WO2022215435A1 - 行動変容促進装置 - Google Patents

行動変容促進装置 Download PDF

Info

Publication number
WO2022215435A1
WO2022215435A1 PCT/JP2022/011025 JP2022011025W WO2022215435A1 WO 2022215435 A1 WO2022215435 A1 WO 2022215435A1 JP 2022011025 W JP2022011025 W JP 2022011025W WO 2022215435 A1 WO2022215435 A1 WO 2022215435A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
information
user
unit
causal
Prior art date
Application number
PCT/JP2022/011025
Other languages
English (en)
French (fr)
Inventor
千雅 兼田
源太郎 片山
博 川上
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2023512882A priority Critical patent/JP7413607B2/ja
Publication of WO2022215435A1 publication Critical patent/WO2022215435A1/ja

Links

Images

Classifications

    • 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

Definitions

  • One aspect of the present invention relates to a behavior change promotion device.
  • One aspect of the present invention has been made in view of the above circumstances, and aims to encourage users to effectively change their behavior.
  • a behavior modification promotion device is a behavior modification promotion device that presents information for reducing the risk of an unforeseen situation to a user, comprising learning user information about the user, user A first learning unit that builds a first learning model for estimating the user's risk by learning in association with risk information that is information related to the risk of Build a second learning model for estimating the risk causal effect, which is the degree of increase in risk associated with having risk factors, by learning information related to risk factors that affect risk and risk information in association with each other. a second learning unit for estimating the user's risk by inputting estimation user information related to the user into the first learning model; and estimating the risk causal effect using the second learning model. a second estimation unit, an advice generation unit that generates advice information including at least the risk estimated by the first estimation unit and the risk causal effect estimated by the second estimation unit, and an output unit that outputs the advice information , provided.
  • a first learning model for estimating risk from user information and risk information is constructed, and risk factors are calculated from information related to risk factors contained in user information and risk information.
  • a second learning model is constructed that estimates risk causality, which is the degree of increased risk associated with having. Then, in the behavior modification promoting device according to one aspect of the present invention, the user's risk is estimated by inputting the user information for estimation into the first learning model, and the risk causal effect is calculated using the second learning model. Advice information including the estimated risk and risk causal effect is generated and the advice information is output.
  • a second learning model for estimating the risk causal effect which is the degree of increase in risk associated with having a risk factor, is constructed. and the second learning model estimates a risk causal effect according to a given risk factor.
  • FIG. 4 is a diagram showing an example of advice master information and advice information; It is a figure explaining step-by-step output of advice information. It is a flowchart which shows the learning process which the behavior change promotion apparatus which concerns on this embodiment implements. It is a flowchart which shows the estimation process which the behavioral change promotion apparatus which concerns on this embodiment implements. It is a figure which shows the hardware constitutions of the behavior change promotion apparatus which concerns on this embodiment.
  • FIG. 1 is a functional block diagram of a behavior change promotion device 1 according to this embodiment.
  • the behavior change promotion device 1 is a device that presents information for reducing the risk of unforeseen circumstances to a predetermined user.
  • the behavior change promotion device 1 according to the present embodiment presents information for reducing the risk of an accident during driving, which is an unforeseen situation that can occur to a user (that is, a driver) who drives.
  • the risk of an accident is, for example, whether or not an accident has occurred, the number of times an accident has occurred, or the magnitude of damage when an accident occurs. In the following, an example in which the "risk of accident" is "presence or absence of occurrence of an accident" will be described.
  • the behavior modification promotion device 1 is provided, for example, to communicate with a communication device (controller) of a vehicle driven by each user, and transmits information for reducing risk to the communication device of the vehicle driven by each user ( present).
  • the behavior modification promotion device 1 may transmit (present) information for reducing risk by e-mail or the like to a terminal such as a smartphone held by each user, for example.
  • the behavior modification promotion device 1 includes a user information DB 11, a feature amount extraction unit 12, a risk information DB 13, a learning unit 14 (first learning unit, second learning unit), and a model DB 15. , an estimation unit 16 (a first estimation unit, a second estimation unit, a calculation unit), an estimation information DB 17, an advice master information DB 18, an advice generation unit 19, an advice information DB 20, and an output unit 21. ing.
  • the user information DB 11 is a database that stores user information, which is information related to each user.
  • User information largely includes mobility data and non-mobility data.
  • Mobility data is data about driving of a user.
  • Non-mobility data is user data that is not directly related to driving, such as user attribute information and behavior information.
  • Mobility data is collected, for example, from sensors attached to the vehicle, drive recorders, questionnaire information, or the like.
  • the non-mobility data is collected, for example, from information equipment owned by the user, service usage logs, questionnaire information, or the like.
  • FIG. 4A is an example of a part of user information stored in the user information DB 11. FIG. In the example shown in FIG.
  • a personal identifier that uniquely identifies the user, driving time in snow, highway driving time, age, and region are associated with each other and stored. It is In such user information, age and region are non-mobility data, and snow-covered driving time and expressway driving time are mobility data.
  • age and region are non-mobility data
  • snow-covered driving time and expressway driving time are mobility data.
  • A is an area (for example, a residential area).
  • the feature amount extraction unit 12 is a function that extracts feature amounts from the user information stored in the user information DB 11 .
  • the feature amount extraction unit 12 extracts feature amounts from the user information based on any predetermined rule.
  • the feature amount extraction unit 12 may use part or all of the user information stored in the user information DB 11 as the feature amount, or may apply predetermined processing to part or all of the user information stored in the user information DB 11. You may extract the feature-value produced
  • the feature quantity extraction unit 12 uses at least the person identifier as a key and extracts the associated feature quantity (record for each person identifier).
  • the feature amount extraction unit 12 may use the person identifier and the date/time identifier as keys to extract the associated feature amount (a record for each combination of the person identifier and the date/time identifier).
  • the timing of the feature amount extraction processing by the feature amount extraction unit 12 may be arbitrary timing, and may be repeatedly performed at predetermined time intervals.
  • the risk information DB 13 is a database that stores risk information indicating whether there is a risk (whether an accident has occurred) for each user.
  • FIG. 4(b) is an example of part of the risk information stored in the risk information DB 13. As shown in FIG. In the example shown in FIG. 4B, as risk information, a person identifier that uniquely identifies a user and the presence or absence of risk are associated with each other and stored.
  • the learning unit 14 performs first learning for constructing a prediction model (first learning model) for estimating the user's risk, and for estimating the risk causal effect, which is the degree of increase in risk associated with having a risk factor. Second learning for constructing a causal model (second learning model).
  • the timing at which the prediction model and the causal model are constructed by the learning unit 14 may be any timing.
  • the learning unit 14 may store the new prediction model or causal model in the model DB 15 so as to replace the existing prediction model or causal model.
  • the model DB 15 stores prediction models and causal models generated by the learning unit 14 .
  • the learning unit 14 learns by associating user information (learning user information) and risk information with each other, and builds a prediction model for estimating the user's risk.
  • the user information here is, in detail, the feature amount extracted by the feature amount extraction unit 12 .
  • Risk information is risk information stored in the risk information DB 13 .
  • the learning unit 14 generates learning data by associating the feature amount and the risk information with, for example, a person identifier as a key.
  • the date and time identifier of the feature amount and the date and time identifier of the risk information may be different from each other.
  • the feature amount may be data observed in a period of N years
  • the linked risk information may be data observed in a period of N+1 years.
  • FIG. 2 is a diagram showing a first learning processing image (upper stage) and an estimation processing image (lower stage) related to risk estimation.
  • first learning feature quantities in which snowy driving time, highway driving time, age, and region are associated with each other, and risk information, which is an objective variable, are linked.
  • risk information which is an objective variable
  • learning is carried out and a prediction model is constructed.
  • the construction of the prediction model may be carried out, for example, using existing supervised learning algorithms, for example, existing statistical methods and machine learning methods for predicting risk from feature values (logistic regression, gradient boosting decision tree, neural networks, etc.).
  • a prediction model is constructed using a classification model, and the risk information indicates the magnitude of damage when an accident occurs.
  • a prediction model may be constructed using a regression model when indicated by numerical data such as
  • the learning unit 14 learns information related to risk factors that are included in the user information (learning user information) and that affect the risk, and the risk information in association with each other, and learns the risk factors.
  • Build a causal model to estimate the risk causal effect which is the degree of increased risk associated with having Information related to risk factors includes, for example, feature amounts that are risk factors and feature amounts that affect at least one of the risk factors and risks.
  • the learning unit 14 associates and learns a feature amount that is a risk factor, a feature amount that affects at least one of the risk factor and the risk, and risk information, and builds a causal model.
  • the information related to the risk factor here (that is, the feature amount that is the risk factor, and the feature amount that affects at least one of the risk factor and the risk) is, in detail, the feature amount extracted by the feature amount extraction unit 12. quantity.
  • the risk information is risk information stored in the risk information DB 13 .
  • the learning unit 14 generates learning data by associating a feature amount that is a risk factor, a feature amount that affects at least one of the risk factor and the risk, and risk information with, for example, a person identifier as a key. When linking, the date and time identifier of each feature quantity and the date and time identifier of risk information may be different from each other.
  • each feature amount may be data observed in a period of N years, and the associated risk information may be data observed in a period of N+1 years.
  • the feature amount that affects at least one of the risk factor and the risk may not be used. That is, the learning unit 14 may associate the feature quantity, which is the risk factor, with the risk information, learn them, and build a causal model.
  • FIG. 3 is a diagram showing a second learning processing image (upper stage) and an estimation processing image (lower stage) regarding risk causal effect estimation.
  • the second learning the high speed Road driving time, age, and region are selected, linked with risk information, learning is performed, and a causal model is constructed.
  • Such a causal model calculates the risk causal effect for each user in a predetermined risk factor based on the feature quantity (the risk factor or the feature quantity that affects at least one of the risks) extracted from the information included in the user information. is a model.
  • the causal model makes it possible to estimate the degree of increase in risk (risk causal effect) due to possession of a predetermined risk factor in a predetermined user, for example, from the risk factor or the feature value that affects at least one of the risks.
  • existing causal inference methods such as Meta-Learners.
  • other causal inference methods such as regression models, the average risk causal effect of users may be calculated instead of calculating the risk causal effect for each user.
  • a feature quantity for a given risk factor (a feature quantity that affects at least one of the risk factor and the risk) may be selected by any method.
  • Causal models may be constructed for the number of types of risk factors.
  • the risk factors are, for example, "60 minutes or more driving time in snow", “60 minutes or more driving time on expressway", and the like.
  • a single risk factor may be formed by combining a plurality of risk factors. That is, for example, "60 minutes or more driving time in snow and 60 minutes or more driving time on expressway" may be regarded as one risk factor.
  • the estimating unit 16 is a function that performs first estimation for estimating the user's risk using the prediction model and second estimation for estimating the risk causal effect using the causal model.
  • the timing of risk estimation and risk causal effect estimation by the estimation unit 16 may be any timing.
  • the estimation unit 16 generates estimated risk information derived (estimated) by the first estimation (see FIG. 5A) and causal effect information derived (estimated) by the second estimation (information including risk causal effect, etc.) (see FIG. 5(b)) is stored in the estimated information DB 17.
  • the estimated information DB 17 stores estimated risk information and causal effect information estimated by the estimation unit 16 .
  • the estimation unit 16 estimates the user's risk indicated by the user information by inputting the user information (estimation user information) into the prediction model stored in the model DB 15 .
  • the user information here is, in detail, the feature amount extracted by the feature amount extraction unit 12 .
  • Estimated risk information indicating FIG. 5A is a diagram showing an example of estimated risk information.
  • estimated risk information is information in which a person identifier that uniquely identifies a user and a value indicating risk (probability, score, etc.) are associated with each other.
  • the estimation unit 16 estimates the risk causal effect using the causal model. Specifically, the estimating unit 16 determines that at least one of the risk factor and the risk that is included in the information that is included in the user information (estimating user information) and is related to the risk factor that affects the risk. By inputting the feature quantity into the causal model stored in the model DB 15, the risk causal effect of a given risk factor for a given user is estimated. In addition, when calculating the average risk causal effect of users instead of calculating the risk causal effect for each user using other causal inference methods such as regression models, parameters of the trained causal model (risk The user's average risk causal effect may be calculated by referring to the factor regression coefficient).
  • the estimating unit 16 refers to the information on whether or not a predetermined risk factor is possessed from the user information of the predetermined user, and compares the output result of the causal model for the risk factor and the information on whether or not the risk factor is possessed. Based on this, the risk causal effect in the user may be derived for the risk factors held by the user.
  • the feature value that affects at least one of the risk factors or risks, in which the highway driving time, age, and region are associated with each other is input to the causal model.
  • the risk causal effect which is the degree of increase in risk associated with having a given risk factor.
  • Information such as age and region is a feature quantity that affects at least one of risk factors and risks, and is information that indicates the user's features.
  • the estimating unit 16 may further calculate the degree of influence of the feature quantity that affects at least one of the risk factor and the risk on the risk causal effect. That is, in the second estimation, the estimating unit 16 calculates the degree of influence of the user's features, which are the feature amounts that affect at least one of the risk factor and the risk, on the risk causal effect, and uses the degree of influence as the causal effect information. (See FIG. 5(b)).
  • a user's feature which is a feature quantity that affects at least one of risk factors and risks, is information such as the age and region of the user included in the user information, for example.
  • an algorithm linear model, gradient boosting decision tree, etc. that can calculate the importance of feature values used for learning a model that estimates the risk causal effect for each user. , it is possible to calculate how much a predetermined feature amount (a feature amount that affects at least one of risk factors and risks) influences the increase in risk causal effect from the trained model.
  • FIG. 5B is a diagram showing an example of causal effect information including risk causal effects derived by the estimation unit 16. As shown in FIG. In the example shown in FIG. 5(b), the causal effect information includes, in addition to the risk causal effect, age and region indicating user characteristics, which are feature quantities that affect at least one of risk factors and risks. Contains the degree of influence on the effect.
  • the risk factors include "60 minutes or more driving time during snow cover” and "60 minutes or more driving time on expressway”.
  • risk causal Effects and the impact of each feature (age and region) on risk causality are derived.
  • the advice master information DB 18 is a database that stores advice master information in which risk factors and advice content are associated.
  • FIG. 6A is a diagram showing an example of advice master information.
  • the advice content of "Let's keep more distance between vehicles than usual” is associated with the risk factor of "Driving time of 60 minutes or more in snowy conditions”. Further, the content of the advice "Let's use the navigation" is associated with the risk factor of "60 minutes or more driving time on the highway”.
  • the advice generating unit 19 generates advice information including at least the risk estimated by the estimating unit 16 in the first estimation and the risk causal effect estimated by the estimating unit 16 in the second estimation.
  • the advice generation unit 19 associates the risk and the risk causal effect with at least the person identifier as a key, and acquires them from the estimated information DB 17 . Further, in detail, the advice generation unit 19 calculates the degree of influence of the user's features (feature values affecting at least one of the risk factor and the risk) on the risk causal effect estimated by the estimation unit 16 in the second estimation. It also generates advisory information to include.
  • the advice generator 19 acquires the degree of influence of the user's characteristics on the risk causal effect from the estimated information DB 17 .
  • the advice generating unit 19 is information associated in advance with the risk factor related to the risk causal effect estimated in the second estimation, and indicates an action to prompt the user to reduce the risk. generates advice information that further includes behavior change promotion content.
  • the advice generation unit 19 acquires advice content (behavior change promotion content) associated with the risk factor by referring to the advice master information DB 18 .
  • the timing of advice information generation by the advice generation unit 19 may be any timing.
  • the advice generation unit 19 stores the generated advice information in the advice information DB 20 .
  • the advice information DB 20 stores advice information.
  • FIG. 6(b) is a diagram showing an example of advice information.
  • the estimated risk of the user indicated by the person identifier "XXXX” is "80”
  • the risk factor is "60 minutes or more of driving time in snow”
  • the risk causal effect is " 30”
  • region is A” for the risk factor is “age is 10”
  • the advice content corresponding to the risk factor is “more distance between vehicles than usual”. Let's keep our distance.”
  • the output unit 21 outputs advice information stored in the advice information DB 20 .
  • the output unit 21 transmits, for example, advice information to the communication device (controller) of the vehicle driven by the user indicated by the person identifier.
  • the advice information is then presented on the display of the vehicle driven by the user.
  • the advice information may be output by voice in the vehicle driven by the user.
  • the output unit 21 may transmit, for example, the advice information to an information device such as a smart phone held by the user indicated by the person identifier by e-mail or the like.
  • the output unit 21 may output the advice information step by step. It is also possible to output the risk causal effect obtained by outputting, and finally output the advice content (behavioral change promotion content). In addition, regarding the advice information, after outputting the risk causal effect in the above and before outputting the advice content (behavior change promotion content), the output unit 21 outputs the user's characteristics for the risk causal effect estimated by the estimating unit 16. (feature quantity affecting at least one of risk factor and risk) may be output.
  • FIG. 7 is a diagram explaining stepwise output of advice information.
  • the message "Your accident risk score is [8]" is first output as the information indicating the estimated risk.
  • information indicating the risk causal effect “One of the factors that increase your risk is [driving on unfamiliar roads]. is believed to have increased by [2].” is output.
  • risk causal effect “One of the factors that increase your risk is [driving on unfamiliar roads]. is believed to have increased by [2].” is output.
  • only the risk causal effect for a single risk factor is shown, but only risk factors with high risk causal effects may be shown, or risk causal effects for multiple risk factors may be shown. may be shown.
  • information indicating the degree of influence of the user's characteristics on the estimated risk causal effect "People who are likely to increase their risk especially by [driving on unfamiliar roads] are considered to have the following characteristics.
  • FIG. 8 the learning processing and estimation processing performed by the behavior change promotion device 1 according to this embodiment will be described with reference to FIGS. 8 and 9.
  • FIG. 8 is a flowchart showing the learning process performed by the behavior change promotion device 1.
  • FIG. 8 Note that the processes of steps S2 and S3 and the processes of steps S4 and S5 shown in the flowchart of FIG. 8 do not necessarily have to be executed in the order shown in FIG. That is, the processes of steps S4 and S5 may be executed before the processes of steps S2 and S3, or may be executed simultaneously with the processes of steps S2 and S3. Similarly, the processes of steps S12 and S13 and the processes of steps S14 and S15 shown in the flowchart of FIG. 9 do not necessarily have to be executed in the order shown in FIG.
  • steps S14 and S15 may be executed before the processes of steps S12 and S13, or may be executed simultaneously with the processes of steps S12 and S13.
  • the learning process first, feature amounts are extracted from the user information for learning (step S1). Subsequently, the feature amount and the risk information are learned in association with each other, and a prediction model for estimating the user's risk is constructed (step S2). The prediction model is stored in the model DB 15 (step S3).
  • the feature amount that is the information included in the learning user information and is a risk factor that affects the risk is learned in association with each other.
  • a causal model is constructed for estimating the risk causal effect, which is the degree of increase in risk associated with having a predetermined risk factor (step S4).
  • a causal model for estimating the risk causal effect may be constructed by learning the feature values of the risk factors and the risk information in association with each other.
  • the causal model is stored in the model DB 15 (step S5). The above is the learning process.
  • FIG. 9 is a flowchart showing the estimation process performed by the behavior change promotion device 1.
  • FIG. 9 in the estimation process, first, feature amounts are extracted from the user information for estimation (step S11). Subsequently, the user's risk is estimated by inputting the feature quantity into the prediction model (step S12). The estimated risk is stored in the estimation information DB 17 (step S13).
  • the risk is determined by inputting into the causal model the feature amount that affects at least one of the risk factor and the risk, which is included in the user information for estimation and is information related to the risk factor that affects the risk.
  • the causal effect is estimated, and the degree of influence of the user's feature (feature value affecting at least one of the risk factor and the risk) on the risk causal effect is calculated from the learned causal model parameters (step S14).
  • feature value affecting at least one of the risk factor and the risk is calculated from the learned causal model parameters.
  • risk causal effects may be estimated.
  • the estimated risk causal effects and the like are stored in the estimated information DB 17 (step S15).
  • advice information is generated based on the information in the estimated information DB 17 and the information in the advice master information DB 18 (step S16).
  • the generated advice information is stored in the advice information DB 20 (step S17).
  • the advice information is presented (output) to the user (step S18). The above is the estimation processing.
  • the behavior modification promotion device 1 is a behavior modification promotion device that presents information for reducing the risk of unforeseen situations to the user, and is a user information for learning about the user, and the user's Risk information, which is information related to risk, is associated with each other and learned to build a predictive model for estimating the user's risk, and the information included in the learning user information that is the risk factor that affects the risk
  • the learning unit 14 for building a causal model for estimating the risk causal effect which is the degree of increase in risk associated with having a risk factor, by learning information related to and risk information in association with each other, and a learning unit 14 related to the user
  • An estimating unit 16 that estimates a user's risk by inputting user information for estimation into a prediction model and estimates a risk causal effect using a causal model, the risk estimated by the estimating unit 16, and an estimating unit 16 for generating advice information including at least the risk causal effect estimated by 16, and an output unit 21 for outputting the advice information.
  • a prediction model for estimating risk from user information and risk information is constructed, and information on risk factors included in user information and risk factors are determined from risk information.
  • a causal model is constructed that estimates the risk causal effect, which is the degree of increase in risk involved.
  • the user's risk is estimated by inputting the estimation user information into the prediction model, and the risk causal effect is estimated by using the causal model, Advice information including risks and risk causal effects is generated and the advice information is output.
  • a causal model for estimating the risk causal effect which is the degree of increase in risk associated with having a risk factor, is constructed.
  • Causal models estimate risk causal effects according to given risk factors. By generating and outputting advice information including such risk causal effects, the user is presented with how much the risk increases due to having the risk factor. It is possible to accurately grasp the impact on As a result, it is possible to encourage the user to effectively change behavior against risk. In addition, by centrally estimating risks and risk causal effects, it is possible to improve processing efficiency related to promotion of behavioral change.
  • the information related to the risk factor includes a feature amount that is the risk factor and a feature amount that affects at least one of the risk factor and the risk, and the learning unit 14 learns the feature amount that is the risk factor and the risk factor or the risk.
  • a causal model may be constructed by learning by associating the feature amount that affects at least one side with the risk information. This makes it possible to build a causal model that can more appropriately estimate the risk causal effect.
  • the feature quantity that affects at least one of the risk factor and the risk may include information that indicates the features of the user. Thereby, it is possible to estimate the risk causal effect considering the characteristics of the user.
  • the estimating unit 16 inputs into the causal model the risk factor or the feature amount that affects at least one of the risk, which is included in the information included in the user information for estimation and is related to the risk factor that affects the risk. may estimate the risk causal effect. By inputting information related to risk factors into the causal model in this way, the risk causal effect can be estimated more appropriately.
  • the estimating unit 16 may calculate the degree of influence of the feature quantity that affects at least one of the risk factor and the risk on the risk causal effect. In addition, the estimating unit 16 calculates the degree of influence of the feature amount that influences at least one of the risk factor and the risk calculated based on the causal model on the risk causal effect, and the degree of influence on at least one of the risk factor and the risk in the user. Based on the information on whether or not the feature value is provided, the degree of influence of the feature value possessed by the user (feature value that affects at least one of the risk factor and the risk) on the risk causal effect may be calculated. .
  • the degree of influence of the feature amount (feature amount that affects at least one of the risk factor and the risk) with respect to the risk causal effect, for example, the user's characteristics that the risk causal effect tends to increase can be calculated. becomes possible.
  • the advice generation unit 19 may generate advice information that further includes the degree of influence of the user's characteristics, which is a feature amount that affects at least one of the risk factor and the risk for the risk causal effect calculated by the estimation unit 16. .
  • the causal model calculates the degree of influence of the user's characteristics on the risk causal effect, and generates and outputs advice information including the degree of influence of the user's characteristics. and the degree of influence thereof will be presented to the user. Then, based on the degree of influence of the predetermined feature amount on the risk causal effect of the predetermined risk factor calculated above and information on whether or not the predetermined user possesses the feature amount, the You may calculate the influence of the feature-value which a user has.
  • the user By presenting such information to the user, the user is made to understand how his or her characteristics affect the risk causal effect, and to understand that the increase in risk is an event unique to his or her characteristics. be able to. This makes it possible to more appropriately prompt the user for effective behavioral change against risk.
  • the advice generating unit 19 generates behavior change promotion content, which is information associated in advance with the risk factor related to the risk causal effect estimated by the estimating unit 16 and indicates an action to prompt the user to reduce the risk.
  • Advisory information may be generated that further includes.
  • the output unit 21 first outputs the risk estimated by the estimation unit 16, then outputs the risk causal effect estimated by the estimation unit 16, and then outputs the risk causal effect estimated by the estimation unit 16.
  • the degree of influence of the user's characteristics on the effect may be output, and finally the behavior modification promotion content may be output.
  • the output unit 21 does not have to output the degree of influence of the user's characteristics.
  • the behavior modification promotion device 1 may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007 and the like.
  • the term “apparatus” can be read as a circuit, device, unit, or the like.
  • the hardware configuration of the behavior change promotion device 1 may be configured to include one or more of each device shown in the figure, or may be configured without including some of the devices.
  • Each function in the behavior modification promotion device 1 is performed by loading predetermined software (program) on hardware such as the processor 1001 and the memory 1002, the processor 1001 performs calculation, communication by the communication device 1004, memory 1002 and It is realized by controlling reading and/or writing of data in the storage 1003 .
  • the processor 1001 for example, operates an operating system and controls the entire computer.
  • the processor 1001 may be configured with a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the control functions of the learning unit 14 and the like may be implemented by the processor 1001 .
  • the processor 1001 also reads programs (program codes), software modules and data from the storage 1003 and/or the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • software modules software modules
  • data data from the storage 1003 and/or the communication device 1004
  • the program a program that causes a computer to execute at least part of the operations described in the above embodiments is used.
  • control functions of the learning unit 14 and the like may be implemented by a control program stored in the memory 1002 and operated by the processor 1001, and other functional blocks may be similarly implemented. Although it has been described that the above-described various processes are executed by one processor 1001, they may be executed by two or more processors 1001 simultaneously or sequentially. Processor 1001 may be implemented with one or more chips. Note that the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program codes), software modules, etc. for implementing a wireless communication method according to an embodiment of the present invention.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disc such as a CDROM (Compact Disc ROM), a hard disk drive, a flexible disc, a magneto-optical disc (for example, a compact disc, a digital versatile disc, a Blu-ray (registered disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server, or other suitable medium including memory 1002 and/or storage 1003 .
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via a wired and/or wireless network, and is also called a network device, network controller, network card, communication module, etc., for example.
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (eg, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be composed of a single bus, or may be composed of different buses between devices.
  • the behavior change promotion device 1 includes hardware such as a microprocessor, a digital signal processor (DSP), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). part or all of each functional block may be implemented by the hardware.
  • processor 1001 may be implemented with at least one of these hardware.
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • SUPER 3G IMT-Advanced
  • 4G 5G
  • FRA Full Radio Access
  • W-CDMA registered trademark
  • GSM registered trademark
  • CDMA2000 Code Division Multiple Access 2000
  • UMB Universal Mobile Broad-band
  • IEEE 802.11 Wi-Fi
  • IEEE 802.16 WiMAX
  • IEEE 802.20 UWB (Ultra-Wide Band)
  • Bluetooth® other suitable systems and/or extended next generation systems based on these.
  • Input and output information may be saved in a specific location (for example, memory) or managed in a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • the determination may be made by a value represented by one bit (0 or 1), by a true/false value (Boolean: true or false), or by numerical comparison (for example, a predetermined value).
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Software whether referred to as software, firmware, middleware, microcode, hardware description language or otherwise, includes instructions, instruction sets, code, code segments, program code, programs, subprograms, and software modules. , applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, and the like.
  • software, instructions, etc. may be transmitted and received via a transmission medium.
  • the software can be used to access websites, servers, or other When transmitted from a remote source, these wired and/or wireless technologies are included within the definition of transmission media.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may refer to voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. may be represented by a combination of
  • information, parameters, etc. described in this specification may be represented by absolute values, may be represented by relative values from a predetermined value, or may be represented by corresponding other information. .
  • Communication terminals are defined by those skilled in the art as mobile communication terminals, subscriber stations, mobile units, subscriber units, wireless units, remote units, mobile devices, wireless devices, wireless communication devices, remote devices, mobile subscriber stations, access terminals, It may also be called a mobile terminal, wireless terminal, remote terminal, handset, user agent, mobile client, client or some other suitable term.
  • any reference to the elements does not generally limit the quantity or order of those elements. These designations may be used herein as a convenient method of distinguishing between two or more elements. Thus, references to first and second elements do not imply that only two elements may be employed therein, or that the first element must precede the second element in any way.

Abstract

行動変容促進装置は、学習用ユーザ情報とリスク情報とを互いに対応付けて学習しリスクを推定するための予測モデルを構築すると共に、リスク要因に係る情報とリスク情報とを互いに対応付けて学習しリスク因果効果を推定するための因果モデルを構築する学習部と、推定用ユーザ情報を予測モデルに入力することによりユーザのリスクを推定すると共に、リスク要因に係る情報を因果モデルに入力することによりリスク因果効果を推定する推定部と、リスク及びリスク因果効果を少なくとも含むアドバイス情報を生成するアドバイス生成部と、アドバイス情報を出力する出力部と、を備える。

Description

行動変容促進装置
　本発明の一態様は、行動変容促進装置に関する。
　従来から、ユーザ情報に基づきユーザ毎の状態を分析し、分析結果に基づきユーザに不測の事態（事故等）のリスク及びリスク要因を明らかにし、これらの情報を含んだアドバイス情報をユーザに提示することによって、リスク低減に向けた行動変容をユーザに促す技術が知られている（例えば特許文献１及び特許文献２参照）。
特開２０１１－１４０３７号公報 特開２００８－２３８８３１号公報
　ここで、上述した技術においては、リスク要因がリスクに与える影響が適切に導出されているとは言えず、このようなリスク及びリスク要因を含むアドバイス情報がユーザに提示されても、ユーザに自身のリスクを正確に把握させることができない場合がある。この場合、ユーザに効果的な行動変容を促すことが困難である。
　本発明の一態様は上記実情に鑑みてなされたものであり、ユーザに効果的な行動変容を促すことを目的とする。
　本発明の一態様に係る行動変容促進装置は、ユーザに対して、不測の事態のリスクを低減するための情報を提示する行動変容促進装置であって、ユーザに係る学習用ユーザ情報と、ユーザのリスクに係る情報であるリスク情報とを互いに対応付けて学習し、ユーザのリスクを推定するための第１学習モデルを構築する第１学習部と、学習用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報と、リスク情報とを互いに対応付けて学習し、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための第２学習モデルを構築する第２学習部と、ユーザに係る推定用ユーザ情報を第１学習モデルに入力することにより、ユーザのリスクを推定する第１推定部と、第２学習モデルを用いてリスク因果効果を推定する第２推定部と、第１推定部によって推定されたリスク、及び、第２推定部によって推定されたリスク因果効果を少なくとも含むアドバイス情報を生成するアドバイス生成部と、アドバイス情報を出力する出力部と、を備える。
　本発明の一態様に係る行動変容促進装置では、ユーザ情報及びリスク情報からリスクを推定する第１学習モデルが構築されると共に、ユーザ情報に含まれるリスク要因に係る情報及びリスク情報からリスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定する第２学習モデルが構築される。そして、本発明の一態様に係る行動変容促進装置では、第１学習モデルに推定用ユーザ情報が入力されることによりユーザのリスクが推定されると共に、第２学習モデルを用いてリスク因果効果が推定され、リスク及びリスク因果効果を含むアドバイス情報が生成されて、当該アドバイス情報が出力される。このように、本行動変容促進装置によれば、リスクを推定する第１学習モデルに加えて、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定する第２学習モデルが構築され、当該第２学習モデルによって、所定のリスク要因に応じたリスク因果効果が推定される。このようなリスク因果効果を含んだアドバイス情報が生成されて出力されることにより、リスク要因を有することによってリスクがどの程度増加するのかがユーザに提示されることとなり、ユーザに、リスク要因がリスクに与える影響を正確に把握させることができる。このことにより、ユーザに、リスクに対する効果的な行動変容を促すことができる。
　本発明によれば、ユーザに効果的な行動変容を促すことができる。
本実施形態に係る行動変容促進装置の機能ブロック図である。 リスク推定に関する学習処理イメージ、及び、推定処理イメージを示す図である。 リスク因果効果推定に関する学習処理イメージ、及び、推定処理イメージを示す図である。 ユーザ情報及びリスク情報の一例を示す図である。 推定リスク情報及び因果効果情報の一例を示す図である。 アドバイスマスタ情報及びアドバイス情報の一例を示す図である。 アドバイス情報の段階的な出力を説明する図である。 本実施形態に係る行動変容促進装置が実施する学習処理を示すフローチャートである。 本実施形態に係る行動変容促進装置が実施する推定処理を示すフローチャートである。 本実施形態に係る行動変容促進装置のハードウェア構成を示す図である。
　以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。図面の説明において、同一又は同等の要素には同一符号を用い、重複する説明を省略する。
　図１は、本実施形態に係る行動変容促進装置１の機能ブロック図である。行動変容促進装置１は、所定のユーザに対して、不測の事態のリスクを低減するための情報を提示する装置である。本実施形態に係る行動変容促進装置１は、運転を行うユーザ（すなわちドライバ）に生じうる不測の事態である運転中の事故のリスクを低減するための情報を提示する。事故のリスクとは、例えば、事故の発生有無、事故の発生回数、又は、事故が発生した際の損害の大きさ等である。以下では、「事故のリスク」が「事故の発生有無」である例を説明する。行動変容促進装置１は、例えば各ユーザが運転する車両の通信装置（コントローラ）と通信可能に設けられており、各ユーザが運転する車両の通信装置に、リスクを低減するための情報を送信（提示）する。行動変容促進装置１は、例えば各ユーザが保持するスマートフォン等の端末に、メール等によってリスクを低減するための情報を送信（提示）してもよい。
　図１に示されるように、行動変容促進装置１は、ユーザ情報ＤＢ１１と、特徴量抽出部１２と、リスク情報ＤＢ１３と、学習部１４（第１学習部，第２学習部）と、モデルＤＢ１５と、推定部１６（第１推定部，第２推定部，算出部）と、推定情報ＤＢ１７と、アドバイスマスタ情報ＤＢ１８と、アドバイス生成部１９と、アドバイス情報ＤＢ２０と、出力部２１と、を備えている。
　ユーザ情報ＤＢ１１は、各ユーザに係る情報であるユーザ情報を記憶しているデータベースである。ユーザ情報は、大きく、モビリティデータと、非モビリティデータとを含んでいる。モビリティデータとは、ユーザの運転に関するデータである。非モビリティデータとは、ユーザの属性情報及び行動情報等の、運転に直接的には関わらないユーザのデータである。モビリティデータは、例えば車両に付随するセンサ、ドライブレコーダ、又はアンケート情報等から収集される。非モビリティデータは、例えばユーザが保有する情報機器、サービス利用ログ、又はアンケート情報等から収集される。図４（ａ）は、ユーザ情報ＤＢ１１に記憶されているユーザ情報の一部の一例である。図４（ａ）に示される例では、ユーザ情報として、ユーザを一意に識別する人物識別子と、積雪時運転時間と、高速道路運転時間と、年代と、地域と、が互いに対応付けられて記憶されている。このようなユーザ情報では、年代と、地域とが非モビリティデータであり、積雪時運転時間と、高速道路運転時間とがモビリティデータである。図４（ａ）の上段の例では、「ＸＸＸＸ」との人物識別子で示されるユーザの積雪時運転時間が６０分であり、高速道路運転時間が３０分であり、年代が３０代であり、地域（例えば居住地域）がＡであるとされている。
　特徴量抽出部１２は、ユーザ情報ＤＢ１１に格納されたユーザ情報から特徴量を抽出する機能である。特徴量抽出部１２は、予め定められた任意のルールに基づいて、ユーザ情報から特徴量を抽出する。特徴量抽出部１２は、ユーザ情報ＤＢ１１に格納されている一部又は全てのユーザ情報をそのまま特徴量としてもよいし、ユーザ情報ＤＢ１１に格納されている一部又は全てのユーザ情報に所定の加工（導出処理）を行うことにより生成した特徴量を抽出してもよい。特徴量抽出部１２は、少なくとも人物識別子をキーにして、対応付けられている特徴量（人物識別子単位のレコード）を抽出する。なお、特徴量抽出部１２は、人物識別子及び日時識別子をキーにして、対応付けられている特徴量（人物識別子及び日時識別子の組み合わせ単位のレコード）を抽出してもよい。特徴量抽出部１２による特徴量抽出処理のタイミングは、任意のタイミングでもよく、所定の時間間隔で繰り返し実施されてもよい。
　リスク情報ＤＢ１３は、ユーザ毎のリスクの有無（事故の発生有無）を示すリスク情報を記憶しているデータベースである。図４（ｂ）は、リスク情報ＤＢ１３に記憶されているリスク情報の一部の一例である。図４（ｂ）に示される例では、リスク情報として、ユーザを一意に識別する人物識別子と、リスクの有無とが互いに対応付けられて記憶されている。
　学習部１４は、ユーザのリスクを推定するための予測モデル（第１学習モデル）を構築する第１学習と、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための因果モデル（第２学習モデル）を構築する第２学習と、を実施する機能である。学習部１４による予測モデル及び因果モデルを構築するタイミングは、任意のタイミングでよい。学習部１４は、新たな予測モデル又は因果モデルを構築すると、既存の予測モデル又は因果モデルと置き換えるように、新たな予測モデル又は因果モデルをモデルＤＢ１５に格納してもよい。モデルＤＢ１５は、学習部１４によって生成された予測モデル及び因果モデルを記憶している。
