特許 6483576 事象判定装置及び数量予測システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6483576

(24)【登録日】2019年2月22日

(45)【発行日】2019年3月13日

(54)【発明の名称】事象判定装置及び数量予測システム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20190304BHJP

   G06F 9/50 20060101ALI20190304BHJP

   G06F 17/18 20060101ALI20190304BHJP

【ＦＩ】

   G06N99/00 153

   G06F9/50 150Z

   G06F17/18 Z

【請求項の数】6

【全頁数】12

(21)【出願番号】特願2015-172197(P2015-172197)

(22)【出願日】2015年9月1日

(65)【公開番号】特開2017-49779(P2017-49779A)

(43)【公開日】2017年3月9日

【審査請求日】2016年7月26日

【審判番号】不服2018-4054(P2018-4054/J1)

【審判請求日】2018年3月23日

(73)【特許権者】

【識別番号】391016358

【氏名又は名称】東芝情報システム株式会社

(74)【代理人】

【識別番号】100090169

【弁理士】

【氏名又は名称】松浦 孝

(74)【代理人】

【識別番号】100074147

【弁理士】

【氏名又は名称】本田 崇

(72)【発明者】

【氏名】村松 久

(72)【発明者】

【氏名】朝倉 克己

【合議体】

【審判長】 辻本 泰隆

【審判官】 石井 茂和

【審判官】 山崎 慎一

(56)【参考文献】

【文献】 特開２０１２−１２３４６０（ＪＰ，Ａ）

【文献】 特開２００９−２５１７７９（ＪＰ，Ａ）

【文献】 特開平０８−１０６４４８（ＪＰ，Ａ）

【文献】 佐々木仁，外４名，“ＳＶＭに基づく画像認識処理のＧＰＵを用いた高速化手法”，ＤＡシンポジウム ２０１１ 情報処理学会シンポジウムシリーズ，一般社団法人情報処理学会，２０１１年０８月２４日，第２０１１巻，第５号，ｐｐ．１５３−１５８

【文献】 森秀樹，外１名，“クラスタ冗長による耐故障性木構造プロセッサ”，電子情報通信学会技術研究報告 ＣＰＳＹ９１−６２〜７０ コンピュータシステム，社団法人電子情報通信学会，１９９２年０１月３１日，第９１巻，第４６３号，ｐｐ．３３−３９

(58)【調査した分野】（Int.Cl.，ＤＢ名）

G06N 99/00, G06F 9/50, G06F 17/18

(57)【特許請求の範囲】

【請求項1】

教師データに基づき生成され、機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと、
前記複数のコアの分類器プログラムへ同一の入力情報を与えて、該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と、
前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段と
を具備することを特徴とする事象判定装置。

【請求項2】

前記ＧＰＵの複数のコアは、第１群の複数のコアと、第２群の複数のコアと、・・・、第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され、
前記第１群の複数のコアには、第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ、
前記第２群の複数のコアには、第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ、
・・・
前記第Ｎ群の複数のコアには、第（Ｎ−１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する請求項１に記載の事象判定装置。

【請求項3】

前記第１群の複数のコアの第１の分類器プログラムによる処理結果、前記第２群の複数のコアの第２の分類器プログラムによる処理結果、・・・、前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を、それぞれ多数決により決定することを特徴とする請求項２に記載の事象判定装置。

【請求項4】

教師データに基づき生成され、機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと、前記複数のコアの分類器プログラムへ同一の入力情報を与えて、該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と、前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段とを具備する事象判定装置を備え、
前記分類器プログラムを、入力情報が所定数値を基準として大小の分類を行う構成とし、分類結果を判定手段により判定して数量を予測することを特徴とする数量予測システム。

【請求項5】

前記ＧＰＵの複数のコアは、第１群の複数のコアと、第２群の複数のコアと、・・・、第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され、
前記第１群の複数のコアには、第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ、
前記第２群の複数のコアには、第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ、
・・・
前記第Ｎ群の複数のコアには、第（Ｎ−１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する請求項４に記載の数量予測システム。

【請求項6】

前記第１群の複数のコアの第１の分類器プログラムによる処理結果、前記第２群の複数のコアの第２の分類器プログラムによる処理結果、・・・、前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を、それぞれ多数決により決定することを特徴とする請求項５に記載の数量予測システム。

【発明の詳細な説明】

【技術分野】

【0001】

この発明は、極めて短時間に大量の情報を出力する例えばセンサなどのような情報発生源に対して高速に対応して事象判定を行うことのできる事象判定装置及び、その事象判定装置を用いて構成した数量予測システムに関するものである。

【背景技術】

【0002】

従来の事象判定装置は、ＣＰＵにおいて教師データを用いた機械学習によって分類器（分類器プログラム）を生成し、同じＣＰＵにおいて上記で得られた分類器プログラムのパラメータにより分類を行う構成を採用していた。

【0003】

例えば、図８（ａ）に示すように、ＣＰＵ１００において分類器生成プログラム１１０を稼働させ教師データ１０１を用いた機械学習を行う。この結果、図８（ｂ）に示すように、分類器（分類器プログラム）１０２が生成される。事象判定装置は、図９に示すように、ＣＰＵ１００において対象データ１２０を受けて上記で生成された分類器（分類器プログラム）１０２により分類を行い、結果１０３を得るものである。

【0004】

上記の通りに構成された従来の事象判定装置では、分類器プログラム１０２が機械学習の結果得たパラメータを全て一括して用いて判定を行うために、オーバーヘッドが大きくなり、短時間で大量に発生するセンサからの情報などを処理する場合には、処理が追いつかなくなるなどの問題があった。

【0005】

また、特許文献１には、大量のデータとして画像データを処理する装置において、画素単位の処理を並列処理することにより演算処理に要する時間を短縮することが記載されている。この処理装置においては、欠陥の種別を判定するにあたり、既知の欠陥画像により機械学習を行って分類アルゴリズムを得ることが示されている。

【0006】

また、特許文献２には、様々な機械学習技術に使用できるアーキテクチャをＣＰＵからＧＰＵへ転送することが示されている。この特許文献２のものは、ＧＰＵにおいて機械学習を行うものであり、また、それぞれの学習は画像データのピクセルを対象として行うものである。

【0007】

更に、特許文献３には、ウェブ材料の不均一性を検出するために画像解析を行うに際してＧＰＵを起動して処理を行うことが開示されている。このシステムは、学習を行うトレーニングフェーズとオンライン予測フェーズとを備えている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特開２０１４−１９０８２１号公報

【特許文献2】特開２００５−１８２７８５号公報

【特許文献3】特表２０１３−５４５９７９号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

上記特許文献１のものでは、機械学習を行うこと及び画素単位の並列処理を行うことを示すものの、機械学習により得られたパラメータについての処理については記載がなく、高速であり、しかも、高精度な処理が行われることの保証はない。

【0010】

また、上記特許文献２のものによれば、機械学習がＧＰＵにおいて行われ、しかもピクセル単位の処理であるので、センサなどにより収集される同一情報を並列処理するような状況に適用することはできない。

【0011】

更に、特許文献３のものでは、学習を行うトレーニングフェーズとオンライン予測フェーズとを備えるものの、特に高速化に関する手法の提示がなく、センサなどにより収集される大量の情報を的確に処理できる保証はない。

【0012】

本発明は、上記のような事象判定装置の現状に鑑みてなされたもので、その目的は、極めて短時間に大量の情報を出力する例えばセンサなどのような情報発生源に対して高速に対応して事象判定を行うことのできる事象判定装置及び、その事象判定装置を用いて構成した数量予測システムを提供することである。

【課題を解決するための手段】

【0013】

本発明に係る事象判定装置は、教師データに基づき生成され、機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと、前記複数のコアの分類器プログラムへ同一の入力情報を与えて、該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と、前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段とを具備することを特徴とする。

【0015】

本発明に係る事象判定装置では、前記ＧＰＵの複数のコアは、第１群の複数のコアと、第２群の複数のコアと、・・・、第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され、前記第１群の複数のコアには、第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ、前記第２群の複数のコアには、第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ、・・・、前記第Ｎ群の複数のコアには、第（Ｎ−１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する。

【0016】

本発明に係る事象判定装置では、前記第１群の複数のコアの第１の分類器プログラムによる処理結果、前記第２群の複数のコアの第２の分類器プログラムによる処理結果、・・・、前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を、それぞれ多数決により決定することを特徴とする。

【0017】

本発明に係る数量予測システムは、教師データに基づき生成され、機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと、前記複数のコアの分類器プログラムへ同一の入力情報を与えて、該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と、前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段とを具備する事象判定装置を備え、前記分類器プログラムを、入力情報が所定数値を基準として大小の分類を行う構成とし、分類結果を判定手段により判定して数量を予測することを特徴とする。

【0019】

本発明に係る数量予測システムでは、前記ＧＰＵの複数のコアは、第１群の複数のコアと、第２群の複数のコアと、・・・、第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され、前記第１群の複数のコアには、第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ、前記第２群の複数のコアには、第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ、・・・、前記第Ｎ群の複数のコアには、第（Ｎ−１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する。

【0020】

本発明に係る数量予測システムでは、前記第１群の複数のコアの第１の分類器プログラムによる処理結果、前記第２群の複数のコアの第２の分類器プログラムによる処理結果、・・・、前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を、それぞれ多数決により決定することを特徴とする。

【発明の効果】

【0021】

本発明によれば、ＧＰＵの複数のコアそれぞれに、教師データに基づき生成され、機械学習を用いた分類を行う分類器プログラムがそれぞれロードされており、これら複数のコアの分類器プログラムへ同一の入力情報を与えて並列処理させるので、極めて短時間に大量の情報を出力する例えばセンサなどのような情報発生源に対して高速に対応して事象判定を行うことが可能となる。

【図面の簡単な説明】

【0022】

【図1】本発明に係る事象判定装置の第１の実施形態の構成を示す図。

【図2】本発明に係る事象判定装置の第２の実施形態の構成を示す図。

【図3】本発明に係る数量予測システムの実施形態において用いられる教師データの一例を示す図。

【図4】本発明に係る数量予測システムの実施形態において用いられる入力情報の一例を示す図。

【図5】本発明に係る数量予測システムの第１の実施形態の構成を示す図。

【図6】本発明に係る数量予測システムの第２の実施形態の構成を示す図。

【図7】本発明に係る数量予測システムの第２の実施形態において数量予測判定手段が行う判定の一例を示す図。

【図8】従来例に係る事象判定装置の分類器を生成するまでの構成を示す図。

【図9】従来例に係る事象判定装置の分類器を生成した後に事象判定を行う処理の構成を示す図。

【発明を実施するための形態】

【0023】

以下添付図面を参照して、本発明に係る事象判定装置及び数量予測システムの実施形態を説明する。各図において、同一の構成要素には同一の符号を付して重複する説明を省略する。図１に、分類器プログラムを生成する構成を含んだ第１の実施形態に係る事象判定装置のブロック図を示す。ここでは、一つのセンサ１０から入力情報を得るものを例とする。センサ１０は、温度、光量、水位などのデータを収集するもので、収集するデータに特に限定はない。

【0024】

センサ１０により得られるデータは、分類器生成モードでは、ＣＰＵ２０へ送られる。ＣＰＵ２０では、センサ１０により得られるデータは、教師データとされる。教師データは、センサ１０の出力データに対して事象判定結果であるラベルが付加されたデータであり、例えば、センサ１０の出力データが温度である場合に、ラベルとしては、商品が売れる（ラベルＡ）と商品が売れない（ラベルＢ）とが付されたものとすることができる。

【0025】

ＣＰＵ２０には、分類器生成プログラム２１が備えられており、分類器生成プログラム２１は、上記教師データに基づき、分類器プログラムを生成するものである。この分類器プログラムは、センサ１０から送られる新たなデータに対して機械学習を用いた分類を行い、ラベルを付す処理を行う。ここのラベルを付す処理は、事象判定が行われていない新たなデータに対して、前述の通りラベルＡ、Ｂのいずれかを付す処理である。

【0026】

２は、事象判定装置を示す。この事象判定装置２は、ＧＰＵ３０とＣＰＵ４０により構成される。ＧＰＵ３０には、演算ユニットであるコア３１−１〜３１−ｎが複数設けられている。コア３１−１〜３１−ｎの数ｎは、年々多くなっており、近年では、６０００〜８０００にのぼるものも登場している。本実施形態では、上記ＣＰＵ２０において生成された分類器プログラムを実行可能な単位に分割してコア３１−１〜３１−ｎにロードするものであり、実行可能な単位に分割した分類器プログラム数以上のコア３１−１〜３１−ｎがＧＰＵ３０に備えられていれば良い。

【0027】

ＧＰＵ３０には、制御手段である制御ユニット３２が設けられている。制御ユニット３２は、複数のコア３１−１〜３１−ｎの分類器プログラムへ同一の入力情報（センサ１０から送られるデータ）を与えて並列処理させる。

【0028】

ＧＰＵ３０における複数のコア３１−１〜３１−ｎの出力は、ＣＰＵ４０へ与えられている。ＣＰＵ４０には、プログラムにより実現される判定手段４１が備えられている。判定手段４１は、複数のコア３１−１〜３１−ｎの分類器プログラムにより処理された結果を統計処理して事象判定を行うものである。ここで、統計処理としては、多数決を用いることができる。

【0029】

以上の通りに構成された第１の実施形態に係る事象判定装置では、センサ１０からデータが送られると、このデータは、複数のコア３１−１〜３１−ｎに与えられ、制御手段である制御ユニット３２の制御の下に、複数のコア３１−１〜３１−ｎの各分類器プログラムにより並列処理される。各分類器プログラムが、前述の例のように、ラベルＡとラベルＢとに分類を行うときには、分類器プログラムがロードされたコア３１−１〜３１−ｎの数に相当する分類結果がＧＰＵ３０からＣＰＵ４０へ出力される。

【0030】

上記により分類結果をＣＰＵ４０の判定手段４１が受け取り、統計処理により事象判定を行う。例えば、統計処理として多数決を採用し、分類結果のラベルＡとラベルＢとについて数が多いラベルを事象判定結果とすることができる。このように本実施形態では、１つのデータに対して並列処理が行われるので、極めて短時間に大量の情報を出力する例えばセンサなどのような入力に対して高速に対応して事象判定を行うことが可能である。

【0031】

次に、図２に示す第２の実施形態に係る事象判定装置３を説明する。ＧＰＵ５０においては、コアが、第１群、第２群、・・・、第Ｎ（Ｎは２以上の整数）群に分けられている。第１群にはコア５１−１〜５１−ｎが設けられ、第２群にはコア５２−１〜５２−ｎが設けられ、・・・、第Ｎ群にはコア５Ｎ−１〜５Ｎ−ｎが設けられている。

【0032】

上記の第１群の複数のコア５１−１〜５１−ｎには、センサ１０から与えられるデータに対して第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされる。第１の分類器プログラムは、センサ１０から与えられるデータに対して、例えば、１０（第１の数値）以上の商品Ａが売れるか否か分類を行う。上記の第２群の複数のコア５２−１〜５２−ｎには、センサ１０から与えられるデータに対して第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされる。第２の分類器プログラムは、センサ１０から与えられるデータに対して、例えば、２０（第２の数値）以上の商品Ａが売れるか否か分類を行う。以下同様に、例えば、１０の刻みで増加した、所定数以上の商品Ａが売れるか否か分類を行う分類器プログラムがロードされる。そして、上記の第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎには、センサ１０から与えられるデータに対して第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされる。第Ｎの分類器プログラムは、センサ１０から与えられるデータに対して，例えば、１０×Ｎ（第Ｎの数値）以上の商品Ａが売れるか否か分類を行う。

【0033】

図示しないＣＰＵには、分類器生成プログラムが備えられており、この分類器生成プログラムは、教師データ（センサ１０から与えられるデータの例とそのときに商品Ａがいくつ入れたかを示す例えば実績データ）に基づき、第１〜第Ｎの分類器プログラムを生成するものである。生成された第１〜第Ｎの分類器プログラムは、前述の通りに各群の複数のコアにロードされ、第１の実施形態の事象判定装置と同様に、センサ１０から送られる新たなデータに対して機械学習を用いた上記の分類処理を行う。

【0034】

また、第１群の複数のコア５１−１〜５１−ｎに対して第１群の制御ユニット５１Ｃが備えられ、第２群の複数のコア５２−１〜５２−ｎに対して第２群の制御ユニット５２Ｃが備えられ、・・・、第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎに対して第Ｎ群の制御ユニット５ＮＣが備えられている。これら第１群の制御ユニット５１Ｃ、第２群の制御ユニット５２Ｃ、・・・、第Ｎ群の制御ユニット５ＮＣは、制御手段であり、第１群の複数のコア５１−１〜５１−ｎの分類器プログラム、第２群の複数のコア５２−１〜５２−ｎの分類器プログラム、・・・、第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎの分類器プログラムへ同一の入力情報（センサ１０から送られるデータ）を与えて並列処理させる。

【0035】

ＧＰＵ５０の出力はＣＰＵ６０へ送られる。ＣＰＵ６０には、第１群の複数のコア５１−１〜５１−ｎによる分類結果を受けて判定を行う第１の判定手段６１−１、第２群の複数のコア５２−１〜５２−ｎによる分類結果を受けて判定を行う第２の判定手段６１−２、・・・、第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎによる分類結果を受けて判定を行う第Ｎの判定手段６１−Ｎが備えられている。

【0036】

第１の判定手段６１−１、第２の判定手段６１−２、・・・、第Ｎの判定手段６１−Ｎは、いずれも統計処理により事象判定を行う。第１群の複数のコア５１−１〜５１−ｎからは、第１の数値以上であるか否かの分類結果がｎ個もたらされるので、第１の判定手段６１−１は、ｎ個の分類結果の多数決によって第１の数値以上であるか否かの事象判定を行う。第２群の複数のコア５２−１〜５２−ｎからは、第２の数値以上であるか否かの分類結果がｎ個もたらされるので、第２の判定手段６１−２は、ｎ個の分類結果の多数決によって第２の数値以上であるか否かの事象判定を行う。以下同様に事象判定を行い、第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎからは、第Ｎの数値以上であるか否かの分類結果がｎ個もたらされるので、第Ｎの判定手段６１−Ｎは、ｎ個の分類結果の多数決によって第Ｎの数値以上であるか否かの事象判定を行う。このように第２の実施形態では、１つのデータに対して異なる複数の事象判定を、それぞれ並列処理により行うので、極めて短時間に大量の情報を出力する例えばセンサなどのような入力に対して高速に対応して事象判定を行うことが可能である。

【0037】

次に、事象判定装置を用いた数量予測システムを説明する。数量予測システムは、商品に販売数、製品の歩留り数、入場者数、営業担当の販売達成率などの数量を予測する。数量予測システムは、所定対象の外的条件と内的条件の少なくとも１つの条件が所定のときに、前記所定対象の所定事象が所定時間内に発生する数量を予測するものである。ここで商品の販売数を予測するシステムでは、「所定対象」は商品であり、「所定事象」は販売されることであり、「所定時間」は１日や１か月などの期間である。また、製品の歩留り数を予測するシステムでは、「所定対象」は製品であり、「所定事象」は良品が製造されることであり、「所定時間」は１日や１か月などの期間である。また、入場者数を予測するシステムでは、「所定対象」は人であり、「所定事象」は人が入場することであり、「所定時間」は１日や１か月などの期間である。更に、営業担当者の販売達成率を予測するシステムでは、「所定対象」は或る営業担当者であり、「所定事象」は或る営業担当者が商品を販売することであり、「所定時間」は１日や１か月などの期間である。

【0038】

所定対象の外的条件とは、温度や湿度、天気、騒音（デシベル）などであり、所定対象の内的条件とは、商品や製品であれば、組成（何からできているか、何が何％含まれているかなど）、固さや柔らかさなどであり、人であれば、体温、脈拍数、病気などとすることができる。

【0039】

教師データ８０は、所定対象の外的条件と内的条件の少なくとも１つの条件情報と、発生数量とを含む一連データが複数含まれて構成される。数量予測システムの第１の実施形態では、図３に示すように、条件情報として項目１〜項目ｍがあり、項目１に温度が採用され、項目ｍに天気が採用されているものとする。「発生数量」は数量であり、一連データはＮｏにより区分される、表中の一行分のデータを意味する。

【0040】

数量予測システムの第１の実施形態は図５に示すように構成される。数量予測システムの第１の実施形態に用いられる事象判定装置へ与えられる対象データとしての入力情報は、上記教師データ８０と同じ条件情報である項目１〜項目ｍを有する一連データ(図４の一行分のデータ)であって、数量が求められていないデータである。

【0041】

上記教師データ８０に基づき、分類器生成プログラムが備えられた図示しないＣＰＵによって、事象判定装置の第１の実施形態と同様にして、分類器プログラムが生成される。この分類器プログラムは、情報発生源９０から送られる新たなデータ(図４の一行分のデータ)に対して機械学習を用いた分類を行い、ラベルを付す処理を行う。ラベルとしては、新たなデータ(図４の一行分のデータ)に対して、発生する数量が第１の数量（例えば１０）以上であるか否かとすることができる。

【0042】

ＧＰＵ３０には、演算ユニットであるコア３１−１〜３１−ｎが複数設けられ、制御手段である制御ユニット３２が設けられている。本実施形態では、ＧＰＵ３０は、事象判定装置の第１の実施形態と同様に、分類器プログラムが実行可能な単位に分割されてコア３１−１〜３１−ｎにロードされた構成とされている。ＧＰＵ３０における複数のコア３１−１〜３１−ｎの出力が、判定手段４１が備えるＣＰＵ４０へ与えられる構成も、事象判定装置の第１の実施形態と同様の構成である。

【0043】

以上の通りに構成された第１の実施形態に係る数量予測システムでは、既に説明した対象データである入力情報が情報発生源９０からＧＰＵ３０に与えられる。もしくは、ＧＰＵ３０が既に説明した対象データである入力情報を情報発生源９０から取り込む。複数のコア３１−１〜３１−ｎの分類器プログラムへ同一の入力情報が与えられて並列処理される。複数のコア３１−１〜３１−ｎの分類器プログラムにより処理され、ＣＰＵ４０の判定手段４１へ与えられる。判定手段４１は、複数のコア３１−１〜３１−ｎの分類器プログラムにより処理された結果を統計処理としての多数決を用いて判定を行う。この結果、入力情報により発生する数量が第１の数量（例えば１０）以上であるか否かという数量予測を得ることができる。

【0044】

図６に第２の実施形態に係る数量予測システムの構成を示す。この数量予測システムは、第２の実施形態に係る事象判定装置３の構成とほぼ同様である。この数量予測システムは、第２の実施形態に係る事象判定装置３の構成との差異は、図示しないＣＰＵには分類器生成プログラムが備えられており、分類器生成プログラムは、第１の実施形態に係る数量予測システムと同様の教師データ８０に基づき、第１〜第Ｎの分類器プログラムを生成するものである。

【0045】

第１の分類器プログラムは、センサ１０から与えられるデータに対して、例えば、１０（第１の数値）以上の商品Ａが売れるか否か分類を行う。上記の第２群の複数のコア５２−１〜５２−ｎには、センサ１０から与えられるデータに対して第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされる。第２の分類器プログラムは、センサ１０から与えられるデータに対して、例えば、２０（第２の数値）以上の商品Ａが売れるか否か分類を行う。以下同様に、例えば、１０の刻みで増加した、所定数以上の商品Ａが売れるか否か分類を行う分類器プログラムがロードされる。そして、上記の第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎには、センサ１０から与えられるデータに対して第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされる。第Ｎの分類器プログラムは、センサ１０から与えられるデータに対して，例えば、１０×Ｎ（第Ｎの数値）以上の商品Ａが売れるか否か分類を行う。

【0046】

また、第１の判定手段６１−１、第２の判定手段６１−２、・・・、第Ｎの判定手段６１−Ｎの判定結果が、数量予測判定手段７０へ送られている。更に、第１の実施形態に係る数量予測システムと同様の対象データである入力情報が、情報発生源９０からＧＰＵ５０へ与えられる。

【0047】

以上の通りに構成された第２の実施形態に係る数量予測システムでは、第１の実施形態に係る数量予測システムと同様の対象データである入力情報が、情報発生源９０からＧＰＵ５０へ与えられて、分類が行われる。つまり、第１群の複数のコア５１−１〜５１−ｎの分類器プログラム、第２群の複数のコア５２−１〜５２−ｎの分類器プログラム、・・・、第Ｎ群の複数のコア５Ｎ−１〜５Ｎ−ｎの分類器プログラムによる並列処理が行われる。

【0048】

第１の判定手段６１−１には第１の数値以上であるか否かの分類結果がｎ個もたらされ、第２の判定手段６１−２には第２の数値以上であるか否かの分類結果がｎ個もたらされ、・・・、第Ｎの判定手段６１−Ｎには第Ｎの数値以上であるか否かの分類結果がｎ個もたらされるので、いずれも統計処理により事象判定を行う。

【0049】

数量予測判定手段７０は、第１の判定手段６１−１の判定結果、第２の判定手段６１−２の判定結果、・・・、第Ｎの判定手段６１−Ｎの判定結果を受けて、例えば、図７に示すように、判定結果の肯定を「○」、否定を「×」で示す場合、最初に「○」から「×」へ変化した境界を予測数値とする。この例では図７（ａ）に示すように「４０以上」の分類器で最初に「○」から「×」へ変化しているので、「３０以上４０より少ない数」を数値予測結果とする。或いは、図７（ｂ）に示すように、「○」から「×」へ変化し、２度以上「×」が連続した境界を予測数値と判定することもできる。この図７（ｂ）の例では「５０以上」の分類器と「６０以上」の分類器で２度以上「×」が連続しているので、境界は「４０以上」の分類器と「５０以上」の分類器の間であり、「４０以上５０より少ない数」を数値予測結果とする。

【0050】

なお、分類器の刻みは、「１０」に限定されず、整数でも、小数点以下の数を含めて刻みとしても良い。また、事象判定装置においても、入力情報は１つのデータに限定されず、数量予測システムにおいて用いたように、複数の項目を含んだ情報であっても良い。勿論、複数の項目を含んだ情報を用いる場合には、このような情報と事象判定結果を含む教師データに基づき分類器プログラムを生成するものとする。

【符号の説明】

【0051】

２ 事象判定装置
１０ センサ
２０、４０ ＣＰＵ
２１ 分類器生成プログラム
３０、５０ ＧＰＵ
31-1、31-2、・・・、31-n コア
３２ 制御ユニット
４１ 判定手段
51-1、51-2、・・・、51-n コア
52-1、52-2、・・・、52-n コア
5N-1、5N-2、・・・、5N-n コア
５１Ｃ、５２Ｃ、・・・、５ＮＣ 制御ユニット
６１−１ 第１の判定手段
６１−２ 第２の判定手段
６１−Ｎ 第Ｎの判定手段
７０ 数量予測判定手段
８０ 教師データ
９０ 情報発生源

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】