JP2019197323A - 予測システムおよび予測方法 - Google Patents
予測システムおよび予測方法 Download PDFInfo
- Publication number
- JP2019197323A JP2019197323A JP2018090085A JP2018090085A JP2019197323A JP 2019197323 A JP2019197323 A JP 2019197323A JP 2018090085 A JP2018090085 A JP 2018090085A JP 2018090085 A JP2018090085 A JP 2018090085A JP 2019197323 A JP2019197323 A JP 2019197323A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- probability
- feature
- feature amount
- solar flare
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000005352 clarification Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 48
- 238000012549 training Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 29
- 238000012545 processing Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 13
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005282 brightening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- -1 iron ions Chemical class 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004846 x-ray emission Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Claims (6)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018090085A JP7199075B2 (ja) | 2018-05-08 | 2018-05-08 | 予測システムおよび予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018090085A JP7199075B2 (ja) | 2018-05-08 | 2018-05-08 | 予測システムおよび予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019197323A true JP2019197323A (ja) | 2019-11-14 |
JP7199075B2 JP7199075B2 (ja) | 2023-01-05 |
Family
ID=68537537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018090085A Active JP7199075B2 (ja) | 2018-05-08 | 2018-05-08 | 予測システムおよび予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7199075B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160411A (zh) * | 2019-12-11 | 2020-05-15 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
CN111965733A (zh) * | 2020-08-25 | 2020-11-20 | 哈尔滨工业大学 | 一种预报因子与太阳耀斑发生的相关性评估方法 |
CN113989273A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 一种基于k-近邻的太阳耀斑预报方法 |
CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
CN115795741A (zh) * | 2023-01-31 | 2023-03-14 | 北京适创科技有限公司 | 缩孔缩松预测方法、装置及电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001324576A (ja) * | 2000-05-15 | 2001-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 事象予測方法及びシステム及び予測事象配信方法及びシステム |
JP2004501354A (ja) * | 2000-04-18 | 2004-01-15 | カーメル システムズ リミテッド ライアビリティ カンパニー | 宇宙気象予報方法及びシステム |
JP2004157118A (ja) * | 2002-10-16 | 2004-06-03 | National Institute Of Information & Communication Technology | プラズマ対流予測装置、プラズマ対流予測方法 |
US20090090869A1 (en) * | 2007-09-21 | 2009-04-09 | Ephraim Fischbach | Detection of Solar Events |
JP2016031282A (ja) * | 2014-07-29 | 2016-03-07 | 国立大学法人京都大学 | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 |
JP2016152039A (ja) * | 2015-02-19 | 2016-08-22 | 富士通株式会社 | データ出力方法、データ出力プログラムおよびデータ出力装置 |
-
2018
- 2018-05-08 JP JP2018090085A patent/JP7199075B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004501354A (ja) * | 2000-04-18 | 2004-01-15 | カーメル システムズ リミテッド ライアビリティ カンパニー | 宇宙気象予報方法及びシステム |
JP2001324576A (ja) * | 2000-05-15 | 2001-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 事象予測方法及びシステム及び予測事象配信方法及びシステム |
JP2004157118A (ja) * | 2002-10-16 | 2004-06-03 | National Institute Of Information & Communication Technology | プラズマ対流予測装置、プラズマ対流予測方法 |
US20090090869A1 (en) * | 2007-09-21 | 2009-04-09 | Ephraim Fischbach | Detection of Solar Events |
JP2016031282A (ja) * | 2014-07-29 | 2016-03-07 | 国立大学法人京都大学 | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 |
JP2016152039A (ja) * | 2015-02-19 | 2016-08-22 | 富士通株式会社 | データ出力方法、データ出力プログラムおよびデータ出力装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160411A (zh) * | 2019-12-11 | 2020-05-15 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
CN111160411B (zh) * | 2019-12-11 | 2023-09-29 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
CN111965733A (zh) * | 2020-08-25 | 2020-11-20 | 哈尔滨工业大学 | 一种预报因子与太阳耀斑发生的相关性评估方法 |
CN113989273A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 一种基于k-近邻的太阳耀斑预报方法 |
CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
CN115795741A (zh) * | 2023-01-31 | 2023-03-14 | 北京适创科技有限公司 | 缩孔缩松预测方法、装置及电子设备和存储介质 |
CN115795741B (zh) * | 2023-01-31 | 2023-04-14 | 北京适创科技有限公司 | 缩孔缩松预测方法、装置及电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7199075B2 (ja) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7199075B2 (ja) | 予測システムおよび予測方法 | |
Muthukrishna et al. | RAPID: early classification of explosive transients using deep learning | |
Wu et al. | Retracted article: evolving deep convolutional neutral network by hybrid sine–cosine and extreme learning machine for real-time COVID19 diagnosis from X-ray images | |
Fayaz et al. | A deep neural network framework for real‐time on‐site estimation of acceleration response spectra of seismic ground motions | |
Trippe et al. | Conditional density estimation with bayesian normalising flows | |
US11423325B2 (en) | Regression for metric dataset | |
Leka et al. | The NWRA classification infrastructure: description and extension to the discriminant analysis flare forecasting system (DAFFS) | |
Dagaeva et al. | Big spatio‐temporal data mining for emergency management information systems | |
Williams et al. | Monitoring dynamic spatio‐temporal ecological processes optimally | |
TW201224812A (en) | Probabilistic data mining model comparison engine | |
CN108986872A (zh) | 用于大数据电子病历约简的多粒度属性权重Spark方法 | |
Thompson et al. | Inferring extinction risks from sighting records | |
Artemov et al. | Nonparametric decomposition of quasi-periodic time series for change-point detection | |
Ho et al. | Approximate Bayesian uncertainties on deep learning dynamical mass estimates of galaxy clusters | |
Kshirsagar et al. | Becoming good at AI for good | |
Park et al. | Anomaly detection in particulate matter sensor using hypothesis pruning generative adversarial network | |
Li et al. | Efficient regional seismic risk assessment via deep generative learning of surrogate models | |
Nandhini et al. | Predictive analytics for climate change detection and disease diagnosis | |
US20130013551A1 (en) | Process analysis | |
Khuhawar et al. | On‐Ground Distributed COVID‐19 Variant Intelligent Data Analytics for a Regional Territory | |
Conrado et al. | Scenario-based reasoning and probabilistic models for decision support | |
Saxena et al. | Multimodal spatio-temporal prediction with stochastic adversarial networks | |
Date et al. | A new algorithm for latent state estimation in non-linear time series models | |
Popolizio et al. | The GAIN Method for the Completion of Multidimensional Numerical Series of Meteorological Data. | |
Karaahmetoglu et al. | Spatiotemporal sequence prediction with point processes and self-organizing decision trees |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210413 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220330 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220711 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7199075 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |