JPH06161989A - 予測装置 - Google Patents

Abstract

(57)【要約】 【目的】 予測値と共に、予測結果の確信度や予測の根
拠となった類似事例の出力が可能な、優れた予測装置を
提供する。 【構成】 入力データ変換部１が、入力された観測量か
ら主要変数を算出する。予測部１３の類似パターン探索
部３１が、データベース２中の過去の各事例の主要変数
パターンが予測当日の予測用主要変酢とどの程度類似し
ているかを評価する。類似パターン探索部３１が、前記
評価結果に基づいて過去の事例から主要変数パターンが
予測当日と類似する類似事例を選択する。予測値分析部
３３が、前記類似事例に基づいて予想当日の予測値やそ
の確信度及び予測の根拠となった類似事例を算出乃至出
力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ある日の電力需要量を
過去の需要や気温の履歴などから予測するなど、予測す
べき予測対象量を観測量のパターンなどの数値から求め
る予測装置の改良に関するものである。

【０００２】

【従来の技術】従来から、特定日の電力需要量のような
予測対象量を、予測しようとする数値に影響する主要変
数、例えば、過去の需要や気温の履歴などの観測量に基
づいて予測する予測装置が知られている。このような予
測装置における予測は、一般に、統計的アルゴリズム又
はニューラルネットによって行われる。

【０００３】ここで、図６は、従来の予測装置の一例
（従来例）を示す構成図である。この予測装置は、入力
される観測量から予測用主要変数を算出する入力データ
変換部１と、主要変数とその主要変数に対応する前記予
測対象値の実績値とからなる事例を格納するデータベー
ス２と、前記データベース２に格納された事例と予測用
主要変数に基づいて予測値を算出する予測部３とを有す
るものである。この従来例では、予測部３にニューラル
ネットが設けられている。このニューラルネットは一般
に、動物の脳神経回路網を模擬したもので、自らの構成
を変化させることによって入力と出力の対応パターンを
累積的に学習する。そして、このような学習後のニュー
ラルネットは、入力パターンに対応する出力パターンを
出力するので、各種パターン認識に用いることができ
る。

【０００４】本従来例におけるニューラルネットは、図
７（模式図）に示すように、神経細胞を模擬するユニッ
ト（図７において丸印で示す）と、各ユニットから他の
ユニットへの刺激の通り道を模擬するリンク（図７にお
いて前記丸印間の直線で示す）とを備えている。各リン
クには、刺激の通り易さを示す荷重値が付随している。
そして、このニューラルネットを構成する各ユニット
は、主要変数パターンが入力される入力層と、入力主要
変数パターンに対応した需要予測値Ｐｅを出力する出力
層と、両者を接続する中間層に分けられている。本従来
例におけるこのようなニューラルネットは、データベー
ス２から、過去の事例における主要変数と実績値とを繰
り返し入力することによって主要変数パターンと需要量
の対応関係を学習し、学習後には、入力された主要変数
に応じた需要予測値Ｐｅを出力するように変化する。

【０００５】このような学習は、例えばバックプロパゲ
ーションと呼ばれる公知の学習手法によって行う。すな
わち、入力層から過去の事例における主要変数を入力
し、その時に出力層から出力される需要予測値Ｐｅの値
が上記主要変数に対応する需要の実績値に近付くように
リンクの荷重値を少し修正する。この修正を、事例を取
り替えながら繰り返せば、ニューラルネットは主要変数
パターンとこれに対応する電力需要の実績値の対応関係
を累積し、主要変数のみを入力すれば、これに対応すべ
き需要の予測値を出力するように変化する。

【０００６】このような予測装置では、まず、入力デー
タ変換部１が、入力された観測量やデータベースに記録
されている過去のデータに基づいて主要変数を算出す
る。この主要変数は、予測すべき量である予測対象量の
大きさを強く支配する変数であり、その具体的内容は予
測の分野などに依存する。ここで、本従来例は電力需要
予測を目的とする予測装置であるから、主要変数パター
ンは、例えば、予測しようとする予測日からみて、過去
１ケ月の電力需要の平均値、過去２週間の日最高気温の
平均値、前日の電力需要、当日の最高気温予測値などで
ある。なお、予測時の主要変数パターンには、最高気温
予測値のように、その時点で確定していない量が含まれ
る場合がある。そして、このような主要変数の組み合わ
せである主要変数パターンが予測部３に送られ、ニュー
ラルネットの入力層に入力されると、この入力に対応し
た電力需要の予測値Ｐｅが出力層から出力される。

【０００７】以上のような従来の予測システムは、ニュ
ーラルネット及び統計的アルゴリズムのいずれによるも
のであっても、原理的には、過去の事例に見られる主要
変数パターンｘと需要実績値Ｐａの相関関係を近似する
関数Ｐａ（ｘ）を求めるものである（図８）。ここで、
図８は主要変数ｘと実績値Ｐａとの相関関係を示すグラ
フである。主要変数パターンは一般に多次元であるが、
３次元以上は図示できないので、ここでは便宜上、主要
変数パターンの各量を要素とするベクトルをｘで示し、
これを横軸として簡略に表示する。

【０００８】例えば、電力需要予測の場合における予測
対象量は電力であるから、縦軸に示す実績値Ｐａは実際
に発生した電力需要を意味することになる。そして、図
中Ｉ型の印は、過去の事例において、所定のｘとそのと
きの実績値Ｐａとを図にプロットした時に、あるｘに対
して実績値Ｐａの値がばらつくことを示している。この
Ｉ型の印の上下の端は、実績値Ｐａのそれぞれ上下限を
示している。例えば、この図では、ｘ０とｘ２では実績
値Ｐａはばらつきが小さく、ｘ１とｘ３の場合には実績
値Ｐａはばらつきが大きい。

【０００９】この図８に示すように、需要予測値Ｐｅ
（ｘ）の曲線はｘと実績値Ｐａの関係をある程度忠実に
近似している。したがって、ニューラルネットによるか
統計的なアルゴリズムによるかを問わず、このような近
似的関数を用いた予測も一定の有用性を有している。

【００１０】

【発明が解決しようとする課題】ところで、このような
関数は上記のように、あくまでもｘと実績値Ｐａの平均
的な関係のみを示したものである。例えば、図８におい
て、主要変数パターンｘ０とｘ２においては、実績値Ｐ
ａのばらつきが小さいので、この関数から得られる予測
値Ｐｅは実績値Ｐａを高い確信度で代表している。しか
し、主要変数パターンｘ１とｘ３の場合には実績値Ｐａ
のばらつきが非常に大きく、この時の予測値Ｐｅの値は
実績値Ｐａを低い確信度で代表していることになる。

【００１１】これに対して、従来の予測装置は予測値の
みを出力するもので、実績値のばらつきによって変動す
る予測値の確信度を出力するものではなかった。このた
め、これを利用する利用者にとって、その予測値をどの
程度の確信をもって利用してよいのか判断が困難という
問題点があった。また、従来の予測装置では、図８に示
すように、一つの相関関数Ｐａ（ｘ）が決まってしまう
と、利用者は、予測において特に重視された過去の事例
を知ることができなかった。このため、予測値の妥当性
の検討が困難という問題点があった。本発明は、上記の
従来技術の問題点を解決するために提案されたもので、
その目的は、予測値と共に、予測結果の確信度や予測の
根拠となった類似事例の出力が可能な、優れた予測装置
を提供することにある。

【００１２】

【課題を解決するための手段】上記の目的を達するた
め、本発明の予測装置は、予測しようとする予測対象値
に影響する主要変数とその主要変数に対応する前記予測
対象値の実績値とからなる事例を格納するデータベース
と、予測用主要変数を入力し、又は、所定の観測量を入
力しこの観測量から予測用主要変数を算出する入力変換
手段と、前記データベースに格納された事例から、前記
予測用主要変数のパターンと主要変数のパターンが類似
する類似事例を検索する類似事例検索手段と、前記類似
事例に基づいて予測値を算出して出力する予測値算出手
段と、少なくとも、前記類似事例における実績値のばら
つきに関する確信度情報を生成して出力する確信度情報
出力手段、又は、前記類似事例に関する情報を出力する
類似事例情報出力手段、とを備えたことを特徴とする。

【００１３】

【作用】以上のような構成を有する本発明では、類似事
例検索手段が、データベースに格納された事例から予測
用主要変数のパターンと主要変数のパターンが類似する
類似事例を検索し、予測値算出手段が前記類似事例に基
づいて予測値を算出して出力する。また、少なくとも、
確信度情報出力手段が類似事例における実績値のばらつ
きに関する確信度情報を生成して出力するか、又は、類
似事例情報出力手段が予測の根拠となった類似事例に関
する情報を出力する。したがって、本発明によれば、予
測値と共に、予測結果の確信度や予測の根拠となった類
似事例の出力が可能となる。

【００１４】

【実施例】以下、本発明の予測装置の代表的な一実施例
について、図面に従って具体的に説明する。

【００１５】（１）実施例の構成…図１〜図５ 本実施例の予測装置は電力需要量を予測するためのもの
で、図１（構成図）に示すように、入力される観測量か
ら所定の予測用主要変数を算出する入力データ変換部１
（前記入力変換手段に相当するもの）と、主要変数とそ
の主要変数に対応する予測対象値の実績値とからなる過
去の事例を格納するデータベース２と、前記過去の事例
と予測用主要変数に基づいて予測値を算出する予測部１
３とを有している。

【００１６】［入力データ変換部１］このうち入力デー
タ変換部１は、データベース２や予測装置外部から入力
された観測量から主要変数を算出するが、この主要変数
は前記従来例と同様、例えば、予測しようとする予測日
からみて、過去１ケ月の電力需要の平均値、過去２週間
の日最高気温の平均値、前日の電力需要、当日の最高気
温予想値などである。

【００１７】なお、入力データ変換部１は次のような２
通りの動作モードを有し、算出された主要変数の出力先
は動作モードによって変化する。

【００１８】実績値記録モード このモードは、確定したデータを過去の事例の一つとし
てデータベース２に記録するために用いられる。例え
ば、その日が既に終った時点では、実際の最高気温や電
力需要の実績値が確定しており、これらの確定的数値は
データベース２に対して出力される。また、このモード
においては、予測用主要変数も予測の基礎とされたとい
う意味では確定しているので、データベース２に出力さ
れる。

【００１９】予測モード このモードは電力需要予測のためのもので、このモード
で入力データ変換部１に入力される観測量には、その時
点で確定している量だけでなく、予想最高気温のように
予想した量も含まれる。このモードにおいて算出された
予測用主要変数は、その組み合わせである予測用主要変
数パターンとして、予測部１３に対して出力される。

【００２０】［データベース２］データベース２は、図
２に示すように、事例番号、年月日、予測の基礎となっ
た観測量、前記観測量に基づいて算出された主要変数、
電力需要量の実績値Ｐａ、その日の電力需要予測値の代
表値Ｐｔ、その他の情報を、日ごとのセットとして格納
している。本実施例では、これらのデータの内前年２年
分までを予測部１３において事例として用い、予測して
いる年に収集されたものは次の年の予測に用いられる。

【００２１】［予測部１３］予測部１３は、さらに、デ
ータベース２中の過去の各事例の主要変数パターンが予
測当日とどの程度類似しているかを評価する類似パター
ン探索部３１と（図１）、前記評価結果に基づいて過去
の事例から主要変数パターンが予測当日と類似する類似
事例を選択する選択する類似パターン選択部３２と、前
記類似事例に基づいて予測当日の予測値やその確信度及
び予測の根拠となった類似事例を算出乃至出力する予測
値分析部３３（前記予測値算出手段、前記確信度情報出
力手段並びに前記類似事例情報出力手段に相当するも
の）とを有する。なお、類似パターン探索部３１及び類
似パターン選択部３２は、前記類似事例検索手段を構成
する。

【００２２】このうち類似パターン探索部３１には、入
力された予測用主要変数のパターンと過去の事例の主要
変数パターンとの類似度を評価するニューラルネット３
１ａが設けられている（図３）。このニューラルネット
３１ａは、前記従来例と同様、動物の脳神経回路網を模
擬したもので、図の丸印は神経細胞を模擬するユニッ
ト、線は一つのユニットから他のユニットへの刺激の通
り道を模擬するリンクである。このニューラルネット３
１ａを構成する各ユニットは、予測用主要変数のパター
ンが入力される入力層（図３左側）と、入力された前記
パターンに類似した主要変数パターンを有する事例の番
号を出力する出力層（図３右側）と、両者を接続する中
間層に分類される。

【００２３】本実施例におけるニューラルネット３１ａ
は、出力層の出力ユニットが過去の事例の数である３６
５日×２年分と同数設けられていて、これら各出力ユニ
ットが過去の事例一つ一つに対応している。また、この
ニューラルネット３１ａはデータベース中の過去の事例
に基づいた学習を済ませたもので、各出力ユニットは、
自己が対応する事例の主要変数パターンと入力された予
測用主要変数パターンとの類似の程度に応じて、強い出
力を発生する。したがって、この出力は、予測部１３に
入力された主要変数パターンが過去の事例の何番目（出
力ユニットの番号）とどの程度（出力ユニットの出力
値）似ているかを示すことになる。

【００２４】なお、類似パターン探索部３１には、学習
動作を制御する学習部３１ｂが設けられていて、この学
習部３１ｂは、類似パターン探索部３１外部から所定の
学習要求が入力された時にのみ、ニューラルネット３１
ａに、データベース部２に格納されている過去の事例の
主要変数パターンを学習させるように構成されている。

【００２５】なお、本実施例の予測装置は、コンピュー
タ上に実現されるもので、上記各部の各機能は、プログ
ラムの形式で表現された所定の手順でコンピュータを動
作させることによって実現されている。

【００２６】（２）実施例の作用 以上のような構成を有する本実施例における電力需要の
予測は、前記予測モードにおいて、次のように行われ
る。なお、この予測の例では、１９９２年７月６日（以
下、「当日」という。）の電力需要を予測するものとす
る。

【００２７】［類似パターンの探索］まず、観測量が入
力データ変換部１に入力されると（図１）、入力データ
変換部１は、この観測量から当日の主要変数を算出す
る。この主要変数のパターンは予測部１３に送られ、予
測部１３の類似パターン探索部３１は、受けとった主要
変数パターンをデータベース２中の各事例における主要
変数フィールド（図２）のデータと比較する。すなわ
ち、ニューラルネット３１ａ（図３）では、入力データ
変換部１から主要変数パターンが入力されると、各事例
に対応する各出力ユニットは自己が対応する事例の主要
変数パターンと入力主要変数パターンとの類似の程度に
応じて、強い出力を発生する。したがって、この出力
は、予測部１３に入力された主要変数パターンが過去の
事例の何番目（出力ユニットの番号）とどの程度（出力
ユニットの出力値）似ているかを示す。

【００２８】例えば、入力された主要変数パターンがデ
ータベース部２の３番目の事例の主要変数パターンに類
似している場合には３番目の出力ユニットが大きな出力
を生じる。この出力は、入力された主要変数パターンが
３番目の事例に非常に類似していれば１．０に近づき、
似ている度合が減少するに従い０．０に近付いて行く。
この場合、ニューラルネットの出力の大きさは、３番目
の事例への類似の度合をおおまかに示している。もし入
力された主要変数パターンが３番目の事例のみならず、
６番目の事例にも似ているならば、６番目の出力ユニッ
トも類似の度合をある程度反映した値を出力する。な
お、各ユニットの出力は類似パターン選択部３２に対し
て出力される（図１）。

【００２９】［類似パターンの選択］類似パターン選択
部３２は、類似パターン探索部３１から受けとった各出
力の内、出力値が大きい事例を幾つか選択する。本実施
例では、出力ユニットの出力値の大きい順に（すなわち
類似の程度が大きいと思われる順に）事例を９個選び、
その番号と出力値（以下、類似重みと呼ぶ）とを予測値
分析部３３に対して出力するものとする（図１）。

【００３０】［予測値の算出］予測値分析部３３は、類
似パターン選択部３２から、類似事例の番号と類似重み
を受けると、データベース部２からこれらの事例のデー
タを読み出す。図４は、このように読み出された類似事
例のデータの一例である。続いて、予測値分析部３３は
上記９個の類似パターンのうち、類似重みの大きな３つ
のデータから、予測値の代表値Ｐｔを計算する。この代
表値Ｐｔは、この３つのデータの需要実績値をＰ１，Ｐ
２，Ｐ３、類似重みをｆ１，ｆ２，ｆ３とすると、

【数１】 Ｐｔ＝（Ｐ１・ｆ１＋Ｐ２・ｆ２＋Ｐ３・ｆ３）／（ｆ１＋ｆ２＋ｆ３） によって求められる。

【００３１】上式によれば、この例における代表値Ｐｔ
は１５２０ＭＷであり、また、上記９個の類似事例にお
ける電力需要の最小値は１３９０ＭＷ、最大値は１５５
０ＭＷであった。したがって、過去の類似事例では、電
力需要は１３９０ＭＷから１５５０ＭＷまでのばらつき
があり、１５２０ＭＷ程度である可能性が高いという予
測結果が得られる。この予測結果は、上記代表事例及び
ばらつき幅と共に、予測装置に接続された図示しない出
力装置に対して出力される。図５は、予測分析部３３か
らの出力に対応して表示装置が表示する予測結果の一例
であり、予測値のみならず、類似事例における予測値の
ばらつき幅と、予測の根拠となった類似事例とが表示さ
れている。発電計画にたずさわる給電の専門家は、この
ように表示された予測結果に基づいて、発電及び給電計
画を立案する。なお、予測値の代表値である１５２０Ｍ
Ｗはデータベース部２にも転送されて記録される。

【００３２】（３）実施例の効果 以上のように、本実施例では、類似事例検索手段である
類似パターン探索部３１及び類似パターン選択部３２
が、予測当日と主要変数パターンが類似する類似事例を
データベース２から検索し、予測値算出手段である予測
値分析部３３は、類似事例に基づいて代表値Ｐｔを算出
して出力する。また、本実施例では、予測値分析部３３
は確信度情報出力手段でもあって、類似事例における実
績値の最小値及び最大値を確信度情報として出力する。
同時に、この予測値分析部３３は類似事例情報出力手段
でもあって、類似事例に関する情報として、類似事例の
発生年月日、実績値及び類似重みを出力する。したがっ
て、本実施例によれば、予測値とともに、予測結果の確
信度や予測の根拠となった類似事例の出力が可能とな
る。

【００３３】特に、本実施例では、類似事例の検索にニ
ューラルネットを用いているので、検索速度が高速であ
るのみならず、様々な主要変数と実績値との対応関係を
機動的かつ有機的に学習することができるので、予測の
精度が向上する。

【００３４】（４）他の実施例 なお、本発明は、上記の実施例に限定されるものではな
く、次のような他の実施例を包含する。例えば、上記実
施例における予測対象は電力需要予測であるが、本発明
及は他のいかなる対象の予測に対しても適用可能である
ことは当然である。また、前記実施例では予測用主要変
数とは別個の数値である観測量を入力して予想用主要変
数を算出しているが、この予測用主要変数を予測部に直
接入力するように構成することもできる。この実施例で
は、予測用主要変数と観測量が同一である場合に装置の
構成を単純化することができる。また、データベースの
データ構造や主要変数の内容は自由に定めることができ
る。

【００３５】また、類似事例を発見する手段は、ニュー
ラルネットを用いるものには限定されず、統計的アルゴ
リズムその他のアルゴリズムを応用したものを用いるこ
ともできる。また、前記確信度情報は、類似事例におけ
る実績値のばらつき幅には限定されず、このようなばら
つき幅を例えばＡ，Ｂ，Ｃで三段階評価するなどの段階
的評価でもよい。また、類似事例情報出力手段は、類似
事例の件数のみを出力するように構成することもでき
る。また、上記実施例の予測装置はコンピュータ上に実
現されているが、その機能の全部又は一部は専用の回路
上に実現してもよい。

【００３６】

【発明の効果】以上のように、本発明によれば、予測結
果の確信度の出力が可能な優れた予測装置を提供するこ
とができるので、予測値を利用する利用者にとってその
予測値をどの程度の確信をもって利用してよいのかの判
断が容易になる。また、本発明によれば、予測の根拠と
なった類似事例の出力が可能な優れた予測装置を提供す
ることができるので、利用者にとって予測値の妥当性の
検討が容易になる。

【図面の簡単な説明】

【図１】本発明の実施例の予測装置の構成図。

【図２】同実施例におけるデータベースの内容を示す
図。

【図３】同実施例におけるニューラルネットの構成を示
す模式図。

【図４】同実施例においてデータベースから読み出され
た類似事例のデータの一例。

【図５】同実施例において表示装置が表示する予測結果
の一例。

【図６】従来の予測装置の一例（従来例）の構成図。

【図７】同従来例におけるニューラルネットの構成を示
す模式図。

【図８】従来及び本発明の予測装置における主要変数と
実績値との相関関係を示す図。

【符号の説明】

１：入力データ変換部 ２：データベース ３，１３：予測部 ３１：類似パターン探索部 ３１ａ：ニューラルネット ３１ｂ：学習部 ３２：類似パターン選択部 ３３：予測値分析部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 予測しようとする予測対象値に影響する
   主要変数とその主要変数に対応する前記予測対象値の実
   績値とからなる事例を格納するデータベースと、 予測用主要変数を入力し、又は、所定の観測量を入力し
   この観測量から予測用主要変数を算出する入力変換手段
   と、 前記データベースに格納された事例から、前記予測用主
   要変数のパターンと主要変数のパターンが類似する類似
   事例を検索する類似事例検索手段と、 前記類似事例に基づいて予測値を算出して出力する予測
   値算出手段と、 少なくとも、前記類似事例における実績値のばらつきに
   関する確信度情報を生成して出力する確信度情報出力手
   段、又は、前記類似事例に関する情報を出力する類似事
   例情報出力手段、とを備えたことを特徴とする予測装
   置。