JP2017142781A - 確率的価格及び急変予測 - Google Patents

Abstract

【課題】コモディティの価格の急変を予測する方法を提供する。
【解決手段】コモディティの急変価格を予測する方法は、コモディティの価格の急変の予測を実行することの要求を取得することを含む。この方法はまた、上記要求に基づいて、上記コモディティの更なる情報を取得することを含む。この方法はまた、第１の機械学習アルゴリズムを用いて、上記更なる情報に少なくとも部分的に基づいて急変の確率を決定することを含む。この方法は、急変の確率がリスク許容範囲よりも高いとの決定に応答して、急変の確率を、電子ディスプレイ上での視覚的表示のために出力することを含む。この方法は更に、急変の確率がリスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて価格予測を決定することを含む。価格予測を決定することは、価格予測を上記電子ディスプレイ上での視覚的表示のために出力することを含む。
【選択図】図２

Description

本開示は、確率的な価格及び急変の予測に関する。

例えば電気などのコモディティにおける価格予測がますます重要になってきている。価格予測は、長期予測から短期予測までおよび得る。長期及び中期の価格予測は、投資及び保守の目的で使用され得る。例えばリアルタイムなどの短期の予測は、コモディティの取引業者及びコモディティの生産者によって運転目的で使用され得る。例えば、電気の生産者は、市場への電気の供給に関して何時にどれだけ入札すべきかを決定するために、リアルタイムの価格予測を使用し得る。他の者も、電気に関するリアルタイムの価格予測を使用することがある。例えば、小売業者及びデマンドレスポンス・アグリゲータが、より小さい消費者をどのようにデマンドレスポンス戦略に統合するかを決定するときにリアルタイム予測を使用し得る。

ここで特許請求される事項は、上述のような環境でのみ問題を解決したり動作したりする実施形態に限定されるものではない。むしろ、この背景技術の説明は、本明細書に記載される実施形態が実施され得る技術領域の一例を示すために提供されているに過ぎないものである。

一実施形態の一態様によれば、コモディティの急変価格を予測する方法は、コモディティの価格の急変の予測を実行することの要求を取得することを含み得る。この方法はまた、上記要求に基づいて、上記コモディティの更なる情報を取得することを含み得る。この方法はまた、第１の機械学習アルゴリズムを用いて、上記更なる情報に少なくとも部分的に基づいて急変の確率を決定することを含み得る。この方法は、急変の確率がリスク許容範囲よりも高いとの決定に応答して、急変の確率を、電子ディスプレイ上での視覚的表示のために出力することを含み得る。この方法は更に、急変の確率がリスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて価格予測を決定することを含むことができ、価格予測を決定することは、価格予測を上記電子ディスプレイ上での視覚的表示のために出力することを含む。

実施形態の目的及び利点は、少なくとも請求項中に具体的に指し示される要素、機構及び組合せによって実現・達成されることになる。

理解されるべきことには、以上の概略説明及び以下の詳細説明は何れも、例示的且つ説明的なものであり、請求項記載発明を限定するものではない。

以下の図を含む添付図面を使用して、実施形態例を更に具体的且つ詳細に記載・説明する。
コモディティの価格及び／又は価格急変を予測する予測システムの一例を示す図である。 コモディティの急変価格を予測する方法の一例を示すフロー図である。 コモディティの急変価格を予測する方法の他の一例を示すフロー図である。 コモディティの急変価格を予測する方法の更なる一例を示すフロー図である。 実際の過去の価格と一時間先の価格予測との視覚的出力の一例を示す図である。 価格急変尤度の位置特定的な予測の視覚的出力の一例を示す図である。 ここに記載される少なくとも１つの実施形態によって全てが構成された、確率的価格及び急変予測のために構成されるコンピューティング装置の一例を示すブロック図である。

本願にて記述される一部の実施形態は、数あるコモディティの中でもとりわけ、例えば電気、石油、ガス、水などのコモディティの価格及び／又は価格急変を予測するシステム及び方法に関する。一部の状況において、コモディティを売買するためにコモディティ市場が存在し得る。入札処理と決済処理との間の時間は比較的短いことがあり、例えば、５、１０、１５、３０若しくは３０分、又は何らかのその他の時間間隔であり得る。これら及びその他の実施形態において、およそ６０分以内に行われる決済及び入札の処理を、ここでは、コモディティのリアルタイム値付けとして参照し得る。コモディティのリアルタイム値付けを可能にする技術における最近の変化により、買い手及び売り手はリアルタイムに入札価格を提示し得る。

典型的に、コモディティの価格は不安定であって価格急変を含み得る。価格急変は、コモディティの価格が短期間にかなり大きい上昇トレンド又は下降トレンドで動く場合を含み得る。例えば、一部の状況において、電気の決済及び入札処理は、５分ごとに発生し得る。これら及びその他の実施形態において、時刻Ａにおいて価格が１メガワット時間（ＭＷｈ）当たり＄１００であって、５分後の時刻Ｂにおいて価格が＄３００／ＭＷｈであることがある。時刻Ａと時刻Ｂとの間の価格のこの変化は、価格急騰として参照され得る。また、コモディティの価格は地域によって様々であり得る。例えば、電気需要は、特定の市場、国、システム及び／又は場所に固有であることがある。コモディティの価格の不安定性のために、リアルタイム且つ／或いは特定の地域に関して適切なリスク許容範囲内で売却価格及び入札価格を提示することは非常に困難であり得る。また、従来システムは典型的に、急変及び急変価格を予測できないことがある。というのは、従来システムは典型的に循環パターンに基づいて価格を予測するが、急変及び急変価格は循環パターンに従わないことが多いからである。

コモディティに関して価格及び入札を提示するときのリスクを買い手及び売り手がマネジメントすることを助けるため、本願の少なくとも一部の実施形態にて記述されるシステム及び方法は、或る特定の未来時間におけるコモディティの価格及び／又は価格急変を予測する。買い手及び売り手はまた、記述されるシステム及び方法を用いて、リスク許容範囲及び急変レベル閾値を決定し得る。コモディティ価格の不安定さ及び価格急変に起因して、本願の少なくとも一部の実施形態にて記述されるシステム及び方法は、過去の価格及び需要データを適用して、特定の未来時間におけるコモディティの価格及び／又は価格急変を予測する。

記述されるシステム及び方法は、特定の場所及び時間に関する価格急変及び確率的価格予測を含み得る。アルゴリズムの一例は、最初のインターバルの３時間先である時間周期における５分インターバルごとの価格急変尤度の予測を提供し得る。アルゴリズムの他の一例は、最初の時間の３時間先である時間ごとに価格急変尤度の予測を提供し得る。アルゴリズムの更なる一例は、最初のインターバルの３時間先である時間周期における５分インターバルごとの非急変価格予測を提供し得る。アルゴリズムの更なる他の一例は、最初のインターバルの３時間先である時間周期における５分インターバルごとの確率的なポイント価格予測を提供し得る。

記述されるシステム及び方法は、予測モデルを構築するために、予測の時点の一年先に至るまで、歴史上の負荷、価格、及び時間／日付／場所の特徴についての分位回帰（quantile regression）とランダムフォレストとを使用し得る。これらの方法の組み合わせが、見たところ予測不可能な価格急変を予測するための決定木のフレキシブルな集合と、非急変的な値付けデータの基礎構造を利用し得るものである時系列回帰との双方の強力さを使用することを可能にする。

コモディティ価格を予測することに加えて、記述される方法及びシステムはその他の分野に適用されてもよく、例えば、とりわけ、コスト急変を伴う不安定な時系列データを持つ分野、需要、負荷、店舗商品、財務データ、休日計画、参加者が固定若しくは可変の運用コスト又は売／買ポイントを有し得る市場における予測や、他の（新興）エネルギー市場における予測に使用され得る。添付図面を参照して本開示の実施形態を説明する。

図１は、本開示の少なくとも１つの実施形態に従って構成された、コモディティの価格及び／又は価格急変を予測する予測システム１００の一例を示している。予測システム１００は、未来時間におけるコモディティの価格及び／又は価格急変を、該コモディティに関する価格情報及び負荷（ロード）情報に基づいて予測し得る。概して、予測システム１００は、１つ以上のモデルを用いてコモディティの価格及び／又は価格急変を予測し得る。例えば、価格及び／又は価格急変を予測するためのモデルは、数ある中でもとりわけ、ランダムフォレストモデル又は分位回帰モデルを含み得る。例えば、予測システム１００は、図２及び４に例示される方法を実行するために使用されるハードウェア、ソフトウェア、又はハードウェアとソフトウェアとの組み合わせを含み得る。

コモディティの価格及び／又は価格急変を予測するため、予測システム１００は、コモディティの価格及び／又は価格急変が予測されるべき未来における特定の時刻１０２及び場所１０３を取得し得る。一部の実施形態において、時刻１０２及び場所１０３は、予測価格及び／又は価格急変を要求する他のシステムによって自動的に提供され、あるいは予測システム１００のユーザ又は予測システム１００と通信するユーザによって提供され得る。一部の実施形態において、予測システム１００は、価格及び／又は価格急変を予測することの要求の時刻に基づいて時刻１０２を取得し得る。例えば、一部の実施形態において、予測システム１００は、要求を受信したときから特定の時間だけ先の価格及び／又は価格急変を予測し得る。場所１０３は、例えば州、国、地区や、特定の公共事業提供者によってカバーされる領域など、如何なる物理的地理的な場所ともし得る。一部の実施形態において、予測システム１００は、コモディティの価格及び／又は価格急変を予測することを要求するユーザ及び／又はユーザ装置の地理的位置に基づいて、場所１０３を取得し得る。地理的位置は、ＧＰＳ又はその他の装置を介して取得され得る。一部の他の実施形態において、予測システム１００は、予測システム１００のユーザから場所１０３を取得し得る。

時刻１０２は、未来における単一の時刻であってもよいし、未来における複数の時刻であってもよい。予測システム１００は、図１に関連して、未来における単一の時刻に関して説明される。しかしながら、予測システム１００は、複数回の繰り返しを実行することによって、複数の時刻における価格を予測するように動作し得る。一部の実施形態において、１つの繰り返しで使用又は生成される一部のデータが、更なる繰り返しで使用され得る。

一部の実施形態において、時刻１０２は、そのコモディティのコモディティ市場での入札及び売却の時間粒度に関連付けられた粒度を有し得る。例えば、電気のコモディティ市場は、電気を５分インターバルで売買している。これら及びその他の実施形態において、取得される時刻１０２は、そのコモディティのコモディティ市場のインターバルに一致し得る。それに代えて、あるいは加えて、予測システム１００は、任意の時刻を取得し、該時刻が、例えば毎時や１時間以内の５分インターバルなどの、そのコモディティのコモディティ市場の時間インターバルと一致するように、該時刻を処理し得る。

予測システム１００はまた、急変リスク許容範囲及び急変価格閾値情報１０４を取得し得る。予測システム１００は、予測システム１００のユーザから急変リスク許容範囲を取得し得る。急変リスク許容範囲は、ユーザの特定のリスク許容範囲を指し示し得る１つ以上の英数字値を含み得る。少なくとも１つの実施形態において、急変リスク許容範囲は所定の値とし得る。急変価格閾値は、コモディティの価格の安定性に基づいて決定され得る。例えば、急変価格閾値は、所与の時間枠内のコモディティの価格のうちの８０パーセントがその急変価格閾値よりも低いような値に設定され得る。一部の実施形態において、より高い価格安定性を有するコモディティ市場は、より低い価格安定性を有するコモディティ市場よりも、高いパーセントで所与の時間枠内のコモディティの価格が急変価格閾値よりも低くなり得る。それに代えて、あるいは加えて、価格の安定性が経時的に変化し得るとき、急変価格閾値は可変にされてもよい。例えば、電気の安定性は、春において、夏においてとは異なり得る。一部の実施形態において、急変価格閾値は、コモディティ市場での価格の周波数の曲がり点（ニーポイント）に基づいて決定され得る。

時刻１０２及び場所１０３に基づき、予測システム１００は、そのコモディティの価格及び負荷に関するデータを取得し得る。一部の実施形態において、そのコモディティについての価格情報１０６が取得され得る。それに代えて、あるいは加えて、そのコモディティについての負荷情報１０８が取得され得る。一部の実施形態において、価格情報１０６及び負荷情報１０８は、そのコモディティの売買を取り扱うコモディティ市場から取得され得る。

一部の実施形態において、価格情報１０６は、複数の異なる種類の価格情報を含み得る。異なる種類の価格情報１０６は、第１及び第２の様々な価格データを含み得る。例えば、一部の実施形態において、第１の先行価格データは、時刻１０２よりも前の第１の時間である第１期間の実際の価格データとすることができ、第２の先行価格データは、時刻１０２よりも前の第２の時間である第２期間の実際の価格データとすることができる。一部の実施形態において、第１及び第２の先行価格データは、コモディティ市場の複数の売買期間の価格データを提供し得る。一部の実施形態において、価格情報１０６は、第１の先行価格データと第２の先行価格データとの間の差異を含み得る。

一部の実施形態において、第１期間は、そのコモディティの現在の価格データトレンドを捕捉するための、時刻１０２の数時間以内の期間とし得る。一部の実施形態において、第１期間は、そのコモディティの最新のリアルタイム価格データに関連する期間とし得る。第２期間は、先行する日におけるものであるが、時刻１０２と同じ時刻における期間とし得る。第２期間は、日のうちの共通の時間におけるコモディティの共通価格トレンドを予測システム１００が決定することを支援し得る。例えば、前日の正午時間における電気価格は、前日の午前２時と午前３時との間の電気価格よりも、当日の正午時間における電気価格を代表し得る。

第１及び第２期間の一例として、コモディティ市場が５分ごとに売買を行っているとき、第１期間は、時刻１０２の２時間前から１時間前にわたる１時間とし得る。また、第２期間は、時刻１０２の２４時間前から２３時間前にわたる１時間とし得る。例えば、時刻１０２が４月１４日の１２：０５ＰＭである場合、第１の先行価格データは、４月１４日の１０：０５ＡＭから１１：０５ＡＭまでのコモディティの実際の価格データの、１２等分したデータポイントとし得る。第２の先行価格データは、４月１３日の１２：０５ＰＭから１：０５ＰＭまでのコモディティの実際の価格データの、１２等分した又は不等分したデータポイントとし得る。一部の実施形態において、第１及び第２期間は相異なる長さであってもよい。

他の１つの種類の価格情報１０６は、未来の市場決済価格を含み得る。未来の市場決済価格は、コモディティに関して要求される予測価格及び入札・決済タイミングよりも低い粒度で予測されるコモディティ価格とし得る。例えば、コモディティ市場が、５分ごとにコモディティを入札及び決済することを許容していることがある。未来の市場決済価格は、毎正時の推定価格を提供し得る。故に、未来の市場決済価格は、１つ又は１２個おきの購買・決済期間に関する推定を提供し得る。

一部の実施形態において、負荷情報１０８は、複数の異なる種類の負荷情報を含み得る。異なる種類の負荷情報１０８は、先行負荷データと予測負荷データとを含み得る。一部の実施形態において、先行負荷データは、時刻１０２よりも前の負荷期間の実際の負荷データとし得る。先行負荷データの負荷期間は、そのコモディティの現在の負荷トレンドを予測システム１００が決定することを支援し得る。一部の実施形態において、負荷情報１０８は、先行負荷データと予測負荷データとの間の差異を含み得る。

負荷期間の一例として、コモディティ市場が５分ごとに売買を行っているとき、負荷期間は、時刻１０２の２時間前から１時間前にわたる１時間とし得る。例えば、時刻１０２が４月１４日の１２：０５ＰＭである場合、先行負荷データは、４月１４日の１０：０５ＡＭから１１：０５ＡＭまでのコモディティの実際の負荷データの、１２等分した又は不等分したデータポイントとし得る。

予測負荷データは、コモディティに関して要求される予測価格及び入札・決済タイミングよりも低い粒度で予測されるコモディティの負荷とし得る。例えば、コモディティ市場が、５分ごとにコモディティを入札及び決済することを許容するとともに５分ごとに負荷情報を提供していることがある。予測負荷データは、毎正時の推定負荷を提供し得る。故に、予測負荷データは、１つ又は１２個おきの入札・決済期間に関する推定を提供し得る。

予測システム１００は、価格情報１０６及び負荷情報１０８を処理するデータプロセッサ１１０を含み得る。データプロセッサ１１０は、良くないデータを除去して、欠けたデータを価格情報１０６及び負荷情報１０８から補間し得る。例えば、負荷がゼロであることを指し示す負荷ポイントを負荷情報１０８が含んでいることがある。これらの負荷ポイントは、隣接する負荷ポイントに基づいて補間された調整済み負荷値で置き換えられ得る。他の一例として、価格情報１０６は、ゼロ未満又はゼロである価格ポイントを含み得る。これらの価格ポイントは、隣接する価格ポイントに基づいて補間された調整済み価格値で置き換えられ得る。データプロセッサ１１０は、処理済み負荷情報１１２及び処理済み価格情報１１４を生成し得る。

予測システム１００は、処理済み価格データ１１４から急変価格情報１２２及び非急変価格情報１２４を決定する価格データ分解部１２０を含み得る。価格データ分解部１２０は、処理済み価格情報１１４から価格急変を特定して除去し得る。少なくとも１つの実施形態において、処理済み価格情報１１４の価格急変は、急変リスク許容範囲及び／又は急変価格閾値に基づいて特定され得る。

非急変価格情報１２４を決定するため、処理済み価格情報１１４から特定された価格急変が除去され得る。特定された価格急変を除去することは、特定された価格急変の価格値を、隣接する非急変価格値に基づいて補間された値に変更することを含み得る。

急変価格情報１２２を決定するため、処理済み価格情報１１４から特定された価格急変が、非急変価格情報１２４において価格急変を置き換える特定価格急変に関する補間値で抑制され得る。非急変価格が除去され得る。結果として、急変価格情報１２２は、調整された値を持った特定された価格急変を含み得る。

価格データ分解部１２０は、異なる種類の価格情報の各々について個別に急変価格情報１２２及び非急変価格情報１２４を決定し得る。故に、第１の先行価格データは、第１の先行価格データに基づいて分解され得る。第２の先行価格データは、第２の先行価格データに基づいて分解され、未来の市場決済価格は、未来の市場決済価格に基づいて分解され得る。

一部の実施形態において、価格データ分解部１２０は、急変価格閾値と比較する回転窓とともに価格値の移動平均フィルタを用いて、処理済み価格情報１１４を決定し得る。これら及びその他の実施形態において、回転窓サイズは、急変イベントの平均長さに基づき得る。一部の実施形態において、５分ごとに発生する入札・決済価格ポイントを含むコモディティ市場に関する回転窓サイズは、３個から６個の価格ポイントを含み得る。これら及びその他の実施形態において、非急変価格情報１２４内の価格を平滑化するために、価格急変が除去された後の非急変価格情報１２４に移動平均フィルタが適用され得る。

予測システム１００は、特徴生成部１３０を含み得る。非急変価格情報１２４及び急変価格情報１２２が決定された後、特徴生成部１３０が、処理済み負荷情報１１２、処理済み価格情報１１４、急変価格情報１２２、及び非急変価格情報１２４を用いて、特徴生成を実行し得る。特徴生成部１３０によって生成される特徴は、急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃを含むことができ、本開示においてはこれらを特徴１４０と総称する。他の特徴１４０は、数ある特徴の中でもとりわけ、曜日、季節、月、日、年、場所、時、分、平滑化した負荷の導関数、価格の変化しやすさ、先の日の価格、予測負荷と実際の負荷との間の差異、価格、１時間内の急変の回数、遅延時間内に急変が存在するか否か、その場所の最低気温と最高気温、その場所の気温における最大絶対偏差、リアルタイム負荷、負荷予測、価格の遅延値、負荷、及び急変の変化しやすさ（３時間後の値、１日前の同じ時刻の値、１週間前の同じ時刻の値、並びに昨年の同じ月及び季節における値）、昨年の同じ月における分位値、昨年の同じ月のける急変統計及び頻度を含み得る。

急変検出特徴１４０ａは、処理済み価格情報１１４及び処理済み負荷情報１１２を用いて生成され得る。急変価格特徴１４０ｂは、非急変価格情報１２４又は処理済み価格情報１１４を用いることなく、処理済み負荷情報１１２及び急変価格情報１２２を用いて生成され得る。非急変価格特徴１４０ｃは、急変価格情報１２２又は処理済み価格情報１１４を用いることなく、処理済み負荷情報１１２及び非急変価格情報１２４を用いて生成され得る。

一部の実施形態において、急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃは、同様の特徴又は同様ではない特徴を含み得る。急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃに含まれ得る様々な特徴をここで説明する。様々な特徴に関して以下に続く説明は、概して価格データを参照している。価格データは、処理済み価格情報１１４、急変価格情報１２２、及び非急変価格情報１２４を表し得る。例えば、説明される特徴が非急変価格特徴１４０ｃである場合、価格データは非急変価格情報１２４を表し得る。

特徴生成部１３０によって生成される特徴１４０は、数ある特徴の中でもとりわけ、急変特徴、負荷特徴、比較負荷特徴、季節的特徴、日のタイプ特徴、時間単位の価格変動特徴、価格データ特徴、需要価格比特徴、弾力性特徴、及び急変シリーズ長さ特徴を含み得る。

急変特徴は、第１の先行価格データ内で急変が発生したかを指し示し得る。負荷特徴は、負荷情報１０８の先行負荷データの正規化を含み得る。一般的な正規化式が、特徴１４０を生成するときに適用され得る。一般的な正規化式は、時点ｔにおけるデータポイントの値とデータセット内の最小値との間の差を取って、この差を、データセット内の最大値と最小値との間の差で割ることによって、データを正規化し得る。その結果が、時点ｔでのデータポイントの値を置き換えるために使用され、それにより、時点ｔでのデータポイントが正規化される。

比較負荷特徴は、正規化された予測負荷データと正規化された先行負荷データとの間の差異とし得る。季節的特徴は、生成される予測価格に関する日の季節、例えば春（３月から５月）、夏（６月から８月）、秋（９月から１１月）、及び冬（１２月から２月）、を指し示す数とし得る。季節的特徴は、この特徴を入力として使用し得る例えば急変検出アルゴリズム１５４ａ、急変価格アルゴリズム１５４ｂ及び非急変価格アルゴリズム１５４ｃなどのアルゴリズムを生成するために使用されるデータを訓練して、複数の異なる季節からのデータを含めるときに使用され得る。訓練データが単一の季節のみからの情報を含む場合、又はコモディティの価格が季節に基づいて変化しない場合、季節的特徴は使用されなくてもよい。

日のタイプ特徴は、生成される予測価格に関する日が平日であるのか週末であるのかを指し示す数とし得る。日の特徴は、この特徴を入力として使用し得る例えば急変検出アルゴリズム１５４ａ、急変価格アルゴリズム１５４ｂ及び非急変価格アルゴリズム１５４ｃなどのアルゴリズムを生成するために使用されるデータを訓練して、週の全曜日からのデータを含めるときに使用され得る。訓練データが、平日若しくは週末からの情報を含むが双方ではない場合、又は週末であるのか平日であるのかに基づいてコモディティの価格が変化しない場合、日の特徴は使用されなくてもよい。

時間単位の価格変動特徴は、第１の先行価格データの変動を表す数とし得る。価格データ特徴は、第１及び第２の先行価格データ並びに未来の市場決済価格のうちの１つ以上の正規化を含み得る。

需要価格比特徴は、先行負荷データ及び第１の先行価格データが正規化された後の、先行負荷データと第１の先行価格データとの間の比較を含み得る。弾力性特徴は、先行負荷データ及び第１の先行価格データが正規化された後の、先行負荷データの経時変化と、第１の先行価格データの経時変化との間の比較を含み得る。急変シリーズ長さ特徴は、価格急変である連続した価格ポイントの個数を記述し得る。一部の実施形態において、急変シリーズ長さ特徴は、第１の先行価格データからの価格急変である連続した価格ポイントの個数よりも少ないものである数であってもよい。

一部の実施形態において、急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃの各々は、その特徴グループに関して特定の価格データを用いて生成される数ある特徴の中でもとりわけ本開示にて記述される特徴の全てを含み得る。それに代えて、あるいは加えて、急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃの各々は、その特徴グループに関して特定の価格データを用いて生成される数ある特徴の中でもとりわけ本開示にて記述される特徴のうちの１つ以上を含んでいてもよい。

例えば、一部の実施形態において、急変検出特徴１４０ａは、急変特徴、負荷特徴、比較負荷特徴、季節的特徴、日のタイプ特徴、時間単位の価格変動特徴、価格データ特徴、及び急変シリーズ長さ特徴を含み得る。これらの特徴は、価格急変を含む処理済み価格情報１１４を用いて生成され得る。

これら及びその他の実施形態において、急変価格特徴１４０ｂは、急変特徴、比較負荷特徴、価格データ特徴、需要価格比特徴、弾力性特徴、及び急変シリーズ長さ特徴を含み得る。これらの特徴は、非急変価格情報１２４又は処理済み価格情報１１４を用いずに、急変価格情報１２２を用いて生成され得る。

