JP2007047945A

JP2007047945A - 予測装置

Info

Publication number: JP2007047945A
Application number: JP2005230132A
Authority: JP
Inventors: Takeshi Hayashida; 岳林田; Shigeaki Matsubayashi; 成彰松林
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 2005-08-08
Filing date: 2005-08-08
Publication date: 2007-02-22
Anticipated expiration: 2025-08-08
Also published as: JP4975287B2

Abstract

【課題】予測対象にばらつきがあっても高精度に予測する。
【解決手段】需要データと入力データの関係を、ニューラルネットワークの係数の集合である入出力重みベクトルとして算出する入出力関係算出手段１０１と、前記入出力関係算出手段１０１により得られる入出力重みベクトルと前記入力データの関係をニューラルネットワークを用いて学習し、未知の入力データに対しての入出力重みベクトルを予測することで、予測需要データを算出する学習予測処理手段１０２とを備え、ばらつきが小さい入出力重みベクトルを用いた学習により、需要データがばらつきが大きい場合でも高精度な予測が可能となる。
【選択図】図１

Description

本発明は、例えば、家屋、ビル、または工場など需要家のエネルギー需要を予測するための予測装置および手法、そのアルゴリズムに関するものである。

家屋、ビル、工場など需要家は各種のエネルギーを利用している。例えば、空調エネルギー、給湯エネルギーなどである。これらさまざまなエネルギーの需要に関し、未来のエネルギーの需要を予測することは、エネルギーを効率よく使用する上で重要である。

例えば、蓄熱システムを持つビルでは、翌日の空調エネルギー需要予測に基づき、安い深夜電力を用いて無駄なく蓄熱することでコストを削減している。

需要家が消費する空調エネルギー需要は、当日の気温・湿度などの気象条件などと因果関係が強いと考えられるため、当日の空調エネルギー需要を予測するためには、入力を当日の気象条件、出力を空調エネルギー需要とする予測モデルを構築することが必要となる。

需要の予測モデルを構築するためには、ニューラルネットワークが有用である。これは、非線形な入出力関係に対しても予測モデルを構築できるためである。また、入出力データを与えると学習により自動的に予測モデルを構築できるなどの利点もある。

例えば、蓄熱システムを持つビルで空調エネルギー需要を予測する場合には、気温情報を入力とし、空調エネルギー需要を出力としたニューラルネットワークで学習を行い、需要予測モデルを構築する。しかし、同じ気温情報が入力である場合でも、空調エネルギー需要が大きく異なる場合がある。これは、入力以外に空調エネルギー需要に影響を与える要因があるからである。例えば、ビル内で業務する人の数により空調エネルギー需要は変動する。このような要因による空調エネルギー需要の変動をばらつきと呼ぶ。ばらつきに対応するために、例えばビル内の人数などを入力に追加することで、ばらつきに対応することが考えられるが、空調エネルギー需要に因果関係を持つ要因は例えば空調機器の設定温度など他にも多数にあるので、結果的に完全にはばらつきを無くすことはできない。

このようにばらつきが生じる需要データを、ニューラルネットワークで学習を行う場合に問題が生じていた。ニューラルネットワークの学習を行う際、教師データと呼ばれる学習対象のデータを学習しすぎると、データの中のばらつきまでも学習する過学習（オーバーフィッティング）と呼ばれる状態となり、学習後の予測において大きな誤差が出てしまう問題があった。

このような問題を解決するために、以下の先行技術が提案されている。特許文献１の発明の構成を図１４に示し、この構成について以下に説明する。学習データ蓄積手段１４０３は、需要データを、入力データ蓄積手段１４０４は、需要データと因果関係の強い入力データを取得し蓄積する。需要データ平滑化処理手段１４０１は、学習データ蓄積手段１４０３から蓄積需要データを取得し、ある需要データと、入力が隣接する需要データとを平滑化し平滑化需要データを算出する。例えば、時刻に対しての空調エネルギー需要を予測する場合、２時の平滑化空調エネルギー需要は、１時・２時・３時の空調エネルギー需要を加算し、３で割ることで算出される。学習予測処理手段１４０２では、需要データ平滑化処理手段１４０１から平滑化需要データを、入力データ蓄積手段１４０４から蓄積入力データを取得し、ニューラルネットワークによる学習を行い予測モデルを構築する。また、学習予測処理手段１４０２は予測を行いたい入力データに対して予測需要データを算出する。

このような構成によれば、需要データ平滑化処理手段１４０１で需要データ内のばらつきによる変動を緩和したものを教師データとしているため、教師データのばらつきが小さくなる。従って、過学習の抑制が可能となる。

また、特許文献２の発明の構成を図１５に示し、この構成について以下に説明する。学習データ蓄積手段１５０４は、需要データを、入力データ蓄積手段１５０５は、入力データを取得し蓄積する。需要データ分類手段１５０１は学習データ蓄積手段１５０４より蓄積需要データを、入力データ蓄積手段１５０５より蓄積入力データを取得し、チェック用需要データとチェック用需要データに対応するチェック用入力データとの組と、学習用需要データと学習用需要データに対応する学習用入力データとの組に分類する。学習予測処理手段１５０３は、需要データ分類手段１５０１より学習用需要データと学習用入力データを取得し、ニューラルネットワークによる学習を行い予測モデルを構築する。また、学習予測処理手段１５０３は予測を行いたい入力データに対して予測需要データを、チェック用入力データに対してチェック用予測需要データを算出する。学習停止判断手段１５０２は、需要データ分類手段からチェック用需要データを、学習予測処理手段１５０３からチェック用予測需要データを取得し、学習停止信号を算出する。

