JPH10207857A - 時系列予測装置 - Google Patents
時系列予測装置Info
- Publication number
- JPH10207857A JPH10207857A JP9007183A JP718397A JPH10207857A JP H10207857 A JPH10207857 A JP H10207857A JP 9007183 A JP9007183 A JP 9007183A JP 718397 A JP718397 A JP 718397A JP H10207857 A JPH10207857 A JP H10207857A
- Authority
- JP
- Japan
- Prior art keywords
- time
- prediction
- series
- model
- parameters
- 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.)
- Withdrawn
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 与えられた予測モデルに対して、より高精度
な時系列予測を行うことが可能なパラメータを得るこ
と。 【解決手段】 評価手段３は、サンプルテスト法により
時系列モデル２の予測結果を評価する。すなわち、ある
予測方法が与えられた場合、サンプル時系列１から何点
かの初期値を選び、各初期値より時系列予測を行い、そ
れぞれの結果と対応する既知サンプルデータを比較する
ことにより、その予測方法の精度を評価する。最適化手
段４は、初期パラメータ５を遺伝子型データに変換し、
初期集団を作る。そして、上記評価手段３の評価結果に
基づき、淘汰、増殖、交叉、突然変異等の遺伝的アルゴ
リズムにおける遺伝的操作を行い上記集団をより高い適
応度をもつ集団に変化させ、得られた最適集団の中から
最適な染色体（個体）を選び、それに対応する最適パラ
メータ６を得る。
な時系列予測を行うことが可能なパラメータを得るこ
と。 【解決手段】 評価手段３は、サンプルテスト法により
時系列モデル２の予測結果を評価する。すなわち、ある
予測方法が与えられた場合、サンプル時系列１から何点
かの初期値を選び、各初期値より時系列予測を行い、そ
れぞれの結果と対応する既知サンプルデータを比較する
ことにより、その予測方法の精度を評価する。最適化手
段４は、初期パラメータ５を遺伝子型データに変換し、
初期集団を作る。そして、上記評価手段３の評価結果に
基づき、淘汰、増殖、交叉、突然変異等の遺伝的アルゴ
リズムにおける遺伝的操作を行い上記集団をより高い適
応度をもつ集団に変化させ、得られた最適集団の中から
最適な染色体（個体）を選び、それに対応する最適パラ
メータ６を得る。
Description
【０００１】
【発明の属する技術分野】時系列予測は、株価予測、電
力需要予測等の様々な分野で利用されており、各分野と
も、高精度な予測技術が求められている。本発明は上記
した時系列予測を行うための時系列予測装置に関し、特
に本発明は、遺伝的アルゴリズムとサンプルテスト法を
用いた時系列データ予測装置に関するものである。
力需要予測等の様々な分野で利用されており、各分野と
も、高精度な予測技術が求められている。本発明は上記
した時系列予測を行うための時系列予測装置に関し、特
に本発明は、遺伝的アルゴリズムとサンプルテスト法を
用いた時系列データ予測装置に関するものである。
【０００２】
【従来の技術】時系列予測方法として、従来からＡＲ
（オートレギュレーション）法、非線形予測法等の予測
方法が知られている。時系列予測を行うためには、上記
ＡＲモデルの係数や、非線形予測における遅れ時間、埋
め込み次元等のパラメータを決定する必要がある。上記
パラメータを決定する方法として、従来から理論的およ
びヒューリスティックな方法で決定する方法が知られて
いるが、実データに適用するとさほど芳しい予測精度が
得られない場合が多く、より最適なパラメータを求める
手法が求められていた。
（オートレギュレーション）法、非線形予測法等の予測
方法が知られている。時系列予測を行うためには、上記
ＡＲモデルの係数や、非線形予測における遅れ時間、埋
め込み次元等のパラメータを決定する必要がある。上記
パラメータを決定する方法として、従来から理論的およ
びヒューリスティックな方法で決定する方法が知られて
いるが、実データに適用するとさほど芳しい予測精度が
得られない場合が多く、より最適なパラメータを求める
手法が求められていた。
【０００３】
【発明が解決しようとする課題】本発明は上記した事情
を考慮してなされたものであって、その目的とするとこ
ろは、遺伝的アルゴリズムとサンプルテスト法を用いる
ことにより、与えられた予測モデルに対して、より高精
度な時系列予測を行うことが可能なパラメータを得るこ
とである。
を考慮してなされたものであって、その目的とするとこ
ろは、遺伝的アルゴリズムとサンプルテスト法を用いる
ことにより、与えられた予測モデルに対して、より高精
度な時系列予測を行うことが可能なパラメータを得るこ
とである。
【０００４】
【課題を解決するための手段】図１は本発明の原理構成
図である。同図において、１はサンプル時系列、２は時
系列予測モデルであり、本発明においては、時系列予測
モデル２のパラメータを最適化することにより、高精度
な時系列予測を可能とする。３は上記時系列モデル２に
よる予測結果を評価する評価手段であり、本発明におい
て、例えば次のサンプルテスト法により予測結果を評価
する。すなわち、ある予測方式が与えられた場合、サン
プル時系列１から何点かの初期値を選び、各初期値より
時系列予測を行い、それぞれの結果と対応する既知サン
プルデータを比較することにより、その予測方法の精度
を評価する（本発明では上記手法をサンプルテスト法と
定義する）。
図である。同図において、１はサンプル時系列、２は時
系列予測モデルであり、本発明においては、時系列予測
モデル２のパラメータを最適化することにより、高精度
な時系列予測を可能とする。３は上記時系列モデル２に
よる予測結果を評価する評価手段であり、本発明におい
て、例えば次のサンプルテスト法により予測結果を評価
する。すなわち、ある予測方式が与えられた場合、サン
プル時系列１から何点かの初期値を選び、各初期値より
時系列予測を行い、それぞれの結果と対応する既知サン
プルデータを比較することにより、その予測方法の精度
を評価する（本発明では上記手法をサンプルテスト法と
定義する）。
【０００５】４は時系列予測モデル２のパラメータを最
適化する最適化手段である。本発明において、例えば次
の遺伝的アルゴリズムにより最適化を行う。すなわち、
最適化手段４は、初期パラメータ５が与えられたとき、
初期パラメータを遺伝子型データに変換し、遺伝子型デ
ータを持つ染色体を多数発生させて初期集団を作る。そ
して、上記評価手段の評価結果に基づき、淘汰、増殖、
交叉、突然変異等の遺伝的アルゴリズムにおける遺伝的
操作により、上記集団を、より高い適応度をもつ集団に
変化させ、得られた最適集団の中から最適な染色体（個
体）を選び、それに対応する最適パラメータ６を得る。
適化する最適化手段である。本発明において、例えば次
の遺伝的アルゴリズムにより最適化を行う。すなわち、
最適化手段４は、初期パラメータ５が与えられたとき、
初期パラメータを遺伝子型データに変換し、遺伝子型デ
ータを持つ染色体を多数発生させて初期集団を作る。そ
して、上記評価手段の評価結果に基づき、淘汰、増殖、
交叉、突然変異等の遺伝的アルゴリズムにおける遺伝的
操作により、上記集団を、より高い適応度をもつ集団に
変化させ、得られた最適集団の中から最適な染色体（個
体）を選び、それに対応する最適パラメータ６を得る。
【０００６】本発明においては、上記図１に示したよう
に、次のようにして前記課題を解決する。 （１）時系列モデルと、該時系列モデルの予測結果を評
価する評価手段と、上記時系列モデルのパラメータを最
適化する最適化手段とを備えた時系列予測装置におい
て、上記最適化手段が、上記評価手段の評価結果に基づ
き、遺伝的アルゴリズムを用いて上記時系列モデルのパ
ラメータに対応した染色体から構成される集団を、より
高い適応度を持つ集団に進化させることにより、上記時
系列モデルのパラメータを最適化する。 （２）時系列モデルと、該時系列モデルの予測結果を評
価する評価手段と、上記時系列モデルのパラメータを最
適化する最適化手段とを備えた時系列予測装置なおい
て、上記評価手段が、与えられたサンプル時系列から所
定の数の初期値を選定し、各初期値から上記時系列モデ
ルにより時系列予測を行い、それぞれの予測結果と既知
のサンプルデータを比較して上記時系列モデルによる予
測精度を評価する。 （３）上記（１）の評価手段と（２）の最適化手段を組
み合わせて、時系列予測装置を構成する。
に、次のようにして前記課題を解決する。 （１）時系列モデルと、該時系列モデルの予測結果を評
価する評価手段と、上記時系列モデルのパラメータを最
適化する最適化手段とを備えた時系列予測装置におい
て、上記最適化手段が、上記評価手段の評価結果に基づ
き、遺伝的アルゴリズムを用いて上記時系列モデルのパ
ラメータに対応した染色体から構成される集団を、より
高い適応度を持つ集団に進化させることにより、上記時
系列モデルのパラメータを最適化する。 （２）時系列モデルと、該時系列モデルの予測結果を評
価する評価手段と、上記時系列モデルのパラメータを最
適化する最適化手段とを備えた時系列予測装置なおい
て、上記評価手段が、与えられたサンプル時系列から所
定の数の初期値を選定し、各初期値から上記時系列モデ
ルにより時系列予測を行い、それぞれの予測結果と既知
のサンプルデータを比較して上記時系列モデルによる予
測精度を評価する。 （３）上記（１）の評価手段と（２）の最適化手段を組
み合わせて、時系列予測装置を構成する。
【０００７】
【発明の実施の形態】図２は本発明の実施例のブロック
図である。同図において、１１はサンプル時系列であ
り、例えば次の（１）に示すＮ個の時系列データからな
る。 サンプル時系列：｛x1,x2,....,xN ｝ （１） １２は時系列予測モデルであり、時系列予測モデルは例
えば次の（２）式で表される。なお、下記式において、
ｙn はｎ時点の値、ｙn+1 はｎ＋１時点における予測
値、ｂ１〜ｂｎは遺伝的アルゴリズム実行手段１５によ
り得られた予測モデルのパラメータである。 ｙn+1 ＝Ｆ（ｙn;ｂ1,ｂ2,...,ｂn ） （２）
図である。同図において、１１はサンプル時系列であ
り、例えば次の（１）に示すＮ個の時系列データからな
る。 サンプル時系列：｛x1,x2,....,xN ｝ （１） １２は時系列予測モデルであり、時系列予測モデルは例
えば次の（２）式で表される。なお、下記式において、
ｙn はｎ時点の値、ｙn+1 はｎ＋１時点における予測
値、ｂ１〜ｂｎは遺伝的アルゴリズム実行手段１５によ
り得られた予測モデルのパラメータである。 ｙn+1 ＝Ｆ（ｙn;ｂ1,ｂ2,...,ｂn ） （２）
【０００８】１３は予測結果、１４は予測結果を評価す
る評価手段であり、本実施例では後述するサンプルテス
ト法により予測結果を評価する。１５は遺伝的アルゴリ
ズム実行手段、１７は初期パラメータ、１６は初期集団
生成手段であり、初期集団生成手段１６は、初期パラメ
ータ１７から遺伝子型データを持つ個体（染色体）を多
数発生させ、初期集団を生成する。遺伝的アルゴリズム
実行手段１５は、上記初期集団が与えられると、初期集
団の各個体から時系列予測モデルのパラメータｂ１，ｂ
２，…，ｂｎを得て、時系列予測モデル１２に与える。
時系列予測モデル１２はサンプル時系列１１から何点か
の初期値を選び、上記パラメータｂ１，ｂ２，…，ｂｎ
により時系列予測を行う。予測結果１３は評価手段１４
に与えられ、評価手段１４は上記予測結果と既知のサン
プルデータを比較して予測結果を評価する。
る評価手段であり、本実施例では後述するサンプルテス
ト法により予測結果を評価する。１５は遺伝的アルゴリ
ズム実行手段、１７は初期パラメータ、１６は初期集団
生成手段であり、初期集団生成手段１６は、初期パラメ
ータ１７から遺伝子型データを持つ個体（染色体）を多
数発生させ、初期集団を生成する。遺伝的アルゴリズム
実行手段１５は、上記初期集団が与えられると、初期集
団の各個体から時系列予測モデルのパラメータｂ１，ｂ
２，…，ｂｎを得て、時系列予測モデル１２に与える。
時系列予測モデル１２はサンプル時系列１１から何点か
の初期値を選び、上記パラメータｂ１，ｂ２，…，ｂｎ
により時系列予測を行う。予測結果１３は評価手段１４
に与えられ、評価手段１４は上記予測結果と既知のサン
プルデータを比較して予測結果を評価する。
【０００９】遺伝的アルゴリズム実行手段１５は、上記
評価結果に基づき淘汰、増殖、交叉、突然変異等の遺伝
的アルゴリズムのスキームを実行し、得られた集団の各
個体から時系列予測モデル１２のパラメータを得て、時
系列予測モデル１２に与える。上記処理を繰り返すこと
により、集団をより適応度の高い集団に変化させ、得ら
れた最適集団の中から最適な個体（染色体）を選び、時
系列予測モデル１２の最適パラメータ１８を得る。
評価結果に基づき淘汰、増殖、交叉、突然変異等の遺伝
的アルゴリズムのスキームを実行し、得られた集団の各
個体から時系列予測モデル１２のパラメータを得て、時
系列予測モデル１２に与える。上記処理を繰り返すこと
により、集団をより適応度の高い集団に変化させ、得ら
れた最適集団の中から最適な個体（染色体）を選び、時
系列予測モデル１２の最適パラメータ１８を得る。
【００１０】図３は本実施例の処理を示すフローチャー
トであり同図を参照しながら本実施例の処理を詳細に説
明する。なお、以下のステップＳ１〜Ｓ４は図３の各ス
テップに対応する。この例では、前記（１）に示したＮ
個のサンプル時系列および前記（２）に示した予測モデ
ルが与えられているとし、上記サンプル時系列に対し、
より最適なパラメータ｛ｃ1 ,....,ｃn ｝を求めること
を考える。 (a) ステップＳ１ まず、初期パラメータａ１，ａ２，…を遺伝子型データ
で表現する。ここでは、図４に示すように、桁数Ｃを固
定し各パラメータａｉをＣ桁２進表現したものをＡｉと
したとき、それらを単純に結合した下記の２進列Ｂを染
色体とする。すなわち、Ｂ＝Ａ１＋Ａ２＋…＋Ａｎ（こ
こではプラス記号を「結合」の意味で用いている）を染
色体（個体）とする。
トであり同図を参照しながら本実施例の処理を詳細に説
明する。なお、以下のステップＳ１〜Ｓ４は図３の各ス
テップに対応する。この例では、前記（１）に示したＮ
個のサンプル時系列および前記（２）に示した予測モデ
ルが与えられているとし、上記サンプル時系列に対し、
より最適なパラメータ｛ｃ1 ,....,ｃn ｝を求めること
を考える。 (a) ステップＳ１ まず、初期パラメータａ１，ａ２，…を遺伝子型データ
で表現する。ここでは、図４に示すように、桁数Ｃを固
定し各パラメータａｉをＣ桁２進表現したものをＡｉと
したとき、それらを単純に結合した下記の２進列Ｂを染
色体とする。すなわち、Ｂ＝Ａ１＋Ａ２＋…＋Ａｎ（こ
こではプラス記号を「結合」の意味で用いている）を染
色体（個体）とする。
【００１１】(b) ステップＳ２ 上記(a) の遺伝子型データを持つ染色体を適当な方法
（例えばランダム発生法等）により多数発生させ初期集
団を作る。なお、上記初期集団を、理論式やヒューリス
テックで求めた初期パラメータを使用して生成させても
よい。 (c) ステップＳ３ サンプルテスト法により予測モデルにより予測結果を評
価しながら、例えば次のような淘汰、増殖、交叉、突然
変異といった遺伝的アルゴリズムにおける遺伝的操作を
繰り返し、上記初期集団をより高い適応度をもつ集団に
進化させる。 ・淘汰：予め定められた淘汰条件に従い評価値の低い個
体を削除する。 ・増殖：予め定められた増殖条件に従い評価値のよい個
体をコピーする。 ・交叉：予め定められた交叉条件に従い、２つの個体の
遺伝子の入れ替えを行う。なお、上記交叉操作を行う場
合、遺伝子全体に交叉を行うのではなく、図５に示すよ
うに各部分（Ａｉ）同士に対して交叉を行う。 ・突然変異：予め定められた突然変異条件に従い、個体
の遺伝子を変化させる。
（例えばランダム発生法等）により多数発生させ初期集
団を作る。なお、上記初期集団を、理論式やヒューリス
テックで求めた初期パラメータを使用して生成させても
よい。 (c) ステップＳ３ サンプルテスト法により予測モデルにより予測結果を評
価しながら、例えば次のような淘汰、増殖、交叉、突然
変異といった遺伝的アルゴリズムにおける遺伝的操作を
繰り返し、上記初期集団をより高い適応度をもつ集団に
進化させる。 ・淘汰：予め定められた淘汰条件に従い評価値の低い個
体を削除する。 ・増殖：予め定められた増殖条件に従い評価値のよい個
体をコピーする。 ・交叉：予め定められた交叉条件に従い、２つの個体の
遺伝子の入れ替えを行う。なお、上記交叉操作を行う場
合、遺伝子全体に交叉を行うのではなく、図５に示すよ
うに各部分（Ａｉ）同士に対して交叉を行う。 ・突然変異：予め定められた突然変異条件に従い、個体
の遺伝子を変化させる。
【００１２】上記サンプルテスト法による適応度の評価
は次のように行われる。 サンプル時系列｛x1,x2,....,xN ｝からテスト初期
値ｘi を選ぶ。 初期値ｙi ＝ｘi に対し、予測モデルで以下のよう
なＱステップの予測を行う。 ｙi+q+1 ＝Ｆ（ｙi+q ; ｂ1,...,ｂn ）（q=0,...,Q-1) 以下の式でパラメータｂ1,...,ｂn の適応度Ｓ（ｂ
1,...,ｂn ）を計算する。このときのＳの値が小さいも
のが適応度が高い。 Ｓ（ｂ1,...,ｂn ）＝Σq ｜ｘi+q −ｙi+q ｜ 例えば、図６に示すようにサンプル時系列x1,x2,....,x
N が与えられたとき、｛ｘi ｝と｛ｘi'｝および｛ｙi
｝と｛ｙi'｝がなるべく一致する予測がより適応度が
高い予測となる。なお、簡単にするために、この例では
テスト初期値を一つとしたが、一般には複数のテスト初
期値を取ることにより更に高精度な結果を得ることがで
きる。また、適応度Ｓは上記式に限らず、予測が合うよ
うになるに従って値が減る（増える）ものであれば、基
本的にはどのような式を用いてもよい。
は次のように行われる。 サンプル時系列｛x1,x2,....,xN ｝からテスト初期
値ｘi を選ぶ。 初期値ｙi ＝ｘi に対し、予測モデルで以下のよう
なＱステップの予測を行う。 ｙi+q+1 ＝Ｆ（ｙi+q ; ｂ1,...,ｂn ）（q=0,...,Q-1) 以下の式でパラメータｂ1,...,ｂn の適応度Ｓ（ｂ
1,...,ｂn ）を計算する。このときのＳの値が小さいも
のが適応度が高い。 Ｓ（ｂ1,...,ｂn ）＝Σq ｜ｘi+q −ｙi+q ｜ 例えば、図６に示すようにサンプル時系列x1,x2,....,x
N が与えられたとき、｛ｘi ｝と｛ｘi'｝および｛ｙi
｝と｛ｙi'｝がなるべく一致する予測がより適応度が
高い予測となる。なお、簡単にするために、この例では
テスト初期値を一つとしたが、一般には複数のテスト初
期値を取ることにより更に高精度な結果を得ることがで
きる。また、適応度Ｓは上記式に限らず、予測が合うよ
うになるに従って値が減る（増える）ものであれば、基
本的にはどのような式を用いてもよい。
【００１３】(d) ステップＳ４ 上記(c) により得られた充分進化させた集団の中の最も
適応度が高い染色体（個体）を選出し、最適パラメータ
パラメータｃ1 ,....,ｃn を得る。なお、上記実施例で
は、サンプルテスト法による評価手法と遺伝的アルゴリ
ズムによる最適化手法とを組み合わせて時系列モデルの
パラメータを最適化しているが、上記サンプルテスト法
以外の手法を用いて予測結果の評価を行い、遺伝的アル
ゴリズムによりパラメータを最適化したり、あるいは、
上記サンプルテスト法により予測結果を評価し、上記遺
伝的アルゴリズム以外の最適化手法を用いて時系列モデ
ルのパラメータを最適化するようにしてもよい。
適応度が高い染色体（個体）を選出し、最適パラメータ
パラメータｃ1 ,....,ｃn を得る。なお、上記実施例で
は、サンプルテスト法による評価手法と遺伝的アルゴリ
ズムによる最適化手法とを組み合わせて時系列モデルの
パラメータを最適化しているが、上記サンプルテスト法
以外の手法を用いて予測結果の評価を行い、遺伝的アル
ゴリズムによりパラメータを最適化したり、あるいは、
上記サンプルテスト法により予測結果を評価し、上記遺
伝的アルゴリズム以外の最適化手法を用いて時系列モデ
ルのパラメータを最適化するようにしてもよい。
【００１４】
【発明の効果】以上説明したように、本発明において
は、サンプルテスト法を用いて時系列予測モデルの評価
を行い、また、遺伝的アルゴリズムを用いて時系列モデ
ルのパラメータの最適化を図っているので、与えられた
予測モデルに対して、より高精度な予測を行うことがで
きるパラメータを得ることが期待される。さらに、初期
集団として理論式やヒューリステックで求めたパラメー
タを採れば、より高い予測精度のパラメータが得られる
ことが期待される。
は、サンプルテスト法を用いて時系列予測モデルの評価
を行い、また、遺伝的アルゴリズムを用いて時系列モデ
ルのパラメータの最適化を図っているので、与えられた
予測モデルに対して、より高精度な予測を行うことがで
きるパラメータを得ることが期待される。さらに、初期
集団として理論式やヒューリステックで求めたパラメー
タを採れば、より高い予測精度のパラメータが得られる
ことが期待される。
【図１】本発明の原理構成図である。
【図２】本発明の実施例のブロック図である。
【図３】本実施例の処理を示すフローチャートである。
【図４】本実施例におけるパラメータの遺伝子型データ
による表現を示す図である。
による表現を示す図である。
【図５】本実施例における交叉操作を説明する図であ
る。
る。
【図６】本実施例におけるサンプルテスト法を説明する
図である。
図である。
１ サンプル時系列 ２ 時系列予測モデル ３ 評価手段 ４ 最適化手段 ５、 初期パラメータ ６ 最適パラメータ １１ サンプル時系列 １２ 時系列予測モデル １３ 予測結果 １４ 評価手段 １５ 遺伝的アルゴリズム実行手段 １７ 初期パラメータ １６ 初期集団生成手段 １８ 最適パラメータ
Claims (3)
- 【請求項１】 時系列モデルと、該時系列モデルの予測
結果を評価する評価手段と、上記時系列モデルのパラメ
ータを最適化する最適化手段とを備えた時系列予測装置
であって、 上記最適化手段は、上記評価手段の評価結果に基づき、
遺伝的アルゴリズムを用いて上記時系列モデルのパラメ
ータに対応した染色体から構成される集団を、より高い
適応度を持つ集団に進化させることにより、上記時系列
モデルのパラメータを最適化することを特徴とする時系
列予測装置。 - 【請求項２】 時系列モデルと、該時系列モデルの予測
結果を評価する評価手段と、上記時系列モデルのパラメ
ータを最適化する最適化手段とを備えた時系列予測装置
であって、 上記評価手段は、与えられたサンプル時系列から所定の
数の初期値を選定し、各初期値から上記時系列モデルに
より時系列予測を行い、それぞれの予測結果と既知のサ
ンプルデータを比較して上記時系列モデルによる予測精
度を評価することを特徴とする時系列予測装置。 - 【請求項３】 最適化手段は、上記評価手段の評価結果
に基づき、遺伝的アルゴリズムを用いて、上記時系列モ
デルのパラメータに対応した染色体から構成される集団
を、より高い適応度を持つ集団に進化させることによ
り、上記時系列モデルのパラメータを最適化することを
特徴とする請求項２の時系列予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9007183A JPH10207857A (ja) | 1997-01-20 | 1997-01-20 | 時系列予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9007183A JPH10207857A (ja) | 1997-01-20 | 1997-01-20 | 時系列予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10207857A true JPH10207857A (ja) | 1998-08-07 |
Family
ID=11658957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9007183A Withdrawn JPH10207857A (ja) | 1997-01-20 | 1997-01-20 | 時系列予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10207857A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
| WO2001009700A3 (en) * | 1999-08-03 | 2001-06-07 | Tradeworx Inc | System, method, and article of manufacture for estimating a time |
| WO2001009699A3 (en) * | 1999-08-03 | 2001-08-02 | Tradeworx Inc | System, method, and article of manufacture for estimating a price of a limit order |
| JP2005235075A (ja) * | 2004-02-23 | 2005-09-02 | Toshiba Corp | 医療検査機器部品交換支援システム |
| JP2007068174A (ja) * | 2005-08-26 | 2007-03-15 | Ntt Docomo Inc | 適応遺伝アルゴリズムによる特定の性質を有するシーケンスの生成方法とシステム |
| JP2011118786A (ja) * | 2009-12-04 | 2011-06-16 | Sony Corp | 情報処理装置、観測値予測方法、及びプログラム |
| CN104537437A (zh) * | 2014-12-19 | 2015-04-22 | 广东电网有限责任公司珠海供电局 | 基于遗传算法的电力设备状态维修预测方法 |
-
1997
- 1997-01-20 JP JP9007183A patent/JPH10207857A/ja not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
| WO2001009700A3 (en) * | 1999-08-03 | 2001-06-07 | Tradeworx Inc | System, method, and article of manufacture for estimating a time |
| WO2001009699A3 (en) * | 1999-08-03 | 2001-08-02 | Tradeworx Inc | System, method, and article of manufacture for estimating a price of a limit order |
| WO2001009698A3 (en) * | 1999-08-03 | 2003-11-13 | Tradeworx Inc | System, method, and article of manufacture for estimating a probability with which a limit order will be filled |
| JP2005235075A (ja) * | 2004-02-23 | 2005-09-02 | Toshiba Corp | 医療検査機器部品交換支援システム |
| JP2007068174A (ja) * | 2005-08-26 | 2007-03-15 | Ntt Docomo Inc | 適応遺伝アルゴリズムによる特定の性質を有するシーケンスの生成方法とシステム |
| JP2011118786A (ja) * | 2009-12-04 | 2011-06-16 | Sony Corp | 情報処理装置、観測値予測方法、及びプログラム |
