JP2022015191A - 推定プログラム、推定装置、推定方法、生成プログラム、生成装置及び生成方法 - Google Patents

Abstract

【課題】感染症に感染するリスクを推定する。【解決手段】本願に係る推定プログラムは、所定の環境に関する情報を取得可能なセンサから所定の環境に関する情報を取得する取得手順と、所定の環境に関する情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置の周辺環境における感染リスクを推定する推定手順と、をコンピュータに実行させる。【選択図】図１５

Description

本発明は、推定プログラム、推定装置、推定方法、生成プログラム、生成装置及び生成方法に関する。

従来、感染症のパンデミックに対応するための様々な技術が知られている。例えば、音情報に、感染症に起因した咳音が含まれるか判定し、感染症に起因した咳音から感染者数を推定し、感染者数と位置情報と時間情報からパンデミックを予測する技術が知られている。

特開２０１９－２８６８７号公報

しかしながら、上記の従来技術では、感染症に感染するリスクを推定することができるとは限らない。例えば、上記の従来技術では、音情報に、感染症に起因した咳音が含まれるか判定し、感染症に起因した咳音から感染者数を推定し、感染者数と位置情報と時間情報からパンデミックを予測するにすぎない。このため、上記の従来技術では、感染症に感染するリスクを推定することができるとはいえない。

本願は、上記に鑑みてなされたものであって、感染症に感染するリスクを推定することができる推定プログラム、推定装置、推定方法、生成プログラム、生成装置及び生成方法を提案する。

本願に係る推定プログラムは、所定の環境に関する情報を取得可能なセンサから前記所定の環境に関する情報を取得する取得手順と、前記所定の環境に関する情報に基づいて前記所定の環境における感染リスクを推定可能な機械学習モデルを用いて、前記端末装置の周辺環境における感染リスクを推定する推定手順と、をコンピュータに実行させることを特徴とする。

実施形態の一態様によれば、感染症に感染するリスクを推定することができるといった効果を奏する。

図１は、実施形態に係る情報処理システムの構成例を示す図である。 図２は、実施形態に係る生成装置の構成例を示す図である。 図３は、実施形態に係るセンサ情報の一例を示す図である。 図４は、実施形態に係るセンサ情報の一例を示す図である。 図５は、実施形態に係るセンサ情報の一例を示す図である。 図６は、実施形態に係るセンサ情報の解析方法の一例について説明するための図である。 図７は、実施形態に係るセンサ情報の一例を示す図である。 図８は、実施形態に係るセンサ情報の一例を示す図である。 図９は、実施形態に係る学習データセットの一例を示す図である。 図１０は、実施形態に係る生成処理の概要について説明するための図である。 図１１は、実施形態の変形例に係る生成処理の概要について説明するための図である。 図１２は、実施形態の変形例に係る学習データセットの一例を示す図である。 図１３は、実施形態の変形例に係る学習データセットの一例を示す図である。 図１４は、実施形態に係る生成装置の情報処理手順を示す図である。 図１５は、実施形態に係る端末装置の構成例を示す図である。 図１６は、実施形態に係る端末装置の情報処理の一例について説明するための図である。 図１７は、実施形態に係る端末装置の情報処理の一例について説明するための図である。 図１８は、実施形態に係る端末装置の情報処理の一例について説明するための図である。 図１９は、実施形態に係る端末装置の情報処理手順を示す図である。 図２０は、生成装置および端末装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る推定プログラム、推定装置、推定方法、生成プログラム、生成装置及び生成方法を実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る推定プログラム、推定装置、推定方法、生成プログラム、生成装置及び生成方法が限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．はじめに〕
近年、新型コロナウイルス感染症（ＣＯＶＩＤ－１９）等の感染症の拡大が社会問題となっている。また、感染症に感染するリスク（以下、感染リスクともいう）は、密閉空間（換気の悪い密閉空間である）、密集場所（多くの人が密集している場所である）、密接場面（互いに手を伸ばしたら届く距離での会話や発声が行われる場面である）という３つの条件（いわゆる「３密」）が重なると高くなると言われている。そこで、感染症の拡大を防ぐには、各人が感染リスクの高い環境（いわゆる「３密」）を避けることが望ましい。ところが、いわゆる「３密」は定性的な指標であるため、客観性に欠ける部分がある。そこで、感染リスクの高い環境（例えば、いわゆる「３密」）を定量的に把握することのできる技術が望まれている。

例えば、サーモグラフィーカメラを通じて温度データを常時収集し、高体温検知時にアラート通知する技術が知られている（参考ＵＲＬ：https://prtimes.jp/main/html/rd/p/000000003.000054903.html）。しかしながら、温度データのみでは、いわゆる「３密」であるかどうかを正確に判断することができない場合がある。そこで、例えば、温度データに加えて、音データなど各種センサ情報を組み合わせていわゆる「３密」であるかどうかを判断する指標を導き出すことが考えられる。しかしながら、各種センサ情報の間には何らかの相関性があるとは考えられるものの、各種センサ情報の相関性を人手によって定量的に導き出すのは困難である。そのため、いわゆる「３密」であるかどうかを判断する指標を人手によって導き出すのは困難であることが予想される。

そこで、本願の一実施形態に係る生成装置５０は、機械学習により、所定の環境に関する情報に基づいて、所定の環境における感染リスクを推定可能な機械学習モデルを生成する。これにより、生成装置５０は、各種センサ情報の相関性が高い機械学習モデルを生成することができる。また、生成装置５０は、感染症に感染するリスクを推定可能とすることができる。

また、本願の一実施形態に係る端末装置１００は、生成装置５０によって生成された機械学習モデルを用いて、利用者の端末装置１００の周辺環境における各種センサ情報から端末装置１００の周辺環境における感染リスクを推定する。これにより、端末装置１００は、感染症に感染するリスクを推定することができる。

（実施形態）
〔２‐１．情報処理システムの構成例〕
まず、図１を用いて、実施形態に係る情報処理システム１の構成について説明する。図１は、実施形態に係る情報処理システム１の構成例を示す図である。情報処理システム１は、生成装置５０と端末装置１００とを備えてよい。生成装置５０は、所定のネットワークＮを介して、端末装置１００と通信可能に接続されてよい。生成装置５０は、端末装置１００と有線または無線により通信可能に接続されてよい。なお、情報処理システム１には、任意の数の生成装置５０と任意の数の端末装置１００とが含まれてもよい。

以下では、利用者ＩＤ「Ｕ１」により特定される利用者を「利用者Ｕ１」として説明する場合がある。以下では、「利用者Ｕ＊（＊は任意の数値）」と記載した場合、その利用者は利用者ＩＤ「Ｕ＊」により特定される利用者であることを示す場合がある。例えば、「利用者Ｕ２」と記載した場合、その利用者は利用者ＩＤ「Ｕ２」により特定される利用者であってよい。

また、以下では、端末装置１００を利用する利用者に応じて、端末装置１００を端末装置１００_１、１００_２として説明する場合がある。例えば、端末装置１００_１は、利用者Ｕ１により使用される端末装置１００であってよい。また、例えば、端末装置１００_２は、利用者Ｕ２により使用される端末装置１００であってよい。また、以下では、端末装置１００_１、１００_２について、特に区別なく説明する場合には、端末装置１００と記載する場合がある。

生成装置５０は、所定の環境に関する情報（例えば、各種センサによって所定の環境において取得された各種センサ情報）に基づいて、所定の環境における感染リスクを推定可能な機械学習モデルを生成することができる情報処理装置であってよい。まず、生成装置５０は、例えば、端末装置１００によって取得された各種センサ情報を端末装置１００から取得してよい。例えば、生成装置５０は、端末装置１００の周辺環境に関するセンサ情報を取得してよい。続いて、生成装置５０は、取得したセンサ情報に基づいて端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成してよい。また、生成装置５０は、生成した機械学習モデルに関する情報を端末装置１００に配信してよい。

端末装置１００は、利用者によって利用される情報処理装置であってよい。端末装置１００は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現されてよい。

また、端末装置１００は、生成装置５０によって生成された機械学習モデルに関する情報を生成装置５０から取得することができる。例えば、端末装置１００は、所定の環境に関する情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを取得することができる。

また、端末装置１００は、各種センサを備えてよい。例えば、端末装置１００は、温度センサ（人感センサともいう）、画像センサ（カメラ）、音センサ、風速センサを備えてよい。また、端末装置１００は、各種センサによって、所定の環境における各種センサ情報を取得することができる。例えば、端末装置１００は、各種センサによって、端末装置１００の周辺環境に関する各種センサ情報を取得することができる。なお、各種センサは従来周知の手法により構成されてよい。

また、端末装置１００は、端末装置１００の周辺環境における感染リスクを推定することができる。例えば、端末装置１００は、生成装置５０から取得した機械学習モデルを用いて、端末装置１００の周辺環境に関するセンサ情報に基づいて端末装置１００の周辺環境における感染リスクを推定することができる。これにより、端末装置１００は、利用者の現在位置における感染リスクを推定することができることができる。

また、端末装置１００は、端末装置１００の周辺環境における感染リスクの推定結果を出力することができる。これにより、端末装置１００は、利用者の現在位置における感染リスクの推定結果を利用者に対して通知することができることができる。また、端末装置１００は、他の利用者の端末装置の推定結果を出力してもよい。これにより、端末装置１００の利用者は、他の利用者の周辺環境における感染リスクを把握することができる。

〔２‐２．生成装置の構成例〕
次に、図２を用いて、実施形態に係る生成装置５０の構成について説明する。図２は、実施形態に係る生成装置５０の構成例を示す図である。生成装置５０は、通信部５１と、記憶部５２と、制御部５３とを有してよい。なお、生成装置５０は、生成装置５０の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）を有してもよい。

（通信部５１）
通信部５１は、例えば、ＮＩＣ（Network Interface Card）等によって実現されてよい。通信部５１は、例えば、端末装置１００との間で情報の送受信を行ってよい。通信部５１は、ネットワークＮと有線または無線で接続されてよい。なお、通信部５１は、任意の外部機器と有線又は無線により通信可能であってもよい。

（記憶部５２）
記憶部５２は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現されてよい。記憶部５２は、各種プログラム（情報処理プログラムの一例に相当）を記憶することができる。例えば、記憶部５２は、実施形態に係る生成プログラムを記憶することができる。また、記憶部５２は、各種データを記憶することができる。例えば、記憶部５２は、取得部５３１によって取得されたセンサ情報を記憶することができる。また、記憶部５２は、生成部５３２によって生成される機械学習モデルの学習データを記憶することができる。また、記憶部５２は、生成部５３２によって生成された学習済みの機械学習モデルのモデルデータを記憶することができる。

ここで、一実施形態に係る生成プログラムは、制御部５３の機能を実現するプログラムであってよい。例えば、一実施形態に係る生成プログラムは、所定の環境に関する情報を取得する取得手順をコンピュータに実行させてよい。また、例えば、一実施形態に係る生成プログラムは、所定の環境に関する情報に基づいて端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する生成手順をコンピュータに実行させてよい。

（制御部５３）
制御部５３は、生成装置５０のコントローラ（controller）であってよい。制御部５３は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって構成されてよい。制御部５３は、ＲＡＭを作業領域として生成装置５０内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）を実行してよい。例えば、制御部５３は、ＣＰＵやＭＰＵ等によって、ＲＡＭを作業領域として実施形態に係る生成プログラムを実行してよい。また、制御部５３は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてよい。

制御部５３は、取得部５３１と、生成部５３２と、配信部５３３とを有してよい。一実施形態において、制御部５３は、以下に説明する情報処理の作用を実現または実行することができる。なお、制御部５３の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部５３１）
取得部５３１は、所定の環境に関する情報を取得することができる。具体的には、取得部５３１は、所定の環境に関する情報の一例として、所定の環境に関するセンサ情報を取得可能なセンサによって取得されたセンサ情報を取得することができる。例えば、取得部５３１は、所定の環境に関するセンサ情報を取得可能なセンサを有する端末装置１００によって取得されたセンサ情報を取得することができる。例えば、取得部５３１は、利用者の端末装置１００の周辺環境に関する情報の一例として、利用者の端末装置１００の周辺環境に関するセンサ情報を取得することができる。例えば、取得部５３１は、所定の環境に関するセンサ情報を取得可能なセンサを有する端末装置１００からセンサ情報を取得してもよい。また、例えば、取得部５３１は、所定の環境に関するセンサ情報を取得可能なセンサを有する端末装置１００によって取得されたセンサ情報が記憶されたデータベース等の端末装置１００以外の装置からセンサ情報を取得してもよい。より具体的には、取得部５３１は、例えば、端末装置１００によって取得されたセンサ情報を、センサ情報が取得された位置を示す位置情報およびセンサ情報が取得された日時を示す時間情報とともに端末装置１００から取得してよい。取得部５３１は、取得したセンサ情報を位置情報および時間情報と紐づけて記憶部５２に格納してよい。

例えば、取得部５３１は、センサ情報の一例として、温度センサによって取得された端末装置１００の周辺環境における温度情報を取得することができる。この点について、図３を用いて説明する。図３は、実施形態に係るセンサ情報の一例を示す図である。取得部５３１は、センサ情報の一例として、サーモグラフィーカメラによって撮影された端末装１００置の周辺環境における温度分布画像を取得することができる。図３に例示する温度分布画像Ｇ１１では、低温領域をＲ１１、中温領域をＲ１２、高温領域をＲ１３で示している。具体的には、温度分布画像Ｇ１１は、例えば、人体を高温物体とみなすと、人が密集している領域ほど、温度分布画像Ｇ１１では高温領域として示している。取得部５３１は、温度分布画像Ｇ１１における高温領域の分布パターンから、端末装置１００の周辺環境における人混みの度合いに関する情報を取得してよい。

なお、取得部５３１は、温度センサによって取得された温度情報のうち、人体の体温として想定される温度情報のみを取得してもよい。例えば、取得部５３１は、温度センサによって取得された温度情報の中から、人体の体温として想定される温度情報以外の温度情報を取り除いてもよい。

生成部５３２は、例えば、取得部５３１によって取得された温度分布画像Ｇ１１の高温領域の分布パターンに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。例えば、生成部５３２は、温度分布画像Ｇ１１の高温領域の分布パターンから人混みが少ない状態であると推定される場合（例えば、高温領域の分布パターンがまばらである場合など）には、感染リスクを低く推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、温度分布画像の高温領域の分布パターンから人混みが多い状態であると推定される場合（例えば、高温領域の分布パターンが局所に集中している場合など）には、感染リスクを高く推定するよう機械学習モデルを学習させてよい。

また、取得部５３１は、センサ情報の一例として、温度センサによって所定時間間隔で取得された端末装置１００の周辺環境における温度情報を取得することができる。この点について、図４を用いて説明する。図４は、実施形態に係るセンサ情報の一例を示す図である。図４に示す例では、取得部５３１は、センサ情報の一例として、サーモグラフィーカメラによって所定時間間隔で撮影された端末装置１００の周辺環境における温度分布画像を取得することができる。取得部５３１は、所定時間間隔で撮影された端末装置１００の周辺環境における温度分布画像それぞれの高温領域の分布パターンから、端末装置１００の周辺環境における人の滞留の有無に関する情報を取得してよい。

例えば、図４の上段に示す温度分布画像Ｇ２２は、温度分布画像Ｇ２１が撮影されてからＴ秒後に撮影された画像である。また、温度分布画像Ｇ２３は、温度分布画像Ｇ２２が撮影されてからさらにＴ秒後に撮影された画像である。図４の上段に示す例では、温度分布画像Ｇ２１からＧ２２、Ｇ２２からＧ２３へと時間的に遷移する際に、高温領域の分布に大きな変化が見られない。したがって、取得部５３１は、例えば、温度分布画像Ｇ２１からＧ２３に基づいて、人の滞留が有ることを示す情報を取得してよい。

例えば、温度分布画像Ｇ２１～Ｇ２３をそれぞれ縦４個×横４個の計１６個の区画に区分して説明する。この場合、温度分布画像Ｇ２１の高温領域は１６区画のうち７区画であるのに対して、温度分布画像Ｇ２２の高温領域は１６区画のうち６区画である。すなわち、この場合、温度分布画像Ｇ２２の高温領域は温度分布画像Ｇ２１と比べて１区画減少している。したがって、例えば、温度分布画像Ｇ２２によれば、温度分布画像Ｇ２１が示す人混みの状態から、Ｔ秒間の間に人の移動がほとんど起きなかったことが示されている。すなわち、温度分布画像Ｇ２２によれば、例えば、Ｔ秒後において温度分布画像Ｇ２１が示す人混みと同程度の人混みの状態が保たれたことが示されている。

また、温度分布画像Ｇ２２の高温領域は１６区画のうち６区画であるのに対して、温度分布画像Ｇ２３の高温領域は１６区画のうち７区画である。すなわち、温度分布画像Ｇ２３の高温領域は温度分布画像Ｇ２２と比べて１区画しか増加していない。これは、例えば、温度分布画像Ｇ２３によれば、温度分布画像Ｇ２２が示す人混みの状態から、Ｔ秒間の間に人の移動がほとんど起きなかったことが示されている。すなわち、例えば、温度分布画像Ｇ２３によれば、Ｔ秒後において温度分布画像Ｇ２２が示す人混みと同程度の人混みの状態が保たれたことが示されている。したがって、取得部５３１は、この場合、温度分布画像Ｇ２１からＧ２３に基づいて、人の滞留が有ることを示す情報を取得してよい。

また、図４の下段に示す温度分布画像Ｇ２５は、温度分布画像Ｇ２４が撮影されてからＴ秒後に撮影された画像である。また、温度分布画像Ｇ２６は、温度分布画像Ｇ２５が撮影されてからさらにＴ秒後に撮影された画像である。図４の下段に示す例では、温度分布画像Ｇ２４からＧ２５、Ｇ２５からＧ２６へと時間的に遷移する際に、高温領域の分布に大きな変化が見られる。したがって、取得部５３１は、例えば、温度分布画像Ｇ２４からＧ２６に基づいて、人の滞留が無いことを示す情報を取得してよい。

例えば、温度分布画像Ｇ２４～Ｇ２６をそれぞれ縦４個×横４個の計１６個の区画に区分して説明する。この場合、温度分布画像Ｇ２４の高温領域は１６区画のうち７区画であるのに対して、温度分布画像Ｇ２５の高温領域は１６区画のうち２区画である。すなわち、温度分布画像Ｇ２５の高温領域は温度分布画像Ｇ２４と比べて５区画減少している。したがって、例えば、温度分布画像Ｇ２５によれば、温度分布画像Ｇ２４が示す人混みの状態から、Ｔ秒間の間に人の移動が起きたことが示されている。すなわち、温度分布画像Ｇ２５によれば、例えば、Ｔ秒後には温度分布画像Ｇ２４が示すよりも人が少ない人混みの状態になったが示されている。

また、温度分布画像Ｇ２５の高温領域は１６区画のうち２区画であるのに対して、温度分布画像Ｇ２６の高温領域は１６区画のうち７区画である。すなわち、温度分布画像Ｇ２６の高温領域は温度分布画像Ｇ２５と比べて５区画増加している。したがって、例えば、温度分布画像Ｇ２６によれば、温度分布画像Ｇ２５が示す人混みの状態から、Ｔ秒間の間に再び人の移動が起きたことが示されている。すなわち、温度分布画像Ｇ２６によれば、例えば、Ｔ秒後には温度分布画像Ｇ２５が示すよりも人が多い人混みの状態になったことが示されている。したがって、取得部５３１は、この場合、温度分布画像Ｇ２４からＧ２６に基づいて、人の滞留が無いことを示す情報を取得してよい。

生成部５３２は、例えば、温度分布画像の高温領域の分布パターンに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、例えば、所定時間間隔で撮影された端末装置１００の周辺環境における温度分布画像それぞれの高温領域の分布パターンに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。例えば、生成部５３２は、人の滞留が有ることを示す情報に基づいて、感染リスクを高く推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、人の滞留が無いことを示す情報に基づいて、感染リスクを低く推定するよう機械学習モデルを学習させてよい。

また、取得部５３１は、センサ情報の一例として、カメラによって所定時間内に撮影された端末装置１００の周辺環境における画像に含まれる人影の動きを取得してよい。一般的に、天気の良い公園で自分の子供を遊ばせたいが、感染リスクが気になる場合がある。しかしながら、人混みの情報を取得するためにカメラで他所の人の顔画像を取得することはプライバシーの観点からはばかられる。そこで、取得部５３１は、人の顔画像等を取得することなく、人影の画像のみを取得することができる。この点について、図５を用いて説明する。

図５は、実施形態に係るセンサ情報の一例を示す図である。例えば、取得部５３１は、カメラによって撮影された端末装置１００の周辺環境における画像の中から人影の部分だけを抽出することにより、人影の画像Ｇ３１を取得することができる。画像Ｇ３１のうち黒で示す領域Ｓ１は、人影が一か所に集中している様子を示す。また、取得部５３１は、カメラによって所定時間内に撮影された別の画像の中から人影の部分だけを抽出することにより、別の人影の画像Ｇ３２を取得することができる。画像Ｇ３２のうち黒で示す領域Ｓ２は、ばらばらに分散した複数の人影のうちの一つの人影を示す。このように、取得部５３１は、所定時間内に撮影された画像に含まれる人影の動きを追跡することで、端末装置１００の周辺環境における人の密集の度合いに関する情報を取得することができる。例えば、取得部５３１は、所定の画素数を閾値として設定してよい。この場合、取得部５３１は、例えば、人影の画像Ｇ３２の画素数が所定の閾値を満たす場合に、人が密集していることを示す情報を取得してよい。また、取得部５３１は、例えば、人影の画像Ｇ３２の画素数が所定の閾値を満たしていない場合に人が密集していないことを示す情報を取得してよい。

なお、取得部５３１は、カメラによって撮影された画像のうち、人影の画像のみを取得してもよい。例えば、取得部５３１は、カメラによって撮影された画像の中から、人影として想定される影以外の影（例えば、公園の木の陰や、建物の影など）を取り除いてもよい。

このとき、例えば、生成部５３２は、所定時間内に撮影された端末装置１００の周辺環境における画像に含まれる人影の動きに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。例えば、生成部５３２は、人が多く密集している場合（例えば、複数の影がばらばらに分散したパターンから、所定時間経過後に、影が一か所に集中するパターンに変化した場合など）には、感染リスクを高く推定するよう機械学習モデルを学習させてよい。すなわち、生成部５３２は、例えば、人が密集していることを示す情報に基づいて、感染リスクを高く推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、人が密集してない場合（例えば、複数の影がばらばらに分散したパターンから、所定時間経過後も、複数の影がばらばらに分散したパターンのままである場合など）には、感染リスクを低く推定するよう機械学習モデルを学習させてよい。すなわち、生成部５３２は、例えば、人が密集していないことを示す情報に基づいて、感染リスクを低く推定するよう機械学習モデルを学習させてよい。

ここで、図６を用いて、実施形態に係るセンサ情報の解析方法の一例について説明する。図６は、実施形態に係るセンサ情報の解析方法の一例を示す図である。図６に示す例では、制御部５３が実施する人影の画像Ｇ３の解析方法の一例について説明する。まず、制御部５３は、例えば、１フレームの人影の画像Ｇ３を格子状に細分化されてよい。次に、制御部５３は、格子ごとに色情報を数値化してよい。そして、制御部５３は、色情報の数値を各格子に対応付けた数値行列を作成してよい。制御部５３は、例えば、白色の格子には数値「０」を、黒で示す領域Ｓ３に対応する黒色の格子には数値「１」を対応付けた数値行列を作成してよい。制御部５３は、例えば、図６の矢印の方向に数値を並べた数値行列を作成してよい。また、制御部５３は、所定時間内での影の動きを解析する場合は、所定時間内に撮影されたフレーム数分の各画像について数値行列を作成してよい。

また、図６に示す解析方法は、温度分布画像にも適用されてよい。例えば、制御部５３は、１フレームの温度分布画像Ｇ１１を格子状に細分化してよい。制御部５３は、各格子の温度情報を数値化してよい。制御部５３は、温度情報の数値を各格子に対応付けた数値行列を作成してよい。例えば、制御部５３は、低温領域の格子には数値「０」を、中温領域の格子には数値「１」を、高温領域の格子には数値「２」を対応付けた数値行列を作成してよい。また、制御部５３は、図４に示す所定時間間隔で撮影された人混みの温度分布画像については、所定時間間隔で撮影されたフレーム数分の各画像について数値行列を作成してよい。

生成部５３２は、教師あり学習で用いられる教師データを生成してもよい。生成部５３２は、例えば、各数値行列について、感染リスクの高さに応じたラベルを付したデータを教師データとして生成してよい。例えば、生成部５３２は、感染リスクが比較的高い環境に関する数値行列には、ラベル「危険」または数値ラベル「３」を付してよい。また、生成部５３２は、感染リスクが中程度の環境に関する数値行列には、ラベル「注意」または数値ラベル「２」を付してよい。また、生成部５３２は、感染リスクが比較的低い環境に関する数値行列には、ラベル「大丈夫」または数値ラベル「１」を付してよい。

また、取得部５３１は、センサ情報の一例として、音センサによって取得された端末装置１００の周辺環境における音情報を取得することができる。この点について、図７を用いて説明する。取得部５３１は、音情報の一例として、端末装置１００の周辺環境における人の声の音量の時間変化を示す情報を取得してよい。図７では、説明のために音量の時間変化の情報をグラフ（以下、音量グラフともいう）Ｇ４として例示している。音量グラフＧ４は、時刻ｔ０～ｔ１の範囲の音量グラフＧ４１、時刻ｔ１～ｔ２の範囲の音量グラフＧ４２、時刻ｔ２以降の範囲の音量グラフＧ４３の３つの領域に分けられてよい。音量グラフＧ４１は、音量が小さく、音量の変化がほとんどない領域である。音量グラフＧ４２は、音量が小さい状態から音量が大きい状態へと変化する領域である。音量グラフＧ４３は、音量が大きく、音量の変化が大きい領域である。

生成部５３２は、例えば、所定時間内に取得された端末装置１００の周辺環境における音量の時間変化のパターンに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。例えば、生成部５３２は、人が近くで大きな声を出している場合（例えば、音量グラフＧ４３の領域に似たパターンの場合）には、感染リスクを高く推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、人が声を出しながら近づいていると推定される場合（例えば、音量グラフＧ４２の領域に似たパターンの場合）には、感染リスクを中程度に推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、人が遠くで小さな声を出している場合（例えば、音量グラフＧ４１の領域に似たパターンの場合）には、感染リスクを低く推定するよう機械学習モデルを学習させてよい。

なお、取得部５３１は、音センサによって取得された音情報のうち、人の声の情報のみを取得してもよい。例えば、取得部５３１は、音センサによって取得された音情報の中から、人の声として想定される音以外の音（例えば、機械の駆動音、葉擦れの音などの人の動きに起因しない雑音）を取り除いてもよい。なお、取得部５３１は、人の声以外の人の動きに起因する音の情報を取得してもよい。例えば、取得部５３１は、端末装置１００の周辺環境における靴音や衣擦れなどの音の情報を取得してもよい。また、取得部５３１は、音情報の一例として、端末装置１００の周辺環境における音の周波数情報を取得してもよい。生成部５３２は、例えば、音情報の周波数を解析することによって、人の動きに起因する音か否かを判断してもよい。生成部５３２は、例えば、ＦＦＴ（Fast Fourier Transform）などの任意の従来周知の手法により周波数解析を実行してよい。この場合、生成部５３２は、人の動きに起因する音の周波数情報に基づいて感染リスクを推定するよう機械学習モデルを学習させてもよい。

取得部５３１は、センサ情報の一例として、風速センサによって取得された端末装置１００の周辺環境における風速情報を取得することができる。この点について、図８を用いて説明する。取得部５３１は、風速の時間変化を示す情報を取得することができる。図８では、説明のために風速の時間変化を示す情報をグラフ（以下、風速グラフともいう）Ｇ５として示している。風速グラフＧ５は、時刻ｔ０～ｔ３の範囲の風速グラフＧ５１、時刻ｔ３～ｔ４の範囲の風速グラフＧ５２、時刻ｔ４以降の範囲の風速グラフＧ５３の３つの領域に分けられてよい。風速グラフＧ５１は、風速が大きく、風速の変化が大きい領域である。風速グラフＧ５２は、風速が大きい状態から風速が小さい状態へと変化する領域である。風速グラフＧ５３は、風速が小さく、風速の変化がほとんどない領域である。

生成部５３２は、例えば、所定時間内に取得された端末装置１００の周辺環境における風速の時間変化のパターンに基づいて感染リスクを推定するよう機械学習モデルを学習させてよい。例えば、生成部５３２は、空気の流れが良い（空気の循環が良く、換気が十分な）環境である場合（例えば、風速グラフＧ５１の領域に似たパターンの場合）には、感染リスクを低く推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、空気の流れが悪くなりつつある（換気が悪くなりつつある）環境である場合（例えば、風速グラフＧ５２の領域に似たパターンの場合）には、感染リスクを中程度に推定するよう機械学習モデルを学習させてよい。また、生成部５３２は、空気の流れが悪い（空気が停滞しており、換気が悪い）環境である場合（例えば、風速グラフＧ５３の領域に似たパターンの場合）には、感染リスクを高く推定するよう機械学習モデルを学習させてよい。

（生成部５３２）
生成部５３２は、所定の環境に関する情報に基づいて端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成することができる。例えば、生成部５３２は、取得部５３１によって取得されたセンサ情報に基づいて端末装置１００の周辺環境における感染リスクを推定する機械学習モデルを生成することができる。例えば、生成部５３２は、教師なし学習の一種であるクラスタリングによって機械学習モデルを学習させることができる。この点について、図９および図１０を用いて具体的に説明する。

まず、図９を用いて、実施形態に係る学習データセットについて説明する。図９は、実施形態に係る学習データセットの一例を示す図である。学習データセット２２１Ａは、例えば、「データセットＩＤ」、「人混み」、「滞留」、「影」、「音」、「風」といった項目を有してよい。

学習データセット２２１Ａにおいて、「データセットＩＤ」の項目は、例えば、端末装置１００によって取得された各種センサ情報の組からなる学習データセットを識別する識別情報が格納されてよい。ここで、データセットＩＤで識別される学習データセットは、同一の利用者の端末装置１００の同一の周辺環境に関するセンサ情報の組であってよい。また、データセットＩＤで識別される学習データセットは、同一の位置で同一の日時に取得されたセンサ情報の組であってよい。これらは後述する学習データセットの変形例でも同様であってよい。

学習データセット２２１Ａにおいて、「人混み」の項目には、人混みの温度分布画像を示す情報が格納されてよい。例えば、「人混み」の項目には、１フレームの温度分布画像のピクセル毎のＲＧＢ数値が格納されてよい。

学習データセット２２１Ａにおいて、「滞留」の項目には、所定時間間隔で撮影された人混みの温度分布画像の組を示す情報が格納されてよい。例えば、「滞留」の項目には、所定時間間隔で撮影されたフレーム数分の温度分布画像それぞれについて、それぞれの温度分布画像のピクセル毎のＲＧＢ数値が画像と対応付けて格納されてよい。

学習データセット２２１Ａにおいて、「影」の項目には、所定時間内に撮影された人影の画像の組を示す情報が格納されてよい。例えば、「影」の項目には、所定時間内に撮影されたフレーム数分の人影の画像それぞれについて、それぞれの人影の画像のピクセル毎の白黒に対応する数値（白は「０」、黒は「１」）が画像と対応付けて格納されてよい。

学習データセット２２１Ａにおいて、「音」の項目には、所定時間内に取得された音量情報が格納されてよい。例えば、「音」の項目には、所定時間内に取得された音量情報として、所定時間内における瞬間最大音量、平均音量などの測定値が格納されてよい。

学習データセット２２１Ａにおいて、「風」の項目には、所定時間内に取得された風速情報が格納されてよい。例えば、「風」の項目には、所定時間内に取得された風速情報として、所定時間内における瞬間最大風速、平均風速、風向などの測定値が格納されてよい。

次に、図１０を用いて、実施形態に係る生成処理について説明する。図１０は、実施形態に係る生成処理の概要について説明するための図である。生成部５３２は、機械学習モデルにセンサ情報が入力された場合に、入力されたセンサ情報が感染リスクの高さに応じた３つのクラスタのうち少なくともいずれか１つのクラスタに分類されるよう機械学習モデルを学習させることができる。例えば、生成部５３２は、ｋ－ｍｅａｎｓ法を用いて、機械学習モデルにセンサ情報が入力された場合に、入力されたセンサ情報が感染リスクの高さに応じた３つのクラスタのうち少なくともいずれか１つのクラスタに分類されるよう機械学習モデルを学習させることができる。なお、生成部５３２は、ｋ－ｍｅａｎｓ法に限らず、ディリクレ過程を用いたロジスティック回帰等の種々のクラスタリング手法を用いて機械学習モデルを学習させてもよい。

例えば、生成部５３２は、学習データセット２２１Ａに基づいて、機械学習モデルを学習させることができる。例えば、生成部５３２は、データセットＩＤ「ＤＳ－１Ｃ」～「ＤＳ－ｍＣ」で識別されるｍ個（例えば、ｍは数千～数万の自然数）の学習データセットに基づいて機械学習モデルを学習させることができる。ここで、各学習データセットは、Ｎ次元のデータであるものとする。なお、Ｎ次元とは、１つのデータセットにおけるデータエントリー（数値）のエントリー個数がＮであることを意味してよい。また、生成部５３２は、ある項目、例えば、「影」についてのデータが取得できない場合は、そのデータセットを学習に用いなくともよい。また、生成部５３２は、ある項目についてのデータが取得できない場合は、その項目のデータエントリーの数値を全て０として学習に使用してもよい。

生成部５３２は、例えば、機械学習モデルにデータセットＩＤ「ＤＳ－１Ｃ」～「ＤＳ－ｍＣ」で識別されるｍ個の学習データセットが入力された場合、感染リスクが比較的高い環境に関するセンサ情報が属するクラスタＣ１、感染リスクが中程度の環境に関するセンサ情報が属するクラスタＣ２、感染リスクが比較的低い環境に関するセンサ情報が属するクラスタＣ３のうち少なくともいずれか１つのクラスタに分類されるよう機械学習モデルを学習させることができる。このように、生成部５３２は、機械学習モデルにセンサ情報が入力された場合に、感染リスクの高さに応じた２以上のクラスタのうち少なくともいずれか１つのクラスタにセンサ情報が分類されるよう学習した機械学習モデルを生成する。また、生成部５３２は、機械学習モデルの出力情報として、入力されたセンサ情報が分類されたクラスタに対応するラベルを出力するよう機械学習モデルを学習させてもよい。

例えば、生成部５３２は、クラスタＣ１に対応するラベルを「危険」、クラスタＣ２に対応するラベルを「注意」、クラスタＣ３に対応するラベルを「大丈夫」としてよい。このとき、生成部５３２は、機械学習モデルに入力された学習データセットがクラスタＣ１に分類された場合には、機械学習モデルの出力情報としてクラスタＣ１に対応するラベル「危険」を出力するよう機械学習モデルを学習させてもよい。また、生成部５３２は、機械学習モデルに入力された学習データセットがクラスタＣ２に分類された場合には、機械学習モデルの出力情報としてクラスタＣ２に対応するラベル「注意」を出力するよう機械学習モデルを学習させてもよい。また、生成部５３２は、機械学習モデルに入力された学習データセットがクラスタＣ３に分類された場合には、機械学習モデルの出力情報としてクラスタＣ３に対応するラベル「大丈夫」を出力するよう機械学習モデルを学習させてもよい。このように、生成部５３２は、機械学習モデルの入力情報としてセンサ情報が入力された場合に、機械学習モデルの出力情報として、センサ情報が分類されるクラスタに対応する感染リスクを示すラベルを出力するよう学習した機械学習モデルを生成する。

なお、生成部５３２は、主成分分析（ＰＣＡ：principal component analysis）を用いて、Ｎ次元空間のクラスタを低次元に圧縮してもよい。この点について、図１１を用いて具体的に説明する。図１１は、実施形態の変形例に係る生成処理の概要について説明するための図である。生成部５３２は、主成分分析（ＰＣＡ）を用いて、Ｎ次元空間のクラスタの次元を圧縮することで、演算を比較的容易にすることができる。例えば、図１１の上段右側に示すように、生成部５３２は、主成分分析を用いて、特徴量である「人混み」と他の特徴量である「影」とから成る２次元のデータ（黒丸で示す点）を１次元のデータ（白丸で示す点）に圧縮することができる。このように、生成装置５０は、主成分分析を用いて、Ｎ次元の特徴量を任意の次元まで圧縮して演算してよい。生成装置５０は、例えば、Ｎ次元の特徴量を２次元まで圧縮して演算してよい。

なお、上記の実施形態では、生成部５３２が教師なし学習の一種であるクラスタリングによって機械学習モデルを学習させる例について説明したが、機械学習の手法はこれに限られない。例えば、生成部５３２は、教師あり学習によって機械学習モデルを学習させてもよい。例えば、生成部５３２は、センサ情報と教師ラベルとの組である学習データセットに基づいて、機械学習モデルを学習させてよい。例えば、生成部５３２は、機械学習モデルにセンサ情報が入力された場合に、センサ情報に対応する教師ラベルを機械学習モデルが出力するよう機械学習モデルを学習させてよい。この点について、図１２および図１３を用いて具体的に説明する。

まず、図１２を用いて、実施形態の変形例に係る学習データセットについて説明する。図１２は、実施形態の変形例に係る学習データセットの一例を示す図である。学習データセット２２１Ｂは、「データセットＩＤ」、「人混み」、「滞留」、「影」、「音」、「風」、「教師ラベル」といった項目を有してよい。

学習データセット２２１Ｂにおいて、「データセットＩＤ」の項目には、例えば、端末装置１００によって取得された各種センサ情報と教師ラベルとの組からなる学習データセットを識別する識別情報が格納されてよい。

学習データセット２２１Ｂにおいて、「人混み」の項目には、例えば、人混みの温度分布画像を示す情報が格納されてよい。例えば、「人混み」の項目には、１フレームの温度分布画像のピクセル毎のＲＧＢ数値が格納されてよい。

学習データセット２２１Ｂにおいて、「滞留」の項目には、例えば、所定時間間隔で撮影された人混みの温度分布画像の組を示す情報が格納されてよい。例えば、「滞留」の項目には、所定時間間隔で撮影されたフレーム数分の温度分布画像それぞれについて、それぞれの温度分布画像のピクセル毎のＲＧＢ数値が画像と対応付けて格納されてよい。

学習データセット２２１Ｂにおいて、「影」の項目には、例えば、所定時間内に撮影された人影の画像の組を示す情報が格納されてよい。例えば、「影」の項目には、所定時間内に撮影されたフレーム数分の人影の画像それぞれについて、それぞれの人影の画像のピクセル毎の白黒に対応する数値（白は「０」、黒は「１」）が画像と対応付けて格納されてよい。

学習データセット２２１Ｂにおいて、「音」の項目には、例えば、所定時間内に取得された音量情報を示す。例えば、「音」の項目には、所定時間内に取得された音量情報として、所定時間内における瞬間最大音量、平均音量などの測定値が格納されてよい。

学習データセット２２１Ｂにおいて、「風」の項目には、例えば、所定時間内に取得された風速情報を示す。例えば、「風」の項目には、所定時間内に取得された風速情報として、所定時間内における瞬間最大風速、平均風速、風向などの測定値が格納されてよい。

学習データセット２２１Ｂにおいて、「教師ラベル」の項目には、例えば、データセットＩＤで識別されるセンサ情報の組に関する環境における感染リスクの高さを示す情報が格納されてよい。例えば、教師ラベル「３」は、感染リスクが比較的高い環境に関するセンサ情報であることを示す。また、教師ラベル「２」は、感染リスクが中程度の環境に関するセンサ情報であることを示す。また、教師ラベル「１」は、感染リスクが比較的低い環境に関するセンサ情報であることを示す。

例えば、生成部５３２は、学習データセット２２１Ｂに基づいて、機械学習モデルを学習させることができる。例えば、生成部５３２は、データセットＩＤ「ＤＳ－１Ａ」～「ＤＳ－ｍＡ」で識別されるｍ個（例えば、ｍは数千～数万の自然数）の学習データセットに基づいて機械学習モデルを学習させることができる。例えば、生成部５３２は、機械学習モデルにデータセットＩＤ「ＤＳ－１Ａ」で識別されるセンサ情報の組（人混み＃１、滞留＃１、影＃１、音＃１、風＃１）が入力された場合、機械学習モデルが教師ラベル「３」を出力するよう機械学習モデルを学習させてよい。また、生成部５３２は、機械学習モデルにデータセットＩＤ「ＤＳ－２Ａ」で識別されるセンサ情報の組（人混み＃２、滞留＃２、影＃２、音＃２、風＃２）が入力された場合、機械学習モデルが教師ラベル「２」を出力するよう機械学習モデルを学習させてよい。このようにして、生成部５３２は、データセットＩＤ「ＤＳ－１Ａ」～「ＤＳ－ｍＡ」で識別されるｍ個の学習データセットを学習させることで、学習済みの機械学習モデルを生成してよい。

次に、図１３を用いて、実施形態の変形例に係る学習データセットについて説明する。図１３は、実施形態の変形例に係る学習データセットの一例を示す図である。変形例に係る学習データセットでは、各センサ情報に、各センサ情報から推定される感染リスクの高さに応じた点数が付与されてよい。具体的には、感染リスクが比較的高い環境に関するセンサ情報には点数「３」、感染リスクが中程度の環境に関するセンサ情報には点数「２」、感染リスクが比較的低い環境に関するセンサ情報には点数「１」が付与されてよい。そして、教師ラベルは、各種センサ情報に付与された点数の合計に基づいて付与されてよい。例えば、各種センサ情報の点数の合計が１２点を超える場合は、感染リスクが比較的高い環境に関するセンサ情報であることを示す教師ラベル「３」が付与されてよい。また、各種センサ情報の点数の合計が９点～１２点である場合は、感染リスクが中程度の環境に関するセンサ情報であることを示す教師ラベル「２」が付与されてよい。また、各種センサ情報の点数の合計が９点以下である場合は、感染リスクが比較的低い環境に関するセンサ情報であることを示す教師ラベル「１」が付与されてよい。なお、各種センサ情報のうち、特定のセンサ情報に重み付けをして、各種センサ情報の点数の合計点を算出してもよい。

変形例に係る学習データセット２２１Ｃは、「データセットＩＤ」、「人混み」、「滞留」、「影」、「音」、「風」、「教師ラベル」といった項目を有してよい。

学習データセット２２１Ｃにおいて、「データセットＩＤ」の項目には、例えば、端末装置１００によって取得された各種センサ情報に付与された点数と教師ラベルとの組からなる学習データセットを識別する識別情報が格納されてよい。

学習データセット２２１Ｃにおいて、「人混み」の項目には、例えば、人混みの温度分布画像から推定される感染リスクの高さを示す情報が格納されてよい。例えば、「人混み」の項目には、人混みの温度分布画像における高温領域の分布パターンから推定される感染リスクの高さに応じた点数が格納されてよい。

学習データセット２２１Ｃにおいて、「滞留」の項目には、例えば、所定時間間隔で撮影された人混みの温度分布画像の組から推定される感染リスクの高さを示す情報が格納されてよい。例えば、「滞留」の項目には、所定時間間隔で撮影された人混みの温度分布画像それぞれの高温領域の分布パターンから推定される感染リスクの高さに応じた点数が格納されてよい。

学習データセット２２１Ｃにおいて、「影」の項目には、例えば、所定時間内に撮影された人影の画像の組から推定される感染リスクの高さを示す情報が格納されてよい。例えば、「影」の項目には、所定時間内に撮影された画像に含まれる人影の動きから推定される感染リスクの高さに応じた点数が格納されてよい。

学習データセット２２１Ｃにおいて、「音」の項目には、例えば、所定時間内に取得された音量情報から推定される感染リスクの高さを示す情報が格納されてよい。例えば、「音」の項目には、所定時間内に取得された音量の時間変化のパターンから推定される感染リスクの高さに応じた点数が格納されてよい。

学習データセット２２１Ｃにおいて、「風」の項目には、例えば、所定時間内に取得された風速情報から推定される感染リスクの高さを示す情報が格納されてよい。例えば、「風」の項目には、所定時間内に取得された風速の時間変化のパターンから推定される感染リスクの高さに応じた点数が格納されてよい。

学習データセット２２１Ｃにおいて、「教師ラベル」の項目には、例えば、データセットＩＤで識別されるセンサ情報の組に関する環境における感染リスクの高さを示す情報が格納されてよい。例えば、教師ラベル「３」は、感染リスクが比較的高い環境に関するセンサ情報であることを示す。また、教師ラベル「２」は、感染リスクが中程度の環境に関するセンサ情報であることを示す。また、教師ラベル「１」は、感染リスクが比較的低い環境に関するセンサ情報であることを示す。

例えば、生成部５３２は、学習データセット２２１Ｃに基づいて、機械学習モデルを学習させることができる。例えば、生成部５３２は、データセットＩＤ「ＤＳ－１Ｂ」～「ＤＳ－ｍＢ」で識別されるｍ個（例えば、ｍは数千～数万の自然数）の学習データセットに基づいて機械学習モデルを学習させることができる。例えば、生成部５３２は、機械学習モデルにデータセットＩＤ「ＤＳ－１Ｂ」で識別されるセンサ情報の点数の組（人混み「３」、滞留「３」、影「２」、音「３」、風「２」）が入力された場合、機械学習モデルが教師ラベル「３」を出力するよう機械学習モデルを学習させてよい。また、生成部５３２は、機械学習モデルにデータセットＩＤ「ＤＳ－２Ｂ」で識別されるセンサ情報の点数の組（人混み「１」、滞留「１」、影「３」、音「２」、風「３」）が入力された場合、機械学習モデルが教師ラベル「２」を出力することができるよう機械学習モデルを学習させてよい。このようにして、生成部５３２は、データセットＩＤ「ＤＳ－１Ｂ」～「ＤＳ－ｍＢ」で識別されるｍ個の学習データセットを学習させることで、学習済みの機械学習モデルを生成してよい。

（配信部５３３）
配信部５３３は、生成部５３２によって生成された機械学習モデルに関する情報を端末装置１００に配信してよい。

〔２‐３．生成装置の情報処理手順〕
次に、図１４を用いて、実施形態に係る生成装置の情報処理手順について説明する。図１４は、実施形態に係る生成装置の情報処理手順を示す図である。まず、取得部５３１は、所定の環境に関する情報を取得することができる（ステップＳ１０１）。次に、生成部５３２は、所定の環境に関する情報に基づいて端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成することができる（ステップＳ１０２）。

〔２‐４．端末装置の構成例〕
次に、図１５を用いて、実施形態に係る端末装置の構成について説明する。図１５は、実施形態に係る端末装置の構成例を示す図である。端末装置１００は、通信部１１０と、センサ部１２０と、記憶部１３０と、入力部１４０と、出力部１５０と、制御部１６０とを有することができる。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ等によって実現されてよい。そして、通信部１１０は、生成装置５０との間で情報の送受信を行ってよい。通信部１１０は、ネットワークと有線または無線で接続されてよい。

（センサ部１２０）
センサ部１２０は、端末装置１００に搭載される各種のセンサ備えてよい。例えば、センサ部１２０は、温度センサと、画像センサ（カメラ）と、音センサと、風速センサとを備えてよい。センサ部１２０は、端末装置１００の周辺環境に関するセンサ情報を検出することができる。なお、上記した各センサは、あくまでも例示であって限定されるものではない。すなわち、センサ部１２０は、各センサのうちの一部を備える構成であってもよいし、各センサに加えてあるいは代えて、湿度センサ等その他のセンサを備えてもよい。

温度センサは、例えば、赤外線センサであってよい。温度センサは、物体から発せられる赤外線を測定することにより、物体の温度を検出することができる。温度センサは、例えば端末装置１００の周辺環境における物体の温度を検出することができる。例えば、温度センサは、サーモグラフィーカメラであってよい。サーモグラフィーカメラは、物体の表面から発せられる赤外線を測定し、表面温度に色を割り当てた温度分布画像を出力することができる。なお、温度センサは、例えば、赤外線センサとサーモグラフィ―カメラを備えてもよい。

画像センサ（カメラ）は、端末装置１００の周辺環境を撮像することができる。画像センサは、例えば、ＣＣＤ（Charge-Coupled Device）イメージセンサや、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサ等であてよい。画像センサ（カメラ）は、例えば端末装置１００の周辺環境を撮像することができる。

音センサは、音を検出することができる。例えば、音センサは、マイクロフォンであってよい。音センサは、例えば端末装置１００の周辺環境における音を検出することができる。

風速センサは、風速を検出することができる。例えば、風速センサは、アプリケーションを起動し、スマートフォン等のヘッドホン端子に小型の風速計（羽が付いたプロペラ）を挿入することで、風速、平均風速、最大風速、気温、風向などを検出するものであってよい。風速センサは、例えば端末装置１００の周辺環境における風速を検出することができる。なお、風速センサは、スマートフォン等に無線通信により風速情報を送信可能な別体の装置であってもよい。

（記憶部１３０）
記憶部１３０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現されてよい。記憶部１３０は、各種プログラム（情報処理プログラムの一例に相当）を記憶することができる。例えば、記憶部１３０は、実施形態に係る推定プログラムを記憶することができる。また、記憶部１３０は、各種データを記憶することができる。例えば、記憶部１３０は、取得部１６１によって取得されたセンサ情報を記憶することができる。例えば、記憶部１３０は、取得部１６１によって取得された機械学習モデルに関する情報を記憶することができる。例えば、記憶部１３０は、取得部１６１によって取得された機械学習モデルのモデルデータを記憶することができる。例えば、記憶部１３０は、画像センサが撮像した画像を記憶することができる。

ここで、一実施形態に係る推定プログラムは、制御部１６０の機能を実現するプログラムであってよい。例えば、一実施形態に係る推定プログラムは、所定の環境に関する情報を取得可能なセンサから所定の環境に関する情報を取得する取得手順と、所定の環境に関する情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定する推定手順と、をコンピュータに実行させる。なお、以下では、実施形態に係る推定プログラムに相当するアプリケーションを感染リスク推定アプリと記載する場合がある。

（入力部１４０・出力部１５０）
入力部１４０は、利用者から各種操作を受け付ける入力装置であってよい。例えば、入力部１４０は、キーボードやマウスや操作キー等によって実現されてよい。出力部１５０は、各種情報を表示するための表示装置であってよい。すなわち、出力部１５０は画面を有してよい。例えば、出力部１５０は、液晶ディスプレイ等によって実現されてよい。なお、端末装置１００にタッチパネルが採用される場合には、入力部１４０と出力部１５０とは一体化されてよい。また、以下の説明では、出力部１５０を画面と記載する場合がある。

（制御部１６０）
制御部１６０は、端末装置１００のコントローラであってよい。制御部１６０は、例えば、ＣＰＵやＭＰＵ等によって構成されてよい。制御部１６０は、例えば、ＲＡＭを作業領域として端末装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）を実行してよい。例えば、制御部１６０は、ＣＰＵやＭＰＵ等によって、ＲＡＭを作業領域として実施形態に係る推定プログラムを実行してよい。また、制御部１６０は、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現されてよい。

制御部１６０は、取得部１６１と、推定部１６２と、出力制御部１６３とを有してよい。制御部１６０は、例えば、以下に説明する情報処理の作用を実現または実行することができる。なお、制御部１６０の内部構成は、図１５に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部１６１）
取得部１６１は、所定の環境に関する情報を取得することができる。具体的には、取得部１６１は、所定の環境に関する情報の一例として、所定の環境に関するセンサ情報を取得可能なセンサによって取得されたセンサ情報を取得することができる。例えば、取得部１６１は、利用者の端末装置１００の周辺環境に関する情報の一例として、利用者の端末装置１００の周辺環境に関するセンサ情報を取得することができる。例えば、取得部１６１は、センサ部１２０によって検出された端末装置１００の周辺環境に関するセンサ情報をセンサ部１２０から取得することができる。また、例えば、取得部１６１は、端末装置１００によって取得されたセンサ情報が記憶されたデータベース等の端末装置１００以外の装置からセンサ情報を取得してもよい。

例えば、取得部１６１は、センサ情報の一例として、温度センサによって取得された端末装置１００の周辺環境における温度情報を取得することができる。例えば、例えば、取得部１６１は、センサ情報の一例として、サーモグラフィーカメラによって撮影された端末装置１００の周辺環境における温度分布画像を取得することができる。また、取得部１６１は、センサ情報の一例として、温度センサによって所定時間間隔で取得された端末装置１００の周辺環境における温度情報を取得することができる。また、取得部１６１は、センサ情報の一例として、カメラによって所定時間内に撮影された端末装置１００の周辺環境における画像に含まれる人影の動きを取得することができる。また、取得部１６１は、センサ情報の一例として、音センサによって取得された端末装置１００の周辺環境における音情報を取得することができる。また、取得部１６１は、センサ情報の一例として、風速センサによって取得された端末装置１００の周辺環境における風速情報を取得することができる。取得部１６１は、取得したセンサ情報を記憶部１３０に格納することができる。

また、取得部１６１は、所定の環境に関するセンサ情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルに関する情報を生成装置５０から取得することができる。例えば、取得部１６１は、機械学習モデルに関する情報の一例として、機械学習モデルのモデルデータを取得することができる。取得部１６１は、取得した機械学習モデルに関する情報を記憶部１３０に格納することができる。

（推定部１６２）
推定部１６２は、所定の環境に関するセンサ情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定してよい。具体的には、推定部１６２は、例えば、取得部１６１によって取得された機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定してよい。より具体的には、推定部１６２は、取得部１６１によって取得された利用者の端末装置１００の周辺環境に関するセンサ情報を入力データとして、取得部１６１によって取得された機械学習モデルにより、端末装置１００の周辺環境における感染リスクを推定してよい。これによれば、端末装置１００は、利用者の現在位置における感染リスクを推定することができる。

（出力制御部１６３）
出力制御部１６３は、推定部１６２による推定結果を出力部１５０に出力することができる。例えば、出力制御部１６３は、推定部１６２による推定結果を音声により出力してよい。また、出力制御部１６３は、推定部１６２による推定結果を画面に表示してもよい。例えば、出力制御部１６３は、推定部１６２によって推定された感染リスクを利用者に対して通知することができる。例えば、出力制御部１６３は、利用者の現在位置における感染リスクを利用者に対して通知することができる。例えば、出力制御部１６３は、推定部１６２によって感染リスクの高い環境であると推定された場所に利用者が所定時間以上滞在している場合には、利用者に対して感染リスクが高いことをアラームで通知することができる。

なお、出力制御部１６３は、利用者に対して感染リスクが高いことを音声により出力してもよい。また、出力制御部１６３は、利用者に対して感染リスクが高いことを画面に表示してもよい。例えば、出力制御部１６３は、利用者の現在位置に応じて、推定部１６２による推定結果を音声により出力するか又は画面に表示するかを選択してもよい。例えば、出力制御部１６３は、利用者の現在位置から利用者が公共の場所（例えば、勤務先や電車の中）にいると推定される場合は、推定部１６２による推定結果を画面に表示してもよい。また、出力制御部１６３は、利用者の現在位置から利用者がプライベートな場所（例えば、自宅や公園）にいると推定される場合は、推定部１６２による推定結果を音声により出力してもよい。また、出力制御部１６３は、各端末装置１００による推定結果をクラウド上で共有して、危険度マップを生成してもよい。出力制御部１６３は、生成した危険度マップを各端末装置１００に配信してもよい。そして、出力制御部１６３は、各端末装置１００によって受信された危険度マップを各端末装置１００の画面に表示してもよい。

〔２‐５．端末装置の情報処理の例〕
次に、図１６を用いて実施形態に係る端末装置の情報処理について説明する。図１６は、実施形態に係る端末装置の情報処理の一例について説明するための図である。図１６の上側に示す例では、店舗Ａの従業員の端末装置１００_１には、感染リスク推定アプリがインストールされている。端末装置１００_１は、例えば、端末装置１００_１の周辺環境（すなわち、店舗Ａ内の環境）に関するセンサ情報に基づいて、端末装置１００_１の周辺環境における感染リスク（すなわち、店舗Ａ内の感染リスク）を推定することができる。例えば、端末装置１００_１は、店舗Ａ内の感染リスクが比較的低いと推定することができる。続いて、端末装置１００_１は、推定結果をクラウドにアップすることができる。端末装置１００_１は、店舗Ａ内の感染リスクが比較的低いことを視覚的に示す印（図１６に示す例では、点線の丸印）を店舗Ａの位置に重畳した危険度マップＭ１を生成することができる。続いて、端末装置１００_１は、生成した危険度マップＭ１を自店舗のＨＰやＳＮＳ上にアップして顧客と共有することができる。また、端末装置１００_１は、生成した危険度マップＭ１を他の利用者の端末装置１００に配信してもよい。そして、他の利用者の端末装置１００は、端末装置１００_１から危険度マップＭ１を受信すると、危険度マップＭ１を画面に表示することができる。

また、図１６の下側に示す例では、店舗Ｂの従業員の端末装置１００_２には、感染リスク推定アプリがインストールされている。端末装置１００_２は、例えば、端末装置１００_２の周辺環境（すなわち、店舗Ｂ内の環境）に関するセンサ情報に基づいて、端末装置１００_２の周辺環境における感染リスク（すなわち、店舗Ｂ内の感染リスク）を推定することができる。例えば、端末装置１００_２は、店舗Ｂ内の感染リスクが比較的高いと推定することができる。続いて、端末装置１００_２は、推定結果をクラウドにアップすることができる。端末装置１００_２は、例えば、店舗Ｂ内の感染リスクが比較的高いことを視覚的に示す印（図１６に示す例では、実線の丸印）を店舗Ｂの位置に重畳した危険度マップＭ１を生成することができる。続いて、端末装置１００_２は、生成した危険度マップＭ１を自店舗のＨＰやＳＮＳ上にアップして顧客と共有することができる。また、端末装置１００_２は、生成した危険度マップＭ１を他の利用者の端末装置１００に配信してもよい。そして、他の利用者の端末装置１００は、端末装置１００_１から危険度マップＭ１を受信すると、危険度マップＭ１を画面に表示することができる。

このように、端末装置１００は、各店舗における感染リスク情報を自店舗のＨＰやＳＮＳ上にアップして顧客と共有することができる。これにより、一実施形態に係る端末装置１００によれば、例えば、従業員は店内が混みあっておらず安全であることを顧客に知らせたり、店内が混み合っており危険であることなどを知らせることができる。また、例えば、顧客は、時間差を置いて顧客に訪問したり、別店舗を先に訪問したりする等の対策を取ることができる。すなわち、一実施形態に係る端末装置１００によれば、感染症リスクを考慮した生活様式に必要な情報を提供し得る。

次に、図１７を用いて実施形態に係る端末装置１００の情報処理について説明する。図１７は、実施形態に係る端末装置１００の情報処理の一例について説明するための図である。図１７に示す例では、端末装置１００は、各利用者の端末装置１００における推定結果に基づいて、より広範囲の危険度マップＭ２を生成することができる。端末装置１００は、危険度マップＭ２を生成すると、生成した危険度マップＭ２を画面に表示することができる。したがって、一実施形態に係る端末装置１００によれば、利用者は、感染症リスクを考慮して行動予定を検討することができる。

次に、図１８を用いて実施形態に係る端末装置の情報処理について説明する。図１８は、実施形態に係る端末装置の情報処理の一例について説明するための図である。図１８に示す例では、端末装置１００は、図１７に示した危険度マップに基づいて、利用者に対して出発地から目的地までの移動経路を提案することができる。例えば、端末装置１００は、利用者から出発地点Ｐ１と到着地点Ｐ２の入力を受け付ける。続いて、端末装置１００は、出発地点Ｐ１と到着地点Ｐ２を含む領域の危険度マップに基づいて、出発地点Ｐ１から到着地点Ｐ２までの移動経路を重畳した危険度マップＭ３を生成することができる。例えば、端末装置１００は、感染リスクに応じた複数の移動経路を重畳した危険度マップＭ３を生成することができる。図１８に示す例では、感染リスクが比較的低い移動経路ＲＴ１、感染リスクが中程度である移動経路ＲＴ２、および感染リスクが比較的高い移動経路ＲＴ３を重畳した危険度マップＭ３を生成することができる。また、端末装置１００は、危険度マップＭ３を生成すると、生成した危険度マップＭ３を画面に表示することができる。したがって、一実施形態に係る端末装置１００によれば、利用者は、比較的感染症リスクが低い経路に沿って移動することができる。

〔２‐６．端末装置の情報処理手順〕
次に、図１９を用いて、実施形態に係る端末装置の情報処理手順について説明する。図１９は、実施形態に係る端末装置の情報処理手順を示す図である。まず、取得部１６１は、所定の環境に関する情報を取得することができる（ステップＳ２０１）。次に、推定部１６２は、所定の環境に関する情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定することができる（ステップＳ２０２）。そして、出力制御部１６３は、推定部１６２による推定結果を出力することができる（ステップＳ２０３）。

〔３．効果〕
上述してきたように、一実施形態に係る端末装置１００は、取得部１６１と推定部１６２を備える。取得部１６１は、所定の環境に関する情報を取得可能なセンサから所定の環境に関する情報を取得する。推定部１６２は、所定の環境に関する情報に基づいて所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定する。

これにより、端末装置１００は、各種センサ情報の相関性が高い機械学習モデルを用いて、端末装置１００の周辺環境における感染リスクを推定することができる。

また、所定の環境に関する情報は、端末装置１００の周辺環境における温度分布画像、所定時間間隔で取得された端末装置１００の周辺環境における温度分布画像、所定時間内に撮影された端末装置１００の周辺環境における人影の画像、端末装置１００の周辺環境における音情報、および端末装置１００の周辺環境における風速情報のうち少なくとも１つ、を含む。

これにより、端末装置１００は、各種センサ情報に基づいて、端末装置１００の周辺環境における感染リスクを推定することができる。

また、実施形態に係る端末装置１００は、推定部１６２による推定結果を端末装置１００に出力する出力制御部１６３をさらに備える。

これにより、端末装置１００は、端末装置１００の利用者に対して、感染症リスクを考慮した生活様式に必要な情報を提供することができる。

また、出力制御部１６３は、推定部１６２によって推定された推定結果に基づく感染リスクを示す危険度マップを利用者の端末装置１００の画面に表示する。

これにより、端末装置１００は、端末装置１００の利用者が感染症リスクを考慮して行動予定を検討することを可能にする。

また、出力制御部１６３は、推定部１６２によって推定された推定結果に基づいて、利用者によって指定された出発地から目的地までの移動経路を利用者の端末装置１００の画面に表示する。

これにより、端末装置１００は、端末装置１００の利用者が比較的感染症リスクが低い経路に沿って移動することを可能にする。

また、実施形態に係る生成装置５０は、取得部５３１と生成部５３２を備える。取得部５３１は、所定の環境に関する情報を取得する。生成部５３２は、所定の環境に関する情報に基づいて端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、各種センサ情報の相関性が高い機械学習モデルを用いて、感染症に感染するリスクを推定可能とすることができる。

また、取得部５３１は、所定の環境に関する情報として、所定の環境に関するセンサ情報を取得可能なセンサによって取得されたセンサ情報を取得する。生成部５３２は、機械学習モデルにセンサ情報が入力された場合に、感染リスクの高さに応じた２以上のクラスタのうち少なくともいずれか１つのクラスタにセンサ情報が分類されるよう学習した機械学習モデルを生成する。

これにより、生成装置５０は、例えば、感染リスクの高さのレベルが「危険」と「大丈夫」の２種類である場合であっても、感染症に感染するリスクを推定可能とすることができる。

また、生成部５３２は、機械学習モデルの入力情報としてセンサ情報が入力された場合に、機械学習モデルの出力情報として、センサ情報が分類されるクラスタに対応する感染リスクを示すラベルを出力するよう学習した機械学習モデルを生成する。

これにより、生成装置５０は、利用者に対してわかりやすい推定結果を出力することを可能とする。

また、取得部５３１は、端末装置１００の周辺環境における温度分布画像であるセンサ情報を取得する。生成部５３２は、温度分布画像の温度分布のパターンに基づいて、端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、例えば、人混みの有無を示す情報に基づいて、感染リスクを推定可能とすることができる。

また、取得部５３１は、所定時間間隔で取得された端末装置１００の周辺環境における温度分布画像であるセンサ情報を取得する。生成部５３２は、温度分布画像それぞれの温度分布のパターンに基づいて、端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、例えば、人の滞留の有無を示す情報に基づいて、感染リスクを推定可能とすることができる。

また、取得部５３１は、所定時間内に撮影された端末装置１００の周辺環境における人影の画像であるセンサ情報を取得する。生成部５３２は、画像に含まれる人影の時間変化のパターンに基づいて、端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、プライバシーに配慮したうえで、感染リスクを推定可能とすることができる。

また、取得部５３１は、所定時間内に取得された端末装置１００の周辺環境における音情報であるセンサ情報を取得する。生成部５３２は、音情報の時間変化のパターンに基づいて、端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、例えば、音の情報から推定される人の動きに関する情報に基づいて、感染リスクを推定可能とすることができる。

また、取得部５３１は、所定時間内に取得された端末装置１００の周辺環境における風速情報であるセンサ情報を取得する。生成部５３２は、風速情報の時間変化のパターンに基づいて、端末装置１００の周辺環境における感染リスクを推定可能な機械学習モデルを生成する。

これにより、生成装置５０は、例えば、空気の循環の良し悪しや換気が十分か不十分かといった情報に基づいて、感染リスクを推定可能とすることができる。

〔４．ハードウェア構成〕
また、上述してきた実施形態に係る端末装置１００または生成装置５０は、例えば図２０に示すような構成のコンピュータ１０００によって実現されてよい。図２０は、端末装置１００または生成装置５０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備えてよい。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納することができる。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納することができる。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信することができる。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御することができる。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得することができる。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、生成したデータを出力装置へ出力することができる。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供することができる。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行することができる。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等であってよい。

例えば、コンピュータ１０００が実施形態に係る端末装置１００または生成装置５０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１６０または制御部５３の機能を実現することができる。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することができることが可能である。

〔５．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、推定部は、推定手段や推定回路に読み替えることができる。

１ 情報処理システム
５０ 生成装置
５１ 通信部
５２ 記憶部
５３ 制御部
５３１ 取得部
５３２ 生成部
５３３ 配信部
１００ 端末装置
１１０ 通信部
１２０ センサ部
１３０ 記憶部
１４０ 入力部
１５０ 出力部
１６０ 制御部
１６１ 取得部
１６２ 推定部
１６３ 出力制御部

Claims (17)

1. 所定の環境に関する情報を取得可能なセンサから前記所定の環境に関する情報を取得する取得手順と、
   前記所定の環境に関する情報に基づいて前記所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置の周辺環境における感染リスクを推定する推定手順と、
   をコンピュータに実行させる推定プログラム。
2. 所定の環境に関する情報は、
   前記端末装置の周辺環境における温度分布画像、所定時間間隔で取得された前記端末装置の周辺環境における温度分布画像、所定時間内に撮影された前記端末装置の周辺環境における人影の画像、前記端末装置の周辺環境における音情報、および前記端末装置の周辺環境における風速情報のうち少なくとも１つ、を含む、
   請求項１に記載の推定プログラム。
3. 前記推定手順による推定結果を前記端末装置に出力する出力制御手順、
   をさらにコンピュータに実行させる、請求項１または２に記載の推定プログラム。
4. 前記出力制御手順は、
   前記推定手順によって推定された推定結果に基づく感染リスクを示す危険度マップを前記端末装置の画面に表示する手順である、
   請求項３に記載の推定プログラム。
5. 前記出力制御手順は、
   前記推定手順によって推定された推定結果に基づいて、前記端末装置の利用者によって指定された出発地から目的地までの移動経路を前記端末装置の画面に表示する手順である、
   請求項３または４に記載の推定プログラム。
6. 所定の環境に関する情報を取得可能なセンサから前記所定の環境に関する情報を取得する取得部と、
   前記所定の環境に関する情報に基づいて前記所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置の周辺環境における感染リスクを推定する推定部と、
   を備える、推定装置。
7. 所定の環境に関する情報を取得可能なセンサから前記所定の環境に関する情報を取得する取得ステップと、
   前記所定の環境に関する情報に基づいて前記所定の環境における感染リスクを推定可能な機械学習モデルを用いて、端末装置の周辺環境における感染リスクを推定する推定ステップと、
   を含む、推定方法。
8. 所定の環境に関する情報を取得する取得手順と、
   前記所定の環境に関する情報に基づいて端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する生成手順と、
   をコンピュータに実行させる生成プログラム。
9. 前記取得手順は、
   前記所定の環境に関する情報として、前記所定の環境に関するセンサ情報を取得可能なセンサによって取得された前記センサ情報を取得する手順であり、
   前記生成手順は、
   前記機械学習モデルに前記センサ情報が入力された場合に、感染リスクの高さに応じた２以上のクラスタのうち少なくともいずれか１つのクラスタに前記センサ情報が分類されるよう学習した前記機械学習モデルを生成する手順である、
   請求項８に記載の生成プログラム。
10. 前記生成手順は、
    前記機械学習モデルの入力情報として前記センサ情報が入力された場合に、前記機械学習モデルの出力情報として、前記センサ情報が分類されるクラスタに対応する感染リスクを示すラベルを出力するよう学習した前記機械学習モデルを生成する手順である、
    請求項９に記載の生成プログラム。
11. 前記取得手順は、
    前記端末装置の周辺環境における温度分布画像である前記センサ情報を取得する手順であり、
    前記生成手順は、
    前記温度分布画像の温度分布のパターンに基づいて、前記端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する手順である、
    請求項９に記載の生成プログラム。
12. 前記取得手順は、
    所定時間間隔で取得された前記端末装置の周辺環境における温度分布画像である前記センサ情報を取得する手順であり、
    前記生成手順は、
    前記温度分布画像それぞれの温度分布のパターンに基づいて、前記端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する手順である、
    請求項９または１０に記載の生成プログラム。
13. 前記取得手順は、
    所定時間内に撮影された前記端末装置の周辺環境における人影の画像である前記センサ情報を取得する手順であり、
    前記生成手順は、
    前記画像に含まれる人影の時間変化のパターンに基づいて、前記端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する手順である、
    請求項９～１１のいずれか１つに記載の生成プログラム。
14. 前記取得手順は、
    所定時間内に取得された前記端末装置の周辺環境における音情報である前記センサ情報を取得する手順であり、
    前記生成手順は、
    前記音情報の時間変化のパターンに基づいて、前記端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する手順である、
    請求項９～１２のいずれか１つに記載の生成プログラム。
15. 前記取得手順は、
    所定時間内に取得された前記端末装置の周辺環境における風速情報である前記センサ情報を取得する手順であり、
    前記生成手順は、
    前記風速情報の時間変化のパターンに基づいて、前記端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する手順である、
    請求項９～１３のいずれか１つに記載の生成プログラム。
16. 所定の環境に関する情報を取得する取得部と、
    前記所定の環境に関する情報に基づいて端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する生成部と、
    を備える生成装置。
17. 所定の環境に関する情報を取得する取得ステップと、
    前記所定の環境に関する情報に基づいて端末装置の周辺環境における感染リスクを推定可能な機械学習モデルを生成する生成ステップと、
    を含む、生成方法。

Images