JP6609808B2 - 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 - Google Patents
決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 Download PDFInfo
- Publication number
- JP6609808B2 JP6609808B2 JP2016002285A JP2016002285A JP6609808B2 JP 6609808 B2 JP6609808 B2 JP 6609808B2 JP 2016002285 A JP2016002285 A JP 2016002285A JP 2016002285 A JP2016002285 A JP 2016002285A JP 6609808 B2 JP6609808 B2 JP 6609808B2
- Authority
- JP
- Japan
- Prior art keywords
- explanatory variable
- prediction
- explanatory
- decision tree
- variable group
- 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
- 238000003066 decision tree Methods 0.000 title claims description 57
- 238000004422 calculation algorithm Methods 0.000 title claims description 44
- 238000000034 method Methods 0.000 title claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 92
- 238000002347 injection Methods 0.000 claims description 87
- 239000007924 injection Substances 0.000 claims description 87
- 239000000126 substance Substances 0.000 claims description 36
- 239000003814 drug Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 15
- 229940079593 drug Drugs 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 13
- QWPPOHNGKGFGJK-UHFFFAOYSA-N hypochlorous acid Chemical compound ClO QWPPOHNGKGFGJK-UHFFFAOYSA-N 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 4
- 229910052801 chlorine Inorganic materials 0.000 claims description 4
- 239000000460 chlorine Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000000746 purification Methods 0.000 description 5
- 230000005791 algae growth Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 2
- 238000005345 coagulation Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005374 membrane filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Separation Of Suspended Particles By Flocculating Agents (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
- Water Treatment By Sorption (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1のステップと、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2のステップと、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3のステップと、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する第4のステップと
を有し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ようにコンピュータに実行させることを特徴とする。
決定木学習アルゴリズムは、ランダムフォレスト(Random Forest)である
ようにコンピュータに実行させることも好ましい。
説明変数は、実測値、複数の実測値の積算値、又は、複数の実測値の平均値であり、
過去長期間は、年単位の実測期間に基づくものであり、
直近短期間は、現時点から過去に時間単位の実測期間に基づくものである
ようにコンピュータに実行させることも好ましい。
説明変数は、水処理システムにおけるセンシングデータ及び薬品注入データであり、
予測値は、次の時点の薬品注入データである
ようにコンピュータに実行させることも好ましい。
センシングデータは、原水水温、原水濁度、前処理水濁度、前処理水pH値、中間処理遊離残留塩素値、ろ過池水圧、ろ過池ろ過時間、浄水濁度、配水池水位の1つ以上であり、
薬品注入データは、前次亜塩素酸注入率、活性炭注入率、PAC(ポリ塩化アルミニウム)注入率、中次亜塩素酸注入率、硫酸バンド注入率、後次亜塩素酸注入率の1つ以上であるようにコンピュータに実行させることも好ましい。
センシングデータ又は薬品注入データについて、任意の種類の所定時刻で記録されていない場合、当該種類における所定時刻の直近短期間の実測値の平均値によって、所定時刻の当該説明変数を補間する
ようにコンピュータに実行させることも好ましい。
水処理システムの各工程に設置されたセンサ又はコントローラから、センシングデータ及び薬品注入データを逐次受信するデータ受信手段と、
予測された薬品注入データを、ユーザ操作の端末へ送信する予測結果送信手段と
を更に有することを特徴とする。
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1の説明変数群抽出手段と、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2の説明変数群抽出手段と、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3の説明変数群抽出手段と、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する予測モデル作成手段と
を有し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ことを特徴とする。
装置は、
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1のステップと、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2のステップと、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3のステップと、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する第4のステップと
を実行し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ことを特徴とする。
[原水]
(原水温度センサ) ->予測サーバへのセンシングデータ
(原水濁度センサ) ->予測サーバへのセンシングデータ
[生物処理池]
(前処理水濁度センサ) ->予測サーバへのセンシングデータ
(前処理水PHセンサ) ->予測サーバへのセンシングデータ
[活性炭混和池]
<-(前次亜注入装置) <-予測サーバからの薬品注入率
->予測サーバへの薬品注入データ
<-(活性炭注入装置) <-予測サーバからの薬品注入率
->予測サーバへの薬品注入データ
[凝集混和池]
<-(PAC注入装置) <-予測サーバからの薬品注入率
->予測サーバへの薬品注入データ
<-(中次亜注入装置) <-予測サーバからの薬品注入率
->予測サーバへの薬品注入データ
(中間処理遊離残留塩素センサ)->予測サーバへのセンシングデータ
[急速ろ過池]
(ろ過池水圧センサ) ->予測サーバへのセンシングデータ
(ろ過池ろ過時間計測器) ->予測サーバへのセンシングデータ
(浄水濁度センサ) ->予測サーバへのセンシングデータ
[浄水池]
[配水池]
(配水池水位センサ) ->予測サーバへのセンシングデータ
尚、制御可能なものとして薬剤注入率以外にも、取水量/配水量であってもよい。
学習段階とは、過去長期間の教師データ(説明変数)を用いて、決定木学習エンジンの予測モデルを作成する。
運用段階とは、作成された予測モデルの決定木学習エンジンを用いて、直近短期間のデータ(説明変数)から、将来のデータを予測する
図3は、本発明における予測方法を表すフローチャートである。
図4は、本発明における学習時点と予測時点とを表す時系列チャートである。
決定木学習エンジン110は、機械学習のアルゴリズムとして「ランダムフォレスト(Random Forest)」を用いる。ランダムフォレストとは、決定木を弱学習器とする集団(アンサンブル)学習アルゴリズムであって、ランダムサンプリングされた説明変数によって学習した多数の決定木を構築する。ランダムフォレストを利用する理由として、説明変数の寄与度(重要度)を算出することができる。本発明によれば、決定木学習エンジンであればよいが、説明変数の寄与度(重要度)を算出可能なアルゴリズムであることを要する。
[データベース120]
データベース120は、過去長期間に時系列に取得された異なる種類の説明変数全群を記憶する。説明変数は、具体的には、1時間毎に計測及び制御された運用データ(センシングデータ及び薬品注入率)であって、学習期間として例えば過去1年分(年単位の実測期間)のものである。
センシングデータ又は薬品注入データについて、任意の種類の所定時刻で記録されていない場合、当該種類について所定時刻の直近短期間の実測値における平均値によって、所定時刻の当該説明変数を補間する。
第1の説明変数抽出部121は、説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する。
センシングデータは、原水水温、原水濁度、前処理水濁度、前処理水pH値、中間処理遊離残留塩素値、ろ過池水圧、ろ過池ろ過時間、浄水濁度、配水池水位の1つ以上である。
薬品注入データは、前次亜塩素酸注入率、活性炭注入率、PAC(ポリ塩化アルミニウム)注入率、中次亜塩素酸注入率、硫酸バンド注入率、後次亜塩素酸注入率の1つ以上である。
これら説明変数は、決定木学習エンジン110へ入力され、説明変数毎の寄与度を算出する。ここでの予測値は、次の時点の薬品注入率となる。
図6(b)によれば、寄与度の高い順に上位から、例えば20件(第1の所定数)の第1の説明変数群が抽出される。
第2の説明変数抽出部122は、第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する。直近短期間とは、現時点から過去に時間単位の実測期間に基づくものである。
原水濁度-> 原水濁度1h、原水濁度2h、原水濁度3h、
原水濁度4h、原水濁度5h、原水濁度6h
第1の説明変数群が20件であるならば、各6時間分で、20件×6時間=120件の第2の説明変数群を取得する。
第3の説明変数抽出部123は、第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する。
図6(d)によれば、寄与度の高い順に上位から、例えば40件(第3の所定数)の第3の説明変数群が抽出される。
予測モデル作成部124は、第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する。
説明変数全群の数 > 第1の説明変数群の数
第1の説明変数群の数 << 第2の説明変数群の数
第2の説明変数群の数 >> 第3の説明変数群の数
第1の説明変数群の数 < 第3の説明変数群の数
[データ受信部111(S111)]
データ受信部111は、データ(説明変数)を受信する。水処理システム用の予測サーバ1によれば、水処理システムの各工程に設置されたセンサ又はコントローラから、センシングデータ及び薬品注入率を、説明変数として逐次、受信する。そして、そのデータを、決定木学習エンジン110及びデータベース120へ出力する。
決定木学習エンジン110は、運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、リアルタイムに入力する。決定木学習アルゴリズムには、学習段階S12で作成された予測モデルに基づくものである。図4のS110を参照すると、現時点となる実測時点(運用時点)の過去6時間分に対応する第3の説明変数群を入力する。
予測結果送信部112は、予測された薬品注入データ(薬品注入率)を、ユーザ操作の端末4へ送信する。水処理システムにおけるオペレータは、端末4に表示された薬品注入率を視認することによって、熟練技術者でなくても経験値の高い運用をすることができる。また、薬品を自動的に注入するコントローラに対して予測結果を送信することによって、薬品注入率の制御が可能となる。
図7によれば、端末4の画面には、「PAC注入率」「活性炭注入率」「前次亜塩素酸注入率」「中次亜塩素酸注入率」毎に、予測結果としての注入率が表示されている。
予測精度=100−|実績値−予測値|/実績値×100
110 決定木学習エンジン
111 データ受信部
112 予測結果送信部
120 データベース
121 第1の説明変数抽出部
122 第2の説明変数抽出部
123 第3の説明変数抽出部
124 予測モデル作成部
2 水処理システム
21 生物処理池
22 活性炭混和池
23 凝集混和池
24 急速ろ過池
25 浄水池
26 配水池
3 コントローラ
4 オペレータ用の端末
Claims (9)
- 過去長期間に時系列に取得された異なる種類の説明変数全群を記憶し、次の時点の予測対象種類の予測値を算出するようにコンピュータに実行させる予測プログラムにおいて、
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1のステップと、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2のステップと、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3のステップと、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する第4のステップと
を有し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、前記予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ようにコンピュータに実行させることを特徴とする予測プログラム。 - 前記決定木学習アルゴリズムは、ランダムフォレスト(Random Forest)である
ようにコンピュータに実行させることを特徴とする請求項1に記載の予測プログラム。 - 前記説明変数は、実測値、複数の実測値の積算値、又は、複数の実測値の平均値であり、
前記過去長期間は、年単位の実測期間に基づくものであり、
前記直近短期間は、現時点から過去に時間単位の実測期間に基づくものである
ようにコンピュータに実行させることを特徴とする請求項1又は2に記載の予測プログラム。 - 前記説明変数は、水処理システムにおけるセンシングデータ及び薬品注入データであり、
前記予測値は、次の時点の薬品注入データである
ようにコンピュータに実行させることを特徴とする請求項1から3のいずれか1項に記載の予測プログラム。 - 前記センシングデータは、原水水温、原水濁度、前処理水濁度、前処理水pH値、中間処理遊離残留塩素値、ろ過池水圧、ろ過池ろ過時間、浄水濁度、配水池水位の1つ以上であり、
前記薬品注入データは、前次亜塩素酸注入率、活性炭注入率、PAC(ポリ塩化アルミニウム)注入率、中次亜塩素酸注入率、硫酸バンド注入率、後次亜塩素酸注入率の1つ以上である
ようにコンピュータに実行させることを特徴とする請求項4に記載の予測プログラム。 - 前記センシングデータ又は前記薬品注入データについて、任意の種類の所定時刻で記録されていない場合、当該種類における所定時刻の直近短期間の実測値の平均値によって、所定時刻の当該説明変数を補間する
ようにコンピュータに実行させることを特徴とする請求項4又は5に記載の予測プログラム。 - 請求項4から6のいずれか1項に記載の予測プログラムをコンピュータによって実行する水処理予測サーバであって、
水処理システムの各工程に設置されたセンサ又はコントローラから、前記センシングデータ及び前記薬品注入データを逐次受信するデータ受信手段と、
予測された薬品注入データを、ユーザ操作の端末へ送信する予測結果送信手段と
を更に有することを特徴とする予測サーバ。 - 過去長期間に時系列に取得された異なる種類の説明変数全群を記憶し、次の時点の予測対象種類の予測値を算出する予測装置において、
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1の説明変数群抽出手段と、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2の説明変数群抽出手段と、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3の説明変数群抽出手段と、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する予測モデル作成手段と
を有し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、前記予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ことを特徴とする予測装置。 - 過去長期間に時系列に取得された異なる種類の説明変数全群を記憶し、次の時点の予測対象種類の予測値を算出する装置の予測方法において、
前記装置は、
学習段階として、
説明変数全群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第1の所定数の第1の説明変数群を抽出する第1のステップと、
第1の説明変数群に含まれる説明変数毎に、直近短期間に時系列に取得された第2の説明変数群を取得する第2のステップと、
第2の説明変数群を教師データとして、決定木学習アルゴリズムによって説明変数毎の寄与度を算出し、寄与度の高い順に上位から第2の所定数の第3の説明変数群を抽出する第3のステップと、
第3の説明変数群を教師データとして、決定木学習アルゴリズムにおける予測モデルを作成する第4のステップと
を実行し、
運用段階として、第3の説明変数群に対応する直近短期間の説明変数群を、前記予測モデルに基づく決定木学習アルゴリズムに入力し、次の時点の予測対象種類の予測値を算出する
ことを特徴とする装置の予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016002285A JP6609808B2 (ja) | 2016-01-08 | 2016-01-08 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016002285A JP6609808B2 (ja) | 2016-01-08 | 2016-01-08 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017123088A JP2017123088A (ja) | 2017-07-13 |
JP6609808B2 true JP6609808B2 (ja) | 2019-11-27 |
Family
ID=59305902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016002285A Active JP6609808B2 (ja) | 2016-01-08 | 2016-01-08 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6609808B2 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7005255B2 (ja) * | 2017-09-29 | 2022-01-21 | 三菱重工業株式会社 | 評価システム、評価方法及びプログラム |
JP7067895B2 (ja) * | 2017-10-25 | 2022-05-16 | 株式会社東芝 | 末端圧力制御支援装置、末端圧力制御支援方法及びコンピュータプログラム |
US20200050932A1 (en) | 2017-12-25 | 2020-02-13 | Sony Corporation | Information processing apparatus, information processing method, and program |
WO2019156070A1 (ja) * | 2018-02-09 | 2019-08-15 | 国立大学法人静岡大学 | 機械学習システム及び機械学習方法 |
JP7126360B2 (ja) * | 2018-03-01 | 2022-08-26 | 株式会社牧野フライス製作所 | 工具経路を生成するための方法及び装置 |
JP2019215743A (ja) * | 2018-06-13 | 2019-12-19 | 水ing株式会社 | データベースの製造方法、及び水処理または汚泥処理システム |
JP7056497B2 (ja) * | 2018-10-03 | 2022-04-19 | トヨタ自動車株式会社 | 重回帰分析装置及び重回帰分析方法 |
CN109264801B (zh) * | 2018-10-12 | 2019-08-27 | 中国水利水电科学研究院 | 基于调度和处置的渠道型饮用水源地控除刚毛藻的方法 |
JP2020114570A (ja) * | 2019-01-17 | 2020-07-30 | 株式会社明電舎 | 操作値算出装置 |
JP7125358B2 (ja) | 2019-01-30 | 2022-08-24 | 株式会社日立製作所 | 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法 |
JP7234013B2 (ja) * | 2019-04-04 | 2023-03-07 | 株式会社東芝 | 運転支援装置、運転支援方法及びコンピュータプログラム |
JP7151604B2 (ja) * | 2019-04-15 | 2022-10-12 | 日本電信電話株式会社 | モデル学習装置、データ分析装置、モデル学習方法、及びプログラム |
JP7257262B2 (ja) * | 2019-06-06 | 2023-04-13 | 三菱重工業株式会社 | 評価システム、評価方法及びプログラム |
JP7175250B2 (ja) * | 2019-09-18 | 2022-11-18 | 鹿島建設株式会社 | 水位予測装置、水位予測方法及び水位予測プログラム |
JP7414502B2 (ja) | 2019-12-11 | 2024-01-16 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
CN112988499B (zh) * | 2019-12-16 | 2022-10-21 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
JP7032485B2 (ja) * | 2020-07-09 | 2022-03-08 | 水ing株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
CN114906913B (zh) * | 2022-05-31 | 2023-08-22 | 上海环保(集团)有限公司 | 一种基于智能学习的化学除磷精准加药系统及装置 |
CN115645972B (zh) * | 2022-09-13 | 2024-04-16 | 安徽理工大学 | 一种化工制药用提取设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718315B1 (en) * | 2000-12-18 | 2004-04-06 | Microsoft Corporation | System and method for approximating probabilities using a decision tree |
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 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 |
JP5011830B2 (ja) * | 2006-06-09 | 2012-08-29 | 富士通セミコンダクター株式会社 | データ処理方法、データ処理プログラム、該プログラムを記録した記録媒体およびデータ処理装置 |
JP5845117B2 (ja) * | 2011-03-30 | 2016-01-20 | メタウォーター株式会社 | 薬品注入制御方法及び薬品注入制御装置 |
US9501693B2 (en) * | 2013-10-09 | 2016-11-22 | Honda Motor Co., Ltd. | Real-time multiclass driver action recognition using random forests |
-
2016
- 2016-01-08 JP JP2016002285A patent/JP6609808B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017123088A (ja) | 2017-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6609808B2 (ja) | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 | |
AU2017232158B2 (en) | Water treatment system and method | |
JP6661426B2 (ja) | プロセス診断装置、プロセス診断方法及びコンピュータプログラム | |
JP4746385B2 (ja) | 水処理プラントに適用する凝集剤注入制御装置 | |
Heddam et al. | A new approach based on the dynamic evolving neural-fuzzy inference system (DENFIS) for modelling coagulant dosage (Dos): case study of water treatment plant of Algeria | |
Han et al. | Data-driven decision-making for wastewater treatment process | |
Branisavljević et al. | Automatic, semi-automatic and manual validation of urban drainage data | |
dos Santos et al. | Intelligent system for improving dosage control | |
JP2011197714A (ja) | プロセス制御システム | |
Wu et al. | Data-driven intelligent warning method for membrane fouling | |
KR20090078502A (ko) | 하수처리장 공정 운영 상태 진단을 위한 방법 및 장치 | |
CN112132700A (zh) | 用于调控水质的配方决策方法 | |
Heo et al. | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum chart: Application to a full-scale MBR plant | |
Wu et al. | Intelligent Warning of Membrane Fouling Based on Robust Deep Neural Network | |
JP2023033927A (ja) | 水処理状況監視システム及び水処理状況監視方法 | |
JP2014178878A (ja) | ノウハウ可視化装置及びノウハウ可視化方法 | |
Kale et al. | Prediction of water filter bed backwash time for water treatment plant using machine learning algorithm | |
JP5349228B2 (ja) | プラント運用のノウハウ自動抽出システム | |
Dologlu et al. | Data driven identification of industrial reverse osmosis membrane process | |
JP4906799B2 (ja) | 自動運転制御システム | |
Brauns et al. | On the concept of a supervisory, fuzzy set logic based, advanced filtration control in membrane bioreactors | |
RAO et al. | Research and development of coagulation dosage control system for a waterworks based on artificial neural network | |
Wei et al. | Soft-sensor software design of dissolved oxygen in aquaculture | |
JP7422571B2 (ja) | 水処理技術の装置、システム、及び方法 | |
Kim et al. | Optimizing coagulant dosage using deep learning models with large-scale data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181203 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190927 |
|
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: 20191003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191003 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6609808 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |