JP4661250B2 - 予測方法、予測装置および予測プログラム - Google Patents
予測方法、予測装置および予測プログラム Download PDFInfo
- Publication number
- JP4661250B2 JP4661250B2 JP2005032720A JP2005032720A JP4661250B2 JP 4661250 B2 JP4661250 B2 JP 4661250B2 JP 2005032720 A JP2005032720 A JP 2005032720A JP 2005032720 A JP2005032720 A JP 2005032720A JP 4661250 B2 JP4661250 B2 JP 4661250B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- processing unit
- dissimilarity
- central processing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 199
- 238000012545 processing Methods 0.000 claims description 114
- 238000013500 data storage Methods 0.000 claims description 62
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012935 Averaging Methods 0.000 claims description 12
- 230000007423 decrease Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 180
- 230000008878 coupling Effects 0.000 description 66
- 238000010168 coupling process Methods 0.000 description 66
- 238000005859 coupling reaction Methods 0.000 description 66
- 238000010276 construction Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 21
- 238000003062 neural network model Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、・・・、wn+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、・・・wn+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、・・・wn+m 3)
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。
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Ri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。
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。
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。
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。
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。
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、・・・、wn+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、・・・wn+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、・・・wn+m 3)
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。
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Ri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。
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。
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。
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。
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Ri(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。
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。
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、・・・、rT 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、・・・rT 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、・・・rT 3)
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。
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。
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Ri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。
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。
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d1、d2、d3に基づいて算出される加重比率Wi(i=1〜n)、および、予測データRi(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。
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。
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。
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、・・・、rT 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、・・・rT 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、・・・rT 3)
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。
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。
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Ri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。
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。
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s1、s2、s3に基づいて算出される加重比率Wi(i=1〜n)、および、予測データRi(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。
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。
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。
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)
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005032720A JP4661250B2 (ja) | 2005-02-09 | 2005-02-09 | 予測方法、予測装置および予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005032720A JP4661250B2 (ja) | 2005-02-09 | 2005-02-09 | 予測方法、予測装置および予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006221310A JP2006221310A (ja) | 2006-08-24 |
JP4661250B2 true JP4661250B2 (ja) | 2011-03-30 |
Family
ID=36983621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005032720A Active JP4661250B2 (ja) | 2005-02-09 | 2005-02-09 | 予測方法、予測装置および予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4661250B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7220881B1 (ja) | 2022-08-29 | 2023-02-13 | 株式会社アグリスマート | 灌水制御システム |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5242988B2 (ja) * | 2007-10-23 | 2013-07-24 | 株式会社エヌ・ティ・ティ・データ | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム |
JP5233423B2 (ja) * | 2008-06-06 | 2013-07-10 | 富士電機株式会社 | 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム |
JP5658671B2 (ja) * | 2008-10-02 | 2015-01-28 | コーニンクレッカ フィリップス エヌ ヴェ | 臨床データから得られるシグネチャに対する信頼度を決める方法、及びあるシグネチャを他のシグネチャより優遇するための信頼度の使用 |
EP2490126B1 (en) | 2009-10-15 | 2020-08-26 | Nec Corporation | System operation management device, system operation management method, and program storage medium |
JP5551806B2 (ja) * | 2013-04-04 | 2014-07-16 | 株式会社エヌ・ティ・ティ・データ | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム |
KR102274069B1 (ko) * | 2014-10-30 | 2021-07-06 | 삼성에스디에스 주식회사 | 예측 모델 생성 장치 및 방법 |
CN105225018A (zh) * | 2015-11-04 | 2016-01-06 | 上海斐讯数据通信技术有限公司 | 基于bp神经网络的手机流量的预测方法及预测装置 |
JP6860586B2 (ja) * | 2016-03-31 | 2021-04-14 | エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー | 物体の動作を予測する方法 |
JP6797780B2 (ja) | 2017-11-07 | 2020-12-09 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
EP3611588A1 (de) * | 2018-08-14 | 2020-02-19 | Siemens Aktiengesellschaft | Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine |
JP7330783B2 (ja) * | 2019-07-03 | 2023-08-22 | ロジスティード株式会社 | 情報処理システムおよび情報処理方法 |
CN110458606A (zh) * | 2019-07-19 | 2019-11-15 | 西北工业大学 | 基于深度学习的非标刀具价格预测方法 |
WO2021026481A1 (en) * | 2019-08-07 | 2021-02-11 | Intel Corporation | Methods, systems, articles of manufacture and apparatus to improve job scheduling efficiency |
CN114450706A (zh) | 2020-03-24 | 2022-05-06 | 株式会社Lg新能源 | 使用电动车辆充电站的电池性能管理系统和方法 |
US20220270115A1 (en) * | 2020-12-16 | 2022-08-25 | Hitachi, Ltd. | Target selection system, target selection method and non-transitory computer-readable recording medium for storing target selection program |
CN112651560B (zh) * | 2020-12-28 | 2023-04-25 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
WO2023238342A1 (ja) * | 2022-06-09 | 2023-12-14 | 日本電信電話株式会社 | 測定装置、通信システム、測定方法、及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06131323A (ja) * | 1992-09-01 | 1994-05-13 | Yamatake Honeywell Co Ltd | 状態予測装置 |
JPH0816209A (ja) * | 1994-07-05 | 1996-01-19 | Matsushita Electric Ind Co Ltd | 予測制御方法及びその装置 |
JP2000250885A (ja) * | 1999-02-25 | 2000-09-14 | Nec Corp | 集合型予測装置 |
JP2001142868A (ja) * | 1999-11-12 | 2001-05-25 | Fuji Electric Co Ltd | ニューラルネットワークの出力値の評価装置、評価方法及び記憶媒体 |
-
2005
- 2005-02-09 JP JP2005032720A patent/JP4661250B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06131323A (ja) * | 1992-09-01 | 1994-05-13 | Yamatake Honeywell Co Ltd | 状態予測装置 |
JPH0816209A (ja) * | 1994-07-05 | 1996-01-19 | Matsushita Electric Ind Co Ltd | 予測制御方法及びその装置 |
JP2000250885A (ja) * | 1999-02-25 | 2000-09-14 | Nec Corp | 集合型予測装置 |
JP2001142868A (ja) * | 1999-11-12 | 2001-05-25 | Fuji Electric Co Ltd | ニューラルネットワークの出力値の評価装置、評価方法及び記憶媒体 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7220881B1 (ja) | 2022-08-29 | 2023-02-13 | 株式会社アグリスマート | 灌水制御システム |
JP2024032249A (ja) * | 2022-08-29 | 2024-03-12 | 株式会社アグリスマート | 灌水制御システム |
Also Published As
Publication number | Publication date |
---|---|
JP2006221310A (ja) | 2006-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4661250B2 (ja) | 予測方法、予測装置および予測プログラム | |
Wang et al. | A novel hybrid method of forecasting crude oil prices using complex network science and artificial intelligence algorithms | |
Svalina et al. | An adaptive network-based fuzzy inference system (ANFIS) for the forecasting: The case of close price indices | |
WO2020143409A1 (zh) | 预测业务指标的方法及装置 | |
Li et al. | Individualized indicator for all: Stock-wise technical indicator optimization with stock embedding | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
van der Hoog | Surrogate modelling in (and of) agent-based models: A prospectus | |
van der Hoog | Deep learning in (and of) agent-based models: A prospectus | |
Liu et al. | Bitcoin transaction strategy construction based on deep reinforcement learning | |
JP4694984B2 (ja) | 電力負荷予測方法、及び電力負荷予測処理プログラム | |
Somani et al. | Stock market prediction using hidden Markov model | |
Hashemi et al. | A hybrid conceptual cost estimating model using ANN and GA for power plant projects | |
JP6907664B2 (ja) | 非定常時系列データの予測に用いる方法及び装置 | |
CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
Divsalar et al. | Hybrid genetic programming-based search algorithms for enterprise bankruptcy prediction | |
Chen et al. | Cloud–edge collaboration task scheduling in cloud manufacturing: An attention-based deep reinforcement learning approach | |
Chang et al. | A mega-trend-diffusion grey forecasting model for short-term manufacturing demand | |
Bebarta et al. | Comparative study of stock market forecasting using different functional link artificial neural networks | |
Niknafs et al. | Estimating efficiency of Bank branches by dynamic network data envelopment analysis and artificial neural network | |
Estrada et al. | A method of stepwise benchmarking for inefficient DMUs based on the proximity-based target selection | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
JP2019160089A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Kayali et al. | Predictive Analytics for Stock and Demand Balance Using Deep Q-Learning Algorithm | |
Biswas et al. | Consideration of uncertainties in a dynamic modeling system integrated with a deep learning based forecasting approach | |
Berteloot et al. | A novel credit rating migration modeling approach using macroeconomic indicators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20071016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100826 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101021 |
|
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: 20101207 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20101220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4661250 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140114 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140114 Year of fee payment: 3 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140114 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |