CN113366445A

CN113366445A - 状态预测系统

Info

Publication number: CN113366445A
Application number: CN201980089172.1A
Authority: CN
Inventors: 上岛利明
Original assignee: Hitachi Information and Telecommunication Engineering Ltd
Current assignee: Hitachi Information and Telecommunication Engineering Ltd
Priority date: 2019-09-30
Filing date: 2019-12-20
Publication date: 2021-09-07
Also published as: US20220366292A1; EP3828706A1; WO2021065021A1; EP3828706A4; JP6966655B2; JPWO2021065021A1

Abstract

一种状态预测系统，其具有：多个嵌入式机器学习部，其对每个变化数据进行与该变化数据对应的处理，对该变化数据的预测值进行运算；交互接口，其使多个嵌入式机器学习部相互协作，多个嵌入式机器学习部进行并行处理，对多个变化数据的预测值进行运算并输出至交互接口，当从一个嵌入式机器学习部输出的预测值变化时，经由交互接口将变化后的预测值交给其他嵌入式机器学习部，获取了变化后的预测值的其他嵌入式机器学习部将变化后的预测值作为新的输入，对新的变化数据的预测值进行再运算并输出至交互接口。

Description

状态预测系统

技术领域

本发明涉及状态预测系统，特别涉及使用AI功能的状态预测系统。

背景技术

以往，由AI进行的机器学习处理是通过云(Cloud)、本地部署(On-Premise)的服务器/PC来集中处理的。例如，在专利文献1中示出了使用AI对具有多个动态变化的对象进行实时控制的例子。

此外，在专利文献2中示出了由使用AI的集中游戏服务器构成的线上游戏。

现有技术文献

专利文献

专利文献1：美国专利申请公开第2019/0129732号说明书；

专利文献2：美国专利申请公开第2019/0168122号说明书。

发明内容

发明要解决的问题

专利文献1、2都是一个AI集中进行多个处理。因此，在AI处理的运算负荷高的情况下，存在输出运算结果需要花费很长时间的问题。特别是在使用IoT、日志等的系统中，由于通常数据的输入输出多，当使用单一AI进行集中处理时，会出现数据的输入量、运算量庞大，处理速度明显下降的情况。此外，在增减数据输入输出部位的数据集中处理中，频繁出现再学习的问题，期望改善因等待再学习导致的使用性下降。

本发明鉴于上述情况而完成，其目的在于提供一种即使将AI应用于使用多个变化数据来预测对象状态的状态预测系统中也能够抑制运算处理速度下降的状态预测系统。

用于解决问题的方案

本发明鉴于上述实际情况而完成，具有权利要求范围内所记载的结构。举出其中一个例子，本发明是一种状态预测系统，基于多个变化数据来输出对象状态的预测值，其特征在于，具有：多个嵌入式机器学习部，其对每个所述变化数据进行与该变化数据相应的处理，对该变化数据的预测值进行运算；交互接口，其使所述多个嵌入式机器学习部相互协作，多个所述嵌入式机器学习部进行并行处理，对多个变化数据的预测值进行运算并输出至所述交互接口，当从一个嵌入式机器学习部输出的预测值变化时，经由所述交互接口将所述变化后的预测值交给其他嵌入式机器学习部，获取了所述变化后的预测值的其他嵌入式机器学习部将所述变化后的预测值作为新的输入，对新的变化数据的预测值进行再运算并输出至所述交互接口。

根据上述状态预测系统，即使将AI应用于使用多个变化数据来预测对象状态的状态预测系统，也能够抑制运算处理速度下降。因此，由于能够在整个系统中的多个位置利用机器学习通过同时并行处理对变化数据进行运算，能够一边缓解负荷的集中，一边进行整个系统的分散处理。

此外，在上述状态预测系统中，也可以具有：第一嵌入式机器学习部，其对一个变化数据进行识别类预测；第二嵌入式机器学习部，其进行生成模型类预测，所述状态预测系统基于所述第一嵌入式机器学习部和第二嵌入式机器学习部各自的输出来对所述识别类预测和所述生成模型类预测进行评价，使用评价高的系统执行控制。

在机器学习处理中，具有：识别类预测处理，准备预测词典并根据输入与存储在预测词典中的数据的距离评价决定输出；生成模型类预测，使用包含变化数据(输出)和用于该变化数据的运算的输入的训练数据预先生成学习模型，将新的输入应用在生成的学习模型来对变化数据进行运算。由于识别类预测处理和生成模型类预测处理的精度哪个更高因变化数据的特性而异，因此为一个变化数据准备识别类预测处理和生成模型类预测处理，并进行更适合变化数据的特性的预测处理，从而能够提高预测精度。

此外，在上述状态预测系统中，还可以具有令牌接口，其评价与所述其他嵌入式机器学习部的关于预测精度的协作效果，作为与所述其他嵌入式机器学习部的协作效果。此外，还可以具有令牌接口，其评价对所述其他嵌入式机器学习部的控制的协作效果，作为与所述其他嵌入式机器学习部的协作效果。

由此，在并行地进行嵌入式机器学习部的运算处理时，当输出新的变化数据时，将新的变化数据交给协作效果更高的嵌入式机器学习部，另一方面，不将新的变化数据交给协作效果不佳的机器学习部，因此能够防止尽管协作效果不佳也递交新的变化数据而执行不需要的机器学习运算。

此外，上述状态预测系统也可以构成为使用多个节点，所述节点分别构成为使用所述嵌入式机器学习部，执行跨节点处理的系统状态最优控制。

此外，在上述状态预测系统中，对不同的变化数据分别进行运算的多个嵌入式机器学习部也可以构成为包含在一个单元(Cell)。

发明效果

根据本发明，能够提供一种状态预测技术，即使将AI应用于使用多个变化数据预测对象的状态的状态预测系统中，也能够抑制运算处理速度下降。另外，上述以外的目的、结构、效果通过以下的实施方式而更加清楚。

附图说明

图1是状态预测系统的整体结构图。

图2是系统应用程序的软件结构图。

图3是表示执行系统应用程序时生成的实例的图。

图4是表示应用了状态预测系统的店铺业务系统的结构例的图。

图5是表示店铺业务系统与上层系统的关系的图。

图6是与节点对象“订货数量A1预测”对应的单元实例的结构例。

图7是表示状态预测系统的一般处理的流程的流程图。

图8是表示店铺业务系统中的订货业务处理的流程的流程图。

图9是与节点对象“产品品质A值预测”对应的单元实例的结构例。

图10是表示制造现场管理系统中的作业状态管理业务处理的流程的流程图。

图11是与节点对象“逻辑设计设备控制接口信号A时序预测”对应的单元实例的结构例。

图12是表示设计业务系统的逻辑设计处理的流程的流程图。

图13是表示状态预测系统的系统安装例的另一个例子的图。

图14是与节点对象“机器控制电机A旋转角度预测”对应的单元实例的结构例。

图15是与节点对象“农作物生产控制预测”对应的单元实例的结构例。

图16是与节点对象“股价指数预测”对应的单元实例的结构例。

图17是与节点对象“移动时间预测”对应的单元实例的结构例。

具体实施方式

以下，对本发明的实施方式进行说明。首先，对以下说明中所使用的术语进行说明。

·在本实施方式的系统应用程序(以下将“应用”简写为“AP”)中，作为应用了状态预测系统的系统AP程序的具体例子，例如有：店铺业务系统程序、制造现场管理系统、设计业务系统。状态预测装置是安装且能够执行系统AP程序的装置。

·对象，是指在系统AP中进行状态预测的对象。例如，在店铺业务系统中，相当于订货单据业务中的订货单据。在制造管理系统中，相当于管理制造设备的作业状态的业务中的制造设备传感器数据文件。在设计业务系统中，相当于逻辑设计处理中的逻辑设计规格书。

·变化数据，是指在对象中值发生变化的数据。此外，将在对象中配置变化数据的栏称为变化数据列。例如，订货单据(对象)中，商品的订货数量是变化数据，订货单据格式中记载订货数量的栏是变化数据列。制造设备传感器数据文件中，传感器数据是变化数据，制造设备传感器数据文件中传感器数据的存储区域是变化数据列。逻辑设计规格书中，解释信号数据是变化数据，逻辑设计规格书中写入解释信号的栏是变化数据列。

·实体(Entity)，是指变化数据的实体。例如，订货单据(对象)的商品A1的订购数量(变化数据)中，订购数量的“实体”是实体。在订货单据中有商品A1的(订购)数量、商品A2的(订购)数量、……等等，它们每一个(订购)数量都是实体。上述传感器数据的值、解释信号的信号电平也是实体。

·节点对象(以下简称为“节点”)，是指对包含在系统AP程序的各变化数据的实体进行运算的程序模块。为一个变化数据设置一个节点。而且，在包含在系统AP程序的多个变化数据中，在当第一变化数据的实体变化时相应地第二变化数据的实体变化的情况下，与第一变化数据对应的第一节点和与第二变化数据对应的第二节点相互关联地构成。更详细地，以从第一节点输出的实体作为第二节点的输入的方式，第一节点和第二节点相关联地连接而构成。各节点构成为包含一个单元和包含在该单元中的多个u-AI。

·单元(Cell)，是指执行将u-AI类与u-AI类周围的系统或应用以及其他u-AI类连接的处理的模块。为一个变化数据设置一个单元。单元类程序与u-AI类程序存储在系统AP程序内。这里所谓的“类(class)”是指处理类型，其定义表示数据处理方法的函数或方法的集合、应当为该函数设定的属性(property)。另一方面，后述所谓的“实例(instance)”是指，由类(处理类型)指定与具体的数据匹配的函数或方法和属性并复制处理所需要的部分而在CPU上执行的程序实体。

·u-AI(嵌入式(embedded)机器学习部、“u-”是“无处不在的(ubiquitous)”的u)，是指进行时序预测、回归系统预测等机器学习处理的程序模块的意思。u-AI使用一个函数输出一种实体。u-AI利用机器学习对识别、预测所需的参数进行计算，生成识别词典、预测词典，经由单元将该结果存储在存储器中。u-AI使用自身利用函数运算的学习结果，对从外部经由系统AP程序和单元提供的数据进行识别处理、预测处理和评价处理中的至少一种。

以下，参照附图对本实施方式进行说明。所有图中对相同的结构附加相同的附图标记，并省略重复的说明。

图1是本实施方式涉及的状态预测系统100的整体结构图。图2是系统AP程序106e的软件结构图。图3是表示执行系统AP程序106e时生成的实例的图。

图1的状态预测系统100构成为使用计算机，该计算机构成为用总线112分别连接CPU102、内存104、存储器106、输入接口108、输出接口110。

存储器106存储DB变化数据106a、对象文件106b、识别词典文件106c、预测词典文件106d以及系统AP程序106e。

如图2所示，系统AP程序106e在存储于存储器106的状态下，可以在同一层次存储单元类程序115和u-AI类程序120。

在u-AI类程序120中存储有多种用于机器学习的函数。状态预测系统100在具有n个变化数据的情况下，包含n个单元类程序115。在各单元类程序115中，定义了使用u-AI类程序120所包含的多种函数中的哪个函数。

当CPU102从存储器106读取系统AP程序106e并载入内存104而执行时，CPU102读取单元类程序115。然后，调用单元类生成单元实例104b。然后，当CPU102执行该单元实例时(102b)，从u-AI类程序120中读取在该单元实例中定义的定义函数名(这两个函数名互不相同)，并且从例如DB变化数据106a中读取需要的参数。然后，生成两种u-AI实例104c并执行(102c)。

以图3为例对具体例子进行说明。当CPU102启动系统AP程序106e时，从对象文件106b中读取对象200的文件。对象200包含两个变化数据A的列和变化数据B的列。

在对象200的文件中包含第一节点对象210A和第二节点对象210B。第一节点对象210A是对变化数据A进行运算的模块。第二节点对象210B是对变化数据B进行运算的模块。

CPU102在第一节点对象210A中生成第一单元实例130A。进而，CPU102从第一单元实例130A中读取需要的两个函数名。然后，CPU102基于读取的两个函数名，参照预测词典文件106d获取两个函数。同样地，CPU102从DB变化数据106a中读取应用于两个函数的参数。然后，将需要的参数分别应用于函数，生成第一u-AI实例140A1和第二u-AI实例140A2。

CPU102执行第二节点对象210B生成第二单元实例130B以及通过第二单元实例130B生成的第一u-AI实例140B1和第二u-AI实例140B2。

CPU102以将第一节点对象210A输出的实体作为第二节点对象210B的输入的方式关联。关联可以是将第一节点对象210A的输出级与第二节点对象210B的输入级直接联系(也可以是逻辑上的连接)。此外，CPU102以将第二节点对象210B输出的实体作为第一节点对象210A的输入的方式关联。关联可以是将第二节点对象210B的输出级与第一节点对象210A的输入级直接联系(也可以是逻辑上的连接)。

作为对于变化数据的输入，换言之，作为对于节点对象的输入，可以是例如来自数据库(以下记为“DB”)的输入(临时输入来自IoT的数据的DB、通过更新其他变化数据而自动更新的DB、通过更新该变化数据而自动更新的DB等)。当设定变化数据的输入目标时，从被设定的DB获取数据，或者进行合并(包括伴随运算等的结合)。对通过更新该变化数据而自动更新的DB进行输出。

此外，CPU102将第一节点对象210A输出的实体存储在DB变化数据106a。然后可以采用如下方式：CPU102从DB变化数据106a中读取第一节点对象210A输出的实体作为应用于第二节点对象210B的第一u-AI实例140B1和第二u-AI实例140B2的参数，并用作输入值。

图4表示应用了状态预测系统100的店铺业务系统300的结构例。

在店铺业务系统300进行的第一层次业务中，有行301所示的“管理”、“人员管理”、“物流”、“仓库管理”、“采购销售”、“店铺管理”以及“促销”。

在各第一层次业务中有第二层次业务，所述第二层次业务是将第一层次业务更加细化的项目。例如，“管理”业务还包含列302中列出的第二层次业务，即“营业额”、“利润”、“销售”、“投诉”、“使用手册”以及“信息”。

在作为“采购销售”的第二层次业务的“订货业务”中，有作为对象310的“订购单”320。“订购单”320具有作为变化数据的商品的“数量”记载栏330(变化数据列)。

单元实例340输出作为变化数据的商品的“数量”的实体。当执行单元实例340时，生成第一u-AI实例3401和第二u-AI实例3402。

单元实例340将作为“管理”的第二层次业务“营业额”的变化数据的“营业额目标”、作为“利润”的变化数据的“利润目标”、作为“销售”的变化数据的“销售目标”以及“销售预测”的各个实体，作为输入数据在第一u-AI实例3401和第二u-AI实例3402中进行运算。

第一u-AI实例3401和第二u-AI实例3402的运算结果被输入至商品的“数量”记载栏330。

输入至商品的“数量”记载栏330的实体作为对其他业务的输入，更具体地而言，作为“运输”“促销”的单元类的输入。

图5是表示店铺业务系统300与上层系统的关系的图。店铺业务系统300通过执行置于PC、服务器或云的店铺业务系统300的AP350来构成。店铺业务系统300是例如管理单个店铺的业务的系统。作为店铺业务系统300的更上层系统，有集中控制多个店铺业务系统300的用户信息系统360。店铺业务系统300置于各店铺，用户信息系统360是置于总公司的系统，其具有对总公司、地区分公司等店铺区域进行集中控制的功能。

店铺业务系统300中的订货业务包括如订购单商品A类对象311和订购单商品B类对象312这样的多个对象。

订购单商品A类对象311是记载“商品A1”“商品A2”各自的订货数量的栏。因此，订货单商品A类对象311具有“商品A1”的订货数量和“商品A2”的订购数量作为变化数据，并且包含这些各个变化数据的节点对象。

参照图6，对在将状态预测系统应用于店铺业务系统300所包含的订货单的发行业务时生成的实例进行说明。图6表示与节点对象“订货数量A1预测”对应的单元实例的结构例。

单元实例700是与节点对象“订货数量A1预测”对应的单元实例。根据实例的结构，经由数据实施跨对象的u-AI协作、跨节点的u-AI协作。跨对象的u-AI协作和跨节点的u-AI协作都是通过单元外部IF610经由数据进行的。作为经由数据的跨对象的节点间的u-AI协作，例如在关于商品A的订货(采购)的订购单中，有营业额·利润、前景、实际成绩、资料之间的协作。此外，在关于其他商品的订货(采购)的订购单中，有促销计划书、业务(组织)结构、业务流程(程序手册)、输入输出规格书。单元实例700包括单元功能处理部600、单元外部IF610、单元内部IF620、u-AIIF630、商品AI订货数量值_A模型预测(第一u-AI640)以及商品AI订货数量值_B模型预测(第二u-AI650)。通过第二u-AI实例3402→单元外部IF610→DB(外部)→单元外部IF610→第一u-AI实例3401、或者第一u-AI实例3401→单元外部IF610→DB(外部)→单元外部IF610→第二u-AI实例3402实现协作。

单元功能处理部600执行下述处理。

·系统AP IF

·来自系统AP的设定处理

·生成u-AI

·与系统AP的结构处理IF

·来自用户系统AP设定处理的u-AI设定

·DB数据的获取

·u-AI共通的分类处理

·数据类别判断

·将数据和分类信息写入u-AI

·提取来自u-AI的处理结果

·将处理结果写入DB

·评价每个u-AI分类

·预测组合(分类结合)

·每个u-AI与u-AI结合将两者DB输出

在状态预测系统100中，通过跨多个节点的u-AI与单元的协作、相互作用，即，u-AI和单元通过将其他u-AI和单元的输出数据的一部分作为输入的一部分，从而受到其他u-AI和单元的输出数据的作用影响。由此，对其他u-AI和单元的评价、预测、控制以及控制设定进行机器学习，对评价、预测、控制的输出进行更新(包括生成将其他u-AI和单元的控制组合了的控制等)。

此外，在状态预测系统100中，u-AI和单元通过识别模型和预测模型进行预测，提高了预测和控制效果的精度。具体地，通过识别模型的基于预测词典检索的目标接近控制的功能和参数选择，以及通过预测模型的基于分布变分、回归、隐马尔可夫模型的目标接近控制的功能和参数选择，通过两者的选择值的平衡和观测结果对两个选择进行评价，从而更新检索和变分。

图7是表示本实施方式涉及的状态预测系统100的一般处理的流程的流程图。对将图7应用于店铺业务系统300时的流程，之后参照图8进行说明。

在存储器106中预先存储系统AP程序106e(S101)。CPU102从存储器106中读取系统AP程序106e，并载入内存104。由此，启动状态预测系统100(S102)。

当启动状态预测系统100时，开始对象处理(S103)。CPU102读取与各对象对应的单元类程序115。

CPU102经由状态预测系统100对每个节点进行定义u-AI和单元的处理的如下设定(S104)。通过定义u-AI和单元的处理，生成单元实例和u-AI实例。

进行输入数据设定(DB、其他位置的变化数据等数据的获取源)(S104-1)。

进行目标变化数据设定(从输入数据中求出目标变化数据的方法等。例如为回归型、到设定时刻的时序数据、学习数据(在输入数据设定中表示)与标签数据(在输入数据设定中表示)的组合)。(S104-2)

进行目标值设定(S104-3)。

进行评价设定(与+值、-值对应的标签)(S104-4)。

进行控制设定(计划、实施、变更)等(S104-5)。

CPU102通过信号量系统的并行进程执行单元实例处理，输出处理结果(S105)。

利用状态预测系统100，在单元对象开始处理具有已分配的数据的文件等的时刻生成/启动单元实例，进而，启动了的单元实例生成/启动u-AI实例，基于设定信息和这一时刻之前的结果执行处理。

在单元实例的处理中，第一u-AI实例和第二u-AI实例得到相同的输入，分别执行学习动作处理。

在学习动作时，AP从用户系统等外部获取输入数据，进行前处理，存储在存储器106。单元实例利用单元外部IF(节点IF)610获取输入数据，进行数据的分类处理，向第一u-AI实例和第二u-AI实例递交数据和分类处理结果信息。

第一u-AI实例和第二u-AI实例分别通过识别/预测学习，生成识别/预测词典和评价词典。

第一u-AI实例和第二u-AI实例也分别同时生成在进行识别/预测学习时得到的其他节点的数据的贡献率、决定系数信息等。

第一u-AI实例和第二u-AI实例分别将通过识别/预测学习生成的识别/预测词典和评价词典保持在u-AI，并且通过单元内部IF620提取单元实例，通过单元外部IF(节点IF)610存储在存储器106。

同样地，上述其他节点的数据的贡献率、决定系数信息等也是单元通过单元内部IF620提取，作为对其他节点的优惠券信息通过单元外部IF(节点IF)610存储在存储器106。

状态预测系统100从存储器106提取每个节点的优惠券信息，基于与用户的输入数据相关的设定信息来进行各单元处理的优先排序、停止不需要的单元等处理。

关于“(状态)识别/预测/评价动作时”，状态预测系统100从状态预测系统100的外部获取输入数据，进行前处理，存储在存储器106。

单元实例利用单元外部IF(节点IF)610获取输入数据，进行数据的分类处理，向u-AI传输数据和分类处理结果信息。

第一u-AI实例和第二u-AI实例分别进行使用了识别词典的识别处理，输出识别结果数据。此外，使用预测(预测控制)词典进行预测(预测控制)处理，输出预测(预测控制)结果数据。进而，使用预测(预测控制)结果和与预测时刻相同的时刻的输入数据以及评价词典进行评价处理，生成评价结果数据。

单元实例通过单元内部IF620提取第一u-AI实例和第二u-AI实例分别输出的识别结果数据、预测(预测控制)结果数据、评价结果数据。

单元实例将单元内的两个u-AI的识别结果数据、预测(预测控制)结果数据、评价结果数据按数据的每个分类进行比较，生成比较评价结果数据。然后，单元实例通过单元外部IF(节点IF)610将识别结果数据、预测(预测控制)结果数据、评价结果数据、比较评价结果数据存储在存储器106。

状态预测系统100从存储器106读取每个单元的识别结果数据、预测(预测控制)结果数据、评价结果数据、比较评价结果数据。

状态预测系统100将每个单元的识别结果、预测结果进行整合，进行状态预测系统100的状态的识别/预测。

状态预测系统100通过用户IF显示在监控画面显示各单元的识别结果、预测结果、状态预测系统100的识别/预测结果，或者进行打印机的票据输出，或者基于预测结果通过系统IF对状态预测系统100的装置进行控制。

上述“预测”是指分类的预测和与分类相关的预测。分类的预测是将在上述识别中识别了的数据的状态(与输出了或观测了的数据的对象状态相对应)作为该分类的初始状态，然后，通过使用预测词典的预测运算参数(例如回归系数等)进行运算，从而得到分类处理结果的时间宽度数据的变化。与分类相关的预测是将在上述识别中识别了的数据的状态(与输出了或观测了的数据的对象状态相对应)时序化，以与对应上述(状态转换时序)分类的分类标签相同方式进行预测词典的参照，进行(状态转换时序)分类。

进而，通过参照预测词典中对应的分类标签的下个分类标签，来进行数据的预测。

单元实例的处理通过使用“信号量”系统的排他控制的并行进程来执行。这里所谓的排他控制是指，例如，处理数据A的单元实例将数据A的预测值等作为u-AI实例的处理结果写入DB的数据A的预测值写入位置。此时，处理数据B的单元实例为了得到数据B的预测值，从DB读取数据A的预测值并交给处理数据B的u-AI实例。因此，为了使处理数据A的单元实例向DB写入数据A与处理数据B的单元实例从DB读取数据A不冲突，进行排他控制。对每个单元进行排他控制。

u-AI实例和单元实例参照通过对AP的各种输入数据的前处理、识别/预测学习而生成的识别/预测词典和评价词典。

(前处理(u-AI进行处理))

意思是指：在对每个数据设定的每个采样周期的数据中有缺失的情况下，加入与前一个数据相同的数据等缺失值插值处理，或者，在数据间数值刻度间隔大的情况下，为了防止在之后的预测值计算等误差变大，进行将数据间的刻度收敛在一定范围内的缩放处理等。

(识别词典与识别(u-AI进行处理))

识别词典是将从数据中提取的特征量与基于特征量的数据的状态(与输出了或观测了的数据的对象状态相对应)按(识别)分类对应的内容的文件。

(识别(u-AI进行处理))

为了分类而附加识别标签。分类是通过一般的分类算法即k-means法等进行的。在识别中，执行从数据中提取特征量的运算处理，提取特征量。提取特征量的运算处理的运算系数等参数、向分类算法提供的分类数等参数以对学习数据的分类处理结果的误差变小的方式进行学习，得到的参数也作为构成词典的一部分存储在存储器106。识别函数对提取的特征量与注册在识别词典的特征量进行差异判断，输出识别词典对应的(识别)分类标签。识别函数计算特征量空间中的距离，对从数据中提取的特征量和注册在识别词典的特征量进行差异判断。

(预测词典(u-AI进行处理))

预测词典是以时序表示数据的状态转换，并加入了将状态转换时序与(状态转换时序)的分类对应的内容和状态转换时序分类的相关信息的文件。在分类的预测中使用的预测运算参数(例如回归系数、隐马尔可夫模型的状态转换概率等)以对学习数据的预测处理结果的误差变小的方式进行学习，将得到的参数也作为构成词典的一部分存储在存储器106。时序的长度以分类处理结果的时间宽度为基准。

(预测(u-AI进行处理))

预测是将在上述识别中识别了的数据的状态(与输出了或观测了的数据的对象状态相对应)时序化，以与上述(状态转换时序)分类的分类标签的对应相同的方式进行预测词典的参照，并进行(状态转换时序)分类。进而，通过参照预测词典中对应的分类标签的下个分类标签，来进行数据的预测。

(状态转换时序(u-AI进行处理))

对(状态转换时序)分类附加状态转换时序分类标签。分类处理结果的时间宽度长的按每个预设的时间宽度附加分类标签。(状态转换时序)分类以在时序的各时刻的上述识别中实施的距离的时序长度的总值的范围来划分，除此之外还通过为每个分类预先准备的与时序的状态转换的模式的距离(附加在时序的各时刻的状态的数值标签的差异计算)来进行。

(评价词典与评价(u-AI进行处理))

准备评价词典，其为进行了以预测与实测的距离范围划分等的每个差异值预先附加了评价标签。在输入实测数据的时刻，计算与预测数据的距离，利用差异值参照评价词典得到评价标签，并作为评价进行输出。

u-AI和单元具有如下输出数据。

·状态识别(包括异常检测、警告)

·评价

·预测

·控制

·期望

状态预测系统100对一个变化数据A生成第一u-AI实例和第二u-AI实例并输出变化数据A的预测值。第一u-AI实例使用第一函数，例如时序预测函数(基于识别模型的轻量高精度机器学习)，输出变化数据A的预测值。另一方面，第二u-AI实例使用与第一函数不同的第二函数，例如回归模型(基于最小二乘法的参数估计)、近似混合高斯模型(基于少量数据的多个正态分布的参数估计)，输出变化数据A的预测值。

第一u-AI实例和第二u-AI实例的进行了相同的输入，但是因为用于运算的函数不同，输出不一定相同。因此，单元实例进行如下输出。下述表示输出例。

·输出数据的每个时间分类中哪个精度高的信息。这并不意味着仅输出精度高的那一个，而是输出两者的结果。

·以输入数据的时序的一定程度以上的变化点、特征量的时序的一定程度以上的变化点分类后的分类结果

·根据特征量时序的数据种类判断结果

·分别来自第一u-AI实例、第二u-AI实例的学习结果(参数值、识别词典、预测词典)

·分别来自第一u-AI实例、第二u-AI实例的识别、预测、(状态)评价、控制推荐值等结果

·分别来自第一u-AI实例、第二u-AI实例的每个分类的精度比较评价结果

·分别来自第一u-AI实例、第二u-AI实例的(预测性能)评价、优惠券(加权系数、决定系数等)

单元实例对第一u-AI实例、第二u-AI实例各自的输出的进行比较，并作为评价结果的一部分输出。第一u-AI实例、第二u-AI实例通过u-AI间IF630相连。由于第一u-AI实例、第二u-AI实例在预测和控制中处理有所不同，因此有时使用u-AI间IF630进行相互比较、学习。特别是在需要高速实时处理的情况下，当经由单元、来自单元的DB来不及处理时使用基于u-AI间IF630的比较结果。

另外，在系统AP程序106e中，也可以根据设定，来设定成第一u-AI实例、第二u-AI实例中精度高的输出。

CPU102也可以使第一u-AI实例、第二u-AI实例多线程动作。或者，CPU102也可以由多核心CPU构成，各个CPU核心使各u-AI实例动作。像这样，状态预测系统100中使多个u-AI实例并行动作。更简单地，也可以在系统或应用中不设置单元，而是仅使多个u-AI在状态预测系统100中并行动作。

u-AI和单元通过将其他u-AI和单元的输出数据的一部分作为输入的一部分而受到影响。

对其他u-AI和单元的评价、预测、控制、控制设定进行机器学习，并更新评价、预测、控制的输出(包括生成组合了其他u-AI、单元的控制的控制等)。

u-AI和单元进行基于识别模型和预测模型的预测，提高预测和控制效果的精度。例如：

·基于识别模型的预测词典检索的目标接近控制功能和参数选择

·基于预测模型的分布变分的目标接近控制功能和参数选择

·通过基于两者的选择值的平衡和结果观测评价两个选择来更新检索和变分

u-AI和单元也可以通过与相同的状态预测系统、应用或者其他状态预测系统、应用的其他u-AI和单元交换令牌从来互相评价。

在现有技术中，在云系统设备上，INTELLIGENCE ENGINE(智能引擎)、MULTI-PLAYER PROCESSING ENGINE(多用户处理引擎)等进行各节点的数据的机器学习、AI处理，向节点发送对各节点的控制信息等处理结果。机器学习、AI处理被集中处理，各节点被集中控制，机器学习、AI处理所需的数据的收集、学习、识别、预测、评价、控制信息的生成被集中处理。因此，难以对每个节点进行多种数据收集、难以对每个节点进行不同的机器学习、AI处理。此外，因为节点间的协作处理需要通过AP程序进行，所以变更节点间的协作数据的结构等需要AP程序的规格变更，难以灵活地变更。

对此，根据本实施方式涉及的状态预测系统100，能够为每个具有数据处理的节点灵活地安装对数据的机器学习/AI处理。此外，通过各种设定改变处理的源数据的收集目标、数据种类、机器学习的特征量、识别函数、用于识别/预测的词典、输出数据的种类等来安装，能够同时并行动作。进而，能够经由输入输出数据实现与其他的节点的数据处理的协作。

图8是表示店铺业务系统300的订货业务处理的流程的流程图。

将店铺业务系统300的主业务中例如订货功能设定为执行对象，生成与订货功能对应的单元实例700(S201)。

启动每个订货业务处理的单元实例700(S202)。选择或设定基本功能设定项目。启动设定后的订货业务处理。启动单元类的子类的实例。选择或设定基本功能设定项目(第二层次业务名)。启动设定后的订货业务处理。

订货业务单元实例700输出订货关联数据(S203)。订货业务单元实例根据上述选择(设定)输出每个订货功能的默认内容的订货关联数据。

订货业务单元实例700从DB获取数据(S204)。订货业务单元实例从DB获取与想要最优化的限制条件相关联的数据。

订货业务单元实例700对想要最优化的限制条件进行学习、预测、评价，输出基于期望值、推荐值更新后的订货数据(S205)。例如执行订货数量、订货日期、购入价格、交货时间等预测处理(预测词典)和评价处理(评价词典)。

如果订货业务处理未完成(S206：否)，则返回步骤S204。如果订货业务处理完成(S206：是)，则处理结束。订货业务处理是否完成，通过个体目标值或期望值与预测值之间的差异在目标阈值内并且项目整体的差异的合计为最小等评价基准来判断。

在以往的店铺的订货业务中，基于同时期(年月日)的销售业绩和最近的销售情况、批发(采购)价格来决定订货(采购)数量，或者根据订货(采购)负责人的经验决定订货(采购)数量。因此，只有到临近期限才能够决定适当的订货数量，负责人导致的偏差大，消耗人力，存在例如销售利润计划、其他商品的订货、商品陈列、仓库管理与订货业务难以协作的问题。

通过将本实施方式涉及的状态预测系统应用于店铺业务系统300，除了订货(采购)业务的人力节省/自动化以外，还通过解决上述现有技术的问题来得到提高营业额/利润的效果。

<制造现场管理系统>

图9表示与节点对象“产品品质A值预测”对应的单元实例的结构例。单元实例710是在制造现场管理系统中应用了产品品质管理时，预测产品品质A值的处理中生成的单元实例。图10表示在应用了本实施方式涉及的状态预测系统100的制造现场管理系统的作业状态管理业务处理的流程。

作为制造管理系统所包含的作业状态管理业务处理流程之一，对产品品质进行预测。图9是在产品品质预测中生成的实例的例子。在作业状态管理业务处理流程中，首先，也生成单元类、u-AI类的实例，然后从DB获取数据，输出作业状态数据(参照图9)。

在作业状态管理业务处理流程中，首先，设定(选择)作业状态管理功能，生成单元实例710(S301)。由制造现场AP负责作业状态管理业务处理。制造现场管理处理为每个功能(作业状态偏差、产品状态偏差、作业进展、部件消耗、制造设备状态、工具状态等)生成单元类的实例。

启动每个作业状态管理功能处理的单元实例710，选择或设定基本功能设定项目(S302)。启动设定后的作业状态管理业务处理，启动单元类的子类的实例。选择或设定基本功能设定项目。

作业状态管理业务单元实例710根据上述选择(设定)输出每个作业管理功能的默认内容的作业状态管理关联数据(S303)。

作业状态管理业务单元实例710从DB获取与想要最优化的限制条件相关联的数据(S304)。

作业状态管理业务单元实例710对想要最优化的限制条件进行学习、预测、评价，并输出基于期望值、推荐值更新后的作业状态数据(S305)。在本步骤中，对例如作业状态偏差、产品状态偏差、作业进展、部件消耗、制造设备状态、工具状态等进行预测处理(预测词典)。或者，也可以进行评价处理(评价词典)。

如果作业状态管理业务处理未完成(S306：否)，则返回步骤S304。如果作业状态管理业务处理完成(S306：是)，则处理结束。作业状态管理业务处理是否完成，通过个体目标值或期望值与预测值之间的差异在目标阈值内并且项目整体的差异的合计为最小等评价基准来判断。

<设计业务系统>

接下来，对将状态预测系统应用于设计业务系统的例子进行说明。图11表示与节点对象“逻辑设计设备控制接口信号A时序预测”对应的单元实例的结构例。单元实例720是在设计业务系统中应用于设计业务所包含的制作设计规格书时，由预测设备控制接口信号A的时序的处理生成的单元实例。图12表示在应用了本实施方式涉及的状态预测系统100的设计业务系统的逻辑设计处理的流程。

在业务结构中，具有设计流程。在设计业务系统AP内，具有作为设计流程的实现方式的逻辑设计处理。在逻辑设计处理中，在构成作为对象的逻辑电路系统的逻辑电路设备内，市售部件、现有部件的接口信号时序的规格作为逻辑设计业务的限制条件，该接口信号的时序预先存储在DB等存储器。

在逻辑设计处理中，新建或变更设计对象的逻辑电路的逻辑设计规格书成为处理对象的对象。逻辑设计规格书中的变化数据成为节点对象。为每个节点对象生成单元类、u-AI类的实例，然后从DB获取数据，每个节点对象逻辑的处理结果反映在逻辑设计规格书的变化数据(逻辑设计规格书格式中的需要设定的数据)，从而制作逻辑设计规格书，作为处理结果输出。

用户通过系统AP的逻辑设计功能设定的初始设定等预先进行如下设定，设定信息存储在DB(S401)。

预先进行设定的有：作为成为逻辑设计业务的新建设计或变更设计对象的目标信号及其信号种类以及目标信号的变化数据(需要设定的数据)、目标信号、解释信号的初始设定值(例如与用户设定的基准时钟相同的时间宽度值)、以及作为目标值预先存储在DB的逻辑电路设备的接口信号的时序数据、逻辑电路处理时间、消耗电力等。

在目标信号与其变化数据中有如下内容。即，基准时钟信号时间宽度数据、表示逻辑设备控制接口电路信号、数据电路信号、重置电路信号等电路信号的时间宽度相对于基准时钟信号的时间宽度比例的时序数据、表示与基准时钟信号的相位时间的时序数据、相对于基准时钟信号的信号变化点的不到一个基准时钟信号宽度的时间差异数据、逻辑电路处理时间、消耗电力、用于解释目标信号变化的解释(候补)信号(目的信号是其他信号的解释(候补)信号)。

系统AP读取用户设定，使每一个用户设定的信号的变化数据与节点对象对应，生成并启动单元实例(S402)。

如果基于用户设定的目标信号的信号种类是逻辑设备控制接口电路信号，则生成与逻辑时序信号对应的单元实例。

在此，以与逻辑设备控制接口电路信号的时序数据对应生成的单元实例为例表示之后的处理动作的说明。

单元实例参照在生成时设定的用户系统设定信息，判断处理对应的数据为带有解释(候补)信号的逻辑时序信号的数据，生成并启动单回归系统模型对应的u-AI实例、多重回归模型对应的u-AI实例(S403)。

单元实例读取DB并设定处理对应的数据的初始值、目标值(S404)。

在此，最初设定的初始值是与用户设定的基准时钟时间宽度相同的数据，目标值是逻辑电路设备的接口信号的时序数据。

初始设定后，节点对象的单元实例与u-AI实例以如下方式进行学习。

从DB获取用于解释用户设定的目标信号变化的解释(候补)信号的数据(最初是初始设定的默认数据)作为解释变量(S405)。

将与要模型化的信号可能相关的信号的其时序的每个段落相对应的数据以及目标值作为训练数据，进行用于模型化的学习。

学习通过如下方式进行，进行作为模型的输出的预测数据与目标值比较评价，以差异最小的方式计算回归系统模型等系数参数。

各节点对象的单元实例向DB输出预测数据。此外，在学习中用于对预测模型所使用的解释信号的加权系数等作为优惠券输出。

再次从DB获取解释目标信号变化的解释信号的数据，与目标值进行比较评价，以差异最小的方式更新回归系统模型的系数参数，向DB输出预测数据。

每当解释信号的数据变更时，预测数据更新并输出至DB(S406)。

重复上述动作直至来自各节点对象的单元实例的预测数据的更新收敛，系统AP程序106e检测出来自各节点对象的单元实例的预测数据的更新收敛，将逻辑设计规格书的变化数据部分与各个预测数据替换，发行(发布)逻辑设计规格书(S407)。

根据逻辑设计规格的变化数据的种类，对应的单元实例、u-AI实例的输出除了预测数据之外，还可以是评价值数据、期望值数据、推荐值数据。

图13是表示状态预测系统的系统安装例的另一个例子的图。如图13所示，也可以使用专用硬件设备1100安装状态预测系统。

以往的机器学习/AI系统一次进行一个识别、预测，与此相对，根据本实施方式，能够同时进行多个识别、预测。

此外，以往的机器学习/AI进行识别、预测的处理负荷大，无法在边缘(并入、嵌入)对多个对象实时地产生结果。这是因为，识别模型精度高的情况下SVM、DNN的处理缓慢，生成模型精度高的情况下GMM、RNN的处理缓慢。进而，在以往的强化学习中，DQN需要进行非常多的重复学习，处理缓慢，即使仅处理一个对象也需要高性能的处理系统。此外，在GAN中，识别/生成都使用DNN，处理缓慢。因此，以往的机器学习/AI几乎都以批处理的方式执行，不能够实时处理。

对此，本发明的实施方式基于通过识别模型和生成模型的竞争来提高精度的方法，在识别模型中使用处理速度快、精度高的时序预测，生成模型通过近似分布、回归、隐马尔可夫模型使处理变快，实现边缘处理，因此能够实时动作。

使前所未有的机器学习/AI间的协作变成可能，使前所未有的新功能、控制的自我生成变成可能，从而示出了预测评价中已设定的控制导致的接近目标的极限，并且能够自动生成未设定的控制，输出用于接近目标的推荐。

进而，在作为AI处理而使用深度学习的机器学习中，存在中间层不可见而无法从外部确认内部的处理状态的问题，但通过具备每个节点的机器学习部的交互接口，能够从外部掌握处理状态并实施改进。

本发明不限于上述实施方式，在不脱离本发明思想范围内的变化方式都属于本发明的技术范围。例如，状态预测系统的应用例不限于上述例子。此外，应用了上述状态预测系统的各个系统使用预测值进行对象的控制，所以相当于具有状态预测系统的状态控制系统。

例如，也可以将状态预测系统应用在机械控制系统。在机械控制系统中，当进行机器人等的机器控制时，如图14所示，也可以构成与节点对象“机器控制电机A旋转角度预测”对应的单元实例730。

此外，也可以将状态预测系统应用在农业领域的农作物生产控制系统。在农作物生产控制系统中，当为了进行农作物的生产控制而对A地点的光量值进行控制时，如图15所示，也可以构成与节点对象“农作物生产控制预测”对应的单元实例740。

此外，也可以将状态预测系统应用在金融领域的投资系统。在投资系统中，如图16所示，也可以构成与节点对象“股价指数预测”对应的单元实例750。

此外，也可以将状态预测系统应用在运输领域的运输计划系统。在运输计划系统中，如图17所示，也可以构成与节点对象“移动时间预测”对应的单元实例760。

附图标记说明

100：状态预测系统；

102：CPU；

104：内存；

104b：单元实例；

104c：u-AI实例；

106：存储器；

106a：DB变化数据；

106b：对象文件；

106c：识别词典文件；

106d：预测词典文件；

106e：系统AP程序；

108：输入接口；

110：输出接口；

112：总线；

115：单元类程序；

120：u-AI类程序；

130A：第一单元实例；

130B：第二单元实例；

140A1：第一u-AI实例；

140A2：第二u-AI实例；

140B1：第一u-AI实例；

140B2：第二u-AI实例；

200：对象；

210A：第一节点对象；

210B：第二节点对象；

300：店铺业务系统；

301：行；

302：列；

310：对象；

311：订购单商品A类对象；

312：订购单商品B类对象；

330：记载栏；

340：单元实例；

360：用户信息系统；

600：单元功能处理部；

610：单元外部IF；

620：单元内部IF；

630：u-AI间IF；

640：第一u-AI；

650：第二u-AI；

700：单元实例；

710：单元实例；

720：单元实例；

730：单元实例；

740：单元实例；

750：单元实例；

760：单元实例；

1100：专用硬件设备；

3401：第一u-AI实例；

3402：第一u-AI实例。

Claims

1.一种状态预测系统，基于多个变化数据输出对象状态的预测值，其特征在于，具有：

多个嵌入式机器学习部，其对每个所述变化数据进行与该变化数据相应的处理，对该变化数据的预测值进行运算；以及

交互接口，其使所述多个嵌入式机器学习部相互协作，

多个所述嵌入式机器学习部进行并行处理，对多个变化数据的预测值进行运算并输出至所述交互接口，当从一个嵌入式机器学习部输出的预测值变化时，经由所述交互接口将所述变化后的预测值交给其他嵌入式机器学习部，获取了所述变化后的预测值的其他嵌入式机器学习部将所述变化后的预测值作为新的输入，对新的变化数据的预测值进行再运算并输出至所述交互接口。

2.根据权利要求1所述的状态预测系统，其特征在于，具有：

第一嵌入式机器学习部，其对一个变化数据进行识别类预测；第二嵌入式机器学习部，其进行生成模型类预测，所述状态预测系统基于所述第一嵌入式机器学习部和第二嵌入式机器学习部各自的输出来对所述识别类预测和所述生成模型类预测进行评价，使用评价高的系统执行控制。

3.根据权利要求1或2所述的状态预测系统，其特征在于，

还具有令牌接口，其评价与所述其他嵌入式机器学习部的关于预测精度的协作效果，作为与所述其他嵌入式机器学习部的协作效果。

4.根据权利要求1或2所述的状态预测系统，其特征在于，

还具有令牌接口，其评价对所述其他嵌入式机器学习部的控制的协作效果，作为与所述其他嵌入式机器学习部的协作效果。

5.根据权利要求1至4中任意一项所述的状态预测系统，其特征在于，

所述状态预测系统构成为使用多个节点，所述节点分别构成为使用所述嵌入式机器学习部，执行跨节点处理的系统状态最优控制。

6.根据权利要求1至5中任意一项所述的状态预测系统，其特征在于，

对不同的变化数据分别进行运算的多个嵌入式机器学习部构成为包含在一个单元。