JP2019219959A - 評価システム、評価方法およびプログラム - Google Patents
評価システム、評価方法およびプログラム Download PDFInfo
- Publication number
- JP2019219959A JP2019219959A JP2018117353A JP2018117353A JP2019219959A JP 2019219959 A JP2019219959 A JP 2019219959A JP 2018117353 A JP2018117353 A JP 2018117353A JP 2018117353 A JP2018117353 A JP 2018117353A JP 2019219959 A JP2019219959 A JP 2019219959A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- prediction
- evaluation
- learning engine
- unit
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】機械学習を継続しながら、機械学習アルゴリズムを評価できる評価システム、評価方法およびプログラムを提供すること。【解決手段】評価システムは、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部と、第1時間後に得られた第2データが、予測部が予測することによって得られた第1予測値と一致するか否かによって、第1機械学習エンジンを評価する評価部とを備える。【選択図】図2
Description
本発明の実施形態は、評価システム、評価方法およびプログラムに関する。
近年、深層学習を用いた人工知能(artificial intelligence: AI)の学習性能が飛躍的に向上しており、様々な分野で実用的な導入が進んでいる。特に、金融業界では、ブロックチェーンとAIとを組み合わせることで、ヘッジファンドで、新たな動きが生じている。
また、多数のAIアルゴリズムの予測性能を競わせる仕組みが稼働している(例えば、非特許文献1参照)。
一方、電力市場取引システムでは、参加企業の担当者の判断で、現時点の電力量の需要に基づいて、数日、数時間単位の市場における電力取引の将来の電力量の需要を、地域別や、時間帯別に予測している。
また、多数のAIアルゴリズムの予測性能を競わせる仕組みが稼働している(例えば、非特許文献1参照)。
一方、電力市場取引システムでは、参加企業の担当者の判断で、現時点の電力量の需要に基づいて、数日、数時間単位の市場における電力取引の将来の電力量の需要を、地域別や、時間帯別に予測している。
電力市場取引システムでは、分散電源などの普及に伴い、地域別、時間帯別にさらに細かく、電力の需要予測を行うことが重要になると想定される。このため、参加企業の担当者の判断では、電力の需要予測が難しくなっていくと想定される。地域別、時間帯別にさらに細かく、電力の需要予測を行うには、電力量の履歴、電力量の予測値、電力量の計画値、気象条件、イベントなどの従来参照していた情報に加え、予測者の常識の範囲を超えた様々な情報を用いて予測することが重要になると想定される。
予測者の常識の範囲を超えた様々な情報を用いて予測する技術として、AI技術を取り入れることが検討されている。
予測者の常識の範囲を超えた様々な情報を用いて予測する技術として、AI技術を取り入れることが検討されている。
仮に、電力の需要予測に、AI技術を採り入れて、多数のAIアルゴリズムの予測性能を競わせる場合に、以下の(1)〜(3)が懸念される。
(1)学習済みモデルがアップロードされ、アップロードされた学習済みモデルが評価されるので、新たなデータによって学習された結果は反映されない。
(2)学習済みモデルは個別に評価されるので、複数のモデルを組み合わせた複合モデルは評価されない。
(3)報酬は評価順位に基づいて、固定的に支払われるため、実際の取引結果に基づいて配分されない。
本発明は、前述した点に鑑みてなされたものであり、その目的は、機械学習を継続しながら、機械学習アルゴリズムを評価できる評価システム、評価方法およびプログラムを提供することである。
(1)学習済みモデルがアップロードされ、アップロードされた学習済みモデルが評価されるので、新たなデータによって学習された結果は反映されない。
(2)学習済みモデルは個別に評価されるので、複数のモデルを組み合わせた複合モデルは評価されない。
(3)報酬は評価順位に基づいて、固定的に支払われるため、実際の取引結果に基づいて配分されない。
本発明は、前述した点に鑑みてなされたものであり、その目的は、機械学習を継続しながら、機械学習アルゴリズムを評価できる評価システム、評価方法およびプログラムを提供することである。
本発明の一態様は、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部と、前記第1時間後に得られた第2データが、前記予測部が予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価する評価部とを備える、評価システムである。
本発明の一態様の評価システムにおいて、前記第1機械学習エンジンを取得する取得部を備え、前記予測部は、前記取得部が取得した前記第1機械学習エンジンによって、前記第1時間後に得られるデータの予測を行う。
本発明の一態様の評価システムにおいて、前記取得部は、第2機械学習エンジンを取得し、前記予測部は、前記第1データを入力として、前記取得部が取得した前記第2機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、前記評価部は、前記第2データが、前記第2機械学習エンジンが予測することによって得られた第2予測値と一致するか否かによって、前記第2機械学習エンジンを評価する。
本発明の一態様の評価システムにおいて、前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンとをランキングし、前記ランキングの結果に基づいて、報酬を与える。
本発明の一態様の評価システムにおいて、前記評価部は、予測精度又は予測精度と予測に要した時間とに基づいて、ランキングを行う。
本発明の一態様の評価システムにおいて、前記ランキングの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部を備える。
本発明の一態様の評価システムにおいて、前記取得部は、第3機械学習エンジンを取得し、前記予測部は、前記第1データを入力として、前記取得部が取得した前記第3機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、前記評価部は、前記第2データが、前記第3機械学習エンジンが予測することによって得られた第3予測値と一致するか否かによって、前記第3機械学習エンジンを評価し、前記評価システムは、前記第1予測値と前記第2予測値と前記第3予測値のうち、少なくとも2つを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンであるアンサンブル機械学習エンジンを備える。
本発明の一態様の評価システムにおいて、前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンと前記第3機械学習エンジンとをランキングし、前記アンサンブル機械学習エンジンは、前記ランキングの結果に基づいて、前記第1予測値と前記第2予測値と前記第3予測値とのうちの2つを入力として、第1時間後に得られるデータの予測を行う。
本発明の一態様の評価システムにおいて、前記予測部は、前記第2データを入力として、前記第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、前記評価部は、前記第1時間後に得られた第3データが、前記第2データを入力として、前記第1機械学習エンジンが予測することによって得られた第4予測値と一致するか否かによって、前記第1機械学習エンジンを評価する。
本発明の一態様は、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップとを有する、コンピュータが実行する評価方法である。
本発明の一態様は、コンピュータに、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップとを実行させるプログラムである。
本発明の一態様の評価システムにおいて、前記第1機械学習エンジンを取得する取得部を備え、前記予測部は、前記取得部が取得した前記第1機械学習エンジンによって、前記第1時間後に得られるデータの予測を行う。
本発明の一態様の評価システムにおいて、前記取得部は、第2機械学習エンジンを取得し、前記予測部は、前記第1データを入力として、前記取得部が取得した前記第2機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、前記評価部は、前記第2データが、前記第2機械学習エンジンが予測することによって得られた第2予測値と一致するか否かによって、前記第2機械学習エンジンを評価する。
本発明の一態様の評価システムにおいて、前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンとをランキングし、前記ランキングの結果に基づいて、報酬を与える。
本発明の一態様の評価システムにおいて、前記評価部は、予測精度又は予測精度と予測に要した時間とに基づいて、ランキングを行う。
本発明の一態様の評価システムにおいて、前記ランキングの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部を備える。
本発明の一態様の評価システムにおいて、前記取得部は、第3機械学習エンジンを取得し、前記予測部は、前記第1データを入力として、前記取得部が取得した前記第3機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、前記評価部は、前記第2データが、前記第3機械学習エンジンが予測することによって得られた第3予測値と一致するか否かによって、前記第3機械学習エンジンを評価し、前記評価システムは、前記第1予測値と前記第2予測値と前記第3予測値のうち、少なくとも2つを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンであるアンサンブル機械学習エンジンを備える。
本発明の一態様の評価システムにおいて、前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンと前記第3機械学習エンジンとをランキングし、前記アンサンブル機械学習エンジンは、前記ランキングの結果に基づいて、前記第1予測値と前記第2予測値と前記第3予測値とのうちの2つを入力として、第1時間後に得られるデータの予測を行う。
本発明の一態様の評価システムにおいて、前記予測部は、前記第2データを入力として、前記第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、前記評価部は、前記第1時間後に得られた第3データが、前記第2データを入力として、前記第1機械学習エンジンが予測することによって得られた第4予測値と一致するか否かによって、前記第1機械学習エンジンを評価する。
本発明の一態様は、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップとを有する、コンピュータが実行する評価方法である。
本発明の一態様は、コンピュータに、第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップとを実行させるプログラムである。
本発明の実施形態によれば、機械学習を継続しながら、機械学習アルゴリズムを評価できる、評価システム、評価方法およびプログラムを提供できる。
次に、本実施形態の評価システム、評価方法およびプログラムを、図面を参照しつつ説明する。以下で説明する実施形態は一例に過ぎず、本発明が適用される実施形態は、以下の実施形態に限られない。
なお、実施形態を説明するための全図において、同一の機能を有するものは同一符号を用い、繰り返しの説明は省略する。
また、本願でいう「XXに基づく」とは、「少なくともXXに基づく」ことを意味し、XXに加えて別の要素に基づく場合も含む。また、「XXに基づく」とは、XXを直接に用いる場合に限定されず、XXに対して演算や加工が行われたものに基づく場合も含む。「XX」は、任意の要素(例えば、任意の情報)である。
なお、実施形態を説明するための全図において、同一の機能を有するものは同一符号を用い、繰り返しの説明は省略する。
また、本願でいう「XXに基づく」とは、「少なくともXXに基づく」ことを意味し、XXに加えて別の要素に基づく場合も含む。また、「XXに基づく」とは、XXを直接に用いる場合に限定されず、XXに対して演算や加工が行われたものに基づく場合も含む。「XX」は、任意の要素(例えば、任意の情報)である。
(第1の実施形態)
(評価システム)
図1は、第1の実施形態の評価システムの一例を示す図である。
第1の実施形態の評価システムは、評価装置100と、ホームエネルギーマネジメントシステム(HEMS: Home Energy Management System)サーバー200と、端末装置300と、電動輸送機器(EV: Electric Vehicle)400とを備える。
評価装置100と、HEMSサーバー200と、端末装置300と、EV400との間は、インターネットなどのネットワーク50を介して接続される。具体的には、評価装置100とHEMSサーバー200とは、ネットワーク50に有線接続され、端末装置300とEV400とは、ネットワーク50に無線接続される。
(評価システム)
図1は、第1の実施形態の評価システムの一例を示す図である。
第1の実施形態の評価システムは、評価装置100と、ホームエネルギーマネジメントシステム(HEMS: Home Energy Management System)サーバー200と、端末装置300と、電動輸送機器(EV: Electric Vehicle)400とを備える。
評価装置100と、HEMSサーバー200と、端末装置300と、EV400との間は、インターネットなどのネットワーク50を介して接続される。具体的には、評価装置100とHEMSサーバー200とは、ネットワーク50に有線接続され、端末装置300とEV400とは、ネットワーク50に無線接続される。
HEMSサーバー200は、定期的に、電気使用量情報を、評価装置100へ送信する。
端末装置300は、センサーによって構成され、定期的に、設置環境のデータを計測する。端末装置300は、設置環境の計測結果を含むセンサー情報を、定期的に、評価装置100へ送信する。
EV400は、充電データを示す情報を、定期的に、評価装置100へ送信する。
端末装置300は、センサーによって構成され、定期的に、設置環境のデータを計測する。端末装置300は、設置環境の計測結果を含むセンサー情報を、定期的に、評価装置100へ送信する。
EV400は、充電データを示す情報を、定期的に、評価装置100へ送信する。
評価装置100は、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100は、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100は、一又は複数の機械学習エンジンを備えている。評価装置100は、記憶した計測データから、電気使用量情報を取得し、取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第1時間後の電気使用量を予測させる。ここで、第1時間とは、概念的な単位時間であり、実際の尺度は一秒よりも短い場合もあれば、数日の場合もあり得る。以下、第1時間後の電気使用量の予測値を第1電気使用量予測値という。
ここで、機械学習エンジンは、電気使用量情報毎に、過去の各種計測データを教師データとして構築されたものである。具体的には機械学習エンジンは、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、電気使用量情報から、将来の電気使用量情報を導出する機械学習アルゴリズムを含む。一又は複数の機械学習エンジンの各々は、機械学習された計測データを使用して、機械学習アルゴリズムによって、将来の電気使用量情報を予測する。複数の機械学習エンジンの各々は、電気使用量情報を予測するときに使用する計測データの種類が異なっていたり、機械学習アルゴリズムが異なっていたりする。
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100へ送信し続けている。
EV400は、充電データを示す情報を、評価装置100へ送信し続けている。
評価装置100は、一又は複数の機械学習エンジンを備えている。評価装置100は、記憶した計測データから、電気使用量情報を取得し、取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第1時間後の電気使用量を予測させる。ここで、第1時間とは、概念的な単位時間であり、実際の尺度は一秒よりも短い場合もあれば、数日の場合もあり得る。以下、第1時間後の電気使用量の予測値を第1電気使用量予測値という。
ここで、機械学習エンジンは、電気使用量情報毎に、過去の各種計測データを教師データとして構築されたものである。具体的には機械学習エンジンは、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、電気使用量情報から、将来の電気使用量情報を導出する機械学習アルゴリズムを含む。一又は複数の機械学習エンジンの各々は、機械学習された計測データを使用して、機械学習アルゴリズムによって、将来の電気使用量情報を予測する。複数の機械学習エンジンの各々は、電気使用量情報を予測するときに使用する計測データの種類が異なっていたり、機械学習アルゴリズムが異なっていたりする。
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100へ送信し続けている。
EV400は、充電データを示す情報を、評価装置100へ送信し続けている。
評価装置100は、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100は、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100は、記憶している電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100は、取得した電気使用量情報と第1電気使用量予測値とを比較する。評価装置100は、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価する。評価装置100は、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
さらに、一又は複数の機械学習エンジンの各々は、記憶した電気使用量情報とセンサー情報に含まれる設置環境の計測結果と充電データとを教師データとして機械学習を行う。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
評価装置100は、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、さらに、第1時間後の電気使用量を予測させる。以下、ここで予測した第1時間後の電気使用量の予測値を第2電気使用量予測値という。
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100へ送信し続けている。
EV400は、充電データを示す情報を、評価装置100へ送信し続けている。
評価装置100は、記憶している電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100は、取得した電気使用量情報と第1電気使用量予測値とを比較する。評価装置100は、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価する。評価装置100は、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
さらに、一又は複数の機械学習エンジンの各々は、記憶した電気使用量情報とセンサー情報に含まれる設置環境の計測結果と充電データとを教師データとして機械学習を行う。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
評価装置100は、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、さらに、第1時間後の電気使用量を予測させる。以下、ここで予測した第1時間後の電気使用量の予測値を第2電気使用量予測値という。
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100へ送信し続けている。
EV400は、充電データを示す情報を、評価装置100へ送信し続けている。
評価装置100は、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100は、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100は、記憶している電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100は、取得した電気使用量情報と第2電気使用量予測値とを比較する。評価装置100は、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価する。評価装置100は、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。以降、予測と評価とを繰り返す。
評価装置100は、記憶している電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100は、取得した電気使用量情報と第2電気使用量予測値とを比較する。評価装置100は、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価する。評価装置100は、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。以降、予測と評価とを繰り返す。
以下、評価システム10を構成する評価装置100と、HEMSサーバー200と、端末装置300と、EV400とのうち、評価装置100について、詳細に説明する。
図2は、第1の実施形態の評価システムを構成する評価装置100を示すブロック図である。
(評価装置)
評価装置100は、パーソナルコンピュータ、サーバー、スマートフォン、タブレット端末、又は産業用コンピュータ等の装置によって実現される。
評価装置100は、通信部110と、通信部115と、記憶部120と、情報処理部130と、各構成要素を図2に示されているように電気的に接続するためのアドレスバスやデータバスなどのバスライン150とを備える。
図2は、第1の実施形態の評価システムを構成する評価装置100を示すブロック図である。
(評価装置)
評価装置100は、パーソナルコンピュータ、サーバー、スマートフォン、タブレット端末、又は産業用コンピュータ等の装置によって実現される。
評価装置100は、通信部110と、通信部115と、記憶部120と、情報処理部130と、各構成要素を図2に示されているように電気的に接続するためのアドレスバスやデータバスなどのバスライン150とを備える。
通信部110は、通信モジュールによって実現される。通信部110はネットワーク50を介して、HEMSサーバー200などの外部の通信装置と通信する。具体的には、通信部110は、HEMSサーバー200が送信した電気使用量情報を示す情報を受信し、受信した電気使用量情報を、情報処理部130へ出力する。
通信部115は、通信モジュールによって実現される。通信部115はネットワーク50を介して、端末装置300、EV400などの外部の通信装置と通信する。通信部115は、例えば無線LAN(Local Area Network)、又はLTE(Long Term Evolution)(登録商標)などの通信方式で通信してもよい。具体的には、通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。通信部115は、EV400が送信した充電データを受信し、受信した充電データを情報処理部130へ出力する。
通信部115は、通信モジュールによって実現される。通信部115はネットワーク50を介して、端末装置300、EV400などの外部の通信装置と通信する。通信部115は、例えば無線LAN(Local Area Network)、又はLTE(Long Term Evolution)(登録商標)などの通信方式で通信してもよい。具体的には、通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。通信部115は、EV400が送信した充電データを受信し、受信した充電データを情報処理部130へ出力する。
記憶部120は、例えば、RAM(Random Access Memory)、ROM(Read Only Memory)、HDD(Hard Disk Drive)、フラッシュメモリ、またはこれらのうち複数が組み合わされたハイブリッド型記憶装置などにより実現される。記憶部120の一部または全部は、評価装置100の一部として設けられる場合に代えて、NAS(Network Attached Storage)や外部のストレージサーバなど、評価装置100のプロセッサがネットワーク50を介してアクセス可能な外部装置により実現されてもよい。記憶部120には、情報処理部130により実行されるプログラム121と、アプリ122と、学習データ123とが記憶される。
アプリ122は、評価装置100に、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信させる。アプリ122は、評価装置100に、受信させた電気使用量情報、センサー情報、充電データなどの計測データを、受信した日時と関連付けて、記憶部120の学習データ123に記憶させる。
アプリ122は、評価装置100に、電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第1電気使用量予測値を予測させる。アプリ122は、評価装置100に、記憶させた電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。アプリ122は、評価装置100に、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較させる。アプリ122は、評価装置100に、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価させる。アプリ122は、評価装置100に、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングさせる。
さらに、アプリ122は、一又は複数の機械学習エンジンの各々に、記憶させた電気使用量情報と、センサー情報に含まれる設置環境の計測結果と、充電データとを教師データとして機械学習を行わせ、機械学習の結果に基づいて、一又は複数の機械学習エンジンの各々に、更新させる。
また、アプリ122は、評価装置100に、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第2電気使用量予測値を予測させる。アプリ122は、評価装置100に、記憶させた電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。アプリ122は、評価装置100に、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較させる。アプリ122は、評価装置100に、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価させる。アプリ122は、評価装置100に、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングさせる。
学習データ123は、電気使用量情報、センサー情報、充電データなどの計測データを、取得した日時と関連付けて、記憶する。
アプリ122は、評価装置100に、電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第1電気使用量予測値を予測させる。アプリ122は、評価装置100に、記憶させた電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。アプリ122は、評価装置100に、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較させる。アプリ122は、評価装置100に、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価させる。アプリ122は、評価装置100に、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングさせる。
さらに、アプリ122は、一又は複数の機械学習エンジンの各々に、記憶させた電気使用量情報と、センサー情報に含まれる設置環境の計測結果と、充電データとを教師データとして機械学習を行わせ、機械学習の結果に基づいて、一又は複数の機械学習エンジンの各々に、更新させる。
また、アプリ122は、評価装置100に、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第2電気使用量予測値を予測させる。アプリ122は、評価装置100に、記憶させた電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。アプリ122は、評価装置100に、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較させる。アプリ122は、評価装置100に、比較結果に基づいて、一又は複数の機械学習エンジンの各々を評価させる。アプリ122は、評価装置100に、複数の機械学習エンジンの各々の評価結果又は評価結果と評価に要した時間に基づいて、複数の機械学習エンジンをランキングさせる。
学習データ123は、電気使用量情報、センサー情報、充電データなどの計測データを、取得した日時と関連付けて、記憶する。
情報処理部130は、例えば、CPU(Central Processing Unit)などのプロセッサが記憶部120に格納されたプログラム121や、アプリ122を実行することにより実現される機能部(以下「ソフトウェア機能部」という)である。なお、情報処理部130の全部または一部は、LSI(Large Scale Integration)、ASIC(Application Specific Integrated Circuit)、またはFPGA(Field-Programmable Gate Array)などのハードウェアにより実現されてもよく、ソフトウェア機能部とハードウェアとの組み合わせによって実現されてもよい。
情報処理部130は、例えば、取得部131と、予測部132と、評価部133と、学習部134とを備える。
情報処理部130は、例えば、取得部131と、予測部132と、評価部133と、学習部134とを備える。
取得部131は、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
予測部132は、一又は複数の機械学習エンジンを備える。一又は複数の機械学習エンジンの各々は、記憶部120の学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得し、取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。予測部132は、予測することによって得られた第1電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(以下「第1予測対象日時」という)を示す情報とを、評価部133へ出力する。
また、予測部132では、一又は複数の機械学習エンジンの各々は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2電気使用量予測値を予測する。予測部132は、予測することによって得られた第2電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(以下「第2予測対象日時」という)を示す情報とを、評価部133へ出力する。
以降、予測部132は、以下の処理を繰り返す。予測部132は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132は、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133へ出力する。
予測部132は、一又は複数の機械学習エンジンを備える。一又は複数の機械学習エンジンの各々は、記憶部120の学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得し、取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。予測部132は、予測することによって得られた第1電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(以下「第1予測対象日時」という)を示す情報とを、評価部133へ出力する。
また、予測部132では、一又は複数の機械学習エンジンの各々は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2電気使用量予測値を予測する。予測部132は、予測することによって得られた第2電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(以下「第2予測対象日時」という)を示す情報とを、評価部133へ出力する。
以降、予測部132は、以下の処理を繰り返す。予測部132は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132は、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133へ出力する。
評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した第1電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価部133は、電気使用量情報と、第1電気使用量予測値との比較結果に基づいて、一致する割合(以下「予測精度」という)を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測結果と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
また、評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較する。評価部133は、電気使用量情報と、第2電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
その後、評価部133は、以下の処理を繰り返す。評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133は、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
学習部134は、定期的に、評価部133が備える一又は複数の機械学習エンジンの各々に、記憶部120の学習データ123に記憶した電気使用量情報と設置環境の計測結果と充電データとを教師データとして機械学習を行わせる。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
また、評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較する。評価部133は、電気使用量情報と、第2電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
その後、評価部133は、以下の処理を繰り返す。評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133は、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
学習部134は、定期的に、評価部133が備える一又は複数の機械学習エンジンの各々に、記憶部120の学習データ123に記憶した電気使用量情報と設置環境の計測結果と充電データとを教師データとして機械学習を行わせる。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
(評価システムの動作)
図3は、第1の実施形態の評価システムに含まれる評価装置の動作の一例を示す図である。
図3の左上に示されるように、予測部132に、電気使用量情報d(t)が入力され、電気使用量の予測値P(t+1)が出力される。
図3の左下に示されるように、記憶部120の学習データ123に、電気使用量情報、設置環境の計測結果、充電データなどの計測データds(t)が記憶されることによって、学習データDlに更新される。
図3の右に示されるように、取得部131は、記憶部120の学習データ123から、時刻tに電気使用量情報d(t)を取得し、取得した電気使用量情報d(t)を、予測部132へ出力する(1)。
予測部132の一又は複数の機械学習エンジンの各々は、取得部131が出力した電気使用量情報d(t)に基づいて、第1時間後の時間であるt+1の電気使用量を予測する(2)。ここでは、予測精度を導出するまでの処理については、一つの機械学習エンジンについて説明を続ける。予測部132が複数の機械学習エンジンを備える場合、複数の機械学習エンジンの各々は、同様の処理を行う。
予測部132は、電気使用量の予測値P(t+1)と予測対象日時t+1とを、評価部133へ出力する(3)。
図3は、第1の実施形態の評価システムに含まれる評価装置の動作の一例を示す図である。
図3の左上に示されるように、予測部132に、電気使用量情報d(t)が入力され、電気使用量の予測値P(t+1)が出力される。
図3の左下に示されるように、記憶部120の学習データ123に、電気使用量情報、設置環境の計測結果、充電データなどの計測データds(t)が記憶されることによって、学習データDlに更新される。
図3の右に示されるように、取得部131は、記憶部120の学習データ123から、時刻tに電気使用量情報d(t)を取得し、取得した電気使用量情報d(t)を、予測部132へ出力する(1)。
予測部132の一又は複数の機械学習エンジンの各々は、取得部131が出力した電気使用量情報d(t)に基づいて、第1時間後の時間であるt+1の電気使用量を予測する(2)。ここでは、予測精度を導出するまでの処理については、一つの機械学習エンジンについて説明を続ける。予測部132が複数の機械学習エンジンを備える場合、複数の機械学習エンジンの各々は、同様の処理を行う。
予測部132は、電気使用量の予測値P(t+1)と予測対象日時t+1とを、評価部133へ出力する(3)。
取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データds(t+1)と、計測データds(t+1)を取得した日時を示す情報t+1とを関連付けて、記憶部120の学習データ123に記憶する(4)。
評価部133は、記憶部120の学習データ123に記憶されている電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、予測対象日時を示す情報と一致する電気使用量情報ds(t+1)を取得する(5)。ここでは、計測データds(t+1)が、予測対象日時を示す情報と一致する電気使用量情報である場合について説明を続ける。
評価部133は、予測部132が出力した電気使用量の予測値P(t+1)と予測対象日時を示す情報t+1とを取得する。評価部133は、取得した電気使用量ds(t+1)と、電気使用量の予測値P(t+1)とを比較する。評価部133は、所定の期間の間に行われた比較結果に基づいて、予測精度を導出する(6)。
評価部133は、予測精度を、記憶部120の学習データ123に記憶する(7)。
評価部133は、導出した予測精度a(P(t+1),ds(t+1))に基づいて、一又は複数の機械学習エンジンのうち、いずれかの機械学習エンジンを採用する(8)。例えば、評価部133は、予測精度a(P(t+1),ds(t+1))又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、複数の機械学習エンジンをランキングした結果に基づいて、上位から所定の数の機械学習エンジンを採用する。評価部133は、採用した機械学習エンジンを提供したコンテスタントに対して、報酬を支払う。
評価部133が採用した機械学習エンジンと、その機械学習エンジンの予測情報(電気使用量の予測値P(t+1))とのいずれか一方又は両方は、販売されてもよい(9)。
評価部133は、記憶部120の学習データ123に記憶されている電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、予測対象日時を示す情報と一致する電気使用量情報ds(t+1)を取得する(5)。ここでは、計測データds(t+1)が、予測対象日時を示す情報と一致する電気使用量情報である場合について説明を続ける。
評価部133は、予測部132が出力した電気使用量の予測値P(t+1)と予測対象日時を示す情報t+1とを取得する。評価部133は、取得した電気使用量ds(t+1)と、電気使用量の予測値P(t+1)とを比較する。評価部133は、所定の期間の間に行われた比較結果に基づいて、予測精度を導出する(6)。
評価部133は、予測精度を、記憶部120の学習データ123に記憶する(7)。
評価部133は、導出した予測精度a(P(t+1),ds(t+1))に基づいて、一又は複数の機械学習エンジンのうち、いずれかの機械学習エンジンを採用する(8)。例えば、評価部133は、予測精度a(P(t+1),ds(t+1))又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、複数の機械学習エンジンをランキングした結果に基づいて、上位から所定の数の機械学習エンジンを採用する。評価部133は、採用した機械学習エンジンを提供したコンテスタントに対して、報酬を支払う。
評価部133が採用した機械学習エンジンと、その機械学習エンジンの予測情報(電気使用量の予測値P(t+1))とのいずれか一方又は両方は、販売されてもよい(9)。
図4は、第1実施形態の評価システムの動作の一例を示すシーケンスチャートである。
(ステップS1)
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信する。
(ステップS2)
端末装置300は、センサー情報を、評価装置100へ送信する。
(ステップS3)
EV400は、充電データを、評価装置100へ送信する。
(ステップS4)
評価装置100の通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130へ出力する。評価装置100の通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。評価装置100の通信部115は、EV400が送信した充電データを受信し、受信した充電データを、情報処理部130へ出力する。
情報処理部130の取得部131は、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
(ステップS1)
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信する。
(ステップS2)
端末装置300は、センサー情報を、評価装置100へ送信する。
(ステップS3)
EV400は、充電データを、評価装置100へ送信する。
(ステップS4)
評価装置100の通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130へ出力する。評価装置100の通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。評価装置100の通信部115は、EV400が送信した充電データを受信し、受信した充電データを、情報処理部130へ出力する。
情報処理部130の取得部131は、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
(ステップS5)
予測部132では、一又は複数の機械学習エンジンの各々は、記憶部120の学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得する。予測部132は、取得した電気使用量情報に基づいて第1電気使用量予測値を予測し、取得した電気使用量情報を取得した日時を示す情報に基づいて第1予測対象日時を導出する。予測部132は、予測することによって得られた第1電気使用量予測値と第1予測対象日時を示す情報とを、評価部133へ出力する。
(ステップS6)
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信する。
(ステップS7)
端末装置300は、センサー情報を、評価装置100へ送信する。
(ステップS8)
EV400は、充電データを、評価装置100へ送信する。
予測部132では、一又は複数の機械学習エンジンの各々は、記憶部120の学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得する。予測部132は、取得した電気使用量情報に基づいて第1電気使用量予測値を予測し、取得した電気使用量情報を取得した日時を示す情報に基づいて第1予測対象日時を導出する。予測部132は、予測することによって得られた第1電気使用量予測値と第1予測対象日時を示す情報とを、評価部133へ出力する。
(ステップS6)
HEMSサーバー200は、電気使用量情報を、評価装置100へ送信する。
(ステップS7)
端末装置300は、センサー情報を、評価装置100へ送信する。
(ステップS8)
EV400は、充電データを、評価装置100へ送信する。
(ステップS9)
評価装置100の通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130へ出力する。評価装置100の通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。評価装置100の通信部115は、EV400が送信したセンサー情報を受信し、受信した充電データを、情報処理部130へ出力する。
情報処理部130の取得部131は、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
評価装置100の通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130へ出力する。評価装置100の通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130へ出力する。評価装置100の通信部115は、EV400が送信したセンサー情報を受信し、受信した充電データを、情報処理部130へ出力する。
情報処理部130の取得部131は、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131は、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
(ステップS10)
評価部133は、予測部132が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、第1電気使用量予測値とを比較することによって評価する。評価部133は、電気使用量情報と、第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
その後、予測部132は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132は、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133へ出力する。
評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133は、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
学習部134は、評価部133が備える一又は複数の機械学習エンジンの各々に、記憶部120の学習データ123に記憶した電気使用量情報と設置環境の計測結果と充電データとを教師データとして機械学習を行わせる。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
図4に示されるシーケンス図において、ステップS1−S3の順序を入れ替えてもよいし、ステップS6−S8の順序を入れ替えてもよい。
評価部133は、予測部132が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、第1電気使用量予測値とを比較することによって評価する。評価部133は、電気使用量情報と、第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
その後、予測部132は、評価部133が取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132は、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133へ出力する。
評価部133は、予測部132が出力した一又は複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133は、記憶部120の学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133は、取得した電気使用量情報と、一又は複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133は、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100は、複数の機械学習エンジンの各々の予測精度(評価結果)又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価装置100は、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
学習部134は、評価部133が備える一又は複数の機械学習エンジンの各々に、記憶部120の学習データ123に記憶した電気使用量情報と設置環境の計測結果と充電データとを教師データとして機械学習を行わせる。一又は複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
図4に示されるシーケンス図において、ステップS1−S3の順序を入れ替えてもよいし、ステップS6−S8の順序を入れ替えてもよい。
前述した第1の実施形態では、評価システムに、評価装置100と、HEMSサーバー200と、端末装置300と、EV400とを備える場合について説明したが、この限りでない。例えば、HEMSサーバー200と、端末装置300と、EV400とのうち、いずれか一つを備えるようにしてもよいし、気象衛星が取得するデータを取得するサーバーや、電力取引データを取得するサーバーや、太陽光発電(PV: photovoltaics)の設置データを取得するサーバーなどを備えていてもよい。
この場合、評価装置100は、気象衛星が取得するデータ(例えば、気象データ)、電力取引データ、PVの設置データなどを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。また、HEMSサーバー200とともに、又はHEMSサーバー200の代わりに、スマートメータを備えていてもよい。この場合、評価装置100は、スマートメータが取得するデータ(例えば、電気使用量情報)などを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。
また、例えば、HEMSサーバー200が複数であってもよいし、端末装置300が複数であってもよいし、EV400が複数であってもよい。HEMSサーバー200、端末装置300、EV400の各々を複数とすることによって、機械学習エンジンが、多くのデータを教師データとして学習できるため、電気使用量を予測する精度を向上させることができる。
この場合、評価装置100は、気象衛星が取得するデータ(例えば、気象データ)、電力取引データ、PVの設置データなどを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。また、HEMSサーバー200とともに、又はHEMSサーバー200の代わりに、スマートメータを備えていてもよい。この場合、評価装置100は、スマートメータが取得するデータ(例えば、電気使用量情報)などを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。
また、例えば、HEMSサーバー200が複数であってもよいし、端末装置300が複数であってもよいし、EV400が複数であってもよい。HEMSサーバー200、端末装置300、EV400の各々を複数とすることによって、機械学習エンジンが、多くのデータを教師データとして学習できるため、電気使用量を予測する精度を向上させることができる。
前述した第1の実施形態では、機械学習エンジンが、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、電気使用量情報から、将来の電気使用量情報を導出する場合について説明したが、この例に限られない。例えば、機械学習エンジンが、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、センサー情報から、将来のセンサー情報を導出してもよいし、充電データから、将来の充電データを導出してもよい。
また、例えば、機械学習エンジンが、電気使用量情報、センサー情報、充電データに限らず、複数のデータから導出された特徴量に基づいて、複数のデータに含まれるあるデータから、将来のあるデータを導出してもよい。具体的には、電力市場全体の価格を予測するようにしてもよい。
前述した第1の実施形態では、評価装置100と、HEMSサーバー200とが、ネットワーク50を介して有線接続される場合について説明したが、この例に限られない。例えば、評価装置100と、HEMSサーバー200とが、ネットワーク50を介して無線接続されてもよい。
前述した実施形態では、評価装置100と、端末装置300と、EV400とが、ネットワーク50を介して無線接続される場合について説明したが、この例に限られない。例えば、評価装置100と、端末装置300と、EV400とが、ネットワーク50を介して有線接続されてもよい。
また、例えば、機械学習エンジンが、電気使用量情報、センサー情報、充電データに限らず、複数のデータから導出された特徴量に基づいて、複数のデータに含まれるあるデータから、将来のあるデータを導出してもよい。具体的には、電力市場全体の価格を予測するようにしてもよい。
前述した第1の実施形態では、評価装置100と、HEMSサーバー200とが、ネットワーク50を介して有線接続される場合について説明したが、この例に限られない。例えば、評価装置100と、HEMSサーバー200とが、ネットワーク50を介して無線接続されてもよい。
前述した実施形態では、評価装置100と、端末装置300と、EV400とが、ネットワーク50を介して無線接続される場合について説明したが、この例に限られない。例えば、評価装置100と、端末装置300と、EV400とが、ネットワーク50を介して有線接続されてもよい。
前述した第1の実施形態では、評価装置100と、HEMSサーバー200と、端末装置300と、EV400との間が、インターネットなどのネットワーク50を介して接続される場合について説明したが、この限りでない。例えば、評価装置100と、HEMSサーバー200と、端末装置300と、EV400との間の少なくとも一部が、携帯電話網を介して接続されてもよい。
前述した第1の実施形態では、HEMSサーバー200が、定期的に、電気使用量情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100がHEMSサーバー200に、電気使用量情報要求を定期的に送信し、電気使用量情報要求に対して、HEMSサーバー200が送信した電気使用量情報を、評価装置100が取得するようにしてもよい。
前述した第1の実施形態では、端末装置300が、定期的に、センサー情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100が端末装置300に、センサー情報要求を定期的に送信し、センサー情報要求に対して、端末装置300が送信したセンサー情報を、評価装置100が取得するようにしてもよい。
前述した第1の実施形態では、EV400が、定期的に、充電データを示す情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100がEV400に、充電データ要求を定期的に送信し、充電データ要求に対して、EV400が送信した充電データを示す情報を、評価装置100が取得するようにしてもよい。
前述した第1の実施形態では、HEMSサーバー200が、定期的に、電気使用量情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100がHEMSサーバー200に、電気使用量情報要求を定期的に送信し、電気使用量情報要求に対して、HEMSサーバー200が送信した電気使用量情報を、評価装置100が取得するようにしてもよい。
前述した第1の実施形態では、端末装置300が、定期的に、センサー情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100が端末装置300に、センサー情報要求を定期的に送信し、センサー情報要求に対して、端末装置300が送信したセンサー情報を、評価装置100が取得するようにしてもよい。
前述した第1の実施形態では、EV400が、定期的に、充電データを示す情報を、評価装置100へ送信する場合について説明したが、この例に限られない。例えば、評価装置100がEV400に、充電データ要求を定期的に送信し、充電データ要求に対して、EV400が送信した充電データを示す情報を、評価装置100が取得するようにしてもよい。
第1の実施形態の評価システム10によれば、評価装置100は、電気使用量情報を取得し、取得した電気使用量情報に基づいて、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、第1時間後に得られた電気使用量情報が、予測することによって得られた第1電気使用量予測値と一致するか否かによって、第1機械学習エンジンを評価できる。第1時間後に得られた電気使用量情報に基づいて、機械学習エンジンを評価できるため、新たなデータによって学習された結果を反映できる。また、電力取引市場など、現実の膨大な事象に基づく予測が必要となる取引において、優れた予測アルゴリズムを、経時的な環境変化への対応性(学習)を含めて評価できる。
多くのビッグデータを保有する企業は、どのデータサイエンティストと組むべきなのかを見極める手段を欠く。また、実際のデータを公開することによる機密情報の流出の恐れから、積極的にデータの提供ができないでいる。このようなニーズに対して、データをコンテスト向けに抽象化し、オープンに複数の機械学習エンジンのコンテストを行なうことで、機密情報の漏洩を最小限に食い止めつつ、データサイエンティストを募集することができる。その上で、優秀な相手にのみ、秘密保持契約(NDA: Non-disclosure agreement)を結んだうえで、過去データを提供するクローズドなコンテストを実施することで、課題解決をすることができる。
また、データサイエンティストから、計算モデルのライセンス供給をうけた上で、自社のサーバーで演算することで、実際の事業で使用するデータにデータサイエンティストがアクセスすることなくデータ活用を進めることができる。
多くのビッグデータを保有する企業は、どのデータサイエンティストと組むべきなのかを見極める手段を欠く。また、実際のデータを公開することによる機密情報の流出の恐れから、積極的にデータの提供ができないでいる。このようなニーズに対して、データをコンテスト向けに抽象化し、オープンに複数の機械学習エンジンのコンテストを行なうことで、機密情報の漏洩を最小限に食い止めつつ、データサイエンティストを募集することができる。その上で、優秀な相手にのみ、秘密保持契約(NDA: Non-disclosure agreement)を結んだうえで、過去データを提供するクローズドなコンテストを実施することで、課題解決をすることができる。
また、データサイエンティストから、計算モデルのライセンス供給をうけた上で、自社のサーバーで演算することで、実際の事業で使用するデータにデータサイエンティストがアクセスすることなくデータ活用を進めることができる。
<構成例>
一構成例として、第1データ(実施形態では、電気使用量情報)を入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部(実施形態では、予測部132)と、第1時間後に得られた第2データ(実施形態では、電気使用量情報)が、予測部が予測することによって得られた第1予測値(実施形態では、第1電気使用量予測値)と一致するか否かによって、第1機械エンジンを評価する評価部(実施形態では、評価部133)とを備える、評価システム(実施形態では、評価システム10)である。
一構成例として、第1データ(実施形態では、電気使用量情報)を入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部(実施形態では、予測部132)と、第1時間後に得られた第2データ(実施形態では、電気使用量情報)が、予測部が予測することによって得られた第1予測値(実施形態では、第1電気使用量予測値)と一致するか否かによって、第1機械エンジンを評価する評価部(実施形態では、評価部133)とを備える、評価システム(実施形態では、評価システム10)である。
(第2の実施形態)
(評価システム)
図5は、第2の実施形態の評価システムの一例を示す図である。
第2の実施形態の評価システムは、評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500とを備える。
評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500との間は、インターネットなどのネットワーク50を介して接続される。具体的には、評価装置100aとHEMSサーバー200とサーバー500とは、ネットワーク50に有線接続され、端末装置300とEV400とは、ネットワーク50に無線接続される。
(評価システム)
図5は、第2の実施形態の評価システムの一例を示す図である。
第2の実施形態の評価システムは、評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500とを備える。
評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500との間は、インターネットなどのネットワーク50を介して接続される。具体的には、評価装置100aとHEMSサーバー200とサーバー500とは、ネットワーク50に有線接続され、端末装置300とEV400とは、ネットワーク50に無線接続される。
サーバー500は、機械学習エンジンを、評価装置100aへ送信する。ここで、機械学習エンジンは、機械学習エンジン自体の情報(データ)である。また、サーバー500は、アンサンブル機械学習エンジンを、評価装置100aへ送信する。ここで、アンサンブル機械学習エンジンは、アンサンブル機械学習エンジン自体の情報(データ)である。ここで、アンサンブル機械学習エンジンは、電気使用量情報毎に、過去の電気使用量情報を教師データとして構築されたものである。具体的にはアンサンブル機械学習エンジンは、過去の電気使用量情報から導出された特徴量に基づいて、電気使用量情報から、将来の電気使用量情報を導出する機械学習アルゴリズムを含む。アンサンブル機械学習エンジンは、一又は複数の機械学習エンジンの少なくとの一部によって計測データから導出された電気使用量情報を使用して、機械学習アルゴリズムによって、将来の電気使用量情報を予測する。複数のアンサンブル機械学習エンジンがある場合、複数のアンサンブル機械学習エンジンの各々は、電気使用量情報を予測するときに使用する電気使用量情報が異なっていたり、機械学習アルゴリズムが異なっていたりする。
HEMSサーバー200は、定期的に、電気使用量情報を、評価装置100aへ送信する。
端末装置300は、センサーによって構成され、定期的に、設置環境のデータを計測する。端末装置300は、設置環境の計測結果を含むセンサー情報を、定期的に、評価装置100aへ送信する。
EV400は、充電データを示す情報を、定期的に、評価装置100aへ送信する。
HEMSサーバー200は、定期的に、電気使用量情報を、評価装置100aへ送信する。
端末装置300は、センサーによって構成され、定期的に、設置環境のデータを計測する。端末装置300は、設置環境の計測結果を含むセンサー情報を、定期的に、評価装置100aへ送信する。
EV400は、充電データを示す情報を、定期的に、評価装置100aへ送信する。
評価装置100aは、サーバー500が送信した機械学習エンジンを受信し、受信した機械学習エンジンを設定する。第2の実施形態では、評価装置100aは、サーバー500が送信した機械学習エンジンを受信し、受信した機械学習エンジンをインストールし、設定する。このように構成することによって、評価装置100aに、機械学習エンジンが構築される。
また、評価装置100aは、サーバー500が送信したアンサンブル機械学習エンジンを受信し、受信したアンサンブル機械学習エンジンを設定する。このように構成することによって、評価装置100aに、アンサンブル機械学習エンジンが構築される。
また、評価装置100aは、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100aは、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100aには、複数の機械学習エンジンが構築される。評価装置100aは、記憶した計測データから、電気使用量情報を取得する。評価装置100aでは、取得した電気使用量情報に基づいて、複数の機械学習エンジンの各々が、第1時間後の第1電気使用量予測値を予測する。評価装置100aは、第1電気使用量予測値を販売する。
評価装置100aには、一又は複数のアンサンブル機械学習エンジンが構築される。評価装置100aでは、一又は複数のアンサンブル機械学習エンジンの各々が、複数の機械学習エンジンの少なくとも一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得し、取得した複数の第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1時間後の電気使用量予測値(以下「第1アンサンブル電気使用量予測値」という)を予測する。評価装置100aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値の予測精度を導出する。評価装置100aは、アンサンブル機械学習エンジンが複数である場合、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数のアンサンブル機械学習エンジンをランキングする。評価装置100aは、上位のランキングのアンサンブル機械学習エンジンが予測した第1アンサンブル電気使用量予測値を販売してもよい。また、評価装置100aは、上位のランキングのアンサンブル機械学習エンジンを販売してもよい。
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信し続けている。
端末装置300は、設置環境のデータの計測結果を含むセンサー情報を、評価装置100aへ送信し続けている。
EV400は、充電データを示す情報を、評価装置100aへ送信し続けている。
また、評価装置100aは、サーバー500が送信したアンサンブル機械学習エンジンを受信し、受信したアンサンブル機械学習エンジンを設定する。このように構成することによって、評価装置100aに、アンサンブル機械学習エンジンが構築される。
また、評価装置100aは、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100aは、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100aには、複数の機械学習エンジンが構築される。評価装置100aは、記憶した計測データから、電気使用量情報を取得する。評価装置100aでは、取得した電気使用量情報に基づいて、複数の機械学習エンジンの各々が、第1時間後の第1電気使用量予測値を予測する。評価装置100aは、第1電気使用量予測値を販売する。
評価装置100aには、一又は複数のアンサンブル機械学習エンジンが構築される。評価装置100aでは、一又は複数のアンサンブル機械学習エンジンの各々が、複数の機械学習エンジンの少なくとも一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得し、取得した複数の第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1時間後の電気使用量予測値(以下「第1アンサンブル電気使用量予測値」という)を予測する。評価装置100aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値の予測精度を導出する。評価装置100aは、アンサンブル機械学習エンジンが複数である場合、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数のアンサンブル機械学習エンジンをランキングする。評価装置100aは、上位のランキングのアンサンブル機械学習エンジンが予測した第1アンサンブル電気使用量予測値を販売してもよい。また、評価装置100aは、上位のランキングのアンサンブル機械学習エンジンを販売してもよい。
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信し続けている。
端末装置300は、設置環境のデータの計測結果を含むセンサー情報を、評価装置100aへ送信し続けている。
EV400は、充電データを示す情報を、評価装置100aへ送信し続けている。
評価装置100aは、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100aは、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100aは、記憶している電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価装置100aは、電気使用量情報と複数の機械学習エンジンの各々が予測した電気使用量の予測値との比較結果に基づいて、複数の機械学習エンジンの各々について、予測精度を導出する。
評価装置100aは、記憶している電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価装置100aは、電気使用量情報と複数の機械学習エンジンの各々が予測した電気使用量の予測値との比較結果に基づいて、複数の機械学習エンジンの各々について、予測精度を導出する。
評価装置100aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価装置100aは、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払う。
評価装置100aは、記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値とを比較する。評価装置100aは、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。評価装置100aは、アンサンブル機械学習エンジンが複数である場合、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数のアンサンブル機械学習エンジンをランキングする。評価装置100aは、上位のランキングのアンサンブル機械学習エンジンが予測した第1アンサンブル電気使用量予測値を販売してもよい。また、評価装置100aは、上位のランキングのアンサンブル機械学習エンジンを販売してもよい。
評価装置100aは、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与えるデータを導出する。また、評価装置100aは、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
さらに、複数の機械学習エンジンの各々は、記憶した電気使用量情報とセンサー情報に含まれる設置環境のデータの計測結果と充電データとを教師データとして機械学習を行う。複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
評価装置100aは、第1時間後に取得した電気使用量情報に基づいて、複数の機械学習エンジンの各々に、さらに第1時間後の第2電気使用量予測値を予測させる。
評価装置100aは、複数の機械学習エンジンの少なくとの一部に予測させた第2電気使用量情報に基づいて、一又は複数のアンサンブル機械学習エンジンの各々に、さらに第1時間後の電気使用量予測値(以下「第2アンサンブル電気使用量予測値」という)を予測させる。
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100aへ送信し続けている。
EV400は、充電データを示す情報を、評価装置100aへ送信し続けている。
評価装置100aは、記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値とを比較する。評価装置100aは、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。評価装置100aは、アンサンブル機械学習エンジンが複数である場合、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数のアンサンブル機械学習エンジンをランキングする。評価装置100aは、上位のランキングのアンサンブル機械学習エンジンが予測した第1アンサンブル電気使用量予測値を販売してもよい。また、評価装置100aは、上位のランキングのアンサンブル機械学習エンジンを販売してもよい。
評価装置100aは、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与えるデータを導出する。また、評価装置100aは、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
さらに、複数の機械学習エンジンの各々は、記憶した電気使用量情報とセンサー情報に含まれる設置環境のデータの計測結果と充電データとを教師データとして機械学習を行う。複数の機械学習エンジンの各々は、機械学習の結果に基づいて、自機械学習エンジンを更新する。
評価装置100aは、第1時間後に取得した電気使用量情報に基づいて、複数の機械学習エンジンの各々に、さらに第1時間後の第2電気使用量予測値を予測させる。
評価装置100aは、複数の機械学習エンジンの少なくとの一部に予測させた第2電気使用量情報に基づいて、一又は複数のアンサンブル機械学習エンジンの各々に、さらに第1時間後の電気使用量予測値(以下「第2アンサンブル電気使用量予測値」という)を予測させる。
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信し続けている。
端末装置300は、設置環境の計測結果を含むセンサー情報を、評価装置100aへ送信し続けている。
EV400は、充電データを示す情報を、評価装置100aへ送信し続けている。
評価装置100aは、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信する。評価装置100aは、受信した電気使用量情報、センサー情報、充電データなどの計測データと、その計測データを取得した日時を示す情報とを関連付けて、記憶する。
評価装置100aは、記憶している電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と第2電気使用量予測値とを比較することによって、複数の機械学習エンジンの各々を評価する。
評価装置100aは、記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、第2アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。以降、予測と評価とを繰り返す。
評価装置100aは、記憶している電気使用量情報のうち、第2電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得する。評価装置100aは、取得した電気使用量情報と第2電気使用量予測値とを比較することによって、複数の機械学習エンジンの各々を評価する。
評価装置100aは、記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、第2アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。以降、予測と評価とを繰り返す。
以下、評価システム10aを構成する評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500とのうち、評価装置100aについて、詳細に説明する。
図6は、第2の実施形態の評価システムに含まれる評価装置100aの一例を示すブロック図である。
(評価装置)
評価装置100aは、パーソナルコンピュータ、サーバー、スマートフォン、タブレット端末、又は産業用コンピュータ等の装置によって実現される。
評価装置100aは、通信部110と、通信部115と、記憶部120aと、情報処理部130aと、各構成要素を図2に示されているように電気的に接続するためのアドレスバスやデータバスなどのバスライン150とを備える。
通信部110は、HEMSサーバー200が送信した電気使用量情報を示す情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。通信部110は、サーバー500が送信した機械学習エンジンを示す情報を受信し、受信した機械学習エンジンを示す情報を、情報処理部130aへ出力する。
図6は、第2の実施形態の評価システムに含まれる評価装置100aの一例を示すブロック図である。
(評価装置)
評価装置100aは、パーソナルコンピュータ、サーバー、スマートフォン、タブレット端末、又は産業用コンピュータ等の装置によって実現される。
評価装置100aは、通信部110と、通信部115と、記憶部120aと、情報処理部130aと、各構成要素を図2に示されているように電気的に接続するためのアドレスバスやデータバスなどのバスライン150とを備える。
通信部110は、HEMSサーバー200が送信した電気使用量情報を示す情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。通信部110は、サーバー500が送信した機械学習エンジンを示す情報を受信し、受信した機械学習エンジンを示す情報を、情報処理部130aへ出力する。
記憶部120aは、例えば、RAM、ROM、HDD、フラッシュメモリ、またはこれらのうち複数が組み合わされたハイブリッド型記憶装置などにより実現される。記憶部120aの一部または全部は、評価装置100aの一部として設けられる場合に代えて、NASや外部のストレージサーバなど、評価装置100aのプロセッサがネットワーク50を介してアクセス可能な外部装置により実現されてもよい。記憶部120aには、情報処理部130aにより実行されるプログラム121と、アプリ122aと、学習データ123とが記憶される。
アプリ122aは、評価装置100aに、サーバー500が送信した機械学習エンジンとアンサンブル機械学習エンジンと、HEMSサーバー200が送信した電気使用量情報と、端末装置300が送信したセンサー情報と、EV400が送信した充電データとを受信させる。アプリ122aは、評価装置100aに、受信させた機械学習エンジンとアンサンブル機械学習エンジンとをインストールさせ、設定させる。アプリ122aは、評価装置100aに、受信させた電気使用量情報、センサー情報、充電データなどの計測データを、受信した日時と関連付けて、記憶部120aの学習データ123に記憶させる。
アプリ122aは、電気使用量情報に基づいて、複数の機械学習エンジンの各々に、第1電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、第1電気使用量予測値を販売させる。
アプリ122aは、一又は複数のアンサンブル機械学習エンジンの各々に、複数の機械学習エンジンの少なくとも一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1アンサンブル電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値を販売させる。
アプリ122aは、評価装置100aに、記憶させた電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。
アプリ122aは、評価装置100aに、取得させた電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較させる。アプリ122aは、評価装置100aに、電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値との比較結果に基づいて、複数の機械学習エンジンの各々の予測精度を導出させる。アプリ122aは、評価装置100aに、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングさせる。アプリ122aは、評価装置100aに、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払わせる。
アプリ122aは、評価装置100aに、取得させた電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値とを比較させる。アプリ122aは、評価装置100aに、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出させる。アプリ122aは、評価装置100aに、複数のアンサンブル機械学習エンジンの各々をランキングさせる。アプリ122aは、評価装置100aに、ランキングの結果に基づいて、上位から所定の数の順位のアンサンブル機械学習エンジンを提供したコンテスタントに報酬を支払わせてもよい。
アプリ122aは、評価装置100aに、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出させる。また、アプリ122aは、評価装置100aに、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出させる。
アプリ122aは、電気使用量情報に基づいて、複数の機械学習エンジンの各々に、第1電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、第1電気使用量予測値を販売させる。
アプリ122aは、一又は複数のアンサンブル機械学習エンジンの各々に、複数の機械学習エンジンの少なくとも一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1アンサンブル電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値を販売させる。
アプリ122aは、評価装置100aに、記憶させた電気使用量情報のうち、第1電気使用量予測値を予測してから、第1時間後に取得した電気使用量情報を取得させる。
アプリ122aは、評価装置100aに、取得させた電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較させる。アプリ122aは、評価装置100aに、電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値との比較結果に基づいて、複数の機械学習エンジンの各々の予測精度を導出させる。アプリ122aは、評価装置100aに、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングさせる。アプリ122aは、評価装置100aに、ランキングの結果に基づいて、上位から所定の数の順位の学習エンジンを提供したコンテスタントに報酬を支払わせる。
アプリ122aは、評価装置100aに、取得させた電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値とを比較させる。アプリ122aは、評価装置100aに、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出させる。アプリ122aは、評価装置100aに、複数のアンサンブル機械学習エンジンの各々をランキングさせる。アプリ122aは、評価装置100aに、ランキングの結果に基づいて、上位から所定の数の順位のアンサンブル機械学習エンジンを提供したコンテスタントに報酬を支払わせてもよい。
アプリ122aは、評価装置100aに、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出させる。また、アプリ122aは、評価装置100aに、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出させる。
アプリ122aは、複数の機械学習エンジンの各々に、記憶した電気使用量情報と設置環境のデータの計測結果と充電データとを教師データとして機械学習を行わせる。アプリ122aは、複数の機械学習エンジンの各々に、機械学習の結果に基づいて、自機械学習エンジンを更新させる。
また、アプリ122aは、評価装置100aに、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第2電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、記憶させた電気使用量情報のうち、第2電気使用量予測値を予測してから、さらに第1時間後に取得した電気使用量情報を取得させる。アプリ122aは、評価装置100aに、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較させることによって、一又は複数の機械学習エンジンの各々を評価させる。
また、アプリ122aは、評価装置100aに、第1時間後に取得した電気使用量情報に基づいて、一又は複数の機械学習エンジンの各々に、第2電気使用量予測値を予測させる。アプリ122aは、評価装置100aに、記憶させた電気使用量情報のうち、第2電気使用量予測値を予測してから、さらに第1時間後に取得した電気使用量情報を取得させる。アプリ122aは、評価装置100aに、取得させた電気使用量情報と一又は複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較させることによって、一又は複数の機械学習エンジンの各々を評価させる。
情報処理部130aは、例えば、CPUなどのプロセッサが記憶部120aに格納されたプログラム121や、アプリ122aを実行することにより実現されるソフトウェア機能部である。なお、情報処理部130aの全部または一部は、LSI、ASIC、またはFPGAなどのハードウェアにより実現されてもよく、ソフトウェア機能部とハードウェアとの組み合わせによって実現されてもよい。
情報処理部130aは、例えば、取得部131aと、予測部132aと、評価部133aと、学習部134と、導出部135とを備える。
取得部131aは、通信部110が出力した機械学習エンジンを取得し、取得した機械学習エンジンを、予測部132aへ出力する。また、取得部131aは、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
情報処理部130aは、例えば、取得部131aと、予測部132aと、評価部133aと、学習部134と、導出部135とを備える。
取得部131aは、通信部110が出力した機械学習エンジンを取得し、取得した機械学習エンジンを、予測部132aへ出力する。また、取得部131aは、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120の学習データ123に記憶する。
予測部132aは、取得部131aが出力した機械学習エンジンを取得し、取得した機械学習エンジンをインストールし、設定する。予測部132aは、複数の機械学習エンジンを備える。複数の機械学習エンジンの各々は、記憶部120aの学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得し、取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。予測部132aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値を販売する。予測部132aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値と第1予測対象日時を示す情報とを、評価部133aへ出力する。
また、予測部132aでは、複数の機械学習エンジンの各々は、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2電気使用量予測値を予測する。予測部132aは、複数の機械学習エンジンの各々が予測した第2電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した第2予測対象日時を示す情報とを、評価部133aへ出力する。
以降、予測部132aは、以下の処理を繰り返す。予測部132aは、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132aは、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133aへ出力する。
予測部132aは、取得部131aが出力した一又は複数のアンサンブル機械学習エンジンを取得し、取得した一又は複数の機械学習エンジンをインストールし、設定する。予測部132aは、一又は複数のアンサンブル機械学習エンジンを備える。一又は複数のアンサンブル機械学習エンジンの各々は、複数の機械学習エンジンの少なくとの一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得し、取得した複数の第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1アンサンブル電気使用量予測値を予測する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値を販売する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値と第1予測対象日時を示す情報とを、評価部133aへ出力する。
また、予測部132aでは、一又は複数のアンサンブル機械学習エンジンの各々は、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2アンサンブル電気使用量予測値を予測する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した第2予測対象日時を示す情報とを、評価部133aへ出力する。
以降、予測部132aは、以下の処理を繰り返す。予測部132aは、評価部133aが取得した電気使用量情報とそのアンサンブル電気使用量情報を取得した日時を示す情報とに基づいて、アンサンブル電気使用量予測値を予測する。予測部132aは、予測することによって得られたアンサンブル電気使用量予測値とアンサンブル電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133aへ出力する。
また、予測部132aでは、複数の機械学習エンジンの各々は、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2電気使用量予測値を予測する。予測部132aは、複数の機械学習エンジンの各々が予測した第2電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した第2予測対象日時を示す情報とを、評価部133aへ出力する。
以降、予測部132aは、以下の処理を繰り返す。予測部132aは、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、電気使用量予測値を予測する。予測部132aは、予測することによって得られた電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133aへ出力する。
予測部132aは、取得部131aが出力した一又は複数のアンサンブル機械学習エンジンを取得し、取得した一又は複数の機械学習エンジンをインストールし、設定する。予測部132aは、一又は複数のアンサンブル機械学習エンジンを備える。一又は複数のアンサンブル機械学習エンジンの各々は、複数の機械学習エンジンの少なくとの一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得し、取得した複数の第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて、第1アンサンブル電気使用量予測値を予測する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値を販売する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値と第1予測対象日時を示す情報とを、評価部133aへ出力する。
また、予測部132aでは、一又は複数のアンサンブル機械学習エンジンの各々は、評価部133aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第2アンサンブル電気使用量予測値を予測する。予測部132aは、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値と電気使用量情報を取得した日時に第1時間を加算した第2予測対象日時を示す情報とを、評価部133aへ出力する。
以降、予測部132aは、以下の処理を繰り返す。予測部132aは、評価部133aが取得した電気使用量情報とそのアンサンブル電気使用量情報を取得した日時を示す情報とに基づいて、アンサンブル電気使用量予測値を予測する。予測部132aは、予測することによって得られたアンサンブル電気使用量予測値とアンサンブル電気使用量情報を取得した日時に第1時間を加算した日時(予測対象日時)を示す情報とを、評価部133aへ出力する。
評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した第1電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価部133は、電気使用量情報と、複数の機械学習エンジンの各々が予測した第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、複数の機械学習エンジンの各々の予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬が支払われる。
また、評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した第2電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、複数の機械学習エンジンの各々が予測した第2電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、複数の機械学習エンジンの各々の予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
その後、評価部133aは、以下の処理を繰り返す。評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、複数の機械学習エンジンの各々の予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
また、評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した第2電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、複数の機械学習エンジンの各々が予測した第2電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、複数の機械学習エンジンの各々が予測した第2電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、複数の機械学習エンジンの各々の予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
その後、評価部133aは、以下の処理を繰り返す。評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、複数の機械学習エンジンの各々が予測した電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、複数の機械学習エンジンの各々の予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンをランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
評価部133aは、予測部132aが出力した一又は複数のアンサンブル機械学習エンジン(アンサンブル機械学習エンジンα、アンサンブル機械学習エンジンβ、アンサンブル機械学習エンジンγ)の各々が予測した第1アンサンブル電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第1アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。第1アンサンブル電気使用量予測値は、複数の機械学習エンジンの少なくとも一部が出力した第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて予測されているため、第1電気使用量予測値よりも予測精度が高いと想定される。
また、評価部133aは、予測部132aが出力した一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。第2アンサンブル電気使用量予測値は、複数の機械学習エンジンの少なくとも一部が出力した第2電気使用量予測値と第2予測対象日時を示す情報とに基づいて予測されているため、第2電気使用量予測値よりも予測精度が高いと想定される。
その後、評価部133aは、以下の処理を繰り返す。評価部133aは、予測部132aが出力した一又は複数のアンサンブル機械学習エンジンの各々が予測したアンサンブル電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測したアンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。具体的には、導出部135は、所定の期間のランキングの結果に基づいて、ランキングが一位であることが多い機械学習エンジンに対応する予測精度の時系列データと、その機械学習エンジン以外に対応する予測精度の時系列データとに基づいて、ランキングが一位であることが多い機械学習エンジンに対応する予測精度が下がった時間に、その予測精度よりも予測精度が高い機械学習エンジンを取得する。導出部135は、ランキングが一位であることが多い機械学習エンジンと、取得した機械学習エンジンとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。
また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。例えば、複数の機械学習エンジンの各々のランキングの結果の時間変化が、平日と平日以外とで異なる場合に、平日と平日以外という新たな評価軸を導出する。また、複数の機械学習エンジンの各々のランキングの結果の時間変化が、早朝と早朝以外とで、異なる場合に、早朝と早朝以外という新たな評価軸を導出する。
また、評価部133aは、予測部132aが出力した一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値と第2予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第2予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測した第2アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。第2アンサンブル電気使用量予測値は、複数の機械学習エンジンの少なくとも一部が出力した第2電気使用量予測値と第2予測対象日時を示す情報とに基づいて予測されているため、第2電気使用量予測値よりも予測精度が高いと想定される。
その後、評価部133aは、以下の処理を繰り返す。評価部133aは、予測部132aが出力した一又は複数のアンサンブル機械学習エンジンの各々が予測したアンサンブル電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、その予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、一又は複数のアンサンブル機械学習エンジンの各々が予測したアンサンブル電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、アンサンブル電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数のアンサンブル機械学習エンジンの各々をランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。
導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。具体的には、導出部135は、所定の期間のランキングの結果に基づいて、ランキングが一位であることが多い機械学習エンジンに対応する予測精度の時系列データと、その機械学習エンジン以外に対応する予測精度の時系列データとに基づいて、ランキングが一位であることが多い機械学習エンジンに対応する予測精度が下がった時間に、その予測精度よりも予測精度が高い機械学習エンジンを取得する。導出部135は、ランキングが一位であることが多い機械学習エンジンと、取得した機械学習エンジンとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。
また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。例えば、複数の機械学習エンジンの各々のランキングの結果の時間変化が、平日と平日以外とで異なる場合に、平日と平日以外という新たな評価軸を導出する。また、複数の機械学習エンジンの各々のランキングの結果の時間変化が、早朝と早朝以外とで、異なる場合に、早朝と早朝以外という新たな評価軸を導出する。
(評価システムの動作)
図7は、第2の実施形態の評価システムに含まれる評価装置100aの動作の一例を示す図である。図7を参照して、第1の実施形態の評価システム10と異なる点について、主に説明する。
評価装置100aの予測部132aは、記憶部120aの学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得する。複数の機械学習エンジンの各々は、予測部132aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。予測部132aは、第1電気使用量予測値を販売する(予測結果の販売)。
評価装置100aの評価部133aは、記憶している電気使用量情報のうち、電気使用量を予測してから、第1時間後に取得した電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価部133aは、電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値との比較結果に基づいて、複数の機械学習エンジンの各々について、コンテストを開催する(コンテストの開催)。
ここで、評価部133aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値の販売による売り上げを賞金として、不特定多数の人の寄与を募り、必要とするサービス、アイデア、またはコンテンツを取得するプロセスであるクラウドソーシングを通じて、第1電気使用量予測値を予測するたびに、コンテストを実施するようにしてもよい。図7に示される例では、モデルである機械学習エンジン「A」の提供元であるコンテスタントから機械学習エンジン「Z」の提供元であるコンテスタントの各々について、予測精度が関連付けて表されている。
図7は、第2の実施形態の評価システムに含まれる評価装置100aの動作の一例を示す図である。図7を参照して、第1の実施形態の評価システム10と異なる点について、主に説明する。
評価装置100aの予測部132aは、記憶部120aの学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得する。複数の機械学習エンジンの各々は、予測部132aが取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。予測部132aは、第1電気使用量予測値を販売する(予測結果の販売)。
評価装置100aの評価部133aは、記憶している電気使用量情報のうち、電気使用量を予測してから、第1時間後に取得した電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値とを比較する。評価部133aは、電気使用量情報と複数の機械学習エンジンの各々が予測した第1電気使用量予測値との比較結果に基づいて、複数の機械学習エンジンの各々について、コンテストを開催する(コンテストの開催)。
ここで、評価部133aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値の販売による売り上げを賞金として、不特定多数の人の寄与を募り、必要とするサービス、アイデア、またはコンテンツを取得するプロセスであるクラウドソーシングを通じて、第1電気使用量予測値を予測するたびに、コンテストを実施するようにしてもよい。図7に示される例では、モデルである機械学習エンジン「A」の提供元であるコンテスタントから機械学習エンジン「Z」の提供元であるコンテスタントの各々について、予測精度が関連付けて表されている。
評価装置100aの評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、複数の機械学習エンジンの各々をランキングする。例えば、予測精度が高い順又は予測精度が高くかつ予測に要した時間が短い順にランキングしてもよい。
評価部133aは、ランキングした結果に基づいて、10位などの所定の順位以内の機械学習エンジンを表示するようにしてもよい。図7に示される例では、モデルAからモデルZのうち、ランキング1位からランキング10位に該当する機械学習エンジン「B」、「J」、・・・、「N」が表されている。ここで、評価部133aは、1位から所定の順位の機械学習エンジンを提供したコンテスタントに報酬を支払うようにしてもよい。
さらに、モデルAからモデルZのうち、予測精度又は予測精度と予測の要した時間とに基づいてランキングされた結果、1位から10位に含まれるモデル(機械学習エンジン)が出力した電気使用量予測値と電気使用量情報を取得した日時とに基づいて、一又は複数のアンサンブル機械学習エンジンは、電気使用量情報を予測する。
評価装置100aの評価部133aは、複数の機械学習エンジンの各々のランキングの結果に基づいて、上位から所定の数の学習エンジンを採用する(採用)。導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
評価部133aは、ランキングした結果に基づいて、10位などの所定の順位以内の機械学習エンジンを表示するようにしてもよい。図7に示される例では、モデルAからモデルZのうち、ランキング1位からランキング10位に該当する機械学習エンジン「B」、「J」、・・・、「N」が表されている。ここで、評価部133aは、1位から所定の順位の機械学習エンジンを提供したコンテスタントに報酬を支払うようにしてもよい。
さらに、モデルAからモデルZのうち、予測精度又は予測精度と予測の要した時間とに基づいてランキングされた結果、1位から10位に含まれるモデル(機械学習エンジン)が出力した電気使用量予測値と電気使用量情報を取得した日時とに基づいて、一又は複数のアンサンブル機械学習エンジンは、電気使用量情報を予測する。
評価装置100aの評価部133aは、複数の機械学習エンジンの各々のランキングの結果に基づいて、上位から所定の数の学習エンジンを採用する(採用)。導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
図8は、第2の実施形態の評価システムに含まれる評価装置の動作の一例を示す図である。図8に示される例では、予測部132aは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDと、アンサンブル機械学習エンジンαと、アンサンブル機械学習エンジンβと、アンサンブル機械学習エンジンγとを備える。ここでは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとの各々が出力する第1電気使用量予測値が、アンサンブル機械学習エンジンαと、アンサンブル機械学習エンジンβと、アンサンブル機械学習エンジンγとの各々に入力される場合について説明する。
機械学習エンジンAには、da1、da2、・・・、dak1(k1は、k1>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンAは、入力されたda1、da2、・・・、dak1に基づいて、第1電気使用量予測値ta1、ta2、・・・、tanを予測する。da1、da2、・・・、danの一例は、気象情報である。
機械学習エンジンBには、db1、db2、・・・、dbk2(k2は、k2>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンBは、入力されたdb1、db2、・・・、dbk2に基づいて、第1電気使用量予測値tb1、tb2、・・・、tbk2を予測する。db1、db2、・・・、dbk2の一例は、ソーシャルネットワーキングサービス(social networking service: SNS)から取得される情報である。
機械学習エンジンCには、dc1、dc2、・・・、dck3(k3は、k3>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンCは、入力されたdc1、dc2、・・・、dck3に基づいて、第1電気使用量予測値tc1、tc2、・・・、tck3を予測する。dc1、dc2、・・・、dck3の一例は、電気使用量情報である。
機械学習エンジンDには、dd1、dd2、・・・、ddk4(k4は、k4>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンDは、入力されたdd1、dd2、・・・、ddk4に基づいて、第1電気使用量予測値td1、td2、・・・、tdk4を予測する。dd1、dd2、・・・、ddk4の一例は、PVの設置データである。
機械学習エンジンAには、da1、da2、・・・、dak1(k1は、k1>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンAは、入力されたda1、da2、・・・、dak1に基づいて、第1電気使用量予測値ta1、ta2、・・・、tanを予測する。da1、da2、・・・、danの一例は、気象情報である。
機械学習エンジンBには、db1、db2、・・・、dbk2(k2は、k2>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンBは、入力されたdb1、db2、・・・、dbk2に基づいて、第1電気使用量予測値tb1、tb2、・・・、tbk2を予測する。db1、db2、・・・、dbk2の一例は、ソーシャルネットワーキングサービス(social networking service: SNS)から取得される情報である。
機械学習エンジンCには、dc1、dc2、・・・、dck3(k3は、k3>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンCは、入力されたdc1、dc2、・・・、dck3に基づいて、第1電気使用量予測値tc1、tc2、・・・、tck3を予測する。dc1、dc2、・・・、dck3の一例は、電気使用量情報である。
機械学習エンジンDには、dd1、dd2、・・・、ddk4(k4は、k4>0の整数)などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンDは、入力されたdd1、dd2、・・・、ddk4に基づいて、第1電気使用量予測値td1、td2、・・・、tdk4を予測する。dd1、dd2、・・・、ddk4の一例は、PVの設置データである。
アンサンブル機械学習エンジンαは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、機械学習エンジンDが出力した第1電気使用量予測値td1、td2、・・・、tdnと、を取得する。アンサンブル機械学習エンジンαは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcn、td1、td2、・・・、tdnに基づいて、第1アンサンブル予測値tα1、tα2、・・・、tαnを予測する。第1アンサンブル予測値tα1、tα2、・・・、tαnは、電気使用量予測値である。
アンサンブル機械学習エンジンβは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、機械学習エンジンDが出力した第1電気使用量予測値td1、td2、・・・、tdnと、を取得する。アンサンブル機械学習エンジンβは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcn、td1、td2、・・・、tdnに基づいて、第1アンサンブル予測値tβ1、tβ2、・・・、tβnを予測する。第1アンサンブル予測値tβ1、tβ2、・・・、tβnは、電気使用量予測値である。
アンサンブル機械学習エンジンγは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、機械学習エンジンDが出力した第1電気使用量予測値td1、td2、・・・、tdnと、を取得する。アンサンブル機械学習エンジンγは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcn、td1、td2、・・・、tdnに基づいて、第1アンサンブル予測値tγ1、tγ2、・・・、tγnを予測する。第1アンサンブル予測値tγ1、tγ2、・・・、tγnは、電気使用量予測値である。
アンサンブル機械学習エンジンβは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、機械学習エンジンDが出力した第1電気使用量予測値td1、td2、・・・、tdnと、を取得する。アンサンブル機械学習エンジンβは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcn、td1、td2、・・・、tdnに基づいて、第1アンサンブル予測値tβ1、tβ2、・・・、tβnを予測する。第1アンサンブル予測値tβ1、tβ2、・・・、tβnは、電気使用量予測値である。
アンサンブル機械学習エンジンγは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、機械学習エンジンDが出力した第1電気使用量予測値td1、td2、・・・、tdnと、を取得する。アンサンブル機械学習エンジンγは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcn、td1、td2、・・・、tdnに基づいて、第1アンサンブル予測値tγ1、tγ2、・・・、tγnを予測する。第1アンサンブル予測値tγ1、tγ2、・・・、tγnは、電気使用量予測値である。
図9は、第2の実施形態の評価システムに含まれる評価装置の動作の一例を示す図である。図9に示される例では、予測部132aは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDと、アンサンブル機械学習エンジンαとを備える。図8とは、アンサンブル機械学習エンジンの数が一つである点で異なる。
ここでは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとを評価した結果、評価が高い順に、機械学習エンジンB、機械学習エンジンA、機械学習エンジンC、機械学習エンジンDであった場合について説明する。この場合、例えば、評価が高い方から三位以内の機械学習エンジンが出力する第1電気使用量予測値が、アンサンブル機械学習エンジンαに入力される。
図8と同様に、機械学習エンジンAには、da1、da2、・・・、dak1などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンAは、入力されたda1、da2、・・・、dak1に基づいて、第1電気使用量予測値ta1、ta2、・・・、tanを予測する。da1、da2、・・・、danの一例は、気象情報である。
機械学習エンジンBには、db1、db2、・・・、dbk2などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンBは、入力されたdb1、db2、・・・、dbk2に基づいて、第1電気使用量予測値tb1、tb2、・・・、tbk2を予測する。db1、db2、・・・、dbk2の一例は、ソーシャルネットワーキングサービス(social networking service: SNS)から取得される情報である。
機械学習エンジンCには、dc1、dc2、・・・、dck3などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンCは、入力されたdc1、dc2、・・・、dck3に基づいて、第1電気使用量予測値tc1、tc2、・・・、tck3を予測する。dc1、dc2、・・・、dck3の一例は、電気使用量情報である。
機械学習エンジンDには、dd1、dd2、・・・、ddk4などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンDは、入力されたdd1、dd2、・・・、ddk4に基づいて、第1電気使用量予測値td1、td2、・・・、tdk4を予測する。dd1、dd2、・・・、ddk4の一例は、PVの設置データである。
ここでは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとを評価した結果、評価が高い順に、機械学習エンジンB、機械学習エンジンA、機械学習エンジンC、機械学習エンジンDであった場合について説明する。この場合、例えば、評価が高い方から三位以内の機械学習エンジンが出力する第1電気使用量予測値が、アンサンブル機械学習エンジンαに入力される。
図8と同様に、機械学習エンジンAには、da1、da2、・・・、dak1などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンAは、入力されたda1、da2、・・・、dak1に基づいて、第1電気使用量予測値ta1、ta2、・・・、tanを予測する。da1、da2、・・・、danの一例は、気象情報である。
機械学習エンジンBには、db1、db2、・・・、dbk2などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンBは、入力されたdb1、db2、・・・、dbk2に基づいて、第1電気使用量予測値tb1、tb2、・・・、tbk2を予測する。db1、db2、・・・、dbk2の一例は、ソーシャルネットワーキングサービス(social networking service: SNS)から取得される情報である。
機械学習エンジンCには、dc1、dc2、・・・、dck3などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンCは、入力されたdc1、dc2、・・・、dck3に基づいて、第1電気使用量予測値tc1、tc2、・・・、tck3を予測する。dc1、dc2、・・・、dck3の一例は、電気使用量情報である。
機械学習エンジンDには、dd1、dd2、・・・、ddk4などの情報とその情報を取得した日時を示す情報とが入力される。機械学習エンジンDは、入力されたdd1、dd2、・・・、ddk4に基づいて、第1電気使用量予測値td1、td2、・・・、tdk4を予測する。dd1、dd2、・・・、ddk4の一例は、PVの設置データである。
評価部133aは、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとの各々が出力した第1電気使用量予測値と第1予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、第1予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとの各々が予測した第1電気使用量予測値とを比較する。評価部133は、電気使用量情報と、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとの各々が予測した第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、機械学習エンジンAと、機械学習エンジンBと、機械学習エンジンCと、機械学習エンジンDとをランキングする。
評価部133aは、ランキングの結果に基づいて、上位から三位である機械学習エンジンBと、機械学習エンジンAと、機械学習エンジンCとを採用する。評価部133aは、採用した機械学習エンジンBと、機械学習エンジンAと、機械学習Cとを、予測部132aへ通知する。予測部132aは、評価部133aが通知した機械学習エンジンAと、機械学習エンジンBと、機械学習Cとに基づいて、アンサンブル機械学習エンジンαに、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnとを出力する。
評価部133aは、ランキングの結果に基づいて、上位から三位である機械学習エンジンBと、機械学習エンジンAと、機械学習エンジンCとを採用する。評価部133aは、採用した機械学習エンジンBと、機械学習エンジンAと、機械学習Cとを、予測部132aへ通知する。予測部132aは、評価部133aが通知した機械学習エンジンAと、機械学習エンジンBと、機械学習Cとに基づいて、アンサンブル機械学習エンジンαに、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnとを出力する。
アンサンブル機械学習エンジンαは、機械学習エンジンAが出力した第1電気使用量予測値ta1、ta2、・・・、tanと、機械学習エンジンBが出力した第1電気使用量予測値tb1、tb2、・・・、tbnと、機械学習エンジンCが出力した第1電気使用量予測値tc1、tc2、・・・、tcnと、を取得する。アンサンブル機械学習エンジンαは、取得した第1電気使用量予測値ta1、ta2、・・・、tan、tb1、tb2、・・・、tbn、tc1、tc2、・・・、tcnに基づいて、第1アンサンブル予測値tα1、tα2、・・・、tαnを予測する。第1アンサンブル予測値tα1、tα2、・・・、tαnは、電気使用量予測値である。
このように、複数の機械学習エンジンのうち、評価が高い方から所定の数の機械学習エンジンが出力する第1電気使用量予測値を、アンサンブル機械学習エンジンへ出力する。このように構成することによって、アンサンブル電気使用量予測値は、複数の機械学習エンジンのうち、評価が高い方から所定の数の機械学習エンジンが出力する第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて予測されているため、第1電気使用量予測値よりも予測精度が高いと想定される。さらに、複数の機械学習エンジンの全てが出力した第1電気使用量予測値ではなく、複数の機械学習エンジンのうち、評価が高い機械学習エンジンが出力した第1電気使用量予測値に基づいて予測されるため、さらに予測精度を高くできる。
このように、複数の機械学習エンジンのうち、評価が高い方から所定の数の機械学習エンジンが出力する第1電気使用量予測値を、アンサンブル機械学習エンジンへ出力する。このように構成することによって、アンサンブル電気使用量予測値は、複数の機械学習エンジンのうち、評価が高い方から所定の数の機械学習エンジンが出力する第1電気使用量予測値と第1予測対象日時を示す情報とに基づいて予測されているため、第1電気使用量予測値よりも予測精度が高いと想定される。さらに、複数の機械学習エンジンの全てが出力した第1電気使用量予測値ではなく、複数の機械学習エンジンのうち、評価が高い機械学習エンジンが出力した第1電気使用量予測値に基づいて予測されるため、さらに予測精度を高くできる。
図10は、第2の実施形態の評価システムに含まれる評価装置100aの動作の一例を示す図である。ここでは、導出部135が、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する処理について、詳細に説明する。
導出部135は、図10の左に示される所定の期間のランキングの結果に基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度の時系列データと、その機械学習エンジン以外(機械学習エンジンB、機械学習エンジンC)に対応する予測精度の時系列データとに基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度が下がった時間t1に、その予測精度よりも高い予測精度が出ている機械学習エンジンBを取得する。
導出部135は、ランキングが一位であることが多い機械学習エンジンAと、取得した機械学習エンジンBとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得してもよい。この場合、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、取得した機械学習エンジンBによって、ランキングが一位であることが多い機械学習エンジンAの予測精度が低下した部分を補完できる。
導出部135は、図10の左に示される所定の期間のランキングの結果に基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度の時系列データと、その機械学習エンジン以外(機械学習エンジンB、機械学習エンジンC)に対応する予測精度の時系列データとに基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度が下がった時間t1に、その予測精度よりも高い予測精度が出ている機械学習エンジンBを取得する。
導出部135は、ランキングが一位であることが多い機械学習エンジンAと、取得した機械学習エンジンBとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得してもよい。この場合、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、取得した機械学習エンジンBによって、ランキングが一位であることが多い機械学習エンジンAの予測精度が低下した部分を補完できる。
また、導出部135は、図10の左に示される所定の期間の所定の期間のランキングの結果に基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度の時系列データと、その機械学習エンジン以外(機械学習エンジンB、機械学習エンジンC)に対応する予測精度の時系列データとに基づいて、ランキングが一位であることが多い機械学習エンジンAに対応する予測精度が下がった時間t2に、その予測精度よりも高い予測精度が出ている機械学習エンジンCを取得する。
導出部135は、ランキングが一位であることが多い機械学習エンジンAと、取得した機械学習エンジンCとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得してもよい。この場合、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、取得した機械学習エンジンBによって、ランキングが一位であることが多い機械学習エンジンAの予測精度が低下した部分を補完できる。
導出部135は、ランキングが一位であることが多い機械学習エンジンAと、取得した機械学習エンジンCとの間で、特徴量を比較することによって、予測の結果に影響を与える計測データを導出する。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得してもよい。この場合、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、取得した機械学習エンジンBによって、ランキングが一位であることが多い機械学習エンジンAの予測精度が低下した部分を補完できる。
図11は、第2の実施形態の評価システムに含まれる評価装置の動作の一例を示す図である。
取得部131aは、記憶部120aの学習データ123から、電気使用量情報d(t)を取得し、取得した電気使用量情報d(t)を、予測部132aへ出力する(1)。
予測部132aの複数の機械学習エンジンの各々は、取得部131aが出力した電気使用量情報d(t)に基づいて、第1電気使用量予測値を予測する(2)。ここでは、予測精度を導出するまでの処理については、一つの機械学習エンジンについて説明を続ける。つまり、複数の機械学習エンジンの各々は、同様の処理を行う。
予測部132aは、第1電気使用量予測値P(t+1)と予測対象日時とを、評価部133aへ出力する(3)。
取得部131aは、記憶部120aの学習データ123から、電気使用量情報d(t)を取得し、取得した電気使用量情報d(t)を、予測部132aへ出力する(1)。
予測部132aの複数の機械学習エンジンの各々は、取得部131aが出力した電気使用量情報d(t)に基づいて、第1電気使用量予測値を予測する(2)。ここでは、予測精度を導出するまでの処理については、一つの機械学習エンジンについて説明を続ける。つまり、複数の機械学習エンジンの各々は、同様の処理を行う。
予測部132aは、第1電気使用量予測値P(t+1)と予測対象日時とを、評価部133aへ出力する(3)。
評価部133aは、記憶部120aの学習データ123に記憶されている電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、予測対象日時を示す情報と一致する電気使用量情報を取得する。ここでは、計測データds(t+1)が、予測対象日時を示す情報と一致する電気使用量情報である場合について説明を続ける。
評価部133aは、予測部132aが出力した第1電気使用量予測値P(t+1)と予測対象日時を示す情報とを取得する。評価部133aは、取得した電気使用量ds(t+1)と、第1電気使用量予測値P(t+1)とを比較する。評価部133aは、所定の期間の間に行われた比較結果に基づいて、予測精度を導出する(4)。
評価部133aは、ランキングの結果に基づいて、いずれかの機械学習エンジンを採用する(5)。評価部133aは、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。予測部132aは、複数の機械学習エンジンの各々のランキングを、販売してもよい(6)。評価部133は、予測精度を、記憶部120の学習データ123に記憶する(7)。
評価部133aは、予測部132aが出力した第1電気使用量予測値P(t+1)と予測対象日時を示す情報とを取得する。評価部133aは、取得した電気使用量ds(t+1)と、第1電気使用量予測値P(t+1)とを比較する。評価部133aは、所定の期間の間に行われた比較結果に基づいて、予測精度を導出する(4)。
評価部133aは、ランキングの結果に基づいて、いずれかの機械学習エンジンを採用する(5)。評価部133aは、導出した予測精度又は予測精度と予測に要した時間に基づいて、複数の機械学習エンジンの各々をランキングする。評価部133aは、ランキングの結果に基づいて、上位から所定の数の順位の機械学習エンジンを提供したコンテスタントに報酬を支払う。予測部132aは、複数の機械学習エンジンの各々のランキングを、販売してもよい(6)。評価部133は、予測精度を、記憶部120の学習データ123に記憶する(7)。
図12は、第2の実施形態の評価システムの動作の一例を示すシーケンスチャートである。
(ステップS11)
サーバー500は、機械学習エンジンを示す情報を、評価装置100aへ送信する。
(ステップS12)
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信する。
(ステップS13)
端末装置300は、センサー情報を、評価装置100aへ送信する。
(ステップS14)
EV400は、充電データを、評価装置100aへ送信する。
(ステップS15)
評価装置100aの通信部110は、サーバー500が送信した機械学習エンジンを受信し、受信した機械学習エンジンを、情報処理部130aへ出力する。評価装置100aの通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、EV400が送信したセンサー情報を受信し、受信した充電データを、情報処理部130aへ出力する。
情報処理部130aの取得部131aは、通信部110が出力した機械学習エンジンと、電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。取得部131aは、取得した機械学習エンジンを、インストールし、設定する。
取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120aの学習データ123に記憶する。
(ステップS11)
サーバー500は、機械学習エンジンを示す情報を、評価装置100aへ送信する。
(ステップS12)
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信する。
(ステップS13)
端末装置300は、センサー情報を、評価装置100aへ送信する。
(ステップS14)
EV400は、充電データを、評価装置100aへ送信する。
(ステップS15)
評価装置100aの通信部110は、サーバー500が送信した機械学習エンジンを受信し、受信した機械学習エンジンを、情報処理部130aへ出力する。評価装置100aの通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、EV400が送信したセンサー情報を受信し、受信した充電データを、情報処理部130aへ出力する。
情報処理部130aの取得部131aは、通信部110が出力した機械学習エンジンと、電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。取得部131aは、取得した機械学習エンジンを、インストールし、設定する。
取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120aの学習データ123に記憶する。
(ステップS16)
予測部132aでは、複数の機械学習エンジンの各々は、記憶部120aの学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得し、取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。
予測部132aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値と予測対象日時を示す情報とを、評価部133aへ出力する。
(ステップS17)
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信する。
(ステップS18)
端末装置300は、センサー情報を、評価装置100aへ送信する。
(ステップS19)
EV400は、充電データを、評価装置100aへ送信する。
予測部132aでは、複数の機械学習エンジンの各々は、記憶部120aの学習データ123に記憶された電気使用量情報とその電気使用量情報を取得した日時を示す情報とを取得し、取得した電気使用量情報とその電気使用量情報を取得した日時を示す情報とに基づいて、第1電気使用量予測値を予測する。
予測部132aは、複数の機械学習エンジンの各々が予測した第1電気使用量予測値と予測対象日時を示す情報とを、評価部133aへ出力する。
(ステップS17)
HEMSサーバー200は、電気使用量情報を、評価装置100aへ送信する。
(ステップS18)
端末装置300は、センサー情報を、評価装置100aへ送信する。
(ステップS19)
EV400は、充電データを、評価装置100aへ送信する。
(ステップS20)
評価装置100aの通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、EV400が送信した充電データを受信し、受信した充電データを、情報処理部130aへ出力する。
情報処理部130aの取得部131aは、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120aの学習データ123に記憶する。取得部131aは、取得した機械学習エンジンを示す情報を、インストールし、設定する。
評価装置100aの通信部110は、HEMSサーバー200が送信した電気使用量情報を受信し、受信した電気使用量情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、端末装置300が送信したセンサー情報を受信し、受信したセンサー情報を、情報処理部130aへ出力する。評価装置100aの通信部115は、EV400が送信した充電データを受信し、受信した充電データを、情報処理部130aへ出力する。
情報処理部130aの取得部131aは、通信部110が出力した電気使用量情報と、通信部115が出力したセンサー情報と充電データとを取得する。
取得部131aは、取得した電気使用量情報、センサー情報、充電データなどの計測データと、計測データを取得した日時を示す情報とを関連付けて、記憶部120aの学習データ123に記憶する。取得部131aは、取得した機械学習エンジンを示す情報を、インストールし、設定する。
(ステップS21)
評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した第1電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、第1電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100aは、予測精度に基づいて、複数の機械学習エンジンの各々をランキングする。
(ステップS21)
導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
図12に示されるシーケンス図において、ステップS11−S14の順序を入れ替えてもよいし、ステップS17−S19の順序を入れ替えてもよい。
評価部133aは、予測部132aが出力した複数の機械学習エンジンの各々が予測した第1電気使用量予測値と予測対象日時を示す情報とを取得する。評価部133aは、記憶部120aの学習データ123に記憶した電気使用量情報のうち、その電気使用量情報を取得した日時を示す情報が、予測対象日時を示す情報と一致する電気使用量情報を取得する。評価部133aは、取得した電気使用量情報と、第1電気使用量予測値とを比較する。評価部133aは、電気使用量情報と、第1電気使用量予測値との比較結果に基づいて、予測精度を導出する。評価装置100aは、予測精度に基づいて、複数の機械学習エンジンの各々をランキングする。
(ステップS21)
導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、予測の結果に影響を与える計測データを導出する。また、導出部135は、複数の機械学習エンジンの各々のランキングの結果の時間変化に基づいて、時間変化が類似しない部分を抽出することなどによって、新たな評価軸を導出する。
図12に示されるシーケンス図において、ステップS11−S14の順序を入れ替えてもよいし、ステップS17−S19の順序を入れ替えてもよい。
前述した第2の実施形態では、評価システムに、評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500とを備える場合について説明したが、この限りでない。例えば、HEMSサーバー200と、端末装置300と、EV400とのうち、いずれか一つを備えるようにしてもよいし、気象衛星が取得するデータを取得するサーバーや、電力取引データを取得するサーバーや、太陽光発電の設置データを取得するサーバーなどを備えていてもよい。この場合、評価装置100aは、気象衛星が取得するデータ(例えば、気象データ)、電力取引データ、PVの設置データなどを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。また、HEMSサーバー200とともに、又はHEMSサーバー200の代わりに、スマートメータを備えていてもよい。この場合、評価装置100aは、スマートメータが取得するデータ(例えば、電気使用量情報)などを取得し、取得したデータに基づいて、第1時間後のデータを予測したり、学習を行って機械学習エンジンを更新したりする。
また、例えば、HEMSサーバー200が複数であってもよいし、端末装置300が複数であってもよいし、EV400が複数であってもよいし、サーバー500が複数であってもよい。HEMSサーバー200、端末装置300、EV400の各々を複数とすることによって、機械学習エンジンが、多くのデータを教師データとして、学習できるため、電気使用量を予測する精度を向上させることができる。また、サーバー500を複数とすることによって、評価装置100aは、複数のサーバー500から機械学習エンジンを取得し、取得した機械学習エンジンをインストールし、設定できる。このため、評価装置100aは、様々な機械学習エンジンを評価できる。
また、例えば、HEMSサーバー200が複数であってもよいし、端末装置300が複数であってもよいし、EV400が複数であってもよいし、サーバー500が複数であってもよい。HEMSサーバー200、端末装置300、EV400の各々を複数とすることによって、機械学習エンジンが、多くのデータを教師データとして、学習できるため、電気使用量を予測する精度を向上させることができる。また、サーバー500を複数とすることによって、評価装置100aは、複数のサーバー500から機械学習エンジンを取得し、取得した機械学習エンジンをインストールし、設定できる。このため、評価装置100aは、様々な機械学習エンジンを評価できる。
前述した第2の実施形態では、複数の機械学習エンジンの各々が、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、電気使用量情報から、将来の電気使用量情報を導出する場合について説明したが、この例に限られない。例えば、複数の機械学習エンジンの各々が、電気使用量情報、センサー情報、充電データなどの計測データから導出された特徴量に基づいて、センサー情報から、将来のセンサー情報を導出してもよいし、充電データから、将来の充電データを導出してもよい。また、例えば、複数の機械学習エンジンの各々が、電気使用量情報、センサー情報、充電データに限らず、複数のデータから導出された特徴量に基づいて、複数のデータに含まれるあるデータから、将来のあるデータを導出してもよい。
前述した第2の実施形態では、評価装置100aと、HEMSサーバー200と、サーバー500とが、ネットワーク50を介して、有線接続される場合について説明したが、この例に限られない。例えば、評価装置100aと、HEMSサーバー200と、サーバー500とが、ネットワーク50を介して、無線接続されてもよい。
前述した第2の実施形態では、評価装置100aと、端末装置300と、EV400とが、ネットワーク50を介して、無線接続される場合について説明したが、この例に限られない。例えば、評価装置100aと、端末装置300と、EV400とが、ネットワーク50を介して、有線接続されてもよい。
前述した第2の実施形態では、評価装置100aと、HEMSサーバー200と、サーバー500とが、ネットワーク50を介して、有線接続される場合について説明したが、この例に限られない。例えば、評価装置100aと、HEMSサーバー200と、サーバー500とが、ネットワーク50を介して、無線接続されてもよい。
前述した第2の実施形態では、評価装置100aと、端末装置300と、EV400とが、ネットワーク50を介して、無線接続される場合について説明したが、この例に限られない。例えば、評価装置100aと、端末装置300と、EV400とが、ネットワーク50を介して、有線接続されてもよい。
前述した第2の実施形態では、評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500との間が、インターネットなどのネットワーク50を介して接続される場合について説明したが、この限りでない。例えば、評価装置100aと、HEMSサーバー200と、端末装置300と、EV400と、サーバー500との間の少なくとも一部が、携帯電話網を介して接続されてもよい。
前述した第2の実施形態では、HEMSサーバー200が、定期的に、電気使用量情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aがHEMSサーバー200に、電気使用量情報要求を定期的に送信し、電気使用量情報要求に対して、HEMSサーバー200が送信した電気使用量情報を、評価装置100aが取得するようにしてもよい。
前述した第2の実施形態では、端末装置300が、定期的に、センサー情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aが端末装置300に、センサー情報要求を定期的に送信し、センサー情報要求に対して、端末装置300が送信したセンサー情報を、評価装置100aが取得するようにしてもよい。
前述した第2の実施形態では、EV400が、定期的に、充電データを示す情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aがEV400に、充電データ要求を定期的に送信し、充電データ要求に対して、EV400が送信した充電データを示す報情報を、評価装置100aが取得するようにしてもよい。
前述した第2の実施形態では、HEMSサーバー200が、定期的に、電気使用量情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aがHEMSサーバー200に、電気使用量情報要求を定期的に送信し、電気使用量情報要求に対して、HEMSサーバー200が送信した電気使用量情報を、評価装置100aが取得するようにしてもよい。
前述した第2の実施形態では、端末装置300が、定期的に、センサー情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aが端末装置300に、センサー情報要求を定期的に送信し、センサー情報要求に対して、端末装置300が送信したセンサー情報を、評価装置100aが取得するようにしてもよい。
前述した第2の実施形態では、EV400が、定期的に、充電データを示す情報を、評価装置100aへ送信する場合について説明したが、この例に限られない。例えば、評価装置100aがEV400に、充電データ要求を定期的に送信し、充電データ要求に対して、EV400が送信した充電データを示す報情報を、評価装置100aが取得するようにしてもよい。
第2の実施形態の評価システム10によれば、評価装置100aは、電気使用量情報を取得し、取得した電気使用量情報に基づいて、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、第1時間後に得られた電気使用量情報が、予測することによって得られた第1電気使用量予測値と一致するか否かによって、第1機械学習エンジンを評価できる。第1時間後に得られた電気使用量情報に基づいて、機械学習エンジンを評価できるため、新たなデータによって学習された結果を反映できる。また、電力取引市場など、現実の膨大な事象に基づく予測が必要となる取引において、優れた予測アルゴリズムを、経時的な環境変化への対応性(学習)を含めて評価できる。
また、機械学習エンジンを取得する取得部131aを備え、予測部132aは、取得部131aが取得した機械学習エンジンによって、第1時間後に得られるデータの予測を行う。このように構成することによって、外部のサーバーから取得した機械学習エンジンを使用して、第1時間後に得られるデータを予測することができる。
また、取得部131aは、第2機械学習エンジンを取得し、予測部132aは、第1データを入力として、取得部131aが取得した第2機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部133aは、第2データが、第1予測値と、第2機械学習エンジンが予測することによって得られた第2予測値と一致するか否かによって、前記第1機械学習エンジンを評価する。このように構成することによって、評価できる機械学習エンジンの数を増加させることができる。
また、評価部133aは、評価結果に基づいて、複数の機械学習エンジンの各々をランキング付けし、ランキングの結果に基づいて、報酬を与える。このように構成することによって、機械学習エンジンを開発する者に対して、機械学習エンジンを開発する動機を与えることができる。また、単純な予測精度に加え、予測に要した時間などの取引参加者の選好に合せて、評価できるとともに、報酬を配分ができる。このため、実際の取引において有用な予測アルゴリズムを市場参加者に活用させることができる。
また、機械学習エンジンを取得する取得部131aを備え、予測部132aは、取得部131aが取得した機械学習エンジンによって、第1時間後に得られるデータの予測を行う。このように構成することによって、外部のサーバーから取得した機械学習エンジンを使用して、第1時間後に得られるデータを予測することができる。
また、取得部131aは、第2機械学習エンジンを取得し、予測部132aは、第1データを入力として、取得部131aが取得した第2機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部133aは、第2データが、第1予測値と、第2機械学習エンジンが予測することによって得られた第2予測値と一致するか否かによって、前記第1機械学習エンジンを評価する。このように構成することによって、評価できる機械学習エンジンの数を増加させることができる。
また、評価部133aは、評価結果に基づいて、複数の機械学習エンジンの各々をランキング付けし、ランキングの結果に基づいて、報酬を与える。このように構成することによって、機械学習エンジンを開発する者に対して、機械学習エンジンを開発する動機を与えることができる。また、単純な予測精度に加え、予測に要した時間などの取引参加者の選好に合せて、評価できるとともに、報酬を配分ができる。このため、実際の取引において有用な予測アルゴリズムを市場参加者に活用させることができる。
また、評価部133aは、予測精度又は予測精度と予測に要した時間とに基づいて、ランキング付けを行う。このように構成することによって、複数の機械学習エンジンの各々をランキング付けできる。また、継続的にオープンにコンテストを行なうことで、補完関係にある複数のモデルを募集し、連結(アンサンブル学習)することで、恒常的にデータ活用の精度を向上できる。
また、ランキング付けの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部135を備える。このように構成することによって、予測の結果に影響を与えるデータを導出できる。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得し、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、個別アルゴリズムを組み合わせたアルゴリズムを評価できる。また、複数モデルを組み合わせることで、より精度の高い予測モデルを構築できる。
また、予測部132aは、第1予測値と第2予測値とを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンである第1アンサンブル機械学習エンジンを備える。このように構成することによって、予測結果に基づいて、さらに第1時間後に得られるデータを予測できため、予測精度を向上できる。
また、予測部132aは、第2データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部133aは、第1時間後に得られた第3データが、予測部132aが予測することによって得られた第3予測値と一致するか否かによって、第1機械学習エンジンを評価する。このように構成することによって、予測と、評価とを繰り返すことができる。
また、ランキング付けの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部135を備える。このように構成することによって、予測の結果に影響を与えるデータを導出できる。導出部135は、導出した計測データに基づいて、機械学習エンジンを、ネットワーク50を介して取得し、予測部132aは、取得した機械学習エンジンと組み合わせて予測を行うようにしてもよい。このように構成することによって、個別アルゴリズムを組み合わせたアルゴリズムを評価できる。また、複数モデルを組み合わせることで、より精度の高い予測モデルを構築できる。
また、予測部132aは、第1予測値と第2予測値とを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンである第1アンサンブル機械学習エンジンを備える。このように構成することによって、予測結果に基づいて、さらに第1時間後に得られるデータを予測できため、予測精度を向上できる。
また、予測部132aは、第2データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部133aは、第1時間後に得られた第3データが、予測部132aが予測することによって得られた第3予測値と一致するか否かによって、第1機械学習エンジンを評価する。このように構成することによって、予測と、評価とを繰り返すことができる。
<構成例>
一構成例として、第1データ(実施形態では、電気使用量情報)を入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部(実施形態では、予測部132a)と、第1時間後に得られた第2データ(実施形態では、電気使用量情報)が、予測部が予測することによって得られた第1予測値(実施形態では、電気使用量情報の予測値)と一致するか否かによって、前記第1機械学習エンジンを評価する評価部(実施形態では、評価部133a)とを備える、評価システム(実施形態では、評価システム10a)である。
一構成例として、第1機械学習エンジンを取得する取得部(実施形態では、取得部131a)を備え、予測部は、取得部が取得した第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う。
一構成例として、取得部は、第2機械学習エンジンを取得し、予測部は、第1データを入力として、取得部が取得した第2機械学習エンジンによって、第1時間後に得られる予測を行い、評価部は、第2データが、第2予測部が予測することによって得られた第2予測値と一致するか否かによって、第2機械学習エンジンを評価する。
一構成例として、評価部は、評価結果に基づいて、第1予測部と第2予測部とをランキングし、ランキングの結果に基づいて、報酬を与える。
一構成例として、第1データ(実施形態では、電気使用量情報)を入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部(実施形態では、予測部132a)と、第1時間後に得られた第2データ(実施形態では、電気使用量情報)が、予測部が予測することによって得られた第1予測値(実施形態では、電気使用量情報の予測値)と一致するか否かによって、前記第1機械学習エンジンを評価する評価部(実施形態では、評価部133a)とを備える、評価システム(実施形態では、評価システム10a)である。
一構成例として、第1機械学習エンジンを取得する取得部(実施形態では、取得部131a)を備え、予測部は、取得部が取得した第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う。
一構成例として、取得部は、第2機械学習エンジンを取得し、予測部は、第1データを入力として、取得部が取得した第2機械学習エンジンによって、第1時間後に得られる予測を行い、評価部は、第2データが、第2予測部が予測することによって得られた第2予測値と一致するか否かによって、第2機械学習エンジンを評価する。
一構成例として、評価部は、評価結果に基づいて、第1予測部と第2予測部とをランキングし、ランキングの結果に基づいて、報酬を与える。
一構成例として、評価部は、予測精度と予測に要した時間とのいずれか一方又は両方とに基づいて、ランキングを行う。
一構成例として、ランキングの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部を備える。
一構成例として、取得部は、第3機械学習エンジンを取得し、予測部は、第1データを入力として、取得部が取得した第3機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部は、第2データが、第3機械学習エンジンが予測することによって得られた第3予測値と一致するか否かによって、第3機械学習エンジンを評価し、評価システムは、第1予測値と第2予測値と前記第3予測値のうち、少なくとも2つを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンであるアンサンブル機械学習エンジンを備える。
一構成例として、評価部は、評価結果に基づいて、第1機械学習エンジンと第2機械学習エンジンと第3機械学習エンジンとをランキングし、アンサンブル機械学習エンジンは、ランキングの結果に基づいて、第1予測値と第2予測値と第3予測値とのうちの2つを入力として、第1時間後に得られるデータの予測を行う。
一構成例として、予測部は、第2データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部は、第1時間後に得られた第3データが、第2データを入力として、第1機械学習エンジンが予測することによって得られた第4予測値と一致するか否かによって、第1機械学習エンジンを評価する。
一構成例として、ランキングの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部を備える。
一構成例として、取得部は、第3機械学習エンジンを取得し、予測部は、第1データを入力として、取得部が取得した第3機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部は、第2データが、第3機械学習エンジンが予測することによって得られた第3予測値と一致するか否かによって、第3機械学習エンジンを評価し、評価システムは、第1予測値と第2予測値と前記第3予測値のうち、少なくとも2つを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンであるアンサンブル機械学習エンジンを備える。
一構成例として、評価部は、評価結果に基づいて、第1機械学習エンジンと第2機械学習エンジンと第3機械学習エンジンとをランキングし、アンサンブル機械学習エンジンは、ランキングの結果に基づいて、第1予測値と第2予測値と第3予測値とのうちの2つを入力として、第1時間後に得られるデータの予測を行う。
一構成例として、予測部は、第2データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、評価部は、第1時間後に得られた第3データが、第2データを入力として、第1機械学習エンジンが予測することによって得られた第4予測値と一致するか否かによって、第1機械学習エンジンを評価する。
以上、実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、組合せを行うことができる。これら実施形態は、発明の範囲や要旨に含まれると同時に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
なお、上述した評価装置100、評価装置100a、HEMSサーバー200、端末装置300、EV400、サーバー500は、コンピュータで実現するようにしてもよい。その場合、各機能ブロックの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録する。この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、CPUが実行することで実現してもよい。ここでいう「コンピュータシステム」とは、OS(Operating System)や周辺機器などのハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROMなどの可搬媒体のことをいう。また、「コンピュータ読み取り可能な記録媒体」は、コンピュータシステムに内蔵されるハードディスクなどの記憶装置を含む。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROMなどの可搬媒体のことをいう。また、「コンピュータ読み取り可能な記録媒体」は、コンピュータシステムに内蔵されるハードディスクなどの記憶装置を含む。
さらに「コンピュータ読み取り可能な記録媒体」とは、短時間の間、動的にプログラムを保持するものを含んでいてもよい。短時間の間、動的にプログラムを保持するものは、例えば、インターネットなどのネットワークや電話回線などの通信回線を介してプログラムを送信する場合の通信線である。
また、「コンピュータ読み取り可能な記録媒体」には、サーバーやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよい。また、上記プログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、上記プログラムは、プログラマブルロジックデバイスを用いて実現されるものであってもよい。プログラマブルロジックデバイスは、例えば、FPGA(Field Programmable Gate Array)である。
また、「コンピュータ読み取り可能な記録媒体」には、サーバーやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよい。また、上記プログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、上記プログラムは、プログラマブルロジックデバイスを用いて実現されるものであってもよい。プログラマブルロジックデバイスは、例えば、FPGA(Field Programmable Gate Array)である。
なお、上述の評価装置100、評価装置100a、HEMSサーバー200、端末装置300、EV400、サーバー500は内部にコンピュータを有している。そして、上述した電柱移設イメージ表示装置の各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。
ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、CD−ROM、DVD−ROM、半導体メモリなどをいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、CD−ROM、DVD−ROM、半導体メモリなどをいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
10、10a…評価システム、50…ネットワーク、100、100a…評価装置、110、115…通信部、120、120a…記憶部、121…プログラム、122、122a…アプリ、123…学習データ、130、130a…情報処理部、131…取得部、132、132a…予測部、133、133a…評価部、134…学習部、150…バスライン、200…HEMSサーバー、300…端末装置、400…EV、500…サーバー
Claims (11)
- 第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行う予測部と、
前記第1時間後に得られた第2データが、前記予測部が予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価する評価部と
を備える、評価システム。 - 前記第1機械学習エンジンを取得する取得部を備え、
前記予測部は、前記取得部が取得した前記第1機械学習エンジンによって、前記第1時間後に得られるデータの予測を行う、請求項1に記載の評価システム。 - 前記取得部は、第2機械学習エンジンを取得し、
前記予測部は、前記第1データを入力として、前記取得部が取得した前記第2機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、
前記評価部は、前記第2データが、前記第2機械学習エンジンが予測することによって得られた第2予測値と一致するか否かによって、前記第2機械学習エンジンを評価する、請求項2に記載の評価システム。 - 前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンとをランキングし、前記ランキングの結果に基づいて、報酬を与える、請求項3に記載の評価システム。
- 前記評価部は、予測精度又は予測精度と予測に要した時間とに基づいて、ランキングを行う、請求項3又は請求項4に記載の評価システム。
- 前記ランキングの時間変化に基づいて、予測の結果に影響を与えるデータを導出する導出部を備える、請求項4又は請求項5に記載の評価システム。
- 前記取得部は、第3機械学習エンジンを取得し、
前記予測部は、前記第1データを入力として、前記取得部が取得した前記第3機械学習エンジンによって、前記第1時間後に得られるデータの予測を行い、
前記評価部は、前記第2データが、前記第3機械学習エンジンが予測することによって得られた第3予測値と一致するか否かによって、前記第3機械学習エンジンを評価し、
前記評価システムは、
前記第1予測値と前記第2予測値と前記第3予測値のうち、少なくとも2つを入力として、第1時間後に得られるデータの予測を行う機械学習エンジンであるアンサンブル機械学習エンジンを備える請求項3から請求項6のいずれか一項に記載の評価システム。 - 前記評価部は、評価結果に基づいて、前記第1機械学習エンジンと前記第2機械学習エンジンと前記第3機械学習エンジンとをランキングし、
前記アンサンブル機械学習エンジンは、前記ランキングの結果に基づいて、前記第1予測値と前記第2予測値と前記第3予測値とのうちの2つを入力として、第1時間後に得られるデータの予測を行う、請求項7に記載の評価システム。 - 前記予測部は、前記第2データを入力として、前記第1機械学習エンジンによって、第1時間後に得られるデータの予測を行い、
前記評価部は、前記第1時間後に得られた第3データが、が予測することによって得られた第4予測値と一致するか否かによって、前記第1機械学習エンジンを評価する、請求項1から請求項8のいずれか一項に記載の評価システム。 - 第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、
前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップと
を有する、コンピュータが実行する評価方法。 - コンピュータに、
第1データを入力として、第1機械学習エンジンによって、第1時間後に得られるデータの予測を行うステップと、
前記第1時間後に得られた第2データが、前記予測を行うステップで予測することによって得られた第1予測値と一致するか否かによって、前記第1機械学習エンジンを評価するステップと
を実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018117353A JP2019219959A (ja) | 2018-06-20 | 2018-06-20 | 評価システム、評価方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018117353A JP2019219959A (ja) | 2018-06-20 | 2018-06-20 | 評価システム、評価方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019219959A true JP2019219959A (ja) | 2019-12-26 |
Family
ID=69096622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018117353A Pending JP2019219959A (ja) | 2018-06-20 | 2018-06-20 | 評価システム、評価方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019219959A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021144366A (ja) * | 2020-03-10 | 2021-09-24 | 株式会社Signate | 情報処理システム、情報処理方法および情報処理プログラム |
WO2023106264A1 (ja) * | 2021-12-06 | 2023-06-15 | 444株式会社 | システムおよび方法 |
JP7436652B2 (ja) | 2020-12-29 | 2024-02-21 | イニージ | 自動学習基盤時系列データ予測及び制御方法と装置 |
JP7453466B2 (ja) | 2020-07-07 | 2024-03-19 | ノースロップ グラマン システムズ コーポレーション | 機械学習アルゴリズムの挙動を評価するためのシステムおよび方法 |
-
2018
- 2018-06-20 JP JP2018117353A patent/JP2019219959A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021144366A (ja) * | 2020-03-10 | 2021-09-24 | 株式会社Signate | 情報処理システム、情報処理方法および情報処理プログラム |
JP7453466B2 (ja) | 2020-07-07 | 2024-03-19 | ノースロップ グラマン システムズ コーポレーション | 機械学習アルゴリズムの挙動を評価するためのシステムおよび方法 |
JP7436652B2 (ja) | 2020-12-29 | 2024-02-21 | イニージ | 自動学習基盤時系列データ予測及び制御方法と装置 |
WO2023106264A1 (ja) * | 2021-12-06 | 2023-06-15 | 444株式会社 | システムおよび方法 |
JP2023083728A (ja) * | 2021-12-06 | 2023-06-16 | 444株式会社 | システムおよび方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaboli et al. | Long-term electric energy consumption forecasting via artificial cooperative search algorithm | |
JP2019219959A (ja) | 評価システム、評価方法およびプログラム | |
Zhang et al. | Day-ahead electricity price forecasting by a new hybrid method | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
Kavousi-Fard et al. | A new hybrid correction method for short-term load forecasting based on ARIMA, SVR and CSA | |
Bouachir et al. | Federatedgrids: Federated learning and blockchain-assisted p2p energy sharing | |
US20140358694A1 (en) | Social media pricing engine | |
Mureddu et al. | Green power grids: How energy from renewable sources affects networks and markets | |
Iqbal et al. | Travel activity based stochastic modelling of load and charging state of electric vehicles | |
Kumaran et al. | Long-term sector-wise electrical energy forecasting using artificial neural network and biogeography-based optimization | |
Gao et al. | A learning-based credible participant recruitment strategy for mobile crowd sensing | |
TW201606684A (zh) | 電力需求預測裝置,電力供給系統,電力需求預測方法及程式 | |
Chaouch et al. | Randomly censored quantile regression estimation using functional stationary ergodic data | |
Yan et al. | Mid‐term electricity market clearing price forecasting using multiple least squares support vector machines | |
CN113793507A (zh) | 可用车位预测方法、装置、计算机设备及存储介质 | |
Hsueh et al. | Integrating the AHP and TOPSIS decision processes for evaluating the optimal collection strategy in reverse logistic for the TPI | |
Wang et al. | A survey on distributed optimisation approaches and applications in smart grids | |
Wu et al. | Data-driven approaches for optimizing EV aggregator power profile in energy and reserve market | |
Wong et al. | Long-term user location prediction using deep learning and periodic pattern mining | |
Hu et al. | Participants selection for from-scratch mobile crowdsensing via reinforcement learning | |
Han et al. | Tiff: Tokenized incentive for federated learning | |
Dai et al. | Contract theory based incentive scheme for mobile crowd sensing networks | |
Panapakidis et al. | Combined forecasting system for short‐term bus load forecasting based on clustering and neural networks | |
Diaz-Londono et al. | Remuneration sensitivity analysis in prosumer and aggregator strategies by controlling electric vehicle chargers | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180712 |