WO2022254625A1 - 予測装置、学習装置、予測方法、学習方法およびプログラム - Google Patents

予測装置、学習装置、予測方法、学習方法およびプログラム Download PDF

Info

Publication number
WO2022254625A1
WO2022254625A1 PCT/JP2021/021055 JP2021021055W WO2022254625A1 WO 2022254625 A1 WO2022254625 A1 WO 2022254625A1 JP 2021021055 W JP2021021055 W JP 2021021055W WO 2022254625 A1 WO2022254625 A1 WO 2022254625A1
Authority
WO
WIPO (PCT)
Prior art keywords
health
behavior
human
learning
conscious
Prior art date
Application number
PCT/JP2021/021055
Other languages
English (en)
French (fr)
Inventor
登夢 冨永
修平 山本
健 倉島
浩之 戸田
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US18/557,151 priority Critical patent/US20240221883A1/en
Priority to PCT/JP2021/021055 priority patent/WO2022254625A1/ja
Priority to JP2023525254A priority patent/JPWO2022254625A1/ja
Publication of WO2022254625A1 publication Critical patent/WO2022254625A1/ja

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance

Definitions

  • the present invention relates to a prediction device, a learning device, a prediction method, a learning method and a program.
  • the human characteristics refer to inherent or static characteristics that the user has at a certain point in time, and are mainly detected by self-report questionnaire surveys and the like.
  • a conventional technology for example, based on human characteristics such as gender, age, and BMI (Body Mass Index), health-oriented behavior such as high target value in diet (Non-Patent Document 1) and actual weight loss (Non-Patent Document 2). Methods for estimation have been devised so far.
  • the above-described conventional technology emphasizes the process of the user achieving the goal, and cannot be evaluated from the viewpoint of how much the user has settled on the state reached by achieving the goal (degree of retention).
  • basic information such as age, gender, and BMI are taken into consideration as human characteristics for predicting health-oriented behavior of users, other demographic information, psychological characteristics, cognitive characteristics, health habits, work, etc. are considered. Information such as productivity is not included, and sufficient prediction accuracy based on human characteristics has not been achieved.
  • the disclosed technology aims to improve the accuracy of predicting health-oriented behavior trends.
  • the disclosed technology is a prediction device for predicting the tendency of health-conscious behavior to be predicted, and a health-conscious behavior estimation model for estimating health-conscious behavior based on the relationship between health-conscious behavior and human characteristics.
  • a health-oriented behavior estimation model storage unit for storing a health-oriented behavior estimation model; a human characteristics scale calculation unit that calculates a plurality of human characteristics scales based on human characteristics data indicating human characteristics to be predicted; and the health-oriented behavior estimation model.
  • a health-conscious behavior prediction unit that predicts a health-conscious behavior tendency based on the plurality of human characteristic scales calculated using .
  • FIG. 3 is a functional configuration diagram of a learning device; FIG. It is a functional block diagram of a prediction apparatus.
  • 6 is a flowchart showing an example of the flow of learning processing; 6 is a flowchart showing an example of the flow of prediction processing; It is a figure which shows an example of health target data. It is a figure which shows an example of health behavior data. It is a figure which shows an example of preprocessed health behavior data. It is a figure which shows an example of the calculation result of a health-oriented behavior tendency. It is a figure which shows an example of human characteristic data. It is a figure which shows an example of preprocessed human characteristic data. It is a figure which shows an example of a human characteristic scale. It is a figure which shows the hardware configuration example of a computer.
  • the prediction device estimates the initial value, target difficulty level, execution level, achievement level, and retention level indicated by the scale of health-oriented behavior of a prediction target (person) based on human characteristic data.
  • the learning device learns the parameters of the health-conscious behavior estimation model used by the prediction device based on the data of the learning target (person).
  • Human characteristic data is data that indicates the human characteristics of a prediction target or a learning target, and refers to the inherent or static nature of a prediction target or learning target at a certain point in time. This is data detected by a paper survey or the like.
  • FIG. 1 is a functional configuration diagram of a learning device.
  • the learning device 10 includes a health goal data storage unit 101, a health behavior data storage unit 102, a health behavior data preprocessing unit 103, a health-oriented behavior trend calculation unit 104, a human characteristic data storage unit 105, a human A characteristic data preprocessing unit 106 , a human characteristic scale calculator 107 , a health-conscious behavior estimation model construction unit 108 , a health-conscious behavior estimation model learning unit 109 , and a health-conscious behavior estimation model storage unit 110 are provided.
  • the health target data storage unit 101 stores target values in health management of the learning target, the time when the target values are set (declared time), and the self-reported period (target period) of the learning target as the time required to achieve the target values. ) stores the health target data associated with the user ID.
  • a user ID is an identifier for identifying a learning object.
  • a log of physical information eg, body weight, body fat percentage, BMI, etc.
  • a log of physical information eg, body weight, body fat percentage, BMI, etc.
  • the personal characteristics data storage unit 105 stores personal characteristics data in which answers to questions from self-report questionnaire surveys, etc., are linked to user IDs to capture the characteristics of the learning target.
  • the health behavior data preprocessing unit 103 preprocesses the health behavior data. Specifically, the health behavior data preprocessing unit 103 determines a period to be analyzed based on the target period recorded in the health goal data, and extracts health behavior data corresponding to the determined period. Let the extracted health behavior data be preprocessed health behavior data.
  • the health-oriented behavior tendency calculation unit 104 calculates a value indicating the health-oriented behavior tendency based on the health goal data and the preprocessed health behavior data.
  • the human characteristic data preprocessing unit 106 preprocesses the human characteristic data. Specifically, the human characteristic data preprocessing unit 106 converts the human characteristic data into a predetermined format in accordance with the nature of the scale of the response values to the question items of the questionnaire survey. Let the converted human characteristic data be preprocessed human characteristic data.
  • the human characteristic scale calculation unit 107 calculates a plurality of human characteristic scales based on the preprocessed human characteristic data.
  • the health-conscious behavior estimation model building unit 108 builds a health-conscious behavior estimation model.
  • the health-conscious behavior estimation model is an estimation model for estimating health-conscious behavior based on the relationship between health-conscious behavior and human characteristics.
  • the health-conscious behavior estimation model learning unit 109 combines the value indicating the health-conscious behavior tendency calculated by the health-conscious behavior tendency calculation unit 104 with the specific human characteristic scale calculated by the human characteristic scale calculation unit 107. Based on this, the health-conscious behavior estimation model is learned, and the learned parameters of the health-conscious behavior estimation model are output.
  • the health-oriented behavior estimation model storage unit 110 stores the health-oriented behavior estimation model constructed by the health-oriented behavior estimation model construction unit 108, the parameters of the health-oriented behavior estimation model learned by the health-oriented behavior estimation model learning unit 109, is stored.
  • FIG. 2 is a functional configuration diagram of a prediction device.
  • the prediction device 20 includes a human characteristic data preprocessing unit 201 , a human characteristic scale calculator 202 , a health-conscious behavior estimation model storage unit 203 , and a health-conscious behavior prediction unit 204 .
  • the human characteristic data preprocessing unit 201 performs the same preprocessing as the human characteristic data preprocessing unit 106 of the learning device 10 on human characteristic data to be predicted, and outputs preprocessed human characteristic data.
  • the human characteristic scale calculation unit 202 calculates a plurality of human characteristic scales by the same calculation as the human characteristic scale calculation unit 107 of the learning device 10 based on the preprocessed human characteristic data to be predicted.
  • the health-oriented behavior estimation model storage unit 203 stores the health-oriented behavior estimation model constructed by the health-oriented behavior estimation model construction unit 108 and the health-oriented behavior estimation model stored in the health-oriented behavior estimation model storage unit 110 of the learning device 10 . parameters of the health-conscious behavior estimation model learned by the model learning unit 109 are stored.
  • the health-oriented behavior prediction unit 204 uses the health-oriented behavior estimation model and the parameters of the learned health-oriented behavior estimation model to predict the health-oriented behavior based on the plurality of human characteristic scales calculated by the human characteristic scale calculation unit 202 . It predicts behavioral tendencies and outputs data showing the prediction results.
  • the learning device 10 starts learning processing in response to a user's operation or the like, or periodically.
  • FIG. 3 is a flowchart showing an example of the flow of learning processing.
  • the health behavior data preprocessing unit 103 receives and processes the health behavior data from the health behavior data storage unit 102 and the health goal data from the health goal data storage unit 101 (step S100). Specifically, the health behavior data preprocessing unit 103 determines a period to be analyzed based on the target period recorded in the health goal data, and extracts health behavior data corresponding to the determined period. Let the extracted health behavior data be preprocessed health behavior data.
  • the health-oriented behavior tendency calculation unit 104 receives and processes the health goal data from the health goal data storage unit 101 and the preprocessed health behavior data from the health behavior data preprocessing unit 103 (step S110). Specifically, the health-oriented behavior tendency calculation unit 104 calculates a value indicating the health-oriented behavior tendency based on the health goal data and the preprocessed health behavior data.
  • the human characteristic data preprocessing unit 106 receives and processes the human characteristic data from the human characteristic data storage unit 105 (step S120). Specifically, the human characteristic data preprocessing unit 106 converts the human characteristic data into a predetermined format in accordance with the nature of the scale of the response values to the question items of the questionnaire survey. Let the converted human characteristic data be preprocessed human characteristic data.
  • the human characteristic scale calculation unit 107 receives and processes the preprocessed human characteristic data from the human characteristic data preprocessing unit 106 (step S130). Specifically, the human characteristic scale calculator 107 calculates a specific human characteristic scale based on the preprocessed human characteristic data.
  • the health-oriented behavior estimation model building unit 108 builds a model (step S140).
  • the constructed model is a health-conscious behavior estimation model for estimating health-conscious behavior based on the relationship between health-conscious behavior and human characteristics.
  • the health-oriented behavior estimation model learning unit 109 obtains the health-oriented behavior tendency from the health-oriented behavior tendency calculation unit 104, the human characteristic scale from the human characteristic scale calculation unit 107, and the health-oriented behavior estimation model construction unit. is received, the model is learned, and the learned model is stored in the health-oriented behavior estimation model storage unit (step S150). Specifically, the health-conscious behavior estimation model learning unit 109 uses the value indicating the health-conscious behavior tendency calculated by the health-conscious behavior tendency calculation unit 104 and the specific human behavior calculated by the human characteristic scale calculation unit 107 The health-conscious behavior estimation model is learned based on the characteristic scale, and the learned parameters of the health-conscious behavior estimation model are stored in the health-conscious behavior estimation model storage unit 110 .
  • the prediction device 20 starts prediction processing in response to a user's operation or the like, or periodically.
  • FIG. 4 is a flowchart showing an example of the flow of prediction processing.
  • the human characteristic data preprocessing unit 201 receives and processes human characteristic data as an input (step S200). Specifically, the human characteristic data preprocessing unit 201, similar to the processing of step S120 of the learning process by the learning device 10, follows the character of the answer value to the question item of the questionnaire survey as a scale, and the human characteristic data to a predefined format. Let the converted human characteristic data be preprocessed human characteristic data.
  • the human characteristic scale calculation unit 107 receives and processes the preprocessed human characteristic data from the human characteristic data preprocessing unit 106 (step S201). Specifically, the human characteristic scale calculator 107 calculates a specific human characteristic scale based on the preprocessed human characteristic data in the same manner as in step S130 of the learning process by the learning device 10 .
  • the health-conscious behavior prediction unit 204 receives the human characteristic scale from the human characteristic scale calculation unit 202 and the learned model from the health-conscious behavior estimation model storage unit 203, and calculates the health-conscious behavior tendency according to the model. , and outputs the calculation result (step S202). Specifically, the health-oriented behavior prediction unit 204 uses the health-oriented behavior estimation model and the parameters of the learned health-oriented behavior estimation model to determine the specific human characteristics calculated by the human characteristics scale calculation unit 202. It predicts health-conscious behavior trends based on scales and outputs data indicating the prediction results.
  • FIG. 5 is a diagram showing an example of health goal data.
  • the health target data 901 includes items such as user ID, target value, reporting time, and target period.
  • the value of the item “user ID” is an identifier for identifying the learning target.
  • the value of the item “target value” is the target value in the health management of the learning object.
  • the value of the item “reported time” is the time when the target value was set by the learning object.
  • the value of the item “target period” is the period self-reported by the learning object as the time required to achieve the target value.
  • FIG. 6 is a diagram showing an example of health behavior data.
  • the health behavior data 902 includes items such as user ID, log ID, recording time, and weight.
  • the value of the item “user ID” is an identifier for identifying the learning target.
  • the value of the item “log ID” is an identifier for identifying a log.
  • the value of the item “recording time” is the time when the log was recorded.
  • the value of the item “body weight” is body weight as an example of physical information to be learned and subject to health management.
  • FIG. 7 is a diagram showing an example of preprocessed health behavior data.
  • the preprocessed health behavior data 903 includes items such as user ID, log ID, recording time, and weight.
  • the value of the item “user ID” is an identifier for identifying the learning target.
  • the value of the item “log ID” is an identifier for identifying a log. Note that the value of the item “log ID” is newly assigned in the preprocessing by the health behavior data preprocessing unit 103, so it does not mean that the value of the item “log ID” of the health behavior data 902 shown in FIG. Not exclusively.
  • the value of the item “recording time” is the time when the log was recorded.
  • the value of the item “body weight” is body weight as an example of physical information to be learned and subject to health management.
  • FIG. 8 is a diagram showing an example of the calculation result of health-oriented behavior tendencies.
  • Each value of the calculation result 904 is a value indicating the health-conscious behavior tendency calculated by the health-conscious behavior tendency calculation unit 104 .
  • the calculation result 904 is a value indicating a plurality of health-conscious behavior tendencies including current value, target difficulty level, execution frequency, execution intensity, achievement frequency, achievement speed, retention level, etc. for each user ID.
  • FIG. 9 is a diagram showing an example of human characteristic data.
  • the human characteristic data 905 is data in which answers to questions by a self-report questionnaire survey or the like for grasping the human characteristic of a prediction target or a learning target are linked with user IDs.
  • Q1_1-Q1_5 Questions about demographic information (Q1_1: gender, Q1_2: age, Q1_3: BMI, Q1_4: marital status, Q1_5: household size)
  • Q2_1, Q2_2 Questions about psychological characteristics (Q2_1: ⁇ Do you like talking to people?'', Q2_2: ⁇ Do you find it difficult to be with many people?'' / Answer options: Not at all, Yes no, neither, yes, very much)
  • Q3_1, Q3_2 Questions about cognitive characteristics (Q3_1: ⁇ If there is a lottery ticket with a 50% chance of winning 100,000 yen, up to how many yen would you pay to buy that lottery ticket?'', Q3_2: ⁇ If the probability of rain is more than what percentage, would you take an umbrella?”
  • Q4_1, Q4_2 Questions about health habits (Q4_1: ⁇ Have you been unable to sleep at night lately?'', Q4_2: ⁇ H
  • FIG. 10 is a diagram showing an example of preprocessed human characteristic data.
  • Preprocessed human characteristic data 906 is obtained by converting human characteristic data 905 into a predetermined format.
  • the human characteristic data 905 shown in FIG. 9 is preprocessed by the human characteristic data preprocessing unit 106 according to the following correspondence relationships.
  • FIG. 11 is a diagram showing an example of a human characteristic scale.
  • the human characteristic scale calculation result 907 includes various values indicating the human characteristic scale calculated by the human characteristic scale calculation unit 107 .
  • the calculation result 907 shown in FIG. 11 is calculated by the following calculation based on the preprocessed human characteristic data 906 shown in FIG.
  • g the target value of the health target data
  • t g the reporting time
  • s the target period.
  • the health goal data is constant unless updated.
  • the learning device 10 updates the target value, the reporting time, and the target period, and performs the following. Execute the processing shown in .
  • the health behavior data preprocessing unit 103 extracts data recorded from y during the period from tg to tg +s. That is, the preprocessed health behavior data vector y * obtained by the health behavior data preprocessing unit 103 is calculated by the following equation (1).
  • i g denotes the log ID of the health behavior data first recorded in t i ⁇ [t g ,t g +s].
  • t i * be the time when y i * was recorded.
  • the health-oriented behavior tendency calculation unit 104 calculates the current value r (s) , target difficulty r (d) , performance r (p) , achievement r ( a) from the preprocessed health behavior data vector y * and the target value g. ) and the degree of fixation r (f) .
  • the current value refers to the first recorded data in the preprocessed behavior data.
  • the current value of learning object u is calculated by the following equation (2).
  • the target difficulty level is a value that expresses the height of the target value g with respect to the current value r u (s) .
  • the health-oriented behavior tendency calculation unit 104 calculates the target difficulty level using the following equation (3).
  • the calculation method is not limited to the above.
  • the health-conscious behavior tendency calculation unit 104 may calculate the target difficulty level as follows.
  • the degree of execution is a value that expresses the degree of actual action toward the target value until the target value is achieved during the target period.
  • the degree of execution is composed of execution frequency and execution intensity.
  • Execution frequency refers to the frequency of action toward the target value
  • execution intensity refers to the average amount of change per action toward the target value.
  • the execution frequency r (p, f) is calculated by the following equation (5).
  • the calculation method is not limited to the above as long as the definition of execution degree is followed.
  • the health-oriented behavior tendency calculation unit 104 calculates the execution frequency
  • the degree of achievement is a value that expresses the extent to which the set target value has been achieved.
  • the degree of achievement is composed of the frequency of achievement and the speed of achievement.
  • the achievement frequency refers to the frequency at which the target value was achieved during the target period.
  • the achievement speed refers to the speed until the target value is achieved for the first time.
  • the achievement frequency r (a, f) is calculated by the following formula (7).
  • the achievement speed r (a, v) is calculated by the following equation (8).
  • the calculation method is not limited to the above.
  • the health-oriented behavior tendency calculation unit 104 calculates the achievement frequency and the achievement speed
  • the degree of fixation is a value that indicates the extent to which a state close to the target value is maintained during the target period.
  • the health-conscious behavior tendency calculation unit 104 evaluates how much the target value g is expected from the frequency distribution of the elements of the health behavior data vector y * , and calculates the degree of fixation.
  • the health-oriented behavior tendency calculation unit 104 calculates the degree of fixation r (f) by a kernel density function based on the frequency distribution of y * .
  • the health - oriented behavior tendency calculation unit 104 assumes that y 0 * , .
  • a kernel density estimator for the parameter h is calculated as in Equation (9) below.
  • the health-oriented behavior tendency calculation unit 104 calculates the fixation degree r (f) as shown in the following equation (10).
  • Health-oriented behavior tendency calculation unit 104 calculates the current value r (s) , target difficulty level r (d) , execution level r (p) , achievement level r (a), and fixation level r (f) as health-oriented behavior trends. Output to action estimation model learning unit 109 .
  • step S120 of the learning process by the human characteristic data preprocessing unit 106 of the learning device 10 will be described.
  • the process to be described later is the same as the process of step S200 of the prediction process by the human characteristic data preprocessing unit 201 of the prediction device 20 .
  • the human characteristics data preprocessing unit 106 converts the response values according to the scale properties of the responses to the questionnaire survey questions.
  • Response scales include nominal scale, ordinal scale, interval scale, and ratio scale, and are converted as follows.
  • a nominal scale is a scale used to distinguish between attributes and categories.
  • this corresponds to the answer values for gender (Q1_1) and marital status (Q1_4).
  • the human characteristics data preprocessing unit 106 converts the response values corresponding to the nominal scale in correspondence with the values preset in the learning device 10 .
  • the human characteristic data preprocessing unit 106 converts "female” to 0 and "male” to 1. Note that the conversion method is not limited to the above, as long as the attributes and categories corresponding to the answer values can be distinguished even after conversion.
  • An ordinal scale is a scale that has meaning in magnitude relationships, but does not have meaning in differences and ratios.
  • the response values for psychological characteristics (Q2_1, Q2_2) and health habits (Q4_1, Q4_2) correspond to this.
  • the human characteristics data preprocessing unit 106 converts the answer values corresponding to the ordinal scale so that the order relationship is maintained between the answer values.
  • the human characteristic data preprocessing unit 106 selects 1 for “not at all”, 2 for “neither”, 3 for “neither”, 4 for “yes”, and 5 for “very much”. convert like Note that the conversion method is not limited to the above as long as the order relationship of the answer values is maintained even after the conversion.
  • Interval scales and ratio scales are called quantitative data, and are scales with equal intervals.
  • the response values for age (Q1_2), household size (Q1_5), cognitive characteristics (Q3_1, Q3_2), and work productivity (Q5_1, Q5_2) are interval scale or ratio scale. corresponds to The human characteristics data preprocessing unit 106 does not convert these answer values.
  • step S130 of the learning process by the human characteristic scale calculation unit 107 will be described.
  • the process described later is the same as the process of step S201 of the prediction process by the human characteristic scale calculator 202 of the prediction device 20 .
  • the human characteristic scale calculation unit 107 uses the converted answer values obtained by the human characteristic data preprocessing unit 106 to calculate the human characteristic scale to be learned.
  • the calculation method follows a method predetermined for the learning device 10 .
  • the human trait scale calculator 107 calculates a human trait scale called Extraversion by averaging the response values of Q2_1 * and Q2_2 * in the preprocessed human trait data. .
  • the human characteristic scale calculation unit 107 has calculated the human characteristic scale of M items
  • the human characteristic scale vector x ( xi
  • i 1, . . . , M) Output T.
  • step S140 of the learning process by the health-oriented behavior estimation model construction unit 108 The process of step S140 of the learning process by the health-oriented behavior estimation model construction unit 108 will be described.
  • the health-conscious behavior estimation model aims to predict health-conscious behavior tendencies from human characteristic scales, and can be constructed using any method that follows the method of supervised learning.
  • linear regression is used as an example. Linear regression is generally described as the following equation (11), where y is the objective variable, x i is the explanatory variable, ⁇ i is the coefficient of x i , ⁇ is the constant term, and ⁇ is the error term.
  • x u ( 1 , x u,1 , .
  • ⁇ h the constant term in the regression of health-oriented behavior tendency r h
  • ⁇ i h the coefficient of the human characteristic scale of item i
  • ⁇ h ( ⁇ h , ⁇ 1 h , . . , ⁇ M h ) T.
  • ⁇ u h be the error term that user u has in the regression of health-oriented behavior tendency r h .
  • equation (13) is written as equation (14).
  • the health-conscious behavior estimation model construction unit 108 constructs a health-conscious behavior estimation model as the following equation (15).
  • the learning procedure is described below.
  • the health-conscious behavior estimation model learning unit 109 standardizes the human characteristic scale x u,i of the item i of the user u according to the following equation (16).
  • ⁇ i and ⁇ i are the mean and variance of the human characteristic scale x i of item i for the user, respectively.
  • the health-conscious behavior estimation model learning unit 109 obtains a parameter that minimizes the error between the estimation result of the health-conscious behavior estimation model and the true value.
  • An example of calculating parameters by the method of least squares will be shown.
  • the health-conscious behavior estimation model learning unit 109 assumes that Z is a standardized human characteristic matrix obtained by replacing the elements x u,i of the matrix X, which are the input variables of the health-conscious behavior estimation model, with z u,i , and the following equation ( 17).
  • Equation (18) the estimation error vector ⁇ h is expressed as in Equation (18) below.
  • the health-conscious behavior estimation model learning unit 109 obtains the parameter ⁇ h that minimizes the error vector ⁇ h by solving an optimization problem such as the following equation (19).
  • the health-conscious behavior estimation model learning unit 109 substitutes the obtained parameter ⁇ h into the health-conscious behavior estimation model f, and stores the parameter-substituted health-conscious behavior estimation model in the health-conscious behavior estimation model storage unit 110 .
  • step S202 of the prediction process by the health-oriented behavior prediction unit 204 will be described.
  • the linear regression model f(X) is stored in the health-conscious behavior estimation model storage unit 203 as the health-conscious behavior estimation model.
  • the health-conscious behavior prediction unit 204 acquires the human characteristic scale x'u,i and the health-conscious behavior estimation model f(X)
  • the health-conscious behavior prediction unit 204 converts the human characteristic scale x'u ,i into the following equation (21): Convert.
  • ⁇ ′ i and ⁇ ′ i are the mean and variance of the human characteristic scale for each user, respectively.
  • a matrix having z'u ,i as an element is represented by equation (22).
  • the health-conscious behavior prediction unit 204 outputs the health-conscious behavior estimation result ⁇ rh .
  • Learning device 10 and prediction device 20 can be realized, for example, by causing a computer to execute a program describing the processing details described in the present embodiment.
  • this "computer” may be a physical machine or a virtual machine on the cloud.
  • the "hardware” described here is virtual hardware.
  • the above program can be recorded on a computer-readable recording medium (portable memory, etc.), saved, or distributed. It is also possible to provide the above program through a network such as the Internet or e-mail.
  • FIG. 12 is a diagram showing a hardware configuration example of the computer.
  • the computer of FIG. 12 has a drive device 1000, an auxiliary storage device 1002, a memory device 1003, a CPU 1004, an interface device 1005, a display device 1006, an input device 1007, an output device 1008, etc., which are connected to each other via a bus B, respectively.
  • a program that implements the processing in the computer is provided by a recording medium 1001 such as a CD-ROM or memory card, for example.
  • a recording medium 1001 such as a CD-ROM or memory card
  • the program is installed from the recording medium 1001 to the auxiliary storage device 1002 via the drive device 1000 .
  • the program does not necessarily need to be installed from the recording medium 1001, and may be downloaded from another computer via the network.
  • the auxiliary storage device 1002 stores installed programs, as well as necessary files and data.
  • the memory device 1003 reads and stores the program from the auxiliary storage device 1002 when a program activation instruction is received.
  • the CPU 1004 implements functions related to the device according to programs stored in the memory device 1003 .
  • the interface device 1005 is used as an interface for connecting to the network.
  • a display device 1006 displays a GUI (Graphical User Interface) or the like by a program.
  • An input device 1007 is composed of a keyboard, a mouse, buttons, a touch panel, or the like, and is used to input various operational instructions.
  • the output device 1008 outputs the calculation result.
  • the computer may include a GPU (Graphics Processing Unit) or TPU (Tensor Processing Unit) instead of the CPU 1004, or may include a GPU or TPU in addition to the CPU 1004. In that case, the processing may be divided and executed such that the GPU or TPU executes processing that requires special computation, such as a neural network, and the CPU 1004 executes other processing.
  • the learning device 10 performs learning considering not only basic items such as gender, age, and BMI, but also various human characteristics such as psychological characteristics, cognitive characteristics, health habits, and work productivity. As a result, it is possible to improve the estimation accuracy of the model for estimating health-oriented behavior tendencies.
  • the prediction device 20 makes predictions in consideration of various human characteristics such as psychological characteristics, cognitive characteristics, health habits, and work productivity, in addition to basic items such as gender, age, and BMI. As a result, it is possible to improve the prediction accuracy of health-oriented behavior tendencies.
  • the learning device 10 calculates various values indicating health-conscious behavior trends, including the degree of retention, based on the health behavior data and the health goal data, and performs machine learning based on the calculated values. learns the parameters of the health-conscious behavior estimation model.
  • various values that indicate the trend of health-oriented behavior including the degree of fixation, it is possible to evaluate health-oriented behavior from a new perspective that has not been evaluated in the past. This makes it possible to evaluate health-conscious behavior tendencies from multiple angles and further improve prediction accuracy.
  • a prediction device for predicting a health-conscious behavior tendency of a prediction target a health-oriented behavior estimation model storage unit for storing a health-oriented behavior estimation model for estimating health-oriented behavior based on the relationship between health-oriented behavior and human characteristics; a human trait scale calculation unit that calculates a plurality of human trait scales based on human trait data indicating human traits to be predicted; a health-conscious behavior prediction unit that predicts a health-conscious behavior tendency based on the plurality of human characteristic scales calculated using the health-conscious behavior estimation model; prediction device.
  • (Section 2) further comprising a human characteristic data preprocessing unit that converts the human characteristic data into a predetermined format in accordance with the nature of the response value to the question item included in the human characteristic data as a scale,
  • the human characteristic scale calculation unit calculates the plurality of human characteristic scales based on the human characteristic data converted into the format.
  • a prediction device according to claim 1.
  • the personal characteristics scale calculation unit converts the format of the personal characteristics data according to any one of a nominal scale, an ordinal scale, an interval scale, and a ratio scale as the scale of the response value.
  • a prediction device according to claim 2.
  • a learning device for learning parameters of a health-conscious behavior estimation model for estimating health-conscious behavior a health-oriented behavior estimation model storage unit for storing a health-oriented behavior estimation model for estimating health-oriented behavior based on the relationship between health-oriented behavior and human characteristics; a health-oriented behavior tendency calculation unit that calculates a value indicating the health-oriented behavior tendency of the learning target based on the health goal data and the health behavior data of the learning target; a human trait scale calculation unit that calculates a plurality of human trait scales based on the human trait data indicating the human trait to be learned; a health-conscious behavior estimation model learning unit that learns parameters of the health-conscious behavior estimation model based on the plurality of human characteristic scales and the value indicating the health-conscious behavior tendency; learning device.
  • the health-oriented behavior tendency calculation unit calculates values indicating a plurality of health-oriented behavior trends including a degree of retention indicating the degree to which a state close to the target value is maintained during the target period, 5.
  • the learning device according to item 4.
  • a learning method executed by a learning device storing a health-conscious behavior estimation model for estimating health-conscious behavior based on relationships between health-conscious behavior and human characteristics comprising: a step of calculating a value indicating the health-conscious behavior tendency of the learning target based on the learning target's health goal data and health behavior data; calculating a plurality of human trait measures based on human trait data indicative of the human trait to be learned; learning parameters of the health-conscious behavior estimation model based on the plurality of human characteristic scales and the value indicating the health-conscious behavior tendency; learning method.
  • (Section 8) A program for causing a computer to function as each unit in the prediction device according to any one of items 1 to 3, or a computer functioning as each unit in the learning device according to item 4 or 5. program to make

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

予測対象の健康志向行動傾向を予測するための予測装置であって、健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測する健康志向行動予測部と、を備える予測装置である。

Description

予測装置、学習装置、予測方法、学習方法およびプログラム
　本発明は、予測装置、学習装置、予測方法、学習方法およびプログラムに関する。
　個人が自身の健康を実現するための目標を設定し、その達成に向けて行う一連の目標志向行動を理解することは重要な課題である。近年では、ヘルスケアアプリケーションやフィットネスデバイスが幅広く普及したことにより、人々がより健康になるための行動過程に関する様々なログが大規模に観測可能となっている。例えば、体重管理のアプリケーションの多くでは、最初にユーザは目標体重を設定し、その後、自身の体重を一定期間にわたって記録する。この場合、記録されたデータから、ユーザの初期時の体重（初期値）、現状値に対する目標とする体重（目標難易度）、現状値に対する実際の減量体重（実行度）、目標とする体重に対する実際の減量体重（達成度）といった、体重管理における一連の目標志向行動に関するデータが計測可能となる。
　このようなログに基づいて、ユーザがより健康な状態に至る行動のパターンを理解するために、健康志向行動と人的特性の関係性を分析する技術が開発されている。ここで人的特性とは、ユーザがある時点において内在的または静的に有する性質を指し、主に自己報告式の質問紙調査等によって検出されるものである。従来技術として、例えば性別や年齢、ＢＭＩ（Body Mass Index）といった人的特性から、ダイエットにおける目標値の高さ（非特許文献１）や実際の減量体重（非特許文献２）といった健康志向行動を推定する手法がこれまでに考案されている。
Mitchell Gordon, Tim Althoff, and Jure Leskovec. 2019. Goal-setting And Achievement In Activity Tracking Apps: A Case Study Of MyFitnessPal. In The World Wide Web Conference (WWW '19). Zhiwei Wang, Tyler Derr, Dawei Yin, and Jiliang Tang. 2017. Understanding and Predicting Weight Loss with Mobile Social Networking Data. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17).
　ところが上記の従来技術は、ユーザが目標を達成するまでの過程を重視しており、目標の達成により到達した状態がその後ユーザにどの程度定着しているか（定着度）という観点で評価できていない。また、ユーザの健康志向行動を予測するための人的特性として、年齢・性別・ＢＭＩといった基本情報は考慮されているものの、その他の人口統計学的情報、心理特性、認知特性、健康習慣、仕事生産性といった情報は含まれておらず、人的特性による十分な予測精度の実現には至っていない。
　開示の技術は、健康志向行動傾向の予測精度を向上させることを目的とする。
　開示の技術は、予測対象の健康志向行動傾向を予測するための予測装置であって、健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測する健康志向行動予測部と、を備える予測装置である。
　健康志向行動傾向の予測精度を向上させることができる。
学習装置の機能構成図である。 予測装置の機能構成図である。 学習処理の流れの一例を示すフローチャートである。 予測処理の流れの一例を示すフローチャートである。 健康目標データの一例を示す図である。 健康行動データの一例を示す図である。 前処理済み健康行動データの一例を示す図である。 健康志向行動傾向の計算結果の一例を示す図である。 人的特性データの一例を示す図である。 前処理済み人的特性データの一例を示す図である。 人的特性尺度の一例を示す図である。 コンピュータのハードウェア構成例を示す図である。
　以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。
　なお、本明細書の本文のテキストにおいては、記載の便宜上、文字の頭につける"＾"を文字の前に付けている。"＾ｒ"はその一例である。
　（本実施の形態の概要）
　本実施の形態に係る予測装置は、予測対象（人物）の健康志向行動の尺度の示す初期値、目標難易度、実行度、達成度および定着度を、人的特性データに基づいて推定する。また、本実施の形態に係る学習装置は、学習対象（人物）のデータに基づいて、予測装置が使用する健康志向行動推定モデルのパラメータを学習する。人的特性データは、予測対象または学習対象の人的特性を示すデータであって、予測対象または学習対象が、ある時点において内在的または静的に有する性質を指し、主に自己報告式の質問紙調査等によって検出されるデータである。
　（学習装置の機能構成例）
　図１は、学習装置の機能構成図である。学習装置１０は、健康目標データ格納部１０１と、健康行動データ格納部１０２と、健康行動データ前処理部１０３と、健康志向行動傾向計算部１０４と、人的特性データ格納部１０５と、人的特性データ前処理部１０６と、人的特性尺度計算部１０７と、健康志向行動推定モデル構築部１０８と、健康志向行動推定モデル学習部１０９と、健康志向行動推定モデル格納部１１０と、を備える。
　健康目標データ格納部１０１には、学習対象の健康管理における目標値、目標値を設定した時刻（申告時刻）、及び目標値を達成するまでに要する時間として学習対象が自己申告した期間（目標期間）が、ユーザＩＤと紐づけられた健康目標データが格納される。ユーザＩＤは、学習対象を識別するための識別子である。
　健康行動データ格納部１０２には、学習対象の健康管理の対象となる身体的情報（例：体重、体脂肪率、ＢＭＩ等）のログが、記録時刻と共にユーザＩＤと紐づけられた健康行動データが格納される。
　人的特性データ格納部１０５には、学習対象の人的特性を捉えるための自己報告式の質問紙調査等による質問の回答が、ユーザＩＤと紐づけられた人的特性データが格納される。
　健康行動データ前処理部１０３は、健康行動データに前処理を施す。具体的には、健康行動データ前処理部１０３は、健康目標データに記録されている目標期間に基づいて分析対象とする期間を決定し、決定した期間に相当する健康行動データを抽出する。抽出された健康行動データを前処理済み健康行動データとする。
　健康志向行動傾向計算部１０４は、健康目標データと、前処理済み健康行動データとに基づいて、健康志向行動傾向を示す値を算出する。
　人的特性データ前処理部１０６は、人的特性データに前処理を施す。具体的には、人的特性データ前処理部１０６は、質問紙調査の質問項目に対する回答値の尺度としての性質に従い、人的特性データをあらかじめ定められた書式に変換する。変換された人的特性データを前処理済み人的特性データとする。
　人的特性尺度計算部１０７は、前処理済み人的特性データに基づいて、複数の人的特性尺度を計算する。
　健康志向行動推定モデル構築部１０８は、健康志向行動推定モデルを構築する。健康志向行動推定モデルは、健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための推定モデルである。
　健康志向行動推定モデル学習部１０９は、健康志向行動傾向計算部１０４によって算出された健康志向行動傾向を示す値と、人的特性尺度計算部１０７によって算出された特定の人的特性尺度と、に基づいて、健康志向行動推定モデルについて学習し、健康志向行動推定モデルの学習済みのパラメータを出力する。
　健康志向行動推定モデル格納部１１０は、健康志向行動推定モデル構築部１０８によって構築された健康志向行動推定モデルと、健康志向行動推定モデル学習部１０９によって学習された健康志向行動推定モデルのパラメータと、が格納される。
　（予測装置の機能構成例）
　図２は、予測装置の機能構成図である。予測装置２０は、人的特性データ前処理部２０１と、人的特性尺度計算部２０２と、健康志向行動推定モデル格納部２０３と、健康志向行動予測部２０４と、を備える。
　人的特性データ前処理部２０１は、予測対象の人的特性データに、学習装置１０の人的特性データ前処理部１０６と同様の前処理を施し、前処理済み人的特性データを出力する。
　人的特性尺度計算部２０２は、予測対象の前処理済み人的特性データに基づいて、学習装置１０の人的特性尺度計算部１０７と同様の計算により、複数の人的特性尺度を計算する。
　健康志向行動推定モデル格納部２０３は、学習装置１０の健康志向行動推定モデル格納部１１０に格納された、健康志向行動推定モデル構築部１０８によって構築された健康志向行動推定モデルと、健康志向行動推定モデル学習部１０９によって学習された健康志向行動推定モデルのパラメータと、が格納される。
　健康志向行動予測部２０４は、健康志向行動推定モデルと学習された健康志向行動推定モデルのパラメータとを用いて、人的特性尺度計算部２０２によって算出された複数の人的特性尺度に基づく健康志向行動傾向を予測し、予測結果を示すデータを出力する。
　（学習装置の動作例）
　次に、学習装置１０の動作例について、図面を参照して説明する。学習装置１０は、ユーザの操作等を受けて、または定期的に、学習処理を開始する。
　図３は、学習処理の流れの一例を示すフローチャートである。健康行動データ前処理部１０３が、健康行動データ格納部１０２から健康行動データを、健康目標データ格納部１０１から健康目標データを受け取り処理する（ステップＳ１００）。具体的には、健康行動データ前処理部１０３は、健康目標データに記録されている目標期間に基づいて分析対象とする期間を決定し、決定した期間に相当する健康行動データを抽出する。抽出された健康行動データを前処理済み健康行動データとする。
　次に、健康志向行動傾向計算部１０４が、健康目標データ格納部１０１から健康目標データを、健康行動データ前処理部１０３から前処理済み健康行動データを受け取り処理する（ステップＳ１１０）。具体的には、健康志向行動傾向計算部１０４は、健康目標データと、前処理済み健康行動データとに基づいて、健康志向行動傾向を示す値を算出する。
　次に、人的特性データ前処理部１０６が、人的特性データ格納部１０５から人的特性データを受け取り処理する（ステップＳ１２０）。具体的には、人的特性データ前処理部１０６は、質問紙調査の質問項目に対する回答値の尺度としての性質に従い、人的特性データをあらかじめ定められた書式に変換する。変換された人的特性データを前処理済み人的特性データとする。
　続いて、人的特性尺度計算部１０７が、人的特性データ前処理部１０６から前処理済み人的特性データを受け取り処理する（ステップＳ１３０）。具体的には、人的特性尺度計算部１０７は、前処理済み人的特性データに基づいて、特定の人的特性尺度を計算する。
　次に、健康志向行動推定モデル構築部１０８がモデルを構築する（ステップＳ１４０）。構築されるモデルは、健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルである。
　次に、健康志向行動推定モデル学習部１０９が、健康志向行動傾向計算部１０４から健康志向行動傾向を、人的特性尺度計算部１０７から人的特性尺度を、健康志向行動推定モデル構築部からモデルを受け取り、モデルを学習し、学習済みのモデルを健康志向行動推定モデル格納部に格納する（ステップＳ１５０）。具体的には、健康志向行動推定モデル学習部１０９は、健康志向行動傾向計算部１０４によって算出された健康志向行動傾向を示す値と、人的特性尺度計算部１０７によって算出された特定の人的特性尺度と、に基づいて、健康志向行動推定モデルについて学習し、健康志向行動推定モデルの学習済みのパラメータを健康志向行動推定モデル格納部１１０に格納する。
　（予測装置の動作例）
　次に、予測装置２０の動作例について、図面を参照して説明する。予測装置２０は、ユーザの操作等を受けて、または定期的に、予測処理を開始する。
　図４は、予測処理の流れの一例を示すフローチャートである。人的特性データ前処理部２０１が、入力として人的特性データを受け取り処理する（ステップＳ２００）。具体的には、人的特性データ前処理部２０１は、学習装置１０による学習処理のステップＳ１２０の処理と同様に、質問紙調査の質問項目に対する回答値の尺度としての性質に従い、人的特性データをあらかじめ定められた書式に変換する。変換された人的特性データを前処理済み人的特性データとする。
　次に、人的特性尺度計算部１０７が人的特性データ前処理部１０６から前処理済み人的特性データを受け取り処理する（ステップＳ２０１）。具体的には、人的特性尺度計算部１０７は、学習装置１０による学習処理のステップＳ１３０の処理と同様に、前処理済み人的特性データに基づいて、特定の人的特性尺度を計算する。
　次に、健康志向行動予測部２０４が、人的特性尺度計算部２０２から人的特性尺度を、健康志向行動推定モデル格納部２０３から学習済みのモデルを受け取り、モデルに従って健康志向行動傾向を計算し、計算結果を出力する（ステップＳ２０２）。具体的には、健康志向行動予測部２０４は、健康志向行動推定モデルと学習された健康志向行動推定モデルのパラメータとを用いて、人的特性尺度計算部２０２によって算出された特定の人的特性尺度に基づく健康志向行動傾向を予測し、予測結果を示すデータを出力する。
　（本実施の形態に係る各種データの形式例）
　次に、本実施の形態に係る学習装置１０および予測装置２０が扱う各種データの形式例について説明する。
　図５は、健康目標データの一例を示す図である。健康目標データ９０１は、項目として、ユーザＩＤと、目標値と、申告時刻と、目標期間と、を含む。
　項目「ユーザＩＤ」の値は、学習対象を識別するための識別子である。項目「目標値」の値は、学習対象の健康管理における目標値である。項目「申告時刻」の値は、学習対象が目標値を設定した時刻である。項目「目標期間」の値は、目標値を達成するまでに要する時間として学習対象が自己申告した期間である。
　図６は、健康行動データの一例を示す図である。健康行動データ９０２は、項目として、ユーザＩＤと、ログＩＤと、記録時刻と、体重と、を含む。
　項目「ユーザＩＤ」の値は、学習対象を識別するための識別子である。項目「ログＩＤ」の値は、ログを識別するための識別子である。項目「記録時刻」の値は、ログが記録された時刻である。項目「体重」の値は、学習対象の健康管理の対象となる身体的情報の一例としての体重である。
　図７は、前処理済み健康行動データの一例を示す図である。前処理済み健康行動データ９０３は、項目として、ユーザＩＤと、ログＩＤと、記録時刻と、体重と、を含む。
　項目「ユーザＩＤ」の値は、学習対象を識別するための識別子である。項目「ログＩＤ」の値は、ログを識別するための識別子である。なお、項目「ログＩＤ」の値は、健康行動データ前処理部１０３による前処理において新たに振り直されるため、図６に示した健康行動データ９０２の項目「ログＩＤ」の値と一致するとは限らない。項目「記録時刻」の値は、ログが記録された時刻である。項目「体重」の値は、学習対象の健康管理の対象となる身体的情報の一例としての体重である。
　図８は、健康志向行動傾向の計算結果の一例を示す図である。計算結果９０４の各値は、健康志向行動傾向計算部１０４によって計算された健康志向行動傾向を示す値である。具体的には、計算結果９０４は、ユーザＩＤごとの現状値、目標難易度、実行頻度、実行強度、達成頻度、達成速度、定着度等を含む複数の健康志向行動傾向を示す値である。
　図９は、人的特性データの一例を示す図である。人的特性データ９０５は、予測対象または学習対象の人的特性を捉えるための自己報告式の質問紙調査等による質問の回答が、ユーザＩＤと紐づけられたデータである。
　例えば、図９の例は、以下の質問に対する回答である。
　Ｑ１＿１－Ｑ１＿５:人口統計学的情報に関する質問（Ｑ１＿１：性別，Ｑ１＿２：年齢，Ｑ１＿３：ＢＭＩ，Ｑ１＿４：婚姻状況，Ｑ１＿５：世帯人数）
　Ｑ２＿１，Ｑ２＿２：心理的特性に関する質問（Ｑ２＿１：「人と話すことが好きですか？」，Ｑ２＿２：「大勢の人と一緒にいることは苦手ですか？」／回答選択肢：全くそうでない，そうでない，どちらでもない，そうだ，非常にそうだ）
　Ｑ３＿１，Ｑ３＿２：認知的特性に関する質問（Ｑ３＿１：「５０％の確率で１００，０００円当たるクジがあるとした時、何円までならお金を払ってそのくじを買いますか？」，Ｑ３＿２：「降水確率が何％以上なら傘をもっていきますか？」）
　Ｑ４＿１，Ｑ４＿２：健康習慣に関する質問（Ｑ４＿１：「最近夜眠れないことがありますか？」，Ｑ４＿２：「脂っこいものを食べることがありますか？」／回答選択肢：全くない，あまりない，時々ある，よくある）
　Ｑ５＿１，Ｑ５＿２：仕事生産性に関する質問（Ｑ５＿１：「過去１年間のあなたの仕事のパフォーマンスを０から１０までの尺度上で評価してください」／Ｑ５＿２：「過去４週間のあなたの仕事のパフォーマンスを０から１０までの尺度上で評価してください」）
　図１０は、前処理済み人的特性データの一例を示す図である。前処理済み人的特性データ９０６は、人的特性データ９０５をあらかじめ定められた書式に変換されたものである。
　例えば、図１０の例は、図９に示した人的特性データ９０５を以下の対応関係に従って人的特性データ前処理部１０６によって前処理されたものである。
　性別：（Ｑ１＿１＊:Ｑ１＿１)＝（０：女性）ｏｒ（１：男性）
　年齢：Ｑ１＿２＊＝Ｑ１＿２
　ＢＭＩ：Ｑ１＿３＊＝Ｑ１＿３
　婚姻状況：（Ｑ１＿４＊：Ｑ１＿４）＝（０：未婚）ｏｒ（１：既婚）
　世帯人数：Ｑ１＿５＊＝Ｑ１＿５
　心理的特性：
（Ｑ２＿１＊：Ｑ２＿１）＝（１：まったくそうでない），（２：そうでない），（３：どちらでもない），（４：そうだ）ｏｒ（５：非常にそうだ）
（Ｑ２＿２＊：Ｑ２＿２）＝（５： まったくそうでない），（４：そうでない），（３：どちらでもない），（２：そうだ）ｏｒ（１：非常にそうだ）
　認知的特性：
Ｑ３＊＝Ｑ３
Ｑ３＿１，Ｑ３＿２共に上記の変換に従う。
　健康習慣：（Ｑ４＊：Ｑ４）＝（０：全くない），（１：あまりない），（２：時々ある），ｏｒ（３：よくある）
Ｑ４＿１,Ｑ４＿２共に上記の変換に従う。
　仕事生産性：Ｑ５＊＝Ｑ５
Ｑ５＿１，Ｑ５＿２共に上記の変換に従う。
　図１１は、人的特性尺度の一例を示す図である。人的特性尺度の計算結果９０７は、人的特性尺度計算部１０７によって計算された人的特性尺度を示す各種の値が含まれる。例えば、図１１に示した計算結果９０７は、図１０に示した前処理済み人的特性データ９０６に基づく以下の計算によって算出されたものである。
　Ｇｅｎｄｅｒ：Ｑ１＿１＊
　Ａｇｅ：Ｑ１＿２＊
　ＢＭＩ：Ｑ１＿３＊
　Ｍａｒｒｉａｇｅ：Ｑ１＿４＊
　Ｈｏｕｓｅｍａｔｅ：Ｑ１＿５＊
　Ｅｘｔｒａｖｅｒｓｉｏｎ：（Ｑ２＿１＊＋Ｑ２＿２＊）／２
　Ｒｉｓｋ ａｖｅｒｓｉｏｎ：１－Ｑ３＿１＊／５００００
　なお、上式・第二項の分母は、このクジによって得られる報酬の期待値である。
　Ｒｉｓｋ ｔａｋｉｎｇ：１－Ｑ３＿２＊／１００
　なお、上式・第二項は、回答した降水確率（％）を確率値に変換した値である。
　Ｓｌｅｅｐ：Ｑ４＿１＊
　Ｏｉｌ：Ｑ４＿２＊
　Ｗｏｒｋ ｐｅｒｆｏｒｍａｎｃｅ：（Ｑ５＿１＊＋Ｑ５＿２＊）／２
　（本実施の形態に係る各処理の詳細）
　次に、本実施の形態に係る学習処理および予測処理の詳細について説明する。以降では、ｉ番目の健康行動データログをｙｉとした時、健康行動データベクトルをｙ＝（ｙ０，・・・，ｙＮ－１）Ｔ、ｙｉが記録された時刻をｔｉとする。また、健康目標データの目標値をｇ、申告時刻をｔｇ、目標期間をｓとする。ここで、健康目標データは更新されない限り一定であるものとする。
　学習装置１０は、目標期間中に健康目標データが更新された場合、もしくは目標期間終了後に健康目標データが新たに設定された場合は、目標値、申告時刻、目標期間を更新した上で、以下に示される処理を実行する。
　健康行動データ前処理部１０３による処理（図３に示した学習処理のステップＳ１００）について説明する。健康行動データ前処理部１０３は、yから期間ｔｇからｔｇ＋ｓまでに記録されたデータを抽出する。すなわち、健康行動データ前処理部１０３によって得られる前処理済み健康行動データベクトルｙ＊は、以下の式（１）によって計算される。
Figure JPOXMLDOC01-appb-M000001
 　ここで、ｉｇはｔｉ∈［ｔｇ,ｔｇ＋ｓ］において最初に記録されている健康行動データのログＩＤを示す。また、ｙｉ ＊が記録された時刻をｔｉ ＊とする。
　次に、健康志向行動傾向計算部１０４による処理（図３に示した学習処理のステップＳ１１０）について説明する。健康志向行動傾向計算部１０４は、前処理済み健康行動データベクトルｙ＊と目標値ｇから現状値ｒ（ｓ）、目標難易度ｒ（ｄ）、実行度ｒ（ｐ）、達成度ｒ（ａ）、定着度ｒ（ｆ）をそれぞれ抽出する。
　これらのうち、現状値は、前処理済み行動データの中で最初に記録されたデータを指す。学習対象ｕの現状値は、以下の式（２）によって計算される。
Figure JPOXMLDOC01-appb-M000002
　また、目標難易度は、現状値ｒｕ （ｓ）に対する目標値ｇの高さを表現する値である。健康志向行動傾向計算部１０４は、以下の式（３）によって目標難易度を計算する。
Figure JPOXMLDOC01-appb-M000003
 　ただし、目標難易度の定義に従う限り、計算方法は上記の限りではない。例えば、健康志向行動傾向計算部１０４は、目標難易度を下記のように算出しても良い。
Figure JPOXMLDOC01-appb-M000004
　また、実行度は、目標期間中に目標値を達成するまでの間に目標値に向かって実際に行動した程度を表現する値である。ここでは例として、実行度を、実行頻度と実行強度から構成する。実行度の定義に従う限り、実行度を構成する尺度はこれらの限りではない。実行頻度とは目標値に向かって行動した頻度、実行強度とは目標値に向かう行動１回当たりの平均変化量を指す。例えば、Ｌ番目のログが初めて目標値を達成した際に出力されたログであると仮定すると、健康志向行動傾向計算部１０４は、前処理済み健康行動データベクトルｙ＊からＬ番目までの要素を抽出したベクトルをｙｐとする。ｙｐは以下の式（４）によって算出される。
Figure JPOXMLDOC01-appb-M000005
　この場合、実行頻度ｒ（ｐ，ｆ）は、以下の式（５）によって算出される。
Figure JPOXMLDOC01-appb-M000006
　また、実行強度ｒ（ｐ，ｓ）は、以下の式（６）によって算出される。
Figure JPOXMLDOC01-appb-M000007
 　ただし、実行度の定義に従う限り、計算方法は上記の限りではない。例えば、健康志向行動傾向計算部１０４は、実行頻度を
Figure JPOXMLDOC01-appb-M000008
 　のように算出しても良く、実行強度を
Figure JPOXMLDOC01-appb-M000009
 　のように算出しても良い。
　また、達成度は、設定された目標値を達成した程度を表現する値である。ここでは例として、達成度を、達成頻度と達成速度から構成する。達成度の定義に従う限り、達成度を構成する尺度はこれらの限りではない。達成頻度とは、目標期間中に目標値を達成した値が記録された頻度を指す。達成速度とは、初めて目標値を達成するまでの速さを指す。達成頻度ｒ（ａ，ｆ）は、以下の式（７）によって算出される。
Figure JPOXMLDOC01-appb-M000010
　また、Ｌ番目のログが初めて目標値を達成した際に出力されたログであると仮定すると、達成速度ｒ（ａ，ｖ）は、以下の式（８）によって算出される。
Figure JPOXMLDOC01-appb-M000011
 　ただし、達成度の定義に従う限り、計算方法は上記の限りではない。例えば、健康志向行動傾向計算部１０４は、達成頻度および達成速度を
Figure JPOXMLDOC01-appb-M000012
 　のように算出しても良い。
　また、定着度は、目標期間中に目標値に近い状態を維持している程度を示す値である。健康志向行動傾向計算部１０４は、健康行動データベクトルｙ＊の要素の頻度分布から目標値ｇがどの程度期待されるかを評価して、定着度を算出する。健康志向行動傾向計算部１０４は、定着度ｒ（ｆ）をｙ＊の頻度分布に基づくカーネル密度関数によって算出する。
　健康志向行動傾向計算部１０４は、ｙ０ ＊，・・・，ｙＮ－１ ＊を、確率密度関数ｆを持つ独立同分布から得られた標本であると仮定し、カーネル関数Ｋ、平滑化パラメータｈのカーネル密度推定量を以下の式（９）のように算出する。
Figure JPOXMLDOC01-appb-M000013
 　ここで、健康志向行動傾向計算部１０４は、定着度ｒ（ｆ）を以下の式（１０）のように算出する。
Figure JPOXMLDOC01-appb-M000014
　なお、カーネル関数は、
Figure JPOXMLDOC01-appb-M000015
 　とされているが、他の設定であっても良い。また、平滑化パラメータｈは適当な値が設定されている。また、定着度の定義に従う限り、計算方法は上記の限りではない。
　健康志向行動傾向計算部１０４は、算出された現状値ｒ（ｓ）、目標難易度ｒ（ｄ）、実行度ｒ（ｐ）、達成度ｒ（ａ）および定着度ｒ（ｆ）を健康志向行動推定モデル学習部１０９に出力する。
　次に、学習装置１０の人的特性データ前処理部１０６による学習処理のステップＳ１２０の処理について説明する。後述する処理は、予測装置２０の人的特性データ前処理部２０１による予測処理のステップＳ２００の処理についても同様である。
　人的特性データ前処理部１０６は、質問紙調査の質問に対する回答の尺度の性質に従って、回答値を変換する。回答の尺度には、名義尺度、順序尺度、間隔尺度、比率尺度が存在し、それぞれ以下のように変換される。
　名義尺度は、属性やカテゴリを区別するために用いる尺度である。図９に示した人的特性データ９０５の例では、性別（Ｑ１＿１）と婚姻状況（Ｑ１＿４）に対する回答値がこれに相当する。人的特性データ前処理部１０６は、名義尺度に相当する回答値を、学習装置１０にあらかじめ設定された値に対応づけて変換する。
　例えば、人的特性データ前処理部１０６は、「女性」を０、「男性」を１のように変換する。なお、変換後においても、回答値に対応する属性やカテゴリを区別できるのであれば、変換の方法は上記の限りではない。
　順序尺度は、大小関係に意味を持つものの、差や比率に意味を持たない尺度である。図９に示した人的特性データ９０５の例では、心理特性（Ｑ２＿１，Ｑ２＿２）や健康習慣（Ｑ４＿１，Ｑ４＿２）に対する回答値がこれに相当する。人的特性データ前処理部１０６は、順序尺度に相当する回答値を、回答値の間で順序関係が保たれるように変換する。
　例えば、人的特性データ前処理部１０６は、例えば、「全くそうでない」を１、「そうでない」を２、「どちらでもない」を３、「そうだ」を４、「非常にそうだ」を５のように変換する。なお、変換後においても回答値の順序関係が保たれているのであれば、変換の方法は上記の限りではない。
　間隔尺度および比率尺度は、数量データと呼ばれ、間隔が等しく設定されている尺度である。図９に示した人的特性データ９０５の例では、年齢（Ｑ１＿２）、世帯人数（Ｑ１＿５）、認知特性（Ｑ３＿１，Ｑ３＿２）、仕事生産性（Ｑ５＿１，Ｑ５＿２）に関する回答値が間隔尺度または比率尺度に相当する。人的特性データ前処理部１０６は、これらの回答値の変換を行わない。
　次に、人的特性尺度計算部１０７による学習処理のステップＳ１３０の処理について説明する。後述する処理は、予測装置２０の人的特性尺度計算部２０２による予測処理のステップＳ２０１の処理についても同様である。
　人的特性尺度計算部１０７は、人的特性データ前処理部１０６によって得られた変換済みの回答値を用いて、学習対象の人的特性尺度を算出する。算出方法は、学習装置１０にあらかじめ定められた方法に従う。
　例えば、図１１に示した例では、人的特性尺度計算部１０７は、Ｅｘｔｒａｖｅｒｓｉｏｎという人的特性尺度を前処理済み人的特性データにおけるＱ２＿１＊とＱ２＿２＊の回答値の平均をとることによって算出する。
　例えば、人的特性尺度計算部１０７は、Ｍ項目の人的特性尺度を算出したと仮定すると、項目ｉの人的特性尺度をｘｉとして、各ユーザの人的特性尺度ベクトルｘ＝（ｘｉ｜ｉ＝１，・・・，Ｍ）Ｔを出力する。
　健康志向行動推定モデル構築部１０８による学習処理のステップＳ１４０の処理について説明する。健康志向行動推定モデルは、人的特性尺度から健康志向行動傾向を予測することを目的としており、教師あり学習の手法に従うものであればいかなる手法を用いても構築することができる。ここでは例として、線形回帰を用いる。線形回帰とは一般に、目的変数をｙ、説明変数をｘｉ、ｘｉの係数をβｉ、定数項をα、誤差項をεとして、以下の式（１１）のように記述される。
Figure JPOXMLDOC01-appb-M000016
 　ここで、パラメータベクトルをβ＝（α，β１，・・・，βＭ）Ｔ、説明変数ベクトルをｘ＝（１,ｘ１，・・・，ｘＭ）Ｔとすると、以下の式（１２）のように記述される。
Figure JPOXMLDOC01-appb-M000017
　ここで、ユーザｕが持つ健康志向行動傾向ｒｈ（ｈ＝（ｓ），（ｄ），（ｐ，ｆ），（ｐ，ｓ），（ａ，ｆ），（ａ，ｖ），（ｆ））をｒｕ ｈとする。ユーザｕが持つ人的特性尺度ｘｕ，ｉから構成されるベクトルをｘｕ＝（１，ｘｕ，１，・・・，ｘｕ，Ｍ）Ｔとする。健康志向行動傾向ｒｈの回帰における定数項をαｈ、項目ｉの人的特性尺度が有する係数をβｉ ｈとし、それらを要素にもつパラメータベクトルをβｈ＝（αｈ，β１ ｈ，・・・，βＭ ｈ）Ｔとする。健康志向行動傾向ｒｈの回帰におけるユーザｕが持つ誤差項をεｕ ｈとする。これらの変数は、式（１２）に基づいて、式（１３）のように記述される。
Figure JPOXMLDOC01-appb-M000018
 　ここで、
Figure JPOXMLDOC01-appb-M000019
 　とすると、式（１３）は、式（１４）のように記述される。
Figure JPOXMLDOC01-appb-M000020
　健康志向行動推定モデル構築部１０８は、健康志向行動推定モデルを以下の式（１５）として構築する。
Figure JPOXMLDOC01-appb-M000021
　次に、健康志向行動推定モデル学習部１０９による学習処理のステップＳ１５０の処理について説明する。健康志向行動推定モデル学習部１０９は、健康志向行動傾向計算部１０４から健康志向行動傾向ｒｈ（ｈ＝（ｓ），（ｄ），（ｐ，ｆ），（ｐ，ｓ），（ａ，ｆ），（ａ，ｖ），（ｆ））を、人的特性尺度計算部１０７から人的特性尺度ベクトルｘを、健康志向行動推定モデル構築部１０８からｆ（Ｘ）を受け取り、パラメータβｈを学習する。以下に学習手順について説明する。
　健康志向行動推定モデル学習部１０９は、ユーザｕの項目ｉの人的特性尺度ｘｕ，ｉを、以下の式（１６）に従って標準化する。
Figure JPOXMLDOC01-appb-M000022
 　ここで、μｉとσｉは、それぞれ項目ｉの人的特性尺度ｘｉのユーザに対する平均値と分散である。
　次に、健康志向行動推定モデル学習部１０９は、健康志向行動推定モデルの推定結果と真値の誤差を最小化するパラメータを得る。最小二乗法によってパラメータを算出する例を示す。健康志向行動推定モデル学習部１０９は、健康志向行動推定モデルの入力変数である行列Ｘの要素ｘｕ，ｉをｚｕ，ｉに置換した標準化済人的特性行列をＺとし、以下の式（１７）のように構成する。
Figure JPOXMLDOC01-appb-M000023
　標準化済人的特性行列Ｚから推定される健康志向行動傾向ベクトルを＾ｒｈとすると、推定誤差ベクトルεｈは以下の式（１８）のように記述される。
Figure JPOXMLDOC01-appb-M000024
　健康志向行動推定モデル学習部１０９は、誤差ベクトルεｈを最小化するパラメータβｈを，以下の式（１９）のような最適化問題を解くことによって得る。
Figure JPOXMLDOC01-appb-M000025
 　具体的には、健康志向行動推定モデル学習部１０９は、損失関数Ｌ（βｈ）＝（ｒｈ－Ｚβｈ）Ｔ（ｒｈ－Ｚβｈ）とし、損失関数のβｈに関する勾配が０となる点を探す。
　したがって、以下の式（２０）のようになり、健康志向行動傾向ｈに対するパラメータβｈが学習される。
Figure JPOXMLDOC01-appb-M000026
　なお、最小二乗法を用いてパラメータを学習する例を示したが、健康志向行動推定モデルの推定結果と真値の誤差を最小化するパラメータを得る手法であれば、パラメータを学習する手法は上記の限りではない。
　健康志向行動推定モデル学習部１０９は、得られたパラメータβｈを健康志向行動推定モデルｆに代入し、パラメータ代入済の健康志向行動推定モデルを健康志向行動推定モデル格納部１１０に格納する。
　次に、健康志向行動予測部２０４による予測処理のステップＳ２０２の処理について説明する。線形回帰モデルｆ（Ｘ）が、健康志向行動推定モデルとして、健康志向行動推定モデル格納部２０３に格納されているものとする。健康志向行動予測部２０４は、人的特性尺度ｘ′ｕ，ｉと健康志向行動推定モデルｆ（Ｘ）を取得すると、人的特性尺度ｘ′ｕ，ｉを以下の式（２１）のように変換する。
Figure JPOXMLDOC01-appb-M000027
 　ここで、μ′ｉとσ′ｉは、それぞれ人的特性尺度のユーザごとの平均値と分散である。ここで、ｚ′ｕ，ｉを要素に持つ行列を式（２２）とする。
Figure JPOXMLDOC01-appb-M000028
　健康志向行動の推定結果＾ｒｈ＝（＾ｒｈ｜ｕ＝１，・・・，Ｎ）Ｔは、健康志向行動推定モデルｆ（Ｘ）および学習済みパラメータベクトルβｈ＝（ＺＴＺ）－１ＺＴｒｈから、以下の式（２３）のように得られる。
Figure JPOXMLDOC01-appb-M000029
 　健康志向行動予測部２０４は、健康志向行動の推定結果＾ｒｈを出力する。
　（本実施の形態に係るハードウェア構成例）
　学習装置１０および予測装置２０は、例えば、コンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。なお、この「コンピュータ」は、物理マシンであってもよいし、クラウド上の仮想マシンであってもよい。仮想マシンを使用する場合、ここで説明する「ハードウェア」は仮想的なハードウェアである。
　上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メール等、ネットワークを通して提供することも可能である。
　図１２は、上記コンピュータのハードウェア構成例を示す図である。図１２のコンピュータは、それぞれバスＢで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、インタフェース装置１００５、表示装置１００６、入力装置１００７、出力装置１００８等を有する。
　当該コンピュータでの処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ又はメモリカード等の記録媒体１００１によって提供される。プログラムを記憶した記録媒体１００１がドライブ装置１０００にセットされると、プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。
　メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って、当該装置に係る機能を実現する。インタフェース装置１００５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１００６はプログラムによるＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）等を表示する。入力装置１００７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。出力装置１００８は演算結果を出力する。なお、上記コンピュータは、ＣＰＵ１００４の代わりにＧＰＵ（Graphics Processing Unit）またはＴＰＵ（Tensor processing unit）を備えていても良く、ＣＰＵ１００４に加えて、ＧＰＵまたはＴＰＵを備えていても良い。その場合、例えばニューラルネットワーク等の特殊な演算が必要な処理をＧＰＵまたはＴＰＵが実行し、その他の処理をＣＰＵ１００４が実行する、というように処理を分担して実行しても良い。
　（本実施の形態の効果）
　本実施の形態に係る学習装置１０は、性別、年齢、ＢＭＩ等の基本事項だけでなく、心理特性、認知特性、健康習慣、仕事生産性といった多様な人的特性を考慮した学習を行う。これによって、健康志向行動傾向を推定するモデルの推定精度を向上させることができる。また、予測装置２０は、性別、年齢、ＢＭＩ等の基本事項だけでなく、心理特性、認知特性、健康習慣、仕事生産性といった多様な人的特性を考慮した予測を行う。これによって、健康志向行動傾向の予測精度を向上させることができる。
　また、本実施の形態に係る学習装置１０は、健康行動データおよび健康目標データに基づいて、定着度等を含む健康志向行動傾向を示す種々の値を算出し、算出された値に基づく機械学習によって、健康志向行動推定モデルのパラメータを学習する。定着度等を含む健康志向行動傾向を示す種々の値を評価することによって、従来では評価されてこなかった新たな観点で健康志向行動を評価できる。これにより、健康志向行動傾向をより多角的に評価し、予測精度をさらに向上させることができる。
　（実施の形態のまとめ）
　本明細書には、少なくとも下記の各項に記載した予測装置、学習装置、予測方法、学習方法およびプログラムが記載されている。
（第１項）
　予測対象の健康志向行動傾向を予測するための予測装置であって、
　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、
　予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、
　前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測する健康志向行動予測部と、を備える、
　予測装置。
（第２項）
　前記人的特性データに含まれる質問項目に対する回答値の尺度としての性質に従い、前記人的特性データをあらかじめ定められた書式に変換する人的特性データ前処理部をさらに備え、
　前記人的特性尺度計算部は、前記書式に変換された前記人的特性データに基づいて、前記複数の人的特性尺度を計算する、
　第１項に記載の予測装置。
（第３項）
　前記人的特性尺度計算部は、前記回答値の尺度として、名義尺度、順序尺度、間隔尺度または比率尺度のいずれかの尺度に応じて、前記人的特性データの書式を変換する、
　第２項に記載の予測装置。
（第４項）
　健康志向行動を推定するための健康志向行動推定モデルのパラメータを学習するための学習装置であって、
　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、
　学習対象の健康目標データと健康行動データとに基づいて、前記学習対象の健康志向行動傾向を示す値を算出する健康志向行動傾向計算部と、
　前記学習対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、
　前記複数の人的特性尺度と、前記健康志向行動傾向を示す値と、に基づいて、前記健康志向行動推定モデルのパラメータを学習する健康志向行動推定モデル学習部と、を備える、
　学習装置。
（第５項）
　前記健康志向行動傾向計算部は、目標期間中に目標値に近い状態を維持している程度を示す定着度を含む複数の健康志向行動傾向を示す値を計算する、
　第４項に記載の学習装置。
（第６項）
　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する予測装置が実行する予測方法であって、
　予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算するステップと、
　前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測するステップと、を備える、
　予測方法。
（第７項）
　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する学習装置が実行する学習方法であって、
　学習対象の健康目標データと健康行動データとに基づいて、前記学習対象の健康志向行動傾向を示す値を算出するステップと、
　前記学習対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算するステップと、
　前記複数の人的特性尺度と、前記健康志向行動傾向を示す値と、に基づいて、前記健康志向行動推定モデルのパラメータを学習するステップと、を備える、
　学習方法。
（第８項）
　コンピュータを、第１項から第３項のいずれか１項に記載の予測装置における各部として機能させるためのプログラム、または、コンピュータを、第４項または第５項に記載の学習装置における各部として機能させるためのプログラム。
　以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
１０　学習装置
２０　予測装置
１０１　健康目標データ格納部
１０２　健康行動データ格納部
１０３　健康行動データ前処理部
１０４　健康志向行動傾向計算部
１０５　人的特性データ格納部
１０６　人的特性データ前処理部
１０７　人的特性尺度計算部
１０８　健康志向行動推定モデル構築部
１０９　健康志向行動推定モデル学習部
１１０　健康志向行動推定モデル格納部
２０１　人的特性データ前処理部
２０２　人的特性尺度計算部
２０３　健康志向行動推定モデル格納部
２０４　健康志向行動予測部
１０００　ドライブ装置
１００１　記録媒体
１００２　補助記憶装置
１００３　メモリ装置
１００４　ＣＰＵ
１００５　インタフェース装置
１００６　表示装置
１００７　入力装置
１００８　出力装置

Claims (8)

  1. 　予測対象の健康志向行動傾向を予測するための予測装置であって、
    　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、
    　予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、
    　前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測する健康志向行動予測部と、を備える、
    　予測装置。
  2. 　前記人的特性データに含まれる質問項目に対する回答値の尺度としての性質に従い、前記人的特性データをあらかじめ定められた書式に変換する人的特性データ前処理部をさらに備え、
    　前記人的特性尺度計算部は、前記書式に変換された前記人的特性データに基づいて、前記複数の人的特性尺度を計算する、
    　請求項１に記載の予測装置。
  3. 　前記人的特性尺度計算部は、前記回答値の尺度として、名義尺度、順序尺度、間隔尺度または比率尺度のいずれかの尺度に応じて、前記人的特性データの書式を変換する、
    　請求項２に記載の予測装置。
  4. 　健康志向行動を推定するための健康志向行動推定モデルのパラメータを学習するための学習装置であって、
    　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する健康志向行動推定モデル格納部と、
    　学習対象の健康目標データと健康行動データとに基づいて、前記学習対象の健康志向行動傾向を示す値を算出する健康志向行動傾向計算部と、
    　前記学習対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算する人的特性尺度計算部と、
    　前記複数の人的特性尺度と、前記健康志向行動傾向を示す値と、に基づいて、前記健康志向行動推定モデルのパラメータを学習する健康志向行動推定モデル学習部と、を備える、
    　学習装置。
  5. 　前記健康志向行動傾向計算部は、目標期間中に目標値に近い状態を維持している程度を示す定着度を含む複数の健康志向行動傾向を示す値を計算する、
    　請求項４に記載の学習装置。
  6. 　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する予測装置が実行する予測方法であって、
    　予測対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算するステップと、
    　前記健康志向行動推定モデルを用いて、計算された前記複数の人的特性尺度に基づく健康志向行動傾向を予測するステップと、を備える、
    　予測方法。
  7. 　健康志向行動と人的特性の関係性に基づいて健康志向行動を推定するための健康志向行動推定モデルを格納する学習装置が実行する学習方法であって、
    　学習対象の健康目標データと健康行動データとに基づいて、前記学習対象の健康志向行動傾向を示す値を算出するステップと、
    　前記学習対象の人的特性を示す人的特性データに基づいて、複数の人的特性尺度を計算するステップと、
    　前記複数の人的特性尺度と、前記健康志向行動傾向を示す値と、に基づいて、前記健康志向行動推定モデルのパラメータを学習するステップと、を備える、
    　学習方法。
  8. 　コンピュータを、請求項１から３のいずれか１項に記載の予測装置における各部として機能させるためのプログラム、または、コンピュータを、請求項４または５に記載の学習装置における各部として機能させるためのプログラム。
PCT/JP2021/021055 2021-06-02 2021-06-02 予測装置、学習装置、予測方法、学習方法およびプログラム WO2022254625A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/557,151 US20240221883A1 (en) 2021-06-02 2021-06-02 Prediction apparatus, learning apparatus, prediction method, learning method and program
PCT/JP2021/021055 WO2022254625A1 (ja) 2021-06-02 2021-06-02 予測装置、学習装置、予測方法、学習方法およびプログラム
JP2023525254A JPWO2022254625A1 (ja) 2021-06-02 2021-06-02

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/021055 WO2022254625A1 (ja) 2021-06-02 2021-06-02 予測装置、学習装置、予測方法、学習方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2022254625A1 true WO2022254625A1 (ja) 2022-12-08

Family

ID=84322868

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/021055 WO2022254625A1 (ja) 2021-06-02 2021-06-02 予測装置、学習装置、予測方法、学習方法およびプログラム

Country Status (3)

Country Link
US (1) US20240221883A1 (ja)
JP (1) JPWO2022254625A1 (ja)
WO (1) WO2022254625A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005328924A (ja) * 2004-05-18 2005-12-02 Toyama Univ 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム
JP2008206575A (ja) * 2007-02-23 2008-09-11 Hitachi Ltd 情報管理システム及びサーバ
WO2017022013A1 (ja) * 2015-07-31 2017-02-09 株式会社ＦｉＮＣ 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム
JP2019133397A (ja) * 2018-01-31 2019-08-08 豊田通商株式会社 健康管理システム、健康管理方法、プログラム、及び記録媒体
WO2019187933A1 (ja) * 2018-03-26 2019-10-03 Ｎｅｃソリューションイノベータ株式会社 健康支援システム、情報提供シート出力装置、方法およびプログラム
JP2020035365A (ja) * 2018-08-31 2020-03-05 日本電信電話株式会社 介入内容推定装置、方法およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005328924A (ja) * 2004-05-18 2005-12-02 Toyama Univ 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム
JP2008206575A (ja) * 2007-02-23 2008-09-11 Hitachi Ltd 情報管理システム及びサーバ
WO2017022013A1 (ja) * 2015-07-31 2017-02-09 株式会社ＦｉＮＣ 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム
JP2019133397A (ja) * 2018-01-31 2019-08-08 豊田通商株式会社 健康管理システム、健康管理方法、プログラム、及び記録媒体
WO2019187933A1 (ja) * 2018-03-26 2019-10-03 Ｎｅｃソリューションイノベータ株式会社 健康支援システム、情報提供シート出力装置、方法およびプログラム
JP2020035365A (ja) * 2018-08-31 2020-03-05 日本電信電話株式会社 介入内容推定装置、方法およびプログラム

Also Published As

Publication number Publication date
US20240221883A1 (en) 2024-07-04
JPWO2022254625A1 (ja) 2022-12-08

Similar Documents

Publication Publication Date Title
Hsieh et al. A social interactions model with endogenous friendship formation and selectivity
US20210232951A1 (en) Systems and methods of processing personality information
Tzeng et al. Fuzzy decision maps: a generalization of the DEMATEL methods
Pfeiffer et al. Adaptive polling for information aggregation
Young et al. A survey of methodologies for the treatment of missing values within datasets: Limitations and benefits
CN107391692A (zh) 一种推荐效果的评估方法及装置
US20190385105A1 (en) Latent Ability Model Construction Method, Parameter Calculation Method, and Labor Force Assessment Apparatus
US20140351198A1 (en) Information processing apparatus, information processing method, and program
Brookhart et al. A semiparametric model selection criterion with applications to the marginal structural model
Wu et al. Response-adaptive regression for longitudinal data
Bosch et al. Identity style during the transition to adulthood: The role of family communication patterns, perceived support, and affect
Das et al. A Bayesian semiparametric model for bivariate sparse longitudinal data
CN113449260A (zh) 广告点击率预测方法、模型的训练方法、装置和存储介质
Pancardo et al. A Fuzzy Logic‐Based Personalized Method to Classify Perceived Exertion in Workplaces Using a Wearable Heart Rate Sensor
US20210279838A1 (en) State visualization device, state visualization method, and state visualization program
Kostyshak Non-parametric Testing of U-shaped Relationships
WO2022254625A1 (ja) 予測装置、学習装置、予測方法、学習方法およびプログラム
JP5277996B2 (ja) 解析装置、解析方法及び解析方法のプログラム
Shi et al. Evaluating social network-based weight loss interventions in Chinese population: An agent-based simulation
Sterck HIV/AIDS and fatalism: should prevention campaigns disclose the transmission rate of HIV?
WO2020054369A1 (ja) 健康評価システムおよび健康評価プログラム
Ibrahim et al. Factors influencing small and medium enterprises’ performance
CN110837895A (zh) 模型解释方法和装置、电子设备及计算机可读存储介质
Zhang et al. Modeling stochastic mortality for joint lives through subordinators
CN113537759B (zh) 一种基于权重自适应的用户体验度量模型

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21944129

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023525254

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18557151

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21944129

Country of ref document: EP

Kind code of ref document: A1