JP3637412B2

JP3637412B2 - 時系列データ学習・予測装置

Info

Publication number: JP3637412B2
Application number: JP2000149822A
Authority: JP
Inventors: 功四郎丸; 一三雄山田; 堅治冨永; 幸治大賀; 武一丸山
Original assignee: Chugoku Electric Power Co Inc; Hitachi Ltd
Current assignee: Chugoku Electric Power Co Inc; Hitachi Ltd
Priority date: 2000-05-17
Filing date: 2000-05-17
Publication date: 2005-04-13
Anticipated expiration: 2020-05-17
Also published as: JP2001325582A

Description

【０００１】
【発明の属する技術分野】
本発明は、時系列データの将来値を予測するニューラルネットを用いた時系列データ学習・予測装置に係り、特に、予測パラメータに関するデータ（教師データ）の変化幅に応じて、ニューラルネットの学習・予測方式を選択する時系列データ学習・予測装置に関する。
【０００２】
【従来の技術】
株価、交通量、電力需要あるいは大規模プラントのプロセス値などの将来状態を精度よく予測することは、将来起こりうる事態に適切に対処するために重要である。しかしながら、このような対象の将来状態は様々な要因が複雑に絡み合って決まるため、因果関係にもとづいて予測モデルを構築することは一般に困難である。
【０００３】
このような場合、収集した時系列データを用いて予測モデルを構築する手法が有効である。例えば、時系列データを統計的に処理した回帰モデルや、時系列データに含まれる動的なパターンを学習するニューラルネット等がある。特にニューラルネットは、予測対象の非線形性もモデル化が可能なことから、上記対象の将来状態の予測に有効である。
【０００４】
ニューラルネットを用いた時系列データの学習・予測方法の概要を示す。まず、ニューラルネットの学習では、学習データである入力データとそれに対応する教師データをそれぞれの時系列データの変化幅にもとづいて、通常０から１に規格化する。これは、ニューラルネットの各ユニットに閾値が０から１のシグモイド関数を用いており、学習データを０から１に規格化することで学習の収束性が高まるためである。このように規格化した時系列データをニューラルネットの入出力ユニットに与え、誤差逆伝播法等の学習アルゴリズムでニューラルネットの出力値と教師データが一致するように最適化計算を行う。
【０００５】
つぎに、予測では、学習したニューラルネットの入力ユニットに、学習時と同様に規格化した時系列データを与える。ここで得られるニューラルネットの出力値は規格化した値のため、学習時に教師データを規格化した値で変換し、所望の予測値を算出する。
【０００６】
以上のようにニューラルネットで時系列データの学習・予測を実施する一例として、特開平１０−１８７２２６号公報がある。
【０００７】
【発明が解決しようとする課題】
しかしながら、規格化した時系列データを用いてニューラルネットの学習・予測を行う場合、予測する時系列データの変化幅が大きい場合、予測誤差が大きくなる問題があった。
【０００８】
本発明の目的は、ニューラルネットを用いた時系列データの学習・予測において、予測する時系列データの規格化に関わる誤差を低減し、予測精度向上を図るもので、予測に用いる時系列データの変化幅によって、学習・予測方式を選択することでこれを実現する時系列データの学習・予測装置を提供することにある。
【０００９】
【課題を解決するための手段】
上記の目的は、時系列データを収集するデータ収集部と、収集した時系列データを記憶するデータ記憶部と、記憶した時系列データの変化率データを計算する変化率計算部と、予測パラメータの時系列データを学習・予測するか、予測パラメータの時系列データの変化率データを学習・予測するかを選択する学習・予測方式選択部と、前記学習・予測方式選択部で選択した方式でニューラルネットを学習するニューラルネット学習部と、学習したニューラルネットを格納する予測モデル格納部と、前記学習・予測方式選択部で選択した方式で時系列データの将来値を予測するニューラルネット予測部と、ニューラルネットの学習・予測を実行するためのユーザ設定ならびに前記ニューラルネット予測部での予測結果の表示を行うマンマシン部とを備え、前記学習・予測方式選択部は、予測パラメータの時系列データの変化幅と前記変化率計算部で求めた予測パラメータの時系列データの変化率データの変化幅とを比較し、変化幅の小さい方のデータをニューラルネットで学習・予測に用いるよう選択するものであることによって達成される。
【００１０】
上記の手段によれば、学習・予測する対象を時系列データと変化率データとから選択することができる。これにより、予測精度の高いほうの学習・予測を実行することが実現できる。
【００１２】
上記の手段によれば、学習・予測する対象を時系列データ自身か変化率データかを、それぞれの変化幅に基づいて小さいほうを選択することができる。これにより、ニューラルネットの学習において、データの規格化に関わる誤差を低減し、予測精度の向上が実現できる。
【００１３】
また上記の目的は、前記ニューラルネット予測部が、時系列データを用いて予測する場合の時系列データ用予測手段と、変化率データを用いて予測する場合の変化率データ用予測手段を有することによって達成される。
【００１４】
上記の手段によれば、予測パラメータの変化に応じて、学習・予測する対象を時系列データ自身と変化率データとの間で切り替えることができる。これにより、予測実行中の予測パラメータの変化に対して、より予測精度の高い予測方式を選択することができる。
【００１５】
また上記の目的は、前記学習・予測方式選択部が、予測実行毎もしくは複数回おきに、予測方式の選択を行い、前記ニューラルネット予測部が、前記選択条件に適合する予測モデルを前記予測モデル格納部から入力して予測することで達成される。
【００１６】
上記の手段によれば、学習・予測する対象を時系列データ自身と変化率データとの間で自動的に切り替えることができる。これにより、予測実行中の予測パラメータの変化に対して、自動的に予測精度の高い予測方式を選択することができる。
【００１７】
また上記の目的は、前記学習・予測方式選択部が、選択された時系列データもしくは変化率データの最大値と最小値を規格化の上限値と下限値として設定し、前記ニューラルネット学習部及びニューラルネット予測部が、前記選択された時系列データもしくは変化率データについて前記上限値と下限値を用いて規格化した後該データで学習・予測を実行することで達成される。
【００１８】
上記の手段によれば、ニューラルネットに時系列データもしくは変化率データを規格化して与えることにより、学習の収束性が向上する。
【００１９】
【発明の実施の形態】
以下、本発明の実施形態を図面を参照して説明する。
【００２０】
図１は、本発明に好適な一実施形態の時系列データ学習・予測装置の構成を示す。本実施形態の時系列データ学習・予測装置は、マンマシン部２０、データ収集部３０、データ記憶部４０、変化率計算部５０、学習・予測方式選択部６０、ニューラルネット学習部７０、ニューラルネット予測部８０、モデル格納部９０からなる。ニューラルネット学習部７０は、学習用データ処理手段７１０と学習手段７２０からなり、ニューラルネット予測部８０は、予測用データ処理手段８１０と時系列データ用予測手段８２０と変化率データ用予測手段８３０からなる。
【００２１】
つぎに、図１の時系列データ学習・予測装置における各部の動作および信号の流れを説明する。
【００２２】
マンマシン部２０は、学習・予測を実行するための設定と、学習・予測を実行した結果の表示に用いられる。学習・予測の設定として、ユーザは、予測対象の予測パラメータ名と予測時間と予測実行周期、学習に用いる入力パラメータ名、データ収集のサンプリング時間、後述する学習・予測方式選択部６０の起動周期、ニューラルネットのパラメータをマンマシン部２０で入力する。ニューラルネットのパラメータには、ニューラルネットの入力層および中間層ユニット数、学習係数、ユニット間の結合係数の初期値、学習データのサンプリング方法、学習の収束条件がある。学習・予測の実行結果の表示については、表示例を後述説明する。
【００２３】
データ収集部３０では、前記設定されたデータ収集のサンプリング時間毎に、前記設定された予測パラメータ名と入力パラメータ名で検索して、プラント１０からデータを収集し、データ記憶部４０に保存する。データ記憶部４０では、データ収集時間と該時間での予測パラメータと入力パラメータのデータをセットにして保存し、後述するニューラルネットの学習・予測では、前記時間情報をもとに必要な時系列データを入力して処理することができる。
【００２４】
本実施形態の時系列データ学習・予測装置では、データ記憶部４０に格納された時系列データを用いてニューラルネットを学習して、注目する予測パラメータの将来値を予測する。ニューラルネットで時系列データを予測する方法としては、予測時間先での将来値自身を予測する方法と、予測時間までの現在値からの変化分（以後、変化率データと称する）を予測する方法がある。ニューラルネットの学習における予測パラメータに関するデータ（以後、教師データ）として、前者では予測時間先での将来値を用い、後者では予測時間までの現在値からの変化分を用いるが、ともにニューラルネットには規格化して与えることが、学習の収束性向上の観点から望ましい。
【００２５】
ここで、教師データを規格化することにより発生するニューラルネットの予測誤差について説明する。まず、ニューラルネットの学習・予測に用いる時系列データとして、入力データは共通で、教師データは規格化後のデータ形状が同じで規格化に用いる値の大きさだけが異なる、２つの学習・予測について考える。この場合、ニューラルネットの学習に用いる入力データと教師データは規格化により同じ形状になるので、２つの予測パラメータの学習誤差は等しくなる。よって、それぞれ学習したニューラルネットに共通の入力データを与えて予測すると、ニューラルネットからの出力値は同じになり、予測誤差は同じになる。ところが、実際の予測値は、ニューラルネットの出力値を学習時に規格化した値で変換したものであり、規格化の値が大きい予測パラメータでは、規格化の値が小さい予測パラメータに対して予測誤差が大きくなる。すなわち、ニューラルネットの学習に用いる教師データの変化幅が大きい場合、実際の予測値で予測誤差が大きく現れる。
【００２６】
以上の知見より、ニューラルネットで時系列データを予測する場合、予測パラメータに関する教師データの変動幅が小さいほうが予測誤差を低減できる。前述したように、時系列データの予測に用いる教師データとしては、予測時間先での将来値自身を用いる場合と、予測時間までの現在値からの変化分を用いる場合があるが、それぞれの時系列データの変化幅を比較して、変化幅の小さい時系列データを用いる学習・予測方法が予測誤差低減に有効であるといえる。
【００２７】
そこで、これを実現する学習・予測方法について、以下、具体的に図１を用いて説明する。はじめに、予測パラメータの学習方法について説明する。
【００２８】
まず、予測パラメータの学習方式を選択する。変化率計算部５０で、データ記憶部４０から予測パラメータに関する時系列データを入力して予測時間までの現在値からの変化率データを計算する。変化率データは、マンマシン部２０で設定した予測時間にもとづき、ある時点の時系列データとその時点から予測時間分先のデータとの差分として算出する。
【００２９】
例えば、予測パラメータの時系列データｙ（ｔ）が、
y（t＋Δt）、ｙ(t)、…、ｙ(t−(ｍ−1)・Δt)、ｙ(t−ｍ・Δt)、…
で、予測時間がｍ・Δｔの場合には、該時系列データの変化率データΔｙ（t）は、数１、数２
【００３０】
【数１】
Δｙ（ｔ）＝ｙ（ｔ＋ｍ・Δｔ）−ｙ（ｔ）
【００３１】
【数２】
Δｙ（ｔ−Δｔ）＝…、ｙ(ｔ＋（ｍ−１)・Δｔ)−ｙ(t−Δt)
等のように算出する。ここで、Δｔは前記データ収集のサンプリング時間である。
【００３２】
以上のように算出した予測パラメータの変化率データは、対応する時間とともに学習・予測方式選択部６０に送られる。
【００３３】
学習・予測方式選択部６０では、予測パラメータに関して、データ記憶部４０から時系列データを取り込むとともに、該時系列データの取り込み時間に対応した変化率データを変化率計算部５０から入力する。入力したそれぞれのデータから最大値と最小値を求めて、その差分を該データの変化幅とする。両データの変化幅を比較し、変化幅が小さいほうのデータを教師データとして用いる。
【００３４】
また、学習・予測方式選択部６０では、後述する学習用データ処理手段７１０で実施するデータの規格化に用いる上限値と下限値を設定する。入力パラメータに関しては、データ記憶部４０から、前記予測パラメータの時系列データの取り込み時間に対応した時系列データを入力して最大値と最小値を求め、これを規格化の上限値と下限値とする。予測パラメータに関しては、前記選択したデータの最大値と最小値を用いる。なお、入力パラメータのニューラルネットへの入力データとして、時系列データの代わりに変化率データを用いることもできる。入力パラメータの変化率データは、予測パラメータと同様に変化分計算部５０において、一時点過去にサンプリングした値と現在値との差分で算出する。入力データの選択は、予測パラメータに関する教師データの選択に合わせて自動的に行われる。例えば、変化率データを予測する場合は、入力データにも変化率データを用いる。
【００３５】
以上の処理の流れを図２に示す。予測パラメータ及び入力パラメータに関して、データ記憶部４０から各々時系列データを入力し、変化率計算部５０から該時系列データに対応した変化率データを入力する（２０１）。入力した各々のデータに関して、最大値および最小値を算出する（２０２）。入力したデータをパラメータ名で検索する（２０３）。予測パラメータであれば、該予測パラメータの時系列データの変化幅を該データの最大値と最小値から算出し、また予測パラメータの変化率データの変化幅を該データの最大値と最小値から算出する（２０４）。ステップ２０３で入力パラメータであれば、入力パラメータとして用いるデータ（時系列データもしくは変化率データ）の最大値と最小値を規格化の上限値と下限値として登録する(２０５)。
【００３６】
予測パラメータに関して、時系列データの変化幅が変化率データの変化幅より小さいか判定する（２０６）。時系列データの変化幅が小さければ、予測パラメータに関して、時系列データを用いた学習・予測方式を選択し（２０７）、予測パラメータに関する時系列データの最大値と最小値を、予測パラメータに対する規格化の上限値と下限値として登録する（２０８）。ステップ２０６の判定において、変化率データの変化幅が小さい場合は、予測パラメータに関して変化率データを用いた学習・予測方式を選択部し（２０９）、予測パラメータに関する変化率データの最大値と最小値を、予測パラメータに対する規格化の上限値と下限値として登録する（２１０）。
【００３７】
マンマシン部２０では、予測パラメータまたは入力パラメータの時系列データと変化率データ、最大値と最小値を図３のように表示する。
【００３８】
学習・予測方式選択部６０で設定したニューラルネットの学習方式と予測パラメータおよび入力パラメータの規格化に関する情報は、マンマシン部２０で図４のようにユーザに示される。この情報には、予測パラメータおよび入力パラメータについて、学習・予測方式選択部６０で選択した学習に用いるデータと、取り込んだデータの最大値と最小値、規格化に用いる上限値と下限値がある。ユーザは、図４の画面の上で、学習方式の変更や規格化に用いる上限値と下限値の変更を行うことができる。
【００３９】
例えば、図４では予測および入力パラメータはすべて「ＯＮ表示」で変化率データを用いる学習の設定になっているが、各パラメータについて時系列データを「ＯＮ表示」にすることにより、時系列データを用いた学習に変更される。また、上限値と下限値については、画面上で直接数値を書き換えることで設定を変更することができる。
【００４０】
このように、学習方式およびデータの規格化の設定は、予測パラメータおよび入力パラメータのデータの変化幅にもとづいて自動的に設定されるが、ユーザ自身が図３で時系列データと変化率データを確認して、図４の画面上で設定を変更することができる。
【００４１】
以上のように学習・予測方式選択部６０で設定した、ニューラルネットの学習方式と、選択した学習方式に用いる教師データ及び入力データと、データの規格化に用いる上限値と下限値を、学習用データ処理手段７１０に出力する。
【００４２】
つぎに、ニューラルネット学習部７０におけるニューラルネットの学習について説明する。
【００４３】
ニューラルネット学習部７０では、前記学習・予測方式選択部６０から入力した、学習方式、教師データと入力データ、データの規格化に用いる上限値と下限値、マンマシン部２０で設定したニューラルネットのパラメータによって、予測モデルを作成する。
【００４４】
学習用データ処理手段７１０では、予測パラメータに関する教師データと入力パラメータに関する入力データついて、学習・予測方式選択部６０で設定したそれぞれの上限値と下限値を用いて、下限値に対する規格化後の値が０に、上限値に対する規格化後の値が１になるように次式数３にもとづいて規格化する。
【００４５】
【数３】
Ｙ＝（ｙ−ｍｉｎ）／（ｍａｘ−ｍｉｎ）
ここで、Ｙは規格化後のデータ、ｙは規格化前のデータ、ｍｉｎは該データの下限値、ｍａｘは該データの上限値である。このように規格化した教師データと入力データのペアが学習データとして学習手段７２０に提供される。
【００４６】
ニューラルネットによる学習手段７２０では、マンマシン部２０で設定したニューラルネットのパラメータにもとづき、学習用データ処理手段７１０から入力した、予測パラメータに関する規格化後の教師データｙ（ｔ＋ΔＴ）と入力パラメータに関する規格化後の入力データｘｉ（ｔ）を用いて、ニューラルネットのユニット間の結合係数を最適化して予測モデルを作成する。インデックスｉはニューラルネットへの入力パラメータの番号、ｔは時間を示す。図５は、予測モデルとなるニューラルネットの例を示す。この例では、ｎ個の入力パラメータを用いている。
【００４７】
このニューラルネットは、規格化後の入力データｘｉ（ｔ）の現時点から過去ｍΔｔ時点までのデータをΔｔ毎にサンプリングして入力し、将来時点ΔＴの予測パラメータに関する予測値ｙｐ（ｔ＋ΔＴ）を出力するものである。このニューラルネットの出力値ｙｐ（ｔ＋ΔＴ）が教師データｙ（ｔ＋ΔＴ）と等しくなるように、最適化手法を用いてユニット間の結合係数ｗｊを調整する。ここで、インデックスｊは結合係数の番号である。
【００４８】
学習の終了は、前記調整した結合係数を用いて求めたニューラルネットの出力値ｙｐ（ｔ＋ΔＴ）と教師データｙ（ｔ＋ΔＴ）との差をマンマシン部２０で設定した学習の収束条件（閾値）と比較し収束誤差がないか、もしくは学習回数が終了したことのどちらか一方を満足したときに終了と判定される。このように最適化したユニット間の結合係数ｗｊは、予測モデルとして、予測パラメータおよび入力パラメータの名称、学習データの規格化の上限値と下限値、学習方式、ニューラルネットのパラメータといった予測モデル情報とともに、モデル格納部９０に保存される。
【００４９】
学習した予測モデルが、教師データとして予測パラメータの時系列データを用いた場合には、予測時間分先での将来値を規格化した値で出力する。一方、教師データとして変化率データを用いた場合には、現在値からの変化分を規格化した値で出力する。以上が予測パラメータの学習方法である。
【００５０】
図６は、以上の学習処理のフローを説明するものである。学習用データ処理手段７１０で教師データと入力データの規格化をする（６０１）。規格化した教師データと入力データのペアを学習手段７２０に供給し、ニューラルネットのパラメータを設定する（６０２）。ニューラルネットでは誤差逆伝播法で結合係数計算をする（６０３）。計算した段階での結合係数を用いて求めたニューラルネットの出力値と教師データとの差を設定された収束条件で比較し（６０４）、収束誤差がなければ終了してモデル格納部９０に予測モデルの保存をする（６０６）。収束条件が成立しなければ、設定された学習回数と前記結合係数の計算ループ回数と比較し（６０５）、学習回数が終了した時点で終了しその時予測モデルを保存する（６０６）。
【００５１】
つぎに、予測パラメータの予測方法について説明する。
【００５２】
ニューラルネット予測部８０では、学習・予測方式選択部６０から、予測方式、対応するデータおよびデータの規格化に用いる上限値と下限値を入力し、モデル格納部９０から予測モデルを入力し、予測を実行する。予測実行のタイミングはマンマシン部２０で設定した予測実行周期に従い、以下説明する処理が実行される。
【００５３】
まず、予測パラメータの予測方式を選択する。
【００５４】
学習・予測方式選択部６０で、予測パラメータに関する現時点までの時系列データと、該時系列データの取り込み時間に対応した変化率データの変動幅を比較し、変化幅が小さいデータを教師データとして学習した予測モデルを用いる予測方式を選択する。ここで用いる変化率データの算出は、前述した学習方式と同様の手順で行う。予測方式の選択処理の起動は前記予測実行周期毎に行われるが、ユーザがマンマシン部２０で、例えば、予測実行１０回に１回起動等のように設定して、起動回数を間引くことができる。
【００５５】
予測に用いる入力パラメータの入力データは、学習・予測方式選択部６０で選択した予測方式に対応して自動的に決められる。例えば、時系列データを予測する場合は、入力データも時系列データを用いる。しかしながら、学習方式での入力データの選択と同様に、マンマシン部２０でユーザが図４の画面上で変更することができる。また、入力データの規格化に用いる上限値と下限値も同様に変更できる。
【００５６】
以上のように学習・予測方式選択部６０で設定したニューラルネットの予測方式と、選択した予測方式で用いる入力データと、入力データの規格化に用いる上限値と下限値は、予測用データ処理部８１０に出力される。
【００５７】
つぎに、ニューラルネット予測部８０における予測方法を説明する。
【００５８】
予測用データ処理手段８１０では、入力パラメータに関する入力データについて、学習・予測方式選択部６０で設定した上限値と下限値を用いて、数３で、学習時と同様に０から１に規格化する。規格化した入力データは、前記選択した予測方式に応じて、時系列データを予測する場合は時系列データ予測手段８２０に、変化率データを予測する場合には変化率データ予測手段８３０に入力される。さらに、学習・予測方式選択部６０で設定した、予測方式、予測パラメータおよび入力パラメータの名称、入力データの規格化の上限値と下限値、ニューラルネットのパラメータを用いて、今回の予測で用いる予測モデルをモデル格納部９０から検索する。それにより、学習したユニット間の結合係数ｗｊを時系列データを予測する場合は時系列データ用予測手段８２０に、変化率データの場合は変化率データ用予測手段８３０に、入力する。
【００５９】
時系列データ用予測手段８２０では、入力パラメータの規格化した時系列データを予測モデルに入力する。ニューラルネットの予測モデルは数４の式で表現される。
【００６０】
【数４】
Ｙ＝Σｗ_i・ｆ_i（Σｗ_ij・ｆ_j（Ｘ_j））
ここで、Ｘ_jは入力層の各ユニットに入力する入力変数、Ｙは出力層のユニットから出力する出力変数、ｗ_ijは入力層のｊユニットと中間層のｉユニットとの結合係数、ｗ_iは中間層のｉユニットと出力層のユニット（１つ）との結合係数、ｆ_j（Ｘ）はユニットｊのシグモイド関数、Σは各インデックスについて和をとる記号である。
【００６１】
これにより、予測時間先での予測パラメータの将来値が規格化した値で求まる。そこで、この規格化した出力値を前記規格化で用いた上限値と下限値で次式数５にもとづいて逆変換し、最終的な予測パラメータの予測値を得る。
【００６２】
【数５】
ｙ＝Ｙ・(ｍａｘ−ｍｉｎ）＋ｍｉｎ
ここで、数５は数３式を変数ｙについて解いたものであり、Ｙはニューラルネットの出力値、ｙは実際の時系列データの予測値、ｍｉｎおよびｍａｘはそれぞれ予測パラメータの下限値と上限値である。
【００６３】
予測パラメータの予測に当り、ニューラルネットの予測対象が予測パラメータ自身か、変化率データかを判定し、予測パラメータの予測の場合は前記予測結果の出力をし、判定により変化率データの場合は変化率データの予測を行なう。
【００６４】
変化率データ用予測手段８３０では、入力パラメータの規格化した変化率データを予測モデルに入力する。数４式により、予測時間までの現在値からの変化分が規格化した値で求まる。この出力値に対して、前記時系列データの出力値を変換して実際の予測値を求めた同じ数５式を用いて、変化率データの上限値と下限値で逆変換して予測パラメータの実際の変化分を求める。そして最終的な予測値は、求められた実際の変化分と予測パラメータの現在値との和で求められる。これを変化率データからの予測値として出力する。
【００６５】
図７は、予測処理のフローを説明するものである。予測用データ処理手段８１０で入力データの規格化をする（７０１）。次に予測モデルの選択をし、時系列データ用予測手段８２０か、変化率データ用予測手段８３０を選択する（７０２）。ニューラルネットに規格化した時系列データまたは変化率データを入力し、出力値の計算をする（７０３）。得られたニューラルネットの出力値を上下限値で逆変換する（７０４）。ニューラルネットの予測対象が予測パラメータ自身か変化率データかを判定し（７０５）、変化率データの場合は、予測実行時の予測パラメータと逆変換した値との和をとり（７０６）、予測値出力する（７０７）。予測パラメータの場合は逆変換した値を予測値出力とする（７０７）。
【００６６】
以上の予測結果は、マンマシン部２０で図８のように表示される。
【００６７】
このように、本実施形態によれば、予測パラメータの将来値を予測するにあたり、時系列データと変化率データの変化幅にもとづいて学習・予測方式を選択し、規格化に伴う予測誤差を低減することができるので、精度よい将来値を得ることが可能になる。
【００６８】
【発明の効果】
以上説明したように、本発明によれば、学習・予測する対象を時系列データ自身と変化率データとから選択することができる。これにより、予測精度のより高い学習・予測を実行することが実現する。
【００６９】
また本発明によれば、学習・予測する対象を時系列データ自身か変化率データかを、それぞれの変化幅に基づいて小さいほうを選択することができる。これにより、ニューラルネットの学習において、データの規格化に関わる誤差を低減して、予測精度向上が実現する。
【００７０】
また本発明によれば、予測パラメータの変化に応じて、学習・予測する対象を時系列データと変化率データとの間で切り替えることができる。これにより、予測実行中の予測パラメータの変化に対して、より予測精度の高い予測方式を選択することが実現する。
【００７１】
また本発明によれば、学習・予測する対象を時系列データ自身と変化率データとの間で自動的に切り替えることができる。これにより、予測実行中の予測パラメータの変化に対して、自動的に予測精度の高い方式を選択することが実現する。
【図面の簡単な説明】
【図１】本発明に好適な一実施形態である時系列データ学習・予測装置の構成図である。
【図２】学習・予測方式選択部の処理の流れ図である。
【図３】マンマシン部における時系列データと変化率データの一表示例図である。
【図４】マンマシン部における学習・予測方式と規格化に関する情報の提供および設定画面の一表示例図である。
【図５】予測モデルとなるニューラルネットの一構成図である。
【図６】ニューラルネット学習部の処理の流れ図である。
【図７】ニューラルネット予測部の処理の流れ図である。
【図８】予測結果の一表示例図である。
【符号の説明】
１０…プラント、２０…マンマシン部、３０…データ収集部、４０…データ記憶部、５０…変化率計算部、６０…学習・予測方式選択部、７０…ニューラルネット学習部、８０…ニューラルネット予測部、９０…モデル格納部、７１０…学習用データ処理手段、７２０…学習手段、８１０…予測用データ処理手段、８２０…時系列データ用予測手段、８３０…変化率データ用予測手段。

Claims

ニューラルネットを用いて時系列データから予測モデルを作成し、該予測モデルを用いて時系列データの将来値を予測する、時系列データ学習・予測装置において、
時系列データを収集するデータ収集部と、収集した時系列データを記憶するデータ記憶部と、記憶した時系列データの変化率データを計算する変化率計算部と、予測パラメータの時系列データを学習・予測するか、予測パラメータの時系列データの変化率データを学習・予測するかを選択する学習・予測方式選択部と、前記学習・予測方式選択部で選択した方式でニューラルネットを学習するニューラルネット学習部と、学習したニューラルネットを格納する予測モデル格納部と、前記学習・予測方式選択部で選択した方式で時系列データの将来値を予測するニューラルネット予測部と、ニューラルネットの学習・予測を実行するためのユーザ設定ならびに前記ニューラルネット予測部での予測結果の表示を行うマンマシン部とを備え、前記学習・予測方式選択部は、予測パラメータの時系列データの変化幅と前記変化率計算部で求めた予測パラメータの時系列データの変化率データの変化幅とを比較し、変化幅の小さい方のデータをニューラルネットで学習・予測に用いるよう選択するものであることを特徴とする時系列データ学習・予測装置。
請求項１に記載の時系列データ学習・予測装置において、前記ニューラルネット予測部は、時系列データを用いて予測する場合の時系列データ用予測手段と、時系列データの変化率データを用いて予測する場合の変化率データ用予測手段を有することを特徴とする時系列データ学習・予測装置。
請求項１および２のいずれかに記載の時系列データ学習・予測装置において、前記学習・予測方式選択部は、予測実行毎もしくは複数回おきに、予測方式の選択を行い、前記ニューラルネット予測部は、前記選択条件に適合する予測モデルを前記予測モデル格納部から入力して予測を実行するものであることを特徴とする時系列データ学習・予測装置。
請求項１、２および３のいずれかに記載の時系列データ学習・予測装置において、前記学習・予測方式選択部は、選択した時系列データもしくは変化率データの最大値と最小値を規格化の上限値と下限値として設定し、前記ニューラルネット学習部及び前記ニューラルネット予測部は、前記選択された時系列データもしくは変化率データについて前記上限値と下限値を用いて規格化した後該データで学習・予測を実行するものであることを特徴とする時系列データ学習・予測装置。