JP7246095B2 - 機械学習システム及び機械学習方法 - Google Patents
機械学習システム及び機械学習方法 Download PDFInfo
- Publication number
- JP7246095B2 JP7246095B2 JP2019570753A JP2019570753A JP7246095B2 JP 7246095 B2 JP7246095 B2 JP 7246095B2 JP 2019570753 A JP2019570753 A JP 2019570753A JP 2019570753 A JP2019570753 A JP 2019570753A JP 7246095 B2 JP7246095 B2 JP 7246095B2
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- data
- input data
- input
- elapsed time
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
r=-1 if Lt>Lideal,
r=+1 if Lt≦Lideal …(1)
r=-1 if QoSt-1≠QoSt,
r=0 if QoSt-1=QoSt …(2)
つまり、学習器9Aは、現状のeNB203の負荷Ltが理想負荷Lidealを超過しているか否かで報酬rを増減させることで、通信トラフィックの時間的局所性を解消する送信レート制御を学習する。また、QoSレベルが安定せずに学習が収束しないことを回避するために、学習器9Aは、現在時刻tのQoSレベルと直前の時刻t-1のQoSレベルとが異なる場合に報酬rを減少させる。
Claims (15)
- 特定の時点における入力データに対して、既定の複数のイベントの発生後の前記特定の時点における経過時間に関する複数の経過時間情報を付加して入力する入力部と、
前記入力部によって入力された前記経過時間情報が付加された前記入力データを基に、機械学習によってモデルのパラメータを最適化する学習器と、
を備え、
前記イベントは、日の出および灌水である、
機械学習システム。 - 前記学習器は、機械学習における教師あり学習器によって構成されている、
請求項1記載の機械学習システム。 - 前記学習器は、ニューラルネットワークによって構成されている、
請求項1又は2記載の機械学習システム。 - 前記学習器は、ディープニューラルネットワークによって構成されている、
請求項1~3のいずれか1項に記載の機械学習システム。 - 前記入力部は、連続した複数の時点における前記入力データと前記入力データに対応する経過時間情報との組み合わせを、前記複数の時点毎に生成し、前記複数の時点毎の前記組み合わせを入力する、
請求項1~4のいずれか1項に記載の機械学習システム。 - 前記既定のイベントの発生を検知する検知部をさらに備え、
前記入力部は、前記検知部における検知に応じて前記特定の時点に対応する前記経過時間情報を算出し、当該経過時間情報を前記入力データに対して付加する、
請求項1~5のいずれか1項に記載の機械学習システム。 - 前記入力部は、前記入力データに対して、前記入力データに含まれる値の前記イベントの発生後における積算値をさらに付加して入力し、
前記学習器は、前記積算値をさらに用いて前記パラメータを最適化する、
請求項1~6のいずれか1項に記載の機械学習システム。 - 前記入力部は、前記入力データに対して、前記入力データに含まれる値の前記イベントの発生後における統計量をさらに付加して入力し、
前記学習器は、前記統計量をさらに用いて前記パラメータを最適化する、
請求項1~7のいずれか1項に記載の機械学習システム。 - 前記入力部は、前記入力データに含まれる目的変数の分布を均衡化させるために、前記入力データの再サンプリングを適用し、再サンプリングが適用された前記入力データを入力する、
請求項1~8のいずれか1項に記載の機械学習システム。 - 入力部が、特定の時点における入力データに対して、既定の複数のイベントの発生後の前記特定の時点における経過時間に関する複数の経過時間情報を付加して入力する入力ステップと、
学習器が、前記入力部によって入力された前記経過時間情報が付加された前記入力データを基に、機械学習によってモデルのパラメータを最適化する学習ステップと、
構築された前記モデルによって現象の時間的変化を推定・予測する推定・予測ステップと、
を備え、
前記イベントは、日の出および灌水である、
機械学習方法。 - 前記入力データは、植物の栽培環境に関する環境データおよび前記経過時間情報を含む、
請求項1記載の機械学習システム。 - 前記環境データは、温度、相対湿度、飽差、光量、灌水量のうちの少なくとも1つである、
請求項11記載の機械学習システム。 - 前記経過時間情報が付加された前記入力データは、日の出後の経過時間に対する変化、および灌水後の経過時間に対する変化を示すデータである、
請求項11記載の機械学習システム。 - (削除)
- 前記検知部は、光量データおよび灌水量データを検出し、
前記入力部は、前記光量データおよび灌水量データを含む入力データを生成する、
請求項6記載の機械学習システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018022132 | 2018-02-09 | ||
JP2018022132 | 2018-02-09 | ||
PCT/JP2019/004061 WO2019156070A1 (ja) | 2018-02-09 | 2019-02-05 | 機械学習システム及び機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019156070A1 JPWO2019156070A1 (ja) | 2021-01-28 |
JP7246095B2 true JP7246095B2 (ja) | 2023-03-27 |
Family
ID=67549358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019570753A Active JP7246095B2 (ja) | 2018-02-09 | 2019-02-05 | 機械学習システム及び機械学習方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7246095B2 (ja) |
WO (1) | WO2019156070A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079989B (zh) * | 2019-11-29 | 2023-06-20 | 武汉理工大学 | 一种基于dwt-pca-lstm的供水公司供水量预测装置 |
JP7427950B2 (ja) | 2019-12-12 | 2024-02-06 | 日本電気株式会社 | サンプル作成方法 |
JP7393244B2 (ja) | 2020-02-25 | 2023-12-06 | 株式会社日立製作所 | 時系列データ予測装置及び時系列データ予測方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017123088A (ja) | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
US20170308595A1 (en) | 2016-04-26 | 2017-10-26 | Informatica Llc | Learning from historical logs and recommending database operations on a data-asset in an etl tool |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH118763A (ja) * | 1997-04-24 | 1999-01-12 | Sharp Corp | 画像読取装置 |
-
2019
- 2019-02-05 JP JP2019570753A patent/JP7246095B2/ja active Active
- 2019-02-05 WO PCT/JP2019/004061 patent/WO2019156070A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017123088A (ja) | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
US20170308595A1 (en) | 2016-04-26 | 2017-10-26 | Informatica Llc | Learning from historical logs and recommending database operations on a data-asset in an etl tool |
Non-Patent Citations (2)
Title |
---|
大河内理貴ほか,ノンパラメトリック回帰を利用した施設園芸作物の生産性の推定,第3回データ工学と情報マネジメントに関するフォーラム 論文集 [online],日本,DEIM Forum 2011,2011年,E5-2,[検索日 2019.3.13],インターネット <URL: http://db-event.jpn.org/deim2011/proceedings/pdf/e5-2.pdf> |
若森和昌ほか,ニューラルネットワークを用いた植物蒸発散量推定における時系列特徴重畳手法,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2018年02月12日,第117巻, 第443号,pp.115-120,ISSN 0913-5685 |
Also Published As
Publication number | Publication date |
---|---|
WO2019156070A1 (ja) | 2019-08-15 |
JPWO2019156070A1 (ja) | 2021-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7246095B2 (ja) | 機械学習システム及び機械学習方法 | |
Sudheer et al. | Estimating actual evapotranspiration from limited climatic data using neural computing technique | |
US11625627B2 (en) | Predicted forecast offset from remote location sensor | |
Jones et al. | Estimating DSSAT cropping system cultivar‐specific parameters using Bayesian techniques | |
Amr et al. | Artificial neural network technique for rainfall forecasting applied to Alexandria, Egypt | |
Li et al. | Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques | |
US20160224703A1 (en) | Growth stage determination system and method | |
Cordova et al. | Meta-analysis of a web-based disease forecast system for control of anthracnose and Botrytis fruit rots of strawberry in Southeastern United States | |
JP6885394B2 (ja) | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム | |
Tripathy et al. | Knowledge discovery and leaf spot dynamics of groundnut crop through wireless sensor network and data mining techniques | |
US20180173823A1 (en) | Simulation device, simulation method, and recording medium for storing program | |
KR20200115717A (ko) | 작물 추천 방법 및 시스템 | |
Jiménez et al. | Evaluation of two recurrent neural network methods for prediction of irrigation rate and timing | |
Park et al. | A layered features analysis in smart farm environments | |
US20230169416A1 (en) | Pest distribution modeling with hybrid mechanistic and machine learning models | |
Lodovichi et al. | Operational planning of herbicide-based weed management | |
Akhand et al. | Using remote sensing satellite data and artificial neural network for prediction of potato yield in Bangladesh | |
Confalonieri | CoSMo: A simple approach for reproducing plant community dynamics using a single instance of generic crop simulators | |
Rath et al. | Optimal allocation of agricultural land for crop planning in Hirakud canal command area using swarm intelligence techniques | |
Piou et al. | Spatiotemporal risk forecasting to improve locust management | |
KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
Suresh et al. | Efficient Iot-Machine Learning Based Smart Irrigation Using Support Tree Algae Algorithm | |
JP7114092B2 (ja) | 画像データ加工装置、植物栽培システム及び画像データ加工方法 | |
Banakara et al. | Evaluation of weather parameter-based pre-harvest yield forecast models for wheat crop: a case study in Saurashtra region of Gujarat | |
Choquet et al. | Estimating stop over duration in the presence of trap-effects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A5211 Effective date: 20200701 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220118 |
|
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: 20230221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230307 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7246095 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |