KR100252643B1

KR100252643B1 - 시계열 신호예측장치

Info

Publication number: KR100252643B1
Application number: KR1019970706259A
Authority: KR
Inventors: 가즈아키 오바라; 다쓰미 와다나베; 가즈히데 이사지
Original assignee: 모리시타 요이찌; 마쯔시다덴기산교 가부시키가이샤
Priority date: 1996-01-08
Filing date: 1997-01-07
Publication date: 2000-04-15
Also published as: WO1997025676A1; CN1109310C; KR19980702852A; EP0814413A1; CN1185848A; TW342478B; EP0814413A4

Abstract

개시된 시계열 신호예측장치는 과거 시계열 데이터 및 현재의 시계열 데이터를 토대로 해서 미래의 시계열 데이터를 예측한다. 벡터발생수단은 자연수 n개로 입력된 시계열 데이터를 토대로 해서 n차원의 벡터 데이터를 발생시키고 그들을 벡터저장수단에 저장하고, 한편 다른 벡터발생수단이 입력된 과거 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, 그들을 n차원까지이 벡터 데이터를 사용해서 유사한 벡터마다 복수 L개의 벡터세트로 분류하고, 그들을 벡터세트 저장수단으로 저장한다. 뒤이어, 벡터분류수단이 입력 벡터 데이터가 어떤 벡터에 속하는 지에 따라 분류하고, 벡터선택수단이 벡터 데이터가 속하게 것으로 결정된 벡터세트에 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 벡터 데이터에 대해 유사도의 내림순으로 복수 k개의 벡터 데이터를 선택한다. 그후, 고거 데이터 추출 수단은 그 선택된 벡터세트에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원의 데이터를 추출하고, 그 추출된 데이터를 그 유사도와 함께 출력하고, 데이터 예측수단은 복수 k개의 추출된 데이터, 입력 벡터 데이터 및 그 유사도를 토대로 해서 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터을 예측 및 출력한다.

Description

시계열 신호예측장치

종래기술의 시계열 신호예측장치는 예를 들어 일본 특허 공개공보 제 헤이세이 7-84983호에서 개시되었다. 종래기술의 시계열 신호예측장치의 구조는 제15도에 도시된다. 제15도에 도시했듯이 종래기술의 시계열 신호예측장치는, (a) 피드 포워드(feed forward)형 신경망을 사용해서 만들어진 제1시계열 예측수단(1501)과; (b) ARMA(Auto Regressive Moving Average) 모델을 사용해서 만들어진 제2시계열 예측수단(1502)과; (c) 사용 조건(1507), 제1 및 제2시계열 예측수단(1501,1502)의 예측결과(1505,1506) 및 실측 결과(1508)를 토대로 해서 각 예측결과(1506,1506)를 각 사용 조건(1507)에 대한 실측 결과(1508)와 비교하고, 그럼으로써 각 제1 및 제2시계열 예측수단(1501,1502)에 대해 사용 조건(1507)에 의존하는 예측 능력의 우월성 또는 열등성을 측정하는 사용 특성 측정 수단(1504)과; (d) 사용 조건(1507), 예측결과(1505,1506) 및 사용 특성 측정 수단(1504)에 의한 측정 결과(1509)를 토대로 해서 가중된 가산 방법을 사용하고 최종 예측결과(1510)를 츨력함으로써 예측결과(1505,1506)를 통합하는 통합결정수단(1503)을 구비한다.

상기 설명했듯이, 구성된 종래기술의 시계열 신호예측장치에서, 다른 시계열 신호예측수단(1501,1502)이 구비되고, 상기 2개의 시계열 신호예측수단(1501,1502)에 의해 예측된 예측결과(1505,1506)가 가중되고 사용 조건에 따라 가산되고, 그것에 의해 예측 정밀도의 개선이 시계열 신호예측장치에 대해 설계된다.

그러나, 종래기술의 시계열 신호예측장치가 예측 정밀도를 개선시키는 복수의 예측수단을 구비할 필요가 있고, 그것은 시스템 구성을 복잡하게 한다. 또한, 입력 시계열 신호의 평균 및 변화 등의 통계적 특성에서 변화가 발생할 때, 시계열 신호의 통계적 특성을 변화시키는 수단을 갖지 않는 시계열 신호예측장치는 예측된 시계열 신호의 정밀도를 악화시키는 문제에 직면한다.

본 발명은 과거 및 현재의 시계열 데이터를 토대로 해서 미래의 시계열 데이터를 예측하는 시계열 신호예측장치에 관한 것이다.

제1도는 본 발명의 제1양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제2도는 본 발명의 제2양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제3도는 본 발명의 제3양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제4도는 제3도의 다른 데이터 예측수단(303)을 구성하는 신경망의 장치 다이어그램.

제5도는 본 발명의 제4양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제6도는 본 발명의 제5양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제7도는 본 발명의 제6양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제8도는 본 발명의 제6양호한 실시예의 변형인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제9도는 본 발명의 제7양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제10도는 제1도, 제2도 및 제5도 내지 제9도에서 데이터 예측수단(108)을 구성하는 신경망의 장치 다이어그램.

제11도는 본 발명의 제8양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

제12도는 제11도의 시계열 신호예측장치의 동작 예를 도시하는 도면이고, 거기에서 제12(a)도, 제12(b)도, 제12(c)도는 과거 트래픽량 대 시간의 벡터(V₁, V₂, V₃)를 도시하는 그래프이고, 제12(d)도, 제12(e)도는 벡터(V₁, V₂, V₃)를 재구성한 결과인 템플레이트(template) 벡터를 도시하는 그래프.

제13도는 제11도의 시계열 신호예측장치의 동작 예를 도시하고, 신뢰도 η 대 변화 기준량 x_i를 도시하는 그래프.

제14도는 제11도의 트래픽량 예측수단(1105)을 구성하는 신경망의 장치 다이어그램.

제15도는 종래기술에 따른 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램.

본 발명의 목적은 앞선 문제를 해결하고 종래기술의 장치와 비교해 간단한 구조로써 고 정밀도로 시계열 신호예측을 완수하고, 또한 시계열 신호의 통계적 특성에서 변화를 발생시킬 때 조차도 더 높은 정밀도로 시계열 신호를 예측할 수 있는 시계열 신호예측장치를 구비하는 것이다.

본 발명의 제1발명에 따라, 시계열 신호예측장치는, 일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열 데이터를 토대로 해서 n차원 벡터 데이터를 발생시키는 벡터발생수단과; 일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트로 분류하는 다른 벡터발생수단과; 벡터발생수단에 의해 발생된 n차원의 입력 벡터데이터를 저장하는 벡터저장수단과; 다른 벡터발생수단에 의해 발생된 (n+1)차원의 벡터 데이터를 복수 L로 분류된 벡터세트마다에 저장하는 벡터세트 저장수단과; 벡터저장수단에 저장된 벡터 데이터가 벡터세트 저장수단에 저장되어 있는 어떤 벡터세트에 속하는 지를 분류하는 벡터분류수단과; 벡터저장수단에 저장된 벡터 데이터를 속하게 하는 것으로 결정되는 벡터세트에 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 벡터 데이터에 대해 유사성을 감소시키는 순서로 복수 k개의 벡터 데이터를 선택하는 벡터선택수단과; 벡터선택수단에 의해 선택된 벡터세트에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원의 데이터를 추출하고, 그 추출된 데이터를 유사도와 함께 출력하는 과거 데이터 추출 수단과; 과거 데이터 추출 수단에 의해 추출된 복수 k 데이터와 벡터저장수단에 저장된 입력 벡터 데이터 및 유사도를 토대로 해서 입력된 시계열 데이터에 이어지는 다음 시간점의 시계열 데이터를 예측 및 출력하는 데이터 예측수단을 구비한다.

그러므로, 본 발명에 따라 시계열 신호예측장치는 종래기술의 장치와 비교해 간단한 구조로써 고 정밀도로 시계열 신호 예측을 이루고, 또한 시계열 신호의 통계적 특성에서 변화를 발생시킬 때 조차도 높은 정밀도로 시계열 신호를 예측할 수 있다.

본 발명에 따른 양호한 실시예는 첨부 도면을 참고로 설명된다.

(제1양호한 실시예)

제1도는 본 발명에 따른 제1양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램이다.

제1도는 본 발명의 제1양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램이다. 제1도에서, 상기 양호한 실시예의 시계열 신호예측장치는, (a) 일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열 데이터(101-1)를 토대로 해서 n차원 벡터 데이터(V)를 발생시키는 벡터발생수단(102-1)과; (b) 일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터(101-2)를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트(P₁)로 분류하는 다른 벡터발생수단과; (c) 벡터발생수단(102-1)에 의해 발생된 n차원의 입력 벡터 데이터(V)를 저장하는 벡터저장수단(103)과; (d) 다른 벡터발생수단(102-2)에 의해 발생된 (n+1)차원의 벡터 데이터를 복수 L개로 분류된 벡터세트(P_i)마다에 저장하는 벡터세트 저장수단(104)과; (e) 벡터저장수단(103)에 저장된 벡터 데이터(V)가 벡터세트 저장수단(104)에 저장되는 있는 어떤 벡터세트(P_i)에 속하는 지를 분류하는 벡터분류수단(105)과; (f) 벡터저장수단(103)에 저장된 벡터 데이터(V)를 속하게 하는 것으로 결정되는 벡터세트(s)에 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 벡터 데이터(V)에 대해 유사도를 감소시키는 순서로 복수 k개의 벡터 데이터를 선택하는 벡터선택수단(106)과; (g) 벡터선택수단(106)에 의해 선택된 벡터세트(s)에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원의 데이터(Uⁱ _n+1)를 추출하고, 그 추출된 데이터를 유사도(Rⁱ(i=1, 2, ... , k))와 함께 출력하는 과거 데이터 추출 수단(107)과; (h) 과거 데이터 추출 수단(107)에 의해 추출된 복수 k 데이터(Uⁱ _n+1(i=1, 2,..., k))와 벡터저장수단(103)에 저장된 입력 벡터 데이터(V) 및 유사도(Rⁱ(i=1, 2, ..., k)를 토대로 해서 입력된 시계열 데이터(101-1)의 시계열 데이터를 예측 및 출력하는 데이터 예측수단(108)을 구비한다.

상설했듯이 구성된 제1양호한 실시예의 시계열 신호예측장치의 동작은 하기에서 설명된다. 그 입력된 시계열 데이터(101-1)는 복수 n개의 벡터 데이터마다 벡터 데이터인 n차원의 벡터 데이터(V)로 벡터발생수단(102-1)에 의해 변환되고, 벡터저장수단(103)에 저장된다.

예측 시작에 앞서서 과거 시계열 데이터(101-2)는 다른 벡터발생수단(102-2)에 입력된다. 다른 벡터발생수단(102-2)은 과거 시계열 데이터(101-2)를 (n+1)차원의 벡터 데이터로 변환하고, 또한 그 변환된 (n+1)차원의 벡터 데이터를 n차원의 벡터 데이터까지의 벡터 성분을 사용함으로써 유사한 벡터마다 L개의 벡터세트(P_i)로 분류한다. 그후, 다른 벡터발생수단(102-2)은 그 분류된 L개의 벡터세트(P_i)마다 그 변환된 (n+1)차원의 벡터 데이터를 벡터세트 저장수단(104)으로 저장한다.

다른 벡터발생수단(102-2)에서 유사도를 계산하는 방법으로서, 각기 공지된 클러스터링 방법 형태는 사용될 수 있다. 상기 다양한 클러스터링 방법의 형태는 가미사끼 등에 의한 종래기술 문헌 1 "Pattern Recognition and Algorithm"에 개시되고 소고우 슈판, 1990년 5월의 pp. 114-115에 간행된 공지된 LBG알고리즘 등의 각종의 클러스터링 방법으로부터 선택된다.

벡터분류수단(105)는 벡터저장수단(103)에 저장된 현재 시간의 입력된 벡터 데이터(V)를 벡터세트 저장수단(104)에 저장된 벡터 데이터와 비교하고, 입력된 벡터 데이터(V)가 어떤 벡터세트(P_i)에 속하는 지를 결정한다. 벡터선택수단(106)은 벡터(V)가 속하는 벡터세트(T)로부터 입력 벡터 데이터(V)에 대해 보다 높은 유사도를 갖는 복수 k개의 벡터 데이터를 선택한다. 상기 경우에, 유클리드 거리는 벡터 데이터(V)에서 유사도에 대한 척도로서 사용된다. 즉, 입력된 벡터 데이터(V) 및 (n+1)차원의 벡터 데이터중 세트(T)에 속하는 n차원의 벡터 데이터간의 유클리드 거리는 계산되고, 복수 k개의 최소 거리를 갖는 복수 K개의 벡터 데이터는 선택된다. 계속해서, 벡터선택수단(106)에 의해 선택된 복수 k개의 (n+1)차원의 벡터 데이터는 과거 데이터 추출 수단(107)에 입력되고, 과거 데이터 추출 수단(107)은 복수 k개로 선택된 (n+1)번째 시계열 데이터(Uⁱ _n+1(i=1, 2, ..., k))를 추출하고, 그들을 유사도(Rⁱ(i=1, 2, ..., k))와 함께 데이터 예측수단(108)에 출력한다.

과거 데이터 추출 수단(107)에 의해 추출된 복수 k개의 시계열 데이터(Uⁱ _n+1(i=1, 2, ..., k))와, 벡터저장수단(103)에 저장된 입력 벡터 데이터(V)와, 벡터선택수단(106)에 의해 계산된 입력 벡터 데이터(V)에 대한 유사도(Rⁱ(i=1, 2, ..., k)를 토대로 해서, 데이터 예측수단(108)은 가중 가산 방법에서 가중 가산계수로서 취해진 유사도(Rⁱ(i=1, 2, ..., k)를 사용하는 다음의 식을 사용함으로써 예측된 시계열 데이터인 입력 벡터 데이터(V)의 성분 z(V, n+1)을 계산한다.

상기 식(1)에서, (a) Rⁱ는 입력된 벡터 데이터(V) 및 벡터 데이터(Uⁱ)간의 유사도이고, (b) Uⁱ _n+1는 벡터 데이터(U_i)의 (n+1)번째 시계열 데이터의 값이다.

예를 들어, 입력된 현재의 시계열의 샘플값이 0, 1, 2, 3, 4, 5, ...이면, 그리고 벡터 데이터(V)의 차원수가 5이면, 벡터발생수단(101-1)에 의해 발생되는 벡터 데이터(Uⁱ)는

U⁰=(0, 1, 2, 3, 4),

U¹=(1, 2, 3, 4, 5),

U²=(2, 3, 4, 5, 6),

...........

이고, 예측된 시계열 데이터*(109)가

U⁰ _n+1=5

U¹ _n+1=6

U² _n+1=7

......... .

상설했듯이, 본 발명의 제1양호한 실시예에 따라, 시계열 데이터의 예측은 과거의 복수의 유사한 벡터 데이터의 유사도를 사용함으로써 수행되고, 그것에 의해 예측 결정이 증대될 수 있다. 또한, 유사한 벡터 데이터 세트에 속하는 벡터 데이터만을 사용함으로써 예측 데이터를 계산하는 동작량이 감소되어 동작 시간이 감소될 수 있기 때문에, 보다 높은 정밀도를 갖는 시계열 데이터는 종래기술의 그것보다 더 간단한 구성으로 예측될 수 있고, 그것에 의해 실제 사용에서는 큰 효과가 발생된다. 이외에도, 예측 정밀도 및 동작 시간을 고려해서 소망된 시계열 신호예측장치를 설계하는 것이 가능하다.

(제2양호한 실시예)

제2도는 본 발명에 따른 제2양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제2도에서, 제1도의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제2양호한 실시예의 시계열 신호예측장치는 벡터갱신수단(201)을 부가적으로 구비한다는 점에서 제1도의 제1양호한 실시예의 그것과 다르다. 벡터갱신수단(201)은 입력된 시계열 데이터(101-1)로부터 발생된 벡터 데이터(V)가 속하는 세트에서 보다 낮은 유사도를 갖는 벡터 데이터를 갱신하여 그들을 최신의 입력된 벡터 데이터(V)로써 대치한다.

상설한 바와 같이 구성된 제2양호한 실시예의 시계열 신호예측장치의 동작은 하기에서 설명된다.

상기 양호한 실시예에서, 벡터갱신수단(201)은 예측에 사용하는 데이터 벡터 세트의 갱신을 수행하기 위해 또한 구비된다. 벡터갱신수단(201)에 의한 데이터 갱신은 최저 유사도 및 제일 먼 과거의 벡터 데이터를 입력 벡터 데이터(V)가 속하는 벡터세트(T)의 입력 벡터 데이터로써 대치함으로써 수행된다. 그런 벡터 데이터 갱신 수단(201)을 구비함으로써, 벡터세트 저장수단(104)에 저장된 벡터세트가 각 벡터세트의 성분을 갱신함으로써 최신의 시계열 데이터로 갱신되어, 그것에 의해 시계열 데이터의 장기적인 경향의 변화를 얻는 예측이 가능할 수 있다.

제1양호한 실시예에서처럼, 벡터선택수단(106)은 벡터발생수단(102-1)에 의해 발생된 벡터 데이터(V)가 속하는 벡터세트(T)로부터 입력 벡터 데이터(V)에 대해 보다 높은 유사도를 갖는 복수 k개의 (n+1)차원의 벡터 데이터를 선택한다.

그후, 벡터선택수단(106)에 의해 선택된 복수 k개의 (n+1)차원의 벡터 데이터가 과거 데이터 추출 수단(107)에 입력되고, 과거 데이터 추출 수단(107)은 복수 k개로 입력된 (n+1)차원의 벡터 데이터로부터 복수 k개의 (n+1)번째 시계열 데이터를 추출하고 데이터 예측수단(108)에 출력한다. 또한, 입력된 현재의 시계열 데이터(101-1)와, 과거 데이터 추출 수단(107)으로부터 입력된 복수 k개의 (n+1)번째 시계열 데이터(Uⁱ _n+1)(i=1, 2, ..., k)와, 벡터선택수단(306)에 의해 계산된 입력 벡터 데이터(V)에 대한 거리를 나타내는 유사도(Rⁱ(i=1, 2, ... , k))를 토대로 해서, 데이터 예측수단(108)은 식(1)을 사용함으로써 예측된 시계열 데이트를 계산하고 출력한다. 한편, (n+1)번째 시계열 데이터가 입력될 때 마다, 벡터 데이터 갱신 수단(201)은 벡터선택수단(106)에 의해 1시간전에 선택되고 벡터세트 저장수단(104)에 저장된 벡터세트에 속하는 벡터 데이터를 갱신되는 벡터 데이터와 비교하고, 최저 유사도의 벡터 데이터를 최신의 입력 벡터 데이터로써 대치한다.

상설했듯이, 상기 양호한 실시예에 따라, 시계열 데이터의 장기적인 경향의 변화를 얻는 예측이 최신의 입력 벡터 데이터를 사용함으로써 입력된 시계열 데이터(101-1)가 속하는 세트의 성분을 갱신함으로써 가능하게 된다. 상기 양호한 실시예에서, 벡터갱신수단(201)에 의한 데이터의 갱신이 입력된 최신의 벡터 데이터를 벡터세트 저장수단(103)에 저장된 최신의 벡터 데이터가 속하는 벡터세트에서 최저 유사도의 벡터 데이터로써 대치함으로써 수행된다. 그러나, 그것에 제한되지 않고, 본 발명은 가장 오래되거나 가장 과거의 시계열 벡터 데이터로 하여금 입력된 벡터 데이터가 속하는 세트의 입력된 벡터 데이터로써 대치되도록 한다. 상기 경우에 또한, 시계열 데이터의 장기적인 경향의 변화를 얻는 예측이 기능하게 된다.

(제3양호한 실시예)

제3도는 본 발명에 따른 제3양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제3도에서, 제1도 및 제2도의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제3양호한 실시예의 시계열 신호예측장치는 벡터선택수단(106), 과거 데이터 추출 수단(107) 및 데이터 예측수단(108) 대신에 다음의 수단을 구비한다는 점에서 제2도의 제2양호한 실시예의 그것과 다르다. 상기 다음의 수단은, (a) 벡터저장수단(103)에 저장된 벡터가 속하는 벡터세트(T)로부터 새로 입력된 시계열 데이터의 n차원의 입력 벡터 데이터(V)에 대해서 최고 유사도를 갖는 벡터 데이터(U^max) 뿐만 아니라 그 유사도(R^max)를 출력하는 다른 벡터선택수단(301)과, (b) 벡터저장수단(103)으로부터 판독된 벡터 데이터(V) 및 다른 벡터선택수단(301)으로부터 출력된 벡터(U^max)간의 n차원 차분 벡터[d₁, d₂,..., d_n]를 계산하는 차분 벡터 인출 수단(302)과, (c) 차분 벡터 인출 수단(302)에 의해 계산된 n차원 차분 벡터[d₁, d₂,..., d_n]와, 다른 벡터선택수단(301)으로부터 출력된 유사도(R^max)를 나타내는 벡터를 토대로 해서 (n+1)번째 차원의 입력된 벡터 데이터(V)를 예측 및 출력하는 다른 데이터 예측수단이다.

상설했듯이 구성된 제3양호한 실시예의 시계열 신호예측장치의 동작이 하기에서 설명된다. 제3도에서, 입력된 시계열 데이터(101-1)는 벡터발생수단(102-1)에 입력되고, 벡터발생수단(102-1)은 입력된 시계열 데이터(101-1)를 n차원의 벡터 데이터 V=[v₁, v₂, ... , v_n]로 변환하고, 그들을 벡터저장수단(103)으로 저장한다. 계속해서, 벡터분류수단(105)은 벡터세트 저장수단(104)에 이미 준비 및 저장되었던 벡터세트 P_i(i=1, 2, ..., L) 중에서 입력 벡터 데이터(V)가 어떤 세트에 속하는 지를 결정한다. 상기 분류는 과거 시계열 데이터(101-2)를 토대로 해서 다른 벡터발생수단(102-2)에 의해 발생된 (n+1)차원의 벡터 데이터를 사용해서 수행된다. 다른 벡터발생수단(102-2)에 의해 발생된 (n+1)차원의 벡터가 n차원까지의 벡터 성분을 사용함으로써 L개의 세트(P_i)로 분류된다. 분류하기 위한 대표적인 벡터 데이터(Q_i(i=1, 2, ..., L))는 예측하기 앞서서 다른 벡터발생수단(102-2)에 의해 발생되고 벡터세트 저장수단(104)에 저장된다. 대표적인 벡터 데이터(Q_i)의 발생 과정에서, 각종 클러스터링 방법은 종래기술 문헌 1의 pp. 114~115에서 개시되어 공지된 LBG알고리즘 등으로 사용된다.

벡터발생수단(102-1)에 의해 새로 발생된 벡터 데이터(V)는 상기 방법에서 만들어진 각 세트(P_i)에서 대표적인 벡터(Q_i)와 비교되고, 최고 유사도(R_i)를 갖는 대표적인 벡터가 속하는 벡터세트(P_s)로 분류된다. 다른 벡터선택수단(301)은 입력된 벡터 데이터(V)가 속하는 벡터세트(P_s)로부터 입력 벡터 데이터(V)에 대해 최고 유사도의 벡터 데이터(U^max)를 선택하고, 차분 벡터 인출 수단(302) 및 다른 데이터 예측수단(303)에 그들을 출력하는 반면에 다른 벡터선택수단(301)은 입력 벡터 데이터(V) 및 벡터 데이터(U^max)간의 유사도(R^max)를 게산하고 그것을 다른 데이터 예측수단(303)에 출력한다. 상기 언급된 유클리드 거리는 유사도의 척도로서 사용된다. 즉, 다른 벡터선택수단(301)은 다음의 식에 도시했듯이 입력 벡터 데이터(V) 및 세트(P_s)에 속하는 벡터 데이터(U^sj)간의 유클리드 거리(LEN^sj)를 계산하고, 최소 거리를 갖는 벡터(U^sj)로서 출력한다.

차분 벡터 인출 수단(302)은 선택된 벡터 데이터(U^max)로부터 (n+1)차원의 성분을 제외한 n차원의 벡터(U^max) 및 입력된 벡터(V)간의 차분 벡터 d=U^max-V=[d₁, d₂, ... , d_n]를 계산한다. 다른 벡터선택수단(301)에 의해 선택된 (n+1)차원의 데이터(U_n+1)와, 입력 벡터 데이터(V) 및 벡터 데이터(U^max)간의 유사도(R^max)와, 차분 벡터 인출 수단(306)에 의해 계산된 차분 벡터(d)는 다른 데이터 예측수단(303)에 입력되고, 다른 벡터 예측수단(303)은 (n+1)차원의 입력된 벡터 데이터(V)에 대응하는 시계열 데이터(304)를 예측 및 출력한다. 벡터갱신수단(201)은 제2양호한 실시예에서 처럼 벡터세트 저장수단(104)에 저장된 벡터세트를 갱신한다.

제4도는 제3도의 다른 데이터 예측수단을 구성하는 피드 포워드형 신경망의 구조 다이어그램이다. 상기 신경망은,

(a) 복수 K개의 유니트(401-1 내지 402-K)로 구성된 입력층(401)과, (b) 복수 L개의 유니트(401-1 내지 402-L)로 구성된 중간층(402)과, (c) 1개의 유니트(403-1)로 구성된 출력층(403)을 구비한다.

여기에서 입력층(401)의 각 유니트(401-1 내지 401-K)는 중간층(402)의 각 유니트(402-1 내지 402-L)에 연결되고, 중간층(402)의 각 유니트(402-1 내지 402-L)는 출력층(403)의 유니트(403-1)에 연결된다. 입력층(401)의 각 유니트(401-1 내지 401-K)로부터 출력된 각 데이터는 지정된 가중 계수로 승산되고 중간층(402)의 각 유니트(402-1 내지 402-L)에 출력되고, 중간층(402)의 유니트(402-1 내지 402-L)로부터 출력된 각 데이터는 지정된 가중 계수로 승산되고 출력층(403)의 유니트(403-1)에 출력된다. 그후, 상기 연결선 각각에 대한 가중 계수는 나중에 상세하게 학습된다.

제4도에 도시된 신경망이 공지된 학습 방법에 의해 학습된 후 다른 데이터 예측수단(303)에 의한 시계열 데이터의 예측이 실행된다. 신경망의 학습에서, 종래기술 문헌 1의 pp.39~55에 도시된 방법은 예로서 사용된다. 상기 신경망에서, 다른 벡터선택수단(301)으로부터 출력되어 선택된 벡터 데이터(U^max)의 (n+1)차원의 성분(U^max _n+1)과, 차분 벡터 인출 수단(302)에 의해 계산된 차분 벡터 d=[d₁, d₂, ... , d_n]와, 입력 벡터 데이터(V) 및 벡터 데이터(U^max)간의 유사도(R^max)의 성분(r^max)은 제4도에 도시했듯이 입력층(401)의 각 유니트(401-1 내지 401-K)에 입력되고, 그것에 의해 n차원의 입력 벡터(V)의 (n+1)차원에 대응하는 예측된 시계열 데이터는 출력층(403)의 유니트(403-1)로부터 출력되고 그러므로 예측된다.

제4도에 도시된 신경망은 과거 시계열 데이터(101-2)로부터 얻어지는 공지된 입력 데이터(d, R^max, U^max)와 출력 데이터(V_n+1)를 사용해서 공지된 학습 방법을 사용해서 미리 학습시킨 후 예측 과정을 실행한다. 그런 구조의 신경망을 사용하는 것은 신경망의 특징인 비선형 학습 능력의 장점을 얻어서 시계열 신호를 예측하는 것을 가능하게 한다.

제4도의 신경망이 1층의 중간층(402)을 구비하지만, 본 발명은 그것으로 제한되지 않으며 신경망은 복수의 층으로 구성된 중간층(402)으로 구비된다.

상기 양호한 실시예에서, 다른 데이터 예측수단(303)은 제4도의 신경망에 의해 수행된다. 그러나, 신경망을 대신해서 1992년 12월 마루첸에 의해 발간되고 아오야마에 의해 번역 감수된 종래기술 참고 문헌 2, "A Theory of Modern Digitatl Signal Processing and its Applications,"에 개시되어 공지된 선형 예측 방법을 사용해서, 차분 벡터(d)를 구성하는 개별적인 컴포넌트(d₁, d₂, ..., d_n)로부터 차분 벡터(d)의 (n+1)차원의 시계열 데이터(d_n+1)를 예측함으로써 그리고 공지된 (U^max _n+1) 및 예측된 차분 벡터(d_n+1)를 가산시킴으로써 입력 벡터(V)의 (n+1)차원에 대응하는 성분(V_n+1)을 예측하는 것이 가능하다.

상기 양호한 실시예는 입력 벡터 데이터(V)에 대해 최대 유사도를 갖는 1개의 벡터 데이터가 다른 벡터선택수단(301)에 의해 벡터세트(Ps)로부터 선택되는 방법을 사용한다. 그러나, 그것으로 제한되지 않고, 본 발명은 보다 높은 유사도가 선택되는 방법을 사용한다. 상기 경우에, 제4도의 신경망에 입력된 차분 벡터(d)와, 선택된 과거 벡터 데이터의 (n+1)차원의 시계열 데이터(V_n+1)와, 벡터에 대한 그 유사도(R)가 복수 m개로 된다.

상설했듯이, 본 발명에 따른 제3양호한 실시예인 시계열 신호예측장치에 따라, 신경망의 특징인 비선형 학습 능력의 장점을 얻어서 높은 비선형성의 시계열 데이터를 예측하는 것이 가능하게 된다.

(제4양호한 실시예)

제5도는 본 발명에 따른 제4양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제5도에서, 제1도 및 제2도의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제4양호한 실시예의 시계열 신호예측장치는 다음의 수단을 더 구비한다는 점에서 제2도의 제2양호한 실시예의 그것과 다르다. 그 수단은, (a) 벡터선택수단(106)에 의해 선택된 벡터세트내의 벡터 데이터(U^sj) 및 입력 벡터 데이터(V)간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단(501)과, (b) 세트 분할 결정수단(501)에 의해서 입력된 벡터 데이터(V)가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 결정수단(502)과, (c) 벡터세트가 세트 분할 수단(502)에 의해 분할된 벡터세트로써 대치되는 방법으로 벡터저장수단(104)에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단(503)이다.

상설했듯이 구성된 제4양호한 실시예의 시계열 신호예측장치의 동작은 하기에서 설명된다. 제5도에서, 입력된 시계열 데이터(101-1)는 벡터발생수단(102-1)에 의해 n차원의 벡터 데이터 V=(v₁, v₂, ... , v_n)로 변환되고 벡터저장수단(103)에 저장된다. 계속해서, 벡터분류수단(105)은 입력 벡터 데이터(V)가 벡터세트 저장수단(104)에 미리 준비 및 저장된 벡터 데이터 세트(P_i(i=1, 2, ..., L)) 중 어느 것에 속하는 지를 결정한다. 그런 후, 벡터분류수단(105)은 제1양호한 실시예에서와 같은 방법으로 동작한다. 벡터선택수단(106)은 벡터저장수단(103)에 입력 및 저장된 n차원의 입력 벡터 데이터(V)가 속하는 벡터세트(P_s)로부터 입력 벡터 데이터(V)에 대해 보다 높은 유사도를 갖는 복수 m개의 벡터 데이터(U^sj)를 선택한다. 상기 경우에, 앞선 식(2)에 도시된 유클리드 거리는 유사도에 대한 척도로써 인가된다. 과거 데이터 추출수단(107)은 벡터선택수단(106)에 선택된 복수 m개의 (n+1)차원의 벡터 데이터(U^sj) 중에서 (n+1)차원의 시계열 데이터(U^sj _n+1[U^sj _n+1](j=1, 2, ..., m))를 선택하고, 그 유사도(R^sj=[r^sj](j=1, 2, ... , m))와 더불어 시계열 데이터를 데이터 예측수단(108)에 출력한다. 과거 데이터 추출 수단(107)에 얻어진 복수 m개의 과거 벡터의 (n+1)차원의 시계열 데이터(U^sj _n+1)를 토대로 해서, 데이터 예측수단(108)은 다음 식을 사용해서 n차원의 입력 벡터(V)의 (n+1)차원의 시계열 데이터(109V_n+1)를 예측 및 출력한다.

상기 식(3)은 복수의 m개로 선택된 벡터(U^sj) 각각의 (n+1)차원의 시계열 데이터(U^sj _n+1(j=1, 2, ..., m))가 벡터(U^sj _n+1) 및 입력 벡터 데이터(V)간의 유사도(R^sj)를 사용함으로써 가중 가산 동작을 행하는 것을 나타낸다.

세트 분할 결정수단(501)은 벡터선택수단(106)에 의해 복수 m개의 벡터 데이터를 선택할 때 결정된 입력 벡터 데이터(V)에 대한 유사도(R)의 표준 편차(σ)를 계산한다. 그런 후, 상기 표준 편차(σ)를 이미 설정된 허여가능한 표준 편차(σ_th)와 비교함으로써, σ가 σ_th보다 크다면, 세트 분할 결정수단(501)은 그 선택된 벡터세트(P_s)를 2개로 분할하는 것을 결정한다. 세트 분할 결정수단(501)에 의한 결정을 토대로 해서, 세트 분할 수단(502)은 벡터분류수단(105)에 의해 선택된 벡터세트(P_s)를 표준 편차(σ)를 서로 같게 되는 2개의 벡터세트(P_s1, P_s2)로 분할한다. 상기 분할에 대한 방법으로서, LBG 알고리즘에 의한 분류는 벡터분류수단(105)의 동작에서 처럼 예로서 사용된다. 상기 방법에서 분할에 의해 얻어진 벡터세트(P_s1,P_s2)가 벡터세트 갱신 수단(503)에 입력되고, 벡터세트 갱신 수단(503)은 다음 시계열 데이터의 입력을 수신하는 동안 벡터세트(P_s)를 2개의 벡터세트(P_s1, P_s2)로 분할되는 방법으로 벡터세트 저장수단(104)에 입력 및 저장된 벡터세트를 갱신한다.

상설했듯이, 상기 양호한 실시예에 따라, 과거 벡터 데이터로 구성된 세트가 입력된 벡터에 대한 유사도의 분포에 따라 분할되기 위해 갱신되고 그것에 의해서 세분된다. 그러므로, 시계열 데이터 변화 경향을 갖는 예측을 만들고, 또한 예측 결정에서 개선점을 이루는 것이 가능하다.

(제5양호한 실시예)

제6도는 본 발명에 따른 제5양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제6도에서, 제1도 내지 제2의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제5양호한 실시예의 시계열 신호예측장치는 다음의 수단을 구비한다는 점에서 제5도의 제4양호한 실시예의 그것과 다르다.

그 수단은, (a) 벡터갱신수단(201)을 구비하지 않고, (b) 벡터세트 저장수단(104)에 저장된 벡터세트(P_i(i=1, 2, ... , L)를 대표하는 대표적인 벡터 데이터 및 벡터저장수단(103)에 저장된 최신의 벡터 데이터간의 유사도(R^ci)를 계산하고, 그 유사도(R^ci)에 따라 각 벡터세트(P_i)로부터 선택되는 벡터수인 벡터선택수(NUMⁱ)를 결정하는 벡터선택수 결정수단(601)과, (c) 벡터선택수단(106)을 대신해서, 벡터선택수 결정수단(601)에 의해 결정된 벡터선택수(NUMⁱ)를 토대로 해서 벡터세트 저장수단(104)에 저장된 각 벡터세트(P_i)로부터 유사도에 따라 벡터 데이터의 벡터선택수(NUMⁱ)를 선택하는 다른 벡터선택수단(602)이다.

본 발명에 따른 제5양호한 실시예의 시계열 신호예측장치의 동작은 하기에서 설명된다. 상기 양호한 실시예에서, 예측이 벡터저장수단(103)에 입력 및 저장된 최신의 벡터 데이터(V)에 대한 유사도(R^ci)에 따라 벡터세트 저장수단(104)에 저장된 벡터세트 모두로부터 복수의 벡터 데이트를 선택함으로써 수행되는 것을 특징으로 한다.

벡터선택수 결정수단(601)은 개별적인 벡터세트(P_i(i=1, 2, ... , L))를 대표하는 대표적인 벡터 데이터(U^ci) 및 입력된 시계열 데이터(V)간의 유사도(R^ci)를 계산하고, 그 유사도(U^ci)를 토대로 해서 각 벡터세트로부터 선택되는 벡터용 벡터 선택수(NUMⁱ)를 결정한다. 상기 과정에서, 벡터선택수 결정수단(601)은 대표적인 벡터 데이터(U^ci) 및 입력된 시계열 데이터(V)간의 내림순 유사도(R^ci)로 벡터 데이터의 소팅을 수행하고, 벡터선택수(NUMⁱ)를 세트하여 유사도(R^ci)가 높을수록 더 많은 벡터 데이터가 선택된다. 벡터세트(P_i)를 대표하는 벡터(U^ci)로서, 공지된 LBG알고리즘을 사용함으로써 벡터분류수단(105)에 의해 생성된 대표적인 벡터(U^ci)가 사용된다. 양호한 실시예에서, 선택되는 벡터용 벡터선택수(NMUⁱ)를 세트하는 방법으로서, 다음의 식에서 도시된 벡터선택수(NMUⁱ)를 선형적으로 변화시키는 방법은 사용된다.

벡터선택수가 복수 m개의 벡터의 합계로 되도록 선택된다. 벡터선택수단(602)은 벡터선택수 결정수단(601)에 의해 결정된 벡터선택수(NMUⁱ)를 토대로 해서 각 베터세트(P_i)로부터 보다 높은 유사도를 갖는 벡터 데이터(Uⁱ)의 벡터선택수(NMUⁱ)를 실제로 선택하는 과정을 수행하고, 그후 선택된 벡터세트(P_i)의 벡터 데이터를 과거 데이터 추출 수단(107) 및 세트 분할 결정수단(501)에 출력한다. 그런 후, 과거 데이터 추출 수단(107)은 다른 벡터선택수단(602)에 의해 선택된 복수 m개의 (n+1)차원의 벡터 데이터의 (n+1)차원의 시계열 데이터를 추출하고, 유사도와 함께 그들을 데이터 예측수단(108)에 출력한다. 데이터 예측수단(109)은 과거 데이터 추출 수단(107)에 의해 추출된 복수 m개의 (n+1)차원의 시계열 데이터 및 상기 계산된 유사도를 토대로 해서 입력된 n차원의 벡터의 (n+1)차원의 시계열 데이터를 예측한다.

상설했듯이, 상기 양호한 실시예에 따라, 시계열 데이터(101)의 예측은 복수의 벡터세트로부터 선택된 복수 m개의 벡터 데이터에 대한 유사도(R^ci)를 토대로 해서 수행된다. 그러므로, 벡터세트에 속하는 시계열 데이터의 변이 패턴에 의해 예측될 수 없었던 더 복잡한 경향을 갖는 시계열을 예측하는 것이 가능하다. 그것은 큰 변화량을 갖는 시계열 신호의 예측 정밀도를 개선시킨다.

(제6양호한 실시예)

제7도는 본 발명에 따른 제6양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제7도에서, 제1도 내지 제6의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제6양호한 실시예의 시계열 신호예측장치는 다음의 수단을 더 구비한다는 점에서 제5도에 제4양호한 실시예의 그것과 다르다. 그 수단은, (a) 벡터선택수 결정수단(601)을 구비하지 않고, (b) 벡터선택수단(106) 및 세트 분할 결정수단(501)간의 벡터선택수 저장수단(701) 및 벡터세트 삭제 수단(702)이다.

벡터선택수 저장수단(701)은 입력 벡터 데이터(V)가 속하는 벡터세트(P_s)를 벡터선택수단(106)에 의해 선택되게 하는 시간에서 선택수(T_s)를 저장한다. 선택수 저장수단(701)에 저장된 선택수(T_s)가 미리 설정된 허여가능한 선택수(T_th) 보다 적으면, 벡터세트 삭제 수단(702)은 벡터세트를 삭제한다. 그후, 벡터세트 저장수단(104)에 저장된 벡터세트가 벡터세트 갱신 수단(110)에 의해 갱신된다. 상설된 구조에서, 최신의 예측 과정에서 거의 사용하지 않했던 벡터세트가 삭제되어, 벡터세트 저장수단(107)에 저장되는 벡터세트수가 증가되지 않고 시계열 예측장치의 구성이 단순화된다.

제6양호한 실시예에서, 벡터세트 삭제 수단(702)은 미리 지정된 새로운 시계열 데이터(101)수가 입력될 때마다 벡터선택수 저장수단(701)에 저장된 각 벡터세트용 선택수(T_s)를 허용가능한 선택수(T_th)와 비교함으로써 허용가능한 선택수(T_th) 보다 적은 벡터세트를 삭제하기 위해 설계된다. 그러나, 그것에 제한됨이 없이, 본 발명은 제8도에 도시된 제6양호한 실시예의 변형에서 도시된 구조를 허여한다.

제8도에서, 시계열 신호예측장치는 제7도의 벡터선택수 저장수단(701)을 대신해서 벡터 선택 시간 저장수단(801)을 구비한다. 벡터 선택 시간 저장 시간(801)은 각 벡터세트가 선택되는 최신의 시각(s)을 저장하고, 거기에서 선택 시간이 현재 시간을 참고로해서 세트된 허용가능한 시간보다 더 오래되면, 세트 삭제수단(702)은 선택 시간에 관련한 벡터세트를 삭제한다. 그후, 벡터세트 저장수단(104)에 저장된 벡터세트는 벡터세트 갱신 수단(110)에 의해 갱신된다. 즉, 벡터 선택 저장수단(801)의 시간에서 저장된 각 벡터세트용 선택 시간(T_s)을 미리 설정된 갱신 시간 간격마다 허용가능한 선택 시간(T_th)과 비교함으로써, 허용가능한 시간(T_th)보다 이르게만 선택되는 벡터세트가 벡터세트 저장수단(104)으로부터 삭제 된다. 상설된 구조에서, 최신의 예측 과정에서 거의 사용하지 않했던 벡터세트가 삭제되어서, 벡터세트 저장수단(104)에 저장되는 벡터세트에서 벡터세트수가 증가되는 것을 방지할 수 있고, 시계열 신호예측장치의 구조가 단순화될 수 있다.

(제7양호한 실시예)

제9도는 본 발명에 따른 제7양호한 실시예인 시계열 신호예측장치의 구성을 도시하는 블록 다이어그램이다. 제9도에서, 제1도 내지 제8의 그것과 같은 동작을 완수하는 수단은 같은 도면 번호로 지정되고, 그 상세한 설명은 생략된다. 제7양호한 실시예의 시계열 신호예측장치는 벡터선택수 저장수단(701)을 대신해서 내부 세트 벡터갱신수단(901)을 구비한다는 점에서 제7도의 제6양호한 실시예의 그것과 다르다. 내부 세트 벡터갱신수단(901)이 벡터분류수단(105)에 의해 입력 벡터 데이터(V)가 속하는 벡터세트(P_s)를 대상으로 해서, 벡터선택수단(106)이 유사도를 토대로 해서 복수 m개의 벡터(U^sj(j=1, 2, ... , m))를 선택할 때, 벡터세트 저장수단(104)에 저장된 최저 유사도의 벡터(U^min)가 새로 입력된 벡터 데이터(V)로써 대치된다는 방법으로 다음 시계열 데이터의 입력 시간으로서 갱신한다. 즉, 최저 유사도의 벡터(U^min)가 삭제되는 반면에, 새로 입력된 벡터 데이터(V)가 가산된다.

상설된 구조에서, 입력 벡터 데이터는 내부 벡터세트 데이터 갱신 수단(109)에 의해 벡터세트 저장수단(104)내의 벡터세트로 새로 가산되는 반면에, 가장 오래된 벡터 데이터가 삭제된다. 그것은 벡터세트 저장수단(104)에서 저장되는 벡터수를 일정하게 유지시켜서, 시계열 신호예측장치의 구조가 단순화될 수 있다. 또한, 벡터세트 저장수단(104)의 벡터세트가 새로운 벡터 데이터로 갱신될 수 있고, 시계열 데이터의 새로은 경향에 결합한 벡터세트가 형성될 수 있는 특유의 효과가 발생될 수 있다.

제10도는 제1도, 제2도 및 제5도 내지 제9도에 데이터 예측수단(108)을 구성하는 신경망의 구조 다이어그램이다. 본 발명에 따른 제1, 2 및 4 내지 7실시예의 시계열 신호예측장치에서 사용되는 데이터 예측수단(108)은 제10도의 신경망에 의해 수행될 수 있다. 상기 신경망은, (a) 복수 2m개의 유니트(1001-1 내지 1001-2m)로 구성된 입력층(1001)과, (b) 복수 L개의 유니트(1002-1 내지 1002-L)로 구성된 중간층(1002)과, (c) 1개의 유니트(1003-1)로 구성된 출력층(1003)을 구비한다.

여기에서 입력층(1001)의 각 유니트(1001-1 내지 1001-2m)는 중간층(1002)의 각 유니트(1002-1 내지 1002-L)에 연결되고, 중간층(1002)의 각 유니트(1002-1 내지 1002-L)는 출력층(1003)의 유니트(1003-1)에 연결된다.

상기 구조에서, 입력층(1001)의 각 유니트(1001-1 내지 1002-2m)로부터 출력된 데이터는 지정된 가중 계수로 승산되고 중간층(1002)의 각 유니트(1002-1 내지 1002-L)에 출력된다. 중간층(1002)의 각 유니트(1002-1 내지 1002-L)로부터 출력된 데이트는 지정된 가중 계수로 승산되고 출력층(1003)의 유니트(1003-1)에 출력된다. 연결선 각각에 대한 가중 계수는 다음의 방법으로 학습된다.

신경망은 과거 데이터 추출 수단(107)에 의해 얻어진 (n+1)차원의 시계열 데이터(U^sj _n+1=[U^sj _n+1](j=1, 2, ..., m))와, 복수 m개의 벡터 및 입력 벡터간의 유사도(R^sj(j=1, 2, ... , m))를 입력해서, n차원의 입력 벡터(V)의 (n+1)차원에 대응하는 시계열 데이터(V_n+1)의 예측값이 출력되는 방법으로 학습된다.

제10도의 양호한 실시예에서, 제1도, 제2도 및 제5도 내지 제9도의 데이터 예측수단(108)이 신경망에 의해 수행된다. 그렇치 않으면, 시계열 데이터(V_n+1)는 공지된 선형 예측 방법을 사용함으로써 예측된다.

제10도의 신경망이 1층의 중간층(1002)을 구비하지만, 본 발명은 그것으로 제한되지 않으며, 적어도 1층의 중간층(1002)을 구비한다.

(제8양호한 실시예)

제11도는 본 발명의 제8양호한 실시예인 시계열 신호예측장치의 구조를 도시하는 블록 다이어그램이다. 상기 양호한 실시예는 본 발명에 따른 시계열 신호예측장치가 수퍼하이웨이에서 터널 유입 트래픽량을 예측하는 과정에 인가되는 실시예이다.

제11도에서, 상기 양호한 실시예의 시계열 신호예측장치는 예측 준비부(1200)와, 예측 실행부(1201)와, 템플레이트 갱신 결정부(1202)로 크게 분할된다.

상기 구조에서, 예측 실행부(1201)는, (a) 과거 (m-1) 시간점의 트래픽량 데이터(u(t-m+1), u(t-m+2), ... , u(t-2), u(t-1))를 현재의 시간(t)의 트래픽량 데이터(1101u(t))에 가산함으로써 복수 m차원의 예측 벡터(V)를 생성하는 예측 벡터 생성 수단(1102)과, (b) 미리 준비 및 발생된 템플레이트 벡터세트 메모리(1110)내의 템플레이트 벡터세트를 사용해서 예측 벡터(U)에 대해 최고 유사도를 갖는 (m+1)차원의 템플레이트 벡터(t_i(i=1, 2, ..., K)를 선택하는 유사한 템플레이트 벡터선택수단(1103)과, (c) 유사한 템플레이트 벡터선택수단(1103)에 의해 선택된 유사한 템플레이트 벡터(t_i) 및 예측 벡터(U)간의 m번째 성분까지의 차분 벡터(d_i)를 계산하고, 차분 벡터(d_i)로부터 변화 기준량(x_i)을 또한 계산하고 그 결과를 출력하는 입력 변화량 인출 수단(1104)과, (d) 유사한 템플레이트 벡터선택수단(1103)에 의해 선택된 복수 k개의 (m+1)차원의 벡터의 (m+1)개의 성분(t_i(m+1))을 추출함으로써 예측을 행하는 트래픽량 예측수단(1105)과, (e) 입력 변화량 인출 수단(1104)에 의해 계산된 예측 벡터(U) 및 선택된 벡터인 유사한 템플레이트 벡터(t_i)간의 차분 벡터(d_i)로부터 계산된 변화 기준값(x_i)을 토대로 해서 트래픽량 예측수단(1105)에 의해 추출된 복수 k개의 트래픽량 데이터(t_i(m+1))를 정정해서 시간(t+1)에서 트래픽량의 최종 예측된 트래픽량(1111u^t+1)을 계산 및 출력하는 예측량 정정 수단(1106)을 구비한다.

또한, 예측 준비부(1200)는, (f) 과거 트래픽량 데이터 세트 메모리(1107)에 미리 저장되며 과거 수일 또는 수개월에 이르는 트래픽량 데이터 세트(GP)로부터 시간 경과 순서로 변화 패턴을 나타내는 (m+1)차원의 패턴 벡터(V_j(j=1, 2, ..., P_num)를 생성하는 패턴 벡터 생성 수단(1108)과, (g) 패턴 벡터 생성 수단(1108)에 의해 생성된 과거 패턴 벡터(V_j(j=1, 2, ..., P_num)를 복수의 서브세트(GP_s(s=1, 2, ... , s_num)로 분할하고 그들을 템플레이트 벡터세트 메모리(1110)로 저장하는 벡터분류수단(1109)과, (h) 벡터분류수단(1109)에 의해 분류된 서브세트(GP_s(s=1, 2, ... , s_num)를 대표하는 벡터(T_s(s=1, 2, ... , s_num)로 구성된 템플레이트 벡터세트를 저장하는 템플레이트 벡터세트 메모리(1110)를 구비한다.

또한, 템플레이트 갱신 결정부(1202)는, (i) 실제 시간(t+1)의 트래픽량(u(t+1)) 및 예측된 트래픽량(u^t+1)간의 에러(e(t+1)=│u(t+1)-u^t+1│)를 계산하는 예측 에러 계산 수단(1112)과, (j) 예측 에러 계산 수단(1112)에 의해 계산되고 지정된 시간점으로 되는 예측 에러(e(t+1))를 저장하는 예측 에러 저장수단(1113)과, (k) 예측 에러 저장수단(1113)에 저장된 과거 예측 에러(e(t+1))의 변화의 상황을 토대로 해서 템플레이트 벡터세트 메모리(1110)의 갱신을 행하는 지를 결정하는 템플레이트 갱신 결정수단(1114)을 구비한다.

상설했듯이 구성된 터널 유입 트래픽량 예측용 시계열 신호예측장치의 동작은 하기에서 설명된다.

우선, 예측 준비부(1200)에서, 템플레이트 벡터세트를 미리 생성하기 위해, 과거 터널 유입 트래픽량의 세트(GP)는 과거 트래픽량 데이터 세트 메모리(1107)에서 준비된다. 그후, 패턴 벡터 생성 수단(1108)은 과거 트래픽량 패턴 벡터(V_j)를 겹쳐진 벡터 성분으로써 생성하여, 생성되는 패턴 벡터의 헤드 성분수의 시프트량1이 생성되는 패턴 벡터의 차원수(m+1)에 대해 (m+1)>1로 되도록 하는 관계를 갖는다. 그것은 과거 트래픽량의 변화 패턴의 특징을 가능한한 올바르게 되도록 하는 것을 가능하게 한다.

제12도는 제11도의 시계열 신호예측장치의 동작 예를 도시하는 도시도이고, 거기에서 제12(a)도, 제12(b)도, 제12(c)도는 과거 트래픽량 대 시간의 벡터(V_1,V₂, V₃)를 도시하는 그래프이고, 제12(d)도, 제12(e)도는 벡터(V_1,V₂, V₃)를 재구성한 템플레이트 벡터를 도시하는 그래프이다. 제12도는 제6차원 패턴 벡터(V_1,V₂, V₃)가 1시간점의 유니트로 시간을 시프트하는 동안 생성되는 예를 예시한다.

제12도에서, 벡터분류수단(1109)은 패턴 벡터 생성 수단(1108)에 의해 생성된 패턴 벡터(V_j(j=1,2,...,P_num)를 복수의 s_num개의 서브세트(GP_s)로 분류하고 개별적인 서브세트(GP_s)를 대표하는 벡터(T_s)를 생성한다.

상기 세트 분류에서, 각종 클러스터링 방법은 공지된 VQ(벡터 양자화)방법, LVQ(학습 벡터 양자화)방법 등으로 사용할 수 있다. 상기 경우에, VQ방법이 제12도에 도시했듯이 사용된다.

템플레이트 벡터세트 메모리(1110)에 저장되고 예측 벡터(V)로써 패턴 결합을 수행하기 위해 사용된 템플레이트 벡터세트(GT)는 벡터분류수단(1109)에 의해 생성된 개별적인 서브세트(GP_s)를 대표하는 벡터(T_s)로 구성된다. 반면에, 예측 실행부(1201)에서, 현재 시간(t)에서 트래픽량 데이터(u(t))가 예측 벡터 생성 수단(1102)으로 우선 입력되고, 예측 벡터 생성 수단(1102)은 트래픽량 데이터(u(t))와, 과거 (m-1)개의 시간점에서 트래픽량 데이터(u(t-m+1), u(t-m+2), ... , u(t-1))를 배열하여, m차원의 예측 벡터 U=[(u(t-m+1), u(t-m+2), ... , u(t-1), u(t))를 생성하고, 그것을 유사한 템플레이트 벡터선택수단(1103)에 출력한다. 뒤이서, 유사한 템플레이트 벡터선택수단(1103)은 예측 벡터(U)에 대해 보다 높은 유사도를 갖는 K개의 템플레이트 벡터를 선택하고, 거기에서 선택된 K개의 템플레이트 벡터는 t_i(i=1, 2, ... , K)로서 지정된다. 설정된 템플레이트 벡터(T_s(s=1, 2, ..., s_num) 및 예측 벡터(U)간의 유사도의 척도(Sv_s)로서, m번째 성분까지의 2승 에러의 합은 다음의 식에 도시했듯이 사용된다.

여기서 U(j)는 예측 벡터(U)의 j번째 성분을 나타내고, T_s(j)는 템플레이트 벡터(T_s)의 j번째 성분을 나타낸다. 상기 식(5) 이외에도, m번째 성분까지의 예측 벡터(U) 및 템플레이트(T_s)에 의해 형성된 각도를 사용하는 것도 가능하다.

다음에, 입력 변화량 인출 수단(1104)은 선택된 K개의 템플레이트 벡터(t_i(i=1, 2, ... , K) 및 예측 벡터(U)를 토대로 해서 m번째 성분까지의 차분 벡터(d_i)를 계산하고, 그들을 예측량 정정 수단(1106)에 출력한다. 변화 기준량(x_i)이 상기 차분 벡터(d_i)로부터 계산되지만, 차분 벡터(d_i)의 벡터 표준(norm)은 x_i로서 본원에서 간주된다. 한편, 트래픽량 예측수단(1105)은 선택된 K개의 템플레이트 벡터의 (m+1)번째 성분(t_i(m+1)(i=1, 2, ..., K)을 추출하고, 그들을 예측량 정정수단(1106)에 출력한다. 추출된 K개의 템플레이트 벡터의 (m+1)번째 성분(t_i(m+1)(i=1, 2, ... , K)의 값은 과거 트래픽량 데이터 패턴으로부터 발생된 템플레이트 벡터로부터 예측된 트래픽량(1111)의 후보로 된다.

그러나, 과거 트래픽량 데이터 패턴은 트래픽량 패턴 모두를 실제로 얻을 수 없어서, m번째 성분까지의 예측 벡터(U) 및 템플레이트 벡터(t_i(i=1, 2, ... , K)간의 예측 에러가 존재한다. 그러므로, 예측량 정정 수단(1106)은 예측량 정정 수단(1105)에 의해 추출되는 예측된 트래픽량(1111)용 K개의 후보(t_i(m+1)(i=1, 2, ... , k)와, 템플레이트 벡터 및 예측 벡터(U)간의 차분 벡터(d_i)로부터 얻어진 변화 기준량(x_i)을 사용해서 최종 시간(t+1)의 예측된 트래픽량(u^t+1)을 계산한다.

상기 정정 방법으로서, 다음의 식으로 나타내어진 퍼지 법칙을 사용하는 방법이 사용된다.

본원에서 사용되는 퍼지 멤버십 함수는 관련되어 선택된 벡터에 대해 변화 기준량(x_i)에 의해 나타내어진 축상에서 각 선택된 벡터(t_i)에 의해 도시된 위치의 신뢰도가 1.0으로 되는 삼각 함수이다. 상기 경우에, 변화 기준량(x_i)(i=1, 2, ... , K) 중에서 최대값(x_max)을 사용해서, 가능한 x_i범위는 -x_max≤x_i≤x_max로 정의되어, 선택된 벡터의 신뢰도를 1.0으로 되게 하는 그 장소는 모두 포함된다.

제13도는 제11도의 시계열 신호예측장치의 동작 예를 도시하고, 신뢰도 η 대 변화 기준량 x_i를 도시하는 그래프이다. 제13도는 예측 벡터의 차원수가 5이고, 템플레이트 벡터의 차원수가 6이고 유사한 템플레이트 벡터의 수 K가 K=3인 것을 예시한다. 변화 기준량으로서, 선택된 벡터(t_i)의 m번째 성분(t_i(m)) 및 예측 벡터(U)의 m번째 성분(U(m))간의 차가 사용되고, 겨기에서 Y₁(x), Y₂(x), Y₃(x)은 개별적인 멤버십 함수이다. 즉, 각 선택된 예측량 후보(t_i(m+1))는 제13도에 도시된 멤버심 함수로부터 인출된 신뢰도(η(i))에 의해 승산되고, 그 결과는 신뢰도 η_sum=Ση(i)의 합에 의해 분할되고, 그것에 의해 최종 예측된 트래픽량(u^t+1)이 결정된다.

마지막으로, 템플레이트 갱신 결정부(1202)의 동작이 설명된다. 예측 트래픽량(1111^t+1)은 예측 에러 계산부(1112)에 입력된다. 예측 에러 계산 수단(1112)은 그 입력되어 예측된 트래픽량(1111^t+1)을 시간(t+1)에서 실제 트래픽량(u(t+1))과 비교하여 예측 에러(e(t+1)=│u(t+1)-u^t+1│)를 계산하고, 그 결과를 예측 에러 저장수단(1113)으로 저장한다. 뒤이어, 템플레이트 갱신 결정수단(1114)은 템플레이트 벡터세트 메모리(1110)내의 템플레이트 벡터세트(GT)를 갱신하는 지를 결정한다. 일반적으로, 트래픽량과 같은 시계열 패턴이 장시간이 됨에 따라 그 패턴 특성을 변화시킨다. 상기 이유로 인해, 상기 양호한 실시예에서, 동일한 템플레이트 벡터세트가 항시 사용되면, 결과적인 예측 정밀도는 예측 범위가 커짐에 따라 악화된다. 그러므로, 그런 발생을 피하기 위해, 예측 정밀도를 늘 확인하고 템플레이트 벡터세트를 현재의 트래픽량 패턴에 적합한 것으로 갱신하는 기능이 구비된다.

템플레이트 갱신 결정수단(1114)용 갱신 결정 기준으로서, 예를 들면, 소정의 시간 주기내의 예측 에러의 평균(e_ave)과 표준 편차(e_delta)가 사용된다. 상기 경우에, 템플레이트 갱신 결정수단(1114)은 소정의 시간 주기내의 예측 에러의 평균(e_ave)과 표준 편차(e_delta)를 계산하고, 거기에서 예측 에러의 계산된 평균(e_ave)과 표준 편차(e_delta)가 미리 세트된 임계값(e_ave및 e_delta) 각각을 초과할 때, 템플레이트 갱신 결정수단(1114)은 시간(t)까지의 과거 트래픽량 데이트를 토대로 해서 템플레이트 벡터세트(GT)를 갱신한다.

상설했듯이 구성된 제8양호한 실시예에서 시계열 신호예측장치의 동작을 평가하기 위해 본 발명자는 다음의 실험을 행한다. 상기 실험에서, 상기 시계열 신호예측장치를 사용해서, 본 발명자는 20분 간격의 수퍼하이웨이에서 터널 유입 트래픽량을 예측하는 처리를 실제 트래픽량 데이터상에서 수행하고, 거기에서 본 발명자는 예측 정밀도, 계산 시간 및 템플레이트의 저장 용량을 평가한다. 그 평가 결과가 표 1 및 2에 도시된다.

[표 1]

예측된 트래픽량 및 실제 트래픽량간의 상관계수

(주) : 평가기간:12월 26일부터 5월 20일까지 예측벡터의 차원수:5

템플레이트 준비용 기간:8월 23일부터 12월 22일까지

[표 2]

평가는 대형차 및 보통 또는 소형차의 2개로 분류된 수퍼하이웨이의 트래픽 차량, 또한 터널 상행 및 터널 하행으로 분할된 차량으로써 행해진다. 예측 벡터의 차원수가 5이고 8월 23일로부터 12월 22일까지의 약 4개월 트래픽량 데이터가 과거 트래픽량 데이터 세트(GP)로서 사용되는 조건에서, 본 발명자는 12월 26일로부터 5월 20일까지의 약 5개월 트래픽량 데이터로 성능 평가를 행한다.

표 1은 예측된 트래픽량 및 실제 트래픽량간의 상관 계수를 도시하는 반면에, 표 2는 사용된 템플레이트의 저장 용량뿐만 아니라 1시간전의 예측에 필요한 시간을 계산하는 것을 도시한다. 본원에서 종래기술의 방법은 과거 수 개월의 평균으로부터 현재 시간까지의 트래픽량의 차분 또는 현재 시간까지의 트래픽량을 자기 회귀 모델로 인가하고, 회귀 계수를 칼만 필터로써 결정함으로써 트래픽량을 예측하는 방법이고, 예를 들어, 일본 특허 공개 공보 제 헤이세이 1-235799호에 종래의 기술 방법이 개시된다. 상기 방법은 수퍼하이웨이의 터널 유입 트래픽량의 예측에서 실제로 사용된다. 또한, 카오스 방법은 관측된 시계열 데이터를 예를 들어 종래기술 문헌 3 [아이하라 등에 의해 편저, "카오스 응용 시스템", 아사꾸라 서점, 제7장] 또는 일본 특허 공개 공보 제 헤이세이 7-270200호에 설명 및 공지된 타켄스 매입(Tackence embedding) 정리에 의해 다차원 상태 공간으로 재구성되고, 또한 최신에 관찰된 데이터를 포함하는 데이터 벡터의 인접 벡터를 사용해서 시계열 데이터를 국부적으로 재구성함으로써 시계열 데이터의 단기간 예측을 수행하는 방법의 응용이다.

표 1로부터 명백하듯이, 본 실시예의 시계열 신호예측장치는 소형 차량, 대향 차량, 상행 데이터 및 하행 데이터로 분류해서 4개의 평가 모두에서의 예측 정밀도에서 매우 우수한 결과를 갖는다.

표 2는 펜티엄 133Mhz의 CPU를 구비한 개인 컴퓨터로써 계산을 경우에 템플레이트에 필요한 저장 용량뿐만 아니라 계산 시간을 도시한다.

상기 결과는 표 1에서 성능 평가의 조건과 같은 조건하에서 얻어지고, 본 실시예의 시계열 신호예측장치에서 그 결과는 과거 트래픽량 데이터 세트(GP)를 1024개의 서브세트로 분류함으로써 얻어진다. 표 2에서 명백하듯이, 본 실시예의 시계열 신호예측장치는 계산 시간 및 저장 용량의 견지에서 우수성을 보였다. 스퍼하이웨이에서, 도로 사용자에게 안전한 환경을 제공하기 위해 터널의 환기를 행하는 환기 설비의 설치 및 설비의 자동 제어는 필수적이다. 환기를 행하는 자동 제어는 이전에는 터널의 오염도를 토대로한 피드백 제어 또는 레벨 제어이다.

그러나, 오염 감지후 상기 제어 처리가 지연 제어되기 때문에, 효과가 나타나기까지는 시간 지체가 있다. 결과적으로, 터널내의 오염도를 예측함으로써 피드 포워드 제어를 수행하는 것이 주류이다. 상기 처리에서, 환기 설비에 필요한 전력을 아끼기 위해, 터널을 통과하는 자동차수를 예측하고 오염도를 정확하게 예측하는 것이 중요하다. 상기 관점에서, 본 실시예의 시계열 신호예측장치는 큰 역할을 한다.

상기 양호한 실시예에서, 복수의 선택된 템플레이트 벡터(t_i)의 (m+1)번째 성분이 현재 시간의 입력된 트래픽량을 포함하는 예측 벡터 및 개별적으로 선택된 벡터간의 유클리드 거리를 토대로한 퍼지 법칙에 의해 정정된다. 그러나, 그것에 제한되지 않고, 본 발명은 트래픽량 예측수단(1105)이 최대 유사도를 갖는 1개의 템플레이트 벡터(t_max)를 선택하고 (m+1)번째 성분(t_max(m+1))을 정정하는 방법을 사용한다. 상기 경우에, 예측 벡터(U) 및 선택된 벡터(t_max)간의 m번째 성분까지의 차분 벡터

d

=[d₁, d₂, ... , d_m]

-[U(1)-t_max(1), U(2)-t_max(2), ... , U(m)-t_max(m)]

의 입력으로서 템플레이트로부터 얻어진 예측량(t_max(m+1))을 정정하는 정정량(d_m+1)이 계산된다.

제14도는 제11도의 트래픽량 예측수단(1105)을 구성하는 신경망의 구조 다이어그램이다. 상기 신경망은, (a) 복수 m개의 유니트(1502-1 내지 1501-m)로 구성된 입력층(1501)과, (b) 자기 피드백 결합을 각기 갖는 4개의 유니트(1502-1 내지 1502-4)로 구성된 중간층(1502)과, (c) 1개의 유니트(1503-1)로 구성된 출력층(1503)을 구비한 재순환 신경망이다.

상기 구조에서, 입력층(1501)에 대한 입력은 입력되는 트래픽량 데이터의 벡터와, 유사한 템플레이트 벡터선택수단에 의해 선택된 템플레이트 벡터를 포함한다.

피드백 결합을 갖는 재순환 신경망은 예를 들면 종래기술 문헌[J. T. Connor et al., "Recurrent Neural Network and Robust Time Series Prediction," IEEE transactions on Neural Network, Vol. 5, No. 2, pp. 240~254, 1994]에서 개시되는 공지된 방법을 사용해서 학습을 행한 후 트래픽량 예측수단(1105)으로서 사용될 수 있다. 상기 방법에서, 신경망에 앞서서 템플레이트로부터의 정정량을 학습시키고, 비선형 응용 능력을 사용함으로써, 입력된 예측 벡터 및 준비된 템플레이트 벡터간의 낮은 유사도에서도 실제 트래픽량을 예측하는 것이 가능하다.

상설된 실시예에서, 메모리 및 저장수단이 예를 들어 하드 디스크 유니트 또는 다른 저장 유니트에 의해 수행되고, 메모리 및 저장수단을 제외한 수단은 예를들어 디지탈 또는 다른 컴퓨터에 의해 수행된다.

상설했듯이, 본 발명에 따라, 시계열 신호예측장치는, 일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열 데이터를 토대로 해서 n차원 벡터 데이터를 발생시키는 벡터발생수단과; 일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트로 분류하는 다른 벡터발생수단과; 벡터발생수단에 의해 발생된 n차원의 입력 벡터 데이터를 저장하는 벡터저장수단과; 다른 벡터발생수단에 의해 발생된 (n+1)차원의 벡터 데이트를 복수 L개로 분류된 벡터세트마다에 저장하는 벡터세트 저장수단과; 벡터저장수단에 저장된 벡터 데이터가 벡터세트 저장수단에 저장되어 있는 어떤 벡터세트에 속하는 지를 분류하는 벡터분류수단과; 벡터저장수단에 저장된 벡터 데이터를 속하게 하는 것으로 결정되는 벡터세트에 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 벡터 데이터에 대해 유사성을 감소시키는 순서로 복수 k개의 벡터 데이터를 선택하는 벡터선택수단과; 벡터선택수단에 의해 선택된 벡터세트에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원의 데이터를 추출하고, 그 추출된 데이터를 유사도와 함께 출력하는 과거 데이터 추출 수단과; 과거 데이터 추출 수단에 의해 추출된 복수 k 데이터와 벡터저장수단에 저장된 입력 벡터 데이터 및 유사도를 토대로 해서 입력된 시계열 데이터의 시계열 데이터를 예측 및 출력하는 데이터 예측수단을 구비한다.

그러므로, 본 발명에 따라 시계열 신호예측장치는 종래기술의 장치와 비교해 단순한 구성으로써 고정밀 시계열 신호 예측을 이루고, 또한 시계열 신호의 통계적 특성의 변화 발생시에도 고정밀도 시계열 신호를 예측할 수 있다.

Claims

시계열 신호예측장치에 있어서,

일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열

데이터를 토대로 해서 n차원 벡터 데이터를 발생시키는 벡터발생수단과;

일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트로 분류하는 다른 벡터발생수단과;

상기 벡터발생수단에 의해 발생된 n차원의 입력 벡터 데이터를 저장하는 벡터저장수단과;

상기 다른 벡터발생수단에 의해 발생된 (n+1)차원의 벡터 데이터를 복수 L개로 분류된 벡터세트마다에 저장하는 벡터세트 저장수단과;

상기 벡터저장수단에 저장된 벡터 데이터가 상기 벡터세트 저장수단에 저장되어 있는 어떤 벡터세트에 속하는 지를 분류하는 벡터분류수단과;

벡터저장수단에 저장된 벡터 데이터를 속하게 하는 것으로 결정되는 벡터세트에 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 벡터 데이터에 대해 유사성을 감소시키는 순서로 복수 k개의 벡터 데이터를 선택하는 벡터선택수단과;

상기 벡터선택수단에 의해 선택된 벡터세트에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원을 데이터를 추출하고, 그 추출된 데이터를 유사도와 함께 출력하는 과거 데이터 추출 수단과;

상기 과거 데이터 추출 수단에 의해 추출된 복수 k 데이터와 벡터저장수단에 저장된 입력 벡터 데이터 및 유사도를 토대로 해서 입력된 시계열 데이터의 시계열 데이터를 예측 및 출력하는 데이터 예측수단을 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1에 있어서, 상기 벡터저장수단에 저장된 벡터 데이터가 속하는 세트에서 보다 낮은 유사도를 갖는 벡터 데이터를 갱신하여 그들을 최신의 입력 벡터 데이터로써 대치하는 벡터갱신수단을 더 구비하는 것을 특징으로 하는 장치.
시계열 신호예측장치에 있어서,

일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열 데이터를 토대로 해서 n차원 벡터 데이터를 발생시키는 벡터발생수단과;

일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트로 분류하는 다른 벡터발생수단과;

상기 벡터발생수단에 의해 발생된 n차원의 입력 벡터 데이터를 저장하는 벡터저장수단과;

상기 다른 벡터발생수단에 의해 발생된 (n+1)차원의 벡터 데이터를 복수 L개로 분류된 벡터세트마다에 저장하는 벡터세트 저장수단과;

상기 벡터저장수단에 저장된 벡터 데이터가 상기 벡터세트 저장수단에 저장되어 있는 어떤 벡터세트에 속하는 지를 분류하는 벡터분류수단과;

상기 벡터저장수단에 저장된 벡터 데이터가 속하는 세트에서 보다 낮은 유사도를 갖는 벡터 데이터를 갱신하여 그들을 최신의 입력 벡터 데이터로써 대치하는 벡터갱신수단과;

상기 벡터저장수단에 저장된 벡터가 속하는 벡터세트로부터 새로 입력된 시계열 데이터의 n차원의 입력 벡터 데이터에 대해서 최고 유사도를 갖는 벡터 데이터뿐만 아니라 그 유사도를 출력하는 다른 벡터선택수단과,

상기 벡터저장수단으로부터 판독된 벡터 데이터 및 상기 다른 벡터선택수단으로부터 출력된 벡터간의 n차원 차분 벡터를 계산하는 차분 벡터 인출 수단과;

상기 차분 벡터 인출 수단에 의해 계산된 n차원 차분 벡터와, 다른 벡터선택수단으로부터 출력된 유사도를 나타내는 벡터를 토대로 해서 (n+1)번째 차원의 입력된 벡터 데이터를 예측 및 출력하는 다른 데이터 예측수단을 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 2에 있어서,

상기 벡터선택수단에 의해 선택된 벡터세트내의 벡터 데이터 및 입력 벡터 데이터간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단과,

상기 세트 분할 결정수단에 의해서 입력된 벡터 데이터가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 분할 수단과,

벡터세트가 상기 세트 분할 수단에 의해 분할된 벡터세트로써 대치되도록 상기 벡터저장수단에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단을 더 구비하는 것을 특징으로 하는 장치.
시계열 신호예측장치에 있어서,

일정한 시간 간격마다 샘플링되어 입력된 자연수 n개의 시계열 데이터를 토대로 해서 n차원 벡터 데이터를 발생시키는 벡터발생수단과;

일정한 시간 간격마다 샘플링되어 입력된 과거의 시계열 데이터를 토대로 해서 (n+1)차원의 벡터 데이터를 발생시키고, n차원까지의 벡터 데이터를 사용함으로써 유사한 벡터마다에 벡터 데이터를 복수 L개의 벡터세트로 분류하는 다른 벡터발생수단과; 상기 벡터발생수단에 의해 발생된 n차원의 입력 벡터 데이터를 저장하는 벡터저장수단과; 상기 다른 벡터발생수단에 의해 발생된 (n+1)차원의 벡터 데이터를 복수 L개로 분류된 벡터세트마다에 저장하는 벡터세트 저장수단과; 상기 벡터저장수단에 저장된 벡터 데이터가 상기 벡터세트 저장수단에 저장되어 있는 어떤 벡터세트에 속하는 지를 분류하는 벡터분류수단과;

상기 벡터세트 저장수단에 저장된 벡터세트를 대표하는 대표적인 벡터 데이터 및 상기 벡터저장수단에 저장된 최신의 벡터 데이터간의 유사도를 계산하고, 그 유사도에 따라 각 벡터세트로부터 선택되는 벡터수인 벡터선택수를 결정하는 벡터 선택수 결정수단과;

상기 벡터선택수 결정수단에 의해 결정된 벡터 선택을 토대로 해서 상기 벡터세트 저장수단에 저장된 각 벡터세트로부터 유사도에 따라 벡터 데이터의 벡터선택수를 선택하는 다른 벡터선택수단과;

상기 벡터선택수단에 의해 선택된 벡터세트에 속하는 복수 k개의 (n+1)차원의 벡터로부터 복수 k개의 (n+1)차원의 데이터를 추출하고, 그 추출된 데이터를 유사도와 함께 출력하는 과거 데이터 추출 수단과;

상기 과거 데이터 추출 수단에 의해 추출된 복수 k 데이터와 상기 벡터저장수단에 저장된 입력 벡터 데이터 및 유사도를 토대로 해서 입력된 시계열 데이터의 시계열 데이터를 예측 및 출력하는 데이터 예측수단과;

상기 다른 벡터선택수단에 의해 선택된 벡터세트내의 벡터 데이터 및 입력 벡터 데이터간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단과, 상기 세트 분할 결정수단에 의해서 입력된 벡터 데이터가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 분할 수단과,

벡터세트가 상기 세트 분할 수단에 의해 분할된 벡터세트로써 대치되도록 상기 벡터저장수단에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단을 더 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1에 있어서, 상기 벡터저장수단에 저장된 입력 벡터 데이터가 속하는 벡터 섹터가 상기 벡터선택수단에 의해 선택될 때 나타나는 선택수를 저장하는 벡터선택수 저장수단과;

상기 선택 시간 저장수단에서 기록된 선택수가 지정된 허용가능한 선택수보다 적을 때 관련한 벡터세트를 삭제하는 벡터세트 삭제 수단과;

상기 다른 벡터선택수단에 의해 선택된 벡터세트내의 벡터 데이터 및 입력 벡터 데이터간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단과,

상기 세트 분할 결정수단에 의해서 입력된 벡터 데이터가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 분할 수단과,

벡터세트가 상기 세트 분할 수단에 의해 분할된 벡터세트로써 대치되도록 상기 벡터저장수단에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단을 더 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1에 있어서, 각 벡터세트가 상기 벡터선택수단에 의해 선택되는 최신의 시간을 저장하는 벡터 선택 시간 저장수단과;

상기 벡터 선택 시간 저장수단에 의해 저장된 시간이 현재 시간을 기준으로 해서 세트되는 지정된 허용가능한 시간보다 오래되는 벡터세트를 삭제하는 벡터세트 삭제 수단과;

상기 다른 벡터선택수단에 의해 선택된 벡터세트내의 벡터 데이터 및 입력 벡터 데이터간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단과,

상기 세트 분할 결정수단에 의해서 입력된 벡터 데이터가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 분할 수단과,

벡터세트가 상기 세트 분할 수단에 의해 분할된 벡터세트로써 대치되도록 상기 벡터저장수단에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단을 더 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1에 있어서, 상기 벡터분류수단에 의해 입력 벡터 데이터가 속하는 것으로 결정된 벡터세트를 대상으로 해서, 상기 벡터선택수단이 유사도를 토대로 해서 복수 m개의 벡터를 선택할 때, 상기 벡터세트 저장수단에 저장된 최저 유사도의 벡터를 새로 입력된 벡터 데이터로써 대치되는 방법으로 다음 시계열 데이터의 입력 시간에서 갱신하는 내부 세트 벡터갱신수단과;

상기 다른 벡터선택수단에 의해 선택된 벡터세트내의 벡터 데이터 및 입력 벡터 데이터간의 유사도의 분포를 토대로 해서 벡터세트가 분할되는 지를 결정하는 세트 분할 결정수단과,

상기 세트 분할 결정수단에 의해서 입력된 벡터 데이터가 속하는 벡터세트의 분할을 결정하는 경우에 벡터세트를 복수의 벡터세트로 분할하는 세트 분할 수단과,

벡터세트가 상기 세트 분할 수단에 의해 분할된 벡터세트로써 대치되도록 상기 벡터저장수단에 저장된 벡터세트를 갱신하는 벡터세트 갱신 수단을 더 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1, 2 및 4 내지 8 중 어느 한 항에 있어서,

상기 데이터 예측수단이 유사도를 가중 가산 계수로 하는 가중 가산 방법을 사용함으로써 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터를 예측하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1, 2 및 4 내지 8 중 어느 한 항에 있어서,

상기 데이터 예측수단이 신경망을 사용함으로써 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터를 예측하고,

상기 신경망은,

상기 과거 데이터 추출 수단으로부터 출력된 복수 k개의 (n+1)차원의 데이터와 상기 유사도를 입력으로 하는 입력층과;

적어도 1층의 중간층과;

출력층을 구비하는 것을 특징으로 하는 시계열 데이터예측장치.
청구항 1, 2 및 4 내지 8 중 어느 한항에 있어서,

상기 데이터 예측수단이 선형 예측 방법을 사용함으로써 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터를 예측하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 3에 있어서, 상기 데이터 예측수단이 신경망을 사용함으로써 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터를 예측하고,

상기 신경망은,

상기 차분 벡터 인출 수단에 의해 계산된 n차원의 차분 벡터와 상기 다른 벡터선택수단으로부터 출력된 유사도를 나타내는 벡터를 입력으로 하는 입력층과;

적어도 1층의 중간층과;

출력층을 구비하는 것을 특징으로 하는 시계열 데이터예측장치.
청구항 3에 있어서, 상기 데이터 예측수단이 선형 예측 방법을 사용함으로써 입력된 시계열 데이터에 이어지는 다음 시간의 시계열 데이터를 예측하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1 내지 8 중 어느 한항에 있어서,

상기 벡터분류수단이 벡터 데이터간의 유클리드 거리를 토대로 해서 상기 벡터저장수단에 저장된 벡터 데이터를 복수의 벡터세트로 분류하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 1 내지 8 중 어느 한항에 있어서,

상기 벡터분류수단이 벡터 데이터를 토대로 하고 클러스터링 방법을 사용함으로써 상기 벡터저장수단에 저장된 벡터 데이터를 복수의 벡터세트로 분류하는 것을 특징으로 하는 시계열 신호예측장치.
시계열 신호예측장치에 있어서,

과거 트래픽량 데이터 세트를 미리 저장하는 트래픽량 데이터 세트 메모리와;

트래픽량 데이터 세트 메모리에 미리 저장된 과거 트래픽량 데이터 세트로부터 시간 경과 순서로 변화 패턴을 나타내는 복수의 (m+1)차원의 패턴 벡터를 생성하는 패턴 벡터 생성 수단과;

상기 패턴 벡터 생성 수단에 의해 생성된 과거 패턴 벡터를 복수의 서브세트로 분할하는 벡터분류수단과;

상기 벡터분류수단에 의해 분류된 서브세트를 대표하는 벡터로 구성된 템플레이트 벡터세트를 저장하는 템플레이트 벡터세트 메모리와;

과거 복수의 (m-1)시간점의 트래픽량 데이터(u(t-m+1), u(t-m+2), ... , u(t-2), u(t-1))를 현재의 시간(t)의 트래픽량 데이터(u(t))에 가산함으로써 복수 m차원의 예측 벡터를 생성하는 예측 벡터 생성 수단과;

템플레이트 벡터세트 메모리에 저장된 템플레이트 벡터세트를 사용해서 예측벡터에 대해 최고 유사도를 갖는 (m+1)차원의 템플레이트 벡터를 선택하는 유사한 템플레이트 벡터선택수단과;

상기 유사한 템플레이트 벡터선택수단에 의해 선택된 유사한 템플레이트 벡터 및 예측 벡터간의 m번째 성분까지의 차분 벡터를 계산하고, 차분 벡터로부터 변화 기준량을 또한 계산하고 그 결과를 출력하는 입력 변화량 인출 수단과;

상기 유사한 템플레이트 벡터선택수단에 의해 선택된 복수 k개의 (m+1)차원의 벡터의 (m+1)개의 성분을 추출함으로써 예측을 행하는 트래픽량 예측수단과;

예측 벡터 및 유사한 템플레이트 벡터간의 차분 벡터로부터 상기 입력 변화량 인출 수단에 의해 계산된 변화 기준값을 토대로 해서 상기 트래픽량 예측수단에 의해 추출된 복수 k개의 트래픽량 데이터를 정정해서 시간(t+1)에서 트래픽량의 최종 예측된 트래픽량을 계산하는 예측량 정정 수단과;

실제 시간(t+1)의 트래픽량(u(t+1)) 및 예측된 트래픽량간의 에러를 계산하는 예측 에러 계산 수단과;

상기 예측 에러 계산 수단에 의해 계산되고 지정된 시간점수로 되는 예측 에러를 저장하는 예측 에러 저장수단과;

상기 예측 에러 저장수단에 저장된 과거 예측 에러의 변화의 상황을 토대로 해서 갱신하기로 결정될 때 템플레이트 벡터세트 메모리의 갱신을 행하는 지를 결정하고, 시간(t)까지의 트래픽량 데이터를 토대로 해서 템플레이트 벡터세트 메모리에 저장된 템플레이트 벡터세트를 갱신하는 템플레이트 갱신 결정수단을 구비하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 16에 있어서, 벡터분류수단이 벡터 양자화 방법 또는 학습 벡터 양자화 방법을 사용함으로써 상기 벡터저장수단에 저장된 과거 패턴 벡터를 복수의 서브세트로 분류하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 16에 있어서, 상기 예측량 정정 수단이 지정된 퍼지 법칙을 사용하여 복수 k개의 트래픽량 데이터를 정정해서 시간(t+1)에서 트래픽량의 최종 예측된 트래픽량을 계산하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 16에 있어서, 상기 예측량 정정 수단이 최고 유사도를 갖는 템플레이트 벡터를 선택하고 그 (m+1)번째 성분을 정정하는 것에 의해, 복수 k개의 트래픽량 데이터를 정정해서 시간(t+1)에서 트래픽량의 최종 예측된 트래픽량을 계산하는 것을 특징으로 하는 시계열 신호예측장치.
청구항 16에 있어서, 상기 트래픽량 예측수단이 신경망을 사용함으로써 상기 유사한 템플레이트 벡터선택수단에 의해 선택된 복수 k개의 (m+1)차원의 벡터의 (m+1)성분을 예측하고,

상기 신경망은,

입력되는 트래픽량 데이터의 벡터 및 상기 유사한 템플레이트 벡터선택수단에 의해 선택된 템플레이트 벡터를 입력으로 하는 입력층과;

적어도 1층의 중간층과;

출력층을 구비하는 것을 특징으로 하는 시계열 데이터예측장치.