JP7107386B2

JP7107386B2 - 情報処理装置

Info

Publication number: JP7107386B2
Application number: JP2020557437A
Authority: JP
Inventors: 孝純河合
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2018-11-27
Filing date: 2018-11-27
Publication date: 2022-07-27
Anticipated expiration: 2038-11-27
Also published as: WO2020110201A1; US20220004154A1; JPWO2020110201A1

Description

本発明は、対象の状態の最適化を支援する情報処理装置、情報処理方法、プログラムに関する。

製造工場や処理施設などのプラントでは、プラント自体の安全性や環境、製造物の品質といった対象の状態を最適化することが行われている。例えば、プラントにおける安全性や電力、品質、製造効率などを最適化するよう、各種センサの検出値や原材料といったパラメータの最適値を算出して調整することが行われている。

上述したような対象の状態の最適化は、一般的には、対象の状態をＫＰＩ（ＫｅｙＰｅｒｆｏｒｍａｎｃｅＩｎｄｉｃａｔｏｒ）と呼ばれる評価指標として設定し、かかるＫＰＩを目的変数とし、各種パラメータを説明変数としたモデルを用いて行われる。つまり、かかるモデルを用いて、最適なＫＰＩとなるよう各種パラメータの最適値を計算している。例えば、特許文献１では、モデルを用いてパラメータの変更をシミュレーションし、その結果に応じてパラメータを選択して修正し、未来のＫＰＩを導出して評価している。

国際公開２０１８／１３４９３９号公報特開２０１１－１３５１３１号公報

しかしながら、通常、対象の状態を評価するＫＰＩを算出するモデルにおいては、パラメータが多数に渡るため、適切なパラメータを選定することが困難である。例えば、上述した方法ですべてのパラメータを最適値にすることも可能であるが、すべてのパラメータを変更することでＫＰＩに影響が出るおそれがある。また、状況によって変更できないパラメータも都度発生する。このため、最小限のパラメータの変更で最適なＫＰＩを得ることが望ましい。この場合、特に、大型のプラントでは、パラメータが１０００以上となる場合もあることから、選定するパラメータの数を絞り込む必要がある。また、パラメータ間の関係も複雑であるため、やはり適切な数のパラメータを選択することが困難である。その結果、対象の状態を最適化することが困難である、という問題が生じる。さらには、最適化する対象がプラントである場合に限らず、例えば、生体の健康管理においてある数値を最適化するというように、あらゆる対象の状態を最適化する場合にも、上述した問題は生じうる。

このため、本発明の目的は、上述した課題である、対象の状態を最適化することが困難である、ことを解決することにある。

本発明の一形態である情報処理装置は、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を備えた、
という構成をとる。

また、本発明の一形態であるプログラムは、
情報処理装置に、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を実現させる、
という構成をとる。

また、本発明の一形態である情報処理方法は、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出し、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する、
という構成をとる。

本発明は、以上のように構成されることにより、対象の状態を容易に最適化することができる。

本発明の実施形態１における情報処理装置の構成を示すブロック図である。図１に開示した情報処理装置によるパラメータの最適化経路の算出例を示す図である。図１に開示した情報処理装置によるパラメータの変化に伴うＫＰＩの変化量の算出例を示す図である。図１に開示した情報処理装置にて算出したパラメータ毎のＫＰＩの変化量のランキングを示す図である。図１に開示した情報処理装置にて算出したパラメータ毎のＫＰＩの変化量のランキングを示す図である。図１に開示した情報処理装置の動作を示すフローチャートである。本発明の実施形態２における情報処理装置の構成を示すブロック図である。

＜実施形態１＞
本発明の第１の実施形態を、図１乃至図６を参照して説明する。図１乃至図５は、情報処理装置の構成を説明するための図であり、図６は、情報処理装置の動作を説明するための図である。

［構成］
本発明における情報処理装置１０は、プラントなどの監視対象２０（対象）に接続されており、当該監視対象２０の状態を最適化するために使用されるものである。なお、監視対象２０は、例えば、製造工場や処理施設などのプラントであり、監視対象２０の状態とは、プラント自体の安全性や排ガス量などの環境状態、製造物の品質、製造効率などである。

ここで、本実施形態では、監視対象２０の状態として、例えば、安全性の評価指標を表すＫＰＩ（ＫｅｙＰｅｒｆｏｒｍａｎｃｅＩｎｄｉｃａｔｏｒ）を設定し、かかるＫＰＩを最適化する場合を一例に挙げて説明する。そして、ＫＰＩは、監視対象２０から検出される各種検出値がパラメータとなる予め設定された計算式であるモデルによって算出される。つまり、モデルは、ＫＰＩが目的変数であり、各種パラメータが説明変数として設定されている。なお、パラメータは、監視対象２０であるプラントにて検出できる値や事前に設定された情報であり、例えば、プラント内の温度、圧力、流量や、プラントで製造する製造物の原材料名、その成分、供給量など、複数種類の情報からなる。

但し、本発明において最適化する監視対象２０は、必ずしもプラントであることに限定されず、いかなる対象であってもよい。このとき、監視対象２０は、必ずしも物体であることに限定されず、例えば、生体の生体情報をＫＰＩ（目的変数）とし、生体の食事の状況をパラメータ（パラメータ）とし、生体情報を最適化することに本発明を適用してもよい。なお、上記生体情報とは、例えば、生体の血圧、体温、心拍数、血糖値や血中酸素濃度等の血液に関する情報、心電図波形、脳波など、生体に関するいかなる情報であってもよい。また、パラメータも生体に関係するいかなる情報であってもよい。

上記情報処理装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、情報処理装置１０は、図１に示すように、演算装置がプログラムを実行することで構築された、データ計測部１１、予測値算出部１２、変化量算出部１３、評価部１４、最適化部１５、設定部１６、を備える。また、情報処理装置１０は、記憶装置に形成された、データ記憶部１８、モデル記憶部１９、を備える。以下、各構成について詳述する。

上記モデル記憶部１９は、上述した監視対象２０のＫＩＰを、パラメータを用いて算出するための計算式であるモデルを記憶する。このとき、パラメータは、例えば、１０００個以上の場合もあるが、本実施形態では、後述するように、ｘ，ｙの２つだけである場合を例示する。

上記データ計測部１１は、監視対象２０に設置された各種センサにて計測されたデータや監視対象２０に設定されたデータからなるプラントデータを取得して、データ記憶部１８に記憶する。このとき、データ計測部１１は、プラントデータを取得した日時に関する情報も関連付けて記憶しておく。なお、プラントデータは、上述したモデルに用いられる各種パラメータの実データとして使用される。但し、データ計測部１１は、必ずしも装備されている必要はなく、データ記憶部１８に予めプラントデータが記憶されていてもよい。

上記予測値算出部１２は、モデルと、所定時点におけるパラメータの実データと、を用いて、パラメータの取り得る値を表す予測値を算出する。具体的に、予測値算出部１２は、まず、モデル記憶部１９に記憶されているモデルと、データ記憶部１８に記憶されているプラントデータと、を読み出す。そして、予測値算出部１２は、モデルを用いて、所定時点のパラメータの実データから、ＫＰＩを最適と考えられる値（所望の値）に近づけるようパラメータを変化させた予測値を算出する。このとき、予測値算出部１２は、例えば、パラメータの実データのこれまでの変化の過程を考慮して当該パラメーラを変化させた仮の予測値を算出し、かかる仮の予測値を用いたときにＫＰＩが向上しているか否かを調べる。そして、予想値算出部１２は、仮の予測値を用いたときにＫＰＩが向上している場合には、仮の予測値を第一の予測値として採用する。一例として、予測値算出部１２は、パラメータのこれまでの変化を示すグラフの直前の傾きから仮の予測値を求め、ＫＰＩが向上する場合には第一の予測値とし、ＫＰＩが向上しなければ傾きを変更して仮の予測値を変更する。

予測値算出部１２は、上述したようにパラメータの第一の予測値を算出した後に、かかる第一の予測値を用いて、上述同様にさらに次の予測値となる第二の予測値を求める。このようにして、予測値算出部１２は、ＫＰＩが最適と考えられる値となるまで、パラメータの複数の予測値を求める。そして、予測値算出部１２は、複数の予測値を線図で結んだ連続値を、パラメータの最適値への変化経路を表す最適化経路として算出する。ここで、パラメータxの最適化経路の一例を図２に示す。この図において、ｘ_0は、パラメータxの実データを示し、x_1, x_2, x_nは、算出した予測値を示している。なお、図示していないが他にも予測値が算出されており、特に、x_nは、パラメータxの最適値と思われる予測値である。この場合、予測値算出部１２は、パラメータｘの算出した各予測値を結ぶ線図を算出することで、パラメータｘの実データから最適化経路として算出する。なお、図２に示すdx_1, dx_2は、パラメータｘの予測値間の変化量を示している。

但し、予測値算出部１２は、いかなる方法でパラメータの予測値、及び、最適化経路を算出してもよい。例えば、モデルを用いて、任意の手法でパラメータの実データから最適値を予測し、その変化の過程をパラメータの最適化経路として算出してもよい。あるいは、パラメータの最適値への変化経路を算出せずに、パラメータの予測値を１つあるいは複数算出してもよい。

上記変化量算出部１３は、パラメータ毎に、モデルと、上述したように算出したパラメータの予測値と、を用いて、予測値の変化によるＫＰＩの変化量を算出する。具体的に、変化量算出部１３は、図３の上式に示すように、あるパラメータｘについてモデルを偏微分し、当該パラメータｘの複数の予測値x_1, x_2,...,x_nそれぞれに対応するＫＰＩの変化量を求めて、これらを積算した値をＫＰＩの積算変化量を表すスコアとして算出する。このとき、変化量算出部１３は、スコアの絶対値も算出する。なお、パラメータｘの複数の予測値は、上述したように算出したパラメータｘの最適化経路上の値となる。このため、パラメータｘについて算出したＫＰＩのスコアは、図３の下図に示すように、パラメータｘの予測値の微小変化に伴うＫＰＩの変化量の積算値となり、かかるパラメータｘのＫＰＩに対する影響度を表していると言える。

そして、変化量算出部１３は、各パラメータについて、上述同様に予測値の変化によるＫＰＩの変化量を積算してスコアを算出し、さらにその絶対値を算出する。なお、上記では、変化量算出部１３は、モデルをあるパラメータで偏微分して、かかるパラメータの変化によるＫＰＩの変化量であるスコアを算出しているが、他の方法でＫＰＩの変化量を算出してもよい。つまり、変化量算出部１３は、上述したようにモデルの偏微分を用いずにＫＰＩの変化量を求めてもよい。また、上記では、予測値の変化によるＫＰＩの変化量の積算値をスコアとして算出しているが、予測値の変化によるＫＰＩの変化量を平均するなど、所定の演算にて集計した値をスコアとして算出してもよい。

上記評価部１４は、上述したようにパラメータ毎に算出した各スコアを評価する。例えば、評価部１４は、各スコアの値の大きさ、つまり、パラメータ毎のＫＰＩへの影響度を評価するために、スコアの絶対値をランキングする。一例として、図４に示すように、各パラメータのスコアを大きい順に並べる。このとき、スコアは、パラメータ毎の予測値の変化によるＫＰＩの変化量の積算値の絶対値であるため、値が大きいパラメータほど、ＫＰＩに与える影響度が大きいと言える。なお、評価部１４は、図４に示すようにスコアを並べた表示を、所定の表示装置から出力してもよい。

そして、評価部１４は、絶対値スコアのランキングに基づいて、ＫＰＩの最適化のために変更設定するパラメータを選択する。例えば、スコアの絶対値が予め設定された閾値を超えているパラメータや、スコアの絶対値が大きい方から所定数のパラメータを選択する。なお、評価部１４は、選択したパラメータの数が、予め設定された上限数よりも多い場合には、実際にパラメータを変更設定することが困難であるため、再選定を行うと判断する。

なお、評価部１４は、上述したスコアのうち、値が負である負のスコアもランキングする。一例として、図５に示すように、各パラメータの負のスコアを負の方向に大きい順に表示する。このとき、負の方向にスコアの値が大きいパラメータは、ＫＩＰに対して負の影響が大きいといえ、パラメータ間の相関が強い可能性が高いと考えられる。このため、評価部１４は、負の方向に閾値以上の負のスコアが存在する場合は、モデルを再構築するなどの対応を取ると判断する。

上記最適化部１５（算出部）は、評価部１４で選択されたパラメータについて、ＫＰＩを最適化できる最適値を算出する。例えば、パラメータ算出部１５は、モデルを用いて、選択された一部又は全てのパラメータの値を変更してＫＰＩを算出し、かかるＫＰＩが最適となるような各パラメータの最適値を算出する。

そして、最適化部１５は、算出したパラメータの最適値を適用したときのＫＰＩを評価する。例えば、最適化部１５は、各パラメータの最適値を適用したときのＫＰＩが、予め設定された閾値以上に向上しているか否かを調べる。

上記設定部１６は、各パラメータの最適値を適用したときのＫＰＩが、予め設定された閾値以上に向上している場合には、各パラメータの最適値を実際のプラントである監視対象２０に設定する。なお、各パラメータの最適値のプラントへの設定は、作業者が手動で行ってもよい。

［動作］
次に、上述した情報処理装置１０の動作を、図６のフローチャートを参照して説明する。まず、情報処理装置１０は、モデルとプラントデータとを読み出す（ステップＳ１）。そして、情報処理装置１０は、モデルを用いて、パラメータ毎に、所定時点のパラメータの実データからＫＰＩを最適と考えられる値に近づけるようパラメータを変化させた予測値を算出する（ステップＳ２）。特に、情報処理装置１０は、パラメータの最適値への変化経路を表す最適化経路を算出して、当該最適化経路上の複数の予測値を算出する。

続いて、情報処理装置１０は、パラメータ毎に、パラメータの予測値の変化によるＫＰＩの変化量を算出する。このとき、情報処理装置１０は、パラメータ毎に、当該パラメータの各予測値への変化に伴うモデルの偏微分値の積算値を算出し、かかる積算値をスコアとして算出する（ステップＳ３）。

続いて、情報処理装置１０は、パラメータ毎に算出したスコアの絶対値をランキング化する（ステップＳ４）。例えば、図４に示すように、各パラメータのスコアの絶対値を大きい順に並べる。併せて、情報処理装置１０は、各パラメータのスコアのうち、負の値であるものもランキング化する。例えば、図５に示すように、各パラメータの負のスコアを小さい順、つまり、負の方向に大きい順に並べる。そして、情報処理装置１０は、負のスコアの値が負の方向に大きいことにより、そのパラメータがＫＰＩに負の影響を大きく与えるものであるか否かを調べる。このとき、負の影響を大きく与えるパラメータがある場合には（ステップＳ５でＮｏ）、パラメータ間の相関が強い可能性が高いため、モデルを再構築するなどの対応を取る。例えば、主成分分析などを用いて次元を圧縮してモデルを再構築する。

一方、情報処理装置１０は、負のスコアのランキング化の結果、例えば全ての負のスコアが負の方向に閾値以上に大きくなく、全てのパラメータの負の影響が十分小さいと判断できる場合には（ステップＳ５でＹｅｓ）、上述したスコアの絶対値のランキングからパラメータを選択する。このとき、情報処理装置１０は、スコアの絶対値が閾値を超えているパラメータの数を調べ、その数が上限値を超えていない場合は、かかるパラメータを選択する（ステップＳ６でＹｅｓ）。なお、スコアの絶対値は、値が大きいパラメータほどＫＰＩに与える影響度が大きいと言えるため、このように値が大きいパラメータをＫＰＩの最適化のために変更設定するパラメータとして選択する。一方で、スコアの絶対値が閾値を超えているパラメータの数が上限値を超えている場合は（ステップＳ６でＮｏ）、実際にパラメータを変更設定することが困難であるため、例えば、変更するパラメータを事前に制限したり、パラメータの予測値の算出方法を変更するなどして、パラメータの再選定を行う。

続いて、情報処理装置１０は、選択されたパラメータについて、ＫＰＩを最適化できる最適値を算出する（ステップＳ７）。そして、情報処理装置１０は、算出したパラメータの最適値を適用したときのＫＰＩが、予め設定された閾値以上に向上しているか否かを調べる（ステップＳ８）。各パラメータの最適値を適用したときのＫＰＩが、予め設定された閾値以上に向上している場合には（ステップＳ８でＹｅｓ）、各パラメータの最適値を実際のプラントである監視対象２０に設定する（ステップＳ９）。一方、ＫＰＩが向上していない場合には（ステップＳ８でＮｏ）、上述同様にパラメータの再選定やモデルの再構築を行う。

以上のように、本発明によると、まず、モデルを用いて、パラメータ毎に、パラメータの最適化経路を算出する。そして、パラメータ毎に、パラメータの最適化経路に沿った予測値を用いて、当該パラメータの変化に応じたＫＰＩの変化量を算出する。このように、パラメータ毎にＫＰＩの変化量を調べることで、パラメータのＫＰＩに対する影響度合いを調べることができ、モデルに用いられるパラメータが多数存在する場合であっても、ＫＰＩの最適化に適切なパラメータを選択することができる。その結果、ＫＰＩといった対象の状態を容易に最適化することができる。

＜実施形態２＞
次に、本発明の第２の実施形態を、図７を参照して説明する。図７は、実施形態２における情報処理装置の構成を示すブロック図である。なお、本実施形態では、実施形態１で説明した情報処理装置の構成の概略を示している。

図７に示すように、本実施形態における情報処理装置１００は、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部１１０と、
説明変数ごとに、当該説明変数の予測値とモデルとを用いて、当該説明変数の変化による目的変数の変化量を算出する変化量算出部１２０と、
を備える。

なお、上述した予測値算出部１１０と変化量算出部１２０とは、情報処理装置１００が装備する演算装置がプログラムを実行することで構築されるものであってもよく、電子回路で構築されるものであってもよい。

そして、上記構成の情報処理装置１００は、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出し、
説明変数ごとに、当該説明変数の予測値とモデルとを用いて、当該説明変数の変化による目的変数の変化量を算出する、
という処理を実行するよう作動する。

上記発明によると、説明変数ごとに、当該説明変数の予測値を算出し、かかる予測値の変化による対象の状態を表す目的変数の変化量を算出しているため、説明変数の目的変数に対する影響度合いを容易に調べることができる。その結果、影響のある説明変数を選択して変更設定することで、容易に目的変数である対象の状態を最適化することができる。

＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における情報処理装置、情報処理方法、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。

（付記１）
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を備えた情報処理装置。

（付記２）
付記１に記載の情報処理装置であって、
前記予測値算出部は、前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値を複数算出し、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値と前記モデルとを用いて、当該説明変数の複数の前記予測値間の変化による前記目的変数の変化量を算出する、
情報処理装置。

（付記３）
付記２に記載の情報処理装置であって、
前記予測値算出部は、前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値の連続値である変化経路を算出して、当該変化経路上の複数の前記説明変数の前記予測値を算出する、
情報処理装置。

（付記４）
付記２又は３に記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を所定の演算にて集計して、当該集計した値を当該目的変数の変化量とする、
情報処理装置。

（付記５）
付記４に記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を積算して、当該積算した値を当該目的変数の変化量とする、
情報処理装置。

（付記６）
付記１乃至５のいずれかに記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数による前記モデルの偏微分を用いて前記目的変数の変化量を算出する、
情報処理装置。

（付記７）
付記１乃至６のいずれかに記載の情報処理装置であって、
前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を評価する評価部を備えた、
情報処理装置。

（付記８）
付記７に記載の情報処理装置であって、
前記評価部は、前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を選択する、
情報処理装置。

（付記９）
付記８に記載の情報処理装置であって、
前記評価部は、前記説明変数ごとに算出した前記目的変数の変化量の絶対値が大きい所定数の前記説明変数を選択する、
情報処理装置。

（付記１０）
付記８又は９に記載の情報処理装置であって、
選択された前記説明変数の設定値を算出し、当該説明変数の設定値と前記モデルとを用いて前記目的変数の値を算出する算出部を備えた、
情報処理装置。

（付記１１）
情報処理装置に、
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を実現させるためのプログラム。

（付記１２）
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出し、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する、
情報処理方法。

（付記１２．１）
付記１２に記載の情報処理方法であって、
前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値を複数算出し、
前記説明変数ごとに、当該説明変数の複数の前記予測値と前記モデルとを用いて、当該説明変数の複数の前記予測値間の変化による前記目的変数の変化量を算出する、
情報処理方法。

（付記１２．２）
付記１２．１に記載の情報処理方法であって、
前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値の連続値である変化経路を算出して、当該変化経路上の複数の前記説明変数の前記予測値を算出する、
情報処理方法。

（付記１２．３）
付記１２．１又は１２．２に記載の情報処理方法であって、
前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を所定の演算にて集計して、当該集計した値を当該目的変数の変化量とする、
情報処理方法。

（付記１２．４）
付記１２．３に記載の情報処理方法であって、
前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を積算して、当該積算した値を当該目的変数の変化量とする、
情報処理方法。

（付記１２．５）
付記１２乃至１２．４のいずれかに記載の情報処理方法であって、
前記説明変数ごとに、当該説明変数による前記モデルの偏微分を用いて前記目的変数の変化量を算出する、
情報処理方法。

（付記１２．６）
付記１２乃至１２．５のいずれかに記載の情報処理方法であって、
前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を評価する、
情報処理方法。

（付記１２．７）
付記１２．６に記載の情報処理方法であって、
前記説明変数を評価する際に、前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を選択する、
情報処理方法。

（付記１２．８）
付記１２．７に記載の情報処理方法であって、
前記説明変数ごとに算出した前記目的変数の変化量の絶対値が大きい所定数の前記説明変数を選択する、
情報処理方法。

（付記１２．９）
付記１２．７又は１２．８に記載の情報処理方法であって、
選択された前記説明変数の設定値を算出し、当該説明変数の設定値と前記モデルとを用いて前記目的変数の値を算出する、
情報処理方法。

なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。

１０情報処理装置
１１データ計測部
１２予測値算出部
１３変化量算出部
１４評価部
１５最適化部
１６設定部
１８データ記憶部
１９モデル記憶部
１００情報処理装置
１１０予測値算出部
１２０変化量算出部

Claims

複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を備え、
前記予測値算出部は、前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値の連続値である変化経路を算出して、当該変化経路上の複数の前記説明変数の前記予測値を算出し、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値と前記モデルとを用いて、当該説明変数の複数の前記予測値間の変化による前記目的変数の変化量を算出する、
情報処理装置。
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
を備え、
前記予測値算出部は、前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値を複数算出し、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値と前記モデルとを用いて、当該説明変数の複数の前記予測値間の変化による前記目的変数の変化量を算出し、さらに、前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を所定の演算にて集計して、当該集計した値を当該目的変数の変化量とする、
情報処理装置。
請求項１に記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を所定の演算にて集計して、当該集計した値を当該目的変数の変化量とする、
情報処理装置。
請求項２又は３に記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数の複数の前記予測値間の変化毎の前記目的変数の変化量を積算して、当該積算した値を当該目的変数の変化量とする、
情報処理装置。
請求項１乃至４のいずれかに記載の情報処理装置であって、
前記変化量算出部は、前記説明変数ごとに、当該説明変数による前記モデルの偏微分を用いて前記目的変数の変化量を算出する、
情報処理装置。
請求項１乃至５のいずれかに記載の情報処理装置であって、
前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を評価する評価部を備えた、
情報処理装置。
請求項６に記載の情報処理装置であって、
前記評価部は、前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を選択する、
情報処理装置。
請求項７に記載の情報処理装置であって、
前記評価部は、前記説明変数ごとに算出した前記目的変数の変化量の絶対値が大きい所定数の前記説明変数を選択する、
情報処理装置。
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する予測値算出部と、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する変化量算出部と、
前記説明変数ごとに算出した前記目的変数の変化量の値に基づいて、前記説明変数を評価する評価部と、
を備え、
前記評価部は、前記説明変数ごとに算出した前記目的変数の変化量の絶対値が大きい所定数の前記説明変数を選択する、
情報処理装置。
複数の説明変数を用いて対象の状態を表す目的変数を算出するモデルに基づいて、前記説明変数ごとに、当該説明変数の所定時点の値に基づいて変化する当該説明変数の予測値を算出する際に、前記説明変数ごとに、前記目的変数を所望の値に近づける当該説明変数の前記予測値の連続値である変化経路を算出して、当該変化経路上の複数の前記説明変数の前記予測値を算出し、
前記説明変数ごとに、当該説明変数の前記予測値と前記モデルとを用いて、当該説明変数の変化による前記目的変数の変化量を算出する際に、前記説明変数ごとに、当該説明変数の複数の前記予測値と前記モデルとを用いて、当該説明変数の複数の前記予測値間の変化による前記目的変数の変化量を算出する、
情報処理方法。