JPWO2017170086A1 - 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム - Google Patents

情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム Download PDF

Info

Publication number
JPWO2017170086A1
JPWO2017170086A1 JP2018509153A JP2018509153A JPWO2017170086A1 JP WO2017170086 A1 JPWO2017170086 A1 JP WO2017170086A1 JP 2018509153 A JP2018509153 A JP 2018509153A JP 2018509153 A JP2018509153 A JP 2018509153A JP WO2017170086 A1 JPWO2017170086 A1 JP WO2017170086A1
Authority
JP
Japan
Prior art keywords
estimated value
simulation
value
data
mathematical model
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.)
Granted
Application number
JP2018509153A
Other languages
English (en)
Other versions
JP6885394B2 (ja
Inventor
峰斗 佐藤
峰斗 佐藤
壮一郎 荒木
壮一郎 荒木
藤山　健一郎
健一郎 藤山
たん 東
たん 東
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2017170086A1 publication Critical patent/JPWO2017170086A1/ja
Application granted granted Critical
Publication of JP6885394B2 publication Critical patent/JP6885394B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)

Abstract

シミュレーションに用いる数理的モデルおよびデータに不確定性があり、かつ、推定すべきパラメータの次元が高い場合であっても、不適切または局所最適なパラメータが推定されることなく、かつ、計算効率が高いシミュレーションをすること。数理的モデルと観測データとを用いてシミュレーションを行う情報処理装置であって、シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、各格子点で同じでないと仮定される第２被推定値と既知の確定データとに基づいて、数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算部と、予測値と不確定性を考慮した観測データとの当てはまり度が向上するように、予測値と第２被推定値との更新を繰り返す局所処理部と、第１被推定値の更新を繰り返しながら、局所処理部による処理を繰り返すよう制御する大域処理部と、を有する。

Description

本発明は、情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム等に関する。
シミュレーションにおいては、実世界で起きている現象や仮説的な状況を数理的にモデル化し、モデル化によって作成された数理的モデルに従いコンピュータによって数値的に計算する。シミュレーションにおいては、数理的にモデル化することにより、時間や空間を自在に設定して計算することができる。このようなシミュレーションによって、現実の結果を得ることが困難な状況（例えば、観測が困難な場所の状況）や、未来に起きうることを予測することができる。また、シミュレーションにおいては、計算の条件を意図的に変えることにより、現実では見ることが難しい状況における特性や振る舞いを調べることができる。シミュレーション結果は、因果関係を理論的に解明、設計する場合、または、計画を作成する場合などにおける指標として役立てることができる。
特許文献２、及び、特許文献３には、シミュレーションを実行する装置の一例が開示されている。特許文献２に開示されたシミュレーション装置は、ある地域における道路の構造を表すデータと、交通流パラメータとに基づき、該ある地域における特定区間の道路における交通流をシミュレーションする。特許文献３には、相互に連結された２つのシミュレーションを実行するシミュレーション方法が開示されている。
数理的モデルを用いたシミュレーションは、たとえば、現実に得られる観測データに関してデータ取得期間が十分でない場合、センサ故障等によって該観測データに欠測がある場合、または、時間的にも空間的にも偏った分布をしている状況を把握する場合にも有効である。該シミュレーションは、上述したような状況に関して、広域にわたって連続的に状態を把握および理解したい場合に有効である。シミュレーションによって現実の振る舞いを精度高く再現するためには、数理的モデルに含まれているパラメータのうち、時間に依存しないパラメータを高い精度にて推定することが重要である。
数理的モデルおよび観測データ（以下、単に「データ」とも表記）に不確定性（不確実性、Ｕｎｃｅｒｔａｉｎｔｙ）がない場合に関する典型的なパラメータ推定方法として、特許文献１に示されたカルマンフィルタを用いた推定方法がある。この例では、確定しているバッテリ等価回路モデル内のパラメータを、バッテリを観測することによって得られた観測データに基づいて推定する。なお、特許文献１には、平均値や分散を考慮した確率分布として、該パラメータを推定する方法について記載されている。しかしながら、数理的モデルおよび観測データの不確定性については、特許文献１に言及されていない。
一方で、農業やヘルスケア、気象、土壌などの複合的かつ多様性のある領域においては、そこに生じる現象自体が複雑であるため、該現象をモデル化する際に、該現象に関するパラメータが省略されていたり、計算上の制約などにより近似が含まれていたりする場合がある。すなわち、このような領域を対象とする場合、数理的モデルとは、あくまでも現実を数理的に模擬したものに過ぎない。その精度は、当該領域にて生じる現実を理解し、理解した現象を忠実に模擬できているかに依存している。この場合に、数理的モデルには、不確定性が含まれていることが多い。さらに、観測データは、対象物、測定環境、または、測定器に依存した誤差を生じやすいため、不確定性を含んでいる。このような、数理的モデルおよび観測データに不確定性が含まれている場合には、パラメータの調整が不適切であることによる不確定性であるのか、数理的モデル自体の定義に起因している限界（たとえば、パラメータによる調整の範囲外）による不確定性であるのか等、不確定性が生じた原因を判別できない。そのために、結局、誤差は、パラメータを調整することによって低減せざるを得ない。この結果、不適切または局所最適なパラメータが推定されるため、シミュレーションにおける推定精度は低下する。
このような数理的モデルおよび観測データに不確定性が含まれる場合において、シミュレーション方法として、アンサンブル（集団）を用いる概念が提案されている。その１つにモデルの変数をアンサンブルとして扱うデータ同化がある。データ同化は、観測データや数理的モデルの不確定性を考慮しながら、現実で得られた観測データをシミュレーションに取り入れる手法として知られており、特に、地球科学や海洋学、気象学の分野で発展してきた。このデータ同化においては、シミュレーションで計算する変数をアンサンブルとして扱う。データ同化においては、現実で得られた観測データに最も良く適合するシミュレーション結果を該アンサンブルの中から探し、さらに、該結果に基づきモデル自体やシミュレーション条件が更新される。
例えば、非特許文献１には、アンサンブルを用いる方法の１つである粒子フィルタを用いるデータ同化処理において、時間に依存しないパラメータを推定する方法について記載されている。この文献では、パラメータを推定する方法として、マルコフ連鎖モンテカルロ（ＭＣＭＣ：Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ）法が用いられている。しかしながら、この方法においては、マルコフ連鎖を用いるため、時系列で新たな観測データが得られるたびにマルコフ連鎖を新しく生成する必要がある。すなわち、この方法は、オフライン、もしくはバッチ処理的な推定方法である。したがって、観測データの収集が継続的に行われ、かつ、数理的モデルにより計算される状態を、そのパラメータも含めて常に最新の推定値に保っている必要がある推定方法として、この方法は、適切であるとは限らない。すなわち、この方法は、オンライン的な適用先に対するパラメータ推定方法として、その計算効率の観点で適切とは限らない。
特開２０１５−８１８００号公報 特開２０１３−１３７７１５号公報 米国特許出願公開第２００１／００３２０６８号明細書
Ａｎｄｒｉｅｕ ｅｔ ａｌ．，「Ｐａｒｔｉｃｌｅ Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ」， Ｊ． Ｒ． Ｓｔａｔｉｓｔ． Ｓｏｃ． Ｂ （２０１０） Ｖｏｌｕｍｅ ７２， Ｉｓｓｕｅ ３， ｐｐ．２６９−３４２
上述した関連技術においては、シミュレーションの高精度化に寄与し、かつ、時間に依存しないパラメータの推定方法として、１つの特定方法を用いることが、解決の起点となっている。しかしながら、実世界で起きている現象や仮説的な状況を再現するシミュレーションにおいては、数理的モデルや観測データに不確定性が含まれていることや、同時に推定すべきパラメータの数（すなわち、パラメータの次元）が、その数理的モデルや観測データの取得状況に依存して多様になる可能性がある。
特許文献１乃至特許文献３に記載された技術によれば、数理的モデルが確定的である場合に限られるという課題が生じる。さらに、該技術によればパラメータの次元が増えるにつれ、探索数が膨大となる課題が生じる。したがって、該技術によれば、パラメータの次元が増えるにつれ、該パラメータを処理する計算量が累乗的に増加することが課題である。また、非特許文献１に記載された技術は、マルコフ連鎖を用いている。したがって、該技術は、パラメータの次元が増えた場合であっても、スケールメリットを有している。しかし、該技術は、新たな観測データが高頻度に得られるようなオンライン的な場面において、観測データが得られるたびにマルコフ連鎖の計算を始めからやり直す必要がある。このため、該技術によれば、同様に、計算量が増加することが課題である。
本発明の目的の１つは、上述の課題を解決する技術を提供することにある。
本発明の１つの態様として、情報処理装置は、
数理的モデルと観測データとを用いてシミュレーションを行う情報処理装置であって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段と、
前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理手段と、
前記第１被推定値の更新を繰り返しながら、前記局所処理手段による処理を繰り返すよう制御する大域処理手段と
を備える。
本発明の他の態様として、シミュレーション方法は、
数理的モデルと観測データとを用いてシミュレーションを行うシミュレーション方法であって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段を有し、前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返し、
前記第１被推定値の更新を繰り返しながら、前記局所処理ステップによる処理を繰り返すよう制御す。
また、本発明の他の態様として、シミュレーションプログラムは、
数理的モデルと観測データとを用いてシミュレーションを行うシミュレーションプログラムであって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算機能を有し、
前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理機能と、
前記第１被推定値の更新を繰り返しながら、前記局所処理ステップによる処理を繰り返すよう制御する大域処理機能と
をコンピュータに実行させる。
本発明の他の態様として、情報処理システムは、
観測データを取得する取得手段と、
前記観測データを用いて、数理的モデルによるシミュレーションを実施する上記情報処理装置と、
前記情報処理装置に対して前記数理的モデルによるシミュレーションの実施を要請して、シミュレーション結果の予測値を提供する提供手段と
を備える。
本発明によれば、シミュレーションに用いる数理的モデルおよびデータに不確定性があり、かつ、推定すべきパラメータの次元が高い場合であっても、不適切または局所的に最適なパラメータが推定されることなく、かつ、計算効率が高いシミュレーションをすることができる。
本発明の第１実施形態に係る情報処理装置の構成を示すブロック図である。 本発明の第２実施形態に係る情報処理装置としてのシミュレーション装置の表示および操作の概要を示す図である。 本発明の第２実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第２実施形態に係る被推定値記憶部および振分け基準記憶部の構成を示す図である。 本発明の第２実施形態に係る確定データ記憶部および観測データ記憶部の構成を示す図である。 本発明の第２実施形態に係る更新後の予測値、第１被推定値および第２被推定記憶部の構成を示す図である。 本発明の第２実施形態に係るシミュレーション処理テーブルの構成を示す図である。 本発明の第２実施形態に係る情報処理装置としてのシミュレーション装置のハードウェア構成を示すブロック図である。 本発明の第２実施形態に係る情報処理装置としてのシミュレーション装置のシミュレーション手順を示すフローチャートである。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第２実施形態に係るシミュレーション処理の概要を説明する図である。 本発明の第３実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第３実施形態に係る局所データ処理分担テーブルの構成を示す図である。 本発明の第４実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第４実施形態に係るシミュレーション履歴データベースの構成を示す図である。 本発明の第５実施形態に係る情報処理装置を含む情報処理システムの構成を示すブロック図である。 本発明の第５実施形態に係る情報処理システムの動作シーケンスを示すシーケンス図である。 本発明の第５実施形態に係るユーザ端末の表示および操作の概要を示す図である。 本発明の第５実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第５実施形態に係るシミュレーション処理テーブルの構成を示す図である。 本発明の第５実施形態に係る被推定値としての営農環境パラメータの振分け例を示す図である。 本発明の第６実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第６実施形態に係るシミュレーション処理テーブルの構成を示す図である。 本発明の第７実施形態に係る情報処理装置としてのシミュレーション装置の機能構成を示すブロック図である。 本発明の第７実施形態に係るシミュレーション処理テーブルの構成を示す図である。
以下に、図面を参照して、本発明の実施の形態について例示的に詳しく説明する。ただし、以下の実施の形態に記載されている構成要素は単なる例示であり、本発明の技術範囲をそれらのみに限定する趣旨のものではない。また、各ブロック図において、矢印は、ある信号（データ、情報）の流れの方向の一例を表しているので、矢印と逆の方向に、ある信号（データ、情報）が進んでもよい。
なお、本明細書においては、推定すべきパラメータを総称して、被推定値と呼ぶ。
［第１実施形態］
本発明の第１実施形態としての情報処理装置１００について、図１を用いて説明する。
情報処理装置１００は、実世界で起きている現象や仮説的な状況を数理的にモデル化し、該モデルに従いコンピュータによって数値的に計算する装置である。情報処理装置１００は、数理的モデルと観測データとを用いてシミュレーションを行う情報処理装置である。図１に示すように、情報処理装置１００は、局所処理部１０１と、大域処理部１０２と、を含む。局所処理部１０１は、シミュレーションにおいて計算領域が格子状に分割された該格子点にて同じであると仮定される第１被推定値１１１と、各格子点で同じでないと仮定される第２被推定値１２１と、既知の確定データとに基づいて、数理的モデルに関する不確定性（不確実性、Ｕｎｃｅｒｔａｉｎｔｙ）を考慮した予測値を計算する数理的モデル計算部１２０を有する。局所処理部１０１は、予測値１２０ａと不確定性を考慮した観測データ１２２とが適合している程度を示す当てはまり度１２３が向上するように、予測値１２０ａと第２被推定値１２１との更新を繰り返す。大域処理部１０２は、第１被推定値１１１の更新を繰り返しながら、局所処理部１０１における処理を繰り返すよう制御する。
第１被推定値１１１は、シミュレーションにおいて計算領域が格子状に分割された際の各格子点にて同じ値であると仮定される。すなわち、シミュレーションにおいて、第１被推定値１１１は、１つの値の集合である。また、第２被推定値１２１は、シミュレーションにおいて計算領域が格子状に分割された際の各格子点で同じでないと仮定される。すなわち、シミュレーションにおいて、第２被推定値１２１は、異なる値の集合である。
本実施形態によれば、各格子点にて同じ値でないと仮定される第２被推定値を更新しながら、予測値と観測データとの当てはまり度が向上するような局所処理を行ない、かつ、各格子点にて同じ値であると仮定される第１被推定値を更新しながら、予測値と観測データとの当てはまり度が向上するような大域処理を実行する。
したがって、シミュレーションに用いる数理的モデル、および、データに不確定性があり、かつ、推定すべきパラメータの次元が高い場合であっても、不適切または局所最適なパラメータが推定されることなく、かつ、計算効率が高いシミュレーションをすることができる。特に、取得期間が十分でないまたは欠測等により、観測データが時間的にも空間的にも偏った分布である場合に、有効である。
［第２実施形態］
次に、本発明の第２実施形態に係る情報処理装置としてのシミュレーション装置について説明する。本実施形態に係るシミュレーション装置は、数理的モデルの被推定値を、数理的モデルの計算領域内で一様に設定されない値、または、時間変化する変数の初期値である、少なくともいずれかの場合に、第２被推定値へ振分け、その他の場合に第１被推定値へ振分ける。そして、大域処理部は、さらに、被推定値の再振分を繰り返しながら、局所処理部によって処理するよう制御する。すなわち、第１被推定値の更新ごとの変動、および、当てはまり度の変動が閾値以下になるまで、第１被推定値は、更新する処理を継続し、所定回数の更新を実行しても、変動が閾値以下でない場合に、被推定値を第１被推定値、または、第２被推定値へ振り分ける再振分処理を実行してもよい。
なお、当てはまり度を表す指標として尤度を計算し、予測値と第２被推定値とを更新する場合に、数理的モデルで計算される時間ステップごとの逐次の尤度を用い、第１被推定値を更新する場合に、逐次の尤度を所定のステップ以上積算した積算尤度を用いる。ここで、第１被推定値の次元が該第２被推定値の次元よりも高い。
例えば、予測値と第２被推定値との更新処理は、予測値と観測データとを入力し、逐次の当てはまり度に関連して、粒子フィルタ、アンサンブルカルマンフィルタ、カルマンフィルタ、または、逐次重点サンプリングを含む逐次ベイズフィルタを用いて行なわれる。一方、第１被推定値を更新する処理は、第１被推定値を更新する前の値と、当てはまり度の積算とを入力して、マルコフ連鎖モンテカルロ法を含む統計的サンプリングによって行なわれる。
《本実施形態の概要》
図７Ａ乃至図７Ｇは、本実施形態に係るシミュレーション処理の概要を説明する図である。なお、図７Ａ乃至図７Ｇにおいては、営農を支援するシミュレーションを例に本実施形態に係るシミュレーション処理の概要を説明するが、営農を支援するシミュレーションに限定されるものではない。
図７Ａにおける営農を支援するシミュレーション処理７１０においては、作物モデルや土壌モデルを含む作物生育モデルを生成する。そして、品種パラメータや土壌パラメータ、気象データなどを作物生育モデルに入力し、その後、予測値を出力する。ここで、品種パラメータは、作物の成長を時間的に（または、量的に）特徴付ける情報（播種から花咲までの期間など）を含む。また、土壌パラメータは、土壌の状態を物理的に（または、化学的に）特徴付ける情報（排水性や初期窒素（地力）など）が含まれる。一方、衛星画像から算出した植生指数（ＮＤＶＩなど）や、土壌センサなどのセンサによって観測された検出データを観測データとして入力し、予測値と該観測データとをデータ同化することにより、より正確な予測情報を生成して提供する。
図７Ｂに図示された関連技術であるシミュレーション方法７２０においては、１つのシミュレーションモデルにインプットを入力して、そのアウトプットをフィードバックしながら予測値を生成するので、シミュレーションモデルやインプットに不確定性がある場合に、局所的に最適化されてしまう。その結果、シミュレーション方法７２０によれば、適切な予測値が得られない。
図７Ｃおよび図７Ｄに図示された本実施形態のシミュレーション方法７３０Ａおよび７３０Ｂにおいては、条件が相互に異なっている複数の対象に関して、差異のある部分をデータ同化によって満たしながら、共通性があるパラメータを推定する。すなわち、異なるインプット（変数値、気象、営農スケジュールなど）に基づき計算されたアウトプットと、実測値との差異をデータ同化によって少なくする処理によって、共通性を有し、かつ、推定したいパラメータに対する確からしさ（パラメータ尤度など）にフォーカスしたアウトプットが可能である。そして、さらに、得られたパラメータ尤度をもとに、ＭＣＭＣ法などの処理により、よりよいパラメータセットへ更新する。
図７Ｃに例示されたケース１は、対象領域のうち、異なった土壌を有する複数の範囲にて、共通した作物が栽培される場合である。この場合に、計算対象とする領域の範囲においては、土壌の状態を特徴付ける土壌パラメータが場所（たとえば、格子点）ごとに異なり、かつ、各範囲にて栽培される作物を特徴付ける品種パラメータが、範囲間にて共通であることが期待される。この場合には、最初のステップとして、対象領域で共通性を有する（グローバルな）品種パラメータをある値に固定した後に、場所によって異なる局所的（ローカル）な土壌パラメータ、および、その他の変数を推定する。この方法により、格子点（場所）ごとに異なるインプットに応じて、適切に土壌パラメータやその他の変数が、品種パラメータが共通であるという制約の下で推定される。そして、この推定結果は、パラメータに対する確からしさ（尤度）によって評価される。次のステップとして、共通の固定値とした品種パラメータを変える。以降、土壌パラメータやその他の変数に関しては、同様な推定処理によって算出された尤度と、以前の品種パラメータに基づき算出された尤度と比較する。このステップを、品種パラメータを変えて繰り返すことによって、土壌パラメータやその他の変数をそれぞれ適切に推定した状態で、どの品種パラメータが最も確からしいかを、その尤度が最大になる値によって決めることが可能となる。すなわち、土壌の違いやその他のインプット情報の不確定さに左右されずに、期待された共通性のある（グローバルな）品種パラメータを推定することができる。
なお、この方法に従い求めた品種パラメータは、作物を特徴付けるパラメータとして、場所に依存しない（すなわち、より汎用性のある）パラメータである。したがって、このパラメータを用いることによって、作物生育モデルによる計算精度そのものが向上する。すなわち、観測データなどのインプットがない格子点における情報に関する予測精度も向上する。
図７Ｄに示されたケース２は、土壌が共通で複数の範囲にて栽培される作物が異なる場合である。この場合に、計算対象とする領域の範囲では、作物を特徴付ける品種パラメータが場所（すなわち、格子点）ごとに異なり、土壌の状態を特徴付ける土壌パラメータが場所によらずに共通であることが期待される。この場合に、最初のステップとして、対象領域において共通している（グローバルな）土壌パラメータをある値に固定したのちに、場所ごとに異なる局所的（ローカル）な品種パラメータ、および、その他の変数を推定する。このステップを、土壌パラメータを変えて繰り返すことによって、品種パラメータやその他の変数をそれぞれ適切に推定した状態にて、どの土壌パラメータが最も確からしいかを、その尤度が最大になる値に基づき決めることが可能となる。すなわち、品種の違いやその他のインプット情報の不確定さに左右されず、期待された共通性のある（グローバルな）土壌パラメータを推定することができる。
なお、同様に、この方法に従い求めた土壌パラメータは、土壌を特徴付けるパラメータとして、作物に依存しない（すなわち、より汎用性のある）パラメータである。したがって、このパラメータを用いることによって、作物生育モデルによる計算精度そのものが向上する。すなわち、観測データなどのインプットがない格子点における情報に関する精度も向上する。
図７Ｅに図示した、関連技術のシミュレーション方法と本実施形態のシミュレーション方法との対比７４０によって、関連技術の課題と、本実施形態による解決方法と、その効果とが示されている。
図７Ｅにおける左図に示した関連技術においては、数理的モデルを用いてシステムの振る舞いを精度良く推定するには、数理的モデルにおいて、時間に依存しないパラメータを精度良く推定することが重要である。しかし、該関連技術において、数理的モデルやデータに不確定性がある対象では、その不確定性の原因を切り分けられないので、推定結果を、パラメータによって調整せざるを得ない。したがって、該関連技術によれば、不適切または局所最適なパラメータが推定されることによって、システムの推定精度が低下する課題を有する。該関連技術によれば、推定する変数やパラメータの次元数が高くなるにつれ、探索数が膨大になるため、計算量が爆発的に増加するという課題を有する。
図７Ｅにおける右図に示した、確率分布と不確定性とを分離した本実施形態の解決方法によれば、数理的モデル内の変数やデータ、および、パラメータが確率分布として扱われるので、当該数理的モデルに関する不確定性が考慮される。また、数理的モデルおよびデータに依存する不確定性と、数理的モデルにおいて、時間に依存しないパラメータに関する不確定性とが分離され、それぞれが適した方法に従い推定される。すなわち、パラメータは、複数の計算点で共通（グローバル）なパラメータと、局所的（ローカル）なパラメータとに関して別個に推定される。
かかる本実施形態のシミュレーション方法によれば、数理的モデルやデータの不確定性による影響が分離されるため、理想的なパラメータ依存性に基づきパラメータを推定することができる。また、変数やパラメータの性質に応じて当該変数やパラメータの推定方法を分け、それぞれを最適化することができるので、シミュレーションにかかる計算量が軽減される。さらに、パラメータが影響する範囲に応じて、共通な（グローバルな）パラメータと局所的な（ローカルな）パラメータとを分離することにより、時系列の観測データが少ない状況、あるいは、観測データに欠測がある状況におけるシミュレーションの精度や、複数の計算点で共通なパラメータの推定精度が向上する。
図７Ｆは、関連技術におけるシミュレーション方法と、本実施形態に係るシミュレーション方法との対比表７５０を示す図である。たとえば、関連技術においては、観測データが確定的に処理されるのに対し、本実施形態においては、観測データが確率的に処理される。本実施形態に係るシミュレーション方法が、不確定性がある確率的な観測データやパラメータの入力、および、不確定性がある確率的な数理的モデルに適応して、不確定性のある確率的な変数の予測値をより正確に迅速に出力する。
図７Ｇは、本実施形態に係るシミュレーション処理構成の概念７６０を説明する図である。被推定値記憶部には、推定が必要なパラメータ（すなわち、被推定値）が格納されている。被推定値は、被推定値振分け部によって、例えば、大域パラメータである品種パラメータと、局所パラメータである土壌パラメータとに振り分けられる。確定データとしては、地形データ、気象データ、及び、営農データなどが使用される。品種パラメータ、土壌パラメータ、地形データ、気象データ、及び、営農データに基づき、作物生育モデルは計算される。ここで、大域パラメータである品種パラメータについては、ＭＣＭＣ法などのサンプリングによりバッチ（オフライン）更新され、局所パラメータである土壌パラメータについては、粒子フィルタ、アンサンブルカルマンフィルタなどのベイズフィルタにより逐次（オンライン）更新される。
そして、作物生育モデルの予測値と観測データとの尤度が計算され、かかる尤度を考慮しながら、被推定値振分け部による大域パラメータと局所パラメータとの振分けが更新される。
なお、推定方法が大域または局所なのであって、パラメータの性質を限定するものではない。大域パラメータは、局所的にそのまま推定もできる。また、例えば、階層モデルなどにより、局所パラメータを大域的に推定できる可能性がある。
《シミュレーション装置の表示および操作》
図２は、本実施形態に係る情報処理装置としてのシミュレーション装置２００が表示する表示および操作の概要を示す図である。なお、図２には、シミュレーション装置２００が有する、あるいは、シミュレーション装置２００に接続された表示および操作部２４０における操作と、シミュレーション入力画面２４１と、シミュレーション出力画面２４２とについて、説明する。
シミュレーション入力画面２４１には、シミュレーションを識別する識別子（ＩＤ）や種類、シミュレーションに使用する被推定値、被推定値に関する振分け基準、確定データ、観測データ、数理的モデル、局所データ処理に関するアルゴリズム、および、大域データ処理に関するアルゴリズム、などの入力欄が表示される。なお、これらを全て入力する必要はなく、シミュレーション装置２００が設定できる情報は入力しなくてもよい。
一方、シミュレーション後のシミュレーション出力画面２４２には、シミュレーション結果である予測値、第１被推定値、および、第２被推定値などの好適な値が表示される。かかる出力値は、以後の同様のシミュレーションにおいて初期値として使用されると、より適切なシミュレーションがより高速に実現できる。
《シミュレーション装置の機能構成》
本実施形態のシミュレーション装置２００は、物理法則に基づいた連続的な時間、及び、空間に関する偏微分方程式を解くことによって時間発展を追跡する（いわゆる、数理的モデルを用いた）シミュレーションに適用可能である。そのような偏微分方程式には、例えば、運動を記述する運動方程式、流体を記述するナビエーストークス方程式、熱変化を記述する熱力学方程式、津波を記述する浅水波方程式などがある。また、シミュレーション装置２００は、有限要素法を用いたシミュレーションにも適用可能である。以降、総称して数理的モデルと呼ぶ。なお、本実施形態において、シミュレーション対象である系は、数理的モデル内の変数の予測値（以降、単に、「予測値」と表す）が、実際の観測データと何らかの関係式で結ばれる系（すなわち、シミュレーション結果と観測データとが比較可能な系）であるものとする。そして、本実施形態においては、数理的モデル内の変数やデータ、およびパラメータを統計的に確率分布として扱うことによって、当該数理的モデルに関する不確定性を考慮する。
図３は、本実施形態に係る情報処理装置としてのシミュレーション装置２００における機能構成を示すブロック図である。
図３において、シミュレーション装置２００は、大域データ処理部３１０と、局所データ処理部３２０と、大域データ更新部３３０と、データ出力部３４０とを有する。大域データ処理部３１０は、被推定値振分け部３１２を有し、データが格納される領域として、被推定値記憶部３１１と、第１被推定値記憶部３１３と、確定データ記憶部３１４と、振分け基準記憶部３１５と、を有する。局所データ処理部３２０は、数理的モデル計算部３２３と、尤度計算部３２４とを有し、データが格納される領域として、第２被推定値記憶部３２１と、観測データ記憶部３２２と、予測値及び第２被推定値記憶部３２５と、尤度記憶部３２６とを有する。大域データ更新部３３０は、判定部３３１を有する。データ出力部３４０は、データが格納される領域として、第１被推定値記憶部３４１と、予測値及び第２被推定値記憶部３４２とを有する。ここで、大域データ処理部３１０が、大域データ更新部３３０と、データ出力部３４０とを含んでもよい。
（大域データ処理部３１０）
まず、大域データ処理部３１０について説明する。大域データ処理部３１０は、数理的モデル計算部３２３に入力するパラメータのうち、推定が必要な値（すなわち、被推定値）と、変数の初期状態や境界条件などの確定したシミュレーション条件とを取得し、それぞれ、対応する格納領域である被推定値記憶部３１１と確定データ記憶部３１４とに格納する。被推定値振分け部３１２は、被推定値記憶部３１１に格納されている被推定値（すなわち、推定が必要なパラメータ）を、振分け基準記憶部３１５に格納されている基準（または、方法）にしたがって、異なる２種類の第１被推定値または第２被推定値に振分ける。そして、被推定値振分け部３１２は、第１被推定値を第１被推定値記憶部３１３に格納し、第２被推定値を局所データ処理部３２０内の第２被推定値記憶部３２１に格納する。
ここで、大域データ処理部３１０における被推定値振分け部３１２による異なる２種類への振分け処理について説明する。振分けの前提として、被推定値記憶部３１１に格納された被推定値のそれぞれの性質（例えば、数理的モデル計算部３２３におけるどのパラメータに対応するのか、および、どのような適用範囲と値が想定されるか、といった情報）が得られているとする。また、数理的モデル計算部３２３で対象とする計算領域や初期条件、および境界条件といった情報も得られていて、該情報が確定データ記憶部３１４に格納されているとする。その状況において、例えば、被推定値が、少なくとも、数理的モデル計算部３２３によって計算される計算領域内において一様には設定しない（すなわち、計算領域を格子状などに分割した場合に各格子点で同一の値であることを仮定しない）被推定値は、第２被推定値に振分けられる。逆に、被推定値を一様に設定する（すなわち、各格子点で同一の値であることを仮定する）被推定値は、第１被推定値に振分けられる。
また、他の振分け方法の例としては、時間変化するパラメータ、または、変数の初期値である被推定値を第２被推定値へ振分け、それ以外を第１被推定値に振分けることもできる。ただし、これら振分け方法は、あくまでも例示であって、上記振分け基準のうち、両基準、いずれか一方、または、他の振分け方法であってもよい。なお、これらの振分け基準または振分け方法は、被推定値振分け部３１２とは独立に、振分け基準記憶部３１５に格納され、後述する判定部３３１の出力により追加または更新される。振分けの基準や振分け方法に関する情報は、上述した数理的モデル計算部３２３やシミュレーション対象に依存する固定的なものに加え、観測されるデータの性質や振分けの良し悪しに依存して得られる情報も含む。すなわち、振分け基準記憶部３１５には、シミュレーション対象と被推定値との組合せごとに、経験的および数値的に適した振分け基準が追加される。これらの情報は、被推定値を精度良く推定するための知見（ノウハウ）となり、他の類似したケースに対して適用できるほか、数式で規定される抽象的な情報は、他の異なるケースへの適用も可能である。
（局所データ処理部３２０）
次に、局所データ処理部３２０について説明する。局所データ処理部３２０は、大域データ処理部３１０によって出力された第２被推定値を格納する第２被推定値記憶部３２１と、各種センサなどからの観測データを格納する観測データ記憶部３２２、各種シミュレーションを行うモデルを総称した数理的モデル計算部３２３と、を有する。また、局所データ処理部３２０は、数理的モデル計算部３２３により算出された変数の予測値と観測データ記憶部３２２に格納された観測データとに基づいて、該予測値と該観測データとの尤度を計算する尤度計算部３２４を有する。さらに、局所データ処理部３２０は、尤度計算部３２４が算出した尤度に基づいて更新された予測値および第２被推定値が格納される予測値及び第２被推定値記憶部３２５と、尤度計算部３２４によって計算された尤度を格納する尤度記憶部３２６とを有する。
次に、局所データ処理部３２０における数理的モデル計算部３２３による計算について説明する。数理的モデルは、たとえば、格子点ｋ（ｋ＝１〜Ｌ、Ｌは２以上の整数）単位にて計算されるモデルｆである。ここで、ある時刻ｔにて格子点ｋにおける変数の値をｘｔ，ｋとする。また、前述した基準に従い被推定値振分け部３１２によって振分けられ、第１被推定値記憶部３１３に格納された第１被推定値をφとする。第１被推定値群は、たとえば、１つの値を含む集合である。また、第２被推定値記憶部３２１に振分けられて格納された第２被推定値は、各格子点にて同一の値と仮定されていないとし、格子点ｋにおける値をθｋとする。すなわち、第２被推定値群は、異なる値を含む集合である。変数ｘｔ，ｋは、１ステップ前の時刻（ｔ−１）、格子点ｋの変数の値をｘｔ−１，ｋとして、式１に従い予測される。予測された変数ｘｔ，ｋの値を「予測値」と表す。
Figure 2017170086
ここで、ｖは、一般にシステムノイズと呼ばれ、数理的モデル内の不確定性を数値的に表す値であり、かつ、変数に作用を及ぼす確率的な駆動項として導入された値である。次に、観測データ記憶部３２２に格納された、時刻ｔにて格子点ｋにおける観測データをｙｔ，ｋと表す場合に、観測データｙｔ，ｋと、同時刻ｔにて同一格子点ｋにおける変数ｘｔ，ｋとの関係は写像ｈ（いわゆる、観測モデル、以降、「観測モデル」と呼ぶ）に従い式２に示すように表される。
Figure 2017170086
ここで、ｗは、一般に観測ノイズと呼ばれ、数理的モデルに関する不確定性と、観測データの不確定性（すなわち、測定器に起因した誤差や、実際の現象とモデルとの誤差など）との効果を数値的に表す値であって、かつ、変数に作用を及ぼす確率的な駆動項として導入されている。式１および式２は、まとめて、「状態空間モデル」と呼ばれる。状態空間モデルは、モデルおよび観測データに不確定性がある場合に用いることができる。これにより、モデルおよび観測データの不確定性と、被推定値の不確定性とを独立に扱うことができる。
ここで、モデルおよび観測データの不確定性と、変数および被推定値とを確率的に扱うためのアンサンブル近似について説明する。以降、時刻ｔにて格子点ｋにおける変数ｘｔ，ｋは、モデルｆに関する不確定性を表すシステムノイズｖと、観測データに関する不確定性を表す観測ノイズｗと、第１被推定値および第２被推定値に関する確率分布とを反映しており、確定値ではなく、確率分布ｐ（ｘｔ，ｋ）として扱われる。このような確率分布は、Ｎ個のアンサンブルの集合（すなわち、式３に従ったアンサンブル近似）によって表すことができる。
Figure 2017170086
なお、他の確率分布も同様の表現が可能である。各アンサンブルに関しては、相互に独立に計算ができるため、該アンサンブルを状態空間モデル（すなわち、式１および式２）に適用することは容易である。例えば、Ｎ（ただし、Ｎは自然数）個のアンサンブルの場合に、Ｎ回繰り返して計算をしてもよいし、Ｎ個の並列性を有する並列計算を行ってもよく、利用可能な計算リソースに応じて柔軟に計算方法を設計することができる。
次に、局所データ処理部３２０における尤度計算部３２４による予測値および第２被推定値を更新する処理について説明する。式１に従い予測された、時刻ｔにて格子点ｋにおける予測値（すなわち、時刻ｔにて格子点ｋにおける確率分布ｐ（ｘｔ，ｋ））は、ベイズ統計に関する枠組みにおいては、いわゆる、事前確率分布（以降、「事前分布」と呼ぶ）である。観測データ記憶部３２２に格納された、時刻ｔにて格子点ｋにおける観測データｙｔ，ｋが得られた下での事後確率分布（以降、「事後分布」と呼ぶ）（すなわち、更新後の値）を算出する処理は、式２およびベイズの定理により、式４に示す処理として表される。
Figure 2017170086
ここで、式４の右辺において、ｐ（ｙｔ，ｋ｜ｘｔ，ｋ，φ，θｋ）は、尤度と呼ばれ、予測値ｘｔ，ｋ、および第１被推定値φ、第２被推定値θｋが得られた場合の、予測値ｘｔ，ｋの観測データｙｔ，ｋへの当てはまり度合の指標である。このとき、第２被推定値θｋについても、式５に示した処理に従い事後分布を求めることができる。すなわち、事前分布が更新される。
Figure 2017170086
なお、ここで算出される尤度は、時刻ｔにおける逐次の尤度であって、時間ステップごとに尤度記憶部３２６に格納される。なお、局所データ処理部３２０においては、前述した予測値と尤度との算出が、ある規定された期間（開始時刻（ｔ＝１）から終了時刻（ｔ＝Ｔ）まで）に亘り繰り返される。その過程において、予測値及び第２被推定値記憶部３２５に格納されている（式４および式５でそれぞれ表される更新処理後の）予測値および第２被推定値は、数理的モデル計算部３２３に返され、式１に示された時刻（ｔ−１）における値として、次時間ステップ（すなわち、ｔ）の値の計算に用いられる。一方で、時刻ｔが１からＴまでの期間に関して、数理的モデル計算部３２３内の各計算格子点ｋにおける観測データｙ１，ｋ，ｙ２，ｋ，…ｙＴ，ｋが得られた場合に、それらに関する尤度Ｌ（φ，θ）は、式６に示すような処理に従い算出することができる。
Figure 2017170086
式６にて表される尤度は、時間、変数、格子点について積算され、第１被推定値φ（ファイ）および第２被推定値θに関する関数であり、いわゆる、パラメータ尤度（もしくはモデル尤度）と呼ばれる。
ここで、式４および式５に従った予測値ｘｔ，ｋ、第２被推定値θｋの更新方法について具体的に示す。上述したような時刻ｔにおける観測値ｙｔ，ｋを取得した場合に、オンラインに（もしくは逐次的に）、ベイズの定理に基づき事前分布と尤度から事後分布を求める方法として、例えば、粒子フィルタ、アンサンブルカルマンフィルタ、カルマンフィルタ、逐次重点サンプリング、といったベイズフィルタの手法を適用することができる。ただし、これら手法は例示であって、限定されない。
（大域データ更新部３３０）
次に、大域データ更新部３３０内の判定部３３１における動作について説明する。判定部３３１は、終了時刻（ｔ＝Ｔ）まで繰り返された後の、予測値及び第２被推定値記憶部３２５に格納されている更新後の予測値および第２被推定値と、式６に従い算出され、尤度記憶部３２６に格納されているパラメータ尤度とを読み取る。これらの入力に基づいて、判定部３３１は、第１被推定値を更新するか否かの判定処理と、大域データ処理部３１０内の被推定値振分け部３１２における振分けが適していたか否かの判定処理と、振分け基準の更新処理とを行い、それぞれ、第１被推定値記憶部３１３と振分け基準記憶部３１５とにフィードバックをする。前者の第１被推定値を更新するか否かを判定する基準として、例えば、第１被推定値を少なくとも１回更新し、その更新ごとの予測値、および第２被推定値の変動と、パラメータ尤度の値とが所定の値以下になる、という方法がある。
また、後者の被推定値に関する振分けが適していたか否かの判定基準と、振分け基準の更新とに関しては、例えば、前述した第１被推定値を更新する処理を所定の回数以上行ってもパラメータ尤度が所定の値以下とならない場合に、振分け基準を変更する、という方法がある。振分け基準の変更例としては、計算領域内で一様と仮定した値（すなわち、第１被推定値に振分けて推定した値）を、計算領域で一様ではなく、各格子点で独立に推定を行うために第２被推定値へ変更する、という方法がある。このように、パラメータ尤度を判定の指標として、推定された第１被推定値そのものを更新する仕組みと、第１被推定値または第２被推定値への振分けを変更することで推定方法および条件を変える仕組み、という２重のフィードバックループを有している点は、一般的なパラメータ推定方法では類を見ない特徴である。なお、ここでの所定の値、および回数とは、実際の適用例に基づいて適した値に設定すればよい。また、記載の判定方法はあくまでも例示であって、この方法に限定されない。
ここで、式６に従い第１被推定値を更新する方法について、具体的に示す。上述したように、開始時刻（ｔ＝１）から終了時刻（ｔ＝Ｔ）までの積算値に基づいて（すなわち、オフライン、もしくは、バッチ的に）、ベイズの定理により事前分布と尤度とから事後分布を求める方法としては、例えば、マルコフ連鎖モンテカルロ（ＭＣＭＣ）法を適用することができる。ただし、この手法は、例示であって、限定されない。
なお、一般に、前述したオンラインにおけるベイズフィルタに関する手法に比べて、オフラインにてＭＣＭＣ法に従った手法は、被推定値の次元が高い場合に適用しやすい。オンラインにおけるベイズフィルタのうち、特に、粒子フィルタは、推定する次元が高くなる（すなわち自由度が大きくなる）場合に、それらの組合せを表現するための粒子（すなわち、アンサンブルの数）を大きくする必要がある。さもなければ、十分に自由度が表現できず、次時間ステップについての予測が不適切になりうる。このような現象は、一般に、粒子もしくはアンサンブルの退化と呼ばれる。一方、ＭＣＭＣ法は、マルコフ連鎖により次時間ステップにおける多次元の推定値の組合せを生成するため、前述した粒子フィルタのような現象は起きにくい。したがって、本実施形態では、オフラインに推定する第１被推定値の次元が、オンラインに推定する第２被推定値の次元よりも高いように設定する方が、計算リソースの観点や被推定値の精度の観点で、好ましい形態であるとする。
（データ出力部３４０）
次に、データ出力部３４０の動作について説明する。データ出力部３４０は、前述された更新後の第１被推定値が格納された第１被推定値記憶部３４１と、更新後の予測値および第２被推定値が格納された予測値及び第２被推定値記憶部３４２とを含む。したがって、前述の両記憶部には、観測データによって更新された数理的モデルの計算値（すなわち、シミュレーション結果値）と、推定する必要があった第１被推定値と第２被推定値とに関する、それぞれの更新後の結果が格納されることとなる。
（被推定値記憶部３１１および振分け基準記憶部３１５）
図４Ａは、本実施形態に係る被推定値記憶部３１１および振分け基準記憶部３１５の構成を示す図である。被推定値記憶部３１１には、シミュレーション処理にて使用される被推定値が格納される。また、振分け基準記憶部３１５には、被推定値振分け部３１２が被推定値記憶部３１１に格納されている被推定値を、第１被推定値と第２被推定値とに振り分ける基準が格納される。振り分け方法等については、前述の通りである。
被推定値記憶部３１１には、被推定値ＩＤ４２１に関連付けて、被推定値名４２２と、振分け先（第１または第２）４２３とが格納される。振分け基準記憶部３１５には、振分け基準データ４１１が格納される。
（確定データ記憶部３１４および観測データ記憶部３２２）
図４Ｂは、本実施形態に係る確定データ記憶部３１４および観測データ記憶部３２２の構成を示す図である。確定データ記憶部３１４には、数理的モデル計算部３２３が使用する確定データが格納される。また、観測データ記憶部３２２には、数理的モデル計算部３２３が算出した予測値に関する尤度を、尤度計算部３２４が算出する処理にて用いられる観測データ（たとえば、観測衛星や観測センサなどから得られる観測データ（処理されていても可））が格納される。
確定データ記憶部３１４には、確定データＩＤ４３１に関連付けて、確定データ名４３２と、確定データ値４３３とが格納される。また、観測データ記憶部３２２には、観測データＩＤ４４１に関連付けて、観測データ名４４２と、観測データ値４４３とが格納される。
（更新後の予測値、第１被推定値および第２被推定記憶部）
図４Ｃは、本実施形態に係る、予測値及び第２被推定値記憶部３２５、第１被推定値記憶部３４１、または、予測値及び第２被推定値記憶部３４２の構成を示す図である。図４Ｃにおいては、上記各記憶部を一体とした例を説明するが、それぞれ、独立した記憶部であってもよい。
予測値及び第２被推定値記憶部３２５、第１被推定値記憶部３４１、または、予測値及び第２被推定値記憶部３４２には、シミュレーションＩＤ４５１に関連付けて、更新後の、予測値４５２と、第１被推定値４５３と、第２被推定値４５４と、が格納される。これらの記憶部には、シミュレーション終了時にて、シミュレーション結果が格納される。
（シミュレーション処理テーブル４６０）
図４Ｄは、本発明の第２実施形態に係るシミュレーション処理テーブル４６０の構成を示す図である。シミュレーション処理テーブル４６０は、シミュレーション装置２００がシミュレーションを実行中に使用するテーブルである。
シミュレーション処理テーブル４６０には、被推定値ＩＤ４６１と、被推定値に関する振分け先４６２と、確定データ４６３と、数理的モデルに従った計算結果である予測値４６４と、観測データ４６５と、予測値４６４及び観測データ４６５の間の尤度４６６と、が格納される。さらに、シミュレーション処理テーブル４６０は、数理的モデル計算の繰り返し回数４６７と、繰り返しを終了する繰り返し判定結果４６８と、更新データ（出力データ）４６９と、を含む。更新データ（出力データ）４６９は、予測値と、第１被推定値と、第２被推定値と、を含む。
《シミュレーション装置２００のハードウェア構成》
図５は、本実施形態に係る情報処理装置としてのシミュレーション装置２００のハードウェア構成を示すブロック図である。
図５において、ＣＰＵ（Ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５１０は、複数の演算制御を実行するプロセッサであり、プログラムを実行することによって図３のシミュレーション装置２００の機能構成部を実現する。ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５２０には、初期データおよびプログラムなどの固定データおよびプログラムが格納されている。通信制御部５３０は、通信ネットワークを介して、通信端末、データベースや他の装置との通信を制御する。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５４０は、ＣＰＵ５１０が一時記憶のワークエリアとして使用する複数のランダムアクセスメモリである。ＲＡＭ５４０には、本実施形態の実現のためのデータが格納される領域が確保されている。第１被推定値記憶部３１３は、図３に示した第１被推定値が格納される領域である。第２被推定値記憶部３２１は、図３に示した第２被推定値が格納される領域である。確定データ記憶部３１４は、図３に示した確定データが格納される領域である。観測データ記憶部３２２は、図３に示した観測データが格納される領域である。予測値５４５は、数理的モデルに基づいて算出された予測値が格納される領域である。尤度５４６は、予測値５４５と観測データとの間の尤度が格納される領域である。シミュレーション処理テーブル４６０は、図４Ｄに示したシミュレーション処理を制御する場合におけるテーブルが格納される領域である。シミュレーション結果５４８は、数理的モデルに基づくシミュレーション結果が格納される領域である。なお、シミュレーション結果５４８には、たとえば、シミュレーション終了時において、該終了時における予測値と、第１被推定値と、第２被推定値とが含まれる。
ストレージ５５０は、データベースや各種のパラメータ、あるいは、本実施形態の実現のための以下のデータまたはプログラムが格納される複数のストレージである。シミュレーションアルゴリズム５５１は、本実施形態のシミュレーション方法が格納される領域である。局所データ処理アルゴリズム５５２は、本実施形態の局所データ処理方法が格納される領域である。大域データ処理アルゴリズム５５３は、本実施形態の大域データ処理方法が格納される領域である。被推定値種類５５４は、本実施形態にて使用される被推定値の種類が格納される領域である。観測データ種類５５５は、本実施形態にて使用される観測データの種類が格納される領域である。尤度閾値５５６は、本実施形態にて使用される尤度を判定する場合の閾値が格納される領域である。ストレージ５５０には、以下のプログラムが格納される。シミュレーションプログラム５５７は、シミュレーション装置２００によるシミュレーション処理を制御するプログラムである。局所データ処理モジュール５５８は、局所データ処理部３２０による局部データ処理を制御するモジュールである。大域データ処理モジュール５５９は、大域データ処理部３１０による大域データ処理を制御するモジュールである。
入出力インタフェース５６０は、周辺機器とインタフェースする。入出力インタフェース５６０には、表示部２４３、操作部２４０、及び、データ入出力部５６３などが接続される。
なお、図５のＲＡＭ５４０やストレージ５５０には、シミュレーション装置２００が有する汎用の機能や他の実現可能な機能に関連するプログラムやデータは図示されていない。
《シミュレーション装置２００におけるシミュレーション手順》
図６は、本実施形態に係る情報処理装置としてのシミュレーション装置２００におけるシミュレーション手順を示すフローチャートである。このフローチャートは、図５のＣＰＵ５１０がＲＡＭ５４０を使用して実行し、図３の機能構成部を実現する。
シミュレーション装置２００がシミュレーションを開始すると、まず、大域データ処理部３１０は、対象とするシミュレーションの実施に必要な条件である確定した情報（時間ステップや終了までの規定時間、格子点、その他の入力データなど）を確定データ記憶部３１４に格納する（ステップＳ６０１）。次に、被推定値記憶部３１１に格納された被推定値と、振分け基準記憶部３１５に格納された振分け基準にしたがって、被推定値振分け部３１２は、第１被推定値と第２被推定値への振分け処理を行い、それぞれ、第１被推定値記憶部３１３および第２被推定値記憶部３２１に格納する（ステップＳ６０３）。なお、あらかじめ第１被推定値と第２被推定値への振分けが行なわれて、第１被推定値記憶部３１３および第２被推定値記憶部３２１へ格納されている場合には、ステップＳ６０３は省略される。
次に、局所データ処理部３２０は、まず、確定データ記憶部３１４、第１被推定値記憶部３１３、および、第２被推定値記憶部３２１に格納された数理的モデルに従い計算する処理にて用いる情報（第１被推定値と第２被推定値）を取得する（ステップＳ６０５）。数理的モデル計算部３２３は、次時間ステップにおける値を予測する（ステップＳ６０７）。なお、数理的モデル計算部３２３は、この処理を、（式３）に基づくアンサンブルを用いて実行するため、アンサンブル数や並列数に応じて適宜、複数回実行する（図示せず）。尤度計算部３２４は、数理的モデル計算部３２３により計算された予測値と、観測データ記憶部３２２に格納された観測データとに基づき、モデル出力の更新値と、式４乃至式６に示された処理に従い尤度とを算出する（ステップＳ６０９）。そして、尤度計算部３２４は、それぞれ、更新後に、予測値及び第２被推定値記憶部３２５と、尤度記憶部３２６とに格納する（ステップＳ６１１）。
ここで、シミュレーションの時間が規定された終了時間であるかの判定が実行され（ステップＳ６１３）、終了していなければ数理的モデルによる計算（ステップＳ６０７）に戻る。終了していれば、大域データ更新部３３０における判定部３３１は、第１被推定値を更新するか否かを判定する判定指標を導出し（ステップＳ６１５）、第１被推定値を更新するか否かを判定する（ステップＳ６１７）。第１被推定値を更新する場合は、新たな第１被推定値の候補を算出し、算出した候補を第１被推定値記憶部３１３に格納する（ステップＳ６１９）。その後、処理は、数理的モデル計算のための被推定値取得（ステップＳ６０５）に戻る。第１被推定値を更新しない場合には、被推定値振分け部３１２は、振分けを変更するか否かを判定する（ステップＳ６２１）。振分けを変更する場合に、判定部３３１は、結果に基づいて振分け基準を更新し、変更後の第１被推定値と第２被推定値とを、それぞれ、記憶部に格納する（ステップＳ６２３）。その後、処理は、数理的モデルに従った計算を実行する場合に使用する被推定値を取得する処理（ステップＳ６０５）に戻る。振分けの変更をしない場合に、判定部３３１は、予測値および第２被推定値と、第１被推定値とを、データ出力部３４０における予測値及び第２被推定値記憶部３４２と、第１被推定値記憶部３４１に、それぞれ、格納して（ステップＳ６２５）、シミュレーションを終了する。
このように、本実施の形態によれば、シミュレーションに用いる数理的モデルおよびデータに不確定性があり、かつ推定すべきパラメータの次元が高い場合であっても、不適切または局所最適なパラメータが推定されることなく、かつ計算効率が高いシミュレーションを行う技術を提供することができる。特に、観測データが、取得期間が十分でない、または欠測等により、時間的にも空間的にも偏った分布である場合に有効である。
本実施形態によれば、第１被推定値の更新ごとの変動、および、当てはまり度の変動が閾値以下になるまで、第１被推定値の更新を継続し、所定回数の更新を行っても変動が閾値以下とならない場合に、被推定値の再振分を行う。したがって、シミュレーションに用いる数理的モデルおよびデータに不確定性があり、かつ、推定すべきパラメータの次元が高い場合であっても、不適切または局所最適なパラメータが推定されることなく、かつ、計算効率がより高いシミュレーションを実行することができる。
［第３実施形態］
次に、本発明の第３実施形態に係る情報処理装置としてのシミュレーション装置について説明する。本実施形態に係るシミュレーション装置は、第２実施形態と比べると、１つの大域データ処理部に複数の局所データ処理部が接続された点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
《シミュレーション装置の機能構成》
図８は、本実施形態に係る情報処理装置としてのシミュレーション装置８００の機能構成を示すブロック図である。なお、図８において、図３と同様の機能構成部には同じ参照番号を付して、重複する説明を省略する。
シミュレーション装置８００は、図３の局所データ処理部３２０を、対象とする部分領域ごとにｍ個（ｍは２以上の整数）独立に備える構成を有する（３２０１〜３２０ｍで示す）。本実施形態は、シミュレーションの対象とする全領域が広い場合、複数のブロックごとに同一のパラメータがある場合などに適用することができる。なお、部分領域は、シミュレーションの対象である全領域を、それぞれの局所領域に分割し、さらに格子分割した際の、格子点ごと、または少なくとも２点以上の格子点の集合（ブロック）ごと、もしくは対象の局所領域ごとであるとする。
大域データ処理部８１０は、複数の局所データ処理部３２０１〜３２０ｍにおける数理的モデル計算部に対して、確定データ、第１被推定値、および、第２被推定値を提供する局所データ処理分担テーブル８１６を有する。シミュレーション装置８００は、局所データ処理部３２０ｋ（ｋ＝１〜ｍ、ｍは２以上の整数）を複数有するのに対して、１つの第１被推定値記憶部３１３（図３）、および、１つの確定データ記憶部３１４（図３）を有する。全ての局所データ処理部３２０ｋは、同一の値を入力する。一方、局所データ処理部３２０ｋは、それぞれ、１つの第２被推定値記憶部３２１（図３）を有する。各第２被推定値記憶部３２１には、それぞれ、同一または異なる値が格納されている。
そして、大域データ更新部８３０は、複数の局所データ処理部３２０１〜３２０ｍの尤度や更新後の予測値および第２被推定値を集約し、さらに、第１被推定値の更新や被推定値の振分け更新を制御する。
（局所データ処理分担テーブル８１６）
図９は、本実施形態に係る局所データ処理分担テーブル８１６の構成を示す図である。局所データ処理分担テーブル８１６は、複数の局所データ処理部３２０１〜３２０ｍに提供する情報を管理するために使用される。
局所データ処理分担テーブル８１６には、局所データ処理部ＩＤ９０１に関連付けて、各局所データ処理部が処理する部分領域（あるいは、格子点）９０２が格納される。なお、局所データ処理分担テーブル８１６には、オプション９０３として、第２被推定値を局所データ処理部間にて異なった値に設定する、あるいは、局所データ処理に関するアルゴリズムを局所データ処理部間にて異なった方法に設定する情報を格納することもできる。
本実施形態によれば、シミュレーションの対象とする全領域が広い場合、あるいは、シミュレーションを小さな領域で精細に行なう場合に、複数の局所データ処理部にて並列に処理ができる。したがって、シミュレーションに用いる数理的モデルおよびデータに不確定性があり、かつ、推定すべきパラメータの次元が高い場合であっても、不適切または局所最適なパラメータが推定されることなく、かつ、計算効率がより高いシミュレーションをすることができる。
［第４実施形態］
次に、本発明の第４実施形態に係る情報処理装置としてのシミュレーション装置について説明する。本実施形態に係るシミュレーション装置は、第２実施形態および第３実施形態と比べると、シミュレーション処理の履歴を蓄積し、新たなシミュレーションの開始時に、該履歴に基づきパタメータ、初期値およびアルゴリズムを設定する点で異なる。その他の構成および動作は、第２実施形態や第３実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
《シミュレーション装置１０００の機能構成》
図１０は、本実施形態に係る情報処理装置としてのシミュレーション装置１０００の機能構成を示すブロック図である。図１０において、図３と同様の構成要素には同じ参照番号を付して、重複する説明は省略する。
シミュレーション装置１０００は、図３におけるシミュレーション装置２００に加えて、シミュレーション装置２００によるシミュレーション結果の履歴を蓄積し、その履歴に基づき、シミュレーション処理の初期値を適切な値に設定する基である情報が格納されるシミュレーション履歴データベース１０１０を備える。なお、シミュレーション履歴データベース１０１０をシミュレーション装置２００内部に設けてもよい。
（シミュレーション履歴データベース１０１０）
図１１は、本実施形態に係るシミュレーション履歴データベース１０１０の構成を示す図である。
シミュレーション履歴データベース１０１０には、シミュレーション対象１１０１のそれぞれに関連付けて、複数のシミュレーションの履歴が格納される。シミュレーションの履歴には、シミュレーション日時１１０２と、使用したシミュレーションアルゴリズム１１０３と、シミュレーション開始条件１１０４と、シミュレーション結果１１０５と、が含まれる。そして、シミュレーション履歴データベース１０１０には、それらのシミュレーションの履歴に基づいた推奨シミュレーション１１０６が格納される。
シミュレーションアルゴリズム１１０３は、局所アルゴリズムと大域アルゴリズムとを含む。また、シミュレーション開始条件１１０４は、被推定値、振分け基準、確定データ、及び、観測データなどを含む。また、シミュレーション結果１１０５は、予測値、第１被推定値、第２被推定値などを含む。
本実施形態によれば、シミュレーション結果の履歴を蓄積し、その履歴を参照して、シミュレーション処理の初期値を適切な値に設定するので、より適切なシミュレーション結果をより高速に得ることができる。
［第５実施形態］
次に、本発明の第５実施形態に係る情報処理装置としてのシミュレーション装置について説明する。本実施形態に係るシミュレーション装置は、第２実施形態から第４実施形態と比べると、より具体的な営農予測に本シミュレーション処理を適用する点で異なる。その他の構成および動作は、第２実施形態から第４実施形態と同様であるので、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
《情報処理システム》
図１２、図１３Ａおよび図１３Ｂを参照して、本実施形態のシミュレーション装置を含む情報処理システムの構成と動作について説明する。
（システム構成）
図１２は、本実施形態に係る情報処理装置としてのシミュレーション装置１２１１を含む情報処理システム１２００の構成を示すブロック図である。
情報処理システム１２００は、シミュレーションサーバ１２１０に配置された本実施形態のシミュレーション装置１２１１と、観測データ生成サーバ１２２０と、観測データを検出する衛星およびセンサ群１２３０と、営農支援を受けるユーザが利用するユーザ端末１２４０と、が通信ネットワーク１２５０を介して接続されている。
ここで、衛星およびセンサ群１２３０が検出した観測データは、観測データ生成サーバ１２２０によって収集される。観測データ生成サーバ１２２０は、シミュレーション装置１２１１にて使用可能な観測データを生成する。また、ユーザ端末１２４０に入力された営農支援に関する要請に応じて、シミュレーション装置１２１１は、観測データ生成サーバ１２２０によって生成された観測データを用いて営農支援情報を生成し、該営農支援情報をユーザ端末１２４０に提供する。
（動作シーケンス）
図１３Ａは、本実施形態に係る情報処理システム１２００の動作シーケンスを示すシーケンス図である。
ステップＳ１３１１において、シミュレーションサーバ１２１０におけるシミュレーション装置１２１１とユーザ端末１２４０との間にて、営農支援アプリケーションが開始される。ユーザ端末１２４０から、ステップＳ１３１３において営農支援に関する要請があると、それに応答して、シミュレーション装置１２１１は、ステップＳ１３１５において、シミュレーションパラメータを設定する。例えば、シミュレーションパラメータには、営農環境パラメータ、振分け基準、確定データ、観測データなどが含まれる。そして、シミュレーション装置１２１１は、ステップＳ１３１７において、局所データ処理部によって局所データ処理を実行する。
一方、観測データ生成サーバ１２２０は、センサ群１２３０などによってステップＳ１３２１において取得された観測データを収集する（ステップＳ１３２３）。そして、ステップＳ１３２５において、観測データ生成サーバ１２２０は、収集された観測データに基づき、シミュレーション装置１２１１にて使用する観測データを生成する。
シミュレーション装置１２１１は、観測データ生成サーバ１２２０によって生成された観測データを、ステップＳ１３３１にて取得する。シミュレーション装置１２１１は、ステップＳ１３３３において、局所データ処理で計算した予測値と観測データとの間の尤度を計算する。そして、シミュレーション装置１２１１は、予測値や尤度に基づき、ステップＳ１３３５において、大域データ処理を実行する。
シミュレーション装置１２１１は、ステップＳ１３１７〜ステップＳ１３３５を繰り返し、その後、ステップＳ１３３７において、シミュレーション結果を生成する。そして、シミュレーション装置１２１１は、シミュレーション結果から営農支援情報を生成し、生成した該営農支援情報をユーザ端末１２４０に返答する。ユーザ端末１２４０は、ステップＳ１３３９において、営農支援情報を出力する。
《ユーザ端末１２４０における表示および操作》
図１３Ｂは、本実施形態に係るユーザ端末１２４０における表示および操作の概要を示す図である。なお、図１３Ｂには、ユーザ端末１２４０が有する表示および操作部によって制御されている、営農支援入力画面１３４１と、営農支援出力画面１３４２とについて、説明する。
営農支援入力画面１３４１には、ユーザを識別するユーザＩＤ、営農支援対象の圃場位置を含む圃場情報、生育する品種、および、予測期間、などの入力欄が表示される。なお、ユーザは、これらを全て入力する必要はなく、シミュレーション装置１２１１が設定できる情報は入力しなくてもよい。
一方、シミュレーション後に表示される営農支援出力画面１３４２には、シミュレーション結果として、予測期間中の営農支援として追肥や灌漑などの情報、または、収穫予想などの好適な値が表示される。かかる営農支援出力により、農業関係機関や農家をターゲットとして、適切な営農支援情報を高速に提供することができる。
《シミュレーション装置１２１１の機能構成》
図１４は、本実施形態に係る情報処理装置としてのシミュレーション装置１２１１の機能構成を示すブロック図である。なお、図１４において、図３と同様の機能構成部には同じ参照番号を付して、重複する説明は省略する。
図１４において、シミュレーション装置１２１１の局所データ処理部１４２０は、第２実施形態に係る数理的モデル計算部３２３に、具体的に、作物生育モデル計算部１４２３を適用した構成を有する。大域データ処理部１４１０において、地形、気象、営農データ記憶部１４１４には、作物生育モデル計算部１４２３のシミュレーションに必要な確定データとして、地形や気象、灌漑や施肥などの営農データが格納されている。また、営農環境パラメータ記憶部１４１１には、被推定値として、土壌を特徴付けるパラメータや作物を特徴付けるパラメータなどが格納されている。これらの営農環境パラメータは、すでに振分け基準記憶部１４１５に基づいて被推定値振分け部１４１２で振分けられた結果の例として、第１被推定値に相当する品種パラメータが品種パラメータ記憶部１４１３に格納され、第２被推定値に相当する土壌パラメータが土壌パラメータ記憶部１４２１に格納される。さらに、本実施の形態では、具体的な観測データとして、作物の生育状態を表す衛星や航空機によるリモートセンシングデータやカメラ画像、土壌に設置されたフィールドセンサによる土壌水分量や土中温度などが、衛星及び土壌観測データ記憶部１４２２に格納される。その他の部分の構成は第２実施形態に記載のシミュレーション装置２００と同様であるので説明を省略する。
ここでの作物の生育状態を示す観測データとしては、植生指標として一般的に用いられているＮＤＶＩ（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ：正規化植生指標）が利用できる。この値は、可視赤バンドと近赤外バンドの２つのバンドの反射率から算出できる。さらに本実施形態においては、作物生育モデル計算部１４２３にて使用される変数として、葉面積指数（ＬＡＩ：Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ）を用いる。ＬＡＩは、植生指数ＮＤＶＩと相関があることが知られている。このようなＬＡＩは、地形、気象、営農データ記憶部１４１４、品種パラメータ記憶部１４１３、および、土壌パラメータ記憶部１４２１より、地形や気象、作物、及び、土壌パラメータなどが作物生育モデル計算部１４２３に入力されることで算出できる。ただし、観測データ、および変数としてこれらの量を用いることに限定されない。
観測データとしてのＮＤＶＩは、例えば、Ｔｅｒｒａ衛星またはＡＱＵＡ衛星搭載のセンサＭＯＤＩＳ（Ｔｅｒｒａ ＡＱＵＡ／ＭＯＤＩＳ）から得られるデータから算出できる。ＭＯＤＩＳは（ＭＯＤｅｒａｔｅ ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒの略称を表す。詳細には、Ｔｅｒｒａ ＡＱＵＡ／ＭＯＤＩＳによる可視赤バンド（波長が０．５８マイクロメートル（μｍ）〜０．８６μｍ）および近赤外バンド（波長が０．７２５μｍ〜１．１００μｍ）における太陽光に対する反射光強度のデータが入手可能である。このデータは、基本的に毎日取得可能であるが、地上での空間分解能は約２５０ｍと低い。また、ＬＡＮＤＳＡＴ衛星、ＰＬＥＩＡＤＥＳ衛星、ＡＳＮＡＲＯ衛星などから得られるデータも利用できる。ＡＳＮＡＲＯは、Ａｄｖａｎｃｅｄ Ｓａｔｅｌｌｉｔｅ ｗｉｔｈ Ｎｅｗ ｓｙｓｔｅｍ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｏｂｓｅｒｖａｔｉｏｎの略称を表す。これらにより取得される波長域もほぼ同一である。ただし、取得頻度と地上分解能は、ＬＡＮＤＳＡＴ衛星の場合に、８〜１６日間隔で約３０ｍであり、ＰＬＥＩＡＤＥＳ衛星、ＡＳＮＡＲＯ衛星の場合に、２〜３日間隔で約２ｍである。カメラ画像としては、上記の可視赤バンドと近赤外バンドを備えた画像であればよい。ただし、観測データとして取得される波長域は、必ずしもこれらのバンドに限定されるものではない。
本実施形態が第２実施形態と異なる点は、前述したとおり、作物生育モデル計算部１４２３と、入力される確定データ、および推定される被推定値である。その他の部分の構成、および動作は同様である。作物生育モデルの例としては、ＤＳＳＡＴ（Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ ｆｏｒ Ａｇｒｏｔｅｃｈｎｏｌｏｇｙ Ｔｒａｎｓｆｅｒ）や、ＡＰＳＩＭ（ｔｈｅ Ａｇｒｉｃｕｌｔｕｒａｌ Ｐｒｏｄｕｃｔｉｏｎ Ｓｙｓｔｅｍｓ ｓｉＭｕｌａｔｏｒ）、ＷＯＦＯＳＴ（ＷＯｒｌｄ ＦＯｏｄ ＳＴｕｄｉｅｓ）などを用いることができる。これらの作物生育モデルは一例であって、様々な地域の多種多様な作物に対して、それぞれ適したモデルが開発されている。しかし、基本的な構成は同等で、入出力するデータの定義やパラメータの種類が異なる程度のモデルが多い。したがって本実施形態では、それらのモデルの利用は制限されることなく、適材適所で用いることができる。
（シミュレーション処理テーブル１５６０）
図１５は、本実施形態に係るシミュレーション処理テーブル１５６０の構成を示す図である。シミュレーション処理テーブル１５６０は、シミュレーション装置１２１１がシミュレーションを実行中に使用するテーブルである。
シミュレーション処理テーブル１５６０は、被推定値としての営農環境パラメータ１５６１と、営農環境パラメータに関する振分け先１５６２と、確定データとしての地形、気象、営農データ１５６３と、作物生育モデル計算結果である生育及び土壌予測値１５６４と、を記憶する。また、シミュレーション処理テーブル１５６０は、衛星及び土壌観測データ１５６５と、生育及び土壌予測値１５６４と、衛星、土壌観測データ１５６５との尤度１５６６と、を記憶する。さらに、シミュレーション処理テーブル１５６０は、作物生育モデル計算の繰り返し回数１５６７と、繰り返しを終了する繰り返し判定結果１５６８と、更新データ（出力データ）１５６９と、を記憶する。更新データ（出力データ）１５６９は、生育及び土壌予測値と、第１営農環境パラメータと、第２営農環境パラメータと、を含む。
（営農環境パラメータ１５６１の振分け例）
図１６は、本実施形態に係る被推定値としての営農環境パラメータ１５６１の振分け例１６００を示す図である。図１６を参照して、被推定値として前述した土壌を特徴付ける土壌パラメータの具体例、作物やその品種を特徴付ける品種パラメータの具体例、および、初期の振分け例について記載する。なお、被推定値は、作物モデルによって異なる。以下、典型的な代表例を示す。
推定する土壌パラメータの例としては、土壌から水が排水される排水性を表す排水係数、土壌水分量に関する飽和値や最低値、初期の無機態窒素量（地力）などがある。これらの値は、土壌における不均一性に依存している。計算の対象とする地点が数１０ｍ程度も離れれば、これらの値は、異なる値をとりうる。したがって、まずは、このような農業分野の知識や経験に基づき、計算の各格子点にて同一であると仮定しない（すなわち、第２被推定値としての第２営農環境パラメータに振分ける）ことが考えられる。
一方、推定する品種パラメータの例としては、播種や定植から花が咲くまでの期間、実が付き始めるまでの期間、最後の実が付くまでの期間など、いわゆるフェノロジーに関する値がある。作物と品種が同じであれば、これらの値は、基本的に同じ値とすべきである。まず、計算の各格子点にて、同一であると仮定する（すなわち、第１被推定値としての第１営農環境パラメータに振分ける）ことが考えられる。
しかしながら、例えば土壌中の水分または窒素のいずれかの振舞いは、空間的な均一性が高い場合もありうる。さらに、花や実が付き始めるタイミングは、栽培環境における作物のストレス状態（たとえば、水や肥料の量）に依存するため、品種が同じでも振舞いが同じとは限らない。
そこで図１６では、前述した被推定値に関する振分けを変更する場合の例について記載する。
まず、初期の営農環境パラメータの振分け段階においては、前述したように対象分野の知識や経験、および数値計算モデルの性質に応じて振分けを設定したとする。そこで、第２実施形態と同様のフローチャート（図６参照）に従い処理を実行すると、各格子点における尤度と更新後の第２被推定値が算出される。ここで、図１６に示すように、例えば、格子点に無依存である（すなわち、全ての格子点で同じ値である第１被推定値に振分けられた）品種パラメータを、規定の回数以上更新しても特定の格子点の尤度が他の点に比べて低くなる場合を想定する。このような場合には、全ての格子点にて同じ値である、という仮定の下において、第１被推定値への振分けが不適切であった可能性がある。そこで、品種パラメータのうちの少なくとも１つ（図中では、定植〜咲花φ１）を第２被推定値へ変更することによって、格子点に依存している推定を行う。
また、格子点に依存している（すなわち、格子点ごとに異なる値となる第２被推定値に振分けられた）土壌パラメータの推定後の値も判定の基準となりうる。これらのうち少なくとも１つ（図中では、初期窒素θ２，ｋ）が所定の範囲内の格子点にて全て同じ値であると推定される場合には、もともと全ての格子点で同じ値である（すなわち、第１被推定値として扱う）ことが可能と考えられる。そこで、第１被推定値へ変更し、格子点に無依存な推定であると仮定することによって、第２被推定値を推定する処理における次元（すなわち、計算リソース）を削減することにもつながる。
以上のように、尤度や推定後の第２被推定値に基づいて振分けを変更することが可能で、その際の変更及び追加された振分け基準は、振分け基準記憶部に格納される。なお、上記の振分けの変更は例示であって、限定されない。
そして、これらモデルと観測データにより、実環境における品種パラメータ、及び、土壌パラメータが推定され、最終的に最も当てはまり度合が高い（すなわち、尤度が高い）結果が、データ出力部３４０の第１被推定値記憶部３４１、および、予測値及び第２被推定値記憶部３４２に格納される。
農業（特に、露地栽培）の場合には、１つの作物の生育が１年に１回、多くても数回程度であることと、土壌や作物品種など、シミュレーションに必要な条件が多様かつ多数で、確定的に得られにくいことが多い。したがって、これら推定されたパラメータは、例えば、翌年度における栽培開始の初期段階において、作物の生育状態を表す観測データが不十分である場合などに用いることができる。また、ある地域、及び、作物に関するパラメータが蓄積されるため、さらに、他の地域や作物へ展開する際にも有益である。
なお、第５実施形態は、第２実施形態は、数理的モデル計算部３２３が作物生育モデル計算部１４２３であり、観測データが作物の生育状態を表すデータである場合の実施形態であるが、これらはあくまでも例示であって本発明を制限するものではない。適用する対象に応じて適切に選択すればよい。
本実施形態によれば、作物生育（成長）についてシミュレーションを行うことで、農業関係機関や農家をターゲットとして、適切な営農支援情報を高速に提供することができる。
［第６実施形態］
次に、本発明の第６実施形態に係る情報処理装置としてのシミュレーション装置について説明する。本実施形態に係るシミュレーション装置は、第２実施形態から第５実施形態と比べると、より具体的な洪水予測に本シミュレーション処理を適用する点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
《シミュレーション装置の機能構成》
図１７は、本実施形態に係る情報処理装置としてのシミュレーション装置１７００の機能構成を示すブロック図である。なお、図１７において、図３と同様の機能構成部には同じ参照番号を付して、重複する説明は省略する。
図１７において、シミュレーション装置１７００において、局所データ処理部１７２０は、第２実施形態に係るシミュレーション装置２００における数理的モデル計算部３２３に、具体的に洪水予測モデル計算部１７２３を適用した構成である。大域データ処理部１７１０において、洪水予測モデル計算部１７２３におけるシミュレーションに必要な確定データとして、気象及びレーダデータ記憶部１７１４には、一般的な気象情報やレーダによる高時空間分解能な降水量データなどが格納されている。また、洪水環境パラメータ記憶部１７１１には、被推定値として、地形を特徴付けるパラメータや河川及び土質を特徴付けるパラメータなどが格納されている。これらの洪水環境パラメータは、すでに振分け基準記憶部１７１５に基づいて被推定値振分け部１７１２によって振分けられた結果の例として、第１被推定値に相当する地形パラメータが地形パラメータ記憶部１７１３に格納され、第２被推定値に相当する河川及び土質パラメータが河川及び土質パラメータ記憶部１７２１に格納される。さらに、本実施形態では、具体的な観測データとして、河川の水位を表す水位データなどが、水位観測データ記憶部１７２２に格納される。その他の部分の構成は第２実施形態に記載のシミュレーション装置２００と同様であるので説明を省略する。
本実施形態において、洪水予測モデルは、対象とする河川の流域を格子状に分割した分布型モデルを主な想定とし、鉛直方向にも水の透水や移流などを考慮したタンクモデル（貯留関数モデル）などが含まれた、複合的なモデルである。ここで、第１被推定値である地形パラメータの例としては、分割された地域ごとの傾斜や降雨による流入の割合などがある。一方、第２被推定値である河川及び土質パラメータの例としては、河川の局所的な幅や水の土中への透水及び浸透性を表す係数などがある。なお、これらの被推定値は、観測データである水位データとの尤度に基づき、本発明の第２実施形態と同様に更新されるとともに、その振分けを変更することもできる。ただし、これらのモデルやパラメータは、例示であって、これに限定するものではない。
（シミュレーション処理テーブル１８６０）
図１８は、本実施形態に係るシミュレーション処理テーブル１８６０の構成を示す図である。シミュレーション処理テーブル１８６０は、シミュレーション装置１７００がシミュレーションを実行中に使用するテーブルである。
シミュレーション処理テーブル１８６０は、被推定値としての洪水環境パラメータ１８６１と、洪水環境パラメータの振分け先１８６２と、確定データとしての気象及びレーダデータ１８６３と、を記憶する。また、シミュレーション処理テーブル１８６０は、洪水予測モデル計算結果である水位予測値１８６４と、水位観測データ１８６５と、水位予測値１８６４及び水位観測データ１８６５の間の尤度１８６６とを含む。さらに、シミュレーション処理テーブル１８６０は、洪水予測モデル計算における繰り返し回数１８６７と、繰り返しを終了する条件を表す繰り返し判定結果１８６８と、更新データ（出力データ）１８６９と、を含む。更新データ（出力データ）１８６９は、水位予測値と、第１洪水環境パラメータと、第２洪水環境パラメータと、を含む。
本実施形態によれば、洪水予測のシミュレーションを行うことで、適切な水災害の監視および予測情報を迅速に提供することができる。
［第７実施形態］
次に、本発明の第７実施形態に係る情報処理装置としてのシミュレーション装置について、図１９を用いて説明する。本実施形態に係るシミュレーション装置は、第２実施形態と比べると、より具体的な医療またはヘルスケアに本シミュレーション処理を適用する点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。
《シミュレーション装置の機能構成》
図１９は、本実施形態に係る情報処理装置としてのシミュレーション装置１９００の機能構成を示すブロック図である。なお、図１９において、図３と同様の機能構成部には同じ参照番号を付して、重複する説明は省略する。
図１９において、シミュレーション装置１９００における局所データ処理部１９２０は、第２実施形態に係るシミュレーション装置２００における数理的モデル計算部３２３に、具体的に循環器系モデル計算部１９２３を適用した構成である。大域データ処理部１９１０において、標準生体データ記憶部１９１４には、循環器系モデル計算部１９２３によって実行されるシミュレーションに必要な確定データとして、生体の構成やディメンジョン（寸法）などの標準的な生体データなどが格納されている。また、生体パラメータ記憶部１９１１には、被推定値として、マクロまたはミクロな生体内の特徴を表現するパラメータなどが格納されている。これらの生体パラメータは、すでに振分け基準記憶部１９１５に基づいて被推定値振分け部１９１２によって振分けられた結果の例として、第１被推定値に相当するマクロな生体パラメータがマクロ生体パラメータ記憶部１９１３に格納され、第２被推定値に相当するミクロな生体パラメータがミクロ生体パラメータ記憶部１９２１に格納される。さらに、本実施形態では、具体的な観測データとして、血圧や心拍数などのいわゆるバイタル（生体）データなどが、バイタル観測データ記憶部１９２２に格納される。その他の部分の構成は第２実施形態に記載のシミュレーション装置２００と同様である。したがって、ここでは、説明を省略する。
本実施形態において、ここでの循環器系モデルとは、対象とする人体に関して、特に血管をモデル化したものであって、微小な毛細血管から静脈、そして動脈など役割や重要度、そしてスケールの異なる結果をマルチスケールにて組み合わせてモデル化されているものを主な想定とする。またモデルは、力学的なモデルに限らず、等価的に機能を再現したモデル、および、それらの複合的なモデルも含む。ここで、第１被推定値であるマクロな生体内の特徴を表すパラメータの例としては、個人差や年齢に依存した血液の流入量や血管の平均的な硬さなどが挙げられる。一方、第２被推定値であるミクロな生体内の特徴を表すパラメータの例としては、生体内の部位に依存した血管の太さや梗塞度、および局所的な血管の硬化度などが挙げられる。なお、これらの被推定値は、観測データであるバイタルデータとの間の尤度に基づき、本発明の第２実施形態および第４実施形態と同様に更新されるとともに、その振分けを変更することもできる。ただし、これらのモデルやパラメータは例示であって、これに限定するものではない。
（シミュレーション処理テーブル２０６０）
図２０は、本実施形態に係るシミュレーション処理テーブル２０６０の構成を示す図である。シミュレーション処理テーブル２０６０は、シミュレーション装置１９００がシミュレーションを実行中に使用するテーブルである。
シミュレーション処理テーブル２０６０は、被推定値としての生体パラメータ２０６１と、生体パラメータの振分け先２０６２と、確定データとしての標準生体データ２０６３と、を含む。また、シミュレーション処理テーブル２０６０は、循環器系モデル計算結果であるバイタル予測値２０６４と、バイタル観測データ２０６５と、バイタル予測値２０６４及びバイタル観測データ２０６５との間の尤度２０６６と、を含む。さらに、シミュレーション処理テーブル２０６０は、循環器系モデル計算における繰り返し回数２０６７と、繰り返しを終了する繰り返し判定結果２０６８と、更新データ（出力データ）２０６９と、を含む。更新データ（出力データ）２０６９は、バイタル予測値と、第１生体パラメータと、第２生体パラメータとを含む。
本実施形態によれば、血流など循環器系のシミュレーションを行うことによって、医療及びヘルスケア領域における循環器系疾患の監視および予測などの、適切な治療支援情報を高速に提供することができる。
［他の実施形態］
なお、第５実施形態乃至第７実施形態で示した農業・営農支援、洪水予測、医療及びヘルスケアという分野等において、本発明は、第１実施形態に係る数理的モデル計算部を対象物の振舞いを記述するモデル、およびそのモデルの計算に必要なパラメータや観測値へ置き換えることによって、シミュレーションの対象に限定されることなく、適用が可能である。例えば、メンタルヘルス（早期判定、予防）、スマートグリッド（需給バランス最適化）、資源探索（地点予測の高精度化）などにも適用ができる。
また、実施形態を参照して本発明を説明したが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。また、それぞれの実施形態に含まれる別々の特徴を如何様に組み合わせたシステムまたは装置も、本発明の範疇に含まれる。
また、本発明は、複数の機器から構成されるシステムに適用されてもよいし、単体の装置に適用されてもよい。さらに、本発明は、実施形態の機能を実現する情報処理プログラムが、システムあるいは装置に直接あるいは遠隔から供給される場合にも適用可能である。したがって、本発明の機能をコンピュータで実現するために、コンピュータにインストールされるプログラム、あるいはそのプログラムを格納した媒体、そのプログラムをダウンロードさせるＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）サーバも、本発明の範疇に含まれる。特に、少なくとも、上述した実施形態に含まれる処理ステップをコンピュータに実行させるプログラムを格納した非一時的コンピュータ可読媒体（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）は本発明の範疇に含まれる。
尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかし、上述した各実施形態により例示的に説明した本発明は、以下には限られない。
（付記１）
数理的モデルと観測データとを用いてシミュレーションを行う情報処理装置であって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段と、
前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理手段と、
前記第１被推定値の更新を繰り返しながら、前記局所処理手段による処理を繰り返すよう制御する大域処理手段と
を備える情報処理装置。
（付記２）
前記数理的モデルの被推定値を、前記数理的モデルの計算領域内で一様に設定されない値、または、時間変化する変数の初期値である、少なくともいずれかの場合に、前記第２被推定値へ振分け、その他の場合に前記第１被推定値へ振分ける被推定値振分手段
をさらに備え、
前記大域処理手段は、さらに、前記被推定値振分手段による前記被推定値の再振分を繰り返しながら、前記局所処理手段による処理をするよう制御する付記１に記載の情報処理装置。
（付記３）
前記大域処理手段は、前記第１被推定値の更新ごとの変動、および、前記当てはまり度の変動が閾値以下になるまで、前記第１被推定値の更新を継続し、所定回数の更新を行っても前記変動が前記閾値以下とならない場合に、前記被推定値振分手段による前記被推定値の再振分を行う、
付記２に記載の情報処理装置。
（付記４）
前記局所処理手段は、前記当てはまり度を表す指標として尤度を計算する尤度計算手段を有し、前記予測値と前記第２被推定値との更新に、前記数理的モデルで計算される時間ステップごとの逐次の尤度を用い、
前記大域処理手段は、前記第１被推定値の更新に、前記逐次の尤度を所定のステップ以上積算した積算尤度を用いる、
付記１乃至３のいずれか１項に記載の情報処理装置。
（付記５）
前記第１被推定値の次元が前記第２被推定値の次元よりも高い、
付記１乃至４のいずれか１項に記載の情報処理装置。
（付記６）
前記局所処理手段において、前記予測値と前記第２被推定値との更新は、前記予測値と前記観測データとを入力し、逐次の前記当てはまり度に関連して、粒子フィルタ、アンサンブルカルマンフィルタ、カルマンフィルタ、または、逐次重点サンプリングを含む逐次ベイズフィルタによって行なわれる、
付記１乃至５のいずれか１項に記載の情報処理装置。
（付記７）
前記大域処理手段において、前記第１被推定値の更新は、前記第１被推定値の更新前の値と前記当てはまり度の積算とを入力して、マルコフ連鎖モンテカルロ法を含む統計的サンプリングによって行なわれる、
付記１乃至６のいずれか１項に記載の情報処理装置。
（付記８）
前記数理的モデルが対象とする部分領域ごとに観測データを取得するｍ個（ｍ≧２）の前記局所処理手段を備え、
前記大域処理手段は、前記ｍ個の局所処理手段のそれぞれに前記第１被推定値と前記第２被推定値と前記確定データとを提供し、前記ｍ個の局所処理手段の処理の結果を集約する、
付記１乃至７のいずれか１項に記載の情報処理装置。
（付記９）
前記部分領域は、シミュレーションの対象とする全領域をそれぞれの局所領域に分割して、さらに格子分割した際の、格子点ごと、または、少なくとも２点以上の前記格子点の集合であるブロックごと、もしくは対象の前記局所領域ごととする、
付記８に記載の情報処理装置。
（付記１０）
少なくとも、シミュレーションが対象とする数理的モデルと、更新された第１被推定値と、更新された第２被推定値と、確定データと、シミュレーション結果の尤度と、を対応付けて蓄積する履歴データベースを、さらに備え、
前記大域処理手段は、前記履歴データベースを参照して、少なくとも、シミュレーションを実行する数理的モデルと、前記第１被推定値の初期値と、前記第２被推定値の初期値と、確定データと、を設定する、
付記１乃至９のいずれか１項に記載の情報処理装置。
（付記１１）
前記数理的モデルは作物生育モデルであって、
前記被推定値は営農環境パラメータであり、
前記第１被推定値の初期値は品種パラメータであり、
前記第２被推定値の初期値は土壌パラメータであり、
前記確定データは地形、気象および営農データであり、
前記観測データは衛星画像または土壌センサに基づくデータであり、
営農の予測値をシミュレーションする、
付記２、または、付記３に記載の情報処理装置。
（付記１２）
前記数理的モデルは洪水予測モデルであって、
前記被推定値は洪水環境パラメータであり、
前記第１被推定値の初期値は地形パラメータであり、
前記第２被推定値の初期値は河川または土質パラメータであり、
前記確定データは気象およびレーダデータであり、
前記観測データは水位を測定したデータであり、
洪水の予測値をシミュレーションする、
付記２、または、付記３に記載の情報処理装置。
（付記１３）
前記数理的モデルは循環器系モデルであって、
前記被推定値は生体パラメータであり、
前記第１被推定値の初期値はマクロ生体パラメータであり、
前記第２被推定値の初期値はミクロ生体パラメータであり、
前記確定データは標準生体データであり、
前記観測データはバイタルを測定したデータであり、
バイタルの予測値をシミュレーションする、
付記２、または、付記３に記載の情報処理装置。
（付記１４）
数理的モデルと観測データとを用いてシミュレーションを行うシミュレーション方法であって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段を有し、前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返し、
前記第１被推定値の更新を繰り返しながら、前記前記予測値と前記第２被推定値との更新処理を繰り返すよう制御する、
シミュレーション方法。
（付記１５）
数理的モデルと観測データとを用いてシミュレーションを行うシミュレーションプログラムであって、
前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算機能を有し、
前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理機能と、
前記第１被推定値の更新を繰り返しながら、前記局所処理機能による処理を繰り返すよう制御する大域処理機能と
をコンピュータに実行させるシミュレーションプログラムが記録された記録媒体。
（付記１６）
観測データを取得する取得手段と、
前記観測データを用いて、数理的モデルによるシミュレーションを実施する付記１乃至１３のいずれか１項に記載の情報処理装置と、
前記情報処理装置に対して前記数理的モデルによるシミュレーションの実施を要請して、シミュレーション結果の予測値を提供する提供手段と、
を備える情報処理システム。
この出願は、２０１６年３月３１日に出願された日本出願特願２０１６−０７１４６０を基礎とする優先権を主張し、その開示の全てをここに取り込む。

Claims (16)

  1. 数理的モデルと観測データとを用いてシミュレーションを行う情報処理装置であって、
    前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段と、
    前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理手段と、
    前記第１被推定値の更新を繰り返しながら、前記局所処理手段による処理を繰り返すよう制御する大域処理手段と
    を備える情報処理装置。
  2. 前記数理的モデルの被推定値を、前記数理的モデルの計算領域内で一様に設定されない値、または、時間変化する変数の初期値である、少なくともいずれかの場合に、前記第２被推定値へ振分け、その他の場合に前記第１被推定値へ振分ける被推定値振分手段
    をさらに備え、
    前記大域処理手段は、さらに、前記被推定値振分手段による前記被推定値の再振分を繰り返しながら、前記局所処理手段による処理をするよう制御する請求項１に記載の情報処理装置。
  3. 前記大域処理手段は、前記第１被推定値の更新ごとの変動、および、前記当てはまり度の変動が閾値以下になるまで、前記第１被推定値の更新を継続し、所定回数の更新を行っても前記変動が前記閾値以下とならない場合に、前記被推定値振分手段による前記被推定値の再振分を行う、
    請求項２に記載の情報処理装置。
  4. 前記局所処理手段は、前記当てはまり度を表す指標として尤度を計算する尤度計算手段を有し、前記予測値と前記第２被推定値との更新に、前記数理的モデルで計算される時間ステップごとの逐次の尤度を用い、
    前記大域処理手段は、前記第１被推定値の更新に、前記逐次の尤度を所定のステップ以上積算した積算尤度を用いる、
    請求項１乃至３のいずれか１項に記載の情報処理装置。
  5. 前記第１被推定値の次元が前記第２被推定値の次元よりも高い、
    請求項１乃至４のいずれか１項に記載の情報処理装置。
  6. 前記局所処理手段において、前記予測値と前記第２被推定値との更新は、前記予測値と前記観測データとを入力し、逐次の前記当てはまり度に関連して、粒子フィルタ、アンサンブルカルマンフィルタ、カルマンフィルタ、または、逐次重点サンプリングを含む逐次ベイズフィルタによって行なわれる、
    請求項１乃至５のいずれか１項に記載の情報処理装置。
  7. 前記大域処理手段において、前記第１被推定値の更新は、前記第１被推定値の更新前の値と前記当てはまり度の積算とを入力して、マルコフ連鎖モンテカルロ法を含む統計的サンプリングによって行なわれる、
    請求項１乃至６のいずれか１項に記載の情報処理装置。
  8. 前記数理的モデルが対象とする部分領域ごとに観測データを取得するｍ個（ｍ≧２）の前記局所処理手段を備え、
    前記大域処理手段は、前記ｍ個の局所処理手段のそれぞれに前記第１被推定値と前記第２被推定値と前記確定データとを提供し、前記ｍ個の局所処理手段の処理の結果を集約する、
    請求項１乃至７のいずれか１項に記載の情報処理装置。
  9. 前記部分領域は、シミュレーションの対象とする全領域をそれぞれの局所領域に分割して、さらに格子分割した際の、格子点ごと、または、少なくとも２点以上の前記格子点の集合であるブロックごと、もしくは対象の前記局所領域ごととする、
    請求項８に記載の情報処理装置。
  10. 少なくとも、シミュレーションが対象とする数理的モデルと、更新された第１被推定値と、更新された第２被推定値と、確定データと、シミュレーション結果の尤度と、を対応付けて蓄積する履歴データベースを、さらに備え、
    前記大域処理手段は、前記履歴データベースを参照して、少なくとも、シミュレーションを実行する数理的モデルと、前記第１被推定値の初期値と、前記第２被推定値の初期値と、確定データと、を設定する、
    請求項１乃至９のいずれか１項に記載の情報処理装置。
  11. 前記数理的モデルは作物生育モデルであって、
    前記被推定値は営農環境パラメータであり、
    前記第１被推定値の初期値は品種パラメータであり、
    前記第２被推定値の初期値は土壌パラメータであり、
    前記確定データは地形、気象および営農データであり、
    前記観測データは衛星画像または土壌センサに基づくデータであり、
    営農の予測値をシミュレーションする、
    請求項２または請求項３に記載の情報処理装置。
  12. 前記数理的モデルは洪水予測モデルであって、
    前記被推定値は洪水環境パラメータであり、
    前記第１被推定値の初期値は地形パラメータであり、
    前記第２被推定値の初期値は河川または土質パラメータであり、
    前記確定データは気象およびレーダデータであり、
    前記観測データは水位を測定したデータであり、
    洪水の予測値をシミュレーションする、
    請求項２または請求項３に記載の情報処理装置。
  13. 前記数理的モデルは循環器系モデルであって、
    前記被推定値は生体パラメータであり、
    前記第１被推定値の初期値はマクロ生体パラメータであり、
    前記第２被推定値の初期値はミクロ生体パラメータであり、
    前記確定データは標準生体データであり、
    前記観測データはバイタルを測定したデータであり、
    バイタルの予測値をシミュレーションする、
    請求項２または請求項３に記載の情報処理装置。
  14. 数理的モデルと観測データとを用いてシミュレーションを行うシミュレーション方法であって、
    前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算手段を有し、前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返し、
    前記第１被推定値の更新を繰り返しながら、前記前記予測値と前記第２被推定値との更新処理を繰り返すよう制御する、
    シミュレーション方法。
  15. 数理的モデルと観測データとを用いてシミュレーションを行うシミュレーションプログラムであって、
    前記シミュレーションにおいて計算領域を格子状に分割した際の各格子点で同じであると仮定される第１被推定値と、前記各格子点で同じでないと仮定される第２被推定値と、既知の確定データとに基づいて、前記数理的モデルの不確定性を考慮した予測値を計算する数理的モデル計算機能を有し、
    前記予測値と、不確定性を考慮した観測データとの当てはまり度が向上するように、前記予測値と前記第２被推定値との更新を繰り返す局所処理機能と、
    前記第１被推定値の更新を繰り返しながら、前記局所処理機能による処理を繰り返すよう制御する大域処理機能と
    をコンピュータに実行させるシミュレーションプログラムが記録された記録媒体。
  16. 観測データを取得する取得手段と、
    前記観測データを用いて、数理的モデルによるシミュレーションを実施する請求項１乃至１３のいずれか１項に記載の情報処理装置と、
    前記情報処理装置に対して前記数理的モデルによるシミュレーションの実施を要請して、シミュレーション結果の予測値を提供する提供手段と、
    を備える情報処理システム。
JP2018509153A 2016-03-31 2017-03-23 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム Active JP6885394B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016071460 2016-03-31
JP2016071460 2016-03-31
PCT/JP2017/011604 WO2017170086A1 (ja) 2016-03-31 2017-03-23 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラムが記録された記録媒体

Publications (2)

Publication Number Publication Date
JPWO2017170086A1 true JPWO2017170086A1 (ja) 2019-02-14
JP6885394B2 JP6885394B2 (ja) 2021-06-16

Family

ID=59964404

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018509153A Active JP6885394B2 (ja) 2016-03-31 2017-03-23 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム

Country Status (3)

Country Link
US (1) US20190095556A1 (ja)
JP (1) JP6885394B2 (ja)
WO (1) WO2017170086A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704973A (zh) * 2017-10-31 2018-02-16 武汉理工大学 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法
WO2019121097A1 (en) * 2017-12-21 2019-06-27 Basf Se Apparatus for determining agricultural relevant information
JP7059789B2 (ja) * 2018-05-14 2022-04-26 富士通株式会社 逐次制御プログラム、逐次制御方法および逐次制御装置
US20200233993A1 (en) * 2019-01-18 2020-07-23 Baker Hughes Oilfield Operations Llc Graphical user interface for uncertainty analysis using mini-language syntax
CN112507419B (zh) * 2020-11-19 2022-06-28 长江勘测规划设计研究有限责任公司 无资料、多碍洪构筑物的山区性河流洪水过程模拟方法
WO2022259295A1 (ja) * 2021-06-07 2022-12-15 日本電信電話株式会社 処理装置、処理方法およびプログラム
CN114128608B (zh) * 2021-10-25 2023-07-28 塔里木大学 一种果园灌溉管理方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2370283C (en) * 1999-04-16 2012-07-17 Entelos, Inc. Method and apparatus for conducting linked simulation operations utilizing a computer-based system model
US7839292B2 (en) * 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
CN103003818B (zh) * 2010-05-28 2016-12-21 吉奥斯特拉股份有限公司 用于广阔地域上的多样化资源基础的测绘建模的系统和方法
US8818922B2 (en) * 2010-06-29 2014-08-26 Nec Laboratories America, Inc. Method and apparatus for predicting application performance across machines with different hardware configurations
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
US20140275886A1 (en) * 2013-03-14 2014-09-18 Streamline Automation, Llc Sensor fusion and probabilistic parameter estimation method and apparatus
JP5946436B2 (ja) * 2013-10-21 2016-07-06 カルソニックカンセイ株式会社 バッテリのパラメータ推定装置及びパラメータ推定方法
US9558452B2 (en) * 2013-11-08 2017-01-31 Microsoft Technology Licensing, Llc Hierarchical statistical model for behavior prediction and classification
US9378256B2 (en) * 2013-11-15 2016-06-28 Ut-Battelle, Llc Industrial geospatial analysis tool for energy evaluation
EP3123267B1 (en) * 2014-03-28 2019-10-16 Northeastern University System for multivariate climate change forecasting with uncertainty quantification
US10474770B2 (en) * 2014-08-27 2019-11-12 Nec Corporation Simulation device, simulation method, and memory medium
US10564316B2 (en) * 2014-09-12 2020-02-18 The Climate Corporation Forecasting national crop yield during the growing season
US10990714B2 (en) * 2015-12-22 2021-04-27 Bwxt Mpower, Inc. Apparatus and method for safety analysis evaluation with data-driven workflow

Also Published As

Publication number Publication date
US20190095556A1 (en) 2019-03-28
JP6885394B2 (ja) 2021-06-16
WO2017170086A1 (ja) 2017-10-05

Similar Documents

Publication Publication Date Title
JP6885394B2 (ja) 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム
US10255391B2 (en) Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and recent input of harvest condition states
Singh et al. Evaluation of CERES-Wheat and CropSyst models for water–nitrogen interactions in wheat crop
Li et al. Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques
Archontoulis et al. A methodology and an optimization tool to calibrate phenology of short-day species included in the APSIM PLANT model: application to soybean
Hoogenboom Contribution of agrometeorology to the simulation of crop production and its applications
Stöckle et al. CropSyst, a cropping systems simulation model
US9037521B1 (en) Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states
Sexton et al. A theoretical and real world evaluation of two Bayesian techniques for the calibration of variety parameters in a sugarcane crop model
JP6798487B2 (ja) シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体
Srivastava et al. Effect of sowing date distributions on simulation of maize yields at regional scale–A case study in Central Ghana, West Africa
Robert et al. Adaptive and dynamic decision-making processes: A conceptual model of production systems on Indian farms
Sreelash et al. Estimation of available water capacity components of two-layered soils using crop model inversion: Effect of crop type and water regime
Sinclair et al. Geospatial assessment for crop physiological and management improvements with examples using the simple simulation model
Magarey et al. A troubleshooting guide for mechanistic plant pest forecast models
WO2016118684A1 (en) Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture
Mishra et al. A remote-sensing driven tool for estimating crop stress and yields
Lopez-Jimenez et al. Dynamic modeling of crop–soil systems to design monitoring and automatic irrigation processes: A review with worked examples
Wimalasiri et al. Crop model ideotyping for agricultural diversification
Tewes et al. Assimilation of sentinel-2 estimated LAI into a crop model: Influence of timing and frequency of acquisitions on simulation of water stress and biomass production of winter wheat
Abayechaw Review on decision support system for agrotechnology transfer (DSSAT) model
Ghamghami et al. Comparison of data mining and GDD-based models in discrimination of maize phenology
Yang et al. A flexible and efficient knowledge-guided machine learning data assimilation (KGML-DA) framework for agroecosystem prediction in the US Midwest
Motha Use of crop models for drought analysis
EP3474167A1 (en) System and method for predicting genotype performance

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180912

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200217

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210413

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210426

R150 Certificate of patent or registration of utility model

Ref document number: 6885394

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150