JPH0784983A - 時系列データの予測装置 - Google Patents
時系列データの予測装置Info
- Publication number
- JPH0784983A JPH0784983A JP5231140A JP23114093A JPH0784983A JP H0784983 A JPH0784983 A JP H0784983A JP 5231140 A JP5231140 A JP 5231140A JP 23114093 A JP23114093 A JP 23114093A JP H0784983 A JPH0784983 A JP H0784983A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- time series
- time
- series data
- result
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 時系列データの予測装置の予測性能を向上さ
せる。 【構成】 時系列データの予測装置は、フィードフォワ
ード型ニューラルネットワークを用いて構築された第１
の時系列予測手段１１と、ＡＲＩＭＡモデルを用いて構
築された第２の時系列予測手段１２と、使用条件１８と
第１、第２の時系列予測手段１１，１２の予測結果１
６，１７と実測結果１９を入力し、使用条件１８毎に、
各予測結果１６，１７と実測結果１９を比較すること
で、時系列予測手段１１，１２毎に使用条件１８に応じ
た予測能力の優劣を測定する使用特性測定手段１４と、
使用条件１８と予測結果１６，１７と使用特性測定手段
１４による測定結果２０を入力し、使用条件１８と測定
結果２０に基づいて、重み付き加算方法により、予測結
果１６，１７を統合して最終的な予測結果２１を出力す
る統合判定手段１３で構成されている。
せる。 【構成】 時系列データの予測装置は、フィードフォワ
ード型ニューラルネットワークを用いて構築された第１
の時系列予測手段１１と、ＡＲＩＭＡモデルを用いて構
築された第２の時系列予測手段１２と、使用条件１８と
第１、第２の時系列予測手段１１，１２の予測結果１
６，１７と実測結果１９を入力し、使用条件１８毎に、
各予測結果１６，１７と実測結果１９を比較すること
で、時系列予測手段１１，１２毎に使用条件１８に応じ
た予測能力の優劣を測定する使用特性測定手段１４と、
使用条件１８と予測結果１６，１７と使用特性測定手段
１４による測定結果２０を入力し、使用条件１８と測定
結果２０に基づいて、重み付き加算方法により、予測結
果１６，１７を統合して最終的な予測結果２１を出力す
る統合判定手段１３で構成されている。
Description
【０００１】
【産業上の利用分野】本発明は、現在および過去の時系
列データを入力して、将来の時系列データを予測する、
時系列データの予測装置に関する。
列データを入力して、将来の時系列データを予測する、
時系列データの予測装置に関する。
【０００２】
【従来の技術】現在および過去の時系列データを入力し
て、将来の時系列データを予測する場合、統計的手法に
より時系列データを解析して予測関数を導出する方法
や、時系列データを用いてニューラルネットワークを学
習させる方法が従来採用されていた。
て、将来の時系列データを予測する場合、統計的手法に
より時系列データを解析して予測関数を導出する方法
や、時系列データを用いてニューラルネットワークを学
習させる方法が従来採用されていた。
【０００３】統計的手法として、自己回帰移動平均（Ａ
ＲＭＡ）モデルや自己回帰和分移動平均（ＡＲＩＭＡ）
モデルなどの方法が採用されている（Ａ．Ｃ．Ｈａｒｖ
ｅｙ：Ｔｉｍｅ Ｓｅｒｉｅｓ Ｍｏｄｅｌｓ，Ｐｈｉ
ｌｉｐ Ａｌｌａｎ Ｐｕｂｌｉｓｈｅｒｓ（１９８
１））。
ＲＭＡ）モデルや自己回帰和分移動平均（ＡＲＩＭＡ）
モデルなどの方法が採用されている（Ａ．Ｃ．Ｈａｒｖ
ｅｙ：Ｔｉｍｅ Ｓｅｒｉｅｓ Ｍｏｄｅｌｓ，Ｐｈｉ
ｌｉｐ Ａｌｌａｎ Ｐｕｂｌｉｓｈｅｒｓ（１９８
１））。
【０００４】図４は、ＡＲＩＭＡモデルを採用して実現
された時系列予測装置の構成例を示す図である。
された時系列予測装置の構成例を示す図である。
【０００５】この時系列予測装置は、原時系列データ４
４の１階または２階の階差時系列データ４５を生成する
階差生成部４１と、ＡＲＩＭＡモデルに基づいて統計的
予測処理を実行する統計解析部４２と、階差時系列デー
タ４６を原時系列データ４７に変換する階差補正部４３
で構成されている。
４の１階または２階の階差時系列データ４５を生成する
階差生成部４１と、ＡＲＩＭＡモデルに基づいて統計的
予測処理を実行する統計解析部４２と、階差時系列デー
タ４６を原時系列データ４７に変換する階差補正部４３
で構成されている。
【０００６】図４に示した時系列予測装置は次のように
動作する。
動作する。
【０００７】まず、現在および過去の原時系列データ４
４を階差生成部４１に入力して、階差時系列データ４５
を出力する。次に、階差時系列データ４５を統計解析部
４２に入力して、将来の階差時系列データ４６を得る。
最後に、階差補正部４３を用いて、将来の原時系列デー
タ（予測結果）４７を得る。
４を階差生成部４１に入力して、階差時系列データ４５
を出力する。次に、階差時系列データ４５を統計解析部
４２に入力して、将来の階差時系列データ４６を得る。
最後に、階差補正部４３を用いて、将来の原時系列デー
タ（予測結果）４７を得る。
【０００８】ニューラルネットワークを用いる場合とし
て、ここでは、入力層と中間層と出力層からなり、入力
層から出力層へ向かう接続線で結合されるフィードフォ
ワード型ニューラルネットワークを用いる場合を例にと
って説明する。
て、ここでは、入力層と中間層と出力層からなり、入力
層から出力層へ向かう接続線で結合されるフィードフォ
ワード型ニューラルネットワークを用いる場合を例にと
って説明する。
【０００９】図５は、フィードフォワード型ニューラル
ネットワークの構成例を示す図である。
ネットワークの構成例を示す図である。
【００１０】このフィードフォワード型ニューラルネッ
トワークは入力層のニューロン５０と中間層のニューロ
ン５２と出力層のニューロン５４で構成され、入力層と
中間層のニューロン５０、５２は接続線５１で接続さ
れ、中間層と出力層のニューロン５２，５４は接続線５
３で接続されている。
トワークは入力層のニューロン５０と中間層のニューロ
ン５２と出力層のニューロン５４で構成され、入力層と
中間層のニューロン５０、５２は接続線５１で接続さ
れ、中間層と出力層のニューロン５２，５４は接続線５
３で接続されている。
【００１１】接続線５１，５３の重みを学習によって変
動させることにより、学習課題にふさわしい重みに決定
する。学習アルゴリズムとしては、バックプロパゲーシ
ョン法（Ｒｕｍｅｌｈａｒｔ，Ｄ．Ｅ．ｅｔ ａｌ．：
Ｐａｒｅｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃ
ｅｓｓｉｎｇ，Ｖｏｌ．１，ＭＩＴ Ｐｒｅｓｓ（１９
８６））を用いる。
動させることにより、学習課題にふさわしい重みに決定
する。学習アルゴリズムとしては、バックプロパゲーシ
ョン法（Ｒｕｍｅｌｈａｒｔ，Ｄ．Ｅ．ｅｔ ａｌ．：
Ｐａｒｅｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃ
ｅｓｓｉｎｇ，Ｖｏｌ．１，ＭＩＴ Ｐｒｅｓｓ（１９
８６））を用いる。
【００１２】ニューラルネットワークの学習は次のよう
に行う。現在および過去の時系列データをニューラルネ
ットワークへの入力パターンとし、将来の時系列データ
を教師パターンとして時系列学習させる。
に行う。現在および過去の時系列データをニューラルネ
ットワークへの入力パターンとし、将来の時系列データ
を教師パターンとして時系列学習させる。
【００１３】具体的には、時刻ｔiの時系列データをＡ
（ｔi）として、ｍとｆを１以上の整数としたとき、現
時刻ｔiから時刻ｔi-mまでの（ｍ＋１）個の観測値であ
るＡ（ｔi），…，Ａ（ｔi-m）を入力パターンとし、時
刻ｔi+fの観測値Ａ（ｔi+f）を教師パターンとして、時
刻ｔを更新しながら、入力パターンと教師パターンとの
対応関係を学習させる。ｍ＝３，ｆ＝１としたときの、
時刻ｔ1，ｔ2 ・・・，時刻ｔ10における入力パターン
と教師パターンとの対応を表１に示す。
（ｔi）として、ｍとｆを１以上の整数としたとき、現
時刻ｔiから時刻ｔi-mまでの（ｍ＋１）個の観測値であ
るＡ（ｔi），…，Ａ（ｔi-m）を入力パターンとし、時
刻ｔi+fの観測値Ａ（ｔi+f）を教師パターンとして、時
刻ｔを更新しながら、入力パターンと教師パターンとの
対応関係を学習させる。ｍ＝３，ｆ＝１としたときの、
時刻ｔ1，ｔ2 ・・・，時刻ｔ10における入力パターン
と教師パターンとの対応を表１に示す。
【００１４】
【表１】 この場合、ニューラルネットワークの入力層のニューロ
ン数は（ｍ＋１）個であり、出力層のニューロン数は１
個である（中間層のニューロン数は試行錯誤的に決定す
る）。
ン数は（ｍ＋１）個であり、出力層のニューロン数は１
個である（中間層のニューロン数は試行錯誤的に決定す
る）。
【００１５】従来技術を、翌日の電力消費量を予測する
問題に適用した研究報告（Ｐ．Ｃａｉｒｅ ｅｔ ａ
ｌ．：Ｐｒｏｇｒｅｓｓ ｉｎ Ｆｏｒｅｃａｓｔｉｎ
ｇ ｂｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，Ｐｒｏｃ
ｅｅｄｉｎｇｓ ｏｆ ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａ
ｌ Ｎｅｔｗｏｒｋｓ，ｐｐ．II−５４０−II−５４
５，Ｂａｌｔｉｍｏｒｅ，１９９２）によると、ＡＲＩ
ＭＡモデルを適用した場合の平均予測誤差は１．８０
％、ニューラルネットワークを適用した場合の平均予測
誤差は１．７２％だった。平均予測誤差だけで比較する
かぎり両者の間には大きな差はなかった。しかし、平均
ではなく個別に比較してみると、休日での予測誤差はニ
ューラルネットワークの方が大きく、平日での予測誤差
はＡＲＩＭＡモデルの方が大きいという結果であった。
問題に適用した研究報告（Ｐ．Ｃａｉｒｅ ｅｔ ａ
ｌ．：Ｐｒｏｇｒｅｓｓ ｉｎ Ｆｏｒｅｃａｓｔｉｎ
ｇ ｂｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，Ｐｒｏｃ
ｅｅｄｉｎｇｓ ｏｆ ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａ
ｌ Ｎｅｔｗｏｒｋｓ，ｐｐ．II−５４０−II−５４
５，Ｂａｌｔｉｍｏｒｅ，１９９２）によると、ＡＲＩ
ＭＡモデルを適用した場合の平均予測誤差は１．８０
％、ニューラルネットワークを適用した場合の平均予測
誤差は１．７２％だった。平均予測誤差だけで比較する
かぎり両者の間には大きな差はなかった。しかし、平均
ではなく個別に比較してみると、休日での予測誤差はニ
ューラルネットワークの方が大きく、平日での予測誤差
はＡＲＩＭＡモデルの方が大きいという結果であった。
【００１６】
【発明が解決しようとする課題】従来の技術の項で説明
したとおり、統計的手法とニューラルネットワークのよ
うに、互いに相異なる設計手法で構築された時系列予測
手段は、全体で見たときの平均予測誤差は同程度でも、
個別に見たときの予測誤差は、曜日や天候などの使用条
件に応じて優劣が生じる可能性がある。
したとおり、統計的手法とニューラルネットワークのよ
うに、互いに相異なる設計手法で構築された時系列予測
手段は、全体で見たときの平均予測誤差は同程度でも、
個別に見たときの予測誤差は、曜日や天候などの使用条
件に応じて優劣が生じる可能性がある。
【００１７】例えば、上述した、翌日の電力消費量予測
問題では、休日を対象に使用するときには、ＡＲＩＭＡ
モデルの方がニューラルネットワークよりも優れた予測
性能を示した。
問題では、休日を対象に使用するときには、ＡＲＩＭＡ
モデルの方がニューラルネットワークよりも優れた予測
性能を示した。
【００１８】従来技術では、時系列予測手段の使用特性
を考慮しておらず、平均予測誤差の優劣だけで１種類の
時系列予測手段を選択して用いていたので、より高い予
測性能をもつ、時系列データの予測装置を実現できない
という欠点があった。
を考慮しておらず、平均予測誤差の優劣だけで１種類の
時系列予測手段を選択して用いていたので、より高い予
測性能をもつ、時系列データの予測装置を実現できない
という欠点があった。
【００１９】本発明の目的は、従来装置よりも優れた予
測性能を有する、時系列データの予測装置を提供するこ
とにある。
測性能を有する、時系列データの予測装置を提供するこ
とにある。
【００２０】
【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、時系列データの予測装置は、現在および
過去の時系列データを入力し、将来の時系列データを予
測する複数種類の時系列予測手段と、使用条件と、前記
複数種類の時系列予測手段の予測結果と、実測結果を入
力し、使用条件毎に、各予測結果と実測結果を比較する
ことで、時系列予測手段の種類毎に、使用条件に応じた
予測能力の優劣を測定する使用特性測定手段と、使用条
件と、前記複数種類の時系列予測手段の予測結果と、前
記使用特性測定手段による測定結果を入力し、使用条件
と測定結果に基づいて、重み付き加算法により、前記複
数種類の時系列予測手段の予測結果を統合して、最終的
な予測結果を出力する統合判定手段を有する。
に、本発明の、時系列データの予測装置は、現在および
過去の時系列データを入力し、将来の時系列データを予
測する複数種類の時系列予測手段と、使用条件と、前記
複数種類の時系列予測手段の予測結果と、実測結果を入
力し、使用条件毎に、各予測結果と実測結果を比較する
ことで、時系列予測手段の種類毎に、使用条件に応じた
予測能力の優劣を測定する使用特性測定手段と、使用条
件と、前記複数種類の時系列予測手段の予測結果と、前
記使用特性測定手段による測定結果を入力し、使用条件
と測定結果に基づいて、重み付き加算法により、前記複
数種類の時系列予測手段の予測結果を統合して、最終的
な予測結果を出力する統合判定手段を有する。
【００２１】
【作用】本発明は、互いに相異なる設計手法を用いて構
築された複数種類の時系列予測手段（例えばニューラル
ネットワークを用いて構築された時系列予測手段と、統
計的手法を用いて構築された時系列予測手段）と、使用
条件毎に、各時系列予測手段の予測能力の優劣を測定す
る使用特性測定手段と、使用条件と使用特性測定手段の
測定結果に基づいて、複数種類の時系列予測手段の予測
結果を統合する統合判定手段を備えている。
築された複数種類の時系列予測手段（例えばニューラル
ネットワークを用いて構築された時系列予測手段と、統
計的手法を用いて構築された時系列予測手段）と、使用
条件毎に、各時系列予測手段の予測能力の優劣を測定す
る使用特性測定手段と、使用条件と使用特性測定手段の
測定結果に基づいて、複数種類の時系列予測手段の予測
結果を統合する統合判定手段を備えている。
【００２２】ここで、統合判定手段は、複数の予測結果
を（当該使用条件下において、より優れた予測実績を示
している時系列予測手段の予測結果に、より大きな重み
を与えるように）重み付き加算して最終的な予測結果と
する。
を（当該使用条件下において、より優れた予測実績を示
している時系列予測手段の予測結果に、より大きな重み
を与えるように）重み付き加算して最終的な予測結果と
する。
【００２３】したがって、本発明の、時系列データの予
測装置は、使用条件を考慮せず、１種類の時系列予測手
段だけを用いていた従来装置よりも優れた予測性能を有
する。
測装置は、使用条件を考慮せず、１種類の時系列予測手
段だけを用いていた従来装置よりも優れた予測性能を有
する。
【００２４】
【実施例】次に、本発明の実施例について図面を参照し
て説明する。
て説明する。
【００２５】図１は本発明の一実施例の、時系列データ
の予測装置の構成図、図２は使用特性測定手段１４の動
作を示すフローチャート、図３は本実施例の、時系列デ
ータの予測装置の動作を示すフローチャートである。
の予測装置の構成図、図２は使用特性測定手段１４の動
作を示すフローチャート、図３は本実施例の、時系列デ
ータの予測装置の動作を示すフローチャートである。
【００２６】本実施例の、時系列データの予測装置は、
現在および過去の時系列データ１５を入力して、将来の
時系列データを予測する、フィードフォワード型ニュー
ラルネットワークを用いて構築された、例えば図５に示
す第１の時系列予測手段１１と、同じく現在および過去
の時系列データ１５を入力して、将来の時系列データを
予測する、ＡＲＩＭＡモデルを用いて構築された、例え
ば図４に示す第２の時系列予測手段１２と、使用条件１
８と第１、第２の時系列予測手段１１，１２の予測結果
１６，１７と実測結果１９を入力し、使用条件１８毎
に、各予測結果１６，１７と実測結果１９を比較するこ
とで、時系列予測手段１１，１２毎に使用条件１８に応
じた予測能力の優劣を測定する使用特性測定手段１４
と、使用条件１８と時系列予測手段１１，１２の予測結
果１６，１７と使用特性測定手段１４による測定結果２
０を入力し、使用条件１８と測定結果２０に基づいて、
重み付き加算方法により、時系列予測手段１１，１２の
予測結果１６，１７を統合して最終的な予測結果２１を
出力する統合判定手段１３で構成されている。
現在および過去の時系列データ１５を入力して、将来の
時系列データを予測する、フィードフォワード型ニュー
ラルネットワークを用いて構築された、例えば図５に示
す第１の時系列予測手段１１と、同じく現在および過去
の時系列データ１５を入力して、将来の時系列データを
予測する、ＡＲＩＭＡモデルを用いて構築された、例え
ば図４に示す第２の時系列予測手段１２と、使用条件１
８と第１、第２の時系列予測手段１１，１２の予測結果
１６，１７と実測結果１９を入力し、使用条件１８毎
に、各予測結果１６，１７と実測結果１９を比較するこ
とで、時系列予測手段１１，１２毎に使用条件１８に応
じた予測能力の優劣を測定する使用特性測定手段１４
と、使用条件１８と時系列予測手段１１，１２の予測結
果１６，１７と使用特性測定手段１４による測定結果２
０を入力し、使用条件１８と測定結果２０に基づいて、
重み付き加算方法により、時系列予測手段１１，１２の
予測結果１６，１７を統合して最終的な予測結果２１を
出力する統合判定手段１３で構成されている。
【００２７】ここで、使用特性測定手段１４は、測定結
果２０を、表２に示すような予測実績表の形で表現す
る。
果２０を、表２に示すような予測実績表の形で表現す
る。
【００２８】
【表２】 予測実績表では、使用条件１８毎に、予測実績を測定し
た期間内において、第１の時系列予測手段１１の方が優
れた予測結果を示した件数と、第２の時系列予測手段１
２の方が優れた予測結果を示した件数を表示している。
例えば、使用条件Ａでは、第１の時系列予測手段１１が
優れていた件数が２２件、第２の時系列予測手段１２が
優れていた件数が７５件であったことを示している。
た期間内において、第１の時系列予測手段１１の方が優
れた予測結果を示した件数と、第２の時系列予測手段１
２の方が優れた予測結果を示した件数を表示している。
例えば、使用条件Ａでは、第１の時系列予測手段１１が
優れていた件数が２２件、第２の時系列予測手段１２が
優れていた件数が７５件であったことを示している。
【００２９】予測実績表における、予測実績の測定期間
としては、測定開始時期を固定して刻々と期間を延長
していく（累積で予測実績を測定する）方法と、測定
期間の長さを固定する（例えば、常に最近１００期間で
測定する）方法がある。使用条件１８としては、曜日や
天候、政治的変動の度合、社会的変動の度合など、予測
対象に適応した条件を用いる。電力消費量予測の場合に
は、曜日や天候が特に重要である。この場合には、例え
ば、使用条件Ａ＝休日、使用条件Ｂ＝平日、使用条件Ｃ
＝晴れ、使用条件Ｄ＝曇り、使用条件Ｅ＝雨とする。ま
た、これらの条件を組み合わせて用いることもできる。
例えば、晴れの休日、雨の平日などを使用条件とするこ
ともできる。
としては、測定開始時期を固定して刻々と期間を延長
していく（累積で予測実績を測定する）方法と、測定
期間の長さを固定する（例えば、常に最近１００期間で
測定する）方法がある。使用条件１８としては、曜日や
天候、政治的変動の度合、社会的変動の度合など、予測
対象に適応した条件を用いる。電力消費量予測の場合に
は、曜日や天候が特に重要である。この場合には、例え
ば、使用条件Ａ＝休日、使用条件Ｂ＝平日、使用条件Ｃ
＝晴れ、使用条件Ｄ＝曇り、使用条件Ｅ＝雨とする。ま
た、これらの条件を組み合わせて用いることもできる。
例えば、晴れの休日、雨の平日などを使用条件とするこ
ともできる。
【００３０】図２は使用特性測定手段１４の動作シーケ
ンスを示すフローチャートである。まず、使用条件１８
と実測結果１９を入力する（ステップ３１）。次に、第
１の時系列予測手段１１、第２の時系列予測手段１２の
予測結果１６，１７を入力する（ステップ３２）。最後
に、実測結果１９と２つの予測結果１６，１７を比較し
て、予測実績表を更新する（ステップ３３）。例えば、
使用条件Ａで、第２の時系列予測手段１２の方が予測誤
差が小さいときには、予測実績表の、使用条件Ａに対応
する、第２の時系列予測手段１２の実績値を１つだけ加
算する。
ンスを示すフローチャートである。まず、使用条件１８
と実測結果１９を入力する（ステップ３１）。次に、第
１の時系列予測手段１１、第２の時系列予測手段１２の
予測結果１６，１７を入力する（ステップ３２）。最後
に、実測結果１９と２つの予測結果１６，１７を比較し
て、予測実績表を更新する（ステップ３３）。例えば、
使用条件Ａで、第２の時系列予測手段１２の方が予測誤
差が小さいときには、予測実績表の、使用条件Ａに対応
する、第２の時系列予測手段１２の実績値を１つだけ加
算する。
【００３１】図３は本実施例の、時系列データの予測装
置の動作シーケンスを示すフローチャートである。ま
ず、時系列データ１５を第１の時系列予測手段１１に入
力して、時系列予測を行わせる（ステップ３４）。次
に、時系列データ１５を第２の時系列予測手段１２に入
力して、時系列予測を行わせる（ステップ３５）。次
に、使用条件１８と、第１の時系列予測手段１１の予測
結果１６と、第２の時系列予測手段１２の予測結果１７
と、使用特性測定手段１４の測定結果２０（予測実績
表）を統合判定手段１３に入力する（ステップ３６）。
最後に、使用条件１８と予測実績表に基づいて、２つの
予測結果１６，１７を重み付け加算した値を最終的な予
測結果２１として出力する（ステップ３７）。
置の動作シーケンスを示すフローチャートである。ま
ず、時系列データ１５を第１の時系列予測手段１１に入
力して、時系列予測を行わせる（ステップ３４）。次
に、時系列データ１５を第２の時系列予測手段１２に入
力して、時系列予測を行わせる（ステップ３５）。次
に、使用条件１８と、第１の時系列予測手段１１の予測
結果１６と、第２の時系列予測手段１２の予測結果１７
と、使用特性測定手段１４の測定結果２０（予測実績
表）を統合判定手段１３に入力する（ステップ３６）。
最後に、使用条件１８と予測実績表に基づいて、２つの
予測結果１６，１７を重み付け加算した値を最終的な予
測結果２１として出力する（ステップ３７）。
【００３２】例えば、使用条件がＡで、使用条件Ａに対
応する予測実績が「第２の時系列予測手段１２の方が第
１の時系列予測手段１１よりも優れている」ときには、 最終的な予測結果２１＝α×予測結果１６＋β×予測結
果１７ とする。但し、０≦α＜β≦１、かつ、α＋β＝１であ
る。
応する予測実績が「第２の時系列予測手段１２の方が第
１の時系列予測手段１１よりも優れている」ときには、 最終的な予測結果２１＝α×予測結果１６＋β×予測結
果１７ とする。但し、０≦α＜β≦１、かつ、α＋β＝１であ
る。
【００３３】αとβの与え方は、予測実績値に応じて
比例配分する方法と、固定的に与える方法がある。
比例配分する方法と、固定的に与える方法がある。
【００３４】比例配分する方法では、第１の時系列予測
手段１１からみた勝敗が２２勝７５敗のときには、 α＝２２／（２２＋７５）＝０．２３，β＝１−α＝
０．７７ とする。αとβの値は予測実績値に応じて可変である。
手段１１からみた勝敗が２２勝７５敗のときには、 α＝２２／（２２＋７５）＝０．２３，β＝１−α＝
０．７７ とする。αとβの値は予測実績値に応じて可変である。
【００３５】固定的に与える方法では、例えば、予測実
績の優れる方に０．８、予測実績の劣る方に０．２を与
える。特に、予測実績の優れる方に１、予測実績の劣る
方に０を与えるときには、一方の結果をそのまま最終的
な予測結果２１とする。
績の優れる方に０．８、予測実績の劣る方に０．２を与
える。特に、予測実績の優れる方に１、予測実績の劣る
方に０を与えるときには、一方の結果をそのまま最終的
な予測結果２１とする。
【００３６】本実施例では、ステップ３７において、時
系列予測手段１１，１２の使用特性を考慮して、当該使
用条件下において、より優れた予測実績を示している時
系列予測手段の予測値に、より大きな重みを与えた値を
最終的な予測結果２１としている。従って、使用特性を
考慮せず、１種類の時系列予測手段の予測結果だけを用
いていた従来装置よりも優れた予測性能を実現すること
は明らかである。
系列予測手段１１，１２の使用特性を考慮して、当該使
用条件下において、より優れた予測実績を示している時
系列予測手段の予測値に、より大きな重みを与えた値を
最終的な予測結果２１としている。従って、使用特性を
考慮せず、１種類の時系列予測手段の予測結果だけを用
いていた従来装置よりも優れた予測性能を実現すること
は明らかである。
【００３７】以上の説明では、２種類の時系列予測手段
を用いる場合を例にとって説明したが、本発明は、３種
類以上の時系列予測手段を用いる場合にも適用できるこ
とは明らかである。
を用いる場合を例にとって説明したが、本発明は、３種
類以上の時系列予測手段を用いる場合にも適用できるこ
とは明らかである。
【００３８】
【発明の効果】以上説明したように、本発明は、複数種
類の時系列予測手段を設け、使用条件と予測結果と実測
結果から時系列予測手段の種類毎に、使用条件に応じた
予測能力の優劣を測定し、使用条件と優劣の測定結果に
基づいて、複数種類の時系列予測手段の予測結果を統合
して最終的な予測結果とすることにより、１種類の時系
列予測手段の予測結果だけを用いていた従来装置よりも
予測性能が向上するという効果がある。
類の時系列予測手段を設け、使用条件と予測結果と実測
結果から時系列予測手段の種類毎に、使用条件に応じた
予測能力の優劣を測定し、使用条件と優劣の測定結果に
基づいて、複数種類の時系列予測手段の予測結果を統合
して最終的な予測結果とすることにより、１種類の時系
列予測手段の予測結果だけを用いていた従来装置よりも
予測性能が向上するという効果がある。
【図１】本発明の一実施例の、時系列データの予測装置
の構成図である。
の構成図である。
【図２】使用特性測定手段１４の動作シーケンスを示す
フローチャートである。
フローチャートである。
【図３】図１の時系列データの予測装置の動作シーケン
スを示すフローチャートである。
スを示すフローチャートである。
【図４】ＡＲＩＭＡモデルを用いた時系列予測装置の構
成例を示す図である。
成例を示す図である。
【図５】フィードフォワード型ニューラルネットワーク
の構成例を示す図である。
の構成例を示す図である。
１１ 第１の時系列予測手段 １２ 第２の時系列予測手段 １３ 統合判定手段 １４ 使用特性測定手段 １５ 時系列データ １６，１７ 予測結果 １８ 使用条件 １９ 実測結果 ２０ 測定結果 ２１ 最終的な予測結果 ３１〜３７ ステップ ４１ 階差生成部 ４２ 統計解析部 ４３ 階差補正部 ４４ 時系列データ ４５ 階差時系列データ ４６ 将来の階差時系列データ ４７ 将来の原時系列データ（予測結果） ５０ 入力層のニューロン ５１ 接続線 ５２ 中間層のニューロン ５３ 接続線 ５４ 出力層のニューロン
Claims (1)
- 【請求項１】 現在および過去の時系列データを入力
し、将来の時系列データを予測する複数種類の時系列予
測手段と、 使用条件と、前記複数種類の時系列予測手段の予測結果
と、実測結果を入力し、使用条件毎に、各予測結果と実
測結果を比較することで、時系列予測手段の種類毎に、
使用条件に応じた予測能力の優劣を測定する使用特性測
定手段と、 使用条件と、前記複数種類の時系列予測手段の予測結果
と、前記使用特性測定手段による測定結果を入力し、使
用条件と測定結果に基づいて、重み付き加算法により、
前記複数種類の時系列予測手段の予測結果を統合して、
最終的な予測結果を出力する統合判定手段を有する、時
系列データの予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5231140A JPH0784983A (ja) | 1993-09-17 | 1993-09-17 | 時系列データの予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5231140A JPH0784983A (ja) | 1993-09-17 | 1993-09-17 | 時系列データの予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0784983A true JPH0784983A (ja) | 1995-03-31 |
Family
ID=16918917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5231140A Pending JPH0784983A (ja) | 1993-09-17 | 1993-09-17 | 時系列データの予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0784983A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0814413A1 (en) * | 1996-01-08 | 1997-12-29 | Matsushita Electric Industrial Co., Ltd. | Time-series signal predicting apparatus |
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| WO2014097533A1 (en) * | 2012-12-21 | 2014-06-26 | International Business Machines Corporation | Iterative active feature extraction |
| JP2022510667A (ja) * | 2018-12-12 | 2022-01-27 | ヤンジョン・インテリジェント・エレクトリカル・インスティテュート，ノース・チャイナ・エレクトリック・パワー・ユニバーシティ | エネルギー消費量を予測するための方法および装置 |
-
1993
- 1993-09-17 JP JP5231140A patent/JPH0784983A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0814413A1 (en) * | 1996-01-08 | 1997-12-29 | Matsushita Electric Industrial Co., Ltd. | Time-series signal predicting apparatus |
| EP0814413A4 (en) * | 1996-01-08 | 1999-05-06 | Matsushita Electric Ind Co Ltd | APPARATUS FOR PREDICING A TIME SERIES SIGNAL |
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| WO2014097533A1 (en) * | 2012-12-21 | 2014-06-26 | International Business Machines Corporation | Iterative active feature extraction |
| US9292798B2 (en) | 2012-12-21 | 2016-03-22 | International Business Machines Corporation | Iterative active feature extraction |
| US9390377B2 (en) | 2012-12-21 | 2016-07-12 | International Business Machines Corporation | Iterative active feature extraction |
| JP2022510667A (ja) * | 2018-12-12 | 2022-01-27 | ヤンジョン・インテリジェント・エレクトリカル・インスティテュート，ノース・チャイナ・エレクトリック・パワー・ユニバーシティ | エネルギー消費量を予測するための方法および装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
| El Desouky et al. | Hybrid adaptive techniques for electric-load forecast using ANN and ARIMA | |
| Ali et al. | Application of fuzzy–Neuro to model weather parameter variability impacts on electrical load based on long-term forecasting | |
| Carapellucci et al. | A methodology for the synthetic generation of hourly wind speed time series based on some known aggregate input data | |
| CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
| CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
| Skiadas et al. | A stochastic Bass innovation diffusion model for studying the growth of electricity consumption in Greece | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN115051358A (zh) | 一种风力发电短期负荷功率预测方法及风力发电系统 | |
| JPH0784983A (ja) | 時系列データの予測装置 | |
| Abdelkader et al. | Predicting energy demand peak using M5 model trees | |
| Xu et al. | Application of GMDH to short-term load forecasting | |
| Bashir et al. | Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm | |
| JPH0581228A (ja) | ニユーラルネツトワークの構成方法および学習／想起システム | |
| JP3077883B2 (ja) | 需要量予測装置 | |
| Onoda | Next day's peak load forecasting using an artificial neural network | |
| CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
| Chiu et al. | Combining a neural network and a rule-based expert system for short-term load forecasting | |
| Shrivastava et al. | A novel approach of input variable selection for ANN based load forecasting | |
| Sujil et al. | Markov chain monte carlo sampling based bayesian multivariate linear spline load forecasting agent for smart microgrid energy management system |