JP2021012539A - データ予測システム及びその方法 - Google Patents
データ予測システム及びその方法 Download PDFInfo
- Publication number
- JP2021012539A JP2021012539A JP2019126321A JP2019126321A JP2021012539A JP 2021012539 A JP2021012539 A JP 2021012539A JP 2019126321 A JP2019126321 A JP 2019126321A JP 2019126321 A JP2019126321 A JP 2019126321A JP 2021012539 A JP2021012539 A JP 2021012539A
- Authority
- JP
- Japan
- Prior art keywords
- factor
- prediction
- data
- value
- fluctuation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims description 43
- 230000007704 transition Effects 0.000 claims description 19
- 238000013459 approach Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 30
- 238000013523 data management Methods 0.000 description 29
- 230000004048 modification Effects 0.000 description 23
- 238000012986 modification Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 21
- 230000001276 controlling effect Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 238000013500 data storage Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
(1)基本例
(1−1)本システムを含むデータ管理システムの構成
図2は、本システム12の構成を示すブロック図である。図2は、データ管理システム1におけるデータ予測システム12(図3も参照)を構成する各装置の機能構成を示す。本システム12は予測演算装置2とデータ管理装置3とから構成される。
図3及び図4を参照して、本システム12の処理及びデータフローについて説明する。図3は、図2の本システムにおける信号の流れを示すブロック図である。
(1−4−1)因子変動評価部
図5を参照して、因子変動評価部251の処理動作を説明する。図5は、図2及び図3の因子変動評価部251における信号の流れを示すブロック図である。因子変動予測部251は、因子それぞれの変動量を評価し、予測対象の予測モデルに対する各因子の寄与度を制御するデータを出力する。
図6を参照して、予測部252の処理動作を説明する。図6は、図2、図3及び図5の予測部252における信号の流れを示すブロック図である。予測部252は、予測対象標本データ351A、因子標本データ352A、因子予測データ353A、及び因子変動評価部251が出力した寄与度制御データを用いて、予測対象の予測値を算出する予測モデルを同定し、予測対象日時における予測値を出力する。
次に、図7を参照しながら本システム12の効果を説明する。図7は、本システム12の効果を示す概念図である。この図7は、予測対象の予測値を算出する予測モデルにおいて、因子Aと因子Bの2種の因子を用いた場合を例示している。図7(a)は、データ管理システム12において、因子変動評価部251を用いない場合に、予測モデル同定部252Aが出力した直後の予測対象の予測値を算出する予測モデルを図示している。
(2−1)因子変動評価部の変形例
本システム12における因子変動評価部251は、各因子の因子予測データ353Aの過去の変動の傾向に基づいて、各因子の予測モデルへの寄与度を制御する、という基本形について説明した。これに限らず、図8を用いて説明する変形例に示すように、予測対象日時における各因子の変動の予測に基づいて寄与度を制御しても良い。
図2〜図4で説明した本システム12の因子変動評価部251及び予測部252で用いる予測対象の予測モデルの同定において、因子とする値の時間に関する言及は省略したが、ある時刻の予測対象の値に対し、当該時刻も含めた過去の時間の因子標本データを用いて算出しても良い。
[1]本システム12は、因子変動評価部251と、予測部252と、を有しており、予測データを算出するためのコンピュータ装置である。因子変動評価部251は、予測モデルを同定する際に、寄与度制御データを出力する。寄与度制御データは、因子毎のデータであるとともに、当該因子の寄与度を制御するデータである。また、当該因子の寄与度は、当該因子の変動量に基づいて変化させる。すなわち、因子変動評価部251が、予測対象の予測値を算出するための予測モデルに用いる因子に関し、各因子の過去に得た予測値に基づいて予測モデルの同定における各因子の寄与度を制御するデータを出力する(図4の第1のステップS3)。
[5]寄与度を制御するデータは、因子に基づく標本同士の類似度を示す指標値の算出において、変動量の大きい因子に基づいた類似度を示す指標値の値が減じられるように調整しても良い。換言すれば、因子に基づく標本同士の類似度を示す指標値の算出において、上記[4]のように、寄与度を制御するデータが調整されると良い。このように、変動量の大きい因子、又は変動量の大きい因子に基づいた類似度を示す指標値の値は、予測の正確さを低減させる原因になる危険性が高い。そのように危険性の高い因子の寄与度を低めることによって、全体の予測値の精度を向上させることができる。
[10]因子変動評価部251は、因子の変動量を算出するためのモデルの同定において、地理平面及び高度から構成される空間上の少なくとも一点の因子のデータを用いることが好ましい。
[12]因子変動評価部251は、因子それぞれの観測データの観測誤差に基づいて、因子それぞれの変動量を算出することが好ましい。
[13]因子の変動量は、因子の予測値の変動範囲、もしくは因子の予測値の誤差の発生範囲、もしくは因子の予測値の誤差値の何れかであることが好ましい。このように、誤差の発生範囲、観測誤差、その他の誤差情報を用いて予測精度を向上させることができる。
[15]人口の動態情報は、通信端末の所在値情報、あるいは交通機関の乗車数、乗車率、座席予約数、あるいは道路交通情報の少なくとも何れか一つを含むことが好ましい。これらは、互いに相関関係が高い。
[16]予測対象の値を予測するモデルは、図10に示すような電気自動車の充電設備それぞれの稼働状況を示すデータを用いて、稼動傾向が類似する充電設備を分類することが好ましい。
[18]予測対象の値を予測するモデルは、予測対象の値の時間推移についてデータ構成する要因をそれぞれ分離し、分離した要因毎に予測値を算出することが好ましい。
Claims (15)
- 予測対象の予測値を算出するための予測モデルに用いる因子に関し、各因子の変動量に基づいて前記予測モデルの同定における各因子の寄与度を制御するデータを出力する因子変動評価部と、
前記予測対象の標本と、因子の標本と、因子毎のデータであり当該因子の寄与度を制御するデータである寄与度制御データとに基づいて、前記予測モデルを同定し、当該同定された予測モデルを用いて前記予測対象の予測値を出力する予測部と、
を有するデータ予測システム。 - 前記因子変動評価部は、
過去に得た各因子の予測値を前記予測対象の前記予測モデルに入力することで算出される前記予測対象の過去期間の推定値と、同期間での前記予測対象の実績値と、の差分である乖離量を算出し、
該乖離量を減じるように各因子の寄与度制御データを算出する、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
因子の変動量と相関を有する一つ以上の他の因子の変動量を用いて、予測対象期間における当該因子の変動量の予測値を算出し、
予測した変動量に基づいて当該因子の寄与度制御データを算出する、
請求項1に記載のデータ予測システム。 - 変動量が相対的に大きい因子の寄与度制御データに従う寄与度は、変動量が相対的に小さい因子の寄与度制御データに従う寄与度よりも小さい、
請求項1に記載のデータ予測システム。 - 因子に基づく標本同士の類似度を示す指標値の算出において、変動量が相対的に大きい因子の寄与度制御データに従う寄与度は、変動量が相対的に小さい因子の寄与度制御データに従う寄与度よりも小さく調整される、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
各因子について過去に得た予測値を前記予測モデルに入力することで算出される前記予測対象の過去期間の推定値と、同期間での前記予測対象の実績値との差分である乖離量を算出し、
該乖離量を減じるように各因子の寄与度制御データを算出し、
因子の変動量と相関を有する一つ以上の他の因子の変動量を用いて、予測対象期間における当該因子の変動量の予測値を算出し、
予測した予測対象期間における変動量を重みとして、前記算出した各因子の寄与度制御データを更新する、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
各因子について過去に得た予測値を前記予測モデルに入力することで算出される前記予測対象の過去期間の推定値と、同期間での前記予測対象の実績値と、の差分である乖離量を算出し、
該乖離量を減じるように各因子の寄与度制御データを算出する際に、なるべく多くの因子の寄与度をゼロに近づけるように寄与度制御データを算出する、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
過去に得た各因子の予測値を前記予測対象の前記予測モデルに入力することで算出される前記予測対象の過去期間の推定値と、同期間での前記予測対象の実績値と、の差分である乖離量を算出し、
該乖離量を減じるように各因子の寄与度制御データを算出する際に、前記乖離量が、各因子について予め定めた寄与度制御データに基づいて算出された閾値としての乖離量より小さくなるように、各因子の寄与度制御データを算出する、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
予測対象時刻の前時刻、もしくは後時刻の少なくとも何れかの因子予測データを用いて因子の変動量を算出する、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
因子の変動量を算出するためのモデルの同定において、地理平面及び高度から構成される空間上の少なくとも一点の因子のデータを用いる、
請求項1に記載のデータ予測システム。 - 前記予測対象の値を予測するモデルは、
因子の過去時刻からの値の推移を示すデータを新たな因子として用いる、
請求項1に記載のデータ予測システム。 - 前記因子変動評価部は、
因子それぞれの観測データの観測誤差に基づいて、因子それぞれの変動量を算出する、
請求項1に記載のデータ予測システム。 - 因子の変動量は、
因子の予測値の変動範囲、もしくは因子の予測値の誤差の発生範囲、もしくは因子の予測値の誤差値の何れかである、
請求項1に記載のデータ予測システム。 - 前記予測対象が電力需要である、
請求項1に記載のデータ予測システム。 - 予測対象の予測データを算出するデータ予測方法であって、
因子変動評価部が、前記予測対象の予測値を算出するための予測モデルに用いる因子に関し、各因子の過去に得た前記予測値に基づいて前記予測モデルの同定における各因子の寄与度を制御するデータを出力する第1のステップと、
予測部が、前記予測対象の観測標本、因子の観測標本、及び各因子の寄与度を制御するデータに基づいて前記予測モデルを同定し、前記予測対象の前記予測値を出力する第2のステップと、
を有するデータ予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019126321A JP7257276B2 (ja) | 2019-07-05 | 2019-07-05 | データ予測システム及びその方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019126321A JP7257276B2 (ja) | 2019-07-05 | 2019-07-05 | データ予測システム及びその方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021012539A true JP2021012539A (ja) | 2021-02-04 |
JP7257276B2 JP7257276B2 (ja) | 2023-04-13 |
Family
ID=74227623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019126321A Active JP7257276B2 (ja) | 2019-07-05 | 2019-07-05 | データ予測システム及びその方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7257276B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016127643A (ja) * | 2014-12-26 | 2016-07-11 | 株式会社日立パワーソリューションズ | 風力発電量の予測方法 |
JP2017224268A (ja) * | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
JP2018092439A (ja) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
JP2018124727A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社東芝 | 電力需要予測装置 |
JP2018163515A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社日立製作所 | 予測システム、及び、予測方法 |
JP2019049850A (ja) * | 2017-09-08 | 2019-03-28 | 株式会社日立製作所 | 予測システム及び方法 |
-
2019
- 2019-07-05 JP JP2019126321A patent/JP7257276B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016127643A (ja) * | 2014-12-26 | 2016-07-11 | 株式会社日立パワーソリューションズ | 風力発電量の予測方法 |
JP2017224268A (ja) * | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
JP2018092439A (ja) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
JP2018124727A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社東芝 | 電力需要予測装置 |
JP2018163515A (ja) * | 2017-03-24 | 2018-10-18 | 株式会社日立製作所 | 予測システム、及び、予測方法 |
JP2019049850A (ja) * | 2017-09-08 | 2019-03-28 | 株式会社日立製作所 | 予測システム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7257276B2 (ja) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Electric vehicle charging demand forecasting using deep learning model | |
Abbasabadi et al. | An integrated data-driven framework for urban energy use modeling (UEUM) | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
Tang et al. | Taxi trips distribution modeling based on Entropy-Maximizing theory: A case study in Harbin city—China | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
Duan et al. | A novel hybrid prediction model for aggregated loads of buildings by considering the electric vehicles | |
Russo et al. | Air quality prediction using optimal neural networks with stochastic variables | |
JP7157620B2 (ja) | 予測システムおよび予測方法 | |
Xu et al. | Trip-oriented travel time prediction (TOTTP) with historical vehicle trajectories | |
Lai et al. | Understanding drivers' route choice behaviours in the urban network with machine learning models | |
Gómez et al. | Evaluation of trade-offs between two data sources for the accurate estimation of origin–destination matrices | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
ElGhanam et al. | Machine learning-based electric vehicle charging demand prediction using origin-destination data: A uae case study | |
Khafidli et al. | Forecast of Aviation Traffic in Indonesia Based on Google Trend and Macroeconomic Data using Long Short-Term Memory | |
Siripirote et al. | Updating of travel behavior model parameters and estimation of vehicle trip chain based on plate scanning | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
Yamaguchi et al. | Real-time prediction for future profile of car travel based on statistical data and greedy algorithm | |
Vu et al. | Bus running time prediction using a statistical pattern recognition technique | |
Wang et al. | Real-time estimation of the urban air quality with mobile sensor system | |
Ling et al. | Prediction of charging requirements for electric vehicles based on multiagent intelligence | |
JP7257276B2 (ja) | データ予測システム及びその方法 | |
La et al. | Predictive model of air transportation management based on intelligent algorithms of wireless network communication | |
US20230027383A1 (en) | Prediction system and prediction method | |
Kim et al. | Congestion and scheduling preferences of car commuters in California: estimates using big data | |
CN106920391B (zh) | 一种基于空间误差模型的公共交通通达性差异分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230131 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230309 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230322 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230403 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7257276 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |