特開 2024-165928 予測装置、推定方法、予測方法、推定プログラム及び予測プログラム

(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】P2024165928

(43)【公開日】2024-11-28

(54)【発明の名称】予測装置、推定方法、予測方法、推定プログラム及び予測プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241121BHJP

   G06F 18/27 20230101ALI20241121BHJP

【ＦＩ】

G06N20/00 130

G06F18/27

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023082527

(22)【出願日】2023-05-18

(71)【出願人】

【識別番号】399035766

【氏名又は名称】エヌ・ティ・ティ・コミュニケーションズ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】片島 健博

(72)【発明者】

【氏名】大川内 智海

(72)【発明者】

【氏名】島田 健一郎

(72)【発明者】

【氏名】泉谷 知範

(57)【要約】

【課題】間接予測における予測精度を向上させること。
【解決手段】中間変数計算部１５２は、学習済みの予測モデルを用いて、説明変数から中間変数を計算する。更新部１５５は、中間変数から出力値を計算する出力関数の２階微分を用いて、出力値を補正して目的変数の予測値を得るためのパラメータを推定する。目的変数計算部１５３は、中間変数を出力関数に入力して得られた出力値を、出力関数の２階微分及び推定されたパラメータを用いて補正することにより、目的変数の予測値を計算する。
【選択図】図１

【特許請求の範囲】

【請求項1】

学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算部と、
前記中間変数から出力値を計算する関数の２階微分を用いて、前記出力値を補正して目的変数の予測値を得るためのパラメータを推定する推定部と、
を有することを特徴とする予測装置。

【請求項2】

前記推定部は、複数の前記中間変数のそれぞれについての前記関数の前記２階微分と前記パラメータとの積の和が、前記関数によって計算された前記出力値の残差と等しくなるように、線形回帰により前記パラメータを推定する
ことを特徴とする請求項１に記載の予測装置。

【請求項3】

学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算部と、
前記中間変数を関数に入力して得られた出力値を、前記関数の２階微分を用いて補正することにより、目的変数の予測値を計算する目的変数計算部と、
を有することを特徴とする予測装置。

【請求項4】

コンピュータによって実行される推定方法であって、
学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算工程と、
前記中間変数から出力値を計算する関数の２階微分を用いて、前記出力値を補正して目的変数の予測値を得るためのパラメータを推定する推定工程と、
を含むことを特徴とする推定方法。

【請求項5】

コンピュータによって実行される予測方法であって、
学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算工程と、
前記中間変数を関数に入力して得られた出力値を、前記関数の２階微分を用いて補正することにより、目的変数の予測値を計算する目的変数計算工程と、
を含むことを特徴とする予測方法。

【請求項6】

学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算ステップと、
前記中間変数から出力値を計算する関数の２階微分を用いて、前記出力値を補正して目的変数の予測値を得るためのパラメータを推定する推定ステップと、
をコンピュータに実行させることを特徴とする推定プログラム。

【請求項7】

学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算ステップと、
前記中間変数を関数に入力して得られた出力値を、前記関数の２階微分を用いて補正することにより、目的変数の予測値を計算する目的変数計算ステップと、
をコンピュータに実行させることを特徴とする予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、予測装置、推定方法、予測方法、推定プログラム及び予測プログラムに関する。

【背景技術】

【0002】

従来、機械学習モデルの出力を既知の計算式に入力することで、最終的な結果を得る手法が知られている。例えば、特許文献１には、リカレントニューラルネットワークの出力をソフトマックス関数に入力することが記載されている。

【0003】

また、機械学習モデルを使った間接予測と呼ばれる手法が知られている。間接予測は、化学プラント、農業、経済等における指標の予測に用いられる。間接予測において、機械学習モデルは、説明変数と目的変数の関係ではなく、説明変数と中間変数の関係を学習する。

【0004】

予測時には、機械学習モデルは説明変数を基に中間変数を出力する。そして、既知の計算式により、中間変数から目的変数が計算される。

【0005】

例えば、間接予測を用いて収率を予測する場合を考える。このとき、説明変数と中間変数との関係を学習した機械学習モデルは、入力された説明変数を基に、収量及び理論収量という２つの中間変数を出力する。そして、収量と理論収量という２つの中間変数を基に、「収率＝収量÷理論収量」という既知の計算式により収率が計算される。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０２０－０５２６１１号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、従来の技術には、間接予測における予測精度が低下する場合があるという問題がある。

【0008】

例えば、機械学習モデルによって出力される中間変数がノイズを含む場合がある。その場合、既知の計算式にはノイズを含んだ状態の中間変数が入力される。その結果、既知の計算式から出力される目的変数にノイズに起因するバイアスが生じ、予測精度が低下する。

【課題を解決するための手段】

【0009】

上述した課題を解決し、目的を達成するために、予測装置は、学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算部と、前記中間変数から出力値を計算する関数の２階微分を用いて、前記出力値を補正して目的変数の予測値を得るためのパラメータを推定する推定部と、を有することを特徴とする。

【0010】

上述した課題を解決し、目的を達成するために、予測装置は、学習済みの予測モデルを用いて、説明変数から中間変数を計算する中間変数計算部と、前記中間変数を関数に入力して得られた出力値を、前記関数の２階微分を用いて補正することにより、目的変数の予測値を計算する目的変数計算部と、を有することを特徴とする。

【発明の効果】

【0011】

本発明によれば、間接予測における予測精度を向上させることができる。

【図面の簡単な説明】

【0012】

【図1】図１は、予測装置の構成例を示す図である。

【図2】図２は、従来の間接予測を説明する図である。

【図3】図３は、バイアスを説明する図である。

【図4】図４は、学習処理及び予測処理の流れを説明する図である。

【図5】図５は、学習フェーズにおける予測装置の処理の流れを示すフローチャートである。

【図6】図６は、推論フェーズにおける予測装置の処理の流れを示すフローチャートである。

【図7】図７は、予測プログラムを実行するコンピュータの構成例を示す図である。

【発明を実施するための形態】

【0013】

以下に、本願に係る予測装置、推定方法、予測方法、推定プログラム及び予測プログラムの実施形態を図面に基づいて詳細に説明する。なお、本発明は、以下に説明する実施形態により限定されるものではない。

【0014】

［第１の実施形態］
［第１の実施形態の構成］
図１を用いて、予測装置１０の構成を説明する。図１は、予測装置の構成例を示す図である。予測装置１０は、間接予測により、説明変数から目的変数を予測する。

【0015】

図１に示すように、予測装置１０は、通信部１１、入力部１２、出力部１３、記憶部１４及び制御部１５を有する。

【0016】

通信部１１は、ネットワークを介して、他の装置との間でデータ通信を行う。例えば、通信部１１はＮＩＣ（Network Interface Card）である。

【0017】

入力部１２は、データの入力を受け付ける。入力部１２は、マウス及びキーボード等の入力装置と接続されるインタフェースであってもよい。

【0018】

出力部１３は、データを出力する。出力部１３は、ディスプレイ、スピーカ等の出力装置と接続されるインタフェースであってもよい。

【0019】

記憶部１４は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、光ディスク等の記憶装置である。なお、記憶部１４は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）等のデータを書き換え可能な半導体メモリであってもよい。

【0020】

記憶部１４は、予測装置１０で実行されるＯＳ（Operating System）や各種プログラムを記憶する。記憶部１４は、訓練用データ蓄積部１４１、モデル情報１４２、補正パラメータ情報１４３、及び予測用データ蓄積部１４４を有する。

【0021】

訓練用データ蓄積部１４１は、機械学習モデルの訓練を行うための訓練データを蓄積する。訓練データは、説明変数と中間変数を組み合わせたデータである。

【0022】

以降、機械学習モデルを予測モデルと呼ぶ。予測モデルは、説明変数を入力とし、中間変数を出力する。

【0023】

モデル情報１４２は、予測モデルを構築するためのパラメータ等の情報である。例えば、予測モデルがニューラルネットワークであれば、モデル情報１４２は重み及びバイアス等のパラメータを含む。

【0024】

補正パラメータ情報１４３は、中間変数から目的変数を計算する際に、既知の計算式の計算結果を補正するためのパラメータの情報である。

【0025】

以降、既知の計算式による計算を行う関数を出力関数と呼ぶ。予測装置１０は、出力関数の出力値を補正パラメータにより補正することにより、目的変数を得る。

【0026】

予測用データ蓄積部１４４は、新規データを蓄積する。新規データは、対応する中間変数が未知の説明変数である。

【0027】

制御部１５は、予測装置１０全体を制御する。制御部１５は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路である。

【0028】

また、制御部１５は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、内部メモリを用いて各処理を実行する。また、制御部１５は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部１５は、取得部１５１、中間変数計算部１５２、目的変数計算部１５３、出力制御部１５４及び更新部１５５を有する。

【0029】

取得部１５１は、訓練用データ及び予測用データを取得する。例えば、化学プラントに備えられたセンサーのセンサー値を説明変数又は目的変数として取得する。取得部１５１は、取得したデータを、訓練用データ蓄積部１４１又は予測用データ蓄積部１４４に格納する。

【0030】

中間変数計算部１５２は、予測モデルに説明変数を入力し、中間変数を計算する。

【0031】

目的変数計算部１５３、出力関数に中間変数を入力して得られた出力値を補正パラメータにより補正することで、目的変数を計算する。

【0032】

出力制御部１５４は、推論フェーズにおいて得られた予測結果を出力する。例えば、出力制御部１５４は、目的変数計算部１５３によって計算された目的変数（予測値）及び予測モデルの感度を、表及びグラフ等により表示装置に表示させる。

【0033】

更新部１５５は、学習フェーズにおいて、予測モデルのパラメータ及び補正パラメータを更新する。

【0034】

本実施形態では、目的変数計算部１５３が出力関数の出力値を補正することにより、予測結果の目的変数にバイアスが生じることを抑止できる。目的変数計算部１５３による補正処理については後述する。

【0035】

ここで、図２を用いて、従来の間接予測について説明する。図２は、従来の間接予測を説明する図である。

【0036】

説明変数ｘは、センサー値＿１，センサー値＿２，…，センサー値＿ｐといった複数の値を含む。学習済みの予測モデル＾ｇ（ｇの直上に＾）は、説明変数ｘを基に中間変数ｚを出力する。中間変数ｚは、センサー値＿Ａ，…，センサー値＿Ｌといった複数の値を含む。

【0037】

既知の出力関数ｆは、中間変数ｚから予測対象である目的変数ｙを計算する。このような間接予測は、（１）式のように表される。

【0038】

【数1】

【0039】

ここで、目的変数ｙは（２）式のように表される。また、中間変数ｚは（３）式のように表される。

【0040】

【数2】

【0041】

【数3】

【0042】

（３）式に示すように、中間変数ｚには、ノイズεが含まれることが考えられる。εを、成分ごとに独立した平均が０、分散がσ_ｋ ^２のノイズとすると、目的変数の期待値は（４）式のように近似される。

【0043】

【数4】

【0044】

（４）式のＨ_ｆは、出力関数の２階微分の導関数である。（４）式の右辺の第２項は、（２）式に示す目的変数を、εの分布を考慮してテイラー展開により近似したときの、２階微分の項（補正項）である。

【0045】

図２及び（１）式で説明した間接予測では、（４）式の右辺の第１項は考慮されているものの、第２項が考慮されていない。このことにより、目的変数の予測値にバイアスが生じる。

【0046】

例えば、目的変数が（５）式で表され、中間変数が（６）式で表される場合を考える。この場合の従来の間接予測による予測結果の例を図３に示す。図３は、バイアスを説明する図である。

【0047】

【数5】

【0048】

【数6】

【0049】

図３の横軸は説明変数ｘに対応し、縦軸は目的変数ｙに対応する。plug-inは、従来の間接予測による予測値（目的変数）である。また、conditional expectationは、説明変数と目的変数の真値（true）に基づく予測値である。ノイズの影響により、plug-inとconditional expectationとの間に差分が生じている。ノイズを考慮すると、conditional expectationに近い予測値が得られることが望ましい。

【0050】

本実施形態の予測装置１０は、出力関数の出力を補正することにより、ノイズの影響を考慮した目的変数を計算する。

【0051】

図４を用いて、予測装置１０による学習処理及び予測処理を説明する。図４は、学習処理及び予測処理の流れを説明する図である。

【0052】

［学習フェーズ：予測モデルの学習］
図４の上側は、訓練データを用いた学習処理の流れを示す。まず、予測装置１０は、中間変数ｚ_ｊ（ｊ＝１，２，…，ｐ）について、予測モデル＾ｇ_ｊの学習を行う。

【0053】

具体的には、中間変数計算部１５２が、訓練用データ蓄積部１４１に蓄積された説明変数ｘを基に、予測モデル＾ｇ_ｊを用いて中間変数ｚ_ｊを計算する。そして、更新部１５５が、訓練用データ蓄積部１４１に蓄積された中間変数と中間変数計算部１５２によって計算された中間変数とを比較し、予測モデル＾ｇ_ｊのパラメータを更新する。

【0054】

更新部１５５は、既知の機械学習の手法（例えば、誤差逆伝搬法）によりパラメータを更新することができる。更新部１５５は、更新したパラメータをモデル情報１４２として記憶部１４に記憶させる。

【0055】

［学習フェーズ：補正パラメータの推定］
続いて、予測装置１０は、出力関数の出力を補正するための補正パラメータを推定する。中間変数計算部１５２は、パラメータが更新された予測モデル＾ｇ_ｊを用いて、（７）式のように中間変数＾ｚ_ｊを計算する。

【0056】

【数7】

【0057】

そして、更新部１５５は、（８）式のように、plug-in推定量の残差ｒを計算する。ｙは、訓練データの目的変数である。訓練データの目的変数は、訓練用データ蓄積部１４１に蓄積されていてもよいし、訓練データの中間変数から計算されてもよい。また、＾ｚ＝（＾ｚ_１，＾ｚ_２，…，＾ｚ_ｐ）はｐ次元のベクトルである。

【0058】

【数8】

【0059】

また、更新部１５５は、（９）式のように、出力関数の２階微分ｈ_ｊを計算する。

【0060】

【数9】

【0061】

さらに、更新部１５５は、線形回帰により、（１０）式の補正パラメータβ_ｊを推定する。

【0062】

【数10】

【0063】

これにより、ｐ個の中間変数のそれぞれについて、補正パラメータβ_ｊが得られる。更新部１５５は、補正パラメータβ_ｊを補正パラメータ情報１４３として記憶部１４に記憶させる。補正パラメータβ_ｊは、（４）式のσ_ｋ ^２に対応する。

【0064】

このように、更新部１５５は、中間変数から出力値を計算する出力関数の２階微分を用いて、出力値を補正して目的変数の予測値を得るための補正パラメータを推定する。なお、更新部１５５は、推定部として機能する。

【0065】

また、中間変数が複数の場合、更新部１５５は、複数の中間変数のそれぞれについての出力関数の２階微分とパラメータとの積の和が、出力関数によって計算された出力値の残差と等しくなるように、線形回帰によりパラメータを推定する。

【0066】

［推論フェーズ：予測値の計算］
図４の下側は、新規データを用いた予測処理の流れを示す。中間変数計算部１５２は、（１１）式により、目的変数の予測値＾ｙを計算する。（１１）式では、学習済みの予測モデル＾ｇ及び補正パラメータβ_ｊが使用される。

【0067】

【数11】

【0068】

このように、目的変数計算部１５３は、中間変数を出力関数に入力して得られた出力値を、出力関数の２階微分を用いて補正することにより、目的変数の予測値を計算する。

【0069】

［第１の実施形態の処理の流れ］
図５を用いて、学習フェーズにおける予測装置１０の処理の流れを説明する。図５は、学習フェーズにおける予測装置の処理の流れを示すフローチャートである。

【0070】

図５に示すように、まず、予測装置１０は、訓練用データを取得する（ステップＳ１０１）。次に、予測装置１０は、中間変数の予測モデルを学習する（ステップＳ１０２）。

【0071】

続いて、予測装置１０は、Plug-in推定量の残差（（８）式））及び２階微分（（９）式）を計算する（ステップＳ１０３）。

【0072】

そして、予測装置１０は、線形回帰（（１０）式）により補正用のパラメータを推定する（ステップＳ１０４）。

【0073】

図６を用いて、推論フェーズにおける予測装置１０の処理の流れを説明する。図６は、推論フェーズにおける予測装置の処理の流れを示すフローチャートである。

【0074】

図６に示すように、まず、予測装置１０は、予測用データ（新規データ）を取得する（ステップＳ２０１）。次に、予測装置１０は、予測用データ及び補正用のパラメータを用いて補正済みの予測値を計算する（（１１）式）（ステップＳ２０２）。

【0075】

また、予測装置１０は、感度を計算する（ステップＳ２０３）。感度は、出力関数の１階微分である。そして、予測装置１０は、計算結果を出力する（ステップＳ２０４）。

【0076】

［第１の実施形態の効果］
これまで説明してきたように、中間変数計算部１５２は、学習済みの予測モデルを用いて、説明変数から中間変数を計算する。更新部１５５は、中間変数から出力値を計算する出力関数の２階微分を用いて、出力値を補正して目的変数の予測値を得るためのパラメータを推定する。

【0077】

また、目的変数計算部１５３は、中間変数を出力関数に入力して得られた出力値を、出力関数の２階微分を用いて補正することにより、目的変数の予測値を計算する。

【0078】

これにより、予測装置１０は、推定されたパラメータを用いて出力関数を補正し、間接予測において、予測結果の目的変数にバイアスが生じることを抑止できる。その結果、間接予測における予測精度が向上する。

【0079】

特に、出力関数が複雑であるほどノイズの影響が大きくなるため、本実施形態の効果が得られやすい。例えば、出力関数が２階微分可能な関数（２階微分で０にならない関数）である場合に本実施形態は有効である。２階微分可能な関数には、ｎ次関数（ｎ≧２）、指数関数、対数関数等が含まれる。

【0080】

［システム構成等］
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、各装置の分散及び統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散又は統合して構成することができる。さらに、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。なお、プログラムは、ＣＰＵだけでなく、ＧＰＵ等の他のプロセッサによって実行されてもよい。

【0081】

また、実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

【0082】

［プログラム］
一実施形態として、予測装置１０は、パッケージソフトウェアやオンラインソフトウェアとして上記の情報処理を実行する予測プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、上記の予測プログラムを情報処理装置に実行させることにより、情報処理装置を予測装置１０として機能させることができる。ここで言う情報処理装置には、デスクトップ型又はノート型のパーソナルコンピュータが含まれる。また、その他にも、情報処理装置には、タブレット型端末、スマートフォン、携帯電話機やＰＨＳ（Personal Handy-phone System）等の移動体通信端末、さらには、ＰＤＡ（Personal Digital Assistant）等のスレート端末等がその範疇に含まれる。

【0083】

また、予測装置１０は、ユーザが使用する端末装置をクライアントとし、当該クライアントに上記の情報処理に関するサービスを提供するサーバとして実装することもできる。例えば、サーバは、説明変数を入力とし、ノイズを考慮した目的変数の予測値を出力とする情報処理サービスを提供するサーバ装置として実装される。この場合、サーバは、Ｗｅｂサーバとして実装することとしてもよいし、アウトソーシングによって上記の情報処理に関するサービスを提供するクラウドとして実装することとしてもかまわない。

【0084】

図７は、予測プログラムを実行するコンピュータの構成例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０、ＣＰＵ１０２０を有する。また、コンピュータ１０００は、ハードディスクドライブインタフェース１０３０、ディスクドライブインタフェース１０４０、シリアルポートインタフェース１０５０、ビデオアダプタ１０６０、ネットワークインタフェース１０７０を有する。これらの各部は、バス１０８０によって接続される。

【0085】

メモリ１０１０は、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ（Random Access Memory）１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、例えばディスプレイ１１３０に接続される。

【0086】

ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、予測装置１０の各処理を規定するプログラムは、コンピュータにより実行可能なコードが記述されたプログラムモジュール１０９３として実装される。プログラムモジュール１０９３は、例えばハードディスクドライブ１０９０に記憶される。例えば、予測装置１０における機能構成と同様の処理を実行するためのプログラムモジュール１０９３が、ハードディスクドライブ１０９０に記憶される。なお、ハードディスクドライブ１０９０は、ＳＳＤ（Solid State Drive）により代替されてもよい。

【0087】

また、上述した実施形態の処理で用いられる設定データは、プログラムデータ１０９４として、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０は、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した実施形態の処理を実行する。

【0088】

なお、プログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ１１００等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムモジュール１０９３及びプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶されてもよい。そして、プログラムモジュール１０９３及びプログラムデータ１０９４は、他のコンピュータから、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

【符号の説明】

【0089】

１０ 予測装置
１１ 通信部
１２ 入力部
１３ 出力部
１４ 記憶部
１５ 制御部
１４１ 訓練用データ蓄積部
１４２ モデル情報
１４３ 補正パラメータ情報
１４４ 予測用データ蓄積部
１５１ 取得部
１５２ 中間変数計算部
１５３ 目的変数計算部
１５４ 出力制御部
１５５ 更新部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】