JP7215077B2 - 予測プログラム、予測方法及び予測装置 - Google Patents
予測プログラム、予測方法及び予測装置 Download PDFInfo
- Publication number
- JP7215077B2 JP7215077B2 JP2018202222A JP2018202222A JP7215077B2 JP 7215077 B2 JP7215077 B2 JP 7215077B2 JP 2018202222 A JP2018202222 A JP 2018202222A JP 2018202222 A JP2018202222 A JP 2018202222A JP 7215077 B2 JP7215077 B2 JP 7215077B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- environmental conditions
- moving object
- regression function
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1を用いて、実施例に係る予測装置の機能構成について説明する。図1は、実施例に係る予測装置の機能構成を示す機能ブロック図である。図1に示すように、予測装置10は、入力部11、出力部12、通信部13、記憶部14及び制御部15を有する。
図7を用いて、予測装置10による予測処理の流れを説明する。図7は、予測処理の流れを示すフローチャートである。図7に示すように、まず、予測装置10は、学習データそれぞれのk近傍を作成する(ステップS11)。次に、予測装置10は、学習データそれぞれについて、k近傍に含まれる学習データを用いてカーネル及び信頼区間幅を計算する(ステップS12)。
上述したように、予測装置10は、移動体の運動に関する入力データのうち、予測対象の環境条件に応じ特定の数で選択された区間のデータである区間データを用いて、移動体の運動に関するカーネル回帰関数を生成する。また、予測装置10は、カーネル回帰関数に基づき、予測対象の環境条件に対する目的変数を算出する。このように、予測装置10は、学習データの全てではなく、予測データの近傍の特定の数の学習データを使ってカーネル回帰関数を生成する。このため、予測装置10は、高速かつ高精度に目的変数を算出することができる。
本実施例の方法及び従来の方法について、予測精度及び処理速度を比較する実験を行った結果を示す。ここで、従来の方法は、k2近傍を用いずに全ての学習データを使って予測値を算出するものである。つまり、従来の方法は、(3)式の計算を、n個の学習データ全てについて行うものである。このため、従来の方法では、k2近傍の作成は不要であるが、予測値の算出自体の計算量は多くなることが考えられる。一方で、本実施例では、予測値の算出自体の計算量は少なくなるが、k2近傍の作成により処理量が増加することが考えられる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値等は、あくまで一例であり、任意に変更することができる。
図12は、ハードウェア構成例を説明する図である。図12に示すように、予測装置10は、通信インタフェース10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図12に示した各部は、バス等で相互に接続される。
11 入力部
12 出力部
13 通信部
14 記憶部
15 制御部
141 学習データ記憶部
142 カーネル情報記憶部
151 生成部
152 算出部
153 決定部
Claims (8)
- 不連続でない環境条件で運動する移動体に関する最適化問題に用いられる予測プログラムであって、
コンピュータに、
環境条件と前記移動体の性能との組み合わせである学習データのうち、予測データの環境条件に応じて選択された特定の数の学習データである区間データを用いて、入力された環境条件から前記移動体の性能の予測値を出力するカーネル回帰関数を生成し、
前記カーネル回帰関数に基づき、前記予測データの環境条件に対する前記移動体の性能の予測値を算出する
処理を実行させることを特徴とする予測プログラム。 - 前記生成する処理は、前記学習データから、予測対象の環境条件を表す予測データとのユークリッド距離が小さい順に前記特定の数だけ選択した区間データを用いて前記カーネル回帰関数を生成することを特徴とする請求項1に記載の予測プログラム。
- 前記算出する処理は、前記区間データを用いて生成された前記カーネル回帰関数、及び前記区間データごとの環境条件を基に、前記予測値の信頼区間を算出することを特徴とする請求項1に記載の予測プログラム。
- 前記算出する処理は、前記信頼区間が所定の閾値以上である場合、前記学習データの全てを用いて生成されたカーネル回帰関数に基づき前記予測値を算出することを特徴とする請求項3に記載の予測プログラム。
- 前記生成する処理は、前記特定の数として、前記区間データを用いて生成された前記カーネル回帰関数に基づき算出された前記移動体の性能の予測値と、前記学習データの全てを用いて生成されたカーネル回帰関数に基づき算出された前記移動体の性能の予測値との差が所定値以下になるようにあらかじめ設定された数を前記特定の数として用いることを特徴とする請求項1に記載の予測プログラム。
- 前記生成する処理は、前記移動体から所定の距離以内の領域における媒質の変動速度、形状及び前記移動体の動力資源の残量の少なくともいずれかを含む前記学習データから選択された前記区間データを用いて、前記カーネル回帰関数を生成することを特徴とする請求項1に記載の予測プログラム。
- 不連続でない環境条件で運動する移動体に関する最適化問題に用いられる予測方法であって、
コンピュータが、
環境条件と前記移動体の性能との組み合わせである学習データのうち、予測データの環境条件に応じて選択された特定の数の学習データである区間データを用いて、入力された環境条件から前記移動体の性能の予測値を出力するカーネル回帰関数を生成し、
前記カーネル回帰関数に基づき、前記予測データの環境条件に対する前記移動体の性能の予測値を算出する
処理を実行することを特徴とする予測方法。 - 不連続でない環境条件で運動する移動体に関する最適化問題に用いられる予測装置であって、
環境条件と前記移動体の性能との組み合わせである学習データのうち、予測データの環境条件に応じて選択された特定の数の学習データである区間データを用いて、入力された環境条件から前記移動体の性能の予測値を出力するカーネル回帰関数を生成する生成部と、
前記カーネル回帰関数に基づき、前記予測データの環境条件に対する前記移動体の性能の予測値を算出する算出部と、
を有することを特徴とする予測装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018202222A JP7215077B2 (ja) | 2018-10-26 | 2018-10-26 | 予測プログラム、予測方法及び予測装置 |
US16/661,303 US20200133998A1 (en) | 2018-10-26 | 2019-10-23 | Estimation method, estimation apparatus, and computer-readable recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018202222A JP7215077B2 (ja) | 2018-10-26 | 2018-10-26 | 予測プログラム、予測方法及び予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020067980A JP2020067980A (ja) | 2020-04-30 |
JP7215077B2 true JP7215077B2 (ja) | 2023-01-31 |
Family
ID=70328717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018202222A Active JP7215077B2 (ja) | 2018-10-26 | 2018-10-26 | 予測プログラム、予測方法及び予測装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200133998A1 (ja) |
JP (1) | JP7215077B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7255540B2 (ja) * | 2020-04-04 | 2023-04-11 | 株式会社三洋物産 | 遊技機 |
JP7255538B2 (ja) * | 2020-04-04 | 2023-04-11 | 株式会社三洋物産 | 遊技機 |
JP7255539B2 (ja) * | 2020-04-04 | 2023-04-11 | 株式会社三洋物産 | 遊技機 |
JP7471162B2 (ja) | 2020-07-08 | 2024-04-19 | 三菱重工業株式会社 | 評価装置、プラント制御支援システム、評価方法、及びプログラム |
JP7464130B2 (ja) * | 2020-08-14 | 2024-04-09 | 日本電気株式会社 | 挙動学習装置、挙動学習方法、挙動推定装置、挙動推定方法、及びプログラム |
JP7444277B2 (ja) * | 2020-10-29 | 2024-03-06 | 日本電気株式会社 | 挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006079426A (ja) | 2004-09-10 | 2006-03-23 | Shimizu Corp | エネルギー消費量診断装置及びエネルギー消費量診断方法 |
JP2016031559A (ja) | 2014-07-25 | 2016-03-07 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
US20170016354A1 (en) | 2015-07-17 | 2017-01-19 | Nec Laboratories America, Inc. | Output efficiency optimization in production systems |
CN107356710A (zh) | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10866100B2 (en) * | 2012-10-15 | 2020-12-15 | Kamino Labs, Inc. | Method of providing urban hiking trails |
US10260893B2 (en) * | 2016-09-22 | 2019-04-16 | Trimble Inc. | System for integrating hours of service (HOS) with a vehicle's navigation system |
-
2018
- 2018-10-26 JP JP2018202222A patent/JP7215077B2/ja active Active
-
2019
- 2019-10-23 US US16/661,303 patent/US20200133998A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006079426A (ja) | 2004-09-10 | 2006-03-23 | Shimizu Corp | エネルギー消費量診断装置及びエネルギー消費量診断方法 |
JP2016031559A (ja) | 2014-07-25 | 2016-03-07 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
US20170016354A1 (en) | 2015-07-17 | 2017-01-19 | Nec Laboratories America, Inc. | Output efficiency optimization in production systems |
CN107356710A (zh) | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
阿南 泰三ほか,運航ビッグデータと人工知能を活用した船舶の燃費改善とCO2排出量の削減,FUJITSU,日本,富士通株式会社,2017年03月01日,第68巻,第2号,通巻第399号,第22~27頁 |
Also Published As
Publication number | Publication date |
---|---|
JP2020067980A (ja) | 2020-04-30 |
US20200133998A1 (en) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7215077B2 (ja) | 予測プログラム、予測方法及び予測装置 | |
JP7413580B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
Gaier et al. | Data-efficient design exploration through surrogate-assisted illumination | |
JP2023522567A (ja) | ニューラルネットワークを使った集積回路配置の生成 | |
JP2005107743A (ja) | 学習システム | |
KR101828215B1 (ko) | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 | |
JP6977659B2 (ja) | グラフ更新装置、グラフ更新方法、及びプログラム | |
US11645441B1 (en) | Machine-learning based clustering for clock tree synthesis | |
JP5163472B2 (ja) | パラメタ空間を分割してモデル化する設計支援装置、方法、及びプログラム | |
US9081091B2 (en) | Method and device for tracking the path of motion of a moving object as well as computer program and data storage media | |
Nguyen et al. | Gaussian transformation based representation in particle swarm optimisation for feature selection | |
JP7283318B2 (ja) | 最適化装置、最適化プログラム、及び最適化方法 | |
JPWO2014087590A1 (ja) | 最適化装置、最適化方法および最適化プログラム | |
Bartz-Beielstein | A survey of model-based methods for global optimization | |
WO2016129078A1 (ja) | 経路選択装置及び経路選択プログラム | |
He et al. | Multi-objective efficient global optimization of expensive simulation-based problem in presence of simulation failures | |
JP7384059B2 (ja) | 検知プログラム、検知方法及び検知装置 | |
JP5126694B2 (ja) | 学習システム | |
JP7159883B2 (ja) | 強化学習方法、強化学習プログラム、および強化学習装置 | |
JP2022041425A (ja) | シミュレーションプログラム、シミュレーション方法およびシミュレーションシステム | |
WO2024047758A1 (ja) | 訓練データ分布推定プログラム、装置、及び方法 | |
Weaver-Rosen et al. | A Novel Method for Calculating the Parametric Hypervolume Indicator | |
JP2020181318A (ja) | 最適化装置、最適化方法、及びプログラム | |
Hu | Dynamic programming | |
US11244099B1 (en) | Machine-learning based prediction method for iterative clustering during clock tree synthesis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210709 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220527 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220805 |
|
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: 20221220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230102 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7215077 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |