JP5119022B2 - 可変的予測モデル構築方法、及び、可変的予測モデル構築システム - Google Patents
可変的予測モデル構築方法、及び、可変的予測モデル構築システム Download PDFInfo
- Publication number
- JP5119022B2 JP5119022B2 JP2008082087A JP2008082087A JP5119022B2 JP 5119022 B2 JP5119022 B2 JP 5119022B2 JP 2008082087 A JP2008082087 A JP 2008082087A JP 2008082087 A JP2008082087 A JP 2008082087A JP 5119022 B2 JP5119022 B2 JP 5119022B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction model
- prediction
- learning period
- learning
- data
- 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.)
- Expired - Fee Related
Links
Images
Description
一般的に、将来の時系列データの予測には、時系列データの周期性、曜日や季節等の関連情報との相関関係等を利用する。
そこで、春季、春夏季用、夏季用、夏秋季用、秋用、冬用というように、特徴が異なる期間、または、区分毎に予め分割して複数の予測モデルを構築し、これらの予測モデルを切り替えて適用するという方法等がある。
図1は、可変的予測モデル構築システム1のシステム構成を示す図、図2は、端末11のハードウエア構成を示す図、図3は、端末11の記憶装置22の詳細を示す図である。
端末11は、入出力手段を有し、予測モデルの構築を行うコンピュータである。予測の入力として用いる過去の時刻別気温、予測最高気温、予測最低気温、前日実績最高気温、前日実績最低気温、前日実績時刻別気温等は、気象事業者等から得て、データベース13に蓄積する。また、データベース13には過去の電力・ガス・水道・熱需要値等も蓄積する。電力・ガス・水道・熱需要値、気象データ等は、インターネット、イントラネット、またはLAN(Local Area Network)等のネットワーク15を介して蓄積してもよいが、端末11の入力手段を用いて入力したり、媒体を介して蓄積してもよい。
また、データベース13へのデータ入力のための端末と、予測モデルを構築する端末として別の端末を使用してもよい。
メディア入出力部23は、CD−ROM(Compact Disc Read Only Memory)あるいはCD−RW(CD−ReWritable)、フレキシブルディスク、MO(Magneto Optic Disc)等の媒体のドライブで、媒体からのデータの読み出しや、媒体へのデータの書き込みを行う。
印刷部25はプリンタで、ユーザからの要求により必要な情報等の印刷を行う。
表示部26は、CRT(Cathode Ray Tube)あるいはLCD(Liquid Crystal Display)等の表示装置である。
通信部27は、通信制御装置、通信ポート等であり、ネットワーク15を介した通信を制御する。
OS31は、端末11全体を制御するためのプログラムである。
学習データ構築手段32は、学習データ構築のために必要となる時系列データ、関連データ等を入力、蓄積し、学習データの補正を行う。
予測モデル構築手段33は、複数の学習期間を設定し、学習期間毎に予測モデルを構築する。
学習期間・予測モデル決定手段34は、学習データ構築手段32が構築した予測モデルの予測誤差を評価し、最適な学習期間、予測モデルを決定する。
予測モデル35は、予測モデル構築手段33が構築した予測モデルである。
図4は、可変的予測モデル構築方法の処理の流れを示すフローチャート、図5は、学習データの構築ステップの処理の流れを示すフローチャート、図6は、異常値の一例を示す図、図7は、予測モデルの構築ステップの処理の流れを示すフローチャート、図8は、モデル分けステップの処理の流れを示すフローチャート、図9は、気温感応度による予測モデルの違いを示す図、図10は、学習期間・予測モデルの決定ステップの処理の流れを示すフローチャートである。
ステップS1は、端末11の制御部21が学習データ構築手段32を実行し、学習データ構築用の時系列データ・関連データをデータベース15に蓄積し、
異常値の除去、補正等により過去の時系列データに補正を加え、必要に応じてセグメント分けを行い、予測モデルで使用する学習データを構築する(ステップS101)。
学習データの構築ステップS1では、端末11は、ネットワーク15を介して、あるいは、端末11の入力部24から、あるいは、CD−ROM等の媒体を介してメディア入出力部23から学習データ構築用の時系列データ・関連データをデータベース15に入力し蓄積する(ステップS11)。
学習データ構築用のデータ補正ステップとして、端末11の学習データ構築手段32は、データ群の中に異常値が含まれているかどうか判定し(ステップS12)、含まれている場合は異常値を除去し(ステップS13)、異常値の補正を行う(ステップS14)。
すような10物件の電力需要値があった場合、その平均±3σを超えるデータを学習データとしては異常値とみなし、除去する。
ゴールデンウィーク、お盆、お正月等は特異日とみなし、学習データから除去するようにしてもよい。
ステップS13の異常値の除去では、異常値を含む物件のデータを除去したり、あるいは、ステップS14の異常値の補正において1週間前の正常なデータで補間するようにしてもよい。
図7に示すように、予測対象となるデータの特徴を捉えた学習期間として7日、14日、21日、28日、35日、42日、49日、56日、63日、70日の10種類の学習期間を設定し、学習期間毎に予測モデルを構築する。学習期間が短いほど、学習のためのパラメータ数は少なくなり、学習期間が長くなると自動的に優位なパラメータを選択する。ただし、季節が変わるなど学習期間が長すぎると予測精度も悪くなるため、学習期間は最長で70日としている。
図9に示すように、学習期間が長い場合においては、ある気温Tsを境にして気温と需要の感応度が異なる可能性がある。この場合、気温Tsを境に予測モデルが異なる。予測対象となる翌日の気温に応じて適切な予測モデルを選択することにより、予測精度の向上を図ることができる。
例えば電力需要を考えた場合、4月、5月は温度差が大きく、5月になったからといってエアコンを稼動させるとは限らず、ある気温を境にエアコンが稼動されることにより電力需要時系列データの傾向が変わるという現象が発生する。気温Tsは、例えば17℃である。
判断基準となる気温Ts等の前後で既定のデータ数が蓄積してる場合、端末11の予測モデル構築手段33は、設定した判断基準に従って学習データを分割する(ステップS43)。
一方、判断基準となる気温Ts等の前後で既定のデータ数が蓄積していない場合、データ数が少ないと予測モデルの精度が悪くなるため、モデル分けは行わずに全体で一つの予測モデルを構築する。
端末11の予測モデル構築手段33は、平均二乗誤差、AIC(Akaike Infomation Criterion)情報量基準等によりモデル化精度を評価し(ステップS26)、選択した学習期間iについてのモデル化誤差di,1、モデル情報di,2を保持する(ステップS27)。
端末11の予測モデル構築手段33は、全学習期間のモデル構築が完了するまでステップS21〜S27の処理を繰り返す(ステップS28)。
端末11の学習期間・予測モデル決定手段34は、予測モデルの構築ステップS2において求めた全学習期間のモデル化誤差di,1を比較し(ステップS31)、モデル化誤差di,1が最小となる学習期間iを選択し(ステップS32)、選択した学習期間iの予測モデルを用いて翌日の需要の予測を実行する。
図11は、可変的予測モデル構築システム1において使用する説明変数の一例を示す図、図12は、学習期間を選択することによる予測精度向上効果の一例を示す図、図13は、学習期間内でモデル分けを実施することによる予測精度向上効果の一例を示す図、図14は、可変的予測モデル構築による予測精度改善率の一例を示す図である。
説明変数として、月、火、水、木、金、土、日・祝日という曜日フラグ、14日前需要値、7〜1日前需要値、実績時刻別気温、予測最高気温、予測最低気温、前日実績最高気温、前日実績最低気温、前日実績時刻別気温の計21変数を使用する。ただし、学習期間により使用する説明変数の数は異なり、学習期間が長い方が使用する説明変数の数は多くなる傾向にある。
各時間帯別の誤差、全時間帯平均誤差は、次式により求める。
従来の予測モデルは、学習期間固定、説明変数固定の検討モデルの中で最も予測精度が高かったモデルである。学習期間を7日〜70日の10通りの中から選択し、学習期間毎に予測モデルを適応的に選択した可変的予測モデルでは、従来の予測モデルよりも年間を通して月毎の全時間帯の平均誤差が低く、また年間で7%の改善を図ることができた。
可変的予測モデル構築方法において、季節により最適な学習期間と予測モデルの選択を選択することに加えて、気温感応度を考慮した予測モデルのモデル分けを実施することにより、更に予測精度の向上を図ることができる。
11………端末
13………データベース
15………ネットワーク
21………制御部
22………記憶装置
23………メディア入出力部
24………入力部
25………印刷部
26………表示部
27………通信部
28………バス
31………OS
32………学習データ構築手段
33………予測モデル構築手段
34………学習期間・予測モデル決定手段
35………予測モデル
Claims (4)
- 過去の時系列データを蓄積する端末が、前記時系列データに基づいて、将来の時系列データを予測する予測モデルを可変的に構築する可変的予測モデル構築システムにおける可変的予測モデル構築方法であって、
前記端末が、前記時系列データに異常値が含まれている場合、前記異常値を除去、あるいは、正常なデータで補間して補正し、前記予測モデルで使用する学習データを構築する学習データ構築ステップと、
前記端末が、複数の学習期間を設定する学習期間設定ステップと、
前記端末が、前記学習期間毎に、複数の説明変数の中から適切な要因を決定し、前記学習期間毎に予測モデルを構築する可変的予測モデル構築ステップと、
前記端末が、前記学習期間毎に構築した予測モデルにより、前記学習期間毎の予測精度を算出して比較し、最も予測精度の高い学習期間を選定する学習期間選定ステップと、
前記端末が、前記選定した学習期間の予測モデルを用いて予測を実行し、予測値を得る予測実行ステップと、
を備え、
前記複数の説明変数は、曜日フラグ及び過去実績需要値に加えて、実績時刻別気温、予測最高気温、予測最低気温、前日実績最高気温、前日実績最低気温及び前日実績時刻別気温を含むことを特徴とする可変的予測モデル構築方法。 - 前記可変的予測モデル構築ステップは、学習期間内でモデル分けを行う際、モデル分けをする判断基準となる気温の前後で既定のデータ数が蓄積しているか判定し、判定結果が肯定の場合には設定した判断基準に従って学習データを分割して予測モデルを構築し、判定結果が否定の場合にはモデル分けを行わずに学習期間全体で単一の予測モデルを構築する
ことを特徴とする請求項1記載の可変的予測モデル構築方法。 - 過去の時系列データを蓄積する端末が、前記時系列データに基づいて、将来の時系列データを予測する予測モデルを可変的に構築する可変的予測モデル構築システムであって、
前記端末は、
前記時系列データに異常値が含まれている場合、前記異常値を除去、あるいは、正常なデータで補間して補正し、前記予測モデルで使用する学習データを構築する学習データ構築手段と、
複数の学習期間を設定する学習期間設定手段と、
前記端末が、前記学習期間毎に、複数の説明変数の中から適切な要因を決定し、前記学習期間毎に予測モデルを構築する可変的予測モデル構築手段と、
前記学習期間毎に構築した予測モデルにより、前記学習期間毎の予測精度を算出して比較し、最も予測精度の高い学習期間を選定する学習期間選定手段と、
前記選定した学習期間の予測モデルを用いて予測を実行し、予測値を得る予測実行手段と、
を備え、
前記複数の説明変数は、曜日フラグ及び過去実績需要値に加えて、実績時刻別気温、予測最高気温、予測最低気温、前日実績最高気温、前日実績最低気温及び前日実績時刻別気温を含むことを特徴とする可変的予測モデル構築システム。 - 前記可変的予測モデル構築手段は、学習期間内でモデル分けを行う際、モデル分けをする判断基準となる気温の前後で既定のデータ数が蓄積しているか判定し、判定結果が肯定の場合には設定した判断基準に従って学習データを分割して予測モデルを構築し、判定結果が否定の場合にはモデル分けを行わずに学習期間全体で単一の予測モデルを構築する
ことを特徴とする請求項3記載の可変的予測モデル構築システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008082087A JP5119022B2 (ja) | 2008-03-26 | 2008-03-26 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008082087A JP5119022B2 (ja) | 2008-03-26 | 2008-03-26 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009237832A JP2009237832A (ja) | 2009-10-15 |
JP5119022B2 true JP5119022B2 (ja) | 2013-01-16 |
Family
ID=41251711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008082087A Expired - Fee Related JP5119022B2 (ja) | 2008-03-26 | 2008-03-26 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5119022B2 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013039553A1 (en) * | 2011-09-17 | 2013-03-21 | Narayam Amit | Load forecasting from individual customer to system level |
JP2013114636A (ja) * | 2011-12-01 | 2013-06-10 | Tokyo Gas Co Ltd | 保守支援システム、保守支援方法、及びプログラム |
JP2013196037A (ja) * | 2012-03-15 | 2013-09-30 | Hitachi Ltd | 需要予測システム及び需要予測方法 |
JP5656946B2 (ja) | 2012-09-27 | 2015-01-21 | 株式会社東芝 | データ分析装置及びプログラム |
JP2015139283A (ja) * | 2014-01-22 | 2015-07-30 | 国立大学法人名古屋大学 | 電力需要ピーク予測装置、電力需要ピーク予測方法、及び電力需要ピーク予測プログラム |
JP6324124B2 (ja) * | 2014-03-11 | 2018-05-16 | 国立大学法人静岡大学 | 予測システム、予測方法、および予測プログラム |
JP6282569B2 (ja) * | 2014-10-01 | 2018-02-21 | 三菱重工業株式会社 | 船舶の運航支援システム及び船舶の運航支援方法 |
JP6494258B2 (ja) * | 2014-11-19 | 2019-04-03 | 国立大学法人静岡大学 | 予測システム、予測方法、および予測プログラム |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
JP6708204B2 (ja) * | 2015-03-23 | 2020-06-10 | 日本電気株式会社 | 精度推定モデル生成システムおよび精度推定システム |
JP6705716B2 (ja) * | 2016-08-04 | 2020-06-03 | 東日本旅客鉄道株式会社 | 電力需要予測方法および電力需要予測プログラム |
CN106875038B (zh) * | 2017-01-03 | 2021-09-28 | 国能日新科技股份有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
JP7139625B2 (ja) * | 2017-08-04 | 2022-09-21 | 富士電機株式会社 | 要因分析システム、要因分析方法およびプログラム |
JP6736530B2 (ja) * | 2017-09-13 | 2020-08-05 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
JP2019086928A (ja) * | 2017-11-06 | 2019-06-06 | ファナック株式会社 | 制御装置及び機械学習装置 |
US20210125088A1 (en) * | 2018-03-27 | 2021-04-29 | Nec Corporation | Product detection device, method, and program |
JP2019200536A (ja) * | 2018-05-15 | 2019-11-21 | オリンパス株式会社 | 画像取得装置、画像取得方法及び画像取得プログラム |
JP7470784B2 (ja) | 2019-10-06 | 2024-04-18 | ピーディーエフ ソリューションズ,インコーポレイテッド | 異常機器トレース検出および分類 |
JP7243564B2 (ja) * | 2019-10-17 | 2023-03-22 | トヨタ自動車株式会社 | 情報処理装置および情報処理方法 |
JP7371695B2 (ja) * | 2019-10-24 | 2023-10-31 | 富士通株式会社 | 劣化検出方法、劣化検出プログラムおよび情報処理装置 |
JP7310908B2 (ja) * | 2019-10-25 | 2023-07-19 | 日本電信電話株式会社 | データ拡張装置、方法及びプログラム |
JP7413742B2 (ja) | 2019-12-05 | 2024-01-16 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
JP7379286B2 (ja) * | 2020-06-25 | 2023-11-14 | 株式会社日立プラントサービス | 学習装置、予測システム、および、学習方法 |
JP7259830B2 (ja) * | 2020-11-18 | 2023-04-18 | 日本電気株式会社 | モデル評価装置、モデル評価方法、およびプログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2681421B2 (ja) * | 1991-06-20 | 1997-11-26 | 株式会社日立製作所 | 需要量予測方法及び装置 |
JPH05204412A (ja) * | 1992-01-29 | 1993-08-13 | Hitachi Ltd | 需要量予測方法 |
JPH09245013A (ja) * | 1996-03-04 | 1997-09-19 | Fuji Electric Co Ltd | リカレントネットワークの学習方法 |
JPH09285010A (ja) * | 1996-04-11 | 1997-10-31 | Toshiba Corp | 電力需要予測支援装置 |
JPH10224990A (ja) * | 1997-02-10 | 1998-08-21 | Fuji Electric Co Ltd | 電力需要量予測値補正方法 |
JP2000270473A (ja) * | 1999-03-15 | 2000-09-29 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP4448226B2 (ja) * | 2000-03-07 | 2010-04-07 | 新日本製鐵株式会社 | 需要予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP3994910B2 (ja) * | 2003-05-08 | 2007-10-24 | 株式会社日立製作所 | 電力売買支援システム |
JP2006157984A (ja) * | 2004-11-25 | 2006-06-15 | Hitachi Ltd | 電力需要予測システム |
JP2006350920A (ja) * | 2005-06-20 | 2006-12-28 | Toshiba Corp | エネルギー需要予測システム及び需要予測方法 |
JP2007241360A (ja) * | 2006-03-06 | 2007-09-20 | Osaka Gas Co Ltd | エネルギ需要量予測支援システム |
-
2008
- 2008-03-26 JP JP2008082087A patent/JP5119022B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2009237832A (ja) | 2009-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5119022B2 (ja) | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム | |
TWI592811B (zh) | 需求預測裝置、程式以及記錄媒體 | |
US10483760B2 (en) | Energy storage peak shaving of electrical power for facilities | |
JP2004086896A (ja) | 適応的予測モデル構築方法及び適応的予測モデル構築システム | |
JP6006072B2 (ja) | エネルギー消費量予測システム | |
US7987106B1 (en) | System and methods for forecasting time series with multiple seasonal patterns | |
Verrall et al. | Prediction of RBNS and IBNR claims using claim amounts and claim counts | |
CN103221755B (zh) | 空调信息推定装置、空调信息推定装置的控制方法、以及控制程序 | |
US20100023408A1 (en) | Automated campaign reconciliation | |
US20190137956A1 (en) | Battery lifetime maximization in behind-the-meter energy management systems | |
JP6134253B2 (ja) | エネルギー消費量予測システムおよびエネルギー消費量予測方法 | |
WO2016088370A1 (ja) | 情報処理装置、モデル構築方法及びプログラム記録媒体 | |
JP5734325B2 (ja) | 電力予測装置、設備制御システム、電力予測方法、及びプログラム | |
US20230028574A1 (en) | Traffic prediction method, device, and storage medium | |
GB2590161A (en) | Systems and methods for dynamic demand sensing | |
US20190140465A1 (en) | Demand charge minimization in behind-the-meter energy management systems | |
US20210367875A1 (en) | Anomaly detection method and storage medium | |
CN112561207A (zh) | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 | |
KR101662809B1 (ko) | 철도 역사 내 전력 수요 예측 방법 및 그 장치 | |
JP5833267B1 (ja) | 発電量予測制御装置、発電量予測方法および発電量予測プログラム | |
CN112016977B (zh) | 一种用电信息采集方法、系统及电量数据服务器 | |
JPH11119805A (ja) | 電力需要量予測値補正方法 | |
US20150127306A1 (en) | Apparatus and method for creating a power consumption model and non-transitory computer readable storage medium thereof | |
JP6605342B2 (ja) | 電力需要予測装置、電力需要予測方法、及び電力需要予測プログラム | |
KR102358080B1 (ko) | 온도요소를 고려한 일 평균전력량 보정의 개선형 전력수요 예측 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100311 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120403 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120601 |
|
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: 20121009 |
|
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: 20121022 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5119022 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151026 Year of fee payment: 3 |
|
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 |
|
LAPS | Cancellation because of no payment of annual fees |