特開 2023-160598 学習装置、推定装置、学習方法、推定方法、及びプログラム

(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】P2023160598

(43)【公開日】2023-11-02

(54)【発明の名称】学習装置、推定装置、学習方法、推定方法、及びプログラム

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20231026BHJP

【ＦＩ】

G06Q50/10

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022071057

(22)【出願日】2022-04-22

(71)【出願人】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(71)【出願人】

【識別番号】504132272

【氏名又は名称】国立大学法人京都大学

(74)【代理人】

【識別番号】100147485

【弁理士】

【氏名又は名称】杉村 憲司

(74)【代理人】

【識別番号】100164471

【弁理士】

【氏名又は名称】岡野 大和

(74)【代理人】

【識別番号】100176728

【弁理士】

【氏名又は名称】北村 慎吾

(72)【発明者】

【氏名】伊藤 陽

(72)【発明者】

【氏名】奥津 大

(72)【発明者】

【氏名】古川 愛子

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049CC11

(57)【要約】

【課題】災害による設備への被害を予測する技術を改善する。
【解決手段】
学習装置１０は、設備に関する情報と、設備の環境条件と、設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、設備の劣化の程度を算出する第１モデルを生成する第１モデル生成部１１２と、設備に対する災害の災害条件と、災害による被害の程度と、第１モデルが算出した劣化の程度とを含む被害データを訓練データとした機械学習により、設備の被害の程度を算出する第２モデルを生成する第２モデル生成部１１４と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

設備に関する情報と、前記設備の環境条件と、前記設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、前記設備の劣化の程度を算出する第１モデルを生成する第１モデル生成部と、
前記設備に対する災害の災害条件と、前記災害による被害の程度と、前記第１モデルが算出した前記劣化の程度とを含む被害データを訓練データとした機械学習により、前記設備の被害の程度を算出する第２モデルを生成する第２モデル生成部と、
を備える学習装置。

【請求項2】

前記設備は地下管路又は電柱を含むインフラ設備を含み、前記災害は地震、液状化、台風のうち少なくとも１つを含む、請求項１に記載の学習装置。

【請求項3】

設備に関する情報、前記設備の環境条件、及び前記設備の劣化の程度を含む劣化データを訓練データとした機械学習により学習された、前記設備の劣化の程度を算出する第１モデルと、前記設備に対する災害の災害条件、前記災害による被害の程度、及び前記第１モデルが算出した前記劣化の程度を含む被害データを訓練データとした機械学習により学習された、前記設備の被害の程度を算出する第２モデルと、を取得するモデル取得部と、
対象設備の設備に関する情報、前記対象設備の環境条件、及び前記対象設備の災害条件を含む対象データを、前記第１モデル及び前記第２モデルに適用し、前記対象設備の被害の程度を推定する推定部と、
を備える推定装置。

【請求項4】

前記対象データは、複数の災害のそれぞれについての災害条件を含み、
前記災害ごとに前記対象データを分割する分割部をさらに備え、
前記推定部は、前記分割部により分割された前記対象データを、前記第１モデルと、前記第２モデルに適用し、前記対象設備の被害の程度を前記複数の災害のそれぞれについて推定する、請求項３に記載の推定装置。

【請求項5】

学習装置が実行する学習方法であって、
設備に関する情報と、前記設備の環境条件と、前記設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、前記設備の劣化の程度を算出する第１モデルを生成する第１モデル生成ステップと、
前記設備に対する災害の災害条件と、前記災害による被害の程度と、前記第１モデルが算出した前記劣化の程度とを含む被害データを訓練データとした機械学習により、前記設備の被害の程度を算出する第２モデルを生成する第２モデル生成ステップと、
を含む学習方法。

【請求項6】

推定装置が実行する推定方法であって、
設備に関する情報、前記設備の環境条件、及び前記設備の劣化の程度を含む劣化データを訓練データとした機械学習により学習された、前記設備の劣化の程度を算出する第１モデルと、前記設備に対する災害の災害条件、前記災害による被害の程度、及び前記第１モデルが算出した前記劣化の程度を含む被害データを訓練データとした機械学習により学習された、前記設備の被害の程度を算出する第２モデルと、を取得する取得ステップと、
対象設備の設備に関する情報、前記対象設備の環境条件、及び前記対象設備の災害条件を含む対象データを、前記第１モデル及び前記第２モデルに適用し、前記対象設備の被害の程度を推定する推定ステップと、
を含む、推定方法。

【請求項7】

コンピュータを、請求項１又は２に記載の学習装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習装置、推定装置、学習方法、推定方法、及びプログラムに関する。

【背景技術】

【0002】

従来、災害発生時のインフラ設備への被害を事前に想定するための手法が存在する。地震発生時の被害の予測については、統計的に地表面最大速度に対する関数（地震被害率関数）をもとに予測を行う手法が存在する（例えば、非特許文献１及び２参照）。地震以外の災害発生時の被害の予測としては、台風の情報を入力することで電柱、電線等に関する被害を予測する手法が提案されている（例えば、非特許文献３参照）。また、設備が劣化することによって被害を受けやすくなる可能性が示唆されている（例えば、非特許文献４参照）。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】丸山喜久、外１名、「近年の地震被害データを加味したマクロな配水管被害予測式の改良」、土木学会論文集Ａ１(構造・地震工学)、Vol.65、No.1（地震工学論文集第３０巻）、pp.565－574、2009年

【非特許文献2】山村猛、外３名、「道路橋の地震被害率関数の一作成法」、土木学会地震工学論文集、pp.674－679、2007年

【非特許文献3】中部電力、「台風風速予測システム(RAMP-T)」、[online]、［２０２２年３月２２日検索］、インターネット＜URL: https://www.chuden.co.jp/resource/seicho_kaihatsu/kaihatsu/techno/techno_naiyou2013/techno_gaiyou_16.pdf＞

【非特許文献4】伊藤陽、外２名、「通信用地下管路における腐食による耐震性能低下の定量化とその予測」、材料試験技術、Vol.59、No.4、pp.188－193、2014年

【発明の概要】

【発明が解決しようとする課題】

【0004】

設備の劣化があると災害時に被害を受けやすい可能性があるが、従来の技術では、どの程度被害を受けやすくなるかについて定量的に評価し、設備の劣化を被害の予測に反映させられていなかった。劣化に関するデータが全ての設備にない限り、当該設備の被害の予測を定量的に行うことができなかった。

【0005】

かかる事情に鑑みてなされた本発明の目的は、災害による設備への被害を予測する技術を改善することにある。

【課題を解決するための手段】

【0006】

上述の課題を解決するため、本発明に係る学習装置は、設備に関する情報と、前記設備の環境条件と、前記設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、前記設備の劣化の程度を算出する第１モデルを生成する第１モデル生成部と、前記設備に対する災害の災害条件と、前記災害による被害の程度と、前記第１モデルが算出した前記劣化の程度とを含む被害データを訓練データとした機械学習により、前記設備の被害の程度を算出する第２モデルを生成する第２モデル生成部と、を備える。

【0007】

また、本発明に係る推定装置は、設備に関する情報、前記設備の環境条件、及び前記設備の劣化の程度を含む劣化データを訓練データとした機械学習により学習された、前記設備の劣化の程度を算出する第１モデルと、前記設備に対する災害の災害条件、前記災害による被害の程度、及び前記第１モデルが算出した前記劣化の程度を含む被害データを訓練データとした機械学習により学習された、前記設備の被害の程度を算出する第２モデルと、を取得するモデル取得部と、対象設備の設備に関する情報、前記対象設備の環境条件、及び前記対象設備の災害条件を含む対象データを、前記第１モデル及び前記第２モデルに適用し、前記対象設備の被害の程度を推定する推定部と、を備える。

【0008】

また、本発明に係る学習方法は、学習装置が実行する学習方法であって、設備に関する情報と、前記設備の環境条件と、前記設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、前記設備の劣化の程度を算出する第１モデルを生成する第１モデル生成ステップと、前記設備に対する災害の災害条件と、前記災害による被害の程度と、前記第１モデルが算出した前記劣化の程度とを含む被害データを訓練データとした機械学習により、前記設備の被害の程度を算出する第２モデルを生成する第２モデル生成ステップと、を含む。

【0009】

また、本発明に係る推定方法は、推定装置が実行する推定方法であって、設備に関する情報、前記設備の環境条件、及び前記設備の劣化の程度を含む劣化データを訓練データとした機械学習により学習された、前記設備の劣化の程度を算出する第１モデルと、前記設備に対する災害の災害条件、前記災害による被害の程度、及び前記第１モデルが算出した前記劣化の程度を含む被害データを訓練データとした機械学習により学習された、前記設備の被害の程度を算出する第２モデルと、を取得する取得ステップと、対象設備の設備に関する情報、前記対象設備の環境条件、及び前記対象設備の災害条件を含む対象データを、前記第１モデル及び前記第２モデルに適用し、前記対象設備の被害の程度を推定する推定ステップと、を含む。

【0010】

また、本発明に係るプログラムは、コンピュータを、本発明に係る学習装置として機能させる。

【発明の効果】

【0011】

本発明によれば、災害による設備への被害を予測する技術を改善することができる。

【図面の簡単な説明】

【0012】

【図1】本実施形態に係る被害予測システムの概略構成を示す図である。

【図2】本実施形態に係る劣化データの例を示す図である。

【図3】第１モデルの学習アルゴリズムの一例として勾配ブースティング決定木の一部の例を示す図である。

【図4】本実施形態に係る被害データの例を示す図である。

【図5】第１モデルの生成に用いられた説明変数の例を示す図である。

【図6】本実施形態に係る対象データの例を示す図である。

【図7A】本実施形態に係る被害予測システムの動作を示す図である。

【図7B】本実施形態に係る被害予測システムの動作を示す図である。

【図8】変形例に係る被害予測システムの概略構成を示す図である。

【図9】変形例に係る対象データの例を示す図である。

【図10A】分割された対象データの例を示す図である。

【図10B】分割された対象データの例を示す図である。

【発明を実施するための形態】

【0013】

以下、本発明の実施形態について適宜図面を参照しながら説明する。以下に説明する実施形態は本発明の構成の例であり、本発明は、以下の実施形態に制限されるものではない。

【0014】

＜被害予測システム１の概略構成＞
図１は、本実施形態に係る被害予測システム１の構成を示す図である。図１に示すように、被害予測システム１は、学習装置１０と、推定装置２０とを備える。学習装置１０と推定装置２０とは、例えばインターネット及び移動体通信網等を含むネットワーク３０と有線又は無線により通信可能に接続される。各装置間で情報を送受信するための通信方法は、特に限定されない。学習装置１０と推定装置２０とは、一体化されていてもよい。

【0015】

学習装置１０及び推定装置２０は、クラウドコンピューティングシステム又はその他のコンピューティングシステムに属するサーバ等のコンピュータである。

【0016】

ネットワーク３０は、インターネット、少なくとも１つＷＡＮ（Wide Area Network）、少なくとも１つのＭＡＮ（Metropolitan Area Network）、又はこれらの任意の組合せを含む。ネットワーク３０は、少なくとも１つの無線ネットワーク、少なくとも１つの光ネットワーク、又はこれらの任意の組合せを含んでもよい。無線ネットワークは、例えば、アドホックネットワーク、セルラーネットワーク、無線ＬＡＮ（local area network）、衛星通信ネットワーク、又は地上マイクロ波ネットワークである。

【0017】

まず、本実施形態の概要について説明し、詳細については後述する。学習装置１０は、設備に関する情報と、設備の環境条件と、設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、設備の劣化の程度を算出する第１モデルを生成する。学習装置１０は、設備に対する災害の災害条件と、災害による被害の程度と、第１モデルが算出した劣化の程度とを含む被害データを訓練データとした機械学習により、設備の被害の程度を算出する第２モデルを生成する。学習装置１０は、生成したモデルを推定装置２０に出力する。

【0018】

推定装置２０は、学習装置１０が生成した第１モデルと第２モデルとを用いて対象設備の被害の程度を推定する。推定装置２０は、対象設備の設備に関する情報、対象設備の環境条件、及び対象設備の災害条件を含む対象データを、当該第１モデル及び第２モデルに適用し、対象設備の被害の程度を推定する。

【0019】

本実施形態によれば、対象設備の劣化の程度を予測した上で、災害による当該対象設備への被害の程度を精度よく予測することができる。よって、災害による設備への被害を予測する技術を改善することができる。

【0020】

＜学習装置１０の構成＞
図１に示すように、学習装置１０は、制御部１１と、記憶部１２と、通信部１３と、入力部１４と、出力部１５とを備える。

【0021】

記憶部１２は、１つ以上のメモリを含み、例えば半導体メモリ、磁気メモリ、光メモリなどを含んでもよい。記憶部１２に含まれる各メモリは、例えば主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してもよい。記憶部１２は、学習装置１０の動作に用いられる任意の情報を記憶する。記憶部１２は、必ずしも学習装置１０が内部に備える必要はなく、学習装置１０の外部に備える構成としてもよい。

【0022】

通信部１３は、ネットワーク３０に接続する１つ以上の通信用インターフェースを含む。当該通信用インターフェースは、例えば移動通信規格、有線ＬＡＮ規格、又は無線ＬＡＮ規格に対応するが、これらに限られず、任意の通信規格に対応してもよい。通信部１３は、学習装置１０の動作に用いられる情報を受信し、また学習装置１０の動作によって得られる情報を送信する。

【0023】

入力部１４には、少なくとも１つの入力用インターフェースが含まれる。入力用インターフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクである。入力部１４は、学習装置１０の動作に用いられる情報を入力する操作を受け付ける。入力部１４は、学習装置１０に備えられる代わりに、外部の入力機器として学習装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（High-Definition Multimedia Interface）（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0024】

出力部１５には、少なくとも１つの出力用インターフェースが含まれる。出力用インターフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ（Liquid Crystal Display）又は有機ＥＬ（Electro Luminescence）ディスプレイである。出力部１５は、学習装置１０の動作によって得られる情報を出力する。出力部１５は、学習装置１０に備えられる代わりに、外部の出力機器として学習装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0025】

制御部１１は、制御演算回路（コントローラ）により実現される。該制御演算回路は、ＡＳＩＣ（Application Specific Integrated Circuit)、ＦＰＧＡ(Field-Programmable Gate Array)等の専用のハードウェアによって構成されてもよいし、プロセッサによって構成されてもよいし、双方を含んで構成されてもよい。制御部１１は、学習装置１０の各部を制御しながら、学習装置１０の動作に関わる処理を実行する。制御部１１は、外部装置との情報の送受信を、通信部１３及びネットワーク３０を介して行うことができる。

【0026】

制御部１１は、劣化データ取得部１１１と、第１モデル生成部１１２と、被害データ取得部１１３と、第２モデル生成部１１４とを備える。

【0027】

（第１モデルの生成）
劣化データ取得部１１１は劣化データを取得する。劣化データ取得部１１１は、劣化データを記憶部１２から読み出すことで取得してもよいし、ユーザによって入力された劣化データを、入力部１４を介して取得してもよい。

【0028】

図２は劣化データの一例である。図２では、劣化データをテーブル形式で表すが、劣化データの形式はこれに限られない。劣化データは、設備ごとに当該設備に関する情報、設備の環境条件、及び設備の劣化の程度を含む。

【0029】

設備とは、管路又は電柱等のインフラ設備を含む。管路は例えば通信ケーブルを保護する通信用管路であって、地下に埋設される地下管路を含む。管路は水道用管路、ガス用管路、電力用管路等であってもよい。電柱は地上に設置され、電力線、通信線等が架設される。これに限られず、設備は、マンホール、とう道等の地下設備、橋、道路、トンネル、ビル等の地上設備を含んでよい。図２を参照すると、劣化データは管路及び電柱の２種の設備を含む。

【0030】

設備に関する情報とは、設備の材質、設備が建築されてからの経過年数等を示す情報を含む。設備に関する情報は複数あってよく、例えば設備の修理履歴、設備のサイズ、設備の特性等任意の情報を含んでよい。例えば設備としての管路の亘長、継ぎ手部の材質、管径、埋設深さ等が設備に関する情報として含まれてよい。

【0031】

環境条件は、設備が設けられた場所の環境を示す情報を含む。環境条件は複数あってよく、例えば設備がある地域の地形区分、地盤、地盤の岩石又は土の種類、気候、緯度、経度及び標高等の設備が設けられた位置の情報等を含んでよい。地形は低地、高地、平野、台地、丘陵、山地、山脈、谷等を含む。地盤は、岩盤層、硬質砂れき層等を含む。気候は、平均気温、平均湿度、平均日照時間、平均日射量、平均風速、飛来塩分量、年間降水量等を含む。これらに限られず、環境条件は設備が設けられる土地の土壌中の成分、地中温度、含水量、酸性度（ｐＨ）等を含んでもよい。

【0032】

劣化の程度は、設備の点検の結果を示す情報を含む。劣化の程度は、設備に生じた破損箇所の長さ、深さ、面積等の連続値であってもよいし、劣化の有無又は程度を段階的に示す離散値であってもよい。

【0033】

図２を参照すると、タイトル行の下の管路についての劣化データを示す行では、設備に関する情報としての設備の材質は「鋼管」であり、経過年数は「３年」である。管路の環境条件としての地盤は「硬質砂れき層」であり、年間降水量は「ＸＸ ｍｍ」である。管路の劣化の程度として、点検の結果劣化の程度が「大」であったことが示される。電柱についての劣化データを示す次の行では、電柱に関する情報としての設備の材質は「コンクリート」であり、経過年数は「５年」である。電柱の環境条件としての地盤は「岩盤層」であり、年間降水量は「ＹＹ ｍｍ」である。電柱の劣化の程度として、点検の結果劣化の程度が「中」であったことが示される。

【0034】

劣化データが含む設備に関する情報及び環境条件は、設備ごとに異なってよい。例えば地下に埋設された管路は継手部の材質を設備に関する情報として、また、地中の含水量を環境条件として含み、電柱は配電線の本数を設備に関する情報として、また、年間平均風速を環境条件として含んでよい。

【0035】

劣化データ取得部１１１は、劣化データのうち、値が入っていない項目については任意の値を入力できる。劣化データ取得部１１１は、任意の値を記憶部１２、又は外部装置から通信部１３を介して取得できてよい。例えば劣化データのうち、管路の地盤を示す値が不明であったとする。この場合劣化データ取得部１１１は、当該管路の位置を示す情報を取得し、当該位置から所定の距離以内にある他の設備を特定し、特定した設備の地盤を示す値を、当該管路の地盤を示す値として入力してよい。この場合、各設備の位置を示す情報は劣化データに含まれていてもよいし、任意の他のデータベースに含まれていてもよい。これに限られず、劣化データ取得部１１１は、取得した劣化データに未入力の値がある場合に、入力を促す表示を出力部１５に表示させ、入力部１４にユーザが入力した値を取得し、当該値を劣化データに反映できてもよい。これにより、劣化データ中に値が入っていない箇所がある場合でも、生成される第１モデルの精度が向上する。

【0036】

劣化データ取得部１１１は、取得した劣化データを第１モデル生成部１１２に出力する。

【0037】

第１モデル生成部１１２は、劣化データ取得部１１１が取得した劣化データに基づき、設備に関する情報及び環境条件を数値化して説明変数とし、劣化の程度を数値化して目的変数とした第１モデルを生成する。第１モデル生成部１１２は、第１モデルを、ニューラルネットワーク、回帰分析等の任意の機械学習手法、深層学習手法又は統計的手法により生成してよい。第１モデルは、設備の劣化の程度を任意の離散値又は連続値で算出する。第１モデルは、劣化の程度を、劣化の有無を表す０及び１の二値により、又はカテゴリ値で算出してもよい。カテゴリ値は、例えばＡ、Ｂ、Ｃ等の数値以外の値であってもよい。

【0038】

以下の式１は、本実施形態にかかる第１モデルの関数を係数ベクトルａとベクトルｘとの内積で表す。式２及び式３に示すように、係数ベクトルａとベクトルｘとはそれぞれｍ個の要素を有する。要素数のｍ個とは、設備に関する情報及び環境条件の合計数を表す。第１モデルは、説明変数としてのベクトルｘに係数ベクトルａを乗じて、劣化の程度ｆ（ｘ）を算出する。係数ベクトルａは任意のフィッティング手法を適用して得ることができる。第１モデル生成部１１２は、第１モデルを設備の種類のそれぞれについて生成できる。

【0039】

【数1】

【数2】

【数3】

【0040】

第１モデル生成部１１２が生成する第１モデルは上述に限られない。例えば第１モデル生成部１１２は、勾配ブースティング等のアンサンブル学習により第１モデルを生成してもよい。図３は第１モデルの学習アルゴリズムの一例として勾配ブースティング決定木の一部の例を示す。当該決定木は、平均気温、平均標高、平均降水量、及び地形の各値との比較により、対象設備を最終的にＡからＥに分類する。ＡからＥは第１モデルが算出した劣化の程度を示すカテゴリ値である。

【0041】

第１モデル生成部１１２は、生成した第１モデルを記憶部１２に格納する。第１モデル生成部１１２は、設備ごとに算出した被害の程度を示す情報を被害データ取得部１１３へ出力する。

【0042】

（第２モデルの生成）
被害データ取得部１１３は被害データを取得する。被害データ取得部１１３は、設備ごとの災害条件と被害の程度とに、第１モデル生成部１１２から出力された各設備の劣化の程度を付加して被害データを生成することで、被害データを取得できる。

【0043】

図４は被害データの例である。図４は、被害データをテーブル形式で表すが、被害データの形式はこれに限られない。図４に示すように、被害データは、設備ごとに、災害条件、災害による被害の程度、及び第１モデルが算出した劣化の程度を含む。

【0044】

災害条件は、設備に対し発生した災害に関する各種測定値を示す情報を含む。災害条件は複数あってよく、例えば災害が地震動である場合、設備が設けられた位置の地表面最大速度、地表面最大加速度、地盤に伝わる波の平均速度等を含む。これに限られず、災害条件として地表面最大変位、計測震度、リアルタイム震度、ＳＩ（Ｓｐｅｃｔｒａｌ Ｉｎｔｅｎｓｉｔｙ）値等が含まれてもよい。災害が液状化である場合、災害条件は過去に液状化したかどうかを示す液状化履歴、液状化指数等を含む。災害が台風である場合、災害条件は風速、雨量、設備の周辺への飛来物の有無を示す飛来物履歴等を含む。

【0045】

災害による被害の程度は、災害後の設備の点検の結果を示す情報を含む。被害の程度は、設備に生じた設備の傾きの角度、設備のある土地の地盤沈下量、破損箇所の長さ、深さ、又は面積等の連続値であってもよいし、被害の有無又は程度を段階的に示す離散値であってもよい。

【0046】

劣化の程度は、対応する設備について第１モデルにより算出された値である。被害データ取得部１１３は、対応する設備の特定を任意の手法により行ってよい。被害データ取得部１１３は、第１モデルが劣化の程度を算出した設備と設備の種類等の特徴が近似する設備を、被害データの設備の中から特定し、特定した設備の被害データに、当該第１モデルで算出された劣化の程度を付加してよい。

【0047】

図４を参照すると、タイトル行の下の管路についての被害データを示す行では、管路に対する地震動の災害条件としての地表面最大速度は「Ｋ ｃｍ／ｓ」、地表面最大加速度は「Ｍ ｃｍ／ｓ^２」である。管路の被害の程度として、点検の結果被害の程度は「小」であったことが示される。管路について、第１モデルにより算出された劣化の程度「大」が、右端の列に付加されている。電柱についての被害データを示す次の行では、電柱の災害条件としての地表面最大速度は「Ｌ ｃｍ／ｓ」、地表面最大加速度は「Ｎ ｃｍ／ｓ^２」である。電柱の被害の程度として、点検の結果被害の程度は「大」であったことが示される。電柱について、第１モデルにより算出された劣化の程度「中」が、右端の列に付加されている。

【0048】

被害データが含む災害条件は、設備の種類ごとに異なってよい。例えば設備が電柱等の地上の構造物である場合、災害が台風である場合の災害条件として飛来物の有無を示す飛来物履歴を含み、設備が地下の管路である場合、飛来物履歴は災害条件として含まれなくてもよい。

【0049】

被害データ取得部１１３は、被害データのうち、値が入っていない項目については任意の値を入力できる。被害データ取得部１１３は、任意の値を記憶部１２、又は外部装置から通信部１３を介して取得できてよい。例えば被害データのうち、管路の地表面最大速度を示す値が不明であったとする。この場合被害データ取得部１１３は、当該管路の位置を示す情報を取得し、当該位置から所定の距離以内にある他の設備を特定し、特定した設備の地表面最大速度を示す値を、当該管路の地表面最大速度を示す値として入力してよい。この場合、各設備の位置を示す情報は被害データに含まれていてもよいし、任意の他のデータベースに含まれていてもよい。これに限られず、被害データ取得部１１３は、劣化データ取得部１１１と同様に、ユーザが入力した値を取得し、当該値を被害データに入力できてもよい。

【0050】

被害データ取得部１１３は、取得した被害データを第２モデル生成部１１４に出力する。

【0051】

第２モデル生成部１１４は、取得した被害データが含む災害条件および劣化の程度を数値化して説明変数とし、被害の程度を数値化して目的変数とした第２モデルを生成する。第１モデル生成部１１２と同様に、第２モデル生成部１１４は、第２モデルを、ニューラルネットワーク、回帰分析等の任意の機械学習手法、深層学習手法又は統計的手法により生成してよい。第２モデルは、設備の被害の程度を任意の離散値又は連続値で算出する。第２モデルは、被害の程度を、被害の有無を表す０及び１の二値により、又はカテゴリ値で算出してもよい。カテゴリ値は、例えばＡ、Ｂ、Ｃ等の数値以外の値であってもよい。

【0052】

以下の式４は、本実施形態にかかる第２モデルの関数を係数ベクトルｂとベクトルｐとの内積で表す。式５及び式６に示すように、係数ベクトルｂとベクトルｐとはそれぞれｎ＋１個の要素を有する。要素数のｎ個とは、災害条件の合計数を表す。ｎ＋１個目の要素は第１モデルが算出した劣化の程度を表す。第２モデルは、説明変数としてのベクトルｐに係数ベクトルｂを乗じて、被害の程度ｇ（ｐ）を算出する。係数ベクトルｂは任意のフィッティング手法を適用して得ることができる。第２モデル生成部１１４は、第２モデルを、設備の種類と災害との組合せ数分生成できる。

【0053】

【数4】

【数5】

【数6】

【0054】

第２モデル生成部１１４が生成する第２モデルは上述に限られない。例えば第２モデル生成部１１４は、第１モデル生成部１１２と同様に、勾配ブースティング等のアンサンブル学習により第２モデルを生成してもよい。

【0055】

第２モデル生成部１１４は、生成した第２モデルを記憶部１２に格納する。

【0056】

制御部１１は、記憶部１２から第１モデル及び第２モデルをそれぞれ読み出す。制御部１１は、推定装置２０からの要求に応じて、又は自動的に、読み出した第１モデル及び第２モデルを、通信部１３を介して推定装置２０へ送信する。

【0057】

第１モデル生成部１１２は生成した第１モデルについて、第２モデル生成部１１４は生成した第２モデルについて、用いられた説明変数を、出力部１５を介して表示できてもよい。この場合、第１モデル生成部１１２又は第２モデル生成部１１４は、生成したモデル全てにおける説明変数を係数の値が大きい順に表示できてよい。図５は、第１モデル生成部１１２が出力部１５を介して表示する、第１モデルの説明変数としての環境条件をその係数の値が高い順に示す図である。図５を参照すると、環境条件として平均日射量が第１モデルに高く寄与して劣化の程度が算出され、次に高く寄与した環境条件は地形の「低地」区分であったことがわかる。説明変数を確認できることにより、ユーザが第１モデル及び第２モデルの精度を考慮し、算出結果を採用してよいかについての判断材料とすることができる。

【0058】

＜推定装置２０の構成＞
再び図１を参照すると、推定装置２０は、制御部２１と、記憶部２２と、通信部２３と、入力部２４と、出力部２５とを備える。

【0059】

記憶部２２は、１つ以上のメモリを含み、例えば半導体メモリ、磁気メモリ、光メモリなどを含んでもよい。記憶部２２に含まれる各メモリは、例えば主記憶装置、補助記憶装置、又はキャッシュメモリとして機能してもよい。記憶部２２は、推定装置２０の動作に用いられる任意の情報を記憶する。記憶部２２は、必ずしも推定装置２０が内部に備える必要はなく、推定装置２０の外部に備える構成としてもよい。

【0060】

通信部２３は、ネットワーク３０に接続する１つ以上の通信用インターフェースを含む。当該通信用インターフェースは、例えば移動通信規格、有線ＬＡＮ規格、又は無線ＬＡＮ規格に対応するが、これらに限られず、任意の通信規格に対応してもよい。通信部２３は、推定装置２０の動作に用いられる情報を受信し、また推定装置２０の動作によって得られる情報を送信する。

【0061】

入力部２４には、少なくとも１つの入力用インターフェースが含まれる。入力用インターフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクである。入力部２４は、推定装置２０の動作に用いられる情報を入力する操作を受け付ける。入力部２４は、推定装置２０に備えられる代わりに、外部の入力機器として推定装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0062】

出力部２５には、少なくとも１つの出力用インターフェースが含まれる。出力用インターフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ又は有機ＥＬディスプレイである。出力部２５は、推定装置２０の動作によって得られる情報を出力する。出力部２５は、推定装置２０に備えられる代わりに、外部の出力機器として推定装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）等の任意の方式を用いることができる。

【0063】

制御部２１は、制御演算回路（コントローラ）により実現される。該制御演算回路は、ＡＳＩＣ、ＦＰＧＡ等の専用のハードウェアによって構成されてもよいし、プロセッサによって構成されてもよいし、双方を含んで構成されてもよい。制御部２１は、推定装置２０の各部を制御しながら、推定装置２０の動作に関わる処理を実行する。制御部２１は、外部装置との情報の送受信を、通信部２３及びネットワーク３０を介して行うことができる。

【0064】

制御部２１は、モデル取得部２１１、対象データ取得部２１２、及び推定部２１３を備える。

【0065】

（対象設備の被害の程度の推定）
モデル取得部２１１は、学習装置１０から、第１モデル生成部１１２が生成した第１モデル、及び第２モデル生成部１１４が生成した第２モデルを、通信部２３を介して受信することで取得する。モデル取得部２１１は取得した第１モデル及び第２モデルを推定部２１３に出力する。

【0066】

対象データ取得部２１２は、対象設備の設備に関する情報、対象設備の環境条件、及び対象設備の災害条件を含む対象データを取得する。対象データの取得には任意の手法が採用されてよい。例えば対象データ取得部２１２は、対象設備の環境条件、及び対象設備の災害条件の入力を促す表示を、出力部２５を介して行い、ユーザが入力部２４を介して入力した値を対象データとして取得できる。対象データ取得部２１２は、ユーザが保持する端末装置と通信し、当該端末装置にユーザが入力した値を当該端末装置から受信し、対象データとして取得してもよい。

【0067】

図６は対象データの一例である。図６では、対象データをテーブル形式で表すが、対象データの形式はこれに限られない。図６を参照すると、タイトル行の下の対象設備としての管路についての対象データを示す行では、設備に関する情報としての設備の材質は「ビニル管」であり、経過年数は「５年」である。管路の環境条件としての地盤は「岩盤層」であり、年間降水量は「ＶＶ ｍｍ」である。管路に対する地震動の災害条件としての地表面最大速度は「Ｐ ｃｍ／ｓ」、地表面最大加速度は「Ｒ ｃｍ／ｓ^２」である。電柱についての対象データを示す次の行では、設備に関する情報としての設備の材質は「コンクリート」であり、経過年数は「１０年」である。電柱の環境条件としての地盤は「岩盤層」であり、年間降水量は「ＷＷ ｍｍ」である。電柱に対する地震動の災害条件としての地表面最大速度は「Ｑ ｃｍ／ｓ」、地表面最大加速度は「Ｓ ｃｍ／ｓ^２」である。対象データ取得部２１２は、取得した対象データを推定部２１３に出力する。

【0068】

推定部２１３は、対象データ取得部２１２が取得した対象データを、モデル取得部２１１が取得した第１モデル及び第２モデルに適用し、対象設備の被害の程度を推定する。具体的には、推定部２１３はまず、対象データが含む対象設備の設備に関する情報と対象設備の環境条件とをそれぞれ数値化して対象設備に対応する設備についての第１モデルに入力する。推定部２１３は、第１モデルが出力した劣化の程度を取得し、当該劣化の程度と、対象データが含む対象設備の災害条件とをそれぞれ数値化し、対象設備及び対象設備に対する災害についての第２モデルに入力する。推定部２１３は、第２モデルが算出した被害の程度を取得する。

【0069】

例えば推定部２１３が、図６の対象データのうち管路についての被害の程度を推定するとする。この場合推定部２１３はまず、管路に関する情報の「材質」、「経過年数」等、及び環境条件の「地盤」、「年間降水量」等の値をそれぞれ数値化して、学習装置１０から取得した管路についての第１モデルに入力する。第１モデルが算出した劣化の程度が「中」であるとする。推定部２１３は、算出された劣化の程度と、対象データが含む管路の災害条件の「地表面最大速度」、「地表面最大加速度」等の値をそれぞれ数値化して、学習装置１０から取得した管路及び地震動についての第２モデルに入力する。第２モデルが算出した被害の程度が「大」であるとする。推定部２１３は、算出された被害の程度を取得する。電柱についても同様にして、推定部２１３は被害の程度を推定する。このようにして推定部２１３は対象設備の被害の程度を推定する。

【0070】

推定部２１３は、推定した被害の程度を、出力部２５を介して表示する。表示には任意の手法が用いられてよい。例えば推定部２１３は、対象設備の位置を地図上で示す表示を、出力部２５を介して行い、当該設備の位置の上に、推定した被害の程度を表示してもよい。

【0071】

＜プログラム＞
上述した学習装置１０又は推定装置２０として機能させるために、プログラム命令を実行可能なコンピュータを用いることも可能である。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal Computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。

【0072】

コンピュータは、プロセッサと、記憶部と、入力部と、出力部と、通信インターフェースとを備える。プロセッサは、ＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）等であり、同種又は異種の複数のプロセッサにより構成されてもよい。プロセッサは、記憶部からプログラムを読み出して実行することで、上記各構成の制御及び各種の演算処理を行う。なお、これらの処理内容の少なくとも一部をハードウェアで実現することとしてもよい。入力部は、ユーザの入力操作を受け付けてユーザの操作に基づく情報を取得する入力インターフェースであり、ポインティングデバイス、キーボード、マウスなどである。出力部は、情報を出力する出力インターフェースであり、ディスプレイ、スピーカなどである。通信インターフェースは、外部の装置と通信するためのインターフェースである。

【0073】

プログラムは、コンピュータが読み取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性（non-transitory）の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリなどであってもよい。また、このプログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【0074】

＜被害予測システム１の動作＞
次に、図７Ａ及び図７Ｂを参照して、本実施形態に係る学習装置１０及び推定装置２０を含む被害予測システム１の動作について説明する。被害予測システム１の動作のうち、学習装置１０の動作は、本実施形態に係る学習方法に相当し、推定装置２０の動作は、本実施形態に係る推定方法に相当する。

【0075】

図７ＡのステップＳ１において、学習装置１０の劣化データ取得部１１１は劣化データを取得する。劣化データの取得には任意の手法が採用されてよい。

【0076】

ステップＳ２において、劣化データ取得部１１１は、取得した劣化データを第１モデル生成部１１２に出力する。

【0077】

ステップＳ３において、第１モデル生成部１１２は、劣化データ取得部１１１が取得した劣化データに基づき、設備に関する情報及び環境条件を数値化して説明変数とし、劣化の程度を数値化して目的変数とした第１モデルを生成する。第１モデル生成部１１２は、第１モデルを、ニューラルネットワーク、回帰分析等の任意の機械学習手法、深層学習手法又は統計的手法により生成してよい。

【0078】

ステップＳ４において、第１モデル生成部１１２は、生成した第１モデルを記憶部１２に格納し、設備ごとに算出した被害の程度を示す情報を被害データ取得部１１３へ出力する。

【0079】

ステップＳ５において、被害データ取得部１１３は被害データを取得する。被害データ取得部１１３は、設備ごとの災害条件と被害の程度とを示す情報に、第１モデル生成部１１２から出力された各設備の劣化の程度を示す情報を付加して被害データを生成することで被害データを取得できる。

【0080】

ステップＳ６において、被害データ取得部１１３は、取得した被害データを第２モデル生成部１１４に出力する。

【0081】

ステップＳ７において、第２モデル生成部１１４は、取得した被害データが含む災害条件および劣化の程度を数値化して説明変数とし、被害の程度を数値化して目的変数とした第２モデルを生成する。第１モデル生成部１１２と同様に、第２モデル生成部１１４は、第２モデルを、ニューラルネットワーク、回帰分析等の任意の機械学習手法、深層学習手法又は統計的手法により生成してよい。

【0082】

ステップＳ８において、第２モデル生成部１１４は、生成した第２モデルを記憶部１２に格納する。

【0083】

ステップＳ９において、制御部１１は、記憶部２２から第１モデル及び第２モデルをそれぞれ読み出し、通信部１３を介して推定装置２０へ送信する。

【0084】

ステップＳ１０において、推定装置２０のモデル取得部２１１は、学習装置１０から、第１モデル生成部１１２が生成した第１モデル、及び第２モデル生成部１１４が生成した第２モデルを、通信部２３を介して受信することで取得する。

【0085】

図７ＢのステップＳ１１において、モデル取得部２１１は取得した第１モデル及び第２モデルを推定部２１３に出力する。

【0086】

ステップＳ１２において、対象データ取得部２１２は対象データを取得する。対象データの取得には任意の手法が採用されてよい。

【0087】

ステップＳ１３において、対象データ取得部２１２は、取得した対象データを推定部２１３に出力する。

【0088】

ステップＳ１４において、推定部２１３は、対象データ取得部２１２が取得した対象データを、モデル取得部２１１が取得した第１モデル及び第２モデルに適用し、対象設備の被害の程度を推定する。具体的には、推定部２１３は、対象データが含む対象設備の設備に関する情報と対象設備の環境条件とをそれぞれ数値化して対象設備に対応する設備についての第１モデルに入力する。推定部２１３は、第１モデルが出力した劣化の程度を取得し、当該劣化の程度と、対象データが含む対象設備の災害条件とをそれぞれ数値化し、対象設備及び対象設備に対する災害についての第２モデルに入力する。推定部２１３は、第２モデルが算出した被害の程度を取得する。このようにして推定部２１３は対象設備の被害の程度を推定する。

【0089】

ステップＳ１５において、推定部２１３は、推定した被害の程度を出力部２５を介して表示する。表示には任意の手法が用いられてよい。例えば出力部２５は、推定した被害の程度を音声又は映像で出力してもよい。その後、被害予測システム１の動作は終了する。

【0090】

上述の通り、本実施形態の学習装置１０は、設備に関する情報と、設備の環境条件と、設備の劣化の程度とを含む劣化データを訓練データとした機械学習により、設備の劣化の程度を算出する第１モデルを生成する第１モデル生成部１１２と、設備に対する災害の災害条件と、災害による被害の程度と、第１モデルが算出した劣化の程度とを含む被害データを訓練データとした機械学習により、設備の被害の程度を算出する第２モデルを生成する第２モデル生成部１１４とを備える。

【0091】

本実施形態の学習装置１０によれば、設備の劣化の程度の予測結果を反映させた、災害による被害の程度を予測するモデルを簡便に生成できる。対象設備の劣化の程度を加味した上で、災害による被害を精度よく予測することが可能となるため、災害による設備への被害を予測する技術を改善することができる。

【0092】

上述の通り、本実施形態の学習装置１０において、設備は地下管路又は電柱を含むインフラ設備を含み、災害は地震、液状化、台風のうち少なくとも１つを含む。

【0093】

本実施形態の学習装置１０によれば、公益に関わる重要な設備であるインフラ設備に対し、災害の中でも高頻度で重大な影響が想定される地震、液状化又は台風による被害を推定することができる。よって、災害による設備への被害を予測する技術を改善することができる。

【0094】

上述の通り、本実施形態の推定装置２０は、設備に関する情報、設備の環境条件、及び設備の劣化の程度を含む劣化データを訓練データとした機械学習により学習された、設備の劣化の程度を算出する第１モデルと、設備に対する災害の災害条件、災害による被害の程度、及び第１モデルが算出した劣化の程度を含む被害データを訓練データとした機械学習により学習された、設備の被害の程度を算出する第２モデルと、を取得するモデル取得部２１１と、対象設備の設備に関する情報、対象設備の環境条件、及び対象設備の災害条件を含む対象データを、第１モデル及び第２モデルに適用し、対象設備の被害の程度を推定する推定部２１３と、を備える。

【0095】

本実施形態の推定装置２０によれば、対象設備について劣化の程度を予め点検せずとも、当該対象設備の劣化の程度を予測できるため、点検コストを低減させることができる。劣化の程度の予測を加味して災害時の被害の程度を精度よく推定することができるため、災害による設備への被害を予測する技術を改善することができる。

【0096】

本発明を諸図面や実施形態に基づき説明してきたが、当業者であれば本発明に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本発明の範囲に含まれることに留意されたい。

【0097】

（変形例）
本開示の変形例について説明する。

【0098】

図８は、本変形例に係る被害予測システム１の構成を示す図である。図８に示すように、本変形例に係る推定装置２０の制御部２１は、モデル取得部２１１、対象データ取得部２１２及び推定部２１３に加えて、分割部２１４をさらに備える。本変形例に係る推定装置２０の制御部２１以外の各部の構成は、上述の実施形態と同様であるため説明を省略する。

【0099】

本変形例に係る推定装置２０の対象データ取得部２１２は、対象設備の設備に関する情報、対象設備の環境条件、及び対象設備の複数の災害のそれぞれについての災害条件を含む対象データを取得する。対象データの取得には任意の手法が採用されてよい。例えば対象データ取得部２１２は、上述の実施形態と同様に、対象設備の環境条件、及び複数の災害それぞれについての災害条件の入力を促す表示を、出力部２５を介して行い、ユーザが入力部２４を介して入力した値を対象データとして取得できる。対象データ取得部２１２は、ユーザが保持する端末装置と通信し、当該端末装置にユーザが入力した値を当該端末装置から受信し、対象データとして取得してもよい。対象データ取得部２１２は、取得した対象データを分割部２１４に出力する。

【0100】

対象データの例を図９に示す。図９を参照すると、対象設備としての管路についての設備に関する情報、環境条件、及び地震動の災害条件は上述の実施形態と同様である。これに加えて、本変形例の対象データは、さらに他の災害としての液状化の災害条件を含む。図９を参照すると、管路に対する液状化の災害条件としての液状化履歴は「あり」であり、液状化指数は「ＴＴ」である。次の行の、対象設備としての電柱についての設備に関する情報、環境条件、及び地震動の災害条件は上述の実施形態と同様であり、液状化の災害条件としての液状化履歴は「なし」であり、液状化指数は「ＵＵ」である。このように、本変形例において取得された対象データは、複数の災害のそれぞれについての災害条件を含む。

【0101】

分割部２１４は、対象データ取得部２１２が取得した対象データを災害ごとに分割する。図１０Ａ及び図１０Ｂは、図９の対象データを分割部２１４が分割した結果である。図１０Ａは管路及び電柱に対する地震動の災害条件を含む対象データ、図１０Ｂは管路及び電柱に対する液状化の災害条件を含む対象データである。分割部２１４は、分割した対象データを推定部２１３に出力する。

【0102】

推定部２１３は、分割部２１４が分割した対象データのそれぞれを、モデル取得部２１１が取得した第１モデル及び第２モデルに、上述の実施形態と同様に適用し、対象設備それぞれについての被害の程度を推定する。

【0103】

推定部２１３は、分割された対象データのそれぞれについて推定した被害の程度を、出力部２５を介して表示する。表示には任意の手法が用いられてよい。例えば推定部２１３は、各災害に対して推定した被害の程度を、災害ごとに別々に表示してもよいし、全ての災害についての被害の程度を統合して表示してもよい。この場合、推定部２１３は推定した被害の程度を示すカテゴリ値を合計することで統合してもよい。例えば推定部２１３は、対象設備の位置を地図上で示す表示を、出力部２５を介して行い、当該設備の位置の上に、推定した被害の程度を災害ごとに一覧で表示させてもよい。

【0104】

上述のとおり、本変形例において、対象データは、複数の災害のそれぞれについての災害条件を含む。本変形例に係る推定装置２０は、災害ごとに対象データを分割する分割部２１４をさらに備え、推定部２１３は、分割部２１４により分割された対象データを、第１モデルと、第２モデルに適用し、対象設備の被害の程度を複数の災害のそれぞれについて推定する。

【0105】

本変形例の推定装置２０によれば、複数の災害について災害条件が入力された対象データを用いて、一つの対象設備について複数の災害のそれぞれについての被害の程度を一度に推定することができる。様々な災害を想定した被害の程度の推定結果を一覧で見られるため、ユーザにとって、対象設備のメンテナンスの計画がよりたてやすくなる。よって、災害による設備への被害を予測する技術を改善することができる。

【符号の説明】

【0106】

１ 被害予測システム
１０ 学習装置
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 出力部
２０ 推定装置２０
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 出力部
３０ ネットワーク
１１１ 劣化データ取得部
１１２ 第１モデル生成部
１１３ 被害データ取得部
１１４ 第２モデル生成部
２１１ モデル取得部
２１２ 対象データ取得部
２１３ 推定部
２１４ 分割部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図8】

【図9】

【図10A】

【図10B】