JP4661250B2 - 予測方法、予測装置および予測プログラム - Google Patents

Description

本発明は、計算機を利用した各種予測（電力需要、水需要、熱需要など各種の需要量についての需要量予測、販売量予測、価格予測、経済指標予測）を行うための予測方法、予測装置、および予測プログラムに関する。

従来から様々な分野において、予測が行われている。例えば、電力会社では翌日の電力需要を予測して、その結果に基づき発電機の稼働を計画している。商店や自動販売機では販売量を予測し、商品を補充している。金融分野では、商品価格、株価、為替を予測し、様々なトレードを行っている。
このように、多くの分野において様々な予測が行われている。その予測方法としては、人間の勘に頼る方法、計算機で予測する方法などがあるが、予測対象や分野に決まった方法はなく、様々な手法が研究され、様々な方法が実用化されているのが現状である。

予測システム構築の問題点は、予想対象や分野により決まった手法というものがなく、そのため予想手法を確立するために長時間のデータ分析やシミュレーション検証が必要なことである。そのため、予測システムの構築に時間がかかり、結果的にコストが高くなってしまったり、また、コスト削減のため十分なデータ分析やシミュレーション検証を行わないと、高い予測精度を持つシステムを構築することができなかった。

また、予測に用いる予測モデルとして、線形予測モデルや非線形予測モデルが用いられる。代表的な線形予測モデルとしては重回帰手法を挙げることができ、また、代表的な非線形予測モデルとしてニューラルネットワークを挙げることができる。これらの予測モデルの構築にあたっては、一般的に多量のデータが必要である。仮に、少量のデータで予測モデルを構築すると、予測モデル構築に用いる学習データのばらつきによって、多量のデータを用いた場合に比べて、予測精度は悪化する。すなわち予測モデル構築に用いる学習データに対しては良く適合するが、未学習データに対しては誤差が大きくなる。

このような問題点の解決法として、複数の予測手法をシステムに組み込む方法がある。つまり、候補となる予測手法を複数組み込むことで、１つの最良な予測手法に絞り込むための検討・検証時間を削減し、コストを削減するものである。もし、予測精度の高い予測手法を適切に選ぶことができるならば、結果的に高い予測結果を得ることができる。

このような予測に係る従来技術として、例えば非特許文献１（「ニューラルネットワークを応用した電力需要予測システムの実用化、H１５年度電気学会全国大会」）がある。この従来技術では、東北地方の翌日の電力需要を３つの予測手法（全店一括予測方式、負荷種別予測方式、過去実績値）を用いて予測し、運用者がその中の１つを選択し加工したものを最終的な予測値としている。また、そのうち２つの予測手法（全店一括予測方式、負荷種別予測方式）の予測結果および誤差指標を画面系にて確認している。

また、予測に係る他の従来技術として、例えば特許文献１（特開平８−１６３７７８号公報、発明の名称「電力需要予測システム」）には、複数の予測用ニューラルネットワークを複数の不確定度推定ニューラルネットワークによりその誤差範囲を推定し、推定誤差範囲が最も小さいニューラルネットワークを予測値として選択するシステムが開示されている。

また、予測に係る他の従来技術として、例えば特許文献２（特開２００１−１４２９５号、発明の名称「データ予測方法、データ予測装置および記録媒体」）には、複数の予測手法から１つ選択する発明について開示されている。

葛根田哲也，石原徹，塚田英一，松井哲郎，飯坂達也，福山良和、"ニューラルネットワークを応用した電力需要予測システムの実用化"、平成1５年度電気学会全国大会、2003/3/17〜19、仙台、第６分冊， p.88，p.89 特開平８−１６３７７８号公報（段落番号００１３〜００４７） 特開２００１−１４２９５号公報（段落番号００２０〜００３５）

上記した非特許文献１の電力需要予測では、３つの予測手法を用意し、運用者が予測結果として信頼性が高いと思われる手法の予測値を任意に選択する方法がとられている。しかし、この方法でも、３つの予測値の中でいずれを採用すべきであるかを決める基準がなく、運用者の経験と勘に頼っているのが現状である。

また、上記した特許文献１の従来技術（電力需要予測システム）では、複数の予測モデルから１つの予測モデルを選択する方法に関する発明であるが、各予測モデルごとに誤差推定用ニューラルネットワークを構築しなければならず、システムが複雑になる欠点がある。また、ニューラルネットワークはその構造上常に最適な学習ができる保証はないという問題がある（大域的最適解に収束できず、局所最適解に収束する問題がある）。つまり、ｎ個ある予測モデルの中でｉ番目の予測モデルが最適であったとしても、ｎ個ある誤差推定用ニューラルネットワーク全ての学習が最適でない場合には、ｉ番目の予測モデルを適切に選択することはできない。ｎ個全てのニューラルネットワークを最適に学習させることは理論上不可能に近いため、最適なｉ番目の予測モデルを選択することも困難である。簡単な例をあげれば、１番目の誤差推定用ニューラルネットワークの学習が不適切で常に誤差が０であると誤った出力をするものとする。その場合は、たとえ２〜ｎ番目の誤差推定用ニューラルネットワークの学習が適切であったとしても、常に１番目の予測用モデルが選択され、ｉ番目の予測モデルが選択されることはない。

また、上記した特許文献２の従来技術（データ予測方法、データ予測装置および記録媒体）では、複数の予測手法から１つの予測手法を選択する方法であるが、予測結果はあらかじめ用意した予測手法のいずれかに限定される。つまり、ｎ個の予測モデルを用意した場合には、ｎ個の予測モデルから最良の１つを選択することができるが、選択候補がｎ個に限定されるため、高精度の予測結果を得たいときには、ｎの数を多くする必要がある。多くの予測手法を用意する場合には、それだけシステム化のコストが増加するという問題が生じる。

上記の各手法は、基本的には複数の予測結果の中から、精度が良いものを選択するという方法である。従って、それぞれの予測手法の予測精度より良い精度の結果は得られない。すなわち、複数の予測手法の精度が全て悪い場合には、やはり悪い結果しか得られないことになる。

そこで、一つの解決方法として、複数の異なった予測手法を用いて、誤差指標に基づいて複数の予測値を加重平均して予測値を加工する方法が考えられる。
複数の予測結果の加重平均を行う方法では、予測誤差に含まれるばらつきを減少させる効果がある。例えば、２つの予測結果ＡとＢがあったとして、一方の予測誤差（Ａ）がプラス側にずれており、もう一方の予測誤差（Ｂ）がマイナス側にずれているとしたら、両方の予測結果を平均することで、予測誤差を低減させることが可能となる。

この場合、事前に予測誤差を知ることはできないため、過去の予測誤差傾向を用いて平均を行うことになる。ここで、過去の予測誤差傾向と、予測時点以降の誤差傾向と、が一致していれば、平均化の効果があると考えられる。すなわち、予測誤差Ａが過去も将来もプラス側であって、予測誤差Ｂが過去も将来もマイナス側であれば、ＡとＢの平均によって、予測精度は向上すると考えられる。
しかしながら、将来の予測誤差Ａがプラス側であっても、将来の予測誤差Ｂもプラス側であれば、平均化の効果がなく、逆に精度が悪化してしまう場合も考えられる。すなわち、プラス側かマイナス側かといった過去の誤差傾向ではなく、各々の予測モデルがどのような予測傾向を示すのか、その特性をあらわす指標を用いる必要があるが、現状このような指標を算出する手法は存在していないという問題があった。
さらには上記の方法では、複数の異なる予測手法の利用が前提となっており、単一の予測手法には適用できないという問題があった。

本発明は上記課題を解決するためになされたものであり、その目的は、予測モデルの特性（複数の予測モデル間の非類似度、類似度）や予測結果の特性（複数の予測結果間の非類似度、類似度、相関）に基づいて加重平均を行うことにより、予測結果の複数の手法を組み込んだ予測システムだけでなく、単一の予測手法を適用する場合においても、各予測データを加工することで、予測精度を高めるようにした予測方法、予測装置および予測プログラムを提供することにある。

本発明の請求項１に係る予測方法は、コンピュータを用いて、未来の予測に係る予測データを算出する予測方法であって、
データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手順と、
前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手順と、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手順と、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手順と、
を有することを特徴とする。

また、本発明の請求項２に係る予測方法は、コンピュータを用いて、未来の予測に係る予測データを算出する予測方法であって、
データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手順と、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手順と、
前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手順と、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手順と、
を有することを特徴とする。

本発明の請求項３に係る予測装置は、コンピュータを用いて、未来の予測に係る予測データを算出する予測装置であって、
データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手段と、
前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段と、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段と、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段と、
を有することを特徴とする。

また、本発明の請求項４に係る予測装置は、コンピュータを用いて、未来の予測に係る予測データを算出する予測装置であって、
データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手段と、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段と、
前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段と、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段と、
を有することを特徴とする。

本発明の請求項５に係る予測プログラムは、未来の予測に係る予測データを算出する予測プログラムであって、
データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手段、
前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段、
としてコンピュータに機能させるプログラムであることを特徴とする。

また、本発明の請求項６に係る予測プログラムは、未来の予測に係る予測データを算出する予測プログラムであって、
データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手段、
前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段、
前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段、
前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段、
としてコンピュータに機能させるプログラムであることを特徴とする。

以上のような本発明によれば、予測モデルの特性（複数の予測モデル間の非類似度，類似度）や予測結果の特性（複数の予測結果間の非類似度，類似度，相関）に基づいて加重平均を行うことにより、予測結果の複数の手法を組み込んだ予測システムだけでなく、単一の予測手法を適用する場合においても、各予測データを加工して高精度の予測データとすることで、予測精度を高めるようにした予測方法、予測装置および予測プログラムを提供することができる。

以下、本発明の最良の形態の予測方法、予測装置および予測プログラムについて図を参照しつつ説明する。
まず、予測モデルの非類似度を用いる予測方法について図を参照しつつ説明する。図１は本形態の予測方法を説明するフローチャートである。

ステップＳ１０は、過去のデータを用いて、同一の予測手法による複数の予測モデル、または、異なった予測手法による複数の予測モデルを構築する手順（予測モデル構築手順）である。予測モデルとしては、単一の予測手法、または、複数の異なる予測手法のどちらでも良い。単一の予測手法を用いる場合は、予測モデル構築用に蓄積された全てのデータを用いるのではなく、一部のデータをサンプリングして予測モデルを構築し、また、異なる条件でサンプリングして別の予測モデルを構築するなどの方法を適用することができる。

ここで、予測手法の詳細については本発明の要旨ではないので詳細な説明は省略するが、代表的な予測モデルとしては、重回帰モデル、ニューラルネットワークモデル、ファジィ推論モデル、自己回帰モデル、カルマンフィルタモデル、事例ベース推論モデルなどがある。本形態では、予測モデルとしてニューラルネットワークモデルを採用した場合の予測手法について説明する。ニューラルネットワークモデルは様々な文献に記載されているため、簡単に説明するに留めるが、一般に入力層、中間層、出力層からなる３階層ニューラルネットワーク構造を有しており、さらに、入力層、中間層、出力層の各層にはシグモイド関数で表現されたニューロンによる素子が設けられ、入力層と中間層との素子間、中間層と出力層との素子間に結合を持つ。

このニューラルネットワークでは入力層における素子が入力因子に、また、出力層における素子が出力因子に、それぞれ相当する。そしてニューロン間では結合の度合いを結合係数で表しており、この結合係数は、ニューラルネットワークの素子間の結合の重みを表すための係数である。結合係数が大きければ、結合が重みを有している、つまり、必要な結合であるとされ、結合係数が小さければ、結合が重みを有していない、つまり、不要な結合であるとされる。結合係数ｗの大きさを更新することで、入出力間の非線形関係を学習することができる。

入力層素子数をｎ、中間層素子数をｍ、出力層素子数を１、入力層と中間層間の結合係数をｗ_ij、中間層と出力層間の結合係数をｗ_j、入力をｘ＝（ｘ_１、ｘ_２、ｘ_３、・・・、ｘ_ｎ）とすると、入出力関係は以下の各式のように表される。中間層素子ｊへの入力は次式のようになる。

また、中間層素子ｊの出力は次式のようになる。

また、出力層素子への入力は次式のようになる。

また、出力層素子の出力は次式のようになる。

このようなニューラルネットワークモデルでは、モデル構造や結合係数を変更することで非線形の入出力関係を処理することができるため、予測モデルとして多用されている。
このようなニューラルネットワークの予測モデル構築とは、複数の入力層素子（入力因子）に入力された入力値（時系列データ）に対し、出力層素子（出力因子）から所望の出力値が得られるように入力層と中間層、また、中間層と出力層との結合係数を変更することをいう。これにより結合係数が確定するものとする。

ステップＳ１１は、複数の予測モデルのうちの二個の予測モデルの非類似度を表す指標を、全ての組み合わせについて算出する手順（指標算出手順）である。
ニューラルネットワークの場合、前記した入力層と中間層との結合係数、及び中間層と出力層との結合係数を用いて、予測モデルと他の予測モデルの非類似度を算出する。

本形態の説明では、説明を具体的にするため、構造は同じであるが結合係数が相違するようなニューラルネットワークを３個用いるものとし、指標として非類似度を採用したものとする。ここに３個のニューラルネットワークの結合係数は次のように表される。
ニューラルネットワーク１の結合係数をｗ¹＝(w₁ ¹、w₂ ¹、w₃ ¹、・・・、w_n+m ¹)
ニューラルネットワーク２の結合係数をｗ²＝(w₁ ²、w₂ ²、w₃ ²、・・・w_n+m ²)
ニューラルネットワーク３の結合係数をｗ³＝(w₁ ³、w₂ ³、w₃ ³、・・・w_n+m ³)

まず、ニューラルネットワーク１についての指標を計算する例を示す。ニューラルネットワーク１とニューラルネットワーク２との非類似度は、次式で表される。

同様に、ニューラルネットワーク１とニューラルネットワーク３との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_1２、ｄ_1３から求められるニューラルネットワーク１の指標は、次式のように表される。

この指標ｄ₁は、ニューラルネットワーク１と、他のニューラルネットワークとの結合係数の非類似度を表したものである。ちなみに、ニューラルネットワークがｎ個の場合は、ニューラルネットワーク１の指標は、次式のように表される。

続いて、ニューラルネットワーク２についての指標を計算する例を示す。ニューラルネットワーク２とニューラルネットワーク１との非類似度は、次式で表される。

同様に、ニューラルネットワーク２とニューラルネットワーク３との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_２１、ｄ_２３から求められるニューラルネットワーク２の指標は、次式のように表される。

この指標ｄ_２は、ニューラルネットワーク２と、他のニューラルネットワークとの結合係数の非類似度を表したものである。
続いて、ニューラルネットワーク３についての指標を計算する例を示す。ニューラルネットワーク３とニューラルネットワーク１との非類似度は、次式で表される。

同様に、ニューラルネットワーク３とニューラルネットワーク２との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_３１、ｄ_３２から求められるニューラルネットワーク３の指標は、次式のように表される。

この指標ｄ_３は、ニューラルネットワーク３と、他のニューラルネットワークとの結合係数の非類似度を表したものである。
前述の非類似度による指標の算出においては、次式のように重み係数Ｒ_ｉを用いてより一般化して表すことで、特定の結合係数を重視した非類似度を考慮することも可能である。

なお、重み係数Ｒ_ｉを用いる一般化は、ｄ_１２の他にｄ_１３、ｄ_２１、ｄ_２３、ｄ_３１、ｄ_３２ なども採用するものである。
さて、予測モデルの特徴を表す指標として非類似度を取り上げ、他の予測モデルとの結合係数の二乗距離の例を記載したが、結合係数のマンハッタン距離や、結合係数の差、平均値などでも良い。

ステップＳ１２は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手順（予測実行手順）である。ここにある予測モデルｉの予測結果である予測データをそれぞれＲ_ｉ（ｉ＝１〜ｎ）とする。

ステップＳ１３は、指標に基づいて非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、非類似度が小さい予測モデルによる予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手順（予測データ加工手順）である。最終的な予測結果である最終予測データＲは、上記の指標ｄ_１、ｄ_２、ｄ_３に基づいて算出される加重比率Ｗ_ｉ（ｉ＝１〜ｎ）、および、予測データＲ_ｉ（ｉ＝１〜ｎ）を用いて次式で表される。

ここに、非類似度に基づいて算出される加重比率は次式で表される。

このようにして算出した最終予測データでは特に非類似であるとされた予測モデルからの予測データに重く加重して加重平均がなされているため、例えば、各種要因により予測傾向が異なるような場合でも予測に組み入れて予測することができる。
予測モデルの非類似度を用いる予測方法はこのようなものである。

続いて、予測モデルの非類似度に代えて、予測モデルの類似度を用いる予測方法について図を参照しつつ説明する。なお、この予測方法のフローチャートは図１と同じであり、図１を参照しつつ説明する。
ステップＳ１０は、過去のデータを用いて、同一の予測手法による複数の予測モデル、または、異なった予測手法による複数の予測モデルを構築する手順（予測モデル構築手順である。予測モデルとしては、単一の予測手法、複数の異なる予測手法のどちらでも良い。単一の予測手法を用いる場合は、予測モデル構築用に蓄積された全てのデータを用いるのではなく、一部のデータをサンプリングして予測モデルを構築し、また、異なる条件でサンプリングして別の予測モデルを構築するなどの方法を適用することができる。
本形態でも具体例としてニューラルネットワークの予測モデル化を行うものとし、複数の入力層素子（入力因子）に入力された入力値（時系列データ）に対し、出力層素子（出力因子）から所望の出力値が得られるように入力層と中間層、また、中間層と出力層との結合係数を変更することをいう。これにより結合係数が確定するものとする。

ステップＳ１１は、複数の予測モデルのうちの二個の予測モデルの類似度を表す指標を、全ての組み合わせについて算出する手順（指標算出手順）である。
ニューラルネットワークの場合、前記した入力層と中間層の結合係数、及び中間層と出力層の結合係数を用いて、予測モデルと他の予測モデルの類似度を指標とする。

本形態の説明でも、説明を具体的にするため、先の説明と同様に、構造は同じであるが結合係数が相違するようなニューラルネットワークを３個用いるものとし、類似度に基づく指標を算出するものとする。ここに３個のニューラルネットワークの結合係数は次のように表される。
ニューラルネットワーク１の結合係数をｗ¹＝(w₁ ¹、w₂ ¹、w₃ ¹、・・・、w_n+m ¹)
ニューラルネットワーク２の結合係数をｗ²＝(w₁ ²、w₂ ²、w₃ ²、・・・w_n+m ²)
ニューラルネットワーク３の結合係数をｗ³＝(w₁ ³、w₂ ³、w₃ ³、・・・w_n+m ³)

まず、ニューラルネットワーク１についての指標を計算する例を示す。ニューラルネットワーク１とニューラルネットワーク２との類似度は、次式で表される。

同様に、ニューラルネットワーク１とニューラルネットワーク３との類似度は、次式で表される。

このようにして算出された類似度ｓ_1２、ｓ_1３から求められるニューラルネットワーク１の指標は、次式のように表される。

この指標ｓ₁は、ニューラルネットワーク１と、他のニューラルネットワークとの結合係数の類似度を表したものである。なお、ニューラルネットワークがｎ個の場合は、ニューラルネットワーク１の指標は、次式のように表される。

同様に、ニューラルネットワーク２についての指標を計算する例を示す。ニューラルネットワーク２とニューラルネットワーク１との類似度は、次式で表される。

同様に、ニューラルネットワーク２とニューラルネットワーク３との類似度は、次式で表される。

このようにして算出された類似度ｓ_２１、ｓ_２３から求められるニューラルネットワーク２の指標は、次式のように表される。

この指標ｓ_２は、ニューラルネットワーク２と、他のニューラルネットワークとの結合係数の類似度を表したものである。
同様に、ニューラルネットワーク３についての指標を計算する例を示す。ニューラルネットワーク３とニューラルネットワーク１との類似度は、次式で表される。

同様に、ニューラルネットワーク３とニューラルネットワーク２との類似度は、次式で表される。

このようにして算出された類似度ｓ_３１、ｓ_３２から求められるニューラルネットワーク３の指標は、次式のように表される。

この指標ｓ_３は、ニューラルネットワーク３と、他のニューラルネットワークとの結合係数の類似度を表したものである。
前述の類似度指標の算出においては、次式のように重み係数Ｒ_ｉを用いて、より一般化して表すことで、特定の結合係数を重視した類似度を考慮することも可能である。

なお、重み係数Ｒ_ｉを用いる一般化は、ｓ_１２の他に、ｓ_１３、ｓ_２１、ｓ_２３、ｓ_３１、ｓ_３２ なども採用するものである。
さて、予測モデルの特徴を表す指標として類似度を取り上げ、他の予測モデルとの結合係数の二乗距離の例を記載したが、結合係数のマンハッタン距離や、結合係数の差、平均値などでも良い。また、類似度の場合は、予測モデルのパラメータ間の相関係数を用いるようにしてもよい。

ステップＳ１２は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手順（予測実行手順）である。ここにある予測モデルｉの予測結果である予測データをそれぞれＲ_ｉ（ｉ＝１〜ｎ）とする。

ステップＳ１３は、指標に基づいて類似度が小さい予測データの加重比率を大きく、また、類似度が大きい予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手順（予測データ加工手順）である。最終的な予測結果である最終予測データＲは、上記の指標ｓ_１、ｓ_２、ｓ_３に基づいて算出される加重比率Ｗ_ｉ（ｉ＝１〜ｎ）、および、予測データＲ_ｉ（ｉ＝１〜ｎ）を用いて次式で表される。

ここに、類似度に基づいて算出される加重比率は次式で表される。

このようにして算出した最終予測データでは特に類似でないとされた予測モデルからの予測データに重く加重して加重平均がなされているため、例えば、各種要因により予測傾向が異なるような場合でも予測に組み入れて予測することができる。
予測モデルの類似度を用いる予測方法はこのようなものである。

続いて、このような予測を行う予測装置について図を参照しつつ説明する。図２は、本形態の予測装置である。予測装置は、データ入力手段１０と、予測モデル構築手段２０と、データ出力手段３０と、データ保存手段４０と、中央処理部５０とを備えている。中央処理部５０はさらに指標算出手段６０と、予測実行手段７０と、予測データ加工手段８０と、を備えている。

データ入力手段１０は、キーボード、または、ＬＡＮ・インターネットなどの通信装置で構成され、予測に必要な実績データ、カレンダデータ、パラメータを入力するための手段である。
予測モデル構築手段２０は、例えばニューラルネットワークモデルに学習させて予測モデルを構築する手段である。この手段は、例えば、他のコンピュータまたは中央処理部５０が、予め予測モデル構築手段２０と機能して、データ保存手段４０に構築後の予測モデルを表すデータ（定数や数式）を登録するものである。例えば、ニューラルネットワークモデルなら上記数式や入力層素子数、中間層素子数、出力層素子およびこれら入力層−中間層素子間や中間層−出力層素子間の重み係数、素子の入出力関係を表す関数等が登録される。

データ出力手段３０は、ディスプレイ、伝送装置、プリンタにより構成されており、最終的な予測結果である最終予測データや、各予測手法の予測結果の表示や伝送、また予測途中で算出された各種計算結果を表示したり、または、伝送する手段である。
データ保存手段４０は、ハードディスク、光磁気ディスク、フロッピー（登録商標）ディスク、メモリで構成され、入力された実績データ、カレンダデータ、パラメータ、予測モデルを保存する手段である。また予測途中で算出された各種計算結果を保存する。

中央処理部５０は、上述したような指標算出手順、予測実行手順、予測データ加工手順を含む予測プログラムを搭載しており、データ保存手段４０から実績データ、カレンダデータ、パラメータを読み出し、指標算出手段６０と、予測実行手段７０と、予測データ加工手段８０として機能して演算処理し、最終予測データをデータ保存手段４０に書き込む手段である。

指標算出手段６０は、複数の予測モデルのうちの二個の予測モデルの非類似度または類似度を表す指標を、全ての組み合わせについて算出する手段である。
予測実行手段７０は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手段である。ここにある予測モデルｉの予測結果である予測データをそれぞれＲ_ｉ（ｉ＝１〜ｎ）とする。ここで、各予測手段１〜ｎの代表的な予測手法としては、重回帰式、ニューラルネットワーク、ファジィ推論、自己回帰モデルなどがある。

予測データ加工手段８０とは、指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手段である。最終予測データは、上記数１６，数２９のようになる。

このような予測装置の動作について説明する。予測装置では、予めデータ入力手段１０を通じて予測に必要な実績データ・カレンダデータ・パラメータをデータ保存手段４０に登録しておく。また、モデル構築手段２０から定数や数式という予測モデルを表すデータをデータ保存手段４０に登録しておく。そして予測装置が予測する場合、まず、中央処理部５０が実績データ・カレンダデータ・パラメータ等予測に必要なデータおよび予測モデルを表すデータを読み出して図示しない記憶部に一時的に記憶させる読み出し手段として機能する。続いて、中央処理部５０が上記のように複数の予測モデルから、ある予測モデルと、他の予測モデルとの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段６０として機能する。続いて中央処理部５０がｎ種類の予測データを算出する予測実行手段７０として機能する。続いて、中央処理部５０は、指標に基づいてｎ種類の予測データの加重平均を算出し、最終予測データとして算出する予測データ加工手段８０として機能する。続いて、中央処理部５０は、算出した予測データをデータ保存手段４０に書き込む書き込み手段として機能する。最終的に中央処理部５０は、データ保存手段４０から予測データをデータ出力手段３０を介して出力させる出力手段として機能する。

本形態の予測装置はこのようにして予測することとなる。なお、本発明は上記に示す装置構成に限定されるものではなく、例えば、データ入力手段１０と、予測モデル構築手段２０と、データ出力手段３０と、データ保存手段４０と、中央処理部５０と、を含む一台のコンピュータとしても良い。中央処理部５０が指標算出手段６０と、予測実行手段７０と、予測データ加工手段８０として機能すれば、一台のコンピュータにより予測を行わせることができる。

また、予測プログラムは、予測装置の中央処理部５０を、予測モデル構築手段２０と、指標算出手段６０と、予測実行手段７０と、予測データ加工手段８０として機能させるプログラムであり、中央処理部５０に接続される記憶部（図示せず）に記憶されている。このような予測プログラムが記録された記録媒体（例えば、ＣＤ−ＲＯＭ、ＭＯ、ＦＤ、ＨＤというような磁気、光、光磁気により記録再生される媒体）を用いて予測装置に予測プログラムをインストールしてもよく、また、インターネット等のネットワーク・ＬＡＮ（図示せず）を介して予測装置の記憶部（図示せず）に予測プログラムをインストールするようにしても良い。

さて、このように予測モデルの非類似度・類似度を用いる予測方法は、利用する複数の予測モデルの構造が同じ場合に適用できる手法であったが、構造が異なる複数の予測モデルを利用する場合は、以下に示す予測データの非類似度・類似度を用いて予測することができる。

続いて、予測モデルの非類似度・類似度に代えて、予測データの非類似度を用いる予測方法について図を参照しつつ説明する。図３は他の形態の予測方法を説明するフローチャートである。
ステップＳ２０は、過去のデータを用いて、同一の予測手法による複数の予測モデル、または、異なった予測手法による複数の予測モデルを構築する手順（予測モデル構築手順）である。予測モデルとしては、単一の予測手法、複数の異なる予測手法のどちらでも良い。単一の予測手法を用いる場合は、予測モデル構築用に蓄積された全てのデータを用いるのではなく、一部のデータをサンプリングして予測モデルを構築し、また、異なる条件でサンプリングして別の予測モデルを構築するなどの方法を適用することができる。
本形態でも具体例としてニューラルネットワークの予測モデル化を行うものとし、複数の入力層素子（入力因子）に入力された入力値（時系列データ）に対し、出力層素子（出力因子）から所望の出力値が得られるように入力層と中間層、また、中間層と出力層との結合係数を変更することをいう。これにより結合係数が確定するものとする。

ステップＳ２１は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手順（予測実行手順）である。過去の各予測モデルによる予測結果が、どの程度類似しているかを表す指標を算出する。予測期間をt＝１〜Tとすると、ここに３個のニューラルネットワークからの予測データは次のように表される。なお、この予測期間（t＝１〜T）は任意に選定可能である。
ニューラルネットワーク１からの予測データをｒ¹＝(ｒ₁ ¹、ｒ₂ ¹、ｒ₃ ¹、・・・、ｒ_Ｔ ¹)
ニューラルネットワーク２からの予測データをｒ²＝(ｒ₁ ²、ｒ₂ ²、ｒ₃ ²、・・・ｒ_Ｔ ²)
ニューラルネットワーク３からの予測データをｒ³＝(ｒ₁ ³、ｒ₂ ³、ｒ₃ ³、・・・ｒ_Ｔ ³)

ステップＳ２２は、複数の予測データのうちの二個の予測データの非類似度を表す指標を、全ての組み合わせについて算出する手順（指標算出手順）である。
まず、ニューラルネットワーク１の予測データについての指標を計算する例を示す。ニューラルネットワーク１とニューラルネットワーク２との予測データの非類似度は、次式で表される。

同様に、ニューラルネットワーク１とニューラルネットワーク３との予測データの非類似度は、次式で表される。

このようにして算出された非類似度ｄ_1２、ｄ_1３から求められるニューラルネットワーク１の指標は、次式のように表される。

この指標ｄ₁は、ニューラルネットワーク１と、他のニューラルネットワークとの出力の非類似度を表したものである。ちなみに、ニューラルネットワークがｎ個の場合は、ニューラルネットワーク１の指標は、次式のように表される。

同様に、ニューラルネットワーク２についての指標を計算する例について示す。ニューラルネットワーク２とニューラルネットワーク１との予測データの非類似度は、次式で表される。

同様に、ニューラルネットワーク２とニューラルネットワーク３との予測データとの非類似度は、次式で表される。

このようにして算出された非類似度ｄ_２１、ｄ_２３から求められるニューラルネットワーク２の指標は、次式のように表される。

この指標ｄ_２は、ニューラルネットワーク２と、他のニューラルネットワークとの出力の非類似度を表したものである。
続いて、ニューラルネットワーク３についての指標を計算する例について示す。ニューラルネットワーク３とニューラルネットワーク１との予測データの非類似度は、次式で表される。

同様に、ニューラルネットワーク３とニューラルネットワーク２との予測データの非類似度は次式で表される。

このようにして算出された非類似度ｄ_３１、ｄ_３２から求められるニューラルネットワーク３の指標は、次式のように表される。

この指標ｄ_３は、ニューラルネットワーク３と、他のニューラルネットワークとの出力の非類似度を表したものである。
前述の非類似度指標の算出においては、次式のように重み係数Ｒ_ｉを用いて、より一般化して表すことで、特定の結合係数を重視した非類似度を考慮することが可能である。

なお、重み係数Ｒ_ｉを用いる一般化は、ｄ_１２の他に、ｄ_１３、ｄ_２１、ｄ_２３、ｄ_３１、ｄ_３２ なども採用するものである。
さて、予測データの特徴を表す指標として非類似度を取り上げ、他の予測データとの結合係数の二乗距離の例を記載したが、結合係数のマンハッタン距離や、結合係数の差、平均値などでも良い。

ステップＳ２３は、指標に基づいて非類似度が大きい予測データの加重比率を大きく、また、非類似度が小さい予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手順（予測データ加工手順）である。
先のステップＳ２１の予測実行手順で算出した予測データ、上記の指標ｄ_１、ｄ_２、ｄ_３に基づいて算出される加重比率Ｗ_ｉ（ｉ＝１〜ｎ）、および、予測データＲ_ｉ（ｉ＝１〜ｎ）を用いて、最終的な予測結果である最終予測データＲ（予測期間がＴより長い期間経過後の予測結果）は、次式で表される。

ここに、非類似度に基づいて算出される加重比率は次式で表される。

このようにして算出した最終予測データでは特に非類似であるとされた予測データに重く加重して加重平均がなされているため、例えば、各種要因により予測傾向が異なるような場合でも予測に組み入れて予測することができる。
予測データの非類似度を用いる予測方法はこのようなものである。

続いて、予測データの類似度を用いる予測方法について図２の他の形態の予測方法を説明するフローチャートを参照しつつ説明する。
ステップＳ２０は、過去のデータを用いて、同一の予測手法による複数の予測モデル、または、異なった予測手法による複数の予測モデルを構築する手順（予測モデル構築手順）である。予測モデルとしては、単一の予測手法、複数の異なる予測手法のどちらでも良い。単一の予測手法を用いる場合は、予測モデル構築用に蓄積された全てのデータを用いるのではなく、一部のデータをサンプリングして予測モデルを構築し、また、異なる条件でサンプリングして別の予測モデルを構築するなどの方法を適用することができる。
本形態でも具体例としてニューラルネットワークの予測モデル化を行うものとし、複数の入力層素子（入力因子）に入力された入力値（時系列データ）に対し、出力層素子（出力因子）から所望の出力値が得られるように入力層と中間層、また、中間層と出力層との結合係数を変更することをいう。これにより結合係数が確定するものとする。

ステップＳ２１は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手順（予測実行手順）である。過去の各予測モデルによる予測結果が、どの程度類似しているかを表す指標を算出する。予測期間をt＝１〜Tとするとここに３個のニューラルネットワークからの予測データは次のように表される。
ニューラルネットワーク１からの予測データをｒ¹＝(ｒ₁ ¹、ｒ₂ ¹、ｒ₃ ¹、・・・、ｒ_Ｔ ¹)
ニューラルネットワーク２からの予測データをｒ²＝(ｒ₁ ²、ｒ₂ ²、ｒ₃ ²、・・・ｒ_Ｔ ²)
ニューラルネットワーク３からの予測データをｒ³＝(ｒ₁ ³、ｒ₂ ³、ｒ₃ ³、・・・ｒ_Ｔ ³)

ステップＳ２２は、複数の予測データのうちの二個の予測データの類似度を表す指標を、全ての組み合わせについて算出する手順（指標算出手順）である。
まず、ニューラルネットワーク１の予測データについての指標を計算する例を示す。ニューラルネットワーク１とニューラルネットワーク２との予測データの類似度は、次式で表される。

同様に、ニューラルネットワーク１とニューラルネットワーク３との予測データの類似度は、次式で表される。

このようにして算出された類似度ｓ_1２、ｓ_1３から求められるニューラルネットワーク１の指標は、次式のように表される。

この指標ｓ₁は、ニューラルネットワーク１と、他のニューラルネットワークとの出力の類似度を表したものである。ちなみに、ニューラルネットワークがｎ個の場合は、ニューラルネットワーク１の指標は、次式のように表される。

同様に、ニューラルネットワーク２についての指標を計算する例を示す。ニューラルネットワーク２とニューラルネットワーク１との予測データの類似度は、次式で表される。

同様に、ニューラルネットワーク２とニューラルネットワーク３との予測データの類似度は、次式で表される。

このようにして算出された類似度ｓ_２１、ｓ_２３から求められるニューラルネットワーク２の指標は、次式のように表される。

この指標ｓ_２は、ニューラルネットワーク２と、他のニューラルネットワークとの出力の類似度を表したものである。
続いて、ニューラルネットワーク３についての指標を計算する例を示す。ニューラルネットワーク３とニューラルネットワーク１との予測データの類似度は、次式で表される。

同様に、ニューラルネットワーク３とニューラルネットワーク２との予測データの類似度は、次式で表される。

このようにして算出された類似度ｓ_３１、ｓ_３２から求められるニューラルネットワーク３の指標は、次式のように表される。

この指標ｓ_３は、ニューラルネットワーク３と、他のニューラルネットワークとの出力の類似度を表したものである。
前述の類似度指標の算出においては、次式のような重み係数Ｒ_ｉを用いて、より一般化して表すことで、特定の結合係数を重視した類似度を考慮することが可能である。

なお、重み係数Ｒ_ｉを用いる一般化は、ｓ_１２の他に、ｓ_１３、ｓ_２１、ｓ_２３、ｓ_３１、ｓ_３２ なども採用するものである。
さて、予測モデルの特徴を表す指標として類似度を取り上げ、他の予測モデルとの結合係数の二乗距離の例を記載したが、結合係数のマンハッタン距離や、結合係数の差、平均値などでも良い。また、類似度の場合は、予測モデルのパラメータ間の相関係数を用いるようにしてもよい。

ステップＳ２３は、指標に基づいて類似度が小さい予測データの加重比率を大きく、また、類似度が大きい予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手順（予測データ加工手順）である。
先のステップＳ２１の予測実行手順で算出した予測データ、上記の指標ｓ_１、ｓ_２、ｓ_３に基づいて算出される加重比率Ｗ_ｉ（ｉ＝１〜ｎ）、および、予測データＲ_ｉ（ｉ＝１〜ｎ）を用いて、最終的な予測結果である最終予測データＲ（予測期間がＴより長い期間経過後の予測結果）は次式で表される。

ここに、類似度に基づいて算出される加重比率は次式で表される。

このようにして算出した最終予測データでは特に類似していないとされた予測データに重く加重して加重平均がなされているため、例えば、各種要因により予測傾向が異なるような場合でも予測に組み入れて予測することができる。
予測データの類似度を用いる予測方法はこのようなものである。

続いて、予測装置について図を参照しつつ説明する。図４は、他の形態の予測装置である。予測装置は、データ入力手段１０と、予測モデル構築手段２０と、データ出力手段３０と、データ保存手段４０と、中央処理部１００とを備えている。中央処理部１００はさらに予測実行手段１１０と、指標算出手段１２０と、予測データ加工手段１３０と、を備えている。

本形態の予測装置ではデータ入力手段１０、予測モデル構築手段２０、データ出力手段３０、データ保存手段４０は先に説明した予測装置と同様の構成を採用しているため、重複する説明を省略するものとし、相違する中央処理部１００について説明する。中央処理部１００は、上述したような予測実行手順、指標算出手順、予測データ加工手順を含む予測プログラムを搭載しており、データ保存手段４０から実績データ、カレンダデータ、パラメータを読み出し、予測実行手段１１０と、指標算出手段１２０と、予測データ加工手段１３０として機能して演算処理し、最終予測データをデータ保存手段４０に書き込む手段である。

予測実行手段１１０は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手段である。ここにある予測モデルｉの予測結果である予測データをそれぞれＲ_ｉ（ｉ＝１〜ｎ）とする。ここで、各予測手段１〜ｎの代表的な予測手法としては、重回帰式、ニューラルネットワーク、ファジィ推論、自己回帰モデルなどがある。

指標算出手段１２０は、複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する手段である。
予測データ加工手段１３０とは、指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手段である。最終予測データは、上記数４２，数５５のようになる。

このような予測装置の動作について説明する。予測装置では、予めデータ入力手段１０を通じて予測に必要な実績データ・カレンダデータ・パラメータをデータ保存手段４０に登録しておく。また、モデル構築手段２０から定数や数式という予測モデルを表すデータをデータ保存手段４０に登録しておく。そして予測装置が予測する場合、まず、中央処理部１００が実績データ・カレンダデータ・パラメータ等予測に必要なデータおよび予測モデルを表すデータを読み出して図示しない記憶部に一時的に記憶させる読み出し手段として機能する。続いて、中央処理部１００が上記のように複数の予測モデル全てを用いて予測を行ってｎ種類の予測データを算出する予測実行手段１１０として機能する。続いて中央処理部１００が数の予測データのうちの二個の予測データを用いて類似度または非類似度に基づく指標を、全ての組み合わせについて算出する指標算出手段１２０として機能する。続いて、中央処理部１００は、指標に基づいてｎ種類の予測データの加重平均を算出し、最終予測データとして算出する予測データ加工手段１３０として機能する。続いて、中央処理部１００は、算出した予測データをデータ保存手段４０に書き込む書き込み手段として機能する。最終的に中央処理部１００は、データ保存手段４０から予測データをデータ出力手段３０を介して出力させる出力手段として機能する。

本形態の予測装置はこのようにして予測することとなる。なお、本発明は上記に示す装置構成に限定されるものではなく、例えば、データ入力手段１０と、予測モデル構築手段２０と、データ出力手段３０と、データ保存手段４０と、中央処理部１００と、を含む一台のコンピュータとしても良い。中央処理部１００が、指標算出手段１１０と、予測実行手段１２０と、予測データ加工手段１３０として機能すれば、一台のコンピュータにより予測を行わせることができる。

また、予測プログラムは、予測装置の中央処理部１００を、予測モデル構築手段２０、指標算出手段１１０と、予測実行手段１２０と、予測データ加工手段１３０として機能させるプログラムであって、中央処理部１００に接続される記憶部（図示せず）に記憶されている。このような予測プログラムが記録された記録媒体（例えば、ＣＤ−ＲＯＭ、ＭＯ、ＦＤ、ＨＤというような磁気、光、光磁気により記録再生される媒体）を用いて予測装置に予測プログラムをインストールしてもよく、また、インターネット等のネットワーク・ＬＡＮ（図示せず）を介して予測装置の記憶部（図示せず）に予測プログラムをインストールするようにしても良い。

以上これら予測モデルの類似・非類似、または予測データの類似・非類似を用いて、加重平均を行うようにしたため、各予測データを加工して高精度の予測データとすることで、予測精度を高めるようにすることができる。

続いて本発明の実施例１について図を参照しつつ説明する。本実施例１では予測モデルの非類似度を用いて加重平均を行う例である。図５は予測モデルの具体例を説明する説明図である。
この実施例１では、予測モデルであるニューラルネットワークの結合係数から非類似度による指標を算出し、加重平均を求めるものであり、図１も参照して説明する。

図１のステップＳ１０は、過去のデータを用いて、同一の予測手法であるニューラルネットワークによる複数の予測モデルを構築する手順（予測モデル構築手順）である。図５（ａ），（ｂ），（ｃ）で示すように、ニューラルネットワーク予測モデルを３個用いるものとする。図５（ａ）で示すニューラルネットワーク１、図５（ｂ）で示すニューラルネットワーク２、図５（ｃ）で示すニューラルネットワーク３の結合係数はそれぞれ以下のようになる。
ニューラルネットワーク１の結合係数ｗ¹＝(1、2、3、4、5、6)、
ニューラルネットワーク２の結合係数ｗ²＝(1、2、3、4、5、1)、
ニューラルネットワーク３の結合係数ｗ³＝(1.2、2、3、4、5、6)

ステップＳ１１は、複数の予測モデルのうちの二個の予測モデルの非類似度を表す指標を、全ての組み合わせについて算出する手順（指標算出手順）である。
ニューラルネットワークの場合、前記した入力層と中間層の結合係数、及び中間層と出力層の結合係数を用いて、予測モデルと他の予測モデルの非類似度を表す指標とする。

まず、ニューラルネットワーク１についての指標を計算する例を示す。ニューラルネットワーク１とニューラルネットワーク２との非類似度は、次式で表される。

同様に、ニューラルネットワーク１とニューラルネットワーク３との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_1２、ｄ_1３から求められるニューラルネットワーク１の指標は、次式のように表される。

続いて、ニューラルネットワーク２についての指標を計算する例を示す。ニューラルネットワーク２とニューラルネットワーク１との非類似度は、次式で表される。

同様に、ニューラルネットワーク２とニューラルネットワーク３との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_２１、ｄ_２３から求められるニューラルネットワーク２の指標は、次式のように表される。

この指標ｄ_２は、ニューラルネットワーク２と、他のニューラルネットワークとの結合係数の非類似度を表したものである。
続いて、ニューラルネットワーク３についての指標を計算する例を示す。ニューラルネットワーク３とニューラルネットワーク１との非類似度は、次式で表される。

同様に、ニューラルネットワーク３とニューラルネットワーク２との非類似度は、次式で表される。

このようにして算出された非類似度ｄ_３１、ｄ_３２から求められるニューラルネットワーク３の指標は、次式のように表される。

ステップＳ１２は、複数の予測モデル全てを用いて予測を行って複数の予測データを算出する手順（予測実行手順）である。ここにある予測モデルｉの予測結果である予測データをそれぞれＲ_i（R1＝１０、R2＝５、R3＝１１）になったものとする。

ステップＳ１３は、指標に基づいて非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、非類似度が小さい予測モデルによる予測データの加重比率を小さくし、このような加重比率により加重平均して最終予測データを算出する手順（予測データ加工手順）である。最終的な予測結果を表す最終予測データＲは、上記の指標ｄ_１、ｄ_２、ｄ_３に基づいて算出される加重比率Ｗ_ｉ（ｉ＝１〜ｎ）、および、予測データＲ_ｉ（ｉ＝１〜ｎ）を用いて次式で表される。

ここに、非類似度に基づいて算出される加重比率は次式で表される。

ニューラルネットワーク１についての加重比率は次式のようになる。

ニューラルネットワーク２についての加重比率は次式のようになる。

ニューラルネットワーク３についての加重比率は次式のようになる。

各予測結果は上記のようにＲ_i（R1＝１０、R2＝５、R3＝１１）であり、最終的な予測結果Ｒは以下に示すようになる。

このようにして算出した最終予測データＲでは特に非類似であるとされた予測モデルからの予測データに重く加重して加重平均がなされているため、例えば、各種要因により予測傾向が異なるような場合でも予測に組み入れて予測することができる。本実施例１では、ニューラルネットワーク２は、他の２つのモデルと特性が大きく異なっているため、大きい加重比率になっていることが分かる。

以上本発明の最良形態・実施例について説明した。本発明を用いることにより、予測システムの構築時間を短縮しコスト削減を実現することができる。また高い予測精度の予測値を得ることが可能である。従来は、１つの予測対象に１つの予測手法を実装するのが普通であった。少しでも精度の高い予測手法を実装するため、非常に長いデータ分析や複数の予測手法から１つの予測手法を絞り込むための検証、もしくは新しい予測手法を開発するための長い開発期間が必要であり、これらがシステム開発時のコスト増加の原因になっている。これを解決する従来手法として、１つの予測手法に限定せず複数の予測手法を実装する方法がある。この方法は、データ分析期間や、手法選定期間を短縮することが可能であり、開発期間短縮によりコスト削減が可能である。しかしながら、この方法でも複数の予測値からいずれの予測値を採用すればよいか選択する基準がない。本発明では、複数の予測値を選択・加工することにより１つの予測値を得ることができるため、開発期間の短縮によるコストダウン、予測精度の高精度化が同時に実現可能である。
本発明では、予測モデルの特性の非類似度（類似度）という指標、また、予測データの誤差の全体的な傾向の非類似度（類似度）を指標とすることによって、至近の予測誤差傾向が予測時点以降の傾向と異なる場合でも精度良い加重平均を可能とする方法である。

本発明を実施するための最良の形態の予測方法を説明するフローチャートである。 本発明を実施するための最良の形態の予測装置の構成図である。 他の形態の予測方法を説明するフローチャートである。 他の形態の予測装置の構成図である。 予測モデルの具体例を説明する説明図である。

符号の説明

１０：データ入力手段
２０：予測モデル構築手段
３０：データ出力手段
４０：データ保存手段
５０：中央処理部
６０：指標算出手段
７０：予測実行手段
８０：予測データ加工手段
１００：中央処理部
１１０：予測実行手段
１２０：指標算出手段
１３０：予測データ加工手段

Claims (6)

1. コンピュータを用いて、未来の予測に係る予測データを算出する予測方法であって、
   データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手順と、
   前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手順と、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手順と、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手順と、
   を有することを特徴とする予測方法。
2. コンピュータを用いて、未来の予測に係る予測データを算出する予測方法であって、
   データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手順と、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手順と、
   前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手順と、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手順と、
   を有することを特徴とする予測方法。
3. コンピュータを用いて、未来の予測に係る予測データを算出する予測装置であって、
   データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手段と、
   前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段と、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段と、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段と、
   を有することを特徴とする予測装置。
4. コンピュータを用いて、未来の予測に係る予測データを算出する予測装置であって、
   データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手段と、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段と、
   前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段と、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段と、
   を有することを特徴とする予測装置。
5. 未来の予測に係る予測データを算出する予測プログラムであって、
   データ保存手段に予め記憶されたモデルへの入力に対する出力を変更する複数の係数を備えた一つのモデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、同一の予測手法により前記係数が異なる複数の予測モデルを構築し、前記データ保存手段に記憶させる予測モデル構築手段、
   前記中央処理部にて、前記複数の予測モデルのうちの二個の予測モデルの前記係数の類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測モデルによる予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測モデルによる予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段、
   としてコンピュータに機能させるプログラムであることを特徴とする予測プログラム。
6. 未来の予測に係る予測データを算出する予測プログラムであって、
   データ保存手段に予め記憶された予測方法に対応して構造が異なる複数の予測モデルまたは構造が同一の予測モデルから、前記データ保存手段に記憶された過去のデータを用い、中央処理部にて、前記予測モデルに適した予測手法により複数の予測モデルを構築する予測モデル構築手段、
   前記中央処理部にて、前記データ保存手段に予め保存されている実績データ、カレンダデータ、パラメータを読み出すと共にこれらのデータを前記複数の予測モデル全てに入力して予測を行って複数の予測データを算出する予測実行手段、
   前記中央処理部にて、前記複数の予測データのうちの二個の予測データの類似度または非類似度を表す指標を、全ての組み合わせについて算出する指標算出手段、
   前記中央処理部にて、前記指標に基づいて類似度が小さいまたは非類似度が大きい予測データの加重比率を大きく、また、類似度が大きいまたは非類似度が小さい予測データの加重比率を小さくし、該加重比率により加重平均して最終予測データを算出する予測データ加工手段、
   としてコンピュータに機能させるプログラムであることを特徴とする予測プログラム。

Images