これら及びその他の実施形態において、非急変価格特徴１４０ｃは、負荷特徴、比較負荷特徴、季節的特徴、日のタイプ特徴、時間単位の価格変動特徴、価格データ特徴、需要価格比特徴、及び弾力性特徴を含み得る。これらの特徴は、急変価格情報１２２又は処理済み価格情報１１４を用いずに、非急変価格情報１２４を用いて生成され得る。急変検出特徴１４０ａ、急変価格特徴１４０ｂ、及び非急変価格特徴１４０ｃは、モデル管理部１５０に提供され得る。

モデル管理部１５０は、価格及び急変予測のために１つ以上のモデル１５２を作成し、訓練し、そして実行し得る。モデル１５２の例は、時間ベース（例えば、５分、１時間）急変予測ランダムフォレストモデル、及び時系列分位回帰モデルを含み得る。モデル１５２は、１つ以上のアルゴリズム１５４を含み得る。例えば、モデル管理部１５０は、価格モデル及び／又は急変モデルで使用され得る１つ以上のアルゴリズムを作成して訓練し得る。アルゴリズム１５４の例は、急変検出アルゴリズム、急変価格アルゴリズム、及び非急変価格アルゴリズムを含み得る。

モデル管理部１５０は、例えば価格情報１０６及び負荷情報１０８を用いる機械学習アルゴリズムを使用することなどによって、モデル１５２の生成及び／又は訓練を行い得る。一部の実施形態において、モデル１５２は各々、同種の機械学習アルゴリズムから得ることができ、各々が同様又は異なるデータで訓練され得る。一部の実施形態において、モデル１５２は各々、異種の機械学習アルゴリズムから得られてもよい。例えば、ランダムフォレストモデルが、２項分類機械学習アルゴリズムから得られ、又は集約された“急変時間”変数を予測値として用いることによって得られ得る。分位回帰モデルは、２項分類機械学習アルゴリズムから得られ、又はリアルタイム価格を予測値として用いることによって得られ得る。モデルは、モデル管理部１５０に利用可能なデータのうちの一部又は全てを用いて訓練され得る。モデルを訓練するのに使用されるデータは、“訓練データ”として参照され得る。訓練データは、そのコモディティについての先行価格及び負荷情報を含み得る。例えば、訓練データは、先行するリアルタイム価格情報、先行する未来市場決済価格、先行するリアルタイム負荷価格、及び先行する予測負荷価格などを含み得る。

これら及びその他の実施形態において、モデル１５２の各々を開発するのに使用される訓練データは異なり得る。例えば、訓練データは、そのコモディティの負荷情報及び先行急変価格情報に基づく複数の特徴を含み得る。モデル１５２の各々を開発するため、それら複数の特徴及び／又は異なるイニシャル訓練パラメータのうちのサブセット（部分集合）が、モデル１５２の各々を開発するためのクラスタ化アルゴリズムに提供され得る。故に、モデル１５２の各々は、同様であり得るが、同じ入力を用いて複数の確率的な出力配列を生成するのに十分に異なり得る。一部の実施形態において、訓練データは、例えば毎日、毎週、隔週、毎月などの特定のインターバルで更新又は追加され得る。訓練データの変化後、更新された訓練データでモデル１５２が再訓練され得る。

１つ以上のモデルの実行において、特徴１４０のうちの何れかが、入力としてモデル管理部１５０に提供され得る。モデル管理部１５０は、特徴１４０のうちの何れかをモデル１５２内のアルゴリズム１５４に提供し得る。例えば、モデル管理部１５０は、急変検出特徴を急変検出アルゴリズムに提供し、急変価格特徴を急変価格アルゴリズムに提供し、また、非急変価格特徴を非急変価格アルゴリズムに提供し得る。急変検出アルゴリズムは、急変情報１６０ａを生成し得る。急変情報１６０ａは、時刻１０２に価格急変が起こる又は起こらないと予測されるかを指し示し得る。一部の実施形態において、急変情報１６０ａは２値であり、故に、価格急変又は価格急変なしを予測し得る。それに代えて、あるいは加えて、急変情報１６０ａは、時刻１０２における価格急変の発生に関する確率を提供してもよい。モデル管理部１５０は、急変価格アルゴリズムに提供される急変価格特徴１４０ｂを用いて、急変価格１６０ｂを生成し得る。モデル管理部１５０は、非急変価格アルゴリズムにて非急変価格特徴１４０ｃを用いて、非急変価格１６０ｃを生成し得る。

予測システム１００は、急変情報１６０ａに基づいて予測急変１７４を決定する急変選択部１７０を含み得る。予測システム１００は、急変価格及び非急変価格１６０に基づいて時刻１０２におけるコモディティの予測価格１７６を決定する価格選択部１７２を含み得る。急変選択部１７０が時刻１０２での価格急変を予測しないとき、価格選択部１７２は、時刻１０２におけるコモディティの予測価格１７６として、非急変価格１６０ｃを選択し得る。急変選択部１７０が時刻１０２での価格急変を予測するとき、時刻１０２におけるコモディティの予測価格１７６は、急変価格１６０ｂに基づき得る。一部の実施形態において、価格選択部１７２は、急変価格１６０ｂのうちの２つ以上の平均値又は中央値を決定することによって、複数の急変価格１６０ｂに基づいて、時刻１０２におけるコモディティの予測価格１７６を決定し得る。

予測システム１００は、様々なデータをデータストレージ１８０に格納し得る。データストレージ１８０は、時刻１０２、場所１０３、急変リスク許容範囲及び急変価格閾値１０４、処理済み負荷情報１１２、処理済み価格情報１１４、急変価格情報１２１、非急変価格情報１２４、特徴１４０、アルゴリズム１５４、急変情報１６０ａ、急変価格１６０ｂ、非急変価格１６０ｃ、予測急変１７４、及び予測価格１７６を格納するのに使用され得る。少なくとも１つの実施形態において、データストレージ１８０は、メモリ（例えば、ランダムアクセスメモリ）、キャッシュ、ドライブ（例えば、ハードドライブ）、フラッシュドライブ、データベースシステム、又はその他のタイプのコンポーネント若しくはデータ格納可能な装置を含み得る。データストレージ１８０はまた、複数のコンピューティング装置（例えば、複数のサーバコンピュータ）にまたがっていてもよい複数の記憶コンポーネント（例えば、複数のドライブ又は複数のデータベース）を含み得る。データストレージ１８０は、予測システム１００の中に実装され得る。それに代えて、データストレージ１８０は、例えば有線接続又は無線接続などのデータリンクを介して予測システム１００に通信可能に結合されて、予測システム１００の外部にあってもよい。データストレージ１８０は、価格情報１０６及び負荷情報１０８を格納するように構成され得る。一部の実施形態において、価格情報１０６及び負荷情報１０８は、コモディティのコモディティ市場によってデータストレージ１８０に提供され得る。別のシステムからの要求を受けて、データストレージ１８０は、価格情報１０６及び負荷情報１０８をネットワーク（図示せず）上で提供するように構成され得る。

図２−４は、コモディティの価格及び／又は急変価格を予測することに関する方法例のフロー図を示している。これらの方法は、ハードウェア（回路、専用ロジックなど）、ソフトウェア（例えば、汎用コンピュータシステム若しくは専用マシン上で走る）、又はこれら双方の組み合わせを含み得る処理ロジックによって実行されることができ、該処理ロジックは、図１の予測システム１００又は別のコンピュータシステム若しくは装置に含まれ得る。しかしながら、これらの方法を実行することには、他のシステム、又は複数のシステムの組み合わせが用いられてもよい。説明の単純化のため、ここに記述される方法は一連のアクト（活動）として図示されて記述される。しかしながら、この開示に従ったアクトは、様々な順序で及び／又は同時に行われてもよく、また、ここには提示及び記述されないその他のアクトを有していてもよい。また、開示される事項に従った方法を実装することには、例示されるアクトの全てが使用されるのでなくてもよい。さらに、当業者が理解して認識するように、これらの方法は代替的に、状態図又はイベントによって一連の相互関連状態として表現され得る。また、本明細書にて開示される方法は、これらの方法をコンピューティング装置に輸送及び伝達することを容易にするために、例えば非一時的コンピュータ読み取り可能媒体などの製造物上に記憶されることができる。製造物なる用語は、ここで使用されるとき、何らかのコンピュータ読み取り可能な装置又は記憶メディアからアクセス可能なコンピュータプログラムを包含することを意図している。別個のブロックとして図示されるが、所望の実装に応じて、様々なブロックが、更なるブロックへと分割され、より少ないブロックへと結合され、あるいは排除され得る。

図２は、コモディティの急変価格を予測する一例に係る方法２００のフロー図を示している。方法２００は、ブロック２０５で開始することができ、そこで、処理ロジックは、コモディティの急変価格の予測に関連する入力を取得し得る。入力は、未来における特定の時刻、場所、急変リスク許容範囲、及び／又は急変価格閾値を含み得る。入力は、ユーザから提供され、システムから提供され、ランダムに生成され、これらの組み合わせで取得され、又はその他の方法で取得され得る。

ブロック２１０にて、処理ロジックは、入力に基づいて、コモディティの急変価格の予測を決定するのに使用され得る更なる情報を取得し得る。更なる情報は、数ある中でもとりわけ、歴史上及び先の日のデータ、リアルタイム負荷、価格、及び／又は気候データを含み得る。処理ロジックは、ブロック２０５で取得した入力のうちの一部又は全てを使用して、これら更なる情報を取得し得る。例えば、処理ロジックは、時刻及び場所を用いて、特定の地域に関する歴史的データ及び負荷データを取得し得る。

ブロック２１５にて、処理ロジックが、入力及び／又は更なる情報についてのデータ処理を実行し得る。例えば、処理ロジックは、入力及び／又は更なる情報のうちの一部又は全てを前処理して標準化し得る。例えば、処理ロジックは、重複データを除去するとともに、価格急変予測での使用のために入力及び／又は更なる情報の再フォーマット及び／又は整理を行い得る。

ブロック２２０にて、処理ロジックは特徴抽出を実行し得る。少なくとも１つの実施形態において、処理ロジックは、入力及び／又は更なる情報から１つ以上の特徴を抽出し得る。特徴は、図１に関連して更に記述した特徴１４０のうちの何れかを含み得る。処理ロジックは、未加工（ロー）データセット（例えば、入力及び／又は更なる情報）の並べ替えを用いて特徴を抽出し得る。処理ロジックは、例えば、特定の時間及び／又は位置に関する特徴を抽出し得る。例えば、その時間は１時間であり、処理ロジックは、その１時間中の価格急変について観測を行い得る。処理ロジックは、急変価格閾値を用いて、観測結果が急変を表しているかを決定し得る。処理ロジックは、その観測時間中に発生した急変の数を集約し得る。少なくとも１つの実施形態において、処理ロジックは、歴史上の情報を受け取るための変数の遅延値を取得し得る。少なくとも１つの実施形態において、処理ロジックは、予測の負荷及び価格と実際の負荷及び価格との間の差異を計算し得る。少なくとも１つの実施形態において、処理ロジックは、観測タイムスタンプから、例えば曜日、時刻、月、場所などの変数を導出し得る。処理ロジックは、抽出した特徴及び計算した特徴のうちの何らかのものをデータストレージに格納し得る。

ブロック２２５、２３０及び２３５にて、処理ロジックは、急変及び価格を予測するための１つ以上のモデルを訓練又は再訓練し得る。処理ロジックは、ブロック２２５、２３０又は２３５のうちの何れかを実行し得る。処理ロジックは、例えば、ランダムフォレストモデルを訓練し得る。

ランダムフォレストモデルは、複数の決定木（デシジョンツリー）のブートストラップ集約された集合を含み得る。処理ロジックは、データセット全体から各決定木に異なるデータ又は異なるサブセットのデータを与え得る。ランダムフォレストモデル内の各ツリーが、観測された決定木各々の終端ノードに基づいて、特定の予測値に関するリコメンデーションを生み出し得る。各決定木からのリコメンデーションが考慮されて、急変であり得るものである出力を生成するために使用される。ランダムフォレストモデルを用いることにより、各決定木のリーフ、階層、又は分裂の数が増加されることで、予測推定におけるバイアスが低減され得る。処理ロジックは、モデル予測における誤りを減らすために決定木をチューニング（例えば、訓練）し得る。

ランダムフォレストモデリングは、より多数のツリーからの入力を用いてモデル予測を作成することによって、データの変動に起因する誤りを減らし得る。また、ブートストラップ集約（例えば、“バギング”）されることで、処理ロジックは、データセット全体に代えて、データのサブセットについて各ツリーを訓練し得る。さらに、予測を作成するとき、各ツリーが、どの変数がその階層で分裂すべきかを選択するときに特徴のサブセットを考慮し得る。これは、ツリーが集合でとともに個々に変化されることを確保する。

ランダムフォレストモデリングは、一部の回帰ベースの方法よりもフレキシブルな方法を含み得る。というのは、ランダムフォレストモデリングは、予測を作成するために、数学的構造を単純化すること（例えば、データにおける線形性）に頼ることの代わりに、分裂を識別することを当てにし得るからである。ランダムフォレストモデリングは、故に、ランダムフォレストモデルが、価格における明瞭な数学的トレンド（これに急変は従わないことがある）に頼ることなく集約データセットにおけるパターンを特定し得るので、未来の急変の確率を特定するのにいっそう有用であり得る。ランダムフォレストモデルを構築するため、処理ロジックは、個々の決定木各々の各階層において、どの特徴及び対応する値が、その特徴及び対応する値での分裂によって作り出される２つのデータグループ間の非類似性を最も高めるかに基づいて、或る分裂を選択し得る。

その全体をここに援用するＴ．Ｈａｓｔｉｅ， Ｒ．Ｔｉｂｓｈｉｒａｎｉ， Ｊ．Ｆｒｉｅｄｍａｎ．Ｔｈｅ Ｅｌｅｍｅｎｔｓ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ （２ｎｄ ｅｄ．）． Ｎｅｗ Ｙｏｒｋ： Ｓｐｒｉｎｇｅｒ Ｓｅｒｉｅｓ ｉｎ Ｓｔａｔｉｓｔｉｃｓ， ２００９． Ｗｅｂ． Ｏｃｔ． ２０１５に記載されているランダムフォレストアルゴリズムの一例は、以下のようなものであり得る：
１． ｂ＝１からＢまで：
（ａ）訓練データからサイズＮのブートスラップサンプルＺ^＊を取り出す。
（ｂ）ランダムフォレストツリーＴ_ｂを、最小ノードサイズｎ_ｍｉｎに到達するまで、該ツリーの各終端ノードに対して：
（ｉ）ｐ変数からランダムにｍ変数を選択する
（ｉｉ）ｍの中で最良の変数／分裂点を選ぶ
（ｉｉｉ）そのノードを２つのドータノードへと分裂させる
というステップを再帰的に繰り返すことによって、ブートストラップされたデータに対して成長させる。
２． ツリーの集合：

を出力する。新たなポイントｘでの予測を作成する：
回帰：

分類：Ｃ_ｂ（ｘ）キャップ（“Ｃ”の上に“＾”付き）をｂ番目のランダムフォレストツリーのクラス予測とする。
そして、

とする。

モデルをチューニングして性能を最適化するために処理ロジックが使用し得るパラメータは、数ある中でもとりわけ、分裂を規定するための各階層で考慮される特徴の数、ツリーの各終端ノードにおける観測の最小数、集合内の総ツリー数を含む。

ブロック２２５にて、処理ロジックは、１時間以内の各５分インターバルでの価格急変尤度の予測を提供するために使用され得る５分間急変予測モデルを訓練し得る。少なくとも１つの実施形態において、最初の５分インターバルのおよそ３時間先での価格急変を予測するために、５分間非急変価格予測モデルが使用され得る。少なくとも１つの実施形態において、処理ロジックは、１時間以内の各５分インターバルでの非急変価格の予測を提供するために使用され得る５分間非急変予測モデルを訓練し得る。少なくとも１つの実施形態において、５分間非急変価格予測モデルは、最初の５分インターバルのおよそ３時間先での非急変価格を予測するために使用され得る。

ブロック２３０にて、処理ロジックは、１時間レベルの粒度での価格急変尤度の予測を提供するために使用され得る１時間急変予測モデルを訓練し得る。少なくとも１つの実施形態において、１時間急変予測モデルは、最初の１時間のおよそ３時間先の１時間での価格急変を予測するために使用され得る。

ブロック２３５にて、処理ロジックは、特徴のデータセット上で分位回帰モデルを訓練し得る。少なくとも１つの実施形態において、処理ロジックは、リアルタイム価格を予測値として用いて分位回帰モデルを訓練し得る。少なくとも１つの実施形態において、処理ロジックは、このモデルを、完全なデータセット又は非急変価格のデータセットについて訓練し得る。

分位回帰モデルは、ターゲット変数が複数の分位範囲の各々に入ると仮定しながらターゲット変数を予測するモデルを提供し得る。

その全体をここに援用するＲ．Ｋｏｅｎｋｅｒ， Ｋ．Ｈａｌｌｏｃｋ． “Ｑｕａｎｔｉｌｅ Ｒｅｇｒｅｓｓｉｏｎ．” Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏｎｏｍｉｃ Ｐｅｒｓｐｅｃｔｉｖｅｓ， Ｖｏｌ．１５，Ｎｏ．４（２００１）：１４３−１５６に記載されているように、以下の最適化問題：

を解くことによって、分位関数を見出し得る。ただし、ρ_τ（ｕ）＝ｕ（τ−Ｉ（ｕ＜０））、区分的に線形な“チェック関数”である。

分位回帰モデルをチューニングして性能を最適化するのに使用され得る１つのパラメータは、モデルを規定するために選択される分位点を含むことができ、これはρ_τ（ｕ）を決定し得るものである。分位回帰モデルをチューニングして性能を最適化するのに使用され得る他の１つのパラメータは、上記最適化関数を解いて分位回帰モデルをフィッティングするために選択される最適化戦略を含み得る。

少なくとも１つの実施形態において、処理ロジックは、分位回帰モデル及びそれらの結果として得られる予測値出力を所与として、各分位予測が所与の観測に関するものである可能性がどれほどかを特定し得る。図３及び４に関連して更に説明するように、この目的でランダムフォレストモデルからの予測が使用され得る。

ブロック２４０にて、処理ロジックは、予測時点特徴値を取得し得る。予測時点特徴値は、作成すべき予測に関連し得る特徴とし得る。例えば、処理ロジックは、特定の時点及び場所に関する急変及び／又は価格を予測することの要求を受信し得る。処理ロジックは、要求内で指し示された特定の時刻及び場所に関する急変及び／又は価格を予測するのに使用される予測時点特徴値を取得し得る。

ブロック２４５にて、処理ロジックは価格急変を予測し得る。価格急変を予測するため、処理ロジックは、ブロック２２５、２３０及び２３５のモデルのうちの何れかを使用し得る。価格急変を予測するための様々な方法を、図３−４に関して更に説明する。

図３は、コモディティの急変価格を予測する他の一例に係る方法３００のフロー図を示している。方法３００は、ブロック３０５で開始することができ、そこで、処理ロジックは、ランダムフォレストモデル出力からの予測された急変確率を取得し得る。少なくとも１つの実施形態において、ランダムフォレストモデルは、図１及び２に関して更に説明した５分間又は１時間ランダムフォレストモデルを含み得る。少なくとも１つの実施形態において、処理ロジックは、予測時点特徴値に基づくランダムフォレストモデル出力からの予測急変確率を取得し得る。

ブロック３１０にて、処理ロジックは、予測急変確率がリスク許容範囲よりも高いかを決定し得る。リスク許容範囲は、図１の急変リスク許容範囲及び急変価格閾値１０４を含み得る。処理ロジックは、予測急変確率をリスク許容範囲と比較して、可能性ある急変をユーザに警告すべきかを決定し得る。予測急変確率がリスク許容範囲よりも高い場合（例えば、ブロック３１０で“Ｙｅｓ”の場合）、処理ロジックは、急変が予想されることを決定して、取引戦略を変更し得る。少なくとも１つの実施形態において、処理ロジックは、予測された急変を指し示すメッセージをユーザに送信し得る。少なくとも１つの実施形態において、可能性ある急変を検出したとき、処理ロジックは、急変価格を予測することをやめてもよい。それに代わる少なくとも１つの実施形態において、可能性ある急変を検出したとき、処理ロジックは急変価格を予測してもよい。

予測急変確率がリスク許容範囲よりも低い場合（例えば、ブロック３１０で“Ｎｏ”の場合）、処理ロジックは、予測急変確率を分位回帰モデルで使用し得る。少なくとも１つの実施形態において、処理ロジックは、非急変価格を予測するためにランダムフォレスト予測を使用し得る。例えば、処理ロジックは、ランダムフォレスト予測での分位回帰推定のパラメータ化重み付けを実行し得る。ターゲット変数が正規分布しているとき、処理ロジックは、正規分布及びその密度関数から各分位モデルが最適である確率を取得し得る。少なくとも１つの実施形態において、処理ロジックは、図２に関して更に説明したように、ランダムフォレストモデルから得られた予測急変確率を用いて、各分位モデルが観測に当てはまる確率を予測し得る。処理ロジックは、ランダムフォレスト予測を用いて、分位回帰推定に対してガウス分布重み又は指数関数重みが使用され得る程度を情報提供し得る。ランダムフォレスト急変確率は、分位回帰における各分位点からの予測を増補するのに使用され得る重み関数を通知し、各分位モデルが観測に当てはまり得る程度に関して確率的推定を発展させ得る。予測価格に関する式の一例は：

を含み得る。ただし、ｆは区分的又は単調増加関数であり、ＲＦキャップ（“ＲＦ”の上に“＾”付き）はランダムフォレストモデルからの予測急変確率であり、Ｑ_ｘキャップは分位ｘモデルからの予測価格値であり、ｘは分位番号であり、μ、σ、λ、αは被チューニング定数である。

重み関数及びモデル入力は、分位回帰ポイント推定が上式に従って重み付けられるときに１つの予測価格を生み出し得る。個々の分位推定の各々に適用させる重み付けを採用するとき、予測確率はまた、次式：
（特定の分位予測の重み）／（分位重みの合計）
を含み得る。ここで、特定の分位予測は、所与の観測に関して正確であり得る。

分位回帰は、観測に当てはまり得る幾つかのモデルを提供し得る。ポイント又は確率的価格予測を提供するために、これらの分位モデルの各々をどのように重み付けるかを、ランダムフォレスト確率が指し示し得る。

ブロック３２５にて、処理ロジックは、重み付けられた分位回帰推定に基づいて、確率的又はポイント非急変価格予測を取得し得る。少なくとも１つの実施形態において、非急変確率的価格推定を予測するために、処理ロジックは、ランダムフォレスト予測された確率を用いて、分位回帰からの分位推定に対する重み関数をパラメータ化し得る。

図４は、コモディティの急変価格を予測する更なる一例に係る方法４００のフロー図を示している。ポイント及び確率的価格予測のための方法４００は、各分位推定が観測に当てはまる確率を予測するように訓練されたランダムフォレストモデルからの確率予測を使用し得る。方法４００は、ブロック４０５で開始することができ、そこで、処理ロジックは、１つ以上の訓練用観測に関する分位モデル推定を取得し得る。訓練用観測は、図２に関連して更に記述したような訓練の一部として考えられ得る。

ブロック４１０にて、処理ロジックは、どの分位モデル推定が各観測に最も近いかを計算し得る。ブロック４１５にて、処理ロジックは、最も近い分位モデルを予測値として、得られた特徴のデータセット上でランダムフォレストモデルを訓練し得る。処理ロジックは、ランダムフォレストモデルによる特定の分位推定が最良である確率を用いて、各分位モデルが観測に当てはまる確率を予測し得る。ランダムフォレストモデルは、価格の確率的推定に関する確率と、１つのポイント価格予測を取得するために各分位モデル推定に適用すべき重みとを提供し得る。

ブロック４２０にて、処理ロジックは、分位回帰モデルへの予測時点特徴値を提供し得る。処理ロジックは、分位回帰モデルに提供された予測時点特徴値に基づく各分位回帰モデルからの価格推定を取得し得る。

ブロック４２５にて、処理ロジックは、ランダムフォレストモデルから各分位推定が当てはまり得る確率を取得し得る。ブロック４３０にて、処理ロジックは、確率的価格予測のために推定及び確率を取得し得る。これに代わる一部の実施形態において、処理ロジックは、予測価格を取得するために、ランダムフォレストモデルからの各分位推定が当てはまり得る確率と、各分位回帰モデルからの価格推定とを乗算及び／又は加算してもよい。予測価格（ｐｒｉｃｅ）に関する式の一例は：

を含み得る。ただし、ＲＦキャップは（ランダムフォレストモデルからの）各分位モデルが当てはまる予測確率であり、Ｑ_ｘキャップは分位ｘモデルからの予測価格値である。

ブロック４３５にて、処理ロジックは、予測価格が価格急変閾値よりも上であるときに急変をリポートし、予測価格が価格急変閾値よりも下であるときに非急変をリポートし得る。

図５Ａ及び５Ｂは、予測された急変及び価格の視覚的出力の様々な例を示している。図５Ａは、一日分の、実際の過去の価格（実線として示され、また、領域５０５によって示される）と、一時間先の価格予測（点線として示され、また、領域５１０内に示される）との、一例に係る視覚的出力５００を示している。急変の確率の予測が、Ｌｅｖｅｌ０、Ｌｅｖｅｌ１、Ｌｅｖｅｌ２、及びＬｅｖｅｌ３という異なる確率範囲を指し示す異なる塗りつぶしパターンとして示されている。図示のように、急変の確率は、より低い急変確率をＬｅｖｅｌ０が指し示し且つより高い急変確率をＬｅｖｅｌ３が指し示すように、レベルごとに上昇する。

図５Ｂは、他の一例に係る価格急変尤度の位置特定的な予測の視覚的出力５５０を示している。図示のように、視覚化出力５５０は、下位区分に分割された地理的領域５５５を含んでいる。価格急変尤度が、Ｌｏｗ（低）、Ｍｅｄｉｕｍ（中）、及びＨｉｇｈ（高）という異なる確率範囲を指し示す異なる塗りつぶしパターンとして示されている。図示のように、急変の確率は、より低い急変確率をＬｏｗが指し示し且つより高い急変確率をＨｉｇｈが指し示すように、レベルごとに上昇する。

図６は、ここに記載される少なくとも１つの実施形態によって構成された、確率的価格及び急変予測のために構成されるコンピューティング装置６００の一例を示すブロック図である。基本構成６０２において、コンピューティング装置６００は典型的に、１つ以上のプロセッサ６０４とシステムメモリ６０６とを含んでいる。プロセッサ６０４とシステムメモリ６０６との間での通信のためにメモリバス６０８が使用され得る。

所望の構成に応じて、プロセッサ６０４は、以下に限られないが、マイクロプロセッサ（μＰ）、マイクロコントローラ（μＣ）、デジタル信号プロセッサ（ＤＳＰ）、又はこれらの組合せを含む如何なる種類のものであってもよい。プロセッサ６０４は、例えばレベル１キャッシュ６１０及びレベル２キャッシュ６１２などの１階層以上のキャッシュと、プロセッサコア６１４と、レジスタ６１６とを含み得る。プロセッサコア６１４は、算術論理ユニット（ＡＬＵ）、浮動小数点ユニット（ＦＰＵ）、デジタル信号プロセッシングコア（ＤＳＰコア）、又はこれらの組合せを含み得る。一例に係るメモリコントローラ６１８もプロセッサ６０４とともに使用され得る。あるいは、一部の実装例において、メモリコントローラ６１８はプロセッサ６０４の集積部分であってもよい。

所望の構成に応じて、システムメモリ６０６は、以下に限られないが、揮発性メモリ（例えばＲＡＭなど）、不揮発性メモリ（例えばＲＯＭ、フラッシュメモリなど）、又はこれらの組合せを含む如何なる種類のものであってもよい。システムメモリ６０６は、オペレーティングシステム６２０、１つ以上のアプリケーション６２２、及びプログラムデータ６２４を含み得る。アプリケーション６２２は、ここに記載したような入力特徴選択を実行するように構成された入力特徴選択アルゴリズム６２６を含み得る。プログラムデータ６２４は、ここに記載したような入力特徴データ６２８又はその他の入力特徴データを含み得る。一部の実施形態において、アプリケーション６２２は、図２、３及び４それぞれの方法２００、３００及び４００がここに記載のように提供され得るよう、オペレーティングシステム６２０上でプログラムデータ６２４と協働するように構成され得る。

コンピューティング装置６００は、更なる機能又は機能性と、基本構成６０２と何らかの関与する装置及びインタフェースとの間での通信を容易にする更なるインタフェースとを有していてもよい。例えば、バス／インタフェースコントローラ６３０を用いて、基本構成６０２と１つ以上のデータストレージ装置６３２との間でのストレージインタフェースバス６３４を介した通信が容易にされ得る。データストレージ装置６３２は、リムーバブルストレージ装置６３６、非リムーバブルストレージ装置６３８、又はこれらの組合せとし得る。リムーバブル及び非リムーバブルなストレージ装置の例は、数例挙げると、例えばフレキシブルディスクドライブ及びハードディスクドライブ（ＨＤＤ）などの磁気ディスク装置、例えばコンパクトディスク（ＣＤ）ドライブ又はデジタル多用途ディスク（ＤＶＤ）ドライブなどの光ディスクドライブ、ソリッドステートドライブ（ＳＳＤ）、及びテープドライブを含む。コンピュータ記憶媒体の例は、例えばコンピュータ読み取り可能命令、データ構造、プログラムモジュール又はその他のデータなどの情報の記憶のための何らかの方法又は技術で実装される、揮発性及び不揮発性の、リムーバブル及び非リムーバブルな媒体を含み得る。

システムメモリ６０６、リムーバブルストレージ装置６３６及び非リムーバブルストレージ装置６３８は、コンピュータ記憶媒体又は非一時的コンピュータ読み取り可能媒体若しくはメディアの例である。コンピュータ記憶媒体又は非一時的コンピュータ読み取り可能媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくはその他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）若しくはその他の光ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ若しくはその他の磁気記憶装置、又は、所望の情報を格納するために使用されてコンピューティング装置６００によってアクセスされ得るその他の媒体を含む。如何なるこれらコンピュータ記憶媒体又は非一時的コンピュータ読み取り可能媒体も、コンピューティング装置６００の一部とし得る。

コンピューティング装置６００はまた、様々なインタフェース装置（例えば、出力装置６４２、周辺インタフェース６４４、及び通信装置６４６）から基本構成６０２へのバス／インタフェースコントローラ６３０を介した通信を容易にするインタフェースバス６４０を含み得る。出力装置６４２の例は、グラフィックス処理ユニット６４８及びオーディオ処理ユニット６５０を含み、これらは、１つ以上のＡ／Ｖポート６５２を介して例えばディスプレイ又はスピーカなどの様々な外部装置と通信するように構成され得る。周辺インタフェース６４４は、シリアルインタフェースコントローラ６５４又はパラレルインタフェースコントローラ６５６を含み、これらは、１つ以上のＩ／Ｏポート６５８を介して、例えば入力装置（例えば、キーボード、マウス、ペン、音声入力装置、タッチ式入力装置など）、センサ、又はその他の周辺機器（例えば、プリンタ、スキャナなど）などの外部装置と通信するように構成され得る。通信装置６４６はネットワークコントローラ６６０を含み、これは、１つ以上の通信ポート６６４を介してネットワーク通信リンク上で１つ以上のその他のコンピューティング装置６６２と通信することを容易にするように構成され得る。

ネットワーク通信リンクは通信媒体の一例である。通信媒体は典型的に、コンピュータ読み取り可能命令、データ構造、プログラムモジュール、又は例えば搬送波若しくはその他の伝送機構などの変調データ信号内のその他のデータによって具現化され、如何なる情報配信媒体をも含み得る。“変調データ信号”とは、その特徴のうちの１つ以上が当該信号内に情報をエンコードするように設定あるいは変化される信号とし得る。限定ではなく例として、通信媒体は、例えば有線ネットワーク若しくは直接配線接続などの有線媒体と、例えば音響、無線周波数（ＲＦ）、マイクロ波、赤外線（ＩＲ）及びその他の無線媒体などの無線媒体とを含み得る。ここで使用される“コンピュータ読み取り可能媒体”なる用語は、記憶媒体と通信媒体との双方を含み得る。

コンピューティング装置６００は、例えばスマートフォン、携帯情報端末（ＰＤＡ）、又は用途特定装置などの、小さいフォームファクタの可搬式（あるいは携帯式）の電子機器の一部として実装され得る。コンピューティング装置６００はまた、ノート型コンピュータ及びそれ以外のコンピュータ構成の双方を含め、パーソナルコンピュータとして、又は、ラックマウントサーバ及びブレードサーバの双方のコンピュータ構成を含め、サーバコンピュータとして実装されてもよい。

ここに記載した実施形態は、コンピュータ実行可能命令又はデータ構造を担持する、あるいは格納した、コンピュータ読み取り可能媒体を用いて実装され得る。そのようなコンピュータ読み取り可能媒体は、汎用又は専用のコンピュータによってアクセスされ得る如何なる入手可能な媒体ともし得る。限定ではなく例として、そのようなコンピュータ読み取り可能媒体は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、電気的消去・プログラム可能型読み出し専用メモリ（ＥＥＰＲＯＭ）、コンパクトディスク読み出し専用メモリ（ＣＤ−ＲＯＭ）若しくはその他の光ディスクストレージ、磁気ディスクストレージ若しくはその他の磁気記憶装置、フラッシュメモリデバイス（例えば、ソリッドステートメモリデバイス）、又は、コンピュータ実行可能命令の形態の所望のプログラムコード若しくはデータ構造を担持あるいは格納するために使用されることができ且つ汎用若しくは専用のコンピュータによってアクセスされることが可能なその他の記憶媒体を含む、非一時的なコンピュータ読み取り可能記憶媒体を含み得る。以上のものの組合せもコンピュータ読み取り可能媒体の範囲に含まれ得る。

当業者が理解することになるように、ここに開示されるこの及びその他のプロセス及び方法に関し、それらのプロセス及び方法にて実行される機能は、異なる順序で実行されてもよい。また、概説したステップ及び処理は、単に例として提示したものであり、開示した実施形態の本質を逸脱することなく、これらのステップ及び処理の一部は、必要に応じてのものにされ、より少ないステップや処理へと結合され、あるいは更なるステップや処理へと展開され得る。

コンピュータ実行可能命令は、例えば、汎用コンピュータ、専用コンピュータ、又は専用処理装置（例えば、１つ以上のプロセッサ）に特定の機能又は一群の機能を実行させる命令及びデータを含み得る。構造機構及び／又は方法アクトに特有の言葉で事項を記述したが、理解されるように、添付の請求項に規定される事項は、必ずしも、上述の特定の機構又はアクトに限定されるものではない。むしろ、上述の特定の機構及びアクトは、請求項を実施することの形態例として開示されたものである。

ここで使用されるとき、用語“モジュール”又は“コンポーネント”は、モジュール若しくはコンポーネントの動作を実行するように構成された特定のハードウェア実装、及び／又は、コンピュータシステムの汎用ハードウェア（例えば、コンピュータ読み取り可能媒体、処理装置など）に格納され且つ／或いはそれによって実行され得るソフトウェアオブジェクト若しくはソフトウェアルーチンを意味し得る。一部の実施形態において、ここに記載された様々なコンポーネント、モジュール、エンジン及びサービスは、コンピュータシステム上で（例えば、別々のスレッドとして）実行される複数のオブジェクト又はプロセスとして実装され得る。ここに記載されたシステム及び方法の一部は概して、（汎用ハードウェアに格納され且つ／或いはそれによって実行される）ソフトウェアにて実装されるとして記述されているが、特有のハードウェア実装、又はソフトウェアと特有のハードウェアとの組み合わせ実装も可能であり且つ企図される。この記載において、“コンピューティングエンティティ”は、ここにて先に規定されるような何らかのコンピューティングシステム、又はコンピューティングシステム上で実行される何らかのモジュール若しくは複数のモジュールの組み合わせとし得る。

ここに記載された全ての例及び条件の説明は、本発明及び技術を進歩させるために本発明者が提供する概念を読者が理解することを支援するための教育的目的でのものであり、そのような具体的に記載された例及び条件への限定ではないとして解釈されるべきである。本発明の実施形態を詳細に説明してきたが、これらの実施形態には、本発明の精神及び範囲を逸脱することなく、様々な変形、代用及び改変が為され得る。

以上の説明に関し、更に以下の付記を開示する。
（付記１） コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を外部ソースから取得し、
第１の機械学習アルゴリズムを用いて、前記外部ソースから取得した前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する方法。
（付記２） 前記第１及び第２の機械学習アルゴリズムはそれぞれ異なる機械学習アルゴリズムである、付記１に記載の方法。
（付記３） 前記第１の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第２の機械学習アルゴリズムは分位回帰に基づく、付記２に記載の方法。
（付記４） 前記更なる情報から１つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第１の機械学習アルゴリズムを訓練する、
ことを更に有する付記１に記載の方法。
（付記５） 前記第１の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、付記４に記載の方法。
（付記６） 前記要求は、特定の時刻及び場所を含む、付記１に記載の方法。
（付記７） 前記特定の時刻における前記価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記６に記載の方法。
（付記８） 前記特定の時刻における前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の前記出力の平均である、付記７に記載の方法。
（付記９） 前記ランダムフォレストモデル内の前記複数の決定木は、前記コモディティの負荷情報及び前記コモディティの先行価格情報に基づく複数の特徴を用いて生成され、前記ランダムフォレストモデル内の前記複数の決定木の各々が、前記複数の特徴のうちのサブセットを用いて構築され、前記ランダムフォレストモデル内の前記複数の決定木のうちの第１の決定木を生成するのに使用される前記複数の特徴のうちの第１のサブセットは、前記ランダムフォレストモデル内の前記複数の決定木のうちの第２の決定木を生成するのに使用される前記複数の特徴のうちの第２のサブセットとは異なる、付記７に記載の方法。
（付記１０） 命令を格納した非一時的コンピュータ読み取り可能媒体であって、前記命令は、１つ以上のプロセッサによって実行されるときに、コモディティの価格の急変を予測する処理を実行し、前記処理は、
コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、
第１の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する、
非一時的コンピュータ読み取り可能媒体。
（付記１１） 前記第１の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第２の機械学習アルゴリズムは分位回帰に基づく、付記１０に記載の非一時的コンピュータ読み取り可能媒体。
（付記１２） 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、付記１０に記載の非一時的コンピュータ読み取り可能媒体。
（付記１３） 前記処理は更に、
前記更なる情報から１つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第１の機械学習アルゴリズムを訓練する、
ことを有する、付記１０に記載の非一時的コンピュータ読み取り可能媒体。
（付記１４） 前記要求は、特定の時刻を含み、前記特定の時刻における価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記１０に記載の非一時的コンピュータ読み取り可能媒体。
（付記１５） メモリと、
前記メモリに動作可能に結合されたプロセッサであり、
コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、
第１の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定する、
ように構成されたプロセッサと
を有し、
前記価格予測を決定するとき、前記プロセッサは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力するように構成される、
システム。
（付記１６） 前記第１の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第２の機械学習アルゴリズムは分位回帰に基づく、付記１５に記載のシステム。
（付記１７） 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、付記１５に記載のシステム。
（付記１８） 前記プロセッサは更に、
前記更なる情報から１つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第１の機械学習アルゴリズムを訓練する、
ように構成される、付記１５に記載のシステム。
（付記１９） 前記第１の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、付記１８に記載のシステム。
（付記２０） 前記要求は、特定の時刻を含み、前記特定の時刻における価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記１５に記載のシステム。

Claims (12)

1. コモディティの価格の急変の予測を実行することの要求を取得し、
   前記要求に基づいて、前記コモディティの更なる情報を外部ソースから取得し、
   第１の機械学習アルゴリズムを用いて、前記外部ソースから取得した前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
   前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
   前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
   ことを有する方法。
2. 前記第１及び第２の機械学習アルゴリズムはそれぞれ異なる機械学習アルゴリズムである、請求項１に記載の方法。
3. 前記第１の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第２の機械学習アルゴリズムは分位回帰に基づく、請求項２に記載の方法。
4. 前記更なる情報から１つ以上の特徴を抽出し、
   抽出された特徴に基づいて前記第１の機械学習アルゴリズムを訓練する、
   ことを更に有する請求項１に記載の方法。
5. 前記第１の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、請求項４に記載の方法。
6. 前記要求は、特定の時刻及び場所を含む、請求項１に記載の方法。
7. 前記特定の時刻における前記価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、請求項６に記載の方法。
8. 前記特定の時刻における前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の前記出力の平均である、請求項７に記載の方法。
9. 前記ランダムフォレストモデル内の前記複数の決定木は、前記コモディティの負荷情報及び前記コモディティの先行価格情報に基づく複数の特徴を用いて生成され、前記ランダムフォレストモデル内の前記複数の決定木の各々が、前記複数の特徴のうちのサブセットを用いて構築され、前記ランダムフォレストモデル内の前記複数の決定木のうちの第１の決定木を生成するのに使用される前記複数の特徴のうちの第１のサブセットは、前記ランダムフォレストモデル内の前記複数の決定木のうちの第２の決定木を生成するのに使用される前記複数の特徴のうちの第２のサブセットとは異なる、請求項７に記載の方法。
10. 命令を格納した非一時的コンピュータ読み取り可能媒体であって、前記命令は、１つ以上のプロセッサによって実行されるときに、コモディティの価格の急変を予測する処理を実行し、前記処理は、
    コモディティの価格の急変の予測を実行することの要求を取得し、
    前記要求に基づいて、前記コモディティの更なる情報を取得し、
    第１の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
    前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
    前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
    ことを有する、
    非一時的コンピュータ読み取り可能媒体。
11. メモリと、
    前記メモリに動作可能に結合されたプロセッサであり、
    コモディティの価格の急変の予測を実行することの要求を取得し、
    前記要求に基づいて、前記コモディティの更なる情報を取得し、
    第１の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
    前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
    前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第２の機械学習アルゴリズムを用いて、価格予測を決定する、
    ように構成されたプロセッサと
    を有し、
    前記価格予測を決定するとき、前記プロセッサは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力するように構成される、
    システム。
12. 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、請求項１１に記載のシステム。

Images