JP7294421B2 - 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム - Google Patents
学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム Download PDFInfo
- Publication number
- JP7294421B2 JP7294421B2 JP2021528754A JP2021528754A JP7294421B2 JP 7294421 B2 JP7294421 B2 JP 7294421B2 JP 2021528754 A JP2021528754 A JP 2021528754A JP 2021528754 A JP2021528754 A JP 2021528754A JP 7294421 B2 JP7294421 B2 JP 7294421B2
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- event
- spatio
- temporal data
- attribute
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
図1は、本実施形態の学習装置の構成を示すブロック図である。
次に、予測装置の構成について説明する。図4は、本実施形態の予測装置の構成を示すブロック図である。
次に、学習装置100の作用について説明する。
次に、予測装置200の作用について説明する。
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、変動時の前記時空間データとの変動の度合いを表すイベント成分を抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分に基づいて、前記イベント成分を、予め与えられたイベントごとに分類し、
前記イベントごとの分類結果に基づいて、前記イベントごとに、前記時空間データの変動を予測するためのモデルを学習する、
ように構成されている学習装置。
予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、変動時の前記時空間データとの変動の度合いを表すイベント成分を抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分に基づいて、前記イベント成分を、予め与えられたイベントごとに分類し、
前記イベントごとの分類結果に基づいて、前記イベントごとに、前記時空間データの変動を予測するためのモデルを学習する、
ことをコンピュータに実行させる学習プログラムを記憶した非一時的記憶媒体。
110 入力部
120 観測DB
130 抽出部
140 分類部
150 学習部
160 モデルDB
200 予測装置
210 入力部
220 観測DB
230 抽出部
240 分類部
250 モデルDB
260 予測部
270 合成部
280 出力部
Claims (6)
- 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、変動時の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出する抽出部と、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力する分類部と、
前記分類結果に基づいて、前記イベントごとに、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて、前記時空間データの変動を予測するためのモデルを学習する学習部と、
を含み、
前記分類部は、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、
学習装置。 - 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、入力された予測対象の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出する抽出部と、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力する分類部と、
前記分類結果に基づいて、前記イベントごとに学習された前記時空間データの変動を予測するためのモデルを用いて、前記イベントごとの前記時空間データの変動を予測する予測部と、を含み、
前記モデルは、学習用の前記時空間データについての、前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々をクラスタリングした前記イベントごとの前記分類結果に基づいて、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて学習されており、
前記分類部は、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、
予測装置。 - 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、変動時の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力し、
前記分類結果に基づいて、前記イベントごとに、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて、前記時空間データの変動を予測するためのモデルを学習する、
ことを含む処理をコンピュータが実行することを特徴とする学習方法であって、
前記分類結果を求める処理では、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、学習方法。 - 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、入力された予測対象の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力し、
前記分類結果に基づいて、前記イベントごとに学習された前記時空間データの変動を予測するためのモデルを用いて、前記イベントごとの前記時空間データの変動を予測する、ことを含む処理をコンピュータが実行することを特徴とする予測方法であって、
前記モデルは、学習用の前記時空間データについての、前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々をクラスタリングした前記イベントごとの前記分類結果に基づいて、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて学習されており、
前記分類結果を求める処理では、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、予測方法。 - 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、変動時の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力し、
前記分類結果に基づいて、前記イベントごとに、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて、前記時空間データの変動を予測するためのモデルを学習する、
ことをコンピュータに実行させる学習プログラムであって、
前記分類結果を求める処理では、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、学習プログラム。 - 予め観測された、観測時刻及び観測地点の要素として観測値を含む属性付きの時空間データであって通常時の前記時空間データと、入力された予測対象の前記時空間データとの観測値の差分を、変動の度合いを表すイベント成分として抽出し、
前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々に基づいて、予め与えられた複数のイベントの各々をクラスタとして扱い、所定のクラスタリング手法により前記組をクラスタリングすることにより、クラスタごとの所定のクラスタ時空間データを生成し、前記クラスタ時空間データを分類結果として出力し、
前記分類結果に基づいて、前記イベントごとに学習された前記時空間データの変動を予測するためのモデルを用いて、前記イベントごとの前記時空間データの変動を予測する、ことをコンピュータに実行させる予測プログラムであって、
前記モデルは、学習用の前記時空間データについての、前記観測時刻、前記観測地点、前記属性、及び前記イベント成分のデータの組の各々をクラスタリングした前記イベントごとの前記分類結果に基づいて、学習手法として時系列データを対象とした予測を行うための回帰手法を用いて学習されており、
前記分類結果を求める処理では、
前記観測時刻、前記観測地点、及び前記属性を次元とし各要素を前記イベント成分とするテンソルである属性テンソル、並びに前記観測地点、及び前記観測時刻を行列とし全属性の前記イベント成分の合計値を要素とする成分行列を作成し、
前記属性テンソルを前記クラスタごとに、前記観測時刻で表す行列、前記観測地点で表す行列、及び前記属性で表す行列の内積となるようにテンソル分解してクラスタリングを行い、テンソル分解して得られた各行列から当該クラスタのイベント成分を求め、
前記クラスタごとに、全てのクラスタのイベント成分の総和に対する当該クラスタのイベント成分の割合から、当該クラスタのイベント成分が当該クラスタに所属する割合を示す所属率を求め、
前記クラスタごとの確率ベクトルとしての前記所属率と、前記成分行列との内積を求めて、当該クラスタの成分を含む前記クラスタ時空間データを生成し、前記イベントごとの分類結果とする、予測プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/025474 WO2020261449A1 (ja) | 2019-06-26 | 2019-06-26 | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020261449A1 JPWO2020261449A1 (ja) | 2020-12-30 |
JP7294421B2 true JP7294421B2 (ja) | 2023-06-20 |
Family
ID=74061097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528754A Active JP7294421B2 (ja) | 2019-06-26 | 2019-06-26 | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220366272A1 (ja) |
JP (1) | JP7294421B2 (ja) |
WO (1) | WO2020261449A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118043826A (zh) * | 2021-09-29 | 2024-05-14 | 株式会社力森诺科 | 预测模型制作方法、预测方法、预测模型制作装置、预测装置、预测模型制作程序、预测程序 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010176342A (ja) | 2009-01-29 | 2010-08-12 | Fujitsu Ltd | 解析装置、解析方法及び解析方法のプログラム |
JP2014081899A (ja) | 2012-10-18 | 2014-05-08 | Panasonic Corp | 共クラスタリング装置、共クラスタリング方法、プログラム及び集積回路 |
JP2016031639A (ja) | 2014-07-29 | 2016-03-07 | 日本電信電話株式会社 | クラスタ抽出装置、クラスタ抽出方法、及びクラスタ抽出プログラム |
JP2018092439A (ja) | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
WO2018154958A1 (ja) | 2017-02-27 | 2018-08-30 | 株式会社Nttドコモ | 需要予測装置 |
-
2019
- 2019-06-26 US US17/621,232 patent/US20220366272A1/en active Pending
- 2019-06-26 WO PCT/JP2019/025474 patent/WO2020261449A1/ja active Application Filing
- 2019-06-26 JP JP2021528754A patent/JP7294421B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010176342A (ja) | 2009-01-29 | 2010-08-12 | Fujitsu Ltd | 解析装置、解析方法及び解析方法のプログラム |
JP2014081899A (ja) | 2012-10-18 | 2014-05-08 | Panasonic Corp | 共クラスタリング装置、共クラスタリング方法、プログラム及び集積回路 |
JP2016031639A (ja) | 2014-07-29 | 2016-03-07 | 日本電信電話株式会社 | クラスタ抽出装置、クラスタ抽出方法、及びクラスタ抽出プログラム |
JP2018092439A (ja) | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
WO2018154958A1 (ja) | 2017-02-27 | 2018-08-30 | 株式会社Nttドコモ | 需要予測装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020261449A1 (ja) | 2020-12-30 |
JPWO2020261449A1 (ja) | 2020-12-30 |
US20220366272A1 (en) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A new methodology to support group decision-making for IoT-based emergency response systems | |
Megahed et al. | Statistical perspectives on “big data” | |
JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
JP4254623B2 (ja) | トピック分析方法及びその装置並びにプログラム | |
CA3088689C (en) | Finite rank deep kernel learning for robust time series forecasting and regression | |
JP5480755B2 (ja) | 需要予測システム及び需要予測方法 | |
CN110291542B (zh) | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 | |
Duan et al. | Sliced full factorial-based Latin hypercube designs as a framework for a batch sequential design algorithm | |
JPWO2019229931A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
US11977978B2 (en) | Finite rank deep kernel learning with linear computational complexity | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
CN113326440A (zh) | 基于人工智能的推荐方法、装置及电子设备 | |
CN116523104A (zh) | 基于情景感知和深度学习的异常群体流量预测方法及装置 | |
JP7294421B2 (ja) | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム | |
Wang et al. | Baysian inference for ordered response data with a dynamic spatial‐ordered probit model | |
Butt et al. | Hybrid of deep learning and exponential smoothing for enhancing crime forecasting accuracy | |
JP2021043477A (ja) | 需要予測装置、需要予測方法、及びプログラム | |
Li et al. | Impact of the pre-simulation process of occupant behaviour modelling for residential energy demand simulations | |
US9875443B2 (en) | Unified attractiveness prediction framework based on content impact factor | |
CA3119351C (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
JP7400819B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
Solvang et al. | Estimation and classification of temporal trends to support integrated ecosystem assessment | |
Soto-Ferrari et al. | AGGFORCLUS: A hybrid methodology integrating forecasting with clustering to assess mitigation plans and contagion risk in pandemic outbreaks: the COVID-19 Case Study | |
Kong et al. | A novel ConvLSTM with multifeature fusion for financial intelligent trading |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230126 |
|
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: 20230509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230522 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7294421 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |