JP2021039739A - 予測装置、予測プログラム、及び予測方法 - Google Patents

Abstract

【課題】予測対象量の予測結果に対する説明情報を生成する。【解決手段】記憶部１１１は、複数の日それぞれの予測対象量の実績値を含む予測対象実績情報１２１と、複数の日それぞれの気象実績値を含む気象実績情報１２２とを記憶する。予測部１１２は、予測対象日の気象予測値から予測対象量の予測値を生成する。特定部１１３は、予測対象実績情報１２１から、予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し、気象実績情報１２２から、類似日の気象実績値を特定する。【選択図】図１

Description

本発明は、予測装置、予測プログラム、及び予測方法に関する。

電力を需要者の受電設備に供給する電力系統では、常に電力需要と発電量とを一致させることが望ましい。もし、電力需要と発電量とが不一致になると、供給電力の周波数及び電圧が規定値から逸脱してしまう。したがって、電力需要予測は、電力の安定供給に重要な役割を果たしている。

電力需要予測に関連して、様々な技術が知られている（例えば、特許文献１〜特許文献５を参照）。

特許文献１の類似日抽出装置は、予測対象量に影響を与える複数の要因の実績値と、予測対象日における複数の要因の予測値と、予測対象量の実績値とに基づいて、過去日の予測対象量が予測対象日の予測対象量に類似すると推定される過去日を類似日と決定する。これにより、類似日における予測対象量の実績値を修正することによって、予測対象日の予測対象量を生成することができる。

特許文献２の電力需要予測装置は、予測対象時間における予測気温データと、予測対象時間から遡った過去の気温データとを用いて、予測対象時間における電力需要を予測する。

特許文献３の電力需要予測装置は、電力を供給する地域の各領域の気象要素を予測し、各領域の電力需要の実績を収集して実績データベースを作成し、各領域の気象要素と実績データベースを基に、気象要素を加味した電力需要量を予測する。

特許文献４の需要予測装置は、過去の気象実績値及び過去の需要実績値から予測期間に所定の類似する類似期間の相関関係データを生成する。そして、需要予測装置は、相関関係データと、予測期間の気象予測値及び気象予測値の確率分布の気象予測確率分布データとから、予測期間での需要予測値及び需要予測値の確率分布を算出して需要予測を行う。

特許文献５の需要予測システムは、過去の需要実績を示す過去情報を分類する基準となる複数の分類候補を設定し、複数の分類候補に基づいて生成される予測モデルの性能をそれぞれ算出する。そして、需要予測システムは、選択基準に一致する予測性能を有する分類候補を選択し、選択された分類候補に基づいて生成される予測モデルと過去情報とに基づいて、将来の特定時点における需要を予測する。

特許第６１８７００３号公報 特開２００９−２２５６１３号公報 特開２００３−１８００３２号公報 特開２００９−２９４９６９号公報 特開２０１３−１９６０３７号公報

特許文献１及び特許文献２の技術は、単純で分かりやすい予測方法である。特に、特許文献１の技術は過去の需要実績に基づく予測方法であり、需要予測を行う運用者は、このような予測方法を重要視する傾向にある。特許文献２の技術では、重回帰モデルの予測式を用いて電力需要が予測される。しかしながら、特許文献１及び特許文献２の技術では、複雑な電力需要の挙動を捉えることが困難であり、予測精度が低下する可能性がある。

一方、特許文献３の技術では、ニューラルネットワーク等の非線形な予測方法により電力需要量が予測される。このため、複雑な電力需要の挙動を捉え、高精度に予測することが可能となる。しかしながら、ニューラルネットワーク等の挙動はブラックボックス化されてしまうことが多く、予測結果の妥当性を判断することが困難である。

なお、かかる問題は、電力需要を予測する場合に限らず、気象によって変動する様々な予測対象量を予測する場合において生ずるものである。

１つの側面において、本発明は、予測対象量の予測結果に対する説明情報を生成することを目的とする。

１つの実施形態によれば、予測装置は、記憶部、予測部、及び特定部を含む。記憶部は、複数の日それぞれの予測対象量の実績値を含む予測対象実績情報と、複数の日それぞれの気象実績値を含む気象実績情報とを記憶する。

予測部は、予測対象日の気象予測値から予測対象量の予測値を生成する。特定部は、予測対象実績情報から、予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し、気象実績情報から、類似日の気象実績値を特定する。

１つの側面において、予測対象量の予測結果に対する説明情報を生成することができる。

予測装置の機能的構成図である。 予測処理のフローチャートである。 予測装置の具体例を示す機能的構成図である。 需要実績情報を示す図である。 気象実績情報を示す図である。 属性情報を示す図である。 気象予報情報を示す図である。 学習データを示す図である。 需要実績値及び需要予測値の時間変化を示す図である。 予測結果を示す図である。 予測モデル生成処理のフローチャートである。 予測処理の具体例を示すフローチャートである。 情報処理装置のハードウェア構成図である。

以下、図面を参照しながら、実施形態を詳細に説明する。

図１は、実施形態の予測装置の機能的構成例を示している。図１の予測装置１０１は、記憶部１１１、予測部１１２、及び特定部１１３を含む。記憶部１１１は、複数の日それぞれの予測対象量の実績値を含む予測対象実績情報１２１と、複数の日それぞれの気象実績値を含む気象実績情報１２２とを記憶する。予測部１１２及び特定部１１３は、予測対象実績情報１２１及び気象実績情報１２２を用いて予測処理を行う。

図２は、図１の予測装置１０１が行う予測処理の例を示すフローチャートである。まず、予測部１１２は、予測対象日の気象予測値から予測対象量の予測値を生成する（ステップ２０１）。次に、特定部１１３は、予測対象実績情報１２１から、予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し（ステップ２０２）、気象実績情報１２２から、類似日の気象実績値を特定する（ステップ２０３）。

図１の予測装置１０１によれば、予測対象量の予測結果に対する説明情報を生成することができる。

図３は、図１の予測装置１０１の具体例を示している。図３の予測装置３０１は、記憶部３１１、学習部３１２、予測部３１３、特定部３１４、及び表示部３１５を含み、予測対象日の電力需要を予測する。記憶部３１１、予測部３１３、及び特定部３１４は、図１の記憶部１１１、予測部１１２、及び特定部１１３にそれぞれ対応する。

記憶部３１１は、需要実績情報３２１、気象実績情報３２２、属性情報３２３、及び気象予報情報３２４を記憶する。電力需要は、予測対象量の一例であり、需要実績情報３２１は、図１の予測対象実績情報１２１の一例である。気象実績情報３２２は、図１の気象実績情報１２２に対応する。

需要実績情報３２１は、過去の所定期間における複数の日の電力需要の実績値を含むデータベースである。各日の需要実績値は、所定間隔で取得され、複数の時間帯それぞれの需要実績値を含む。所定期間は、過去１ヶ月、過去３ヶ月等であってもよく、所定間隔は、３０分、６０分等であってもよい。需要実績情報３２１において、各需要実績値は、日付及び時間帯と関連付けられている。

図４は、需要実績情報３２１の例を示している。この例では、所定期間は１ヶ月であり、所定間隔は６０分である。例えば、２０１８年９月１日の０：００〜１：００の時間帯の需要実績値は５５４ｋＷｈであり、２０１８年９月３０日の同じ時間帯の需要実績値は６２６ｋＷｈである。

気象実績情報３２２は、過去の所定期間における複数の日の気象データの実績値を含むデータベースである。気象データとしては、気温、湿度、日射量、不快指数、風向、風速、降水量、天候等が用いられる。各日の気象実績値は、所定間隔で取得され、複数の時間帯それぞれの気象実績値を含む。気象実績情報３２２において、各気象実績値は、日付及び時間帯と関連付けられている。

図５は、気象実績情報３２２の例を示している。この例では、所定期間は１ヶ月であり、所定間隔は６０分である。例えば、２０１８年９月１日の０：００〜１：００の時間帯の気温の実績値は２２．４°であり、湿度の実績値は８９％である。また、２０１８年９月３０日の同じ時間帯の気温の実績値は２１．１°であり、湿度の実績値は６７％である。

各時間帯の気温は、その時間帯のいずれかの時刻において測定された気温を表す。例えば、各時間帯の気温の測定時刻は、その時間帯の開始時刻又は終了時刻であってもよい。各時間帯の湿度の測定時刻についても、各時間帯の気温の測定時刻と同様である。

属性情報３２３は、過去の所定期間における複数の日の属性値を含むデータベースである。属性値としては、平日又は休日の種別を示すフラグ、曜日を示す値等が用いられる。各日の属性値は、所定間隔で記録され、複数の時間帯それぞれの属性値を含む。属性情報３２３において、各属性値は、日付及び時間帯と関連付けられている。

図６は、属性情報３２３の例を示している。この例では、所定期間は１ヶ月であり、所定間隔は６０分であり、平日又は休日の種別を示すフラグが属性値として用いられている。例えば、２０１８年９月１日の各時間帯のフラグ“０”は、平日を示しており、２０１８年９月３０日の各時間帯のフラグ“１”は、休日を示している。

気象予報情報３２４は、気象予報によって報知された、未来の所定期間における複数の日の気象データの予測値及び属性値を含むデータベースである。各日の気象予測値及び属性値は、所定間隔で記録され、複数の時間帯それぞれの気象予測値及び属性値を含む。気象予報情報３２４において、各気象予測値及び属性値は、日付及び時間帯と関連付けられている。

図７は、気象予報情報３２４の例を示している。この例では、所定期間は１日であり、所定間隔は６０分である。例えば、２０１８年１０月１日の０：００〜１：００の時間帯の気温の予測値は２２．４°であり、湿度の予測値は８９％であり、この時間帯のフラグ“０”は、平日を示している。

学習部３１２は、需要実績情報３２１、気象実績情報３２２、及び属性情報３２３を用いて学習データ３２５を生成し、記憶部３１１に格納する。学習データ３２５は、過去の所定期間における各日の需要実績値、気象実績値、及び属性値を含む。

図８は、図４の需要実績情報３２１、図５の気象実績情報３２２、及び図６の属性情報３２３から生成された学習データ３２５の例を示している。図８の学習データ３２５は、図４の需要実績値、図５の気象実績値、及び図６の属性値を含み、需要実績値、気象実績値、及び属性値は、２０１８年９月１日〜２０１８年９月３０日の期間の日付及び時間帯と関連付けられている。

次に、学習部３１２は、学習データ３２５に含まれる気象実績値及び属性値を入力データとして用い、学習データ３２５に含まれる需要実績値を正解データとして用いた学習処理を行うことで、予測モデル３２６を生成し、記憶部３１１に格納する。例えば、学習処理としては機械学習が用いられ、予測モデル３２６としては、ニューラルネットワーク、決定木、サポートベクタマシン等が用いられる。

予測部３１３は、気象予報情報３２４を用いて、予測対象日の予測データ３２７を生成し、記憶部３１１に格納する。予測データ３２７は、予測対象日の気象予測値及び属性値を含む。例えば、予測対象日が２０１８年１０月１日である場合、図７の気象予報情報３２４がそのまま予測データ３２７として用いられる。

次に、予測部３１３は、予測モデル３２６を用いて、予測データ３２７から予測対象日の電力需要を予測し、需要予測値３２８を生成する。そして、予測部３１３は、需要予測値３２８を記憶部３１１に格納する。

学習処理により生成された予測モデル３２６を用いることで、気象によって変動する複雑な電力需要の挙動を捉えて、高精度な需要予測値３２８を生成することができる。また、予測データ３２７に予測対象日の属性値を含めることで、平日又は休日の種別を反映した需要予測値３２８を生成することができる。

特定部３１４は、需要実績情報３２１から、予測対象日の需要予測値３２８と類似する需要実績値を有する日を、類似日として特定する。次に、特定部３１４は、気象実績情報３２２から類似日の気象実績値を抽出し、予測データ３２７に含まれる気象予測値、予測対象日の需要予測値３２８、及び類似日の気象実績値を含む予測結果３２９を生成して、記憶部３１１に格納する。

例えば、特定部３１４は、過去の所定期間における複数の日のうち、需要実績値により示される実績値の時間変化が需要予測値３２８により示される予測値の時間変化と類似している日を、類似日として特定する。

図９は、需要実績値及び需要予測値の時間変化の例を示している。図９の横軸の時刻は、各時間帯の終了時刻を表し、縦軸の電力量は、電力需要を表す。需要曲線９０１は、予測対象日の需要予測値３２８を表し、需要曲線９０２は、予測対象日と比較される比較対象日の需要実績値を表す。各時間帯における需要曲線９０１と需要曲線９０２との間の矢印は、その時間帯における需要予測値と需要実績値との差分を表す。

この場合、特定部３１４は、予測対象日の需要曲線と比較対象日ｔの需要曲線との相違度Ｄ（ｔ）を、次式により計算することができる。

式（１）のＡ（ｈ）は、予測対象日の時刻ｈにおける需要予測値を表し、Ｐ（ｈ，ｔ）は、比較対象日ｔの時刻ｈにおける需要実績値を表し、Ａ（ｈ）−Ｐ（ｈ，ｔ）は、Ａ（ｈ）とＰ（ｈ，ｔ）との差分を表す。

ｗ（ｈ）は、時刻ｈにおける重み係数を表し、Ｎは、１日の最後の時間帯の終了時刻を表す。図９の例では、所定間隔が６０分であるため、Ｎ＝２４となり、Ｎは、１日のサンプル点の個数を表している。

相違度Ｄ（ｔ）は、比較対象日ｔに対する評価値の一例である。相違度Ｄ（ｔ）が小さいほど、比較対象日ｔの需要曲線の形状が、予測対象日の需要曲線の形状と類似しており、相違度Ｄ（ｔ）が大きいほど、比較対象日ｔの需要曲線が予測対象日の需要曲線から乖離している。したがって、特定部３１４は、所定期間における複数の日の相違度Ｄ（ｔ）を昇順にソートすることで、予測対象日の需要曲線に最も類似している需要曲線を有する日を特定することができる。

すべての時間帯のｗ（ｈ）を１に設定した場合、需要曲線全体が類似している日を抽出することができる。一方、一部の時間帯のｗ（ｈ）を１に設定し、それ以外の時間帯のｗ（ｈ）を０に設定した場合、需要曲線全体ではなく、一部の時間帯の需要曲線が類似している日を抽出することができる。

例えば、日中のｗ（ｈ）を１に設定し、夜間のｗ（ｈ）を０に設定した場合、日中の需要曲線が類似している日が抽出される。また、単一の時間帯のｗ（ｈ）のみを１に設定し、それ以外の時間帯のｗ（ｈ）をすべて０に設定した場合、単一の時間帯の需要実績値のみが類似している日を抽出することができる。

特定部３１４は、ソート結果における最上位の日だけでなく、最上位から所定数の日を類似日として特定してもよい。

式（１）の相違度Ｄ（ｔ）はＡ（ｈ）とＰ（ｈ，ｔ）との差分に応じて変動するため、比較対象日ｔの需要曲線が予測対象日の需要曲線とどの程度類似しているかを、相違度Ｄ（ｔ）のみから判断することは難しい。

そこで、特定部３１４は、相違度Ｄ（ｔ）を所定範囲の数値に正規化することで、正規化された相違度ＤＮ（ｔ）を生成し、相違度ＤＮ（ｔ）を評価値として用いて類似日を特定してもよい。例えば、所定範囲が０〜１００である場合、相違度ＤＮ（ｔ）が０であれば、比較対象日ｔの需要曲線が予測対象日の需要曲線と同じ形状であることが分かり、相違度ＤＮ（ｔ）が１００に近づくほど、形状の相違が大きくなることが分かる。

さらに、特定部３１４は、相違度ＤＮ（ｔ）を正規化された類似度ＳＮ（ｔ）に変換し、類似度ＳＮ（ｔ）を評価値として用いて類似日を特定してもよい。所定範囲が０〜１００である場合、相違度ＤＮ（ｔ）は、例えば、次式により類似度ＳＮ（ｔ）に変換される。

ＳＮ（ｔ）＝１／（ＤＮ（ｔ）＋０．０１） （０≦ＤＮ（ｔ）＜１００） （２）
ＳＮ（ｔ）＝０ （ＤＮ（ｔ）＝１００） （３）

表示部３１５は、予測結果３２９を画面上に表示することで、予測対象日の気象予測値、予測対象日の需要予測値３２８、及び類似日の気象実績値をユーザに提示する。このとき、予測対象日の気象予測値及び類似日の気象実績値は、需要予測値３２８に対する説明情報としてユーザに提示される。需要予測値３２８が妥当な値である場合、予測対象日の気象予測値と類似日の気象実績値とが類似していることが期待できる。

特定部３１４は、気象実績情報３２２から、類似日における最高気温及び最低気温を示す気温実績値を特定し、それらの気温実績値を説明情報として予測結果３２９に含めることもできる。この場合、表示部３１５は、予測対象日の各時間帯の気温予測値と、類似日の各時間帯の気温実績値と、予測対象日における最高気温及び最低気温を示す気温予測値と、類似日における最高気温及び最低気温を示す気温実績値とを表示する。

表示部３１５は、予測対象日における最高気温の予測値と、類似日における最高気温の実績値との差分を、予測対象日と類似日との類似度合いを示す指標として表示してもよい。さらに、表示部３１５は、予測対象日における最低気温の予測値と、類似日における最低気温の実績値との差分を、予測対象日と類似日との類似度合いを示す指標として表示してもよい。

表示部３１５は、最高気温又は最低気温の差分に限らず、予測対象日の各時間帯の気温予測値と類似日の各時間帯の気温実績値とを総合的に比較することで計算される、別の指標を表示してもよい。

表示部３１５は、類似日に対する相違度ＤＮ（ｔ）又は類似度ＳＮ（ｔ）を表示することもできる。相違度ＤＮ（ｔ）又は類似度ＳＮ（ｔ）をユーザに提示することで、ユーザは、画面上に表示された需要予測値３２８の妥当性を判断することが可能になる。例えば、１つ又は複数の類似日の中に相違度ＤＮ（ｔ）が０に近い日が存在しない場合、表示された需要予測値３２８は過去にないパターンの予測値を示していることになる。この場合、表示された需要予測値３２８の信頼性は低いと考えられるため、ユーザに注意を促すことができる。

図１０は、画面上に表示された予測結果３２９の例を示している。カレンダ１００１は、予測対象日として６月２３日が選択されていることを示し、カレンダ１００２は、類似日として６月９日、６月１２日、及び６月１６日が特定されていることを示す。

テーブル１００３では、類似日１として６月１６日が選択されており、６月２３日の需要予測値と、６月１６日の需要実績値とが表示されている。「最大」の欄は、１日のうちの最大値を表し、「最小」の欄は、１日のうちの最小値を表し、「１０時」の欄は、１０時における値を表す。

テーブル１００４では、気象データとして気温が選択されており、６月２３日の気温予測値と、６月１６日の気温実績値と、それらの値の差分とが表示されている。「最高」の欄は、１日のうちの最高値を表し、「最低」の欄は、１日のうちの最低値を表し、「１０時」の欄は、１０時における値を表す。

気温曲線１０１１は、６月２３日の気温予測値の時間変化を表し、気温曲線１０１２は、６月１６日の気温実績値の時間変化を表す。需要曲線１０２１は、６月２３日の需要予測値の時間変化を表し、需要曲線１０２２は、６月１６日の需要実績値の時間変化を表す。

ユーザは、マウス等を用いてスライダ１０３１を操作することで、テーブル１００３及びテーブル１００４に表示される値の時刻を変更することができる。図１０では、スライダ１０２１が１０時を指しているため、テーブル１００３及びテーブル１００４には、１０時における値が表示されている。

図３の予測装置３０１によれば、予測対象日の需要予測値３２８とともに、需要予測値３２８に対する説明情報がユーザに提示されるため、ユーザは、需要予測値３２８の妥当性を容易に判断することができる。これにより、予測モデル３２６に基づく電力需要の予測結果を検討する時間が短縮され、予測結果の利用が促進される。

図１１は、図３の予測装置３０１が行う予測モデル生成処理の例を示すフローチャートである。まず、学習部３１２は、需要実績情報３２１、気象実績情報３２２、及び属性情報３２３を用いて、学習データ３２５を生成する（ステップ１１０１）。次に、学習部３１２は、学習データ３２５を用いた学習処理を行うことで、予測モデル３２６を生成する（ステップ１１０２）。

図１２は、図３の予測装置３０１が行う予測処理の具体例を示すフローチャートである。まず、予測部３１３は、気象予報情報３２４を用いて、予測対象日の予測データ３２７を生成する（ステップ１２０１）。次に、予測部３１３は、予測モデル３２６を用いて、予測データ３２７から予測対象日の電力需要を予測し、需要予測値３２８を生成する（ステップ１２０２）。

次に、特定部３１４は、需要実績情報３２１から、需要予測値３２８と類似する需要実績値を有する類似日を特定し（ステップ１２０３）、気象実績情報３２２から類似日の気象実績値を特定する（ステップ１２０４）。そして、特定部３１４は、予測結果３２９を生成し（ステップ１２０５）、表示部３１５は、予測結果３２９を画面上に表示する（ステップ１２０６）。

なお、予測装置３０１は、電力以外の資源の需要を予測することも可能である。電力以外の資源としては、水道、ガス等が挙げられる。また、予測装置３０１は、資源の需要以外の予測対象量を予測することも可能である。資源の需要以外の予測対象量としては、水力発電、風力発電、太陽光発電等の発電量等が挙げられる。予測対象量は、飲料等の商品の販売数量又は売上高であってもよい。

図１の予測装置１０１及び図３の予測装置３０１の構成は一例に過ぎず、予測装置の用途又は条件に応じて、一部の構成要素を省略又は変更してもよい。例えば、図３の予測装置３０１において、予測モデル３２６が外部の情報処理装置によって生成され、事前に記憶部３１１に格納されている場合は、学習部３１２を省略することができる。予測結果３２９が外部の情報処理装置へ送信され、送信先の情報処理装置によって画面上に表示される場合は、表示部３１５を省略することができる。

図２、図１１、及び図１２に示したフローチャートは一例に過ぎず、予測装置の構成又は条件に応じて、一部の処理を省略又は変更してもよい。例えば、予測モデル３２６が外部の情報処理装置によって生成され、事前に記憶部３１１に格納されている場合は、図１の予測モデル生成処理を省略することができる。予測結果３２９が外部の情報処理装置へ送信され、送信先の情報処理装置によって画面上に表示される場合は、図１２のステップ１２０６の処理を省略することができる。

図４〜図８に示した各種の情報は一例に過ぎず、これらの情報は、予測対象量の種別、日付、時間帯等に応じて変化する。予測対象量の予測に属性情報３２３を用いない場合は、図７及び図８の属性値を省略することができる。

図９に示した需要実績値及び需要予測値と図１０に示した予測結果３２９は一例に過ぎず、需要実績値、需要予測値、及び予測結果３２９は、予測対象量の種別、日付、時間帯等に応じて変化する。

式（１）〜式（３）は一例に過ぎず、予測装置３０１は、別の計算式を用いて比較対象日ｔに対する評価値を計算してもよい。

図１３は、図１の予測装置１０１及び図３の予測装置３０１として用いられる情報処理装置（コンピュータ）のハードウェア構成例を示している。図１３の情報処理装置は、ＣＰＵ（Central Processing Unit）１３０１、メモリ１３０２、入力装置１３０３、出力装置１３０４、補助記憶装置１３０５、媒体駆動装置１３０６、及びネットワーク接続装置１３０７を含む。これらの構成要素はハードウェアであり、バス１３０８により互いに接続されている。

メモリ１３０２は、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリであり、処理に用いられるプログラム及びデータを記憶する。メモリ１３０２は、図１の記憶部１１１又は図３の記憶部３１１として用いることができる。

ＣＰＵ１３０１（プロセッサ）は、例えば、メモリ１３０２を利用してプログラムを実行することにより、図１の予測部１１２及び特定部１１３として動作する。ＣＰＵ１３０１は、メモリ１３０２を利用してプログラムを実行することにより、図３の学習部３１２、予測部３１３、及び特定部３１４としても動作する。

入力装置１３０３は、例えば、キーボード、ポインティングデバイス等であり、オペレータ又はユーザからの指示又は情報の入力に用いられる。出力装置１３０４は、例えば、表示装置、プリンタ、スピーカ等であり、オペレータ又はユーザへの問い合わせ又は指示、及び処理結果の出力に用いられる。処理結果は、予測結果３２９であってもよい。出力装置１３０４は、図３の表示部３１５として用いることができる。

補助記憶装置１３０５は、例えば、磁気ディスク装置、光ディスク装置、光磁気ディスク装置、テープ装置等である。補助記憶装置１３０５は、ハードディスクドライブ又はフラッシュメモリであってもよい。情報処理装置は、補助記憶装置１３０５にプログラム及びデータを格納しておき、それらをメモリ１３０２にロードして使用することができる。補助記憶装置１３０５は、図１の記憶部１１１又は図３の記憶部３１１として用いることができる。

媒体駆動装置１３０６は、可搬型記録媒体１３０９を駆動し、その記録内容にアクセスする。可搬型記録媒体１３０９は、メモリデバイス、フレキシブルディスク、光ディスク、光磁気ディスク等である。可搬型記録媒体１３０９は、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、ＵＳＢ（Universal Serial Bus）メモリ等であってもよい。オペレータ又はユーザは、この可搬型記録媒体１３０９にプログラム及びデータを格納しておき、それらをメモリ１３０２にロードして使用することができる。

このように、処理に用いられるプログラム及びデータを格納するコンピュータ読み取り可能な記録媒体は、メモリ１３０２、補助記憶装置１３０５、又は可搬型記録媒体１３０９のような、物理的な（非一時的な）記録媒体である。

ネットワーク接続装置１３０７は、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等の通信ネットワークに接続され、通信に伴うデータ変換を行う通信インタフェース回路である。情報処理装置は、プログラム及びデータを外部の装置からネットワーク接続装置１３０７を介して受信し、それらをメモリ１３０２にロードして使用することができる。

なお、情報処理装置が図１３のすべての構成要素を含む必要はなく、用途又は条件に応じて一部の構成要素を省略することも可能である。例えば、オペレータ又はユーザとのインタフェースが不要な場合は、入力装置１３０３及び出力装置１３０４を省略してもよい。可搬型記録媒体１３０９又は通信ネットワークを使用しない場合は、媒体駆動装置１３０６又はネットワーク接続装置１３０７を省略してもよい。

開示の実施形態とその利点について詳しく説明したが、当業者は、特許請求の範囲に明確に記載した本発明の範囲から逸脱することなく、様々な変更、追加、省略をすることができるであろう。

１０１、３０１ 予測装置
１１１、３１１ 記憶部
１１２、３１３ 予測部
１１３、３１４ 特定部
１２１ 予測対象実績情報
１２２、３２２ 気象実績情報
３１２ 学習部
３１５ 表示部
３２１ 需要実績情報
３２３ 属性情報
３２４ 気象予報情報
３２５ 学習データ
３２６ 予測モデル
３２７ 予測データ
３２８ 需要予測値
３２９ 予測結果
９０１、９０２、１０２１、１０２２ 需要曲線
１００１、１００２ カレンダ
１００３、１００４ テーブル
１０１１、１０１２ 気温曲線
１０３１ スライダ
１３０１ ＣＰＵ
１３０２ メモリ
１３０３ 入力装置
１３０４ 出力装置
１３０５ 補助記憶装置
１３０６ 媒体駆動装置
１３０７ ネットワーク接続装置
１３０８ バス
１３０９ 可搬型記録媒体

Claims (10)

1. 複数の日それぞれの予測対象量の実績値を含む予測対象実績情報と、前記複数の日それぞれの気象実績値を含む気象実績情報とを記憶する記憶部と、
   予測対象日の気象予測値から前記予測対象量の予測値を生成する予測部と、
   前記予測対象実績情報から、前記予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し、前記気象実績情報から、前記類似日の気象実績値を特定する特定部と、
   を備えることを特徴とする予測装置。
2. 前記予測部は、前記予測対象実績情報及び前記気象実績情報を用いた学習処理により生成された予測モデルを用いて、前記気象予測値から前記予測対象量の予測値を生成することを特徴とする請求項１記載の予測装置。
3. 前記記憶部は、前記複数の日それぞれの属性値を含む属性情報をさらに記憶し、
   前記予測モデルは、前記予測対象実績情報、前記気象実績情報、及び前記属性情報を用いた学習処理により生成され、
   前記予測部は、前記予測対象日の気象予測値及び属性値から前記予測対象量の予測値を生成することを特徴とする請求項２記載の予測装置。
4. 前記予測対象量の実績値は、複数の時間帯それぞれの実績値を含み、
   前記予測対象量の予測値は、複数の時間帯それぞれの予測値を含み、
   前記特定部は、前記複数の日のうち、前記予測対象量の実績値により示される実績値の時間変化が前記予測対象量の予測値により示される予測値の時間変化と類似している日を、前記類似日として特定することを特徴とする請求項１乃至３のいずれか１項に記載の予測装置。
5. 前記特定部は、前記複数の日各々における前記複数の時間帯それぞれの実績値と、前記予測対象日における前記複数の時間帯それぞれの予測値との差分と、前記複数の時間帯それぞれの重みとを用いて、前記複数の日各々に対する評価値を計算し、前記複数の日各々に対する評価値を用いて前記類似日を特定することを特徴とする請求項４記載の予測装置。
6. 前記予測対象量の予測値と、前記予測対象日の前記気象予測値と、前記類似日の気象実績値とを表示する表示部をさらに備えることを特徴とする請求項１乃至５のいずれか１項に記載の予測装置。
7. 前記特定部は、前記類似日に対する評価値を所定範囲の数値に正規化することで、正規化された評価値を生成し、
   前記表示部は、前記正規化された評価値を表示することを特徴とする請求項６記載の予測装置。
8. 前記気象実績値は、複数の時間帯それぞれの気温実績値を含み、
   前記気象予測値は、複数の時間帯それぞれの気温予測値を含み、
   前記特定部は、前記気象実績情報から、前記類似日の複数の時間帯それぞれの気温実績値と、前記類似日における最高気温を示す気温実績値と、前記類似日における最低気温を示す気温実績値とを、前記類似日の気象実績値として特定し、
   前記表示部は、前記予測対象日の複数の時間帯それぞれの気温予測値と、前記予測対象日における最高気温を示す気温予測値と、前記予測対象日における最低気温を示す気温予測値と、前記類似日の複数の時間帯それぞれの気温実績値と、前記類似日における最高気温を示す気温実績値と、前記類似日における最低気温を示す気温実績値とを表示することを特徴とする請求項６又は７記載の予測装置。
9. 予測対象日の気象予測値から予測対象量の予測値を生成し、
   複数の日それぞれの前記予測対象量の実績値を含む予測対象実績情報から、前記予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し、
   前記複数の日それぞれの気象実績値を含む気象実績情報から、前記類似日の気象実績値を特定する、
   処理をコンピュータに実行させるための予測プログラム。
10. コンピュータが、
    予測対象日の気象予測値から予測対象量の予測値を生成し、
    複数の日それぞれの前記予測対象量の実績値を含む予測対象実績情報から、前記予測対象量の予測値と類似する予測対象量の実績値を有する類似日を特定し、
    前記複数の日それぞれの気象実績値を含む気象実績情報から、前記類似日の気象実績値を特定する、
    ことを特徴とする予測方法。

Images