JP2015082259A - 時系列データ予測装置、時系列データ予測方法、及びプログラム - Google Patents
時系列データ予測装置、時系列データ予測方法、及びプログラム Download PDFInfo
- Publication number
- JP2015082259A JP2015082259A JP2013220641A JP2013220641A JP2015082259A JP 2015082259 A JP2015082259 A JP 2015082259A JP 2013220641 A JP2013220641 A JP 2013220641A JP 2013220641 A JP2013220641 A JP 2013220641A JP 2015082259 A JP2015082259 A JP 2015082259A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- series data
- time
- data
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims description 85
- 238000012549 training Methods 0.000 claims abstract description 116
- 238000011156 evaluation Methods 0.000 claims description 97
- 238000012360 testing method Methods 0.000 claims description 52
- 238000003860 storage Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 13
- 238000013145 classification model Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
Abstract
Description
この発明によれば、時系列データ予測装置は、観測値の変動のパターンに変化がある場合でも、過去に観測された時系列データに基づいて、観測値の予測値を算出することができる。
この発明によれば、時系列データ予測装置は、過去に観測された時系列データに基づいて生成した予測モデルの予測精度を、実際に観測された時系列データを用いて評価することができる。
この発明によれば、時系列データ予測装置は、観測値の変動のパターンに変化がある場合でも、その変化に応じて精度のよい予測モデルを選択して観測値の予測値を算出することができる。
この発明によれば、時系列データ予測装置は、予測に利用する時系列データと相関が高い時系列データをトレーニングデータに用いて予測モデルを生成するため、精度のよい予測モデルを生成することができる。
この発明によれば、時系列データ予測装置は、時系列データの変動のパターンが新たなパターンとなったと考えられるときの時系列データをトレーニングデータに含めるため、精度のよい予測モデルを生成することができる。
この発明によれば、時系列データ予測装置は、平均利用の予測モデルによる予測の精度がある程度よい場合はその平均利用の予測モデルを予測に用いることにより、予測値の算出の負荷を軽減することができる。
この発明によれば、時系列データ予測装置は、予測結果の予測精度がよくない場合は、精度のよい予測モデルが得られまで、条件を変えて予測モデルの生成を繰り返すことができる。
この発明によれば、時系列データ予測装置は、時系列データをクラスリングし、観測値の変動のパターンが類似する過去の時系列データからクラスタ毎にあてはまりのよい予測モデルを生成して予測に用いるため、予測の精度を高めることができる。
この発明によれば、時系列データ予測装置は、観測値の変動のパターンに変化がある場合でも、時系列データの予測値を精度よく算出することができる。
図1は、本発明の一実施形態による時系列データ予測装置により実行される時系列データの予測アルゴリズムを示す図である。本実施形態では、時系列データが、宅内のエネルギー需要量の観測値の時系列データである場合を例にして説明する。
また、時系列データ予測装置は、ステップS35で生成したクラスタ別予測モデルを選択した場合、内部に備える記憶部にクラスタ別予測モデルを書込むとともに、予測モデル書き換えフラグとクラスタリングフラグをONに設定する(ステップS45、ステップS50)。
また、時系列データ予測装置は、前予測モデルを選択した場合、予測モデル書き換えフラグをOFFに設定し、クラスタリングフラグはそのままとする(ステップS50)。
図2は、本発明の一実施形態による時系列データ予測システムの構成を示すブロック図であり、本実施形態と関係する機能ブロックのみを抽出して示してある。同図に示す時系列データ予測システムは、住宅等に備えられたエネルギー需要通知装置1と、時系列データ記憶装置2と、時系列データ予測装置3とを備えて構成される。エネルギー需要通知装置1と時系列データ記憶装置2とは、通信ネットワーク9により接続される。
時系列データ記憶装置2は、1台または複数台のコンピュータ装置により実現されるデータベースであり、エネルギー需要通知装置1から通知されたエネルギー需要量の観測データを時系列データとして記憶する。
なお、時系列データ記憶装置2と時系列データ予測装置3が、1台のコンピュータ装置により実現されてもよい。
図4は、時系列データ予測装置3の時系列データ予測処理における動作を示すフローチャートである。エネルギー需要通知装置1が、エネルギー需要量として電力需要量、熱需要量、EV需要量の観測データを通知する場合、時系列データ予測装置3は、電力需要量、熱需要量、EV需要量それぞれについて、同図の処理を行う。
また、上記においては、取得部32は、予測用トレーニングデータ及び正解取得用トレーニングデータを含むトレーニングデータをテストデータ及び予測データと重ならないように取得しているが、正解取得用トレーニングデータについてはテストデータを含むようにしてもよい。また、テストデータが予測用データを含むようにしてもよい。
あるいは、取得部32は、予測用データと相関の高い予測利用期間3日分の連続した時系列データである予測用トレーニングデータと、その予測用トレーニングデータに続く正解取得用トレーニングデータとをトレーニングデータに含めるようにしてもよい。また、あるいは、時系列データ予測装置3は、予測利用期間や予測対象期間を変えたり、上述したように、トレーニングデータに前回の予測用データが入るようにしてもよい。
