JP6765110B1 - Water trouble occurrence frequency prediction program - Google Patents
Water trouble occurrence frequency prediction program Download PDFInfo
- Publication number
- JP6765110B1 JP6765110B1 JP2020011060A JP2020011060A JP6765110B1 JP 6765110 B1 JP6765110 B1 JP 6765110B1 JP 2020011060 A JP2020011060 A JP 2020011060A JP 2020011060 A JP2020011060 A JP 2020011060A JP 6765110 B1 JP6765110 B1 JP 6765110B1
- Authority
- JP
- Japan
- Prior art keywords
- association
- water
- degree
- trouble
- sales 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 238000013473 artificial intelligence Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000007257 malfunction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】建築構造物内における水回りのトラブルの発生頻度を地域単位で予測する。【解決手段】水回りトラブル発生頻度予測プログラムにおいて、水回りトラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得し、各地域における水回りトラブル対応に対して出動した業者の参照用売上データＰ０１、Ｐ０２、Ｐ０３と、水回りのトラブルの発生頻度Ａ~Ｄとの３段階以上の連関度Ｗ１３〜ｗ１９を参照し、情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データＰ０１、Ｐ０２、Ｐ０３との間でより高い連関度が設定されている水回りのトラブルの発生頻度Ａ~Ｄを探索する。【選択図】図３PROBLEM TO BE SOLVED: To predict the frequency of occurrence of water troubles in a building structure on a regional basis. SOLUTION: In a water-related trouble occurrence frequency prediction program, area-specific information for identifying a building structure for predicting the occurrence frequency of water-related trouble or an area in which it is located is acquired, and water-related trouble is dealt with in each area. The area acquired in the information acquisition step by referring to the reference sales data P01, P02, P03 of the vendor dispatched to the above and the degree of association W13 to w19 of three or more stages of the occurrence frequency A to D of the trouble around the water. Search for the frequency A to D of water troubles in which a higher degree of association is set with the reference sales data P01, P02, and P03 corresponding to the past sales data of the region in the specific information. [Selection diagram] Fig. 3
Description
本発明は、水回りトラブル発生頻度予測プログラムに関する。 The present invention relates to a water supply trouble occurrence frequency prediction program.
ビルやマンション、戸建住宅等の建築構造物における水回りトラブルの例としては、トイレのつまり、水漏れ、故障、キッチンや洗面所のつまり、水漏れ、故障、風呂の排水口のつまりやシャワーや蛇口の水漏れ、故障等がある。このような建築構造物における水回りトラブルは、その居住者のみで解決できない場合も多々あることから専門業者に出動してもらい、作業を委託するケースが多い。 Examples of water problems in building structures such as buildings, condominiums, and detached houses include clogging of toilets, water leaks, malfunctions, clogging of kitchens and washrooms, water leaks, malfunctions, clogging of bath drains, and showers. There is a water leak in the faucet or a malfunction. Since there are many cases where water problems in such building structures cannot be solved by the resident alone, there are many cases where a specialist is dispatched and the work is outsourced.
しかしながら、近年における専門業者の人手不足が深刻化しており、居住者が連絡をしてもなかなか対応してもらえないケースが増加している。特にトイレのつまりの場合には、つまりが解消しない限りトイレを使用することができなくなり、業者の出動が遅れる場合には、通常の生活に大きな支障をきたす場合がある。トイレ以外のキッチンや洗面所のつまりや水漏れも同様である。このような水回りのトラブルは、より早めの対応が必要になり場合が多いことから、これに対応する業者も、対応する地域毎の人員配置の最適化等、尽力している。 However, in recent years, the labor shortage of specialists has become more serious, and there are an increasing number of cases in which residents are unable to respond even if they contact them. Especially in the case of clogging of the toilet, the toilet cannot be used unless the clogging is cleared, and if the dispatch of the contractor is delayed, it may seriously hinder normal life. The same applies to clogging and water leaks in kitchens and washrooms other than toilets. Since it is often necessary to deal with such water-related problems earlier, the companies that deal with them are also making efforts such as optimizing the staffing for each corresponding area.
実際に水回りの対応を行うために、どの地域にどれだけの人員を配置するかを考えたとき、各地域における水回りのトラブルの発生頻度を予測する必要がある。しかしながら、このような水回りのトラブルの発生頻度を地域毎に予測するための技術が未だ案出されていないのが現状であった。 When considering how many people will be assigned to which area in order to actually deal with water supply, it is necessary to predict the frequency of water supply troubles in each area. However, the current situation is that a technique for predicting the frequency of such water-related troubles in each region has not yet been devised.
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、建築構造物内における水回りのトラブルの発生頻度を地域単位で予測する水回りトラブル発生頻度予測プログラムを提供することにある。 Therefore, the present invention has been devised in view of the above-mentioned problems, and an object of the present invention is to predict the frequency of water troubles in a building structure on a regional basis. To provide a forecasting program.
本発明に係る水回りトラブル発生頻度予測プログラムは、建築構造物内における水回りのトラブルの発生頻度を地域単位で予測する水回りトラブル発生頻度予測プログラムにおいて、水回りトラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得する情報取得ステップと、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索する探索ステップとをコンピュータに実行させることを特徴とする。 The water-related trouble occurrence frequency prediction program according to the present invention is a water-related trouble occurrence frequency prediction program that predicts the occurrence frequency of water-related troubles in a building structure on a regional basis, and is a construction that predicts the occurrence frequency of water-related troubles. Information acquisition step to acquire area identification information to identify the structure or the area where it is located, reference sales data of the contractor dispatched to deal with water problems in each area, and occurrence of water problems A higher degree of association is set with the reference sales data corresponding to the past sales data of the area in the area-specific information acquired in the above information acquisition step by referring to the degree of association with the frequency in three or more stages. It is characterized by having a computer execute a search step for searching for the frequency of troubles around water.
特段のスキルや経験が無くても、人手に頼ることなく、建築構造物内における水回りのトラブルの発生頻度を地域単位で予測することができる。 Even if you do not have any special skills or experience, you can predict the frequency of water problems in building structures on a regional basis without relying on human resources.
以下、本発明を適用した水回りトラブル発生頻度予測プログラムについて、図面を参照しながら詳細に説明をする。 Hereinafter, the water trouble occurrence frequency prediction program to which the present invention is applied will be described in detail with reference to the drawings.
図１は、本発明を適用した水回りトラブル発生頻度予測プログラムが実装される水回りトラブル発生頻度システム１の全体構成を示すブロック図である。水回りトラブル発生頻度システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。
FIG. 1 is a block diagram showing an overall configuration of a water trouble occurrence frequency system 1 in which a water trouble occurrence frequency prediction program to which the present invention is applied is implemented. The water trouble occurrence frequency system 1 includes an information acquisition unit 9, a
情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。
The information acquisition unit 9 is a device for a person using this system to input various commands and information, and specifically, is composed of a keyboard, buttons, a touch panel, a mouse, a switch, and the like. The information acquisition unit 9 is not limited to a device for inputting text information, and may be configured by a device such as a microphone that can detect voice and convert it into text information. Further, the information acquisition unit 9 may be configured as an image pickup device capable of capturing an image of a camera or the like. The information acquisition unit 9 may be configured by a scanner having a function of recognizing a character string from a paper-based document. Further, the information acquisition unit 9 may be integrated with the
また、情報取得部９は、水回りトラブル対応に対して出動し、実際に作業を行うことで問題解決を行う業者のデータベースに記録されている地域毎の売り上げデータや、地域毎の出動回数等に応じて算出した出動頻度データを取得するための手段で構成されていてもよい。 In addition, the information acquisition unit 9 is dispatched to deal with water troubles, and the sales data for each region recorded in the database of the contractor who solves the problem by actually performing the work, the number of dispatches for each region, etc. It may be configured by means for acquiring the dispatch frequency data calculated according to the above.
データベース３は、水回りトラブル発生頻度を行う上で必要な様々な情報が蓄積される。水回りトラブル発生頻度を行う上で必要な情報としては、各地域における水回りトラブル対応に対して出動した業者の参照用売上データ、各地域における水回りトラブル対応に対して出動した業者の参照用出動頻度データ、水回りトラブル対応のために出動要請された業者の参照用断り率、各地域における参照用人口推計データ、各地域における参照用地理的情報、各地域におけるトラブルの種類に関する参照用トラブル種類情報、各地域における建築構造物の種類に関する参照用統計情報等が、出力データとしての水回りのトラブルの発生頻度との関係において蓄積されている。 The database 3 stores various information necessary for performing the frequency of water troubles. Information necessary for performing the frequency of water-related troubles is the sales data for reference of the vendors dispatched for the water-related troubles in each region, and the reference of the contractors dispatched for the water-related troubles in each region. Dispatch frequency data, reference refusal rate of contractors requested to respond to water problems, population estimation data for reference in each region, geographical information for reference in each region, trouble for reference regarding the type of trouble in each region Type information, reference statistical information on the types of building structures in each area, etc. are accumulated in relation to the frequency of water-related troubles as output data.
つまり、データベース３には、このような業者の参照用売上データ、業者の参照用出動頻度データに加え、業者の参照用断り率、参照用人口推計データ、参照用地理的情報、参照用トラブル種類情報、建築構造物の種類に関する参照用統計情報の何れか１以上と、水回りのトラブルの発生頻度が互いに紐づけられて記憶されている。 That is, in the database 3, in addition to the reference sales data of the vendor and the reference dispatch frequency data of the vendor, the reference rejection rate of the vendor, the population estimation data for reference, the geographical information for reference, and the trouble type for reference Any one or more of the information and the reference statistical information regarding the type of the building structure and the frequency of occurrence of troubles around the water are stored in association with each other.
探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。
The
図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う判別部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。
FIG. 2 shows a specific configuration example of the
制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。
The
操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、判別部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。
The
判別部２７は、探索解を判別する。この判別部２７は、判別動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この判別部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
The
表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。
The
記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。
When the
上述した構成からなる水回りトラブル発生頻度システム１における動作について説明をする。 The operation in the water trouble occurrence frequency system 1 having the above-described configuration will be described.
水回りトラブル発生頻度システム１では、例えば図３に示すように、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、水回りのトラブルの発生頻度との３段階以上の連関度が予め設定されていることが前提となる。各地域における水回りトラブル対応に対して出動した業者とは、建築構造物（ビル、マンション、戸建住宅、アパート等）の居住者からの水回りトラブルの要請に対して出動して実際に現場で修復作業を行う業者である。水回りのトラブルとは、トイレのつまり、水漏れ、故障、キッチンや洗面所のつまり、水漏れ、故障、風呂の排水口のつまりやシャワーや蛇口の水漏れ、故障等がある。このような業者は、各地域毎に売上を管理している場合が多い。個々でいう地域の単位は、地方、県、市区町村、更には、町、番地、号、更にはビルやマンション単位まで詳細に分類されていても良い。売上は、年単位、月単位、週単位、日単位等で管理されている。このような業者の地域単位での参照用売上データを先ずは学習用データのために取得する。またこの参照用売上データは、年単位、月単位、週単位、日単位等、ある期間の平均値や標準偏差で表されてもよいし、変動傾向、変動推移のデータで表されていてもよい。 In the water-related trouble occurrence frequency system 1, for example, as shown in FIG. 3, there are three or more stages of reference sales data of a trader dispatched to deal with water-related trouble in each region and the occurrence frequency of water-related trouble. It is assumed that the degree of association is set in advance. A contractor dispatched to deal with water problems in each area is actually a site dispatched to a request for water problems from a resident of a building structure (building, condominium, detached house, apartment, etc.). It is a contractor who carries out repair work at. Problems around water include clogging of toilets, water leaks, malfunctions, clogging of kitchens and washrooms, water leaks, malfunctions, clogging of bath drains, water leaks of showers and faucets, and malfunctions. Such vendors often manage sales in each region. The unit of each area may be classified in detail into a region, a prefecture, a municipality, a town, a street number, a number, and even a building or a condominium unit. Sales are managed on a yearly, monthly, weekly, daily, etc. basis. First, the sales data for reference in each region of such a trader is acquired for the data for learning. In addition, this reference sales data may be represented by the average value or standard deviation of a certain period such as yearly, monthly, weekly, daily, etc., or may be represented by fluctuation trend data or fluctuation transition data. Good.
水回りのトラブルの発生頻度は、各地域において、水回りのトラブルの発生がどの頻度で起こり得るかを示すものである。この水回りトラブルの発生頻度は、年単位、月単位、週単位、日単位、５年単位等、いかなる分母で構成されていてもよい。水回りのトラブル発生は、建築構造物の居住者から実際に業者に対して水回りトラブルがあった旨の連絡がある都度、１回分としてカウントしてもよい。このような水回りのトラブル発生頻度は、業者自身がカウントしておき、保有しているデータベースに記録しておくことで、事後的な取得が可能となる。この水回りのトラブル発生頻度は、上述した地域単位で整理されている。 The frequency of water-related troubles indicates how often water-related troubles can occur in each region. The frequency of occurrence of this water trouble may be composed of any denominator such as yearly, monthly, weekly, daily, and five-year units. The occurrence of water-related troubles may be counted as one time each time the resident of the building structure notifies the contractor that there was a water-related trouble. The frequency of such troubles around water can be obtained after the fact by counting the frequency of such troubles around the water and recording it in the database held by the vendor. The frequency of troubles around the water is organized by region as described above.
図３の例では、入力データとして、各地域における参照用売上データＰ０１、Ｐ０２、Ｐ０３であるものとする。このような入力データとしての参照用売上データＰ０１、Ｐ０２、Ｐ０３は、出力としての水回りのトラブル発生頻度に連結している。 In the example of FIG. 3, it is assumed that the input data is the reference sales data P01, P02, and P03 in each region. The reference sales data P01, P02, and P03 as such input data are linked to the frequency of troubles around the water as output.
参照用売上データＰ０１、Ｐ０２、Ｐ０３は、この出力解としての水回りのトラブル発生頻度Ａ~Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。このトラブル発生頻度は、例えばＡが月５回、Ｂが月２０回等のように示されているが、これも月単位の頻度に限らず、いかなる期間単位の頻度とされていてもよい。参照用売上データがこの連関度を介して左側に配列し、各水回りのトラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データに対して、何れのトラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データが、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、各参照用売上データについて最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としてのトラブル発生頻度と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としてのトラブル発生頻度と互いに関連度合いが低いことを示している。 The reference sales data P01, P02, and P03 are related to each other through the degree of association of three or more levels with respect to the trouble occurrence frequencies A to D around the water as the output solution. The frequency of trouble occurrence is shown, for example, 5 times a month for A, 20 times a month for B, etc., but this is not limited to the monthly frequency, and may be any period unit frequency. The sales data for reference is arranged on the left side via this degree of association, and the frequency of troubles around each water is arranged on the right side via this degree of association. The degree of association indicates the degree of trouble occurrence frequency and the degree of relevance to the reference sales data arranged on the left side. In other words, this degree of association is an index showing what kind of trouble occurrence frequency each reference sales data is likely to be associated with, and selects the most probable trouble occurrence frequency for each reference sales data. It shows the accuracy above. In the example of FIG. 3, w13 to w19 are shown as the degree of association. These w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the frequency of trouble occurrence as output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the frequency of trouble occurrence as an output.
探索装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、各地域の参照用売上データと、その場合のトラブル発生頻度の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。
The
例えば、過去において地域における参照用売上データがある折れ線グラフで示される変動推移で示されるものであるものとする。このような、ある折れ線グラフで示される参照用売上データの場合に、実際にその地域における水回りのトラブル発生頻度は、Ａが最も多かったものとする。このようなデータセットを集めて分析することにより、各地域の参照用売上データとの連関度が強くなる。 For example, it is assumed that the sales data for reference in the past is shown by the fluctuation transition shown by the line graph. In the case of such reference sales data shown by a certain line graph, it is assumed that A actually has the highest frequency of water troubles in the area. By collecting and analyzing such data sets, the degree of association with reference sales data in each region is strengthened.
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１である場合に、過去の売上と、トラブル発生頻度の各種データから分析する。地域Ｐ０１での売上が年平均で５６０万円である場合に、トラブル発生頻度Ａの事例が多い場合には、このトラブル発生頻度の評価につながる連関度をより高く設定し、トラブル発生頻度Ｂの事例が多い場合には、このトラブル発生頻度の評価につながる連関度をより高く設定する。例えば地域Ｐ０１についての参照用売上データの例では、トラブル発生頻度Ａと、トラブル発生頻度Ｃにリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｃにつながるｗ１４の連関度を２点に設定している。 This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of reference sales data P01, analysis is performed from past sales and various data of trouble occurrence frequency. If the annual average sales in the area P01 are 5.6 million yen and there are many cases of trouble occurrence frequency A, the degree of association that leads to the evaluation of this trouble occurrence frequency is set higher, and the trouble occurrence frequency B If there are many cases, set a higher degree of association that leads to the evaluation of the frequency of trouble occurrence. For example, in the example of sales data for reference for region P01, the trouble occurrence frequency A and the trouble occurrence frequency C are linked, but from the previous case, the degree of association of w13 that leads to the trouble occurrence frequency A is set to 7 points, and the trouble The degree of association of w14 connected to the occurrence frequency C is set to 2 points.
また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。 Further, the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
かかる場合には、図４に示すように、入力データとして各地域の参照用売上データが入力され、出力データとしてトラブル発生頻度が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。 In such a case, as shown in FIG. 4, reference sales data of each region is input as input data, trouble occurrence frequency is output as output data, and at least one or more hidden layers are output between the input node and the output node. May be provided and machine learning may be performed. The above-mentioned degree of association is set in either one or both of the input node and the hidden layer node, and this is the weighting of each node, and the output is selected based on this. Then, when this degree of association exceeds a certain threshold value, the output may be selected.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の各地域の参照用売上データと、水回りのトラブルの発生頻度とのデータセットを通じて作った後に、実際にこれから新たにトラブル発生頻度の判別を行う上で、上述した学習済みデータを利用してトラブル発生頻度を探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data through the data set of the sales data for reference in each region and the frequency of troubles around the water, in order to actually determine the frequency of troubles in the future. The trouble occurrence frequency is searched for using the above-mentioned learned data. These data sets may be created by reading from a database managed by a vendor.
新たにトラブル発生頻度を探索する場合には、探索したい地域の入力を受け付ける。地域毎にそれぞれ過去の売上データが紐付けられて記憶されていることから、地域の入力を受け付けた場合、これに紐づけられている売上データを読み出すことで取得することができる。 When searching for a new trouble occurrence frequency, the input of the area to be searched is accepted. Since the past sales data is associated with each region and stored, when the input of the region is accepted, it can be acquired by reading the sales data associated with the region.
次にこの読みだした売上データを参照用売上データと照合する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合には、連関度を介してトラブル発生頻度Ｂがｗ１５、トラブル発生頻度Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。 Next, the read sales data is collated with the reference sales data. In such a case, the degree of association shown in FIG. 3 (Table 1) acquired in advance is referred to. For example, when the newly acquired sales data is the same as or similar to P02, the trouble occurrence frequency B is associated with w15 and the trouble occurrence frequency C is associated with the association degree w16 through the association degree. In such a case, the trouble occurrence frequency B having the highest degree of association is selected as the optimum solution. However, it is not essential to select the one with the highest degree of association as the optimum solution, and the trouble occurrence frequency C in which the degree of association is low but the association itself is recognized may be selected as the optimum solution. In addition to this, it goes without saying that an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
ちなみに、売上データと参照用売上データの照合は、仮にこれらのデータが、ある期間の売上平均で表されている場合には、その売上平均が±１０％の範囲内に入っているか否かで同一及び類似であるか否かを判別するようにしてもよい。また、売上データが時系列的推移グラフで示されるものであれば、その傾向の類似性に基づいて判別されるものであってもよい。 By the way, the collation of sales data and reference sales data is based on whether or not the sales average is within the range of ± 10% if these data are represented by the sales average for a certain period. It may be determined whether they are the same or similar. Further, as long as the sales data is shown in a time-series transition graph, it may be determined based on the similarity of the trends.
このようにして、新たに取得する売上データから、最も好適なトラブル発生頻度を探索し、ユーザに表示することができる。この探索結果を見ることにより、その地域で、今後どのようなトラブル発生頻度になりえるかを事前に判別することができ、地域毎の作業員の配置を検討することができる。 In this way, the most suitable trouble occurrence frequency can be searched for from the newly acquired sales data and displayed to the user. By looking at this search result, it is possible to determine in advance what kind of trouble occurrence frequency may occur in the area in the future, and it is possible to consider the allocation of workers in each area.
図５の例では、参照用売上データと、参照用断り率との組み合わせの連関度が形成される例である。参照用断り率とは、実際に建築構造物の居住者から水回りトラブルに基づく出動要請が業者に対してあり、これに対して業者側が受任をすることができず断りを入れた確率である。この断り率は、出動要請数に対する断りを入れた回数で表される。出動要請数、断りを入れた回数、地域毎に業者がデータベース３上において管理している。この実際に断り率を知りたい地域に対して、データベース３からこれらの出動要請数に対する断りを入れた回数を読み出すことで、断り率を得ることができる。 In the example of FIG. 5, the degree of association between the reference sales data and the reference rejection rate is formed. The reference refusal rate is the probability that a resident of a building structure actually requested a dispatch based on a water supply trouble to the contractor, and the contractor could not accept the request and refused it. .. This refusal rate is expressed by the number of refusals for the number of dispatch requests. The number of dispatch requests, the number of refusals, and each region are managed by the vendor on the database 3. The refusal rate can be obtained by reading the number of refusals for the number of dispatch requests from the database 3 for the area where the refusal rate is actually desired to be known.
水回りのトラブルの発生頻度は、その地域における売上に加え、あまりに出動要請件数が多い場合には、断りを入れる場合が多くなることから、その断り率にも依拠する。このため、参照用売上データに加えて、参照用断り率を学習データに組み合わせ判断することで、トラブル発生頻度をより高精度に判別することができる。このため、参照用売上データに加えて、参照用断り率を組み合わせて上述した連関度を形成しておく。 In addition to sales in the area, the frequency of water-related troubles depends on the refusal rate, because if the number of dispatch requests is too large, there are many cases of refusal. Therefore, the frequency of trouble occurrence can be determined with higher accuracy by combining the reference refusal rate with the learning data in addition to the reference sales data. Therefore, in addition to the reference sales data, the reference rejection rate is combined to form the above-mentioned degree of association.
図５の例では、入力データとして例えば参照用売上データＰ０１〜Ｐ０３、参照用断り率Ｐ１４〜１７であるものとする。このような入力データとしての、参照用売上データに対して、参照用断り率が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。 In the example of FIG. 5, it is assumed that the input data is, for example, reference sales data P01 to P03 and reference rejection rates P14 to 17. The intermediate node shown in FIG. 5 is a combination of the reference sales data and the reference rejection rate as such input data. Each intermediate node is further linked to the output. In this output, the frequency of trouble occurrence as an output solution is displayed.
参照用売上データと参照用断り率との各組み合わせ（中間ノード）は、この出力解としての、トラブル発生頻度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用断り率がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用断り率に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用断り率が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用断り率から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。このため、これらの参照用売上データと参照用断り率の組み合わせで、最適なトラブル発生頻度を探索していくこととなる。 Each combination (intermediate node) of the reference sales data and the reference rejection rate is associated with each other through three or more levels of association with the frequency of trouble occurrence as this output solution. The reference sales data and the reference rejection rate are arranged on the left side via this degree of association, and the trouble occurrence frequency is arranged on the right side via this degree of association. The degree of association indicates the degree of relevance to the frequency of trouble occurrence with respect to the reference sales data and the reference refusal rate arranged on the left side. In other words, this degree of association is an index showing what kind of trouble occurrence frequency each reference sales data and reference rejection rate are likely to be associated with, and is based on the reference sales data and the reference rejection rate. It shows the accuracy in selecting the most probable trouble occurrence frequency. Therefore, the optimum trouble occurrence frequency is searched for by combining these reference sales data and the reference refusal rate.
図５の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。 In the example of FIG. 5, w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
探索装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用売上データと参照用断り率、並びにその場合のトラブル発生頻度が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
The
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１で、参照用断り率Ｐ１６である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度がＡの事例が多い場合には、このトラブル発生頻度Ａにつながる連関度をより高く設定し、トラブル発生頻度Ｂの事例が多く、トラブル発生頻度Ａの事例が少ない場合には、トラブル発生頻度Ｂにつながる連関度を高くし、トラブル発生頻度Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、トラブル発生頻度Ａとトラブル発生頻度Ｂの出力にリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｂにつながるｗ１４の連関度を２点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the reference sales data P01 and the reference rejection rate P16, the trouble occurrence frequency is analyzed from the past data. When there are many cases where the trouble occurrence frequency is A, the degree of association leading to this trouble occurrence frequency A is set higher, and when there are many cases of trouble occurrence frequency B and there are few cases of trouble occurrence frequency A, trouble occurs. The degree of association leading to the occurrence frequency B is set high, and the degree of association leading to the trouble occurrence frequency A is set low. For example, in the example of the
また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。 Further, the degree of association shown in FIG. 5 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. Other than that, the configuration related to artificial intelligence is the same as the description in FIG.
図５に示す連関度の例で、ノード６１ｂは、参照用売上データＰ０１に対して、参照用断り率Ｐ１４の組み合わせのノードであり、トラブル発生頻度Ｃの連関度がｗ１５、トラブル発生頻度Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売上データＰ０２に対して、参照用断り率Ｐ１５、Ｐ１７の組み合わせのノードであり、トラブル発生頻度Ｂの連関度がｗ１７、トラブル発生頻度Ｄの連関度がｗ１８となっている。
In the example of the degree of association shown in FIG. 5, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にトラブル発生頻度を判別しようとする地域を同様に入力する。そしてデータベース３内にある、各地域毎に整理されている売上データと誤り率を取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually determining the trouble occurrence frequency from now on, the above-mentioned learned data will be used. In such a case, the area where the trouble occurrence frequency is actually to be determined is input in the same manner. Then, the sales data and the error rate organized for each region in the database 3 are acquired.
このようにして新たに取得した売上データ、誤り率に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合であって、誤り率がＰ１７と同一か類似である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、トラブル発生頻度Ｃがｗ１９、トラブル発生頻度Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired sales data and error rate in this way, the optimum trouble occurrence frequency is searched for. In such a case, the degree of association shown in FIG. 5 (Table 1) acquired in advance is referred to. For example, when the newly acquired sales data is the same as or similar to P02 and the error rate is the same as or similar to P17, the
また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。 In addition, Table 2 below shows examples of the degrees of association w1 to w12 extending from the input.
この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。 The intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the association degrees w1 to w12 may all have the same value, and the weightings in the selection of the intermediate node 61 may all be the same.
図６は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用人口推計データとの組み合わせと、当該組み合わせに対するトラブル発生頻度との３段階以上の連関度が設定されている例を示している。 In FIG. 6, in addition to the above-mentioned reference sales data, a combination with the above-mentioned reference population estimation data instead of the above-mentioned reference refusal rate and a trouble occurrence frequency for the combination are set to three or more levels of association. An example is shown.
参照用断り率の代わりに説明変数として加えられるこの参照用人口推計データは、その地域における人口推計を示すものであり、人口ピラミッド（年代層、男女別に人口の分布が描かれた図）並びにその時系列的推移、その地域における転入数、転出数、転入家庭数、転出家庭数、また各人口毎の職業別分類等もこのデータに含めてもよい。トラブル発生頻度は、売上データに加え、このような人口推計にも影響を受ける。高齢者人口が多いほど、トイレのつまり等に対応することができない場合が多く、出動要請の機会が増加する場合がある。また転入数−転出数がプラスに多いほど、人口が増加しており、これに応じてトラブル発生頻度も高くなることが考えられる。このような参照用人口推計データは、各地域単位でデータベース３内にて管理されている。 This reference population estimation data, which is added as an explanatory variable instead of the reference refusal rate, shows the population estimation in the area, and is the population pyramid (a figure showing the distribution of population by age group and gender) and its time series. This data may also include trends, the number of in-migrants, the number of out-migrants, the number of in-migrant households, the number of out-migrant households, and occupational classification for each population. The frequency of troubles is affected by such population estimates in addition to sales data. As the elderly population increases, it is often impossible to deal with clogging of the toilet, and the chances of requesting dispatch may increase. In addition, as the number of in-migrants-the number of out-migrants increases, the population is increasing, and it is possible that the frequency of troubles will increase accordingly. Such reference population estimation data is managed in the database 3 for each region.
このような家庭環境もトラブル発生頻度に影響を及ぼすことから、参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。 Since such a home environment also affects the frequency of trouble occurrence, the accuracy of discrimination can be improved by determining the frequency of trouble occurrence through the degree of association in combination with sales data for reference.
図６の例では、入力データとして例えば参照用売上データＰ０１〜Ｐ０３、参照用人口
推計データＰ１８〜２１であるものとする。このような入力データとしての、参照用売上データに対して、参照用人口推計データが組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
In the example of FIG. 6, it is assumed that the input data are, for example, reference sales data P01 to P03 and reference population estimation data P18 to 21. The intermediate node shown in FIG. 6 is a combination of reference sales data and reference population estimation data as such input data. Each intermediate node is further linked to the output. In this output, the frequency of trouble occurrence as an output solution is displayed.
参照用売上データと参照用人口推計データとの各組み合わせ（中間ノード）は、この出力解としての、トラブル発生頻度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用人口推計データがこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用人口推計データに対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用人口推計データが、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用人口推計データから最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。 Each combination (intermediate node) of the reference sales data and the reference population estimation data is associated with each other through three or more levels of association with the frequency of trouble occurrence as this output solution. The reference sales data and the reference population estimation data are arranged on the left side via this degree of association, and the trouble occurrence frequency is arranged on the right side via this degree of association. The degree of association indicates the degree of relevance to the frequency of trouble occurrence with respect to the reference sales data and the reference population estimation data arranged on the left side. In other words, this degree of association is an index showing what kind of trouble occurrence frequency each reference sales data and reference population estimation data are likely to be associated with, and is a reference sales data and reference population estimation. It shows the accuracy in selecting the most probable trouble occurrence frequency from the data.
探索装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用人口推計データ、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。
The
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１で、参照用人口推計データＰ２０である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Ａの事例が多い場合には、このトラブル発生頻度がＡにつながる連関度をより高く設定し、トラブル発生頻度がＢの事例が多く、トラブル発生頻度がＡの事例が少ない場合には、トラブル発生頻度がＢにつながる連関度を高くし、トラブル発生頻度がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、トラブル発生頻度Ａとトラブル発生頻度Ｂの出力にリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｂにつながるｗ１４の連関度を２点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, when the reference sales data P01 is the reference population estimation data P20, the trouble occurrence frequency is analyzed from the past data. When there are many cases of trouble occurrence frequency A, the degree of association that this trouble occurrence frequency leads to A is set higher, and when there are many cases of trouble occurrence frequency B and there are few cases of trouble occurrence frequency A, , The degree of association in which the frequency of trouble occurrence leads to B is increased, and the degree of association in which the frequency of trouble occurrence leads to A is set low. For example, in the example of the
また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。 Further, the degree of association shown in FIG. 6 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. Other than that, the configuration related to artificial intelligence is the same as the description in FIG.
図６に示す連関度の例で、ノード６１ｂは、参照用売上データＰ０１に対して参照用人口推計データＰ１８の組み合わせのノードであり、トラブル発生頻度Ｃの連関度がｗ１５、トラブル発生頻度Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売上データＰ０２に対して、参照用人口推計データＰ１９、Ｐ２１の組み合わせのノードであり、トラブル発生頻度Ｂの連関度がｗ１７、トラブル発生頻度Ｄの連関度がｗ１８となっている。
In the example of the degree of association shown in FIG. 6, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、人口推計データとを取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually searching for the frequency of trouble occurrence from now on, the above-mentioned learned data will be used. In such a case, by actually inputting the area to be determined of the trouble occurrence frequency, the sales data and the population estimation data in that area are acquired.
このようにして新たに取得した売上データと、人口推計データに基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合であって、人口推計データがＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、トラブル発生頻度Ｃがｗ１９、トラブル発生頻度Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired sales data and the population estimation data in this way, the optimum trouble occurrence frequency is searched for. In such a case, the degree of association shown in FIG. 6 (Table 1) acquired in advance is referred to. For example, if the newly acquired sales data is the same as or similar to P02, and the population estimation data is the same as or similar to P21, the
図７は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用地理的情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との３段階以上の連関度が設定されている例を示している。 In FIG. 7, in addition to the above-mentioned sales data for reference, a combination with the above-mentioned geographical information for reference instead of the above-mentioned rejection rate for reference and the frequency of trouble occurrence for the combination are set to three or more levels of association. An example is shown.
参照用断り率の代わりに説明変数として加えられるこの参照用地理的情報は、その地域におけるあらゆる地理的情報を示すものであり、河川、海の有無や位置、距離、面積、海抜何メートルあるか、また等高線の情報、道路に関する情報、河川に対する建築構造物の相対的位置関係等、の情報である。このような参照用地理的情報は、各地域単位でデータベース３内にて管理されている。 This reference geographic information, which is added as an explanatory variable instead of the reference refusal rate, indicates all geographic information in the area, including the presence or absence of rivers and seas, their location, distance, area, and how many meters above sea level. , Information on contour lines, information on roads, relative positional relationship of building structures with respect to rivers, etc. Such reference geographical information is managed in the database 3 for each region.
このような地理的情報も水回りトラブル発生頻度に影響を及ぼす。河川に近い場合には、これに応じて水回りのトラブルが発生する可能性が高くなる場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。 Such geographical information also affects the frequency of water troubles. If it is close to a river, there is a high possibility that troubles around the water will occur accordingly. Therefore, by combining this with sales data for reference and determining the frequency of troubles through the degree of association, The discrimination accuracy can be improved.
図７の例では、入力データとして例えば参照用売上データＰ０１〜Ｐ０３、参照用地理的情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用売上データに対して、参照用地理的情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。 In the example of FIG. 7, it is assumed that the input data is, for example, reference sales data P01 to P03 and reference geographical information P18 to 21. The intermediate node shown in FIG. 7 is a combination of reference sales data and reference geographical information as such input data. Each intermediate node is further linked to the output. In this output, the frequency of trouble occurrence as an output solution is displayed.
参照用売上データと参照用地理的情報との各組み合わせ（中間ノード）は、この出力解としての、トラブル発生頻度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用地理的情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用地理的情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用地理的情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用地理的情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。 Each combination (intermediate node) of the reference sales data and the reference geographical information is associated with each other through three or more levels of association with the frequency of trouble occurrence as this output solution. The reference sales data and the reference geographical information are arranged on the left side via this degree of association, and the trouble occurrence frequency is arranged on the right side through this degree of association. The degree of association indicates the degree of relevance to the frequency of trouble occurrence with respect to the reference sales data and the reference geographical information arranged on the left side. In other words, this degree of association is an index showing what kind of trouble frequency each reference sales data and reference geographical information is likely to be associated with, and is a reference indicator sales data and reference geographic information. It shows the accuracy in selecting the most probable trouble occurrence frequency from the information.
探索装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用地理的情報、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。
The
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１で、参照用地理的情報Ｐ２０である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Ａの事例が多い場合には、このトラブル発生頻度がＡにつながる連関度をより高く設定し、トラブル発生頻度がＢの事例が多く、トラブル発生頻度がＡの事例が少ない場合には、トラブル発生頻度がＢにつながる連関度を高くし、トラブル発生頻度がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、トラブル発生頻度Ａとトラブル発生頻度Ｂの出力にリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｂにつながるｗ１４の連関度を２点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of the reference sales data P01 and the reference geographical information P20, the trouble occurrence frequency is analyzed from the past data. When there are many cases of trouble occurrence frequency A, the degree of association that this trouble occurrence frequency leads to A is set higher, and when there are many cases of trouble occurrence frequency B and there are few cases of trouble occurrence frequency A, , The degree of association in which the frequency of trouble occurrence leads to B is increased, and the degree of association in which the frequency of trouble occurrence leads to A is set low. For example, in the example of the
また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。 Further, the degree of association shown in FIG. 7 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. Other than that, the configuration related to artificial intelligence is the same as the description in FIG.
図７に示す連関度の例で、ノード６１ｂは、参照用売上データＰ０１に対して参照用地理的情報Ｐ１８の組み合わせのノードであり、トラブル発生頻度Ｃの連関度がｗ１５、トラブル発生頻度Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売上データＰ０２に対して、参照用地理的情報Ｐ１９、Ｐ２１の組み合わせのノードであり、トラブル発生頻度Ｂの連関度がｗ１７、トラブル発生頻度Ｄの連関度がｗ１８となっている。
In the example of the degree of association shown in FIG. 7, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、地理的情報とを取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually searching for the frequency of trouble occurrence from now on, the above-mentioned learned data will be used. In such a case, by actually inputting the area to be determined of the trouble occurrence frequency, the sales data and the geographical information in the area are acquired.
このようにして新たに取得した売上データと、地理的情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合であって、地理的情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、トラブル発生頻度Ｃがｗ１９、トラブル発生頻度Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired sales data and geographical information in this way, the optimum trouble occurrence frequency is searched for. In such a case, the degree of association shown in FIG. 7 (Table 1) acquired in advance is referred to. For example, if the newly acquired sales data is the same as or similar to P02 and the geographical information is the same as or similar to P21, the
図８は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用トラブル種類情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との３段階以上の連関度が設定されている例を示している。 In FIG. 8, in addition to the above-mentioned reference sales data, a combination with the reference trouble type information and the trouble occurrence frequency for the combination are set in three or more stages instead of the above-mentioned reference rejection rate. An example is shown.
参照用断り率の代わりに説明変数として加えられるこの参照用トラブル種類情報は、その地域におけるあらゆるトラブルの種類に関する情報を示すものである。このトラブルの種類としては、トイレのつまり、水漏れ、故障、キッチンや洗面所のつまり、水漏れ、故障、風呂の排水口のつまりやシャワーや蛇口の水漏れ、故障等、の種類が分類されている。このような参照用トラブル種類情報は、各地域単位でデータベース３内にて管理されている。 This reference trouble type information, which is added as an explanatory variable instead of the reference refusal rate, indicates information about all types of trouble in the area. The types of troubles are classified into types such as clogging of toilets, water leaks, malfunctions, clogging of kitchens and washrooms, water leaks, malfunctions, clogging of bath drains, water leaks of showers and faucets, malfunctions, etc. ing. Such reference trouble type information is managed in the database 3 for each region.
このようなトラブル種類情報も水回りトラブル発生頻度に影響を及ぼす。水道管の水漏れが多いのか、或いは排水口のつまりが多いのかで、トラブルの頻度も異なる場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。 Such trouble type information also affects the frequency of water troubles. The frequency of troubles may differ depending on whether there are many water leaks in the water pipes or the drainage outlets are clogged. Therefore, by combining this with sales data for reference, the frequency of troubles can be determined through the degree of association. , The discrimination accuracy can be improved.
図８の例では、入力データとして例えば参照用売上データＰ０１〜Ｐ０３、参照用トラブル種類情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用売上データに対して、参照用トラブル種類情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。 In the example of FIG. 8, it is assumed that the input data is, for example, reference sales data P01 to P03 and reference trouble type information P18 to 21. The intermediate node shown in FIG. 8 is a combination of reference sales data and reference trouble type information as such input data. Each intermediate node is further linked to the output. In this output, the frequency of trouble occurrence as an output solution is displayed.
参照用売上データと参照用トラブル種類情報との各組み合わせ（中間ノード）は、この出力解としての、トラブル発生頻度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用トラブル種類情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用トラブル種類情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用トラブル種類情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用トラブル種類情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。 Each combination (intermediate node) of the reference sales data and the reference trouble type information is related to each other through the degree of association of three or more levels with respect to the trouble occurrence frequency as this output solution. The reference sales data and the reference trouble type information are arranged on the left side via the degree of association, and the trouble occurrence frequency is arranged on the right side via the degree of association. The degree of association indicates the degree of relevance to the frequency of trouble occurrence with respect to the reference sales data and the reference trouble type information arranged on the left side. In other words, this degree of association is an index indicating what kind of trouble occurrence frequency each reference sales data and reference trouble type information is likely to be associated with, and is a reference sales data and reference trouble type. It shows the accuracy in selecting the most probable trouble occurrence frequency from the information.
探索装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用トラブル種類情報、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。
The
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１で、参照用トラブル種類情報Ｐ２０である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Ａの事例が多い場合には、このトラブル発生頻度がＡにつながる連関度をより高く設定し、トラブル発生頻度がＢの事例が多く、トラブル発生頻度がＡの事例が少ない場合には、トラブル発生頻度がＢにつながる連関度を高くし、トラブル発生頻度がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、トラブル発生頻度Ａとトラブル発生頻度Ｂの出力にリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｂにつながるｗ１４の連関度を２点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, when the reference sales data P01 is the reference trouble type information P20, the trouble occurrence frequency is analyzed from the past data. When there are many cases of trouble occurrence frequency A, the degree of association that this trouble occurrence frequency leads to A is set higher, and when there are many cases of trouble occurrence frequency B and there are few cases of trouble occurrence frequency A, , The degree of association in which the frequency of trouble occurrence leads to B is increased, and the degree of association in which the frequency of trouble occurrence leads to A is set low. For example, in the example of the
また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。 Further, the degree of association shown in FIG. 8 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. Other than that, the configuration related to artificial intelligence is the same as the description in FIG.
図８に示す連関度の例で、ノード６１ｂは、参照用売上データＰ０１に対して参照用トラブル種類情報Ｐ１８の組み合わせのノードであり、トラブル発生頻度Ｃの連関度がｗ１５、トラブル発生頻度Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売上データＰ０２に対して、参照用トラブル種類情報Ｐ１９、Ｐ２１の組み合わせのノードであり、トラブル発生頻度Ｂの連関度がｗ１７、トラブル発生頻度Ｄの連関度がｗ１８となっている。
In the example of the degree of association shown in FIG. 8, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、トラブル種類情報とを取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually searching for the frequency of trouble occurrence from now on, the above-mentioned learned data will be used. In such a case, by actually inputting the area to be determined for the trouble occurrence frequency, the sales data in the area and the trouble type information are acquired.
このようにして新たに取得した売上データと、トラブル種類情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合であって、トラブル種類情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、トラブル発生頻度Ｃがｗ１９、トラブル発生頻度Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired sales data and the trouble type information in this way, the optimum trouble occurrence frequency is searched for. In such a case, the degree of association shown in FIG. 8 (Table 1) acquired in advance is referred to. For example, when the newly acquired sales data is the same as or similar to P02 and the trouble type information is the same as or similar to P21, the
図９は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用統計情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との３段階以上の連関度が設定されている例を示している。 In FIG. 9, in addition to the above-mentioned reference sales data, a combination with the reference statistical information instead of the above-mentioned reference rejection rate and a trouble occurrence frequency for the combination are set to three or more levels of association. An example is shown.
参照用断り率の代わりに説明変数として加えられるこの参照用統計情報は、その地域における建築構造物の種類に関する統計情報である。建築構造物の種類とは、ビル、マンション、戸建て住宅、アパート等といった大分類に加えて、各建築構造物の築年数や建築方法（軽量鉄骨、重量鉄骨、鉄筋コンクリート造、木造等）が統計的に分析されている。これらの各種類や建築方法、築年数の割合が各地域間で比較分析しやすいように統計的に分析されている。このような参照用統計情報は、各地域単位でデータベース３内にて管理されている。 This reference statistic, which is added as an explanatory variable instead of the reference denial rate, is statistic about the type of building structure in the area. In addition to major categories such as buildings, condominiums, detached houses, and apartments, the types of building structures are statistically based on the age and construction method (lightweight steel frame, heavy steel frame, reinforced concrete structure, wooden structure, etc.) of each building structure. Has been analyzed. Each of these types, construction methods, and age ratios are statistically analyzed to facilitate comparative analysis between regions. Such reference statistical information is managed in the database 3 for each region.
このような統計情報も水回りトラブル発生頻度に影響を及ぼす。築年数が長いほど水道管の水漏れが多く、排水口のつまりが多い場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。 Such statistical information also affects the frequency of water troubles. The longer the building is, the more water leaks from the water pipes, and the more clogged the drainage outlets may be. Therefore, by combining this with sales data for reference and determining the frequency of trouble occurrence through the degree of association, the discrimination accuracy is improved. Can be made to.
図９の例では、入力データとして例えば参照用売上データＰ０１〜Ｐ０３、参照用統計情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用売上データに対して、参照用統計情報が組み合わさったものが、図９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。 In the example of FIG. 9, it is assumed that the input data is, for example, reference sales data P01 to P03 and reference statistical information P18 to 21. The intermediate node shown in FIG. 9 is a combination of reference sales data and reference statistical information as such input data. Each intermediate node is further linked to the output. In this output, the frequency of trouble occurrence as an output solution is displayed.
参照用売上データと参照用統計情報との各組み合わせ（中間ノード）は、この出力解としての、トラブル発生頻度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用統計情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用統計情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用統計情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用統計情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。 Each combination (intermediate node) of the reference sales data and the reference statistical information is associated with each other through three or more levels of association with the trouble occurrence frequency as this output solution. The reference sales data and the reference statistical information are arranged on the left side via this degree of association, and the trouble occurrence frequency is arranged on the right side via this degree of association. The degree of association indicates the degree of relevance to the frequency of trouble occurrence with respect to the reference sales data and the reference statistical information arranged on the left side. In other words, this degree of association is an index showing what kind of trouble occurrence frequency each reference sales data and reference statistical information is likely to be associated with, and from the reference sales data and reference statistical information. It shows the accuracy in selecting the most probable trouble occurrence frequency.
探索装置２は、このような図９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用統計情報、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。
The
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データＰ０１で、参照用統計情報Ｐ２０である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Ａの事例が多い場合には、このトラブル発生頻度がＡにつながる連関度をより高く設定し、トラブル発生頻度がＢの事例が多く、トラブル発生頻度がＡの事例が少ない場合には、トラブル発生頻度がＢにつながる連関度を高くし、トラブル発生頻度がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、トラブル発生頻度Ａとトラブル発生頻度Ｂの出力にリンクしているが、以前の事例からトラブル発生頻度Ａにつながるｗ１３の連関度を７点に、トラブル発生頻度Ｂにつながるｗ１４の連関度を２点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of the reference sales data P01 and the reference statistical information P20, the trouble occurrence frequency is analyzed from the past data. When there are many cases of trouble occurrence frequency A, the degree of association that this trouble occurrence frequency leads to A is set higher, and when there are many cases of trouble occurrence frequency B and there are few cases of trouble occurrence frequency A, , The degree of association in which the frequency of trouble occurrence leads to B is increased, and the degree of association in which the frequency of trouble occurrence leads to A is set low. For example, in the example of the
また、この図９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。 Further, the degree of association shown in FIG. 9 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. Other than that, the configuration related to artificial intelligence is the same as the description in FIG.
図９に示す連関度の例で、ノード６１ｂは、参照用売上データＰ０１に対して参照用統計情報Ｐ１８の組み合わせのノードであり、トラブル発生頻度Ｃの連関度がｗ１５、トラブル発生頻度Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売上データＰ０２に対して、参照用統計情報Ｐ１９、Ｐ２１の組み合わせのノードであり、トラブル発生頻度Ｂの連関度がｗ１７、トラブル発生頻度Ｄの連関度がｗ１８となっている。
In the example of the degree of association shown in FIG. 9, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、統計情報とを取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually searching for the frequency of trouble occurrence from now on, the above-mentioned learned data will be used. In such a case, by actually inputting the area to be determined for the trouble occurrence frequency, the sales data and the statistical information in the area are acquired.
このようにして新たに取得した売上データと、統計情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図９（表１）に示す連関度を参照する。例えば、新たに取得した売上データがＰ０２と同一かこれに類似するものである場合であって、統計情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、トラブル発生頻度Ｃがｗ１９、トラブル発生頻度Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired sales data and statistical information in this way, the optimum trouble occurrence frequency is searched for. In such a case, the degree of association shown in FIG. 9 (Table 1) acquired in advance is referred to. For example, if the newly acquired sales data is the same as or similar to P02 and the statistical information is the same as or similar to P21, the
上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。 In the above-mentioned degree of association, the degree of association is expressed by a 10-step evaluation, but it is not limited to this, and it may be expressed by a degree of association of 3 or more levels, and conversely, it may be expressed by 3 or more levels. For example, 100 steps or 1000 steps may be used. On the other hand, this degree of association does not include those expressed in two stages, that is, whether or not they are related to each other, either 1 or 0.
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽にトラブル発生頻度の判別・探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。 According to the present invention having the above-described configuration, anyone can easily determine and search for the frequency of trouble occurrence without any special skill or experience. Further, according to the present invention, it is possible to determine the search solution with higher accuracy than that performed by a human being. Further, by configuring the above-mentioned degree of association with artificial intelligence (neural network or the like), it is possible to further improve the discrimination accuracy by learning this.
なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。 Since there are many cases where the input data and the output data described above do not exist exactly the same in the process of learning, the input data and the output data may be classified by type. That is, the information P01, P02, ... P15, 16, ... That constitute the input data are classified according to the criteria classified in advance on the system side or the user side according to the content of the information, and the classified inputs. A dataset may be created between the data and the output data and trained.
なお、上述した連関度では、参照用売上データに加え、業者の参照用断り率、参照用人口推計データ、参照用地理的情報、参照用トラブル種類情報、建築構造物の種類に関する参照用統計情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用売上データに加え、業者の参照用断り率、参照用人口推計データ、参照用地理的情報、参照用トラブル種類情報、建築構造物の種類に関する参照用統計情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用売上データ又は、これに加えて業者の参照用断り率、参照用人口推計データ、参照用地理的情報、参照用トラブル種類情報、建築構造物の種類に関する参照用統計情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。 In the above-mentioned degree of association, in addition to the reference sales data, the reference rejection rate of the contractor, the reference population estimation data, the reference geographical information, the reference trouble type information, and the reference statistical information regarding the type of the building structure. The explanation has been given by taking the case of being configured in combination with any of the above, but the present invention is not limited to this. In other words, in addition to the reference sales data, the degree of association is one of the reference rejection rate of the vendor, the reference population estimation data, the reference geographical information, the reference trouble type information, and the reference statistical information regarding the type of building structure. It may be composed of a combination of two or more. In addition, the degree of association is sales data for reference, or in addition to this, the rejection rate for reference of the contractor, population estimation data for reference, geographical information for reference, trouble type information for reference, statistical information for reference regarding the type of building structure. In addition to any one or more of the above, other factors may be added to this combination to form the degree of association.
いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用してトラブル発生頻度を求める。 In either case, data is input according to the reference information of the degree of association, and the frequency of trouble occurrence is calculated using the degree of association.
また本発明は、図１０に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいてトラブル発生頻度を判別するものである。この参照用情報Ｙが参照用売上データであり、参照用情報Ｖが業者の参照用断り率、参照用人口推計データ、参照用地理的情報、参照用トラブル種類情報、建築構造物の種類に関する参照用統計情報の何れかであるものとする。 Further, as shown in FIG. 10, the present invention determines the frequency of trouble occurrence based on the degree of association between two or more types of information, reference information U and reference information V. The reference information Y is the reference sales data, and the reference information V is the reference rejection rate of the contractor, the reference population estimation data, the reference geographical information, the reference trouble type information, and the reference regarding the type of the building structure. It shall be one of the statistical information.
このとき、図１０に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（トラブル発生頻度）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用売上データ）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（トラブル発生頻度）を探索するようにしてもよい。 At this time, as shown in FIG. 10, the output obtained for the reference information U is used as input data as it is, and is associated with the output (trouble occurrence frequency) via the intermediate node 61 in combination with the reference information V. May be good. For example, for reference information U (reference sales data), after outputting an output solution as shown in FIG. 3, this is used as an input as it is, and the degree of association with other reference information V is used. The output (frequency of trouble occurrence) may be searched.
また本発明によれば、出力としてトラブル発生頻度を出力解として得る代わりに、トラブル発生頻度に基づいた警報、アラーム等を始めとする注意喚起情報を発信するようにしてもよい。トラブル発生頻度が高いほど、注意喚起情報の注意喚起度合が高くなる様にする。これにより外部に対して生徒が危険な状態にあることに対する注意喚起を効率的に行うことができる。 Further, according to the present invention, instead of obtaining the trouble occurrence frequency as an output solution as an output, the warning information such as an alarm and an alarm based on the trouble occurrence frequency may be transmitted. The higher the frequency of troubles, the higher the degree of alerting in the alerting information. As a result, it is possible to efficiently alert the outside to the fact that the student is in a dangerous state.
また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。 Further, according to the present invention, it is characterized in that an optimum solution search is performed through the degree of association set in three or more stages. The degree of association can be described by, for example, a numerical value from 0 to 100% in addition to the above-mentioned 10 steps, but the degree of association is not limited to this, and any step can be described as long as it can be described by a numerical value of 3 or more steps. It may be configured.
このような３段階以上の数値で表される連関度に基づいて最も確からしいトラブル発生頻度、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。 By determining the most probable trouble occurrence frequency based on the degree of association represented by the numerical values of three or more stages, the degree of association is high in a situation where there are multiple possible candidates for the search solution. It is also possible to search and display in order. If the users can be displayed in descending order of the degree of association in this way, it is possible to preferentially display more probable search solutions.
これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。 In addition to this, according to the present invention, it is possible to judge without overlooking the discrimination result of the output having an extremely low degree of association such as 1%. Remind the user that even a judgment result with an extremely low degree of association is connected as a slight sign, and may be useful as the judgment result once every tens or hundreds of times. be able to.
更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。 Further, according to the present invention, there is an advantage that the search policy can be determined by the method of setting the threshold value by performing the search based on the degree of association of three or more stages. If the threshold value is lowered, even if the above-mentioned degree of association is 1%, it can be picked up without omission, but it is unlikely that a more appropriate discrimination result can be detected favorably, and a lot of noise may be picked up. is there. On the other hand, if the threshold value is raised, there is a high possibility that the optimum search solution can be detected with high probability, but the degree of association is usually low and it is passed through, but it is suitable that it appears once in tens or hundreds of times. Sometimes the solution is overlooked. It is possible to decide which one to prioritize based on the ideas of the user side and the system side, but it is possible to increase the degree of freedom in selecting the points to be emphasized.
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用売上データを初めとする各参照用情報を取得し、これらに対するトラブル発生頻度に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。 Further, in the present invention, the above-mentioned degree of association may be updated. This update may reflect information provided via a public communication network such as the Internet. In addition, when each reference information such as reference sales data is acquired and knowledge, information, and data regarding the frequency of trouble occurrence for these are acquired, the degree of association is increased or decreased according to these.
係る場合には、その参照用売上データを初めとする各参照用情報と実際にあったか否か、またその危険度や兆候の判別結果の事例を収集し、その事例の数に応じて連関度を上昇させ、或いは下降させる。このとき、上述した売上データ、断り率、人口推計データ、地理的情報、トラブル種類情報、建築構造物の種類に関する参照用統計情報を取得して、判別を行った際に、これらに基づいて更新を行うようにしてもよい。 In such a case, collect each reference information such as the reference sales data and cases of whether or not it actually existed, and the judgment result of the degree of risk and signs, and determine the degree of association according to the number of cases. Raise or lower. At this time, when the above-mentioned sales data, refusal rate, population estimation data, geographical information, trouble type information, and reference statistical information regarding the type of building structure are acquired and determined, they are updated based on these. May be done.
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。 In other words, this update corresponds to learning in the sense of artificial intelligence. It can be said that it is a learning act because it acquires new data and reflects it in the learned data.
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。 In addition, this update of the degree of association is not based on information that can be obtained from the public communication network, but is also updated by the system side or the user side based on the contents of research data, papers, conference presentations, newspaper articles, books, etc. by experts. It may be updated artificially or automatically. Artificial intelligence may be utilized in these update processes.
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。 Further, the process of first creating the trained model and the above-mentioned update may use not only supervised learning but also unsupervised learning, deep learning, reinforcement learning, and the like. In the case of unsupervised learning, instead of reading and learning the data set of input data and output data, information corresponding to the input data is read and trained, and the degree of association related to the output data is self-formed from there. You may let it.
１ 水回りトラブル発生頻度システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 判別部
２８ 記憶部
６１ ノード
1 Frequency of
Claims (7)
水回りトラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得する情報取得ステップと、
各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索する探索ステップとをコンピュータに実行させること
を特徴とする水回りトラブル発生頻度予測プログラム。 In the water trouble occurrence frequency prediction program that predicts the occurrence frequency of water troubles in the building structure on a regional basis
An information acquisition step for acquiring area-specific information for identifying a building structure that predicts the frequency of water problems or the area where it is located, and
In the area-specific information acquired in the above information acquisition step, refer to the reference sales data of the vendors dispatched to deal with water-related problems in each region and the degree of association between the frequency of occurrence of water-related problems in three or more stages. Water characterized by having a computer perform a search step to search for the frequency of water troubles that have a higher degree of association with the reference sales data that corresponds to the historical sales data of the region. Circular trouble occurrence frequency prediction program.
上記探索ステップでは、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、上記各地域における水回りトラブル対応のために出動要請された業者の参照用断り率との組み合わせと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した断り率に対応する参照用断り率との組み合わせとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索すること
を特徴とする請求項１記載の水回りトラブル発生頻度予測プログラム。 In the above information acquisition step, the refusal rate of the contractor who was requested to be dispatched to deal with past water problems in the area in the acquired area specific information is acquired.
In the above search step, the combination of the reference sales data of the contractor dispatched to deal with the water supply trouble in each region and the reference refusal rate of the contractor dispatched to deal with the water supply trouble in each region. Refer to the degree of association with the frequency of occurrence of water troubles in three or more stages, and refer to the reference sales data corresponding to the past sales data of the region in the region identification information acquired in the above information acquisition step, and the acquired refusal rate. The water-related trouble occurrence frequency prediction program according to claim 1, wherein a higher degree of association with the combination with the reference refusal rate corresponding to is searched for the occurrence frequency of water-related troubles. ..
上記探索ステップでは、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、上記各地域における参照用人口推計データとの組み合わせと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した人口推計データに対応する参照用人口推計データとの組み合わせとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索すること
を特徴とする請求項１記載の水回りトラブル発生頻度予測プログラム。 In the above information acquisition step, the population estimation data of the area in the acquired area specific information is acquired, and the population is estimated.
In the above search step, there are three stages: the combination of the reference sales data of the contractor dispatched to deal with the water supply trouble in each region, the reference population estimation data in each region, and the frequency of occurrence of the water supply trouble. With reference to the above degree of association, the combination of the reference sales data corresponding to the past sales data of the region in the region identification information acquired in the above information acquisition step and the reference population estimation data corresponding to the acquired population estimation data. The water-related trouble occurrence frequency prediction program according to claim 1, wherein the frequency of occurrence of water-related troubles for which a higher degree of association is set is searched for.
上記探索ステップでは、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、上記各地域における参照用地理的情報との組み合わせと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した地理的情報に対応する参照用地理的情報との組み合わせとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索すること
を特徴とする請求項１記載の水回りトラブル発生頻度予測プログラム。 In the above information acquisition step, the geographical information of the area in the acquired area specific information is acquired, and the information is acquired.
In the above search step, there are three stages: the combination of the reference sales data of the contractor dispatched to deal with the water supply trouble in each region, the reference geographical information in each region, and the frequency of occurrence of the water supply trouble. With reference to the above degree of association, the combination of the reference sales data corresponding to the past sales data of the region in the region specific information acquired in the above information acquisition step and the reference geographical information corresponding to the acquired geographical information. The water-related trouble occurrence frequency prediction program according to claim 1, wherein the frequency of occurrence of water-related troubles for which a higher degree of association is set is searched for.
上記探索ステップでは、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、上記各地域における水回りトラブルの種類に関する参照用トラブル種類情報との組み合わせと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得したトラブル種類情報に対応する参照用トラブル種類情報との組み合わせとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索すること
を特徴とする請求項１記載の水回りトラブル発生頻度予測プログラム。 In the above information acquisition step, the trouble type information regarding the type of water trouble in the area in the acquired area specific information is acquired.
In the above search step , the combination of the reference sales data of the contractor dispatched to deal with the water supply trouble in each region and the reference trouble type information regarding the type of water supply trouble in each region, and the trouble of water supply Referencing the degree of association with the frequency of occurrence in three or more stages, the reference sales data corresponding to the past sales data of the region in the region specific information acquired in the above information acquisition step, and the reference corresponding to the acquired trouble type information. The water-related trouble occurrence frequency prediction program according to claim 1, wherein a higher degree of association with a combination with trouble type information is searched for the occurrence frequency of water-related troubles.
上記探索ステップでは、各地域における水回りトラブル対応に対して出動した業者の参照用売上データと、上記各地域における建築構造物の種類に関する参照用統計情報との組み合わせと、水回りのトラブルの発生頻度との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した統計情報に対応する参照用統計情報との組み合わせとの間でより高い連関度が設定されている水回りのトラブルの発生頻度を探索すること
を特徴とする請求項１記載の水回りトラブル発生頻度予測プログラム。 In the above information acquisition step, statistical information regarding the type of building structure in the area in the acquired area specific information is acquired.
In the above search step , the combination of the reference sales data of the contractor dispatched to deal with the water trouble in each area and the reference statistical information regarding the type of the building structure in each area, and the occurrence of the water trouble occur. Reference sales data corresponding to the past sales data of the region in the region identification information acquired in the above information acquisition step and reference statistical information corresponding to the acquired statistical information by referring to the degree of association with the frequency in three or more stages. The water-related trouble occurrence frequency prediction program according to claim 1, further comprising searching for the occurrence frequency of water-related troubles for which a higher degree of association is set with the combination with.
を特徴とする請求項１〜６のうち何れか１項記載の水回りトラブル発生頻度予測プログラム。 The water-related trouble occurrence frequency prediction program according to any one of claims 1 to 6, wherein the degree of association is composed of nodes of a neural network in artificial intelligence.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020011060A JP6765110B1 (en) | 2020-01-27 | 2020-01-27 | Water trouble occurrence frequency prediction program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020011060A JP6765110B1 (en) | 2020-01-27 | 2020-01-27 | Water trouble occurrence frequency prediction program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6765110B1 true JP6765110B1 (en) | 2020-10-07 |
| JP2021117770A JP2021117770A (en) | 2021-08-10 |
Family
ID=72665892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020011060A Active JP6765110B1 (en) | 2020-01-27 | 2020-01-27 | Water trouble occurrence frequency prediction program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6765110B1 (en) |
-
2020
- 2020-01-27 JP JP2020011060A patent/JP6765110B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021117770A (en) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10943464B1 (en) | Real property monitoring systems and methods for detecting damage and other conditions | |
| JP2021039637A (en) | Heatstroke risk determination program and system | |
| JP2020129217A (en) | Nursery allocation program and system | |
| JP6765110B1 (en) | Water trouble occurrence frequency prediction program | |
| JP2021117771A (en) | Air-conditioning trouble occurrence frequency prediction program | |
| WO2022075268A1 (en) | Program for predicting frequency of plumbing area related problems | |
| JP2022033692A (en) | Inundation damage prediction program | |
| JP2022061134A (en) | Plumbing trouble occurrence frequency prediction program | |
| JP2022061135A (en) | Plumbing trouble occurrence frequency prediction program | |
| JP2022061138A (en) | Gas installation trouble occurrence frequency prediction program | |
| JP2023059365A (en) | Water pipe deterioration degree determination program | |
| JP2022061458A (en) | Plumbing trouble occurrence frequency prediction program | |
| JP2022061136A (en) | Air-conditioning trouble occurrence frequency prediction program | |
| WO2022075274A1 (en) | Program for predicting frequency of occurrence of air conditioning issues | |
| JP2022061137A (en) | Electric installation trouble occurrence frequency prediction program | |
| JP2021174265A (en) | Change rate determination program of accommodation charges | |
| JP2022033589A (en) | Insurance condition proposal program | |
| JP2021047585A (en) | Original state restoration cost estimation program and system | |
| JP2023075554A (en) | Maintenance contractor selection program | |
| JP2023075555A (en) | Maintenance cost prediction program | |
| JP2021179875A (en) | Event congestion prediction program | |
| JP2023075557A (en) | Maintenance frequency prediction program | |
| JP2023075556A (en) | Insurance condition proposal program | |
| CN115713145B (en) | Village and town community efficiency prediction method, village and town community efficiency prediction device, computer equipment and storage medium | |
| JP2021174266A (en) | Change rate determination program of accommodation charges |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200213 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200213 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200214 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200625 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200721 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200818 |
|
| 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: 20200908 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200908 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6765110 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |