JP2005216202A - 未来値予測装置および未来値予測方法 - Google Patents

Abstract

【課題】事象の未来値を予測する新規な手法を提供する。
【解決手段】複数の第１の時系列データのそれぞれが、各データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影され、この投影パターンが、学習パターン群としてデータベース化される。あるタイミングにおける時系列データを予測対象として、このデータよりもタイミング的に後のパラメータの経時的な推移が未来値として予測される。この予測処理では、まず、予測対象となる時系列データが特徴空間に投影される。そして、学習パターン群を検索することにより、特徴空間において、予測対象となる時系列データの投影パターンと相関を有する学習パターンが特定される。これにより、特定された学習パターンに対応する第１の時系列データに予め関連付けられ、この第１の時系列データよりもタイミング的に後の第２の時系列データが未来値として決定される。
【選択図】図１

Description

本発明は、未来値予測装置および未来値予測方法に関する。

従来より、事象の推移を先見的に把握すべく、予測対象となる事象をモデル化し、これを数式で近似する手法が知られている。このような定式化の一例としては、車両の運動理論に基づいて車両の挙動をモデル化した車両運動モデルが挙げられる（例えば、特許文献１参照）。定式化された事象は、所定の入力値に基づき出力されるパラメータの経時的な推移により、一連の推移が表現される。そのため、算出された数式に、未来の時点における入力値を与えたり、或いは、微少時間後の未来値を繰り返し演算し、これにより、未来値（パラメータの将来の値またはその推移）を予測することが可能となる。

なお、画像認識、または、文字認識といった分野では、部分空間法を用いた認識技術が知られている（例えば、特許文献２または３参照）。部分空間法とは、多数のデータを分析することにより、その特徴となる主成分を抽出し、それを用いて元データを近似し、効率的なデータマッチングを行う技術である。例えば、部分空間法を画像認識に用いる場合には、ｎ個の画素で構成される各画像をＮ次元ベクトルとして扱い、画像ベクトル群から得られた共分散行列の固有ベクトルが算出される。つぎに、算出された固有ベクトルのうち、固有値が大きい少数の固有ベクトルのみを基底ベクトルとする部分空間が生成される。そして、画像ベクトルをその部分空間に投影することにより、各画像が部分空間の一点として表れる。
特開２００２−１４０３３号公報 特開平８−１０６２９５号公報 特開平１１−１４３８５１号公報

しかしながら、数式化が困難な事象の場合、経年的な変化（例えば、自動車の経年的な劣化）により事象の推移が数式からオフセットしてしまうような事象の場合、或いは、人間一人一人の癖といったように、共通化したモデルでは表現できないような事象の場合、未来値を再現性よく予測することが難しいという問題がある。

そこで、本発明の目的は、事象の未来値を予測する新規な手法を提供することにある。

また、本発明の別の目的は、定式化が困難な事象に対しても有効に未来値を予測することである。

かかる課題を解決するために、第１の発明は、パラメータによって表現された事象の未来値を、前記パラメータの一連の推移に基づいて予測する未来値予測装置を提供する。この未来値予測装置は、記憶部と、演算部と、パターン処理部と、予測部とを有する。記憶部は、パラメータの経時的な推移を示す第１の時系列データと、第１の時系列データよりもタイミング的に後のパラメータの経時的な推移を示す第２の時系列データとが互いに関連付けられた複数のデータセットを格納する。演算部は、記憶部に格納されている第１の時系列データのそれぞれを処理対象として、各第１の時系列データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影する。パターン処理部は、特徴空間における第１の時系列データのそれぞれの投影パターンを、学習パターン群としてデータベース化する。予測部は、あるタイミングにおける時系列データを予測対象として、時系列データよりもタイミング的に後のパラメータの経時的な推移を未来値として予測する。この場合、演算部は、予測対象となる時系列データを特徴空間に投影する。そして、予測部は、学習パターン群を検索することにより、特徴空間において、予測対象となる時系列データの投影パターンと相関を有する学習パターンを特定するとともに、記憶部に格納されたデータセットに基づいて、特定された学習パターンに対応する第１の時系列データに関連付けられた第２の時系列データを未来値として決定する。

ここで、第１の発明において、パラメータを時系列的に取得することにより、時系列データを出力するデータ処理部をさらに有していてもよい。この場合、データ処理部は、所定時間分の時系列データを分割することにより、時間的に連続した第１の時系列データと第２の時系列データで構成されるデータセットを記憶部に格納することが好ましい。

また、第１の発明において、演算部は、第１の時系列データのそれぞれをベクトル化した上で、共分散行列を算出し、共分散行列の固有ベクトルを基底ベクトルとする特徴空間に基づいて、写像関数を生成するとともに、生成された写像関数を用いて特徴空間への投影を行うことが好ましい。また、演算部は、第１の時系列データを特徴空間に投影する多項式を作成し、作成された多項式の係数を遺伝的アルゴリズムを用いた最適化手法により決定することにより、写像関数を生成するとともに、生成された写像関数を用いて特徴空間への投影を行う。

さらに、第１の発明において、演算部は、データセットが記憶部に格納される度に、写像関数を更新することが好ましい。この未来値予測装置は、未来値として予測された第２の時系列データと、パラメータの実際の推移との類似性を評価し、予め設定された評価基準よりも悪い評価が得られた第２の時系列データに該当するデータセットを記憶部から削除する評価部をさらに有することが好ましい。

さらに、第１の発明において、事象は、パラメータの一連の推移に関連性を有する。

第２の発明は、パラメータによって表現された事象の未来値を、パラメータの一連の推移に基づいて予測する未来値予測方法を提供する。この未来値予測方法は、以下のステップを有する。第１のステップとして、パラメータの経時的な推移を示す第１の時系列データと、第１の時系列データよりもタイミング的に後のパラメータの経時的な推移を示す第２の時系列データとが互いに関連付けられた複数のデータセットが格納された記憶部より、第１の時系列データのそれぞれを読み込む。第２のステップとして、第１の時系列データのそれぞれを処理対象として、第１の時系列データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影する。第３のステップとして、特徴空間における第１の時系列データのそれぞれの投影パターンを、学習パターン群としてデータベース化する。第４のステップとして、あるタイミングにおける時系列データを予測対象として、特徴空間に投影する。第５のステップとして、予測対象となる時系列データよりもタイミング的に後のパラメータの経時的な推移を未来値として予測する。この第５のステップは、学習パターン群を検索することにより、特徴空間において、予測対象となる時系列データの投影パターンと相関を有する学習パターンを特定するとともに、記憶部に格納されたデータセットに基づいて、特定された学習パターンに対応する第１の時系列データに関連付けられた第２の時系列データを、未来値として決定する。

ここで、第２の発明において、この未来値予測方法は、パラメータを時系列的に取得することにより、所定時間分の時系列データを分割し、時間的に連続した第１の時系列データと第２の時系列データで構成されるデータセットを記憶部に格納する第６のステップをさらに有することが好ましい。

また、第２の発明において、第２のステップは、第１の時系列データのそれぞれをベクトル化した上で、共分散行列を算出し、共分散行列の固有ベクトルを基底ベクトルとする特徴空間に基づいて、写像関数を生成するとともに、生成された写像関数を用いて特徴空間への投影を行うステップであることが好ましい。さらに、第２のステップは、データセットが記憶部に格納される度に、写像関数を更新してもよい。

さらに、第２の発明において、事象は、前記パラメータの一連の推移に関連性を有する。

本発明によれば、記憶部には、互いに関連付けられた第１および第２の時系列データで構成される複数のデータセットが格納されており、これらの時系列データのうち、第１の時系列データのそれぞれが特徴空間に投影される。そして、これらの投影パターンに相当する学習パターン群と、予測対象となる時系列データの投影パターンとの特徴空間における相関が評価される。これにより、予測対象となる時系列データと相関を有する、ある第１の時系列データが特定される。そして、この前データに関連づけられる第２の時系列データが、予測対象となる時系列データよりもタイミング的に後の未来値として予測される。このように、本発明では、パラメータの経時的な推移を示すデータセットと特徴空間とに基づいて、未来値が予測されるので、事象を数式化する必要がなく、これにより、様々な事象に対して有効に未来値を予測することができる。

図１は、本実施形態にかかる未来値予測装置を用いた車両制御システムの全体構成を示すブロック図である。この車両制御システムは、未来値予測装置１と、制御装置２とを主体に構成されている。未来値予測装置１は、事象の未来値を予測する装置であり、本明細書では、この「事象」という用語を、未来値の予測対象となる事柄を広く含む概念で用いる。この未来値予測装置１は、事象の将来の状態を、定量的に予測する関係上、この事象の状態を直接的・間接的に検出する、或いは推定することにより、あるタイミングにおける事象の状態をパラメータによって表現することができることが重要となる。本実施形態では、ドライバーの運転操作および車両の運動状態を含む車両全般の状態を予測すべき事象としている。この事象は、ブレーキ踏込量、アクセルペダル開度、ハンドル角度、ハンドル角加速度、車速、加速度、横加速度（横Ｇ）といった各種パラメータの経時的な推移により、その一連の推移が表現される。そのため、この未来値予測装置１には、これらのパラメータを入力情報として用いるべく、センサ３から得られるドライバーの運転操作量（例えば、上述のブレーキ踏込量、アクセルペダル開度、ハンドル角度、ハンドル角加速度）の検出信号、センサ４から得られる車両の運動状態量（例えば、上記の車速、加速度、横Ｇ）の検出信号が入力される。制御装置２は、未来値予測装置１によって予測された未来値を考慮した上で、車両に対する適切な制御量を決定し、これを車両の各種アクチュエータ（図示せず）に対して出力する。

未来値予測装置１としては、ＣＰＵ、ＲＡＭ、ＲＯＭ、入出力インターフェース等で構成されたマイクロコンピュータを用いることができる。未来値予測装置１によって行われるシステム処理は、写像関数および学習パターンの更新を行う学習処理と、この学習処理を踏まえた上で、未来値を予測する予測処理とに分別される。これらの処理を行うマイクロコンピュータを機能的に捉えた場合、この未来値予測装置１は、データ処理部５と、記憶部６と、演算部７と、パターン処理部８と、予測部９と、評価部１０とを有する。

データ処理部５は、センサ３，４から出力される各パラメータを時系列的に取得するとともに、取得した各パラメータを一時的に格納するバッファとしての機能を有する。そして、データ処理部５は、所定時間（例えば、5sec）の間に格納したパラメータ群を、１単位のデータとして出力する。すなわち、この１出力単位のデータ（以下「時系列データ」という）は、過去5秒間に取得した各パラメータの総体であり、各パラメータの経時的な推移を示している。

図２は、時系列データの説明図である。学習処理では、データ処理部５から出力された時系列データが、このデータよりもタイミング的に後で出力された時系列データと互いに関連付けられ、これらの一対の時系列データがデータセットとして記憶部６に格納される。そのため、本実施形態において、同図（ａ）に示すように、データ処理部５は、便宜上、10秒分の時系列データを格納した後に、これを前半5秒（例えば、その時間t11〜t21）の時系列データ（以下「前データ」という）と、後半5秒（例えば、その時間t21〜t31）の時系列データ（以下「後データ」という）とに分割する。分割された前後データは互いに関連付けられ、これにより、時間的に連続した一対のデータで構成されるデータセットが順次記憶部６に格納される。

これに対して、予測処理では、同図（ｂ）に示すように、所定時間分（例えば、その時間ｔ1〜t2）の時系列データが、予測対象として演算部７に出力される。後述する予測部９は、学習処理における前データと、予測対象となる時系列データ（以下「予測対象データ」という）との類似性に基づいて、未来値の予測を行う。そのため、予測精度を向上させるといった観点から、この予測対象となる時系列データは、前データと対応した時間的な長さ（本実施形態では、5sec）を有していることが好ましい。

なお、カーブ等を走行する場面では、横滑りの発生といったように、車両の状態を先見的に把握することが有効な場面である。そこで、データ処理部５は、カーブ走行時には時系列データを出力するといったように、ある特定の状態にある一連のパラメータのみを切り出し、時系列データを出力してもよい。

演算部７は、学習処理において、記憶部６に格納されている各前データを処理対象として、個々の前データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影する。特徴空間への投影は、部分空間法の概念を用いた写像関数を生成することにより、行われる。具体的には、前データをサンプル数Ｎからなる離散データと考え、各前データをＮ次元のベクトルとみなし、共分散行列が求められる。つぎに、この共分散行列の固有ベクトルを基底ベクトルとする特徴空間（部分空間）が生成され、この特徴空間に基づき写像関数が生成される。そして、生成された写像関数を用いて各前データを写像することにより、それぞれの前データが特徴空間に投影される。特徴空間における前データの投影パターンはパターン処理部８に出力され、パターン処理部８によりデータベース化される（学習パターン群の生成）。一方、予測処理では、生成された写像関数に基づいて、予測対象データが特徴空間に投影される。

予測部９は、学習パターン群を検索することにより、予測対象データの投影パターン（以下「予測対象パターン」という）と、特徴空間における位置的な相関が最も高い学習パターンを特定する。周知のように、部分空間法において、パラメータ群の離散的な特徴が類似するデータ同士の投影パターンは、特徴空間における位置的な相関が高くなる。そこで、予測部９は、投影パターンの位置的な相関を評価することにより、予測対象データと類似する前データを特定する。そして、記憶部６に格納されたデータセットに基づいて、相関が最も高い学習パターンに対応する前データに関連付けられた後データが、予測対象データよりもタイミング的に後の未来値（本実施形態では、予測対象データの直後の未来値）として予測される。予測された未来値は、制御装置２および評価部１０に出力される。

評価部１０は、未来値と、その予測した期間内におけるパラメータの実際の推移との類似性を評価し、評価の悪いデータセットを記憶部６から削除する。これにより、記憶部６には、予測精度のよいデータセットが残されるので、未来値の予測精度の向上を図ることができる。

制御装置２としては、ＥＣＵ（エンジンコントロールユニット）やＴＣＵ（トランスミッションコントロールユニット）に代表される、車両に搭載された各種制御装置を用いることができる。制御装置２は、未来値として出力された後データに含まれる各種パラメータを考慮して、必要に応じて車両の制御を行う。未来値を参照した車両制御としては、オートマチックトランスミッションの変速タイミングの変更であったり、前後輪に対する駆動力配分比の変更等が挙げられ、予測された車両の状態を抑制（或いは強調）するような制御が行われる。

図３は、学習ルーチンを示すフローチャートである。このフローチャートに示す処理は、所定周期毎に呼び出され、マイクロコンピュータによって実行される。まず、ステップ１において、センサ３，４によって検出された各パラメータが取得される。

ステップ２において、パラメータのサンプリング時間が所定時間（本実施形態では、10秒）に到達したか否かが判断される。このステップ２において否定判定された場合には、本ルーチンを抜ける。したがって、パラメータのサンプリング時間が10秒に到達するまでは、このステップ２において否定判定され続け、ステップ１の手順が繰り返される。一方、ステップ２において肯定判定された場合、すなわち、パラメータのサンプリング時間が10秒に到達した場合には、ステップ３に進む。

ステップ３において、10秒分の時系列データが前データと後データとに分割される。分割されたデータは互いに関連付けられ、一組のデータセットが生成される。生成されたデータセットは、記憶部６に格納される（ステップ４）。

ステップ４に続くステップ５において、前データ群のベクトル化処理が行われる。まず、演算部７は、記憶部６に格納されているデータセットの中から、処理対象となる前データを読み込む。このステップ３において処理対象となる前データは、記憶部６に格納されているすべての前データである。例えば、初期的に、一つのデータセットが記憶部６に格納されているケースでは、一つの前データが読み込まれる。また、本ルーチンを継続することにより、複数のデータセットが格納されているケースでは、格納されているデータセットに対応する数の前データが読み込まれる。なお、本明細書では、この処理対象となる前データを、その数に拘わらず、便宜上、前データ群（前データの集合体）という。

つぎに、各前データの正規化を行い、Ｎ個のパラメータ群で構成される1個の前データをＮ次元のベクトルと考えると、各前データは、数式１の（１）式で表される。ベクトル化された前データの集合体は数式１の（２）式で表される。なお、同数式において、Ｒは処理対象となる前データの数を示す。

次に、ステップ６において、数式２の（１）式に示すように、ベクトル化された前データ群の平均値ｃが算出される。そして、ステップ７において、算出された平均値ｃに基づき行列Ｘが算出され（（２）式）、この行列Ｘに基づいて、共分散行列Ｑが算出される（（３）式）。

この共分散行列Ｑは実対称行列となるため、その固有値は、実数となる。これを踏まえ、数式３の（１）式に示す固有方程式を解くことにより、固有値λi、固有ベクトルｅiが算出される。そして、数式３の（２）式に示すように、固有値λiの大きい順に任意の個数（ｋ個）の固有ベクトルｅiを基底ベクトルとするｋ次元の特徴空間が生成される（ステップ８）。

ステップ８に続くステップ９において、数式４に示すように、特徴空間に基づき生成される写像関数Ｆを用い、Ｒ個の前データの各々を写像することにより、各前データが特徴空間上の一点に投影される（投影パターンＰrの生成）。

ステップ１０において、各前データに対応する投影パターンＰrは、データベースＤＢに格納され、学習パターン群としてデータベース化される。このデータベース化処理では、従前の前データに対応する投影パターンＰrが記述されたレコードが、新たに生成された投影パターンＰrによって更新されるとともに、新たに追加された前データに対応する投影パターンＰrを記述したレコードが新規に追加される。そして、ステップ１１において、従前の写像関数Ｆが、新たに生成された写像関数Ｆに更新され、本ルーチンを抜ける。

図４は、未来値予測ルーチンを示すフローチャートであり、このルーチンは、上述した学習ルーチンとは別ルーチンとして実行される。まず、ステップ２０において、学習ルーチンの実行サイクルが、規定サイクル数に到達しているか否かが判断される。予測処理の精度の向上を図るためには、未来値を予測する上で有効と認められる程度にまで学習パターンが蓄積されていることが前提となる。そのため、このステップ２０の判断により、予測処理に先行して必要程度の学習が事前に行われているか否かが判断される。

事前学習の手法としては、未来値予測装置１を車両に搭載する以前に、予めシミュレーションや実験を通じて、先の学習処理を行っておく手法が挙げられる（オフライン学習）。また、未来値予測装置１を車両に搭載した上で、リアルタイム的に事前学習を行った後に、予測処理を行ってもよい（オンライン学習）。例えば、事前にオフライン学習が行われている場合には、学習パターンがある程度蓄積されているため、この規定サイクル数は少なめの値に設定される。一方、事前にオフライン学習が行われていない場合には、学習パターンの蓄積を行う必要があるため、規定サイクル数は多めの値に設定し、オンライン学習を実行した後に、予測処理を開始する。

このステップ２０において否定判定された場合、すなわち、学習ルーチンの実行サイクルが規定サイクル数に到達していない場合には、ステップ２１〜２４における予測処理は行わずに本ルーチンを抜ける。一方、ステップ２０において肯定判定された場合には、すなわち、学習ルーチンの実行サイクルが規定サイクル数に到達した場合には、ステップ２１に進む。

ステップ２１において、予測対象データが取得される。この取得された予測対象データは、学習処理における前データと時間的な長さが対応している。そして、ステップ２２において、予測対象データが特徴空間に投影され、これにより、予測対象パターンが生成される。具体的には、予測対象データをベクトルｙと見なし、数式５に示すように、このベクトルｙを学習処理において生成された写像関数Ｆによって写像する。予測対象データは、特徴空間上の一点ｚに投影される（予測対象パターンｚの生成）。

ステップ２２に続くステップ２３において、データベースＤＢを検索することにより、予測対象パターンｚと、特徴空間における位置的な相関が最も高い学習パターンＰrが特定される。図５は、ユークリッド距離の説明図である。予測対象パターンｚと、各学習パターンＰrとの相関は、例えば、ユークリッド距離ｄを算出することにより、評価可能である。ユークリッド距離ｄは、特徴空間におけるパターン間の距離であり、原則として、その値が小さい程、両パターンの位置的な相関が高いことを意味する。そのため、このステップ２３では、学習パターン群のそれぞれについて、予測対象パターンとのユークリッド距離ｄを算出し、その値が最も小さくなる学習パターンＰrを、最も相関が高いパターンとして特定する（数式６参照）。

ステップ２４において、予測対象データのタイミングt2直後の未来値が予測される。図６は、未来値の説明図である。具体的には、特定された学習パターンＰrに対応する前データを特定し、この前データに関連づけられた後データを、記憶部６より読み出す。そして、この読み出された後データが、時刻t2〜t3（５秒間）の未来値として出力され、本ルーチンを抜ける。

評価部１０は、予測された未来値と、この予測期間ｔ2〜ｔ3におけるパラメータの実際の推移（真値）とを比較し、データ同士の類似性、すなわち、予測精度の評価を行う。この評価は、未来値と真値との誤差を、所定の評価基準と比較することにより行うことができる。誤差が評価基準よりも大きな場合には、予測精度が悪いと判断し、この未来値（後データ）に該当するデータセットが記憶部６から削除される。ただし、イレギュラーな真値と、未来値とを比較するケースでは、精度よく予測された未来値に相当するデータセットが削除されてしまう可能性があるので、複数回（例えば、3回）悪い評価が下されたデータセットを記憶部６から削除するようにしてもよい。

このように本実施形態によれば、学習処理において、時系列的に前後する一対の時系列データ（前データおよび後データで構成されるデータセット）を取得し、前データ群が特徴空間に投影される。そして、予測処理では、各前データの投影像である学習パターン群が参照され、予測対象データの投影像である予測対象パターンと最もデータ的に類似する前データが特定される。そして、この前データに関連づけられる後データが未来値として予測される。

例えば、人間の癖、気象条件などといったように、そのパラメータの一連の推移には関連性があると考える。このケースでは、パラメータがある推移を示した後には大方このようにパラメータが推移するといったように、予測時のデータ推移が、ある前データと類似した傾向が見受けられた場合、これと関連付けられた後データ（もしくは、後データと類似のデータ）の再現性を見込むことができる。本実施形態では、この知得に基づき、予測対象データと類似する前データを特定し、これにより、この前データと関連づけられる後データを未来値として予測する。本実施形態に示す予測手法では、事象を数式化する必要がないので、様々な事象に対して、有効に未来値を予測することができる。また、上述した車両制御のように、予測した未来値に基づき制御を行うことで、事象の推移の先を見越した制御を行うことができる。そのため、より有効な制御手法を確立することができる。

学習処理は、予測処理を行う以前に事前に行われていることが好ましく、また、学習処理と予測処理とは互いに独立して行われる。すなわち、予測処理では、学習処理により得られた写像関数Ｆに基づいて、予測対象データを特徴空間に投影し、その投影パターンの相関を評価するだけでよい。したがって、予測に要する時間が簡素化されるので、予測におけるリアルタイム性を維持することができる。

一方、学習処理では、時系列データの入力に応じて学習を進めることにより、写像関数Ｆが適宜更新されるとともに、様々な前データに対応する学習パターン群が蓄積される。さらに、未来値予測装置１に評価部１０を設け、予測精度の悪いデータセットを削除することにより、予測精度のよいデータセットが予測用データとして残される。このように、学習を重ね、かつ、予測精度の悪いデータを削除することにより、自律的に予測システムを構築することができる。また、車両の経年変化、或いは、ドライバー特有の癖といった要素が写像関数および学習パターン群に反映されるので、数式化が困難な事象であっても、未来値を予測することができる。

なお、本実施形態では、事象を表現するパラメータとして複数の種類を用いているが、単一の種類のパラメータによって表現される事象であっても本発明を適用することができる。しかしながら、単一のパラメータのみで表現されたデータでは、特徴空間での相関が高いものの、これに別のパラメータを加えたデータでは、特徴空間内での相関が低くなる場合がある。そのため、複数種類のパラメータにより時系列データを構成した場合には、特徴空間内での相関を複合的に評価できるという長所を有する。

なお、データ処理部５が、所定時間分の時系列データを分割することによりデータセットを生成する関係上、前データと後データとは時間的に連続している。そのため、本実施形態では、予測対象データと未来値との時間的な関係もこれに対応し、予測対象データの直後のパラメータの推移が未来値として予測される。しかしながら、前データと後データとは必ずしも連続している必要はなく、時系列的に前後していれば足りる。例えば、前データと後データとの間に1秒間のインターバルを設けてもよい。このケースでは、予測対象データの1秒後のパラメータの推移が未来値として予測される。このようなインターバルを設けることにより、例えば、制御系統に生じるラグを考慮した上で、未来値の予測を行うことができる。

なお、本実施形態では未来値を予測する事象として車両の状態またはドライバーの操作量について説明したが、本発明はこれに限定されない。予測対象としては、数式化可能な事象、人間の癖、経時的な変化により定式されたモデルとはその推移が相違するような事象といった如く、パラメータの一連の推移に、上述しような関連性を備える事象であれば足りる。例えば、本発明は、時々刻々と変化する株価や気象などの未来値予測に適用することができる。例えば、気象を事象として未来値として予測する場合には、そのパラメータとして、気温、気圧、湿度、風向、風力、風速、雲量、降水などを用いることができる。

なお、本実施形態では、共分散行列を求めることにより、写像関数Ｆを生成したが、本発明の写像関数の生成手法はこれに限定されない。例えば、写像関数Ｆを多項式と考える。そして、この多項式の係数を遺伝子とし、遺伝的アルゴリズムなどの最適化手法により、遺伝子の進化計算を行い、評価条件に合う解（すなわち、写像関数）を決定することにより、写像関数を生成してもよい。この評価条件としては、学習パターン群におけるデータを用いて、実際の波形との誤差が所定値以下に収まっているかなどを判断する手法が挙げられる。また、特開２００３−２９６７３８号公報に開示されているように、特徴空間の基底を遺伝子とし、この遺伝子の最適解を遺伝的アルゴリズムなどの最適化手法により決定し、これにより写像関数を生成してもよい。

また、投影パターン間の相関の評価手法は、ユークリッド距離ｄを算出する以外にも、例えば、特徴空間における投影点のなす角を算出してもよい。このケースでは、その角度が小さい程、両パターンの位置的な相関が高いことを意味する。このような手法でも、特徴空間の相関を評価することができるので、前データと予測対象データとの類似性を有効に判断することができる。

本実施形態にかかる未来値予測装置を用いた車両制御システムの全体構成を示すブロック図 時系列データの説明図 学習ルーチンを示すフローチャート 未来値予測ルーチンを示すフローチャート ユークリッド距離の説明図 未来値の説明図

符号の説明

１ 未来値予測装置
２ 制御装置
３ センサ
４ センサ
５ データ処理部
６ 記憶部
７ 演算部
８ パターン処理部
９ 予測部
１０ 評価部
ＤＢ データベース

Claims (12)

1. パラメータによって表現された事象の未来値を、前記パラメータの一連の推移に基づいて予測する未来値予測装置において、
   前記パラメータの経時的な推移を示す第１の時系列データと、当該第１の時系列データよりもタイミング的に後の前記パラメータの経時的な推移を示す第２の時系列データとが互いに関連付けられた複数のデータセットを格納する記憶部と、
   前記記憶部に格納されている前記第１の時系列データのそれぞれを処理対象として、各第１の時系列データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影する演算部と、
   前記特徴空間における前記第１の時系列データのそれぞれの投影パターンを、学習パターン群としてデータベース化するパターン処理部と、
   あるタイミングにおける時系列データを予測対象として、当該時系列データよりもタイミング的に後の前記パラメータの経時的な推移を未来値として予測する予測部とを有し、
   前記演算部は、前記予測対象となる時系列データを前記特徴空間に投影し、
   前記予測部は、前記学習パターン群を検索することにより、前記特徴空間において、前記予測対象となる時系列データの投影パターンと相関を有する学習パターンを特定するとともに、前記記憶部に格納された前記データセットに基づいて、前記特定された学習パターンに対応する前記第１の時系列データに関連付けられた前記第２の時系列データを前記未来値として決定することを特徴とする未来値予測装置。
2. 前記パラメータを時系列的に取得することにより、前記時系列データを出力するデータ処理部をさらに有し、
   前記データ処理部は、所定時間分の時系列データを分割することにより、時間的に連続した前記第１の時系列データと前記第２の時系列データとで構成される前記データセットを前記記憶部に格納することを特徴とする請求項１に記載された未来値予測装置。
3. 前記演算部は、前記第１の時系列データのそれぞれをベクトル化した上で、共分散行列を算出し、当該共分散行列の固有ベクトルを基底ベクトルとする前記特徴空間に基づいて、写像関数を生成するとともに、当該生成された写像関数を用いて前記特徴空間への投影を行うことを特徴とする請求項１または２に記載された未来値予測装置。
4. 前記演算部は、前記第１の時系列データを前記特徴空間に投影する多項式を作成し、当該作成された多項式の係数を遺伝的アルゴリズムを用いた最適化手法により決定することにより、写像関数を生成するとともに、当該生成された写像関数を用いて前記特徴空間への投影を行うを特徴とする請求項１または２に記載された未来値予測装置。
5. 前記演算部は、前記データセットが前記記憶部に格納される度に、前記写像関数を更新することを特徴とする請求項３または４に記載された未来値予測装置。
6. 前記未来値として予測された前記第２の時系列データと、前記パラメータの実際の推移との類似性を評価し、予め設定された評価基準よりも悪い評価が得られた前記第２の時系列データに該当するデータセットを前記記憶部から削除する評価部をさらに有することを特徴とする請求項１から５のいずれかに記載された未来値予測装置。
7. 前記事象は、前記パラメータの一連の推移に関連性を有することを特徴とする請求項１から６のいずれかに記載された未来値予測装置。
8. パラメータによって表現された事象の未来値を、前記パラメータの一連の推移に基づいて予測する未来値予測方法において、
   前記パラメータの経時的な推移を示す第１の時系列データと、当該第１の時系列データよりもタイミング的に後の前記パラメータの経時的な推移を示す第２の時系列データとが互いに関連付けられた複数のデータセットが格納された記憶部より、前記第１の時系列データのそれぞれを読み込む第１のステップと、
   前記第１の時系列データのそれぞれを処理対象として、当該第１の時系列データを構成するパラメータ群の離散的な特徴が抽出される特徴空間に投影する第２のステップと、
   前記特徴空間における前記第１の時系列データのそれぞれの投影パターンを、学習パターン群としてデータベース化する第３のステップと、
   あるタイミングにおける時系列データを予測対象として、前記特徴空間に投影する第４のステップと、
   前記予測対象となる時系列データよりもタイミング的に後の前記パラメータの経時的な推移を未来値として予測する第５のステップとを有し、
   前記第５のステップは、前記学習パターン群を検索することにより、前記特徴空間において、前記予測対象となる時系列データの投影パターンと相関を有する学習パターンを特定するとともに、前記記憶部に格納された前記データセットに基づいて、前記特定された学習パターンに対応する前記第１の時系列データに関連付けられた前記第２の時系列データを、前記未来値として決定することを特徴とする未来値予測方法。
9. 前記パラメータを時系列的に取得することにより、所定時間分の時系列データを分割し、時間的に連続した前記第１の時系列データと前記第２の時系列データで構成される前記データセットを前記記憶部に格納する第６のステップをさらに有することを特徴とする請求項８に記載された未来値予測方法。
10. 前記第２のステップは、前記第１の時系列データのそれぞれをベクトル化した上で、共分散行列を算出し、当該共分散行列の固有ベクトルを基底ベクトルとする前記特徴空間に基づいて、写像関数を生成するとともに、当該生成された写像関数を用いて前記特徴空間への投影を行うステップであることを特徴とする請求項８または９に記載された未来値予測方法。
11. 前記第２のステップは、前記データセットが前記記憶部に格納される度に、前記写像関数を更新することを特徴とする請求項１０に記載された未来値予測方法。
12. 前記事象は、前記パラメータの一連の推移に関連性を有することを特徴とする請求項８から１１のいずれかに記載された未来値予測方法。

Images