JP7360109B1 - Failure event estimation device and program - Google Patents
Failure event estimation device and program Download PDFInfo
- Publication number
- JP7360109B1 JP7360109B1 JP2023029933A JP2023029933A JP7360109B1 JP 7360109 B1 JP7360109 B1 JP 7360109B1 JP 2023029933 A JP2023029933 A JP 2023029933A JP 2023029933 A JP2023029933 A JP 2023029933A JP 7360109 B1 JP7360109 B1 JP 7360109B1
- Authority
- JP
- Japan
- Prior art keywords
- failure event
- information
- facility
- failure
- occurrence
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 12
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 10
- 230000006378 damage Effects 0.000 description 7
- 230000010365 information processing Effects 0.000 description 7
- 206010010144 Completed suicide Diseases 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 230000009191 jumping Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 施設の利用者に関する障害事象の発生を推定することができる障害事象推定装置、及びプログラムを提供する。【解決手段】１又は２以上の施設における利用者に関する障害事象の発生を推定する障害事象推定装置が、所定期間における利用者の動向に依存する情報及び／又は気象に依存する気象情報を含む施設環境情報と、障害が発生した施設における場所及び日時を含む障害情報を教師データとして機械学習により生成した推定モデルを用いて、指定された期間における日時の各々について障害事象発生率を推定する。【選択図】 図１An object of the present invention is to provide a fault event estimation device and a program capable of estimating the occurrence of a fault event regarding a facility user. [Solution] A failure event estimation device that estimates the occurrence of a failure event regarding users in one or more facilities includes information that depends on trends of users in a predetermined period and/or weather information that depends on the weather. Using an estimation model generated by machine learning using environmental information and failure information including the location and date and time of the facility where the failure occurred as training data, the failure event incidence rate is estimated for each date and time in the specified period. [Selection diagram] Figure 1
Description
特許法第３０条第２項適用 「鉄道業界向けＡＩさくらさん活用提案」のプレゼン資料。（ 令和４年１２月７日 新幹線メンテナンス東海株式会社（ＪＲ東海東京駅構内）にて特許を受ける権利を有する者がプレゼン資料として使用。 ）Application of Article 30, Paragraph 2 of the Patent Act Presentation materials for “AI Sakura-san Utilization Proposal for the Railway Industry”. (December 7, 2020: Shinkansen Maintenance Tokai Co., Ltd. (inside JR Tokai Tokyo Station) Used as presentation material by a person who has the right to obtain a patent.)
本発明は、施設の利用者に関する障害事象の発生を推定することができる障害事象推定装置、及びプログラムに関する。 The present invention relates to a fault event estimation device and program that can estimate the occurrence of a fault event regarding a facility user.
施設や区域における混雑を情報処理技術によって予測する装置として、例えば特許文献１の混雑予測装置が知られている。特許文献１の技術は、対象エリアにおける人流に係る情報と、対象エリア近傍の施設における人流に係る情報に基づいて、対象エリアの人流を予測する。 BACKGROUND ART A congestion prediction device disclosed in Patent Document 1, for example, is known as a device that predicts congestion in a facility or area using information processing technology. The technique disclosed in Patent Document 1 predicts the flow of people in a target area based on information related to the flow of people in the target area and information related to the flow of people at facilities near the target area.
施設等の混雑は、施設内外に関する案内員や事故防止のための警備員等、人員によって対処することが求められる。従来技術は、混雑を予想することで必要とされる人員も事前に予想することができ、有用である。 Congestion at facilities, etc. must be handled by personnel such as guides inside and outside the facility and security guards to prevent accidents. The conventional technology is useful because it can predict the number of required personnel in advance by predicting congestion.
一方で、人員による対応が求められる事象としては、施設等の混雑の他、利用者間のトラブルや人身事故その他の利用者に関する障害事象が存在する。特に、鉄道その他の公共交通機関では安全・安定輸送の確保のため、人身事故や駅舎内の事故その他の障害に対して迅速な対処を行うための人員を確保することが求められており、利用者に関する障害事象の発生を推定することが求められていた。 On the other hand, events that require human resources to respond include congestion in facilities, troubles between users, personal accidents, and other problems related to users. In particular, in order to ensure safe and stable transportation, railways and other public transportation systems are required to secure personnel who can quickly respond to accidents resulting in injury or death, accidents within station buildings, and other obstacles. There was a need to estimate the occurrence of failure events related to
この発明は上記の問題に鑑みてなされたものであり、施設の利用者に関する障害事象の発生を推定することができる障害事象推定装置、及びプログラムを提供する点にある。 The present invention has been made in view of the above problems, and it is an object of the present invention to provide a failure event estimation device and a program that can estimate the occurrence of a failure event regarding a facility user.
かかる課題を解決するために、請求項１の発明に係る障害事象推定装置は、一又は二以上の施設における利用者に関する障害事象の発生を推定する障害事象推定装置であって、前記施設の所定期間における前記利用者の動向に依存する動向情報、及び／又は、前記施設の気象に依存する気象情報、を含む施設環境情報と、前記障害事象が発生した前記施設における場所及び日時を含む障害事象情報と、を教師データとして、指定された日時における前記施設の障害事象発生率を推定する推定モデルを機械学習により生成する機械学習部と、前記推定モデルを用いて、指定された期間における前記日時の各々について前記施設の障害事象発生率を推定する推定部と、前記推定した障害事象発生率に基づいて、前記障害事象の発生が推定される前記施設及び／又は前記施設における場所を特定する、障害事象推定部と、前記推定部において前記推定された障害事象発生率に基づいた所定の演算を行うことで、前記施設、及び／又は、前記施設における所定の場所に、前記障害事象の発生を予防するために配備する人員、又は前記障害事象の発生を予防するために増員する人員を選任する対応人員決定部と、を備え、前記対応人員決定部は、前記配備、又は、前記増員の対象となる前記人員の情報と、前記人員の有する、前記障害事象の発生を予防するために有用な経験の情報、及び／又は、前記人員の有する、前記障害事象の発生を予防するために有用な役職の情報とを有し、前記対応人員決定部は、前記障害事象発生率と、前記経験の情報、及び／又は、前記役職の情報とを用いた前記所定の演算を行うことで、配置する人員を選任することを特徴とする。 In order to solve this problem, a fault event estimation device according to the invention of claim 1 is a fault event estimation device that estimates the occurrence of a fault event regarding a user in one or more facilities, Facility environment information including trend information that depends on the user's trends during the period and/or weather information that depends on the weather of the facility, and a failure event that includes the location and date and time in the facility where the failure event occurred. a machine learning unit that generates, by machine learning, an estimation model that estimates the failure event incidence rate of the facility at a specified date and time using the information as training data; an estimating unit that estimates a failure event occurrence rate of the facility for each of the above, and specifying the facility and/or a location in the facility where the failure event is estimated to occur based on the estimated failure event incidence rate; A failure event estimating unit and a predetermined calculation based on the estimated failure event incidence rate are performed in the estimation unit to predict the occurrence of the failure event in the facility and/or a predetermined location in the facility. a response personnel determination unit that selects personnel to be deployed for prevention or personnel to be increased to prevent the occurrence of the failure event, and the response personnel determination unit is configured to select personnel to be deployed or increased . information on the personnel who will become the person, and information on the experience of the personnel that is useful for preventing the occurrence of the failure event, and/or information that the personnel has that is useful for preventing the occurrence of the failure event. information on job positions, and the response personnel determining unit assigns personnel by performing the predetermined calculation using the failure event incidence rate, the experience information, and/or the job position information. It is characterized by the selection of personnel .
請求項２の発明は、請求項１の発明において、前記施設は鉄道駅であり、前記障害事象推定部は、前記障害事象の発生が推定される前記鉄道駅を路線図上に表示することを特徴とする。 The invention according to claim 2 is the invention according to claim 1, wherein the facility is a railway station, and the failure event estimation unit displays the railway station where the failure event is estimated to occur on a route map. It is characterized by
請求項３の発明は、請求項２の発明において、前記障害事象推定部は、さらに、前記障害事象の発生が推定される場所を前記鉄道駅の構内図上に表示することを特徴とする The invention according to claim 3 is characterized in that, in the invention according to claim 2, the failure event estimating unit further displays a location where the failure event is estimated to occur on a station map of the railway station.
請求項４の発明は、請求項１の発明において、前記施設環境情報は、前記施設の前記所定期間における混雑度合いを示す情報であることを特徴とする。 The invention according to claim 4 is characterized in that in the invention according to claim 1, the facility environment information is information indicating the degree of congestion of the facility during the predetermined period.
請求項５の発明は、請求項１の発明において、前記施設環境情報は、前記所定の期間における、前記施設周辺の季節を示す情報、及び／又は、天気を示す情報、及び／又は、気象を示す情報を含むことを特徴とする。 The invention according to claim 5 is the invention according to claim 1, in which the facility environment information includes information indicating the season around the facility and/or information indicating the weather and/or information indicating the weather in the predetermined period. It is characterized by including information indicating.
請求項６の発明は、請求項１の発明において、前記施設環境情報は、前記施設の所定位置における照度を示す情報を含むことを特徴とする。 The invention according to claim 6 is characterized in that in the invention according to claim 1, the facility environment information includes information indicating illuminance at a predetermined position of the facility.
請求項７の発明は、請求項１の発明において、前記障害事象情報は、さらに、前記障害事象の種別を示す情報を含み、前記障害事象推定部は、前記発生が推定される障害事象を前記種別とともに表示することを特徴とする。 The invention according to claim 7 is the invention according to claim 1, wherein the failure event information further includes information indicating the type of the failure event, and the failure event estimating unit is configured to detect the failure event that is estimated to have occurred. It is characterized in that it is displayed together with the type.
請求項８の発明は、コンピュータ読み取り可能なプログラムであって、コンピュータを請求項１乃至７の何れか一つに記載の障害事象推定装置として機能させることを特徴とする。 The invention according to claim 8 is a computer-readable program, which causes a computer to function as the failure event estimation device according to any one of claims 1 to 7 .
本発明の構成によれば、所定の期間における、施設利用者の動向に依存する動向情報及び／又は施設の気象に依存する気象情報を含む施設環境情報と、障害事象が発生した施設における場所及び日時を含む障害事象情報に基づいて推定モデルを機械学習により生成するので、当該生成した推定モデルを用いて、指定した期間における施設の利用者に関する障害事象の発生を推定することができる。 According to the configuration of the present invention, facility environment information including trend information that depends on the trends of facility users and/or weather information that depends on the weather of the facility during a predetermined period, and the location and location in the facility where the trouble event has occurred. Since an estimation model is generated by machine learning based on failure event information including date and time, the generated estimation model can be used to estimate the occurrence of failure events regarding facility users during a specified period.
以下、本発明の実施の形態について、図面を参照して説明する。図１は、本発明の実施の形態に係る障害事象推定装置の構成を概念的に示す図である。図１で示すように、本実施の形態における障害事象推定装置１は、機械学習部１１と、推定部１２と、障害事象推定表示部１３と、対応人員決定部１４と、を備えており、１又は２以上の施設における利用者に関する障害事象を推定する装置である。本実施形態において、１又は２以上の施設は具体的には鉄道路線における鉄道駅であり、プラットホーム、駅舎その他の建造物により構成される施設である。 Embodiments of the present invention will be described below with reference to the drawings. FIG. 1 is a diagram conceptually showing the configuration of a failure event estimation device according to an embodiment of the present invention. As shown in FIG. 1, the failure event estimation device 1 according to the present embodiment includes a machine learning section 11, an estimation section 12, a failure event estimation display section 13, and a response personnel determination section 14. This is a device that estimates trouble events related to users in one or more facilities. In this embodiment, one or more facilities are specifically railway stations on railway lines, and are facilities composed of platforms, station buildings, and other buildings.
また、本実施の形態における障害事象は、施設の利用者に関する障害事象である。前述のとおり、本実施の形態における施設は鉄道駅であり、本実施の形態における障害事象は、通路や階段等の動線における転倒、利用者間又は利用者と従業員間のトラブル、路線内への利用者の立ち入りや落下、列車との接触等の人身事故その他の障害事象が含まれる。 Further, the failure event in this embodiment is a failure event regarding a facility user. As mentioned above, the facility in this embodiment is a railway station, and failure events in this embodiment include falls in flow lines such as aisles and stairs, troubles between users or between users and employees, and troubles within railway lines. This includes accidents resulting in injury or death, such as a user entering or falling into a train, or contact with a train, as well as other hazardous events.
本実施の形態における障害事象推定装置１は、利用者端末２とネットワーク３を介して通信可能に接続されている。障害事象推定装置１は、利用者端末２をクライアントとするサーバとして機能する装置である。本実施の形態において、障害事象推定装置１は周知のサーバ用コンピュータを用いて構成されており、サーバ用コンピュータのＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）その他のストレージ装置に予めサーバ用コンピュータを障害事象推定装置１として機能させるプログラムが記録されており、当該プログラムをサーバ用コンピュータのメモリにロードしてＣＰＵ（中央演算装置）が実行することにより、サーバ用コンピュータを障害事象推定装置１として機能させる。 A failure event estimation device 1 in this embodiment is communicably connected to a user terminal 2 via a network 3. The failure event estimation device 1 is a device that functions as a server with the user terminal 2 as a client. In this embodiment, the failure event estimation device 1 is configured using a well-known server computer, and the server computer has a server computer installed in advance in the HDD (Hard Disk Drive), SSD (Solid State Drive), and other storage devices. A program that causes the computer to function as the failure event estimation device 1 is recorded, and by loading the program into the memory of the server computer and executing it by the CPU (central processing unit), the server computer functions as the failure event estimation device 1. function as
機械学習部１１は、施設の所定期間における前記利用者の動向に依存する動向情報、及び／又は、前記施設の気象に依存する気象情報、を含む施設環境情報と、前記障害事象が発生した前記施設における場所及び日時を含む障害事象情報と、を教師データとして、指定された日時における前記施設の障害事象発生率を推定する推定モデルを機械学習により生成する。本実施の形態における推定モデルは、後述するように推定プログラムと学習済みパラメータから構成されており、機械学習部１１が生成した推定モデルは障害事象推定装置１のストレージ装置（図示しない）の所定の領域に記録される。 The machine learning unit 11 includes facility environment information including trend information that depends on the trends of the users during a predetermined period of the facility and/or weather information that depends on the weather of the facility, and Using fault event information including the location and date and time at the facility as training data, an estimation model for estimating the fault event occurrence rate at the facility at the specified date and time is generated by machine learning. The estimation model in this embodiment is composed of an estimation program and learned parameters as described later, and the estimation model generated by the machine learning unit 11 is stored in a predetermined storage device (not shown) of the failure event estimation device 1. recorded in the area.
推定部１２は、前述の機械学習部１１が生成した推定モデルを用いて、指定された期間における前記日時の各々について前記施設の障害事象発生率を推定する。 The estimation unit 12 uses the estimation model generated by the machine learning unit 11 described above to estimate the failure event incidence rate of the facility for each of the dates and times in the specified period.
障害事象推定表示部１３は、前述の推定部１２が推定した障害事象発生率に基づいて、前記障害事象の発生が推定される前記施設及び／又は前記施設における場所を表示する。本実施の形態における施設は前述のように鉄道駅であり、障害事象推定表示部１３は、１又は２以上の鉄道駅で構成される鉄道路線の路線図上に、障害事象の発生が推定される鉄道駅を表示する路線図画面と、鉄道駅の構内図上に、障害事象の発生が推定される場所を表示する構内図画面を選択的に利用者端末２に表示する。 The failure event estimation display unit 13 displays the facility and/or the location in the facility where the failure event is estimated to occur, based on the failure event occurrence rate estimated by the estimation unit 12 described above. The facility in this embodiment is a railway station as described above, and the failure event estimation display unit 13 displays information on a route map of a railway line consisting of one or more railway stations, where the occurrence of a failure event is estimated. The user terminal 2 selectively displays on the user terminal 2 a route map screen that displays the railway station where the failure occurs, and a station map screen that displays the location where the failure event is estimated to occur on the station map.
対応人員決定部１４は、前述の推定部１２が推定した障害事象発生率に基づいて、１又は２以上の施設において配置する人員を決定する。 The response personnel determination unit 14 determines personnel to be assigned to one or more facilities based on the failure event incidence rate estimated by the estimation unit 12 described above.
対応人員決定部１４が配置を決定する人員は、障害事象の発生が推定される場所に対する、障害事象の発生を抑止し得る人員、例えば鉄道の駅に勤務する駅員や鉄道の乗務員、鉄道の駅や鉄道に配備される警備員等が挙げられる。 The personnel whose deployment is determined by the response personnel determination unit 14 is personnel who can prevent the occurrence of a failure event for the place where the failure event is estimated to occur, such as station staff, railway crew, and train staff working at a railway station. Examples include security guards stationed on railways and railways.
対応人員決定部１４は、配備される駅員や警備員の人数のみを決定してもよいし、配備される特定の駅員や特定の警備員を決定してもよい。なお、対応人員決定部１４が、配備される特定の駅員や特定の警備員を決定する場合、対応人員決定部１４は、配備の候補となる駅員や警備員の役職、勤続年数、過去に障害事象に対応した経歴、など、個々の駅員や個々の警備員を障害事象の発生し得る場所に配備する際の選定条件となる情報を記録していることが望ましい。 The personnel determining unit 14 may decide only the number of station staff and security guards to be deployed, or may determine specific station staff and security guards to be deployed. Note that when the response personnel determining unit 14 determines a specific station employee or security guard to be deployed, the response personnel determining unit 14 determines the position, years of service, and past disability of the station employee or security guard who is a candidate for deployment. It is desirable to record information that serves as selection criteria when deploying individual station staff and security guards to locations where trouble may occur, such as their history of responding to events.
なお、対応人員決定部１４は、障害事象の発生が推定される日時や場所を推定した場合、推定した日時や場所に勤務予定の駅員や警備員が利用する利用者端末２に、障害事象の発生の可能性が高いことや、特定の利用者端末２の利用者が、障害事象の発生が推定される日時や場所に勤務すべき人員であることを示す情報を表示させる機能を持つこともできる。 In addition, when the response personnel determining unit 14 estimates the date and time and place where the failure event is estimated to occur, the response personnel determination unit 14 sends information about the failure event to the user terminal 2 used by station staff and security guards who are scheduled to work at the estimated date and time and place. It may also have a function to display information indicating that there is a high possibility of a failure event occurring and that the user of a specific user terminal 2 is a person who should be working at the date, time, and location where the failure event is estimated to occur. can.
利用者端末２は、障害事象推定装置１を利用する利用者が操作する端末である。利用者端末２は、利用者の操作を受ける入力部２１と、前述の障害事象推定表示部１３により画面を表示する表示部２２を備えている。利用者端末２はパーソナルコンピュータや、スマートフォン、タブレット型コンピュータその他の携帯型コンピュータを用いて構成してよく、入力部２１、表示部２２の具体的な構成は利用者端末２として用いるコンピュータに応じて任意に変更してよい。例えば、据置型のパーソナルコンピュータを用いて利用者端末２を構成する場合、当該パーソナルコンピュータが備えるキーボード及び／又はマウスを用いて入力部２１とし、当該パーソナルコンピュータが備えるディスプレイを表示部２２とするように構成してよい。また、タブレット型コンピュータを用いて利用者端末２を構成する場合は、当該タブレット型コンピュータが備えるタッチパネル式ディスプレイを入力部２１及び表示部２２とするように構成してよい。 The user terminal 2 is a terminal operated by a user who uses the failure event estimation device 1. The user terminal 2 includes an input section 21 that receives user operations, and a display section 22 that displays a screen using the aforementioned failure event estimation display section 13. The user terminal 2 may be configured using a personal computer, a smartphone, a tablet computer, or other portable computer, and the specific configuration of the input section 21 and the display section 22 depends on the computer used as the user terminal 2. You can change it as you like. For example, when configuring the user terminal 2 using a stationary personal computer, the keyboard and/or mouse provided on the personal computer may be used as the input section 21, and the display provided on the personal computer may be used as the display section 22. It may be configured as follows. Further, when the user terminal 2 is configured using a tablet computer, the input unit 21 and the display unit 22 may be configured to use a touch panel display included in the tablet computer.
ネットワーク３は、障害事象推定装置１と利用者端末２を通信可能に接続する計算機ネットワークである。ネットワーク３は周知の計算機ネットワークを用いて構成してよく、例えばインターネットその他の広域ネットワークであってもよいし、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）であってもよいし、広域ネットワークを用いて構築したＶＰＮ（Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）でもよい。また、ネットワーク３は有線ネットワークであってもよいし、無線ネットワークであってもよいし、有線ネットワークと無線ネットワークを組合わせてもよい。 The network 3 is a computer network that connects the failure event estimation device 1 and the user terminal 2 in a communicable manner. The network 3 may be configured using a well-known computer network, for example, the Internet or other wide area network, a LAN (Local Area Network), or a VPN (VPN) constructed using a wide area network. Virtual Private Network) may also be used. Further, the network 3 may be a wired network, a wireless network, or a combination of a wired network and a wireless network.
本実施の形態における障害事象推定装置１の構成は以上である。なお、本実施の形態における障害事象推定装置１はネットワーク３を介して利用者端末２と通信可能に接続され、障害事象推定装置１をサーバ、利用者端末２をクライアントとする情報処理システムを構成しているが、情報処理システムの構成は任意に変更してよく、例えば、障害事象推定装置１が単独で機能する、いわゆるスタンドアロンの情報処理システムとして構成してもよい。また、本実施の形態において障害事象推定装置１と利用者端末２はＨＴＴＰ（Ｈｙｐｅｒ Ｔｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）によって通信する、いわゆるＷＥＢアプリケーションとして構成されているが、通信の方法も任意に選択してよい。また、ハードウェア構成についても任意に変更してよく、例えば２台以上のコンピュータを用いて障害事象推定装置１を構成するようにしてもよい。 The configuration of the failure event estimation device 1 in this embodiment is as described above. Note that the failure event estimation device 1 in this embodiment is communicably connected to the user terminal 2 via the network 3, and constitutes an information processing system in which the failure event estimation device 1 is a server and the user terminal 2 is a client. However, the configuration of the information processing system may be arbitrarily changed. For example, it may be configured as a so-called stand-alone information processing system in which the failure event estimation device 1 functions independently. Further, in the present embodiment, the failure event estimation device 1 and the user terminal 2 are configured as a so-called WEB application that communicates using HTTP (Hyper Text Transfer Protocol), but the communication method may be arbitrarily selected. Further, the hardware configuration may be changed arbitrarily, and for example, the failure event estimation device 1 may be configured using two or more computers.
次いで、本実施の形態における障害事象推定装置１による推定モデルの生成の流れについて説明する。図２は、本実施の形態における推定モデル生成の流れを示すフロー図であり、図３は、本実施の形態における推定モデルの構成を示す図である。図３で示すように、本実施の形態における推定モデル４１は、教師データ４４を用いて機械学習により生成される。 Next, a flow of generation of an estimation model by the fault event estimation device 1 in this embodiment will be explained. FIG. 2 is a flowchart showing the flow of estimation model generation in this embodiment, and FIG. 3 is a diagram showing the configuration of the estimation model in this embodiment. As shown in FIG. 3, the estimation model 41 in this embodiment is generated by machine learning using teacher data 44.
図２で示すように、推定モデル４１を生成するにあたって、本実施の形態では先ず、教師データ４４を生成するための情報を取得する（ステップＳ１１参照）。本実施の形態において、教師データ４４は、施設環境情報４５と、障害事象情報４６から生成されるデータであり、ステップＳ１１では、施設環境情報４５と障害事象情報４６を取得する。 As shown in FIG. 2, in generating the estimation model 41, in this embodiment, first, information for generating the teacher data 44 is acquired (see step S11). In this embodiment, the teacher data 44 is data generated from facility environment information 45 and failure event information 46, and in step S11, facility environment information 45 and failure event information 46 are acquired.
施設環境情報４５は、１又は２以上の施設を示す情報である。本実施の形態において、施設環境情報４５は、施設構成情報４５ａと、動向情報４５ｂと、気象情報４５ｃと、照度情報４５ｄを含んでいる。 The facility environment information 45 is information indicating one or more facilities. In this embodiment, the facility environment information 45 includes facility configuration information 45a, trend information 45b, weather information 45c, and illuminance information 45d.
施設構成情報４５ａは、施設の構成を示す情報である。本実施の形態における施設は具体的には鉄道駅であり、施設構成情報４５ａは、１又は２以上の鉄道駅の各々における場所として、プラットホーム、改札口、通路、商業区画その他の所定の区画を示す情報である。なお、情報の形式については教師データ或いは推定処理の入力データとして変換・加工等が可能であれば任意の形式を用いてよく、例えば、地理上の座標と駅舎の階層を組合わせた３次元の座標情報としてもよいし、或いは、当該座標情報に、更に当該座標が示す区画の種別を組合わせた情報としてもよい。 The facility configuration information 45a is information indicating the configuration of the facility. Specifically, the facility in this embodiment is a railway station, and the facility configuration information 45a includes platforms, ticket gates, passages, commercial areas, and other predetermined areas as locations at each of one or more railway stations. This is the information shown. Regarding the format of the information, any format can be used as long as it can be converted and processed as training data or input data for estimation processing. For example, a three-dimensional format that combines geographical coordinates and the hierarchy of a station building It may be coordinate information, or it may be information that is a combination of the coordinate information and the type of section indicated by the coordinates.
動向情報４５ｂは、施設である鉄道駅における利用者の動向に依存する情報である。本実施の形態において、動向情報４５ｂは、前述の施設構成情報４５ａによって指定される鉄道駅の区画の各々について、所定の単位時間ごとの利用者の混雑度合いを数値化した情報である。なお、本実施の形態における所定の単位時間は３０分であるが、単位時間は３０分より長くても短くてもよい。 The trend information 45b is information that depends on the trends of users at the railway station, which is a facility. In this embodiment, the trend information 45b is information that quantifies the degree of congestion of users for each predetermined unit time for each section of the railway station specified by the facility configuration information 45a. Note that although the predetermined unit time in this embodiment is 30 minutes, the unit time may be longer or shorter than 30 minutes.
動向情報４５ｂの具体例としては、以下に例示するものが考えられる。例えば、具体例としては、特定の鉄道駅における曜日ごとや時間帯ごとの混雑率の統計情報や、特定の鉄道の曜日ごとや時間帯ごとや駅間ごとや車両ごとの混雑率や人流の発生の統計情報などが考えられる。また例えば、具体例としては、特定の鉄道駅の特定の場所について（複数のホームのそれぞれについて、特定のホームの中央部分や端部について、階段やエスカレータや連絡通路や売店やトイレなどの施設について）の混雑率や人流の発生の統計情報などが考えられる。 As specific examples of the trend information 45b, the following may be considered. For example, specific examples include statistical information on the congestion rate for each day of the week or each time at a specific railway station, or the occurrence of crowding rates and people flow for each day of the week, each time of the day, between stations, or for each vehicle on a specific railway. statistical information, etc. can be considered. For example, as a specific example, regarding a specific location at a specific railway station (for each of multiple platforms, for the center or end of a specific platform, for facilities such as stairs, escalators, connecting passages, shops, toilets, etc.) ), statistical information on the congestion rate and the flow of people can be considered.
気象情報４５ｃは、季節を示す情報、及び／又は、天気を示す情報、及び／又は、気象を示す情報である。気象情報４５ｃは、施設の気象に依存する情報である。本実施の形態において、気象情報４５ｃは、例えば春夏秋冬の四季や二十四節気などを示す季節情報と、天気を示す天気情報と、多様な気象現象を示す気象情報とを含んでいる。 The weather information 45c is information indicating the season, and/or information indicating the weather, and/or information indicating the weather. The weather information 45c is information that depends on the weather of the facility. In the present embodiment, the weather information 45c includes, for example, seasonal information indicating the four seasons of spring, summer, autumn, and winter, the 24 solar terms, etc., weather information indicating the weather, and weather information indicating various weather phenomena.
気象情報４５ｃを構成する天気情報は、前述の所定の単位時間の各々について、晴れ、曇り、雨、雪、雷、ひょう、その他の天候を示す天候情報と、気温を示す気温情報と、湿度を示す湿度情報を含んでいる。なお、気象情報４５ｃは、例示したこれらの情報のうちの一つ乃至複数の情報によって構成されていてもよい。 The weather information composing the weather information 45c includes weather information indicating sunny, cloudy, rain, snow, thunder, hail, and other weather conditions, temperature information indicating temperature, and humidity information for each of the above-mentioned predetermined unit times. Contains humidity information to indicate. Note that the weather information 45c may be composed of one or more of the above-mentioned pieces of information.
また、気象情報４５ｃは、天候情報や気温情報や湿度情報や照度情報４５ｄに含まれない多様な気象現象の情報、例えば、気圧情報や雲量情報や湿度情報や風向情報や風速情報や降水量・降雪量情報や大気安定度情報などを含んでいてもよい。 The weather information 45c also includes information on various weather phenomena not included in the weather information, temperature information, humidity information, and illuminance information 45d, such as atmospheric pressure information, cloud amount information, humidity information, wind direction information, wind speed information, precipitation amount, etc. It may also include snowfall amount information, atmospheric stability information, and the like.
なお、上述の天気情報に含まれる天候情報、気温情報、湿度情報は、特定の鉄道駅や特定の鉄道の周辺のみの狭小な範囲の情報でもよいし、特定の市町村や特定の都道府県などの広範な範囲の情報でもよい。また、たとえば１週間ごとや１か月ごとなど、複数の日を基準にした、統計的に晴れの日の多い期間、統計的に雨の日や雪の日の多い期間、統計的に１０℃～１２℃の平均気温が多い期間、統計的に５０％～６０％の平均湿度が多い期間、などの情報でもよい。また、一日の中で雨の降りやすい時間帯（例えば夏季の夕立ちの多い時間帯）や、一日の中で湿度の上がりやすい時間帯などの情報でもよい。さらに、１カ月ごとや３か月ごとなどの期間を基準とした、季節風の吹きやすい期間などの情報や、一日の中で強風の吹きやすい時間帯などの情報、また、乾燥した風や湿度の高い風の吹きやすい季節や時間帯の情報、などでもよい。 Note that the weather information, temperature information, and humidity information included in the weather information mentioned above may be information on a narrow range only around a specific railway station or a specific railway, or information on a specific city, town, village, or prefecture. It may be a wide range of information. Also, based on multiple days, such as weekly or monthly, periods with statistically many sunny days, periods with statistically many rainy or snowy days, and statistically 10°C Information such as a period in which the average temperature is high at ~12°C, a period in which the average humidity is statistically high at 50% to 60%, etc. may be used. It may also be information such as the time of the day when it is likely to rain (for example, the time when there are many showers in summer) or the time of the day when humidity is likely to rise. Furthermore, information such as periods when seasonal winds are most likely to blow, information on times of the day when strong winds are most likely to blow, and information on dry winds and humidity, based on periods such as monthly or every three months, is also provided. It may also be information about the season and time of day when high winds are likely to blow.
照度情報４５ｄは、気象を示す情報のひとつである。照度情報４５ｄは、施設における前述の区画の各々について、前述の所定の単位時間ごとの照度を数値として示す情報である。照度情報４５ｄには、日照量の情報や日照時間の情報などが含まれてもよい。 The illuminance information 45d is one type of information indicating the weather. The illuminance information 45d is information indicating as a numerical value the illuminance for each of the aforementioned predetermined unit times for each of the aforementioned divisions in the facility. The illuminance information 45d may include information on the amount of sunlight, information on the hours of sunshine, and the like.
この照度情報４５ｄは、たとえば地域ごとや季節ごとの晴天の多い時期や時間帯、曇天や雨天や降雪の多い時期や時間帯、などに依存した統計情報が考えられる。また、例えば、高層建築や山岳などの日照を遮る障害物のある地域における、障害物と駅舎の位置関係に依存する日ごとや季節ごとの駅舎の日照時間の統計情報などが考えられる。 The illuminance information 45d may be statistical information that depends on, for example, a period or time period with many sunny days, a period or time period with a lot of cloudy weather, rainy weather, or snowfall for each region or season. Also, for example, in areas where there are obstacles that block sunlight, such as high-rise buildings or mountains, statistical information on the amount of sunlight at a station building on a daily or seasonal basis, depending on the positional relationship between the obstacle and the station building, can be considered.
障害事象情報４６は、施設である鉄道駅において発生した、利用者に関する障害事象を示す情報である。本実施の形態において、障害事象情報４６は、障害事象が発生した施設及び当該施設における前述の区画を示す発生場所情報４６ａと、障害事象が発生した日時を示す発生日時情報４６ｂと、発生した障害事象の種別を示す種別情報４６ｃと、を含んでいる。障害事象の種別は、列車との接触、利用者間のトラブル、利用者と従業員のトラブル、混雑に起因する転倒その他の事故等を、数値によって識別する情報である。 The failure event information 46 is information indicating a failure event related to a user that has occurred at a railway station, which is a facility. In this embodiment, the failure event information 46 includes occurrence location information 46a indicating the facility where the failure event occurred and the aforementioned division in the facility, occurrence date and time information 46b indicating the date and time when the failure event occurred, and the occurrence location information 46b indicating the date and time when the failure event occurred. and type information 46c indicating the type of event. The type of failure event is information that numerically identifies collisions with trains, troubles between users, troubles between users and employees, falls and other accidents caused by congestion, and the like.
ステップＳ１１では、所定の期間における前述の施設環境情報４５及び障害事象情報４６を取得する。所定の期間は任意に設定してよく、例えば、推定モデル４１を最初に生成する場合には、推定モデル４１生成前日までの、前記情報を取得可能な全ての期間をもって所定の期間としてよいし、或いは、推定モデル４１が既に生成されており、これを追加学習する場合には、前回の学習時に取得した情報の期間の翌日から、追加学習を行う前日までの期間を所定の期間としてよい。 In step S11, the aforementioned facility environment information 45 and failure event information 46 for a predetermined period are acquired. The predetermined period may be set arbitrarily; for example, when the estimation model 41 is generated for the first time, the predetermined period may include all the periods during which the information can be obtained up to the day before the estimation model 41 is generated; Alternatively, if the estimated model 41 has already been generated and additional learning is performed on this model, the predetermined period may be a period from the day after the period of the information acquired during the previous learning to the day before the additional learning is performed.
また、情報を取得する方法についても周知の方法を任意に選択してよい。例えば、施設環境情報４５及び障害事象情報４６を前述の所定の期間分収集したデータベースを障害事象推定装置１に構築して、当該構築したデータベースから情報を取得するようにしてもよいし、或いは、鉄道路線の運行情報を管理するデータベースや気象情報企業が提供する気象データベースその他の情報処理システムから施設環境情報４５及び／又は障害事象情報４６の一部又は全部の情報を取得できる場合には、所定の期間における情報を当該他の情報処理システムから取得するようにしてもよい。 Furthermore, any well-known method may be selected as a method for acquiring information. For example, a database in which facility environment information 45 and failure event information 46 are collected for the predetermined period described above may be constructed in the failure event estimation device 1, and information may be acquired from the constructed database, or, If part or all of the facility environment information 45 and/or failure event information 46 can be obtained from a database that manages railway route operation information, a weather database provided by a weather information company, or other information processing system, the specified The information for the period may be acquired from the other information processing system.
次いで、障害事象推定装置１は、前述のステップＳ１１で取得した情報に基づいて、教師データ４４の生成を行う（ステップＳ１２参照）。本実施の形態では、前述のとおり、施設環境情報４５が施設構成情報４５ａ、動向情報４５ｂ、気象情報４５ｃ、照度情報４５ｄを備えている。教師データ４４は、施設環境情報４５に含まれる情報を、当該情報の組合せごとに、対応する障害事象情報４６と紐づけた情報である。教師データ４４の具体的な構成、及び、ステップＳ１１で取得した情報から教師データ４４を生成する方法は、周知の機械学習用の教師データを生成する方法を任意に用いてよい。 Next, the fault event estimation device 1 generates the teacher data 44 based on the information acquired in step S11 described above (see step S12). In this embodiment, as described above, the facility environment information 45 includes facility configuration information 45a, trend information 45b, weather information 45c, and illuminance information 45d. The teacher data 44 is information in which the information included in the facility environment information 45 is linked to the corresponding failure event information 46 for each combination of the information. As for the specific structure of the teacher data 44 and the method for generating the teacher data 44 from the information acquired in step S11, any well-known method for generating teacher data for machine learning may be used.
ステップＳ１２による教師データ４４の生成が完了すると、次いで、障害事象推定装置１は、教師データ４４を用いて機械学習を行い（ステップＳ１３参照）、推定モデル４１を生成して所定の記録領域に記録する（ステップＳ１４参照）。本実施の形態では、推定モデル４１は具体的には推定プログラムと学習済みパラメータで構成されており、所定の記録領域として、障害事象推定装置１のストレージ装置の所定の領域に記録される。 When the generation of the teacher data 44 in step S12 is completed, the fault event estimation device 1 then performs machine learning using the teacher data 44 (see step S13), generates the estimated model 41, and records it in a predetermined recording area. (see step S14). In this embodiment, the estimation model 41 is specifically composed of an estimation program and learned parameters, and is recorded in a predetermined area of the storage device of the fault event estimation device 1 as a predetermined recording area.
この推定モデルの生成により、従来は人間（例えば鉄道の運行管理者や鉄道乗務員や鉄道駅の駅長や駅員など）が経験や各種の暗黙知等に基づいて認識していた、日時や天候や事象などに依存する障害事象発生率の高低や、障害事象発生率に依存する障害事象の発生の推定を、障害事象推定装置１が行えるようになる。 By generating this estimation model, we can improve the date, time, weather, and events that were previously recognized by humans (e.g., railway operation managers, railway crew members, railway station masters, station staff, etc.) based on experience and various types of tacit knowledge. The failure event estimation device 1 can estimate the level of the failure event occurrence rate depending on the failure event occurrence rate, etc., and the occurrence of failure events depending on the failure event occurrence rate.
この、障害事象推定装置１による障害事象の発生の推定としては、たとえば下記（例１）～（例４）のようなものが考えられる。 As the estimation of the occurrence of a fault event by the fault event estimation device 1, the following (Example 1) to (Example 4) can be considered, for example.
（例１）
利用者の動向に依存する動向情報に基づく障害発生の推定。
特定の期間や特定の時間帯における特定の場所における障害発生の推定。
例えば、「１２月の御用納めまでの１０日間である１２月１９日～１２月２８日、及び、３月の年度末の２週間である３月１８日～３月３１日は鉄道駅における利用者の飛び込み自殺の発生が多い。また、利用者の飛び込み自殺の発生は、朝のラッシュ時間帯、例えば鉄道駅であるＡＡＡ駅では７時～７時４５分、ＢＢＢ駅では７時１５分～８時の時間帯が多い。また、利用者の飛び込み自殺の発生は、利用客の多いＣＣＣ駅やＤＤＤ駅、複数の鉄道の乗換駅であるＥＥＥ駅やＦＦＦ駅で多い。」などの推定が考えられる。
また例えば「鉄道駅構内での、利用客同士や利用客の駅員に対する暴行傷害事件は、朝と夕方のラッシュ時間帯における、人流の多い場所や人流の交錯の多い箇所、例えばＧＧＧ駅においては７時３０分～８時１５分、１８時４５分～１９時３０分の時間帯、ＨＨＨ階段付近や駅地下道のＪＪＪ交差点付近の場所において多い。」などの推定が考えられる。
また例えば、利用者の飛び込み自殺や暴行傷害事件の発生を、駅のホームや駅構内の混雑率との相関（例えば、特定のホームの混雑率の高さや特定の電車の混雑率の高さとの相関など。）に依存して所定の演算を行い、推定することなどが考えられる。
(Example 1)
Estimation of failure occurrence based on trend information that depends on user trends.
Estimating the occurrence of a failure at a specific location during a specific period or time.
For example, ``During the 10-day period leading up to the end of December, from December 19th to December 28th, and from March 18th to March 31st, which is the two-week period ending in March, users at the railway station There are many cases of suicide by jumping in.Furthermore, the most cases of suicide by jumping in are during the morning rush hours, for example, 7:00 to 7:45 at AAA Station, and 7:15 to 8:00 at BBB Station. In addition, suicides by jumping in by passengers are most likely to occur at CCC and DDD stations, which have a large number of passengers, and at EEE and FFF stations, which are transfer stations for multiple railways.'' It will be done.
For example, ``Incidents of assault and injury among passengers or against station staff within railway station premises occur in places where there is a lot of foot traffic or where there is a lot of interaction between people during the morning and evening rush hours, such as at GGG Station. Possible estimates include, ``Most of these incidents occur between the hours of 1:30 a.m. to 8:15 p.m. and 6:45 p.m. to 7:30 p.m., near the HHH stairs, and near the JJJ intersection of station underground passages.''
For example, the occurrence of suicide by jumping in or assault and injury by a user can be correlated with the congestion rate of the station platform or inside the station (for example, the high congestion rate of a particular platform or the high congestion rate of a particular train). It is conceivable to perform a predetermined calculation depending on correlation, etc.) and make an estimate.
（例２）
気象に依存する気象情報の推定。
例えば、「雨天の翌日の晴天日は鉄道駅での飛び込み自殺が多い。」「曇天又は雨天が連続３日以上続いた翌日の晴天日は鉄道駅での飛び込み自殺が多い。」「午前７時～８時の平均湿度が８０％以上の日は鉄道駅構内での利用客同士や利用客の駅員に対する暴行傷害事件が多い。」「朝７時の気温２５℃以上の日は鉄道駅構内での利用客の器物破損事件が多い。」などの推定が考えられる。
(Example 2)
Estimation of weather-dependent weather information.
For example, ``On a sunny day after a rainy day, there are many suicides by jumping into train stations.'' ``On sunny days after three or more consecutive days of cloudy or rainy weather, there are many suicides by jumping into railway stations.'' ``At 7:00 a.m. - On days when the average humidity is over 80% at 8 a.m., there are many incidents of assault and injury between passengers and against station staff inside the railway station. A possible assumption is that there are many incidents of damage to property by customers.
（例３）
障害事象が発生した施設における場所及び日時を含む障害事象情報
例えば、「鉄道駅であるＫＫＫ駅では２０１２年から２０２２年までの１０年間毎年、１２月１５日～２８日までの間に、酔客同士の暴行傷害を含むトラブルが１件以上発生している。」「鉄道路線であるＬＬＬ線のＭＭＭ駅～ＮＮＮ駅区間では、２０１５年～２０２０年までの５年間、７時１０分～８時１０分にＭＭＭ駅を出発する列車において痴漢事件の報告が６か月に１回以上ある。また、痴漢事件の報告は１号車と２号車に多い。」などの推定が考えられる。
(Example 3)
Trouble event information including the location and date and time at the facility where the trouble event occurred For example, ``At KKK Station, a railway station, every year for 10 years from 2012 to 2022, between December 15th and 28th, drunken passengers At least one incident of trouble, including assault and injury, has occurred.'' ``For the five years from 2015 to 2020, between 7:10 a.m. and 8:10 a.m. on the LLL Line between MMM Station and NNN Station. One possible assumption is that there are reports of molestation incidents on trains departing from MMM Station at least once every six months.Furthermore, molestation incidents are most often reported in cars 1 and 2.''
（例４）
上記（例１）～（例３）のうち、２つないし３つを組み合わせた推定。
(Example 4)
Estimation that combines two or three of the above (Example 1) to (Example 3).
なお、上記（例１）～（例４）は推定の事例をいくつか示したにすぎず、実際の推定は、上記（例１）～（例４）のみに限らず、多様な情報や事象に基づいて行われる。そして、障害事象推定装置１による障害事象の発生の推定も、（例１）～（例４）以外の情報や事象に基づいて学習し、推定できるものとすることができる。 Note that the above (Example 1) to (Example 4) are just a few examples of estimation, and actual estimation is not limited to the above (Example 1) to (Example 4), but can be performed using a variety of information and events. It is carried out based on. The occurrence of a failure event can also be estimated by the failure event estimation device 1 by learning based on information and events other than (Example 1) to (Example 4).
以上が、本実施の形態における推定モデル生成の流れである。 The above is the flow of estimation model generation in this embodiment.
なお、本実施の形態では、推定モデル４１の教師データ４４を、施設環境情報４５と障害事象情報４６から生成しているが、教師データ４４の構成は適宜変更してよい。例えば、施設環境情報４５として用いる情報は、施設構成情報４５ａのみ、動向情報４５ｂのみ、気象情報４５ｃのみ、照度情報４５ｄのみから構成してもよいし、それらの情報４５ａ～４５ｄから２つ以上を適宜組み合わせて構成してもよい。また、障害事象情報４６として用いる情報は、発生場所情報４６ａのみ、発生日時情報４６ｂのみ、種別情報４６ｃのみから構成してもよいし、それらの情報４６ａ～４６ｃから２つを適宜組み合わせて構成してもよい。 In this embodiment, the teacher data 44 of the estimation model 41 is generated from the facility environment information 45 and the failure event information 46, but the structure of the teacher data 44 may be changed as appropriate. For example, the information used as the facility environment information 45 may consist of only the facility configuration information 45a, only the trend information 45b, only the weather information 45c, and only the illuminance information 45d, or may consist of two or more of the information 45a to 45d. They may be configured by appropriately combining them. Further, the information used as the failure event information 46 may be composed of only the occurrence location information 46a, only the occurrence date and time information 46b, and only the type information 46c, or it may be composed of two pieces of information 46a to 46c appropriately combined. It's okay.
また、本実施の形態における障害事象推定装置１は、障害事象推定装置１を実施しながら起きた障害を逐次教師データ４４に追加して、推定モデル４１を逐次修正する構成としてもよい。また、障害事象推定装置１は、障害事象の推定結果と、現実の障害事象の発生の有無とを照合し、照合結果を教師データ４４に追加して、推定モデル４１を逐次修正する構成としてもよい。 Furthermore, the failure event estimation device 1 according to the present embodiment may be configured to sequentially add failures that occur while the failure event estimation device 1 is being implemented to the teacher data 44 and correct the estimation model 41 one after another. The failure event estimation device 1 may also be configured to check the estimation result of a failure event and the presence or absence of an actual failure event, add the verification result to the training data 44, and sequentially correct the estimation model 41. good.
また、ステップＳ１１～ステップＳ１４の推定モデル４１の生成処理を実行するタイミング及び実行方法についても、任意に選択してよい。例えば、利用者が任意のタイミングで利用者端末を操作して推定モデル４１を生成するようにしてもよいし、或いは、例えば、障害事象推定装置１が月毎に自動的に推定モデル４１の生成処理を実行するように予め設定しておき、当該実行のタイミングで、実行前１ヵ月の期間における教師データ４４を生成して推定モデル４１を追加学習するようにしてもよい。 Furthermore, the timing and execution method for executing the generation process of the estimation model 41 in steps S11 to S14 may be arbitrarily selected. For example, the user may operate the user terminal at any time to generate the estimated model 41, or, for example, the failure event estimation device 1 may automatically generate the estimated model 41 every month. The process may be set in advance to be executed, and at the timing of the execution, training data 44 for a period of one month prior to execution may be generated to additionally learn the estimation model 41.
次いで、本実施の形態における、推定モデルを用いた障害事象推定の流れについて説明する。図４は、本実施の形態における障害事象推定の流れを示すフロー図である。図４で示すように、本実施の形態では、先ず、指定の期間における入力データを取得する（ステップＳ２１参照）。なお、指定の期間は、利用者が任意のタイミングで利用者端末２を操作して指定するようにしてもよいし、予めステップＳ２１～Ｓ２４の推定処理を定期的に実行するように設定して、当該実行の間隔をもって指定の期間とするようにしてもよい。本実施の形態では、指定の期間を１ヵ月とし、１ヵ月毎に推定処理を定期的に実行するように予め障害事象推定装置１を構成している。 Next, the flow of fault event estimation using the estimation model in this embodiment will be explained. FIG. 4 is a flow diagram showing the flow of failure event estimation in this embodiment. As shown in FIG. 4, in this embodiment, first, input data for a specified period is acquired (see step S21). Note that the specified period may be specified by the user by operating the user terminal 2 at any timing, or the estimation processing of steps S21 to S24 may be set in advance to be periodically executed. , the execution interval may be set as a specified period. In this embodiment, the specified period is one month, and the failure event estimation device 1 is configured in advance to periodically execute estimation processing every month.
本実施の形態における推定モデル４１は、施設環境情報４５として、施設を所定の区画に分割した施設構成情報４５ａと、利用者の混雑度合いを数値化した動向情報４５ｂと、季節情報及び天気情報を含む気象情報４５ｃと、照度情報４５ｄを用いて機械学習された推定モデルである。本実施の形態における推定部１２は、推定モデル４１を用いて、指定の期間における日時の各々について出力データ４３である障害事象発生率を推定するが、ステップＳ２１では、推定モデル４１の入力データ４２となる、指定の期間に対応する施設環境情報４５を取得する。 The estimation model 41 in this embodiment includes, as facility environment information 45, facility configuration information 45a in which the facility is divided into predetermined sections, trend information 45b in which the degree of crowding of users is quantified, and seasonal information and weather information. This is an estimation model that is subjected to machine learning using the included weather information 45c and illumination information 45d. The estimation unit 12 in this embodiment uses the estimation model 41 to estimate the failure event incidence rate, which is the output data 43, for each date and time in the specified period. The facility environment information 45 corresponding to the designated period is acquired.
前述のステップＳ１１と同様に、ステップＳ２１において、施設環境情報４５に含まれる上記情報４５ａ～４５ｄを取得する方法は任意に選択してよい。 Similar to step S11 described above, the method for acquiring the information 45a to 45d included in the facility environment information 45 in step S21 may be arbitrarily selected.
例えば、動向情報４５ｂは、同一の日時における過去の動向情報４５ｂの平均値や中央値を取得してよいし、或いは、過去の動向情報４５ｂから指定の日時における動向情報４５ｂを推定する推定モデルを用いて、当該推定モデルにより指定の日時の動向情報４５ｂを推定させるようにしてもよい。また、気象情報４５ｃについて、気象情報企業等が提供する気象データベースその他の情報処システムから、指定期間における気象を予測した気象予測情報を気象情報４５ｃとして用いるようにしてよい。 For example, the trend information 45b may be obtained by obtaining the average value or median value of the past trend information 45b at the same date and time, or by using an estimation model that estimates the trend information 45b at a designated date and time from the past trend information 45b. The trend information 45b at the designated date and time may be estimated using the estimation model. Further, regarding the weather information 45c, weather prediction information that predicts the weather during a specified period may be used from a weather database or other information processing system provided by a weather information company or the like.
また、ステップＳ２１では、上記取得した情報は、前述の期間における日時の各々に紐づけられて、後述する推定モデル４１による推定の入力データ４２として用いられる。なお、本実施の形態では、日時の各々は前述の単位時間である３０分で１日を分割した時間帯として扱う。 Further, in step S21, the acquired information is linked to each date and time in the above-mentioned period, and is used as input data 42 for estimation by an estimation model 41, which will be described later. Note that in this embodiment, each date and time is treated as a time period in which one day is divided into 30 minutes, which is the unit time described above.
ステップＳ２１による入力データの収集が完了すると、障害事象推定装置１は、指定された期間における日時の各々について、前述の推定モデル４１を用いて障害事象発生率を推定する（ステップＳ２２参照）。 When the collection of input data in step S21 is completed, the failure event estimation device 1 estimates the failure event incidence rate for each date and time in the specified period using the above-mentioned estimation model 41 (see step S22).
前述の通り、本実施の形態では３０分を所定の単位時間として扱っており、推定部１２が推定する日時の各々における障害事象発生率は、当該単位時間で１日を区切った時間帯ごとに、前述の障害種別ごとの障害発生率として推定される。なお、入力データの構成や形式は任意に選択してよい。 As mentioned above, in this embodiment, 30 minutes is treated as a predetermined unit time, and the failure event occurrence rate at each date and time estimated by the estimation unit 12 is calculated for each time period divided into one day by the unit time. , is estimated as the failure incidence rate for each failure type mentioned above. Note that the structure and format of the input data may be arbitrarily selected.
例えば、ステップＳ２１で取得した施設環境情報４５と、障害事象発生率を推定する日時を組み合わせて入力データ４２を構成するようにしてもよいし、或いは、障害事象発生率を推定する日時における施設環境情報４５に含まれる情報の組合せのパターンを入力データ４２として、当該パターンから障害事象発生率を推定させるようにしてもよい。 For example, the input data 42 may be configured by combining the facility environment information 45 acquired in step S21 and the date and time at which the failure event incidence rate is estimated, or the facility environment at the date and time at which the failure event incidence rate is estimated. A pattern of combinations of information included in the information 45 may be used as the input data 42, and the failure event incidence rate may be estimated from the pattern.
ステップＳ２２による障害事象発生率の推定が完了すると、障害事象推定装置１は、障害事象推定表示部１３により、当該推定した障害事象発生率に基づいて、障害事象の発生が推定される施設及び／又は施設における場所を表示する（ステップＳ２３参照）。 When the estimation of the failure event occurrence rate in step S22 is completed, the failure event estimation device 1 displays the facility and/or where the failure event is estimated to occur based on the estimated failure event occurrence rate. Or display the location in the facility (see step S23).
本実施の形態における施設は前述の通り鉄道駅であり、施設における場所は、前述の区画であり、障害事象推定表示部１３は、利用者端末２の表示部２２に、障害事象の発生が推定される鉄道駅を路線図上に表示する路線図画面と、障害事象の発生が推定される場所を鉄道駅の構内図上に表示する構内図画面を選択的に表示する。 The facility in this embodiment is a railway station as described above, the location in the facility is the aforementioned section, and the failure event estimation display section 13 displays on the display section 22 of the user terminal 2 that the occurrence of a failure event is estimated. The system selectively displays a route map screen that displays on the route map the railway station where the failure event will occur, and a station map screen that displays the location where the failure event is estimated to occur on the station map of the railway station.
図５は、本実施の形態における、路線図画面の構成を模式的に示す図である。図５で示すように、本実施の形態における路線図画面Ｗ１は、路線選択フォームＷ１１と、日付選択フォームＷ１２と、路線図領域Ｗ１３と、詳細情報領域Ｗ１４を備えている。 FIG. 5 is a diagram schematically showing the configuration of a route map screen in this embodiment. As shown in FIG. 5, the route map screen W1 in this embodiment includes a route selection form W11, a date selection form W12, a route map area W13, and a detailed information area W14.
路線選択フォームＷ１１は、路線図画面Ｗ１に表示する鉄道路線を選択する。前述の通り、本実施の形態における施設は具体的には鉄道駅であり、１又は２以上の鉄道駅は、当該鉄道駅を通る路線を構成する。路線選択フォームＷ１１は、鉄道路線を選択することにより、当該鉄道路線に含まれる１又は２以上の鉄道駅に関する障害事象発生率を路線図と共に表示させるフォームである。 The route selection form W11 is used to select a railway route to be displayed on the route map screen W1. As mentioned above, the facility in this embodiment is specifically a railway station, and one or more railway stations constitute a route that passes through the railway station. The route selection form W11 is a form that, by selecting a railway route, displays the failure event incidence rate for one or more railway stations included in the railway route together with the route map.
日付選択フォームＷ１２は、路線図画面Ｗ１に表示する推定結果の日付を選択する。日付選択フォームＷ１２は、月選択フォームＷ１２ａ及び日選択ボタンＷ１２ｂから構成されており、月選択フォームＷ１２ａで選択した月における、日選択ボタンＷ１２ｂで選択した日付についての障害事象発生率を表示する。 The date selection form W12 selects the date of the estimation result to be displayed on the route map screen W1. The date selection form W12 is composed of a month selection form W12a and a day selection button W12b, and displays the failure event occurrence rate for the date selected with the day selection button W12b in the month selected with the month selection form W12a.
路線図領域Ｗ１３は、前述の路線選択フォームＷ１１により選択した鉄道路線における、前述の日付選択フォームＷ１２で選択した日付の障害事象発生率を路線図上に表示する。 The route map area W13 displays on the route map the failure event occurrence rate for the date selected in the date selection form W12, on the railway line selected in the route selection form W11 described above.
路線図領域Ｗ１３は、１又は２以上の鉄道駅Ｗ１３ａから構成される鉄道路線Ｗ１３ｂの一部又は全部を表示する領域である。選択された日付において、障害事象の発生が推定される鉄道駅Ｗ１３ａは、当該障害事象の障害事象発生率の高さを色の濃さ及び大きさで示す障害事象発生アイコンＷ１３ｃが表示される。路線図領域Ｗ１３において、利用者が利用者端末２を操作して一の鉄道駅Ｗ１３ａを選択した場合、当該選択した鉄道駅Ｗ１３ａに関する時間帯・区域ごとの障害発生率が詳細情報領域Ｗ１４に表示される。 The route map area W13 is an area that displays part or all of the railway route W13b that is composed of one or more railway stations W13a. At the railway station W13a where a fault event is estimated to occur on the selected date, a fault event occurrence icon W13c is displayed that indicates the height of the fault event occurrence rate of the fault event by color density and size. In the route map area W13, when the user operates the user terminal 2 to select one railway station W13a, the failure occurrence rate for each time zone and area regarding the selected railway station W13a is displayed in the detailed information area W14. be done.
詳細情報領域Ｗ１４は、一の鉄道駅に関する障害事象発生率を、前述の所定の単位時間及び前述の所定の区画ごとに表示する。 The detailed information area W14 displays the failure event occurrence rate regarding one railway station for each of the aforementioned predetermined unit times and for each of the aforementioned predetermined sections.
詳細情報領域Ｗ１４は、選択した鉄道駅Ｗ１４ａと、時間帯Ｗ１４ｂと、区画Ｗ１４ｃと、障害発生率Ｗ１４ｄから構成されており、前述の路線図領域Ｗ１３において選択した鉄道駅Ｗ１４ａの、前述の日付選択フォームＷ１２で選択した日付における障害事象発生率を、区画Ｗ１４ｃを列、時間帯Ｗ１４ｂを行とする表形式で表示する。なお、時間帯Ｗ１４ｂは前述の所定の単位時間によって１日を分割した各時間帯であり、障害発生率Ｗ１４ｄは、障害発生率の高さを色の濃淡として表示する。 The detailed information area W14 is composed of the selected railway station W14a, time zone W14b, section W14c, and failure rate W14d, and includes the aforementioned date selection for the railway station W14a selected in the aforementioned route map area W13. The failure event occurrence rate for the date selected in the form W12 is displayed in a table format with the section W14c as a column and the time period W14b as a row. Note that the time period W14b is each time period obtained by dividing one day by the aforementioned predetermined unit time, and the failure occurrence rate W14d indicates the height of the failure occurrence rate as a shade of color.
図６は、本実施の形態における、構内図画面の構成を模式的に示す図である。図６で示すように、本実施の形態における構内図画面Ｗ２は、日付選択フォームＷ２１と、構内図選択フォームＷ２２と、混雑情報Ｗ２３と、気象情報Ｗ２４と、時間帯領域Ｗ２５と、障害情報領域Ｗ２６と、構内図領域Ｗ２７から構成されている。 FIG. 6 is a diagram schematically showing the configuration of the premises map screen in this embodiment. As shown in FIG. 6, the premises map screen W2 in this embodiment includes a date selection form W21, a premises map selection form W22, congestion information W23, weather information W24, a time zone area W25, and a failure information area. W26 and a station map area W27.
日付選択フォームＷ２１は障害事象発生率を表示する日付を選択するフォームであり、構内図選択フォームＷ２２は、表示する構内図を選択するフォームである。本実施の形態において、構内図選択フォームＷ２２は、鉄道駅選択フォームＷ２２ａと、階層選択フォームＷ２２ｂから構成されており、一の鉄道駅について階層ごとに路線図を表示する。 The date selection form W21 is a form for selecting a date for displaying the failure event incidence rate, and the facility map selection form W22 is a form for selecting a facility map to be displayed. In this embodiment, the station map selection form W22 is composed of a railway station selection form W22a and a hierarchy selection form W22b, and displays a route map for each railway station for each hierarchy.
時間帯領域Ｗ２５は、選択された日付及び構内図における障害発生率を時間帯ごとに表示する領域である。時間帯領域Ｗ２５は、時間帯Ｗ２５ａと、障害事象発生率Ｗ２５ｂから構成されている。時間帯Ｗ２５ａは、前述の所定の単位時間によって１日を分割した各時間帯であり、障害事象発生率Ｗ２５ｂは、該当する時間帯Ｗ２５ａにおける、構内図に含まれる前述の所定の区域における障害発生率の高さを色の濃淡によって表示する。 The time zone area W25 is an area for displaying the selected date and the failure occurrence rate in the premise map for each time zone. The time zone area W25 includes a time zone W25a and a failure event occurrence rate W25b. The time period W25a is each time period in which one day is divided by the above-mentioned predetermined unit time, and the failure event incidence rate W25b is the failure occurrence rate in the above-mentioned predetermined area included in the premises map in the corresponding time period W25a. The height of the ratio is displayed by the shade of color.
障害情報領域Ｗ２６は、選択された構内図に含まれる前記所定の区画において、選択された日付又は時間帯において発生が推定される障害を種別と共に表示する。 The fault information area W26 displays faults that are estimated to occur on the selected date or time in the predetermined section included in the selected floor plan, together with their types.
構内図領域Ｗ２７は、構内図Ｗ２７ａ上に、障害事象の発生が推定される場所を示す障害発生推定アイコンＷ２７ｂを表示する領域である。前述のとおり、本実施の形態において障害事象の発生率は施設における場所である所定の区画ごとに推定され、当該推定した発生率が０％より大きい区画を示す位置に、色の濃淡及び／又は大きさによって障害事象発生率の高さを示す障害発生推定アイコンＷ２７ｂを表示する。 The premises map area W27 is an area in which a failure occurrence estimation icon W27b indicating a place where a failure event is estimated to occur is displayed on the premises map W27a. As described above, in this embodiment, the occurrence rate of failure events is estimated for each predetermined section in the facility, and color shading and/or A failure occurrence estimation icon W27b is displayed which indicates the high failure event occurrence rate depending on the size.
本実施の形態では、ステップＳ２３の推定結果表示に続いて、推定した障害事象に対応する人員の配置を決定する（ステップＳ２４参照）。 In this embodiment, following the display of the estimation results in step S23, the arrangement of personnel corresponding to the estimated failure event is determined (see step S24).
前述のとおり、ステップＳ２２では、鉄道路線を構成する鉄道駅の各々について障害事象発生率を推定する。ステップＳ２４において、対応人員決定部１４は、ステップＳ２２で推定した障害事象発生率と、障害の種別ごとに予め設定された対応人員数に基づいて、前述のステップＳ２１で指定された期間内の日ごとに、各鉄道駅において必要となる対応人員数を算出する（対応人員決定部１４が、障害の予防に適した経験や役職を有する特定の駅員や特定の警備員を選定する構成であってもよい。）。算出した対応人員数は、前述の路線図画面Ｗ１に表示される鉄道駅Ｗ１３ａのそれぞれについて、利用者の利用者端末２の操作により選択的に、各鉄道駅Ｗ１３ａにおいて発生が推定される障害に対応する人員の必要数を表示するようにしてもよい。 As described above, in step S22, the failure event incidence rate is estimated for each of the railway stations that make up the railway line. In step S24, the response personnel determining unit 14 determines the number of days within the period specified in step S21, based on the failure event occurrence rate estimated in step S22 and the number of response personnel preset for each type of failure. The number of response personnel required at each railway station is calculated for each railway station (the response personnel determination unit 14 selects a specific station staff member or a specific security guard with experience and position suitable for preventing failures). ). The calculated number of response personnel is determined by the user's operation of the user terminal 2 for each of the railway stations W13a displayed on the aforementioned route map screen W1, depending on the failure estimated to occur at each railway station W13a. The required number of corresponding personnel may also be displayed.
具体的には、例えば、障害事象推定装置１が上記（例１）に示したような態様で、「ＡＡＡ駅では朝７時～７時４５分、ＢＢＢ駅では７時１５分～８時の時間帯が多い。」という推定を行った場合を考える。この場合、推定結果が時間帯領域Ｗ２５、障害情報領域Ｗ２６、構内図領域Ｗ２７に表示される。利用者端末２を利用する鉄道関係者は、表示がされたＡＡＡ駅における朝７時～７時４５分、ＢＢＢ駅における７時１５分～８時、表示された構内箇所に駅員や警備員を配備したり、配備数を増員したりという対策を講ずることができる。また、障害事象推定装置１の対応人員決定部１４が上記の推定と共に人員を配備すべき場所や配備する人数や人員を推定し、その推定結果を利用者端末２に表示させた場合、利用者は、推定結果に基づいて、推定された日時、推定された場所に、駅員や警備員を配備したり配備数を増員したりという対策を講ずることができる。 Specifically, for example, in the manner shown in the above (Example 1), the failure event estimating device 1 performs the following operations: ``At AAA station, from 7:00 am to 7:45 am; Consider a case where the estimation is made as follows: "There are many time zones." In this case, the estimation results are displayed in the time zone area W25, fault information area W26, and area map area W27. Railway personnel using User Terminal 2 must send station staff and security guards to the displayed locations on the premises between 7:00 a.m. and 7:45 a.m. at the displayed AAA stations and from 7:15 a.m. to 8:00 a.m. at BBB stations. Measures can be taken such as deploying or increasing the number of deployed personnel. In addition, when the response personnel determination unit 14 of the fault event estimation device 1 estimates the location where personnel should be deployed, the number of personnel to be deployed, and the personnel, and displays the estimation results on the user terminal 2, the user Based on the estimation results, it is possible to take measures such as deploying station staff and security guards or increasing the number of station staff at the estimated date and time and at the estimated location.
本実施の形態の説明は以上である。本実施の形態では、所定の期間における、施設利用者の動向に依存する動向情報４５ｂ及び／又は施設の気象に依存する気象情報４５ｃを含む施設環境情報４５と、障害事象が発生した施設における場所及び日時を含む障害事象情報４６に基づいて推定モデル４１を機械学習により生成するので、当該生成した推定モデル４１を用いて、指定した期間における施設の利用者に関する障害事象の発生を推定することができる。 This concludes the description of this embodiment. In this embodiment, facility environment information 45 including trend information 45b that depends on the trends of facility users and/or weather information 45c that depends on the weather of the facility during a predetermined period, and the location in the facility where the failure event has occurred are provided. Since the estimation model 41 is generated by machine learning based on the failure event information 46 including the date and time, the generated estimation model 41 can be used to estimate the occurrence of failure events regarding facility users during a specified period. can.
なお、本発明の実施の形態は、上記実施の形態に限られるものではない。 Note that the embodiments of the present invention are not limited to the above embodiments.
例えば、本実施の形態では、施設環境情報４５が施設構成情報４５ａと、動向情報４５ｂと、気象情報４５ｃと、照度情報４５ｄを含んでいるが、これに加えて、株価や景気その他の経済的な情報の動向を経済動向情報として含むようにしてもよい。 For example, in this embodiment, the facility environment information 45 includes facility configuration information 45a, trend information 45b, weather information 45c, and illuminance information 45d. Trends in information may be included as economic trend information.
例えば、上記実施の形態において、障害事象推定装置１が用いられる鉄道路線における鉄道駅であり、プラットホーム、駅舎その他の建造物により構成される施設としたが、これに限定されず、鉄道以外の交通機関、例えば乗合バスやタクシーや旅客機や客船など、及びそれらの利用者が乗降に用いる停留所、乗車所、空港、港湾の旅客施設などであってもよい。 For example, in the above embodiment, the failure event estimation device 1 is a railway station on a railway line where the failure event estimation device 1 is used, and the facility is composed of a platform, a station building, and other buildings. It may also be an engine, such as a bus, a taxi, a passenger plane, or a cruise ship, or a bus stop, boarding area, airport, or port passenger facility used by those users to get on and off.
また、本実施形態の障害事象推定装置１は、交通機関以外の、不特定の利用者が利用する施設や機関での障害事象推定や障害事象対策に用いられるシステムであってもよい。具体的には、障害事象推定装置１は、例えば、市区町村の運営する公民館や集会場や体育館や公園、民間の野球場やサッカー場やイベントホール、チェーン店で店舗展開される居酒屋やレストランやコンビニエンスストアや各種量販店等での障害事象推定や障害事象対策に用いられるシステムであってもよい。 Further, the failure event estimation device 1 of the present embodiment may be a system used for failure event estimation and failure event countermeasures in facilities and institutions used by unspecified users other than transportation facilities. Specifically, the failure event estimation device 1 can be used, for example, at community centers, assembly halls, gymnasiums, and parks operated by municipalities, private baseball stadiums, soccer fields, and event halls, and pubs and restaurants operated by chain stores. The system may be used for estimating failure events or taking countermeasures against failure events at convenience stores, various mass retailers, and the like.
その他の具体的な構成も本実施の形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において様々な変更が可能である。 Other specific configurations are not limited to this embodiment, and various changes can be made without departing from the spirit of the invention.
１ 障害事象推定装置
１１ 機械学習部
１２ 推定部
１３ 障害事象推定表示部
１４ 対応人員決定部
２ 利用者端末
２１ 入力部
２２ 表示部
３ ネットワーク
1 Failure event estimation device 11 Machine learning unit 12 Estimation unit 13 Failure event estimation display unit 14 Response personnel determination unit 2 User terminal 21 Input unit 22 Display unit 3 Network
Claims (8)
前記施設の所定期間における前記利用者の動向に依存する動向情報、及び／又は、前記施設の気象に依存する気象情報、を含む施設環境情報と、前記障害事象が発生した前記施設における場所及び日時を含む障害事象情報と、を教師データとして、指定された日時における前記施設の障害事象発生率を推定する推定モデルを機械学習により生成する機械学習部と、
前記推定モデルを用いて、指定された期間における前記日時の各々について前記施設の障害事象発生率を推定する推定部と、
前記推定した障害事象発生率に基づいて、前記障害事象の発生が推定される前記施設及び／又は前記施設における場所を特定する、障害事象推定部と、
前記推定部において前記推定された障害事象発生率に基づいた所定の演算を行うことで、前記施設、及び／又は、前記施設における所定の場所に、前記障害事象の発生を予防するために配備する人員、又は前記障害事象の発生を予防するために増員する人員を選任する対応人員決定部と、
を備え、
前記対応人員決定部は、
前記配備、又は、前記増員の対象となる前記人員の情報と、
前記人員の有する、前記障害事象の発生を予防するために有用な経験の情報、及び／又は、前記人員の有する、前記障害事象の発生を予防するために有用な役職の情報と
を有し、
前記対応人員決定部は、
前記障害事象発生率と、前記経験の情報、及び／又は、前記役職の情報とを用いた前記所定の演算を行うことで、配置する人員を選任することを特徴とする、障害事象推定装置。 A failure event estimation device that estimates the occurrence of a failure event regarding a user in one or more facilities,
Facility environment information including trend information that depends on the trends of the users during a predetermined period of the facility and/or weather information that depends on the weather of the facility, and the location and date and time at the facility where the trouble event occurred. a machine learning unit that uses machine learning to generate an estimation model for estimating the failure event occurrence rate of the facility at a specified date and time using failure event information including failure event information as training data;
an estimation unit that uses the estimation model to estimate the failure event incidence rate of the facility for each of the dates and times in the specified period;
a failure event estimating unit that identifies the facility and/or a location in the facility where the failure event is estimated to occur based on the estimated failure event occurrence rate;
The estimation unit performs a predetermined calculation based on the estimated failure event incidence rate, and is installed at the facility and/or at a predetermined location in the facility to prevent the occurrence of the failure event. a response personnel determining department that selects personnel or personnel to be increased in order to prevent the occurrence of the trouble event;
Equipped with
The response personnel determination department is
Information on the personnel who are subject to the deployment or increase;
Information on the experience of the personnel that is useful for preventing the occurrence of the trouble event, and/or information on the position of the person that is useful for preventing the occurrence of the trouble event.
has
The response personnel determination department is
A failure event estimation device, characterized in that personnel to be assigned are selected by performing the predetermined calculation using the failure event incidence rate, the experience information, and/or the position information. .
前記障害事象推定部は、前記障害事象の発生が推定される前記鉄道駅を路線図上に表示する
ことを特徴とする、請求項１に記載の障害事象推定装置。 said facility is a railway station;
The failure event estimation device according to claim 1, wherein the failure event estimation unit displays the railway station where the occurrence of the failure event is estimated to occur on a route map.
ことを特徴とする、請求項２に記載の障害事象推定装置。 3. The failure event estimation device according to claim 2, wherein the failure event estimation unit further displays a location where the failure event is estimated to occur on a station map of the railway station.
ことを特徴とする、請求項１記載の障害事象推定装置。 2. The facility environment information includes information indicating the season around the facility and/or information indicating the weather and/or information indicating the weather in the predetermined period. failure event estimation device.
前記障害事象推定部は、前記発生が推定される障害事象を前記種別とともに表示する
ことを特徴とする、請求項１に記載の障害事象推定装置。 The failure event information further includes information indicating the type of the failure event,
The failure event estimation device according to claim 1, wherein the failure event estimation unit displays the failure event that is estimated to have occurred together with the type.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023029933A JP7360109B1 (en) | 2023-02-28 | 2023-02-28 | Failure event estimation device and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023029933A JP7360109B1 (en) | 2023-02-28 | 2023-02-28 | Failure event estimation device and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7360109B1 true JP7360109B1 (en) | 2023-10-12 |
Family
ID=88242084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023029933A Active JP7360109B1 (en) | 2023-02-28 | 2023-02-28 | Failure event estimation device and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7360109B1 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100006688A (en) * | 2008-07-10 | 2010-01-21 | 세원정밀주식회사 | A slide hinge |
| US20160189043A1 (en) * | 2014-12-24 | 2016-06-30 | Locator IP, L.P. | Crime forcasting system |
| US20180096253A1 (en) * | 2016-10-04 | 2018-04-05 | Civicscape, LLC | Rare event forecasting system and method |
| WO2018116493A1 (en) * | 2016-12-22 | 2018-06-28 | 日本電気株式会社 | Assignment server, security system, security guard assignment method, and program |
| KR102006688B1 (en) | 2018-04-10 | 2019-08-02 | 주식회사 이엠따블유 | System and method for sharing security information based on area |
| WO2021084742A1 (en) * | 2019-11-01 | 2021-05-06 | 日本電信電話株式会社 | Information processing method, recording medium, and information processing device |
| JP2021103392A (en) * | 2019-12-25 | 2021-07-15 | 典志 藤本 | Accident occurrence prediction system and accident occurrence prediction method |
| JP2021182189A (en) * | 2020-05-18 | 2021-11-25 | 株式会社オリエンタルコンサルタンツ | Accident prediction method, computer program, accident prediction device, and learning model generation method |
-
2023
- 2023-02-28 JP JP2023029933A patent/JP7360109B1/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100006688A (en) * | 2008-07-10 | 2010-01-21 | 세원정밀주식회사 | A slide hinge |
| US20160189043A1 (en) * | 2014-12-24 | 2016-06-30 | Locator IP, L.P. | Crime forcasting system |
| US20180096253A1 (en) * | 2016-10-04 | 2018-04-05 | Civicscape, LLC | Rare event forecasting system and method |
| WO2018116493A1 (en) * | 2016-12-22 | 2018-06-28 | 日本電気株式会社 | Assignment server, security system, security guard assignment method, and program |
| KR102006688B1 (en) | 2018-04-10 | 2019-08-02 | 주식회사 이엠따블유 | System and method for sharing security information based on area |
| WO2021084742A1 (en) * | 2019-11-01 | 2021-05-06 | 日本電信電話株式会社 | Information processing method, recording medium, and information processing device |
| JP2021103392A (en) * | 2019-12-25 | 2021-07-15 | 典志 藤本 | Accident occurrence prediction system and accident occurrence prediction method |
| JP2021182189A (en) * | 2020-05-18 | 2021-11-25 | 株式会社オリエンタルコンサルタンツ | Accident prediction method, computer program, accident prediction device, and learning model generation method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mostafizi et al. | Agent-based tsunami evacuation modeling of unplanned network disruptions for evidence-driven resource allocation and retrofitting strategies | |
| Southworth | Regional evacuation modeling: A state-of-the-art review | |
| CN103065208B (en) | A kind of optimization method of traffic evacuation control scheme of actual situation interaction and system thereof | |
| Zhao | GisFFE—an integrated software system for the dynamic simulation of fires following an earthquake based on GIS | |
| Yang et al. | Criticality ranking for components of a transportation network at risk from tropical cyclones | |
| Robinson et al. | Modeling the impact of traffic incidents during hurricane evacuations using a large scale microsimulation | |
| Sarreshtehdari et al. | Integrating the fire department response within a fire following earthquake framework for application in urban areas | |
| JP7360109B1 (en) | Failure event estimation device and program | |
| Osaragi et al. | Simulation model of evacuation behavior following a large-scale earthquake that takes into account various attributes of residents and transient occupants | |
| Palazzi et al. | Fire risk assessment of historic urban Aggregates: an application to the Yungay neighborhood in Santiago, Chile | |
| Yuan et al. | Multimodal evacuation simulation and scenario analysis in dense urban area: Philadelphia, Pennsylvania, case study | |
| JP2002024473A (en) | Risk information providing system, and recording medium | |
| Bernardini et al. | Emergency and evacuation management strategies in earthquakes: towards holistic and user-centered methodologies for their design and evaluation | |
| Williams et al. | Comparing the CO2 emissions and contrail formation from short and long haul air traffic routes from London Heathrow | |
| Murray-Tuite et al. | Assumptions and processes for the development of no-notice evacuation scenarios for transportation simulations | |
| Franzese et al. | A methodology for the assessment of traffic management strategies for large-scale emergency evacuations | |
| Sayyady | Optimizing the use of public transit system in no-notice evacuations in urban areas | |
| Wei et al. | Integrated urban evacuation planning framework for responding to human-caused disasters over a surface transportation network | |
| Southworth | Regional evacuation modeling: A state of the art reviewing | |
| JP6835363B2 (en) | Event safety management system | |
| Kulkarni et al. | Study of intelligent evacuation systems of high-rise buildings in India-A review | |
| Jiang et al. | Multimodal-Transport Collaborative Evacuation Strategies for Urban Serious Emergency Incidents Based on Multi-Sources Spatiotemporal Data (Short Paper) | |
| Yang et al. | Fire station districting using simulation: Case study in Centre Region, Pennsylvania | |
| JPH11316781A (en) | Intention decision display method and device in case of disaster | |
| Alapati | Drone routing for damage assessment on power distribution systems under HILF events |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230228 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230228 |
|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20230310 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230808 |
|
| 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: 20230912 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230919 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7360109 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |