JP2016195974A - 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法 - Google Patents

Abstract

【課題】 水処理後の水質の予測を精度よくかつ確実に行う予測ルールを生成する。【解決手段】 予測ルール生成システム１のコンピュータ１０は、水処理を行う活性汚泥中に存在する複数の微生物それぞれの存在割合又は当該活性汚泥中に存在する複数の塩基配列それぞれの存在割合の時系列データ、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力部１２と、入力された時系列データに対して主成分分析を行って、時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析部１３と、算出された主成分スコア、及び入力された水処理後の水質を示す水質情報に基づいて、複数の微生物それぞれ又は複数の塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成部１４とを備える。【選択図】 図１

Description

本発明は、水処理後の水質を予測するための予測ルールを生成する予測ルール生成システム及び予測ルール生成方法、並びにそれらに関連する予測システム及び予測方法に関する。

化学や鉄鋼といった重化学工業等における排水は、ヒトや環境生物に対する影響を十分に低下させた状態で自然環境中に排出することが望まれている。そのための排水処理として、複合微生物系である活性汚泥が用いられた生物処理が行われている。通常、適切に排水処理を行うため、処理後の排水の水質監視が行われる。具体的には、処理後の排水の生物化学的酸素要求量（ＢＯＤ）、化学的酸素要求量（ＣＯＤ）、全有機炭素（ＴＯＣ）、全窒素（ＴＮ）等の水質データを測定すること等により水質監視が行われる。生物処理において重要な管理指標であるＢＯＤは、測定結果が得られるまでに通常５日間程度の時間を要するため、他の水質データや、温度、ｐＨ、溶存酸素濃度（ＤＯ）等の生物反応槽の運転パラメータをもとにその日のＢＯＤが推測されることがある。また、現在の排水の状態から、ＢＯＤ、ＣＯＤ、ＴＯＣ、ＴＮ等の水質データの将来の値を予測することも管理上重要であり、水質の時系列データや生物反応槽の運転パラメータの時系列データに基づいて、ＢＯＤ（生物化学的酸素要求量）等の予測が行われることもある（特許文献１及び２参照）。

特開２００７−２２９５５０号公報 特開２００７−２６３７２３号公報

しかしながら、上述したような水質や生物反応槽の運転パラメータの時系列データを用いた予測は、活性汚泥中の微生物叢の状態が考慮されて行われるものではなく、十分な精度での予測が行えない場合があった。多様な排水を処理している状況では、特に予測が難しくなっている。そこで、処理後の水の状態予測において、予測精度の向上が求められていた。

本発明は、上記に鑑みてなされたものであり、水処理後の水質の予測を精度よくかつ確実に行う予測ルールを生成することができる予測ルール生成システム及び予測ルール生成方法、並びにそれらに関連する予測システム及び予測方法を提供することを目的とする。

上記目的を達成するために、本発明に係る予測ルール生成システムは、水処理を行う活性汚泥中に存在する複数の微生物それぞれの存在割合又は当該活性汚泥中に存在する複数の塩基配列それぞれの存在割合の時系列データ（以後、「微生物情報の時系列データ」と記すことがある）、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力手段と、入力手段によって入力された時系列データに対して主成分分析を行って、当該時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析手段と、主成分分析手段によって算出された、時系列データを構成する各時刻におけるデータの主成分スコア、及び入力手段によって入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報に基づいて、複数の微生物それぞれの存在割合、又は複数の塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成手段と、を備える。水処理後の水質としては、例えば、処理後の水における生物化学的酸素要求量（ＢＯＤ）、化学的酸素要求量（ＣＯＤ）、全有機炭素（ＴＯＣ）または全窒素（ＴＮ）等が挙げられる。

本発明に係る予測ルール生成システムでは、水処理を行う活性汚泥中に存在する微生物又は塩基配列の存在割合の時系列データと、当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報とに基づいて予測ルールが生成される。従って、活性汚泥中の微生物叢の状態を考慮した予測を行うことができ、水質や生物反応槽の運転パラメータの時系列データのみを用いた予測と比べて精度よく予測を行うことができる。

また、本発明に係る予測ルール生成システムでは、主成分分析が行われる。通常、活性汚泥中に存在する微生物の種類の数は膨大である。微生物情報の時系列データに対して主成分分析を行うことで、全ての情報を取り込んで情報量を落とすことなく、少ない変数で微生物情報を表現することができる。本発明のように主成分分析を行って、予測ルールの生成に用いる変数を少なくすることで、確実に予測ルールの生成を行うことができる。即ち、本発明に係る予測ルール生成システムによれば、水処理後の水質の予測を精度よくかつ確実に行う予測ルールを生成することができる。

主成分分析手段は、相関行列を用いた主成分分析を行うこととしてもよい。分散共分散行列を用いた主成分分析では、多数種の微生物の挙動が主に反映されるのに対し、この構成のように相関行列を用いた主成分分析を行った場合、分散共分散行列を用いる場合と比べて多くの変数が必要となるものの、少数種の微生物（存在割合が小さい微生物）の挙動をより反映した予測ルールを生成することができる。水処理後の水質には、少数種の微生物の挙動が影響することがある。従って、この構成によれば、更に精度よく予測を行う予測ルールを生成することができる。

予測ルール生成手段は、主成分分析手段によって算出された、時系列データを構成する各時刻におけるデータの主成分スコアを予測ルールにおける入力とし、入力手段によって入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を予測ルールにおける出力とした機械学習を行うことで予測ルールを生成することとしてもよい。この構成によれば、確実に予測ルールを生成することができる。

予測ルール生成システムは、活性汚泥中に存在する複数の微生物から遺伝子の塩基配列を読み取る読取手段と、読取手段によって読み取られた遺伝子の塩基配列に基づき時系列データを生成して入力手段に入力させるデータ生成手段と、を更に備えることとしてもよい。この構成によれば、微生物又は塩基配列の存在割合の時系列データを確実に入力することができ、確実に本発明を実施することができる。

本発明に係る予測システムは、本発明に係る予測ルール生成システムによって生成された予測ルールに基づき、水処理後の水質を予測する予測システムであって、予測対象となる複数の微生物それぞれの存在割合又は予測対象となる複数の塩基配列それぞれの存在割合のデータを入力する入力手段と、予測ルール生成システムによる主成分分析に基づいて、入力手段によって入力された予測対象のデータの主成分スコアを算出する主成分分析手段と、予測ルール生成システムによって生成された予測ルールに基づき、主成分分析手段によって算出された予測対象のデータの主成分スコアから水処理後の水質を予測する予測手段と、を備える。本発明に係る予測システムによれば、予測ルール生成システムによって生成された予測ルールに基づいた予測を行うことができる。

ところで、本発明は、上記のように予測ルール生成システム及び予測システムの発明として記述できる他に、以下のように予測ルール生成方法及び予測方法の発明としても記述することができる。これはカテゴリが異なるだけで、実質的に同一の発明であり、同様の作用及び効果を奏する。

即ち、本発明に係る予測ルール生成方法は、予測ルール生成システムの動作方法である予測ルール生成方法であって、水処理を行う活性汚泥中に存在する複数の微生物それぞれの存在割合又は当該活性汚泥中に存在する複数の塩基配列それぞれの存在割合の時系列データ、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力ステップと、入力ステップにおいて入力された時系列データに対して主成分分析を行って、当該時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析ステップと、主成分分析ステップにおいて算出された、時系列データを構成する各時刻におけるデータの主成分スコア、及び入力ステップにおいて入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報に基づいて、複数の微生物それぞれの存在割合、又は複数の塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成ステップと、を含む。

また、本発明に係る予測方法は、本発明に係る予測ルール生成システムによって生成された予測ルールに基づき、水処理後の水質を予測する、予測システムの動作方法である予測方法であって、予測対象となる複数の微生物それぞれの存在割合又は予測対象となる複数の塩基配列それぞれの存在割合のデータを入力する入力ステップと、予測ルール生成システムによる主成分分析に基づいて、入力ステップにおいて入力された予測対象のデータの主成分スコアを算出する主成分分析ステップと、予測ルール生成システムによって生成された予測ルールに基づき、主成分分析ステップにおいて算出された予測対象のデータの主成分スコアから水処理後の水質を予測する予測ステップと、を含む。

本発明では、活性汚泥中の微生物叢の状態を考慮した予測を行うことができ、水質や生物反応槽の運転パラメータの時系列データのみを用いた予測と比べて精度よく予測を行うことができる。また、本発明では、予測ルールの生成に用いる変数を少なくすることで、確実に予測ルールの生成を行うことができる。即ち、本発明によれば、水処理後の水質の予測を精度よくかつ確実に行う予測ルールを生成することができる。

本発明の実施形態に係る予測ルール生成システムの構成を示す図である。 活性汚泥中に存在する複数の微生物それぞれの存在割合の主成分スコア（全ての主成分スコア中の１２個を表示）とＢＯＤとの時系列データの例であるグラフである。 本発明の実施形態に係る予測ルール生成システムで予測ルールの生成時に実行される処理（予測ルール生成方法）を示すフローチャートである。 本発明の実施形態に係る予測ルール生成システムで予測時に実行される処理（予測方法）を示すフローチャートである。 生成された予測ルールを用いた予測の結果の例を示すグラフである。

以下、図面と共に本発明に係る予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法の実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

図１に、本実施形態に係る予測ルール生成システム１を示す。予測ルール生成システム１は、水処理後の水質を予測するための予測ルールを生成するシステムである。本実施形態で対象とする水処理は、例えば、産業排水や公共の下水、汚水等の自然環境に対して害となる水を自然環境に対する影響を小さくするための処理である。また、当該水処理は、複数の微生物の集合である微生物叢を含む活性汚泥が用いられた水処理システムで行われるものである。活性汚泥に含まれる微生物の種類の数は、通常、数千〜数万以上である。また、当該活性汚泥は、通常、生物反応槽（バイオタンク、活性汚泥槽）に入れられており、処理対象の水を当該生物反応槽内に流入させることで水処理が行われる。生物反応槽には、通常、好気槽及び嫌気槽が含まれる。当該水処理は、例えば、工場の稼働に応じて継続的に行われるものである。なお、当該水処理自体は、従来から行われているものである。

予測ルール生成システム１は、具体的には、予測時点から予め設定された期間（例えば、１週間又は２週間）以内にＢＯＤ等の水質データが予め設定された閾値を超えるかを予測する予測ルールを生成する。この閾値は、例えば、適切に水処理が行われている場合と比べて、水処理後の水質が悪化している（適切に水処理が行われていない）と判断できる程度の値とされる。また、当該予測ルールは、活性汚泥中に存在する複数の微生物それぞれの存在割合又は活性汚泥中に存在する複数の塩基配列それぞれの存在割合に基づく情報を入力として予測を行うためものである。即ち、当該予測ルールは、予測時点の上記の存在割合から、予め設定された期間におけるＢＯＤ等の水質データの突発的悪化を含む悪化の有無を予測するものである。また、予測ルールは、複数の微生物それぞれの存在割合、及び複数の塩基配列それぞれの存在割合の両方を入力として予測を行うためものであってもよい。また、予測ルール生成システム１は、生成した予測ルールを用いて、予測も行う。予測対象の水質として、ＢＯＤの他にＣＯＤ、ＴＯＣ、ＴＮ等についても同様に予測を行うことが出来る。

予測ルール生成システム１は、図１に示すようにコンピュータ１０と、シークエンサー２０とを含んで構成される。コンピュータ１０は、予測ルール生成システム１の主要な機能を担う装置であり、予測ルールの生成及び予測ルールを用いた予測を行う装置である。コンピュータ１０は、具体的には、ＣＰＵ（Central Processing Unit）やメモリ、通信モジュール等のハードウェアを備えている。これらの構成要素がプログラム等によって動作することによって、後述するコンピュータ１０の機能が発揮される。

シークエンサー２０は、活性汚泥中に存在する複数の微生物から遺伝子の塩基配列を読み取る（決定する）読取手段である。シークエンサー２０として、複数の微生物の遺伝子を同時に読み取る（解析）することができる、いわゆる次世代シークエンサーを用いることとしてもよい。シークエンサー２０としては、従来のシークエンサー、例えば、ロシュ社製ＧＳ Ｊｕｎｉｏｒ Ｓｙｓｔｅｍシークエンサー、ロシュ社製ＧＳ ＦＬＸ＋ Ｓｙｓｔｅｍシークエンサー、あるいはイルミナ社製ＭｉＳｅｑ Ｓｙｓｔｅｍシークエンンサーを用いることとしてもよい。また、シークエンサー２０は、微生物の遺伝子の塩基配列として、１６ＳリボソームＲＮＡ遺伝子の塩基配列を読み取ることとしてもよい。１６ＳリボソームＲＮＡ遺伝子の塩基配列は、微生物の種別毎に比較的、特徴的な配列であるからである。なお、１６ＳリボソームＲＮＡ遺伝子の塩基配列を読み取るため、活性汚泥から採取されてシークエンサー２０に入力されるシークエンス用サンプル（汚泥サンプル）は予め調製される。活性汚泥は、例えば、好気槽及び嫌気槽のそれぞれから採取される。シークエンス用サンプルの調製、及び塩基配列の読み取り（シークエンシング）は、例えば、以下のように行うことができる。

［微生物叢のＤＮＡの調製］
活性汚泥から約１．５ｍｌの微生物群を含む溶液を採取し、室温で遠心する（１３，０００ｒｐｍ×５分間）。上清を取り除いた後、滅菌生理食塩水を１ｍｌ加えて、５秒間ほど転倒混合した後、室温で遠心する（１３，０００ｒｐｍ×５分間）。上清を除いた後、Ｌｙｓｉｓ ｂｕｆｆｅｒ（エイエムアール社製）を３００μｌ加え、よく混合した後、得られた懸濁液をビーズの入ったチューブ（イージーエクストラクト ｆｏｒ ＤＮＡ（エイエムアール社製））に添加後、ボルテックスミキサーで２分間撹拌破砕する。破砕液に３００μｌのＴＥ溶液（１０ｍＭ Ｔｒｉｓ、１ｍＭ ＥＤＴＡ、ｐＨ８．０）（以下、ＴＥ）を添加し、４℃で遠心する（１３，０００ｒｐｍ×５分間）。その後、上清液４５０μｌを新しいチューブに入れ、これに６００μｌのフェノール混合液（イージーエクストラクト ｆｏｒ ＤＮＡに付属（エイエムアール社製））を加え、１分間ボルテックスし攪拌した後、４℃で遠心する（１３，０００ｒｐｍ×５分間）。上清３００μｌを回収して新しいチューブ（１．５ｍｌ）に入れ、これに１２００μｌのエタノール（９９．５％）を加えて、４℃で遠心する（１３，０００ｒｐｍ×５分間）。上清を除いた後、１０００μｌの冷エタノール（７０％）を加えて、４℃で遠心し（１３，０００ｒｐｍ×５分間）、得られたＤＮＡペレットを真空乾燥し、ついで１５０μｌのＴＥを加えて、細菌叢ＤＮＡの溶液とする。

［１６ＳリボソームＲＮＡ遺伝子のＶ３−Ｖ４領域のＰＣＲ増幅］
細菌叢ＤＮＡの溶液中の二本鎖ＤＮＡ濃度を測定し、その測定値に基づいて５０ｎｇのＤＮＡを鋳型として、ユニバーサルプライマーセット（フォワードプライマーｆｗ３５７Ｆ（配列番号１）とリバースプライマーＲＶ９２６ｒ（配列番号２））を用いて、１６ＳリボソームＲＮＡ遺伝子（以下、１６Ｓ遺伝子）のＶ３−Ｖ４領域をＰＣＲ増幅する。ＰＣＲはタカラバイオ社製の「Ｐｒｅｍｉｘ Ｅｘ Ｔａｑ Ｈｏｔ Ｓｔａｒｔ Ｖｅｒｓｉｏｎ」（登録商標）を用いて、各プライマーを５０ｐｍｏｌ含む反応液５０μｌを作成し、９４℃で２分間のプレヒーティングを行った後、変性、アニーリング、伸長をそれぞれ９８℃×１０秒間、５０℃×３０秒間、７２℃×８０秒間で行い２５サイクル繰り返す。

下記にフォワードプライマーＨＡ１３６２１−ｆｗ３５７Ｆの配列の構造を示す。このフォワードプライマーは、シークエンサー２０での配列決定に必要なアダプターＡ配列（大文字で表記）を５’末端側に含み、各検体に固有の１０塩基のバーコード配列をはさんで、全ての真正細菌の１６Ｓ遺伝子にアニーリングするユニバーサルプライマー配列ｆｗ３５７Ｆ（小文字で表記）を３’末端側に含む。上記バーコード配列はサンプル間の識別に利用するもので、同時にシークエンサー２０に供するサンプル数に対応した任意に設計した塩基配列である。
アダプターＡ配列（配列番号３）
５’−ＣＣＡＴＣＴＣＡＴＣＣＣＴＧＣＧＴＧＴＣＴＣＣＧＡＣＴＣＡＧ−３’
ユニバーサルプライマー配列ｆｗ３５７Ｆ（配列番号１）
５’−ｃｃｔａｃｇｇｇａｇｇｃａｇｃａｇ−３’

上記バーコード配列の役割を説明する。例えば、１０検体を同時解析する場合は、１０通りの異なったバーコード配列をもったＨＡ１３６２１−ｆｗ３５７Ｆを作り、それぞれを各検体に対してＰＣＲ増幅すればよい。これらを混合してシークエンサー２０に供すると、１稼働で１００万データを得ることができるＧＳ ＦＬＸ＋ Ｓｙｓｔｅｍシークエンサーを利用した場合、１００検体に対応する１００通りのバーコード配列を用いることで、１回の稼働で１万データ／検体の配列データを得ることができる。

下記にリバースプライマーＨＡ１３６１９−ＲＶ９２６ｒの配列の構造を示す。このリバースプライマーは、シークエンサー２０での配列決定に必要なアダプターＢ配列（大文字で表記）を５’末端側に含み、全ての真正細菌の１６Ｓ遺伝子にアニーリングするユニバーサルプライマー配列ＲＶ９２６ｒ（小文字で表記）を３’末端側に含む。
ＨＡ１３６１９−ＲＶ９２６ｒの配列（配列番号４）
５’−ＣＣＴＡＴＣＣＣＣＴＧＴＧＴＧＣＣＴＴＧＧＣＡＧＴＣＴＣＡＧｃｃｇｔｃａａｔｔｃｃｔｔｔｔｒａｇｔｔｔ−３’

上記のユニバーサルプライマーセットを用いたＰＣＲにより、細菌叢を構成する種々の細菌種の１６Ｓ遺伝子のＶ３−Ｖ４領域を含むＤＮＡ（約５７０塩基）が増幅され、それらの混合物をそのＰＣＲ産物ＤＮＡとして得ることができる。

［ＰＣＲ産物の生成及びシークエンス用サンプルの調製］
各々の細菌叢ＤＮＡから得られたＰＣＲ産物ＤＮＡ（その細菌叢を構成する種々の細菌種の１６Ｓ遺伝子のＶ３−Ｖ４領域を含むＤＮＡの混合物）を混合し、ＤＮＡクリーナー（和光純薬社製）にて処理して、過剰のプライマーや基質のヌクレオチド等を除去し、精製する。精製ＤＮＡは２００μｌのＴＥで溶出し回収する。ついで、回収した精製ＤＮＡ溶液をアガロースゲル電気泳動に供し、約５７０ｂｐのＤＮＡ断片を切り出し、ＭｉｎＥｌｕｔｅ Ｇｅｌ ＥｘｔｒａｃｔｉｏｎＫｉｔ（キアゲン社製）にて抽出し、シークエンサー２０に供するＤＮＡを調製する。これを以下のシークエンスに用いるシークエンス用サンプルとする。

［１６Ｓ遺伝子のシークエンシングと配列データの精度評価］
上記シークエンス用サンプルを、シークエンサー２０であるロシュ社製ＧＳ ＦＬＸ＋ Ｓｙｓｔｅｍシークエンサーに供しシークエンスを行う。シークエンスの条件・工程等はメーカー所定のプロトコールに従う。なお、このシークエンサーでは、上記で調製したＰＣＲ産物ＤＮＡの１分子を１つのビーズに固定して、ついで、水（シークエンス用鋳型ＤＮＡの増幅のためのＰＣＲプライマー、基質ヌクレオチド、ＤＮＡ合成酵素を含む）と油のエマルジョン中に独立して形成された微小水滴の１つ１つに１つ１つのビーズを捕獲して、その中でＰＣＲを行ってシークエンス用鋳型ＤＮＡを増幅して調製するようになっている。よって、この増幅した鋳型ＤＮＡが固定された各ビーズをタイタープレート上に区画した後に、その区画位置上でシークエンス反応のシグナルを読み取ることによって、上記シークエンス用サンプル中に含まれるＰＣＲ産物ＤＮＡ（その細菌叢を構成する種々の細菌種の１６Ｓ遺伝子のＶ３−Ｖ４領域を含むＤＮＡの混合物）の塩基配列を無作為に決定することができる。また、フォワードプライマーＨＡ１３６２１−ｆｗ３５７Ｆ中の上記バーコード配列を、各サンプルに由来する検体ごとに特徴的な任意の配列にしておけば、ＧＳ ＦＬＸ＋ Ｓｙｓｔｅｍシークエンサーを用いて約１００種類の細菌叢サンプルを同時解析でき、ある活性汚泥由来のサンプルにつき２，０００〜１０，０００の１６Ｓ遺伝子の配列データを、およそ１０〜２３時間で決定することができる。即ち、活性汚泥に含まれる細菌叢について菌種を限定せずに網羅的に解析することが可能となる。

以上が、シークエンス用サンプルの調製、及び塩基配列の読み取りを行う方法の一例である。なお、シークエンス用サンプルの調製、及び塩基配列の読み取りは、上記の方法以外で行われてもよい。シークエンサー２０と、コンピュータ１０とは、情報の送受信が行えるように接続されている。シークエンサー２０は、読み取った微生物毎の塩基配列を示す情報（配列情報）をコンピュータ１０に送信する。ここで、コンピュータに送信される配列情報は、シークエンサー２０にシークエンシングされたそのままの配列のデータ、いわゆる粗配列データである。

引き続いて、本実施形態に係るコンピュータ１０の機能について説明する。図１に示すようにコンピュータ１０は、データ生成部１１と、入力部１２と、主成分分析部１３と、予測ルール生成部１４と、予測部１５とを備えて構成される。

データ生成部１１は、シークエンサー２０によって読み取られた活性汚泥中に存在する複数の微生物の塩基配列をシークエンサー２０から受信し、当該塩基配列に基づき予測ルールを生成するためのデータを生成するデータ生成手段である。予測ルールを生成するためのデータは、活性汚泥中に存在する複数の微生物それぞれの存在割合（存在確率）の時系列データである。この存在割合は、微生物の種別（微生物種、菌種）毎の、活性汚泥に含まれる全微生物の数に対する、当該活性汚泥に含まれる当該種別の微生物の数の割合である。但し、厳密にその割合を把握することは困難である場合等には、厳密に全微生物の数に対する数の割合である必要はなく、予測ルールの生成に必要な程度に近似した割合であればよい。また、当該データは、同一の活性汚泥（予測対象の活性汚泥）について、複数のタイミング（時刻）での存在割合を示すもの、即ち、時系列データである。ここで言う時系列データとは、ある一定期間に複数のタイミングで取得したデータであり、各測定時刻の間隔は、一定であっても、不定であってもよい。ほぼ一定時間間隔で取得されることが予測精度を高める上で望ましい。例えば、１週間毎の複数週の存在割合のデータである。即ち、１週間毎に活性汚泥から微生物群を含む溶液を採取し、存在割合を算出する。従って、当該データは、例えば、微生物の種別の数×時系列のタイミングの数の行列データとすることができる。

また、活性汚泥層が好気槽と嫌気槽に分かれる場合は、好気槽と嫌気槽とのそれぞれにおける存在割合のデータを得て別の時系列データとし、両方をその後の処理に用いることが好ましい。微生物の種としては、被処理水中の処理対象物質の分解に関与する微生物等の特定の種に限ることなく、無作為に解析対象とする。微生物の種別の数は、活性汚泥にもよるが、２万程度の数となる。適切に得られた全ての微生物種の中で存在割合が大きいものから選択して、全微生物種数の５０％以上の数の微生物種のデータを用いることが望ましく、７５％以上を用いることがさらに望ましい。適切に得られた微生物種とは、たとえば後述するように、ＯＴＵ解析によって得られた全ＯＴＵ種の中で、配列データ数（配列数のカウント）が非常に少ない（例えば、１、２又は３）のものを除いたものである。微生物種の数の選択は、微生物情報の時系列データを構成する各時刻のデータにおいて各微生物種の存在割合を算出し、微生物種毎に全ての時刻について存在割合の総和をとったものを各微生物種の存在割合とし、その存在割合が大きいものから選択する。また、タイミングの数は、例えば、半年間のデータに相当するものである。即ち、タイミングの数は、数十ないし数百程度である。上記のデータ生成及び以下のデータの処理には、微生物の存在割合に替えて、活性汚泥中に存在する複数の塩基配列のそれぞれの存在割合を使用することも出来、微生物の存在割合と塩基配列の存在割合との両方を使用することもできる。

例えば、データ生成部１１は、以下のように当該データの生成を行う。データ生成部１１は、シークエンサー２０から粗配列データを受信する。なお、シークエンサー２０から受信する粗配列データは、複数のタイミングの活性汚泥に係るデータであり、それぞれのタイミングについて活性汚泥に含まれる複数の微生物又は塩基配列それぞれの存在割合を推定できる程度の数のデータであるものとする。即ち、そのようなデータが得られるようにシークエンサー２０によるシークエンシングを行う。上記の複数のタイミングは、時系列データのそれぞれのタイミングに相当するものである。

データ生成部１１は、得られた粗配列データ（例えば、上記の例では約５７０塩基／データ）について、配列データに含まれるサンプル固有のバーコード配列に基づき、各配列をそれぞれの固有のサンプル（時系列データのそれぞれのタイミングに相当）に分配する。データ生成部１１は、当該配列データの配列長２００未満、１０００以上、ユニバーサルプライマー配列（ｆｗ３５７Ｆ）とのミスマッチ１以上、シークエンサーに付属のクオリティプログラムを用いて、配列決定した塩基配列の平均クオリティ値が２５以下の配列データを除去して、高精度データを抽出する。

データ生成部１１は、取得した高精度配列データを、クラスタリング（類似度９５％、９７％、又は９９％の閾値）によるＯｐｅｒａｔｉｏｎａｌ Ｔａｘｏｎｏｍｉｃ Ｕｎｉｔ解析（以下、ＯＴＵ解析）に供する。ＯＴＵ解析においては、配列データの類似度を基準にして各配列データをグループ化する操作を行う。ここでは９５％以上の配列類似度を互いに有する配列データのクラスターグループ（以下、ＯＴＵ）を検出する。なお、配列データのクラスタリングは、従来技術、例えば、フリーウェアＵｃｌｕｓｔ等を用いて行うことができる。各ＯＴＵはほぼ同じ種の細菌（微生物）に由来すると推測できる。よって、クラスタリングによって得られるＯＴＵの総数（ＯＴＵ数）は、検出可能な範囲において、その細菌叢（微生物叢）を構成する細菌種（微生物種）の数と等価と考えることができる。データ生成部１１は、各クラスターグループを代表する塩基配列である代表配列データを決定する。代表配列データの決定は、従来から用いられている方法により行うことができる。

また、各ＯＴＵ中に含まれる配列データ数からは、配列データ数全体中の各ＯＴＵの割合、つまり菌種組成比又は塩基配列組成比、即ち、上記の存在割合を求めることができる。更に、各ＯＴＵの代表配列データについて上記した１６Ｓ遺伝子及び細菌ゲノムのデータベースへの相同性検索を行うことにより、最も高い配列類似度を有する既知菌種へ帰属、つまり、ＯＴＵの菌種を特定できる。なお、本実施形態では菌種の特定は必ずしも必要がないが、具体的にどの菌種の細菌が活性汚泥に含まれるか否かを把握できるため、予測結果の解析等において有益となる。なお、微生物情報の時系列データを構成する全時刻のデータに含まれる、配列データ数（配列数のカウント）が非常に少ない（例えば、１、２又は３）ＯＴＵ（クラスターグループ）については、有効な情報でない場合が多く、計算上のノイズとなる場合があるので、予め時系列データから外すこととしてもよい。

データ生成部１１は、上記の細菌種毎又は塩基配列種毎の存在割合を複数のタイミングについて算出することで時系列データを、例えば、上記の行列の形式で生成する。データ生成部１１は、生成した時系列データを入力部１２に出力する。

入力部１２は、上記の微生物情報の時系列データ、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力手段である。上記の微生物情報の時系列データについては、入力部１２は、データ生成部１１から入力する。水質情報は、そのタイミングにおける水質の状態を示すものであり、例えば、時系列データにおける上記のタイミング（活性汚泥から微生物叢を含む溶液を採取したタイミング）から予め設定された期間（例えば、１週間）以内にＢＯＤ等の水質データが予め設定された閾値を超えるか否かを示すもの等である。この閾値は、上述した予測ルールに係る閾値と同様のものである。水質情報は、水処理後の水についてＢＯＤ等の水質データを測定することで得ることができる。ＢＯＤ等の水質データの測定は、１日毎等、頻度が高いことが望ましいが、上記の期間に応じて行われればよい。例えば、水質情報が、１週間以内にＢＯＤ等の水質データが予め設定された閾値を超えるか否かを示すものである場合、１週間に２回程度の測定が行われればよい。例えば、水質情報は、１週間以内にＢＯＤ等の水質データが予め設定された閾値を超えた場合を１、それ以外を０とする。

例えば、ユーザのコンピュータ１０に対する水質情報の入力操作を受け付けることによって水質情報を入力する。この水質情報は、微生物情報の時系列データにおける上記のタイミングのデータ毎の情報であり、即ち、時系列のタイミングの数の情報を含む。入力部１２は、タイミングのデータ毎に対応付けられた水質情報を入力する。例えば、コンピュータ１０に入力される水質情報には、どのタイミングの水質情報であるかを示す情報が対応付けられている。なお、入力部１２は、時系列のＢＯＤ等の水質データの値を入力して、当該値が上記のタイミングから１週間以内に閾値を超えているか否かを判断して、上記の水質情報を生成することとしてもよい。この時系列のＢＯＤ等の水質データのタイミングは、微生物情報の時系列データのタイミングと同じでなくてもよい。

入力部１２によって入力される情報のうち、微生物情報の時系列データは、予測ルール生成システム１によって生成される予測ルールへ入力されるデータに対応するものである。また、水質情報は、予測ルール生成システム１によって生成される予測ルールによって予測される水質に対応するものである。入力部１２は、入力した情報のうち、微生物情報の時系列データを主成分分析部１３に出力する。入力部１２は、入力した情報のうち、水質情報を予測ルール生成部１４に出力する。

主成分分析部１３は、入力部１２によって入力された微生物情報の時系列データに対して主成分分析を行って、当該時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析手段である。上述したように時系列データは行列データであるため、主成分分析を行うことができる。主成分分析部１３は、時系列データを構成する各時刻におけるデータ、即ち各タイミングでの活性汚泥に存在する微生物又は塩基配列の存在割合のデータの主成分スコアを算出するように行われる。即ち、行列データの微生物又は塩基配列の種別の数（変数）を圧縮するように主成分分析を行う。好気槽と嫌気槽から微生物情報の時系列データを取得する場合は、双方のデータを合わせて主成分分析を行う。その際、好気槽、嫌気槽それぞれの微生物情報の時系列データについて主成分スコアが算出される。

主成分分析部１３は、具体的には、活性汚泥に存在する微生物の水処理に対する性質を考慮し、相関行列を用いた主成分分析を行うこととしてもよい。即ち、微生物情報の時系列データを相関行列に変換後、主成分分析を行う。相関行列を用いた主成分分析を行うことで、少数種の微生物の挙動を反映することができる。但し、活性汚泥に存在する微生物の構成等によっては、分散共分散行列を用いることとしてもよい。主成分分析は、従来のパッケージソフトウェア等を用いて行うことができる。

主成分分析部１３は、例えば、微生物情報の時系列データを構成する各時刻におけるデータそれぞれに対して、累積寄与率が、予め設定された閾値（例えば、８０％）以上となるまでの数の主成分スコアを、以降の処理で用いる主成分スコアとする。また、主成分分析部１３は、寄与率が高い順に予め設定された数の主成分スコアを、以降の処理で用いる主成分スコアとしてもよい。また、それ以外の任意の種類の主成分スコアを、以降の処理で用いる主成分スコアとしてもよい。以降の処理で用いる主成分スコアの数は、以降の処理の処理負荷等を考慮し、概ね（時系列データを構成する各時刻のデータにつき）、十数ないし数十程度とすることができる。後述するように予測部において、用いる主成分スコアを選択するため、ここでは多めの数の主成分スコアを算出する。主成分分析部１３は、算出し、以降の処理で用いる主成分スコアとした時系列データを構成する各時刻におけるデータの主成分スコアを予測ルール生成部１４に出力する。また、主成分分析部１３は、予測ルールによる予測を行うため、微生物又は塩基配列の存在割合のベクトルデータから、主成分スコアを算出するための情報を記憶しておく。あるいは、予測ルールに用いる微生物情報の時系列データと予測に用いる微生物情報を同時に、データ生成部１１で生成して、入力部１２から入力しておき、両方のデータを合わせて行列データとし、予測ルールに用いる主成分スコアと同時に、予測に用いる主成分スコアを予め計算しておくことができる。

予測ルール生成部１４は、主成分分析部１３によって算出された、微生物情報の時系列データを構成する各時刻におけるデータの主成分スコア、及び入力部１２によって入力された、当該時系列データを構成する各時刻におけるデータに対応付けられた水質情報に基づいて、複数の微生物又は塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成手段である。図２は、主成分スコアと、水質情報の元となるＢＯＤとの時系列データの例であるグラフである。図２のグラフにおいて、横軸は時間、縦軸は主成分スコアの値及びＢＯＤの値をそれぞれ示している。主成分スコアは、相関行列を用いた主成分分析を行った際の寄与率が１番目から６番目の主成分スコアを示している。好気槽の主成分スコア６個と嫌気槽の主成分スコア６個の全１２個を示している。予測ルールに用いた主成分スコアは、好気槽、嫌気槽それぞれ３０個の主成分スコアから１０個を選択したものである。複数の線Ｓのそれぞれが、主成分スコアの値を示している。また、線Ｂが、ＢＯＤの値を示している。

予測ルールは、あるタイミング（微生物叢観測時であり、例えば、図２の実線Ｌ１で示されるタイミング）での主成分スコアから、そのタイミングおよびそのタイミング以降の水質の状態を予測するものであり、例えば、そのタイミングから予め設定された期間（例えば、図２の破線Ｌ２で示されるタイミングまでの期間）にＢＯＤが予め設定された閾値Ｔを超えるか否かを予測すること等に用いる。

具体的には、予測ルール生成部１４は、入力した微生物情報の時系列データを構成する各時刻におけるデータの主成分スコア及び当該時系列データを構成する各時刻におけるデータに対応付けられた水質情報に基づいて、例えば、機械学習（機械学習による訓練）等を行うことで予測ルールを生成する。即ち、入力した時系列データを構成する各時刻におけるデータの主成分スコア及び当該時系列データを構成する各時刻におけるデータに対応付けられた水質情報は、機械学習のための正解データ（サンプルデータ）である。この機械学習では、微生物情報の時系列データを構成する各時刻におけるデータの主成分スコアを予測ルールにおける入力（説明変数）とし、当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を予測ルールにおける出力（目的変数）とする。更に、ここでは説明変数として用いる主成分スコアの選択を行うこととしてもよい。必ずしも予測に用いる主成分スコアの数が多いほど予測精度が高いということはなく、また必ずしも用いる主成分スコアの寄与率が高いほど予測精度が高いということはない。主成分分析部で算出された主成分スコアの中から組み合わせを様々に変化させて機械学習を行い、その予測精度を評価することを繰り返し、予測精度がある基準値以上高い主成分スコアの組み合わせを説明変数として選択することを行う。基準値は、例えば７５％、８５％等とすることができる。

機械学習の手法としては、例えば、線形回帰モデルを用いることができる。その際にベイズ推定法を用いてもよい。また、線形回帰モデルの一つとして二項又は順序型の離散選択モデルを用いることができる。具体的には、プロビットモデルやロジットモデル、トビットモデルなどを用いることが出来る。これらにベイズ推定法を用いることも出来る。又は、ＳＶＭ（サポートベクターマシーン）等を用いることができる。あるいは、ベイジアンネットワークを用いることとしてもよい。予測ルール生成部１４は、生成した予測ルールを示す情報を予測部１５に出力する。

予測部１５は、予測ルール生成部１４によって生成された予測ルールに基づき、水処理後の水質を予測する予測を行う予測手段である。上記のように、予測ルールは、主成分スコアから、ＢＯＤ等の水質データの、予測時点およびそれ以降の状態を予測するためのものであり、例えば、予測時点から予め設定された期間にＢＯＤ等の水質データが予め設定された閾値を超えるか否かを予測すること等を行うためのものである。即ち、予測部１５は、予測対象に係る主成分スコアを入力し、予測ルールに基づいて予測を行う。予測対象は、（予測を行いたいタイミングでの）微生物叢を含む活性汚泥が用いられた水処理システム（の微生物叢）である。予測対象の水処理システムは、予測ルールの生成に用いたデータを取得した水処理システムと同一のものとすることができる。但し、予測対象の水処理システムは、予測ルールの生成に用いたデータを取得した水処理システム以外のものであってもよい。

予測対象の主成分スコアは、予測ルールの生成時の、微生物情報の時系列データの１つのタイミングに係る主成分スコアと同様に求められる。即ち、主成分スコアの生成は、以下のように行われる。シークエンサー２０が、予測対象の水処理システムの活性汚泥中に存在する複数の微生物から遺伝子の塩基配列を読み取る。シークエンサー２０は、読み取った、予測対象となる複数の微生物毎の塩基配列を示す情報（配列情報）をコンピュータ１０に送信する。

コンピュータ１０では、データ生成部１１が、シークエンサー２０から配列情報を受信し、当該配列情報から、予測対象となる複数の微生物又は塩基配列それぞれの存在割合のデータを生成する。このデータは、例えば、微生物又は塩基配列の種別の数の要素を含むベクトルデータとすることができる。なお、当該ベクトルデータは、予測ルールを生成するための行列データに対応するものとする。即ち、微生物又は塩基配列の種毎の存在割合の値の順番、及び微生物又は塩基配列の種別の数（ベクトルデータの要素の数）は、予測ルールの生成のための行列データと、予測用のベクトルデータとで同じであるものとする。

データ生成部１１は、生成した予測用の微生物又は塩基配列の存在割合に係るベクトルデータを入力部１２に出力する。入力部１２は、当該ベクトルデータを入力して、主成分分析部１３に出力する。主成分分析部１３は、当該ベクトルデータを入力して、予測ルールの生成の際に行った主成分分析に基づき、当該ベクトルデータの主成分スコアを算出する。主成分分析部１３は、算出した主成分スコアを予測部１５に出力する。また、予測対象の主成分スコアは、予測ルールの生成時の微生物情報の時系列データの主成分スコアを求める際に同時に求めることも出来る。即ち、予測ルール生成のための行列データ（微生物種別の数×タイミング）のタイミングを増やして予測用のベクトルデータを組み込むことにより、算出しておくことが出来る。

予測部１５は、主成分分析部１３から入力した予測対象に係る主成分スコアを、予測ルールへ入力し、予測ルールからの出力を予測結果として得る。予測結果は、生成された予測ルールに応じたものであり、本実施形態に示した例では、予測時点から予め設定された期間（例えば、１週間）以内にＢＯＤ等の水質データが予め設定された閾値を超えるか否かを示す情報である。予測部１５は、得られた予測結果を出力する。予測結果の出力は、例えば、コンピュータ１０が備えるディスプレイ等の表示装置で表示することで行われる。また、予測結果の出力は、例えば、他の装置やコンピュータ１０内の他のモジュールに送信することで行われてもよい。以上が、本実施形態に係るコンピュータ１０の機能である。

引き続いて、図３及び図４のフローチャートを用いて、本実施形態に係る予測ルール生成システム１で実行される処理（予測ルール生成システム１の動作方法）である予測ルール生成方法及び予測方法を説明する。まず、図３のフローチャートを用いて、予測ルールの生成時に実行される処理を説明する。本処理では、まず、シークエンサー２０によって、水処理システムで用いられる微生物叢を構成する微生物の遺伝子の塩基配列が読み取られる（Ｓ０１、読取ステップ）。ここでは、複数のタイミングでの、微生物叢を構成する微生物の遺伝子の塩基配列が読み取られる。読み取られた塩基配列のデータは、シークエンサー２０からコンピュータ１０に出力される。

コンピュータ１０では、データ生成部１１によって、シークエンサー２０から送信された塩基配列のデータが受信される。続いて、データ生成部１１によって、塩基配列のデータに基づき、微生物情報の時系列データが生成される（Ｓ０２、データ生成ステップ）。生成される時系列データは、上述したように微生物又は塩基配列の種別の数×時系列のタイミングの数の行列データである。続いて、生成された時系列データがデータ生成部１１から、入力部１２に入力される。また、入力部１２によって、時系列データの入力と併せて、上記のタイミングのデータ毎の水質情報が入力される（Ｓ０３、入力ステップ）。水質情報の入力は、例えば、定期的又は不定期に更新されるデータファイルの読み込み、若しくは、ユーザのコンピュータ１０に対する水質情報の入力操作を受け付けることによって行われる。

入力された微生物情報の時系列データは、入力部１２から主成分分析部１３に出力される。また、入力された水質情報は、入力部１２から予測ルール生成部１４に出力される。続いて、主成分分析部１３によって、微生物情報の時系列データに対する主成分分析が行われる（Ｓ０４、主成分分析ステップ）。主成分分析によって得られた、時系列データを構成する各時刻におけるデータの主成分スコアは、主成分分析部１３から予測ルール生成部１４に出力される。

続いて、予測ルール生成部１４によって、主成分分析部１３から入力された主成分スコア、及び入力部１２から入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水質情報に基づいて、予測ルールが生成される（Ｓ０５、予測ルール生成ステップ）。上述したように予測ルールの生成は、例えば、主成分スコアを予測ルールにおける入力（説明変数）、水質情報を予測ルールにおける出力（目的変数）とした機械学習によって行われる。生成された予測ルールを示す情報は、予測ルール生成部１４から予測部１５に出力される。以上が、予測ルールの生成時に実行される処理である。

引き続いて、図４のフローチャートを用いて、予測時に実行される処理を説明する。本処理では、まず、シークエンサー２０によって、予測対象のタイミングでの、水処理システムで用いられる微生物叢を構成する微生物の遺伝子の塩基配列が読み取られる（Ｓ１１、読取ステップ）。読み取られた塩基配列のデータは、シークエンサー２０からコンピュータ１０に出力される。

コンピュータ１０では、データ生成部１１によって、シークエンサー２０から送信された塩基配列のデータが受信される。続いて、データ生成部１１によって、塩基配列のデータに基づき、微生物又は塩基配列それぞれの存在割合のデータが生成される（Ｓ１２、データ生成ステップ）。生成されるデータは、上述したように微生物又は塩基配列の種別の数の要素を含むベクトルデータである。続いて、生成されたデータがデータ生成部１１から入力部１２に入力される（Ｓ１３、入力ステップ）。

入力されたデータは、入力部１２から主成分分析部１３に出力される。続いて、主成分分析部１３によって、予測ルールの生成の際の主成分分析に基づき、入力されたデータの主成分スコアが算出される（Ｓ１４、主成分分析ステップ）。主成分分析によって得られたデータの主成分スコアは、主成分分析部１３から予測部１５に出力される。

続いて、予測部１５によって、予測ルール生成部１４によって生成された予測ルールに基づき、主成分分析部１３から入力した主成分スコアから水質の予測が行われる（Ｓ１５、予測ステップ）。予測結果を示す情報は、例えば、ユーザに認識できるように表示される。以上が、予測時に実行される処理である。

上述したように、本実施形態によれば、微生物情報の時系列データと、当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報とに基づいて予測ルールが生成される。従って、水質や生物反応槽の運転パラメータの時系列データのみを用いて予測する場合とは異なり、活性汚泥中の微生物叢の状態を考慮した予測を行うことができる。これにより、水質や生物反応槽の運転パラメータの時系列データのみを用いた予測と比べて精度よく予測を行うことができる。

また、本実施形態によれば、主成分分析が行われる。通常、活性汚泥中に存在する微生物の種類の数は膨大である。微生物情報の時系列データに対して主成分分析を行うことで、全ての情報を取り込んで情報量を落とすことなく、少ない変数で微生物情報を表現することができる。本実施形態のように主成分分析を行って、予測ルールの生成に用いる変数を少なくすることで、確実に予測ルールの生成を行うことができる。即ち、本実施形態によれば、水処理後の水質の予測を精度よくかつ確実に行う予測ルールを生成することができる。

本実施形態のように主成分分析は、相関行列を用いたものとすることとしてもよい。相関行列を用いた主成分分析を行うことで、分散共分散行列を用いる場合と比べて、主成分分析を行っても少数種の微生物（存在割合が小さい微生物）の挙動をより反映した予測ルールを生成することができる。水処理後の水質には、少数種の微生物の挙動が影響することがある。従って、この構成によれば、更に精度よく予測を行う予測ルールを生成することができる。但し、上述したように活性汚泥に存在する微生物の構成等によっては、分散共分散行列を用いることとしてもよい。

また、本実施形態のように、機械学習により予測ルールを生成こととしてもよい。この構成によれば、確実に予測ルールを生成することができる。但し、必ずしも機械学習を用いる必要はなく、それ以外の方法で予測ルールを生成することとしてもよい。例えば、時系列解析を用いて、予測ルールを生成することとしてもよい。具体的には、多変量自己回帰（ＶＡＲ）モデル等の時系列解析を用いてもよい。

また、本実施形態のように微生物の遺伝子の塩基配列を読み取るシークエンサー２０が、予測ルール生成システム１に含まれており、読み取られた塩基配列に基づき時系列データが生成されてもよい。この構成によれば、微生物又は塩基配列の存在割合の時系列データを確実に入力することができ、確実に本発明を実施することができる。但し、予測ルール生成システム１には、必ずしも、シークエンサー２０が含まれている必要はない。即ち、予測ルール生成システム１（のコンピュータ１０の入力部１２）は、外部から微生物情報の時系列データを入力することとしてもよい。

また、本実施形態のように生成した予測ルールを用いて予測を行う構成を有していてもよい。即ち、予測ルール生成システム１は、本実施形態のように予測システムを兼ねていてもよい。この構成によれば、生成された予測ルールに基づいた予測を行うことができる。但し、必ずしも予測が予測ルール生成システム１において行われる必要はなく、予測ルール生成システム１以外の装置又はシステムによって行われてもよい。その場合、予測ルール生成システム１によって生成された予測ルールは、当該予測ルール生成システム１以外の予測システムに出力される。当該予測システムは、上述した予測ルール生成システム１の予測に係る機能を有している。

続いて、本実施形態の予測ルール生成システム１によって生成された予測ルールを用いた予測の結果の例を説明する。図５に当該予測結果の例のグラフを示す。図５における横軸は時間軸である。横軸の一つの点が、上述した一つのタイミングに相当する。縦軸は、当該タイミング（予測時点）から１週間以内にＢＯＤが予め設定された閾値を超えたか否か、即ち、突発があったか（１週間以内にＢＯＤが閾値を超えた）、なかったか（１週間以内にＢＯＤが閾値を超えていなかった）を示すものである。この例では、予測ルール生成の際の機械学習の手法としてベイズ推定法による二項プロビットモデル（線形回帰モデル）を用いた場合と、ＳＶＭを用いた場合との結果を示している。図５において、破線の左側のデータは、機械学習の訓練に用いられたものであり、破線の右側のデータは、機械学習の訓練に用いていないものである。プロビットモデルを用いた場合と、ＳＶＭを用いた場合とのそれぞれの値は、予測ルールを用いた予測結果（予測ルールからの出力）である。

図５にも示しているように、機械学習の手法としてプロビットモデルを用いた場合は、機械学習の訓練に用いていないデータの出力で実測と７９％一致している。機械学習の手法としてＳＶＭを用いた場合は、機械学習の訓練に用いていないデータの出力で実測と８１％一致している。即ち、本実施形態の手法の予測率は、概ね８０％であり、高い値となっている。図５に示された例においては、半年分の訓練データ（破線の左側のデータ）を用いて作成した予測モデル（予測ルール）を用いて、後の半年分について予測ルールを適用してＢＯＤ値を予測した。具体的には、後の半年分の微生物存在割合の時系列データの各タイミングにおいて、ＢＯＤが閾値を超えるかどうかの予測を行った。直前（例えば１〜２週間前）に取得されたデータをもとに更新し作成した予測ルールを用いると、予測率はより高くなると考えられる。日常の水質管理においては、新たに取得されたデータを加えて予測ルールを更新しながら、予測を行うとよい。

引き続いて、上述した実施形態の変形例について説明する。上述した実施形態では、予測ルールへの入力として、微生物又は塩基配列の存在割合のデータとしていたが、それに加えて、それ以外のデータを入力とすることとしてもよい。それ以外のデータとしては、例えば、従来の水質の予測に用いられていた、処理後の水（排水）の水質データや生物反応槽の運転パラメータが用いられてもよい。具体的には、ＣＯＤ（化学的酸素要求量）、温度、ＴＯＣ、ＴＮ等の水質データ、ｐＨ、排水品目、溶存酸素量（ＤＯ）、酸化還元電位（ＯＲＰ）等の生物反応槽の運転パラメータである。あるいは、水処理システムへの処理対象の水の流入条件のデータが用いられてもよい。また、排水品目を切り替えて使用する排水処理系の場合は、その時点あるいはその前後に処理されている排水品目をデータとして用いることもできる。微生物又は塩基配列の存在割合のデータ以外のデータを用いる場合、それらのデータについても正解データを用意して機械学習を行うこととすればよい。これらのデータを合わせて、予測精度の高いデータの組み合わせを選択することもできる。予測の元となるデータが増えることにより、更に精度の高い予測ルールを生成することができる。高頻度に取得することが可能なデータを組み合わせることにより、よりきめ細かな水質管理（予測）を行うことができる。

上述した実施形態では、予測する水質は、予測時点から予め設定された期間以内にＢＯＤが予め設定された閾値を超えるか否かであったが、本発明で生成される予測ルールは、水質に係るものであればそれ以外を予測するものであってもよい。例えば、ＣＯＤ、ＴＯＣ、ＴＮなどの水質の予測が挙げられる。水質の値が閾値を超えるかどうかのみでなく、一定の範囲で区切られた複数のレベルの中のどのレベルに入るかの予測、又は、おおよその推測値の予測を行うものであってもよい。

１…予測ルール生成システム、１０…コンピュータ、１１…データ生成部、１２…入力部、１３…主成分分析部、１４…予測ルール生成部、１５…予測部、２０…シークエンサー。

Claims (7)

1. 水処理を行う活性汚泥中に存在する複数の微生物それぞれの存在割合又は当該活性汚泥中に存在する複数の塩基配列それぞれの存在割合の時系列データ、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力手段と、
   前記入力手段によって入力された時系列データに対して主成分分析を行って、当該時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析手段と、
   前記主成分分析手段によって算出された、時系列データを構成する各時刻におけるデータの主成分スコア、及び前記入力手段によって入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報に基づいて、複数の微生物それぞれの存在割合、又は複数の塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成手段と、
   を備える予測ルール生成システム。
2. 前記主成分分析手段は、相関行列を用いた主成分分析を行う請求項１に記載の予測ルール生成システム。
3. 前記予測ルール生成手段は、前記主成分分析手段によって算出された、時系列データを構成する各時刻におけるデータの主成分スコアを前記予測ルールにおける入力とし、前記入力手段によって入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を前記予測ルールにおける出力とした機械学習を行うことで前記予測ルールを生成する請求項１又は２に記載の予測ルール生成システム。
4. 前記活性汚泥中に存在する複数の微生物から遺伝子の塩基配列を読み取る読取手段と、
   前記読取手段によって読み取られた遺伝子の塩基配列に基づき前記時系列データを生成して入力手段に入力させるデータ生成手段と、
   を更に備える請求項１〜３の何れか一項に記載の予測ルール生成システム。
5. 請求項１〜４の何れか一項に記載の予測ルール生成システムによって生成された予測ルールに基づき、水処理後の水質を予測する予測システムであって、
   予測対象となる複数の微生物それぞれの存在割合又は予測対象となる複数の塩基配列それぞれの存在割合のデータを入力する入力手段と、
   前記予測ルール生成システムによる主成分分析に基づいて、前記入力手段によって入力された前記予測対象のデータの主成分スコアを算出する主成分分析手段と、
   前記予測ルール生成システムによって生成された予測ルールに基づき、前記主成分分析手段によって算出された前記予測対象のデータの主成分スコアから水処理後の水質を予測する予測手段と、
   を備える予測システム。
6. 予測ルール生成システムの動作方法である予測ルール生成方法であって、
   水処理を行う活性汚泥中に存在する複数の微生物それぞれの存在割合又は当該活性汚泥中に存在する複数の塩基配列それぞれの存在割合の時系列データ、及び当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報を入力する入力ステップと、
   前記入力ステップにおいて入力された時系列データに対して主成分分析を行って、当該時系列データを構成する各時刻におけるデータの主成分スコアを算出する主成分分析ステップと、
   前記主成分分析ステップにおいて算出された、時系列データを構成する各時刻におけるデータの主成分スコア、及び前記入力ステップにおいて入力された当該時系列データを構成する各時刻におけるデータに対応付けられた水処理後の水質を示す水質情報に基づいて、複数の微生物それぞれの存在割合、又は複数の塩基配列それぞれの存在割合から水処理後の水質を予測するための予測ルールを生成する予測ルール生成ステップと、
   を含む予測ルール生成方法。
7. 請求項１〜４の何れか一項に記載の予測ルール生成システムによって生成された予測ルールに基づき、水処理後の水質を予測する、予測システムの動作方法である予測方法であって、
   予測対象となる複数の微生物それぞれの存在割合又は予測対象となる複数の塩基配列それぞれの存在割合のデータを入力する入力ステップと、
   前記予測ルール生成システムによる主成分分析に基づいて、前記入力ステップにおいて入力された前記予測対象のデータの主成分スコアを算出する主成分分析ステップと、
   前記予測ルール生成システムによって生成された予測ルールに基づき、前記主成分分析ステップにおいて算出された前記予測対象のデータの主成分スコアから水処理後の水質を予測する予測ステップと、
   を含む予測方法。