　学習部１４は、第１学習では、ユーザ情報（学習用ユーザ情報）とリスク情報とを互いに対応付けて学習し、ユーザのリスクを推定するための予測モデルを構築する。ここでのユーザ情報は、詳細には、特徴量抽出部１２によって抽出された特徴量である。リスク情報は、リスク情報ＤＢ１３に格納されているリスク情報である。学習部１４は、特徴量とリスク情報とを、例えば人物識別子をキーに紐づけて学習データを生成する。紐づけを行う際には、特徴量の日時識別子とリスク情報の日時識別子とが互いに異なっていてもよい。例えば、特徴量がＮ年の期間に観測されたデータであり、紐づけられるリスク情報がＮ＋１年の期間に観測されたデータであってもよい。
　図２は、リスク推定に係る第１学習の処理イメージ（上段）、及び、推定処理イメージ（下段）を示す図である。図２の上段に示される例では、第１学習において、積雪時運転時間、高速道路運転時間、年代、及び地域が互いに対応付けられた特徴量と、目的変数であるリスク情報とが紐づけられた上で、学習が実施され、予測モデルが構築されている。当該予測モデルの構築は、例えば既存の教師有り学習アルゴリズムを用いて実施されてもよく、例えば、特徴量からリスクを予測する既存の統計手法や機械学習手法（ロジスティック回帰、勾配ブースティング決定木、ニューラルネットワーク等）により実施されてもよい。より詳細には、本実施形態のようにリスク情報が事故の発生有無等のカテゴリ情報で示される場合には分類モデルを用いて予測モデルが構築され、リスク情報が事故発生時の損害の大きさ等の数値データで示される場合には回帰モデルを用いて予測モデルが構築されてもよい。
　学習部１４は、第２学習では、ユーザ情報（学習用ユーザ情報）に含まれる情報であってリスクに影響を与えるリスク要因に係る情報と、リスク情報とを互いに対応付けて学習し、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための因果モデルを構築する。リスク要因に係る情報には、例えば、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量とが含まれている。学習部１４は、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量と、リスク情報とを互いに対応付けて学習し、因果モデルを構築する。ここでのリスク要因に係る情報（すなわち、リスク要因である特徴量、並びに、リスク要因又はリスクの少なくとも一方に影響を与える特徴量）は、詳細には、特徴量抽出部１２によって抽出された特徴量である。また、リスク情報は、リスク情報ＤＢ１３に格納されているリスク情報である。学習部１４は、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量と、リスク情報とを、例えば人物識別子をキーに紐づけて学習データを生成する。紐づけを行う際には、各特徴量の日時識別子とリスク情報の日時識別子とが互いに異なっていてもよい。例えば、各特徴量がＮ年の期間に観測されたデータであり、紐づけられるリスク情報がＮ＋１年の期間に観測されたデータであってもよい。なお、第２学習においては、リスク要因又はリスクの少なくとも一方に影響を与える特徴量が用いられなくてもよい。すなわち、学習部１４は、リスク要因である特徴量と、リスク情報とを互いに対応付けて学習し、因果モデルを構築してもよい。
　図３は、リスク因果効果推定に関する第２学習の処理イメージ（上段）、及び、推定処理イメージ（下段）を示す図である。図３の上段に示される例では、第２学習において、所定のリスク要因である「積雪時運転時間６０分以上」に対して、リスク要因又はリスクの少なくとも一方に影響を与える特徴量として、高速道路運転時間、年代、及び地域が選択され、リスク情報と紐づけられ、学習が実施され、因果モデルが構築されている。このような因果モデルは、ユーザ情報に含まれる情報から抽出された特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）に基づき所定のリスク要因におけるユーザ毎のリスク因果効果を算出するモデルである。当該因果モデルの構築は、例えばリスク要因又はリスクの少なくとも一方に影響を与える特徴量から所定のユーザにおける所定のリスク要因を保有することによるリスクの増加度合い（リスク因果効果）を推定することが可能な既存の因果推論手法（Meta-Learners等）により実施されてもよい。また、回帰モデル等のその他の因果推論手法を用いることで、ユーザ毎のリスク因果効果を算出する代わりに、ユーザの平均的なリスク因果効果を算出してもよい。所定のリスク要因に対する特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）は、任意の方法によって選択されてもよい。因果モデルは、リスク要因の種類数分だけ構築されてもよい。リスク要因は、例えば「積雪時運転時間６０分以上」「高速道路運転時間６０分以上」等である。リスク要因は、複数のリスク要因を組み合わせて一つのリスク要因を構成してもよい。すなわち、例えば、「積雪時運転時間６０分以上且つ高速道路運転時間６０分以上」を一つのリスク要因とみなしてもよい。
　推定部１６は、予測モデルを用いてユーザのリスクを推定する第１推定と、因果モデルを用いてリスク因果効果を推定する第２推定と、を実施する機能である。推定部１６によるリスク推定及びリスク因果効果推定のタイミングは、任意のタイミングでよい。推定部１６は、第１推定によって導出（推定）した推定リスク情報（図５（ａ）参照）と、第２推定によって導出（推定）した因果効果情報（リスク因果効果等を含む情報）（図５（ｂ）参照）とを、推定情報ＤＢ１７に格納する。推定情報ＤＢ１７は、推定部１６によって推定された推定リスク情報及び因果効果情報を記憶している。
　推定部１６は、第１推定では、ユーザ情報（推定用ユーザ情報）を、モデルＤＢ１５に格納されている予測モデルに入力することにより、ユーザ情報に示されたユーザのリスクを推定する。ここでのユーザ情報は、詳細には、特徴量抽出部１２によって抽出された特徴量である。
　図２の下段に示される例では、第１推定において、積雪時運転時間、高速道路運転時間、年代、及び地域が互いに対応付けられた特徴量が予測モデルに入力されることにより、ユーザのリスクを示す推定リスク情報が導出されている。図５（ａ）は、推定リスク情報の一例を示す図である。図５（ａ）に示される例では、ユーザを一意に識別する人物識別子と、リスクを示す値（確率又はスコア等）とが互いに対応付けられた情報が推定リスク情報とされている。
　推定部１６は、第２推定では、因果モデルを用いてリスク因果効果を推定する。具体的には、推定部１６は、ユーザ情報（推定用ユーザ情報）に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、リスク要因又はリスクの少なくとも一方に影響を与える特徴量を、モデルＤＢ１５に格納されている因果モデルに入力することにより、所定のユーザにおける所定のリスク要因のリスク因果効果を推定する。なお、回帰モデル等のその他の因果推論手法を用いて、ユーザ毎のリスク因果効果を算出する代わりに、ユーザの平均的なリスク因果効果を算出する場合は、学習済みの因果モデルのパラメータ（リスク要因の回帰係数）を参照するなどして、ユーザの平均的なリスク因果効果を算出してもよい。その後、推定部１６は、所定のユーザのユーザ情報から所定のリスク要因の保有の有無に係る情報を参照し、当該リスク要因に対する因果モデルの出力結果と当該リスク要因の保有の有無に係る情報に基づき、当該ユーザが保有するリスク要因に対する当該ユーザにおけるリスク因果効果を導出してもよい。
　図３の下段に示される例では、第２推定において、高速道路運転時間、年代、及び地域が互いに対応付けられた、リスク要因又はリスクの少なくとも一方に影響を与える特徴量が因果モデルに入力されることにより、所定のリスク要因を有することに伴うリスクの増加度合いであるリスク因果効果が推定されている。年代及び地域等の情報は、リスク要因又はリスクの少なくとも一方に影響を与える特徴量であって、ユーザの特徴を示す情報である。
　推定部１６は、因果モデルに基づき、リスク要因又はリスクの少なくとも一方に影響を与える特徴量がリスク因果効果に与える影響度を更に算出してもよい。すなわち、推定部１６は、第２推定において、リスク要因又はリスクの少なくとも一方に影響を与える特徴量であるユーザの特徴が、リスク因果効果に与える影響度を算出し、当該影響度を因果効果情報（図５（ｂ）参照）に含んでもよい。リスク要因又はリスクの少なくとも一方に影響を与える特徴量であるユーザの特徴とは、例えばユーザ情報に含まれるユーザの年代及び地域等の情報である。具体的には、例えば因果モデルを構築する際に、ユーザ毎のリスク因果効果を推定するモデルを、学習に用いた特徴量の重要度を算出できるアルゴリズム（線形モデル、勾配ブースティング決定木など）で構築することにより、学習済みモデルから所定の特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）がリスク因果効果の増大にどれほど影響しているかを算出することができる。さらに、前記で算出した所定のリスク要因のリスク因果効果における所定の特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度と、所定のユーザにおける当該特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の保有の有無に係る情報に基づき、当該リスク要因のリスク因果効果における当該ユーザが保有する特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度を算出してもよい。図５（ｂ）は、推定部１６によって導出されるリスク因果効果を含む因果効果情報の一例を示す図である。図５（ｂ）に示される例では、因果効果情報には、リスク因果効果に加えて、リスク要因又はリスクの少なくとも一方に影響を与える特徴量であるユーザの特徴を示す年代、地域がリスク因果効果に与える影響度が含まれている。図５（ｂ）に示される例では、リスク要因として、「積雪時運転時間６０分以上」及び「高速道路運転時間６０分以上」があるとする。図５（ｂ）に示される例では、人物識別子で区別される各ユーザの各リスク要因（「積雪時運転時間６０分以上」及び「高速道路運転時間６０分以上」）について、それぞれ、リスク因果効果と、リスク因果効果に対する各特徴（年代及び地域）の影響度とが導出されている。
　アドバイスマスタ情報ＤＢ１８は、リスク要因及びアドバイス内容が対応付けられたアドバイスマスタ情報を記憶しているデータベースである。図６（ａ）は、アドバイスマスタ情報の一例を示す図である。図６（ａ）に示されるアドバイス情報では、「積雪時運転時間６０分以上」とのリスク要因に対して「いつも以上に車間距離をあけましょう」というアドバイス内容が対応付けられている。また、「高速道路運転時間６０分以上」とのリスク要因に対して「ナビを活用しましょう」というアドバイス内容が対応付けられている。
　アドバイス生成部１９は、第１推定において推定部１６によって推定されたリスク、及び、第２推定において推定部１６によって推定されたリスク因果効果を少なくとも含むアドバイス情報を生成する。アドバイス生成部１９は、リスク及びリスク因果効果を、少なくとも人物識別子をキーとして紐づけて、推定情報ＤＢ１７から取得する。また、アドバイス生成部１９は、詳細には、第２推定において推定部１６によって推定された、リスク因果効果に対するユーザの特徴（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度を更に含むアドバイス情報を生成する。アドバイス生成部１９は、リスク因果効果に対するユーザの特徴の影響度を、推定情報ＤＢ１７から取得する。さらに、アドバイス生成部１９は、より詳細には、第２推定において推定されたリスク因果効果に係るリスク要因に予め対応付けられた情報であってリスクを小さくするためにユーザに促す行動を示す情報である行動変容促進内容を更に含むアドバイス情報を生成する。アドバイス生成部１９は、アドバイスマスタ情報ＤＢ１８を参照することにより、リスク要因に対応付けられたアドバイス内容（行動変容促進内容）を取得する。アドバイス生成部１９によるアドバイス情報生成のタイミングは、任意のタイミングでよい。アドバイス生成部１９は、生成したアドバイス情報をアドバイス情報ＤＢ２０に格納する。アドバイス情報ＤＢ２０は、アドバイス情報を記憶している。
　図６（ｂ）は、アドバイス情報の一例を示す図である。図６（ｂ）に示される例では、人物識別子「ＸＸＸＸ」で示されるユーザの推定リスクが「８０」であり、リスク要因が「積雪時運転時間６０分以上」であり、リスク因果効果が「３０」であり、リスク要因に対する特徴「年代が３０代、地域がＡ」の影響度が「年代が１０、地域が２０」であり、リスク要因に対応付けられたアドバイス内容が「いつも以上に車間距離をあけましょう」とされている。
　出力部２１は、アドバイス情報ＤＢ２０に記憶されているアドバイス情報を出力する。出力部２１は、例えばアドバイス情報を、人物識別子で示されたユーザが運転する車両の通信装置（コントローラ）に送信する。そして、当該アドバイス情報は、ユーザが運転する車両のディスプレイにおいて提示される。なお、アドバイス情報は、ユーザが運転する車両において音声で出力されてもよい。また、出力部２１は、例えばアドバイス情報を、人物識別子で示されたユーザが保持するスマートフォン等の情報機器に、メール等によって送信してもよい。
　出力部２１は、アドバイス情報について、段階的に出力してもよく、例えば、最初に第１推定において推定部１６によって推定されたリスクを出力し、つづいて第２推定において推定部１６によって推定されたリスク因果効果を出力し、最後にアドバイス内容（行動変容促進内容）を出力してもよい。また、出力部２１は、アドバイス情報について、上記において、リスク因果効果を出力した後、アドバイス内容（行動変容促進内容）を出力する前に、推定部１６によって推定されたリスク因果効果に対するユーザの特徴（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度を出力してもよい。
　図７は、アドバイス情報の段階的な出力を説明する図である。図７に示される例では、最初に、推定されたリスクを示す情報として、「あなたの事故リスクスコアは、［８］です。」とのメッセージが出力されている。つづいて、リスク因果効果を示す情報として、「あなたのリスクを増加させる原因の１つに、［慣れない道の運転］が挙げられます。［慣れない道の運転］で、あなたの事故リスクスコアが［２］増加していると考えられます。」とのメッセージが出力されている。なお、図７に示される例では、単一のリスク要因に対するリスク因果効果のみが示されているが、リスク因果効果が高いリスク要因のみ示されてもよいし、複数のリスク要因に対するリスク因果効果が示されてもよい。つづいて、推定されたリスク因果効果に対するユーザの特徴の影響度を示す情報として、「特に［慣れない道の運転］によってリスクが上がりやすい人は、下記の特徴があると考えられます。［・運転歴が浅い方］」とのメッセージが出力されている。なお、図７に示される例では、特徴の影響度そのものではなく単に特徴が示されているが、影響度が高い特徴のみ示されている場合は、実質的に特徴及びその影響度（この場合には影響度「高」）が示されていると言える。また、特徴を示すだけでなく当該特徴の影響度もあわせて示されてもよい。最後に、アドバイス内容として、「［慣れない道の運転］の際は、リスクを下げるために下記を行ってください。［・ナビを事前に設定しましょう］」とのメッセージが出力されている。
　次に、本実施形態に係る行動変容促進装置１が実施する学習処理及び推定処理について、図８及び図９を参照して説明する。
　図８は、行動変容促進装置１が実施する学習処理を示すフローチャートである。なお、図８のフローチャートで示されるステップＳ２及びステップＳ３の処理と、ステップＳ４及びステップＳ５の処理とは、必ずしも図８に示される順序で実行されなくてもよい。すなわち、ステップＳ４及びステップＳ５の処理は、ステップＳ２及びステップＳ３の処理よりも先に実行されてもよいし、ステップＳ２及びステップＳ３の処理と同時に実行されてもよい。同様に、図９のフローチャートで示されるステップＳ１２及びステップＳ１３の処理と、ステップＳ１４及びステップＳ１５の処理とは、必ずしも図９に示される順序で実行されなくてもよい。すなわち、ステップＳ１４及びステップＳ１５の処理は、ステップＳ１２及びステップＳ１３の処理よりも先に実行されてもよいし、ステップＳ１２及びステップＳ１３の処理と同時に実行されてもよい。図８に示されるように、学習処理では、最初に、学習用ユーザ情報から特徴量が抽出される（ステップＳ１）。つづいて、特徴量とリスク情報とが互いに対応付けて学習され、ユーザのリスクを推定するための予測モデルが構築される（ステップＳ２）。予測モデルは、モデルＤＢ１５に格納される（ステップＳ３）。
　また、学習用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量と、リスク情報とが互いに対応付けて学習され、所定のリスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための因果モデルが構築される（ステップＳ４）。なお、因果モデルの構築においては、例えばリスク要因又はリスクの少なくとも一方に影響を与える特徴量が用いられなくてもよい。すなわち、リスク要因である特徴量とリスク情報とが互いに対応付けて学習され、リスク因果効果を推定するための因果モデルが構築されてもよい。因果モデルは、モデルＤＢ１５に格納される（ステップＳ５）。以上が、学習処理である。
　図９は、行動変容促進装置１が実施する推定処理を示すフローチャートである。図９に示されるように、推定処理では、最初に、推定用ユーザ情報から特徴量が抽出される（ステップＳ１１）。つづいて、特徴量が予測モデルに入力されることによりユーザのリスクが推定される（ステップＳ１２）。推定されたリスクは推定情報ＤＢ１７に格納される（ステップＳ１３）。
　また、推定用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、リスク要因又はリスクの少なくとも一方に影響を与える特徴量が因果モデルに入力されることによりリスク因果効果が推定され、また学習済みの因果モデルのパラメータからリスク因果効果に対するユーザの特徴（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度が算出される（ステップＳ１４）。なお、例えば学習において「リスク要因又はリスクの少なくとも一方に影響を与える特徴量」が用いられていない場合等においては、これらの情報が因果モデルに入力されることなく、因果モデルを用いてリスク因果効果が推定されてもよい。推定されたリスク因果効果等は推定情報ＤＢ１７に格納される（ステップＳ１５）。
　つづいて、推定情報ＤＢ１７の情報及びアドバイスマスタ情報ＤＢ１８の情報に基づいて、アドバイス情報が生成される（ステップＳ１６）。生成されたアドバイス情報はアドバイス情報ＤＢ２０に格納される（ステップＳ１７）。最後に、アドバイス情報がユーザに提示（出力）される（ステップＳ１８）。以上が、推定処理である。
　次に、本実施形態の作用効果について説明する。
　本実施形態に係る行動変容促進装置１は、ユーザに対して、不測の事態のリスクを低減するための情報を提示する行動変容促進装置であって、ユーザに係る学習用ユーザ情報と、ユーザのリスクに係る情報であるリスク情報とを互いに対応付けて学習し、ユーザのリスクを推定するための予測モデルを構築すると共に、学習用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報と、リスク情報とを互いに対応付けて学習し、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための因果モデルを構築する学習部１４と、ユーザに係る推定用ユーザ情報を予測モデルに入力することにより、ユーザのリスクを推定すると共に、因果モデルを用いてリスク因果効果を推定する推定部１６と、推定部１６によって推定されたリスク、及び、推定部１６によって推定されたリスク因果効果を少なくとも含むアドバイス情報を生成するアドバイス生成部１９と、アドバイス情報を出力する出力部２１と、を備える。
　本実施形態に係る行動変容促進装置１では、ユーザ情報及びリスク情報からリスクを推定する予測モデルが構築されると共に、ユーザ情報に含まれるリスク要因に係る情報及びリスク情報からリスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定する因果モデルが構築される。そして、本実施形態に係る行動変容促進装置１では、予測モデルに推定用ユーザ情報が入力されることによりユーザのリスクが推定されると共に、因果モデルが用いられることによりリスク因果効果が推定され、リスク及びリスク因果効果を含むアドバイス情報が生成されて、当該アドバイス情報が出力される。このように、本行動変容促進装置１によれば、リスクを推定する予測モデルに加えて、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定する因果モデルが構築され、当該因果モデルによって、所定のリスク要因に応じたリスク因果効果が推定される。このようなリスク因果効果を含んだアドバイス情報が生成されて出力されることにより、リスク要因を有することによってリスクがどの程度増加するのかがユーザに提示されることとなり、ユーザに、リスク要因がリスクに与える影響を正確に把握させることができる。このことにより、ユーザに、リスクに対する効果的な行動変容を促すことができる。また、リスク及びリスク因果効果が一元的に推定されることにより、行動変容促進に係る処理効率を向上させることができる。
　リスク要因に係る情報は、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量とを含み、学習部１４は、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量と、リスク情報とを互いに対応付けて学習し、因果モデルを構築してもよい。これにより、リスク因果効果をより好適に推定できる因果モデルを構築することができる。
　リスク要因又はリスクの少なくとも一方に影響を与える特徴量は、ユーザの特徴を示す情報を含んでいてもよい。これにより、ユーザの特徴を考慮したリスク因果効果を推定することができる。
　推定部１６は、推定用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、リスク要因又はリスクの少なくとも一方に影響を与える特徴量を因果モデルに入力することにより、リスク因果効果を推定してもよい。このように因果モデルにリスク要因に係る情報が入力されることにより、リスク因果効果をより好適に推定することができる。
　推定部１６は、因果モデルに基づき、リスク要因又はリスクの少なくとも一方に影響を与える特徴量がリスク因果効果に与える影響度を算出してもよい。また、推定部１６は、因果モデルに基づき算出された、リスク要因又はリスクの少なくとも一方に影響を与える特徴量がリスク因果効果に与える影響度と、ユーザにおけるリスク要因又はリスクの少なくとも一方に影響を与える特徴量の保有の有無に係る情報とに基づき、当該ユーザが保有する特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）がリスク因果効果に与える影響度を算出してもよい。このように、リスク因果効果に対する特徴量（リスク要因又はリスクの少なくとも一方に影響を与える特徴量）の影響度が算出されることにより、例えばリスク因果効果が増大しやすいユーザの特徴等を算出することが可能になる。
　アドバイス生成部１９は、推定部１６によって算出された、リスク因果効果に対するリスク要因又はリスクの少なくとも一方に影響を与える特徴量であるユーザの特徴の影響度を更に含むアドバイス情報を生成してもよい。このように、因果モデルによってリスク因果効果に対するユーザの特徴の影響度が算出され、当該ユーザの特徴の影響度を含むアドバイス情報が生成・出力されることにより、例えばリスク因果効果が増大しやすいユーザの特徴とその影響度がユーザに提示されることとなる。そして、前記で算出した所定のリスク要因のリスク因果効果における所定の特徴量の影響度と、所定のユーザにおける当該特徴量の保有の有無に係る情報に基づき、当該リスク要因のリスク因果効果における当該ユーザが保有する特徴量の影響度を算出してもよい。このような情報がユーザに提示されることにより、ユーザに、自身の特徴がリスク因果効果にどのように影響しているかを把握させ、リスクの増大が自身の特徴ならではの事象であると理解させることができる。これにより、ユーザに、リスクに対する効果的な行動変容をより適切に促すことができる。
　アドバイス生成部１９は、推定部１６によって推定されたリスク因果効果に係るリスク要因に予め対応付けられた情報であってリスクを小さくするためにユーザに促す行動を示す情報である行動変容促進内容を更に含むアドバイス情報を生成してもよい。これにより、リスク要因に応じた行動変容促進内容がユーザに提示されることとなり、ユーザに、リスクに対する効果的な行動変容を促すことができる。
　出力部２１は、アドバイス情報について、最初に推定部１６によって推定されたリスクを出力し、つづいて推定部１６によって推定されたリスク因果効果を出力し、つづいて推定部１６によって推定されたリスク因果効果に対するユーザの特徴の影響度を出力し、最後に行動変容促進内容を出力してもよい。このように、比較的抽象的な情報（リスク）から、段階的に、リスクと関係している当該ユーザの特徴ならではの情報が提示され、最後に具体的な行動変容促進内容が提示されることにより、リスクについてのユーザの関心を高めた状態で、具体的な行動変容促進内容が提示されることとなり、ユーザに、リスクに対する効果的な行動変容を促すことができる。なお、出力部２１は、ユーザの特徴の影響度を出力しなくてもよい。
　次に、行動変容促進装置１のハードウェア構成について、図１０を参照して説明する。行動変容促進装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。行動変容促進装置１のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　行動変容促進装置１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）で構成されてもよい。例えば、学習部１４等の制御機能はプロセッサ１００１で実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。
　例えば、学習部１４等の制御機能は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。
　また、行動変容促進装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。
　以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。
　本明細書で説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future　Radio　Access）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broad-band）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ）、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-Wide　Band）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。
　本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。
　本明細書で説明した情報、信号などは、様々な異なる技術のいずれか１項を使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本明細書で説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。
　通信端末は、当業者によって、移動通信端末、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、又はいくつかの他の適切な用語で呼ばれる場合もある。
　本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみがそこで採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　「含む（include）」、「含んでいる（including）」、及びそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本明細書において、文脈又は技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。
　本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。
　１…行動変容促進装置、１４…学習部（第１学習部，第２学習部）、１６…推定部（第１推定部，第２推定部，算出部）、１９…アドバイス生成部、２１…出力部。

Claims (10)

  1. 　ユーザに対して、不測の事態のリスクを低減するための情報を提示する行動変容促進装置であって、
    　ユーザに係る学習用ユーザ情報と、ユーザのリスクに係る情報であるリスク情報とを互いに対応付けて学習し、ユーザのリスクを推定するための第１学習モデルを構築する第１学習部と、
    　前記学習用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報と、前記リスク情報とを互いに対応付けて学習し、リスク要因を有することに伴うリスクの増加度合いであるリスク因果効果を推定するための第２学習モデルを構築する第２学習部と、
    　ユーザに係る推定用ユーザ情報を前記第１学習モデルに入力することにより、ユーザのリスクを推定する第１推定部と、
    　前記第２学習モデルを用いて前記リスク因果効果を推定する第２推定部と、
    　前記第１推定部によって推定されたリスク、及び、前記第２推定部によって推定された前記リスク因果効果を少なくとも含むアドバイス情報を生成するアドバイス生成部と、
    　前記アドバイス情報を出力する出力部と、を備える行動変容促進装置。
  2. 　前記リスク要因に係る情報は、リスク要因である特徴量と、リスク要因又はリスクの少なくとも一方に影響を与える特徴量とを含み、
    　前記第２学習部は、前記リスク要因である特徴量と、前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量と、前記リスク情報とを互いに対応付けて学習し、前記第２学習モデルを構築する、請求項１記載の行動変容促進装置。
  3. 　前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量は、ユーザの特徴を示す情報を含む、請求項２記載の行動変容促進装置。
  4. 　前記第２推定部は、前記推定用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、リスク要因又はリスクの少なくとも一方に影響を与える特徴量を前記第２学習モデルに入力することにより、前記リスク因果効果を推定する、請求項１～３のいずれか一項に記載の行動変容促進装置。
  5. 　前記第２学習モデルに基づき、前記推定用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量が、前記リスク因果効果に与える影響度を算出する算出部を更に備える、請求項１～４のいずれか一項に記載の行動変容促進装置。
  6. 　前記算出部は、前記第２学習モデルに基づき算出された、前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量が前記リスク因果効果に与える影響度と、ユーザにおける前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量の保有の有無に係る情報とに基づき、当該ユーザが保有する特徴量が前記リスク因果効果に与える影響度を算出する、請求項５記載の行動変容促進装置。
  7. 　前記アドバイス生成部は、前記算出部によって算出された、前記リスク因果効果に対する前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量の影響度を更に含む前記アドバイス情報を生成する、請求項６記載の行動変容促進装置。
  8. 　前記アドバイス生成部は、前記第２推定部によって推定された前記リスク因果効果に係る前記リスク要因に予め対応付けられた情報であってリスクを小さくするためにユーザに促す行動を示す情報である行動変容促進内容を更に含む前記アドバイス情報を生成する、請求項１～７のいずれか一項に記載の行動変容促進装置。
  9. 　前記出力部は、前記アドバイス情報について、最初に前記第１推定部によって推定されたリスクを出力し、つづいて前記第２推定部によって推定された前記リスク因果効果を出力し、最後に前記行動変容促進内容を出力する、請求項８記載の行動変容促進装置。
  10. 　前記第２学習モデルに基づき、前記推定用ユーザ情報に含まれる情報であってリスクに影響を与えるリスク要因に係る情報に含まれる、前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量が、前記リスク因果効果に与える影響度を算出する算出部を更に備え、
    　前記出力部は、前記アドバイス情報について、前記第２推定部によって推定された前記リスク因果効果を出力した後、前記行動変容促進内容を出力する前に、前記算出部によって算出された前記リスク因果効果に対する前記リスク要因又はリスクの少なくとも一方に影響を与える特徴量の影響度を出力する、請求項９記載の行動変容促進装置。
     
PCT/JP2022/011025 2021-04-07 2022-03-11 行動変容促進装置 WO2022215435A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023512882A JP7413607B2 (ja) 2021-04-07 2022-03-11 行動変容促進装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021065147 2021-04-07
JP2021-065147 2021-04-07

Publications (1)

Publication Number Publication Date
WO2022215435A1 true WO2022215435A1 (ja) 2022-10-13

Family

ID=83546356

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/011025 WO2022215435A1 (ja) 2021-04-07 2022-03-11 行動変容促進装置

Country Status (2)

Country Link
JP (1) JP7413607B2 (ja)
WO (1) WO2022215435A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010122901A (ja) * 2008-11-19 2010-06-03 Omron Healthcare Co Ltd 健康状態判断装置
JP2018124702A (ja) * 2017-01-31 2018-08-09 株式会社教育ソフトウェア 病因分析装置および疾病予測装置
US20180322955A1 (en) * 2017-05-03 2018-11-08 Koninklijke Philips N.V. Visually indicating contributions of clinical risk factors
JP2021039518A (ja) * 2019-09-02 2021-03-11 株式会社Ｎｔｔドコモ 行動変容促進装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010122901A (ja) * 2008-11-19 2010-06-03 Omron Healthcare Co Ltd 健康状態判断装置
JP2018124702A (ja) * 2017-01-31 2018-08-09 株式会社教育ソフトウェア 病因分析装置および疾病予測装置
US20180322955A1 (en) * 2017-05-03 2018-11-08 Koninklijke Philips N.V. Visually indicating contributions of clinical risk factors
JP2021039518A (ja) * 2019-09-02 2021-03-11 株式会社Ｎｔｔドコモ 行動変容促進装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S\"OREN R. K\"UNZEL; JASJEET S. SEKHON; PETER J. BICKEL; BIN YU: "Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning", ARXIV.ORG, 12 June 2017 (2017-06-12), pages 1 - 43, XP081323472, DOI: 10.1073/pnas.1804597116 *

Also Published As

Publication number Publication date
JPWO2022215435A1 (ja) 2022-10-13
JP7413607B2 (ja) 2024-01-15

Similar Documents

Publication Publication Date Title
US11263550B2 (en) Audit machine learning models against bias
US11790269B1 (en) Systems and methods for generating dynamic models based on trigger events
US10325243B1 (en) Systems and methods for identifying and ranking successful agents based on data analytics
CN109635990B (zh) 一种训练方法、预测方法、装置、电子设备及存储介质
CN104731845A (zh) 用于背景推送通知服务的方法和系统
US20150269195A1 (en) Model updating apparatus and method
US20200168012A1 (en) Personal fuel efficiency for vehicles of interest
CN113794683A (zh) 一种工业物联网入侵检测方法、装置、设备及存储介质
WO2021039797A1 (ja) クリック率予測モデル構築装置
JP7033515B2 (ja) 交通状況予測装置
WO2022215435A1 (ja) 行動変容促進装置
CN108628863B (zh) 信息获取方法和装置
JP6855359B2 (ja) 渋滞予測モデル作成装置
CN116862580A (zh) 短信触达时间预测方法、装置、计算机设备及存储介质
CN110704614A (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
JP2019220100A (ja) 推定装置
CN113794682B (zh) 一种工业物联网入侵检测智能体训练方法、装置及设备
CN113783841B (zh) 工业物联网入侵检测网络架构构建方法、装置、设备及存储介质
WO2023013475A1 (ja) 行動変容促進装置
JPWO2019159585A1 (ja) 学習システム、推定システム及び学習済モデル
CN113807436A (zh) 用户挖掘方法、装置、计算机设备及可读存储介质
JP6835680B2 (ja) 情報処理装置および信用度算出方法
WO2023067895A1 (ja) 情報処理装置
CN111127040A (zh) 数据处理的方法、智能客服系统、电子设备和介质
CN111178687B (zh) 金融风险分类方法、装置及电子设备

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: 22784420

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023512882

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18553587

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22784420

Country of ref document: EP

Kind code of ref document: A1