JP2020060810A - System for supporting inspections of infrastructure facilities, method and program for supporting inspections of infrastructure facilities - Google Patents

System for supporting inspections of infrastructure facilities, method and program for supporting inspections of infrastructure facilities Download PDF

Info

Publication number
JP2020060810A
JP2020060810A JP2018189514A JP2018189514A JP2020060810A JP 2020060810 A JP2020060810 A JP 2020060810A JP 2018189514 A JP2018189514 A JP 2018189514A JP 2018189514 A JP2018189514 A JP 2018189514A JP 2020060810 A JP2020060810 A JP 2020060810A
Authority
JP
Japan
Prior art keywords
area
infrastructure equipment
failure prediction
failure
inspection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018189514A
Other languages
Japanese (ja)
Other versions
JP7224133B2 (en
Inventor
裕 松島
Yutaka Matsushima
裕 松島
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Data Group Corp
Original Assignee
NTT Data Corp
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 NTT Data Corp filed Critical NTT Data Corp
Priority to JP2018189514A priority Critical patent/JP7224133B2/en
Publication of JP2020060810A publication Critical patent/JP2020060810A/en
Application granted granted Critical
Publication of JP7224133B2 publication Critical patent/JP7224133B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To provide a system for supporting inspections of infrastructure facilities capable of performing failure prediction of the infrastructure facilities highly accurately, and providing support to easily formulate inspection plans of the infrastructure facilities.SOLUTION: The system for supporting inspections of infrastructure facilities includes: a failure prediction model storage unit that is provided for each area group in which areas are classified for each land type attribute and that stores a failure prediction model performing failure prediction of infrastructure facilities by input of facility attribute information of the infrastructure facility and weather data in the area; and a failure prediction unit that receives the facility attribute information of the infrastructure facilities and the weather data of the area to which the infrastructure facility belongs and predicts occurrences of failure of the infrastructure facilities in a predetermined period.SELECTED DRAWING: Figure 1

Description

本発明は、インフラ設備の点検を行なう際、各インフラ設備に対する点検の優先度を示し、点検の計画立案を支援するインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムに関する。   The present invention relates to an infrastructure equipment inspection support system, an infrastructure equipment inspection support method, and a program that indicate the priority of inspection for each infrastructure equipment when inspecting the infrastructure equipment and support the planning of the inspection.

インフラ設備の保守業務としては、所定の策定方法により策定した保守計画に基づいて、インフラ設備の点検の業務を行なっている。
ここで、策定方法としては、大きく分類した場合、一定の期間内において保守対象の設備を順番に巡回するように決定する手法１と、過去のデータや担当者の経験に基づいて、優先すべきインフラ設備を選定して巡回する手法２とがある。 As the maintenance work of infrastructure equipment, the work of inspecting infrastructure equipment is performed based on a maintenance plan created by a predetermined formulation method.
Here, as a formulation method, when roughly classified, it should be prioritized based on Method 1 in which it is decided to sequentially visit the maintenance target equipment within a certain period, and based on past data and the experience of the person in charge. There is a method 2 of selecting and patrol the infrastructure equipment.

手法１は、各インフラ設備の不良発生状況及び点検リソース（点検に必要な資材及び人材など）の観点から、保守対象のインフラ設備の全てを点検する周期（点検周期）の期間を決定する。
この手法１の場合において、資材及び人材などの点検リソースと、点検対象のインフラ設備の数とにより、各インフラ設備の点検の順番を設定した点検計画を策定し、この点検計画に従った点検が行なわれる。
このとき、点検周期となるごとに順次点検が行なわれ、例えば、点検周期が１０年であれば、点検を行なった直後のインフラ設備に対する次の点検は１０年後となる。 Method 1 determines the period (inspection period) of inspecting all of the infrastructure equipment to be maintained from the viewpoint of the defect occurrence status of each infrastructure equipment and inspection resources (materials and human resources necessary for inspection).
In the case of this method 1, an inspection plan that sets the inspection order of each infrastructure equipment is created based on the inspection resources such as materials and human resources and the number of infrastructure equipment to be inspected, and the inspection according to this inspection plan is performed. Done.
At this time, the inspection is sequentially performed at every inspection cycle. For example, if the inspection cycle is 10 years, the next inspection of the infrastructure equipment immediately after the inspection will be 10 years later.

一方、手法２の場合において、インフラ設備の不良予測技術として、点検対象のインフラ設備の不良となる時期を、ＩｏＴ（Internet of Things）に対応したスマートセンサなどのデータ収集装置の計測データにより予測する技術がある（例えば、特許文献１参照）。
また、手法２の場合において、インフラ設備の不良予測技術として、点検対象のインフラ設備の経時劣化と環境情報との対応関係に基づき、各インフラ設備の経時劣化の度合いを、遠隔地から監視して予測する技術がある（例えば、特許文献２参照）。
また、手法２の場合において、インフラ設備の不良の発生件数の結果と、インフラ設備の不良となった際の影響度とのマトリクスを生成し、このマトリクスに対してインフラ設備の各々を分類し、分類毎の点検の優先度を点検計画の策定に用いる技術がある（例えば、特許文献３参照）。 On the other hand, in the case of method 2, as a technology for predicting the failure of infrastructure equipment, the time when the infrastructure equipment to be inspected becomes defective is predicted by the measurement data of a data collection device such as a smart sensor compatible with IoT (Internet of Things). There is a technology (for example, refer to Patent Document 1).
Further, in the case of Method 2, as a technique for predicting defects of infrastructure equipment, the degree of deterioration over time of each infrastructure equipment is monitored from a remote location based on the correspondence between the deterioration of infrastructure equipment to be inspected and environmental information. There is a predicting technique (see, for example, Patent Document 2).
Further, in the case of method 2, a matrix of the result of the number of occurrences of infrastructure equipment defects and the degree of influence when the infrastructure equipment becomes defective is generated, and each infrastructure equipment is classified into this matrix, There is a technique that uses the inspection priority for each classification to formulate an inspection plan (see, for example, Patent Document 3).

特開２０１６−１８４２３７号公報JP, 2016-184237, A 特開２０１６−２０３９３１号公報JP, 2016-203931, A 特開２０１３−０８８８２８号公報JP, 2013-088828, A

しかしながら、手法１は、点検の順番が策定された点検計画に沿って行なわれるため、不良となるリスクの高いインフラ設備と、リスクの低いインフラ設備が同等に扱われる。このため、次の点検まで不良となるリスクが高いインフラ設備が、点検が必要な劣化状態となっても、決められた点検の順番に従い、リスクの低いインフラ設備の後に点検が行なわれる。
この結果、点検周期に達するまでに、リスクの高いインフラ設備が不良となる場合があり、インフラ設備毎の経時劣化の状態を加味せずに作成した点検計画では、リスクの高いインフラ設備の不良の発生を未然に防ぐことが難しい。 However, since the method 1 is performed according to the inspection plan in which the inspection order is established, the infrastructure equipment having a high risk of failure and the infrastructure equipment having a low risk are treated equally. Therefore, even if the infrastructure equipment having a high risk of failure until the next inspection is in a deteriorated state requiring inspection, the inspection is performed after the low-risk infrastructure equipment according to the determined inspection order.
As a result, high-risk infrastructure equipment may become defective by the time the inspection cycle is reached.In an inspection plan created without taking into account the state of deterioration over time for each infrastructure equipment, the high-risk infrastructure equipment It is difficult to prevent the occurrence.

一方、手法２において特許文献１の予測技術は、スマートセンサをインフラ設備に単数あるいは複数設ける必要がある。このため、点検対象のインフラ設備が多い場合、全てのインフラ設備にスマートセンサを配設するためコストが膨大となってしまう。   On the other hand, in the technique 2 of the prediction technique of Patent Document 1, it is necessary to provide one or more smart sensors in infrastructure equipment. For this reason, if there are many infrastructure facilities to be inspected, the cost will be enormous because the smart sensor is installed in all the infrastructure facilities.

また、特許文献２の予測技術は、外部環境としての気象データを元に不良予測を行なっているが、インフラ設備が配置されている地域の違いを考慮していない。
このため、特許文献２の予測技術は、点検計画を策定を行う際に、インフラ設備の不良予測の精度が悪く用いることができない。 Further, the prediction technique of Patent Document 2 makes a defect prediction based on the weather data as the external environment, but does not consider the difference in the area where the infrastructure equipment is arranged.
Therefore, the prediction technology of Patent Document 2 cannot be used when the inspection plan is formulated, because the accuracy of the failure prediction of the infrastructure equipment is poor.

また、特許文献３の点検計画策定技術は、不良となった場合の影響度と不良予測ではなく不良の発生件数とのマトリクスによりインフラ設備の各々を分類している。
このため、インフラ設備が多い地域の場合、不良の発生件数も他より多くなり、不良による影響度も大きく、インフラ設備の不良予測としての精度は低い。このため、都市部ほど点検の優先度が上がり、地方部ほど点検の優先度が低くなり、点検の頻度に偏りが発生してしまう。 Further, the inspection plan formulation technology of Patent Document 3 classifies each of the infrastructure equipment by a matrix of the degree of influence in the case of failure and the number of occurrences of failures instead of the failure prediction.
For this reason, in an area with a large amount of infrastructure equipment, the number of occurrences of defects is higher than others, the degree of influence of defects is large, and the accuracy of failure prediction of infrastructure equipment is low. For this reason, the priority of inspection increases in urban areas, and the priority of inspection decreases in rural areas, resulting in uneven frequency of inspection.

本発明は、このような事情に鑑みてなされたもので、インフラ設備の不良予測が高い精度で行なえ、インフラ設備の点検計画を容易に策定する支援を行なうインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムを提供することを目的とする。   The present invention has been made in view of such circumstances, and can perform failure prediction of infrastructure equipment with high accuracy, and support infrastructure equipment inspection support system and infrastructure equipment inspection support that facilitates formulation of an inspection plan for infrastructure equipment. The purpose is to provide a method and a program.

この発明は上述した課題を解決するためになされたもので、本発明のインフラ設備点検支援システムは、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部と、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測部とを備えることを特徴とする。   The present invention has been made to solve the above-mentioned problems, and the infrastructure equipment inspection support system of the present invention is provided for each area group in which areas are classified by land type attribute, and the equipment for infrastructure equipment in the area is provided. A failure prediction model storage unit that stores a failure prediction model for predicting a failure of the infrastructure equipment by inputting attribute information and meteorological data, and the equipment attribute information of the infrastructure equipment and the infrastructure for the failure prediction model. It is characterized by further comprising: a failure prediction unit which inputs weather data of the area to which the equipment belongs and which predicts a failure occurrence within a predetermined cycle of the infrastructure equipment.

本発明のインフラ設備点検支援システムは、前記土地種別属性である前記エリアの各々における土地種別毎の占有面積比の組合せにより、前記エリアの各々をエリアグループに分類するエリア分類部と、学習用データとして、前記エリアグループに含まれる前記エリアにおける前記インフラ設備の各々の不良の発生の有無を予測値とし、当該インフラ設備の前記設備属性情報、属するエリアの気象データを説明変数として、前記不良予測モデルの生成を行なう不良予測モデル生成部とをさらに備えることを特徴とする。   The infrastructure equipment inspection support system of the present invention includes an area classification unit that classifies each of the areas into area groups according to a combination of occupied area ratios for each land type in each of the areas that are the land type attributes, and learning data. As a prediction value, the presence or absence of each defect of the infrastructure equipment in the area included in the area group is a prediction value, the equipment attribute information of the infrastructure equipment, the meteorological data of the area to which the failure is an explanatory variable, the failure prediction model. And a failure prediction model generation unit for generating

本発明のインフラ設備点検支援システムは、前記不良発生の予測の数値を示す指標の不良発生リスク指標、不良発生時の前記エリアにおける社会的影響の度合いを示す指標の社会的影響度指標及びインフラ設備の点検の能率を示す指標である点検能率指標の各々の重み付けした加算結果により、前記インフラ設備の各々の点検における優先度を設定する優先度生成部をさらに備えることを特徴とする。   The infrastructure equipment inspection support system of the present invention is a failure occurrence risk index of an index showing a numerical value of the prediction of failure occurrence, a social impact index of an index showing a degree of social impact in the area at the time of failure occurrence, and infrastructure equipment. It is characterized by further comprising a priority generation unit that sets the priority in each inspection of the infrastructure equipment according to the weighted addition result of each inspection efficiency index that is an index indicating the inspection efficiency.

本発明のインフラ設備点検支援システムは、前記不良予測モデルがロジスティック回帰分析モデルであることを特徴とする。   The infrastructure equipment inspection support system of the present invention is characterized in that the failure prediction model is a logistic regression analysis model.

本発明のインフラ設備点検支援方法は、不良予測部が、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す過程と、前記不良予測部が、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう過程とを含むことを特徴とする。   In the infrastructure equipment inspection support method of the present invention, the failure prediction unit is provided for each area group in which the area is classified for each land type attribute, and by inputting the equipment attribute information and the weather data of the infrastructure equipment in the area, A process of reading the failure prediction model corresponding to the area in which the infrastructure equipment to be evaluated is located from a failure prediction model storage unit that stores a failure prediction model for performing equipment failure prediction, and the failure prediction unit is Inputting the equipment attribute information of the infrastructure equipment and the weather data of the area to which the infrastructure equipment belongs to a failure prediction model, and predicting the occurrence of failures within a predetermined cycle of the infrastructure equipment. It is characterized by

本発明のプログラムは、コンピュータを、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す読出手段、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測手段として機能させるためのプログラムである。   The program of the present invention is provided with a computer for each area group in which areas are classified according to land type attributes, and predicts defects of the infrastructure equipment by inputting equipment attribute information of infrastructure equipment and weather data in the area. Read-out means for reading out the failure prediction model corresponding to the area in which the infrastructure equipment to be evaluated is located from the failure prediction model storage section in which the failure prediction model is stored; It is a program for inputting equipment attribute information and meteorological data of the area to which the infrastructure equipment belongs and causing the infrastructure equipment to function as failure prediction means for predicting the occurrence of failures within a predetermined cycle of the infrastructure equipment.

この発明によれば、インフラ設備の不良予測が高い精度で行なえ、インフラ設備の点検計画を容易に策定する支援を行なうインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムを提供することができる。   According to the present invention, it is possible to provide an infrastructure equipment inspection support system, an infrastructure equipment inspection support method, and a program that can perform failure prediction of infrastructure equipment with high accuracy and that assists in easily establishing an infrastructure equipment inspection plan.

本発明の一実施形態によるインフラ設備点検支援システムの構成例を示す図である。It is a figure which shows the structural example of the infrastructure equipment inspection support system by one Embodiment of this invention. エリア面積比データベース１５に記憶されているエリア面積比テーブルの一例を示す図である。6 is a diagram showing an example of an area area ratio table stored in an area area ratio database 15. FIG. インフラ設備データベース１６に記憶されているインフラ設備テーブルの一例を示す図である。It is a figure which shows an example of the infrastructure equipment table memorize | stored in the infrastructure equipment database 16. エリア気象データベース１７に記憶されているエリア気象データテーブルの一例を示す図である。FIG. 6 is a diagram showing an example of an area weather data table stored in an area weather database 17. 不良予測モデル記憶部１８に記憶されている不良予測モデルテーブルの一例を示す図である。FIG. 7 is a diagram showing an example of a failure prediction model table stored in a failure prediction model storage unit 18. 社会的影響度データベース２４の社会的影響度指標テーブルの一例を示す図である。It is a figure which shows an example of the social impact index table of the social impact database 24. 点検能率データベース２５の点検能率指標テーブルの一例を示す図である。It is a figure which shows an example of the inspection efficiency index table of the inspection efficiency database 25. 不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、生成される優先度の表示形態を説明する図である。It is a figure explaining each of the failure occurrence risk index value, the social impact degree index value, and the inspection efficiency index value, and the display form of the generated priority. 本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の動作例を示すフローチャートである。It is a flowchart which shows the operation example of the process which calculates the failure prediction value by the failure prediction part of the infrastructure equipment inspection support system of this embodiment. 本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の動作例を示すフローチャートである。It is a flowchart which shows the operation example of the process which calculates | requires the priority in the inspection of the infrastructure equipment by the priority generation part of the infrastructure equipment inspection support system of this embodiment. 図１０のフローチャートにおけるステップＳ２４及びステップＳ２７の社会的影響度指標値及び点検能率指標値の算出する処理の動作例を示すフローチャートである。11 is a flowchart showing an operation example of processing of calculating a social impact degree index value and a check efficiency index value in steps S24 and S27 in the flowchart of FIG. 10.

以下、図面を参照して、本発明の一実施形態によるインフラ設備点検支援システムについて説明する。図１は、本発明の一実施形態によるインフラ設備点検支援システムの構成例を示す図である。
図１において、本実施形態におけるインフラ設備点検支援システム１は、不良予測部１０及び優先度生成部２０の各々を備えている。 An infrastructure equipment inspection support system according to an embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a diagram showing a configuration example of an infrastructure equipment inspection support system according to an embodiment of the present invention.
In FIG. 1, the infrastructure equipment inspection support system 1 according to the present embodiment includes a failure prediction unit 10 and a priority generation unit 20.

不良予測部１０は、所定の予測期間（例えば１年間）における、点検対象のインフラ設備の各々がそれぞれ不良（インフラ設備の故障も含む）を発生する予測値（予測値、すなわち不良が発生する程度を示す数値）を、この点検対象のインフラ設備が設置されているエリアの地域特性に対応した不良予測モデルにより求める。この不良予測モデルに対して、インフラ設備の属性情報（設備属性情報）と、直前の所定の期間における気象データとを説明変数として供給し、不良予測モデルから出力される予測値を、インフラ設備が所定の予測期間内に発生する予測値として出力する。   The failure prediction unit 10 predicts a predicted value (predicted value, that is, a degree of failure) in which each of the inspected infrastructure equipment has a failure (including failure of the infrastructure equipment) in a predetermined prediction period (for example, one year). Is calculated by the failure prediction model corresponding to the regional characteristics of the area where the infrastructure equipment to be inspected is installed. For this failure prediction model, the attribute information of the infrastructure equipment (equipment attribute information) and the meteorological data in the immediately preceding predetermined period are supplied as explanatory variables, and the infrastructure equipment outputs the predicted value output from the failure prediction model. It is output as a predicted value that occurs within a predetermined prediction period.

優先度生成部２０は、不良予測部１０から供給される予測値と、事故発生時の社会的影響度と、点検時における点検能率との各々を、優先度を求める目的指標としている。そして、いずれの目的に対応した優先度を算出するかにより、それぞれの目的指標の重み付けを調整して、インフラ設備の点検の優先度を求めている。   The priority generation unit 20 uses each of the predicted value supplied from the defect prediction unit 10, the degree of social impact at the time of an accident, and the inspection efficiency at the time of inspection as a target index for obtaining the priority. Then, depending on which purpose the priority corresponding to is calculated, the weighting of each purpose index is adjusted to obtain the priority of the infrastructure equipment inspection.

＜不良予測部１０の説明＞
不良予測部１０は、エリア分類部１１、データ正規化部１２、モデル生成部１３、不良予測値算出部１４、エリア面積比データベース１５、インフラ設備データベース１６、エリア気象データベース１７及び不良予測モデル記憶部１８の各々を備えている。 <Description of Defect Prediction Unit 10>
The failure prediction unit 10 includes an area classification unit 11, a data normalization unit 12, a model generation unit 13, a failure prediction value calculation unit 14, an area area ratio database 15, an infrastructure equipment database 16, an area weather database 17, and a failure prediction model storage unit. Each of the 18 is provided.

エリア分類部１１は、点検する領域が所定の面積に分割されたエリアの各々を、そのエリアにおける土地種別（土地の種類で任意に設定）の土地各々の占有比率を土地種別属性として、例えば、k-menas法（hartiganルール）に基づく分析手法で上記占有比率に基づいてクラスタリングし、所定数のエリアグループに分類する。本実施形態においては、点検対象のエリアとして、地域メッシュ（総務省の「統計に用いる標準地域メッシュおよび標準地域メッシュ・コード」）における３次メッシュ、すなわち緯度経度に基づき１ｋｍ四方のメッシュとした基準地域メッシュ（または、第３次地域区画）を用いている。しかしながら、エリアとしては上述した３次メッシュに限らず、各エリアの面積が同一であれば、任意の形状あるいは面積の土地をエリアとして設定しても良い。   The area classification unit 11 sets each of the areas in which the area to be inspected is divided into a predetermined area, and the occupation ratio of each land of the land type (arbitrarily set by the type of land) in the area as a land type attribute, for example, An analysis method based on the k-menas method (hartigan rule) is used to perform clustering based on the above-mentioned occupancy ratio and classify into a predetermined number of area groups. In the present embodiment, as the area to be inspected, the third mesh in the area mesh (“Standard area mesh used for statistics and standard area mesh code of Ministry of Internal Affairs and Communications”), that is, the standard of 1 km square mesh based on latitude and longitude A regional mesh (or third regional division) is used. However, the area is not limited to the above-described tertiary mesh, and if the area of each area is the same, land of any shape or area may be set as the area.

図２は、エリア面積比データベース１５に記憶されているエリア面積比テーブルの一例を示す図である。図２のエリア面積比テーブルは、レコード毎に、エリア識別情報、田面積、他農地面積、建物用地面積、荒地面積、海浜面積、森林面積、鉄道面積、…、グループ識別情報の各々の欄が設けられている。ここで、田、他農地、建物用地、荒地、海浜、森林及び鉄道の各々は、土地種別を示している。   FIG. 2 is a diagram showing an example of the area area ratio table stored in the area area ratio database 15. The area area ratio table of FIG. 2 includes, for each record, area identification information, paddy area, other farmland area, building land area, waste land area, beach area, forest area, railway area, ... It is provided. Here, each of the rice field, the other farmland, the building land, the wasteland, the beach, the forest, and the railroad indicates a land type.

ここで、エリア識別情報は、各エリアを識別するための識別情報であり、エリアが３次メッシュで設定されている場合には３次メッシュコードが用いられる。田面積は、エリア内にある全ての田圃の面積を加算した加算面積である。他農地面積は、エリア内にある田圃以外の農地、例えば畑などの全ての農地の面積を加算した加算面積である。建物用地面積は、エリア内にある全ての建物の敷地の面積を加算した加算面積である。荒地面積は、エリア内にある全ての荒地（使用目的が決まっていない未使用の土地）の面積を加算した加算面積である。海浜面積は、エリア内にある全ての砂浜の面積を加算した加算値である。森林面積は、エリア内にある全ての森林の面積を加算した加算面積である。鉄道面積は、エリア内にある全ての鉄道施設の面積を加算した加算面積である。グループ識別情報は、エリア分類部１１が行なうクラスタリングによりエリアの各々が分類されたグループの識別情報である。   Here, the area identification information is identification information for identifying each area, and when the area is set with a tertiary mesh, a tertiary mesh code is used. The rice field area is an added area obtained by adding the areas of all the rice fields in the area. The other farmland area is an added area obtained by adding the areas of all farmlands other than the rice fields in the area, for example, fields. The building land area is an added area obtained by adding the areas of the sites of all the buildings in the area. The wasteland area is an added area obtained by adding the areas of all the wastelands (unused land whose purpose of use is not determined) in the area. The beach area is an added value obtained by adding the areas of all the beaches in the area. The forest area is an added area obtained by adding the areas of all the forests in the area. The railway area is an added area obtained by adding the areas of all the railway facilities in the area. The group identification information is identification information of a group in which each area is classified by the clustering performed by the area classification unit 11.

