JP2022106642A - Risk management system and risk management method - Google Patents
Risk management system and risk management method Download PDFInfo
- Publication number
- JP2022106642A JP2022106642A JP2021127524A JP2021127524A JP2022106642A JP 2022106642 A JP2022106642 A JP 2022106642A JP 2021127524 A JP2021127524 A JP 2021127524A JP 2021127524 A JP2021127524 A JP 2021127524A JP 2022106642 A JP2022106642 A JP 2022106642A
- Authority
- JP
- Japan
- Prior art keywords
- data
- normalization
- risk management
- risk
- sensing data
- 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
Links
- 238000007726 management method Methods 0.000 title claims description 159
- 238000010606 normalization Methods 0.000 claims abstract description 142
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims description 53
- 238000010801 machine learning Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 description 34
- 230000001186 cumulative effect Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012886 linear function Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、リスク管理システムおよびリスク管理方法に関する。 The present invention relates to a risk management system and a risk management method.
近年、企業の活動において従業員の労務管理の重要性が高まっている。とりわけ、従業員が安全で快適に働くために、労働環境や残業時間などの従業員の健康を妨げる要因となるリスクを管理することが求められている。特許文献1には、健康監視システムの一例が開示されている。
In recent years, the importance of employee labor management has increased in corporate activities. In particular, in order for employees to work safely and comfortably, it is required to manage risks that hinder their health, such as working environment and overtime hours.
特許文献1に記載のシステムの場合、従来の危機監視システムの場合、特定の装置で取得された情報をもとに、危険度を設定するものとなっていた。そのため、異なる種類からなる複数の装置で異なる種類の情報を取得した場合、それらの情報を組み合わせて危険度の判断をすることができなかった。
In the case of the system described in
このような課題に鑑み、本発明の目的の一つは、複数の種類の装置で取得された情報を用いて容易かつ正確にリスク管理を行うことである。 In view of such a problem, one of the objects of the present invention is to easily and accurately manage the risk by using the information acquired by a plurality of types of devices.
本発明の一実施形態によれば、複数の下位層システムと接続される上位層システムであるリスク管理システムが提供される。リスク管理システムは、取得部、正規化処理部および予測処理部を含む。取得部は、第1種類のデータを取得可能な第1下位層システムで取得された第1センシングデータ、および前記第1センシングデータとは異なる第2種類のデータを取得可能な第2下位層システムで取得された第2センシングデータを取得する。正規化処理部は、前記第1センシングデータに基づいて第1正規化データを生成し、前記第2センシングデータに基づいて第2正規化データを生成する正規化を行うための演算処理を行うとともに、前記第1正規化データおよび前記第2正規化データを一つのまとまったデータにするための演算処理を行って統合正規化データを生成する。予測処理部は、前記統合正規化データに基づいて予測されるリスクデータを生成する。 According to one embodiment of the present invention, a risk management system which is an upper layer system connected to a plurality of lower layer systems is provided. The risk management system includes an acquisition unit, a normalization processing unit, and a prediction processing unit. The acquisition unit is the first sensing data acquired by the first lower layer system capable of acquiring the first type data, and the second lower layer system capable of acquiring the second type data different from the first sensing data. Acquire the second sensing data acquired in. The normalization processing unit performs arithmetic processing for performing normalization to generate the first normalization data based on the first sensing data and generate the second normalization data based on the second sensing data. , The first normalized data and the second normalized data are subjected to arithmetic processing for making one set of data to generate integrated normalized data. The prediction processing unit generates risk data predicted based on the integrated normalized data.
上記リスク管理システムは、学習処理部を含んでもよい。学習処理部は、あらかじめ取得された第1センシングデータおよび第2センシングデータを用いて正規化処理部によって生成された第2統合正規化データを対象とした機械学習により統合正規化機械学習モデルを生成してもよい。予測処理部は、統合正規化データを統合正規化機械学習モデルに適用し、前記リスクデータを生成してもよい。 The risk management system may include a learning processing unit. The learning processing unit generates an integrated normalization machine learning model by machine learning for the second integrated normalization data generated by the normalization processing unit using the first sensing data and the second sensing data acquired in advance. You may. The prediction processing unit may apply the integrated normalization data to the integrated normalization machine learning model to generate the risk data.
上記リスク管理システムにおいて、前記正規化処理部は、所定の条件に基づいて前記第1センシングデータに対応する第1正規化基準点および前記第2センシングデータに対応する第2正規化基準点を設定し、前記第1センシングデータおよび前記第1正規化基準点を、前記第1正規化データを生成するための第1正規化方法に適用して前記第1正規化データを生成し、前記第2センシングデータおよび前記第2正規化基準点を、前記第2正規化データを生成するための第2正規化方法に適用して前記第2正規化データを生成しても
よい。
In the risk management system, the normalization processing unit sets a first normalization reference point corresponding to the first sensing data and a second normalization reference point corresponding to the second sensing data based on a predetermined condition. Then, the first sensing data and the first normalization reference point are applied to the first normalization method for generating the first normalization data to generate the first normalization data, and the second normalization data is generated. The second normalization data may be generated by applying the sensing data and the second normalization reference point to the second normalization method for generating the second normalization data.
上記リスク管理システムにおいて、前記第1正規化方法は、前記第1センシングデータに関連付けられた第1識別情報に基づいて設定され、前記第2正規化方法は、前記第2センシングデータに関連付けられた第2識別情報に基づいて設定されてもよい。 In the risk management system, the first normalization method is set based on the first identification information associated with the first sensing data, and the second normalization method is associated with the second sensing data. It may be set based on the second identification information.
上記リスク管理システムにおいて、前記正規化処理部は、所定の条件に基づいて前記第1正規化データ、前記第2正規化データおよび前記統合正規化データの少なくとも一つに重み値を付与し、前記予測処理部は、前記重み値に基づいてリスクデータを調整してもよい。 In the risk management system, the normalization processing unit assigns a weight value to at least one of the first normalization data, the second normalization data, and the integrated normalization data based on a predetermined condition, and the above-mentioned The prediction processing unit may adjust the risk data based on the weight value.
上記リスク管理システムにおいて、前記取得部は、ユーザの情報および環境情報の少なくともいずれかを取得し、前記所定の条件は、前記ユーザの情報および前記環境情報の少なくともいずれかに基づいて設定されてもよい。 In the risk management system, the acquisition unit acquires at least one of the user's information and the environmental information, and the predetermined condition may be set based on at least one of the user's information and the environmental information. good.
上記リスク管理システムにおいて、前記リスクデータに応じて、ユーザ端末に警告情報を送信する警告情報送信部を含んでもよい。 The risk management system may include a warning information transmission unit that transmits warning information to the user terminal according to the risk data.
本発明の一実施形態によれば、複数の下位層システムと接続される上位層システムであるリスク管理システムが、第1種類のデータを取得可能な第1下位層システムで取得された第1センシングデータおよび前記第1センシングデータとは異なる第2種類のデータを取得可能な第2下位層システムで取得された第2センシングデータを取得し、前記第1センシングデータに基づいて第1正規化データを生成し、前記第2センシングデータに基づいて第2正規化データを生成し、前記第1正規化データおよび前記第2正規化データを一つのまとまったデータにするための演算処理を行って統合正規化データを生成し、前記統合正規化データに基づいてリスクデータを生成すること、を含む、リスク管理方法が提供される。 According to one embodiment of the present invention, the risk management system, which is an upper layer system connected to a plurality of lower layer systems, has acquired the first sensing in the first lower layer system capable of acquiring the first type of data. The second sensing data acquired by the second lower layer system capable of acquiring the data and the second type of data different from the first sensing data is acquired, and the first normalized data is obtained based on the first sensing data. Generate, generate the second normalization data based on the second sensing data, perform arithmetic processing to combine the first normalization data and the second normalization data into one set of data, and perform integrated normalization. A risk management method is provided that includes generating data for conversion and generating risk data based on the integrated normalized data.
上記リスク管理方法において、前記取得部によってあらかじめ取得された第1センシングデータおよび第2センシングデータを用いて前記正規化処理を行うことによって生成された第2統合正規化データを対象とした機械学習により統合正規化機械学習モデルを生成することをさらに含み、予測される前記リスクデータを生成することは、前記統合正規化データを前記統合正規化機械学習モデルに適用することにより前記リスクデータを生成してもよい。 In the above risk management method, by machine learning for the second integrated normalization data generated by performing the normalization process using the first sensing data and the second sensing data acquired in advance by the acquisition unit. Generating the predicted risk data, further including generating an integrated normalized machine learning model, generates the risk data by applying the integrated normalized data to the integrated normalized machine learning model. You may.
上記リスク管理方法において、前記第1正規化データおよび前記第2正規化データを生成することは、所定の条件に基づいて前記第1センシングデータに対応する第1正規化基準点および前記第2センシングデータに対応する第2正規化基準点を設定し、前記第1センシングデータおよび前記第1正規化基準点を、前記第1正規化データを生成するための第1正規化方法に適用して前記第1正規化データを生成し、前記第2センシングデータおよび前記第2正規化基準点を、前記第2正規化データを生成するための第2正規化方法に適用して前記第2正規化データを生成することを含んでもよい。 In the risk management method, generating the first normalization data and the second normalization data is a first normalization reference point and the second sensing that correspond to the first sensing data based on predetermined conditions. A second normalization reference point corresponding to the data is set, and the first sensing data and the first normalization reference point are applied to the first normalization method for generating the first normalization data. The first normalization data is generated, and the second sensing data and the second normalization reference point are applied to the second normalization method for generating the second normalization data, and the second normalization data is applied. May include producing.
上記リスク管理方法において、前記第1正規化方法は、前記第1センシングデータに関連付けられた第1識別情報に基づいて設定され、前記第2正規化方法は、前記第2センシングデータに関連付けられた第2識別情報に基づいて設定されてもよい。 In the risk management method, the first normalization method is set based on the first identification information associated with the first sensing data, and the second normalization method is associated with the second sensing data. It may be set based on the second identification information.
上記リスク管理方法において、前記リスクデータを生成することは、所定の条件に基づいて前記第1正規化データ、前記第2正規化データおよび前記統合正規化データの少なくとも一つに重み値を付与することを含み、前記重み値に基づいて、生成された前記リスクデータを調整してもよい。 In the risk management method, generating the risk data gives a weight value to at least one of the first normalized data, the second normalized data, and the integrated normalized data based on a predetermined condition. Including that, the generated risk data may be adjusted based on the weight value.
上記リスク管理方法において、前記第1センシングデータおよび前記第2センシングデータを取得するときに、ユーザの情報および環境情報の少なくともいずれかを取得し、前記所定の条件は、前記ユーザの情報および前記環境情報の少なくともいずれかに基づいて設定されてもよい。 In the risk management method, when acquiring the first sensing data and the second sensing data, at least one of the user's information and the environmental information is acquired, and the predetermined condition is the user's information and the environment. It may be set based on at least one of the information.
上記リスク管理方法において、前記リスクデータに応じて、ユーザ端末に警告情報を送信してもよい。 In the above risk management method, warning information may be transmitted to the user terminal according to the risk data.
本発明の一実施形態を用いることにより、複数の種類の装置で取得された情報を用いて容易かつ正確にリスク管理を行うことができる。 By using one embodiment of the present invention, risk management can be easily and accurately performed using information acquired by a plurality of types of devices.
以下、本発明の実施の形態を、図面等を参照しながら説明する。但し、本発明は多くの異なる態様で実施することが可能であり、以下に例示する実施の形態の記載内容に限定して解釈されるものではない。図面は説明をより明確にするため、模式的に表される場合があるが、あくまで一例であって、本発明の解釈を限定するものではない。 Hereinafter, embodiments of the present invention will be described with reference to drawings and the like. However, the present invention can be implemented in many different modes and is not construed as being limited to the description of the embodiments illustrated below. The drawings may be schematically shown for the sake of clarity, but they are merely examples and do not limit the interpretation of the present invention.
また、各要素に対する「第1」、「第2」と付記された文字は、各要素を区別するために用いられる便宜的な標識であり、特段の説明がない限りそれ以上の意味を有さない。なお、本実施形態で参照する図面において、同一部分または同様な機能を有する部分には同一の符号または類似の符号(数字xxxにA,Bまたは1,2などを付しただけの符号)を付し、その繰り返しの説明は省略する場合がある。また、構成の一部が図面から省略される場合がある。その他、本発明の属する分野における通常に知識を有する者であれば認識できるものである場合、特段の説明を行わないものとする。 In addition, the letters "1st" and "2nd" for each element are convenient signs used to distinguish each element, and have more meaning unless otherwise specified. do not have. In addition, in the drawing referred to in this embodiment, the same code or a similar code (a code obtained by simply adding A, B, 1, 2, etc. to the number xxx) is attached to the same part or the part having the same function. However, the repeated description may be omitted. In addition, a part of the configuration may be omitted from the drawing. In addition, if it can be recognized by a person who has ordinary knowledge in the field to which the present invention belongs, no particular explanation will be given.
<第1実施形態>
本発明の第1実施形態に係るリスク管理連携システムおよびリスク管理方法について、図面を参照しながら詳細に説明する。
<First Embodiment>
The risk management cooperation system and the risk management method according to the first embodiment of the present invention will be described in detail with reference to the drawings.
(1-1.リスク管理連携システムのハードウェア構成)
図1に、リスク管理連携システム1のハードウェア構成を示す。リスク管理連携システム1の一部の構成において、より正確なリスク管理を行うためのリスク管理処理が実行される。図1に示すように、リスク管理連携システム1は、リスク管理システム10(上位層システムともいう)、下位層システム20(センシング装置ともいう)、およびユーザ端末30を含む。リスク管理システム10は、複数の下位層システム20から入力されたセンシングデータを取得し、リスク管理用のデータベースに格納し、取得した各センシングデータを正規化および統合化し、リスクデータを生成するアプリケーションサーバとして機能する。リスク管理連携システム1は、下位層システムおよび上位層システムのように、複数層の階層システムで構成される。
(1-1. Hardware configuration of risk management cooperation system)
FIG. 1 shows the hardware configuration of the risk
下位層システム20は、各種のセンシングデータを取得する機能を有する。下位層システム20は、複数の下位層システムを含む。この例では、第1下位層システム20-1、第2下位層システム20-2、および第3下位層システム20-3が設けられる。具体的には、第1下位層システム20-1は、暑さ指数データを取得する機能を有する。第2下位層システム20-2は、累積作業量データを取得する機能を有する。第3下位層システム20-3は、累積滞在時間データを取得する機能を有する。なお、それぞれの下位層システムを分けて説明する必要がない場合には、下位層システム20として説明する。
The
ユーザ端末30は、リスク管理システム10および下位層システム20に対してセンシングデータに関連する情報の入力を行い、各種情報を送受信する端末である。図1において、ユーザ端末30は1つ設けられているが、複数のユーザ端末が設けられてもよい。以下に本実施形態の各ハードウェアの構成を示す。
The
リスク管理システム10は、制御部11、記憶部12、通信部13、および表示部14を有する。制御部11、記憶部12、通信部13、および表示部14はバスを介して接続される。本実施形態において、リスク管理システム10には、リスク管理サーバが用いられる。なお、リスク管理システム10は、PC(Pesonal Computer)のような情報処理装置が用いられてもよいし、複数の情報処理装置で構成されてもよい。
The
制御部11は、コンピュータの一つであり、CPU(Central Processing Unit)、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)、またはその他の演算処理回路を用いて、リスク管理処理を実行するためのソフトウェア(プログラム)に規定された命令に基づく処理を制御する。また、制御部11からの命令によって、リスク管理プログラムを実行するためのユーザインターフェースが表示部14に提供されてもよい。
The
記憶部12には、SSD(Solid State Drive)の半導体メモリ等のほか、磁気記録媒体(磁気テープ、磁気ディスク等)、光記録媒体、光磁気記録媒体、その他記憶可能な素子が用いられる。記憶部12は、リスク管理プログラムを記憶するとともに、リスク管理プログラムで用いられるセンシングデータ、正規化データ等を格納するリスク管理データベース12aとしての機能を有する。記憶部12は、適宜リスク管理システム10と異なるサーバに設けられ、データベースとして機能してもよい。
In the
通信部13は、制御部11の制御に基づいてネットワーク40に接続し、外部の装置と情報の送受信を行う。通信部13は、例えば、モデムまたはNIC(Network Interface Card)を含む。通信部13と、下位層システム20およびユーザ端末30との通信には、インターネット(具体的にはSSL(Secure Sockets Layer)/TLS(Transport Layer Security)またはVPN(Virtual Private Network))またはイントラネットが用いられる。
The
下位層システム20は、制御部21、記憶部22、通信部23、および表示部24を有する。制御部21、記憶部22、通信部23、および表示部24はバスを介して接続される。本実施形態において、下位層システム20は、単独の情報処理装置で構成されてもよいし、複数の情報処理装置で構成されてもよい。
The
制御部21は、コンピュータの一つであり、CPU、ASIC、FPGA、またはその他の演算処理回路を用いて、センシングデータを取得するためのプログラム、およびリスク管理プログラムに関連するプログラムに規定された命令に基づく処理を制御する。また、下位層システムの表示部24には、制御部21からの命令によって、上述したプログラムを実行するためのユーザインターフェースが表示部24に提供されてもよい。
The
記憶部22には、SSDの半導体メモリ等のほか、磁気記録媒体、光記録媒体、光磁気記録媒体、その他記憶可能な素子が用いられる。記憶部22は、リスク管理プログラムに関連するプログラムを記憶するとともに、センシングデータを取得するためのプログラム、およびセンシングデータを格納するデータベースとしての機能を有する。記憶部22は、適宜下位層システム20と異なるサーバに設けられ、データベースとして機能してもよい。
In addition to the semiconductor memory of the SSD, the
通信部23は、送受信機を有し、ネットワーク40を介してリスク管理システム10およびユーザ端末30およびその他関連する情報の通信を行う。通信部23は、例えば、モデムまたはNIC含む。通信部23と、リスク管理システム10、およびユーザ端末30との通信には、インターネット(具体的にはSSL/TLSまたはVPN)またはイントラネットが用いられる。
The
ユーザ端末30は、表示部31、制御部32、記憶部33、操作部34および通信部35を有する。表示部31、制御部32、記憶部33、操作部34および通信部35はバスを介して接続される。ユーザ端末30は、スマートフォン、携帯電話(フィーチャーフォン)、タブレット型端末、ノート型PC、デスクトップ型PC、IoT(Internet of Things)デバイス(例えば、電源、制御機能、通信機能および情報記憶機能を備えた機器)などでもよく、ネットワークを通じてリスク管理システム10と通信可能なものであれば適用可能である。
The
表示部31は、液晶ディスプレイまたは有機EL(Electro Luminescence)ディスプレイなどの表示デバイスであって、制御部32から入力される信号により表示内容が制御される。
The
制御部32は、コンピュータの一つであり、CPU、ASIC、FPGA、またはその
他の演算処理回路を備える。制御部32は、表示部31および操作部34の操作に基づいてメモリなどの記憶部33に記憶されたプログラムを実行させる。また、制御部32は、リスク管理システム10の記憶部12に記憶されたリスク管理プログラムに関連する処理の実行を指示するための情報を送信する。
The
操作部34は、コントローラー、ボタン、またはスイッチを含む。ユーザから操作部34を用いて上下左右への移動、押圧、または回転などの動作がなされることにより、その動作に基づく情報が制御部32に入力される。なお、タッチセンサを有する表示装置(タッチパネル)であれば、表示部31と操作部34とが、同じ場所に配置されてもよい。
The
通信部35は、リスク管理システム10と送受信する機能を有する。例えば、通信部35には、LANを介した送受信機が用いられる。なお、通信部35は、LANを介した送受信機に限定されず、携帯端末用通信(例えばLTE通信)用の送受信機が設けられてもよいし、近距離無線通信用の送受信機が設けられてもよい。ユーザ端末30は、ネットワーク40を介してリスク管理システム10と接続される。
The
(1-2.リスク管理制御部100の構成)
図2は、リスク管理連携システム1の各構成要素によって構成された機能ブロック図である。図3は、リスク管理システム10(上位層システム)へのデータの流れを示す概略図である。
(1-2. Configuration of risk management control unit 100)
FIG. 2 is a functional block diagram composed of each component of the risk
リスク管理システム10は、リスク管理機能を実現させるプログラム(リスク管理プログラム)を制御するリスク管理制御部100を有する。リスク管理制御部100は、取得部110、正規化処理部120、学習処理部130、予測処理部140、分析部150および警告情報送信部160を含む。
The
取得部110は、リスク管理連携システム1における異なる種類の各種センシングデータおよびその他リスクデータを生成するために必要なデータ(正規化データを含む)を取得する機能を有する。例えば、取得部110は、第1下位層システム20-1において取得または生成処理された第1センシングデータ、第2下位層システム20-2において取得または生成処理された第2センシングデータ、および第3下位層システム20-3において取得または生成処理された第3センシングデータを取得する機能を有してもよい。
The
正規化処理部120は、取得したセンシングデータを正規化するための演算処理を行う機能を有する。本実施形態における「正規化」とは、下位層システム20で取得された実データ(センシングデータ)に対して基準値を設定し、基準点に基づいて相対的なデータを生成することを言う。正規化することにより、データ形式または単位の異なるデータに対して同一の判断指標を用いることができる。これにより、各センシングデータを同じように判断することができる。正規化処理の詳細については、後述する。
The
図4は、第1センシングデータおよび第1センシングデータに関連付けられたデータの第1データセット510の一例である。この例では、第1データセット510として、第1下位層システムにおいて取得された暑さ指数データ510aおよび第1正規化データ510bが示される。
FIG. 4 is an example of the first sensing data and the
図5は、第2センシングデータおよび第2センシングデータに関連付けられたデータの第2データセット520の一例である。この例では、第2データセット520として、第2下位層システムにおいて取得された累積作業量データ520aおよび第2正規化データ520bが示される。
FIG. 5 is an example of the second sensing data and the
図6は、第3センシングデータおよび第3センシングデータに関連付けられたデータの第3データセット530の一例である。この例では、第3データセット530として、第3下位層システムにおいて取得された累積滞在時間データ530aおよび第3正規化データ530bが示される。
FIG. 6 is an example of the third sensing data and the
図7は、統合正規化データのデータセット540の一例である。この例では、統合正規化データのデータセット540は、第1正規化データ510b、第2正規化データ520b、第3正規化データ530bが順に連結されて統合されている。
FIG. 7 is an example of a
図8は、機械学習用モデル構成用のデータセット550の一例である。データセット550は、連結された第1正規化データ510b、第2正規化データ520b、第3正規化データ530bとともに、教師データとなるリスクデータ560を含む。
FIG. 8 is an example of a
学習処理部130は、あらかじめ取得された第1センシングデータおよび第2センシングデータを用いて正規化処理部120によって生成された第2統合正規化データを対象とした機械学習により統合正規化機械学習モデルを生成する機能を有する。
The
予測処理部140は、統合正規化データに基づいて予測されるリスクデータを生成する機能を有する。また、予測処理部140は、正規化処理によって生成された正規化データを一つのまとまったデータにする(統合正規化データにする)ための演算処理を行う機能を有し、統合正規化データに基づいてリスクデータを生成することができる。
The
分析部150は、生成されたリスクデータと、所定の条件に設定されたリスクデータとを比較分析し、リスクの有無を判定する機能を有する。
The
警告情報送信部160は、リスクデータに基づいてユーザ端末30にリスクの存在を知らせるための警告情報を生成し、送信する機能を有する。警告情報は、表示部31に表示される文字データまたは画像データのような表示データでもよいし、音楽データでもよい。
The warning
下位層システム20は、記憶部22に記憶されたリスク管理処理プログラムに関連するプログラムに規定された処理を実行する。下位層システム20は、機能部としてそれぞれ受信部210、および送信部220を有する。受信部210は、リスク管理システム10およびユーザ端末30から各種データを受信する機能を有する。送信部220は、リスク管理システム10に対してセンシングデータを含む各種リスク管理情報を送信する機能を有する。
The
ユーザ端末30は、記憶部33に記憶されたリスク管理処理プログラムに関連するプログラムに規定された処理を実行する。ユーザ端末30は、機能部としてそれぞれ受信部310、および送信部320を有する。受信部310は、リスク管理システム10からリスクデータに基づく警告情報を受信する機能を有する。送信部320は、リスク管理システム10及び下位層システム20に対してリスク管理プログラムに関連する情報の一部(例えばユーザ情報など)を送信する機能を有する。
The
(1-3.リスク管理制御処理)
次に、リスク管理制御部100におけるリスク管理プログラムによる命令に基づいたリスク管理制御処理について説明する。図9は、リスク管理制御処理のフロー図である。図9に示すように、リスク管理制御処理は、第1リスク管理制御処理S100、第2リスク管理制御処理S200、および第3リスク管理制御処理S300を含む。
(1-3. Risk management control processing)
Next, the risk management control process based on the instruction by the risk management program in the risk
第1リスク管理制御処理S100は、第1センシングデータ(暑さ指数データ)、第2センシングデータ(累積作業量データ)、および第3センシングデータ(累積滞在時間データ)の生成処理および取得処理を含む。第2リスク管理制御処理S200は、センシングデータの基準点設定処理、およびセンシングデータからの正規化データ生成処理、およびリスクデータ生成処理を含む。第3リスク管理制御処理S300は、比較分析処理、および警告情報生成処理を含む。それぞれのリスク管理制御処理を分けて説明する。 The first risk management control process S100 includes a generation process and an acquisition process of the first sensing data (heat index data), the second sensing data (cumulative work amount data), and the third sensing data (cumulative stay time data). .. The second risk management control process S200 includes a reference point setting process for sensing data, a normalized data generation process from the sensing data, and a risk data generation process. The third risk management control process S300 includes a comparative analysis process and a warning information generation process. Each risk management control process will be described separately.
(1-3-1.第1リスク管理制御処理)
図10は、第1リスク管理制御処理S100のフロー図である。図10に示すように、まずユーザ端末30のユーザがユーザ端末30にユーザデータおよび環境データを入力する(S101)。図11は、入力されるユーザデータおよび環境データのデータセット600である。この例では、データセット600においてユーザデータとして、ユーザID610、ユーザの氏名620、環境データとして場所ID630、現場名640が入力される。ユーザ端末30は、入力されたユーザデータおよび環境データをリスク管理システム10に送信し(S103)、リスク管理システム10は、送信されたユーザデータを受信し、取得する(S105)。
(1-3-1. 1st risk management control process)
FIG. 10 is a flow chart of the first risk management control process S100. As shown in FIG. 10, the user of the
リスク管理システム10は、下位層システム20に対して、センシングデータの生成指示情報を生成し、送信する(S107,S109)。下位層システム20は、生成指示情報を受信すると(S111)、ユーザ情報に基づくセンシングデータを生成または取得する(S111)。このとき、センシングデータは、下位層システム20の記憶部22(データベース)に格納された予め生成されたデータであってもよいし、センシングデータ生成指示情報にもとづいて新たに生成・取得されてもよい。また、下位層システム20は、一定期間経過するごとに、新たにセンシングデータを取得してもよい。
The
本実施形態では、第1下位層システム20-1から第1センシングデータとして暑さ指数(WBGT:Wet Bulb Globe Temperature)データを取得する。暑さ指数とは、人体と外気との間の熱の移動(熱収支)に関する指標であり、人体の熱収支に与える影響の大きい因子に基づいて生成される。因子としては、(1)湿度、(2)日射・輻射(ふくしゃ)など周辺の熱環境、(3)気温が用いられる。暑さ指数データは、地理的情報と組み合わせて用いられてもよい。なお、本実施形態における第1下位層システム20-1には、気象予報DB装置が用いられる。 In the present embodiment, heat index (WBGT: Wet-bulb Globe Temperature) data is acquired as the first sensing data from the first lower layer system 20-1. The heat index is an index related to heat transfer (heat balance) between the human body and the outside air, and is generated based on a factor having a large influence on the heat balance of the human body. As factors, (1) humidity, (2) ambient thermal environment such as solar radiation / radiation, and (3) air temperature are used. The heat index data may be used in combination with geographical information. A weather forecast DB device is used for the first lower layer system 20-1 in the present embodiment.
第2下位層システム20-2は、第2センシングデータとして累積作業量データを生成・取得する。このときの第2下位層システム20-2には、気象予報DB装置が用いられる。累積作業量データとして、一月あたりの基本作業時間を超過した時間(残業時間)が用いられる。第2下位層システム20-2として、勤務実績健康センサーDB装置が用いられてもよい。 The second lower layer system 20-2 generates and acquires cumulative work amount data as the second sensing data. A weather forecast DB device is used for the second lower layer system 20-2 at this time. As the cumulative work amount data, the time (overtime hours) that exceeds the basic work hours per month is used. As the second lower layer system 20-2, a work record health sensor DB device may be used.
第3下位層システム20-3は、第3センシングデータとして累積滞在時間データを生成する。一月あたりの累積滞在時間データとして、出社日の退社時間から出社時間を差し引いた時間を1月分合計した時間が用いられる。第3下位層システム20-3として、勤務実績健康センサーDBが用いられてもよい。 The third lower layer system 20-3 generates cumulative stay time data as the third sensing data. As the cumulative stay time data per month, the total time for January is used, which is the time obtained by subtracting the time of arrival from the time of leaving the office on the day of arrival. A work record health sensor DB may be used as the third lower layer system 20-3.
図3に示すように、下位層システム20は、取得したセンシングデータをリスク管理システム10に送信する(S113)。リスク管理システム10は、センシングデータを受信すると(S115)、受信したセンシングデータを記憶部12に設けられたリスク管理用データベース12aに格納する(S115)。以上により、第1リスク管理制御処理S100が終了となる。
As shown in FIG. 3, the
(1-3-2.第2リスク管理制御処理)
図12は、第2リスク管理制御処理S200のフロー図である。第2リスク管理制御処理S200は、第1リスク管理制御処理S100に続いて実行される。まず、リスク管理システム10は、取得したセンシングデータをもとに正規化データの生成を行う(S201)。以下に、正規化データ生成について、詳述する。
(1-3-2. Second risk management control process)
FIG. 12 is a flow chart of the second risk management control process S200. The second risk management control process S200 is executed following the first risk management control process S100. First, the
図13は、正規化データの生成処理S201のフロー図である。まず、各センシングデータに関連する正規化基準値(S2011)、正規化最大値(S2013)、および正規化最小値(S2015)を設定する。正規化基準値、正規化最大値、および正規化最小値は、任意で設定することができる。 FIG. 13 is a flow chart of the normalized data generation process S201. First, the normalization reference value (S2011), the normalization maximum value (S2013), and the normalization minimum value (S2015) related to each sensing data are set. The normalization reference value, the normalization maximum value, and the normalization minimum value can be set arbitrarily.
第1センシングデータである暑さ指数データの場合、この例では暑さ指数データ「15℃」が、正規化基準値「0」として設定される。同様に、暑さ指数データ「30℃」が正規化最大値「1」として設定される。同様に、暑さ指数データ「0℃」が正規化最小値「-1」として設定される。 In the case of the heat index data which is the first sensing data, the heat index data “15 ° C.” is set as the normalization reference value “0” in this example. Similarly, the heat index data “30 ° C.” is set as the normalized maximum value “1”. Similarly, the heat index data “0 ° C.” is set as the normalized minimum value “-1”.
上記の設定がなされると、次に所定の数式(正規化関数)に基づいて、センシングデータを正規化処理する(S2017)。この例では、以下の数式1(線形関数)に基づいて正規化処理がなされる。各センシングデータには識別情報が設定されている場合、リスク管理システム10は、その情報に基づいて正規化方法が設定され、演算処理を行ってもよい。
数式1において、「Nomalvalue」は、正規化データを示す。「Value」は、センシングデータを示す。「Max」は、センシングデータ最大値を示す。「Min」は、センシングデータ最大値を示す。「t」は、正規化最大値を示す。「s」は、正規化最小値を示す。この例では、数式1において、センシングデータと正規化データとが線形関係にある。
When the above settings are made, the sensing data is then normalized based on a predetermined mathematical formula (normalization function) (S2017). In this example, the normalization process is performed based on the following formula 1 (linear function). When identification information is set for each sensing data, the
In
センシングデータおよび正規化基準値を数式1に適用して演算処理を行ったとき、図4に示すように各々の暑さ指数データに対応して一義的に第1正規化データが生成される。
When the sensing data and the normalization reference value are applied to the
第2センシングデータに対しても、第1センシングデータと同様に、正規化処理がなされる。第2センシングデータである累積作業量データの場合、累積作業量データ「70時間」が、正規化基準値「0」として設定される。同様に、累積作業量データ「80時間」が正規化最大値「1」として設定される。同様に、累積作業量データ「60時間」が正規化最小値「-1」として設定される。 The second sensing data is also normalized in the same manner as the first sensing data. In the case of the cumulative work amount data which is the second sensing data, the cumulative work amount data "70 hours" is set as the normalization reference value "0". Similarly, the cumulative work amount data "80 hours" is set as the normalized maximum value "1". Similarly, the cumulative work amount data "60 hours" is set as the normalized minimum value "-1".
上記の設定がなされると、数式1に基づいて正規化処理がなされる。このとき、図5に示すように各々の累積作業量データに対応して一義的に第2正規化データが生成される。
When the above settings are made, normalization processing is performed based on
第3センシングデータに対しても、第1センシングデータと同様に、正規化処理がなされる。第3センシングデータである累積滞在時間データの場合、一月当たりの累積滞在時間データ「120時間」が、正規化基準値「0」として設定される。同様に、一月当たりの累積滞在時間データ「130時間」が正規化最大値「1」として設定される。同様に、累積滞在時間データ「110時間」が正規化最小値「-1」として設定される。 Similar to the first sensing data, the third sensing data is also normalized. In the case of the cumulative stay time data which is the third sensing data, the cumulative stay time data “120 hours” per month is set as the normalization reference value “0”. Similarly, the cumulative stay time data “130 hours” per month is set as the normalized maximum value “1”. Similarly, the cumulative stay time data "110 hours" is set as the normalized minimum value "-1".
上記の設定がなされると、数式1に基づいて正規化処理がなされる。このとき、図6に示すように各々の累積滞在時間データに対応して一義的に第3正規化データが生成される。
When the above settings are made, normalization processing is performed based on
次に、生成された正規化データを連結して統合する(S203)。本実施形態では、図3および図7に示すように、第1正規化データ、第2正規化データ、および第3正規化データの順番に連結統合される。 Next, the generated normalized data are concatenated and integrated (S203). In the present embodiment, as shown in FIGS. 3 and 7, the first normalized data, the second normalized data, and the third normalized data are linked and integrated in this order.
次に、リスク管理システム10は、連結統合された正規化データを用いて機械学習モデルに統合正規化データを適用し(S205)、予測されるリスクデータを生成する(S207)。この例では、リスク管理システム10は、出力データとしてリスクデータを生成する。この例では、リスクデータは、「0」を最小値、「100」を最大値として設定される。なお、C1、C2、・・・、Cnのように、リスクデータには、記号が用いられてもよい。
Next, the
本実施形態で用いられる機械学習モデルについて以下に詳述する。図14は、機械学習モデルの生成方法S205を示すフロー図である。図14に示すように、リスク管理システム10の正規化処理部120は、あらかじめ記憶部12のリスク管理用データベース12a内にあらかじめ取得されたセンシングデータを用いて正規化データを生成する(S2051)。このときのあらかじめ取得されたセンシングデータは、例えば1週間分のデータでもよい。次に、正規化処理部120は、上述した正規化データを用いて連結統合した正規化データ(第2統合正規化データともいう)を生成する(S2053)。次に、学習処理部130は、第2統合正規化データに合わせて教師データとなるリスクデータを生成し(S2055)、データベースに格納する。図8は、機械学習用モデル構成用のデータセット550の一例である。データセット550は、連結された第1正規化データ510b、第2正規化データ520b、第3正規化データ530bとともに、教師データとなるリスクデータ560を含む。教師データは、ユーザからの情報入力によってあらかじめ設定されてもよい。学習処理部130は、統合正規化データ(および教師データ)を対象として人工知能(Artificial Intelligence;AI)のアルゴリズムによって機械学習を行い(S2057)、機械学習モデルを形成する(S2059)。
The machine learning model used in this embodiment will be described in detail below. FIG. 14 is a flow chart showing a machine learning model generation method S205. As shown in FIG. 14, the
図15(A)は、予測データとして用いられる各センシングデータ及び各センシングデータに対応する正規化データのデータセットの一例である。図15(B)は、連結統合された統合正規化データ、および統合正規化データから生成されたリスクデータのデータセットの一例である。この例では、各センシングデータとして、予測暑さ指数データ「29℃」、予測累積作業量データ「75hr」、予測累積滞在時間データ「128hr」が取得される。このとき、予測暑さ指数データ「29℃」から第1正規化データ「0.93」が生成される。同様に、予測累積作業量データ「75hr」から第2正規化データ「0.50」が生成される。さらに、予測累積滞在時間データ「128hr」から第3正規化データ「0.80」が生成される。次に、第1正規化データ、第2正規化データ、および第3正規化が連結統合された統合正規化データ(0.93,0.50,0.80)が、機械学習用入力データとして入力される。その結果、リスクデータとして90が出力される。以上により、第2リスク管理制御処理S200が終了となる。 FIG. 15A is an example of each sensing data used as prediction data and a data set of normalized data corresponding to each sensing data. FIG. 15B is an example of a data set of consolidated normalized data and risk data generated from the integrated normalized data. In this example, the predicted heat index data “29 ° C.”, the predicted cumulative work amount data “75 hr”, and the predicted cumulative stay time data “128 hr” are acquired as each sensing data. At this time, the first normalized data "0.93" is generated from the predicted heat index data "29 ° C.". Similarly, the second normalized data "0.50" is generated from the predicted cumulative work data "75 hr". Further, the third normalized data "0.80" is generated from the predicted cumulative stay time data "128 hr". Next, the first normalization data, the second normalization data, and the integrated normalization data (0.93, 0.50, 0.80) in which the third normalization is concatenated and integrated are used as input data for machine learning. Entered. As a result, 90 is output as risk data. As a result, the second risk management control process S200 is completed.
(1-3-3.第3リスク管理制御処理)
図16は、第3リスク管理制御処理S300のフロー図である。第3リスク管理制御処理S300は、第2リスク管理制御処理S200に続いて実行される。まず、リスク管理システムは、生成されたリスクデータを分析する(S301)。このとき、リスク管理システム10は、リスクデータが設定値を超えるかどうかを判定する(S303)。設定値は、任意で設定される。この例では、リスク管理システム10はリスクデータが80を超えるかどうかを判定する。
(1-3-3. Third risk management control process)
FIG. 16 is a flow chart of the third risk management control process S300. The third risk management control process S300 is executed following the second risk management control process S200. First, the risk management system analyzes the generated risk data (S301). At this time, the
リスクデータが設定値を超えないとき(S303;No)、リスク管理システム10は、リスクなしと判断する(S305)。一方、リスクデータが設定値を超えるとき(S303;Yes)、リスクありと判断する(S307)。このとき、リスク管理システム10は、警告情報を生成する(S309)。また、リスク管理システム10は、警告情報を送信する警告発行先を選択する。警告情報は、リスクデータとともに、今後の作業に対するリスクを知らせる情報を含む。リスク管理システム10は、ユーザ端末30に対して警告情報を送信し(S311)、ユーザ端末30は、警告情報を受信する(S313)。この例では、リスク管理システム10は、A現場にいるユーザのユーザ端末30に警告情報を送信する。ユーザ端末30が警告情報を受信することで、ユーザは、現在または将来における作業のリスクを知ることができる。
When the risk data does not exceed the set value (S303; No), the
本実施形態を用いることにより、様々な下位層システムで得られた情報が正規化データに変換されるため、各種データを同じ基準で評価することができる。さらに、正規化データが連結統合されることで一つのデータとして判断することができ、総合的なリスク判断をしやすくなる。したがって、本実施形態を用いることにより、複数の種類の装置で取得された情報を用いて容易かつ正確にリスク管理を行うことができる。 By using this embodiment, the information obtained by various lower layer systems is converted into normalized data, so that various data can be evaluated based on the same criteria. Furthermore, by consolidating the normalized data, it can be judged as one data, which makes it easier to make a comprehensive risk judgment. Therefore, by using this embodiment, risk management can be easily and accurately performed by using the information acquired by a plurality of types of devices.
また、本実施形態のリスク管理システムは、下位層システムで得られた複数種類のデータを用いてリスク情報を学習し、そのリスク情報を基づいてさらに未来予測を行うことができる。 In addition, the risk management system of the present embodiment can learn risk information using a plurality of types of data obtained in the lower layer system, and can further predict the future based on the risk information.
<第2実施形態>
本実施形態では、第1実施形態とは異なるリスク管理制御処理について説明する。具体的には、非線形関数を用いて正規化データを生成する例について説明する。
<Second Embodiment>
In this embodiment, a risk management control process different from that of the first embodiment will be described. Specifically, an example of generating normalized data using a nonlinear function will be described.
図17は、本実施形態における正規化処理S201Aのフロー図である。まず、各センシングデータに関連する正規化基準値(S2011A)および正規化最大値(S2013A)を設定する。この例では、正規化基準値と、正規化最小値とが同一であってもよい。正規化基準値および正規化最大値は、任意で設定することができる。 FIG. 17 is a flow chart of the normalization process S201A in the present embodiment. First, the normalization reference value (S2011A) and the normalization maximum value (S2013A) related to each sensing data are set. In this example, the normalization reference value and the normalization minimum value may be the same. The normalization reference value and the normalization maximum value can be set arbitrarily.
次に、正規化関数を用いて正規化データを生成する(S2015A)。本実施形態では、正規化関数として、非線形関数が用いられる。具体的には、非線形関数として、数式2のように2次関数が用いられてもよいし、数式3のように指数関数が用いられてもよい。
「Nomalvalue」は、正規化データを示す。「Value」は、センシングデータを示す。数式2および数式3において、a、bおよびcは任意で設定されてもよい。
Next, the normalization data is generated using the normalization function (S2015A). In this embodiment, a non-linear function is used as the normalization function. Specifically, as the nonlinear function, a quadratic function may be used as in Equation 2, or an exponential function may be used as in Equation 3.
“Nomal value” indicates normalized data. “Value” indicates sensing data. In Formula 2 and Formula 3, a, b and c may be arbitrarily set.
上記により、取得されたセンシングデータに対して、非線形関数を用いて正規化データを生成することができる。つまり、本実施形態を用いることにより、センシングデータと、正規化データが非線形関係にある場合であっても、適切な正規化データを生成することができる。 From the above, it is possible to generate normalized data for the acquired sensing data by using a non-linear function. That is, by using this embodiment, it is possible to generate appropriate normalized data even when the sensing data and the normalized data have a non-linear relationship.
<第3実施形態>
本実施形態では、第1実施形態とは異なるリスク管理制御処理について説明する。具体的には、正規化データを、データテーブルに基づいて生成する例について説明する。
<Third Embodiment>
In this embodiment, a risk management control process different from that of the first embodiment will be described. Specifically, an example of generating normalized data based on a data table will be described.
図18は、正規化データ生成処理S201Bのフロー図である。図19は、暑さ指数データと正規化データとの関係を示すデータテーブル700である。データテーブル700は、暑さ指数データ710、警告レベルデータ720、および正規化データ730を含む。この例では、暑さ指数データに対して独立した警告レベルデータが設定される。図19に示すように、暑さ指数データは0℃以上39℃以下の範囲で設定される。
FIG. 18 is a flow chart of the normalized data generation process S201B. FIG. 19 is a data table 700 showing the relationship between the heat index data and the normalized data. The data table 700 includes
図18に示すように、まず、正規化基準値を設定する(S2011B)。この例では、暑さ指数データ「0℃」のとき、警告レベルデータおよび正規化データが「0」となる。なお、本実施形態では、正規化基準値と、正規化最小値が同一に設定されてもよい。 As shown in FIG. 18, first, the normalization reference value is set (S2011B). In this example, when the heat index data is “0 ° C”, the warning level data and the normalized data are “0”. In this embodiment, the normalization reference value and the normalization minimum value may be set to be the same.
次に、正規化最大値を設定する(S2013B)。この例では、暑さ指数データ「39℃」のとき、警告レベルデータの最大値である「5」を示す。このとき、正規化最大値が「1」となる。正規化データは、警告レベルデータの5分の1として設定される。 Next, the maximum normalization value is set (S2013B). In this example, when the heat index data is “39 ° C”, the maximum value of the warning level data is “5”. At this time, the maximum normalization value is "1". The normalized data is set as one-fifth of the warning level data.
暑さ指数1℃以上38℃以下の範囲の正規化データでは、以下のように生成される。暑さ指数24℃以下の場合、人体への影響が少ないため、警告レベルデータは0として設定される。そのため、対応する正規化データも0となる。
Normalized data in the range of
暑さ指数が25℃以上29℃以下の範囲で、警告レベルデータが0.1から0.5へと0.1刻みで増加する。このとき、正規化データが0.02から0.1へと0.02刻みで設定される。暑さ指数30℃以上38℃以下の範囲は、人体への影響が強いため警告レベルデータの増加分が大きくなるように設定される。これに応じて、正規化データの増加分も大きく設定される。 The warning level data increases from 0.1 to 0.5 in 0.1 increments when the heat index is between 25 ° C and 29 ° C. At this time, the normalized data is set from 0.02 to 0.1 in 0.02 increments. The range of the heat index of 30 ° C. or higher and 38 ° C. or lower is set so that the increase in the warning level data is large because the influence on the human body is strong. Correspondingly, the increase in the normalized data is also set large.
本実施形態では、入力された暑さ指数データに対して、データテーブルを参照することで、容易に正規化データを生成することができる。これにより、センシングデータと、正規化データとが線形関係にない場合においても、データテーブルを参照することで適切な正規化データを生成することができる。 In the present embodiment, normalized data can be easily generated by referring to the data table for the input heat index data. As a result, even when the sensing data and the normalized data do not have a linear relationship, appropriate normalized data can be generated by referring to the data table.
また、本実施形態では、警告レベルデータという中間値を介して正規化データが生成される。警告レベルデータを用いることにユーザが既に取得しているリスク情報もリスク判断の指標とすることができる。そのため、正規化データの数値の意味づけを明確にすることができる。 Further, in the present embodiment, normalized data is generated via an intermediate value called warning level data. Risk information that the user has already acquired by using the warning level data can also be used as an index for risk judgment. Therefore, the meaning of the numerical values of the normalized data can be clarified.
<第4実施形態>
本実施形態では、第1実施形態とは異なるリスク管理制御処理について説明する。具体的には、正規化データに対して重みづけを行う例について説明する。なお、本発明の第1実施形態と重複する部分については、適宜記載を省略して説明する。
<Fourth Embodiment>
In this embodiment, a risk management control process different from that of the first embodiment will be described. Specifically, an example of weighting the normalized data will be described. The part that overlaps with the first embodiment of the present invention will be described by omitting the description as appropriate.
図20は、正規化データ生成処理S201Cのフロー図である。本実施形態では、正規化データを生成したのちに(S2017)、正規化データに重み値を付与してもよい(S2019)。この例では、暑さ指数データから生成された第1正規化データに対して重み値が付与される。重み値が付与されたとき、重み値が付与された第1正規化データに基づいてリスクデータを調整してもよい。これにより、累積作業量データから生成された第2正規化データ、および累積滞在時間データから生成された第3正規化データよりも、第1正規化データの重要度を高めることができる。結果として、リスク管理システムにおけるリスク管理を向上させることができる。 FIG. 20 is a flow chart of the normalized data generation process S201C. In the present embodiment, after the normalized data is generated (S2017), a weight value may be added to the normalized data (S2019). In this example, a weight value is given to the first normalized data generated from the heat index data. When the weight value is given, the risk data may be adjusted based on the first normalized data to which the weight value is given. As a result, the importance of the first normalization data can be increased more than the second normalization data generated from the cumulative work amount data and the third normalization data generated from the cumulative dwell time data. As a result, risk management in the risk management system can be improved.
なお、本実施形態では、正規化データ生成したのちに重み値が付与されたが、これに限定されない。例えば、連結統合した後(連結統合正規化データ)に重みづけを行ってもよい。 In the present embodiment, the weight value is given after the normalized data is generated, but the weight value is not limited to this. For example, weighting may be performed after concatenation and integration (consolidation integration normalization data).
<第5実施形態>
本実施形態では、第1実施形態とは異なるリスク管理制御処理について説明する。具体的には、第3リスク管理制御処理においてユーザ端末が警告情報を受信したときに設定値を変更する例について説明する。なお、本発明の第1実施形態と重複する部分については、適宜記載を省略して説明する。
<Fifth Embodiment>
In this embodiment, a risk management control process different from that of the first embodiment will be described. Specifically, an example of changing the set value when the user terminal receives the warning information in the third risk management control process will be described. The part that overlaps with the first embodiment of the present invention will be described by omitting the description as appropriate.
図21は、第3リスク管理制御処理S300Dのフロー図である。ユーザ端末30が警告情報を受信したときに(S313)、ユーザは現在の状況においてリスクなしと判断した場合には、ユーザ端末30に回答データを入力することができる。例えば、ユーザ端末30の表示部31に警告情報が表示されるとき、「この警告情報はあなたにとって適切ですか?」という質問文と、「はい」および「いいえ」という回答用のプッシュボタンが合わせて表示されてもよい。このとき、ユーザが回答用のプッシュボタンを押下すると、回答データが入力される(S315)。このとき、ユーザ端末30は、警告情報を生成するかを判定する設定値の修正が必要の可否を判定する。ユーザが「いいえ」を押下したときは、設定値の修正の必要はないと判定し(S317;No)、第3制御処理S300Dは終了となる。
FIG. 21 is a flow chart of the third risk management control process S300D. When the
ユーザが「はい」を押下したときは、ユーザ端末30は、設定値を修正する必要ありと判定し(S317;Yes)、設定値修正指示情報を生成し、送信する(S319,S321)。
When the user clicks "Yes", the
リスク管理システム10は、設定値修正指示情報を受信すると(S323)、設定値の修正処理を行う(S325)。以上で第3リスク管理制御処理S300Dが終了となる。なお、設定値が修正されたのちに、再度リスクデータ分析処理がなされてもよい。
When the
本実施形態では、リスクがあると判定されて警告情報を送信されても、実際のリスクに合わせてフィードバックをかけることができる。これにより、より正確なリスク管理を行うことができる。 In the present embodiment, even if it is determined that there is a risk and the warning information is transmitted, feedback can be given according to the actual risk. As a result, more accurate risk management can be performed.
(変形例)
本発明の思想の範疇において、当業者であれば、各種の変更例および修正例に想到し得るものであり、それら変更例および修正例についても本発明の範囲に属するものと了解される。例えば、前述の各実施形態に対して、当業者が適宜、構成要素の追加、削除若しくは設計変更を行ったもの、又は、処理の追加、省略若しくは条件変更を行ったものも、本発明の要旨を備えている限り、本発明の範囲に含まれる。
(Modification example)
Within the scope of the idea of the present invention, those skilled in the art can come up with various modified examples and modified examples, and it is understood that these modified examples and modified examples also belong to the scope of the present invention. For example, those skilled in the art appropriately adding, deleting, or changing the design of each of the above-described embodiments, or adding, omitting, or changing the conditions of processing are also gist of the present invention. Is included in the scope of the present invention as long as the above is provided.
本発明の第1実施形態では、下位層システム20として、第1下位層システム20-1、第2下位層システム20-2、および第3下位層システム20-3が設けられる例を示したが、本発明はこれに限定されない。1つの下位層システムから複数のセンシングデータを生成してもよい。
In the first embodiment of the present invention, an example is shown in which the first lower layer system 20-1, the second lower layer system 20-2, and the third lower layer system 20-3 are provided as the
また、本発明の第1実施形態では、3つのセンシングデータが用いられる例を示したが、本発明はこれに限定されない。例えば、2つのセンシングデータが用いられてもよいし、4つ以上のデータが用いられてもよい。つまり、本発明では、少なくとも2以上(第1センシングデータおよび第2センシングデータ)が用いられれば良い。 Further, in the first embodiment of the present invention, an example in which three sensing data are used is shown, but the present invention is not limited to this. For example, two sensing data may be used, or four or more data may be used. That is, in the present invention, at least two or more (first sensing data and second sensing data) may be used.
また、本発明の第1実施形態では、正規化基準値を設定する際に、ユーザの年齢や、性別、勤続年数、および環境情報(または地理的情報)のユーザ情報に基づいて正規化基準値を設定してもよい。また、線形関数を用いて正規化データをする場合には、適宜所定の係数または定数を設定してもよい。これにより、ユーザごとに正規化データを調整することができる。そのため、各人に応じたリスクが高いと判断されるセンシングデータに対しては、正規化データが高くなるように設定されるなど、ユーザに応じたリスク管理を行うことができる。 Further, in the first embodiment of the present invention, when setting the normalization reference value, the normalization reference value is based on the user's age, gender, years of service, and user information of environmental information (or geographical information). May be set. Further, when normalizing data is performed using a linear function, a predetermined coefficient or constant may be set as appropriate. As a result, the normalized data can be adjusted for each user. Therefore, for the sensing data that is judged to have a high risk according to each person, the risk management can be performed according to the user, such as setting the normalized data to be high.
また、本発明の第1実施形態では、リスクデータが所定の条件を満たすときに、警告情報を生成する例を示したが、本発明はこれに限定されない。例えば、各センシングデータから生成された正規化データが正規化最小値「-1」から正規化最大値「1」までの範囲を外れ、通常とは異なる場合、警告情報を生成してもよい。これにより、より迅速に警告情報を生成することができ、より高いリスク管理を行うことができる。 Further, in the first embodiment of the present invention, an example of generating warning information when the risk data satisfies a predetermined condition is shown, but the present invention is not limited to this. For example, if the normalized data generated from each sensing data is out of the range from the normalized minimum value "-1" to the normalized maximum value "1" and is different from the normal value, warning information may be generated. As a result, warning information can be generated more quickly, and higher risk management can be performed.
本発明の第1実施形態では、図4乃至図7に示すように、第1正規化データ、第2正規化データ、および第3正規化データに数値データが用いられる例を示したが、本発明はこれに限定されない。例えば、数値データ以外にもアルファベットなどを用いて設定してもよい。具体的には、第1正規化データが「A」、第2正規化データが「A」、第3正規化データが「B」のとき、統合正規化データは「AAB」となる。この場合、「A」の数に応じてリスクデータを生成してもよい。「A」が多いときには、リスクデータが「高」と判断され、警告情報を送信してもよい。 In the first embodiment of the present invention, as shown in FIGS. 4 to 7, an example in which numerical data is used for the first normalized data, the second normalized data, and the third normalized data has been shown. The invention is not limited to this. For example, in addition to the numerical data, alphabets and the like may be used for setting. Specifically, when the first normalized data is "A", the second normalized data is "A", and the third normalized data is "B", the integrated normalized data is "AAB". In this case, risk data may be generated according to the number of "A". When there are many "A" s, the risk data is judged to be "high" and warning information may be transmitted.
本発明の第1実施形態では、第1正規化データ、第2正規化データ、および第3正規化データの順番に連結統合される例を示したが、本発明はこれに限定されない。たとえば、正規化データの優先度に応じて、連結される順番が設定されてもよい。 In the first embodiment of the present invention, an example in which the first normalized data, the second normalized data, and the third normalized data are concatenated and integrated in this order is shown, but the present invention is not limited thereto. For example, the order of concatenation may be set according to the priority of the normalized data.
また、本発明の第1実施形態では、センシングデータとして、暑さ指数データ、累積作業量データ、および累積滞在時間データを用いる例を示したが、本発明はこれに限定されない。例えば、作業員の体温データ、水分補給量データ、脈拍データ、心拍数データ、呼吸データ、体の傾きデータ、時刻データ、年齢データ、女性データなどが用いられてもよい。リスク管理システム10は、より多くの下位層システムから多種類のセンシングデータを取得することにより、機械学習モデルを拡張することができるとともに、より高い精度のリスクデータを生成することができるようになる。したがって、高精度のリスク管理を行うことができる。
Further, in the first embodiment of the present invention, an example in which heat index data, cumulative work amount data, and cumulative stay time data are used as sensing data has been shown, but the present invention is not limited thereto. For example, worker body temperature data, hydration amount data, pulse data, heart rate data, breathing data, body tilt data, time data, age data, female data, and the like may be used. The
本発明の第1実施形態では、第1正規化データ、第2正規化データ、および第3正規化データを連結して統合することにより統合正規化データを生成する例を示したが、本発明はこれに限定されない。例えば、第1正規化データ、第2正規化データ、および第3正規化データを加算または乗算など所定の演算処理を行うことにより統合正規化データを生成してもよい。 In the first embodiment of the present invention, an example of generating integrated normalized data by concatenating and integrating the first normalized data, the second normalized data, and the third normalized data has been shown. Is not limited to this. For example, the integrated normalized data may be generated by performing a predetermined arithmetic process such as addition or multiplication of the first normalized data, the second normalized data, and the third normalized data.
本発明の第1実施形態では、機械学習モデルを生成するために、あらかじめ取得された1週間のセンシングデータを用いて教師データを生成する例を示したが、本発明はこれに限定されない。例えば、あらかじめ取得されるセンシングデータは、1年分であってもよい。 In the first embodiment of the present invention, in order to generate a machine learning model, an example of generating teacher data using pre-acquired one-week sensing data has been shown, but the present invention is not limited to this. For example, the sensing data acquired in advance may be for one year.
また、所定の期間(例えば1週間)経過するごとに新たな教師データを生成してもよい。これにより、機械学習モデルが更新され、より正確なリスクデータを生成することができる。したがって、リスク管理の精度を高めることができる。 In addition, new teacher data may be generated every time a predetermined period (for example, one week) elapses. As a result, the machine learning model can be updated to generate more accurate risk data. Therefore, the accuracy of risk management can be improved.
1・・・リスク管理連携システム,10・・・リスク管理システム(上位層システム),11・・・制御部,12・・・記憶部,13・・・通信部,14・・・表示部,20・・・下位層システム,21・・・制御部,22・・・記憶部,23・・・通信部,24・・・表示部,30・・・ユーザ端末,31・・・表示部,32・・・制御部,33・・・記憶部,34・・・操作部,35・・・通信部,40・・・ネットワーク,100・・・リスク管理制御部,110・・・取得部,120・・・正規化処理部,130・・・学習処理部,140・・・予測処理部,150・・・分析部,160・・・警告情報送信部,210・・・受信部,220・・・送信部,310・・・受信部,320・・・送信部 1 ... Risk management cooperation system, 10 ... Risk management system (upper layer system), 11 ... Control unit, 12 ... Storage unit, 13 ... Communication unit, 14 ... Display unit, 20 ... Lower layer system, 21 ... Control unit, 22 ... Storage unit, 23 ... Communication unit, 24 ... Display unit, 30 ... User terminal, 31 ... Display unit, 32 ... Control unit, 33 ... Storage unit, 34 ... Operation unit, 35 ... Communication unit, 40 ... Network, 100 ... Risk management control unit, 110 ... Acquisition unit, 120 ... Normalization processing unit, 130 ... Learning processing unit, 140 ... Prediction processing unit, 150 ... Analysis unit, 160 ... Warning information transmission unit, 210 ... Reception unit, 220 ...・ ・ Transmitter, 310 ・ ・ ・ Receiver, 320 ・ ・ ・ Transmitter
上記の設定がなされると、次に所定の数式(正規化関数)に基づいて、センシングデータを正規化処理する(S2017)。この例では、以下の数式1(線形関数)に基づいて正規化処理がなされる。各センシングデータには識別情報が設定されている場合、リスク管理システム10は、その情報に基づいて正規化方法が設定され、演算処理を行ってもよい。
Claims (12)
第1種類のデータを取得可能な第1下位層システムで取得された第1センシングデータ、および前記第1センシングデータとは異なる第2種類のデータを取得可能な第2下位層システムで取得された第2センシングデータを取得する取得部と、
第1センシングデータと第1正規化データとの対応関係を規定する第1対応情報を参照して前記取得部で取得された前記第1センシングデータに対応する第1正規化データを生成し、第2センシングデータと第2正規化データとの対応関係を規定する第2対応情報を参照して前記取得部で取得された第2センシングデータに対応する第2正規化データを生成するとともに、前記第1正規化データおよび前記第2正規化データを一つのまとまったデータにするための演算処理を行うことにより統合正規化データを生成する正規化処理部と、
前記統合正規化データに基づいて予測されるリスクデータを生成する予測処理部と、を含み、
前記取得部は、ユーザ情報を取得し、
前記第1対応情報は、前記ユーザ情報に基づいて設定され、
前記第2対応情報は、前記ユーザ情報に基づいて設定される、
リスク管理システム。 It is a high-level system that is connected to multiple low-level systems, and is a risk management system that manages predicted risks.
The first sensing data acquired by the first lower layer system capable of acquiring the first type of data, and the second lower layer system acquired by the second lower layer system capable of acquiring the second type data different from the first sensing data. The acquisition unit that acquires the second sensing data,
With reference to the first correspondence information that defines the correspondence relationship between the first sensing data and the first normalization data, the first normalization data corresponding to the first sensing data acquired by the acquisition unit is generated, and the first normalization data is generated. 2 The second normalization data corresponding to the second sensing data acquired by the acquisition unit is generated with reference to the second correspondence information that defines the correspondence relationship between the sensing data and the second normalization data, and the first A normalization processing unit that generates integrated normalization data by performing arithmetic processing for converting one normalization data and the second normalization data into one set of data, and a normalization processing unit.
Includes a prediction processing unit that generates predicted risk data based on the integrated normalized data.
The acquisition unit acquires user information and
The first correspondence information is set based on the user information, and is set.
The second correspondence information is set based on the user information.
Risk management system.
機械学習により統合正規化機械学習モデルを生成する学習処理部をさらに含み、
前記予測処理部は、前記統合正規化データを前記統合正規化機械学習モデルに適用することにより前記リスクデータを生成する、
請求項1に記載のリスク管理システム。 An integrated normalization machine learning model is generated by machine learning for the second integrated normalization data generated by the normalization processing unit using the first sensing data and the second sensing data acquired in advance by the acquisition unit. Including the learning processing unit to
The prediction processing unit generates the risk data by applying the integrated normalization data to the integrated normalization machine learning model.
The risk management system according to claim 1.
前記第2対応情報は、前記第2センシングデータに関連付けられた第2識別情報に基づいて設定される、
請求項1に記載のリスク管理システム。 The first correspondence information is set based on the first identification information associated with the first sensing data, and is set.
The second correspondence information is set based on the second identification information associated with the second sensing data.
The risk management system according to claim 1.
前記予測処理部は、前記重み値に基づいてリスクデータを調整する、
請求項1乃至3のいずれか一項に記載のリスク管理システム。 The normalization processing unit assigns a weight value to at least one of the first normalization data, the second normalization data, and the integrated normalization data based on a predetermined condition.
The prediction processing unit adjusts the risk data based on the weight value.
The risk management system according to any one of claims 1 to 3.
請求項4に記載のリスク管理システム。 The predetermined condition is set based on the user information.
The risk management system according to claim 4.
請求項1乃至5のいずれか一項に記載のリスク管理システム。 The risk management system according to any one of claims 1 to 5, which includes a warning information transmitting unit that transmits warning information to a user terminal according to the risk data.
第1種類のデータを取得可能な第1下位層システムで取得された第1センシングデータ、および前記第1センシングデータとは異なる第2種類のデータを取得可能な第2下位層システムで取得された第2センシングデータを取得し、
第1センシングデータと第1正規化データとの対応関係を規定する第1対応情報を参照して取得された前記第1センシングデータに対応する第1正規化データを生成し、第2センシングデータと第2正規化データとの対応関係を規定する第2対応情報を参照して取得された前記第2センシングデータに対応する前記第2正規化データを生成するとともに、前記第1正規化データおよび前記第2正規化データを一つのまとまったデータにするための演算処理を行うことにより統合正規化データを生成するための正規化処理を行い、
前記統合正規化データに基づいて予測されるリスクデータを生成すること、を含み、
前記第1センシングデータおよび前記第2センシングデータを取得するときにユーザ情報を取得し、
前記第1対応情報は、前記ユーザ情報に基づいて設定され、
前記第2対応情報は、前記ユーザ情報に基づいて設定される、
リスク管理方法。 A risk management system that manages predicted risks, which is a higher-tier system connected to multiple lower-tier systems,
The first sensing data acquired by the first lower layer system capable of acquiring the first type of data, and the second lower layer system acquired by the second lower layer system capable of acquiring the second type data different from the first sensing data. Acquire the second sensing data,
The first normalized data corresponding to the first sensing data acquired by referring to the first correspondence information that defines the correspondence relationship between the first sensing data and the first normalized data is generated, and the second sensing data and the second sensing data are generated. The second normalization data corresponding to the second sensing data acquired with reference to the second correspondence information defining the correspondence relationship with the second normalization data is generated, and the first normalization data and the said Performs normalization processing to generate integrated normalization data by performing arithmetic processing to make the second normalization data into one set of data.
Including generating predicted risk data based on the integrated normalization data.
User information is acquired when the first sensing data and the second sensing data are acquired, and the user information is acquired.
The first correspondence information is set based on the user information, and is set.
The second correspondence information is set based on the user information.
Risk management method.
械学習により統合正規化機械学習モデルを生成することをさらに含み、
予測される前記リスクデータを生成することは、前記統合正規化データを前記統合正規化機械学習モデルに適用することにより前記リスクデータを生成することを含む、
請求項7に記載のリスク管理方法。 An integrated normalization machine learning model is generated by machine learning for the second integrated normalization data generated by performing the normalization process using the first sensing data and the second sensing data acquired in advance. Including more to do
Generating the predicted risk data includes generating the risk data by applying the integrated normalized data to the integrated normalized machine learning model.
The risk management method according to claim 7.
前記第2対応情報は、前記第2センシングデータに関連付けられた第2識別情報に基づいて設定される、
請求項7に記載のリスク管理方法。 The first correspondence information is set based on the first identification information associated with the first sensing data, and is set.
The second correspondence information is set based on the second identification information associated with the second sensing data.
The risk management method according to claim 7.
前記重み値に基づいて、生成された前記リスクデータを調整する、
請求項7乃至9のいずれか一項に記載のリスク管理方法。 Generating the risk data includes assigning weight values to at least one of the first normalized data, the second normalized data, and the integrated normalized data based on predetermined conditions.
Adjust the generated risk data based on the weight values.
The risk management method according to any one of claims 7 to 9.
請求項10に記載のリスク管理方法。 The predetermined condition is set based on the user information.
The risk management method according to claim 10.
請求項7乃至11のいずれか一項に記載のリスク管理方法。 Warning information is transmitted to the user terminal according to the risk data.
The risk management method according to any one of claims 7 to 11.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021127524A JP7019859B1 (en) | 2021-01-07 | 2021-08-03 | Risk management system and risk management method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021001756A JP6925549B1 (en) | 2021-01-07 | 2021-01-07 | Risk management system and risk management method |
JP2021127524A JP7019859B1 (en) | 2021-01-07 | 2021-08-03 | Risk management system and risk management method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021001756A Division JP6925549B1 (en) | 2021-01-07 | 2021-01-07 | Risk management system and risk management method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7019859B1 JP7019859B1 (en) | 2022-02-15 |
JP2022106642A true JP2022106642A (en) | 2022-07-20 |
Family
ID=87798691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021127524A Active JP7019859B1 (en) | 2021-01-07 | 2021-08-03 | Risk management system and risk management method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7019859B1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957666B (en) * | 2023-09-19 | 2024-04-02 | 南京大数据集团有限公司 | Integral data processing method and system based on circulation feature recognition |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020060810A (en) * | 2018-10-04 | 2020-04-16 | 株式会社エヌ・ティ・ティ・データ | System for supporting inspections of infrastructure facilities, method and program for supporting inspections of infrastructure facilities |
JP2020086497A (en) * | 2018-11-15 | 2020-06-04 | 三菱マヒンドラ農機株式会社 | Agricultural machinery system |
JP2020198070A (en) * | 2019-05-17 | 2020-12-10 | 株式会社平山 | Physical condition management device, physical condition management system, and physical condition management method |
-
2021
- 2021-08-03 JP JP2021127524A patent/JP7019859B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020060810A (en) * | 2018-10-04 | 2020-04-16 | 株式会社エヌ・ティ・ティ・データ | System for supporting inspections of infrastructure facilities, method and program for supporting inspections of infrastructure facilities |
JP2020086497A (en) * | 2018-11-15 | 2020-06-04 | 三菱マヒンドラ農機株式会社 | Agricultural machinery system |
JP2020198070A (en) * | 2019-05-17 | 2020-12-10 | 株式会社平山 | Physical condition management device, physical condition management system, and physical condition management method |
Also Published As
Publication number | Publication date |
---|---|
JP7019859B1 (en) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537945B (en) | Intelligent ammeter fault diagnosis method and equipment based on federal learning | |
US20200213006A1 (en) | Systems and methods for collecting, managing, and leveraging crowdsourced data | |
Wei et al. | Nonlinear impulsive integro-differential equations of mixed type and optimal controls | |
EP3625694A1 (en) | Systems and methods for distributed on-device learning with data-correlated availability | |
US20220114167A1 (en) | Systems and methods for disparate data source aggregation, self-adjusting data model and api | |
Bamdad et al. | Building energy optimization using surrogate model and active sampling | |
CN105447897A (en) | Server apparatus and data integration method | |
Mutingi et al. | Multi-objective homecare worker scheduling: A fuzzy simulated evolution algorithm approach | |
JP7019859B1 (en) | Risk management system and risk management method | |
US20230368040A1 (en) | Online probabilistic inverse optimization system, online probabilistic inverse optimization method, and online probabilistic inverse optimization program | |
CN108235234A (en) | The electronic equipment and method of position data are provided | |
Hüsler et al. | Estimation for the generalized Pareto distribution using maximum likelihood and goodness of fit | |
Mohammad Nezhad et al. | An artificial neural network meta-model for constrained simulation optimization | |
He et al. | Dynamic priority rule-based forward-backward heuristic algorithm for resource levelling problem in construction project | |
Babai et al. | Dynamic versus static control policies in single stage production-inventory systems | |
US11669767B2 (en) | Automatic generation of an explanation, based on data lineage and user feedback, of a prediction produced by a machine learning system | |
JP2016045691A (en) | Information processing device, information processing method, and program | |
JP6925549B1 (en) | Risk management system and risk management method | |
JP2019179547A (en) | System for controlling access rights to a plurality of target systems and applications | |
US20190205398A1 (en) | Systems and methods for translation management | |
CN107689227A (en) | A kind of voice de-noising method and system based on data fusion | |
US10678771B1 (en) | Filtering mapped datasets | |
Lo et al. | Cost impact of float loss on a project with adjustable activity durations | |
KR20220160342A (en) | System and method for care matching service | |
Javed et al. | Random neural network learning heuristics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210803 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211020 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211202 |
|
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: 20220111 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7019859 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |