JP5075009B2 - 類似度分析評価システム - Google Patents

Description

この発明は、例えば電力使用量の時間毎時系列データなどの大量の時系列データについて、一定期間のパターンを分類し、類似度を分析する類似度分析評価システムに関するものである。

電力需要分析のために、電力使用量の時間毎時系列データなどの大量の時系列データについて、一定期間のパターンを分類し、既存顧客属性との適合性を評価したり、電力使用量の時間毎使用量が測定されていない顧客に対し、属性から時間毎使用量を推定支援する必要性が高まっている。
電力負荷曲線（ロードカーブ）情報は、高圧、大口の需要家を中心に需要家毎に収集されており、電力設備計画に利用されてきた。従来は、既存の属性である業務区分毎や契約種別毎に分類することや、分類区分毎の平均ロードカーブを計算していた。
これに対し、今後は電力需要の多様化に対応するため、電力負荷曲線の正しい把握を行い、電力契約メニュー開発に繋げる必要がある。
従来、電力需要分析については、各時間帯の顧客毎に電力負荷曲線に着目した分類方法として、電力負荷曲線に対する特徴量を各負荷曲線毎にフーリエ変換を施し、周波数をもとにクラスタリング計算を行って分類する方法や、電力負荷曲線を正規化し、正規化された電力負荷曲線間の距離をもとにクラスタリング計算処理を行い、分類する方法があった。（非特許文献１、２）

特許文献１の「電力ロードカーブの分析方法およびシステム」では、電力負荷曲線からクラスタリングする処理手段としてロードカーブをピーク電力量で正規化し、正規化されたロードカーブに対し、ロードカーブ間の距離をユークリッド的距離として距離計算を行っている。

特開２００２−１６９６１３号公報（第４〜７頁、図１） 新井康平著、「ウェーブレット解析の基礎理論」、森北出版、２０００年１１月。 新誠一、中野和司監修、田原鉄也編集幹事、「ウェーブレット解析の産業応用」、朝倉書店、２００５年９月２８日。

しかしながら、特許文献１の方法では、ロードカーブの距離の差の絶対値は計算されるが、時間や形状の特徴が反映されないという問題が発生する。
また、時系列データの集合への分類方法として、従来からフーリエ変換を用いた手法が一般に採用されており、フーリエ係数をもとにした特徴量計算が行われてきた。
また、非特許文献１、２のように、フーリエ変換を用いた手法は、時刻に関する情報を得ることができず、信号データの特徴部分を上手く抽出できない場合があるという問題があった。

この発明は、上述のような課題を解決するためになされたものであり、例えば電力使用量の時間毎時系列データなどの大量の時系列データについて、時系列データの形状に着目した特徴量を抽出し、抽出した特徴量をもとに任意に分類するとともに、時系列データの属性と分類結果による適合度評価を実現する類似度分析評価システムを得ることを目的としている。

この発明に係わる類似度分析評価システムにおいては、属性をもつ時系列データから、離散ウェーブレット変換により特徴量を抽出する特徴量抽出手段、この特徴量抽出手段により抽出された特徴量により、複数の時系列データを複数の集合に分類するに当って、Ｋ−Ｍｅａｎｓ法を用いる非階層的クラスタ手法と、Ｗａｒｄ法を用いる階層的クラスタ手法のいずれかを選択して、この選択された手法により分類を行うクラスタリング手段、及びこのクラスタリング手段により分類された結果を時系列データがもつ属性をもとにして評価するために、分類された集合を一方の軸とし、属性を他方の軸とする評価マトリクスを生成する評価マトリクス生成手段を備えたものである。

この発明は、以上説明したように、属性をもつ時系列データから、離散ウェーブレット変換により特徴量を抽出する特徴量抽出手段、この特徴量抽出手段により抽出された特徴量により、複数の時系列データを複数の集合に分類するに当って、Ｋ−Ｍｅａｎｓ法を用いる非階層的クラスタ手法と、Ｗａｒｄ法を用いる階層的クラスタ手法のいずれかを選択して、この選択された手法により分類を行うクラスタリング手段、及びこのクラスタリング手段により分類された結果を時系列データがもつ属性をもとにして評価するために、分類された集合を一方の軸とし、属性を他方の軸とする評価マトリクスを生成する評価マトリクス生成手段を備えたので、時系列データの属性と、特徴量に基づくクラスタリング結果との関係を評価することができる。

実施の形態１．
図１は、この発明の実施の形態１による類似度分析評価システムを示す全体構成図である。
図１において、個別の需要家１（Ｓ１〜Ｓｎ）は、負荷情報を発信する。サーバ２は、電力事業者に配置され、需要家１により発信された負荷情報を処理し、負荷曲線を分類し、評価マトリクスを生成する。このサーバ２は、次のように、３〜９により構成されている。
時系列データ３は、需要家１より収集した負荷情報を蓄積している。検索・集計エンジン４は、時系列データ３から、該当データ抽出処理により、抽出条件に適合したデータを高速に抽出し、該当時系列データ５として保存する。特徴量抽出手段６は、離散ウェーブレット変換により該当時系列データ５を元にして特徴量を抽出する。クラスタリング手段７は、特徴量から類似度特性をもつ複数のデータ集合に分類する。すなわち、負荷分布の分類を行う。
評価マトリクス生成手段８は、評価マトリクスを生成して、クラスタリングされた結果と時系列データが保持している属性データをもとに評価する。表示処理部９（表示手段）は、クラスタリング結果及び評価マトリクスの表示などを行う。

上述の４〜８の処理のための設定は、サーバ２に接続された端末から行う。端末の画面１０には、いろいろな設定の画面表示や、表示処理部９の処理結果の表示が行われる。
抽出条件設定１１は、検索・集計エンジン４で該当データの抽出に用いる抽出条件を設定する。特徴量重み付け設定１２（特徴量重付け手段）は、特徴量抽出手段６により抽出される特徴量の各レベルの重み付けを設定する。
クラスタリング方法とクラスタ数設定１３（クラスタ数設定手段）は、クラスタリング手段７でのクラスタリング処理を行うためのクラスタリング方法とクラスタ数の設定を行う。クラスタリング方法としては、クラスタ数を指定し、指定クラスタに対応する初期値を適当に割当てた後、さらに良い結果となるようにクラスタリングを行う非階層的クラスタ手法と、随時クラスタを結合する階層的クラスタ手法とがある。
評価項目選択１４は、評価マトリクス生成手段８で用いられるように、各負荷曲線の属性データのうち評価区分となる項目を選択する。ここで、評価項目としては、契約方法、電圧、業種などである。
なお、特徴量抽出手段６とクラスタリング手段７と評価マトリクス生成手段８と表示処理部９は、サーバ２に搭載されているが、これらをサーバ２に接続された端末上に搭載してもよい。

図２は、この発明の実施の形態１による類似度分析評価システムのウェーブレット変換による負荷曲線の特徴抽出とウェーブレット変換係数を示す図である。
図２において、２４時間の電力使用量の変化を示す時系列データであるオリジナルデータを元にして、特徴量として、各レベルのウェーブレット成分Ｗ１、Ｗ２、Ｗ３と、スケーリング関数成分Ｖ３が得られる。

図３は、この発明の実施の形態１による類似度分析評価システムの離散ウェーブレット変換により特徴量を抽出する過程を説明する図である。

図４は、この発明の実施の形態１による類似度分析評価システムのクラスタリングされた結果と属性による評価マトリックスを示す図である。
図４において、１１１１などの契約種別の属性情報と、クラスタリングされた結果との相関を示している。表中の数値は需要家の件数である。

図５は、この発明の実施の形態１による類似度分析評価システムのクラスタリングされた結果とコード属性と数値データの組合わせによる評価マトリックスを示す図である。
図５において、コード属性（契約種別）と数値データの組合わせと、クラスタリングされた結果との相関を示している。すなわち、日量合計電力量という数値データを評価区分に用いている。

図６は、この発明の実施の形態１による類似度分析評価システムのハールウェーブレットを示す図である。
図６において、ハールウェーブレットを示す後述する（１）式のグラフを示している。

図７は、この発明の実施の形態１による類似度分析評価システムのハールスケーリング関数を示す図である。
図７において、ハールスケーリング関数を示す後述する（２）式のグラフを示している。

図８は、この発明の実施の形態１による類似度分析評価システムのクラスタリング処理（非階層的）を示すフローチャートである。

図９は、この発明の実施の形態１による類似度分析評価システムのクラスタリング処理（階層的）を示すフローチャートである。

図１０は、この発明の実施の形態１による類似度分析評価システムの新たな負荷曲線の既存クラスタへの分類処理を示すフローチャートである。

図１１は、この発明の実施の形態１による類似度分析評価システムの階層的クラスタリングの結果表現としての樹形図（デンドログラム）である。
図１１において、対象間の類似度の度合いを表わす指標である非類似度なる距離を横軸にとり、対象を縦軸に等間隔にとった樹形図が示されている。図１１では、３つのクラスタ（１）（２）（３）に分類されている。

図１２は、この発明の実施の形態１による類似度分析評価システムの数値データを評価区分に分割するための境界値の求め方を示す図である。
図１２において、数値データを評価区分とする場合の境界値の求め方を示し、クラスタの平均値を計算し、平均値の昇順でクラスタをソートし、平均値の大きい二つのクラスタを選択し、この二つのクラスタの中央値の平均値を境界値とする。ここでは、平均値の大きい二つのクラスタであるクラスタ１の中央値２１とクラスタ２の中央値２２の平均値をとり、境界値２３としている。

図１３は、この発明の実施の形態１による類似度分析評価システムの属性キーの組合せによる評価マトリックスを示す図である。
図１３において、属性（キー１、キー２、キー３）の組合せについて、クラスタ分類を行っている。属性は、既存の評価区分の例えば業績別と契約別などの組合せである。

図１４は、この発明の実施の形態１による類似度分析評価システムのウェーブレット変換係数の各レベルへの重みを与える画面例を示す図である。
図１４において、クラスタリング手法として、非階層的クラスタリングとしてのＫ−Ｍｅａｎｓ法及び階層的クラスタリングとしての凝集法のいずれかの選択と、特徴量の各レベルに対する重み付けを行うための画面である。グループを示すレベルを選択して、０から１の重み付けをスライダーを用いて行う。

図１５は、この発明の実施の形態１による類似度分析評価システムの適合度の利用方法を説明する図である。
図１５（ａ）は、病院、工場、学校、官庁などの産業区分とクラスタリング結果とによる評価マトリクスを示している。図１５（ｂ）は、自家発補給電力、高圧電力、業務用電力などの契約区分とクラスタリング結果とによる評価マトリクスを示している。

図１６は、この発明の実施の形態１による類似度分析評価システムのクラスタリング結果から区分を変更する例を説明する図である。
図１６は、クラスタリング結果を示し、クラスタ２とクラスタ３のそれぞれが１個の区分になるように、化学の区分を２つに細分化した方がよいことを示している。

次に、動作について説明する。
図１で、発信元である個別の需要家１（Ｓ１〜Ｓｎ）の負荷情報が、電力事業者のサーバ２に収集され、時系列データ３として蓄積される。蓄積された負荷情報は、端末の画面１０より抽出条件設定１１で抽出条件を設定することにより、検索・集計エンジン４を利用して、抽出条件に一致した需要家の負荷情報を検索し、負荷曲線および属性情報を該当時系列データ５として保存する。
この結果を、端末の画面１０より、特徴量重付け設定１２で、特徴量の計算方式およびウェーブレット変換における特徴量の重み付けを与えることにより、特徴量抽出手段６により、指定されたパラメータに従い、特徴量の計算処理がなされる。
次に、計算された特徴量に対し、端末の画面１０より、クラスタリング方法とクラスタ数設定１３により、クラスタリング方法の選択とクラスタ数を与えることで、クラスタリング手段７は、各々の負荷曲線に対し、クラスタ番号を付す。ここで、特徴量の計算にて、重み付けの与え方により、形状重視したクラスタリングまたは大きさを重視したクラスタリングの結果を得る。
なお、ウェーブレット成分に大きい重み係数を与えると形状を重視することになり、逆にスケーリング関数成分に大きい重み係数を与えると大きさを重視することになる。
次いで、端末の画面１０の評価項目選択１４にて、各負荷曲線の属性データのうち評価区分として用いる項目を選択する。このように、あらかじめ負荷曲線と属性情報を結合しておくことで、評価マトリクス生成手段８により、多くの需要家情報の属性とクラスタリングされた負荷曲線の分類の確かさの評価が行えるようになる。
表示処理部９は、クラスタリング結果、評価マトリックス、クラスタリングされたクラスタ毎のグラフと平均グラフ、クラスタ毎の評価区分の割合のグラフと評価区分に対するクラスタ毎の割合グラフを表示し、これにより視覚的に状況を把握可能とする。

以下、特徴量抽出手段６と、クラスタリング手段７と、評価マトリクス生成手段８の処理について、さらに詳しく説明する。
まず、特徴量抽出手段６について説明する。
特徴量抽出手段６では、需要家の負荷曲線より特徴量を求める手段として、ウェーブレット変換を利用する。ここで計算されるウェーブレット変換の特徴量は、ｎレベル（１〜ｎ）のウェーブレット成分とスケーリング関数成分より構成されている。ここで各ウェーブレット成分およびスケーリング関数成分のレベル毎に何も重み付けしないものから、各レベルのウェーブレット成分内の絶対値の最大およびスケーリング関数成分の最大値をもとに正規化した特徴量までの重みを選択することで、形状に注目した特徴量が算出できるようにしている。
図２は、各レベルのウェーブレット成分およびスケーリング関数成分の最大をもとに正規化した特徴量を表わしている。

特徴量抽出手段６の負荷曲線に対するウェーブレット変換としては、離散ウェーブレットであり、（１）式のハールウェーブレットおよび（２）式のハールスケーリング関数をウェーブレット基底とする。

（１）式と（２）式において、添え字ｋはウェーブレットの基底のレベルを意味し、添え字ｌは時間軸での移動量を意味する。図６に（１）式におけるΨ（ｔ）のグラフを示し、図７に（２）式におけるφ（ｔ）のグラフを示す。
ウェーブレット成分（Ｗ）とスケーリング関数成分（Ｖ）が特徴量として計算される。ハールウェーブレットによる成分Ｗ、ハールスケーリング関数による成分Ｖは、（３）式に示すように分解される。
（３）式は、ハールウェーブレット関数が直交関数であることを利用して、レベル数を増加させて展開していく過程を示している。最初に、レベル１のウェーブレット成分Ｗ１とスケーリング関数成分Ｖ１に分解する。Ｖ１を、レベル２のＷ２とＶ２に分解する。こうして、１ないしｎのレベルのウェーブレット成分Ｗ１〜Ｗｎとレベルｎのスケーリング関数成分Ｖｎに分解される。ここで、レベル数のｎは、分析対象のデータの項目数Ｎから決まる。Ｎ＝２^ｎ×Ｍというように、項目数Ｎを２のべき乗（２^ｎ）と奇数（Ｍ）の積に分解した際に、べき数ｎがレベル数になる。
なお、レベル数はべき数より小さくしてもよい。

図２に示した特徴量を抽出する過程を、図３を用いて説明する。図３は、離散ウェーブレット変換により特徴量を抽出する過程を説明する図である。図３（ａ）に、１時間ごとの電力使用量についての２４時間分のデータであるオリジナルデータを示す。図２に示したものと同じグラフである。図３（ｂ）に、ハールウェーブレット関数による１次の分解結果を示す。ハールウェーブレット関数による離散ウェーブレット変換では、２個のデータのペアごとにその差をウェーブレット成分とし、その平均をスケーリング関数成分とする。つまり、ウェーブレット成分がその次数での変動分を表現し、スケーリング関数成分がより次数が高い（より長周期の）変動成分を表現する。
図３では、オリジナルデータとの対応が取りやすいように、ウェーブレット成分は、差の半分をデータの組における前の方で符号を反転させて、後の方ではそのまま表示している。１次の離散ウェーブレット変換では、時間軸での移動単位量は２時間であり、１２個の成分がある。データ成分が変わるごとに目盛り線を引き、データ成分の添え字を目盛り線の間に示す。１次のスケーリング関数成分を、離散ウェーブレット変換により分解したものが図３（ｃ）である。２次では時間軸の移動量が４時間単位になり、６個の成分がある。さらに３次のウェーブレット変換結果が図３（ｄ）である。３次では時間軸の移動量が８時間単位になり、３個の成分がある。各次数のウェーブレット成分とｎ次のスケーリング関数成分を、その最大値の絶対値が１になるように正規化すると、図２が得られる。
Ｗ１からＷｎとＶｎの要素を１次元のベクトルとして表現したものを、特徴量ｆｋ＝（Ｗ_１，１，Ｗ_１，２，・・・，Ｗ_{１，Ｍ＊（２＾（ｎ−１））}，Ｗ_２，１，Ｗ_２，２，・・・，Ｗ_{２，Ｍ＊（２＾（ｎ−２））}，・・・，Ｗ_ｎ，１，Ｗ_ｎ，２，・・・Ｗ_ｎ，Ｍ，Ｖ_ｎ，１，Ｖ_ｎ，２，・・・，Ｖ_ｎ，Ｍ）と定義する。ここに添え字に用いている「２＾（ｎ―１）」は、２のｎ―１乗を意味する。さらに、各レベルごとに絶対値の最大値を求め、ウェーブレット成分については（４）式、スケーリング関数成分については（５）式により、各レベルに対して任意に重み付けを行う。
図１４に、各レベルに対する重み付け係数を設定する画面例を示す。図１４では、重み付けを行うレベルを指定し、スライダーにより重み付け係数を設定できるようにしている。なお、重み付け係数のパターンを何種類か用意しておき、用意したパターンの中からユーザが使用するものを選択するようにしてもよい。

重み付けした後の特徴量をｆ´ｋ＝（Ｗ´_１，１，Ｗ´_１，２，・・・，Ｗ´_{１，Ｍ＊（２＾（ｎ−１））}，Ｗ´_２，１，Ｗ´_２，２，・・・，Ｗ´_{２，Ｍ＊２＾（ｎ−２））}，・・・，Ｗ´_ｎ，１，Ｗ´_ｎ，２，・・・Ｗ´_ｎ，Ｍ，Ｖ´_ｎ，１，Ｖ´_ｎ，２，・・・，Ｖ´_ｎ，Ｍ）と定義する。
ここに、Ｗ´_ｋ，ｌ＝ρ_ｋ＊Ｗ_ｋ，ｌ，Ｖ´_ｎ，ｌ＝ρ´_ｋ＊Ｖ_ｎ，ｌの関係がある。この重み付けされた特徴量ｆ´ｋを用いて、クラスタリングを行う。

負荷曲線は、元データが１時間値の場合は１日２４時間であり、本方式では２４次元の特徴ベクトルが生成されるが、３０分値の場合は１日２４時間４８個のデータとなるため、４８次元の特徴ベクトルとなる。
しかし、需要家の特性は１日２４時間の特徴のみでなく、以下の組み合わせにも対応できるようにしている。すなわち、平日の２４時間平均値と土曜日と日曜日の平均値を取ると、１時間値を対象とする場合は、７２時間のデータを対象に特徴量を抽出する。この７２時間の負荷曲線から特徴量を抽出することにより、需要家の特性を把握できる。本方式では対象とするデータの範囲、時間幅を意識せずに特徴量を抽出するものである。

次に、クラスタリング手段７の処理について、さらに詳しく説明する。
クラスタリング手段７でのクラスタリングの処理方法としては、クラスタ数を指定し、指定クラスタに対応する初期値を適当に割当てた後、さらに良い結果となるようにクラスタリングを行う非階層的クラスタ手法と、随時クラスタを結合する階層的クラスタ手法の両方法を、選択できるようにしている。
まず、非階層的クラスタ手法について説明する。
非階層的クラスタ手法では、初期値として指定されたクラスタ数分、先頭からの特徴量を取り出す。選択された初期値をシードといい、このシードから、Ｋ−Ｍｅａｎｓ法により、クラスタリングを行う。
さらに初期値として、別の組合わせをとり、これについてもクラスタリングを行う。これら異なる初期値の組合せ結果を評価し、全クラスタの重心とクラスタに属するノード間の距離の総和を評価し、最小になる（最も分散の小さくなる）クラスタリング結果を最終的な結果として採用する。
この場合、初期値の取り方により、クラスタリング結果が異なることを回避するため、初期値のパターンを複数与え、毎回同じ結果が得られるようにする。

以下、図８により、順を追って説明する。
図８において、まず、分割するクラスタ数Ｋを設定する（ステップＳ１）。次いで、分割数Ｋと同じデータ数を初期値として選択する（ステップＳ２）。この選択した初期値をシードという。次いで、Ｋ個のシードからのＫ以外の距離の小さいものを任意に選択し、クラスタを作成する（ステップＳ３）。次いで、全てのデータがＫ個のシードに割り当てられると各クラスタの重心を計算する（ステップＳ４）。次に、Ｋ個の重心を新たなシードとし、前回との距離の総和の差が一定値以下ならステップＳ６へ進み、そうでなければ、ステップＳ４に戻る（ステップＳ５）。次いで、Ｎ個の異なる初期値で計算したらステップＳ７に進み、まだ計算していなければ、ステップＳ２に戻る（ステップＳ６）。
最後にステップＳ６で、Ｎ個の異なる初期値で計算した重心からの距離の総和の最小のクラスタを選択する。

次に、階層的クラスタ手法について図９により説明する。
ここでは階層的な分類構造を得るのに、１つずつ対象から逐次似たものを集め、最終的に１つのクラスタにまとめていく。これを凝集型階層的クラスタ分析法という。このとき対象間の類似度の度合を表わす指標である非類似度なる距離を横軸にとり、対象を縦軸に等間隔にとったものを樹形図（デンドログラム）を図１１として表示する。
図９では、一つの対象を構成単位とするｎ個のクラスタから出発する（ステップＳ１１）。クラスタ間の非類似度行列を参照し、最も類似性の高い２つのクラスタを融合して、１つのクラスタを作る（ステップＳ１２）。次いで、クラスタ数が１つになったら終了する（ステップＳ１３）。クラスタ数が１つにならなければ、新しく作られたクラスタと、他のクラスタとの非類似度を計算して非類似度行列を更新して（ステップＳ１４）、ステップＳ１２に戻る。

これにより、結合距離のある断面で切り取ることにより、クラスタリングされた結果を得ることができる。この断面を自由に指定することにより、分析したいクラスタ数での分析ができる。図１１の断面では、３つのクラスタに分類される、この分類にて（１）はスーパマーケット、（２）はレストラン、（３）は銀行が属する率が高いというように業種毎の傾向が負荷曲線の分類と一致しているかどうかの判別・評価を行う。
一般に結合距離が離れれば、それだけ無理にクラスタリングしていることを意味しており、結合距離が大きな値へと変化する手前のクラスタリングを適切なクラスタリングとして分析の対象とする。
ここでの凝集型の階層的クラスタ分析法としては、ウォード法（Ｗａｒｄ ｍｅｔｈｏｄ）を利用する。この場合の距離の計算式として、２つのクラスタ（ｐ）、（ｑ）を融合してつくられたクラスタ（ｔ）と、別のクラスタ（ｒ）を融合するときの非類似度ｄ_ｔｒは（６）式で表わされる。なおｎ_ｐ、ｎ_ｑ、ｎ_ｒ、ｎ_ｔは、それぞれクラスタ（ｐ）、（ｑ）、（ｔ）、（ｒ）に属するデータのデータ数。非類似度とは、値の小さい方が類似性が高いことを表わす数値のことである。

次に、類似度分析にて分類したクラスタに対し、需要家毎の負荷曲線が、どのクラスタへ属するかの問い合わせに対応するため、非階層的クラスタまたは階層的クラスタのある分類において、新たに与えられた負荷曲線がどのクラスタに属するかを求めることができる。図１０にその方法を示す。
例えば、ある需要家の負荷曲線がどの負荷曲線のクラスタに属しているかを調べ、同様な負荷曲線の需要家の属性情報を調査し、より適した料金メニューを推奨することができる。
図１０では、既存クラスタに属する要素の平均を求める（ステップＳ２１）。次いで、各クラスタの平均の特徴量を求める（ステップＳ２２）。次いで、新規負荷曲線の特徴量を計算する（ステップＳ２３）。次いで、新規負荷曲線の特徴量と既存クラスタの平均の特徴量のうち、最も距離の近い既存クラスタに属するクラスタを該当するクラスタとする（ステップＳ２４）。

次に、評価マトリクス生成手段８について説明する。
図４に示す評価マトリクスは、評価マトリクス生成手段８によって生成され、クラスタリングされたデータについて、需要家の属性を縦軸にし、横軸に配置されたクラスタリングされたグループとの相関を、それぞれのマトリクス内の件数によって表わしている。

また、図５に示す評価マトリクスは、評価マトリックス生成手段８で、数値データを評価する側の評価区分としている。このとき、指定された分類数で評価するために、各クラスタ内の数値データの中央値を求め、隣接する中央値の平均を境界値とし、この該当区間を数値データに対する評価区分とするようにして、図５の評価マトリックスとして表示する。
この場合、評価マトリックス生成手段８にて、数値データを評価区分とした場合の境界値の求め方としては、数値データの最大値から最小値を減算し、評価区分数で割り算して各境界値を計算する方法と、図１２のように、クラスタの平均値を計算し、平均値の昇順でクラスタをソートし、平均値の大きい２つのクラスタを選択し、２つのクラスタに対し中央値の平均値を境界値とする方法がある。
図４及び図５に示すマトリクスにより、偏り具合を見て、クラスタリング結果の評価を行うことができる。

次に、評価マトリクスへの適合度の表示について説明する。
この評価マトリクスでは、評価マトリックスにクラスタリングの結果の適合度を計算して表示することができる。ここで、適合度とは、分類した結果が、既存の属性キーの組合せと、どのくらい一致しているかの割合を評価するものである。
これにより、既存の分類区分（評価区分）にて、例えば業種別と契約別などの組合せと、利用実績の形状との適合度を評価することができる。適合度は、（７）式により、求められる。ここでは、図１３のように、各属性（キー１〜キー３）の組合せによる分類区分の項目に含まれる要素の合計をＳｉとし、該当項目のクラスタのうち最大要素数をＳｉで割ってρ_ｉとし、このρ_ｉを属性の組合せの数（ただし、列がすべて０件を除く）数で割ったものを適合度μとする。

ただし、ｍは評価区分のキーの組合せ数（ただし、Ｓｉ＝０であるパターンは除く）

適合度の利用方法の例を図１５により、説明する。図１５は、この発明の実施の形態１で適合度の利用方法の例を説明する図である。図１５には、２通りのクラスタリングの例を示している。図１５（ａ）が、病院、工場、学校、官庁などの産業区分とクラスタリング結果とによる評価マトリクスであり、適合度μ＝０．７７６となる。図１５（ｂ）が、自家発補給電力、高圧電力、業務用電力などの契約区分とクラスタリング結果とによる評価マトリクスであり、適合度μ＝０．５３８となる。このように、一見、違いのわかりにくい評価マトリクスについても、適合度を求めることにより、この場合の産業区分のように、より適合度の高いキーを判別することができる。

また、業種別などの需要家の属性と負荷曲線から抽出した特徴量によるクラスタリング結果とから、属性の区分を変更する例を、図１６を用いて説明する。図１６は、この発明の実施の形態１でクラスタリング結果から区分を変更する例を説明する図である。従来は、産業区分として、石油・石炭、化学、パルプ・紙に３個に区分されていたとする。類似度分析の結果、図１６のようなクラスタリング結果が得られたとする。クラスタ２とクラスタ３が対応していることから、クラスタ２とクラスタ３のそれぞれが１個の区分になるように、化学の区分を２つに細分した方がよいことが分かる。

実施の形態１によれば、業種別などの需要家の属性と、負荷曲線による分類の関係を評価できる。
このため、需要家の既存分類である業種別などの情報を場合によっては複数の業種を１つにまとめたり、逆に１つの業種を更に自家発有り無しを加味した分類にするなどのように、分類区分の見直しの情報を与える。
また、負荷曲線が収集されていない需要家に対し、属性情報の組み合わせにより、負荷曲線を推定することができる。
また、類似した需要家の契約内容を比較することにより、料金メニューの見直しや蓄熱システムを販売した需要家と類似した需要家への販売キャンペーンなどの情報として活用することができる。
ウェーブレット基底としては、スプライン基底、ドビッシー基底、シムレット基底、コイフレット基底などを用いてもよい。

この発明の実施の形態１による類似度分析評価システムを示す全体構成図である。 この発明の実施の形態１による類似度分析評価システムのウェーブレット変換による負荷曲線の特徴抽出とウェーブレット変換係数を示す図である。 この発明の実施の形態１による類似度分析評価システムの離散ウェーブレット変換により特徴量を抽出する過程を説明する図である。 この発明の実施の形態１による類似度分析評価システムのクラスタリングされた結果と属性による評価マトリックスを示す図である。 この発明の実施の形態１による類似度分析評価システムのクラスタリングされた結果とコード属性と数値データの組合わせによる評価マトリックスを示す図である。 この発明の実施の形態１による類似度分析評価システムのハールウェーブレットを示す図である。 この発明の実施の形態１による類似度分析評価システムのハールスケーリング関数を示す図である。 この発明の実施の形態１による類似度分析評価システムのクラスタリング処理（非階層的）を示すフローチャートである。 この発明の実施の形態１による類似度分析評価システムのクラスタリング処理（階層的）を示すフローチャートである。 この発明の実施の形態１による類似度分析評価システムの新たな負荷曲線の既存クラスタへの分類処理を示すフローチャートである。 この発明の実施の形態１による類似度分析評価システムの階層的クラスタリングの結果表現としての樹形図（デンドログラム）である。 この発明の実施の形態１による類似度分析評価システムの数値データを評価区分に分割するための境界値の求め方を示す図である。 この発明の実施の形態１による類似度分析評価システムの属性キーの組合せによる評価マトリックスを示す図である。 この発明の実施の形態１による類似度分析評価システムのウェーブレット変換係数の各レベルへの重みを与える画面例を示す図である。 この発明の実施の形態１による類似度分析評価システムの適合度の利用方法を説明する図である。 この発明の実施の形態１による類似度分析評価システムのクラスタリング結果から区分を変更する例を説明する図である。

符号の説明

１ 需要家
２ サーバ
３ 時系列データ
４ 検索・集計エンジン
５ 該当時系列データ
６ 特徴量抽出手段
７ クラスタリング手段
８ 評価マトリクス生成手段
９ 表示処理部
１０ 端末の画面
１１ 抽出条件設定
１２ 特徴量重み付け設定
１３ クラスタリング方法とクラスタ数設定
１４ 評価項目選択

Claims (6)

1. 属性をもつ時系列データから、離散ウェーブレット変換により特徴量を抽出する特徴量抽出手段、
   この特徴量抽出手段により抽出された特徴量により、複数の上記時系列データを複数の集合に分類するに当って、Ｋ−Ｍｅａｎｓ法を用いる非階層的クラスタ手法と、Ｗａｒｄ法を用いる階層的クラスタ手法のいずれかを選択して、この選択された手法により上記分類を行うクラスタリング手段、
   及びこのクラスタリング手段により分類された結果を上記時系列データがもつ属性をもとにして評価するために、上記分類された集合を一方の軸とし、上記属性を他方の軸とする評価マトリクスを生成する評価マトリクス生成手段を備えたことを特徴とする類似度分析評価システム。
2. 上記特徴量抽出手段によって抽出される特徴量に対し、重み付けを行う特徴量重付け手段を備えたことを特徴とする請求項１記載の類似度分析評価システム。
3. 上記クラスタリング手段によって分類するための分類数を設定するクラスタ数設定手段を備えたことを特徴とする請求項１または請求項２記載の類似度分析評価システム。
4. 上記評価マトリクス生成手段は、上記クラスタリング手段により分類された結果が、上記属性に適合しているかどうかを示す適合度を算出し、評価マトリクス上に表示することを特徴とする請求項１〜請求項３のいずれかに記載の類似度分析評価システム。
5. 上記評価マトリクス生成手段は、上記評価マトリクスの生成に用いられる属性が数値データの場合は、上記数値データを上記分類数に基づいて境界値算出を行うことを特徴とする請求項３記載の類似度分析評価システム。
6. 上記クラスタリング手段によって分類された結果及び上記評価マトリクス生成手段により生成された上記評価マトリクスをグラフ表示する表示手段を備えたことを特徴とする請求項１〜請求項５のいずれかに記載の類似度分析評価システム。