CN117980928A - 预测数据显示装置、预测数据显示方法及预测数据显示程序 - Google Patents

Abstract

在使用机器学习模型来预测消耗品的劣化程度的情况下，更容易判断预测数据的正确与否。预测数据显示装置具有：预测部，向使用以表示第1期间中的消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的消耗品的劣化程度的第4特性数据的相关信息；显示部，在显示所述第4特性数据的图表时，按照与所述第1特性数据以及第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

Description

预测数据显示装置、预测数据显示方法及预测数据显示程序

技术领域

本发明涉及一种预测数据显示装置、预测数据显示方法及预测数据显示程序。

背景技术

已知使用机器学习模型对电池等消耗品的劣化程度进行预测的预测技术。根据该预测技术，例如，通过在一定期间取得表示劣化程度的特性数据，预先学习劣化前的特性数据与劣化后的特性数据的关系，能够根据预测对象的消耗品的劣化前的特性数据来预测预测对象的消耗品的劣化后的特性数据。

<现有技术文献>

<专利文献>

专利文献1:(日本)特表2010-539473号公报

专利文献2:(日本)特开2013-217897号公报

专利文献3:(日本)特开2019-113524号公报

发明内容

<本发明要解决的问题>

然而，使用机器学习模型进行预测的预测技术的情况为，用户难以判断预测数据的正确与否。

本发明使得在使用机器学习模型预测消耗品的劣化程度的情况下，容易判断预测数据的正确与否。

<用于解决问题的手段>

根据本发明的第1方式的预测数据显示装置，包括：

预测部，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示部，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

另外，本发明的第2方式基于第1方式所述的预测数据显示装置，其中，

所述显示部在显示所述第2特性数据的图表时，与所述第3特性数据的图表结合起来进行显示。

另外，本发明的第3方式基于第2方式所述的预测数据显示装置，其中，

所述第2特性数据的相关信息是，以表示所述第1期间结束时间的所述第1消耗品的劣化程度的特性数据作为基准的情况下的所述第2特性数据的衰减率。

另外，本发明的第4方式基于第3方式所述的预测数据显示装置，其中，

所述显示部显示通过将表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据乘以所述第2特性数据的衰减率而生成的所述第2特性数据的图表。

另外，本发明的第5方式基于第2方式所述的预测数据显示装置，其中，

所述第4特性数据的相关信息是，以表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据作为基准的情况下的所述第4特性数据的衰减率。

另外，本发明的第6方式基于第5方式所述的预测数据显示装置，其中，

所述显示部显示通过将表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据乘以所述第4特性数据的衰减率而生成的所述第4特性数据的图表。

另外，本发明的第7方式基于第2方式所述的预测数据显示装置，其中，

所述显示部以与所述类似度对应的显示色显示所述第2特性数据的图表。

另外，本发明的第8方式基于第1方式所述的预测数据显示装置，其中，

所述显示部在显示所述第4特性数据的图表时，一并显示由所述预测部计算出的置信区间的相关信息。

另外，本发明的第9方式基于第1方式所述的预测数据显示装置，其中，

所述显示部将表示所述第1消耗品的种类的信息以及表示所述第1消耗品的制造条件的信息，与对应的所述类似度一同作为文本表进行显示。

另外，本发明的第10方式基于第1方式所述的预测数据显示装置，其中，

所述显示部通过将由所述预测部计算出的置信区间的宽度与通过使用所述学习用数据对所述模型进行学习处理而计算出的置信区间的最小宽度以及最大宽度进行对比，来计算所述第4特性数据的正常度的级别，并进行显示。

另外，本发明的第11方式基于第1方式所述的预测数据显示装置，其中，

所述模型是高斯过程回归模型。

另外，本发明的第12方式基于第1方式所述的预测数据显示装置，其中，

所述第1以及第2消耗品是电池，所述第1以及第3特性数据的相关信息是通过进行电池的反复充放电的试验而测定出的特征量。

另外，本发明的第13方式基于第12方式所述的预测数据显示装置，其中，

所述第1以及第3特性数据是各周期中的放电容量维持率。

另外，根据本发明的第14方式的预测数据显示方法，其包括：

预测工序，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示工序，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

另外，根据本发明的第15方式的预测数据显示程序，其用于使计算机执行：

预测工序，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示工序，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

<发明的效果>

根据本发明，在使用机器学习模型来预测消耗品的劣化程度的情况下，更容易判断预测数据的正确与否。

附图说明

图1是表示学习阶段中的预测数据显示系统的系统结构以及学习装置的功能结构的一例的图。

图2是表示学习用数据生成装置的处理的具体例的图。

图3是表示预测阶段中的预测数据显示系统的系统结构以及预测数据显示装置的功能结构的一例的图。

图4是表示预测用数据生成装置的处理的具体例的图。

图5是表示学习装置以及预测数据显示装置的硬件结构的一例的图。

图6是表示预测数据显示装置的第1比例变换部的处理的具体例的图。

图7是表示预测数据显示装置的学习完毕高斯过程回归模型的处理的具体例的图。

图8是表示预测数据显示装置的第2比例变换部的处理的具体例的图。

图9是表示预测数据以及95％置信区间的图表化例的图。

图10是表示预测数据显示装置的显示画面生成部的处理的具体例的第1图。

图11是表示预测数据显示装置的显示画面生成部的处理的具体例的第2图。

图12是表示学习处理的流程的流程图。

图13是表示预测数据显示处理的流程的第1流程图。

图14是表示预测数据显示装置的显示画面生成部的处理的具体例的第3图。

图15是表示预测数据显示处理的流程的第2流程图。

图16是表示预测数据显示装置的显示画面生成部的处理的具体例的第4图。

具体实施方式

以下，参照附图对各实施方式进行说明。另外，在本说明书及附图中，对具有实质上相同的功能结构的结构要素，通过标注相同的符号，以省略重复的说明。

[第1实施方式]

<学习阶段中的预测数据显示系统的系统结构以及学习装置的功能结构>

首先，对学习阶段中的预测数据显示系统的系统结构以及构成该预测数据显示系统的学习装置的功能结构进行说明。

图1是表示学习阶段中的预测数据显示系统的系统结构以及学习装置的功能结构的一例的图。如图1所示，学习阶段中的预测数据显示系统100包括特性测定装置110、学习用数据生成装置120及学习装置130。

特性测定装置110，作为表示消耗品的劣化程度的特性数据的相关信息，测定特征量，并根据测定出的特征量来生成特性数据。消耗品是指经过反复使用会发生性能劣化的物品，例如包括电池等。另外，在消耗品是电池的情况下，表示劣化程度的特性数据，例如是指反复进行电池的充放电的试验的各周期中的放电容量维持率。另外，在特性数据是各周期的放电容量维持率的情况下，作为特性数据的相关信息的特征量是指在各周期中测定的电流数据、电压数据等。

另外，在此所说的电池包括各种类型，作为一例，可以举出锂离子二次电池。此外，从材料开发及电池设计的观点而言，锂离子二次电池包括在不同的制造条件下制造成的锂离子二次电池。更具体而言，包括对构成锂离子二次电池的正极材料、负极材料、电解质材料等构成部件进行各种对比变更而制造成的电池，或在电池组装完成后对活性化、老化等条件进行各种对比变更而制造成的电池。

另外，在特性测定装置110中，取得各种消耗品(第1消耗品的一个例子。例如，电池)的特性数据。图1的例子示出对种类互不相同的消耗品I、II、III、……分别测定特征量I、II、III、……，生成特性数据I、II、III、……的情况。

将生成的特性数据I、II、III、……与特征量I、II、III、……以及对应的消耗品的制造条件i、ii、iii、……一并输入到学习用数据生成装置120。

学习用数据生成装置120生成由学习装置130进行学习处理时使用的学习用数据121。如图1所示，学习用数据121中作为信息的项目包括“ID”、“参考数据”、“输入数据”、“正确数据”，并在各个信息的项目输入

·“ID”：各消耗品的种类，

·“参考数据”：各消耗品的制造条件，

·“输入数据”：从测定开始时到基准时为止测定的特征量，

·“正确数据”：以基准时的特性数据作为基准的、基准时以后的特性数据的衰减率。基准时是指，在特性测定装置110作为表示消耗品的劣化程度的特性数据的相关信息开始对特征量进行测定直到结束为止的期间中的、从测定开始时起的期间达到预定的期间(第1期间)的时间。另外，将开始对特征量进行测定直到结束为止的期间中的、从基准时到结束时间为止的期间称为第2期间。

但是，此处所说的期间并不限定于时间，还包括与时间为等同的概念。例如，在消耗品是电池的情况下，基准时是指从测定开始时起的周期数达到预定值的周期数。

由学习用数据生成装置120生成的学习用数据121被存放在学习装置130的学习用数据存放部133中。

学习装置130中安装有学习程序，通过执行该程序，学习装置130可作为高斯过程回归模型131、对比/变更部132发挥功能。

高斯过程回归模型131是非参数概率模型，是能够与预测数据(在本实施方式中，基准时以后的预测衰减率)一同输出预测数据的方差(在本实施方式中，95％置信区间的宽度)的模型。在本实施方式中，高斯过程回归模型131，根据学习用数据121的输入数据(从测定开始时到基准时为止测定的特征量)的输入，来输出输出数据(基准时以后的预测衰减率)。

对比/变更部132以使输出数据与学习用数据121的正确数据(以基准时的特性数据作为基准的、基准时以后的特性数据的衰减率)一致的方式，对高斯过程回归模型131的模型参数进行更新。

另外，更新后的模型参数被保持在学习完毕高斯过程回归模型332(详情后述)中，以供在预测阶段中使用。

<学习用数据生成装置的处理的具体例>

接着，对构成学习阶段中的预测数据显示系统100的学习用数据生成装置120的处理的具体例进行说明。图2是表示学习用数据生成装置的处理的具体例的图。

在图2中，符号210_1、210_2、210_3、……分别表示特性数据I、II、III、……的具体例。如图2所示，在特性数据I、II、III、……中，横轴表示时间t,纵轴表示时间t时的特性数据y(t)。

另外，在符号210_1中，y(t₀)_I表示消耗品I的测定开始时(时间＝t₀)的特性数据，y(t_B)_I表示消耗品I的基准时(时间＝t_B)的特性数据。进而，y(t_T)_I表示消耗品I的测定结束时(时间＝t_T)的特性数据。

另一方面，特征量1(t_X)、特征量2(t_X)、特征量3(t_X)、……表示在时间t_X(并且，t₀≤t_X≤t_T)时为了生成特性数据y(t_X)_I等所使用的各特征量。

根据图2的具体例，学习用数据生成装置120根据

·符号210_1、210_2、210_3、……所示的特性数据I、II、III、……，及

·特征量1(t_X)、特征量2(t_X)、特征量3(t_X)、……，生成学习用数据121’。

学习用数据121’是图1所示的学习用数据121的具体例，与“ID”＝I关联，分别输入

·“参考数据”：制造条件i

·“输入数据”：特征量1(t_X)_I、特征量2(t_X)_I、……特征量n(t_X)_I，

·“正确数据”：衰减率r(t_X)_I＝y(t_X)_I/y(t_B)_I。

同样，与“ID”＝II关联，分别输入

·“参考数据”＝制造条件ii

·“输入数据”：特征量1(t_X)_II、特征量2(t_X)_II、……特征量n(t_X)_II，

·“正确数据”：衰减率r(t_X)_II＝y(t_X)_II/y(t_B)_II。

同样，与“ID”＝III关联，分别输入

·“参考数据”＝制造条件iii

·“输入数据”：特征量1(t_X)_III、特征量2(t_X)_III、……特征量n(t_X)_III，·“正确数据”：衰减率r(t_X)_III＝y(t_X)_III/y(t_B)_III。

<预测阶段中的预测数据显示系统的系统结构以及预测数据显示装置的功能结构>

接着，关于预测阶段中的预测数据显示系统的系统结构以及构成该预测数据显示系统的预测数据显示装置的功能结构进行说明。

图3是表示预测阶段中的预测数据显示系统的系统结构以及预测数据显示装置的功能结构的一例的图。如图3所示，预测阶段中的预测数据显示系统300包括特性测定装置110、预测用数据生成装置320及预测数据显示装置330。

其中，就特性测定装置110已参照图1说明过，因此省略赘述。另外，在预测阶段，特性测定装置110作为预测对象的消耗品N(第2消耗品的一个例子。例如，在制造条件m下制造的电池)的特性数据N的相关信息，测定特征量N。此外，特性测定装置110根据测定出的特征量N，生成特性数据N。作为代表消耗品之一例在制造条件m下制造成的电池，更具体而言，可以举出与前文所述的生成学习用数据时使用的电池为同种类的，并在制造条件m下制造成的锂离子二次电池。

预测用数据生成装置320生成用于由预测数据显示装置330进行预测数据显示处理时使用的预测用数据321。如图3所示，预测用数据321作为信息的项目，包括“ID”、“参考数据”、“比例变换用数据”、“输入数据”、“显示用数据”，并在各个信息的项目输入

·“ID”：预测对象的消耗品的种类，

·“参考数据”：预测对象的消耗品的制造条件，

·“比例变换用数据”：基准时的特性数据，

·“输入数据”：从测定开始时到基准时为止测定的特征量，

·“显示用数据”：从测定开始到基准时为止的特性数据。

由预测用数据生成装置320生成的预测用数据321被通知给预测数据显示装置330。

预测数据显示装置330中安装有预测数据显示程序，通过执行该程序，预测数据显示装置330作为

·第1比例变换部331，

·学习完毕高斯过程回归模型332，

·第2比例变换部333，

·显示画面生成部334，发挥功能。

第1比例变换部331根据

·预测用数据321的“比例变换用数据”中包含的基准时的特性数据，

·学习用数据121的“正确数据”中包含的衰减率，计算出各消耗品(消耗品消耗品I、II、III、……)的基准时以后的特性数据(比例变换后的特性数据)。另外，第1比例变换部331根据由学习完毕高斯过程回归模型332通知的、关于各消耗品的类似度，来决定各消耗品的基准时以后的特性数据的显示方式。进而，第1比例变换部331将显示方式已定的各消耗品的基准时以后的特性数据，与类似度一并通知给显示画面生成部334。

学习完毕高斯过程回归模型332是预测部的一例，通过在学习阶段对高斯过程回归模型131进行学习处理来保持更新后的模型参数。

另外，在以上说明中，作为回归模型的一例举出了高斯过程回归模型，但本实施方式并不限定于此。例如，泊松过程回归模型等，只要是能够与预测数据一同输出预测数据的95％置信区间的模型，还可以使用其他回归模型。

学习完毕高斯过程回归模型332，当有预测用数据321的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量被输入时，执行

·对各消耗品，计算学习用数据121的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量的类似度，并通知给第1比例变换部331的处理，

·使用与计算出的各消耗品的类似度，计算预测对象的消耗品N的基准时以后的预测衰减率的同时，计算在计算出预测对象的消耗品N的基准时以后的预测衰减率时的95％置信区间，并通知给第2比例变换部333的处理。

第2比例变换部333根据

·预测用数据321的“比例变换用数据”中包含的基准时的特性数据，

·由学习完毕高斯过程回归模型332通知的基准时以后的预测衰减率，对预测对象的消耗品的基准时以后的特性数据(预测数据)进行预测。

另外，第2比例变换部333根据预测用数据321的“比例变换用数据”中包含的基准时的特性数据、由学习完毕高斯过程回归模型332通知的95％置信区间，计算换算成特性数据后的95％置信区间。

进而，第2比例变换部333将预测出的预测对象的消耗品的基准时以后的特性数据(预测数据)以及计算出的95％置信区间(特性数据换算)，通知给显示画面生成部334。

显示画面生成部334是显示部的一例，生成显示画面。由显示画面生成部334生成的显示画面中，至少包含

·预测用数据321的“显示用数据”中包含的、从测定开始时到基准时为止的特性数据，

·由第2比例变换部333通知的、消耗品N的基准时以后的预测数据，

·由第2比例变换部333通知的、消耗品N的95％置信区间(特性数据换算)，

·由第1比例变换部331通知的、各消耗品(消耗品I、II、III、……)的基准时以后的特性数据。

此时，在显示画面生成部334中，按照由第1比例变换部331决定的显示方式，显示由第1比例变换部331通知的、基准时以后的特性数据。

这样，在预测数据显示装置330中，针对预测对象的消耗品，当显示利用机器学习模型预测出的预测数据时，一并显示根据该机器学习模型的学习处理中使用的学习用数据所生成的特性数据。此时，在预测数据显示装置330中，按照与特征量的类似度对应的显示方式，显示根据学习用数据生成的特性数据。由此，用户可以将与预测对象的消耗品相关的预测数据，与根据类似度变更了显示方式的过往特性数据进行对比。其结果，用户将容易判断预测数据的正确与否。

<预测用数据生成装置的处理的具体例>

接着，关于构成预测阶段中的预测数据显示系统300的预测用数据生成装置320的处理的具体例进行说明。图4是表示预测用数据生成装置的处理的具体例的图。

在图4中，符号410表示特性数据N的具体例。如图4所示，在特性数据N中，横轴表示时间t,纵轴表示时间t时的预测对象的消耗品N的特性数据y(t)。

另外，在符号410中分别是，y(t₀)_N表示消耗品N的测定开始时(时间＝t₀)的特性数据，y(t_B)_N表示消耗品N的基准时(时间＝t_B)的特性数据。

另一方面，特征量1(t_X)、特征量2(t_X)、特征量3(t_X)、……表示在时间t_X(并且，t₀≤t_X≤t_B)生成特性数据y(t_X)_N时使用的各特征量。

根据图4的具体例，预测用数据生成装置320根据符号410所示的特性数据N与特征量1(t_X)、特征量2(t_X)、特征量3(t_X)、……生成预测用数据321’。

预测用数据321’是图3所示的预测用数据321的具体例，与“ID”＝N关联，分别输入

·“参考数据”：制造条件ε、

·比例变换用数据：特性数据y(t_B)_N、

·“输入数据”：特征量1(t_X)_N、特征量2(t_X)_N、……特征量n(t_X)_N、

·“显示用数据”：特性数据y(t_X)_N。

<学习装置以及预测数据显示装置的说明>

接着，关于构成学习阶段中的预测数据显示系统100的学习装置130以及构成预测阶段中的预测数据显示系统300的预测数据显示装置330进行详细说明。

(1)学习装置以及预测数据显示装置330的硬件结构

关于学习装置130以及预测数据显示装置330的硬件结构进行说明。图5是表示学习装置以及预测数据显示装置的硬件结构的一例的图。学习装置130与预测数据显示装置330具有相同的硬件结构，因此在此参照图5一并进行说明。

如图5所示，学习装置130以及预测数据显示装置330包括处理器501、存储器502、辅助存储装置503、I/F(Interface)装置504、通信装置505、驱动装置506。学习装置130以及预测数据显示装置330的各硬件通过总线507相互连接。

处理器501包括CPU(Central Processing Unit)、GPU(Graphics ProcessingUnit)等各种运算设备。处理器501将各种程序(例如，学习程序、预测数据显示程序等)读出到存储器502上并执行。

存储器502包括ROM(Read Only Memory)、RAM(Random Access Memory)等的主存储设备。处理器501与存储器502形成所谓的计算机，通过由处理器501执行被读出到存储器502上的各种程序，该计算机实现各种功能。

辅助存储装置503存储各种程序，以及由处理器501执行各种程序时使用的各种数据。例如，所述学习用数据存放部133在辅助存储装置503中实现。

I/F装置504是与作为外部装置的显示装置510以及操作装置520连接的连接设备。通信装置505是用于通过网络与外部装置(例如，学习用数据生成装置120、预测用数据生成装置320)进行通信的通信设备。

驱动装置506是用于设置记录介质530的设备。在此所说的记录介质530包括诸如CD-ROM、软盘、光磁盘等的以光学、电气或磁气方式记录信息的介质。另外，记录介质530也可以包括诸如ROM、闪存等的以电气方式记录信息的半导体存储器等。

另外，辅助存储装置503中安装的各种程序，例如，通过将发行的记录介质530设置在驱动装置506中，由驱动装置506读出该记录介质530中记录的各种程序来进行安装。或者，辅助存储装置503中安装的各种程序，也可以通过由通信装置505从网络下载来进行安装。

(2)预测数据显示装置的第1比例变换部的处理的具体例

接着，关于预测数据显示装置330的第1比例变换部331的处理的具体例进行说明。图6是表示预测数据显示装置的第1比例变换部的处理的具体例的图。

如图6所示，第1比例变换部331包括衰减率计算部601与显示方式变更部602。

衰减率计算部601，作为基准时的特性数据，通过取得特性数据y(t_B)_N，并与各消耗品(消耗品I、II、III、……)的基准时以后的衰减率相乘，来计算各消耗品的基准时以后的特性数据。图6的例子表示了作为消耗品I、II、III……的衰减率，通过分别与

·r(t_x)_I＝y(t_X)_I/y(t_B)_I(并且，t_B≤t_X≤t_T)，

·r(t_x)_II＝y(t_X)_II/y(t_B)_II(并且，t_B≤t_X≤t_T)，

·r(t_x)_III＝y(t_X)_III/y(t_B)_III(并且，t_B≤t_X≤t_T)，

……

相乘，以作为基准时以后的特性数据，分别算出

·消耗品I的基准时以后的特性数据{y(t_X)_I/y(t_B)_I}×y(t_B)_N(并且，t_B≤t_X≤t_T)，

·消耗品II的基准时以后的特性数据{y(t_X)_II/y(t_B)_II}×y(t_B)_N(并且，t_B≤t_X≤t_T)，

·消耗品III的基准时以后的特性数据{y(t_X)_III/y(t_B)_III}×y(t_B)_N(并且，t_B≤t_X≤t_T)，

……，的情况。

显示方式变更部602根据由学习完毕高斯过程回归模型332通知的、关于各消耗品(消耗品I、II、III、……)的类似度，来决定各消耗品的基准时以后的特性数据的显示方式。图6的例子表示了作为关于消耗品I、II、III、……的类似度，由学习完毕高斯过程回归模型332分别通知类似度I、类似度II、类似度III、……的情况。

另外，图6的例子表示了，在由学习完毕高斯过程回归模型332通知的、关于各消耗品的类似度为“1”的情况下，显示方式变更部602将对应的基准时以后的特性数据的图表的显示色决定为蓝色的情况。

另外，图6的例子表示了，在由学习完毕高斯过程回归模型332通知的、关于各消耗品的类似度为“0”的情况下，显示方式变更部602将对应的基准时以后的特性数据的图表的显示色决定为灰色的情况。

另外，在由学习完毕高斯过程回归模型332通知的、关于各消耗品的类似度大于“0”且小于“1”的情况下，在显示方式变更部602中，将对应的基准时以后的特性数据的图表的显示色决定为灰色～蓝色之间的中间色。

例如，在显示方式变更部602中，在类似度接近“0”的情况下，将对应的基准时以后的特性数据的图表的显示色决定为灰色～蓝色的渐变的各色中接近灰色的颜色。另外，在显示方式变更部602中，在类似度接近“1”的情况下，将对应的基准时以后的特性数据的图表的显示色决定为灰色～蓝色的渐变的各色中接近蓝色的颜色。

但是，显示方式变更部602对显示色的决定方法不限于此，例如，也可以在类似度小于规定的阈值的情况下决定为灰色，在类似度为规定的阈值以上的情况下决定为蓝色。

(3)预测数据显示装置的学习完毕高斯过程回归模型的处理的具体例

接着，对预测数据显示装置330的学习完毕高斯过程回归模型332的处理的具体例进行说明。图7是表示预测数据显示装置的学习完毕高斯过程回归模型的处理的具体例的图。

如图7所示，学习完毕高斯过程回归模型332包括类似度计算部701、置信区间计算部702、衰减率预测部703、模型参数保持部704。

在类似度计算部701中，输入预测用数据321的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量，以及学习用数据121的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量。

图7的例子表示了，作为预测用数据321的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量，输入

·特征量F_y(特征量1(t_X)_N、特征量2(t_X)_N、……特征量n(t_X)_N,并且t₀≤t_X≤t_B)的情况。并且，图7的例子表示了，作为学习用数据121的“输入数据”中包含的、从测定开始时到基准时为止测定的特征量，输入

·特征量F_y(特征量1(t_X)_I,特征量2(t_X)_I,……特征量n(t_X)_I,并且t₀≤t_X≤t_B)、

·特征量F_y(特征量1(t_X)_II,特征量2(t_X)_II,……特征量n(t_X)_II,并且t₀≤t_X≤t_B)、

·特征量F_y(特征量1(t_X)_III,特征量2(t_X)_III,……特征量n(t_X_III,并且t₀≤t_X≤t_B)

……的情况。

另外，类似度计算部701根据被输入的特征量F_x、特征量F_y，利用下式1计算出各消耗品(消耗品I、II、III、……)的类似度。

类似度＝exp(-γ||F_x-F_y||²) (式1)

其中，γ是在学习阶段中进行学习处理时计算出的、由模型参数保持部704保持的模型参数。

另外，类似度计算部701将计算出的关于各消耗品的类似度通知给第1比例变换部331。图7的例子表示了将类似度I作为关于消耗品I的类似度、将类似度II作为关于消耗品II的类似度、将类似度III作为关于消耗品III的类似度，分别通知给第1比例变换部331的情况。

置信区间计算部702使用由类似度计算部701计算出的、与各消耗品(消耗品I、II、III、……)的类似度，来计算关于衰减率预测部703计算出的预测衰减率的95％置信区间。图7表示了作为95％置信区间，计算出(Max_r’(t_X)_N、Min_r’(t_X)_N)的情况。

衰减率预测部703使用由类似度计算部701计算出的、与各消耗品(消耗品I、II、III、……)的类似度，来计算预测对象的消耗品N的基准时以后的预测衰减率。图7的例子表示了作为预测对象的消耗品N的基准时以后的预测衰减率，计算出预测衰减率r’(t_X)_N的情况。另外，衰减率预测部703例如通过计算下式2所示的内核，来计算预测衰减率r’(t_X)_N。

核心K(F_x，F_y)＝C_var×exp(-γ||F_x-F_y||²)+C_bias+α×δ_xy (式2)

其中，C_var、C_bias、α是在学习阶段中进行学习处理时计算出的、由模型参数保持部704保持的模型参数。

模型参数保持部704保持在学习阶段中进行学习处理时计算出的模型参数。图7的例子表示了模型参数保持部704作为模型参数至少保持C_var、γ、C_bias、α的情况。

另外，在类似度计算部701中，作为被输入的特征量F_x、特征量F_y，也可以对所输入的特征量进行变换而使用，例如，可以使用经过主成分分析、独立成分分析、核心PCA等的降维处理的值。

(4)预测数据显示装置的第2比例变换部的处理的具体例

接着，关于预测数据显示装置的第2比例变换部333的处理的具体例进行说明。图8是表示预测数据显示装置的预测数据显示装置的第2比例变换部的处理的具体例的图。

如图8所示，第2比例变换部333包括预测数据计算部801及置信区间计算部802。

预测数据计算部801，作为基准时的特性数据，取得特性数据y(t_B)_N，并通过与关于预测对象的消耗品N的相关预测衰减率相乘，来预测预测对象的消耗品N的基准时以后的预测数据。图8的例子表示了，作为关于预测对象的消耗品N的预测衰减率，通过与r’(t_X)_N相乘，作为基准时以后的预测数据，预测出

·预测数据y’(t_X)_N＝y(t_B)_N×r’(t_X)_N的情况。

置信区间计算部802，作为基准时的特性数据，取得特性数据y(t_B)_N，通过与关于预测衰减率的95％置信区间相乘，来计算换算成特性数据后的95％置信区间。图8的例子表示了，作为关于预测衰减率的95％置信区间，计算出

·通过与95％置信区间(Max_r’(t_X)_N,Min_r’(t_X)_N)相乘，作为换算成特性数据后的95％置信区间，

·95％置信区间(Max_r’(t_X)_N×y(t_B)_N,Min_r’(t_X_N×y(t_B)_N)的情况。

另外，作为对由预测数据计算部801预测出的预测数据、以及由置信区间计算部802计算出的95％置信区间(特性数据换算)进行图表化时的图表化方法，可以举出多种方法。

图9是表示预测数据以及95％置信区间的图表化的例子的图。另外，在图9的例子中，为了便于说明，还一并表示了作为显示用数据的特性数据y(t_X)_N(并且，t₀≤t_X≤t_B)(参照涂色后的图9中的红线)。

在图9中，图表910是作为基准时以后的预测数据仅对3个时间进行预测及标绘，并以虚线连接各标绘处而成的折线图表。

另外，在图9中，图表920是作为基准时以后的预测数据仅对3个时间进行预测，并与95％置信区间一并表示的箱须图(参照涂色后的图9中的绿色的箱须图)。

另外，在图9中，图表930是按每个时间对预测基准时以后的预测数据进行预测，并与95％置信区间一并表示的曲线图表(参照涂色后的图9中的绿虚线)。

另外，图表910～930是图表化的一例，也可以通过图表910～930以外的方法进行图表化。

(5)预测数据显示装置的显示画面生成部的处理的具体例

接着，关于预测数据显示装置330的显示画面生成部334的处理的具体例进行说明。图10是表示预测数据显示装置的显示画面生成部的处理的具体例的第1图。在图10中，符号1010_1、1010_2、1010_3、……表示以规定的显示色对第1比例变换部331通知的、

·消耗品I的基准时以后的特性数据{y(t_X)_I/y(t_B)_I}×y(t_B)_N(并且，t_B≤t_X≤t_T)、

·消耗品II的基准时以后的特性数据{y(t_X)_II/y(t_B)_II}×y(t_B)_N(并且，t_B≤t_X≤t_T)、

·消耗品III的基准时以后的特性数据{y(t_X)_III/y(t_B)_III}×y(t_B)_N(并且，t_B≤t_X≤t_T)、

……，进行图表化的结果。

另外，在图10中，符号920表示对预测对象的消耗品N的、

·基准时以后的预测数据y’(t_X)_N＝y(t_B)_N×r’(t_X)_N，

·换算成特性数据后的95％置信区间(Max_r’(t_X)_N×y(t_B)_N,Min_r’(t_X)_N×y(t_B)_N)，进行图表化的结果。

另外，如图10所示，显示画面生成部334包括文本数据生成部1001以及图表结合部1002。

文本数据生成部1001读出学习用数据存放部133中存放的学习用数据121的“ID”、“参考数据”。另外，文本数据生成部1001从第1比例变换部331取得关于各消耗品(消耗品I、II、III、……)的类似度(I、II、III、……)。

进而，文本数据生成部1001将读出的“ID”、“参考数据”与所取得的类似度关联起来生成文本表1021，并显示在显示画面1020上。

图表结合部1002从预测用数据321的“显示用数据”，取得关于预测对象的消耗品N的、从测定开始时到基准时为止的特性数据的图表。另外，图表结合部1002从第2比例变换部333，取得关于预测对象的消耗品N的预测数据的图表以及95％置信区间的图表(符号920)。另外，图表结合部1002从第1比例变换部331，取得各消耗品(消耗品I、II、III、……)的基准时以后的特性数据的图表(符号1010_1、1010_2、1010_3、……)。

另外，图表结合部1002通过对所取得的图表进行结合来生成结合图表1022，并显示在显示画面1020上。

另外，在结合图表1022中，红线是关于预测对象的消耗品N的、从测定开始时到基准时为止的特性数据的图表。另外，在结合图表1022中，绿色的箱须图是关于预测对象的消耗品N的预测数据以及95％置信区间的图表(符号920)。此外，在结合图表1022中，蓝色～灰色的线是各消耗品(消耗品I、II、III、……)的基准时之后的特性数据的图表(符号1010_1、1010_2、1010_3、……)。并且，涂色条1023表示各消耗品的基准时以后的特性数据的显示色以及与关于各消耗品的类似度的关系(各颜色参照涂色后的图10)。

如上所述，在本实施方式中，当显示预测数据的图表(绿色的箱须图)时，一并显示出根据高斯过程回归模型的学习处理中使用的学习用数据生成的关于各消耗品的特性数据的图表(蓝色～灰色)。此时，对于基准时以后的图表，进行与基准时的特性数据相应的比例变换之后进行显示。由此，用户能够对关于预测对象的消耗品的数据与根据类似度分色的过往特性数据进行对比。其结果，用户更容易判断预测数据的正确与否。

在图10的例子的情况下，由于预测数据的图表(绿色的箱须图)位于与关于各消耗品的特性数据的图表中的蓝色的特性数据的图表大致重复的范围内，因此，用户能够判断出预测数据正确。

另一方面，图11是表示预测数据显示装置的显示画面生成部的处理的具体例的第2图。在图11的显示画面1110的例子的情况下，关于预测对象的消耗品N的特征量与关于各消耗品(消耗品I、II、III、……)的特征量的类似度低。因此，在结合图表1122中，预测数据的图表(绿色的箱须图)位于灰色的特性数据的图表的范围内。其结果，用户能够判断出预测数据有错的可能性高。

这种预测数据的正确与否的判断，在以新的消耗品作为预测对象时尤为有效。

<预测数据显示系统中的处理的流程>

接着，对预测数据显示系统100、300中的处理的流程进行说明。

(1)学习阶段中的预测数据显示系统中的学习处理的流程

首先，说明学习阶段中的预测数据显示系统100中的学习处理的流程。图12是表示学习处理的流程的流程图。

在步骤S1201中，特性测定装置110取得关于各消耗品生成的特性数据。

在步骤S1202中，学习用数据生成装置120关于各消耗品，取得在生成从测定开始时到基准时为止的特性数据时所使用的特征量。

在步骤S1203中，学习用数据生成装置120关于各消耗品，计算关于基准时以后的特性数据的衰减率。

在步骤S1204中,学习用数据生成装置120生成学习用数据。

在步骤S1205中，学习装置130使用学习用数据对高斯过程回归模型进行学习处理。

在步骤S1206中，学习装置130将通过进行学习处理所生成的学习完毕高斯过程回归模型(的模型参数)，通知给预测数据显示装置330。

(2)预测阶段中的预测数据显示系统中的预测数据显示处理的流程

接着，对预测阶段中的预测数据显示系统300中的预测数据显示处理的流程进行说明。图13是表示预测数据显示处理的流程的第1流程图。

在步骤S1301中，预测用数据生成装置320取得由特性测定装置110关于预测对象的消耗品生成的、从测定开始时到基准时为止的特性数据。

在步骤S1302中，预测用数据生成装置320取得由特性测定装置110关于预测对象的消耗品生成从测定开始时到基准时为止的特性数据时所使用的特征量。

在步骤S1303中，预测用数据生成装置320生成预测用数据。

在步骤S1304中，预测数据显示装置330计算被作为学习用数据存放的各消耗品的特征量与被作为预测用数据存放的预测对象的消耗品的特征量的类似度。

在步骤S1305中，预测数据显示装置330对被作为学习用数据存放的各消耗品的基准时以后的特性数据进行比例变换。

在步骤S1306中，预测数据显示装置330根据对应的类似度，来决定比例变换后的各消耗品的基准时以后的特性数据的显示方式。

在步骤S1307中，预测数据显示装置330将预测对象的消耗品的从测定开始时到基准时为止的特征量，输入到学习完毕高斯过程回归模型中。

在步骤S1308中，预测数据显示装置330取得预测衰减率与95％置信区间。

在步骤S1309中，预测数据显示装置330对所取得的预测衰减率与95％置信区间进行比例变换，取得预测数据与95％置信区间(特性数据换算)。

在步骤S1310中，预测数据显示装置330生成由

·关于预测对象的消耗品的从测定开始时到基准时为止的特性数据的图表，

·基准时以后的预测数据以及95％置信区间(特性数据换算)的图表，

·根据类似度决定了显示色的基准时以后的各消耗品的特性数据的图表结合而成的结合图表。

在步骤S1311中，预测数据显示装置330生成将类似度与消耗品的种类以及制造条件关联起来的文本表。

在步骤S1312中，预测数据显示装置330生成并显示包含结合图表与文本表的显示画面。

<概括>

根据以上说明可知，第1实施方式的预测数据显示系统，

·生成以表示从测定开始时到基准时为止的各消耗品的劣化程度的第1特性数据的相关信息(特征量)作为输入数据、以表示基准时以后的各消耗品的劣化程度的第2特性数据的相关信息(衰减率)作为正确数据的学习用数据。

·使用所生成的学习用数据对高斯过程回归模型进行学习处理，生成学习完毕高斯过程回归模型。

·向学习完毕高斯过程回归模型中，输入表示从测定开始时到基准时为止的预测对象的消耗品的劣化程度的第3特性数据的相关信息(特征量)。由此，计算表示基准时以后的预测对象的消耗品的劣化程度的第4特性数据的相关信息(预测衰减率)。

·在显示表示基准时以后的预测对象的消耗品的劣化程度的第4特性数据时，按照与第1特性数据的相关信息(特征量)及第3特性数据的相关信息(特征量)的类似度相应的显示方式，一并显示第2特性数据。

由此，用户能够对关于预测对象的消耗品的预测数据与根据类似度变更了显示方式的过往特性数据进行对比。其结果，用户更容易判断预测数据的正确与否。

即，根据本实施方式，在使用机器学习模型预测了消耗品的劣化程度的情况下，更容易判断预测数据的正确与否。

[第2实施方式]

在以上的第1实施方式中，用户通过对关于预测对象的消耗品的预测数据与学习用数据中包含的各消耗品的特性数据进行图表化来对比，容易判断出预测数据的正确与否。与此相对，在第2实施方式中，使用95％置信区间对关于预测对象的消耗品的预测数据及学习用数据中包含的各消耗品的特性数据进行定量化来对比。以下，关于第2实施方式，以其与所述第1实施方式的不同点为中心进行说明。

<预测数据显示装置的显示画面生成部的处理的具体例>

首先，关于预测数据显示装置330的显示画面生成部的处理的具体例进行说明。图14是表示预测数据显示装置的显示画面生成部的处理的具体例的第3图。与参照图10所说明的具体例的不同点在于，图14的显示画面生成部1410的情况，具有级别计算部1411。

级别计算部1411从第2比例变换部333取得关于预测数据的95％置信区间(特性数据换算)，计算关于预测数据的95％置信区间的宽度(特性数据换算)。

另外，级别计算部1411从学习装置130取得在使用学习用数据121对高斯过程回归模型131进行学习处理时计算出的95％置信区间的最大宽度及最小宽度(特性数据换算)，以此作为最差值及最佳值。

此外，级别计算部1411对关于预测数据的95％置信区间的宽度(特性数据换算)与从学习装置130取得的最差值及最优值进行对比。由此，级别计算部1411计算关于预测数据的95％置信区间的宽度(特性数据换算)的正常度的级别。

在图14中，数据表1421是包含由级别计算部1411计算出的级别的表的一例。

在数据表1421中，“最佳值”是指从学习装置130取得的95％置信区间的最小宽度(特性数据换算)，图14的例子中是“0.016”。

另外，在数据表1421中，“最差值”是指从学习装置130取得的95％置信区间的最大宽度(特性数据换算)，图14的例子中是“0.298”。

另外，在数据表1421中，“预测值”是关于预测数据的95％置信区间的宽度(特性数据换算)，图14的例子中是“0.083”。

另外，在数据表1421中，“级别”是关于预测数据的95％置信区间的宽度(特性数据换算)的正常度的级别。在图14的例子中，正常度的级别为{(预测值(“0.083”-最佳值(“0.016”))/(最差值(“0.298”)-最佳值(“0.016”))}×100＝24。

<预测阶段中的预测数据显示系统中的预测数据显示处理的流程>

接着，关于预测阶段中的预测数据显示系统300中的预测数据显示处理的流程进行说明。图15是表示预测数据显示处理的流程的第2流程图。与参照图13说明的流程图的不同点在于步骤S1501、S1502～S1504。

在步骤S1501中，预测数据显示装置330取得在学习阶段中对高斯过程回归模型进行学习处理时计算出的95％置信区间的最大宽度及最小宽度(特性数据换算)，以此作为最差值及最佳值。

在步骤S1502,预测数据显示装置330对在步骤S1309中取得的95％置信区间(特性数据换算)与在步骤S1501中取得的最差值及最佳值进行对比。由此，预测数据显示装置330计算出关于预测数据的95％置信区间的宽度(特性数据换算)的正常度的级别。

在步骤S1503中，预测数据显示装置330生成将类似度与消耗品的种类及制造条件关联起来的文本表。另外，预测数据显示装置330生成包含计算出的级别的数据表。

在步骤S1504中，预测数据显示装置330生成并显示包含结合图表、文本表及数据表的显示画面。

<概括>

从以上说明可知，第2实施方式的预测数据显示系统，

·对预测关于预测对象的消耗品的预测数据时的95％置信区间的宽度与使用学习用数据进行学习处理时的95％置信区间的最大宽度及最小宽度进行对比，计算出预测预测数据时的95％置信区间的宽度的正常度的级别。

由此，根据第2实施方式，能够对计算出的预测数据的正常度的级别进行定量化。其结果，用户更容易判断预测数据的正确与否。

即，根据本实施方式，在使用机器学习模型来预测消耗品的劣化程度的情况下，更容易判断预测数据的正确与否。

[第3实施方式]

在以上的第2实施方式中，说明了在显示画面上显示结合图表、文本表及数据表的情况。与此相对，在第3实施方式中，将数据表内的数据作为箱须图显示于显示画面。以下，关于第3实施方式，以其与所述第2实施方式的不同点为中心进行说明。

<预测数据显示装置的显示画面生成部的处理的具体例>

首先，关于预测数据显示装置330的显示画面生成部的处理的具体例进行说明。图16是表示预测数据显示装置的显示画面生成部的处理的具体例的第4图。如图16所示，显示画面生成部1610具有级别计算部1411。

另外，在以上的第2实施方式中已参照图14对级别计算部1411的功能进行了说明，因此省略赘述。然而，图16所示的级别计算部1411的情况，预测对象的消耗品为多个(图16的例子中为5个)，从第2比例变换部333取得多个95％置信区间(特性数据换算)。另外，图16所示的级别计算部1411的情况，关于所取得的多个95％置信区间(特性数据换算)分别计算95％置信区间的宽度(特性数据换算)。

另外，图16所示的级别计算部1411的情况，关于计算出的多个95％置信区间的宽度(特性数据换算)，分别与最差值及最佳值进行对比，计算正常度的级别。

进而，图16所示的级别计算部1411的情况，根据计算出的各个级别、最差值及最佳值，生成箱须图，并显示在显示画面1620。

在显示画面1620中，箱须图1621表示根据关于预测对象的消耗品N₁进行预测数据的预测时的95％置信区间的宽度(特性数据换算)所计算出的级别。

同样，在显示画面1620中，箱须图1622～1625表示根据关于预测对象的消耗品N₂～预测对象的消耗品N₅进行预测数据的预测时的95％置信区间的宽度(特性数据换算)所计算出的级别。

如上所述，在预测关于多个预测对象的消耗品的预测数据的情况下，通过在1个画面上显示表示级别的箱须图，用户能够容易地判断出关于多个预测对象的消耗品进行预测的预测数据的正确与否。

<概括>

从以上说明可知，第3实施方式的预测数据显示系统，

·对关于多个预测对象的消耗品进行预测数据的预测时的95％置信区间的宽度与使用学习用数据进行学习处理时的95％置信区间的最大宽度及最小宽度进行对比。由此，分别计算预测多个预测数据时的95％置信区间的宽度的正常度的级别。

·将计算出的多个级别作为箱须图排列显示在1个画面。

由此，根据第3实施方式，用户能够视觉辨认所计算出的多个预测数据的正常度的级别的一览，从而能够容易地判断多个预测数据的正确与否。

即，根据本实施方式，在使用机器学习模型来预测多个消耗品的劣化程度的情况下，更容易判断多个预测数据的正确与否。

[其他实施方式]

在以上的各实施方式中，说明了学习装置与预测装置为分体结构的装置。但是，学习装置与预测装置也可以由一体装置构成。另外，在以上的各实施方式中，说明了学习用数据生成装置与学习装置为分体结构。但是，学习用数据生成装置与学习装置也可以由一体装置构成。同样，在以上的各实施方式中，说明了预测用数据生成装置与预测数据显示装置为分体结构。但是，预测用数据生成装置与预测数据显示装置也可以由一体装置构成。

另外，在以上的各实施方式中，说明了类似度计算部作为学习完毕高斯过程回归模型的一部分发挥功能，但也可以作为与学习完毕高斯过程回归模型不同的功能部来实现。另外，由类似度计算部进行的类似度的计算方法是任意的，若是在特征量的差分值小的情况下类似度变高的函数，则能够使用任意的函数进行计算。

另外，在以上的各实施方式中，作为表示消耗品的劣化程度的特性数据，例示了电池的放电容量维持率，但表示消耗品的劣化程度的特性数据也可以是电池的放电容量维持率以外的其他特性数据。

另外，在所述各实施方式中，作为消耗品例示了电池，但消耗品也可以是电池以外的物品。

另外，在以上的各实施方式中，作为衰减率，计算了r_X＝y(t_X)/y(t_B)，但衰减率的计算方法不限于此。例如，也可以使用根据下式3对r_X进行变换而得到的衰减率。

变换后的衰减率＝log(r_X/(1-r_X)) (式3)

在将所述变换后的衰减率作为正确数据对高斯过程回归模型进行了学习处理的情况下，对于从学习完毕的高斯过程回归模型输出的变换后的衰减率，能够根据下式4计算变换前的衰减率。

衰减率r_X＝1/(1+e^-η) (式4)

在此情况下，计算出的衰减率为0＜r_X＜1。

另外，在以上的各实施方式中，并未提及关于预测对象的消耗品的预测数据的利用场景，例如，也可以将关于预测对象的消耗品的预测数据反映在预测对象的消耗品的制造条件中。具体而言，在预测对象的消耗品是电池(例如，锂离子二次电池等)的情况下，也可以根据预测数据来决定电池组装完成后的活性化、老化等的条件。

另外，以上实施方式中举出的结构等，以及与其他要素的组合等，本发明并不限定于在此示出的结构。关于这一点，可以在不脱离本发明的主旨的范围内进行变更，可以根据其应用方式适当决定。

本申请根据2021年9月15日提交的日本国专利申请第2021-150217号主张优先权，并以参照的方式将该日本国专利申请的全部内容引用于本申请中。

符号说明

100 预测数据显示系统

110 特性测定装置

120 学习用数据生成装置

121 学习用数据

130 学习装置

131 高斯过程回归模型

300 预测数据显示系统

320 预测用数据生成装置

321 预测用数据

330 预测数据显示装置

331 第1比例变换部

332 学习完毕高斯过程回归模型

333 第2比例变换部

334 显示画面生成部

601 衰减率计算部

602 显示方式变更部

701 类似度计算部

702 置信区间计算部

703 衰减率预测部

704 模型参数保持部

801 预测数据计算部

802 置信区间计算部

1001 文本数据生成部

1002 图表结合部

1020 显示画面

1021 文本表

1022 结合图表

1110 显示画面

1410 显示画面生成部

1411 级别计算部

1420 显示画面

1421 数据表

1610 显示画面生成部

1620 显示画面

Claims (15)

1.一种预测数据显示装置，其包括：

预测部，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示部，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

2.根据权利要求1所述的预测数据显示装置，其中，

所述显示部在显示所述第2特性数据的图表时，与所述第3特性数据的图表结合起来进行显示。

3.根据权利要求2所述的预测数据显示装置，其中，

所述第2特性数据的相关信息是，以表示所述第1期间结束时间的所述第1消耗品的劣化程度的特性数据作为基准的情况下的所述第2特性数据的衰减率。

4.根据权利要求3所述的预测数据显示装置，其中，

所述显示部显示通过将表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据乘以所述第2特性数据的衰减率而生成的所述第2特性数据的图表。

5.根据权利要求2所述的预测数据显示装置，其中，

所述第4特性数据的相关信息是，以表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据作为基准的情况下的所述第4特性数据的衰减率。

6.根据权利要求5所述的预测数据显示装置，其中，

所述显示部显示通过将表示所述第1期间结束时间的所述预测对象的第2消耗品的劣化程度的特性数据乘以所述第4特性数据的衰减率而生成的所述第4特性数据的图表。

7.根据权利要求2所述的预测数据显示装置，其中，

所述显示部以与所述类似度对应的显示色显示所述第2特性数据的图表。

8.根据权利要求1所述的预测数据显示装置，其中，

所述显示部在显示所述第4特性数据的图表时，一并显示由所述预测部计算出的置信区间的相关信息。

9.根据权利要求1所述的预测数据显示装置，其中，

所述显示部将表示所述第1消耗品的种类的信息以及表示所述第1消耗品的制造条件的信息，与对应的所述类似度一同作为文本表进行显示。

10.根据权利要求1所述的预测数据显示装置，其中，

所述显示部通过将由所述预测部计算出的置信区间的宽度与通过使用所述学习用数据对所述模型进行学习处理而计算出的置信区间的最小宽度以及最大宽度进行对比，来计算所述第4特性数据的正常度的级别，并进行显示。

11.根据权利要求1所述的预测数据显示装置，其中，

所述模型是高斯过程回归模型。

12.根据权利要求1所述的预测数据显示装置，其中，

所述第1消耗品以及所述第2消耗品是电池，所述第1特性数据以及所述第3特性数据的相关信息是通过进行电池的反复充放电的试验而测定出的特征量。

13.根据权利要求12所述的预测数据显示装置，其中，

所述第1特性数据以及所述第3特性数据是各周期中的放电容量维持率。

14.一种预测数据显示方法，其包括：

预测工序，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示工序，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。

15.一种预测数据显示程序，用于使计算机执行以下工序：

预测工序，向使用以表示第1期间中的第1消耗品的劣化程度的第1特性数据的相关信息作为输入数据、以表示第1期间之后的第2期间中的所述第1消耗品的劣化程度的第2特性数据的相关信息作为正确数据的学习用数据进行学习处理而得到的学习完毕模型，输入表示所述第1期间中的预测对象的第2消耗品的劣化程度的第3特性数据的相关信息，计算出表示所述第2期间中的预测对象的第2消耗品的劣化程度的第4特性数据的相关信息；及

显示工序，在显示所述第4特性数据的图表时，按照与所述第1特性数据的相关信息和所述第3特性数据的相关信息的类似度相应的显示方式，一并显示所述第2特性数据的图表。