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

Abstract

【課題】観測対象の過去の観測値を利用して、観測値の変動のパターンに変化がある場合でも、将来の観測値を精度よく予測する。【解決手段】取得部３２は、所定の観測対象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観測値のデータ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。予測モデル生成部３４は、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。予測部３６は、生成された予測モデルと、予測用データとを用いて観測値の予測値を算出する。【選択図】図３

Description

本発明は、時系列データ予測装置、時系列データ予測方法、及びプログラムに関する。

エネルギー消費量予測に関し、特に、宅内のエネルギー消費量予測を行う宅内エネルギー消費量予測システムについては、例えば特許文献１に開示されている。この技術では、エネルギー消費量計測装置と環境情報収集装置とから受信した時系列のエネルギー消費量情報を関連付けて格納するデータベースを備え、環境情報収集装置から受信する情報とデータベース内の情報とから宅内のエネルギー消費量を予測する。具体的には、データベース内のデータを用い、例えば、指数平滑平均（ＥＳＭＡ）のような統計処理を行って、当該日の消費電力量を予測している。

特開２０１３−１０９５５０号公報

上述した従来技術では、指数平滑化係数の大きさによって予測の精度が大幅に左右されてしまう。そのため、電力使用が同じような日が続く場合と、電力使用が大きく異なる日が続く場合の両方で、精度良く消費電力量を予測することは困難であった。このように、観測値の変動のパターンに変化がある場合に、過去の観測値を利用して、将来の観測値を精度良く予測することは困難であった。

本発明は、このような事情を考慮してなされたもので、観測対象の過去の観測値を利用して、観測値の変動のパターンに変化がある場合でも、将来の観測値を精度よく予測する時系列データ予測装置、時系列データ予測方法、及びプログラムを提供する。

本発明は、上記の課題を解決すべくなされたもので、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（例えば、実施形態による取得部３２）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（例えば、実施形態による予測モデル生成部３４）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（例えば、実施形態による予測部３６）と、を有することを特徴とする時系列データ予測装置である。
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、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。

また、本発明は、上述した時系列データ予測装置であって、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（例えば、実施形態による評価部３５）をさらに備える、ことを特徴とする。
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。

また、本発明は、上述した時系列データ予測装置であって、過去に用いられた予測モデルを格納する記憶部（例えば、実施形態による記憶部３１）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。
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。

また、本発明は、上述した時系列データ予測装置であって、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。
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。

また、本発明は、上述した時系列データ予測装置であって、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。
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。

また、本発明は、上述した時系列データ予測装置であって、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（例えば、実施形態によるズレ量検知部３７）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。
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。

また、本発明は、上述した時系列データ予測装置であって、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（例えば、実施形態によるズレ量検知部３７）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。
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。

また、本発明は、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（例えば、実施形態によるクラスタリング処理部３３）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（例えば、実施形態による予測モデル生成部３４）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（例えば、実施形態による予測部３６）と、を有することを特徴とする時系列データ予測装置である。
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。

また、本発明は、上述した時系列データ予測装置であって、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。
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。

また、本発明は、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である。

また、本発明は、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である。

また、本発明は、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観測値のデータ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である。

また、本発明は、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である。

本発明によれば、観測対象の過去の観測値を利用して、観測値の変動のパターンに変化がある場合でも、将来の観測値を精度よく予測することができる。

本発明の一実施の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。 同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る。 同実施形態による時系列データ予測装置の内部構成を示すブロック図である。 同実施形態による時系列データ予測装置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。 同実施形態による予測モデル生成部の詳細な構成を示すブロック図である。 同実施形態による第１特徴量テーブルを示す図である。 同実施形態による第２特徴量テーブルを示す図である。 同実施形態による予測モデル生成部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。 同実施形態による予測モデル生成部の予測モデル学習処理における動作を示すフローチャートである。 同実施形態による評価部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る。 同実施形態による評価部のクラスタ別予測モデル適用処理の説明図である。 同実施形態による評価部のクラスタ別予測モデル適用処理における動作を示すフローチャートである。

以下、図面を参照して本発明の一実施の形態を説明する。

[予測アルゴリズムの概要]
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。

まず、時系列データ予測装置は、予め記憶している設定ファイルから、予測利用期間、及び予測対象期間を読み出す（ステップＳ１０）。本実施形態では、時系列データが１分ごとの連続した１日分のエネルギー需要量の観測値を表すデータであり、読出対象期間が３６５日、予測利用期間が３日（７２時間）、予測対象期間が２日（４８時間）である場合について説明する。

時系列データ予測装置は、読出対象期間３６５日分の直近の過去の時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ（ｎ＝３６５）をデータベース（ＤＢ）から読み出す（ステップＳ１５）。時系列データ予測装置は、読み出した時系列データのうち、予測利用期間３日分の最新の時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎを将来の予測対象期間２日分の時系列データの予測に用いる予測用データとし、残りの３６２日分の時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ−３を予測モデルの学習に用いる学習用データとする。予測モデルとは、予測利用期間の時系列データを入力パラメータとして入力することにより、予測利用期間の時系列データに続く予測対象期間の時系列データの予測値を算出するための計算式である。

さらに、時系列データ予測装置は、学習用データのうち、予測利用期間と予測対象期間とを合わせた５日分の連続した時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５，Ｘ_ｎ−４，Ｘ_ｎ−３をテストデータとし、残りの時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ−８をトレーニングデータとする。時系列データ予測装置は、テストデータのうち予測利用期間３日分の時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５を評価用テストデータとし、続く予測対象期間２日分の時系列データＸ_ｎ−４，Ｘ_ｎ−３を正解照合用テストデータとする（ステップＳ２０）。

時系列データ予測装置は、全てのトレーニングデータを用いて予測モデルを学習する（ステップＳ２５）。この予測モデルを「クラスタなし予測モデル」と記載する。また、時系列データ予測装置は、トレーニングデータをクラスタリングし（ステップＳ３０）、クラスタ別の予測モデルを学習する（ステップＳ３５）。このクラスタ別の予測モデルを「クラスタ別予測モデル」と記載する。

時系列データ予測装置は、テストデータの評価用テストデータを用いて、最新予測モデル、前予測モデル、及び、平均利用予測モデルによる予測結果を算出する。最新予測モデルは、ステップＳ２５で生成されたクラスタなし予測モデル、及びステップＳ３５で生成されたクラスタ別予測モデルである。前予測モデルは、以前の予測に用いたクラスタなし予測モデル、またはクラスタ別予測モデルである。平均利用予測モデルは、予測利用期間分の連続した時系列データの平均を利用した予測モデルである。時系列データ予測装置は、算出した予測結果を正解照合用テストデータと照合し、最も誤差が少ない予測モデルを選択する（ステップＳ４０）。

最新予測モデルは、最新の電力変動を反映した予測モデルであるため、最近特に大きな変動がない場合に、良い精度で予測を行うことができる。一方、前予測モデルは、良い精度を出した実績がある予測モデルである。前予測モデルは、多少前の予測モデルであることが多いため、最近電力変動が大きい場合に、良い精度で予測を行うことができる。また、夏休みに入った場合など、電力使用のパターンが変わった場合に、平均利用予測モデルを利用すると、追従しやすい。

時系列データ予測装置は、ステップＳ２５で生成したクラスタなし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なし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をＯＮに設定し、クラスタリングフラグをＯＦＦ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、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）。

時系列データ予測装置は、選択した予測モデルにより、予測用データ（時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎ）を用いて、予測対象期間２日分の今後の時系列データの予測結果を算出し、算出した予測結果を出力する（ステップＳ５５）。

［全体構成］
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。

エネルギー需要通知装置１は、例えば、宅内の配電盤などに取り付けられたセンサなどから宅内におけるエネルギー需要量の観測値を所定の時間間隔で取得する。エネルギー需要通知装置１は、取得したエネルギー需要量の観測値と、この観測値を取得した日時とを示す観測データを、時系列データ記憶装置２へ通知する。観測対象であるエネルギー需要量は、例えば、電力需要量、熱需要量、ＥＶ（Electric Vehicle）需要量などである。
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。

図３は、時系列データ予測装置３の内部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。時系列データ予測装置３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、記憶部３１、取得部３２、クラスタリング処理部３３、予測モデル生成部３４、評価部３５、予測部３６、及びズレ量検知部３７を備えて構成される。

記憶部３１は、時系列データ記憶装置２から読み出されたエネルギー需要量の観測値の時系列データ、エネルギー需要予測を行うときの条件が記述された設定ファイル、前予測モデル、需要予測に用いる予測モデルの種類などの各種データを記憶する。需要予測に用いる予測モデルの種類は、クラスタリングフラグ、書き換えフラグ、平均フラグにより示される。クラスタリングフラグは、需要予測に用いる予測モデルとして選択された最新予測モデルまたは前予測モデルが、クラスタ別予測モデルであるか否かを示す。書き換えフラグは、需要予測に用いる予測モデルとして前予測モデルが選択されたか否かを示す。平均フラグは、需要予測に用いる予測モデルとして平均利用予測モデルが選択されたか否かを示す。

取得部３２は、時系列データ記憶装置２から時系列データを読み出す。取得部３２は、設定ファイルに従って、読み出した時系列データを、エネルギー需要の予測に用いる予測用データと、予測モデルの生成に用いる学習用データとに分け、さらに学習用データを、最新予測モデル（クラスタなし予測モデル、及びクラスタ別予測モデル）のモデル学習に用いるトレーニングデータと、予測モデルの評価に用いるテストデータとに分ける。

クラスタリング処理部３３は、取得部３２が取得したトレーニングデータをクラスタリングする。予測モデル生成部３４は、取得部３２が取得した全てのトレーニングデータを用いてクラスタなし予測モデルを生成するとともに、クラスタリング処理部３３によりクラスタリングされたトレーニングデータを用いてクラスタ別予測モデルを生成する。

評価部３５は、取得部３２が取得した評価用テストデータを用いて各種予測モデルによる予測結果を算出し、算出した予測結果を正解照合用テストデータと照合して最も誤差が少ない予測モデルを選択する。各種予測モデルは、予測モデル生成部３４が生成したクラスタなし予測モデル及びクラスタ別予測モデル、記憶部３１に前予測モデルとして記憶されているクラスタなし予測モデルまたはクラスタ別予測モデル、ならびに、平均利用予測モデルである。評価部３５は、需要予測に用いるとして選択した予測モデルの種類を示す情報を記憶部３１に書き込むとともに、選択した予測モデルが最新予測モデルである場合、その選択した最新予測モデルを記憶部３１に書き込む。

予測部３６は、評価部３５が選択した予測モデルにより、取得部３２が取得した予測用データを用いて時系列データの予測結果を算出し、算出した予測結果を出力する。ズレ量検知部３７は、予測用データを用いて予測部３６が算出した予測値と、観測値との差分である実績ズレ量を検知する。
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。

［全体フロー］
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。

まず、時系列データ予測装置３の取得部３２は、３６５日分の直近の過去の時系列データＸ_１，…，Ｘ_ｎ（ｎ＝３６５）を時系列データ記憶装置２から読み出す（ステップＳ１１０）。各時系列データは、連続した１分ごとのエネルギー需要量の１日分の観測値を要素とするベクトルにより表される。なお、時系列データの単位（例えば、１分ごとの連続する観測値からなる１日分）や、時系列データの読出期間（例えば、３６５日）を記憶部３１に記憶されている設定ファイルから読み出すようにしてもよい。取得部３２は、読み出した時系列データを、記憶部３１に書き込む。

取得部３２は、設定ファイルに記述されている予測利用期間、及び予測対象期間に従って、読み出した時系列データの中から予測利用期間分の最新の時系列データを予測用データとし、残りの時系列データを学習用データとする。さらに、取得部３２は、学習用データから予測利用期間と予測対象期間とを合わせたデータ数分の連続した時系列データをテストデータとし、残りの時系列データをトレーニングデータとする（ステップＳ１２０）。

ここでは、取得部３２は、予測利用期間３日分の最新の時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎを予測用データとし、残りの３６２日分の時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ−３を学習用データとする。さらに、取得部３２は、学習用データのうち新しいものから予測利用期間３日と予測対象期間２日とを合わせた５日分の時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５，Ｘ_ｎ−４，Ｘ_ｎ−３をテストデータとし、残りの時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ−８をトレーニングデータとする。そして、取得部３２は、テストデータのうち、古いものから予測利用期間３日分の時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５を評価用テストデータとし、続く残りの予測対象期間２日分の時系列データＸ_ｎ−４，Ｘ_ｎ−３を正解照合用テストデータとする。

予測利用期間分の時系列データの各要素（観測値）を推定する予測モデルの生成には、既知の特徴量と時系列データの要素との組が必要である。そこで、取得部３２は、トレーニングデータから、予測利用期間だけ連続した時系列データからなる予測用トレーニングデータを生成し、生成した予測用トレーニングデータに続く予測対象期間の時系列データを正解取得用トレーニングデータとする。

例えば、取得部３２は、時系列データＸ_１〜Ｘ_３，時系列データＸ_４〜Ｘ_６，時系列データＸ_７〜Ｘ_９，…のように含まれる時系列データが重ならないように予測用トレーニングデータとしてもよく、時系列データＸ_１〜Ｘ_３，時系列データＸ_２〜Ｘ_４，時系列データＸ_３〜Ｘ_５，…のように１日ずつずらして予測用トレーニングデータとしてもよい。

クラスタリング処理部３３は、取得部３２が取得した予測用トレーニングデータをクラスタ分けするカテゴライジングを行う（ステップＳ１３０）。そこで、クラスタリング処理部３３は、予測用トレーニングデータから得られるクラスタリング用特徴量からなるクラスタリング用多次元データを生成する。クラスタリング用特徴値は、予測用トレーニングデータに含まれる時系列データの要素や、予測用トレーニングデータに含まれる時系列データの要素から算出される値（例えば、１５分毎の電力需要量の平均値、電力需要量の最大値と最小値の差など）である。なお、クラスタリング処理部３３は、予測用トレーニングデータをそのままクラスタリング用多次元データとして用いてもよい。クラスタリング処理部３３は、生成したクラスタリング用多次元データを用いてｋ−ｍｅａｎｓ法や自己組織化マップ法により、学習用データをクラスタ分けする。クラスタ数は、学習用データの数に応じて予め決められた数を用いてもよく、クラスタ数を決定する既存の手法により決めてもよい。クラスタ数を決定する既存の手法には、クラスタ数を変えてクラスタ分析を何通りか行い、所定の基準に基づいて最適なクラスタ数を求める方法や、ｋ−ｍｅａｎｓ法により小さいクラスタ数のクラスタに分類した後、分割が適当でないと判断されるまで、各クラスタをさらにｋ−ｍｅａｎｓ法により分割する方法などがある。クラスタリング処理部３３は、記憶部３１の予測用トレーニングデータに、当該予測用トレーニングデータのクラスタを対応付けて書込む。

予測モデル生成部３４は、全ての予測用トレーニングデータとその正解取得用トレーニングデータを用いてクラスタなし予測モデルを学習し、さらに、クラスタリング別にクラスタに属する予測用トレーニングデータとその正解取得用トレーニングデータを用いてクラスタ別予測モデルを生成する（ステップＳ１４０）。予測モデル生成部３４により学習される予測モデルは、予測利用期間の時系列データから、予測利用期間の時系列データの観測値それぞれの予測値を算出する近似モデルにより構成される。各近似モデルは、観測値の予測に影響を与えると判断された特徴量のみを入力パラメータとして用いたエネルギー需要量の予測式である。なお、この予測モデル生成処理の詳細については後述する。

評価部３５は、評価用テストデータ（時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５）を用いて、ステップＳ１４０において生成された最新予測モデルであるクラスタなし予測モデル、及びクラスタ別予測モデルと、記憶部３１に記憶されている前予測モデル（前クラスタなし予測モデルまたは前クラスタ別予測モデル）と、平均利用予測モデルによる予測結果を算出する。評価部３５は、算出した予測結果を正解照合用テストデータ（時系列データＸ_ｎ−４，Ｘ_ｎ−３）と照合して最も誤差が少ない予測モデルを選択する（ステップＳ１５０）。なお、評価部３５は、最新予測モデルを選択した場合、クラスタなし予測モデル、及びクラスタ別予測モデルの両方を記憶部３１に書き込むようにしてもよい。

評価部３５は、クラスタなし予測モデルを選択した場合、記憶部３１にクラスタなし予測モデルを書込むとともに、記憶部３１の予測モデル書き換えフラグをＯＮに設定し、クラスタリングフラグ、及び平均フラグをＯＦＦに設定する。また、評価部３５は、クラスタ別予測モデルを選択した場合、記憶部３１にクラスタ別予測モデルを書込むとともに、記憶部３１の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に設定し、平均フラグをＯＦＦに設定する。また、評価部３５は、前予測モデルを選択した場合、記憶部３１の予測モデル書き換えフラグ及び平均フラグをＯＦＦに設定し、クラスタリングフラグはそのままとする。また、評価部３５は、平均利用予測モデルを選択した場合、記憶部３１の平均フラグをＯＮに設定する。

予測部３６は、ステップＳ１５０において評価部３５が選択した予測モデルにより予測用データ（時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎ）を用いて予測結果を算出し、算出した予測結果を出力する（ステップＳ１６０）。例えば、時系列データ予測装置３は、１日に１回ステップＳ１１０〜ステップＳ１５０までの処理を行い、予測モデルを選択する。そして、時系列データ予測装置３の予測部は、１時間ごとに評価部３５が選択した予測モデルにより予測用データを用いて算出した４８時間分の予測結果の中から、現在の時刻から２４時間先までの予測結果を出力する。

なお、上記においては、予想用データの直前の時系列データをテストデータとし、予測モデルの学習に用いていないが、トレーニングデータの中に、直近の使用状況と近いものがあるほど、予測精度の高い予測モデルを生成することができる。そこで、取得部３２は、予測用データと、学習用データに含まれる予測利用期間３日分の連続した時系列データとの相関を求め、相関が所定より高いと判断されたものだけを予測用トレーニングデータとして選択するようにしてもよい。つまり、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予測対象期間２日分の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。この場合、時系列データ予測装置３は、相関を求めずにトレーングデータを取得した場合と比較して、クラスタ数を減少させてもよく、クラスタ別予測モデルを生成しないようにしてもよい。

また、前回、平均利用予測モデルを使用した場合、今までにない新たな時系列パターンになったと考えられる。そこで、取得部３２は、記憶部３１の平均フラグがＯＮになっている場合、前回の予測用データと、その前の所定の数日間のデータをトレーニングデータに含めるようにしてもよい。

また、取得部３２は、学習用データのうち、予測用データと同じ曜日の連続する時系列データが評価用テストデータとなるようにテストデータを取得してもよい。
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。

予測結果の出力後、次の最新予測モデル生成までの間に、ズレ量検知部３７は、予測の対象となった日時における電力需要の観測値を時系列データ記憶装置２から読み出し、読み出した観測値と、予測部３６が出力した予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３７は、検知した実績ズレ量が所定値よりも大きい場合、取得部３２に予測モデルの生成のやり直しを指示する。これにより、時系列データ予測装置３は、条件を変えてステップＳ１２０またはステップＳ１３０からの処理を繰り返す。

実績ズレ量が、ズレ量が大きいと判断される所定の基準を超えている場合、ステップＳ１２０において、取得部３２は、学習用データを再選択する。取得部３２は、学習用データに含まれる時系列データＸ_１，Ｘ_２，…，Ｘ_ｎ−３のうち、時系列データＸ_{ｎ−（ｉ＋４）}〜Ｘ_ｉをトレーニングデータとし、Ｘ_１〜Ｘ_{ｎ−（ｉ＋５）}及びＸ_{ｎ−（ｉ＋１）}〜Ｘ_ｎ−３をトレーニングデータとするなど、学習用データのうち新しい所定期間の時系列データをトレーニングデータに含めるようにする。
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。

また、実績ズレ量が、ズレ量が中程度であると判断される所定の基準を超えている場合、ステップＳ１３０からにおいて、クラスタリング処理部３３は、クラスタ数を変えるなどして予測モデルの計算をやり直す。

実績ズレ量が所定値よりも小さく、かつ、記憶部３１の平均フラグがＯＦＦであり、予測部３６が予測値の算出に平均利用予測モデル以外の予測モデル（クラスタなし予測モデル、クラスタ別予測モデル、前予測モデル）が用いられた場合、ズレ量検知部３７は、予測用データを用いて平均利用予測モデルにより算出した予測値と、観測値との差分を算出する。算出された差分が所定以下である場合、次の最新予測モデルの生成までの間、予測部３６は、平均利用予測モデルを用いて時系列データの予測値を算出する。これにより、予測値の計算量が軽減される。

評価部３５は、予測部３６が出力した予測結果に対応した日時の観測値が得られた後、事後的に、予測モデルを評価し、記憶部３１の各種フラグを書き換えてもよい。つまり、評価部３５は、予測結果を得たときに用いた予測用データを用いて、クラスタ別予測モデル、クラスタあり予測モデル、前予測モデル、及び、平均利用予測モデルのそれぞれにより予測結果を算出し、観測値との誤差が最も小さい予測モデルを選択する。評価部３５は、選択した予測モデルに応じて、ステップＳ１５０の処理と同様に、記憶部３１の予測モデル書き換えフラグ、クラスタリングフラグ、及び平均フラグを書き換え、クラスタ別予測モデル、またはクラスタあり予測モデルが選択された場合、選択された予測モデルを記憶部３１に書き込む。

続いて、予測モデル生成部３４、評価部３５、及び予測部３６の詳細な動作について説明する。

［予測モデル生成部３４の詳細な構成と動作］
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。

トレーニングデータ取得部４０は、クラスタなし予測モデルやクラスタ別予測モデルを生成するために使用す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対応した正解取得用トレーニングデータを取得する。

第１特徴量抽出部４１は、予測モデルを構成する近似モデルの学習に用いる予測用トレーニングデータから特徴量を取得するとともに、当該予測用トレーングデータに続く正解取得用トレーニングデータから電力需要量を読み出す。第１特徴量抽出部４１は、特徴量と電力需要量とを対応付けた予め設定された特徴量テーブルテンプレートに書き込んで図６に示す第１特徴量テーブルを生成する。
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Ｄ_０〜Ｄ_ｄｎ毎に抽出された特徴量（ｘ_１〜ｘ_ｍ）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。

図５に示す第２特徴量抽出部４２は、ＡＲＤ（Ａｕｔｏｍａｔｉｃ Ｒｅｌｅｖａｎｃｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ）をモデル学習に用いた手法、例えばＶＢＳＲ（Ｖａｒｉａｔｉｏｎａｌ Ｂａｙｅｓｉａｎ Ｓｐａｒｓｅ Ｒｅｇｒｅｓｓｉｏｎ）の手法を用いたモデル学習を行い、第１特徴量から電力需要量の推定に寄与しない特徴量を除去することにより（詳細に後述）、第１特徴量から第２特徴量を抽出する。

また、第２特徴量抽出部４２は、予め設定された特徴量テーブルテンプレートに対して、近似モデルの学習に用いる各予測用トレーニングデータについて抽出された第２特徴量と、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取得した電力需要量を書き込み、図７に示す第２特徴量テーブルを生成する。
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Ｄ_０〜Ｄ_ｄｎ毎に抽出された特徴量（ｘ_１〜ｘ_ｓ）及び電力需要量が示されている。ここで、ｍ＞ｓである。

図５に示す予測モデル作成部４３は、第２特徴量テーブルの第２特徴量と電力需要量とから、複数の関数（基底関数）とこの関数の重み付けの係数とから近似される近似モデルを作成する。ここで、予測モデル作成部４３は、クリギング（Ｋｒｉｇｉｎｇ）法あるいはＳＶＲ（Ｓｕｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法などにより、特徴量を通過するように近似モデルの基底関数それぞれの係数（クリギング法の場合にはクリギング係数）を求めるモデル学習の処理を行う（後述）。予測モデル作成部４３は、予測利用期間の時系列データの観測値それぞれを予測する近似モデルから予測モデルを生成する。

以下、第２特徴量抽出部４２が行う、第１特徴量における電力需要量の算出に寄与しない特徴量のリダクション処理について説明する。以下の説明において、ＡＤＲの手法の一例としてＶＢＳＲ法による近似モデルのモデル学習を用いた場合を説明する。
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。

この（１）式において、ｙ_ｍｅａｎは電力需要量の平均値であり、ｘ_ｉは特徴量であり、μはバイアスであり、θ_ｉは特徴量ｘ_ｉの重み付け係数であり、Ｄはモデル式での予測時に有効な特徴量ｘの種類の数である。この（１）式の予測近似式は、特徴量と重み付け係数との単純な線形結合で表されており、１次元では直線となり、２次元では平面となる。

また、（１）式の関係を有する重み付け係数を求めるため、第２特徴量抽出部４２は、以下の計算を行う。
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。

また、（３）式に対して第２特徴量抽出部４２は、ラプラス近似による以下の（４）式及び（５）式の各々を用いて、それぞれ、Ｅ（Ｑ（θ））、Ｅ（Ｑ（α））が最大値となるＱ（θ）及びＱ（α）を求める。

（４）式において、Ｈはヘッセ行列である。また、（５）式において、＜θ_ｉ ^２＞_Ｑ（θ）は、Ｑ（θ）におけるθ_ｉ ^２の期待値を示している。

次に、第２特徴量抽出部４２は、α_ｉ＝１（ｉ＝１、２、…、Ｄ）、θ_ｉ＝０（ｉ＝１、２、…、Ｄ）として初期化し、勾配∂Ｅ／∂θを求め、この勾配から∂Ｅ^２／∂θ∂θ^ｔにより、ヘッセ行列を算出する。このヘッセ行列において、θ^ｔは、θの転置行列である。
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。

次に、第２特徴量抽出部４２は、更新した際に、予め設定されたリダクション閾値未満のθ_ｉを削除し、新たに∂Ｅ／∂θを求め、∂Ｅ^２／∂θ∂θ^ｔにより、ヘッセ行列を算出し、（４）式及び（５）式を用いてθ及びαの更新処理を行う。ここで、リダクション閾値は、シミュレーション結果などに実験的に求めた、電力需要量の推定に寄与しないとする係数θの値として予め設定しておく。

そして、第２特徴量抽出部４２は、上記リダクション閾値未満のθ_ｉが無くなるまで上述した勾配を求め、θ及びαを更新する処理を繰り返す。
第２特徴量抽出部４２は、リダクション閾値未満のθ_ｉ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。

次に、予測モデル作成部４３が行う、第２特徴量を用いたモデル学習による近似モデル作成処理について説明する。以下の説明において、一例としてクリギング法によるモデル学習を用いた場合を説明する。
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ｘ_ｉからなる関数ｆ_ｉ（ｘ_ｉ）と、その重み係数Ｃ_ｉとからなる予測値ｙ_ａを推定する近似モデルである。

この（６）式において、重み係数Ｃ_ｉ、関数ｆ_ｉ（ｘ_ｉ）は、以下の（７）式及び（８）式により表される。この添字ｉは近似モデルを作成する際に用いた予測用トレーニングデータを示す番号である。

上記（７）式において、Ｒ（ｘ_ｉ，ｘ_ｊ）^−１は特徴量の空間相関行列の逆行列であり、空間相関行列Ｒ（ｘ_ｉ，ｘ_ｊ）は、以下の（９）式及び（１０）式で表される。また、Ｒ（ｘ，ｘ_ｉ）は予測における特徴量と第２特徴量における特徴量との空間的な位置関係を示した行列であり、Ｒ（ｘ_ｉ，ｘ_ｊ）は第２特徴量における特徴量間の位置関係を示した行列である。また、（９）式における係数βは、以下の（１０）式で表される。

上記（９）式においてＤは近似モデルを構成する特徴量の数であり、（１０）式において添字ｄは特徴量の番号を示している。θはクリギング係数であり、空間相関の影響範囲を決める数値である。ｐは空間相関の関係の滑らかさを決める数値である。
また、（９）式における空間相関行列Ｒにおける縦行列ｒ_ｉ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。

（６）式において、バイアスＣ_０は、以下の（１２）式により表される。この（１２）式においてＩは単位ベクトルである。

また、クリギング係数θは、各々の特徴量ｘ^ｄ毎に求められ、以下の（１３）式により、尤度Ｌｎを最大化するように決定する。

この（１３）式において、近似分散値σ^２は、（１４）式により求められる。この（１４）式において、Ｎは上述した近似モデルの生成に用いたトレーニングデータの数である。

予測モデル作成部４３は、上述したｌｎ（Ｌｎ）が最大となるクリギング係数θを特徴量毎に求める。クリギング係数θ及び係数ｐの最適化手法としては、（１３）式を用いて、勾配法、焼き鈍し法、遺伝的アルゴリズムが用いられている。本実施形態においては、局所的最適解に収束する場合を防止するため、遺伝的アルゴリズムにより、大域的な探索を行い、その後にｌｎ（Ｌｎ）が最大として収束させるため、焼き鈍し法を用いている。

次に、予測モデル生成部３４の動作を説明する。
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）。

続いて、トレーニングデータ取得部４０は、まだ選択していないクラスタを１つ選択する（ステップＳ２３０）。トレーニングデータ取得部４０は、選択したクラスタに属する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対応する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Ｓ２４０）、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ステップＳ２３０において選択されたクラスタのクラスタ別予測モデルとする（ステップＳ２５０）。まだ選択していないクラスタがある場合（ステップＳ２６０）、予測モデル生成部３４は、ステップＳ２３０の処理に戻る。トレーニングデータ取得部４０は、まだ選択していないクラスタを１つ選択し（ステップＳ２３０）、予測モデル生成部３４は、ステップＳ２４０、ステップＳ２５０の処理を行う。そして、すべてのクラスタを選択した場合、予測モデル生成部３４は、処理を終了する（ステップＳ２６０）。

図９は、予測モデル生成部３４による予測モデル学習処理における動作を示すフローチャートである。
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）。

次に、第２特徴量抽出部４２は、ＶＢＳＲ法などのＡＲＤをモデル学習に用いた手法により、記憶部３１の第１特徴量テーブルから読み込んだ第１特徴量から、予測対象の要素の推定に寄与しない特徴量を除去する（ステップＳ３４０）。そして、第２特徴量抽出部４２は、第１特徴量において除去されずに残った特徴量を、第２特徴量として抽出し（ステップＳ３５０）、第２特徴量テーブルを生成して記憶部３１に書き込んで記憶させる（ステップＳ３６０）。

次に、予測モデル作成部４３は、記憶部３１の第２特徴量テーブルから第２特徴量を読み込む。そして、予測モデル作成部４３は、読み込んだ第２特徴量に含まれる特徴量及び（１３）式を用いたクリギング法によるモデル学習を行い（ステップＳ３６０）、クリギング予測式である近似モデルを生成する（ステップＳ３７０）。

予測モデル作成部４３は、まだ予測対象としていない要素がある場合はステップＳ３２０に戻って、まだ未選択の要素を選択して予測対象とし、ステップＳ３３０からの処理を繰り返す（ステップＳ３８０）。予測モデル作成部４３は、予測対象期間の２日間に含まれる要素を全て選択した場合、各要素について生成した近似モデルの組を、予測モデルとする（ステップＳ３９０）。クラスタ生成処理が、ステップＳ２２０から実行された場合、生成された予測モデルはクラスタなし予測モデルとなり、ステップＳ２５０から実行された場合、生成された予測モデルはクラスタ別予測モデルとなる。

上述したように、予め電力需要量の予測に寄与しない特徴量を、ＡＲＤを用いたモデル学習により削除し、電力需要量の推定に寄与する特徴量のみで、クリギング法を行い最終的な近似モデルを作成するため、クリギング法のみによる近似モデルの生成を行う従来例に比較して、より短い時間で近似モデルを生成することができる。
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。

［評価部３５の詳細な動作］
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Ｘ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−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Ｘ_ｎ−４’、Ｘ_ｎ−３’を得る。

続いて、評価部３５は、クラスタリング用特徴量に基づいて、評価用テストデータが各クラスタに属する確率を算出すると、クラスタ毎に生成されたクラスタ別予測モデルを算出した確率を用いて合成し、合成したクラスタ別予測モデルにより評価用テストデータを用いて予測結果を算出する。すなわち、評価部３５は、クラスタ毎に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日分の各要素の予測値を算出し、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得る。評価部３５は、各クラスタについて得られた予測対象期間２日分の時系列データの予測結果に、クラスタに属する確率であるクラスタ近傍指数を乗算し、各クラスタについて得られた予測値とクラスタ近傍指数との乗算結果の合計を、予測対象期間２日分の時系列データの予測結果Ｘ_ｎ−４’、Ｘ_ｎ−３’として算出する（ステップＳ４３０）。

評価部３５は、記憶部３１から、前予測モデルとクラスタリングフラグを読み出す。クラスタリングフラグがＯＦＦである場合（ステップＳ４４０：ＮＯ）、評価部３５は、前予測モデルがクラスタなし予測モデルであると判断する。評価部３５は、ステップＳ４２０と同様に、抽出した特徴量を入力パラメータとして前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Ｘ_ｎ−４’、Ｘ_ｎ−３’を算出する（ステップＳ４５０）。
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Ｘ_ｎ−４’、Ｘ_ｎ−３’を算出する（ステップＳ４６０）。

ステップＳ４５０またはステップＳ４６０の処理の後、評価部３５は、評価用テストデータを用いて、平均利用予測モデルにより予測結果を算出する。具体的には、評価部３５は、予測利用期間３日分の評価用テストデータ（時系列データＸ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５）の平均を１日目の予測結果Ｘ_ｎ−４’とし、新しいものから２日分の評価用テストデータ（時系列データＸ_ｎ−６，Ｘ_ｎ−５）と１日目の予測結果Ｘ_ｎ−４’との平均を予測対象期間２日目の予測結果Ｘ_ｎ−３’として算出する（ステップＳ４７０）。

評価部３５は、各予測モデルにより算出した予測結果Ｘ_ｎ−４’、Ｘ_ｎ−３’を正解照合用テストデータ（時系列データＸ_ｎ−４，Ｘ_ｎ−３）と照合し（ステップＳ４８０）、最も誤差が少ない予測モデルを選択する（ステップＳ４９０）。誤差の算出には、例えば、赤池情報量基準（ＡＩＣ：統計モデルの良さを評価するための指標）を用いることができる。具体的には、以下の（１５）式により、正解と予測の残差平方和から、分散の最尤推定量を計算して最大対数尤度ｌｌ（σ^２＾，ａ＾，ｂ＾，ｃ＾，…｜ｘ，ｙ）を求め、（１６）式のｌｎＬに（１５）式により求めた最大対数尤度を用いてＡＩＣを計算する。求めたＡＩＣの値が小ほど、誤差が小さい。なお、ｘ，ｙは、正解照合用テストデータＸ_ｎ−４、Ｘ_ｎ−３の要素、予測結果Ｘ_ｎ−４’、Ｘ_ｎ−３’の要素、ａ＾，ｂ＾，ｃ＾，…は、ｘからｙを算出するための多項式のモデルの推定された係数、ｎはモデルのデータ数、σ^２＾は推定された偏差、ｋはモデルのパラメータ数である。

評価部３５は、選択に基づいて、記憶部３１の記憶内容を更新する。評価部３５は、クラスタなし予測モデルを選択した場合、記憶部３１にクラスタなし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をＯＮに設定し、クラスタリングフラグ及び平均フラグをＯＦＦに設定する。一方、評価部３５は、クラスタ別予測モデルを選択した場合、記憶部３１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に設定し、平均フラグをＯＦＦに設定する。また、評価部３５は、前予測モデルを選択した場合、書き換えフラグ及び平均フラグをＯＦＦに設定し、平均利用予測モデルを選択した場合、書き換えフラグをＯＦＦに設定し、平均フラグをＯＮに設定する。評価部３５は、最新予測モデルを記憶部３１に書き込む場合、予測モデルを構成する各近似モデルの重み付けパラメータの値を書込む。

予測部３６は、ステップＳ４９０において評価部３５が選択した予測モデルにより予測用データ（時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎ）を用いて予測結果を算出し、算出した予測結果を出力する。

図１１は、クラスタ別予測モデル適用処理の説明図である。
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Ｐ_ｃ、クラスｃのクラスタをＳ_ｃとすると、クラスｃのクラス所属確率Ｐ_ｃはテストデータ（評価用テストデータ）がクラスタＳ_ｃ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、作成したクラス分類モデルを用い、評価用テストデータから抽出されたクラスタリング用特徴量について、クラス所属確率Ｐ_ｃ（ｃ＝１，２，…，Ｃ）を算出する。評価部３５は、各クラスタＳ_ｃに分類されているクラスタ別予測モデルＭ_ｃそれぞれを用いて評価用テストデータから算出した解ＡＮＳ_ｃを、以下の（１７）式に示すように、その解ＡＮＳ_ｃの算出に用いたクラスタ別予測モデルＭ_ｃに対応するクラス所属確率Ｐ_ｃに応じて重み付けして足し合わせたＡＮＳを、予測結果とする。

図１２は、評価部３５のクラスタ別予測モデル適用処理における動作を示すフローチャートあり、図１０のステップＳ４３０の詳細な処理を示す。
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）。

ロジスティック回帰分析では、Ｘを従属変数のベクトル、ｘ_ｉを説明変数、θを重みとした場合、以下の（１８）式を最大化することによって、目的変数であるクラス所属確率Ｐを（１９）式により得る。ただし、Ｘ＝（ｘ_１，ｘ_２，…，ｘ_Ｄ）、θ＝（θ_０，θ_１，θ_２，…，θ_Ｄ）、θ_ｄはクラスタリング用特徴量ｘ_ｄ（ｄ＝１，２，…，Ｄ）の重み、Ｄはクラスタリング用特徴量の種類の数である。なお、添え字（ｃ）、（ｋ）はクラスを示す。また、確率Ｐ（Ｓ_ｃ｜Ｘ）は、Ｘが与えられたときにクラスタＳ_ｃが得られる事後確率である。

上記より、既知判別結果を持つＮ個の予測用トレーニングデータがあるときの入力ｘと出力ｙの関係は、以下の（２０）式となる。

評価部３５は、記憶部３１から読み出した予測用トレーニングデータのクラスタリング用特徴量を用いて、上記の（２０）式が最大となるように重みθを決定する。予測用トレーニングデータがＮ個である場合、ｎ個目（ｎ＝１，２，…，Ｎ）の予測用トレーニングデータのクラスタリング用特徴量を従属変数のベクトルＸ_ｎ、クラスが正解のときのｙ_ｎ ^（ｃ）を１、クラスが正解ではないときのｙ_ｎ ^（ｃ）を０とする。クラスが正解とは、クラスｃのクラスタＳ_ｃが予測用トレーニングデータに設定されているクラスタと一致することをいう。なお、Ｐ_ｎ ^（ｃ）は、上記の（１９）式により算出する。

評価部３５は、（２０）式が最大となるように決定したθを用いて、以下の（２１）式に示すクラス所属確率の導出式、すなわちクラス分類モデルを生成する。なお、ｔは転置を示し、Ｘ_ｎは分類対象の入力データである。

評価部３５は、ステップＳ５２０において生成したクラス分類モデルである（２１）式を用い、評価用テストデータから取得したクラスタリング用特徴量をＸ_ｎとして、当該評価用テストデータのクラス所属確率Ｐ_ｎ ^（１）〜Ｐ_ｎ ^（Ｃ）を算出する（ステップＳ５３０）。評価部３５は、図４のステップＳ１４０において生成されたクラスタ別予測モデルＭ_１〜Ｍ_Ｃそれぞれを用い、ステップＳ５１０において取得した評価用テストデータの特徴量から解ＡＮＳ_１〜ＡＮＳ_Ｃを算出する。つまり、評価部３５は、クラスタＳ_ｃ（ｃ＝１，２，…，Ｃ）毎に、クラスタＳ_ｃのクラスタ別予測モデルを構成する予測対象期間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Ｘ_ｎ−７，Ｘ_ｎ−６，Ｘ_ｎ−５）の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分の時系列データであるＡＮＳ_ｃを算出する。評価部３５は、上述した（１７）式を用いて解ＡＮＳ_ｃ（ｃ＝１，２，…，Ｃ）を、クラス所属確率Ｐ_ｎ ^（１）〜Ｐ_ｎ ^（Ｃ）として得られたクラス所属確率Ｐ_ｃにより重み付けして合算し、予測値を算出する（ステップＳ５４０）。

評価部３５は、図１０のステップＳ４９０においてクラスタ別予測モデルを選択した場合、各クラスタのクラスタ別予測モデルを記憶部３１に書き込むとともに、各クラスタのクラス分類モデルも書き込む。そして、評価部３５は、図１０のステップＳ４６０において前予測モデルであるクラスタ別予測モデルにより予測値を算出する場合、クラス分類モデルを記憶部３１から読み出し、図１２のステップＳ５３０からの処理を行う。

なお、評価部３５は、算出されたクラス所属確率のうち最も高いクラス所属確率のクラスのクラスタに分類されているクラスタ別予測モデルを選択し、選択したクラスタ別予測モデルのみを用いて評価用テストデータから予測値を算出してもよい。例えば、評価用テストデータについて算出したクラス所属確率Ｐ_ｎ ^（１）〜Ｐ_ｎ ^（Ｃ）のうち、最も高いクラス所属確率はＰ_ｎ ^（１）である場合、評価部３５は、クラス所属確率が最も高いクラス１のクラスタＳ_１に分類されているクラスタ別予測モデルＭ_１を選択する。評価部３５は、選択したクラスタ別予測モデルＭ_１を用いて評価用テストデータから各要素のＡＮＳ_１を求め、予測値とする。

［予測部３６の詳細な動作］
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Ｘ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎ）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。

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、予測用データからクラスタリング用特徴量を抽出し、図１２のステップＳ５３０、ステップＳ５４０と同様の処理により、予測結果を算出する。つまり、予測部３６は、ステップＳ５２０において評価部３５が生成したクラス分類モデルである（２１）式を用い、予測用データから取得したクラスタリング用特徴量をＸ_ｎとして、当該予測用データのクラス所属確率Ｐ_ｎ ^（１）〜Ｐ_ｎ ^（Ｃ）を算出する。予測部３６は、図４のステップＳ１４０において生成されたクラスタ別予測モデルＭ_１〜Ｍ_Ｃ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、予測用データの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であるＡＮＳ_ｃを算出する。予測部３６は、（１７）式を用いて解ＡＮＳ_ｃ（ｃ＝１，２，…，Ｃ）を予測用データのクラス所属確率Ｐ_ｃにより重み付けして合算し、予測値を算出する。

評価部３５が前予測モデルであるクラスタなし予測モデルを選択した場合、予測部３６は、記憶部３１から前予測モデルを読み出し、読み出した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する。予測部３６は、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。

評価部３５が前予測モデルであるクラスタ別予測モデルを選択した場合、予測部３６は、記憶部３１から前予測モデルとクラス分類モデルを読み出す。予測部３６は、図１２のステップＳ５３０、ステップＳ５４０と同様の処理により、予測値を算出する。つまり、予測部３６は、読み出したクラス分類モデルである（２１）式を用い、予測用データから取得したクラスタリング用特徴量をＸ_ｎとして、当該予測用データのクラス所属確率Ｐ_ｎ ^（１）〜Ｐ_ｎ ^（Ｃ）を算出する。予測部３６は、読み出した前予測モデルであるクラスタ別予測モデルＭ_１〜Ｍ_Ｃ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、予測用データの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であるＡＮＳ_ｃを算出する。予測部３６は、上述した（１７）式を用いて解ＡＮＳ_ｃ（ｃ＝１，２，…，Ｃ）を予測用データのクラス所属確率Ｐ_ｃにより重み付けして合算し、予測値を算出する。

評価部３５が平均利用予測モデルを選択した場合、予測部３６は、予測用データ（時系列データＸ_ｎ−２，Ｘ_ｎ−１，Ｘ_ｎ）の平均を１日目の予測結果とし、新しいものから２日分の予測用データ（時系列データＸ_ｎ−１，Ｘ_ｎ）と１日目の予測結果との平均を２日目の予測結果として算出する。

［効果］
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。

［その他］
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、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
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。

１ エネルギー需要通知装置
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
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。

Images