【発明の詳細な説明】 【０００１】 【発明の属する技術分野】本発明は熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法および装置に関し、特に熱帯性低気圧の通過に伴う各地の設備（電力線、その支持物、家屋などの構造物等）あるいは農作物などの被害を、予め与えられた数時間後の熱帯性低気圧の風速、風向き、強風の継続時間、雨量等の状況データから、人間の判断によらず自動的に予測することができる熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法および装置に関する。 【０００２】 【従来の技術】熱帯性低気圧は地球の赤道を中心とした範囲で発生し、その周辺地域に多大な被害を引き起こしている。 従来は、気象情報を放送するテレビやラジオなどへの情報提供者などで予測された数時間後の熱帯性低気圧中心位置、中心気圧、方向、強風圏や暴風圏から、
各地域の熱帯性低気圧による被害を過去の熱帯性低気圧の経験を参考に予測していた。 【０００３】 【発明が解決しようとする課題】しかし、人間が過去に経験した熱帯性低気圧と現在接近している熱帯性低気圧との特性から被害の予測は困難であった。 また、従来の熱帯性低気圧による被害の予測は、予測者の経験に大きく依存しており、未経験者の予測は極めて困難である。
また、人間の経験による被害の予測は、必ずしも正確でないという問題もあった。 【０００４】本発明は、前記した従来技術の問題に鑑みてなされたものであり、その目的は、人間の経験あるいは判断によることなく、より正確に、被害のあるなしの判別、および被害の大きさの予測をすることのできる熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法および装置を提供することにある。 【０００５】 【課題を解決するための手段】前記した目的を達成するために、本発明は、熱帯性低気圧におけるある地域の被害の有無を判別する方法であって、既知の被害データと状況データから、被害の有無の特徴を抽出する第１のステップと、該抽出された特徴を用いて、未知の熱帯性低気圧に対する被害の有無の判別を行う第２のステップとからなり、前記第１、第２のステップを、パターン認識を用いて実行するようにした点に第１の特徴がある。 【０００６】この特徴によれば、熱帯性低気圧の被害の有無を精度良く判別できるようになる。 【０００７】また、本発明は、熱帯性低気圧の被害数または被害率を予測する方法であって、過去の被害があったのみのまたは被害のないものを含んだ既知の被害データと状況データから重回帰モデルを構築する第１のステップと、前記構築された重回帰モデルを用いて、未知の熱帯性低気圧に対する被害の予測を行う第２のステップとからなる点に第２の特徴がある。 【０００８】この特徴によれば、従来法より正確に被害の予測をできるようになる。 つまり、既知のデータから被害の有無を示す特徴である係数と、実被害のある既知のデータから被害を予測する重回帰モデルの係数とを予め算出する。 運用時は、今回襲来している熱帯性低気圧を未知の熱帯性低気圧として、予め導出している係数で被害の有無を判別し、被害ありに対して被害数または率を予め導出している係数などから予測する方法である。 【０００９】 【発明の実施の形態】以下に、図面を参照して、本発明を詳細に説明する。 図１は、本発明の熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法が適用される熱帯性低気圧風速・被害予測システムの概略のシステム図である。 ここでは、復旧対策などで被害予測が重要な電力系統を対象にしている。 なお、本発明における「熱帯性低気圧」なる語は、台風、ハリケーン、サイクロンなどを含むものとする。 【００１０】気象情報の提供者である、例えば、ウェザーニューズ社の熱帯性低気圧の位置表示などを行う気象表示装置２と、電力系統の被害予測などのために風速予測の必要性のある電力会社および関連会社、例えば九州電力（株）の熱帯性低気圧風速・被害予測装置３とが、
ＬＡＮ４等の通信線により接続される。 該熱帯性低気圧風速・被害予測装置３は、データの仲介を行う熱帯性低気圧処理装置３ａと風速・被害予測を行う風速・被害予測装置３ｂから構成されている。 【００１１】熱帯性低気圧が発生すると、前記気象表示装置２から、熱帯性低気圧特性予測情報が提供される。
この熱帯性低気圧特性予測情報は、発令時刻（実況情報）から、１，６，１２，２４，３６，４８，および７
２時間後の熱帯性低気圧中心位置（緯度、経度）、および中心気圧が提供される。 風速・被害予測装置３ｂは、
該熱帯性低気圧特性予測情報をＬＡＮ４を介して受信し、受信された熱帯性低気圧中心気圧と中心位置とから風速を予測後、本発明の熱帯性低気圧被害有無の判別方法および熱帯性低気圧被害予測方法に従って熱帯性低気圧被害の予測を行う。 【００１２】図２は、前記風速・被害予測装置３ｂの本発明に関わる機能を表すブロック図である。 【００１３】図において、通信装置１１は前記ＬＡＮ４
に接続されており、現在の熱帯性低気圧情報あるいは種々のデータを取得する。 状況データ入力部１２は、後述する状況データを入力する。 なお、該状況データは、通信装置１１で他の装置から取得しても良い。 記憶部１３
は、通信装置１１で取得したデータ、および状況データ入力部１２から入力されたデータ、予め導出された被害有無の判別に使用する係数、および予め導出された被害数または率の予測に使用する係数を記憶する。 被害予測演算部１４は、記憶部１３に蓄積されたデータを基に、
後述する方法により、被害のありなし、および被害ありの場合に被害の大きさを予測する。 表示部１５は、被害予測演算部１４で得られた結果を表示する。 【００１４】図３は、本発明の熱帯性低気圧による被害ありなしの判別方法の一実施形態の原理を示すフローチャートである。 【００１５】図示されているように、ステップＳ１では、既知の被害データと状況データから、被害の有無の特徴を抽出する。 次に、ステップＳ２で、該抽出された特徴を用いて、未知の熱帯性低気圧に対する被害の未知の有無を判別する。 本実施形態では、前記ステップＳ
１、Ｓ２の処理を、パターン認識を用いて実行する。 ステップＳ１の特徴抽出は予め実行しておき、運用時はステップＳ２の被害の有無の判別のみを実施する。 【００１６】以下に、本実施形態を詳細に説明する。 【００１７】(1)被害データ（被害の種類）の一例として、電力線の支持物の折損、転倒、傾斜、流失、電力線の断混線、構造物および農作物の少なくとも一つを用いる。 【００１８】また、ある地域の被害予測に用いる変数（状況データ）を選定する。 該変数としては、風速、強風継続時間、風向き、電力柱の木柱率、電力需要家密度、山間部率、平野比率、径間長、熱帯性低気圧襲来回数、土質、電力柱の安全率、電線サイズ率、電力線支持物の支線取り付け数、雨量などを挙げることができる。 【００１９】なお、前記風速としては、１ないし数カ所の観測点で観測されるであろう熱帯性低気圧通過に伴う平均風速の最大値、各点の最大値の平均値、または熱帯性低気圧通過に伴う各点の最大瞬間風速の平均、および同最大瞬間風速の少なくとも一つを用いるのが好適である。 また、前記強風継続時間は、熱帯性低気圧通過に伴う一定風速以上の時間、一定風速以上の風速の積算値、
および一定風速以上の風速の２乗の積算値の少なくとも一つを用いるのが好適である。 【００２０】(2)用語の説明と諸定義本発明では、被害ありなし（例えば、電力線の支持物の折損、転倒等の被害のありなし）の判別方法として、パターン認識理論を用いるので、まず用語の説明を行う。 【００２１】パターン空間：被害発生原因の各情報項目（状況データ）を各軸として張られる多次元空間パターン：一つの被害データを示す。 パターン空間では、その被害の各情報項目の数値データの組で構成される列ベクトル特徴空間：パターン空間の各軸の線形結合により張られる部分空間への射影によって得られる判別に適した特徴軸により張られる空間次元数：空間を張る軸の数特徴抽出：パターン空間から特徴空間を構成する軸を決定することクラス：判別すべき「被害あり」と「被害なし」をクラスと呼ぶ。 クラスには、同一事故の被害データのパターンが属する。 【００２２】標本パターン：被害ありなしが既知である被害データのパターン未知パターン：被害ありなしが未知である判別（識別）
すべきパターン基底ベクトル：ある空間を張る互いに直交した大きさ１
のベクトルノルム：ユークリッド空間上の２点間のユークリッド距離次に、パターン認識理論を説明する前準備として、数学的な諸定義を行う。 【００２３】ｎ：パターン空間の次元数ｌ：特徴空間の次元数ｍ：クラス数Ｎｉ：クラスｉの標本パターン数Ｎ＝ΣＮｉ：全標本パターンの数本発明の被害ありなしの判別方法では、ｎ次元ユークリッド空間Ｒ ^ｎをパターン空間とし、その各点をパターンとみなす。 したがって、パターンαは、ｎ個の被害情報項目の数値データである実数値α１，α２，・・・，α
ｎの組によって、次のように表されるものとする。 【００２４】α＝［α１，α２，・・・，αｎ］ ^Ｔここで、α ^Ｔはαの転置である。 【００２５】被害ありなしが既知、つまり属するクラスが既知である場合、クラスｉに属するｊ（≦Ｎｉ）番目の標本パターンｘ _ｉｊは、次のように表す。 ｘ _ｉｊ ＝［ｘ _ｉｊ１ ，ｘ _ｉｊ２ ，・・・，ｘ _ｉｊｎ ］ ^Ｔ標本パターンｘ _ｉｊを正規化した標本パターンｙ _ｉｊ
を次のように表す。 ｙ _ｉｊ ＝［ｙ _ｉｊ１ ，ｙ _ｉｊ２ ，・・・，ｙ _ｉｊｎ ］ ^Ｔ特徴空間における標本パターンの表現は、ｚ _ｉｊとして次のように表す。 ｚ _ｉｊ ＝［ｚ _ｉｊ１ ，ｚ _ｉｊ２ ，・・・，ｚ _ｉｊｎ ］ ^Ｔ (3)データの正規化パターン認識による被害ありなしの判別は、被害情報項目で張られるユークリッド空間において定義される距離を基礎とする。 従って、パターン空間を張る各軸の実数値の大きさ（全標本パターンの平均と分散）は、パターン認識の結果に影響する。 そのため、各軸共に全標本パターンの平均と分散を等しくする必要がある。 それを正規化という。 【００２６】正規化は、パターン空間を張る各軸において、全標本パターンを用いて行われ、各軸の平均と分散とを１に等しくすることである。 ｎ次元パターン空間のｋ（１≦ｋ≦ｎ）次元（軸）の全標本パターンの平均￣
ｘ _ｋは次の(1)式のようになる。 【００２７】 【数１】

また、分散σ

^２

_ｘｋは次の(2)式のようになる。 【００２８】 【数２】 パターン空間のｋ次元（１≦ｋ≦ｎ）の正規化を示す。

標本パターンのｋ次元の数値データｘ

_ｉｊｋを正規化したｙ

_ｉｊｋは、ｋ次元の平均￣ｘ

_ｋと標準偏差σ

_ｘｋにより次の(3)式となる。 【００２９】 【数３】 これ以降は、(4)式の正規化された標本パターンｙ

_ｉｊ

を用いて、パターン認識理論を説明する。 【００３０】 ｙ

_ｉｊ ＝［ｙ

_ｉｊ１ ，ｙ

_ｉｊ２ ，・・・，ｙ

_ｉｊｎ ］

^Ｔ・・・(4) (4)フィッシャーの評価関数多変量解析における判別分析は、代表的な識別志向の線形特別抽出法である。 判別分析の評価関数は、クラス間の差異を考慮に入れたフィッシャー(Fisher)の評価関数Ｊ(d)である。 評価関数Ｊ(d)は、次の(5)式となる。 【００３１】 【数４】 ここに、ｄはパターンを射影するｎ次元列ベクトルである。 Ｂはクラス間共分散行列の推定値、Ｗはクラス内共分散行列の推定値であり、それぞれ、次の(6)(7)式で定義される。 【００３２】 【数５】 また、ｐ

_ｉはクラスｉの事前確率の推定値、μ

_ｙｉは正規化されたクラスｉの標本パターン平均列ベクトルであり、次の(8)(9)式で示される。 【００３３】 【数６】 前記(5)式の分子のｄ

^Ｔ Ｂｄは、パターン空間からの射影ベクトルｄで生成される一次元特徴空間（部分空間）

上におけるクラス間分散の和であり、各クラスの平均値間の自乗距離の和を表している。 また、分母のｄ

^Ｔ Ｗ

ｄは、ｄで生成される一次元特徴空間上におけるクラス内分散和である。 したがって、(5)式のフィッシャーの評価関数を最大にすることは、各クラス間の分散を大きく、クラス内の分散を小さくすることである。 つまり、

クラス内の標本パターンはかたまるように、クラス間は離れるように射影することにより、判別が容易になる。 【００３４】(5)特徴抽出フィッシャーの評価関数を最大にするベクトルｄは、周知のように、行列Ｗ

⁻

^１ Ｂの最大固有値に対する固有ベクトルｄ

_１である。 行列Ｂのランクは(6)式より明らかにクラス数から１を減じたｍ−１である。 したがって、

行列Ｗ

^−１ Ｂの固有値は、λ１≧λ２≧・・・≧λm-1≧λ

m＝・・・＝λn＝０となる。 したがって、０以外の固有値に対する固有ベクトルｄ１，ｄ２，・・・，ｄm-1を各一次元特徴空間への射影ベクトルとして、ｍ−１次元の特徴空間を構成する。 特徴空間へのパターン空間からの射影行列Ｄは、固有ベクトルにより、次の(10)式と定義される。 【００３５】 Ｄ＝［ｄ１，ｄ２，・・・，ｄm-1］ ・・・(10) (10)式を用いた、パターン空間上のクラスｉのｊ番目の標本パターン列ベクトルｙ

_ｉｊの特徴空間への射影値列ベクトルｚ

_ｉｊは次の(11)式のようになる。 【００３６】ｚ

_ｉｊ ＝Ｄ

^Ｔ ｙ

_ｉｊ・・・(11) つまり、ｍ−１次元特徴空間上におけるクラスｉのｊ番目の標本パターン列ベクトルｚ

_ｉｊは次の(12)式である。 【００３７】 ｚ

_ｉｊ ＝［ｚ

_ｉｊ１ ，ｚ

_ｉｊ２ ，・・・，ｚ

_{ｉｊ（ｍ−１）} ］

^Ｔ・・・(12) 先に示した諸定義における特徴空間の次元数は、下記の

(13)式のようになる。 【００３８】ｌ＝（ｍ−１） ・・・(13) (6)判別分析フィッシャーの評価関数により、クラス間分散和を最大に、クラス内分散和を最小にする判別に有効な(10)式の射影行列が与えられ、ｌ次元特徴空間が構成された。 事故判別は、この特徴空間での識別問題に帰着できる。 【００３９】特徴空間における各クラスの分布を正規分布と仮定すれば、クラスｉの分布ｆ

_ｉ (z)は、次の(14)

式の確率密度関数で表現することができる。 【００４０】 【数７】 ここに、μ

_ｚｉ ，Σ

_ｚｉは、特徴空間へ射影されたクラスｉの標本パターンｚ

_ｉｊ （１≦ｊ≦Ｎ

_ｉ ）を用いて計算され、次の(15)(16)式のようになる。 【００４１】 【数８】 各クラスの分布が(14)式で特徴空間においてパラメトリックに与えられた場合、属するクラスが未知であるパターンが被害「あり」「なし」である各クラスのいずれから生起したかを識別するのが検討すべき課題である。 (7)未知パターンの被害ありなしの判別属するクラスが未知のパターンは、事故情報項目を軸とするパターン空間上でｎ次元の列ベクトルｘ

_ｕとして与えられる。 未知パターンｘ

_ｕを、標本パターンと同様に正規化したｙ

_ｕ１ ，ｙ

_ｕ２ ，・・・，ｙ

_ｕｎのｎ個の実数の組からなる未知パターンｙ

_ｕのｋ次元のｙ

_ｕｋは前記(1)(2)式により、次の(17)式となる。 【００４２】 【数９】 未知パターンｘ

_ｕは正規化されｙ

_ｕとした後、（10）

式のＤを用いて、特徴空間に射影された未知パターンｚ

_ｕは、次の(18)式で与えられ、特徴空間での識別がなされる。 【００４３】ｚ

_ｕ ＝Ｄ

^Ｔ ｙ

_ｕ・・・(18) この識別において、未知パターンｚ

_ｕは、(15)(16)式により、次の(19)式のマハラノビス（Maharanois）の汎距離ｒ

_ｉを最小にするクラスｉから生起したと考えるのが自然であり、かつ合理的である。 【００４４】 【数１０】 この識別は、確率論的には、尤度関数を最大にするクラスを求めることに相当する。 識別方法を再度記すと、次の(20)式のようになり、該(20)式の規範により定まるクラスｉ

^＊に未知パターンを対応させることになる。 【００４５】 【数１１】 (8)判別結果日本に襲来した９９１８号（１９９９年の第１８番目に発生した台風番号）台風以外の１９個の熱帯性低気圧に関し、九州電力（株）の８５営業所のデータを用いて判別モデルを構築し、構築に使用していない９９１８号台風のやはり８５営業所のデータを用いて、本発明の統計的パターン認識手法の判別精度を確かめたところ、図４

(a)のようになった。 図から明らかなように、本発明の統計的パターン認識手法では、構築用データで全て８割以上の成功率を示すと共に、評価用（９９１８号熱帯性低気圧）データにおいても８割以上の成功率となった。

一方、判別分析手法では、図４(b)に示すように、構築用データでほぼ全て８割以上の成功率を示すと共に、評価用データにおいて、７割、８割台の成功率であった。 【００４６】このように、統計的パターン認識手法は、

部分空間法に比べて、有効な判別結果となった。 また、

統計的パターン認識手法は演算面でも有利なため、被害ありなしの予測方法に統計的パターン認識手法を用いるのが好適であるしたがって、被害ありなしの判別には、

統計的パターン認識手法を用いるのが良いことがわかった。 【００４７】なお、風速の閾値で被害のありなしを判別する従来法と比べると、本発明方法の改善効果は著しく大きいことが分かる。 【００４８】以上の本実施形態の処理を要約すると、図５のようになる。 ステップＳ１１では、被害予測に使用する変数の組（標本パターン）ｘ

_ｉｊを次のように定義する。 ｘ

_ｉｊ ＝［ｘ

_ｉｊ１ ，ｘ

_ｉｊ２ ，・・・，ｘ

_ｉｊｎ ］

^ＴステップＳ１２では、該標本パターンｘ

_ｉｊを正規化し、正規化された標本パターンｙ

_ｉｊを得る。 ｙ

_ｉｊ ＝［ｙ

_ｉｊ１ ，ｙ

_ｉｊ２ ，・・・，ｙ

_ｉｊｎ ］

^ＴステップＳ１３では、フィッシャーの評価関数Ｊ(d)を用いて、Ｊ(d)を大きくするベクトルｄ、すなわち「被害あり」と「被害なし」のクラス間を離し、クラス内を纏めるベクトルｄを選定する。 【００４９】ステップＳ１４では、特徴抽出を行う。 パターン空間から特徴空間への射影行列ＤをＤ＝［ｄ

_１ ，

ｄ

_２ ，・・・，ｄ

_ｍ−１ ］と定義する。 ここに、ｄ

_kは行列Ｗ

⁻

^１ Ｂの最大からｋ番目の固有値に対する固有ベクトルである。 ｍはクラス数であり、本発明では「被害あり」と「被害なし」の２つであるため、ｍ＝２となる。 【００５０】ステップＳ１５では、標本パターン列ベクトルｙ

_ｉｊの特徴空間への射影値列ベクトルｚ

_ｉｊをｚ

_ｉｊ ＝Ｄ

^Ｔ ｙ

_ｉｊで求める。 特徴空間の次元数ｌ

は、ｌ＝（ｍ−１）＝１となる。 【００５１】ステップＳ１６では、特徴空間への射影値列ベクトルｚ

_ｉｊを用いて、クラスの分布、すなわち「被害あり」「被害なし」の分布ｆ

_ｉ (z)を求める。 【００５２】以上の処理が、図３のステップＳ１に対応する。 【００５３】次に、ステップＳ１７では、未知パターンが「被害あり」か「被害なし」かのいずれのクラスに属するかの判別を行う。 まず、未知パターンを正規化し、

射影行列Ｄ似て、特徴空間に射影する。 射影された特徴空間において、未知パターンがどちらのクラス（「被害あり」と「被害なし」）に近いかを判別する。 【００５４】この処理は、図３のステップＳ２に対応する。 【００５５】次に、本発明の第２実施形態の原理を、図６のフローチャートを参照して説明する。 【００５６】図のステップＳ２１では、既知の被害データと状況データから、重回帰モデルを構築する。 ステップＳ２２では、該構築された重回帰モデルを用いて、熱帯性低気圧に対する未知の被害を予測する。 【００５７】以下に、本実施形態を詳細に説明する。 【００５８】熱帯性低気圧による被害予測には、重回帰分析法を使用する。 被害（目的変数：Ｙ）は、それに影響を与える変数（Ｘ１，Ｘ２，・・・，Ｘｍ）と、その影響度合いを示す係数（ａ１，ａ２，・・・，ａｍ）にて説明できるため、予測式は次の(21)式で表せる。 【００５９】 Ｙ＝ａ１・Ｘ１＋ａ２・Ｘ２＋ａ３・Ｘ３＋・・・・＋ａｍ・Ｘｍ ・・・(21) 該(21)式の係数（ａ１，ａ２，・・・，ａｍ)は、過去に被害のあったｍ個の熱帯性低気圧の各々の被害数（目的変数Ｙ）と、各熱帯性低気圧における風速などの各既知の変数（Ｘ１，Ｘ２，・・・，Ｘｍ）を(21)式に代入して、

係数（ａ１，ａ２，・・・，ａｍ)からなるｍ個以上の式を形成する。 そして、これらの式を最小自乗法で解くことにより、前記係数（ａ１，ａ２，・・・，ａｍ)を求める。 【００６０】運用時に熱帯性低気圧が襲来した時の被害の予測は、前記のようにして求めた係数（ａ１，ａ２，

・・・，ａｍ)を前記(21)式に入れる。 そして、予測する時刻の風速、強風継続時間、電力線支持物支線数、山間部比率、電線サイズ比率などの変数（Ｘ１，Ｘ２，・・・，

Ｘｍ）の値を前記(21)式に代入することで、目的変数Ｙ、すなわち被害数を具体的に導出する。 【００６１】以上のように、前記実施形態では、被害のありなしの判別、および被害数の予測をすることができるようになる。 また、同様に、被害データ（被害の種類）として、家屋の倒壊率や損害金額の少なくとも一つを用いて、ある地域の被害予測状況を示す変数（状況データ）を選定することで被害予測を実施できる。 この場合の該変数は、風速、強風継続時間、熱帯性低気圧襲来回数、鉄筋施工比率、人口密度、雨量などを挙げることができる。 種々の設備や構造物の被害率や損害金額を被害データ（被害の種類）とし、状況を示す変数（状況変数）を風速、強風継続時間、雨量などとすることで被害予測を実施できる。 また、同様に、被害データ（被害の種類）として、特定の農産物の損害率や損害金額の少なくとも一つを用いて、ある地域の被害予測状況を示す変数（状況データ）を選定することで被害予測を実施できる。 この場合の該変数は、風速、強風継続時間、熱帯性低気圧襲来回数、雨量などを挙げることができる。 種々の農産物の被害率や損害金額を被害データ（被害の種類）とし、状況を示す変数（状況変数）を風速、強風継続時間、雨量などとすることで被害予測を実施できる。 【００６２】 【発明の効果】以上の説明から明らかなように、本発明によれば、複数の状況データを用い、かつパターン認識を用いるようにしたので、従来の風速の閾値で被害のありなしを判別する方法に比べて、被害のありなしの予測を精度よく行うことができるようになる。 【００６３】また、本発明によれば、既知の被害データと状況データとから重回帰モデルを構築し、該モデルを用いて被害の予測を行うようにしたので、該被害の予測を従来より正確に行うことができるようになる。

【図面の簡単な説明】 【図１】 本発明が適用されるシステム例を示す図である。 【図２】 本発明の一実施形態の機能ブロック図である。 【図３】 本発明の第１実施形態の原理を説明するフローチャートである。 【図４】 第１実施形態の効果を説明する図である。 【図５】 第１実施形態の一具体例の概略を説明するフローチャートである。 【図６】 本発明の第２実施形態の原理を説明するフローチャートである。 【符号の説明】 ２・・・気象表示装置、３・・・熱帯性低気圧風速・被害予測装置、３ａ・・・熱帯性低気圧処理装置、３ｂ・・・風速・被害予測装置、４・・・ＬＡＮ、１１・・・通信装置、１２・・・
状況データ入力装置、１３・・・記憶部、１４・・・被害予測演算部、１５・・・表示部。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 久野 貴生 福岡県福岡市南区清水４丁目19番18号 株 式会社キューキ内(72)発明者 進 康弘 福岡県福岡市南区清水４丁目19番18号 株 式会社キューキ内(72)発明者 鳥飼 孝幸 福岡県福岡市南区清水４丁目19番18号 株 式会社キューキ内