JP2009110341A - 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 - Google Patents
時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 Download PDFInfo
- Publication number
- JP2009110341A JP2009110341A JP2007282843A JP2007282843A JP2009110341A JP 2009110341 A JP2009110341 A JP 2009110341A JP 2007282843 A JP2007282843 A JP 2007282843A JP 2007282843 A JP2007282843 A JP 2007282843A JP 2009110341 A JP2009110341 A JP 2009110341A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- model
- weight
- index information
- 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.)
- Granted
Links
Images
Abstract
【解決手段】予測装置1は、入力データ44から得られる、最新時刻における入出力サンプルデータに対する期待誤差が、入出力サンプルデータが与えられたときのモデルの誤差関数と、それぞれの入出力サンプルデータの時間情報の重みとを用いて近似された期待誤差を最小化させるように、重みを推定する重み推定部21と、推定された重みを用いた期待誤差に基づく目的関数と入力データ44とを用いて、サンプルデータ47から、最新時刻における未知の出力サンプルを予測するモデルパラメータ46を構築するモデル構築部22と、モデルパラメータ46と、サンプル47とに基づいて、最新時刻におけるサンプル47の未知の出力サンプルを予測する処理を行う予測処理部23とを備える。
【選択図】図1
Description
岩田具治、山田武士、上田修功、"購買順序を考慮した協調フィルタリング"、人工知能と知識処理研究会、AI2007-3,13-18,2007
本発明は、予測対象に関する入力サンプル(基準側の第1観測データ)と、出力サンプル(予測側の第2観測データ)と、出力サンプルが示す性質の変化を離散的に知覚するための所定の基準に立脚した離散的な指標を示す指標情報とを有する予測対象に関する入出力サンプル(学習用サンプルデータ)についての指標情報に関する系列を示す系列データを学習することで、入力サンプルおよび指標情報が既知で出力サンプルが未知であるサンプル(予測用サンプルデータ)から、未知の出力サンプルを予測する予測問題に関するものである。特に、本発明は、時間情報に応じて変化するデータ(時系列データ)を予測対象とすることが好ましい。その性質が時間的に変化するデータの種類としては、例えば、購買データ、ニュース記事データ、論文データ、Webサーフィンデータ等を挙げることができる。特に、予測対象とするデータが購買データである場合には、購買される対象物(商品)は、実体としてのモノに限らずデータ等のサービスであってもよい。このようなサービスデータは、例えば、画像データ、映像データ、音楽データ等である。
最新時刻におけるデータ(サンプル)に対する期待誤差ETは、式(1)で示される。ここで、時間の単位は、任意であり、最新時刻とは、最新の時分秒を示すほか、最新日、最新月、最新年等を示すことができる。このような最新のデータに対する予測精度が高いモデルを学習するときには、式(1)に示す期待誤差ETが最小になるようなモデルが望ましい。式(1)において、Tは最新時刻を示し、J(x,y;M)は、サンプル(x,y)が与えられたときの予測モデル(以下、単にモデルという)Mの誤差関数を示す。また、P(x,y;T)は、最新時刻におけるサンプル(x,y)の確率分布(以下、単に分布という)を示す。なお、モデルMとしては、例えば、1次マルコフモデル、2次マルコフモデル等、任意のモデルを用いることができる。ここで、入力サンプル(x)は、第1観測データであり、単に入力ともいう。また、出力サンプル(y)は、第2観測データであり、単に出力ともいう。
まず、時刻がtであるサンプル数をN(t)とする。また、時刻がt、入力がx、出力がyのサンプル数をN(t,x,y)とする。また、最新時刻Tにおけるサンプル(x,y)の分布(真の分布)P(x,y|T)を、式(5)に示すように、各時刻における経験分布の混合で近似することとする。式(5)を満たす混合比を式(6)で示す。以下では、個々の混合比を混合分布P(t)と呼ぶ。つまり、式(5)は、最新時刻Tにおける真の分布P(x,y|T)が、各時刻における経験分布と混合分布P(t)との積を時刻tについて加算した結果で近似することを示すことになる。また、各時刻における経験分布には、サンプル数N(t),N(t,x,y)との間で、式(7)の関係がある。なお、式(7)においてPに付した記号「^(ハット)」は、そのPが経験分布であることを示すものである。
重み推定処理では、サンプル(x,y)が生成された時刻tにおける重みw(t)を推定することで、前記した式(1)に示す最新時刻Tにおけるデータ(サンプル)に対する期待誤差ETを、前記した式(4)に示す誤差E(M)で近似することとした。この推定された重みw(t)を安定化させるために、モデル構築処理では、ハイパーパラメータλを導入して、式(18)に示す誤差E(M,λ)を、最小とすべき目的関数とすることとした。つまり、誤差E(M,λ)を最小化させるようにモデルMを学習する
次に、本発明の実施形態について図面を参照して説明する。図1は、本発明の実施形態に係る予測装置の構成を示すブロック図である。予測装置1は、予測対象に関する入出力サンプル(学習用サンプルデータ)についての系列を示す入力データ(系列データ)を学習することで、出力が未知であるサンプルから、未知の出力サンプルを予測するものである。図1に示すように、予測装置1は、演算手段2と、入力手段3と、記憶手段4と、出力手段5とを備えている。各手段2〜5はバスライン11に接続されている。
<重み推定部>
図2を参照しながら、重み推定部21の構成について説明する。図2は、重み推定部の構成を示す機能ブロック図である。重み推定部(重み推定手段)21は、入力データ(系列データ)44から得られる、最新時刻(指標情報の予め定められた離散値)における入出力サンプル(学習用サンプルデータ)の入力サンプル(第1観測データ)および出力サンプル(第2観測データ)に対する期待誤差が、入出力サンプルが与えられたときのモデルの誤差関数と、それぞれの入出力サンプルの時間情報の重みと、を用いて近似された期待誤差を最小化させるように、時間情報の重みを推定するものである。図2に示すように、重み推定部21は、入力データ読込部211と、事後確率推定部212と、混合比推定部213と、重み書込部214とを備えている。
事後確率推定部(事後確率推定手段)212は、最新時刻における入力データ44の真の分布を近似するために、各時刻における経験分布に混合される予め定められた混合比と、入力データ44における入出力サンプル(x,y)とを条件として、入出力サンプル(x,y)の時間情報tに対する事後確率をそれぞれ推定するものである。本実施形態では、事後確率推定部212は、前記した式(13)で示される経験分布を予め計算しておく。また、事後確率推定部212は、前記した式(16)により全サンプルの全時刻に対する事後確率を推定する。
重み書込部214は、混合比推定部213で推定された重みw(t)を、重み45として、記憶手段4(図1参照)に書き込む。なお、書き込まれた重み45は、モデル構築部22で利用される。
図3を参照しながら、モデル構築部22の構成について説明する。図3は、モデル構築部の構成を示す機能ブロック図である。モデル構築部(モデル構築手段)22は、重み推定部21で推定された時間情報(指標情報)の重みを用いた期待誤差に基づく目的関数と入力データ(系列データ)44とを用いて、サンプル(予測用サンプルデータ)47から、最新時刻(指標情報の予め定められた離散値)における未知の出力サンプル(第2観測データ)を予測するモデルを構築するものである。図3に示すように、モデル構築部22は、入力データ読込部221と、重み読込部222と、モデルパラメータ推定部223と、ハイパーパラメータ推定部224と、モデルパラメータ書込部225とを備えている。
重み読込部222は、重み45を読み込み、モデルパラメータ推定部223に出力するものである。
モデルパラメータ推定部(モデルパラメータ推定手段)223は、重み読込部222で読み込んだ重み45と、重み45のハイパーパラメータと、近似された期待誤差における誤差関数とに基づく目的関数を最小化させるように、入力データ(系列データ)44および重み45に基づいてモデルを学習することで、最新時刻におけるモデルを推定するものである。このモデルパラメータ推定部223は、ハイパーパラメータ推定部224で推定されたハイパーパラメータをモデル推定に用いる。本実施形態では、モデルパラメータ推定部223は、前記した式(22)によりモデルパラメータを推定する。
モデルパラメータ書込部225は、推定されたモデルパラメータを、モデルパラメータ46として、記憶手段4(図1参照)に書き込む。なお、書き込まれたモデルパラメータ46は、予測処理部23で利用される。
図4を参照しながら、予測処理部23の構成について説明する。図4は、予測処理部の構成を示す機能ブロック図である。予測処理部(予測処理手段)23は、モデル構築部22で構築されたモデル(モデルパラメータ46)と、サンプル(予測用サンプルデータ)47とに基づいて、最新時刻(指標情報の予め定められた離散値)におけるサンプル47の未知の出力サンプル(第2観測データ)を予測する処理を行うものである。図4に示すように、予測処理部23は、サンプル読込部231と、モデルパラメータ読込部232と、予測結果出力部233とを備えている。
モデルパラメータ読込部232は、モデルパラメータ46を読み込み、予測結果出力部233に出力するものである。
予測結果出力部233は、サンプル47とモデルパラメータ46とを使って出力サンプル(y)の予測結果を計算し、計算結果(予測結果)を出力手段5(図1参照)に出力するものである。
<処理の流れ>
図1に示した予測装置1の動作について図5を参照(適宜図1参照)して説明する。図5は、予測装置の処理の流れを示す説明図である。まず、予測装置1は、重み推定部21によって、記憶手段4(図1参照)に予め格納された入力データ44に基づいて重みを推定する(ステップS1:重み推定ステップ)。推定された重みは、重み45として記憶手段4に格納される。次に、予測装置1は、モデル構築部22によって、記憶手段4(図1参照)に予め格納された入力データ44および重み45に基づいてモデルを構築する(ステップS2:モデル構築推定ステップ)。構築されたモデルは、モデルパラメータ46として記憶手段4に格納される。続いて、予測装置1は、予測処理部23によって、記憶手段4(図1参照)に予め格納された出力が未知であるサンプル47に対して、モデルパラメータ46に基づいて、対応する出力を予測する予測処理を行う(ステップS3:予測処理ステップ)。
前記したステップS1の重み推定ステップでは、図6に示すように、重み推定部21は、入力データ読込部211によって、記憶手段4(図1参照)から、入力データ44を読み込む(ステップS11)。具体的には、入力データ読込部211は、前記した表1で示される構造をした入力データ(系列データ)を読み込む。そして、重み推定部21は、事後確率推定部212によって、経験分布の計算を行う(ステップS12)。具体的には、前記した式(13)で示される経験分布を計算する。そして、重み推定部21は、事後確率推定部212によって、初期化を行う(ステップS13)。具体的には、事後確率推定部212は、EMアルゴリズムのEステップとMステップとの2つの手順の繰り返し回数τを0に設定し(τ=0)、例えば所定の乱数を発生させて前記した式(6)で示す混合比の混合分布P(t)をランダムに設定する。
