JP6187003B2 - 類似日抽出装置、類似日抽出方法、プログラム - Google Patents
類似日抽出装置、類似日抽出方法、プログラム Download PDFInfo
- Publication number
- JP6187003B2 JP6187003B2 JP2013160660A JP2013160660A JP6187003B2 JP 6187003 B2 JP6187003 B2 JP 6187003B2 JP 2013160660 A JP2013160660 A JP 2013160660A JP 2013160660 A JP2013160660 A JP 2013160660A JP 6187003 B2 JP6187003 B2 JP 6187003B2
- Authority
- JP
- Japan
- Prior art keywords
- day
- similar
- prediction target
- date
- information
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
===電力系統===
以下、図1を参照して、本実施形態における電力系統について説明する。図1は、本実施形態における電力系統を示す図である。
以下、図1を参照して、本実施形態における類似日について説明する。
以下、図2及び図3を参照して、本実施形態における類似日抽出装置について説明する。図2は、本実施形態における類似日抽出装置のハードウエアを示すブロック図である。図3は、本実施形態における類似日抽出装置の機能等を示すブロック図である。
以下、図4及び図5を参照して、本実施形態における要因データについて説明する。図4は、本実施形態における気温と需要との関係を示す図である。図5は、本実施形態における要因データのイメージを示す図である。尚、時間帯A2が予測対象日の1日の時間帯を示しており、時間帯A3が予測対象日よりも後の1日の時間帯を示しており、時間帯A1が予測対象日よりも前の1日に時間帯を示している。
以下、図3、図5及び図6を参照して、本実施形態における要求点入力部について説明する。図6は、本実施形態における要求点入力部によって取得された要因データを示す図である。
以下、図7乃至図14を参照して、本実施形態における要因分析部について説明する。図7は、本実施形態における1日における時刻に対する需要を示す図である。図8は、本実施形態における学習データを示す図である。図9は、本実施形態における最大木を示す図である。図10は、本実施形態における学習データの一部を示す図である。図11は、本実施形態における最良木を示す図である。図12は、本実施形態における1日における時刻に対する学習データの需要を示す図である。図13は、本実施形態における1日における時刻に対する正規化された学習データの需要を示す図である。図14は、本実施形態における第2変数重要度の算出例を示す図である。
要因分析部22は、予め定められた時刻毎に学習データD3(図8)を、記憶装置24に記憶されているデータに基づいて作成する。尚、予め定められた時刻は、要求点入力部21で取得される第1要因データにおける予め定められた時刻と同様に定められる。
要因分析部22は、決定木構築において、親ノード内のデータを2つの子ノードに分割することで、木を成長させる。要因分析部22は、まず、要因である各変数に対して、対象データとなる親ノードの日付毎のデータ(単に「データ」とも称する)に対して生じる誤差が最も減少する分岐条件を選択し、木を構築する。要因分析部22は、この誤差の尺度として分岐したときの誤分類率の改善度合いを測る改善度を用いる。この改善度が閾値を満たすか、分類後のノード内のデータの出力が同一となるまで繰り返し2つのノードにデータを分割していくことで、要因分析部22は、決定木を構築する。要因分析部22は、式1に基づいてすべての入力変数の改善度を算出し、その中で最も大きい値のものを最良分岐条件とする。要因分析部22は、そのときの入力変数を分岐入力変数とし、その分割した左右の平均を分岐値とする。要因分析部22は、この作業を繰り返し行うことで決定木をこれ以上分割できない最大木まで成長させる。但し、あまりに大きく決定木が成長してしまうと、計算上オーバーフィッティング(過剰適合)を起こす場合がある。そのため、要因分析部22は、子ノードを分岐ノードにするかターミナルノードにするかについて、閾値に基づいて判断する必要がある。その判断基準としては,ノードの郡間平方和が閾値より大きくなるか否かとする。なお、閾値については、任意に決定される。
例えば、学習データD3が、2時の日付毎のデータとして第1乃至第4データ(図10)の4個のデータを有している場合について説明する。つまり、図10においては、学習データD3における平均気温、曜日については、説明の便宜上、省略されている。
要因分析部22は、分岐ノードnd1(ノード1)(図9)の分岐条件として、式1における改善度Δi(1)が最大となる最良分岐条件を選択する。尚、分岐条件とは、第1変数x1又は第2変数x2に基づいて第1乃至第4データを2つに分岐させるための条件を示している。要因分析部22は、最良分岐条件を選択するために、仮分岐条件毎に改善度Δi(1)を算出する。
要因分析部22は、分岐ノードnd1の分岐先のノードをターミナルノードにするか、分岐ノードにするかを判断する。分岐先のノードのデータが例えば1個になる等により分岐先のノードのデータを更に分岐させられないとき、要因分析部22は、分岐先のノードをターミナルノードにする。又、分岐先のノードにおける群間平方和が閾値より大きくなったときも、分岐先のノードをターミナルノードにする。この構成により、例えば、オーバーフィッティングが引き起こされて、決定木が用いられている需要に関するモデルが収束しなくなるのを防止することが可能となる。
木の成長によって最大木Tr1まで成長した決定木は、学習データD3に対して類似したデータを抽出しているが、構造が比較的複雑であり、学習データD3に対してオーバーフィッティングしている可能性がある。そこで、要因分析部22は、木構造を簡略化するため、一旦最大木Tr1まで成長した木に対して枝の剪定を行う。具体的には、要因分析部22は、各分岐ノードnd1乃至nd6において、そのノードよりも下層にある部分木のノード数あたりの誤差としての複雑度パラメータα(t)(式5)を算出する。次に、要因分析部22は、得られた複雑度パラメータα(t)の値が最も小さな値となる分岐ノードをターミナルノードに置き換える。最後に、要因分析部22は、全ての分岐ノードnd1乃至nd6がターミナルノードになるまで繰り返す。以上の手順により、要因分析部22は、最大木を一旦最小木まで剪定する。
要因分析部22は、最大木Tr1の分岐ノードnd1乃至nd6夫々について、複雑度パラメータα(t)を算出した後、木の剪定を行う。
分岐ノードnd2の複雑度パラメータα(2)については、分岐ノードnd2よりも下層のターミナルノードの個数は3個である。よって、式5の右辺の分母は、ターミナルノードの個数から1が差し引かれた2となる。また、式5の右辺の分子の第1項は、分岐ノードnd2の平方和S(2)となる。式5の右辺の分子の第2項は、分岐ノードnd2よりも下層のターミナルノードnt1、nt3、nt4夫々の平方和S(T1)、S(T3)、S(T4)の合計となる。これらより、要因分析部22は、複雑度パラメータα(2)を算出する。要因分析部22は、同様にして、分岐ノードnd1、nd3乃至nd6夫々の複雑度パラメータα(1)、α(3)乃至α(6)を算出する。
例えば、複雑度パラメータα(1)乃至α(6)の値のうちで、複雑度パラメータα(5)の値が最も小さい場合、要因分析部22は、分岐ノードnd5をターミナルノードに置き換えて木の剪定を行う。この後、要因分析部22は、残りの分岐ノードnd1乃至nd4について再度複雑度パラメータを算出し、算出結果に基づいて同様に木の剪定を行う。要因分析部22は、分岐ノードnd1乃至nd6の全てがターミナルノードになるまで木の剪定を行う。
木の剪定を行う過程において、要因分析部22は、交差検証法を用いて決定木の誤差を推定する。交差検証法は、モデル構築の際に、学習データの数が十分でない場合もしくは、学習の偏りを小さくするための学習法である。最初に、要因分析部22は、学習データD3をν個のグループに分割し、その中の(ν―1)個のグループをモデル構築用の学習データとして用い、残りの1グループを誤差推定用のテストデータとして用いる。要因分析部22は、木の剪定が行われる毎に交差検証法を用いることで、剪定後の交差検証誤差Rcv(d)(式6)等を求める。
要因分析部22は、前述の木の剪定が行われる毎に交差検証誤差Rcv(d)及び標準偏差σ(Rcv(d))を算出し、当該算出結果に基づいて最良木を選択する。
例えば、最大木Tr1において分岐ノードnd6、nd2、nd1の順で剪定が行われたこととし、最大木Tr1に対して、分岐ノードnd6が剪定された木を交差検証木Trd6とし、更に分岐ノードnd2が剪定された木を交差検証木Trd2とし、更に分岐ノードnd1が剪定された木を交差検証木Trd1とする。要因分析部22は、分岐ノードnd6が剪定されたときの木である交差検証木Trd6のテストデータの誤差Rts(di)を算出した上で、交差検証誤差Rcv(d)及び標準偏差σ(Rcv(d))を算出する。
要因分析部22は、交差検証木Trd1、Trd2、Trd6夫々における交差検証誤差Rcv(d)と標準偏差σ(Rcv(d))との合計のうちの当該合計が最小の交差検証木を誤差最小木とする。例えば、交差検証木Trd2が、誤差最小木にされていることとする。この場合、要因分析部22は、交差検証木Trd1の交差検証誤差Rcv(d)が、誤差最小木の交差検証誤差Rcv(d)と標準偏差σ(Rcv(d))との合計(「最小木の誤差閾値」とも称する)以下となるか否かを判断する。更に、要因分析部22は、交差検証木Trd6の交差検証誤差Rcv(d)が、最小木の誤差閾値以下となるか否かを判断する。
要因分析部22は、選択された最良木に基づいて第1変数重要度を算出する。第1変数重要度は、決定木構築の際の入力変数の度合いを明確にした指標である。又、第1変数重要度は、一日を所定時間毎に分割した各時刻(各時間帯)における、複数の要因夫々が予測対象日の需要に与えると推定される影響度合いである。第1変数重要度の算出には、最良木での分岐ノードに使用した変数の改善度が用いられる。第1変数重要度は、式10に示されるように、各改善度を変数毎に合計した値である。第1変数重要度においては、予測対象に対して与える影響の度合いが最大であり、最も重要である変数の第1変数重要度を100(%)とし、他の変数の重要度が量的に表されている。
例えば、最良木Tr6が選択されており、分岐ノードnd1、nd2、nd4の分岐条件が第1変数x1としての最高気温に基づくものであり、分岐ノードnd3、nd5の分岐条件が第2変数x2としての最低気温に基づくものであることとする。要因分析部22は、分岐ノードnd1、nd2、nd4の改善度Δi(t)の合計を第1変数x1における第1改善度Δi(x1、t)とする。又、要因分析部22は、分岐ノードnd3、nd5の改善度Δi(t)の合計を第2変数x2における第2改善度Δi(x2、t)とする。例えば、第1改善度Δi(x1、t)の値のほうが第2改善度Δi(x2、t)の値よりも大きい場合、要因分析部22は、第1変数x1の第1変数重要度を100(%)とする。更に、第2変数x1の第1変数重要度については、要因分析部22は、式10に基づいて、第1改善度Δi(x1、t)の値(式10の右辺の分母)に対するが第2改善度Δi(x2、t)の値(式10の右辺の分子)の比率を第2変数x2の第1変数重要度とする。
要因分析部22は、予め定められた時刻毎に算出された第1変数重要度を統合して、第2変数重要度を算出する。予測対象である時系列データの特徴を考慮した第2変数重要度を算出するために、時刻毎における第1変数重要度の結果を1日における第2変数重要度に統合する。予測対象である時系列データの特徴は、過去データからその変動傾向によって考慮することができる。そこで、要因分析部22は、学習データD3の需要を示す予測対象データの時刻毎の変動傾向を重みとして、当該重みと第1変数重要度との重み付け平均値により第2変数重要度の値を算出する。
例えば、予め定められた時刻が2時、14時、20時であり、需要要因としての各変数が第1変数x1、第2変数x2、第3変数x3、第4変数x4の4個設けられている場合について説明する。第1変数x1、第2変数x2は夫々、前述したように、最高気温、最低気温に対応する。第3変数x3、第4変数x4は夫々、学習データD3(図8)の平均気温、曜日に対応していることとする。
要因分析部22は、学習データに基づいて2時、14時、20時夫々の重みw(1)、w(2)、w(3)を算出する。具体的には、要因分析部22は、学習データ(図12)の各時刻における需要の平均値を算出し、当該平均値を基準に各時刻の学習データを正規化する(図13)。この後、要因分析部22は、正規化された学習データにおいて各時刻の正規化された学習データの最大値から最小値を差し引いて幅を算出する。要因分析部22は、2時の幅W21、14時の幅W22、20時の幅W23を算出する。尚、幅W21乃至W23は夫々、幅W11乃至W13(図12)に応じた幅となる。例えば、幅W21乃至W23のうち幅W22が最大で、幅W21が最小となっていることとする。この後、要因分析部22は、幅W21乃至W23のうちの最大の幅W22が1となるように、幅W21乃至W23を正規化する。要因分析部22は、正規化された幅W21、正規化された幅W22、正規化された幅W23を夫々、重みw(1)、w(2)、w(3)とする。例えば、重みw(1)、w(2)、w(3)は夫々、0.6、1、0.8となる。
要因分析部22は、式11に基づいて、第1変数x1の統合値、第2変数x2の統合値、第3変数x3の統合値、第4変数x4の統合値を算出する。要因分析22は、統合値に基づいて、第1変数x1乃至第4変数x4夫々の第2変数重要度を算出する(図14)。尚、図14の第2変数重要度の統合過程においては、式11における24つまり各変数に対する第1変数重要度を除数とした除算については、説明の便宜上、省略されている。要因分析部22は、第1変数x1乃至第4変数x4夫々の第2変数重要度を例えば、68(%)、41(%)、69(%)、100(%)と算出する。
以下、図3及び図14を参照して、本実施形態における距離計算部について説明する。
例えば、要求点としての予測対象日が2012年9月1日であり、探索点としての過去日が2012年8月1日から2012年8月4日までであり、要因としての説明変数(各変数、入力変数)が最高気温及び最低気温であり、要求データ数が2である場合について説明する。
距離計算部23は、式12に基づいて距離dtを算出する。距離計算部23は、過去の2012年8月1日における最高気温と、予測対象日の予測最高気温との差の絶対値を距離dt11として算出する。距離計算部23は、同様に、過去の2012年8月2日乃至2012年8月4日における最高気温夫々と、予測対象日の予測最高気温との差の絶対値夫々を距離dt12、dt13、dt14として算出する。
距離計算部23は、式14に基づいて距離Dcontributionを算出する。距離計算部23は、変数としての最高気温の第2変数重要度の平方根と距離dt11との積と、変数としての最低気温の第2変数重要度の平方根と距離dt21との積との和を、2012年8月1日と予測対象日との距離Dcontributionとして算出する。距離計算部23は、同様にして、2012年8月2日乃至2012年8月4日それぞれと予測対象日との距離Dcontribution夫々を算出する。
距離計算部23は、距離Dcontributionが短い順に過去日を類似日として抽出し、類似日の日付を出力する。例えば、2012年8月1日乃至2012年8月4日のうちで2012年8月2日の距離Dcontributionが最も短く、2012年8月1日の距離Dcontributionがこの次に短い場合、距離計算部23は、2012年8月2日、及び、2012年8月1日を類似日として抽出し、これらの日付を出力する。
ここで、要因データは、カテゴリーの違いを表す名義尺度である質的変数に対しても(例えば曜日情報)、ダミー変数として離散値(0、1)を用いることで扱うことができる。例えば説明変数に曜日が含まれている場合、距離計算部23は、式13に基づいて、距離dtを算出する。要求点の曜日と探索点の曜日とが互いに同じ曜日である場合、距離計算部23は、距離dtとして0を算出する。一方、要求点の曜日と探索点の曜日とが互いに異なる曜日である場合、距離計算部23は、距離dtとして1を算出する。この後、距離計算部23は、前述したように、類似日を抽出する。
以下、図15を参照して、本実施形態における類似日抽出装置の動作について説明する。図15は、本実施形態における類似日抽出装置の動作を示すフローチャートである。
以下、図16乃至図18を参照して、本実施形態における第2変数重要度の算出方法の違いによる類似日の違いについて説明する。図16は、予測対象日の需要及び類似日の需要を示す図である。図17は、本実施形態における類似日抽出装置を用いて抽出された類似日の需要及び予測対象日の需要を示す図である。図16及び図17は、要因分析結果の統合方法の違いによるシミュレーション等の結果の一例を示している。図16及び図17においては、評価対象データをある大口需要家の需要について、評価期間を2012年7月1日〜2012年7月7日として一週間の評価を行った結果が示されている。図16及び図17においては、要求データ数を5として予測対象日に対して類似日が5日分(5点)抽出された結果が示されている。図18は、類似日の需要の誤差を示す図である。
以下、図19を参照して、本実施形態における類似日抽出装置によって抽出された類似日の精度について説明する。図19は、本実施形態における類似日抽出装置によって抽出された類似日の精度を示す図である。尚、図19においては、類似日抽出装置2によって抽出された類似日の需要の絶対平均誤差と、他の装置によって抽出された類似日の需要の絶対平均誤差とが示されている。類似日の需要の絶対平均誤差は、予測対象日の需要に対する類似日の需要の誤差を示している。他の装置とは、例えば、特開2011−114944号公報に記載されている発明に対応する装置であり、曜日及び気温が要因データとして決められており、且つ、第2変数重要度を考慮せずに類似日を抽出する装置であることとする。
以下、図20及び図21を参照して、本実施形態における予測対象日と第2変数重要度との関係について説明する。図20は、本実施形態における予測対象日と第2変数重要度との関係を示す図である。図21は、本実施形態における要因としての説明変数の一例を示す図である。尚、予測前日とは予測対象日の前日を示しており、予測当日とは予測対象日を示しており、予測翌日とは予測対象日の翌日を示している。
===類似日抽出装置===
本実施形態における類似日抽出装置2B(図3)は、第1実施形態における類似日抽出装置2において、要因分析部22を要因分析部22Bに変更したものである。類似日抽出装置2Bにおける要因分析部22B以外の構成は、類似日抽出装置2の構成と同様である。
例えば、予め定められた時刻が2時、14時、20時であり、需要要因としての各変数が第1変数x1、第2変数x2、第3変数x3、第4変数x4の4個設けられている場合について説明する。第1変数x1、第2変数x2は夫々、前述したように、最高気温、最低気温に対応する。第3変数x3、第4変数x4は夫々、学習データD3(図8)の平均気温、曜日に対応していることとする。
要因分析部22Bは、学習データに基づいて2時、14時、20時夫々の重みw(1)、w(2)、w(3)を算出する。具体的には、要因分析部22Bは、学習データ(図12)の各時刻における需要の平均値を算出し、当該平均値を基準に各時刻の学習データを正規化する(図13)。この後、要因分析部22Bは、正規化された学習データにおいて各時刻の正規化された学習データの需要の標準偏差を算出する。
要因分析部22Bは、式11に基づいて、第1変数x1の統合値、第2変数x2の統合値、第3変数x3の統合値、第4変数x4の統合値を算出する。要因分析22Bは、統合値に基づいて、第1変数x1乃至第4変数x4夫々の第2変数重要度を算出する(図14)。要因分析部22Bは、第1変数x1乃至第4変数x4夫々の第2変数重要度を例えば、68(%)、41(%)、69(%)、100(%)と算出する。
類似日抽出装置2、2B(図22)は、記憶装置24と、演算装置220と、決定装置230を有している。記憶装置24には、予測対象日の第1予測対象量に影響を与えると推定される複数の要因の実績値を示す第1情報と、複数の要因の予測値を示す第2情報と、過去日の第2予測対象量の実績値を示す第3情報とが記憶される。演算装置220は、複数の要因夫々が第1予測対象量に与えると推定される影響度合いを、第1及び第3情報に基づいて、要因分析により算出する。決定装置230は、第1及び第2情報と、演算装置220の演算結果とに基づいて、複数の過去日のうちの第2予測対象量が第1予測対象量に類似すると推定される日を類似日と決定する。尚、演算装置220は、例えば、要因分析部22、22B(図3)の機能に対応している。又、決定装置230は、距離計算部23の機能に対応している。
21 要求点入力部
22、22B 要因分析部
23 距離計算部
24 記憶装置
Claims (7)
- 予測対象量に影響を与えると推定される複数の要因の実績値を示す第1情報と、予測対象日における前記複数の要因の予測値を示す第2情報と、前記予測対象量の実績値を示す第3情報とが記憶される記憶装置と、
一日の所定時点における複数の過去日分の前記第1情報及び前記第3情報に基づいて、前記所定時点における前記各要因の前記予測対象量への影響度合いを算出する第1演算装置と、
前記所定時点における前記影響度合いに基づいて、一日の前記影響度合いを算出する第2演算装置と、
前記第1情報と前記第2情報との差分に応じた値と、前記第2演算装置の演算結果に応じた値と、の積に基づいて、過去日の予測対象量が前記予測対象日の予測対象量に類似すると推定される前記過去日を類似日と決定する決定装置と、
を備えたことを特徴とする類似日抽出装置。 - 前記第2演算装置は、前記所定時点における複数の過去日分の複数の前記第3情報のうちの最大値と最小値との差分に応じた値と、前記第1演算装置の演算結果との積に基づいて一日の前記影響度合いを算出する
ことを特徴とする請求項1に記載の類似日抽出装置。 - 前記第2演算装置は、前記所定時点における複数の過去日分の複数の前記第3情報の標準偏差に応じた値と、前記第1演算装置の演算結果との積に基づいて一日の前記影響度合いを算出する
ことを特徴とする請求項1に記載の類似日抽出装置。 - 前記第1演算装置は、
決定木のCART(Classification And Regression Tree)アルゴリズムまたは非線形な要因分析手法を前記第1及び第3情報に適用して、前記所定時点の前記影響度合いを算出する
ことを特徴とする請求項1に記載の類似日抽出装置。 - 予測対象量に影響を与えると推定される複数の要因の実績値を示す第1情報と、予測対象日における前記複数の要因の予測値を示す第2情報と、前記予測対象量の実績値を示す第3情報とを用いて類似日を決定する類似日抽出方法であって、
一日の所定時点における複数の過去日分の前記第1情報及び前記第3情報に基づいて、前記所定時点における前記各要因の前記予測対象量への影響度合いを算出し、
前記所定時点における前記影響度合いに基づいて、一日の前記影響度合いを算出し、
前記第1情報と前記第2情報との差分に応じた値と、一日の前記影響度合いに応じた値と、の積に基づいて、過去日の予測対象量が前記予測対象日の予測対象量に類似すると推定される前記過去日を類似日と決定する
ことを特徴とする類似日抽出方法。 - 予測対象量に影響を与えると推定される複数の要因の実績値を示す第1情報と、予測対象日における前記複数の要因の予測値を示す第2情報と、前記予測対象量の実績値を示す第3情報とを用いて類似日を決定するコンピュータに、
一日の所定時点における複数の過去日分の前記第1情報及び前記第3情報に基づいて、前記所定時点における前記各要因の前記予測対象量への影響度合いを算出する手順と、
前記所定時点における前記影響度合いに基づいて、一日の前記影響度合いを算出する手順と、
前記第1情報と前記第2情報との差分に応じた値と、一日の前記影響度合いに応じた値と、の積に基づいて、過去日の予測対象量が前記予測対象日の予測対象量に類似すると推定される前記過去日を類似日と決定する手順と、
を実行させるためのプログラム。 - 予測対象量に影響を与えると推定される複数の要因の実績値を示す第1情報と、予測対象日における前記複数の要因の予測値を示す第2情報と、前記予測対象量の実績値を示す第3情報とが記憶される記憶装置と、
一日を所定時間毎に分割した各時間帯における複数の過去日分の前記第1情報及び前記第3情報に基づいて、前記各時間帯における前記各要因の前記予測対象量への影響度合いを算出する第1演算装置と、
前記各時間帯における前記影響度合いに基づいて、一日の前記影響度合いを算出する第2演算装置と、
前記第1情報と前記第2情報との差分に応じた値と、前記第2演算装置の演算結果に応じた値と、の積に基づいて、過去日の予測対象量が前記予測対象日の予測対象量に類似すると推定される前記過去日を類似日と決定する決定装置と、
を備えたことを特徴とする類似日抽出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013160660A JP6187003B2 (ja) | 2013-08-01 | 2013-08-01 | 類似日抽出装置、類似日抽出方法、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013160660A JP6187003B2 (ja) | 2013-08-01 | 2013-08-01 | 類似日抽出装置、類似日抽出方法、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015033203A JP2015033203A (ja) | 2015-02-16 |
JP6187003B2 true JP6187003B2 (ja) | 2017-08-30 |
Family
ID=52518127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013160660A Active JP6187003B2 (ja) | 2013-08-01 | 2013-08-01 | 類似日抽出装置、類似日抽出方法、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6187003B2 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6369450B2 (ja) * | 2015-02-27 | 2018-08-08 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、及びプログラム |
WO2016151639A1 (ja) * | 2015-03-26 | 2016-09-29 | 日本電気株式会社 | 人数予測システム、人数予測方法および人数予測プログラム |
JP6645043B2 (ja) * | 2015-06-25 | 2020-02-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
JP6746946B2 (ja) * | 2016-02-25 | 2020-08-26 | 中国電力株式会社 | 電力需要予測装置、及び電力需要予測方法 |
JP7099805B2 (ja) * | 2017-03-31 | 2022-07-12 | 三菱重工業株式会社 | 予測装置、予測システム、予測方法及びプログラム |
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 |
JP6833642B2 (ja) * | 2017-08-10 | 2021-02-24 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
WO2019187968A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 情報処理システム、情報処理方法及び記憶媒体 |
JP7076306B2 (ja) * | 2018-07-03 | 2022-05-27 | 三菱電機株式会社 | 需要家構成出力装置 |
JP2020057290A (ja) * | 2018-10-03 | 2020-04-09 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 監視装置、監視方法および監視プログラム |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN110414788B (zh) * | 2019-06-25 | 2023-12-08 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
JP7413843B2 (ja) | 2020-03-02 | 2024-01-16 | 富士電機株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN111950792A (zh) * | 2020-08-14 | 2020-11-17 | 杭州海康威视系统技术有限公司 | 垃圾总量预测方法、装置、设备及存储介质 |
CN114742263B (zh) | 2022-03-02 | 2024-03-01 | 北京百度网讯科技有限公司 | 负荷预测方法、装置、电子设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60106325A (ja) * | 1983-11-11 | 1985-06-11 | 株式会社日立製作所 | 負荷予想方法 |
JPH06105465A (ja) * | 1992-09-21 | 1994-04-15 | Tokyo Electric Power Co Inc:The | 最大需要予測方法及び装置 |
JPH1141830A (ja) * | 1997-07-11 | 1999-02-12 | N T T Facilities:Kk | 電力貯蔵装置 |
JP3650304B2 (ja) * | 2000-02-29 | 2005-05-18 | 株式会社日立製作所 | 需要予測装置 |
JP2004086897A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | モデル構築方法およびモデル構築システム |
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
JP2009225550A (ja) * | 2008-03-14 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 |
JP5492848B2 (ja) * | 2011-09-20 | 2014-05-14 | 株式会社日立製作所 | 電力需要予測システムおよび方法 |
-
2013
- 2013-08-01 JP JP2013160660A patent/JP6187003B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2015033203A (ja) | 2015-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6187003B2 (ja) | 類似日抽出装置、類似日抽出方法、プログラム | |
Zhang et al. | Parallel and reliable probabilistic load forecasting via quantile regression forest and quantile determination | |
JP7319757B2 (ja) | データ処理システム及びデータ処理方法 | |
Batselier et al. | Evaluation of deterministic state-of-the-art forecasting approaches for project duration based on earned value management | |
Suryani et al. | Demand scenario analysis and planned capacity expansion: A system dynamics framework | |
Feng et al. | Scenario construction and reduction applied to stochastic power generation expansion planning | |
US20180128863A1 (en) | Energy Demand Predicting System and Energy Demand Predicting Method | |
JP6514342B2 (ja) | オンライン予測システムおよび方法 | |
JP2014157457A (ja) | 予測装置および予測方法 | |
Ray et al. | Short-term load forecasting using genetic algorithm | |
Prasanna et al. | An analysis on stock market prediction using data mining techniques | |
Kumar Srivastava et al. | Short term load forecasting using regression trees: Random forest, bagging and m5p | |
CN107644047A (zh) | 标签预测生成方法及装置 | |
US20190180376A1 (en) | Financial Correlation Prediction System and the Method Thereof | |
Muqtadir et al. | The Implementation of Grey Forecasting Model for Forecast Result’s Food Crop Agricultural | |
Mele et al. | Machine Learning Platform for Profiling and Forecasting at Microgrid Level | |
Henzel et al. | Impact of time series clustering on fuel sales prediction results. | |
Shukur et al. | Electricity load forecasting using hybrid of multiplicative double seasonal exponential smoothing model with artificial neural network | |
Bounitsis et al. | Distribution planning of medical oxygen supply chains under uncertainty | |
CN106682840A (zh) | 基于日累计发行电量的短期售电量预测方法及系统 | |
Lasota et al. | Enhancing intelligent property valuation models by merging similar cadastral regions of a municipality | |
Martín-Vázquez et al. | Wind energy forecasting at different time horizons with individual and global models | |
Dewi et al. | Modified Random Forest Regression Model For Predicting Wholesale Rice Prices | |
Putri et al. | The Comparison Study of Regression Models (Multiple Linear Regression, Ridge, Lasso, Random Forest, and Polynomial Regression) for House Price Prediction in West Nusa Tenggara | |
Sinitsyna et al. | Some practical aspects of electric power consumption time series analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160713 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20170127 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170307 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170307 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170314 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170515 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170620 |
|
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: 20170704 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170717 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6187003 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
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 |