WO2024014000A1 - 検出装置、検出方法、及び検出プログラム - Google Patents

検出装置、検出方法、及び検出プログラム Download PDF

Info

Publication number
WO2024014000A1
WO2024014000A1 PCT/JP2022/027938 JP2022027938W WO2024014000A1 WO 2024014000 A1 WO2024014000 A1 WO 2024014000A1 JP 2022027938 W JP2022027938 W JP 2022027938W WO 2024014000 A1 WO2024014000 A1 WO 2024014000A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
data
road
polygon
section
Prior art date
Application number
PCT/JP2022/027938
Other languages
English (en)
French (fr)
Inventor
篤彦 前田
健一 福田
皓平 森
幸雄 菊谷
正人 神谷
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 PCT/JP2022/027938 priority Critical patent/WO2024014000A1/ja
Publication of WO2024014000A1 publication Critical patent/WO2024014000A1/ja

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the disclosed technology relates to a detection device, a detection method, and a detection program.
  • Non-Patent Document 1 As disclosed in Non-Patent Document 1, there is research that calculates hot spots where police events frequently occur.
  • hot spots are calculated using kernel density estimation based on the point where an event occurs.
  • kernel density estimation when moving along a road in the area of interest, it is not possible to directly clarify the section of the road that should be of interest from information on hot spots identified by kernel density estimation.
  • the disclosed technology has been made in view of the above points, and aims to provide a detection device, a detection method, and a detection program that can preferentially detect a section of a road that deserves attention.
  • a first aspect of the present disclosure is a detection device, and an acquisition unit that acquires event occurrence data in which an event occurrence point is recorded and road network data in which information on a road consisting of one or more sections is recorded. and a distance calculation unit that calculates the distance between the event occurrence point and each of the sections for each of the roads, and outputs the number of events for which the distance calculated by the distance calculation unit is the shortest for each of the sections.
  • An output section is a detection device, and an acquisition unit that acquires event occurrence data in which an event occurrence point is recorded and road network data in which information on a road consisting of one or more sections is recorded.
  • a distance calculation unit that calculates the distance between the event occurrence point and each of the sections for each of the roads, and outputs the number of events for which the distance calculated by the distance calculation unit is the shortest for each of the sections.
  • a second aspect of the present disclosure is a detection method, in which a processor acquires event occurrence data in which an event occurrence point is recorded and road network data in which information on a road consisting of one or more sections is recorded. Then, a process is executed to calculate the distance between the occurrence point of the event and each of the sections for each of the roads, and output the number of events for which the distance calculated for each section is the shortest.
  • a third aspect of the present disclosure is a detection program that causes a computer to function as the detection device of the first aspect.
  • a detection device According to the disclosed technology, it is possible to provide a detection device, a detection method, and a detection program that can detect a road section that requires priority attention because many events occur nearby.
  • FIG. 2 is a block diagram showing the hardware configuration of a detection device according to an embodiment of the disclosed technology.
  • FIG. 2 is a block diagram showing an example of a functional configuration of a detection device.
  • FIG. 3 is a diagram showing an example of event occurrence data. It is a figure showing an example of road network data.
  • FIG. 2 is a diagram showing a map that visualizes road network data.
  • FIG. 3 is a diagram for explaining a method of calculating the distance between a point with event ID: 1001 and a road section with section ID: 2. It is a diagram showing the result of visualizing the shortest distance d between section ID: 3 of road ID: 1234 and event ID: 1001.
  • FIG. 6 is a diagram illustrating an example in which the output unit highlights a section ID of a corresponding road ID based on the number of counted events. It is a flowchart which shows the flow of detection processing by a detection device.
  • FIG. 3 is a diagram showing an example of event occurrence data.
  • FIG. 3 is a diagram showing an example of a map for recording event occurrence data.
  • FIG. 14 is a diagram showing the result of plotting the position of the event occurrence data shown in FIG. 13.
  • FIG. 3 is a diagram showing an example of polygon map data stored as polygon data.
  • FIG. 3 is a diagram showing an example of polygon types used for hot spot detection.
  • FIG. 3 is a diagram illustrating an example of assigning hot spot IDs to polygon map data.
  • FIG. 3 is a diagram showing an example of visualization of hot spot detection results.
  • FIG. 3 is a diagram illustrating an example of a precise area of a hot spot.
  • 20 is a diagram showing the results of hot spot calculation visualized in FIG. 19.
  • FIG. It is a flowchart which shows the flow of detection processing by a detection device.
  • FIG. 3 is a diagram illustrating an example in which a hot spot is ambiguously detected.
  • FIG. 3 is a diagram illustrating an example of a hot spot detection area based on kernel density estimation.
  • FIG. 6 is a diagram illustrating an example of a case where no hot spot is detected.
  • FIG. 6 is a diagram illustrating an example of a case where no hot spot is detected. It is a flowchart which shows the flow of detection processing by a detection device.
  • FIG. 3 is a diagram illustrating an example of event occurrence data to which a polygon type is assigned. 29 is a diagram showing the results of calculating the proportion of polygon types (locations) where an event occurs using the event occurrence data of FIG. 28.
  • FIG. It is a figure showing an example of facility information.
  • FIG. 7 is a diagram illustrating an example of the results of determining which polygon the facility information falls into.
  • FIG. 3 is a diagram illustrating an example in which facility category information is added to event occurrence data.
  • FIG. 7 is a diagram illustrating an example of calculating occurrence rate information for each facility category for each event category.
  • 34 is a diagram illustrating an example of visualizing the processing result of FIG. 33.
  • FIG. 34 is a diagram illustrating an example of visualizing the processing result of FIG. 33.
  • FIG. 34 is a diagram illustrating an example of visualizing the processing result of FIG. 33.
  • FIG. 34 is a diagram illustrating an example of visualizing the processing result of FIG. 33.
  • the present invention is not limited to patrol, but can also be used for taxis, ride sharing, delivery, etc.
  • FIG. 1 is a block diagram showing the hardware configuration of a detection device 10 according to a first example of this embodiment.
  • the detection device 10 of the first embodiment acquires event occurrence data in which the point of occurrence of an event is recorded and road network data in which information on a road consisting of one or more sections is recorded, and each of the acquired data.
  • This is a device that detects and outputs locations where events frequently occur based on the content.
  • the event occurrence data may further include information on the date and time of occurrence of the event.
  • a general-purpose computer device such as a server computer or a personal computer (PC) can be applied to the detection device 10 according to the present embodiment.
  • the detection device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input section 15, a display section 16, and a communication interface. interface ( I/F) 17.
  • CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • storage 14 an input section 15, a display section 16, and a communication interface. interface ( I/F) 17.
  • I/F communication interface
  • the CPU 11 is a central processing unit that executes various programs and controls various parts. That is, the CPU 11 reads a program from the ROM 12 or the storage 14 and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 12 or the storage 14. In this embodiment, the ROM 12 or the storage 14 stores a detection program for detecting and outputting points where events frequently occur.
  • the ROM 12 stores various programs and various data.
  • the RAM 13 temporarily stores programs or data as a work area.
  • the storage 14 is constituted by a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs.
  • the display unit 16 is, for example, a liquid crystal display, and displays various information.
  • the display section 16 may adopt a touch panel method and function as the input section 15.
  • the communication interface 17 is an interface for communicating with other devices.
  • a wired communication standard such as Ethernet (registered trademark) or FDDI
  • a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
  • FIG. 2 is a block diagram showing an example of the functional configuration of the detection device 10.
  • the detection device 10 has an acquisition section 101, a distance calculation section 102, and an output section 103 as functional configurations.
  • Each functional configuration is realized by the CPU 11 reading a detection program stored in the ROM 12 or the storage 14, loading it into the RAM 13, and executing it.
  • the acquisition unit 101 acquires event occurrence data in which the point of occurrence of an event is recorded, and road network data in which information about a road consisting of one or more sections is recorded. Note that the event occurrence data may further record information on the date and time of occurrence of the event.
  • FIG. 3 is a diagram showing an example of event occurrence data.
  • the event occurrence data includes information such as an event ID, the latitude and longitude at which the event occurred, the date and time of receipt, the day of the week, the event category, and whether the event occurred indoors or outdoors. It is assumed that event occurrence data will be listened to and recorded over the telephone when a report is received, such as at a police command division. In particular, it is assumed that location information will be entered by clicking on a rough location on an electronic map with a mouse cursor when listening. Of course, a record of the location information obtained directly from the informant who visited the police box or police station may be kept.
  • the premise is that on days of the week, times of day, and locations where an event has occurred multiple times in the past, there is a tendency for the probability that the same event will occur in the future to be higher.
  • FIG. 4 is a diagram showing an example of road network data.
  • the road network data includes a road ID (information that identifies a road, and corresponds to National Highway No. X, Prefectural Road No. , longitude 1 (longitude of the start point of section ID), latitude 1 (latitude of the start point of section ID), longitude 2 (longitude of the end point of section ID), latitude 2 (latitude of the end point of section ID), width (in meters).
  • the distance calculation unit 102 calculates, for each road, the distance between the occurrence point of each event in the event occurrence data and each section obtained from the road network data. A distance calculation method by the distance calculation unit 102 will be explained.
  • FIG. 5 is a diagram showing a map that visualizes the road network data shown in FIG. 4. Using a map that visualizes road network data, we will explain a method for calculating the distance between the occurrence point of each event in the event occurrence data and each section obtained from the road network data.
  • the distance calculation unit 102 first draws a line segment from each past event occurrence data point to the start point and end point of the road section, and a line segment is created by these line segments and the line segment of the road section. Calculate the angle.
  • FIG. 6 is a diagram for explaining a method of calculating the distance between the point with event ID: 1001 and the section of the road with section ID: 2 of road ID: 1234.
  • Angle A is an angle formed by a line segment drawn from the point of event occurrence data of event ID: 1001 to the start point of section ID: 2 of road ID: 1234, and a line segment of section ID: 2.
  • Angle B is an angle formed by a line segment drawn from the point of event occurrence data of event ID: 1001 to the end point of section ID: 2 of road ID: 1234, and a line segment of section ID: 2. Since the coordinates of the three points forming each of angles A and B are known, these angles can be calculated from the inner product formula.
  • the distance calculation unit 102 calculates the shortest distance d between the coordinates of event ID: 1001 and section ID: 2. Since various methods have already been proposed for finding the shortest distance between a line segment and a point, the distance calculation unit 102 may select any one of the methods to calculate the distance d.
  • FIG. 7 is a diagram showing the results of visualizing the shortest distance d between section ID: 3 of road ID: 1234 and event ID: 1001.
  • the shortest distance to section ID: 2 is shorter, so the section ID:2 remains as a candidate for the road section closest to the point of event ID:1001.
  • FIG. 8 is a diagram showing the result of visualizing the relationship between section ID: 1 of road ID: 5678 and event ID: 1001. As shown in FIG. 8, in this case, one angle is 90 degrees or more, so the distance calculation unit 102 calculates the shortest distance between section ID: 1 of road ID: 5678 and event ID: 1001. is not calculated.
  • the distance calculation unit 102 calculates the shortest distance d between all road sections that satisfy the angle condition and the coordinates of the event, and calculates the section ID with the shortest distance d from among them, and the road ID. is specified, and information on the specified road ID and section ID is added to past event occurrence data.
  • FIG. 9 is a diagram showing a state in which the road ID, section ID, and distance with the shortest distance for each event are added to the event occurrence data as a result of distance calculation by the distance calculation unit 102.
  • the distance calculation unit 102 may limit the road network data for which the distance is to be calculated to road network data having coordinates within a certain distance from the point of the event occurrence data to be calculated. Further, the distance calculation unit 102 divides the road network data in advance into a lattice shape using a quadratic mesh of a map, etc., and selects the nearest road section by limiting it to the road network data of the area that includes the point of the event occurrence data to be calculated. You can ask for it. These limitations allow the detection device 10 to reduce distance calculation time.
  • the output unit 103 outputs the number of events for which the distance calculated by the distance calculation unit 102 is the shortest for each section. A method of outputting the number of events by the output unit 103 will be explained.
  • the output unit 103 counts the number of events associated in the event occurrence data of FIG. 9 for each section ID of the road ID.
  • FIG. 10 is a diagram showing the result of counting the number of events for each section ID of each road ID by the output unit 103.
  • the output unit 103 may output the table shown in FIG.
  • the output unit 103 outputs the number of events for which the distance calculated by the distance calculation unit 102 is the shortest for each section, thereby identifying a road section that should be given priority and attention because many events occur nearby. It can be output.
  • the output unit 103 may highlight the section ID of the corresponding road ID based on the counted number of events.
  • FIG. 11 is a diagram showing an example in which the output unit 103 highlights the section ID of the corresponding road ID based on the counted number of events.
  • past event data is also displayed together with roads so that the meaning of the processing can be understood, but in reality, individual occurrence points may not be displayed. This is because the amount of actual event occurrence data is enormous, and displaying individual event occurrence points would result in poor visibility.
  • the distance calculation unit 102 may use all the data recorded in the event occurrence data for the event to calculate the shortest distance to the road segment, or may use the data after filtering by the time of occurrence, event category, day of the week, etc. It may be processed with For example, if the indoor/outdoor column is given the condition "indoor", the deterrent effect may be low even if the patrol is carried out, so the distance calculation unit 102 determines that the indoor/outdoor column is given the "indoor” condition. The distance may be calculated by excluding events that occur.
  • the distance calculation unit 102 filters according to the event category and then calculates the section of road that has the shortest distance. You can ask for it.
  • the distance calculation unit 102 filters out shoplifting and only applies to events other than shoplifting. You can perform the process using
  • the output unit 103 may add the width of the road to the distance calculated by the distance calculation unit 102, and then determine whether the distance exceeds a predetermined threshold. good.
  • the detection device 10 may use information on boundary lines between roads and sidewalks, roads and buildings, etc. in the map data.
  • the output unit 103 further lists and ranks the distances between the event occurrence point and each road section in descending order of distance, assigns points according to the ranking, and highlights the road sections based on the score calculation results. You can. For example, the output unit 103 sets points as 3 points, 2 points, and 1 point for the first to third places in order of distance, calculates the score of each road section, and assigns a section based on the calculation result. may be highlighted. In this case, the output unit 103 may perform display such as changing the thickness of the section or changing the color of the section depending on the score, for example.
  • the output unit 103 may solve a so-called traveling salesman problem to find the shortest route that passes through all of the highlighted road sections, and present the route. By patrolling according to the route output by the output unit 103, effective patrolling becomes possible.
  • the traveling salesman problem is an NP-hard problem, as the scale increases, it is difficult to obtain an exact solution, and a local solution must be found using a greedy method or a local search method.
  • the present disclosure can also be used for calls for services such as taxis, deliveries, etc. to call vehicles by telephone.
  • the present disclosure can also be used to meet the demand for services that do not involve calling a vehicle, such as obtaining location information by means other than the telephone, such as delivery and presentation of information according to location.
  • location information for example, location information issued by a mobile information terminal used by the user may be used. For example, if you use data on points where users have called in the past and use the method described above to find out which roads are closest to the points where those calls were made, you can improve the efficiency of service operation. We can hope that this can be achieved.
  • the results of the techniques described above may be used in optimization problems such as the traveling salesman problem described above.
  • the detection device 10 may combine a method of detecting hot spots where events occur frequently using kernel density estimation and a method of detecting hot spots as road sections. For example, by detecting only events that are considered to occur on the road as road section hotspots, the detection device 10 makes it easier to understand what should be noted when patrolling road section hotspots, and makes it easier to carry out the patrol. It becomes easier.
  • FIG. 12 is a flowchart showing the flow of detection processing by the detection device 10. The detection process is performed by the CPU 11 reading the detection program from the ROM 12 or the storage 14, expanding it to the RAM 13, and executing it.
  • step S101 the CPU 11 acquires event occurrence data in which the point of occurrence of the event is recorded, and road network data in which information about a road consisting of one or more sections is recorded.
  • step S102 the CPU 11 calculates the distance between the occurrence point of each event in the event occurrence data and each section in the road network data for each road.
  • the distance calculation method in step S102 is the same as the distance calculation method by the distance calculation unit 102 described above.
  • step S102 the CPU 11 outputs the number of events for which the calculated distance is the shortest for each section in step S103.
  • the method of outputting the number of events for which the calculated distance is the shortest in step S103 is the same as the method of outputting by the output unit 103 described above.
  • the detection device 10 of the present embodiment it is possible to detect a road section that should be given priority attention because many events occur nearby.
  • the detection device 10 of the second embodiment acquires event occurrence data with coordinates in which the event occurrence point is recorded, and polygon map data that can identify locations such as buildings, parks, roads, etc., and This device determines whether an event occurrence point is included in a polygon of a location that can be used for spot detection, and outputs the determination result.
  • FIG. 13 is a diagram showing an example of event occurrence data.
  • the event occurrence data includes an event ID, the latitude and longitude at which the event occurred, the date and time of receipt, the day of the week, the event category, and the like. It is assumed that this event occurrence data will be listened to and recorded over the telephone when a report is received, such as at a police command division. Of course, event occurrence data may also be recorded by interviewing a caller who visits a police box or police station in person. In particular, position information may be input by the person recording the event occurrence data plotting the rough position on the electronic map with a mouse cursor when hearing from the informant.
  • FIG. 14 is a diagram showing an example of a map for recording event occurrence data.
  • FIG. 15 is a diagram showing the results of plotting the positions of the event occurrence data shown in FIG. 13. Although they are omitted from the electronic maps in Figures 14 and 15 because they reduce visibility, actual electronic maps include building addresses or names, and the person recording the event occurrence data is informed by the informer. It is possible to identify a location that matches the address or building name confirmed over the phone.
  • Polygon map data is data in which areas such as roads, various buildings, parks, planting areas, parking lots, etc. are stored as polygon data.
  • FIG. 16 is a diagram showing an example of polygon map data stored as polygon data. Each polygon in the polygon map data is assigned a polygon ID and a polygon type. Each vertex forming a polygon has latitude and longitude coordinates, and if the latitude and longitude are connected in the order of the vertex ID of the same polygon ID, and finally the first vertex ID is connected, the polygon is formed.
  • the acquisition unit 101 acquires event occurrence data with coordinates and polygon map data that can identify locations such as buildings, parks, roads, etc.
  • the event occurrence data with coordinates is data as shown in FIG. 13, for example.
  • the output unit 103 extracts event occurrence data with coordinates, for example, for each event category, and determines which polygon of the polygon map data each coordinate of the event occurrence data falls inside. Further, the event occurrence data with coordinates may further record information on the date and time of occurrence of the event. If the coordinate-attached event occurrence data records information on the event occurrence date and time, the output unit 103 extracts the coordinate-attached event occurrence data for a certain period of time (for example, for the past year), for example, for each event category. , it may be determined which polygon of the polygon map data each coordinate of the event occurrence data falls inside. Note that in the second embodiment, the distance calculation unit 102 shown in the first embodiment is not an essential component.
  • One of the simplest methods is to rasterize polygon data to create bitmap data, fill the inside with a specific color, and change the coordinates of past events to the coordinates on the bitmap data at the same ratio as the polygon data. This method determines whether the coordinates are filled with a specific color when converted.
  • the output unit 103 may determine the priority order of the layers and determine that the layer is located inside the layer with the higher priority order. For example, if the priority order is determined in the order of building and planting area, if the output unit 103 determines that the area is inside the polygon of both the building and the planting area, the output unit 103 determines that the area is inside the polygon of the building. You may judge.
  • FIG. 17 is a diagram showing an example of polygon types used for hot spot detection.
  • buildings and parks are polygon types used for hot spot detection.
  • FIG. 18 is a diagram illustrating an example of assigning hot spot IDs to polygon map data.
  • event IDs 1001, 1002, and 1007 are inside polygon ID: 111. Therefore, the output unit 103 assigns a hotspot ID of P111 to events having event IDs of 1001, 1002, and 1007.
  • the letter P is added to the beginning of the hotspot ID, but it goes without saying that the letter or symbol added to the beginning of the hotspot ID is not limited to P. Letters or symbols may be added.
  • the output unit 103 assigns a unique ID consisting only of numbers and no characters or symbols at the beginning to each event of the event occurrence data that was inside a road polygon or the like.
  • FIG. 19 is a diagram showing an example of visualization of hot spot detection results.
  • a shopping mall, a park, some buildings in a bar district, and two locations on a road are detected as hot spots.
  • the two locations on the road with hot spot IDs 10000 and 10001 are hot spots detected by the output unit 103 through kernel density estimation, and the circles around the hot spots represent the bandwidth of kernel density estimation.
  • the exact area of the hot spot is the area inside the boundary of the overlapping circles where the integration of the Gaussian distribution is a certain value or more.
  • FIG. 20 is a diagram showing an example of a precise area of a hot spot.
  • the areas indicated by dotted lines with hotspot IDs 10000 and 10001 are exact areas of the hotspot.
  • FIG. 21 is a diagram showing the results of the hot spot calculation visualized in FIG. 19, in which the hot spot ID is added to the event occurrence data shown in FIG. 13.
  • FIG. 22 is a flowchart showing the flow of detection processing by the detection device 10. The detection process is performed by the CPU 11 reading the detection program from the ROM 12 or the storage 14, expanding it to the RAM 13, and executing it.
  • step S111 the CPU 11 obtains event occurrence data in which the point of occurrence of the event is recorded, and polygon map data that can identify locations such as buildings, parks, roads, etc.
  • step S112 the CPU 11 determines which polygon in the polygon map data each event in the event occurrence data has occurred within. Specifically, the CPU 11 determines whether the coordinates of each event in the event occurrence data are included inside a polygon in the polygon map data.
  • the CPU 11 outputs the determination result in step S112 in step S113.
  • the CPU 11 may output it in a visualized state by superimposing it on the polygon map data as shown in FIG. It may be output with columns added.
  • kernel density estimation which is most commonly used in hotspot detection, requires a fixed value for the bandwidth (range affected by each sample).
  • the range of the hotspot changes depending on the value of this bandwidth. If this value is large, for example, there is a high possibility that a hot spot in a large park or a large building can be appropriately detected from past event occurrence data.
  • places where small buildings are densely packed, such as in a bar district there are only a few shops (buildings) that often receive complaints or crime reports (in fact, they often show such a tendency). , hotspots are vaguely detected across multiple buildings, making it impossible to determine which buildings should be noted.
  • FIG. 23 is a diagram showing an example in which a hot spot is ambiguously detected.
  • a circle is drawn around the position of each event. This circle represents the bandwidth based on a certain fixed value.
  • the bandwidth for events on the road is omitted because visibility becomes poor.
  • kernel density estimation after overlaying Gaussian distributions etc. that follow this shape, a region where the density exceeds a certain threshold is defined as a hot spot. In other words, the area inside the overlapping circles becomes a hot spot.
  • FIG. 24 is a diagram illustrating an example of a hot spot detection area based on kernel density estimation. If the bandwidth is increased in this way, in the area on the lower left where small buildings are clustered, buildings where no event has occurred will also be detected as hot spots.
  • FIGS. 25 and 26 are diagrams showing an example of a case where no hot spot is detected.
  • the circles for individual events representing the bandwidth do not overlap in the shopping mall in the upper left and the park in the upper right, so these locations cannot be detected as hot spots.
  • the detection device 10 can determine the future probability of occurrence of each detected hot spot using information on the occurrence time of past event data.
  • the simplest predictive model is that the probability of occurrence at this hotspot follows a Poisson distribution.
  • PAI Prediction Accuracy Index
  • the locations where an event is expected to occur are detected in a more limited manner, and the score becomes higher if the prediction is correct.
  • the area of the entire target area of the above formula (1) is the area of the entire map in FIG. 19, and the area of the place where the event is expected to occur is the hotspot ID: P111, The total area of P112, P201, P205, P210, 10000, 10001, the total number of events in the target area, the number of events that actually occurred on the entire map in Figure 19 during the evaluation period, and the events in the locations where the events are expected to occur.
  • the number may be calculated as the number of events that occurred within the hotspot out of the number of events that actually occurred.
  • kernel density estimation was used to detect hotspots of event data that was determined to be inside a polygon of a polygon type other than the polygon type used for hotspot detection, as shown in Figure 17. Disclosure is not limited to such examples. Below, an example will be described in which hot spot detection of event data determined to be inside a polygon of a polygon type other than the polygon type used for hot spot detection is calculated at a higher speed.
  • FIG. 27 is a flowchart showing the flow of detection processing by the detection device 10. The detection process is performed by the CPU 11 reading the detection program from the ROM 12 or the storage 14, expanding it to the RAM 13, and executing it.
  • the detection device 10 first prepares an array (cluster array) for storing a plurality of clusters.
  • One cluster is a set of a plurality of past event data
  • the cluster arrangement is an arrangement of the plurality of past event data sets. Initially, the number of elements in the cluster array is 0.
  • step S201 the CPU 11 sorts only the event data determined to be inside a polygon of a polygon type that is not the polygon type used for hot spot detection in descending order of receipt date and time t.
  • the CPU 11 scans the data starting from the oldest reception date and time t, and in step S202 calculates which cluster in the array of clusters the coordinates of each event data are closest to. Information on the center of gravity of each cluster may be used for this determination.
  • the center of gravity of each cluster is the average of the coordinates of past event data included in that cluster.
  • step S202 the CPU 11 determines whether the distance to the nearest cluster is less than a threshold value in step S203.
  • step S203 if it is less than the threshold (step S203; Yes), the CPU 11 adds the event data to the cluster in step S204.
  • step S203 determines whether the result of the determination in step S203 is that it is not less than the threshold (step S203; No). If the result of the determination in step S203 is that it is not less than the threshold (step S203; No), the CPU 11 creates a new cluster containing only the event data in step S205, and adds it to the cluster array.
  • step S204 or step S205 the CPU 11 determines whether scanning of all event data has been completed in step S206.
  • step S206 if scanning of all event data is not completed (step S206; No), the CPU 11 advances the reception date and time t to the next reception date and time in step S207, and proceeds to the process of step S202. return.
  • step S206 if scanning of all event data has been completed (step S206; Yes), a cluster consisting of a set of multiple events or a cluster consisting of only one event is determined in the cluster arrangement. will be stored in.
  • step S208 the CPU 11 finally excludes the cluster consisting of one event, and the remaining individual clusters are events that are determined to be inside a polygon of a polygon type other than the polygon type used for hot spot detection. Make it a data hotspot.
  • the area of the hot spot obtained in this way may be a rectangle using the minimum latitude and longitude and the maximum latitude and longitude of the coordinates of event data belonging to the cluster. Note that if there is data with exactly the same reception date and time, the CPU 11 may repeat the processing from step S202 to step S205 for the number of data pieces.
  • the detection device 10 detects hot spots based on polygons for buildings and parks, and detects hot spots for roads using another method, but the present disclosure does not apply to such an example. Not limited.
  • the detection device 10 may detect hot spots on the road based on polygons.
  • a road polygon having an area of a certain size or more is divided in advance into units such as intersections, and the detection device 10 detects hot spots on the road using the method of this embodiment. If we can successfully divide polygons, we can expect to be able to detect hotspots in a narrower area than when we use kernel density estimation to detect hotspots on roads.
  • a polygon having an area of a certain amount or more is divided into a plurality of polygons in advance, and the detection device 10 detects hot spots on the road by the method of this embodiment. good.
  • the detection device 10 uses the method shown in this embodiment on the divided polygons. Also good. Thereby, the detection device 10 can be expected to be able to detect smaller hot spots instead of one large hot spot.
  • the detection device 10 does not detect a polygon as one hot spot, but detects a hot spot using kernel density estimation or the like for only event data within one polygon. You can. Thereby, the detection device 10 can be expected to be able to detect a more appropriate hot spot when the occurrence of an event is concentrated in a part of the polygon.
  • the detection device 10 may detect hot spots using kernel density estimation or the like on event data inside the polygon only for polygons having an area of a certain size or more.
  • the detection device 10 can be used to detect polygons whose area is less than a certain threshold value for the entire polygon, and for polygons whose area exceeds the threshold value, it can be used to narrow down the area to be detected. We can expect that this will become possible.
  • a large commercial facility may contain multiple stores, and a park may consist of a baseball field, playground equipment, sandbox, etc. .
  • the detection device 10 may divide the entire polygon into smaller shapes or use only the information on the inside polygons. Therefore, hot spots may be detected by applying the method of this embodiment or kernel density estimation. By dividing the entire polygon into smaller shapes or using only the information on the inner polygons, the detection device 10 is expected to be able to detect even finer hot spots than when using the entire polygon as is. .
  • the detection device 10 may detect hot spots by kernel density estimation with a variable bandwidth depending on the size of the polygon to which the occurrence point belongs. Thereby, the detection device 10 can prevent a situation where a hot spot is ambiguously detected as shown in FIG. 23 or a situation where a hot spot is not detected as shown in FIGS. 25 and 26.
  • An example of how to determine the bandwidth is to set a relatively large bandwidth for occurrence points that are within a polygon with a large area that exceeds a predetermined threshold, and set a relatively large bandwidth for occurrence points that are within a polygon that has a small area that is less than or equal to a predetermined threshold.
  • a possible method is to set a smaller bandwidth for the occurrence point than the bandwidth set for the occurrence point within a polygon with a large area. Further, the detection device 10 may determine the bandwidth so as to be proportional to the area of the polygon, or may determine the bandwidth by nonlinearly converting the area of the polygon using a sigmoid function or the like.
  • the detection device 10 of the third embodiment acquires event occurrence data with coordinates in which the point of occurrence of the event is recorded, and polygon map data that can identify locations such as buildings, parks, roads, etc. This device determines whether an event occurrence point is included in a polygon of a location that can be used for hot spot detection in polygon map data, and outputs the determination result.
  • the detection device 10 calculates the event occurrence rate in the location or facility category for each event category.
  • the detection device 10 calculates the event occurrence rate in a location or facility category for each event category, thereby making patrol activities more efficient.
  • the acquisition unit 101 acquires event occurrence data with coordinates and polygon map data that can identify locations such as buildings, parks, roads, etc.
  • the event occurrence data with coordinates is data as shown in FIG. 13, for example.
  • the output unit 103 calculates the event occurrence rate in the location or facility category for each event category based on the data acquired by the acquisition unit 101, and outputs the calculation result.
  • the output unit 103 extracts event occurrence data with coordinates, for example, for each event category, and determines which polygon of the polygon map data each coordinate of the event occurrence data falls inside. . Further, the event occurrence data with coordinates may further record information on the date and time of occurrence of the event. If the coordinate-attached event occurrence data records information on the event occurrence date and time, the output unit 103 extracts the coordinate-attached event occurrence data for a certain period of time (for example, for the past year), for example, for each event category. , it may be determined which polygon of the polygon map data each coordinate of the event occurrence data falls inside. The output unit 103 then adds the polygon type of the determined polygon to the event occurrence data.
  • FIG. 28 is a diagram illustrating an example of event occurrence data to which a polygon type is assigned.
  • FIG. 29 is a diagram showing the results of calculating the proportion of polygon types (locations) where events occur using the event occurrence data of FIG. 28.
  • FIG. 29 it can be seen that only "fights" occur in two polygon types (locations): buildings and roads. From this, it can be seen that when performing patrol activities for a certain event category, patrolling can be carried out efficiently by focusing on the type or proportion of the revealed occurrence locations.
  • the output unit 103 uses the facility category information and the facility information with coordinates to extract in what facility category the event that occurs in the building occurs.
  • FIG. 30 is a diagram showing an example of facility information.
  • the facility information is data created in advance by the user.
  • the output unit 103 uses the facility information to determine which polygon each facility is located inside.
  • FIG. 31 is a diagram showing an example of the result of determining which polygon the facility information falls into.
  • the output unit 103 adds facility category information to the event occurrence data contained in the same polygon.
  • FIG. 32 is a diagram showing an example in which facility category information is added to event occurrence data.
  • FIG. 33 is a diagram showing an example of calculating occurrence rate information for each facility category for each event category.
  • the output unit 103 By calculating the output unit 103 in this way, when carrying out patrol activities for a certain event category, it is possible to calculate not only the type and proportion of the occurrence location that has been clarified previously, but also the occurrence location for each facility category for buildings. By referring to the ratio information, patrols can be carried out more efficiently. For example, in the example shown in FIG. 33, the facility category with the highest incidence of shoplifting is convenience stores, so if convenience stores are concentrated on vigilance, the possibility of preventing the occurrence of incidents increases.
  • FIGS. 34 to 36 are diagrams showing examples of visualizing the processing results of FIG. 33.
  • the output unit 103 outputs visualized processing results as shown in FIGS. 34 to 36, for example. Those conducting patrol activities should check the visualization results in advance before conducting patrols.
  • FIG. 36 is an example in which the number of incidents of shoplifting by facility category is visualized as is, instead of the column for the facility category ratio of shoplifting in FIG. 33. In this way, the output unit 103 may visualize the number of occurrences by facility category as is, without calculating the percentage.
  • the detection device 10 may combine the processing shown in the first embodiment and the processing shown in the second embodiment. That is, the detection device 10 may combine the road section hot spot detection method of the first embodiment with the polygon-based hot spot detection method of the second embodiment. For example, the detection device 10 may detect hot spots for buildings and parks using the process shown in the second embodiment, and may detect hot spots for roads using the process shown in the first embodiment. As a result, the detection device 10 can understand that the hot spot in the road section requires attention on the road, which may make it easier to carry out patrols.
  • the detection device 10 may combine the processing shown in the second embodiment and the processing shown in the third embodiment. That is, the detection device 10 applies the method of calculating the event occurrence rate for each location or facility category of the third embodiment in addition to the polygon-based hot spot detection method of the second embodiment. You can.
  • the detection device 10 can output locations to be patrolled intensively by detecting hot spots and calculating the event occurrence rate.
  • the effects described in the above embodiments are explanatory or exemplary, and are not limited to those described in the above embodiments.
  • the technology according to the present disclosure can be obtained from the descriptions in the above embodiments together with the effects described in the above embodiments, or in place of the effects described in the above embodiments, and has common knowledge in the technical field of the present disclosure. It may have other effects that are obvious to those who are interested in it.
  • the detection processing executed by the CPU reading the software (program) in each of the above embodiments may be executed by various processors other than the CPU.
  • the processor in this case is a PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing, such as an FPGA (Field-Programmable Gate Array), and an ASIC (Application Specific Intel).
  • FPGA Field-Programmable Gate Array
  • ASIC Application Specific Intel
  • An example is a dedicated electric circuit that is a processor having a specially designed circuit configuration.
  • the detection process may be executed by one of these various processors, or by a combination of two or more processors of the same or different types (for example, a combination of multiple FPGAs, a CPU and an FPGA, etc.). ) can also be executed.
  • the hardware structure of these various processors is, more specifically, an electric circuit that is a combination of circuit elements such as semiconductor elements.
  • the detection program is stored (installed) in the storage 14 in advance, but the present invention is not limited to this.
  • the program can be installed on CD-ROM (Compact Disk Read Only Memory), DVD-ROM (Digital Versatile Disk Read Only Memory), and USB (Universal Serial Bus) stored in a non-transitory storage medium such as memory It may be provided in the form of Further, the program may be downloaded from an external device via a network.
  • the processor includes: Obtaining event occurrence data in which the point of occurrence of the event is recorded and road network data in which information on a road consisting of one or more sections is recorded, Calculating the distance between the occurrence point of the event and each of the sections for each road,
  • a detection device configured to output the number of events for which the distance calculated for each section is the shortest.
  • a non-transitory storage medium storing a program executable by a computer to perform a detection process,
  • the detection process includes: Obtaining event occurrence data in which the point of occurrence of the event is recorded and road network data in which information on a road consisting of one or more sections is recorded, Calculating the distance between the occurrence point of the event and each of the sections for each road,
  • a non-temporary storage medium that executes a process of outputting the number of events for which the distance calculated for each section is the shortest.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

検出装置１０は、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得する取得部１０１と、事象の発生地点と、各区間との距離を道路毎に算出する距離算出部１０２と、区間毎に距離算出部が算出した距離が最短となる事象の数を出力する出力部１０３と、を備える。

Description

検出装置、検出方法、及び検出プログラム
　開示の技術は、検出装置、検出方法、及び検出プログラムに関する。
　非特許文献１で開示されているように、警察事象が頻繁に発生するホットスポットを算出する研究がある。
野　貴泰, 糸井川　栄一, "犯罪多発地点の集中パトロールにおける犯罪抑止効果の評価実験"， 地域安全学会論文集, No.37, pp.239-248, 2020.
　事象が発生したことの通知を受けてから、事象の発生地点までの移動時間を短縮することも有効である。しかし、事象が警察事象である場合は、事象が発生しているエリアに予め注目し、注目したエリアに対して例えばパトロール等の行動を取ることで、事象の発生そのものを抑止できるほうが望ましい。事象が警察事象ではない場合も同様に、事象が発生しているエリアに予め注目することで、事象が発生したことの通知を受けてから、事象の発生地点までの移動時間の短縮に繋げることが可能となる。
　上記の非特許文献１では、カーネル密度推定を利用して、事象が発生した地点を基準にホットスポットを算出している。一方で、注目したエリアに対して道路に沿って行動する場合、カーネル密度推定により特定されたホットスポットの情報からは、注目すべき道路の区間を直接明確化することができない。
　開示の技術は、上記の点に鑑みてなされたものであり、優先的に注目すべき道路の区間を検出できる検出装置、検出方法、及び検出プログラムを提供することを目的とする。
　本開示の第１態様は、検出装置であって、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得する取得部と、前記事象の発生地点と、各前記区間との距離を前記道路毎に算出する距離算出部と、前記区間毎に前記距離算出部が算出した距離が最短となる事象の数を出力する出力部と、を備える。
　本開示の第２態様は、検出方法であって、プロセッサが、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得し、前記事象の発生地点と、各前記区間との距離を前記道路毎に算出し、前記区間毎に算出した距離が最短となる事象の数を出力する処理を実行する。
　本開示の第３態様は、検出プログラムであって、第１態様の検出装置としてコンピュータを機能させる。
　開示の技術によれば、近隣で事象が多く発生しているために優先的に注目すべき道路の区間を検出できる検出装置、検出方法、及び検出プログラムを提供することができる。
開示の技術の実施形態の検出装置のハードウェア構成を示すブロック図である。 検出装置の機能構成の例を示すブロック図である。 事象発生データの一例を示す図である。 道路ネットワークデータの一例を示す図である。 道路ネットワークデータを可視化した地図を示す図である。 事象ＩＤ：１００１の点と、区間ＩＤ：２である道路の区間との距離の算出方法を説明するための図である。 道路ＩＤ：１２３４の区間ＩＤ：３と事象ＩＤ：１００１との最短距離ｄを可視化した結果を示す図である。 道路ＩＤ：５６７８の区間ＩＤ：１と事象ＩＤ：１００１との関係を可視化した結果を示す図である。 各事象について距離が最も短い道路ＩＤ、区間ＩＤ及び距離が事象発生データに追加された状態を示す図である。 出力部が各道路ＩＤの区間ＩＤ毎の事象数をカウントした結果を示す図である。 出力部が、カウントした事象数に基づき、対応する道路ＩＤの区間ＩＤを強調表示する例を示す図である。 検出装置による検出処理の流れを示すフローチャートである。 事象発生データの一例を示す図である。 事象発生データを記録するための地図の一例を示す図である。 図１３に示した事象発生データの位置をプロットした結果を表す図である。 ポリゴンデータとして格納されたポリゴン地図データの一例を示す図である。 ホットスポットの検出に使用するポリゴンタイプの一例を示す図である。 ポリゴン地図データにおけるホットスポットＩＤの付与の一例を説明する図である。 ホットスポットの検出結果を可視化した一例を示す図である。 ホットスポットの厳密な領域の一例を示す図である。 図１９で可視化したホットスポット計算の結果を示した図である。 検出装置による検出処理の流れを示すフローチャートである。 ホットスポットが曖昧に検出されてしまう一例を示す図である。 カーネル密度推定によるホットスポットの検出領域の一例を示す図である。 ホットスポットが検出されない場合の一例を示す図である。 ホットスポットが検出されない場合の一例を示す図である。 検出装置による検出処理の流れを示すフローチャートである。 ポリゴンタイプが付与された事象発生データの一例を示す図である。 図２８の事象発生データを用いて、事象が発生するポリゴンタイプ（場所）の割合を算出した結果を示す図である。 施設情報の一例を示す図である。 施設情報がどのポリゴンに入っていたかを判定した結果の一例を示す図である。 事象発生データに施設カテゴリの情報が付与された一例を示す図である。 事象カテゴリ別に施設カテゴリ別の発生割合の情報を算出した一例を示す図である。 図３３の処理結果を可視化した例を示す図である。 図３３の処理結果を可視化した例を示す図である。 図３３の処理結果を可視化した例を示す図である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　なお以下の各実施形態はパトロールの事例で説明するが、パトロールに限らず、タクシー、ライドシェア、デリバリー等にも用いることができる。
（第１実施例）
　図１は、本実施形態の第１実施例の検出装置１０のハードウェア構成を示すブロック図である。第１実施例の検出装置１０は、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得し、取得した各データの内容に基づいて、事象が頻繁に発生している地点を検出して出力する装置である。事象発生データには、さらに、事象の発生日時の情報が記録されていてもよい。
　なお、本実施形態に係る検出装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用されうる。
　図１に示すように、検出装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、事象が頻繁に発生している地点を検出して出力するための検出プログラムが格納されている。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
　表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
　通信インタフェース１７は、他の機器と通信するためのインタフェースである。当該通信には、たとえば、イーサネット（登録商標）若しくはＦＤＤＩ等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
　次に、検出装置１０の機能構成について説明する。
　図２は、検出装置１０の機能構成の例を示すブロック図である。
　図２に示すように、検出装置１０は、機能構成として、取得部１０１、距離算出部１０２、及び出力部１０３を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された検出プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
　取得部１０１は、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得する。なお、事象発生データには、さらに、事象の発生日時の情報が記録されていてもよい。
　図３は、事象発生データの一例を示す図である。本実施形態では、事象発生データは、事象ＩＤ、事象が発生した緯度、経度、受理日時、曜日、事象カテゴリ、屋内／屋外のどちらで発生したかの情報を含む。事象発生データは、警察の司令課等で、通報を受けた時に電話越しに聴取し、記録されることを想定している。特に位置情報に関しては、聴取した際に電子地図上の大まかな位置をマウスカーソルでクリックすることで入力されることを想定する。もちろん、交番又は警察署に直接訪れた通報者から直接聴取した位置情報の記録が残されてもよい。
　前提として、過去に事象が複数回発生した曜日、時間帯、場所では、未来でも同じように事象が発生する確率が高くなる傾向があるものとする。
　図４は、道路ネットワークデータの一例を示す図である。本実施形態では、道路ネットワークデータは、道路ＩＤ（道路を識別する情報であり、国道Ｘ号、県道Ｘ号等に対応）、区間ＩＤ（何らかの道路ＩＤを構成する一つ以上の区間のＩＤ）、経度１（区間ＩＤの開始点の経度）、緯度１（区間ＩＤの開始点の緯度）、経度２（区間ＩＤの終了点の経度）、緯度２（区間ＩＤの終了点の緯度）、幅員（メートル単位）からなるデータである。
　距離算出部１０２は、事象発生データの各事象の発生地点と、道路ネットワークデータから得られる各区間との距離を道路毎に算出する。距離算出部１０２による距離の算出手法を説明する。
　図５は、図４に示した道路ネットワークデータを可視化した地図を示す図である。道路ネットワークデータを可視化した地図を用いて、事象発生データの各事象の発生地点と、道路ネットワークデータから得られる各区間との距離の算出手法を説明する。
　距離算出部１０２は、まず、過去の各々の事象発生データの点から道路の区間の開始点と終了点のそれぞれに線分を引き、それらの線分と道路の区間の線分とで作られる角度を算出する。図６は、事象ＩＤ：１００１の点と、道路ＩＤ：１２３４の区間ＩＤ：２である道路の区間との距離の算出方法を説明するための図である。角Ａは、事象ＩＤ：１００１の事象発生データの点から道路ＩＤ：１２３４の区間ＩＤ：２の開始点に引いた線分と、区間ＩＤ：２の線分で作られた角度である。角Ｂは、事象ＩＤ：１００１の事象発生データの点から道路ＩＤ：１２３４の区間ＩＤ：２の終了点に引いた線分と、区間ＩＤ：２の線分で作られた角度である。これらの角度は、角Ａ及び角Ｂそれぞれを形成する３点の座標が既知であるため、内積の公式から算出できる。
　角Ａ及び角Ｂの角度が共に９０度未満であれば、距離算出部１０２は、事象ＩＤ：１００１の座標と区間ＩＤ：２との最短距離ｄを求める。線分と点の最短距離を求める方法としては、様々な方法が既に提案されているので、距離算出部１０２は、いずれかの方法を選択して距離ｄを算出すればよい。
　図７は、道路ＩＤ：１２３４の区間ＩＤ：３と事象ＩＤ：１００１との最短距離ｄを可視化した結果を示す図である。区間ＩＤ：２と事象ＩＤ：１００１との最短距離ｄと、区間ＩＤ：３と事象ＩＤ：１００１との最短距離ｄとを比較した結果、区間ＩＤ：２との最短距離のほうが短いため、区間ＩＤ：２のほうが、事象ＩＤ：１００１の点に最も近い距離にある道路の区間となる候補として残る。
　図８は、道路ＩＤ：５６７８の区間ＩＤ：１と事象ＩＤ：１００１との関係を可視化した結果を示す図である。図８に示したように、この場合は片方の角度が９０度以上となってしまうため、距離算出部１０２は、道路ＩＤ：５６７８の区間ＩＤ：１と事象ＩＤ：１００１との間の最短距離の計算は行わない。
　距離算出部１０２は、このようにして、角度の条件を満たす全ての道路の区間と事象の座標との最短距離ｄを求め、その中から最短距離ｄが最も短い区間ＩＤと、その道路ＩＤとを特定し、特定した道路ＩＤ及び区間ＩＤの情報を過去の事象発生データに付与していく。
　図９は、距離算出部１０２による距離の算出の結果、各事象について距離が最も短い道路ＩＤ、区間ＩＤ及び距離が事象発生データに追加された状態を示す図である。
　なお距離算出部１０２は、距離を求める対象とする道路ネットワークデータを、計算対象の事象発生データの点から一定の距離以内の座標を有する道路ネットワークデータに限定しても良い。また距離算出部１０２は、道路ネットワークデータを予め地図の４次メッシュ等で格子状に区切り、計算対象の事象発生データの点が含まれる地域の道路ネットワークデータに限定して一番近い道路区間を求めても良い。これらの限定により、検出装置１０は、距離の計算時間を削減できる。
　出力部１０３は、区間毎に距離算出部１０２が算出した距離が最短となる事象の数を出力する。出力部１０３による事象の数の出力方法について説明する。
　出力部１０３は、道路ＩＤの区間ＩＤ毎に、図９の事象発生データにおいて対応づけられた事象数をカウントする。図１０は、出力部１０３が各道路ＩＤの区間ＩＤ毎の事象数をカウントした結果を示す図である。出力部１０３は、図１０で示した表を出力してもよい。出力部１０３は、区間毎に距離算出部１０２が算出した距離が最短となる事象の数を出力することで、近隣で事象が多く発生しているために優先して注目すべき道路の区間を出力することができる。
　また、出力部１０３は、カウントした事象数に基づき、対応する道路ＩＤの区間ＩＤを強調表示してもよい。図１１は、出力部１０３が、カウントした事象数に基づき、対応する道路ＩＤの区間ＩＤを強調表示する例を示す図である。図１１では、処理の意味が分かるよう、過去の事象データも道路と一緒に表示しているが、実際には、個々の発生地点は非表示としてもよい。実際の事象発生データのデータ量は膨大で、個々の事象発生地点を表示すると視認性が悪くなるためである。
　距離算出部１０２は、道路の区分との最短距離を計算する事象について、事象発生データに記録された全てのデータを活用してもよいし、発生時間帯、事象カテゴリ、曜日等でフィルタリングした上で処理してもよい。例えば、屋内／屋外のカラムで屋内という条件が付与されていれば、パトロールしたとしても抑止効果が低い可能性があるため、距離算出部１０２は、屋内／屋外のカラムで屋内という条件が付与された事象は除外して距離を計算してもよい。
　また、事象カテゴリの種類によっても、パトロールによる高い抑止効果が期待できるものとできないものがあると考えられるため、距離算出部１０２は、事象カテゴリによってフィルタリングした上で、最短距離となる道路の区間を求めてもよい。図３に示した事象発生データの例であれば、万引きはパトロールしただけでは抑止効果がそれほど期待できないと考えられるなら、距離算出部１０２は、万引きをフィルタリングして除外し、万引き以外の事象だけで処理を実施すればよい。
　事象毎に最短距離にある道路の区間が特定されたとしても、距離が一定以上であれば、当該区間をパトロールしても抑止効果は低いと考え、その事象を除外した上で区間毎の事象数を求めてもよい。例えば図９での距離のカラムを例に取ると、５ｍ以上離れている場合には最短距離にある道路をパトロールしても効果は低いと考えられるなら、出力部１０３は、５ｍ以上となっているものを除外した上で、強調すべき道路の区間を求めればよい。さらに、道路の幅員も影響してくるようであれば、出力部１０３は、距離算出部１０２が算出した距離に道路の幅員を加算した上で、所定の閾値を超えるかどうかを判定してもよい。
　なお、本実施形態では道路ネットワークデータを用いたが、本開示は係る例に限定されない。検出装置１０は、地図データにおける道路と歩道、道路とビル等との区分の境界線の情報を用いてもよい。
　出力部１０３は、さらに、事象発生点と、各道路の区間との距離について近い順に列挙して順位付けし、順位に応じて点数を付け、点数の計算結果に基づき道路の区間を強調表示してもよい。出力部１０３は、例えば、距離の近い順の１位～３位について点数を順に３点、２点、１点と設定し、各道路の区間の点数を計算し、その計算結果に基づいて区間を強調表示してもよい。この場合、出力部１０３は、例えば点数に応じて区間の太さを変更したり、区間の色を変えたりする等の表示を行ってもよい。
　出力部１０３は、強調表示される複数の道路区間をすべて通過する最短経路を求めるいわゆる巡回セールスマン問題を解き、その道順を提示してもよい。出力部１０３が出力した道順に従ってパトロールすることで、効果的なパトロールが可能となる。ただし、巡回セールスマン問題はＮＰ困難問題であるため、規模が大きくなると、厳密解を得ることは難しく、貪欲法又は局所探索法で局所解を求めることになる。
　ここまではパトロールを例に挙げて説明したが、本開示は係る例に限定されない。本開示は、タクシー、配達等の、電話によって車両を呼び出すサービスの需要に対しても利用可能である。また本開示は、電話以外の手段により位置情報を取得して、配達、位置に応じた情報の提示等の、車両の呼び出しを伴わないサービスの需要に対しても利用可能である。位置情報は、例えばユーザが使用する携帯情報端末が発する位置情報が用いられ得る。例えば、過去に利用者からの呼び出しがあった地点のデータを利用し、上述の手法により、その呼び出しがあった地点に近い道路がどれかが分かるようにすれば、サービスの効率的な運用を実現できることが期待できる。例えば、上述の手法の結果を上述の巡回セールスマン問題のような最適化問題に利用してもよい。
　検出装置１０は、カーネル密度推定を利用して事象が頻発するホットスポットを検出する方法と、道路区間としてホットスポットを検出する方法とを組み合わせても良い。例えば、検出装置１０は、道路上で発生すると考えられる事象のみを道路区間ホットスポットとして検出することで、道路区間ホットスポットをパトロールする場合に注目すべきことが分かりやすくなり、パトロールの実施がし易くなる。
　次に、検出装置１０の作用について説明する。
　図１２は、検出装置１０による検出処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から検出プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、検出処理が行われる。
　ＣＰＵ１１は、ステップＳ１０１において、事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得する。
　ステップＳ１０１に続いて、ＣＰＵ１１は、ステップＳ１０２において、事象発生データの各事象の発生地点と、道路ネットワークデータの各区間との距離を道路毎に算出する。ステップＳ１０２での距離の算出方法は、上述の距離算出部１０２による距離の算出方法と同一である。
　ステップＳ１０２に続いて、ＣＰＵ１１は、ステップＳ１０３において、算出した距離が最短となる事象の数を区間毎に出力する。ステップＳ１０３での、算出した距離が最短となる事象の数の出力方法は、上述の出力部１０３による出力方法と同一である。
　以上説明したように本実施例の検出装置１０によれば、近隣で事象が多く発生しているために優先的に注目すべき道路の区間を検出できる。
（第２実施例）
　第２実施例の検出装置１０は、事象の発生地点が記録された座標付き事象発生データと、建物、公園、道路等の場所を識別できるポリゴン地図データと、を取得し、ポリゴン地図データにおけるホットスポット検出に使用できる場所のポリゴン内に事象の発生地点が含まれるかを判定し、判定の結果を出力する装置である。
　図１３は、事象発生データの一例を示す図である。事象発生データには、事象ＩＤ、事象が発生した緯度、経度、受理日時、曜日、事象カテゴリ等が含まれる。この事象発生データは、警察の司令課等で、通報を受けた時に電話越しに聴取し、記録されることを想定している。当然、事象発生データは、交番又は警察署を直接訪れた通報者からの聴取によって記録されてもよい。特に位置情報に関しては、通報者からの聴取の際に、電子地図上の大まかな位置を、事象発生データの記録者がマウスカーソルでプロットすることで入力されてもよい。図１４は、事象発生データを記録するための地図の一例を示す図である。
　図１５は、図１３に示した事象発生データの位置をプロットした結果を表す図である。図１４及び図１５の電子地図では視認性が低下するために省略しているが、実際の電子地図には建物の番地又は名称等が入っており、事象発生データの記録者は、通報者からの電話越しに確認した住所又は建物の名称と一致する場所を特定することができる。
　ポリゴン地図データは、道路、各種建物、公園、植栽地、駐車場等の領域がポリゴンデータとして格納されたデータである。図１６は、ポリゴンデータとして格納されたポリゴン地図データの一例を示す図である。ポリゴン地図データの各ポリゴンには、ポリゴンＩＤ及びポリゴンタイプが付与されている。ポリゴンを形成する各頂点は、緯度座標及び経度座標であり、同一ポリゴンＩＤの頂点ＩＤの順に緯度、経度を結んでいき、最後に最初の頂点ＩＤを結べばポリゴンになるものとする。
　また前提として、過去に複数回特定の事象が発生した曜日、時間帯、場所では、未来でも同じように事象が発生する確率が高くなる傾向があるものとする。
　取得部１０１は、座標付き事象発生データと、建物、公園、道路等の場所を識別できるポリゴン地図データとを取得する。座標付き事象発生データは、例えば図１３で示したようなデータである。出力部１０３は、座標付き事象発生データを、例えば事象カテゴリ毎に抽出し、事象発生データの各座標がポリゴン地図データのどのポリゴンの内側に入っているかを判定する。また座標付き事象発生データには、さらに、事象の発生日時の情報が記録されていてもよい。座標付き事象発生データに事象の発生日時の情報が記録されていれば、出力部１０３は、座標付き事象発生データを直近から一定期間分（例えば過去１年分）、例えば事象カテゴリ毎に抽出し、事象発生データの各座標がポリゴン地図データのどのポリゴンの内側に入っているかを判定してもよい。なお、第２実施例においては、第１実施例で示した距離算出部１０２は必須の構成ではない。
　複雑な形状のポリゴンの内側にあるかどうかを判定する方法は既に様々な方法が考えられているので、出力部１０３は、その方法の中から一つの方法を利用すればよい。最も簡単な方法の一つは、ポリゴンデータをラスタライズしてビットマップデータを作成し、その内側を特定の色で塗り潰し、過去の事象の座標もポリゴンデータと同じ比率でビットマップデータ上の座標に変換したときに、その座標が先の特定の色で塗り潰されているかを判定する方法である。
　例えば、ある建物のポリゴンの下に公園又は植栽地のポリゴンが存在しているような、ポリゴン地図データがレイヤー化されている場合、個々の事象の座標は複数のポリゴンの内側にあると判定されるはずである。このような場合では、出力部１０３は、レイヤーの優先順位を決めておき、優先順位の高い方のレイヤーの内側にあると判定してもよい。例えば、建物、植栽地の順に優先順位が決まっている場合、出力部１０３は、建物と植栽地の両方のポリゴンの内側にあると判定した場合には、建物のポリゴンの内側であると判定してもよい。
　地図のポリゴンをベースに事象が頻発するホットスポットを検出したほうがよい場合とそうではない場合がある。図１７は、ホットスポットの検出に使用するポリゴンタイプの一例を示す図である。図１７の例では建物及び公園がホットスポットの検出に使用するポリゴンタイプである。
　そして出力部１０３は、建物及び公園のポリゴンの内側と判定された事象発生データのみを、同一ポリゴン毎にクラスタリングする。各クラスタに属する事象発生データには例えば対応するポリゴンＩＤの先頭にＰをつけたホットスポットＩＤを付与する。図１８は、ポリゴン地図データにおけるホットスポットＩＤの付与の一例を説明する図である。図１８の例では、事象ＩＤが１００１、１００２及び１００７はポリゴンＩＤ：１１１の内側である。そこで出力部１０３は、事象ＩＤが１００１、１００２及び１００７の事象にはＰ１１１というホットスポットＩＤを付与する。なお、本実施形態ではＰという文字が先頭に付されていたが、ホットスポットＩＤの先頭に付する文字又は記号はＰに限られないことは言うまでもないし、ホットスポットＩＤの先頭ではなく末尾に何らかの文字又は記号が付されてもよい。
　図１７に示した、ホットスポット検出に使用するポリゴンタイプとは異なるポリゴンタイプのポリゴンの内側と判定された事象発生データは、ポリゴンの形状がホットスポット検出には効果的ではないと考えられるものである。そのため、出力部１０３は、従来この分野でよく使用されているカーネル密度推定等を使ってホットスポットを検出してもよい。具体的には、出力部１０３は、カーネル密度推定のバンド幅（各標本が影響を及ぼす範囲）を決定する。そして出力部１０３は、各標本の位置を中心とし、バンド幅までのガウス分布等を作成して重ね合わせ、一定以上の値となった領域をホットスポットとしてもよい。建物及び公園がホットスポットの検出に使用するポリゴンタイプである場合は、道路のポリゴン等の内側にあった事象発生データが該当する。出力部１０３は、道路のポリゴン等の内側にあった事象発生データの各事象に対し、先頭に何も文字又は記号が付かない数字だけのユニークなＩＤを付与する。
　ここまでの処理で、事象の発生確率が高いと考えられる複数のホットスポットが検出できたことになる。図１９は、ホットスポットの検出結果を可視化した一例を示す図である。図１９に示した例の中では、ショッピングモール、公園、飲み屋街の建物のいくつか、道路上の２箇所がホットスポットとして検出されている。ただし、道路上のホットスポットＩＤが１００００及び１０００１の２箇所は、出力部１０３がカーネル密度推定により検出したホットスポットであり、当該ホットスポットの周囲の円はカーネル密度推定のバンド幅を表す。そして、当該ホットスポットの厳密な領域は、ガウス分布の積算が一定以上の値になる、重ね合った円の境界より内側になる部分になる。図２０は、ホットスポットの厳密な領域の一例を示す図である。図２０の例では、ホットスポットＩＤが１００００、１０００１の点線で示した領域が、ホットスポットの厳密な領域となる。
　そして、図２１は図１９で可視化したホットスポット計算の結果を示した図であり、図１３に示した事象発生データにホットスポットＩＤが追加されたものである。
　次に、検出装置１０の作用について説明する。
　図２２は、検出装置１０による検出処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から検出プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、検出処理が行われる。
　ＣＰＵ１１は、ステップＳ１１１において、事象の発生地点が記録された事象発生データと、建物、公園、道路等の場所を識別できるポリゴン地図データとを取得する。
　ステップＳ１１１に続いて、ＣＰＵ１１は、ステップＳ１１２において、事象発生データの各事象が、ポリゴン地図データにおけるどのポリゴンの内側で発生した事象であるかを判定する。具体的には、ＣＰＵ１１は、事象発生データの各事象の座標が、ポリゴン地図データにおけるポリゴンの内側に含まれているかどうかを判定する。
　ステップＳ１１２に続いて、ＣＰＵ１１は、ステップＳ１１３において、ステップＳ１１２での判定結果を出力する。ＣＰＵ１１は、判定結果の出力の際には、図１９に示したようなポリゴン地図データに重畳させて可視化した状態で出力してもよく、図２１に示したような事象発生データにホットスポットＩＤ列を付加した状態で出力してもよい。
　改めて本実施例での効果を説明する。従来、ホットスポット検出で最もよく使用されているカーネル密度推定では、バンド幅（各標本が影響を及ぼす範囲）を固定値として与えなければならない。このバンド幅の値によって、ホットスポットの範囲が変化する。この値が大きい場合には、例えば、広い公園又は大きな建物内におけるホットスポットが、過去の事象発生データから適切に検出できる可能性が高い。一方で、飲み屋街等の小さな建物が密集した場所の中で、よく苦情又は犯罪通報が発生する店（建物）がごく一部である場合（実際、そのような傾向を示すことが多い）に、複数の建物に跨ってホットスポットが曖昧に検出されてしまい、注意すべき建物が限定できなくなってしまう。
　図２３は、ホットスポットが曖昧に検出されてしまう一例を示す図である。図２３では、各事象の位置の周囲に円が描かれている。この円は、ある固定値によるバンド幅を表している。なお、図２３においては、道路上の事象に対するバンド幅は、視認性が悪くなるため省略している。カーネル密度推定では、この形状に従うガウス分布等を重ねた後で、ある閾値以上となる領域をホットスポットとする。すなわち、重なった円より内側の領域がホットスポットとなる。図２４は、カーネル密度推定によるホットスポットの検出領域の一例を示す図である。このように、バンド幅を大きくしてしまうと、左下の小さな建物が密集したエリアでは、事象が発生していない建物もホットスポットとして検出されてしまう。
　一方で、バンド幅を小さくすれば、小さな建物が密集したエリアでは真に事象が多発する特定の建物のみをホットスポットとして検出できる。しかし、大きなショッピングモール、広い公園等の面積が大きい建物又は公園が真のホットスポットである場合には、バンド幅を表す個々の事象に対する円が重ならない可能性が高い。そのために、ホットスポットが検出できなくなる可能性が非常に高くなる。
　図２５及び図２６は、ホットスポットが検出されない場合の一例を示す図である。バンド幅を小さくすることで、左上のショッピングモール及び右上の公園においては、バンド幅を表す個々の事象に対する円が重ならないため、これらの場所をホットスポットとして検出することができない。
　本実施例は、このようなカーネル密度推定を用いたホットスポット検出の問題を解消するものである。検出装置１０は、検出したホットスポット毎に、過去事象データの発生時間の情報を使い、将来の発生確率を求めることができる。ここでは、対象とする発生事象の特性に従い、適切な予測モデルを使えばよい。最も単純な予測モデルは、このホットスポットでの発生確率がポアソン分布に従うというものである。ポアソン分布を使う場合は、過去の発生数を観測期間で割れば期待値が求まる。例えば、図２１に示した例では、ホットスポットＩＤがＰ１１２の騒音苦情の発生データは、２０２１／７／１から２０２１／１０／１８までの１１０日間で３回である。そのため、２０２１／１０／１９に発生する期待値を求めると、３／１１０＝０．０２７となる。
　一方、多くの罪種においては、近接反復被害と呼ばれるモデルが有効であると報告されている。これは、その犯罪が発生したときに、その直後又はその付近で再び同じ犯罪が発生する可能性が高くなるとするモデルである。罪種によっては、このようなモデルを適用して、未来の発生確率を求めてもよい。ここで、さらに上記の複数検出されたホットスポットを定量的に評価するための処理を考えることもできる。
　ホットスポットの評価指標として、ＣｈａｉｎｙらがＰＡＩ（Ｐｒｅｄｉｃｔｉｏｎ　Ａｃｃｕｒａｃｙ　Ｉｎｄｅｘ）を提案している（Spencer Chainey, Lisa Tompson and Sebastian Uhlig, The Utility of Hotspot Mapping for Predicting Spatial Patterns of Crime, Security Journal, 2008, 21, (4 - 28)）。これは以下の式で表すことができる。
　ＰＡＩ＝（事象が起こると予想される場所における事象数／対象エリアの全事象数）／（事象が起こると予想される場所の面積／全対象エリアの面積）　・・・（１）
　ＰＡＩでは、事象が発生すると予想される場所をより限定して検出し、かつ、予測があたっているとスコアが高くなる。ここに本実施例の処理を当てはめるとすれば、上記数式（１）の全対象エリアの面積を図１９の地図全体の面積、事象が起こると予想される場所の面積をホットスポットＩＤ：Ｐ１１１、Ｐ１１２、Ｐ２０１、Ｐ２０５、Ｐ２１０、１００００、１０００１の面積の合計、対象エリアの全事象数を評価対象期間に図１９の地図全体で実際に発生した事象数、事象が起こると予想される場所における事象数を、実際に発生した事象数のうちホットスポット内で発生した事象数として計算すればよい。
　図１７に示したような、ホットスポット検出に使用するポリゴンタイプではないポリゴンタイプのポリゴンの内側と判定された事象データのホットスポット検出に、上記の実施例ではカーネル密度推定を使ったが、本開示は係る例に限定されない。以下では、ホットスポット検出に使用するポリゴンタイプではないポリゴンタイプのポリゴンの内側と判定された事象データのホットスポット検出を、より高速に計算する一例を説明する。
　図２７は、検出装置１０による検出処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から検出プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、検出処理が行われる。
　検出処理に際して、検出装置１０は、まず複数のクラスタを格納するための配列（クラスタ配列）を準備する。一つのクラスタは、複数の過去事象データの集合で、クラスタの配列とは、その複数の過去事象データの集合の配列である。最初、クラスタの配列の要素数は０である。
　ＣＰＵ１１は、ステップＳ２０１において、ホットスポット検出に使用するポリゴンタイプではないポリゴンタイプのポリゴンの内側と判定された事象データのみを受理日時ｔが古い順にソートする。
　ＣＰＵ１１は、受理日時ｔが古い順から走査していき、ステップＳ２０２において、個々の事象データの座標がクラスタの配列の中のどのクラスタに最も近いかを計算する。この判定には各クラスタの重心の情報を使用すれば良い。各クラスタの重心は、そのクラスタに含まれる過去事象データの座標の平均とする。
　ステップＳ２０２に続いて、ＣＰＵ１１は、ステップＳ２０３において、その最も近いクラスタとの距離が閾値未満であるかを判定する。
　ステップＳ２０３の判定の結果、閾値未満であれば（ステップＳ２０３；Ｙｅｓ）、ＣＰＵ１１は、ステップＳ２０４において、そのクラスタに当該事象データを追加する。
　一方、ステップＳ２０３の判定の結果、閾値未満でなければ（ステップＳ２０３；Ｎｏ）、ＣＰＵ１１は、ステップＳ２０５において、当該事象データだけが含まれる新たなクラスタを作成し、クラスタの配列に追加する。
　ステップＳ２０４又はステップＳ２０５に続いて、ＣＰＵ１１は、ステップＳ２０６において、全ての事象データの走査が完了したかどうかを判断する。
　ステップＳ２０６の判定の結果、全ての事象データの走査が完了していなければ（ステップＳ２０６；Ｎｏ）、ＣＰＵ１１は、ステップＳ２０７において、受理日時ｔを次の受理日時に進めて、ステップＳ２０２の処理に戻る。
　一方、ステップＳ２０６の判定の結果、全ての事象データの走査が完了していれば（ステップＳ２０６；Ｙｅｓ）、複数の事象の集合からなるクラスタか、一つの事象だけからなるクラスタが、クラスタの配列に格納されることになる。ここで、ＣＰＵ１１は、ステップＳ２０８において、最終的に一つの事象からなるクラスタを除外した残りの個々のクラスタを、ホットスポット検出に使用するポリゴンタイプではないポリゴンタイプのポリゴンの内側と判定された事象データのホットスポットとする。このようにして得られたホットスポットの面積は、クラスタに所属する事象データの座標の最小の緯度及び経度、並びに最大の緯度及び経度を使った長方形とすればよい。なお、受理日時が全く同一のデータが存在する場合には、ＣＰＵ１１は、ステップＳ２０２からステップＳ２０５の処理を、そのデータの数だけ繰り返せばよい。
　本実施例では、検出装置１０は、建物と公園についてはポリゴンをベースにホットスポットを検出し、道路については別の方法でホットスポットを検出する例を示しているが、本開示は係る例に限定されない。
　例えば、検出装置１０は、ポリゴンをベースに道路上のホットスポットを検出しても良い。その場合の例として、一定以上の面積を持つ道路のポリゴンについては、事前に交差点等の単位に分割しておき、検出装置１０は、本実施例の方法により道路上のホットスポットを検出する。うまくポリゴンを分割できれば、カーネル密度推定を利用して道路上のホットスポットを検出する場合よりも狭い範囲でホットスポットを検出できることが期待できる。
　また例えば、別の実施例として、一定以上の面積を持つポリゴンについては事前に複数のポリゴンに分割しておき、検出装置１０は、本実施例の方法により道路上のホットスポットを検出しても良い。例えば、ある大きな公園をホットスポットとして検出する際に、事前にこの公園を複数のポリゴンに分割しておき、検出装置１０は、分割されたポリゴンに対して本実施例で示した手法を用いても良い。これにより、検出装置１０は、一つの大きなホットスポットとしてではなく、より細かいホットスポットを検出できることが期待できる。
　また別の実施例として、検出装置１０は、ポリゴンを一つのホットスポットとして検出するのではなく、ある一つのポリゴン内にある事象データのみに対してカーネル密度推定等を使ってホットスポットを検出してもよい。これにより、検出装置１０は、ポリゴン内の一部に事象の発生が偏っていた場合においては、より適切なホットスポットが検出できることが期待できる。
　また別の実施例として、検出装置１０は、一定以上の面積を持つポリゴンに対してのみ、そのポリゴン内部の事象データに対してカーネル密度推定等を使ってホットスポットを検出してもよい。例えば、検出装置１０は、面積がある閾値を下回るポリゴンに対しては、そのポリゴン全体に対して検出し、閾値を上回るポリゴンに対しては、注意すべき場所を絞って検出するというような使い分けが可能となると期待できる。
　また別の実施例として、大型商業施設の場合はその中に複数の店舗が入っていることが考えられ、公園の場合は野球場、遊具、砂場等から構成されていることがあると考えられる。仮に各店舗の形状といった、ポリゴンの内側のポリゴンの情報を使用可能である場合には、検出装置１０は、全体のポリゴンをさらに細かい形状に分割したり、内側のポリゴンの情報だけを用いたりして、本実施例の方法、又はカーネル密度推定を適用してホットスポットを検出してもよい。検出装置１０は、全体のポリゴンをさらに細かい形状に分割したり、内側のポリゴンの情報だけを用いたりすることで、全体のポリゴンをそのまま利用した場合よりもさらに細かいホットスポットを検出できることが期待できる。
　検出装置１０は、発生地点が属するポリゴンの大きさに応じてバンド幅を可変にしたカーネル密度推定によってホットスポットを検出してもよい。これにより、検出装置１０は、図２３のようなホットスポットが曖昧に検出されてしまう状況又は図２５、図２６のようなホットスポットが検出されない状況を防ぐことができる。バンド幅の決め方の例として、所定の閾値を超える大きな面積を持つポリゴン内にある発生地点に対しては比較的大きなバンド幅を設定し、所定の閾値以下である小さな面積を持つポリゴン内にある発生地点に対しては、大きな面積を持つポリゴン内にある発生地点に対して設定したバンド幅と比較して小さなバンド幅を設定するという方法が考えられる。また、検出装置１０は、ポリゴンの面積に比例させるようにバンド幅を決定してもよく、シグモイド関数等を用いてポリゴンの面積を非線形変換してバンド幅を決定してもよい。
（第３実施例）
　第３実施例の検出装置１０は、第２実施例と同様に事象の発生地点が記録された座標付き事象発生データと、建物、公園、道路等の場所を識別できるポリゴン地図データと、を取得し、ポリゴン地図データにおけるホットスポット検出に使用できる場所のポリゴン内に事象の発生地点が含まれるかを判定し、判定の結果を出力する装置である。第３実施例では、検出装置１０は、事象のカテゴリ毎に、場所又は施設カテゴリでの事象発生割合を算出する。検出装置１０が事象のカテゴリ毎に、場所又は施設カテゴリでの事象発生割合を算出することで、パトロール活動の効率化が可能となる。
　取得部１０１は、座標付き事象発生データと、建物、公園、道路等の場所を識別できるポリゴン地図データとを取得する。座標付き事象発生データは、例えば図１３で示したようなデータである。出力部１０３は、取得部１０１が取得したデータに基づいて、事象のカテゴリ毎に、場所又は施設カテゴリでの事象発生割合を算出して、算出結果を出力する。
　出力部１０３の処理の一例を説明する。出力部１０３は、第２実施例と同様に、座標付き事象発生データを、例えば事象カテゴリ毎に抽出し、事象発生データの各座標がポリゴン地図データのどのポリゴンの内側に入っているかを判定する。また座標付き事象発生データには、さらに、事象の発生日時の情報が記録されていてもよい。座標付き事象発生データに事象の発生日時の情報が記録されていれば、出力部１０３は、座標付き事象発生データを直近から一定期間分（例えば過去１年分）、例えば事象カテゴリ毎に抽出し、事象発生データの各座標がポリゴン地図データのどのポリゴンの内側に入っているかを判定してもよい。そして出力部１０３は、判定したポリゴンのポリゴンタイプを事象発生データに付与する。図２８は、ポリゴンタイプが付与された事象発生データの一例を示す図である。
　次に、出力部１０３は、ポリゴンタイプを付与した事象発生データを用いて、事象が発生するポリゴンタイプ（場所）の割合を算出する。図２９は、図２８の事象発生データを用いて、事象が発生するポリゴンタイプ（場所）の割合を算出した結果を示す図である。図２９の例では、ここでは「けんか口論」だけが建物と道路との２つのポリゴンタイプ（場所）で発生していることが分かる。ここから、ある事象カテゴリに対してパトロール活動を行う場合には、明らかになった発生場所の種類又は割合を重視してパトロールを行えば、効率的にパトロールを行えることが分かる。
　建物内で発生する事象がどのような施設カテゴリで発生するかを確認することも、効率的なパトロールには重要である。出力部１０３は、施設カテゴリ情報及び座標付きの施設情報を用いて、建物内で発生する事象がどのような施設カテゴリで発生しているかを抽出する。図３０は、施設情報の一例を示す図である。施設情報は、予めユーザによって作成されたデータである。
　出力部１０３は、施設情報を用いて、各施設がどのポリゴンの内側に存在しているかを求める。図３１は、施設情報がどのポリゴンに入っていたかを判定した結果の一例を示す図である。
　出力部１０３は、同一ポリゴンに入っていた事象発生データに施設カテゴリの情報を付与する。図３２は、事象発生データに施設カテゴリの情報が付与された一例を示す図である。
　そして出力部１０３は、事象カテゴリ別に施設カテゴリ別の発生割合の情報を算出して、図２９で示した算出結果に付与して可視化する。図３３は、事象カテゴリ別に施設カテゴリ別の発生割合の情報を算出した一例を示す図である。
　このように出力部１０３が算出することにより、ある事象カテゴリに対してパトロール活動を行う場合には、先に明らかになった発生場所の種類及び割合だけでなく、建物に関しては施設カテゴリ毎の発生割合の情報を参考にすることで、さらに効率的にパトロールを行うことができる。例えば、図３３の例では、万引きの発生割合が最も高い施設カテゴリはコンビニエンスストアであるため、コンビニエンスストアを集中して警戒すれば、事象発生を抑止できる可能性が高まる。
　図３４～図３６は、図３３の処理結果を可視化した例を示す図である。出力部１０３は、例えば図３４～図３６に示したような可視化した処理結果を出力する。パトロール活動を行う者は、この可視化結果を事前に確認して、パトロールを行うとよい。図３６は、図３３における万引きの施設カテゴリ割合のカラムではなく、施設カテゴリ別発生数をそのまま可視化した例である。このように、出力部１０３は割合まで算出せず、施設カテゴリ別発生数をそのまま可視化してもよい。
（第４実施例）
　検出装置１０は、第１実施例で示した処理と、第２実施例で示した処理とを組み合わせてもよい。すなわち、検出装置１０は、第１実施例の道路の区間のホットスポット検出手法と、第２実施例のポリゴンをベースにしたホットスポット検出方法とを組み合わせてもよい。例えば、検出装置１０は、建物及び公園については第２実施例で示した処理でホットスポットを検出し、道路については第１実施例で示した処理でホットスポットを検出してもよい。これにより、検出装置１０は、道路の区間のホットスポットについては、道路に注目すべきことがわかるので、パトロールの実施がし易くなることが考えられる。
（第５実施例）
　検出装置１０は、第２実施例で示した処理と、第３実施例で示した処理とを組み合わせてもよい。すなわち、検出装置１０は、第２実施例のポリゴンをベースにしたホットスポット検出方法に加え、第３実施例の、事象のカテゴリ毎の場所又は施設カテゴリでの事象発生割合の算出方法を適用してもよい。検出装置１０は、ホットスポットを検出し、さらに事象発生割合を算出することで、重点的にパトロールすべき場所を出力することができる。
　以上、添付図面を参照しながら本開示の実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、これらの変更例又は修正例についても、当然に本開示の技術的範囲に属するものと了解される。
　また、上記実施形態において記載された効果は、説明的又は例示的なものであり、上記実施形態において記載されたものに限定されない。つまり、本開示に係る技術は、上記実施形態において記載された効果とともに、又は上記実施形態において記載された効果に代えて、上記実施形態における記載から、本開示の技術分野における通常の知識を有する者には明らかな他の効果を奏しうる。
　なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した検出処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、検出処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記各実施形態では、検出プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　以上の実施形態に関し、更に以下の付記を開示する。
　（付記項１）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得し、
　前記事象の発生地点と、各前記区間との距離を前記道路毎に算出し、
　前記区間毎に算出した距離が最短となる事象の数を出力する
　ように構成されている検出装置。
　（付記項２）
　検出処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
　前記検出処理は、
　事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得し、
　前記事象の発生地点と、各前記区間との距離を前記道路毎に算出し、
　前記区間毎に算出した距離が最短となる事象の数を出力する処理を実行する
　非一時的記憶媒体。
１０　検出装置
１０１　取得部
１０２　距離算出部
１０３　出力部

