JPH0895949A - 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
- JPH0895949A JPH0895949A JP22644294A JP22644294A JPH0895949A JP H0895949 A JPH0895949 A JP H0895949A JP 22644294 A JP22644294 A JP 22644294A JP 22644294 A JP22644294 A JP 22644294A JP H0895949 A JPH0895949 A JP H0895949A
- Authority
- JP
- Japan
- Prior art keywords
- knowledge
- event
- series data
- layer
- time
- 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において重要となる時系
列データとイベントの双方を活用して、優れた予測能力
を有する時系列データの予測装置を提供する。 【構成】 ニュースの見出しを第１の知識抽出手段９に
入力して、イベントのカテゴリと程度に関する知識であ
る第１種のイベント知識を抽出し、この第１のイベント
知識と知識ベース１０に格納された予測対象時系列デー
タの変動方向に関する先験知識とのマッチング処理によ
り該イベントが予測対象時系列データの変動方向に及ぼ
す効果を示す第２種のイベント知識を第２の知識抽出手
段１１から出力し、この第２種のイベント知識をパター
ン表現手段１２で数値パターン化し、このパターン化さ
れた第２のイベント知識と過去および現在の時系列デー
タとに基づいて将来の時系列データを予測手段１３から
出力する。
列データとイベントの双方を活用して、優れた予測能力
を有する時系列データの予測装置を提供する。 【構成】 ニュースの見出しを第１の知識抽出手段９に
入力して、イベントのカテゴリと程度に関する知識であ
る第１種のイベント知識を抽出し、この第１のイベント
知識と知識ベース１０に格納された予測対象時系列デー
タの変動方向に関する先験知識とのマッチング処理によ
り該イベントが予測対象時系列データの変動方向に及ぼ
す効果を示す第２種のイベント知識を第２の知識抽出手
段１１から出力し、この第２種のイベント知識をパター
ン表現手段１２で数値パターン化し、このパターン化さ
れた第２のイベント知識と過去および現在の時系列デー
タとに基づいて将来の時系列データを予測手段１３から
出力する。
Description
【０００１】
【産業上の利用分野】本発明は、過去および現在の時系
列データを用いて、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。
列データを用いて、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】過去および現在の時系列データを用い
て、将来の時系列データを予測する場合、従来技術で
は、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採用されていた。
て、将来の時系列データを予測する場合、従来技術で
は、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採用されていた。
【０００３】統計的手法を用いる場合として、ここで
は、重回帰モデル［文献１ 石村、有馬：多変量解析の
はなし、東京図書、１９８７］を用いる場合を例にとっ
て説明する。
は、重回帰モデル［文献１ 石村、有馬：多変量解析の
はなし、東京図書、１９８７］を用いる場合を例にとっ
て説明する。
【０００４】また、ニューラルネットワークを用いる場
合として、ここでは、図７に示すようなリカレント型ニ
ューラルネットワーク［文献２ J.L.Elman:"Finding s
tructure in time,"CRL Tech.Rep.8801,Univ.of Califo
rnia,San Diego(1989)］を用いる場合を例にとって説明
する。
合として、ここでは、図７に示すようなリカレント型ニ
ューラルネットワーク［文献２ J.L.Elman:"Finding s
tructure in time,"CRL Tech.Rep.8801,Univ.of Califo
rnia,San Diego(1989)］を用いる場合を例にとって説明
する。
【０００５】図７に示すリカレント型ニューラルネット
ワークは、入力層１、文脈層２、中間層３、出力層４に
より構成される。接続線５，６，７は、それぞれ、入力
層１から中間層３へ、文脈層２から中間層３へ、中間層
３から出力層４へ信号を入力するための重み付き接続線
（完全結合）である。接続線５，６，７の重みを学習す
ることによって、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［文献３ D.E.Rumelhart et al.:ParallelDistrib
uted Processing,Vol.1,MIT Press(1986)］を用いる。
また、図７において、接続線８は中間層３から文脈層２
に入力するための接続線であり、重み固定の１対１結合
である。
ワークは、入力層１、文脈層２、中間層３、出力層４に
より構成される。接続線５，６，７は、それぞれ、入力
層１から中間層３へ、文脈層２から中間層３へ、中間層
３から出力層４へ信号を入力するための重み付き接続線
（完全結合）である。接続線５，６，７の重みを学習す
ることによって、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［文献３ D.E.Rumelhart et al.:ParallelDistrib
uted Processing,Vol.1,MIT Press(1986)］を用いる。
また、図７において、接続線８は中間層３から文脈層２
に入力するための接続線であり、重み固定の１対１結合
である。
【０００６】過去および現在の時系列データを入力パタ
ーンとして、将来の時系列データを出力させるときの、
図７に示したリカレント型ニューラルネットワークへの
入力パターンと教師パターンの与え方は次のようにす
る。但し、時刻ｔにおける予測対象時系列データＡの値
をＡ（ｔ）とし、関連時系列データＢ，Ｃ，Ｄ，Ｅの値
をＢ（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）とする。
ーンとして、将来の時系列データを出力させるときの、
図７に示したリカレント型ニューラルネットワークへの
入力パターンと教師パターンの与え方は次のようにす
る。但し、時刻ｔにおける予測対象時系列データＡの値
をＡ（ｔ）とし、関連時系列データＢ，Ｃ，Ｄ，Ｅの値
をＢ（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）とする。
【０００７】時刻ｔの観測値であるＡ（ｔ），Ｂ
（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）を入力層１への
入力パターンとする。また、時刻（ｔ−１）の中間層３
の出力パターンを文脈層２への入力パターンとする（接
続線８を用いて、中間層３から文脈層２へ入力する）。
そして、時刻（ｔ＋１）の観測値であるＡ（ｔ＋１）を
出力層４への教師パターンとする。時刻１〜時刻１０に
おける入力パターンと教師パターンとの対応を図８に示
す。
（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）を入力層１への
入力パターンとする。また、時刻（ｔ−１）の中間層３
の出力パターンを文脈層２への入力パターンとする（接
続線８を用いて、中間層３から文脈層２へ入力する）。
そして、時刻（ｔ＋１）の観測値であるＡ（ｔ＋１）を
出力層４への教師パターンとする。時刻１〜時刻１０に
おける入力パターンと教師パターンとの対応を図８に示
す。
【０００８】この場合、入力層のニューロン数は５個で
あり、出力層のニューロン数は１個である。中間層およ
び文脈層のニューロン数は試行錯誤的に決定する。
あり、出力層のニューロン数は１個である。中間層およ
び文脈層のニューロン数は試行錯誤的に決定する。
【０００９】ここでは、予測対象時系列データの例とし
て、株価の日次データを取り上げる。具体的にはＴＯＰ
ＩＸ（東京証券市場の平均株価指数）を用いる。また、
前記株価データと相関のある関連時系列データとして、
為替レート（１ドルあたりの円）、金利、原油価格、ニ
ューヨーク証券市場の平均株価を用いる。
て、株価の日次データを取り上げる。具体的にはＴＯＰ
ＩＸ（東京証券市場の平均株価指数）を用いる。また、
前記株価データと相関のある関連時系列データとして、
為替レート（１ドルあたりの円）、金利、原油価格、ニ
ューヨーク証券市場の平均株価を用いる。
【００１０】前記の５個（株価、為替レート、金利、原
油価格、ニューヨーク証券市場の平均株価）の時系列デ
ータの日次変化分（当日値−前日値）を予測手段に入力
し、ＴＯＰＩＸの翌日の日次変化分（翌日値−当日値）
を出力させるような形で学習および予測実験を行った。
油価格、ニューヨーク証券市場の平均株価）の時系列デ
ータの日次変化分（当日値−前日値）を予測手段に入力
し、ＴＯＰＩＸの翌日の日次変化分（翌日値−当日値）
を出力させるような形で学習および予測実験を行った。
【００１１】その結果、重回帰モデルでは平均予測誤差
が１６．８、変動方向の正解率が６２％だった。また、
前記リカレント型ニューラルネットワークでは平均予測
誤差が１６．５、変動方向の正解率が６４．５％だっ
た。
が１６．８、変動方向の正解率が６２％だった。また、
前記リカレント型ニューラルネットワークでは平均予測
誤差が１６．５、変動方向の正解率が６４．５％だっ
た。
【００１２】ここで、平均予測誤差とは、予測値と実測
値の差（絶対値）の平均値であり、変動方向の正解率と
は、予測した変動方向（上がるか下がるか）の正解率の
ことである。
値の差（絶対値）の平均値であり、変動方向の正解率と
は、予測した変動方向（上がるか下がるか）の正解率の
ことである。
【００１３】
【発明が解決しようとする課題】ある時系列データの将
来の値は、自分自身を含めた複数種類の時系列データの
過去および現在の値と、外的要因であるイベントに依存
している。
来の値は、自分自身を含めた複数種類の時系列データの
過去および現在の値と、外的要因であるイベントに依存
している。
【００１４】例えば、株価の将来の値は、株価自身と出
来高、金利、為替レートなどの過去および現在の値と、
政治的変動（例えば、ロシアの政変）、社会的変動（例
えば、バブル崩壊）などのイベントに依存している。
来高、金利、為替レートなどの過去および現在の値と、
政治的変動（例えば、ロシアの政変）、社会的変動（例
えば、バブル崩壊）などのイベントに依存している。
【００１５】従来技術の項で説明した時系列予測方法で
は、イベントの使用方法などが定まっていない等の理由
により時系列データは利用されていたが、前記のイベン
トは利用されていなかったという問題がある。
は、イベントの使用方法などが定まっていない等の理由
により時系列データは利用されていたが、前記のイベン
トは利用されていなかったという問題がある。
【００１６】本発明は、上記に鑑みてなされたもので、
その目的とするところは、時系列データの予測において
重要となる時系列データとイベントの双方を活用して、
優れた予測能力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。
その目的とするところは、時系列データの予測において
重要となる時系列データとイベントの双方を活用して、
優れた予測能力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。
【００１７】
【課題を解決するための手段】上記目的を達成するた
め、本発明の時系列データの予測装置は、過去および現
在の時系列データとニュースの見出しを用いて、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であっ
て、前記ニュースの見出しを入力して、イベントのカテ
ゴリと程度に関する知識である第１種のイベント知識を
出力する第１の知識抽出手段と、予測対象時系列データ
の変動方向に関する先験知識を格納した知識ベースと、
前記第１種のイベント知識と前記知識ベースに格納され
た先験知識とのマッチング処理により該イベントが予測
対象時系列データの変動方向に及ぼす効果を示す知識で
ある第２種のイベント知識を出力する第２の知識抽出手
段と、前記第２種のイベント知識を数値パターン化する
パターン表現手段と、過去および現在の時系列データと
前記第２種のイベント知識パターンを入力として将来の
時系列データを出力する予測手段とを有することを要旨
とする。
め、本発明の時系列データの予測装置は、過去および現
在の時系列データとニュースの見出しを用いて、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であっ
て、前記ニュースの見出しを入力して、イベントのカテ
ゴリと程度に関する知識である第１種のイベント知識を
出力する第１の知識抽出手段と、予測対象時系列データ
の変動方向に関する先験知識を格納した知識ベースと、
前記第１種のイベント知識と前記知識ベースに格納され
た先験知識とのマッチング処理により該イベントが予測
対象時系列データの変動方向に及ぼす効果を示す知識で
ある第２種のイベント知識を出力する第２の知識抽出手
段と、前記第２種のイベント知識を数値パターン化する
パターン表現手段と、過去および現在の時系列データと
前記第２種のイベント知識パターンを入力として将来の
時系列データを出力する予測手段とを有することを要旨
とする。
【００１８】また、本発明の時系列データの予測装置
は、前記予測手段が入力層、中間層、出力層を有し、中
間層または出力層の出力が出力層側の隣接層以外に、そ
の層よりも入力層側に存在する層または自分自身の層に
対しても出力されるリカレント型ニューラルネットワー
クで構成されることを要旨とする。
は、前記予測手段が入力層、中間層、出力層を有し、中
間層または出力層の出力が出力層側の隣接層以外に、そ
の層よりも入力層側に存在する層または自分自身の層に
対しても出力されるリカレント型ニューラルネットワー
クで構成されることを要旨とする。
【００１９】
【作用】本発明の時系列データの予測装置では、ニュー
スの見出しから抽出されるイベントのカテゴリと程度に
関する第１種のイベント知識と知識ベースに格納された
予測対象時系列データの変動方向に関する先験知識との
マッチング処理により該イベントが予測対象時系列デー
タの変動方向に及ぼす効果を示す第２種のイベント知識
を第２の知識抽出手段から出力し、この第２種のイベン
ト知識を数値パターン化したものと過去および現在の時
系列データとに基づいて将来の時系列データを予測す
る。
スの見出しから抽出されるイベントのカテゴリと程度に
関する第１種のイベント知識と知識ベースに格納された
予測対象時系列データの変動方向に関する先験知識との
マッチング処理により該イベントが予測対象時系列デー
タの変動方向に及ぼす効果を示す第２種のイベント知識
を第２の知識抽出手段から出力し、この第２種のイベン
ト知識を数値パターン化したものと過去および現在の時
系列データとに基づいて将来の時系列データを予測す
る。
【００２０】また、本発明の時系列データの予測装置で
は、予測手段がリカレント型ニューラルネットワークで
構成される。
は、予測手段がリカレント型ニューラルネットワークで
構成される。
【００２１】
【実施例】まず、実施例を図面に従って説明する前に、
本発明の時系列データの予測装置の概要について説明す
る。
本発明の時系列データの予測装置の概要について説明す
る。
【００２２】本発明の時系列データの予測装置において
は、将来の時系列データに影響を及ぼすイベントを複数
のカテゴリに分類して考える（例えば、国際関係、内政
関係、ビジネス関係、その他の４カテゴリに分類す
る）。また、イベントの程度を複数のランクに分類して
考える（例えば、良い、悪い、その他の３ランクに分け
る）。ここではイベントをカテゴリと程度に分類して表
現したものを「第１種のイベント知識」と呼ぶ。例えば
「ビジネス関係で、悪いイベント発生」というのが第１
種のイベント知識である。
は、将来の時系列データに影響を及ぼすイベントを複数
のカテゴリに分類して考える（例えば、国際関係、内政
関係、ビジネス関係、その他の４カテゴリに分類す
る）。また、イベントの程度を複数のランクに分類して
考える（例えば、良い、悪い、その他の３ランクに分け
る）。ここではイベントをカテゴリと程度に分類して表
現したものを「第１種のイベント知識」と呼ぶ。例えば
「ビジネス関係で、悪いイベント発生」というのが第１
種のイベント知識である。
【００２３】本発明の時系列データの予測装置において
は、ニュースの見出しから前記の第１種のイベント知識
を抽出する。例えば、本発明者の特願平５−１８５２８
号に示したように、イベントのカテゴリに関する用語辞
書と、イベントの程度に関する用語辞書を設け、ニュー
スの見出しとこれらの辞書とのマッチングをとることで
第１種のイベント知識を抽出する。
は、ニュースの見出しから前記の第１種のイベント知識
を抽出する。例えば、本発明者の特願平５−１８５２８
号に示したように、イベントのカテゴリに関する用語辞
書と、イベントの程度に関する用語辞書を設け、ニュー
スの見出しとこれらの辞書とのマッチングをとることで
第１種のイベント知識を抽出する。
【００２４】本発明の時系列データの予測装置において
は、予測対象時系列データの変動方向に関する先験知識
を知識ベースに蓄えておく。例えば「ビジネス状況が悪
化すると、株価は下がる」という株価変動に関する先験
知識を次のようなｉｆ−ｔｈｅｎルールの形で知識ベー
スに蓄えておく。
は、予測対象時系列データの変動方向に関する先験知識
を知識ベースに蓄えておく。例えば「ビジネス状況が悪
化すると、株価は下がる」という株価変動に関する先験
知識を次のようなｉｆ−ｔｈｅｎルールの形で知識ベー
スに蓄えておく。
【００２５】ｉｆ（ビジネス状況＝悪化）、ｔｈｅｎ
（株価変動方向＝減少傾向） 本発明の時系列データの予測装置においては、前記第１
種のイベント知識を前記ｉｆ文に当てはめることで、イ
ベントが予測対象時系列データの変動方向に及ぼす効果
に関する知識（第２種のイベント知識）に変換できる。
例えば「株価が減少傾向となるイベント発生」という第
２種のイベント知識に変換できる。
（株価変動方向＝減少傾向） 本発明の時系列データの予測装置においては、前記第１
種のイベント知識を前記ｉｆ文に当てはめることで、イ
ベントが予測対象時系列データの変動方向に及ぼす効果
に関する知識（第２種のイベント知識）に変換できる。
例えば「株価が減少傾向となるイベント発生」という第
２種のイベント知識に変換できる。
【００２６】本発明の時系列データの予測装置において
は、前記第２種のイベント知識を数値パターンに変換す
る。例えば、本発明者の特願平６−２３９１７号に示し
た方法により変換する。
は、前記第２種のイベント知識を数値パターンに変換す
る。例えば、本発明者の特願平６−２３９１７号に示し
た方法により変換する。
【００２７】すなわち、将来の時系列データに影響を及
ぼすイベントを、「予測対象時系列データが増加傾向と
なるイベントが発生した」、「予測対象時系列データが
減少傾向となるイベントが発生した」、「いずれのイベ
ントも発生していない」という３つのイベント知識に分
類する（増加傾向に対応するイベント知識を「プラスの
イベント知識」と呼び、減少傾向に対応するイベント知
識を「マイナスのイベント知識」と呼ぶ）。次に、前記
イベント知識をパターン化する。例えば、プラスのイベ
ント知識は「１」、マイナスのイベント知識は「０」、
イベント知識なしは「０．５」という数値パターンに変
換する。そして、パターン化した前記第２種のイベント
知識を時系列データとともに予測手段に入力する。
ぼすイベントを、「予測対象時系列データが増加傾向と
なるイベントが発生した」、「予測対象時系列データが
減少傾向となるイベントが発生した」、「いずれのイベ
ントも発生していない」という３つのイベント知識に分
類する（増加傾向に対応するイベント知識を「プラスの
イベント知識」と呼び、減少傾向に対応するイベント知
識を「マイナスのイベント知識」と呼ぶ）。次に、前記
イベント知識をパターン化する。例えば、プラスのイベ
ント知識は「１」、マイナスのイベント知識は「０」、
イベント知識なしは「０．５」という数値パターンに変
換する。そして、パターン化した前記第２種のイベント
知識を時系列データとともに予測手段に入力する。
【００２８】従って、本発明の時系列データの予測装置
では、時系列データとイベントの双方に依存した時系列
予測を実現できる。
では、時系列データとイベントの双方に依存した時系列
予測を実現できる。
【００２９】すなわち、本発明の時系列データの予測装
置では、時系列データのみを利用していた従来技術より
も優れた予測能力を実現することは明らかである。
置では、時系列データのみを利用していた従来技術より
も優れた予測能力を実現することは明らかである。
【００３０】次に、図面を用いて本発明の実施例につい
て説明する。図１は、本発明の一実施例に係わる時系列
データの予測装置の構成図である。
て説明する。図１は、本発明の一実施例に係わる時系列
データの予測装置の構成図である。
【００３１】なお、本発明の実施例では、株価変動の日
次予測を例に取り上げて説明する。具体的には、予測対
象時系列データをＴＯＰＩＸ（東京証券市場の平均株価
指数）とし、ＴＯＰＩＸと相関のある関連時系列データ
として、為替レート（１ドルあたりの円）、金利、原油
価格、ニューヨーク証券市場の平均株価を用いる。
次予測を例に取り上げて説明する。具体的には、予測対
象時系列データをＴＯＰＩＸ（東京証券市場の平均株価
指数）とし、ＴＯＰＩＸと相関のある関連時系列データ
として、為替レート（１ドルあたりの円）、金利、原油
価格、ニューヨーク証券市場の平均株価を用いる。
【００３２】また、本実施例では、株価の変動方向に関
する先験知識として、次の３つを考える。
する先験知識として、次の３つを考える。
【００３３】＜先験知識１＞ 内政状態が悪化すると株
価は減少傾向になる。逆に、内政状態が好転すると株価
は上昇傾向になる。
価は減少傾向になる。逆に、内政状態が好転すると株価
は上昇傾向になる。
【００３４】＜先験知識２＞ ビジネス状況が悪くなる
と株価は減少傾向になる。逆に、ビジネス状況がよくな
ると株価は上昇傾向になる。
と株価は減少傾向になる。逆に、ビジネス状況がよくな
ると株価は上昇傾向になる。
【００３５】＜先験知識３＞ 国際情勢が悪化すると株
価は減少傾向になる。逆に、国際情勢が好転すると株価
は上昇傾向になる。
価は減少傾向になる。逆に、国際情勢が好転すると株価
は上昇傾向になる。
【００３６】図１の構成について説明する。図１に示す
時系列データの予測装置は、第１の知識抽出手段９と知
識ベース１０と第２の知識抽出手段１１とパターン表現
手段１２と予測手段１３により構成される。また、第１
の知識抽出手段９はニュースの見出しを入力として第１
種のイベント知識を出力する手段であり、知識ベース１
０は予測対象時系列データの変動方向に関する先験知識
を蓄えておくデータベースであり、第２の知識抽出手段
１１は知識ベース１０に蓄えられた先験知識と第１種の
イベント知識とのマッチング処理により第２種のイベン
ト知識を出力する手段であり、パターン表現手段１２は
第２種のイベント知識を数値パターン化する手段であ
り、予測手段１３は過去および現在の時系列データとイ
ベント知識パターンを入力として将来の時系列データを
出力する手段である。また接続線１４は知識ベース１０
と第２の知識抽出手段１１を結ぶ接続線である。
時系列データの予測装置は、第１の知識抽出手段９と知
識ベース１０と第２の知識抽出手段１１とパターン表現
手段１２と予測手段１３により構成される。また、第１
の知識抽出手段９はニュースの見出しを入力として第１
種のイベント知識を出力する手段であり、知識ベース１
０は予測対象時系列データの変動方向に関する先験知識
を蓄えておくデータベースであり、第２の知識抽出手段
１１は知識ベース１０に蓄えられた先験知識と第１種の
イベント知識とのマッチング処理により第２種のイベン
ト知識を出力する手段であり、パターン表現手段１２は
第２種のイベント知識を数値パターン化する手段であ
り、予測手段１３は過去および現在の時系列データとイ
ベント知識パターンを入力として将来の時系列データを
出力する手段である。また接続線１４は知識ベース１０
と第２の知識抽出手段１１を結ぶ接続線である。
【００３７】ここでは、本発明の実施例について、図７
に示したリカレント型ニューラルネットワークを予測手
段に用いた場合を例にとって説明する。図２は、図１に
示す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。本実施例の時系列データ
の予測装置は次のように動作する。
に示したリカレント型ニューラルネットワークを予測手
段に用いた場合を例にとって説明する。図２は、図１に
示す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。本実施例の時系列データ
の予測装置は次のように動作する。
【００３８】まず、ニュースの見出しを第１の知識抽出
手段９に入力し、第１種のイベント知識を抽出する（ス
テップＳ１１）。第１種のイベント知識の内容は、イベ
ントのカテゴリ（ここでは、国際関係、内政関係、ビジ
ネス関係、その他の４カテゴリとする）と、イベントの
程度（ここでは、良い、悪い、その他の３ランクとす
る）とで構成される。例えば、「証券各社の業績、一段
と悪化」という見出しからは、「ビジネス関係で、悪い
イベント発生（ビジネス状況＝悪化）」という第１種の
イベント知識が抽出される。第１の知識抽出手段９の構
成と動作シーケンスの例は後述する。
手段９に入力し、第１種のイベント知識を抽出する（ス
テップＳ１１）。第１種のイベント知識の内容は、イベ
ントのカテゴリ（ここでは、国際関係、内政関係、ビジ
ネス関係、その他の４カテゴリとする）と、イベントの
程度（ここでは、良い、悪い、その他の３ランクとす
る）とで構成される。例えば、「証券各社の業績、一段
と悪化」という見出しからは、「ビジネス関係で、悪い
イベント発生（ビジネス状況＝悪化）」という第１種の
イベント知識が抽出される。第１の知識抽出手段９の構
成と動作シーケンスの例は後述する。
【００３９】次に、ステップＳ１１で得られた第１種の
イベント知識を第２の知識抽出手段１１に入力する（ス
テップＳ１２）。
イベント知識を第２の知識抽出手段１１に入力する（ス
テップＳ１２）。
【００４０】それから、第２の知識抽出手段１１は、知
識ベース１０に蓄えられた先験知識と、第１種のイベン
ト知識を照合することにより、第２種のイベント知識を
抽出する（ステップＳ１３）。例えば、前記の＜先験知
識２＞は知識ベース１０の中に次のようなｉｆ−ｔｈｅ
ｎルールの形で蓄えられている。
識ベース１０に蓄えられた先験知識と、第１種のイベン
ト知識を照合することにより、第２種のイベント知識を
抽出する（ステップＳ１３）。例えば、前記の＜先験知
識２＞は知識ベース１０の中に次のようなｉｆ−ｔｈｅ
ｎルールの形で蓄えられている。
【００４１】ｉｆ（ビジネス状況＝悪化）、ｔｈｅｎ
（株価変動方向＝減少傾向） このルールと、「ビジネス状況＝悪化」という第１種の
イベント知識を照合することで「株価変動方向＝減少傾
向」という第２種のイベント知識が抽出される。
（株価変動方向＝減少傾向） このルールと、「ビジネス状況＝悪化」という第１種の
イベント知識を照合することで「株価変動方向＝減少傾
向」という第２種のイベント知識が抽出される。
【００４２】そして、第２種のイベント知識をパターン
表現手段１２に入力して、イベント知識パターンに変換
する（ステップＳ１４）。例えば、「株価変動方向＝減
少傾向」というイベント知識は「０」、「株価変動方向
＝増加傾向」というイベント知識には「１」、イベント
知識なしは「０．５」という数値パターンに変換する。
表現手段１２に入力して、イベント知識パターンに変換
する（ステップＳ１４）。例えば、「株価変動方向＝減
少傾向」というイベント知識は「０」、「株価変動方向
＝増加傾向」というイベント知識には「１」、イベント
知識なしは「０．５」という数値パターンに変換する。
【００４３】最後に、過去および現在の時系列データ
と、前記のイベント知識パターンを予測手段１３に入力
し、将来の時系列データを出力する（ステップＳ１
５）。
と、前記のイベント知識パターンを予測手段１３に入力
し、将来の時系列データを出力する（ステップＳ１
５）。
【００４４】具体的には、５個（ＴＯＰＩＸ、為替レー
ト、金利、原油価格、ニューヨーク株価）の時系列デー
タの変化分（当日の値と、前日の値の差）と、イベント
知識パターンを入力層１に入力し、翌日のＴＯＰＩＸの
変化分（翌日の値と、当日の値の差）を出力層４から出
力する。
ト、金利、原油価格、ニューヨーク株価）の時系列デー
タの変化分（当日の値と、前日の値の差）と、イベント
知識パターンを入力層１に入力し、翌日のＴＯＰＩＸの
変化分（翌日の値と、当日の値の差）を出力層４から出
力する。
【００４５】図３は、図１に示した第１の知識抽出手段
９の構成例を示す図である。図３において、第１の知識
抽出手段９はニュースの見出しを入力として、第１種の
イベント知識を出力する知識抽出部１５と、イベントの
カテゴリに関する用語を収めた第１の用語辞書１６と、
イベントの程度に関する用語を収めた第２の用語辞書１
７と、第１の用語辞書１６と知識抽出部１５を結ぶ接続
線１８と、第２の用語辞書１７と知識抽出部１５を結ぶ
接続線１９により構成される。
９の構成例を示す図である。図３において、第１の知識
抽出手段９はニュースの見出しを入力として、第１種の
イベント知識を出力する知識抽出部１５と、イベントの
カテゴリに関する用語を収めた第１の用語辞書１６と、
イベントの程度に関する用語を収めた第２の用語辞書１
７と、第１の用語辞書１６と知識抽出部１５を結ぶ接続
線１８と、第２の用語辞書１７と知識抽出部１５を結ぶ
接続線１９により構成される。
【００４６】図４は、図３に示す第１の知識抽出手段９
の動作シーケンスを示すフローチャートである。本発明
の構成要素である第１の知識抽出手段９は次のように動
作する。ここでも「証券各社の業績、一段と悪化」とい
う見出しを例にとって説明する。
の動作シーケンスを示すフローチャートである。本発明
の構成要素である第１の知識抽出手段９は次のように動
作する。ここでも「証券各社の業績、一段と悪化」とい
う見出しを例にとって説明する。
【００４７】まず、知識抽出部１５は、ニュースの見出
しと、第１の用語辞書１６とのマッチング処理を行う
（ステップＳ２１）。図５は、第１の用語辞書１６の構
成図である。ここでは、「ビジネス関係」の「証券」と
いう用語がマッチするので「ビジネス関係」というカテ
ゴリに分類される。
しと、第１の用語辞書１６とのマッチング処理を行う
（ステップＳ２１）。図５は、第１の用語辞書１６の構
成図である。ここでは、「ビジネス関係」の「証券」と
いう用語がマッチするので「ビジネス関係」というカテ
ゴリに分類される。
【００４８】次に、知識抽出部１５は、ニュースの見出
しと、第２の用語辞書１７とのマッチング処理を行う
（ステップＳ２２）。図６は、第２の用語辞書１７の構
成図である。ここでは、「悪い」の「悪化」という用語
がマッチするので「悪い」という程度に分類される。
しと、第２の用語辞書１７とのマッチング処理を行う
（ステップＳ２２）。図６は、第２の用語辞書１７の構
成図である。ここでは、「悪い」の「悪化」という用語
がマッチするので「悪い」という程度に分類される。
【００４９】それから、知識抽出部１５は抽出した第１
種のイベント知識を出力する（ステップＳ２３）。ここ
では「ビジネス関係で、悪いイベント発生」という第１
種のイベント知識を出力する。
種のイベント知識を出力する（ステップＳ２３）。ここ
では「ビジネス関係で、悪いイベント発生」という第１
種のイベント知識を出力する。
【００５０】実際に、３３０日分のデータを用いて学習
を行った後、続く７９日分のデータを用いて予測実験を
行った（この際、上記のステップＳ１１〜Ｓ１３での知
識抽出過程は思考実験により模擬して、ニュースの見出
しから、第２種のイベント知識を抽出した）。
を行った後、続く７９日分のデータを用いて予測実験を
行った（この際、上記のステップＳ１１〜Ｓ１３での知
識抽出過程は思考実験により模擬して、ニュースの見出
しから、第２種のイベント知識を抽出した）。
【００５１】その結果、リカレント型ニューラルネット
ワークを用いた場合、平均予測誤差が１５．７（従来技
術では１６．５）、変動方向の正解率が６９．６％（従
来技術では６４．５％）となり、予測誤差、変動方向の
正解率ともに向上した。
ワークを用いた場合、平均予測誤差が１５．７（従来技
術では１６．５）、変動方向の正解率が６９．６％（従
来技術では６４．５％）となり、予測誤差、変動方向の
正解率ともに向上した。
【００５２】政治的変動や国際的変動などは発生してか
らしばらくの間持続する。リカレント型ニューラルネッ
トワークは入力されたイベント知識を再帰的に用いるこ
とで、しばらくの間イベント知識を保持できるので、イ
ベント知識を特に有効に利用できる。
らしばらくの間持続する。リカレント型ニューラルネッ
トワークは入力されたイベント知識を再帰的に用いるこ
とで、しばらくの間イベント知識を保持できるので、イ
ベント知識を特に有効に利用できる。
【００５３】また、重回帰モデルを用いて同様の予測実
験を行った場合も、平均予測誤差が１６．５（従来技術
では１６．８）、変動方向の正解率が６５．８％（従来
技術では６２％）となり、予測誤差、変動方向の正解率
ともに向上した。
験を行った場合も、平均予測誤差が１６．５（従来技術
では１６．８）、変動方向の正解率が６５．８％（従来
技術では６２％）となり、予測誤差、変動方向の正解率
ともに向上した。
【００５４】
【発明の効果】以上説明したように、本発明によれば、
ニュースの見出しから抽出されるイベントのカテゴリと
程度に関する第１種のイベント知識と知識ベースに格納
された予測対象時系列データの変動方向に関する先験知
識とのマッチング処理により該イベントが予測対象時系
列データの変動方向に及ぼす効果を示す第２種のイベン
ト知識を抽出し、この第２種のイベント知識と過去およ
び現在の時系列データとに基づいて将来の時系列データ
を予測するので、従来よりも優れた予測能力を実現する
ことができる。
ニュースの見出しから抽出されるイベントのカテゴリと
程度に関する第１種のイベント知識と知識ベースに格納
された予測対象時系列データの変動方向に関する先験知
識とのマッチング処理により該イベントが予測対象時系
列データの変動方向に及ぼす効果を示す第２種のイベン
ト知識を抽出し、この第２種のイベント知識と過去およ
び現在の時系列データとに基づいて将来の時系列データ
を予測するので、従来よりも優れた予測能力を実現する
ことができる。
【図１】本発明の一実施例に係わる時系列データの予測
装置の構成図である。
装置の構成図である。
【図２】図１に示す時系列データの予測装置の作用を示
すフローチャートである。
すフローチャートである。
【図３】図１に示す時系列データの予測装置に使用され
ている第１の知識抽出手段の構成を示す図である。
ている第１の知識抽出手段の構成を示す図である。
【図４】図３に示す第１の知識抽出手段の作用を示すフ
ローチャートである。
ローチャートである。
【図５】図３に示す第１の知識抽出手段に使用されてい
る第１の用語辞書の構成図である。
る第１の用語辞書の構成図である。
【図６】図３に示す第１の知識抽出手段に使用されてい
る第２の用語辞書の構成図である。
る第２の用語辞書の構成図である。
【図７】リカレント型ニューラルネットワークの構成図
である。
である。
【図８】時系列学習を行う場合の入力パターンと教師パ
ターンとの対応例を示す図である。
ターンとの対応例を示す図である。
１ 入力層 ２ 文脈層 ３ 中間層 ４ 出力層 ９ 第１の知識抽出手段 １０ 知識ベース １１ 第２の知識抽出手段 １２ パターン表現手段 １３ 予測手段 １５ 知識抽出部 １６ 第１の用語辞書 １７ 第２の用語辞書
Claims (2)
- 【請求項１】 過去および現在の時系列データとニュー
スの見出しを用いて、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であって、 前記ニュースの見出しを入力して、イベントのカテゴリ
と程度に関する知識である第１種のイベント知識を出力
する第１の知識抽出手段と、 予測対象時系列データの変動方向に関する先験知識を格
納した知識ベースと、 前記第１種のイベント知識と前記知識ベースに格納され
た先験知識とのマッチング処理により該イベントが予測
対象時系列データの変動方向に及ぼす効果を示す知識で
ある第２種のイベント知識を出力する第２の知識抽出手
段と、 前記第２種のイベント知識を数値パターン化するパター
ン表現手段と、 過去および現在の時系列データと前記第２種のイベント
知識パターンを入力として将来の時系列データを出力す
る予測手段とを有することを特徴とする時系列データの
予測装置。 - 【請求項２】 前記予測手段は、入力層、中間層、出力
層を有し、中間層または出力層の出力が出力層側の隣接
層以外に、その層よりも入力層側に存在する層または自
分自身の層に対しても出力されるリカレント型ニューラ
ルネットワークで構成されることを特徴とする請求項１
記載の時系列データの予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22644294A JPH0895949A (ja) | 1994-09-21 | 1994-09-21 | 時系列データの予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22644294A JPH0895949A (ja) | 1994-09-21 | 1994-09-21 | 時系列データの予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0895949A true JPH0895949A (ja) | 1996-04-12 |
Family
ID=16845177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22644294A Pending JPH0895949A (ja) | 1994-09-21 | 1994-09-21 | 時系列データの予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0895949A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006318319A (ja) * | 2005-05-13 | 2006-11-24 | Sony Corp | 学習装置及び学習方法、並びにコンピュータ・プログラム |
| US7200584B2 (en) | 2003-03-20 | 2007-04-03 | Kabushiki Kaisha Toshiba | Time series pattern extraction apparatus and method |
| JP2015152825A (ja) * | 2014-02-17 | 2015-08-24 | キヤノン株式会社 | トナーおよびトナーの製造方法 |
| JP2020098646A (ja) * | 2015-06-19 | 2020-06-25 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | クロスドメイン時系列データ変換装置、方法、およびシステム |
| CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
-
1994
- 1994-09-21 JP JP22644294A patent/JPH0895949A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7200584B2 (en) | 2003-03-20 | 2007-04-03 | Kabushiki Kaisha Toshiba | Time series pattern extraction apparatus and method |
| JP2006318319A (ja) * | 2005-05-13 | 2006-11-24 | Sony Corp | 学習装置及び学習方法、並びにコンピュータ・プログラム |
| JP2015152825A (ja) * | 2014-02-17 | 2015-08-24 | キヤノン株式会社 | トナーおよびトナーの製造方法 |
| JP2020098646A (ja) * | 2015-06-19 | 2020-06-25 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | クロスドメイン時系列データ変換装置、方法、およびシステム |
| CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
| CN111370122B (zh) * | 2020-02-27 | 2023-12-19 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oh et al. | Analyzing stock market tick data using piecewise nonlinear model | |
| Kriebel et al. | Credit default prediction from user-generated text in peer-to-peer lending using deep learning | |
| CN103154991A (zh) | 信用风险采集 | |
| CA2481432A1 (en) | Processing mixed numeric and/or non-numeric data | |
| CN113535963B (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
| Oh et al. | Using change-point detection to support artificial neural networks for interest rates forecasting | |
| Azqueta-Gavaldón | Causal inference between cryptocurrency narratives and prices: Evidence from a complex dynamic ecosystem | |
| Fu et al. | A sentiment-aware trading volume prediction model for P2P market using LSTM | |
| Fargher et al. | Changes in the stock price reaction of small firms to common information | |
| Mishev et al. | Forecasting corporate revenue by using deep-learning methodologies | |
| CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
| Charemza et al. | Economic uncertainty and natural language processing; The case of Russia | |
| CN117556225B (zh) | 一种人行征信数据风险管理系统 | |
| JPH0895949A (ja) | 時系列データの予測装置 | |
| Baumgärtner et al. | Whatever it takes to understand a central banker: Embedding their words using neural networks | |
| CN111709825A (zh) | 异常产品识别方法及系统 | |
| CN110033113B (zh) | 信息处理系统及信息处理系统的学习方法 | |
| Nguyen et al. | Start spreading the news: News sentiment and economic activity in Australia | |
| CN116151840A (zh) | 一种基于大数据的用户服务数据智能管理系统及方法 | |
| EP4044094A1 (en) | System and method for determining and managing reputation of entities and industries through use of media data | |
| CN113342964B (zh) | 一种基于移动业务的推荐类型确定方法及系统 | |
| CN114819343A (zh) | 一种基于TrellisNet和注意力机制的新闻驱动股票指数预测方法 | |
| Andrawos | NLP in stock market prediction: a review | |
| Dieijen et al. | What say they about their mandate? a textual assessment of federal reserve speeches | |
| Li et al. | A deep learning approach of financial distress recognition combining text |