特開 2022-190493 データ予測装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022190493

(43)【公開日】2022-12-26

(54)【発明の名称】データ予測装置

(51)【国際特許分類】

   G06N 3/04 20060101AFI20221219BHJP

   G06F 30/15 20200101ALI20221219BHJP

   G06F 30/27 20200101ALI20221219BHJP

【ＦＩ】

G06N3/04 127

G06F30/15

G06F30/27

【審査請求】未請求

【請求項の数】1

【出願形態】ＯＬ

(21)【出願番号】P 2021098844

(22)【出願日】2021-06-14

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】中津川 英治

【テーマコード（参考）】

5B146

【Ｆターム（参考）】

5B146AA05

5B146DC01

5B146DC03

5B146DJ01

(57)【要約】

【課題】ＣＡＥモデルに適用可能な連続値を出力可能なデータ予測装置を提供する。
【解決手段】ＣＰＵ３２は、機械学習によって構築され、予測値の算出に必要なパラメータｕを、入力された変数ｘから導出する機械学習モデル部７２と、既知の自然法則に基づいて構築され、変数ｘ及び変数ｘに近似的に対応するパラメータｕに基づいて変数ｘの変化に対応した予測値ｙを連続値として算出する物理モデル部７４と、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

機械学習によって構築され、予測値の算出に必要な媒介変数を、入力された独立変数から導出する機械学習モデル部と、
既知の自然法則に基づいて構築され、前記独立変数及び前記独立変数に近似的に対応する前記媒介変数に基づいて前記独立変数の変化に対応した予測値を連続値として算出する物理モデル部と、
を含むデータ予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、時系列データにおける将来値を予測するデータ予測装置に関する。

【背景技術】

【0002】

製品開発において、機械学習モデルを用いて製品の性能予測を行うことが広く行われている。

【0003】

特許文献１には、機械学習モデルを用いて、時系列データにおける未来の値を高精度に予測する装置、方法およびコンピュータプログラムに係る発明が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－１０１４９０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載の発明は、機械学習モデルによって入力値ｘから直接応答ｙを予測する。しかしながら、図１３に示したように、機械学習モデルであるＡＩモデル１９０の出力をＣＡＥ（Computer-Aided Engineering）モデル１９２に直接適用すると、ＡＩモデル１９０の出力が離散的な不連続値であるのに対し、ＣＡＥモデル１９２の出力が連続値であった場合に、ＡＩモデル１９０とＣＡＥモデル１９２との間の入出力に不整合が生じ、計算精度の悪化、又は計算結果の発散が生じるおそれがあった。

【0006】

本発明は、上記事実を考慮し、ＣＡＥモデルに適用可能な連続値を出力可能なデータ予測装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

請求項１に記載のデータ予測装置は、機械学習によって構築され、予測値の算出に必要な媒介変数を、入力された独立変数から導出する機械学習モデル部と、既知の自然法則に基づいて構築され、前記独立変数及び前記独立変数に近似的に対応する前記媒介変数に基づいて前記独立変数の変化に対応した予測値を連続値として算出する物理モデル部と、を含む。

【0008】

請求項１に記載のデータ予測装置は、機械学習モデル部が出力する媒介変数が不連続値である場合、独立変数の変化に対して媒介変数が急激に変化しないものとみなし、独立変数に近似的に対応する媒介変数を採用して連続値である予測値を算出する。独立変数の変化に対して媒介変数が急激に変化しないのであれば、独立変数に近似的に対応する媒介変数を採用して導出し予測値に生じる誤差は無視できる。

【発明の効果】

【0009】

以上説明したように、本発明に係るデータ予測装置によれば、ＣＡＥモデルに適用可能な連続値を出力可能なデータ予測装置を提供することが可能となる。

【図面の簡単な説明】

【0010】

【図1】本実施形態に係るデータ予測装置の具体的な構成の一例を示すブロック図である。

【図2】データ予測装置のＣＰＵの機能ブロック図を示す。

【図3】本実施形態に係るデータ予測装置の論理的な構成を示した説明図である。

【図4】本実施形態に係るハイブリッドＡＩモデルの出力値と、図１３に示したＡＩモデルの出力値とを比較した説明図である。

【図5】本実施形態に係るハイブリッドＡＩモデルの入出力を示した概略図である。

【図6】エンジンマウントを想定したハイブリッドＡＩモデルの入出力を示した概略図である。

【図7】エンジンマウントを想定したハイブリッドＡＩモデルの構成と損失関数とを示した説明図である。

【図8】（Ａ）は、ハイブリッドＡＩモデルの中間層の出力であるばね剛性の予測値と実測値とを比較した概略図であり、（Ｂ）は、ハイブリッドＡＩモデルの中間層の出力である減衰係数の予測値と実測値とを比較した概略図である。

【図9】ハイブリッドＡＩモデルの出力層の出力である荷重の予測値と実測値とを比較した概略図である。

【図10】車両の各所に用いられるゴムブッシュを想定したハイブリッドＡＩモデルの入出力を示した概略図である。

【図11】車両システムを想定したハイブリッドＡＩモデルの入出力を示した概略図である。

【図12】ＥＶ及びハイブリッド車両システムの機関を想定したハイブリッドＡＩモデルの入出力を示した概略図である。

【図13】ＡＩモデルと、ＣＡＥモデルとの連携の一例を示した概略図である。

【発明を実施するための形態】

【0011】

以下、図１を用いて、本実施形態に係るデータ予測装置について説明する。図１は、本発明の実施形態に係るデータ予測装置１０の具体的な構成の一例を示すブロック図である。

【0012】

データ予測装置１０は、コンピュータ３０を含んで構成されている。コンピュータ３０は、ＣＰＵ３２、ＲＯＭ３４、ＲＡＭ３６、及び入出力ポート３８を備える。一例としてコンピュータ３０は、エンジニアリングワークステーション、又はスーパーコンピュータ等の、高度な演算処理を高速で実行できる機種であることが望ましい。

【0013】

コンピュータ３０では、ＣＰＵ３２、ＲＯＭ３４、ＲＡＭ３６、及び入出力ポート３８がアドレスバス、データバス、及び制御バス等の各種バスを介して互いに接続されている。入出力ポート３８には、各種の入出力機器として、ディスプレイ４０、マウス４２、キーボード４４、ハードディスク（ＨＤＤ）４６、及び各種ディスク（例えば、ＣＤ－ＲＯＭやＤＶＤ等）４８から情報の読み出しを行うディスクドライブ５０が各々接続されている。

【0014】

また、入出力ポート３８には、ネットワーク５２が接続されており、ネットワーク５２に接続された各種機器と情報の授受が可能とされている。本実施形態では、ネットワーク５２には、データベース（ＤＢ）５４が接続されたデータサーバ５６が接続されており、ＤＢ５４に対して情報の授受が可能とされている。

【0015】

ＤＢ５４には、データ予測に係るデータ等が予め記憶される。ＤＢ５４への情報の記憶は、コンピュータ３０やデータサーバ５６によって登録してもよいし、ネットワーク５２に接続された他の機器によって登録するようにしてもよい。

【0016】

本実施形態では、データサーバ５６に接続されたＤＢ５４に、データ予測に係るデータ等が記憶されるものとして説明するが、コンピュータ３０に内蔵されたＨＤＤ４６や外付けのハードディスク等の外部記憶装置にＤＢ５４の情報を記憶するようにしてもよい。

【0017】

コンピュータ３０のＨＤＤ４６には、データ予測のためのデータ予測プログラムがインストールされている。本実施形態では、ＣＰＵ３２がデータ予測プログラムを実行することにより、データ予測を実行する。また、ＣＰＵ３２は、データ予測プログラムによる処理結果をディスプレイ４０に表示させる。なお、本実施形態のデータ予測プログラムをコンピュータ３０にインストールするには、幾つかの方法があるが、例えば、データ予測プログラムをセットアッププログラムと共にＣＤ－ＲＯＭやＤＶＤ等に記憶しておき、ディスクドライブ５０にディスクをセットし、ＣＰＵ３２に対してセットアッププログラムを実行することによりＨＤＤ４６にデータ予測プログラムをインストールする。または、公衆電話回線又はネットワーク５２を介してコンピュータ３０と接続される他の情報処理機器と通信することで、ＨＤＤ４６にデータ予測プログラムをインストールするようにしてもよい。

【0018】

図２は、データ予測装置１０のＣＰＵ３２の機能ブロック図を示す。データ予測装置１０のＣＰＵ３２がデータ予測プログラムを実行することで実現される各種機能について説明する。データ予測プログラムは、機械学習により各種パラメータ（媒介変数）を予測する機械学習モデル機能、機械学習モデル機能が出力した各種パラメータに基づいて予測値を出力する既知の自然法則に基づいて構築される物理モデル機能と、物理モデル機能の出力に基づいて、製品の性能予測値等を出力するＣＡＥモデル機能とを備えている。後述するように、機械学習モデル機能は、データ予測プログラムのインストール後に回帰ニューラルネットワーク（ＲＮＮ）に基づくモデルを適切な教師データによって学習させる機械学習によって構築される。ＣＰＵ３２がこの各機能を有するデータ予測プログラムを実行することで、ＣＰＵ３２は、図２に示すように、機械学習モデル部７２、物理モデル部７４、及びＣＡＥモデル部７６として機能する。

【0019】

データ予測では、性能に係る変数ｘと当該変数の応答出力ｙとの間のモデルを定義するが、設計対象における強度、剛性、重量軽減、及び振動の抑制等の複数種類の各々異なる変数ｘが存在し、場合によっては互いに相反する性能の各々を最適化し得ることを要する場合がある。変数ｘの次元が大きくなると探索すべき空間が指数関数的に増大し、その結果、計算コストが膨大となる問題がある。本実施形態では、計算上の寄与が少ない次元を棄却する次元圧縮を用いることにより、計算コストの指数関数的な増大を抑制してもよい。

【0020】

図３は、本実施形態に係るデータ予測装置１０の論理的な構成を示した説明図である。本実施形態では、既知の自然法則に基づいた物理モデル９４の状態量又はパラメータを、機械学習モデル９２を用いて入力された変数から導出し、物理モデル９４ではパラメータに基づいて予測値を導出して出力する。機械学習モデル９２の出力が不連続値であっても、物理モデル９４を介することにより予測値は連続値となり、入出力が連続値であることを求められるようなＣＡＥモデル９６を後段に設けることが可能となる。本実施形態では、機械学習モデル９２と物理モデル９４とからなる構成をハイブリッドＡＩモデル９０と称する。

【0021】

図４は、本実施形態に係るハイブリッドＡＩモデル９０の出力値１１０と、図１３に示したＡＩモデル１９０の出力値１１２とを比較した説明図である。図４に示したように、機械学習モデルのみからなるＡＩモデル１９０の出力値１１２は不連続値なので、階段状に変化するが、ハイブリッドＡＩモデル９０の出力値１１０は連続値なので、円滑な曲線状に変化する。

【0022】

図５は、本実施形態に係るハイブリッドＡＩモデル９０の入出力を示した概略図である。図５に示したように、ハイブリッドＡＩモデル９０は、独立変数である変数ｘが機械学習モデル９２と、物理モデル９４との各々に入力され、機械学習モデル９２において変数ｘからパラメータｕを導出し、導出したパラメータｕは物理モデル９４に入力される。物理モデル９４では、変数ｘとパラメータｕとにより、変数ｘの変化に対応した予測値である出力ｙが導出される。

【0023】

機械学習モデルは、例えば、ＲＮＮに基づくモデルを適切な教師データによって学習させる機械学習によって構築され、変数ｘからパラメータｕを導出可能な関数ｕ＝ｆ_NN（ｘ）として機能する。

【0024】

物理モデル９４は、後述するように、エンジンマウント等の弾性体の挙動、車両システムの性能、及び車両システムの駆動部の温度等を導出するように既知の自然法則に基づいて構築されたモデルである。例えば、エンジンマウント等の弾性体は、荷重に比例して変形するという金属ばねのような線形的な挙動ではなく、荷重に比例して変形しない非線形的な挙動を示す。具体的には、金属ばねでは、ばね剛性Ｋが荷重によらず一定である線形的な挙動を示す領域が存在するが、ゴム等の弾性体では、ばね剛性Ｋは荷重とは別に動的に変化し、線形的な挙動を示さない。

【0025】

機械学習モデル９２は、変数ｘに応じて動的に変化するばね剛性Ｋのようなパラメータｕを導出し、物理モデル９４は、機械学習モデル９２が導出したパラメータｕと、変数ｘとに基づいて出力ｙを導出可能な関数ｙ＝ｆ_physics（ｘ，ｕ）として機能する。

【0026】

機械学習モデル９２が出力するパラメータｕが不連続値であっても、例えば、パラメータｕがばね剛性Ｋの場合、変数ｘに対してばね剛性Ｋが急激に変化する場合は考えにくいので、物理モデル９４に入力された変数ｘに近似的に対応するパラメータｕを用いて出力ｙを導出しても、ｙの導出の際に生じる誤差は無視できる。

【0027】

変数ｘに近似的に対応するパラメータｕは、一例として、物理モデル９４に入力された変数ｘに最も近い変数ｘから導出されたパラメータｕである。

【0028】

図６は、エンジンマウントを想定したハイブリッドＡＩモデル９０Ａの入出力を示した概略図である。非線形的な特性を有する弾性体で構成されたエンジンマウントは、ばね剛性Ｋで定義されるばねの特性と、減衰係数Ｃで定義されるダンパーの特性とを備え、ばね剛性Ｋ（ｘ）及び減衰係数Ｃ（ｘ）の各々は、変数ｘに応じて動的に変化する。機械学習モデル９２Ａは、変位（エンジンマウントの変形量）、速度（エンジンマウントの変形速度）からなる変数ｘから、ばね剛性Ｋ（ｘ）及び減衰係数Ｃ（ｘ）の各々をパラメータｕとして導出し、物理モデル９４Ａに出力する。

【0029】

物理モデル９４Ａは、変位と速度とを変数ｘとし、ばね剛性Ｋ（ｘ）と変数ｘとの積でばねの特性を表し、減衰係数Ｃ（ｘ）と変数ｘの時間微分との積でダンパーの特性を表している。その結果、物理モデル９４Ａは、下記の式（１）で表され、荷重ｙを導出する。

【0030】

【0031】

図７は、エンジンマウントを想定したハイブリッドＡＩモデル９０Ａの構成と損失関数とを示した説明図である。図７において、損失関数ｌｏｓｓは、中間層誤差ＭＳＥ_uと、出力層誤差ＭＳＥ_fとの和で示される。

【0032】

中間層誤差ＭＳＥ_uは、一例として、機械学習モデル９２Ａが導出したばね剛性Ｋ_d及び減衰係数Ｃの各々のパラメータｕのＲＭＳＥ（二乗平均平方根誤差）の和であり、出力層誤差ＭＳＥ_fは、物理モデル９４Ａで導出した荷重ｙのＲＭＳＥである。

【0033】

図８（Ａ）は、ハイブリッドＡＩモデル９０Ａの中間層の出力であるばね剛性Ｋ_dの予測値と実測値とを比較した概略図であり、図８（Ｂ）は、ハイブリッドＡＩモデル９０Ａの中間層の出力である減衰係数Ｃの予測値と実測値とを比較した概略図である。図８（Ａ）及び図（Ｂ）に示したように、ばね剛性Ｋ_dと減衰係数Ｃとの各々は、予測値が実測値にほぼ一致し、ハイブリッドＡＩモデル９０Ａの機械学習モデル９２Ａは、ばね剛性Ｋ_d及び減衰係数Ｃの各々を精度よく予測できている。

【0034】

図９は、ハイブリッドＡＩモデル９０Ａの出力層の出力である荷重ｙの予測値と実測値とを比較した概略図である。図９に示したように、荷重ｙは、予測値が実測値にほぼ一致し、機械学習モデル９２Ａと物理モデル９４ＡとからなるハイブリッドＡＩモデル９０Ａは、エンジンマウントの荷重ｙを精度よく予測できている。

【0035】

図１０は、車両の各所に用いられるゴムブッシュを想定したハイブリッドＡＩモデル９０Ｂの入出力を示した概略図である。図１０に示した物理モデル９４Ｂは、非線形的な特性を有する弾性体であるゴムで構成された複数のゴムブッシュの挙動を導出する改良Ｓｉｍｏ（Single-Input Multiple-Output）モデルである。

【0036】

物理モデル９４Ｂは、例えば、γ０、γ１、γ２、γ３、…、γＮの複数のゴムブッシュを想定する。ゴムブッシュγ０は、超弾性係数Ｃ１０、Ｃ２０、Ｃ３０によって定義されるばねの特性を備え、ゴムブッシュγ１、γ２、γ３、…、γＮの各々は、ばね剛性Ａ１、Ａ２、Ａ３、…、ＡＮで定義されるばねの特性と、減衰係数ｎ1、ｎ２、ｎ３、…ｎＮで定義されるダンパーの特性とを備えている。

【0037】

非線形的な特性を有するゴムブッシュは、変数ｘに応じて動的に変化するので、ハイブリッドＡＩモデル９０Ｂでは、機械学習モデル９２Ｂにより、超弾性係数Ｃ１０、Ｃ２０、Ｃ３０と、ばね剛性Ａ１、Ａ２、Ａ３、…、ＡＮと、減衰係数ｎ1、ｎ２、ｎ３、…ｎＮの各々をパラメータｕとして導出し、物理モデル９４Ｂに出力する。物理モデル９４Ｂは、変位（ゴムブッシュの変形量）及び速度（ゴムブッシュの変形速度）を変数ｘとし、変数ｘと、超弾性係数Ｃ１０、Ｃ２０、Ｃ３０と、ばね剛性Ａ１、Ａ２、Ａ３、…、ＡＮと、減衰係数ｎ１、ｎ２、ｎ３、…ｎＮとに基づいて荷重ｙを導出する。

【0038】

図１１は、車両システムを想定したハイブリッドＡＩモデル９０Ｃの入出力を示した概略図である。ハイブリッドＡＩモデル９０Ｃは、アクセル操作（例えばアクセル開度）及びブレーキ操作（例えばブレーキペダルの踏力）の各々を変数ｘとし、車両加速度ｙを出力する。

【0039】

ハイブリッドＡＩモデル９０Ｃの物理モデル９４Ｃは、下記の式（２）、（３）によって表される。ｓは物理モデル９４Ｃにおける状態変数であり、Ａ、ｂ、ｃの各々は、ハイブリッドＡＩモデル９０Ｃの機械学習モデル９２Ｃで導出される状態空間マトリックスである。式（２）、（３）において、状態空間マトリックスは、Ａ（ｘ）、ｂ（ｘ）、ｃ（ｘ）と表したように、変数ｘに応じて変化する。機械学習モデル９２Ｃは、変数ｘに応じて変化する状態空間マトリックスＡ、ｂ、ｃの各々をパラメータｕとして、変数ｘから導出可能な関数ｕ＝ｆ_NN（ｘ）として機能する。

【0040】

物理モデル９４Ｃは、変数ｘと、機械学習モデル９２Ｃで導出した状態空間マトリックスＡ、ｂとで定義される下記の式（２）で示した非斉次な線形微分方程式によって状態変数ｓを導出すると共に、算出した状態変数ｓと、変数ｘと、機械学習モデル９２Ｃで導出した状態空間マトリックスｃとによって車両加速度ｙを導出して出力する。

【0041】

【0042】

図１２は、ＥＶ（電動輸送機器）及びハイブリッド車両システムの機関を想定したハイブリッドＡＩモデル９０Ｄの入出力を示した概略図である。ハイブリッドＡＩモデル９０Ｄは、回路基板又はモータの温度であるサーミスタ温度（ｘ₁）、自動変速機油の温度であるＡＴＦ温度（ｘ₂）、エンジンの冷却水温度（ｘ₃）、前述のモータの回転子を構成する永久磁石の回転数である磁石回転数、及びエンジンの回転数であるエンジン回転数の各々を変数ｘとし、前述のモータの回転子を構成する永久磁石の温度である磁石温度ｙを出力する。

【0043】

ハイブリッドＡＩモデル９０Ｄの物理モデル９４Ｄは、下記の式（４）によって表される。ｕ₁、ｕ₂、ｕ₃の各々は変数ｘに対する重み付けとなる偏回帰係数であり、ｅは誤差である。式（４）中において、偏回帰係数及び誤差は、ｕ₁（ｘ）、ｕ₂（ｘ）、ｕ₃（ｘ）、ｅ（ｘ）と表したように、変数ｘに応じて変化する。機械学習モデル９２Ｄは、変数ｘに応じて変化する偏回帰係数ｕ₁、ｕ₂、ｕ₃の各々及び誤差ｅをパラメータｕとして、変数ｘから各々導出可能な関数ｕ＝ｆ_NN（ｘ）として機能する。

【0044】

物理モデル９４Ｄは、変数ｘと、機械学習モデル９２Ｄで導出した偏回帰係数ｕ₁、ｕ₂、ｕ₃の各々と、誤差ｅとによって磁石温度ｙを導出して出力する。

【0045】

【0046】

以上説明したように、本実施形態は、機械学習モデル９２が出力するパラメータｕが不連続値である場合、変数ｘの変化に対してパラメータｕが急激に変化しないものとみなし、変数ｘに近似的に対応するｕを採用して連続値である出力ｙを導出する。変数ｘの変化に対してパラメータｕが急激に変化しないのであれば、変数ｘに近似的に対応するｕを採用して導出した出力ｙに生じる誤差は無視でき、その結果、ＣＡＥモデルに適用可能な連続値を出力可能なデータ予測装置を提供することができる。

【0047】

なお、本実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0048】

また、本実施形態では、プログラムがディスクドライブ５０等に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【0049】

（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
機械学習によるモデル構築後、入力された独立変数から予測値の算出に必要な媒介変数を導出し、
既知の自然法則に基づいたモデル構築後、前記独立変数と、前記独立変数に近似的に対応する前記媒介変数とに基づいて前記独立変数の変化に対応した予測値を連続値として算出する、
ように構成されているデータ予測装置。

【符号の説明】

【0050】

１０ データ予測装置
３０ コンピュータ
３２ ＣＰＵ
３４ ＲＯＭ
３６ ＲＡＭ
３８ 入出力ポート
４６ ＨＤＤ
７２ 機械学習モデル部
７４ 物理モデル部
９０、９０Ａ、９０Ｂ、９０Ｃ、９０Ｄ ハイブリッドＡＩモデル
９２、９２Ａ、９２Ｂ、９２Ｃ、９２Ｄ 機械学習モデル
９４、９４Ａ、９４Ｂ、９４Ｃ、９４Ｄ 物理モデル

【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】