Claims (8)

  1. 　事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得する取得部と、
    　前記事象の発生地点と、各前記区間との距離を前記道路毎に算出する距離算出部と、
    　前記区間毎に前記距離算出部が算出した距離が最短となる事象の数を出力する出力部と、
    を備える検出装置。
  2. 　前記出力部は、前記事象の発生地点の特性に応じて、前記距離算出部が算出した距離が最短となる事象の数を出力する請求項１記載の検出装置。
  3. 　前記出力部は、前記特性として、前記事象の発生地点が屋外であるか屋内であるかに応じて、前記距離算出部が算出した距離が最短となる事象の数を出力する請求項２記載の検出装置。
  4. 　前記出力部は、前記距離算出部が算出した距離が所定の閾値以下となる事象の数を出力する請求項１記載の検出装置。
  5. 　前記出力部は、前記事象の数に応じて前記区間の表示形態を変化させて前記区間を表示する請求項１記載の検出装置。
  6. 　前記出力部は、前記事象の数が所定の閾値以上の前記区間を、前記所定の閾値未満の前記区間と異なる表示形態で前記区間を表示する請求項５記載の検出装置。
  7. 　プロセッサが、
    　事象の発生地点が記録された事象発生データと、１つ以上の区間からなる道路の情報が記録された道路ネットワークデータとを取得し、
    　前記事象の発生地点と、各前記区間との距離を前記道路毎に算出し、
    　前記区間毎に算出した距離が最短となる事象の数を出力する
    処理を実行する検出方法。
  8. 　コンピュータを、請求項１～請求項６の何れか１項記載の検出装置として機能させるための検出プログラム。
PCT/JP2022/027938 2022-07-15 2022-07-15 検出装置、検出方法、及び検出プログラム WO2024014000A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/027938 WO2024014000A1 (ja) 2022-07-15 2022-07-15 検出装置、検出方法、及び検出プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/027938 WO2024014000A1 (ja) 2022-07-15 2022-07-15 検出装置、検出方法、及び検出プログラム

Publications (1)

Publication Number Publication Date
WO2024014000A1 true WO2024014000A1 (ja) 2024-01-18

Family

ID=89536280

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/027938 WO2024014000A1 (ja) 2022-07-15 2022-07-15 検出装置、検出方法、及び検出プログラム

Country Status (1)

Country Link
WO (1) WO2024014000A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003330360A (ja) * 2002-05-09 2003-11-19 Zenrin Co Ltd 時系列的に複数のレコードを記憶する地図データベースのデータ構造
US20150338235A1 (en) * 2013-01-18 2015-11-26 Tomtom Development Germany Gmbh Method and apparatus for creating map data
CN109993971A (zh) * 2019-03-27 2019-07-09 江苏智通交通科技有限公司 一种提升交通事故地点定位准确率的方法
CN112229395A (zh) * 2020-10-21 2021-01-15 广州大学 一种巡逻路径规划方法、计算设备及存储介质
JP2021033548A (ja) * 2019-08-22 2021-03-01 アイシン・エィ・ダブリュ株式会社 事故地点管理システム及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003330360A (ja) * 2002-05-09 2003-11-19 Zenrin Co Ltd 時系列的に複数のレコードを記憶する地図データベースのデータ構造
US20150338235A1 (en) * 2013-01-18 2015-11-26 Tomtom Development Germany Gmbh Method and apparatus for creating map data
CN109993971A (zh) * 2019-03-27 2019-07-09 江苏智通交通科技有限公司 一种提升交通事故地点定位准确率的方法
JP2021033548A (ja) * 2019-08-22 2021-03-01 アイシン・エィ・ダブリュ株式会社 事故地点管理システム及びプログラム
CN112229395A (zh) * 2020-10-21 2021-01-15 广州大学 一种巡逻路径规划方法、计算设备及存储介质

Similar Documents

Publication Publication Date Title
Xie et al. Analysis of traffic crashes involving pedestrians using big data: Investigation of contributing factors and identification of hotspots
US10467558B2 (en) Real time map rendering with data clustering and expansion and overlay
Steenberghen et al. Spatial clustering of events on a network
Pham et al. Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam
Shen et al. Discovering spatial and temporal patterns from taxi-based Floating Car Data: A case study from Nanjing
Zhang et al. A cyberGIS-enabled multi-criteria spatial decision support system: A case study on flood emergency management
EP4035435A1 (en) System and method for processing vehicle event data for journey analysis
US20170337305A1 (en) Analyzing and interpreting user positioning data
JP2022518619A (ja) デバイスの位置データの定量的地理空間分析
Cai et al. A novel trip coverage index for transit accessibility assessment using mobile phone data
Zhao et al. Unveiling cabdrivers’ dining behavior patterns for site selection of ‘taxi canteen’using taxi trajectory data
US20170345070A1 (en) System and method for identifying wireless communication assets
Casali et al. A topological characterization of flooding impacts on the Zurich road network
Tang et al. Estimating hotspots using a Gaussian mixture model from large-scale taxi GPS trace data
CN109978264B (zh) 一种基于时空信息的城市人口分布预测方法
JP2008158531A (ja) デジタル地図内の関心領域を自動的に特定する方法及び装置
Wang et al. From data to knowledge to action: A taxi business intelligence system
WO2024014000A1 (ja) 検出装置、検出方法、及び検出プログラム
WO2024014001A1 (ja) 検出装置、検出方法、及び検出プログラム
Keler et al. Detecting traffic congestion propagation in urban environments–a case study with Floating Taxi Data (FTD) in Shanghai
CN116703132A (zh) 共享车辆动态调度的管理方法、装置及计算机设备
KR101744776B1 (ko) 지도 검색 기록을 이용한 유동인구 추정 장치 및 방법
JP2020155050A (ja) ヒートマップ表示制御装置、ヒートマップ表示制御方法及びヒートマップ表示制御プログラム
WO2015157584A1 (en) Systems and methods for identifying a region of interest on a map
Murad Creating a GIS application for retail facilities planning in Jeddah City

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: 22951206

Country of ref document: EP

Kind code of ref document: A1