JP2023025801A - 予測装置、予測方法およびプログラム - Google Patents

Abstract

【課題】目的変数の予測精度の向上を図ることができる予測装置、予測方法およびプログラムを提供する。【解決手段】予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、予測アルゴリズム、１または複数の説明変数、および、学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、目的変数の各値を予測する１以上の予測部と、学習済み予測モデル毎に目的変数の各値の予測精度を評価する評価部と、予測精度の評価結果に基づき目的変数の値を出力する出力部と、を備える。【選択図】図１

Description

本開示は、予測装置、予測方法およびプログラムに関する。

特許文献１には、次のようなデータ分析システムが開示されている。すなわち、特許文献１に開示されているデータ分析システムは、各々が複数の説明変数と、複数の説明変数に対応する目的変数とを含む複数のレコードからなる学習データを保持する。そして、学習データに基づいて、複数の説明変数から目的変数を予測する予測モデルを生成する。また、各レコードについて、予測モデルに基づく予測の確からしさを示す信頼度を計算し、複数のレコードのうち、信頼度が所定の範囲内であるレコードからなるサブセットを作成する。さらに、サブセットに属するレコードに基づいて、複数の説明変数から、目的変数との相関が高い説明変数の組合せを抽出し、抽出した説明変数の組合せを新たな説明変数として学習データに追加し、新たな説明変数が追加された学習データに基づいて、複数の説明変数から目的変数を予測する予測モデルを生成する。特許文献１に開示されているデータ分析システムによれば、適切な説明変数の組合せを新たな説明変数としてデータに加えることで、精度よく目的変数を予測することができるとされている。

特開２０１６－４５２５号公報

上述したように、特許文献１に記載のデータ分析システムは、学習データに新たな説明変数の組合せを追加し、予測モデルを再作成することで、目的変数の予測精度の向上を図っている。しかしながら、新たな説明変数の組合せの追加では適切に対応することができないような性状の変化が目的変数に発生した場合には、目的変数の予測精度を適切に向上させることができない場合があるという課題があった。

本開示は、上記課題を解決するためになされたものであって、目的変数の予測精度の向上を図ることができる予測装置、予測方法およびプログラムを提供することを目的とする。

上記課題を解決するために、本開示に係る予測装置は、予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測する１以上の予測部と、前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価する評価部と、前記予測精度の評価結果に基づき前記目的変数の値を出力する出力部と、を備える。

本開示に係る予測方法は、予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測するステップと、前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価するステップと、前記予測精度の評価結果に基づき前記目的変数の値を出力するステップと、を含む。

本開示に係るプログラムは、予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測するステップと、前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価するステップと、前記予測精度の評価結果に基づき前記目的変数の値を出力するステップと、をコンピュータに実行させる。

本開示の予測装置、予測方法およびプログラムによれば、目的変数の予測精度の向上を図ることができる。

本開示の実施形態に係る予測装置の構成例を示すブロック図である。 本開示の実施形態に係る学習済み予測モデルの構成例を示す図表である。 本開示の実施形態に係る予測装置の動作例を説明するための模式図である。 本開示の実施形態に係る予測装置の動作例を説明するための模式図である。 本開示の実施形態に係る予測装置の動作例を示すフローチャートである。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。

（予測装置の構成）
以下、本開示の実施形態に係る予測装置、予測方法およびプログラムについて、図１～図６を参照して説明する。図１は、本開示の実施形態に係る予測装置の構成例を示すブロック図である。図２は、本開示の実施形態に係る学習済み予測モデルの構成例を示す図表である。図３および図４は、本開示の実施形態に係る予測装置の動作例を説明するための模式図である。図５は、本開示の実施形態に係る予測装置の動作例を示すフローチャートである。図６は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。なお、各図において同一または対応する構成には同一の符号を用いて説明を適宜省略する。

なお、以下では、本実施形態に係る予測装置が、予測対象である目的変数を、電力取引市場のスポット価格（スポット市場取引（以下「スポット取引」と記載する）のシステムプライス、エリアプライス等）とする場合について説明する。ただし、目的変数は、電力取引市場のスポット価格に限定されず、連続的な応答を有する任意の社会現象および自然現象を表す変数とすることができる。

図１に示すように予測装置１は、例えば、サーバ、パーソナルコンピュータ等のコンピュータと、そのコンピュータの周辺装置等のハードウェアと、そのコンピュータが実行するプログラム等のソフトウェアとの組み合わせから構成される機能的構成として、次の各部を備える。すなわち、予測装置１は、データ収集部１１と、収集データＤＢ（データベース）１２と、評価部１３と、出力部１４と、複数の更新部１５と、予測モデルＤＢ１６と、複数の予測部１７と、予測値ＤＢ１８とを備える。

データ収集部１１は、例えば、インターネット等の通信ネットワーク２を介して、外部の１または複数のサーバ３１～３３等から、スポット価格の実績データ、所定のオープンデータ、温度、湿度、天気等の気象データ、市況データ、各種設備の稼働データ、環境データ、各種設備の保守・フィールドデータ等を収集し、収集データＤＢ１２に蓄積する。なお、目的変数の種類によっては、データ収集部１１は、例えば、外部からデータを収集するのに加えてあるいは代えて一定の構内の各種データを構内通信網等を用いて収集する構成であってもよい。あるいは、データ収集部１１は、例えば、Ｗｅｂ画面（ＧＵＩ（Graphical User Interface））などの入力部を介して、人による設備運転計画などの条件入力などを受けつけることで、データを収集する構成を含んでいてもよい。

収集データＤＢ１２は、複数種類の入力データの時系列である複数の入力データ時系列１２１と、目的変数の実績値の時系列である実績値時系列１２２とを記憶する。各入力データ時系列１２１は、データ収集部１１が収集した、所定のオープンデータ、温度、湿度、天気等の気象データ、市況データ、各種設備の稼働データ、環境データ、各種設備の保守・フィールドデータ等の時系列である。実績値時系列１２２は、この例では、スポット価格の実績値の時系列であり、例えば、３０分ごとの価格を含む。

予測モデルＤＢ１６は、複数の学習済み予測モデル１６１を記憶する。各学習済み予測モデル１６１には、予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義されている。また、各学習済み予測モデル１６１は、予測アルゴリズム、１または複数の説明変数、および、学習期間の一部または全部が互いに異なる。各学習済み予測モデル１６１は、同一の目的変数（この例ではスポット価格）の値をそれぞれ予測する複数の学習済み予測モデル（機械学習モデル）である。

図２は、本開示の実施形態に係る学習済み予測モデル１６１の構成例を示す。図２は、ＩＤ（識別符号）がＩＤ１～ＩＤ５までの５つの学習済み予測モデルの構成例を示す。ＩＤ１～ＩＤ５までの５つの学習済み予測モデルの目的変数は、すべてスポット価格であり、同一である。また、ＩＤ１～ＩＤ３までの３つの学習済み予測モデルは、学習期間が同一である。ＩＤ１～ＩＤ３までの３つの学習済み予測モデルは、予測アルゴリズムが互いに異なる。また、ＩＤ４およびＩＤ５の２つの学習済み予測モデルは、説明変数（１）および（２）と予測アルゴリズムが同一であり、学習期間が異なる。ＩＤ４およびＩＤ５の２つの学習済み予測モデルは、説明変数が説明変数（１）と説明変数（２）のみである。

図２に示す例において、目的変数の値は、例えば３０分単位のスポット価格の予測値の時系列である。説明変数（１）の値は、例えば３０分単位のスポット価格の実績値の時系列またはスポット価格の予測値の時系列もしくは予測値である。説明変数（２）は、カレンダ情報を表し、説明変数の値は例えば平日と休日の別を示す１日単位の時系列である。説明変数（３）の値は、気温の実績値または予測値であり、例えば１時間単位の時系列である。説明変数（４）の値は、湿度の実績値または予測値であり、例えば１時間単位の時系列である。説明変数（５）は、設備の稼働情報を表し、所定の１または複数の設備の稼働の有無または消費電力や発電電力の実績値または予測値を示す情報である。

学習期間は、学習済み予測モデル１６１を機械学習する際の学習データの期間を表す。例えば、１年であれば、過去１年間の目的変数の実績値の時系列と１または複数の説明変数の実績値の時系列を学習データ（教師データ）として、学習済み予測モデル１６１（あるいは学習済みでない予測モデル１６１）が機械学習される。

予測アルゴリズムは、回帰アルゴリズムであり、例えば、線形回帰、非線形回帰、ランダムフォレスト、ニューラルネットワーク等の複数種類のアルゴリズムを含む。Ａ法、Ｂ法、Ｃ法は、予測アルゴリズムの種類が異なること、あるいは、種類が同じで予め設定可能なパラメータの設定値等が異なることを表す。

複数の更新部１５は、予測モデルＤＢ１６に記憶されている複数の学習済み予測モデル１６１にそれぞれ対応して設けられている。各更新部１５は、各学習済み予測モデル１６１をそれぞれ再学習して更新する。各更新部１５は、例えば、各学習期間に基づいて予め設定された更新期間毎に各学習済み予測モデル１６１を再学習して更新する。更新期間は、例えば、学習期間に関わらず１日単位、３日単位、１週間単位、１ヶ月単位等とすることができる。あるいは、学習期間と更新期間は同一としてもよい。また、各更新部１５は省略してもよい。

複数の予測部１７は、予測モデルＤＢ１６に記憶されている複数の学習済み予測モデル１６１にそれぞれ対応して設けられている。各予測部１７は、各学習済み予測モデル１６１を用いて目的変数の各値を予測して、予測した各値を、各予測値時系列１８１として予測値ＤＢ１８に記憶する。各予測部１７は、複数の学習済み予測モデル１６１を用いて、並列的に、学習済み予測モデル１６１毎に設定された１または複数の説明変数の時系列を各学習済み予測モデル１６１へ入力し、各学習済み予測モデル１６１の出力として目的変数の各値（時系列または１つの値）をそれぞれ予測する。

評価部１３は、学習済み予測モデル１６１毎に目的変数の各値の予測精度を評価する。また、出力部１４は、評価部１３による予測精度の評価結果に基づき目的変数の値を所定の出力媒体に出力する。ここで、図３を参照して、評価部１３の処理と出力部１４の処理の概要について説明する。図３は、横軸を時間、縦軸を目的変数の値として、目的変数の実績線（実測値の時系列の近似曲線（実線の曲線））、図２に示すＩＤ１～ＩＤ３の３種類の学習済み予測モデル１６１の予測値（図の“黒丸”、“白四角”および“白三角”で表すプロット）、出力部１４が出力した値（“白丸”）および予測線（破線の曲線）の例を示す。この場合、予測値“黒丸”の予測アルゴリズムがＡ法、予測値“白四角”の予測アルゴリズムがＢ法、および、予測値“白三角”の予測アルゴリズムがＣ法である。

評価部１３は、現在から所定時間前までの評価期間において、実績値（実績線）と各予測値（図の“黒丸”、“白四角”および“白三角”）とを比較し、予測精度を評価する。図３に示す例では、評価部１３は、例えば、Ａ法の予測値（“黒丸”）の予測精度が最も高かったと評価する。一方、出力部１４は、予測精度の評価結果が最も高かったＩＤ１（Ａ法）の学習済み予測モデル１６１を選択し、選択した学習済み予測モデル１６１が予測した目的変数の値（“白丸”）と予測線（破線の曲線）を出力する。

なお、評価部１３は、例えば、次の評価指標Ｉ１～Ｉ６のいずれか、または、重み付けした複数の評価指標Ｉ１～Ｉ６の複数の値に基づいて、目的変数の各値（各予測値）の予測精度を評価する。ただし、評価指標はこれらに限定されない。

ここで、ｙａは実績値、ｙｐは予測値、ｎは評価期間における予測値の個数である。

指標Ｉ１は、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）と呼ばれる指標であり、平均的な誤差を評価し、誤差が大きいほどペナルティを大きくしたい場合に用いられる。指標Ｉ２は、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）と呼ばれる指標であり、平均的な誤差を評価し、ＲＭＳＥよりも外れ値（大きな誤差）を重視する場合に用いられる。指標Ｉ３は、ＭＡＰＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）と呼ばれる指標であり、平均的な誤差を評価し、誤差率として評価するため値の大きさの影響を受けにくく、値自体が小さい時と大きい時でも、同様の評価ができる指標である。指標Ｉ４は、ＭＥ（Ｍａｘ Ｅｒｒｏｒ）と呼ばれる指標であり、最大誤差を評価する場合に用いられる。なお、ｍａｘ（Ｙ１、Ｙ２、Ｙ３、…）はＹ１、Ｙ２、Ｙ３、…の最大値を出力する関数である。指標Ｉ５は、Ｒ２ Ｓｃｏｒｅと呼ばれる指標であり、平均的な誤差傾向を評価し、予測値の上振れ、下振れの影響を含めて評価する場合に用いられる。指標Ｉ５は、閾値に対する定性的な傾向（大小関係）を評価する場合に用いられる。

また、出力部１４は、図３を参照して説明したように評価部１３が予測精度が最も高いと評価した学習済み予測モデル１６１の予測値（出力値）を選択して出力してもよいし、例えば、予測精度が上位の複数の学習済み予測モデル１６１の予測値の平均値や加重平均値を算出して出力してもよい。出力部１４は、例えば、図４に示すように、将来（○年○月○日の２４時間）の予測値および予測線と、過去の予測値および予測線ならびに実績値および実績線を表す画像１４１を所定の表示装置や外部の端末の画面に表示することで出力する。また、出力部１４（あるいは評価部１３）は、評価結果に基づいて選択した予測値や算出した予測値を例えば予測値時系列１８１として予測値ＤＢ１８に記憶したり、あるいは、例えば、どの予測値が選択されたのかを識別するための情報を予測値ＤＢ１８などに記憶したりしてもよい。この場合、記憶した予測値に対して例えば次の処理（最適化計算など）を容易に行うことができる。

また、予測値ＤＢ１８は、各学習済みモデル１６１を用いて予測された各予測値の時系列（または１個の予測値）（予測値時系列）１８１などを記憶する。

（予測装置の動作例）
図５を参照して、予測装置１の動作例について説明する。図５は、予測装置１が１回分（例えば将来の１日～複数日分）の予測値を演算して出力する際の処理の流れである。変数ｋは学習済み予測モデル１６１の予測モデルＩＤを表す変数である。また、図５に示す処理では、予測モデルＩＤ＝１～ＮのＮ個の学習済み予測モデル１６１が並列的に処理される。図５に示す処理は、例えば、１日１回実行される。

図５に示す処理が開始されると、予測装置１は、まず、変数ｋを０に初期化する（ステップＳ１）。次に、予測装置１は、変数ｋを１だけ増分する（ステップＳ２）。次に、予測装置１では、予測モデルＩＤ＝ｋの学習済み予測モデル１６１に対応する更新部１５が、予測モデルＩＤ＝ｋの学習済み予測モデル１６１を、更新期間毎に、当該学習済み予測モデル１６１に対して設定されている学習期間分の学習データを用いて再学習し、更新する（ステップＳ３）。次に、予測モデルＩＤ＝ｋの学習済み予測モデル１６１に対応する予測部１７が、予測モデルＩＤ＝ｋの学習済み予測モデル１６１で予測値を算出する（ステップＳ４）。次に、評価部１３が、予測モデルＩＤ＝ｋの学習済み予測モデル１６１の評価指標を算出して、所定の記憶領域に記憶する（ステップＳ５）。次に、予測装置１は、予測モデルＩＤがＮに達したか否かを判断する（ステップＳ６）。

予測モデルＩＤがＮに達していなかった場合（ステップＳ６：ＮＯ）、予測装置１は、ステップＳ２以降の処理を再度実行する。

予測モデルＩＤがＮに達した場合（ステップＳ６：ＹＥＳ）、出力部１４が、評価指標に基づいて学習済み予測モデル１６１を選択し（ステップＳ７）、選択した学習済み予測モデル１６１による予測値を出力して（ステップＳ８）、図５に示す処理を終了する。

以上の処理によって、予測装置１は、予測アルゴリズム、１または複数の説明変数、および、学習期間の一部または全部が互いに異なる複数の学習済み予測モデル１６１を併行して運用する。また、予測装置１は、複数の学習済み予測モデル１６１を、同一または異なる学習期間で、併行的に再学習し、更新する。この構成によれば、併行して処理されている複数の学習済み予測モデル１６１の中から１または複数の最適な学習済み予測モデル１６１を選択して、選択した学習済み予測モデル１６１が予測した値に基づいて目的変数の予測値を決定することができる。したがって、例えば連続性が損なわれるような性状の変化が説明変数や目的変数に発生した場合であっても、その変化に適した学習済み予測モデルを用いて予測値を求めることができ、目的変数の予測精度を適切に向上させることができる。

（作用効果）
上記構成の予測装置、予測方法およびプログラムによれば、目的変数の予測精度の向上を図ることができる。

（その他の実施形態）
以上、本開示の実施の形態について図面を参照して詳述したが、具体的な構成はこの実施の形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計変更等も含まれる。例えば、複数の学習済予測モデル１６１がクラウド上に保存され、それらクラウド上の各学習済予測モデル１６１のデータを一つ一つ別のＰＣ（Personal Computer）などで呼び出し、当該ＰＣにて上述した予測と、評価と、出力を行うような実施形態も考えられる。

また、図１に示した構成例では、予測装置１が、予測モデルＤＢ１６に記憶されている複数の学習済み予測モデル１６１にそれぞれ対応する複数の更新部１５と複数の予測部１７を備えているが、これに限定されない。例えば、１個の予測部１７が複数の学習済予測モデル１６１を例えば段階的に用いて複数の目的変数の値を予測するようにしたり、学習済み予測モデル１６１の個数より少ない複数の予測部１７が併行的にそれぞれ複数の学習済予測モデル１６１を例えば段階的に用いて複数の目的変数の値を予測するようにしたりしてもよい。更新部１５についても同様である。この場合、予測装置１は、１個、学習済み予測モデル１６１の個数より少ない複数個、または、学習済み予測モデル１６１と同数の複数個の予測部１７を備える。同様に、予測装置１は、１個、学習済み予測モデル１６１の個数より少ない複数個、または、学習済み予測モデル１６１の同数の複数個の更新部１５を備える。

また、図２に示す５個の学習済み予測モデル１６１の例では説明変数（１）「スポット価格」と説明変数（２）「カレンダ情報」が共通であるが、他の学習済み予測モデル１６１と共通の説明変数を持たない学習済み予測モデル１６１があってもよい。すなわち、他の学習済み予測モデル１６１と同一の説明変数を１つも有していない（つまり全部の説明変数が他と異なる）学習済み予測モデル１６１があってもよい。図２に示す例では、例えば、「スポット価格」と「カレンダ情報」と「気温」と「湿度」と「設備稼働情報」を説明変数に含まない学習済み予測モデル１６１があってもよい。また、説明変数に限らず、説明変数と学習期間と予測アルゴリズムの全部が他の学習済み予測モデル１６１と異なる学習済み予測モデル１６１があってもよい。

（コンピュータ構成）
図６は、上述したように、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、および、インタフェース９４を備える。
上述の予測装置１は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。

プログラムは、コンピュータ９０に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージに既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータは、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）等が挙げられる。この場合、プロセッサによって実現される機能の一部または全部が当該集積回路によって実現されてもよい。

ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。

＜付記＞
上記実施形態に記載の予測装置１は、例えば以下のように把握される。

（１）第１の態様に係る予測装置１は、予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル１６１、を用いて、前記目的変数の各値を予測する１以上の予測部１７と、前記学習済み予測モデル１６１毎に前記目的変数の各値の予測精度を評価する評価部１３と、前記予測精度の評価結果に基づき前記目的変数の値を出力する出力部１４と、を備える。この構成によれば、目的変数の予測精度の向上を図ることができる。

（２）第２の態様に係る予測装置１は、（１）の予測装置１であって、前記各学習期間で前記各学習済み予測モデルを再学習して更新する１以上の更新部１５をさらに備える。この構成によれば、複数の学習済み予測モデル１６１を例えば最新の学習データに基づく予測モデルに維持することができる。

（３）第３の態様に係る予測装置１は、（１）または（２）の予測装置１であって、前記出力部は、前記予測精度の評価結果に基づき１の前記学習済み予測モデルを選択し、選択した前記学習済み予測モデルが予測した前記目的変数の値を出力する。この構成によれば、簡単な処理で目的変数の値を出力することができる。

（４）第４の態様に係る予測装置１は、（１）から（３）の予測装置１であって、前記目的変数が、電力取引市場のスポット価格である。

１ 予測装置
１１ データ収集部
１２ 収集データＤＢ
１３ 評価部
１４ 出力部
１５ 更新部
１６ 予測モデルＤＢ
１７ 予測部
１８ 予測値ＤＢ
１６１ 学習済み予測モデル

Claims (6)

1. 予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測する１以上の予測部と、
   前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価する評価部と、
   前記予測精度の評価結果に基づき前記目的変数の値を出力する出力部と、
   を備える予測装置。
2. 前記各学習期間で前記各学習済み予測モデルを再学習して更新する１以上の更新部
   をさらに備える請求項１に記載の予測装置。
3. 前記出力部は、前記予測精度の評価結果に基づき１の前記学習済み予測モデルを選択し、選択した前記学習済み予測モデルが予測した前記目的変数の値を出力する
   請求項１または２に記載の予測装置。
4. 前記目的変数が、電力取引市場のスポット価格である
   請求項１から３のいずれか１項に記載の予測装置。
5. 予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測するステップと、
   前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価するステップと、
   前記予測精度の評価結果に基づき前記目的変数の値を出力するステップと、
   を含む予測方法。
6. 予測アルゴリズム、１または複数の説明変数、および、学習期間がそれぞれ定義され、前記予測アルゴリズム、前記１または複数の説明変数、および、前記学習期間の一部または全部が互いに異なり、同一の目的変数の値をそれぞれ予測する複数の学習済み予測モデル、を用いて、前記目的変数の各値を予測するステップと、
   前記学習済み予測モデル毎に前記目的変数の各値の予測精度を評価するステップと、
   前記予測精度の評価結果に基づき前記目的変数の値を出力するステップと、
   をコンピュータに実行させるプログラム。

Images