预测装置、预测方法及存储介质与流程

本发明涉及预测装置、预测方法及存储介质。

背景技术：

以往，公开了如下警备系统的发明，该警备系统具备：检测单元，其构成为检测警备区域中的异常，在检测到异常的情况下向控制器发送异常检测信号；以及控制器，其接受包括警备区域的对象地域中的治安信息，根据治安信息变更用于判断是否发出警报的判断条件(日本特开2014-178884号公报)。在本发明中，治安信息专门基于犯罪信息而生成。例如，记载了在对象地域内在规定期间内发生的入室抢劫事件及入室盗窃事件的件数成为治安信息的源信息。

然而，在以往的技术中，存在无法适当地推定将来的治安的状态的情况。

技术实现要素：

本发明的方案是考虑这样的情形而完成的，目的之一在于提供能够适当地推定将来的治安的状态的预测装置、预测方法及存储介质。

本发明的预测装置、预测方法及存储介质，采用了以下的构成。

(1)：本发明的一方案的预测装置具备：取得部，其取得对城镇的街区的风景进行拍摄而得到的图像和表示所述街区的价值的公表信息；以及导出部，其通过将对所述图像进行解析而得到的结果和所述公表信息向预测模型输入，来导出表示所述街区的将来的治安状态的治安指标。

(2)：在上述(1)的方案中，所述导出部关于所述公表信息的变化率为基准值以上的街区导出所述治安指标。

(3)：在上述(1)或(2)的方案中，所述导出部通过对所述图像所包含的特定物体的状态进行评价来导出所述治安指标。

(4)：在上述(1)～(3)中的任一方案中，所述公表信息包括土地价、租金、与犯罪发生相关的信息中的至少一部分。

(5)：在上述(1)～(4)中的任一方案中，所述街区是一个道路中的特定的街区。

(6)：在上述(1)～(5)中的任一方案中，还具备通过机器学习生成所述模型的学习部。

(7)：在上述(1)～(6)中的任一方案中，使用所述公表信息作为学习用于导出所述治安指标的模型时的教师数据。

(8)：本发明的另一方案的预测方法是使用计算机进行的预测方法，其包括如下步骤：取得对城镇的街区的风景进行拍摄而得到的图像和表示所述街区的价值的公表信息；以及通过将对所述图像进行解析而得到的结果和所述公表信息向预测模型输入，来导出表示所述街区的将来的治安状态的治安指标。

(9)：本发明的另一方案的存储介质使计算机进行如下处理：取得对城镇的街区的风景进行拍摄而得到的图像和表示所述街区的价值的公表信息；以及通过将对所述图像进行解析而得到的结果和所述公表信息向预测模型输入，来导出表示所述街区的将来的治安状态的治安指标。

根据上述(1)～(9)的方案，能够适当地推定将来的治安的状态。

根据上述(2)的方案，能够提高处理效率。

根据上述(3)的方案，由于不是笼统地进行图像处理而是锁定为特定物体来进行图像处理，因此能够更加精度良好地推定将来的治安的状态。

根据上述(4)的方案，能够从更多方面的观点来推定将来的治安的状态。

根据上述(5)的方案，与以以往的地图中的网格单位来进行推定的情况相比，能够进行分级更高的推定处理。

附图说明

图1是示出各实施方式中共通的构成的一例的图。

图2是示出第一实施方式的预测装置的构成的一例的图。

图3是示出图像数据的内容的一例的图。

图4是示出公表信息的内容的一例的图。

图5是用于对基于图像解析部的处理进行说明的图。

图6是示出物体状态识别模型的内容的一例的图。

图7是示出识别模型的内容的一例的图。

图8是示出物体状态评价表格的内容的一例的图。

图9是示出由规则库确定的预测模型的概念的图。

图10是示出由第一实施方式的预测装置执行的处理的流程的一例的流程图。

图11是示出第二实施方式的预测装置的构成的一例的图。

图12是示意性地示出惩罚学习部的处理的内容的图。

图13是示出第三实施方式的预测装置的构成的一例的图。

图14是示意性地示出预测模型学习部的处理的内容的图。

图15是示出第四实施方式的预测装置的构成的一例的图。

图16是示出预测模型的内容的一例的图。

具体实施方式

以下，参照附图，对本发明的预测装置、预测方法及存储介质的实施方式进行说明。

<共通构成>

图1是示出各实施方式中共通的构成的一例的图。预测装置100经由无线通信装置12及网络nw而取得由搭载于车辆m的车载相机10拍摄到的城镇的图像。或者，预测装置100经由网络nw而取得由设置于城镇的固定相机20拍摄到的城镇的图像。网络nw例如包括蜂窝网、互联网、wan(wideareanetwork)、lan(localareanetwork)等。图示的构成具备用于与网络nw连接的网卡等接口(关于车辆m，有无线通信装置12)。在取得车载相机10的图像的情况下，车载相机10由预测装置100或其他装置控制，以在到达了预测对象的部位时进行拍摄(或者在连续地拍摄的期间保存到达时间点的图像)。由此，由车载相机10或固定相机20从期望的方向对期望的城镇的期望的场所进行拍摄而得到的一个以上的图像被向预测装置100提供。以下，将这样的图像称作图像数据。

预测装置100从公表信息信息源30取得公表信息。所谓公表信息，例如是土地价、每基准面积的租金、犯罪发生率等被认为表示城镇的价值的、公表的任意的信息。在以下的各实施方式中，公表信息是土地价。公表信息信息源30例如是将这些信息在网站等公开的信息提供装置。预测装置100例如使用爬虫等技术从网站自动地取得公表信息来作为电子信息。取而代之，也可以由看到了公表信息的操作者手动地向预测装置100的输入装置(未图示)输入公表信息。

预测装置100基于由车载相机10或固定相机20拍摄到的图像和公表信息，导出表示城镇的治安的状态的治安指数。以下，关于治安指数的导出方法的变化，在各实施方式中进行说明。

<第一实施方式>

图2是示出第一实施方式的预测装置100的构成的一例的图。预测装置100例如具备取得部110、导出部120以及存储部150。取得部110及导出部120的各部分例如通过cpu(centralprocessingunit)等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或全部，既可以通过lsi(largescaleintegration)、asic(applicationspecificintegratedcircuit)、fpga(field-programmablegatearray)、gpu(graphicsprocessingunit)等硬件(电路部；包括circuitry)来实现，也可以通过软件与硬件的协同配合来实现。程序既可以预先保存于hdd(harddiskdrive)、闪存器等存储装置(具备非暂时性的存储介质的存储装置)，也可以保存于dvd、cd-rom等可装卸的存储介质(非暂时性的存储介质)并通过将存储介质装配于驱动装置而安装。作为程序存储器发挥功能的存储装置，既可以与存储部150相同，也可以不同。

取得部110分别取得图像数据及公表信息，并作为图像数据151及公表信息152而存储于存储部150。存储部150例如通过hdd、闪存器、ram等来实现。在存储部150中，图像数据151例如按街区(街道的区划)以时间序列整理。所谓街区，是某个道路的特定的区间，更详细地说，是与1地段对应的道路。图3是示出图像数据151的内容的一例的图。如图所示，图像数据151是图像的取得日及图像相对于街区的识别信息建立了对应关系的信息。

公表信息152例如以比上述的街区细的分级，作为按周期性地到来的公表时期(例如公表年度)的时间序列信息而被整理。图4是示出公表信息152的内容的一例的图。如图所示，公表信息152是详细位置、公表年度及土地价相对于街区建立了对应关系的信息。所谓详细位置，例如是将建筑物的正面宽度作为单位而区分的位置。

导出部120例如具备对象街区选择部121、图像解析部122以及预测部123。

对象街区选择部121从街区中选择作为预测对象的对象街区。例如，对象街区选择部121从街区中选择第一时机与第二时机之间的公表信息152的变化率为基准值的街区来作为对象街区。如前述那样，在公表信息152的分级比街区细的情况下，对象街区选择部121通过求出街区内的公表信息152的平均值等而求出一个标量值，作为判定对象。第一时机是将公表信息152定期地公表中的、最近的前一个公表时机(在图4的例子中是2017年度)，第二时机是最近的公表时机(在图4的例子中是2018年度)。

图像解析部122通过对与由对象街区选择部121选择的对象街区对应的图像进行解析，来评价图像所包含的特定物体的状态，并输出评价分数。图5是用于对基于图像解析部122的处理进行说明的图。图像解析部122在作为解析对象的图像im之中设定各种尺寸的窗口w(在图中示出了w1～w6)并对图像im的至少一部分进行扫描，在检测到在窗口w中包含有特定的物体的情况下，识别其状态。所谓特定的物体，例如是人、驻车车辆、行道树、建筑物、不是行道树的植物(杂草)、在建筑物的壁面等的涂鸦等。在图中，窗口w1中包含前玻璃损坏了的车辆，窗口w2中包含正在横渡人行道的人，窗口w3中包含没有被修剪的行道树，窗口w4中包含建筑物的坏了的窗，窗口w5中包含杂草，窗口w6中包含涂鸦。图像解析部122识别这样的各特定的物体的状态。

图像解析部122使用物体状态识别模型153来进行识别物体的状态的处理。图6是示出物体状态识别模型153的内容的一例的图。如图所示，物体状态识别模型153是窗口尺寸、窗口设定区域、识别模型等相对于特定物体的种类建立了对应关系的信息。所谓窗口尺寸，是根据特定物体的种类而设定的窗口w的尺寸。窗口尺寸也可以考虑远近法，以越接近图像im中的下端则越大、越接近上端则越小的方式进行修正。窗口设定区域是在与特定物体的种类相应的图像im中设定窗口而进行扫描的区域。例如，若是建筑物，则映入图像的中央附近的可能性低，因此，在图像的宽度方向上的两端附近设定窗口设定区域。

图7是示出识别模型的内容的一例的图。识别模型例如是通过使用了cnn(convolutionneuralnetwork)等的深度学习而进行了学习的已学习模型。图示的识别模型是与人相关的识别模型(1)，当被输入窗口w内的图像(窗口图像)时，在输出层中，输出是否是人、在是人的情况下是否穿着衣服、是否站着、是否坐着、是否躺着这样的信息。

而且，图像解析部122使用物体状态评价表格154来评价识别到的特定物体的状态，并输出评价分数。图8是示出物体状态评价表格154的内容的一例的图。如图所示，物体状态评价表格154是将惩罚相对于特定物体的状态分别建立了对应关系的信息。物体状态评价表格154预先通过某种方法(例如由人来决定)而生成，保存于存储部150。图像解析部122将与相符的状态对应的惩罚合计，计算针对图像im的合计惩罚(评价分数的一例)。

预测部123基于由图像解析部122算出的合计惩罚和对象街区的公表信息152，导出表示对象街区的将来的治安状态的治安指标。例如，设当前是2018年，预测部123基于作为预测模型155而预先规定的式(1)，导出将来(例如2019年)的治安指标。式中，[合计惩罚(2018年)]是基于在2018年取得的图像的合计惩罚。以下，有时将其表现为“2018年的合计惩罚”。

[治安指标(2019年)]＝f{[合计惩罚(2018年)]，[公表信息(2018年度)]，[公表信息(2017年度)]，…，[公表信息(n年前)]}…(1)

在上述的式(1)中，关于图像，表现为仅将一个取得日所涉及的图像作为输入数据，但是，关于图像，也可以与公表信息152同样地，将时间序列的图像作为输入数据。在该情况下，预测部123例如也可以根据如基于在2018年取得的图像的合计惩罚、基于在2017年取得的图像的合计惩罚、及基于在2016年取得的图像的合计惩罚那样基于涉及多年的图像的合计惩罚，导出治安指标。

式(1)中的f所表示的预测模型155例如是由规则库决定的函数。取而代之，预测模型155也可以是表示通过机器学习进行了学习的已学习模型的函数。图9是示出由规则库确定的预测模型155的概念的图。在此，治安指标设为值越小则表示“治安越差”。在图中，h是各年度的公表信息的函数，是公表信息越显示“治安良好”(土地价高、租金高或犯罪发生率低)，则输出越大的正的值的函数。g是合计惩罚的函数，是输出相对于合计惩罚显示出正的相关的值的函数。al是将h的值的推移近似而得到的近似线。预测模型155例如输出从近似线al与预测对象的年度的交点的值减去函数g的值而得到的值。此时，函数g的输入值也可以是像若预测对象是一年后则是合计惩罚、若预测对象是两年后则是合计惩罚×2这样累积相加得到的值。在该原理中，由于没有反映出“若是原本土地价低的对象街区，则合计惩罚应该变大”这一推论，因此，函数g也可以是输出相对于“以近似线al的预测对象的交点的值越小则越变小的方式进行了修正的合计惩罚”显示出正的相关的值的函数。

图10是示出由第一实施方式的预测装置100执行的处理的流程的一例的流程图。关于图像数据151、公表信息152等数据的取得，设为与本流程图的处理相独立地执行。

首先，对象街区选择部121选择公表信息152的经时变化大的街区作为对象街区(步骤s100)。

接着，预测装置100关于在步骤s100中选择出的全部的对象街区进行步骤s102～s106的处理。首先，图像解析部122读出目标的对象街区的图像，识别特定物体的信息(步骤s102)，基于识别到的特定物体的状态计算合计惩罚(步骤s104)。然后，预测部123基于合计惩罚和关于该对象街区的公表信息152，导出治安指标(步骤s106)。

根据以上说明的第一实施方式的预测装置100，能够适当地推定将来的治安的状态。

<第二实施方式>

以下，对第二实施方式进行说明。在第一实施方式中，规定了针对特定物体的状态的惩罚的物体状态评价表格154通过某种方法而预先设定，但是，在第二实施方式中，物体状态评价表格154通过机器学习而生成。

图11是示出第二实施方式的预测装置100a的构成的一例的图。与第一实施方式的预测装置100相比较，预测装置100a还具备惩罚学习部130a。物体状态评价表格154a由惩罚学习部130a生成。

惩罚学习部130a例如从多个图像中按顺序选择一个图像(优选取得日充分早于当前)，关于所选择的图像，生成在与特定物体的状态分别相符的情况下分配1、在不相符的情况下分配0的特征矢量。特征矢量由式(2)表示。在式中，fk是第k个“特定物体的状态”，是表示0或1这两个值的值。n是设想的“特定物体的状态”的数量(种类)。

(特征矢量)＝(f1，f2，…，fn)…(2)

并且，惩罚学习部130a关于多个对象区间(或者图像)，以使对特征矢量的各要素分别乘以作为惩罚的系数α1～αn而得到的值与教师数据的相关成为最大的方式，对系数α1～αn进行学习。教师数据例如表示所选择的图像所涉及的对象街区的将来的治安的状态，既可以使用公表信息152作为教师数据，也可以使用其他信息作为教师数据。若以数学式来表示该处理，则如式(3)。在式中，argmax是求出表示最大值的参数的函数，correl是相关系数。教师数据例如是自图像的取得日起期望的年数以后的年度的信息。例如，在图像的取得日是2015年的情况下，2017年、2018年的教师数据作为式(3)的参数而被输入。图12是示意性地示出惩罚学习部130a的处理的内容的图。惩罚学习部130a例如通过误差反向传播法(backpropagation)而求出系数α1～αn。

α1～αn＝argmaxα1～αn[correl{∑k＝1ⁿ(fk×αk)}，(教师数据)]…(3)

关于生成了物体状态评价表格154a之后的处理，与第一实施方式相同，省略说明。

根据以上说明的第二实施方式的预测装置100a，能够适当地推定将来的治安的状态。通过机器学习生成物体状态评价表格154a，从而与由规则库决定物体状态评价表格154a的情况相比，能够高精度地进行推定。

<第三实施方式>

以下，对第三实施方式进行说明。在第一实施方式及第二实施方式中，设为公表信息152作为导出治安指标时的输入数据来使用，但是，在第三实施方式中，公表信息152专门作为机器学习的教师数据来使用。

图13是示出第三实施方式的预测装置100b的构成的一例的图。与第一实施方式的预测装置100相比较，预测装置100b还具备预测模型学习部130b。预测模型155b由预测模型学习部130b生成。

第三实施方式的预测部123b基于由图像解析部122算出的合计惩罚，导出表示对象街区的将来的治安状态的治安指标。例如，设为当前是2018年，预测部123基于作为预测模型155而预先规定了的式(4)，导出将来(例如2019年)的治安指标。

[治安指标(2019年)]＝q{[合计惩罚(2018年)]，[合计惩罚(基于在2017年取得的图像)]，[合计惩罚(基于在2016年取得的图像)]}…(4)

式(4)中的q所表示的预测模型155b是表示将公表信息152作为教师数据而通过预测模型学习部130b进行的机器学习进行了学习的已学习模型的函数。图14是示意性地示出预测模型学习部130b的处理的内容的图。如图所示，预测模型学习部130b例如将x年、x-1年、x-2年的合计惩罚作为输入数据，将x+1年、x+2年、…的公表信息152作为教师数据而进行机器学习，生成已学习模型。

在第三实施方式中，也可以与第二实施方式同样地通过机器学习生成物体状态评价表格154a。关于其他处理，与第一实施方式相同，因此省略说明。

根据以上说明的第三实施方式的预测装置100b，能够适当地推定将来的治安的状态。通过机器学习生成预测模型155b，从而与由规则库决定预测模型155b的情况相比，能够高精度地进行推定。

<第四实施方式>

以下，对第四实施方式进行说明。在第一～第三实施方式中，设为图像解析部122计算合计惩罚，但是在第四实施方式中，省略图像解析部122，直接将图像向预测模型输入。

图15是示出第四实施方式的预测装置100c的构成的一例的图。与第一实施方式的预测装置100相比较，预测装置100c中省略了图像解析部122，还具备预测模型学习部130c。预测模型155c由预测模型学习部130c生成。

第四实施方式的预测部123c将对象区间的图像数据151和公表信息152对预测模型155c输入，导出治安指数。图16是示出预测模型155c的内容的一例的图。如图所示，预测模型155c是如下模型：通过将图像数据151向cnn输入而求出特征映射，通过将特征映射和公表信息152向dnn(deepneuralnetwork)等网络输入而导出治安指数。

预测模型学习部130c例如通过根据教师数据进行误差反向传播法，来决定图16所示的cnn及dnn的参数。既可以使用公表信息152作为教师数据，也可以使用其他信息作为教师数据。

在第四实施方式中，也可以不将公表信息152作为预测模型155c的输入数据，而是仅专门作为通过机器学习生成预测模型155c时的教师数据来使用。

根据以上说明的第四实施方式的预测装置100c，能够适当地推定将来的治安的状态。由于省略了图像解析处理，因此有可能能够实现更高速的处理。

以上使用实施方式说明了本发明的具体实施方式，但本发明丝毫不被这样的实施方式限定，在不脱离本发明的主旨的范围内能够施加各种变形及替换。