前記したステップS2のモデル構築ステップでは、図7に示すように、モデル構築部22は、まず、入力データ(系列データ)と重みとを読み込む(ステップS21)。具体的には、モデル構築部22は、入力データ読込部221によって、記憶手段4(図1参照)から、入力データ44を読み込む。また、モデル構築部22は、重み読込部222によって、記憶手段4(図1参照)から、重み推定処理により推定した重み45を読み込む。なお、入力データ44の読み込みと、重みの読み込みとの実行順序は、任意であり、処理を並列に実行してもよい。
動画配信サービスの購買履歴(以下、動画データという)は、2007年1月1日から2007年1月31日までの動画配信サービスにおける動画データを示す。この動画データにおいて、ユーザ数は「40,282」、商品数は「5,914」、購買数は「1,667,414」であった。携帯電話用漫画配信サービスの購買履歴(以下、漫画データという)は、2005年4月1日から2006年3月31日の携帯電話用漫画配信サービスにおける漫画データを示す。この漫画データにおいて、ユーザ数は「164,538」、商品数は「175」、購買数は「1,018,741」であった。ここで1つの漫画が複数巻あるものは同一の商品として扱った。
この場合のモデルMとして1次マルコフモデルを用いた。また、1次マルコフモデルの誤差関数として、式(25)に示すように、負の対数尤度を用いた。式(25)において、θijは、商品iの次に商品jを購入する確率(0≦θij≦1,Σjθij=1)を意味するモデルパラメータである。また、商品xnは、あるユーザUnが商品ynを購入したときにその1つ前に購入した商品を表すものとする。
実施例1(OurXY)では、前記した式(5)に基づいて、最新時刻Tの同時分布(入出力分布x,y)を近似するように重みw(t)を設定した。また、実施例2(OurY)では、前記した式(24)に基づいて、最新時刻Tの出力分布yを近似するように重みw(t)を設定した。これら実施例1(OurXY)および実施例2(OurY)では、前記した式(13)に示すスムージングパラメータαの値を、α=10-8とし、重みの最大値で各時刻tにおける重みの値を割った後に、ハイパーパラメータλを推定した。ここで、重みの最大値が「1」となるようにハイパーパラメータλを推定した。また、10重交差検定で汎化誤差が最小になるように黄金分割法によりλを推定した。なお、このときにハイパーパラメータλの取り得る区間は[0,10]とした。
実施例1(OurXY)および実施例2(OurY)を以下の2つのモデル(比較例1、比較例2)と比較した。
比較例1(NoWeight):日にちによる重みの変動なし(w(t)=1)
比較例2(Present):最新日のみ重みあり(w(T)=1、t≠Tでw(t)=0)
実験では時間情報の単位時間を1日とした。つまり、最新時刻とは、最新日すなわち最終日を意味する。そして、実験では、まずはじめの段階、すなわち、1日目では、最終日Tを配信開始日に設定した。次の段階、すなわち、2日目では、最終日Tを1日ずらし、配信開始日の次の日に設定した。以下同様に、最終日Tを1日ずつずらしていった。各段階、すなわち、それぞれの日にち(それぞれの最終日T)では、その最終日T以前の購買履歴のみを用いて、その最終日Tにおけるデータを作成した。そして、それぞれの日にちTにおいて、その性能を式(28)に示すパープレキシティL(T)により評価した。
実施例および比較例についての実験結果を表2に示す。
2 演算手段
3 入力手段
4 記憶手段
5 出力手段
11 バスライン
21 重み推定部(重み推定手段)
22 モデル構築部(モデル構築手段)
23 予測処理部(予測処理手段)
24 メモリ
40a プログラム格納部
41 重み推定プログラム
42 モデル構築プログラム
43 予測処理プログラム
40b データ格納部
44 入力データ(系列データ)
45 重み
46 モデルパラメータ
47 サンプル(予測用サンプルデータ)
211 入力データ読込部
212 事後確率推定部(事後確率推定手段)
213 混合比推定部(混合比推定手段)
214 重み書込部
221 入力データ読込部
222 重み読込部
223 モデルパラメータ推定部(モデルパラメータ推定手段)
224 ハイパーパラメータ推定部(ハイパーパラメータ推定手段)
225 モデルパラメータ書込部
231 サンプル読込部
232 モデルパラメータ読込部
233 予測結果出力部
Claims (7)
- 予測対象に関する基準側の第1観測データと、予測側の第2観測データと、前記第2観測データが示す性質の変化を離散的に知覚するための所定の基準に立脚した離散的な指標を示す指標情報とを有する前記予測対象に関する学習用サンプルデータについての前記指標情報に関する系列を示す系列データを学習することで、前記第1観測データおよび前記指標情報が既知で前記第2観測データが未知である予測用サンプルデータから、前記未知の第2観測データを予測する予測装置であって、
前記系列データから得られる、前記指標情報の予め定められた離散値における学習用サンプルデータの前記第1および第2観測データに対する期待誤差が、当該第1および第2観測データが与えられたときのモデルの誤差関数と、前記それぞれの学習用サンプルデータの前記指標情報の重みと、を用いて近似された期待誤差を最小化させるように、前記指標情報の重みを推定する重み推定手段と、
前記推定された指標情報の重みを用いた期待誤差に基づく目的関数と前記系列データとを用いて、前記予測用サンプルデータから、前記指標情報の前記予め定められた離散値における前記未知の第2観測データを予測するモデルを構築するモデル構築手段と、
前記構築されたモデルと、前記予測用サンプルデータとに基づいて、前記指標情報の前記予め定められた離散値における当該予測用サンプルデータの前記未知の第2観測データを予測する処理を行う予測処理手段とを備えることを特徴とする予測装置。 - 前記重み推定手段は、
前記予め定められた離散値における前記系列データの真の分布を近似するために、前記指標情報の各離散値における経験分布に混合される予め定められた混合比と、前記系列データにおける所定の学習用サンプルデータの前記第1および第2観測データとを条件として、前記第1および第2観測データの前記指標情報に対する事後確率をそれぞれ推定する事後確率推定手段と、
前記推定されたそれぞれの事後確率を利用して、前記予め定められた離散値における前記系列データに対する尤度を最大化するように、前記混合比を推定し、前記尤度が最大化されたときの前記混合比から前記重みを決定する混合比推定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。 - 前記重み推定手段は、
前記予め定められた離散値における前記系列データの真の分布を近似するために、前記指標情報の各離散値における経験分布に混合される予め定められた混合比と、前記系列データにおける所定の学習用サンプルデータの前記第2観測データを条件として、前記第2観測データの前記指標情報に対する事後確率をそれぞれ推定する事後確率推定手段と、
前記推定されたそれぞれの事後確率を利用して、前記予め定められた離散値における前記系列データに対する尤度を最大化するように、前記混合比を推定し、前記尤度が最大化されたときの前記混合比から前記重みを決定する混合比推定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。 - 前記モデル構築手段は、
前記推定された指標情報の重みと、前記重みのハイパーパラメータと、前記近似された期待誤差における誤差関数とに基づく目的関数を最小化させるように、前記系列データおよび前記推定された重みに基づいてモデルを学習することで、前記予め定められた離散値におけるモデルを推定するモデルパラメータ推定手段と、
前記推定されたモデルに対して適用される前記誤差関数を最小化させるように、前記ハイパーパラメータを推定するハイパーパラメータ推定手段と、を備え、
前記モデルパラメータ推定手段は、
前記誤差関数が最小化されたときの前記ハイパーパラメータを用いて推定されたモデルを構築すべきモデルとして決定することを特徴とする請求項1ないし請求項3のいずれか一項に記載の予測装置。 - 予測対象に関する基準側の第1観測データと、予測側の第2観測データと、前記第2観測データが示す性質の変化を離散的に知覚するための所定の基準に立脚した離散的な指標を示す指標情報とを有する前記予測対象に関する学習用サンプルデータについての前記指標情報に関する系列を示す系列データを学習することで、前記第1観測データおよび前記指標情報が既知で前記第2観測データが未知である予測用サンプルデータから、前記未知の第2観測データを予測する予測装置の予測方法であって、
前記予測装置の演算手段は、
前記系列データから得られる、前記指標情報の予め定められた離散値における学習用サンプルデータの前記第1および第2観測データに対する期待誤差が、当該第1および第2観測データが与えられたときのモデルの誤差関数と、前記それぞれの学習用サンプルデータの前記指標情報の重みとを用いて近似された期待誤差を最小化させるように、前記指標情報の重みを推定する重み推定ステップと、
前記推定された指標情報の重みを用いた期待誤差に基づく目的関数と前記系列データとを用いて、前記予測用サンプルデータから、前記指標情報の前記予め定められた離散値における前記未知の第2観測データを予測するモデルを構築するモデル構築ステップと、
前記構築されたモデルと、前記予測用サンプルデータとに基づいて、前記指標情報の前記予め定められた離散値における当該予測用サンプルデータの前記未知の第2観測データを予測する処理を行う予測処理ステップと、を含んで実行することを特徴とする予測方法。 - 請求項5に記載の予測方法をコンピュータに実行させることを特徴とする予測プログラム。
- 請求項6に記載の予測プログラムが記録されたことを特徴とするコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007282843A JP5071851B2 (ja) | 2007-10-31 | 2007-10-31 | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007282843A JP5071851B2 (ja) | 2007-10-31 | 2007-10-31 | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009110341A true JP2009110341A (ja) | 2009-05-21 |
JP5071851B2 JP5071851B2 (ja) | 2012-11-14 |
Family
ID=40778761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007282843A Expired - Fee Related JP5071851B2 (ja) | 2007-10-31 | 2007-10-31 | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5071851B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221917A (ja) * | 2010-04-13 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | 影響力解析装置、影響力解析方法、およびプログラム |
JP2013109471A (ja) * | 2011-11-18 | 2013-06-06 | Nippon Telegr & Teleph Corp <Ntt> | 入出力モデル推定装置、方法、及びプログラム |
JP2015087973A (ja) * | 2013-10-31 | 2015-05-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 生成装置、生成方法、およびプログラム |
KR20200073308A (ko) * | 2018-12-13 | 2020-06-24 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 예측 값을 제공하기 위한 방법 및 장치 |
KR20200073306A (ko) * | 2018-12-13 | 2020-06-24 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 기계 학습 기반 예측 모델을 생성하기 위한 방법 및 장치 |
WO2020177499A1 (zh) * | 2019-03-01 | 2020-09-10 | 阿里巴巴集团控股有限公司 | 模型预测加速方法和装置 |
CN111832840A (zh) * | 2020-07-27 | 2020-10-27 | 南方电网科学研究院有限责任公司 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
CN111937012A (zh) * | 2018-03-30 | 2020-11-13 | 日本电气方案创新株式会社 | 指标计算设备、预测系统、进度预测评估方法和程序 |
WO2022038752A1 (ja) * | 2020-08-20 | 2022-02-24 | 日本電信電話株式会社 | 推定方法、推定装置及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005258722A (ja) * | 2004-03-10 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 競合サイトの分類と将来シェアの予測の方法、装置、プログラム及びそのプログラムを記録した記録媒体 |
-
2007
- 2007-10-31 JP JP2007282843A patent/JP5071851B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005258722A (ja) * | 2004-03-10 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 競合サイトの分類と将来シェアの予測の方法、装置、プログラム及びそのプログラムを記録した記録媒体 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221917A (ja) * | 2010-04-13 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | 影響力解析装置、影響力解析方法、およびプログラム |
JP2013109471A (ja) * | 2011-11-18 | 2013-06-06 | Nippon Telegr & Teleph Corp <Ntt> | 入出力モデル推定装置、方法、及びプログラム |
JP2015087973A (ja) * | 2013-10-31 | 2015-05-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 生成装置、生成方法、およびプログラム |
CN111937012A (zh) * | 2018-03-30 | 2020-11-13 | 日本电气方案创新株式会社 | 指标计算设备、预测系统、进度预测评估方法和程序 |
KR102200035B1 (ko) * | 2018-12-13 | 2021-01-08 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 기계 학습 기반 예측 모델을 생성하기 위한 방법 및 장치 |
KR20200073306A (ko) * | 2018-12-13 | 2020-06-24 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 기계 학습 기반 예측 모델을 생성하기 위한 방법 및 장치 |
KR102200039B1 (ko) | 2018-12-13 | 2021-01-08 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 예측 값을 제공하기 위한 방법 및 장치 |
KR20200073308A (ko) * | 2018-12-13 | 2020-06-24 | 연세대학교 산학협력단 | 요관 결석의 자연 배출에 대한 예측 값을 제공하기 위한 방법 및 장치 |
WO2020177499A1 (zh) * | 2019-03-01 | 2020-09-10 | 阿里巴巴集团控股有限公司 | 模型预测加速方法和装置 |
CN111832840A (zh) * | 2020-07-27 | 2020-10-27 | 南方电网科学研究院有限责任公司 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
CN111832840B (zh) * | 2020-07-27 | 2024-03-12 | 南方电网科学研究院有限责任公司 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
WO2022038752A1 (ja) * | 2020-08-20 | 2022-02-24 | 日本電信電話株式会社 | 推定方法、推定装置及びプログラム |
JP7396501B2 (ja) | 2020-08-20 | 2023-12-12 | 日本電信電話株式会社 | 推定方法、推定装置及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP5071851B2 (ja) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5071851B2 (ja) | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 | |
Raynal et al. | ABC random forests for Bayesian parameter inference | |
US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
JP6790286B2 (ja) | 強化学習を用いたデバイス配置最適化 | |
Babtie et al. | Topological sensitivity analysis for systems biology | |
US10068186B2 (en) | Model vector generation for machine learning algorithms | |
Yates et al. | Cross validation for model selection: a review with examples from ecology | |
JP6212216B2 (ja) | 機械学習における重み生成 | |
CN110663049B (zh) | 神经网络优化器搜索 | |
Crépey et al. | Gaussian process regression for derivative portfolio modeling and application to CVA computations | |
US20210303970A1 (en) | Processing data using multiple neural networks | |
Canale et al. | Bayesian nonparametric forecasting of monotonic functional time series | |
US20220292315A1 (en) | Accelerated k-fold cross-validation | |
US11410111B1 (en) | Generating predicted values based on data analysis using machine learning | |
US11410073B1 (en) | Systems and methods for robust feature selection | |
Feng et al. | Developing operations management data analytics | |
JPWO2019069865A1 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
Park et al. | Robust Kriging models in computer experiments | |
Frauendorfer et al. | Barycentric bounds in stochastic programming: Theory and application | |
Vahdat et al. | Tapped delay lines for GP streaming data classification with label budgets | |
LeBlanc et al. | Extreme regression | |
Groves | Toward automating and systematizing the use of domain knowledge in feature selection | |
van den Boom et al. | Approximating posteriors with high-dimensional nuisance parameters via integrated rotated Gaussian approximation | |
Arif et al. | Hybridization of long short-term memory neural network in fractional time series modeling of inflation | |
Yang et al. | Value at risk estimation under stochastic volatility models using adaptive PMCMC methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20101001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20101001 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20110902 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20120113 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20120113 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120515 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120710 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120807 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120810 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150831 Year of fee payment: 3 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |