JP7475549B2 - 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム - Google Patents
学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム Download PDFInfo
- Publication number
- JP7475549B2 JP7475549B2 JP2023541248A JP2023541248A JP7475549B2 JP 7475549 B2 JP7475549 B2 JP 7475549B2 JP 2023541248 A JP2023541248 A JP 2023541248A JP 2023541248 A JP2023541248 A JP 2023541248A JP 7475549 B2 JP7475549 B2 JP 7475549B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- emergency
- location
- prediction
- people
- 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
- 238000000034 method Methods 0.000 title claims description 68
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000013277 forecasting method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
非常時も予測したい場合がある。当該場合、学習データには、非常時のデータも用意される。大量の非常時のデータを用意した場合、生成される学習済モデルにおける通常時の予測精度は、低い。一方、少量の非常時のデータを用意した場合、生成される学習済モデルにおける非常時の予測精度は、低い。このように、通常時と非常時とにおける精度の高い予測をどのように行うのかが問題である。
<学習フェーズ>
図1は、実施の形態1の学習装置が有するハードウェアを示す図である。学習装置100は、学習方法を実行する。学習装置100は、プロセッサ101、揮発性記憶装置102、及び不揮発性記憶装置103を有する。
図2は、実施の形態1の学習装置の機能を示すブロック図である。学習装置100は、記憶部110、取得部120、学習生成部130、及び出力部140を有する。
取得部120、学習生成部130、及び出力部140の一部又は全部は、処理回路によって実現してもよい。また、取得部120、学習生成部130、及び出力部140の一部又は全部は、プロセッサ101が実行するプログラムのモジュールとして実現してもよい。例えば、プロセッサ101が実行するプログラムは、学習プログラムとも言う。例えば、学習プログラムは、記録媒体に記録されている。
図3は、実施の形態1の非常予測学習済モデルの生成を説明するための図(その1)である。図3では、学習により非常予測学習済モデル200が生成される場合を説明する。学習では、GBDT(Gradient Boosting Decision Tree)、LSTM(Long Short Term Memory)などが用いられてもよい。
また、学習生成部130は、第1の学習データ111の中の通常時のデータに基づいて、通常時の共変量分布を生成する。
図3は、非常予測モデル11を示している。非常予測モデル11には、初期値のパラメータが設定されている。
学習生成部130は、新たな学習データ10を非常予測モデル11に入力する。ここで、新たな学習データ10が非常予測モデル11に入力されることで、非常予測モデル11は、多くの非常時のデータを用いて学習される。
また、学習生成部130は、新たな学習データ10の中の非常時のデータに基づいて、非常時の共変量分布を生成する。
学習生成部130は、非常時のデータを用いて非常予測モデル11を学習させたときの誤差が予め定められた閾値よりも大きい場合、非常予測モデル11の中のパラメータを調整する。すなわち、非常予測モデル11は、ニューラルネットワークを構成しているため、学習生成部130は、ニューラルネットワークで用いられる重みであるパラメータを調整する。
また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報210と呼ぶ。
学習生成部130は、第1の学習データ111を通常予測学習済モデル112に入力する。これにより、通常予測学習済モデル112は、ある時刻の第1の地点における人数を出力する。
また、学習生成部130は、非常時のデータを用いて非常予測モデル11を学習させたときの誤差が当該閾値以上である場合、非常予測モデル11の中のパラメータを調整する。
また、上記では、通常時の共変量分布と非常時の共変量分布が生成されることを説明した。通常時の共変量分布と非常時の共変量分布を含む情報は、共変量分布情報210と呼ぶ。
学習生成部130は、第1の学習データ111を用いて、ある時刻の第1の地点における天気と混雑情報とのうちの少なくとも1つを示す情報が入力された場合に当該情報が通常時のデータであるか、又は非常時のデータであるかを出力する判定学習済モデル220を生成する。例えば、10時の第1の地点における天気が晴れであることを示す情報が入力された場合、判定学習済モデル220は、当該情報が通常時のデータであることを示す情報を出力する。また、例えば、11時の第1の地点における天気がゲリラ豪雨であることを示す情報が入力された場合、判定学習済モデル220は、当該情報が非常時のデータであることを示す情報を出力する。ここで、判定学習済モデル220は、第1の判定学習済モデルとも言う。
なお、第1の地点以外の地点は、第1の地点と近い地点であることが望ましい。
<活用フェーズ>
図8は、実施の形態1の予測システムを示す図である。予測システムは、予測装置300とサーバ400とを含む。予測装置300は、予測方法を実行する。予測装置300は、プロセッサ、揮発性記憶装置、及び不揮発性記憶装置を有する。また、予測装置300は、処理回路を有してもよい。例えば、サーバ400は、クラウドサーバである。
取得部320、通常予測部330、非常予測部340、判定部350、算出部360、及び出力部370の一部又は全部は、予測装置300が有する処理回路によって実現してもよい。また、取得部320、通常予測部330、非常予測部340、判定部350、算出部360、及び出力部370の一部又は全部は、予測装置300が有するプロセッサが実行するプログラムのモジュールとして実現してもよい。例えば、当該プログラムは、予測プログラムとも言う。例えば、予測プログラムは、記録媒体に記録されている。
実データ311は、ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である。また、第1の地点が駅である場合、実データ311は、当該駅を通る電車の運行時刻情報(すなわち、時刻表)、及び当該駅を通る電車の運行情報を含んでもよい。
出力部370は、算出された結果500を出力する。例えば、出力部370は、予測装置300に接続されるディスプレイに結果500を出力する。また、例えば、出力部370は、他の装置に結果500を出力する。
次に、実施の形態2を説明する。実施の形態2では、実施の形態1と相違する事項を主に説明する。そして、実施の形態2では、実施の形態1と共通する事項の説明を省略する。
ここで、サーバ400は、判定学習済モデル230,231を記憶してもよい。
取得部320は、判定学習済モデル220に代えて、判定学習済モデル230,231を取得する。例えば、取得部320は、判定学習済モデル230,231を記憶部310から取得する。また、例えば、取得部320は、判定学習済モデル230,231をサーバ400から取得する。
図11は、実施の形態2の具体例を示す図である。実データ311は、7時の横浜における天気に関する情報を含む。
非常予測部340は、7時の横浜における天気に関する情報と、非常予測学習済モデル200と用いて、7時の横浜における人数を予測する。予測された結果は、非常予測結果341である。
判定部350は、7時の横浜における天気に関する情報と、判定学習済モデル231とを用いて、当該情報が通常時のデータであるか、又は非常時のデータであるかを判定する。判定された結果は、判定結果353である。
出力部370は、算出された結果501を出力する。
Claims (21)
- 複数の時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ、ある時刻の前記第1の地点における天気と前記混雑情報とのうちの少なくとも1つを示す第1の情報が入力された場合、前記時刻の前記第1の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第1の地点における人数を示す真値と、非常時における複数の時刻の前記第1の地点における人数を示す真値とを含む真値情報を取得する取得部と、
前記第1の情報が入力された場合、前記時刻の前記第1の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、
前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、
を有し、
前記学習生成部は、
前記第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、
通常時における複数の時刻の前記第1の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、
誤差全体における前記複数の誤差のそれぞれの割合を算出し、
前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、
前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、
非常時における複数の時刻の前記第1の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する、
学習装置。 - 前記学習生成部は、
前記第1の学習データ又は前記学習情報に含まれている通常時のデータと、前記通常予測学習済モデルとを用いて、ある時刻の前記第1の地点における人数を算出し、
通常時における前記第1の地点における人数を示す前記真値と、算出された人数との誤差を算出し、
算出された誤差が予め定められた範囲に含まれる場合、前記通常予測学習済モデルを再学習し、
前記出力部は、
再学習された前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
請求項1に記載の学習装置。 - 複数の時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ、ある時刻の前記第1の地点における天気と前記混雑情報とのうちの少なくとも1つを示す第1の情報が入力された場合、前記時刻の前記第1の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第1の地点における人数を示す真値と、非常時における複数の時刻の前記第1の地点における人数を示す真値とを含む真値情報を取得する取得部と、
前記第1の情報が入力された場合、前記時刻の前記第1の地点における非常時の人数を出力する非常予測学習済モデルを生成する学習生成部と、
前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する出力部と、
を有し、
前記学習生成部は、
前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、
前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、
特定された非常時のデータを、新たな学習データとして生成し、
前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する、
学習装置。 - 前記第1の学習データは、前記第1の地点が駅である場合、前記駅を通る電車の運行情報を含む、
請求項1から3のいずれか1項に記載の学習装置。 - ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第1の判定学習済モデルを取得する取得部と、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測する通常予測部と、
前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測する非常予測部と、
前記実データと前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出する算出部と、
算出された結果を出力する出力部と、
を有し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測装置。 - 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
前記判定部は、前記実データと前記共変量分布情報と前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
請求項5に記載の予測装置。 - 前記判定部は、前記実データと前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
請求項5に記載の予測装置。 - 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
前記判定部は、前記実データと前記共変量分布情報と前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
請求項7に記載の予測装置。 - 前記実データは、前記第1の地点が駅である場合、前記駅を通る電車の運行情報を含む、
請求項5から8のいずれか1項に記載の予測装置。 - ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第1の地点以外の地点における天気と前記混雑情報とのうちの少なくとも1つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第2の判定学習済モデルを取得する取得部と、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測する通常予測部と、
前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測する非常予測部と、
前記実データと前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出する算出部と、
算出された結果を出力する出力部と、
を有し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測装置。 - 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
前記判定部は、前記実データと前記共変量分布情報と前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する、
請求項10に記載の予測装置。 - 前記第2の判定学習済モデルは、前記時刻の前記第1の地点以外の地点における天気と前記混雑情報とのうちの少なくとも1つを示す情報が入力された場合に前記情報が通常時のデータである確率と非常時のデータである確率とを出力する学習済モデルであり、
前記判定部は、前記実データと前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
請求項10に記載の予測装置。 - 前記取得部は、通常時の共変量分布と非常時の共変量分布を含む共変量分布情報を取得し、
前記判定部は、前記実データと前記共変量分布情報と前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータである確率と非常時のデータである確率とを判定する、
請求項10に記載の予測装置。 - ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第1の判定学習済モデルを記憶するサーバと、
予測装置と、
を含み、
前記予測装置は、
前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第1の判定学習済モデルを前記サーバから取得する取得部と、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測する通常予測部と、
前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測する非常予測部と、
前記実データと前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出する算出部と、
算出された結果を出力する出力部と、
を有し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測システム。 - ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第1の地点以外の地点における天気と前記混雑情報とのうちの少なくとも1つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第2の判定学習済モデルを記憶するサーバと、
予測装置と、
を含み、
前記予測装置は、
前記実データ、前記通常予測学習済モデル、前記非常予測学習済モデル、及び前記第2の判定学習済モデルを前記サーバから取得する取得部と、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測する通常予測部と、
前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測する非常予測部と、
前記実データと前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定する判定部と、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出する算出部と、
算出された結果を出力する出力部と、
を有し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測システム。 - 学習装置が、
複数の時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ、ある時刻の前記第1の地点における天気と前記混雑情報とのうちの少なくとも1つを示す第1の情報が入力された場合、前記時刻の前記第1の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第1の地点における人数を示す真値と、非常時における複数の時刻の前記第1の地点における人数を示す真値とを含む真値情報を取得し、
前記第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、
通常時における複数の時刻の前記第1の地点における人数を示す前記真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、
誤差全体における前記複数の誤差のそれぞれの割合を算出し、
前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、
前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、
非常時における複数の時刻の前記第1の地点における人数を示す前記真値と、前記新たな学習データとを用いて、前記第1の情報が入力された場合、前記時刻の前記第1の地点における非常時の人数を出力する非常予測学習済モデルを生成し、
前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
学習方法。 - 学習装置が、
複数の時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ、ある時刻の前記第1の地点における天気と前記混雑情報とのうちの少なくとも1つを示す第1の情報が入力された場合、前記時刻の前記第1の地点における通常時の人数を出力する通常予測学習済モデル、及び通常時における複数の時刻の前記第1の地点における人数を示す真値と、非常時における複数の時刻の前記第1の地点における人数を示す真値とを含む真値情報を取得し、
前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、
前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、
特定された非常時のデータを、新たな学習データとして生成し、
前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の情報が入力された場合、前記時刻の前記第1の地点における非常時の人数を出力する非常予測学習済モデルを生成し、
前記通常予測学習済モデルと前記非常予測学習済モデルとを出力する、
学習方法。 - 予測装置が、
ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第1の判定学習済モデルを取得し、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測し、前記実データと前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出し、
算出された結果を出力し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測方法。 - 予測装置が、
ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第1の地点以外の地点における天気と前記混雑情報とのうちの少なくとも1つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第2の判定学習済モデルを取得し、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測し、前記実データと前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出し、
算出された結果を出力し、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測方法。 - 予測装置に、
ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び第1の判定学習済モデルを取得し、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測し、前記実データと前記第1の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出し、
算出された結果を出力する、
処理を実行させる予測プログラムであり、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測プログラム。 - 予測装置に、
ある時刻の第1の地点における天気と、混雑に関する情報である混雑情報とのうちの少なくとも1つを示す情報である実データ、通常予測学習済モデル、非常予測学習済モデル、及び前記時刻の前記第1の地点以外の地点における天気と前記混雑情報とのうちの少なくとも1つを示す情報が入力された場合に前記情報が通常時のデータであるか非常時のデータであるかを出力する第2の判定学習済モデルを取得し、
前記実データと前記通常予測学習済モデルとを用いて、前記時刻の前記第1の地点における通常時の人数を予測し、前記実データと前記非常予測学習済モデルとを用いて、前記時刻の前記第1の地点における非常時の人数を予測し、前記実データと前記第2の判定学習済モデルとを用いて、前記実データが通常時のデータであるか、又は非常時のデータであるかを判定し、
前記通常時の人数を示す通常予測結果、前記非常時の人数を示す非常予測結果、及び前記判定の結果である判定結果を用いて、前記時刻の前記第1の地点における人数を算出し、
算出された結果を出力する、
処理を実行させる予測プログラムであり、
前記非常予測学習済モデルは、第1の学習方法又は第2の学習方法により、生成された学習済モデルであり、
前記第1の学習方法は、複数の時刻の前記第1の地点における天気と、前記混雑情報とのうちの少なくとも1つを示す情報である第1の学習データ又は前記第1の学習データを含む学習情報と、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、通常時における複数の時刻の前記第1の地点における人数を示す真値と、前記複数の予測値とに基づいて、複数の誤差を算出し、誤差全体における前記複数の誤差のそれぞれの割合を算出し、前記割合に応じて、前記第1の学習データ又は前記学習情報の中の非常時のデータの数を増やし、前記非常時のデータが増えた前記第1の学習データ又は前記学習情報を、新たな学習データとして生成し、非常時における複数の時刻の前記第1の地点における人数を示す真値と、前記新たな学習データとを用いて、前記非常予測学習済モデルを生成する方法であり、
前記第2の学習方法は、前記第1の学習データと、前記通常予測学習済モデルとを用いて、複数の時刻の前記第1の地点における人数を、複数の予測値として算出し、前記複数の予測値と通常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記第1の学習データの中から非常時のデータを特定し、特定された非常時のデータを、新たな学習データとして生成し、前記新たな学習データ及び非常時における複数の時刻の前記第1の地点における人数を示す前記真値を用いて、前記非常予測学習済モデルを生成する方法である、
予測プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/038771 WO2023067726A1 (ja) | 2021-10-20 | 2021-10-20 | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2023067726A1 JPWO2023067726A1 (ja) | 2023-04-27 |
JP7475549B2 true JP7475549B2 (ja) | 2024-04-26 |
Family
ID=86058011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023541248A Active JP7475549B2 (ja) | 2021-10-20 | 2021-10-20 | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7475549B2 (ja) |
CN (1) | CN118103855A (ja) |
WO (1) | WO2023067726A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119109A1 (en) | 2009-11-13 | 2011-05-19 | Bank Of America Corporation | Headcount forecasting system |
WO2019049688A1 (ja) | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
WO2021130926A1 (ja) | 2019-12-25 | 2021-07-01 | 日本電信電話株式会社 | 人流予測装置、人流予測方法、及び人流予測プログラム |
WO2021193864A1 (ja) | 2020-03-25 | 2021-09-30 | 国立大学法人広島大学 | Aiによる事象クラスの判別方法及び判別システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6992526B2 (ja) | 2018-01-12 | 2022-01-13 | 富士通株式会社 | 需要予測プログラム、需要予測方法および需要予測装置 |
-
2021
- 2021-10-20 JP JP2023541248A patent/JP7475549B2/ja active Active
- 2021-10-20 WO PCT/JP2021/038771 patent/WO2023067726A1/ja active Application Filing
- 2021-10-20 CN CN202180103229.6A patent/CN118103855A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119109A1 (en) | 2009-11-13 | 2011-05-19 | Bank Of America Corporation | Headcount forecasting system |
WO2019049688A1 (ja) | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
WO2021130926A1 (ja) | 2019-12-25 | 2021-07-01 | 日本電信電話株式会社 | 人流予測装置、人流予測方法、及び人流予測プログラム |
WO2021193864A1 (ja) | 2020-03-25 | 2021-09-30 | 国立大学法人広島大学 | Aiによる事象クラスの判別方法及び判別システム |
Non-Patent Citations (2)
Title |
---|
堀田 都,少ない学習データに基づく混雑度推定手法の提案,SSII2014 第20回画像センシングシンポジウム,日本,画像センシング技術研究会,2014年06月13日,ISBN978-4-9906491-2-8,IS3-09-1~IS3-09-6 |
角田 啓介,施設管理支援に向けた常時型人流予測,情報処理学会研究報告,日本,情報処理学会,2020年01月20日,1~9 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2023067726A1 (ja) | 2023-04-27 |
CN118103855A (zh) | 2024-05-28 |
WO2023067726A1 (ja) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180136617A1 (en) | Systems and methods for continuously modeling industrial asset performance | |
CN113052149B (zh) | 视频摘要生成方法、装置、计算机设备及介质 | |
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
US10902311B2 (en) | Regularization of neural networks | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN110942086A (zh) | 数据预测优化方法、装置、设备及可读存储介质 | |
KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
CN112598248A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
KR20190123040A (ko) | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 | |
CN112749041B (zh) | 虚拟化网络功能备份策略自决策方法、装置及计算设备 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
EP4252151A1 (en) | Data source correlation techniques for machine learning and convolutional neural models | |
Indra et al. | Modeling of optimal deep learning based flood forecasting model using twitter data | |
JP7475549B2 (ja) | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム | |
CN116388864B (zh) | 量子网络设备性能预测方法、装置、电子设备及存储介质 | |
RU2632124C1 (ru) | Способ прогнозной оценки эффективности многоэтапных процессов | |
CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN114611753A (zh) | 一种航班飞机轨迹数据预测系统及方法 | |
KR102115973B1 (ko) | 이질성 학습 기반의 정보 분류 장치 | |
Triana et al. | Bagging and boosting techniques in prediction of particulate matters | |
CN112446516A (zh) | 一种出行预测方法及装置 | |
CN115545355B (zh) | 基于多类信息融合识别的电网故障诊断方法、装置及设备 | |
JP7439923B2 (ja) | 学習方法、学習装置及びプログラム | |
CN112418559B (zh) | 一种用户选择行为预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230705 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230705 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
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: 20240319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7475549 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |