DE112019007601T5 - Lernvorrichtung, lernverfahren, lerndatenerzeugungsvorrichtung, lerndatenerzeugungsverfahren, inferenzvorrichtung und inferenzverfahren - Google Patents

Lernvorrichtung, lernverfahren, lerndatenerzeugungsvorrichtung, lerndatenerzeugungsverfahren, inferenzvorrichtung und inferenzverfahren Download PDF

Info

Publication number
DE112019007601T5
DE112019007601T5 DE112019007601.9T DE112019007601T DE112019007601T5 DE 112019007601 T5 DE112019007601 T5 DE 112019007601T5 DE 112019007601 T DE112019007601 T DE 112019007601T DE 112019007601 T5 DE112019007601 T5 DE 112019007601T5
Authority
DE
Germany
Prior art keywords
time
inference
information
learning
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112019007601.9T
Other languages
English (en)
Inventor
Genta YOSHIMURA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of DE112019007601T5 publication Critical patent/DE112019007601T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • G06N5/048Fuzzy inferencing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Eine Lernvorrichtung (100, 100a, 100b) weist auf: eine Lerndaten-Abrufeinheit (109) zum Abrufen einer Mehrzahl von Lerndateneinheiten, wobei eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder auf einer von einer Mehrzahl davon, einer zweiten Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis von Beobachtungswerten nach einem Ablauf der Voraussagezeitspanne; und eine Lerneinheit (110), um ein Lernen unter Verwendung der Mehrzahl der Lerndateneinheiten, die von der Lerndaten-Abrufeinheit (109) abgerufen worden sind, unter Verwendung einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten wird, als Erklärungsvariable und unter Verwendung der dritten Information als Reaktionsvariable durchzuführen und ein Lernmodell zu erzeugen, das in der Lage ist, einen Inferenz-Beobachtungswert nach Ablauf einer gewählten Voraussagezeitspanne zu erzeugen.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Erfindung betrifft eine Lernvorrichtung, ein Lernverfahren, eine Lerndatenerzeugungsvorrichtung, ein Lerndatenerzeugungsverfahren, eine Inferenzvorrichtung und ein Inferenzverfahren.
  • STAND DER TECHNIK
  • Ein Beobachtungswert zu irgendeinem künftigen Zeitpunkt nach einem aktuellen Datum und einer aktuellen Zeit wird auf Basis von Zeitreihendaten inferiert, die Beobachtungswerte in einer Zeitreihe einschließen.
  • Zum Beispiel wird für die Inferenz des Beobachtungswerts auf Basis von Zeitreihendaten ein Modell verwendet, wie etwa ein Zeitreihenmodell, beispielsweise ein AR-Modell (autoregressives Modell), ein MA-Modell (MA: gleitender Durchschnitt), ein ARMA-Modell (ARMA: autoregressiver gleitender Durchschnitt), ein ARIMA-Modell (ARIMA: autoregressiver, integrierter gleitender Durchschnitt) oder ein SARIMA-Modell (SARIMA: saisonaler ARIMA), ein Zustandsraummodell, beispielsweise ein dynamisches lineares Modell, ein Kalman-Filter oder ein Teilchenfilter, oder ein RNN-Modell (RNN: rekurrentes neuronales Netz), wie zum Beispiel ein LSTM (LSTM: Long Short-term Memory) oder eine GRU (GRU: Gated Recurrent Unit). Diese Modelle inferieren einen Beobachtungswert zu irgendeinem Zeitpunkt in der Zukunft durch mehrmaliges Wiederholen einer Inferenz eines künftigen Beobachtungswerts für einen vorgegebenen Zeitraum, einer Inferenz eines künftigen potentiellen Zustands für einen vorgegebenen Zeitraum oder dergleichen.
  • Außerdem offenbart Patentdokument 1 beispielsweise ein Verfahren zum Inferieren eines Beobachtungswerts zu irgendeinem Zeitpunkt in der Zukunft durch Wiederholen einer Inferenz eines Beobachtungswerts nach Ablauf eines vorgegebenen Zeitraums gemäß einer Rekursionsformel.
  • LISTE DER ENTGEGENHALTUNGEN
  • PATENTLITERATUR
  • Patentliteratur 1: Japanische veröffentlichte Patentanmeldung Nr. 06-035895
  • ABRISS DER ERFINDUNG
  • TECHNISCHES PROBLEM
  • Jedoch ist ein herkömmliches Verfahren zum Inferieren eines Beobachtungswerts zu irgendeinem Zeitpunkt in der Zukunft auf Basis von Zeitreihendaten ein Verfahren, in dem eine Inferenz eines künftigen Beobachtungswerts und dergleichen mehrmals für einen vorgegebenen Zeitraum durchgeführt wird. Daher hat das herkömmliche Verfahren ein Problem dahingehend, dass Inferenzfehler, die für jede Inferenz des künftigen Beobachtungswerts für einen vorgegebenen Zeitraum erzeugt werden, akkumuliert werden und somit eine Inferenzgenauigkeit des Beobachtungswerts zu einem weit in der Zukunft liegenden Zeitpunkt schlechter wird.
  • Die vorliegende Erfindung soll die oben beschriebenen Probleme lösen, und ein Ziel davon ist die Bereitstellung einer Lernvorrichtung, die eine Inferenz eines Beobachtungswerts mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts ermöglicht.
  • LÖSUNG DES PROBLEMS
  • Eine Lernvorrichtung gemäß der vorliegenden Erfindung schließt ein: eine Lerndaten-Abrufeinheit zum Abrufen einer Mehrzahl von Lerndateneinheiten, wobei eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis von einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe enthält, oder von einer von einer Mehrzahl davon, einer zweiten Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis der Beobachtungswerte nach Ablauf der Voraussagezeitspanne; und eine Lerneinheit, um ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Abrufeinheit abgerufen werden, mit einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten wird, als Erklärungsvariable und der dritten Information als Reaktionsvariable durchzuführen und ein Lernmodell zu erzeugen, das in der Lage ist, einen Inferenz-Beobachtungswert nach Ablauf der benannten bzw. gewählten Voraussagezeitspanne zu erzeugen.
  • VORTEILHAFTE WIRKUNGEN DER ERFINDUNG
  • Gemäß der vorliegenden Erfindung ist es möglich, eine Inferenz eines Beobachtungswerts mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts zu ermöglichen.
  • Figurenliste
    • 1 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils eines Inferenzsystems gemäß einer ersten Ausführungsform darstellt.
    • 2 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Lernvorrichtung gemäß der ersten Ausführungsform zeigt.
    • 3A und 3B sind Skizzen, die ein Beispiel für eine Hardware-Konfiguration eines Hauptteils der Lernvorrichtung gemäß der ersten Ausführungsform zeigen.
    • 4 ist eine Skizze, die ein Beispiel für originale Zeitreihendaten, eine Voraussagezeitspanne, eine erste Information, eine zweite Information, eine dritte Information und Lerndaten gemäß der ersten Ausführungsform darstellt.
    • 5 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Lerndaten-Erzeugungseinheit gemäß der ersten Ausführungsform darstellt.
    • 6 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lerndaten-Erzeugungseinheit gemäß der ersten Ausführungsform darstellt.
    • 7 ist eine Skizze, die ein anderes Beispiel für originale Zeitreihendaten, eine Voraussagezeitspanne, eine erste Information, eine zweite Information, eine dritte Information und Lerndaten gemäß der ersten Ausführungsform darstellt.
    • 8 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung gemäß der ersten Ausführungsform darstellt.
    • 9 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Inferenzvorrichtung gemäß der ersten Ausführungsform zeigt.
    • 10A ist eine Skizze, die ein Beispiel für Inferenz-Zeitreihendaten, eine gewählte Voraussagezeitspanne, eine vierte Information, eine fünfte Information und eine Erklärungsvariable gemäß der ersten Ausführungsform darstellt.
    • 10B ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung angezeigt wird, wenn eine Ergebnisausgabeeinheit gemäß der ersten Ausführungsform Inferenz-Beobachtungswerte, die von einer Ergebnis-Abrufeinheit abgerufen worden sind, über eine Anzeigesteuereinheit ausgibt.
    • 11 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung gemäß der ersten Ausführungsform darstellt.
    • 12 ist ein Blockschema, das ein Beispiel für einen Hauptteil eines Inferenzsystems gemäß einer zweiten Ausführungsform darstellt.
    • 13 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Lernvorrichtung gemäß der zweiten Ausführungsform zeigt.
    • 14 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung gemäß der zweiten Ausführungsform darstellt.
    • 15 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Inferenzvorrichtung gemäß der zweiten Ausführungsform zeigt.
    • 16 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung angezeigt wird, wenn eine Ergebnisausgabeeinheit gemäß der zweiten Ausführungsform Inferenz-Beobachtungswerte und eine Quantilpunktinformation, die von einer Ergebnis-Abrufeinheit abgerufen worden sind, über eine Anzeigesteuereinheit ausgibt.
    • 17 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung gemäß der zweiten Ausführungsform darstellt.
    • 18 ist ein Blockschema, das ein Beispiel für einen Hauptteil eines Inferenzsystems gemäß einer dritten Ausführungsform darstellt.
    • 19 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Lernvorrichtung gemäß der dritten Ausführungsform zeigt.
    • 20 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung gemäß der dritten Ausführungsform erläutert.
    • 21 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Inferenzvorrichtung gemäß der dritten Ausführungsform zeigt.
    • 22 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung angezeigt wird, wenn eine Ergebnisausgabeeinheit gemäß der dritten Ausführungsform Inferenz-Beobachtungswerte und eine Verteilungsinformation, die von einer Ergebnis-Abrufeinheit abgerufen worden sind, über eine Anzeigesteuereinheit ausgibt.
    • 23 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung gemäß der dritten Ausführungsform darstellt.
    • 24 ist ein Blockschema, das ein Beispiel für einen Hauptteil eines Inferenzsystems gemäß einer vierten Ausführungsform darstellt.
    • 25 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils einer Inferenzvorrichtung gemäß der vierten Ausführungsform zeigt.
    • 26 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung angezeigt wird, wenn eine Ergebnisausgabeeinheit gemäß der vierten Ausführungsform einen oder mehrere Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, die von einer Ergebnis-Abrufeinheit abgerufen werden, über eine Anzeigesteuereinheit ausgibt.
    • 27 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung gemäß der vierten Ausführungsform darstellt.
    • 28 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung angezeigt wird, wenn die Ergebnisausgabeeinheit gemäß der vierten Ausführungsform jeweilige Quantilpunkte eines oder mehrerer Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, die von der Ergebnis-Abrufeinheit abgerufen werden, über eine Anzeigesteuereinheit ausgibt.
    • 29 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf der Anzeigevorrichtung angezeigt wird, wenn die Ergebnisausgabeeinheit gemäß der vierten Ausführungsform eine vorausgesagte Verteilung von einem oder mehreren Inferenz-Beobachtungswerten innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, die von der Ergebnis-Abrufeinheit abgerufen werden, über die Anzeigesteuereinheit ausgibt.
  • BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
  • Nachfolgend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.
  • Erste Ausführungsform.
  • Ein Inferenzsystem 1 gemäß einer ersten Ausführungsform wird nun unter Bezugnahme auf 1 bis 11 beschrieben.
  • 1 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils des Inferenzsystems 1 gemäß der ersten Ausführungsform darstellt.
  • Das Inferenzsystem 1 gemäß der ersten Ausführungsform weist eine Lernvorrichtung 100, eine Inferenzvorrichtung 200, eine Speichervorrichtung 10, Anzeigevorrichtungen 11 und 12 und Eingabevorrichtungen 13 und 14 auf.
  • Die Speichervorrichtung 10 ist eine Vorrichtung zum Speichern von Informationen, die für das Inferenzsystem 1 notwendig sind, wie etwa Zeitreihendaten.
  • Die Speichervorrichtung 10 weist ein Speichermedium, wie etwa ein Halbleiterlaufwerk bzw. Solid State Drive (SSD) oder ein Festplattenlaufwerk (HDD), zum Speichern von Informationen auf.
  • Die Speichervorrichtung 10 empfängt eine Leseanfrage von der Lernvorrichtung 100 oder der Inferenzvorrichtung 200, liest Informationen wie etwa Zeitreihendaten, aus dem Speichermedium aus und gibt die gelesenen Informationen an die Lernvorrichtung 100 oder die Inferenzvorrichtung 200, von der die Leseanfrage stammt, aus.
  • Außerdem empfängt die Speichervorrichtung 10 eine Schreibanfrage von der Lernvorrichtung 100 oder der Inferenzvorrichtung 200 und speichert Informationen, die von der Lernvorrichtung 100 oder der Inferenzvorrichtung 200 ausgegeben werden, in einem Speichermedium.
  • Die Anzeigevorrichtungen 11 und 12 sind Vorrichtungen zum Anzeigen eines Bildes, wie etwa einer Anzeige.
  • Die Anzeigevorrichtung 11 empfängt ein Bildsignal, das von der Lernvorrichtung 100 ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Anzeigevorrichtung 12 empfängt ein Bildsignal, das von der Inferenzvorrichtung 200 ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Eingabevorrichtungen 13 und 14 sind Vorrichtungen, mit denen ein Anwender eine Bedienungseingabe durchführen kann, wie etwa eine Tastatur oder eine Maus.
  • Die Eingabevorrichtung 13 empfängt eine Bedienungseingabe von dem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Lernvorrichtung 100 aus.
  • Die Eingabevorrichtung 14 empfängt eine Bedienungseingabe von dem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Inferenzvorrichtung 200 aus.
  • Die Lernvorrichtung 100 ist eine Vorrichtung, die ein Lernmodell durch Durchführen von maschinellem Lernen auf Basis von Zeitreihendaten erzeugt und das erzeugte Lernmodell als Modellinformation ausgibt.
  • Die Inferenzvorrichtung 200 ist eine Vorrichtung, die eine Erklärungsvariable in ein Lernmodell eingibt, das einem Lernergebnis des maschinellen Lernens entspricht, einen Beobachtungswert, der von dem gelernten Modell ausgegeben wird, als Inferenzergebnis abruft und den abgerufenen Beobachtungswert ausgibt. In der folgenden Beschreibung wird ein Beobachtungswert, der von dem gelernten Modell als Inferenzergebnis ausgegeben wird, als Inferenz-Beobachtungswert bezeichnet.
  • Die Lernvorrichtung 100 gemäß der ersten Ausführungsform wird unter Bezugnahme auf 2 bis 8 beschrieben.
  • 2 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Lernvorrichtung 100 gemäß der ersten Ausführungsform zeigt.
  • Die Lernvorrichtung 100 weist eine Anzeigesteuereinheit 101, eine Bedienungsempfangseinheit 102, eine Einheit 103 zum Abrufen von originalen Zeitreihendaten, eine Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, eine Zeitreihendaten-Segmentierungseinheit 105, eine Voraussagezeitspannen-Bestimmungseinheit 106, eine Beobachtungswert-Abrufeinheit 107, eine Lerndaten-Erzeugungseinheit 108, eine Lerndaten-Abrufeinheit 109, eine Lerneinheit 110 und eine Modellausgabeeinheit 111 auf.
  • Eine Hardware-Konfiguration eines Hauptteils der Lernvorrichtung 100 gemäß der ersten Ausführungsform wird nun unter Bezugnahme auf 3A und 3B beschrieben.
  • 3A und 3B sind Skizzen, die ein Beispiel für eine Hardware-Konfiguration des Hauptteils der Lernvorrichtung 100 gemäß der ersten Ausführungsform zeigen.
  • Wie in 3A dargestellt ist, wird die Lernvorrichtung 100 von einem Computer konfiguriert, und der Computer weist einen Prozessor 301 und einen Speicher 302 auf. Der Speicher 302 speichert Programme, um den Computer zu veranlassen, als die Anzeigesteuereinheit 101, die Bedienungsempfangseinheit 102, die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106, die Beobachtungswert-Abrufeinheit 107, die Lerndaten-Erzeugungseinheit 108, die Lerndaten-Abrufeinheit 109, die Lerneinheit 110 und die Modellausgabeeinheit 111 zu fungieren. Der Prozessor 301 liest und führt die in dem Speicher 302 gespeicherten Programme aus, wodurch er die Anzeigesteuereinheit 101, die Bedienungsempfangseinheit 102, die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106, die Beobachtungswert-Abrufeinheit 107, die Lerndaten-Erzeugungseinheit 108, die Lerndaten-Abrufeinheit 109, die Lerneinheit 110 und die Modellausgabeeinheit 111 implementiert.
  • Wie in 3B dargestellt ist, kann die Lernvorrichtung 100 auch von einer Verarbeitungsschaltung 303 gebildet werden. In diesem Fall können die Funktionen der Anzeigesteuereinheit 101, der Bedienungsempfangseinheit 102, der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107, der Lerndaten-Erzeugungseinheit 108, der Lerndaten-Abrufeinheit 109, der Lerneinheit 110 und der Modellausgabeeinheit 111 von der Verarbeitungsschaltung 303 implementiert werden.
  • Ferner kann die Lernvorrichtung 100 einen Prozessor 301, einen Speicher 302 und eine Verarbeitungsschaltung 303 aufweisen (nicht dargestellt). In diesem Fall können manche von den Funktionen der Anzeigesteuereinheit 101, der Bedienungsempfangseinheit 102, der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107, der Lerndaten-Erzeugungseinheit 108, der Lerndaten-Abrufeinheit 109, der Lerneinheit 110 und der Modellausgabeeinheit 111 von dem Prozessor 301 und dem Speicher 302 implementiert werden, und die übrigen Funktionen können von der Verarbeitungsschaltung 303 implementiert werden.
  • Der Prozessor 301 verwendet zum Beispiel eine zentrale Verarbeitungseinheit (CPU), eine Grafikverarbeitungseinheit (GPU), einen Mikroprozessor, einen Mikrocontroller oder einen Digitalsignalprozessor (DSP).
  • Der Speicher 302 verwendet beispielsweise einen Halbleiterspeicher oder eine Magnetplatte. Genauer verwendet der Speicher 302 einen Random-Access-Speicher (RAM), einen Read-only-Speicher (ROM), einen Flash-Speicher, einen löschbaren programmierbaren Read-only-Speicher (EPROM), einen elektrisch löschbaren programmierbaren Read-only-Speicher (EEPROM), ein SSD, ein HDD oder dergleichen.
  • Die Verarbeitungsschaltung 303 verwendet beispielsweise eine anwendungsspezifische integrierte Schaltung (ASIC), eine programmierbare Logikeinrichtung (PLD), ein feldprogrammierbares Gate-Array (FPGA), ein System-on-a-Chip (SoC) oder ein hochintegriertes System (LSI).
  • Die Anzeigesteuereinheit 101 erzeugt ein Bildsignal, das einem Bild entspricht, das auf der Anzeigevorrichtung 11 angezeigt werden soll, und gibt das erzeugte Bildsignal an die Anzeigevorrichtung 11 aus. Das Bild, das auf der Anzeigevorrichtung 11 angezeigt werden soll, ist ein Bild, das eine Liste von Zeitreihendaten angibt, die in der Speichervorrichtung 10 gespeichert sind.
  • Nach dem Empfang des Bedienungssignals, das aus der Eingabevorrichtung 13 ausgegeben wird, gibt die Bedienungsempfangseinheit 102 eine Bedienungsinformation, die eine dem Bedienungssignal entsprechende Eingabehandlung eines Anwenders angibt, an die Einheit 103 zum Abrufen der originalen Zeitreihendaten und dergleichen aus.
  • Die Bedienungsinformation, die von der Bedienungsempfangseinheit 102 ausgegeben wird, ist beispielsweise eine Information, die von den Zeitreihendaten, die in der Speichervorrichtung 10 gespeichert sind, Zeitreihendaten angibt, die durch eine Eingabehandlung eines Anwenders ausgewählt worden sind.
  • Die Lerndaten-Abrufeinheit 109 ruft eine Mehrzahl von Lerndateneinheiten ab. Eine Lerndateneinheit ist eine Kombination aus einer ersten Information, einer zweiten Information und einer dritten Information. Die erste Information ist eine Information auf Basis einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe enthält, oder einer von einer Mehrzahl davon. Die zweite Information ist eine Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt. Die dritte Information ist eine Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne.
  • Die Lerndaten-Abrufeinheit 109 ruft beispielsweise eine Mehrzahl von Lerndateneinheiten ab, die von der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107 und der Lerndaten-Erzeugungseinheit 108 erzeugt werden.
  • Die Lerndaten-Abrufeinheit 109 kann eine Mehrzahl von Lerndateneinheiten durch Lesen einer Mehrzahl von Lerndateneinheiten aus der Speichervorrichtung 10 abrufen.
  • Ein Beispiel für ein Verfahren zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106, die Beobachtungswert-Abrufeinheit 107 und die Lerndaten-Erzeugungseinheit 108 wird unter Bezugnahme auf 4 beschrieben.
  • 4 ist eine Skizze, die ein Beispiel für die originalen Zeitreihendaten, die Voraussagezeitspanne, die erste Information, die zweite Information, die dritte Information und die Lerndaten darstellt.
  • Zum Beispiel handelt es sich bei den originalen Zeitreihendaten, die in 4 dargestellt sind, um ein Diagramm, das einen Teil von Zeitreihendaten darstellt, in denen die Zahl von Besuchern eines bestimmten Themenparks für 365 Tage ab 1. September 2018 bis 31. August 2019 als Beobachtungswert für jeden Tag angegeben wird.
  • Die Einheit 103 zum Abrufen von originalen Zeitreihendaten ruft Zeitreihendaten ab. In der folgenden Beschreibung werden die Zeitreihendaten, die von der Einheit 103 zum Abrufen von originalen Zeitreihendaten abgerufen werden, als originale Zeitreihendaten bezeichnet.
  • Genauer liest die Einheit 103 zum Abrufen von originalen Zeitreihendaten nach dem Empfang der Bedienungsinformation, die von der Bedienungsempfangseinheit 102 ausgegeben wird, beispielsweise die von der Bedienungsinformation angegebenen Zeitreihendaten aus der Speichervorrichtung 10 aus, um die Zeitreihendaten als die originalen Zeitreihendaten abzurufen.
  • Die originalen Zeitreihendaten schließen Beobachtungswerte in Zeitreihe ein.
  • Genauer schließen die originalen Zeitreihendaten beispielsweise eine Mehrzahl von Informationssätzen ein, in denen eine Datums- und Zeitinformation, die einen Zeitpunkt, zu dem der Beobachtungswert erhalten worden ist, wie etwa die Zeit, das Datum, die Woche, den Monat oder das Jahr, angibt, mit dem Beobachtungswert zu dem Zeitpunkt, der von der Datums- und Zeitinformation, wie etwa der Zeit, dem Datum, der Woche, dem Monat oder dem Jahr, angegeben wird, verknüpft ist.
  • Die Einheit 103 zum Abrufen von originalen Zeitreihendaten ruft beispielsweise die originalen Zeitreihendaten, die in 4 dargestellt sind, aus der Speichervorrichtung 10 ab.
  • Die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt eine virtuelle aktuelle Datums- und Zeitangabe oder eine Mehrzahl davon, bei denen es sich um virtuell bestimmte aktuelle Datums- und Zeitangaben handelt, aus Zeitspannen, die den originalen Zeitreihendaten entsprechen, die von der Einheit 103 zum Abrufen von originalen Zeitreihendaten abgerufen worden sind.
  • Genauer ist beispielsweise die Zeitspanne, die den originalen Zeitreihendaten entspricht, eine Zeitspanne von dem am weitesten in der Vergangenheit liegenden Zeitpunkt bis zu dem Zeitpunkt, der am nächsten an dem tatsächlichen aktuellen Datum und der tatsächlichen aktuellen Zeit liegt, zu dem Zeitpunkt, der von der in den originalen Zeitreihendaten enthaltenen Datums- und Zeitinformation angegeben wird. Die Zeitspanne, die den originalen Zeitreihendaten entspricht, kann eine Teilzeitspanne der Zeitspanne sein, die enthalten ist in der Zeitspanne von dem am weitesten in der Vergangenheit liegenden Zeitpunkt bis zu dem Zeitpunkt, der am nächsten an dem tatsächlichen aktuellen Datum und der tatsächlichen aktuellen Zeit liegt, zu dem Zeitpunkt, der von der in den originalen Zeitreihendaten enthaltenen Datums- und Zeitinformation angegeben wird.
  • Zum Beispiel bestimmt die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben die virtuelle aktuelle Datums- und Zeitangabe gemäß einem vorgegebenen Algorithmus. Die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben kann die Bedienungsinformation, die von der Bedienungsempfangseinheit 102 ausgegeben wird, empfangen und die virtuelle aktuelle Datums- und Zeitangabe auf der Basis einer Information bestimmen, die einen Zeitpunkt angibt, der von der Bedienungsinformation angegeben wird.
  • Zum Beispiel bestimmt die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben unter den Datumsangaben vom 10. September 2018 bis 29. August 2019 auf der Basis der in 4 dargestellten originalen Zeitreihendaten irgendein Datum oder eine Mehrzahl davon als die virtuelle aktuelle Datums- und Zeitangabe. In der folgenden Beschreibung wird angenommen, dass die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben auf der Basis der in 4 dargestellten originalen Zeitreihendaten alle Datumsangaben vom 10. September 2018 bis zum 29. August 2019 als die virtuelle aktuelle Datums- und Zeitangabe bestimmt.
  • Für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt werden, segmentiert die Zeitreihendaten-Segmentierungseinheit 105 originale Zeitreihendaten entsprechend einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe in den von der Einheit 103 zum Abrufen von originalen Zeitreihendaten abgerufenen originalen Zeitreihendaten als Zeitreihendaten, die als Basis für die erste Information dienen.
  • Zum Beispiel segmentiert die Zeitreihendaten-Segmentierungseinheit 105 für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt werden, originale Zeitreihendaten entsprechend einer Zeitspanne ab einem am weitesten in der Vergangenheit liegenden Zeitpunkt bis zu der virtuellen aktuellen Datums- und Zeitangabe zu einem Zeitpunkt, der durch eine Datums- und Zeitinformation angegeben wird, die in den originalen Zeitreihendaten in den von der Einheit 103 zum Abrufen von originalen Zeitreihendaten abgerufenen originalen Zeitreihendaten enthalten ist, als Zeitreihendaten.
  • Die Zeitspanne, in der die Zeitreihendaten-Segmentierungseinheit 105 die Zeitreihendaten aus den originalen Zeitreihendaten segmentiert, ist nicht auf die Zeitspanne ab einem am weitesten in der Vergangenheit liegenden Zeitpunkt bis zu der virtuellen aktuellen Datums- und Zeitangabe zu dem Zeitpunkt, der durch die in den Zeitreihendaten enthaltenen Datums- und Zeitinformation angegeben wird, beschränkt. Für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt werden, kann die Zeitreihendaten-Segmentierungseinheit 105 originale Zeitreihendaten entsprechend einer Teilzeitspanne der Zeitspanne ab dem am weitesten in der Vergangenheit liegenden Zeitpunkt bis zu der virtuellen aktuellen Datums- und Zeitangabe zu einem Zeitpunkt, der durch die in den originalen Zeitreihendaten enthaltene Datums- und Zeitinformation angegeben wird, als Zeitreihendaten segmentieren.
  • Zum Beispiel segmentiert die Zeitreihendaten-Segmentierungseinheit 105 für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt werden, originale Zeitreihendaten entsprechend einer Zeitspanne ab einem Zeitpunkt, der über eine vorgegebene Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe liegt, bis zu der virtuellen aktuellen Datums- und Zeitangabe als Zeitreihendaten.
  • Ferner kann die Zeitreihendaten-Segmentierungseinheit 105 beispielsweise für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt werden, originale Zeitreihendaten entsprechend einer vorgegebenen Zahl von am nächsten an der virtuellen aktuellen Datums- und Zeitangabe liegenden Beobachtungswerten in den originalen Zeitreihendaten vor der virtuellen aktuellen Datums- und Zeitangabe als Zeitreihendaten segmentieren.
  • Das Verfahren, anhand dessen die Zeitreihendaten-Segmentierungseinheit 105 Zeitreihendaten aus den originalen Zeitreihendaten segmentiert, ist nicht auf das oben beschriebene Verfahren beschränkt.
  • Zum Beispiel segmentiert die Zeitreihendaten-Segmentierungseinheit 105 auf der Basis der in 4 dargestellten originalen Zeitreihendaten für jedes Datum vom 10. September 2018 bis zum 29. August 2019, bei dem es sich die virtuelle aktuelle Datums- und Zeitangabe handelt, die von der Einheit 104 zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt wird, originale Zeitreihendaten vor der virtuellen aktuellen Datums- und Zeitangabe als Zeitreihendaten, die als Basis für die erste Information dienen.
  • Genauer segmentiert die Zeitreihendaten-Segmentierungseinheit 105 beispielsweise in einem Fall, wo der 29. August 2019 die virtuelle aktuelle Datums- und Zeitangabe ist, die originalen Zeitreihendaten vom 1. September 2018 bis zum 29. August 2019 in den originalen Zeitreihendaten als die Zeitreihendaten, die als Basis für die erste Information dienen. Genauer segmentiert die Zeitreihendaten-Segmentierungseinheit 105 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist, die originalen Zeitreihendaten vom 1. September 2018 bis zum 10. September 2018 in den originalen Zeitreihendaten als Zeitreihendaten, die als Basis für die erste Information dienen.
  • Die Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt werden, mindestens zwei Voraussagezeitspannen, die voneinander verschieden sind und die als Basis für die zweite Information dienen, wobei der Zeitpunkt nach dem Ablauf der Voraussagezeitspanne in der Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht.
  • Genauer ist die Voraussagezeitspanne beispielsweise eine Zeitspanne ab einem Zeitpunkt, der am nächsten an dem aktuellen Datum und der aktuellen Zeit liegt, in einer Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind.
  • Genauer ist beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der Zeitpunkt ist, der am nächsten an der virtuellen aktuellen Datums- und Zeitangabe liegt, in der Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, wobei der Zeitpunkt nach dem Ablauf der Voraussagezeitspanne in der Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht, die Voraussagezeitspanne eine Zeitspanne ab der virtuellen aktuellen Datums- und Zeitangabe.
  • Ferner kann die Voraussagezeitspanne beispielsweise eine Zeitspanne ab einem Zeitpunkt, zu dem ein vorgegebenes Ereignis eintritt, in einer Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, sein, wobei ein Zeitpunkt nach einem Ablauf der Voraussagezeitspanne in der Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht.
  • Zum Beispiel bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 auf Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, mindestens zwei Voraussagezeitspannen, die voneinander verschieden sind, so, dass ein Zeitpunkt nach einem Ablauf der Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht, für jedes Datum ab dem 10. September 2018, bei dem es sich um die virtuelle aktuelle Datums- und Zeitangabe handelt, die von der Einheit 104 zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt werden, bis zum 29. August 2019.
  • Genauer bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 sind, zwei Zeitspannen, das heißt, plus einen Tag und plus zwei Tage, als die Voraussagezeitspannen. Ferner bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist, 355 Zeitspannen, das heißt plus einen Tag, plus zwei Tage, ... und plus 355 Tage, als die Voraussagezeitspannen.
  • Die Beobachtungswert-Abrufeinheit 107 ruft für jede von den mindestens zwei von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmten Voraussagezeitspannen, die voneinander verschieden sind, die Beobachtungswerte nach dem Ablauf der Voraussagezeitspanne aus den originalen Zeitreihendaten ab.
  • Genauer ruft die Beobachtungswert-Abrufeinheit 107 zum Beispiel in einem Fall, wo die Voraussagezeitspanne eine Zeitspanne ist ab einem Zeitpunkt, der am nächsten an dem aktuellen Datum und der virtuellen aktuellen Zeit liegt, in der Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert werden, aus den originalen Zeitreihendaten Beobachtungswerte nach Ablauf der Voraussagezeitspanne ab dem Zeitpunkt ab.
  • Ferner ruft die Beobachtungswert-Abrufeinheit 107 zum Beispiel in einem Fall, wo die Voraussagezeitspanne eine Zeitspanne ab der virtuellen aktuellen Datums- und Zeitangabe ist, aus den originalen Zeitreihendaten Beobachtungswerte nach Ablauf der Voraussagezeitspanne ab der virtuellen aktuellen Datums- und Zeitangabe ab.
  • Ferner ruft die Beobachtungswert-Abrufeinheit 107 zum Beispiel in einem Fall, wo die Voraussagezeitspanne eine Zeitspanne ab dem Zeitpunkt, zu dem ein vorgegebenes Ereignis eintritt, in der Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert werden, ist, aus den originalen Zeitreihendaten die Beobachtungswerte nach Ablauf der Voraussagezeitspanne ab dem Zeitpunkt, zu dem das Ereignis eintritt, ab.
  • Die Beobachtungswert-Abrufeinheit 107 ruft für die eine oder für alle von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt werden, Beobachtungswerte nach Ablauf von mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt werden, ab der virtuellen aktuellen Datums- und Zeitangabe als Beobachtungswerte, die als Basis für die dritte Information dienen, aus den originalen Zeitreihendaten ab.
  • Zum Beispiel ruft die Beobachtungswert-Abrufeinheit 107 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 ist, auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, die Zahl der Besucher am 30. August 2019, wobei es sich um den Beobachtungswert am Tag plus eins handelt, der der Voraussagezeitspanne entspricht, und die Zahl der Besucher am 31. August 2019, wobei es sich um den Beobachtungswert am Tag plus zwei handelt, aus den originalen Zeitreihendaten ab. Ferner ruft die Beobachtungswert-Abrufeinheit 107 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist, aus den originalen Zeitreihendaten die Zahl der Besucher am 11. September 2018, wobei es sich um den Beobachtungswert am Tag plus eins handelt, der der Voraussagezeitspanne entspricht, die Zahl der Besucher am 12. September 2018, wobei es sich um den Beobachtungswert am Tag plus zwei handelt, ... und die Zahl der Besucher am 31. August 2019, wobei es sich um den Beobachtungswert am Tag plus 355 handelt, ab.
  • Die Lerndaten-Erzeugungseinheit 108 erzeugt eine Mehrzahl von Lerndateneinheiten durch Kombinieren einer ersten Information, die auf einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, die Beobachtungswerte in Zeitreihe enthält, oder einer von einer Mehrzahl davon basiert, einer zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind, und einer dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit 107 abgerufen worden sind.
  • Genauer erzeugt die Lerndaten-Erzeugungseinheit 108 Lerndaten durch Kombinieren der ersten Information, der zweiten Information und der dritten Information, die jeweils den Kombinationen aus der virtuellen aktuellen Datums- und Zeitangabe entsprechen, die von der Einheit 104 zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt worden ist, und der Voraussagezeitspanne, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, wodurch eine Mehrzahl von Lerndateneinheiten erzeugt wird.
  • Genauer bestimmt die Lerndaten-Erzeugungseinheit 108 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe MM DD, YYYY ist und die Voraussagezeitspanne plus X Tage ist, wie in 4 dargestellt, dass Zeitreihendaten, die einer Zeitspanne ab einem vorgegebenen Zeitpunkt vor MM DD, YYYY bis MM DD, YYYY entsprechen und die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, die erste Information sein sollen, bestimmt, dass eine Information, die plus X Tage angibt, wobei es sich um die Voraussagezeitspanne handelt, die zweite Information sein soll und bestimmt, dass Beobachtungswerte, die am Tag plus X nach MM DD, YYYY beobachtet werden, die dritte Information sein sollen. Die Lerndaten-Erzeugungseinheit 108 erzeugt Lerndaten, die durch Kombinieren der ersten Information, der zweiten Information und der dritten Information erhalten werden, wodurch eine Mehrzahl von Lerndateneinheiten erzeugt wird.
  • Eine Konfiguration eines Hauptteils der Lerndaten-Erzeugungseinheit 108 gemäß der ersten Ausführungsform wird nun unter Bezugnahme auf 5 beschrieben.
  • 5 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Lerndaten-Erzeugungseinheit 108 gemäß der ersten Ausführungsform darstellt.
  • Die Lerndaten-Erzeugungseinheit 108 weist eine erste Informationserzeugungseinheit 181, eine zweite Informationserzeugungseinheit 182, eine dritte Informationserzeugungseinheit 183 und eine Informationskombinierungseinheit 184 auf.
  • Die erste Informationserzeugungseinheit 181 erzeugt die erste Information auf Basis von einer Zeitreihendateneinheit, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentierte Beobachtungswerte in Zeitreihe enthält, oder von einer von einer Mehrzahl davon.
  • Genauer wählt die erste Informationserzeugungseinheit 181 eine von einer Mehrzahl von Zeitreihendateneinheiten, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, aus und erzeugt die erste Information auf Basis der ausgewählten Zeitreihendaten.
  • Noch genauer segmentiert die erste Informationserzeugungseinheit 181 beispielsweise Zeitreihendaten, die einer vorgegebenen Zahl von Beobachtungswerten in den Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, entsprechen, aus den originalen Zeitreihendaten und erzeugt die erste Information durch Bestimmen, dass die segmentierten Zeitreihendaten die erste Information sein sollen. Zum Beispiel segmentiert die Lerndaten-Erzeugungseinheit 108 Zeitreihendaten für 10 Tage, die am nächsten an der virtuellen aktuellen Datums- und Zeitangabe liegen, das heißt Zeitreihendaten für 10 Beobachtungswerte, in den Zeitreihendaten, die durch die Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, aus den originalen Zeitreihendaten und bestimmt, dass die segmentierten Zeitreihendaten die erste Information sein sollen, um die erste Information zu erzeugen.
  • Im Folgenden wird als Beispiel ein Fall beschrieben, wo die erste Informationserzeugungseinheit 181 Zeitreihendaten für 10 Tage, die am nächsten an der virtuellen aktuellen Datums- und Zeitangabe liegen, das heißt Zeitreihendaten für 10 Beobachtungswerte, in den Zeitreihendaten, die durch die Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, aus den originalen Zeitreihendaten segmentiert und bestimmt, dass die segmentierten Zeitreihendaten die erste Information sein sollen.
  • Zum Beispiel segmentiert die erste Informationserzeugungseinheit 181 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 29. August 2019 ist, Zeitreihendaten, die einer Zeitspanne vom 20. August 2019 bis zum 29. August 2019 entsprechen, in Zeitreihendaten, die einer Zeitspanne vom 1. September 2018 bis zum 29. August 2019 entsprechen und die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, und bestimmt, dass die segmentierten Zeitreihendaten die erste Information sein sollen, um die erste Information zu erzeugen.
  • Ferner bestimmt die erste Informationserzeugungseinheit 181 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 10. September 2018 ist, dass Zeitreihendaten, die einer Zeitspanne vom 1. September 2018 bis zum 10. September 2018 entsprechen, in Zeitreihendaten, die einer Zeitspanne vom 1. September 2018 bis zum 10. September 2018 entsprechen, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden ist, die erste Information sein sollen, um die erste Information zu erzeugen.
  • Die zweite Informationserzeugungseinheit 182 erzeugt die zweite Information auf der Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind.
  • Genauer wählt die zweite Informationserzeugungseinheit 182 beispielsweise eine Voraussagezeitspanneninformation aus, die eine von mindestens zwei voneinander verschiedenen Voraussagezeitspannen angibt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind, und bestimmt, dass die ausgewählte Voraussagezeitspanneninformation die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Zum Beispiel bestimmt die zweite Informationserzeugungseinheit 182 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 29. August 2019 ist, dass eine Voraussagezeitspanneninformation, die plus einen Tag angibt, wobei es sich um die Voraussagezeitspanne handelt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, die zweite Information ist, um die zweite Information zu erzeugen.
  • Ferner bestimmt die zweite Informationserzeugungseinheit 182 beispielsweise in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 29. August 2019 ist, dass eine Voraussagezeitspanneninformation, die plus zwei Tage angibt, wobei es sich um die Voraussagezeitspanne handelt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Außerdem bestimmt die zweite Informationserzeugungseinheit 182 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 10. September 2018 ist, dass eine Information, die angibt, dass die Voraussagezeitspanne plus ein Tag ist, die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Außerdem bestimmt die zweite Informationserzeugungseinheit 182 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 10. September 2018 ist, dass eine Information, die angibt, dass die Voraussagezeitspanne plus zwei Tage ist, die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Außerdem bestimmt die zweite Informationserzeugungseinheit 182 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 10. September 2018 ist, dass eine Information, die angibt, dass die Voraussagezeitspanne plus 355 Tage ist, die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Das heißt, in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 10. September 2018 ist, bestimmt die zweite Informationserzeugungseinheit 182, dass eine Information, die angibt, dass die Voraussagezeitspanne plus N Tage ist (N ist eine natürliche Zahl von eins oder mehr und 355 oder weniger), die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Die dritte Informationserzeugungseinheit 183 erzeugt die dritte Information auf Basis der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit 107 abgerufen werden.
  • Genauer bestimmt die dritte Informationserzeugungseinheit 183 beispielsweise, dass die Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit 107 abgerufen werden, die dritte Information sein soll, um die dritte Information zu erzeugen.
  • Zum Beispiel bestimmt die dritte Informationserzeugungseinheit 183 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, der 29. August 2019 ist und die Voraussagezeitspanne plus ein Tag ist, dass die Zahl der Besucher ab dem 29. August 2019, wobei es sich um die virtuelle aktuelle Datums- und Zeitangabe handelt, bis zum 30. August 2019, das heißt am Tag plus eins, der von der Voraussagezeitspanneninformation angegeben wird, wobei es sich um die zweite Information handelt, die dritte Information sein soll, um die dritte Information zu erzeugen.
  • Ferner bestimmt die dritte Informationserzeugungseinheit 183 zum Beispiel auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 ist und die Voraussagezeitspanne plus zwei Tage ist, dass die Zahl der Besucher am 31. August 2019, das heißt am Tag plus zwei, der von der Voraussagezeitspanneninformation angegeben wird, wobei es sich um die zweite Information handelt, ab dem 29. August 2019, wobei es sich um die virtuelle aktuelle Datums- und Zeitangabe handelt, die dritte Information sein soll, um die dritte Information zu erzeugen.
  • Die Informationskombinierungseinheit 184 erzeugt Lerndaten durch Kombinieren der ersten Information, die von der ersten Informationserzeugungseinheit 181 erzeugt worden ist, der zweiten Information, die von der zweiten Informationserzeugungseinheit 182 erzeugt worden ist, und der dritten Information, die von der dritten Informationserzeugungseinheit 183 erzeugt worden ist.
  • Zum Beispiel erzeugt die Informationskombinierungseinheit 184 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 ist und die Voraussagezeitspanne plus ein Tag ist, auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, eine Lerndateneinheit durch Kombinieren der von der ersten Informationserzeugungseinheit 181 erzeugten ersten Information, wobei es sich um die Zeitreihendaten handelt, die der Zeitspanne vom 20. August 2019 bis zum 29. August 2019 entsprechen, der zweiten Information, wobei es sich um die Voraussagezeitspanneninformation handelt, die plus ein Tag angibt, wobei es sich um die Voraussagezeitspanne handelt, die von der zweiten Informationserzeugungseinheit 182 erzeugt worden ist, und der dritten Information, wobei es sich um die Zahl der Besucher am 30. August 2019 handelt, die von der dritten Informationserzeugungseinheit 183 erzeugt worden ist.
  • Zum Beispiel erzeugt die Informationskombinierungseinheit 184 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 ist und die Voraussagezeitspanne plus zwei Tage ist, auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, eine Lerndateneinheit durch Kombinieren der von der ersten Informationserzeugungseinheit 181 erzeugt ersten Information, wobei es sich um die Zeitreihendaten handelt, die der Zeitspanne vom 20. August 2019 bis zum 29. August 2019 entsprechen, der zweiten Information, wobei es sich um die Voraussagezeitspanneninformation handelt, die plus zwei Tage angibt, wobei es sich um die Voraussagezeitspanne handelt, die von der zweiten Informationserzeugungseinheit 182 erzeugt wird, und der dritten Information, wobei es sich um die Zahl der Besucher am 31. August 2019 handelt, die von der dritten Informationserzeugungseinheit 183 erzeugt wird.
  • Das heißt, in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 29. August 2019 ist, kann die Lerndaten-Erzeugungseinheit 108 zwei Lerndateneinheiten erzeugen, in denen die Voraussagezeitspannen plus ein Tag und plus zwei Tage sind.
  • Ebenso bestimmt die dritte Informationserzeugungseinheit 183 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist und die Voraussagezeitspanne plus N Tage ist, auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, dass die Zahl der Besucher, die dem Datum am Tag plus N entspricht, der von der Voraussagezeitspanneninformation angegeben wird, wobei es sich um die zweite Information handelt, gerechnet ab dem 10. September 2018, wobei es sich um die virtuelle aktuelle Datums- und Zeitangabe handelt, die dritte Information sein soll, um die dritte Information zu erzeugen.
  • In einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist und die Voraussagezeitspanne plus N Tage ist, erzeugt die Informationskombinierungseinheit 184 eine Lerndateneinheit auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, durch Kombinieren der von der ersten Informationserzeugungseinheit 181 erzeugten ersten Information, wobei es sich um die Zeitreihendaten handelt, die der Zeitspanne vom 1. September 2018 bis zum 10. September 2018 entsprechen, der zweiten Information, wobei es sich um die Voraussagezeitspanneninformation handelt, die plus N Tage angibt, wobei es sich um die Voraussagezeitspanne handelt, die von der zweiten Informationserzeugungseinheit 182 erzeugt worden ist, und der dritten Information, wobei es sich um die Zahl der Besucher am 10. September 2018 handelt, die von der dritten Informationserzeugungseinheit 183 erzeugt worden ist.
  • Das heißt, in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe der 10. September 2018 ist, kann die Lerndaten-Erzeugungseinheit 108 355 Lerndateneinheiten erzeugen, die jeweils Voraussagezeitspannen von plus ein Tag bis plus 355 Tage entsprechen.
  • Man beachte, dass beschrieben wurde, dass die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben die virtuelle aktuelle Datums- und Zeitangabe dadurch bestimmt, dass sie die Datumsangaben vom 10. September 2018 bis 29. August 2019 auf der Basis der originalen Zeitreihendaten, die in 4 dargestellt sind, zu virtuellen aktuellen Datums- und Zeitangaben bestimmt, aber dass die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben auch den 30. August 2019 als die virtuelle aktuelle Datums- und Zeitangabe bestimmen kann.
  • Wenn die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben den 30. August 2019 als die virtuelle aktuelle Datums- und Zeitangabe bestimmt, ist die Voraussagezeitspanne, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt wird, plus ein Tag.
  • In diesem Fall ruft die Beobachtungswert-Abrufeinheit 107 die Zahl der Besucher am 31. August 2019, was der 30. August 2019 plus ein Tag ist, als den Beobachtungswert ab.
  • Das heißt, in diesem Fall bestimmt die erste Informationserzeugungseinheit 181, dass die Zeitreihendaten, die der Zeitspanne vom 21. August 2019 bis zum 30. August 2019 entsprechen, in den Zeitreihendaten, die der Zeitspanne vom 1. September 2018 bis zum 30. August 2019 entsprechen, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, die erste Information sein soll, um die erste Information zu erzeugen. Außerdem bestimmt die zweite Informationserzeugungseinheit 182, dass die Information, die angibt, dass die Voraussagezeitspanne plus ein Tag ist, die zweite Information sein soll, um die zweite Information zu erzeugen. Außerdem bestimmt die dritte Informationserzeugungseinheit 183, dass die Zahl der Besucher am 31. August 2019, das heißt am Tag plus eins, wobei es sich um die Voraussagezeitspanne handelt, gerechnet ab dem 30. August 2019, wobei es sich um die virtuelle aktuelle Datums- und Zeitangabe handelt, die dritte Information sein soll, um die dritte Information zu erzeugen. Die Informationskombinierungseinheit 184 erzeugt eine Lerndateneinheit durch Kombinieren der ersten Information, der zweiten Information und der dritten Information.
  • Die Informationskombinierungseinheit 184 erzeugt die Lerndaten wiederholt, bis die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern aus der ersten Information, der zweiten Information und der dritten Information vollständig ist. Die Lerndaten-Erzeugungseinheit 108 erzeugt die Lerndaten wiederholt, bis die Informationskombinierungseinheit 184 die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern aus der ersten Information, der zweiten Information und der dritten Information vervollständigt hat, um eine Mehrzahl von Lerndateneinheiten zu erzeugen.
  • Der Betrieb der Lerndaten-Erzeugungseinheit 108 gemäß der ersten Ausführungsform wird unter Bezugnahme auf 6 beschrieben.
  • 6 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lerndaten-Erzeugungseinheit 108 gemäß der ersten Ausführungsform darstellt.
  • Zuerst erzeugt die erste Informationserzeugungseinheit 181 in Schritt ST601 eine erste Information.
  • Dann erzeugt die zweite Informationserzeugungseinheit 182 in Schritt ST602 eine zweite Information.
  • Dann erzeugt die dritte Informationserzeugungseinheit 183 in Schritt ST603 eine dritte Information.
  • Dann erzeugt die Informationskombinierungseinheit 184 in Schritt ST604 Lerndaten.
  • Dann bestimmt die Informationskombinierungseinheit 184 in Schritt ST605, ob oder ob nicht die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern aus der ersten Information, der zweiten Information und der dritten Information vervollständigt wurde.
  • Im Schritt ST605 führt die Lerndaten-Erzeugungseinheit 108 in einem Fall, wo die Informationskombinierungseinheit 184 bestimmt, dass die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern noch nicht vollständig ist, wiederholt die Verarbeitung von Schritt ST604 aus, bis die Informationskombinierungseinheit 184 die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern vervollständigt hat.
  • Im Schritt ST605 beendet die Lerndaten-Erzeugungseinheit 108 die Verarbeitung des Flussdiagramms, wenn die Informationskombinierungseinheit 184 bestimmt, dass die Erzeugung von Lerndaten in allen kombinierbaren Kombinationsmustern vervollständigt worden ist.
  • Man beachte, dass die Verarbeitungsreihenfolge von Schritt ST601 bis Schritt ST603 keine Rolle spielt, solange die Verarbeitung vor der Verarbeitung von Schritt ST604 stattfindet.
  • Mit der oben genannten Konfiguration kann die Lernvorrichtung 100 eine Mehrzahl von Lerndateneinheiten auf der Basis einer einzigen originalen Zeitreihendateneinheit erzeugen.
  • Ferner kann die Lernvorrichtung 100 ein Lernmodell erzeugen, das in der Lage ist, einen Beobachtungswert, der ein Inferenz-Beobachtungswert nach Ablauf einer vorgegebenen Voraussagezeitspanne ist, beispielsweise für irgendeine Voraussagezeitspanne von plus ein Tag bis plus 355 Tage, durch Lernen unter Verwendung der Mehrzahl von Lerndateneinheiten, die auf diese Weise erzeugt wurden, zu inferieren.
  • Man beachte, dass die Lernvorrichtung 100 bei der Erzeugung des Lernmodells, das in der Lage ist, den Beobachtungswert, bei dem es sich um den Inferenz-Beobachtungswert nach Ablauf der Voraussagezeitspanne handelt, zu inferieren, nicht das Lernmodell erzeugen muss, das in der Lage ist, eine Inferenz für eine beliebige Zeitspanne von plus ein Tag bis plus 355 Tage durchzuführen. Zum Beispiel kann die Lernvorrichtung 100 ein Lernmodell erzeugen, das in der Lage ist, eine Inferenz für eine beliebige Voraussagezeitspanne in einer vorgegebenen Zeitspanne durchzuführen, wie etwa ein Lernmodell, das in der Lage ist, eine Inferenz für eine beliebige Voraussagezeitspanne von plus ein Tag bis plus 30 Tage durchzuführen, oder ein Lernmodell, das in der Lage ist, eine Inferenz für eine beliebige Voraussagezeitspanne von plus acht Tage bis plus 355 Tage durchzuführen.
  • Unter Bezugnahme auf 7 wird ein Erzeugungsverfahren (im Folgenden als „zweites Verfahren“ bezeichnet), das von dem oben beschriebenen Erzeugungsverfahren (im Folgenden als „erstes Verfahren“ bezeichnet) verschieden ist, anhand eines Verfahrens zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106, die Beobachtungswert-Abrufeinheit 107 und die Lerndaten-Erzeugungseinheit 108 beschrieben.
  • 7 ist eine Skizze, die ein anderes Beispiel für die originalen Zeitreihendaten, die Voraussagezeitspanne, die erste Information, die zweite Information, die dritte Information und die Lerndaten darstellt.
  • Ähnlich wie die originalen Zeitreihendaten, die in 4 gezeigt sind, sind die originalen Zeitreihendaten, die in 7 gezeigt sind, ein Diagramm, das als Beispiel einen Teil von Zeitreihendaten zeigt, die die Zahl von Besuchern eines bestimmten Themenparks für 365 Tage ab 1. September 2018 bis 31. August 2019 als Beobachtungswert für jeden Tag zeigen.
  • In dem ersten Verfahren segmentiert die Lerndaten-Erzeugungseinheit 108 Zeitreihendaten, die einer vorgegebenen Zahl von Beobachtungswerten in den Zeitreihendaten entsprechen, aus den originalen Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, und bestimmt, dass die segmentierten Zeitreihendaten die erste Information sein sollen, um die erste Information zu erzeugen. Ferner bestimmt die Lerndaten-Erzeugungseinheit 108 in dem ersten Verfahren, dass die Voraussagezeitspanneninformation, die die Voraussagezeitspanne angibt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Ferner bestimmt die Lerndaten-Erzeugungseinheit 108 in dem ersten Verfahren, dass die Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit 107 abgerufen worden sind, die dritte Information sein sollen, um die dritte Information zu erzeugen.
  • Dagegen kodiert die Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren die Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen, um die erste Information zu erzeugen. Ferner kodiert die Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren die Voraussagezeitspanneninformation, die die Voraussagezeitspanne angeben, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen, um die zweite Information zu erzeugen.
  • Zum Beispiel kodiert die Lerndaten-Erzeugungseinheit 108 in einem Fall, wo die virtuelle aktuelle Datums- und Zeitangabe MM DD, YYYY ist und die Voraussagezeitspanne plus X Tage ist, wie in 7 dargestellt, die Zeitreihendaten, die der Zeitspanne vom 1. September 2018 bis MM DD, DD, YYYY entsprechen, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden ist, in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen, um die erste Information zu erhalten, kodiert die Information, die plus X Tage angibt, wobei es sich um die Voraussagezeitspanne handelt, in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen, um die zweite Information zu erhalten, und bestimmt, dass die Beobachtungswerte, die am Tag plus X nach MM DD, YYYY beobachtet werden, die dritte Information sein sollen.
  • Man beachte, dass die Verarbeitung durch sowohl die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106 als auch die Beobachtungswert-Abrufeinheit 107 in dem zweiten Verfahren der Verarbeitung durch sowohl die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106 als auch die Beobachtungswert-Abrufeinheit 107 in dem ersten Verfahren ähnelt, und dass somit auf ihre Beschreibung verzichtet wird.
  • Genauer wird die Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren als eine beschrieben, die eine erste Informationserzeugungseinheit 181a, eine zweite Informationserzeugungseinheit 182a, eine dritte Informationserzeugungseinheit 183 und eine Informationskombinierungseinheit 184 aufweist.
  • Die Konfiguration des Hauptteils der Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren ist lediglich eine Konfiguration, bei der in der Konfiguration des Hauptteils der Lerndaten-Erzeugungseinheit 108 in dem ersten Verfahren, der in 5 dargestellt ist, die erste Informationserzeugungseinheit 181 und die zweite Informationserzeugungseinheit 182 in die erste Informationserzeugungseinheit 181a und die zweite Informationserzeugungseinheit 182a geändert worden sind, und somit wird auf ein Blockschema, das die Konfiguration des Hauptteils der Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren beschreibt, verzichtet.
  • Die erste Informationserzeugungseinheit 181a erzeugt die erste Information auf Basis von einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, die Beobachtungswerte in Zeitreihe enthält, oder von einer von einer Mehrzahl davon.
  • Genauer wählt die erste Informationserzeugungseinheit 181a eine von der Mehrzahl von Zeitreihendateneinheiten, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, aus und erzeugt die erste Information auf Basis der ausgewählten Zeitreihendaten.
  • Genauer erzeugt beispielsweise die erste Informationserzeugungseinheit 181a die erste Information durch Kodieren der Zeitreihendaten in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen auf der Basis der Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind.
  • Zum Beispiel erzeugt die erste Informationserzeugungseinheit 181a die erste Information durch Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen unter Verwendung einer zusammenfassenden Statistik, wie etwa eines Durchschnittswerts, eines Mittelwerts, eines Moduswerts, eines Höchstwerts, eines Mindestwerts, oder einer Standardabweichung der Zeitreihendaten, die durch statistische Verarbeitung der Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, erhalten wird.
  • Ferner kann beispielsweise die erste Informationserzeugungseinheit 181a die erste Information durch Durchführen einer niedrigrangigen Näherungsverarbeitung, wie etwa einer Singulärwertzerlegung, an Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, um die Zahl der Dimensionen der Zeitreihendaten zu verringern, und Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen erzeugen.
  • Ferner kann beispielsweise die erste Informationserzeugungseinheit 181a die erste Information durch Anwenden einer Hash-Funktion auf Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, und Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen erzeugen.
  • Ferner kann beispielsweise die erste Informationserzeugungseinheit 181a die erste Information durch Eingeben von Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, in ein digitales Filter und Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen erzeugen.
  • Ferner kann beispielsweise die erste Informationserzeugungseinheit 181a die erste Information durch Eingeben von Zeitreihendaten, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, in ein neuronales Netz, das eine Faltungsverarbeitung oder dergleichen durchführt, und Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen erzeugen.
  • Man beachte, dass die erste Informationserzeugungseinheit 181a die erste Information beispielsweise durch Kombinieren der oben beschriebenen Verfahren zum Erzeugen der ersten Information und Kodieren der Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen erzeugen kann.
  • Wenn sich die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmte virtuelle aktuelle Datums- und Zeitangabe ändert, variiert die Zahl der Beobachtungswerte, die in den Zeitreihendaten enthalten sind, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind. Da die Lerndaten-Erzeugungseinheit 108 die erste Informationserzeugungseinheit 181a aufweist, können die Zeitreihendaten auch dann, wenn die Zahl der Beobachtungswerte, die in den Zeitreihendaten enthalten sind, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, variiert, in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert werden.
  • Die zweite Informationserzeugungseinheit 182a erzeugt die zweite Information auf der Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt werden.
  • Genauer wählt die zweite Informationserzeugungseinheit 182a beispielsweise eine Voraussagezeitspanneninformation aus, die eine von mindestens zwei voneinander verschiedenen Voraussagezeitspannen angibt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind, und bestimmt, dass die ausgewählte Voraussagezeitspanneninformation die zweite Information sein soll, um die zweite Information zu erzeugen.
  • Genauer erzeugt beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information durch Kodieren der Voraussagezeitspanneninformation, die die Voraussagezeitspanne angeben, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen.
  • Zum Beispiel erzeugt die zweite Informationserzeugungseinheit 182a die zweite Information durch Kodieren einer Voraussagezeitspanneninformation, die von irgendeiner Einheit wie etwa einer Zeitdifferenz zwischen einem Zeitpunkt nach Ablauf der Voraussagezeitspanne, die von Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, und der aktuellen Datums- und Zeitangabe, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist, dargestellt wird, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen.
  • Ferner kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information erzeugen durch Kodieren einer Voraussagezeitspanneninformation, die von irgendeiner Einheit dargestellt wird wie etwa einer Zeitdifferenz zwischen einem Zeitpunkt nach Ablauf der Voraussagezeitspanne, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, und einem Zeitpunkt, zu dem ein vorgegebenes Ereignis stattfindet, in einer Zeitspanne, die den Zeitreihendaten entspricht, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen.
  • Ferner kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information erzeugen durch Kodieren einer Voraussagezeitspanneninformation, wobei es sich um einen Zeitpunkt nach Ablauf der Voraussagezeitspanne, die durch die Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, die von irgendeiner Einheit wie einem Jahr, einem Monat, einer Woche, einem Wochentag, einem Feiertag oder einem bestimmten Datum dargestellt wird, handelt, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen.
  • Ferner kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information erzeugen durch Kodieren einer Voraussagezeitspanneninformation, wobei es sich um einen Zeitpunkt nach Ablauf der Voraussagezeitspanne, die durch die Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, die von irgendeiner Einheit wie einer Stunde, einer Minute, einer Sekunde oder einer Zeitspanne, dargestellt wird, handelt, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen.
  • Man beachte, dass die zweite Informationserzeugungseinheit 182a die zweite Information beispielsweise erzeugen kann durch Umwandeln einer Information, die in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen kodiert worden ist, anhand des oben beschriebenen Erzeugungsverfahrens unter Verwendung einer vorgegebenen Funktion, wie etwa einer logarithmischen Funktion oder einer trigonometrischen Funktion, und Bestimmen, dass die umgewandelte Information die zweite Information sein soll.
  • Genauer kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information durch Logarithmieren von T, was eine positive reale Zahl ist, wie etwa log (T), um T in einen Wert umzuwandeln, der die gesamte reale Zahl angibt, und Kodieren des umgewandelten Wertes erzeugen, wobei T eine Zeitdifferenz ist zwischen einem Zeitpunkt nach Ablauf der Voraussagezeitspanne, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden ist, und der aktuellen Datums- und Zeitangabe, die durch die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist.
  • Ferner kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information durch Umwandeln von T in einen Periodenwert durch Anwenden einer trigonometrischen Funktion auf T, wie etwa cos (2nT/P) oder sin (2nT/P), unter Verwendung einer vorgegebenen Periode P und irgendeiner natürlichen Zahl n und Kodieren des umgewandelten Wertes erzeugen.
  • Ferner kann beispielsweise die zweite Informationserzeugungseinheit 182a die zweite Information durch Umwandeln von T in eine Periodeninformation durch Ermitteln eines Quotienten und eines Rests, der durch Teilen von T durch P erhalten wird, und Kodieren des Quotienten und des Rests erzeugen.
  • Wie oben beschrieben, schließt die Lerndaten-Erzeugungseinheit 108 die zweite Informationserzeugungseinheit 182a ein, und daher kann die Voraussagezeitspanneninformation, die von irgendeiner Einheit dargestellt werden, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen kodiert werden.
  • Außerdem kann das Beobachtungsintervall der Beobachtungswerte, die in den Zeitreihendaten enthalten sind, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, abhängig von den originalen Zeitreihendaten verschieden sein. Daher kodiert die zweite Informationserzeugungseinheit 182a bei der Erzeugung der zweiten Information durch Kodieren von Voraussagezeitspanneninformation, die von irgendeiner Einheit dargestellt wird, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen vorzugsweise die Voraussagezeitspanneninformation in eine Vektordarstellung mit der gleichen Zahl von Dimensionen, unabhängig von der Voraussagezeitspanneninformation.
  • Da die Arbeitsweise der Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren der Arbeitsweise der Lerndaten-Erzeugungseinheit 108 in dem ersten Verfahren, das in 6 dargestellt ist, ähnelt, wird auf die Beschreibung der Verarbeitung durch die Lerndaten-Erzeugungseinheit 108 in dem zweiten Verfahren verzichtet.
  • Mit der oben genannten Konfiguration kann die Lernvorrichtung 100 eine Mehrzahl von Lerndateneinheiten auf der Basis einer einzigen originalen Zeitreihendateneinheit erzeugen.
  • Das Inferenzsystem 1 kann eine Lerndaten-Erzeugungsvorrichtung (nicht dargestellt) aufweisen, die eine Mehrzahl von Lerndateneinheiten aus den originalen Zeitreihendaten erzeugt.
  • Die Lerndaten-Erzeugungseinheit schließt die Einheit 103 zum Abrufen von originalen Zeitreihendaten, die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die Zeitreihendaten-Segmentierungseinheit 105, die Voraussagezeitspannen-Bestimmungseinheit 106, die Beobachtungswert-Abrufeinheit 107 und die Lerndaten-Erzeugungseinheit 108 ein.
  • Da das Inferenzsystem 1 die Lerndaten-Erzeugungsvorrichtung einschließt, kann die Lerndaten-Abrufeinheit 109 in der Lernvorrichtung 100 die Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Erzeugungsvorrichtung erzeugt werden, direkt aus der Lerndaten-Erzeugungsvorrichtung oder über die Speichervorrichtung 10 oder dergleichen abrufen.
  • Man beachte, dass die Funktionen der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107 und der Lerndaten-Erzeugungseinheit 108, die in der Lerndaten-Erzeugungsvorrichtung enthalten sind, in der in 3A und 3B als Beispiel dargestellten Hardware-Konfiguration von dem Prozessor 301 und dem Speicher 302 implementiert werden können oder von der Verarbeitungsschaltung 303 implementiert werden können.
  • Die Lerneinheit 110 führt ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen worden sind, mit einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten worden ist, als Erklärungsvariable und der dritten Information als Reaktionsvariable durch. Die Lerneinheit 110 erzeugt ein Lernmodell, das in der Lage ist, den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne durch Lernen zu inferieren.
  • Genauer erzeugt die Lerneinheit 110 bei der Durchführung des Lernens mit der dritten Information als Reaktionsvariable ein Lernmodell, das in der Lage ist, einen Inferenz-Beobachtungswert nach Ablauf einer gewählten Voraussagezeitspanne durch Durchführen von überwachtem maschinellem Lernen unter Verwendung der Reaktionsvariable als Lehrerdaten zu inferieren.
  • Die Lerneinheit 110 führt ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten durch, in denen eine Lerndateneinheit eine Kombination ist aus der ersten Information auf Basis von einer oder einer von einer Mehrzahl von Zeitreihendateneinheiten, die Beobachtungswerte in Zeitreihe einschließen, der zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne.
  • Daher kann das von der Lerneinheit 110 erzeugte Lernmodell in einem Fall, wo eine gewählte Voraussagezeitspanne in der Inferenz eines Inferenz-Beobachtungswerts einer Voraussagezeitspanne entspricht, die als Basis für die zweite Information dient, einen Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne lediglich durch einmaliges Durchführen einer Inferenz inferieren.
  • Ferner lernt die Lerneinheit 110, wie oben beschrieben, eine Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten werden, als Erklärungsvariable. Daher kann die Lerneinheit 110 durch Verwenden der Information, die erhalten worden ist durch Kombinieren der ersten Information und der zweiten Information, die beide in eine Vektordarstellung mit der vorgegebenen Zahl von Dimensionen kodiert wurden, die anhand des oben beschriebenen zweiten Verfahrens erhalten wurde, als Erklärungsvariable ein Lernen auch dann durchführen, wenn die Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe, die als die Basis für die erste Information dienen, Zeitreihendaten sind, die irgendeine Anzahl von Beobachtungswerten enthalten, oder auch, wenn die Voraussagezeitspanneninformation, die mindestens zwei voneinander verschiedene Voraussagezeitspannen angeben, die als die Basis für die zweite Information dienen, eine Voraussagezeitspanneninformation ist, die von irgendeiner Einheit dargestellt wird.
  • Man beachte, dass das Lernen in der Lerneinheit 110 von irgendeinem Lernalgorithmus durchgeführt wird, der von dem Lernmodell abhängt, der von der Lerneinheit 110 erzeugt wird. Zum Beispiel wird in einem Fall, wo das zu erzeugende Lernmodell ein Lernmodell ist, das durch ein neuronales Netz konfiguriert wird, das Lernen in der Lerneinheit 110 durch einen Lernalgorithmus wie etwa ein stochastisches Gradientenabstiegsverfahren durchgeführt. Ferner kann beispielsweise ein Verfahren wie etwa eine Kreuzverifizierung auf das Lernen in der Lerneinheit 110 angewendet werden, um ordnungsgemäß zu bestimmen, was der für das Lernmodell verwendete Hyperparameter sein soll.
  • Ferner ist das Inferenzverfahren durch das Lernmodell, das von der Lerneinheit 110 erzeugt wird, irgendein Inferenzverfahren, wie etwa ein Nachbarschaftsverfahren, eine Support-Vektor-Maschine, ein Entscheidungsbaum, ein Random Forest, ein Gradient-Boosting-Tree, eine Gaussprozessregression oder ein neuronales Netz.
  • Die Modellausgabeeinheit 111 gibt das von der Lerneinheit 110 erzeugte Lernmodell als Modellinformation aus. Die Modellausgabeeinheit 111 gibt die Information beispielsweise an die Inferenzvorrichtung 200 oder die Speichervorrichtung 10 aus.
  • Der Betrieb der Lernvorrichtung 100 gemäß der ersten Ausführungsform wird unter Bezugnahme auf 8 beschrieben.
  • 8 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung 100 gemäß der ersten Ausführungsform darstellt.
  • Zuerst ruft die Einheit 103 zum Abrufen von originalen Zeitreihendaten in Schritt ST801 originale Zeitreihendaten ab.
  • Dann bestimmt die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben in Schritt ST802 eine oder eine Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben.
  • Dann segmentiert die Zeitreihendaten-Segmentierungseinheit 105 in Schritt ST803 originale Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, in den originalen Zeitreihendaten als Zeitreihendaten für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben.
  • Dann bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 in Schritt ST804 für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben mindestens zwei voneinander verschiedene Voraussagezeitspannen, in denen ein Zeitpunkt nach Ablauf der Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht.
  • Dann ruft die Beobachtungswert-Abrufeinheit 107 in Schritt ST805 Beobachtungswerte nach dem Ablauf der Voraussagezeitspanne aus den originalen Zeitreihendaten für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen in der einen oder in jeder von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben ab.
  • Dann erzeugt die Lerndaten-Erzeugungseinheit 108 in Schritt ST806 eine Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, der zweiten Information und der dritten Information eine oder eine von einer Mehrzahl von Zeitreihendateneinheiten, die Beobachtungswerte in Zeitreihe enthalten, die von der Zeitreihendaten-Segmentierungseinheit 105 segmentiert worden sind, bei denen es sich um die erste Information handelt, eine Voraussagezeitspanneninformation, die eine von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt angibt, bei der es sich um die zweite Information handelt, und die Beobachtungswerte nach Ablauf der Voraussagezeitspanne, bei denen es sich um die dritte Information handelt.
  • Dann ruft die Lerndaten-Abrufeinheit 109 in Schritt ST807 eine Mehrzahl von Lerndateneinheiten ab.
  • Dann führt die Lerneinheit 110 in Schritt ST808 ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten durch und erzeugt ein Lernmodell.
  • Dann gibt die Modellausgabeeinheit 111 in Schritt ST809 das Lernmodell als Modellinformation aus.
  • Nach der Verarbeitung von Schritt ST809 beendet die Lernvorrichtung 100 die Verarbeitung des Flussdiagramms.
  • Wie oben beschrieben, weist die Lernvorrichtung 100 auf: die Lerndaten-Abrufeinheit 109 zum Abrufen einer Mehrzahl von Lerndateneinheiten, wobei eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder einer von einer Mehrzahl davon, einer zweiten Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne; und die Lerneinheit 110, um ein Lernen unter Verwendung der Mehrzahl der Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen worden sind, unter Verwendung einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten wird, als Erklärungsvariable und unter Verwendung der dritten Information als Reaktionsvariable durchzuführen und ein Lernmodell zu erzeugen, das in der Lage ist, einen Inferenz-Beobachtungswert nach einem Ablauf einer gewählten Voraussagezeitspanne zu erzeugen.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100 eine Inferenz eines Beobachtungswerts mit hoher Inferenzgenauigkeit mit einem geringeren Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts ermöglichen.
  • Ferner weist die Lernvorrichtung 100 zusätzlich zu der oben beschriebenen Konfiguration auf: die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben zum Bestimmen einer oder einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, wobei es sich um virtuell bestimmte aktuelle Datums- und Zeitangaben handelt, aus einer Zeitspanne, die einer originalen Zeitreihendateneinheit entspricht, die Beobachtungswerte in Zeitreihe einschließt; die Zeitreihendaten-Segmentierungseinheit 105 zum Segmentieren der originalen Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe in den originalen Zeitreihendaten entsprechen, für die eine virtuelle aktuelle Datums- und Zeitangabe oder für jede von einer Mehrzahl davon, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist, als Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe einschließen, die als Basis für die erste Information dienen; die Voraussagezeitspannen-Bestimmungseinheit 106 zum Bestimmen von mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die als Basis für die zweite Information dienen, für die eine oder für jede von einer Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden sind, wobei ein Zeitpunkt nach Ablauf einer Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht; die Beobachtungswert-Abrufeinheit 107 zum Abrufen der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die als Basis für die dritte Information dienen, aus den originalen Zeitreihendaten, für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind; und die Lerndaten-Erzeugungseinheit 108 zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, die auf einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe enthält, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information, die auf einer von einer Mehrzahl von den Voraussagezeitspannen basiert, welche die mindestens zwei voneinander verschiedenen Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind, und der dritten Information, die auf den Beobachtungswerten nach Ablauf der Voraussagezeitspanne basiert, die von der Beobachtungswert-Abrufeinheit 107 abgerufen worden sind, und die Lerndaten-Abrufeinheit 109 ist dafür ausgelegt, eine Mehrzahl von Lerndateneinheiten abzurufen, die von der Lerndaten-Erzeugungseinheit 108 erzeugt worden sind.
  • Mit dieser Konfiguration kann die Lernvorrichtung 100 eine Mehrzahl von Lerndateneinheiten auf der Basis einer einzigen originalen Zeitreihendateneinheit erzeugen.
  • Ferner kann die Lernvorrichtung 100 mit einer solchen Konfiguration unter Verwendung der Mehrzahl von Lerndateneinheiten, die auf diese Weise erzeugt wurden, ein Lernmodell erzeugen, das in der Lage ist, für jede gewählte Voraussagezeitspanne einen Beobachtungswert, der ein Inferenz-Beobachtungswert nach Ablauf der Voraussagezeitspanne ist, mit hoher Genauigkeit zu erzeugen.
  • Ferner ist die Lernvorrichtung 100 in der oben beschriebenen Konfiguration so konfiguriert, dass die Voraussagezeitspanne, die als Basis für die zweite Information dient, in den Lerndaten eine Zeitspanne ist ab einem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in der Zeitspanne, die den Zeitreihendaten entspricht, die als Basis für die erste Information in den Lerndaten dienen, und die dritte Information in den Lerndaten eine Information auf Basis eines Beobachtungswerts nach Ablauf der Voraussagezeitspanne ab diesem Zeitpunkt ist.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100 eine Inferenz eines Beobachtungswerts mit hoher Inferenzgenauigkeit mit einem geringeren Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts ermöglichen.
  • Genauer kann die Lernvorrichtung 100 mit einer solchen Konfiguration ein Lernmodell erzeugen, das in der Lage ist, einen Beobachtungswert, der ein Beobachtungswert nach dem Ablauf der Voraussagezeitspanne ab einem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in der Zeitspanne, die den Zeitreihendaten entspricht, ist, bei der Inferenz jedes künftigen Beobachtungswerts mit hoher Genauigkeit zu inferieren.
  • Ferner ist die Lernvorrichtung 100 in der oben beschriebenen Konfiguration so konfiguriert, dass die Voraussagezeitspanne, die als Basis für die zweite Information dient, in den Lerndaten eine Zeitspanne ist ab einem Zeitpunkt, zu dem ein vorgegebenes Ereignis stattfindet, in einer Zeitspanne, die den Zeitreihendaten entspricht, die als eine Basis für die erste Information in den Lerndaten dienen, und die dritte Information in den Lerndaten eine Information auf Basis eines Beobachtungswerts nach Ablauf der Voraussagezeitspanne ab dem Zeitpunkt, zu dem das Ereignis eintritt, ist.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100 eine Inferenz eines Beobachtungswerts mit hoher Inferenzgenauigkeit mit einem geringeren Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts ermöglichen.
  • Genauer kann die Lernvorrichtung 100 mit einer solchen Konfiguration ein Lernmodell erzeugen, das in der Lage ist, einen Beobachtungswert, der ein Beobachtungswert nach dem Ablauf der Voraussagezeitspanne ab dem Zeitpunkt, zu dem das vorgegebene Ereignis eintritt, in einer Zeitspanne ist, die den Zeitreihendaten entspricht, bei der Inferenz jedes künftigen Beobachtungswerts mit hoher Genauigkeit zu inferieren.
  • Ferner ist in der oben beschriebenen Konfiguration die Lernvorrichtung 100 so konfiguriert, dass die zweite Information eine Information ist, die erhalten wird durch Kodieren von Voraussagezeitspanneninformation, die in der Lage sind, eine Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist.
  • Mit dieser Konfiguration kann die Lernvorrichtung 100 die Voraussagezeitspanneninformation, die von irgendeiner Einheit dargestellt wird, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen kodieren.
  • Genauer kann die Lernvorrichtung 100 mit einer solchen Konfiguration ein Lernen auch dann durchführen, wenn die Voraussagezeitspanneninformation, die mindestens zwei voneinander verschiedenen Voraussagezeitspannen angibt, die als Basis für die zweite Information dient, eine Voraussagezeitspanneninformation ist, die von irgendeiner Einheit dargestellt wird.
  • Ferner ist die Lernvorrichtung 100 in der oben beschriebenen Konfiguration so konfiguriert, dass jede einzelne von sämtlichen Voraussagezeitspanneninformationseinheiten, die von irgendeiner Einheit dargestellt werden, eine Information ist, die in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert ist.
  • Mit dieser Konfiguration kann die Lernvorrichtung 100 die Voraussagezeitspanneninformation, die von irgendeiner Einheit dargestellt wird, in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen kodieren.
  • Genauer kann die Lernvorrichtung 100 mit einer solchen Konfiguration ein Lernen auch dann durchführen, wenn die Voraussagezeitspanneninformation, die mindestens zwei voneinander verschiedenen Voraussagezeitspannen angibt, die als Basis für die zweite Information dient, eine Voraussagezeitspanneninformation ist, die von irgendeiner Einheit dargestellt wird.
  • Ferner ist in der oben beschriebenen Konfiguration die Lernvorrichtung 100 so konfiguriert, dass die erste Information in allen Zeitreihendateneinheiten, die als Basis für die erste Information dienen, eine Information ist, die in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert ist.
  • Mit dieser Konfiguration kann die Lernvorrichtung 100 auch in einem Fall, wo die Zahl der Beobachtungswerte, die in den Zeitreihendaten enthalten sind, die von der Zeitreihendaten-Segmentierungseinheit 105 aus den originalen Zeitreihendaten segmentiert worden sind, variiert, die Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodieren.
  • Genauer kann die Lernvorrichtung 100 mit einer solchen Konfiguration ein Lernen auch dann durchführen, wenn die Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe einschließen, die als die Basis für die erste Information dienen, Zeitreihendaten sind, die irgendeine Zahl von Beobachtungswerten einschließen.
  • Ferner ist die Lernvorrichtung 100 in der oben beschriebenen Konfiguration so konfiguriert, dass die Lerneinheit 110 eine Information, die auf einer Vektordarstellung basiert, die durch Verbinden einer ersten Information, die in eine Vektordarstellung kodiert worden ist, und einer zweiten Information, die in eine Vektordarstellung kodiert worden ist, erhalten wird, als Erklärungsvariable lernt.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100 ein Lernen auch dann durchführen, wenn die Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe enthalten, die als die Basis für die erste Information dienen, die Zeitreihendaten sind, die irgendeine Anzahl von Beobachtungswerten enthalten, oder auch, wenn die Voraussagezeitspanneninformation, die mindestens zwei voneinander verschiedene Voraussagezeitspannen angeben, die als die Basis für die zweite Information dienen, die Voraussagezeitspanneninformation ist, die von irgendeiner Einheit dargestellt wird.
  • Ferner weist die Lerndaten-Erzeugungsvorrichtung, wie oben beschrieben, auf: die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, um eine virtuelle aktuelle Datums- und Zeitangabe, bei der es sich um eine virtuell bestimmte aktuelle Datums- und Zeitangaben handelt, oder eine Mehrzahl davon aus einer Zeitspanne zu bestimmen, die einer einzigen originalen Zeitreihendateneinheit entspricht, die Beobachtungswerte in Zeitreihe einschließt; die Zeitreihendaten-Segmentierungseinheit 105 zum Segmentieren der originalen Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe in den originalen Zeitreihendaten entsprechen, als Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe einschließen, die als Basis für die erste Information dienen, für die eine virtuelle aktuelle Datums- und Zeitangabe oder für jede von einer Mehrzahl davon, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist; die Voraussagezeitspannen-Bestimmungseinheit 106 zum Bestimmen von mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die als Basis für die zweite Information dienen, für die eine oder für jede von der Mehrzahl von virtuellen aktuellen Datums- und Zeitangaben, die von der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden sind, wobei ein Zeitpunkt nach Ablauf einer Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht; die Beobachtungswert-Abrufeinheit 107 zum Abrufen der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die als Basis für die dritte Information dienen, aus den originalen Zeitreihendaten für jede von mindestens zwei von den voneinander verschiedenen Voraussagezeitspannen, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind; und die Lerndaten-Erzeugungseinheit 108 zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, die auf einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe enthalten, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information, die auf einer von einer Mehrzahl von Voraussagezeitspannen basiert, die mindestens zwei voneinander verschiedenen Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit 106 bestimmt worden sind, und der dritten Information, die auf den Beobachtungswerten nach Ablauf der Voraussagezeitspanne basiert, die von der Beobachtungswert-Abrufeinheit 107 abgerufen worden sind.
  • Mit einer solchen Konfiguration kann die Lerndaten-Erzeugungsvorrichtung eine Mehrzahl von Lerndateneinheiten auf der Basis einer einzigen originalen Zeitreihendateneinheit erzeugen.
  • Ferner kann die Lerndaten-Erzeugungsvorrichtung mit einer solchen Konfiguration die auf diese Weise erzeugte Mehrzahl von Lerndateneinheiten an der Lernvorrichtung 100 bereitstellen, die das Lernmodell erzeugt. Die Lernvorrichtung 100 kann durch Durchführen eines Lernens unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Erzeugungsvorrichtung bereitgestellt worden sind, ein Lernmodell erzeugen, das in der Lage ist, für jede gewählte Voraussagezeitspanne einen Beobachtungswert, der ein Inferenz-Beobachtungswert nach Ablauf einer Voraussagezeitspanne ist, mit hoher Genauigkeit zu erzeugen.
  • Die Lernvorrichtung 200 gemäß der ersten Ausführungsform wird unter Bezugnahme auf 9 bis 11 beschrieben.
  • 9 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform zeigt.
  • Die Inferenzvorrichtung 200 weist eine Anzeigesteuereinheit 201, eine Bedienungsempfangseinheit 202, eine Inferenz-Zeitreihendaten-Abrufeinheit 203, eine Modellerfassungseinheit 206, eine Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, eine Inferenzdaten-Erzeugungseinheit 205, eine Inferenzdaten-Abrufeinheit 207, eine Inferenzdaten-Eingabeeinheit 208, eine Inferenzeinheit 209, eine Ergebniserfassungseinheit 210 und eine Ergebnisausgabeeinheit 211 auf.
  • Man beachte, dass jede von den Funktionen der Anzeigesteuereinheit 201, der Bedienungsempfangseinheit 202, der Inferenz-Zeitreihendaten-Abrufeinheit 203, der Modellerfassungseinheit 206, der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, der Inferenzdaten-Erzeugungseinheit 205, der Inferenzdaten-Abrufeinheit 207, der Inferenzdaten-Eingabeeinheit 208, der Inferenzeinheit 209, der Ergebniserfassungseinheit 210 und der Ergebnisausgabeeinheit 211, die in der Inferenzvorrichtung 200 enthalten sind, von dem Prozessor 301 und dem Speicher 302 in der als Beispiel in 3A und 3B dargestellten Hardware-Konfiguration implementiert werden kann oder von der Verarbeitungsschaltung 303 implementiert werden kann.
  • Die Anzeigesteuereinheit 201 erzeugt ein Bildsignal, das einem Bild entspricht, das auf der Anzeigevorrichtung 12 angezeigt werden soll, und gibt das erzeugte Bildsignal an die Anzeigevorrichtung 12 aus. Das Bild, das auf der Anzeigevorrichtung 12 angezeigt werden soll, ist ein Bild, das eine Liste von Zeitreihendaten, die in der Speichervorrichtung 10 gespeichert sind, eine Liste von Modellinformation oder dergleichen angibt.
  • Die Bedienungsempfangseinheit 202 empfängt das von der Eingabevorrichtung 14 ausgegebene Bedienungssignal und gibt eine Bedienungsinformation, die eine Eingabehandlung eines Anwenders angibt, die dem Bedienungssignal entspricht, an die Inferenz-Zeitreihendaten-Abrufeinheit 203, die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, die Modellerfassungseinheit 206 oder dergleichen aus.
  • Die Bedienungsinformation, die von der Bedienungsempfangseinheit 202 ausgegeben wird, ist beispielsweise eine in der Speichervorrichtung 10 gespeicherte Information, die Zeitreihendaten, Modellinformation oder dergleichen angibt, die durch eine Eingabehandlung eines Anwenders ausgewählt werden.
  • Die Inferenzdaten-Abrufeinheit 207 ruft Inferenzdaten ab, die durch Kombinieren einer vierten Information, die auf Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und einer fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, erhalten werden.
  • Genauer werden beispielsweise Inferenzdaten abgerufen, die von der Inferenzdaten-Erzeugungseinheit 205 erzeugt worden sind. Die Inferenzdaten-Erzeugungseinheit 205 erzeugt Inferenzdaten unter Verwendung der von der Inferenz-Zeitreihendaten-Abrufeinheit 203 und der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufenen Informationen.
  • Man beachte, dass die Inferenzdaten-Abrufeinheit 207 Inferenzdaten durch Lesen von vorab erstellten Inferenzdaten aus der Speichervorrichtung 10 abrufen kann. In einem Fall, wo die Inferenzdaten-Abrufeinheit 207 die Inferenzdaten durch Lesen der vorab erstellten Inferenzdaten aus der Speichervorrichtung 10 abruft, sind die Inferenz-Zeitreihendaten-Abrufeinheit 203, die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen und die Inferenzdaten-Erzeugungseinheit 205 keine wesentlichen Komponenten.
  • Die Inferenz-Zeitreihendaten-Abrufeinheit 203 ruft Zeitreihendaten ab. In der folgenden Beschreibung werden die Zeitreihendaten, die von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufen werden, als Inferenz-Zeitreihendaten bezeichnet.
  • Genauer empfängt beispielsweise die Inferenz-Zeitreihendaten-Abrufeinheit 203 die Bedienungsinformation, die von der Bedienungsempfangseinheit 202 ausgegeben wird, und liest die von der Bedienungsinformation angegebenen Zeitreihendaten aus der Speichervorrichtung 10 aus, um die Zeitreihendaten als die Inferenz-Zeitreihendaten abzurufen.
  • Die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen ruft Information über gewählte Voraussagezeitspannen, die die gewählte Voraussagezeitspanne des Voraussageziels angeben, ab.
  • Genauer ist beispielsweise die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne von einem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Außerdem ist beispielsweise die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ab einem Zeitpunkt, zu dem ein vorgegebenes Ereignis eintritt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Zum Beispiel empfängt die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen die Bedienungsinformation, die von der Bedienungsempfangseinheit 202 ausgegeben wird, und wandelt die gewählte Voraussagezeitspanne des Voraussageziels, die von der Bedienungsinformation angegeben wird, in die Information über die gewählte Voraussagezeitspanne um, um die Information über die gewählte Voraussagezeitspanne abzurufen.
  • Die Inferenzdaten-Erzeugungseinheit 205 erzeugt Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufenen Inferenz-Zeitreihendaten basiert, und der fünften Information, die in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels, die von der Information über die gewählte Voraussagezeitspanne angegeben wird, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen worden ist, zu spezifizieren.
  • Genauer segmentiert beispielsweise die Inferenzdaten-Erzeugungseinheit 205 Inferenz-Zeitreihendaten, die einer vorgegebenen Zahl von Beobachtungswerten entsprechen, die am nächsten an der aktuellen Datums- und Zeitangabe liegen, in den Inferenz-Zeitreihendaten, die von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufen worden sind, und bestimmt, dass die segmentierten Inferenz-Zeitreihendaten die vierte Information sein sollen. Außerdem bestimmt die Inferenzdaten-Erzeugungseinheit 205, dass die Information über die gewählte Voraussagezeitspanne, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen worden ist, die fünfte Information sein soll. Die Inferenzdaten-Erzeugungseinheit 205 erzeugt Inferenzdaten durch Kombinieren der vierten Information und der fünften Information. In einem Fall, wo die Inferenzdaten-Erzeugungseinheit 205 die Inferenzdaten anhand eines solchen Verfahrens erzeugt, ist die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne von einem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Ferner kann beispielsweise die Inferenzdaten-Erzeugungseinheit 205 Inferenz-Zeitreihendaten, die einer vorgegebenen Zahl von Beobachtungswerten entsprechen, die am nächsten an der aktuellen Datums- und Zeitangabe liegen, in den Inferenz-Zeitreihendaten vor dem Zeitpunkt, zu dem das vorgegebene Ereignis eintritt, in den von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufenen Inferenz-Zeitreihendaten segmentieren und bestimmen, dass die segmentierten Inferenz-Zeitreihendaten die vierte Information sein sollen. Die Inferenzdaten-Erzeugungseinheit 205 bestimmt, dass die Information über die gewählte Voraussagezeitspanne, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen worden ist, die fünfte Information sein soll. Die Inferenzdaten-Erzeugungseinheit 205 erzeugt Inferenzdaten durch Kombinieren der vierten Information und der fünften Information. In einem Fall, wo die Inferenzdaten-Erzeugungseinheit 205 die Inferenzdaten anhand eines solchen Verfahrens erzeugt, ist die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ab einem Zeitpunkt, zu dem ein vorgegebenes Ereignis stattfindet, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Ein Beispiel für ein spezifisches Verfahren zum Erzeugen von Inferenzdaten durch die Inferenz-Zeitreihendaten-Abrufeinheit 203, die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen und die Inferenzdaten-Erzeugungseinheit 205 wird unter Bezugnahme auf 10A beschrieben.
  • 10A ist eine Skizze, die ein Beispiel für Inferenz-Zeitreihendaten, eine gewählte Voraussagezeitspanne, eine vierte Information, eine fünfte Information und eine Erklärungsvariable darstellt.
  • Ähnlich wie die originalen Zeitreihendaten, die in 4 gezeigt sind, sind die Inferenz-Zeitreihendaten, die in 10A gezeigt sind, ein Diagramm, das als Beispiel einen Teil der Zeitreihendaten zeigt, in denen die Zahl von Besuchern eines bestimmten Themenparks für 365 Tage ab 1. September 2018 bis 31. August 2019 als Beobachtungswert für jeden Tag als Beispiel angegeben wird.
  • Die Einheit 203 zum Abrufen von Inferenz-Zeitreihendaten ruft die Inferenz-Zeitreihendaten, die in 10A dargestellt sind, aus der Speichervorrichtung 10 ab.
  • Auf Basis der in 10A dargestellten Inferenz-Zeitreihendaten segmentiert die Inferenzdaten-Erzeugungseinheit 205 die Inferenz-Zeitreihendaten, die der Zeitspanne vom 22. August 2019 bis zum 31. August 2019 entsprechen, beispielsweise so, dass die Zahl der Beobachtungswerte in den Inferenz-Zeitreihendaten, die der Zeitspanne vom 1. September 2018 bis zum 31. August 2019 entsprechen, 10 ist. Die Inferenzdaten-Erzeugungseinheit 205 bestimmt, dass die Inferenz-Zeitreihendaten, die der Zeitspanne vom 22. August 2019 bis zum 31. August 2019 entsprechen, die vierte Information sein sollen.
  • Wie in 10A dargestellt ist, bestimmt die Inferenzdaten-Erzeugungseinheit 205 außerdem, dass die Information über die gewählte Voraussagezeitspanne, die angibt, dass die gewählte Voraussagezeitspanne des Voraussageziels plus 30 Tage ist, die fünfte Information sein soll.
  • Zum Beispiel kann die Inferenzdaten-Erzeugungseinheit 205, wie von einer gestrichelten Linie in 10A angegeben ist, bestimmen, dass eine Information, die erhalten wird durch Kodieren der von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufenen Zeitreihendaten in eine Vektordarstellung, welche die vorgegebene gleiche Zahl von Dimensionen aufweist, die vierte Information sein soll. Das Verfahren, anhand dessen die Inferenzdaten-Erzeugungseinheit 205 die Inferenz-Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert, ist dem Verfahren ähnlich, anhand dessen die Zeitreihendaten in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert werden, wenn die erste Informationserzeugungseinheit 181a in der Lernvorrichtung 100 die erste Information erzeugt, und somit wird auf seine Beschreibung verzichtet.
  • Zum Beispiel kann die Inferenzdaten-Erzeugungseinheit 205, wie von einer Beschreibung in Klammern in 10A angegeben ist, bestimmen, dass eine Information, die erhalten wird durch Kodieren der Information, die durch Kodieren der Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist, die fünfte Information sein soll. Das Verfahren, anhand dessen die Inferenzdaten-Erzeugungseinheit 205 die Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung mit der vorgegebenen Zahl von Dimensionen kodiert, ist dem Verfahren ähnlich, anhand dessen die zweite Informationserzeugungseinheit 182a in der Lernvorrichtung 100 die Voraussagezeitspanneninformation in eine Vektordarstellung mit der vorgegebenen Zahl von Dimensionen kodiert, wenn sie die zweite Information erzeugt, und somit wird auf seine Beschreibung verzichtet.
  • Man beachte, dass die fünfte Information vorzugsweise eine Information ist, die in eine Vektordarstellung kodiert worden ist, die in jeder einzelnen Information über die gewählte Voraussagezeitspanne, die von irgendeiner Einheit dargestellt wird, die gleiche Zahl von Dimensionen aufweist.
  • Die Modellerfassungseinheit 206 ruft Modellinformationen ab.
  • Genauer empfängt beispielsweise die Modellerfassungseinheit 206 die Bedienungsinformation, die von der Bedienungsempfangseinheit 202 ausgegeben werden, und liest die von den Bedienungsinformation angegebene Modellinformation aus der Speichervorrichtung 10 aus, um die Modellinformation abzurufen.
  • Das Lernmodell, das von der von der Modellerfassungseinheit 206 abgerufenen Modellinformation angegeben wird, ist ein Lernmodell, das einem Lernergebnis durch maschinelles Lernen entspricht, für das eine Mehrzahl von Lerndateneinheiten verwendet werden, in denen eine Information, die erhalten wird durch Kombinieren einer ersten Information und einer zweiten Information in Lerndaten, die durch Kombinieren der ersten Information, die auf einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe enthält, oder auf einer von einer Mehrzahl von basiert, der zweiten Information, die auf einer von einer Mehrzahl von Voraussagezeitspannen basiert, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließen, und einer dritten Information, die auf Beobachtungswerten nach einem Ablauf der Voraussagezeitspanne basiert, als Erklärungsvariable verwendet wird, und die dritte Information als Reaktionsvariable verwendet wird.
  • Genauer ist beispielsweise die von der Modellerfassungseinheit 206 abgerufene Modellinformation die von der Lernvorrichtung 100 ausgegebene Modellinformation. Die Modellerfassungseinheit 206 ruft die von der Lernvorrichtung 100 ausgegebene Modellinformation direkt aus der Lernvorrichtung 100 oder über die Speichervorrichtung 10 ab.
  • 9 stellt einen Fall dar, wo die Modellerfassungseinheit 206 die von der Lernvorrichtung 100 ausgegebene Modellinformation direkt aus der Lernvorrichtung 100 abruft.
  • Die Inferenzeinheit 209 verwendet das Lernmodell, das von der von der Modellabrufeinheit 206 abgerufenen Modellinformation angegeben wird, um den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Man beachte, dass die Inferenzeinheit 209, die den Inferenz-Beobachtungswert nach dem Ablauf der gewählten Voraussagezeitspanne, die unter Verwendung des Lernmodells ausgewählt wird, inferiert, in der Inferenzvorrichtung 200 bereitgestellt sein kann oder in einer externen Vorrichtung (nicht dargestellt), die mit der Inferenzvorrichtung 200 verbunden ist, bereitgestellt sein kann.
  • Die Inferenzdaten-Eingabeeinheit 208 gibt die von der Inferenzdaten-Abrufeinheit 207 abgerufenen Inferenzdaten als Erklärungsvariable in ein Lernmodell ein, das einem Ergebnis eines Lernens durch maschinelles Lernen entspricht.
  • Genauer gibt die Inferenzdaten-Eingabeeinheit 208 die Inferenzdaten in die Inferenzeinheit 209 ein und bewirkt, dass die Inferenzeinheit 209 die Inferenzdaten in das Lernmodell eingibt.
  • Da die Inferenzdaten, die durch Kombinieren der vierten Information und der fünften Information erhalten werden, als Erklärungsvariable in das Lernmodell eingegeben werden, erzeugt die Inferenzdaten-Erzeugungseinheit 205 die Inferenzdaten, die durch Kombinieren der vierten Information und der fünften Information erhalten werden, die beide in eine Vektordarstellung mit einer vorgegebenen Zahl von Dimensionen kodiert sind, so dass das Lernmodell als Erklärungsvariable die Inferenzdaten empfangen kann, die durch Kombinieren der vierten Information und der fünften Information erhalten wurden, auch wenn die Inferenz-Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe enthalten, die als die Basis für die vierte Information dienen, Zeitreihendaten sind, die irgendeine Zahl von Beobachtungswerten einschließen, oder auch dann, wenn die Information über die gewählte Voraussagezeitspanne, welche die gewählte Voraussagezeitspanne angibt, die als Basis für die fünfte Information dient, eine Information ist, die von irgendeiner Einheit dargestellt wird.
  • Die Ergebnisabrufeinheit 210 ruft den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne, der von dem Lernmodell als das Inferenzergebnis ausgegeben wird, ab.
  • Genauer ruft die Ergebnisabrufeinheit 210 den Inferenz-Beobachtungswert nach dem Ablauf der gewählten Voraussagezeitspanne, der als das Inferenzergebnis von dem Lernmodell ausgegeben wird, aus der Inferenzeinheit 209 oder einer externen Vorrichtung, welche die Inferenzeinheit 209 einschließt, ab.
  • Die Ergebnisausgabeeinheit 211 gibt den von der Ergebnisabrufeinheit 210 abgerufenen Inferenz-Beobachtungswert aus.
  • Genauer gibt beispielsweise die Ergebnisausgabeeinheit 211 den von der Ergebnisabrufeinheit 210 abgerufenen Inferenz-Beobachtungswert über die Anzeigesteuereinheit 201 aus. Die Anzeigesteuereinheit 201 erzeugt nach Empfang des Inferenz-Beobachtungswerts aus der Ergebnisausgabeeinheit 211 ein Bildsignal, das einem Bild entspricht, das den Inferenz-Beobachtungswert angibt, gibt das Bildsignal an die Anzeigevorrichtung 12 aus und bewirkt, dass die Anzeigevorrichtung 12 das Bild anzeigt, das den Inferenz-Beobachtungswert angibt.
  • Außerdem kann die Ergebnisausgabeeinheit 211 beispielsweise den von der Ergebnisabrufeinheit 210 abgerufenen Inferenz-Beobachtungswert an die Speichervorrichtung 10 ausgeben und die Speichervorrichtung 10 veranlassen, den Inferenz-Beobachtungswert zu speichern.
  • In einem Fall, wo das Lernmodell, das von der Lernvorrichtung 100 erzeugt wird, ein Lernmodell ist, das in der Lage ist, einen Beobachtungswert, der ein Inferenz-Beobachtungswert nach Ablauf einer Voraussagezeitspanne ist, für irgendeine Voraussagezeitspanne von plus ein Tag bis plus 355 Tage, die auf Basis der in 4 dargestellten originalen Zeitreihendaten gelernt worden ist, zu inferieren, ist die gewählte Voraussagezeitspanne, die von den Information über gewählte Voraussagezeitspannen angegeben wird, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen werden, beispielsweise irgendeine Zeitspanne von plus ein Tag bis plus 355 Tage.
  • In einem Fall, wo die von der Information über die gewählte Voraussagezeitspanne angegebene gewählte Voraussagezeitspanne irgendeiner von der Mehrzahl von Voraussagezeitspannen entspricht, in denen der Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne durch das Lernmodell inferiert werden kann, kann die Inferenzvorrichtung 200 den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne schon durch einmaliges Durchführen einer Inferenz unter Verwendung des Lernmodells inferieren.
  • In diesem Fall ist die Information über die gewählte Voraussagezeitspanne, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen wird, beispielsweise eine Information, die irgendein Datum angibt von den Datumsangaben ab 1. September 2019 bis 20. August 2020, die einer Zeitspanne von plus ein Tag bis plus 355 Tage entsprechen, auf Basis eines Zeitpunkts, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht.
  • Die Inferenzdaten-Erzeugungseinheit 205 bestimmt, dass eine Information, die das Datum angibt, bei dem es sich um die Information über die gewählte Voraussagezeitspanne handelt, die von der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen abgerufen wird, die fünfte Information sein soll.
  • Ferner erzeugt die Inferenzdaten-Erzeugungseinheit 205 Inferenzdaten, die durch Kombinieren der vierten Information und der fünften Information erhalten werden.
  • Man beachte, dass die gewählte Voraussagezeitspanne, die von der Information über die gewählte Voraussagezeitspanne angegeben wird, keiner von der Mehrzahl von Voraussagezeitspannen entsprechen muss, in denen der Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne von dem Lernmodell inferiert werden kann. In einem Fall, wo die von der Information über die gewählte Voraussagezeitspanne angegebene gewählte Voraussagezeitspanne keiner von der Mehrzahl von Voraussagezeitspannen entspricht, in denen der Inferenz-Beobachtungswert nach Ablauf der vorgesehenen Voraussagezeitspanne durch das Lernmodell inferiert werden kann, verwendet die Inferenzvorrichtung 200 das Lernmodell, um den Inferenz-Beobachtungswert nach Ablauf der vorgesehenen Voraussagezeitspanne durch Kombinieren der Voraussagezeitspannen, in denen der Inferenz-Beobachtungswert inferiert werden kann, so, dass die Zahl der Inferenzen so klein wie möglich ist, zu inferieren. Die Inferenzvorrichtung 200 kann durch Kombinieren der Voraussagezeitspannen, in denen der Inferenz-Beobachtungswert inferiert werden kann, so, dass die Zahl der Inferenzen so klein wie möglich ist, den Inferenzfehler verkleinern, der in dem Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne enthalten ist, die von der Information über die gewählte Voraussagezeitspanne angegeben wird.
  • 10B ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf der Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211 den Inferenz-Beobachtungswert und die Quantilpunktinformation, die von der Ergebnis-Abrufeinheit 210 abgerufen wird, über eine Anzeigesteuereinheit 201 ausgibt.
  • In der Anzeigevorrichtung 12 werden, wie beispielsweise in 10B dargestellt, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner zeigt die Anzeigevorrichtung 12 die gewählte Voraussagezeitspanne des gewählten Voraussageziels an, wie beispielsweise in 10B dargestellt ist.
  • Außerdem wird der Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne auf der Anzeigevorrichtung 12 angezeigt, wie beispielsweise in 10B dargestellt ist.
  • Der Betrieb der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform wird unter Bezugnahme auf 11 beschrieben.
  • 11 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung 200 gemäß der ersten Ausführungsform darstellt.
  • Zuerst ruft die Inferenz-Zeitreihendaten-Abrufeinheit 203 in Schritt ST1101 Inferenz-Zeitreihendaten ab.
  • Dann ruft die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen in Schritt ST1102 Information über gewählte Voraussagezeitspannen, die die gewählte Voraussagezeitspanne des Voraussageziels angeben, ab.
  • Dann erzeugt die Inferenzdaten-Erzeugungseinheit 205 in Schritt ST1103 Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Inferenz-Zeitreihendaten basiert, und der fünften Information, die auf der Information über die gewählte Voraussagezeitspanne basiert und in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, die von der Information über die gewählte Voraussagezeitspanne angegeben wird.
  • Dann ruft die Modell-Abrufeinheit 206 in Schritt ST1104 Modellinformationen ab.
  • Dann ruft die Inferenzdaten-Abrufeinheit 207 in Schritt ST1105 Inferenzdaten ab.
  • Dann gibt die Inferenzdaten-Eingabeeinheit 208 in Schritt ST1106 die Inferenzdaten als Erklärungsvariable in das Lernmodell ein.
  • Dann verwendet die Inferenzeinheit 209 in Schritt ST1107 das Lernmodell, um den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Dann ruft die Ergebnisabrufeinheit 210 in Schritt ST1108 den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne, der von dem Lernmodell als das Inferenzergebnis ausgegeben worden ist, ab.
  • Dann gibt die Ergebnisausgabeeinheit 211 in Schritt ST1109 den von der Ergebnisabrufeinheit 210 abgerufenen Inferenz-Beobachtungswert aus.
  • Nach der Verarbeitung von Schritt ST1109 beendet die Inferenzvorrichtung 200 die Verarbeitung des Flussdiagramms.
  • Man beachte, dass in dem Flussdiagramm die Verarbeitungsreihenfolge der Schritte ST1101 und ST1102 keine Rolle spielt, solange die Verarbeitung vor der Verarbeitung von Schritt ST1103 ausgeführt wird. Außerdem kann die Verarbeitung von Schritt ST1104 in jeder Reihenfolge ausgeführt werden, solange sie vor der Verarbeitung von Schritt ST1106 ausgeführt wird.
  • Wie oben beschrieben, weist die Inferenzvorrichtung 200 auf: die Inferenzdaten-Abrufeinheit 207 zum Abrufen von Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf Inferenz-Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und der fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne eines Voraussageziels zu spezifizieren; die Inferenzdaten-Eingabeeinheit 208 zum Eingeben der Inferenzdaten, die von der Inferenzdaten-Abrufeinheit 207 abgerufen worden sind, als Erklärungsvariable in ein Lernmodell, das einem Ergebnis eines Lernens durch maschinelles Lernen entspricht; die Ergebnisabrufeinheit 210 zum Abrufen eines Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne, wobei der Inferenz-Beobachtungswert von dem Lernmodell als Inferenzergebnis ausgegeben wird; und die Ergebnisausgabeeinheit 211 zum Ausgeben des von der Ergebnisabrufeinheit 210 abgerufenen Inferenz-Beobachtungswerts.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 einen Beobachtungswert mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts inferieren.
  • Ferner ist die Inferenzvorrichtung 200 in der oben beschriebenen Konfiguration so konfiguriert, dass das Lernmodell ein Lernmodell ist, das einem Ergebnis eines Lernens durch maschinelles Lernen entspricht, für das eine Mehrzahl von Lerndateneinheiten verwendet werden, in denen eine Information, die erhalten wird durch Kombinieren einer ersten Information und einer zweiten Information in Lerndaten, die durch Kombinieren der ersten Information, die auf einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder auf einer von einer Mehrzahl von basiert, der zweiten Information, die auf einer von einer Mehrzahl von Voraussagezeitspannen basiert, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließen, und einer dritten Information, die auf Beobachtungswerten nach einem Ablauf der Voraussagezeitspanne basiert, erhalten werden, als Erklärungsvariable verwendet wird, und die dritte Information als Reaktionsvariable verwendet wird.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 einen Beobachtungswert mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts inferieren.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ab einem Zeitpunkt ist, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 einen Beobachtungswert mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts inferieren.
  • Genauer kann die Inferenzvorrichtung 200 mit einer solchen Konfiguration den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne ab dem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in der Zeitspanne, die den Inferenz-Zeitreihendaten entsprechen, die als Basis für die vierte Information dienen, mit hoher Genauigkeit bei der Inferenz aller künftigen Beobachtungswerte inferieren.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ab dem Zeitpunkt ist, zu dem das vorgegebene Ereignis stattfindet, in der Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 einen Beobachtungswert mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler bei einer Inferenz jedes künftigen Beobachtungswerts inferieren.
  • Noch genauer kann die Inferenzvorrichtung 200 mit einer solchen Konfiguration den Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne ab dem Zeitpunkt, zu dem das vorgegebene Ereignis stattfindet, in der Zeitspanne, die den Inferenz-Zeitreihendaten entsprechen, die als Basis für die vierte Information dienen, mit hoher Genauigkeit bei der Inferenz aller künftigen Beobachtungswerte inferieren.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die fünfte Information eine Information ist, die durch Kodieren der Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist, erhalten wird.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 die durch Kombinieren der vierten Information und der fünften Information erhaltenen Inferenzdaten als Erklärungsvariable in das Lernmodell eingeben, auch wenn die Information über die gewählte Voraussagezeitspanne, die die gewählte Voraussagezeitspanne angibt, die als Basis für die fünfte Information dient, eine Information ist, die von irgendeiner Einheit dargestellt wird.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die fünfte Information in allen Information über die gewählte Voraussagezeitspanne, die von irgendeiner Einheit dargestellt werden, eine Information ist, die in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert ist.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 die durch Kombinieren der vierten Information und der fünften Information erhaltenen Inferenzdaten als Erklärungsvariable in das Lernmodell eingeben, auch wenn die Information über die gewählte Voraussagezeitspanne, die die gewählte Voraussagezeitspanne angibt, die als Basis für die fünfte Information dient, eine Information ist, die von irgendeiner Einheit dargestellt wird.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die vierte Information in allen Zeitreihendateneinheiten, die als Basis für die vierte Information dienen, eine Information ist, die in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert ist.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 auch dann, wenn die Inferenz-Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe einschließen, die als die Basis für die vierte Information dienen, Zeitreihendaten sind, die irgendeine Zahl von Beobachtungswerten einschließen, die Inferenzdaten, die durch Kombinieren der vierten Information und der fünften Information erhalten werden, als Erklärungsvariable in das Lernmodell eingeben.
  • Ferner ist in der oben beschriebenen Konfiguration die Inferenzvorrichtung 200 so konfiguriert, dass die Inferenzdaten-Eingabeeinheit 208 Information durch eine Vektordarstellung, die durch Verbinden der vierten Information, die in eine Vektordarstellung kodiert worden ist, und der fünften Information, die in eine Vektordarstellung kodiert worden ist, erhalten wird, als eine Erklärungsvariable in das Lernmodell eingibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200 die durch Kombinieren der vierten Information und der fünften Information erhaltenen Inferenzdaten auch dann als die Erklärungsvariable in das Lernmodell eingeben, wenn die Inferenz-Zeitreihendaten, welche die Beobachtungswerte in Zeitreihe einschließen, die als die Basis für die vierte Information dienen, Zeitreihendaten sind, die irgendeine Zahl von Beobachtungswerten einschließen, oder auch dann, wenn die Information über die gewählte Voraussagezeitspanne, welche die gewählte Voraussagezeitspanne angibt, die als die Basis für die fünfte Information dient, eine Information ist, die von irgendeiner Einheit dargestellt wird.
  • Zweite Ausführungsform.
  • Ein Inferenzsystem 1a gemäß einer zweiten Ausführungsform wird nun unter Bezugnahme auf 12 bis 17 beschrieben.
  • 12 ist ein Blockschema, das ein Beispiel für einen Hauptteil des Inferenzsystems 1a gemäß der zweiten Ausführungsform darstellt.
  • Das Inferenzsystem 1a gemäß der zweiten Ausführungsform unterscheidet sich von dem Inferenzsystem 1 gemäß der ersten Ausführungsform darin, dass die Lernvorrichtung 100 und die Inferenzvorrichtung 200 in eine Lernvorrichtung 100a und eine Inferenzvorrichtung 200a geändert wurden.
  • In der Konfiguration des Inferenzsystems 1a gemäß der zweiten Ausführungsform werden Konfigurationen, die denen des Inferenzsystems 1 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 12, welche die gleichen Bezugszahlen aufweist wie in 1 gezeigt, wird weggelassen.
  • Das Inferenzsystem 1a gemäß der zweiten Ausführungsform weist die Lernvorrichtung 100a, die Inferenzvorrichtung 200a, die Speichervorrichtung 10, Anzeigevorrichtungen 11 und 12 und Eingabevorrichtungen 13 und 14 auf.
  • Die Speichervorrichtung 10 ist eine Vorrichtung zum Speichern von Informationen, die für das Inferenzsystem 1a notwendig sind, wie etwa Zeitreihendaten.
  • Die Anzeigevorrichtung 11 empfängt ein Bildsignal, das von der Lernvorrichtung 100a ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Anzeigevorrichtung 12 empfängt ein Bildsignal, das von der Inferenzvorrichtung 200a ausgegeben wird, und führt eine Bildanzeige durch, die dem Bildsignal entspricht.
  • Die Eingabevorrichtung 13 empfängt eine Bedienungseingabe von dem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Lernvorrichtung 100a aus.
  • Die Eingabevorrichtung 14 empfängt eine Bedienungseingabe von einem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Inferenzvorrichtung 200a aus.
  • Die Lernvorrichtung 100a ist eine Vorrichtung, die ein Lernmodell durch Durchführen von maschinellem Lernen auf Basis von Zeitreihendaten erzeugt und das erzeugte Lernmodell als Modellinformation ausgibt.
  • Die Inferenzvorrichtung 200a ist eine Vorrichtung, die eine Erklärungsvariable in ein Lernmodell eingibt, das einem Lernergebnis durch maschinelles Lernen entspricht, einen Inferenz-Beobachtungswert, der von dem gelernten Modell als Inferenzergebnis ausgegeben wird, und eine Quantilpunktinformation, die einen Quantilpunkt des Inferenz-Beobachtungswerts angibt, abruft und den abgerufenen Beobachtungswert und die abgerufene Quantilpunktinformation ausgibt.
  • Die Lernvorrichtung 100a gemäß der zweiten Ausführungsform wird unter Bezugnahme auf 13 und 14 beschrieben.
  • 13 ist ein Diagramm, das ein Beispiel für die Konfiguration des Hauptteils der Lernvorrichtung 100a gemäß der zweiten Ausführungsform zeigt.
  • Die Lernvorrichtung 100a gemäß der zweiten Ausführungsform unterscheidet sich von der Lernvorrichtung 100 gemäß der ersten Ausführungsform darin, dass die Lerneinheit 110 in eine Lerneinheit 110a geändert wurde.
  • In der Konfiguration der Lernvorrichtung 100a gemäß der zweiten Ausführungsform werden Konfigurationen, die denen der Lernvorrichtung 100 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 13, welche die gleichen Bezugszahlen aufweist wie in 2 gezeigt, wird weggelassen.
  • Die Lernvorrichtung 100a weist eine Anzeigesteuereinheit 101, eine Bedienungsempfangseinheit 102, eine Einheit 103 zum Abrufen von originalen Zeitreihendaten, eine Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, eine Zeitreihendaten-Segmentierungseinheit 105, eine Voraussagezeitspannen-Bestimmungseinheit 106, eine Beobachtungswert-Abrufeinheit 107, eine Lerndaten-Erzeugungseinheit 108, eine Lerndaten-Abrufeinheit 109, eine Lerneinheit 110a und eine Modellausgabeeinheit 111 auf.
  • Man beachte, dass alle Funktion der Anzeigesteuereinheit 101, der Bedienungsempfangseinheit 102, der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107, der Lerndaten-Erzeugungseinheit 108, der Lerndaten-Abrufeinheit 109, der Lerneinheit 110a und der Modellausgabeeinheit 111, die in der Lernvorrichtung 100a enthalten sind, in der Hardware-Konfiguration, die zum Beispiel in 3A und 3B dargestellt ist, von dem Prozessor 301 und dem Speicher 302 implementiert werden können oder von der Verarbeitungsschaltung 303 implementiert werden können.
  • Die Lerneinheit 110a lernt unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen worden sind, mit einer Information, die durch Kombinieren einer ersten Information und einer zweiten Information in den Lerndaten erhalten worden ist, als Erklärungsvariable und der dritten Information als Reaktionsvariable. Die Lerneinheit 110a erzeugt ein Lernmodell, das in der Lage ist, durch das Lernen einen Quantilpunkt der Inferenz-Beobachtungswerte zusätzlich zu dem Inferenz-Beobachtungswert nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Genauer führt die Lerneinheit 110a, wenn sie die dritte Information als Reaktionsvariable lernt, ein überwachtes maschinelles Lernen unter Verwendung der Reaktionsvariable als Lehrerdaten durch, wodurch sie ein Lernmodell erzeugt, das in der Lage ist, einen Quantilpunkt des Inferenz-Beobachtungswerts zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Zum Beispiel kann die Lerneinheit 110a ein Lernmodell erzeugen, das in der Lage ist, einen Quantilpunkt von Inferenz-Beobachtungswerten durch Durchführen von maschinellem Lernen durch Quantilregression zu inferieren.
  • Genauer kann die Lerneinheit 110a beispielsweise ein Lernmodell erzeugen, das in der Lage ist, den Quantilpunkt durch Durchführen von maschinellem Lernen durch Quantilregression für den Quantilpunkt, der irgendeinem gewählte Verhältnis unter Verwendung eines Gradient-Boosting-Tree entspricht, zu inferieren.
  • Bei der Inferenz des Quantilpunkts des Inferenz-Beobachtungswerts kann die Lerneinheit 110a ein Lernmodell erzeugen, das in der Lage ist, einen Quantilpunkt, der irgendeinem Verhältnis, wie etwa 10 %, 25 %, 75 % oder 90 % entspricht, zusätzlich zu dem 50%-Quantilpunkt, der dem Mittelwert bei der Inferenz des Inferenz-Beobachtungswerts entspricht, zu inferieren.
  • Im Folgenden wird das Lernmodell, das von der Lerneinheit 110a erzeugt wird, als Beispiel beschrieben, in dem fünf Quantilpunkte, die 10 %, 25 %, 50 %, 75 % und 90 % entsprechen, inferiert werden.
  • Zum Beispiel führt die Lerneinheit 110a ein maschinelles Lernen, um ein Lernmodell zu erzeugen, das in der Lage ist, fünf Quantilpunkte zu inferieren, die 10 %, 25 %, 50 %, 75 % und 90 % entsprechen, durch Quantilregression für jeden von den fünf Quantilpunkten, die 10 %, 25 %, 50 %, 75 % und 90 % durch.
  • Ferner kann die Lerneinheit 110a beispielsweise ein Lernmodell, das einen Durchschnittswert von inferierten Inferenz-Beobachtungswerten und eine Standardabweichung der Inferenz-Beobachtungswerte als Inferenzergebnis ausgibt, durch Durchführen von maschinellem Lernen durch Gaussprozessregression erzeugen. Der Quantilpunkt, der irgendeinem Verhältnis in den Inferenz-Beobachtungswerten entspricht, kann unter Verwendung der kumulativen Dichte in der Gauss'schen Verteilung, die aus dem Durchschnittswert der Inferenz-Beobachtungswerte, die als das Ergebnis des Lernens durch das Lernmodell ausgegeben werden, und der Standardabweichung der Inferenz-Beobachtungswerte berechnet werden. Das heißt, die Lerneinheit 110a kann ein Lernmodell erzeugen, das in der Lage ist, einen Quantilpunkt von Inferenz-Beobachtungswerten beispielsweise durch Durchführen von maschinellem Lernen durch Gaussprozessregression zu inferieren.
  • Der Betrieb der Lernvorrichtung 100a gemäß der zweiten Ausführungsform wird unter Bezugnahme auf 14 beschrieben.
  • 14 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung 100a gemäß der zweiten Ausführungsform darstellt.
  • Zuerst ruft die Einheit 103 zum Abrufen von originalen Zeitreihendaten in Schritt ST1401 originale Zeitreihendaten ab.
  • Dann bestimmt die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben in Schritt ST1402 eine virtuelle aktuelle Datums- und Zeitangabe oder mehrere davon.
  • Dann segmentiert die Zeitreihendaten-Segmentierungseinheit 105 in Schritt ST1403 originale Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, in den originalen Zeitreihendaten als Zeitreihendaten für die eine virtuelle aktuelle Datums- und Zeitangabe oder die Mehrzahl davon.
  • Dann bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 in Schritt ST1404 für die eine virtuelle aktuelle Datums- und Zeitangabe oder für jede von der Mehrzahl davon mindestens zwei voneinander verschiedene Voraussagezeitspannen, in denen ein Zeitpunkt nach dem Ablauf der Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht.
  • Dann ruft die Beobachtungswert-Abrufeinheit 107 in Schritt ST1405 die Beobachtungswerte nach dem Ablauf der Voraussagezeitspanne aus den originalen Zeitreihendaten für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen in der einen virtuellen aktuellen Datums- und Zeitangabe oder in jeder von der Mehrzahl davon ab.
  • Dann erzeugt die Lerndaten-Erzeugungseinheit 108 in Schritt ST1406 eine Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, der zweiten Information und der dritten Information mit einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, die die Beobachtungswerte in Zeitreihe enthält, oder einer von einer Mehrzahl davon als die erste Information, Voraussagezeitspanneninformation, die eine von einer Mehrzahl von Voraussagezeitspannen angeben und die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließen, als die zweite Information und den Beobachtungswerten nach Ablauf der Voraussagezeitspanne als die dritte Information einschließen.
  • Dann ruft die Lerndaten-Abrufeinheit 109 in Schritt ST1407 eine Mehrzahl von Lerndateneinheiten ab.
  • Dann führt die Lerneinheit 110a in Schritt ST1408 ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten durch und erzeugt ein Lernmodell.
  • Dann gibt die Modellausgabeeinheit 111 in Schritt ST1409 das Lernmodell als Modellinformation aus.
  • Nach der Verarbeitung von Schritt ST1409 beendet die Lernvorrichtung 100a die Verarbeitung des Flussdiagramms.
  • Wie oben beschrieben, weist die Lernvorrichtung 100a auf: die Lerndaten-Abrufeinheit 109 zum Abrufen einer Mehrzahl von Lerndateneinheiten, wobei eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis von einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder von einer von einer Mehrzahl davon, einer zweiten Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf der Basis der Beobachtungswerte nach einem Ablauf der Voraussagezeitspanne; und die Lerneinheit 110a, um ein Lernen unter Verwendung einer Mehrzahl der Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen werden, mit Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten werden, als Erklärungsvariable und der dritten Information als Reaktionsvariable durchzuführen und ein Lernmodell zu erzeugen, das in der Lage ist, einen Inferenz-Beobachtungswert nach einem Ablauf einer gewählten Voraussagezeitspanne zu erzeugen, und die Lerneinheit 110a ist konfiguriert, um ein Lernmodell zu erzeugen, das in der Lage ist, einen Quantilpunkt des Inferenz-Beobachtungswerts zusätzlich zu dem Inferenz-Beobachtungswert nach Ablauf der gewählte Voraussagezeitspanne zu inferieren.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100a bei der Inferenz irgendeines künftigen Beobachtungswerts eine Inferenz von Beobachtungswerten mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler ermöglichen und kann eine Inferenz eines Quantilpunkts der Beobachtungswerte mit hoher Inferenzgenauigkeit mit kleinem Inferenzfehler ermöglichen.
  • Genauer kann die Lernvorrichtung 100a mit einer solchen Konfiguration die Wahrscheinlichkeit der Richtigkeit der Inferenz der Beobachtungswerte mit hoher Genauigkeit dadurch erkennen, dass sie die Inferenz des Quantilpunkts der Beobachtungswerte mit der hohen Inferenzgenauigkeit mit einem kleinen Inferenzfehler ermöglicht.
  • Eine Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform wird nun unter Bezugnahme auf 15 bis 17 beschrieben.
  • 15 ist ein Diagramm, das ein Beispiel für eine Konfiguration eines Hauptteils der Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform zeigt.
  • Die Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform unterscheidet sich von der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform darin, dass die Inferenzeinheit 209, die Ergebnisabrufeinheit 210 und die Ergebnisausgabeeinheit 211 in eine Inferenzeinheit 209a, eine Ergebnisabrufeinheit 210a und eine Ergebnisausgabeeinheit 211a geändert worden sind.
  • In der Konfiguration der Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform werden Konfigurationen, die denen der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 15, welche die gleichen Bezugszahlen aufweist wie in 9 gezeigt, wird weggelassen.
  • Die Inferenzvorrichtung 200a weist eine Anzeigesteuereinheit 201, eine Bedienungsempfangseinheit 202, eine Inferenz-Zeitreihendaten-Abrufeinheit 203, eine Modellerfassungseinheit 206, eine Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, eine Inferenzdaten-Erzeugungseinheit 205, eine Inferenzdaten-Abrufeinheit 207, eine Inferenzdaten-Eingabeeinheit 208, eine Inferenzeinheit 209a, eine Ergebniserfassungseinheit 210a und eine Ergebnisausgabeeinheit 211a auf.
  • Man beachte, dass jede von den Funktionen der Anzeigesteuereinheit 201, der Bedienungsempfangseinheit 202, der Inferenz-Zeitreihendaten-Abrufeinheit 203, der Modellerfassungseinheit 206, der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, der Inferenzdaten-Erzeugungseinheit 205, der Inferenzdaten-Abrufeinheit 207, der Inferenzdaten-Eingabeeinheit 208, der Inferenzeinheit 209a, der Ergebniserfassungseinheit 210a und der Ergebnisausgabeeinheit 211a, die in der Inferenzvorrichtung 200a enthalten sind, von dem Prozessor 301 und dem Speicher 302 in der als Beispiel in 3A und 3B dargestellten Hardware-Konfiguration implementiert werden kann oder von der Verarbeitungsschaltung 303 implementiert werden kann.
  • Die Inferenzeinheit 209a verwendet das Lernmodell, das von den von der Modellabrufeinheit 206 abgerufenen Modellinformation angegeben wird, um die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne und den Quantilpunkt der Inferenz-Beobachtungswerte zu inferieren.
  • Man beachte, dass die Inferenzeinheit 209a, die die Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne, die unter Verwendung des Lernmodells und des Quantilpunkts der Inferenz-Beobachtungswerte ausgewählt wird, inferiert, in der Inferenzvorrichtung 200a bereitgestellt sein kann oder in einer externen Vorrichtung (nicht dargestellt), die mit der Inferenzvorrichtung 200a verbunden ist, bereitgestellt sein kann.
  • Als das Inferenzergebnis, das von dem Lernmodell ausgegeben wird, ruft die Ergebnisabrufeinheit 210a zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne Quantilpunktinformation ab, die einen Quantilpunkt der Inferenz-Beobachtungswerte angeben.
  • Die Quantilpunktinformation, die in dem Inferenzergebnis enthalten sind, das von dem Lernmodell ausgegeben wird, gibt einen Quantilpunkt an, der irgendeinem Verhältnis, wie etwa 10 %, 25 %, 50 %, 75 % oder 90 %, bei der Inferenz der Inferenz-Beobachtungswerte entspricht. Die Quantilpunktinformation können Information sein, die eine Mehrzahl von Quantilpunkten angeben, die irgendeinem Verhältnis wie etwa 10 %, 25 %, 50 %, 75 % und 90 %, bei der Inferenz der Inferenz-Beobachtungswerte entsprechen. Im Folgenden wird die Beschreibung unter der Annahme gegeben, dass die Quantilpunktinformation, die in dem von dem Lernmodell ausgegebenen Inferenzergebnis enthalten ist, eine Information ist, die fünf Quantilpunkte angibt, die Verhältnissen von 10 %, 25 %, 50 %, 75 % bzw. 90 % entsprechen.
  • Die Ergebnisausgabeeinheit 211a gibt die von der Ergebnisabrufeinheit 210a abgerufenen Quantilpunktinformation zusätzlich zu dem von der Ergebnisabrufeinheit 210a abgerufenen Inferenz-Beobachtungswert aus.
  • Genauer gibt die Ergebnisausgabeeinheit 211a beispielsweise den Inferenz-Beobachtungswert und die Quantilpunktinformation, die von der Ergebnisabrufeinheit 210a abgerufen werden, über die Anzeigesteuereinheit 201 aus. Die Anzeigesteuereinheit 201 erzeugt nach Empfang des Inferenz-Beobachtungswerts und der Quantilpunktinformation aus der Ergebnisausgabeeinheit 211a ein Bildsignal, das einem Bild entspricht, das den Inferenz-Beobachtungswert und die Quantilpunktinformation angibt, gibt das Bildsignal an die Anzeigevorrichtung 12 aus und bewirkt, dass die Anzeigevorrichtung 12 das Bild anzeigt, das den Inferenz-Beobachtungswert und die Quantilpunktinformation angibt.
  • Ferner kann die Ergebnisausgabeeinheit 211a beispielsweise den Inferenz-Beobachtungswert und die Quantilpunktinformation, die von der Ergebnisabrufeinheit 210a abgerufen worden sind, an die Speichervorrichtung 10 ausgeben und den Inferenz-Beobachtungswert und die Quantilpunktinformation in der Speichervorrichtung 10 speichern.
  • 16 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf der Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211a den Inferenz-Beobachtungswert und die Quantilpunktinformation, die von der Ergebnis-Abrufeinheit 210a abgerufen werden, über eine Anzeigesteuereinheit 201 ausgibt.
  • In der Anzeigevorrichtung 12 werden, wie beispielsweise in 16 dargestellt, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner zeigt die Anzeigevorrichtung 12 zum Beispiel, wie in 16 dargestellt ist, die gewählte Voraussagezeitspanne des gewählten Voraussageziels an.
  • Ferner werden auf der Anzeigevorrichtung 12 beispielsweise, wie in 16 dargestellt, fünf Quantilpunkte, die den Verhältnissen 10 %, 25 %, 50 %, 75 % bzw. 90 % entsprechen, von einem Box-Plot als die Quantilpunkte der Inferenz-Beobachtungswerte nach Ablauf der Voraussagezeitspanne angezeigt.
  • In dem Box-Plot, der in 16 gezeigt ist, gibt ein horizontales Liniensegment (im Folgenden als „horizontale Linie“ bezeichnet) in 16, das an einem oberen Ende eines vertikalen Liniensegments (im Folgenden als „senkrechte Linie“ bezeichnet) in 16 liegt, einen 90%-Quantilpunkt an, gibt eine horizontale Linie, die an einem unteren Ende einer vertikalen Linie liegt, einen 10%-Quantilpunkt an, gibt ein oberes Ende eines Kastens, der auf der vertikalen Linie liegt, einen 75%-Quantilpunkt an, gibt ein unteres Ende des Kastens einen 25%-Quantilpunkt an und gibt eine horizontale Linie in einer Mitte des Kastens einen 50%-Quantilpunkt an.
  • Die Inferenzvorrichtung 200a ruft den Inferenz-Beobachtungswert nach dem Ablauf der Voraussagezeitspanne und die Quantilpunktinformation, die den Quantilpunkt des Inferenz-Beobachtungswerts angibt, die als das Inferenzergebnis von dem Lernmodell ausgegeben werden, ab und gibt die abgerufenen Inferenz-Beobachtungswerte und den Quantilpunkt des Inferenz-Beobachtungswerts an die Anzeigevorrichtung oder dergleichen aus, so dass die Wahrscheinlichkeit für die Richtigkeit der Inferenz der Inferenz-Beobachtungswerte mit hoher Genauigkeit erkannt werden kann.
  • Der Betrieb der Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform wird unter Bezugnahme auf 17 beschrieben.
  • 17 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung 200a gemäß der zweiten Ausführungsform darstellt.
  • Zuerst ruft die Inferenz-Zeitreihendaten-Abrufeinheit 203 in Schritt ST1701 Inferenz-Zeitreihendaten ab.
  • Dann ruft die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen in Schritt ST1702 Information über gewählte Voraussagezeitspannen ab, die die gewählte Voraussagezeitspanne des Voraussageziels angeben.
  • Dann erzeugt die Inferenzdaten-Erzeugungseinheit 205 in Schritt ST1703 Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Inferenz-Zeitreihendaten basiert, und der fünften Information, die auf der Information über die gewählte Voraussagezeitspanne basiert und in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, die von der Information über die gewählte Voraussagezeitspanne angegeben wird.
  • Dann ruft die Modell-Abrufeinheit 206 in Schritt ST1704 Modellinformationen ab.
  • Dann ruft die Inferenzdaten-Abrufeinheit 207 in Schritt ST1705 Inferenzdaten ab.
  • Dann gibt die Inferenzdaten-Eingabeeinheit 208 in Schritt ST1706 die Inferenzdaten als Erklärungsvariable in das Lernmodell ein.
  • Dann verwendet die Inferenzeinheit 209a in Schritt ST1707 das Lernmodell, um die Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne und den Quantilpunkt der Inferenz-Beobachtungswerte zu inferieren.
  • Dann ruft die Ergebnisabrufeinheit 210a in Schritt ST1708 die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne und die Quantilpunktinformation, die den Quantilpunkt der Inferenz-Beobachtungswerte angibt, die von dem Lernmodell als das Inferenzergebnis ausgegeben werden, ab.
  • Dann gibt die Ergebnisausgabeeinheit 211a in Schritt ST1709 die Inferenz-Beobachtungswerte und die Quantilpunktinformation aus, die von der Ergebnisabrufeinheit 210a abgerufen worden sind.
  • Nach der Verarbeitung von Schritt ST1709 beendet die Inferenzvorrichtung 200a die Verarbeitung des Flussdiagramms.
  • Man beachte, dass in dem Flussdiagramm die Verarbeitungsreihenfolge der Schritte ST1701 und ST1702 keine Rolle spielt, solange die Verarbeitung vor der Verarbeitung von Schritt ST1703 ausgeführt wird. Außerdem kann die Verarbeitung von Schritt ST1704 in jeder Reihenfolge ausgeführt werden, solange sie vor der Verarbeitung von Schritt ST1706 ausgeführt wird.
  • Wie oben beschrieben, weist die Inferenzvorrichtung 200a auf: die Inferenzdaten-Abrufeinheit 207 zum Abrufen von Inferenzdaten, die erhalten werden durch Kombinieren einer vierten Information, die auf Inferenz-Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und einer fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne eines Voraussageziels zu spezifizieren; die Inferenzdaten-Eingabeeinheit 208 zum Eingeben der Inferenzdaten, die von der Inferenzdaten-Abrufeinheit 207 abgerufen worden sind, als Erklärungsvariable in ein Lernmodell, das einem Ergebnis eines Lernes durch maschinelles Lernen entspricht; die Ergebnisabrufeinheit 210a zum Abrufen eines Inferenz-Beobachtungswerts nach einem Ablauf der gewählten Voraussagezeitspanne, wobei der Inferenz-Beobachtungswert als Ergebnis der Inferenz durch das Lernmodell ausgegeben wird; und die Ergebnisausgabeeinheit 211a zum Ausgeben des Inferenz-Beobachtungswerts, der von der Ergebnisabrufeinheit 210a abgerufen worden ist, wobei die Ergebnisabrufeinheit 210a als das Inferenzergebnis, das von dem Lernmodell ausgegeben wird, die Quantilpunktinformation, die den Quantilpunkt des Inferenz-Beobachtungswerts angibt, zusätzlich zu den Inferenz-Beobachtungswerten nach dem Ablauf der gewählten Voraussagezeitspanne abruft und die Ergebnisausgabeeinheit 211a die von der Ergebnisabrufeinheit 210a abgerufenen Quantilpunktinformation zusätzlich zu den Inferenz-Beobachtungswerten, die von der Ergebnisabrufeinheit 210a abgerufen worden sind, ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200a die Beobachtungswerte, die eine hohe Inferenzgenauigkeit aufweisen, mit einem kleinen Inferenzfehler bei der Inferenz jedes künftigen Beobachtungswerts inferieren und kann ferner die Wahrscheinlichkeit für die Richtigkeit der Inferenz der Beobachtungswerte mit hoher Genauigkeit erkennen.
  • Dritte Ausführungsform.
  • Ein Inferenzsystem 1b gemäß einer dritten Ausführungsform wird nun unter Bezugnahme auf 18 bis 23 beschrieben.
  • 18 ist ein Blockschema, das ein Beispiel für einen Hauptteil des Inferenzsystems 1b gemäß der dritten Ausführungsform darstellt.
  • Das Inferenzsystem 1b gemäß der dritten Ausführungsform unterscheidet sich von dem Inferenzsystem 1 gemäß der ersten Ausführungsform darin, dass die Lernvorrichtung 100 und die Inferenzvorrichtung 200 in eine Lernvorrichtung 100b und eine Inferenzvorrichtung 200b geändert wurden.
  • In der Konfiguration des Inferenzsystems 1b gemäß der dritten Ausführungsform werden Konfigurationen, die denen des Inferenzsystems 1 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 18, welche die gleichen Bezugszahlen aufweist wie in 1 gezeigt, wird weggelassen.
  • Das Inferenzsystem 1b gemäß der dritten Ausführungsform weist die Lernvorrichtung 100b, die Inferenzvorrichtung 200b, die Speichervorrichtung 10, Anzeigevorrichtungen 11 und 12 und Eingabevorrichtungen 13 und 14 auf.
  • Die Speichervorrichtung 10 ist eine Vorrichtung zum Speichern von Informationen, die für das Inferenzsystem 1b notwendig sind, wie etwa Zeitreihendaten.
  • Die Anzeigevorrichtung 11 empfängt ein Bildsignal, das von der Lernvorrichtung 100b ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Anzeigevorrichtung 12 empfängt ein Bildsignal, das von der Inferenzvorrichtung 200b ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Eingabevorrichtung 13 empfängt eine Bedienungseingabe von einem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Lernvorrichtung 100b aus.
  • Die Eingabevorrichtung 14 empfängt eine Bedienungseingabe von dem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Inferenzvorrichtung 200b aus.
  • Die Lernvorrichtung 100b ist eine Vorrichtung, die ein Lernmodell durch Durchführen von maschinellem Lernen auf Basis von Zeitreihendaten erzeugt und das erzeugte Lernmodell als Modellinformation ausgibt.
  • Die Inferenzvorrichtung 200b ist eine Vorrichtung, die eine Erklärungsvariable in ein Lernmodell eingibt, das einem Lernergebnis durch maschinelles Lernen entspricht, Inferenz-Beobachtungswerte, die von dem gelernten Modell als Inferenzergebnis ausgegeben werden, und eine Verteilungsvoraussageinformation, die eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte abruft und die abgerufenen Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation ausgibt.
  • Die Lernvorrichtung 100b gemäß der dritten Ausführungsform wird unter Bezugnahme auf 19 und 20 beschrieben.
  • 19 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Lernvorrichtung 100b gemäß der dritten Ausführungsform darstellt.
  • Die Lernvorrichtung 100b gemäß der dritten Ausführungsform unterscheidet sich von der Lernvorrichtung 100 gemäß der ersten Ausführungsform darin, dass die Lerneinheit 110 in eine Lerneinheit 110b geändert wurde.
  • In der Konfiguration der Lernvorrichtung 100b gemäß der dritten Ausführungsform werden Konfigurationen, die denen der Lernvorrichtung 100 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 19, welche die gleichen Bezugszahlen aufweist wie in 2 gezeigt, wird weggelassen.
  • Die Lernvorrichtung 100b weist eine Anzeigesteuereinheit 101, eine Bedienungsempfangseinheit 102, eine Einheit 103 zum Abrufen von originalen Zeitreihendaten, eine Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, eine Zeitreihendaten-Segmentierungseinheit 105, eine Voraussagezeitspannen-Bestimmungseinheit 106, eine Beobachtungswert-Abrufeinheit 107, eine Lerndaten-Erzeugungseinheit 108, eine Lerndaten-Abrufeinheit 109, eine Lerneinheit 110b und eine Modellausgabeeinheit 111 auf.
  • Man beachte, dass jede von den Funktionen der Anzeigesteuereinheit 101, der Bedienungsempfangseinheit 102, der Einheit 103 zum Abrufen von originalen Zeitreihendaten, der Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, der Zeitreihendaten-Segmentierungseinheit 105, der Voraussagezeitspannen-Bestimmungseinheit 106, der Beobachtungswert-Abrufeinheit 107, der Lerndaten-Erzeugungseinheit 108, der Lerndaten-Abrufeinheit 109, der Lerneinheit 110b und der Modellausgabeeinheit 111, die in der Lernvorrichtung 100b enthalten sind, in der Hardware-Konfiguration, die zum Beispiel in 3A und 3B dargestellt ist, von dem Prozessor 301 und dem Speicher 302 implementiert werden kann oder von der Verarbeitungsschaltung 303 implementiert werden kann.
  • Die Lerneinheit 110b lernt unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen worden sind, mit Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten worden sind, als Erklärungsvariable und der dritten Information als Reaktionsvariable. Die Lerneinheit 110b erzeugt ein Lernmodell, das in der Lage ist, durch das Lernen eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Genauer führt die Lerneinheit 110b, wenn sie die dritte Information als Reaktionsvariable lernt, ein überwachtes maschinelles Lernen unter Verwendung der Reaktionsvariable als Lehrerdaten durch, wodurch sie ein Lernmodell erzeugt, das in der Lage ist, eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Die Lerneinheit 110b kann ein Lernmodell erzeugen, das in der Lage ist, eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte durch Durchführen eines maschinellen Lernens unter Verwendung von beispielsweise Mischungsdichtenetzen (MDN), die durch Anwenden eines Mischungsdichtemodells auf ein neuronales Netz erhalten werden, zu inferieren.
  • Der Beobachtungswert könnte nur einen vorgegebenen Wert wie etwa 1,0 oder 3,0 unter einer Mehrzahl von vorgegebenen diskreten Werten wie etwa 1,0 und 3,0 annehmen.
  • Die Lerneinheit 110b kann in einem Fall, wo von einer Mehrzahl von vorgegebenen diskreten Werten ein Wert (beispielsweise 2,0) zwischen zwei Werten (beispielsweise 1,0 und 3,0), die nahe beieinander liegen, der Inferenz-Beobachtungswert ist, durch Erzeugen eines Lernmodells, das in der Lage ist, die vorausgesagte Verteilung der Inferenz-Beobachtungswerte zu inferieren, erkennen, dass der Inferenz-Beobachtungswert ein nicht geeigneter Wert ist.
  • Der Betrieb der Lernvorrichtung 100b gemäß der dritten Ausführungsform wird unter Bezugnahme auf 20 beschrieben.
  • 20 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Lernvorrichtung 100b gemäß der dritten Ausführungsform darstellt.
  • Zuerst ruft die Einheit 103 zum Abrufen von originalen Zeitreihendaten in Schritt ST2001 originale Zeitreihendaten ab.
  • Dann bestimmt die Einheit 104 zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben in Schritt ST2002 eine virtuelle aktuelle Datums- und Zeitangabe oder eine Mehrzahl davon.
  • Dann segmentiert die Zeitreihendaten-Segmentierungseinheit 105 in Schritt ST2003 originale Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, in den originalen Zeitreihendaten als Zeitreihendaten für die eine virtuelle aktuelle Datums- und Zeitangabe oder für jede von der Mehrzahl davon.
  • Dann bestimmt die Voraussagezeitspannen-Bestimmungseinheit 106 in Schritt ST2004 für die eine virtuelle aktuelle Datums- und Zeitangabe oder für jede von der Mehrzahl davon mindestens zwei voneinander verschiedene Voraussagezeitspannen, in denen ein Zeitpunkt nach dem Ablauf der Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht.
  • Dann ruft die Beobachtungswert-Abrufeinheit 107 in Schritt ST2005 die Beobachtungswerte nach dem Ablauf der Voraussagezeitspanne aus den originalen Zeitreihendaten für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen in der einen virtuellen aktuellen Datums- und Zeitangabe oder in jeder von der Mehrzahl davon ab.
  • Dann erzeugt die Lerndaten-Erzeugungseinheit 108 in Schritt ST2006 eine Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, der zweiten Information und der dritten Information mit einer von der Zeitreihendaten-Segmentierungseinheit 105 segmentierten Einheit von Zeitreihendaten, die die Beobachtungswerte in Zeitreihe enthält, oder einer von einer Mehrzahl davon als die erste Information, Voraussagezeitspanneninformation, die eine von einer Mehrzahl von Voraussagezeitspannen angeben und die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließen, als die zweite Information und den Beobachtungswerten nach Ablauf der Voraussagezeitspanne als die dritte Information einschließen.
  • Dann ruft die Lerndaten-Abrufeinheit 109 in Schritt ST2007 eine Mehrzahl von Lerndateneinheiten ab.
  • Dann führt die Lerneinheit 110b in Schritt ST2008 ein Lernen unter Verwendung einer Mehrzahl von Lerndateneinheiten durch, um ein Lernmodell zu erzeugen.
  • Dann gibt die Modellausgabeeinheit 111 in Schritt ST2009 das Lernmodell als Modellinformation aus.
  • Nach der Verarbeitung von Schritt ST2009 beendet die Lernvorrichtung 100b die Verarbeitung des Flussdiagramms.
  • Wie oben beschrieben, weist die Lernvorrichtung 100b auf: die Lerndaten-Abrufeinheit 109 zum Abrufen einer Mehrzahl von Lerndateneinheiten, wobei eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis von einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder von einer Mehrzahl davon, einer zweiten Information auf Basis einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf der Basis der Beobachtungswerte nach einem Ablauf der Voraussagezeitspanne; und die Lerneinheit 110b, um ein Lernen unter Verwendung einer Mehrzahl der Lerndateneinheiten, die von der Lerndaten-Abrufeinheit 109 abgerufen werden, mit einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten wird, als Erklärungsvariable und der dritten Information als Reaktionsvariable durchzuführen und ein Lernmodell zu erzeugen, das in der Lage ist, einen Inferenz-Beobachtungswert nach einem Ablauf einer gewählten Voraussagezeitspanne zu erzeugen, wobei die Lerneinheit 110b so konfiguriert ist, dass sie ein Lernmodell erzeugt, das in der Lage ist, eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  • Mit einer solchen Konfiguration kann die Lernvorrichtung 100b bei der Inferenz irgendeines künftigen Beobachtungswerts die Inferenz von Beobachtungswerten mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler ermöglichen und kann die Inferenz der vorausgesagten Verteilung der Beobachtungswerte mit hoher Inferenzgenauigkeit mit kleinem Inferenzfehler ermöglichen.
  • Genauer kann die Lernvorrichtung 100b mit einer solchen Konfiguration in einem Fall, wo von einer Mehrzahl von vorgegebenen diskreten Werten, die von den Beobachtungswerten angenommen werden können, ein Wert zwischen zwei Werten, die nahe beieinander liegen, der Inferenz-Beobachtungswert ist, mit hoher Genauigkeit erkennen, dass der Inferenz-Beobachtungswert ein ungeeigneter Wert ist.
  • Die Inferenzvorrichtung 200b gemäß der dritten Ausführungsform wird unter Bezugnahme auf 21 bis 23 beschrieben.
  • 21 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Inferenzvorrichtung 200b gemäß der dritten Ausführungsform darstellt.
  • Die Inferenzvorrichtung 200b gemäß der dritten Ausführungsform unterscheidet sich von der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform darin, dass die Inferenzeinheit 209, die Ergebnisabrufeinheit 210 und die Ergebnisausgabeeinheit 211 in eine Inferenzeinheit 209b, eine Ergebnisabrufeinheit 210b und eine Ergebnisausgabeeinheit 211b geändert worden sind.
  • In der Konfiguration der Inferenzvorrichtung 200b gemäß der dritten Ausführungsform werden Konfigurationen, die denen der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 21, welche die gleichen Bezugszahlen aufweist wie in 9 gezeigt, wird weggelassen.
  • Die Inferenzvorrichtung 200b weist eine Anzeigesteuereinheit 201, eine Bedienungsempfangseinheit 202, eine Inferenz-Zeitreihendaten-Abrufeinheit 203, eine Modellerfassungseinheit 206, eine Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, eine Inferenzdaten-Erzeugungseinheit 205, eine Inferenzdaten-Abrufeinheit 207, eine Inferenzdaten-Eingabeeinheit 208, eine Inferenzeinheit 209b, eine Ergebniserfassungseinheit 210b und eine Ergebnisausgabeeinheit 211b auf.
  • Man beachte, dass jede von den Funktionen der Anzeigesteuereinheit 201, der Bedienungsempfangseinheit 202, der Inferenz-Zeitreihendaten-Abrufeinheit 203, der Modellerfassungseinheit 206, der Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen, der Inferenzdaten-Erzeugungseinheit 205, der Inferenzdaten-Abrufeinheit 207, der Inferenzdaten-Eingabeeinheit 208, der Inferenzeinheit 209b, der Ergebniserfassungseinheit 210b und der Ergebnisausgabeeinheit 211b, die in der Inferenzvorrichtung 200b enthalten sind, von dem Prozessor 301 und dem Speicher 302 in der als Beispiel in 3A und 3B dargestellten Hardware-Konfiguration implementiert werden können oder von der Verarbeitungsschaltung 303 implementiert werden können.
  • Die Inferenzeinheit 209b verwendet das Lernmodell, das von den von der Modellabrufeinheit 206 abgerufenen Modellinformation angegeben wird, um die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne und die vorausgesagte Verteilung der Inferenz-Beobachtungswerte zu inferieren.
  • Man beachte, dass die Inferenzeinheit 209b, die die Inferenz-Beobachtungswerte und die vorausgesagte Verteilung der Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne, die unter Verwendung des Lernmodells ausgewählt wird, inferiert, in der Inferenzvorrichtung 200b bereitgestellt sein kann oder in einer externen Vorrichtung (nicht dargestellt), die mit der Inferenzvorrichtung 200b verbunden ist, bereitgestellt sein kann.
  • Die Ergebnisabrufeinheit 210b ruft Verteilungsvoraussageinformation, die eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte angeben, zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne als das Inferenzergebnis ab, das von dem Lernmodell ausgegeben wird.
  • Die Verteilungsvoraussageinformation, die in dem Inferenzergebnis enthalten ist, das von dem Lernmodell ausgegeben wird, gibt für jeden Inferenz-Beobachtungswert eine Wahrscheinlichkeit dafür an, dass die Inferenz-Beobachtungswerte bei der Inferenz der Inferenz-Beobachtungswerte genommen werden können.
  • Die Ergebnisausgabeeinheit 211b gibt die von der Ergebnisabrufeinheit 210b abgerufene Verteilungsvoraussageinformation zusätzlich zu den von der Ergebnisabrufeinheit 210b abgerufenen Inferenz-Beobachtungswert aus.
  • Genauer gibt die Ergebnisausgabeeinheit 211b beispielsweise die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation, die von der Ergebnisabrufeinheit 210b abgerufen werden, über die Anzeigesteuereinheit 201 aus. Die Anzeigesteuereinheit 201 erzeugt nach Empfang der Inferenz-Beobachtungswerte und der Verteilungsvoraussageinformation aus der Ergebnisausgabeeinheit 211b ein Bildsignal, das einem Bild entspricht, das die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation angibt, gibt das Bildsignal an die Anzeigevorrichtung 12 aus und bewirkt, dass die Anzeigevorrichtung 12 das Bild anzeigt, das den Inferenz-Beobachtungswert und die Verteilungsvoraussageinformation angibt.
  • Ferner kann die Ergebnisausgabeeinheit 211b beispielsweise die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation, die von der Ergebnisabrufeinheit 210b abgerufen worden sind, an die Speichervorrichtung 10 ausgeben und die Speichervorrichtung 10 veranlassen, die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation zu speichern.
  • 22 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf der Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211b die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation, die von der Ergebnis-Abrufeinheit 210b abgerufen worden sind, über die Anzeigesteuereinheit 201 ausgibt.
  • Auf der Anzeigevorrichtung 12 werden, wie beispielsweise in 22 dargestellt, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner zeigt die Anzeigevorrichtung 12 zum Beispiel, wie in 22 dargestellt ist, die gewählte Voraussagezeitspanne des gewählten Voraussageziels an.
  • Ferner wird auf der Anzeigevorrichtung 12 beispielsweise, wie in 22 dargestellt, die vorausgesagte Verteilung der Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne von einem Geigenplot angezeigt.
  • In dem Geigenplot, der in 22 dargestellt ist, gibt beispielsweise eine in der vertikalen Richtung in 22 obere Wölbung eine Wahrscheinlichkeit dafür an, dass die Inferenz-Beobachtungswerte in der Nähe von 3,0 liegen, und die untere Wölbung gibt eine Wahrscheinlichkeit dafür an, dass die Inferenz-Beobachtungswerte in der Nähe von 1,0 liegen.
  • In der vorausgesagten Verteilung, die in 22 dargestellt ist, kann das Lernmodell in einem Fall, wo sowohl die Wahrscheinlichkeit dafür, dass die gewählte Voraussagezeitspanne 3,0 ist, als auch die Wahrscheinlichkeit dafür, dass der Beobachtungswert 1,0 ist, 50 % sind, ein Inferenzergebnis ausgeben, das angibt, dass der Inferenz-Beobachtungswert 2,0 ist.
  • Die Inferenzvorrichtung 200b ruft die Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne und die Verteilungsvoraussageinformation, die die vorausgesagte Verteilung der Inferenz-Beobachtungswerte angibt, die als das Inferenzergebnis von dem Lernmodell ausgegeben werden, ab und gibt die abgerufenen Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation an die Anzeigevorrichtung oder dergleichen aus, wodurch es möglich wird, mit hoher Genauigkeit zu erkennen, dass der Inferenz-Beobachtungswert ungeeignet ist. Ferner kann die Inferenzvorrichtung 200b mit hoher Genauigkeit erkennen, dass der Beobachtungswert nach dem Ablauf der gewählte Voraussagezeitspanne 1,0 oder 3,0 ist.
  • Der Betrieb der Lernvorrichtung 200b gemäß der dritten Ausführungsform wird unter Bezugnahme auf 23 beschrieben.
  • 23 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung 200b gemäß der dritten Ausführungsform darstellt.
  • Zuerst ruft die Inferenz-Zeitreihendaten-Abrufeinheit 203 in Schritt ST2301 Inferenz-Zeitreihendaten ab.
  • Dann ruft die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen in Schritt ST2302 Information über gewählte Voraussagezeitspannen ab, die die gewählte Voraussagezeitspanne des Voraussageziels angeben.
  • Dann erzeugt die Inferenzdaten-Erzeugungseinheit 205 in Schritt ST2303 Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Inferenz-Zeitreihendaten basiert, und der fünften Information, die auf der Information über die gewählte Voraussagezeitspanne basiert und in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, die von der Information über die gewählte Voraussagezeitspanne angegeben wird.
  • Dann ruft die Modell-Abrufeinheit 206 in Schritt ST2304 Modellinformationen ab.
  • Dann ruft die Inferenzdaten-Abrufeinheit 207 in Schritt ST2305 Inferenzdaten ab.
  • Dann gibt die Inferenzdaten-Eingabeeinheit 208 in Schritt ST2306 die Inferenzdaten als Erklärungsvariable in das Lernmodell ein.
  • Dann verwendet die Inferenzeinheit 209b in Schritt ST2307 das Lernmodell, um die Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne und die vorausgesagte Verteilung der Inferenz-Beobachtungswerte zu inferieren.
  • Dann ruft die Ergebnisabrufeinheit 210b in Schritt ST2308 die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne und die Verteilungsvoraussageinformation, die die vorausgesagte Verteilung der Inferenz-Beobachtungswerte angibt, ab, die von dem Lernmodell als das Inferenzergebnis ausgegeben worden sind.
  • Dann gibt die Ergebnisausgabeeinheit 211b in Schritt ST2309 die Inferenz-Beobachtungswerte und die Verteilungsvoraussageinformation aus, die von der Ergebnisabrufeinheit 210b abgerufen worden sind.
  • Nach der Verarbeitung von Schritt ST2309 beendet die Inferenzvorrichtung 200b die Verarbeitung des Flussdiagramms.
  • Man beachte, dass in dem Flussdiagramm die Verarbeitungsreihenfolge der Schritte ST2301 und ST2302 keine Rolle spielt, solange die Verarbeitung vor der Verarbeitung von Schritt ST2303 ausgeführt wird. Außerdem kann die Verarbeitung von Schritt ST2304 in jeder Reihenfolge ausgeführt werden, solange sie vor der Verarbeitung von Schritt ST2306 ausgeführt wird.
  • Wie oben beschrieben, weist die Inferenzvorrichtung 200b auf: die Inferenzdaten-Abrufeinheit 207 zum Abrufen von Inferenzdaten, die erhalten werden durch Kombinieren einer vierten Information, die auf Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und einer fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne eines Voraussageziels zu spezifizieren; die Inferenzdaten-Eingabeeinheit 208 zum Eingeben der Inferenzdaten, die von der Inferenzdaten-Abrufeinheit 207 abgerufen worden sind, als Erklärungsvariable in ein Lernmodell, das einem Ergebnis eines Lernes durch maschinelles Lernen entspricht; die Ergebnisabrufeinheit 210b zum Abrufen eines Inferenz-Beobachtungswerts nach einem Ablauf der gewählten Voraussagezeitspanne, wobei der Inferenz-Beobachtungswert als Ergebnis der Inferenz durch das Lernmodell ausgegeben wird; und die Ergebnisausgabeeinheit 211b zum Ausgeben des Inferenz-Beobachtungswerts, der von der Ergebnisabrufeinheit 210b abgerufen worden ist, wobei die Ergebnisabrufeinheit 210b als das Inferenzergebnis, das von dem Lernmodell ausgegeben wird, die Verteilungsvoraussageinformation, die die vorausgesagte Verteilung der Inferenz-Beobachtungswerte angeben, zusätzlich zu den Inferenz-Beobachtungswerten nach dem Ablauf der gewählten Voraussagezeitspanne abruft und die Ergebnisausgabeeinheit 211b die von der Ergebnisabrufeinheit 210b abgerufenen Verteilungsvoraussageinformation zusätzlich zu den Inferenz-Beobachtungswerten, die von der Ergebnisabrufeinheit 210b abgerufen worden sind, ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200b einen Inferenz-Beobachtungswert, der eine hohe Inferenzgenauigkeit aufweist, mit einem kleinen Inferenzfehler bei der Inferenz jedes künftigen Beobachtungswerts inferieren und kann mit hoher Genauigkeit erkennen, dass der Inferenz-Beobachtungswert ein ungeeigneter Wert ist. Ferner kann die Inferenzvorrichtung 200b in einem Fall, wo der Inferenz-Beobachtungswert ein ungeeigneter Wert ist, einen geeigneten Wert mit hoher Genauigkeit erkennen.
  • Vierte Ausführungsform.
  • Ein Inferenzsystem 1c gemäß einer vierten Ausführungsform wird nun unter Bezugnahme auf 24 bis 29 beschrieben.
  • 24 ist ein Blockschema, das ein Beispiel für einen Hauptteil des Inferenzsystems 1c gemäß der vierten Ausführungsform darstellt.
  • Das Inferenzsystem 1c gemäß der vierten Ausführungsform unterscheidet sich von dem Inferenzsystem 1 gemäß der ersten Ausführungsform darin, dass die Inferenzvorrichtung 200 in eine Inferenzvorrichtung 200c geändert wurde.
  • In der Konfiguration des Inferenzsystems 1c gemäß der vierten Ausführungsform werden Konfigurationen, die denen des Inferenzsystems 1 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 24, welche die gleichen Bezugszahlen aufweist wie in 1 gezeigt, wird weggelassen.
  • Das Inferenzsystem 1c gemäß der vierten Ausführungsform weist eine Lernvorrichtung 100, die Inferenzvorrichtung 200c, eine Speichervorrichtung 10, Anzeigevorrichtungen 11 und 12 und Eingabevorrichtungen 13 und 14 auf.
  • Die Speichervorrichtung 10 ist eine Vorrichtung zum Speichern von Informationen, die für das Inferenzsystem 1c notwendig sind, wie etwa Zeitreihendaten.
  • Die Anzeigevorrichtung 12 empfängt ein Bildsignal, das von der Inferenzvorrichtung 200c ausgegeben wird, und zeigt ein Bild an, das dem Bildsignal entspricht.
  • Die Eingabevorrichtung 14 empfängt eine Bedienungseingabe von einem Anwender und gibt ein Bedienungssignal, das der Bedienungseingabe des Anwenders entspricht, an die Inferenzvorrichtung 200c aus.
  • Die Inferenzvorrichtung 200c ist eine Vorrichtung, die eine Erklärungsvariable in ein Lernmodell eingibt, das einem Lernergebnis durch maschinelles Lernen entspricht, und einen Inferenz-Beobachtungswert ausgibt, der von dem gelernten Modell als Inferenzergebnis ausgegeben worden ist.
  • Die Inferenzvorrichtung 200c gemäß der vierten Ausführungsform wird unter Bezugnahme auf 25 bis 29 beschrieben.
  • 25 ist ein Blockschema, das ein Beispiel für eine Konfiguration eines Hauptteils der Inferenzvorrichtung 200c gemäß der vierten Ausführungsform zeigt.
  • Die Inferenzvorrichtung 200c gemäß der vierten Ausführungsform unterscheidet sich von der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform darin, dass die Ergebnisabrufeinheit 210 und die Ergebnisausgabeeinheit 211 in eine Ergebnisabrufeinheit 210c und eine Ergebnisausgabeeinheit 211c geändert worden sind.
  • In der Konfiguration der Inferenzvorrichtung 200c gemäß der vierten Ausführungsform werden Konfigurationen, die denen der Inferenzvorrichtung 200 gemäß der ersten Ausführungsform gleich sind, gleiche Bezugszahlen gegeben und auf eine doppelte Beschreibung davon wird verzichtet. Das heißt, die Beschreibung der Konfiguration von 25, welche die gleichen Bezugszahlen aufweist wie in 9 gezeigt, wird weggelassen.
  • Die Inferenzvorrichtung 200c weist eine Anzeigesteuereinheit 201, eine Bedienungsempfangseinheit 202, eine Inferenz-Zeitreihendaten-Abrufeinheit 203, eine Modellerfassungseinheit 206, eine Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen, eine Inferenzdaten-Erzeugungseinheit 205c, eine Inferenzdaten-Abrufeinheit 207, eine Inferenzdaten-Eingabeeinheit 208, eine Inferenzeinheit 209, eine Ergebniserfassungseinheit 210c und eine Ergebnisausgabeeinheit 211c auf.
  • Man beachte, dass jede von den Funktionen der Anzeigesteuereinheit 201, der Bedienungsempfangseinheit 202, der Inferenz-Zeitreihendaten-Abrufeinheit 203, der Modellerfassungseinheit 206, der Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen, der Inferenzdaten-Erzeugungseinheit 205c, der Inferenzdaten-Abrufeinheit 207, der Inferenzdaten-Eingabeeinheit 208, der Inferenzeinheit 209, der Ergebniserfassungseinheit 210c und der Ergebnisausgabeeinheit 211c, die in der Inferenzvorrichtung 200c enthalten sind, von dem Prozessor 301 und dem Speicher 302 in der als Beispiel in 3A und 3B dargestellten Hardware-Konfiguration implementiert werden können oder von der Verarbeitungsschaltung 303 implementiert werden können.
  • Die Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen ruft eine Information über gewählte Voraussagezeitspannen, die die gewählte Voraussagezeitspanne des Voraussageziels angibt, ab.
  • Die Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen kann als die Information über die gewählte Voraussagezeitspanne eine Information über die gewählte Voraussagezeitspanne, die einen Zeitpunkt angibt, bei dem es sich um ein Voraussageziel handelt, eine Information über die gewählte Voraussagezeitspanne, die eine Mehrzahl von Zeitpunkten angibt, bei denen es sich um Voraussageziele handelt, oder eine Information über die gewählte Voraussagezeitspanne, die einen Zeitbereich des Voraussageziels angibt (im Folgenden als „Voraussagebereich“ bezeichnet), der von einem Bereich über zwei voneinander verschiedenen Zeitpunkten dargestellt wird, abrufen. Das heißt, die Einheit 204 zum Abrufen von gewählten Voraussagezeitspannen gemäß der ersten Ausführungsform ruft die Information über die gewählte Voraussagezeitspanne, die einen einzigen Zeitpunkt, der ein Voraussageziel ist, angibt, als die Information über die gewählte Voraussagezeitspanne ab. Dagegen kann die Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen als die Information über die gewählte Voraussagezeitspanne eine Information über eine gewählte Voraussagezeitspanne, die eine Mehrzahl von Zeitpunkten, die Voraussageziele sind, angibt, oder eine Information über die gewählte Voraussagezeitspanne, die einen Voraussagebereich angibt, der ein Voraussageziel ist, zusätzlich zu der Information über die gewählte Voraussagezeitspanne, die einen einzigen Zeitpunkt, der ein Voraussageziel ist, angibt, abrufen.
  • Zum Beispiel verwendet der Anwender die Eingabevorrichtung 14, um eine Mehrzahl von Zeitpunkten auszuwählen, wodurch eine Mehrzahl von Zeitpunkten, die Voraussageziele sind, eingegeben werden, um eine gewählte Voraussagezeitspanne auszuwählen oder um zwei voneinander verschiedene Zeitpunkt auszuwählen, wodurch ein Voraussagebereich eingegeben wird, der ein Voraussageziel ist, um eine gewählte Voraussagezeitspanne auszuwählen.
  • Die Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen wandelt nach dem Empfang eines Bedienungssignals, das von der Eingabevorrichtung 14 als Bedienungsinformation ausgegeben wird, über die Bedienungsempfangseinheit 202 die gewählte Voraussagezeitspanne, die von den Bedienungsinformation angegeben wird, in die Information über die gewählte Voraussagezeitspanne um, um die Information über die gewählte Voraussagezeitspanne abzurufen.
  • Die Inferenzdaten-Erzeugungseinheit 205c erzeugt Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Inferenz-Zeitreihendaten basiert, die von der Inferenz-Zeitreihendaten-Abrufeinheit 203 abgerufen werden, und der fünften Information, die auf der Information über die gewählte Voraussagezeitspanne basiert, die von der Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen abgerufen wird und die in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, die von der Information über die gewählte Voraussagezeitspanne angegeben wird.
  • Die fünfte Information in den Inferenzdaten, die von der Inferenzdaten-Erzeugungseinheit 205c erzeugt werden, ist eine Information, die in der Lage ist, einen oder mehrere Zeitpunkte, die Voraussageziele sind, oder einen Voraussagebereich, der ein Voraussageziel ist, zu spezifizieren.
  • Man beachte, dass die Inferenzdaten-Erzeugungseinheit 205c beispielsweise bestimmen kann, dass eine Information, die erhalten wird durch Kodieren der Information, die durch Kodieren der Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist, die fünfte Information sein soll. Das Verfahren, anhand dessen die Inferenzdaten-Erzeugungseinheit 205c die Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung mit der vorgegebenen Zahl von Dimensionen kodiert, ist dem Verfahren ähnlich, anhand dessen die zweite Informationserzeugungseinheit 182a in der Lernvorrichtung 100 die Voraussagezeitspanneninformation in eine Vektordarstellung mit der vorgegebenen Zahl von Dimensionen kodiert, wenn sie die zweite Information erzeugt, und somit wird auf seine Beschreibung verzichtet.
  • Genauer ist die fünfte Information vorzugsweise eine Information, die in eine Vektordarstellung mit der vorgegebenen gleichen Zahl von Dimensionen kodiert worden ist, in allen Information über die gewählte Voraussagezeitspanne, die von irgendeiner Einheit dargestellt wird, wie etwa einem oder mehreren Zeitpunkten, die Voraussageziele sind, oder einem Voraussagebereich, der ein Voraussageziel ist.
  • Die Ergebnisabrufeinheit 210c ruft die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne, die von dem Lernmodell als das Inferenzergebnis ausgegeben wird, ab.
  • Das Lernmodell gibt als das Inferenzergebnis einen Inferenz-Beobachtungswert zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, oder einen oder mehrere Inferenz-Beobachtungswerte in einem Voraussagebereich, der ein Voraussageziel ist, aus. Daher ruft die Ergebnisabrufeinheit 210c als die Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, oder einen oder mehrere Inferenz-Beobachtungswerte in einem Voraussagebereich, der ein Voraussageziel ist, ab.
  • Die Ergebnisausgabeeinheit 211c gibt die von der Ergebnisabrufeinheit 210c abgerufenen Inferenz-Beobachtungswerte aus.
  • Genauer gibt beispielsweise die Ergebnisausgabeeinheit 211c die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210c abgerufen werden, oder einen oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der ein Voraussageziel ist, aus.
  • Genauer gibt beispielsweise die Ergebnisausgabeeinheit 211c die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210c abgerufen werden, oder den einen oder die mehreren Inferenz-Beobachtungswerte in dem Voraussagebereich, der ein Voraussageziel ist, über die Anzeigesteuereinheit 201 aus. Die Anzeigesteuereinheit 201 nach dem Empfang der Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, oder von einem oder mehreren Inferenz-Beobachtungswerten innerhalb des Voraussagebereichs, der ein Voraussageziel ist, von der Ergebnisausgabeeinheit 211c und erzeugt ein Bildsignal, das einem Bild entspricht, das die Inferenz-Beobachtungswerte angibt. Die Anzeigesteuereinheit 201 gibt das Bildsignal an die Anzeigevorrichtung 12 aus und veranlasst die Anzeigevorrichtung 12, ein Bild anzuzeigen, das die Inferenz-Beobachtungswerte angibt.
  • Ferner kann die Ergebnisausgabeeinheit 211c beispielsweise die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210c abgerufen werden, oder den einen oder die mehreren Inferenz-Beobachtungswerte in dem Voraussagebereich, der ein Voraussageziel ist, an die Speichervorrichtung 10 ausgeben und die Speichervorrichtung 10 veranlassen, die Inferenz-Beobachtungswerte zu speichern.
  • 26 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf der Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211c einen oder mehrere Inferenz-Beobachtungswerte innerhalb des Voraussagebereichs, der das Voraussageziel ist, die von der Ergebnis-Abrufeinheit 210c abgerufen werden, über die Anzeigesteuereinheit 201 ausgibt.
  • Auf der Anzeigevorrichtung 12 werden, wie beispielsweise in 26 dargestellt, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner wird beispielsweise, wie in 26 dargestellt, ein Voraussagebereich, der ein gewähltes Voraussageziel ist, auf der Anzeigevorrichtung 12 angezeigt.
  • Ferner werden auf der Anzeigevorrichtung 12 beispielsweise, wie in 26 dargestellt ist, Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs, der ein gewähltes Voraussageziel ist, angezeigt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, ändern.
  • Der Betrieb der Lernvorrichtung 200c gemäß der vierten Ausführungsform wird unter Bezugnahme auf 27 beschrieben.
  • 27 ist ein Flussdiagramm, das ein Beispiel für eine Verarbeitung durch die Inferenzvorrichtung 200c gemäß der vierten Ausführungsform darstellt.
  • Zuerst ruft die Inferenz-Zeitreihendaten-Abrufeinheit 203 in Schritt ST2701 Inferenz-Zeitreihendaten ab.
  • Dann ruft die Einheit 204c zum Abrufen von gewählten Voraussagezeitspannen in Schritt ST2702 als die Information über die gewählte Voraussagezeitspanne eine Information über eine gewählte Voraussagezeitspanne, die einen oder mehrere Zeitpunkte angibt, die Voraussageziele sind, oder eine Information über die gewählte Voraussagezeitspanne, die einen Voraussagebereich angibt, der ein Voraussageziel ist, ab.
  • Dann erzeugt die Inferenzdaten-Erzeugungseinheit 205 in Schritt ST2703 Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Inferenz-Zeitreihendaten basiert, und der fünften Information, die in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren.
  • Dann ruft die Modell-Abrufeinheit 206 in Schritt ST2704 Modellinformationen ab.
  • Dann ruft die Inferenzdaten-Abrufeinheit 207 in Schritt ST2705 Inferenzdaten ab.
  • Dann gibt die Inferenzdaten-Eingabeeinheit 208 in Schritt ST2706 die Inferenzdaten als Erklärungsvariable in das Lernmodell ein.
  • Dann verwendet die Inferenzeinheit 209 in Schritt ST2707 das Lernmodell, um die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einen oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, zu inferieren.
  • Dann ruft die Ergebnisabrufeinheit 210c in Schritt ST2708 Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einen oder mehrere Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, die von dem Lernmodell als Inferenzergebnis ausgegeben worden sind, ab.
  • Dann gibt die Ergebnisausgabeeinheit 211c in Schritt ST2709 die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210c abgerufen werden, oder einen oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, aus.
  • Nach der Verarbeitung von Schritt ST2709 beendet die Inferenzvorrichtung 200c die Verarbeitung des Flussdiagramms.
  • Man beachte, dass in dem Flussdiagramm die Verarbeitungsreihenfolge der Schritte ST2701 und ST2702 keine Rolle spielt, solange die Verarbeitung vor der Verarbeitung von Schritt ST2703 ausgeführt wird. Außerdem kann die Verarbeitung von Schritt ST2704 in jeder Reihenfolge ausgeführt werden, solange sie vor der Verarbeitung von Schritt ST2706 ausgeführt wird.
  • Man beachte, dass in dem Inferenzsystem 1c gemäß der vierten Ausführungsform die Lernvorrichtung 100 in die Lernvorrichtung 100a gemäß der zweiten Ausführungsform geändert werden kann und ferner die Inferenzvorrichtung 200c in eine Vorrichtung, wie etwa die Inferenzvorrichtung 200a, die in der zweiten Ausführungsform dargestellt wird, modifiziert werden kann, welche die Quantilpunktinformation, die den Quantilpunkt der Inferenz-Beobachtungswerte als das Inferenzergebnis aus der Lernmodell angibt, abruft und die abgerufene Quantilpunktinformation ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, ändern, und kann außerdem den Quantilpunkt der Inferenz-Beobachtungswerte erkennen.
  • Ferner kann in dem Inferenzsystem 1c gemäß der vierten Ausführungsform die Lernvorrichtung 100 in die Lernvorrichtung 100b gemäß der zweiten Ausführungsform geändert werden, und die Inferenzvorrichtung 200c kann in eine Vorrichtung, wie etwa die Inferenzvorrichtung 200b, die in der dritten Ausführungsform beschrieben wird, modifiziert werden, die Verteilungsvoraussageinformation, die eine vorausgesagte Verteilung von Inferenz-Beobachtungswerten angeben, als Inferenzergebnis aus einem Lernmodell abruft und die abgerufene Verteilungsvoraussageinformation ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, ändern, und kann auch die vorausgesagte Verteilung der Inferenz-Beobachtungswerte erkennen.
  • 28 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211c die jeweiligen Quantilpunkte eines oder mehrerer Inferenz-Beobachtungswerte innerhalb des Voraussagebereichs, der das Voraussageziel ist, das von der Ergebnis-Abrufeinheit 210c abgerufen wird, über die Anzeigesteuereinheit 201 ausgibt.
  • Auf der Anzeigevorrichtung 12 werden beispielsweise, wie in 28 dargestellt ist, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner wird beispielsweise, wie in 28 dargestellt, ein Voraussagebereich, der ein gewähltes Voraussageziel ist, auf der Anzeigevorrichtung 12 angezeigt.
  • Außerdem zeigt beispielsweise, wie in 28 dargestellt, die Anzeigevorrichtung 12 jeweilige Quantilpunkte des einen oder der mehreren Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs an, der ein gewähltes Voraussageziel ist.
  • 29 ist eine Skizze, die ein Beispiel für ein Bild darstellt, das auf einer Anzeigevorrichtung 12 angezeigt wird, wenn die Ergebnisausgabeeinheit 211c eine vorausgesagte Verteilung von einem oder mehreren Inferenz-Beobachtungswerten innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, das von der Ergebnis-Abrufeinheit 210c abgerufen wird, über die Anzeigesteuereinheit 201 ausgibt.
  • Auf der Anzeigevorrichtung 12 werden beispielsweise, wie in 28 dargestellt ist, die Beobachtungswerte in den Inferenz-Zeitreihendaten in Verbindung mit den Beobachtungszeitpunkten eingezeichnet und angezeigt.
  • Ferner wird beispielsweise, wie in 28 dargestellt, ein Voraussagebereich, der ein gewähltes Voraussageziel ist, auf der Anzeigevorrichtung 12 angezeigt.
  • Außerdem zeigt beispielsweise, wie in 28 dargestellt, die Anzeigevorrichtung 12 jeweilige vorausgesagte Verteilungen des einen oder der mehreren Inferenz-Beobachtungswerte innerhalb eines Voraussagebereichs an, der ein gewähltes Voraussageziel ist.
  • Wie oben beschrieben, weist die Inferenzvorrichtung 200c auf: die Inferenzdaten-Abrufeinheit 207 zum Abrufen der Inferenzdaten, die erhalten werden durch Kombinieren der vierten Information, die auf den Zeitreihendaten basiert, welche die Beobachtungswerte in Zeitreihe enthalten, und der fünften Information, die in der Lage ist, die gewählte Voraussagezeitspanne des Voraussageziels zu spezifizieren, die Inferenzdaten-Eingabeeinheit 208 zum Eingeben der Inferenzdaten, die von der Inferenzdaten-Abrufeinheit 207 abgerufen werden, in das Lernmodell, das dem Ergebnis des Lernens durch maschinelles Lernen entspricht, als Erklärungsvariable, die Ergebnisabrufeinheit 210c zum Abrufen der Inferenz-Beobachtungswerte nach Ablauf der gewählten Voraussagezeitspanne, die von dem gelernten Modell als Inferenzergebnis ausgegeben werden, und die Ergebnisausgabeeinheit 211c zum Ausgeben der Inferenz-Beobachtungswerte, die von der Ergebnisabrufeinheit 210c abgerufen werden, wobei es sich bei der ausgewählten Voraussagezeitspanne des Voraussageziels um ein oder mehrere Zeitpunkte, die die Voraussageziele sind, oder einen Voraussagebereich, der das Voraussageziel ist, handelt und die Ergebnisabrufeinheit 210c als Inferenz-Beobachtungswerte nach Ablauf der ausgewählten Voraussagezeitspanne, die von dem Lernmodell als Inferenzergebnis ausgeben werden, die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die die gewählten Voraussageziele sind, oder einen oder mehrere Inferenz-Beobachtungswerte innerhalb des Voraussagebereichs, der das Voraussageziel ist, abruft, und die Ergebnisausgabeeinheit 211c so konfiguriert ist, dass sie die Inferenz-Beobachtungswerte zu einem oder zu jedem von mehreren Zeitpunkten, die die Voraussageziele sind, die von der Ergebnisabrufeinheit 210c abgerufen werden, oder einen oder mehrere Inferenz-Beobachtungswerte innerhalb des Voraussagebereichs, der das gewählte Voraussageziel ist, ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c Beobachtungswerte mit hoher Inferenzgenauigkeit mit einem kleinen Inferenzfehler in einer Inferenz jedes künftigen Beobachtungswerts inferieren.
  • Ferner kann die Inferenzvorrichtung 200c mit einer solchen Konfiguration erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, ändern.
  • Ferner kann die Inferenzvorrichtung 200c in der oben beschriebenen Konfiguration so konfiguriert sein, dass die Ergebnisabrufeinheit 210c als das Inferenzergebnis, das von dem Lernmodell ausgegeben wird, eine oder mehrere Quantilpunktinformationseinheiten, die einen Quantilpunkt von jedem von den Inferenz-Beobachtungswerten angeben, zusätzlich zu den Inferenz-Beobachtungswerten zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, oder einem oder mehreren Inferenz-Beobachtungswerten innerhalb des Voraussagebereichs, der ein Voraussageziel ist, als den Inferenz-Beobachtungswert nach dem Ablauf der gewählten Voraussagezeitspanne abruft und die Ergebnisausgabeeinheit 211c die Quantilpunktinformation, die von der Ergebnisabrufeinheit 210a abgerufen werden, zusätzlich zu den Inferenz-Beobachtungswerten zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210a abgerufen werden, oder einem oder mehreren Inferenz-Beobachtungswerten innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c die Beobachtungswerte, die eine hohe Inferenzgenauigkeit aufweisen, mit einem kleinen Inferenzfehler bei der Inferenz jedes künftigen Beobachtungswerts inferieren und kann ferner die Wahrscheinlichkeit für die Richtigkeit der Inferenz der Beobachtungswerte mit hoher Genauigkeit erkennen.
  • Ferner kann die Inferenzvorrichtung 200c mit einer solchen Konfiguration erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der das Voraussageziel ist, ändern, und kann auch die Wahrscheinlichkeit für die Richtigkeit der Inferenz von jedem der Inferenz-Beobachtungswerte mit hoher Genauigkeit erkennen.
  • Ferner kann die Inferenzvorrichtung 200c in der oben beschriebenen Konfiguration so konfiguriert sein, dass die Ergebnisabrufeinheit 210c als das Inferenzergebnis, das von dem Lernmodell ausgegeben wird, eine oder mehrere Verteilungsvoraussageinformationseinheit, die eine vorausgesagte Verteilung von jedem der Inferenz-Beobachtungswerte angeben, zusätzlich zu den Inferenz-Beobachtungswerten zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, oder einem oder mehreren Inferenz-Beobachtungswerten innerhalb des Voraussagebereichs, der ein Voraussageziel ist, als die Inferenz-Beobachtungswerte nach dem Ablauf der gewählten Voraussagezeitspanne abruft und die Ergebnisausgabeeinheit 211c die Verteilungsvoraussageinformation, die von der Ergebnisabrufeinheit 210a abgerufen werden, zusätzlich zu den Inferenz-Beobachtungswerten zu dem einen oder zu jedem von mehreren Zeitpunkten, die Voraussageziele sind, die von der Ergebnisabrufeinheit 210a abgerufen werden, oder einem oder mehreren Inferenz-Beobachtungswerten innerhalb eines Voraussagebereichs, der ein Voraussageziel ist, ausgibt.
  • Mit einer solchen Konfiguration kann die Inferenzvorrichtung 200c Inferenz-Beobachtungswerte, die eine hohe Inferenzgenauigkeit aufweisen, mit einem kleinen Inferenzfehler bei der Inferenz jedes künftigen Beobachtungswerts inferieren und kann mit hoher Genauigkeit erkennen, dass der Inferenz-Beobachtungswert ein ungeeigneter Wert ist. Ferner kann die Inferenzvorrichtung 200c einen geeigneten Wert mit hoher Genauigkeit erkennen, falls der Inferenz-Beobachtungswert ein ungeeigneter Wert ist.
  • Ferner kann die Inferenzvorrichtung 200c mit einer solchen Konfiguration erkennen, wie sich die Inferenz-Beobachtungswerte zu dem einen oder zu jedem von mehreren Zeitpunkten, die gewählte Voraussageziele sind, oder einer oder mehrere Inferenz-Beobachtungswerte in dem Voraussagebereich, der ein Voraussageziel ist, ändern, und kann auch mit hoher Genauigkeit erkennen, dass jeder von den Inferenz-Beobachtungswerten ein ungeeigneter Wert ist. Ferner kann die Inferenzvorrichtung 200c einen geeigneten Wert mit hoher Genauigkeit erkennen, falls der Inferenz-Beobachtungswert ein ungeeigneter Wert ist.
  • Man beachte, dass in der ersten Ausführungsform ein Beispiel beschrieben wurde, in dem die Zahl der Besucher von dem Inferenzsystem 1 inferiert wird, dies aber keine Beschränkung darstellt. Zum Beispiel kann das Inferenzsystem 1 auch auf eine Forderungsvoraussage, Ausfallvoraussage oder dergleichen eines Produkts oder dergleichen angewendet werden.
  • Man beachte, dass die vorliegende Erfindung innerhalb des Bereichs der Erfindung die Ausführungsformen frei kombinieren kann, beliebige Bestandteile der einzelnen Ausführungsformen modifizieren kann oder beliebige Bestandteile in jeder Ausführungsform weglassen kann.
  • INDUSTRIELLE ANWENDBARKEIT
  • Die Lernvorrichtung gemäß der vorliegenden Erfindung kann auf ein Inferenzsystem angewendet werden.
  • Bezugszeichenliste
  • 1, 1a, 1b, 1c
    Inferenzsystem,
    10
    Speichervorrichtung,
    11, 12
    Anzeigevorrichtung,
    13, 14
    Eingabevorrichtung,
    100, 100a, 100b
    Lernvorrichtung,
    101
    Anzeigesteuereinheit,
    102
    Bedienungsempfangseinheit,
    103
    Einheit zum Abrufen von originalen Zeitreihendaten,
    104
    Einheit zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben,
    105
    Zeitreihendaten-Segmentierungseinheit,
    106
    Voraussagezeitspannen-Bestimmungseinheit,
    107
    Beobachtungswert-Abrufeinheit,
    108
    Lerndaten-Erzeugungseinheit,
    109
    Lerndaten-Erfassungseinheit,
    110, 110a, 110b
    Lerneinheit,
    111
    Modellausgabeeinheit,
    181, 181a
    erste Informationserzeugungseinheit,
    182, 182a
    zweite Informationserzeugungseinheit,
    183
    dritte Informationserzeugungseinheit,
    184
    Informationskombinierungseinheit,
    200, 200a, 200b, 200c
    Inferenzvorrichtung,
    201
    Anzeigesteuereinheit,
    202
    Bedienungsempfangseinheit,
    203
    Inferenz-Zeitreihendaten-Abrufeinheit,
    204, 204c
    Einheit zum Abrufen von ausgewählten Voraussagezeitspannen,
    205, 205c
    Inferenzdaten-Erzeugungseinheit,
    206
    Modellabrufeinheit,
    207
    Inferenzdaten-Abrufeinheit,
    208
    Inferenzdaten-Eingabeeinheit,
    209, 209a, 209b
    Inferenzeinheit,
    210, 210a, 210b, 210c
    Ergebnisabrufeinheit,
    211, 211a, 211b, 211c
    Ergebnisausgabeeinheit,
    301
    Prozessor,
    302
    Speicher,
    303
    Verarbeitungsschaltung
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 06035895 [0005]

Claims (24)

  1. Lernvorrichtung, umfassend: eine Lerndaten-Abrufeinheit zum Abrufen einer Mehrzahl von Lerndateneinheiten, in denen eine Lerndateneinheit eine Kombination ist aus einer ersten Information auf Basis von einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder von einer von einer Mehrzahl davon, einer zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne; und eine Lerneinheit zum Durchführen eines Lernens unter Verwendung einer Mehrzahl von Lerndateneinheiten, die von der Lerndaten-Abrufeinheit abgerufen worden sind, mit einer Information, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten worden ist, als Erklärungsvariable und der dritten Information als Reaktionsvariable, und zum Erzeugen eines Lernmodells, das in der Lage ist, einen Inferenz-Beobachtungswert nach Ablauf der ausgewählten Voraussagezeitspanne zu inferieren.
  2. Lernvorrichtung nach Anspruch 1, ferner umfassend: eine Einheit zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die eine virtuelle aktuelle Datums- und Zeitangabe, bei der es sich um eine virtuell bestimmte aktuelle Datums- und Zeitangabe handelt, oder eine Mehrzahl davon aus einer Zeitspanne bestimmt, die einer originalen Zeitreihendateneinheit entspricht, die die Beobachtungswerte in Zeitreihe enthält; eine Zeitreihendaten-Segmentierungseinheit zum Segmentieren der originalen Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, für eine virtuelle aktuelle Datums- und Zeitangabe, die von der Einheit zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist, oder für eine Mehrzahl davon als die Zeitreihendaten, die die Beobachtungswerte in Zeitreihe enthalten, die als Basis für die erste Information dienen; eine Voraussagezeitspannen-Bestimmungseinheit zum Bestimmen von zumindest der zwei Voraussagezeitspannen, die voneinander verschieden sind und die als Basis für die zweite Information dienen, für eine virtuelle aktuelle Datums- und Zeitangabe, die von der Einheit zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt worden ist, oder für eine Mehrzahl davon, wobei ein Zeitpunkt nach dem Ablauf der Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht; eine Beobachtungswert-Abrufeinheit zum Abrufen der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die als Basis für die dritte Information dienen, aus den originalen Zeitreihendaten, für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die von der Voraussagezeitspannen-Bestimmungseinheit bestimmt worden sind; und eine Lerndaten-Erzeugungseinheit zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, die auf einer von der Zeitreihendaten-Segmentierungseinheit segmentierten Einheit von Zeitreihendaten, die Beobachtungswerte in Zeitreihe einschließen, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit bestimmt worden sind, und der dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit abgerufen worden sind, wobei die Lerndaten-Abrufeinheit eine Mehrzahl von den Lerndateneinheiten, die von der Lerndaten-Erzeugungseinheit erzeugt worden sind, abruft.
  3. Lernvorrichtung nach Anspruch 1, wobei die Voraussagezeitspanne, die als Basis für die zweite Information in den Lerndaten dient, eine Zeitspanne ist von einem Zeitpunkt, der am nächsten an der aktuellen Datums- und Zeitangabe liegt, in der Zeitspanne, die den Zeitreihendaten entspricht, die als Basis für die erste Information in den Lerndaten dienen, und die dritte Information in den Lerndaten eine Information ist, die auf den Beobachtungswerten nach dem Ablauf der Voraussagezeitspanne ab dem Zeitpunkt basiert.
  4. Lernvorrichtung nach Anspruch 1, wobei die Voraussagezeitspanne, die als Basis für die zweite Information in den Lerndaten dient, eine Zeitspanne ab einem Zeitpunkt ist, zu dem ein vorgegebenes Ereignis eintritt, in einer Zeitspanne, die den Zeitreihendaten entspricht, die als Basis für die erste Information in den Lerndaten dienen, und die dritte Information in den Lerndaten eine Information ist, die auf den Beobachtungswerten nach Ablauf der Voraussagezeitspanne ab dem Zeitpunkt des Eintritts des Ereignisses basiert.
  5. Lernvorrichtung nach Anspruch 1, wobei die zweite Information eine Information ist, die erhalten wird durch Kodieren einer Voraussagezeitspanneninformation, die in der Lage ist, die Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist.
  6. Lernvorrichtung nach Anspruch 5, wobei die zweite Information eine Information ist, die in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen kodiert ist, in sämtlichen Voraussagezeitspanneninformationen, die von irgendeiner Einheit dargestellt werden.
  7. Lernvorrichtung nach Anspruch 6, wobei die erste Information in allen Zeitreihendateneinheiten, die als Basis für die erste Information dienen, eine Information ist, die in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen kodiert worden ist.
  8. Lernvorrichtung nach Anspruch 7, wobei die Lerneinheit als Erklärungsvariable eine Information lernt, die auf einer Vektordarstellung basiert, die durch Verbinden der ersten Information, die in eine Vektordarstellung kodiert worden ist, und der zweiten Information, die in eine Vektordarstellung kodiert worden ist, erhalten wird.
  9. Lernvorrichtung nach einem der Ansprüche 1 bis 8, wobei die Lerneinheit das Lernmodell erzeugt, das in der Lage ist, einen Quantilpunkt der Inferenz-Beobachtungswerte zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  10. Lernvorrichtung nach einem der Ansprüche 1 bis 8, wobei die Lerneinheit das Lernmodell erzeugt, das in der Lage ist, eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne zu inferieren.
  11. Lernverfahren, umfassend: einen Lerndaten-Abrufschritt zum Abrufen einer Mehrzahl von Lerndateneinheiten, in denen eine Lerndateneinheit eine Kombination ist aus der ersten Information auf Basis von einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließen, oder auf einer von einer Mehrzahl davon, der zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, und einer dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne; und einen Lernschritt zum Durchführen eines Lernens unter Verwendung einer Mehrzahl von Lerndateneinheiten, die in dem Lerndaten-Abrufschritt abgerufen worden sind, mit einer Informationen, die durch Kombinieren der ersten Information und der zweiten Information in den Lerndaten erhalten worden ist, als Erklärungsvariable und der dritten Information als Reaktionsvariable, und zum Erzeugen eines Lernmodells, das in der Lage ist, einen Inferenz-Beobachtungswert nach Ablauf der ausgewählten Voraussagezeitspanne zu inferieren.
  12. Lerndaten-Erzeugungsvorrichtung, umfassend: eine Einheit zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, die eine virtuelle aktuelle Datums- und Zeitangabe, bei der es sich um eine virtuell bestimmte aktuelle Datums- und Zeitangaben handelt, oder eine Mehrzahl davon aus einer Zeitspanne bestimmt, die einer originalen Zeitreihendateneinheit entspricht, die Beobachtungswerte in Zeitreihe enthält; eine Zeitreihendaten-Segmentierungseinheit zum Segmentieren der originalen Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, für eine virtuelle aktuelle Datums- und Zeitangabe oder für eine Mehrzahl davon, die von der Einheit zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist, als Zeitreihendaten, die die Beobachtungswerte in Zeitreihe enthalten, die als Basis für die erste Information dienen; eine Voraussagezeitspannen-Bestimmungseinheit zum Bestimmen von mindestens zwei Voraussagezeitspannen, die voneinander verschieden sind und die als Basis für die zweite Information dienen, für eine virtuelle aktuelle Datums- und Zeitangabe oder für eine Mehrzahl davon, die von der Einheit zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt worden ist, wobei ein Zeitpunkt nach Ablauf einer Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht; eine Beobachtungswert-Abrufeinheit zum Abrufen der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die als Basis für eine dritte Information dienen, aus den originalen Zeitreihendaten für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die von der Voraussagezeitspannen-Bestimmungseinheit bestimmt worden sind; und eine Lerndaten-Erzeugungseinheit zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, die auf einer von der Zeitreihendaten-Segmentierungseinheit segmentierten Einheit von Zeitreihendaten, die Beobachtungswerte in Zeitreihe einschließt, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die von der Voraussagezeitspannen-Bestimmungseinheit bestimmt worden sind, und der dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne, die von der Beobachtungswert-Abrufeinheit abgerufen worden sind.
  13. Lerndaten-Erzeugungsverfahren, umfassend: einen Schritt zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben, in dem eine virtuelle aktuelle Datums- und Zeitangabe, bei der es sich um eine virtuell bestimmte aktuelle Datums- und Zeitangaben handelt, oder eine Mehrzahl davon aus einer Zeitspanne bestimmt wird, die einer originalen Zeitreihendateneinheit entspricht, die Beobachtungswerte in Zeitreihe enthält; einen Zeitreihendaten-Segmentierungsschritt zum Segmentieren der originalen Zeitreihendaten, die einer Zeitspanne vor der virtuellen aktuellen Datums- und Zeitangabe entsprechen, für eine virtuelle aktuelle Datums- und Zeitangabe oder für eine Mehrzahl davon, die in dem Schritt zum Bestimmen von virtuellen aktuellen Datums- und Zeitangaben bestimmt worden ist, als Zeitreihendaten, die die Beobachtungswerte in Zeitreihe enthalten, die als Basis für die erste Information dienen; einen Voraussagezeitspannen-Bestimmungsschritt zum Bestimmen von mindestens zwei Voraussagezeitspannen, die voneinander verschieden sind und die als Basis für eine zweite Information dienen, für eine virtuelle aktuelle Datums- und Zeitangabe oder für eine Mehrzahl davon, die in dem Schritt zum Bestimmen von virtuellen Datums- und Zeitangaben bestimmt worden ist, wobei ein Zeitpunkt nach Ablauf einer Voraussagezeitspanne in einer Zeitspanne enthalten ist, die den originalen Zeitreihendaten entspricht; einen Beobachtungswert-Abrufschritt zum Abrufen der Beobachtungswerte nach Ablauf der Voraussagezeitspanne, die als Basis für eine dritte Information dienen, aus den originalen Zeitreihendaten für jede von den mindestens zwei voneinander verschiedenen Voraussagezeitspannen, die in dem Voraussagezeitspannen-Bestimmungsschritt bestimmt worden sind; und einen Lerndaten-Erzeugungsschritt zum Erzeugen einer Mehrzahl von Lerndateneinheiten durch Kombinieren der ersten Information, die auf einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, die in dem Zeitreihendaten-Segmentierungseinheit segmentiert worden sind, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information auf Basis von einer von einer Mehrzahl von Voraussagezeitspannen, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließt, die in dem Voraussagezeitspannen-Bestimmungsschritt bestimmt worden ist, und der dritten Information auf Basis von Beobachtungswerten nach Ablauf der Voraussagezeitspanne, die in dem Beobachtungswert-Abrufschritt abgerufen worden sind.
  14. Inferenzvorrichtung, umfassend: eine Inferenzdaten-Abrufeinheit zum Abrufen von Inferenzdaten, die erhalten werden durch Kombinieren einer vierten Information, die auf Inferenz-Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und einer fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne eines Voraussageziels zu spezifizieren; eine Inferenzdaten-Eingabeeinheit zum Eingeben der von der Inferenzdaten-Abrufeinheit abgerufenen Inferenzdaten als Erklärungsvariable in ein Lernmodell, das einem Ergebnis eines Lernens durch maschinelles Lernen entspricht; eine Ergebnisabrufeinheit zum Abrufen des Inferenz-Beobachtungswerts nach Ablauf der gewählten Voraussagezeitspanne, wobei der Inferenz-Beobachtungswert als Inferenzergebnis von dem Lernmodell ausgegeben wird; und eine Ergebnisausgabeeinheit zum Ausgeben des von der Ergebnisabrufeinheit abgerufenen Inferenz-Beobachtungswerts.
  15. Inferenzvorrichtung nach Anspruch 14, wobei die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ist ab einem Zeitpunkt, der am nächsten an einer aktuellen Datums- und Zeitangabe liegt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  16. Inferenzvorrichtung nach Anspruch 14, wobei die gewählte Voraussagezeitspanne, die von der fünften Information in den Inferenzdaten spezifiziert werden kann, eine Zeitspanne ist ab einem Zeitpunkt, zu dem ein vorgegebenes Ereignis eintritt, in einer Zeitspanne, die den Inferenz-Zeitreihendaten entspricht, die als Basis für die vierte Information in den Inferenzdaten dienen.
  17. Inferenzvorrichtung nach Anspruch 14, wobei die fünfte Information eine Information ist, die erhalten wird durch Kodieren der Information über die gewählte Voraussagezeitspanne, die in der Lage ist, die gewählte Voraussagezeitspanne zu spezifizieren, in eine Vektordarstellung, die eine vorgegebene Zahl von Dimensionen aufweist.
  18. Inferenzvorrichtung nach Anspruch 17, wobei die fünfte Information in sämtlichen Informationen über die gewählte Voraussagezeitspanne, die von irgendeiner Einheit dargestellt werden, eine Information ist, die in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen kodiert worden ist.
  19. Inferenzvorrichtung nach Anspruch 18, wobei die vierte Information in allen Inferenz-Zeitreihendateneinheiten, die als Basis für die vierte Information dienen, eine Information ist, die in eine Vektordarstellung mit einer vorgegebenen gleichen Zahl von Dimensionen kodiert worden ist.
  20. Inferenzvorrichtung nach Anspruch 19, wobei die Inferenzdaten-Eingabeeinheit Informationen durch eine Vektordarstellung, die erhalten wird durch Verbinden der vierten Information, die in eine Vektordarstellung kodiert worden ist, und der fünften Information, die in eine Vektordarstellung kodiert worden ist, als eine Erklärungsvariable in das Lernmodell eingibt.
  21. Inferenzvorrichtung nach einem der Ansprüche 14 bis 20, wobei die Ergebnisabrufeinheit eine Quantilpunktinformation, die einen Quantilpunkt der Inferenz-Beobachtungswerte angibt, zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne als das Inferenzergebnis, das von dem Lernmodell ausgegeben worden ist, abruft, und die Ergebnisausgabeeinheit die von der Ergebnisabrufeinheit abgerufene Quantilpunktinformation zusätzlich zu den von der Ergebnisabrufeinheit abgerufenen Inferenz-Beobachtungswerten ausgibt.
  22. Inferenzvorrichtung nach einem der Ansprüche 14 bis 20, wobei die Ergebnisabrufeinheit eine Verteilungsvoraussageinformation, die eine vorausgesagte Verteilung der Inferenz-Beobachtungswerte angibt, zusätzlich zu den Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne als das Inferenzergebnis, das von dem Lernmodell ausgegeben worden ist, abruft, und die Ergebnisausgabeeinheit die von der Ergebnisabrufeinheit abgerufene Verteilungsvoraussageinformation zusätzlich zu den von der Ergebnisabrufeinheit abgerufenen Inferenz-Beobachtungswerten ausgibt.
  23. Inferenzvorrichtung nach Anspruch 14, wobei das Lernmodell das Lernmodell ist, das dem Ergebnis des Lernens durch das maschinelle Lernen entspricht, wobei das Lernmodell unter Verwendung einer Mehrzahl von den Lerndateneinheiten gelernt wird, für die eine Information, die erhalten wird durch Kombinieren einer ersten Information und einer zweiten Information in Lerndaten, die durch Kombinieren der ersten Information, die auf einer Zeitreihendateneinheit, die Beobachtungswerte in Zeitreihe einschließt, oder auf einer von einer Mehrzahl davon basiert, der zweiten Information, die auf einer von einer Mehrzahl von Voraussagezeitspannen basiert, die mindestens zwei voneinander verschiedene Voraussagezeitspannen einschließen, und einer dritten Information, die auf den Beobachtungswerten nach einem Ablauf der Voraussagezeitspanne basiert, erhalten werden, als Erklärungsvariable verwendet wird und die dritte Information als Reaktionsvariable verwendet wird.
  24. Inferenzverfahren, umfassend: einen Inferenzdaten-Abrufschritt zum Abrufen von Inferenzdaten, die erhalten werden durch Kombinieren einer vierten Information, die auf Zeitreihendaten basiert, die Beobachtungswerte in Zeitreihe einschließen, und einer fünften Information, die in der Lage ist, eine gewählte Voraussagezeitspanne eines Voraussageziels zu spezifizieren; einen Inferenzdaten-Eingabeschritt zum Eingeben der in dem Inferenzdaten-Abrufschritt abgerufenen Inferenzdaten als Erklärungsvariable in ein Lernmodell, das einem Ergebnis eines Lernens durch maschinelles Lernen entspricht; einen Ergebnisabrufschritt zum Abrufen von Inferenz-Beobachtungswerten nach Ablauf der gewählten Voraussagezeitspanne, wobei die Inferenz-Beobachtungswerte als Inferenzergebnis von dem Lernmodell ausgegeben worden sind; und einen Ergebnisausgabeschritt zum Ausgeben der in dem Ergebnisabrufschritt abgerufenen Inferenz-Beobachtungswerte.
DE112019007601.9T 2019-09-06 2019-09-06 Lernvorrichtung, lernverfahren, lerndatenerzeugungsvorrichtung, lerndatenerzeugungsverfahren, inferenzvorrichtung und inferenzverfahren Pending DE112019007601T5 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/035133 WO2021044610A1 (ja) 2019-09-06 2019-09-06 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法

Publications (1)

Publication Number Publication Date
DE112019007601T5 true DE112019007601T5 (de) 2022-05-05

Family

ID=72706642

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112019007601.9T Pending DE112019007601T5 (de) 2019-09-06 2019-09-06 Lernvorrichtung, lernverfahren, lerndatenerzeugungsvorrichtung, lerndatenerzeugungsverfahren, inferenzvorrichtung und inferenzverfahren

Country Status (7)

Country Link
US (1) US20220147851A1 (de)
JP (1) JP6765555B1 (de)
KR (1) KR102485542B1 (de)
CN (1) CN114303161A (de)
DE (1) DE112019007601T5 (de)
TW (1) TWI764101B (de)
WO (1) WO2021044610A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023200231A1 (de) 2023-01-12 2024-07-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Evaluieren einer Steuerung einer Robotervorrichtung

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022150821A (ja) * 2021-03-26 2022-10-07 本田技研工業株式会社 情報処理装置、車両及びプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0635895A (ja) 1992-07-14 1994-02-10 Hitachi Ltd 時系列データ予測方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08106448A (ja) * 1994-10-04 1996-04-23 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
JP2008299644A (ja) * 2007-05-31 2008-12-11 Tokyo Institute Of Technology 連想記憶装置、連想記憶方法、及びプログラム
TWI516886B (zh) * 2013-12-10 2016-01-11 財團法人工業技術研究院 智能學習節能調控系統與方法
JP6708385B2 (ja) * 2015-09-25 2020-06-10 キヤノン株式会社 識別器作成装置、識別器作成方法、およびプログラム
JP6687241B2 (ja) * 2016-06-27 2020-04-22 株式会社Gf 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法
WO2018193324A1 (en) * 2017-03-20 2018-10-25 Sunit Tyagi Surface modification control stations in a globally distributed array for dynamically adjusting atmospheric, terrestrial and oceanic properties
CN109800480A (zh) * 2018-12-29 2019-05-24 国网天津市电力公司电力科学研究院 多能源系统中气网和电网耦合的时序随机优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0635895A (ja) 1992-07-14 1994-02-10 Hitachi Ltd 時系列データ予測方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023200231A1 (de) 2023-01-12 2024-07-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Evaluieren einer Steuerung einer Robotervorrichtung

Also Published As

Publication number Publication date
WO2021044610A1 (ja) 2021-03-11
KR102485542B1 (ko) 2023-01-06
JPWO2021044610A1 (ja) 2021-09-27
KR20220027282A (ko) 2022-03-07
US20220147851A1 (en) 2022-05-12
JP6765555B1 (ja) 2020-10-07
TWI764101B (zh) 2022-05-11
TW202111570A (zh) 2021-03-16
CN114303161A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
DE202017007517U1 (de) Aggregatmerkmale für maschinelles Lernen
DE69217047T2 (de) Verbesserungen in neuronalnetzen
DE112018006189T5 (de) Robuste gradienten-gewichtskomprimierungsschemata für deep-learning-anwendungen
DE112018005227T5 (de) Merkmalsextraktion mithilfe von multi-task-lernen
DE112017005538T5 (de) Automatisierte Erzeugung von Arbeitsabläufen
DE112018004693T5 (de) Verbessern der effizienz eines neuronalen netzes
DE202020101701U1 (de) Trainieren neuronaler Netze unter Verwendung von Datenvermehrungsstrategien
DE202017107393U1 (de) Vorhersagen eines Suchmaschinen-Einordnungssignalwerts
DE112021006215T5 (de) Automatisierte Deep-Learning-Architekturauswahl für Zeitreihenvorhersage mit Benutzerinteraktion
DE102020126568A1 (de) Systeme und verfahren für das feature-engineering
DE112023000011T5 (de) Ein primäres Frequenzmodulationssteuersystem der thermischen Stromerzeugungseinheit mit kleinen Störungen
DE102020120479A1 (de) Fusion von Strassenkarten
DE112020004120T5 (de) Überwachen eines status eines computersystems durch implementieren eines netzwerks für tiefes, unüberwachtes binäres codieren
DE102021127244A1 (de) Künstliche Intelligenz Optimierungsplattform
DE112021002866T5 (de) Modelltreueüberwachung und -neuerstellung zur entscheidungsunterstützung eines fertigungsverfahrens
DE112019007601T5 (de) Lernvorrichtung, lernverfahren, lerndatenerzeugungsvorrichtung, lerndatenerzeugungsverfahren, inferenzvorrichtung und inferenzverfahren
DE102020129018A1 (de) Tiefe benutzermodellierung durch verhalten
DE102023103798A1 (de) Automatische fehlervorhersage in rechenzentren
DE102020120212A1 (de) Netzwerk zur automatischen Programmierspannungsauswahl
DE102019112550A1 (de) System zum Erzeugen von Lerndaten
DE102024101470A1 (de) Text-zu-bild-diffusionsmodell mit komponentensperre und rang-eins-bearbeitung
DE112021003881T5 (de) Online-training von neuronalen netzen
DE112016007411T5 (de) Fuzzy-eingabe für autoencoder
DE102021124445A1 (de) Metamerkmal-trainingsmodelle für maschinenlernalgorithmen
DE112021000251T5 (de) Verfahren zum auswählen von datensätzen zum aktualisieren eines moduls mit künstlicher intelligenz

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R084 Declaration of willingness to licence
R016 Response to examination communication