JP6765110B1 - 水回りトラブル発生頻度予測プログラム - Google Patents

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。

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。

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。

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。

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。

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。

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。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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

Claims (7)

1. 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
   を特徴とする水回りトラブル発生頻度予測プログラム。
2. 上記情報取得ステップでは、取得した地域特定情報における地域の過去の水回りトラブル対応のために出動要請された業者の断り率を取得し、
   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。
3. 上記情報取得ステップでは、取得した地域特定情報における地域の人口推計データを取得し、
   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。
4. 上記情報取得ステップでは、取得した地域特定情報における地域の地理的情報を取得し、
   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。
5. 上記情報取得ステップでは、取得した地域特定情報における地域の水回りトラブルの種類に関するトラブル種類情報を取得し、
   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。
6. 上記情報取得ステップでは、取得した地域特定情報における地域の建築構造物の種類に関する統計情報を取得し、
   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。
7. 上記連関度は、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こと
   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。

Images