JP7427785B2 - データ推定装置、方法及びプログラム - Google Patents

データ推定装置、方法及びプログラム Download PDF

Info

Publication number
JP7427785B2
JP7427785B2 JP2022529998A JP2022529998A JP7427785B2 JP 7427785 B2 JP7427785 B2 JP 7427785B2 JP 2022529998 A JP2022529998 A JP 2022529998A JP 2022529998 A JP2022529998 A JP 2022529998A JP 7427785 B2 JP7427785 B2 JP 7427785B2
Authority
JP
Japan
Prior art keywords
objective
variable
variables
explanatory
machine learning
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
Application number
JP2022529998A
Other languages
English (en)
Other versions
JPWO2021250902A1 (ja
Inventor
貴志 猪股
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Asics Corp
Original Assignee
Asics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Asics Corp filed Critical Asics Corp
Publication of JPWO2021250902A1 publication Critical patent/JPWO2021250902A1/ja
Application granted granted Critical
Publication of JP7427785B2 publication Critical patent/JP7427785B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence

Description

この発明は、説明変数から目的変数を推定するデータ推定技術に関する。
機械学習の手法として、説明変数と目的変数を含む訓練データから木構造の分類器を生成する決定木学習が用いられている。学習した決定木を用いて未知の入力データに対して分類結果を予測することができる。また、訓練データをランダムに変えて複数の決定木を学習し、多数決を取って予測することで汎化能力を高めるランダムフォレストが利用されている。
特許文献１に記載の学習装置は、それぞれに説明変数および目的変数を有する訓練データから、説明変数の組合せにより構成され、説明変数の真偽により目的変数の推定をそれぞれ行う複数の決定木を生成し、複数の決定木と等価な線形モデルであって、説明変数の組み合わせにより構成される項をもれなく列挙した線形モデルを生成することにより、入力データから線形モデルを用いて安定した予測結果を出力する。
特開２０２０－４６８９１号公報
説明変数から目的変数を予測する機械学習において、目的変数の推定精度が頭打ちになるという問題があった。
本発明はこうした課題に鑑みてなされたものであり、その目的は、説明変数から目的変数を推定する精度を高めることのできるデータ推定技術を提供することにある。
上記課題を解決するために、本発明のある態様のデータ推定装置は、説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習部を含む。前記学習部は、１つ以上の説明変数を含む説明変数群Ｅｉから目的変数Ｏｉを推定する機械学習モデルＭｉを生成し、機械学習モデルＭｉにより推定された目的変数Ｏｉを説明変数群Ｅｉに加えて新たな説明変数群Ｅｉ＋１を設定し、説明変数群Ｅｉ＋１から目的変数Ｏｉ＋１を推定する機械学習モデルＭｉ＋１を生成する（ただしｉ＝１）。
本発明の別の態様は、データ推定方法である。この方法は、説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習ステップを含む。前記学習ステップは、１つ以上の説明変数を含む説明変数群Ｅｉから目的変数Ｏｉを推定する機械学習モデルＭｉを生成し、機械学習モデルＭｉにより推定された目的変数Ｏｉを説明変数群Ｅｉに加えて新たな説明変数群Ｅｉ＋１を設定し、説明変数群Ｅｉ＋１から目的変数Ｏｉ＋１を推定する機械学習モデルＭｉ＋１を生成する（ただしｉ＝１）。
なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、コンピュータプログラム、データ構造、記録媒体などの間で変換したものもまた、本発明の態様として有効である。
本発明によれば、説明変数から目的変数を推定する精度を高めることができる。
本実施の形態に係るデータ推定装置の構成図である。 図１のデータ推定装置による機械学習モデルの生成手順を説明するフローチャートである。 走行性能に関する二次データを説明する図である。 実施例におけるデータ推定手順を説明するフローチャートである。 図５（ａ）、図５（ｂ）は、図１の評価項目表示部による評価項目の表示例を説明する図である。 実施例における目的変数の推定精度を説明する図である。 ４個の目的変数Ａ～Ｄ間の相関係数を説明する図である。 図８（ａ）、図８（ｂ）は、選択された目的変数と残りの目的変数の相関係数を説明する図である。
図１は、本実施の形態に係るデータ推定装置１００の構成図である。データ推定装置１００は、説明変数入力部１０、学習部２０、目的変数出力部３０、説明変数追加部４０、評価項目表示部５０、説明変数記憶部６０、学習モデル記憶部７０、および目的変数記憶部８０を含む。同図は機能に着目したブロック図を描いており、これらの機能ブロックはハードウェア、ソフトウェア、またはそれらの組合せによっていろいろな形で実現することができる。
データ推定装置１００は、学習フェーズにおいて、説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する。データ推定装置１００は、予測フェーズにおいて、生成された機械学習モデルに未知の説明変数を入力して目的変数を予測する。
まず、学習フェーズにおけるデータ推定装置１００の構成と動作を説明する。学習部２０には、説明変数の値と目的変数の値が訓練データとして与えられる。学習部２０は、与えられた訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成し、学習モデル記憶部７０に記憶する。機械学習の手法として回帰モデル、決定木、ランダムフォレスト、ベイス推定、ニューラルネットワークなどを用いることができる。
目的変数出力部３０は、学習された機械学習モデルにもとづいて説明変数の値から推定される目的変数の値を出力し、目的変数記憶部８０に記憶する。説明変数追加部４０は、機械学習モデルにもとづいて推定された目的変数を新たに説明変数に加え、説明変数記憶部６０に記憶する。
説明変数入力部１０は、新たに設定された説明変数を説明変数記憶部６０から読み出し、学習部２０に供給する。学習部２０は、新たに設定された説明変数から目的変数を推定する機械学習モデルを生成し、学習モデル記憶部７０に記憶する。以降、推定された目的変数を新たに説明変数に加えて機械学習モデルの生成を繰り返す。
次に予測フェーズにおけるデータ推定装置１００の構成と動作を説明する。予測フェーズでは、学習部２０は予測部として機能する。
説明変数入力部１０は、説明変数記憶部６０に格納された説明変数の値を未知データとして読み出し、学習部２０に与える。
学習部２０は、学習モデル記憶部７０に格納された機械学習モデルを読み出し、機械学習モデルにもとづいて説明変数から目的変数を推定する。目的変数出力部３０は推定された目的変数の値を目的変数記憶部８０に記憶する。
説明変数追加部４０は、機械学習モデルにもとづいて推定された目的変数を新たに説明変数に加え、説明変数記憶部６０に記憶する。
説明変数入力部１０は、新たに設定された説明変数を説明変数記憶部６０から読み出し、学習部２０に供給する。学習部２０は、学習モデル記憶部７０に格納された機械学習モデルにもとづいて新たに設定された説明変数から目的変数を推定する。以降、推定された目的変数を新たに説明変数に加えて機械学習モデルによる目的変数の推定を繰り返す。
評価項目表示部５０は、推定された目的変数の値にもとづいて各評価項目の値を算出して表示する。評価項目表示部５０は、説明変数の値と推定された目的変数の値にもとづいて各評価項目の値を算出してもよい。
図２は、データ推定装置１００による機械学習モデルの生成手順を説明するフローチャートである。
訓練データとして、１つ以上の説明変数と複数の目的変数Ｏｉ（ｉ＝１～ｎ）が与えられているとする。
説明変数入力部１０は、１つ以上の説明変数を説明変数群Ｅ１に設定する（Ｓ１０）。学習部２０は、変数ｉに１を設定する（Ｓ２０）。
学習部２０は、説明変数群Ｅｉから目的変数Ｏｉを推定する学習モデルＭｉを生成し、目的変数出力部３０は推定された目的変数Ｏｉを目的変数記憶部８０に出力する（Ｓ３０）。
説明変数追加部４０は、学習モデルＭｉにより推定された目的変数Ｏｉを説明変数群Ｅｉに追加して新たな説明変数群Ｅｉ＋１を設定し、説明変数記憶部６０に記憶する（Ｓ４０）
学習部２０は、変数ｉを１だけインクリメントする（Ｓ５０）。変数ｉがｎより大きい場合（Ｓ６０のＹ）、機械学習モデルの生成処理を終了する。変数ｉがｎ以下である場合（Ｓ６０のＮ）、ステップＳ３０に戻り、それ以降の手順を繰り返す。
このように、説明変数が同一で目的変数が複数ある場合、以下の手順（１）～（３）により目的変数の推定精度を向上させることができる。
（１）予め用意した説明変数で任意の目的変数を推定可能な機械学習モデルを構築する。（２）推定した目的変数を新たに説明変数に加えて、新たな機械学習モデルを構築する。（３）上記（２）を繰り返す。
次に、実施例として、データ推定装置１００を用いて、ランナーの走行に関する一次データと身体特性データから走行性能に関する二次データを学習し、予測する例を説明する。
ランナーのシューズに設けられたセンサを用いて計測可能な走行に関する一次データとして、走行ペース、ストライド、ピッチ、接地時間、滞空時間がある。ランナーの身体特性データとして身長、体重がある。これらの計測可能な一次データと身体特性データが説明変数である。
推定する走行性能に関する二次データとして、地面反力ｚ成分（「Ｆｚ」と表記する）の２番目のピーク値（「Ｆｚ ２ｎｄ ｍａｘ」と表記する）、推進力積、ブレーキ力積、地面反力ｚ成分立ち上がり率（「Ｆｚ Ｌｏａｄｉｎｇ Ｒａｔｅ」と表記する）がある。これらの二次データが目的変数である。
図３は、走行性能に関する二次データを説明する図である。グラフの横軸は時間、縦軸は地面反力（Ｇｒｏｕｎｄ Ｒｅａｃｔｉｏｎ Ｆｏｒｃｅ）である。地面反力は鉛直方向（ｚ方向）の成分と、前後方向（ｙ方向）の成分を有し、実線は地面反力のｚ成分Ｆｚ、破線は地面反力のｙ成分Ｆｙを示す。
地面反力ｚ成分Ｆｚの値の２番目のピーク値がＦｚ ２ｎｄ ｍａｘであり、地面反力ｚ成分Ｆｚの立ち上がりの傾きがＦｚ Ｌｏａｄｉｎｇ Ｒａｔｅである。地面反力ｙ成分が正の値をもつ領域の面積が推進力積であり、地面反力ｙ成分が負の値をもつ領域の面積がブレーキ力積である。
以下、説明の便宜上、Ｆｚ ２ｎｄ ｍａｘを二次データＡ、推進力積を二次データＢ、ブレーキ力積を二次データＣ、Ｆｚ Ｌｏａｄｉｎｇ Ｒａｔｅを二次データＤと呼ぶ。これらの二次データＡ～Ｄを目標変数Ａ～Ｄとも呼ぶ。
一例として、機械学習モデルにより、説明変数である一次データと身体特性データから目的変数である二次データＡ、Ｂ、Ｃ、Ｄをこの順で推定し、推定された二次データをこの順で説明変数に加えていく。目的変数を推定する順番、言い換えれば推定された目的変数を説明変数に投入する順番はこれ以外の順番であってもよく、目的変数の推定精度がより高い投入順序の決め方は後述する。
図４は、実施例におけるデータ推定手順を説明するフローチャートである。
ランナーのシューズのセンサから走行に関する一次データを取得し、ランナーの身体特性データとともに説明変数記憶部６０に記憶する（Ｓ１００）。
学習部２０は、一次データと身体特性データを説明変数として回帰モデルに入力し、走行性能に関する二次データＡを目的変数として推定する（Ｓ１１０）。
説明変数追加部４０は、推定された二次データＡを新たに説明変数に加え、学習部２０は、一次データ、身体特性データ、および二次データＡを説明変数として回帰モデルに入力し、二次データＢを目的変数として推定する（Ｓ１２０）。
説明変数追加部４０は、推定された二次データＢを新たに説明変数に加え、学習部２０は、一次データ、身体特性データ、二次データＡ、および二次データＢを説明変数として回帰モデルに入力し、二次データＣを目的変数として推定する（Ｓ１３０）。
説明変数追加部４０は、推定された二次データＣを新たに説明変数に加え、学習部２０は、一次データ、身体特性データ、二次データＡ、二次データＢ、および二次データＣを説明変数として回帰モデルに入力し、二次データＤを目的変数として推定する（Ｓ１４０）。
評価項目表示部５０は、一次データと二次データＡ～Ｄにもとづいて評価項目の値を算出して表示する（Ｓ１５０）。
図５（ａ）、図５（ｂ）は、評価項目表示部５０による評価項目の表示例を説明する図である。一次データと推定された二次データＡ～Ｄにもとづいて、左足、右足のキック力、衝撃の負担軽減度、ブレーキ効果、キック効率などの評価項目Ｖ１～ＶＭについてたとえば５段階評価で表示する。表示態様は図５（ａ）、図５（ｂ）のようにレーダチャートであってもよく、棒グラフでもよい。
図６は、実施例における目的変数の推定精度を説明する図である。上記の実施例の一次データと身体特性データを説明変数として回帰モデルに入力し、二次データＡ～Ｄを目的変数として推定したときの決定係数を求めた。図６では、比較のため、従来手法として説明変数のみで目的変数Ａ～Ｄを推定したときの決定係数と、本手法により二次データＡ～Ｄの順に推定された目的変数を説明変数に加えて推定したときの決定係数を示す。決定係数は寄与率とも呼ばれるものであり、１に近いほど目的変数の推定精度が高い。
目的変数Ａの決定係数は、説明変数のみで予測した場合、０．８４であり、最初の目的変数の推定であるため、本手法でも同じ０．８４である。
目的変数Ｂの決定係数は、説明変数のみで予測した場合、０．６７であり、推定された目的変数Ａを説明変数に追加して予測した場合、０．６９に向上した。
目的変数Ｃの決定係数は、説明変数のみで予測した場合、０．３６であり、推定された目的変数Ｂをさらに説明変数に追加して予測した場合、０．５２に向上した。
目的変数Ｄの決定係数は、説明変数のみで予測した場合、０．６９であり、推定された目的変数Ｃをさらに説明変数に追加して予測した場合、０．７４に向上した。
実施例において、回帰モデルで推定された目的変数を説明変数に順次追加して次の目的変数を回帰モデルで推定することにより、目的変数の推定精度を向上させることができた。
次に複数の目的変数を説明変数に投入する順序を変えて、目的変数の推定精度をさらに向上させる方法について説明する。
ｎ個の目的変数を説明変数として投入する順序を決めるために、各投入順序で機械学習モデルを生成してｎ個の目的変数の予測精度を算出し、ｎ個の目的変数の予測精度の平均値が最大である、又は、ｎ個の目的変数の予測精度の標準偏差が最小である投入順序を最終的に最適な投入順序として選択する。
上記の実施例において、４個の目的変数Ａ～Ｄの２４通りのすべての投入順序について４個の目的変数Ａ～Ｄの予測精度を評価した。４個の目的変数をＡ、Ｄ、Ｂ、Ｃの順序で投入した場合、目的変数Ａ、Ｂ、Ｃ、Ｄの決定係数はそれぞれ０．８４、０．７０、０．５５、０．７１となり、４個の目的変数Ａ～Ｄの決定係数の平均値は０．７０００、４個の目的変数Ａ～Ｄの決定係数の標準偏差は０．１１８６となった。２４通りの投入順序の内、Ａ、Ｄ、Ｂ、Ｃの順序で投入した場合に、４個の目的変数Ａ～Ｄの決定係数の平均値が最大であり、かつ、標準偏差が最小となった。Ａ、Ｄ、Ｂ、Ｃの投入順序を最適な投入順序として選択する。
目的変数の最適な投入順序は、すべての投入順序を試さなくても、目的変数間の相関係数にもとづいて導出することができる。目的変数の最適な投入順序の決定方法を次に説明する。
図７は、４個の目的変数Ａ～Ｄ間の相関係数を説明する図である。この相関係数を参照して、目的変数の最適な投入順序を次の手順で決定する。図８（ａ）、図８（ｂ）は、選択された目的変数と残りの目的変数の相関係数を図７から抜き出したものであり、以下の手順の説明の際に参照する。
（ステップ１）説明変数のみで回帰モデルを構築した際に最も予測精度が高い目的変数を選択し、説明変数に加えて回帰モデルを構築する。
実施例の場合、図６を参照すると、説明変数のみで予測した場合、目的変数Ａが最も予測精度が高いので、目的変数Ａを最初に説明変数に加えて、回帰モデルを構築する。
（ステップ２）選択された目的変数と残りのすべての目的変数の相関係数を求め、相関係数の絶対値が最も大きい目的変数を選択し、新たに説明変数に加えて回帰モデルを構築する。ここで、選択された目的変数が複数の場合は、相関係数の絶対値の平均を取る。
実施例の場合、図８（ａ）に示すように、選択された目的変数Ａとの相関係数の絶対値が最も大きい目的変数Ｄを新たに説明変数に加え、回帰モデルを構築する。
（ステップ３）ステップ２を繰り返す。
実施例の場合、図８（ｂ）に示すように、選択された目的変数Ａ、Ｂとの相関係数の絶対値の平均が最も大きい目的変数Ｂを新たに説明変数に加え、回帰モデルを構築する。
（ステップ４）さらに目的変数が残っている場合、ステップ２を繰り返す。
実施例の場合、最後の目的変数Ｃを新たに説明変数に加え、回帰モデルを構築する。
以上述べたように、本実施の形態のデータ推定装置１００によれば、説明変数から予測すべき目的変数が複数ある場合、まず説明変数で任意の目的変数を推定可能な機械学習モデルを構築し、次に推定された目的変数を新たに説明変数に加えて、次の目的変数を推定可能な機械学習モデルを構築することを繰り返すことで目的変数の推定精度を高めることができる。なお、目的変数は１つずつ説明変数に加えるものに限られず、複数の目的変数を説明変数に加える実施例にも本発明を適用することができる。
以上、本発明を実施の形態をもとに説明した。実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
ランナーの走行に関する一次データと身体特性データから走行性能に関する二次データを推定する実施例を説明したが、説明変数から目的変数を推定するものであれば、どのような実施例にも本発明を適用することができる。
この発明は、データ推定技術に利用することができる。
１０ 説明変数入力部、 ２０ 学習部、 ３０ 目的変数出力部、 ４０ 説明変数追加部、 ５０ 評価項目表示部、 ６０ 説明変数記憶部、 ７０ 学習モデル記憶部、 ８０ 目的変数記憶部、 １００ データ推定装置。

Claims (6)

  1. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習部を含み、
    前記学習部は、１つ以上の説明変数を含む説明変数群Ｅ ｉ から目的変数Ｏ ｉ を推定する機械学習モデルＭ ｉ を生成し、機械学習モデルＭ ｉ により推定された目的変数Ｏ ｉ を説明変数群Ｅ ｉ に加えて新たな説明変数群Ｅ ｉ＋１ を設定し、説明変数群Ｅ ｉ＋１ から目的変数Ｏ ｉ＋１ を推定する機械学習モデルＭ ｉ＋１ を生成し（ただしｉ＝１）、
    前記学習部は、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習部は、ｎ個の目的変数を説明変数として投入する順序を決めるために、各投入順序で機械学習モデルを生成してｎ個の目的変数の予測精度を算出し、ｎ個の目的変数の予測精度の平均値が最大である、又は、ｎ個の目的変数の予測精度の標準偏差が最小である投入順序を最終的に選択することを特徴とするデータ推定装置。
  2. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習部を含み、
    前記学習部は、１つ以上の説明変数を含む説明変数群Ｅ ｉ から目的変数Ｏ ｉ を推定する機械学習モデルＭ ｉ を生成し、機械学習モデルＭ ｉ により推定された目的変数Ｏ ｉ を説明変数群Ｅ ｉ に加えて新たな説明変数群Ｅ ｉ＋１ を設定し、説明変数群Ｅ ｉ＋１ から目的変数Ｏ ｉ＋１ を推定する機械学習モデルＭ ｉ＋１ を生成し（ただしｉ＝１）、
    前記学習部は、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習部は、ｎ個の目的変数の内、機械学習モデルによる説明変数からの予測精度が最も高い目的変数を目的変数Ｏ １ として選択し、
    前記学習部は、既に選択された目的変数Ｏ１～Ｏｉとの相関が高い順にそれ以降の目的変数Ｏｉ＋１（ｉ＝１～（ｎ－１））を選択することを特徴とするデータ推定装置。
  3. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習ステップを含み、
    前記学習ステップは、１つ以上の説明変数を含む説明変数群Ｅｉから目的変数Ｏｉを推定する機械学習モデルＭｉを生成し、機械学習モデルＭｉにより推定された目的変数Ｏｉを説明変数群Ｅｉに加えて新たな説明変数群Ｅｉ＋１を設定し、説明変数群Ｅｉ＋１から目的変数Ｏｉ＋１を推定する機械学習モデルＭｉ＋１を生成し（ただしｉ＝１）、
    前記学習ステップは、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習ステップは、ｎ個の目的変数を説明変数として投入する順序を決めるために、各投入順序で機械学習モデルを生成してｎ個の目的変数の予測精度を算出し、ｎ個の目的変数の予測精度の平均値が最大である、又は、ｎ個の目的変数の予測精度の標準偏差が最小である投入順序を最終的に選択することを特徴とするデータ推定方法。
  4. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習ステップを含み、
    前記学習ステップは、１つ以上の説明変数を含む説明変数群Ｅ ｉ から目的変数Ｏ ｉ を推定する機械学習モデルＭ ｉ を生成し、機械学習モデルＭ ｉ により推定された目的変数Ｏ ｉ を説明変数群Ｅ ｉ に加えて新たな説明変数群Ｅ ｉ＋１ を設定し、説明変数群Ｅ ｉ＋１ から目的変数Ｏ ｉ＋１ を推定する機械学習モデルＭ ｉ＋１ を生成し（ただしｉ＝１）、
    前記学習ステップは、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習ステップは、ｎ個の目的変数の内、機械学習モデルによる説明変数からの予測精度が最も高い目的変数を目的変数Ｏ １ として選択し、
    前記学習ステップは、既に選択された目的変数Ｏ １ ～Ｏ ｉ との相関が高い順にそれ以降の目的変数Ｏ ｉ＋１ （ｉ＝１～（ｎ－１））を選択することを特徴とするデータ推定方法。
  5. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習ステップをコンピュータに実行させ、
    前記学習ステップは、１つ以上の説明変数を含む説明変数群Ｅｉから目的変数Ｏｉを推定する機械学習モデルＭｉを生成し、機械学習モデルＭｉにより推定された目的変数Ｏｉを説明変数群Ｅｉに加えて新たな説明変数群Ｅｉ＋１を設定し、説明変数群Ｅｉ＋１から目的変数Ｏｉ＋１を推定する機械学習モデルＭｉ＋１を生成し（ただしｉ＝１）、
    前記学習ステップは、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習ステップは、ｎ個の目的変数を説明変数として投入する順序を決めるために、各投入順序で機械学習モデルを生成してｎ個の目的変数の予測精度を算出し、ｎ個の目的変数の予測精度の平均値が最大である、又は、ｎ個の目的変数の予測精度の標準偏差が最小である投入順序を最終的に選択することを特徴とするデータ推定プログラム。
  6. 説明変数および目的変数を含む訓練データを用いて、説明変数から目的変数を推定する機械学習モデルを生成する学習ステップをコンピュータに実行させ、
    前記学習ステップは、１つ以上の説明変数を含む説明変数群Ｅ ｉ から目的変数Ｏ ｉ を推定する機械学習モデルＭ ｉ を生成し、機械学習モデルＭ ｉ により推定された目的変数Ｏ ｉ を説明変数群Ｅ ｉ に加えて新たな説明変数群Ｅ ｉ＋１ を設定し、説明変数群Ｅ ｉ＋１ から目的変数Ｏ ｉ＋１ を推定する機械学習モデルＭ ｉ＋１ を生成し（ただしｉ＝１）、
    前記学習ステップは、ｉ＝２～（ｎ－１）（ｎは２以上の自然数）に対して機械学習モデルの生成を繰り返し、
    前記学習ステップは、ｎ個の目的変数の内、機械学習モデルによる説明変数からの予測精度が最も高い目的変数を目的変数Ｏ １ として選択し、
    前記学習ステップは、既に選択された目的変数Ｏ １ ～Ｏ ｉ との相関が高い順にそれ以降の目的変数Ｏ ｉ＋１ （ｉ＝１～（ｎ－１））を選択することを特徴とするデータ推定プログラム。
JP2022529998A 2020-06-12 2020-06-12 データ推定装置、方法及びプログラム Active JP7427785B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/023286 WO2021250902A1 (ja) 2020-06-12 2020-06-12 データ推定装置、方法及びプログラム

Publications (2)

Publication Number Publication Date
JPWO2021250902A1 JPWO2021250902A1 (ja) 2021-12-16
JP7427785B2 true JP7427785B2 (ja) 2024-02-05

Family

ID=78847159

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022529998A Active JP7427785B2 (ja) 2020-06-12 2020-06-12 データ推定装置、方法及びプログラム

Country Status (5)

Country Link
US (1) US20230177392A1 (ja)
EP (1) EP4120147A4 (ja)
JP (1) JP7427785B2 (ja)
CN (1) CN115668233A (ja)
WO (1) WO2021250902A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087476A1 (en) 2008-06-16 2011-04-14 Patrick James Calvert Method and apparatus for configuring oil and/or gas production system
JP2015076076A (ja) 2013-10-11 2015-04-20 カルチュア・コンビニエンス・クラブ株式会社 顧客データ解析システム
JP2016031714A (ja) 2014-07-30 2016-03-07 日本電信電話株式会社 重回帰分析装置および重回帰分析方法
JP2020109598A (ja) 2019-01-07 2020-07-16 ＡＩ ｉｎｓｉｄｅ株式会社 取引モデル構築装置、取引モデル構築方法及び取引モデル構築プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8055469B2 (en) * 2006-03-03 2011-11-08 Garmin Switzerland Gmbh Method and apparatus for determining the attachment position of a motion sensing apparatus
JP7119820B2 (ja) 2018-09-18 2022-08-17 富士通株式会社 予測プログラム、予測方法および学習装置
US11858651B2 (en) * 2018-10-25 2024-01-02 The Boeing Company Machine learning model development with interactive feature construction and selection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087476A1 (en) 2008-06-16 2011-04-14 Patrick James Calvert Method and apparatus for configuring oil and/or gas production system
JP2015076076A (ja) 2013-10-11 2015-04-20 カルチュア・コンビニエンス・クラブ株式会社 顧客データ解析システム
JP2016031714A (ja) 2014-07-30 2016-03-07 日本電信電話株式会社 重回帰分析装置および重回帰分析方法
JP2020109598A (ja) 2019-01-07 2020-07-16 ＡＩ ｉｎｓｉｄｅ株式会社 取引モデル構築装置、取引モデル構築方法及び取引モデル構築プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
三宅尚志ほか，気象情報の不確かさを考慮した週間電力負荷予測，電気学会論文誌Ｂ，日本，社団法人電気学会，1995年01月20日，第115-B巻, 第2号，pp.135-142，ISSN 0385-4213 (MIYAKE, Takashi et al., One-day- through Seven-day-ahead Electrical Load Forcasting

Also Published As

Publication number Publication date
US20230177392A1 (en) 2023-06-08
CN115668233A (zh) 2023-01-31
JPWO2021250902A1 (ja) 2021-12-16
EP4120147A4 (en) 2023-04-26
EP4120147A1 (en) 2023-01-18
WO2021250902A1 (ja) 2021-12-16

Similar Documents

Publication Publication Date Title
US11250308B2 (en) Apparatus and method for generating prediction model based on artificial neural network
Perry et al. Modified genetic algorithm strategy for structural identification
US10713565B2 (en) Iterative feature selection methods
JP4591794B2 (ja) 情報処理装置および方法、並びにプログラム
US20040167721A1 (en) Optimal fitting parameter determining method and device, and optimal fitting parameter determining program
JP2001236337A (ja) ニューラルネットワークによる予測装置
JP7215077B2 (ja) 予測プログラム、予測方法及び予測装置
Bellemare et al. Bayesian learning of recursively factored environments
CN108985449B (zh) 一种对卷积神经网络处理器的控制方法及装置
JP7427785B2 (ja) データ推定装置、方法及びプログラム
JP6172145B2 (ja) 並列割当最適化装置、並列割当最適化方法および並列割当最適化プログラム
JP7294017B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP4591793B2 (ja) 推定装置および方法、並びにプログラム
WO2017037859A1 (ja) 情報処理装置及び方法
JP7455773B2 (ja) 求解装置およびプログラム
JPWO2018087814A1 (ja) マルチタスク関係学習システム、方法およびプログラム
Holliday et al. Follow then forage exploration: Improving asynchronous advantage actor critic
JP6554995B2 (ja) 高分子材料のシミュレーション方法
JP6918397B1 (ja) 情報処理装置、方法、プログラム及びシステム
JP7438544B2 (ja) ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法
JP2000339005A (ja) 制御対象の最適化制御方法及び制御装置
CN112598109A (zh) 信息处理设备、非暂态计算机可读存储介质及信息处理方法
CN114930345A (zh) 在神经网络中确定任务兼容性的方法和系统
Papadrakakis et al. Sensor placement optimization using ensemble Kalman filter and genetic algorithm
KR102554626B1 (ko) 점진적 학습을 위한 기계 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220829

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231017

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: 20240109

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240124

R150 Certificate of patent or registration of utility model

Ref document number: 7427785

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150