JP5119022B2

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

Info

Publication number: JP5119022B2
Application number: JP2008082087A
Authority: JP
Inventors: 秀一町
Original assignee: Tokyo Gas Co Ltd
Current assignee: Tokyo Gas Co Ltd
Priority date: 2008-03-26
Filing date: 2008-03-26
Publication date: 2013-01-16
Anticipated expiration: 2028-03-26
Also published as: JP2009237832A

Description

本発明は、需要家の高精度な需要予測を実施することで需要に合わせた計画を実現し、需要と供給の同時同量を達成する可変的予測モデル構築方法等に関する。

需要家の需要には、電力需要、ガス需要、水需要、熱需要、その他の需要量、各種販売量等がある。それらの将来の時系列データを予測するためには、過去の時系列データやその他の関連情報を用いて、予測するための予測モデルを構築する。
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。

時系列データの想定外の傾向を示した場合、あるいは、ある期間や区分の特徴が変化してきた場合は、予め固定した期間、区分では十分に精度のよいモデル化は困難であるため、特許文献１では、予測モデルから出力される予測値の誤差が大きくなり、予測モデルが学習した時系列データの特性と、予測時点の時系列のデータの特性とが異なってきている場合に、予測モデルの再学習を行い、予測モデルを更新するという方法を」開示している。
特開２００４−８６８９６号公報

しかしながら、上記の方法では、ある一定の誤差水準に達するまで予測モデルの更新を実施しない事で水準内での精度向上を犠牲にしてしまい、学習期間を固定してしまう事で時系列データの特徴を効果的に学習出来ない虞がある。また、ある気温を境にして気温と需要の感応度が異なる可能性があり、このような場合に対応するのが難しい。

本発明は、このような問題に鑑みてなされたもので、その目的とするところは、あらゆる期間・季節で需要予測精度の向上が可能な可変的予測モデル構築方法等を提供することである。その効果として、需要家の需要に合わせて計画を実現し、需要と供給の同時同量を達成して事業リスクの低減、設備の有効利用を行うことを可能とする。

前述した目的を達成するために第１の発明は、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である。

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ようにしても良い。

第２の発明は、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である。

本発明によれば、あらゆる期間・季節で需要予測精度の向上が可能な可変的予測モデル構築方法等を提供することが出来、需要家の需要に合わせて計画を実現することで、需要と供給の同時同量を達成して事業リスクの低減、設備の有効利用を行うことを可能とする。

以下、添付図面を参照しながら、本発明に係る可変的予測モデル構築システムについて詳細に説明する。
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。

図１に示すように、可変的予測モデル構築システム１は、電気・ガス・水道・熱事業者等が設置するもので、過去の時系列データを用いて、前日までに翌日の需要を予測するもので、データベース１３を有する端末１１がネットワーク１５に接続される。
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（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）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。

図２に示すように、端末１１は、バス２８により相互接続された制御部２１、記憶装置２２、メディア入出力部２３、入力部２４、印刷部２５、表示部２６、通信部２７等を有する。

制御部２１は、プログラムの実行を行うＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）と、プログラム命令あるいはデータ等を格納するためのＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等のメモリから構成される。制御部２１は、端末１１全体の動作を制御する。

記憶装置２２は、端末１１の制御プログラム等の固定データ、各種データ等を格納するための記憶媒体である。
メディア入出力部２３は、ＣＤ−ＲＯＭ(ＣｏｍｐａｃｔＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ)あるいはＣＤ−ＲＷ（ＣＤ−ＲｅＷｒｉｔａｂｌｅ）、フレキシブルディスク、ＭＯ(ＭａｇｎｅｔｏＯｐｔｉｃＤｉｓｃ)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。

入力部２４は、キーボード、マウス等の入力装置である。
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（ＣａｔｈｏｄｅＲａｙＴｕｂｅ）あるいはＬＣＤ（ＬｉｑｕｉｄＣｒｙｓｔａｌＤｉｓｐｌａｙ）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。

図３に示すように、記憶装置２２は、ＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）３１、学習データ構築手段３２、予測モデル構築手段３３、学習期間・予測モデル決定手段３４、予測モデル３５等を有する。
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。

次に、図４、５、６、７、８、９、１０を参照しながら、可変的予測モデル構築システム１における処理の流れについて説明する。
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。

最初に、図４を参照しながら、本実施の形態に係る可変的予測モデル構築方法の処理の流れについて説明する。
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）。

ステップＳ２は、端末１１の制御部２１が予測モデル構築手段３３を実行し、７日、１４日、２１日、２８日、３５日、４２日、４９日、５６日、６３日、７０日というような複数の学習期間を設定し、複数の学習期間の中から一つの学習期間ｉを選択し（ステップＳ２０１）、選択した学習期間ｉの適切な予測モデルを構築し（ステップＳ２０２）、全ての学習期間についてモデル構築が完了するまでステップＳ２０１、Ｓ２０２の処理を繰り返し行う（ステップＳ２０３）。

ステップＳ３は、端末１１の制御部２１が学習期間・予測モデル決定手段３４を実行し、各学習期間において予測誤差を算出して評価し（ステップＳ３０３）、予測誤差が最も小さい学習期間、予測モデルを翌日の予測モデルとして決定する（ステップＳ３０４）。

次に、図５、６を参照しながら、ステップＳ１の学習データの構築ステップについて詳細に説明する。
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）。

ステップＳ１２のデータ群の中で異常値かどうかの判定は、例えば、図６に示
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。

端末１１の学習データ構築手段３２は、物件のセグメント分けが必要かどうか判定し（ステップＳ１５）、必要な場合、業種毎あるいはデータの特徴毎にセグメント分けを行う(ステップＳ１６)。

次に、図７、８、９を参照しながら、ステップＳ２の予測モデルの構築ステップについて詳細に説明する。
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。

端末１１の予測モデル構築手段３３は、複数の学習期間の中から一つの学習期間ｉを選択し(ステップＳ２１)、学習期間内でモデル分けを行うかどうか判定し（ステップＳ２２）、モデル分けを行う場合、図８に示すモデル分けの処理を行う（ステップＳ２３）。

モデル分けの処理は、特に学習期間が長い場合において有効である。
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。

図８に示すように、ステップＳ２３のモデル分けの処理では、端末１１の予測モデル構築手段３３はモデル分けをする判断基準となる気温Ｔｓ、あるいはクラスタリングの設定を行い（ステップＳ４１）、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るかどうかを判定する（ステップＳ４２）。
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。

図７において、端末１１の予測モデル構築手段３３は、例えば重回帰式を用いる場合にはステップワイズ法等により要因を決定し（ステップＳ２４）、重回帰式により学習データのモデル化を行う(ステップＳ２５)。同様に、主成分回帰式、ニューラルネット等を用いる場合にも適切な手段で適切な要因を決定し、学習データのモデル化を行ってもよい。
端末１１の予測モデル構築手段３３は、平均二乗誤差、ＡＩＣ（ＡｋａｉｋｅＩｎｆｏｍａｔｉｏｎＣｒｉｔｅｒｉｏｎ）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ｄ_ｉ，１、モデル情報ｄ_ｉ，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）。

次に、図１０を参照しながら、ステップＳ３の学習期間・予測モデルの決定ステップについて詳細に説明する。
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ｄ_ｉ，１を比較し（ステップＳ３１）、モデル化誤差ｄ_ｉ，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。

次に、図１１、１２、１３、１４を参照しながら、可変的予測モデル構築システム１における実施例について説明する。
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。

電気事業者等が、例えば、合計契約電力が４６，０００ｋＷ程度の翌日電力需要予測を行うとする。

可変的予測モデル構築法では、予測モデルのパラメータとして、図１１に示す説明変数を使用する。
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。

図１２は、可変的予測モデル構築法において、学習期間を２ヶ月に固定した場合と、７日から７０日の１０通りの学習期間の中から選択した場合の各時間帯別の誤差を示している。学習期間を可変にした場合の方が、全体的に各時間帯別の誤差は小さく、全時間平均誤差も２６．８％改善されている。
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。

図１３は、可変的予測モデル構築法において、モデル分けを実施しない場合と、モデル分けを実施した場合の誤差を示している。モデル分けを実施した場合の方が、全時間平均誤差が１．６％改善されている。特に誤差が大きい時間帯に効果がある。

図１４は、従来の予測モデルと、可変的予測モデルを使用した場合の全時間帯の平均誤差を示している。
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。

このように本発明の実施の形態によれば、あらゆる期間・季節で需要予測精度の向上が可能な可変的予測モデル構築方法等を提供することが出来、需要家の需要に合わせて計画を実現することで、需要と供給の同時同量を達成して事業リスクの低減、設備の有効利用を行うことを可能とする。
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。

また、実施例として電力需要の予測について説明したが、ガス需要、水需要、熱需要、その他の需要量、各種販売量等についても、気温、水温等をパラメータとして同様の需要予測を行うことができる。

以上、添付図面を参照しながら本発明に係る可変的予測モデル構築方法の好適な実施形態について説明したが、前述した実施の形態に限定されない。当業者であれば、特許請求の範囲に記載された技術的思想の範疇内において各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

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端末１１のハードウエア構成を示す図端末１１の記憶装置２２の詳細を示す図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異常値の一例を示す図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気温感応度による予測モデルの違いを示す図学習期間・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

符号の説明

１………可変的予測モデル構築システム
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

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。