JPWO2019053828A1 - 情報分析装置、情報分析方法および情報分析プログラム - Google Patents

Abstract

集合生成部８１は、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏めることによりグループの集合を生成する。部分和モデル生成部８２は、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する。予測対象算出部８３は、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する。評価部８４は、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する。制御部８５は、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成部８１を制御する。そして、集合生成部８１は、制御部８５の制御に応じてグループの集合を生成する。

Description

本発明は、複数の予測対象をグループ化して情報を分析する情報分析装置、情報分析方法および情報分析プログラムに関する。

全体としての予測結果を得ようとする場合、個々の対象ごとに予測モデルを作成する代わりに、複数の対象をグループ化し、そのグループ毎に予測を行う場合がある。

例えば、特許文献１には、需要を予測するためのモデルを構築する方法が記載されている。特許文献１に記載された方法では、契約単位の需要に影響を及ぼし得る要素のそれぞれに対応する、その需要の時系列に変化する特徴に基づいて、複数の契約単位を任意の数のグループに分別する。そして、グループ毎に需要のモデルである予測モデルを構築し、構築した予測モデルおよび各グループに対する予測モデルをリストにした予測モデルリストを出力する。そして、予測モデルリストに含まれる予測モデルのそれぞれに基づいて、その予測モデルにおける需要を予測し、予測された全ての需要を合算して総需要予測を算出して出力する。

また、特許文献２には、電力系統に接続された多数の需要家からなるエネルギーコミュニティに係る電力需要調整システムが記載されている。具体的には、特許文献２には、需要数が増加するほど、すなわち需要家グループの規模が大きくなるほど、その需要家グループの需要予測精度が高くなり、分散が小さくなることが記載されている。また、特許文献２には、需要家グループの規模とその需要家グループの需要電力の総量とがほぼ比例し、このような状況において、需要家グループの規模が或る値になるときに予測と実績との差が最小になり、それより需要家数が増加および減少すると、その差が増加することが記載されている。特許文献２に記載された電力需要調整システムは、このような需要家グループの規模と予測と実績との関係を利用して、需要家グループの規模を決定し、その需要家グループの電力需要を予測する。

国際公開第２０１６／０８８３７０号 国際公開第２０１６／０８４３１３号

上述するように、特許文献１に記載された方法では、需要の時系列に変化する特徴に基づいて、複数の契約単位を任意の数のグループに分別する。一方、特許文献１に記載された方法では、総需要の実測値と、総需要予測との推定誤差を小さくするという観点から、どのようにグループ化するのが適切であるかは、分析者にとって自明ではない。すなわち、特許文献１に記載された方法では、実測値に対する予測値の推定誤差を小さくするという観点において、最適なグループ化ができているとは言い難い。

また、特許文献２に記載された電力需要調整システムは、個々の需要家が互いに異なる性質を有していることを考慮していない。具体的には、特許文献２に記載された電力需要調整システムは、「需要家グループの規模」と「推定精度・分散・需要電力総量・予測と実績との差」との間に、上述する関係が成立することを前提とする。しかし、個々の需要家が互いに異なる性質を有している場合、グループ化する需要家に応じて、上述する関係は変化する。すなわち、特許文献２に記載された電力需要調整システムは、どの需要家同士を同じグループにするのか考慮されておらず、やはり、最適なグループ化ができるとは言い難い。

そこで、本発明は、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化できる情報分析装置、情報分析方法および情報分析プログラムを提供することを目的とする。

本発明による情報分析装置は、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成部と、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出部と、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価部と、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成部を制御する制御部とを備え、集合生成部が、制御部の制御に応じてグループの集合を生成することを特徴とする。

本発明による情報分析システムは、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成部と、第１のグループの集合と第２のグループの集合のそれぞれに対して、そのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、第１のグループの集合と第２のグループの集合のそれぞれに対して、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出部と、第１のグループの集合と第２のグループの集合のそれぞれに対して、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価部とを備えたことを特徴とする。

本発明による情報分析方法は、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏めることによりグループの集合を生成し、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出し、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価し、グループの集合の生成では、１つ以上のグループの集合を生成し、すでに生成されたグループの集合とは異なる構成のグループの集合を生成することを特徴とする。

本発明による他の情報分析方法は、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成し、第１のグループの集合と第２のグループの集合のそれぞれに対して、そのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、第１のグループの集合と第２のグループの集合のそれぞれに対して、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出し、第１のグループの集合と第２のグループの集合のそれぞれに対して、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価することを特徴とする。

本発明による情報分析プログラムは、予測対象が、複数の部分予測対象の和により表現される場合において、コンピュータに、部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成処理、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出処理、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価処理、および、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成処理を制御する制御処理とを実行させ、集合生成処理で、制御処理での制御に応じてグループの集合を生成させることを特徴とする。

本発明による他の情報分析プログラムは、予測対象が、複数の部分予測対象の和により表現される場合において、コンピュータに、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成処理、第１のグループの集合と第２のグループの集合のそれぞれに対して、そのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、第１のグループの集合と第２のグループの集合のそれぞれに対して、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出処理、および、第１のグループの集合と第２のグループの集合のそれぞれに対して、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価処理を実行させることを特徴とする。

本発明によれば、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化できるという技術的効果を奏する。

本発明による情報分析装置の一実施形態を示すブロック図である。 部分予測対象の候補の例を示す説明図である。 実績データの例を示す説明図である。 部分予測対象単位で生成した学習モデルの例を示す説明図である。 部分予測対象をグループ化する処理の例を示す説明図である。 グループの集合を生成する処理の例を示す説明図である。 グループの集合を生成する処理の例を示す説明図である。 情報分析装置の動作例を示すフローチャートである。 本発明による情報分析システムの構成例を示すブロック図である。 本発明による情報分析装置の概要を示すブロック図である。 本発明による情報分析システムの概要を示すブロック図である。

例えば、特許文献１に記載された方法に、Ｘ−ｍｅａｎｓアルゴリズムを適用することで、グループの粒度を自動で最適化できるとも考えられる。しかし、このような方法でも、グループ化処理の後処理である学習および予測処理の結果を、グループ化の評価指標に反映できないため、やはり実測値に対する予測値の推定誤差を小さくするという観点から、最適なグループ化をできるとは限らない。

本実施形態では、上述するように、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化する方法を説明する。

以下、本発明の実施形態を図面を参照して説明する。

図１は、本発明による情報分析装置の一実施形態を示すブロック図である。なお、本実施形態の情報分析装置の構成については後述される。

本発明では、ある時間における予測対象Ｙの値（予測結果）が、同じ時間における複数の予測対象ｙ_１，ｙ_２，…，ｙ_ｎの足し合わせにより構成されるものとする。すなわち、ある時刻における予測対象が、同じ時刻における複数の部分予測対象の和により表現される。具体的には、Ｙ＝ｙ_１＋ｙ_２＋…＋ｙ_ｎである。

なお、複数の予測対象ｙ_１，ｙ_２，…，ｙ_ｎの足し合わせにより所望の予測対象Ｙが構成されることから、以下の説明では、個々の予測対象ｙ_１，ｙ_２，…，ｙ_ｎのことを、部分予測対象と記す。したがって、ある時間における予測対象Ｙの値は、同じ時間における部分予測対象ｙ_１，ｙ_２，…，ｙ_ｎの総和で算出される。例えば、予測対象Ｙが、工場が製造する商品の需要総数（受注総数）とした場合、部分予測対象ｙ_ｎは、個々の店舗の商品需要数（受注数）である。

また、本発明では、部分予測対象を複数のグループ（Ｙ_１，Ｙ_２，…，Ｙ_Ｎ）に纏め、グループごとに予測モデルの学習、予測対象の予測値や実績値の算出を行う。

以下、具体例を用いて、予測対象と部分予測対象との関係を説明する。以下、ある商品を製造して各店舗に納品する工場があると想定し、この工場の生産管理部門の立場に立って、過去の実績データに基づいて未来の商品需要（受注数）を予測するとする。

図２は、部分予測対象の候補の例を示す説明図である。図２に示す例では、自工場が図２に例示する２００店舗（店舗コード：Ｃ−００１〜Ｃ−２００）へ商品を納品することを示す。また、図３は、実績データとして、日ごと及び店舗ごとの商品の売上数の例を示す説明図である。また、図３に例示する表には、前日の最高気温および最低気温が含まれる。以下の説明では、図３に例示するような実際に取得された過去データ（実績データ）のことを、評価用データと記すこともある。

このような情報が存在する場合に翌日の商品の受注数を予測する状況を想定する。例えば、一般的な方法の場合、各日の各店舗の売上数の総数を目的変数に設定し、図３に例示する表に含まれるような最高気温、最低気温などを説明変数に設定して予測モデルを学習することが考えられる。

しかし、例えば２００店舗の中に、他と著しく異なる性質を有する店舗（例えば、売上規模、発注の増減が大きい店舗など）が含まれている場合も存在する。このような異なる性質を有する店舗を一まとめにして学習を行っても、高い予測精度が得られない可能性が高い。そこで、このような複数の店舗を、同様の性質を有する店舗ごとに分類して予測を行うことが考えられる。

しかし、対象とする商品の売上が、必ずしも図２に例示するような各店舗の所在地や売場面積、昨年売上高だけで分類できるとは限らない。例えば、同じ所在地の店舗であっても、ビルの中の店舗と路面店とでは売上の傾向が異なると考えられるし、同程度の売り場面積を有する店舗であっても、近隣の環境に応じて商品の需要傾向が異なることも考えられる。

そこで、以下の実施形態では、対象とする商品の売上に影響する要因が類似する店舗（部分予測対象）をグループ化して予測を行うことで、所望の予測対象の実績値に対する予測値の推定誤差を小さくする方法を説明する。以下、上述する具体例を適宜使用しながら、本発明の情報分析装置を説明する。

図１に例示する情報分析装置１００は、受付部１０と、単位モデル生成部１２と、集合生成部１４と、部分和モデル生成部１６と、予測対象算出部１８と、評価部２０と、出力部２２と、制御部２４と、記憶部３０とを備えている。

記憶部３０は、部分予測対象に関する情報を記憶する。記憶部３０は、例えば、図２に例示する店舗のような、部分予測対象を記憶していてもよい。他にも、記憶部３０は、図３に例示するような、部分予測対象に関する実績データを記憶していてもよい。

実績データは、後述する単位モデル生成部１２および部分和モデル生成部１６が学習モデルを生成する際のデータとして用いられる。他にも、実績データは、後述する評価部２０が予測モデルを評価する際のデータとして用いられる。例えば、実績データのうち、一定の割合のデータを学習用データとして用い、残りのデータを評価用データとして用いてもよい。

ただし、記憶部３０が記憶するデータは、これらのデータに限定されない。記憶部３０は、例えば、後述する単位モデル生成部１２および部分和モデル生成部１６が生成した学習モデルを記憶してもよい。記憶部３０は、例えば、磁気ディスク装置により実現される。

受付部１０は、所望の予測対象の指定を受け付ける。また、受付部１０は、所望の予測対象を構成する複数の部分予測対象の指定を受け付けてもよい。

単位モデル生成部１２は、部分予測対象単位に学習モデルを生成する。具体的には、単位モデル生成部１２は、部分予測対象ｙ_１，ｙ_２，…，ｙ_ｎのそれぞれについて学習モデルを生成する。

例えば、図２に例示する各店舗が部分予測対象である場合、単位モデル生成部１２は、店舗ごとに学習モデルを生成する。本実施形態では、予測対象に影響する要因の類似性を判断できるように、単位モデル生成部１２は、説明変数の重みで予測対象を予測可能な学習モデル（例えば、線形重回帰モデル）を生成する。

図４は、単位モデル生成部１２が部分予測対象単位で生成した学習モデルの例を示す説明図である。図４に示す例では、店舗コード「Ｃ−００１」で特定される店舗の商品の売上予測ｙ_００１が、前日の最高気温（説明変数ｘ_１）、一週間前の売上（説明変数ｘ_２）、および、売り場面積（説明変数ｘ_３）と正の相関があることを示す。一方、図４に示す例では、店舗コード「Ｃ−２００」で特定される店舗の商品の売上予測ｙ_２００が、一週間前の売上（説明変数ｘ_２）、および、売り場面積（説明変数ｘ_３）と正の相関がある一方、週末（説明変数ｘ_４）と負の相関があることを示す。

集合生成部１４は、部分予測対象を複数のグループに纏めることにより、グループの集合を生成する。なお、集合生成部１４は、後述する制御部２４の制御に応じてグループの集合を生成する。

まず、集合生成部１４は、単位モデル生成部１２が生成した学習モデルを入力する。そして、集合生成部１４は、入力された一の学習モデルを構成する説明変数および係数と、他の学習モデルを構成する説明変数および係数との類似性に基づいて、一の学習モデルに対応する部分予測対象と他の学習モデルに対応する部分予測対象とをグループに纏めることによりグループの集合を生成する。

集合生成部１４が、モデルの類似性を判断する方法は任意である。集合生成部１４は、例えば、Ｘ−ｍｅａｎｓアルゴリズムを利用して学習モデルの類似性を判断して、部分予測対象をグループに纏めてもよい。このとき、例えば、学習モデルの各説明変数の係数をベクトルとし、ベクトル間の距離が最も近い学習モデルに対応する部分予測対象をグループに纏めてもよい。

また、集合生成部１４が纏めるグループの数も任意である。図５は、部分予測対象をグループ化する処理の例を示す説明図である。集合生成部１４は、類似性が高い学習モデルに対応する部分予測対象を順次グループ化し、グループ化された部分予測対象を除外しながらグループ化を繰り返してもよい。具体的には、図５（ａ）に例示するように、類似性が高い部分予測対象をグループ化したグループＧ１を生成し、その後、グループＧ１に含まれる部分予測対象を除いて、次に類似性が高い部分予測対象をグループ化したグループＧ２を生成してもよい。例えば、類似する学習モデルのペアをそれぞれ抽出してグループを生成する場合、図２に例示する２００の部分予測対象から、１００のグループの集合が生成される。

また。集合生成部１４は、類似性が高い学習モデルに対応する部分予測対象を順次グループ化し、グループ化された部分予測対象を除外せずにグループ化を繰り返してもよい。具体的には、集合生成部１４は、図５（ｂ）に例示するように、類似性が高い部分予測対象をグループ化したグループＧ１を生成し、その後、グループＧ１に含まれる部分予測対象も含めて、次に類似性が高い部分予測対象をグループ化したグループＧ３を生成してもよい。

また、集合生成部１４は、すでに生成されたグループの集合とは異なる構成のグループの集合を、別途生成してもよい。具体的には、集合生成部１４は、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるようにグループの集合を生成してもよい。例えば、図２に例示する２００の部分予測対象が存在する場合、集合生成部１４は、２つの部分予測対象を纏めた１００のグループの集合を生成し、さらに、４つの部分予測対象を纏めた５０のグループの集合を生成してもよい。

なお、集合生成部１４が生成する各グループに含まれる部分予測対象の数は、同数であってもよく、異なっていてもよい。

図６は、グループの集合を生成する処理の例を示す説明図である。図４に例示する学習モデルが生成されている場合、例えば、店舗コード「Ｃ−００１」で特定される店舗の学習モデルと、店舗コード「Ｃ−００３」で特定される店舗の学習モデルとは、要因の傾向（説明変数および係数）が類似すると言える。そこで、集合生成部１４は、店舗コード「Ｃ−００１」で特定される店舗と、店舗コード「Ｃ−００３」で特定される店舗とをまとめて１つのグループを生成する。集合生成部１４は、このグループ化を他の店舗についても繰り返し行う。

部分和モデル生成部１６は、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する。すなわち、部分和モデル生成部１６は、グループ化された複数の部分予測対象のグループ（Ｙ_１，Ｙ_２，…，Ｙ_Ｎ）ごとに学習モデルを生成する。なお、部分和モデル生成部１６が学習モデルを生成する方法は、集合生成部１４が学習モデルを生成する方法と同様である。

例えば、図６に例示するように、店舗コード「Ｃ−００１」で特定される店舗と、店舗コード「Ｃ−００３」で特定される店舗とをまとめて１つのグループを生成したとする。この場合、部分和モデル生成部１６は、この２つの店舗の商品の売上の和を目的変数とする学習モデルを生成する。

予測対象算出部１８は、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する。具体的には、予測対象算出部１８は、単位モデル生成部１２によって生成された学習モデルを用いて算出されるグループの予測値を合計して予測対象の値を算出する。さらに、予測対象算出部１８は、部分和モデル生成部１６によって生成された学習モデルを用いて算出されるグループの予測値を合計して予測対象の値を算出する。

評価部２０は、算出された予測対象の値と予測対象の実績値との差分に基づいて、グループの集合を評価する。予測対象の実績値は、例えば、予め記憶部３０に記憶されている。評価部２０は、例えば、グループの集合の良さを評価するための評価関数を用いてもよい。

具体的には、評価部２０は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように設計された評価関数を用いてグループの集合を評価してもよい。予測値と実測値の誤差が小さいほど、適切なグループ化ができていると言えるからである。この場合の評価関数は、例えば、以下に例示する式１で設計されていてもよい。評価関数Ｗは、値が小さいほど、よりよい評価を示す。式１に例示する予測対象Ｙの誤差とは、部分予測対象の和である全体の誤差である。

評価関数Ｗ＝β・（予測対象Ｙの誤差） （式１）

また、評価部２０は、上述する評価に加え、グループの集合を構成するグループの数が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価してもよい。グループの数が少ないほど、生成されるモデルの数も少なくなるため、人間の解釈性を高めることができるからである。この場合の評価関数は、例えば、以下に例示する式２で設計されていてもよい。

評価関数Ｗ＝α・モデル数＋β・（予測対象Ｙの誤差） （式２）

また、評価部２０は、グループの集合を構成するグループの数の評価に代えて、各グループに対応する各学習モデルに含まれる非ゼロ係数を有する説明変数の個数の総和が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価してもよい。非ゼロ係数を有する説明変数の個数が少ないほど、人間の解釈性を高めることができるからである。

さらに、非ゼロ係数を有する説明変数の個数が少ないほど、モデルの複雑性を回避できる。モデルが複雑になるほど、そのモデルにうまく当てはまる評価データが見つかりやすいため、適切な評価ができないおそれがある。一方、モデルを単純化できるほど、上述するおそれを避けられるため、モデル評価時には精度が良いにもかかわらず、運用中に精度が悪くなるといった現象が起こることを抑制できる。この場合の評価関数は、例えば、以下に例示する式３で設計されていてもよい。

評価関数Ｗ＝α・（Σ各モデルの非ゼロ係数の数）＋β・（予測対象Ｙの誤差）（式３）

制御部２４は、集合生成部１４がグループの集合を生成する際の動作を制御する。具体的には、制御部２４は、個々の部分予測対象を、予め定めた数のグループに纏めるように集合生成部１４を制御する。図７は、グループの集合を生成する処理の例を示す説明図である。

例えば、図２に例示する２００の部分予測対象が存在する場合、制御部２４は、２つの部分予測対象を纏めた１００のグループの集合を生成するよう、集合生成部１４を制御してもよい（図７におけるステップＳ１）。

さらに、制御部２４は、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、集合生成部１４を制御してもよい。このとき、制御部２４は、個々の部分予測対象を対象としてグループ化するよう、集合生成部１４を制御してもよいし、集合生成部１４がすでに生成したグループをさらにグループに纏めることによりグループの集合を生成するよう制御してもよい。すなわち、制御部２４は、集合生成部１４を制御する際に、部分和モデル生成部１６により生成された学習モデルを集合生成部１４に入力してもよい。この場合、集合生成部１４は、部分和モデル生成部１６により生成された学習モデルを入力として、グループの集合を生成する。

例えば、集合生成部１４が、すでに２つの部分予測対象を纏めた１００のグループの集合を生成している場合、制御部２４は、この１００のグループをさらにグループに纏めることにより、例えば、５０のグループの集合を生成するように制御してもよい（図７におけるステップＳ２）。また、制御部２４は、初めの２００の部分予測対象を対象として、４つの部分予測対象を纏めた５０のグループの集合を生成するよう、集合生成部１４を制御してもよい（図７におけるステップＳ３）。

このように、制御部２４は、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成部１４を制御する。制御部２４の制御により複数の構成のグループの集合が生成されると、部分和モデル生成部１６は、それぞれのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する。そして、予測対象算出部１８は、生成された学習モデルを用いて算出されるグループの予測値から予測対象の値を算出し、評価部２０は、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する。

出力部２２は、評価部２０の評価に応じてグループの集合を出力する。具体的には、出力部２２は、より良い評価のグループの集合を出力する。このとき、出力部２２は、グループの集合だけでなく、その集合を構成するグループごとに生成された学習モデルを出力してもよい。

受付部１０と、単位モデル生成部１２と、集合生成部１４と、部分和モデル生成部１６と、予測対象算出部１８と、評価部２０と、出力部２２と、制御部２４とは、プログラム（情報分析プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（field-programmable gate array ））によって実現される。

例えば、プログラムは、記憶部３０に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、受付部１０、単位モデル生成部１２、集合生成部１４、部分和モデル生成部１６、予測対象算出部１８、評価部２０、出力部２２および制御部２４として動作してもよい。また、情報分析装置の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

受付部１０と、単位モデル生成部１２と、集合生成部１４と、部分和モデル生成部１６と、予測対象算出部１８と、評価部２０と、出力部２２と、制御部２４とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。

また、各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本実施形態の情報分析装置の動作を説明する。図８は、本実施形態の情報分析装置の動作例を示すフローチャートである。

単位モデル生成部１２は、部分予測対象単位に学習モデルを生成する（ステップＳ１１）。予測対象算出部１８は、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する（ステップＳ１２）。そして、評価部２０は、算出された予測対象の値と予測対象の実績値との差分に基づいて、グループの集合を評価する（ステップＳ１３）。ここでは、評価部２０は、個々の部分予測対象について学習モデルを生成した場合について評価する。

制御部２４は、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するか否か判断する（ステップＳ１４）。グループの集合を生成すると判断した場合（ステップＳ１４におけるＹｅｓ）、制御部２４は、集合生成部１４を制御することにより、部分予測対象を複数のグループに纏めてグループの集合を生成する（ステップＳ１５）。

部分和モデル生成部１６は、生成されたグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する（ステップＳ１６）。学習モデルが生成されると、予測対象算出部１８が予測対象の値を算出し、評価部２０がグループの集合を評価するステップＳ１２およびステップＳ１３の処理が繰り返される。

一方、ステップＳ１４において、グループの集合を生成しないと判断した場合（ステップＳ１４におけるＮｏ）、出力部２２は、最も評価の良いグループの集合を出力する（ステップＳ１７）。

以上のように、本実施形態では、集合生成部１４が、部分予測対象を複数のグループに纏めることによりグループの集合を生成し、部分和モデル生成部１６が、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する。そして、予測対象算出部１８が、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出し、評価部２０が、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する。このとき、制御部２４は、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成部１４を制御し、集合生成部１４は、制御部の制御に応じてグループの集合を生成する。

よって、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化できる。

次に、上記実施形態の変形例を説明する。上記実施形態では、制御部２４が異なる構成のグループの集合を生成するように集合生成部１４を制御することで、生成されたグループをさらに纏めて順次グループ化する方法を説明した。

一方、グループ化する粒度を変更して評価を行うことも効果的である。例えば、ｋ−ｍｅａｎｓによるグルーピングを、ｋの値を変更しつつ何度も行うことが考えられる。また、学習処理には多くの時間がかかることが想定されるため、複数のサーバを並列に動作させて、評価を行うことも好ましい。

例えば、部分予測対象が２００存在するとする。このとき、ｋ＝５０のグルーピング処理とｋ＝１００のグルーピング処理とを、別のサーバが並列に実行し、それぞれのグループの集合に対して、学習処理、予測処理および評価処理を行ったうえで、最も評価の良いグループを出力してもよい。

