JP6765555B1 - 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 - Google Patents
学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 Download PDFInfo
- Publication number
- JP6765555B1 JP6765555B1 JP2019571765A JP2019571765A JP6765555B1 JP 6765555 B1 JP6765555 B1 JP 6765555B1 JP 2019571765 A JP2019571765 A JP 2019571765A JP 2019571765 A JP2019571765 A JP 2019571765A JP 6765555 B1 JP6765555 B1 JP 6765555B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- inference
- time
- learning
- series 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
また、例えば、特許文献1には、漸化式に従って所定期間経過後の観察値の推論を繰り返すことにより、任意の未来の時点における観察値を推論する方法が開示されている。
また、この発明に係る学習装置は、時系列の観察値を含む1つの元時系列データに対応する期間のうちから、仮想的に定める現在日時である仮想現在日時を1又は複数決定する仮想現在日時決定部と、仮想現在日時決定部が決定した1又は複数の仮想現在日時のそれぞれについて、元時系列データのうち、仮想現在日時以前の期間に対応する元時系列データを、第1情報の基となる時系列の観察値を含む時系列データとして切出す時系列データ切出部と、仮想現在日時決定部が決定した1又は複数の仮想現在日時のそれぞれについて、予測期間経過後の時点が元時系列データに対応する期間に含まれる、第2情報の基となる少なくとも互いに異なる2つの予測期間を決定する予測期間決定部と、予測期間決定部が決定した、少なくとも互いに異なる2つの予測期間のそれぞれについて、第3情報の基となる予測期間経過後の観察値を元時系列データから取得する観察値取得部と、時系列データ切出部が切出した、時系列の観察値を含む1又は複数の時系列データのうちの1つの時系列データに基づく第1情報と、予測期間決定部が決定した、少なくとも互いに異なる2つの予測期間を含む複数の予測期間のうちの1つの予測期間に基づく第2情報と、観察値取得部が取得した、予測期間経過後の観察値に基づく第3情報とを組合せることにより、複数の学習用データを生成する学習用データ生成部と、を備え、学習用データ取得部は、学習用データ生成部が生成した複数の学習用データを取得するものである。
図1から図11を参照して、実施の形態1に係る推論システム1について説明する。
図1は、実施の形態1に係る推論システム1の要部の構成の一例を示すブロック図である。
実施の形態1に係る推論システム1は、学習装置100、推論装置200、記憶装置10、表示装置11,12、及び入力装置13,14を備える。
記憶装置10は、当該情報を保存するための、SSD(Solid State Drive)又はHDD(Hard Disk Drive)等の記憶媒体を備える。
記憶装置10は、学習装置100又は推論装置200から読み出し要求を受けて、記憶媒体から時系列データ等の情報を読み出し、当該読み出し要求を行った学習装置100又は推論装置200に対して読み出した情報を出力する。
また、記憶装置10は、学習装置100又は推論装置200から書き込み要求を受けて、学習装置100又は推論装置200から出力された情報を記憶媒体に保存する。
表示装置11は、学習装置100が出力する画像信号を受けて、画像信号に対応する画像表示を行う。
表示装置12は、推論装置200が出力する画像信号を受けて、画像信号に対応する画像表示を行う。
入力装置13は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を学習装置100に出力する。
入力装置14は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を推論装置200に出力する。
推論装置200は、機械学習による学習結果に対応する学習済モデルに説明変数を入力して、学習済モデルが推論結果として出力する観察値を取得し、取得した観察値を出力する装置である。以下の説明において、学習済モデルが推論結果として出力する観察値を推論観察値と言う。
図2は、実施の形態1に係る学習装置100の要部の構成の一例を示すブロック図である。
学習装置100は、表示制御部101、操作受付部102、元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、学習用データ生成部108、学習用データ取得部109、学習部110、及びモデル出力部111を備える。
図3A及び図3Bは、実施の形態1に係る学習装置100の要部のハードウェア構成の一例を示す図である。
操作受付部102は、入力装置13が出力した操作信号を受けて、操作信号に対応するユーザの入力操作を示す操作情報を元時系列データ取得部103等に出力する。
操作受付部102が出力する操作情報は、例えば、記憶装置10に保存されている時系列データのうち、ユーザの入力操作により指定された時系列データを示す情報である。
学習用データ取得部109は、例えば、元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、及び学習用データ生成部108により生成される複数の学習用データを取得する。
学習用データ取得部109は、記憶装置10から複数の学習用データを読み出すこと等により、複数の学習用データを取得しても良い。
図4は、元時系列データ、予測期間、第1情報、第2情報、第3情報、及び学習用データの一例を示す図である。
図4に示す元時系列データは、一例として、あるテーマパークの2018年9月1日から2019年8月31日までの365日分の入場者数を1日毎の観察値として示した時系列データの一部を示す図である。
具体的には、例えば、元時系列データ取得部103は、操作受付部102が出力する操作情報を受けて、当該操作情報が示す時系列データを記憶装置10から読み出すことにより、当該時系列データを元時系列データとして取得する。
元時系列データは、時系列の観察値を含むものである。
具体的には、例えば、元時系列データは、観察値を得た時刻、日付、週、月、又は年等の時点を示す日時情報と、日時情報が示す時刻、日付、週、月、又は年等の時点における観察値とを対応付けた情報組を複数有するものである。
具体的には、例えば、元時系列データに対応する期間とは、元時系列データに含まれる日時情報が示す時点における、最も過去の時点から実際の現在日時に最も近い時点までの期間のことである。元時系列データに対応する期間は、元時系列データに含まれる日時情報が示す時点における、最も過去の時点から実際の現在日時に最も近い時点までの期間に含まれる、当該期間の一部期間であっても良い。
仮想現在日時決定部104は、例えば、図4に示す元時系列データに基づいて、仮想現在日時を2018年9月10日から2019年8月29日までの日付のうち、任意の1又は複数の日付を仮想現在日時として決定する。以下の説明において、仮想現在日時決定部104は、図4に示す元時系列データに基づいて、仮想現在日時を2018年9月10日から2019年8月29日までの全ての日付を仮想現在日時として決定するものとして説明する。
時系列データ切出部105は、例えば、仮想現在日時決定部104が決定した1又は複数の仮想現在日時のそれぞれについて、元時系列データ取得部103が取得した元時系列データのうち、元時系列データに含まれる日時情報が示す時点における、最も過去の時点から仮想現在日時までの期間に対応する元時系列データを、時系列データとして切出す。
また、例えば、時系列データ切出部105は、仮想現在日時決定部104が決定した1又は複数の仮想現在日時のそれぞれについて、仮想現在日時以前の元時系列データのうち、最も仮想現在日時に近い予め定められた個数の観察値に対応する元時系列データを時系列データとして切出しても良い。
時系列データ切出部105が元時系列データから時系列データを切出す方法は、上述の方法に限るものではない。
より具体的に、例えば、時系列データ切出部105は、仮想現在日時である2019年8月29日である場合、元時系列データのうち、2018年9月1日から2019年8月29日までの元時系列データを第1情報の基となる時系列データとして切出す。また、例えば、時系列データ切出部105は、仮想現在日時が2018年9月10日である場合、元時系列データのうち、2018年9月1日から2018年9月10日までの元時系列データを第1情報の基となる時系列データとして切出す。
具体的には、例えば、予測期間は、時系列データ切出部105が切出した時系列データに対応する期間における現在日時に最も近い時点からの期間である。
より具体的には、例えば、予測期間は、予測期間経過後の時点が元時系列データに対応する期間に含まれる、時系列データ切出部105が切出した時系列データに対応する期間における現在日時に最も近い時点が仮想現在日時である場合、仮想現在日時からの期間である。
また、予測期間は、例えば、予測期間経過後の時点が元時系列データに対応する期間に含まれる、時系列データ切出部105が切出した時系列データに対応する期間における予め定められたイベントの発生時点からの期間であっても良い。
より具体的には、例えば、予測期間決定部106は、仮想現在日時が2019年8月29日である場合、1日後及び2日後の2つの期間を予測期間として決定する。また、予測期間決定部106は、例えば、仮想現在日時が2018年9月10日である場合、1日後、2日後、・・・、及び355日後の355個の期間を予測期間として決定する。
具体的には、例えば、観察値取得部107は、予測期間が、時系列データ切出部105が切出した時系列データに対応する期間における現在日時に最も近い時点からの期間である場合、当該時点からの予測期間経過後の観察値を元時系列データから取得する。
また、例えば、観察値取得部107は、予測期間が、仮想現在日時からの期間である場合、仮想現在日時からの予測期間経過後の観察値を元時系列データから取得する。
また、例えば、観察値取得部107は、予測期間が、時系列データ切出部105が切出した時系列データに対応する期間における予め定められたイベントの発生時点からの期間である場合、当該イベントの発生時点からの予測期間経過後の観察値を元時系列データから取得する。
具体的には、学習用データ生成部108は、仮想現在日時決定部104が決定した仮想現在日時、及び予測期間決定部106が決定した予測期間の組合せにそれぞれ対応する第1情報、第2情報、及び第3情報を組合せて学習用データを生成することにより、複数の学習用データを生成する。
図5は、実施の形態1に係る学習用データ生成部108の要部の構成の一例を示すブロック図である。
学習用データ生成部108は、第1情報生成部181、第2情報生成部182、第3情報生成部183、及び情報組合部184を備える。
具体的には、第1情報生成部181は、時系列データ切出部105が切出した複数の時系列データのうちの1つの時系列データを選択して、選択した時系列データに基づいて第1情報を生成する。
より具体的には、例えば、第1情報生成部181は、時系列データ切出部105が元時系列データから切出した時系列データのうち、予め決められた個数の観察値に対応する時系列データを切出して、切出した時系列データを第1情報とすることにより、第1情報を生成する。例えば、学習用データ生成部108は、時系列データ切出部105が元時系列データから切出した時系列データのうち、仮想現在日時に最も近い10日分、すなわち、観察値が10個分の時系列データを切出して、切出した時系列データを第1情報とすることにより、第1情報を生成する。
また、例えば、第1情報生成部181は、図4に示す元時系列データに基づいて、仮想現在日時が2018年9月10日である場合においては、時系列データ切出部105が切出した2018年9月1日から2018年9月10日までの期間に対応する時系列データのうち、2018年9月1日から2018年9月10日までの期間に対応する時系列データを第1情報とすることにより、第1情報を生成する。
具体的には、例えば、第2情報生成部182は、予測期間決定部106が決定した、少なくとも互いに異なる2つの予測期間のうちの1つの予測期間を示す予想期間情報を選択して、選択した予想期間情報を第2情報とすることにより、第2情報を生成する。
例えば、第2情報生成部182は、図4に示す元時系列データに基づいて、仮想現在日時が2019年8月29日である場合、予測期間決定部106が決定した予測期間である1日後を示す予測期間情報を第2情報とすることにより、第2情報を生成する。
また、例えば、第2情報生成部182は、図4に示す元時系列データに基づいて、仮想現在日時が2019年8月29日である場合、予測期間決定部106が決定した予測期間である2日後を示す予測期間情報を第2情報とすることにより、第2情報を生成する。
また、第2情報生成部182は、図4に示す元時系列データに基づいて、仮想現在日時が2018年9月10日である場合、予測期間が2日後であることを示す情報を第2情報とすることにより、第2情報を生成する。
また、第2情報生成部182は、図4に示す元時系列データに基づいて、仮想現在日時が2018年9月10日である場合、予測期間が355日後であることを示す情報を第2情報とすることにより、第2情報を生成する。
すなわち、第2情報生成部182は、図4に示す元時系列データに基づいて、仮想現在日時が2018年9月10日である場合、予測期間がN(Nは1以上355以下の自然数)日後であることを示す情報を第2情報とすることにより、第2情報を生成する。
具体的には、例えば、第3情報生成部183は、観察値取得部107が取得した予測期間経過後の観察値を第3情報とすることにより、第3情報を生成する。
例えば、第3情報生成部183は、仮想現在日時が2019年8月29日であり、予測期間が1日後である場合においては、図4に示す元時系列データに基づいて、仮想現在日時である2019年8月29日から、第2情報である予測期間情報が示す1日後に当たる2019年8月30日の入場者数を第3情報とすることにより、第3情報を生成する。
また、例えば、第3情報生成部183は、図4に示す元時系列データに基づいて、仮想現在日時が2019年8月29日であり、予測期間が2日後である場合においては、仮想現在日時である2019年8月29日から、第2情報である予測期間情報が示す2日後に当たる2019年8月31日の入場者数を第3情報とすることにより、第3情報を生成する。
例えば、情報組合部184は、仮想現在日時が2019年8月29日であり、予測期間が1日後である場合においては、図4に示す元時系列データに基づいて、第1情報生成部181が生成した、2019年8月20日から2019年8月29日までの期間に対応する時系列データである第1情報と、第2情報生成部182が生成した、予測期間である1日後を示す予測期間情報である第2情報と、第3情報生成部183が生成した、2019年8月30日の入場者数である第3情報とを組み合わせてることにより、1つの学習用データを生成する。
すなわち、学習用データ生成部108は、仮想現在日時が2019年8月29日である場合において、予測期間が1日後及び2日後である2つの学習用データを生成することができる。
情報組合部184は、仮想現在日時が2018年9月10日であり、予測期間がN日後である場合においては、図4に示す元時系列データに基づいて、第1情報生成部181が生成した、2018年9月1日から2018年9月10日までの期間に対応する時系列データである第1情報と、第2情報生成部182が生成した、予測期間であるN日後を示す予測期間情報である第2情報と、第3情報生成部183が生成した、2018年9月10日からN日後に当たる日付に対応する入場者数である第3情報とを組み合わせてることにより、1つの学習用データを生成する。
すなわち、学習用データ生成部108は、仮想現在日時が2018年9月10日である場合において、1日後から355日後までのそれぞれの予測期間に対応する355個の学習用データを生成することができる。
仮想現在日時決定部104が、2019年8月30日を仮想現在日時として決定する場合、予測期間決定部106が決定する予測期間は、1日後となる。
当該場合、観察値取得部107は、2019年8月30日から1日後にあたる2019年8月31日の入場者数を観察値として取得する。
図6は、実施の形態1に係る学習用データ生成部108の処理の一例を説明するフローチャートである。
次に、ステップST602にて、第2情報生成部182は、第2情報を生成する。
次に、ステップST603にて、第3情報生成部183は、第3情報を生成する。
次に、ステップST604にて、情報組合部184は、学習用データを生成する。
次に、ステップST605にて、情報組合部184は、第1情報、第2情報、及び第3情報の全ての組合せ可能な組合せパターンにおいて、学習用データを生成し終えたか否かを判定する。
ステップST605にて、情報組合部184が、全ての組合せ可能な組合せパターンにおいて、学習用データを生成し終えたと判定した場合、学習用データ生成部108は、当該フローチャートの処理を終了する。
なお、ステップST601からステップST603までの処理は、ステップST604の処理の前であれば、処理順序は問わない。
また、学習装置100は、このように生成された複数の学習用データを用いて学習することにより、例えば、指定された、1日後から355日後までの任意の予測期間について、予測期間経過後における推論観察値である観察値を推論可能な学習済モデルを生成することができる。
なお、学習装置100は、予測期間経過後における推論観察値である観察値を推論可能な学習済モデルの生成において、1日後から355日後までの任意の予測期間について推論可能な学習済モデルを生成するものなくても良い。例えば、学習装置100は、1日後から30日後までの任意の予測期間について推論可能な学習済モデル、又は、8日後から355日後までの任意の予測期間について推論可能な学習済モデル等、予め決められた期間における任意の予測期間について推論可能な学習済モデルを生成するものであっても良い。
図7は、元時系列データ予測期間、第1情報、第2情報、第3情報、及び学習用データの他の一例を示す図である。
図7に示す元時系列データは、図4に示す元時系列データと同様に、一例として、あるテーマパークの2018年9月1日から2019年8月31日までの365日分の入場者数を1日毎の観察値として示した時系列データの一部を示す図である。
なお、第2方法における元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、及び観察値取得部107のそれぞれの処理は、第1方法における元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、及び観察値取得部107のそれぞれの処理と同様であるため、説明を省略する。
第2方法における学習用データ生成部108の要部の構成は、図5に示す第1方法における学習用データ生成部108の要部の構成において、第1情報生成部181及び第2情報生成部182を第1情報生成部181a及び第2情報生成部182aに変更したものに過ぎないため、第2方法における学習用データ生成部108の要部の構成を示すブロック図を省略する。
具体的には、第1情報生成部181aは、時系列データ切出部105が切出した複数の時系列データのうちの1つの時系列データを選択して、選択した時系列データに基づいて第1情報を生成する。
より具体的には、例えば、第1情報生成部181aは、時系列データ切出部105が元時系列データから切出した時系列データに基づいて、当該時系列データを予め定められた同一の次元数を有するベクトル表現に符号化することにより、第1情報を生成する。
また、例えば、第1情報生成部181aは、時系列データ切出部105が元時系列データから切出した時系列データを、特異値分解等の低ランク近似処理することにより次元削減を行い、当該時系列データを予め定められた同一の次元数を有するベクトル表現に符号化することにより、第1情報を生成しても良い。
また、例えば、第1情報生成部181aは、時系列データ切出部105が元時系列データから切出した時系列データを、デジタルフィルタに入力して、当該時系列データを予め定められた同一の次元数を有するベクトル表現に符号化することにより、第1情報を生成しても良い。
なお、第1情報生成部181aは、例えば、上述の第1情報の生成方法を組み合わせて、当該時系列データを予め定められた同一の次元数を有するベクトル表現に符号化することにより、第1情報を生成しても良い。
具体的には、例えば、第2情報生成部182aは、予測期間決定部106が決定した、少なくとも互いに異なる2つの予測期間のうちの1つの予測期間を示す予想期間情報を選択して、選択した予想期間情報を第2情報とすることにより、第2情報を生成する。
より具体的には、例えば、第2情報生成部182aは、予測期間決定部106が決定した予想期間を示す予想期間情報を、予め定められた次元数を有するベクトル表現に符号化することにより、第2情報を生成する。
また、例えば、第2情報生成部182aは、予測期間決定部106が決定した予想期間経過後の時点と、時系列データ切出部105が元時系列データから切出した時系列データに対応する期間における予め定められたイベントの発生時点との時間差等の任意の単位により表された予測期間情報を、予め定められた次元数を有するベクトル表現に符号化することにより、第2情報を生成しても良い。
また、例えば、第2情報生成部182aは、予測期間決定部106が決定した予想期間経過後の時点である時、分、秒、又は時間帯等の任意の単位により表された予測期間情報を、予め定められた次元数を有するベクトル表現に符号化することにより、第2情報を生成しても良い。
より具体的には、例えば、第2情報生成部182aは、予測期間決定部106が決定した予想期間経過後の時点と、仮想現在日時決定部104が決定した現在日時との時間差をTとして、log(T)のように正の実数であるTの対数を取ることにより、Tを、実数全体を示す値に変換し、変換後の値を符号化することにより、第2情報を生成しても良い。
また例えば、第2情報生成部182aは、TをPで除した商と余りとを得ることにより、Tを周期的な情報に変換して、商と余りとを符号化することにより、第2情報を生成しても良い。
また、時系列データ切出部105が元時系列データから切出した時系列データに含まれる観察値の観察間隔は、元時系列データにより異なる場合がある。そのため、第2情報生成部182aは、任意の単位により表された予測期間情報を、予め定められた次元数を有するベクトル表現に符号化することにより、第2情報を生成する際に、予測期間情報によらず、同一の次元数を有するベクトル表現に符号化することが好適である。
以上のように構成することにより、学習装置100は、1つの元時系列データに基づいて、複数の学習用データを生成することができる。
学習データ生成装置は、元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、及び学習用データ生成部108を備えることにより構成される。
推論システム1が学習データ生成装置を備えることにより、学習装置100における学習用データ取得部109は、学習データ生成装置が生成した複数の学習用データを、学習データ生成装置から直接、又は、記憶装置10等を介して取得可能である。
なお、学習データ生成装置が備える元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、及び学習用データ生成部108の各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
より具体的には、学習部110は、第3情報を応答変数として学習する際に、当該応答変数を教師データとして教師付きの機械学習を行うことにより、指定された予測期間経過後における推論観察値を推論可能な学習済モデルを生成する。
また、学習部110が生成する学習済モデルによる推論方法は、近傍法、サポートベクトルマシン、決定木、ランダムフォレスト、勾配ブースティング木、ガウス過程回帰、又はニューラルネットワーク等の任意の推論方法である。
図8は、実施の形態1に係る学習装置100の処理の一例を説明するフローチャートである。
次に、ステップST802にて、仮想現在日時決定部104は、仮想現在日時を1又は複数決定する。
次に、ステップST803にて、時系列データ切出部105は、1又は複数の仮想現在日時のそれぞれについて、元時系列データのうち、仮想現在日時以前の期間に対応する元時系列データを、時系列データとして切出す。
次に、ステップST804にて、予測期間決定部106は、1又は複数の仮想現在日時のそれぞれについて、予測期間経過後の時点が元時系列データに対応する期間に含まれる、少なくとも互いに異なる2つの予測期間を決定する。
次に、ステップST805にて、観察値取得部107は、1又は複数の仮想現在日時のそれぞれにおける、少なくとも互いに異なる2つの予測期間のそれぞれについて、予測期間経過後の観察値を元時系列データから取得する。
次に、ステップST807にて、学習用データ取得部109は、複数の学習用データを取得する。
次に、ステップST808にて、学習部110は、複数の学習用データを用いて学習し、学習済モデルを生成する。
次に、ステップST809にて、モデル出力部111は、学習済モデルをモデル情報して出力する。
学習装置100は、ステップST809の処理の後、当該フローチャートの処理を終了する。
このように構成することで、学習装置100は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論を可能にすることができる。
また、このように構成することで、学習装置100は、このように生成された複数の学習用データを用いて学習することにより、指定された任意の予測期間について、予測期間経過後における推論観察値である観察値を、高精度に推論可能な学習済モデルを生成することができる。
このように構成することで、学習装置100は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論を可能にすることができる。
より具体的には、このように構成することで、学習装置100は、任意の未来の観察値の推論において、時系列データに対応する期間における現在日時に最も近い時点からの予測期間経過後における推論観察値である観察値を、高精度に推論可能な学習済モデルを生成することができる。
このように構成することで、学習装置100は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論を可能にすることができる。
より具体的には、このように構成することで、学習装置100は、任意の未来の観察値の推論において、時系列データに対応する期間おける予め定められたイベントの発生時点からの予測期間経過後における推論観察値である観察値を、高精度に推論可能な学習済モデルを生成することができる。
このように構成することで、学習装置100は、任意の単位により表された予測期間情報を、予め定められた次元数を有するベクトル表現に符号化することができる。
より具体的には、このように構成することで、学習装置100は、第2情報の基となる少なくとも互いに異なる2つの予測期間を示す予測期間情報が、任意の単位により表された予測期間情報であっても、学習を行うことができる。
このように構成することで、学習装置100は、任意の単位により表された予測期間情報を、予め定められた次元数を有するベクトル表現に符号化することができる。
より具体的には、このように構成することで、学習装置100は、第2情報の基となる少なくとも互いに異なる2つの予測期間を示す予測期間情報が、任意の単位により表された予測期間情報であっても、学習を行うことができる。
このように構成することで、学習装置100は、時系列データ切出部105が元時系列データから切出した時系列データに含まれる観察値の個数が異なる場合であっても、当該時系列データを予め定められた同一の次元数を有するベクトル表現に符号化することができる。
より具体的には、このように構成することで、学習装置100は、第1情報の基となる時系列の観察値を含む時系列データが、任意の観察値の個数を含む時系列データであっても、学習を行うことができる。
このように構成することで、学習装置100は、第1情報の基となる時系列の観察値を含む時系列データが、任意の観察値の個数を含む時系列データであっても、第2情報の基となる少なくとも互いに異なる2つの予測期間を示す予測期間情報が、任意の単位により表された予測期間情報であっても、学習を行うことができる。
また、このように構成することで、学習データ生成装置は、学習済モデルを生成する学習装置100に、このように生成された複数の学習用データを提供することができる。学習装置100は、学習データ生成装置から提供された複数の学習用データを用いて学習することにより、指定された任意の予測期間について、予測期間経過後における推論観察値である観察値を高精度に推論可能な学習済モデルを生成することができる。
図9は、実施の形態1に係る推論装置200の要部の構成の一例を示すブロック図である。
推論装置200は、表示制御部201、操作受付部202、推論用時系列データ取得部203、モデル取得部206、指定予測期間取得部204、推論用データ生成部205、推論用データ取得部207、推論用データ入力部208、推論部209、結果取得部210、及び結果出力部211を備える。
なお、推論装置200が備える表示制御部201、操作受付部202、推論用時系列データ取得部203、モデル取得部206、指定予測期間取得部204、推論用データ生成部205、推論用データ取得部207、推論用データ入力部208、推論部209、結果取得部210、及び結果出力部211の各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
操作受付部202は、入力装置14が出力した操作信号を受けて、操作信号に対応するユーザの入力操作を示す操作情報を、推論用時系列データ取得部203、指定予測期間取得部204、又はモデル取得部206等に出力する。
操作受付部202が出力する操作情報は、記憶装置10に保存されている時系列データのうち、ユーザの入力操作により指定された時系列データ又はモデル情報等を示す情報等である。
具体的には、例えば、推論用データ生成部205が生成した推論用データを取得する。推論用データ生成部205は、推論用時系列データ取得部203及び指定予測期間取得部204が取得する情報を用いて推論用データを生成する。
なお、推論用データ取得部207は、予め用意された推論用データを、記憶装置10から読み出すことにより、推論用データを取得するものであっても良い。推論用データ取得部207が予め用意された推論用データを、記憶装置10から読み出すことにより、推論用データを取得する場合、推論用時系列データ取得部203、指定予測期間取得部204、及び推論用データ生成部205は、必須の構成ではない。
具体的には、例えば、推論用時系列データ取得部203は、操作受付部202が出力する操作情報を受けて、当該操作情報が示す時系列データを記憶装置10から読み出すことにより、当該時系列データを推論用時系列データとして取得する。
具体的には、例えば、推論用データにおける第5情報により特定可能な指定予測期間は、当該推論用データにおける第4情報の基となる推論用時系列データに対応する期間おける、最も現在日時から近い時点からの期間である。
また、例えば、推論用データにおける第5情報により特定可能な指定予測期間は、当該推論用データにおける第4情報の基となる推論用時系列データに対応する期間おける予め定められたイベントの発生時点からの期間である。
指定予測期間取得部204は、例えば、操作受付部202が出力する操作情報を受けて、当該操作情報が示す予測対象の指定予測期間を指定予測期間情報に変換することにより当該指定予測期間情報を取得する。
図10Aは、推論用時系列データ、指定予測期間、第4情報、第5情報、及び説明変数の一例を示す図である。
図10Aに示す推論用時系列データは、図4に示す元時系列データと同様に、一例として、あるテーマパークの2018年9月1日から2019年8月31日までの365日分の入場者数を1日毎の観察値として示した推論用時系列データの一部を示す図である。
推論用データ生成部205は、図10Aに示す推論用データに基づいて、例えば、2018年9月1日から2019年8月31日までの期間に対応する推論用時系列データのうち、観察値の数が予め定められた数である10個になるように、2019年8月22日から2019年8月31日までの期間に対応する推論用時系列データを切出す。推論用データ生成部205は、切出した2019年8月22日から2019年8月31日までの期間に対応する推論用時系列データを第4情報とする。
また、推論用データ生成部205は、図10Aに示すように、例えば、予測対象の指定予測期間が30日後であることを示す指定予測期間情報を第5情報とする。
なお、第5情報は、任意の単位により表された指定予測期間情報の全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であることが好適である。
具体的には、例えば、モデル取得部206は、操作受付部202が出力する操作情報を受けて、当該操作情報が示すモデル情報を記憶装置10から読み出すことにより、当該モデル情報を取得する。
モデル取得部206が取得するモデル情報が示す学習済モデルは、時系列の観察値を含む1又は複数の時系列データのうちの1つの時系列データに基づく第1情報と、少なくとも互いに異なる2つの予測期間を含む複数の予測期間のうちの1つの予測期間に基づく第2情報と、予測期間経過後の観察値に基づく第3情報との組合せた学習用データにおける第1情報と第2情報とを組合せた情報を説明変数とし、且つ、第3情報を応答変数として、複数の学習用データを用いて学習した、機械学習による学習結果に対応する学習済モデルである。
具体的には、例えば、モデル取得部206が取得するモデル情報は、学習装置100が出力したモデル情報である。モデル取得部206は、学習装置100が出力したモデル情報を、学習装置100から直接、又は、記憶装置10を介して取得する。
図9は、モデル取得部206が、学習装置100が出力したモデル情報を学習装置100から直接取得する場合を示している。
なお、学習済モデルを用いて指定された指定予測期間経過後における推論観察値を推論する推論部209は、推論装置200に備えられても、推論装置200と接続される不図示の外部装置に備えられていても良い。
より具体的には、推論用データ入力部208は、推論部209に推論用データを出力し、推論部209に、当該推論用データを学習済モデルに入力させる。
より具体的には、結果取得部210は、学習済モデルが推論結果として出力する、指定予測期間経過後における推論観察値を推論部209、又は、推論部209を備える外部装置から取得する。
具体的には、例えば、結果出力部211は、表示制御部201を介して、結果取得部210が取得した推論観察値を出力する。表示制御部201は、結果出力部211から推論観察値を受けて、当該推論観察値を示す画像に対応する画像信号を生成し、当該画像信号を表示装置12に出力して、表示装置12に当該推論観察値を示す画像を表示させる。
また、結果出力部211は、例えば、記憶装置10に結果取得部210が取得した推論観察値を出力し、記憶装置10に当該推論観察値を記憶させても良い。
指定予測期間情報が示す指定予測期間が、学習済モデルにより予測期間経過後における推論観察値を推論可能な複数の予測期間のいずれかに相当する場合、推論装置200は、学習済モデルを用いた推論を1回だけ行うことにより、指定予測期間経過後の推論観察値を推論することができる。
推論用データ生成部205は、指定予測期間取得部204が取得する指定予測期間情報である当該日付を示す情報を第5情報とする。
更に、推論用データ生成部205は、当該第4情報と当該第5情報とを組み合わせた推論用データを生成する。
表示装置12には、例えば、図10Bに示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図10Bに示すように、指定された予測対象の指定予測期間が表示される。
また、表示装置12には、例えば、図10Bに示すように、指定予測期間経過後の推論観察値が表示される。
図11は、実施の形態1に係る推論装置200の処理の一例を説明するフローチャートである。
次に、ステップST1102にて、指定予測期間取得部204は、予測対象の指定予測期間を示す指定予測期間情報を取得する。
次に、ステップST1103にて、推論用データ生成部205は、推論用時系列データに基づく第4情報と、指定予測期間情報に基づく、指定予測期間情報が示す予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを生成する。
次に、ステップST1104にて、モデル取得部206は、モデル情報を取得する。
次に、ステップST1105にて、推論用データ取得部207は、推論用データを取得する。
次に、ステップST1107にて、推論部209は、学習済モデルを用いて、指定された指定予測期間経過後における推論観察値を推論する。
次に、ステップST1108にて、結果取得部210は、学習済モデルが推論結果として出力する、指定予測期間経過後における推論観察値を取得する。
次に、ステップST1109にて、結果出力部211は、結果取得部210が取得した推論観察値を出力する。
推論装置200は、ステップST1109の処理の後、当該フローチャートの処理を終了する。
このように構成することで、推論装置200は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができる。
このように構成することで、推論装置200は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができる。
このように構成することで、推論装置200は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができる。
より具体的には、このように構成することで、推論装置200は、任意の未来の観察値の推論において、第4情報の基となる推論用時系列データに対応する期間おける、最も現在日時から近い時点からの指定予測期間経過後における推論観察値を、高精度に推論することができる。
このように構成することで、推論装置200は、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができる。
より具体的には、このように構成することで、推論装置200は、任意の未来の観察値の推論において、第4情報の基となる推論用時系列データに対応する期間おける予め定められたイベントの発生時点からの指定予測期間経過後における推論観察値を、高精度に推論することができる。
このように構成することで、推論装置200は、第5情報の基となる指定予測期間を示す指定予測期間情報が、任意の単位により表された情報であっても、第4情報と第5情報とを組合せた推論用データを説明変数として学習済みモデルに入力することができる。
このように構成することで、推論装置200は、第5情報の基となる指定予測期間を示す指定予測期間情報が、任意の単位により表された情報であっても、第4情報と第5情報とを組合せた推論用データを説明変数として学習済みモデルに入力することができる。
このように構成することで、推論装置200は、第4情報の基となる時系列の観察値を含む推論用時系列データが、任意の観察値の個数を含む時系列データであっても、第4情報と第5情報とを組合せた推論用データを説明変数として学習済みモデルに入力することができる。
このように構成することで、推論装置200は、第4情報の基となる時系列の観察値を含む推論用時系列データが、任意の観察値の個数を含む時系列データであっても、第5情報の基となる指定予測期間を示す指定予測期間情報が、任意の単位により表された情報であっても、第4情報と第5情報とを組合せた推論用データを説明変数として学習済みモデルに入力することができる。
図12から図17を参照して実施の形態2に係る推論システム1aについて説明する。
図12は、実施の形態2に係る推論システム1aの要部の一例を示すブロック図である。
実施の形態2に係る推論システム1aは、実施の形態1に係る推論システム1と比較して、学習装置100及び推論装置200が、学習装置100a及び推論装置200aに変更されたものである。
実施の形態2に係る推論システム1aの構成において、実施の形態1に係る推論システム1と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図1に記載した符号と同じ符号を付した図12の構成については、説明を省略する。
記憶装置10は、時系列データ等の推論システム1aに必要な情報を保存するための装置である。
表示装置11は、学習装置100aが出力する画像信号を受けて、画像信号に対応する画像表示を行う。
表示装置12は、推論装置200aが出力する画像信号を受けて、画像信号に対応する画像表示を行う。
入力装置13は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を学習装置100aに出力する。
入力装置14は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を推論装置200aに出力する。
推論装置200aは、機械学習による学習結果に対応する学習済モデルに説明変数を入力して、学習済モデルが推論結果として出力する推論観察値、及び当該推論観察値の分位点を示す分位点情報を取得し、取得した推論観察値及び分位点情報を出力する装置である。
図13は、実施の形態2に係る学習装置100aの要部の構成の一例を示すブロック図である。
実施の形態2に係る学習装置100aは、実施の形態1に係る学習装置100と比較して、学習部110が、学習部110aに変更されたものである。
実施の形態2に係る学習装置100aの構成において、実施の形態1に係る学習装置100と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図2に記載した符号と同じ符号を付した図13の構成については、説明を省略する。
なお、学習装置100aが備える表示制御部101、操作受付部102、元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、学習用データ生成部108、学習用データ取得部109、学習部110a、及びモデル出力部111の各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
より具体的には、学習部110aは、第3情報を応答変数として学習する際に、当該応答変数を教師データとして教師付きの機械学習を行うことにより、指定された予測期間経過後における推論観察値に加えて、当該推論観察値の分位点を推論可能な学習済モデルを生成する。
より具体的には、例えば、学習部110aは、勾配ブースティング木を用いて、指定された任意の割合に対応する分位点について分位点回帰による機械学習を行うことにより、当該分位点を推論可能な学習済モデルを生成することができる。
学習部110aは、当該推論観察値の分位点の推論において、推論観察値の推論における中央値に対応する50%分位点に加えて、10%、25%、75%、又は90%等の任意の割合に対応する分位点を推論可能な学習済モデルを生成しても良い。
以下、学習部110aが生成する学習済モデルは、一例として、10%、25%、50%、75%、及び90%に対応する5個の分位点を推論するものとして説明する。
例えば、学習部110aは、10%、25%、50%、75%、及び90%に対応する5個の分位点を推論可能な学習済モデルを生成するために、10%、25%、50%、75%、及び90%に対応する5個の分位点のそれぞれについて、分位点回帰による機械学習を行う。
図14は、実施の形態2に係る学習装置100aの処理の一例を説明するフローチャートである。
次に、ステップST1402にて、仮想現在日時決定部104は、仮想現在日時を1又は複数決定する。
次に、ステップST1403にて、時系列データ切出部105は、1又は複数の仮想現在日時のそれぞれについて、元時系列データのうち、仮想現在日時以前の期間に対応する元時系列データを、時系列データとして切出す。
次に、ステップST1404にて、予測期間決定部106は、1又は複数の仮想現在日時のそれぞれについて、予測期間経過後の時点が元時系列データに対応する期間に含まれる、少なくとも互いに異なる2つの予測期間を決定する。
次に、ステップST1405にて、観察値取得部107は、1又は複数の仮想現在日時のそれぞれにおける、少なくとも互いに異なる2つの予測期間のそれぞれについて、予測期間経過後の観察値を元時系列データから取得する。
次に、ステップST1407にて、学習用データ取得部109は、複数の学習用データを取得する。
次に、ステップST1408にて、学習部110aは、複数の学習用データを用いて学習し、学習済モデルを生成する。
次に、ステップST1409にて、モデル出力部111は、学習済モデルをモデル情報して出力する。
学習装置100aは、ステップST1409の処理の後、当該フローチャートの処理を終了する。
このように構成することで、学習装置100aは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論を可能にするとともに、推論誤差の少ない高精度の推論精度を有する当該観察値の分位点の推論を可能にすることができる。
より具体的には、このように構成することで、学習装置100aは、推論誤差の少ない高精度の推論精度を有する当該観察値の分位点の推論を可能にすることより、当該観察値の推論の確からしさを、高精度で把握することを可能にすることができる。
図15は、実施の形態2に係る推論装置200aの要部の構成の一例を示すブロック図である。
実施の形態2に係る推論装置200aは、実施の形態1に係る推論装置200と比較して、推論部209、結果取得部210、及び結果出力部211が、推論部209a、結果取得部210a、及び結果出力部211aに変更されたものである。
実施の形態2に係る推論装置200aの構成において、実施の形態1に係る推論装置200と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図9に記載した符号と同じ符号を付した図15の構成については、説明を省略する。
なお、推論装置200aが備える表示制御部201、操作受付部202、推論用時系列データ取得部203、モデル取得部206、指定予測期間取得部204、推論用データ生成部205、推論用データ取得部207、推論用データ入力部208、推論部209a、結果取得部210a、及び結果出力部211aの各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
なお、学習済モデルを用いて指定された指定予測期間経過後における推論観察値、及び当該推論観察値の分位点を推論する推論部209aは、推論装置200aに備えられても、推論装置200aと接続される不図示の外部装置に備えられていても良い。
学習済モデルが出力する推論結果に含まれる分位点情報は、推論観察値の推論における例えば、10%、25%、50%、75%、又は90%等の任意の割合に対応する分位点を示すものである。分位点情報は、推論観察値の推論における例えば、10%、25%、50%、75%、及び90%等の任意の割合のそれぞれに対応する複数の分位点を示す情報であっても良い。以下、学習済モデルが出力する推論結果に含まれる分位点情報は、10%、25%、50%、75%、及び90%のそれぞれに割合に対応する5個の分位点を示す情報であるものとして説明する。
具体的には、例えば、結果出力部211aは、表示制御部201を介して、結果取得部210aが取得した推論観察値及び分位点情報を出力する。表示制御部201は、結果出力部211aから推論観察値及び分位点情報を受けて、当該推論観察値及び当該分位点情報を示す画像に対応する画像信号を生成し、当該画像信号を表示装置12に出力して、表示装置12に当該推論観察値及び当該分位点情報を示す画像を表示させる。
また、結果出力部211aは、例えば、記憶装置10に結果取得部210aが取得した推論観察値及び分位点情報を出力し、記憶装置10に当該推論観察値及び当該分位点情報を記憶させても良い。
表示装置12には、例えば、図16に示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図16に示すように、指定された予測対象の指定予測期間が表示される。
また、表示装置12には、例えば、図16に示すように、指定予測期間経過後の推論観察値の分位点として、10%、25%、50%、75%、及び90%のそれぞれに割合に対応する5個の分位点が、箱ひげ図により表示される。
図16に示す箱ひげ図において、図16における縦方向の線分(以下「垂線」という。)の上端に位置する図16における横方向の線分(以下「水平線」という。)は90%分位点、垂線の下端に位置する水平線は10%分位点、垂線上に位置する箱の上端は75%分位点、当該箱の下端は25%分位点、及び、当該箱の中央の水平線は50%分位点をそれぞれ示している。
図17は、実施の形態2に係る推論装置200aの処理の一例を説明するフローチャートである。
次に、ステップST1702にて、指定予測期間取得部204は、予測対象の指定予測期間を示す指定予測期間情報を取得する。
次に、ステップST1703にて、推論用データ生成部205は、推論用時系列データに基づく第4情報と、指定予測期間情報に基づく、指定予測期間情報が示す予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを生成する。
次に、ステップST1704にて、モデル取得部206は、モデル情報を取得する。
次に、ステップST1705にて、推論用データ取得部207は、推論用データを取得する。
次に、ステップST1707にて、推論部209aは、学習済モデルを用いて、指定された指定予測期間経過後における推論観察値、及び当該推論観察値の分位点を推論する。
次に、ステップST1708にて、結果取得部210aは、学習済モデルが推論結果として出力する、指定予測期間経過後における推論観察値、及び当該推論観察値の分位点を示す分位点情報を取得する。
次に、ステップST1709にて、結果出力部211aは、結果取得部210aが取得した推論観察値及び分位点情報を出力する。
推論装置200aは、ステップST1709の処理の後、当該フローチャートの処理を終了する。
このように構成することで、推論装置200aは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができ、更に、当該観察値の推論の確からしさを、高精度で把握できる。
図18から図23を参照して実施の形態3に係る推論システム1bについて説明する。
図18は、実施の形態3に係る推論システム1bの要部の一例を示すブロック図である。
実施の形態3に係る推論システム1bは、実施の形態1に係る推論システム1と比較して、学習装置100及び推論装置200が、学習装置100b及び推論装置200bに変更されたものである。
実施の形態3に係る推論システム1bの構成において、実施の形態1に係る推論システム1と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図1に記載した符号と同じ符号を付した図18の構成については、説明を省略する。
記憶装置10は、時系列データ等の推論システム1bに必要な情報を保存するための装置である。
表示装置11は、学習装置100bが出力する画像信号を受けて、画像信号に対応する画像表示を行う。
表示装置12は、推論装置200bが出力する画像信号を受けて、画像信号に対応する画像表示を行う。
入力装置13は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を学習装置100bに出力する。
入力装置14は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を推論装置200bに出力する。
推論装置200bは、機械学習による学習結果に対応する学習済モデルに説明変数を入力して、学習済モデルが推論結果として出力する推論観察値、及び当該推論観察値の予測分布を示す予測分布情報を取得し、取得した推論観察値及び予測分布情報を出力する装置である。
図19は、実施の形態3に係る学習装置100bの要部の構成の一例を示すブロック図である。
実施の形態3に係る学習装置100bは、実施の形態1に係る学習装置100と比較して、学習部110が、学習部110bに変更されたものである。
実施の形態3に係る学習装置100bの構成において、実施の形態1に係る学習装置100と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図2に記載した符号と同じ符号を付した図19の構成については、説明を省略する。
なお、学習装置100bが備える表示制御部101、操作受付部102、元時系列データ取得部103、仮想現在日時決定部104、時系列データ切出部105、予測期間決定部106、観察値取得部107、学習用データ生成部108、学習用データ取得部109、学習部110b、及びモデル出力部111の各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
より具体的には、学習部110bは、第3情報を応答変数として学習する際に、当該応答変数を教師データとして教師付きの機械学習を行うことにより、指定された予測期間経過後における推論観察値に加えて、当該推論観察値の予測分布を推論可能な学習済モデルを生成する。
学習部110bは、推論観察値の予測分布を推論可能な学習済モデルを生成することにより、予め定められた離散的な複数の値のうち、互いに近接する2つの値(例えば、1.0及び3.0)の間の値(例えば、2.0)が推論観察値である場合、当該推論観察値が不適切な値であることを把握可能にすることができる。
図20は、実施の形態3に係る学習装置100bの処理の一例を説明するフローチャートである。
次に、ステップST2002にて、仮想現在日時決定部104は、仮想現在日時を1又は複数決定する。
次に、ステップST2003にて、時系列データ切出部105は、1又は複数の仮想現在日時のそれぞれについて、元時系列データのうち、仮想現在日時以前の期間に対応する元時系列データを、時系列データとして切出す。
次に、ステップST2004にて、予測期間決定部106は、1又は複数の仮想現在日時のそれぞれについて、予測期間経過後の時点が元時系列データに対応する期間に含まれる、少なくとも互いに異なる2つの予測期間を決定する。
次に、ステップST2005にて、観察値取得部107は、1又は複数の仮想現在日時のそれぞれにおける、少なくとも互いに異なる2つの予測期間のそれぞれについて、予測期間経過後の観察値を元時系列データから取得する。
次に、ステップST2007にて、学習用データ取得部109は、複数の学習用データを取得する。
次に、ステップST2008にて、学習部110bは、複数の学習用データを用いて学習し、学習済モデルを生成する。
次に、ステップST2009にて、モデル出力部111は、学習済モデルをモデル情報して出力する。
学習装置100bは、ステップST2009の処理の後、当該フローチャートの処理を終了する。
このように構成することで、学習装置100bは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論を可能にするとともに、推論誤差の少ない高精度の推論精度を有する当該観察値の予測分布の推論を可能にすることができる。
より具体的には、このように構成することで、学習装置100bは、観察値が取り得る予め定められた離散的な複数の値のうち、互いに近接する2つの値の間の値が推論観察値である場合、当該推論観察値が不適切な値であることを、高精度で把握可能にすることができる。
図21は、実施の形態3に係る推論装置200bの要部の構成の一例を示すブロック図である。
実施の形態3に係る推論装置200bは、実施の形態1に係る推論装置200と比較して、推論部209、結果取得部210、及び結果出力部211が、推論部209b、結果取得部210b、及び結果出力部211bに変更されたものである。
実施の形態3に係る推論装置200bの構成において、実施の形態1に係る推論装置200と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図9に記載した符号と同じ符号を付した図21の構成については、説明を省略する。
なお、推論装置200bが備える表示制御部201、操作受付部202、推論用時系列データ取得部203、モデル取得部206、指定予測期間取得部204、推論用データ生成部205、推論用データ取得部207、推論用データ入力部208、推論部209b、結果取得部210b、及び結果出力部211bの各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
なお、学習済モデルを用いて指定された指定予測期間経過後における推論観察値、及び当該推論観察値の予測分布を推論する推論部209bは、推論装置200bに備えられても、推論装置200bと接続される不図示の外部装置に備えられていても良い。
学習済モデルが出力する推論結果に含まれる予測分布情報は、推論観察値の推論における、当該推論観察値を取り得る確率を当該推論観察値毎に示すものである。
具体的には、例えば、結果出力部211bは、表示制御部201を介して、結果取得部210bが取得した推論観察値及び予測分布情報を出力する。表示制御部201は、結果出力部211bから推論観察値及び予測分布情報を受けて、当該推論観察値及び当該予測分布情報を示す画像に対応する画像信号を生成し、当該画像信号を表示装置12に出力して、表示装置12に当該推論観察値及び当該予測分布情報を示す画像を表示させる。
また、結果出力部211bは、例えば、記憶装置10に結果取得部210bが取得した推論観察値及び予測分布情報を出力し、記憶装置10に当該推論観察値及び当該予測分布情報を記憶させても良い。
表示装置12には、例えば、図22に示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図22に示すように、指定された予測対象の指定予測期間が表示される。
また、表示装置12には、例えば、図22に示すように、指定予測期間経過後の推論観察値の予測分布が、バイオリン図により表示される。
図22に示すバイオリン図において、図22の縦方向における上側の膨らみは、推論観測値が3.0の近傍である確率を示し、下段の膨らみは、推論観測値が1.0の近傍である確率を示している。
推論装置200bは、学習済モデルが推論結果として出力する、指定予測期間経過後における推論観察値と、当該推論観察値の予測分布を示す予測分布情報とを取得し、表示装置等に取得した当該推論観察値と当該推論観察値の予測分布と出力することにより、当該推論観察値が不適切であることを高精度で把握可能にする。また、更に、推論装置200bは、指定予測期間経過後の観察値が、1.0又は3.0となることを、高精度で把握可能にする。
図23は、実施の形態3に係る推論装置200bの処理の一例を説明するフローチャートである。
次に、ステップST2302にて、指定予測期間取得部204は、予測対象の指定予測期間を示す指定予測期間情報を取得する。
次に、ステップST2303にて、推論用データ生成部205は、推論用時系列データに基づく第4情報と、指定予測期間情報に基づく、指定予測期間情報が示す予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを生成する。
次に、ステップST2304にて、モデル取得部206は、モデル情報を取得する。
次に、ステップST2305にて、推論用データ取得部207は、推論用データを取得する。
次に、ステップST2307にて、推論部209bは、学習済モデルを用いて、指定された指定予測期間経過後における推論観察値、及び当該推論観察値の予測分布を推論する。
次に、ステップST2308にて、結果取得部210bは、学習済モデルが推論結果として出力する、指定予測期間経過後における推論観察値、及び当該推論観察値の予測分布を示す予測分布情報を取得する。
次に、ステップST2309にて、結果出力部211bは、結果取得部210bが取得した推論観察値及び予測分布情報を出力する。
推論装置200bは、ステップST2309の処理の後、当該フローチャートの処理を終了する。
このように構成することで、推論装置200bは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する推論観察値の推論をすることができ、更に、当該推論観察値が不適切な値であることを高精度で把握可能にする。更に、推論装置200bは、当該推論観察値が不適切な値である場合に、適切な値を高精度で把握可能にする。
図24から図29を参照して実施の形態4に係る推論システム1cについて説明する。
図24は、実施の形態4に係る推論システム1cの要部の一例を示すブロック図である。
実施の形態4に係る推論システム1cは、実施の形態1に係る推論システム1と比較して、推論装置200が、推論装置200cに変更されたものである。
実施の形態4に係る推論システム1cの構成において、実施の形態1に係る推論システム1と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図1に記載した符号と同じ符号を付した図24の構成については、説明を省略する。
記憶装置10は、時系列データ等の推論システム1cに必要な情報を保存するための装置である。
表示装置12は、推論装置200cが出力する画像信号を受けて、画像信号に対応する画像表示を行う。
入力装置14は、ユーザからの操作入力を受けて、ユーザの入力操作に対応する操作信号を推論装置200cに出力する。
図25は、実施の形態4に係る推論装置200cの要部の構成の一例を示すブロック図である。
実施の形態4に係る推論装置200cは、実施の形態1に係る推論装置200と比較して、結果取得部210及び結果出力部211が、結果取得部210c及び結果出力部211cに変更されたものである。
実施の形態4に係る推論装置200cの構成において、実施の形態1に係る推論装置200と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図9に記載した符号と同じ符号を付した図25の構成については、説明を省略する。
なお、推論装置200cが備える表示制御部201、操作受付部202、推論用時系列データ取得部203、モデル取得部206、指定予測期間取得部204c、推論用データ生成部205c、推論用データ取得部207、推論用データ入力部208、推論部209、結果取得部210c、及び結果出力部211cの各機能は、図3A及び図3Bに一例を示したハードウェア構成におけるプロセッサ301及びメモリ302により実現されるものであっても良く、又は処理回路303により実現されるものであっても良い。
指定予測期間取得部204cは、指定予測期間情報として、予測対象である1つの時点までを示す指定予測期間情報、予測対象である複数の時点までを示す指定予測期間情報、又は、互いに異なる2つの時点の間に亘る範囲により表される予測対象の時間範囲(以下「予測範囲」という。)を示す指定予測期間情報を取得可能である。すなわち、実施の形態1に係る指定予測期間取得部204は、指定予測期間情報として、予測対象である1つの時点を示す指定予測期間情報を取得するものであった。これに対して、指定予測期間取得部204cは、指定予測期間情報として、予測対象である1つの時点を示す指定予測期間情報に加えて、予測対象である複数の時点を示す指定予測期間情報、又は、予測対象である予測範囲を示す指定予測期間情報を取得可能なものでる。
例えば、ユーザは、入力装置14を用いて、複数の時点を指定することにより、予測対象である複数の時点を入力して指定予測期間を指定するか、又は、互いに異なる2つの時点を指定することにより、予測対象である予測範囲を入力して指定予測期間を指定する。
指定予測期間取得部204cは、入力装置14から出力された操作信号を、操作受付部202を介して操作情報として受けて、当該操作情報が示す指定予測期間を指定予測期間情報に変換することにより当該指定予測期間情報を取得する。
推論用データ生成部205cが生成する推論用データにおける第5情報は、予測対象である1以上の時点、又は、予測対象である予測範囲を特定可能な情報である。
特に、第5情報は、予測対象である1以上の時点、又は、予測対象である予測範囲等の任意の単位により表された指定予測期間情報の全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であることが好適である。
学習済モデルは、推論結果として、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を出力する。そのため、結果取得部210cは、指定予測期間経過後における推論観察値として、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を取得する。
具体的には、例えば、結果出力部211cは、結果取得部210cが取得した予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を出力する。
より具体的には、例えば、結果出力部211cは、結果取得部210cが取得した予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を、表示制御部201を介して出力する。表示制御部201は、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を、結果出力部211cから受けて、当該推論観察値を示す画像に対応する画像信号を生成する。表示制御部201は、当該画像信号を表示装置12に出力して、表示装置12に当該推論観察値を示す画像を表示させる。
また、結果出力部211cは、例えば、結果取得部210cが取得した予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を、記憶装置10に出力し、記憶装置10に当該推論観察値を記憶させても良い。
表示装置12には、例えば、図26に示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図26に示すように、指定された予測対象である予測範囲が表示される。
また、表示装置12には、例えば、図26に示すように、指定された予測対象である予測範囲内における推論観察値が表示される。
図27は、実施の形態4に係る推論装置200cの処理の一例を説明するフローチャートである。
次に、ステップST2702にて、指定予測期間取得部204cは、指定予測期間情報として、予測対象である1以上の時点を示す指定予測期間情報、又は、予測対象である予測範囲を示す指定予測期間情報を取得する。
次に、ステップST2703にて、推論用データ生成部205は、推論用時系列データに基づく第4情報と、予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを生成する。
次に、ステップST2704にて、モデル取得部206は、モデル情報を取得する。
次に、ステップST2705にて、推論用データ取得部207は、推論用データを取得する。
次に、ステップST2707にて、推論部209は、学習済モデルを用いて、指定された、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を推論する。
次に、ステップST2708にて、結果取得部210cは、学習済モデルが推論結果として出力する、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を取得する。
次に、ステップST2709にて、結果出力部211cは、結果取得部210cが取得した予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を出力する。
推論装置200cは、ステップST2709の処理の後、当該フローチャートの処理を終了する。
このように構成することにより、推論装置200cは、指定された、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を把握可能にしつつ、当該推論観察値の分位点を把握可能にする。
このように構成することにより、推論装置200cは、指定された、予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値を把握可能にしつつ、当該推論観察値の予測分布を把握可能にする。
表示装置12には、例えば、図28に示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図28に示すように、指定された予測対象である予測範囲が表示される。
また、表示装置12には、例えば、図28に示すように、指定された予測対象である予測範囲内における1以上の推論観察値のそれぞれの分位点が表示される。
表示装置12には、例えば、図28に示すように、推論用時系列データにおける観察値が、観察時点に対応付けてプロットされて表示される。
また、表示装置12には、例えば、図28に示すように、指定された予測対象である予測範囲が表示される。
また、表示装置12には、例えば、図28に示すように、指定された予測対象である予測範囲内における1以上の推論観察値のそれぞれの予測分布が表示される。
このように構成することで、推論装置200cは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができる。
また、このように構成することで、推論装置200cは、指定された予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値が、どのように変化するのかを把握可能にする。
このように構成することで、推論装置200cは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する観察値の推論をすることができ、更に、当該観察値の推論の確からしさを、高精度で把握できる。
また、このように構成することで、推論装置200cは、指定された予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値が、どのように変化するのかを把握可能しつつ、当該推論観察値のそれぞれの推論の確からしさを、高精度で把握できる。
このように構成することで、推論装置200cは、任意の未来の観察値の推論において、推論誤差の少ない高精度の推論精度を有する推論観察値の推論をすることができ、更に、当該推論観察値が不適切な値であることを高精度で把握可能にする。更に、推論装置200cは、当該推論観察値が不適切な値である場合に、適切な値を高精度で把握可能にする。
また、このように構成することで、推論装置200cは、指定された予測対象である1以上の時点のそれぞれにおける推論観察値、又は、予測対象である予測範囲内における1以上の推論観察値が、どのように変化するのかを把握可能しつつ、当該推論観察値のそれぞれが不適切な値であることを高精度で把握可能にする。更に、推論装置200cは、当該推論観察値が不適切な値である場合に、適切な値を高精度で把握可能にする。
Claims (21)
- 1つの学習用データが、時系列の観察値を含む1又は複数の時系列データのうちの1つの前記時系列データに基づく第1情報と、少なくとも互いに異なる2つの予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく第2情報と、前記予測期間経過後の前記観察値に基づく第3情報との組合せである、複数の前記学習用データを取得する学習用データ取得部と、
前記学習用データにおける前記第1情報と前記第2情報とを組合せた情報を説明変数とし、且つ、前記第3情報を応答変数として、前記学習用データ取得部が取得した複数の前記学習用データを用いて学習し、指定された前記予測期間経過後における推論観察値を推論可能な学習済モデルを生成する学習部と、
を備え、
前記第2情報は、前記予測期間を特定可能な予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であり、
時系列の前記観察値を含む1つの元時系列データに対応する期間のうちから、仮想的に定める現在日時である仮想現在日時を1又は複数決定する仮想現在日時決定部と、
前記仮想現在日時決定部が決定した1又は複数の前記仮想現在日時のそれぞれについて、前記元時系列データのうち、前記仮想現在日時以前の期間に対応する前記元時系列データを、前記第1情報の基となる時系列の前記観察値を含む前記時系列データとして切出す時系列データ切出部と、
前記仮想現在日時決定部が決定した1又は複数の前記仮想現在日時のそれぞれについて、前記予測期間経過後の時点が前記元時系列データに対応する期間に含まれる、前記第2情報の基となる少なくとも互いに異なる2つの前記予測期間を決定する予測期間決定部と、
前記予測期間決定部が決定した、少なくとも互いに異なる2つの前記予測期間のそれぞれについて、前記第3情報の基となる前記予測期間経過後の前記観察値を前記元時系列データから取得する観察値取得部と、
前記時系列データ切出部が切出した、時系列の前記観察値を含む1又は複数の前記時系列データのうちの1つの前記時系列データに基づく前記第1情報と、前記予測期間決定部が決定した、少なくとも互いに異なる2つの前記予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく前記第2情報と、前記観察値取得部が取得した、前記予測期間経過後の前記観察値に基づく前記第3情報とを組合せることにより、複数の前記学習用データを生成する学習用データ生成部と、
を備え、
前記学習用データ取得部は、前記学習用データ生成部が生成した複数の前記学習用データを取得すること
を特徴とする学習装置。 - 前記学習用データにおける前記第2情報の基となる前記予測期間は、当該学習用データにおける前記第1情報の基となる前記時系列データに対応する期間における現在日時に最も近い時点からの期間であり、
当該学習用データにおける前記第3情報は、当該時点からの前記予測期間経過後の前記観察値に基づく情報であること
を特徴とする請求項1記載の学習装置。 - 前記学習用データにおける前記第2情報の基となる前記予測期間は、当該学習用データにおける前記第1情報の基となる前記時系列データに対応する期間おける予め定められたイベントの発生時点からの期間であり、
当該学習用データにおける前記第3情報は、当該イベントの前記発生時点からの前記予測期間経過後の前記観察値に基づく情報であること
を特徴とする請求項1記載の学習装置。 - 前記第2情報は、任意の単位により表された前記予測期間情報の全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であること
を特徴とする請求項1記載の学習装置。 - 前記第1情報は、前記第1情報の基となる前記時系列データの全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であること
を特徴とする請求項1記載の学習装置。 - 前記学習部は、ベクトル表現に符号化した前記第1情報と、ベクトル表現に符号化した前記第2情報とを連結したベクトル表現による情報を前記説明変数として学習すること
を特徴とする請求項5記載の学習装置。 - 前記学習部は、指定された前記予測期間経過後における前記推論観察値に加えて、当該推論観察値の分位点を推論可能な前記学習済モデルを生成すること
を特徴とする請求項1から請求項6のいずれか1項記載の学習装置。 - 前記学習部は、指定された前記予測期間経過後における前記推論観察値に加えて、当該推論観察値の予測分布を推論可能な前記学習済モデルを生成すること
を特徴とする請求項1から請求項6のいずれか1項記載の学習装置。 - 1つの学習用データが、時系列の観察値を含む1又は複数の時系列データのうちの1つの前記時系列データに基づく第1情報と、少なくとも互いに異なる2つの予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく第2情報と、前記予測期間経過後の前記観察値に基づく第3情報との組合せである、複数の前記学習用データを取得する学習用データ取得ステップと、
前記学習用データにおける前記第1情報と前記第2情報とを組合せた情報を説明変数とし、且つ、前記第3情報を応答変数として、前記学習用データ取得ステップにおいて取得された複数の前記学習用データを用いて学習し、指定された前記予測期間経過後における推論観察値を推論可能な学習済モデルを生成する学習ステップと、
を備え、
前記第2情報は、前記予測期間を特定可能な予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であり、
時系列の前記観察値を含む1つの元時系列データに対応する期間のうちから、仮想的に定める現在日時である仮想現在日時を1又は複数決定する仮想現在日時決定ステップと、
前記仮想現在日時決定ステップにおいて決定した1又は複数の前記仮想現在日時のそれぞれについて、前記元時系列データのうち、前記仮想現在日時以前の期間に対応する前記元時系列データを、前記第1情報の基となる時系列の前記観察値を含む前記時系列データとして切出す時系列データ切出ステップと、
前記仮想現在日時決定ステップにおいて決定した1又は複数の前記仮想現在日時のそれぞれについて、前記予測期間経過後の時点が前記元時系列データに対応する期間に含まれる、前記第2情報の基となる少なくとも互いに異なる2つの前記予測期間を決定する予測期間決定ステップと、
前記予測期間決定ステップにおいて決定した、少なくとも互いに異なる2つの前記予測期間のそれぞれについて、前記第3情報の基となる前記予測期間経過後の前記観察値を前記元時系列データから取得する観察値取得ステップと、
前記時系列データ切出ステップにおいて切出した、時系列の前記観察値を含む1又は複数の前記時系列データのうちの1つの前記時系列データに基づく前記第1情報と、前記予測期間決定において決定した、少なくとも互いに異なる2つの前記予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく前記第2情報と、前記観察値取得ステップにおいて取得した、前記予測期間経過後の前記観察値に基づく前記第3情報とを組合せることにより、複数の前記学習用データを生成する学習用データ生成ステップと、
を備え、
前記学習用データ取得ステップは、前記学習用データ生成ステップにおいて生成した複数の前記学習用データを取得すること
を特徴とする学習方法。 - 時系列の観察値を含む1つの元時系列データに対応する期間のうちから、仮想的に定める現在日時である仮想現在日時を1又は複数決定する仮想現在日時決定部と、
前記仮想現在日時決定部が決定した1又は複数の前記仮想現在日時のそれぞれについて、前記元時系列データのうち、前記仮想現在日時以前の期間に対応する前記元時系列データを、第1情報の基となる時系列の前記観察値を含む時系列データとして切出す時系列データ切出部と、
前記仮想現在日時決定部が決定した1又は複数の前記仮想現在日時のそれぞれについて、予測期間経過後の時点が前記元時系列データに対応する期間に含まれる、第2情報の基となる少なくとも互いに異なる2つの予測期間を決定する予測期間決定部と、
前記予測期間決定部が決定した、少なくとも互いに異なる2つの前記予測期間のそれぞれについて、第3情報の基となる前記予測期間経過後の前記観察値を前記元時系列データから取得する観察値取得部と、
前記時系列データ切出部が切出した、時系列の前記観察値を含む1又は複数の前記時系列データのうちの1つの前記時系列データに基づく前記第1情報と、前記予測期間決定部が決定した、少なくとも互いに異なる2つの前記予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく前記第2情報と、前記観察値取得部が取得した、前記予測期間経過後の前記観察値に基づく前記第3情報とを組合せることにより、複数の学習用データを生成する学習用データ生成部と、
を備え、
前記第2情報は、前記予測期間を特定可能な予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であること
を特徴とする学習データ生成装置。 - 時系列の観察値を含む1つの元時系列データに対応する期間のうちから、仮想的に定める現在日時である仮想現在日時を1又は複数決定する仮想現在日時決定ステップと、
前記仮想現在日時決定ステップにおいて決定された1又は複数の前記仮想現在日時のそれぞれについて、前記元時系列データのうち、前記仮想現在日時以前の期間に対応する前記元時系列データを、第1情報の基となる時系列の前記観察値を含む時系列データとして切出す時系列データ切出ステップと、
前記仮想現在日時決定ステップにおいて決定された1又は複数の前記仮想現在日時のそれぞれについて、予測期間経過後の時点が前記元時系列データに対応する期間に含まれる、第2情報の基となる少なくとも互いに異なる2つの予測期間を決定する予測期間決定ステップと、
前記予測期間決定ステップにおいて決定された、少なくとも互いに異なる2つの前記予測期間のそれぞれについて、第3情報の基となる前記予測期間経過後の前記観察値を前記元時系列データから取得する観察値取得ステップと、
前記時系列データ切出ステップにおいて切出された、時系列の前記観察値を含む1又は複数の前記時系列データのうちの1つの前記時系列データに基づく前記第1情報と、前記予測期間決定ステップにおいて決定された、少なくとも互いに異なる2つの前記予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく前記第2情報と、前記観察値取得ステップにおいて取得された、前記予測期間経過後の前記観察値に基づく前記第3情報とを組合せることにより、複数の学習用データを生成する学習用データ生成ステップと、
を備え、
前記第2情報は、前記予測期間を特定可能な予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であること
を特徴とする学習データ生成方法。 - 時系列の観察値を含む推論用時系列データに基づく第4情報と、予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを取得する推論用データ取得部と、
前記推論用データ取得部が取得した前記推論用データを説明変数として、請求項1から請求項8のいずれか1項記載の学習装置による学習結果に対応する学習済モデルに入力する推論用データ入力部と、
前記学習済モデルが推論結果として出力する、前記指定予測期間経過後における推論観察値を取得する結果取得部と、
前記結果取得部が取得した前記推論観察値を出力する結果出力部と、
を備え、
前記第5情報は、前記指定予測期間を特定可能な前記指定予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であること
を特徴とする推論装置。 - 前記推論用データにおける前記第5情報により特定可能な前記指定予測期間は、当該推論用データにおける前記第4情報の基となる前記推論用時系列データに対応する期間おける、最も現在日時から近い時点からの期間であること
を特徴とする請求項12記載の推論装置。 - 前記推論用データにおける前記第5情報により特定可能な前記指定予測期間は、当該推論用データにおける前記第4情報の基となる前記推論用時系列データに対応する期間おける予め定められたイベントの発生時点からの期間であること
を特徴とする請求項12記載の推論装置。 - 前記第5情報は、任意の単位により表された前記指定予測期間情報の全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であること
を特徴とする請求項12記載の推論装置。 - 前記第4情報は、前記第4情報の基となる前記推論用時系列データの全てにおいて、予め定められた同一の次元数を有するベクトル表現に符号化した情報であること
を特徴とする請求項12記載の推論装置。 - 前記推論用データ入力部は、ベクトル表現に符号化した前記第4情報と、ベクトル表現に符号化した前記第5情報とを連結したベクトル表現による情報を前記説明変数として前記学習済モデルに入力すること
を特徴とする請求項16記載の推論装置。 - 前記結果取得部は、前記学習済モデルが出力する前記推論結果として、前記指定予測期間経過後における前記推論観察値に加えて、当該推論観察値の分位点を示す分位点情報を取得し、
前記結果出力部は、前記結果取得部が取得した前記推論観察値に加えて、前記結果取得部が取得した前記分位点情報を出力すること
を特徴とする請求項12から請求項17のいずれか1項記載の推論装置。 - 前記結果取得部は、前記学習済モデルが出力する前記推論結果として、前記指定予測期間経過後における前記推論観察値に加えて、当該推論観察値の予測分布を示す予測分布情報を取得し、
前記結果出力部は、前記結果取得部が取得した前記推論観察値に加えて、前記結果取得部が取得した前記予測分布情報を出力すること
を特徴とする請求項12から請求項17のいずれか1項記載の推論装置。 - 前記学習済モデルは、時系列の前記観察値を含む1又は複数の時系列データのうちの1つの前記時系列データに基づく第1情報と、少なくとも互いに異なる2つの予測期間を含む複数の前記予測期間のうちの1つの前記予測期間に基づく第2情報と、前記予測期間経過後の前記観察値に基づく第3情報との組合せた学習用データにおける前記第1情報と前記第2情報とを組合せた情報を説明変数とし、且つ、前記第3情報を応答変数として、複数の前記学習用データを用いて学習した、前記機械学習による前記学習結果に対応する前記学習済モデルであること
を特徴とする請求項12記載の推論装置。 - 時系列の観察値を含む時系列データに基づく第4情報と予測対象の指定予測期間を特定可能な第5情報とを組合せた推論用データを取得する推論用データ取得ステップと、
前記推論用データ取得ステップにおいて取得された前記推論用データを説明変数として、請求項9記載の学習方法により生成された学習済モデルに入力する推論用データ入力ステップと、
前記学習済モデルが推論結果として出力する、前記指定予測期間経過後における推論観察値を取得する結果取得ステップと、
前記結果取得ステップにおいて取得された前記推論観察値を出力する結果出力ステップと、
を備え、
前記第5情報は、前記指定予測期間を特定可能な前記指定予測期間情報を、予め定められた次元数を有するベクトル表現に符号化した情報であること
を特徴とする推論方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/035133 WO2021044610A1 (ja) | 2019-09-06 | 2019-09-06 | 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6765555B1 true JP6765555B1 (ja) | 2020-10-07 |
JPWO2021044610A1 JPWO2021044610A1 (ja) | 2021-09-27 |
Family
ID=72706642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019571765A Active JP6765555B1 (ja) | 2019-09-06 | 2019-09-06 | 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220147851A1 (ja) |
JP (1) | JP6765555B1 (ja) |
KR (1) | KR102485542B1 (ja) |
CN (1) | CN114303161A (ja) |
DE (1) | DE112019007601T5 (ja) |
TW (1) | TWI764101B (ja) |
WO (1) | WO2021044610A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022150821A (ja) * | 2021-03-26 | 2022-10-07 | 本田技研工業株式会社 | 情報処理装置、車両及びプログラム |
DE102023200231A1 (de) | 2023-01-12 | 2024-07-18 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Evaluieren einer Steuerung einer Robotervorrichtung |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08106448A (ja) * | 1994-10-04 | 1996-04-23 | Nippon Telegr & Teleph Corp <Ntt> | 気象予測装置 |
JP2008299644A (ja) * | 2007-05-31 | 2008-12-11 | Tokyo Institute Of Technology | 連想記憶装置、連想記憶方法、及びプログラム |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
JP2018007312A (ja) * | 2016-06-27 | 2018-01-11 | 藤崎電機株式会社 | 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0635895A (ja) | 1992-07-14 | 1994-02-10 | Hitachi Ltd | 時系列データ予測方法 |
TWI516886B (zh) * | 2013-12-10 | 2016-01-11 | 財團法人工業技術研究院 | 智能學習節能調控系統與方法 |
WO2018193324A1 (en) * | 2017-03-20 | 2018-10-25 | Sunit Tyagi | Surface modification control stations in a globally distributed array for dynamically adjusting atmospheric, terrestrial and oceanic properties |
CN109800480A (zh) * | 2018-12-29 | 2019-05-24 | 国网天津市电力公司电力科学研究院 | 多能源系统中气网和电网耦合的时序随机优化方法 |
-
2019
- 2019-09-06 JP JP2019571765A patent/JP6765555B1/ja active Active
- 2019-09-06 WO PCT/JP2019/035133 patent/WO2021044610A1/ja active Application Filing
- 2019-09-06 CN CN201980099906.4A patent/CN114303161A/zh active Pending
- 2019-09-06 KR KR1020227005682A patent/KR102485542B1/ko active IP Right Grant
- 2019-09-06 DE DE112019007601.9T patent/DE112019007601T5/de active Pending
-
2020
- 2020-02-26 TW TW109106218A patent/TWI764101B/zh active
-
2022
- 2022-01-21 US US17/581,043 patent/US20220147851A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08106448A (ja) * | 1994-10-04 | 1996-04-23 | Nippon Telegr & Teleph Corp <Ntt> | 気象予測装置 |
JP2008299644A (ja) * | 2007-05-31 | 2008-12-11 | Tokyo Institute Of Technology | 連想記憶装置、連想記憶方法、及びプログラム |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
JP2018007312A (ja) * | 2016-06-27 | 2018-01-11 | 藤崎電機株式会社 | 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 |
Non-Patent Citations (2)
Title |
---|
山本修平,外2名: "ドライブレコーダデータに対するヒヤリハット発生対象分類", マルチメディア,分散,協調とモバイル(DICOMO2018)シンポジウム論文集 情報処理学会シンポジ, vol. 第2018巻,第1号, JPN6020013898, 27 June 2018 (2018-06-27), pages 542 - 553, ISSN: 0004251904 * |
森啓之 ほか, スマートコミュニティのためのエネルギーマネジメント, vol. 第1版, JPN6019043387, 1 August 2016 (2016-08-01), pages 22 - 29, ISSN: 0004251905 * |
Also Published As
Publication number | Publication date |
---|---|
KR102485542B1 (ko) | 2023-01-06 |
CN114303161A (zh) | 2022-04-08 |
KR20220027282A (ko) | 2022-03-07 |
TW202111570A (zh) | 2021-03-16 |
JPWO2021044610A1 (ja) | 2021-09-27 |
DE112019007601T5 (de) | 2022-05-05 |
TWI764101B (zh) | 2022-05-11 |
US20220147851A1 (en) | 2022-05-12 |
WO2021044610A1 (ja) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018271417B2 (en) | A system for deep abstractive summarization of long and structured documents | |
Zhang et al. | Electric load forecasting by hybrid self-recurrent support vector regression model with variational mode decomposition and improved cuckoo search algorithm | |
Phaladisailoed et al. | Machine learning models comparison for bitcoin price prediction | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN108564326B (zh) | 订单的预测方法及装置、计算机可读介质、物流系统 | |
Alcaraz et al. | Solving the multi-mode resource-constrained project scheduling problem with genetic algorithms | |
JP6765555B1 (ja) | 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 | |
Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
JP2014206870A (ja) | プラントモデル管理装置及び方法 | |
JP2017021772A (ja) | コピュラ理論に基づく特徴選択 | |
EP3239905A1 (en) | Methods and apparatus for use in predicting non-stationary time-series data | |
JP2014203228A (ja) | プロジェクト管理支援システム | |
Chen | Probabilistic forecasting of coastal wave height during typhoon warning period using machine learning methods | |
EP3446258B1 (en) | Model-free control for reinforcement learning agents | |
Chang et al. | A comparison of classifiers for intelligent machine usage prediction | |
Seifzadeh et al. | Soft-data-constrained multi-model particle filter for agile target tracking | |
Kouroupetroglou et al. | Machine learning techniques for short-term electric load forecasting | |
van der Heijden et al. | Day ahead market price scenario generation using a combined quantile regression deep neural network and a non-parametric Bayesian network | |
JP2021082014A (ja) | 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体 | |
Hrabec et al. | Hybrid algorithm for wait-and-see network design problem | |
KR20200048641A (ko) | 부품 관리 장치 및 이의 동작 방법 | |
JPWO2019026703A1 (ja) | 学習済モデル統合方法、装置、プログラム、icチップ、及びシステム | |
CN115603382A (zh) | 高比例风电电力系统的调度方法、装置和计算机设备 | |
WO2022118524A1 (ja) | 予測システム、予測方法およびプログラム | |
Faia et al. | Optimization of electricity markets participation with simulated annealing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191225 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191225 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20191225 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200116 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200414 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200528 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20200528 |
|
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: 20200818 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200915 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6765555 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |