JP2020509484A - 気象データの統計的分析を用いて経済動向を予想するシステム及び方法 - Google Patents

気象データの統計的分析を用いて経済動向を予想するシステム及び方法 Download PDF

Info

Publication number
JP2020509484A
JP2020509484A JP2019544625A JP2019544625A JP2020509484A JP 2020509484 A JP2020509484 A JP 2020509484A JP 2019544625 A JP2019544625 A JP 2019544625A JP 2019544625 A JP2019544625 A JP 2019544625A JP 2020509484 A JP2020509484 A JP 2020509484A
Authority
JP
Japan
Prior art keywords
scale
scales
group
weather
economic
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
Application number
JP2019544625A
Other languages
English (en)
Inventor
イエルディング ラディック，ローズマリー
イエルディング ラディック，ローズマリー
バウアーズ エイカース，ジェニファー
バウアーズ エイカース，ジェニファー
ロフタス，ティモシー
アール． ルート，マイケル
アール． ルート，マイケル
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Accuweather Inc
Original Assignee
Accuweather Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Accuweather Inc filed Critical Accuweather Inc
Publication of JP2020509484A publication Critical patent/JP2020509484A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

開示されているのは、従来式のシステムの技術的問題を克服する経済予想システムである。従来式の経済予想システムは、過去の経済の動きを分析して、未来の動きを予測する統計モデルを構築することが可能である。しかしながら、従来式システムは、過去の気象データを取り込むと、気象尺度の高い多重共線性が原因で、生成するモデルがオーバーフィット及び／又はアンダーフィットになる。開示のシステムは、（各グループ中の気象尺度の多重共線性に基づいて）グループ分けされた気象尺度を分析し、各グループ中の１つ以上の最も統計的に有意な気象尺度を使用して統計モデルを生成することによって、従来式システムの技術的問題を克服する。

Description

気象データの統計的分析を用いて経済動向を予想するシステム及び方法に関する。
マクロ経済動向及びミクロ経済動向は、インフラストラクチャの可用性からエネルギ消費まで、天候に左右されることが多い。同様に人間の行動も（意識的であれ意識下であれ）天候に左右されることが多い。そこで、企業や他の組織は、全体的な経済動向から個々の製品の需要まで、あらゆることを予測する正確な予想を必要とする。
従来式の経済予想システムは、過去の経済の動きを分析して、未来の経済の動きを予測する経済予想モデルを構築する。気象データベースには、過去の事象と相関があるかもしれない履歴気象データが含まれる。従って、従来式の幾つかの経済予想システムは、過去の気象データを取り込んで、経済の動きを気象条件の関数としてモデル化することにより、予想される気象条件及び気候条件を考慮して未来の経済の動きを予測する。
従来式の経済予想システムは、関心対象の経済尺度をモデル化するにあたり、関心対象の経済尺度と相関があるかもしれない、利用できる全ての尺度を分析し、関心対象の経済尺度と相関がある尺度を特定し、関心対象の経済尺度を、関心対象の経済尺度と統計的に有意な相関がある全ての尺度の関数として予想するモデルを生成する。
しかしながら、従来式のシステムは、過去の気象尺度の多重共線性の為に、過去の気象尺度に基づく過去事象のモデル化には不十分な構造である。多重共線性は、２つ以上の尺度の間に中程度又は高度の相関がある場合に発生する現象である。気象学及び気候科学の分野では、気象尺度の数がかなり増えている。例えば、アキュウェザー・エンタープライズ・ソリューションズ（ペンシルベニア州ステートカレッジ）（ＡｃｃｕＷｅａｔｈｅｒ Ｅｎｔｅｒｐｒｉｓｅ Ｓｏｌｕｔｉｏｎｓ ｏｆ Ｓｔａｔｅ Ｃｏｌｌｅｇｅ， ＰＡ）から現在提供されている気象データベースには、１次導関数、２次導関数等を含めて３００を超える数の気象尺度が含まれている。それらの増えた気象尺度の幾つかは、よりシンプルな経済予想システムで検討できる、よりシンプルな気象尺度よりも経済動向をよく予測する。しかしながら、利用可能な気象尺度の数が３００を超えることで、多重共線性が頻繁に発生する。これは、それらの気象尺度の幾つかが同じ現象に強く関連する測定値である為である。例えば、毎日の高い気温、低い気温、及び平均気温は全て異なる尺度である。しかしながら、それらは全て、特定の日の特定の場所の大気中に存在する熱を測定していることから、それら全ての間に高い相関がある。
履歴気象尺度の高い多重共線性の為に、従来式の経済予想システムで生成されるモデルはオーバーフィットかアンダーフィットになる。オーバーフィットは、分析が特定のデータ群に過剰に近づいて、又は過剰に厳密に対応した結果であり、従って、未来の観測結果の正確な予測に失敗する可能性がある。オーバーフィットしたモデルは、本質的には、過去データ中の残差変動（即ち、ノイズ）に追従しており、この変動が未来データ中に発生することは期待されない為、このモデルは不正確な予想につながる。アンダーフィットは、統計モデルがデータの基本構造を十分に取り込めなかった場合に発生する。アンダーフィットの単純な一例は、非線形データに線形モデルをフィットさせることであり、この場合は予測性能が不十分になりがちである。しかしながら、正確に規定されたモデルであれば現れるであろう幾つかのパラメータ又は項が欠落すると、モデルがアンダーフィットになる可能性がある。
そこで、履歴気象尺度の高い多重共線性に起因してモデルがオーバーフィットになったりアンダーフィットになったりすることなく、予想された気象尺度に基づいて未来の経済動向を予想する経済予想システムが必要とされている。
本発明は、上記従来技術における課題を解決するためになされたものである。
従来式の予想システムのそれら及び他の技術的問題を克服する経済予想システムを提供する。このシステムは、（各グループ中の気象尺度の多重共線性に基づいて）グループ分けされた気象尺度を分析し、各グループ中の最も統計的に有意な気象尺度を識別し、各グループ中の１つ以上の最も統計的に有意な気象尺度を使用して統計モデルを生成し、予想気象尺度を受け取り、統計モデル及び予想気象尺度に基づいて関心対象の経済実績尺度を予想する。
従来式の方法で生成されるモデルがアンダーフィット又はオーバーフィットになるのに対して、開示のシステムは、気象尺度の多重共線性に基づいてグループ分けされたそれらの気象尺度を分析することによって、検査の為の計算コストが高い多数の気象尺度を使用する場合でも、未来の経済動向を最もよく予測する気象尺度を効率的に識別する。
例示的実施形態の諸態様は、添付図面を参照することにより、よりよく理解されるであろう。図面中の各構成要素は、縮尺が必ずしも正確ではなく、むしろ、例示的実施形態の原理を図解することに重点を置いている。
一例示的実施形態による経済予想システムのブロック図である。 一例示的実施形態による、履歴気象尺度に基づいて関心対象の経済実績尺度のモデルを生成すること、並びに、予想気象尺度に基づいて関心対象の経済実績尺度の予想を生成することのプロセスの概要を示すフローチャートである。 一例示的実施形態による、各グループ中の最も統計的に有意な履歴気象尺度を選択するプロセスを示すブロック図である。 一例示的実施形態による経済予想システム１００のアーキテクチャ４００のブロック図である。 別の例示的実施形態による経済予想システム１００の別のアーキテクチャ５００のブロック図である。 別の例示的実施形態による経済予想システム１００の別のアーキテクチャ６００のブロック図である。
以下では、本発明の例示的実施形態の様々な図を示す図面を参照する。図面、及び本明細書の図面説明においては、特定の術語の使用は、あくまで便宜上であって、本発明の実施形態を限定するものとして解釈されるべきではない。更に、以下の図面及び説明では、全体を通して類似の参照符号は類似の要素を示している。
図１は、一例示的実施形態による経済予想システム１００のブロック図である。
図１に示されるように、経済予想システム１００は、経済実績データベース１２０、履歴気象データベース１４０、気象予想データベース１６０、及び経済予想エンジン１８０を含む。
履歴経済実績データベース１２０は、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度１２２を格納する。履歴経済実績尺度１２２のそれぞれは、特定の場所１２４で特定の時点１２６に発生した１つ以上の事象を記述する。履歴経済実績データベース１２０は、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度１２２のそれぞれについて、各尺度の大きさ１２２、場所１２４、及び時点１２６を格納する。場所１２４は、緯度及び経度、自治体（例えば、市、郡、州等）、地域等として表現されてよい。時点１２６は、日付、その日付における特定の時刻等であってよい。
履歴経済実績尺度１２２は、小売売上尺度（例えば、ドル建て売上、店頭販売量、動向の数、個々のＳＫＵ数でのアイテムの売上等）、インフラストラクチャ尺度（例えば、場所の可用性、停電数等）、コモディティ尺度（例えば、エネルギ使用量、他のコモディティの需要）、人的資源尺度（例えば、従業員の可用性）等を含んでよい。
履歴経済実績尺度１２２はサードパーティソースから入手可能であり、そのようなサードパーティソースとして、政府系ソース、例えば、米国海洋大気庁（Ｎａｔｉｏｎａｌ Ｏｃｅａｎｉｃ ａｎｄ Ａｔｍｏｓｐｈｅｒｉｃ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）（ＮＯＡＡ）、米国航空宇宙局 （Ｎａｔｉｏｎａｌ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ｓｐａｃｅ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）（ＮＡＳＡ）、米国保健資源事業局（Ｈｅａｌｔｈ Ｒｅｓｏｕｒｃｅｓ ＆ Ｓｅｒｖｉｃｅｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）（ＨＲＳＡ）、米国経済分析局（Ｂｕｒｅａｕ ｏｆ Ｅｃｏｎｏｍｉｃ Ａｎａｌｙｓｉｓ）（ＢＥＡ）、及び米国労働統計局（Ｂｕｒｅａｕ ｏｆ Ｌａｂｏｒ Ｓｔａｔｉｓｔｉｃｓ）（ＢＬＳ）があり、又、民間の経済データソース、例えば、干ばつモニタ（Ｄｒｏｕｇｈｔ Ｍｏｎｉｔｏｒ）、国立雪氷データセンタ（Ｎａｔｉｏｎａｌ Ｓｎｏｗ ａｎｄ Ｉｃｅ Ｄａｔａ Ｃｅｎｔｅｒ）（ＮＳＩＤＣ）、ＥＳＲＩ市場（ＥＳＲＩ Ｍａｒｋｅｔｐｌａｃｅ）データ、コーネル社会経済研究所（Ｃｏｒｎｅｌｌ Ｉｎｓｔｉｔｕｔｅ ｆｏｒ Ｓｏｃｉａｌ ａｎｄ Ｅｃｏｎｏｍｉｃ Ｒｅｓｅａｒｃｈ）（ＣＩＳＥＲ）、ツイッター（登録商標）及びフェイスブックのデータ、金融市場データ、及び停電データがある（フェイスブックはフェイスブック社（Ｆａｃｅｂｏｏｋ， Ｉｎｃ．）の商標であり、ツイッターはツイッター社（Ｔｗｉｔｔｅｒ， Ｉｎｃ．）の商標である）。しかしながら、ほとんどの場合、経済予想システム１００は、特定クライアント向けの経済動向の予想に使用され、この予想は、そのクライアントから入手した履歴経済実績尺度１２２に基づいて行われる。
履歴気象データベース１４０は、地理的位置が特定され時点インデックスが付加された履歴気象尺度１４２を格納する。地理的位置が特定され時点インデックスが付加された履歴気象尺度１４２のそれぞれは、やはり、特定の場所１４４及び特定の時点１４６における気象条件又は環境条件を記述する。履歴気象データベース１４０は、地理的位置が特定され時点インデックスが付加された履歴気象尺度１４２のそれぞれについて、各尺度の大きさ１４２、場所１４４、及び時点１４６を格納する。場所１４４は、緯度及び経度、自治体（例えば、市、郡、州等）、地域等として表現されてよい。時点１４６は、日付、その日付における特定の時刻等であってよい。
履歴気象尺度１４２としては、気温尺度（例えば、最高気温、最低気温、日平均気温（２４時間）、最高気温の平年からの偏差、最低気温の平年からの偏差、日平均気温の平年からの偏差、日平均気温（最高／最低）、その他）、露点尺度、相対湿度尺度、地温尺度、及び水分尺度（例えば、最大露点温度、最小露点温度、平均露点温度、最大相対湿度、最小相対湿度、平均相対湿度、最大湿球温度、最小湿球温度、平均湿球温度、土壌水分、その他）、気圧尺度（例えば、最高気圧、最低気圧、平均気圧、その他）、冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度（例えば、冷房度日、暖房度日、積算有効度日、積算成長度日、凍結度日、その他）、風尺度（例えば、最大持続風速、最小持続風速、平均持続風速、最大突風、その他）、太陽放射照度尺度（例えば、最大太陽放射照度、最小太陽放射照度、平均太陽放射照度、総太陽放射照度、その他）、日照尺度（例えば、総日照時間（分）、日照可能時間（分）、日照率（％）、その他）、降水尺度（例えば、観測された１日の水当量、１日の水当量が平年並みである割合（％）、その他）、雪尺度、凍結尺度、氷尺度、及びみぞれ尺度（例えば、降雪量、０．５０インチにおける雪、地表の雪、３５マイル以内の雪、その他）、春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度（例えば、平均視界、０．５０マイルにおける視界、２．００マイルにおける視界、その他）があってよい。履歴気象尺度１４２は、１次導関数、２次導関数等を含んでよい。履歴気象尺度１４２は独自の気象尺度を含んでよく、例えば、日平均ＲＥＡＬＦＥＥＬ気温、１日の最高ＲＥＡＬＦＥＥＬ気温、１日の最低ＲＥＡＬＦＥＥＬ気温等を含んでよい（ＲＥＡＬＦＥＥＬはアキュウェザー社（ＡｃｃｕＷｅａｔｈｅｒ， Ｉｎｃ．）の登録商標である）。
履歴気象尺度１４２は、例えば、アキュウェザー社（ＡｃｃｕＷｅａｔｈｅｒ， Ｉｎｃ．）、アキュウェザー・エンタープライズ・ソリューションズ社（ＡｃｃｕＷｅａｔｈｅｒ Ｅｎｔｅｒｐｒｉｓｅ Ｓｏｌｕｔｉｏｎｓ， Ｉｎｃ．）、国立気象局（Ｎａｔｉｏｎａｌ Ｗｅａｔｈｅｒ Ｓｅｒｖｉｃｅ）（ＮＷＳ）、国立ハリケーン・センター（Ｎａｔｉｏｎａｌ Ｈｕｒｒｉｃａｎｅ Ｃｅｎｔｅｒ）（ＮＨＣ）、カナダ環境省（Ｅｎｖｉｒｏｎｍｅｎｔ Ｃａｎａｄａ）、他の政府系機関（例えば、英国気象サービス（Ｕ．Ｋ． Ｍｅｔｅｏｒｏｌｏｇｉｃ Ｓｅｒｖｉｃｅ）、日本国気象庁（Ｊａｐａｎ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ａｇｅｎｃｙ）等、民間企業（例えば、ヴァイサラの北米雷検知ネットワーク（Ｖａｉｓａｌｉａ’ｓ Ｕ．Ｓ． Ｎａｔｉｏｎａｌ Ｌｉｇｈｔｎｉｎｇ Ｄｅｔｅｃｔｉｏｎ Ｎｅｔｗｏｒｋ）、ウェザー・ディシジョン・テクノロジーズ社（Ｗｅａｔｈｅｒ Ｄｅｃｉｓｉｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ．））、個人（例えば、スポッター ネットワーク（Ｓｐｏｔｔｅｒ Ｎｅｔｗｏｒｋ）のメンバ）等から入手可能である。履歴気象尺度１４２は更に、（例えば、米国環境保護庁（Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｔｅｃｔｉｏｎ Ａｇｅｎｃｙ）（ＥＰＡ）から入手された）環境条件に関する情報、及び／又は（例えば、米国地質調査所（Ｕ．Ｓ． Ｇｅｏｌｏｇｉｃａｌ Ｓｕｒｖｅｙ）（ＵＳＧＳ）から入手された）自然災害（地震など）に関する情報を含んでよい。
気象予想データベース１６０は、予想気象尺度１６２を格納する。予想気象尺度１６２は、特定の場所１６４及び特定の時点１６６における、予想される気象条件又は環境条件を含む。場所１６４は、緯度及び経度、自治体（例えば、市、郡、州等）、地域等として表現されてよい。時点１６６は、日付、その日付における特定の時刻等であってよい。予想気象尺度１６２は、短期予想気象尺度、長期予想気象尺度、長期気候学的尺度等であってよい。
予想気象尺度１６２は、履歴気象尺度１４２と同じ気象尺度を含み、同じソースから入手可能である。経済予想システム１００は更に、気象予想エンジン（図示せず）を含んでよく、気象予想エンジンは、予想気象尺度１６２の幾つか又は全てを生成し、例えば、大気及び海洋の１つ以上の数学モデルを使用して、現在の気象条件に基づく未来の気象条件を予測する。
経済予想エンジン１８０は、関心対象の、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度１２２と、地理的位置が特定され時点インデックスが付加された履歴気象尺度１４２との相関に基づいて、関心対象の各経済実績尺度１２２の統計モデルを構築する。後で詳述されるように、経済予想エンジン１８０が関心対象の履歴経済実績尺度１２２と相関がある履歴気象尺度１４２を識別し、それによって、このモデルは、予想気象尺度１６２に基づいて関心対象の経済実績尺度１２２を予想するように生成及び使用されることが可能である。
ただし、経済予想エンジン１８０は、全ての気象尺度１４２を一緒くたに分析するわけではなく、統計的に有意であると認められた全ての履歴気象尺度１４２を使用して統計モデルを構築するわけでもない。これは、そのようにすると、本開示の背景技術の項で説明されたように、モデルがオーバーフィット又はアンダーフィットになる為であり、それは、部分的には、履歴気象尺度１４２の多重共線性に起因する。
その代わりに、経済予想エンジン１８０は、履歴気象尺度１４２の各グループを別々に分析し、各グループにおいて最も統計的に有意な履歴気象尺度１４２のうちの１つ以上を識別する。各グループは、履歴気象尺度１４２の多重共線性に基づいてグループ化された履歴気象尺度１４２を含む。
一例示的実施形態では、経済予想エンジン１８０は、以下の１０個のグループの履歴気象尺度１４２を使用する。
１．気温尺度
ａ．最高気温
ｂ．最低気温
ｃ．日平均気温（２４時間）
ｄ．最高気温の平年からの偏差
ｅ．最低気温の平年からの偏差
ｆ．日平均気温の平年からの偏差
ｇ．日平均気温（最高／最低）
ｈ．その他
２．露点尺度、相対湿度尺度、地温尺度、及び水分尺度
ａ．最大露点温度
ｂ．最小露点温度
ｃ．平均露点温度
ｄ．最大相対湿度
ｅ．最小相対湿度
ｆ．平均相対湿度
ｇ．最大湿球温度
ｈ．最小湿球温度
ｉ．平均湿球温度
ｊ．土壌水分
ｋ．その他
３．気圧尺度
ａ．最高気圧
ｂ．最低気圧
ｃ．日平均気圧
ｄ．その他
４．冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度
ａ．冷房度日
ｂ．暖房度日
ｃ．積算有効度日
ｄ．積算成長度日
ｅ．凍結度日
ｆ．その他
５．風尺度
ａ．最大持続風速
ｂ．最小持続風速
ｃ．平均風速
ｄ．最大突風
ｅ．その他
６．太陽放射照度尺度
ａ．最大太陽放射照度
ｂ．最小太陽放射照度
ｃ．平均太陽放射照度
ｄ．総太陽放射照度
ｅ．その他
７．日照尺度
ａ．総日照時間（分）
ｂ．日照可能時間（分）
ｃ．日照率（％）
ｄ．その他
８．降水尺度
ａ．観測された１日の水当量
ｂ．１日の水当量が平年並みである割合（％）
ｃ．その他
９．雪尺度、凍結尺度、氷尺度、及びみぞれ尺度
ａ．降雪量
ｂ．０．５０インチにおける雪
ｃ．地表の雪
ｄ．３５マイル以内の雪
ｅ．その他
１０．春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度
ａ．平均視界
ｂ．０．５０マイルにおける視界
ｃ．２．００マイルにおける視界
ｄ．その他
履歴気象尺度１４２は、それらの多重共線性に基づいて（例えば、上記に示したように）グループ分けされる。具体的には、履歴気象尺度１４２のグループ分けは、ピアソン相関係数の絶対値が最大である履歴気象尺度１４２同士が同じグループになるように行われる。表１は、ピアソン相関係数を使用して多重共線性を特定する場合の経験則を示す。
Figure 2020509484
表２は、ピアソン相関係数に基づく履歴気象尺度１４２のグループ分けの簡略化された例を示しており、ここでは、３つの気温尺度（最高気温、最低気温、及び平均気温）、並びに３つの風尺度（最大風速、最小風速、及び平均風速）だけを使用している。
Figure 2020509484
表２に示されるように、最高気温、最低気温、及び平均気温は全て、互いに対して強い（この例では正の）相関があり、従って、（気温尺度として）同じグループになる。同様に、最大風速、最小風速、及び平均風速は全て、互いに対して中程度から強い（この例では正の）相関があり、従って、（風尺度として）同じグループになる。逆に、どの気温尺度も、どの風尺度とも（正であれ負であれ）弱い相関すらない。従って、この例の気温尺度とこの例の風尺度は別々のグループに分けられる。
図２は、一例示的実施形態による、上述のようにグループ分けされた履歴気象尺度１４２に基づいて関心対象の経済実績尺度１２２のモデルを生成すること、並びに、予想気象尺度１６２に基づいて関心対象の経済実績尺度１２２の予想を生成することのプロセス２００の概要を示すフローチャートである。プロセス２００は、関心対象の経済実績尺度１２２のそれぞれについて、経済予想エンジン１８０によって実施される。
ステップ２１０で、履歴気象尺度１４２の各グループについて、相関分析が実施される。相関分析では、関心対象の経済実績尺度１２２に対する各履歴気象尺度１４２のピアソン相関係数及び統計的有意性（例えば、確率値（「ｐ値」））を計算する。
ステップ２２０で、履歴気象尺度１４２の各グループから、最多で所定の数の最も統計的に有意な履歴気象尺度１４２が選択される。プロセス２１０及び２２０での、相関分析を実施することと、各グループ中の最も統計的に有意な履歴気象尺度１４２を選択することと、については図３を参照して詳述する。
ステップ２３０で、選択された履歴気象尺度１４２を使用した統計モデルが生成される。予想モデルは、回帰分析（例えば、線形回帰分析、ロジスティック回帰分析、最良サブセット回帰分析、段階的重回帰分析等）、決定木（例えば、Ｃ５、ＣＡＲＴ、ＣＨＡＩＤ等）、ニューラルネットワーク（多層パーセプトロン、放射基底関数等）、又は他の人工知能等を使用して生成されてよい。
ステップ２４０で、予想気象尺度１６２が受け取られる。
ステップ２５０で、関心対象の経済実績尺度１２２の予想が生成される。この予想は、ステップ２３０で生成された統計モデルと、ステップ２４０で受け取られた予想気象尺度１６２とに基づいて行われる。
ステップ２６０では、ステップ２５０で生成された予想が出力される。予想は、グラフィカルユーザインタフェースによりユーザに対して出力されてよい。追加又は代替として、予想は、クライアントコンピューティング装置（例えば、関心対象の経済実績尺度１２２のソース）への送信の為に通信ネットワークに出力されてよい。
図３は、一例示的実施形態による、各グループ中の最も統計的に有意な履歴気象尺度１４２を判別及び選択するプロセス２１０及び２２０を示すブロック図である。
図３に示されるように、履歴気象尺度１４２のそれぞれは、グループ分けされている。この例では、履歴気象尺度１４２は、グループＡからグループＪに分けられており、グループＡは尺度Ａ１、尺度Ａ２等を含み、グループＢは尺度Ｂ１、尺度Ｂ２等を含む。
履歴気象尺度１４２の各グループについて、相関分析が実施されて、各履歴気象尺度１４２のピアソン相関係数及び統計的優位性が識別される。具体的には、グループＡについては、ステップ２１０で相関分析が実施されて、関心対象の経済実績尺度１２２に対する、グループＡの履歴気象尺度Ａ１、Ａ２等のそれぞれのピアソン相関係数及び統計的優位性が識別される。同様に、グループＢについては、ステップ２１１で相関分析が実施されて、関心対象の経済実績尺度１２２に対する、グループＢの履歴気象尺度Ｂ１、Ｂ２等のそれぞれのピアソン相関係数及び統計的優位性が識別される。グループＣからグループＪの履歴気象尺度１４２のそれぞれについても、ステップ２１２からステップ２１９において同様の相関分析が実施される。
表３は、７つの気温尺度のピアソン相関係数及び統計的優位性を識別する例を示す（上述の例のグループＡ）。
Figure 2020509484
履歴気象尺度１４２の各グループにおいて、最多でｎ個の最も有意な履歴気象尺度１４２が選択される。具体的には、ステップ２２０のグループＡにおいては、統計的優位性が所定閾値以内である履歴気象尺度１４２が斜ｎＡ個あるとすれば、ピアソン相関係数の絶対値が最大であるｎＡ個の履歴気象尺度１４２が選択される（所定閾値は、例えば、ｐ≦０．０５であってよく、又はより好ましくはｐ≦０．０１であってよく、又は最も好ましくはｐ≦０．００１であってよい）。同様に、ステップ２２１のグループＢにおいては、（統計的優位性が所定閾値以内である履歴気象尺度１４２がｎＢ個あるとすれば）ピアソン相関係数の絶対値が最大であるｎＢ個の履歴気象尺度１４２が選択される。ステップ２２２からステップ２２９においても同様の選択プロセスが実施されて、グループＣから最多でｎＣ個の尺度が選択され、グループＤから最多でｎＣ個の尺度が選択され、…グループＪから最多でｎＪ個の尺度が選択される。
表３の例を再度参照すると、グループＡから選択される履歴気象尺度１４２の数ｎＡが２であれば、経済予想エンジン１８０は、統計モデルを構築する為に、最高気温の平年からの偏差と日平均気温の平年からの偏差とを選択することになる。
各グループから選択される履歴気象尺度の数ｎは、グループごとに異なってよい。上述の、履歴気象尺度１４２の特定の１０個のグループを使用すると、最も好ましい実施形態では、経済予想エンジン１８０は、最も有意な２つの気温尺度（グループ１）と、最も有意な２つの露点尺度、相対湿度尺度、地温尺度、及び水分尺度（グループ２）と、１つの最も統計的に有意な気圧尺度（グループ３）と、最も統計的に有意な２つの冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度（グループ４）と、最も統計的に有意な２つの風尺度（グループ５）と、最も統計的に有意な１つの太陽放射照度尺度（グループ６）と、最も統計的に有意な２つの日照尺度（グループ７）と、最も統計的に有意な２つの降水尺度（グループ８）と、最も統計的に有意な３つの雪尺度、凍結尺度、氷尺度、及びみぞれ尺度（グループ９）と、最も統計的に有意な３つの熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度（グループ１０）と、を選択する。
上述のように、経済予想エンジン１８０は、全グループから選択された履歴気象尺度１４２（最も好ましい実施形態では、関心対象の経済実績尺度１２２に対して最も統計的に有意な２０個の履歴気象尺度１４２）を使用し、関心対象の経済実績尺度１２２を予想する統計モデルを生成する。
図４は、一例示的実施形態による経済予想システム１００のアーキテクチャ４００のブロック図である。
図４に示されるように、アーキテクチャ４００は、（例えば、１つ以上のクライアント側ネットワーク４３２を介して通信する）１つ以上のクライアント側装置４２０と、（例えば、１つ以上のサーバ側ネットワーク４３４を介して通信する）１つ以上のサーバ側装置４４０と、を含んでよい。クライアント側装置４２０は、インターネットなどのワイドエリアネットワーク４３６を介してサーバ側装置と通信してよい。クライアント側装置４２０は、１つ以上のクライアントコンピュータ４２２、４２４等を、非一時的コンピュータ可読記憶媒体４２６とともに含んでよい。サーバ側装置４４０は、１つ以上のサーバ４４２、４４４等を、非一時的コンピュータ可読記憶媒体４４６とともに含んでよい。
クライアントコンピュータ４２２、４２４等のそれぞれは、ネットワーク４３２、４３６等を介してデータの送信及び／又は受信を行うように構成された任意の適切なハードウェアコンピューティング装置であってよい。クライアントコンピュータ４２２、４２４等のそれぞれは、例えば、サーバ、パーソナルコンピュータ、ノートブックコンピュータ、スマートフォン、個人用携帯情報端末（ＰＤＡ）、タブレット、ネットワーク接続車両等のような、ネットワーク接続されたコンピューティング装置であってよい。各クライアントコンピュータは、内部記憶装置及びハードウェアプロセッサ（例えば、中央処理ユニット（ＣＰＵ））を含む。クライアントコンピュータ４２２、４２４等の幾つか又は全てが、出力装置（例えば、ディスプレイ）及び入力装置（例えば、キーボード、マウス、タッチパッド等）を含んでよい。１つ以上のサーバ４４２、４４４等のそれぞれは、ネットワーク４３４、４３６等を介してデータの送信及び／又は受信を行うように構成された任意の適切なハードウェアコンピューティング装置であってよい。１つ以上のサーバ４４２、４４４等のそれぞれは、例えば、アプリケーションサーバ及びウェブサーバであってよく、ウェブサーバは、クライアント側コンピューティング装置４２０からアクセス可能なウェブサイトをホストする。１つ以上のサーバ４４２、４４４等のそれぞれは、内部非一時的記憶装置と少なくとも１つのハードウェアコンピュータプロセッサとを含む。各非一時的コンピュータ可読記憶媒体４２６及び４４６は、ハードディスク、ソリッドステートメモリ等を含んでよい。１つ以上のネットワーク４３２、４３４、４３６等は、インターネット、セルラネットワーク、ワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）等の任意の組み合わせを含んでよい。ネットワーク４３２、４３４、４３６等を介しての通信は、有線接続及び／又は無線接続によって実現されてよい。
図１を再度参照すると、経済予想システム１００は、経済実績データベース１２０、履歴気象データベース１４０、気象予想データベース１６０、及び経済予想エンジン１８０を含む。経済予想エンジン１８０は、ソフトウェア命令がハードウェアコンピュータプロセッサで実行されることによって実現されてよい。経済予想エンジン１８０は、ソフトウェア命令が、（サーバ側の）サーバ４４２、４４４等のうちの１つ、及び／又は（クライアント側の）クライアントコンピュータ４２２、４２４等のうちの１つで実行されることによって実現されてよい。同様に、経済実績データベース１２０、履歴気象データベース１４０、及び気象予想データベース１６０は、（サーバ側４４０の）非一時的コンピュータ可読記憶媒体４４６、及び／又は（クライアント側４２０の）非一時的コンピュータ可読記憶媒体４２６に格納されてよい。
図４に示されたアーキテクチャ４００では、経済予想エンジン１８０は、ソフトウェア命令が（サーバ側の）サーバ４４２、４４４等のうちの１つで実行されることによって実現され、経済実績データベース１２０、履歴気象データベース１４０、及び気象予想データベース１６０は、（サーバ側４４０の）非一時的コンピュータ可読記憶媒体４４６に格納される。しかしながら、経済実績尺度１２２、並びに経済実績尺度１２２に関連付けられた場所１２４及び時点１２６は、（クライアント側４２０の）１つ以上のクライアントコンピュータ４２２、４２４等から受け取られてよい。この実施形態では、経済予想エンジン１８０は、関心対象の各経済実績尺度１２２の予想を、ワイドエリアネットワーク４３６を介してクライアントコンピュータ４２２又は４２４のうちの１つ以上に送信する為に、サーバ側ネットワーク４３４に出力してよい。クライアントコンピュータ４２２、４２４等は、グラフィカルユーザインタフェースにより、予想をユーザに対して出力してよい。
図５は、別の例示的実施形態による経済予想システム１００の別のアーキテクチャ５００のブロック図である。
図５に示されたアーキテクチャ５００は、図４に示されたアーキテクチャ４００とよく似ており、異なる点として、経済予想エンジン１８０は、ソフトウェア命令が（クライアント側４２０の）クライアントコンピュータ４２２、４２４等のうちの１つで実行されることによって実現され、経済実績データベース１２０、履歴気象データベース１４０、及び気象予想データベース１６０は、（クライアント側４２０の）非一時的コンピュータ可読記憶媒体４２６に格納される。この実施形態では、履歴気象尺度１４２（並びに履歴気象尺度１４２に関連付けられた場所１４４及び時点１４６）及び予想気象尺度１６２（並びに予想気象尺度１６２に関連付けられた場所１６４及び時点１６６）は、（サーバ側４４０の）１つ以上のサーバ４４２、４４４等から受け取られてよい。この実施形態では、経済予想エンジン１８０は、関心対象の各経済実績尺度１２２の予想を、グラフィカルユーザインタフェースにより、ユーザに対して出力してよい。
図６は、別の例示的実施形態による経済予想システム１００の別のアーキテクチャ６００のブロック図である。
図５に示されたアーキテクチャ６００は、図４に示されたアーキテクチャ４００とよく似ており、異なる点として、アーキテクチャ６００は更に、クラウドコンピューティングプラットフォーム６２０（例えば、機械学習プラットフォーム又は他の人工知能プラットフォーム）を含む。クラウドコンピューティングプラットフォーム６２０は、例えば、マイクロソフト・アジュール（Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ）機械学習環境であってよい。この実施形態では、経済予想エンジン１８０は、ソフトウェア命令がクラウドコンピューティングプラットフォーム６２０で実行されることによって実現される。アーキテクチャ４００及びアーキテクチャ５００と同様に、経済実績データベース１２０、履歴気象データベース１４０、及び気象予想データベース１６０は、（サーバ側４４０の）非一時的コンピュータ可読記憶媒体４２４、及び／又は（クライアント側４２０の）非一時的コンピュータ可読記憶媒体４２６に格納されてよい。
現在利用可能な気象データベースの履歴気象尺度１４２の数は３００を超えている為、上述の次元縮小プロセスによって、経済予想システム１００は、（従来式の経済予想システムで行われうるように）全ての尺度と一緒くたに検査された場合には潜在的に見失われるかもしれない有意な尺度１４２を見つけ出すことが可能になり、これによって、関心対象の経済実績尺度１２２の予想に使用される統計モデルの精度が向上する。一例として、風速、気温、及び湿度が一緒くたに検査される場合、気温及び湿度が、それらの強い相互作用に起因して統計的に有意になる場合があり、その場合には、関心対象の経済実績尺度１２２に対する風速の影響が薄まる。これに対し、上述のように経済予想システム１００が風速を他の風速尺度と併せて検査した場合、経済予想システム１００は、最大持続風速と最大突風風速とが特定の経済実績尺度１２２に対して統計的に有意であることを見つけ出した。
経済予想システム１００は、非常に正確な経済動向予想を生成する。これは、未来モデルの正確さを犠牲にすることなく、履歴気象尺度１４２の数を減らして、より管理しやすいセットにすることと、各グループの中で最も統計的に有意な履歴気象尺度１４２により分析プロセスを実施することと、によって行われる。開示の経済予想システム１００は更に、ユーザが様々な分析プロジェクトを実施する為の、再現性のある結果を提供する。
概して、検査に使用可能な多数の履歴気象尺度１４２を検査するのは、計算コストが高い。履歴気象尺度１４２をグループ分けして検査することにより（且つ、後で各グループ中の最も統計的に有意な履歴気象尺度１４２を組み合わせて統計モデルを生成することにより）、経済予想システム１００は、各グループ中のどの履歴気象尺度１４２が関心対象の経済実績尺度１２２と有意な関係にあるかを効率的に判定することが可能である。
経済予想システム１００は更に、経済動向の最も正確な見通し及び予想をクライアントに提供して、クライアントが予想気象尺度１６２を利用して、未来の売上を増やす事象を取り込み、売上を減らす事象を最小化することができるようにすることが可能である。経済予想システム１００は、製品ライン及び地理的領域の全体にわたって、より効果的なプランニング及び売上増加を可能にする。
従来式の経済予想システムは、履歴気象尺度１４２を一緒くたに分析する為に、生成される統計モデルがアンダーフィット及び／又はオーバーフィットになる可能性があるという技術的な問題があり、これは、部分的には、履歴気象尺度１４２の高い多重共線性が原因である。経済予想システム１００は、この技術的問題を克服する。従来式の経済予想システムは、履歴気象尺度１４２を一緒くたに分析することによって、生成する統計モデルがアンダーフィットになる可能性があり、この統計モデルは、関心対象の経済実績尺度１２２を、以下の５つの履歴気象尺度１４２だけの関数として予想する。
・日照可能時間（分）
・計算された日照率（％）
・０．５０インチにおける雪
・地表の雪
・総水当量
これに対し、経済予想システム１００は、上述の次元縮小プロセスを用いることにより、履歴気象尺度１４２が一緒くたに分析された場合には見失われる、関心対象の経済実績尺度１２２との関係がより微細な履歴気象尺度１４２を識別することが可能である。従って、経済予想システム１００が上述の次元縮小プロセスを用いて生成する統計モデルは、関心対象の経済実績尺度１２２を、以下の１３個の履歴気象尺度１４２の関数として予想する。
・平均風速
・最大湿球温度
・最小相対湿度
・最小持続風速
・日照可能時間（分）
・計算された日照率（％）
・０．５０インチにおける雪
・地表の雪
・３５マイル以内の雪
・土壌水分
・総水当量
・０．５０マイルにおける視界
・２．００マイルにおける視界
ここまで好ましい実施形態について説明してきたが、本開示を精査した当業者であれば容易に理解されるように、本発明の範囲から逸脱しない限り、他の実施形態も実現可能である。例えば、具体的な数のハードウェアコンポーネント、ソフトウェアモジュール等の開示は、例示的であって限定的ではない。従って、本発明は、添付の特許請求項によってのみ限定されるものとして理解されたい。

Claims (21)

  1. 関心対象の経済実績尺度を予想するシステムであって、
    前記関心対象の経済実績尺度を含む、１つ以上の、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度を格納する履歴経済実績データベースと、
    地理的位置が特定され時点インデックスが付加された履歴気象尺度を格納する履歴気象データベースであって、前記履歴気象尺度は、高い多重共線性を有する前記履歴気象尺度同士が同じグループになるようにグループ分けされる、前記履歴気象データベースと、
    地理的位置が特定され時点インデックスが付加された予想気象尺度を格納する気象予想データベースと、
    経済予想エンジンであって、
    相関分析を実施して、前記関心対象の経済実績尺度に対する前記履歴気象尺度のそれぞれの相関及び統計的有意性を識別するステップと、
    各グループから、前記関心対象の経済実績尺度に対して最も高い相関を有し、統計的有意性が所定の閾値を満たすか超える、最多で所定の数の履歴気象尺度を選択するステップと、
    前記グループの全てから前記選択された履歴気象尺度を使用して、前記関心対象の経済実績尺度を予想する統計モデルを生成するステップと、
    前記統計モデル及び前記予想気象尺度を使用して前記関心対象の経済実績尺度を予想するステップと、
    前記関心対象の予想経済実績尺度を、ユーザに対して表示する為に出力するステップと、
    を実施する前記経済予想エンジンと、
    を含むシステム。
  2. 前記経済予想エンジンは、回帰分析を用いて前記統計モデルを生成する、請求項１に記載のシステム。
  3. 前記経済予想エンジンは、決定木を用いて前記統計モデルを生成する、請求項１に記載のシステム。
  4. 前記経済予想エンジンは、ニューラルネットワークを用いて前記統計モデルを生成する、請求項１に記載のシステム。
  5. 前記履歴気象尺度は、互いに対するピアソン相関係数の絶対値が最大である前記履歴気象尺度同士が同じグループになるようにグループ分けされる、請求項１に記載のシステム。
  6. 前記経済予想エンジンは、各グループから、前記関心対象の経済実績尺度に対してピアソン相関係数の絶対値が最大である、最多で前記所定の数の履歴気象尺度を選択する、請求項１に記載のシステム。
  7. 前記グループは第１のグループ及び第２のグループを含み、
    前記経済予想エンジンは、前記第１のグループから、最多で第１の所定の数の履歴気象尺度を選択し、前記第１のグループから、最多で第２の所定の数の履歴気象尺度を選択し、
    前記第１の所定の数は、前記第２の所定の数と異なる、
    請求項１に記載のシステム。
  8. 統計的有意性の前記所定の閾値は、０．０５以下の確率値である、請求項１に記載のシステム。
  9. 気象尺度の前記グループとして、気温尺度のグループ、露点尺度、相対湿度尺度、地温尺度、及び水分尺度のグループ、気圧尺度のグループ、冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度のグループ、風尺度のグループ、太陽放射照度尺度のグループ、日照尺度のグループ、降水尺度のグループ、雪尺度、凍結尺度、氷尺度、及びみぞれ尺度のグループ、並びに春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度のグループがある、請求項１に記載のシステム。
  10. 前記経済予想エンジンは、最多で２つの気温尺度と、最多で２つの露点尺度、相対湿度尺度、地温尺度、及び水分尺度と、最多で１つの気圧尺度と、最多で２つの冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度と、最多で２つの風尺度と、最多で１つの太陽放射照度尺度と、最多で２つの日照尺度と、最多で２つの降水尺度と、最多で３つの雪尺度、凍結尺度、氷尺度、及びみぞれ尺度と、最多で３つの春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度と、を選択する、請求項９に記載のシステム。
  11. 地理的位置が特定され時点インデックスが付加された履歴気象尺度に基づいて関心対象の経済実績尺度を予想する方法であって、前記履歴気象尺度は、高い多重共線性を有する前記履歴気象尺度同士が同じグループになるようにグループ分けされ、
    前記関心対象の経済実績尺度を含む、１つ以上の、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度を受け取るステップと、
    地理的位置が特定され時点インデックスが付加された予想気象尺度を受け取るステップと、
    相関分析を実施して、前記関心対象の経済実績尺度に対する前記履歴気象尺度のそれぞれの相関及び統計的有意性を識別するステップと、
    各グループから、前記関心対象の経済実績尺度に対して最も高い相関を有し、統計的有意性が所定の閾値を満たすか超える、最多で所定の数の履歴気象尺度を選択するステップと、
    前記グループの全てから前記選択された履歴気象尺度を使用して、前記関心対象の経済実績尺度を予想する統計モデルを生成するステップと、
    前記統計モデル及び前記予想気象尺度を使用して前記関心対象の経済実績尺度を予想するステップと、
    前記関心対象の予想経済実績尺度を、ユーザに対して表示する為に出力するステップと、
    を含む方法。
  12. 前記統計モデルは、回帰分析を用いて生成される、請求項１１に記載の方法。
  13. 前記統計モデルは、決定木を用いて生成される、請求項１１に記載の方法。
  14. 前記統計モデルは、ニューラルネットワークを用いて生成される、請求項１１に記載の方法。
  15. 前記履歴気象尺度は、互いに対するピアソン相関係数の絶対値が最大である前記履歴気象尺度同士が同じグループになるようにグループ分けされる、請求項１１に記載の方法。
  16. 各グループから、前記関心対象の経済実績尺度に対してピアソン相関係数の絶対値が最大である、前記所定の数の履歴気象尺度が選択される、請求項１１に記載の方法。
  17. 前記グループは第１のグループ及び第２のグループを含み、
    前記第１のグループから、第１の所定の数の履歴気象尺度が選択され、前記第１のグループから、最多で第２の所定の数の履歴気象尺度が選択され、
    前記第１の所定の数は、前記第２の所定の数と異なる、
    請求項１１に記載の方法。
  18. 統計的有意性の前記所定の閾値は、０．０５以下の確率値である、請求項１１に記載の方法。
  19. 気象尺度の前記グループとして、気温尺度のグループ、露点尺度、相対湿度尺度、地温尺度、及び水分尺度のグループ、気圧尺度のグループ、冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度のグループ、風尺度のグループ、太陽放射照度尺度のグループ、日照尺度のグループ、降水尺度のグループ、雪尺度、凍結尺度、氷尺度、及びみぞれ尺度のグループ、並びに春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度のグループがある、請求項１１に記載の方法。
  20. 最多で２つの気温尺度と、最多で２つの露点尺度、相対湿度尺度、地温尺度、及び水分尺度と、最多で１つの気圧尺度と、最多で２つの冷房度日尺度、暖房度日尺度、積算有効度日尺度、積算成長度日尺度、及び凍結度日尺度と、最多で２つの風尺度と、最多で１つの太陽放射照度尺度と、最多で２つの日照尺度と、最多で２つの降水尺度と、最多で３つの雪尺度、凍結尺度、氷尺度、及びみぞれ尺度と、最多で３つの春の嵐尺度、熱帯性低気圧尺度、ハリケーン尺度、及び視界尺度と、が選択される、請求項１９に記載の方法。
  21. コンピュータプロセッサで実行された場合に、地理的位置が特定され時点インデックスが付加された履歴気象尺度に基づいて関心対象の経済実績尺度を予想することを前記コンピュータプロセッサに行わせる命令を記憶している非一時的コンピュータ可読記憶媒体であって、前記履歴気象尺度は、高い多重共線性を有する前記履歴気象尺度同士が同じグループになるようにグループ分けされ、前記命令は、
    前記関心対象の経済実績尺度を含む、１つ以上の、地理的位置が特定され時点インデックスが付加された履歴経済実績尺度を受け取るステップと、
    地理的位置が特定され時点インデックスが付加された予想気象尺度を受け取るステップと、
    相関分析を実施して、前記関心対象の経済実績尺度に対する前記履歴気象尺度のそれぞれの相関及び統計的有意性を識別するステップと、
    各グループから、前記関心対象の経済実績尺度に対して最も高い相関を有し、統計的有意性が所定の閾値を満たすか超える、最多で所定の数の履歴気象尺度を選択するステップと、
    前記グループの全てから前記選択された履歴気象尺度を使用して、前記関心対象の経済実績尺度を予想する統計モデルを生成するステップと、
    前記統計モデル及び前記予想気象尺度を使用して前記関心対象の経済実績尺度を予想するステップと、
    前記関心対象の予想経済実績尺度を、ユーザに対して表示する為に出力するステップと、
    を含むプロセスを前記コンピュータに実施させる、
    非一時的コンピュータ可読記憶媒体。
JP2019544625A 2017-02-17 2018-02-20 気象データの統計的分析を用いて経済動向を予想するシステム及び方法 Pending JP2020509484A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762460596P 2017-02-17 2017-02-17
US62/460,596 2017-02-17
PCT/US2018/018811 WO2018152527A1 (en) 2017-02-17 2018-02-20 System and method for forecasting economic trends using statistical analysis of weather data

Publications (1)

Publication Number Publication Date
JP2020509484A true JP2020509484A (ja) 2020-03-26

Family

ID=63167960

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019544625A Pending JP2020509484A (ja) 2017-02-17 2018-02-20 気象データの統計的分析を用いて経済動向を予想するシステム及び方法

Country Status (7)

Country Link
US (1) US20180240137A1 (ja)
EP (1) EP3583568A4 (ja)
JP (1) JP2020509484A (ja)
KR (1) KR20190119082A (ja)
CN (1) CN110520887A (ja)
CA (1) CA3053794A1 (ja)
WO (1) WO2018152527A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10770898B2 (en) * 2017-02-28 2020-09-08 Screaming Power Inc. Methods and systems for energy use normalization and forecasting
CA3026839C (en) * 2017-12-07 2023-06-13 Northview Weather Llc Storm outage management system
CN112987617A (zh) * 2021-03-15 2021-06-18 国网电力科学研究院武汉能效测评有限公司 近零能耗建筑数字化管理系统及能效监测方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7069232B1 (en) * 1996-01-18 2006-06-27 Planalytics, Inc. System, method and computer program product for short-range weather adapted, business forecasting
US7844517B2 (en) * 1996-01-18 2010-11-30 Planalytics, Inc. System, method, and computer program product for forecasting weather-based demand using proxy data
US7103560B1 (en) * 1996-01-18 2006-09-05 Planalytics, Inc. System and method for weather adapted, business performance forecasting
US6535817B1 (en) * 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
JP2004272674A (ja) * 2003-03-10 2004-09-30 Hitachi Ltd 予測システム及び予測方法
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
EP1954708A4 (en) * 2005-11-23 2009-05-13 Univ Utah Res Found METHODS AND COMPOSITIONS IN INTRINSIC GENES
US20080147417A1 (en) * 2006-12-14 2008-06-19 David Friedberg Systems and Methods for Automated Weather Risk Assessment
JP2008185489A (ja) * 2007-01-30 2008-08-14 Japan Weather Association 融雪出水予測システム
US20100216718A1 (en) * 2007-10-19 2010-08-26 Cell Signaling Technology, Inc. Cancer Classification and Methods of Use
US8406162B2 (en) * 2008-05-16 2013-03-26 La Crosse Technology, Ltd. Method and apparatus of transmitting, receiving, displaying and playing weather data
US20110288917A1 (en) * 2010-05-21 2011-11-24 James Wanek Systems and methods for providing mobile targeted advertisements
US20120101880A1 (en) * 2010-10-05 2012-04-26 WeatherAlpha, LLC. Digital Communication Management System
CA2910644A1 (en) * 2012-05-23 2013-11-28 Liping Fu Road surface condition classification method and system
WO2014075108A2 (en) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
US10303846B2 (en) * 2014-08-14 2019-05-28 Memed Diagnostics Ltd. Computational analysis of biological data using manifold and a hyperplane
US11346979B2 (en) * 2014-08-27 2022-05-31 Dtn, Llc Automated global weather notification system
US10770899B2 (en) * 2014-09-11 2020-09-08 Gerald Bernard Sheble Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution)
EP3237937A4 (en) * 2014-12-22 2018-07-11 User-Centric IP, L.P. Mesoscale modeling
US10366357B2 (en) * 2015-04-10 2019-07-30 Telsco Industries, Inc. Systems and methods for site-specific tracking of snowfall
CN105550700B (zh) * 2015-12-08 2019-04-09 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN107025596B (zh) * 2016-02-01 2021-07-16 腾讯科技（深圳）有限公司 一种风险评估方法和系统
US11537847B2 (en) * 2016-06-17 2022-12-27 International Business Machines Corporation Time series forecasting to determine relative causal impact
US10028451B2 (en) * 2016-11-16 2018-07-24 The Climate Corporation Identifying management zones in agricultural fields and generating planting plans for the zones

Also Published As

Publication number Publication date
CA3053794A1 (en) 2018-08-23
EP3583568A1 (en) 2019-12-25
EP3583568A4 (en) 2020-08-05
WO2018152527A1 (en) 2018-08-23
CN110520887A (zh) 2019-11-29
KR20190119082A (ko) 2019-10-21
US20180240137A1 (en) 2018-08-23

Similar Documents

Publication Publication Date Title
US11144835B2 (en) Systems and methods for outage prediction
US11315046B1 (en) Machine learning-based disaster modeling and high-impact weather event forecasting
Jones et al. Generating downscaled weather data from a suite of climate models for agricultural modelling applications
Wagesho et al. Temporal and spatial variability of annual and seasonal rainfall over Ethiopia
Thorarinsdottir et al. Probabilistic forecasts of wind speed: Ensemble model output statistics by using heteroscedastic censored regression
TW201732716A (zh) 以氣象為基礎之產業分析系統
Della-Marta et al. Improved estimates of the European winter windstorm climate and the risk of reinsurance loss using climate model data
JP7495406B2 (ja) 熱帯低気圧の影響の予想
Retalis et al. Downscaling CHIRPS precipitation data: an artificial neural network modelling approach
Sittichok et al. Statistical seasonal rainfall and streamflow forecasting for the Sirba watershed, West Africa, using sea-surface temperatures
JP2020509484A (ja) 気象データの統計的分析を用いて経済動向を予想するシステム及び方法
Hasan et al. Automated weather event analysis with machine learning
Seo et al. Did adaptation strategies work? High fatalities from tropical cyclones in the North Indian Ocean and future vulnerability under global warming
Mishra et al. Simulating hydrological drought properties at different spatial units in the United States based on wavelet–Bayesian regression approach
Dash et al. Forecast Customization System (FOCUS): A multimodel ensemble‐based seasonal climate forecasting tool for the homogeneous climate zones of Myanmar
US11493666B2 (en) System and method for forecasting snowfall probability distributions
US11402541B2 (en) Determining a REALFEEL seasonal index
Amburn et al. Precipitation forecasting with gamma distribution models for gridded precipitation events in eastern Oklahoma and northwestern Arkansas
Rahmat et al. Implementation of Bayesian model averaging on the weather data forecasting applications utilizing open weather map
Dreveton et al. Use of a principal components analysis for the generation of daily time series
Crossett Hydroclimatic Variability of the Northeastern United States
Gautam et al. Increased drought and extreme events over continental United States under high emissions scenario