗａｌｋのいずれかである、
請求項２に記載の犯罪捜査支援システム。 - 前記モデル生成手段は、複数の前記説明変数の個々に対して、前記第１の事件の種別の推定における関係者間あるいは場所間における行動履歴情報、及び、人間関係情報に関して、時間とともに変化する特徴量に基づいて、前記所定のアルゴリズムを用いて重要度を決定し、
前記推定手段は、前記重要度に基づいて重み付けした前記説明変数を入力することにより、前記第２の事件の種別を推定する、
請求項３に記載の犯罪捜査支援システム。 - 前記推定手段は、前記説明変数の値に基づいて、複数の前記第１の事件と前記第２の事件との類似度をそれぞれ算出し、
表示制御手段は、前記類似度が高い順に事件の種別を表示する
請求項４に記載の犯罪捜査支援システム。 - 情報処理システムによって、
第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルであり、前記第１の事件の種別がラベルとして付与された、前記第１の事件に関する行動履歴情報及び人間関係情報が教師データとして用いられる機械学習によって、事件の種別を推定する推定モデルを生成し、
前記推定モデルを用いて、推定対象である第２の事件に関する行動履歴情報及び人間関係情報を入力することにより、第２の事件の種別を推定し、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援方法。 - 第１の事件に関する行動履歴情報及び人間関係情報と前記第１の事件の種別との関係を表す推定モデルであり、前記第１の事件の種別がラベルとして付与された、前記第１の事件に関する行動履歴情報及び人間関係情報が教師データとして用いられる機械学習によって、事件の種別を推定する推定モデルを生成する生成処理と、
前記推定モデルを用いて、推定対象である第２の事件に関する行動履歴情報及び人間関係情報を入力することにより、第２の事件の種別を推定する推定処理をコンピュータに実行させるためのプログラムであって、
前記行動履歴情報は、前記第１あるいは第２の事件における関係者の行動の時系列変化を表し、
前記人間関係情報は、前記第１あるいは第２の事件における前記関係者の人間関係の時系列変化を表す、
犯罪捜査支援プログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2020/014432 WO2021199101A1 (ja) | 2020-03-30 | 2020-03-30 | 犯罪捜査支援システム、犯罪捜査支援装置、犯罪捜査支援方法、及び、犯罪捜査支援プログラムが格納された記録媒体 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2021199101A1 JPWO2021199101A1 (ja) | 2021-10-07 |
| JPWO2021199101A5 JPWO2021199101A5 (ja) | 2022-12-14 |
| JP7567904B2 true JP7567904B2 (ja) | 2024-10-16 |
Family
ID=77929905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022512499A Active JP7567904B2 (ja) | 2020-03-30 | 2020-03-30 | 犯罪捜査支援システム、犯罪捜査支援方法、及び、犯罪捜査支援プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230084216A1 (ja) |
| JP (1) | JP7567904B2 (ja) |
| WO (1) | WO2021199101A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20240221100A1 (en) * | 2021-12-23 | 2024-07-04 | Rakuten Group, Inc. | Information processing system, information processing method and program |
| WO2023119577A1 (ja) * | 2021-12-23 | 2023-06-29 | 楽天グループ株式会社 | 情報処理システム、情報処理方法及びプログラム |
| US20230306545A1 (en) * | 2022-03-24 | 2023-09-28 | Motorola Solutions, Inc. | Predictive case solvability score system with action recommendations based on detected trends |
| KR102938637B1 (ko) | 2023-05-09 | 2026-03-11 | 아주대학교산학협력단 | 범죄 사건과 관련 인물 기반의 레이어드 네트워크를 이용한 용의자 스코어링 방법 및 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016157467A1 (ja) | 2015-03-31 | 2016-10-06 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、データ分析プログラム、および、記録媒体 |
| WO2018012412A1 (ja) | 2016-07-11 | 2018-01-18 | 日本電気株式会社 | 情報出力システム、情報出力方法、及び、記録媒体 |
| JP2018061216A (ja) | 2016-10-07 | 2018-04-12 | パナソニックＩｐマネジメント株式会社 | 情報表示システム及び情報表示方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7499046B1 (en) * | 2003-03-15 | 2009-03-03 | Oculus Info. Inc. | System and method for visualizing connected temporal and spatial information as an integrated visual representation on a user interface |
| US7571146B2 (en) * | 2005-04-04 | 2009-08-04 | Spadac, Inc. | Event, threat and result change detection system and method |
| US20090240647A1 (en) * | 2008-03-19 | 2009-09-24 | Appleseed Networks, Inc. | Method and appratus for detecting patterns of behavior |
| US20170277738A1 (en) * | 2015-01-29 | 2017-09-28 | Palantir Technologies Inc. | Temporal representation of structured information in an object model |
| US10356028B2 (en) * | 2016-05-25 | 2019-07-16 | Alphabet Communications, Inc. | Methods, systems, and devices for generating a unique electronic communications account based on a physical address and applications thereof |
| CN106127231A (zh) * | 2016-06-16 | 2016-11-16 | 中国人民解放军国防科学技术大学 | 一种基于信息交互网络的犯罪个体识别方法 |
-
2020
- 2020-03-30 JP JP2022512499A patent/JP7567904B2/ja active Active
- 2020-03-30 US US17/909,083 patent/US20230084216A1/en not_active Abandoned
- 2020-03-30 WO PCT/JP2020/014432 patent/WO2021199101A1/ja not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016157467A1 (ja) | 2015-03-31 | 2016-10-06 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、データ分析プログラム、および、記録媒体 |
| WO2018012412A1 (ja) | 2016-07-11 | 2018-01-18 | 日本電気株式会社 | 情報出力システム、情報出力方法、及び、記録媒体 |
| JP2018061216A (ja) | 2016-10-07 | 2018-04-12 | パナソニックＩｐマネジメント株式会社 | 情報表示システム及び情報表示方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021199101A1 (ja) | 2021-10-07 |
| JPWO2021199101A1 (ja) | 2021-10-07 |
| US20230084216A1 (en) | 2023-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12047355B2 (en) | Machine learning techniques for mitigating aggregate exposure of identifying information | |
| JP7567904B2 (ja) | 犯罪捜査支援システム、犯罪捜査支援方法、及び、犯罪捜査支援プログラム | |
| US11275990B2 (en) | Incident prediction and response using deep learning techniques and multimodal data | |
| US20170330117A1 (en) | System for and method for detection of insider threats | |
| US11025693B2 (en) | Event detection from signal data removing private information | |
| CN120238869B (zh) | 基于多维度特征融合的异常短信行为检测方法及系统 | |
| CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
| Turet et al. | Hybrid methodology for analysis of structured and unstructured data to support decision-making in public security | |
| Bulgakova et al. | Big data in investigating and preventing crimes | |
| Nissan | An overview of data mining for combating crime | |
| Cao et al. | Cluster-based correlation of severe driving events with time and location | |
| Ng et al. | Bot-based emotion behavior differences in images during Kashmir black day event | |
| CN119905226A (zh) | 一种智能识别与预警方法及系统 | |
| Sahoh et al. | A proof-of-concept and feasibility analysis of using social sensors in the context of causal machine learning-based emergency management | |
| Shukla et al. | Enhancing cloud computing security through deep learning and attention mechanism intrusion detection systems | |
| US11468671B2 (en) | Sentiment analysis for situational awareness | |
| Bouzidi et al. | Managing emergency crises using secure information through educational awareness: COVID-19 case study | |
| Mishra et al. | A fuzzy soft set based novel method to destabilize the terrorist network | |
| Delgado et al. | Multi-instance learning with application to the profiling of multi-victim homicides | |
| Kadar et al. | Towards a burglary risk profiler using demographic and spatial factors | |
| Menaga et al. | Sentinel Watch: Harnessing AI and ML for Proactive Crime Prediction and Crowd Management | |
| Ribeiro et al. | Prediction of homicides in urban centers: A machine learning approach | |
| WO2021192235A1 (ja) | Ｓｎｓ分析システム、ｓｎｓ分析装置、ｓｎｓ分析方法、及び、ｓｎｓ分析プログラムが格納された記録媒体 | |
| JP7828622B1 (ja) | 防犯カメラシステムによる人物の繰り返し出現の検知・記録・警告システム及び方法 | |
| Badreddine et al. | Spatio-temporal crime forecasting: Approaches, datasets, and comparative study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220812 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240308 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240528 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240724 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240903 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240916 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7567904 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |