JP2005128808A

JP2005128808A - 予測装置

Info

Publication number: JP2005128808A
Application number: JP2003364026A
Authority: JP
Inventors: Isayasu Nishiuma; 功泰西馬; Yukio Goto; 幸夫後藤; Fumio Ueda; 文夫上田; Hiroyuki Kumazawa; 宏之熊澤
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2003-10-24
Filing date: 2003-10-24
Publication date: 2005-05-19
Anticipated expiration: 2023-10-24
Also published as: US7472099B2; JP4177228B2; US20050091176A1

Abstract

【課題】蓄積した過去の履歴データを利用して未来の事象を予測する場合において、処理効率および蓄積効率が高く、データ構造の違いや変化および履歴データの欠損に柔軟に対応できる予測装置を提供する。
【解決手段】未知の予測データを行列の欠落要素として持つように過去の履歴データおよび予測データを行列形式で構成する予測処理用データ構成部１２と、この予測処理用データ構成部１２で構成されたデータ行列を特異値分解して行列の未知の予測データを表す欠落要素を推定することにより予測データを出力する予測処理部１３と、を備えている。
【選択図】図１

Description

本発明は、蓄積した過去の履歴データを利用して未来の事象を予測するための予測装置に関する。

一般に、道路、鉄道、エレベータなどの交通分野における所要時間、交通量、渋滞などの変動、電力分野における消費電力などの変動、経済分野における株価の変動などのように、人間活動などに起因する周期性や再現性が期待される事象に関する蓄積可能の履歴データについては、それらの履歴データから将来に向けて適切な対策をとるために予測データを算出することが求められる場合がある。

ところで、例えば、道路交通ネットワークの分野においては、車両検出センサなどの各種センサの追加設置、プローブカーの実現などにより、将来に得られる履歴データの精度および量が飛躍的に増大することが予想されている。

また、予測対象時間（どの程度先までの予測が必要か）について、出発前において出発時間や利用交通機関などの変更を行うために長時間（数時間から数日程度）の予測が必要な場合や、出発後において経路誘導のように短時間（数秒、数分から数十分程度）の予測が必要な場合など、様々なニーズに対応する必要がある。

さらに、道路交通ネットワークの特性は、地域（都会や地方など）や道路種別（一般道路や高速道路など）により大きく異なることが知られており、ある地域で良い予測精度を達成する予測手法が別の地域でも同じく良い結果を残すとは限らない。すなわち、例えば予測に用いる検索対象データの長さについて、地域や道路種別によって最適な検索対象データの長さが異なる。また、予測に利用する履歴データの種類についても、対象とする路線に対してどの程度上流もしくは下流の路線のデータまで考慮するのが最適なのかなどは、地域や道路種別によって大きく異なる。

さらにまた、センサの追加設置によって現在得られていないデータが将来的に獲得可能になる場合や、不要なセンサが撤去されたり、センサの不具合や通信状態の悪化によってデータが欠損することが起こり得る。このような状況において、大量のデータを効率よく運用、解析でき、また、データ構造の違いやデータの欠損に柔軟に対応できる予測手法が必要である。

従来、道路交通システムにおける所要時間、交通量、渋滞のように人間活動などに起因する周期性が期待される事象に関する予測手法として、類似パターン検索による手法が提案されている（特許文献１参照）。

図１５は、上記の特許文献１に開示されている従来の予測手法の説明図である。

図１５（ａ）において、履歴データパターンテーブル１００４は、過去の状況を表現するＮ個の時系列の履歴データの内、Ｍ個（≦Ｎ）を検索対象データ１００５とし、また、この検索対象データ１００５よりも先端に位置するＰ個の最新のデータを予測データ１００６として、両データ１００５、１００６の対を最新のものからＬ個分集合して構成されている。

そして、図１５（ｂ）のフローチャートに示すように、ステップ１００１において、まず、得られた新しい履歴データに対して履歴データパターンテーブル１００４を更新する必要があるかどうかの判定を行い、更新する必要がある場合には履歴データパターンテーブル１００４の検索対象データ１００５と予測データ１００６の対の追加および廃棄を行う。

ここで、ある事象に関して予測データを求める必要がある場合には、予測時点の状況を表現するＮ個の時系列データの内からＭ個（≦Ｎ）を検索キー１００７として生成する。続いて、ステップ１００２において、最新の履歴データパターンテーブル１００４の中から、上記のようにして生成した検索キー１００７に最も類似したパターンをもつ検索対象データ１００５を検索する。そして、最も類似したパターンをもつ検索対象データ１００５が抽出されると、これに対応したＰ個の予測データ１００６を今回の予測データ１０１０として出力する。

特開２０００−６７３６２号公報

上記の特許文献１に記載されているような従来の類似パターン検索による方法は、未だ次の課題が残されている。すなわち、予測データ１０１０を求める場合において、予測時点の状況を表す履歴データを検索キー１００７として過去の履歴データパターンテーブル１００４を検索する必要があるため、履歴データ量や履歴データパターンなどの増大に伴って検索に要する処理時間が増大する。

また、履歴データパターンテーブル１００４を更新する場合において、履歴データパターンテーブル１００４内に相互に類似するパターンを有する履歴データが重複して登録されることは無意味であるから、履歴データパターンテーブル１００４内に新しく得られた履歴データに似た履歴データパターンがあるかどうかを予め検索し、類似パターンが存在するときには更新処理を中止するなどの対策を講じる必要がある。よって、履歴パターンテーブルを更新する際の処理時間が履歴データ量や履歴データパターンの増大に伴って増大する。

さらに、予測対象時間（どれぐらい先までの予測を対象とするか）、検索対象データの長さ、予測に利用する履歴データの種類などのデータ構造の違いに応じて、別々の履歴データパターンテーブル１００４を作成しておく必要が生じる。また、例えば予測システムの運用中にセンサの新規設置や廃棄などによって利用できる履歴データの種類が動的に増減する場合など、データ構造の変化に対応して履歴データパターンテーブルを作り直す必要が生じ、それだけ手間がかかる。

さらにまた、従来の類似パターン検索による方法は、履歴データパターンそのものをテーブル１００４内に蓄積するため、履歴データ量や履歴データパターンの増大に伴って蓄積に必要なデータ容量が増大する。また、従来技術では、センサの故障や保守作業などにより、履歴データに欠損が生じた場合には十分に対処することができない。

しかも、従来の予測手法は、例えば固定された区間の所要時間などのマクロな代表値の予測を行うものであり、車両１台１台の運転挙動や嗜好を直接考慮するものではないので、履歴データが個々の移動体の移動履歴データであるようなデータ構造を直接利用したい場合には対処することが困難である。

本発明は上記の課題を解決するためになされたもので、予め得られた過去の履歴データを利用して未来の事象を予測する場合において、データの処理効率および蓄積効率が高く、またデータ構造の違いや変化および履歴データの欠損に柔軟に対応することができる予測装置を提供することを目的とする。

本発明は、上記の課題を達成するために、蓄積した過去の履歴データを利用して未来の事象を予測する予測装置において、未知の予測データを行列の欠落要素として持つように過去の履歴データおよび予測データを行列形式で構成する予測処理用データ構成部と、この予測処理用データ構成部で構成されたデータ行列を特異値分解して行列の未知の予測データを表す欠落要素を推定することにより予測データを出力する予測処理部と、を備えたことを特徴としている。

本発明によれば、蓄積した過去の履歴データを利用して未来の事象を予測する際に、予測処理用データ構成部によって未知の予測データを行列の欠落要素として持つように過去の履歴データおよび予測データを行列形式で構成した後、予測処理部によってこの予測処理用データ構成部で構成されたデータ行列を特異値分解して行列の未知の予測データを表す欠落要素を推定するので、予測精度が高く、また、計算効率およびデータの蓄積効率が高い。したがって、予測に利用する履歴データの様々なデータ構造やデータの欠損に対しても柔軟に対応した予測を行うことができる。

また、本発明によれば、移動体個々の移動履歴データおよび未知の予測データを行列形式で構成する予測処理用データ構成部を備えた構成としたので、これによって、移動体個々の移動特性を考慮した予測を行うことも可能になる。

実施の形態１．
図１は、本発明の実施の形態１における予測装置の構成を示すブロック図である。

この実施の形態１の予測装置は、履歴データ蓄積部１１、予測処理用データ構成部１２、および予測処理部１３を備える。上記の履歴データ蓄積部１１は、時系列的に得られる履歴データを所定の形式でもって蓄積するものである。予測処理用データ構成部１２は、履歴データ蓄積部１１に保存されている履歴データ２１（図２参照）を用いて、予測処理部１３で必要となる予測処理用データ行列４１（図４参照）を構成するものである。予測処理部１３は、予測処理用データ構成部１２で構成された予測処理データ行列４１を用いて特異値分解による予測処理を行い（図５参照）、必要なデータを予測データ２３として算出するものである。

図２は、履歴データ蓄積部１１において蓄積されるデータ構造の一例を示す説明図である。同図において、縦軸はデータの種類を表し、横軸はデータの時刻を表す。なお、この実施の形態１では、予測処理部１３は、後述するように時刻Ｎ以前の履歴データ２１に基づいて、時刻Ｎ＋１から時刻Ｎ＋Ｌｆまでの時間範囲をもつ予測データ２３を出力するものとする。

次に、予測処理用データ構成部１２が、履歴データ蓄積部１１に蓄積されている履歴データ２１に基づいて予測処理用データ行列を構成する場合の方法について、図３および図４を参照して説明する。

図３は、予測処理用データ構成部１２において、図２における一種類の履歴データに関する予測処理用データ行列３１を構成する場合の一例を示している。また、図４は、予測処理用データ構成部１２が全種類のデータに関する予測処理用データ行列４１を構成する場合の一例を示している。

図２において、時刻Ｎの時点における時系列データ発生源の状態および未来の時間間隔Ｌｆの予測データ２３の振る舞いが、時刻Ｎ−（Ｌｓ−１）から時刻ＮまでのＬｓの時間間隔のデータ（これを以下、評価用履歴データ２２と称する）に代表されるものと仮定し、過去の履歴データ２１から評価用履歴データ２２の範囲Ｌｓが適切なものとなるように決定する。

次に、ある一種類の履歴データに関する履歴データ行列３１の構成の仕方を説明する。まず、図３（ａ）に示すように、同じデータ種に関して時間順に並んだ履歴データ内の時間範囲Ｌｓの評価用履歴データ３２と時間範囲Ｌｆの予測データ３３とを合成して、長さＬｔ（＝Ｌｓ＋Ｌｆ）のベクトルを構成する。ただし、算出すべき予測データ３３は現時点では未知であるため欠落要素として扱う。続いて、時刻Ｎ以前の履歴データから時間順に並んだデータを取りだして、長さＬｔ（＝Ｌｓ＋Ｌｆ）に相当する履歴データベクトル３４を構成する。

このようにして、上記の評価用履歴データ３２と予測データ３３とを含む長さＬｔのベクトル、および長さＬｔの履歴データベクトル３４を、例えば複数列並べて一種類の履歴データに関する予測処理用データ行列３１を構成する。他の種類の履歴データについても同様に予測処理用データ行列３１を構成する。

なお、上記の説明では、評価用履歴データ３２と予測データ３３とは時刻Ｎ−（Ｌｓ−１）から時刻Ｎ＋Ｌｆまでの時間的に連続したデータであるが、必ずしも時間的に連続したデータを用いる必要はない。すなわち、図３（ｂ）に示すように、評価用履歴データ３２は時間間隔がＬｓであれば時刻Ｎ以前の任意のデータで構成してもよく、また、予測データ３３は、時間間隔がＬｆであれば時刻Ｎ＋１よりも先のデータで構成しても良い。さらに、履歴データベクトル３４に関しても、時間間隔がＬｔであれば必ずしも時間的に連続したデータである必要はなく、データを取り出す時間間隔Ｌｉは時刻Ｎ以前の任意のデータで構成してもよい。ただし、この場合、各々の予測処理用データ行列３１において、各要素ｐの時刻は他のデータ種類の予測処理用データ行列３１の要素ｐと同じ時刻のデータとなるように構成する。

次に、図４に示すように、上記で構成した各種類別の予測処理用データ行列３１を例えば縦方向に順に並ぶように合成して、予測処理用データ行列４１を構成する。このようにデータ行列を構成することによって、予測処理用データ行列４１は、履歴データのみを含むデータ行列４２と、評価用履歴データ３２および予測データ３３を含むデータ行列４３との２つの領域に分けられる。

次に、図５を参照して、予測処理部１３における予測処理の内容について説明する。まず、予測処理部１３では、予測処理用データ構成部１２において構成した、予測処理用データ行列４１内の履歴データのみを含む領域のデータ行列４２（Ｍ）の特異値分解を実行し、特異値分解後の行列５１（Ｍｓｖｄ）を得る。この特異値分解は、履歴データのみを含む領域のデータ行列４２（Ｍ）に関して、そのデータ分布パターン特性を残したままでデータ行列４２をいわばデータ圧縮したことに相当する。このため、特異値分解後に得られる行列５１（Ｍｓｖｄ）のデータ量は、特異値分解前のデータ行列４２（Ｍ）のデータ量よりも大幅に削減される。

この特異値分解後の行列５１（Ｍｓｖｄ）は、履歴データのみを含む領域のデータ行列４２（Ｍ）の成分の基底を表す行列５２（Ｕ）、５４（Ｖ）と履歴データのみを含むデータ行列４２（Ｍ）の０でない特異値を対角成分に持つ正方行列５３（Ｓ）との積で表される。
Ｍｓｖｄ＝Ｕ・Ｓ・Ｖ’ （１）
ここでＶ’は行列Ｖの転置行列を表す。このとき、上記の正方行列５３（Ｓ）の行または列の数は、履歴データのみを含むデータ行列４２（Ｍ）のランク、すなわち、独立な履歴データパターンの数を表現する。

ここで、履歴データ２１内に欠損データがない場合には、例えば文献としてＧ．ＧｏｌｕｂａｎｄＡ．ｖａｎＬｏａｎ：ＭａｔｒｉｘＣｏｍｐｕｔａｔｉｏｎｓ、ＪｏｈｎｓＨｏｐｋｉｎｓＵ．Ｐｒｅｓｓ、１９９６（以下、文献１という）などでも示されている欠損データを持たない行列に対する一般的な特異値分解のアルゴリズムを適用することができる。

逆に、履歴データ２１内に欠損データがある場合には、一般的な特異値分解のアルゴリズムを適用する前に、例えば、文献としてＭ。Ｂｒａｎｄ：Ｉｎｃｒｅｍｅｎｔａｌｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｕｎｃｅｒｔａｉｎｄａｔａ、ＩｎＰｒｏｃｅｅｄｉｎｇｓ、ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ、ＬｅｃｔｕｒｅＮｏｔｅｓｏｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ、ｐａｇｅｓ７０７−７２０、Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ、２００２（以下、文献２という）に示されている行列内の未知データ補完アルゴリズムを用いて欠損データの補完を行う。この未知データ補完アルゴリズムを用いれば、欠損データが補完された後の履歴データのみを含むデータ行列４２（Ｍ）のランク数（すなわち、正方行列５３（Ｓ）の行または列の数）がもっとも小さくなるように欠損データが補完することができる。また、例えば、欠損データに対しては、既に得られている他のデータの平均値で近似することによって補完してよい。

次に、上記で求めた特異値分解の結果である行列５１（Ｍｓｖｄ）と予測データ３３を含むデータ行列４３とを用いて、データ行列４３内に欠落要素として存在する予測データ３３の具体的な値を算出する。例えば、上記の文献２に示されている行列内の未知データ補完アルゴリズムを用いて、上記で履歴データ行列４２内の欠損データを補完したのと同様の手法によってデータ行列４３内で欠落要素として表されている予測データ３３の具体的な値を求めることができる。そして、データ行列４３内で欠落要素として表されている予測データ３３の具体的な値が算出されると、これを予測データ２３として最終的に出力する。

以上のように、この実施の形態１の予測装置によれば、予測処理用データ行列４１内の予測データ３３は、履歴データのみを含むデータ行列４２の特異値分解の結果である行列５１（Ｍｓｖｄ）および予測データ３３を含むデータ行列４３内の評価用履歴データ３２を用いて最終的に具体的な予測データ２３として直接算出することができるため、計算効率が非常に高い。

さらに、この実施の形態１においては、予測データ２３を算出するために履歴データのみを含むデータ行列４２（Ｍ）を特異値分解する際に前述の（１）式における特異値分解の正方行列５３（Ｓ）の行または列の数が最も小さくなるように算出され、かつ、予測データ２３の算出のために必要な履歴データの情報は、特異値分解の結果として圧縮されて保存されるので、予測のために記憶しておかなければならない履歴データの特異値分解後の行列５１（Ｍｓｖｄ）を記憶しておくべきデータ容量は、元の履歴データ行列４２（Ｍ）そのものを記憶しておく場合に比べて大幅に削減することができる。

上記の実施の形態１に対して、以下、次のような変形例や応用例を考えることができる。

図６は、履歴データ３の中のデータが、過去のある時刻において増加した場合を表している。ここでは、例えば種類Ｋ＋１のデータがセンサの新規設置などによって、新たに利用できるようになった場合を示している。

図７は、予測処理用データ構成部１２において、図６におけるデータ種類Ｋ＋１に関する予測処理用履歴データ行列３１を構成する場合の一例を示している。また、図８は、予測処理用データ構成部１２が全ての種類の予測処理用データ行列３１を用いて予測処理用データ行列４１を構成する場合の一例を示している。

ここで、予測処理用データ構成部１２において、データ種類Ｋ＋１に関して予測処理用データ行列３１を構成する場合、時刻Ｎ以前の履歴データから時間順に並んだデータを取りだして、任意の数の長さＬｔ（＝Ｌｓ＋Ｌｆ）のベクトルを作成して行くが、その際、利用できるデータが増加した時刻以前のデータは欠落要素３５として設定しておく（図７）。

このように欠落要素３５として扱うことによって、前述の予測処理用データ構成部１２において欠損データを取り扱う場合と同様に、文献２に示した行列内の未知データ補完アルゴリズムを用いて欠損データの補完を行うことにより、欠損データは予測処理用データ行列４１（Ｍ）内の欠損データ以外の履歴データの情報に基づいて補完される（図８）。

ところで、上記の実施の形態１では、図２に示したように、履歴データ蓄積部１１に履歴データが時系列にそのまま記憶されるようにしているが、その代わりに、予測処理部１３で特異値分解の結果得られた行列５１（Ｍｓｖｄ）を履歴データ蓄積部１１にフィードバックし、元の履歴データ２１そのものは破棄して、特異値分解後の行列５１（Ｍｓｖｄ）を記憶するようにしてもよい。

すなわち、履歴データ蓄積部１１に履歴データの特異値分解後の行列５１（Ｍｓｖｄ）が蓄積されている場合において、データ種類ごとに新規に履歴データが得られた場合には、その新規に得られた履歴データと、特異値分解後の行列５１と、予測データ３３を含むデータ行列４３との組み合わせを予測処理用データ行列４１として予測処理部１３へ出力して予測データ２３を算出する。

このようにすれば、例えば上記の文献２に示されているように、既に特異値分解が得られている行列５１（Ｍｓｖｄ）に新たに列または行を追加した後の行列の特異値分解を効率的に求める方法を利用して、予測データ２３を算出することができる。すなわち、次の新しい履歴データが付加された場合でも、履歴データのみを含むデータ行列４２（Ｍ）を再度特異値分解する必要はなく、前回の予測で求めた特異値分解後の行列５１（Ｍｓｖｄ）を用いて予測データ２３を算出することができるため、計算効率が非常に高くなる。

さらに、予測対象としているシステムの特性の変化（例えば、道路の新設や拡張など）に対応するためには、古い履歴データを捨てていく必要がある。このような場合、履歴データのみを含むデータ行列４２（Ｍ）から古い履歴データを削除してから予測を行ってもよいし、あるいは、特異値を対角成分に持つ正方行列５３（Ｓ）に定期的に１より小さい正の数をかけることによって、古いデータへの依存度を減少させることによってもシステムの特性の変化に対応することができる。

前述の（１）式では履歴データのみを含むデータ行列４２（Ｍ）の正確な特異値分解後の行列５１（Ｍｓｖｄ）を計算しているが、近似計算を行うこともできる。つまり、低次元の成分を用いて構成した行列Ｍｓｖｄ２を予測データ２３の算出に用いても良い。すなわち、特異値が対角成分に持つ正方行列５３（Ｓ）の大きい方からｒ個の特異値だけを取り出した正方行列Ｓ２と、これに対応する成分を持つ行列Ｕ２（＜Ｕ）、Ｖ２（＜Ｖ）を用いて、次式からより低次元の行列Ｍｓｖｄ２を求める。なお、Ｖ２’はＶ２の転置行列を表す。
Ｍｓｖｄ２＝Ｕ２・Ｓ２・Ｖ２’ （２）

このようにすれば、正確な特異値分解Ｍｓｖｄを用いる場合よりもさらに記憶に必要なデータ容量を大幅に削減でき、かつ履歴データが雑音など有意な成分以外の信号によって汚されている場合などでは雑音成分を除去できる利点がある。

また、上記の実施の形態１では、前述の文献２に基づいて未知データ補完アルゴリズムを用いる方法を示したが、予測処理用データ行列４１内で欠落要素として表されている予測データ３３に仮に０もしくは欠落要素以外の要素の平均値などの仮の数値を代入し、欠損データを持たない行列に対する一般的な特異値分解のアルゴリズムを適用し、これにより得られた特異値分解の結果を低次元化することによって予測データ２３を算出することもできる。

また、上記の実施の形態１では、予測処理用データ構成部１２において、評価用履歴データ３２と予測データ３３とを含む長さＬｔのベクトル、および長さＬｔの履歴データベクトル３４を列として並べる方法について説明したが、行として並べて予測処理用データ行列３１、４１を構成してもよい。

また、上記の実施の形態１では、予測処理用データ構成部１２において、データの種類別に予測処理用データ行列３１を構成する方法について説明したが、データの時刻別に予測処理用データ行列３１、４１を構成してもよい。

また、上記の実施の形態１における予測処理用データ構成部１２において、例えば道路交通システムの予測においては、交通量や所要時間などだけではなく、駐車場の満空情報や駐車台数などの移動体の滞留情報、天気などの気象情報、曜日の情報、イベント情報なども履歴データの種類に追加することによって、予測精度の向上が期待できる。例えば、気象情報については、晴れ＝１．０、曇り＝０．５、雨＝０．０などと数値化した情報を履歴データとして構成してもよい。また、例えば曜日の情報については、日曜＝０、月曜＝１、…土曜＝６、祭日＝７などと数値化した情報を履歴データとして構成してもよい。

また、各データ種類の取り扱うべき単位が異なるなどの場合には、履歴データの相対的な大きさを変更することによって予測結果を調整することができる。例えば、予測処理用データ行列４１を作成する際に全ての履歴データ２１から平均値を引き去り、分散が同じになるように処理すればよい。

上記実施の形態１では、予測処理用データ構成部１２において、時間範囲Ｌｔ（＝Ｌｓ＋Ｌｆ）のデータを用いてベクトルを合成することによって、予測処理用データ行列４１を構成する一般的な例を示したが、例えば道路の交通量の予測、鉄道の乗客量の予測、エレベータの待ち時間の予測、電力消費量の予測、通信ネットワークの通信量の予測など、１日単位の社会現象や人間活動の時系列予測を行う場合には、時間範囲Ｌｔを１日（２４時間）に設定し、履歴データ２１の時間範囲Ｌｓ内の評価用履歴データ２２と時間範囲Ｌｆの予測データ２３とそれぞれ同じ時刻に対応した１日分の時間順に並んだデータを時刻Ｎ以前の履歴データ２１から取り出して予測処理用データ行列４１を構成する。このようにすれば、時刻Ｎまで（例えば朝７時まで）の履歴データに類似した過去の日の時系列データを用いて、時刻Ｎ以降（例えば朝７時以降）の予測データを求めることができる。

また、例えば制御システムにおける異常予測のような短い周期の時系列データに対して予測を行う場合や、景気の変動による株価の変動予測のような長い周期の時系列データに対して予測を行う場合などには、予測を行う時系列の周期にあわせて適切な時間範囲Ｌｓの評価用履歴データと時間範囲Ｌｆの予測データを設定すればよい。

さらにまた、上記の実施の形態１では、未知の予測データ３３は予測処理用データ行列４１内で欠落要素として設定したが、例えば曜日や天気予報など、あらかじめ未来の情報がある程度正確にわかっている事象に関しては、欠落要素とせずに既知の予測データとして予測処理用データ行列４１内に設定すればさらに予測精度が向上する。

実施の形態２．
この実施の形態２における予測装置の構成は、図１に示した実施の形態１の場合と基本的に同じであるが、予測処理用データ構成部１２における予測処理用データ行列４１の構成の仕方が実施の形態１の場合と異なっている。

図９では、各種のセンサが設置された空間上を移動体が移動する場合、例えば車両センサや通信機等が設置された道路上を車両が走行する場合を想定し、予測処理用データ構成部１２は、予測処理用データ行列４１の行に車両センサや通信機等が設置された観測点の番号を、列に各種の車両についての番号をそれぞれ設定する。そして、データ行列のそれぞれの列の要素に、各車両が観測点を通過した時刻、あるいは通過した順番を入力する。このようにすれば、各車両番号に対応した各列は、観測点を通過する過去の車両の走行経路のパターンを表す。その際、ある車両が現在走行中である場合、今後に通過する観測点やその時間、経路などは未知であるため欠損データとして設定する。また、車両が通過しなかった観測点や、今後通過しないことが予め分かっている観測点に関するデータについては、負の値、例えば“−１０”を代入して車両が通過した観測点で得られるデータと区別できるようにする。

そして、予測処理部１３において、実施の形態１と同様に予測処理用データ行列４１の欠損データを補完して予測処理を行えば、過去の走行履歴のパターンと予測対象車両の履歴から類似パターンを用いて、予測対象車両の将来の通過経路を予測することができる。例えば、図９において、右端の車両番号をもつ車両が現在走行中である場合、今後に通過する観測点の通過時刻等は未知であるため欠損データが存在するが、左から３列目の車両番号をもつ車両の過去の走行経路のパターンと類似しているため、右端の車両番号をもつ車両の今後の走行経路を予測することができる。

図１０において、予測処理用データ構成部１２は、予測処理用データ行列４１の行に例えば所定の道路上の区間番号を、列に運転者が運転する各車両番号をそれぞれ設定する。そして、データ行列のそれぞれの列の要素に、各車両が各区間を通過するのに要する時間を入力する。このようにすれば、各車両番号に対応した各列は、ある運転者が車両を運転して各区間を通過する際に要する過去の所要時間のパターンを表す。その際、ある車両が現在走行中である場合、今後に通過する区間は未知であるため欠損データとして設定する。また、車両が通過しなかった区間や今後通過しないことが予め分かっている区間などに関するデータについては、負の値、例えば“−１０”を代入して車両が通過した観測点で得られるデータと区別できるようにする。

そして、予測処理部１３において、実施の形態１と同様に予測処理用データ行列４１の欠損データを補完して予測処理を行えば、過去の走行履歴のパターンと予測対象車両の履歴から類似パターンを用いて、予測対象車両が将来に各区間を通過する所要時間を予測することができる。例えば、図１０において、右端の車両番号をもつ車両が現在走行中である場合、今後に通過する区間の所要時間は未知であるため欠損データが存在するが、左から３列目の車両番号をもつ車両の過去の各区間での所要時間のパターンと類似しているため、右端の車両番号をもつ車両が今後通過する区間の未知の所要時間を予測することができる。したがって、運転者などの個人の走行特性（ゆっくり走行する人、急いで走行する人）等を反映した個人別の予測が可能となる。なお、この実施の形態２では、車両の移動について示したが、歩行者など他の様々な移動体に対して適用することが可能である。

実施の形態３．
図１１は、本発明の実施の形態３における予測装置の構成を示すブロック図であり、図１に示した実施の形態１と対応する構成部分には同一の符号を付す。

この実施の形態３の特徴は、実施の形態１の構成に対して、さらに予測処理部１３で予測した結果に応じて予測処理用データ構成部１２および予測処理部１３のパラメータを変更する予測結果評価部１１１が追加されていることである。

すなわち、この予測結果評価部１１１では、予測処理部１３から出力される予測データに対応して、その後にこの予測データに対応する実測値に基づいた真のデータが得られた場合には、予測データと真のデータとの比較を行い、予測誤差が大きい場合には、予測処理用データ構成部１２および予測処理部１３で設定されるパラメータ、すなわち、例えば、図２、図３に示したような予測処理用データ構成部１２における評価用履歴データ３２の時間範囲Ｌｓ、予測データ２３の時間範囲Ｌｆ、履歴データ３４を取り出す時間間隔Ｌｉあるいは図５に示したような予測処理部１３における特異値分解実行時におけるランク数（正方行列Ｓの行または列の数）などのパラメータを変更する。これにより、予測誤差が少なくなるので、予測データ２３の出力結果の精度を一層高めることができる。

実施の形態４．
図１２は、本発明の実施の形態４における予測装置の構成を示すブロック図であり、図１に示した実施の形態１と対応する構成部分には同一の符号を付す。

この実施の形態４の特徴は、複数の予測処理用データ構成部１２、および予測処理部１３が並列に配置されている。そして、各々の予測処理用データ構成部１２については、評価用履歴データ３２の時間範囲Ｌｓ、予測データ３３の時間範囲Ｌｆ、履歴データ３４を取り出す時間間隔Ｌｉなどのパラメータが互いに異なるように設定されている。また、予測処理部１３については、特異値分解実行時におけるランク数（正方行列Ｓの行または列の数）などのパラメータが互いに異なるように設定されている。さらに、実施の形態３で説明したと同様な予測結果評価部１１１が付加されている。

この構成において、予測処理用データ構成部１２、および予測処理部１３によって予測データ２３の算出処理を並列に実行する。予測データ選択部１２１は、各予測処理部１３から並列出力される各予測データ２３の重み付け平均を計算して出力する。その際、予測結果評価部１１１は、各予測処理部１３から出力される予測データ２３と実測値に基づいた真のデータとを比較し、予測誤差が大きい場合には、各予測データ２３を重み付け平均する際のパラメータを変更する。

例えば、図１２において、左側の予測処理部１３から出力される予測データをＡ、右側の予測処理部１３から出力される予測データをＢ、重み付け係数をｋ１（≦１）としたとき、最初の段階で予測データ選択部１２１が、Ａ×ｋ１＋Ｂ×（１−ｋ１）を出力していたときに予測結果評価部１１１が予測誤差が大きいと評価した場合には、予測結果評価部１１１は、上記の重み付け係数ｋ１の値をｋ２に変更する。したがって、予測データ選択部１２１は、次にＡ×ｋ２＋Ｂ×（１−ｋ２）を出力するようになるので予測誤差が少なくなり、予測データ２３の出力結果の精度を一層高めることができる。なお、予測結果評価部１１１によって重み付け係数を変更する代わりに、予測データ選択部１２１が各予測処理部１３の出力の内の一つを選択出力するようにすることも可能である。

実施の形態５．
図１３は、本発明の実施の形態５における予測装置の構成を示すブロック図であり、図１に示した実施の形態１と対応する構成部分には同一の符号を付す。

この実施の形態５の特徴は、実施の形態１で示された予測処理部１３における履歴データのみを含むデータ行列４２（Ｍ）（もしくは予測処理用履歴データ行列４１）に対して予測処理によって算出された予測データ２３を追加した後の行列に対して特異値分解して得られる行列５３（Ｍｓｖｄ）のランク数（すなわち、正方行列５３（Ｓ）の行または列の数）をモニタする異常検知部１３１を設けていることである。

すなわち、異常検知部１３１が特異値分解後のランク数（正方行列５３（Ｓ）の行または列の数）が前回の予測処理の結果よりも増加したならば、従来にない履歴データパターンが観測されことになる。これは、今までの履歴データのパターンから外れた何らかの異常が発生しているものと判断できるため、このときには、異常検知部１３１は異常検知情報を外部に出力して異常発生を報知する。これにより、例えば制御システムの異常をオンラインで検知することができる。また、例えば道路交通システムにおける事故などの突発事象をオンラインで検知することができる。

上記の実施の形態５では、異常検知部１３１において、予測処理によって算出された予測データ２３を追加した後の行列に対して特異値分解して得られる行列５３のランク数をモニタする場合を示したが、予測データに対応する実測値に基づいた真のデータが得られた後で、この真のデータを追加した後の行列に対して特異値分解して得られる行列のランク数をモニタしてもよい。

実施の形態６．
図１４は、本発明の実施の形態６における予測装置の構成を示すブロック図であり、図１に示した実施の形態１と対応する構成部分には同一の符号を付す。

この実施の形態６では、実施の形態１の構成に対して、さらに予測処理部１３で特異値分解して得られる３つの行列Ｕ、Ｓ、Ｖ（前述の（１）式参照）を用いて予測データ２３の信頼度を評価する予測信頼度評価部１４１が追加されていることである。

すなわち、この予測信頼度評価部１４１は、実施の形態１で示された予測処理部１３における予測処理用履歴データ行列４１に対して予測処理によって算出された予測データ２３を追加した後の行列に対して特異値分解して得られる３つの行列Ｕ、Ｓ、Ｖを用いて、予測データを含むデータ行列４３に対して予測処理によって算出された予測データ２３を追加した後の行列に従来の履歴データパターンの成分が含まれる度合い（つまり、過去の履歴データパターンの出現確率）を評価し、その度合いを用いて出力した予測データ２３の確からしさを推定する。

すなわち、上記の予測データ２３を追加した後の行列に対して特異値分解して得られる３つの行列Ｕ、Ｓ、Ｖの内、各履歴データの特徴を圧縮保持する行列（図５の例ではＶ（５４）、もしくはＳ（５３）とＶ（５４）の積）の成分について、予測データ２３に関する成分とそれ以外の履歴データに関する成分を比較し、予測データに関する成分に近い成分の数がｎ１件、近くない成分がｎ２件あった場合、例えば予測データ２３の出現確率をｎ１／（ｎ１＋ｎ２）×１００［％］で出力すればよい。このように、上記出現確率を計算する際に、上記のように特異値分解の結果である履歴データの特徴を圧縮保持する行列を用いれば、元の履歴データ行列を直接用いて成分の比較を行う場合よりも、比較を行う場合の各成分の大きさを小さくすることができるので、大幅に計算量を減らすことができる。

この予測信頼度評価部１４１の働きにより、例えば道路交通の所要時間の予測において、予測所要時間だけでなく、該当する予測所要時間が達成される確率や信頼度も一緒に提供することができる。

上記の実施の形態１〜６では、予測処理用データ構成部１２において、様々な種類のデータを用いて予測処理用データ行列４１を構成する一般的な例を示したが、本発明は、数値としての時系列データだけではなく、曜日、時刻、天気など予測対象の状態を反映した事象を数値化して履歴データとして用いることもできる。

また、例えば、道路分野における渋滞や所要時間の予測において下流の道路で渋滞が発生し、その渋滞が上流の道路まで波及するような場合や、電力分野の電力需要の予測において気温の上昇に応じたクーラーの運転増加による電力需要の増加や、経済分野における株価予測におけるＡ社とＢ社の株価の関係や政治的イベントと株価の関係のように、データの種類間で相互関係がある場合には、予測処理用データ構成部１２において相互関係のあるデータを適切に選択することによって予測処理用データ行列４１を構成すれば、データ種類間の相互関係を考慮した精度の高い予測を行うことができる。

本発明の実施の形態１における予測装置の構成を示すブロック図である。本発明の実施の形態１における予測装置において、履歴データ蓄積部のデータ蓄積状態の説明図である。本発明の実施の形態１における予測装置において、予測処理用データ構成部におけるある一種のデータに関する予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態１における予測装置において、予測処理用データ構成部における全種のデータに関する予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態１の予測装置において、予測処理用データ構成部において構成された全種のデータに関する予測処理用データ行列に基づいて予測処理部で特異値分解を行って予測データを算出する手順の説明図である。本発明の実施の形態１の予測装置において、履歴データ内のデータが過去のある時点から増加した場合の履歴データ蓄積部のデータ蓄積状態の説明図である。本発明の実施の形態１における予測装置において、履歴データ内のデータが過去のある時点から増加した場合の予測処理用データ構成部におけるある一種のデータに関する予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態１における予測装置において、履歴データ内のデータが過去のある時点から増加した場合の予測処理用データ構成部における全種のデータに関する予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態２の予測装置において、予測処理用データ構成部における予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態２の予測装置において、予測処理用データ構成部における他の予測処理用データ行列の構成の仕方を説明するための図である。本発明の実施の形態３における予測装置の構成を示すブロック図である。本発明の実施の形態４における予測装置の構成を示すブロック図である。本発明の実施の形態５における予測装置の構成を示すブロック図である。本発明の実施の形態６における予測装置の構成を示すブロック図である。従来の類似パターン検索に基づく予測手法を説明するための図である。

符号の説明

１１履歴データ蓄積部
１２予測処理用データ構成部
１３予測処理部
２１履歴データ
２２評価用履歴データ
２３予測データ
３１一種のデータに関する予測処理用データ行列
３２一定時間間隔Ｌｓ分の評価用履歴データ
３３欠落要素としての予測データ
４１全種のデータに関する予測処理用データ行列
４２履歴データのみを含むデータ行列
４３予測データを含むデータ行列
５１特異値分解後の行列
１１１予測結果評価部
１１２予測データ選択部
１１３異常検知部
１４１予測信頼度評価部

Claims

蓄積した過去の履歴データを利用して未来の事象を予測する装置であって、未知の予測データを行列の欠落要素として持つように過去の履歴データおよび予測データを行列形式で構成する予測処理用データ構成部と、この予測処理用データ構成部で構成されたデータ行列を特異値分解して行列の未知の予測データを表す欠落要素を推定することにより予測データを出力する予測処理部と、を備えたことを特徴とする予測装置。
上記予測処理部で計算された履歴データの特異値分解の結果を蓄積して上記予測処理用データ構成部に出力する履歴データ蓄積部を備えることを特徴とする請求項１記載の予測装置。
上記予測処理用データ構成部は、移動体個々の移動履歴データおよび未知の予測データを行列形式で構成するものであることを特徴とする請求項１記載または請求項２に記載の予測装置。
上記予測処理部で計算された予測値と真値とを比較し、その比較結果に応じて、上記予測処理用データ構成部および予測処理部のパラメータを変更する予測結果評価部を備えたことを特徴とする請求項１ないし請求項３のいずれか１項に記載の予測装置。
上記予測処理用データ構成部および予測処理部はそれぞれ並列して複数設けられるとともに、各部には互いに異なるパラメータが設定される一方、上記各予測処理部で計算された予測データに対して重み付けをして出力する予測データ選択部を備えたことを特徴とする請求項１ないし請求項４のいずれか１項に記載の予測装置。
上記予測処理部で計算された履歴データの特異値分解の結果を評価して従来に存在しない履歴データパターンが出現した場合には異常として検出する異常検出部を備えたことを特徴とする請求項１ないし請求項５のいずれか１項に記載の予測装置。
上記予測処理部で計算された履歴データの特異値分解の結果を評価することにより出力した予測データの確からしさを推定する予測信頼度評価部を備えたことを特徴とする請求項１ないし請求項６のいずれか１項に記載の予測装置。