図5は、予測モデル生成部34の詳細な構成を示すブロック図である。この図5において、予測モデル生成部34は、トレーニングデータ取得部40、第1特徴量抽出部41、第2特徴量抽出部42、及び予測モデル作成部43を備えて構成される。
この図6は、近似モデルの学習に用いる予測用トレーニングデータD0〜Ddn毎に抽出された特徴量(x1〜xm)からなる第1特徴量と、対応する正解取得用トレーニングデータから取得した電力需要量が示されている。第1特徴量テーブルには、予測用トレーニングデータ自体を記述してもよく、予測用トレーニングデータの識別情報を記述してもよい。また、電力需要量は、予測用トレーニングデータに対応した正解取得用トレーニングデータから得られる。
この図7は、図6と同様に、それぞれの予測用トレーニングデータD0〜Ddn毎に抽出された特徴量(x1〜xs)及び電力需要量が示されている。ここで、m>sである。
第2特徴量抽出部42は、以下に示す(1)式によるVBSRの予測近似式を用いてモデル学習、すなわち近似モデルに用いる特徴量のリダクション処理を行う。
まず、ベイズ推定における(2)式に示す事後分布を、変分ベイズ法における因子分解により(3)式として示す。すなわち、電力需要量(y)に対して、隠れ変数α及び重み付け係数θをすべて確率変数として、その確率分布を求める。
P(θ,α|y)は、平均電力需要量である場合におけるθ及びαの組を示す事後確率である。また、P(y|θ)はθである場合に平均電力需要量となる事前確率であり、P(θ|α)はαである場合にθとなる事前確率であり、P(α)はαである事前確率である。
そして、第2特徴量抽出部42は、ニュートン法を用いて(4)式におけるθを順次更新する。また、第2特徴量抽出部42は、更新されたθを用いて(5)式によりαを算出して更新する。
第2特徴量抽出部42は、リダクション閾値未満のθiが無くなると、第1特徴量における電力需要量を削除し、残った特徴量を新たに第2特徴量として、図7に示す第2特徴量テーブルを生成する。
予測モデル作成部43は、以下の(6)式に示す近似モデルとしてのクリギング予測式を最終的に求める。この(6)式は、特徴量xiからなる関数fi(xi)と、その重み係数Ciとからなる予測値yaを推定する近似モデルである。
また、(9)式における空間相関行列Rにおける縦行列riは、以下の(11)式により表される。この(11)式において、添字tは転置行列を示している。
図8は、予測モデル生成部34の予測モデル生成処理における動作を示すフローチャートである。
まず、トレーニングデータ取得部40は、全ての予測用トレーニングデータと、それら予測用トレーニングデータそれぞれに続く正解取得用トレーニングデータを記憶部31から読み出して第1特徴量抽出部41に入力する(ステップS210)。予測モデル生成部34は、後述する図9に示す予測モデル学習処理を実行し、学習により生成された予測モデルをクラスタなし予測モデルとする(ステップS220)。
第1特徴量抽出部41は、入力された予測用トレーニングデータから特徴量を抽出する。第1特徴量抽出部41は、予測用トレーニングデータと、当該予測用トレーニングデータから抽出された特徴量を設定した第1特徴量テーブルを記憶部31に書き込む(ステップS310)。
第1特徴量抽出部41は、予測対象期間の2日間に含まれる要素のうち、未選択の要素を予測対象として1つ選択する(ステップS320)。第1特徴量抽出部41は、各予測用トレーニングデータに続く正解取得用トレーニングデータから、予測対象の要素に対応した電力需要量を取得して、第1特徴量テーブルに書き込んで記憶部31に記憶させる(ステップS330)。
また、クリギング法のみで近似モデルを生成する場合、電力需要量の推定に寄与しないノイズとなる特徴量も近似モデルに反映されてしまう。
一方、本実施形態によれば、このノイズとなる特徴量をリダクション処理により除去した後に、電力需要量の推定に寄与するとして第2特徴量を抽出し、クリギング法によってこの第2特徴量を用いて近似モデルを学習して予測モデルを生成するため、従来例に比較してより精度の高い予測モデルを生成することが可能である。
図10は、評価部35の予測モデル選択処理における動作を示すフローチャートであり、図4のステップS150の詳細な処理を示す。
まず、評価部35は、評価用テストデータから、クラスタリング用特徴量と、予測モデルの入力パラメータとする特徴量を抽出する(ステップS410)。評価部35は、ステップS140において生成されたクラスタなし予測モデルに、抽出した評価用テストデータの特徴量を入力パラメータとしてクラスタ別予測モデルにより予測対象期間2日分の時系列データの予測結果を算出する(ステップS420)。つまり、評価部35は、クラスタなし予測モデルを構成する予測対象期間2日分の各要素の近似モデルそれぞれに、評価用テストデータ(時系列データXn−7,Xn−6,Xn−5)から抽出した特徴量を入力パラメータに用いて予測値を算出し、算出した各要素の予測値からなる予測対象期間2日分の時系列データの予測結果Xn−4’、Xn−3’を得る。
一方、クラスタリングフラグがONである場合(ステップS440:YES)、評価部35は、前予測モデルがクラスタ別予測モデルであると判断する。予測部36は、ステップS430と同様に、前予測モデルを用いて予測対象期間2日分の時系列データの予測結果Xn−4’、Xn−3’を算出する(ステップS460)。
評価部35は、クラスタ別予測モデルにより予測結果を生成する場合、同図に示すように、評価用テストデータが各クラスに属する確率であるクラスタ近傍指数(以下、「クラス所属確率」と記載する。)を算出するためのクラス分類モデルを作成する。クラスとはクラスタの番号であり、クラスc(c=1,2,…,C)のクラス所属確率をPc、クラスcのクラスタをScとすると、クラスcのクラス所属確率Pcはテストデータ(評価用テストデータ)がクラスタScに属する確率を表す。クラス分類モデルの作成には、ロジスティック回帰分析の確率導出式を利用したSLR(Sparse Logistic Regression)が用いられる。
評価部35は、記憶部31から予測用トレーニングデータを読み込むと(ステップS510)、読み込んだ予測用トレーニングデータから抽出したクラスタリング用特徴量を用いて、クラス分類モデルを作成する(ステップS520)。
図4のステップS160において、予測部36は、予測用データから、予測モデルの入力パラメータとする特徴量を抽出する。評価部35がクラスタなし予測モデルを選択した場合、予測部36は、ステップS140において生成されたクラスタなし予測モデルに、抽出した予測用データの特徴量を入力パラメータとしてクラスタ別予測モデルにより予測対象期間2日分の時系列データの予測結果を算出する。つまり、予測部36は、クラスタなし予測モデルを構成する予測対象期間2日分の各要素の近似モデルそれぞれに、予測用データ(時系列データXn−2,Xn−1,Xn)から抽出した特徴量を入力パラメータに用いて予測値を算出し、算出した各要素の予測値からなる予測対象期間2日分の時系列データの予測結果を算出する。
上述した実施形態によれば、時系列データ予測装置は、エネルギー使用状況が類似しているときのエネルギー需要量の時系列データをカテゴライズし、それぞれのカテゴリ(クラスタ)において予測モデルを生成し、生成した予測モデルを用いて過去のエネルギー需要量の変化から将来のエネルギー需要量の予測値を得るようにした。
また、過去のエネルギー需要量の時系列データをトレーニングデータとして予測モデルを生成する際に、予測対象とエネルギー使用状況が類似した時系列データがトレーニングデータに含まれていないと、精度のよい予測モデルが生成できない。そこで、時系列データ予測装置は、過去に精度がよいと判断された予測モデルを用いたり、予測対象と類似していると判断される時系列データをトレーニングデータに含んだりすることで、よい精度の予測モデルを利用できるようにしている。
よって、電力使用の状況が同じような日が続く場合だけでなく、電力使用の状況が大きく異なる日が続くなど、突発的な需要変動や電力の使用パターンの変動があった場合でも、時系列データ予測装置は、精度よく電力需要量を予測することができる。
なお、上述の時系列データ予測装置3は、内部にコンピュータシステムを有している。そして、時系列データ予測装置3の動作の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータシステムが読み出して実行することによって、上記処理が行われる。ここでいうコンピュータシステムとは、CPU及び各種メモリやOS、周辺機器等のハードウェアを含むものである。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
2 時系列データ記憶装置
3 時系列データ予測装置
9 通信ネットワーク
31 記憶部
32 取得部
33 クラスタリング処理部
34 予測モデル生成部
35 評価部
36 予測部
37 ズレ量検知部
40 トレーニングデータ取得部
41 第1特徴量抽出部
42 第2特徴量抽出部
43 予測モデル作成部
Claims (13)
- 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置であって、
所定の観測対象についての観測値の時系列データから所定の時間間隔で連続する複数の前記観測値を予測用データとして取得するとともにトレーニングデータを取得する取得部と、
前記トレーニングデータを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成部と、
前記予測モデル生成部により生成された予測モデルと、前記取得部が取得した前記予測用データとを用いて観測値の予測値を算出する予測部と、
を有することを特徴とする時系列データ予測装置。 - 前記取得部は、前記時系列データから所定の時間間隔で連続する複数の前記観測値を予測用データとして取得し、前記予測用データを除いた前記時系列データから前記所定の時間間隔で連続する複数の前記観測値をテストデータとして取得し、前記予測用データ及び前記テストデータを除いた前記時系列データからトレーニングデータを取得し、
前記予測モデル生成部により生成された前記予測モデルの予測精度を、前記テストデータを用いて評価する評価部をさらに備える、
ことを特徴とする請求項1に記載の時系列データ予測装置。 - 過去に用いられた予測モデルを格納する記憶部をさらに有し、
前記評価部は、前記テストデータを用いて、少なくとも前記記憶部から取得した前記予測モデルにより算出した予測値と、前記予測モデル生成部により生成された前記予測モデルにより算出した予測値と、所定期間の時系列データの平均に基づいて予測値を得る平均利用の予測モデルにより算出された予測値とを比較し、
前記予測部は、前記評価部による比較の結果が最も良い予測モデルと、前記取得部が取得した前記予測用データとを用いて観測値の予測値を算出する、
ことを特徴とする請求項2に記載の時系列データ予測装置。 - 前記取得部は、前記時系列データの中から前記予測用データと相関性が所定より高い時系列データを検索し、検索により得られた時系列データを前記トレーニングデータに含める、
ことを特徴とする請求項1から請求項3のいずれか1項に記載の時系列データ予測装置。 - 前記取得部は、前回の予測において前記平均利用の予測モデルが用いられた場合、前回の予測において予測用データとして用いた時系列データを前記トレーニングデータに含める、
ことを特徴とする請求項3に記載の時系列データ予測装置。 - 前記予測用データを用いて前記予測部により算出された前記予測値と、観測値との差分である実績ズレ量を検知するズレ量検知部をさらに有し、
前記予測部は、前記実績ズレ量が所定値よりも小さく、かつ、前記予測値の算出に前記予測モデル生成部が生成した前記予測モデルが用いられた場合、前記予測値の算出に用いられた前記予測用データを用いて前記平均利用の予測モデルにより算出された予測値と前記観測値との差分が所定以下であるときには、前記平均利用の予測モデルにより観測値の予測値を算出する、
ことを特徴とする請求項3に記載の時系列データ予測装置。 - 前記予測部により算出された前記予測値と、観測値との差分である実績ズレ量を検知するズレ量検知部をさらに有し、
前記ズレ量検知部が検知した前記実績ズレ量が所定値よりも大きい場合、
前記取得部は、前記時系列データから前記トレーニングデータを再選択し、
前記予測モデル生成部は、前記取得部が再選択した前記トレーニングデータを用いて予測モデルを生成する、
ことを特徴とする請求項1から請求項6のいずれか1項に記載の時系列データ予測装置。 - 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置であって、
所定の観測対象についての観測値の時系列データを類似する複数のグループであるクラスタにクラスタリングするクラスタリング処理部と、
前記クラスタリング処理部がクラスタリングした前記クラスタごとに、前記クラスタにクラスタリングされた前記時系列データを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成部と、
与えられた時系列データと、予測モデル生成部により前記クラスタごとに生成された予測モデルとを用いて時系列データの予測を行う予測部と、
を有することを特徴とする時系列データ予測装置。 - 前記予測部は、与えられた時系列データが前記クラスタへ所属する確率を表すクラスタ近傍指数を用いて、前記クラスタ毎に生成された予測モデルを合成する、
ことを特徴とする請求項8に記載の時系列データ予測装置。 - 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置が実行する時系列データ予測方法であって、
取得部が、所定の観測対象についての観測値の時系列データから所定の時間間隔で連続する複数の前記観測値を予測用データとして取得するとともにトレーニングデータを取得する取得過程と、
予測モデル生成部が、前記トレーニングデータを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成過程と、
予測部が、前記予測モデル生成過程において生成された予測モデルと、前記取得過程において取得した前記予測用データとを用いて観測値の予測値を算出する予測過程と、
を有することを特徴とする時系列データ予測方法。 - 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置が実行する時系列データ予測方法であって、
クラスタリング処理部が、所定の観測対象についての観測値の時系列データを類似する複数のグループであるクラスタにクラスタリングするクラスタリング処理過程と、
予測モデル生成部が、前記クラスタリング処理過程においてクラスタリングされた前記クラスタごとに、前記クラスタにクラスタリングされた前記時系列データを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成過程と、
予測部が、与えられた時系列データと、予測モデル生成過程において前記クラスタごとに生成された予測モデルとを用いて時系列データの予測を行う予測過程と、
を有することを特徴とする時系列データ予測方法。 - 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置として用いられるコンピュータを、
所定の観測対象についての観測値の時系列データから所定の時間間隔で連続する複数の前記観測値を予測用データとして取得するとともにトレーニングデータを取得する取得部、
前記トレーニングデータを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成部、
前記予測モデル生成部により生成された予測モデルと、前記取得部が取得した前記予測用データとを用いて観測値の予測値を算出する予測部、
として機能させるプログラム。 - 観測値の時系列データに基づいて当該観測値の予測値を算出する時系列データ予測装置として用いられるコンピュータを、
所定の観測対象についての観測値の時系列データを類似する複数のグループであるクラスタにクラスタリングするクラスタリング処理部、
前記クラスタリング処理部がクラスタリングした前記クラスタごとに、前記クラスタにクラスタリングされた前記時系列データを用いて、与えられた時系列データに基づき予測される観測値からなる時系列データを算出する予測モデルを生成する予測モデル生成部、
与えられた時系列データと、予測モデル生成部により前記クラスタごとに生成された予測モデルとを用いて時系列データの予測を行う予測部、
として機能させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013220641A JP6109037B2 (ja) | 2013-10-23 | 2013-10-23 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
US14/499,358 US9811781B2 (en) | 2013-10-23 | 2014-09-29 | Time-series data prediction device of observation value, time-series data prediction method of observation value, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013220641A JP6109037B2 (ja) | 2013-10-23 | 2013-10-23 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015082259A true JP2015082259A (ja) | 2015-04-27 |
JP6109037B2 JP6109037B2 (ja) | 2017-04-05 |
Family
ID=52827082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013220641A Expired - Fee Related JP6109037B2 (ja) | 2013-10-23 | 2013-10-23 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US9811781B2 (ja) |
JP (1) | JP6109037B2 (ja) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017120647A (ja) * | 2015-12-31 | 2017-07-06 | ダッソー システムズDassault Systemes | 機械学習システムの更新 |
WO2017168458A1 (ja) * | 2016-03-28 | 2017-10-05 | 日本電気株式会社 | 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム |
JP2017182308A (ja) * | 2016-03-29 | 2017-10-05 | 富士通株式会社 | 相関因子抽出方法、相関因子抽出装置および相関因子抽出プログラム |
WO2018150550A1 (ja) * | 2017-02-17 | 2018-08-23 | 株式会社日立製作所 | 学習データ管理装置及び学習データ管理方法 |
KR101919076B1 (ko) | 2017-12-20 | 2018-11-19 | (주)지오시스템리서치 | 시계열 데이터 예측 시스템 |
JP2019016324A (ja) * | 2017-07-11 | 2019-01-31 | 日本電信電話株式会社 | 予測装置、予測方法および予測プログラム |
JP2019101490A (ja) * | 2017-11-28 | 2019-06-24 | 株式会社東芝 | 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム |
JP2019191777A (ja) * | 2018-04-20 | 2019-10-31 | 富士通株式会社 | 機械学習プログラム、機械学習方法および機械学習装置 |
JP2019204459A (ja) * | 2018-05-25 | 2019-11-28 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP2019204458A (ja) * | 2018-05-25 | 2019-11-28 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP2020009400A (ja) * | 2018-06-29 | 2020-01-16 | 学校法人慶應義塾 | データ処理装置、データ処理システム及びプログラム |
KR20200051343A (ko) * | 2018-11-05 | 2020-05-13 | (주)엔키아 | 시계열 데이터 예측 모델 평가 방법 및 장치 |
JP2020119487A (ja) * | 2019-01-25 | 2020-08-06 | 株式会社 ビーアイマトリックスBi Matrix Co.,Ltd | ピボットテーブル構造のolap結果を用いたディープラーニング予測データ反映システム |
US11176481B2 (en) | 2015-12-31 | 2021-11-16 | Dassault Systemes | Evaluation of a training set |
JP2022536825A (ja) * | 2019-04-23 | 2022-08-19 | 日本電気株式会社 | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 |
KR102499412B1 (ko) * | 2021-09-27 | 2023-02-13 | 한국생산기술연구원 | 데이터 특성 기반 산업 공정 예측모델 개발 및 그를 사용한 산업 공정 데이터의 예측 방법 |
JP2023025801A (ja) * | 2021-08-11 | 2023-02-24 | 三菱重工業株式会社 | 予測装置、予測方法およびプログラム |
WO2023119456A1 (ja) * | 2021-12-21 | 2023-06-29 | 富士通株式会社 | 検知プログラム、検知装置、および検知方法 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
US9900215B2 (en) * | 2014-11-13 | 2018-02-20 | Microsoft Technology Licensing, Llc | Automatically recommending point of presence centers |
US11443015B2 (en) * | 2015-10-21 | 2022-09-13 | Adobe Inc. | Generating prediction models in accordance with any specific data sets |
US10949426B2 (en) * | 2015-12-28 | 2021-03-16 | Salesforce.Com, Inc. | Annotating time series data points with alert information |
KR102215690B1 (ko) * | 2015-12-29 | 2021-02-16 | 삼성에스디에스 주식회사 | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 |
CN105701562B (zh) * | 2016-01-05 | 2019-12-17 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
WO2017159402A1 (ja) * | 2016-03-16 | 2017-09-21 | 日本電気株式会社 | 共クラスタリングシステム、方法およびプログラム |
KR101779584B1 (ko) * | 2016-04-29 | 2017-09-18 | 경희대학교 산학협력단 | 복잡도 감소에 기반한 ds-cdma 시스템에서의 원신호 복원 방법 |
US11537847B2 (en) * | 2016-06-17 | 2022-12-27 | International Business Machines Corporation | Time series forecasting to determine relative causal impact |
US10809674B2 (en) * | 2016-09-16 | 2020-10-20 | Honeywell Limited | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems |
US11449046B2 (en) * | 2016-09-16 | 2022-09-20 | Honeywell Limited | Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring |
US10712733B2 (en) * | 2016-12-12 | 2020-07-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for discovery of prognostic subsequences in time series |
EP3376446A1 (en) * | 2017-03-18 | 2018-09-19 | Tata Consultancy Services Limited | Method and system for anomaly detection, missing data imputation and consumption prediction in energy data |
JP6831280B2 (ja) * | 2017-03-24 | 2021-02-17 | 株式会社日立製作所 | 予測システム、及び、予測方法 |
CN107944607B (zh) * | 2017-11-03 | 2022-01-18 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
JP6954082B2 (ja) * | 2017-12-15 | 2021-10-27 | 富士通株式会社 | 学習プログラム、予測プログラム、学習方法、予測方法、学習装置および予測装置 |
US20210064432A1 (en) * | 2018-02-05 | 2021-03-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource needs prediction in virtualized systems: generic proactive and self-adaptive solution |
US20210383250A1 (en) * | 2018-02-26 | 2021-12-09 | Hitachi Information & Telecommunication Engineering, Ltd. | State Prediction Apparatus and State Prediction Control Method |
EP3779812A4 (en) * | 2018-03-30 | 2021-12-29 | NEC Solution Innovators, Ltd. | Index computation device, prediction system, progress prediction evaluation method, and program |
CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
EP3585056A1 (en) * | 2018-06-20 | 2019-12-25 | Telefónica, S.A. | Method and system for optimizing event prediction in data systems |
CN108921355B (zh) * | 2018-07-03 | 2022-02-01 | 国家计算机网络与信息安全管理中心 | 一种基于时间序列预测模型的告警阈值设定方法及装置 |
US20210182736A1 (en) * | 2018-08-15 | 2021-06-17 | Nippon Telegraph And Telephone Corporation | Learning data generation device, learning data generation method, and non-transitory computer readable recording medium |
US11556824B2 (en) * | 2019-09-06 | 2023-01-17 | Fujitsu Limited | Methods for estimating accuracy and robustness of model and devices thereof |
CN110659681B (zh) * | 2019-09-17 | 2023-07-25 | 上海仪电(集团)有限公司中央研究院 | 基于模式识别的时序数据预测系统及方法 |
US11755946B2 (en) | 2019-11-08 | 2023-09-12 | International Business Machines Corporation | Cumulative reward predictor training |
US11823083B2 (en) | 2019-11-08 | 2023-11-21 | International Business Machines Corporation | N-steps-ahead prediction based on discounted sum of m-th order differences |
JP2021144415A (ja) * | 2020-03-11 | 2021-09-24 | 本田技研工業株式会社 | 情報処理方法、情報処理装置、異常判定システム、異常判定装置、異常判定方法、及びプログラム |
US11455322B2 (en) * | 2020-05-12 | 2022-09-27 | International Business Machines Corporation | Classification of time series data |
CN111814106A (zh) * | 2020-07-09 | 2020-10-23 | 平安科技(深圳)有限公司 | 时序数据滞后性处理方法、装置、电子设备及存储介质 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
CN113065702B (zh) * | 2021-03-31 | 2023-08-08 | 中国地质大学(武汉) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
CN113591993B (zh) * | 2021-08-02 | 2022-08-09 | 上海华能电子商务有限公司 | 一种基于时空聚类的电力物资需求预测方法 |
US20230100716A1 (en) * | 2021-09-30 | 2023-03-30 | Bmc Software, Inc. | Self-optimizing context-aware problem identification from information technology incident reports |
CN114118530A (zh) * | 2021-11-04 | 2022-03-01 | 杭州经纬信息技术股份有限公司 | 一种基于多户电力消耗预测模型的预测方法及装置 |
US11863466B2 (en) * | 2021-12-02 | 2024-01-02 | Vmware, Inc. | Capacity forecasting for high-usage periods |
CN114418243B (zh) * | 2022-03-28 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
JP2004094437A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
JP2013114629A (ja) * | 2011-11-30 | 2013-06-10 | Fujitsu Ltd | 予測装置、予測プログラムおよび予測方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3334807B2 (ja) * | 1991-07-25 | 2002-10-15 | 株式会社日立製作所 | ニュ−ラルネットを利用したパタ−ン分類方法および装置 |
US7421380B2 (en) * | 2004-12-14 | 2008-09-02 | Microsoft Corporation | Gradient learning for probabilistic ARMA time-series models |
EP2614480A4 (en) * | 2010-09-07 | 2015-05-06 | Univ Leland Stanford Junior | MEDICAL RADIATION SYSTEMS AND METHODS |
JP2013109550A (ja) | 2011-11-21 | 2013-06-06 | Kddi Corp | 宅内エネルギー消費量予測システム、宅内エネルギー消費量予測サーバ、宅内エネルギー消費量予測方法およびプログラム |
-
2013
- 2013-10-23 JP JP2013220641A patent/JP6109037B2/ja not_active Expired - Fee Related
-
2014
- 2014-09-29 US US14/499,358 patent/US9811781B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
JP2004094437A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
JP2013114629A (ja) * | 2011-11-30 | 2013-06-10 | Fujitsu Ltd | 予測装置、予測プログラムおよび予測方法 |
Non-Patent Citations (1)
Title |
---|
福沢充孝: "エネルギー管理パッケージEnemapと省エネ自動制御事例", 横河技報, vol. 第50巻,第3号, JPN6016041723, 15 September 2006 (2006-09-15), JP, pages 99 - 102, ISSN: 0003429689 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11176481B2 (en) | 2015-12-31 | 2021-11-16 | Dassault Systemes | Evaluation of a training set |
JP2017120647A (ja) * | 2015-12-31 | 2017-07-06 | ダッソー システムズDassault Systemes | 機械学習システムの更新 |
US11308423B2 (en) | 2015-12-31 | 2022-04-19 | Dassault Systemes | Update of a machine learning system |
WO2017168458A1 (ja) * | 2016-03-28 | 2017-10-05 | 日本電気株式会社 | 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム |
JPWO2017168458A1 (ja) * | 2016-03-28 | 2018-09-13 | 日本電気株式会社 | 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム |
JP2017182308A (ja) * | 2016-03-29 | 2017-10-05 | 富士通株式会社 | 相関因子抽出方法、相関因子抽出装置および相関因子抽出プログラム |
WO2018150550A1 (ja) * | 2017-02-17 | 2018-08-23 | 株式会社日立製作所 | 学習データ管理装置及び学習データ管理方法 |
JPWO2018150550A1 (ja) * | 2017-02-17 | 2019-07-25 | 株式会社日立製作所 | 学習データ管理装置及び学習データ管理方法 |
JP2019016324A (ja) * | 2017-07-11 | 2019-01-31 | 日本電信電話株式会社 | 予測装置、予測方法および予測プログラム |
JP2019101490A (ja) * | 2017-11-28 | 2019-06-24 | 株式会社東芝 | 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム |
KR101919076B1 (ko) | 2017-12-20 | 2018-11-19 | (주)지오시스템리서치 | 시계열 데이터 예측 시스템 |
JP7067235B2 (ja) | 2018-04-20 | 2022-05-16 | 富士通株式会社 | 機械学習プログラム、機械学習方法および機械学習装置 |
JP2019191777A (ja) * | 2018-04-20 | 2019-10-31 | 富士通株式会社 | 機械学習プログラム、機械学習方法および機械学習装置 |
JP2019204458A (ja) * | 2018-05-25 | 2019-11-28 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP2019204459A (ja) * | 2018-05-25 | 2019-11-28 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP7079662B2 (ja) | 2018-05-25 | 2022-06-02 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP7079663B2 (ja) | 2018-05-25 | 2022-06-02 | 清水建設株式会社 | 電力需要予測システム、学習装置及び電力需要予測方法 |
JP7272575B2 (ja) | 2018-06-29 | 2023-05-12 | 慶應義塾 | データ処理装置、データ処理システム及びプログラム |
JP2020009400A (ja) * | 2018-06-29 | 2020-01-16 | 学校法人慶應義塾 | データ処理装置、データ処理システム及びプログラム |
KR20200051343A (ko) * | 2018-11-05 | 2020-05-13 | (주)엔키아 | 시계열 데이터 예측 모델 평가 방법 및 장치 |
KR102124425B1 (ko) | 2018-11-05 | 2020-06-18 | (주)엔키아 | 시계열 데이터 예측 모델 평가 방법 및 장치 |
JP2020119487A (ja) * | 2019-01-25 | 2020-08-06 | 株式会社 ビーアイマトリックスBi Matrix Co.,Ltd | ピボットテーブル構造のolap結果を用いたディープラーニング予測データ反映システム |
JP2022536825A (ja) * | 2019-04-23 | 2022-08-19 | 日本電気株式会社 | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 |
JP7355115B2 (ja) | 2019-04-23 | 2023-10-03 | 日本電気株式会社 | 操作結果を予測する方法、電子機器、及びコンピュータプログラム製品 |
JP2023025801A (ja) * | 2021-08-11 | 2023-02-24 | 三菱重工業株式会社 | 予測装置、予測方法およびプログラム |
KR102499412B1 (ko) * | 2021-09-27 | 2023-02-13 | 한국생산기술연구원 | 데이터 특성 기반 산업 공정 예측모델 개발 및 그를 사용한 산업 공정 데이터의 예측 방법 |
WO2023119456A1 (ja) * | 2021-12-21 | 2023-06-29 | 富士通株式会社 | 検知プログラム、検知装置、および検知方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6109037B2 (ja) | 2017-04-05 |
US20150112900A1 (en) | 2015-04-23 |
US9811781B2 (en) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6109037B2 (ja) | 時系列データ予測装置、時系列データ予測方法、及びプログラム | |
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
Petelin et al. | Optimization of Gaussian process models with evolutionary algorithms | |
US20220253725A1 (en) | Machine learning model for entity resolution | |
CN117391258B (zh) | 一种负碳排放的预测方法、装置、设备及存储介质 | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
Cheng et al. | Forecast combination with outlier protection | |
Li et al. | Classification-oriented dawid skene model for transferring intelligence from crowds to machines | |
JPWO2014087590A1 (ja) | 最適化装置、最適化方法および最適化プログラム | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
Villa | Bayesian estimation of the threshold of a generalised pareto distribution for heavy-tailed observations | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
JP7458268B2 (ja) | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム | |
CN114821248A (zh) | 面向点云理解的数据主动筛选标注方法和装置 | |
CN108897818B (zh) | 确定数据处理过程老化状态的方法、装置及可读存储介质 | |
CN113850314A (zh) | 客户价值等级预测模型建立方法、装置、介质及设备 | |
Fernández et al. | Diffusion methods for wind power ramp detection | |
CN112906785A (zh) | 基于融合的零样本物体种类识别方法、装置及设备 | |
Vakilzadeh | Stochastic model updating and model selection with application to structural dynamics | |
JP5421842B2 (ja) | 影響力解析装置、影響力解析方法、およびプログラム | |
Liu et al. | Identification of gene regulatory networks using variational bayesian inference in the presence of missing data | |
CN116679981B (zh) | 一种基于迁移学习的软件系统配置调优方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20151126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161228 |
|
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: 20170228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170307 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6109037 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |