WO2022230418A1 - 予測装置、予測方法、および予測プログラム - Google Patents

予測装置、予測方法、および予測プログラム Download PDF

Info

Publication number
WO2022230418A1
WO2022230418A1 PCT/JP2022/011921 JP2022011921W WO2022230418A1 WO 2022230418 A1 WO2022230418 A1 WO 2022230418A1 JP 2022011921 W JP2022011921 W JP 2022011921W WO 2022230418 A1 WO2022230418 A1 WO 2022230418A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
model
time
series data
interval
Prior art date
Application number
PCT/JP2022/011921
Other languages
English (en)
French (fr)
Inventor
孝浩 山崎
Original Assignee
株式会社村田製作所
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 株式会社村田製作所 filed Critical 株式会社村田製作所
Priority to CN202280031514.6A priority Critical patent/CN117223021A/zh
Priority to JP2022542780A priority patent/JP7180819B1/ja
Publication of WO2022230418A1 publication Critical patent/WO2022230418A1/ja
Priority to JP2022182700A priority patent/JP7375896B2/ja
Priority to US18/083,591 priority patent/US20230119668A1/en

Links

Images

Classifications

    • 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
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—Specially adapted to detect a particular component
    • G01N33/004—Specially adapted to detect a particular component for CO, CO2
    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide

Definitions

  • the present disclosure relates to a prediction device, prediction method, and prediction program for predicting changes in time-series data.
  • Patent Document 1 discloses a prediction device that predicts future changes in time-series data by analyzing past time-series data for each time interval.
  • the prediction device disclosed in Patent Document 1 selects one kernel function based on the analysis result of past time series data in one time interval, and applies the selected kernel function to support vector regression, thereby obtaining one It is configured to predict changes in time-series data after a time interval.
  • the prediction device disclosed in Patent Document 1 is configured to select one kernel function for one time interval to be analyzed. Changes in time-series data can be accurately predicted. However, since the prediction device cannot consider the analysis result for the prediction interval that exceeds the range that the selected kernel function can handle, it is difficult to accurately predict changes in time-series data over a long period of time. There was a risk that it would not be possible.
  • the present disclosure has been made to solve such problems, and its purpose is to provide a technique for accurately predicting changes in time-series data over a long period of time.
  • a prediction device includes a memory that stores time-series data, a processor that predicts post-change data after a change in time-series data based on the time-series data stored in the memory, and a prediction model.
  • a prediction model includes a first model and a second model. The first model is more suitable for predicting post-change data in the first prediction interval than the second model. The second model is more suitable than the first model for predicting post-change data in the second prediction interval after the first prediction interval.
  • the processor predicts post-change data in an interval between the first prediction interval and the second prediction interval based on the time-series data and the prediction model.
  • a prediction method includes a storage step of storing time-series data, time-series data stored by the storage step, and post-change data after change of the time-series data based on a prediction model. and a prediction step of predicting.
  • a prediction model includes a first model and a second model. The first model is more suitable for predicting post-change data in the first prediction interval than the second model. The second model is more suitable than the first model for predicting post-change data in the second prediction interval after the first prediction interval.
  • the prediction step includes a step of predicting post-change data in an interval between the first prediction interval and the second prediction interval based on the time-series data and the prediction model.
  • a forecasting program stores time-series data in a computer, based on the time-series data stored by the storage step, and a forecast model, the change after the time-series data changes and a prediction step of predicting post data.
  • a prediction model includes a first model and a second model. The first model is more suitable for predicting post-change data in the first prediction interval than the second model. The second model is more suitable than the first model for predicting post-change data in the second prediction interval after the first prediction interval.
  • the prediction step includes a step of predicting post-change data in an interval between the first prediction interval and the second prediction interval based on the time-series data and the prediction model.
  • a first model suitable for predicting post-change data of time-series data in a first prediction interval, and a second prediction interval after the first prediction interval After-change data in the interval between the first prediction interval and the second prediction interval can be predicted using a second model suitable for predicting post-change data of time-series data in .
  • the prediction device, prediction method, and prediction program of the present disclosure are not limited to predicting changes in time-series data in the first prediction interval using the first model, but also combine the first model and the second model. It is possible to predict changes in time-series data in the interval between the first prediction interval and the second prediction interval using the prediction model that includes it, so it is possible to accurately predict changes in time-series data over a long period of time. can be done.
  • FIG. 2 is a diagram for explaining an application example of the prediction device according to Embodiment 1;
  • FIG. 1 is a diagram showing a configuration of a prediction device according to Embodiment 1;
  • FIG. 4 is a diagram showing changes in time-series data predicted by the prediction device according to Embodiment 1.
  • FIG. 4 is a diagram for explaining timings of processing of the prediction device according to Embodiment 1.
  • FIG. 4 is a diagram for explaining parameter adjustment of the first model in the prediction device according to Embodiment 1;
  • FIG. 7 is a diagram for explaining parameter adjustment of the second model in the prediction device according to Embodiment 1;
  • 4 is a diagram showing a display mode of a display in the prediction device according to Embodiment 1;
  • FIG. 4 is a flow chart relating to processing executed by the control device of the prediction device according to Embodiment 1.
  • FIG. 9 is a flowchart of another process executed by the control device of the prediction device according to Embodiment 1;
  • FIG. 13 is a diagram showing the configuration of a prediction device according to Embodiment 2;
  • FIG. 11 is a diagram for explaining timings of processing of a prediction device according to Embodiment 3;
  • FIG. 10 is a diagram showing changes in time-series data predicted by a prediction device according to Embodiment 4;
  • FIG. 1 A prediction device 1 according to Embodiment 1 will be described with reference to FIGS. 1 to 9.
  • FIG. 1 A prediction device 1 according to Embodiment 1 will be described with reference to FIGS. 1 to 9.
  • FIG. 1 is a diagram for explaining an application example of the prediction device 1 according to the first embodiment.
  • the prediction device 1 according to Embodiment 1 predicts future changes in the time-series data by analyzing the acquired past time-series data.
  • Time series data means a data group in which a plurality of data obtained in time series from the same source such as one sensor are arranged in time series order.
  • CO2 carbon dioxide
  • the indoor space 20 when a plurality of people hold a meeting with the windows 21 and doors 22 closed in the indoor space 20, carbon dioxide (hereinafter, “CO2”) in the indoor space 20 ) can be increased.
  • CO2 carbon dioxide
  • the prediction device 1 analyzes the CO2 concentration in the indoor space 20 that changes over time, so that the CO2 concentration after the CO2 concentration changes in the future (hereinafter referred to as "after change (also referred to as "data"). Furthermore, the prediction device 1 calculates a predicted arrival time at which the post-change data reaches the threshold value and a predicted arrival time from the prediction time (predicted time) to the predicted arrival time, and calculates the calculated predicted arrival time. and the predicted arrival time are notified to the user of the prediction device 1 (in this example, the person having the meeting).
  • the prediction point (prediction time) is at least one point (time) from the point (time) when prediction of post-change data is started to the point (time) when the prediction result is calculated.
  • the prediction device 1 includes a sensor 14 as shown in FIG. 2, which will be described later. Sensor 14 periodically measures the CO2 concentration in indoor space 20 .
  • the prediction device 1 analyzes changes in the CO2 concentration acquired by the sensor 14, predicts post-change data after changes in the CO2 concentration in the future, and based on the prediction results, predicts arrival time at which ventilation should occur. , the predicted arrival time from the predicted time to the predicted arrival time is calculated.
  • the prediction device 1 causes the display 15 to display an image for notifying the user of at least one of the calculated predicted arrival time and the predicted arrival time, or displays at least one of the calculated predicted arrival time and the predicted arrival time.
  • the speaker 16 outputs a sound for notifying the user of this.
  • the prediction device 1 can prompt the user to ventilate at an appropriate timing using the result of predicting changes in the CO2 concentration in the indoor space 20 . Therefore, the user can ventilate the closed indoor space 20 before the CO2 concentration increases.
  • post-change data predicted by the prediction device 1 is not limited to the CO2 concentration, and may be other data that changes over time, such as humidity and temperature.
  • the sensor 14 may measure other time-varying data, not limited to CO2 concentration, such as humidity and temperature.
  • FIG. 2 is a diagram showing the configuration of the prediction device 1 according to Embodiment 1. As shown in FIG. As shown in FIG. 2, the prediction device 1 comprises a processor 11, a memory 18, a storage device 12, a sensor 14 and an output device 17. FIG.
  • the processor 11 is an example of a computer, and is a computing entity that executes various processes according to various programs.
  • the control device 11 includes, for example, at least one of a CPU (Central Processing Unit), FPGA (Field Programmable Gate Array), GPU (Graphics Processing Unit), and MPU (Multi Processing Unit). Note that the processor 11 may be configured by a processing circuit.
  • the memory 18 includes volatile memory such as DRAM (Dynamic Random Access Memory) and SRAM (Static Random Access Memory), non-volatile memory such as ROM (Read Only Memory) and flash memory.
  • volatile memory such as DRAM (Dynamic Random Access Memory) and SRAM (Static Random Access Memory), non-volatile memory such as ROM (Read Only Memory) and flash memory.
  • the memory 18 temporarily stores the time-series data 123 acquired by the sensor 14 .
  • the time-series data 123 is used when the processor 11 predicts the post-change CO2 concentration.
  • the storage device 12 includes non-volatile memories such as HDDs (Hard Disk Drives) and SSDs (Solid State Drives).
  • the storage device 12 stores various programs and data such as a prediction program 121 executed by the control device 11 , calculation data 122 referenced by the processor 11 , and time-series data 123 acquired by the sensor 14 .
  • a user can predict changes in time-series data by using a computer or server device in which a processor 11, a storage device 12, and an output device 17 are integrated.
  • the prediction program 121 includes a program that defines the processing procedure (processing flow shown in FIGS. 8 and 9) of the generation unit 11A and the prediction unit 11B, which are functional units of the processor 11.
  • the calculation data 122 is data used when executing processing according to the prediction program 121, and is data for generating a prediction model for predicting post-change data (for example, a first model and a second model described later). , and data on junction functions).
  • the prediction device 1 may store the prediction program 121 and the calculation data 122 in advance in the storage device 12, or acquire the prediction program 121 and the calculation data 122 from a server device (not shown) through data communication. good too. Moreover, the prediction device 1 may store a prepared prediction model in the storage device 12 in advance, without being limited to the case where the processor 11 generates the prediction model. Furthermore, the prediction device 1 may further include a media reading device 13, as will be described later using FIG. Then, the prediction device 1 may receive the removable disk 5 as a storage medium by the media reading device 13 and acquire the prediction program 121 , the calculation data 122 and the prediction model from the removable disk 5 .
  • the sensor 14 measures time-series data that changes over time, such as CO2 concentration, humidity, and temperature, and outputs the acquired time-series data to the storage device 12 .
  • the storage device 12 stores the time-series data acquired from the sensor 14 as the time-series data 123 . Also, when the processor 11 predicts post-change data, the time-series data 123 is temporarily stored in the memory 18 .
  • the prediction device 1 is not limited to the one sensor 14, and may be provided with a plurality of sensors. In this case, each of the multiple sensors may measure different types of time-series data.
  • the first sensor may detect CO2 concentration as time-series data
  • the second sensor may detect humidity as time-series data
  • the third sensor may detect temperature as time-series data.
  • the prediction device 1 may predict changes in each time-series data based on the time-series data acquired by each of the first sensor, the second sensor, and the third sensor.
  • each of the multiple sensors may measure the same type of time series data as the other sensors.
  • each of the first sensor and the second sensor may detect CO2 concentration as time-series data
  • the third sensor may detect temperature as time-series data.
  • the prediction device 1 predicts the change in CO2 concentration based on the time-series data of the CO2 concentration obtained by each of the first sensor and the second sensor, and calculates the temperature based on the temperature obtained by the third sensor. You can anticipate change.
  • the output device 17 is connected to each of the display 15 and the speaker 16 by wire or wirelessly.
  • the output device 17 outputs to at least one of the display 15 and the speaker 16 data indicating the prediction result of the change in the time-series data calculated by the control device 11 .
  • the display 15 displays various images such as an image based on the prediction result of changes in the time-series data calculated by the processor 11 based on the data acquired from the output device 17 .
  • the speaker 16 Based on the data acquired from the output device 17, the speaker 16 outputs various sounds such as sounds based on the prediction result of changes in the time-series data calculated by the processor 11.
  • Prediction device 1 may comprise at least one of display 15 and speaker 16 .
  • the display 15 and the speaker 16 are installed in the indoor space 20, but the display 15 and the speaker 16 are provided by a mobile terminal or a personal computer (PC) owned by the user who is in the room. It may be a configuration.
  • the prediction device 1 outputs prediction results to a mobile terminal or PC owned by the user through near field communication or the like, and the mobile terminal or PC transmits the prediction results obtained from the prediction device 1 to itself (mobile terminal or PC ) display 15 or speaker 16 to notify the user.
  • the prediction device 1 configured in this way stores the time-series data 123 acquired by the sensor 14 in the storage device 12 or the memory 18, and based on the time-series data 123 stored in the storage device 12 or the memory 18, the processor 11 predicts post-change data after time-series data change in the future.
  • the prediction device 1 uses at least one of the display 15 and the speaker 16 to notify the user of information based on the prediction result.
  • the processor 11 executes the prediction program 121 stored in the storage device 12 and appropriately performs calculations using the calculation data 122, thereby realizing the series of processes described above. More specifically, the processor 11 includes a generator 11A and a predictor 11B as main functional units.
  • the generation unit 11A generates a prediction model for predicting change data.
  • a prediction model is defined by a function (formula) representing the relationship between elapsed time and data that changes over time. Intervals (prediction intervals) targeted for prediction of changes in time-series data by the prediction device 1 include a first prediction interval and a second prediction interval after the first prediction interval.
  • the generating unit 11A joins (adds) a first model suitable for predicting post-change data in the first prediction interval and a second model suitable for predicting post-change data in the second prediction interval. Generate one predictive model.
  • the "suitable model” means the model that reproduces the actual time-series data with the highest accuracy among several models.
  • a "suitable model” is a model that can minimize the difference between the actually obtained CO2 concentration in the prediction interval and the post-change CO2 concentration (post-change data) in the predicted prediction interval.
  • the first model is more suitable than the second model for predicting post-change data in the first prediction interval, and can reproduce actual time-series data in the first prediction interval with higher accuracy than the second model.
  • the second model is more suitable than the first model for predicting post-change data in the second prediction interval, and can reproduce actual time-series data in the second prediction interval with higher accuracy than the first model.
  • the prediction unit 11B predicts post-change data using the prediction model generated by the generation unit 11A.
  • Information based on the prediction result obtained by the prediction unit 11B is output to the display 15 or the speaker 16 by the output device 17.
  • each configuration such as the processor 11 , memory 18 , storage device 12 , and output device 17 provided in the prediction device 1 may be provided within the sensor 14 . That is, in the form of an edge computer, the sensor 14 may be provided with components such as the processor 11, the memory 18, the storage device 12, and the output device 17 as the prediction device 1.
  • FIG. 1 the function of each configuration such as the processor 11 , memory 18 , storage device 12 , and output device 17 provided in the prediction device 1 may be provided within the sensor 14 . That is, in the form of an edge computer, the sensor 14 may be provided with components such as the processor 11, the memory 18, the storage device 12, and the output device 17 as the prediction device 1.
  • FIG. 3 is a diagram showing changes in time-series data predicted by the prediction device 1 according to Embodiment 1.
  • time-series data of CO2 concentration is shown, with the vertical axis representing CO2 concentration and the horizontal axis representing time. Assuming that the prediction device 1 predicts changes in future time-series data at t0, future timings after t0 are represented by t1, t2, t3, and t4.
  • the interval from t0 to t1 is the first prediction interval
  • the interval after t4 is the second prediction interval. That is, the first prediction interval is a future interval closer than the second prediction interval when viewed from the prediction time t0 by the prediction device 1 .
  • the second prediction interval is a future interval farther than the first prediction interval when viewed from the prediction time t0 by the prediction device 1 .
  • Graph A shows the measured CO2 concentration actually obtained by the sensor 14 from t0 to t4 onwards.
  • the change in the time-series data is approximately linear with respect to time change in the first prediction interval of the near future from t0 to t1, and the second prediction interval of the distant future after t4 is expressed as time-series data. Changes in time-series data are expressed non-linearly with respect to changes.
  • the first model is suitable for predicting changes in time-series data in the first prediction interval.
  • the first model is defined by a function (formula) representing the relationship between elapsed time and data that changes over time.
  • the function of the first model is suitable for predicting time-series data in which change over time is linearly expressed.
  • the result of predicting changes in time-series data using the first model is represented by graph G1.
  • the graph G1 is linearly represented so as to approximate the graph A of the actual measurement values, and substantially matches the graph A.
  • the graph G1 tends to separate from the graph A of the measured values.
  • the second model is suitable for predicting changes in time-series data in the second prediction interval.
  • the second model is defined by a function (formula) representing the relationship between elapsed time and data that changes over time.
  • the function of the second model is suitable for predicting time-series data in which change over time is expressed non-linearly.
  • the result of predicting changes in time-series data using the second model is represented by graph G2.
  • the graph G2 is non-linearly represented so as to approximate the graph A of the actual measurement values, and substantially matches the graph A.
  • the graph G2 tends to deviate from the graph A of the measured values.
  • the prediction device 1 By connecting the first model and the second model having such characteristics, the prediction device 1 generates at t0 a prediction model for predicting changes in time-series data in the future after t0.
  • the result of predicting changes in time-series data using the prediction model is represented by graph G0.
  • Graph G0 roughly agrees with graph A of the measured values in both the first prediction interval and the second prediction interval.
  • FIG. 4 is a diagram for explaining processing timings of the prediction device 1 according to the first embodiment. In FIG. 4, the timing of the processing performed by the sensor 14 and the timing of the processing performed by the control device 11 are shown.
  • the controller 11 when the sensor 14 acquires time-series data from t10 to t11, the controller 11 generates a prediction model based on the time-series data (time-series data from t10 to t11) after t11. Along with generating, the generated prediction model is used to predict changes in the time-series data after t11.
  • the control device 11 When the sensor 14 acquires the time-series data over the time from t11 to t12, the control device 11 generates a prediction model based on the time-series data (time-series data from t11 to t12) after t12, and the generated prediction model is used to predict changes in the time-series data after t12.
  • the control device 11 When the sensor 14 acquires the time-series data over the time from t12 to t13, the control device 11 generates a prediction model based on the time-series data (time-series data from t12 to t13) after t13, and the generated prediction model is used to predict changes in the time-series data after t13.
  • the prediction device 1 periodically generates a prediction model based on the time-series data acquired by the sensor 14 for each predetermined time interval, and after the time-series data acquisition target time interval Forecast changes in time-series data using a forecast model for the forecast interval of .
  • the prediction device 1 repeatedly executes such processing for each time interval.
  • the process of generating a predictive model includes performing preprocessing, selecting a plurality of models, selecting a junction function, adjusting parameters, and generating a predictive model using the junction function. step.
  • the processor 11 when the processor 11 acquires the time-series data from the sensor 14, it first performs preprocessing on the time-series data. For example, as preprocessing, the processor 11 interpolates missing data in the time-series data, removes data (outliers) greatly deviating from other data among a plurality of data included in the time-series data, It removes noise that appears in series data and performs conversion using functions (operators). The processor 11 converts the acquired time-series data into data suitable for generating a prediction model by executing preprocessing according to the characteristics of the acquired time-series data.
  • preprocessing the processor 11 interpolates missing data in the time-series data, removes data (outliers) greatly deviating from other data among a plurality of data included in the time-series data, It removes noise that appears in series data and performs conversion using functions (operators).
  • the processor 11 converts the acquired time-series data into data suitable for generating a prediction model by executing preprocessing according to the characteristics
  • the removal of noise included in preprocessing includes the moving average method, smoothing using a state space model, and low-pass filtering. Transformation using a function (operator) included in the preprocessing includes Fourier transform, compressive transformation of feature amounts using principal component analysis, and the like.
  • the processor 11 can perform highly accurate prediction without being affected by noise.
  • the processor 11 directly processes the time-series data acquired from the sensor 14, excluding the preprocessing steps described above. may be used to generate predictive models.
  • processor 11 selects a plurality of models to be used for generating prediction models. For example, in the example shown in FIG. 3, processor 11 uses a first model suitable for prediction in a first prediction interval represented by graph G1 and a second model suitable for prediction in a second prediction interval represented by graph G2. Choose a model and. Data regarding a plurality of models including the first model and the second model are included in the calculation data 122 stored in the storage device 12 .
  • the first model includes a linear function (mathematical formula) represented by the following formula (1). That is, the first model is a linear model in which changes in time-series data with respect to time are linearly expressed.
  • Equation (1) a is a parameter representing the slope.
  • b is a parameter representing the intercept.
  • the second model includes a nonlinear function (mathematical formula) represented by the following formula (2). That is, the second model is a nonlinear model in which changes in time-series data with respect to time are represented nonlinearly.
  • G is a parameter representing the amount of CO 2 generated in the indoor space 20 .
  • Q is a parameter representing the amount of ventilation of CO2 discharged from the indoor space 20 .
  • V is a parameter representing the volume of the indoor space 20 .
  • the processor 11 may select a predetermined model as each of the first model and the second model.
  • the designer of the prediction device 1 selects a model X (for example, a model represented by Equation (1)) determined in advance by analyzing time-series data obtained in advance, as the first model suitable for the first prediction interval. It may be stored in the storage device 12 as one model.
  • the designer of the prediction device 1 selects a model Y (for example, the model represented by Equation (2)) determined in advance by analyzing the time-series data acquired in advance as the second prediction interval suitable for the second prediction interval. 2 models may be stored in the storage device 12 .
  • the processor 11 may select the model X stored in the storage device 12 as the first model and the model Y stored in the storage device 12 as the second model when generating the prediction models. .
  • the processor 11 selects the first model and the second model from among a plurality of types of models based on the result of analyzing the acquired time-series data without predetermining the models corresponding to the first model and the second model.
  • a model corresponding to each of the two models may be selected.
  • the designer of the prediction device 1 may store multiple types of models in the storage device 12 .
  • the processor 11 analyzes the acquired time-series data, and selects at least one of the plurality of types of models stored in the storage device 12 as the first model based on the analysis result. At least one of a plurality of types of models stored in the storage device 12 may be selected as the second model.
  • the processor 11 may select, as the second model, a model different from the model selected as the first model.
  • the processor 11 selects a joining function for joining the selected models.
  • Data relating to the junction function is included in the calculation data 122 stored in the storage device 12 .
  • the processor 11 selects the hyperbolic function represented by Equation (3) below as the junction function.
  • C L (t) is the function of the first model expressed in equation (1).
  • C NL (t) is a function of the second model expressed in equation (2).
  • the processor 11 performs weighting between the first model and the second model when joining the first model and the second model.
  • ⁇ and T 0 are parameters related to weighting when joining the first model and the second model.
  • a "parameter relating to weighting" determines which of the values obtained by the first model and the values obtained by the second model should be preferentially used.
  • CNL Any value greater than (t) is multiplied.
  • ⁇ is a parameter representing the time required for the model to switch from the first model to the second model.
  • T 0 is a parameter that represents the midpoint time in the time when the model switches from the first model to the second model.
  • the larger T0 the longer the time from the prediction time t0 to the model switching.
  • the processor 11 may determine a junction function in advance and select the predetermined junction function.
  • the designer of the prediction device 1 causes the storage device 12 to store a junction function (for example, a hyperbolic function represented by Equation (3)) determined in advance by analyzing time-series data acquired in advance. good too.
  • Processor 11 may then select the junction function stored in storage device 12 when generating the predictive model.
  • the processor 11 may select a joining function to be adopted from among multiple types of joining functions based on the results of analyzing the acquired time-series data without predetermining the joining function.
  • the designer of prediction device 1 may store a plurality of types of junction functions such as junction function A to junction function E in storage device 12 .
  • the processor 11 analyzes the acquired time-series data when generating the prediction model, and selects at least one of the plurality of types of junction functions stored in the storage device 12 based on the analysis result. good too.
  • processor 11 adjusts the parameters, as shown in FIG. For example, in the example shown in FIG. 3, processor 11 adjusts the parameters (a,b) of the first model represented by equation (1). Processor 11 adjusts the parameters (C 0 , G/Q, Q/V) of the second model represented by equation (2). Processor 11 adjusts the parameters ( ⁇ , T 0 ) of the junction function expressed in equation (3).
  • processor 11 may adjust all of the parameters in each of the junction function and the plurality of models, or may adjust the parameters in at least one of the junction function and the plurality of models.
  • the designer of the prediction device 1 previously determines the values of the parameters ( ⁇ , T 0 ) of the junction function by analyzing time-series data acquired in advance. Specifically, the designer of the prediction device 1 preliminarily stores 1000 seconds as the value of ⁇ and 600 seconds as the value of T0 in the storage device 12 . Processor 11 is then configured to use the values of ⁇ and T 0 stored in storage device 12 as parameters of the junction function.
  • FIG. 5 is a diagram for explaining parameter adjustment of the first model in the prediction device 1 according to Embodiment 1.
  • FIG. 5 is a diagram for explaining parameter adjustment of the first model in the prediction device 1 according to Embodiment 1.
  • time-series data of CO2 concentration is shown, with the vertical axis representing CO2 concentration and the horizontal axis representing time.
  • the processor 11 determines the parameters (a, b) of the first model represented by Equation (1) by using the known least squares method.
  • the processor 11 extracts a predetermined number of recent data from past time-series data acquired from the sensor 14 .
  • the processor 11 calculates the parameters (a, b) of the first model by using the method of least squares based on the plurality of extracted data.
  • FIG. 6 is a diagram for explaining parameter adjustment of the second model in the prediction device 1 according to Embodiment 1.
  • FIG. 6 is a diagram for explaining parameter adjustment of the second model in the prediction device 1 according to Embodiment 1.
  • the vertical axis indicates the CO2 concentration
  • the horizontal axis indicates time-series data of the CO2 concentration.
  • the processor 11 determines the parameters (C 0 , G/Q, Q/V) of the second model represented by Equation (2) by using a known simultaneous equation operation.
  • the processor 11 extracts a specific number of pieces of data from past time-series data acquired from the sensor 14 .
  • the processor 11 divides the plurality of extracted data into a plurality of sections in chronological order.
  • the processor 11 calculates the average CO2 concentration and average time of a plurality of data belonging to each interval.
  • the processor 11 calculates C1 as the average CO2 concentration and calculates t21 corresponding to C1 as the average time based on a plurality of data belonging to the first interval.
  • the processor 11 calculates C2 as the average CO2 concentration and t22 corresponding to C2 as the average time based on the plurality of data belonging to the second interval.
  • the processor 11 calculates C3 as the average CO2 concentration and t23 corresponding to C3 as the average time based on the plurality of data belonging to the third interval.
  • the processor 11 calculates the difference ⁇ t between the average time t21 of the plurality of data belonging to the first interval and the average time t22 of the plurality of data belonging to the second interval.
  • the processor 11 calculates the difference ⁇ t′ between the average time t22 of the plurality of data belonging to the second interval and the average time t23 of the plurality of data belonging to the third interval.
  • formula (2) can be expressed as formula (4) below.
  • the processor 11 can formulate the following simultaneous equations (5) by using the equations (4) and C1, C2, C3, ⁇ t, and ⁇ t' described above.
  • processor 11 may formulate the following simultaneous equations (6) by using the equations (4) and C1, C2, C3, ⁇ t, and ⁇ t' described above.
  • the processor 11 calculates the parameters (C 0 , G/Q, Q/V) of the second model by solving the simultaneous equations (5) or (6).
  • processor 11 After adjusting the parameters, processor 11 generates a prediction model by joining multiple models using a joining function. For example, in the example shown in FIG. 3, processor 11 uses a first model suitable for prediction in a first prediction interval represented by graph G1 and a second model suitable for prediction in a second prediction interval represented by graph G2. and the model using the hyperbolic function represented by Equation (3), a prediction model represented by graph G0 is generated. At this time, the processor 11 performs apply the values determined by parameter tuning.
  • the prediction device 1 uses the prediction model generated through the steps described above to predict changes in the time-series data so as to roughly match the measured values of the CO2 concentration actually obtained by the sensor 14. can be done.
  • the processor 11 may adjust the parameters in each of the first model and the second model, or may adjust at least one parameter of the first model and the second model. For example, the processor 11 may predetermine the parameters (C 0 , G/Q, Q/V) of the second model while adjusting the parameters (a,b) of the first model. Alternatively, the processor 11 may predetermine the parameters (a, b) of the first model while adjusting the parameters (C 0 , G/Q, Q/V) of the second model.
  • FIG. 7 is a diagram showing a display mode of display 15 in prediction device 1 according to Embodiment 1. As shown in FIG. The processor 11 causes the display 15 to display an image based on the prediction result by outputting the prediction result to the display 15 using the output device 17 .
  • the display 15 displays an image regarding the CO2 concentration in the indoor space 20, as shown in FIG.
  • the screen displayed on the display 15 includes an icon 151 indicating the current CO2 concentration in the indoor space 20, a graph 152 indicating changes in the CO2 concentration in the indoor space 20, and the remaining time until ventilation of the indoor space 20 becomes necessary.
  • An icon 153 indicating (predicted arrival time) and an icon 154 for enabling voice notification of the prediction result by the speaker 16 are included.
  • the user may enable or disable the voice notification by performing a touch operation on the icon 154, or enable or disable the voice notification by operating the icon 154 using a tool such as a mouse (not shown). You can set it to disabled.
  • the prediction device 1 periodically generates a prediction model for each predetermined time interval, and uses the generated prediction model to predict changes in the CO2 concentration in the indoor space 20. Thus, the remaining time until the indoor space 20 needs to be ventilated is calculated. Then, the prediction device 1 notifies the user of the calculated remaining time using the icon 153 .
  • the prediction device 1 outputs to the display 15 the predicted arrival time from the predicted point of time when the post-change data is predicted to the predicted arrival time when the post-change data is predicted to reach the threshold. Note that the prediction device 1 may output the predicted arrival time to the display 15 instead of the predicted arrival time.
  • the prediction device 1 predicts post-change data for each future time at a first prediction time point, calculates a first predicted arrival time at which the post-change data is predicted to reach a threshold value, and then calculates the first prediction time.
  • the post-change data may be predicted again for each future hour at a second prediction time point after the time point, and a second predicted arrival time at which the post-change data is predicted to reach the threshold value may be calculated. Then, when the time between the first predicted arrival time and the second predicted arrival time is equal to or longer than a predetermined time, the prediction device 1 specifies that the predicted arrival time calculated at the first predicted time has changed. signal may be output.
  • the prediction device 1 may notify the user through the display 15 of the change in the predicted arrival time by outputting to the display 15 a signal specifying that the predicted arrival time has changed.
  • the "threshold value" described above is an index value indicating that ventilation is required, and corresponds to, for example, a fourth threshold value described later.
  • the prediction device 1 can prompt the user to ventilate before the CO2 concentration in the indoor space 20 increases.
  • FIG. 8 is a flowchart regarding processing executed by the processor 11 of the prediction device 1 according to the first embodiment.
  • the processor 11 periodically executes the process of the flowchart shown in FIG. 8 by executing the prediction program 121 stored in the storage device 12 .
  • S2 to S8 in the drawing correspond to the processing of the generation unit 11A of the processor 11.
  • FIG. S9 and S10 in the figure correspond to the processing of the prediction section 11B of the processor 11.
  • the processor 11 determines whether or not time-series data for a predetermined period of time has been acquired (S1). For example, as shown in FIG. 4, when the prediction time is t11, the processor 11 determines whether or not the time-series data has been acquired over the time from t10 to t11. If the processor 11 has not acquired the time-series data for the predetermined time (NO in S1), it ends this process.
  • the processor 11 acquires time-series data for a predetermined period of time (YES in S1), it shifts to processing for generating a prediction model. Specifically, first, the processor 11 performs preprocessing (S2).
  • the processor 11 selects a plurality of models (S3). For example, processor 11 selects the linear model represented by equation (1) as the first model and selects the nonlinear model represented by equation (2) as the second model.
  • the processor 11 selects a joining function for joining the selected models (S4). For example, processor 11 selects the hyperbolic function represented by equation (3) as the junction function.
  • the processor 11 calculates the parameters of the first model (S5). For example, processor 11 calculates the parameters (a, b) of the first model represented by equation (1). Note that the parameters (a, b) of the first model can be calculated using the method of least squares, as described with reference to FIG.
  • Processor 11 calculates the parameters of the second model (S6). For example, processor 11 calculates the parameters (C 0 , G/Q, Q/V) of the second model represented by equation (2). Note that, as described with reference to FIG. 6, the parameters (C 0 , G/Q, Q/V) of the second model can be calculated using simultaneous equations.
  • the processor 11 calculates parameters for weighting (S7). For example, processor 11 calculates the parameters ( ⁇ , T 0 ) of the hyperbolic function represented by equation (3). As described above, the parameters ( ⁇ , T 0 ) related to weighting are predetermined by the designer of the prediction device 1, so the processor 11 stores the values of ⁇ and T 0 stored in advance in the storage device 12. is used as a weighting parameter.
  • Processor 11 generates a prediction model by joining a plurality of models using a joining function (S8). For example, the processor 11 joins the first model represented by Equation (1) and the second model represented by Equation (2) using the hyperbolic function represented by Equation (3). , to generate a prediction model. At this time, the processor 11 performs apply the values determined by parameter tuning.
  • processor 11 shifts to processing for predicting changes in time-series data using the generated prediction model. Specifically, processor 11 calculates a predicted value using a prediction model (S9). For example, as shown in FIG. 3, when the current time is t0, the processor 11 calculates the value (prediction value) of post-change data in prediction intervals including the first prediction interval and the second prediction interval. Note that the processor 11 may calculate the predicted values of all the time-series data obtained in the prediction interval, or calculate only a part of the predicted values of all the time-series data obtained in the prediction interval. can be calculated.
  • a prediction model S9
  • the processor 11 outputs the prediction result including the calculated predicted value to at least one of the display 15 and the speaker 16 (S10). After that, the processor 11 terminates this process.
  • FIG. 9 is a flowchart regarding another process executed by the processor 11 of the prediction device 1 according to Embodiment 1.
  • the prediction device 1 may be configured to execute the process shown in FIG. 8, or may be configured to execute the process shown in FIG.
  • the processor 11 periodically executes the process of the flowchart shown in FIG. 9 by executing the prediction program 121 stored in the storage device 12 .
  • “S” is used as an abbreviation for "STEP".
  • the processor 11 executes the processes of S1 to S4, calculates the parameters of the first model in S5, and then executes the process of S11.
  • the processor 11 roughly determines how the time series data is changing.
  • the processor 11 uses a first threshold indicating a value of 0 or less and a second threshold indicating a value of 0 or more, and if the slope a is greater than or equal to the first threshold and less than or equal to the second threshold, Unnecessary calculations can be omitted by determining that the data is in a steady state and terminating this processing flow without generating a prediction function and performing prediction.
  • the processor 11 determines whether the slope a among the calculated parameters is equal to or greater than the first threshold and equal to or less than the second threshold (S11). For example, when the slope a is less than the first threshold when the first threshold is a value of 0 or less, that is, when the slope a takes a negative value, the graph of the linear model represented by Equation (1) is It slopes down to the right as time elapses. In this case, the time-series data decreases with the passage of time. For example, when the slope a exceeds the second threshold when the second threshold is a value of 0 or more, that is, when the slope a takes a positive value, the graph of the linear model represented by Equation (1) increases to the right with the passage of time. In this case, time-series data increases with the passage of time.
  • the processor 11 determines whether the slope a is less than the first threshold or exceeds the second threshold (NO in S11). If the slope a is less than the first threshold or exceeds the second threshold (NO in S11), the processor 11 generates a prediction model by executing the processes of S6 to S8.
  • the processor 11 calculates the predicted value using the prediction model in S9, and then executes the process of S12.
  • the processor 11 can use the calculated predicted value to calculate the time required for the time-series data to reach the reference value (predicted arrival time).
  • the processor 11 can use the calculated predicted value to calculate the time required for the time-series data to reach the reference value (predicted arrival time).
  • CO2 concentration As time-series data will be described. For example, when the CO2 concentration is gradually decreasing due to ventilation, the processor 11 calculates the predicted arrival time until the predicted value reaches the third threshold value, which is an index value indicating sufficient ventilation. If the CO2 concentration is increasing, the processor 11 calculates a predicted arrival time until the predicted value reaches the fourth threshold, which is an indicator of the need for ventilation.
  • the processor 11 By calculating and outputting these predicted arrival times, the processor 11 allows the user to know how long it will take until the end of ventilation or the need for ventilation.
  • the third threshold and the fourth threshold a value or an index value determined by the laws of each country, a value specified by the user, or the like can be used.
  • the processor 11 determines whether the slope a is less than the first threshold and the predicted value is less than the third threshold, or whether the slope a exceeds the second threshold and the predicted value exceeds the fourth threshold. It is determined whether or not (S12). That is, the processor 11 determines whether the time-series data decreases with the passage of time and the predicted value is less than the third threshold, or whether the time-series data increases with the passage of time and the predicted value is the fourth threshold. Determine whether or not the threshold is exceeded.
  • the time-series data decreases with the passage of time and the predicted value is not less than the third threshold (NO in S12), for example, the CO2 concentration decreases during ventilation, ventilation is performed at that pace. is not expected to reach the third threshold value even if .
  • the time-series data increases with the passage of time and the predicted value is not equal to or greater than the fourth threshold (NO in S12), for example, the CO2 concentration is increasing, but the ventilation is required If it is predicted that the predicted value will not reach the value (fourth threshold value), this process ends.
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which decreases with the lapse of time, becomes less than the third threshold.
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which decreases with the lapse of time, becomes less than the third threshold.
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which decreases with the lapse of time, becomes less than the third threshold.
  • the time-series data increases over time and a part of the predicted value exceeds the fourth threshold (YES in S12)
  • the CO2 concentration increases and ventilation is required.
  • the process proceeds to S13.
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which increases with the lapse of time, exceeds the fourth threshold.
  • the processor 11 calculates the predicted arrival time from the predicted time to the predicted arrival time (S14), and outputs the prediction result including the calculated predicted arrival time to at least one of the display 15 and the speaker 16 (S10). For example, the processor 11 outputs to the display 15 a signal for displaying an image based on the estimated arrival time calculated in the process of S13. Alternatively, processor 11 outputs to display 15 a signal for displaying an image (for example, the image of icon 153 in FIG. 7) based on the estimated arrival time calculated in the process of S14.
  • the processor 11 when the icon 154 indicates that the sound notification by the speaker 16 is enabled, the processor 11 outputs a sound signal based on the predicted arrival time calculated in the process of S13 or a sound signal based on the predicted arrival time calculated in the process of S14. signal is output to the speaker 16 . After that, the processor 11 terminates this process.
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which decreases with the lapse of time, becomes less than the third threshold, the CO2 concentration in the indoor space 20 is declining. Therefore, at least one of the estimated arrival time and the estimated arrival time until ventilation can be finished should be notified by the display 15 and the speaker 16 .
  • the processor 11 calculates the predicted arrival time when the predicted value of the time-series data, which increases with the passage of time, exceeds the fourth threshold, the CO2 concentration in the indoor space 20 is increasing. , at least one of the predicted arrival time and the predicted arrival time until the CO2 concentration at which ventilation needs to be reached is notified by the display 15 and the speaker 16 .
  • the prediction device 1 includes the first model represented by Equation (1) suitable for prediction in the first prediction interval, and the second prediction interval after the first prediction interval Generate a prediction model by joining the second model represented by formula (2) suitable for prediction in using the hyperbolic function represented by formula (3), and use the generated prediction model at time Predict changes in series data.
  • the prediction device 1 predicts changes in the time-series data using only the first model
  • the first prediction interval in the near future as represented by the graph G1
  • the second prediction interval in the far future has a value similar to the measured value, as represented by the graph G2.
  • the prediction apparatus 1 is not limited to predicting changes in time-series data in the first prediction interval using the first model. Since changes in the time-series data in the second prediction interval can also be predicted, changes in the time-series data can be accurately predicted over a long period of time.
  • the prediction device 1 uses the prediction model generated by joining the first model and the second model, so that in the prediction interval between the first prediction interval and the second prediction interval, the first model It is possible to obtain a prediction result that reflects the prediction results of both the model and the second model.
  • the prediction device 1 performs weighting between the first model and the second model when joining the first model and the second model.
  • the prediction device 1 can adjust the period for prediction using the first model and the period for prediction using the second model by weighting. Furthermore, in the prediction interval between the first prediction interval and the second prediction interval, the prediction device 1 produces a prediction result that reflects the prediction results of both the first model and the second model at a ratio adjusted by weighting. can be obtained.
  • the prediction device 1 adjusts at least one parameter of the first model and the second model based on past time-series data acquired by the sensor 14 .
  • the prediction device 1 can make highly accurate predictions using parameter values that adapt to changes in time-series data.
  • the prediction device 1 displays an image based on the prediction result on the display 15 and outputs sound based on the prediction result from the speaker 16.
  • the prediction device 1 can notify the user of information based on the prediction result (for example, the remaining time until the indoor space 20 needs to be ventilated).
  • the prediction result is not limited to the first prediction interval in the near future, and the prediction result in the second prediction interval in the distant future is also used. can be notified to the user. Therefore, the user can easily know the remaining time until the indoor space 20 needs to be ventilated, for example.
  • FIG. 10 is a diagram showing the configuration of prediction device 100 according to Embodiment 2. As shown in FIG. Only parts of the prediction device 100 according to the second embodiment that are different from the prediction device 1 according to the first embodiment will be described below.
  • a prediction system 1000 that predicts changes in time-series data includes a prediction device 100 that functions as a server device, a monitoring device 200, and a notification device 300.
  • the prediction device 100 includes a media reading device 13.
  • the media reader 13 receives a removable disk 5 as a storage medium, reads various programs and data stored in the removable disk 5, and reads various programs and data stored in the storage device 12 to the removable disk. Output to 5.
  • the media reading device 13 acquires the prediction program 121 and the calculation data 122 stored in the removable disk 5 and outputs the acquired prediction program 121 and the calculation data 122 to the storage device 12 .
  • the storage device 12 stores a prediction program 121 and calculation data 122 obtained from the media reading device 13 .
  • the prediction device 100 also uses various programs and data pre-stored in the storage device 12 without using the media reading device 13, or uses various programs and data downloaded from the network. You can
  • the prediction device 100 further includes a communication device 110.
  • the communication device 110 is an example of an output device, and is configured to transmit and receive data to and from each of the monitoring device 200 and the notification device 300 through communication via the network 500 .
  • the monitoring device 200 includes a communication device 210, a first sensor 214A, and a second sensor 214B.
  • the communication device 210 is configured to transmit and receive data to and from the prediction device 100 through communication via the network 500.
  • Each of the first sensor 214A and the second sensor 214B measures time-series data that changes over time, such as CO2 concentration, humidity, and temperature.
  • the first sensor 214A may measure the same type of time-series data as the second sensor 214B, or may measure a different type of time-series data from the second sensor 214B.
  • the monitoring device 200 may measure time-series data using only the first sensor 214A.
  • the notification device 300 includes a communication device 310, a display 315, and a speaker 316.
  • the communication device 310 is configured to transmit and receive data to and from the prediction device 100 through communication via the network 500 .
  • the display 315 displays various images such as an image based on the prediction result of changes in time-series data acquired from the prediction device 100 .
  • the speaker 316 outputs various sounds such as sounds based on prediction results of changes in time-series data acquired from the prediction device 100 .
  • the monitoring device 200 transmits the time-series data obtained by each of the first sensor 214A and the second sensor 214B to the prediction device 100 via the communication device 210.
  • the prediction device 100 predicts changes in the time-series data based on the time-series data acquired from the monitoring device 200, and transmits data based on the prediction result to the notification device 300 via the communication device 110.
  • the notification device 300 notifies the user of information based on the prediction result obtained from the prediction device 100 through at least one of the display 315 and the speaker 316 .
  • the prediction device 100 predicts changes in time-series data based on the time-series data acquired by the monitoring device 200, and outputs data based on the prediction results to the notification device 300.
  • This allows the user to obtain prediction results of changes in time-series data while installing the prediction device 100 at a location separate from the sensors, displays, and speakers.
  • the prediction device 100 can exist in a cloud computing manner at a location separate from the sensors, displays, and speakers installed in the indoor space 20 .
  • the prediction system 1000 may include a plurality of monitoring devices 200 and connect the plurality of monitoring devices 200 to the prediction device 100. Furthermore, the prediction system 1000 may include a device in which the monitoring device 200 and the notification device 300 are integrated. By integrating the monitoring device 200 and the notification device 300, the communication device can be shared, so that the size and cost of the prediction system 1000 can be reduced.
  • the prediction system 1000 may be configured using a closed network, such as an in-house LAN (Local Area Network). In this way, it is possible to construct an environment in which in-house environmental management is performed only within the company. .
  • a closed network such as an in-house LAN (Local Area Network).
  • FIG. 11 is a diagram for explaining timings of processing of the prediction device according to the third embodiment. Only parts of the prediction device according to the third embodiment that are different from the prediction device 1 according to the first embodiment will be described below.
  • processor 11 predicts changes in time-series data based on time-series data in one time interval, and then predicts changes in time-series data in the next time interval. Predict changes in time-series data based on the data. At this time, the processor 11 may partially overlap the time-series data in one time interval and the time-series data in the next time interval.
  • the processor 11 when the sensor 14 acquires time series data from t30 to t33, the processor 11 generates a forecast model based on the time series data (time series data from t30 to t33) after t33, and the generated forecast The model is used to predict changes in time-series data after t33.
  • the processor 11 When the sensor 14 acquires time series data over the time from t31 to t34, the processor 11 generates a forecast model based on the time series data (time series data from t31 to t34) after t34, and the generated forecast model is used to predict changes in time-series data after t34.
  • the processor 11 When the sensor 14 acquires the time series data over the time from t32 to t35, the processor 11 generates a prediction model based on the time series data (time series data from t32 to t35) after t35, and the generated prediction model is used to predict changes in time-series data after t35.
  • time series data from t30 to t33 partially overlaps the time series data from t31 to t34 and the time series data from t32 to t35.
  • the prediction apparatus uses time-series data including data partially overlapping with the time-series data used for the previous prediction when predicting changes in time-series data. It is possible to predict changes in time-series data in shorter cycles while securing a sufficient amount of past time-series data necessary for predicting changes in the series data.
  • the sensor that acquires time-series data from t30 to t33, the sensor that acquires time-series data from t31 to t34, and the sensor that acquires time-series data from t32 to t35 are different sensors.
  • control device 11 may execute processing for confirming the accuracy of the generated prediction model. . Processor 11 may then adjust the weighting parameters ( ⁇ , T 0 ).
  • the processor 11 checks the accuracy of the prediction model using the function (distance function) represented by Equation (7) below, thereby adjusting the weighting parameters ( ⁇ , T 0 ).
  • C R (t) is a function representing the actual measurement value at time t.
  • C R (t) may be a function indicating the corrected measured value after executing the preprocessing.
  • C W (t) is a function of the prediction model (eg, a hyperbolic function).
  • the processor 11 calculates the value of the parameter ( ⁇ , T 0 ) that minimizes the sum F of the functions represented by Equation (7), and applies the calculated value to the function of the prediction model to obtain the prediction
  • the model can be optimized.
  • the processor 11 adjusts the parameters ( ⁇ , T 0 ) related to weighting when joining the first model and the second model, thereby performing highly accurate prediction according to changes in the time-series data. be able to.
  • the processor 11 may use a known distance function such as the Eugrid distance and the Manhattan distance when comparing the predicted value by the prediction model and the actual value using the distance function. Furthermore, the processor 11 may use a known Kalman filter to compare the predicted value by the prediction model and the actual value.
  • a known distance function such as the Eugrid distance and the Manhattan distance
  • the processor 11 may use a known Kalman filter to compare the predicted value by the prediction model and the actual value.
  • FIG. 12 is a diagram showing changes in time-series data predicted by the prediction device according to Embodiment 4.
  • FIG. 12 Only parts of the prediction device according to the fourth embodiment that are different from the prediction device 1 according to the first embodiment will be described below.
  • the prediction device includes the first prediction
  • a third model is selected that is suitable for prediction in a third prediction interval between the interval and the second prediction interval.
  • the third model is more suitable for predicting post-change data in the third prediction interval than the first and second models.
  • a prediction device generates a prediction model by joining the first model, the second model, and the third model.
  • the prediction device includes a first model suitable for prediction in the first prediction interval, a second model suitable for prediction in the second prediction interval after the first prediction interval, Generate a prediction model by joining a third model suitable for prediction in a third prediction interval between the first prediction interval and the second prediction interval using a joining function, and use the generated prediction model Predict changes in time series data.
  • the prediction device is not limited to predicting changes in time-series data in the first prediction interval using the first model, but also uses the second model or the third model to make predictions after the first prediction interval. Since it is possible to predict changes in time-series data in intervals, changes in time-series data can be accurately predicted over a long period of time.
  • the prediction device 1 may generate a prediction model using the following formula when generating a prediction model using three or more models.
  • the prediction device 1 joins the first model and the second model using Equation (8) below.
  • the prediction device 1 joins the third model to the model generated by Equation (8) by using Equation (9) below.
  • the prediction device 1 repeats the calculation described using equations (8) and (9) N times corresponding to the number of models according to equation (10) below.
  • the function represented by formula (15) below is not limited to the first model suitable for prediction in the first prediction interval.
  • the model corresponding to the earliest prediction interval may be applied to the function represented by the following formula (15).
  • each of the multiple models used to generate the prediction model calculates the output (for example, CO2 concentration) with respect to the input (for example, time)
  • Any known model can be used.
  • each of the plurality of models may be a model using neural networks, a model using support vector regression, a model using logistic regression, a model using linear regression, a state space model, a model using Gaussian process regression, and at least one model using autoregression.
  • 1,100 predictor 5 removable disk, 11 processor, 11A generator, 11B predictor, 12 storage device, 13 media reader, 14 sensor, 15,315 display, 16,316 speaker, 17 output device, 18 memory, 20 Indoor space, 21 Windows, 22 Doors, 110, 210, 310 Communication devices, 121 Prediction program, 122 Calculation data, 123 Time-series data, 151, 153, 154 Icons, 152 Graphs, 200 Monitoring device, 214A First sensor , 214B second sensor, 300 notification device, 500 network, 1000 prediction system.

Abstract

予測装置（１）は、時系列データを記憶するメモリ（１８）と、メモリ（１８）に記憶された時系列データと、予測モデルとに基づき、時系列データが変化した後の変化後データを予測するプロセッサ（１１）とを備える。予測モデルは、第１モデルと、第２モデルとを含む。第１モデルは、第２モデルよりも、第１予測区間における変化後データの予測に適している。第２モデルは、第１モデルよりも、第１予測区間の後の第２予測区間における変化後データの予測に適している。プロセッサ（１１）は、時系列データと、予測モデルとに基づき、第１予測区間と第２予測区間との間の区間における変化後データを予測する。

Description

予測装置、予測方法、および予測プログラム
　本開示は、時系列データの変化を予測する予測装置、予測方法、および予測プログラムに関する。
　従来、時間の経過に伴って変化するデータ（以下、「時系列データ」とも称する。）を予測する技術が公知である。特開２０１６－１２６７１８号公報（特許文献１）は、過去の時系列データを時間区間ごとに解析することで、未来における時系列データの変化を予測する予測装置を開示する。特許文献１に開示された予測装置は、一の時間区間における過去の時系列データの解析結果に基づき一のカーネル関数を選択し、選択したカーネル関数をサポートベクトル回帰に適用させることで、一の時間区間以降の時系列データの変化を予測するように構成されている。
特開２０１６－１２６７１８号公報
　特許文献１に開示された予測装置は、解析対象となった一の時間区間に対して一のカーネル関数を選択するように構成されているため、選択したカーネル関数が対応可能な予測区間については時系列データの変化を精度よく予測することができる。しかしながら、予測装置は、選択したカーネル関数が対応可能な範囲を超える長さの予測区間については解析結果を考慮することができないため、長時間に亘って時系列データの変化を精度よく予測することができないおそれがあった。
　本開示は、このような課題を解決するためになされたものであって、その目的は、長時間に亘って時系列データの変化を精度よく予測する技術を提供することである。
　本開示のある局面に従う予測装置は、時系列データを記憶するメモリと、メモリに記憶された時系列データと、予測モデルとに基づき、時系列データが変化した後の変化後データを予測するプロセッサとを備える。予測モデルは、第１モデルと、第２モデルとを含む。第１モデルは、第２モデルよりも、第１予測区間における変化後データの予測に適している。第２モデルは、第１モデルよりも、第１予測区間の後の第２予測区間における変化後データの予測に適している。プロセッサは、時系列データと、予測モデルとに基づき、第１予測区間と第２予測区間との間の区間における変化後データを予測する。
　本開示の他の局面に従う予測方法は、時系列データを記憶する記憶ステップと、記憶ステップによって記憶された時系列データと、予測モデルとに基づき、時系列データが変化した後の変化後データを予測する予測ステップとを含む。予測モデルは、第１モデルと、第２モデルとを含む。第１モデルは、第２モデルよりも、第１予測区間における変化後データの予測に適している。第２モデルは、第１モデルよりも、第１予測区間の後の第２予測区間における変化後データの予測に適している。予測ステップは、時系列データと、予測モデルとに基づき、第１予測区間と第２予測区間との間の区間における変化後データを予測するステップを含む。
　本開示の他の局面に従う予測プログラムは、コンピュータに、時系列データを記憶する記憶ステップと、記憶ステップによって記憶された時系列データと、予測モデルとに基づき、時系列データが変化した後の変化後データを予測する予測ステップとを実行させる。予測モデルは、第１モデルと、第２モデルとを含む。第１モデルは、第２モデルよりも、第１予測区間における変化後データの予測に適している。第２モデルは、第１モデルよりも、第１予測区間の後の第２予測区間における変化後データの予測に適している。予測ステップは、時系列データと、予測モデルとに基づき、第１予測区間と第２予測区間との間の区間における変化後データを予測するステップを含む。
　本開示の予測装置、予測方法、および予測プログラムによれば、第１予測区間における時系列データの変化後データの予測に適した第１モデルと、第１予測区間よりも後の第２予測区間における時系列データの変化後データの予測に適した第２モデルと含む予測モデルを用いて、第１予測区間と第２予測区間との間の区間における変化後データを予測することができる。これにより、本開示の予測装置、予測方法、および予測プログラムは、第１モデルを用いて第１予測区間における時系列データの変化を予測することに限らず、第１モデルと第２モデルとを含む予測モデルを用いて第１予測区間と第２予測区間との間の区間における時系列データの変化も予測することができるため、長時間に亘って時系列データの変化を精度よく予測することができる。
実施の形態１に係る予測装置の適用例を説明するための図である。 実施の形態１に係る予測装置の構成を示す図である。 実施の形態１に係る予測装置が予測する時系列データの変化を示す図である。 実施の形態１に係る予測装置の処理のタイミングを説明するための図である。 実施の形態１に係る予測装置において第１モデルのパラメータ調整を説明するための図である。 実施の形態１に係る予測装置において第２モデルのパラメータ調整を説明するための図である。 実施の形態１に係る予測装置におけるディスプレイの表示態様を示す図である。 実施の形態１に係る予測装置の制御装置が実行する処理に関するフローチャートである。 実施の形態１に係る予測装置の制御装置が実行する別の処理に関するフローチャートである。 実施の形態２に係る予測装置の構成を示す図である。 実施の形態３に係る予測装置の処理のタイミングを説明するための図である。 実施の形態４に係る予測装置が予測する時系列データの変化を示す図である。
　以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。
　［実施の形態１］
　図１～図９を参照しながら、実施の形態１に係る予測装置１について説明する。
　（適用例）
　図１は、実施の形態１に係る予測装置１の適用例を説明するための図である。実施の形態１に係る予測装置１は、取得した過去の時系列データを解析することで、未来における時系列データの変化を予測する。時系列データとは、たとえば一のセンサなどの同一ソースから時系列で得られた複数のデータを時系列の順に並べたデータ群を意味する。
　たとえば、図１に示されるように、室内空間２０において窓２１およびドア２２が閉じられた状態で複数人が会議を行った場合、室内空間２０における二酸化炭素（以下、「ＣＯ２」（carbon dioxide）とも称する。）の濃度が上昇し得る。閉じられた室内空間２０でＣＯ２濃度が増大することを避けるためには、定期的に窓２１またはドア２２を開けることでＣＯ２を外部に排出することが必要である。
　そこで、実施の形態１に係る予測装置１は、時間の経過に伴って変化する室内空間２０のＣＯ２濃度を解析することで、未来においてＣＯ２濃度が変化した後のＣＯ２濃度（以下、「変化後データ」とも称する。）を予測する。さらに、予測装置１は、変化後データが閾値に到達すると予測される到達予測時刻と、予測時点（予測時刻）から到達予測時刻に達するまでの到達予測時間とを算出し、算出した到達予測時刻および到達予測時間のうちの少なくとも１つを予測装置１のユーザ（この例では会議を行っている人）に通知する。予測時点（予測時刻）は、変化後データの予測を開始する時点（時刻）から予測結果を算出するまでの時点（時刻）までの少なくとも１つの時点（時刻）である。
　具体的には、予測装置１は、後述する図２に示されるようにセンサ１４を備える。センサ１４は、室内空間２０におけるＣＯ２濃度を定期的に測定する。予測装置１は、センサ１４によって取得されたＣＯ２濃度の変化を解析することで、未来においてＣＯ２濃度が変化した後の変化後データを予測し、予測結果に基づいて換気をすべき到達予測時刻と、予測時点から到達予測時刻に達するまでの到達予測時間を算出する。予測装置１は、算出した到達予測時刻および到達予測時間のうちの少なくとも１つをユーザに通知するための画像をディスプレイ１５に表示させたり、算出した到達予測時刻および到達予測時間のうちの少なくとも１つをユーザに通知するための音をスピーカ１６から出力させたりする。
　これにより、予測装置１は、室内空間２０におけるＣＯ２濃度の変化を予測した結果を用いて、適切なタイミングでユーザに換気を促すことができる。よって、ユーザは、閉じられた室内空間２０でＣＯ２濃度が増大する前に、換気を行うことができる。
　なお、予測装置１が予測する「変化後データ」は、ＣＯ２濃度に限らず、湿度および温度など、時間の経過に伴って変化する他のデータであってもよい。センサ１４は、ＣＯ２濃度に限らず、湿度および温度など、時間の経過に伴って変化する他のデータを測定してもよい。
　（予測装置の構成）
　図２は、実施の形態１に係る予測装置１の構成を示す図である。図２に示されるように、予測装置１は、プロセッサ１１と、メモリ１８と、記憶装置１２と、センサ１４と、出力装置１７とを備える。
　プロセッサ１１は、コンピュータの一例であり、各種のプログラムに従って各種の処理を実行する演算主体である。制御装置１１は、たとえば、ＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）、およびＭＰＵ（Multi Processing Unit）のうちの少なくとも１つを備える。なお、プロセッサ１１は、演算回路（Processing Circuitry）で構成されていてもよい。
　メモリ１８は、ＤＲＡＭ（Dynamic Random Access Memory）およびＳＲＡＭ（Static Random Access Memory）などの揮発性メモリ、ＲＯＭ（Read Only Memory）およびフラッシュメモリなどの不揮発性メモリを備える。メモリ１８は、センサ１４によって取得された時系列データ１２３を一時的に記憶する。時系列データ１２３は、プロセッサ１１が変化後ＣＯ２濃度を予測する際に用いられる。
　記憶装置１２は、ＨＤＤ（Hard Disk Drive）およびＳＳＤ（Solid State Drive）などの不揮発性メモリを備える。記憶装置１２は、制御装置１１によって実行される予測プログラム１２１、プロセッサ１１が参照する演算用データ１２２、およびセンサ１４によって取得された時系列データ１２３など、各種のプログラムおよびデータを格納する。ユーザは、プロセッサ１１、記憶装置１２、および出力装置１７を一体化したコンピュータまたはサーバ装置を使用することで、時系列データの変化を予測するが可能である。
　予測プログラム１２１は、プロセッサ１１の機能部である生成部１１Ａおよび予測部１１Ｂの処理手順（図８および図９に示す処理フロー）が規定されたプログラムを含む。演算用データ１２２は、予測プログラム１２１に従った処理を実行するときに用いられるデータであり、変化後データを予測する予測モデルを生成するためのデータ（たとえば、後述する第１モデル、第２モデル、および接合関数に関するデータなど）を含む。
　なお、予測装置１は、予測プログラム１２１および演算用データ１２２を予め記憶装置１２に格納していてもよいし、データ通信によって、図示しないサーバ装置から予測プログラム１２１および演算用データ１２２を取得してもよい。また、プロセッサ１１が予測モデルを生成する場合に限らず、予測装置１は、準備していた予測モデルを予め記憶装置１２に格納していてもよい。さらに、図１０を用いて後述するように、予測装置１は、メディア読取装置１３をさらに備えてもよい。そして、予測装置１は、メディア読取装置１３によって記憶媒体であるリムーバブルディスク５を受け入れて、リムーバブルディスク５から予測プログラム１２１、演算用データ１２２、および予測モデルを取得してもよい。
　センサ１４は、ＣＯ２濃度、湿度、および温度など、時間の経過に伴って変化する時系列データを測定し、取得した時系列データを記憶装置１２に出力する。記憶装置１２は、センサ１４から取得した時系列データを時系列データ１２３として記憶する。また、プロセッサ１１が変化後データを予測する際には、時系列データ１２３がメモリ１８に一時的に記憶される。なお、予測装置１は、１つのセンサ１４に限らず、複数のセンサを備えていてもよい。この場合、複数のセンサの各々は、互いに異なる種類の時系列データを測定してもよい。たとえば、複数のセンサのうち、第１センサは時系列データとしてＣＯ２濃度を検知し、第２センサは時系列データとして湿度を検知し、第３センサは時系列データとして温度を検知してもよい。この場合、予測装置１は、第１センサ、第２センサ、および第３センサの各々で取得された時系列データに基づき、各時系列データの変化を予測してもよい。さらに、複数のセンサの各々は、他のセンサと同じ種類の時系列データを測定してもよい。たとえば、複数のセンサのうち、第１センサおよび第２センサの各々は時系列データとしてＣＯ２濃度を検知し、第３センサは時系列データとして温度を検知してもよい。この場合、予測装置１は、第１センサおよび第２センサの各々で取得されたＣＯ２濃度の時系列データに基づき、ＣＯ２濃度の変化を予測し、第３センサで取得された温度に基づき、温度変化を予測してもよい。
　出力装置１７は、ディスプレイ１５およびスピーカ１６の各々と有線または無線で接続されている。出力装置１７は、制御装置１１によって算出された時系列データの変化の予測結果を示すデータをディスプレイ１５およびスピーカ１６のうちの少なくとも１つに出力する。
　ディスプレイ１５は、出力装置１７から取得したデータに基づき、プロセッサ１１によって算出された時系列データの変化の予測結果に基づく画像など、各種の画像を表示する。
　スピーカ１６は、出力装置１７から取得したデータに基づき、プロセッサ１１によって算出された時系列データの変化の予測結果に基づく音など、各種の音を出力する。
　なお、ディスプレイ１５およびスピーカ１６は、予測装置１と別の構成であることに限らない。予測装置１は、ディスプレイ１５およびスピーカ１６のうちの少なくとも１つを備えていてもよい。さらに、図１の例では、ディスプレイ１５およびスピーカ１６が室内空間２０に設置されているが、ディスプレイ１５およびスピーカ１６は、在室者であるユーザが所有する携帯端末またはパーソナルコンピュータ（ＰＣ）が備える構成であってもよい。たとえば、予測装置１は、近距離無線通信などによってユーザが所有する携帯端末またはＰＣに予測結果を出力し、携帯端末またはＰＣは、予測装置１から取得した予測結果を、自身（携帯端末またはＰＣ）のディスプレイ１５またはスピーカ１６によってユーザに通知してもよい。
　このように構成された予測装置１は、センサ１４によって取得された時系列データ１２３を記憶装置１２またはメモリ１８に記憶し、記憶装置１２またはメモリ１８に記憶された時系列データ１２３に基づき、プロセッサ１１によって未来において時系列データが変化した後の変化後データを予測する。そして、予測装置１は、ディスプレイ１５およびスピーカ１６のうちの少なくとも１つを用いて、予測結果に基づく情報をユーザに通知する。
　プロセッサ１１は、記憶装置１２に記憶された予測プログラム１２１を実行するとともに、適宜、演算用データ１２２を用いた演算を行うことで、上述したような一連の処理を実現する。より具体的には、プロセッサ１１は、主な機能部として、生成部１１Ａと、予測部１１Ｂとを備える。
　生成部１１Ａは、変化データを予測するための予測モデルを生成する。予測モデルは、経過時間と時間の経過に伴って変化するデータとの関係を表す関数（数式）によって定義される。予測装置１による時系列データの変化の予測対象となる区間（予測区間）は、第１予測区間と、第１予測区間よりも後の第２予測区間とを含む。生成部１１Ａは、第１予測区間における変化後データの予測に適した第１モデルと、第２予測区間における変化後データの予測に適した第２モデルとを接合する（足し合わせる）ことで、１つの予測モデルを生成する。ここで、「適したモデル」とは、いくつかのモデルのうち、実際の時系列データを最も精度よく再現するモデルを意味する。すなわち、「適したモデル」とは、実際に取得される予測区間におけるＣＯ２濃度と、予測した予測区間における変化後ＣＯ２濃度（変化後データ）との差を最も小さくすることができるモデルのことである。第１モデルは、第２モデルよりも第１予測区間における変化後データの予測に適しており、第１予測区間における実際の時系列データを第２モデルよりも精度よく再現することができる。第２モデルは、第１モデルよりも第２予測区間における変化後データの予測に適しており、第２予測区間における実際の時系列データを第１モデルよりも精度よく再現することができる。
　予測部１１Ｂは、生成部１１Ａによって生成された予測モデルを用いて変化後データを予測する。予測部１１Ｂによって得られた予測結果に基づく情報は、出力装置１７によってディスプレイ１５またはスピーカ１６に出力される。
　なお、予測装置１が備えるプロセッサ１１、メモリ１８、記憶装置１２、および出力装置１７などの各構成の機能は、センサ１４内に設けられていてもよい。すなわち、エッジコンピュータの形態で、センサ１４が予測装置１として、プロセッサ１１、メモリ１８、記憶装置１２、および出力装置１７などの各構成を備えていてもよい。
　（予測装置による時系列データの変化の予測の具体例）
　図３～図６を参照しながら、予測装置１による時系列データの変化の予測について説明する。図３は、実施の形態１に係る予測装置１が予測する時系列データの変化を示す図である。
　図３においては、縦軸にＣＯ２濃度、横軸に時間をとったＣＯ２濃度の時系列データが示されている。予測装置１によって未来の時系列データの変化を予測する時点をｔ０であるとして、ｔ０よりも後の未来のタイミングがｔ１、ｔ２、ｔ３、およびｔ４で表されている。
　予測装置１の予測区間のうち、ｔ０からｔ１までの区間が第１予測区間、ｔ４以降の区間が第２予測区間で表されている。つまり、第１予測区間は、予測装置１による予測時点ｔ０からみて、第２予測区間よりも近い未来の区間である。第２予測区間は、予測装置１による予測時点ｔ０からみて、第１予測区間よりも遠い未来の区間である。
　ｔ０からｔ４以降にわたってセンサ１４によって実際に取得されたＣＯ２濃度の実測値は、グラフＡで表される。グラフＡを参照すると、ｔ０からｔ１までの近い未来の第１予測区間においては時間変化に対して時系列データの変化が概ね線形で表され、ｔ４以降の遠い未来の第２予測区間においては時間変化に対して時系列データの変化が非線形で表される。
　第１予測区間における時系列データの変化の予測には、第１モデルが適している。第１モデルは、経過時間と時間の経過に伴って変化するデータとの関係を表す関数（数式）によって定義される。第１モデルの関数は、時間変化に対する変化が線形で表される時系列データを予測することに適している。
　たとえば、第１モデルを用いて時系列データの変化を予測した結果は、グラフＧ１で表されている。近い未来の第１予測区間においては、グラフＧ１は、実測値のグラフＡと近似するように線形で表され、グラフＡと概ね一致する。一方、遠い未来の第２予測区間においては、グラフＧ１は、実測値のグラフＡと離れる傾向にある。
　第２予測区間における時系列データの変化の予測には、第２モデルが適している。第２モデルは、経過時間と時間の経過に伴って変化するデータとの関係を表す関数（数式）によって定義される。第２モデルの関数は、時間変化に対する変化が非線形で表される時系列データを予測することに適している。
　たとえば、第２モデルを用いて時系列データの変化を予測した結果は、グラフＧ２で表されている。遠い未来の第２予測区間においては、グラフＧ２は、実測値のグラフＡと近似するように非線形で表され、グラフＡと概ね一致する。一方、近い未来の第１予測区間においては、グラフＧ２は、実測値のグラフＡと離れる傾向にある。
　予測装置１は、このような特性を有する第１モデルと第２モデルとを接合することで、ｔ０において、ｔ０以降の未来における時系列データの変化を予測するための予測モデルを生成する。予測モデルを用いて時系列データの変化を予測した結果は、グラフＧ０で表される。グラフＧ０は、第１予測区間および第２予測区間のいずれにおいても実測値のグラフＡと概ね一致する。
　図４は、実施の形態１に係る予測装置１の処理のタイミングを説明するための図である。図４においては、センサ１４によって実行される処理のタイミングと、制御装置１１によって実行される処理のタイミングとが示されている。
　図４に示されるように、センサ１４がｔ１０からｔ１１までの時間にわたって時系列データを取得すると、制御装置１１がｔ１１以降で時系列データ（ｔ１０からｔ１１までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ１１以降の時系列データの変化を予測する。
　センサ１４がｔ１１からｔ１２までの時間にわたって時系列データを取得すると、制御装置１１がｔ１２以降で時系列データ（ｔ１１からｔ１２までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ１２以降の時系列データの変化を予測する。
　センサ１４がｔ１２からｔ１３までの時間にわたって時系列データを取得すると、制御装置１１がｔ１３以降で時系列データ（ｔ１２からｔ１３までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ１３以降の時系列データの変化を予測する。
　このように、予測装置１は、予め決められた時間区間ごとに定期的に、センサ１４によって取得された時系列データに基づき予測モデルを生成し、時系列データの取得対象となった時間区間以降の予測区間について、予測モデルを用いて時系列データの変化を予測する。予測装置１は、このような処理を時間区間ごとに繰り返し実行する。
　予測モデルを生成する処理は、前処理を実行するステップと、複数のモデルを選択するステップと、接合関数を選択するステップと、パラメータを調整するステップと、接合関数を用いて予測モデルを生成するステップとを含む。
　具体的には、図４に示されるように、プロセッサ１１は、センサ１４から時系列データを取得すると、最初に時系列データに対して前処理を実行する。たとえば、プロセッサ１１は、前処理として、時系列データにおいて欠損しているデータの補間、時系列データに含まれる複数のデータのうちの他のデータから大きく外れたデータ（外れ値）の除去、時系列データに現れたノイズの除去、および関数（演算子）を用いた変換などを実行する。プロセッサ１１は、取得した時系列データの特性に応じた前処理を実行することで、取得した時系列データを、予測モデルの生成に適したデータに変換する。
　なお、前処理に含まれるノイズの除去としては、移動平均法、状態空間モデルを用いた平滑化、およびローパスフィルタなどが挙げられる。前処理に含まれる関数（演算子）を用いた変換としては、フーリエ変換、主成分分析を用いた特徴量の圧縮変換などが挙げられる。
　プロセッサ１１は、センサ１４から取得した時系列データに対して上述したような前処理を実行することで、ノイズの影響を受けることなく高精度な予測を行うことができる。一方、プロセッサ１１は、センサ１４から取得した時系列データをそのまま用いて高精度の予測ができる場合には、上述したような前処理の工程を除いて、センサ１４から取得した時系列データを直接用いて予測モデルを生成してもよい。
　プロセッサ１１は、前処理を実行した後、予測モデルを生成するために用いる複数のモデルを選択する。たとえば、図３に示す例では、プロセッサ１１は、グラフＧ１で表される第１予測区間における予測に適した第１モデルと、グラフＧ２で表される第２予測区間における予測に適した第２モデルとを選択する。なお、第１モデルおよび第２モデルを含む複数のモデルに関するデータは、記憶装置１２に格納された演算用データ１２２に含まれる。
　第１モデルは、下記の式（１）で表される線形の関数（数式）を含む。すなわち、第１モデルは、時間変化に対する時系列データの変化が線形で表される線形モデルである。
Figure JPOXMLDOC01-appb-M000002
　式（１）において、ａは、傾きを表すパラメータである。ｂは、切片を表すパラメータである。
　第２モデルは、下記の式（２）で表される非線形の関数（数式）を含む。すなわち、第２モデルは、時間変化に対する時系列データの変化が非線形で表される非線形モデルである。
Figure JPOXMLDOC01-appb-M000003
　式（２）において、Ｃ０は、ある時刻ｔ＝０における室内空間２０のＣＯ２濃度を表すパラメータである。Ｇは、室内空間２０において発生したＣＯ２の発生量を表すパラメータである。Ｑは、室内空間２０から排出されたＣＯ２の換気量を表すパラメータである。Ｖは、室内空間２０の体積を表すパラメータである。
　なお、プロセッサ１１は、第１モデルおよび第２モデルの各々として、予め決めておいたモデルを選択してもよい。たとえば、予測装置１の設計者は、事前に取得した時系列データを解析することで予め決めたモデルＸ（たとえば、式（１）で表されるモデル）を、第１予測区間に適した第１モデルとして記憶装置１２に記憶させてもよい。さらに、予測装置１の設計者は、事前に取得した時系列データを解析することで予め決めたモデルＹ（たとえば、式（２）で表されるモデル）を、第２予測区間に適した第２モデルとして記憶装置１２に記憶させてもよい。そして、プロセッサ１１は、予測モデルを生成するときに、記憶装置１２に記憶されたモデルＸを第１モデルとして選択し、記憶装置１２に記憶されたモデルＹを第２モデルとして選択してもよい。
　あるいは、プロセッサ１１は、第１モデルおよび第２モデルの各々に対応するモデルを予め決めることなく、取得した時系列データを解析した結果に基づき、複数種類のモデルの中から、第１モデルおよび第２モデルの各々に対応するモデルを選択してもよい。たとえば、予測装置１の設計者は、複数種類のモデルを記憶装置１２に記憶させてもよい。そして、プロセッサ１１は、予測モデルを生成するときに、取得した時系列データを解析し、解析結果に基づき、第１モデルとして記憶装置１２に記憶された複数種類のモデルのうちの少なくとも１つを選択し、第２モデルとして記憶装置１２に記憶された複数種類のモデルのうちの少なくとも１つを選択してもよい。なお、プロセッサ１１は、第１モデルとして選択したモデルと異なるモデルを第２モデルとして選択すればよい。
　図４に示されるように、プロセッサ１１は、複数のモデルを選択した後、選択した複数のモデルを接合するための接合関数を選択する。なお、接合関数に関するデータは、記憶装置１２に格納された演算用データ１２２に含まれる。
　図３に示す例では、プロセッサ１１は、下記の式（３）で表される双曲線関数を接合関数として選択する。
Figure JPOXMLDOC01-appb-M000004
　式（３）において、ＣＬ（ｔ）は、式（１）で表される第１モデルの関数である。ＣＮＬ（ｔ）は、式（２）で表される第２モデルの関数である。
　プロセッサ１１は、第１モデルと第２モデルとを接合するときに、第１モデルと第２モデルとの間で重み付けを行う。式（３）において、αおよびＴ０は、第１モデルと第２モデルとを接合するときの重み付けに関するパラメータである。「重み付けに関するパラメータ」とは、第１モデルによって得られる値と、第２モデルによって得られる値とのうち、いずれの値を優先的に使用するかを決めるものである。式（３）においては、時刻ｔが時刻Ｔ０になるまではＣＬ（ｔ）の値がＣＮＬ（ｔ）の値よりも優先的に使用されるように、ＣＬ（ｔ）に対しては、ＣＮＬ（ｔ）よりも大きい値が掛け算される。
　具体的には、図３に示すように、αは、第１モデルから第２モデルへとモデルが切り替わることに要する時間を表すパラメータである。αが小さければ小さいほど、第１モデルから第２モデルへとモデルが切り替わる時間が短くなる。αが大きければ大きいほど、第１モデルから第２モデルへとモデルが切り替わる時間が長くなる。
　Ｔ０は、第１モデルから第２モデルへとモデルが切り替わる時間における中間地点の時刻を表すパラメータである。Ｔ０が小さければ小さいほど、予測時点ｔ０からモデルが切り替わるまでの時間が短くなる。Ｔ０が大きければ大きいほど、予測時点ｔ０からモデルが切り替わるまでの時間が長くなる。
　なお、プロセッサ１１は、接合関数を予め決めておき、予め決めておいた接合関数を選択してもよい。たとえば、予測装置１の設計者は、事前に取得した時系列データを解析することで予め決めた接合関数（たとえば、式（３）で表される双曲線関数）を、記憶装置１２に記憶させてもよい。そして、プロセッサ１１は、予測モデルを生成するときに、記憶装置１２に記憶された接合関数を選択してもよい。
　あるいは、プロセッサ１１は、接合関数を予め決めることなく、取得した時系列データを解析した結果に基づき、複数種類の接合関数の中から、採用する接合関数を選択してもよい。たとえば、予測装置１の設計者は、接合関数Ａ～接合関数Ｅといったような複数種類の接合関数を記憶装置１２に記憶させてもよい。そして、プロセッサ１１は、予測モデルを生成するときに、取得した時系列データを解析し、解析結果に基づき、記憶装置１２に記憶された複数種類の接合関数のうちの少なくとも１つを選択してもよい。
　図４に示されるように、プロセッサ１１は、接合関数を選択した後、パラメータを調整する。たとえば、図３に示す例では、プロセッサ１１は、式（１）で表される第１モデルのパラメータ（ａ，ｂ）を調整する。プロセッサ１１は、式（２）で表される第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を調整する。プロセッサ１１は、式（３）で表される接合関数のパラメータ（α，Ｔ０）を調整する。
　なお、プロセッサ１１は、接合関数および複数のモデルの各々におけるパラメータの全てを調整してもよいし、接合関数および複数のモデルのうちの少なくとも１つにおけるパラメータを調整してもよい。たとえば、実施の形態１において、予測装置１の設計者は、事前に取得した時系列データを解析することで接合関数のパラメータ（α，Ｔ０）の値を予め決めている。具体的には、予測装置１の設計者は、αの値として１０００秒、Ｔ０の値として６００秒を、記憶装置１２に予め記憶させている。そして、プロセッサ１１は、記憶装置１２に記憶されたαおよびＴ０の値を接合関数のパラメータとして用いるように構成されている。
　図５は、実施の形態１に係る予測装置１において第１モデルのパラメータ調整を説明するための図である。
　図５においては、縦軸にＣＯ２濃度、横軸に時間をとったＣＯ２濃度の時系列データが示されている。プロセッサ１１は、公知の最小二乗法を用いることで、式（１）で表される第１モデルのパラメータ（ａ，ｂ）を決定する。
　具体的には、図５に示されるように、プロセッサ１１は、センサ１４から取得した過去の時系列データの中から、直近の所定個数のデータを抽出する。プロセッサ１１は、抽出した複数のデータに基づき最小二乗法を用いることで、第１モデルのパラメータ（ａ，ｂ）を算出する。
　なお、図４に示す例において予測時点がｔ１１である場合、プロセッサ１１によって抽出される所定個数のデータは、ｔ１０からｔ１１までの時間にわたって取得された時系列データのうち、予測時点ｔ１１に限りなく近いタイミングで取得されたデータを含む。
　図６は、実施の形態１に係る予測装置１において第２モデルのパラメータ調整を説明するための図である。
　図６においては、縦軸にＣＯ２濃度、横軸に時間をとったＣＯ２濃度の時系列データが示されている。プロセッサ１１は、公知の連立方程式の演算を用いることで、式（２）で表される第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を決定する。
　具体的には、図６に示されるように、プロセッサ１１は、センサ１４から取得した過去の時系列データの中から、特定個数のデータを抽出する。プロセッサ１１は、抽出した複数のデータを、時系列に従って複数の区間ごとに分割する。プロセッサ１１は、各区間に属する複数のデータの平均ＣＯ２濃度および平均時間を算出する。
　たとえば、プロセッサ１１は、１つ目の区間に属する複数のデータに基づき、平均ＣＯ２濃度としてＣ１を算出するとともに、平均時間としてＣ１に対応するｔ２１を算出する。プロセッサ１１は、２つ目の区間に属する複数のデータに基づき、平均ＣＯ２濃度としてＣ２を算出するとともに、平均時間としてＣ２に対応するｔ２２を算出する。プロセッサ１１は、３つ目の区間に属する複数のデータに基づき、平均ＣＯ２濃度としてＣ３を算出するとともに、平均時間としてＣ３に対応するｔ２３を算出する。さらに、プロセッサ１１は、１つ目の区間に属する複数のデータの平均時間ｔ２１と、２つ目の区間に属する複数のデータの平均時間ｔ２２との差Δｔを算出する。プロセッサ１１は、２つ目の区間に属する複数のデータの平均時間ｔ２２と、３つ目の区間に属する複数のデータの平均時間ｔ２３との差Δｔ’を算出する。
　ここで、式（２）は、下記の式（４）のように表され得る。
Figure JPOXMLDOC01-appb-M000005
　プロセッサ１１は、式（４）と、上述したＣ１、Ｃ２、Ｃ３、Δｔ、およびΔｔ’とを用いることで、下記の連立方程式（５）を立てることができる。
Figure JPOXMLDOC01-appb-M000006
　なお、プロセッサ１１は、式（４）と、上述したＣ１、Ｃ２、Ｃ３、Δｔ、およびΔｔ’とを用いることで、下記の連立方程式（６）を立ててもよい。
Figure JPOXMLDOC01-appb-M000007
　プロセッサ１１は、連立方程式（５）または連立方程式（６）を解くことで、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を算出する。
　図４に示されるように、プロセッサ１１は、パラメータを調整した後、接合関数を用いて複数のモデルを接合することで、予測モデルを生成する。たとえば、図３に示す例では、プロセッサ１１は、グラフＧ１で表される第１予測区間における予測に適した第１モデルと、グラフＧ２で表される第２予測区間における予測に適した第２モデルとを、式（３）で表される双曲線関数を用いて接合することで、グラフＧ０で表される予測モデルを生成する。このとき、プロセッサ１１は、第１モデルのパラメータ（ａ，ｂ）と、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）と、重み付けに関するパラメータ（α，Ｔ０）とに対して、パラメータ調整によって決定した値を適用する。
　なお、第２モデルのパラメータにおけるＣ０に関しては、各パラメータを調整した後、予測モデルを生成する直前のＣＯ２濃度の値に置き換えることで、最新の状況を反映した値を予測することもできる。
　予測装置１は、上述したようなステップを経て生成した予測モデルを用いることで、センサ１４によって実際に取得されるＣＯ２濃度の実測値と概ね一致するように、時系列データの変化を予測することができる。
　なお、プロセッサ１１は、第１モデルおよび第２モデルの各々におけるパラメータを調整してもよいし、第１モデルおよび第２モデルのうちの少なくとも１つのパラメータを調整してもよい。たとえば、プロセッサ１１は、第１モデルのパラメータ（ａ，ｂ）を調整する一方で、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を予め決めておいてもよい。あるいは、プロセッサ１１は、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を調整する一方で、第１モデルのパラメータ（ａ，ｂ）を予め決めておいてもよい。
　（ディスプレイの表示態様）
　図７は、実施の形態１に係る予測装置１におけるディスプレイ１５の表示態様を示す図である。プロセッサ１１は、出力装置１７によって予測結果をディスプレイ１５に出力することで、予測結果に基づく画像をディスプレイ１５に表示させる。
　たとえば、図１の例の場合、図７に示されるように、ディスプレイ１５は、室内空間２０におけるＣＯ２濃度に関する画像を表示する。ディスプレイ１５に表示された画面は、室内空間２０における現在のＣＯ２濃度を示すアイコン１５１と、室内空間２０におけるＣＯ２濃度の変化を示すグラフ１５２と、室内空間２０の換気が必要となるまでの残り時間（到達予測時間）を示すアイコン１５３と、スピーカ１６による予測結果の音声通知を有効にするためのアイコン１５４とを含む。
　なお、ユーザは、アイコン１５４をタッチ操作することで、音声通知を有効または無効に設定してもよいし、図示しないマウスなどのツールを用いてアイコン１５４を操作することで、音声通知を有効または無効に設定してもよい。
　図４を用いて説明したように、予測装置１は、予め決められた時間区間ごとに定期的に予測モデルを生成し、生成した予測モデルを用いて室内空間２０におけるＣＯ２濃度の変化を予測することで、室内空間２０の換気が必要となるまでの残り時間を算出する。そして、予測装置１は、算出した残り時間をアイコン１５３によってユーザに通知する。
　このように、予測装置１は、変化後データを予測した予測時点から、変化後データが閾値に到達すると予測される到達予測時刻に達するまでの到達予測時間をディスプレイ１５に出力する。なお、予測装置１は、到達予測時間に限らず、到達予測時刻をディスプレイ１５に出力してもよい。
　さらに、予測装置１は、第１予測時点において未来の時間ごとの変化後データを予測し、当該変化後データが閾値に到達すると予測される第１到達予測時刻を算出し、その後、第１予測時点よりも後の第２予測時点において再び未来の時間ごとの変化後データを予測し、当該変化後データが閾値に到達すると予測される第２到達予測時刻を算出してもよい。そして、予測装置１は、第１到達予測時刻と第２到達予測時刻との間の時間が所定時間以上である場合に、第１予測時点において算出した到達予測時刻が変化したことを特定するための信号を出力してもよい。たとえば、予測装置１は、到達予測時刻が変化したことを特定するための信号をディスプレイ１５に出力することで、到達予測時刻が変化したことをディスプレイ１５によってユーザに通知してもよい。なお、上述した「閾値」は、換気が必要とされる指標値であり、たとえば、後述する第４閾値に対応する。
　これにより、予測装置１は、室内空間２０でＣＯ２濃度が増大する前にユーザに換気を促すことができる。
　（予測装置による処理）
　図８は、実施の形態１に係る予測装置１のプロセッサ１１が実行する処理に関するフローチャートである。プロセッサ１１は、記憶装置１２に格納された予測プログラム１２１を実行することで、図８に示すフローチャートの処理を定期的に実行する。なお、図中のＳ２～Ｓ８は、プロセッサ１１の生成部１１Ａの処理に対応する。図中のＳ９およびＳ１０は、プロセッサ１１の予測部１１Ｂの処理に対応する。図中において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
　図８に示されるように、プロセッサ１１は、所定時間分の時系列データを取得したか否かを判定する（Ｓ１）。たとえば、図４に示すように、予測時点がｔ１１である場合、プロセッサ１１は、ｔ１０からｔ１１までの時間にわたって時系列データを取得したか否かを判定する。プロセッサ１１は、所定時間分の時系列データを取得していない場合（Ｓ１でＮＯ）、本処理を終了する。
　一方、プロセッサ１１は、所定時間分の時系列データを取得した場合（Ｓ１でＹＥＳ）、予測モデルを生成するための処理に移行する。具体的には、最初に、プロセッサ１１は、前処理を実行する（Ｓ２）。
　プロセッサ１１は、複数のモデルを選択する（Ｓ３）。たとえば、プロセッサ１１は、第１モデルとして式（１）で表される線形モデルを選択し、第２モデルとして式（２）で表される非線形モデルを選択する。
　プロセッサ１１は、選択した複数のモデルを接合するための接合関数を選択する（Ｓ４）。たとえば、プロセッサ１１は、接合関数として式（３）で表される双曲線関数を選択する。
　プロセッサ１１は、第１モデルのパラメータを算出する（Ｓ５）。たとえば、プロセッサ１１は、式（１）で表される第１モデルのパラメータ（ａ，ｂ）を算出する。なお、図５で説明したように、第１モデルのパラメータ（ａ，ｂ）は、最小二乗法を用いて算出され得る。
　プロセッサ１１は、第２モデルのパラメータを算出する（Ｓ６）。たとえば、プロセッサ１１は、式（２）で表される第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）を算出する。なお、図６で説明したように、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）は、連立方程式の演算を用いて算出され得る。
　プロセッサ１１は、重み付けに関するパラメータを算出する（Ｓ７）。たとえば、プロセッサ１１は、式（３）で表される双曲線関数のパラメータ（α，Ｔ０）を算出する。なお、上述したように、重み付けに関するパラメータ（α，Ｔ０）は、予測装置１の設計者によって予め決められているため、プロセッサ１１は、記憶装置１２に予め記憶されたαおよびＴ０の値を重み付けに関するパラメータとして用いる。
　プロセッサ１１は、接合関数を用いて複数のモデルを接合することで、予測モデルを生成する（Ｓ８）。たとえば、プロセッサ１１は、式（１）で表される第１モデルと、式（２）で表される第２モデルとを、式（３）で表される双曲線関数を用いて接合することで、予測モデルを生成する。このとき、プロセッサ１１は、第１モデルのパラメータ（ａ，ｂ）と、第２モデルのパラメータ（Ｃ０，Ｇ／Ｑ，Ｑ／Ｖ）と、重み付けに関するパラメータ（α，Ｔ０）とに対して、パラメータ調整によって決定した値を適用する。
　プロセッサ１１は、予測モデルを生成した後、生成した予測モデルを用いて時系列データの変化を予測するための処理に移行する。具体的には、プロセッサ１１は、予測モデルを用いて予測値を算出する（Ｓ９）。たとえば、プロセッサ１１は、図３に示すように、現時点がｔ０である場合、第１予測区間および第２予測区間を含む予測区間における変化後データの値（予測値）を算出する。なお、プロセッサ１１は、予測区間において得られる全ての時系列データの予測値を算出してもよいし、予測区間において得られる全ての時系列データの予測値のうちの一部の予測値のみを算出してもよい。
　プロセッサ１１は、算出した予測値を含む予測結果をディスプレイ１５およびスピーカ１６のうちの少なくとも１つに出力する（Ｓ１０）。その後、プロセッサ１１は、本処理を終了する。
　次に、図９を参照しながら、予測装置１が実行する別の処理について説明する。図９は、実施の形態１に係る予測装置１のプロセッサ１１が実行する別の処理に関するフローチャートである。以下では、図９に示す処理について、図８に示す処理と異なる部分のみを説明する。予測装置１は、図８に示す処理を実行するように構成されてもよいし、図９に示す処理を実行するように構成されてもよい。
　プロセッサ１１は、記憶装置１２に格納された予測プログラム１２１を実行することで、図９に示すフローチャートの処理を定期的に実行する。図中において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
　図９に示されるように、プロセッサ１１は、Ｓ１～Ｓ４の処理を実行し、さらに、Ｓ５で第１モデルのパラメータを算出した後、Ｓ１１の処理を実行する。Ｓ１１の処理では、プロセッサ１１は、時系列データがどのように変化しているのかをおおよそ判定する。プロセッサ１１は、ここでは０以下の値を示す第１閾値と、０以上の値を示す第２閾値とを用い、傾きａが第１閾値以上でありかつ第２閾値以下であれば、時系列データが定常状態であると判断し、予測関数の生成および予測を行うことなく本処理フローを終了することで、不要な計算を省略することができる。
　具体的には、プロセッサ１１は、算出したパラメータのうち、傾きａが第１閾値以上でありかつ第２閾値以下であるか否かを判定する（Ｓ１１）。たとえば、第１閾値が０以下の値である場合において傾きａが第１閾値未満である場合、すなわち傾きａがマイナスの値をとる場合は、式（１）で表される線形モデルのグラフは時間の経過に伴って右下がりとなる。この場合、時間の経過に伴って時系列データが減少する。たとえば、第２閾値が０以上の値である場合において傾きａが第２閾値を超えている場合、すなわち傾きａがプラスの値をとる場合は、式（１）で表される線形モデルのグラフは時間の経過に伴って右上がりとなる。この場合、時間の経過に伴って時系列データが増加する。
　プロセッサ１１は、傾きａが第１閾値以上でありかつ第２閾値以下である場合（Ｓ１１でＹＥＳ）、すなわち式（１）で表される線形モデルのグラフが定常状態であれば、本処理を終了する。
　一方、プロセッサ１１は、傾きａが第１閾値未満であるか、または、第２閾値を超える場合（Ｓ１１でＮＯ）、Ｓ６～Ｓ８の処理を実行することで予測モデルを生成する。
　次に、プロセッサ１１は、Ｓ９で予測モデルを用いて予測値を算出した後、Ｓ１２の処理を実行する。Ｓ１２以降の処理において、プロセッサ１１は、算出した予測値を用いて、時系列データが基準値に達するまでの所要時間（到達予測時間）を算出することができる。時系列データとしてＣＯ２濃度を用いた例について説明する。たとえば、換気によってＣＯ２濃度が徐々に減少している場合、プロセッサ１１は、十分換気できたとされる指標値である第３閾値に予測値が達するまでの予測到達時間を算出する。ＣＯ２濃度が増加している場合、プロセッサ１１は、換気が必要とされる指標値である第４閾値に予測値が達するまでの予測到達時間を算出する。プロセッサ１１は、これらの予測到達時間を算出し、出力することで、ユーザは換気終了、もしくは換気が必要となるまであとどれくらいの時間を要するのかを知ることができる。第３閾値および第４閾値としては、各国の法令によって定められた値または指標値、ユーザが指定する値などを用いることができる。
　具体的には、プロセッサ１１は、傾きａが第１閾値未満でありかつ予測値が第３閾値未満であるか、または、傾きａが第２閾値を超えかつ予測値が第４閾値を超えるか否かを判定する（Ｓ１２）。すなわち、プロセッサ１１は、時間の経過に伴って時系列データが減少しかつ予測値が第３閾値未満であるか、または、時間の経過に伴って時系列データが増加しかつ予測値が第４閾値を超えるか否かを判定する。
　プロセッサ１１は、時間の経過に伴って時系列データが減少しかつ予測値が第３閾値未満でない場合（Ｓ１２でＮＯ）、たとえば、換気中にＣＯ２濃度が減少しているが、そのペースで換気を進めても予測値が第３閾値にまで達する見込みがない場合は、本処理を終了する。または、プロセッサ１１は、時間の経過に伴って時系列データが増加しかつ予測値が第４閾値以上でない場合（Ｓ１２でＮＯ）、たとえば、ＣＯ２濃度が増加しているが、換気が必要な基準値（第４閾値)にまで予測値が達しないと予想する場合は、本処理を終了する。
　一方、プロセッサ１１は、時間の経過に伴って時系列データが減少しかつ予測値の一部が第３閾値未満である場合（Ｓ１２でＹＥＳ）、たとえば、換気中にＣＯ２濃度が減少していき、換気が十分であると判断される第３閾値を下回ると予測した場合、Ｓ１３の処理に移行する。Ｓ１３の処理において、プロセッサ１１は、時間の経過に伴って減少している時系列データの予測値が第３閾値未満となるときの到達予測時刻を算出する。または、プロセッサ１１は、時間の経過に伴って時系列データが増加しかつ予測値の一部が第４閾値を超える場合（Ｓ１２でＹＥＳ）、たとえば、ＣＯ２濃度が増加し、換気が必要であると判断される第４閾値を上回ると予測した場合、Ｓ１３の処理に移行する。Ｓ１３の処理において、プロセッサ１１は、時間の経過に伴って増加している時系列データの予測値が第４閾値を超えるときの到達予測時刻を算出する。
　プロセッサ１１は、予測時点から到達予測時刻までの到達予測時間を算出し（Ｓ１４）、算出した到達予測時間を含む予測結果をディスプレイ１５およびスピーカ１６のうちの少なくとも１つに出力する（Ｓ１０）。たとえば、プロセッサ１１は、Ｓ１３の処理において算出した到達予測時刻に基づく画像を表示するための信号をディスプレイ１５に出力する。あるいは、プロセッサ１１は、Ｓ１４の処理において算出した到達予測時間に基づく画像（たとえば、図７のアイコン１５３の画像）を表示するための信号をディスプレイ１５に出力する。さらに、プロセッサ１１は、アイコン１５４によってスピーカ１６による音声通知が有効に設定されている場合、Ｓ１３の処理において算出した到達予測時刻に基づく音声の信号またはＳ１４の処理において算出した到達予測時間に基づく音声の信号をスピーカ１６に出力する。その後、プロセッサ１１は、本処理を終了する。
　なお、プロセッサ１１は、時間の経過に伴って減少している時系列データの予測値が第３閾値未満となるときの到達予測時刻を算出した場合、室内空間２０におけるＣＯ２濃度が低下しているため、換気を終了することができるまでの到達予測時刻および到達予測時間の少なくとも１つをディスプレイ１５およびスピーカ１６によって通知すればよい。一方、プロセッサ１１は、時間の経過に伴って増加している時系列データの予測値が第４閾値を超えるときの到達予測時刻を算出した場合、室内空間２０におけるＣＯ２濃度が上昇しているため、換気を行う必要があるＣＯ２濃度に達するまでの到達予測時刻および到達予測時間の少なくとも１つをディスプレイ１５およびスピーカ１６によって通知すればよい。
　以上のように、実施の形態１に係る予測装置１は、第１予測区間における予測に適した式（１）で表される第１モデルと、第１予測区間よりも後の第２予測区間における予測に適した式（２）で表される第２モデルとを、式（３）で表される双曲線関数を用いて接合することで予測モデルを生成し、生成した予測モデルを用いて時系列データの変化を予測する。
　ここで、図３の例を参照すると、予測装置１は、第１モデルのみを用いて時系列データの変化を予測した場合は、グラフＧ１で表されるように、近い未来の第１予測区間については実測値と同じような値を予測することができるが、遠い未来の第２予測区間については実測値と同じような値を予測することは難しい。また、予測装置１は、第２モデルのみを用いて時系列データの変化を予測した場合は、グラフＧ２で表されるように、遠い未来の第２予測区間については実測値と同じような値を予測することができるが、近い未来の第１予測区間については実測値と同じような値を予測することは難しい。
　しかしながら、実施の形態１に係る予測装置１は、第１モデルを用いて第１予測区間における時系列データの変化を予測することに限らず、第２モデルを用いて第１予測区間よりも後の第２予測区間における時系列データの変化も予測することができるため、長時間に亘って時系列データの変化を精度よく予測することができる。
　さらに、予測装置１は、第１モデルと第２モデルとを接合することで生成した予測モデルを用いることで、第１予測区間と第２予測区間との間の予測区間においては、第１モデルと第２モデルとの両方の予測結果を反映した予測結果を得ることができる。
　予測装置１は、第１モデルと第２モデルとを接合するときに、第１モデルと第２モデルとの間で重み付けを行う。
　これにより、予測装置１は、第１モデルを用いて予測を行う期間と、第２モデルを用いて予測を行う期間とを、重み付けによって調整することができる。さらに、予測装置１は、第１予測区間と第２予測区間との間の予測区間においては、重み付けによって調整された比率で第１モデルと第２モデルとの両方の予測結果を反映した予測結果を得ることができる。
　予測装置１は、センサ１４によって取得された過去の時系列データに基づき、第１モデルおよび第２モデルのうちの少なくとも１つのパラメータを調整する。
　これにより、予測装置１は、時系列データの変化に適合するパラメータの値を用いて精度の高い予測を行うことができる。
　予測装置１は、予測結果に基づく画像をディスプレイ１５に表示したり、予測結果に基づく音をスピーカ１６から出力したりする。
　これにより、予測装置１は、予測結果に基づく情報（たとえば、室内空間２０の換気が必要となるまでの残り時間）をユーザに通知することができる。しかも、予測装置１は、長時間に亘って時系列データの変化を精度よく予測することができるため、近い未来の第１予測区間に限らず、遠い未来の第２予測区間における予測結果を用いてユーザに通知することができる。したがって、ユーザは、たとえば、室内空間２０の換気が必要となるまでの残り時間を、余裕をもって知ることができる。
　［実施の形態２］
　図１０を参照しながら、実施の形態２に係る予測装置１００について説明する。図１０は、実施の形態２に係る予測装置１００の構成を示す図である。以下では、実施の形態２に係る予測装置１００について、実施の形態１に係る予測装置１と異なる部分のみを説明する。
　図１０に示されるように、時系列データの変化を予測する予測システム１０００は、サーバ装置としての機能を有する予測装置１００と、モニタリング装置２００と、通知装置３００とを備える。
　予測装置１００は、メディア読取装置１３を備える。メディア読取装置１３は、記憶媒体であるリムーバブルディスク５を受け入れて、リムーバブルディスク５に格納されている各種のプログラムおよびデータを読み取ったり、記憶装置１２に格納されている各種のプログラムおよびデータをリムーバブルディスク５に出力したりする。
　たとえば、メディア読取装置１３は、リムーバブルディスク５に格納されている予測プログラム１２１および演算用データ１２２を取得し、取得した予測プログラム１２１および演算用データ１２２を記憶装置１２に出力する。記憶装置１２は、メディア読取装置１３から取得した予測プログラム１２１および演算用データ１２２を記憶する。上述したとおり、予測装置１００においても、メディア読取装置１３を用いることなく、記憶装置１２に予め記憶されている各種のプログラムおよびデータを使用したり、ネットワークからダウンロードした各種のプログラムおよびデータを使用したりしてもよい。
　予測装置１００は、通信装置１１０をさらに備える。通信装置１１０は、出力装置の一例であり、ネットワーク５００を介した通信によって、モニタリング装置２００および通知装置３００の各々との間でデータを送受信するように構成されている。
　モニタリング装置２００は、通信装置２１０と、第１センサ２１４Ａと、第２センサ２１４Ｂとを備える。
　通信装置２１０は、ネットワーク５００を介した通信によって、予測装置１００との間でデータを送受信するように構成されている。
　第１センサ２１４Ａおよび第２センサ２１４Ｂの各々は、ＣＯ２濃度、湿度、および温度など、時間の経過に伴って変化する時系列データを測定する。なお、第１センサ２１４Ａは、第２センサ２１４Ｂと同じ種類の時系列データを測定してもよいし、第２センサ２１４Ｂと異なる種類の時系列データを測定してもよい。もちろん、モニタリング装置２００は、第１センサ２１４Ａのみを用いて時系列データを測定してもよい。
　通知装置３００は、通信装置３１０と、ディスプレイ３１５と、スピーカ３１６とを備える。
　通信装置３１０は、ネットワーク５００を介した通信によって、予測装置１００との間でデータを送受信するように構成されている。
　ディスプレイ３１５は、予測装置１００から取得した時系列データの変化の予測結果に基づく画像など、各種の画像を表示する。
　スピーカ３１６は、予測装置１００から取得した時系列データの変化の予測結果に基づく音など、各種の音を出力する。
　このように構成された予測システム１０００においては、モニタリング装置２００は、第１センサ２１４Ａおよび第２センサ２１４Ｂの各々によって得られた時系列データを、通信装置２１０によって予測装置１００に送信する。予測装置１００は、予測プログラム１２１を実行することで、モニタリング装置２００から取得した時系列データに基づき時系列データの変化を予測し、予測結果に基づくデータを通信装置１１０によって通知装置３００に送信する。通知装置３００は、予測装置１００から取得した予測結果に基づき、ディスプレイ３１５およびスピーカ３１６のうちの少なくとも１つによって予測結果に基づく情報をユーザに通知する。
　以上のように、実施の形態２に係る予測装置１００は、モニタリング装置２００によって取得された時系列データに基づき時系列データの変化を予測し、予測結果に基づくデータを通知装置３００に出力する。これにより、ユーザは、センサ、ディスプレイ、およびスピーカとは別の場所に予測装置１００を設置しながら、時系列データの変化の予測結果を得ることができる。たとえば、予測装置１００は、室内空間２０に設置されたセンサ、ディスプレイ、およびスピーカとは別の場所で、クラウドコンピューティングの態様で存在することができる。
　なお、予測システム１０００は、複数のモニタリング装置２００を備え、複数のモニタリング装置２００を予測装置１００に接続させてもよい。さらに、予測システム１０００は、モニタリング装置２００と通知装置３００とを一体化した装置を備えてもよい。モニタリング装置２００と通知装置３００とが一体化することで、通信装置を共有できることから、予測システム１０００の小型化およびコストダウンを図ることができる。
　予測システム１０００は、たとえば社内ＬＡＮ（Local Area Network）など、閉じられたネットワークを用いて構成されてもよく、このようにすれば、社内の環境管理を社内のみで実施する環境構築が可能である。
　［実施の形態３］
　図１１を参照しながら、実施の形態３に係る予測装置について説明する。図１１は、実施の形態３に係る予測装置の処理のタイミングを説明するための図である。以下では、実施の形態３に係る予測装置について、実施の形態１に係る予測装置１と異なる部分のみを説明する。
　図１１に示されるように、実施の形態３に係る予測装置においては、プロセッサ１１は、一の時間区間における時系列データに基づき時系列データの変化を予測した後、次の時間区間における時系列データに基づき時系列データの変化を予測する。このとき、プロセッサ１１は、一の時間区間における時系列データと、次の時間区間における時系列データとで、一部のデータを重複させてもよい。
　たとえば、センサ１４がｔ３０からｔ３３までの時間にわたって時系列データを取得すると、プロセッサ１１がｔ３３以降で時系列データ（ｔ３０からｔ３３までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ３３以降の時系列データの変化を予測する。
　センサ１４がｔ３１からｔ３４までの時間にわたって時系列データを取得すると、プロセッサ１１がｔ３４以降で時系列データ（ｔ３１からｔ３４までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ３４以降の時系列データの変化を予測する。
　センサ１４がｔ３２からｔ３５までの時間にわたって時系列データを取得すると、プロセッサ１１がｔ３５以降で時系列データ（ｔ３２からｔ３５までの時系列データ）に基づき予測モデルを生成するとともに、生成した予測モデルを用いてｔ３５以降の時系列データの変化を予測する。
　上述した例において、ｔ３０からｔ３３までの時系列データは、ｔ３１からｔ３４までの時系列データおよびｔ３２からｔ３５までの時系列データの各々と一部のデータが重複する。
　このように、実施の形態３に係る予測装置は、時系列データの変化を予測するときに、前回の予測に用いた時系列データと一部重複したデータを含む時系列データを用いるため、時系列データの変化を予測するために必要となる過去の時系列データの量を十分に確保しながらも、より短いサイクルで時系列データの変化を予測することができる。
　なお、ｔ３０からｔ３３までの時系列データを取得するセンサ、ｔ３１からｔ３４までの時系列データを取得するセンサ、およびｔ３２からｔ３５までの時系列データを取得するセンサの各々は、互いに異なるセンサであってもよい。
　さらに、図１１に示されるように、実施の形態３に係る予測装置において、制御装置１１は、予測モデルを生成した後、生成した予測モデルの精度を確認するための処理を実行してもよい。そして、プロセッサ１１は、重み付けに関するパラメータ（α，Ｔ０）を調整してもよい。
　具体的には、プロセッサ１１は、下記の式（７）で表される関数（距離関数）を用いて予測モデルの精度を確認することで、重み付けに関するパラメータ（α，Ｔ０）を調整する。
Figure JPOXMLDOC01-appb-M000008
　式（７）において、ＣＲ（ｔ）は、時刻ｔにおける実測値を示す関数である。なお、ＣＲ（ｔ）は、前処理を実行した後の補正実測値を示す関数であってもよい。ＣＷ（ｔ）は、予測モデルの関数（たとえば、双曲線関数）である。
　プロセッサ１１は、式（７）で表される関数の和Ｆが最小となるようなパラメータ（α，Ｔ０）の値を算出し、算出した値を予測モデルの関数に適用することで、予測モデルを最適化することができる。
　このように、プロセッサ１１は、第１モデルと第２モデルとを接合するときの重み付けに関するパラメータ（α，Ｔ０）を調整することで、時系列データの変化に応じて精度の高い予測を行うことができる。
　なお、プロセッサ１１は、距離関数を用いて予測モデルによる予測値と実測値とを比較する際、ユーグリット距離およびマンハッタン距離など、公知の距離関数を用いてもよい。さらに、プロセッサ１１は、公知のカルマンフィルタを用いて予測モデルによる予測値と実測値とを比較してもよい。
　［実施の形態４］
　図１２を参照しながら、実施の形態４に係る予測装置について説明する。図１２は、実施の形態４に係る予測装置が予測する時系列データの変化を示す図である。以下では、実施の形態４に係る予測装置について、実施の形態１に係る予測装置１と異なる部分のみを説明する。
　実施の形態４に係る予測装置は、近い未来の第１予測区間における予測に適した第１モデルと、遠い未来の第２予測区間における予測に適した第２モデルとに加えて、第１予測区間と第２予測区間との間の第３予測区間における予測に適した第３モデルを選択する。第３モデルは、第１モデルおよび第２モデルよりも、第３予測区間における変化後データの予測に適している。予測装置は、第１モデルと、第２モデルと、第３モデルとを接合することで、予測モデルを生成する。
　このように、実施の形態４に係る予測装置は、第１予測区間における予測に適した第１モデルと、第１予測区間よりも後の第２予測区間における予測に適した第２モデルと、第１予測区間と第２予測区間との間の第３予測区間における予測に適した第３モデルとを、接合関数を用いて接合することで予測モデルを生成し、生成した予測モデルを用いて時系列データの変化を予測する。これにより、予測装置は、第１モデルを用いて第１予測区間における時系列データの変化を予測することに限らず、第２モデルまたは第３モデルを用いて第１予測区間よりも後の予測区間における時系列データの変化も予測することができるため、長時間に亘って時系列データの変化を精度よく予測することができる。
　なお、予測装置１は、３つ以上のモデルを用いて予測モデルを生成する場合、下記の式を用いて予測モデルを生成してもよい。
　たとえば、予測装置１は、下記の式（８）を用いて第１モデルと第２モデルとを接合する。
Figure JPOXMLDOC01-appb-M000009
　さらに、予測装置１は、下記の式（９）を用いることで、式（８）で生成されるモデルに対して第３モデルを接合する。
Figure JPOXMLDOC01-appb-M000010
　予測装置１は、式（８）および式（９）を用いて説明したような計算を、下記の式（１０）に従ってモデルの数に相当するＮ回繰り返す。
Figure JPOXMLDOC01-appb-M000011
　式（１０）をまとめると、下記の式（１１）が得られる。
Figure JPOXMLDOC01-appb-M000012
　ここで、式（１１）においては、下記の式（１２）～式（１４）が成立している。
Figure JPOXMLDOC01-appb-M000013
Figure JPOXMLDOC01-appb-M000014
Figure JPOXMLDOC01-appb-M000015
　なお、式（１１）に含まれる関数のうち、下記式（１５）で表される関数は、第１予測区間における予測に適した第１モデルに限らない。時系列で複数のモデルを並べた場合に、最も時間の早い予測区間に対応するモデルを下記式（１５）で表される関数に適用すればよい。
Figure JPOXMLDOC01-appb-M000016
　なお、第１モデル、第２モデル、および第３モデルといったような、予測モデルを生成する際に用いる複数のモデルの各々には、入力（たとえば時刻）に対して出力（たとえばＣＯ２濃度）を算出することができる公知のモデルを用いることができる。たとえば、複数のモデルの各々は、ニューラルネットワークを用いたモデル、サポートベクター回帰を用いたモデル、ロジスティック回帰を用いたモデル、線形回帰を用いたモデル、状態空間モデル、ガウス過程回帰を用いたモデル、および自己回帰を用いたモデルのうち、少なくとも１つであってもよい。
　一般的に、予測に要する計算量と予測精度とはトレードオフの関係にある。すなわち、長時間にわたって予測精度が高い予測モデルを生成する場合、計算量が増大する傾向にある。これに対して、実施の形態に係る予測装置１のように、計算量が小さいが予測可能な時間が短い複数のモデルを、複数の予測区間ごとに選択し、それらを接合して１つの予測モデルを生成すれば、計算量が増大することを抑えながら、長時間に亘って時系列データの変化を精度よく予測することができる。
　以上、複数の実施の形態および変形例について説明したが、これらの複数の実施の形態および変形例の各々における特徴は、矛盾が生じない範囲で適宜組み合わせることが可能である。
　今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１，１００　予測装置、５　リムーバブルディスク、１１　プロセッサ、１１Ａ　生成部、１１Ｂ　予測部、１２　記憶装置、１３　メディア読取装置、１４　センサ、１５，３１５　ディスプレイ、１６，３１６　スピーカ、１７　出力装置、１８　メモリ、２０　室内空間、２１　窓、２２　ドア、１１０，２１０，３１０　通信装置、１２１　予測プログラム、１２２　演算用データ、１２３　時系列データ、１５１，１５３，１５４　アイコン、１５２　グラフ、２００　モニタリング装置、２１４Ａ　第１センサ、２１４Ｂ　第２センサ、３００　通知装置、５００　ネットワーク、１０００　予測システム。

Claims (18)

  1. 　時系列データの変化を予測する予測装置であって、
    　前記時系列データを記憶するメモリと、
    　前記メモリに記憶された前記時系列データと、予測モデルとに基づき、前記時系列データが変化した後の変化後データを予測するプロセッサとを備え、
    　前記予測モデルは、第１モデルと、第２モデルとを含み、
    　前記第１モデルは、前記第２モデルよりも、第１予測区間における前記変化後データの予測に適しており、
    　前記第２モデルは、前記第１モデルよりも、前記第１予測区間の後の第２予測区間における前記変化後データの予測に適しており、
    　前記プロセッサは、前記時系列データと、前記予測モデルとに基づき、前記第１予測区間と前記第２予測区間との間の区間における前記変化後データを予測する、予測装置。
  2. 　前記予測モデルは、前記第１モデルと前記第２モデルとが重み付けされて足し合わされることによって生成されている、請求項１に記載の予測装置。
  3. 　前記予測モデルは、前記時系列データに基づき前記重み付けに関するパラメータが調整されることによって生成されている、請求項２に記載の予測装置。
  4. 　前記時系列データ、前記予測モデル、および前記プロセッサが前記変化後データを予測するための予測プログラムを記憶する記憶装置をさらに備える、請求項１に記載の予測装置。
  5. 　前記時系列データを取得する少なくとも１つのセンサをさらに備える、請求項１～請求項４のいずれか１項に記載の予測装置。
  6. 　前記少なくとも１つのセンサは、前記時系列データとして二酸化炭素濃度を取得する、請求項５に記載の予測装置。
  7. 　前記プロセッサは、前記変化後データが閾値に到達すると予測される到達予測時刻を出力する、請求項１～請求項６のいずれか１項に記載の予測装置。
  8. 　前記プロセッサは、前記変化後データを予測した予測時点から、前記変化後データが閾値に到達すると予測される到達予測時刻に達するまでの到達予測時間を出力する、請求項１～請求項６のいずれか１項に記載の予測装置。
  9. 　前記プロセッサは、
    　第１予測時点において、前記変化後データが前記閾値に到達すると予測される第１到達予測時刻を算出し、
    　前記第１予測時点よりも後の第２予測時点において、前記変化後データが前記閾値に到達すると予測される第２到達予測時刻を算出し、
    　前記第１到達予測時刻と前記第２到達予測時刻との間の時間が所定時間以上である場合に、前記到達予測時刻が変化したことを特定するための信号を出力する、請求項７または請求項８に記載の予測装置。
  10. 　コンピュータによる時系列データの変化を予測する予測方法であって、
    　前記時系列データを記憶する記憶ステップと、
    　前記記憶ステップによって記憶された前記時系列データと、予測モデルとに基づき、前記時系列データが変化した後の変化後データを予測する予測ステップとを含み、
    　前記予測モデルは、第１モデルと、第２モデルとを含み、
    　前記第１モデルは、前記第２モデルよりも、第１予測区間における前記変化後データの予測に適しており、
    　前記第２モデルは、前記第１モデルよりも、前記第１予測区間の後の第２予測区間における前記変化後データの予測に適しており、
    　前記予測ステップは、前記時系列データと、前記予測モデルとに基づき、前記第１予測区間と前記第２予測区間との間の区間における前記変化後データを予測するステップを含む、予測方法。
  11. 　前記第１モデルと前記第２モデルとを重み付けして足し合わせることによって前記予測モデルを生成する生成ステップをさらに含む、請求項１０に記載の予測方法。
  12. 　前記生成ステップは、前記時系列データに基づき前記重み付けに関するパラメータを調整するステップを含む、請求項１１に記載の予測方法。
  13. 　前記生成ステップは、
    　前記時系列データに基づき、前記第１モデルに含まれる前記重み付けに関する第１パラメータを調整するステップと、前記時系列データに基づき、前記第２モデルに含まれる前記重み付けに関する第２パラメータを調整するステップとを含む、請求項１２に記載の予測方法。
  14. 　前記生成ステップは、前記第１モデルと前記第２モデルとを、双曲線関数を用いて足し合わせるステップを含む、請求項１１～請求項１３のいずれか１項に記載の予測方法。
  15. 　前記双曲線関数は、
    Figure JPOXMLDOC01-appb-M000001
    によって表され、式中、Ｃｗ（ｔ）は前記双曲線関数であり、ＣＬ（ｔ）は前記第１モデルであり、ＣＮＬ（ｔ）は前記第２モデルであり、αおよびＴ０は前記第１モデルと前記第２モデルとを足し合わせるときの重み付けに関するパラメータである、請求項１４に記載の予測方法。
  16. 　前記予測モデルは、第３モデルをさらに含み、　前記第３モデルは、前記第１モデルおよび前記第２モデルよりも、前記第１予測区間と前記第２予測区間との間の第３予測区間における前記変化後データの予測に適している、請求項１０～請求項１５のいずれか１項に記載の予測方法。
  17. 前記第１モデルは、時間変化に対する前記時系列データの変化が線形で表される線形モデルであり、
    　前記第２モデルは、前記時間変化に対する前記時系列データの変化が非線形で表される非線形モデルである、請求項１０～請求項１６のいずれか１項に記載の予測方法。
  18. 　時系列データの変化を予測する予測プログラムであって、
    　コンピュータに、
    　前記時系列データを記憶する記憶ステップと、
    　前記記憶ステップによって記憶された前記時系列データと、予測モデルとに基づき、前記時系列データが変化した後の変化後データを予測する予測ステップとを実行させ、
    　前記予測モデルは、第１モデルと、第２モデルとを含み、
    　前記第１モデルは、前記第２モデルよりも、第１予測区間における前記変化後データの予測に適しており、
    　前記第２モデルは、前記第１モデルよりも、前記第１予測区間の後の第２予測区間における前記変化後データの予測に適しており、
    　前記予測ステップは、前記時系列データと、前記予測モデルとに基づき、前記第１予測区間と前記第２予測区間との間の区間における前記変化後データを予測するステップを含む、予測プログラム。
PCT/JP2022/011921 2021-04-30 2022-03-16 予測装置、予測方法、および予測プログラム WO2022230418A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202280031514.6A CN117223021A (zh) 2021-04-30 2022-03-16 预测装置、预测方法以及预测程序
JP2022542780A JP7180819B1 (ja) 2021-04-30 2022-03-16 予測装置
JP2022182700A JP7375896B2 (ja) 2021-04-30 2022-11-15 予測装置、予測方法、および予測プログラム
US18/083,591 US20230119668A1 (en) 2021-04-30 2022-12-19 Predictive sensor system, method, and computer program product

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-077442 2021-04-30
JP2021077442 2021-04-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/083,591 Continuation US20230119668A1 (en) 2021-04-30 2022-12-19 Predictive sensor system, method, and computer program product

Publications (1)

Publication Number Publication Date
WO2022230418A1 true WO2022230418A1 (ja) 2022-11-03

Family

ID=83848370

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/011921 WO2022230418A1 (ja) 2021-04-30 2022-03-16 予測装置、予測方法、および予測プログラム

Country Status (4)

Country Link
US (1) US20230119668A1 (ja)
JP (2) JP7180819B1 (ja)
CN (1) CN117223021A (ja)
WO (1) WO2022230418A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7367134B2 (ja) 2021-08-23 2023-10-23 旭化成エレクトロニクス株式会社 二酸化炭素濃度予測システム、二酸化炭素濃度予測方法および二酸化炭素濃度予測プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05173602A (ja) * 1991-12-21 1993-07-13 Toshiba Corp 適応型モデル予測制御装置
JP2016126718A (ja) * 2015-01-08 2016-07-11 日本電信電話株式会社 時系列データ予測装置及び時系列データ予測方法
WO2017134847A1 (ja) * 2016-02-04 2017-08-10 三菱電機株式会社 空調制御評価装置、空調システム、空調制御評価方法及びプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5173602B2 (ja) 2008-05-30 2013-04-03 三菱重工業株式会社 過給機

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05173602A (ja) * 1991-12-21 1993-07-13 Toshiba Corp 適応型モデル予測制御装置
JP2016126718A (ja) * 2015-01-08 2016-07-11 日本電信電話株式会社 時系列データ予測装置及び時系列データ予測方法
WO2017134847A1 (ja) * 2016-02-04 2017-08-10 三菱電機株式会社 空調制御評価装置、空調システム、空調制御評価方法及びプログラム

Also Published As

Publication number Publication date
JP2023017982A (ja) 2023-02-07
JP7180819B1 (ja) 2022-11-30
US20230119668A1 (en) 2023-04-20
JP7375896B2 (ja) 2023-11-08
JPWO2022230418A1 (ja) 2022-11-03
CN117223021A (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
US9813810B1 (en) Multi-microphone neural network for sound recognition
JP7031594B2 (ja) 異常検出装置、異常検出方法、及びプログラム
US9418665B2 (en) Method for controlling device and device control system
US8600918B2 (en) Action history search device
JP5768834B2 (ja) プラントモデル管理装置及び方法
EP3832556B1 (en) Action optimization device, method and program
WO2016088413A1 (ja) 情報処理装置、情報処理方法およびプログラム
JP7375896B2 (ja) 予測装置、予測方法、および予測プログラム
US20230027458A1 (en) Auralization for multi-microphone devices
US11856287B2 (en) Cooking apparatus and controlling method thereof
JP6744767B2 (ja) 人流予測装置、パラメータ推定装置、方法、及びプログラム
JP7006199B2 (ja) データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
JP6895334B2 (ja) 運用ルール抽出装置、運用ルール抽出システムおよび運用ルール抽出方法
JP6648435B2 (ja) 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法
JP2022039406A (ja) 情報処理装置、情報処理方法およびプログラム
JP2009276981A (ja) Ｐｉｄコントローラのチューニング装置、ｐｉｄコントローラのチューニング用プログラムおよびｐｉｄコントローラのチューニング方法
Zhang et al. Estimating the number of occupants and activity intensity in large spaces with environmental sensors
JPWO2019224909A1 (ja) パラメータ選択方法、パラメータ選択プログラム、及び情報処理装置
JP4820747B2 (ja) 旅行時間算出装置、プログラム、および記録媒体
WO2016017171A1 (ja) 流量予測装置、混合比推定装置、方法およびコンピュータ読み取り可能記録媒体
KR20220128105A (ko) 미세 먼지 농도 모니터링 방법 및 그 장치
WO2023047939A1 (ja) 計測装置、計測方法、計測プログラム、および判定システム
JP2016111426A (ja) 推定装置、推定方法、およびプログラム
JP2014219315A (ja) 余震予測装置、余震予測方法、および、プログラム
WO2023175649A1 (ja) 学習装置、機器制御システム、学習方法、及び、プログラム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022542780

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22795340

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22795340

Country of ref document: EP

Kind code of ref document: A1