JP7010403B1 - 情報処理装置及び情報処理方法 - Google Patents

Abstract

【課題】簡略化された代理モデルを用いた場合であっても、精度良く入力データに起因する出力データを得ることができる情報処理装置を提供する。【解決手段】所定の対象に対する入力データを取得する取得部と、前記所定の対象に対して前記入力データが入力された際に前記所定の対象において前記入力データが変化するよう、前記入力データに対して、所定の時間要素を含む処理を施して出力する第１処理部と、所定値の前記入力データに対応するデータを出力するとともに前記所定の対象を模擬した学習モデルを用いて、前記第１処理部からの出力に対応する出力データを出力する第２処理部と、を備える情報処理装置。【選択図】図７

Description

本発明は、情報処理装置及び情報処理方法に関する。

機器等の所定の対象を模擬したシミュレーションモデルを用いることにより、所定の対象へデータを入力した際の出力を得ることができる。しかし、シミュレーションモデルが複雑である場合、出力を得るために多大な時間を要する場合がある。

このような場合に、シミュレーションモデルを代理するモデル（以下、「代理モデル」と呼ぶ）を新たに生成し、シミュレーションモデルに代えて代理モデルを用いることにより、計算の高速化を図る技術が知られている（例えば特許文献１）。

特開２０１１－１８１０６９号公報

しかしながら、時系列で変化する入力データに基づいて代理モデルを生成する場合、代理モデルが複雑になることがある。

本発明の目的は、簡略化された代理モデルを用いた場合であっても、精度良く入力データに起因する出力データを得ることができる情報処理装置を提供することである。

上記目的を達成するための一の発明は、所定の対象に対する入力データを取得する取得部と、所定の対象に対して入力データが入力された際に所定の対象において入力データが変化するよう、入力データに対して、所定の時間要素を含む処理を施して出力する第１処理部と、所定値の入力データに対応するデータを出力するとともに所定の対象を模擬した学習モデルを用いて、第１処理部からの出力に対応する出力データを出力する第２処理部と、を備える情報処理装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

本発明によれば、簡略化された代理モデルを用いた場合であっても、精度良く入力データに起因する出力データを得ることができる情報処理装置を提供することができる。

情報処理システム１の概略構成を示す図である。 情報処理装置３のハードウェア構成を説明する図である。 シミュレーションモデルＳＭを説明する概念図である。 学習データ５を説明する図である。 サンプルデータＳＤを説明する図である。 サンプルデータＳＤを説明する図である。 代理モデル８を説明する図である。 情報処理装置３の機能ブロックを説明する図である。 学習モデル６を出力するまでの処理の流れを説明するフローチャートである。 各種パラメータを出力するまでの処理の流れを説明するフローチャートである。 代理モデル８が用いる各種パラメータを同定する処理を説明する図である。 代理モデル８が用いる各種パラメータを同定した結果を説明する図である。 情報処理装置４のハードウェア構成を説明する図である。 情報処理装置４の機能ブロックを説明する図である。 出力データを出力するまでの処理の流れを説明するフローチャートである。

＝＝実施形態＝＝
＜＜情報処理システム＞＞
図１は、本実施形態の情報処理システム１の概略構成を示す図である。情報処理システム１は、例えば、所定の機器としてショーケース２のシミュレーションを実行するシステムであり情報処理装置３と、情報処理装置４と、を含む。

なお、本実施形態では、所定の機器としてショーケース２を例示して説明するが、これに限られない。所定の機器としては、例えば各種装置、電子・電気回路等の機器であってもよい。

＜ショーケース＞
ショーケース２は、例えば、食品等を冷却し、保管するためのケースである。ショーケース２には、ショーケース２の状態を観測するセンサ２０が、複数取り付けられている。なお、図１では、便宜上、複数のセンサ２０は、１つのブロックとして描かれている。

＜情報処理装置３＞
情報処理装置３は、ショーケース２のシミュレーションモデルの代わりとなる代理モデルを生成するための装置である。なお、詳細は後述するが、本実施形態の代理モデルは、時間的要素を含まない学習モデル（後述）と、時間的要素を含むモデルとからなる。

＜情報処理装置４＞
情報処理装置４は、情報処理装置３で生成された代理モデルを用いてショーケース２のシミュレーションを実行する装置である。なお、本実施形態では、情報処理装置３，４は、例えば、代理モデルを開発する会社のサーバ室に設けられ、ショーケース２は、所定の店舗に設置されている。

［情報処理装置３のハードウェア構成］
図２は、情報処理装置３のハードウェアの一例を示す図である。例示する情報処理装置３は、プロセッサ３００、主記憶装置３０１、補助記憶装置３０２、入力装置３０３、出力装置３０４、及び通信装置３０５を備える。なお、例示する情報処理装置３は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、情報処理装置３によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現してもよい。

プロセッサ３００は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。

主記憶装置３０１は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等である。

補助記憶装置３０２は、例えば、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置３０２には、記録媒体の読取装置や通信装置３０５を介してプログラムやデータを読み込むことができる。補助記憶装置３０２に格納（記憶）されているプログラムやデータは主記憶装置３０１に随時読み込まれる。

補助記憶装置３０２には、学習データ５及びサンプルデータＳＤが記憶されている。詳細は後述するが、学習データ５は、情報処理装置３のモデル生成部３１１が実行する処理において用いられるデータである。サンプルデータＳＤは、情報処理装置３のパラメータ同定部３１３が実行する処理において用いられるデータである。

入力装置３０３は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル、カードリーダ、ペン入力方式のタブレット、音声入力装置等である。

出力装置３０４は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置３０４は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。

入力装置３０３及び出力装置３０４は、ユーザとの間で情報の受け付けや情報の提示を行うユーザインタフェースを構成する。

通信装置３０５は、他の装置との間の通信を実現する装置である。通信装置３０５は、インターネット等の通信ネットワークを介して他の装置との間の通信を実現する、有線方式または無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢモジュール等である。

情報処理装置３には、例えば、オペレーティングシステム、ファイルシステム、ＤＢＭＳ（DataBase Management System）（リレーショナルデータベース、ＮｏＳＱＬ等）、ＫＶＳ（Key-Value Store）等が導入されていてもよい。

情報処理システム１が備える各機能は、情報処理装置３のプロセッサ３００が、主記憶装置３０１に格納されているプログラムを読み出して実行することにより、もしくは、情報処理システム１を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）によって実現される。情報処理システム１は、各種の情報（データ）を、例えば、データベースのテーブルやファイルシステムが管理するファイルとして記憶する。

［シミュレーションモデル］
補助記憶装置３０２に記憶されている学習データ５は、代理モデルのうち、学習モデルを生成するためのデータである。なお、本実施形態の学習データ５は、ショーケース２を、物理的、電気的に模擬したシミュレーションモデルＳＭを用いて生成されたデータである。以下、まずは、ショーケース２を模擬したシミュレーションモデルＳＭについて詳細に説明する。

図３は、シミュレーションモデルＳＭを説明する概念図である。シミュレーションモデルＳＭは、ショーケース２の特性や挙動に影響を与えるｍ個の入力データＷ_ｓｉ（ｔ）（ｉ＝１～ｍ）を入力した場合に、ショーケース２の特性や挙動を示すｎ個の出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）を出力する。なお、入力データＷ_ｓｉ（ｔ）（ｉ＝１～ｍ）と、出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）とは、所定の期間の時系列データであり、ｔは時間を意味する。

本実施形態では、入力データＷ_ｓｉ（ｔ）（ｉ＝１～ｍ）は、ショーケース２の挙動を制御するための変数、又はショーケース２の挙動に影響を及ぼす変数についての時系列データである。以下では、ｍ個の入力データＷ_ｓｉ（ｔ）（ｉ＝１～ｍ）のうち、入力データＷ_ｓ１（ｔ）を冷凍機周波数、入力データＷ_ｓ２（ｔ）を膨張弁の開度、入力データＷ_ｓ３（ｔ）を室外気温、入力データＷ_ｓ４（ｔ）を室内気温として説明する。

出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）は、ショーケース２の挙動を示す変数についてのデータである。以下では、ｎ個の入力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）のうち、出力データＺ_ｓ１（ｔ）をケース内温度、出力データＺ_ｓ２（ｔ）を冷媒配管温度として説明する。

ここで、例えば、冷凍機周波数（Ｗ_ｓ１（ｔ））を上げると、ケース内温度（Ｚ_ｓ１（ｔ））は下がり、冷媒配管温度（Ｚ_ｓ２（ｔ））は上がる。一方、膨張弁の開度（Ｗ_ｓ２（ｔ））を上げると、ケース内温度（Ｚ_ｓ１（ｔ））は下がり、冷媒配管温度（Ｚ_ｓ２（ｔ））は下がる。このように、ショーケース２を制御等するための入力データＷ_ｓｉ（ｔ）（ｉ＝１～ｍ）を変化させると、出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）は変化する。

ところで、シミュレーションモデルＳＭは、ショーケース２を物理的、電気的に模擬しているため、シミュレーションモデルＳＭを用いることにより、精度良く、ショーケース２の挙動を把握できる。しかしながら、一般に、シミュレーションモデルＳＭを用いてシミュレーションを実行すると、計算時間が長くなる。そこで、本実施形態では、シミュレーションモデルＳＭから得られた入出力の結果を用いて、代理モデル（後述）を生成する。

［学習データ］
図４は、本実施形態の学習データ５を説明する図である。学習データ５は、上述の補助記憶装置３０２に記憶されている。学習データ５は、複数のデータ５０を含んでいる。なお、例えば図４の一列目には、データ５０ａが配列され、二列目には、データ５０ｂが配列されている。また、データ５０のそれぞれには、ｍ個の入力データＷ_０１～Ｗ_０ｍと、ｎ個の出力データＺ_０１～Ｚ_０ｎとが対応付けられたデータである。

ここで、複数のデータ５０の夫々は、本実施形態では、前述のシミュレーションモデルＳＭに基づいて生成されたデータである。入力データＷ_０ｉ（ｉ＝１～ｍ）と、出力データＺ_０ｊ（ｊ＝１～ｎ）との夫々は、シミュレーションモデルＳＭの定常解に基づいている。

入力データＷ_０ｉ（ｉ＝１～ｍ）の夫々は、予め用意された定数値の時系列データである。出力データＺ_０ｊ（ｊ＝１～ｎ）の夫々は、定数値の時系列データである入力データＷ_０ｉ（ｉ＝１～ｍ）と、出力データについての任意の初期条件とをシミュレーションモデルＳＭに入力した場合の、出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）の夫々の収束値である。

つまり、出力データＺ_０ｊ（ｊ＝１～ｎ）は夫々、シミュレーションモデルＳＭの出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）において、十分な時間ｔが経過した後における値である。

複数のデータ５０のうち、データ５０ａを例示して説明する。データ５０ａの入力データは、冷凍機周波数として８０［Ｈｚ］、膨張弁の開度として０．６、室外気温として２０℃、室内気温として２７℃が予め与えられたデータであることを意味する。

データ５０ａの出力データは、データ５０ａの定常的な入力データをシミュレーションモデルＳＭに入力した場合に、十分な時刻ｔが経過したときにケース内温度が－２℃、冷媒管温度が３８℃に収束したことを意味する。

このように、データ５０は、定常時の入力データと、定常時の出力データと、の関係を示すデータである。したがって、詳細は後述するが、このようなデータ５０を、学習データ５として用いることにより、ショーケース２の定常状態における入出力を模擬する学習モデルを生成することができる。

［サンプルデータ］
サンプルデータＳＤは、ショーケース２のうち、時間的に変化する要素を含むモデルを生成する際に用いられるデータであり、サンプルデータＳＤは、上述の補助記憶装置３０２に記憶されている。サンプルデータＳＤは、シミュレーションモデルＳＭへの入力と、解とが対応付けられたデータである。本実施形態では、サンプルデータＳＤの数は、入力データＷ_０ｉ（ｉ＝１～ｍ）の数と同じであり、ｍである。ｍ個のサンプルデータＳＤの夫々を識別する場合、サンプルデータＳＤ_ｋ（ｋ＝１～ｍ）と呼ぶ。サンプルデータＳＤ_ｋは、入力データＷ_ｋｉ（ｔ）（ｉ＝１～ｍ）と、出力データＺ_ｋｊ（ｔ）（ｊ＝１～ｎ）とを含む。

なお、以下の説明において、ｍ個のサンプルデータＳＤ_ｋ（ｋ＝１～ｍ）を区別する必要がない場合は、「サンプルデータＳＤ」と呼ぶ。また、このとき、入力データＷ_ｋｉ（ｔ）（ｉ＝１～ｍ）と、出力データＺ_ｋｊ（ｔ）（ｊ＝１～ｎ）とを夫々、入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）と、出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）と呼ぶ。

本実施形態では、サンプルデータＳＤ_ｋは、ｍ個の入力データＷ_ｋｉ（ｔ）（ｉ＝１～ｍ）のうち、Ｗ_ｋｋ（ｔ）を所定の動的な時系列データとし、他の入力データＷ_ｋｉ（ｔ）（ｉ≠ｋ）を所定の定数値の時系列データとした場合の、シミュレーションモデルＳＭの解である。

図５及び６は、本実施形態のｍ個のサンプルデータＳＤ_ｋ（ｋ＝１～ｍ）のうち、例えば、サンプルデータＳＤ_１を説明する図である。図５は、サンプルデータＳＤ_１の入力データを説明する図であり、図６は、サンプルデータＳＤ_１の出力データを説明する図である。

サンプルデータＳＤ_１は、ｍ個の入力データＷ_１ｉ（ｔ）（ｉ＝１～ｍ）のうち、入力データＷ_１１（ｔ）、つまり、冷凍機周波数を所定の動的な時系列データとしている。この際、入力データＷ１１（ｔ）以外の入力データＷ_１ｉ（ｉ≠１）は、所定の定数値の時系列データであり、図５において図示を省略している。

サンプルデータＳＤ_１における出力データＺ_１ｊ（ｔ）（ｊ＝１～ｎ）は、入力データＷ_１ｉ（ｔ）（ｉ＝１～ｍ）と、所定の初期条件（例えば、出力の初期値）とをシミュレーションモデルＳＭに入力した場合に出力される出力データである。図６では、出力データＺ_１１（ｔ）、つまり、冷凍機周波数の時系列データのみを示し、他の出力データについては図６において図示を省略している。

便宜上、ここでは図示を省略しているが、同様に、サンプルデータＳＤ_２は、ｍ個の入力データＷ_２ｉ（ｔ）（ｉ＝１～ｍ）のうち、入力データＷ_２２（ｔ）、つまり、膨張弁の開度を所定の動的な時系列データとしている。他のサンプルデータＳＤ_ｋ（ｋ＝３～ｍ）についても、上記と同様に生成されればよい。

なお、本実施形態では、サンプルデータＳＤ_３は、ｍ個の入力データＷ_３ｉ（ｔ）（ｉ＝１～ｍ）の全てを所定の低数値の時系列データとしている。サンプルデータＳＤ_３における入力データＷ_３３（ｔ）は、室外気温についての時系列データである。室外気温は、冷凍機周波数や膨張弁の開度といった他の変数に比べ、変動の速度は十分に遅い。このような変数についての入力データは、定数値の時系列データとしてもよい。

サンプルデータＳＤ_３と同様の理由から、サンプルデータＳＤ_４についても、ｍ個の入力データＷ_４ｉ（ｔ）（ｉ＝１～ｍ）の全てを所定の低数値の時系列データとしている。サンプルデータＳＤ_４における入力データＷ_４４（ｔ）は、室内気温についての時系列データである。

なお、本実施形態では、サンプルデータＳＤは、シミュレーションモデルＳＭの解であるとして説明したが、これに限られるものではない。例えば、ショーケース２に対する所定期間の入力データと出力データとの実績値を複数取得し、これらをサンプルデータＳＤとしてもよい。

［代理モデル］
図７は、代理モデル８を説明する図である。代理モデル８は、第１層Ｌ１と、第２層Ｌ２と、第３層Ｌ３との夫々におけるモデルを含む。以下、夫々のモデルについて説明する。

第１層Ｌ１の遅れモデルＤＭ_ｉｊは、入力Ｗ_ｉ（ｉ＝１～ｍ）に対して、時間的な遅れを施して出力する処理を実行するモデルである。具体的には、遅れモデルＤＭ_ｉｊは、以下に示す遅れ要素（以下、「第１遅れ要素」と称する）を含む処理を実行する。

これらの式において、ｔ_ｋ（ｋは整数）は、離散化された時間である。Δｔ≡ｔ_ｋ－ｔ_ｋ－１は、離散化された時間のステップ間隔である。式１－２のｐは整数であって、時刻ｔ_ｋ－ｐは、時刻ｔ_ｋに影響を及ぼす時刻の範囲の最も過去の時刻となるよう予め設定される。

本実施形態において、第１遅れ要素は、少なくとも遅れの時定数Ｔ_ｄと、むだ時間ｄとを含む。なお、遅れの時定数Ｔ_ｄと、むだ時間ｄとは、遅れモデルＤＭ_ｉｊ毎に定められるパラメータである。

第１層Ｌ１の進みモデルＡＭ_ｉｊは、入力Ｗ_ｉ（ｉ＝１～ｍ）に対して、時間的な進みを施して出力する処理を実行する。具体的には、進みモデルＡＭ_ｉｊは、以下に示す進み要素を含む処理を実行する。

本実施形態において、進み要素は、少なくとも進み時定数Ｔ_ａと、ゲインＧとを含む。なお、進み時定数Ｔ_ａと、ゲインＧとは、遅れモデルＤＭ_ｉｊ毎に定められるパラメータである。

第２層Ｌ２の学習モデル６は、前述の学習データ５を用いて生成されたモデルである。学習モデル６は、第１層Ｌ１からの出力Ｘ_ｉ（ｉ＝１～ｍ）に対して、時間的な要素を含まない処理を実行し、出力データＹ_１～Ｙ_ｎを出力する。なお、図７においては、出力データＹ_１～Ｙ_ｎのうち、出力データＹ_ｊを示している。

第３層Ｌ３の平滑化モデルＳＭ_ｊは、入力に対して、時間的な遅れを施して出力する処理を実行する。具体的には、平滑化モデルＳＭ_ｊは、以下に示す遅れ要素（以下、「第２遅れ要素」と称する）を含む処理を実行する。

本実施形態において、第２遅れ要素は、少なくとも遅れの時定数Ｔ_αを含む。なお、遅れの時定数Ｔ_αは、平滑化モデルＳＭ_ｊ毎に定められるパラメータである。

以下では、前述の第１遅れ要素（遅れの時定数Ｔ_ｄ、むだ時間ｄ）と、進み要素（進み時定数Ｔ_ａ、ゲインＧ）と、第２遅れ要素（遅れの時定数Ｔ_α）とを、「各種パラメータ７」と称する。

詳細は後述するが、各種パラメータ７は、第１層Ｌ１に入力された入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）がシミュレーションモデルＳＭに入力された際の出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）と、第３層Ｌ３から出力された出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）とを比較し、両者が一致するように、最適化されることによって同定される。

［情報処理装置３の機能ブロック］
図８は、本実施形態の図２の情報処理装置３の機能ブロックを示す図である。本実施形態の情報処理装置３には、プロセッサ３００が所定のプログラムを実行することにより、取得部３１０と、モデル生成部３１１と、取得部３１２と、パラメータ同定部３１３と、出力部３１４とが実現される。

取得部３１０は、補助記憶装置３０２に記憶された学習データ５を取得する。

モデル生成部３１１は、取得部３１０が取得した学習データ５に基づき、代理モデル８の第２層Ｌ２の学習モデル６を生成する。学習モデル６は、学習データ５が含む複数のデータ５０の夫々について、入力データを入力した場合に、対応する出力データを出力するよう学習済みの学習モデルである。

取得部３１２は、補助記憶装置３０２に記憶されたサンプルデータＳＤを取得する。

パラメータ同定部３１３は、詳細は後述するが、サンプルデータＳＤに基づいて、代理モデル８の第１層Ｌ１の遅れモデルＤＭ_ｉｊ及び進みモデルＡＭ_ｉｊ、第３層Ｌ３の平滑化モデルＤＭ_ｊで用いられる各種パラメータ７を同定する。

出力部３１４は、モデル生成部３１１が生成した学習モデル６と、パラメータ同定部３１３が同定した各種パラメータ７とを、情報処理装置４の補助記憶装置４０２（後述）に出力する。

＜学習モデルを出力するまでの処理＞
図９は、情報処理装置３が図７の学習モデル６を生成するまでの処理の流れを説明するフローチャートである。学習モデル６を生成するまでの処理は、ステップＳ１０１～ステップＳ１０３を含んでいる。

先ず、取得部３１０は、ステップＳ１０１において、補助記憶装置３０２から学習データ５を取得する。図４に示した学習データ５は、ステップＳ１０１において取得部３１０が取得した学習データの一例である。

次いで、モデル生成部３１１は、ステップＳ１０２において、図４に示した学習データ５を用いて、学習モデル６を生成する。

本実施形態では学習モデル６がニューラルネットワークであるものとして説明する。なお、学習モデル６はＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、回帰木等、他の学習アルゴリズムで構築された学習モデルであってよい。

モデル生成部３１１は、学習データ５における入力データを、図示しないニューラルネットワークの入力層に入力し、出力層からデータを取得する。そして、モデル生成部３１１は、出力層から出力されたデータと、学習データ５における出力データとを比較し、両者が一致するように、演算処理に用いるパラメータを最適化する。

演算処理に用いるパラメータとは、例えばニューロン間の重み（結合係数）、各ニューロンで用いられる活性化関数の係数等である。パラメータの最適化の方法は特に限定されないが、モデル生成部３１１は、例えば誤差逆伝播法を用いてパラメータの最適化を行う。

ここで、学習モデル６の学習に用いられる学習データ５の夫々は、前述のように定数値の時系列データである。そのため、ここでの学習において、複数のデータ５０の夫々が仮に動的な時系列データである場合に比べると、計算のコストは小さい。

次いで、出力部３１４は、ステップＳ１０３において、モデル生成部３１１が生成した学習モデル６を、情報処理装置４の補助記憶装置４０２（後述）に出力する。この結果、図７の代理モデル８のうち、第２層Ｌ２の学習モデル６が得られることになる。

＜各種パラメータを出力するまでの処理＞
図９は、情報処理装置３が各種パラメータ７を出力するまでの処理の流れを説明するフローチャートである。

各種パラメータ７を出力するまでの処理は、ステップＳ２０１～ステップＳ２０４を含んでいる。

先ず、取得部３１２は、ステップＳ２０１において、補助記憶装置３０２に記憶されているｍ個のサンプルデータＳＤ_ｋ（ｋ＝１～ｍ）を取得する。

次いで、パラメータ同定部３１３は、ステップＳ２０２において、冷凍機周波数の入力データＷ_１１（ｔ）に対するパラメータ７の同定を実行する。

具体的には、パラメータ同定部３１３は、サンプルデータＳＤ_１に基づいて、入力データＷ_１１（ｔ）に施すための遅れモデルＤＭ_１ｊ、進みモデルＡＭ_１ｊ及び平滑化モデルＳＭ_ｊが用いる各種パラメータ７の同定を実行する。

更に具体的には、パラメータ同定部３１３は、入力データＷ_１ｉ（ｔ）（ｉ＝１～ｍ）がシミュレーションモデルＳＭに入力された際の出力データＺ_ｓｊ（ｔ）（ｊ＝１～ｎ）と、第１層Ｌ１に入力され、第３層Ｌ３から出力された出力データＺ_１ｊ（ｔ）（ｊ＝１～ｎ）とを比較し、両者が一致するように、最適化することによって、入力データＷ_１１（ｔ）に対するパラメータ７を同定する。

図１１は、入力データＷ_１１（ｔ）に対するパラメータ７を同定する方法について説明する図である。前述のように、サンプルデータＳＤ_１では、冷凍機周波数以外の入力データＷ_１ｉ（ｔ）（ｉ≠１）は、定数値の時系列データである。従って、図１１に示すように、入力データＷ_１ｉ（ｔ）（ｉ≠１）については、第１層Ｌ１において、遅れモデルＤＭ_ｉｊ及び進みモデルＡＭ_ｉｊによって変化を受けず、入力データＸ_ｉ（ｔ）として入力データＷ_１ｉ（ｔ）がそのまま出力される。

このような場合、遅れモデルＤＭ_１ｊ及び進みモデルＡＭ_１ｊについての各種パラメータ７の同定のみが可能である。

図１２は、入力データＷ_１１（ｔ）に対するパラメータ７を同定した代理モデル８を用いた計算結果の一例を説明する図である。図１２において、サンプルデータＳＤ_１の出力Ｚ_１ｉ（ｔ）（ｉ＝１～ｍ）のうちＺ_１１（ｔ）が、破線で示されている。

また、図１２において、パラメータ同定部３１３によって遅れモデルＤＭ_１ｊ、進みモデルＡＭ_１ｊ及び平滑化モデルＳＭ_ｊについての各種パラメータ７が同定され、第３層Ｌ３から出力された出力データＺ_１（ｔ）～Ｚ_ｎ（ｔ）のうちＺ_１（ｔ）が、実線で示されている。Ｚ_ｓ１（ｔ）と、Ｚ_１（ｔ）とは、いずれもケース内温度についての時系列データである。

このような同定処理がされることにより、代理モデルを用いた場合であっても、冷凍機周波数の入力データＷ_１１（ｔ）に対し、シミュレーションモデルＳＭと同等の精度の出力を得ることができる。

パラメータ同定部３１３は、ステップＳ２０２の処理を、入力データＷ_１１（ｔ）以外の入力データに用いられる各種パラメータ７について実行する（ステップＳ２０３）。

次いで、ステップＳ２０２に戻り、パラメータ同定部３１３は、膨張弁の開度の入力データＷ_２２（ｔ）に対する、遅れモデルＤＭ_２ｊ、進みモデルＡＭ_２ｊ及び平滑化モデルＳＭ_ｊについての各種パラメータ７の同定を実行する。

具体的には、パラメータ同定部３１３は、サンプルデータＳＤ_２に基づいて、入力データＷ_２２（ｔ）に施すための遅れモデルＤＭ_２ｊ、進みモデルＡＭ_２ｊ及び平滑化モデルＳＭ_ｊが用いる各種パラメータ７の同定を実行する。

サンプルデータＳＤ_２では、膨張弁の開度以外の入力データＷ_２ｉ（ｔ）（ｉ≠１）は、定数値の時系列データである。従って、上記の冷凍機周波数の場合と同様にして、サンプルデータＳＤ_２を用いて、遅れモデルＤＭ_２ｊ、進みモデルＡＭ_２ｊ及び平滑化モデルＳＭ_ｊについての各種パラメータ７の同定を実行することができる。

上記と同様にして、パラメータ同定部３１３は、サンプルデータＳＤ_ｋを用いて、未定の遅れモデルＤＭ_ｋｊ、進みモデルＡＭ_ｋｊ及び平滑化モデルＳＭ_ｊについての各種パラメータ７の同定を実行する（ｋ＝５～ｍ）。

なお、室外気温については、冷凍機周波数や膨張弁の開度といった他の変数に比べ、変動の速度は十分に遅く、一定とみなすことができる。そのため、室外気温に対するパラメータ７の同定は実行しなくてもよい。室内気温についても同様である。

なお、本実施形態では、サンプルデータＳＤ_ｌ（ｌ＝１～ｍ）を用いて各種パラメータ７の同定を実行する毎に、平滑化モデルＳＭ_ｊについての各種パラメータ７が同定される。

このような場合、例えば、複数の同定された平滑化モデルＳＭ_ｊのうち、一の平滑化モデルＳＭ_ｊについての各種パラメータ７を選択すればよい。例えば、第３層Ｌ３から出力された出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）と、シミュレーションモデルＳＭに入力された際の出力Ｚ_ｓｊ（ｔ）（ｊ＝１～ｎ）とを全てのｊについて比較した場合の誤差が最も小さくするものを選択すればよい。

次いで、出力部３１４は、ステップＳ２０４において、遅れモデルＤＭ_ｌｊ、進みモデルＡＭ_ｌｊ及び平滑化モデルＳＭ_ｊ（ｌ＝１～ｍ）が用いる同定された各種パラメータ７を、情報処理装置４の補助記憶装置４０２（後述）に出力する。
＜各種パラメータが同定された結果＞
以上説明した処理により、各種パラメータ７が同定されることによって、代理モデル８が生成される。代理モデルは、シミュレーションモデルＳＭよりも高速で計算を実行することができ、かつシミュレーションモデルと同等の精度で出力データを出力することができる。

［情報処理装置４のハードウェア構成］
図１の情報処理装置４は、上述したように、代理モデルを用いてシミュレーションを実行する装置である。図１３は、情報処理装置４のハードウェアの一例を示す図である。例示する情報処理装置４は、ショーケース２の代理モデル８を用いて、ショーケース２のシミュレーションを実行する装置である。情報処理装置４は、プロセッサ４００、主記憶装置４０１、補助記憶装置４０２、入力装置４０３、出力装置４０４、及び通信装置４０５を備える。

情報処理装置４のプロセッサ４００、主記憶装置４０１、補助記憶装置４０２、入力装置４０３、出力装置４０４、及び通信装置４０５の構成は夫々、情報処理装置３のプロセッサ４００、主記憶装置４０１、補助記憶装置４０２、入力装置４０３、出力装置４０４、及び通信装置４０５の構成と同様であるため、共通する部分の説明は省略する。

補助記憶装置４０２には、前述の学習モデル６と、各種パラメータ７とが記憶されている。学習モデル６は、図９のステップＳ１０３において出力部３１４が出力したものである。各種パラメータ７は、図１０のステップＳ２０４において出力部３１４が出力したものである。

［情報処理装置４の機能ブロック］
図１４は、本実施形態の情報処理装置４の機能ブロックを示す図である。本実施形態の情報処理装置４には、プロセッサ４００が所定のプログラムを実行することにより、取得部４１０と、処理部４１１と、処理部４１２と、処理部４１３と、出力部４１４とが実現される。

取得部４１０は、ショーケース２に対する入力データを取得する。ここでの入力データは、ショーケース２を制御するために、ショーケース２に対して実際に入力された入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）である。なお、入力データＷ_ｉ（ｔ）の変数は夫々、学習データ５の入力データＷ_０ｉ（ｔ）の変数に対応している（ｉ＝１～ｍ）。

処理部４１１（第１処理部に相当）は、ショーケース２に対して入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）が入力された際にショーケース２において入力データが変化するよう、入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）に対して、所定の時間要素を含む処理を施して出力する。

処理部４１１は、先ず、入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）に対して、第１遅れ要素を含む処理を施して出力する。具体的には、処理部４１１１は、入力データＷ_ｉ（ｔ）を、遅れモデルＤＭ_ｉｊ（図７）に入力して出力を得る（ｉ＝１～ｍ）。

処理部４１１は、更に、入力データＷ_１（ｔ）～Ｗ_ｍ（ｔ）に対して、進み要素を含む処理を更に施して出力する。具体的には、処理部４１１は、入力データＷ_ｉ（ｔ）を、進みモデルＡＭ_ｉｊ（図７）に入力して出力を得る（ｉ＝１～ｍ）。

そして、処理部４１１は、遅れモデルＤＭ_ｉｊの出力と、進みモデルＡＭ_ｉｊの出力との和を、新たな入力データＸ_ｉ（ｔ）（ｉ＝１～ｍ）とする。

処理部４１２（第２処理部に相当）は、学習モデル６を用いて、処理部４１１からの出力に対応する出力データＹ_ｊ（ｔ）（ｊ＝１～ｎ）を出力する。

処理部４１３（第３処理部に相当）は、出力データＹ_ｊ（ｔ）（ｊ＝１～ｎ）に対して、第２遅れ要素を含む処理を施して出力する。具体的には、処理部４１３は、出力データＹ_ｊを、平滑化モデルＳＭ_ｊ（図７）に入力して出力を得る（ｊ＝１～ｎ）。以上の処理部４１３による処理による出力を、新たな出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）とする。

出力部４１４は、出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）を出力装置４０４に出力する。

＜出力データを出力するまでの処理＞
図１５は、情報処理装置４が出力データを出力するまでの処理の流れを説明するフローチャートである。出力データを出力するまでの処理は、ステップＳ３０１～ステップＳ３０６を含んでいる。

先ず、取得部４１０は、ステップＳ３０１においてショーケース２に対する入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）を取得する。

次いで、処理部４１１は、ステップＳ３０２（第１ステップに相当）において、入力データＷ_ｉ（ｔ）（ｉ＝１～ｍ）に対して、第１遅れ要素を含む処理を施す。

次いで、処理部４１１は、ステップＳ３０３において、入力データＷ_ｉ（ｔ）に対して、進み要素を含む処理を含む処理を更に施し、新たな入力データＸ_ｉ（ｔ）を出力する（ｉ＝１～ｍ）。

次いで、処理部４１２は、ステップＳ３０４（第２ステップに相当）において、学習モデル６を用いて、処理部から出力された新たな入力データＸ_ｉ（ｔ）（ｉ＝１～ｍ）に対応する出力データＹ_ｊ（ｔ）（ｊ＝１～ｎ）を出力する。

次いで、処理部４１３は、ステップＳ３０５において、出力データＹ_ｊ（ｔ）（ｊ＝１～ｎ）に対して、第２遅れ要素を含む処理を施して、新たな出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）を出力する。

次いで、出力部４１４は、ステップＳ３０６において、新たな出力データＺ_ｊ（ｔ）（ｊ＝１～ｎ）を、出力装置４０４に出力する。

＝＝まとめ＝＝
以上、上記実施形態の情報処理装置４は、所定の対象に対する入力データを取得する取得部４１０と、所定の対象に対して入力データが入力された際に所定の対象において入力データが変化するよう、入力データに対して、所定の時間要素を含む処理を施して出力する処理部４１１と、所定値の入力データに対応するデータを出力するとともに所定の対象を模擬した学習モデル６を用いて、処理部４１１からの出力に対応する出力データを出力する処理部４１２と、を備える。

このような構成によれば、処理部４１２が用いる学習モデル６は、所定値の定常な入力データに対応するデータを出力するものであって、動的な入力データに対応するデータを出力するものではない。つまり、学習モデル６として、動的な入力データに対応するデータを出力するものに比べて低コストで生成されたものを用いることができるため、情報処理装置４の導入コストを低減することができる。従って、このような構成によれば、所定の対象に対する入力データに起因する出力データを得るまでのコストが抑えられた情報処理装置４を提供することができる。

上記情報処理装置４において、処理部４１１は、入力データに対して、第１遅れ要素を含む処理を施して出力する。このような構成によれば、入力データに対して、所定の対象の応答が遅延する効果を含めることができる。従って、出力データが再現する所定の対象の応答の精度が向上する。

上記情報処理装置４において、第１遅れ要素は、少なくとも遅れの時定数と、むだ時間とを含む。このような構成によれば、第１遅れ要素の効果を高精度で考慮することができる。従って、出力データが再現する所定の対象の応答の精度が更に向上する。

上記情報処理装置４において、処理部４１１は、入力データに対して、進み要素を含む処理を更に施して出力する。このような構成によれば、入力データの変動の速度に対して、所定の対象が追随する効果を更に含めることができる。従って、出力データが再現する所定の対象の応答の精度が更に向上する。

上記情報処理装置４において、進み要素は、少なくとも進み時定数と、ゲインとを含む。このような構成によれば、進み要素の効果を高精度で考慮することができる。従って、出力データが再現する所定の対象の応答の精度が更に向上する。従って、出力データが再現する所定の対象の応答の精度が更に向上する。

上記情報処理装置４は、出力データに対して、第２遅れ要素を含む処理を施して出力する処理部４１３を更に備える。このような構成によれば、処理部４１１において含まれない遅れ要素の効果がある場合に、それを補完することができる。

上記情報処理装置４において、第２遅れ要素は、少なくとも遅れの時定数を含む。このような構成によれば、処理部４１１において含まれない遅れ要素の効果がある場合に、その補完の精度が向上する。

上記情報処理装置４において、所定の時間要素は、入力データが所定の対象を模擬しつつ、学習モデル６とは異なるシミュレーションモデルＳＭに入力された際の出力と、出力データと、が一致するよう定められる。このような構成によれば、所定の対象に対する入力データに起因する出力データを得るまでのコストが、シミュレーションモデルＳＭを用いる場合に比べて抑えられた情報処理装置４を提供することができる。

上記情報処理装置４において、所定の時間要素及び第２遅れ要素は、入力データが所定の対象を模擬しつつ、学習モデル６とは異なるシミュレーションモデルＳＭに入力された際の出力と、処理部４１３の出力と、が一致するよう定められる。このような構成によれば、所定の対象に対する入力データに起因する出力データを得るまでのコストが、シミュレーションモデルＳＭを用いる場合に比べて抑えられ、出力データが再現する所定の対象の応答の精度が更に向上した情報処理装置４を提供することができる。

１：情報処理システム
２：ショーケース
２０：センサ
３：情報処理装置
３００：プロセッサ
３０１：主記憶装置
３０２：補助記憶装置
３０３：入力装置
３０４：出力装置
３０５：通信装置
３１０：取得部
３１１：モデル生成部
３１２：取得部
３１３：パラメータ同定部
３１４：出力部
４００：プロセッサ
４０１：主記憶装置
４０２：補助記憶装置
４０３：入力装置
４０４：出力装置
４０５：通信装置
４１０：取得部
４１１：処理部
４１２：処理部
４１３：処理部
４１４：出力部
５：学習データ
ＳＤ：サンプルデータ
６：学習モデル
７：パラメータ
８：代理モデル

Claims (10)

1. 所定の対象に対する入力データを取得する取得部と、
   前記所定の対象に対して前記入力データが入力された際に前記所定の対象において前記入力データが変化するよう、前記入力データに対して、所定の時間要素を含む処理を施して出力する第１処理部と、
   所定値の前記入力データに対応するデータを出力するとともに前記所定の対象の定常状態における入出力を模擬した学習モデルを用いて、前記第１処理部からの出力に対応する出力データを出力する第２処理部と、
   を備える情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記第１処理部は、
   前記入力データに対して、第１遅れ要素を含む処理を施して出力する、
   情報処理装置。
3. 請求項２に記載の情報処理装置であって、
   前記第１遅れ要素は、少なくとも遅れの時定数と、むだ時間とを含む、
   情報処理装置。
4. 請求項２または請求項３に記載の情報処理装置であって、
   前記第１処理部は、
   前記入力データに対して、進み要素を含む処理を更に施して出力する、
   情報処理装置。
5. 請求項４に記載の情報処理装置であって、
   前記進み要素は、少なくとも進み時定数と、ゲインとを含む、
   情報処理装置。
6. 請求項１～５の何れか一項に記載の情報処理装置であって、
   前記出力データに対して、第２遅れ要素を含む処理を施して出力する第３処理部を更に備える、
   情報処理装置。
7. 請求項６に記載の情報処理装置は、
   前記第２遅れ要素は、少なくとも遅れの時定数を含む、
   情報処理装置。
8. 請求項１～５の何れか一項に記載の情報処理装置であって、
   前記所定の時間要素は、前記入力データが前記所定の対象を模擬しつつ、前記学習モデルとは異なるシミュレーションモデルに入力された際の出力と、前記出力データと、が一致するよう定められる、
   情報処理装置。
9. 請求項６または請求項７に記載の情報処理装置であって、
   前記所定の時間要素は、前記入力データが前記所定の対象を模擬しつつ、前記学習モデルとは異なるシミュレーションモデルに入力された際の出力と、前記第３処理部の出力と、が一致するよう定められる、
   情報処理装置。
10. 所定の対象に対する入力データを取得する第１ステップと、
    前記所定の対象に対して前記入力データが入力された際に前記所定の対象において前記入力データが変化するよう、前記入力データに対して、所定の時間要素を含む処理を施して出力する第２ステップと、
    所定値の前記入力データに対応するデータを出力するとともに、前記所定の対象の定常状態における入出力を模擬した学習モデルを用いて、前記第２ステップでの出力に対応する出力データを出力するステップと、
    を含む情報処理方法。

Images