JP2019197323A - 予測システムおよび予測方法 - Google Patents

Abstract

【課題】宇宙空間に生じる現象の発生メカニズムの解明にも利用可能な予測モデルを用いた予測システムが提供される。【解決手段】予測システムは、宇宙空間に由来する時系列の観測データを取得する取得部と、観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出する特徴量算出部と、特徴量算出部により算出された複数の特徴量を予測モデルに与えることで、予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出する推定部とを含む。【選択図】図１

Description

本技術は、宇宙空間に生じる現象を予測するための予測システムおよび予測方法に関する。

宇宙空間で生じる様々な現象の解析および予測は、観測できる情報が限られていることもあり容易ではない。宇宙空間で生じる様々な現象の一つとして、従来から、太陽の活動、特に太陽で生じる爆発現象（一般的に「太陽フレア」、あるいは単に「フレア」と称される。）の観測および予測が続けられている。大規模な太陽フレアが発生すると、高エネルギー粒子の放出、フレアＸ線放射、太陽風じょう乱などが生じる。この結果、衛星障害、衛星測位の障害、短波通信の障害、航空機の経路変更、送電設備のトラブルといった社会影響が生じ得る。そのため、太陽フレアの発生を予測して、不慮の事態に備える体制が整えられている。

このような太陽フレアの発生を予測する手法として、例えば、非特許文献１には、太陽の観測画像をニューラルネットワークの一つであるＣＮＮ（Convolutional Neural Network）に入力して、太陽フレアの発生確率をクラス（規模）毎に算出する方法が開示されている。

Xin Huang, Huaning Wang, Long Xu, Jinfu Liu, Rong Li, and Xinghua Dai, "Deep Learning Based Solar Flare Forecasting Model. I. Results for Line-of-sight Magnetograms," The American Astronomical Society, The Astrophysical Journal, 856:7(11pp), 2018 March 20 N. Nishizuka, K. Sugiura, Y. Kubo, M. Den, S. Watari, M. Ishii, "Solar Flare Prediction Model with Three Machine-learning Algorithms using Ultraviolet Brightening and Vector Magnetograms," The Astrophysical Journal, 835:156(10pp), 2017 February 1

非特許文献１に開示される手法によれば、ラベル付けされた観測画像をＣＮＮに与えることで予測モデルが構築される。このような画像ベースの手法で構築された予測モデルが良好な予測精度を示したとしても、太陽フレアの発生を予測するために、観測画像中に現れるどのような現象に着目すればよいのかといった科学的知見を得ることは難しい。すなわち、太陽フレアの発生確率を単に予測できるだけではなく、太陽フレアの発生メカニズムを解明するための何らかのフィードバックが得られるような予測モデルが好ましい。

本技術は、宇宙空間に生じる現象の発生メカニズムの解明にも利用可能な予測モデルを用いた予測システムを提供することを目的としている。

本発明のある局面によれば、宇宙空間に生じる現象を予測するための予測システムが提供される。予測システムは、宇宙空間に由来する時系列の観測データを取得する取得部と、観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出する特徴量算出部と、特徴量算出部により算出された複数の特徴量を予測モデルに与えることで、予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出する推定部とを含む。

複数の特徴量は、予測タイミングの直前の所定期間内において観測されたデータ要素に基づいて算出される特徴量を含むようにしてもよい。

推定部は、予測期間内において第１の事象が発生する第１の確率と、予測期間内において第１の事象が発生しない第２の確率とを算出するようにしてもよい。

推定部は、複数の事象の各々が発生する確率を算出するとともに、算出された確率が最大となる事象を予測結果として出力するようにしてもよい。

予測モデルは、直列に接続された複数の線形結合層と、複数の線形結合層のうち第１の線形結合層の入力と第１の線形結合層とは異なる第２の線形結合層の出力とを結合するスキップ経路とを含むようにしてもよい。

１または複数の事象は、所定クラス以上の太陽フレアが発生する確率を含むようにしてもよい。

特徴量算出部は、太陽の活動領域を検出および時間的にトラッキングする手段と、トラッキングされる活動領域において生じた太陽フレアのクラスを取得する手段と、所定の算出周期毎に、複数の特徴量を算出するとともに、当該算出した複数の特徴量に、複数の特徴量の算出タイミングに引き続く予測期間内において生じた太陽フレアの最大のクラスを示すラベルを付与して、トレーニングサンプルを生成する手段とを含むようにしてもよい。予測システムは、トレーニングサンプルを用いた教師有り学習により予測モデルを規定するネットワークパラメータを最適化する学習部をさらに含んでいてもよい。

予測システムは、予測モデルの予測精度への各特徴量の影響度を算出する影響度算出部をさらに含んでいてもよい。

本発明の別の局面によれば、宇宙空間に生じる現象を予測するための予測方法が提供される。予測方法は、宇宙空間に由来する時系列の観測データを取得するステップと、観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出するステップと、算出された複数の特徴量を予測モデルに与えることで、予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出するステップとを含む。

本発明のさらに別の局面によれば、太陽フレアが発生する確率を推定するように、コンピュータを機能させるための学習済モデルが提供される。学習済モデルは、太陽の活動領域を検出および時間的にトラッキングするステップと、トラッキングされる活動領域において生じた太陽フレアのクラスを取得するステップと、所定の算出周期毎に、複数の特徴量を算出するとともに、当該算出した複数の特徴量に、複数の特徴量の算出タイミングに引き続く予測期間内において生じた太陽フレアの最大のクラスを示すラベルを付与して、トレーニングサンプルを生成するステップと、トレーニングサンプルを用いた教師有り学習により予測モデルを規定するネットワークパラメータを最適化するステップとにより生成される。

本技術によれば、宇宙空間に生じる現象の発生メカニズムの解明にも利用可能な予測モデルを用いた予測システムを実現できる。

本実施の形態に従う予測システムの概略構成を示す模式図である。 本実施の形態に従う予測システムによる太陽フレアの発生確率を算出する時間的関係を説明するための図である。 本実施の形態に従う予測システムにおいて用いられる観測画像および検出された活動領域の一例を示す図である。 本実施の形態に従う予測システムによる教師ラベルの付与およびトレーニングサンプルの生成処理を説明するための図である。 本実施の形態に従う予測システムが採用する予測モデルのネットワークの一例を示す模式図である。 図５に示すニューラルネットワークの一例を示す模式図である。 本実施の形態に従う予測装置を実現するためのハードウェア構成の一例を示す模式図である。 本実施の形態に従う予測システムの学習フェーズに係る処理手順を示すフローチャートである。 本実施の形態に従う予測システムの運用フェーズに係る処理手順を示すフローチャートである。 本実施の形態に従う予測システムが提供する予測結果の出力例を示す図である。 本実施の形態に従う予測システムにおいて特徴量の重要度の評価手順を説明するための模式図である。

本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰返さない。

［Ａ．予測システムのアプリケーション例］
本実施の形態に従う予測システム１は、宇宙空間に由来する時系列の観測データに基づいて、宇宙空間に生じる１または複数の現象を予測する。１または複数の現象の予測は、各現象の発生確率を算出することを含む。

