JP2022078529A - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents
情報処理装置、情報処理方法、および情報処理プログラム Download PDFInfo
- Publication number
- JP2022078529A JP2022078529A JP2020189264A JP2020189264A JP2022078529A JP 2022078529 A JP2022078529 A JP 2022078529A JP 2020189264 A JP2020189264 A JP 2020189264A JP 2020189264 A JP2020189264 A JP 2020189264A JP 2022078529 A JP2022078529 A JP 2022078529A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- information
- information processing
- prediction
- module
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000005457 optimization Methods 0.000 claims abstract description 157
- 230000009471 action Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims description 157
- 230000008569 process Effects 0.000 claims description 122
- 238000004364 calculation method Methods 0.000 claims description 78
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 39
- 230000006870 function Effects 0.000 description 52
- 238000011156 evaluation Methods 0.000 description 35
- 238000012790 confirmation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 11
- 230000001186 cumulative effect Effects 0.000 description 11
- 238000005315 distribution function Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012854 evaluation process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理装置は、最適化対象の状態および行動から前記状態の次の状態を予測する予測モデルを構成する複数のパラメータの各々について、前記パラメータの範囲を前記パラメータごとに設定する設定処理と、前記設定処理によって設定された前記パラメータの範囲内における前記パラメータの値を前記パラメータごとに選択する選択処理と、前記選択処理によって前記パラメータごとに選択された前記パラメータの値に基づいて、前記予測モデルに設定する予測条件を生成する生成処理と、を実行する。
【選択図】図1
Description
図1は、実施例1にかかる最適化システムのブロック構成例を示すブロック図である。最適化システム1は、サイバー空間の予測モデルによる予測に基づいて最適施策を立案するサイバーフィジカルシステムである。最適化対象には、たとえば、サイネージによる人流誘導計画、店員配置最適化、警備員配置最適化、クーポン配信計画最適化、台風の進路のような自然現象予測および当該自然現象に対する避難計画最適化を実行するシステムがある。サイバーフィジカルシステムにおいては、予測と現実とのずれが不可避である。予測に基づいて将来の一定期間の施策を最適化した場合に、その施策実行中は最適化計画の有効性が失われないよう、現実に起こり得るパターンを網羅性高く再現しておくのが最適化システム1である。
図2は、実施例1にかかる最適化システム1による最適化処理の一例を示すフローチャートである。最適化システム1は、最適化対象に関する最適化処理を開始する(ステップS200)。ステップS200は、たとえば、最適化システム1に通電を開始すること、またはプログラムを起動することにより実現される。
図3は、モデルテンプレート情報115の一例を示す説明図である。モデルテンプレート情報115は、最適化対象をモデル化した予測モデルに関するテンプレート情報であり、具体的には、たとえば、フィールドとして、モデル名301、モデル式302、およびモデルパラメータ303を有し、メモリ17に保持される。
図4は、図2に示したデータ取得モジュール110によるデータ取得処理(ステップS203)の詳細な処理手順例を示すフローチャートである。データ取得モジュール110は、通信装置16に情報が到着しているか否かを判定する(ステップS401)。ここで、通信装置16には様々種類のデータが到着し得る。
図5は、ステップS404において作成される取得データ履歴情報116の一例を示す説明図である。取得データ履歴情報116は、フィールドとして、取得日時501と、センサ名502と、実測値503と、を有する。同一行の各フィールド501~503の値の組み合わせがセンサデータを示すエントリとなる。たとえば、一行目のエントリは、取得日時501である2020年6月17日の10時3分21.005秒に、センサ名502が「Y」であるセンサ2から「20.3」という実測値503が取得されたセンサデータであることを示す。
図6は、図2に示したモデルパラメータ評価モジュール111によるモデルパラメータ評価処理の詳細な処理手順例を示すフローチャートである。モデルパラメータ評価モジュール111は、モデルテンプレート情報115からモデルテンプレートを取得する(ステップS601)。具体的には、たとえば、モデルパラメータ評価モジュール111は、テンプレートTを読み出す。モデルパラメータ評価モジュール111は、テンプレートTのモデルパラメータ303を参照し、そのモデルパラメータ303に対応するセンサ2を特定する(ステップS602)。
図7は、予測モデル情報117の一例を示す説明図である。予測モデル情報117は、フィールドとして、モデル名301、モデル式302、モデルパラメータ303、および分布情報700を有し、メモリ17に保持される。同一行の各フィールド301~303,700の値の組み合わせが、予測モデルを規定するエントリとなる。分布情報700は、値として、たとえば、分布の種類とそのパラメータとを含む。
図8は、図2に示した最適化計算実行モジュール120による最適化計算処理(ステップS205)の詳細な処理手順例を示すフローチャートである。最適化計算実行モジュール120は、入力として使用回数Mを取得する(ステップS801)。使用回数Mは、後述するモデルパラメータ303の値の組み合わせをシミュレーションする最低回数である。最適化計算実行モジュール120が使用回数Mを取得する方法は任意であり、たとえば、プログラムに埋め込む、または実行時にユーザ入力を受け付けるなどの方法がある。
図9は、パラメータインスタンス情報126の一例を示す説明図である。パラメータインスタンス情報126は、予測モデルごとに生成される。図9では、一例として、モデル名301が「M1」の予測モデルM1に関するパラメータインスタンス情報126を示す。以降、予測モデルM1を例に挙げて説明する。
図10は、図8に示した予測条件生成モジュール1201による予測条件生成処理(ステップS802)の詳細な処理手順例を示すフローチャートである。予測条件生成モジュール1201は、入力としてサンプル数Nを取得する(ステップS1001)。サンプル数Nは、1以上の整数であり、作成するモデルパラメータ303の各々における値の個数である。たとえば、予測条件生成モジュール1201は、モデルパラメータa,bの各々についてN個の値を作成することになる。予測条件生成モジュール1201がサンプル数Nを取得する方法は任意であり、プログラムに埋め込む、または実行時にユーザ入力を受け付けるなどの方法がある。
図12は、図8に示した試行モジュール1202による試行処理(ステップS807)の詳細な処理手順例を示すフローチャートである。試行モジュール1202は、予測モジュール13から状態情報137を取得する(ステップS1201)。状態情報137とは、シミュレーション状態を表現する数値の集合である。具体的には、たとえば、試行モジュール1202は、予測計算処理(ステップS1203)による状態情報137の更新前の行動関数情報127(図13)において最もスコアが高い状態を、状態情報137として取得する。試行モジュール1202は、ステップS1201で受け取った状態に応じて、行動関数情報127を用いて次に取るべき行動を選択する(ステップS1202)。
図13は、行動関数情報127の一例を示す説明図である。行動関数情報127とは、状態1301を入力とし、その状態1301における最も適切な行動1302を返す情報である。図13では表形式の例を示したが、状態1301を示す値が連続値であったり、状態1301の数が膨大であったりする場合には効率的でない。したがって、表の代わりに、状態1301の値の範囲で記録したり、ニューラルネットワークで表現したりするなど、行動関数情報127の表現方法は任意である。
図14は、図12に示した予測計算実行モジュール130による予測計算処理(ステップS1203)の詳細な処理手順例を示すフローチャートである。予測計算実行モジュール130は、試行モジュール1202から、ステップS1202で選択された行動1302を取得する(ステップS1401)。予測計算実行モジュール130は、予測条件情報136を取得する(ステップS1402)。予測条件情報136は、ステップS804で選択したモデルパラメータ組を含む情報である。また、予測計算実行モジュール130は、予測モデル情報117(図7)を取得する(ステップS1403)。
図15は、実施例2にかかる最適化システムのブロック構成例を示すブロック図である。実施例2では、最適化システム1は実行モジュール14を有する。実行モジュール14は、最適化モジュール12による最適化処理により得られた行動関数情報127に基づいて、最適化対象が任意の行動を起こす際に起動される。
図16は、実施例2にかかる実行前確認モジュール141による実行前確認処理の一例を示すフローチャートである。実行前確認モジュール141は、ユーザからの開始命令により起動する(ステップS1600)。この時、最適化システム1は、実施例1で説明したすべての手順を、最低1回は実行済みであるとする。
図17は、実施例3にかかる最適化システムのブロック構成例を示すブロック図である。実施例3では、データに基づいた予測モデルの作成が不要であるため、モデル作成モジュール11は、モデルテンプレート情報115とモデルパラメータ情報119を有する。モデルパラメータ情報119は、モデルテンプレート情報115にあるモデルパラメータ303に設定する具体的な数値である。実施例3にかかる最適化システム1は、図2に示した実施例1にかかる最適化システム1と同様に動作するが、ステップS203およびステップS204は存在しない。一方、ステップS202の後に、最適化システム1は、ユーザから入力としてモデルパラメータ情報119を取得する。
図18は、実施例3にかかる最適化計算実行モジュール120による最適化計算処理(ステップS205)の詳細な処理手順例を示すフローチャートである。実施例3における最適化計算実行モジュール120は、予測条件生成処理(ステップS802)を実行しない。
図19は、仮想実行モジュール143による仮想実行処理の一例を示すフローチャートである。仮想実行モジュール143は、上述した最適化システム1の動作を少なくとも1回実行させた後、ユーザの命令によって仮想実行処理を開始する(ステップS1900)。
2 センサ
11 モデル作成モジュール
12 最適化モジュール
13 予測モジュール
14 実行モジュール
15 プロセッサ
17 メモリ
110 データ取得モジュール
111 モデルパラメータ評価モジュール
115 モデルテンプレート情報
116 取得データ履歴情報
117 予測モデル情報
117 予測モデル
119 モデルパラメータ情報
120 最適化計算実行モジュール
125 最適化目的情報
126 パラメータインスタンス情報
127 行動関数情報
130 予測計算実行モジュール
136 予測条件情報
137 状態情報
141 実行前確認モジュール
143 仮想実行モジュール
143 行動関数情報
143 仮想実行モジュール
145 現在データ情報
148 安全範囲情報
303 モデルパラメータ
1201 予測条件生成モジュール
1202 試行モジュール
Claims (9)
- プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理装置であって、
前記プロセッサは、
最適化対象の状態および行動から前記状態の次の状態を予測する予測モデルを構成する複数のパラメータの各々について、前記パラメータの範囲を前記パラメータごとに設定する設定処理と、
前記設定処理によって設定された前記パラメータの範囲内における前記パラメータの値を前記パラメータごとに選択する選択処理と、
前記選択処理によって前記パラメータごとに選択された前記パラメータの値に基づいて、前記予測モデルに設定する予測条件を生成する生成処理と、
を実行することを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記生成処理では、前記プロセッサは、前記パラメータごとに設定された前記パラメータの範囲内の値の各々を、前記複数のパラメータ間で組み合わせることにより、前記予測条件を生成する、
ことを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記プロセッサは、
前記パラメータの実測値を取得して、前記パラメータの確率分布を推定する推定処理を実行し、
前記設定処理では、前記プロセッサは、前記複数のパラメータの各々について、前記推定処理によって推定された前記確率分布を用いて、前記パラメータの値の各々を偏りなく選択する
ことを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記プロセッサは、
所定期間内の前記パラメータの実測値を取得する取得処理と、
前記取得処理によって取得された実測値が前記パラメータの範囲内であるか否かを判定する判定処理と、
前記判定処理による判定結果を出力する出力処理と、
を実行することを特徴とする情報処理装置。 - 請求項1に記載の情報処理装置であって、
前記プロセッサは、
前記予測モデルに前記予測条件を設定することにより、前記最適化対象の前記状態および前記行動から前記状態の前記次の状態を予測する予測処理と、
を実行することを特徴とする情報処理装置。 - 請求項5に記載の情報処理装置であって、
前記プロセッサは、
前記状態、前記行動、および前記次の状態に基づいて、前記行動を評価するスコアを算出する算出処理と、
前記算出処理によって算出されたスコアに基づいて、前記行動と前記次の状態との組み合わせを出力する出力処理と、
を実行することを特徴とする情報処理装置。 - 請求項6に記載の情報処理装置であって、
前記プロセッサは、
前記次の状態が所定の安全範囲内であるか否かを判定する判定処理を実行し、
前記出力処理では、前記プロセッサは、前記判定処理による判定結果を出力する、
ことを特徴とする情報処理装置。 - プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理装置が実行する情報処理方法であって、
前記情報処理方法は、
前記プロセッサが、
最適化対象の状態および行動から前記状態の次の状態を予測する予測モデルを構成する複数のパラメータの各々について、前記パラメータの範囲を前記パラメータごとに設定する設定処理と、
前記設定処理によって設定された前記パラメータの範囲内における前記パラメータの値を前記パラメータごとに選択する選択処理と、
前記選択処理によって前記パラメータごとに選択された前記パラメータの値に基づいて、前記予測モデルに設定する予測条件を生成する生成処理と、
を実行することを特徴とする情報処理方法。 - プロセッサに、
最適化対象の状態および行動から前記状態の次の状態を予測する予測モデルを構成する複数のパラメータの各々について、前記パラメータの範囲を前記パラメータごとに設定する設定処理と、
前記設定処理によって設定された前記パラメータの範囲内における前記パラメータの値を前記パラメータごとに選択する選択処理と、
前記選択処理によって前記パラメータごとに選択された前記パラメータの値に基づいて、前記予測モデルに設定する予測条件を生成する生成処理と、
を実行させることを特徴とする情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020189264A JP7543094B2 (ja) | 2020-11-13 | 2020-11-13 | 情報処理装置、情報処理方法、および情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020189264A JP7543094B2 (ja) | 2020-11-13 | 2020-11-13 | 情報処理装置、情報処理方法、および情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022078529A true JP2022078529A (ja) | 2022-05-25 |
JP7543094B2 JP7543094B2 (ja) | 2024-09-02 |
Family
ID=81706979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020189264A Active JP7543094B2 (ja) | 2020-11-13 | 2020-11-13 | 情報処理装置、情報処理方法、および情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7543094B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022125133A (ja) * | 2017-10-13 | 2022-08-26 | 株式会社三洋物産 | 遊技機 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004178492A (ja) | 2002-11-29 | 2004-06-24 | Mitsubishi Heavy Ind Ltd | 強化学習法を用いたプラントシミュレーション方法 |
-
2020
- 2020-11-13 JP JP2020189264A patent/JP7543094B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022125133A (ja) * | 2017-10-13 | 2022-08-26 | 株式会社三洋物産 | 遊技機 |
Also Published As
Publication number | Publication date |
---|---|
JP7543094B2 (ja) | 2024-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
CN100565496C (zh) | 空间模拟装置和方法 | |
CN109416408A (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
US20200250586A1 (en) | Parameter estimation system, parameter estimation method, and parameter estimation program recording medium | |
JP7497516B2 (ja) | 等式制約を代数モデルに課すための射影方法 | |
US20200027013A1 (en) | Model estimation system, method, and program | |
CN111652453A (zh) | 用于零件设计、仿真和制造的智能工作流程顾问 | |
Jebeile et al. | Multi-model ensembles in climate science: Mathematical structures and expert judgements | |
JP7207596B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JPWO2019155928A1 (ja) | 情報処理装置、プログラム、プロセス処理実行装置及び情報処理システム | |
JP7267883B2 (ja) | 材料特性予測システムおよび材料特性予測方法 | |
JP2022078529A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
JP6012860B2 (ja) | 作業時間推定装置 | |
Kleijnen | Design and analysis of computational experiments: overview | |
JP2020177509A (ja) | 計算機及びデータ処理方法 | |
Arroyo et al. | A Python-based toolbox for model predictive control applied to buildings | |
JP5582487B2 (ja) | プロセスの状態予測方法 | |
KR102200443B1 (ko) | Lbm 기반의 유체 해석 시뮬레이션 장치, 방법 및 컴퓨터 프로그램 | |
Bueno | Computer simulations: An inferential conception | |
JP2016045536A (ja) | 設計支援装置 | |
JP7239309B2 (ja) | シミュレーション装置及びプログラム | |
JP2021120833A (ja) | モデル更新装置及び方法並びにプロセス制御システム | |
JP2010049392A (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
JPWO2019142728A1 (ja) | 制御装置、制御方法およびプログラム | |
JP6726312B2 (ja) | シミュレーション方法、システム、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230517 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240306 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240423 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240529 |
|
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: 20240723 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240821 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7543094 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |