特許 6984780 情報処理装置、情報処理システム及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6984780

(24)【登録日】2021年11月29日

(45)【発行日】2021年12月22日

(54)【発明の名称】情報処理装置、情報処理システム及び情報処理方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20211213BHJP

【ＦＩ】

   G06N20/00

【請求項の数】15

【全頁数】28

(21)【出願番号】特願2021-109203(P2021-109203)

(22)【出願日】2021年6月30日

【審査請求日】2021年6月30日

【早期審査対象出願】

(73)【特許権者】

【識別番号】000005234

【氏名又は名称】富士電機株式会社

(74)【代理人】

【識別番号】110000176

【氏名又は名称】一色国際特許業務法人

(72)【発明者】

【氏名】飯坂 達也

(72)【発明者】

【氏名】竜田 尚登

(72)【発明者】

【氏名】石津 旭

(72)【発明者】

【氏名】菊池 健

【審査官】 川▲崎▼ 博章

(56)【参考文献】

【文献】 国際公開第２０１７／１５９６１４（ＷＯ，Ａ１）

【文献】 特開２０１８−１８１１８４（ＪＰ，Ａ）

【文献】 特開２００３−０５８５７９（ＪＰ，Ａ）

【文献】 特開２００９−２８２７５０（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｎ ３／００−９９／００

(57)【特許請求の範囲】

【請求項1】

複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付ける第１入力受付部と、
前記選択された学習モデルに関するパラメータの入力を受け付ける第２入力受付部と、
前記パラメータが、前記選択された学習モデルが学習できるか否かを判別するための第１の条件を満たすか否かを判定する第１判定部と、
前記パラメータが前記第１の条件を満たす場合、前記パラメータを用いて前記選択された学習モデルを学習する学習部と、
前記パラメータが、前記第１の条件を満たさない場合、警報を発する第１警報部と、
前記パラメータが、前記選択された学習モデルを学習する際の第２の条件を満たすか否かを判定する第２判定部と、
を備え、
前記第１警報部は、前記パラメータが、前記第２の条件を満たさない場合、警報を発する、
情報処理装置。

【請求項2】

請求項１に記載の情報処理装置であって、
前記パラメータは、前記選択された学習モデルの構成を定めるための第１パラメータと、前記選択された学習モデルを学習するための第２パラメータとを含む、
情報処理装置。

【請求項3】

請求項２に記載の情報処理装置であって、
前記選択された学習モデルは、ニューラルネットワークであり、
前記第１パラメータは、隠れ層の数、及び隠れ層における素子数のうち少なくとも何れかを含み、
前記第１の条件は、前記第１パラメータの値が１以上となる条件を含む、
情報処理装置。

【請求項4】

請求項３に記載の情報処理装置であって、
前記第２パラメータは、学習係数、モーメント項、及び学習回数のうち少なくとも何れかを含み、
前記第１の条件は、前記第２パラメータの値が０より大きい値である条件を含む、
情報処理装置。

【請求項5】

請求項３又は４に記載の情報処理装置であって、
前記第１パラメータは、隠れ層の数を含み、
前記第２の条件は、前記隠れ層の数の値が第１の値以下となる条件を含む
情報処理装置。

【請求項6】

請求項３〜５のいずれか１項に記載の情報処理装置であって、
前記第１パラメータは、隠れ層における素子数を含み、
前記第２の条件は、前記隠れ層における素子数の値が、入力層の素子数の所定倍を示す第２の値以下となる条件を含む、
情報処理装置。

【請求項7】

請求項４〜６のいずれか１項に記載の情報処理装置であって、
前記第２パラメータは、学習係数を含み、
前記第２の条件は、前記学習係数の値が、第３の値以下となる条件を含む、
情報処理装置。

【請求項8】

請求項４〜７のいずれか１項に記載の情報処理装置であって、
前記第２パラメータは、モーメント項を含み、
前記第２の条件は、前記モーメント項の値が、第４の値以下となる条件を含む、
情報処理装置。

【請求項9】

請求項４〜８のいずれか１項に記載の情報処理装置であって、
前記第２パラメータは、学習回数を含み、
前記第２の条件は、前記学習回数が、第５の値以下となる条件を含む、
情報処理装置。

【請求項10】

請求項１〜９の何れか１項に記載の情報処理装置であって、
第１予測対象日における第１予測因子を取得する第１取得部と、
前記学習部で学習された学習モデルを用いて、前記第１予測因子から、前記第１予測対象日における所定の対象の需要の予測値を出力する第１出力部と
を更に備える情報処理装置。

【請求項11】

請求項１〜１０の何れか１項に記載の情報処理装置と、
第２予測対象日における第２予測因子を取得する第２取得部と、
所定の学習モデルを用いて、前記第２予測対象日における前記所定の対象の需要の予測値を出力する第２出力部と、
前記第２予測対象日における前記所定の対象の需要の実績値を取得する第３取得部と、
前記所定の対象の需要の予測値と、前記所定の対象の需要の実績値との誤差が所定の条件を満たす場合に、警報を発する第２警報部と
を備える需要予測装置と
を備える情報処理システム。

【請求項12】

請求項１１に記載の情報処理システムであって、
前記所定の条件は、
前記誤差が、所定値を超えた場合、
所定の予測回数において、前記誤差が正または負の何れかである回数が所定回数を超えた場合、
所定の予測回数において、前記誤差のばらつきが所定値を超えた場合、
所定の予測回数において、前記誤差の所定の分布傾向から逸脱する分布傾向が発現した場合、
の何れかである
情報処理システム。

【請求項13】

請求項１１又は１２に記載の情報処理システムであって、
前記第２予測因子は、前記第２予測対象日における実績値である
情報処理システム。

【請求項14】

請求項１１〜１３の何れか１項に記載の情報処理システムであって、
前記需要予測装置は、
前記学習部が学習することによって生成された前記パラメータを取得する第４取得部と、
前記パラメータを記憶する記憶部と
を更に備える情報処理システム。

【請求項15】

複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付けるステップと、
前記選択された学習モデルに関するパラメータの入力を受け付けるステップと、
前記パラメータが、前記選択された学習モデルが学習できるか否かを判別するための第１の条件を満たすか否かを判定するステップと、
前記パラメータが前記第１の条件を満たす場合、前記パラメータを用いて前記選択された学習モデルを学習するステップと、
前記パラメータが、前記第１の条件を満たさない場合、警報を発するステップと、
前記パラメータが、前記選択された学習モデルを学習する際の第２の条件を満たすか否かを判定するステップと、
前記パラメータが、前記第２の条件を満たさない場合、警報を発するステップと、
を含む情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理システム及び情報処理方法に関する。

【背景技術】

【0002】

機械学習を用いて、エネルギーや商品の将来の需要を予測する装置が知られている。

【0003】

例えば特許文献１には、ニューラルネットワークを用いて電力需要を予測する装置等が記載されている。また、特許文献２には、過去の日のうち、予測対象日の電力需要に類似する日を、決定木を用いて抽出する装置等が記載されている。

【0004】

これらのような従来の装置においては、通常、装置の設計者が、学習モデルの構成を定めるためのパラメータや学習モデルを学習するためのパラメータを設定した上で学習モデルを生成する。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特許第３３６０５２０号

【特許文献2】特許第６１８７００３号

【発明の概要】

【発明が解決しようとする課題】

【0006】

ところで、装置の運用者は、例えば、実績値と装置による予測値との誤差が許容範囲を超えた場合に、学習モデルをより良く実績値を再現できるものに更新したいと考える場合がある。このような場合、装置の設計者によって設定されたパラメータの調整をすることが考えられる。

【0007】

しかしながら、そのようなパラメータを適切な値に設定したり調整したりするには、相応の経験や専門知識を要する。従って、装置の運用者が自らパラメータの調整をすることは一般に困難である。一方、装置の設計者にパラメータの調整を依頼する場合、多大な時間と費用を要する。

【0008】

本発明の目的は、学習モデルの構成を定めるためのパラメータや学習モデルを学習するためのパラメータを、容易に適切な値に調整することが可能な情報処理装置を提供することである。

【課題を解決するための手段】

【0009】

上記目的を達成するための一の発明は、複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付ける第１入力受付部と、前記選択された学習モデルに関するパラメータの入力を受け付ける第２入力受付部と、前記パラメータが、前記選択された学習モデルが学習できるか否かを判別するための第１の条件を満たすか否かを判定する第１判定部と、前記パラメータが前記第１の条件を満たす場合、前記パラメータを用いて前記選択された学習モデルを学習する学習部と、を備える情報処理装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

【発明の効果】

【0010】

本発明によれば、学習モデルの構成を定めるためのパラメータや学習モデルを学習するためのパラメータを、容易に適切な値に調整することが可能な情報処理装置を提供することができる。

【図面の簡単な説明】

【0011】

【図1】情報処理システム１を説明する図である。

【図2】学習処理装置３のハードウェア構成を説明する図である。

【図3】学習データ６０を説明する図である。

【図4】学習処理装置３の機能ブロックを説明する図である。

【図5】学習モデルを生成する処理の流れを説明する図である。

【図6】需要予測装置４のハードウェア構成を説明する図である。

【図7】需要予測装置４の機能ブロックを説明する図である。

【図8】電力需要を予測する処理の流れを説明する図である。

【図9】誤差の推移を説明する図である。

【図10】情報処理装置５のハードウェア構成を説明する図である。

【図11】学習モデル６１の情報を説明する図である。

【図12】ニューラルネットワークのモデルの構成を説明する図である。

【図13】情報処理装置５の機能ブロックを説明する図である。

【図14】予測因子の影響度の例を示す図である。

【図15】情報処理装置５の学習モデルを生成するまでのフローを説明する図である。

【図16】学習モデル選択画面８を説明する図である。

【図17】パラメータ設定画面９を説明する図である。

【図18】パラメータ設定画面９を説明する図である。

【図19】ポップアップ画面９０を説明する図である。

【図20】ポップアップ画面９１を説明する図である。

【図21】誤差の推移を説明する図である。

【図22】パラメータＰ０を記憶するまでの処理の流れを説明する図である。

【発明を実施するための形態】

【0012】

＝＝実施形態＝＝
＜＜情報処理システム＞＞
図１は、本実施形態の情報処理システム１の概略構成を示す図である。情報処理システム１は、センサ２と、学習処理装置３と、需要予測装置４と、情報処理装置５と、を含む。センサ２と、学習処理装置３と、需要予測装置４と、情報処理装置５とは、ネットワークＮＷを介して通信可能に接続されている。ネットワークＮＷは、例えばインターネット等の公衆回線、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）等の専用回線等である。

【0013】

＜センサ＞
センサ２は、気温、湿度、気圧、風向、風速等を観測する装置であり、屋外に設けられている。センサ２は、観測結果を、需要予測装置４及び情報処理装置５に出力する。

【0014】

＜学習処理装置３＞
学習処理装置３は、後述する需要予測装置４が電力需要等の需要を予測する際に用いる学習モデルを生成する装置である。

【0015】

［学習処理装置３のハードウェア構成］
図２は、学習処理装置３のハードウェアの一例を示す図である。例示する学習処理装置３は、プロセッサ３００、主記憶装置３０１、補助記憶装置３０２、入力装置３０３、出力装置３０４、及び通信装置３０５を備える。なお、例示する学習処理装置３は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、学習処理装置３によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現してもよい。

【0016】

プロセッサ３００は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。

【0017】

主記憶装置３０１は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等である。

【0018】

補助記憶装置３０２は、例えば、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置３０２には、記録媒体の読取装置や通信装置３０５を介してプログラムやデータを読み込むことができる。補助記憶装置３０２に格納（記憶）されているプログラムやデータは主記憶装置３０１に随時読み込まれる。

【0019】

補助記憶装置３０２には、詳細は後述する学習データ６０と、パラメータＰ０とが記憶されている。

【0020】

入力装置３０３は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル、カードリーダ、ペン入力方式のタブレット、音声入力装置等である。

【0021】

出力装置３０４は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置３０４は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。

【0022】

入力装置３０３及び出力装置３０４は、ユーザとの間で情報の受け付けや情報の提示を行うユーザインタフェースを構成する。

【0023】

通信装置３０５は、他の装置との間の通信を実現する装置である。通信装置３０５は、インターネット等の通信ネットワークを介して他の装置との間の通信を実現する、有線方式または無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢモジュール等である。

【0024】

学習処理装置３には、例えば、オペレーティングシステム、ファイルシステム、ＤＢＭＳ（DataBase Management System）（リレーショナルデータベース、ＮｏＳＱＬ等）、ＫＶＳ（Key-Value Store）等が導入されていてもよい。

【0025】

情報処理システム１が備える各機能は、学習処理装置３のプロセッサ３００が、主記憶装置３０１に格納されているプログラムを読み出して実行することにより、もしくは、情報処理システム１を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）によって実現される。情報処理システム１は、各種の情報（データ）を、例えば、データベースのテーブルやファイルシステムが管理するファイルとして記憶する。

【0026】

［学習データ］
図３は、学習処理装置３の補助記憶装置３０２に記憶されている、本実施形態の学習データ６０を説明する図である。学習データ６０は、複数のデータ６０ａを含んでいる。図３の一の列には、一のデータ６０ａが配列されている。

【0027】

本実施形態の学習データ６０は、最高気温と、最低気温と、曜日と、電力需要との夫々の実績値が対応付けられたデータである。ここで、最高気温と、最低気温と、曜日とは予測因子であり、電力需要は正解データである。

【0028】

本実施形態では、学習データ６０は、２０２０年１月１日から２０２０年１２月３１日までの３６６日の夫々の日における実績値を含んでいる。

【0029】

［パラメータＰ０］
パラメータＰ０は、学習モデルに関するパラメータである。詳細は後述するが、学習モデルがニューラルネットワークの場合、パラメータＰ０としては、入力層の素子数、隠れ層の数、隠れ層の素子数、学習データのうち用いる予測因子、学習期間、カーネル関数、学習係数、学習回数及びモーメント項を含む。

【0030】

［学習処理装置３の機能ブロック］
図４は、本実施形態の学習処理装置３の機能ブロックを示す図である。本実施形態の学習処理装置３には、プロセッサ３００が所定のプログラムを実行することにより、取得部３１０と、学習部３１１と、記憶部３１２、取得部３１３と、記憶部３１４とが実現される。

【0031】

取得部３１０は、補助記憶装置３０２に記憶された学習データ６０とパラメータＰ０を取得する。

【0032】

学習部３１１は、学習データ６０に基づいて学習を行うことにより、学習モデルを生成する。ここで、学習モデルの種類は特に制限されない。本実施形態では、学習モデルの種類として、ニューラルネットワークを用いることとする。なお、学習モデルの種類は、複数の候補から、情報処理システム１の運用者（以下、単に「運用者」と呼ぶ）によって選択可能としてもよい。

【0033】

学習モデルがニューラルネットワークの場合、学習部３１１は、予測因子を入力層に入力し、出力層から電力需要を出力する。出力層から出力された電力需要を、正解データと比較し、出力された電力需要が正解データとなるように、演算処理に用いるパラメータ（パラメータＰ３に相当）を最適化する。

【0034】

パラメータＰ３は、例えば素子間の重み（結合係数）、各素子で用いられる活性化関数の係数等である。パラメータＰ３の最適化の方法は特に限定されないが、学習部３１１は、例えば誤差逆伝播法を用いて各パラメータＰ３の最適化を行う。

【0035】

記憶部３１２は、学習部３１１が最適化したパラメータＰ３を、後述する需要予測装置４の補助記憶装置４０２に保存する。具体的には、記憶部３１２は、予測の演算処理に用いるパラメータＰ３を保存する。

【0036】

取得部３１３は、学習モデルに関するパラメータＰ０を取得する。詳細は後述するが、取得部３１３が取得するパラメータＰ０は、情報処理装置５で調整されたパラメータＰ０である。

【0037】

記憶部３１４は、取得部３１３が取得したパラメータＰ０を記憶する。これによって、情報処理装置５で調整されたパラメータＰ０は記憶部３１４に保存される。

【0038】

＜学習モデルを学習する処理＞
図５は、学習処理装置３が学習モデルを学習する処理の流れを説明するフローチャートである。学習モデルを学習する処理は、ステップＳ１０１〜ステップＳ１０３を含んでいる。

【0039】

先ず、ステップＳ１０１において、取得部３１０は、学習データ６０とパラメータＰ０を取得する。図３に示した学習データ６０は、取得部３１０がここで取得する学習データの一例である。

【0040】

次いで、ステップＳ１０２において、学習部３１１は、学習データ６０に基づいて、学習モデルを生成する。

【0041】

次いで、ステップＳ１０３において、記憶部３１２は、学習部３１１が最適化した学習モデルの演算処理に用いるパラメータＰ３を、需要予測装置４の補助記憶装置４０２に保存する。
＜需要予測装置４＞
需要予測装置４は、学習処理装置３によって最適化されたパラメータＰ３を学習モデルに適用して、センサ２の出力結果等に基づいて、予測対象日（第２予測対象日に相当）の電力需要を予測する装置である。

【0042】

［需要予測装置４のハードウェア構成］
図６は、需要予測装置４のハードウェアの一例を示す図である。例示する需要予測装置４は、プロセッサ４００、主記憶装置４０１、補助記憶装置４０２、入力装置４０３、出力装置４０４、及び通信装置４０５を備える。

【0043】

需要予測装置４のプロセッサ４００、主記憶装置４０１、補助記憶装置４０２、入力装置４０３、出力装置４０４、及び通信装置４０５の構成は夫々、学習処理装置３のプロセッサ３００、主記憶装置３０１、補助記憶装置３０２、入力装置３０３、出力装置３０４、及び通信装置３０５の構成と同様であるため、共通する部分の説明は省略する。

【0044】

［補助記憶装置］
補助記憶装置４０２には、パラメータＰ０と、パラメータＰ３とが記憶されている。パラメータＰ０は、学習処理装置３の補助記憶装置３０２に記憶されたパラメータＰ０と同様である。パラメータＰ３は、学習処理装置３の学習部３１１によって最適化されたパラメータである。

【0045】

［需要予測装置４の機能ブロック］
図７は、本実施形態の需要予測装置４の機能ブロックを示す図である。本実施形態の需要予測装置４には、プロセッサ４００が所定のプログラムを実行することにより、取得部４１０と、出力部４１１と、取得部４１２と、警報部４１３と、取得部４１４と、記憶部４１５とが実現される。

【0046】

取得部４１０（第２取得部に相当）は、補助記憶装置４０２に記憶されたパラメータＰ０と、パラメータＰ３とを取得する。取得部４１０は、更に、予測対象日における予測因子（第２予測因子に相当）の予報値及び実績値を取得する。

【0047】

本実施形態では、取得部４１０は、予測する前に、ネットワークＮＷを介して天気予報から予測対象日の最高気温と、最低気温と、曜日とを予測因子の予報値として取得する。更に、取得部４１０は、予測する前に、センサ２から、ネットワークＮＷを介して予測対象日の最高気温と、最低気温と、曜日とを、予測因子の実績値として取得する。

【0048】

出力部４１１（第２出力部に相当）は、取得部４１０が取得したパラメータＰ０と、パラメータＰ３と、予測対象日における予測因子の予報値とを用いて、予測対象日における電力需要の予測値を出力する。出力部４１１は、更に、予測対象日以降に、学習モデル６１と、予測対象日における予測因子の実績値とを用いて、予測対象日における電力需要の予測値を出力する。

【0049】

取得部４１２（第３取得部に相当）は、予測対象日における電力需要の実績値を取得する。本実施形態では、取得部４１２は、予測対象日以降に、電力会社によって発表された電力需要の実績値を、ネットワークＮＷを介して取得する。電力需要の実績値は、後述する警報部４１３に出力される。

【0050】

警報部４１３（第２警報部に相当）は、電力需要の予測値の、電力需要の実績値に対する誤差が所定の条件を満たす場合に、警報を発する。ここで、電力需要の予測値の、電力需要の実績値に対する誤差とは、電力需要の予測値と、電力需要の実績値との差である。また、ここでの電力需要の予測値としては、予測因子の予報値を用いて出力された予測値と、予測因子の実績値を用いて出力された予測値との何れを用いてもよい。

【0051】

本実施形態では、ここでの電力需要の予測値としては、予測因子の実績値を用いて出力された予測値を用いる。詳細は後述するが、この場合における電力需要の予測値の、電力需要の実績値に対する誤差（以下、単に「誤差」と称する場合がある）は、予測因子に起因せず、学習モデルのみに起因するものである。

【0052】

ここで、誤差についての所定の条件とは、例えば、以下に示す条件の例の何れかを用いることができる。

【0053】

一例としては、誤差の絶対値が、所定値を超えた場合である。他の例としては、所定の予測回数において、誤差が正または負の何れかである回数が所定回数を超えた場合である。他の例としては、所定の予測回数において、誤差のばらつきが所定値を超えた場合である。他の例としては、所定の予測回数において、誤差の所定の分布傾向から逸脱する分布傾向が発現した場合である。

【0054】

つまり、詳細は後述するが、警報部４１３が警報を発した場合、情報処理システム１の運用者は、学習モデル６１の妥当性を検証する契機を得ることができる。

【0055】

取得部４１４（第４取得部に相当）は、学習モデルに関するパラメータＰ０及びパラメータＰ３を取得する。詳細は後述するが、取得部４１４が取得するパラメータＰ０は、情報処理装置５で調整されたパラメータである。また、パラメータＰ３は、学習処理装置３で最適化されたパラメータである。

【0056】

記憶部４１５は、取得部４１４が取得したパラメータＰ０及びパラメータＰ３を記憶する。これによって、パラメータＰ０は記憶部４１５に保存される。

【0057】

＜電力需要を予測する処理＞
図８は、需要予測装置４が電力需要を予測する処理の流れを説明するフローチャートである。なお、図８は、一の予測対象日についての電力需要を予測する処理を示している。電力需要を予測する処理は、ステップＳ２０１〜ステップＳ２０６を含んでいる。

【0058】

先ずステップＳ２０１において、取得部４１０は、パラメータＰ０と、パラメータＰ３と、予測因子の予報値を取得する。

【0059】

次いで、ステップＳ２０２において、出力部４１１は、パラメータＰ０及びパラメータＰ３が適用された学習モデルと、ステップＳ２０１において取得された予測因子の予報値とから、電力需要の予測値を出力する。

【0060】

次いで、ステップＳ２０３において、取得部４１０は、予測因子の実績値を取得する。つまり、ステップＳ２０３以降は、予測対象日以降に実行される。

【0061】

次いで、ステップＳ２０４において、出力部４１１は、学習モデル６１と、ステップＳ２０３において取得された予測因子の実績値とから、電力需要の予測値を出力する。

【0062】

次いで、ステップＳ２０５において、取得部４１２は、電力会社によって発表された予測対象日における電力需要の実績値を取得する。

【0063】

次いで、ステップＳ２０６において、警報部４１３は、ステップＳ２０４において出力された電力需要の予測値の、ステップＳ２０５において取得された電力需要の実績値に対する誤差が、所定の閾値を超えるか否かを判定する。

【0064】

図９は、誤差の推移を説明する図である。図９において、横軸は予測対象日である。また、縦軸は、電力需要の予測値の、電力需要の実績値に対する誤差である。誤差が、図９に示した２本の破線の内側であれば、誤差の絶対値は所定の閾値Ｔ以下であり、塗り潰しなしで示されている。誤差が、図９に示した２本の破線の外側であれば、誤差の絶対値は所定の閾値Ｔを超え、塗り潰しで示されている。

【0065】

ステップＳ２０６において、誤差の絶対値が閾値Ｔを超えると判定された場合（Ｓ２０６：Ｙ）、ステップＳ２０６において、警報部４１３は、警報を発し、予測対象日における電力需要の予測を終了する。

【0066】

ステップＳ２０６において、誤差が閾値を超えないと判定された場合（Ｓ２０６：Ｙ）、予測対象日における電力需要の予測を終了する。

【0067】

＜情報処理装置５＞
情報処理装置５は、需要予測装置４が用いる学習モデルに対し、異なる種類の学習モデルに変更したり、パラメータＰ０を調整したりするための装置である。情報処理装置５は、更に、調整されたパラメータＰ０を学習モデルに適用することにより、電力需要の予測結果を出力することができる。

【0068】

情報処理システム１の運用者は、例えば、電力需要の実績値と、需要予測装置４による電力需要の予測値との誤差が許容範囲を超えた場合に、学習モデルをより良く実績値を再現できるものに更新したいと考える場合がある。このような場合に、運用者は、情報処理装置５を用いてパラメータＰ０を調整することができる。

【0069】

［情報処理装置５のハードウェア構成］
図１０は、情報処理装置５のハードウェアの一例を示す図である。例示する情報処理装置５は、プロセッサ５００、主記憶装置５０１、補助記憶装置５０２、入力装置５０３、出力装置５０４、及び通信装置５０５を備える。

【0070】

情報処理装置５のプロセッサ５００、主記憶装置５０１、補助記憶装置５０２、入力装置５０３、出力装置５０４、及び通信装置５０５の構成は夫々、需要予測装置４のプロセッサ３００、主記憶装置３０１、補助記憶装置３０２、入力装置３０３、出力装置３０４、及び通信装置３０５の構成と同様であるため、共通する部分の説明は省略する。

【0071】

補助記憶装置５０２には、学習データ６０と、学習モデルの情報７とが記憶されている。学習データは、学習処理装置３において、補助記憶装置３０２に記憶されているものと同様である。以下、学習モデルの情報７について説明する。

【0072】

［学習モデルの情報］
図１１は、上述した補助記憶装置５０２に記憶されている、本実施形態の学習モデルの情報７を説明する図である。補助記憶装置５０２には、複数の異なる種類の学習モデルの夫々についての学習モデルの情報７が記憶されている。

【0073】

本実施形態では、複数の異なる種類の学習モデルとして、最小二乗法、部分的最小二乗法、回帰式、ニューラルネットワーク、サポートベクターマシーン、回帰木、ランダムフォレストを含む。なお、図１１は、これらの一部を省略して示している。

【0074】

学習モデルの情報７は、学習モデルに関するパラメータＰ０と、条件Ｃ１（第１の条件に相当）と、条件Ｃ２（第２の条件に相当）とを含む情報である。条件Ｃ１と、条件Ｃ２とは、パラメータＰ０についての条件である。パラメータＰ０の数や種類は、学習モデルに固有である。

【0075】

ここで「パラメータ」とは、学習モデルの構成を定めるためのパラメータＰ１（第１パラメータに相当）と、学習モデルを学習するためのパラメータＰ２（第２パラメータに相当）とを含む。以下では、特に断らない限り、パラメータＰ１と、パラメータＰ２とをまとめて「学習モデルに関するパラメータＰ０」と称する。

【0076】

図１１に示すように、学習モデルがニューラルネットワークの場合、パラメータＰ０としては、入力層の素子数、隠れ層の数、隠れ層の素子数、学習データのうち用いる予測因子（以下、単に「予測因子」と称する。）、学習期間、カーネル関数、学習係数、学習回数及びモーメント項を含む。

【0077】

ここで、本実施形態では、予測因子としては、図３の学習データ６０に示されている最高気温、最低気温及び曜日から、少なくとも一部を選択する。また、予測因子として、図９の予測因子以外の予測因子を新たに取得して、新たに取得した予測因子から更に選択してもよい。図９の予測因子以外の予測因子とは、例えば、最大不快指数、風向き等が挙げられる。

【0078】

また、本実施形態では、学習期間としては、学習データ６０に含まれている２０２０年１月１日から２０２０年１２月３１日までの期間から、少なくとも一部の期間を選択する。また、学習期間として、図９の学習データ６０が有する期間以外の期間に関するデータを新たに取得して、新たに取得した期間から更に選択してもよい。

【0079】

ここで、入力層の素子数、隠れ層の数及び隠れ層の素子数、及び予測因子に関する情報（例えば、気温、湿度等）は、パラメータＰ１である。また、カーネル関数、学習係数、学習回数及びモーメント項、及び学習期間（学習に用いる学習データの期間）は、パラメータＰ２である。

【0080】

条件Ｃ１は、学習モデルが学習できるか否かを判別するための条件である。パラメータＰ０が条件Ｃ１を満たす場合には、学習モデルは学習することができ、原理的に学習モデルを生成することができる。一方、パラメータが条件Ｃ１を満たさない場合には、学習モデルは学習することができないため、原理的に学習モデルを生成することができない。

【0081】

条件Ｃ１について、学習モデルがニューラルネットワークの場合を例示し、図１１及び図１２を参照しながら具体的に説明する。図１２は、ニューラルネットワークのモデルの構成を説明する図である。

【0082】

図１２の例において、入力層には３個の素子Ｎが設けられ、隠れ層には多数の素子Ｎが設けられ、出力層には１個の素子Ｎが設けられている。入力層の３個の素子Ｎには夫々、最高気温、最低気温及び曜日が入力される。出力層の素子Ｎには、電力需要が出力される。

【0083】

［パラメータＰ１についての条件Ｃ１］
学習モデルがニューラルネットワークの場合、条件Ｃ１は、パラメータＰ１の値が１以上となる条件を含む。本実施形態では、入力層の素子数、隠れ層の数及び隠れ層の素子数については、いずれも１以上の整数である。このような条件を満たすことにより、学習モデルを学習することが原理的に可能となる。

【0084】

［パラメータＰ２についての条件Ｃ１］
条件Ｃ１は、予測因子については、予測因子の数が１以上とする条件である。また、条件Ｃ１は、学習期間については、学習期間として用いる学習データ６０のうちのデータ６０ａの数が１以上とする条件である。

【0085】

また、条件Ｃ１は、パラメータＰ２の値が０より大きい値である条件を含む。本実施形態では学習係数については正の実数、学習回数については、１以上の整数である。モーメント項については、正の実数である。これらのような条件を満たすことにより、学習モデルを学習することが原理的に可能となる。

【0086】

条件Ｃ２は、例えば需要予測装置４の設計者等（以下、設計者等と呼ぶ）によって予め設定された条件である。設計者等は、条件Ｃ２として、パラメータに推奨される条件を設定することができる。

【0087】

パラメータＰ１、Ｐ２に推奨される条件とは、例えば、パラメータＰ１、Ｐ２がこの条件を満たす場合、生成された学習モデルによって安定性の高い予測結果を得ることができ、計算のコストが適切であると設計者等が判断した条件とすることができる。

【0088】

ここで、「安定性の高い予測結果」とは、例えば、パラメータＰ１、Ｐ２に推奨される条件の範囲において、ほぼ一意的に決定される予測結果である。

【0089】

また、「計算のコスト」とは、学習モデルを生成するための計算又は学習モデルを用いて予測結果を出力するまでの計算に要する時間、費用等である。

【0090】

なお、パラメータＰ１、Ｐ２は、条件Ｃ２を満たせば、条件Ｃ１も自動的に満たすよう、条件Ｃ２が設定される。

【0091】

条件Ｃ２について、ニューラルネットワークの場合を例示し、図１１及び図１２を参照しながら具体的に説明する。

【0092】

［パラメータＰ１についての条件Ｃ２］
条件Ｃ２は、入力層の素子数が所定の値以下となる条件を含む。本実施形態では、入力層の素子数については、１以上２００以下と設定されている。このような条件を満たすことにより、計算のコストが膨大にならず、安定性の高い予測結果を得ることができる。

【0093】

条件Ｃ２は、また、隠れ層の数の値が所定の値以下となる条件を含む。本実施形態では、隠れ層の数の値については、１以上７以下と設定されている。このような条件を満たすことにより、計算のコストが膨大にならず、安定性の高い予測結果を得ることができる。

【0094】

条件Ｃ２は、また、隠れ層における素子数の値が、入力層の素子数の所定倍を示す所定の値以下となる条件を含む。本実施形態では、隠れ層における素子数の値については、１以上であって、入力層の素子数の１０倍以下と設定されている。このような条件を満たすことにより、計算のコストが膨大にならず、安定性の高い予測結果を得ることができる。

【0095】

［パラメータＰ２についての条件Ｃ２］
条件Ｃ２は、予測因子については、学習データに示された予測因子から選択されており、予測因子の数が入力層の素子数と同じであれば、特に制限はない。

【0096】

また、条件Ｃ２は、学習期間については、学習期間として用いる学習データ６０のうちのデータ６０ａの数が所定の範囲となる条件を含む。本実施形態では、用いるデータ６０ａの数については、１５００より小さい値に設定されている。このような条件を満たすことにより、安定性の高い予測結果を得ることができる。

【0097】

条件Ｃ２は、また、学習係数の値が、所定の値以下となる条件を含む。本実施形態では、学習係数の値については、０より大きく１より小さい値に設定されている。このような条件を満たすことにより、安定性の高い予測結果を得ることができる。

【0098】

条件Ｃ２は、また、学習回数が、所定の値以下となる条件を含む。本実施形態では、学習回数の値については、１００００００より小さい値に設定されている。このような条件を満たすことにより、計算のコストが膨大にならず、安定性の高い予測結果を得ることができる。

【0099】

条件Ｃ２は、また、モーメント項の値が、所定の値以下となる条件を含む。本実施形態では、モーメント項の値については、０より大きく１より小さい値に設定されている。このような条件を満たすことにより、安定性の高い予測結果を得ることができる。

【0100】

［情報処理装置５の機能ブロック］
図１３は、本実施形態の情報処理装置５の機能ブロックを示す図である。本実施形態の情報処理装置５には、プロセッサ５００が所定のプログラムを実行することにより、分析部５１０と、取得部５１１と、入力受付部５１２と、入力受付部５１３と、判定部５１４と、判定部５１５と、警報部５１６と、学習部５１７と、出力部５１８と、取得部５１９と、出力部５２０と、出力部５２１と、表示制御部５２２とが実現される。

【0101】

分析部５１０は、需要予測装置４によって予測された電力需要を分析し、予測因子の影響度を計算する。図１４は、分析部５１０によって計算された予測因子の影響度の例を示す図である。分析部５１０による計算結果から、運用者は、新たな学習モデルを生成するに際し、予測因子の選択を検討することができる。

【0102】

取得部５１１は、補助記憶装置５０２に記憶された学習データ６０を取得する。

【0103】

入力受付部５１２（第１入力受付部に相当）は、複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付ける。複数の異なる種類の学習モデルとは、補助記憶装置５０２に記憶された学習モデルの情報７（図１１）に含まれる学習モデルである。選択された学習モデルとは、複数の異なる種類の学習モデルのうち、運用者が所望する学習モデルである。

【0104】

入力受付部５１３（第２入力受付部に相当）は、パラメータＰ０の入力を受け付ける。前述のように、パラメータＰ０は、パラメータＰ１、Ｐ２を含む。

【0105】

このとき、入力受付部５１３は、入力受付部５１２を介して入力された学習モデルに応じたパラメータＰ０の入力を受け付ける。パラメータＰ０は、後述する判定部５１４、５１５に出力される。

【0106】

判定部５１４（第１判定部に相当）は、入力受付部５１３を介して入力されたパラメータＰ０が、条件Ｃ１を満たすか否かを判定する。ここで、条件Ｃ１は、入力受付部５１２を介して入力された学習モデルに応じたものである。判定結果は、後述する警報部５１６に出力される。

【0107】

判定部５１５（第２判定部に相当）は、入力受付部５１３を介して入力されたパラメータＰ０が、条件Ｃ２を満たすか否かを判定する。ここで、条件Ｃ２は、入力受付部５１２を介して入力された学習モデルに応じたものである。判定結果は、後述する警報部５１６に出力される。

【0108】

警報部５１６（第１警報部に相当）は、判定部５１４が、パラメータＰ０のうち少なくとも何れかが、条件Ｃ１を満たさないと判定した場合、警報を発する。

【0109】

警報部５１６は更に、判定部５１５が、パラメータＰ０のうち少なくとも何れかが、条件Ｃ２を満たさないと判定した場合、警報を発する。

【0110】

学習部５１７は、判定部５１４、５１５が、パラメータＰ０のそれぞれが条件Ｃ１を満たすと判定した場合、パラメータＰ０を用いて選択された学習モデルを学習する。この学習によって、パラメータＰ３が最適化される。学習モデルを生成する手順は、上述した学習部３１１が学習モデルを生成する手順と同様である。

【0111】

出力部５１８は、以上の手順によって調整されたパラメータＰ０を、学習処理装置３及び需要予測装置４に出力する。

【0112】

取得部５１９（第１取得部に相当）は、予測対象日（第１予測対象日に相当）における予測因子（第１予測因子に相当）を、上述の需要予測装置４の取得部４１０と同様の方法で取得する。取得部５１９は、更に、予測対象日における予測因子の予報値又は実績値を取得する。

【0113】

本実施形態では、予測対象日は、過去の所定の期間とする。また、予測因子は、予測対象日における実績値とする。

【0114】

出力部５２０（第１出力部に相当）は、学習部５１７が学習することによって生成された学習モデルを用いて、取得部５１９が取得した予測因子から、電力需要の予測値を出力する。

【0115】

出力部５２１は、出力部５２０によって出力された電力需要の予測値の、電力需要の実績値に対する誤差を出力する。

【0116】

表示制御部５２２は、入力受付部５１２、５１３が学習モデル等の入力を受け付ける際の選択画面等、及び警報部５１６によって発せられる警報を表示するポップアップ画面を生成し、出力装置５０４に表示させる。これらの画面の詳細は後述する。

【0117】

＜パラメータＰ０を保存するまでの処理＞
図１５は、情報処理装置５がパラメータＰ０を保存するまでの処理の流れを説明するフローチャートである。パラメータＰ０を保存するまでの処理は、ステップＳ３０１〜ステップＳ３１１を含んでいる。

【0118】

先ずステップＳ３０１において、取得部５１１は、学習データ６０を取得する。図３に示した学習データ６０は、取得部５１１がここで取得する学習データの一例である。

【0119】

次いで、ステップＳ３０２において、入力受付部５１２は、学習モデルの入力を受け付ける。このとき、入力受付部５１２は、学習モデル選択画面８を介して学習モデルの入力を受け付ける。図１６は、一例としての学習モデル選択画面８である。学習モデル選択画面８は、表示制御部５２２により生成され、出力装置５０４に表示される。

【0120】

図１６には、選択可能な複数の学習モデルが一覧表示されている。運用者は、一覧表示された複数の学習モデルのうちの一つを、マウス等で選択することができる。ここで選択された学習モデルに基づいて、後のステップにおいて新たな学習モデルが生成される。

【0121】

図１６では、学習モデルとして、ニューラルネットワークが選択された態様を示している。この状態で設定ボタンＢ１を選択すると、学習モデルとしてニューラルネットワークが入力される。

【0122】

次いで、ステップＳ３０３において、入力受付部５１３は、パラメータＰ０の入力を受け付ける。このとき、入力受付部５１３は、パラメータ設定画面９を介してパラメータＰ０の入力を受け付ける。図１７は、このときの一例としてのパラメータ設定画面９である。

【0123】

パラメータ設定画面９には、パラメータＰ０の種類と、夫々の値を入力するための入力欄９ａ〜９ｆが表示されている。

【0124】

運用者は、ステップＳ３０３において、パラメータ設定画面９の入力欄９ａ〜９ｉに、パラメータＰ０である入力層の素子数と、隠れ層の数と、隠れ層における素子数と、予測因子と、学習期間と、カーネル関数と、学習係数と、学習回数と、モーメント項との値を入力する。

【0125】

ここで、入力層の素子数と、隠れ層の数と、隠れ層における素子数と、予測因子とは、パラメータＰ１である。学習期間と、カーネル関数と、学習係数と、学習回数と、モーメント項とは、パラメータＰ２である。

【0126】

図１８は、ステップＳ３０３において、運用者がパラメータＰ０の入力を完了した状態の一例である。運用者は、パラメータＰ０の入力を完了すると、設定ボタンＢ２を選択する。

【0127】

次いで、ステップＳ３０４において、判定部５１４は、パラメータ設定画面９を介して入力されたパラメータＰ０のそれぞれが、条件Ｃ１を満たすか否かを判定する。

【0128】

ここで、図１８において、パラメータＰ０の１つである隠れ層の数の値として０が入力されている。このような隠れ層の数の値は、上述のように条件Ｃ１を満たさない。従って、判定部５１４は、条件Ｃ１を満たさないと判定する。

【0129】

判定部５１４が、条件Ｃ１を満たさないと判定すると（ステップＳ３０４：Ｎ）、ステップＳ３０５に進み、警報部５１６は、警報を発する。

【0130】

図１９は、判定部５１４が、条件Ｃ１を満たさないと判定した後に、警報部５１６によって発せられた警報の一例である。この例では、警報を示すポップアップ画面９０が表示されている。

【0131】

運用者が、ポップアップ画面９０の「ＯＫ」のボタンＢ２を選択すると、ステップＳ３０３に戻り、入力受付部５１３は、パラメータＰ０の入力を再度受け付ける。運用者は、パラメータ設定画面９を介して、適切な隠れ層の数を入力し直すことができる。

【0132】

ステップＳ３０４において、判定部５１４が、条件Ｃ１を満たすと判定すると（ステップＳ３０４：Ｙ）、ステップＳ３０６に進む。

【0133】

ステップＳ３０６において、判定部５１５は、パラメータ設定画面９を介して入力されたパラメータＰ０のそれぞれが、条件Ｃ２を満たすか否かを判定する。

【0134】

図１８において、パラメータＰ０の１つである隠れ層の素子数の値として５０００が入力されている。このような隠れ層の数の値は条件Ｃ２を満たさない。従って、判定部５１５は、条件Ｃ２を満たさないと判定する。

【0135】

判定部５１５が、条件Ｃ２を満たさないと判定すると（ステップＳ３０６：Ｎ）、ステップＳ３０７に進み、警報部５１６は、警報を発する。

【0136】

図２０は、判定部５１５が、条件Ｃ２を満たさないと判定した後に、警報部５１６によって発せられた警報の一例である。この例では、警報を示すポップアップ画面９１が表示されている。

【0137】

ポップアップ画面９１において、隠れ層の素子数の値が５０００では多過ぎることと、推奨値は３０以下である旨のメッセージが表示されている。

【0138】

次いで、ステップＳ３０８において、警報部５１６は、続行するか否かの入力を受け付ける。ポップアップ画面９１において、続行するか否かを問うメッセージが表示されている。

【0139】

運用者が、ポップアップ画面９１に表示された「いいえ」のボタンＢ５を選択すると、ステップＳ３０３に戻り、入力受付部５１３は、パラメータＰ０の入力を再度受け付ける。運用者は、パラメータ設定画面９を介して、好ましい隠れ層の素子数の値を入力し直すことができる。

【0140】

ステップＳ３０６において、判定部５１５が、条件Ｃ２を満たすと判定するか（ステップＳ３０６：Ｙ）、ステップＳ３０８において、運用者が「はい」のボタンＢ４を選択すると（ステップＳ３０８：Ｙ）、ステップＳ３０９へ進む。

【0141】

ステップＳ３０９において、学習部５１７は、学習モデルと、入力されたパラメータＰ０とに基づいて学習を行う。

【0142】

次いで、ステップＳ３１０において、学習部５１７は、ステップＳ３０９における学習で得られた学習モデルを取得する。

【0143】

次いで、ステップＳ３１１において、出力部５２０は、ステップＳ３１０において取得された学習モデルと、予測因子の実績値とから、電力需要の予測値を出力する。

【0144】

次いで、ステップＳ３１２において、出力部５２１は、ステップＳ３１１において出力された電力需要の予測値の、電力需要の実績値に対する誤差を出力する。

【0145】

図２１は、誤差の推移を説明する図である。図２１において、横軸は予測対象日であり、この例の予測対象日は、図９の例の予測対象日と同様である。また、縦軸は、電力需要の予測値の、電力需要の実績値に対する誤差である。調整された新たなパラメータＰ０が需要予測に用いられたことによって、図２１に示された誤差は、図９に比べて小さくなっている。

【0146】

運用者は、図２１に示された誤差を参照し、ステップＳ３０２〜ステップＳ３０８の手順で調整されたパラメータＰ０を、新たなパラメータＰ０として採用するか否かを検討することができる。

【0147】

次いで、ステップＳ３１３において、出力部５２１は、続行するか否かの入力を受け付ける。ステップＳ３１３において、運用者が、図示しない入力画面を介して続行しない旨の選択をすると（ステップＳ３１３：Ｎ）、ステップＳ３０３に戻り、入力受付部５１３は、パラメータＰ０の入力を再度受け付ける。

【0148】

ステップＳ３１３において、運用者が、入力画面を介して続行する旨の選択をすると（ステップＳ３１３：Ｙ）、ステップＳ３１４に進む。

【0149】

次いで、ステップＳ３１４において、出力部５１８は、得られた学習モデルに関するパラメータＰ０を、補助記憶装置３０２及び補助記憶装置４０２に出力する。なお、出力部５１８は、パラメータＰ３も更に補助記憶装置３０２及び補助記憶装置４０２に出力してもよい。

【0150】

以上の処理により、情報処理装置５は、新たな学習モデルを生成し、取得することができる。そして、新たな学習済みモデルを用いて、需要予測を行うことができる。

【0151】

＜パラメータＰ３を記憶するまでの処理＞
図２２は、学習処理装置３及び需要予測装置４がパラメータＰ０及びＰ３を記憶するまでの処理の流れを説明するフローチャートである。パラメータＰ０及びＰ３を記憶するまでの処理は、ステップＳ４０１〜ステップＳ４０８を含んでいる。なお、ステップＳ４０１は、情報処理装置５による処理であり、ステップＳ４０２〜ステップＳ４０４は、学習処理装置３による処理であり、ステップＳ４０５〜ステップＳ４０８は、需要予測装置４による処理である。

【0152】

先ずステップＳ４０１において、情報処理装置５の出力部５１８は、学習モデルに関するパラメータＰ０を、学習処理装置３と需要予測装置４に出力する。

【0153】

次いで、ステップＳ４０２において、学習処理装置３の取得部３１３は、出力部５１８によって出力されたパラメータＰ０を取得する。

【0154】

次いで、ステップＳ４０３において、学習処理装置３の記憶部３１４は、取得部３１３が取得したパラメータＰ０を記憶する。

【0155】

次いで、ステップＳ４０４において、学習処理装置３の学習部３１１は、ステップＳ４０３で記憶されたパラメータＰ０と、学習データ６０とに基づいて学習を行うことにより、パラメータＰ３を最適化する。

【0156】

また、ステップＳ４０５において、需要予測装置４の取得部４１４は、学習部５１７によって出力されたパラメータＰ０を取得する。

【0157】

次いで、ステップＳ４０６において、記憶部４１５は、取得部４１４が取得したパラメータＰ０を記憶する。

【0158】

次いで、ステップＳ４０７において、需要予測装置４の取得部４１４は、ステップＳ４０４において最適化されたパラメータＰ３を取得する。

【0159】

次いで、ステップＳ４０８において、記憶部４１５は、取得部３１３が取得したパラメータＰ３を記憶する。

【0160】

以上の処理により、情報処理装置５によって調整されたパラメータＰ０を、学習処理装置３及び需要予測装置４に保存することができ、また、需要予測装置４は、情報処理装置５によって調整されたパラメータＰ０及び学習処理装置３によって最適化されたパラメータＰ３を保存することができる。

【0161】

上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。また、本発明は、その趣旨を逸脱することなく、変更や改良され得るとともに、本発明にはその等価物が含まれるのはいうまでもない。

【0162】

例えば、本実施形態では、学習処理装置３と、需要予測装置４と、情報処理装置５とが別体として情報処理システム１に備えられる態様を示したが、これに限られるものではない。例えば、学習処理装置３と、需要予測装置４とが一体として情報処理システム１に備えられてもよい。または、学習処理装置３と、需要予測装置４と、情報処理装置５とが一体として情報処理システム１に備えられてもよい。

【0163】

これらのような場合であっても、情報処理システム１によれば、学習モデルの構成を定めるためのパラメータや学習モデルを学習するためのパラメータを、容易に適切な値に調整することが可能となる。

【0164】

＝＝まとめ＝＝
以上、上記実施形態の情報処理装置５は、複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付ける入力受付部５１２と、選択された学習モデルに関するパラメータＰ０の入力を受け付ける入力受付部５１２、５１３と、パラメータＰ０が、選択された学習モデルが学習できるか否かを判別するための条件Ｃ１を満たすか否かを判定する判定部５１５と、パラメータＰ０が条件Ｃ１を満たす場合、パラメータＰ０を用いて選択された学習モデルを学習する学習部５１７と、を備える。

【0165】

このような構成によれば、運用者は、学習モデルの設計についての専門知識や経験に乏しくても、学習モデルに関するパラメータＰ０を調整する際に、不適切な値を設定することが無い。従って、このような構成によれば、パラメータＰ０を、容易に適切な値に調整することが可能となる。

【0166】

情報処理装置５は、パラメータＰ０が、条件Ｃ１を満たさない場合、警報を発する警報部５１６を更に備える。このような構成によれば、運用者は、不適切なパラメータＰ０を入力した場合に、このことを認識することができる。

【0167】

情報処理装置５は、パラメータＰ０が、選択された学習モデルを学習する際の条件Ｃ２を満たすか否かを判定する判定部５１５を備え、警報部５１６は、パラメータＰ０が、条件Ｃ２を満たさない場合、警報を発する。

【0168】

このような構成によれば、運用者は、推奨されないパラメータＰ０を入力した場合に、このことを認識することができる。これによって、運用者は、パラメータＰ０の選択を再検討することができる。従って、このような構成によれば、学習モデルに関するパラメータＰ０を、容易に更に適切な値に調整することが可能となる。

【0169】

情報処理装置５において、パラメータＰ０は、選択された学習モデルの構成を定めるためのパラメータＰ１と、選択された学習モデルを学習するためのパラメータＰ２とを含む。このような構成によれば、パラメータＰ１と、パラメータＰ２とを、容易に更に適切な値に調整することが可能となる。

【0170】

情報処理装置５において、選択された学習モデルは、ニューラルネットワークであり、パラメータＰ１は、隠れ層の数、及び隠れ層における素子数のうち少なくとも何れかを含み、条件Ｃ１は、パラメータＰ１の値が１以上となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、不適切なパラメータＰ１の値を設定することが無い。

【0171】

情報処理装置５において、パラメータＰ２は、学習係数、モーメント項、及び学習回数のうち少なくとも何れかを含み、条件Ｃ１は、パラメータＰ２の値が０より大きい値である条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、不適切なパラメータＰ２の値を設定することが無い。

【0172】

情報処理装置５において、パラメータＰ１は、隠れ層の数を含み、条件Ｃ２は、隠れ層の数の値が第１の値以下となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、推奨されない隠れ層の数の値を設定することを防ぐことができる。

【0173】

情報処理装置５において、パラメータＰ１は、隠れ層における素子数を含み、条件Ｃ２は、隠れ層における素子数の値が、入力層の素子数の所定倍を示す値（第２の値に相当）以下となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、推奨されない隠れ層における素子数を設定することを防ぐことができる。

【0174】

情報処理装置５において、パラメータＰ２は、学習係数を含み、条件Ｃ２は、学習係数の値が、第３の値以下となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、推奨されない学習係数の値を設定することを防ぐことができる。

【0175】

情報処理装置５において、パラメータＰ２は、モーメント項を含み、条件Ｃ２は、モーメント項の値が、第４の値以下となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、推奨されないモーメント項の値を設定することを防ぐことができる。

【0176】

情報処理装置５において、パラメータＰ２は、学習回数を含み、条件Ｃ２は、学習回数が、第５の値以下となる条件を含む。このような構成によれば、ニューラルネットワークによる学習モデルを生成する際に、推奨されない学習回数の値を設定することを防ぐことができる。

【0177】

情報処理装置５は、予測対象日における予測因子を取得する取得部５１９と、学習部５１７で学習された学習モデルを用いて、予測因子から、予測対象日における所定の対象の需要の予測値を出力する出力部５２０とを更に備える。このような構成によれば、学習部５１７で学習された学習モデルの妥当性を検証することができる。

【0178】

情報処理システム１は、情報処理装置５と、予測対象日における予測因子を取得する取得部４１０と、所定の学習モデルを用いて、予測対象日における所定の対象の需要の予測値を出力する出力部４１１と、予測対象日における所定の対象の需要の実績値を取得する取得部４１２と、所定の対象の需要の予測値と、所定の対象の需要の実績値との誤差が所定の条件を満たす場合に、警報を発する警報部４１３とを備える需要予測装置４と備える。このような構成によれば、需要予測装置４で用いる学習モデルの妥当性を検証することができる。

【0179】

情報処理システム１において、所定の条件は、誤差が、所定値を超えた場合、所定の予測回数において、誤差が正または負の何れかである回数が所定回数を超えた場合、所定の予測回数において、誤差のばらつきが所定値を超えた場合、所定の予測回数において、誤差の所定の分布傾向から逸脱する分布傾向が発現した場合、の何れかである。このような構成によれば、警報部４１３が警報を発するための条件の自由度が増す。

【0180】

情報処理システム１において、予測因子は、予測対象日における実績値である。このような構成によれば、学習モデルに起因する誤差のみを抽出することができる。

【0181】

情報処理システム１において、需要予測装置４は、学習部５１７が学習することによって生成された学習モデルに関するパラメータＰ０を取得する取得部４１４と、パラメータＰ０を記憶する記憶部４１５とを更に備える。このような構成によれば、需要予測装置４は、パラメータＰ０を学習モデルに適用した上で、需要予測を行うことができる。

【符号の説明】

【0182】

１：情報処理システム
２：センサ
３：学習処理装置
３００：プロセッサ
３０１：主記憶装置
３０２：補助記憶装置
３０３：入力装置
３０４：出力装置
３０５：通信装置
３１０：取得部
３１１：学習部
３１２：記憶部
３１３：取得部
３１４：記憶部
４：需要予測装置
４００：プロセッサ
４０１：主記憶装置
４０２：補助記憶装置
４０３：入力装置
４０４：出力装置
４０５：通信装置
４１０：取得部
４１１：出力部
４１２：取得部
４１３：警報部
４１４：取得部
４１５：記憶部
５：情報処理装置
５００：プロセッサ
５０１：主記憶装置
５０２：補助記憶装置
５０３：入力装置
５０４：出力装置
５０５：通信装置
５１０：分析部
５１１：取得部
５１２：入力受付部
５１３：入力受付部
５１４：判定部
５１５：判定部
５１６：警報部
５１７：学習部
５１８：出力部
５１９：取得部
５２０：出力部
５２１：出力部
５２２：表示制御部
６０：学習データ
６１：学習モデル
７：学習モデルの情報
８：学習モデル選択画面
９：パラメータ設定画面
９０：ポップアップ画面
９１：ポップアップ画面

【要約】

【課題】学習モデルの構成を定めるためのパラメータや学習モデルを学習するためのパラメータを、容易に適切な値に調整することが可能な情報処理装置を提供する。
【解決手段】
複数の異なる種類の学習モデルから、選択された学習モデルの入力を受け付ける第１入力受付部と、前記選択された学習モデルに関するパラメータの入力を受け付ける第２入力受付部と、前記パラメータが、前記選択された学習モデルが学習できるか否かを判別するための第１の条件を満たすか否かを判定する第１判定部と、前記パラメータが前記第１の条件を満たす場合、前記パラメータを用いて前記選択された学習モデルを学習する学習部と、を備える情報処理装置。
【選択図】図１９

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】