WO2020105478A1 - 救急需要予測装置、救急需要予測方法およびプログラム - Google Patents

救急需要予測装置、救急需要予測方法およびプログラム

Info

Publication number
WO2020105478A1
WO2020105478A1 PCT/JP2019/043920 JP2019043920W WO2020105478A1 WO 2020105478 A1 WO2020105478 A1 WO 2020105478A1 JP 2019043920 W JP2019043920 W JP 2019043920W WO 2020105478 A1 WO2020105478 A1 WO 2020105478A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
emergency
data
prediction
unit
Prior art date
Application number
PCT/JP2019/043920
Other languages
English (en)
French (fr)
Inventor
順暎 金
社家　一平
和昭 尾花
篤彦 前田
武本　充治
幸雄 菊谷
浩史 佐藤
哲生 川野
福田　健一
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US17/294,514 priority Critical patent/US20220020502A1/en
Publication of WO2020105478A1 publication Critical patent/WO2020105478A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • One aspect of the present invention relates to an emergency demand forecasting device, an emergency demand forecasting method, and a program for forecasting the number of emergency requests in emergency medical care.
  • Non-Patent Document 1 The Ministry of Internal Affairs and Communications has also announced that it will introduce a system for emergency demand prediction using big data and the efficient allocation of ambulances based on the prediction (Non-Patent Document 2).
  • the number of emergency requests generated is affected by various environmental factors, and examples of such environmental factors include the following.
  • climate information such as temperature, humidity, and atmospheric pressure (heat stroke, migraine, asthma, joint pain, etc.)
  • Weather information traffic accidents due to rainfall, falls due to snow, etc.
  • Prevalence of infectious diseases such as colds and flu
  • Characteristics of the area (acute alcoholism in downtown areas, etc.)
  • the accuracy of estimating emergency demand can be improved by clarifying various environmental factors and the groups of injured diseases affected by them.
  • the illness classification is very finely divided, in many illnesses, it is not possible to obtain an appearance frequency sufficient for analysis.
  • the format of emergency transportation data is different for each municipality, and the classification of injuries and illnesses is also different for each municipality, and it is not easy to generalize.
  • the present invention was made in view of the above circumstances, and its purpose is to provide a technique for accurately and efficiently predicting the number of emergency requests.
  • a first aspect of the present invention is an emergency demand forecasting device for predicting the number of emergency requests in a target area, wherein date and time information indicating the date and time of the emergency request and the emergency request. Generated based on the performance data acquired for learning, and the performance data acquisition unit that acquires the performance data including the location information indicating the location where the problem occurred and the disease information indicating the injury or illness that caused the emergency request.
  • a first learning unit for inputting the first learning data, and outputting a group of injuries to which each of the injuries causing the emergency request included in the above-mentioned result data belongs, ,
  • the second learning data generated based on the actual data acquired for learning and the injury / illness group output from the first learning model is input, and the number of emergencies requested is output.
  • Prediction generated based on a second learning unit that generates a second learning model, actual data acquired for prediction, and a disease group output from the learned first learning model.
  • Data is input to the learned second learning model to predict the number of emergency requests for each unit area in the target area, and a request occurrence number prediction unit is provided. Is.
  • environmental data including information on weather of the place where the emergency request is generated is acquired.
  • the second learning unit further uses the environment data acquired for learning as an input to generate the second learning model, and the request occurrence number prediction unit uses the environment data acquired for learning for prediction.
  • the acquired environmental data is further input to the already learned second learning model so as to predict the number of emergencies requested for each unit area.
  • a third aspect of the present invention is the regional data according to the first aspect, wherein regional data including information on regional statistics of a place where the emergency request is generated is acquired based on the position information included in the actual result data.
  • An acquisition unit is further provided, the second learning unit further uses the region data acquired for learning as an input to generate the second learning model, and the request occurrence number prediction unit uses the prediction data for prediction.
  • the regional data acquired in (1) is further input to the already learned second learning model so as to predict the number of emergencies requested for each unit area.
  • a fourth aspect of the present invention is the regional data according to the first aspect, wherein regional data including information on regional statistics of the place where the emergency request is generated is acquired based on the position information included in the performance data.
  • the present invention further includes an acquisition unit and a third learning unit that inputs the regional data acquired for learning and outputs a regional feature amount for each unit area, and that generates a third learning model.
  • the third learning model further uses the regional feature amount output from the third learning model as an input to generate the second learning model, and the request occurrence number prediction unit of the third learning model
  • the regional feature quantity output from the learning model is further input to the already learned second learning model so as to predict the number of emergency requests generated for each unit area.
  • the first learning model is composed of a first layer of a neural network
  • the second learning model is an output of the first layer. It is configured by the second layer of the neural network described above.
  • a sixth aspect of the present invention is the prediction result according to any one of the first to fifth aspects, wherein output data for visually presenting the prediction result by the request occurrence number prediction unit is generated and output.
  • the output section is further provided.
  • the record obtained first for learning based on the record data regarding the occurrence of the emergency request, including the date and time information, the position information, and the information on the illness causing the emergency request.
  • First learning data is generated from the data, and learning of the first model is performed which inputs the first learning data and outputs a disease group to which each injury belongs.
  • the second learning data is generated based on the actual data acquired for learning and the injury / illness group output from the first model, and the number of emergency requests generated by using the second learning data as an input.
  • the learning of the second model that outputs By using the learned first model and second model thus obtained and the actual data acquired for prediction, the number of emergencies requested for each unit area is predicted.
  • the acquired emergency transport record data does not have a sufficient frequency of occurrence to withstand analysis in injury / illness units, first learn the classification of injury / illness based on the actual data, then The results of various classifications can be reflected in the actual data and used for analysis, and the limited number of actual data can be efficiently used to accurately predict the number of emergency requests.
  • the results of such classification reflected in the actual data for learning of the prediction model the difference in classification of diseases and illnesses in each municipality can be absorbed, and a model that can be commonly used by multiple municipalities can be easily constructed. can do.
  • the environmental data including the weather information of the place where the emergency request is generated is acquired, and the acquired environmental data is further used for learning and prediction.
  • regional data including information on regional statistics of the place where the emergency request is generated is acquired, and the acquired regional data is further used for learning and prediction.
  • highly reliable learning by associating the occurrence record of emergency requests with information on regional statistics of each region, and to predict the number of emergency requests in the region with high accuracy. ..
  • regional data including information on regional statistics of a place where an emergency request is generated is acquired, and regional feature amounts for each unit region are extracted based on the acquired regional data.
  • the extracted regional features are further used for learning and prediction.
  • the first learning model is configured by the first layer of the neural network, and the output from the first layer is the second layer as the second layer of the neural network. Input to learning model. Accordingly, it is possible to collectively learn, update, and make a prediction of the two learning models by inputting the actual result data into the neural network without requiring separate processing.
  • the prediction result of the number of emergency requests generated is output as output data for visually presenting the prediction result.
  • each aspect of the present invention it is possible to provide a technique for accurately and efficiently predicting the number of emergency requests.
  • FIG. 1 is a block diagram showing a first example of the functional configuration of an emergency demand prediction device according to an embodiment of the present invention.
  • FIG. 2 is a flow chart showing an example of a learning procedure of the classification model by the emergency demand prediction device shown in FIG.
  • FIG. 3 is a flow chart showing an example of the learning procedure of the prediction model by the emergency demand prediction device shown in FIG.
  • FIG. 4 is a flowchart showing an example of a prediction procedure performed by the emergency demand prediction device shown in FIG.
  • FIG. 5 is a figure which shows an example of the result data of emergency conveyance.
  • FIG. 6A is a diagram showing an example of a wound / illness group extraction result using clustering.
  • FIG. 6B is a diagram showing an example of visualizing the result of wound / illness group extraction using clustering.
  • FIG. 6C is a diagram showing an explanation of the marker shown in FIG. 6B.
  • FIG. 7 is a diagram showing an example of prediction model learning data.
  • FIG. 8 is a figure which shows an example of the prediction result by the emergency demand prediction apparatus shown in FIG.
  • FIG. 9 is a block diagram showing a second example of the functional configuration of the emergency demand prediction device according to the embodiment of the present invention.
  • FIG. 10 is a diagram showing an example of environmental data.
  • FIG. 11 is a diagram showing an example of environment data that has been subjected to preprocessing.
  • FIG. 12 is a block diagram showing a third example of the functional configuration of the emergency demand prediction device according to the embodiment of the present invention.
  • FIG. 13 is a diagram showing an example of regional data.
  • FIG. 14 is a block diagram showing a fourth example of the functional configuration of the emergency demand prediction device according to the embodiment of the present invention.
  • FIG. 15 is a diagram showing an example of regional learning data.
  • FIG. 16 is a diagram illustrating an example of the regional learning result.
  • FIG. 17 is a flowchart showing a second example of a learning procedure by the emergency demand prediction device according to the embodiment of the present invention.
  • FIG. 18 is a flow chart showing a second example of the prediction procedure by the emergency demand prediction device according to the embodiment of the present invention.
  • FIG. 19 is a diagram showing an example of learning data used in the learning procedure shown in FIG.
  • FIG. 20 is a schematic diagram showing the data flow in the learning procedure shown in FIG. 17 and the prediction procedure shown in FIG.
  • FIG. 21A is a diagram showing a first example of visually displaying an emergency demand prediction result.
  • FIG. 21B is a diagram showing a second example of visually displaying the emergency demand prediction result.
  • FIG. 1 is a block diagram showing a functional configuration of an emergency demand prediction device 1 according to an embodiment of the present invention.
  • the emergency demand forecasting device 1 is managed by, for example, the fire department of each municipality, and the number of times of emergency requests per unit area in the past is used as teacher data, and the emergency occurrence per unit area per unit time of several hours to several days ahead. It is used to estimate the number and is composed of, for example, a server computer or a personal computer.
  • the emergency demand prediction device 1 can communicate with various servers and databases including the emergency database EMDB via the network NW.
  • the emergency database EMDB stores, for example, data regarding the occurrence record of emergency requests including emergency transport information and patient information input from a command board or an emergency team.
  • the network NW is composed of, for example, a relay network and a plurality of access networks for accessing the relay network.
  • the relay network for example, a public network or a closed network using the Internet protocol is used.
  • the access network for example, a LAN (Local Area Network), a wireless LAN, a mobile phone network, a wire telephone network, an FTTH (Fiber To The Home), and a CATV (Cable Television) network are used.
  • the emergency demand prediction device 1 includes an input / output interface unit 10, a control unit 20, and a storage unit 30.
  • the input / output interface unit 10 includes, for example, one or more wired or wireless communication interface units, and enables transmission / reception of information to / from an external device.
  • a wired LAN is used as the wired interface
  • an interface that adopts a low power wireless data communication standard such as wireless LAN or Bluetooth (registered trademark) is used as the wireless interface.
  • the input / output interface unit 10 accesses the emergency database EMDB under the control of the control unit 20, reads the accumulated data, and passes the read data to the control unit 20.
  • the input / output interface unit 10 can also perform a process of outputting instruction information input by an input device (not shown) such as a keyboard to the control unit 20. Further, the input / output interface unit 10 outputs the learning result and the prediction result output from the control unit 20 to a display device (not shown) such as a liquid crystal display or transmits the learning result and the prediction result to an external device via the network NW. It can be performed.
  • the storage unit 30 uses, as a storage medium, a nonvolatile memory such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive) capable of writing and reading at any time, and in order to realize this embodiment.
  • a nonvolatile memory such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive) capable of writing and reading at any time, and in order to realize this embodiment.
  • the storage area required for the storage includes a classification model storage section 31, a prediction model storage section 32, and a prediction result storage section 33.
  • the classification model storage unit 31 is used to store a classification model for reclassifying the injury / illness classification into injury / illness groups based on the occurrence pattern.
  • the prediction model storage unit 32 is used to store a prediction model for predicting the number of future emergency requests based on past performance data.
  • the prediction result storage unit 33 is used to store the prediction result obtained by using the learned prediction model.
  • the storage units 31 to 33 are not essential components, and may be provided in an external storage medium such as a USB memory or a storage device such as a database server arranged in the cloud.
  • the control unit 20 has a hardware processor such as a CPU (Central Processing Unit) or MPU (Micro Processing Unit) (not shown) and a memory such as a DRAM (Dynamic Random Access Memory) or an SRAM (Static Random Access Memory).
  • a transport data acquisition unit 21 a transport data preprocessing unit 22, a disease group learning unit 23, a prediction model learning unit 24, and a request occurrence number prediction unit 25.
  • a output control unit 26 is realized by causing the processor to execute the program stored in the storage unit 30.
  • the control unit 20 may also be realized in various other forms including an integrated circuit such as an ASIC (Application Specific Integrated Circuit) and an FPGA (field-programmable gate array).
  • the transportation data acquisition unit 21 functions as a performance data acquisition unit, and past emergency transportation performance data (hereinafter referred to as “actual data” recorded each time an emergency team is dispatched from the external emergency database EMDB via the input / output interface unit 10). , "Conveyance data”) and passes it to the conveyance data preprocessing unit 22.
  • the transport data pre-processing unit 22 performs pre-processing on the received transport data and then passes it to either the disease group learning unit 23, the prediction model learning unit 24, or the request occurrence number prediction unit 25.
  • the transport data preprocessing unit 22 divides the data based on the received transport data, extracts necessary items, complements defects, performs normalization processing, and data for injury / illness group learning, Prediction model learning data or request occurrence number prediction data is created and passed to each of the units 23 to 25.
  • the disease group learning unit 23 functions as a first learning unit, receives the disease group learning data from the transport data preprocessing unit 22, learns a disease group having a similar occurrence pattern, and classifies the learning result as a classification model. A process of saving in the storage unit 31 is performed.
  • the prediction model learning unit 24 functions as a second learning unit, receives the prediction model learning data from the transport data preprocessing unit 22, and predicts the total number of emergency requests from the number of occurrences of each injury / illness group and date / time information. Is performed to learn the prediction model for saving the learning result in the prediction model storage unit 32.
  • the request occurrence count prediction unit 25 receives the request occurrence count prediction data from the transport data preprocessing unit 22, reads the learned prediction model stored in the prediction model storage unit 32, and calculates the request occurrence count prediction data. By inputting into, the number of emergency requests generated for each unit area is predicted, and the prediction result is stored in the prediction result storage unit 33.
  • the output control unit 26 creates output data based on the prediction result of the request occurrence number prediction unit 25, and outputs the output data via the input / output interface unit 10. For example, the output control unit 26 can create output data for displaying the predicted number for each unit area on a display device (not shown) as a two-dimensional map, and output the output data to the display device. The output control unit 26 can also create output data based on the data stored in the classification model storage unit 31, the prediction model storage unit 32, and the prediction result storage unit 33.
  • the emergency demand prediction device 1 can start a learning process or a prediction process by receiving an instruction signal from an operator or the like input through an input device (not shown).
  • the emergency demand prediction device 1 executes the learning process for the classification model of the injured disease group as follows.
  • FIG. 2 is a flowchart showing a processing procedure and processing contents of processing for learning a disease group by the emergency demand prediction device 1 shown in FIG.
  • the emergency demand prediction device 1 acquires the transport data from the external emergency database EMDB via the input / output interface unit 10 under the control of the transport data acquisition unit 21, and transfers the acquired transport data to the transport data. It is passed to the preprocessing unit 22. At this time, the emergency demand prediction device 1 may store the acquired transport data in the storage unit 30.
  • FIG. 5 shows an example of the transport data acquired.
  • the transport data shown in FIG. 5 includes an ID for distinguishing the records, and information indicating the date and time of occurrence, dispatch area, age, sex, place of occurrence, type of injury / illness, site of injury / illness, degree of injury / illness, and the like.
  • step S102 the emergency demand prediction device 1 performs processing such as defect complementation and normalization on the transportation data received from the transportation data acquisition unit 21 under the control of the transportation data preprocessing unit 22 to perform injury / illness group learning. Data is created and passed to the injury / illness group learning unit 23.
  • Injuries are affected by specific ages and sexes (for example, many illnesses are common in the elderly, but febrile seizures are common in the younger generation), and are affected by temperature, pressure, and weather. It is thought to be affected by multiple factors, such as local and regional characteristics (acute alcoholism in downtown areas, injuries and fractures in sports facilities, and areas where traffic accidents frequently occur).
  • the transport data can be used more efficiently and effectively.
  • attribute information such as age and sex of the injured person, information on the location of the injury / illness, date and time of injury / illness can be used. ..
  • step S103 the emergency demand prediction device 1 under the control of the injury / illness group learning unit 23 uses the injury / illness group learning data to learn an injury / illness group having a similar occurrence pattern, and obtains the result as a learned model. Is stored in the classification model storage unit 31 as
  • the injury / illness group learning unit 23 can calculate, for example, the degree of similarity or distance between injuries and diseases, and extract the injury / illness group based on the calculated value.
  • FIG. 6A shows a result of extracting a disease group by K-means clustering.
  • each piece of emergency transportation data shown in FIG. 5 is used as a node, and K-means is applied to each of the injured person attributes, the place of occurrence, and the date and time of occurrence as the value of the node, and the number of injured diseases is tens. Divided into clusters. This cluster corresponds to a situation in which injury or illness is likely to occur.
  • each injury and illness was made into a node, and the number of occurrences of each injury and illness in each cluster was used as a value, and clustering was performed again to group the injuries and illnesses.
  • FIG. 6B further plots such clustering results in a three-dimensional space using a multidimensional scaling method for visualization.
  • the color and shape of the marker indicate the disease group to which each disease belongs.
  • FIG. 6C shows an explanation of the markers shown in FIG. 6B.
  • FIG. 6B in this example, for example, febrile convulsions and hyperventilation syndrome, which are frequently observed in children and adolescents, and the symptoms that may be associated with accidental ingestion of mouth, esophagus, and gastric foreign body are the same as the injured group ( It can be seen that they are assigned to the white square markers A1 to A3).
  • the clustering results of the diseases shown in FIGS. 6B and 6C are examples, and the scope of the embodiment is not intended to be limited.
  • the injury / disease group learning unit 23 can store the injury / illness group thus extracted in the classification model storage unit 31, for example, in the form of a correspondence table of the injury / illness group.
  • the learned classification model is configured to be re-learned using the newly created learning data at regular time intervals, when a certain condition is satisfied, or in response to an instruction from an operator or the like. can do.
  • the emergency demand prediction device 1 receives the learning instruction signal of the prediction model from the operator, for example, following the learning process of the injured disease group or separately from the learning process of the injured disease group.
  • the learning process of the prediction model is executed as follows.
  • FIG. 3 is a flowchart showing a processing procedure and processing content of processing for learning a prediction model for predicting the number of emergency requests generated by the emergency demand prediction device 1 shown in FIG.
  • the emergency demand prediction device 1 reads out a learned classification model based on the transportation data acquired by the transportation data acquisition unit 21 under the control of the transportation data preprocessing unit 22, and then sets the injury / illness group. By obtaining the number of occurrences per unit time for each, prediction model learning data is created and passed to the prediction model learning unit 24.
  • the transport data preprocessing unit 22 first divides the transport data acquired by the transport data acquisition unit 21 into unit areas based on the dispatch area information.
  • the unit area may be an administrative division such as a municipality and a chome level, or a regional mesh calculated based on latitude and longitude.
  • An online service such as Google Maps API can be used for mutual conversion between administrative divisions and latitude / longitude.
  • the transport data preprocessing unit 22 reads out the learned classification model stored in the classification model storage unit 31 based on the transport data divided for each unit area, and learns the number of occurrences for each learned disease group. Is performed for each unit time.
  • FIG. 7 shows an example of the prediction model learning data created in this way.
  • the number of emergency requests for each injury / illness group and the total number of occurrences for each of the injured and illness groups, which are counted by time zone, are shown for the unit area “1-chome, XX town”.
  • step S202 the emergency demand prediction device 1 uses the occurrence frequency and date and time information for each unit area as shown in FIG. 7 as the prediction model learning data under the control of the prediction model learning unit 24. , Perform supervised learning of prediction models.
  • a statistical method such as a generalized linear model or a machine learning method such as a random forest or a neural network can be used.
  • step S203 the emergency demand prediction device 1 stores the learned prediction model, that is, the obtained optimum model structure and parameters in the prediction model storage unit 32 under the control of the prediction model learning unit 24. You can
  • the learned prediction model is configured to be re-learned using the newly created learning data at regular time intervals, when a certain condition is satisfied, or in response to an instruction from an operator or the like. can do.
  • the emergency demand prediction device 1 uses the learned classification model and the prediction model to perform the process of predicting the number of emergencies requested as follows.
  • FIG. 4 is a flow chart showing a processing procedure and processing contents of processing for predicting the number of emergency requests generated by the emergency demand prediction device 1 shown in FIG.
  • the emergency demand prediction device 1 acquires the transport data from the external emergency database EMDB via the input / output interface unit 10 under the control of the transport data acquisition unit 21, and transfers the acquired transport data to the transport data. It is passed to the preprocessing unit 22.
  • the emergency demand prediction device 1 acquires the transportation data up to several hours ago from the emergency database EMDB when actually performing the prediction process. At the same time, the latest transportation data can be directly collected from an ambulance or the like.
  • the emergency demand prediction device 1 performs various preprocessings on the transportation data received from the transportation data acquisition unit 21 under the control of the transportation data preprocessing unit 22 to create prediction data. , And passes it to the request occurrence number prediction unit 25.
  • the transport data preprocessing unit 22 integrates the transport data acquired from the emergency database EMDB and the latest transport data, and the integrated data is obtained. Is divided into unit areas.
  • the transport data preprocessing unit 22 reads out the learned classification model stored in the classification model storage unit 31 based on the divided transport data, and calculates the number of occurrences per unit time for each injury / illness group.
  • the prediction data to be input to the prediction model is created.
  • step S303 the emergency demand prediction device 1 reads the learned prediction model stored in the prediction model storage unit 32 based on the received prediction data under the control of the request occurrence number prediction unit 25. , Forecasting the number of emergency requests generated at any time for each unit area (for example, for each mesh).
  • step S304 the emergency demand prediction device 1 stores the prediction result in the prediction result storage unit 33 under the control of the request occurrence number prediction unit 25.
  • Fig. 8 shows an example of the prediction result obtained as described above. The predicted number of emergency requests for each unit area is shown for each time zone.
  • the output control unit 26 reads the prediction result stored in the prediction result storage unit 33 in a timely manner, creates output data based on the read prediction result, and outputs the created output data to a display device or an external device. can do.
  • the request occurrence number prediction unit 25 may directly pass the prediction result to the output control unit 26.
  • the output control unit 26 can also create output data based on a correspondence table stored in the classification model storage unit 31 or a parameter stored in the prediction model storage unit 32 in response to an instruction from an operator or the like. ..
  • the emergency demand prediction device 1 relates to the information such as the p occurrence month of the time t nm to t n-m + p , the information such as the day of the week and the holidays, and the date and time of the time zone. It can be configured to perform supervised learning for learning a model that predicts the total sum of the total number of occurrences at times t n to t n + ⁇ by using the information and the number of emergency request occurrences by injury and illness.
  • the learning data from t n-24 to t n-1 is used and the total number of occurrences from t n to t n + 2.
  • model learning can be performed in advance using accumulated data, and only prediction can be performed during system operation. Further, the model re-learning can be carried out at a fixed timing (weekly / monthly, etc.), or when the prediction result largely deviates for a fixed period.
  • the emergency demand prediction device 1 inputs the measured value from the transport data preprocessing unit 22 to the table of the prediction result storage unit shown in FIG.
  • the sum of the errors can be calculated and the sum of the errors can be monitored. Then, when the sum of errors continues to exceed the threshold value, an alarm is issued and the system operator is prompted to re-learn, thereby making it possible to keep track of the cost of re-learning and follow changes in the external world.
  • Example 2 The second example of the emergency demand prediction device 1 according to the embodiment of the present invention is further adapted to use environmental data representing information on the environment of the place where the emergency request is generated for learning and prediction.
  • FIG. 9 is a block diagram showing a functional configuration of the emergency demand prediction device 1 according to the second embodiment.
  • the same parts as those in FIG. 1 are designated by the same reference numerals, and detailed description thereof will be omitted.
  • the emergency demand forecasting device 1 shown in FIG. 9 further includes an environmental data acquisition unit 221 and an environmental data preprocessing unit 222 in the control unit 20. Further, the emergency demand prediction device 1 of FIG. 9 can further communicate with the environmental database EVDB in addition to the emergency database EMDB via the network NW.
  • the environmental data acquisition unit 221 receives an instruction signal for learning or prediction processing input by an operator, acquires environmental data such as meteorological data from the environmental database EVDB via the input / output interface unit 10, and Processing for passing to the processing unit 222 is performed.
  • the environment database EVDB is connected to, for example, an environment data collection server that collects information about the surrounding environment from the Internet or an external service automatically or manually by an operator, and accumulates the collected environment data.
  • FIG. 10 shows an example of the acquired environmental data.
  • An example of environmental data is meteorological data obtained from the website of the Meteorological Agency.
  • various meteorological data are shown together with date and time information, and information representing the situation in which each data is acquired is added as conditions 1 to 3.
  • the condition 1 indicates whether or not the data that is the basis of the statistics is missing
  • the condition 2 indicates the difference in the observation environment
  • the condition 3 indicates whether or not the phenomenon occurs with a value of 0/1. Information.
  • the environmental data pre-processing unit 222 performs necessary pre-processing such as extracting necessary items from the environmental data received from the environmental data acquisition unit 221, complementing defects, and performing normalization processing.
  • FIG. 11 shows an example of environment data that has undergone such preprocessing.
  • the environment data preprocessing unit 222 passes the preprocessed environment data to either the prediction model learning unit 24 or the request occurrence number prediction unit 25.
  • the prediction model learning unit 24 and the request generation number prediction unit 25 use the learning data or the prediction data received from the transport data preprocessing unit 22 and the environmental data received from the environmental data acquisition unit 221 based on the time information. Matching can be performed for learning and prediction processing.
  • the third example of the emergency demand forecasting apparatus 1 according to the embodiment of the present invention is further adapted to use regional data including regional statistical information of a place where an emergency request occurs in learning and forecasting.
  • FIG. 12 is a block diagram showing a functional configuration of the emergency demand prediction device 1 according to the third embodiment.
  • the same parts as those in FIGS. 1 and 9 are designated by the same reference numerals, and detailed description thereof will be omitted.
  • the emergency demand forecasting device 1 shown in FIG. 12 further includes a regional data acquisition unit 321 and a regional data preprocessing unit 322 in the control unit 20. Further, the emergency demand prediction device 1 of FIG. 12 can further communicate with the regional database RSDB in addition to the emergency database EMDB and the environment database EVDB via the network NW.
  • the area data acquisition unit 321 receives an instruction signal for learning or prediction processing input by an operator, acquires the area data from the area database RSDB via the input / output interface unit 10, and causes the area data preprocessing unit 322 to acquire the area data. Perform the passing process.
  • the regional database RSDB is connected to a regional data collection server that collects information on regional statistics automatically or manually from an operator on the Internet or from an external service, and stores the collected regional data. As the regional statistical information included in the regional data, map information that stores facility information such as hospitals and shops in the region, and age-based population information for each unit area can be considered.
  • the regional data preprocessing unit 322 aggregates the regional data received from the regional data acquisition unit 321 for each unit region, and performs regional data shaping such as interval adjustment and defect complementation.
  • the regional data preprocessing unit 322 passes the preprocessed regional data to either the prediction model learning unit 24 or the request occurrence number prediction unit 25.
  • FIG. 13 shows population transition data by gender and age as an example of regional data. Such data can be created, for example, by linking the contractor information to the terminal information collected at each base station of the mobile phone.
  • the regional data preprocessing unit 322 uses, for example, the estimated population created by each local government and the monthly average population described in the publicly available population for such data so that the regional total of the nighttime population becomes the monthly average population. It is possible to perform the defect complementation by obtaining a certain value.
  • the prediction model learning unit 24 and the request occurrence number prediction unit 25 receive learning data or prediction data received from the transport data preprocessing unit 22, environmental data received from the environmental data acquisition unit 221, and local data acquisition unit 321. Learning and prediction processing can be performed by matching the received regional data with time information.
  • a fourth example of the emergency demand forecasting apparatus 1 according to the embodiment of the present invention further learns regional characteristics for each unit area based on regional data representing regional statistical information of a place where an emergency request occurs, The learning result is used for learning and prediction as described above.
  • FIG. 14 is a block diagram showing the functional configuration of the emergency demand prediction device 1 according to the fourth embodiment.
  • the same parts as those in FIGS. 1, 9 and 12 are designated by the same reference numerals, and detailed description thereof will be omitted.
  • the emergency demand prediction device 1 shown in FIG. 14 further includes a regionality learning unit 421 in the control unit 20 and a regionality storage unit 434 in the storage unit 30. ..
  • the emergency demand prediction device 1 illustrated in FIG. 14 acquires regional data under the control of the regional data acquisition unit 321 and acquires the regional data acquired under the control of the regional data preprocessing unit 322, as in the third embodiment. A predetermined pre-processing is performed on.
  • the regional data preprocessing unit 322 passes the preprocessed regional data to either the prediction model learning unit 24, the request occurrence number prediction unit 25, or the regionality learning unit 421.
  • the regional data preprocessing unit 322 creates learning regional data based on the acquired regional data and passes it to the prediction model learning unit 24, or creates forecasting regional data and requests the number-of-requests prediction unit 25. To the locality learning unit 421.
  • the regionality learning unit 421 functions as a third learning unit, and based on the received regionality learning data, in addition to population data by time zone and age, hospitals, nursing homes, stores, schools within the region. Based on the number of sports facilities, etc., processing for learning / extracting what kind of district the area is.
  • FIG. 15 shows an example of regional learning data.
  • the type and number of facilities in the area can be acquired by performing a search using various map services such as Google Maps API.
  • the locality learning unit 421 does not function when performing learning for a single unit area, but learns for various unit areas and inherits the parameters, so that the locality of a downtown area such as an office district or a downtown area is learned. It becomes possible to extract the emergency request occurrence pattern for the characteristics and the characteristics of the residents such as mature residential areas and new residential areas.
  • the regionality storage unit 434 stores the learning result by the regionality learning unit 421. Like the storage units 31 to 33, the regional storage unit 434 is not an indispensable component and can be replaced with an external storage medium or the like.
  • FIG. 16 shows, as an example of the learning result by the regionality learning unit 421, results of estimating whether or not each region has a property such as an office area, a downtown area, or a residential area, from population changes and facilities existing there. ..
  • the environmental data acquisition unit 221 and the environmental data preprocessing unit 222 may not be provided in the emergency demand prediction device 1 according to the fourth embodiment, and the environmental data may not be used in learning and prediction.
  • Example 5 Although the emergency demand prediction apparatus 1 according to the first embodiment independently extracts the injury / illness group by using the clustering method, it is also possible to extract the injury / illness group and learn the prediction model at the same time.
  • a fifth example of the emergency demand forecasting apparatus 1 according to an embodiment of the present invention for example, in a neural network, adds a layer corresponding to injury / illness group learning to a model to perform injury / illness group extraction and learning of a prediction model. Are to be performed at the same time.
  • an LSTM (Long Short-term Memory) (one type of recurrent neural network) layer is prepared for extracting a disease group and predicting the number of occurrences.
  • the LSTM layer for extracting a disease group it is possible to input an enumeration of the number of emergency requests generated per unit time for each disease type determined for each municipality. Then, by setting the number of output nodes to be small (about 20 to 30) with respect to the original number of injury / disease classifications, the effect of summarizing the injury / illness classification can be obtained.
  • this output as the input of the LSTM layer for predicting the number of emergencies required and proceeding with the learning collectively, it is possible to extract a disease group that maximizes the accuracy of predicting the number of occurrences.
  • FIG. 17 is a flowchart showing the learning process of the injury / illness group and the prediction model by the emergency demand prediction device 1 according to the fifth embodiment.
  • the emergency demand forecasting apparatus 1 according to the fifth embodiment has the same basic configuration as the emergency demand forecasting apparatus 1 shown in FIG. Therefore, each process will be described below by using the reference numerals of the respective units of the emergency demand prediction device 1 shown in FIG. 1.
  • step S401 the emergency demand prediction device 1 acquires the transport data from the external emergency database EMDB via the input / output interface unit 10 under the control of the transport data acquisition unit 21, and transfers the acquired transport data to the transport data. It is passed to the preprocessing unit 22.
  • step S402 the emergency demand prediction device 1 divides the transport data received from the transport data acquisition unit 21 into unit areas under the control of the transport data preprocessing unit 22, and for each injury or illness based on the classification of each municipality. Data for model learning is created by counting the number of occurrences per unit time.
  • FIG. 19 shows an example of model learning data.
  • the LSTM layer for extracting the illness group as shown in FIG. 19, it is possible to input an enumeration of the number of emergency requests generated per unit time for each illness type determined for each municipality.
  • step S403 the emergency demand prediction device 1 collectively performs the injury / disease group learning by the injury / illness group learning unit 23 and the prediction model learning by the prediction model learning unit 24.
  • step S404 the emergency demand prediction device 1 saves the model structure and parameters relating to the learned prediction model in the prediction model storage unit 32, for example.
  • FIG. 18 is a flowchart showing the prediction process by the emergency demand prediction device 1 according to the fifth embodiment. Again, each process will be described using the reference numerals of each part of the emergency demand prediction device 1 shown in FIG.
  • the emergency demand prediction device 1 acquires the transport data from the external emergency database EMDB via the input / output interface unit 10 under the control of the transport data acquisition unit 21, and transfers the acquired transport data to the transport data. It is passed to the preprocessing unit 22. As described in the first embodiment, the emergency demand forecasting device 1 directly collects the latest transport data from an ambulance or the like in order to consider the time lag until the emergency transport data is collected in the database in the actual prediction process. You can also do it.
  • step S502 the emergency demand prediction device 1 divides the transportation data received from the transportation data acquisition unit 21 into unit areas under the control of the transportation data preprocessing unit 22, and for each injury or illness based on the classification of each municipality. , Count the number of occurrences per unit time and create prediction data.
  • step S503 the emergency demand prediction device 1 uses the learned prediction model learned as described above under the control of the request occurrence number prediction unit 25, based on the data for prediction, for each unit area. Predict the number of emergency requests.
  • step S504 the emergency demand prediction device 1 stores the prediction result obtained by the request occurrence number prediction unit 25 in the prediction result storage unit 33 under the control of the control unit 20.
  • the regional learning described in the fourth embodiment may be performed simultaneously with the learning of the prediction model.
  • the LSTM in which the regionality learning unit 421 has an input as the age-based population distribution by day of the week and time zone and facility information in the area, and an output as a node of about 10 to 20 corresponding to the block type It can be configured as a layer.
  • FIG. 20 shows a data flow image in the learning model using the LSTM layer according to the fifth embodiment.
  • the emergency demand forecasting device 1 of FIG. 20 uses an LSTM layer for inputting the data of the number of occurrences of injury and illness types obtained from each municipality for extraction of the illness group, and uses the output as an input to the LSTM for forecasting. There is. Similarly, the LSTM layer is also used to extract the regional characteristic amount, and its output is used as an input to the LSTM for prediction.
  • the output control unit 26 further creates output data for visually displaying the prediction result as a prediction result output unit. , Is to be output.
  • the emergency demand prediction device 1 according to the sixth embodiment may have the same functional configuration as any of the emergency demand prediction devices 1 described in the first to fifth embodiments.
  • 21A and 21B show an example in which the prediction result is visualized on the heat map as a display example based on the output data output from the emergency demand prediction device 1 according to the sixth embodiment. These can be displayed on a display device such as a liquid crystal display.
  • FIG. 21A shows the emergency demand forecast result after 3 hours predicted based on the latest data
  • FIG. 21B shows the emergency demand forecast result after 6 hours also predicted based on the latest data. From FIG. 21A and FIG. 21B, it can be observed that the area with a high predicted number of emergence requests (dark mesh on the heat map) changes from the lower left to the upper right after 3 hours and 6 hours. To be done.
  • the emergency demand prediction apparatus 1 according to the sixth embodiment can support the examination of the operation of the emergency department by drawing the transition of the predicted value in the specific region as a graph or a chart.
  • the output format of the prediction result from the emergency demand prediction device 1 according to the sixth embodiment is not limited to the visual display, and it is possible to output in various formats including synthetic speech.
  • the emergency demand prediction apparatus in emergency medical care, it is possible to predict the number of emergency requests in the near future from transport data including the date and time of occurrence of past emergency requests and the location of occurrence. You can At that time, the past emergency transport data was divided into data for each unit area, and the number of occurrences per unit time in each area and the type of injury / disease was calculated as a characteristic amount, and then the injury / illness group affected by the same environmental factors was calculated. Is learned and the number of occurrences of each learned disease group is calculated is used as learning data and prediction data to perform learning and prediction.
  • the injury group is learned and the occurrence frequency of each injury group is calculated and analyzed. By using it, it is possible to accurately predict the number of emergency requests that have occurred from the limited actual data.
  • injury and illness are affected by multiple factors, such as the number of occurrences being biased by specific age and sex, those affected by temperature, atmospheric pressure, weather, etc. Be done.
  • these mechanisms are learned from the data, and by combining them into a group of injured diseases showing similar occurrence patterns in various situations, the difference in manual classification is absorbed, and the optimum It becomes possible to handle the data of the number of emergencies requested by injury and illness with granularity.
  • the emergency demand forecasting apparatus learning and forecasting using environmental data such as meteorological data can be taken into account in the model to improve the forecasting accuracy.
  • the emergency demand prediction apparatus can incorporate these influences into the model and improve the prediction accuracy by performing learning and prediction using such regional characteristics.
  • the emergency demand prediction device from the past emergency transportation data, the injury / illness group having a similar appearance pattern is extracted, and learning is performed based on the number of occurrences of each injury / illness group.
  • the emergency transportation data collected from the command board or the emergency department the weather data that can be collected online, and the regional characteristics of each unit area and the age of each unit time are collected.
  • data such as population distribution, it is possible to accurately estimate the number of emergency requests in the area.
  • the present invention is not limited to the above embodiment.
  • the learned models and parameters stored in the prediction model storage unit 32 can follow the parameter storage process and file format according to the statistical analysis tool used.
  • the data formats stored in the classification model storage unit 31, the prediction result storage unit 33, and the regionality storage unit 434 are not limited to the illustrated example, and any format can be used.
  • the learning of the disease group and the learning of the prediction model are not limited to the statistical methods and machine learning methods described above, and any method can be adopted.
  • the environmental data including meteorological information and the regional data including facility information and population information have been described as being used for the learning process and the prediction process of the prediction model. Good. Particularly, in the embodiment in which the learning of the classification model and the learning of the prediction model are performed separately, it is expected that the learning of the disease group can be performed more efficiently by using the environmental data and the regional data.
  • the functional units of the emergency demand forecasting device 1 described in the first to sixth embodiments can be combined, replaced with the same configuration, or omitted.
  • the environmental data may not be used in the third and fourth embodiments, and the learning and prediction may be performed based on the transport data and the regional data.
  • the functional units 21 to 26 included in the emergency demand forecasting device 1 may be distributedly arranged in a cloud computer, an edge router, or the like, and learning and forecasting may be performed by linking these devices with each other. As a result, the processing load on each device can be reduced and the processing efficiency can be improved.
  • the present invention is not limited to the above-described embodiments as they are, and can be embodied by modifying the constituent elements within a range not departing from the gist of the invention at the implementation stage.
  • various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the above embodiments. For example, some components may be deleted from all the components shown in the embodiment. Furthermore, the constituent elements of different embodiments may be combined appropriately.

Abstract

対象エリア内の救急要請の発生数を効率的に予測する技術を提供する。一実施形態に係る救急需要予測装置は、救急要請が発生した日時の情報と、救急要請が発生した位置の情報と、原因となった傷病の情報とを含む実績データを取得し、学習用の実績データをもとに生成される第１の学習用データを入力として傷病群を出力する第１の学習モデルを生成し、学習用の実績データと第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、単位領域ごとの救急要請の発生数を出力する第２の学習モデルを生成し、予測用の実績データと学習済みの第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの第２の学習モデルに入力して、単位領域ごとの救急要請の発生数を予測する。

Description

救急需要予測装置、救急需要予測方法およびプログラム
　この発明の一態様は、救急医療において救急要請の発生数を予測するための救急需要予測装置、救急需要予測方法およびプログラムに関する。
　近年の高齢化に伴い、日本では市民の１１９番通報にともなう救急隊出動数が年々増加し、あわせて救急隊出動時間も増加傾向にある。救命救急の現場では数分の遅れが致命的であるが、消防署に配分される予算は限られており、救急隊員数の大幅な増員は望めないため、救急出動時間を削減するための技術開発が急務となっている。
　例えば、札幌市では、将来の人口増加の予測を行い、区別（中央区、北区、東区・・・）および５歳階級別（０～４歳、５～９歳、１０～１４歳・・・）の救急搬送数をそれに掛け合わせることで、将来の区別の救急需要を予測し、救急車の最適配置を検討する試みを行っている（非特許文献１）。また総務省も、ビッグデータを用いた救急需要予測および当該予測に基づく救急車の効率配置に関するシステムを導入すると発表している（非特許文献２）。
救急隊の適正配置等に関する研究会（札幌市消防局）、平成２６年度一般財団法人救急振興財団調査研究助成事業「救急需要増加に伴う救急隊の適正配置等に関する研究について」、［online］、２０１５年３月、インターネット<URL: http://www.fasd.or.jp/tyousa/pdf/h26tekisei.pdf> 日本経済新聞電子版、「救急車を効率配置　ビッグデータ活用、需要予測」、［online］、２０１６年１０月２８日、インターネット<URL: https://www.nikkei.com/article/DGXLASFS31H0P_Y6A021C1MM0000/>
　これらの非特許文献に記載の技術において、救急車の最適配置を行うためには、細かい地域（丁目、もしくは第３次メッシュ等）レベルでの救急需要予測を行う必要がある。しかし、地域を細分するにつれ、救急要請の発生頻度も減少するため、確率事象として解析することが非常に困難になる。
　ここで、救急要請発生数は、様々な環境因子の影響を受けると考えられており、そのような環境因子として、例えば以下のものが挙げられる。
　　・気温・湿度・気圧等の気候情報（熱中症、偏頭痛、喘息、関節痛など）
　　・天候情報（降雨による交通事故、積雪による転倒など）
　　・伝染性のある病気の流行状況（風邪、インフルエンザなと）
　　・該当地域の特性（繁華街における急性アルコール中毒症など）
　様々な環境因子と、それらの影響を受ける傷病群を明らかにすることで、救急需要の推定精度を高めることができると考えられる。しかしながら、一般に、救急搬送データにおいては、傷病分類が非常に細かく区分されているため、多くの傷病において、解析に耐えるだけの出現頻度が得られない。また、救急搬送データは、自治体ごとにフォーマットが異なっており、傷病分類も自治体ごとに様々であり、一般化が容易ではない。
　この発明は上記事情に着目してなされたもので、その目的とするところは、救急要請の発生数を高精度かつ効率的に予測する技術を提供することにある。
　上記課題を解決するためにこの発明の第１の態様は、対象エリア内の救急要請の発生数を予測する救急需要予測装置にあって、救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する実績データ取得部と、学習用に取得された実績データをもとに生成される第１の学習用データを入力として、上記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する、第１の学習部と、学習用に取得された実績データと、上記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する、第２の学習部と、予測用に取得された実績データと、学習済みの上記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの上記第２の学習モデルに入力して、上記対象エリア内の単位領域ごとの救急要請の発生数を予測する、要請発生数予測部と、を具備するようにしたものである。
　この発明の第２の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の気象に関する情報を含む環境データを取得する、環境データ取得部をさらに具備し、上記第２の学習部が、学習用に取得された環境データをさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、予測用に取得された環境データを、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
　この発明の第３の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部をさらに具備し、上記第２の学習部が、学習用に取得された地域データをさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、予測用に取得された地域データを、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
　この発明の第４の態様は、上記第１の態様において、上記実績データに含まれる位置情報に基づいて、上記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部と、学習用に取得された地域データを入力として、単位領域ごとの地域特徴量を出力する、第３の学習モデルを生成する、第３の学習部とをさらに具備し、上記第２の学習部が、上記第３の学習モデルから出力される地域特徴量をさらに入力として用いて、上記第２の学習モデルを生成し、上記要請発生数予測部が、学習済みの上記第３の学習モデルから出力される地域特徴量を、学習済みの上記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測するようにしたものである。
　この発明の第５の態様は、上記第１の態様において、上記第１の学習モデルが、ニューラルネットワークの第１のレイヤーにより構成され、上記第２の学習モデルが、上記第１のレイヤーの出力を入力とする、上記ニューラルネットワークの第２のレイヤーにより構成されるようにしたものである。
　この発明の第６の態様は、上記第１乃至第５の態様のいずれかにおいて、上記要請発生数予測部による予測結果を視覚的に提示するための出力データを生成して出力する、予測結果出力部をさらに具備するようにしたものである。
　この発明の第１の態様によれば、日時情報、位置情報および救急要請の原因となった傷病の情報を含む、救急要請の発生に関する実績データをもとに、まず学習用に取得された実績データから第１の学習用データが生成され、第１の学習用データを入力として各傷病が属する傷病群を出力する第１のモデルの学習が行われる。次いで、学習用に取得された実績データと第１のモデルから出力される傷病群とをもとに第２の学習用データが生成され、第２の学習用データを入力として救急要請の発生数を出力する第２のモデルの学習が行われる。こうして得られた学習済みの第１のモデルおよび第２のモデルと、予測用に取得された実績データとを用いることにより、単位領域ごとの救急要請の発生数が予測される。
　これにより、取得された救急搬送の実績データが傷病単位では解析に耐えるだけの十分な出現頻度を有していない場合でも、まず実績データをもとに傷病の分類を学習させてから、そのような分類の結果を実績データに反映して解析に用いることができ、限られた実績データを効率的に利用して精度よく救急要請の発生数を予測することができる。また、そのような分類の結果を実績データに反映したものを予測モデルの学習に用いることで、各自治体における傷病分類の違いを吸収し、複数の自治体で共通に利用可能なモデルを容易に構築することができる。
　この発明の第２の態様によれば、救急要請が発生した場所の気象に関する情報を含む環境データが取得され、取得された環境データがさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域の気象に関する情報と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
　この発明の第３の態様によれば、救急要請が発生した場所の地域統計に関する情報を含む地域データが取得され、取得された地域データがさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域の地域統計に関する情報と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
　この発明の第４の態様によれば、救急要請が発生した場所の地域統計に関する情報を含む地域データが取得され、取得された地域データをもとに単位領域ごとの地域特徴量が抽出されて、抽出された地域特徴量がさらに学習および予測に用いられる。これにより、救急要請の発生実績を各地域に固有の地域統計情報に関する特徴量と関連付けた信頼性の高い学習を行うことができ、またこれにより当該地域の救急要請の発生数を高精度に予測することができる。
　この発明の第５の態様によれば、第１の学習モデルがニューラルネットワークの第１のレイヤーにより構成され、第１のレイヤーからの出力が、当該ニューラルネットワークの第２のレイヤーとしての第２の学習モデルに入力される。これにより、別個の処理を要することなく、実績データをニューラルネットワークに入力することで、一括して２つの学習モデルを学習し、更新し、予測を行うことが可能となる。
　この発明の第６の態様によれば、救急要請の発生数の予測結果が、当該予測結果を視覚的に提示するための出力データとして出力される。これにより、近い将来に予測される単位領域ごとの救急要請の発生数を容易に把握することができ、適切な対策をより迅速に講じることが可能となる。
　すなわちこの発明の各態様によれば、救急要請の発生数を高精度かつ効率的に予測する技術を提供することができる。
図１は、この発明の一実施形態に係る救急需要予測装置の機能構成の第１の例を示すブロック図である。 図２は、図１に示した救急需要予測装置による分類モデルの学習手順の一例を示すフローチャートである。 図３は、図１に示した救急需要予測装置による予測モデルの学習手順の一例を示すフローチャートである。 図４は、図１に示した救急需要予測装置による予測手順の一例を示すフローチャートである。 図５は、救急搬送の実績データの一例を示す図である。 図６Ａは、クラスタリングを用いた傷病群抽出結果の一例を示す図である。 図６Ｂは、クラスタリングを用いた傷病群抽出結果を可視化した例を示す図である。 図６Ｃは、図６Ｂに示したマーカの説明を示す図である。 図７は、予測モデル学習用データの一例を示す図である。 図８は、図１に示した救急需要予測装置による予測結果の一例を示す図である。 図９は、この発明の一実施形態に係る救急需要予測装置の機能構成の第２の例を示すブロック図である。 図１０は、環境データの一例を示す図である。 図１１は、前処理を施した環境データの一例を示す図である。 図１２は、この発明の一実施形態に係る救急需要予測装置の機能構成の第３の例を示すブロック図である。 図１３は、地域データの一例を示す図である。 図１４は、この発明の一実施形態に係る救急需要予測装置の機能構成の第４の例を示すブロック図である。 図１５は、地域性学習用データの一例を示す図である。 図１６は、地域性学習結果の一例を示す図である。 図１７は、この発明の一実施形態に係る救急需要予測装置による学習手順の第２の例を示すフローチャートである。 図１８は、この発明の一実施形態に係る救急需要予測装置による予測手順の第２の例を示すフローチャートである。 図１９は、図１７に示した学習手順で用いられる学習用データの一例を示す図である。 図２０は、図１７に示した学習手順および図１８に示した予測手順におけるデータフローを示す略図である。 図２１Ａは、救急需要予測結果を視覚表示する第１の例を示す図である。 図２１Ｂは、救急需要予測結果を視覚表示する第２の例を示す図である。
　以下、図面を参照してこの発明に係わる実施形態を説明する。
　［一実施形態］
　［実施例１］
　（構成）
　図１は、この発明の一実施形態に係る救急需要予測装置１の機能構成を示すブロック図である。
　救急需要予測装置１は、例えば、各自治体の消防本部によって管理され、過去の単位領域あたりの救急要請の発生数を教師データとして、数時間ないし数日先の単位時間あたり単位領域あたりの救急発生数を推定するもので、例えばサーバコンピュータまたはパーソナルコンピュータにより構成される。
　救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢをはじめとする種々のサーバやデータベースとの間で通信が可能となっている。救急データベースＥＭＤＢは、例えば、指令台や救急隊から入力された救急搬送情報や傷病者情報を含む救急要請の発生実績に関するデータを蓄積している。
　ネットワークＮＷは、例えば中継網と、この中継網に対しアクセスするための複数のアクセス網とから構成される。一般的なインターネットのような公衆網や限られた機器などからのみアクセスできるよう制御された閉域網がある。中継網としては例えばインターネットプロトコルを利用した公衆網や閉域網が用いられる。アクセス網としては例えばＬＡＮ（Local Area Network）、無線ＬＡＮ、携帯電話網、有線電話網、ＦＴＴＨ（Fiber To The Home）、ＣＡＴＶ（Cable Television）網が用いられる。
　一実施形態に係る救急需要予測装置１は、入出力インタフェースユニット１０と、制御ユニット２０と、記憶ユニット３０とを備えている。
　入出力インタフェースユニット１０は、例えば１つ以上の有線または無線の通信インタフェースユニットを含んでおり、外部機器との間で情報の送受信を可能にする。有線インタフェースとしては、例えば有線ＬＡＮが使用され、また無線インタフェースとしては、例えば無線ＬＡＮやＢｌｕｅｔｏｏｔｈ（登録商標）などの小電力無線データ通信規格を採用したインタフェースが使用される。
　例えば、入出力インタフェースユニット１０は、制御ユニット２０の制御の下、救急データベースＥＭＤＢにアクセスして、蓄積されたデータを読み出し、読み出したデータを制御ユニット２０に渡す処理を行う。入出力インタフェースユニット１０はまた、キーボードなどの入力デバイス（図示せず）によって入力された指示情報を制御ユニット２０に出力する処理を行うことができる。さらに、入出力インタフェースユニット１０は、制御ユニット２０から出力された学習結果や予測結果を、液晶ディスプレイなどの表示デバイス（図示せず）に出力したり、ネットワークＮＷを介して外部機器に送信する処理を行うことができる。
　記憶ユニット３０は、記憶媒体として、例えばＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込および読み出しが可能な不揮発性メモリを用いたものであり、この実施形態を実現するために必要な記憶領域として、プログラム記憶部の他に、分類モデル記憶部３１と、予測モデル記憶部３２と、予測結果記憶部３３とを備えている。
　分類モデル記憶部３１は、傷病分類を発生パターンに基づき傷病群に再分類するための分類モデルを記憶するために用いられる。
　予測モデル記憶部３２は、過去の実績データに基づいて将来の救急要請の発生数を予測するための予測モデルを記憶するために用いられる。
　予測結果記憶部３３は、学習済みの予測モデルを用いて得られた予測結果を記憶するために使用される。
　ただし、上記記憶部３１～３３は必須の構成ではなく、例えば、ＵＳＢメモリなどの外付け記憶媒体や、クラウドに配置されたデータベースサーバ等の記憶装置に設けられたものであってもよい。
　制御ユニット２０は、図示しないＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等のハードウェアプロセッサと、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等のメモリとを有し、この実施形態を実施するために必要な処理機能として、搬送データ取得部２１と、搬送データ前処理部２２と、傷病群学習部２３と、予測モデル学習部２４と、要請発生数予測部２５と、出力制御部２６とを備えている。これらの処理機能は、いずれも上記記憶ユニット３０に格納されたプログラムを上記プロセッサに実行させることにより実現される。制御ユニット２０は、また、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（field-programmable gate array）などの集積回路を含む、他の多様な形式で実現されてもよい。
　搬送データ取得部２１は、実績データ取得部として機能し、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから、救急隊が出動するごとに記録された過去の救急搬送の実績データ（以下、「搬送データ」と言う。）を取得し、搬送データ前処理部２２に渡す処理を行う。
　搬送データ前処理部２２は、受け取った搬送データに対して前処理を施してから、傷病群学習部２３、予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す処理を行う。例えば、搬送データ前処理部２２は、受け取った搬送データをもとに、データを分割し、必要な項目を抽出し、欠損の補完を行い、正規化処理をして、傷病群学習用データ、予測モデル学習用データまたは要請発生数予測用データを作成し、各部２３～２５に渡す。
　傷病群学習部２３は、第１の学習部として機能し、搬送データ前処理部２２から傷病群学習用データを受け取り、同様の発生パターンを示す傷病群を学習して、その学習結果を分類モデル記憶部３１に保存する処理を行う。
　予測モデル学習部２４は、第２の学習部として機能し、搬送データ前処理部２２から予測モデル学習用データを受け取り、傷病群ごとの発生数や日時情報から救急要請の総発生数を予測するための予測モデルの学習を行い、その学習結果を予測モデル記憶部３２に保存する処理を行う。
　要請発生数予測部２５は、搬送データ前処理部２２から要請発生数予測用データを受け取り、予測モデル記憶部３２に保存された学習済みの予測モデルを読み出し、要請発生数予測用データを予測モデルに入力することによって、単位領域ごとの救急要請の発生数を予測し、その予測結果を予測結果記憶部３３に保存する処理を行う。
　出力制御部２６は、要請発生数予測部２５の予測結果をもとに出力データを作成し、入出力インタフェースユニット１０を介して出力する処理を行う。例えば、出力制御部２６は、単位領域ごとの予測数を表示デバイス（図示せず）上に２次元マップとして表示させるための出力データを作成し、表示デバイスに出力することができる。出力制御部２６はまた、分類モデル記憶部３１、予測モデル記憶部３２および予測結果記憶部３３に記憶されたデータに基づいて出力データを作成することもできる。
　（動作）
　次に、以上のように構成された救急需要予測装置１の動作を説明する。
　救急需要予測装置１は、例えば、図示しない入力デバイスを通じて入力されたオペレータ等からの指示信号を受け付けて、学習処理または予測処理を開始することができる。
　（１）傷病群の学習処理
　傷病群の学習処理の指示信号を受け付けると、救急需要予測装置１は、以下のように、傷病群の分類モデルの学習処理を実行する。
　図２は、図１に示した救急需要予測装置１による、傷病群を学習する処理の処理手順と処理内容を示すフローチャートである。
　まずステップＳ１０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。このとき、救急需要予測装置１は、取得した搬送データを記憶ユニット３０内に保存するようにしてもよい。
　図５は、取得される搬送データの一例を示す。図５に示した搬送データは、レコードを区別するＩＤと、発生日時、出動地域、年代、性別、発生場所、傷病の種別、傷病の部位、傷病の程度等を表す情報を含んでいる。
　次いでステップＳ１０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して欠損補完や正規化などの処理を行い、傷病群学習用データを作成して、傷病群学習部２３に渡す。
　傷病は、その発生数が特定の年代や性別に偏るもの（例えば多くの病気は高齢者に多くみられるが、熱性けいれん等は若年層に多い）や、気温や気圧、天候などの影響を受けるもの、地域性があるもの（繁華街における急性アルコール中毒、スポーツ施設におけるケガや骨折、交通事故の多発する地域）など、複数の要因の影響を受けると考えられる。これらのメカニズムをデータから学習し、様々な状況で同様の発生パターンを示す傷病群にまとめ上げることで、搬送データをより効率的かつ効果的に活用することができる。図５示した搬送データを例にとると、傷病群学習用データとして、例えば、傷病者の年代・性別等の属性情報や、傷病の発生場所、傷病発生日時などの情報を利用することができる。
　次いでステップＳ１０３において、救急需要予測装置１は、傷病群学習部２３の制御の下、傷病群学習用データを用いて、同じような発生パターンを示す傷病群を学習し、その結果を学習済みモデルとして分類モデル記憶部３１に保存する。
　傷病群学習部２３は、例えば、傷病間の類似度または距離を算出し、その値をもとに傷病群を抽出することができる。
　図６Ａは、そのような学習の一例として、Ｋ－ｍｅａｎｓクラスタリングにより傷病群を抽出した結果を示す。図６Ａに示した例では、まず図５に示した１つ１つの救急搬送データをノードとし、傷病者属性、発生場所、発生日時をノードの値としてＫ－ｍｅａｎｓをかけ、傷病を数十のクラスタに分割した。このクラスタは傷病が発生しやすい状況に相当する。次に各傷病をノード、それぞれのクラスタにおける各傷病の発生数を値とし、再度クラスタリングを行って傷病をグルーピングした。
　図６Ｂは、さらに、そのようなクラスタリング結果を、可視化のために多次元尺度構成法を用いて三次元空間上にプロットしたものである。マーカの色および形状が、各傷病が属する傷病群を示している。図６Ｃは、図６Ｂに示したマーカの説明を示す。
　図６Ｂを参照すると、この例では、例えば、熱性けいれんや過呼吸症候群などの子どもや若者に多くみられる症状と、口・食道・胃異物という誤飲に伴うであろう症状が同じ傷病群（白抜きの四角マーカＡ１～Ａ３）に割り当てられていることがわかる。なお、図６Ｂおよび図６Ｃに示した傷病のクラスタリング結果は一例であり、実施形態の範囲を限定しようとするものではない。
　傷病群学習部２３は、このように抽出された傷病群を、例えば、傷病と傷病群の対応表の形で分類モデル記憶部３１に保存することができる。
　なお、学習済みの分類モデルは、一定時間ごとに、一定の条件を満たしたときに、またはオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。
　（２）予測モデルの学習処理
　救急需要予測装置１は、上記傷病群の学習処理に続けて、または傷病群の学習処理とは別個に、例えばオペレータから予測モデルの学習指示信号を受け付けることによって、以下のように予測モデルの学習処理を実行する。
　図３は、図１に示した救急需要予測装置１による、救急要請の発生数を予測するための予測モデルを学習する処理の処理手順と処理内容を示すフローチャートである。
　まずステップＳ２０１において、救急需要予測装置１は、搬送データ取得部２１により取得された搬送データをもとに、搬送データ前処理部２２の制御の下、学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を求めることにより、予測モデル学習用データを作成し、予測モデル学習部２４に渡す。
　例えば、搬送データ前処理部２２は、はじめに、搬送データ取得部２１により取得された搬送データを、出動地域情報をもとに単位領域ごとに分割する。ここで単位領域としては、市区町村および丁目レベルなどの行政区画、または緯度経度に基づき算出される地域メッシュなどが考えられる。行政区画と緯度経度の相互変換には、例えばＧｏｏｇｌｅＭａｐｓＡＰＩなどのオンラインサービスを用いることができる。次に、搬送データ前処理部２２は、単位領域ごとに分割された搬送データに基づき、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、学習された傷病群ごとの発生数を単位時間ごとに数え上げる処理を行う。
　図７は、そのようにして作成された予測モデル学習用データの一例を示す。図７の例では、単位領域としての「○○町１丁目」について、時間帯別にカウントされた、傷病群ごとの救急要請の発生数とそれらを合計した総発生数が示されている。
　次いでステップＳ２０２において、救急需要予測装置１は、予測モデル学習部２４の制御の下、予測モデル学習用データとして図７に示したような単位領域ごと傷病群ごとの発生頻度および日時情報を用いて、予測モデルの教師付き学習を行う。学習には、例えば一般化線形モデルなどの統計手法、もしくはランダムフォレストやニューラルネットワークなどの機械学習手法を用いることができる。
　次いでステップＳ２０３において、救急需要予測装置１は、予測モデル学習部２４の制御の下、学習済みの予測モデル、すなわち、得られた最適なモデル構造とパラメータを、予測モデル記憶部３２に保存することができる。
　なお、学習済みの予測モデルは、一定時間ごとに、一定の条件を満たしたときに、またはオペレータ等の指示に応じて、新たに作成された学習用データを用いて再学習されるように構成することができる。
　（３）予測処理
　救急需要予測装置１は、予測処理の指示信号を受け付けると、学習済みの分類モデルおよび予測モデルを用いて、以下のように救急要請の発生数を予測する処理を実行する。
　図４は、図１に示した救急需要予測装置１による、救急要請の発生数を予測する処理の処理手順と処理内容を示すフローチャートである。
　まずステップＳ３０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。
　ここで、一般に救急搬送データがデータベースに収集されるまでにはタイムラグが生じるため、実際に予測処理を行うときには、救急需要予測装置１は、数時間前までの搬送データを救急データベースＥＭＤＢから取得するとともに、直近の搬送データを救急車等から直接収集するように構成することができる。
　次いでステップＳ３０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データに対して種々の前処理を行い、予測用データを作成して、要請発生数予測部２５に渡す。例えば、上記のように直近の搬送データを救急車等から直接取得する例では、搬送データ前処理部２２は、救急データベースＥＭＤＢから取得した搬送データと直近の搬送データとを統合し、統合されたデータを単位領域ごとに分割する。次いで搬送データ前処理部２２は、分割した搬送データをもとに、分類モデル記憶部３１に記憶された学習済みの分類モデルを読み出して、傷病群ごとの単位時間あたりの発生数を算出することにより、予測モデルに入力するための予測用データを作成する。
　次いでステップＳ３０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、受け取った予測用データをもとに、予測モデル記憶部３２に記憶された学習済みの予測モデルを読み出して、単位領域ごと（例えばメッシュごと）の任意の時刻の救急要請発生数の予測を行う。
　ステップＳ３０４において、救急需要予測装置１は、要請発生数予測部２５の制御の下、予測結果を予測結果記憶部３３に保存する。
　図８は、以上のようにして得られる予測結果の一例を示す。時間帯別に予測された、単位領域ごとの救急要請の発生予測数が示されている。
　出力制御部２６は、適時に、予測結果記憶部３３に記憶された予測結果を読み出し、読み出した予測結果をもとに出力データを作成して、作成した出力データを表示デバイスや外部機器に出力することができる。要請発生数予測部２５が予測結果を直接出力制御部２６に渡すようにしてもよい。出力制御部２６はまた、オペレータ等の指示に応じて、分類モデル記憶部３１に記憶された対応表や、予測モデル記憶部３２に記憶されたパラメータに基づいて、出力データを作成することもできる。
　以上のような学習および予測処理について、一例では、救急需要予測装置１は、時刻ｔn-m ～ｔn-m+p のｐ組の発生月、曜日や祝日などの情報、時刻帯などの日時に関する情報や、傷病別救急要請発生数を用いて、時刻ｔn ～ｔn+α における総発生数の総和を予測するモデルを学習する教師付き学習を行うように構成されることができる。例えば、直前２４時間分のデータを用い、３時間後までの発生数を予測する場合、ｔn-24 ～ｔn-1 の学習用データを用い、ｔn ～ｔn+2 の総発生数の和を予測する問題として解くことができる。
　なお、一実施形態では、モデル学習は蓄積されたデータを用いて事前に行い、システム運用中は予測のみを行うようにすることが可能である。また、モデルの再学習は、一定のタイミング（毎週／毎月など）で実施することも可能であり、または予測結果が一定期間の間大きく外れた場合に実施するなども考えられる。
　一例として、救急需要予測装置１が、図８に示す予測結果記憶部のテーブルに対して、結果が確定した段階で、搬送データ前処理部２２から実測値を入力し、単位時間における全単位領域の誤差の和を算出しておき、誤差の和を監視するように構成することができる。そして誤差和が閾値を超え続ける場合にアラームを出してシステム運用者に再学習を促す、といった運用を行うことで、再学習のコストを抑えつつ、外界の変化に追従することができる。
　［実施例２］
　この発明の一実施形態に係る救急需要予測装置１の第２の実施例は、さらに、救急要請の発生場所の環境の情報を表す環境データを学習および予測に用いるようにしたものである。
　図９は、そのような実施例２に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１と同一部分には同一符号を付し、詳細な説明は省略する。
　図１に示した装置に比べて、図９に示した救急需要予測装置１は、制御ユニット２０内に、環境データ取得部２２１と、環境データ前処理部２２２とをさらに備えている。また図９の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢに加えて環境データベースＥＶＤＢとの間でさらに通信が可能となっている。
　環境データ取得部２２１は、例えばオペレータにより入力された学習または予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、環境データベースＥＶＤＢから気象データなどの環境データを取得し、環境データ前処理部２２２に渡す処理を行う。環境データベースＥＶＤＢは、例えば、インターネット上または外部サービスから周辺環境に関する情報を自動でまたはオペレータの手作業により収集する環境データ収集サーバに接続され、収集された環境データを蓄積している。
　図１０は、取得される環境データの一例を示す。環境データの一例は、気象庁のホームページから取得される気象データである。図１０では、日時情報とともに種々の気象データが示され、また各データが取得された状況を表す情報が条件１～３として付加されている。一例として、条件１は、統計のもととなるデータの欠損の有無を示し、条件２は、観測環境の違いを表し、条件３は当該現象が起きたか否かを０／１の値で示す情報である。
　環境データ前処理部２２２は、環境データ取得部２２１から受け取った環境データに対し、必要な項目を抽出し、欠損を補完し、正規化処理を行うなどの前処理を行う。図１１にそのような前処理を施した環境データの一例を示す。環境データ前処理部２２２は、前処理を施した環境データを予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す。
　予測モデル学習部２４および要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データまたは予測用データと、環境データ取得部２２１から受け取った環境データを、時刻情報をもとに突合して、学習および予測処理を行うことができる。
　［実施例３］
　この発明の一実施形態に係る救急需要予測装置１の第３の実施例は、さらに、救急要請の発生場所の地域統計情報を含む地域データを学習および予測に用いるようにしたものである。
　図１２は、そのような実施例３に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において図１および図９と同一部分には同一符号を付し、詳細な説明は省略する。
　図９に示した装置に比べて、図１２に示した救急需要予測装置１は、制御ユニット２０内に、地域データ取得部３２１と、地域データ前処理部３２２とをさらに備えている。また図１２の救急需要予測装置１は、ネットワークＮＷを介して、救急データベースＥＭＤＢおよび環境データベースＥＶＤＢに加えて、地域データベースＲＳＤＢとの間でさらに通信が可能となっている。
　地域データ取得部３２１は、例えばオペレータにより入力された学習または予測処理の指示信号を受け付けて、入出力インタフェースユニット１０を介して、地域データベースＲＳＤＢから地域データを取得し、地域データ前処理部３２２に渡す処理を行う。地域データベースＲＳＤＢは、例えば、インターネット上または外部サービスから地域統計に関する情報を自動でまたはオペレータの手作業により収集する地域データ収集サーバに接続され、収集された地域データを蓄積している。地域データに含まれる地域統計情報としては、地域内の病院や店舗等の施設情報を格納する地図情報や、単位領域ごとの年代別人口情報などが考えられる。
　地域データ前処理部３２２は、地域データ取得部３２１から受け取った地域データに対し、単位領域ごとにデータを集約し、インターバル調整や欠損補完を行うなど、地域データの整形を行う。地域データ前処理部３２２は、前処理を施した地域データを予測モデル学習部２４または要請発生数予測部２５のいずれかに渡す。
　図１３は、地域データの一例として、性別・年代別の人口推移データを示す。このようなデータは、例えば、携帯電話の各基地局にて収集される端末情報に契約者情報を紐づけることにより作成することが可能である。
　なお、時刻ごとの人口分布データでは、プライバシー保護の目的で、閾値以下の人数をマスクし空欄とする場合がある。この場合、地域データ前処理部３２２は、このようなデータに対し、例えば各自治体の作成する推計人口や公募人口に記載の月平均人口を用い、夜間人口の地域総和が月平均人口となるような値を求めて欠損補完を行うことができる。
　予測モデル学習部２４および要請発生数予測部２５は、搬送データ前処理部２２から受け取った学習用データまたは予測用データと、環境データ取得部２２１から受け取った環境データと、地域データ取得部３２１から受け取った地域データとを、時刻情報をもとに突合して、学習および予測処理を行うことができる。
　なお、実施例３に係る救急需要予測装置１に環境データ取得部２２１および環境データ前処理部２２２を設けず、学習および予測において環境データを使用しないようにすることも可能である。
　［実施例４］
　この発明の一実施形態に係る救急需要予測装置１の第４の実施例は、さらに、救急要請の発生場所の地域統計情報を表す地域データに基づいて、単位領域ごとの地域性を学習し、その学習結果を上述のような学習および予測に用いるようにしたものである。
　図１４は、そのような実施例４に係る救急需要予測装置１の機能構成を示すブロック図である。なお、同図において前記図１、図９および図１２と同一部分には同一符号を付し、詳細な説明は省略する。
　図１２に示した装置に比べて、図１４に示した救急需要予測装置１は、制御ユニット２０内の地域性学習部４２１と、記憶ユニット３０内の地域性記憶部４３４とをさらに備えている。
　図１４に示した救急需要予測装置１は、実施例３と同様に、地域データ取得部３２１の制御の下、地域データを取得し、地域データ前処理部３２２の制御の下、取得した地域データに対して所定の前処理を行う。地域データ前処理部３２２は、前処理を施した地域データを、予測モデル学習部２４、要請発生数予測部２５または地域性学習部４２１のいずれかに渡す。例えば、地域データ前処理部３２２は、取得した地域データをもとに、学習用地域データを作成して予測モデル学習部２４に渡し、または予測用地域データを作成して要請発生数予測部２５に渡し、または地域性学習用データを作成して地域性学習部４２１に渡すことができる。
　地域性学習部４２１は、第３の学習部として機能し、受け取った地域性学習用データをもとに、時間帯別・年代別人口データのほか、領域内の病院や老人ホーム、店舗、学校、スポーツ施設などの数に基づいて、その地域がどのような街区であるかを学習・抽出する処理を行う。
　図１５は、地域性学習用データの一例を示す。なお、領域内の施設の種類および数については、ＧｏｏｇｌｅＭａｐｓＡＰＩなどの各種地図サービスにて検索を行うことによって取得することができる。
　地域性学習部４２１は、単一の単位領域についての学習を行う場合は機能しないが、様々な単位領域に対して学習を行い、そのパラメータを引き継ぐことで、オフィス街や繁華街などの街区の性質や、成熟住宅街や新興住宅街など住民の性質に対する救急要請発生パターンを抽出することが可能になる。
　地域性記憶部４３４は、地域性学習部４２１による学習結果を記憶する。なお、地域性記憶部４３４は、記憶部３１～３３と同様、必須の構成ではなく、外部の記憶媒体等に置き換えることもできる。
　図１６は、地域性学習部４２１による学習結果の一例として、それぞれの領域がオフィス街、繁華街、住宅街等の性質をもちうるかを、人口変動およびそこに存在する施設から推定した結果を示す。
　予測モデル学習部２４および要請発生数予測部２５は、地域データ前処理部３２２によって前処理された地域データと、地域性学習部４２１によって抽出された地域性を表す特徴量とをもとに、上述のような学習および予測処理を行うことができる。
　なお、実施例４に係る救急需要予測装置１に環境データ取得部２２１および環境データ前処理部２２２を設けず、学習および予測において環境データを使用しないようにすることも可能である。
　［実施例５］
　上記実施例１に係る救急需要予測装置１は、傷病群の抽出をクラスタリング手法を用いて独立に行ったが、傷病群の抽出と予測モデルの学習を同時に行うことも可能である。
　この発明の一実施形態に係る救急需要予測装置１の第５の実施例は、例えばニューラルネットワークにおいて、傷病群学習に相当するレイヤーをモデルに追加することで、傷病群抽出と予測モデルの学習とを同時に行うようにしたものである。
　実施例５では、例えば、傷病群の抽出と発生数予測とに、それぞれＬＳＴＭ（Long Short-term Memory）（リカレントニューラルネットワークの一種）レイヤーを用意する。傷病群抽出のためのＬＳＴＭレイヤーには、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたものを入力とすることができる。そして、出力ノード数を、元の傷病分類数に対して小さく（２０～３０程度）に設定することで、傷病分類を要約する効果を得ることができる。この出力を救急要請発生数予測用のＬＳＴＭレイヤーの入力として設定し、一括で学習を進めることで、発生数予測精度を最大限向上させるような傷病群を抽出することが可能である。
　（１）学習処理
　図１７は、実施例５に係る救急需要予測装置１による、傷病群および予測モデルの学習処理を示すフローチャートである。実施例５に係る救急需要予測装置１は、図１に示した救急需要予測装置１と機能の実行内容が異なるだけで基本構成は同じである。そこで、以下では、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。
　まずステップＳ４０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。
　次いでステップＳ４０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに単位時間あたりの発生数を数え上げて、モデル学習用のデータを作成する。
　図１９は、モデル学習用データの一例を示す。傷病群抽出のためのＬＳＴＭレイヤーには、図１９に示すような、自治体ごとに定められる傷病種別ごとに、単位時間あたりの救急要請発生数を数え上げたものを入力とすることができる。
　次いでステップＳ４０３において、救急需要予測装置１は、傷病群学習部２３による傷病群学習と、予測モデル学習部２４による予測モデル学習とをまとめて行う。
　ステップＳ４０４において、救急需要予測装置１は、学習済みの予測モデルに関するモデル構造およびパラメータを、例えば予測モデル記憶部３２に保存する。
　（２）予測処理
　図１８は、実施例５に係る救急需要予測装置１による予測処理を示すフローチャートである。やはり、図１に示した救急需要予測装置１の各部の符号を用いて各処理について説明する。
　まずステップＳ５０１において、救急需要予測装置１は、搬送データ取得部２１の制御の下、入出力インタフェースユニット１０を介して、外部の救急データベースＥＭＤＢから搬送データを取得し、取得した搬送データを搬送データ前処理部２２に渡す。実施例１で説明したように、救急需要予測装置１は、実際の予測処理においては、救急搬送データがデータベースに収集されるまでのタイムラグを考慮するため、直近の搬送データを救急車等から直接収集することもできる。
　次いでステップＳ５０２において、救急需要予測装置１は、搬送データ前処理部２２の制御の下、搬送データ取得部２１から受け取った搬送データを単位領域ごとに分割し、各自治体の分類に基づく傷病ごとに、単位時間あたりの発生数を数え上げて、予測用のデータを作成する。
　ステップＳ５０３において、救急需要予測装置１は、要請発生数予測部２５の制御の下、上記のように学習された学習済みの予測モデルを用いて、予測用のデータをもとに単位領域ごとの救急要請発生数の予測を行う。
　ステップＳ５０４において、救急需要予測装置１は、制御ユニット２０の制御の下、要請発生数予測部２５により得られた予測結果を、予測結果記憶部３３に保存する。
　さらに、傷病群抽出と同様に、実施例４で説明した地域性の学習も、予測モデルの学習と同時に行ってもよい。この場合、例えばニューラルネットワークを用い、地域性の抽出と救急要請発生数予測を同じモデルに組み込むことで、両者を同時に最適化することが可能である。より詳細には、例えば、地域性学習部４２１を、入力を曜日と時間帯別の年齢別人口分布および領域内の施設情報とし、出力を街区種別に相当する１０～２０程度のノードとするＬＳＴＭレイヤーとして構成すればよい。
　図２０は、このような実施例５に係る、ＬＳＴＭレイヤーを用いた学習モデルにおけるデータフローイメージを示す。図２０の救急需要予測装置１は、傷病群の抽出に、各自治体から得られる傷病種別の発生数のデータを入力とするＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。また同様に、地域性特徴量の抽出にもＬＳＴＭレイヤーを用い、その出力を予測用のＬＳＴＭへの入力として用いている。
　［実施例６］
　この発明の一実施形態に係る救急需要予測装置１の第６の実施例は、さらに、出力制御部２６が、予測結果出力部として、予測結果を視覚的に表示するための出力データを作成し、出力するようにしたものである。実施例６に係る救急需要予測装置１は、実施例１～５で説明した救急需要予測装置１のいずれかと同じ機能構成を備えることができる。
　図２１Ａおよび図２１Ｂは、実施例６に係る救急需要予測装置１から出力される出力データに基づく表示例として、予測結果をヒートマップ上に可視化した例を示す。これらは、液晶ディスプレイなどの表示デバイス上に表示されることができる。
　図２１Ａは、直近のデータに基づいて予測された３時間後の救急需要予測結果を示し、図２１Ｂは、やはり直近のデータに基づいて予測された６時間後の救急需要予測結果を示す。図２１Ａおよび図２１Ｂから、３時間後と６時間後とで、救急要請の発生予測数が高い領域（ヒートマップ上の色の濃いメッシュ）が、左下から右上へと推移している様子が観察される。なお、実施例６に係る救急需要予測装置１は、特定領域における予測値の推移をグラフや図表として描画することで、救急隊の運用検討を支援することもできる。また、実施例６に係る救急需要予測装置１からの予測結果の出力形式は、視覚的表示に限られるものでなく、合成音声をはじめとする多様な形式で出力することが可能である。
　（効果）
　以上詳述したように、一実施形態に係る救急需要予測装置では、救急医療において、過去の救急要請の発生日時、発生場所を含む搬送データから、近未来の救急要請の発生数を予測することができる。その際、過去の救急搬送データを、単位領域ごとのデータに分割し、該領域における単位時間ごと、傷病種別ごとの発生数を特徴量として算出したのち、同種の環境因子から影響を受ける傷病群を学習して、学習された傷病群ごとの発生数を算出したものを学習用データおよび予測用データとして用いて、学習および予測を行うようにしている。
　これにより、取得された救急搬送の実績データが傷病単位では解析に耐えるだけの十分な出現頻度を有していない場合でも、傷病群を学習し、傷病群ごとの発生頻度を算出して解析に用いることで、限られた実績データから精度よく救急要請の発生数を予測することができる。
　また上記のように、傷病は、発生数が特定の年代や性別に偏るものや、気温や気圧、天候などの影響を受けるもの、地域性があるものなど、複数の要因に影響を受けると考えられる。一実施形態に係る救急需要予測装置では、これらのメカニズムをデータから学習し、様々な状況で同じような発生パターンを示す傷病群にまとめ上げることによって、人手による分類の違いを吸収し、最適な粒度で傷病別救急要請発生数のデータを取り扱うことができるようになる。
　また一般に、風邪やインフルエンザ、熱中症など、気温や天候に影響される病気は多い。さらに、気圧の変化は自律神経を乱し、頭痛や神経痛、もしくは脳卒中など、様々な病気を引き起こすことが知られている。一実施形態に係る救急需要予測装置では、気象データなどの環境データを利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させる効果が期待できる。
　また一方、新興住宅街には子育て世帯が集まるなど、住宅街には年齢層や経済力、価値観やライフスタイルが似通った住民が集まることが多い。また病院が含まれる地域では転院搬送に伴う救急出動が一定の割合で発生し、繁華街では夜間に急性アルコール中毒による救急出動要請が増加するなど、救急出動要請には地域性が色濃く反映される。一実施形態に係る救急需要予測装置では、このような地域性を利用した学習と予測を行うことにより、これらの影響をモデル内に取り込み、予測精度を向上させることができる。
　さらに、ヒートマップなどを用いて予測結果を可視化できるように出力データを作成し、出力することにより、迅速な対応を要する救急医療の現場において、予測結果を容易かつ効率的に把握できるようになる。また救急要請発生数の時間推移もグラフ等により容易に可視化することができる。これにより、救急隊の数時間先の出動見込みを可視化し、救急隊の運用効率を向上させることが可能となる。
　以上のように、一実施形態に係る救急需要予測装置では、過去の救急搬送データから、同じような出現パターンを示す傷病群を抽出し、傷病群ごとの発生数をもとに学習を行うことで、限られた観測データから精度よく救急要請発生数を予測することができる。また一実施形態に係る救急需要予測装置によれば、指令台や救急隊から収集される救急搬送データと、オンラインで収集可能な気象データ、および単位領域ごとの地域特性や単位時間ごとの年齢別人口分布などのデータを組み合わせ、当該領域の救急要請発生数を高精度に推定可能である。さらに、自治体ごとの救急搬送データにおける傷病分類の違いを吸収し、複数の自治体で利用可能なモデルを容易に構築することができる。
　［他の実施形態］
　なお、この発明は上記実施形態に限定されるものではない。例えば、予測モデル記憶部３２に保存される学習済みのモデルおよびパラメータは、利用する統計解析ツールに応じたパラメータ保存用の処理やファイル形式に従うことができる。同様に、分類モデル記憶部３１、予測結果記憶部３３、地域性記憶部４３４に保存されるデータ形式についても、図示した例に限定されず、任意の形式を用いることができる。
　また、傷病群の学習および予測モデルの学習についても、上述した統計手法や機械学習手法だけに限定されず、任意の手法を採用することができる。
　気象情報を含む環境データならびに施設情報や人口情報を含む地域データを、予測モデルの学習処理および予測処理に使用するものとして説明したが、これらのデータを傷病群の学習にも用いるようにしてもよい。特に、分類モデルの学習と予測モデルの学習を別個に行う実施例においては、環境データや地域データを用いることで、傷病群の学習がより効率的に行えることが期待される。
　また、実施例１～６で説明した救急需要予測装置１の各機能部は、結合し、同様の構成で置換し、または省略することが可能である。例えば、上述したように、実施例３および４において環境データを使用せず、搬送データと地域データに基づいて学習および予測を行うように構成することも可能である。
　あるいは、救急需要予測装置１が備える各機能部２１～２６を、クラウドコンピュータやエッジルータ等に分散配置し、これらの装置が互いに連携することにより学習および予測を行うようにしてもよい。これにより、各装置の処理負荷を軽減し、処理の効率化を図ることができる。
　その他、環境データおよび地域データの種類等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
　要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
　１…救急需要予測装置
　１０…入出力インタフェースユニット
　２０…制御ユニット
　２１…搬送データ取得部
　２２…搬送データ前処理部
　２３…傷病群学習部
　２４…予測モデル学習部
　２５…要請発生数予測部
　２６…出力制御部
　３０…記憶ユニット
　３１…分類モデル記憶部
　３２…予測モデル記憶部
　３３…予測結果記憶部
　２２１…環境データ取得部
　２２２…環境データ前処理部
　３２１…地域データ取得部
　３２２…地域データ前処理部
　４２１…地域性学習部
　４３４…地域性記憶部

Claims (8)

  1. 　対象エリア内の救急要請の発生数を予測する救急需要予測装置であって、
    　救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する、実績データ取得部と、
    　学習用に取得された実績データをもとに生成される第１の学習用データを入力として、前記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する、第１の学習部と、
    　学習用に取得された実績データと、前記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する、第２の学習部と、
    　予測用に取得された実績データと、学習済みの前記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの前記第２の学習モデルに入力して、前記対象エリア内の単位領域ごとの救急要請の発生数を予測する、要請発生数予測部と、
    を具備する救急需要予測装置。
  2. 　前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の気象に関する情報を含む環境データを取得する、環境データ取得部をさらに具備し、
    　前記第２の学習部が、学習用に取得された環境データをさらに入力として用いて、前記第２の学習モデルを生成し、
    　前記要請発生数予測部が、予測用に取得された環境データを、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  3. 　前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部をさらに具備し、
    　前記第２の学習部が、学習用に取得された地域データをさらに入力として用いて、前記第２の学習モデルを生成し、
    　前記要請発生数予測部が、予測用に取得された地域データを、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  4. 　前記実績データに含まれる位置情報に基づいて、前記救急要請が発生した場所の地域統計に関する情報を含む地域データを取得する、地域データ取得部と、
    　学習用に取得された地域データを入力として、単位領域ごとの地域特徴量を出力する、第３の学習モデルを生成する、第３の学習部とをさらに具備し、
    　前記第２の学習部が、前記第３の学習モデルから出力される地域特徴量をさらに入力として用いて、前記第２の学習モデルを生成し、
    　前記要請発生数予測部が、学習済みの前記第３の学習モデルから出力される地域特徴量を、学習済みの前記第２の学習モデルにさらに入力して、単位領域ごとの救急要請の発生数を予測する、
    請求項１に記載の救急需要予測装置。
  5. 　前記第１の学習モデルが、ニューラルネットワークの第１のレイヤーにより構成され、前記第２の学習モデルが、前記第１のレイヤーの出力を入力とする、前記ニューラルネットワークの第２のレイヤーにより構成される、
    請求項１に記載の救急需要予測装置。
  6. 　前記要請発生数予測部による予測結果を視覚的に提示するための出力データを生成して出力する、予測結果出力部をさらに具備する、
    請求項１乃至５のいずれか一項に記載の救急需要予測装置。
  7. 　対象エリア内の救急要請の発生数を予測する救急需要予測装置が実行する救急需要予測方法であって、
    　救急要請が発生した日時を表す日時情報と、救急要請が発生した場所を表す位置情報と、救急要請の原因となった傷病を表す傷病情報とを含む実績データを取得する過程と、
    　学習用に取得された実績データをもとに生成される第１の学習用データを入力として、前記実績データに含まれる救急要請の原因となった傷病の各々が属する傷病群を出力する、第１の学習モデルを生成する過程と、
    　学習用に取得された実績データと、前記第１の学習モデルから出力される傷病群とをもとに生成される第２の学習用データを入力として、救急要請の発生数を出力する、第２の学習モデルを生成する過程と、
    　予測用に取得された実績データと、学習済みの前記第１の学習モデルから出力される傷病群とをもとに生成される予測用データを、学習済みの前記第２の学習モデルに入力して、前記対象エリア内の単位領域ごとの救急要請の発生数を予測する過程と、
    を具備する救急需要予測方法。
  8. 　請求項１乃至請求項６の何れかに記載の装置の各部による処理をプロセッサに実行させるプログラム。
PCT/JP2019/043920 2018-11-19 2019-11-08 救急需要予測装置、救急需要予測方法およびプログラム WO2020105478A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/294,514 US20220020502A1 (en) 2018-11-19 2019-11-08 Emergency demand prediction device, emergency demand prediction method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018216605A JP7087946B2 (ja) 2018-11-19 2018-11-19 救急需要予測装置、救急需要予測方法およびプログラム
JP2018-216605 2018-11-19

Publications (1)

Publication Number Publication Date
WO2020105478A1 true WO2020105478A1 (ja) 2020-05-28

Family

ID=70773599

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/043920 WO2020105478A1 (ja) 2018-11-19 2019-11-08 救急需要予測装置、救急需要予測方法およびプログラム

Country Status (3)

Country Link
US (1) US20220020502A1 (ja)
JP (1) JP7087946B2 (ja)
WO (1) WO2020105478A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法
WO2022097228A1 (ja) * 2020-11-05 2022-05-12 日本電信電話株式会社 表示制御装置、表示制御方法、及び表示制御プログラム
WO2023144968A1 (ja) * 2022-01-27 2023-08-03 日本電信電話株式会社 表示制御装置、表示制御方法、及び表示制御プログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6859381B2 (ja) * 2019-03-22 2021-04-14 東芝情報システム株式会社 状態変動検出装置及び状態変動検出用プログラム
JP7144757B2 (ja) 2020-05-18 2022-09-30 大同特殊鋼株式会社 金属粉末
WO2022249551A1 (ja) * 2021-05-28 2022-12-01 村田機械株式会社 予測装置
CN115187155B (zh) * 2022-09-15 2022-12-27 广东银纳增材制造技术有限公司 一种学校实验室设备状态数据管控方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284991A (ja) * 2004-03-30 2005-10-13 Fujitsu Fip Corp 救急業務シミュレーションシステム及び方法
JP2007241502A (ja) * 2006-03-07 2007-09-20 Fujitsu General Ltd 緊急通報システム
JP2013092930A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法
JP2018116340A (ja) * 2017-01-16 2018-07-26 株式会社日立製作所 救急情報システム、および救急情報管理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161614A1 (en) * 2015-12-07 2017-06-08 Rapidsos, Inc. Systems and methods for predicting emergency situations
US11537847B2 (en) * 2016-06-17 2022-12-27 International Business Machines Corporation Time series forecasting to determine relative causal impact
US10861320B2 (en) * 2016-08-22 2020-12-08 Rapidsos, Inc. Predictive analytics for emergency detection and response management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284991A (ja) * 2004-03-30 2005-10-13 Fujitsu Fip Corp 救急業務シミュレーションシステム及び方法
JP2007241502A (ja) * 2006-03-07 2007-09-20 Fujitsu General Ltd 緊急通報システム
JP2013092930A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 搬送管理システム及び搬送管理方法
JP2018116340A (ja) * 2017-01-16 2018-07-26 株式会社日立製作所 救急情報システム、および救急情報管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Non-official translation: Research & Development", HITACHI REVIEW, vol. 100, no. 1, 20 January 2018 (2018-01-20), pages 121, ISSN: 0367-5874 *
MIURA, HIDETOSHI: "Future Prediction of Ambulance Response in Nagoya by Multiple Regression Model", vol. 03, 2016, pages 1 - 6, XP55711317, ISSN: 2434-4125, Retrieved from the Internet <URL:https://nanzan-u.repo.nii.ac.jp/?action=pages_view_main&active_action=repository_view_)nain_ite)n_detail&itemid=815&item_no=l&page_id=13&block_id=21> [retrieved on 20200128] *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022097228A1 (ja) * 2020-11-05 2022-05-12 日本電信電話株式会社 表示制御装置、表示制御方法、及び表示制御プログラム
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法
CN113553764B (zh) * 2021-07-13 2023-08-04 广东工业大学 一种基于深度学习网络的山火预测方法
WO2023144968A1 (ja) * 2022-01-27 2023-08-03 日本電信電話株式会社 表示制御装置、表示制御方法、及び表示制御プログラム

Also Published As

Publication number Publication date
JP7087946B2 (ja) 2022-06-21
US20220020502A1 (en) 2022-01-20
JP2020086650A (ja) 2020-06-04

Similar Documents

Publication Publication Date Title
WO2020105478A1 (ja) 救急需要予測装置、救急需要予測方法およびプログラム
Osuteye et al. The data gap: An analysis of data availability on disaster losses in sub-Saharan African cities
Prieto-Lara et al. Updating rurality index for small areas in Spain
Merkord et al. Integrating malaria surveillance with climate data for outbreak detection and forecasting: the EPIDEMIA system
King et al. Using social indicators to measure community vulnerability to natural hazards
Wong et al. Spatially analyzing the inequity of the Hong Kong urban heat island by socio-demographic characteristics
Ma et al. Modeling the hourly distribution of population at a high spatiotemporal resolution using subway smart card data: A case study in the central area of Beijing
Wang et al. Aggregated responses of human mobility to severe winter storms: An empirical study
Ullah et al. Analyzing the spatiotemporal patterns in green spaces for urban studies using location-based social media data
Asta et al. The modifying role of socioeconomic position and greenness on the short-term effect of heat and air pollution on preterm births in Rome, 2001–2013
Mak et al. Spatial and Socio-Classification of Traffic Pollutant Emissions and Associated Mortality Rates in High-Density Hong Kong via Improved Data Analytic Approaches
Bocquier Migration analysis using demographic surveys and surveillance systems
JP7315018B2 (ja) 情報処理方法、記憶媒体、及び情報処理装置
Tamburis et al. A night at the OPERA: A conceptual framework for an integrated distributed sensor network-based system to figure out safety protocols for animals under risk of fire
Astarita et al. Mobile computing for disaster emergency management: Empirical requirements analysis for a cooperative crowdsourced system for emergency management operation
Nduhuura et al. Mapping and spatial analysis of electricity load shedding experiences: A case study of communities in Accra, Ghana
Yang et al. Risk assessment of crowd-gathering in urban open public spaces supported by spatio-temporal big data
Müller et al. The role of spatio-temporal information to govern the COVID-19 pandemic: A european perspective
Younes et al. How effective are evacuation orders? An analysis of decision making among vulnerable populations in Florida during hurricane Irma
Fraser The Road More Traveled: Evacuation Networks in the US and Japan
Zafar et al. Development and comparison of dengue vulnerability indices using GIS-based multi-criteria decision analysis in Lao PDR and Thailand
Zhu et al. Evaluating the renewal degree for expressway regeneration projects based on a model integrating the fuzzy Delphi method, the fuzzy AHP method, and the TOPSIS method
Choi et al. Association between ozone and emergency department visits: an ecological study
Shan et al. Social media-based urban disaster recovery and resilience analysis of the Henan deluge
Dookie et al. From science to science-based: using state-of-the-art climate information to strengthen DRR in Small Island States

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19886361

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19886361

Country of ref document: EP

Kind code of ref document: A1