以下の説明においては、このような宇宙空間に生じる現象の一例として、太陽フレアの発生確率を予測するアプリケーションについて例示する。より具体的には、予測システム１が予測する１または複数の事象としては、所定クラス以上の太陽フレアが発生する確率を含む。

図１は、本実施の形態に従う予測システム１の概略構成を示す模式図である。図１を参照して、予測システム１は、太陽２で生じる爆発現象である太陽フレアの発生確率を事前に予測する。

予測システム１は、宇宙空間に由来する時系列の観測データを取得する機能を有している。より具体的には、予測システム１は、太陽２を観測する構成として、地上観測施設４を利用可能になっている。地上観測施設４は、光学望遠鏡６、および／または、電波へリオグラフ、太陽電波強度偏頗計、ミリ波電波望遠鏡、ミリ波干渉計などの電波望遠鏡７と、観測装置８とを含む。

観測装置８は、光学望遠鏡６および／または電波望遠鏡７により観測された信号に基づいて時系列の観測データを出力する。複数の地上観測施設４から観測データを収集するようにしてもよいし、単一の地上観測施設４に複数の光学望遠鏡６および／または電波望遠鏡７を配置するようにしてもよい。

予測システム１は、さらに、観測用衛星１０と、地上受信施設１２とをさらに利用可能であってもよい。観測用衛星１０は、宇宙空間において太陽２から放射される各種電磁波や粒子を観測し、その観測結果を地上受信施設１２に送信する。地上受信施設１２は、通信用アンテナ１４と、通信装置１６とを含む。通信装置１６は、通信用アンテナ１４により受信された電波を信号処理して観測データを出力する。

観測装置８および／または通信装置１６から出力される観測データは、観測データ収集装置１８に蓄積される。観測データ収集装置１８は、要求に応じて、蓄積している観測データを出力する。

予測システム１における宇宙空間に由来する時系列の観測データを取得する機能は、観測施設および観測装置を現実に有している必要はなく、利用可能な観測施設および観測装置から時系列の観測データを取得（典型的には、ダウンロードなど）するための任意の手段を含む。

予測システム１は、特徴量算出部３０および推定器４０を含む予測装置２０を有している。

特徴量算出部３０は、観測データ収集装置１８からの観測データに基づいて、太陽フレアの発生確率の算出に用いられる互いに異なる複数の特徴量を算出する。予測時においては、特徴量算出部３０は、観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出することになる。

推定器４０は、後述するようにＤＮＮ（Deep Neural Network：深層ニューラルネットワーク）を利用した予測モデルを有しており、特徴量算出部３０により算出されるそれぞれの特徴量を要素とする特徴量ベクトルが入力されると、太陽フレアの発生確率を算出する。より具体的には、推定器４０は、特徴量算出部３０により算出された複数の特徴量を予測モデルに与えることで、予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々（所定クラス以上の太陽フレア）が発生する確率を算出する。

図２は、本実施の形態に従う予測システム１による太陽フレアの発生確率を算出する時間的関係を説明するための図である。図２を参照して、任意の時間に推定処理を実施したとする。この推定処理を実施したタイミングから予め定められた期間だけ先までの間（予測期間）において、太陽フレアが発生する確率が算出される。既存の太陽フレア観測の運用に倣って、本実施の形態に従う予測システム１においては、太陽フレアの規模（クラス）別に発生確率を算出する。

例えば、太陽フレアの規模の指標として、Ｘ線等級を用いると、放射されるＸ線強度の最大値によって、低い方からＡ，Ｂ，Ｃ，Ｍ，Ｘの計５つのクラスが規定されている。実用上、Ｘ，Ｍ，Ｃクラスの太陽フレアの発生確率が重要であり、特に、発生頻度が相対的に高いＭクラスおよびＣクラスに注目されることが多い。

なお、本実施の形態に従う予測システム１が出力する発生確率は、例えば、Ｍクラス以上の太陽フレアが発生する確率およびＣクラス以上の太陽フレアが発生する確率をそれぞれ算出するようにしてもよい。さらに、太陽フレアの規模（クラス）の指標としては、Ｘ線等級に代えて、Ｈα等級あるいはＲスケールなどを用いてもよい。

推定処理においては、当該推定処理を実施した時刻の直前の観測データから算出された複数の特徴量が用いられる。特徴量算出部３０（図１）により算出される特徴量は、予測タイミングの直前の所定期間内において観測されたデータ要素に基づいて算出される特徴量を含む。

各特徴量の算出に用いられる観測データの観測期間などは任意に決定される。予測精度を高めるためには、特徴量の算出に用いられる観測データの種類、算出される特徴量の内容、および特徴量の算出に用いられる観測データの期間などを多様化することが好ましい。

［Ｂ．特徴量］
本実施の形態に従う予測モデルにおいては、上述の先行技術とは異なり、観測データから算出された複数の特徴量を用いて、太陽フレアの発生確率を予測する。まず、特徴量の算出方法などについて説明する。

（ｂ１：概要）
太陽フレアの観測の歴史は古く、かつ、世界各国において観測設備が整えられている。本願発明者らは、アメリカ航空宇宙局（ＮＡＳＡ：National Aeronautics and Space Administration）が管理する太陽観測衛星であるＳＤＯ（Solar Dynamics Observatory）、および、アメリカ海洋大気庁（ＮＯＡＡ：National Oceanic and Atmospheric Administration）が管理する気象衛星であるＧＯＥＳ（Geostationary Operational Environmental Satellite）により収集された観測データを利用した。

様々な観測データが収集されているが、本実施の形態においては、（１）視線方向磁場画像（line-of-sight magnetogram）、（２）ベクトル磁場画像（vector magnetogram）、（３）１６００Åフィルター処理がなされたＥＵＶ高温コロナ発光画像（hot coronal brightening)画像、（４）１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像、（５）軟Ｘ線放射強度曲線（the light curves of the soft X-ray emission）などを用いた。

なお、視線方向磁場画像は、ＳＤＯに搭載されたＨＭＩ（Helioseismic and Magnetic Imager）により観測される。また、光球上部のＵＶ連続光は、ＳＤＯに搭載されたＡＩＡ（Atmospheric Imaging Assembly）の１６００Åフィルター処理結果により得られる。太陽フレアが生じている領域のＥＵＶ高温コロナ発光画像は、ＳＤＯによる１３１Åフィルター処理結果により得られる。１−８Åの範囲に亘るＸ線放射の全面積分値はＧＯＥＳにより観測される。

視線方向磁場画像の観測周期は４５秒であり、ベクトル磁場画像の観測周期は１２分であり、１６００Åフィルター処理画像および１３１Åフィルター処理画像の観測周期はいずれも１２秒であり、ＧＯＥＳの観測周期は１分以下である。このような観測周期で生じるデータサイズなどを考慮して、本実施の形態に従う予測システム１においては、１時間周期で特徴量の算出および予測が可能に構成されている。

予測システム１においては、視線方向磁場の全面画像（full-disk images）から活動領域（active regions：以下「ＡＲ」または「ＡＲｓ」とも標記される。）が検出され、各活動領域は時間経過に沿ってトラッキングされる。

各活動領域について、複数波長による観測結果から特徴量が算出されるとともに、対象の画像が観測された時間から２４時間以内にＸ，Ｍ，Ｃのいずれかのクラスの太陽フレアが発生している場合には、当該算出された特徴量にその発生した太陽フレアのクラスを示すラベルが付与されて、データベースに格納される。

このようにラベル付けされた特徴量をトレーニングサンプルとして、ＤＮＮによる教師有り学習を実行する。すなわち、本実施の形態に従う予測システム１において用いられる予測モデルは、教師有り学習により生成される学習済みモデルに相当する。

本実施の形態における教師有り学習では、１時間毎に、次に続く２４時間以内に生じ得る太陽フレアの最大のクラスを予測するというタスクを学習する。今回利用した観測データの観測周期などの都合上、１時間毎に特徴量が算出されることになっており、これに応じて、教師有り学習の周期も決定されている。

なお、各トレーニングサンプルにおいて、対応する観測データが欠落している場合には、直近の３０分以内に存在する過去の観測データが探索され、それも欠落している場合には、当該周期の学習処理はスキップされる。

本願発明者らは、２０１０年６月から２０１５年１２月までにＳＤＯ（２０１０年２月より運用開始）によって取得された観測データを利用した。この期間内において、Ｘクラスの太陽フレアが２６回、Ｍクラスの太陽フレアが３８３回、Ｃクラスの太陽フレアが４０５４回観測されている。これらの太陽面上において観測された太陽フレアは、当該期間内に発生した全太陽フレアの約９０％に相当する。

（ｂ２：活動領域の検出）
まず、取得された観測画像から特徴量を算出するための活動領域（ＡＲ）が検出される。すなわち、特徴量算出部３０は、太陽の活動領域を検出および時間的にトラッキングする。典型的には、視線方向磁場の全面画像から活動領域が検出されてもよい。視線方向磁場画像は、ベクトル磁場画像に比較してノイズが少なく、活動領域の検出処理をより正確に実行できる。

活動領域の検出は、例えば、各視線方向磁場画像において、予め定められたしきい値（例えば、１４０Ｇ（ガウス））以上の領域を探索および抽出することで実現できる。そして、検出された活動領域のフレーム内の座標位置が他の画像（すなわち、異なる波長で観測された画像）にも適用される。なお、光球面画像（photospheric images）において天体の外縁に検出された活動領域については、無効なものとして特徴量の算出対象から除外するようにしてもよい。検出された活動領域をトラッキングするにあたって、ユニークな識別番号を付与するようにしてもよい。より具体的な活動領域の検出方法については、非特許文献２などを参照のこと。

図３は、本実施の形態に従う予測システム１において用いられる観測画像および検出された活動領域の一例を示す図である。図３（ａ）には、ＳＤＯに搭載されたＨＭＩにより観測された白色光強度（while light intensity）の全面画像の一例を示す。図３（ａ）には、４箇所の活動領域が検出されている。図３（ｂ）には、ＳＤＯに搭載されたＨＭＩにより観測された視線方向磁場の全面画像の一例を示す。図３（ｃ）には、ＳＤＯに搭載されたＡＩＡにより観測され１６００Åフィルター処理がなされたＵＶ連続光の全面画像の一例を示す。図３（ｄ）には、ＳＤＯに搭載されたＡＩＡにより観測され１３１Åフィルター処理がなされた高温コロナ発光の全面画像の一例を示す。

なお、図３（ａ）〜（ｄ）の各画像に設定された活動領域ＡＲ１においては、図３（ａ）〜（ｄ）の各画像が観測された時点から３時間後にＸ５．４クラスの太陽フレアが生じている。

（ｂ３：活動領域についての特徴量算出）
本実施の形態に従う予測システム１においては、視線方向磁場画像、ベクトル磁場画像、１６００Åフィルター処理がなされたＥＵＶ高温コロナ発光画像、および、ＧＯＥＳにより収集された１−８Åの範囲のＸ線データから必要な特徴量が算出される。

さらに、１０^７Ｋ以上の温度で放出される２０価の鉄イオン（Ｆｅ_ＸＸ）および２３価の鉄イオン（Ｆｅ_{ＸＸＩＩＩ}）の輝線発光を示す、１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像（ＳＤＯに搭載されたＡＩＡにより観測される）を用いた特徴量を算出してもよい。

実用上の予測を想定すると、１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像、および、ＧＯＥＳにより収集されたＸ線データの直前１時間前および直前２時間前の画像も特徴量として採用してもよい。

また、１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像における各活動領域における最大強度を特徴量として採用してもよい。

より具体的には、本書の最後に付録として添付した７９次元（７９種類）の特徴量を用いる。なお、各特徴量は、検出された活動領域（ＡＲ）の各々について算出される。

本実施の形態に従う予測システム１においては、各特徴量を要素とする特徴量ベクトルを生成して、予測モデルに入力することで、対象の活動領域における太陽フレアの発生確率が推定される。

なお、上述した特徴量のすべてを含む特徴量ベクトルを必ずしも生成する必要はなく、その一部およびその時系列を用いるようにしてもよい。

（ｂ４：特徴量へのラベル付与およびトレーニングサンプルの生成）
次に、所定周期毎に算出される特徴量（特徴量ベクトル）に対する教師ラベルの付与およびトレーニングサンプルの生成について説明する。

図４は、本実施の形態に従う予測システム１による教師ラベルの付与およびトレーニングサンプルの生成処理を説明するための図である。図４を参照して、上述したような複数の特徴量は、所定の算出周期（例えば、１時間）毎に算出される。特徴量の算出タイミングに引き続く所定期間（例えば、２４時間）（予測期間に相当）内に生じた太陽フレアのうち最も大きなクラスを当該特徴量の教師ラベルとして設定する。

従って、例えば、時刻ｔ_ｎにおいて特徴量群（特徴量ベクトル）が算出されると、当該時刻ｔ_ｎに引き続く予測期間内に生じた太陽フレアのうち最も大きなクラスが教師ラベルとして決定される。

その結果、任意の活動領域ＡＲ_ｉについての時刻ｔ_ｎのトレーニングサンプルとして、｛ＡＲ_ｉ（ｔ_ｎ）：教師ラベル｜特徴量１，特徴量２，特徴量３，・・・｝が生成される。活動領域毎に、トラッキング可能な時間期間に亘って、所定周期毎にトレーニングサンプルが順次生成される。このように、特徴量算出部３０は、トラッキングされる活動領域において生じた太陽フレアのクラスを取得する。そして、特徴量算出部３０は、所定の算出周期毎に、複数の特徴量を算出するとともに、当該算出した複数の特徴量に、複数の特徴量の算出タイミングに引き続く予測期間内において生じた太陽フレアの最大のクラスを示すラベルを付与して、トレーニングサンプルを生成する。

これらのトレーニングサンプルを用いて、予測モデルを学習することになる。すなわち、本実施の形態に従う予測システム１は、トレーニングサンプルを用いた教師有り学習により予測モデルを規定するネットワークパラメータを最適化する。

［Ｃ．予測モデル］
次に、本実施の形態に従う予測システム１が採用する予測モデル４００について説明する。

図５は、本実施の形態に従う予測システム１が採用する予測モデル４００のネットワークの一例を示す模式図である。図５に示す予測モデル４００は、ＤＮＮに分類されるネットワークであり、推定器４０内に実装される。予測モデル４００は、複数の層を有しており、入力には観測データから算出される特徴量ベクトル（本実施の形態においては、７９次元の規格化された特徴量）が与えられ、クラス毎の太陽フレアの発生確率が出力される。

図５には、予測モデル４００における入力から出力までのマップが示されている。予測モデル４００は、線形結合および活性化関数（通常は、非線形）を含む、複数のニューラルネットワークの層を含む。より具体的には、予測モデル４００は、線形結合層４１１，４１２，４１３，４１４，４１５，４１６と、非線形結合層４１７とを含む。

図６は、図５に示すニューラルネットワークの一例を示す模式図である。図６（ａ）には、線形結合層４１１，４１２，４１３，４１４，４１５，４１６のネットワークの一例を示し、図６（ｂ）には、非線形結合層４１７のネットワークの一例を示す。

図６（ａ）には、最も単純なネットワークとして、入力層４４２と出力層４４４との間に１つの隠れ層４４３が配置された構成例を示す。入力層４４２には特徴量を示す入力ベクトル４４１が与えられ、出力層４４４からは線型結合された結果である出力ベクトル４４５が出力される。

基本的には、入力層４４２に含まれる各ノードと隠れ層４４３に含まれる各ノードとは相互に結合している。入力層４４２の各ノードと隠れ層４４３の各ノードとの間の結合に付与される重み係数の集合である重み係数ベクトル４４６が学習により決定される。同様に、隠れ層４４３に含まれる各ノードと出力層４４４に含まれる各ノードとは相互に結合している。隠れ層４４３の各ノードと出力層４４４の各ノードとの間の結合に付与される重み係数の集合である重み係数ベクトル４４７が学習により決定される。

必要に応じて、隠れ層４４３の各ノードに付加されるバイアスの集合であるバイアスベクトル４４８、および、出力層４４４の各ノードに付加されるバイアスの集合であるバイアスベクトル４４９が設定される。

図６（ａ）に示すようなネットワークを用いることで、入力ベクトル４４１から出力ベクトル４４５までの間は、重み係数ベクトル４４６，４４７およびバイアスベクトル４４８，４４９で規定される１次の線形結合となる。すなわち、図６（ａ）に示すネットワークは、入力データ群を線形変換する集合であり、入力ベクトルｘと出力ベクトルｙとの間は、重み係数ベクトルＷ（図６（ａ）に示す重み係数ベクトルＷ１，Ｗ２をまとめたもの）と、バイアスベクトルｂ（図６（ａ）に示すバイアスベクトルｂ１，ｂ２をまとめたもの）とを用いて、以下のようなアフィン変換の形で表すことができる。

ｙ＝ｆ（ｘ；Ｗ，ｂ）＝ｆ（Ｗｘ＋ｂ）
図６（ｂ）には、図６（ａ）に示すネットワークに加えて、活性化関数としての正規化線形関数（rectified linear unit；以下「ＲｅＬＵ関数」とも称す。）４５１と、Ｓｏｆｔｍａｘ関数４５２とがさらに付加されているネットワークを示す。ＲｅＬＵ関数４５１は、非線形の活性化関数に従って、各ノードに入力される特徴量を後段に伝達する。より具体的には、ＲｅＬＵ関数４５１は、入力ベクトルｘに対して、以下のような値を出力する。

ＲｅＬＵ（ｘ）＝ｌｏｇ（１＋ｅｘｐ（ｘ））≒ｍａｘ（ｘ，０）
Ｓｏｆｔｍａｘ関数４５２は、ＲｅＬＵ関数４５１から出力される特徴ベクトルについての確率を正規化してクラス毎の確率を推定する。

なお、図６（ａ）および図６（ｂ）に示すネットワークは一例であり、線形結合層４１１，４１２，４１３，４１４，４１５，４１６および非線形結合層４１７の各々において、入力層のノード数、出力層のノード数、隠れ層の層数などは適宜決定すればよい。また、活性化関数についても、ＲｅＬＵ関数およびＳｏｆｔｍａｘ関数に限定されず、任意の活性化関数を用いることができる。

再度図５を参照して、予測モデル４００は、太陽フレアの発生確率ｐ（ｙ）を出力する。本実施の形態においては、推定器４０は、予測モデル４００を用いて、予測期間内において第１の事象が発生する第１の確率と、予測期間内において第１の事象が発生しない第２の確率との２種類の確率を少なくとも算出する。

一例として、Ｍクラス以上（あるいは、Ｃクラス以上）の太陽フレアの発生確率に着目している。ここで、ｙは太陽フレアのクラスを示すベクトルであり、ｙ＝（ｙ_１，ｙ_２）として定義される。（ｙ_１，ｙ_２）＝（０，１）であるときには、Ｍクラス以上（あるいは、Ｃクラス以上）の太陽フレアが発生するとの事象を示し、（ｙ_１，ｙ_２）＝（１，０）であるときには、Ｍクラス未満（あるいは、Ｃクラス未満）の太陽フレアが発生する、あるいは、太陽フレアが発生しないとの事象を示すものとする。

後述する予測性能評価においては、Ｍクラス以上（あるいは、Ｃクラス以上）の太陽フレアが発生するとの事象の発生確率と、Ｍクラス（あるいは、Ｃクラス以上）未満の太陽フレアが発生する、あるいは、太陽フレアが発生しないとの事象の発生確率とをそれぞれ推定し、その推定された発生確率のうち値の大きな方を最終結果として採用した。

予測モデル４００において、各層の間には、バッチ正規化処理（Batch Normalization：「ＢＮ」とも標記される。）４２１，４２２，４２３，４２４，４２５，４２６が実施される。バッチ正規化処理は、各層の入力パラメータを正規化することで、学習を安定化させるとともに、予測精度を高める。

入力ベクトルｘ＝｛ｘ_１，ｘ_２，・・・，ｘ_ｎ｝に対するバッチ正規化処理からの出力ベクトルｙ＝｛ｙ_１，ｙ_２，・・・，ｙ_ｎ｝は以下の（１Ａ）および（１Ｂ）式のように表すことができる。

ここで、μ_Ｂはミニバッチの平均値を示し、σ_Ｂはミニバッチの分散を示す。ミニバッチとは、１回のフォワード／バックワード経路におけるトレーニングサンプルの数に相当する。ミニバッチは、バッチ正規化処理によって実際に正規化される。式中のγおよびβは、重み係数と同様の方法で最適化される。εは、ゼロ除算が発生するのを防止するための任意の値を示し、添え字ｉは隠れ層のノードインデックスを示す。

さらに、図５に示す予測モデル４００においては、層数を増大させるために、比較的簡素なスキップコネクションを導入している。すなわち、予測モデル４００は、直列に接続された複数の線形結合層と、複数の線形結合層のうち第１の線形結合層の入力と第１の線形結合層とは異なる第２の線形結合層の出力とを結合するスキップ経路とを含む。このスキップコネクションは、予測モデルの予測精度を高めるとともに、層数が大きくなることによる勾配の消失または発散を防止するように機能する。

より具体的には、予測モデル４００は、２つのスキップコネクションを有している。第１のスキップコネクションは、線形結合層４１１の入力側から線形結合層４１２の出力側に繋がるスキップ経路４３１と、スキップ経路４３１を線形結合層４１２の出力側に結合するための加算器４３２とからなる。第２のスキップコネクションは、線形結合層４１３の入力側から線形結合層４１５の出力側に繋がるスキップ経路４３３と、スキップ経路４３３を線形結合層４１５の出力側に結合するための加算器４３４とからなる。

一般的には、層数が増大しすぎるとモデル精度は低下する。この課題を解決するために、スキップコネクションを用いて各層の残差関数を学習させることで、ネットワークパラメータを最適化するアルゴリズムが提案されている。このようなスキップコネクションを採用することで、層数が増大した場合であっても、モデル精度の向上および学習を安定化できる。

推定器４０は、複数の事象の各々が発生する確率を算出するとともに、算出された確率が最大となる事象を予測結果として出力する。すなわち、ｋ個のラベルｙ_ｋ ^＊の各々についての推定された発生確率ｐ（ｙ_ｋ）のうち最大であるもの（発生確率が最大となるラベル）を予測結果として出力する。具体的には、以下の（２）式に示すような形で予測結果が決定される。

［Ｄ．予測モデルの学習］
次に、図５に示す予測モデル４００を構築するための学習処理について説明する。予測精度を最大化するように、図５に示す予測モデル４００を学習するにあたって、以下に示すようなコスト関数Ｊを最小化するように、ネットワークパラメータが最適化される。

一般的な識別問題においては、クロスエントロピーを最小化するように、ネットワークパラメータが最適化される。しかしながら、本実施の形態に従う予測モデル４００が取り扱う事象においては、太陽フレアの発生確率がバランスしていないため、以下の（３）式に示すような、重み付きクロスエントロピーの総和をコスト関数Ｊとして採用している。

（３）式において、ｗ_ｋは各クラスｋについての重み係数であり、各クラスの発生確率の逆数が採用されている。ｙ_ｎｋ ^＊はクラスｋにおけるｎ番目のトレーニングサンプルの教師ラベルを示し、ｐ（ｙ_ｎｋ）はクラスｋにおけるｎ番目のトレーニングサンプルについて推定された発生確率を示す。

本実施の形態に従う予測システム１においては、以下のＴａｂｌｅ１に示すようなパラメータに従う予測モデル４００を設定し、任意の最適化メソッドを用いて、予測モデル４００を規定するネットワークパラメータを最適化する。予測モデル４００の各層のノード数およびバッチ正規化処理におけるバッチサイズは、５０−２００の範囲の値に設定されてもよい。また、線形結合層の数は４〜９ぐらいが好ましく、必要に応じて、スキップコネクションを適宜付加するようにしてもよい。

最適化メソッドとしては、例えば、Ａｄａｍ（Adaptive moment estimation）法を用いることができる。

［Ｅ．予測装置２０のハードウェア構成］
次に、本実施の形態に従う予測装置２０のハードウェア構成の一例について説明する。図７は、本実施の形態に従う予測装置２０を実現するためのハードウェア構成の一例を示す模式図である。予測装置２０は、典型的には、汎用コンピュータを用いて実現される。

図７を参照して、予測装置２０は、主要なハードウェアコンポーネントとして、プロセッサ１００と、主メモリ１０２と、ディスプレイ１０４と、入力デバイス１０６と、ネットワークインターフェイス（Ｉ／Ｆ：interface）１０８と、光学ドライブ１１０と、入力インターフェイス（Ｉ／Ｆ）１１４と、出力インターフェイス（Ｉ／Ｆ）１１６と、二次記憶装置１２０とを含む。これらのコンポーネントは、内部バス１１８を介して互いに接続される。

プロセッサ１００は、後述するような各種プログラムを実行することで、本実施の形態に従う予測システム１の実現に必要な処理を実行する演算主体であり、例えば、１または複数のＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などで構成される。複数のコアを有するようなＣＰＵまたはＧＰＵを用いてもよい。

主メモリ１０２は、プロセッサ１００がプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域であり、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスなどで構成される。

ディスプレイ１０４は、処理に係るユーザインターフェイスや処理結果などを出力する表示部であり、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）ディスプレイなどで構成される。

入力デバイス１０６は、ユーザからの命令や操作などを受付けるデバイスであり、例えば、キーボード、マウス、タッチパネル、ペンなどで構成される。また、入力デバイス１０６としては、機械学習に必要な音声を収集するためのマイクロフォンを含んでいてもよいし、機械学習に必要な音声を収集した集音デバイスと接続するためのインターフェイスを含んでいてもよい。

ネットワークインターフェイス１０８は、インターネット上またはイントラネット上の任意の情報処理装置などとの間でデータを遣り取りする。ネットワークインターフェイス１０８としては、例えば、イーサネット（登録商標）、無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式を採用できる。

光学ドライブ１１０は、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ（Digital Versatile Disc）などの光学ディスク１１２に格納されている情報を読出して、内部バス１１８を介して他のコンポーネントへ出力する。光学ディスク１１２は、非一過的（non-transitory）な記録媒体の一例であり、任意のプログラムを不揮発的に格納した状態で流通する。光学ドライブ１１０が光学ディスク１１２からプログラムを読み出して、二次記憶装置１２０などにインストールすることで、コンピュータにより予測システム１の機能を提供できるようになる。従って、本発明の主題は、二次記憶装置１２０などにインストールされたプログラム自体、または、本実施の形態に従う機能や処理を実現するためのプログラムを格納した光学ディスク１１２などの記録媒体でもあり得る。

図７には、非一過的な記録媒体の一例として、光学ディスク１１２などの光学記録媒体を示すが、これに限らず、フラッシュメモリなどの半導体記録媒体、ハードディスクまたはストレージテープなどの磁気記録媒体、ＭＯ（Magneto-Optical disk）などの光磁気記録媒体を用いてもよい。

入力インターフェイス１１４は、外部の観測装置などと接続され、必要な観測データなどを取込む。出力インターフェイス１１６は、表示デバイスなどと接続され、太陽フレアの発生確率などの予測結果（推定結果）を出力する。入力インターフェイス１１４および出力インターフェイス１１６は、ＵＳＢ（Universal Serial Bus）などの汎用的な通信インターフェイスを用いることができる。

二次記憶装置１２０は、プロセッサ１００にて実行されるプログラム、後述するようなニューラルネットワークを学習させるための訓練データセット、および、ニューラルネットワークを規定するネットワークパラメータなどを格納するコンポーネントであり、例えば、ハードディスク、ＳＳＤ（Solid State Drive）などの不揮発性記憶装置で構成される。

より具体的には、二次記憶装置１２０は、図示しないＯＳ（Operating System）の他、特徴量算出部３０を実現するための特徴量算出プログラム１２２と、予測モデルを構築するための学習プログラム１２４と、予測モデルを用いて太陽フレアの発生確率を算出するための推定プログラム１２６と、予測モデルの実体であるニューラルネットワークを規定するネットワークパラメータ１３０とを格納している。また、二次記憶装置１２０には、トレーニングデータセット１３２が格納されていてもよい。

これらのプログラムをプロセッサ１００で実行する際に必要となるライブラリや機能モジュールの一部を、ＯＳが標準で提供するライブラリまたは機能モジュールを用いて代替するようにしてもよい。この場合には、各プログラム単体では、対応する機能を実現するために必要なプログラムモジュールのすべてを含むものにはならないが、ＯＳの実行環境下にインストールされることで、必要な機能を実現できる。このような一部のライブラリまたは機能モジュールを含まないプログラムであっても、本発明の技術的範囲に含まれ得る。

また、これらのプログラムは、上述したようないずれかの記録媒体に格納されて流通するだけでなく、インターネットまたはイントラネットを介してサーバ装置などからダウンロードすることで配布されてもよい。

図７には、単一のコンピュータが予測システム１を構成する例を示すが、これに限らず、コンピュータネットワークを介して接続された複数のコンピュータが明示的または黙示的に連携して、予測システム１を含む全体システムを実現するようにしてもよい。複数のコンピュータが連携する場合、一部のコンピュータがいわゆるクラウドコンピュータと称される、ネットワーク上にある不特定のコンピュータであってもよい。

コンピュータ（プロセッサ１００）がプログラムを実行することで実現される機能の全部または一部を、集積回路などのハードワイヤード回路（hard-wired circuit）を用いて実現してもよい。例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）などを用いて実現してもよい。

当業者であれば、本発明が実施される時代に応じた技術を適宜用いて、本実施の形態に従う予測システムを実現できるであろう。

［Ｆ．処理手順］
次に、本実施の形態に従う予測システム１における処理手順の一例について説明する。

（ｆ１：学習フェーズ）
まず、本実施の形態に従う予測システム１における予測モデル４００を構築する学習フェーズに係る処理手順について説明する。

図８は、本実施の形態に従う予測システム１の学習フェーズに係る処理手順を示すフローチャートである。図８に示す各ステップは、典型的には、予測装置２０のプロセッサ１００が特徴量算出プログラム１２２および学習プログラム１２４（いずれも図７参照）を実行することで実現される。

図８を参照して、まず、予測装置２０は、予測モデル４００の学習に必要な観測データを収集する（ステップＳ１００）。

そして、予測装置２０は、活動領域の検出およびトラッキングを実行する。より具体的には、予測装置２０は、収集されている観測データのうち、各時刻の視線方向磁場の全面画像から活動領域を検出し（ステップＳ１０２）、位置的および時間的に連続する活動領域を同一の活動領域としてトラッキングする（ステップＳ１０４）。そして、予測装置２０は、トラッキングされた活動領域の時間系列について、各時刻における座標位置を決定する（ステップＳ１０６）。

続いて、トレーニングサンプルの生成処理が実行される。すなわち、予測装置２０は、トラッキングされた活動領域のうち、１つの活動領域の時間系列を選択し（ステップＳ１０８）、選択されている活動領域のトラッキング中に生じた太陽フレアの発生時刻および発生したクラスを取得する（ステップＳ１１０）。さらに、予測装置２０は、選択されている活動領域のトラッキング期間について所定の算出周期毎に、予め定められた複数の特徴量をそれぞれ算出して特徴量ベクトルを生成する（ステップＳ１１２）とともに、特徴量ベクトルを生成した基準タイミングに引き続く予測期間において発生した太陽フレアのクラスに基づいて教師ラベルを取得し（ステップＳ１１４）、当該取得した教師ラベルを生成した特徴量ベクトルに付与して、トレーニングサンプルを生成する（ステップＳ１１６）。

予測装置２０は、選択されている活動領域のトラッキング期間のすべてについて、トレーニングサンプルの生成が完了したか否かを判断する（ステップＳ１１８）。選択されている活動領域のトラッキング期間のすべてについて、トレーニングサンプルの生成が完了していなければ（ステップＳ１１８においてＮＯ）、ステップＳ１１２〜Ｓ１１６の処理が繰返される。

一方、選択されている活動領域のトラッキング期間のすべてについて、トレーニングサンプルの生成が完了してれば（ステップＳ１１８においてＹＥＳ）、予測装置２０は、トラッキングされた活動領域のすべてが処理済みであるか否かを判断する（ステップＳ１２２）。トラッキングされた活動領域のうち未処理の活動領域が存在していれば（ステップＳ１２２においてＮＯ）、予測装置２０は、未処理の活動領域のうち１つを選択し（ステップＳ１２４）、ステップＳ１１０以下の処理を再度実行する。

一方、トラッキングされた活動領域のすべてが処理済みであれば（ステップＳ１２２においてＹＥＳ）、トレーニングサンプルの生成処理は完了する。

続いて、予測装置２０は、予測モデル４００を構築する処理を実行する。すなわち、予測装置２０は、対象の予測モデル４００の各ネットワークパラメータを初期化（ランダムに決定）し（ステップＳ１２６）、上述の処理によって生成された複数のトレーニングサンプルの各々に含まれる特徴量ベクトルを予測モデル４００に入力し（ステップＳ１２８）、予測モデル４００から出力される推定結果と入力されたトレーニングサンプルに付与されている教師ラベルとを比較して、予測モデル４００を規定するネットワークパラメータを更新する（ステップＳ１３０）。

予測装置２０は、予測モデル４００に対する学習処理の終了条件が成立したか否かを判断し（ステップＳ１３２）、学習処理の終了条件が成立していなければ（ステップＳ１３２においてＮＯ）、ステップＳ１２８以下の処理を繰返す。ここで、学習処理の終了条件としては、生成したすべてのトレーニングサンプルによる学習が完了したこと、および／または、新たなトレーニングサンプルを入力したときのネットワークパラメータの更新量が予め定められたしきい値未満であること、などを含めてもよい。

予測モデル４００に対する学習処理の終了条件が成立していれば（ステップＳ１３２においてＹＥＳ）、予測装置２０は、現在の予測モデル４００を規定するネットワークパラメータを学習結果として出力する（ステップＳ１３４）。そして、処理は終了する。

（ｆ２：運用フェーズ）
次に、本実施の形態に従う予測システム１を用いた太陽フレアの発生確率を算出する運用フェーズに係る処理手順について説明する。

図９は、本実施の形態に従う予測システム１の運用フェーズに係る処理手順を示すフローチャートである。図９に示す各ステップは、典型的には、予測装置２０のプロセッサ１００が特徴量算出プログラム１２２および推定プログラム１２６（いずれも図７参照）を実行することで実現される。

図９を参照して、予測装置２０は、予め定められた予測タイミングが到来したか否かを判断する（ステップＳ２００）。予め定められた予測タイミングが到来していなければ（ステップＳ２００においてＮＯ）、ステップＳ２００の処理が繰返される。

予め定められた予測タイミングが到来していれば（ステップＳ２００においてＹＥＳ）、予測装置２０は、１または複数の活動領域が検出できるか否かを判断する（ステップＳ２０２）。活動領域が検出できなければ（ステップＳ２０２においてＮＯ）、予測装置２０は、予測対象の活動領域が存在しないことを結果として出力する（ステップＳ２０４）。そして、処理は終了する。

一方、１または複数の活動領域が検出できれば（ステップＳ２０２においてＹＥＳ）、予測装置２０は、検出された活動領域のうち１つの活動領域を選択する（ステップＳ２０６）。そして、予測装置２０は、予め定められた複数の特徴量をそれぞれ算出して特徴量ベクトルを生成する（ステップＳ２０８）。続いて、予測装置２０は、生成した特徴量ベクトルを予測モデル４００に入力し、ラベル毎の発生確率を算出する（ステップＳ２１０）。そして、予測装置２０は、算出されたラベル毎の発生確率のうち、発生確率が最大であるものを、選択されている活動領域の予測結果として決定する（ステップＳ２１２）。

続いて、予測装置２０は、検出された活動領域のすべてが処理済みであるか否かを判断する（ステップＳ２１４）。検出された活動領域のうち未処理の活動領域が存在していれば（ステップＳ２１４においてＮＯ）、予測装置２０は、未処理の活動領域のうち１つを選択し（ステップＳ２１６）、ステップＳ２０８以下の処理を再度実行する。

一方、検出された活動領域のすべてが処理済みであれば（ステップＳ２１４においてＹＥＳ）、予測装置２０は、活動領域毎の太陽フレアの発生確率を出力し（ステップＳ２１８）、処理は終了する。

（ｆ３：その他の形態）
説明の便宜上、予測装置２０が予測モデル４００の構築（学習フェーズ）と予測モデル４００を用いた太陽フレアの発生確率の算出（運用フェーズ）との両方を実行する例を示したが、これに限らず、予測モデル４００を構築する主体と、予測モデル４００を用いて予測を実行する主体とが別であってもよい。

例えば、特定の機関が予測モデル４００を構築し、その構築した予測モデル４００を他の機関に提供するような実施形態も想定される。このような場合には、本発明の本質的部分は、構築された予測モデル４００そのものである。

［Ｇ．予測結果の出力形態］
本実施の形態に従う予測システム１により出力される予測結果は、どのような形態で利用されてもよい。例えば、現在の運用では、専門家が観測データに基づいて太陽フレアの発生確率を予測しており、このような予測の一指標として利用されてもよい。

このような場合、各活動領域についての太陽フレアの発生確率を一見して把握できるようなユーザインターフェイスを提供するようにしてもよい。

図１０は、本実施の形態に従う予測システム１が提供する予測結果の出力例を示す図である。図１０においては、視線方向磁場画像から検出された活動領域毎に、各クラスの太陽フレアの発生確率がグラフ表示されている。より具体的には、活動領域毎に、Ｍクラス以上の太陽フレアが発生する確率（≧Ｍ）、Ｍクラス以上の太陽フレアが発生しない確率（＜Ｍ）、Ｃクラス以上の太陽フレアが発生する確率（≧Ｃ）、および、Ｃクラス以上の太陽フレアが発生しない確率（＜Ｃ）を示す棒グラフが表示されている。

このように実際に観測された画像上に算出された発生確率が視覚的に表示されることで、いずれの活動領域において太陽フレアの発生確率が高いのかを一見して把握できる。

［Ｈ．予測性能評価の結果］
次に、本実施の形態に従う予測システム１による予測結果に基づく予測性能評価の結果について説明する。以下の予測性能評価においては、既存の運用と同様に、２４時間以内における太陽フレアの発生確率を推定した。

以下の予測性能評価においては、２０１０年から２０１５年までの観測データを２つのグループに分けた。具体的には、２０１０年から２０１４年までの観測データは、トレーニングおよびバリデーションに用いるグループとし、２０１５年の観測データはテスト（すなわち、予測性能評価）に用いるグループとした。

このように時系列に沿って２つのグループに分離することで、過去の観測データに基づいて将来（未知）の現象を予測するという予測タスクに対する性能をより正確に評価できる。

以下に示す予測性能評価を算出するにあたって、トレーニングデータセットのミニバッチを用いて、予測モデル４００についての最適化処理を多数回に亘って繰返した。トレーニングサンプルに対応するミニバッチは、予測モデル４００の１回のフォワード／バックワード経路におけるサンプルの数に対応させた。ミニバッチについては、重複を避けるために、すべてのトレーニングデータセットからランダムに選択した。学習において、予測モデル４００のネットワークパラメータの更新は、エポック毎、すなわちフォワード／バックワード経路毎に実行した。また、ミニバッチを用いて収束を高速化した。

予測性能評価においては、２カテゴリーの予測を実行した。具体的には、（１）Ｍクラス以上の太陽フレアが発生するとの事象、または、Ｍクラス未満の太陽フレアが発生する、あるいは、太陽フレアが発生しないとの事象のいずれか、ならびに、（２）Ｃクラス以上の太陽フレアが発生するとの事象、または、Ｃクラス未満の太陽フレアが発生する、あるいは、太陽フレアが発生しないとの事象のいずれかである。なお、対象とした観測データには、Ｘクラスの太陽フレアの発生数が不十分であったので、Ｘクラスの単独ではなく、Ｍクラスに含める形で予測している。

予測性能評価においては、テストデータを用いて、構築した予測モデル４００をエポック毎に評価した。これらの評価により、スキルスコアとしてＴＳＳ（true skill score）が最も高い予測モデル４００を最も良いモデルとして選択した。

本実施の形態に従う予測モデル４００の評価結果を以下のＴａｂｌｅ２−１および２−２に示す。

Ｔａｂｌｅ２−１および２−２においては、ＴＰ（True Positive）、ＦＰ（False Positive）、ＴＮ（True Negative）、ＦＮ（False Negative）の４種類の結果事象を示す。

ＴＰは、太陽フレアが発生するとの予測に対して、実際の観測結果においても太陽フレアが発生した事象の数を示す。ＦＰは、太陽フレアが発生するとの予測に対して、実際の観測結果においては太陽フレアが発生しなかった事象の数を示す。ＴＮは、太陽フレアが発生しないとの予測に対して、実際の観測結果においても太陽フレアが発生しなかった事象の数を示す。ＦＮは、太陽フレアが発生しないとの予測に対して、実際の観測結果においては太陽フレアが発生した事象の数を示す。

なお、多くの予測周期において太陽フレアは発生しないので、ＴＮの事象数が相対的に多くなっている。また、Ｃクラス以上の太陽フレアの発生は、Ｍクラス以上の太陽フレアの発生を含むので、Ｃクラス以上についてのＴＰは、相対的に大きな値となっている。

太陽フレアの発生予測のタスクにおいては、代表的なスキルスコアとして、以下に示すような６種類が知られている。

ＰＯＤ（probability of detection）は、再現率を意味し、式（４Ａ）に従って算出できる。ＣＳＩ（criteria success of index）は、式（４Ｂ）に従って算出できる。ＦＡＲ（false alarm ratio）は、式（４Ｃ）に従って算出できる。ＨＳＳ（Heidke skill score）は、式（４Ｄ）に従って算出できる。ＴＳＳ（true skill score）は、式（４Ｅ）に従って算出できる。正確性を意味するＡｃｃｕｒａｃｙは、式（４Ｆ）に従って算出できる。なお、式中の（´）は反転（ＮＯＴ）を意味する。

本実施の形態に従う予測モデル４００による予測結果を各スキルスコアに関して評価した結果を以下のＴａｂｌｅ３に示す。

上述のＴａｂｌｅ３には、ベースラインとして、非特許文献１に開示されるＳＶＭ、ｋＮＮ、ＥＲＴの各手法でのスキルスコアを併せて示す。

Ｔａｂｌｅ３に示すように、本実施の形態に従う予測モデル４００によれば、一般的な運用と同様の条件下において、Ｍクラス以上の太陽フレアの発生確率についてのＴＳＳは「０．８０」となり、Ｃクラス以上の太陽フレアの発生確率についてのＴＳＳは「０．６３」となっている。これらの結果は、専門家の予測に基づく発生確率についてのＴＳＳより優れている。

［Ｉ．重要度評価］
次に、本実施の形態に従う予測システム１において用いられる予測モデル４００は、複数の特徴量に基づいて太陽フレアの発生確率を予測する構成を採用しており、さらに、各特徴量の重要度を評価することもできる。

図１１は、本実施の形態に従う予測システム１において特徴量の重要度の評価手順を説明するための模式図である。図１１を参照して、まず、利用可能なすべての特徴量を含む特徴量ベクトル４６０を用いた学習処理により、予測モデル４００を構築する。この構築した予測モデル４００を基準予測モデルとし、この基準予測モデルに対してテストデータ４７０を与えた場合に得られる予測結果についてのスキルスコアを算出する。この算出されるスキルスコアが基準スキルスコアとなる。

続いて、例えば、利用可能なすべての特徴量のうち、特徴量１を削除した特徴量ベクトル４６１を生成し、特徴量ベクトル４６１を用いた学習処理により、予測モデル４０１を構築する。予測モデル４０１は、特徴量１を削除した状態での学習結果である。さらに、構築した予測モデル４０１に対してテストデータ４７１（特徴量１に相当する成分は削除されている）を与える場合に得られる予測結果についてもスキルスコアを算出する。この算出されるスキルスコアが特徴量１を削除した場合の性能となる。

最終的に、基準スキルスコアと特徴量１を削除した場合に算出されたスキルスコアとの差分（すなわち、スキルスコアの変化度合い）を、削除した特徴量１のスキルスコアへの影響度（すなわち、重要度）として算出できる。

図１１と同様の方法に従って、各特徴量についてのスキルスコアへの影響度（重要度）をそれぞれ算出できる。最終的に、重要度に基づいて特徴量をランク付けすることで、太陽フレアの発生予測にどのような特徴量が重要であるかを推定できるとともに、その推定された特徴量の情報は太陽フレアの発生メカニズムを解明する手がかりとなり得る。

このように、本実施の形態に従う予測システム１は、予測モデル４００の予測精度への各特徴量の影響度を算出する影響度算出機能を有しており、図１１に示すような処理手順に従って、各特徴量の重要度を客観的に評価できる数値を出力するようにしてもよい。

［Ｊ．まとめ］
本実施の形態に従う予測システム１によれば、画像ベースではなく、太陽の活動を様々な観点でとらえた複数の特徴量を入力として用いた予測モデルを採用する。複数の特徴量を用いることで、画像をそのまま用いる場合に比較して、情報の次元数を抑制できるので、全結合ネットワークを構成することも可能となり、比較的少ない層数で予測精度の高い予測モデルを実現できる。

また、本実施の形態に従う予測システム１によれば、複数の特徴量を入力とする予測モデルを採用するので、学習の結果構築された予測モデルの予測精度に基づいて、予測精度に対する各特徴量の重要度を算出できる。これによって、どのような特徴量が予測に影響を与えるのかといった知識が得られ、太陽フレアの発生メカニズムを解明できる。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

［Ｋ．付録］

１ 予測システム、２ 太陽、４ 地上観測施設、６ 光学望遠鏡、７ 電波望遠鏡、８ 観測装置、１０ 観測用衛星、１２ 地上受信施設、１４ 通信用アンテナ、１６ 通信装置、１８ 観測データ収集装置、２０ 予測装置、３０ 特徴量算出部、４０ 推定器、１００ プロセッサ、１０２ 主メモリ、１０４ ディスプレイ、１０６ 入力デバイス、１０８ ネットワークインターフェイス、１１０ 光学ドライブ、１１２ 光学ディスク、１１４ 入力インターフェイス、１１６ 出力インターフェイス、１１８ 内部バス、１２０ 二次記憶装置、１２２ 特徴量算出プログラム、１２４ 学習プログラム、１２６ 推定プログラム、１３０ ネットワークパラメータ、１３２ トレーニングデータセット、４００，４０１ 予測モデル、４１１，４１２，４１３，４１４，４１５，４１６ 線形結合層、４１７ 非線形結合層、４３１，４３３ スキップ経路、４３２，４３４ 加算器、４４１ 入力ベクトル、４４２ 入力層、４４３ 隠れ層、４４４ 出力層、４４５ 出力ベクトル、４４６，４４７ 重み係数ベクトル、４４８，４４９ バイアスベクトル、４５１ 正規化線形関数（ＲｅＬＵ関数）、４５２ Ｓｏｆｔｍａｘ関数、４６０，４６１ 特徴量ベクトル、４７０，４７１ テストデータ、ＡＲ 活動領域、Ｊ コスト関数。

Claims (6)

1. 宇宙空間に生じる現象を予測するための予測システムであって、
   前記宇宙空間に由来する時系列の観測データを取得する取得部と、
   前記観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出する特徴量算出部と、
   前記特徴量算出部により算出された複数の特徴量を予測モデルに与えることで、前記予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出する推定部とを備える、予測システム。
2. 前記複数の特徴量は、前記予測タイミングの直前の所定期間内において観測されたデータ要素に基づいて算出される特徴量を含む、請求項１に記載の予測システム。
3. 前記推定部は、複数の事象の各々が発生する確率を算出するとともに、算出された確率が最大となる事象を予測結果として出力する、請求項１または２に記載の予測システム。
4. 前記１または複数の事象は、所定クラス以上の太陽フレアが発生する確率を含む、請求項１〜３のいずれか１項に記載の予測システム。
5. 前記予測モデルの予測精度への各特徴量の影響度を算出する影響度算出部をさらに備える、請求項１〜４のいずれか１項に記載の予測システム。
6. 宇宙空間に生じる現象を予測するための予測方法であって、
   前記宇宙空間に由来する時系列の観測データを取得するステップと、
   前記観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出するステップと、
   前記算出された複数の特徴量を予測モデルに与えることで、前記予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出するステップとを備える、予測方法。