JPH0512240A - 予測装置 - Google Patents

Abstract

(57)【要約】 【目的】予測対象を含むデータのなかに異常データが存
在する場合、正常データに変換することにより正常デー
タの数を増やすことにより、予測対象の予測精度を向上
させる。 【構成】異常データ検出部２は過去のデータからデータ
間の関係を計算し、その計算結果に基づいてデータが異
常データかどうかを判定し、異常な場合は、異常データ
変換部３が過去のデータからデータ間の関係を用いて正
常なデータに変換し、正常に変換後のデータをデータベ
ース６に格納し、予測値計算部４はデータベース６の増
えた正常なデータも読み込んで、データ間の関係を求
め、読み込んだデータから予測するので予測精度が向上
する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は過去のデータから将来の
データを予測する予測装置に関する。

【０００２】

【従来の技術】従来技術は、特開平2−170265 号公報に
記載のように、学習させたいパターンに対して出力しな
い信号を与える学習段階で除外するカテゴリのクラスタ
リングを行い、学習させたいパターンに対して出力する
信号を与える学習段階を設けて、出力する信号に対して
大きく隔たるグループ化を行って学習効果を高めてい
た。

【０００３】

【発明が解決しようとする課題】上記従来技術は、学習
させたいパターンに対して出力しない信号を与えること
により、この学習パターンを除外するクラスタリングを
行っており、この学習パターンを出力する信号のグルー
プの学習パターンの数が少なくなるという問題があっ
た。

【０００４】本発明は、学習させたいパターンに対して
出力しない信号を学習させたいパターンに対して出力す
る信号に変換して、学習させたいパターンに対して出力
する信号のパターンを低下させないことにより、出力信
号の信頼性を向上することにある。

【０００５】

【課題を解決するための手段】上記目的を達成するため
に、本発明の予測装置では、異常データ検出部は過去の
データから求めたデータ間の関係と照らし合わせて異常
かどうかを判断し、異常である場合、異常データ変換部
は過去のデータから求めた関係と照らし合わせて正常な
データに変換してデータベース内に格納し、格納されて
いるデータベースの正常なデータを用いて予測値計算部
は予測値を出力することを特徴としている。

【０００６】

【作用】異常データ検出部は過去のデータから求めたデ
ータ間の関係と照らし合わせて異常かどうかを判断し、
異常である場合、異常データ変換部は過去のデータから
求めた関係と照らし合わせて正常なデータに変換し、正
常なデータをデータベースに格納し、予測値計算部はデ
ータベースから正常なデータを用いて予測値を出力する
ことができる。

【０００７】

【実施例】本発明の第一の実施例を図１ないし図８を用
いて説明する。図１は本発明の予測装置のブロック図で
あり、図２は予測の手順を示すフローチャートである。

【０００８】予測装置はデータ入力部１，異常データ検
出部２，異常データ変換部３，予測値計算部４，予測結
果出力部５及びデータベース６からなる。データ入力装
置１はキーボード等の入力装置であり、予測結果出力部
５は表示画面，印刷機械等である。データ入力部１と異
常データ検出部２は信号Ｓ７でつながれている。異常デ
ータ変換部２は異常データ変換部３と信号Ｓ８でつなが
れている。異常データ変換部３は予測計算部４と信号Ｓ
９でつながれている。予測値計算部４は予測結果出力部
５と信号Ｓ１０とつながれている。データベース６と異
常データ検出部２，異常データ変換部３及び予測値計算
部４はそれぞれ信号Ｓ１〜Ｓ６とつながれている。

【０００９】次に予測装置の動作について、図１のブロ
ック図と図２のフローチャートを参照して説明する。図
２においてステップ７“予測条件の入力”では予測しよ
うとしている予測対象Ｙに影響を与える変数Ｘｊ（ｊ＝
１〜ｎ１）の値と条件Ｃｊ（ｊ＝１〜ｎ２）を入力す
る。ここでは簡単のため変数はＸ１のみで、条件はＣ
１，Ｃ２，Ｃ３の３つとして説明する。これらの変数Ｘ
１の値と条件Ｃ１，Ｃ２，Ｃ３は図１のデータ入力部１
より入力される。変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３
は信号Ｓ７を通して異常データ検出部２に送られる。異
常データ検出部２はステップ８“異常データの検出”の
処理によって異常データを検出する。すなわち、異常デ
ータ検出部２は変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３を
もとに関連するデータをデータベース６から検索して抽
出する。抽出した例を図３に示す。ここでは条件Ｃ１が
“０”であるものを抽出している。異常データ検出部２
ではステップ８“異常データの検出”を行うために、デ
ータベース６から抽出したデータＤ１〜Ｄｍ１（データ
につけた１，２，３などの番号とする）を用いて、図４
に示す予測対象Ｙと変数Ｘ１の回帰式Ｆを計算する。回
帰式は最小二乗法などにより求める。次に、回帰式Ｆか
らの偏差が設定値より大きい点がないかどうかを判定す
る。この場合、設定値より大きい点Ｄｊを検出する。設
定値より大きい点が複数ある場合はすべてを検出するこ
とになる。図４に示すように異常データ検出部２は異常
データＤｊを検出すると点Ｄｊが異常である事を示す情
報Ｚに異常であることを示す符号“１”をデータベース
６に追加する。正常な場合の情報Ｚの符号を“０”とす
る。異常データ検出部２は信号Ｓ８として異常データの
存在、変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３、抽出した
データ及び処理終了を知らせる。異常データ変換部３は
異常データ検出部２での処理終了により、動作を開始す
る。異常データ変換部３は異常データ検出部２から信号
Ｓ８によりステップ９“異常データ存在”の判定を行
う。異常データが存在しない場合、ステップ１２“デー
タベース内のデータを用いた予測”の処理に移る。すな
わち、異常データ変換部３は異常データ検出部２から信
号Ｓ８により異常データが存在しないことを確認する
と、変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３及び処理終了
信号からなる信号Ｓ９を出力する。異常データ変換部３
は異常データＤｊの存在を確認するとデータベース６か
ら条件Ｃ３が異常データＤｊと同じ、この場合“０”の
データＥ１〜Ｅｍ２（データにつけた１，２，３などの
番号とする）を取り出している。取り出したデータの中
にはデータＥｋ、すなわち、データＤｊ（データの番号
でＤｊ＝Ｅｋということ）が含まれている。異常データ
変換部３はデータＥ１〜Ｅｍ２（但し、異常データＥｋ
は除く）をもとに図４の回帰式Ｇを計算する。回帰式Ｇ
をもとに異常データＥｋの予測対象Ｙの値（例では４
４、以下括弧内の数字は例である）を変数Ｘ１が１９の
ときの値９２に変換するステップ１０“正常データへの
変換"処理を終了する。ステップ１１“データベースへ
の格納"処理を行うべく変換した予測対象の値９２をデ
ータベース６のＹ１の項に格納する。次に、異常データ
変換部３は変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３及び処
理終了信号からなるＳ９を出力する。予測値計算部４は
異常データ変換部３から信号Ｓ９を受け取るとステップ
１２“データベース内のデータを用いた予測”処理を行
う。まず、データ入力部１で入力された予測条件である
変数Ｘ１の値と条件Ｃ１，Ｃ２，Ｃ３のもとにデータベ
ース６から予測に必要なデータを検索して抽出する。抽
出した例を図７に示す。ここでは、予測するときの条件
Ｃ３が“０”とするとこれと同じく条件Ｃ３が“０”で
あるデータＨ１〜Ｈｍ３（データにつけた１，２，３な
どの番号とする）を取り出している。取り出したデータ
の中にはデータＨｐ、すなわち、データＤｊ（データの
番号でＨｐ＝Ｄｊということ）が含まれている。データ
Ｈ１〜Ｈｍ３をもとに、図８に示す予測対象Ｙと変数Ｘ
１の回帰式Ｑを求める。条件Ｃ１，Ｃ２，Ｃ３で集めた
データの集合が異なる場合、回帰式Ｆ，Ｇ及びＱは必ず
しも同一とは限らない。例えば、条件Ｃ２とＣ３が同一
のとき回帰式Ｇと回帰式Ｑは等しい。回帰式Ｑから予測
対象での変数Ｘ１の値ｘを入力して、予測対象Ｙの値ｙ
を求める。予測対象Ｙの値ｙをデータベース６に格納す
る。また、予測値計算部４は変数Ｘ１の値と条件Ｃ１，
Ｃ２，Ｃ３とともに計算結果を予測結果出力部５へ信号
Ｓ１０として出力する。予測結果出力部５は予測条件、
予測対象Ｙの予測値ｙ，変数Ｘ１の値ｘ、条件Ｃ１，Ｃ
２，Ｃ３を表示画面，印刷機械等に出力する。異常デー
タが存在する場合は異常データＤｊも出力する。

【００１０】第一の実施例によれば、データベース６内
のデータで回帰式からの偏差が大きい異常データを検出
して、この異常データを正常なデータに変換して、デー
タベース６に格納する。次に、正常なデータに変換され
た異常なデータと異常と判定しなかったデータを用いて
回帰式を作成するので回帰式に使うデータの点数が多く
なり予測対象Ｙの値の予測精度を向上することができ
る。

【００１１】次に本発明の第二の実施例を図１，図５，
図９を用いて説明する。第二の実施例では図１の構成と
同じであるが、異常データを正常なデータに変換する方
法に回帰式による方法ではなくニューラルネットを用い
る。図１の異常データ変換部３をニューラルネットに変
えたものである。簡単のため、図９に示すニューラルネ
ットを用いて動作を説明する。ニューラルネットは入力
層１４，中間層１５及び出力層１６の三層からなる。入
力層へは図３に示す変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３を
入力し、出力層からは予測対象Ｙが出力される。ニュー
ラルネットは正常なデータのみで学習する。例えば、図
５のデータＥ１〜Ｅｍ２（Ｅｋは除く）を学習に使用す
る。異常データＥｋは項目Ｚが“１”なので学習データ
から除く。ニューラルネットは学習データをもとにバッ
クプロバゲーション法（以下ＢＰ法と略す）により層間
の重み係数を、予測対象Ｙの値と出力層１６からの出力
である予測値の差の二乗が設定値より小さくなるまで学
習させる。ニューロン１７の入出力関数をロジスティッ
ク関数のような非線形な単調増加関数とする。正常なデ
ータで学習することにより、図９のニューラルネットに
入力層１４より異常データＤｊの変数Ｘ１、条件Ｃ１，
Ｃ２，Ｃ３を入力すると出力層から予測対象Ｙの予測値
ｙｎが出力される。これにより、異常データ変換部３は
ステップ１０“正常データへの変換”処理を終了する。
以後、予測値計算部４，予測結果出力部５及びデータベ
ース６は本発明の第一の実施例と同じ動作を行い、変数
Ｘ１、条件Ｃ１，Ｃ２，Ｃ３のもとでの予測対象Ｙの値
を出力する。

【００１２】このように第二の実施例によれば、予測対
象Ｙと変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３が非線形な関係
でも異常データを精度よく正常なデータに変換できるの
で予測対象Ｙの値をを精度よく予測することができる。

【００１３】次に本発明の第三の実施例を図１，図３，
図７，図９を用いて説明する。第三の実施例では図１の
構成と同じであるが、予測値を計算する方法が回帰式に
よる方法ではなくニューラルネットを用いる方法であ
る。図１の予測値計算部４をニューラルネットに変えた
ものである。簡単のためニューラルネットは本発明の第
二の実施例の図９に示すニューラルネットと同じ構成と
する。次に動作を説明する。入力層へは図３に示す変数
Ｘ１、条件Ｃ１，Ｃ２，Ｃ３を入力し、出力層からは予
測対象Ｙの予測値が出力される。ニューラルネットは正
常なデータのみで学習する。例えば、図７ではデータＨ
１〜Ｈｍ３（Ｈｐは除く）を学習に使用する。異常デー
タＨｐは項目Ｚが“１”なので学習データから除く。ニ
ューラルネットは学習データをもとにＢＰ法により層間
の重み係数を学習させていく。ニューロン１７の入出力
関数をロジスティック関数のような非線形な単調増加関
数とする。正常なデータで学習することにより、図９の
ニューラルネットに入力層１４より、入力データの変数
Ｘ１、条件Ｃ１，Ｃ２，Ｃ３を入力すると出力層から予
測対象Ｙの値ｙが出力される。これにより、予測値計算
部４はステップ１２“データベース内のデータを用いた
予測”処理を終了する。以後、予測結果出力部５及びデ
ータベース６は本発明の第一の実施例と同じ動作を行
い、変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３のもとでの予測対
象Ｙの予測値を出力する。

【００１４】以上説明したように第三の実施例によれ
ば、予測対象Ｙと変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３が非
線形な関係でも予測対象Ｙの値をを精度よく予測するこ
とができる。

【００１５】次に本発明の第四の実施例を図１，図５，
図１０，図１１を用いて説明する。第四の実施例では図
１の異常データ変換部３に図１０のニューラルネット
を、予測値計算部４に図１１のニューラルネットを用い
る。ここで、データは時系列データであり、前後のデー
タと相関があるものを対象とする。図１０に示す異常デ
ータ変換部３のニューラルネットは、例えば、図５のデ
ータＥ１〜Ｅｍ２を学習に使用する。また、データＥ１
〜Ｅｍ２は時系列的に並んでいるものとする。異常デー
タ変換部３のニューラルネットへはデータＥｊだけでな
く、時間的にその前後のデータＥｊ−ｉ１〜Ｅｊ＋ｉ２
の（ｉ１＋ｉ２＋１）個のデータを入力層１８から入力
し、出力層２０からは予測対象Ｙの値が出力される図１
０の構成とする。サフィックスｊの値を変えていろいろ
なケースでＢＰ法により学習させる。よって、図５のデ
ータを用いて学習する場合、学習パターン数は{ｍ２−
(ｉ１＋ｉ２＋１)＋１}である。このなかに異常データ
が一つあると学習パターン数は{ｍ２−(ｉ１＋ｉ２＋
１)−１}から{ｍ２−２(ｉ１＋ｉ２＋１)＋１}の範囲に
減少する。減少数は異常データの番号により異なる。こ
のとき、データＥｋの予測対象Ｙの値は出力層２０から
出力されるので、入力層１８への入力としない。予測値
計算部４のニューラルネットは、例えば、図７のデータ
Ｈ１〜Ｈｍ３を学習に使用する。また、データＨ１〜Ｈ
ｍ３は時系列的に並んでいるものとする。図１１に示す
予測値計算部４のニューラルネットは、データＨｍ４の
予測対象Ｙを予測する場合の例を示している。図１１の
ニューラルネットへ変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３と
時間的にその前のデータＨｍ４−ｊ１〜Ｈｍ４の(ｊ１
＋１）個のデータを入力し、出力層２２からはデータの
予測対象Ｙの予測値を出力する構成とする。図１１のニ
ューラルネットはサフィックスｍ４の値を変えてＢＰ法
により各学習パターンを学習させるものとする。データ
Ｈｍ３の予測対象Ｙが未知でこの値を予測する場合、図
１１のニューラルネットでｍ４＝ｍ３としてデータを入
力層２１から入力することにより、出力層２３からデー
タＨｍ３の予測対象Ｙの予測値が出力される。以上の構
成にすることにより、異常データ変換部３のニューラル
ネットは異常データＥｋに対して正常データを出力し、
予測値計算部４のニューラルネットは入力データである
変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３を入力することにより
予測対象の予測値を出力する。

【００１６】このように第四の実施例によれば、予測対
象Ｙと変数Ｘ１、条件Ｃ１，Ｃ２，Ｃ３が非線形な関係
でも予測対象Ｙを精度よく予測することができる。

【００１７】次に本発明の第五の実施例を図１，図３を
用いて説明する。第一の実施例では図１の異常データ検
出部２において異常データを検出していたが、異常デー
タの出現箇所が既知とする。このとき、異常データを検
出する前の状態でデータベース６で図３に示す項目Ｚに
異常データを示す“１”が入力しておく。異常データ変
換部３では項目Ｚの値により異常データＤｊを回帰式に
より正常なデータに変換できる。よって、予測値計算部
４では予測対象Ｙの値を予測するができる。

【００１８】このように第五の実施例ではデータベース
６に異常データに異常であることを示す符号を格納して
おくことにより、異常を判定する必要がないので処理時
間を高速にできる。

【００１９】

【発明の効果】本発明によれば、予測装置は、過去のデ
ータからデータ間の関係を計算し、その計算結果に基づ
いて異常データかどうかを判定し、異常な場合は、過去
のデータからデータ間の関係から正常なデータに変換
し、正常に変換後のデータをデータベースに格納し、次
に、データベースのデータを読み込んで、読み込んだデ
ータから予測するので、正常なデータが増えて予測精度
を向上することができる。

【図面の簡単な説明】

【図１】本発明の第一の実施例のブロック図。

【図２】予測値を求めるフローチャート。

【図３】データベースから読み込んだデータを表形式で
表現した説明図。

【図４】予測対象Ｙと変数Ｘ１の関係を示す特性図。

【図５】データベースから読み込んだデータを表形式で
表現した説明図。

【図６】予測対象Ｙと変数Ｘ１の関係を示す特性図。

【図７】データベースから読み込んだデータを表形式で
表現した説明図。

【図８】予測対象Ｙと変数Ｘ１の関係を示す特性図。

【図９】予測対象Ｙを出力するニューラルネットを示す
ブロック図。

【図１０】予測対象Ｙを出力するニューラルネットを示
す説明図。

【図１１】予測対象Ｙを出力するニューラルネットを示
す説明図。

【符号の説明】

１…データ入力部、２…異常データ検出部、３…異常デ
ータ変換部、４…予測値計算部、５…予測結果出力部、
６…データベース、１４…入力層、１５…中間層、１６
…出力層、１７…ニューロン。

Claims (5)

【特許請求の範囲】
1. 【請求項１】従属変数と独立変数からなる時系列データ
   を格納してあるデータベースと前記データベースの前記
   データを読み込んで前記従属変数と前記独立変数間の関
   係式を計算して、前記関係式から前記従属変数の値を予
   測する予測装置において、前記データベースの読み込ん
   だ従属変数と独立変数から計算した関係式によりデータ
   が異常かどうかを判定する異常データ検出部と異常デー
   タを前記データベースの読み込んだ前記従属変数と前記
   独立変数から計算した関係式により正常な値に変換する
   異常データ変換部を設けたことを特徴とする予測装置。
2. 【請求項２】請求項１において、前記異常データ検出部
   をニューラルネットで構成した予測装置。
3. 【請求項３】請求項１において、前記予測装置をニュー
   ラルネットで構成した予測装置。
4. 【請求項４】請求項３において、前記異常データ検出部
   をニューラルネットで構成した予測装置。
5. 【請求項５】請求項１において、前記データベースに異
   常データであることを指示する項目を設けた予測装置。