JP7276450B2 - 予測モデル再学習装置、予測モデル再学習方法及びプログラム - Google Patents

Description

本発明は、予測モデルを再学習する予測モデル再学習装置、予測モデル再学習方法およびプログラム記録媒体に関する。

予測モデルは、環境の変化などが原因で、時間の経過とともに予測精度が劣化することが知られている。

そのため、特許文献１は、予測モデルの精度を評価する評価指標に基づいて、予測モデルを再学習する技術を開示する。

特許文献２は、５つのサンプルの測定終了毎に、匂いを識別する予測モデルを再学習する技術を開示する。

国際公開第２０１６／１５１６１８号 特開１９９２－１８６１３９号公報

ところで、ニオイを検知するセンサには、温度、湿度といった測定環境が変わると、センサの検出値の挙動が変化する特性がある。

しかしながら、特許文献１に記載の評価指標は、上記の特性を考慮していない。そのため、特許文献１に記載の技術では、センサの検出値を用いた予測モデルの精度劣化が改善しない場合がある。

特許文献２に記載の技術は、５つのサンプルの測定終了毎に、再学習を行うため、上記の特性を考慮していない。そのため、特許文献２に記載の技術では予測モデルの精度劣化が改善しない場合がある。

そこで、本発明は、予測モデルの精度劣化を改善することを目的とする。

本発明の予測モデル再学習装置は、センサによるニオイ検知に関係するデータに基づいて、ニオイの予測モデルを再学習するか否かを決定する指標を算出する算出手段と、算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する再学習手段と、を備える。

本発明の予測モデル再学習方法は、センサによるニオイ検知に関係するデータに基づいて、ニオイの予測モデルを再学習するか否かを決定する指標を算出し、算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する。

本発明のプログラム記録媒体は、センサによるニオイ検知に関係するデータに基づいて、ニオイの予測モデルを再学習するか否かを決定する指標を算出する処理と、算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する処理とをコンピュータに実行させる。

本発明は、予測モデルの精度劣化を改善するという効果がある。

予測モデル再学習装置２０００が取得するデータを得るためのセンサ１０を例示する図である。 予測モデルの概念図である。 実施形態１の予測モデル再学習装置２０００の機能構成を例示する図である。 予測モデル再学習装置を実現するための計算機を例示する図である。 実施形態１の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。 記憶部２０１０が記憶するニオイデータを例示する図である。 記憶部２０１０が記憶する予測モデルと学習データの対応関係を例示する図である。 記憶部２０１０が記憶する再学習のための条件を例示する図である。 算出部２０２０の処理の流れを例示する図である。 再学習部２０３０の処理の流れを例示する図である。 実施形態２の予測モデル再学習装置２０００の機能構成を例示する図である。 実施形態２の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。 実施形態２において、記憶部２０１０が記憶するニオイデータを例示する図である。 記憶部２０１０が記憶する、再学習部２０３０が再学習を行うか否かの判定に用いる条件を例示する図である。 時系列データに対する特徴定数毎の寄与値を例示する図である。 算出部２０５０の処理の流れを例示する図である。 実施形態２の変形例における機能構成を例示する図である。 実施形態３の予測モデル再学習装置２０００の機能構成を例示する図である。 実施形態３の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。 更新判定部２０７０の処理の流れを例示する図である。

［実施形態１］
以下、本発明に係る実施形態１を説明する。

＜センサについて＞
本実施形態で用いるセンサについて説明する。図１は、ニオイを検知するセンサ１０及びセンサ１０がニオイを検知することにより得られる時系列データを例示する図である。センサ１０は、分子が付着する受容体を有し、その受容体における分子の付着と離脱に応じて検出値が変化するセンサである。なお、センサ１０によってセンシングされているガスを、対象ガスと呼ぶ。また、センサ１０から出力される検出値の時系列データを、時系列データ２０と呼ぶ。ここで、必要に応じ、時系列データ２０をＹとも表記し、時刻ｔの検出値をｙ（ｔ）とも表記する。Ｙは、ｙ（ｔ）が列挙されたベクトルとなる。

例えば、センサ１０は、膜型表面応力センサ（Ｍｅｍｂｒａｎｅ－ｔｙｐｅ Ｓｕｒｆａｃｅ ｓｔｒｅｓｓ Ｓｅｎｓｏｒ； ＭＳＳ）である。ＭＳＳは、受容体として、分子が付着する官能膜を有しており、その官能膜に対する分子の付着と離脱によってその官能膜の支持部材に生じる応力が変化する。ＭＳＳは、この応力の変化に基づく検出値を出力する。なお、センサ１０は、ＭＳＳには限定されず、受容体に対する分子の付着と離脱に応じて生じる、センサ１０の部材の粘弾性や動力学特性（質量や慣性モーメントなど）に関連する物理量の変化に基づいて検出値を出力するものであればよく、カンチレバー式、膜型、光学式、ピエゾ、振動応答などの様々なタイプのセンサを採用することができる。

＜予測モデルについて＞
本実施形態で用いる予測モデルについて説明する。図２は、予測モデルの概念図である。ここでは、センサ１０から出力される検出値の時系列データから、果物の種類を予測する予測モデルを例として示す。図２（Ａ）は、予測モデルを学習するフェーズを示す。図２（Ａ）では、ある果物の種類（例えば、リンゴ）と、センサ１０から出力される検出値の時系列データ２０との組み合わせを学習データとして、予測モデルが学習される。図２（Ｂ）は、予測モデルを利用するフェーズを示す。図２（Ｂ）では、予測モデルは、種類が未知である果物から取得された時系列データを入力として受け付け、果物の種類を予測結果として出力する。

なお、以下で説明する実施形態においては、予測モデルは、果物の種類を予測するものに限定されない。予測モデルは、センサ１０から出力される検出値の時系列データに基づいて、予測結果を出力するものであればよい。例えば、予測モデルは、人の呼気から特定の病気の有無を予測するものであってもよいし、住居内のニオイから有害物質の有無を予測するものであってもよいし、工場内のニオイから工場設備の異常を予測するものであってもよい。

＜予測モデル再学習装置２０００の機能構成の例＞
図３は、実施形態１の予測モデル再学習装置２０００の機能構成を例示する図である。予測モデル再学習装置２０００は、算出部２０２０及び再学習部２０３０を有する。算出部２０２０は、記憶部２０１０から、センサによるニオイ検知に関係するデータ（以下、ニオイデータ）を取得し、予測モデルを再学習するか否かを決定する指標を算出する。再学習部２０３０は、算出部２０２０により算出された指標に基づき、予測モデルの再学習を行うか否かを決定する。再学習部２０３０は、予測モデルの再学習を行うと決定した場合、予測モデルの再学習を行う。

＜予測モデル再学習装置２０００のハードウェア構成＞
図４は、図３に示した予測モデル再学習装置２０００を実現するための計算機を例示する図である。計算機１０００は任意の計算機である。例えば、計算機１０００は、Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ（ＰＣ）やサーバマシンなどの据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末などの可搬型の計算機である。計算機１０００は、予測モデル再学習装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０４０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などの種々のプロセッサである。メモリ１０６０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、メモリカード、又はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などを用いて実現される補助記憶装置である。

入出力インタフェース１１００は、計算機１０００と入出力デバイスを接続するためのインタフェースである。例えば、入出力インタフェース１１００には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。その他にも例えば、入出力インタフェース１１００には、センサ１０が接続される。ただし、センサ１０は必ずしも計算機１０００と直接接続されている必要はない。例えば、センサ１０は、計算機１０００と共有している記憶装置に取得したデータを記憶させてもよい。

ネットワークインタフェース１１２０は、計算機１０００を通信網に接続するためのインタフェースである。この通信網は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）である。ネットワークインタフェース１１２０が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。

ストレージデバイス１０８０は、予測モデル再学習装置２０００の各機能構成部を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

＜処理の流れ＞
図５は、実施形態１の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。算出部２０２０はニオイデータから予測モデルを再学習するか否かの指標を算出する（Ｓ１００）。再学習部２０３０は、算出した指標に基づいて、予測モデルを再学習する（Ｓ１１０）。再学習部２０３０は、再学習した予測モデルを記憶部２０１０に記憶させて予測モデルを更新する（Ｓ１２０）。

＜記憶部２０１０が記憶する情報＞
記憶部２０１０が記憶する情報を説明する。図６は、記憶部２０１０が記憶するニオイデータを例示する図である。

図６における各レコードがニオイデータに対応する。各ニオイデータは、例えば、ニオイデータを識別するためのＩＤ、センサ１０がニオイを検知したことにより得られる時系列データ、ニオイを検知したセンサ１０を識別するためのセンサＩＤ、測定日、測定対象及び測定環境を含む。

測定日は、例えば、センサ１０に対象ガスが噴射された日でもよいし、取得したニオイデータが記憶部２０１０に記憶された日でもよい。なお、測定日は、測定時間を含む測定日時であってもよい。

測定環境は、ニオイを測定する際の環境に関する情報である。図６に示すように、例えば、測定環境として、センサ１０が設置された環境の温度、湿度及びサンプリング周期がある。

サンプリング周期は、ニオイを測定する間隔を示し、Δｔ［ｓ］、あるいはその逆数を用いたサンプリング周波数［Ｈｚ］として表される。例えば、サンプリング周期は、０．１［ｓ］、０．０１［ｓ］などである。

また、ニオイがサンプルガスとパージガスを交互にセンサ１０に噴射することで測定される場合、サンプルガス及びパージガス噴射時間を、サンプリング周期としてもよい。ここで、サンプルガスとは、図１における対象ガスである。パージガスは、センサ１０に付着した対象ガスを除去するためのガス（例えば、窒素）である。例えば、センサ１０は、サンプルガスは５秒間、パージガスは５秒間、噴射されることでデータを測定できる。

上述した温度、湿度、サンプリング周期等の測定環境は、例えば、センサ１０の内部又は外部に備えられた計器によって取得されてもよいし、ユーザから入力されてもよい。

なお、本実施形態においては、温度、湿度、サンプリング周期を測定環境の例として説明したが、他の測定環境の例としては、測定対象とセンサ１０の距離、パージガスの種類、キャリアガス、センサの種類（例えば、センサＩＤ）、測定時の季節、測定時の気圧、測定時の大気（例えば、ＣＯ_２濃度）及び測定者についての情報がある。キャリアガスは、測定対象のニオイと同時に噴射されるガスであり、例えば窒素や大気を用いる。サンプルガスは、キャリアガスと測定対象のニオイの混合である。

また、上述した温度・湿度は、測定対象、キャリアガス、パージガス、センサ１０自体、センサ１０周辺の大気、センサ１０、あるいはセンサ１０を制御する機器の設定値から取得されたものであってもよい。

図７は、記憶部２０１０が記憶する、予測モデルと学習データＩＤの対応関係を例示する図である。図７に示すように、記憶部２０１０は、予測モデルと、予測モデルを学習する際に利用した学習データＩＤとを対応付けて記憶する。学習データＩＤは、図６に示したニオイデータのＩＤに対応する。例えば、学習データＩＤ「１」は、図６におけるＩＤ「１」に対応する。すなわち、図７に示した予測モデルは、学習データの一部として、図６におけるＩＤ「１」、ＩＤ「２」、ＩＤ「３」のニオイデータを用いて学習されたことを示す。

なお、図７においては、１つの予測モデルが記憶部２０１０に記憶されている場合を例として説明したが、複数の予測モデルが記憶部２０１０に記憶されていてもよい。

図８は、記憶部２０１０が記憶する、再学習部２０３０が再学習を行うか否かの判定に用いる条件を例示する図である。図８に示すように、指標と条件が対応付けられている。指標は、予測モデルを再学習するか否かを判定するために用いられる指標の種類である。指標の種類は、図６に示した測定環境（温度差、湿度差等）である。条件は、各指標において、予測モデルの再学習を行う条件を示す。例えば、図８に示すように、指標が「温度差」の場合、対応する条件は「５℃以上」である。つまり、算出部２０２０が指標として算出した、ニオイデータの測定環境に含まれる温度差が「５℃以上」である場合、再学習部２０３０は、予測モデルを再学習する。算出部２０２０による指標の算出処理及び再学習部２０３０による再学習処理の詳細は後述する。

＜算出部２０２０の処理について＞
図９は、算出部２０２０の処理の流れを例示する図である。図９を参照して、算出部２０２０による処理を具体的に説明する。ここでは、算出部２０２０が温度差を指標として算出する場合を例として説明する。また、算出部２０２０が図７に示した予測モデルを再学習するか否かを判定するための指標を算出する場合を例として説明する。

図９に示すように、まず、算出部２０２０は、学習データとして用いられたニオイデータの測定環境に含まれる温度を取得する（Ｓ２００）。例えば、算出部２０２０は、学習データとして用いられたＩＤ「１」のニオイデータの温度「２０℃」（図６）を取得する。

次に、算出部２０２０は、学習データとして用いられたニオイデータ以外のニオイデータであり、学習データとして用いられたニオイデータの測定日以降であるニオイデータの測定環境に含まれる温度を取得する（Ｓ２１０）。例えば、算出部２０２０は、図６に示したＩＤ「１２５」のニオイデータの温度「１０℃」を取得する。

次に、算出部２０２０は、Ｓ２００において取得した温度と、Ｓ２１０において取得した温度との差を指標として算出する（Ｓ２２０）。例えば、Ｓ２００において取得した温度が「２０℃」であり、Ｓ２１０において取得した温度が「１０℃」である場合、指標は「１０℃」である。

なお、本実施形態においては、Ｓ２００及びＳ２１０において、ニオイデータを１つずつ取得する場合を例として説明した。この場合、例えば、算出部２０２０は、学習データに用いられたニオイデータのうちの１つをランダムに取得してもよいし、ユーザからのニオイデータの指定を受け付けて取得してもよい。Ｓ２１０において取得するニオイデータについても同様である。

また、算出部２０２０がＳ２００及びＳ２１０において取得するニオイデータは、それぞれ複数であってもよい。この場合、算出部２０２０は、例えば、複数のニオイデータの温度の統計値（例えば、平均値、中央値、最頻値）を取得する。複数のニオイデータは、Ｓ２００においては学習データに用いたすべてのニオイデータであってもよいし、ユーザから指定されたニオイデータであってもよい。Ｓ２１０において取得するニオイデータについても同様である。

また、本実施形態においては、算出部２０２０が温度差を指標として取得する場合を例として説明した。しかしながら、指標は温度差に限らず、例えば湿度差やサンプリング周期の差であってもよい。

＜再学習部２０３０の処理について＞
図１０は、再学習部２０３０の処理の流れを例示する図である。図１０を参照して、再学習部２０３０の処理を具体的に説明する。

図１０に示すように、まず、再学習部２０３０は、算出部２０２０により算出された指標を取得する（Ｓ３００）。例えば、再学習部２０３０は、温度差「１０℃」を指標として取得する。

次に、再学習部２０３０は、Ｓ３００で取得した指標が、記憶部２０１０が記憶する条件（図８）を満たすか否かを判定する（Ｓ３１０）。再学習部２０３０は、指標が条件を満たすと判定した場合（Ｓ３１０；ＹＥＳ）、Ｓ３２０に進む。それ以外の場合、再学習部２０３０は、処理を終了する。

再学習部２０３０は、指標が条件を満たすと判定した場合（Ｓ３１０；ＹＥＳ）、機械学習の技術（例えば、確率的勾配降下法等の確率的最適化の技術）を用いて、予測モデルを再学習する（Ｓ３２０）。例えば、再学習部２０３０が取得した指標が温度差「１０℃」である場合、図８に示した温度差の条件は「５℃以上」であるため、再学習部２０３０は、予測モデルを再学習する。

なお、本実施形態においては、再学習部２０３０が予測モデルを再学習する場合を例として説明したが、再学習部２０３０は、新たに予測モデルを生成してもよい。この場合、再学習部２０３０は、新たな学習データセットを用いて予測モデルを生成する。新たな学習データセットは、例えば、ユーザにより指定される。ユーザによる指定方法としては、例えば、学習データセットが直接入力されてもよいし、測定日（または測定期間）が指定されてもよいし、測定環境が指定されてもよいし、バギング等のサンプリング方法が指定されてもよい。

＜作用・効果＞
以上のように、本実施形態に係る予測モデル再学習装置２０００は、温度、湿度といった測定環境の影響によりセンサの検出値の挙動が変化する特性を考慮して、予測モデルを再学習する。これにより、予測モデルの精度劣化を改善することができる。

［実施形態２］
以下、本発明に係る実施形態２を説明する。実施形態２は、実施形態１と比べて、特徴量取得部２０４０及び取得した特徴量に基づいて指標を算出する算出部２０５０を有する点で異なる。以下、詳細を説明する。

＜予測モデル再学習装置２０００の機能構成の例＞
図１１は、実施形態２の予測モデル再学習装置２０００の機能構成を例示する図である。実施形態２の予測モデル再学習装置２０００は、特徴量取得部２０４０、算出部２０５０及び再学習部２０３０を有する。特徴量取得部２０４０は、記憶部２０１０から予測モデルに用いられる学習データ以外のデータに含まれる時系列データの特徴量を取得する。算出部２０５０は、取得した特徴量に基づいて、予測モデルの指標を算出する。再学習部２０３０の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。

＜処理の流れ＞
図１２は、実施形態２の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。特徴量取得部２０４０は、記憶部２０１０から予測モデルに用いられる学習データ以外のデータに含まれる時系列データの特徴量を取得する（Ｓ４００）。算出部２０２０は、取得した特徴量に基づいて、予測モデルの指標を算出する（Ｓ４１０）。再学習部２０３０は、算出した指標に基づいて、予測モデルの再学習を行う（Ｓ４２０）。再学習部２０３０は、再学習した予測モデルを記憶部２０１０に記憶させて予測モデルを更新する（Ｓ４３０）。

＜記憶部２０１０が記憶する情報＞
実施形態２において、記憶部２０１０が記憶する情報を説明する。図１３は、実施形態２において、記憶部２０１０が記憶するニオイデータを例示する図である。

図１３における各レコードがニオイデータに対応する。各ニオイデータは、例えば、センサ１０がニオイを検知したことにより得られる時系列データ及び時系列データの特徴量を表すベクトル量であるＦｋを含む。添字ｋは、ニオイデータのＩＤと対応している。特徴量の詳細については後述する。

図１４は、記憶部２０１０が記憶する、再学習部２０３０が再学習を行うか否かの判定に用いる条件を例示する図である。図１４に示すように、指標と条件とが対応付けられている。指標は、予測モデルを再学習するか否かを判定するために用いられる指標の種類を意味する。指標の種類としては、例えば、分離度や確信度がある。条件は、各指標の種類毎に、予測モデルの再学習を行うための条件を示す。例えば、図１４に示すように、指標の種類が「分離度」の場合、対応する条件は「０．５以下」である。つまり、算出部２０２０が指標として算出した分離度が「０．５以下」になった場合、再学習部２０３０は、予測モデルを再学習する。算出部２０２０による分離度及び確信度の算出処理の詳細は後述する。

＜特徴量の算出方法＞
図１３に示した特徴量Ｆｋの算出方法の一例を説明する。各時系列データに対応する特徴量Ｆｋは、時系列データに対する、特徴定数毎の寄与値で示されるベクトル量である。以下、図１５を用いて、特徴定数と寄与値について説明する。

図１５は、時系列データに対する特徴定数毎の寄与値を例示する図である。特徴定数θは、センサ１０に付着している分子の量の時間変化の大きさに関する時定数又は速度定数である。特徴量Ｆｋは、各特徴定数θｉ（ｉは１からｎの整数；ｎ≧１）について、時系列データｙ（ｔ）に対する寄与の大きさを表す寄与値ξｉで示されるベクトル量である。

特徴定数θと寄与値ξの算出方法を説明する。特徴量取得部２０４０は、時系列データを以下の式（１）に示すように分解する。
［数１］

式（１）において、ｆは、特徴定数によって異なる関数である。

特徴定数θとして、速度定数βを採用した場合、式（１）は、以下の式（２）のように表すことができる。
［数２］

特徴定数θとして、速度定数の逆数である時定数τを採用した場合は、式（１）は、以下の式（３）のように表すことができる。
［数３］

＜特徴定数θの集合Θの算出方法＞
特徴定数θ_１、θ_２、・・・θ_ｎ（以下、集合Θとする）の算出方法を説明する。集合Θは、例えば、（１）特徴定数θの最小値θｍｉｎ（すなわち、θ_１）、（２）特徴定数θの最大値θｍａｘ（すなわち、θ_ｎ）、及び（３）隣接する特徴定数の間隔ｄｓ、の３つのパラメータによって定めることができる。この場合、集合Θは、Θ＝｛θｍｉｎ，θｍｉｎ＋ｄｓ，θｍｉｎ＋２ｄｓ，．．．，θｍａｘ｝となる。以下、上述した３つのパラメータを決定する方法の一例をそれぞれ示す。

（１）θｍｉｎ
θｍｉｎは、センサ１０のサンプリング間隔Δｔの定数倍である。すなわち、予め定められた定数をＣ１とすると、θｍｉｎ＝Δｔ＊Ｃ１である。

（２）θｍａｘ
θｍａｘは、センサ１０により取得される時系列データｙ（ｔ）の長さ（検出値の数）Ｔの定数倍である。すなわち、予め１以上の値をＣ２とすると、θｍａｘ＝Ｔ＊Ｃ２である。

（３）ｄｓ
ｄｓは、例えば、特徴定数θの個数をｎｓとすると、ｄｓ＝（θｍａｘ－θｍｉｎ）／（ｎｓ－１）である。

なお、特徴定数として速度定数βを用いる場合、特徴定数の最小値θｍｉｎ、特徴定数の最大値θｍａｘ、及び隣接する特徴定数の間隔ｄｓはそれぞれ、速度定数の最小値βｍｉｎ、速度定数の最大値βｍａｘ、及び隣接する速度定数の間隔Δβとなる。同様に、特徴定数として時定数τを用いる場合、特徴定数の最小値θｍｉｎ、特徴定数の最大値θｍａｘ、及び隣接する特徴定数の間隔ｄｓはそれぞれ、時定数の最小値τｍｉｎ、時定数の最大値τｍａｘ、及び隣接する時定数の間隔Δτとなる。

＜寄与ベクトルの算出＞
特徴量取得部２０４０は、前述のようにして特定した特徴定数θの集合Θに含まれる各特徴定数θｉの寄与値ξｉである寄与ベクトルΞを特徴量Ｆｋとして算出する。具体的には、特徴量取得部２０４０は、全ての寄与値ξｉ（すなわち、特徴量Ｆｋ。以下では、説明のため「寄与ベクトルΞ」と表記する。）をパラメータとして、式（１）を用いて、センサ１０の検出値を予測する検出値予測モデルを生成する。この検出値予測モデルを生成する際、時系列データを利用して寄与ベクトルΞについてパラメータ推定を行うことにより、寄与ベクトルΞを算出することができる。

検出値予測モデルのパラメータ推定には、種々の方法を利用することができる。以下、その方法の一例を示す。なお、以下の説明では、速度定数βを特徴定数として利用するケースを説明している。時定数τを特徴定数とする場合におけるパラメータ推定の方法は、以下の説明における速度定数βを１／τと読み替えることで実現できる。例えば、特徴量取得部２０４０は、検出値予測モデルから得られる予測値と、センサ１０から出力される検出値の時系列データとを用いた最尤推定や最大事後確率推定により、パラメータΞを推定する。以下、最尤推定の場合を記載する。最尤推定には、例えば、最小二乗法を用いることができる。この場合、具体的には、以下の目的関数に従ってパラメータΞを決定する。
［数４］

式（４）において、y＾（ｔｉ）は、時刻ｔｉの予測値を表し、検出値予測モデルにより決定される。

上述の目的関数を最小化するベクトルΞは、以下の式（５）を用いて算出することができる。
［数５］

式（５）において、Yは、（ｙ（ｔ０）， ｙ（ｔ１），．．．）を転置した列ベクトルである。

そこで、特徴量取得部２０４０は、時系列データＹと特徴定数の集合Θ＝｛β１， β２，．．．｝を上記式（５）に適用することで、パラメータΞを算出する。

ここで、上記式（５）における「立ち上がり」と「立ち下り」の意味を説明する。「立ち上がり」は、サンプリング周期の説明において上述したサンプルガスをセンサ１０に噴射することにより、時系列データが示す検出値が増加している状態を示す。「立ち下り」は、サンプリング周期の説明において上述したパージガスをセンサ１０に噴射することにより、センサ１０から対象ガスが取り除かれて、時系列データが示す測定値が減少している状態を示す。

なお、本実施形態においては、特徴量Ｆｋは、「立ち上がり」の時系列データ及び「立ち下り」の時系列データから取得される。しかしながら、これに限らず、特徴量取得部２０４０は、「立ち上がり」の時系列データ又は「立ち下り」の時系列データのどちらか一方からのみ特徴量を取得してもよい。

また、時系列データの特徴量を取得する方法は、上述の方法に限定されない。例えば、特徴量取得部２０４０は、時系列データからだけではなく、時系列データと測定環境を用いて特徴量を算出してもよい。具体的には、特徴量取得部２０４０は、時系列データと測定環境からニューラルネットワーク等の機械学習手法を用いて、特徴量を取得してもよい。

＜算出部２０５０の指標算出方法＞
図１６は、算出部２０５０の処理の流れを例示する図である。図１６を参照して、算出部２０５０による処理を具体的に説明する。ここでは、算出部２０５０が分離度を指標として算出する場合を例として説明する。分離度の詳細は後述する。また、算出部２０５０が図７に示した予測モデルを再学習するか否かを判定するための指標を算出する場合を例として説明する。

図１６に示すように、まず、算出部２０５０は、予測モデルの学習データとして用いられたニオイデータ以外のニオイデータであり、学習データとして用いられたニオイデータの測定日以降であるニオイデータを取得する（Ｓ５００）。例えば、算出部２０５０は、図１３に示したＩＤ「１」、ＩＤ「２」のニオイデータを取得する。

次に、算出部２０５０は、Ｓ５００で取得したニオイデータの特徴量を用いて、ニオイデータのクラスを予測する（Ｓ５１０）。例えば、特定の果物の種類（例えば、梨）に該当すると予測されるニオイデータには、正クラスが割り当てられる。特定の果物の種類に該当しないと予測されるニオイデータには、負クラスが割り当てられる。

次に、算出部２０５０は、各ニオイデータの予測結果から、予測モデルの分離度を指標として算出する（Ｓ５２０）。

分離度について説明する。分離度は、例えば、クラス内分散とクラス間分散の比として表される。クラス内分散は、クラス内でのデータの散らばりを示し、正クラスの分散と負クラスの分散の和で表される。クラス間分散は、データ全体における各クラスの散らばりを示し、データ全体に対する、正クラスの分散及び負クラスの分散それぞれに各クラスのサンプル数をかけたものの和として算出される。この分離度は、データの特徴量から直接算出しても良いし、次元削減された特徴量（例えば、１次元の空間に次元削減された特徴量）から算出されても良い。

なお、算出部２０５０が算出する指標は、クラス内分散とクラス間分散の比である分離度に限定されない。算出部２０５０は、クラス内分散及びクラス間分散のどちらか一方を指標としてもよい。

また、算出部２０５０は、Ｓ５２０で分離度の代わりに、確信度を指標として用いてもよい。

確信度について説明する。簡単のため、予測モデルが二値分類を行う場合を説明する。確信度は、予測モデルによる分類の確からしさの度合いを表す指標であり、決定関数によって得られた値を、例えばシグモイド関数などで０から１の値として表したものである。学習時において、予測モデルは、正クラスのサンプルはできるだけ１に近づくように、負クラスのサンプルはできるだけ０に近づくように学習される。予測時は、学習した予測モデルを用いて、閾値（一般には０．５とすることが多い）より大きい確信度が得られれば、正クラスとして予測結果を出力する。このとき、確信度が閾値付近のデータが多くなれば予測に不安定な状態になっている場合があると推測できるため、再学習をする指標として活用しうる。

＜作用・効果＞
以上のように、本実施形態に係る予測モデル再学習装置２０００は、センサの検出値の特徴量を考慮して、予測モデルを再学習する。これにより、予測モデルの精度劣化を改善することができる。
［変形例］
実施形態２の変形例について説明する。変形例では、特徴量取得部２０４０は、時系列データに対して、測定環境の影響を補正した上で、特徴量を取得することができる。

図１７は、実施形態２の変形例における機能構成を例示する図である。予測モデル再学習装置２０００は、他の実施形態と比べて、補正部２０６０を有する点を特徴とする。補正部２０６０は、補正係数を用いて、予測モデルに用いられる学習データ以外のデータに含まれる時系列データを補正する。特徴量取得部２０４０は、補正した時系列データから特徴量を取得する。その他の機能構成は、他の実施形態および実施形態２で説明した動作と同様である。

補正部２０６０が、補正係数を用いて時系列データを補正する例を説明する。補正部２０６０は、補正係数を、時系列データｙ（ｔ）に乗ずることで補正を行う。補正係数は、例えば、センサ１０の官能膜の個体差に関するものである。補正係数は、例えば、センサ１０の出荷時に予め算出され、センサ１０が備え付けられた筐体に記憶されている。補正部２０６０は、センサ１０が備え付けられた筐体から補正係数を取得することで、時系列データｙ（ｔ）を補正する。
［実施形態３］
以下、本発明に係る実施形態３を説明する。実施形態１、２においては、再学習された予測モデルが、そのまま記憶部２０１０に記憶されて更新される。しかしながら、例えば、測定環境に一時的な誤差が生じた（急な大雨により一時的に湿度が上昇した等）場合、その測定環境を用いて算出された指標に基づく予測モデルの更新は不要である場合もある。

そこで、本実施形態３においては、予測モデルの更新前に、再学習された予測モデルにより予測モデルを更新するか否かを判定する。

＜予測モデル再学習装置２０００の機能構成の例＞
図１８は、実施形態３の予測モデル再学習装置２０００の機能構成を例示する図である。予測モデル再学習装置２０００は、算出部２０５０、再学習部２０３０及び更新判定部２０７０を有する。算出部２０５０及び再学習部２０３０は、他の実施形態と同様の動作を行うため、ここでは説明を省略する。更新判定部２０７０は、再学習を行った予測モデル及び更新判定用のニオイデータから再学習を行った予測モデルの更新判定を行う。

＜処理の流れ＞
図１９は、実施形態３の予測モデル再学習装置２０００によって実行される処理の流れを例示する図である。算出部２０５０は、予測モデルを再学習するか否かを決定する指標を算出する（Ｓ６００）。再学習部２０３０は、算出された指標が所定の条件を満たす場合に、前記予測モデルを再学習する（Ｓ６１０）。更新判定部２０７０は、再学習した予測モデルが所定の条件を満たす場合に、予測モデルを更新する（Ｓ６２０）。

＜更新判定部２０７０の更新判定処理について＞
更新判定部２０７０の更新判定処理を説明する。図２０は、更新判定部２０７０の処理の流れを例示する図である。図２０を参照して、更新判定部２０７０による処理を具体的に説明する。ここでは、更新判定部２０７０が図７に示した予測モデルを再学習するか否かを判定するための指標を算出する場合を例として説明する。

まず、更新判定部２０７０は、更新判定用のニオイデータを取得する（Ｓ７００）。更新判定用のニオイデータは、予測モデルを再学習するか否かを判定するための指標を算出する際に用いられたニオイデータとは異なるニオイデータである。図６を用いて、更新判定用のニオイデータの具体例を示す。予測モデルの学習データの測定日が「２０１６／１０／１５」で、指標算出のためにＩＤ「１２５」のニオイデータを用いた場合、更新判定部２０７０は、（１）ＩＤが「１２５」とは異なるニオイデータを更新判定用のニオイデータとして取得する。

なお、更新判定部２０７０は、上述した条件（１）に加え、図６に示したセンサＩＤ、測定日時、測定環境及び測定対象のうち一つ以上について条件の指定を受け付け、指定された条件を含むニオイデータを、更新判定用のニオイデータとして取得してもよい。

図２０を用いた説明に戻る。更新判定部２０７０は、取得した更新判定用データを用いて、再学習済みの予測モデルの精度指標を算出する（Ｓ７１０）。精度指標は、例えば、Ｐｒｅｃｉｓｉｏｎ、Ｒｅｃａｌｌ、Ｓｐｅｃｉｆｉｃｉｔｙ、Ｆ値、Ａｃｃｕｒａｃｙ及びＡＵＣである。

なお、ここでは、予測モデルが判別モデルである場合の精度指標の例を説明した。予測モデルが回帰モデルである場合は、精度指標は、例えば、決定係数、平均二乗誤差及び平均絶対誤差である。

次に、Ｓ７１０で算出した精度指標が、所定の条件を満たす場合に、更新判定部２０７０は、再学習済み予測モデルを記憶部２０１０に記憶させて予測モデルを更新する（Ｓ７２０）。所定の条件は、例えば、Ｓ７１０で算出した精度指標が閾値以上か否かである。精度指標の閾値は、予め記憶部２０１０に記憶されていてもよいし、ユーザから入力を受け付けてもよい。

＜作用・効果＞
以上のように、本実施形態に係る予測モデル再学習装置２０００は、再学習された予測モデルの精度に応じて予測モデルを更新するか否かを判定するため、不要な予測モデルの更新を回避することができる。

なお、本願発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

１０ センサ
２０ 時系列データ
１０００ 計算機
１０２０ バス
１０４０ プロセッサ
１０６０ メモリ
１０８０ ストレージデバイス
１１００ 入出力インタフェース
１１２０ ネットワークインタフェース
２０００ 予測モデル再学習装置
２０１０ 記憶部
２０２０ 算出部
２０３０ 再学習部
２０４０ 特徴量取得部
２０５０ 算出部
２０６０ 補正部
２０７０ 更新判定部

Claims (10)

1. センサによるニオイ検知に関係するデータに基づいて、前記センサが測定する時系列データからニオイを予測する予測モデルを再学習するか否かを決定する指標を算出する算出手段と、
   算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する再学習手段と、
   を備える予測モデル再学習装置。
2. 前記センサによるニオイ検知に関係するデータは、前記センサによるニオイの測定環境を示し、
   前記算出手段は、前記予測モデルの学習データの測定環境と、前記学習データ以外のデータの測定環境との差を、前記指標として算出する、
   請求項１に記載の予測モデル再学習装置。
3. 前記ニオイの測定環境は少なくとも温度および湿度のいずれか一つを含む、
   ことを特徴とする請求項２に記載の予測モデル再学習装置。
4. 前記センサによるニオイ検知に関係するデータは、前記予測モデルの学習データ以外のデータの特徴量を示し、
   前記算出手段は、前記特徴量と前記予測モデルとに基づいて、前記指標を算出する、
   請求項１に記載の予測モデル再学習装置。
5. 前記センサによるニオイ検知に関係するデータは、前記予測モデルの学習データの特徴量及び、前記学習データ以外のデータの特徴量を示し、
   前記算出手段は、前記予測モデルの学習データの特徴量と、前記学習データ以外のデータの前記特徴量とに基づいて、前記指標を算出する、
   請求項１に記載の予測モデル再学習装置。
6. 前記センサの個体差から算出された補正係数に基づいて、前記センサによるニオイの検出値を補正する補正手段をさらに備え、
   前記算出手段は、前記補正された検出値の特徴量を取得する、
   請求項４または５に記載の予測モデル再学習装置。
7. 前記再学習した予測モデルと、更新判定のための前記ニオイ検知に関係するデータとから再学習を行った予測モデルの更新判定を行う更新判定手段を、
   更に備える請求項１から６のいずれか１項に記載の予測モデル再学習装置。
8. 前記学習データ以外のデータは、前記学習データとして用いられたデータの測定日以降のデータである
   請求項２から６のいずれか１項に記載の予測モデル再学習装置。
9. コンピュータが、
   センサによるニオイ検知に関係するデータに基づいて、前記センサが測定する時系列データからニオイを予測するニオイの予測モデルを再学習するか否かを決定する指標を算出し、
   算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する、
   予測モデル再学習方法。
10. センサによるニオイ検知に関係するデータに基づいて、前記センサが測定する時系列データからニオイを予測するニオイの予測モデルを再学習するか否かを決定する指標を算出する処理と、
    算出された前記指標が所定の条件を満たす場合に、前記予測モデルを再学習する処理と、
    をコンピュータに実行させるためのプログラム。

Images