Top > Search of Japanese Patents > (In Japanese)予測装置、パラメータ集合生産方法及びプログラム

(In Japanese)予測装置、パラメータ集合生産方法及びプログラム meetings

Patent code P190016220
File No. (S2016-0916-N0)
Posted date Jul 26, 2019
Application number P2018-527609
Date of filing Jul 11, 2017
International application number JP2017025236
International publication number WO2018012487
Date of international filing Jul 11, 2017
Date of international publication Jan 18, 2018
Priority data
  • P2016-138075 (Jul 12, 2016) JP
Inventor
  • (In Japanese)松原 靖子
  • (In Japanese)櫻井 保志
Applicant
  • (In Japanese)国立大学法人熊本大学
Title (In Japanese)予測装置、パラメータ集合生産方法及びプログラム meetings
Abstract (In Japanese)大規模な時系列データストリームを用いて、高精度に長期予測をも実現することが可能な予測装置等を提案する。予測装置1において、データストリームの階層的な構造に、カレントウィンドウ計算部11、レジーム更新部13、レジーム追加部15が対応する。さらに、パラメータ集合記憶部7に記憶されたパラメータ集合により特定される数理モデルは、非線形要素を含み、データストリームの非線形性を表現することができる。レジーム更新部13は、パラメータ集合を更新することにより、非線形動的システムによる予測を実現する。さらに、レジーム追加部15は、データストリームにおける新たなパターン(レジーム)を追加する。レジーム更新部13は、あるレジームから別のレジームへと移るイベントストリーム上でのレジームシフトを利用する。これにより、高精度な長期予測をも実現する。
Outline of related art and contending technology (In Japanese)

発明者らは、これまで、時系列データの解析を研究してきた(非特許文献1参照)。発明者らが提案したAutoPlaitは、時系列データの特徴抽出に関して注目されている。

時系列データに基づく予測について、例えば、自己回帰モデル(AR:autoregressive model)、その発展形であるARIMA(Autoregressive integrated moving average model)、線形動的システム(LDS:linear dynamical systems)、カルマンフィルタ(KF:Kalman filters)などが知られている。これらに基づく時系列の解析と予測手法として、AWSOM、TBATS、PLiFなどが提案されている。

Field of industrial application (In Japanese)

本願発明は、予測装置、パラメータ集合生産方法及びプログラムに関し、特に、時刻tcまでのデータストリームXの一部であるカレントウィンドウXCを用いて時刻tcからlsステップ以降の一つ又は複数のイベント値VEを予測する予測装置等に関する。

Scope of claims (In Japanese)
【請求項1】
 
時刻tcまでの時系列データXの一部であるカレントウィンドウXCを用いて時刻tcからlsステップ以降の一つ又は複数のイベント値を予測する予測装置であって、
パラメータ集合記憶手段と、レジーム更新手段と、予測手段を備え、
前記パラメータ集合記憶手段は、数理モデルを特定するパラメータ集合を記憶し、
前記数理モデルは、非線形要素を含み、
前記パラメータ集合は、前記非線形要素の係数を特定する非線形パラメータを含み、
前記レジーム更新手段は、前記非線形パラメータを変更せず、前記パラメータ集合に含まれる他のパラメータの一部又は全部を更新して、カレントウィンドウXCの各時刻のデータと、更新後の前記パラメータ集合により特定される数理モデルを用いて得られるカレントウィンドウXcの各時刻に対応するイベント値VCとの違いを小さくし、
前記予測手段は、更新後の前記パラメータ集合により特定される数理モデルを用いて時刻tcからlsステップ以降の一つ又は複数のイベント値を予測する、予測装置。

【請求項2】
 
前記パラメータ集合記憶手段は、c個(cは自然数)のパラメータ集合θi(i=1,…,c)を記憶し、
前記予測手段は、更新後のc個のパラメータ集合θiの一部又は全部を用いてイベント値VEを予測する、請求項1記載の予測装置。

【請求項3】
 
レジーム追加手段を備え、
前記レジーム追加手段は、カレントウィンドウXCの各時刻でのデータと、更新後のc個のパラメータ集合θiを用いて得られる対応する各時刻のイベント値VCとの違いが追加条件を満たすならば、前記パラメータ集合記憶手段に、新たなパラメータ集合θc+1を追加し、
前記レジーム更新手段は、c+1個のパラメータ集合θi(i=1,…,c+1)に含まれる非線形パラメータ以外のパラメータの一部又は全部を更新し、
前記予測手段は、更新後のc+1個のパラメータ集合θi(i=1,…,c+1)により特定される数理モデルの一部又は全部を用いてイベント値を予測する、請求項2記載の予測装置。

【請求項4】
 
前記数理モデルは、線形要素を含み、
前記パラメータ集合は、前記線形要素を特定する線形パラメータを含み、
前記レジーム追加手段は、
前記非線形パラメータを変更せずに前記線形パラメータを決定し、
決定した前記線形パラメータを使用して前記非線形パラメータを決定する、請求項1から3のいずれかに記載の予測装置。

【請求項5】
 
カレントウィンドウXc(j)(j=1,…,h、hは自然数)は、h階層であり、
前記パラメータ集合は、h階層の前記カレントウィンドウXc(j)に対応してh階層であり、
前記レジーム更新手段は、各階層において前記パラメータ集合を更新し、
前記予測手段は、各階層において予測されたイベント値から全体のイベント値を予測する、請求項1から4のいずれかに記載の予測装置。

【請求項6】
 
時刻tcまでの時系列データの一部であるカレントウィンドウXCを用いて、数理モデルを特定するパラメータ集合の一部のパラメータを変更して新たなパラメータ集合を生産するパラメータ集合生産方法であって、
前記数理モデルは、非線形要素を含み、
前記パラメータ集合は、前記非線形要素を特定する非線形パラメータを含み、
前記情報処理装置が備えるレジーム更新手段が、前記非線形パラメータを変更せず、前記パラメータ集合に含まれる他のパラメータの一部又は全部を更新して、カレントウィンドウXCの各時刻のデータと、更新後の前記パラメータ集合により特定される数理モデルを用いて得られるカレントウィンドウXCの各時刻に対応するイベント値VCとの違いを小さくする更新ステップを含むパラメータ集合生産方法。

【請求項7】
 
コンピュータを、請求項1から5のいずれかに記載の予測装置として機能させるためのプログラム。
IPC(International Patent Classification)
F-term
  • 5L049AA04
Drawing

※Click image to enlarge.

JP2018527609thum.jpg
State of application right Published
Please contact us by E-mail or telephone if you have any interests on this patent.


PAGE TOP

close
close
close
close
close
close
close