JP7491653B2 - 深層コンター相関予測 - Google Patents

Description

本発明は、一般に予測に関する。より具体的には、本発明は、深層コンター相関予測（deep contour-correlated forecasting）に関する。

将来の事象を予測する能力が、今日のビジネス環境において望まれる。将来の傾向に関する信頼できる情報は大いに役立つので、多くの組織は、将来の傾向を予測し、それらの傾向が最終的に生じ得る効果を分析しようとして、相当な量の人的資源及び金銭的資源を費やしている。従って、予測は、多くの計画プロセスにおいて重要で望ましいツールである。ビジネス事象を予測することは、典型的には、履歴データを収集すること及びそのデータに対して予測モデルを適用することを含む。

予測モデルを作成するために頻繁に用いられる２種類のモデルは、指数平滑化モデル及び自己回帰統合移動平均（ＡＲＩＭＡ）モデルを含む。指数平滑化モデルは、時間にわたる一連の値の挙動を、何故それらの値がそのように振る舞うのかを理解しようとせずに、記述するものである。当技術分野には、既知の幾つかの異なる指数平滑化モデルが存在する。反対に、ＡＲＩＭＡ統計モデルは、モデル製作者が、時系列における過去の値が時系列の将来の値を予測する際の役割を指定することを可能にする。ＡＲＩＭＡモデルはまた、モデル製作者が、予測される時系列の挙動を説明するのに役立ち得る予測因子を含めることを可能にする。

傾向又は時系列における将来の値を効率的に予測するためには、時系列を記述する適切なモデルを作成する必要がある。時系列における過去の値を最も正確に反映するモデルを作成することは、予測プロセスの最も難しい部分である。過去のデータからより良好なモデルを導き出すことは、より良好な予測に対する鍵となる。これまでは、時系列における値を反映するために選ばれたモデルは比較的単純で容易なものであるか、又は、モデルを作成する人が実質的にすべて行った長時間の退屈な数学的解析の結果であった。従って、モデルは、比較的単純で、時系列における将来の値の十分なインジケータにはならないことが多いか、又は、非常に労力とコストがかかり、より簡単なモデルを超える成功の機会があまり多くないものであった。最近では、改善された電子コンピュータ・ハードウェアの利用可能性が、予測のモデル化の多くをコンピュータで迅速に行うことを可能にした。しかし、潜在的には、時系列を比較することができる無数のモデルが存在するが、予測のための従来のコンピュータ・ソフトウェアの解決策は、履歴データを評価するモデルの数が制限され、典型的には少数であるため、限定的であった。

実施形態は、コンピュータ・システムを使用して相関による予測を生成する。一実施形態は、プロセッサにより、第１の入力変数の履歴値についての入力データを受け取ることを含む。この実施形態はさらに、プロセッサにより、第１の入力変数の履歴値を用いて、第１の入力変数の将来値についての予測データを作成することを含む。この実施形態はさらに、プロセッサにより、予測データの診断分析に基づいて診断データを生成することを含む。この実施形態はさらに、プロセッサにより、診断データに基づいて第１の診断値を決定する第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成することを含む。この実施形態はさらに、プロセッサにより、第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、特徴ベクトル生成することを含む。この実施形態はさらに、プロセッサにより、認識予測プロセスへの入力として特徴ベクトルを用いて、最終予測を生成することを含む。この態様の他の実施形態は、対応するコンピュータ・システム、装置、及び、各々が実施形態の行為を実行するように構成された１つ又は複数のコンピュータ・ストレージ・デバイスに記録されたコンピュータ・プログラムを含む。

一態様により、コンピュータ実施の方法が提供され、この方法は、プロセッサにより、第１の入力変数の履歴値についての入力データを受け取ることと、プロセッサにより、第１の入力変数の履歴値を用いて第１の入力変数の将来値についての予測データを作成することと、プロセッサにより、予測データの診断分析に基づいて診断データを生成することと、プロセッサにより、診断データに基づいて第１の診断値を決定する第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成することと、プロセッサにより、第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、特徴ベクトルを生成することと、プロセッサにより、特徴ベクトルを認識予測プロセスへの入力として用いて、最終予測を生成することとを含む。

別の態様により、分類器予測用の対比情報を生成するためのコンピュータ使用可能プログラム製品であって、コンピュータ可読ストレージ・デバイスと、ストレージ・デバイスに格納されたプログラム命令とを備えるコンピュータ使用可能プログラム製品が提供され、格納されたプログラム命令は、プロセッサにより、第１の入力変数の履歴値についての入力データを受け取るためのプログラム命令と、プロセッサにより、第１の入力変数の履歴値を用いて第１の入力変数の将来値についての予測データを作成するためのプログラム命令と、プロセッサにより、予測データの診断分析に基づいて診断データを生成するためのプログラム命令と、プロセッサにより、診断データに基づいて第１の診断値を決定する第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成するためのプログラム命令と、プロセッサにより、第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、特徴ベクトルを生成するためのプログラム命令と、プロセッサにより、特徴ベクトルを認識予測プロセスへの入力として用いて、最終予測を生成するためのプログラム命令と、を含む。

別の態様により、プロセッサと、コンピュータ可読メモリと、コンピュータ可読ストレージ・デバイスと、メモリを介してプロセッサによって実行のための、ストレージ・デバイスに格納されたプログラム命令とを備えるコンピュータ・システムが提供され、格納されたプログラム命令は、プロセッサにより、第１の入力変数の履歴値についての入力データを受け取るためのプログラム命令と、プロセッサにより、第１の入力変数の履歴値を用いて第１の入力変数の将来値についての予測データを作成するためのプログラム命令と、プロセッサにより、予測データの診断分析に基づいて診断データを生成するためのプログラム命令と、プロセッサにより、診断データに基づいて第１の診断値を決定する第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成するためのプログラム命令と、プロセッサにより、第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、特徴ベクトルを生成するためのプログラム命令と、プロセッサにより、特徴ベクトルを認識予測プロセスへの入力として用いて最終予測を生成するためのプログラム命令とを含む。

次に、本発明の好ましい実施形態が、単なる例として、添付の図面を参照しながら説明されることになる。

例示的な実施形態を実装することができるデータ処理システムのネットワークのブロック図を示す。 例示的な実施形態を実装することができるデータ処理システムのブロック図を示す。 一実施形態による予測環境を提供するための例示的な構成のブロック図を示す。 一実施形態による予測環境を提供するための診断系列生成器の例示的な一構成の図を示す。 一実施形態による例示的な診断プロットの図を示す。 一実施形態による特徴ベクトル生成器のブロック図を示す。 一実施形態による認識予測器のブロック図を示す。 一実施形態による深層コンター相関予測の例示的なプロセスのフローチャートを示す。

例示的な実施形態は、予測を生成するとき、より正確な予測を生ずるために、影響力のある時間変化因子との相関を考慮する必要性があることを認識する。また、従来の予測アルゴリズムは自己回帰型であるので、予測における不正確性が伝搬し、予測の残り部分に影響を及ぼす可能性がある。例えば、非限定的なシナリオにおいて、予測アルゴリズムは、必要以上に大きなスケーリングの不必要な経費を負うことなく需要が満たされることを保証するために、スケーラビリティ・プランニングを可能にする、ウェブ・アプリケーションのためのネットワーク・トラフィックの予測を提供する。しかし、この予測アルゴリズムは、従来の経験に従って、将来の値を、それ自体の過去の値に基づいて生成するように構成されたものである。その結果、それは、ウェブ・アプリケーションの性質に応じて、需要に影響し得る他の変化する因子、例えば、ＩＯパターン、供給されるデータのサイズ、トラフィックの位置、又は、場合により、さらに天候及び休日の近さなどとの相関を探求しない。その結果、サーバ割り当てが最適より小さく、例えば、時々サーバ・リソース割り当てが不足し、不十分なユーザ体験につながる。

不正確な予測はさらに、不必要な費用をもたらす可能性があり、例えば、小売環境では、多すぎる在庫を購入することが、付加的な費用又は過度の商品の廃棄による損失をもたらす可能性があり、反対に、少なすぎる在庫を購入することが、売り切れ商品に関する販売機会の損失をもたらす可能性がある。同様に、飲食業において、食品需要の予測は、ユーザ体験の低下をもたらす過小配分又は不必要な費用を招く過剰配分において、過小購入のために食品廃棄又は機会損失による金銭的な損失をもたらす可能性がある。

例示的な実施形態は、現在利用可能な予測ツール又は解決策が、これらのニーズに向けられたものではなく、これらのニーズに対する適切な解決策を提供するものでもないことを認識する。本発明を説明するのに用いられる例示的な実施形態は、一般に、上記の問題及び、他の種々の因子による将来の値への影響を考慮するプロセスに従って正確に将来の値を予測することに関係する他の問題を、処理し解決する。

例示的な実施形態は、より正確でより長期の予測を作成する能力を向上させる必要があることを認識する。幾つかの実施形態において、認識予測システムは、多次元属性空間を表す入力データを含む予測変数を受け取る。入力データは、それぞれの次元に対応する予測変数の時系列ベクトル又はバンドに編成される。認識予測システムは、入力データの各々のバンドについての時系列予測を生成し、結果として得られる予測に対して診断テストを実行してエラーをチェックする。認識予測システムは、次に、診断テストの結果を用いて、それぞれの予測診断変数を時系列アレイの形式で生成する。次に、認識予測システムは、予測診断変数を入力として受け取り、もしあればバンドの各々の対の間の原因－結果関係に関連する相関値を計算する。認識相関プロセスは、予測診断変数の値を調節し、調節された値を、それぞれのバンドの各々についての新しい時系列アレイとして出力する。相関調節された新しいアレイは、ニューラル・ネットワークに入力され、初期の時系列予測とは異なり、ここでは種々の入力バンドの間の相関を考慮する更新された時系列予測を生成する。

一実施形態において、入力データは、各々がそれぞれの予測変数に対応する複数の一変量バンドに編成される。幾つかの実施形態において、入力データは、物理的属性を電気信号に変換するセンサなどのセンサに由来する。幾つかの実施形態において、入力データは、コンピュータ・メモリ内に格納されるコンピュータ生成ログ、例えば、サーバ・ログ、オペレーティング・システム・ログ、及びアプリケーション・ログに由来する。幾つかの実施形態において、入力データは、センサ、ログ、及び任意の他の所望のデータ・ソースの組み合わせに由来する。

幾つかの実施形態において、入力データは、１つの予測変数の将来の値が他の予測変数の将来の値に影響を及ぼすことになると予想される根拠がある、二つ又はそれ以上の予測変数を表すデータを含む。例えば、一実施形態において、天候予測システムは、例えば、温度、露点、相対湿度、降水量、風速及び風向、視界、及び大気圧などの複数の気象関連予測変数に編成された履歴データを、天候センサー及び他のデータ・ソースから受け取り、格納する。これらの予測変数の各々は、変数自体の履歴データに基づいて、単独で予測することができる。しかし、これらの予測変数の幾つかの値は、他の変数の値によって影響されること、例えば、所与の場所における降水量及び風速が、同じ場所における大気圧に基づいて増加又は減少する可能性があることが知られている。従って、幾つかの実施形態において、認識予測システムは、予測を生成するとき、それらの変数の間の相関を考慮する。

幾つかの実施形態において、認識予測システムは、診断系列生成器、特徴ベクトル生成器、及び認識予測器を含む。一実施形態において、診断系列生成器は、予測変数についての履歴時系列データを受け取り、予測変数についての時系列予測を生成する。一実施形態において、特徴ベクトル生成器は、予測変数についての時系列予測、及び、１つ又は複数の付加的な予測変数の各々についての時系列予測を受け取り、もしあれば、変数の各対の間の相関値を計算する。特徴ベクトル生成器は、予測診断変数の値を調節し、調節された値を、それぞれのバンドの各々についての新しい時系列アレイとして出力する。一実施形態において、認識予測器は、相関調節されたアレイをニューラル・ネットワークへの入力として受け取り、初期の入力時系列予測とは異なって、ここでは種々の入力バンドの間の相関を考慮した、更新された時系列予測を出力する。

幾つかの実施形態において、認識予測システムは、予測が望まれる入力データを含む予測変数を受け取る診断系列生成器を含む。幾つかの実施形態において、診断系列生成器は、受け取った予測変数の各々のバンドについて時系列予測を生成し、結果として得られた予測に対して診断テストを実行して、エラーをチェックする。次に、診断系列生成器は、診断テストの結果を用いて、それぞれの予測診断変数を時系列アレイの形式で生成する。

一実施形態において、診断系列生成器は、例えば電子メモリ又はユーザ入力から最長の予測期間及びステップ・サイズを受け取る拡大窓予測プロセス（growing window forecasting）を用いる。ステップ・サイズは、予測の間の時間を設定し、予測期間は、最長の予測期間を設定する。非限定的な例として、予測期間が２４時間に設定され、ステップ・サイズが１時間に設定される場合、診断系列生成器は、１時間先から２４時間先まで、１時間毎の全部で２４の予測を生成することになる。一実施形態において、診断系列生成器は、複数の予測変数を受け取り、予測期間を用いて全体の時間を設定し、ステップ・サイズを用いて予測変数の各々について予測の間の時間を設定する。例えば、診断系列生成器が１０個の予測変数を受け取り、ユーザがステップ・サイズを１日に、予測期間を１５日に設定する場合、診断系列生成器は、全部で１５０の予測を生成することになる。

幾つかの実施形態において、診断系列生成器は、予測を生成するために入力データの遅延バージョン又は分割バージョンを用いることを含む、教師あり又は半教師ありの学習プロセスを行う。例えば、幾つかの実施形態において、診断系列生成器は、入力データを訓練セットとテスト・セットとに分割する。幾つかの実施形態において、入力データの半分が入力データとして用いられ、入力データの他の半分がテスト・データとして用いられる。

幾つかの実施形態において、診断系列生成器は、予測変数を受け取り、各々の予測変数についての予測を出力する予測生成器と、予測を受け取り、予測に関する診断レポートを生成する診断レポート生成器と、診断レポートを受け取り、調節された予測値を診断値として生成する認識診断評価器とを含む。幾つかの実施形態において、診断系列生成器は、予測生成器、診断レポート生成器、及び認識診断評価器の各々の二つ又はそれ以上を含み、複数の変数の並列処理を可能にする。幾つかの実施形態において、診断系列生成器は、予測生成器、診断レポート生成器、及び認識診断評価器の各々の１つを含み、複数の予測変数の並列処理を可能にするために、複数の診断系列生成器が互いに並列に加えられる。

幾つかの実施形態において、予測生成器は、予測変数についての履歴入力データを受け取り、進化する対象変数がそれ自身の遅延した（即ち、以前の）値に回帰する自己回帰モデルを用いて、予測変数についての将来値を予測する。従って、自己回帰時間系列分析は、変数の将来の値を、その変数のみの履歴に基づいて予測する。一実施形態において、予測生成器は、自己回帰モデルの時間遅延の数（又は「オーダー」）、及び、データの、過去の値が差し引かれた回数（又は「差異の程度」）のようなパラメータを用いる自己回帰統合移動平均（ＡＲＩＭＡ）モデルを用いて、予測変数についての将来の値を予測する。別の例として、一実施形態において、予測生成器は、予測変数の時間系列データにおける強い季節傾向を検出し、季節性ＡＲＩＭＡ（ＳＡＲＩＭＡＸ）モデルを適用し、このモデルは、入力データ傾向の季節性の因子に対するＡＲＩＭＡモデルの自己回帰項及び移動平均項を用いて、予測変数についての予測を得るものである。

一実施形態において、予測生成器は、自己回帰モデルと、例えば電子メモリから又はユーザ入力から予測生成器が最長予測期間及びステップ・サイズを受け取る拡大窓予測プロセスとを用いる。ステップ・サイズは、予測の間の時間を設定し、予測期間は、最長の予測期間を設定する。非限定的な例として、ν個の変数を受け取る予測生成器について、予測期間がｔ時間に設定され、ステップ・サイズがｓ時間に設定される場合、予測生成器は、ｓ時間先からｔ時間先まで、ｓ時間毎の全部で（νｔ）／ｓの予測について、変数毎にｔ／ｓの予測を生成することになる。例えば、予測生成器が５個の予測変数を受け取り、ユーザーがステップ・サイズを１日に、予測期間を１４日に設定する場合、診断系列生成器は、全部で７０の予測を生成することになる。

幾つかの実施形態において、診断レポート生成器は、予測生成器によって準備された予測に対して診断テストを行い、残差又は残差エラーとも呼ばれるエラーをチェックする。一実施形態において、診断系列生成器は、診断テストの結果を、予測を向上させるために予測変数について学習する認識評価システムへの入力として用いる。幾つかの実施形態において、残差エラーは、期待される結果から予測を差し引いたものとして計算される。幾つかの実施形態において、診断レポート生成器は、全ての予測にわたって個々の残差エラーを収集し、それらを、予測モデルをよりよく理解するために用いる。

幾つかの実施形態において、診断レポート生成器は、各々の予測について、診断テストの結果のグラフ表示を与える１つ又は複数のプロットを出力する。例えば、幾つかの実施形態において、診断レポート生成器は、正規化残差線プロット、残差ヒストグラム及び推定密度プロット、残差分位数（Ｑ－Ｑ）プロット、及び残差自己相関プロットのうちの１つ又は複数をもたらす、予測の診断テストを行う。

残差線プロットは、中央のゼロ軸に対する残差予測エラー値の可視表示を与える線プロットである。エラー値及び線プロットはランダムに見えるべきであり、さもなければ、あるパターンの存在は、予測モデルを調節するか又は別のアルゴリズムで置き換える必要があることを示す。例えば、一実施形態において、診断系列生成器は、ＡＲＩＭＡモデルを用いて予測を計算し、残差線プロットを生成する。次に、認識診断評価器は、残差線プロットを分析し、認識診断評価器が入力データ又はプロットの中に季節性又は周期的なパターンを検出した場合には、診断系列生成器は、異なるモデルを使用する機会をユーザに与えることをユーザに通知するか、自動化された実施形態においては、診断系列生成器は、季節性パターンを含むデータにより適したＳＡＲＩＭＡＸモデルのような異なるモデルを用いて予測を再計算するように、予測生成器に指示する。

残差ヒストグラム及び推定密度プロット（又は「ヒストグラム及び密度プロット」）は、予測中の残差エラーの分布における異常性の可視表示を与える。通常、ヒストグラム及び密度プロットは、ある程度ガウス型の外見を有する。非ガウス分布又は大きな歪みの存在は、予測モデルを調節するか又は置き換える必要があることを示す。

残差Ｑ－Ｑプロットは、２つの分布間の比較の可視表示を与え、分布の間の類似性又は差異の程度を示す。例えば、一実施形態において、予測値はガウス分布と比較され、差異は散布図としてプロットされる。この例における散布図は、水平軸及び垂直軸上の増加する値と一致する方向に原点から延びる対角線に、密接に沿っているべきである。さもなければ、著しい逸脱の存在は、時には、自己回帰パラメータが理想的ではなく、改善の余地があることを示すことになる。このプロットは、典型的には、予想から外れた値を識別するために有用となる。

残差自己相関プロットは、ある観測と以前の時間ステップにおける観測との間の比較の可視表示を与える。このプロットについて期待されるのは、２つの分布の間に自己相関がないことを見出すことである。プロットは、重要度の閾値に対する自己相関スコアを示す。著しい逸脱の存在は、時には、自己回帰パラメータが理想的ではなく、改善の余地があることを示すことになる。

一実施形態において、認識診断評価器は、診断テストの結果を受け取り、分析プロセスを行って、予測診断変数を時系列アレイの形式で生成する。幾つかの実施形態において、認識診断評価器は、その結果を調べて、エラーがランダムではないこと、及び、モデルがキャプチャしてより良好な予測を作成するために使用することができるより多くの情報が存在することを示す、パターン又は構造を探す。

認識診断評価器の一実施形態は、診断レポート生成器によって生成された１つ又は複数のプロットを分類するために、画像分類モデルを構成する。プロットは、リアルタイムで見ることもできるし、キャプチャして後の時間で見ることもできる。一実施形態において、画像分類モデルは、ニューラル・ネットワークをベースとするモデル、例えば、畳み込みニューラル・ネットワーク（ＣＮＮ）である。構成プロセスの際に、一実施形態は、種々のプロットのラベル付けされた画像を用いて、ニューラル・ネットワークをベースとするモデルを訓練し、訓練に従ってプロットを分類する。例えば、画像分類モデルは、プロット内のエラー・レベルに従ってプロットを分類するように意図される。ＣＮＮによって行われるエラー・レベル検出の粒度は、ＣＮＮが識別するように訓練されるクラスの数に依存することになる。例えば、画像分類モデルは、プロットを含む画像を、予測の精度に従って、例えば０％の精度から１００％の精度まで分類するように、意図される。

診断系列生成器の一実施形態は、予測を生成する予測生成器、及び、予測について複数の診断プロットを作成する診断レポート生成器を含む。そのような一つの実施形態において、認識診断評価器は、１つ又は複数のＣＮＮを用いて、予測についての診断プロットの各々を分類する。認識診断評価器は、診断プロットの分類の結果を平均することによって、予測について単一の値を出力する。例えば、一実施形態は、全てが単一の予測に関連する、正規化残差線プロット、残差ヒストグラム及び推定密度プロット、残差分位数（Ｑ－Ｑ）プロット、並びに残差自己相関プロットを生成する。認識診断評価器の一実施形態は、全部で４つのプロットを個々に分類し、各々に、各々のプロットの精度に応じて０から１００までの値を割り当てる。次に、４つの診断プロットについての精度値を平均して、予測の精度を示す単一の数値が得られる。

診断系列生成器の一実施形態は、複数の予測変数に関する入力データを受け取る。診断系列生成器は、それぞれの予測変数を受け取るために並列に配置された複数の予測生成器を含む。診断系列生成器はさらに、それぞれの予測生成器から予測を受け取るために並列に配置された複数の診断レポート生成器を含む。診断系列生成器は、各々がそれぞれの診断レポート生成器から診断情報を受け取るように接続され、並列に配置された複数の認識診断評価器をさらに含む。

一実施形態において、各々の予測生成器は、変数毎にｔ／ｓの予測を生成し、ここでｔは予測期間、ｓはステップ・サイズであり、いずれも共通の時間次元（例えば、分、時間、日など）に設定される。各々の診断レポート生成器は、変数毎の全部で（ｐｔ）／ｓ個のプロットについて、予測毎にｐ個の診断プロットを計算する。各々の認識診断評価器は、変数毎の全部でｔ／ｓの診断値について、予測毎に１つの（即ち、ｐ個のプロット毎に１つの）診断値を生成する。各々変数についての診断値は、それぞれの予測診断アレイに格納される。

一実施形態において、認識予測システムは、予測診断変数を診断系列生成器から受け取る特徴ベクトル生成器を含む。一実施形態において、認識予測システムは、診断変数の各々が他のすべてのノードに完全に接続されたノードとなるホップフィールド・ネットワークを含む。各々のノードは、診断値に対応する単一の予測変数を表す。一実施形態において、診断値は、接続ノードの活性化関数に対して診断値が有する寄与度を求めるために、ホップフィールド・ネットワークに供給される。寄与度は、ノードを接続するエッジに重みを与える。特定のノードから、各々の診断変数にリンクするエッジが順序付けられる。予測変数の間の関係の順序は、最終的な予測に含めるときに予測器の予測をどれほど下方までたどるべきであるかを決定するために、用いることができる。

一実施形態において、ノード値が既知であるので、ホップフィールド・ネットワークは、ノード間の接続の各々の重みを学習するまで、ノードを調査することになる。従って、幾つかの実施形態において、ホップフィールド・ネットワークの重みが学習される。幾つかの実施形態において、ホップフィールド・ネットワークは、予測変数４１２（図４Ａに示される）の数に等しい、完全に接続された数を含む。幾つかの実施形態において、ひとたびホップフィールド・ネットワークが全ての重みを学習すると、特徴ベクトル生成器が、各々のノードの接続エッジに従ってノードをランク付けすることになる。特徴ベクトル生成器は、各々のノードに対するエッジをランク付けし、次いで、エッジの重みに従ってノードをランク付けすることになる。次に、特徴ベクトル生成器は、各々が重みに従って修正される３つの特徴ベクトル、即ち、最高の重みが付けられたエッジを用いる長期特徴ベクトル、最低の重みが付けられたエッジを用いる短期特徴ベクトル、及び、中間エッジ値の平均を用いる中期特徴ベクトルを形成することになる。３つの特徴ベクトルの各々のベクトルは、一緒に結合され、３つの結合された特徴ベクトルが認識予測器へ出力される。

一実施形態において、認識予測器は、３つの特徴ベクトルを受け取り、それらをニューラル・ネットワークへの入力として用いる。一実施形態において、ニューラル・ネットワークは、長短期メモリ（ＬＳＴＭ）ニューラル・ネットワークである。一実施形態において、ＬＳＴＭは、ホップフィールド・ネットワークによって計算された相関に基づいて修正された予測を生成するために、半分がテスト・データであり半分がＬＳＴＭを訓練するための訓練データであるように分割された履歴データを用いて訓練される。一実施形態において、認識予測器は、中期特徴ベクトルをＬＳＴＭへの入力として用い、長期特徴ベクトル及び短期特徴ベクトルを、ＬＳＴＭへの短期及び長期メモリ入力への入力として用いる。

説明を分かりやすくするために、及び、それに対する何らの限定なしに、実施形態は、幾つかの例示的構成を用いて説明されている。この開示から、当業者であれば、説明された目的を達成するために、説明された構成の多くの改変、改造、及び修正を考えることができることになり、それらは実施形態の範囲に入るものと考えられる。

さらに、データ処理環境の簡略化されたダイアグラムが図面及び実施形態に使用される。実際のコンピューティング環境においては、図示されない又は本明細書では説明されない付加的な構造体又はコンポーネント、或いは、図示されたのとは異なるが本明細書で説明されるのと同じ機能のための構造体又はコンポーネントが、実施形態の範囲から逸脱せずに存在し得る。

さらに、実施形態は、単なる例として、特定の実際的又は仮想的コンポーネントに関して説明される。種々の実施形態によって説明されるステップは、例えば、機械学習分類器モデルによって行われる決定に関する説明をもたらすように適合させることができる。

これら及び他の同様のアーチファクトの任意の特定の明示は、本発明に限定することを意図するものではない。これら及び他の同様のアーチファクトの任意の特定の明示は、本発明に限定することを意図するものではない。

本開示内の例は、単に説明を明瞭にするために使用され、例示的実施形態に限定するものではない。本明細書に列挙される任意の利点は、単なる例に過ぎず、例示的実施形態に限定することを意図しない。付加的な利点又は異なる利点は、特定の例示的実施形態によって実現することができる。さらに、特定の例示的実施形態は、上に列挙される利点の一部、全てを有するか、又はいずれも有さない場合がある。

さらに、例示的実施形態は、任意の種類のデータ、データ・ソース、又はデータ・ネットワーク上のデータ・ソースへのアクセスに関して実施することができる。任意の種類のデータ・ストレージ・デバイスは、本発明の範囲内で、データ処理システムにおいてローカルで、又はデータ・ネットワーク上のいずれかで、本発明の実施形態にデータを提供することができる。実施形態がモバイル・デバイスを使用して説明される場合、モバイル・デバイスと共に使用するのに好適な任意の種類のデータ・ストレージ・デバイスは、例示的実施形態の範囲内で、モバイル・デバイスにおいてローカルで、又はデータ・ネットワーク上でのいずれかで、そうした実施形態にデータを提供することができる。

例示的実施形態は、特定のコード、設計、アーキテクチャ、プロトコル、レイアウト、概略図、及びツールを単に例として使用して説明され、例示的実施形態に限定するものではない。さらに、例示的実施形態は、幾つかの場合において、説明を明瞭にするために、特定のソフトウェア、ツール、及びデータ処理環境を単なる例として使用して説明される。例示的実施形態は、他の同等な又は同様の目的の構造、システム、アプリケーション、又はアーキテクチャと併せて使用され得る。例えば、他の同等なモバイル・デバイス、構造、システム、アプリケーション、又はアーキテクチャは、本発明の範囲内で、本発明のそうした実施形態と併せて使用することができる。例示的実施形態は、ハードウェア、ソフトウェア、又はそれらの組み合わせで実施することができる。

本開示内の例は、単に説明を明瞭にするために使用され、例示的実施形態に限定するものではない。付加的なデータ、動作、アクション、タスク、活動、及び操作は、本開示から想起されるものとし、これらは、例示的実施形態の範囲内で企図される。

本明細書に列挙される任意の利点は、単なる例に過ぎず、例示的実施形態に限定することを意図しない。付加的な利点又は異なる利点は、特定の例示的実施形態によって実現することができる。さらに、特定の例示的実施形態は、上に列挙される利点の一部、全てを有するか、又はいずれも有さない場合がある。

図を、特に図１及び図２を参照すると、これらの図は、例示的実施形態を実施することができるデータ処理環境の例示的な図である。図１及び図２は単なる例示に過ぎず、異なる実施形態を実施することができる環境に関していかなる制限も主張又は示唆することを意図しない。特定の実装は、以下の説明に基づいて、示される環境に対して多くの変更を行うことができる。

図１は、例示的実施形態を実施することができるデータ処理システムのネットワークのブロック図を示す。データ処理環境１００は、例示的実施形態を実施することができるコンピュータのネットワークである。データ処理環境１００は、ネットワーク１０２を含む。ネットワーク１０２は、データ処理環境１００内で一緒に接続された種々のデバイスとコンピュータの間の通信リンクを提供するために使用される媒体である。ネットワーク１０２は、有線、無線通信リンク、又は光ファイバ・ケーブルなどの接続を含むことができる。

クライアント又はサーバは、ネットワーク１０２に接続された特定のデータ処理システムの役割の単なる例示に過ぎず、これらのデータ処理システムの他の構成又は役割を排除することを意図したものではない。データ処理システム１０４は、ネットワーク１０２に結合される。ソフトウェア・アプリケーションは、データ処理環境１００内の任意のコンピュータ上で実行することができる。図１の処理システム１０４内で実行されるものとして説明されるあらゆるソフトウェア・アプリケーションは、別のデータ処理システム内で実行するように同様に構成することができる。図１のデータ処理システム１０４内に格納又は生成されたあらゆるデータ又は情報は、別のデータ処理システム内で実行するように同様に構成することができる。データ処理システム１０４などのデータ処理システム１０４は、そこでコンピューティング・プロセスを実行するソフトウェア・アプリケーション又はソフトウェア・ツールを有することができる。実施形態において、データ処理システム１０４は、１つ又は複数の実施形態による、本明細書で説明されるデータ・プロセッサ機能の１つ又は複数を実装するように構成することができる

サーバ１０６は、ストレージ・ユニット１０８と共にネットワーク１０２に結合される。ストレージ・ユニット１０８は、例えば画像データ及び属性データなど、種々の実施形態に対して本明細書で説明されるようなデータを格納するように厚生されたデータベース１０９を含む。実施形態において、サーバ１０６は、１つ又は複数の実施形態による、本明細書で設営されるプロセッサ機能の１つ又は複数を実装するように構成することができるニューラル・ネットワーク・アプリケーション１０５Ｂを含む。

クライアント１１０、１１２及び１１４もネットワーク１０２に結合される。サーバ１０６、又はクライアント１１０、１１２もしくは１１４などの従来のデータ処理システムは、データを含むことができ、そこで従来のコンピューティング・プロセスを実行するソフトウェア・アプリケーション又はソフトウェア・ツールを有することができる。

単なる例として、そうしたアーキテクチャへのいかなる限定も意味することなく、図１は、実施形態の例示的実装で使用可能な特定のコンポーネントを示す。例えば、サーバ１０４、１０６、及びクライアント１１０、１１２、１１４は、単に例としてサーバ及びクライアントとして示され、クライアント・サーバ・アーキテクチャへの限定を意味しない。別の例として、実施形態は、図示のように、幾つかのデータ処理システム及びデータ・ネットワークにわたって分散され得るが、別の実施形態は、例示的実施形態の範囲内で単一のデータ処理システム上で実施され得る。従来のデータ処理システム１０６、１１０、１１２及び１１４はまた、クラスタ、区画、及び実施形態を実施するのに適した他の構成内にある例示的ノードも表す。

デバイス１３２は、本明細書で説明される従来のコンピューティング・デバイスの一例である。例えば、デバイス１３２は、スマートフォン、タブレット・コンピュータ、ラップトップ・コンピュータ、据え置き型又は携帯型のクライアント１１０、ウェアラブル・コンピューティング・デバイス、又は他の任意の適切なデバイスの形態をとることができる。実施形態において、デバイス１３２は、ニューラル・ネットワークの、本明細書で説明されるプロセスを開始するといった、ニューラル・ネットワーク・アプリケーション１０Ｂによる１つ又は複数のデータ処理タスクを実行する要求をサーバ１０６に送る。図１の別の従来のデータ処理システムにおいて実行されるものとして説明されるあらゆるソフトウェア・アプリケーションを、デバイス１３２において同様に実行されるように構成することができる。図１の別の従来のデータ処理システムにおいて格納又は生成されるあらゆるデータ又は情報を、デバイス１３２において同様に格納又は生成されるように構成することができる。

サーバ１０６、ストレージ・ユニット１０８、データ処理システム１０４、及びクライアント１１０、１１２及び１１４、並びにデバイス１３２は、有線接続、無線通信プロトコル、又は他の適切なデータ接続を使用してネットワーク１０２に結合することができる。クライアント１１０、１１２及び１１４は、例えば、パーソナル・コンピュータ又はネットワーク・コンピュータとすることができる。

示される例において、サーバ１０６は、ブートファイル、オペレーティング・システム画像、及びアプリケーションなどのデータを、クライアント１１０、１１２及び１１４に提供することができる。クライアント１１０、１１２及び１１４は、この例では、サーバ１０４に対するクライアントであり得る。クライアント１１０、１１２、１１４又はそれらの幾つかの組み合わせは、それ自体のデータ、ブートファイル、オペレーティング・システム画像、及びアプリケーションを含むことができる。データ処理環境１００は、付加的なサーバ、クライアント、及び図示されていない他のデバイスを含むことができる。

示される例において、メモリ１２４は、ブートファイル、オペレーティング・システム画像、及びアプリケーションなどのデータをプロセッサ１２２に提供することができる。プロセッサ１２２は、それ自体のデータ、ブートファイル、オペレーティング・システム画像、及びアプリケーションを含むことができる。データ処理環境１００は、付加的なサーバ、クライアント、及び図示されていない他のデバイスを含むことができる。

実施形態において、データ処理システム１０４のニューラル・ネットワーク・アプリケーション１０５Ａ及びサーバ１０６のニューラル・ネットワーク・アプリケーション１０５Ｂの１つ又は複数は、本明細書で説明されるようなＤＮＮなどのニューラル・ネットワークの実施形態を実施する。特定の実施形態では、ニューラル・ネットワークは、単一のサーバ又は処理システム内のネットワーク・アプリケーション１０５Ａ及びネットワーク・アプリケーション１０５Ｂの１つを用いて実施される。別の特定の実施形態では、ニューラル・ネットワークは、単一のサーバ又は処理システム内のネットワーク・アプリケーション１０５Ａ及びネットワーク・アプリケーション１０５Ｂの両方を用いて実施される。サーバ１０６は、複数のノードを含む複数のＧＰＵ１０７を含み、そこで、各ノードは本明細書で説明されるような１つ又は複数のＧＰＵを含むことができる。

示される例において、データ処理環境１００は、インターネットとすることができる。ネットワーク１０２は、伝送制御プロトコル／インターネット・プロトコル（ＴＣＰ／ＩＰ）及び他のプロトコルを用いて互いに通信するネットワーク及びゲートウェイの集まりを表すことができる。インターネットの中心は、データ及びメッセージを送付する何千もの商用、政府、教育、及び他のコンピュータ・システムを含む、主要なノード又はホスト・コンピュータ間のデータ通信リンクのバックボーンである。当然ながら、データ処理環境１００は、例えば、イントラネット、ローカル・エリア・ネットワーク（ＬＡＮ）、又は広域ネットワーク（ＷＡＮ）等といった多数の異なるタイプのネットワークとして実装することもできる。図１は、一例であることが意図され、異なる例示的実施形態に対するアーキテクチャ上の限定であることは意図されない。

他の使用の中でも、データ処理環境１００は、例示的実施形態を実施することができるクライアント－サーバ環境を実施するために用いることができる。クライアント－サーバ環境は、ソフトウェア・アプリケーション及びデータがネットワークにわたって分散されるのを可能にするので、アプリケーションは、クライアント・データ処理システムとサーバ・データ処理システムとの間の対話性を用いて機能する。データ処理環境１００は、サービス指向型アーキテクチャを用いることもでき、そこで、ネットワークにわたって分散された相互運用可能なソフトウェア・コンポーネントは、一貫したビジネス・アプリケーションとして互いにパッケージ化することができる。データ処理環境１００は、クラウドの形をとることもでき、最小の管理労力又はサービス・プロバイダとの最小限の対話しか伴わずに迅速にプロビジョニング及びリリースされ得る、構成可能なコンピューティング・リソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン及びサービス）の共有プールに対する便利な、オンデマンドのネットワーク・アクセスを可能にするためのサービス・デリバリのクラウド・コンピューティング・モデルを利用する。

図２を参照すると、この図は、例示的実施形態を実施することができるデータ処理システムのブロック図を示す。データ処理システム２００は、図１のサーバ１０４及び１０６、又はクライアント１１０、１１２及び１１４などのコンピュータ、又は別のタイプのデバイスの例であり、その中に、例示的実施形態のためのプロセスを実施するコンピュータ使用可能プログラム・コード又は命令が配置され得る。

データ処理システム２００は、図１のデバイス１３２のような、データ処理システム又は内部の構成も表し、その中に、例示的実施形態のプロセスを実施するコンピュータ使用可能プログラム・コード又は命令が配置され得る。データ処理システム２００は、単なる例としてコンピュータとして説明されるが、それに限定されるものではない。図１のデバイス１３２などの他のデバイスの形の実装は、タッチ・インターフェースを付加することなどにより、データ処理システム２００を修正することができ、本明細書で説明されるデータ処理システム２００の動作及び機能の一般的な説明から逸脱することなく、データ処理システム２００から特定の示されるコンポーネントを排除することさえ可能である。

示される例において、データ処理システム２００は、ノース・ブリッジ及びメモリ・コントローラ・ハブ（ＮＢ／ＭＣＨ）２０２と、サウス・ブリッジ及び入力／出力（Ｉ／Ｏ）コントローラ・ハブ（ＳＢ／ＩＣＨ）２０４とを含む、ハブ・アーキテクチャを利用する。処理ユニット２０６、メイン・メモリ２０８、及びグラフィックス・プロセッサ２１０は、ノース・ブリッジ及びメモリ・コントローラ・ハブ（ＮＢ／ＭＣＨ）２０２に結合される。処理ユニット２０６は、１つ又は複数のプロセッサを含むことができ、１つ又は複数の異種のプロセッサ・システムを用いて実装され得る。処理ユニット２０６は、マルチコア・プロセッサとすることができる。特定の実装において、グラフィックス・プロセッサ２１０は、アクセラレーテッド・グラフィックス・ポート（ＡＧＰ）を通して、ＮＢ／ＭＣＨ２０２に結合され得る。

示される例において、ローカル・エリア・ネットワーク（ＬＡＮ）アダプタ２１２は、サウス・ブリッジ及びＩ／Ｏコントローラ・ハブ（ＳＢ／ＩＣＨ）２０４に結合される。音声アダプタ２１６、キーボード及びマウス・アダプタ２２０、モデム２２２、読み出し専用メモリ（ＲＯＭ）２２４、ユニバーサル・シリアル・バス（ＵＳＢ）及び他のポート２３２、並びにＰＣＩ／ＰＣＩｅデバイス２３４は、バス２３８を通して、サウス・ブリッジ及びＩ／Ｏコントローラ・ハブ２０４に結合される。ハードディスク・ドライブ（ＨＤＤ）又はソリッド・ステート・ドライブ（ＳＳＤ）２２６及びＣＤ－ＲＯＭ２３０は、バス２４０を通して、サウス・ブリッジ及びＩ／Ｏコントローラ・ハブ２０４に結合される。ＰＣＩ／ＰＣＩｅデバイス２３４は、例えば、Ｅｔｈｅｒｎｅｔアダプタ、アドイン・カード、及びノートブック・コンピュータ用のＰＣカードを含むことができる。ＰＣＩは、カード・バス・コントローラを使用するが、ＰＣＩｅは使用しない。ＲＯＭ２２４は、例えば、フラッシュ・バイナリ入力／出力システム（ＢＩＯＳ）とすることができる。ハードディスク・ドライブ２２６及びＣＤ－ＲＯＭ２３０は、例えば、統合ドライブ・エレクトロニクス（ＩＤＥ）、シリアル・アドバンスト・テクノロジ・アタッチメント（ＳＡＴＡ）インターフェース、又はエクスターナルＳＡＴＡ（ｅＳＡＴＡ）及びマイクロＳＡＴＡ（ｍＳＡＴＡ）などの変形を使用することができる。スーパーＩ／Ｏ（ＳＩＯ）デバイス２３６は、バス２３８を通して、サウス・ブリッジ及びＩ／Ｏコントローラ・ハブ（ＳＢ／ＩＣＨ）２０４に結合され得る。

メイン・メモリ２０８、ＲＯＭ２２４、又はフラッシュ・メモリ（図示せず）などのメモリは、コンピュータ使用可能ストレージ・デバイスの幾つかの例である。ハードディスク・ドライブ又はソリッド・ステート・ドライブ２２６、ＣＤ－ＲＯＭ２３０及び他の同様の使用可能なデバイスは、コンピュータ使用可能ストレージ媒体を含むコンピュータ使用可能ストレージ・デバイスの幾つかの例である。

オペレーティング・システムは、処理ユニット２０６上で動作する。オペレーティング・システムは、図２のデータ処理システム２００内の種々のコンポーネントを連携させ、それらの制御を提供する。オペレーティング・システムは、これらに限定されるものではないが、サーバ・システム、パーソナル・コンピュータ及びモバイル・デバイスを含む、任意のタイプのコンピューティング・プラットフォーム用の市販のオペレーティング・システムとすることができる。オブジェクト指向又は他のタイプのプログラミング・システムは、オペレーティング・システムと共に動作し、データ処理システム２００上で実行されるプログラム又はアプリケーションから、オペレーティング・システムへの呼び出しを提供することができる。

オペレーティング・システム、オブジェクト指向プログラミング・システム、及び図１のサーバ・アプリケーション１０５などのアプリケーション又はプログラムのための命令は、例えばハードディスク・ドライブ２２６上のコード２２６Ａの形でストレージ・デバイス上に配置され、例えば処理ユニット２０６によって実行するために、メイン・メモリ２０８などの１つ又は複数のメモリの少なくとも１つにロードされ得る。例示的実施形態のプロセスは、例えば、メイン・メモリ２０８、読み出し専用メモリ２２４などのメモリ内に、又は１つ又は複数の周辺機器内に配置され得る、コンピュータ実施命令を用いて、処理ユニット２０６により実行され得る。

さらに、１つの事例では、コード２２６Ａは、ネットワーク２０１Ａ上でリモート・システム２０１Ｂからダウンロードすることができ、そこで、同様のコード２０１Ｃがストレージ・デバイス２０１Ｄ上に格納される。別の事例では、コード２２６Ａは、ネットワーク２０１Ａ上でリモート・システム２０１Ｂにダウンロードすることができ、そこで、ダウンロードされたコード２０１Ｃがストレージ・デバイス２０１Ｄ上に格納される。

図１～図２のハードウェアは、実装に応じて変化し得る。フラッシュ・メモリ、同等の不揮発性メモリ、又は光学ディスク・ドライブ等といった、他の内部ハードウェア又は周辺機器が、図１～図２に示されるハードウェアに加えて又はそれらの代わりに使用され得る。さらに、例示的実施形態のプロセスを、マルチプロセッサ・データ処理システムに適用することができる。

幾つかの例示的な例において、データ処理システム２００は、通常、オペレーティング・システム・ファイルもしくはユーザ生成データ又はその両方を格納するための不揮発性メモリを提供するフラッシュ・メモリを有するように構成される、携帯情報端末（ＰＤＡ）とすることができる。バス・システムは、システム・バス、Ｉ／Ｏバス、及びＰＣＩバスなどの１つ又は複数のバスを含むことができる。もちろん、バス・システムは、ファブリック又はアーキテクチャに取り付けられた異なるコンポーネント又はデバイス間のデータの転送を提供する任意のタイプの通信ファブリック又はアーキテクチャを用いて実施することができる。

通信ユニットは、モデム又はネットワーク・アダプタなどのデータを送受信するために使用される１つ又は複数のデバイスを含むことができる。メモリは、例えば、メイン・メモリ２０８、又はノース・ブリッジ及びメモリ・コントローラ・ハブ２０２内に見出されるキャッシュなどのキャッシュとすることができる。処理ユニットは、１つ又は複数のプロセッサ又はＣＰＵを含むことができる。

図１～図２の示される例及び上述の例は、アーキテクチャ上の制限を意味することを意図するものではない。例えば、データ処理システム２００は、モバイル又はウェアラブル・デバイスの形をとることに加えて、タブレット・コンピュータ、ラップトップ・コンピュータ、又は電話デバイスとすることもできる。

コンピュータ又はデータ処理システムが、仮想マシン、仮想デバイス、又は仮想コンポーネントとして説明される場合、仮想マシン、仮想デバイス、又は仮想コンポーネントは、データ処理システム２００内に示される一部又は全てのコンポーネントの仮想化された発現（manifestation）を用いてデータ処理システム２００の方法で動作する。例えば、仮想マシン、仮想デバイス、又は仮想コンポーネントにおいて、処理ユニット２０６は、ホスト・データ処理システムにおいて利用可能なハードウェア処理ユニット２０６の全て又は一部の数の仮想化インスタンスとして発現され、メイン・メモリ２０８は、ホスト・データ処理システムにおいて利用可能であり得るメイン・メモリ２０８の全ての部分又は一部分の仮想化インスタンスとして発現され、ディスク２２６は、ホスト・データ処理システムにおいて利用可能であり得るディスク２２６の全ての部分又は一部分の仮想化インスタンスとして発現される。ホスト・データ処理システムは、そのような場合、データ処理システム２００により表される。

図３を参照すると、この図は、一実施形態による、予測のための例示的な構成３００のブロック図を示す。この例示的な実施形態は、認識予測システム３０２を含む。特定の一実施形態において、認識予測システム３０２は、図１のアプリケーション１０５Ａ／１０５Ｂの一例である。

幾つかの実施形態において、認識予測システム３０２は、診断系列生成器３０４、特徴ベクトル生成器３０６、及び認識予測器３０８を含む。代替的実施形態においては、認識予測システム３０２は、本明細書で説明されているが１つ又は複数のモジュールにグループ分けされる機能の幾つか又は全てを含むことができる。幾つかの実施形態において、本明細書で説明される機能は、ソフトウェア若しくはハードウェア又はそれら両方の組み合わせをベースとするシステム、例えば、特定用途向け集積回路（ＡＳＩＣ）、コンピュータ・プログラム、或いはスマートフォン・アプリケーションを含むことができる複数のシステムの間に分散される。

幾つかの実施形態において、認識予測システム３０２は、多次元属性空間を表す入力データを含む予測変数３１０を受け取る。入力データは、それぞれの次元に対応する予測変数のｎ個のベクトル又はバンドに編成される。一実施形態において、入力データは、各々がそれぞれの予測変数に対応する複数の一変量バンドに編成される。幾つかの実施形態において、入力データは、物理的属性を電気信号に変換するセンサなどのセンサに由来する。幾つかの実施形態において、入力データは、コンピュータ・メモリ内に格納されたコンピュータ生成ログ、例えば、サーバ・ログ、オペレーティング・システム・ログ、及びアプリケーション・ログに由来する。幾つかの実施形態において、入力データは、センサ、ログ、及び任意の他の所望のデータ・ソースの組み合わせに由来する。

幾つかの実施形態において、診断系列生成器３０４は予測変数３１０を受け取り、予測変数についての時系列予測を生成する。一実施形態において、特徴ベクトル生成器３０６は、予測変数３０８についての時系列予測、及び、１つ又は複数の付加的な予測変数の各々についての時系列予測を受け取り、もしあれば、変数の各対の間の相関値を計算する。特徴ベクトル生成器３０６は、予測診断変数の値を調節し、調節された値を、それぞれのバンドの各々についての新しい時系列アレイとして出力する。一実施形態において、認識予測器３０８は、相関調節されたアレイをニューラル・ネットワークへの入力として受け取り、初期の入力時系列予測とは異なって、ここでは種々の入力バンドの間の相関を考慮した、更新された時系列最終予測３１２を出力する。

図４Ａを参照すると、この図は、一実施形態による例示的な構成４００のブロック図を示す。例示的な実施形態は、診断系列生成器４０２を含む。特定の一実施形態において、診断系列生成器４０２は、図４の予測変数３１０に対応する予測変数４１２を受け取る。認識予測システム３０２は、図１のアプリケーション１０５Ａ／１０５Ｂの一例である。

診断系列生成器４０２の一実施形態は、複数の予測変数４１２に関する入力データを受け取る。診断系列生成器４０２は、それぞれの予測変数を受け取るように並列に配置された複数の予測生成器４０４Ａ～４０４Ｅを含む。診断系列生成器４０２はまた、それぞれの予測生成器４０４Ａ～４０４Ｅから予測を受け取るように並列に配置された複数の診断レポート生成器４０６Ａ～４０６Ｅを含む。診断系列生成器４０２はさらに、各々がそれぞれの診断レポート生成器４０６Ａ～４０６Ｅから診断情報を受け取るように接続された、並列に配列された複数の認識診断評価器４０８Ａ～４０８Ｅを含む。

一実施形態において、各々の予測生成器４０４は、変数毎にｔ／ｓ個の予測を生成し、ここでｔは予測期間、ｓはステップ・サイズであり、いずれも共通時間次元（例えば、分、時間、日など）に設定される。各々の診断レポート生成器４０６は、変数毎の全部で（ｐｔ）／ｓ個のプロットについて、予測毎にｐ個の診断プロットを生成する。各々の認識診断評価器４０８は、変数毎の全部でｔ／ｓ個の診断値について、予測毎に１つ（即ち、ｐ個のプロット毎に１つ）の予測値４１４を生成する。各々の変数についての診断値４１４は、それぞれの予測診断アレイに格納される。

一実施形態において、予測生成器４０４Ａ～４０４Ｅは、自己回帰モデルの時間遅延の数（又は「オーダー」）、及び、データの、過去の値が差し引かれた回数（又は「差異の程度」）などのパラメータを用いる自己回帰統合移動平均（ＡＲＩＭＡ）モデルを用いて、予測変数についての将来値を予測する。別の例として、一実施形態において、予測生成器４０４Ａ～４０４Ｅは、予測変数の時系列データにおける強い季節性傾向を検出し、季節性ＡＲＩＭＡ（ＳＡＲＩＭＡＸ）モデルを適用し、このモデルは、入力データ傾向の季節性の因子に対するＡＲＩＭＡモデルの季節性部分の自己回帰項及び移動平均項を用いて、予測変数についての予測を得るものである。

認識診断評価器４０８Ａ～４０８Ｅの一実施形態は、診断レポート生成器４０６Ａ～４０６Ｅによって生成された１つ又は複数のプロットを分類するために、画像分類モデル４１５Ａ～４１５Ｅを構成する。プロットはリアルタイムで見ることもできるし、キャプチャして後の時間で見ることもできる。一実施形態において、画像分類モデル４１５Ａ～４１５Ｅは、ニューラル・ネットワークをベースとするモデル、例えば、畳み込みニューラル・ネットワーク（ＣＮＮ）である。構成プロセスの際に、一実施形態は、種々のプロットのラベル付けされた画像を用いて、ニューラル・ネットワークをベースとするモデル４１５Ａ～４１５Ｅを訓練し、訓練に従ってプロットを分類する。例えば、画像分類モデル４１５は、プロット内のエラー・レベルに従ってプロットを分類するように意図されている。ＣＮＮ４１５によって行われるエラー・レベル検出の粒度は、ＣＮＮ４１５が識別するように訓練されるクラスの数に依存することになる。例えば、画像分類モデルは、プロットを含む画像を、予測の精度に従って、例えば０％の精度から１００％の精度まで分類するように、意図されている。

一実施形態において、予測生成器４０４Ａ～４０４Ｅは予測を生成し、診断レポート生成器４０６Ａ～４０６Ｅは、各々、予測毎に複数の診断プロットを作成する。１つのそのような実施形態において、認識診断評価器４０８Ａ～４０８Ｅは、１つ又は複数のＣＮＮを用いて、予測毎の診断プロットの各々を分類する。認識診断評価器４０８Ａ～４０８Ｅは、各々、予測毎の複数の診断プロットの分類の結果を平均することによって、予測毎に単一の値を出力する。例えば、一実施形態は、全てが単一の予測に関連する、正規化残差線プロット、残差ヒストグラム及び推定密度プロット、残差分位数（Ｑ－Ｑ）プロット、並びに残差自己相関プロットを生成する。認識診断評価器の一実施形態は、全部で４つのプロットを個々に分類し、各々に、各々のプロットの精度に応じて０から１００までの値を割り当てる。次に、４つの診断プロットについての精度値を平均して、予測の精度を示す単一の数値が得られる。

図４Ｂを参照すると、この図は、一実施形態による例示的な診断プロット４１６、４１８、４２０、及び４２２の図を示す。幾つかの実施形態において、診断レポート生成器４０６Ａ～４０６Ｅの各々は、正規化残差線プロット４１６、残差ヒストグラム及び推定密度プロット４１８、残差分位数（Ｑ－Ｑ）プロット４２２、及び残差自己相関プロット４２２を含む図４Ｂに示される１つ又は複数の例示的なプロットを含むことができる１つ又は複数のプロットを出力する。

残差線プロット４１６は、中央のゼロ軸に対する残差予測エラーの可視表示を与える線プロットである。エラー値及び線プロット４１６はランダムに見えるべきであり、さもなければ、あるパターンの存在は、予測モデルを調節するか又は別のアリゴリズムで置き換える必要があることを示す。例えば、一実施形態において、診断系列生成器４０２は、ＡＲＩＭＡモデルを用いて予測を計算し、残差線プロット４１６を生成する。次いで、認識診断評価器は、残差線プロット４１６を分析し、認識診断評価器が入力データ又はプロット４１６の中に季節性又は周期的なパターンを検出した場合には、診断系列生成器４０２は、異なるモデルを使用する機会をユーザに与えることをユーザに通知するか、自動化された実施形態においては、診断系列生成器４０２は、季節性パターンを含むデータにより適したＳＡＲＩＭＡＸモデルのような異なるモデルを用いて予測を再計算するように、予測生成器に指示する。

残差ヒストグラム及び推定密度プロット４１８（又は「ヒストグラ及び密度プロット」）は、予測中の残差エラーの分布における異常性の可視表示を与える。通常、ヒストグラ及び密度プロット４１８は、ある程度ガウス型の外見を有する。非ガウス分布又は大きな歪みの存在は、予測モデルを調節するか又は置き換える必要があることを示す。

残差Ｑ－Ｑプロット４２０は、２つの分布間の比較の可視表示を与え、分布の間の類似性又は差異の程度を示す。例えば、一実施形態において、予測値はガウス分布と比較され、差異は散布図４２０としてプロットされる。この例における散布図４２０は、水平及び垂直軸上の増加する値と一致する方向に原点から伸びる対角線に、密接に沿っているべきである。さもなければ、著しい逸脱の存在は、時には、自己回帰パラメータが理想的ではなく、改善の余地があることを示すことになる。プロット４２０は、典型的には、予想から外れた値を識別するために有用となる。

残差自己相関プロット４２２は、ある観測と以前の時間ステップにおける観測との間の比較の可視表示を与える。このプロット４２２について期待されるのは、２つの分布の間に自己相関がないことを見出すことである。プロット４２２は、重要度の閾値に対する自己相関スコアを示す。著しい逸脱の存在は、時には、自己回帰パラメータが理想的ではなく、改善の余地があることを示すことになる。

図５を参照すると、この図は、一実施形態による、予測特徴を生成するための例示的な構成５００のブロック図を示す。この例示的な実施形態は、診断値５１２を受け取る特徴ベクトル生成器５０２を含む。特定の実施形態において、特徴ベクトル生成器５０２は、図３の特徴ベクトル生成器３０６の一例であり、診断値５１２は、図４の診断値４１４の一例である。

一実施形態において、特徴ベクトル生成器５０２は、診断変数５０６Ａ～５０６Ｅの各々が他のすべてのノードに完全に接続されたノードになるホップフィールド・ネットワーク５０４を含む。各々のノードは、診断値５０６Ａ～５０６Ｅに対応する単一の予測変数を表す。一実施形態において、診断値５０６Ａ～５０６Ｅは、接続ノードの活性化関数に対して診断値が有する寄与度を求めるために、ホップフィールド・ネットワークに供給される。寄与度は、ノードを接続するエッジに重みを与える。特定のノードから、各々の診断変数にリンクするエッジが順序付けられる。予測変数の間の関係の順序は、最終的な予測に含めるときに予測器の予測をどれほど下方までたどるべきであるかを決定するために、用いることができる。

一実施形態において、ノード値が既知であるので、ホップフィールド・ネットワーク５０４は、ノード間の接続の各々の重みを学習するまで、ノートを調査することになる。従って、幾つかの実施形態において、ホップフィールド・ネットワーク５０４の重みが学習される。幾つかの実施形態において、ホップフィールド・ネットワーク５０４は、予測変数４１２（図４Ａに示される）の数に等しい、完全に接続された数を含む。幾つかの実施形態において、ひとたびホップフィールド・ネットワーク５０４がすべての重みを学習すると、特徴ベクトル生成器５０２が、各々のノードの接続エッジに従ってノードをランク付けすることになる。特徴ベクトル生成器５０２は、各々のノードに対するエッジをランク付けし、次に、エッジの重みに従ってノードをランク付けすることになる。次に、特徴ベクトル生成器５０２は、各々が重みに従って修正される３つの特徴ベクトル、即ち、最高の重みが付けられたエッジを用いる長期特徴ベクトル、最低の重みが付けられたエッジを用いる短期特徴ベクトル、及び、中間エッジ値の平均を用いる中期特徴ベクトルを形成することになる。３つの特徴ベクトルの各々のベクトルは、一緒に結合され、３つの結合された特徴ベクトルが認識予測器６０２へ出力される。

図６を参照すると、この図は、一実施形態による予測環境６００のブロック図を示す。例示的な実施形態は、特徴ベクトル６１２を受け取る認識予測器６０２を含む。特定の一実施形態において、認識予測器６０２は、図３の認識予測器３０８の一例であり、特徴ベクトル６１２は図５の特徴ベクトル５１４の一例である。

一実施形態において、認識予測器６０２は、特徴ベクトル６１２の例である３つの特徴ベクトル６０６、６０８、及び６１０を受け取る。認識予測器６０２は、３つの特徴ベクトル６０６、６０８、及び６１０を、ニューラル・ネットワーク６０４への入力として用いる。一実施形態において、ニューラル・ネットワーク６０４は、長短期メモリ（ＬＳＴＭ）ニューラル・ネットワーク６０４である。一実施形態において、ＬＳＴＭ６０４は、ホップフィールド・ネットワーク５０４によって計算された相関に基づいて修正された予測を生成するために、半分がテスト・データであり半分がＬＳＴＭ６０４を訓練するための訓練データであるように分割された履歴データを用いて訓練される。一実施形態において、認識予測器６０２は、中期特徴ベクトル６０６をＬＳＴＭへの入力として用い、長期特徴ベクトル６０８及び短期特徴ベクトル６２０を、ＬＳＴＭ６０４への短期及び長期メモリ入力に対する入力として用いる。このようにして、ＬＳＴＭネットワーク６０４は、入力予測を束縛する異なる対象期間のメモリを保持することになる。

図７を参照すると、この図は、一実施形態による、予測器の予測を作成するための例示的なプロセス７００のフローチャートを示す。特定の実施形態において、認識予測システム３０２がプロセス７００を実行する。

一実施形態において、ブロック７０２において、プロセスは、予測変数のセットを受け取る。次に、ブロック７０４において、プロセスは、予測変数のセットにおける各々の予測変数についての診断レポートを生成する。幾つかの実施形態において、診断レポートを生成することは、変数毎にｔ／ｓ個の予測を生成することを含み、ここで、ｔは予測期間、ｓはステップ・サイズであり、いずれも共通の時間次元（例えば、分、時間、日など）に設定され、次に、変数毎の全部で（ｐｔ）／ｓ個のプロットについて、予測毎にｐ個の診断プロットを含む診断レポートを生成することを含む。各々の認識診断評価器は、変数毎の全部でｔ／ｓ個の診断値について、予測毎に１つの（即ち、ｐ個のプロット毎に１つの）診断値を生成する。次に、ブロック７０６において、プロセスは、各々の診断レポートの認識評価を行い、各々の予測変数についての診断変数を生成する。

次に、ブロック７０８において、プロセスは、予測変数の間の相関の認識評価に基づいて、特徴ベクトルを生成する。幾つかの実施形態において、特徴ベクトルの処理は、ホップフィールド・ネットワークを用いて特徴ベクトルを処理することを含む。次に、ブロック７１０において、プロセスは、特徴ベクトルの認識評価に基づいて、最終予測を生成する。幾つかの実施形態において、最終予測の生成は、ＬＳＴＭを用いて最終予測を生成することを含む。

以下の定義及び略語は、特許請求の範囲及び明細書を解釈するために用いるものである。本明細書で用いる場合、「備える」、「備えている」、「含む）」、「含んでいる」、「有する」、「有している」、「含有する」又は「含有している」又はその任意の他の変形は、非排他的な包含をカバーすることが意図される。例えば、要素のリストを含む、組成物、混合物、プロセス、方法、物品、又は装置は、必ずしもそれらの要素に限定されるものではなく、明示的に列挙されていない他の要素、又はそうした組成物、混合物、プロセス、方法、物品、又は装置に固有の他の要素を含むことができる。

さらに、「例示的（illustrative）」という用語は、本明細書において「例、事例、例証として機能する」ことを意味するように用いられる。「例示的」であるとして本明細書に記載されるいずれの実施形態又は設計も、他の実施形態又は設計と比較して、必ずしも、好適である又は有利であると解釈されるべきではない。「少なくとも１つ」及び「１つ又は複数」という用語は、１より大きい又１に等しい任意の整数、すなわち、１、２、３、４等を含むと理解される。「複数の」という用語は、２より大きい又は２に等しい任意の整数、すなわち、２、３、４、５等を含むと理解される。「接続」という用語は、間接的「接続」及び直接的「接続」の両方を含むことができる。

「一実施形態」、「１つの実施形態」、「例示的な実施形態」などへの本明細書における言及は、説明されている実施形態が特定の機能、構造、又は特徴を含むことができるが、全ての実施形態が特定の機能、構造、又は特徴を含むことも又は含まないこともあることを示す。さらに、そのような句は、必ずしも同じ実施形態を指しているわけではない。さらに、特定の機能、構造、又は特徴が１つの実施形態に関連して説明される場合、明示的に説明されていてもいなくても、他の実施形態に関連してそのような機能、構造、又は特徴に影響を与えることは当業者の知識の範囲内であると考えられる。

「約」、「実質的に」、「およそ」という用語及びそれらの変形は、出願時に利用可能な機器に基づいて、特定の量の測定と関連した誤差の程度を含むように意図される。例えば、「約」は、所与の値の±８％又は５％、又は２％の範囲を含むことができる。

本発明の種々の実施形態の説明は、例示の目的のために提示し、開示した実施形態に排他的であること又は限定することを意図するものではない。当業者には、説明した実施形態の範囲及び趣旨から逸脱することなく、多くの修正及び変更が明らかであろう。本明細書において使用した用語は、本実施形態の原理、実際上の用途、又は市場において見出される技術を越えた技術的改善を最良に説明するため、又は当業者が本明細書に開示された実施形態を理解することを可能にするために選択されたものである。

本発明の種々の実施形態の説明は、例示の目的のために提示し、開示した実施形態に排他的であること又は限定することを意図するものではない。当業者には、説明した実施形態の範囲及び趣旨から逸脱することなく、多くの修正及び変更が明らかであろう。本明細書において使用した用語は、本実施形態の原理、実際上の用途、又は市場において見出される技術を越えた技術的改善を最良に説明するため、又は当業者が本明細書に開示された実施形態を理解することを可能にするために選択されたものである。

このように、オンライン・コミュニティ及び他の関連した特徴、機能又は動作における参加を管理するための例示的な実施形態では、コンピュータ実施方法、システム又装置、及びコンピュータ・プログラム製品が提供される。１つの実施形態又はその一部がデバイスのタイプに関して説明される場合、コンピュータ実施方法、システム又は装置、コンピュータ・プログラム製品、又はその一部は、そのデバイスのタイプの適切な匹敵する表現と共に使用されるように適合又は構成される。

１つの実施形態がアプリケーションにおいて実施されると説明され場合には、例示的な実施形態の範囲内で、ソフトウェア・アズ・ア・サービス（Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）モデルにおけるアプリケーションの配信が企図される。ＳａａＳモデルでは、クラウド・インフラストラクチャ内でアプリケーションを実行することによって、１つの実施形態を実施するアプリケーションの能力がユーザに提供される。ユーザは、様々なクライアント・デバイスを使用して、ウェブ・ブラウザなどのシン・クライアント・インタフェース（例えばウェブ・ベースの電子メール）又は他の軽量クライアント・アプリケーションを介して、そのアプリケーションにアクセスすることができる。ユーザは、クラウド・インフラストラクチャのネットワーク、サーバ、オペレーティング・システム又はストレージを含む、基礎を成すクラウド・インフラストラクチャを管理又は制御しない。幾つかの場合では、ユーザが、ＳａａＳアプリケーションの能力の管理又は制御さえもしないことがある。他の幾つかの場合では、アプリケーションのＳａａＳ実施態様は、限定されたユーザ固有のアプリケーション構成設定の可能な例外を可能にすることができる。

本発明は、システム、方法もしくはコンピュータ・プログラム製品又はそれらの組み合わせを、いずれかの可能な技術的詳細レベルで統合したものとすることができる。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令をその上に有する１つ又は複数のコンピュータ可読ストレージ媒体を含むことができる。

コンピュータ可読ストレージ媒体は、命令実行デバイスにより使用される命令を保持及び格納できる有形デバイスとすることができる。コンピュータ可読ストレージ媒体は、例えば、これらに限定されるものではないが、電子ストレージ・デバイス、磁気ストレージ・デバイス、光学ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、又は上記のいずれかの適切な組み合わせとすることができる。コンピュータ可読ストレージ媒体のより具体的な例の非網羅的なリストとして、以下のもの、すなわち、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリ・スティック、フロッピー・ディスク、パンチカードもしくは命令がそこに記録された溝内の隆起構造のような機械的にエンコードされたデバイス、及び上記のいずれかの適切な組み合わせが挙げられる。本明細書で使用される場合、コンピュータ可読ストレージ媒体は、電波、又は他の自由に伝搬する電磁波、導波管もしくは他の伝送媒体を通じて伝搬する電磁波（例えば、光ファイバケーブルを通る光パルス）、又はワイヤを通って送られる電気信号などの、一時的信号自体として解釈されない。

本明細書に説明されるコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれのコンピューティング／処理デバイスに、又は、例えばインターネット、ローカル・エリア・ネットワーク、広域ネットワーク、もしくは無線ネットワーク又はその組み合わせなどのネットワークを介して外部コンピュータ又は外部ストレージ・デバイスにダウンロードすることができる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジサーバ又はその組み合わせを含むことができる。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カード又はネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受け取り、それぞれのコンピューティング／処理デバイス内のコンピュータ可読ストレージ媒体内に格納するためにコンピュータ可読プログラム命令を転送する。

本発明の動作を行うためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための構成データ、又は、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語、及び、「Ｃ」プログラミング言語、又は類似のプログラミング言語などの通常の手続き型プログラミング言語を含む１つ又は複数のプログラミング言語の任意の組み合わせで記述されるソース・コード又はオブジェクト・コードとすることができる。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で実行される場合もあり、一部がユーザのコンピュータ上で、独立型ソフトウェア・パッケージとして実行される場合もあり、一部がユーザのコンピュータ上で実行され、一部が遠隔コンピュータ上で実行される場合もあり、又は完全に遠隔コンピュータもしくはサーバ上で実行される場合もある。最後のシナリオにおいて、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくは広域ネットワーク（ＷＡＮ）を含むいずれかのタイプのネットワークを通じてユーザのコンピュータに接続される場合もあり、又は外部コンピュータへの接続がなされる場合もある（例えば、インターネットサービスプロバイダを用いたインターネットを通じて）。幾つかの実施形態において、例えば、プログラム可能論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又はプログラム可能論理アレイ（ＰＬＡ）を含む電子回路は、コンピュータ可読プログラム命令の状態情報を用いて、電子回路を個別化することによりコンピュータ可読プログラム命令を実行し、本発明の態様を実施することができる。

本発明の態様は、本発明の実施形態による方法、装置（システム）及びコンピュータ・プログラム製品のフローチャート図もしくはブロック図又はその両方を参照して説明される。フローチャート図もしくはブロック図又はその両方の各ブロック、並びにフローチャート図もしくはブロック図又はその両方内のブロックの組み合わせは、コンピュータ可読プログラム命令によって実施できることが理解されるであろう。

これらのコンピュータ可読プログラム命令を、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能データ処理装置のプロセッサに与えてマシンを製造し、それにより、コンピュータ又は他のプログラム可能データ処理装置のプロセッサによって実行される命令が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロック内で指定された機能／動作を実装するための手段を作り出すようにすることができる。これらのコンピュータ可読プログラム命令を、コンピュータ、プログラム可能データ処理装置、もしくは他のデバイス又はそれらの組合せを特定の方式で機能させるように指示することができるコンピュータ可読ストレージ媒体内に格納し、それにより、その中に格納された命令を有するコンピュータ可読ストレージ媒体が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロックにおいて指定された機能／動作の態様を実装する命令を含む製品を含むようにすることもできる。

コンピュータ・プログラム命令を、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上にロードして、一連のオペレーション動作をコンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上で行わせてコンピュータ実施のプロセスを生成し、それにより、コンピュータ、他のプログラム可能装置、又は他のデバイス上で実行される命令が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロックにおいて指定された機能／動作を実施するようにすることもできる。

図面内のフローチャート及びブロック図は、本発明の種々の実施形態による、システム、方法、及びコンピュータ・プログラム製品の可能な実装の、アーキテクチャ、機能及び動作を示す。この点に関して、フローチャート又はブロック図内の各ブロックは、指定された論理機能を実施するための１つ又は複数の実行可能命令を含む、モジュール、セグメント、又は命令の一部を表すことができる。幾つかの代替的な実装において、ブロック内に示される機能は、図に示される順序とは異なる順序で生じることがある。例えば、連続して示される２つのブロックは、関与する機能に応じて、実際には実質的に同時に実行されることもあり、又はこれらのブロックはときとして逆順で実行されることもある。ブロック図もしくはフローチャート図又はその両方の各ブロック、及びブロック図もしくはフローチャート図又はその両方内のブロックの組み合わせは、指定された機能又は動作を実行する、又は専用のハードウェアとコンピュータ命令との組み合わせを実行する、専用ハードウェア・ベースのシステムによって実施できることにも留意されたい。

Claims (28)

1. コンピュータの情報処理により予測を生成する方法であって、
   プロセッサにより、第１の入力変数の履歴値についての入力データを受け取ることと、
   前記プロセッサにより、前記第１の入力変数の前記履歴値を用いて前記第１の入力変数の将来値についての予測データを作成することと、
   前記プロセッサにより、前記予測データの診断分析に基づいて診断データを生成することと、
   前記プロセッサにより、第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成することであって、前記第１の認識プロセスは前記診断データに基づいて前記第１の診断値を決定する、作成することと、
   前記プロセッサにより、前記第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、前記特徴ベクトルを生成することと、
   前記プロセッサにより、前記特徴ベクトルを認識予測プロセスへの入力として用いて、最終予測を生成することと、
   を含む方法。
2. 前記予測データを作成することは、前記第１の入力変数の前記履歴値に対して自己回帰モデルを用いることを含む、請求項１に記載の方法。
3. 前記予測データを作成することは、前記予測データが複数の予測についてのデータを含むように、それぞれの予測期間について複数の予測を行うことを含む、請求項１に記載の方法。
4. 前記診断データを生成することは、前記診断データがそれぞれの予測に関連付けられる診断結果についてのデータを含むように、前記複数の予測の各々に対して前記診断分析を行うことを含む、請求項３に記載の方法。
5. 前記診断データを生成することは、複数の診断プロットについての画像データを生成することを含み、前記複数の診断プロットは、前記診断結果の各々についての診断プロットを含む、請求項４に記載の方法。
6. 前記第１の認識プロセスは、前記診断プロットの少なくとも１つについての前記画像データを評価するために、畳み込みニューラル・ネットワーク（ＣＮＮ）を用いることを含む、請求項５に記載の方法。
7. 前記複数の診断プロットは、診断プロットの複数のグループを含み、診断プロットの各々のグループは、複数の異なる診断テストについてのプロットを含み、診断プロットの各々のグループは、それぞれの予測に関連付けられる、請求項５に記載の方法。
8. 前記複数の異なる診断テストについての前記プロットは、正規化残差線プロット、残差ヒストグラム及び推定密度プロット、残差分位数（Ｑ－Ｑ）プロット、並びに残差自己相関プロットを含む、請求項７に記載の方法。
9. 前記第１の認識プロセスは、前記複数の異なる診断テストのうちの第１のもののみについての画像データを評価するために第１のＣＮＮを用いること、及び、前記複数の異なる診断テストのうちの第２のもののみについての画像データを評価するために第２のＣＮＮを用いることを含む、請求項７に記載の方法。
10. 前記第２の認識プロセスに基づいて前記特徴ベクトルを生成することは、ホップフィールド・ネットワークを、前記ホップフィールド・ネットワークのそれぞれ第１及び第２のノードにおける前記第１及び第２の診断変数とともに用いることを含む、請求項１に記載の方法。
11. 前記ホップフィールド・ネットワークを用いて前記特徴ベクトルを生成することは、前記第１及び第２のノードの間のエッジについて前記ホップフィールド・ネットワークによって決定されたエッジ重みに基づいて、特徴値を前記特徴ベクトルに割り当てることを含む、請求項１０に記載の方法。
12. 前記最終予測を生成することは、前記特徴値を長短期メモリ（ＬＳＴＭ）ニューラル・ネットワークのための中期入力として用いることを含む、請求項１１に記載の方法。
13. 前記最終予測を生成することは、前記特徴値をＬＳＴＭニューラル・ネットワークのためのメモリ入力として用いることを含む、請求項１１に記載の方法。
14. プロセッサと、コンピュータ可読メモリと、コンピュータ可読ストレージ・デバイスと、前記メモリを介して前記プロセッサによって実行するための、前記ストレージ・デバイスに格納されたプログラム命令とを備え、前記格納されたプログラム命令は、
    前記プロセッサにより、第１の入力変数の履歴値についての入力データを受け取るためのプログラム命令と、
    前記プロセッサにより、前記第１の入力変数の前記履歴値を用いて前記第１の入力変数の将来値についての予測データを作成するためのプログラム命令と、
    前記プロセッサにより、前記予測データの診断分析に基づいて診断データを生成するためのプログラム命令と、
    前記プロセッサにより、第１の認識プロセスからの第１の診断値を含む第１の診断変数を作成するためのプログラム命令であって、前記第１の認識プロセスは前記診断データに基づいて前記第１の診断値を決定する、プログラム命令と、
    前記プロセッサにより、前記第１の診断変数と第２の診断変数との間の相関を識別することによって特徴ベクトルを決定する第２の認識プロセスに基づいて、前記特徴ベクトルを生成するためのプログラム命令と、
    前記プロセッサにより、前記特徴ベクトルを認識予測プロセスへの入力として用いて、最終予測を生成するためのプログラム命令と、
    を含む、
    コンピュータ・システム。
15. 前記予測データを作成することは、前記第１の入力変数の前記履歴値に対して自己回帰モデルを用いることを含む、請求項１４に記載のコンピュータ・システム。
16. 前記予測データを作成することは、前記予測データが複数の予測についてのデータを含むように、それぞれの予測期間について複数の予測を行うことを含む、請求項１４に記載のコンピュータ・システム。
17. 前記診断データを生成することは、前記診断データがそれぞれの予測に関連付けられる診断結果についてのデータを含むように、前記複数の予測の各々に対して前記診断分析を行うことを含む、請求項１６に記載のコンピュータ・システム。
18. 前記診断データを生成することは、複数の診断プロットについての画像データを生成することを含み、前記複数の診断プロットは、前記診断結果の各々についての診断プロットを含む、請求項１７に記載のコンピュータ・システム。
19. 前記第１の認識プロセスは、前記診断プロットの少なくとも１つについての前記画像データを評価するために、畳み込みニューラル・ネットワーク（ＣＮＮ）を用いることを含む、請求項１８に記載のコンピュータ・システム。
20. 前記複数の診断プロットは、診断プロットの複数のグループを含み、診断プロットの各々のグループは、複数の異なる診断テストについてのプロットを含み、診断プロットの各々のグループは、それぞれの予測に関連付けられる、請求項１８に記載のコンピュータ・システム。
21. 前記複数の異なる診断テストについての前記プロットは、正規化残差線プロット、残差ヒストグラム及び推定密度プロット、残差分位数（Ｑ－Ｑ）プロット、並びに残差自己相関プロットを含む、請求項２０に記載のコンピュータ・システム。
22. 前記第１の認識プロセスは、前記複数の異なる診断テストのうちの第１のもののみについての画像データを評価するために第１のＣＮＮを用いること、及び、前記複数の異なる診断テストのうちの第２のもののみについての画像データを評価するために第２のＣＮＮを用いることを含む、請求項２０に記載のコンピュータ・システム。
23. 前記第２の認識プロセスに基づいて前記特徴ベクトルを生成することは、ホップフィールド・ネットワークを、前記ホップフィールド・ネットワークのそれぞれ第１及び第２のノードにおける前記第１及び第２の診断変数とともに用いることを含む、請求項１４に記載のコンピュータ・システム。
24. 前記ホップフィールド・ネットワークを用いて前記特徴ベクトルを生成することは、前記第１及び第２のノードの間のエッジについて前記ホップフィールド・ネットワークによって決定されたエッジ重みに基づいて、特徴値を前記特徴ベクトルに割り当てることを含む、請求項２３に記載のコンピュータ・システム。
25. 前記最終予測を生成することは、前記特徴値を長短期メモリ（ＬＳＴＭ）ニューラル・ネットワークのための中期入力として用いることを含む、請求項２４に記載のコンピュータ・システム。
26. 前記最終予測を生成することは、前記特徴値をＬＳＴＭニューラル・ネットワークのためのメモリ入力として用いることを含む、請求項２４に記載のコンピュータ・システム。
27. コンピュータ上で実行されるときに請求項１～請求項１３のいずれか１項に記載の方法を行うように適合されたプログラム・コード手段を含むコンピュータ・プログラム。
28. 請求項２７に記載のコンピュータ・プログラムを格納したコンピュータ可読ストレージ媒体。

Images