JP7024733B2 - 情報処理装置、情報処理方法、及び、情報処理プログラム - Google Patents

情報処理装置、情報処理方法、及び、情報処理プログラム Download PDF

Info

Publication number
JP7024733B2
JP7024733B2 JP2018561916A JP2018561916A JP7024733B2 JP 7024733 B2 JP7024733 B2 JP 7024733B2 JP 2018561916 A JP2018561916 A JP 2018561916A JP 2018561916 A JP2018561916 A JP 2018561916A JP 7024733 B2 JP7024733 B2 JP 7024733B2
Authority
JP
Japan
Prior art keywords
information
event
factor
value
representing
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
Application number
JP2018561916A
Other languages
English (en)
Other versions
JPWO2018131478A1 (ja
Inventor
峰斗 佐藤
壮一郎 荒木
健一郎 藤山
たん 東
哲理 有山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2018131478A1 publication Critical patent/JPWO2018131478A1/ja
Application granted granted Critical
Publication of JP7024733B2 publication Critical patent/JP7024733B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、対象システムに関する推定情報を低いリスクにて提供する情報処理装置等に関する。
対象システムを、ある目標値や望ましい状態の実現に近づくよう意思決定を支援する（たとえば、制御する、アドバイスする）意思決定支援技術（または、最適制御する技術）の重要度は高まっている。たとえば、以下に示す４つの領域においては、発生し得るリスクが低い（または、ロバスト性の高い）状態になるよう制御し、その後、該状態を保つことは、変化している地球や社会環境において大きな価値がある。
○自然の影響による不確実性が高い露地育成の農業や水産業等の第一次産業、
○水、化石燃料、または、自然エネルギー等の資源、気象（気候）、
○生物学的な影響、または、個体差の影響による不確実性が高い医療、及び、ヘルスケア、
○人的なオペレーションの影響による不確実性が高い交通システム、または、物流システム。
高い不確実性を有している対象システムに関して意思決定する場合に、該対象システムを、コンピュータによって仮想的にシミュレーションすることは有用である。シミュレーションは、対象システムにて生じている事象や、該対象システムに関する仮説的な事象を、数理的なモデル情報を用いて表現した後に、コンピュータによって該モデル情報に従い数値的に予測する技術である。モデル情報を用いて、該対象システムに関して、過去や未来等における状態、または、異なる空間における状態をシミュレーションすることができる。現実的には試すことが困難である（たとえば、やり直すことができない、試すのに高額なコストを要する）現象や問題に対して、将来的に起きる可能性がある事象を予測（ｐｒｅｄｉｃｔ）する処理を実行する意思決定支援情報を、該シミュレーションによって実現することができる。将来的に起きる可能性がある事象を予測する処理は、該状態を望ましい状態に近づくよう制御する処理、または、該状態に関する指標を所定の目標値に近づくよう制御する処理等であってもよい。たとえば、シミュレーションに対して入力する初期条件を変えることによって、ある対象システムに関して、望ましい状態から望ましくない状態までの様々な状態をシミュレーションすることができる。したがって、シミュレーションによれば、現実に影響を与えることなく、対象システムの特性や、対象システムにて生じる事象の振る舞いを調べることができる。
しかし、実際の対象システムと、該対象システムにて生じる事象を表すモデル情報との間に誤差（または、ギャップ）が存在している場合に、該モデル情報に基づくシミュレーションによって予測される事象は、該対象システムにて実際に生じる事象と乖離してしまう。この場合に、シミュレーションによれば、該対象システムの状態等を正確に予測することができないので、該シミュレーションによる予測は、精度が低い。さらに、該予測結果に従えば、誤った意思決定が実施されてしまう可能性がある。
たとえば、上述した４つの領域が、不確実性が高い領域、または、複合的かつ多様性が高い領域であるので、該領域における対象システムに関して作成されるモデル情報は、該対象システムに関して生じる複雑な事象が簡略化されることによって作成されることが多い。または、該モデル情報に基づくシミュレーションに要する計算時間に関する制約を鑑みて、該モデル情報は、該対象システムに関して生じる事象が近似的に表されることによって作成されることが多い。この結果、該モデル情報に基づくシミュレーションの予測精度は、モデル情報を作成する人が対象システムにて生じる事象を正確に理解し、理解した該事象を忠実に表現できている程度に依存していることが多い。したがって、高い予測精度を有するモデル情報を、上述したような不確実性を鑑みて作成する必要がある。
不確実性には、モデル情報に関する不確実性以外にも、たとえば、該モデル情報に対して入力されるデータに関する不確実性等がある。モデル情報に対する入力、該モデル情報に基づき予測された事象の検証、または、該モデル情報を用いたシミュレーションに関するキャリブレーション等は、たとえば、対象システムにて生じる事象に関して観測された観測データ（観測値）に基づき実行されることもある。しかし、該観測データは、事象を観測している環境、事象を観測している観測機器等の誤差を含むことがある。すなわち、この場合に、観測データは、不確実性を含むデータである。
対象システムに関する観測データを取得（または、観測、測定）する期間（以降、「データ取得期間」と表す）と、該対象システムの状態を望ましい状態になるよう入力を制御する期間との関係は重要である。または、該データ取得期間と、シミュレーション結果に基づき対処する（該対象システムにて制御する）期間との関係は重要である。たとえば、ＰＩＤ制御（Ｐｒｏｐｏｒｔｉｏｎａｌ－Ｉｎｔｅｇｒａｌ－Ｄｉｆｆｅｒｅｎｔｉａｌ＿Ｃｏｎｔｒｏｌｌｅｒ）は、制御手法の一例である。ＰＩＤ制御は、対象システムに関する観測データをリアルタイムに取得し始めて以降、該対象システムに関する目標値との偏差、該偏差の積分、または、該偏差の微分に基づき、所定の時間にて、該対象システムに関する入力にフィードバックをする制御である。この場合に、該データ取得期間と、予測及び制御処理に関する期間とは、近いオーダーの時間である必要がある。この条件が満たされていない場合に、該対象システムを適切に制御することは困難である。
また、モデル予測制御（Ｍｏｄｅｌ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌ：ＭＰＣ）は、対象システムに関してリアルタイムに観測される観測データに基づき、機械学習等の帰納的手法に従い対象システムに関するモデル情報を作成する（すなわち、対象システムをモデル化する）手順を表す。または、モデル予測制御は、既知のモデル情報を同定し、同定したモデル情報に基づき推定値を推定する手順を表す。さらに、モデル予測制御は、同定した該モデル情報と、目標値との関係に基づき、対象システムに関する入力を決定する手順を表す。この場合に、観測データに基づくモデル化や、モデル情報の同定には、十分なデータ、または、十分なデータを取得する期間が必要である。したがって、モデル情報を用いた予測期間は、該モデル情報の妥当性、及び、該モデル情報に基づく推定精度に依存している。このため、対象システムに関するデータ取得期間よりも長い期間に亘って、該対象システムにて生じる事象を正確に予測する（または、該対象システムを適切に制御する）ことは、困難である。
これに対して、オフラインなデータ（すなわち、蓄積された過去のデータ）に基づき、対象システムに関するモデル情報を作成することもできる。この場合には、たとえば、対象システムに関してオフラインに取得されたデータに基づき、該対象システムに関する目標値（または、該対象システムの望ましい状態）を表す指標と、該指標が得られる一因である入力との関連性を表すモデル情報が作成される。次に、作成された該モデル情報に従い推定される効果に基づき、対象システムに対する適切な入力、または、該対象システムに関する意思決定を実行する支援情報が提供される。
特許文献１は、ヘルスケア領域において、上述したような支援情報を提供する装置を開示する。該装置においては、あらかじめユーザの生活習慣に関する入力データと、該生活習慣の結果として該ユーザの生体に現れる生理的な状態に関する出力データとが、オフラインに記憶装置に格納されている。該装置は、該記憶装置に格納されているデータに基づき、該入力データと、該出力データとの間の関連性を推定する。該装置は、推定した関連性に基づき、生活習慣が生体に与える影響を推定可能なモデル情報を作成する。該装置は、作成した該モデル情報に基づき、生体の状態を改善するような生活改善策を推定する。
特許文献２は、対象システムが通信ネットワークに通信接続されている処理装置に関して、支援情報を提供する装置を開示する。該装置は、該処理装置の稼働状態、及び、該処理装置の環境状態等に関して観測された膨大な観測データに基づき、該処理装置に生じている事象に影響を及ぼしている原因事象を推定する。該装置は、推定した該原因事象に基づき、該処理装置に生じている事象に対する対処方法を表す支援情報を提供する。
したがって、特許文献１及び特許文献２に開示されている装置は、対象システムにて生じる要因（Ｆａｃｔｏｒ）と、該要因に関係している可能性がある事象（ｅｖｅｎｔ）との関連性を推定し、推定した関連性に基づき、データベースに格納されているデータの中から適切なデータを選択する。該装置は、このような処理を実行することによって、該対象システムに関する支援情報を提供する。言い換えると、該装置は、対象に関して測定されたデータを、機能的な分析処理手順に従い処理することによって、支援情報を提供する。
特開２０１０－１２２９０１号公報 特開２０１３－２５５１３１号公報
しかし、特許文献１に開示された装置が、帰納的に作成されたモデル情報に基づき、入力データと、出力データとの間の関連性を推定するので、該装置が正確な関連性を算出するには、一定期間（たとえば、数週間分のデータ）が必要である。さらに、該装置は、対象システムに関して過去に観測されなかった状態について、正確な関連性を作成することができないので、リスクが低い支援情報を提供することができない。
また、特許文献２に開示された装置は、観測された観測データに基づき支援情報を提供するので、過去に観測されていない事象に関して、原因事象を正確に推定することができない。この結果、該装置は、未然に、該事象が生じるリスクや、該事象に対する対処方法を表す支援情報に関して、リスクの低い支援情報を提供することができない。さらに、該装置が、原因事象に関する対処方法（または、ナレッジ）が格納されているデータベースの中から、適切な対処方法を選択するので、選択された対処方法は、必ずしも、正確な対処方法であるとは限らない。
そこで、本発明の目的の１つは、リスクが低い推定情報を提供することが可能な情報処理装置等を提供することである。
本発明の１つの態様として、情報処理装置は、
対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成手段と、
前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定手段と
を備える。
また、本発明の他の態様として、情報処理方法は、
計算処理装置によって、対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成し、前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する。
また、本発明の他の態様として、情報処理プログラムは、
対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成機能と、
前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定機能と
をコンピュータに実現させる。
さらに、同目的は、係るプログラムを記録するコンピュータが読み取り可能な記録媒体によっても実現される。
本発明に係る情報処理装置等によれば、リスクが低い推定情報を提供することができる。
本発明の第１の実施形態に係る情報処理装置が有する構成を示すブロック図である。 第１の実施形態に係る情報処理装置における処理の流れを示すフローチャートである。 事前のリスク推定を実行しない場合の観測値と、制御可能パラメタの値との関連性を表す図である。 事前のリスク推定を実行する場合の観測値と、制御可能パラメタの値との関連性を表す図である。 本発明の第２の実施形態に係る情報処理装置が有する構成を示すブロック図である。 第２の実施形態に係る情報処理装置における処理の流れを示すフローチャートである。 本発明の第３の実施形態に係る情報処理装置が有する構成を示すブロック図である。 第３の実施形態に係る情報処理装置における処理の流れを示すフローチャートである。 本発明の各実施形態に係る情報処理装置を実現可能な計算処理装置のハードウェア構成例を概略的に示すブロック図である。
まず、本発明の各実施形態にて用いる用語について説明する。
変数、または、パラメタは、記憶装置（記憶部）における、ある記憶領域を表すとする。変数にデータを設定する処理（または、パラメタに値を設定する処理）は、該変数（または、該パラメタ）が表す記憶領域にデータを格納する処理を表す。また、変数（パラメタ）に関する値を、「変数（パラメタ）の値」、または、「変数（パラメタ）値」とも表す。パラメタの値は、該パラメタが表す記憶領域に格納されている値を表す。説明の便宜上、パラメタの値Ａを、単に、「パラメタＡ」と表すこともある。また、以降の説明においては、「パラメタ」、及び、「変数」を、説明する対象に応じて使い分けていることもあるが、「パラメタ」、及び、「変数」は、同様な内容を表している。
また、確率変数（ｒａｎｄｏｍ ｖａｒｉａｂｌｅｓ）Ｓの値（ｖａｌｕｅ）がＣである場合に、確率変数ＴがＤである条件付き確率（ｃｏｎｄｉｔｉｏｎａｌ ｐｒｏｂａｂｉｌｉｔｙ）Ｐを式Ａに示すように表す、
Ｐ（Ｔ＝Ｄ｜Ｓ＝Ｃ）・・・（式Ａ）。
また、誤解を生じない限り、確率変数の値を、該確率変数の添え字を用いて表すこととする。この場合には、式Ａを、式Ｂに示すように表すことができる、
Ｐ（Ｔ＝ＴＤ｜Ｓ＝ＳＣ）・・・（式Ｂ）。
さらに、説明の便宜上、誤解を生じない限り、確率変数Ｓ、及び、確率変数Ｔを省略して表すこととする。この場合には、式Ｂを、式Ｃに示すように表すことができる、
Ｐ（ＴＤ｜ＳＣ）・・・（式Ｃ）。
次に、本発明を実施する実施形態について図面を参照しながら詳細に説明する。
＜第１の実施形態＞
図１を参照しながら、本発明の第１の実施形態に係る情報処理装置１０１が有する構成について詳細に説明する。図１は、本発明の第１の実施形態に係る情報処理装置１０１が有する構成を示すブロック図である。
第１の実施形態に係る情報処理装置１０１は、大別して、リスク推定部１０２と、要因更新部１０３と、更新後要因情報記憶部１１３とを有する。リスク推定部１０２は、要因推定部１０４と、要因情報記憶部１０５と、確定データ記憶部１０６と、事象情報記憶部１０７と、モデル情報記憶部１０８とを有する。要因更新部１０３は、選択更新部１０９と、関連情報記憶部１１０と、観測データ記憶部１１１と、基準情報記憶部１１２とを有する。
情報処理装置１０１は、たとえば、不確実性を有している対象システムに関する情報（該対象システムにて生じる事象（ｅｖｅｎｔ）、該事象が生じる要因（ｆａｃｔｏｒ）等）を推定することができる。情報処理装置１０１は、たとえば、背景技術にて上述したような各領域に関する対象システムに関する情報を作成する。
以降の説明においては、説明の便宜上、対象システム（ｔａｒｇｅｔ ｓｙｓｔｅｍ）に関して作成されるモデルをモデル情報と表す。該モデル情報は、たとえば、該対象システムにて生じる事象が数理的に表されたモデルである。該モデル情報に含まれるパラメタ（変数）の値の少なくとも１つ以上が、該対象システムに関して実際に観測された観測データとある関係性に基づいて比較可能であるとする。具体的には、該パラメタ（変数）と観測データを数理的に関係付けるモデル（観測モデル）を介して、比較できればよい。また、情報処理装置１０１は、モデル情報に含まれるパラメタ、該対象システムにて生じる事象に及ぼす影響を表す駆動パラメタ（たとえば、対象システムに関するノイズ）等の値を確率分布として扱うことによって、該パラメタが表す情報や該パラメタに関する不確実性を扱う。また、以降の説明においては、説明の便宜上、対象システムに関する情報が、該対象システムにて生じる事象を表す情報であるとして説明するが、該対象システムに関する情報は、上述した例に限定されない。
モデル情報記憶部１０８には、対象システムにて生じる事象がモデル化されたモデル情報が格納される。該モデル情報は、該対象システムをモデル化する場合に生じる不確実性等を表すパラメタを含んでいる。該モデル情報は、たとえば、対象システムに関するモデル情報を作成する場合に生じる不確実性が表現されているモデルである。
確定データ記憶部１０６には、モデル情報に従い処理を実行する場合の初期条件（Ｉｎｉｔｉａｌ Ｃｏｎｄｉｔｉｏｎ）と、該モデル情報に含まれるパラメタ（式１を参照しながら後述する）の値を表すデータとが格納される。以降の説明において、該データは、たとえば、既に値が確定したデータである。確定データ記憶部１０６には、たとえば、シミュレーションに関する時間の刻み幅、該シミュレーションの開始から終了までの時間、及び、該シミュレーションに関する初期条件等の情報が格納されている。確定データ記憶部１０６には、さらに、該モデル情報に対して与える初期条件を表すデータの値、該モデル情報に関する境界条件、該モデル情報に含まれるパラメタの値等のインプット情報が格納される。インプット情報は、たとえば、値が確定している情報を表す。
モデル情報は、対象システムにて生じる事象に影響を及ぼす要因のうち、外部から制御可能な要因を表すパラメタ（以降、「制御可能パラメタ」と表す）を複数含んでいる。または、制御可能パラメタが表す要因を介して該対象システムを制御する場合に、該対象システムにて生じる事象に影響を及ぼす可能性がある観測データを複数含んでいる。たとえば、事象情報が対象作物の収量に関係しているデータである場合に、制御可能パラメタの値は、たとえば、該対象作物が育成されている圃場にて実施されている営農（ｆａｒｍｉｎｇ）を表すデータである。該制御可能パラメタの値は、たとえば、対象システムにて実施される処理（たとえば、営農）に関する意思決定以前の期間において、該対象システムにて生じる事象に関して観測されたデータ、または、観測結果が記録されたデータである。対象システムにて生じる事象が観測された結果として観測データが得られるので、該制御可能パラメタの値は該事象が生じる一因を表す要因情報（ｆａｃｔｏｒ ｉｎｆｏｒｍａｔｉｏｎ）であるととらえることができる。すなわち、該要因情報は、対象システムに関して観測された観測データであるか、または、要因推定部１０４が事象情報（ｅｖｅｎｔ ｉｎｆｏｒｍａｔｉｏｎ）に基づき推定したデータである。要因情報記憶部１０５には、該要因情報が格納される。
要因情報記憶部１０５には、対象システムにて生じる事象に影響を与える要因のうち、外部から制御可能な要因を表す制御可能データ（Ｃｏｎｔｒｏｌｌａｂｌｅ ｄａｔａ）が格納される。該制御可能データは、制御可能パラメタの値を表す。該制御可能データが表す要因が該対象システムにて生じる事象に影響を与えるので、以降の説明においては、該制御可能データを「要因情報」と表し、該対象システムにて生じる事象を表すデータを「事象情報」と表すこともある。したがって、要因情報が表す要因は、事象情報が表す事象よりも前に生じる。
事象情報記憶部１０７には、対象システムにて生じる事象を表す事象情報が格納される。該事象情報は、対象システムにて生じる事象を表すデータであってもよいし、該対象システムにて生じると推定された事象を表すデータであってもよい。
関連情報記憶部１１０には、要因情報と事象情報とが関連付けされた関連情報（ａｓｓｏｃｉａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ）が格納される。要因情報と事象情報とは、たとえば、要因推定部１０４によって推定されたデータである。観測データ記憶部１１１には、対象システムにて生じる事象に関して観測された観測データが格納される。基準情報記憶部１１２には、たとえば、外部から入力された選択基準（ｓｅｌｅｃｔｉｏｎ ｃｒｉｔｅｒｉａ）を表す基準情報が格納される。該選択基準は、関連情報の中から特定の関連情報を選択する場合の基準を表す。
更新後要因情報記憶部１１３には、要因情報と、該要因情報が表す要因が対象システムに生じる場合に該対象システムにて生じる事象を表す事象情報とが関連付けされた関連情報が格納される。
観測データ記憶部１１１には、対象システムに関して観測された観測データ（すなわち、事象情報）が格納される。該観測データは、たとえば、該要因情報に従い対象システムを制御した後に、該対象システムに関して観測されるデータを表す。該事象情報は、たとえば、要因情報に従い対象システムを制御することによって得られたデータであるか、または、該要因情報に基づき要因推定部１０４が推定した結果を表すデータである。
図２を参照しながら、本発明の第１の実施形態に係る情報処理装置１０１における処理について説明する。図２は、第１の実施形態に係る情報処理装置１０１における処理の流れを示すフローチャートである。
情報処理装置１０１は、ステップＳ１０１乃至ステップＳ１０９の各ステップを参照しながら後述するように、リスク推定処理、及び、モデル情報に基づくシミュレーションを実行する。
要因推定部１０４は、確定データ記憶部１０６に格納されている情報（以降、「確定情報」と表す）を読み取る（ステップＳ１０１）。要因推定部１０４は、読み取った確定情報が要因情報であるか否かを判定する（ステップＳ１０２）。要因推定部１０４は、該確定情報が要因情報でないと判定する場合に（ステップＳ１０２にてＮＯ）、該確定情報が事象情報であるか否かを判定する（ステップＳ１０３）。
要因推定部１０４は、該確定情報が要因情報であると判定する場合に（ステップＳ１０２にてＹＥＳ）、該要因情報に対してモデル情報記憶部１０８に格納されているモデル情報を適用することによって事象情報を作成する（ステップＳ１０４、後述の「事象推定処理」）。要因推定部１０４は、算出した事象情報を事象情報記憶部１０７に格納する。要因推定部１０４は、該要因情報と、算出した該事象情報とを要因更新部１０３に対して出力する。
要因推定部１０４は、該確定情報が事象情報であると判定する場合に（ステップＳ１０３にてＹＥＳ）、該事象情報と、モデル情報とに基づき、要因情報を作成する（ステップＳ１０８、後述の「要因推定処理」）。要因推定部１０４は、算出した要因情報を要因情報記憶部１０５に格納する。要因推定部１０４は、該事象情報と、算出した該要因情報とを要因更新部１０３に対して出力する。
ステップＳ１０４、及び、ステップＳ１０８に示された処理を具体的に説明する。リスク推定部１０２において、要因推定部１０４は、後述する式３、または、式５に表されているような値を算出し、算出した値に基づき、制御可能パラメタの値ｕｔ（すなわち、要因情報）と、観測値ｙｔ（すなわち、事象情報）との間に成り立つ関連性を算出する。
ステップＳ１０４に示された事象推定処理（すなわち、要因情報に基づき事象情報を作成する処理）の一例について説明する。
事象推定処理においては、対象システムに関する不確実性を、該対象システムにて生じる事象を表すモデル情報に含まれる各パラメタ、該対象システムにて生じる事象に影響を与える情報を表す駆動パラメタ、または、各パラメタの値に関する確率分布として扱うことができる。本発明の各実施形態において、モデル情報は、たとえば、式１に示されているシステムモデルｆ、及び、式２に示されている観測モデルｈを含む状態空間モデルであるとする。
システムモデル：ｘｔ＝ｆ（ｘｔ－１，θ，ｕｔ，ｖ）・・・（式１）、
観測モデル：ｙｔ＝ｈ（ｘｔ，ｗ）・・・（式２）。
ただし、ｘｔは、タイミングｔにおける対象システムの状態を表す状態パラメタの値である。ｘｔ－１は、時刻（ｔ－１）における対象システムの状態を表す状態パラメタの値である。θは、システムモデルに含まれるパラメタの値を表す。ｕｔは、タイミングｔにおける対象システムに関する制御可能パラメタの値（または、要因情報）である。ｖは、たとえば、該対象システムにて生じる事象に対する影響を表す駆動パラメタ（駆動項）の値を表す。ｖは、たとえば、上述したようなシステムモデルを表現した場合に生じるシステムノイズの程度を表す。観測値ｙｔは、タイミングｔにおける対象システムに関して観測される観測データ（観測情報）、または、対象システムにて生じる事象を表す事象情報を表す。観測モデルｈは、状態パラメタの値ｘｔと、観測値ｙｔとの間にて成り立つ関連性を表す。ｗは、状態パラメタの値ｘｔが観測モデルｈによって変換された観測値の計算値と、実際に観測された観測データを示す観測値ｙｔとの差異を表す。この差異には、システムモデルｆの不確実さと観測誤差（観測ノイズ）の両方が含まれていてもよい。
タイミングｔに関する制御可能パラメタの値ｕｔが表す要因情報が生じる場合に観測値ｙｔが生じる確率は、式３に示されるように、制御可能パラメタの値ｕｔの事後確率として表すことができる。
ｐ（ｙｔ｜ｕｔ）・・・（式３）。
式３に示す事後確率の値は、たとえば、制御可能パラメタの値ｕｔ（要因情報）に関する状態パラメタの値ｘｔを式１に示された処理に従い算出し、さらに、算出した状態パラメタの値ｘｔに対する観測値ｙｔ（事象情報）を式２に従い算出する処理を、繰り返し実行するアンサンブルシミュレーションに従い求めることができる。システムモデルに基づくシミュレーションにおいて、式１に示す処理は、たとえば、時間発展（ｔｉｍｅ ｄｅｖｅｌｏｐｍｅｎｔ）を表す連立一次方程式をタイミング順に求解する順問題として実現することができる。
アンサンブルシミュレーションには、たとえば、状態パラメタの値ｘｔを正規（ガウス）分布に従って選択し、選択した状態パラメタの値ｘｔの値に関して、式２に従い観測値ｙｔ（事象情報）を求める解析的な手法がある。また、アンサンブルシミュレーションには、たとえば、状態パラメタの値ｘｔに関するＮ個のアンサンブル集合（式４に例示）に含まれている各アンサンブルに関して、式２に従い観測値ｙｔを求める手法がある。
｛ｘｔ，ｋ （ｉ）｝・・・（式４）、
ただし、ｋは、状態パラメタの値ｘｔに含まれている第ｋ状態パラメタを指し示す自然数を表す。ｉは、１≦ｉ≦Ｎなる自然数を表す。
アンサンブルシミュレーションにおいては、各状態パラメタの値ｘｔに関して、独立（または、並列）に観測値ｙｔ（事象情報）を算出することができる。該事象推定処理は、上述した処理手順に限定されない。
ステップＳ１０８に示された要因推定処理（すなわち、事象情報に基づき要因情報を作成する処理）の一例について説明する。
式１に示されたシステムモデルが不確実性を含むモデルであるので、要因推定処理においては、タイミングｔにおける観測データの実績値である観測値ｙｔ（事象情報）を与えた場合に、制御可能パラメタの値が値ｕｔである確率は、式５に示されるように、観測値ｙｔの事後確率として表すことができる。
ｐ（ｕｔ｜ｙｔ）・・・（式５）。
式５に従う処理手順は、式１及び式２に示されたモデル情報に関する時間発展の連立一次方程式において、観測値ｙｔ（事象情報）に基づき、制御可能パラメタの値ｕｔ（要因情報）を求める処理手順によって実現することができる。しかし、該処理手順は、制御可能パラメタの値ｕｔ（要因情報）に基づき、観測値ｙｔ（事象情報）を求めた事象推定処理とは異なっている。要因推定処理には、大別して、順問題的アプローチと、逆問題的アプローチとがある。該順問題的アプローチは、与えられた観測値ｙｔ（事象情報）に近くなるような制御可能パラメタの値ｕｔ（要因情報）を探索する手順であり、たとえば、遺伝的アルゴリズム等の処理手順がある。逆問題的アプローチは、たとえば、制御可能パラメタの値ｕｔ（要因情報）が出現するパターンを、複数個、予め入力しておき、該パターンのうち、観測値ｙｔ（事象情報）（または、値ｙｔに類似している事象情報）を与える制御可能パラメタの値ｕｔ（要因情報）をフィルタリングする手順である。逆問題的アプローチは、たとえば、逐次ベイズフィルタリング、データ同化、マルコフ連鎖モンテカルロ法等の所定の処理手順に従い実現することができる。該要因推定処理は、上述した処理手順に限定されない。
リスク推定部１０２は、たとえば、モデル情報を表す式（たとえば、式１、式２）に従い、処理を実行してもよい。または、該対象システムにて生じる事象をシミュレーションするシミュレータ等を用いて、リスク推定部１０２を実現してもよい。
図２のステップＳ１０４に示された事象推定処理、または、ステップＳ１０８に示された要因推定処理の後、要因更新部１０３は、リスク推定部１０２が出力した要因情報と、事象情報とを入力する。要因更新部１０３は、入力した該要因情報と、入力した該事象情報とが関連付けされた関連情報を作成し（ステップＳ１０５）、作成した関連情報を、関連情報記憶部１１０に格納する。以降、ステップＳ１０５における処理を「事前のリスク推定処理」と表す。関連情報を作成する処理は、たとえば、将来の期間におけるタイミングに関して実行されてもよい。
該関連情報においては、１つのタイミングだけでなく、複数のタイミング（たとえば、後述するタイミングｔよりも前のタイミング）に関して、要因情報（制御可能パラメタの値）と、事象情報（観測値）とが関連付けされていてもよい。関連情報において、複数のタイミングに関する要因情報と、事象情報とが関連付けされている場合に、該関連情報においては、たとえば、図３Ｂに示されているような、制御可能パラメタの値と、観測値とが複数のタイミングに関して関連付けされている。該関連情報は、たとえば、あるタイミングにて該要因情報（制御可能パラメタの値を表す）が生じるならば、該事象情報（観測値を表す）が生じるという関連性を表す。または、該関連情報は、あるタイミングにて該事象情報（観測値を表す）が生じているならば、該要因情報（制御可能パラメタの値を表す）が生じているという関連性を表す。以降、該関連情報を作成する処理を、「事前のリスク推定」処理と表す。
説明の便宜上、リスク推定部１０２が算出した要因情報（または、事象情報）のタイミングを「ｔ」（ｔは、自然数）と表す。また、観測データ記憶部１１１には、該タイミングｔより後に観測された観測値ｙｔ＋ｓ（事象情報）（ｓは、自然数）が、たとえば、リアルタイムに格納されるとする。しかし、必ずしも、事象情報が格納されるタイミングは、リアルタイムでなくともよい。基準情報記憶部１１２には、外部の装置等から入力可能な基準情報が格納されているとする。該基準情報は、関連情報記憶部１１０に格納されている関連情報のうち、特定の関連情報を選択する場合の基である選択基準を表す情報が格納されている。該基準情報は、たとえば、制御可能パラメタの値ｕｔ（要因情報）の変動、または、設定値からのずれに対する、算出された（または、観測された）該観測値ｙｔ（事象情報）の変動、または目標値からのずれが小さい等の安定性や耐性（トレランス）に関する基準を表す。他の例としては、制御可能パラメタに対して、該観測値のとりうる値が、ある規定値以下、または規定値以上、あるいは特定の離散的な値の組であるような基準であってもよい。基準情報は、たとえば、制御可能パラメタの値の変動に対する、観測値ｙｔの変動の比を用いて表すことができる。リスク推定部１０２は、タイミングｔよりも後のタイミング「ｔ＋ｓ」（ｓは、自然数）における事象情報（すなわち、観測値ｙｔ＋ｓ）と、モデル情報記憶部１０８に格納されているモデル情報とに基づき、制御可能パラメタの将来のタイミング「ｔ＋ｓ＋１」（ｓは、自然数）における値（要因情報ｕｔ＋ｓ＋１）を算出するとする。この処理について、詳細に説明する。
選択更新部１０９は、モデル情報記憶部１０８に格納されているモデル情報に従いステップＳ１０８にて上述したような処理と同様な処理を実行することによって、観測値が値「ｙｔ＋ｓ」である場合の制御可能パラメタの値（要因情報）を特定する（ステップＳ１０６）。すなわち、選択更新部１０９は、観測値が値ｙｔ＋ｓである場合に、制御可能パラメタの値が値ｕｔ＋ｓ＋１である確率（式６）を、モデル情報記憶部１０８に格納されているモデル情報に従い算出する。
ｐ（ｕｔ＋ｓ＋１｜ｙｔ＋ｓ）・・・（式６）。
次に、選択更新部１０９は、値ｙｔ＋ｓと、算出した値ｕｔ＋ｓ＋１とに関して、関連情報記憶部１１０に格納されている関連情報のうち、読み取った基準情報が表す選択基準を満たしている関連情報（または、値）を特定する（ステップＳ１０７）。選択基準が、上述したような安定性や耐性（トレランス）に関する基準である場合に、選択更新部１０９は、たとえば、関連情報記憶部１１０に格納されている関連情報のうち、制御パラメタの値の変動（ばらつき程度）（または、設定値からのズレ）よりも、算出された観測値の変動（ばらつき程度）（または、目標値からのずれ）が小さいという選択基準を満たしている関連情報を特定する。選択更新部１０９は、特定した関連情報に含まれている観測値（説明の便宜上、該値の集合を「集合Ｒｃ」と表す）と、観測値ｙｔ＋ｓとに関して、ステップＳ１０８にて上述したような処理と同様な処理を実行することによって、該値に関する制御パラメタの値（要因情報）を算出する（ステップＳ１０９）。この場合に、選択更新部１０９は、観測値ｙｔ＋ｓと、集合Ｒｃが与えられた場合の、制御可能パラメタの値ｕｔ＋ｓ＋１の条件付き確率（式７）を算出する。
ｐ（ｕｔ＋ｓ＋１｜ｙｔ＋ｓ、Ｒｃ）・・・（式７）。
したがって、情報処理装置１０１は、ステップＳ１０７、及び、ステップＳ１０９に示す処理によって、該基準情報と、該特定関連情報とに基づき、制御可能パラメタのとり得る値として適切な集合Ｒｃを設定する。情報処理装置１０１は、設定した集合Ｒｃと、モデル情報を用いて算出された推定値とに基づき、値ｙｔ＋ｓに関する制御パラメタの値を算出する。
尚、ステップＳ１０９にて参照される観測値ｙｔ＋ｓは、たとえば、ステップＳ１０７にて読み取られてもよいし、ステップＳ１０９にて読み取られてもよい。観測値ｙｔ＋ｓを読み取る処理は、上述した例に限定されない。
図３Ａ及び図３Ｂを参照しながら、事前のリスク推定処理の有無が、観測データと制御可能データとの関連性を表す関連情報に与える影響について説明する。図３Ａは、事前のリスク推定を実行しない場合の観測値と、制御可能パラメタの値（観測値）との関連性を表す図である。図３Ｂは、本実施形態に係る情報処理装置１０１における処理と同様に、事前のリスク推定処理を実行する場合の観測値と、制御可能パラメタの値との関連性を表す図である。
図３Ａ及び図３Ｂにおいて、横軸は、制御可能パラメタを表し、右側であるほど制御可能パラメタの値（制御値）が大きいことを表す。図３Ａ及び図３Ｂにおいて、縦軸は、観測値を表し、上側であるほど観測値が大きいことを表す。
本実施形態に係る情報処理装置１０１が推定対象とする対象システムに関して、該対象システムに生じる、１つの事象を実現し得る制御値は、複数個存在している可能性がある。事前のリスク推定処理を実行しない技術の場合には、新規のタイミング（ｔ＋ｓ）で得られた最新の観測値ｙｔ＋ｓに基づき式６に従い算出される次のタイミング（ｔ＋ｓ＋１）の制御可能パラメタの値ｕｔ＋ｓ＋１を算出する。さらに、該技術においては、算出されたパラメタの値ｕｔ＋ｓ＋１に基づき、観測値ｙｔ＋ｓ＋１（図３Ａにおける値１５１）を予測する。当該観測値ｙｔ＋ｓ＋１と、制御可能パラメタの値ｕｔ＋ｓ＋１との関係は、領域１５３に例示されているように、不安定である可能性がある。この理由は、領域１５２にて示されているように、該対象システムが、該対象システムに関する観測値と、該制御値との間の関連性とを、低リスクにて算出しているとは限らないからである。すなわち、事前のリスク推定を実行しない技術に従い処理する対象システムは、該関連性のうち、一部の関連性のみを算出してしまう可能性がある。
これに対して、本実施形態に係る情報処理装置１０１は、要因推定処理、または、事象推定処理によって算出された推定結果に基づき、上述した処理を実行する。該推定結果は、図２を参照しながら説明した処理に従い、情報処理装置１０１が作成した情報である。
本実施形態に係る情報処理装置１０１は、関連情報記憶部１１０に格納されている関連性に関して、たとえば、制御可能パラメタの値の変動に対して該観測値に関する推定値の変動が狭い等の安定性に関する選択基準を満たしている関連情報（図３Ｂにおける関連情報１５４）を選択する。その後、情報処理装置１０１は、式５に従い、該関連情報に含まれる観測値（以降、「観測見込み値」と表す）が与えられた場合の、制御可能パラメタの条件付き確率を算出する。したがって、情報処理装置１０１は、該関連情報に含まれている制御値と、選択した該観測見込み値の集合Ｒｃと、新規のタイミング（ｔ＋ｓ）で得られた最新の観測値ｙｔ＋ｓとに基づき、上述した式７に示されるような制御可能データｕｔ＋ｓ＋１に関する値を算出する。
したがって、情報処理装置１０１は、選択した該観測見込み値の集合Ｒｃと、観測値ｙｔ＋ｓ（事象情報）とに基づき、該事象情報が表す事象に関する要因を表す要因情報（すなわち、制御可能パラメタの値ｕｔ＋ｓ＋１）を特定する。この結果、情報処理装置１０１は、要因情報（図３Ｂにおける領域１５５にて示される制御可能パラメタの値ｕｔ＋ｓ＋１）を、低いリスクにて算出することができる。図３Ａと、図３Ｂとを参照しながら、さらに詳細に、制御可能パラメタの値ｕｔ＋ｓ＋１の変動と、観測値ｙｔ＋ｓ＋１の変動との関係性（たとえば、比）について説明する。図３Ａにおける領域１５３、及び、図３Ｂにおける領域１５５は、変動範囲を表している。該関係性は、たとえば、制御可能パラメタの値ｕｔ＋ｓ＋１の変動に対する、観測値ｙｔ＋ｓ＋１の変動の比として算出することができる。
領域１５５における該関係性と、領域１５３における該関係性とを比較すると、該関係性に関しては、領域１５５の方が小さい。したがって、事前のリスク推定を行なった方が、事前のリスク推定をしない場合と比べて、安定的な関係性が得られる。これは、最新の観測値に基づき推定される次ステップの制御可能パラメタの値の分布に対して予測される観測値の分布が、事前のリスク推定を行なう方が事前のリスク推定を実行しない場合よりも狭いことを表す。言い換えると、これは、事前のリスク推定を行なう方が、事前のリスク推定を実行しない場合に比べて、リスクの少ない情報を提供できることを表す。
情報処理装置１０１は、たとえば、オンライン（逐次型）ベイズフィルタ、データ同化等の処理手順に従い、制御可能データに関する値を算出する処理を実行する。情報処理装置１０１が制御値に関する値を算出する処理は、上述した例に限定されない。
すなわち、要因更新部１０３は、事前のリスク推定結果に基づく制御値と、観測値に関する推定値との関連性の中から、選択基準に基づき、新規に観測データが得られたタイミングの次の時間ステップにて最適な制御値を算出することができる。これに対して、事前のリスク推定処理を実行しない場合には、最適な制御値を算出することはできない。要因更新部１０３は、算出した観測値を、新たな要因情報として更新後要因情報記憶部１１３に格納する。該新たな要因情報は、次の時間ステップ（この例の場合、タイミング（ｔ＋ｓ＋１））以降におけるリスクを推定する基であるデータである。
次に、本発明の第１の実施形態に係る情報処理装置１０１に関する効果について説明する。
第１の実施形態に係る情報処理装置１０１によれば、リスクが低い推定情報を提供することができる。この理由は、対象システムに関して観測された観測データに基づき、該対象システムにて生じる事象を表すモデル情報におけるパラメタの値を調整し、調整したパラメタの値に従って該対象システムにて生じる事象を推定するからである。この理由についてさらに詳細に説明する。
たとえば、ある要因情報が与えられた場合の事象情報に関する確率を算出する処理において、該ある要因情報に対して実際に生じた事象情報のみを対象とした場合に、過去に観測されていない事象情報に関する確率を正しく算出することができない。また、不確実性を有している対象システムにも関わらず、該対象システムに関するモデル情報が該不確実性を反映していない場合に該モデル情報に基づく推定精度が不十分であるので、該モデル情報に従い推定された事象情報は、該ある要因情報に関する事象情報を正しく作成できるとは限らない。第１の実施形態に係る情報処理装置１０１が、不確実性が反映されたモデル情報に従い処理を実行するので、リスク推定部１０２によれば、過去に得られなかった事象情報、及び、特定されていない事象情報を作成することができる。したがって、リスク推定部１０２における処理対象であるモデル情報には、該モデル情報に関する推定精度が不十分であることによって生じる誤差等が反映されているので、第１の実施形態に係る情報処理装置１０１によれば、対象システムにて生じる事象を、低リスクにて予測することができる。
同様に、ある事象情報が生じる場合の要因情報に関する事後確率を算出する処理において、該ある事象情報に対して実際に生じた要因情報のみを対象とした場合には、過去に観測されていない要因情報に関する確率を正しく算出することができない。また、不確実性を考慮しないモデル情報に基づき該事象情報に関する要因情報を作成する場合には、該モデル情報に基づくシミュレーションの推定精度が不十分であるので、該ある事象情報に関する要因情報を正しく作成できるとは限らない。
したがって、リスク推定部１０２によれば、過去に得られなかった事象情報、及び、特定されていない要因情報を作成することができる。すなわち、リスク推定部１０２においては、モデル情報に関する推定精度が不十分であることによって引き起こされる影響が加味された処理によって、リスクが低い要因情報を作成することができる。
尚、情報処理装置１０１は、要因推定処理、及び、事象推定処理において、確率を用いて表された要因、及び、確率を用いて表された事象に基づき、関連情報等を作成してもよい。すなわち、情報処理装置１０１においては、対象システムに関する不確実性を、該対象システムにて生じる事象を表すモデル情報に含まれる各パラメタ、該対象システムにて生じる事象に影響を与える情報を表す駆動パラメタ、または、各パラメタの値に関する確率分布として扱われる。
＜第２の実施形態＞
次に、上述した第１の実施形態を基本とする本発明の第２の実施形態について説明する。
図４を参照しながら、本発明の第２の実施形態に係る情報処理装置２０１が有する構成について詳細に説明する。図４は、本発明の第２の実施形態に係る情報処理装置２０１が有する構成を示すブロック図である。
第２の実施形態に係る情報処理装置２０１は、大別して、リスク推定部２０２と、要因更新部２０３と、更新後営農データ記憶部２１３とを有する。リスク推定部２０２は、要因推定部２０４と、営農データ記憶部２０５と、確定データ記憶部２０６と、育成情報記憶部２０７と、作物モデル情報記憶部２０８とを有する。要因更新部２０３は、選択更新部２０９と、関連情報記憶部２１０と、観測データ記憶部２１１と、基準情報記憶部２１２とを有する。
作物モデル情報記憶部２０８は、たとえば、対象作物に関して生じる事象を表す作物モデル等の、対象システムに関する不確実性を表すパラメタを含むモデル情報が格納されている。
作物モデル情報記憶部２０８に格納されている作物モデルは、モデル情報の一例である。該作物モデルは、たとえば、葉面積指数（Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ：ＬＡＩ）等のパラメタを含んでいる。該作物モデルに従えば、たとえば、該葉面積指数に基づき、対象作物に関する育成状態を表す情報を作成する処理を実行することができる。該葉面積指数は、植生指数（Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ：ＶＩ）との相関を有することが知られている。該葉面積指数に従えば、地形、気象、営農データ、または、各種モデルパラメタ等、作物モデルに対する入力として規定されたデータに基づき、対象作物に関する育成状態を表す情報を作成することができる。該作物モデルは、たとえば、ＤＳＳＡＴ（Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ ｆｏｒ Ａｇｒｏｔｅｃｈｎｏｌｏｇｙ Ｔｒａｎｓｆｅｒ）、ＡＰＳＩＭ（ｔｈｅ Ａｇｒｉｃｕｌｔｕｒａｌ Ｐｒｏｄｕｃｔｉｏｎ Ｓｙｓｔｅｍｓ ｓｉＭｕｌａｔｏｒ）、または、ＷＯＦＯＳＴ（ＷＯｒｌｄ ＦＯｏｄ ＳＴｕｄｉｅｓ）である。
確定データ記憶部２０６には、対象作物に関する該作物モデルに与える初期条件、該作物モデルに含まれているパラメタ、及び、該対象作物が育成される地域の気象データ等の情報が格納される。
営農データ記憶部２０５には、該作物モデルにおいて制御可能なパラメタの値（たとえば、灌漑のタイミング、灌漑量、施肥のタイミング、施肥量を表す営農データ）が格納される。該パラメタの値は、上述した要因情報の一例である。
育成情報記憶部２０７には、対象作物に関するデータ（たとえば、対象作物の大きさ、対象作物の収量）が格納される。育成情報記憶部２０７に格納されているデータは、該対象作物に関して観測されたデータであってもよいし、営農データ等の要因情報に基づき推定した事象情報（すなわち、観測データの推定値）であってもよい。
関連情報記憶部２１０は、作物モデルにおいて制御可能パラメタの値（要因情報）と、対象作物の収量等の該対象作物に関するデータとが関連付けされた関連情報が格納される。該対象作物に関するデータは、たとえば、上述した観測データ記憶部２１１に格納されているデータと同様なデータである。
観測データ記憶部２１１には、たとえば、対象作物が育成されている圃場に関して衛星によって観測（測定）されたデータ、または、該圃場に設置されたフィールドセンサによって観測されたデータ等が格納される。
観測データ記憶部２１１には、対象作物の育成状態を表す観測データが格納される。観測データとしては、たとえば、植生指数として用いることが可能な正規化差植生指数（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ：ＮＤＶＩ）を利用してもよい。ＮＤＶＩ値は、可視赤バンドにおける反射率と、近赤外バンドにおける反射率とに基づき算出することができる。選択更新部２０９は、観測データとして植生指数ＮＤＶＩを入力し、入力した該観測データに基づき、図２を参照しながら説明したような処理と同様な処理（図５を参照しながら後述する）を実行する。観測データ、及び、モデルが含むパラメタは、上述した例に限定されない。
ＮＤＶＩは、たとえば、Ｔｅｒｒａ衛星、または、Ａｑｕａ衛星に搭載されている可視域及び赤外域を観測可能な放射計センサ（ＭＯＤｅｒａｔｅ ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ：ＭＯＤＩＳ）等を用いて観測されるデータに基づき算出することができる。より具体的に、この処理について説明する。
Ｔｅｒｒａ衛星（または、Ａｑｕａ衛星）に搭載されているＭＯＤＩＳは、可視赤バンド（波長が０．５８マイクロメートル（μｍ）から０．８６μｍまで）、及び、近赤外バンド（波長が０．７２５μｍから１．１００μｍまで）において、太陽光が地表にて反射された反射光の強度を観測することができる。Ｔｅｒｒａ衛星（またはＡｑｕａ衛星）に搭載されているＭＯＤＩＳは、毎日、該反射光の強度を観測するものの、地表に関して約２５０メートル（ｍ）程度の空間分解能しか有していない。さらに、該観測データは、ＬＡＮＤＳＡＴ、ＰＬＥＩＡＤＥＳ衛星、ＡＳＮＡＲＯ衛星、ＲａｐｉｄＥｙｅ衛星、Ｓｅｎｔｉｎｅｌ衛星等を用いて観測されたデータであってもよい。
ＬＡＮＤＳＡＴは、ＬＡＮＤ ＳＡＴｅｌｌｉｔｅの略称を表す。ＡＳＮＡＲＯは、Ａｄｖａｎｃｅｄ Ｓａｔｅｌｌｉｔｅ ｗｉｔｈ Ｎｅｗ ｓｙｓｔｅｍ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｏｂｓｅｒｖａｔｉｏｎの略称を表す。
これらの衛星によって取得可能な波長域は、Ｔｅｒｒａ衛星（またはＡＱＵＡ衛星）に搭載されているＭＯＤＩＳが取得可能な波長域とほぼ同一である。しかし、ＬＡＮＤＳＡＴは、８日から１６日までの間隔にて観測データを観測しており、地表に関して約３０ｍ程度の空間分解能を有する。ＰＬＥＩＡＤＥＳ衛星、及び、ＡＳＮＡＲＯ衛星は、２日から３日までの間隔にて観測データを観測しており、地表に関して約２ｍ程度の空間分解能を有する。植生指数を算出する基である撮像画像は、可視赤バンドと、近赤外バンドとを含む画像であればよい。しかし、観測データとして取得される波長域は、これらのバンドに限定されない。
基準情報記憶部２１２には、関連情報の中から特定関連情報を選択する基準を表す選択基準を表す基準情報が格納されている。該基準情報は、外部から入力されてもよい。更新後営農データ記憶部２１３には、選択更新部２０９によって算出された要因情報（すなわち、制御可能なパラメタの値）が格納される。また、確定データ記憶部２０６には、地形、気象、営農データ、または、各種モデルに関するパラメタ等の情報が格納される。
図５を参照しながら、本発明の第２の実施形態に係る情報処理装置２０１における処理について説明する。図５は、第２の実施形態に係る情報処理装置２０１における処理の流れを示すフローチャートである。
要因推定部２０４は、確定データ記憶部２０６に格納されている確定情報を読み取る（ステップＳ２０１）。要因推定部２０４は、読み取った該確定情報が要因情報（たとえば、灌漑量を表す情報）であるか否かを判定する（ステップＳ２０２）。要因推定部２０４は、該確定情報が要因情報でないと判定する場合に（ステップＳ２０２にてＮＯ）、該確定情報が事象情報（たとえば、対象作物のサイズを表す情報）であるか否かを判定する（ステップＳ２０３）。
要因推定部２０４は、該確定情報が要因情報であると判定する場合に（ステップＳ２０２にてＹＥＳ）、該要因情報に対して作物モデル情報記憶部２０８に格納されているモデル情報を適用することによって事象情報を作成する（ステップＳ２０４）。ステップＳ２０４における処理は、図２のステップＳ１０４と同様な処理であるので、本実施形態においては詳細な説明を省略する。ステップＳ２０４において、要因推定部２０４は、たとえば、対象作物が育成されている圃場にて灌漑が実施されたタイミングと、該灌漑における灌漑量とに基づき、該対象作物のサイズを推定し、推定したサイズを表す事象情報を作成する。要因推定部２０４は、算出した事象情報を育成情報記憶部２０７に格納する。要因推定部２０４は、該要因情報と、算出した該事象情報とを要因更新部２０３に対して出力する。なお、本実施形態において、要因として他には、施肥が実施されたタイミングと、該施肥における肥料の量などがある。また事象情報として他には、対象作物の重量、葉面積指数など成長度を表す量、葉中窒素濃度など生育の健全性を表す量、糖度など品質を表す量、そして、単位面積あたりの収穫量であってもよい。
要因推定部２０４は、該確定情報が事象情報であると判定する場合に（ステップＳ２０３にてＹＥＳ）、該事象情報と、モデル情報とに基づき、要因情報を作成する（ステップＳ２０８）。ステップＳ２０８における処理は、図２のステップＳ１０８と同様な処理であるので、本実施形態においては詳細な説明を省略する。ステップＳ２０８において、要因推定部２０４は、たとえば、圃場にて育成されている対象作物のサイズに基づき、該圃場にて実施された灌漑作業のタイミングと、灌漑量とを推定し、該灌漑量及び該タイミングを表す要因情報を作成する。要因推定部２０４は、算出した要因情報を営農データ記憶部２０５に格納する。要因推定部２０４は、該事象情報と、算出した該要因情報とを要因更新部２０３に対して出力する。
要因更新部２０３は、リスク推定部２０２が出力した要因情報と、事象情報とを入力する。要因更新部２０３は、入力した該要因情報と、入力した該事象情報とが関連付けされた関連情報を作成し（ステップＳ２０５）、作成した関連情報を関連情報記憶部２１０に格納する。
要因更新部２０３は、対象作物に関して観測された観測データ（事象情報）に関する要因情報をモデル情報に従い算出する（ステップＳ２０６）。ステップＳ２０６における処理は、図２のステップＳ１０６と同様な処理であるので、本実施形態においては詳細な説明を省略する。要因更新部２０３は、特定した要因情報に基づき、関連情報記憶部２１０に格納されている関連情報のうち、基準情報記憶部２１２に格納されている基準情報が表す選択基準を満たしている関連情報を特定する（ステップＳ２０７）。ステップＳ２０７における処理は、図２のステップＳ１０７と同様な処理であるので、本実施形態においては詳細な説明を省略する。
要因更新部２０３は、対象システムに関して観測された事象を表す事象情報と、ステップＳ２０４にて特定した関連情報に含まれている事象情報と、特定した関連情報に含まれている観測値（上述した、集合Ｒｃに含まれている値）と、観測値ｙｔ＋ｓとに基づき、該事象に関する要因情報を特定する（ステップＳ２０９）。ステップＳ２０９における処理は、図２のステップＳ１０９と同様な処理であるので、本実施形態においては詳細な説明を省略する。要因更新部２０３は、さらに、式５に示されているような要因情報が生じる確率を算出してもよい。たとえば、要因更新部２０３は、対象作物に関して観測されたサイズと、選択基準を満たしている関連情報に含まれているサイズとに基づき、これらのサイズが生じる要因を表す灌漑作業のタイミング、及び、灌漑量を特定する。
したがって、第２の実施形態に係る情報処理装置２０１は、要因情報（たとえば、灌漑、または、施肥等の営農データ）に基づき、営農の事象（たとえば、対象作物の収量が減少するリスク）を算出する。さらに、情報処理装置２０１は、観測された観測データ（たとえば、対象作物の育成状態や土壌の状態等）に基づき、適切な選択基準（この例では、対象作物に関する収量を最大化する）を満たしている制御値（この例では、灌漑量、灌漑を実施するタイミング、施肥量、施肥を実施するタイミング）を算出する。選択基準は、たとえば、灌漑や施肥等の投資資材を最小化することを表す基準であってもよい。
次に、本発明の第２の実施形態に係る情報処理装置２０１に関する効果について説明する。
第２の実施形態に係る情報処理装置２０１によれば、リスクが低い推定情報を提供することができる。この理由は、第１の実施形態にて説明した理由と同様な理由である。
さらに、本実施形態に係る情報処理装置２０１によれば、農業に関して、リスクが低い推定情報を提供することができる。この理由は、情報処理装置２０１が、農業に関する情報に基づき処理を実行するからである。
モデル情報は、必ずしも、上述した作物モデルでなくてもよい。また、観測データは、対象作物の育成状態を表すデータでなくともよい。すなわち、作物モデル、及び、観測データ等は上述した例に限定さない。たとえば、本実施形態に係る情報処理装置２０１は、たとえば、以下に例示する３つの領域に関しても、推定精度が高い情報を作成することができる。
○水、化石燃料、または、自然エネルギー等の資源対象システム、気象システム、または、気候システム、
○生物学的、及び個体差の影響による不確実性が高い医療システム、または、ヘルスケアシステム、
○人的なオペレーションの影響による不確実性が高い交通システム、または、物流システム。
尚、上述した各実施形態において、リスク推定部（リスク推定部１０２、リスク推定部２０２）は、観測情報が観測される頻度よりも少ない頻度にて、関連情報を作成してもよい。要因更新部（要因更新部１０３、要因更新部２０３）が、観測情報が観測されるのに応じて処理を実行する場合に、該リスク推定部が関連情報を作成するタイミングの間隔は、要因更新部が処理を実行するタイミングの間隔よりも長くてもよい。この場合に、該リスク推定部は、該要因更新部が処理を実行するタイミングの間隔よりも長い間隔が経過した後に、上述した処理を実行する。該間隔が長くなるほど、該リスク推定部が処理を実行する頻度は減るので、情報処理装置（情報処理装置１０１、または、情報処理装置２０１）における処理量が減少するという効果を奏する。
＜第３の実施形態＞
次に、本発明の第３の実施形態について説明する。
図６を参照しながら、本発明の第３の実施形態に係る情報処理装置３０１が有する構成について詳細に説明する。図６は、本発明の第３の実施形態に係る情報処理装置３０１が有する構成を示すブロック図である。
第３の実施形態に係る情報処理装置３０１は、作成部３０２と、特定部３０３とを有する。
情報処理装置３０１は、観測データ記憶部１１１、確定データ記憶部１０６、及び、モデル情報記憶部１０８に接続されている、または、通信接続可能である。
説明の便宜上、確定データ記憶部１０６には、対象システムにて生じる事象を表す事象情報が格納されているとする。
図７を参照しながら、本発明の第３の実施形態に係る情報処理装置３０１における処理について説明する。図７は、第３の実施形態に係る情報処理装置３０１における処理の流れを示すフローチャートである。
作成部３０２は、確定データ記憶部１０６に格納されている事象情報と、モデル情報記憶部１０８に格納されているモデル情報とを読み取る。該モデル情報は、たとえば、図１を参照しながら説明したような、対象システムにて生じる事象と、該事象が生じる要因との関連性を表すモデルである。作成部３０２は、読み取った該事象情報が表す事象が生じる要因を特定し、特定した要因を表す要因情報を作成する（ステップＳ３０１）。
または、ステップＳ３０１にて、作成部３０２は、要因情報記憶部１０５に格納されている要因情報と、モデル情報記憶部１０８に格納されているモデル情報とを読み取る。作成部３０２は、読み取った該要因情報に対して該モデル情報を適用することによって事象情報を作成してもよい。すなわち、作成部３０２は、ステップＳ３０１にて、対象に生じる事象と、該事象より前に生じる要因との関連性を表すモデル情報に、事象、または、要因のいずれか一方を与えて他方を推定する。
ステップＳ３０１における処理は、図２のステップＳ１０８、または、図５のステップＳ２０８等に示された処理と同様な処理であるので、本実施形態においては詳細な説明を省略する。作成部３０２は、読み取った事象情報と、特定した要因情報とが関連付けされた関連情報を作成する（ステップＳ３０２）。または、作成部３０２は、読み取った要因情報と、推定した事象情報とが関連付けされた関連情報を作成する。
すなわち、ステップＳ３０２にて、作成部３０２は、推定結果として得られた事象を表す第１事象情報と、与えられた要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた事象を表す第２事象情報と、推定結果として得られた要因を表す第２要因情報とが関連付けされた関連情報を作成する。
特定部３０３は、作成部３０２が作成した関連情報と、対象システムに関する事象情報とを入力する。特定部３０３が入力する関連情報は、たとえば、作成部３０２が作成した関連情報のうち、選択基準を満たしている関連情報であってもよい。対象システムに関する該事象情報は、観測データ記憶部１１１に格納されており、たとえば、対象システムにて観測された事象を表す事象情報である。特定部３０３は、入力した該関連情報と、入力した該事象情報とに基づき、入力した該事象情報が表す事象に関する要因を特定する（ステップＳ３０３）。ステップＳ３０３における処理は、たとえば、式６、または、式７を参照しながら説明した処理と同様な処理であるので、本実施形態においては詳細な説明を省略する。
したがって、図１に示された要因推定部１０４、または、図４に示された要因推定部２０４が有している機能と同様な機能によって、作成部３０２を実現することができる。図１に示された要因更新部１０３、または、図４に示された要因更新部２０３が有している機能と同様な機能によって特定部３０３を実現することができる。また、図１に示された情報処理装置１０１、または、図４に示された情報処理装置２０１が有している機能と同様な機能によって情報処理装置３０１を実現することができる。
次に、本発明の第３の実施形態に係る情報処理装置３０１に関する効果について説明する。
第３の実施形態に係る情報処理装置３０１によれば、リスクが低い推定情報を提供することができる。この理由は、対象システムに関して観測された観測データに基づき、該対象システムにて生じる事象を表すモデル情報におけるパラメタの値を調整し、調整したパラメタの値に従って該対象システムにて生じる事象を推定するからである。
（ハードウェア構成例）
上述した本発明の各実施形態に係る情報処理装置を、１つの計算処理装置（コンピュータ）を用いて実現するハードウェア資源の構成例について説明する。但し、係る情報処理装置は、物理的または機能的に少なくとも２つの計算処理装置を用いて実現されてもよい。また、係る情報処理装置は、専用の装置として実現されてもよい。
図８は、本発明の各実施形態に係る情報処理装置を実現可能な計算処理装置のハードウェア構成例を概略的に示すブロック図である。計算処理装置２０は、中央処理演算装置（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ、以降「ＣＰＵ」と表す）２１、メモリ２２、ディスク２３、不揮発性記録媒体２４、及び、通信インターフェース（以降、「通信ＩＦ」と表す）２７を有する。計算処理装置２０は、入力装置２５、出力装置２６に接続可能であってもよい。計算処理装置２０は、通信ＩＦ２７を介して、他の計算処理装置、及び、通信装置と情報を送受信することができる。
不揮発性記録媒体２４は、コンピュータが読み取り可能な、たとえば、コンパクトディスク（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ）、デジタルバーサタイルディスク（Ｄｉｇｉｔａｌ＿Ｖｅｒｓａｔｉｌｅ＿Ｄｉｓｃ）である。また、不揮発性記録媒体２４は、ユニバーサルシリアルバスメモリ（ＵＳＢメモリ）、ソリッドステートドライブ（Ｓｏｌｉｄ＿Ｓｔａｔｅ＿Ｄｒｉｖｅ）等であってもよい。不揮発性記録媒体２４は、電源を供給しなくても係るプログラムを保持し、持ち運びを可能にする。不揮発性記録媒体２４は、上述した媒体に限定されない。また、不揮発性記録媒体２４の代わりに、通信ＩＦ２７、及び、通信ネットワークを介して係るプログラムを持ち運びしてもよい。
すなわち、ＣＰＵ２１は、ディスク２３に格納されているソフトウェア・プログラム（コンピュータ・プログラム：以下、単に「プログラム」と称する）を、実行する際にメモリ２２にコピーし、演算処理を実行する。ＣＰＵ２１は、プログラム実行に必要なデータをメモリ２２から読み取る。表示が必要な場合に、ＣＰＵ２１は、出力装置２６に出力結果を表示する。外部からプログラムを入力する場合に、ＣＰＵ２１は、入力装置２５からプログラムを読み取る。ＣＰＵ２１は、上述した図１、図４、または、図６に示す各部が表す機能（処理）に対応するところのメモリ２２にある情報処理プログラム（図２、図５、または、図７）を解釈し実行する。ＣＰＵ２１は、上述した本発明の各実施形態において説明した処理を順次実行する。
すなわち、このような場合に、本発明は、係る情報処理プログラムによっても成し得ると捉えることができる。さらに、係る情報処理プログラムが記録されたコンピュータが読み取り可能な不揮発性の記録媒体によっても、本発明は成し得ると捉えることができる。
以上、上述した実施形態を模範的な例として本発明を説明した。しかし、本発明は、上述した実施形態には限定されない。すなわち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかし、上述した各実施形態により例示的に説明した本発明は、以下には限られない。
（付記１）
対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成手段と、
前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定手段と
を備える情報処理装置。
（付記２）
前記特定手段は、一の関連情報を選択する基準である選択基準に従い、前記関連情報の中から前記一の関連情報を選択し、選択した前記一の関連情報に含まれている前記第１事象情報または前記第２事象情報と、前記第３事象情報とを用いて、前記第３事象情報に対する前記要因を特定する
付記１に記載の情報処理装置。
（付記３）
前記選択基準は、前記第１要因情報または前記第２要因情報に対する、前記第１事象情報または前記第２事象情報のばらつき程度が小さいという条件を表す情報である
付記２に記載の情報処理装置。
（付記４）
前記作成手段は、前記要因に対して前記事象が生じる可能性を前記第１事象情報として算出する、または、前記事象が生じる場合に前記要因が生じていた可能性を前記第２要因情報として算出する
付記１乃至付記３のいずれかに記載の情報処理装置。
（付記５）
前記作成手段は、複数の前記第１要因情報と、該複数の第１要因情報のそれぞれに対する複数の前記第１事象情報とが関連付けされた複数の前記関連情報、または、複数の前記第２要因情報と、該複数の第２要因情報のそれぞれに対する複数の前記第２事象情報とが関連付けされた複数の前記関連情報を作成する付記４に記載の情報処理装置。
（付記６）
前記特定手段は、前記関連情報に基づき、一の前記第１要因情報または前記第２要因情報を選択し、選択した要因情報が表す要因を前記要因として特定する
付記１乃至付記５のいずれかに記載の情報処理装置。
（付記７）
前記特定手段は、逐次ベイズフィルタリング、データ同化、または、マルコフ連鎖モンテカルロ法に従った処理を実行することによって、前記要因を特定する
付記６に記載の情報処理装置。
（付記８）
計算処理装置によって、対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成し、前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する
情報処理方法。
（付記９）
対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成機能と、
前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定機能と
をコンピュータに実現させる情報処理プログラム。
（付記１０）
前記特定機能は、一の関連情報を選択する基準である選択基準に従い、前記関連情報の中から前記一の関連情報を選択し、選択した前記一の関連情報に含まれている前記第１事象情報または前記第２事象情報と、前記第３事象情報とを用いて、前記第３事象情報に対する前記要因を特定する
付記９に記載の情報処理プログラム。
（付記１１）
前記選択基準は、前記第１要因情報または前記第２要因情報に対する前記第１事象情報または前記第２事象情報の範囲が、ある規定値以上であるという条件を表す情報である
付記２に記載の情報処理装置。
（付記１２）
前記作成手段は、確率を用いて表されている前記事象、及び、確率を用いて表されている前記要因に基づき、前記事象、または、前記要因のいずれか一方を与えて他方を推定する
付記１乃至付記７、または、付記１１のいずれかに記載の情報処理装置。
（付記１３）
前記作成手段が前記関連情報を作成するタイミングの間隔は、前記特定手段が前記要因を特定するタイミングの間隔よりも長い
付記１乃至付記７、付記１１、または、付記１２のいずれかに記載の情報処理装置。
この出願は、２０１７年１月１１日に出願された日本出願特願２０１７－００２４５３を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０１ 情報処理装置
１０２ リスク推定部
１０３ 要因更新部
１０４ 要因推定部
１０５ 要因情報記憶部
１０６ 確定データ記憶部
１０７ 事象情報記憶部
１０８ モデル情報記憶部
１０９ 選択更新部
１１０ 関連情報記憶部
１１１ 観測データ記憶部
１１２ 基準情報記憶部
１１３ 更新後要因情報記憶部
１５１ 値
１５２ 領域
１５３ 領域
１５４ 関連情報
１５５ 領域
２０１ 情報処理装置
２０２ リスク推定部
２０３ 要因更新部
２０４ 要因推定部
２０５ 営農データ記憶部
２０６ 確定データ記憶部
２０７ 育成情報記憶部
２０８ 作物モデル情報記憶部
２０９ 選択更新部
２１０ 関連情報記憶部
２１１ 観測データ記憶部
２１２ 基準情報記憶部
２１３ 更新後営農データ記憶部
３０１ 情報処理装置
３０２ 作成部
３０３ 特定部
２０ 計算処理装置
２１ ＣＰＵ
２２ メモリ
２３ ディスク
２４ 不揮発性記録媒体
２５ 入力装置
２６ 出力装置
２７ 通信ＩＦ

Claims (10)

  1. 対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成手段と、
    前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定手段と
    を備える情報処理装置。
  2. 前記特定手段は、一の関連情報を選択する基準である選択基準に従い、前記関連情報の中から前記一の関連情報を選択し、選択した前記一の関連情報に含まれている前記第１事象情報または前記第２事象情報と、前記第３事象情報とを用いて、前記第３事象情報に対する前記要因を特定する
    請求項１に記載の情報処理装置。
  3. 前記選択基準は、前記第１要因情報または前記第２要因情報に対する、前記第１事象情報または前記第２事象情報のばらつき程度が小さいという条件を表す情報である
    請求項２に記載の情報処理装置。
  4. 前記作成手段は、前記要因に対して前記事象が生じる可能性を前記第１事象情報として算出する、または、前記事象が生じる場合に前記要因が生じていた可能性を前記第２要因情報として算出する
    請求項１乃至請求項３のいずれかに記載の情報処理装置。
  5. 前記作成手段は、複数の前記第１要因情報と、該複数の第１要因情報のそれぞれに対する複数の前記第１事象情報とが関連付けされた複数の前記関連情報、または、複数の前記第２要因情報と、該複数の第２要因情報のそれぞれに対する複数の前記第２事象情報とが関連付けされた複数の前記関連情報を作成する請求項４に記載の情報処理装置。
  6. 前記特定手段は、前記関連情報に基づき、一の前記第１要因情報または前記第２要因情報を選択し、選択した要因情報が表す要因を前記要因として特定する
    請求項１乃至請求項５のいずれかに記載の情報処理装置。
  7. 計算処理装置によって、対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成し、前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する
    情報処理方法。
  8. 対象に生じる事象と、前記事象より前に生じる要因との関連性を表すモデル情報に前記事象、または、前記要因のいずれか一方を与えて他方を推定し、推定結果として得られた前記事象を表す第１事象情報と、与えられた前記要因を表す第１要因情報とが関連付けされた関連情報、または、与えられた前記事象を表す第２事象情報と、推定結果として得られた前記要因を表す第２要因情報とが関連付けされた関連情報を作成する作成機能と、
    前記対象に生じた事象を表す第３事象情報と、前記関連情報に含まれる前記第１事象情報及び前記第２事象情報のうち少なくともいずれかとを用いて、前記モデル情報に従い前記第３事象情報に対する前記要因を特定する特定機能と
    をコンピュータに実現させる情報処理プログラム。
  9. 前記作成手段は、確率を用いて表されている前記事象、及び、確率を用いて表されている前記要因に基づき、前記事象、または、前記要因のいずれか一方を与えて他方を推定する
    請求項１乃至請求項６のいずれかに記載の情報処理装置。
  10. 前記作成手段が前記関連情報を作成するタイミングの間隔は、前記特定手段が前記要因を特定するタイミングの間隔よりも長い
    請求項１乃至請求項６、請求項９のいずれかに記載の情報処理装置。
JP2018561916A 2017-01-11 2017-12-27 情報処理装置、情報処理方法、及び、情報処理プログラム Active JP7024733B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017002453 2017-01-11
JP2017002453 2017-01-11
PCT/JP2017/046823 WO2018131478A1 (ja) 2017-01-11 2017-12-27 情報処理装置、情報処理方法、及び、情報処理プログラムが記録された記録媒体

Publications (2)

Publication Number Publication Date
JPWO2018131478A1 JPWO2018131478A1 (ja) 2019-11-07
JP7024733B2 true JP7024733B2 (ja) 2022-02-24

Family

ID=62839476

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018561916A Active JP7024733B2 (ja) 2017-01-11 2017-12-27 情報処理装置、情報処理方法、及び、情報処理プログラム

Country Status (3)

Country Link
US (1) US20210174276A1 (ja)
JP (1) JP7024733B2 (ja)
WO (1) WO2018131478A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023218752A1 (ja) * 2022-05-10 2023-11-16 株式会社日立製作所 電磁ノイズ解析装置及びその方法並びにそれを備えたリスク判定装置及び制御装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006505856A (ja) 2002-11-04 2006-02-16 スマートシグナル・コーポレーション 再発性ローカル学習機械を使用するシステム状態モニタリング方法及びその装置
JP2010231447A (ja) 2009-03-26 2010-10-14 Kobe Steel Ltd 出力値予測方法、該装置および該方法のプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5404575B2 (ja) * 2010-10-04 2014-02-05 日本電信電話株式会社 経験要因関係分析装置及び方法及びプログラム
JP5068382B1 (ja) * 2011-06-21 2012-11-07 ヤンマー株式会社 予測装置、予測方法及び予測プログラム
JP6232258B2 (ja) * 2013-11-07 2017-11-15 株式会社エヌ・ティ・ティ・データ 予測装置、予測方法、及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006505856A (ja) 2002-11-04 2006-02-16 スマートシグナル・コーポレーション 再発性ローカル学習機械を使用するシステム状態モニタリング方法及びその装置
JP2010231447A (ja) 2009-03-26 2010-10-14 Kobe Steel Ltd 出力値予測方法、該装置および該方法のプログラム

Also Published As

Publication number Publication date
US20210174276A1 (en) 2021-06-10
WO2018131478A1 (ja) 2018-07-19
JPWO2018131478A1 (ja) 2019-11-07

Similar Documents

Publication Publication Date Title
Navarro-Hellín et al. A decision support system for managing irrigation in agriculture
JP6885394B2 (ja) 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム
US11631475B2 (en) Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents
Kolobov et al. Individual-based model of spatio-temporal dynamics of mixed forest stands
US20220248616A1 (en) Irrigation control with deep reinforcement learning and smart scheduling
Schütze et al. Optimal planning and operation of irrigation systems under water resource constraints in Oman considering climatic uncertainty
Ajagekar et al. Energy-efficient ai-based control of semi-closed greenhouses leveraging robust optimization in deep reinforcement learning
US20180173823A1 (en) Simulation device, simulation method, and recording medium for storing program
Dumont et al. Assessing and modeling economic and environmental impact of wheat nitrogen management in Belgium
Bergez et al. A hierarchical partitioning method for optimizing irrigation strategies
BR112020003723A2 (pt) método para determinar rendimentos esperados no crescimento de plantas agrícolas, sistema de computador e produto de programa de computador
JP7140086B2 (ja) 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム
EP4222667A1 (en) Machine learning based forest management
JP7281133B2 (ja) 植物の栽培管理システム及び、植物の栽培管理装置
Huang et al. Agricultural cybernetics
JP6908111B2 (ja) 予測装置、予測方法、予測プログラム、及び、遺伝子推定装置
JP7024733B2 (ja) 情報処理装置、情報処理方法、及び、情報処理プログラム
David et al. Digital twins for cyber-biophysical systems: challenges and lessons learned
JP2002136223A (ja) 農作物収穫量予測方法、農作物収穫量予測装置及び記録媒体
EP3474167A1 (en) System and method for predicting genotype performance
JP7386503B2 (ja) 収量推定プログラム、収量推定方法及び収量推定装置
JP7416394B2 (ja) 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法
Bergez et al. Representing and optimizing management decisions with crop models
Skobelev et al. Development of a digital twin of plant based on the principles of emergent intelligence
JP7437061B2 (ja) 生育環境予測装置、生育環境制御システムおよび生育環境予測方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190611

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201116

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20211020

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220111

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220124

R151 Written notification of patent or utility model registration

Ref document number: 7024733

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151