JP2000305606A - 配水需要量予測方法 - Google Patents
配水需要量予測方法Info
- Publication number
- JP2000305606A JP2000305606A JP11772799A JP11772799A JP2000305606A JP 2000305606 A JP2000305606 A JP 2000305606A JP 11772799 A JP11772799 A JP 11772799A JP 11772799 A JP11772799 A JP 11772799A JP 2000305606 A JP2000305606 A JP 2000305606A
- Authority
- JP
- Japan
- Prior art keywords
- value
- learning
- neural network
- regression analysis
- multiple regression
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title abstract description 22
- 230000013016 learning Effects 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000000611 regression analysis Methods 0.000 claims abstract description 40
- 238000013277 forecasting method Methods 0.000 claims description 4
- 230000003936 working memory Effects 0.000 abstract description 18
- 230000008878 coupling Effects 0.000 abstract description 11
- 238000010168 coupling process Methods 0.000 abstract description 11
- 238000005859 coupling reaction Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 13
- 230000010354 integration Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 需要水量予測は回帰分析やニューラルネット
ワーク等の単一の手法による予測するケースが多かっ
た。しかし、このような単一の手法では正確な予測は困
難と言われており、この点を解決することにある。 【解決手段】 配水量予測方法は、配水需要量、気温、
年月日、曜日、天候等の項目を含む実績データから学習
データを選択し、ニューラルネットワーク及び重回帰分
析により学習し、予測日の予想気温、年月日、曜日、予
想天候等を入力し配水需要量をニューラルネットワーク
と重回帰分析という異なった手法により予測し、ニュー
ラルネットワークによる予測結果と重回帰分析による予
測結果を統合し、それぞれの手法を補完し合っている配
水量予測方法である。
ワーク等の単一の手法による予測するケースが多かっ
た。しかし、このような単一の手法では正確な予測は困
難と言われており、この点を解決することにある。 【解決手段】 配水量予測方法は、配水需要量、気温、
年月日、曜日、天候等の項目を含む実績データから学習
データを選択し、ニューラルネットワーク及び重回帰分
析により学習し、予測日の予想気温、年月日、曜日、予
想天候等を入力し配水需要量をニューラルネットワーク
と重回帰分析という異なった手法により予測し、ニュー
ラルネットワークによる予測結果と重回帰分析による予
測結果を統合し、それぞれの手法を補完し合っている配
水量予測方法である。
Description
【0001】
【発明の属する技術分野】本発明は、上下水道施設の最
適運用計画立案の支援装置である配水量予測装置の高精
度化を図る配水量予測方法に関する。
適運用計画立案の支援装置である配水量予測装置の高精
度化を図る配水量予測方法に関する。
【0002】
【従来の技術】上下水道、特に上水道施設内の浄水場に
おける管理の高度化、多様化が進み、またオペレータの
負担を軽減するための自動化が進むにつれ、浄水場の監
視装置も単に設備の状態を監視する機能から進展された
浄水場の最適運用計画を立案するための情報を提供する
計画支援機能が大きな位置づけを占めてきている。
おける管理の高度化、多様化が進み、またオペレータの
負担を軽減するための自動化が進むにつれ、浄水場の監
視装置も単に設備の状態を監視する機能から進展された
浄水場の最適運用計画を立案するための情報を提供する
計画支援機能が大きな位置づけを占めてきている。
【0003】浄水場の運用計画を立案するには、需要網
(配水系統)における需要水量の予測が重要である。例
えば市営の大型配水場、県営の上位大型配水場、増圧給
水場等から広域需要網に効果的に配水する場合である。
需要水量は天候、気温等の気象や自然条件、曜日、祝祭
日、月日、季節等の暦、当該地域の祭りやイベントの社
会条件により影響を受け変動する。このため、熟練運転
員の長年の経験やノウハウ、数値計画法、数理統計的手
法や簡易なニューラルネットワークによる推定予測手法
が用いられている。
(配水系統)における需要水量の予測が重要である。例
えば市営の大型配水場、県営の上位大型配水場、増圧給
水場等から広域需要網に効果的に配水する場合である。
需要水量は天候、気温等の気象や自然条件、曜日、祝祭
日、月日、季節等の暦、当該地域の祭りやイベントの社
会条件により影響を受け変動する。このため、熟練運転
員の長年の経験やノウハウ、数値計画法、数理統計的手
法や簡易なニューラルネットワークによる推定予測手法
が用いられている。
【0004】
【発明が解決しようとする課題】上記した従来技術は次
のような問題がある。 (1) 需要水量の予測には一般に過去の類似の実績デ
ータを参考に定めるケースが多かった。しかしながら、
需要水量は天候、温度等の気象や自然現象に加え、祭り
やイベント等の社会生活の要素の影響も大きく、正確な
予測は困難といわれている。 (2)配水量需要予測にニューラルネットワークを用
い、ニューラルネットワークの結合係数を学習し、学習
を終了する条件は学習回数、学習時間、学習データと学
習結果の差の絶対値の合計、学習データと学習結果の差
の絶対値の自乗の合計が設定した指定値に達した等の方
法があるが、ニューラルネットの構造、入力層、中間
層、出力層のユニット数、学習データ数、学習データの
内容等によってこれらの条件は容易には決められず、学
習不十分や学習しすぎ、の状態に陥ることがある。学習
不十分や学習しすぎの場合予測がずれる場合がある。 (3)配水量需要予測に重回帰分析を用い、回帰係数を
計算する(学習する)方法は、最小自乗法を用いるの
で、入力変数と出力変数の関係が多項式で表せる場合は
良いがそうでない場合は予測がずれる場合がある。
のような問題がある。 (1) 需要水量の予測には一般に過去の類似の実績デ
ータを参考に定めるケースが多かった。しかしながら、
需要水量は天候、温度等の気象や自然現象に加え、祭り
やイベント等の社会生活の要素の影響も大きく、正確な
予測は困難といわれている。 (2)配水量需要予測にニューラルネットワークを用
い、ニューラルネットワークの結合係数を学習し、学習
を終了する条件は学習回数、学習時間、学習データと学
習結果の差の絶対値の合計、学習データと学習結果の差
の絶対値の自乗の合計が設定した指定値に達した等の方
法があるが、ニューラルネットの構造、入力層、中間
層、出力層のユニット数、学習データ数、学習データの
内容等によってこれらの条件は容易には決められず、学
習不十分や学習しすぎ、の状態に陥ることがある。学習
不十分や学習しすぎの場合予測がずれる場合がある。 (3)配水量需要予測に重回帰分析を用い、回帰係数を
計算する(学習する)方法は、最小自乗法を用いるの
で、入力変数と出力変数の関係が多項式で表せる場合は
良いがそうでない場合は予測がずれる場合がある。
【0005】本発明は上記した従来技術の問題点を考慮
してなされたものであり、本発明の目的は、ニューラル
ネットワークと重回帰分析の短所を補完し合う、高精度
の配水量需要予測方法を提供することにある。
してなされたものであり、本発明の目的は、ニューラル
ネットワークと重回帰分析の短所を補完し合う、高精度
の配水量需要予測方法を提供することにある。
【0006】
【課題を解決するための手段】つまり、その目的を達成
するための手段は、(1)請求項1において、配水需要
量予測に際し、配水需要量、気温、年月日、曜日、天候
等の項目を含む実績データから学習データを選択し、ニ
ューラルネットワーク及び重回帰分析により学習し、予
測日の予想気温、年月日、曜日、予想天候等を入力し配
水需要量をニューラルネットワーク及び重回帰分析によ
り予測し、ニューラルネットワークによる予測結果と重
回帰分析による予測結果を統合して予測することを特徴
とした配水需要量予測方法である。
するための手段は、(1)請求項1において、配水需要
量予測に際し、配水需要量、気温、年月日、曜日、天候
等の項目を含む実績データから学習データを選択し、ニ
ューラルネットワーク及び重回帰分析により学習し、予
測日の予想気温、年月日、曜日、予想天候等を入力し配
水需要量をニューラルネットワーク及び重回帰分析によ
り予測し、ニューラルネットワークによる予測結果と重
回帰分析による予測結果を統合して予測することを特徴
とした配水需要量予測方法である。
【0007】次にその作用について説明する。 本発明
の請求項1の発明においては、上記(1)のように、配
水量予測装置を構成するニューラルネットワークおよび
重回帰分析の予測結果を平均、加重平均あるいは指定し
た関数により統合して使用しているので、高精度な配水
量需要予測方法を得ることができる。
の請求項1の発明においては、上記(1)のように、配
水量予測装置を構成するニューラルネットワークおよび
重回帰分析の予測結果を平均、加重平均あるいは指定し
た関数により統合して使用しているので、高精度な配水
量需要予測方法を得ることができる。
【0008】
【発明の実施形態】以下、本発明の一実施例を図面に基
づいて詳述する。 (1) 請求項1において、配水需要量予測に際し、配
水需要量、気温、年月日、曜日、天候等の項目を含む実
績データから学習データを選択し、ニューラルネットワ
ーク及び重回帰分析により学習し、予測日の予想気温、
年月日、曜日、予想天候等を入力し配水需要量をニュー
ラルネットワーク及び重回帰分析により予測し、ニュー
ラルネットワークによる予測結果と重回帰分析による予
測結果を統合して予測することを特徴とした配水需要量
予測方法の実施例を図1から図7により示す。なお、図
1から図7の詳細手順は後述する。ニューラルネットワ
ークによる予測結果と重回帰分析による予測結果を統合
して予測する手法としては双方の平均値を採る方法、重
み付け係数による多項式による方法、指定した関数によ
る方法等がある。重み付け係数値は検証データを使用し
予測値の誤差の絶対値の総和が最小となるように係数を
決めると良い。
づいて詳述する。 (1) 請求項1において、配水需要量予測に際し、配
水需要量、気温、年月日、曜日、天候等の項目を含む実
績データから学習データを選択し、ニューラルネットワ
ーク及び重回帰分析により学習し、予測日の予想気温、
年月日、曜日、予想天候等を入力し配水需要量をニュー
ラルネットワーク及び重回帰分析により予測し、ニュー
ラルネットワークによる予測結果と重回帰分析による予
測結果を統合して予測することを特徴とした配水需要量
予測方法の実施例を図1から図7により示す。なお、図
1から図7の詳細手順は後述する。ニューラルネットワ
ークによる予測結果と重回帰分析による予測結果を統合
して予測する手法としては双方の平均値を採る方法、重
み付け係数による多項式による方法、指定した関数によ
る方法等がある。重み付け係数値は検証データを使用し
予測値の誤差の絶対値の総和が最小となるように係数を
決めると良い。
【0009】図1は本発明の実施例の配水量予測方法を
含む配水量予測装置の一実施例の全体の構成図で、14
は配水量予測装置、1は入力装置、2は入力制御部、3
は実績データ、4は学習データ制御部、5は学習デー
タ、6は詳細を後述する重回帰分析制御部、7は重回帰
分析予測制御部、8はニューラルネットワーク学習制御
部、9はニューラルネットワーク予測制御部、10は予
測結果統合制御部、11は出力制御部、12は出力・表
示を行う装置(または他の装置への出力)、13はワー
キングメモリ(入力制御部2、学習データ制御部4、重
回帰分析制御部6、重回帰分析制御部7、ニューラルネ
ットワーク学習制御部8、ニューラルネットワーク予測
制御部9、予測結果統合制御部10、出力制御部11で
使用する一時的に入力あるいは演算したものを記憶して
おく場所、および各種条件を設定しておく条件テーブ
ル、天候・月・曜日区分に対する値を持つ区分値テーブ
ルを含む)である。
含む配水量予測装置の一実施例の全体の構成図で、14
は配水量予測装置、1は入力装置、2は入力制御部、3
は実績データ、4は学習データ制御部、5は学習デー
タ、6は詳細を後述する重回帰分析制御部、7は重回帰
分析予測制御部、8はニューラルネットワーク学習制御
部、9はニューラルネットワーク予測制御部、10は予
測結果統合制御部、11は出力制御部、12は出力・表
示を行う装置(または他の装置への出力)、13はワー
キングメモリ(入力制御部2、学習データ制御部4、重
回帰分析制御部6、重回帰分析制御部7、ニューラルネ
ットワーク学習制御部8、ニューラルネットワーク予測
制御部9、予測結果統合制御部10、出力制御部11で
使用する一時的に入力あるいは演算したものを記憶して
おく場所、および各種条件を設定しておく条件テーブ
ル、天候・月・曜日区分に対する値を持つ区分値テーブ
ルを含む)である。
【0010】配水量予測装置14において、実績データ
3の元になるデータ、各種設定値を入力装置1に入力す
ると、入力された値は、入力制御部2を介してワーキン
グメモリ13を使用して、それぞれの実績データが実績
データ3に記憶される。前述したそれぞれの入力値は学
習データ制御部4に入力され、ここで、実績データ3、
ワーキングメモリ13上の条件テーブル内の各種設定値
すなわち学習期間をもとに、年月日により学習データの
範囲を選択し、該当する実績データを学習データ項目選
択条件をもとに、学習データ5に出力する。ここで、学
習データ作成結果を、出力制御部11を介して、出力・
表示を行う装置12に出力・表示することもできる。
3の元になるデータ、各種設定値を入力装置1に入力す
ると、入力された値は、入力制御部2を介してワーキン
グメモリ13を使用して、それぞれの実績データが実績
データ3に記憶される。前述したそれぞれの入力値は学
習データ制御部4に入力され、ここで、実績データ3、
ワーキングメモリ13上の条件テーブル内の各種設定値
すなわち学習期間をもとに、年月日により学習データの
範囲を選択し、該当する実績データを学習データ項目選
択条件をもとに、学習データ5に出力する。ここで、学
習データ作成結果を、出力制御部11を介して、出力・
表示を行う装置12に出力・表示することもできる。
【0011】配水量予測装置14において、各種設定値
を入力装置1に入力すると、入力された値は、入力制御
部2を介してワーキングメモリ13に記憶される。また
学習データ5は重回帰分析学習制御部6によりワーキン
グメモリ13上に記憶する。ここで、ワーキングメモリ
13上の学習データ、条件テーブル内の各種設定値をも
とに重回帰分析学習制御部6でこの制御部の予想値と実
際の値の残差(誤差)、この残差の自乗、残差の自乗
和、誤差の百分率、誤差の百分率の絶対値の平均値、回
帰係数等を求め、ワーキングメモリ13上に記憶する。
ここで、重回帰分析の計算結果を、出力制御部11を介
して、出力・表示を行う装置12に出力・表示すること
もできる。
を入力装置1に入力すると、入力された値は、入力制御
部2を介してワーキングメモリ13に記憶される。また
学習データ5は重回帰分析学習制御部6によりワーキン
グメモリ13上に記憶する。ここで、ワーキングメモリ
13上の学習データ、条件テーブル内の各種設定値をも
とに重回帰分析学習制御部6でこの制御部の予想値と実
際の値の残差(誤差)、この残差の自乗、残差の自乗
和、誤差の百分率、誤差の百分率の絶対値の平均値、回
帰係数等を求め、ワーキングメモリ13上に記憶する。
ここで、重回帰分析の計算結果を、出力制御部11を介
して、出力・表示を行う装置12に出力・表示すること
もできる。
【0012】配水量予測装置14において、各種設定値
を入力装置1に入力すると、入力された値は、入力制御
部2を介してワーキングメモリ13に記憶される。また
学習データ5はニューラルネットワーク学習制御部8に
よりワーキングメモリ13上に記憶する。ここで、ワー
キングメモリ13上の学習データ、条件テーブル内の各
種設定値をもとにニューラルネットワーク学習制御部8
で学習を行い、入力層と中間層間の結合係数、中間層と
出力層間の結合係数は、後述する図6の説明で示すよう
に更新する。条件テーブル内の学習終了条件に合致した
ら学習を終了する。あるいは条件テーブル内の学習やり
直し条件に合致したら、結合係数の初期値を乱数等で変
更し再度学習を行う。学習終了後のニューラルネットワ
ークの結合係数はワーキングメモリ13の内部に蓄えら
れる。学習結果を、出力制御部11を介して、出力・表
示を行う装置12に出力・表示することもできる。
を入力装置1に入力すると、入力された値は、入力制御
部2を介してワーキングメモリ13に記憶される。また
学習データ5はニューラルネットワーク学習制御部8に
よりワーキングメモリ13上に記憶する。ここで、ワー
キングメモリ13上の学習データ、条件テーブル内の各
種設定値をもとにニューラルネットワーク学習制御部8
で学習を行い、入力層と中間層間の結合係数、中間層と
出力層間の結合係数は、後述する図6の説明で示すよう
に更新する。条件テーブル内の学習終了条件に合致した
ら学習を終了する。あるいは条件テーブル内の学習やり
直し条件に合致したら、結合係数の初期値を乱数等で変
更し再度学習を行う。学習終了後のニューラルネットワ
ークの結合係数はワーキングメモリ13の内部に蓄えら
れる。学習結果を、出力制御部11を介して、出力・表
示を行う装置12に出力・表示することもできる。
【0013】また配水量予測装置14において、予測日
の天候区分予測値、気温予測値を入力装置1より入力す
ると、あらかじめ設定されている年月日や曜日の暦デー
タと併せて入力された値は入力制御部2を介してワーキ
ングメモリ13に記憶される。ニューラルネットワーク
予測制御部9は、ワーキングメモリ13内のニューラル
ネットワークの結合係数と入力値を区分値テーブルによ
り正規化した値をもとに出力値を算出し、さらにその値
を逆計算し、その値を推定値とし、結果を出力制御部1
1を介して、出力・表示を行う装置12に出力・表示す
る。
の天候区分予測値、気温予測値を入力装置1より入力す
ると、あらかじめ設定されている年月日や曜日の暦デー
タと併せて入力された値は入力制御部2を介してワーキ
ングメモリ13に記憶される。ニューラルネットワーク
予測制御部9は、ワーキングメモリ13内のニューラル
ネットワークの結合係数と入力値を区分値テーブルによ
り正規化した値をもとに出力値を算出し、さらにその値
を逆計算し、その値を推定値とし、結果を出力制御部1
1を介して、出力・表示を行う装置12に出力・表示す
る。
【0014】図2は実績データ項目のうち、いずれの項
目を学習データで使用するかの使用の有無を指定する一
例の図である。図2において、実績データ項目のうち、
月、曜日、天候、最高気温、実配水需要量を学習データ
で使用することを示している。
目を学習データで使用するかの使用の有無を指定する一
例の図である。図2において、実績データ項目のうち、
月、曜日、天候、最高気温、実配水需要量を学習データ
で使用することを示している。
【0015】図3は条件テーブルの一例を示す図であ
る。条件項目として学習データ項目選択条件は、図2で
説明したように、月、曜日、天候、最高気温、実配水需
要量を学習データで使用することを示している。学習期
間は、学習日より2年間以内のデータを使用することを
示している。学習終了条件は、ニューラルネットワーク
の絶対値誤差%の平均値が、重回帰分析の絶対値誤差%
の平均値×0.7より小さくなることを条件としてい
る。この0.7の値は指定により変更することができ
る。学習やり直し条件は、学習回数1000回以内に学
習終了条件に達しない場合は結合係数の初期値を乱数等
で変更して再学習することを示している。この1000
回という値は指定により変更することができる。累乗に
使用する気温は最高気温であることを示している。この
例では最高気温だけであるが、最高気温と最低気温と前
日の最高気温というように複数の項目を指定しても良
い。気温の累乗値は、3乗までを示している。複数の気
温がある場合は各々別の累乗値を指定することができ
る。重回帰分析の気温の累乗値の最大値は、18乗を示
している。
る。条件項目として学習データ項目選択条件は、図2で
説明したように、月、曜日、天候、最高気温、実配水需
要量を学習データで使用することを示している。学習期
間は、学習日より2年間以内のデータを使用することを
示している。学習終了条件は、ニューラルネットワーク
の絶対値誤差%の平均値が、重回帰分析の絶対値誤差%
の平均値×0.7より小さくなることを条件としてい
る。この0.7の値は指定により変更することができ
る。学習やり直し条件は、学習回数1000回以内に学
習終了条件に達しない場合は結合係数の初期値を乱数等
で変更して再学習することを示している。この1000
回という値は指定により変更することができる。累乗に
使用する気温は最高気温であることを示している。この
例では最高気温だけであるが、最高気温と最低気温と前
日の最高気温というように複数の項目を指定しても良
い。気温の累乗値は、3乗までを示している。複数の気
温がある場合は各々別の累乗値を指定することができ
る。重回帰分析の気温の累乗値の最大値は、18乗を示
している。
【0016】図4は天候、月、曜日に対する数値を指定
する区分値テーブルの一例である。図4において、天候
区分が晴れ、曇り、雨(雪)の3区分の場合、各区分を
数量化した値が入っている。この値は実際のデータより
実配水需要量に対する割合より算出しても良いし、専門
家が経験から割り出して設定しても良い。天候区分が3
区分以外の場合で区分の仕方を変更しても同様に設定す
る。月、曜日に対する各区分に対する値、方法は天候区
分と同様に処理する。
する区分値テーブルの一例である。図4において、天候
区分が晴れ、曇り、雨(雪)の3区分の場合、各区分を
数量化した値が入っている。この値は実際のデータより
実配水需要量に対する割合より算出しても良いし、専門
家が経験から割り出して設定しても良い。天候区分が3
区分以外の場合で区分の仕方を変更しても同様に設定す
る。月、曜日に対する各区分に対する値、方法は天候区
分と同様に処理する。
【0017】図5は重回帰分析学習制御部を示す一例の
概念図である。この例では、入力変数(独立変数、説明
変数)が気温の1乗、気温の2乗、気温の3乗、天候、
月、曜日であり、出力変数(従属変数、被説明変数)が
実配水需要量の場合である。入力変数と出力変数の関係
式は、Yi=ΣBjXij+uiであり、Yiは実配水
需要量、Xijは入力変数、Bjは回帰係数、uiは誤
差項、iはデータ数、jは入力変数の数(定数1を含
む)を示している。ここで、重回帰分析とは、全てのデ
ータに対する誤差項の総和を最小にするように、回帰係
数Bjを算出する数学(統計学)の手法である。さらに
計算に使用したデータ以外のデータを入力しYiを算出
すれば、配水需要予測値として使用できる。図5では天
候、月、曜日に対して該当する図4の区分値テーブルの
値を使用する。
概念図である。この例では、入力変数(独立変数、説明
変数)が気温の1乗、気温の2乗、気温の3乗、天候、
月、曜日であり、出力変数(従属変数、被説明変数)が
実配水需要量の場合である。入力変数と出力変数の関係
式は、Yi=ΣBjXij+uiであり、Yiは実配水
需要量、Xijは入力変数、Bjは回帰係数、uiは誤
差項、iはデータ数、jは入力変数の数(定数1を含
む)を示している。ここで、重回帰分析とは、全てのデ
ータに対する誤差項の総和を最小にするように、回帰係
数Bjを算出する数学(統計学)の手法である。さらに
計算に使用したデータ以外のデータを入力しYiを算出
すれば、配水需要予測値として使用できる。図5では天
候、月、曜日に対して該当する図4の区分値テーブルの
値を使用する。
【0018】図6は配水量予測装置内のニューラルネッ
トワーク学習制御部を示す一例の概念図である。ニュー
ラルネットワークの構造および学習手段としては、代表
的な誤差逆伝播法(バックプロパゲーション法)があ
る。(例えば「神経回路網モデルとコネクショニズ
ム」、甘利俊一著、東京大学出版会に掲載されてい
る。) 入力層以外、すなわち中間層、出力層のユニットiの入
出力関係は、下記の(1)、(2)、(3)式に示され
る。ユニットiに対する入力をOj(j=1からN)、
出力をYi、各Ojに対する結合係数をWijで表す。 入力の積和 Xi=Σ WijOj (1) (1)式を関数f(Xi )に適用し変換する。関数と
しては一般に微分可能な次の(2)式のようなシグモイ
ド関数を使うことが多い。 f(Xi)=1/{1+exp(−Xi)} (2) 出力 Yi=f(Xi) (3) ここで Yiの値は0から1の間の数となる。他方、入
力層のユニットは入力値をそのまま出力値とする。
トワーク学習制御部を示す一例の概念図である。ニュー
ラルネットワークの構造および学習手段としては、代表
的な誤差逆伝播法(バックプロパゲーション法)があ
る。(例えば「神経回路網モデルとコネクショニズ
ム」、甘利俊一著、東京大学出版会に掲載されてい
る。) 入力層以外、すなわち中間層、出力層のユニットiの入
出力関係は、下記の(1)、(2)、(3)式に示され
る。ユニットiに対する入力をOj(j=1からN)、
出力をYi、各Ojに対する結合係数をWijで表す。 入力の積和 Xi=Σ WijOj (1) (1)式を関数f(Xi )に適用し変換する。関数と
しては一般に微分可能な次の(2)式のようなシグモイ
ド関数を使うことが多い。 f(Xi)=1/{1+exp(−Xi)} (2) 出力 Yi=f(Xi) (3) ここで Yiの値は0から1の間の数となる。他方、入
力層のユニットは入力値をそのまま出力値とする。
【0019】図6(a)では、入力層は気温1乗、気温
2乗、気温3乗、天候、月、曜日の計6ユニットであ
る。中間層は6ユニットである。出力層は実配水需要量
の1ユニットである。図6(b)では入力層は気温1
乗、気温2乗、気温3乗、天候区分(3ユニット)、月
区分(12ユニット)、曜日区分(8ユニット)の計2
6ユニットである。中間層は9ユニットである。出力層
は実配水需要量の1ユニットである。なお、入力数値、
出力数値は0から1の間の範囲に入るよう各設定最高
値、設定最低値等により正規化する。図6(a)では、
天候、月、曜日に対して該当する図4の区分値テーブル
の値を使用して正規化する。図6(b)では天候の場合
は3ユニット有り、それぞれのユニットが晴れ、曇り、
雨(雪)の場合に対応し、入力値が晴れの場合はそれぞ
れ1、0、0を、曇りの場合はそれぞれ0、1、0を、
雨(雪)の場合はそれぞれ0、0、1を入力する。月、
曜日の場合も天候と同様に処理する。出力数値を実際に
使用するときには逆計算して使用する。すなわち、正規
化の具体的な方法の一例としては、「(与えられた数値
−設定最低値)/(設定最高値−設定最低値)」から算
出され、逆計算から算出する場合は「出力数値×(設定
最高値−設定最低値)+設定最低値」から求められる。
2乗、気温3乗、天候、月、曜日の計6ユニットであ
る。中間層は6ユニットである。出力層は実配水需要量
の1ユニットである。図6(b)では入力層は気温1
乗、気温2乗、気温3乗、天候区分(3ユニット)、月
区分(12ユニット)、曜日区分(8ユニット)の計2
6ユニットである。中間層は9ユニットである。出力層
は実配水需要量の1ユニットである。なお、入力数値、
出力数値は0から1の間の範囲に入るよう各設定最高
値、設定最低値等により正規化する。図6(a)では、
天候、月、曜日に対して該当する図4の区分値テーブル
の値を使用して正規化する。図6(b)では天候の場合
は3ユニット有り、それぞれのユニットが晴れ、曇り、
雨(雪)の場合に対応し、入力値が晴れの場合はそれぞ
れ1、0、0を、曇りの場合はそれぞれ0、1、0を、
雨(雪)の場合はそれぞれ0、0、1を入力する。月、
曜日の場合も天候と同様に処理する。出力数値を実際に
使用するときには逆計算して使用する。すなわち、正規
化の具体的な方法の一例としては、「(与えられた数値
−設定最低値)/(設定最高値−設定最低値)」から算
出され、逆計算から算出する場合は「出力数値×(設定
最高値−設定最低値)+設定最低値」から求められる。
【0020】図6(a)のニューラルネットワークは、
入力層のユニット数が少なく学習回数に対する学習時間
が短いという特徴があり、一方図6(b)では天候、
月、曜日がそれぞれの区分に対して独立したユニットを
持っているので入力層のユニット数は多くなるが、数量
化の必要がないという特徴があり、最初の指定でいずれ
かまたは両方のニューラルネットワークが使用できる。
両方のニューラルネットワークを使用する場合は、順番
に学習し、結果をワーキングメモリに記憶し、その値を
後で使用する。また、学習条件に使用する重回帰分析の
気温の累乗の次数は、ニューラルネットワークで使用す
る気温の累乗の次数と異なっても良い。
入力層のユニット数が少なく学習回数に対する学習時間
が短いという特徴があり、一方図6(b)では天候、
月、曜日がそれぞれの区分に対して独立したユニットを
持っているので入力層のユニット数は多くなるが、数量
化の必要がないという特徴があり、最初の指定でいずれ
かまたは両方のニューラルネットワークが使用できる。
両方のニューラルネットワークを使用する場合は、順番
に学習し、結果をワーキングメモリに記憶し、その値を
後で使用する。また、学習条件に使用する重回帰分析の
気温の累乗の次数は、ニューラルネットワークで使用す
る気温の累乗の次数と異なっても良い。
【0021】図7は配水量予測装置内の予測結果統合制
御部、重回帰分析予測制御部、ニューラルネットワーク
予測制御部を示す一例の概念図である。この例では図5
の重回帰分析学習制御部と同一構造の重回帰分析予測制
御部を使用し、図6(a)のニューラルネットワーク学
習制御部と同一構造のニューラルネットワーク予測制御
部を使用している。入力として気温、天候、月、曜日を
ニューラルネットワーク予測制御部、重回帰分析予測制
御部へ入力する。ニューラルネットワーク学習制御部、
重回帰分析学習制御部で求めた係数値をもとに各学習制
御部で述べた手法と同様に各配水需要量予測値を求め
る。予測結果統合制御部では各配水需要量予測値及び統
合係数算出部で求めた係数をもとに配水需要量予測値を
求める。配水需要量予測値と配水需要量予測値(ニュー
ラルネットワーク)、配水需要量予測値(重回帰分析)
の関係式は、T=a×A+b×Bであり、Tは配水需要
量予測値、Aは配水需要量予測値(ニューラルネットワ
ーク)、Bは配水需要量予測値(重回帰分析)、a、b
はそれぞれの係数を示している。例えば、あらかじめa
=0.5、b=0.5と設定しておくと平均値が算出さ
れる。あるいはa、bの値を統合係数算出部で、実績デ
ータ内より選別した検証データにより予測結果の誤差が
最小になるように求めても良い。さらに、配水需要量予
測値の関係式を、T=f(A、B)のように、あらかじ
め指定した関数fを使用して表しても良い。
御部、重回帰分析予測制御部、ニューラルネットワーク
予測制御部を示す一例の概念図である。この例では図5
の重回帰分析学習制御部と同一構造の重回帰分析予測制
御部を使用し、図6(a)のニューラルネットワーク学
習制御部と同一構造のニューラルネットワーク予測制御
部を使用している。入力として気温、天候、月、曜日を
ニューラルネットワーク予測制御部、重回帰分析予測制
御部へ入力する。ニューラルネットワーク学習制御部、
重回帰分析学習制御部で求めた係数値をもとに各学習制
御部で述べた手法と同様に各配水需要量予測値を求め
る。予測結果統合制御部では各配水需要量予測値及び統
合係数算出部で求めた係数をもとに配水需要量予測値を
求める。配水需要量予測値と配水需要量予測値(ニュー
ラルネットワーク)、配水需要量予測値(重回帰分析)
の関係式は、T=a×A+b×Bであり、Tは配水需要
量予測値、Aは配水需要量予測値(ニューラルネットワ
ーク)、Bは配水需要量予測値(重回帰分析)、a、b
はそれぞれの係数を示している。例えば、あらかじめa
=0.5、b=0.5と設定しておくと平均値が算出さ
れる。あるいはa、bの値を統合係数算出部で、実績デ
ータ内より選別した検証データにより予測結果の誤差が
最小になるように求めても良い。さらに、配水需要量予
測値の関係式を、T=f(A、B)のように、あらかじ
め指定した関数fを使用して表しても良い。
【0022】
【発明の効果】以上説明したように本発明の配水量予測
装置によれば、ニューラルネットワークと重回帰分析と
いう異なった手法の予測結果を統合して予測しているの
で、それぞれの手法を補完し合っているので、配水量予
測装置を極めて高精度なものに実現し、実用上、極めて
有効性が高い。
装置によれば、ニューラルネットワークと重回帰分析と
いう異なった手法の予測結果を統合して予測しているの
で、それぞれの手法を補完し合っているので、配水量予
測装置を極めて高精度なものに実現し、実用上、極めて
有効性が高い。
【図1】本発明の一実施例のシステム全体構成図であ
る。
る。
【図2】本発明の一実施例である実績データ項目の学習
データでの使用の有無を示す図である。
データでの使用の有無を示す図である。
【図3】本発明の一実施例である条件テーブルを示す図
である。
である。
【図4】本発明の一実施例である区分値テーブルを示す
図である。
図である。
【図5】本発明の一実施例である重回帰分析学習制御部
を示す概念図である。
を示す概念図である。
【図6】本発明の一実施例であるニューラルネットワー
ク学習制御部を示す概念図である。
ク学習制御部を示す概念図である。
【図7】本発明の一実施例である予測結果統合制御部、
重回帰分析予測制御部、ニューラルネットワーク予測制
御部を示す概念図である。
重回帰分析予測制御部、ニューラルネットワーク予測制
御部を示す概念図である。
1 入力装置 2 入力制御部 3 実績データ 4 学習データ制御部 5 学習データ 6 重回帰分析学習制御部 7 重回帰分析予測制御部 8 ニューラルネットワーク学習制御部 9 ニューラルネットワーク予測制御部 10 予測結果統合制御部 11 出力制御部 12 出力・表示を行う装置 13 ワーキングメモリ(条件テーブル、区分値テーブ
ル) 14 配水量予測装置
ル) 14 配水量予測装置
Claims (1)
- 【請求項1】 配水需要量予測に際し、配水需要量、気
温、年月日、曜日、天候等の項目を含む実績データから
学習データを選択し、ニューラルネットワーク及び重回
帰分析により学習し、予測日の予想気温、年月日、曜
日、予想天候等を入力し配水需要量をニューラルネット
ワーク及び重回帰分析により予測し、ニューラルネット
ワークによる予測結果と重回帰分析による予測結果を統
合して予測することを特徴とした配水需要量予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11772799A JP2000305606A (ja) | 1999-04-26 | 1999-04-26 | 配水需要量予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11772799A JP2000305606A (ja) | 1999-04-26 | 1999-04-26 | 配水需要量予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000305606A true JP2000305606A (ja) | 2000-11-02 |
Family
ID=14718801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP11772799A Pending JP2000305606A (ja) | 1999-04-26 | 1999-04-26 | 配水需要量予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000305606A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045793A (ja) * | 2014-08-25 | 2016-04-04 | 東日本旅客鉄道株式会社 | 設備の劣化状態判定システムおよび設備の劣化状態判定方法 |
JP2018088078A (ja) * | 2016-11-28 | 2018-06-07 | 株式会社東海理化電機製作所 | 学習装置及び学習方法 |
JP6374573B1 (ja) * | 2017-06-08 | 2018-08-15 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
JP2019145087A (ja) * | 2017-12-29 | 2019-08-29 | ゴゴロ インク | 交換可能エネルギー貯蔵装置に対する需要を予測するためのシステムおよび方法 |
JP2020112847A (ja) * | 2019-01-08 | 2020-07-27 | 株式会社日立製作所 | 水需要予測方法およびシステム |
JP2021501421A (ja) * | 2017-10-31 | 2021-01-14 | オラクル・インターナショナル・コーポレイション | 重み付けされた混合機械学習モデルを使用した需要予測 |
JP2022506993A (ja) * | 2018-11-27 | 2022-01-18 | オラクル・インターナショナル・コーポレイション | カスタマイズ可能な機械予想を有する拡張可能なソフトウェアツール |
-
1999
- 1999-04-26 JP JP11772799A patent/JP2000305606A/ja active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045793A (ja) * | 2014-08-25 | 2016-04-04 | 東日本旅客鉄道株式会社 | 設備の劣化状態判定システムおよび設備の劣化状態判定方法 |
JP2018088078A (ja) * | 2016-11-28 | 2018-06-07 | 株式会社東海理化電機製作所 | 学習装置及び学習方法 |
JP6374573B1 (ja) * | 2017-06-08 | 2018-08-15 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
JP2018206232A (ja) * | 2017-06-08 | 2018-12-27 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
JP2021501421A (ja) * | 2017-10-31 | 2021-01-14 | オラクル・インターナショナル・コーポレイション | 重み付けされた混合機械学習モデルを使用した需要予測 |
JP7121118B2 (ja) | 2017-10-31 | 2022-08-17 | オラクル・インターナショナル・コーポレイション | 重み付けされた混合機械学習モデルを使用した需要予測 |
JP2019145087A (ja) * | 2017-12-29 | 2019-08-29 | ゴゴロ インク | 交換可能エネルギー貯蔵装置に対する需要を予測するためのシステムおよび方法 |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
JP2022506993A (ja) * | 2018-11-27 | 2022-01-18 | オラクル・インターナショナル・コーポレイション | カスタマイズ可能な機械予想を有する拡張可能なソフトウェアツール |
JP7426341B2 (ja) | 2018-11-27 | 2024-02-01 | オラクル・インターナショナル・コーポレイション | カスタマイズ可能な機械予想を有する拡張可能なソフトウェアツール |
JP2020112847A (ja) * | 2019-01-08 | 2020-07-27 | 株式会社日立製作所 | 水需要予測方法およびシステム |
JP7304698B2 (ja) | 2019-01-08 | 2023-07-07 | 株式会社日立製作所 | 水需要予測方法およびシステム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AlFuhaid et al. | Cascaded artificial neural networks for short-term load forecasting | |
Hsu et al. | Regional load forecasting in Taiwan––applications of artificial neural networks | |
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
Gareta et al. | Forecasting of electricity prices with neural networks | |
Jiang et al. | Day-ahead price forecasting for electricity market using long-short term memory recurrent neural network | |
Senjyu et al. | Next day load curve forecasting using recurrent neural network structure | |
Petridis et al. | A Bayesian multiple models combination method for time series prediction | |
Nguyen et al. | A new method for forecasting energy output of a large-scale solar power plant based on long short-term memory networks a case study in Vietnam | |
Al-Shareef et al. | One hour ahead load forecasting using artificial neural network for the western area of saudi arabia | |
Gagliardi et al. | A comparison between pattern-based and neural network short-term water demand forecasting models | |
Kofinas et al. | Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system | |
UNUTMAZ et al. | Electrical energy demand forecasting using artificial neural network | |
JP2000305606A (ja) | 配水需要量予測方法 | |
JP7231504B2 (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
Choi et al. | Performance evaluation of deep learning architectures for load and temperature forecasting under dataset size constraints and seasonality | |
CN113627677A (zh) | 多区域能源需求预测方法、装置、终端设备及存储介质 | |
Fidalgo et al. | Forecasting Portugal global load with artificial neural networks | |
JP2000163394A (ja) | 配水需要量予測方法 | |
JP2001245432A (ja) | 需要予測装置 | |
JP2000003353A (ja) | 配水量予測方法 | |
Al-Shareef et al. | Next 24-Hours Load Forecasting Using Artificial Neural Network (ANN) for the Western Area of Saudi Arabia | |
Mohammadzadeh et al. | Forecasting the Cost of Water Using a Neural Network Method in the Municipality of Isfahan | |
JP2000122993A (ja) | 配水需要量予測方法 | |
Sharma et al. | Synergism of recurrent neural network and fuzzy logic for short term energy load forecasting | |
Mohammadzadeh et al. | Comparison of forecasting the cost of water using statistical and neural network methods: Case study of Isfahan municipality |