図９は、本発明による情報分析システムの構成例を示すブロック図である。図９に例示する情報分析システム２００は、受付部１０と、単位モデル生成部１２と、集合生成部１４ａと、部分和モデル生成部１６ａと、予測対象算出部１８ａと、評価部２０ａと、出力部２２と、記憶部３０とを備えている。受付部１０、単位モデル生成部１２、出力部２２および記憶部３０の構成は、情報分析装置１００が備える構成と同様である。

集合生成部１４ａは、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する。集合生成部１４ａがグループの集合を生成する方法は、情報分析装置１００における集合生成部１４がグループの集合を生成する方法と同様である。

なお、図９に示す例では集合生成部１４ａを１つのみ示しているが、複数のサーバで処理が実行される場合、情報分析システム２００は、サーバごとに集合生成部１４ａを備えていてもよい。また、集合生成部１４ａが生成するグループの集合の種類は、２種類に限定されず、３種類以上であってもよい。

部分和モデル生成部１６ａは、第１のグループの集合と第２のグループの集合のそれぞれに対して、そのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する。部分和モデル生成部１６ａが学習モデルを生成する方法は、情報分析装置１００における部分和モデル生成部１６が学習モデルを生成する方法と同様である。

なお、図９に示す例では部分和モデル生成部１６ａを１つのみ示しているが、複数のサーバで処理が実行される場合、情報分析システム２００は、サーバごとに部分和モデル生成部１６ａを備えていてもよい。

予測対象算出部１８ａは、第１のグループの集合と第２のグループの集合とのそれぞれに対して、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する。予測対象算出部１８ａが予測対象の値を算出する方法は、情報分析装置１００における予測対象算出部１８が予測対象の値を算出する方法と同様である。

なお、図９に示す例では予測対象算出部１８ａを１つのみ示しているが、複数のサーバで処理が実行される場合、情報分析システム２００は、サーバごとに予測対象算出部１８ａを備えていてもよい。

評価部２０ａは、第１のグループの集合と第２のグループの集合のそれぞれに対して、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する。評価部２０ａがグループの集合を評価する方法は、情報分析装置１００における評価部２０がグループの集合を評価する方法と同様である。

なお、図９に示す例では評価部２０ａを１つのみ示しているが、複数のサーバで処理が実行される場合、情報分析システム２００は、サーバごとに評価部２０ａを備えていてもよい。

以上のように、本変形例では、集合生成部１４ａが、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる複数のグループ（第１のグループの集合と第２のグループの集合）をそれぞれ生成する。そのため、上記実施形態の効果に加え、より適切に部分予測対象をグループ化できる。

次に、本発明の概要を説明する。図１０は、本発明による情報分析装置の概要を示すブロック図である。本発明による情報分析装置８０は、予測対象（例えば、予測対象Ｙ）が、複数の部分予測対象（例えば、部分予測対象ｙ_１，ｙ_２，…，ｙ_ｎ）の和により表現される場合において、部分予測対象を複数のグループ（例えば、グループＹ_１，Ｙ_２，…）に纏めることによりグループの集合を生成する集合生成部８１（例えば、集合生成部１４）と、グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部８２（例えば、部分和モデル生成部１６）と、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出部８３（例えば、予測対象算出部１８）と、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価部８４（例えば、評価部２０）と、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように集合生成部８１を制御する制御部８５（例えば、制御部２４）とを備えている。そして、集合生成部８１は、制御部８５の制御に応じてグループの集合を生成する。

そのような構成により、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化できる。

また、制御部８５は、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、集合生成部８１を制御してもよい。

また、情報分析装置８０は、部分予測対象単位に学習モデルを生成する単位モデル生成部（例えば、単位モデル生成部１２）を備えていてもよい。そして、集合生成部８１は、単位モデル生成部が生成した学習モデルを入力として、一の学習モデルを構成する説明変数および係数と、他の学習モデルを構成する説明変数および係数との類似性に基づいて、一の学習モデルに対応する部分予測対象と他の学習モデルに対応する部分予測対象とをグループに纏めることによりグループの集合を生成してもよい。

また、制御部８５は、集合生成部８１を制御する際に、部分和モデル生成部８２により生成された学習モデルを集合生成部８１に入力し、集合生成部８１は、部分和モデル生成部８２により生成された学習モデルを入力として、グループの集合を生成してもよい。そのような構成により、グループの集合を順次少なくしていくことが可能になる。

また、情報分析装置８０は、評価部８４の評価に応じてグループの集合を出力する出力部（例えば、出力部２２）を備えていてもよい。そして、評価部８４は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように設計された評価関数（例えば、上記式１に示す評価関数Ｗ）を用いてグループの集合を評価し、出力部は、評価がより良いグループの集合を出力してもよい。

また、評価部８４は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、グループの集合を構成するグループの数が少ないほど良い評価となるように設計された評価関数（例えば、上記式２に示す評価関数Ｗ）を用いてグループの集合を評価してもよい。

また、評価部８４は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、各グループに対応する各学習モデルについて、当該各学習モデルに含まれる非ゼロ係数を有する説明変数の個数の総和が少ないほど良い評価となるように設計された評価関数（例えば、上記式３に示す評価関数Ｗ）を用いてグループの集合を評価してもよい。

また、部分和モデル生成部８２は、学習モデルとして、線形重回帰モデルを生成してもよい。

図１１は、本発明による情報分析システムの概要を示すブロック図である。本発明による情報分析システム９０は、予測対象（例えば、予測対象Ｙ）が、複数の部分予測対象（例えば、部分予測対象ｙ_１，ｙ_２，…，ｙ_ｎ）の和により表現される場合において、部分予測対象を複数のグループに纏めることにより、グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成部９１（例えば、集合生成部１４ａ）と、第１のグループの集合と第２のグループの集合のそれぞれに対して、そのグループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部９２（例えば、部分和モデル生成部１６ａ）と、第１のグループの集合と第２のグループの集合のそれぞれに対して、学習モデルを用いて算出されるグループの予測値から予測対象の値を算出する予測対象算出部９３（例えば、予測対象算出部１８ａ）と、第１のグループの集合と第２のグループの集合のそれぞれに対して、算出された予測対象の値と予測対象の実績値との差分に基づいてグループの集合を評価する評価部９４（例えば、評価部２０ａ）とを備えている。

そのような構成によっても、所望の予測対象が複数の予測対象の和によって表現される場合に、所望の予測対象の実績値に対する予測値の推定誤差を小さくするように、各予測対象をグループ化できる。

上記の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が、以下には限られない。

（付記１）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成部と、前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出部と、前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価部と、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように前記集合生成部を制御する制御部とを備え、前記集合生成部は、前記制御部の制御に応じてグループの集合を生成することを特徴とする情報分析装置。

（付記２）制御部は、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、集合生成部を制御する付記１に記載の情報分析装置。

（付記３）部分予測対象単位に学習モデルを生成する単位モデル生成部を備え、集合生成部は、前記単位モデル生成部が生成した学習モデルを入力として、一の学習モデルを構成する説明変数および係数と、他の学習モデルを構成する説明変数および係数との類似性に基づいて、前記一の学習モデルに対応する部分予測対象と前記他の学習モデルに対応する部分予測対象とをグループに纏めることによりグループの集合を生成する付記１または付記２に記載の情報分析装置。

（付記４）制御部は、集合生成部を制御する際に、部分和モデル生成部により生成された学習モデルを集合生成部に入力し、集合生成部は、部分和モデル生成部により生成された学習モデルを入力として、グループの集合を生成する付記３に記載の情報分析装置。

（付記５）評価部の評価に応じてグループの集合を出力する出力部を備え、評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように設計された評価関数を用いてグループの集合を評価し、前記出力部は、前記評価がより良いグループの集合を出力する付記１から付記４のうちのいずれか１つに記載の情報分析装置。

（付記６）評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、グループの集合を構成するグループの数が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価する付記５記載の情報分析装置。

（付記７）評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、各グループに対応する各学習モデルについて、当該各学習モデルに含まれる非ゼロ係数を有する説明変数の個数の総和が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価する付記５記載の情報分析装置。

（付記８）部分和モデル生成部は、学習モデルとして、線形重回帰モデルを生成する付記１から付記７のうちのいずれか１つに記載の情報分析装置。

（付記９）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成部と、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出部と、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価部とを備えたことを特徴とする情報分析システム。

（付記１０）集合生成部は、第１のグループの集合と第２のグループの集合のそれぞれで構成するグループの数が変わるように、グループの集合を生成する付記９に記載の情報分析システム。

（付記１１）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることによりグループの集合を生成し、前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出し、前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価し、前記グループの集合の生成では、１つ以上のグループの集合を生成し、すでに生成されたグループの集合とは異なる構成のグループの集合を生成することを特徴とする情報分析方法。

（付記１２）グループの集合の生成では、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、グループの集合を生成する付記１１記載の情報分析方法。

（付記１３）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成し、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出し、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価することを特徴とする情報分析方法。

（付記１４）第１のグループの集合と第２のグループの集合のそれぞれで構成するグループの数が変わるように、グループの集合を生成する付記１３に記載の情報分析方法。

（付記１５）コンピュータに、予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成処理、前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出処理、前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価処理、および、すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように前記集合生成処理を制御する制御処理とを実行させ、前記集合生成処理で、前記制御処理での制御に応じてグループの集合を生成させるための情報分析プログラム。

（付記１６）コンピュータに、制御処理で、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、集合生成処理を制御させる付記１５に記載の情報分析プログラム。

（付記１７）コンピュータに、予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成処理、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出処理、および、前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価処理を実行させるための情報分析プログラム。

（付記１８）集合生成処理で、第１のグループの集合と第２のグループの集合のそれぞれで構成するグループの数が変わるように、グループの集合を生成させる付記１７に記載の情報分析プログラム。

１０ 受付部
１２ 単位モデル生成部
１４，１４ａ 集合生成部
１６，１６ａ 部分和モデル生成部
１８，１８ａ 予測対象算出部
２０，２０ａ 評価部
２２ 出力部
２４ 制御部
３０ 記憶部
１００ 情報分析装置
２００ 情報分析システム

Claims (13)

1. 予測対象が、複数の部分予測対象の和により表現される場合において、
   前記部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成部と、
   前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、
   前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出部と、
   前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価部と、
   すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように前記集合生成部を制御する制御部とを備え、
   前記集合生成部は、前記制御部の制御に応じてグループの集合を生成する
   ことを特徴とする情報分析装置。
2. 制御部は、グループの集合を構成するグループの数が、すでに生成されたグループの集合を構成するグループの数と変わるように、集合生成部を制御する
   請求項１に記載の情報分析装置。
3. 部分予測対象単位に学習モデルを生成する単位モデル生成部を備え、
   集合生成部は、前記単位モデル生成部が生成した学習モデルを入力として、一の学習モデルを構成する説明変数および係数と、他の学習モデルを構成する説明変数および係数との類似性に基づいて、前記一の学習モデルに対応する部分予測対象と前記他の学習モデルに対応する部分予測対象とをグループに纏めることによりグループの集合を生成する
   請求項１または請求項２に記載の情報分析装置。
4. 制御部は、集合生成部を制御する際に、部分和モデル生成部により生成された学習モデルを集合生成部に入力し、
   集合生成部は、部分和モデル生成部により生成された学習モデルを入力として、グループの集合を生成する
   請求項３に記載の情報分析装置。
5. 評価部の評価に応じてグループの集合を出力する出力部を備え、
   評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように設計された評価関数を用いてグループの集合を評価し、
   前記出力部は、前記評価がより良いグループの集合を出力する
   請求項１から請求項４のうちのいずれか１項に記載の情報分析装置。
6. 評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、グループの集合を構成するグループの数が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価する
   請求項５記載の情報分析装置。
7. 評価部は、算出された予測対象の値と予測対象の実績値との差分が小さいほど良い評価となるように、且つ、各グループに対応する各学習モデルについて、当該各学習モデルに含まれる非ゼロ係数を有する説明変数の個数の総和が少ないほど良い評価となるように設計された評価関数を用いてグループの集合を評価する
   請求項５記載の情報分析装置。
8. 部分和モデル生成部は、学習モデルとして、線形重回帰モデルを生成する
   請求項１から請求項７のうちのいずれか１項に記載の情報分析装置。
9. 予測対象が、複数の部分予測対象の和により表現される場合において、
   前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成部と、
   前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成部と、
   前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出部と、
   前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価部とを備えた
   ことを特徴とする情報分析システム。
10. 予測対象が、複数の部分予測対象の和により表現される場合において、
    前記部分予測対象を複数のグループに纏めることによりグループの集合を生成し、
    前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、
    前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出し、
    前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価し、
    前記グループの集合の生成では、１つ以上のグループの集合を生成し、すでに生成されたグループの集合とは異なる構成のグループの集合を生成する
    ことを特徴とする情報分析方法。
11. 予測対象が、複数の部分予測対象の和により表現される場合において、
    前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成し、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成し、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出し、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する
    ことを特徴とする情報分析方法。
12. 予測対象が、複数の部分予測対象の和により表現される場合において、
    コンピュータに、
    前記部分予測対象を複数のグループに纏めることによりグループの集合を生成する集合生成処理、
    前記グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、
    前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出処理、
    前記算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価処理、および、
    すでに生成されたグループの集合とは異なる構成のグループの集合を生成するように前記集合生成処理を制御する制御処理とを実行させ、
    前記集合生成処理で、前記制御処理での制御に応じてグループの集合を生成させる
    ための情報分析プログラム。
13. 予測対象が、複数の部分予測対象の和により表現される場合において、
    コンピュータに、
    前記部分予測対象を複数のグループに纏めることにより、前記グループの集合の構成が互いに異なる第１のグループの集合と第２のグループの集合とをそれぞれ生成する集合生成処理、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、当該グループに含まれる部分予測対象の和を目的変数とする学習モデルを生成する部分和モデル生成処理、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、前記学習モデルを用いて算出されるグループの予測値から前記予測対象の値を算出する予測対象算出処理、および、
    前記第１のグループの集合と前記第２のグループの集合のそれぞれに対して、算出された予測対象の値と前記予測対象の実績値との差分に基づいて前記グループの集合を評価する評価処理
    を実行させるための情報分析プログラム。

Images