このような構成にすることで、需要データ分類手段１５０１により分類されたチェック用入力データを、学習途中のニューラルネットワークに入力し、チェック用予測需要データを算出する。このチェック用予測需要データと、チェック用需要データとの誤差が最小の学習回数で学習を停止する判定を、学習停止判断手段１５０２により行う。これは、チェック用予測需要データとチェック用需要データとの誤差を予測誤差とし、予測誤差最小となる学習回数で学習停止判断を行うことで、過学習となる以前に学習を停止し、過学習の抑制が可能となる。例えば、時刻に対しての空調エネルギー需要を予測する場合、需要データ分類手段１５０１で１２時の空調エネルギー需要をチェック用とし、１２時以外の空調エネルギー需要を学習用として分類する。学習予測処理手段１５０３は、学習用の１２時以外の時刻情報を入力、入力と同時刻の空調エネルギー需要を出力としたニューラルネットワークで学習を行う。学習を行う毎に１２時の時刻情報を入力し、出力を求める。学習停止判断手段１５０２で、この出力と実際の１２時の空調エネルギー需要との誤差を算出する。この誤差が最小となる学習回数で学習を停止することができる。従って、過学習の抑制が可能となる。
特開２００５−１２２５１７号公報特開２００１−２１６２８７号公報

しかしながら、特許文献１および２などの従来技術によれば、過学習を防止することで、ある程度の予測精度の向上は実現できるものの、ばらつきが大きい場合に予測精度が低いという課題があった。この理由を以下に説明する。

需要データは、様々な種類の要因から影響を受け、その影響は複雑である。例えば、空調エネルギー需要は気温、湿度、天気などから影響を受ける。これら全てを取得し、空調エネルギー需要を予測することは現実的には困難であるので、空調エネルギー需要に影響が大きいと思われる要因のみを、入力データとして選択することになる。また、需要データに影響が大きいと思われる入力データを選択しても、ばらつきのある需要データへの影響は複雑である。例えば、気温と空調エネルギー需要の関係は、気温による建物内の温度への影響が断熱性能により変化することで空調設定が異なり、空調エネルギー需要が変化することや、気温により同一の空調設定を行っても空調機器の性能により空調エネルギー需要が変化することなど、様々である。これらの影響には、それぞれ需要データへの影響の大きさに違いがあるので、これらをまとめて数１のように考えることができる。

数１において、ｘは入力データを示している。また、Ｆ（ｘ）は入力データからの影響が大きい成分であり、Ｇ（ｘ）はＦ（ｘ）以外の入力データからの影響が小さい成分を示している。Ｒは、入力データからの影響を受けない成分を示している。

数１の各成分は、例えば気温情報を入力とし、空調エネルギー需要を出力とした需要の予測モデルを学習により構築する場合では、Ｆ（ｘ）は夏季に気温が上昇する毎にビル内部の気温も上昇し、建物全体で空調の設定温度が下降し、空調エネルギー需要が上昇するなどの関係を示している。Ｇ（ｘ）は、気温により設定された一定の空調設定で、より空調の設定温度を下げたい人と、現在の空調設定で快適なので空調設定を変更して欲しい人との両方が存在するなど、気温によって空調を設定したとしてもビル内で業務を行っている人の体調によって空調設定が異なり、空調エネルギー需要が変化するなどの関係を示している。Ｒは、不規則的な人の在・不在で空調を利用している部屋が増減し、空調エネルギーが変化するなどの関係を示している。

数１を用いて、ばらつきのある需要データの例を図１２で示す。これは、気温情報ｘと、その気温情報における空調エネルギー需要について示している。空調エネルギー需要Ｆ（ｘ）＋Ｇ（ｘ）＋Ｒは入力データからの影響を受けない成分Ｒがばらつきとなり、入力データからの影響を受ける成分Ｆ（ｘ）＋Ｇ（ｘ）を中心として分布する。そのため、Ｆ（ｘ）＋Ｇ（ｘ）＋Ｒは、成分Ｒが気温情報ｘ以外のデータによる影響を受けて変化するために、Ｆ（ｘ）＋Ｇ（ｘ）＋Ｒの上限値と下限値の範囲に分布することとなる。例えば、気温がｘ１の場合には、空調エネルギー需要は気温ｘにより影響を受ける成分から算出されるＦ（ｘ１）＋Ｇ（ｘ１）に、気温ｘの影響を受けず、湿度の影響から算出されるＲ１が加算されたものになる。同一の気温ｘでも湿度が異なればＲ１は異なった値が算出される。

このような需要データを従来技術と本発明で予測した結果について図１１を用いて説明する。特許文献１の発明では、過学習により入力データからの影響を受けない成分Ｒまで学習してしまうことを防ぐために、需要データ平滑化処理手段１４０１で平滑化処理を行う。これにより、Ｇ（ｘ）＋Ｒがばらつきであると見なされて、平滑化されるため、予測結果はＦ（ｘ）に類似する。そのため、Ｇ（ｘ）の学習が行えない分、予測精度を向上することができず、Ｇ（ｘ）が大きいほど予測精度は悪くなる。この発明の課題は、Ｇ（ｘ）が入力データからの影響を受ける成分であるにもかかわらず、入力データｘからの影響を受けない成分Ｒと区別ができないことである。

また、特許文献２の発明では、需要データ分類手段１５０１により、ばらつきが含まれている需要データからチェック用需要データを選択するため、チェック用需要データの選択によっては、入力データからの影響を受けない成分Ｒが大きく含まれている場合がある。この場合には、学習停止判断手段１５０２で、成分Ｒが大きく含まれたチェック用需要データに対しての誤差を、予測誤差として学習停止判断を行ってしまう。その結果、学習により構築された予測モデルは、Ｒを含んだ出力を予測するようになり、過学習が起きている状態と同様に予測誤差が大きいものになる。仮にＦ（ｘ）＋Ｇ（ｘ）とＲが区別可能ならば、Ｒが小さいチェック用データを選択することができるが、Ｇ（ｘ）＋Ｒが区別されないためにＧ（ｘ）＋Ｒが小さいチェック用データを選択することとなり、Ｒが大きく含まれたチェック用データを選択してしまうことがあるため予測誤差が大きいものとなる。この発明の課題も、特許文献１の課題と同様に、Ｇ（ｘ）は入力データからの影響を受ける成分であるにもかかわらず、入力データｘからの影響を受けない成分Ｒと区別ができないことである。

本発明は前記従来の課題を解決するもので、ばらつきのある需要データに対して従来区別できないために、ばらつきと見なされていた成分Ｇ（ｘ）＋Ｒを、入力データからの影響を受ける成分Ｆ（ｘ）＋Ｇ（ｘ）と、入力データからの影響を受けない成分Ｒに区別することで、Ｇ（ｘ）とＲに区別する。これにより、ばらつきがＲのみで学習を行うことで、予測結果はＦ（ｘ）＋Ｇ（ｘ）に類似するものとなり予測精度が向上する。本発明の目的は、ばらつきの大きい需要データに対しても予測精度を向上させるようにした予測装置および手法、そのアルゴリズムを提供することにある。

上記課題を解決するために、本発明は、
学習に用いる学習データを蓄積する学習データ蓄積手段と、
前記学習データと因果関係を持つ入力データを蓄積し、予測用の入力データを作成する入力データ蓄積手段と、
前記学習データと前記入力データの第１の関係を所定の第１の関数で構成し、前記第１の関係を近似する前記第１の関数の第１の係数と第１の関数を算出する入出力関係算出手段と、
前記入出力関係算出手段により得られる前記第１の係数と前記入力データの第２の関係を所定の第２の関数で構成し、前記第２の関係を近似する前記第２の関数の第２の係数を算出し、前記第２の係数を前記第２の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで得られる出力を、前記入出力関係算出手段により得られた第１の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで予測データを得る学習予測処理手段とを備える。

本発明は、学習データと入力データの関係の近似関数を算出した結果得られる係数を算出する入出力関係算出手段と、前記入出力関係算出手段により得られる前記係数と前記入力データの関係の近似関数を算出した結果得られる前記係数の予測値から近似関数を構成し、この近似関数へ予測用の入力データを入力することで予測データを算出する学習予測処理手段とを備えることを特徴とする。

このような構成としたことで、入力データからの影響を受ける成分と、受けない成分に区別可能な近似関数の係数を算出し、この近似関数の係数を学習することでばらつきに対応でき、ばらつきが大きい需要データに対しても高精度に予測することができる。

以下、本発明の実施の形態について、図面を参照しながら説明する。

図１は、本発明の実施の形態に係わる予測装置および手法、そのアルゴリズムの構成図である。この図を参照し、本発明の構成について以下に説明する。

本実施の形態では、当日から６日前までの７日間の毎日１２時の気温情報を入力データ、空調エネルギー需要を学習データとすることでニューラルネットワークの学習により予測モデルを構築し、予測を行いたい気温情報での１２時の空調エネルギー需要を予測するものである。気温情報は空調エネルギー需要への影響が大きいため、空調エネルギー需要を予測する際の入力とした。

図１において、毎日１２時の気温情報を取得し蓄積する入力データ蓄積手段１０４と、毎日１２時の空調エネルギー需要を取得し蓄積する学習データ蓄積手段１０３と、学習データ蓄積手段１０３から７日間の空調エネルギー需要を、入力データ蓄積手段１０４から７日間の気温情報を取得し、ニューラルネットワークの学習により７日間の入出力重みベクトルと重みベクトル算出ニューラルネットを算出する入出力関係算出手段１０１と、入出力関係算出手段１０１より７日間の入出力重みベクトルと重みベクトル算出ニューラルネットを、入力データ蓄積手段１０４から７日分の気温情報を取得し、ニューラルネットワークの学習により予測モデルを構築する学習予測処理手段１０２により構成される。

次に、入出力関係算出手段１０１の詳細な構成を図２に示す。入出力関係算出手段１０１は、学習データ蓄積手段１０３より当日から６日前までの７日間の空調エネルギー需要を、入力データ蓄積手段１０４より当日から６日前までの７日間の気温情報を取得し、７日間のうち１日の気温情報を関係関数近似手段２０１の入力へ、気温情報と同じ１日の空調エネルギー需要を関係関数近似手段２０１の出力へ送信する入出力関係算出用データ送信手段２０２と、図４に示すような重みベクトル算出ニューラルネットと呼ぶニューラルネットワークで構成されており、入出力関係算出用データ送信手段２０２より送信された気温情報をニューラルネットワークの入力、同じ日の空調エネルギー需要をニューラルネットワークの出力とし、学習により入出力モデルを構築し７日間のうち１日の入出力重みベクトルと、重みベクトル算出ニューラルネットを算出する関係関数近似手段２０１と、関係関数近似手段２０１により算出された１日の重みベクトルを蓄積し、７日間の重みベクトルを入出力重みベクトルとして算出する重みベクトル蓄積手段２０３により構成される。

次に、学習予測処理手段１０２の詳細な構成を図３に示す。学習予測処理手段１０２は、入力データ蓄積手段１０４より７日間の気温情報を、入出力関係算出手段１０１より７日間の入出力重みベクトルを取得し、関係係数近似手段３０１の入力へ１日の気温情報を、出力へ気温情報と同じ１日の入出力重みベクトルを、予測出力算出手段３０３の入力へ予測を行いたい気温情報を送信する学習予測用データ送信手段３０２と、図５に示すようなニューラルネットワークで構成されており、学習予測用データ送信手段３０２より送信された１日の気温情報をニューラルネットワークの入力、気温情報と同じ１日の入出力重みベクトルをニューラルネットワークの出力とし、学習を行うことで予測モデルを構築して、学習予測用データ送信手段３０２より予測を行いたい気温情報を取得することで予測入出力重みベクトルを算出する関係係数近似手段３０１と、入出力関係算出手段１０１より取得した重みベクトル算出ニューラルネットを用いて、図６に示すような関係関数近似手段２０１のニューラルネットワークと同一のニューラルネットワークを構成し、学習予測用データ送信手段３０２より送信された予測を行いたい気温情報と、関係係数近似手段３０１より予測入出力重みベクトルとを取得し、ニューラルネットワークの重みの値を予測入出力重みベクトルに設定し出力計算を行い、予測空調エネルギー需要を算出する予測出力算出手段３０３により構成される。

以下、本実施の形態における動作について説明する。学習データ蓄積手段１０３では、毎日１２時の空調エネルギー需要（例えば４００ｗＨ）を取得・蓄積し、入力データ蓄積手段１０４では、学習データ蓄積手段１０３と同じく毎日１２時に取得・蓄積される気温情報（例えば２８℃）を蓄積する。

次に、入出力関係算出手段１０１の動作について説明する。入出力関係算出用データ送信手段２０２は、取得した７日間の気温情報と空調エネルギー需要の中から、関係関数近似手段２０１の入力へ気温情報を、出力へ気温情報と同じ日の空調エネルギー需要を送信する。このため、ニューラルネットワークで近似する関係は１入力・１出力であるので、このニューラルネットワークの入力層のニューロン数は１個、出力層のニューロン数も１個となっている。ニューラルネットワークは重みと呼ばれるパラメータｗ１，ｗ２，・・・で構成されており、関係関数近似手段２０１を構成するニューラルネットワークの重みの総数をｍ個とする。このニューラルネットワークの重みの集合を重みベクトル｛ｗ１，ｗ２，・・・，ｗｍ｝と呼ぶ。なお、ニューラルネットワークの重みの総数ｍ個は、ニューラルネットワークの入出力データの個数、中間層のニューロンの個数により決まる値である。

この関係関数近似手段２０１を構成するニューラルネットワークについて図４を用いて説明する。このニューラルネットワークはバックプロパゲーション法により学習を行い、気温情報と、気温情報と同じ１日の空調エネルギー需要の入出力モデルを構築する。バックプロパゲーション法の処理をフローチャート図１０に示す。まず、入出力関係算出手段１０１からの指示により学習が開始され（Ｓ１００１）、重みｗ１，ｗ２，・・・，ｗｍを微小な乱数（例えばｗ１＝０．００１，ｗ２＝０．００２，・・・）に初期化する（Ｓ１００２）。次に、入力された気温情報と重みの値から出力計算を行い（Ｓ１００３）、算出された出力と空調エネルギー需要との誤差を算出する（Ｓ１００４）。算出された誤差を小さくするように重みｗ１，ｗ２，・・・，ｗｍを更新し（Ｓ１００５）、Ｓ１００４で算出された誤差が目標値（例えば、空調エネルギー需要の０．１％）を満足したかどうかの判定を行う（Ｓ１００６）。満足しているならば学習は終了し（Ｓ１００７）、満足していないならば再度学習を行うためにステップＳ１００３へ進む。なお、学習の終了条件を誤差の目標値としたが、一定の学習回数等でもよい。

上記バックプロパゲーション法の学習の結果、気温情報と空調エネルギー需要との入出力モデルが関係関数近似手段２０１により構築される。このニューラルネットワークの重みベクトルを入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝と呼び、重みベクトル蓄積手段２０３に蓄積する。この入出力重みベクトルはｍ個の要素で構成されたベクトルである。また、この関係関数近似手段２０１を構成するニューラルネットワークを、重みベクトル算出ニューラルネットと呼び、この重みベクトル算出ニューラルネットを学習予測処理手段１０２へ送信する。

重みベクトル蓄積手段２０３は、７日間の入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝を蓄積し、学習予測処理手段１０２へ送信する。

次に、学習予測処理手段１０２の動作について説明する。学習予測用データ送信手段３０２は、取得した７日間の気温情報と入出力重みベクトルにより、関係係数近似手段３０１を構成するニューラルネットワークの入力へ気温情報を、出力へ気温情報と同じ日の入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝を送信する。このため、ニューラルネットワークで近似する関係は１入力・ｍ出力であるので、このニューラルネットワークの入力層のニューロン数は１個、出力層のニューロン数もｍ個となっている。

この関係係数近似手段３０１を構成するニューラルネットワークについて図５を用いて説明する。このニューラルネットワークはバックプロパゲーション法により学習を行い、気温情報を入力、気温情報と同じ日の入出力重みベクトルを出力とした予測モデルを構築する。バックプロパゲーション法の処理のフローチャートは図１０に示されている。関係係数近似手段３０１を構成するニューラルネットワークの学習では学習予測用データ送信手段３０２より、気温情報と入出力重みベクトルを、１日ずつ７日間分を一定の規則で取得する。例えば、当日の気温情報と入出力重みベクトルを学習すると、次は１日前の気温情報をニューラルネットワークの入力へ入出力重みベクトルをニューラルネットワークの出力として学習する。１日前の次の学習では２日前、６日前の次の学習では当日、の気温情報と入出力重みベクトルとして学習する。学習終了条件Ｓ１００６は、当日から６日前までの入出力データ全てに対して重み更新Ｓ１００５を行った回数を学習回数１回として、学習回数が３０００回に達したらＳ１００７へ進み学習を終了し、そうでない場合はＳ１００３へ進み学習を継続する。なお、学習回数を３０００回としているが、過学習が起きない範囲での設定であれば１０００回や２０００回でもよい。また、過学習を抑制する学習法を使用してもよい。

また、関係係数近似手段３０１を構成するニューラルネットワークの入力を気温情報、出力を入出力重みベクトルとした学習により構築した予測モデルへ、予測を行いたい気温情報ｘＰを入力し出力計算を行うと、重みベクトルの予測値が算出される。この重みベクトルの予測値を予測入出力重みベクトル｛ｗＰ１，ｗＰ２，・・・，ｗＰｍ｝として算出する。

予測出力算出手段３０３は、重みベクトル算出ニューラルネットを取得し、図６に示すように関係関数近似手段２０１と同一のニューラルネットワークを構成する。次に、予測出力算出手段３０３は予測入出力重みベクトルを取得し、構成したニューラルネットワークの各重みへ入力する。構成したニューラルネットワークの重みｗＮ１，ｗＮ２，・・・，ｗＮｍへ、予測入出力重みベクトル｛ｗＰ１，ｗＰ２，・・・，ｗＰｍ｝の各値が入力され、ｗＮ１＝ｗＰ１，ｗＮ２＝ｗＰ２，・・・，ｗＮｍ＝ｗＰｍとなる。これにより、予測出力算出手段３０３には、気温情報を入力、空調エネルギー需要を出力とした予測モデルが構築される。この予測出力算出手段３０３へ予測を行いたい気温情報ｘＰを入力し、出力処理を行うと予測空調エネルギー需要を算出する。

次に、図７のフローチャートを参照して、この発明の実施の形態に係わる予測装置および手法、そのアルゴリズムの空調エネルギー需要予測処理について説明する。

まず、毎日１２時に予測装置により空調エネルギー需要予測処理の開始指示が出される（Ｓ７０１）。次に、入力データ蓄積手段１０４は当日１２時の気温情報を取得し、学習データ蓄積手段１０３は当日の１２時の空調エネルギー需要を取得し、蓄積する（Ｓ７０２）。Ｓ７０２以前に学習データ蓄積手段１０３と入力データ蓄積手段１０４には、６日前までの気温情報と空調エネルギー需要が蓄積されており、Ｓ７０２の処理により当日から６日前までの７日間の気温情報と空調エネルギー需要が蓄積される。

次に、入出力関係算出手段１０１で処理される入出力関係算出処理Ｓ７０３を図８のフローチャートを用いて詳細に説明する。当日１２時の気温情報と空調エネルギー需要を取得すると、入出力関係算出処理Ｓ７０３の開始指示が出され（Ｓ８０１）、入出力関係算出用データ送信手段２０２は当日から６日前までの７日間の気温情報と空調エネルギー需要を、学習データ蓄積手段１０３と入力データ蓄積手段１０４から取得し、蓄積する（Ｓ８０２）。入出力関係算出用データ送信手段２０２は、取得したデータの中から、関係関数近似手段２０１を構成するニューラルネットワークの入力へ当日の気温情報を、出力へ当日の空調エネルギー需要を送信し（Ｓ８０３）、関係関数近似手段２０１を構成するニューラルネットワークは図１０の処理によりバックプロパゲーション法の学習を行う（Ｓ８０４）。バックプロパゲーション法の学習が終了処理Ｓ１００７に進むと、その時点で関係関数近似手段２０１を構成するニューラルネットワークの重みを当日の入出力重みベクトルとして、重みベクトル蓄積手段２０３へ送信し（Ｓ８０５）、当日から６日前までの７日間の入出力重みベクトルが重みベクトル蓄積手段２０３に蓄積されているか判定する（Ｓ８０６）が、当日の入出力重みベクトルのみが蓄積されているので、再度ステップＳ８０３へ進む。取得したデータの中から、関係関数近似手段２０１の入力へ１日前の気温情報を、出力へ１日前の空調エネルギー需要を送信し（Ｓ８０３）、入力を１日前の気温情報、出力を１日前の空調エネルギー需要とした関係関数近似手段２０１を構成するニューラルネットワークにより学習を行い（Ｓ８０４）、学習が終了すると、１日前の入出力重みベクトルを重みベクトル蓄積手段２０３へ蓄積する（Ｓ８０５）。このように、Ｓ８０３からＳ８０６の処理を当日から６日前までの７日間の気温情報と空調エネルギー需要に対して完了すると、関係関数近似手段２０１を構成するニューラルネットワークを重みベクトル算出ニューラルネットとして送信し（Ｓ８０７）、入出力関係算出処理Ｓ７０３は終了する（Ｓ８０８）。

次に、学習予測処理手段１０２で処理される、学習処理Ｓ７０４および予測処理Ｓ７０５を図９のフローチャートを用いて詳細に説明する。入出力関係算出処理が終了すると（Ｓ８０８）、学習処理および予測処理が開始され（Ｓ９０１）、学習予測用データ送信手段３０２は、入力データ蓄積手段１０４より当日から６日前までの７日間の気温情報を取得し、重みベクトル蓄積手段２０３より当日から６日前までの７日間の入出力重みベクトルを取得し、蓄積する（Ｓ９０２）。蓄積したデータより、関係係数近似手段３０１を構成するニューラルネットワークの入力へ当日から６日前までの７日間の気温情報を、出力へ当日から６日前までの７日間の入出力重みベクトルを一定の規則で送信し（Ｓ９０３）、図１０の処理によりバックプロパゲーション法の学習を行う（Ｓ９０４）。前述の通り、当日、１日前、・・・、６日前、当日、１日前、・・・という規則により学習終了判定Ｓ１００６が満足されるまで学習が行われる。

学習が終了すると、関係係数近似手段３０１を構成するニューラルネットワークへ学習予測用データ送信手段３０２より予測を行いたい気温情報を送信し、関係係数近似手段３０１を構成するニューラルネットワークで出力を算出する（Ｓ９０５）。算出された値は、予測を行いたい気温情報に対する予測入出力重みベクトルである。次に、予測出力算出手段３０３は重みベクトル算出ニューラルネットを取得し、関係関数近似手段２０１と同一のニューラルネットワークを構成し、このニューラルネットワークの各重みｗ１，ｗ２，・・・，ｗｍへ予測入力重みベクトルを入力する。さらに、このニューラルネットワークへ学習予測用データ送信手段３０２より予測を行いたい気温情報を入力し、出力を算出することにより、予測空調エネルギー需要データが得られ（Ｓ９０６）、学習処理および予測処理が終了する（Ｓ９０７）。予測処理Ｓ７０５が終了すると、空調エネルギー需要予測処理が終了する（Ｓ７０６）。

以下、本実施の形態における効果について説明する。まずは、関係関数近似手段２０１を構成するニューラルネットワークで算出された入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝のばらつきについて説明する。

関係関数近似手段２０１を構成するニューラルネットワークではバックプロパゲーション法を用いて、気温情報と、気温情報と同じ１日の空調エネルギー需要とを学習することで入出力モデルを構築しているので、数１での空調エネルギー需要Ｆ（ｘ）＋Ｇ（ｘ）＋Ｒは、気温情報ｘを入力とした入出力モデル構築によりＦ（ｘ）とＧ（ｘ）が区別されていない。数２を用いると、この入出力モデルの入出力関係は、Ｈ（ｘ）＋Ｒの入出力関係と同一であり、この入出力関係は、入出力重みベクトル｛ｗＩ１，ｗＩ２・・・，ｗＩｍ｝により構成されている。従って、各重み要素ｗＩ１，ｗＩ２，・・・，ｗＩｍのばらつきは、入力データからの影響を受けない成分Ｒの影響のみとなり、数３のように表される。

数２において、Ｈ（ｘ）は、入力データからの影響を受ける成分を示している。

また、数３において、ｗＩ１は、関係関数近似手段２０１を構成するニューラルネットワークにより算出された１日の入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝の重みｗ１要素を示している。また、ｗＨ１はＨ（ｘ）を関係関数近似手段２０１を構成するニューラルネットワークの学習により入出力モデルを構築した場合の入出力重みベクトル｛ｗＨ１，ｗＨ２，・・・，ｗＨｍ｝の重みｗ１要素を示している。ｗＲ１は、入力データからの影響を受けない成分Ｒが、入出力重みベクトルを算出した際にｗＩ１に与える、ｗＩ１とｗＨ１との差分を示している。数３では入出力重みベクトルの重みｗ１要素についてのみ記述してあるが、ｍ個の重み全てに対して数３は成り立つ。

この入出力モデルの入出力重みベクトル｛ｗＩ１，ｗＩ２，・・・，ｗＩｍ｝と、気温情報ｘとの関係を図１３を用いて説明する。図１２に示すような気温情報がｘ１、空調エネルギー需要がＦ（ｘ１）＋Ｇ（ｘ１）＋Ｒ１の１日の入出力モデルを関係関数近似手段２０１を構成するニューラルネットワークにより構築した場合、入出力モデルの入出力関係は前記のようにＨ（ｘ１）＋Ｒ１の入出力関係と同一となる。図１３には、気温情報ｘ１の日とは異なるの日の気温情報と空調エネルギー需要から算出された入出力重みベクトルについても示している。各気温ｘにおいての入出力重みベクトルのｗ１要素ｗＩ１は、成分Ｒが前記のように一定の範囲で気温情報ｘ以外のデータによる影響を受けて変化するために、入出力重みもｗＨ１＋ｗＲ１の上限値と下限値の範囲に分布することとなる。例えば、気温がｘ１の場合には、湿度の影響からＲ１が算出され、そのＲ１からｗＲ１が算出されるが、同一の気温ｘでも湿度が異なればＲ１が異なり、ｗＲ１も異なった算出される。従って、ｗＩ１はｗＨ１を、ｗＩ２はｗＨ２を、ｗＩｍはｗＨｍを中心としてばらつく。

次に、入出力重みベクトルの学習により得られる前記予測入出力重みベクトルについて図１３を用いて説明する。関係係数近似手段３０１は、気温情報を入力、出力重みベクトルの各重み要素ｗＩ１，ｗＩ２，・・・，ｗＩｍを出力として、前述のように過学習を起こさない学習回数で学習を行うことで予測モデルを構築しているので、ｗＩ１のばらつきであるｗＲ１が小さくなった予測モデルとなる。従って、予測を行いたい気温情報ｘＰに対しての予測入出力重みベクトル｛ｗＰ１，ｗＰ２，・・・，ｗＰｍ｝は、Ｈ（ｘ）を関係関数近似手段２０１を構成するニューラルネットワークの学習により入出力モデルを構築した場合の入出力重みベクトル｛ｗＨ１，ｗＨ２，・・・，ｗＨｍ｝と類似するので、それぞれの各重み要素の関係は、ｗＰ１≒ｗＨ１，ｗＰ２≒ｗＨ２，・・・，ｗＰｍ≒ｗＨｍとなる。

次に、上記入出力重みベクトルを用いて予測出力算出手段３０３から算出される予測空調エネルギー需要について説明する。予測出力算出手段３０３は、予測入出力重みベクトル｛ｗＰ１，ｗＰ２，・・・，ｗＰｍ｝の各重み要素を、関係関数近似手段２０１を構成するニューラルネットワークと同一の構成のニューラルネットワークの重みへ入力することで、予測入出力重みベクトルと同一の入出力関係を持つ入出力モデルを構築する。一般的にニューラルネットワークを構成する重みベクトルが類似していれば、類似した入出力モデルとなるので、前述の通りｗＰ１≒ｗＨ１，ｗＰ２≒ｗＨ２，・・・，ｗＰｍ≒ｗＨｍであるこの入出力モデルは、Ｈ（ｘ）の入出力モデルに類似している。従って、予測出力算出手段３０３へ予測を行いたい気温情報ｘＰを入力した場合の出力である予測空調エネルギー需要はＨ（ｘＰ）に類似している。

上記一連の処理により、従来の技術では、入力データからの影響が小さい成分Ｇ（ｘ）と入力データから影響を受けない成分Ｒが区別できないため予測空調エネルギー需要はＦ（ｘ）に類似したものであったが、本発明によればＧ（ｘ）とＲが区別されるため、Ｈ（ｘ）に類似した予測空調エネルギー需要の算出が可能となり、予測精度が向上するという効果を得る。

本発明にかかる構成によれば、入出力重みベクトルを算出する入出力関係算出手段という構成を有する。この構成によれば、需要データと入力データ間の入出力関係を、ニューラルネットワークを用いて学習を行うことでニューラルネットワークのパラメータを用いた入出力重みベクトルとして算出することが可能となる。需要データＦ（ｘ）＋Ｇ（ｘ）＋Ｒを入力データｘに対して関係性を算出すると、入力データｘに関係する成分Ｆ（ｘ）とＧ（ｘ）は区別されず、数１を用いるとＨ（ｘ）という成分となり、算出された入出力重みベクトルの入出力関係はＨ（ｘ）＋Ｒの入出力関係と同一である。従来技術では、入力データｘに対して需要データのばらつきは前述の通りＧ（ｘ）＋Ｒと見なされるが、入出力重みベクトルではＲ成分の影響のみとなり、ばらつきが小さくなる。この入出力重みベクトルを教師データとして、ニューラルネットワークを用いて学習を行うことで、Ｈ（ｘ）＋ＲのばらつきＲ成分は小さくなり、学習結果である予測入出力重みベクトルはＨ（ｘ）に類似する。予測入出力重みベクトルの重みの値をニューラルネットワークに再現することで、Ｈ（ｘ）に類似した入出力モデルを構築することとなり、高精度な予測モデルが構築される。

なお、本実施の形態の構成においては、関係関数近似手段２０１を構成する関数はニューラルネットワークの代わりに線形多項式を用いた構成でもよい。その場合は、入出力重みベクトルの代わりに線形多項式の係数が算出され、予測出力算出手段３０３は関係関数近似手段２０１と同一の線形多項式となる。また、関係係数近似手段３０１を構成するニューラルネットワークの代わりに、重回帰分析処理を用いてもよい。

また、予測モデルを構築するための入力と出力に因果関係があるならば、データの種類や入出力の個数は限定されない。例えば、需要データは、空調エネルギー需要の代わりに給湯エネルギー需要等でもよく、入力データは、気温情報の代わりに曜日情報・休日情報・天候情報・建物に存在する人数・不快指数・湿度情報等でもよい。また、取得する空調エネルギー需要は１日毎の代わりに、１分毎・１時間毎・１ヶ月毎に取得でもよく、１２時の気温情報を入力として翌２３時間の各時刻の空調エネルギー需要を出力としてもよい。

本発明の予測装置および手法、そのアルゴリズムは、入出力関係算出手段を有し、ばらつきの大きいデータへも対応できるため、エネルギー需要だけでなく、ばらつきの大きいデータの予測、例えば株価や気象などの予測装置としても有用である。

本発明の実施例に関わる予測装置の構成図である。本発明の実施の形態に関わる入出力関係算出手段の構成図である。本発明の実施の形態に関わる学習予測処理手段の構成図である。本発明の実施の形態に関わる関係関数近似手段の構成図である。本発明の実施の形態に関わる関係係数近似手段の構成図である。本発明の実施の形態に関わる予測出力算出手段の構成図である。本発明の実施の形態に関わるフローチャートである。本発明の実施の形態に関わる入出力関係算出処理のフローチャートである。本発明の実施の形態に関わる学習予測算出処理のフローチャートである。バックプロパゲーション法のフローチャートである。従来技術での予測結果と本発明での予測結果の違いを示した図である。需要データの各成分と需要データの例を示した図である。気温情報に対する、入出力重みベクトルと予測入出力重みベクトルとの関係を示した図である。特許文献１の発明の構成図である。特許文献２の発明の構成図である。

符号の説明

１０１入出力関係算出手段
１０２学習予測処理手段
１０３学習データ蓄積手段
１０４入力データ蓄積手段
２０１関係関数近似手段
２０２入出力関係算出用データ送信手段
２０３重みベクトル蓄積手段
３０１関係係数近似手段
３０２学習予測用データ送信手段
３０３予測出力算出手段

Claims

学習に用いる学習データを蓄積する学習データ蓄積手段と、
前記学習データと因果関係を持つ入力データを蓄積し、予測用の入力データを作成する入力データ蓄積手段と、
前記学習データと前記入力データの前記第１の関係を所定の第１の関数で構成し、前記第１の関係を近似する前記第１の関数の第１の係数と第１の関数を算出する入出力関係算出手段と、
前記入出力関係算出手段により得られる前記第１の係数と前記入力データの第２の関係を所定の第２の関数で構成し、前記第２の関係を近似する前記第２の関数の第２の係数を算出し、前記第２の係数を前記第２の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで得られる出力を、前記入出力関係算出手段により得られた前記第１の関数の係数として設定することで構成される関数へ、前記予測用の入力データを入力することで予測データを得る学習予測処理手段とを備えることを特徴とする予測装置。
前記入出力関係算出手段は、
学習データ蓄積手段より学習に用いる学習データを、入力データ蓄積手段より前記学習データと因果関係を持つ入力データを取得して蓄積し、蓄積したデータから関係関数近似手段のニューラルネットワークの学習に合わせて、逐次前記入力データと前記学習データを送信する入出力関係算出用データ送信手段と、
前記入出力関係算出用データ送信手段より送信された、前記学習データと前記入力データの関係を前記ニューラルネットワークで構成し、前記関係を学習により近似する前記ニューラルネットワークの係数の集合である重みベクトルと前記ニューラルネットワークを算出する関係関数近似手段と、
前記関係関数近似手段より逐次送られる前記重みベクトルを所定の期間蓄積し、学習予測処理手段へ送信する重みベクトル蓄積手段とを備えることを特徴とする請求項１に記載の予測装置。
前記学習予測処理手段は、
入出力関係算出手段より重みベクトルを、入力データ蓄積手段より入力データと予測用の入力データを取得して蓄積し、蓄積したデータから関係係数近似手段の第１のニューラルネットワークの学習に合わせて、逐次前記重みベクトルと前記入力データを送信する学習予測用データ送信手段と、
前記重みベクトルと前記入力データの関係を前記第１のニューラルネットワークで構成し、前記関係を学習により近似する前記第１のニューラルネットワークへ、前記予測用の入力データを入力することで得られる出力を算出する関係係数近似手段と、
前記入出力関係算出手段より取得した第２のニューラルネットワークへ前記出力を係数として設定することで構成される前記第２のニューラルネットワークへ、前記予測用の入力データを入力することで予測データを得る予測出力算出手段とを備えることを特徴とする請求項２に記載の予測装置。
学習に用いる学習データを蓄積する学習データ蓄積手段と、
前記学習データと因果関係を持つ入力データを蓄積し、予測用の入力データを作成する入力データ蓄積手段と、
前記学習データ蓄積手段より学習に用いる前記学習データを、前記入力データ蓄積手段より前記学習データと因果関係を持つ前記入力データを取得して蓄積し、蓄積したデータから関係関数近似手段の第１のニューラルネットワークの学習に合わせて、逐次前記入力データと前記学習データを送信する入出力関係算出用データ送信手段と、
前記入出力関係算出用データ送信手段より送信された、前記学習データと前記入力データの第１の関係を前記第１のニューラルネットワークで構成し、前記第１の関係を学習により近似する前記第１のニューラルネットの係数の集合である重みベクトルと前記第１のニューラルネットワークを算出する関係関数近似手段と、
前記関係関数近似手段より逐次送られる前記重みベクトルを所定の期間蓄積し、学習予測用データ送信手段へ送信する重みベクトル蓄積手段と、
前記重みベクトル蓄積手段より前記重みベクトルを、前記入力データ蓄積手段より前記入力データと前記予測用の入力データを取得して蓄積し、蓄積したデータから関係係数近似手段の第２のニューラルネットワークの学習に合わせて、逐次前記重みベクトルと前記入力データを送信する前記学習予測用データ送信手段と、
前記重みベクトルと前記入力データの第２の関係を前記第２のニューラルネットワークで構成し、前記第２の関係を学習により近似する前記第２のニューラルネットワークへ、前記予測用の入力データを入力することで得られる出力を算出する関係係数近似手段と、
前記関係関数近似手段より取得した前記第１のニューラルネットワークへ前記出力を係数として設定することで構成される第１のニューラルネットワークへ、前記予測用の入力データを入力した結果、予測データを得る予測出力算出手段とを備えることを特徴とする予測装置。