図１に戻り、エリア分類部１１は、エリア面積比データベース１５のエリア面積比テーブルを参照し、エリア毎に、エリアの総面積における田面積、他農地面積、建物用地面積、荒地面積、海浜面積、森林面積及び鉄道面積の各々の面積比を求める。
そして、エリア分類部１１は、エリア全体の面積における土地種別の各々の土地の占有面積の比（占有面積比）それぞれの組合せを特徴ベクトルとして、エリアそれぞれの座標点を特徴空間に分布させ、すでに述べたk-menas法などに従ったクラスタリングを行ない、各エリアを特徴が近似するグループに分類する。
また、エリア分類部１１は、エリア面積比データベース１５のエリア面積比テーブルにおけるグループ識別情報の欄に対して、エリアがクラスタリングにより分類されたグループのグループ識別情報を書き込む。 Returning to FIG. 1, the area classification unit 11 refers to the area area ratio table of the area area ratio database 15 and, for each area, the paddy area, other farmland area, building land area, wasteland area, beach area in the total area of the area. Calculate the area ratio of forest area and railway area.
Then, the area classification unit 11 distributes the coordinate points of each area in the feature space, using the respective combinations of the ratios of the occupied areas of the respective land types (occupied area ratios) in the area of the entire area as feature vectors, Clustering is performed according to the k-menas method described above, and each area is classified into groups with similar features.
Further, the area classification unit 11 writes the group identification information of the group into which the areas are classified by clustering in the column of the group identification information in the area area ratio table of the area area ratio database 15.

データ正規化部１２は、インフラ設備の属性情報及び気象データの属性情報のおのおのの正規化（標準化）を行い、不良予測モデル（本実施形態においてはロジスティック回帰分析モデルを用いている）を作成する際に用いるデータマートの作成を行なう。   The data normalization unit 12 normalizes (standardizes) each of the attribute information of the infrastructure equipment and the attribute information of the meteorological data to create a failure prediction model (in this embodiment, a logistic regression analysis model is used). Create a data mart to be used for this.

図３は、インフラ設備データベース１６に記憶されているインフラ設備テーブルの一例を示す図である。図３のインフラ設備テーブルは、レコード毎に、インフラ設備識別情報、エリア識別情報、不良フラグ、経年、材質、直径、高さ、…などの欄が設けられている。ここで、経年、材質、直径、高さ、…は、インフラ設備の属性情報を示している。この図３のインフラ設備テーブルは、例えば電信柱の属性情報を示している。本実施形態においては、インフラ設備の種類毎に対応した不良予測モデルが生成される。したがって、図３のインフラ設備テーブルは、電信柱の不良予測モデルを生成する際に用いられる。   FIG. 3 is a diagram showing an example of an infrastructure equipment table stored in the infrastructure equipment database 16. The infrastructure equipment table of FIG. 3 is provided with columns such as infrastructure equipment identification information, area identification information, defect flag, age, material, diameter, height, ... For each record. Here, age, material, diameter, height, ... Show attribute information of infrastructure equipment. The infrastructure equipment table of FIG. 3 shows attribute information of telephone poles, for example. In this embodiment, a failure prediction model corresponding to each type of infrastructure equipment is generated. Therefore, the infrastructure equipment table of FIG. 3 is used when generating a failure prediction model of a telephone pole.

ここで、インフラ設備識別情報は、各インフラ設備を識別するための識別情報である。エリア識別情報は、このインフラ設備が配置されているエリアのエリア識別情報である。不良フラグは、所定の予測周期（例えば、１年）内に不良が発生したか否かを示すフラグであり、例えば不良が発生している場合に「１」が書き込まれ、不良が発生していない場合に「０」が書き込まれている。経年は、設置あるいは不良が発生して修理してから起算される年数であり、不良が発生していない場合、起算してから予測周期が終了するまでの年数となる。一方、経年は、不良が発生している場合、起算してから不良が発生するまでの年数となる。材質は、木、コンクリート及び鋼管などの複数の構造の異なる材質が存在するため、例えば、木、コンクリート、鋼管それぞれに所定の数値を付与してパラメータとしている。直径は、電信柱の円柱部分で最も太い部分の直径が示される。高さは、電信柱の地上からの高さが示される。   Here, the infrastructure equipment identification information is identification information for identifying each infrastructure equipment. The area identification information is area identification information of the area in which this infrastructure equipment is arranged. The defect flag is a flag that indicates whether or not a defect has occurred within a predetermined prediction cycle (for example, one year). For example, when a defect has occurred, "1" is written and the defect has occurred. If there is not, "0" is written. Aged is the number of years that is calculated after installation or when a defect has occurred and repaired. If no defect has occurred, it is the number of years from the start of calculation until the end of the prediction cycle. On the other hand, the aging is the number of years from the start of calculation to the occurrence of a defect if a defect has occurred. Since there are a plurality of materials having different structures such as wood, concrete, and steel pipes, for example, a predetermined numerical value is given to each of wood, concrete, and steel pipes as a parameter. The diameter is the diameter of the thickest part of the column of the telephone pole. The height indicates the height of the telephone pole from the ground.

図４は、エリア気象データベース１７に記憶されているエリア気象データテーブルの一例を示す図である。図４のエリア気象データテーブルは、レコード毎に、エリア識別情報、気温、降水量、風速、湿度、日射量、積雪量、…などの欄が設けられている。ここで、気温、降水量、風速、湿度、日射量、積雪量、…は、気象データの属性情報を示している。   FIG. 4 is a diagram showing an example of an area weather data table stored in the area weather database 17. The area weather data table of FIG. 4 is provided with columns such as area identification information, temperature, precipitation amount, wind speed, humidity, solar radiation amount, snow accumulation amount, ... For each record. Here, temperature, precipitation amount, wind speed, humidity, solar radiation amount, snow accumulation amount, ... Show attribute information of the meteorological data.

ここで、エリア識別情報は、各エリアを識別するための識別情報である。気温は、対応するエリアの所定の予測期間における平均気温である。降水量は、対応するエリアの所定の予測期間における総降水量である。風速は、対応するエリアの所定の予測期間における平均風速である。湿度は、対応するエリアの所定の予測期間における平均湿度である。日射量は、対応するエリアの所定の予測期間における総日射量である。積雪量は、対応するエリアの所定の予測期間における総積雪量である。   Here, the area identification information is identification information for identifying each area. The temperature is an average temperature in a predetermined prediction period of the corresponding area. The precipitation amount is the total precipitation amount in a predetermined prediction period of the corresponding area. The wind speed is an average wind speed in a predetermined prediction period of the corresponding area. Humidity is an average humidity in a predetermined prediction period of the corresponding area. The amount of solar radiation is the total amount of solar radiation in a predetermined prediction period of the corresponding area. The snowfall amount is the total snowfall amount in a predetermined prediction period of the corresponding area.

図１に戻り、データ正規化部１２は、経年の正規化を行なう際、点検を行なう全てのインフラ設備（本実施形態においては電信柱）の経年の年数の規格化を行なう。このとき、データ正規化部１２は、以下の（１）式を用いて、平均０として、分散（及び標準偏差）１とする正規化を行なう。   Returning to FIG. 1, the data normalization unit 12 normalizes the years of all the infrastructure equipment (telephone poles in this embodiment) to be inspected when normalizing the years. At this time, the data normalization unit 12 uses the following equation (1) to perform normalization with the mean 0 and the variance (and standard deviation) 1.

Ｙ＝（Ｘ−μ）／σ …（１）     Y = (X-μ) / σ (1)

この（１）式において、Ｙは経年の年数が規格化された数値であり、Ｘは規格化する前の経年の年数であり、μは全てのインフラ設備の経年の年数の平均値であり、σはインフラ設備の経年の年数の標準偏差である。データ正規化部１２は、他のインフラ設備の属性情報のデータである経年、材質、直径、高さと、気象データの属性情報のデータである気温、降水量、風速、湿度、日射量、積雪量とも、上述した経年と同様に規格化を行なう。   In this formula (1), Y is the number of years that has been standardized, X is the number of years before standardization, and μ is the average of the number of years of all infrastructure equipment, σ is the standard deviation of the years of infrastructure equipment. The data normalization unit 12 is the data of attribute information of other infrastructure facilities, such as age, material, diameter, and height, and the data of attribute information of meteorological data is temperature, precipitation, wind speed, humidity, insolation, and snow accumulation. Both are standardized in the same manner as the above-mentioned aging.

モデル生成部１３は、データ正規化部１２における規格化により生成された、インフラ設備の属性情報及び気象データの属性情報の各々のデータマートにおけるエリア毎の規格化されたデータを用いて、下記（２）式の不良予測モデル（本実施形態におけるロジスティック回帰分析モデル）の生成を、エリア毎に行なう。   The model generation unit 13 uses the standardized data for each area in each data mart of the attribute information of the infrastructure equipment and the attribute information of the meteorological data, which is generated by the standardization in the data normalization unit 12, using the following ( The defect prediction model (logistic regression analysis model in this embodiment) of the formula 2) is generated for each area.

上記（２）式において、予測値Ｙはインフラ設備に不良が発生する予測値を示している。また、説明変数ｘ１、ｘ２、…、ｘｐの各々は、それぞれインフラ設備の属性情報と気象データの属性情報との規格化された数値（データマートの数値）を示している。回帰係数ａ１、ａ２、…、ａｐの各々は、それぞれ説明変数ｘｉ（１≦ｉ≦ｐ、ｉは整数）のロジスティック回帰係数である。定数ｂは、ロジスティック回帰分析モデルの生成過程で得られる所定の数値である。 In the above formula (2), the predicted value Y indicates the predicted value at which a defect occurs in the infrastructure equipment. Further, each of the explanatory variables x 1 , x 2 , ..., X p represents a standardized numerical value (a numerical value of a data mart) of the attribute information of the infrastructure equipment and the attribute information of the meteorological data. Regression coefficients a 1, a 2, ..., each of a p is a logistic regression coefficient of each explanatory variable x i (1 ≦ i ≦ p , i is an integer). The constant b is a predetermined numerical value obtained in the process of generating the logistic regression analysis model.

ここで、モデル生成部１３は、不良発生の予測値（発生する度合いあるいは確率を示す数値）を求める予測期間の直前の予測期間におけるエリア毎のインフラ設備各々のデータマートを参照し、このデータマートを学習用データとし、エリア毎の（２）式の不良予測モデルの生成を行なう。学習用データとしては、エリアに属するインフラ設備の一部を用いて行なう。この際、学習用データとして用いる不良ビットが「０」のインフラ設備と不良ビットが「１」のインフラ設備との各々の数は、エリアにおける「０」のインフラ設備の数と不良ビットが「１」のインフラ設備の数との比と均等の比で抽出することが望ましい。   Here, the model generation unit 13 refers to the data mart of each infrastructure facility in each area in the prediction period immediately before the prediction period in which the predicted value of failure occurrence (a numerical value indicating the occurrence degree or probability) is obtained, and this data mart is referred to. Is used as learning data, and the defect prediction model of the equation (2) is generated for each area. As learning data, part of the infrastructure equipment belonging to the area is used. At this time, the number of each of the infrastructure equipment whose defective bit is “0” and the infrastructure equipment whose defective bit is “1” used as the learning data is the same as the number of infrastructure equipment of “0” and the defective bit is “1” in the area. It is desirable to extract in a ratio equal to the ratio of the number of infrastructure equipment.

以下の不良予測モデルの生成は、各エリアに属するインフラ設備のデータマートを用いてエリア毎に行なわれる。すなわち、モデル生成部１３は、エリア毎に、学習用データにおけるインフラ設備（不良予測モデルの生成の対象であるインフラ設備、本実施形態においては電信柱）の規格化されたインフラ設備の属性情報と気象データの属性情報を読み出し、応答変数としての予測値及び説明変数に代入する。   The following failure prediction model is generated for each area using the data mart of the infrastructure equipment belonging to each area. That is, the model generating unit 13 stores, for each area, the standardized infrastructure equipment attribute information of the infrastructure equipment (the infrastructure equipment that is the target of the generation of the failure prediction model, the telephone pole in the present embodiment) in the learning data. The attribute information of the meteorological data is read out and substituted into the predicted value and the explanatory variable as the response variable.

このとき、モデル生成部１３は、予測値Ｙに対し、不良フラグの数値（「０」または「１」）を代入する。また、モデル生成部１３は、説明変数ｘｉの各々に対し、説明変数ｘ１に経年の規格化されたデータ、説明変数ｘ２に材質の規格化されたデータ、…、ｘｐに積雪量の規格化されたデータを代入する。
すなわち、モデル生成部１３は、全ての学習に用いたインフラ設備毎に、インフラ設備の属性情報の経年、材質、直径、高さの規格化されたデータと、属性情報の気温、降水量、風速、湿度、日射量、積雪量の規格化されたデータとの各々を、説明変数ｘ１、ｘ２、…、ｘｐのそれぞれに代入し、各不良設備の不良フラグの数値に最も近くなる予測値Ｙが得られる回帰係数ａ１、ａ２、…、ａｐの各々を求める（回帰係数のフィッティング処理）。 At this time, the model generation unit 13 substitutes the numerical value (“0” or “1”) of the defect flag for the predicted value Y. Further, the model generation unit 13 sets, for each of the explanatory variables x i , normalized data for the explanatory variable x 1 , normalized data for the material for the explanatory variable x 2 , ..., Amount of snowfall for x p . Substitute the standardized data of.
That is, the model generation unit 13 standardizes data of the attribute information of the infrastructure equipment such as age, material, diameter, and height for each infrastructure equipment used for all learning, and temperature, precipitation, wind speed of the attribute information. , humidity, solar radiation, each of the normalized data snowfall, explanatory variables x 1, x 2, ..., and substituted into each of x p, is closest to a number of bad flag for each defective equipment prediction regression coefficient value Y is obtained a 1, a 2, ..., ask each of a p (fitting process of regression coefficients).

そして、モデル生成部１３は、上述のように求めた不良予測モデルの各々を、それぞれエリア識別情報に対応させて、不良予測モデル記憶部１８に書き込んで記憶させる。
図５は、不良予測モデル記憶部１８に記憶されている不良予測モデルテーブルの一例を示す図である。図５の不良予測モデルテーブルは、レコード毎に、エリア識別情報及び不良予測モデルの各々の欄が設けられている。ここで、気温、降水量、風速、湿度、日射量、積雪量、…は、気象データの属性情報を示している。ここで、エリア識別情報は、各エリアを識別するための識別情報である。不良予測モデルは、モデル生成部１３により生成されたエリア識別情報の示すエリアに対応したロジスティック回帰分析モデルである。 Then, the model generation unit 13 writes and stores each of the failure prediction models obtained as described above in the failure prediction model storage unit 18 in association with the area identification information.
FIG. 5 is a diagram showing an example of a failure prediction model table stored in the failure prediction model storage unit 18. The defect prediction model table of FIG. 5 is provided with each column of area identification information and defect prediction model for each record. Here, temperature, precipitation amount, wind speed, humidity, solar radiation amount, snow accumulation amount, ... Show attribute information of the meteorological data. Here, the area identification information is identification information for identifying each area. The failure prediction model is a logistic regression analysis model corresponding to the area indicated by the area identification information generated by the model generation unit 13.

図１に戻り、不良予測値算出部１４は、各インフラ設備の予測値を算出する際に、このインフラ設備と、このインフラ設備の設置されているエリアの気象データとの規格化されたデータ（予測期間の直前の予測期間におけるデータ）をインフラ設備データベース１６及びエリア気象データベース１７の各々から読み出す。また、不良予測値算出部１４は、予測値を算出する対象のインフラ設備の属するエリアに対応した不良予測モデルを、不良予測モデル記憶部１８の不良予測モデルテーブルから読み出す。   Returning to FIG. 1, when calculating the predicted value of each infrastructure equipment, the failure prediction value calculation unit 14 standardizes the data of this infrastructure equipment and the meteorological data of the area where the infrastructure equipment is installed ( (Data in the prediction period immediately before the prediction period) is read from each of the infrastructure equipment database 16 and the area weather database 17. Further, the failure prediction value calculation unit 14 reads out a failure prediction model corresponding to the area to which the infrastructure equipment of which the prediction value is calculated belongs, from the failure prediction model table of the failure prediction model storage unit 18.

そして、不良予測値算出部１４は、対応する不良予測モデルの説明変数ｘ１、ｘ２、…、ｘｐの各々に対し、それぞれ説明変数の各々に対して、インフラ設備及び気象データの属性情報が規格化されたデータを代入し、インフラ設備の予測期間における不良の予測値である予測値Ｙの算出を行なう。
上述したように、本実施形態においては、例えば、１年を予測期間とし、ｎ年内におけるインフラ設備の不良の予測値を求める場合、ｎ−１年のインフラ設備及び気象データの属性情報を学習用データとして用い、ｎ年内の予測値の算出に用いる不良予測モデルを生成し、この不良予測モデルに対してｎ−１年の各インフラ設備のインフラ設備及び気象データの属性情報を代入し、各エリアのインフラ設備のｎ年内における不良の予測値を算出する。 The failure prediction value calculation unit 14 then, for each of the explanatory variables x 1 , x 2 , ..., X p of the corresponding failure prediction model, for each of the explanatory variables, the attribute information of the infrastructure equipment and the meteorological data. Substitutes the standardized data and calculates the predicted value Y, which is the predicted value of failure in the prediction period of the infrastructure equipment.
As described above, in the present embodiment, for example, when one year is used as the prediction period and the predicted value of the failure of the infrastructure equipment within n years is obtained, the attribute information of the infrastructure equipment and the meteorological data for the year n-1 is used for learning. It is used as data to generate a failure prediction model used to calculate the predicted value within n years, and the infrastructure equipment of each infrastructure equipment for year n-1 and the attribute information of the meteorological data are substituted into this failure prediction model, and each area is Calculate the predicted value of defects of the infrastructure equipment within n years.

また、本実施形態においては、不良予測モデルをロジスティック回帰分析モデルとして説明したが、他の機械学習モデルを予測モデルとして用い、上述した学習用データにより、不良の予測値を求める学習を行ない不良予測モデルを生成する構成としても良い。   Further, in the present embodiment, the failure prediction model has been described as a logistic regression analysis model, but another machine learning model is used as a prediction model, and learning to obtain a prediction value of failure is performed by the above-described learning data. It may be configured to generate a model.

＜優先度生成部２０の説明＞
優先度生成部２０は、パラメータ設定部２１、データ正規化部２２、優先度算出部２３、社会的影響度データベース２４、点検能率データベース２５及び優先度データベース２６の各々を備えている。本実施形態においては、すでに述べたように、優先度を求めるための目的指標として、不良発生リスク指標、不良発生時の社会的影響度指標及び点検能率指標の各々を設定している。この不良発生リスク指標の指標値（パラメータ）としては、すでに説明した不良予測部１０が求めた各インフラ設備の不良の予測値が用いられる。
本実施形態においては、優先度生成部２０により、以下の（３）式により、優先度が求められる。 <Description of the priority generation unit 20>
The priority generation unit 20 includes a parameter setting unit 21, a data normalization unit 22, a priority calculation unit 23, a social impact database 24, an inspection efficiency database 25, and a priority database 26. In the present embodiment, as described above, the failure occurrence risk index, the social impact index at the time of failure occurrence, and the inspection efficiency index are set as the target indexes for obtaining the priority. As the index value (parameter) of this failure occurrence risk index, the predicted value of the failure of each infrastructure equipment obtained by the failure prediction unit 10 described above is used.
In the present embodiment, the priority generation unit 20 calculates the priority according to the following equation (3).

Ｑ ＝ α×不良発生リスク指標値＋β×社会的影響度指標値＋γ×点検能率指標値
…（３） Q = α × Defect occurrence risk index value + β × Social impact index value + γ × Inspection efficiency index value
… (3)

上記（３）式において、Ｑは優先度数値であり、αは不良発生リスク指標値に対する重み係数であり、βは社会的影響度指標値に対する重み係数であり、γは点検能率指標値に対する重み係数である。
（３）式においては、重み係数を調整することにより、不良発生リスク、社会的影響度及び点検能率のいずれを点検の優先度を決める目的とするかを設定する。 In the above formula (3), Q is a priority numerical value, α is a weighting factor for the defect occurrence risk index value, β is a weighting factor for the social impact index value, and γ is a weighting for the inspection efficiency index value. It is a coefficient.
In equation (3), by adjusting the weighting factor, which of the risk of failure occurrence, the degree of social impact, and the efficiency of inspection is set as the purpose of determining the priority of inspection is set.

すなわち、α＞β、α＞γとした場合、不良発生リスクを最小とすることが点検の目的となるため、不良発生リスクの高い点検対象の優先度が高くなる。また、β＞α、β＞γとした場合、社会的影響度を最小とすることが点検の目的となるため、社会的影響度の高い点検対象の優先度が高くなる。さらに、γ＞α、γ＞βとした場合、点検能率を最大とすることが点検の目的となるため、点検能率の高い点検対象の優先度が高くなる。   That is, when α> β and α> γ, the purpose of inspection is to minimize the risk of defect occurrence, and therefore the priority of inspection targets with high risk of defect occurrence is high. Further, when β> α and β> γ, the purpose of inspection is to minimize the degree of social influence, and therefore the priority of inspection targets having high degree of social influence is high. Further, when γ> α and γ> β, the purpose of the inspection is to maximize the inspection efficiency, and thus the priority of inspection objects having high inspection efficiency becomes high.

上述した重み係数α、β及びγの各々は、加算値が一定となる範囲で任意に設定され、本実施形態の場合、α＋β＋γ＝１０としている。この加算値が一定であれば、重み係数α、β及びγの各々は、「０」としても良い。例えば、α＝３、β＝６、γ＝１などと設定する。この場合、点検の優先度を算出する際、優先度の算出における点検能率の要素を低くし、社会的影響度の要素を高くし、不良発生リスクの要素も考慮に入れた優先度を得ることができる。
また、重み係数が「０」とされた指標値は、（３）式の構成から判るように優先度の設定には寄与しない。 Each of the weighting factors α, β and γ described above is arbitrarily set within a range in which the added value is constant, and in this embodiment, α + β + γ = 10. If the added value is constant, each of the weighting factors α, β and γ may be “0”. For example, α = 3, β = 6, and γ = 1 are set. In this case, when calculating the inspection priority, lower the inspection efficiency factor in the priority calculation, increase the social impact factor, and obtain a priority that also takes into account the defect occurrence risk factor. You can
Further, the index value with the weighting coefficient set to "0" does not contribute to the setting of the priority, as can be seen from the configuration of Expression (3).

パラメータ設定部２１は、重み係数α、β及びγの各々の設定値を入力す入力欄と、重み係数の設定値を入力することを促す通知とを、図示しない表示部の表示画面に対して表示する。
そして、パラメータ設定部２１は、入力欄に入力された重み係数α、β及びγの各々を、優先度算出部２３に対して出力する。 The parameter setting unit 21 displays an input field for inputting the setting values of the weighting factors α, β, and γ and a notification prompting the user to enter the setting values of the weighting factors on the display screen of the display unit (not shown). indicate.
Then, the parameter setting unit 21 outputs each of the weighting factors α, β, and γ input in the input field to the priority calculation unit 23.

また、パラメータ設定部２１は、点検対象の優先度の算出を、点検対象としてインフラ設備単体とするか、エリア単位（エリア内の点検を一括して行なう）とするかの選択を行なう選択欄と、インフラ設備単体及びエリア単位のいずれかの選択を促す通知とを上記表示画面に表示する。
そして、パラメータ設定部２１は、表示画面の選択欄から選択結果を読み込み、インフラ設備単体及びエリア単位のいずれが選択されたかを示す通知を、データ正規化部２２及び優先度算出部２３の各々に対して出力する。 In addition, the parameter setting unit 21 has a selection field for selecting whether to calculate the priority of the inspection target as a single inspection target of infrastructure equipment or in units of areas (collectively perform inspections in the area). , A notification prompting the user to select either infrastructure equipment alone or area unit is displayed on the display screen.
Then, the parameter setting unit 21 reads the selection result from the selection column of the display screen, and notifies the data normalization unit 22 and the priority calculation unit 23 of a notification indicating which one of the infrastructure equipment unit and the area unit is selected. Output to.

また、パラメータ設定部２１は、社会的影響度指標の複数の種類、及び点検能率指標の複数の種類の各々を選択する選択欄と、優先度を求めるために用いる社会的影響度指標と点検能率指標との選択を促す通知とを表示画面の選択欄に表示する。
そして、パラメータ設定部２１は、表示画面の選択欄から選択結果を読み込み、選択された社会的影響度指標の複数の種類、及び点検能率指標の複数の種類の各々を示す通知を、データ正規化部２２及び優先度算出部２３の各々に対して出力する。 The parameter setting unit 21 also includes a selection field for selecting each of a plurality of types of social impact indicators and a plurality of types of inspection efficiency indicators, a social impact indicator used to obtain the priority, and an inspection efficiency indicator. An indicator and a notification prompting selection are displayed in the selection field of the display screen.
Then, the parameter setting unit 21 reads the selection result from the selection field of the display screen, and normalizes the data indicating a plurality of types of the selected social impact index and a plurality of types of the inspection efficiency index. It outputs to each of the unit 22 and the priority calculation unit 23.

データ正規化部２２は、上記（３）式の不良発生リスク指標値の規格化を行なうが、優先度の算出対象をインフラ設備単位とするか、エリア単位とするかにより、指標値の正規化における算出処理が異なる。
・インフラ設備単体の場合
データ正規化部２２は、点検対象の全てのエリアに属するインフラ設備の不良の予測値を（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における不良発生リスク指標値とする。 The data normalization unit 22 normalizes the defect occurrence risk index value of the above formula (3), but normalizes the index value depending on whether the priority calculation target is an infrastructure facility unit or an area unit. The calculation process in is different.
In the case of infrastructure equipment alone, the data normalization unit 22 uses the equation (1) to predict the failure value of the infrastructure equipment belonging to all the areas to be inspected, and the average is “0” and the variance is “1”. Are used as the defect occurrence risk index value in the equation (3).

・エリア単位の場合
データ正規化部２２は、点検対象の全てのエリア毎に、各エリアに属するインフラ設備の不良の予測値の総和を求め、点検対象の全てのエリアの総和それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における不良発生リスク指標値とする。 In case of area unit The data normalization unit 22 obtains the sum of the predicted values of the defects of the infrastructure equipment belonging to each area for all the areas to be inspected, and calculates the sum of all the areas to be inspected (1). The equation is used to perform normalization so that the average becomes “0” and the variance becomes “1”, and this is used as the defect occurrence risk index value in the equation (3).

また、データ正規化部２２は、不良発生時の社会的影響度指標値を求める際、社会的影響度指標には複数種類あるため、指標を一つとした場合と、複数とした場合とにより社会的影響度指標値の算出処理が異なる。
図６は、社会的影響度データベース２４の社会的影響度指標テーブルの一例を示す図である。図６の社会的影響度指標テーブルは、レコード毎に、エリア識別情報、昼間人口、夜間人口、住宅密度、エリア種別、道路面積、…の各々の欄が設けられている。 In addition, when the data normalization unit 22 obtains a social impact index value when a defect occurs, there are multiple types of social impact indices, so there are cases where there is one index and when there are multiple indicators. The calculation process of the dynamic impact index value is different.
FIG. 6 is a diagram showing an example of the social impact index table of the social impact database 24. The social impact index table of FIG. 6 has columns for each record of area identification information, daytime population, nighttime population, house density, area type, road area, ....

ここで、昼間人口、夜間人口、住宅密度、エリア種別、道路面積、…の各々は、社会的影響度指標値である。昼間人口は、単位が人数であり、エリア識別情報が示すエリアに、昼間（例えば、０６：００から１８：００）に存在する人数である。夜間人口は、単位が人数であり、エリア識別情報が示すエリアに、夜間（例えば、１８：００から０６：００）に存在する人数である。   Here, each of the daytime population, nighttime population, housing density, area type, road area, ... Is a social impact index value. The daytime population is the number of people in the unit, and is the number of people present in the area indicated by the area identification information during the daytime (for example, from 06:00 to 18:00). The unit of the nighttime population is the number of people, and the number of people at night (for example, from 18:00 to 06:00) in the area indicated by the area identification information.

住宅密度は、単位が軒数であり、エリア識別情報が示すエリアに存在する住宅の数である。エリア種別は、エリアの土地種別であり、土地種別毎に設定された数値が書き込まれている。例えば、農業地帯、住宅地帯、商業地帯、工業地帯の順に、影響度が高くなると想定されるため、それぞれ順次大きくなる所定の数値が設定され、この数値がエリア種別の欄に予め書き込まれている。また、例えば、土地種別において、住宅地帯及び工業地帯を「１」、農業地帯及び商業地帯を「０」とする影響度の大きい地域と小さい地域とをバイナリ情報として示しても良い。道路面積は、単位が平方メートルであり、エリア識別情報が示すエリアにおける道路の総面積である。   The house density is in units of the number of houses, and is the number of houses existing in the area indicated by the area identification information. The area type is the land type of the area, and the numerical value set for each land type is written. For example, since it is assumed that the degree of influence increases in the order of agricultural zone, residential zone, commercial zone, and industrial zone, a predetermined numerical value that increases in sequence is set, and this numerical value is written in the area type column in advance. . Further, for example, in the type of land, a region having a large influence degree and a region having a small influence degree, where the residential zone and the industrial zone are “1” and the agricultural zone and the commercial zone are “0”, may be shown as binary information. The unit of the road area is a square meter, and is the total area of the road in the area indicated by the area identification information.

図１に戻り、データ正規化部２２は、上記（３）式の社会的影響度指標値の規格化を行なうが、社会的影響度指標が一つ選択された場合と、複数の社会的影響度指標が選択された場合とにより、社会的影響度指標値の正規化における算出処理が異なる。
・社会的影響度指標が一つ選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における社会的影響度指標値とする。例えば、社会的影響度指標として、昼間人口が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口のそれぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。 Returning to FIG. 1, the data normalization unit 22 normalizes the social impact index value of the above formula (3). However, when one social impact index is selected and when a plurality of social impact indices are selected, The calculation process for normalizing the social impact degree index value differs depending on whether the degree index is selected.
When one social impact index is selected, the data normalization unit 22 calculates the numerical value of each selected social impact index in all areas to be inspected as an average of “0” according to the equation (1). , And the variance becomes “1”, and this is used as the social impact index value in equation (3). For example, when the daytime population is selected as the social impact index, the data normalization unit 22 calculates the average of the daytime population of all areas to be inspected as “0” according to the equation (1), and the variance is calculated. Will be "1".

・社会的影響度指標が複数選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、（３）式で用いる社会的影響度指標値を求める。 -When a plurality of social impact indicators are selected The data normalization unit 22 calculates the numerical values of the selected social impact indicators in all areas to be inspected as an average of "0" according to the equation (1). And the normalization is performed so that the variance is “1”. Then, the data normalization unit 22 adds a plurality of types of social impact index values after normalization for all areas, and the addition result is again expressed by the equation (1), the average becomes “0”, and the variance is calculated. Is normalized to obtain "1", and the social impact index value used in equation (3) is obtained.

例えば、社会的影響度指標として、昼間人口と夜間人口との２個が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口、夜間人口それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、昼間人口と夜間人口とのそれぞれの規格化を行なった後、エリア毎に、規格化を行なった昼間人口の社会的影響度指標値と夜間人口の社会的影響度指標値とを加算して、加算結果を（１）式により再度正規化を行ない、（３）式で用いる社会的影響度指標値とする。   For example, when two of the daytime population and the nighttime population are selected as the social impact index, the data normalization unit 22 calculates the daytime population and the nighttime population of all areas to be inspected by the equation (1). , The average is “0” and the variance is “1”. After normalizing the daytime population and the nighttime population, the data normalization unit 22 then normalizes the social impact index value of the daytime population and the social impact of the nighttime population for each area. And the degree index value are added, and the addition result is normalized again by the equation (1) to obtain the social impact degree index value used in the equation (3).

データ正規化部２２は、上記（３）式の点検能率指標値の規格化を行なうが、点検能率指標が一つ選択された場合と、複数の点検能率指標が選択された場合とにより、点検能率指標値の正規化における算出処理が異なる。
図７は、点検能率データベース２５の点検能率指標テーブルの一例を示す図である。図７の点検能率指標テーブルは、レコード毎に、インフラ設備数（個数）、顧客数（社数）、道路面積（平方ｍ）、鉄道面積（平方ｍ）、…の各々の欄が設けられている。 The data normalization unit 22 normalizes the inspection efficiency index value of the above formula (3), but the inspection is performed depending on whether one inspection efficiency index is selected or a plurality of inspection efficiency indexes are selected. The calculation process in the normalization of the efficiency index value is different.
FIG. 7 is a diagram showing an example of the inspection efficiency index table of the inspection efficiency database 25. The inspection efficiency index table of FIG. 7 has columns for each record of the number of infrastructure equipment (number), the number of customers (number of companies), road area (square m), railroad area (square m), ... There is.

ここで、インフラ設備数、顧客数、道路面積、鉄道面積、…の各々は、点検能率指標値である。インフラ設備数は、単位が個数であり、エリア内において設置されているインフラ設備の数を示している。顧客数は、単位が社数であり、エリア内に存在する顧客（会社など）の数を示している。道路面積は、単位が平方ｍであり、エリア識別情報が示すエリアにおける道路の総面積である。鉄道面積は、単位が平方ｍであり、エリア識別情報が示すエリア内にある全ての鉄道施設の面積を加算した加算面積である。   Here, each of the number of infrastructure facilities, the number of customers, the road area, the railroad area, ... Is an inspection efficiency index value. The unit of the number of infrastructure facilities is the number, and indicates the number of infrastructure facilities installed in the area. The number of customers is the number of companies, and indicates the number of customers (such as companies) existing in the area. The unit of the road area is square m, and is the total area of the road in the area indicated by the area identification information. The railway area has a unit of square m and is an added area obtained by adding the areas of all railway facilities in the area indicated by the area identification information.

・点検能率指標が一つ選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における点検能率指標値とする。例えば、点検能率指標として、昼間人口が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口のそれぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。 When one inspection efficiency index is selected, the data normalization unit 22 averages the numerical values of the selected inspection efficiency indexes in all areas to be inspected by the equation (1), and the variance is calculated. Is normalized to be "1", and this is used as the inspection efficiency index value in the equation (3). For example, when the daytime population is selected as the inspection efficiency index, the data normalization unit 22 averages each daytime population of all areas to be inspected by equation (1) to be “0” and the variance is “ 1 "is performed.

・点検能率指標が複数選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、全てのエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、（３）式で用いる点検能率指標値を求める。 -When a plurality of inspection efficiency indexes are selected, the data normalization unit 22 calculates the numerical values of the selected inspection efficiency indexes in all areas to be inspected by the equation (1), and the average is "0", and the variance is Normalize to "1". Then, the data normalization unit 22 adds a plurality of types of inspection efficiency index values after normalization for all areas, and the addition result is again expressed by the equation (1) so that the average becomes “0” and the variance is “ Then, the inspection efficiency index value used in the equation (3) is obtained.

例えば、点検能率指標として、インフラ設備数と顧客数との２個が選択された場合、データ正規化部２２は、点検対象の全てのエリアにおけるインフラ設備数、顧客数それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、インフラ設備数と顧客数とのそれぞれの規格化を行なった後、規格化を行なったインフラ設備数の点検能率指標値と顧客数の点検能率指標値とをエリア毎に加算して、加算結果を（１）式により再度正規化を行ない、（３）式で用いる点検能率指標値とする。   For example, when two, the number of infrastructure facilities and the number of customers, are selected as the inspection efficiency index, the data normalization unit 22 calculates the number of infrastructure facilities and the number of customers in all areas to be inspected by the formula (1). , The average is “0” and the variance is “1”. Then, the data normalization unit 22 standardizes the number of infrastructure facilities and the number of customers, respectively, and then the inspection efficiency index value of the standardized number of infrastructure facilities and the inspection efficiency index value of the number of customers are divided into areas. The result is added for each time, and the addition result is renormalized by the equation (1) to obtain the inspection efficiency index value used in the equation (3).

優先度算出部２３は、（３）式において、データ正規化部２２が正規化した不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々に対して、重み係数α、β、γのそれぞれを乗算し、各乗算結果を加算することにより、インフラ設備単位あるいはエリア単位の優先度数値Ｑを算出する。   In the equation (3), the priority calculation unit 23 uses the weighting factors α and β for each of the defect occurrence risk index value, the social impact index value and the inspection efficiency index value normalized by the data normalization unit 22. , Γ are respectively multiplied, and the respective multiplication results are added to calculate the priority value Q in units of infrastructure equipment or in units of area.

図８は、不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、生成される優先度の表示形態を説明する図である。図８は、優先度がエリア単位で設定されているため、エリアの各々が自身の優先度を示す色により表示されている。この表示画面に対する画像の表示処理は、優先度算出部２３により行なわれる。
表示画像２０１は、各エリアの不良発生リスク指標値の大きさを示している。また、表示画像２０２は、各エリアの社会的影響度指標値の大きさを示している。表示画像２０３は、各エリアの点検能率指標値の大きさを示している。表示画像２０１、２０２及び２０３の各々は、濃い色ほど指標値が大きく、薄い色ほど指標値が低く表示されている。 FIG. 8 is a diagram illustrating each of the defect occurrence risk index value, the social impact index value, and the inspection efficiency index value, and the display form of the generated priority. In FIG. 8, since the priority is set for each area, each area is displayed in a color indicating its own priority. The display processing of the image on the display screen is performed by the priority calculation unit 23.
The display image 201 shows the magnitude of the defect occurrence risk index value in each area. Further, the display image 202 shows the magnitude of the social impact index value of each area. The display image 203 shows the size of the inspection efficiency index value of each area. In each of the display images 201, 202, and 203, the darker the color, the larger the index value, and the lighter the color, the lower the index value.

表示画像２００は、表示画像２０１の不良発生リスク指標値と、表示画像２０２の社会的影響度指標値と、表示画像２０３の点検能率指標値との各々から、（３）式を用いて生成した、各エリアの優先度を示している。表示画像２００は、濃い色ほど指標値が大きく、薄い色ほど優先度が低く表示されている。表示画像２００Ａは、優先度の色と、優先度数値Ｑとの対応を示すテーブルである。
表示画像２００、２００Ａ、２０１、２０２及び２０３の各々が表示画面に表示され、優先度の計算に用いた不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、これらから導出された優先度との対応がビジュアルに確認できる。 The display image 200 is generated from each of the defect occurrence risk index value of the display image 201, the social impact degree index value of the display image 202, and the inspection efficiency index value of the display image 203 using Expression (3). , Shows the priority of each area. In the display image 200, a darker color has a larger index value, and a lighter color has a lower priority. The display image 200A is a table showing the correspondence between the priority color and the priority value Q.
Each of the display images 200, 200A, 201, 202, and 203 is displayed on the display screen, and each of the defect occurrence risk index value, the social impact index value, and the inspection efficiency index value used for the priority calculation, and You can visually check the correspondence with the derived priority.

次に、図９を用いて、本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の流れを説明する。図９は、本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の動作例を示すフローチャートである。   Next, with reference to FIG. 9, a flow of processing for calculating a predicted value of a failure by the failure prediction unit of the infrastructure equipment inspection support system of the present embodiment will be described. FIG. 9 is a flowchart showing an operation example of a process of calculating a failure prediction value by the failure prediction unit of the infrastructure equipment inspection support system of the present embodiment.

ステップＳ１１：エリア分類部１１は、点検する領域が分割されたエリアの各々を、エリア面積比データベース１５のエリア面積比テーブルを参照して、そのエリアにおける土地種別の土地種別属性に基づくクラスタリングを行い、エリアそれぞれを土地種別属性が類似するエリアグループに分類する。   Step S11: The area classification unit 11 refers to the area area ratio table of the area area ratio database 15 for each of the areas into which the area to be inspected is divided, and performs clustering based on the land type attribute of the land type in the area. , Areas are classified into area groups with similar land type attributes.

ステップＳ１２：データ正規化部１２は、インフラ設備データベース１６のインフラ設備テーブル及びエリア気象データベース１７の気象データテーブルの各々を参照し、インフラ設備の属性情報及び気象データの属性情報のそれぞれの正規化を（１）式により行う。
そして、データ正規化部１２は、この正規化によって不良予測モデルの作成する際に用いる、学習用データとしてのデータマートの作成を行なる。データ正規化部１２は、この作成したデータマートをモデル生成部１３に対して出力する。 Step S12: The data normalization unit 12 refers to each of the infrastructure equipment table of the infrastructure equipment database 16 and the weather data table of the area weather database 17 to normalize the attribute information of the infrastructure equipment and the attribute information of the weather data. It is performed by the equation (1).
Then, the data normalization unit 12 creates a data mart as learning data used when creating a failure prediction model by this normalization. The data normalization unit 12 outputs the created data mart to the model generation unit 13.

ステップＳ１３：モデル生成部１３は、データ正規化部１２から、インフラ設備の属性情報及び気象データの属性情報の各々が規格化されたデータからなるデータマートを入力する。
そして、モデル生成部１３は、このデータマートにおけるエリア毎の規格化されたデータを用いて、不良予測モデル（上記（２）式）の生成を、それぞれのエリア単位に行なう。モデル生成部１３は、生成した不良予測モデルの各々を、対応するエリアのエリア識別情報に対応させて、不良予測モデル記憶部１８の不良予測テーブルに書き込んで記憶させる。 Step S13: The model generation unit 13 inputs, from the data normalization unit 12, a data mart including data in which the attribute information of the infrastructure equipment and the attribute information of the weather data are standardized.
Then, the model generation unit 13 uses the standardized data for each area in the data mart to generate a failure prediction model (equation (2) above) for each area. The model generation unit 13 writes and stores each of the generated failure prediction models in the failure prediction table of the failure prediction model storage unit 18 in association with the area identification information of the corresponding area.

ステップＳ１４：データ正規化部１２は、インフラ設備データベース１６のインフラ設備テーブル及びエリア気象データベース１７の気象データテーブルの各々を参照し、不良の予測値を算出する対象のインフラ設備の属性情報と、このインフラ設備が設置されているエリアの気象データの属性情報とのそれぞれを検索する。
そして、データ正規化部１２は、対象のインフラ設備の属性情報と、対象のインフラ設備が設置されているエリアの気象データの属性情報とのそれぞれを読み出し、これら属性情報におけるデータの規格化を行なう。 Step S14: The data normalization unit 12 refers to each of the infrastructure equipment table of the infrastructure equipment database 16 and the meteorological data table of the area meteorological database 17 to obtain attribute information of the target infrastructure equipment for which a predicted value of failure is calculated, and Each is searched with the attribute information of the weather data of the area where the infrastructure equipment is installed.
Then, the data normalization unit 12 reads out each of the attribute information of the target infrastructure equipment and the attribute information of the meteorological data of the area where the target infrastructure equipment is installed, and standardizes the data in these attribute information. .

この際、データ正規化部１２は、学習用のデータマートを作成した際の平均値μ及び分散値σを用いて、（１）式により対象のインフラ設備及び気象データの各々の正規化を行なう。データ正規化部１２は、正規化したインフラ設備及び気象データの各々の属性情報のデータを不良予測値算出部１４に対して出力する。
正規化された属性情報が供給されると、不良予測値算出部１４は、不良の予測値を算出する対象のインフラ設備が設置されているエリアに対応する不良予測モデルを、不良予測モデル記憶部１８の不良予測モデルテーブルから読み出す。 At this time, the data normalization unit 12 normalizes each of the target infrastructure equipment and the meteorological data according to the equation (1) using the average value μ and the variance value σ when the data mart for learning is created. . The data normalization unit 12 outputs the data of the attribute information of each of the normalized infrastructure equipment and weather data to the failure prediction value calculation unit 14.
When the normalized attribute information is supplied, the failure prediction value calculation unit 14 sets the failure prediction model storage unit to the failure prediction model corresponding to the area where the target infrastructure equipment for calculating the failure prediction value is installed. It is read from 18 failure prediction model tables.

そして、不良予測値算出部１４は、読み出した不良予測モデルの説明変数の各々に、データ正規化部１２から供給される規格化された属性情報のデータを代入し、点検対象のインフラ設備の不良の予測値を算出する。
この処理により、不良予測部１０は、点検の対象となっている全てのインフラ設備の不良の予測値を算出する。 Then, the failure prediction value calculation unit 14 substitutes the data of the standardized attribute information supplied from the data normalization unit 12 into each of the explanatory variables of the read failure prediction model, and the failure of the infrastructure equipment to be inspected. Calculate the predicted value of.
Through this processing, the failure prediction unit 10 calculates a predicted value of failure of all the infrastructure equipment that is the target of inspection.

次に、図１０及び図１１を用いて、本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の流れを説明する。図１０は、本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の動作例を示すフローチャートである。図１１は、図１０のフローチャートにおけるステップＳ２４及びステップＳ２７の社会的影響度指標値及び点検能率指標値の算出する処理の動作例を示すフローチャートである。
以下、図１０のフローチャート、図１１のフローチャートの順番で説明する。 Next, with reference to FIGS. 10 and 11, a flow of processing for obtaining a priority in the inspection of the infrastructure equipment by the priority generation unit of the infrastructure equipment inspection support system of the present embodiment will be described. FIG. 10 is a flowchart showing an operation example of a process of obtaining a priority in the inspection of the infrastructure equipment by the priority generation unit of the infrastructure equipment inspection support system of the present embodiment. FIG. 11 is a flowchart showing an operation example of the process of calculating the social impact index value and the inspection efficiency index value in steps S24 and S27 in the flowchart of FIG.
Hereinafter, the flowchart of FIG. 10 and the flowchart of FIG. 11 will be described in this order.

・図１０のフローチャート
ステップＳ２１：パラメータ設定部２１は、表示画面の入力欄から、重み係数α、β及びγの各々の数値を読み込み、読み込んだみ係数α、β及びγの各々の数値を、優先度算出部２３に対して出力する。
また、パラメータ設定部２１は、表示画面の選択欄から、優先度の計算対象がインフラ設備単位か、あるいはエリア単位とするかの選択情報を読み込み、データ正規化部２２及び優先度算出部２３の各々に出力する。
また、パラメータ設定部２１は、表示画面の選択欄から、社会的影響度指標及び点検能率指標の各々の種類を入力し、入力した社会的影響度指標、点検能率指標のそれぞれをデータ正規化部２２及び優先度算出部２３の各々に出力する。 Flowchart of FIG. 10 Step S21: The parameter setting unit 21 reads the numerical values of the weighting factors α, β and γ from the input field of the display screen, and reads the numerical values of the reading coefficients α, β and γ, It is output to the priority calculation unit 23.
In addition, the parameter setting unit 21 reads the selection information indicating whether the priority calculation target is the infrastructure equipment unit or the area unit from the selection field of the display screen, and the data normalization unit 22 and the priority calculation unit 23 Output to each.
In addition, the parameter setting unit 21 inputs the respective types of the social impact index and the inspection efficiency index from the selection fields on the display screen, and the data normalization unit inputs each of the input social impact index and the inspection efficiency index. 22 and the priority calculation unit 23.

ステップＳ２２：データ正規化部２２は、パラメータ設定部２１から供給される優先度の選択情報において、計算対象がインフラ設備単位であるか否かの判定を行なう。
このとき、データ正規化部２２は、計算対象がインフラ設備単位である場合、処理をステップＳ２３へ進める。一方、データ正規化部２２は、計算対象がエリア単位である場合、処理をステップＳ２６へ進める。 Step S22: The data normalization unit 22 determines whether or not the calculation target is the infrastructure equipment unit in the priority selection information supplied from the parameter setting unit 21.
At this time, if the calculation target is an infrastructure facility unit, the data normalization unit 22 advances the process to step S23. On the other hand, if the calculation target is an area unit, the data normalization unit 22 advances the process to step S26.

ステップＳ２３：データ正規化部２２は、不良予測部１０から供給される点検対象の全てのエリアに属するインフラ設備の各々の不良の予測値を、（１）式により正規化して、正規化された不良の予測値を（３）式における不良発生リスク指標値とする。   Step S23: The data normalization unit 22 normalizes the predicted value of each defect of the infrastructure equipment belonging to all the inspection target areas supplied from the defect prediction unit 10 by the equation (1), and is normalized. The failure prediction value is used as the failure occurrence risk index value in equation (3).

ステップＳ２４：データ正規化部２２は、社会的影響度指標値及び点検能率指標値に算出を行なう。この算出の詳細な処理については、図１０のフローチャートにより説明する。   Step S24: The data normalization unit 22 calculates the social impact degree index value and the inspection efficiency index value. Detailed processing of this calculation will be described with reference to the flowchart of FIG.

ステップＳ２５：優先度算出部２３は、（３）式る不良発生リスク指標値に対して、データ正規化部２２が正規化した不良発生リスク指標値をパラメータとして代入し、これに重み係数αを乗算する。
また、優先度算出部２３は、（３）式の社会的影響度指標値に対して、データ正規化部２２が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部２３は、（３）式の点検能率指標値に対して、データ正規化部２２が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部２３は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、インフラ設備単位の優先度数値Ｑを算出する。 Step S25: The priority calculation unit 23 substitutes the defect occurrence risk index value normalized by the data normalization unit 22 as a parameter into the defect occurrence risk index value expressed by the equation (3), and assigns the weighting factor α to this. To multiply.
Further, the priority calculation unit 23 substitutes the social impact index value normalized by the data normalization unit 22 as a parameter into the social impact index value of the equation (3), and the weight coefficient β Is multiplied by.
Further, the priority calculation unit 23 substitutes the inspection efficiency index value normalized by the data normalization unit 22 as a parameter into the inspection efficiency index value of the expression (3), and multiplies this by the weighting coefficient γ.
Then, the priority calculation unit 23 multiplies the failure occurrence risk index value by the weight coefficient α, the social impact index value by the weight coefficient β, and the inspection efficiency index value by the weight coefficient γ. The calculated result is added to calculate the priority value Q for each infrastructure equipment unit.

ステップＳ２６：データ正規化部２２は、点検対象の全てのエリア毎に、不良予測部１０から供給される点検対象の全てのエリアにおいて、それぞれのエリアに属するインフラ設備の不良の予測値の総和を算出する。
そして、データ正規化部２２は、全てのエリアの予測値の総和を（１）式により正規化して、正規化された不良の予測値を（３）式における不良発生リスク指標値とする。 Step S26: The data normalization unit 22 calculates the sum of the predicted values of the defects of the infrastructure equipment belonging to each area in all the inspection target areas supplied from the defect prediction unit 10 for all the inspection target areas. calculate.
Then, the data normalization unit 22 normalizes the total sum of the predicted values of all areas by the expression (1), and sets the normalized predicted value of the failure as the failure occurrence risk index value in the expression (3).

ステップＳ２７：データ正規化部２２は、社会的影響度指標値及び点検能率指標値に算出を行なう。この算出の詳細な処理については、図１０のフローチャートにより説明する。   Step S27: The data normalization unit 22 calculates the social impact degree index value and the inspection efficiency index value. Detailed processing of this calculation will be described with reference to the flowchart of FIG.

ステップＳ２８：優先度算出部２３は、ステップＳ２５と同様に、（３）式る不良発生リスク指標値に対して、データ正規化部２２が正規化した不良発生リスク指標値をパラメータとして代入し、これに重み係数αを乗算する。
また、優先度算出部２３は、（３）式の社会的影響度指標値に対して、データ正規化部２２が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部２３は、（３）式の点検能率指標値に対して、データ正規化部２２が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部２３は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、エリア単位の優先度数値Ｑを算出する。 Step S28: The priority calculation unit 23 substitutes the failure occurrence risk index value normalized by the data normalization unit 22 as a parameter into the failure occurrence risk index value expressed by the equation (3), as in Step S25. This is multiplied by the weighting factor α.
Further, the priority calculation unit 23 substitutes the social impact index value normalized by the data normalization unit 22 as a parameter into the social impact index value of the equation (3), and the weight coefficient β Is multiplied by.
Further, the priority calculation unit 23 substitutes the inspection efficiency index value normalized by the data normalization unit 22 as a parameter into the inspection efficiency index value of the equation (3), and multiplies this by the weighting coefficient γ.
Then, the priority calculation unit 23 multiplies the defect occurrence risk index value by the weighting factor α, the social impact index value by the weighting factor β, and the inspection efficiency index value by the weighting factor γ. The calculated result is added to calculate the priority value Q for each area.

・図１１のフローチャート
ステップＳ１０１：データ正規化部２２は、社会影響度指標が一つか否かの判定を行なう。このとき、データ正規化部２２は、社会影響度指標が一つの場合、処理をステップＳ１０２へ進める。
一方、データ正規化部２２は、社会影響度指標が複数（二つ以上）の場合、処理をステップＳ１０３へ進める。 Flowchart of FIG. 11 Step S101: The data normalization unit 22 determines whether or not the social impact index is one. At this time, the data normalization part 22 advances a process to step S102, when the social impact index is one.
On the other hand, when the social impact index is plural (two or more), the data normalization unit 22 advances the process to step S103.

ステップＳ１０２：データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式によって正規化し、正規化した社会的影響度指標の数値を（３）式における社会的影響度指標値とする。   Step S102: The data normalization unit 22 normalizes each selected numerical value of the social impact index in all areas to be inspected by the equation (1), and then the normalized numerical value of the social impact index ( It is the social impact index value in equation 3).

ステップＳ１０３：データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式によって正規化する。
そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度（１）式により正規化し、この正規化の結果を（３）式で用いる社会的影響度指標値とする。 Step S103: The data normalization unit 22 normalizes each numerical value of the selected social impact index in all areas to be inspected by the expression (1).
Then, the data normalization unit 22 adds a plurality of types of social impact index values after normalization for all areas, normalizes the addition result again by the expression (1), and obtains this normalization result. It is the social impact index value used in equation (3).

ステップＳ１０４：データ正規化部２２は、点検能率指標が一つか否かの判定を行なう。このとき、データ正規化部２２は、点検能率指標が一つの場合、処理をステップＳ１０５へ進める。
一方、データ正規化部２２は、点検能率指標が複数の場合、処理をステップＳ１０３へ進める。 Step S104: The data normalization unit 22 determines whether or not there is one inspection efficiency index. At this time, the data normalization part 22 advances a process to step S105, when the inspection efficiency index is one.
On the other hand, if there are a plurality of inspection efficiency indexes, the data normalization unit 22 advances the process to step S103.

ステップＳ１０５：データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式によって正規化し、正規化した点検能率指標の数値を（３）式における点検能率指標値とする。   Step S105: The data normalization unit 22 normalizes each selected numerical value of the inspection efficiency index in all areas to be inspected by the equation (1), and the normalized numerical value of the inspection efficiency index in the equation (3). Use as the inspection efficiency index value.

ステップＳ１０６：データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式によって正規化する。
そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度（１）式により正規化し、この正規化の結果を（３）式で用いる点検能率指標値とする。 Step S106: The data normalization unit 22 normalizes each selected numerical value of the inspection efficiency index in all the inspection target areas by the expression (1).
Then, the data normalization unit 22 adds a plurality of types of inspection efficiency index values after normalization for each area, normalizes the addition result again by the equation (1), and the normalization result is (3 The inspection efficiency index value used in the equation).

本実施形態によれば、エリア毎にそのエリアの土地種別に対応する不良予測モデルを生成して、この不良予測モデルにより各エリアに設置されているインフラ設備の不良の予測値を算出するため、点検対象のインフラ設備が設置されているエリアの環境及び気象の影響を考慮した予測値（不良発生の予測値）の算出が可能となるため、インフラ設備の不良の予測値を高い精度で求めることができる。   According to the present embodiment, a failure prediction model corresponding to the land type of the area is generated for each area, and the failure prediction value of the infrastructure equipment installed in each area is calculated by the failure prediction model. Since it is possible to calculate the predicted value (the predicted value of failure occurrence) in consideration of the influence of the environment and the weather in the area where the infrastructure equipment to be inspected is installed, it is necessary to calculate the predicted value of the infrastructure equipment failure with high accuracy. You can

また、本実施形態によれば、インフラ設備の不良の予測値のみから点検の優先度を求めるのではなく、不良の予測値を指標とする不良発生リスク指標、不良が発生した際の社会的影響度指標、及び点検処理の能率を示す点検能率指標の各々を用いて、それぞれ点検の優先度を設定する目的に対応して、不良発生リスク指標値、社会的影響度指標値、点検能率指標の各々に乗ずる重み係数α、β、γのそれぞれを任意に設定することにより、目的に対応して柔軟に優先度の算出が行なえ、目的毎の点検計画の策定を容易に行なうことができる。   Further, according to the present embodiment, instead of obtaining the inspection priority only from the predicted value of the failure of the infrastructure equipment, the failure occurrence risk index using the predicted value of the failure as an index, the social impact when the failure occurs Of the failure occurrence risk index value, the social impact index value, and the inspection efficiency index according to the purpose of setting the inspection priority, using each of the inspection index and the inspection efficiency index showing the inspection processing efficiency. By arbitrarily setting each of the weighting factors α, β, γ to be multiplied, the priority can be flexibly calculated according to the purpose, and the inspection plan for each purpose can be easily formulated.

また、図１に示すインフラ設備点検支援システムのインフラ設備の不良の予測値を算出する処理と、この予測値からなる不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の反映度を制御して優先度を算出する処理と行なう機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、インフラ設備の不良の発生の予測値の算出及び各指標値による点検の優先度の算出の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。   Further, the process of calculating the predicted value of the failure of the infrastructure equipment of the infrastructure equipment inspection support system shown in FIG. 1 and the reflection degree of the failure occurrence risk index value, the social impact index value, and the inspection efficiency index value that are composed of the predicted value By recording a program for realizing the processing of controlling the priority and the function of performing the priority on a computer-readable recording medium, and causing the computer system to read and execute the program recorded on the recording medium. The process of calculating the predicted value of occurrence of defects in infrastructure equipment and the calculation of the inspection priority based on each index value may be performed. The “computer system” mentioned here includes an OS and hardware such as peripheral devices.

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。 In addition, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used.
The "computer-readable recording medium" refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, a CD-ROM, or a storage device such as a hard disk built in a computer system. Further, the "computer-readable recording medium" means to hold a program dynamically for a short time like a communication line when transmitting the program through a network such as the Internet or a communication line such as a telephone line. In this case, a volatile memory inside a computer system that serves as a server or a client in that case holds a program for a certain period of time. Further, the above-mentioned program may be a program for realizing a part of the above-mentioned functions, and may be a program that can realize the above-mentioned functions in combination with a program already recorded in the computer system.

以上、この発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。   Although the embodiment of the present invention has been described in detail above with reference to the drawings, the specific configuration is not limited to this embodiment, and includes a design and the like within a range not departing from the gist of the present invention.

１…インフラ設備点検支援システム
１０…不良予測部
１１…エリア分類部
１２，２２…データ正規化部
１３…モデル生成部
１４…不良予測値算出部
１５…エリア面積比データベース
１６…インフラ設備データベース
１７…エリア気象データベース
１８…不良予測モデル記憶部
２０…優先度生成部
２１…パラメータ設定部
２３…優先度算出部
２４…社会的影響度データベース
２５…点検能率データベース
２６…優先度データベース 1 ... Infrastructure equipment inspection support system 10 ... Defect prediction unit 11 ... Area classification unit 12, 22 ... Data normalization unit 13 ... Model generation unit 14 ... Defect predicted value calculation unit 15 ... Area area ratio database 16 ... Infrastructure equipment database 17 ... Area weather database 18 ... Defect prediction model storage unit 20 ... Priority generation unit 21 ... Parameter setting unit 23 ... Priority calculation unit 24 ... Social impact database 25 ... Inspection efficiency database 26 ... Priority database

Claims (6)

土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部と、
前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測部と
を備えることを特徴とするインフラ設備点検支援システム。 A failure prediction is provided for each area group in which areas are classified according to land type attributes, and a failure prediction model for predicting a failure of the infrastructure equipment is stored by inputting equipment attribute information and weather data of the infrastructure equipment in the area. A model memory,
A failure prediction unit that inputs the equipment attribute information of the infrastructure equipment and the meteorological data of the area to which the infrastructure equipment belongs to the failure prediction model and predicts the occurrence of a failure within a predetermined cycle of the infrastructure equipment. An infrastructure equipment inspection support system characterized by comprising: 前記土地種別属性である前記エリアの各々における土地種別毎の占有面積比の組合せにより、前記エリアの各々をエリアグループに分類するエリア分類部と、
学習用データとして、前記エリアグループに含まれる前記エリアにおける前記インフラ設備の各々の不良の発生の有無を予測値とし、当該インフラ設備の前記設備属性情報、属するエリアの気象データを説明変数として、前記不良予測モデルの生成を行なう不良予測モデル生成部と
をさらに備えることを特徴とする請求項１に記載のインフラ設備点検支援システム。 An area classification unit that classifies each of the areas into an area group by a combination of occupied area ratios for each land type in each of the areas that are the land type attributes,
As learning data, the presence or absence of each defect of the infrastructure equipment in the area included in the area group is a predicted value, the equipment attribute information of the infrastructure equipment, the meteorological data of the area to which it belongs, as an explanatory variable, The infrastructure equipment inspection support system according to claim 1, further comprising: a failure prediction model generation unit that generates a failure prediction model. 前記不良発生の予測の数値を示す指標の不良発生リスク指標、不良発生時の前記エリアにおける社会的影響の度合いを示す指標の社会的影響度指標及びインフラ設備の点検の能率を示す指標である点検能率指標の各々の重み付けした加算結果により、前記インフラ設備の各々の点検における優先度を設定する優先度生成部
をさらに備えることを特徴とする請求項１または請求項２に記載のインフラ設備点検支援システム。 Inspection that is a failure occurrence risk index of an index indicating the number of predictions of the defect occurrence, a social impact index of an index indicating the degree of social impact in the area at the time of defect occurrence, and an index indicating the efficiency of inspection of infrastructure equipment The infrastructure equipment inspection support according to claim 1 or 2, further comprising: a priority generation unit that sets a priority in each inspection of the infrastructure equipment according to a weighted addition result of each efficiency index. system. 前記不良予測モデルがロジスティック回帰分析モデルである
ことを特徴とする請求項１から請求項３のいずれか一項に記載のインフラ設備点検支援システム。 The infrastructure equipment inspection support system according to any one of claims 1 to 3, wherein the failure prediction model is a logistic regression analysis model. 不良予測部が、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す過程と、
前記不良予測部が、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう過程と
を含むことを特徴とするインフラ設備点検支援方法。 A failure prediction unit is provided for each area group in which areas are classified for each land type attribute, and a failure prediction model for performing failure prediction of the infrastructure equipment by inputting equipment attribute information of infrastructure equipment and weather data in the area. From the stored failure prediction model storage unit, a process of reading the failure prediction model corresponding to the area in which the infrastructure equipment to be evaluated is located,
The failure prediction unit inputs the equipment attribute information of the infrastructure equipment and the meteorological data of the area to which the infrastructure equipment belongs to the failure prediction model, and determines whether a failure occurs in a predetermined cycle of the infrastructure equipment. A method for supporting infrastructure equipment inspection, characterized by including a process of making a prediction. コンピュータを、
土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す読出手段、
前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測手段
として機能させるためのプログラム。 Computer,
A failure prediction is provided for each area group in which areas are classified according to land type attributes, and a failure prediction model for predicting a failure of the infrastructure equipment is stored by inputting equipment attribute information and weather data of the infrastructure equipment in the area. Reading means for reading the failure prediction model corresponding to the area where the infrastructure equipment to be evaluated is located, from the model storage unit;
A failure prediction unit that inputs the equipment attribute information of the infrastructure equipment and the meteorological data of the area to which the infrastructure equipment belongs to the failure prediction model, and predicts occurrence of a failure within a predetermined cycle of the infrastructure equipment. Program to function as.
JP2018189514A 2018-10-04 2018-10-04 Infrastructure equipment inspection support system, infrastructure equipment inspection support method and program Active JP7224133B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018189514A JP7224133B2 (en) 2018-10-04 2018-10-04 Infrastructure equipment inspection support system, infrastructure equipment inspection support method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018189514A JP7224133B2 (en) 2018-10-04 2018-10-04 Infrastructure equipment inspection support system, infrastructure equipment inspection support method and program

Publications (2)

Publication Number Publication Date
JP2020060810A true JP2020060810A (en) 2020-04-16
JP7224133B2 JP7224133B2 (en) 2023-02-17

Family

ID=70218976

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018189514A Active JP7224133B2 (en) 2018-10-04 2018-10-04 Infrastructure equipment inspection support system, infrastructure equipment inspection support method and program

Country Status (1)

Country Link
JP (1) JP7224133B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6925549B1 (en) * 2021-01-07 2021-08-25 三谷産業株式会社 Risk management system and risk management method
JP2022106642A (en) * 2021-01-07 2022-07-20 三谷産業株式会社 Risk management system and risk management method

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014167667A (en) * 2013-02-28 2014-09-11 Mitsubishi Electric Corp Facility inspection order setting device
JP2015049606A (en) * 2013-08-30 2015-03-16 株式会社日立情報通信エンジニアリング Management system, management object device, management device, method, and program
WO2015166637A1 (en) * 2014-04-28 2015-11-05 日本電気株式会社 Maintenance period determination device, deterioration estimation system, deterioration estimation method, and recording medium
JP2016012968A (en) * 2014-06-27 2016-01-21 日本電信電話株式会社 Manhole inspection support device and manhole inspection support method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014167667A (en) * 2013-02-28 2014-09-11 Mitsubishi Electric Corp Facility inspection order setting device
JP2015049606A (en) * 2013-08-30 2015-03-16 株式会社日立情報通信エンジニアリング Management system, management object device, management device, method, and program
WO2015166637A1 (en) * 2014-04-28 2015-11-05 日本電気株式会社 Maintenance period determination device, deterioration estimation system, deterioration estimation method, and recording medium
JP2016012968A (en) * 2014-06-27 2016-01-21 日本電信電話株式会社 Manhole inspection support device and manhole inspection support method

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6925549B1 (en) * 2021-01-07 2021-08-25 三谷産業株式会社 Risk management system and risk management method
WO2022149380A1 (en) * 2021-01-07 2022-07-14 三谷産業株式会社 Risk management system and risk management method
JP2022106642A (en) * 2021-01-07 2022-07-20 三谷産業株式会社 Risk management system and risk management method
JP2022106625A (en) * 2021-01-07 2022-07-20 三谷産業株式会社 Risk management system and risk management method

Also Published As

Publication number Publication date
JP7224133B2 (en) 2023-02-17

Similar Documents

Publication Publication Date Title
JP6770125B2 (en) Estimated damage prevention due to building renovation
Ali et al. A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making
Martins et al. Social vulnerability assessment to seismic risk using multicriteria analysis: the case study of Vila Franca do Campo (São Miguel Island, Azores, Portugal)
Skakun et al. Flood hazard and flood risk assessment using a time series of satellite images: A case study in Namibia
Zhou et al. Forecast of low visibility and fog from NCEP: Current status and efforts
Roohi et al. Implication of building inventory accuracy on physical and socio-economic resilience metrics for informed decision-making in natural hazards
Hillier et al. Predicting housing abandonment with the Philadelphia neighborhood information system
Ruggieri et al. Analytical-mechanical based framework for seismic overall fragility analysis of existing RC buildings in town compartments
Corbane et al. Pan-European seismic risk assessment: a proof of concept using the Earthquake Loss Estimation Routine (ELER)
Kaur et al. Application of geospatial technologies for multi-hazard mapping and characterization of associated risk at local scale
CN112308292A (en) Method for drawing fire risk grade distribution map
Gradeci et al. The use of insurance data in the analysis of Surface Water Flood events–A systematic review
Jain et al. Modeling changes in hurricane risk over time
Bass et al. Incorporating climate change into risk assessment using grey mathematical programming
JP7224133B2 (en) Infrastructure equipment inspection support system, infrastructure equipment inspection support method and program
Bayraktarli et al. Uncertainty treatment in earthquake modelling using Bayesian probabilistic networks
Ghaith et al. Digital twin: a city-scale flood imitation framework
Quesada-Ganuza et al. Vulnerability assessment and categorization against heat waves for the Bilbao historic area
Lagarias Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki
Royer et al. Rapid evaluation and response to impacts on critical end-use loads following natural hazard-driven power outages: A modular and responsive geospatial technology
Reuland et al. Monitoring-Driven Post-earthquake Building Damage Tagging
Bannayan et al. Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique
Hu et al. Framework for prioritizing geospatial data processing tasks during extreme weather events
Nadimpalli et al. National Exposure Information System (NEXIS) for Australia: Risk assessment opportunities
Xu et al. Vulnerability Assessment Method for Immovable Cultural Relics Based on Artificial Neural Networks—An Example of a Heavy Rainfall Event in Henan Province

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210813

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220630

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220802

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230207

R150 Certificate of patent or registration of utility model

Ref document number: 7224133

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350