JP5051223B2

JP5051223B2 - 事例生成プログラム、事例生成装置、事例生成方法

Info

Publication number: JP5051223B2
Application number: JP2009513952A
Authority: JP
Inventors: 義典柳沼; 一穂前田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2007-05-15
Filing date: 2007-05-15
Publication date: 2012-10-17
Anticipated expiration: 2027-05-15
Also published as: WO2008139622A1; JPWO2008139622A1; US20100036794A1

Description

本発明は、評価を効率化するために事例を生成する事例生成プログラム、事例生成装置、事例生成方法に関するものである。

製造業においては、従来からの実機実験に加えて、近年、計算機シミュレーションを用いた製品や部品の性能の検証（例えば流体解析、電磁波解析など）が盛んに行われている。特に、計算機シミュレーションでは、試作以前の設計の段階で最終製品の性能を検証し、設計にフィードバックを行うなど、その重要性が増している。

また、実機実験において試作が高価である場合や、計算機シミュレーションにおいてはスーパーコンピュータなどのHigh Performance Computerを用いても長時間がかかる場合がある。そのため、このような実機実験や計算機シミュレーションを効率化することが求められている。以下、実機実験と計算機シミュレーションをまとめて評価と呼ぶ。また、評価の対象となる設計変数値組とその設計変数値組の評価により得られる目的変数値との組み合わせを事例と呼ぶ。

評価の効率化方法の一つとして、過去の事例を用いたデータマイニング技術やＡＩ技術により、評価の対象となる設計変数値組の候補をフィルタリングする方法がある。例えば、蓄積済みの過去の事例（過去事例、蓄積済み過去事例）を用いたデータマイニング技術により、評価の対象となる設計変数値組の候補から性能値（目的変数値）を推測する。推測された性能値が評価指標を十分満たすと判定された場合、その候補に対して実際の評価を行う。一方、推測された性能値が評価指標を到底満たすことができないと判定された場合、評価を行わず、その候補は廃棄する。

なお、本発明の関連ある従来技術として、類似事例に基づく予測を高速且つ高精度に行う予測装置がある（例えば、特許文献１参照）。また、類似事例に基づく予測の過程で既知事例の全体から得られる情報をもとに距離・類似度・評価値などの適正化を行い、種々の未知事例に適応した精度の高い予測結果を生成する事例予測装置がある（例えば、特許文献２参照）。また、類似事例に基づく予測装置が出力する確信度に、その確信度の信頼性を示す信頼性尺度を付加する信頼性尺度付き予測装置がある（例えば、特許文献３参照）。
特開２０００−１５５６８１号公報特開２００３−３２３６０１号公報特開２００４−２０６１６７号公報

しかしながら、上述した効率化方法では、将来の設計変数値組に対する目的変数値が過去の事例により高精度で推測できることが前提である。しかし、過去の評価は、将来の設計変数値組を考慮して行われているわけではなく、その時点で必要な設計変数値組のみに対して評価を実施しているに過ぎない。従って、評価の対象となる設計変数値組によっては推測の誤差が大きくなってしまい、正しく推測できないという問題があった。

これを解決するためには、様々な設計変数値組の事例を収集することが望ましいが、設計変数値組は大量にあり、それらが目的変数値と複雑に影響していることから、網羅的に事例を収集するのは現実的ではない。

本発明は上述した問題点を解決するためになされたものであり、精度の高い予測を可能にする事例を効率的に生成する事例生成プログラム、事例生成装置、事例生成方法を提供することを目的とする。

上述した課題を解決するため、本発明は、少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成をコンピュータに実行させる事例生成プログラムであって、過去の評価により得られた事例である過去事例を複数取得する取得ステップと、前記取得ステップにより取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測ステップと、前記予測ステップにより算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択ステップと、前記選択ステップにより選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定ステップとをコンピュータに実行させる。

また、本発明は、少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成を行う事例生成装置であって、過去の評価により得られた事例である過去事例を複数取得する取得部と、前記取得部により取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測部と、前記予測部により算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択部と、前記選択部により選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定部とを備える。

また、本発明は、少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成を行う事例生成方法であって、過去の評価により得られた事例である過去事例を複数取得する取得ステップと、前記取得ステップにより取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測ステップと、前記予測ステップにより算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択ステップと、前記選択ステップにより選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定ステップとを実行する。

本実施の形態に係る事例収集装置の構成の一例を示すブロック図である。本実施の形態に係る過去事例記憶部の内容の第１の例を示す表である。本実施の形態に係る事例収集装置の動作の一例を示すフローチャートである。本実施の形態に係る過去事例記憶部の内容の第２の例を示す表である。安定した過去事例と安定しない過去事例の一例を示すグラフである。本実施の形態に係る収集点候補の一例を示すグラフである。本実施の形態に係る５分割交差検定法の動作を示す概念図である。変更確率の算出方法の一例を示す概念図である。本実施の形態に係る第１の影響度の一例を示す表である。本実施の形態に係る第２の影響度の一例を示す表である。

以下、本発明の実施の形態について図面を参照しつつ説明する。

まず、本発明に用いるＭＢＲ（Memory-Based Reasoning：記憶に基づく推論）について説明する。

ＭＢＲは、既知事例（過去事例）を用いて、未知事例の説明変数（設計変数）値から目的変数値を予測し、予測結果、その予測結果の確信度、設計変数毎の影響度を算出することができる（特許文献１，２，３参照）。

説明変数のそれぞれを座標とする多次元空間において、１つの既知事例の説明変数値組は１つの点として表される。ＭＢＲは、蓄積された既知事例の点の中から未知事例の点に近いｋ個の既知事例の点を探索し、その重み付き加算和により目的変数値の予測値を算出するものである。

ＭＢＲは、以下の手順で行われる。

Ｓ１０１）既知事例の説明変数値のそれぞれについて、目的変数への影響度を計算する。
Ｓ１０２）既知事例のそれぞれについて、未知事例との類似度を計算する。
Ｓ１０３）処理Ｓ１０２で求めた類似度を用いて、既知事例の中から未知事例に最も類似するｋ個を選択し、類似事例とする。
Ｓ１０４）得られたｋ個の類似事例から予測結果を算出する。
Ｓ１０５）得られた予測結果の確信度を計算する。

次に、ＭＢＲの各ステップの詳細について説明する。

まず、処理Ｓ１０１について説明する。影響度とは、各説明変数、もしくは各説明変数値が目的変数値に対して与える影響度の強さであり、既知事例から確率計算により求められる。この計算方法としては、説明変数ごとに求めるＭＩＣ（Mutual Information Content）法や、説明変数値ごとに求めるＣＣＦ（Cross-Category Feature importance）法や、ｎｅｗＣＣＦ（new Cross-Category Feature importance）法等の手法を用いることができる。

ＭＩＣ法の場合、影響度は、次式により求められる。

ここで、ｃは各目的変数値を表し、ｉは説明変数の番号を表し、ｖは説明変数の値を表し、ｐ（ｖ，ｃ）は説明変数が値ｖをとり目的変数が値ｃをとる結合確率を表し、ｗ_iはｉ番目の説明変数の影響度を表す。

すなわち、ＭＩＣ法は、相互情報量に従って説明変数ごとの影響度を計算し、ある説明変数における目的変数との結合確率の偏りが大きい場合には、予測に重要な説明変数とみてその時の影響度ｗ_iを１に近づけ、逆に結合確率の偏りが小さい場合にはその説明変数は予測には重要でないとみなして、影響度値ｗを０に近づける。

ＣＣＦ法の場合、影響度は、次式により求められる。

ここで、ｃは各目的変数値を表し、ｉは説明変数の番号を表し、ｖは説明変数の値を表し、ｐ（ｃ｜ｖ）は説明変数が値ｖをとる時に目的変数値ｃをとる確率を表し、ｗ_iはｉ番目の説明変数の影響度を表す。

すなわち、ＣＣＦ法は、説明変数が値ｖをとる時に目的変数の値ｃをとる確率を２乗し、全てのクラスについて合計する。これにより、説明変数がある値ｖをとる時に必ず単一の目的変数値ｃをとる場合、影響度は１となり、説明変数値ｖによってどの目的変数値ｃをとる確率も均等の場合、影響度は最小値（１／Ｎ_c）となる（Ｎ_cは目的変数値の数）。

ｎｅｗＣＣＦ法の場合、影響度は、次式により求められる。

ここで、ｃは各目的変数値を表し、ｉは説明変数の番号を表し、ｖは説明変数の値を表し、Ｎ_cは目的変数値の数を表し、ｐ（ｃ）は目的変数値がｃとなる確率を表し、ｐ（ｃ｜ｖ）は説明変数が値ｖをとる時に目的変数が値ｃをとる確率を表し、ｗ_iはｉ番目の説明変数の影響度を表す。また、ｑ_v（ｃ）は、目的変数値がｃとなる確率に対して、説明変数が値ｖをとる時の目的変数値ｃをとる確率の比を意味している。

このｎｅｗＣＣＦ法はＣＣＦ法に比べて、次の２点において改良が施されている。

１）目的変数値の分布偏りの考慮
２）ある説明変数値ｖが目的変数値への決定に寄与しない場合には、影響度は０にする。

つまり、ｎｅｗＣＣＦ法は、ある説明変数値ｖをとる時の目的変数値ｃの分布が全体の目的変数値分布に一致するときに分子は０となるため、影響度は０（最小値）となり、その説明変数値の予測における影響は消し去ることができる。一方、ｎｅｗＣＣＦ法は、ある説明変数値ｖをとる時に単一の目的変数値ｃしかとらない場合、影響度値を１．０となることについて、ＣＣＦ法と変わらない。

ＭＩＣ法、ＣＣＦ法、ｎｅｗＣＣＦ法のいずれも、既知事例中に欠損値がある場合、該当レコードを削除してから影響度計算を行う。また、説明変数が数値属性の場合、ｖは単一の値ではなく、数値範囲を意味する。

次に、処理Ｓ１０２について説明する。類似度とは、事例データ間の類似性の尺度である。ある既知事例と未知事例との類似度Ｓは、次式により求められる。

ここでｗ_i（ｖ）は、処理Ｓ１０１で求めた影響度（未知事例のｉ番目の説明変数がｖの時の影響度）を表し、ｄ_iは、ｉ番目の説明変数の単一属性間距離を表す。すなわち、類似度は事例間の影響度付き距離の逆数を意味しており、両事例が似ているほど類似度は高くなる。

なお、既知事例に欠損値が含まれる場合、該当属性の単一属性間距離ｄ_iを１とし、未知事例に欠損値が含まれる場合、該当属性の単一属性間距離ｄ_iを０として、類似度は計算される。

次に、処理Ｓ１０３について説明する。処理Ｓ１０２において、既知事例のそれぞれと未知事例との類似度を求め、最も類似度が高いｋ個の既知事例を選択し、類似事例とする。ここで類似事例数ｋは、以下の方法のいずれかにより決定される。

ａ）事前にユーザにより指定される。
ｂ）既知事例の一部を未知事例とみなし、複数のｋ値による予測作業を繰り返し、最も予測正答率が高いｋ値を最適値とする。なお、予測については処理Ｓ１０４において説明する。

次に、処理Ｓ１０４について、目的変数がカテゴリ値属性の場合と数値属性の場合に分けて説明する。

ａ）目的変数がカテゴリ値属性の場合

類似事例を用いて目的変数値ごとの類似度合計Ｔ_cを次式により求める。

ここで、Ｓ_jは処理Ｓ１０３で選択されたｋ個の類似事例中のｊ番目の類似事例と未知事例との類似度を意味する。

次に、得られた各目的変数値におけるＴｃのうち、最大のＴｃを与える目的変数値を予測値ｃ_predictとする。ｃ_predictは次式により算出される。

ｂ）．目的変数が数値属性の場合

予測値ｃ_predictは次式により算出される。

ここで、類似事例データ数をｋとし、ｊ番目の類似事例と未知事例との間の類似度をＳ_j、ｊ番目の類似事例データの目的変数値をｃ_jとする。すなわち、類似度による重み付き加算和により予測値を決定する。

次に、処理Ｓ１０５について説明する。確信度とは予測結果の発生確率を表す尺度である。目的変数がカテゴリ値属性の場合と目的変数が数値属性の場合に分けて説明する。

ａ）目的変数がカテゴリ値属性の場合

各目的変数値の類似度合計に対する予測値ｃ_predictの類似度合計の割合として、確信度Ｐは次式により求められる。

ｂ）目的変数が数値属性の場合

同様にして、確信度Ｐは、次式により求められる。

ここで、σ_cは、目的変数の標準偏差を意味する。

以上のようにして、ＭＢＲは、既知事例の影響度と、既知事例を用いて未知事例の目的変数値の予測値と、その確信度とを提示することができる。

本実施の形態においては、本発明の事例生成装置を適用し、事例を収集する事例収集装置について説明する。蓄積済みの事例と事例収集装置により収集された事例は、その後の設計において設計変数値組から目的変数値を推測するために用いられる。この推測によりその設計変数値組に対する評価を行う必要があるか否かを判定することができ、評価（実機実験や計算機シミュレーション）を最小限にすることができる。

まず、本実施の形態に係る事例収集装置の構成について説明する。

図１は、本実施の形態に係る事例収集装置の構成の一例を示すブロック図である。この事例収集装置は、過去事例記憶部１１、予測部１２、基準事例決定部１３、収集点候補決定部１４、変更確率決定部１５、収集点決定部１６、評価部１７を備える。

過去事例記憶部１１は、過去事例を記憶する。図２は、本実施の形態に係る過去事例記憶部の内容の第１の例を示す表である。過去事例記憶部１１には、過去の評価により得られた過去事例が大量に蓄積されている。過去事例は、事例番号、少なくとも１つの設計変数、少なくとも１つの目的変数で構成される。本実施の形態において、設計変数は、温度（設計変数１）、圧力（設計変数２）、材質１（設計変数３）、材質２（設計変数４）、形状１（設計変数５）であり、目的変数は、性能指標値（例えばある時点の振動）である。

次に、本実施の形態に係る事例収集装置の動作について説明する。

図３は、本実施の形態に係る事例収集装置の動作の一例を示すフローチャートである。まず、繰り返し回数１回目として、予測部１２は、ＭＢＲを用いた交差検定を実施することにより各過去事例について目的変数値の予測結果とその予測結果の確信度を算出し、過去事例記憶部１１における目的変数値（真値）と予測結果である目的変数値とから予測誤差を算出する予測処理を行う（Ｓ１１）。

予測部１２は、算出した予測結果と予測誤差と確信度を過去事例記憶部１１の過去事例に付加する。図４は、本実施の形態に係る過去事例記憶部の内容の第２の例を示す表である。図２の内容に対して、過去事例毎に、目的変数値の予測結果（予測値）と予測誤差と確信度が付加される。

次に、予測部１２は、予測処理の結果、全ての過去事例が精度条件を満たすか否かの判定を行う（Ｓ１２）。精度条件とは、過去事例の予測誤差が予め設定された許容誤差以下であり、且つその過去事例の確信度が予め設定された確信度閾値以上である場合である。なお、許容誤差とは例えば１０％であり、確信度閾値とは例えば０．８である。

精度条件が満たされた場合（Ｓ１２，Ｙ）、このフローは終了する。一方、精度条件が満たされない場合（Ｓ１２，Ｎ）、基準事例決定部１３は、過去事例の中から収集する事例の基準となる事例である基準事例を決定する（Ｓ１３）。ここで、基準事例決定部１３は、上述した精度条件を満たさない（予測誤差が許容誤差より大きい、または確信度が確信度閾値より小さい）過去事例を、基準事例とする。なお、処理Ｓ１２における許容誤差と処理Ｓ１３における許容誤差は、互いに異なる値でも良い。また、処理Ｓ１２における確信度閾値と処理Ｓ１３における確信度閾値は、互いに異なる値でも良い。

図４の例によれば、予測誤差が許容誤差を超える過去事例（事例番号００１，００３，００４，００５，００６）に加えて、確信度が閾値以下である過去事例（事例番号００２）が、基準事例となる。

予測誤差だけで基準事例を決定すると、予測誤差が許容誤差内であったとしてもその近傍で目的変数値のばらつきが大きく潜在的に安定しない場所が存在する。図５は、安定した過去事例と安定しない過去事例の一例を示すグラフである。設計変数のそれぞれを座標とする多次元空間において、ある事例の設計変数値組は１つの点として表される。このグラフは、簡単のため、設計変数の１つである設計変数１と目的変数値との関係を示す曲線として、２つのケース（ケースＡ、ケースＢ）を示す。また、このグラフは、注目する過去事例Ｘと、その類似事例を示す。

このグラフにおいて、ケースＡは、過去事例Ｘの近傍で目的変数値のばらつきが小さく確信度が高いが、ケースＢは、過去事例Ｘの近傍で目的変数値のばらつきが大きく確信度が低い。従って、確信度が低いケースＢの過去事例は、安定しない点と判断することができる。本実施の形態のように予測誤差だけでなく確信度も考慮して安定しない過去事例を基準事例として決定することにより、安定しない領域の事例を生成することが可能となる。

次に、収集点候補決定部１４は、基準事例の設計変数値組で表される点の近傍で生成範囲を決定し、この生成範囲内でランダムに（乱数により）設計変数値組を決定して、収集点の候補である収集点候補とする（Ｓ１４）。ここで、収集点候補決定部１４は、予測部１２のＭＢＲにより出力される過去事例の間の平均距離σ（特許文献３における平準化距離）を用いて生成範囲を決定する。生成範囲は、例えば、基準事例の点に対して各設計変数値が±σの範囲内となる超格子の内部、あるいは基準事例の点を中心とする半径σの超球の内部とする。また、収集点候補の生成個数は、例えば、ユーザにより予め指定された値、あるいは予測部１２のＭＢＲにより出力される類似事例数ｋとする。

図６は、本実施の形態に係る収集点候補の一例を示すグラフである。このグラフは、生成範囲に超格子を用い、ｋ＝５である場合であり、設計変数１と目的変数との関係を示す。設計変数１の値が基準事例の点から±σの範囲内において、乱数により５個の設計変数１の値が生成され、収集点候補となる。

ここで、収集点候補決定部１４は、設計変数毎の変更確率に基づいて１つの設計変数を選択して変更設計変数とし、基準事例において変更設計変数の値を生成範囲内でランダムに変更することにより、収集点候補を生成する。ここで、変更確率は、設計変数毎に設定され、対応する設計変数が収集点候補決定部１４により変更設計変数として選択される確率である。変更確率決定部１５は、変更確率計算処理により、予測に強く影響を与えている設計変数を優先的に選択するように各設計変数の変更確率を計算する。なお、変更確率決定部１５を省き、各設計変数の変更確率を均等としても良い。

次に、収集点決定部１６は、収集点候補の中から収集点を決定する（Ｓ１６）。ここで、収集点決定部１６は、収集点候補毎に、収集点候補に最も類似する過去事例を候補最類似事例として選択し、基準事例と候補最類似事例に基づいて各収集点候補が予め設定された設計変数値条件を満たすか否かの判断を行う。対象とする収集点候補が設計変数値条件を満たさない場合、収集点決定部１６は、対象とする収集点候補に十分類似した過去事例が存在するため、その収集点候補の事例を収集する必要はないと判定し、その収集点候補を棄却する。一方、対象とする収集点候補が設計変数値条件を満たす場合、収集点決定部１６は、収集点候補に十分類似した過去事例が存在しないため収集点候補を収集する必要があると判定し、その収集点候補を収集点として決定する。

ここで、収集点決定部１６は、予測部１２と同様のＭＢＲを用い、ＭＢＲが出力する収集点候補の類似事例のうち、最も収集点候補との距離が小さいものを候補最類似事例とする。また、設計変数値条件は、例えば次式を満たす収集点候補を収集点とする。

Ｄ（候補最類似事例）／Ｄ（基準事例）＞ε

ここで、Ｄ（ｘ）は、対象とする収集点候補と事例ｘの点との距離を表す。従って、Ｄ（候補最類似事例）は、対象とする収集点候補と候補最類似事例の点との距離を表し、Ｄ（基準事例）は、対象とする収集点候補と基準事例の点との距離を表す。また、εは、例えば１である。

次に、評価部１７は、収集点決定部１６により決定された収集点である設計変数値組に対して評価を実施することにより目的変数値を取得し、その設計変数値組と目的変数値を過去事例として過去事例記憶部１１に追加し（Ｓ１７）、
予測部１２は、繰り返し回数が予め設定された上限値に達したか否かの判断を行う（Ｓ１８）。繰り返し回数が上限値に達していない場合（Ｓ１８、Ｎ）、処理Ｓ１１へ移行する。繰り返し回数が上限値に達した場合（Ｓ１８、Ｙ）、このフローは終了する。

次に、予測処理の詳細について説明する。

予測処理における交差検定とは、結果が既知である過去事例を用いて、予測の精度を定量的に評価する手法である。

本実施の形態においては、交差検定として、例えば、５分割（５−ｆｏｌｄ）交差検定法を用いる。図７は、本実施の形態に係る５分割交差検定法の動作を示す概念図である。予測部１２は、まず、過去事例記憶部１１に格納された全ての過去事例を５グループに分割してそのうちの１グループを選択して対象グループとし、対象グループの目的変数値を伏せて、残りの４グループからＭＢＲにより対象グループの目的変数値を予測する。次に、予測部１２は、対象グループを変え、すべての過去事例の予測を行う。次に、予測部１２は、予測した目的変数値と過去事例の実際の目的変数値（真値）とを比較することにより、予測誤差を算出する。なお、事例数が少ない場合、分割によるばらつきを防ぐために分割数を事例数とするｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検定法を用いる。

次に、変更確率計算処理の詳細について説明する。

変更確率計算処理として、次の２つの方法がある。

（方法１）設計変数のそれぞれと目的変数との関係において、基準事例の点と基準事例に最も距離の近い過去事例である基準最類似事例の点とに基づいて変更確率を算出する。

図８は、変更確率の算出方法の一例を示す概念図である。設計変数１〜設計変数ＮまでＮ個の設計変数に対して１つの目的変数があるとき、この図は、設計変数のうちの１つである設計変数１と目的変数との関係を表す曲線を表し、更に設計変数１と目的変数との関係において基準事例の点と基準最類似事例の点とを結ぶ直線を表す。この直線の傾きをξ₁とする。設計変数１の変更確率は、ξ₁／Σξ_iとなる。ここで、Σξ_iは、Ｎ個の設計変数の傾きの合計である。すなわち、設計変数のそれぞれについて変更確率を算出し、その設計変数の値を変化させるかどうかを決定する。

（方法２）設計変数毎の影響度を変更確率として、データを変更する。

ＭＢＲにより算出される影響度は、１つの設計変数に対する影響度が１つの値である第１の影響度の場合と、１つの設計変数に対する影響度が設計変数値により異なる第２の影響度の場合がある。

まず、第１の影響度の場合について説明する。図９は、本実施の形態に係る第１の影響度の一例を示す表である。ここでの設計変数は、温度、圧力、材質１、材質２、形状１であり、それぞれに対して１つずつ影響度が算出されている。この場合の影響度とは、ＭＩＣ法による影響度やＣＣＦ法による影響度の期待値やｎｅｗＣＣＦ法による影響度の期待値などである。設計変数１の影響度をω₁とすると、設計変数１の変更確率＝ω₁／Σω_iとして求める。ここで、Σω_iは、全ての設計変数の影響度の合計である。すなわち、設計変数毎の変更確率に従ってその設計変数の値を変化させるかどうかを決定する。

次に、第２の影響度の場合について説明する。図１０は、本実施の形態に係る第２の影響度の一例を示す表である。設計変数の１つである温度に対して７個の値の範囲が設定され、その範囲ごとに影響度が算出されている。この場合、基準事例の点における設計変数１の値に対応する影響度をω₁とすることにより、第１の影響度の場合と同様に変更確率を計算することができる。

上述した事例収集装置の動作によれば、予測誤差が大きいまたは確信度が小さい過去事例を基準事例とし、設計変数値に対する目的変数の傾きやＭＢＲ影響度を活用することにより、事例の設計変数値を効率的に生成することが可能となる。また、予測誤差だけでなく確信度も考慮することで、潜在的に安定しない場所（過去事例の点の近傍）を発見して収集する事例の基準事例とすることができる。更に、傾きやＭＢＲ影響度を用いて設計変数毎の変更確率を制御することで、無駄に網羅的に事例を生成するのではなく、意味のある事例のみを効率的に取得することが可能となる。

以上のように本発明を用いることにより、評価の効率化のために、様々な設計変数値と目的変数値を蓄積しておきたい場合、大量にある設計変数値の組合せを網羅的に取得するのではなく、効率よく事例を取得することが可能となる。

なお、取得部は、実施の形態における過去事例記憶部１１に対応する。また、予測部は、実施の形態における予測部１２に対応する。また、選択部は、実施の形態における基準事例決定部１３に対応する。また、決定部は、実施の形態における収集点候補決定部１４、変更確率決定部１５、収集点決定部１６、評価部１７に対応する。また、取得ステップは、実施の形態における過去事例記憶部１１からの過去事例の取得に対応する。また、予測ステップは、実施の形態における処理Ｓ１１に対応する。また、選択ステップは、実施の形態における処理Ｓ１３に対応する。また、決定ステップは、実施の形態における処理Ｓ１４，Ｓ１６，Ｓ１７に対応する。

更に、事例生成装置を構成するコンピュータにおいて上述した各ステップを実行させるプログラムを、事例生成プログラムとして提供することができる。上述したプログラムは、コンピュータにより読取り可能な記録媒体に記憶させることによって、事例生成装置を構成するコンピュータに実行させることが可能となる。ここで、上記コンピュータにより読取り可能な記録媒体としては、ＲＯＭやＲＡＭ等のコンピュータに内部実装される内部記憶装置、ＣＤ−ＲＯＭやフレキシブルディスク、ＤＶＤディスク、光磁気ディスク、ＩＣカード等の可搬型記憶媒体や、コンピュータプログラムを保持するデータベース、或いは、他のコンピュータ並びにそのデータベースや、更に回線上の伝送媒体をも含むものである。

本発明によれば、精度の高い予測を可能にする事例を、効率的に生成することができる。

Claims

少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成をコンピュータに実行させる事例生成プログラムであって、
過去の評価により得られた事例である過去事例を複数取得する取得ステップと、
前記取得ステップにより取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測ステップと、
前記予測ステップにより算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択ステップと、
前記選択ステップにより選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定ステップと
をコンピュータに実行させる事例生成プログラム。
請求項１に記載の事例生成プログラムにおいて、
前記予測ステップは、記憶に基づく推論を用いる交差検定により、前記過去事例毎の予測誤差及び確信度を算出する事例生成プログラム。
請求項１または請求項２に記載の事例生成プログラムにおいて、
前記決定ステップは、前記選択ステップにより選択された基準事例の設計変数値に基づいて前記新たな設計変数値の範囲を決定し、該範囲においてランダムに前記新たな設計変数値の候補を生成し、該候補のうち所定の設計変数値条件を満たすものを前記新たな設計変数値として決定する事例生成プログラム。
請求項１乃至請求項３のいずれかに記載の事例生成プログラムにおいて、
前記決定ステップは更に、前記新たな設計変数値に対して前記評価を行い、該設計変数値と該設計変数値の評価により得られた目的変数値とを事例として過去事例に追加する事例生成プログラム。
請求項４に記載の事例生成プログラムにおいて、
前記予測ステップ、前記選択ステップ、前記決定ステップは、所定の終了条件を満たすまで繰り返される事例生成プログラム。
少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成を行う事例生成装置であって、
過去の評価により得られた事例である過去事例を複数取得する取得部と、
前記取得部により取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測部と、
前記予測部により算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択部と、
前記選択部により選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定部と
を備える事例生成装置。
少なくとも１つの設計変数値と該設計変数値に対応する少なくとも１つの目的変数値とを有する事例の生成をコンピュータが実行する事例生成方法であって、
過去の評価により得られた事例である過去事例を複数取得する取得ステップと、
前記取得ステップにより取得された過去事例の設計変数値から該過去事例の目的変数値の予測を行うと共に、該過去事例の予測結果として予測誤差及び確信度を算出する予測ステップと、
前記予測ステップにより算出された予測誤差及び確信度に基づいて、前記生成の基準となる過去事例である基準事例を選択する選択ステップと、
前記選択ステップにより選択された基準事例の設計変数値に基づいて新たな設計変数値を決定し、該新たな設計変数値に基づいて新たな事例を決定する決定ステップと
をコンピュータが実行する事例生成方法。