特開 2021-162984 事象発生予測装置および事象発生予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-162984(P2021-162984A)

(43)【公開日】2021年10月11日

(54)【発明の名称】事象発生予測装置および事象発生予測方法

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20210913BHJP

   G06F 17/16 20060101ALI20210913BHJP

   G06N 7/00 20060101ALI20210913BHJP

【ＦＩ】

   G06Q50/10

   G06F17/16 Z

   G06N7/00

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

【全頁数】12

(21)【出願番号】特願2020-61937(P2020-61937)

(22)【出願日】2020年3月31日

【国等の委託研究の成果に係る記載事項】（出願人による申告）平成３０年度 国立研究開発法人情報通信研究機構「高度通信・放送研究開発委託研究 ／データ連携・利活用による地域課題解決のための実証型研究開発」、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】519112520

【氏名又は名称】株式会社Ｓｉｎｇｕｌａｒ Ｐｅｒｔｕｒｂａｔｉｏｎｓ

(74)【代理人】

【識別番号】100174643

【弁理士】

【氏名又は名称】豊永 健

(72)【発明者】

【氏名】村上 大輔

(72)【発明者】

【氏名】梶田 晴司

(72)【発明者】

【氏名】梶田 真実

【テーマコード（参考）】

5B056

5L049

【Ｆターム（参考）】

5B056BB42

5L049CC20

(57)【要約】

【課題】過去に発生した特定事象の履歴データに基づいて特定事象の将来の発生確率を予測する事象発生予測装置において、予測精度を維持しつつ、計算時間とメモリ消費を低減する。
【解決手段】離散化された複数の領域における特定事象の特定期間の発生件数を被説明変数として複数の説明変数を用いて予測する事象発生予測装置において、全ての領域に対するモラン基底の線形和でそれぞれの領域での被説明変数に対する効果を表現する予測モデルを構築する予測モデル構築部１０と、予測モデルを用いて特定事象の将来の発生件数を求める予測部３０と、を有する。
【選択図】図１

【特許請求の範囲】

【請求項1】

離散化された複数の領域における特定事象の特定期間の発生件数を被説明変数として複数の説明変数を用いて予測する事象発生予測装置において、
全ての前記領域に対するモラン基底の線形和でそれぞれの前記領域での前記被説明変数に対する効果を表現する予測モデルを構築する予測モデル構築部と、
前記予測モデルを用いて前記特定事象の将来の発生件数を求める予測部と、
を有する事象発生予測装置。

【請求項2】

前記モラン基底は全ての前記領域の相互の距離行列から抽出したものであることを特徴とする請求項１に記載の事象発生予測装置。

【請求項3】

期間の長さをΔtとしたとき、
前記予測モデル構築部は、期間tでの前記モラン基底を並べたモラン基底行列に前記説明変数を付加した行列を第１行列としたとき前記第１行列を転置した行列と前記第１行列との内積を計算して得られる第２行列、および、前記第１行列を転置した行列と前記特定期間の前の期間の前記被説明変数の内積を計算して得られる第２ベクトルを求め、期間t-Δtにおいて求めた前記第２行列および前記第２ベクトルに加えて前記第２行列および前記第２ベクトルとすることを特徴とする請求項２に記載の事象発生予測装置。

【請求項4】

前記第２行列および前記第２ベクトルから前記特定事象の前記特定期間の発生件数の要因を計算する要因分析部を有することを特徴とする請求項３に記載の事象発生予測装置。

【請求項5】

離散化された複数の領域における特定事象の特定期間の発生件数を被説明変数として複数の説明変数を用いて予測する事象発生予測方法において、
全ての前記領域に対するモラン基底の線形和でそれぞれの前記領域での前記被説明変数に対する効果を表現する予測モデルを構築する予測モデル構築ステップと、
前記予測モデルを用いて前記特定事象の将来の発生件数を求める予測ステップと、
を有する事象発生予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、事象発生予測装置および事象発生予測方法に関する。

【背景技術】

【0002】

米国カリフォルニア州で犯罪発生の可能性が高い要注意エリアを警察官が重点的に見回ることにより、その後の犯罪発生が抑制されたという事例がある。また、地震の余震予測のために提案されたアルゴリズムを用いて犯罪の発生確率の予測精度を向上させた例がある。

【0003】

犯罪発生の予測は、たとえば大域変動、局所変動、ノイズの３要素を考慮する重要性が示されてきた。大域変動は、人口密度や天気などの環境要因の効果を示すものである。局所変動は、犯罪リスクの局所的な空間パターンを反映したものである。ノイズとは、見落としや説明不能な要因などモデルに直接的に表現していない効果を示すものである。

【0004】

犯罪予測モデルとしては、カーネル密度推定法や、負の二項回帰法などがある。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】米国特許第８９４９１６４号

【特許文献2】米国特許第９１２９２１９号

【特許文献3】ＷＯ／２０１７／２２２０３０

【発明の概要】

【発明が解決しようとする課題】

【0006】

犯罪予測のカーネル密度推定法は、犯罪件数を地理空間上で平滑化することで、局所的な空間パターンをモデル化する。しかし、環境要因の効果である帯域変動やノイズを無視することとなるため、過度に平滑化する傾向がある。

【0007】

負の二項回帰法は、犯罪件数のようなカウントデータに適した回帰手法である。大域変動やノイズは考慮できるものの、局所空間パターンを無視するため、精度が低下する。

【0008】

そこで、大域変動、局所変動およびノイズを捉えた犯罪予測モデルが求められている。幅広い効果を捉えるため、時間効果、空間効果、共起効果、および、環境変数の効果を考慮する必要がある。時間効果とは、同じ場所で犯罪が繰り返し発生（近接反復被害）する効果である。空間効果とは、近隣の犯罪リスクが高いと自地域も危険（空間相関）となる効果である。共起効果とは、他罪種との共起が生じる効果である。環境変数とは、人口や天気によって犯罪リスクが変化する等の環境・状況の効果を示す変数である。

【0009】

過去の発生事象である犯罪発生地点・時点との距離差Δｘおよび時間差Δｔの関数ｇ（Δｔ，Δｘ）で犯罪予測モデルを表現した場合、予測精度が上がらない場合がある。また、距離差Δｘを考慮する標準的な予測手法を用いた場合、その推定に要する計算量はデータ量Ｎの３乗のオーダー（Ｏ（Ｎ^３））で増大する。したがって、高い精度を求める場合ためにデータ数を多くすると、計算時間が増大し、実用が困難あるいは不可能となる可能性がある。

【0010】

また、たとえば過去12カ月分の犯罪データなど、大量のデータからモデルを推定することで、精度を高めることができる。しかし、各種要因の効果の識別や、空間効果のモデリングに要する計算負荷（計算時間とメモリ消費）は大きく、空間効果を捉えるための標準的な予測手法の適用は困難である。したがって、計算効率の大幅な改善が必須である。

【0011】

そこで、本発明は、過去に発生した特定事象の履歴データに基づいて特定事象の将来の発生確率を予測する事象発生予測装置において、予測精度を維持しつつ、計算時間とメモリ消費を低減することを目的とする。

【課題を解決するための手段】

【0012】

上述の目的を達成するため、本発明は、離散化された複数の領域における特定事象の特定期間の発生件数を被説明変数として複数の説明変数を用いて予測する事象発生予測装置において、全ての前記領域に対するモラン基底の線形和でそれぞれの前記領域での前記被説明変数に対する効果を表現する予測モデルを構築する予測モデル構築部と、前記予測モデルを用いて前記特定事象の将来の発生件数を求める予測部と、を有する。

【0013】

また、本発明は、離散化された複数の領域における特定事象の特定期間の発生件数を被説明変数として複数の説明変数を用いて予測する事象発生予測方法において、全ての前記領域に対するモラン基底の線形和でそれぞれの前記領域での前記被説明変数に対する効果を表現する予測モデルを構築する予測モデル構築ステップと、前記予測モデルを用いて前記特定事象の将来の発生件数を求める予測ステップと、を有する。

【発明の効果】

【0014】

本発明によれば、過去に発生した特定事象の履歴データに基づいて特定事象の将来の発生確率を予測する事象発生予測装置において、予測精度を維持しつつ、計算時間とメモリ消費を低減することができる。

【図面の簡単な説明】

【0015】

【図1】本発明に係る事象発生予測装置の一実施の形態におけるブロック図である。

【図2】本発明に係る事象発生予測装置の一実施の形態を用いた事象発生予測方法のフローチャートの一部である。

【図3】本発明に係る事象発生予測装置の一実施の形態を用いた事象発生予測方法のフローチャートの一部である。

【図4】本発明に係る事象発生予測装置の一実施の形態を用いた事象発生予測方法のフローチャートの一部である。

【図5】本発明に係る事象発生予測装置の一実施の形態を用いた事象発生予測方法のフローチャートの一部である。

【図6】ＲＯＣ曲線の例を示すグラフである。

【図7】本発明に係る事象発生予測装置の一実施の形態を用いた犯罪件数予測結果のＲＯＣ曲線をカーネル密度推定法による結果とともに示すグラフである。

【図8】本発明に係る事象発生予測装置の一実施の形態を用いた犯罪件数予測結果のＲＯＣ曲線をカーネル密度推定法による結果とともに示す表であるである。

【図9】本発明に係る事象発生予測装置の一実施の形態における犯罪予測モデルの効果の識別結果を示す表である。

【図10】本発明に係る事象発生予測装置の一実施の形態における予測モデルの場所ごとの効果の例を示す図である。

【図11】本発明に係る事象発生予測装置の一実施の形態における予測モデルの他罪種間の共起の強さの例を示す表である。

【発明を実施するための形態】

【0016】

本発明に係る事象発生予測装置の一実施の形態を、図面を参照して説明する。なお、この実施の形態は単なる例示であり、本発明はこれに限定されない。同一または類似の構成には同一の符号を付し、重複する説明は省略する。

【0017】

図１は、本発明に係る事象発生予測装置の一実施の形態におけるブロック図である。

【0018】

本実施の形態では、特定の時刻ｔおよび領域ｓにおける暴行などの犯罪（特定事象）の発生確率を予測する。ここで、領域ｓとは、犯罪が発生する地図上の位置を示すものである。時刻ｔおよび領域ｓは、いずれも離散化されており、ある広がりを持った期間および地域を示す。

【0019】

事象発生予測装置は、予測モデル構築部１０と予測部３０と表示部４０とを有している。予測モデル構築部１０は、モラン基底生成部１２と距離行列記憶部１４と演算部１６と変数記憶部１８と予犯罪件数記憶部２０と内積記憶部２２と分散パラメータ記憶部２４と要因分析部２６とを有している。

【0020】

予測モデル構築部１０は、予測モデルを構築し、記憶する。予測モデルは時刻ｔ、領域ｓにおける罪種ｃの面積あたり犯罪件数ｙ_ｃ（ｓ，ｔ）を以下の式で表す。

【0021】

【数1】

【0022】

上式の右辺第１項は同罪種の犯罪の繰り返されやすさ、右辺第２項は別罪種との共起であり、いずれも１期前の犯罪件数の効果、すなわち時間効果を捉える。右辺第３項は環境変数の効果を表す。ｅ（ｓ，ｔ）は平均が０で分散がσ^２の正規分布に従うノイズをあらわす。

【0023】

ｂ_ｃ（ｓ）とｂ_ｃ’（ｓ）は領域ｓごとの時間効果（近接反復傾向）を示す関数である。ｂ_ｋ（ｓ）は、領域ｓごとの環境変数の効果を示す関数である。各関数は以下の式で表されるものとする。

【0024】

【数2】

【0025】

ここで、ｅ_ｌ（ｓ）はモランＩ統計量（空間パターンの記述統計量）で記述される空間パターンをできる限り説明するように抽出された空間近接行列の固有ベクトルであり、モラン基底と呼ばれる。γ_ｌ，ｋは、その影響の強さを表す係数であり、ｅ_ｌ（ｓ）に対応する固有値λ_ｋとパラメータ集合θに依存して決まるとする。

【0026】

予測モデル構築部１０は、時刻１〜ｔの全時点の町丁目データから、時刻ｔ＋Δｔの犯罪件数（罪種ｃ；町丁目別）を高速推計する予測モデルを構築する。つまり、領域ｓとして町丁目レベルに分割している。入力は、罪種ｃの犯罪件数（時点ｔ）、罪種ｃの過去の犯罪件数（時刻ｔ−Δｔ）、罪種ｃ以外の過去の犯罪件数（時刻ｔ−Δｔ）、環境変数（人口、天気等何でもよい）、１〜ｔまでの過去時点で計算済みの内積、ならびに、各町丁目の重心点緯度経度である。

【0027】

予測部３０は、予測モデル構築部で構築した予測モデルを用いて、領域ｓごとに、すなわち町丁目ごとに、罪種ｃの犯罪件数（時刻ｔ＋Δｔ）と犯罪の発生要因に関するパラメータ（時刻ｔ＋Δｔ）を出力する。

【0028】

図２から図５は、本実施の形態における事象発生予測方法のフローチャートである。

【0029】

本実施の形態における事象発生予測方法では、まず、モラン基底生成部１２がモラン基底行列を生成する。まず、Ｎ個の領域の重心点の座標を用いてｉ番目の領域ｓ_ｉとｊ番目の領域ｓ_ｊとの重心点間の距離ｄ_ｉｊを求める。これらの距離行列ｄを距離行列記憶部１４に記憶する（ステップ１）。たとえば、距離行列そのものを外部から入力してもよいし、領域のそれぞれの重心を外部から入力し距離行列を生成してもよい。

【0030】

次に、距離行列からモラン基底行列Ｅを生成する（ステップＳ２）。具体的には、以下のようにしてモラン基底行列を生成する。

【0031】

近接行列Ｃ求める。近接行列Ｃの要素ｃ_ｉｊは、ｃ_ｉｊ＝ｅｘｐ（−ｄ_ｉｊ／ｒ）とする。ここで、ｒは、重心点間の最小決定木上の全てのリンク（ｅｄｇｅ）の中の最長距離である。近接行列Ｃの対角要素は０である。

【0032】

次にＣをｄｏｕｂｌｅ−ｃｅｎｔｅｒｉｎｇして行列ＭＣＭを求める。ここで、Ｍ＝Ｉ−１ １^Ｔ／Ｎ、Ｉは単位行列、１は１を並べた縦ベクトル、上付のＴは転置を表す。

【0033】

ＭＣＭを固有値分解し、固有ベクトルと固有値を抽出する。Ｌを正の固有値の数とすると、モラン基底ｅ_ｌ（ｌ＝１，，，，Ｌ）は正の固有値に対応するＬ個の固有ベクトルである。

【0034】

このようにして得られたｌ番目のモラン基底（固有ベクトル）は、ｌ番目に大きな空間相関の強さを表す空間基底となる。具体的には、ｌ番目のモラン基底（固有ベクトル）は、モランＩ統計量と呼ばれる空間相関の強さを表す指数がｉ番目に大きくなる空間基底となる。たとえばｅ_１０は空間相関を説明する１０番目に大きな成分である。

【0035】

また、演算部１６が行列Ｐにモラン基底行列Ｅを代入する（ステップＳ３）。

【0036】

犯罪件数を説明するための変数である罪種ｃの過去の犯罪件数、罪種ｃ以外の過去の犯罪件数、環境変数をまとめて説明変数と呼称すると、演算部１６は、説明変数の数Ｋ回ループを回し、Ｐを計算する（ステップＳ５〜ステップＳ１１）。まず、変数ｋに１を代入する（ステップＳ４）。

【0037】

次に、第ｋ番目の説明変数ｘ_ｋ，ｔを説明変数記憶部１８に入力する。なお、環境変数（内の環境変数）は、人口、天気など、犯罪件数を直接的、間接的に影響する可能性があれば何でもよい。説明変数として犯罪件数に影響を与えないものが含まれていても、計算時間は若干増加するものの、評価精度を悪化させることはない。

【0038】

次に、第ｋ番目の説明変数ｘ_ｋ、ｔが場所ごとに異なるか否かを判定する（ステップＳ６）。第ｋ番目の説明変数ｘ_ｋ、ｔが場所ごとに異なる場合には、ベクトルｐを、ｐ＝ｘ_ｋ，ｔ°Ｅで求める（ステップＳ７）。ここで、°はｘ_ｋ，ｔをＥの各列に要素ごとに積を取る演算子である。第ｋ番目の説明変数ｘ_ｋ、ｔが場所ごとに異ならない場合、すなわち第ｋ番目の説明変数ｘ_ｋ、ｔの効果が全域で一様と判定された場合には、ｐ＝ｘ_ｋ，ｔとする（ステップＳ８）。

【0039】

演算部１６は、このようにして得られたベクトルｐを行列Ｐの右側に結合する（ステップＳ９）。その後、ｋにｋ＋１を代入する（ステップＳ１０）。ｋがＫ以下か否かを判定し（ステップＳ１１）、ｋがＫ以下であるときにはステップＳ１２に進み、ｋがＫを超えたらループを抜けてステップＳ１２に進む。

【0040】

次に、時刻ｔにおける場所ごとの犯罪件数ｙ_ｔを入力し、犯罪件数記憶部２０に記憶する（ステップＳ１２）。演算部１６は、内積Ｐ^ＴＰを計算して変数行列Ｍ_ｔに入力し、また、Ｐ^Ｔｙ_ｔを計算して変数行列ｍ_ｔに入力する（ステップＳ１３）。

【0041】

次に、時刻ｔより前に評価済みの内積Ｍおよびｍが入力される（ステップＳ１４）。評価済みの内積Ｍおよびｍは、内積記憶部２２から読み込まれてもよい。Ｍおよびｍの初期値（時刻t＝０）は、すべての要素が０の行列である。

【0042】

演算部１６が時刻ｔよりも前の評価時刻ｔ−Δｔにおいて計算したＭおよびｍに、ステップＳ１３で計算したＭ_ｔおよびｍ_ｔを加えて時刻ｔにおけるＭおよびｍが得られる（ステップＳ１５）。

【0043】

また、ベクトル｛Θ_１，…，Θ_Ｋ｝を設定する（ステップＳ１６）。ここで、ベクトル｛Θ_１，…，Θ_Ｋ｝は、ｘ_ｋの効果を決める分散パラメータΘ_ｋの初期値である。ベクトル｛Θ_１，…，Θ_Ｋ｝は、分散パラメータ記憶部２４に記憶される。

【0044】

次に、演算部１６は、尤度ｌ_ｉ＝ｌ_ｉ（Θ_１，…，Θ_Ｋ｜Ｍ，ｍ）を評価する（ステップＳ１７）。

【0045】

次に、説明変数の個数Ｋ回のループを回す。まず、ｋに１を代入する（ステップＳ１８）。

【0046】

ループの中では、Θ_ｋに、

【数3】

を代入する（ステップＳ１９）。次に、ｋにｋ＋１を代入する（ステップＳ２０）。ｋがＫ以下か否かを判定し（ステップＳ２１）、ｋがＫ以下であるときにはステップＳ１９に戻り、ｋがＫを超えたらループを抜けてステップＳ２２に進む。

【0047】

説明変数の個数について、Θ_ｋを求めたら、そのΘ_ｋを用いて、尤度ｌ_ｉ＋１を求める（ステップＳ２２）。尤度ｌ_ｉ＋１が収束したら、ステップＳ２５に進む。すなわち、ｌ_ｉ＋１とｌ_ｉを比較し（ステップＳ２３）、ｌ_ｉ＋１＞ｌ_ｉ＋δであれば、ｌ_ｉにｌ_ｉ＋１を代入し（ステップＳ２４）、ステップＳ１８に戻る。このようにして、予測モデルが構築される。

【0048】

最後に、予測モデル構築部１０が構築した予測モデルを用いて予測部３０が時刻ｔ＋Δｔにおける犯罪件数の予測値を計算する（ステップＳ２５）。時刻ｔ＋Δｔにおける犯罪件数は、次式で求める。
ｙ_ｔ＋Δｔ＝Ｅ［ｙ_ｔ＋Δｔ｜｛Θ_１，…，Θ_Ｋ｝，Ｍ，ｍ］
この際、要因分析部２６は、犯罪発生要因に関する係数β_ｋ，ｔも次式により併せて求める。
β_ｋ，ｔ＝Ｅ［β_ｋ，ｔ｜｛Θ_１，…，Θ_Ｋ｝，Ｍ，ｍ］

【0049】

予測部３０が予測した時刻ｔ＋Δｔにおける犯罪件数は、表示部４０に表示される。また、表示部に予測モデル構築部１０が構築した予測モデルのそれぞれの説明変数の効果の大きさを表示してもよい。

【0050】

本実施の形態により、犯罪件数を予測し、カーネル密度推定法による犯罪件数予測と比較した。具体的には、大東京防犯ネットワークが公開している町丁目別、罪種別、月別の犯罪件数データを用いた。同データには、非侵入窃盗の細目１１罪種が含まれており、２０１７年５月から２０１９年４月までの２４ヶ月のデータを用いた。過去１２ヶ月のデータを用いた３ヶ月後の犯罪件数を予測した。ＲＯＣ曲線とＨｉｔ Ｒａｔｅ（ＨＲ）を用いて，罪種ごとに予測精度を検証した。ここで、Ｈｉｔ Ｒａｔｅとは、犯罪が多いと予測された上位ｚ％の町丁目内における実際の犯罪件数が全体の何％かを示す値であり、最大が１（高精度）で、ランダムがｚ（低精度）となる。ＲＯＣ曲線とは、Ｈｉｔ Ｒａｔｅを全てのｚについて並べた曲線である。

【0051】

図６は、ＲＯＣ曲線の例を示すグラフである。

【0052】

図６は、Ｈｉｔ Ｒａｔｅを全てのｚについて並べた曲線（ＲＯＣ曲線）の例を３種類について示したものである。横軸はパーセンタイルｚであり、縦軸はｚに対するＨｉｔ Ｒａｔｅである。予測精度が低い場合にはランダムになり、４５度の直線となる。精度が高まるにつれて、４５度の直線から上側に離れる。

【0053】

図７は、本実施の形態を用いた犯罪件数予測結果のＲＯＣ曲線をカーネル密度推定法による結果とともに示すグラフである。図７において、横軸はパーセンタイル、縦軸はＨｉｔ Ｒａｔｅを示す。図７には、犯罪の罪種ごとに１１のＲＯＣ曲線を示した。

【0054】

図８は、本実施の形態を用いた犯罪件数予測結果のＲＯＣ曲線をカーネル密度推定法による結果とともに示す表であるである。この表は、各月の上位２０％のＨｉｔ Ｒａｔｅの平均値を示す。

【0055】

図７および図８から、本実施の形態によれば、オートバイ盗、車上狙い、自販機ねらいなどで予測精度が大幅に改善していることがわかる。

【0056】

図９は、本実施の形態における犯罪予測モデルの効果の識別結果を示す表である。

【0057】

図９に示すように、直感と整合するように推定・識別していることがわかる。特に、ノイズとその他の識別は、安定的な予測を行う上で必須であることがわかる。

【0058】

図１０は、本実施の形態における予測モデルの場所ごとの効果の例を示す図である。

【0059】

図１０において黒色が濃いほど影響が大きいことを示している。図１０からわかるように、車上狙いは時間的に見ると郊外の似た場所で繰り返されていることがわかる。また、車上狙いは、人口密度の効果を見ると郊外の人口密集地で特に多いことがわかる。

【0060】

また、すりや万引きは都心で繰り返されていることがわかる。すりと万引きは、都心では人がいない場所で多いことがわかる。また、万引きにおいては、人口密度が万引きの起こりやすさに対する影響は地区ごとに大きく異なっていることがわかる。

【0061】

図１１は、本実施の形態における予測モデルの他罪種間の共起の強さの例を示す表である。

【0062】

図１１に示すように、他罪種間の共起の強さを分析することができる。

【0063】

このように本実施の形態によれば、他の手法と比べて十分な精度を維持していることわかる。罪種によってはより高い精度を得ることができる。

【0064】

また、本実施の形態では、領域の数がNであるとすると、N行N列の距離行列からL個のモラン基底を抽出する。犯罪予測のためには、犯罪件数および説明変数との内積計算が必要となるが、時刻tより前の時刻についての内積計算は過去の犯罪予測の際に計算済みであるから再計算不要である。よって、予測の際の計算量およびメモリ量は、過去データの時刻点数によらず一定である。つまり、過去データを蓄積しても高速で犯罪予測することができる。

【0065】

また、被説明変数に対する各説明変数の効果の大きさを分析することができる。たとえば、すりに対して、人口密度がどのような影響があるのかを分析できる。たとえば都心では人が少ない場所でスリが起きやすいが、郊外では人口密度の高い場所で起きやすいなどの要因を分析することができる。

【符号の説明】

【0066】

１０…予測式構築部、１２…モラン基底生成部、１４…距離行列記憶部、１６…演算部、１８…説明変数記憶部、２０…予犯罪件数記憶部、２２…内積記憶部、２４…分散パラメータ記憶部、２６…要因分析部、３０…予測部、４０…表示部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】