JP7514148B2 - 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム - Google Patents

Description

本実施形態は、情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラムに関する。

電気事業者が電力を安定かつ経済的に供給するために、需給計画の業務は必要不可欠である。この需給計画業務には精度の高い予測機能が重要である。

電力需要の予測は電気事業者が契約している需要家のタイプにより、傾向が大きく異なるため、すべての需要家に対して共通に適用可能な予測モデルを生成することは困難である。

また、電力の自由化により需要家は自由に電気事業者を選択することができるため、電気事業者が契約した需要家を束ねた需要家グループ自体も日々変化している。そのため、需要家グループごとに精度の高い予測を行う場合、人手で需要家グループごとの予測モデルをチューニングする必要があり、日々の作業が膨大となる。

特開２０１９－１９２０１４号公報 国際公開第２０１９／１８７３４１号 特開２００４－１６４３８８号公報 特開２０１９－８７０２７号公報 特表２０１７－５２００６８号公報 特開２０１９－２３９０６号公報 特開２０１９－２３９０７号公報 特表２０１９－５３７１２５号公報

本実施形態は、精度の高い予測を可能とする情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラムを提供する。

本実施形態に係る情報処理装置は、説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成する第１モデル生成部と、前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルを重み付けし、重み付した前記複数の第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成する第２モデル生成部と、を備える。

第１実施形態に係る予測システムの全体構成例を示す図。 実績値データ記憶部に記憶されている需要量の過去の実績値のデータ一例を示す図。 カレンダー情報の一例を示す図。 気象予測記憶部に記憶されている気象予測データの一例を示す図。 データ結合部により得られた学習データのセットの例を示す図。 モデル生成条件が定める説明変数のバリエーションの例を示す図。 需要量の予測値の確率密度分布の例を示す図。 本実施形態のモデルアンサンブル学習の概要を説明する図。 本実施形態に係る予測装置の動作の一例のフローチャート。 第２実施形態に係る予測システムの全体構成例を示す図。 第２実施形態に係る予測装置の動作の一例のフローチャート。 第３実施形態に係る予測計画システムのブロック図。 発電情報記憶部を追加した予測システムの例を示す図。 本実施形態に係る予測計画システムの他の例を示す図。 図１４の予測計画システムにおける予測装置の一例のブロック図。 本実施形態に係る予測装置（情報処理装置）のハードウェア構成を示す図。

まず本実施形態の技術的背景について説明する。一般的に、需要の予測手法には大きく分けて２つある。類似検索方式と回帰方式がある。類似検索方式では、将来の需要と似ていると思われる日の実績値を参考として、過去実績をそのまま予測値とする、もしくは過去実績を補正することにより予測値を算出する。回帰方式は、過去の実績値から回帰分析により予測する。回帰方式では、最新の機械学習方法などを取り入れて精度の高い予測が実現できる。類似検索方式では、いったん類似検索のルールを決めれば、メンテナンスの必要がないが、予測精度が回帰方式よりも劣る。一方で、回帰方式では、過去実績から回帰することで、高い予測精度が得られるが、需要家グループごとに対して様々なパラメータをチューニングする必要がある。例えば、様々なパラメータ（たとえば、説明変数や学習期間など）を人手により変えて、最も精度の高い予測を可能とするパラメータを探索する必要があった。また過去の需要実績と傾向が変わるたびに再学習する必要がある。

本実施形態は、チューニング等を極力必要とせず精度の高い予測を実現させるものである。

以下、図面を参照しながら、本実施形態について説明する。以下では、電力の需要量を目的変数として予測する場合を例として説明するが、予測の対象（目的変数）は特に限定しない。例えば、水需要、ガスの需要、商品の販売額、店舗や施設への来客数、交通機関の乗客数、ウェブサイトへのアクセス数、サービスの利用者数、医療機関の患者数などを予測対象としてもよい。

図１は、第１実施形態に係る予測システムの全体構成例を示す。図１の予測システムは、情報処理装置である予測装置１００と、記憶装置１１０と、入力装置１２０と、出力装置１３０とを備えている。

予測装置１００は、通信ネットワーク又は通信ケーブル等を介して、記憶装置１１０、入力装置１２０及び出力装置１３０と接続されている。通信ネットワークは、有線ネットワーク、無線ネットワーク又はこれらのハイブリッドである。通信ネットワークは、一例として、ローカルエリアネットワーク又は広域ネットワークである。通信ケーブルはＵＳＢケーブル、シリアルケーブルなどの通信用のケーブルである。予測装置１００は、クラウド等のインターネットにサーバとして設けられてもよい。

入力装置１２０は、本装置の操作者又は管理者等であるユーザから各種の指示又はデータの入力を受け付ける。入力装置１２０は、一例として、予測装置１００の処理に必要なデータ、予測装置１００が出力する情報の可視化に係る操作の指示データなどをユーザから受け付ける。入力装置１２０は、例えばマウス、キーボード、タッチパネル、トラックボール、ジョイスティック、ペンタブレット、音声認識装置、画像認識装置、通信装置、又はこれらの組み合わせより実現される。通信装置は無線又は有線の通信を行う装置である。また、入力装置１２０は、パソコン、タブレット、スマートフォン、携帯電話などの情報端末であってもよい。入力装置１２０の台数は１台でも複数台でもよい。

出力装置１３０は、入力されたデータを出力する装置である。出力装置１３０は一例として、データを表示可能な表示装置、データを無線又は有線で送受信する通信装置、データを印字するプリンタなどである。表示装置は、例えば液晶ディスプレイ、有機エレクトロルミネッセンスディスプレイ、ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）ディスプレイ、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、又はプロジェクタなどである。

記憶装置１１０は、予測装置１００が処理を行うために必要な情報又はデータを記憶している。記憶装置１１０は、メモリ、ハードディスク、光ディスク又はSSD(Solid State Drive)などの記憶媒体を含む。メモリは、不揮発性メモリでも、揮発性メモリでもよい。

予測装置１００、記憶装置１１０、入力装置１２０及び出力装置１３０のうちの２つ以上が、パソコン、タブレット、スマートフォンなどによって一体的に構成されていてもよい。記憶装置１１０、入力装置１２０及び出力装置１３０のうちの少なくとも１つが、予測装置１００と一体的に構成されてもよい。

実績値データ記憶部１１は、電力需要の過去の実績値のデータを記憶している。電力需要は、本実施形態に係る目的変数の一例である。実績値データ記憶部１１は、外部の実績値管理システムに実績値データの取得要求を一定時間ごとに送信し、未取得の実績値のデータを取得してもよい。または、実績値データ記憶部１１は、外部の実績値管理システムからのプッシュ通知により実績値データを取得してもよい。

図２は、実績値データ記憶部１１に記憶されている需要量の過去の実績値のデータ一例を示す。データは表形式で格納されている。図５のデータは、日付、時刻、需要量の実績値を含む。この例では、実績値はある地点（又は複数の地点）における合計値であり、万ｋＷ単位で表示されている。なお、過去の実績値として、火力、水力、原子力、地熱、風力、太陽光など発電所の種別ごとの供給電力や、設備利用率などを使ってもよい。

カレンダー情報記憶部１２は、各年月日の属性情報を含むカレンダー情報を記憶している。属性情報の例として、各日が平日か、休日か、祝日かを区別する区分情報がある。また、各日の曜日を表す曜日情報がある。また、祝日の名称を表す祝日イベント情報がある。他の種類の属性情報でもよい。

図３（Ａ）は、カレンダー情報の一例として、日付（年月日）、曜日、休日フラグを含む例を示す。休日フラグは、休日か否かを表す。休日の場合は“Ｔ”（Ｔｒｕｅ）、休日でない場合（平日の場合）は“Ｆ”（Ｆａｌｓｅ）が格納されている。本実施形態では、土曜日及び日曜日は休日と定義する。また、祝日（祝日の振替休日）も休日と定義する。また、慣習又は条例等で定められた日（日本の場合、１月２日、１月３日など）も休日と定義してよい。図の例では、２０１５年５月３日、４日、５日、６日はそれぞれ日本の祝日であるため、休日のフラグ“Ｔ”が設定されている。

図３（Ｂ）は、カレンダー情報の他の例として、祝日イベント情報を含む例を示す。２０１８年及び２０１９年の各祝日の名称がイベント情報として格納されている。例えば５月３日は憲法記念日、５月４日はみどりの日、５月５日は子供の日である（いずれも日本の場合）。カレンダー情報の他の例として、日中、深夜、通勤時間帯などの時間帯の区分情報があってもよい。また、季節の情報（夏季、冬季）でもよい。また、大型のスポーツイベント、祭礼などのイベント情報でもよい。

気象予測記憶部１３は、複数の地点の地点ＩＤと気象予測値と時刻情報（日付と時刻）とを含む気象予測データを記憶している。気象予測記憶部１３は、外部の気象予測システムに気象予測データの取得要求を一定時間ごとに送信し、未取得の気象予測データを取得してもよい。または、気象予測記憶部１３は、外部の気象予測システムからのプッシュ通知により気象予測データを取得してもよい。ここで説明した以外の方法で、気象予測記憶部１３は気象予測データを取得してもよい。

図４は、気象予測記憶部１３に記憶されている気象予測データの一例を示す。気象予測データは表形式で格納されている。地点ＩＤ、日付、時刻、気象予測値が格納されている。地点ＩＤに関連付けて、地点の場所名を示す情報（例えば都道府県、市区町村など）がさらに格納されていてもよい。あるいは、地点ＩＤと地点の場所名とを含むデータベースが別途設けられていてもよい。

図４の例では、地点ＩＤが００１の地点について、２０１８年１０月１日０：００～０：３０までの気象予測値が示されている。実際には、他の時間及び他の地点の気象予測値も格納されていてよい。気象予測値の時間間隔は、１時間であるが、１０分、３０分、１日など、他の間隔でもよい。図４の例では、予測された気象量は、気温、日射強度、風速、降水量であるが、図４に示したものに限定されない。例えば風向、日照時間などの項目があってもよい。また、観測所によって、予測する気象量が異なってもよい。

需要地点情報記憶部１４は、需要量の実績値のデータが収集された地点に関する情報（需要地点情報）を記憶している。例えば“東京都”、“埼玉県”、“神奈川県”などの１つ以上の都道府県によって地点を指定してもよい。あるいは、１つ以上の市区町村によって地点を指定してもよい。

実績データ取得部２１は、実績値データ記憶部１１から実績値のデータを読み出し、読み出した実績値のデータを実績データ結合部２３に提供する。

カレンダー情報取得部２２は、カレンダー情報記憶部１２からカレンダー情報を読み出し、読み出したカレンダー情報を実績データ結合部２３に提供する。

実績データ結合部２３は、実績値のデータの日付及び時刻に関連付けて、カレンダー情報を実績値のデータに結合する。これにより実績値とカレンダー情報とを結合した結合データを得る。実績データ結合部２３は、実績値とカレンダー情報との結合データ（結合データＡと記載する）を、データ結合部２７に提供する。

気象予測データ取得部２４は、気象予測記憶部１３から気象予測データを取得し、取得した気象予測データを気象予測データ結合部２６に提供する。

需要地点情報取得部２５は、需要地点情報記憶部１４から需要地点情報を取得し、取得した需要地点情報を気象予測データ結合部２６に提供する。

気象予測データ結合部２６は、気象予測データから需要地点情報に含まれる地点のデータを抽出し、日付及び時刻の組が同じデータを互いに結合する。結合されたデータ（結合データＢと記載する）には、日付及び時刻と、地点ＩＤ及び気象予測値の複数のセットとが含まれる。需要地点情報に含まれる地点の個数が１つの場合は、気象予測データから当該１つの地点のデータを抽出するのみでよい。

データ結合部２７は、実績データ取得部２１で取得された結合データＡと、気象予測データ結合部２６で取得された結合データＢとを、日付及び時刻で関連付けて結合する。すなわち、日付及び時刻をキーとして結合データＡ及び結合データＢを結合する。結合データＡと結合データＢとを結合したデータを学習データと呼ぶ。ただし、将来の日時（予測対象の日時を含む）については実績値がまだ存在しないため、学習データには実績値は含まれない。

図５は、データ結合部２７により得られた学習データのセットの例を示す。学習データは表形式で格納されている。図５の表の各行が学習データに対応する。

例えば、２０１８年１０月１日の０：００の学習データは、０：００～０：３０の実績値と、各地点のＩＤ、気温及び日射強度等と、区分情報（平日）及び曜日情報（月曜日）とを含む。区分情報（平日）及び曜日情報（月曜日）はカレンダー情報である。図５の例では複数の地点の情報が含まれているが、地点の個数は１つでもよい。

２０１８年１２月０３日の０：００以降の学習データは、将来の日時の学習データである。このため、各地点の気象予測値（気温及び日射強度等）とカレンダー情報は含まれているが、実績値は含まれていない。

データ結合部２７は、生成した学習データのセットをモデル生成条件取得部２８に提供する。

モデル生成条件リスト記憶部１５は、需要量を予測するモデル（第１予測モデル）を学習するための複数の学習方法として複数のモデル生成条件を記憶している。各モデル生成条件には、学習手法（モデルの種類）、学習期間、説明変数の種類に関する情報が含まれている。各モデル生成条件にはモデル生成条件を識別する情報（ＩＤ）が付与されていてもよい。

［学習手法（モデルの種類）］
例えば、一般化加法モデル、スパースモデリング、重回帰、ニューラルネットワーク、深層学習、類似検索、アナログアンサンブルなどがある。全てのモデル生成条件間で学習手法が同じであってもよいし、一部又は全てのモデル生成条件間で学習手法が異なってもよい。

［学習に用いる学習データの期間（学習期間）］
例えば、予測を行う日（例えば本日）の前日から一週間前までの実績値を含む学習データや、前日から一年前までの実績値を含む学習データ、などがある。具体例として前日から７日間、１０日間、３０日間、６０日間、９０日間、１２０日間、１８０日間、３６０日間、１００００日間などがある。期間を変更することで、学習に用いる学習データの個数を変えることができる。

［説明変数の種類］
一例として、需要量の実績値に関する説明変数がある。例えば予測を行う日をＤ、予測対象の日をＤ＋１、前日をＤ－１とすると、予測対象時刻（例えばＤ＋１のある時刻）の前日（Ｄ－１日）における同じ時刻の実績値を表す説明変数がある。この場合、実績値の説明変数は１個である。あるいは、前日におけるすべての時刻の実績値を表す説明変数がある。この場合、実績値の説明変数は４８個である（３０分おきに実績値が取得されている場合）。

また、カレンダー情報に関する説明変数がある。例えば、平日休日の区分、曜日、月、年、祝日の種類のうちの１つ以上などである。曜日は、例えば日曜日～土曜日から７個の説明変数を用いて表すことができる。月は、例えば１月～１２月に対応する１２個の説明変数を用いて表すことができる。年は、例えば年を識別する値を含む説明変数によって表すことができる。祝日の種類は、例えば祝日の個数分の説明変数を用意することで表すことができる。

また、気象に関する説明変数がある。例えば、気温、日射強度、風速、降水量のうちの１つ以上などがある。地点の個数が複数の場合は、地点ごとに気象に関する説明変数が用意される。

その他、地点に関する説明変数があってもよい。例えば地点の経度、緯度を説明変数としてもよいし、地点の高度をさらに説明変数としてもよい。また地点ＩＤを説明変数としてもよい。

図６は、モデル生成条件で定める説明変数のバリエーションの例を示す。ここでは、実績値に関する説明変数と、カレンダー情報に関する説明変数と、気象に関する説明変数とを組み合わせて、８つのケース１～８を示している。各ケースについて変数（パラメータ）の合計数が示されている。

実績値に関する説明変数として、予測対象時刻に対して前日の同時刻の実績値の説明変数を用いる場合、前日の全ての時刻の実績値の説明変数を用いる場合の２パターンがある。また、前日は一例であり、過去２日、３日、１週間など、様々なバリエーションが可能である。

カレンダー情報に関する説明変数として、説明変数を用いない場合、平日休日カテゴリのみを用いる場合、平日休日カテゴリと曜日とを用いる場合、平日休日カテゴリと曜日と月とを用いる場合、平日休日カテゴリと曜日と月と年とを用いる場合の４パターンがある。

気象に関する説明変数として、説明変数を用いない場合、気温のみを用いる場合、気温と日射強度とを用いる場合の３パターンがある。

図に示した変数合計数（パラメータ合計数）は、該当するパターンで用いる変数（パラメータ）の合計数である。例えば気温の説明変数の場合、パラメータ数として３をカウントしている。電力需要は、気温に対する応答関数が、二次関数の下に凸のような形になると想定される。これは寒い日と、暑い日に空調を使用することにより需要が増加するためである。このため応答関数として、スプライン関数（区間を3分割）を用いることを想定し、パラメータ数を３としている。日射強度の場合は、応答関数が線形関数のような形を想定し、パラメータ数として１をカウントしている。図示の変数合計数は、地点の個数が１の場合の値であり、地点の個数が複数の場合、地点の個数の増加分に応じて気象の説明変数に関連するパラメータ数が増加する。また、説明変数に対するパラメータ数は一例であり、自由に決定することができる。

モデル生成条件取得部２８は、モデル生成条件リスト記憶部１５からモデル生成条件の一覧表（リスト）を取得する。この際、リストから予め決められた条件を満たすモデル生成条件を選択し、選択したモデル生成条件を含む一覧表を取得してもよい。例えば学習手法をユーザが特定のものに指定したい場合に、指定された学習手法を含むモデル生成条件の一覧表を取得してもよい。

モデル生成条件判定部２９は、モデル生成条件取得部２８で取得されたモデル生成条件ごとに、学習データの個数と、変数合計数とを比較する。そして、変数合計数が学習データの個数よりも大きいかを判定する。変数合計数が学習データの個数よりも大きい場合は、学習に必要な学習データ数が不足していると判断し、当該モデル生成条件をモデル学習に用いないことを決定する。変数合計数が学習データの個数以下の場合は、当該モデル生成条件をモデル学習に用いることを決定する。但し、モデル生成条件が学習手法として、類似検索又はアナログアンサンブルを指定している場合は、この判定を行う必要はない。

学習部３０（第１モデル生成部）は、モデル生成条件判定部２９でモデル学習に用いると決定されたモデル生成条件ごとに、モデル学習により、モデルを生成する。モデルを生成する手法として、モデル生成条件に示される学習手法（モデルの種類）を用いる。モデル生成条件に定められる学習期間に含まれる学習データと、モデル生成条件に定められる種類の説明変数とを用いて、学習手法に従ってモデルを生成する。モデルは、少なくとも１つの説明変数と目的変数の予測値とを対応づける。

例えば、あるモデル生成条件が、学習手法が重回帰であり、学習期間が前日から７日であり、図６のケース２の説明変数を用いることを定めている場合を考える。この場合、予測を行う日の前日から７日分の予測対象時刻と同じ時刻の学習データを取得する。そして、取得した学習データにおいて、前日の同じ時刻におけるケース２の説明変数から、予測対象時刻の需要量の予測値を算出するモデルを生成する。このようなモデルを生成する処理を、モデル生成条件ごとに行うことにより、モデル生成条件の個数分だけ、モデルを生成する。

前述した図６に示したケース１～８において、学習データ数が９通り、学習手法がある特定の１つの場合、７２個のモデル生成条件が用いられ、１日のある時刻について、８×９＝７２個のモデルが生成される。年間で７２×３６５＝２．６万個のモデルが生成される。

モデル検査部３２（モデル選択部）は、モデル生成条件ごとに生成されたモデルについて、過去の学習データを用いて、モデルの予測値（出力値）を算出する。モデルの予測値と、学習データに含まれる実績値との差分を計算する。例えば、｜モデルの予測値－実績値｜として差分の絶対値を計算する。差分が閾値（０よりも十分に大きい）を超える場合は、つまり、モデルの予測値が実績値に対して非常に大きく乖離している場合は、当該モデルを除外する。あるいは、モデル学習の途中で制限時間に達した場合に、モデルの生成を中断してもよい。

モデルの予測値の算出に用いる過去の学習データはモデルの生成に用いた学習データでもよいし、その他の学習データでもよいし、これらの両方の学習データでもよい。絶対値と閾値との比較は、サンプリングにより任意に選択した１つの学習データで１回のみ行ってもよいし、複数の学習データで複数回の比較を行ってもよい。複数回数の比較を行う場合、いずれか１回でも閾値を超えた場合、そのモデルを除外してもよいし、所定の割合の回数以上で閾値を超えた場合に、そのモデルを除外するとしてもよいし、その他の方法でモデルを除外するかを決定してもよい。

モデル検査部３２は、モデル生成条件ごとに生成されたモデル（除外されなかったモデル）を、学習日時に関連付けて、モデル記憶部４１に格納する。学習日時は、モデルが生成された日時でもよいし、モデル学習を開始した日時でもよいし、その他の方法で定めた日時でもよい。各モデルに共通の日時を設定してもよい。

過去予測部３３は、モデル検査部３２で除外されなかったモデル（モデル記憶部４１に格納されたモデル）について、過去の学習データを用いて、モデルの予測値を算出する。算出した予測値を、過去予測値と称する。モデル検査部３２で計算済みのモデルの予測値を記憶しておき、記憶しておいた予測値を過去予測値として流用してもよい。過去予測値の算出に用いる過去の学習データはモデルの生成に用いた学習データでもよいし、その他の学習データでもよいし、これらの両方の学習データでもよい。

過去予測部３３は、算出した過去予測値を、予測対象となった過去の日時及び算出元のモデルと関連づけて、過去予測値記憶部４２に格納する。モデルとの関連付けは、モデルを識別する情報（モデルＩＤ）を用いて行ってもよい。この場合、モデル記憶部４１にモデルを格納する際、モデルＩＤを付与する。

過去予測判定部３４は、予測閾値入力部１６からユーザが設定した閾値（ユーザ予測閾値）を取得する。過去予測判定部３４は、過去予測部３３で算出された過去予測値と、ユーザ予測閾値とを比較し、差分がユーザ予測閾値を超えるかを判定する。過去予測判定部３４は、ユーザ予測閾値を超えるモデルのモデル生成条件を除外し、ユーザ予測閾値以下のモデルのモデル生成条件を選択する。過去予測判定部３４は、選択したモデル生成条件を、モデル生成条件記憶部３５に格納する。モデル生成条件の格納は、モデル生成条件を識別する情報（ＩＤ）を格納することで行ってもよい。

過去予測値取得部３６は、モデル生成条件記憶部３５に記憶されている各モデル生成条件について、各モデル生成条件に対応するモデルの過去予測値を、過去予測値記憶部４２から取得する。

誤差判定部３７は、誤差閾値入力部１７からユーザが設定した閾値（ユーザ誤差閾値）を取得する。誤差判定部３７は、過去予測値記憶部４２から取得した過去予測値と、過去予測値と同じ日時の実績値との差分を算出し、算出した差分をユーザ誤差閾値と比較する。差分がユーザ誤差閾値を超えるかを判定し、判定の結果を候補決定部３８に提供する。

候補決定部３８は、誤差判定部３７でユーザ誤差閾値以下と判定されたモデル生成条件を選択する。選択したモデル生成条件を、モデル生成条件候補と呼ぶ。モデル生成条件候補に対応するモデル（モデル生成条件候補から生成されたモデル）は、後述するアンサンブル学習に用いるメンバとなる。候補決定部３８は、モデル生成条件候補のリストを、候補表示部５１に表示させる。

候補決定部３８は、モデル生成条件候補に対応するモデルの過去予測値の全部又は一部を過去予測値記憶部４２から読み出す。候補決定部３８は、モデル生成条件候補と、過去予測値と、当該過去予測値の日時と、当該日時の実績値とを対応づけた評価用データを、評価用データ表示部５２に表示させる。評価用データにモデル生成条件候補に対応するモデルの情報を追加してもよい。

ユーザは、モデル生成条件候補のリストと、各モデル生成条件候補の評価用データとを参照して、アンサンブル学習に用いる必要のないモデル生成条件（あるいはモデル）があるかを確認する。一例として、ユーザが学習用条件入力部１８から学習パラメータとして、メンバとして用いないモデル生成条件を指定する情報を入力してもよい。候補決定部３８は、ユーザから入力された情報によって指定されたモデル生成条件を候補から除外する。ここでは候補から除外するモデル生成条件を指定したが、メンバとして用いるモデル生成条件候補を指定する情報を、学習パラメータとしてユーザが入力してもよい。この場合、候補決定部３８は、ユーザから入力された情報によって指定されたモデル生成条件候補を、アンサンブル学習のメンバとして用いることを決定する。

またユーザは、学習用条件入力部１８からアンサンブル学習用のパラメータを学習パラメータとして入力してもよい。パラメータの例として、アンサンブル学習で用いる過去の日数がある。

アンサンブル学習部３９（第２モデル生成部）は、候補決定部３８でメンバとして選択されたモデル生成条件に対応するモデルをモデル記憶部４１から読み出し、読み出したモデルの重みを算出する。算出した重みでモデルを加算（すなわちモデルを混合）することで、需要量の予測値を算出するアンサンブル予測モデル（第２予測モデル）を生成する。各モデルの重みは、各モデルに対応するモデル生成条件の重みでもある。アンサンブル予測モデルは、各モデルに含まれる説明変数と、目的変数の予測値（第２予測値）とを対応づけるものである。

以下、アンサンブル学習の例を、数式を用いて説明する。
モデル生成条件ｉが示す学習手法で学習した回帰モデルを以下の式で表す。

ここで、ｘ_ｉは、モデル生成条件ｉで定められる１つ以上の説明変数である。ｆ_ｉはモデル生成条件ｉで定められた学習手法ｉで生成された回帰モデルである。

時刻ｔごとに再学習することで回帰モデルが変化することを式（２）によって表す。

よって、時刻ｔごとに、学習される回帰モデルｆ_ｉ，ｔは異なる。

次に、時刻Ｔに対して、各モデル生成条件ｉ（モデル生成条件はＩ個とする）に基づき生成した回帰モデルを混合することを式（３）によって表す。

ここで、βは１×Ｉ行列である。βは各モデル生成条件（モデル）の重みである。式（３）は、複数の回帰モデル（第１予測モデル）を重みに基づき加算することで予測値を算出するアンサンブル予測モデル（第２予測モデル）を表している。βは０以上であり、Σβ＝１程度となるのが望ましい。時刻Ｔに対するβの推定方法として、以下の式（４）で示す評価関数を用いることができる。右辺の２番目の項は、Ｌ１ノルムの正則化項である。Ｌ１ノルムを加えることで、より少ないモデル生成条件のモデルが選択される傾向がある。例えば１つのモデルが選択され、それ以外のモデルに対応する係数（β）が０になる。すなわち１つ又は少ないモデル生成条件ｉを選択する効果が発生する。このＬ１ノルムを加える方法は、スパースモデリング手法と呼ばれる。Σβ＝１を制約条件として追加してもよい。

ここで、λは正則化項の乗数である。λは、各変数（ｆ（ｘ））の選択のされやすさに影響を与える。λは、交差検証法（クロスバリデーション）等を用いて決定できる。また、Nは学習に用いる学習データ数である。例えば、過去１０日分の学習データを用いる場合、Ｎ＝１０である。

評価関数は、複数のモデル（第１予測モデル）の予測値を重み（β）により重み付けした値と目的変数の実績値との差分の総和と、複数のモデルの重み（β）を含む正則化項との総和を、最小化又は準最小化することを規定している。

重み記憶部４３は、アンサンブル学習部３９で決定された各モデルの重み（すなわち各モデル生成条件の重み）を記憶する。

重み表示部５３は、重み記憶部４３に記憶されている各モデルの重み（各モデル生成条件の重み）を表示する。これによりユーザは、どのモデル生成条件が予測に大きく寄与しているかを判断できる。具体的には、βの値が大きいほど、予測に大きく寄与していると判断できる。

予測部４０は、アンサンブル学習部３９で生成されたアンサンブル予測モデル（第２予測モデル）と、過去Ｎ日分の学習データとを用いて、予測対象の日時における需要量の予測値を算出する。予測値出力部５４は、予測部４０により算出された予測値を出力する。予測値出力部５４は表示装置でもよいし、他の装置にデータを送信する通信装置であってもよい。表示装置の場合、ユーザに需要量の予測値を確認させることができる。通信装置の場合、予測値を用いて処理を行う装置（詳細は後述する）に予測値を提供することができる。

予測部４０は、アンサンブル予測モデルに含まれる各モデルの重み（各モデル生成条件の重み）に基づき、予測対象日時における需要量の予測値の確率密度分布を算出してもよい。例えば、横軸を、予測値を表す確率変数とし、縦軸を当該予測値の頻度とする確率分布を推定する。例えば各モデルの重みを、各モデルの予測値の頻度とみなして、予測値と頻度とのヒストグラムを生成する。このヒストグラムを近似する関数（例えば正規分布関数）を確率密度分布として推定する。

図７は、需要量の予測値の確率密度分布の例を示す。横軸が予測値、右側の縦軸が確率密度を表す。参考情報として、左側の縦軸に重みを示している。また、重みの値を、予測値の頻度と見なしたヒストグラムも示している。このヒストグラムから推定した確率密度分布が示されている。

図８は、本実施形態のモデルアンサンブル学習の概要を説明する図である。この例ではアンサンブル予測モデルの学習に用いるモデルとして７個のモデル１～７（７個のモデル選択条件）が候補として選択されている。７個のモデルはそれぞれ少なくとも学習期間が異なっており、予測を行う日を起点として過去１日～８日（予測対象の日から２日前を起点として過去２日～９日）を学習期間としている。図の各モデルを表す矩形の横の長さは学習期間の長さを模式的に示している。アンサンブル学習により各モデルの重み（β）が算出されており、モデル１～７の予測値を重みにより合成することで（アンサンブル予測）、予測モデルの予測値が算出される。ここでは７個のモデルがアンサンブル予測モデルに用いられているが、アンサンブル予測モデルに用いられるモデルは１つの場合もあり得る。

図９は、本実施形態に係る予測装置１００の動作の一例のフローチャートである。本動作は、予測対象日時が追加されたとき、又は実績値データ記憶部１１にデータが追加されたときに開始される。

実績データ取得部２１が実績値データ記憶部１１から実績値データを取得し（Ｓ１１）、カレンダー情報取得部２２がカレンダー情報記憶部１２からカレンダー情報を取得する（Ｓ１２）。需要地点情報取得部２５が需要地点情報記憶部１４から需要地点情報を取得し（Ｓ１３）、気象予測データ取得部２４が気象予測記憶部１３から気象予測データを取得する（Ｓ１４）。実績データ結合部２３が実績値データとカレンダー情報とを結合して結合データＡとし、気象予測データ結合部２６が需要地点情報と気象予測データとを結合して結合データＢとする（Ｓ１５）。データ結合部２７が結合データＡと結合データＢとを結合し、学習データのセットを得る（同Ｓ１５）。

モデル生成条件取得部２８は、モデル生成条件リスト記憶部１５からモデル生成条件の一覧表（リスト）を取得する（Ｓ１６）。一覧表に含まれるモデル生成条件ごとに、以下のステップＳ１８～Ｓ２５を行う（Ｓ１７）。ステップＳ１８～Ｓ２５のループは、各モデル生成条件に並列で処理してもよい。

モデル生成条件判定部２９が、モデル生成条件で用いることを定めている説明変数に関連する変数合計数と、モデル生成条件が定める学習期間に属する学習データ数とを比較する（Ｓ１８）。学習データ数が変数合計数未満のときは、学習データ数条件を満たさないと判定し、当該モデル生成条件を除外する（Ｓ１８のＮＯ）。

モデル生成条件判定部２９は、学習データ数が変数合計数以上のときは、モデル学習数条件を満たすと判定する。この場合、学習部３０がモデル生成条件と学習期間に属する学習データとに基づきモデル学習により、モデルを生成する（Ｓ１９）。なお、モデル生成条件が学習手法として、類似検索又はアナログアンサンブルを指定している場合は、学習データ数の判定を行う必要はない。

モデル検査部３２は、モデルの予測値と、過去実績値との差が閾値（０よりも十分に大きい）を超えるかを判断する（Ｓ２０）。閾値を超える場合は、モデルが正常に生成されなかったとして、当該モデル生成条件を除外する（Ｓ２０のＮＯ）。モデル学習の途中で制限時間に達した場合も、モデルの生成を中断し、該当するモデル生成条件を除外してもよい。

モデル検査部３２は、モデルの予測値と、過去実績値との差が閾値以下の場合は（Ｓ２０のＹＥＳ）、モデルが正常に生成されたとして、当該モデルをモデル記憶部４１に格納する（Ｓ２１）。

過去予測部３３は、正常に生成されたモデルごとに、学習データに基づき、過去の実績値から予測値（過去予測値）を算出する（Ｓ２２）。算出した過去予測値を、予測対象となった日時及び算出元のモデルと関連づけて、過去予測値記憶部４２に格納する（Ｓ２３）。

過去予測判定部３４は、算出された過去予測値と、ユーザ予測閾値とを比較し、差分がユーザ予測閾値を超えるかを判定する（Ｓ２４）。過去予測判定部３４は、ユーザ予測閾値を超えるモデルのモデル生成条件を除外し（Ｓ２４のＮＯ）、ユーザ予測閾値以下のモデルのモデル生成条件を選択する。過去予測判定部３４は、選択したモデル生成条件を、モデル生成条件記憶部３５に格納する（Ｓ２５）。

次に、モデル生成条件記憶部３５に格納されたモデル生成条件ごとにステップＳ２７～Ｓ２９の処理を行う（Ｓ２６）。ステップＳ２７～Ｓ２９は、各モデル生成条件を並列で処理してもよい。

過去予測値取得部３６は、モデル生成条件記憶部３５に記憶されている各モデル生成条件について、各モデル生成条件に対応するモデルの過去予測値を、過去予測値記憶部４２から取得する（Ｓ２７）。誤差判定部３７は、過去予測値と同じ日時の実績値を学習データから取得する（同Ｓ２７）。

誤差判定部３７は、取得した過去予測値と、当該過去予測値と同じ日時の実績値との差分を、ユーザ誤差閾値と比較する（Ｓ２８）。差分がユーザ誤差閾値を超えるかを判定し、判定の結果がユーザ誤差閾値を超えないモデル生成条件を選択する。誤差判定部３７は、選択したモデル生成条件を候補決定部３８に提供する（Ｓ２９）。

候補決定部３８は、提供されたモデル生成条件をアンサンブル学習用のモデル生成条件の候補とする。候補決定部３８は、モデル生成条件候補のリストを、候補表示部５１に表示させる（Ｓ３０）。また候補決定部３８は、モデル生成条件候補に対応するモデルの過去予測値の全部又は一部を過去予測値記憶部４２から読み出す。読み出した過去予測値等を含む評価用データを、評価用データ表示部５２に表示させる（同Ｓ３０）。評価用データにモデル生成条件候補に対応するモデルの情報を追加してもよい。ユーザからアンサンブル学習に用いる必要のないモデル生成条件を指定する情報を受信した場合は、モデル生成条件を候補から除外する。ユーザは、他のパラメータの例として、アンサンブル学習で用いる過去の日数を指定してもよい。

アンサンブル学習部３９は、候補決定部３８で候補として残った１つ以上のモデル生成条件に対応するモデルをモデル記憶部４１から読み出し、読み出したモデルの重みを決定する。算出した重みでモデルを加算（すなわちモデルを混合）することで、需要量の予測値を算出するアンサンブル予測モデルを生成する（Ｓ３１）。

予測部４０は、アンサンブル学習部３９で生成されたアンサンブル予測モデルと、過去Ｎ日分の学習データとを用いて、予測対象の日時における需要量の予測値を算出する（Ｓ３２）。予測値出力部５４は、予測部４０により算出された予測値を出力する（Ｓ３３）。予測部４０は、アンサンブル予測モデルに含まれる各モデルの重み（すなわち各モデル生成条件の重み）に基づき、予測対象日時における需要量の予測値の確率密度分布を算出してもよい。この場合、予測値出力部５４は、算出された確率密度分布を出力する。

本実施形態によれば、複数のモデル生成条件から生成した複数のモデル（第１予測モデル）に基づくアンサンブル学習によりアンサンブル予測モデル（第２予測モデル）を生成したことにより、チューニングを極力必要とせず精度の高い予測が可能となる。本実施形態に係る予測機能を様々な電気事業者で実施する場合に、需要家グループの傾向変化や契約数の変化に追随した予測を容易に行うことが可能になる。

（第２実施形態）
図１０は、第２実施形態に係る予測システムの全体構成例を示す。学習条件入力部６１と学習管理部６２（決定部）が追加されている。学習管理部６２は予測装置１００に含まれている。

学習条件入力部６１は、学習の対象となるモデル生成条件を選択するための条件である学習条件をユーザが入力するための装置である。学習条件入力部６１の具体的なハードウェア構成例は入力装置１２０と同様である。

学習管理部６２は、学習条件入力部６１から学習条件を含む情報を取得する。モデル生成条件取得部２８で取得されたモデル生成条件のリストにおいて、学習条件を満たすモデル生成条件を選択する。学習条件を満たさないモデル生成条件については、モデルを生成せず、モデル記憶部４１に記憶されているモデル（前回以前に生成されたモデル）を用いることを決定する。学習条件を満たすモデル生成条件については、第１実施形態と同様にして、モデル生成条件判定部２９で学習データ数の条件を満たすと判断された後、学習部３０によりモデルを再生成する。モデル検査部３２以降の処理も第１実施形態と同様にして行われる。

ここで学習条件の例としては、前回モデルを学習してからの経過時間がある。例えば３０日の場合、前回モデルを生成してから３０日間を経過するまで学習条件が満たされない。また、前回生成したモデルの予測誤差が、モデルの生成後、所定期間でどの程度劣化したかがある。例えば前回モデルを生成してから７日の間の各日について、予測値と実績値との差を計算し、計算した差の最大値、最小値、平均値等の統計値を予測の劣化度とする。劣化度が閾値以上のときは、学習条件を満たし、閾値未満のときは学習条件を満たさないとする。

図１１は、第２実施形態に係る予測装置（情報処理装置）１００の動作の一例のフローチャートである。ステップＳ１６とステップＳ１７の間に、ステップＳ４１が追加されている。ステップＳ４１では、学習管理部６２が、モデル生成条件のリストから、学習条件を満たさないモデル生成条件を除外し、除外後のリストをモデル生成条件判定部２９に出力する。すなわち、モデル生成条件のリストから学習条件を満たすモデル生成条件を選択し、選択したモデル生成条件のリストをモデル生成条件判定部２９に出力する。

本実施形態によれば、学習条件を満たすモデル生成条件のみモデルを生成するため、毎回、各モデル生成条件に対してモデル学習を行う必要がなくなる。よって、計算量を削減することができる。

（第３実施形態）
図１２は、第３実施形態に係る予測計画システムのブロック図を示す。予測計画システムは、予測システム１０１、制御装置１０２、市場入札装置１０３、１つ以上の需要家装置１０４を備えている。予測システム１０１は、第１又は第２実施形態に係る情報処理装置である予測装置１００を含む。予測システム１０１は、通信ネットワークを介して制御装置１０２に接続されている。制御装置１０２は、通信ネットワークを介して市場入札装置に接続されている。制御装置１０２は、通信ネットワークを介して需要家装置１０４に接続されている。各通信ネットワークはローカルネットワークでも、インターネット等の広域ネットワークでもよい。市場入札装置１０３及び需要家装置１０４は、制御装置１０２による制御対象となる装置である。

市場入札装置１０３は、電力売買市場への売電又は買電の入札を行う装置である。入札は、売電又は買電の区分と、取引量及び取引価格を指定する。市場入札装置１０３が入札する対象となる市場は１つの特定の市場でもよいし、複数の市場でもよい。一例として、日本取引所では、翌日渡しの電力の売買を行う１日前市場（スポット市場）、及び実需給の１時間前まで調整的な取引ができる時間前市場（１時間前市場）などがある。

需要家装置１０４は、家庭又は会社等の需要家に配置され、電力の需給制御に基づき動作させられる装置である。例えば需要家装置１０４は、発電装置（ディーゼル発電装置、太陽光発電装置、水素発電装置、風力発電装置）、蓄電池、家電機器（エアコン等）などである。

制御装置１０２は、制御対象として市場入札装置１０３と需要家装置１０４を制御する制御部を含む。予測システム１０１から出力された予測対象日時の需要量の予測値に基づき、市場入札装置１０３に対する予測対象日時に係る時間枠に対する入札の指示情報を生成する。生成した入札の指示情報を市場入札装置１０３に提供する。市場入札装置１０３は、入札の指示情報に従って、売電又は買電の入札を行う。制御装置１０２が予測値から入札の指示情報を生成するアルゴリズムは一例として事前に与えられている。一例として予測値から入札の指示情報で指示する取引価格を推定するモデルを事前に生成しておき、モデルから入札の指示情報の内容を決定してもよい。モデルの種類（学習手法）は第１実施形態と同様様々可能である。

また、制御装置１０２は、予測システム１０１から出力された予測対象日時の需要量の予測値に基づき、需要家装置１０４に対する予測対象日時に係る制御の指示情報を生成し、生成した制御の指示情報を需要家装置１０４に提供する。需要家装置１０４は、制御の指示情報に従って、動作を行う。例えば需要家装置１０４がディーゼル発電装置であれば、制御の指示情報に従って発電又は発電の停止を行う。制御装置１０２が予測値から制御の指示情報を生成するアルゴリズムは一例として事前に与えられている。一例として、予測値から発電の有無を決定するモデルを事前に生成しておき、モデルから発電装置に対する発電の有無又は、発電を行う期間を決定してもよい。モデルの種類（学習手法）は第１実施形態と同様様々可能である。

本実施形態の制御対象に関する変数を、モデル生成条件に定義される説明変数の種類に含めてもよい。例えば発電装置の停止の有無に関する説明変数を追加してもよい。例えば需要家の太陽光発電装置がメンテナンスにより停止する場合がある。予測システム１０１の記憶装置１１０に発電情報記憶部を設け、発電装置の停止の有無の情報を発電装置又は発電装置を管理する装置（ゲートウェイ装置）から取得して、発電装置記憶部に記憶させる。以下、具体的に説明する。

図１３は、予測システム１０１における予測装置１００に発電情報記憶部７１を追加した例を示す。記憶装置１１０に発電情報記憶部７１が設けられている。データ結合部２７は、各学習データに発電装置の停止有無の情報（例えばフラグ）を追加する。これにより発電装置の停止有無の情報をモデルに反映させることができる。

図１４は、本実施形態に係る予測システムの他の例を示す。図１１の予測システムに評価指標算出装置１０５及びシミュレーション装置１０６が追加されている。評価指標算出装置１０５及びシミュレーション装置１０６により、評価装置（評価部）１０７が構成される。

図１５は、図１４の予測計画システムにおける予測装置１００の一例のブロック図である。評価結果入力部１９と、評価判定部７７（モデル選択部）とが追加されている。

図１４の評価指標算出装置１０５は、市場入札装置１０３から出力される情報と、需要家装置１０４から出力される情報との少なくとも一方に基づき、アンサンブル予測モデルの評価指標を算出する。より詳細には、評価指標算出装置１０５は、市場入札装置１０３から出力される情報と、需要家装置１０４から出力される情報との少なくとも一方を取得し、評価指標を算出する。評価指標算出装置１０５は、算出した評価指標をシミュレーション装置１０６に提供する。例えば、予測した需要量に基づき原子力発電等の発電により電力を生成するのに要した費用と、不足した電力を電力市場から購入するのに要した費用と、需要家から電力提供の対価等として受け取る料金とに基づき収益を算出する。また、発電装置がディーゼル発電装置の場合に、排出された二酸化炭素（CO2）の量を算出する。収益及び二酸化炭素の排出力は評価指標の一例である。評価指標の例は、収益のリスクなど、他にも可能である。

シミュレーション装置１０６は、評価指標に基づいて、予測システム１０１が生成したアンサンブル予測モデルの予測値（需要量の予測値）を評価する。例えばシミュレーションにより需要量の値を様々に変更（例えばアンサンブル予測モデルの予測値に対して一定範囲内で変更）して、評価指標を最大又は最小化する需要量の値、又は評価指標が一定値以上改善する（大きくなる又は小さくなる）需要量の値等を見つける。見つけた値と、アンサンブル予測モデルに用いられている各モデル（βの値が０より大きいモデル）の予測値とを比較する。見つけた値と各モデルの予測値との差が閾値以上のモデルを特定する。特定したモデルを除外することを示す評価結果をシミュレーション装置１０６から評価結果入力部１９に提供し、評価結果入力部１９が評価結果を評価判定部７７に入力する。評価判定部７７は、評価結果が示すモデルを除外する。評価判定部７７はモデルを生成する選択部の一例に相当する。これにより、収益等の評価指標が改善するアンサンブル予測モデルを生成できる。ここでは評価判定部７７がモデルの除外を行ったが、評価結果をモデル生成条件判定部２９に入力し、モデル生成条件判定部２９が当該モデルのモデル生成条件を除外してもよい。

以上、本実施形態によれば、収益などの評価指標が改善するアンサンブル予測モデルを生成することができる。

（ハードウェア構成）
図１６は、予測装置（情報処理装置）１００のハードウェア構成を示す。予測装置１００は、コンピュータ装置６００により構成される。コンピュータ装置６００は、ＣＰＵ６０１と、入力インタフェース６０２と、表示装置６０３と、通信装置６０４と、主記憶装置６０５と、外部記憶装置６０６とを備え、これらはバス６０７により相互に接続されている。

ＣＰＵ（中央演算装置）６０１は、主記憶装置６０５上で、コンピュータプログラムである予測プログラムを実行する。予測プログラムは、予測装置１００の上述の各機能構成を実現するプログラムのことである。予測プログラムは、１つのプログラムではなく、複数のプログラムやスクリプトの組み合わせにより実現されていてもよい。ＣＰＵ６０１が、予測プログラムを実行することにより、各機能構成は実現される。

入力インタフェース６０２は、キーボード、マウス、及びタッチパネルなどの入力装置からの操作信号を、予測装置１００に入力するための回路である。入力インタフェース６０２は入力装置１２０に対応する。

表示装置６０３は、予測装置１００から出力されるデータを表示する。表示装置６０３は、例えば、ＬＣＤ（液晶ディスプレイ）、有機エレクトロルミネッセンスディスプレイ、ＣＲＴ（ブラウン管）、又はＰＤＰ（プラズマディスプレイ）であるが、これに限られない。コンピュータ装置６００から出力されたデータは、この表示装置６０３に表示することができる。表示装置６０３は出力装置１３０に対応する。

通信装置６０４は、予測装置１００が外部装置と無線又は有線で通信するための回路である。データは、通信装置６０４を介して外部装置から入力することができる。外部装置から入力したデータを、主記憶装置６０５や外部記憶装置６０６に格納することができる。

主記憶装置６０５は、予測プログラム、予測プログラムの実行に必要なデータ、及び予測プログラムの実行により生成されたデータなどを記憶する。予測プログラムは、主記憶装置６０５上で展開され、実行される。主記憶装置６０５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。予測装置１００の各記憶部又はデータベースは、主記憶装置６０５上に構築されてもよい。

外部記憶装置６０６は、予測プログラム、予測プログラムの実行に必要なデータ、及び予測プログラムの実行により生成されたデータなどを記憶する。これらの予測プログラムやデータは、予測プログラムの実行の際に、主記憶装置６０５に読み出される。外部記憶装置６０６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。予測装置１００の各記憶部又はデータベースは、外部記憶装置６０６上に構築されてもよい。

なお、予測プログラムは、コンピュータ装置６００に予めインストールされていてもよいし、ＣＤ－ＲＯＭなどの記憶媒体に記憶されていてもよい。また、予測プログラムは、インターネット上にアップロードされていてもよい。

また、予測装置１００は、単一のコンピュータ装置６００により構成されてもよいし、相互に接続された複数のコンピュータ装置６００からなるシステムとして構成されてもよい。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

１１ 実績値データ記憶部
１２ カレンダー情報記憶部
１３ 気象予測記憶部
１４ 需要地点情報記憶部
１５ モデル生成条件リスト記憶部
１６ 予測閾値入力部
１７ 誤差閾値入力部
１８ 学習用条件入力部
１９ 評価結果入力部
２１ 実績データ取得部
２２ カレンダー情報取得部
２３ 実績データ結合部
２４ 気象予測データ取得部
２５ 需要地点情報取得部
２６ 気象予測データ結合部
２７ データ結合部
２８ モデル生成条件取得部
２９ モデル生成条件判定部
３０ 学習部（第１モデル生成部）
３２ モデル検査部（モデル選択部）
３３ 過去予測部
３４ 過去予測判定部
３５ モデル生成条件記憶部
３６ 過去予測値取得部
３７ 誤差判定部
３８ 候補決定部
３９ アンサンブル学習部（第２モデル生成部）
４０ 予測部
４１ モデル記憶部
４２ 過去予測値記憶部
４３ 記憶部
５１ 候補表示部
５２ 評価用データ表示部
５３ 表示部
５４ 予測値出力部
６１ 学習条件入力部
６２ 学習管理部（決定部）
７１ 発電情報記憶部
７７ 評価判定部（モデル選択部）
１００ 予測装置（情報処理装置）
１０１ 予測システム
１０２ 制御装置（制御部）
１０３ 市場入札装置
１０４ 需要家装置
１０５ 評価指標算出装置
１０６ シミュレーション装置
１０７ 評価装置（評価部）
１１０ 記憶装置
１２０ 入力装置
１３０ 出力装置
６０１：ＣＰＵ
６０２：入力インタフェース
６０３：表示装置
６０４：通信装置
６０５：主記憶装置
６０６：外部記憶装置
６０７：バス

Claims (23)

1. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成し、
   前記説明変数に基づく前記複数の第１予測モデルの予測値を前記複数の第１予測モデルの重みで重み付けした値と、前記目的変数との差分の総和と、
   前記複数の第１予測モデルの前記重みを含む正則化項と、
   を含む評価関数に基づき、前記重みを算出し、
   前記複数の第１予測モデルを前記重みに基づき加算することで前記目的変数に関する第２予測モデルを生成する、処理部、
   を備えた情報処理装置。
2. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成し、
   前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルから１つ以上の第１予測モデルを選択し、
   選択した前記第１予測モデルを重み付けし、重み付した前記第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成する、処理部、
   を備えた、情報処理装置。
3. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成する処理部と、
   前記複数の第１予測モデルを記憶するモデル記憶部と、を備え、
   前記処理部は、
   前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルを重み付けし、重み付した前記複数の第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成し、
   前記複数のモデル生成条件を選択する条件を定めた情報を取得し、前記条件を満たすモデル生成条件については前記第１予測モデルを再生成し、前記条件を満たさないモデル生成条件に対しては、前記モデル記憶部に記憶されている前記第１予測モデルを用いることを決定する、
   情報処理装置。
4. 前記処理部は、前記差分に基づき、前記複数の第１予測モデルの前記重みを算出し、前記複数の第１予測モデルを前記重みに基づき加算することで前記第２予測モデルを生成する
   請求項２又は３に記載の情報処理装置。
5. 前記処理部は、
   前記複数の第１予測モデルの予測値を前記重みで重み付けした値と、前記目的変数との差分の総和と、
   前記複数の第１予測モデルの前記重みを含む正則化項と、
   を含む評価関数に基づき、前記重みを算出する
   請求項４に記載の情報処理装置。
6. 前記処理部は、前記説明変数と前記第２予測モデルとに基づき、前記目的変数の予測値を算出する、
   請求項１～５のいずれか一項に記載の情報処理装置。
7. 前記モデル生成条件は、前記第１予測モデルの種類を指定する情報を含む
   請求項１～６のいずれか一項に記載の情報処理装置。
8. 前記モデル生成条件は、複数の前記説明変数のうち前記第１予測モデルの生成に用いる前記説明変数を指定する情報を含む
   請求項１～７のいずれか一項に記載の情報処理装置。
9. 前記モデル生成条件は、前記第１予測モデルの生成に用いる前記データの個数を指定する情報を含む
   請求項１～８のいずれか一項に記載の情報処理装置。
10. 前記モデル生成条件は、前記第１予測モデルの生成に用いる前記データの期間を指定する情報を含む
    請求項１～９のいずれか一項に記載の情報処理装置。
11. 前記処理部は、前記差分に基づき、前記複数の第１予測モデルから１つ以上の第１予測モデルを選択し、
    前記処理部は、選択した前記第１予測モデルに基づき、前記第２予測モデルを生成する
    請求項１、３～８のいずれか一項に記載の情報処理装置。
12. 前記説明変数は、気象に関する変数、曜日に関する変数、時刻に関する変数、地理に関する変数、及び前記第２予測モデルの予測値に基づいて制御される制御対象に関する変数のうちの少なくとも１つを含む
    請求項１～１１のいずれか一項に記載の情報処理装置。
13. 前記複数の第１予測モデルを記憶するモデル記憶部を備え、
    前記処理部は、前記複数のモデル生成条件を選択する条件を定めた情報を取得し、前記条件を満たすモデル生成条件については前記第１予測モデルを再生成し、前記条件を満たさないモデル生成条件に対しては、前記モデル記憶部に記憶されている前記第１予測モデルを用いることを決定する、
    請求項１、２、４～１０のいずれか一項に記載の情報処理装置。
14. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成する第１モデル生成部と、
    前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルを重み付けし、重み付した前記複数の第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成する第２モデル生成部と、
    前記第２予測モデルに基づき、前記目的変数の予測値を算出する予測部と、
    前記目的変数の予測値に基づいて、制御対象を制御する制御部と、
    前記制御部による制御に応じて前記制御対象から出力される情報に基づいて、前記第１予測モデル又は前記第１予測モデルの生成元となるモデル生成条件を評価する評価部と、
    前記評価部の評価結果に基づいて、前記モデル生成条件からモデル生成条件を選択するモデル選択部と、を備え、
    前記第２モデル生成部は、選択された前記モデル生成条件に基づいて、前記第１予測モデルを生成する、
    情報処理システム。
15. 前記制御対象を備えた請求項１４に記載の情報処理システム。
16. 前記制御対象は、電力売買市場への入札を行う市場入札装置であり、
    前記制御部は、電力の売電又は買電の入札量と入札価格とを含む指示情報を前記制御対象に提供する
    請求項１４又は１５に記載の情報処理システム。
17. 前記制御対象は、発電装置であり、
    前記制御部は、発電する電力を含む指示情報を前記制御対象に提供する
    請求項１４又は１５に記載の情報処理システム。
18. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成し、
    前記説明変数に基づく前記複数の第１予測モデルの予測値を前記複数の第１予測モデルの重みで重み付けした値と、前記目的変数との差分の総和と、
    前記複数の第１予測モデルの前記重みを含む正則化項と、
    を含む評価関数に基づき、前記重みを算出し、
    前記複数の第１予測モデルを前記重みに基づき加算することで前記目的変数に関する第２予測モデルを生成する
    コンピュータが実行する情報処理方法。
19. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成するステップと、
    前記説明変数に基づく前記複数の第１予測モデルの予測値を前記複数の第１予測モデルの重みで重み付けした値と、前記目的変数との差分の総和と、
    前記複数の第１予測モデルの前記重みを含む正則化項と、
    を含む評価関数に基づき、前記重みを算出し、
    前記複数の第１予測モデルを前記重みに基づき加算することで前記目的変数に関する第２予測モデルを生成するステップと
    をコンピュータに実行させるためのコンピュータプログラム。
20. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成し、
    前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルから１つ以上の第１予測モデルを選択し、
    選択した前記第１予測モデルを重み付けし、重み付した前記第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成する、
    コンピュータが実行する情報処理方法。
21. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成するステップと、
    前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルから１つ以上の第１予測モデルを選択するステップと、
    選択した前記第１予測モデルを重み付けし、重み付した前記第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成するステップと、
    をコンピュータに実行させるためのコンピュータプログラム。
22. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成し、
    前記複数の第１予測モデルをモデル記憶部に記憶し、
    前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルを重み付けし、重み付した前記複数の第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成し、
    前記複数のモデル生成条件を選択する条件を定めた情報を取得し、前記条件を満たすモデル生成条件については前記第１予測モデルを再生成し、前記条件を満たさないモデル生成条件に対しては、前記モデル記憶部に記憶されている前記第１予測モデルを用いることを決定する、
    コンピュータが実行する情報処理方法。
23. 説明変数と目的変数とを含むデータと、複数のモデル生成条件とに基づいて、前記目的変数に関する複数の第１予測モデルを生成するステップと、
    前記複数の第１予測モデルをモデル記憶部に記憶するステップと、
    前記説明変数に基づく前記複数の第１予測モデルの予測値と、前記目的変数との差分に基づき、前記複数の第１予測モデルを重み付けし、重み付した前記複数の第１予測モデルに基づき、前記目的変数に関する第２予測モデルを生成するステップと、
    前記複数のモデル生成条件を選択する条件を定めた情報を取得し、前記条件を満たすモデル生成条件については前記第１予測モデルを再生成し、前記条件を満たさないモデル生成条件に対しては、前記モデル記憶部に記憶されている前記第１予測モデルを用いることを決定するステップと、
    をコンピュータに実行させるためのコンピュータプログラム。

Images