| CN104537437A (zh) * | 2014-12-19 | 2015-04-22 | 广东电网有限责任公司珠海供电局 | 基于遗传算法的电力设备状态维修预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ruehle | Evolving neural networks with genetic algorithms to study the String Landscape | |
| Wang et al. | A grey prediction-based evolutionary algorithm for dynamic multiobjective optimization | |
| Prakotpol et al. | GAPinch: genetic algorithm toolbox for water pinch technology | |
| US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
| Rattray et al. | Noisy fitness evaluation in genetic algorithms and the dynamics of learning | |
| CN103729530B (zh) | 对序列进行处理的装置和方法 | |
| EP3702975A2 (en) | Sampling apparatus and method for controlling sampling apparatus | |
| Kabir et al. | Chemical reaction optimization for RNA structure prediction | |
| CN115469851A (zh) | 一种编译器自动调参方法 | |
| JPH10207857A (ja) | 時系列予測装置 | |
| Rattray et al. | The dynamics of a genetic algorithm for a simple learning problem | |
| KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
| Mohsen et al. | An optimization algorithm based on harmony search for rna secondary structure prediction | |
| Ozsoydan et al. | A reinforcement learning based computational intelligence approach for binary optimization problems: The case of the set-union knapsack problem | |
| EP3754559A1 (en) | Optimization system and control method for optimization system | |
| Srikamdee et al. | RNA secondary structure prediction with coincidence algorithm | |
| Pang et al. | Offline automatic parameter tuning of MOEA/D using genetic algorithm | |
| Mencia et al. | Efficient repairs of infeasible job shop problems by evolutionary algorithms | |
| CN106875031A (zh) | 一种多车间作业调度方法及装置 | |
| CN114036069A (zh) | 基于分解的权重向量自适应的多目标测试用例排序方法 | |
| Sato et al. | Evolutionary algorithms that generate recurrent neural networks for learning chaos dynamics | |
| Hu et al. | The role of population size in rate of evolution in genetic programming | |
| Pinto et al. | A genetic algorithm-based approach for solving the resource-sharing and scheduling problem | |
| CN111144605A (zh) | 投资策略规则产生方法及应用其的投资策略规则产生装置 | |
| JPH08110902A (ja) | パラメータ最適化装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20040406 |