特開 2025-25572 時系列予測管理装置、時系列予測管理方法、および、時系列予測管理プログラム

(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】P2025025572

(43)【公開日】2025-02-21

(54)【発明の名称】時系列予測管理装置、時系列予測管理方法、および、時系列予測管理プログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20250214BHJP

   G06Q 10/063 20230101ALI20250214BHJP

   G06N 20/10 20190101ALI20250214BHJP

   G06N 7/01 20230101ALI20250214BHJP

   G06F 18/27 20230101ALI20250214BHJP

   G06N 20/00 20190101ALI20250214BHJP

   G06F 123/02 20230101ALN20250214BHJP

【ＦＩ】

G06Q10/04

G06Q10/063

G06N20/10

G06N7/01

G06F18/27

G06N20/00 130

G06F123:02

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023130442

(22)【出願日】2023-08-09

(71)【出願人】

【識別番号】398040527

【氏名又は名称】株式会社オービック

(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】里 彰真

【テーマコード（参考）】

5L010

5L049

【Ｆターム（参考）】

5L010AA04

5L010AA06

5L049AA04

5L049AA06

(57)【要約】

【課題】ベイズ最適化を用いて時系列予測モデルの最適なハイパーパラメータを探索する際に、事前に設定された制限時間内で最適なハイパーパラメータを決定することで、時系列データの予測と分析とを行うことができる時系列予測管理装置、時系列予測管理方法、および、時系列予測管理プログラムを提供することを課題とする。
【解決手段】処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成し、時系列予測モデルを用いて時系列データの予測値を取得し、実績値および予測値に基づいて、時系列予測モデルの高適合性のハイパーパラメータを決定する。
【選択図】図５

【特許請求の範囲】

【請求項1】

記憶部と制御部とを備えた時系列予測管理装置であって、
前記記憶部は、
時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、
ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、
を備え、
前記制御部は、
前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成手段と、
前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測手段と、
前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定手段と、
を備えたことを特徴とする時系列予測管理装置。

【請求項2】

前記モデル作成手段は、
更に、前記ハイパーパラメータの初期観測点として当該ハイパーパラメータの最小値、三分割点および最大値の４点を取得し、前記訓練用データに基づいて、前記各初期観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成し、
前記ハイパーパラメータ決定手段は、
前記実績値と前記予測値との二乗和誤差を計算し、最小の前記二乗和誤差となる観測点を前記時系列予測モデルの前記高適合性のハイパーパラメータとして決定することを特徴とする請求項１に記載の時系列予測管理装置。

【請求項3】

前記モデル作成手段は、
前記制限時間内に、前記二乗和誤差から標準化二乗和誤差を計算し、前記標準化二乗和誤差に基づいて、前記ベイズ最適化を用いて前記制限時間内に可能な限り設定可能な前記ハイパーパラメータの候補観測点を取得し、前記訓練用データに基づいて、前記各候補観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成することを特徴とする請求項２に記載の時系列予測管理装置。

【請求項4】

前記モデル作成手段は、
前記観測点同士の類似度を評価することができるガウスカーネルの係数を決定し、前記制限時間内に、前記二乗和誤差から前記標準化二乗和誤差を計算し、前記標準化二乗和誤差、および、前記係数を設定した前記ガウスカーネルに基づいて、前記ベイズ最適化を用いて前記制限時間内に可能な限り設定可能な前記ハイパーパラメータの前記候補観測点を取得し、前記訓練用データに基づいて、前記各候補観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成することを特徴とする請求項３に記載の時系列予測管理装置。

【請求項5】

前記係数は、
探索すべき候補点の数を５で除算した商が前記候補観測点の数以下である場合、５であり、当該商が前記候補観測点の数より大きい場合、前記探索すべき候補点の数を前記候補観測点の数で除算した商であることを特徴とする請求項４に記載の時系列予測管理装置。

【請求項6】

記憶部と制御部とを備えた時系列予測管理装置に実行させるための時系列予測管理方法であって、
前記記憶部は、
時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、
ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、
を備え、
前記制御部において実行される、
前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成ステップと、
前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測ステップと、
前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定ステップと、
を含むことを特徴とする時系列予測管理方法。

【請求項7】

記憶部と制御部とを備えた時系列予測管理装置に実行させるための時系列予測管理プログラムであって、
前記記憶部は、
時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、
ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、
を備え、
前記制御部において、
前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成ステップと、
前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測ステップと、
前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定ステップと、
を実行させるための時系列予測管理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、時系列予測管理装置、時系列予測管理方法、および、時系列予測管理プログラムに関する。

【背景技術】

【0002】

特許文献１には、産業機械の異常検知を行うための故障予知モデルにおいて、産業機械にある一定の動作を行わせた際の制御に係る時系列データを含む測定データを取得し、複数の時系列データを確認可能に重ねあわせてグラフ表示させ、当該時系列データを学習データと検証データとに２分割したデータを用いて、機械学習のハイパーパラメータの最適値をベイズ最適化により探索し、学習データに基づいて故障予知モデルの学習を実行し、故障予知モデルを検証データに適用し、異常度を算出する構成が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－１９１６８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記特許文献１記載の発明においては、ベイズ最適化を用いてハイパーパラメータを探索する際に、事前に設定された制限時間内で最適なハイパーパラメータを決定することができないという課題があった。

【0005】

本発明は、上記問題点に鑑みてなされたものであって、ベイズ最適化を用いて時系列予測モデルの最適なハイパーパラメータを探索する際に、事前に設定された制限時間内で最適なハイパーパラメータを決定することで、時系列データの予測と分析とを行うことができる時系列予測管理装置、時系列予測管理方法、および、時系列予測管理プログラム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】

【0006】

上述した課題を解決し、目的を達成するために、本発明に係る時系列予測管理装置は、記憶部と制御部とを備えた時系列予測管理装置であって、前記記憶部は、時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、を備え、前記制御部は、前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成手段と、前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測手段と、前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定手段と、を備えたことを特徴とする。

【0007】

また、本発明に係る時系列予測管理装置において、前記モデル作成手段は、更に、前記ハイパーパラメータの初期観測点として当該ハイパーパラメータの最小値、三分割点および最大値の４点を取得し、前記訓練用データに基づいて、前記各初期観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成し、前記ハイパーパラメータ決定手段は、前記実績値と前記予測値との二乗和誤差を計算し、最小の前記二乗和誤差となる観測点を前記時系列予測モデルの前記高適合性のハイパーパラメータとして決定することを特徴とする。

【0008】

また、本発明に係る時系列予測管理装置において、前記モデル作成手段は、前記制限時間内に、前記二乗和誤差から標準化二乗和誤差を計算し、前記標準化二乗和誤差に基づいて、前記ベイズ最適化を用いて前記制限時間内に可能な限り設定可能な前記ハイパーパラメータの候補観測点を取得し、前記訓練用データに基づいて、前記各候補観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成することを特徴とする。

【0009】

また、本発明に係る時系列予測管理装置において、前記モデル作成手段は、前記観測点同士の類似度を評価することができるガウスカーネルの係数を決定し、前記制限時間内に、前記二乗和誤差から前記標準化二乗和誤差を計算し、前記標準化二乗和誤差、および、前記係数を設定した前記ガウスカーネルに基づいて、前記ベイズ最適化を用いて前記制限時間内に可能な限り設定可能な前記ハイパーパラメータの前記候補観測点を取得し、前記訓練用データに基づいて、前記各候補観測点を前記ハイパーパラメータとする前記時系列予測モデルを作成することを特徴とする。

【0010】

また、本発明に係る時系列予測管理装置において、前記係数は、探索すべき候補点の数を５で除算した商が前記候補観測点の数以下である場合、５であり、当該商が前記候補観測点の数より大きい場合、前記探索すべき候補点の数を前記候補観測点の数で除算した商であることを特徴とする。

【0011】

また、本発明に係る時系列予測管理方法は、記憶部と制御部とを備えた時系列予測管理装置に実行させるための時系列予測管理方法であって、前記記憶部は、時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、を備え、前記制御部において実行される、前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成ステップと、前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測ステップと、前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定ステップと、を含むことを特徴とする。

【0012】

また、本発明に係る時系列予測管理プログラムは、記憶部と制御部とを備えた時系列予測管理装置に実行させるための時系列予測管理プログラムであって、前記記憶部は、時刻に依存する実績値が設定された時系列データを記憶する時系列記憶手段と、ハイパーパラメータの探索の処理許容時間を設定した異常判定定義マスタと、を備え、前記制御部において、前記処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、前記時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成するモデル作成ステップと、前記時系列予測モデルを用いて前記時系列データの予測値を取得する時系列予測ステップと、前記実績値および前記予測値に基づいて、前記時系列予測モデルの高適合性のハイパーパラメータを決定するハイパーパラメータ決定ステップと、を実行させることを特徴とする。

【発明の効果】

【0013】

本発明によれば、ベイズ最適化による時系列予測モデルの適合性の向上および探索時間の短縮をすることができるという効果を奏する。また、本発明によれば、設定された制限時間内でできるだけ多くのハイパーパラメータを探索し、予測モデルの適合性の向上と探索時間の短縮とを両立することができるという効果を奏する。また、本発明によれば、時系列データの予測を活用することで、内部統制の強化やマネジメントに活用することができるという効果を奏する。また、本発明によれば、機械学習の知識がない人でも最良のハイパーパラメータを探索して、精度の良い時系列データの予測モデルを構築することができるという効果を奏する。また、本発明によれば、不正防止、ミス防止、ビジネスデータの変化の検知による業務効率化をすることができるという効果を奏する。また、本発明によれば、ベイズ最適化を行う処理ステップにて、ユーザが指定した処理許容時間に応じた処理を実行することができるという効果を奏する。また、本発明によれば、ＡＩを活用して、各業務に応じてトレンドや周期性のある時系列データに対して、未来のデータの予測を行い、異常判定処理を行うことができるという効果を奏する。

【図面の簡単な説明】

【0014】

【図1】図１は、社員の法定外時間計の推移データの一例を示す図である。

【図2】図２は、社員の法定外時間計の推移データの一例を示す図である。

【図3】図３は、本実施形態における標準化二乗和誤差の予測関数の一例を示す図である。

【図4】図４は、本実施形態における異常判定結果の一例を示す図である。

【図5】図５は、本実施形態における時系列予測管理装置の構成の一例を示すブロック図である。

【図6】図６は、本実施形態における時系列予測管理装置の処理の一例を示すフローチャートである。

【図7】図７は、本実施形態における時系列予測管理処理の一例を示す図である。

【図8】図８は、本実施形態における時系列予測管理処理の一例を示す図である。

【図9】図９は、本実施形態における時系列予測管理処理の一例を示す図である。

【図10】図１０は、本実施形態における時系列予測管理処理の一例を示す図である。

【図11】図１１は、本実施形態における時系列予測管理処理の一例を示す図である。

【図12】図１２は、本実施形態における時系列予測管理処理の一例を示す図である。

【図13】図１３は、本実施形態における時系列予測管理処理の一例を示す図である。

【図14】図１４は、本実施形態における時系列予測管理処理の一例を示す図である。

【図15】図１５は、本実施形態における時系列予測管理処理の一例を示す図である。

【図16】図１６は、本実施形態における時系列予測管理処理の一例を示す図である。

【図17】図１７は、本実施形態における時系列予測管理処理の一例を示す図である。

【図18】図１８は、本実施形態における時系列予測管理処理の一例を示す図である。

【図19】図１９は、本実施形態における時系列予測管理処理の一例を示す図である。

【図20】図２０は、本実施形態における時系列予測管理処理の一例を示す図である。

【図21】図２１は、本実施形態における時系列予測管理処理の一例を示す図である。

【図22】図２２は、本実施形態における時系列予測管理処理の一例を示す図である。

【図23】図２３は、本実施形態における時系列予測管理処理の一例を示す図である。

【図24】図２４は、本実施形態における時系列予測管理処理の一例を示す図である。

【図25】図２５は、本実施形態における時系列予測管理処理の一例を示す図である。

【図26】図２６は、本実施形態における時系列予測管理処理の一例を示す図である。

【図27】図２７は、本実施形態における時系列予測管理処理の一例を示す図である。

【図28】図２８は、本実施形態における時系列予測管理処理の一例を示す図である。

【図29】図２９は、本実施形態における時系列予測管理処理の一例を示す図である。

【図30】図３０は、本実施形態における時系列予測管理処理の一例を示す図である。

【図31】図３１は、本実施形態における時系列予測管理処理の一例を示す図である。

【図32】図３２は、本実施形態における時系列予測管理処理の一例を示す図である。

【図33】図３３は、本実施形態における時系列予測管理処理の一例を示す図である。

【図34】図３４は、本実施形態における時系列予測管理処理の一例を示す図である。

【図35】図３５は、本実施形態における時系列予測管理処理の一例を示す図である。

【図36】図３６は、本実施形態における時系列予測管理処理の一例を示す図である。

【図37】図３７は、本実施形態における時系列予測管理処理の一例を示す図である。

【図38】図３８は、本実施形態における時系列予測管理処理の一例を示す図である。

【図39】図３９は、本実施形態における時系列予測管理処理の一例を示す図である。

【図40】図４０は、本実施形態における時系列予測部品に渡す情報の一例を示す図である。

【図41】図４１は、本実施形態における分解結果の一例を示す図である。

【図42】図４２は、本実施形態における予測結果の一例を示す図である。

【図43】図４３は、本実施形態における前処理の一例を示す図である。

【図44】図４４は、本実施形態における前処理の一例を示す図である。

【図45】図４５は、本実施形態における前処理の一例を示す図である。

【図46】図４６は、本実施形態における事前分布の一例を示す図である。

【図47】図４７は、本実施形態における事前分布の一例を示す図である。

【図48】図４８は、本実施形態における事前分布の一例を示す図である。

【図49】図４９は、本実施形態における予測関数の一例を示す図である。

【図50】図５０は、本実施形態における予測関数の一例を示す図である。

【図51】図５１は、本実施形態における予測関数の一例を示す図である。

【発明を実施するための形態】

【0015】

本発明の実施形態を図面に基づいて詳細に説明する。なお、本発明は本実施形態により限定されるものではない。

【0016】

［１．概要］
まず、図１から図４を参照して、本発明の概要を説明する。図１および図２は、社員の法定外時間計の推移データの一例を示す図である。図３は、本実施形態における標準化二乗和誤差の予測関数の一例を示す図である。図４は、本実施形態における異常判定結果の一例を示す図である。

【0017】

従来から、トレンドや周期性をもつような時系列データを管理している企業においては、過去の時系列データの実績をもとに未来のデータを予測し、予測結果をもとに意思決定をしたいという要求があった。例えば、従来、（ａ）就業時間を管理している企業においては、就業データを活用して、「法規定の残業時間を超える可能性のある社員を事前に検知したい」、「組織毎の社員の残業時間の合計がある規定値を超える可能性が高い組織を事前に検知したい」等の要求があり、（ｂ）ハードウェアを管理している企業においては、ハードウェアモニタリングデータを活用して、「ハードウェアリソース使用状況・サーバのＣＰＵ使用率・メモリ使用量・ハードディスクアクセス数等の規定値を超える可能性が高いハードウェアを事前に検知したい」等の要求があった。なお、従来から、（ａ）就業データの活用、および、（ｂ）ハードウェアモニタリングデータの活用での要求以外でも、トレンドや周期性を持つような業務上のあらゆるビジネスデータに対して、同様の要求があった。

【0018】

すなわち、従来から、（ａ）就業時間を管理している企業において、「法規定の残業時間を超える可能性のある社員を事前に検知したい」という要求があり、分析対象データは、図１に示すグラフのような勤務日毎の法定外時間計の推移データがあった。ここで、勤務日毎の当該法定外時間計の時系列データは、特徴（１）：勤怠の締め日（図１では毎月１５日）に法定外時間計が０時間にリセットされ、特徴（２）：勤怠の締め日翌日から次の締め日まで（締期間）、法定外時間計は単調増加の傾向があり、締期間で周期性をもち、特徴（３）：締期間毎に法定外時間計の増加の傾きや最大値は異なるという特徴を備えていた。ここで、法定外時間計は、前回の勤怠締め日からある時点までの法定外残業時間の累計時間であってもよい。

【0019】

図１に示すように、従来、法定外時間計は、特徴（１）、特徴（２）および特徴（３）のような特徴を持っているため、「周期性があるが、締期間毎に法定外時間計の最大値が異なるため、ある未来の期間の法定外時間計の増加傾向を過去の実績から予測し、月間の法規定の上限時間を超過する可能性が高い社員を高い精度で異常として事前に検知したい」という要求が出てきた。

【0020】

そして、図２に示すように、従来から、過去の実績データをもとに機械学習を行い、未来のデータの予測値、ならびに、信頼区間の上側信頼限界および下側信頼限界を取得することができていた。

【0021】

しかしながら、従来は、予測モデルのハイパーパラメータの探索に時間が掛かってしまうという課題（１）があった。すなわち、従来技術を用いて機械学習モデルを作成する際は、ユーザ側で設定が必要なハイパーパラメータがあり、この設定値によって予測モデルの適合性は大きく変わってしまうが、データサイエンティストのようなＡＩ技術者でなければこのハイパーパラメータの適切な値を見つけ出すことは困難であり、さらに手動で探索するには多大な時間を要していた。そこで、誰でも柔軟に使用できるようシステムが自動的に精度の良いハイパーパラメータを見つけ出す従来の方法としては、ハイパーパラメータに設定可能な候補の値を全て設定して、最も精度のよいハイパーパラメータを得る方法があったが、この方法では、候補の値が多いときに膨大な試行計算が必要となるため、現実的には不可能であり、予測する時系列データ毎に機械学習モデルを作成するため、処理速度の問題がより顕著になっていた。ここで、ハイパーパラメータは、機械学習を行う上で、モデルの学習プロセスや予測の挙動を制御するためのパラメータであり、時系列データは、時刻列と時刻に依存する値列とをもつデータであり、時刻列は、時系列データの時刻を表す列であってもよい。

【0022】

また、従来は、異常判定の誤検知、異常判定を行うための予測値の確実性が不明確であるという課題（２）があった。すなわち、従来の異常検知システムにおいては、予測値が基準値を超えることのみ検知して異常と判定していたため、未来のデータに対する予測結果の確実性が低い場合でも誤った異常判定が発生しやすく、未来のデータの予測値の確実性を表す指標が異常判定の表示結果に表示されなかったため、予測値をどのくらい確信をもって見てよいのかが不明確であった。

【0023】

そこで、本実施形態においては、課題（１）に対して、ベイズ最適化を用いて最適なハイパーパラメータを探索する解決策（１）を採用している。ここで、時系列予測を行う上では、特異スペクトル解析（ＳＳＡ）を用いるが、ＳＳＡはトレンド・周期性を学習でき、ノイズに強いという特徴があり、ＳＳＡを用いた予測モデルの適合性を向上させるには、時系列データからうまくトレンドおよび季節性成分を抽出し、ノイズを除去すること（スムージング効果）が重要になってくる。また、従来、ＳＳＡを良い条件で行うためには、ベイズ最適化を用いて探索する適切なハイパーパラメータである窓サイズを設定する必要があり、窓サイズの取りうる値の範囲が分かっているが、どのように効率的に最適な窓サイズを求めるかの方法は確立されておらず、窓サイズに全ての取りうる値を試す総当たり的な方法で最適な値が求められていたため、時間がかかっていた。そこで、本実施形態においては、ハイパーパラメータを探索する際、予測の誤差が最小になるハイパーパラメータを探索（最小値探索）するため、目的に適しているベイズ最適化を利用している。

【0024】

すなわち、本実施形態においては、最適なハイパーパラメータの探索にベイズ最適化を上手に適用することで時系列予測モデルの適合性の向上および探索時間の短縮を両立させる仕組みを提供している。具体的には、本実施形態において、ベイズ最適化を行う処理ステップでは、ユーザが指定した処理許容時間に応じて、ベイズ最適化に掛けられる処理の制限時間が決まるようし、ベイズ最適化を上手に適用することで、制限時間内である程度予測モデルの適合性の高くなるハイパーパラメータの探索ができるため、処理許容時間のユーザ指定により、時系列データの分析を行えるようにしている。また、本実施形態においては、初期観測点として、探索したいハイパーパラメータの最小値、３分割点、最大値を観測し、５点目以降として、制限時間内で１観測点あたりの処理時間に応じて観測点数を増やしていくことで、制限時間内で可能な限りの観測点を確保している。なお、観測点数を増やすと、より最適なハイパーパラメータを得ることができるが、同時に処理時間が長くなってしまうが、本実施形態においては、ベイズ最適化を活用することで、制限時間内である程度最適なハイパーパラメータを取得できるようにバランスを調整している。また、ベイズ最適化を行う上で、カーネル関数を指定する必要があり、カーネル関数には多くの種類があるが、本実施形態においては、探索したい関数がどのような関数であっても柔軟に対応できるようにガウスカーネルを指定し、ガウスカーネルを指定する際に、ガウスカーネルの係数の指定も必要だが、複数の係数を用いて実験することで最適な係数の決め方を探求している。

【0025】

ここで、図３には、ハイパーパラメータを９点探索した場合の窓サイズに対して標準化した予測誤差（二乗和誤差）の予測値および予測区間が示されており、設定可能なハイパーパラメータが５３点あるが、探索された９点について、標準化二乗和誤差が負の値となるハイパーパラメータを中心に探索されているので、標準化二乗和誤差が最小となるハイパーパラメータを見つけることを目標に探索が行われている。また、本実施形態においては、ベイズ最適化を用いることで、少ない試行計算でも予測誤差を最小にするハイパーパラメータを見つけることができる。なお、図３に示すように、本実施形態においては、観測点から離れているほど、予測関数の返す予測値の確実性が下がるので、不確実性が高くなり、「予測値±標準偏差」が表す幅が広くなっている。

【0026】

また、本実施形態においては、課題（２）に対して、予測値が基準値を超える場合に異常だと判定し、ユーザが指定した信頼度に合わせた信頼区間と一緒に異常判定結果を表示する解決策（２）を採用している。具体的には、本実施形態において、時系列データの分割では、実績期間の時系列データが訓練用、検証用、テスト用データの３つに分割されるが、未来のデータに対して確実性の高い予測を行えるモデルを構築するため、「ハイパーパラメータの決定」処理、および、「予測モデルの適合性の評価」処理で最適なハイパーパラメータを決定し、「予測値の不確実性の許容度の評価」処理にて、未来のデータ予測結果に対して、許容幅をもって予測値の確実性を評価する。このように、本実施形態においては、一連の評価処理を通った後に異常判定が行われるため、より確実性のある異常判定結果が得られる。また、本実施形態においては、最終的に一定の許容度を満たす異常判定結果を表示する際、予測値、予測の不確実性の許容度がわかる予測値の信頼区間、および、基準値が表示され、特に、予測値の不確実性の許容度である信頼区間が表示されることで、ユーザは予測値の確実性を把握しながら、基準値を超える可能性があるかどうかを判断できる。

【0027】

ここで、図４に示すように、本実施形態においては、異常判定結果として、予測したい時系列データの実績値、未来の予測値、予測値の信頼区間（信頼区間の信頼度はユーザが指定できる）および基準値が表示され、異常判定として予測値が基準値を超えた場合に異常だと判定されるが、信頼区間が「予測値±許容幅」以上の幅を持つ場合に予測値の確実性が低いとし、異常判定を行わないため、予測値および異常判定結果の信憑性が保証されている。すなわち、図４に示すように、本実施形態においては、各種データが異常判定結果に表示され、ユーザが異常判定結果のグラフ表示を通じて、実績データと比較し、ユーザが指定した信頼区間、および、予測値の推移と基準値との差を確認することで、基準値を超える可能性があるかどうかを把握でき、その結果、適切な対応策を取ることができる。また、図４に示すように、本実施形態においては、異常判定結果から、２０２３／５／９時点で法定外時間系が基準値の４５時間を超えそうだと予測でき、事前に異常だと判定された社員に対して注意喚起をすることができる。

【0028】

［２．構成］
本実施形態に係る時系列予測管理装置１００の構成の一例について、図５を参照して説明する。図５は、本実施形態における時系列予測管理装置１００の構成の一例を示すブロック図である。

【0029】

図５に示すように、時系列予測管理装置１００は、市販のデスクトップ型パーソナルコンピュータである。なお、時系列予測管理装置１００は、デスクトップ型パーソナルコンピュータのような据置型情報処理装置に限らず、市販されているノート型パーソナルコンピュータ、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、スマートフォン、タブレット型パーソナルコンピュータなどの携帯型情報処理装置であってもよい。

【0030】

時系列予測管理装置１００は、制御部１０２と通信インターフェース部１０４と記憶部１０６と入出力インターフェース部１０８と、を備えている。時系列予測管理装置１００が備えている各部は、任意の通信路を介して通信可能に接続されている。

【0031】

通信インターフェース部１０４は、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して、時系列予測管理装置１００をネットワーク３００に通信可能に接続する。通信インターフェース部１０４は、他の装置と通信回線を介してデータを通信する機能を有する。ここで、ネットワーク３００は、時系列予測管理装置１００とサーバ２００とを相互に通信可能に接続する機能を有し、例えばインターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等である。

【0032】

入出力インターフェース部１０８には、入力装置１１２および出力装置１１４が接続されている。出力装置１１４には、モニタ（タッチパネルを含む）の他、スピーカやプリンタを用いることができる。入力装置１１２には、キーボード、マウス、およびマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。なお、以下では、出力装置１１４をモニタ１１４またはプリンタ１１４とし、入力装置１１２をキーボード１１２またはマウス１１２として記載する場合がある。

【0033】

記憶部１０６には、各種のデータベース、テーブル、およびファイルなどが格納される。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と協働してＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）に命令を与えて各種処理を行うためのコンピュータプログラムが記録される。記憶部１０６として、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のメモリ装置、ハードディスクのような固定ディスク装置、フレキシブルディスク、および光ディスク等を用いることができる。記憶部１０６は、時系列データベース１０６ａと異常判定定義マスタ１０６ｂとを備えている。

【0034】

時系列データベース１０６ａは、時系列データを記憶する。ここで、時系列データベース１０６ａは、時刻に依存する実績値が設定された時系列データを記憶していてもよい。また、時系列データベース１０６ａは、訓練用データ、検証用データ、テスト用データ、異常判定結果データ、時系列予測モデル、時系列データの予測値、ハイパーパラメータ、モデル適合性評価、不確実性許容度評価、異常判定結果、更新データ、および、業務データ等を記憶していてもよい。

【0035】

異常判定定義マスタ１０６ｂは、業務データ上の異常判定定義を設定したマスタである。ここで、異常判定定義マスタ１０６ｂは、ハイパーパラメータの探索の処理許容時間が設定されていてもよい。また、異常判定定義マスタ１０６ｂは、時系列データの基準値、ならびに、時系列データの予測値の信頼度および許容幅が設定されていてもよい。また、異常判定定義マスタ１０６ｂは、時系列データのパラメータ設定値が設定されていてもよい。

【0036】

制御部１０２は、時系列予測管理装置１００を統括的に制御するＣＰＵ等である。制御部１０２は、ＯＳ等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、格納されているこれらのプログラムに基づいて種々の情報処理を実行する。制御部１０２は、機能概念的に、モデル作成部１０２ａと時系列予測部１０２ｂとハイパーパラメータ決定部１０２ｃとモデル適合性評価部１０２ｄと不確実性許容度評価部１０２ｅと異常検知部１０２ｆと結果表示部１０２ｇとを備えている。

【0037】

モデル作成部１０２ａは、機械学習モデルである時系列予測モデルを作成する。ここで、モデル作成部１０２ａは、時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成してもよい。また、モデル作成部１０２ａは、処理許容時間に応じて決定される制限時間内に、ベイズ最適化を用いて、時系列データの一部を訓練用データとして機械学習モデルである時系列予測モデルを作成してもよい。また、モデル作成部１０２ａは、更に、ハイパーパラメータの初期観測点として当該ハイパーパラメータの最小値、三分割点および最大値の４点を取得し、訓練用データに基づいて、各初期観測点をハイパーパラメータとする時系列予測モデルを作成してもよい。また、モデル作成部１０２ａは、制限時間内に、二乗和誤差から標準化二乗和誤差を計算し、標準化二乗和誤差に基づいて、ベイズ最適化を用いて制限時間内に可能な限り設定可能なハイパーパラメータの候補観測点を取得し、訓練用データに基づいて、各候補観測点をハイパーパラメータとする時系列予測モデルを作成してもよい。また、モデル作成部１０２ａは、観測点同士の類似度を評価することができるガウスカーネルの係数を決定し、制限時間内に、二乗和誤差から標準化二乗和誤差を計算し、標準化二乗和誤差、および、係数を設定したガウスカーネルに基づいて、ベイズ最適化を用いて制限時間内に可能な限り設定可能なハイパーパラメータの候補観測点を取得し、訓練用データに基づいて、各候補観測点をハイパーパラメータとする時系列予測モデルを作成してもよい。ここで、ガウスカーネルの係数は、探索すべき候補点の数を５で除算した商が候補観測点の数以下である場合、５であり、当該商が候補観測点の数より大きい場合、探索すべき候補点の数を候補観測点の数で除算した商であってもよい。また、モデル作成部１０２ａは、時系列データを訓練用データ、検証用データおよびテスト用データに分割し、訓練用データを用いて機械学習モデルである時系列予測モデルを作成してもよい。

【0038】

時系列予測部１０２ｂは、時系列データの予測値を取得する。ここで、時系列予測部１０２ｂは、時系列予測モデルを用いて時系列データの予測値を取得してもよい。また、時系列予測部１０２ｂは、時系列予測モデルを用いて時系列データの予測値を取得し、異常判定定義マスタ１０６ｂに基づいて、予測値に対する信頼区間を取得してもよい。また、時系列予測部１０２ｂは、時系列予測モデルを用いて検証用データおよびテスト用データの予測値を取得し、異常判定定義マスタ１０６ｂに基づいて、予測値に対する信頼区間を取得してもよい。

【0039】

ハイパーパラメータ決定部１０２ｃは、時系列予測モデルの高適合性のハイパーパラメータを決定する。ここで、ハイパーパラメータ決定部１０２ｃは、実績値および予測値に基づいて、時系列予測モデルの高適合性のハイパーパラメータを決定してもよい。また、ハイパーパラメータ決定部１０２ｃは、実績値と予測値との二乗和誤差を計算し、最小の二乗和誤差となる観測点を時系列予測モデルの高適合性のハイパーパラメータとして決定してもよい。また、ハイパーパラメータ決定部１０２ｃは、検証用データと、検証用データの予測値と、の比較により、時系列予測モデルの高適合性のハイパーパラメータを決定してもよい。

【0040】

モデル適合性評価部１０２ｄは、時系列予測モデルの適合性の評価を示すモデル適合性評価を取得する。ここで、モデル適合性評価部１０２ｄは、信頼区間に含まれるテスト用データの予測値の割合が所定割合以上の場合、時系列予測モデルの適合性が十分であることを示すモデル適合性評価を取得してもよい。

【0041】

不確実性許容度評価部１０２ｅは、予測値の不確実性の許容度の評価を示す不確実性許容度評価を取得する。ここで、不確実性許容度評価部１０２ｅは、予測値の不確実性が許容できることを示す不確実性許容度評価を取得してもよい。また、不確実性許容度評価部１０２ｅは、信頼区間の幅が許容幅の２倍よりも狭い場合、予測値の不確実性が許容できることを示す不確実性許容度評価を取得してもよい。不確実性許容度評価部１０２ｅは、予測値の不確実性が許容できないことを示す不確実性許容度評価を取得してもよい。

【0042】

異常検知部１０２ｆは、予測値の異常判定結果を取得する。ここで、異常検知部１０２ｆは、予測値が基準値を超えると判定した場合、予測値の異常判定結果を取得してもよい。

【0043】

結果表示部１０２ｇは、時系列データの予測結果を表示させる。ここで、結果表示部１０２ｇは、時系列データの基準値、予測値、および、信頼区間を時系列に沿って表示させてもよい。また、結果表示部１０２ｇは、予測値の異常判定結果を表示させてもよい。

【0044】

［３．具体例］
本実施形態の具体例について、図６から図５１を参照して説明する。

【0045】

［時系列予測管理処理］
ここで、図６を参照して、本実施形態における時系列予測管理処理の一例について説明する。図６は、本実施形態における時系列予測管理装置１００の処理の一例を示すフローチャートである。

【0046】

図６に示すように、モデル作成部１０２ａは、時系列データを訓練用データ、検証用データおよびテスト用データに分割する（ステップＳＡ－１）。

【0047】

そして、モデル作成部１０２ａは、訓練用データを用いて機械学習モデルである時系列予測モデルを作成する（ステップＳＡ－２）。

【0048】

そして、時系列予測部１０２ｂは、時系列予測モデルを用いて検証用データおよびテスト用データの予測値を取得し、異常判定定義マスタ１０６ｂに基づいて、予測値に対する信頼区間を取得する（ステップＳＡ－３）。

【0049】

そして、ハイパーパラメータ決定部１０２ｃは、検証用データと、検証用データの予測値と、の比較により、時系列予測モデルの高適合性のハイパーパラメータを決定する（ステップＳＡ－４）。

【0050】

そして、モデル適合性評価部１０２ｄは、時系列予測モデルの適合性の評価を示すモデル適合性評価を取得する（ステップＳＡ－５）。

【0051】

そして、不確実性許容度評価部１０２ｅは、予測値の不確実性の許容度の評価を示す不確実性許容度評価を取得する（ステップＳＡ－６）。

【0052】

そして、異常検知部１０２ｆは、予測値が基準値を超えるか否かを判定する（ステップＳＡ－７）。

【0053】

そして、異常検知部１０２ｆは、予測値が基準値を超えると判定した場合（ステップＳＡ－７：Ｙｅｓ）、処理をステップＳＡ－８に移行させる。

【0054】

そして、異常検知部１０２ｆは、予測値の異常判定結果を取得する（ステップＳＡ－８）。

【0055】

そして、結果表示部１０２ｇは、予測値の異常判定結果を出力装置１１４に表示させ、時系列データの基準値、予測値、および、信頼区間を時系列に沿って出力装置１１４に表示させ（ステップＳＡ－９）、処理を終了する。

【0056】

一方、異常検知部１０２ｆは、予測値が基準値を超えないと判定した場合（ステップＳＡ－７：Ｎｏ）、処理をステップＳＡ－１０に移行させる。

【0057】

そして、結果表示部１０２ｇは、時系列データの基準値、予測値、および、信頼区間を時系列に沿って出力装置１１４に表示させ（ステップＳＡ－１０）、処理を終了する。

【0058】

ここで、図７から図３９を参照して、本実施形態における時系列予測管理処理の一例について説明する。図７から図３９は、本実施形態における時系列予測管理処理の一例を示す図である。

【0059】

本実施形態においては、勤怠が毎月１５日締めの運用である企業にて異常判定処理が毎晩行われ、異常判定日が２０２３／５／２である際に、２０２３／５／１迄の社員の残業実績データが既にある状態において、次回締め日である２０２３／５／１５迄に法定外時間計が４５時間を超える可能性が高い社員を事前に検知することを目的としている。

【0060】

まず、図７に示すように、本実施形態において、異常判定の実行の設定は、業務データ上の異常判定を行う定義を管理する異常判定定義マスタ１０６ｂに登録されていることを前提（１）としている。ここで、信頼度は、必須項目ではなく、信頼区間の幅を評価したい場合にのみ設定される。また、許容幅は、必須項目ではなく、信頼区間の幅を評価したい場合にのみ設定される。また、許容幅は、予測値と実際の値とのずれを許容する範囲の幅を設定するものである。また、予測期間終了値取得関数は、時系列データの予測を時系列項目がいくつになる迄未来を予測するかを設定するパラメータである。また、ｆｃ＿ＧｅｔＮｅｘｔＫｉｎｔａｉＳｉｍｅｂｉは、データベースで使用可能なスカラー値関数であり、この関数を実行することで実行日基準で次回の勤怠の締め日が取得される。また、本実施形態においては、実行日が２０２３／５／２なので、この関数を実行することで次回１５日である２０２３／５／１５という日付が取得される。また、処理許容時間は、「前処理」～「異常判定処理」迄に掛かってもよい時間が設定される。また、「前処理」～「異常判定処理」迄は、予測単位で分割されたデータ群毎に処理が行われるが、全てのデータ群に対しての処理完了迄に許容される処理時間が設定される。例えば、本実施形態においては、予測単位が社員ＣＤであるため、「前処理」～「異常判定処理」迄は、社員ＣＤ毎、すなわち、社員毎に処理が行われるため、社員の人数分に対して全体で要する処理の許容時間が２０分に設定されていることになる。

【0061】

また、図８に示すように、本実施形態においては、社員毎の残業実績データが既にあることを前提（２）としている。ここで、図８に示すように、残業実績データにおいては、曜日列を計算に使用することはないが、前処理にて「土曜日」および「日曜日」のデータが補間されるため、平日勤務の企業の場合、「土曜日」および「日曜日」が無い状態のデータが用いられる。

【0062】

また、図９に示すように、本実施形態においては、時系列データの予測を行う部品（時系列予測部品）が既にあることを前提（３）としている。ここで、図９に示すように、時系列予測部品には、各種情報を渡すことで予測結果が返ってくる。また、図９に示すように、信頼度は、必須項目ではなく、信頼区間の幅を評価したい場合にのみ設定され、設定されない場合、時系列予測部品が返す情報に上側信頼限界および下側信頼限界が無い。

【0063】

また、図１０に示すように、本実施形態においては、ベイズ最適化を行う部品（ベイズ最適化部品）が既にあることを前提（４）としている。ここで、図１０に示すように、ベイズ最適化部品には、各種情報を渡すことで次に探索すべき点が返ってくる。また、図１０に示すように、ガウスカーネル（ρ＝５）は、ガウスカーネルの式で係数ρに５を入れた関数：ｋ（ｘ１，ｘ２）＝ｅｘｐ［－｜ｘ１－ｘ２｜^２／２ρ^２］を意味し、カーネル情報にはこのように関数が渡される。また、図１０に示すように、ベイズ最適化部品では、ベイズ最適化部品に渡された情報を保持する機能があり、探索中にベイズ最適化部品に渡す情報が「保持する情報」のような構造で保持されている。また、図１０に示すように、探索中にベイズ最適化部品に渡す情報が渡されるたびに、「保持する情報」には、行追加されていく。

【0064】

そして、図１１に示すように、本実施形態においては、前処理として、時系列データの分析を容易にすることを目的とし、通常、残業データ等は土日や祝日のデータが欠測しており、時刻列が等間隔になっておらず、分析しづらいため、等間隔でない場合に前処理が行われる。すなわち、図１１に示すように、本実施形態においては、時系列データを時刻列項目が等間隔のデータとなるように加工され、時刻列項目が既に等間隔である場合、この処理は飛ばされてもよい。これにより、本実施形態においては、時系列データを時刻列が等間隔となるデータになるように加工され（残業データの場合は土日のデータが補間され）、時刻列が等間隔になるようなデータが作成される。具体的には、図１１に示すように、本実施形態においては、異常判定定義マスタ１０６ｂのパラメータ設定列に登録されているデータを元に処理される（パラメータ設定の時刻列項目が等間隔になるように前処理され、補間などを行う際、パラメータ設定の予測項目の列の値をもとに補間される）。また、図１１に示すように、加工後のデータの特徴としては、時刻列項目が行毎に等間隔になっており、曜日列に「土曜日」および「日曜日」のデータが補間され、勤務日列が行と行との間が全て１日差の等間隔になる。

【0065】

そして、図１２に示すように、本実施形態においては、予測する期間の時刻列を有する時系列データを作成することを目的としている。すなわち、図１２に示すように、本実施形態においては、予測する期間の時刻列を有する時系列データが作成される。これにより、本実施形態において、予測モデルを構築する際に必要な「何点先迄を予測するか」という情報は、本ステップで予測される期間の時系列データが作成されることにより得られ、異常判定結果が表示される際に、「未来のいつ時点で基準値を超えるか」という情報が表示され、その時点を表すために必要な情報となる。具体的には、図１２に示すように、本実施形態においては、（１）時刻列項目の時間間隔が計算され、（２）異常判定定義マスタ１０６ｂで設定されている予測期間終了値取得関数をもとに予測する期間の時刻列を有する時系列データが作成される。また、図１２に示すように、本実施形態においては、異常判定処理が２０２３／５／２に実行されるため、予測期間終了値取得関数が実行されると、予測期間終了値として実行日の次の勤怠の締め日である２０２３／５／１５が取得される。

【0066】

そして、図１３に示すように、本実施形態においては、前処理後残業実績データの最終レコードの勤務日に、図１２（１）で計算された時間間隔が、パラメータ設定の予測期間終了値に達する迄足し続けられ、予測する期間の時刻列を有する時系列データが作成される。すなわち、図１３に示すように、本実施形態においては、予測期間終了値に達する迄時間間隔（１日）が足し続けられる。また、図１３に示すように、時系列データにおいて、法定外時間計列は、未来のデータであるため、ＮＵＬＬが設定される。

【0067】

そして、図１４に示すように、本実施形態においては、「ハイパーパラメータの決定」および「予測モデルの適合性を評価」をするためのデータを用意することを目的としている。すなわち、図１４に示すように、本実施形態においては、前処理後実績期間の時系列データが訓練用、検証用、テスト用データに分割される。具体的には、図１４に示すように、本実施形態においては、前処理後実績期間の時系列データを時刻列の昇順に並べたときに過去の時刻から全体の８０％のデータが訓練用データ、１０％が検証用データ、残りがテスト用データとされる。ここで、一般的に検証用データ・テスト用データの割合は、それぞれ１０％～２０％で設定されるが、長期の周期をもつ時系列データの場合にも、周期性を学習出来るように訓練用データの割合を高くすることを重視して、訓練用データ、検証用データ、テスト用データの割合が８０％：１０％：１０％に設定されている。なお、本実施形態においては、時系列データの特徴が分かっている場合、６０％：２０％：２０％等の他の分割比に変更されてもよい。

【0068】

そして、図１５に示すように、本実施形態においては、時系列予測において特異スペクトル解析（ＳＳＡ）を用いる際に、最適な窓サイズ（時系列予測部品におけるハイパーパラメータ）を効率的に探索することを目的としている。すなわち、図１５に示すように、本実施形態においては、時系列予測において、窓サイズというユーザが指定しなければならないハイパーパラメータがあり、様々な窓サイズに対して、訓練用データで検証用データを予測し、予測結果をもとにベイズ最適化を行うことで最適な窓サイズを探索することで、制限時間、初期観測点等を用いて効率的に短時間で処理することを目的としている。これにより、本実施形態において、最適な窓サイズが探索されることで、ＳＳＡを用いた予測モデルの適合性が向上し、トレンドや季節性成分の正確な抽出、および、ノイズの除去が可能になり、ベイズ最適化が利用されることで、最適な窓サイズを効率的に探索できることにより、総当たり的な方法に比べて探索時間を大幅に短縮することができる。また、本実施形態においては、最適なハイパーパラメータの探索にベイズ最適化を上手に適用することで時系列予測モデルの適合性の向上と探索時間の短縮とを両立させることをポイントとしており、ＳＳＡの窓サイズを最適化する有用なアプローチとなっている。ここで、「ベイズ最適化を上手に適用することで時系列予測モデルの適合性の向上と探索時間の短縮とを両立させる」とは、検証用データ（実績）と、窓サイズを変えた時の検証用データとの予測結果の比較により誤差を評価し、誤差情報をベイズ最適化による窓サイズ探索に用い、且つ、制限時間を設け、時間内に求められた窓サイズ探索の範囲内で、誤差が最小の窓サイズを求めることで、探索時間の短縮と精度向上との両立を図るということである。

【0069】

具体的には、図１６に示すように、本実施形態においては、探索の制限時間の設定として、「１．異常判定定義マスタ１０６ｂのパラメータ設定の処理許容時間」および「２．異常判定定義マスタ１０６ｂのパラメータ設定の予測単位毎に分割したデータ群の数」が用いられている。ここで、データ群の数は、処理フローで「前処理」～「異常判定処理」迄を繰り返すデータ群の数であり、予測単位が社員ＣＤであるため、社員ＣＤの数と同じになる。また、探索の制限時間は、処理許容時間とデータ群の数を用いて、「探索の制限時間＝処理許容時間÷データ群の数」の式で計算され設定される。

【0070】

そして、図１７に示すように、本実施形態においては、時系列予測部品に渡すハイパーパラメータである窓サイズの最適値が探索される。ここで、時系列予測部品に渡すハイパーパラメータである窓サイズは、２以上且つ訓練用データのデータ数の半分未満である必要がある。また、図１７に示すように、本実施形態においては、ハイパーパラメータの候補のうち、最大値、最小値、および、３分割点の値が抽出され（ラテン超方格法）、初期観測点とされる。すなわち、本実施形態においては、ハイパーパラメータの候補のうち、最大値、最小値、および、３分割点の値が抽出され、初期観測点とされることで、ベイズ最適化の初期段階において広い領域をカバーし、局所的な最適解に偏るリスクを軽減している。

【0071】

そして、図１８に示すように、本実施形態においては、初期観測点毎に、（３）－１：検証用データの予測、および、（３）－２：時系列予測部品から返される情報を受け取り、検証用データと比較する二乗和誤差の計算が実行され、（３）－１および（３）－２の処理を４つの初期観測点に対して行った後の状態として検証結果が取得される。

【0072】

そして、図１９に示すように、本実施形態において、ベイズ最適化は、平均が０になるように標準化することで効率的に学習が進むため、標準化を行い、二乗和誤差の標準化処理で標準化に用いた平均値と標準偏差とは、後続の処理で用いるため保持しておく。

【0073】

そして、図２０に示すように、本実施形態においては、探索前にベイズ最適化に必要な情報がベイズ最適化部品に渡される。なお、本実施形態においては、図２０に示すように、ガウスカーネルの係数を決めるために、探索するハイパーパラメータの候補と制限時間内で探索できそうなハイパーパラメータの個数とが必要であり、制限時間内で探索できそうなハイパーパラメータの個数が計算される。ここで、｛（３）（４）に掛かる処理の時間÷４｝の計算は、１つのハイパーパラメータに対して、検証用データの予測、および、検証用データの標準化に要した時間に相当する。

【0074】

そして、図２１に示すように、本実施形態においては、初期観測点を渡した後のベイズ最適化部品から返される次の候補点が取得される。ここで、図２１に示すように、本実施形態においては、「探索中に渡す情報（１）（２）」により、「保持する情報」が取得される。

【0075】

そして、図２２に示すように、本実施形態においては、（６）の処理の後、次に探索すべきハイパーパラメータが取得されており、時系列予測部品に情報が渡される。ここで、図２２に示すように、本実施形態においては、時系列予測部品を用いて予測された後、時系列予測部品から取得された予測結果をもとに二乗和誤差が計算される。そして、図２２に示すように、本実施形態において、標準化する際の平均および標準偏差は、（４）の処理の二乗和誤差の標準化で得られた初期観測点標準化情報の平均および標準偏差が利用され、検証結果が初期観測点の検証結果に加えて保持される。

【0076】

そして、図２３に示すように、本実施形態においては、ベイズ最適化部品に観測結果が渡され、ベイズ最適化部品から次に探索すべき点が取得される。

【0077】

そして、図２４に示すように、本実施形態においては、制限時間の許す限りで（７）の処理が行われた後、窓サイズおよび標準化二乗和誤差の検証結果データが取得される。ここで、図２４に示すように、本実施形態においては、制限時間内に１０点の窓サイズについて検証が行われ、窓サイズが５４の際に、二乗和誤差が一番小さいため、（８）の処理以降において、窓サイズ５４を用いて予測が行われる。

【0078】

次に、図２５に示すように、本実施形態においては、「ハイパーパラメータを決定する（検証用データを予測する）」処理で決定されたハイパーパラメータである窓サイズが適切かどうかを確認することを目的としている。すなわち、図２５に示すように、本実施形態においては、探索された窓サイズの設定値によって適切な予測モデルが構築されるかを確認することを目的としている。これにより、本実施形態においては、「ハイパーパラメータを決定する」処理で決定された窓サイズが適切な場合、テスト用データおよびその予測値が近くなることから、モデルの予測精度を評価することができる。また、本実施形態においては、テスト用データが予測値の信頼区間に含まれている割合で精度を評価している。また、図２５に示すように、本実施形態においては、時系列予測部品から予測値および９５％信頼区間の情報が取得されたのち、テスト用データが信頼区間に含まれている割合が９５％以上であれば、予測モデルの適合性は十分だと評価している。また、本実施形態においては、「ハイパーパラメータを決定する」処理で決定した窓サイズとテスト用データとを用いてモデル評価を行っている。

【0079】

具体的には、図２６に示すように、本実施形態においては、時系列予測部品に訓練検証用データと最適な窓サイズ、予測点数、信頼度を渡し、予測が行われる。ここで、本実施形態においては、訓練用データと検証用データとを合わせたものを訓練検証用データとしており、「モデルの適合性を評価する」処理で時系列予測部品に渡される信頼度として、システム側であらかじめ固定値：０．９５が設定されている。

【0080】

そして、図２７に示すように、本実施形態においては、予測結果・信頼区間とテスト用データとを比較して予測モデルの適合性の評価が行われる。ここで、本実施形態において、評価の方法は、予測値の９５％信頼区間にテスト用データが含まれている割合（カバレッジ）が９５％以上であれば、予測モデルは適切だと評価し、この信頼区間の幅を決めるための信頼度９５％は、ユーザが指定するものではなく、システム内にて固定値で設定されており、信頼区間を用いて予測モデルの適合性を評価する際は、９５％信頼度の信頼区間が用いてられることが一般的であるため９５％が採用されている。そして、図２７に示すように、本実施形態においては、テスト用データが信頼区間に含まれている割合が求められる。ここで、「テスト用データが信頼区間に含まれている」とは、テスト用データが下側信頼限界以上且つ上側信頼限界以下ということであり、「信頼区間に含まれている」場合に、包含フラグ列に「丸：適合」が入り、含まれていない場合に、包含フラグ列に「バツ：不適合」が設定され、信頼区間に含まれているデータの割合をカバレッジとし、「カバレッジ＝包含フラグが丸の数÷テスト用データの数×１００（％）」で計算される。また、本実施形態においては、全て含まれているのでカバレッジが１００％となり、９５％より大きいため、予測モデルの適合性は十分だと判定され、逆に、カバレッジが９５％未満の場合、予測モデルの適合性が低いとし、「未来のデータの予測」処理および「異常判定」処理が飛ばされ、次の予測単位のデータに対する処理に移行する。

【0081】

次に、図２８に示すように、本実施形態においては、未来のデータを予測し、予測値が信頼できるか評価することを目的としている。すなわち、図２８に示すように、本実施形態においては、予測値の信頼性を評価する際に設定が必要な信頼度・許容幅をユーザが指定できるため、ユーザがどの程度の確実性を必要として、異常判定を行うか決めることができ、予測値の確実性が信頼区間の幅と許容幅の値とを元に評価される。これにより、本実施形態においては、ユーザが指定した信頼度の信頼区間の幅をもとに予測値の不確実性の許容度を評価するため、ユーザが許容できる不確実性をもった予測結果をもとに異常判定処理に進むことができる。

【0082】

具体的には、図２８に示すように、本実施形態においては、全ての前処理後実績期間の時系列データ、最適な窓サイズ、予測点数、信頼度が時系列予測部品に渡され、予測が行われる。ここで、図２８に示すように、本実施形態においては、異常判定定義マスタ１０６ｂのパラメータ設定の信頼度の値が渡され、マスタテーブルで信頼度が設定されていない場合、時系列予測部品には信頼度の値が渡されない。

【0083】

そして、図２９に示すように、本実施形態においては、信頼区間の幅と許容幅の２倍とが比較されて、予測値の不確実性の許容度が評価される（異常判定定義マスタ１０６ｂでパラメータ設定の信頼度が設定されていない場合、「予測値の不確実性の許容度を評価する」処理はスキップされる）。ここで、本実施形態において、許容幅は、異常判定定義マスタ１０６ｂのパラメータ設定の許容幅のことである。また、本実施形態において、時系列予測部品から返される情報には、信頼区間の上限（上側信頼限界）と下限（下側信頼限界）とが含まれ、許容幅だけ実際の値が予測値からずれても許容する場合、予測値の確実性を評価する際に、信頼区間の幅が重要になる。ここで、信頼区間の幅は、上側信頼限界と下側信頼限界との差である、予測値の不確かさを表し、幅が広いほど不確かさが高いということになる。また、本実施形態においては、信頼区間の幅が許容幅の２倍以上である場合、予測値がプラスとマイナスとの方向にそれぞれ許容幅以上のズレを持つ可能性があり、予測の確実性が低いと判定できる。一方、本実施形態においては、信頼区間の幅が許容幅の２倍以下である場合、予測値がプラスとマイナスとの方向にそれぞれ許容幅のズレ以下で収まる可能性があり、予測の信頼性は高いと判定できる。このように、本実施形態においては、全ての予測値の信頼区間の幅（上側信頼限界と下側信頼限界との差）が許容幅の２倍以下である場合、予測値の不確実性が許容できると判定できる。すなわち、図２９に示すように、本実施形態においては、許容幅が異常判定定義マスタ１０６ｂで設定されている通り、５であるため、予測値からプラスとマイナスとの方向にそれぞれ５ずれることが許容されるとして予測値の不確実性の許容度が評価される。ここで、本実施形態においては、信頼区間の幅が許容幅×２以下であれば、予測値の不確実性は許容できると判定され、全ての予測値の不確実性が許容できる場合、構築した予測モデルが異常判定に用いられてもよいため、この後の処理が続けられ、１つでも不確実性を許容できないと判定された予測値がある場合、以降の処理がスキップされ、次の予測単位のデータに対しての処理に移行され、「許容できるか」の列には、許容できる場合（図２９において、許容幅＝５であるため、許容幅×２＝１０以下である場合）、「丸」、許容できない場合、「バツ」が設定される。

【0084】

そして、図３０から図３２に示すように、本実施形態においては、全ての予測値の信頼区間に対して許容幅の２倍より小さいかの評価が行われ、予測値の最初２点のみ拡大して表示されており、全ての予測値に対して、許容幅の矢印の長さの２倍と信頼区間の幅の矢印の長さとが比較されていき、全ての予測値に対して、信頼区間の幅が許容幅の２倍より小さければ、予測モデルの返す予測結果の不確実性が許容できるとされる。

【0085】

そして、図３２に示すように、本実施形態においては、異常判定定義マスタ１０６ｂのパラメータ設定の信頼度が０．９より小さい０．６８が指定された場合、予測値の不確実性が許容されやすくなる。このように、本実施形態においては、信頼度が小さくなると、予測値の不確実性が許容されやすくなる。すなわち、本実施形態においては、信頼度が小さくなると、時系列予測部品から返される上側信頼限界と下側信頼限界とから求まる信頼区間が狭くなり、信頼区間の幅が許容値の２倍の値より狭くなりやすくなり、予測値の不確実性が許容されやすくなる。また、本実施形態においては、信頼度が設定されていない場合、「予測値の不確実性の許容度を評価する」処理がスキップされ、不確実性の評価が行われずに異常判定処理に移行する。これは、予測の不確実性は気にせず、時系列データの未来の推移の基準線を得たいという目的の場合などに有効であり、信頼度をユーザが調整することは、どのくらい予測値の不確実性を許容して異常判定を行うかの度合を調整するパラメータとなっている。

【0086】

そして、図３３に示すように、本実施形態においては、「予測する期間の時系列データの作成」処理で作成された予測期間の時系列データと予測結果とが結合される。ここで、図３３に示すように、本実施形態においては、予測期間の時系列データの法定外時間計にＮＵＬＬが入っているので、無視される。

【0087】

次に、図３４に示すように、本実施形態においては、予測値が基準値を超える可能性のあるデータを異常検知することを目的としている。ここで、図３４に示すように、本実施形態においては、法定外時間計の予測値が法規定４５時間を超える場合、社員に対する異常が検知される。

【0088】

具体的には、図３４に示すように、本実施形態においては、基準値がマスタに登録されている設定項目から取得され、予測結果が取得され、基準値が４５なので、予測値が４５以上のものが異常だと判定され、異常の場合、異常判定結果列にＴＲＵＥ、異常でない場合、異常判定結果列にＦＡＬＳＥが設定される。すなわち、図３５に示すように、本実施形態においては、予測値が基準値：４５を超える場合、異常と判定可能に表示される。

【0089】

そして、図３６に示すように、本実施形態においては、「前処理」～「異常判定処理」を全ての予測単位のグループ毎に行い、異常判定結果が取得される。

【0090】

次に、図３７に示すように、本実施形態においては、ここ迄の処理で、予測単位毎の異常判定結果が求まっている状態であり、判定結果表示で必要な情報でテーブルを更新することを目的としている。すなわち、図３７に示すように、本実施形態においては、「基準値差＝予測値－基準値」が計算されて更新されることで、ある勤務日において、基準値をどれだけ超過するかの値が取得されやすくなる。

【0091】

そして、図３８および図３９に示すように、本実施形態においては、判定結果の表示を工夫することで、異常判定結果をユーザが有効活用できることを目的としている。すなわち、本実施形態においては、予測した時系列データの実績値、未来の予測値、予測値の信頼区間、基準値を表示することで、ユーザが必要な情報を可視化でき、適切な対応を取ることを目的としている。これにより、本実施形態においては、予測値が基準値を超えた場合、異常だと直感的にわかるように表示させ、適切な対応策を取ることができ、予測値だけでなく予測値の信頼区間を表示させることで、異常判定の信頼性を把握しながら、基準値を超える可能性があるかどうかを判定できるようにしている。ここで、本実施形態においては、信頼度と信頼区間幅とをもとに、基準値を超えて異常なデータがあった際に、（１）信頼度が高い（９０％）且つ信頼区間の幅が広い場合、厳しい水準（ものさし）で見ると（厳しい信頼度を要求して見ると）、予測値のブレ幅が大きく、水準が厳しすぎるか、不確実性が高いかは不明だが、基準値の超過に注意が必要であり、（２）信頼度が高い（９０％）且つ信頼区間の幅が狭い場合、厳しい水準（ものさし）で見ると（厳しい信頼度を要求して見ると）、予測値のブレ幅が小さいので予測結果は信用できそうであるため、基準値の超過に即対応が必要であり、（３）信頼度が低い（６８％）且つ信頼区間の幅が広い場合、緩い水準（ものさし）で見ると（緩い信頼度を要求して見ると）、予測値のブレ幅が大きく、緩い水準で見ても、予測値のブレ幅が大きいので、予測値はあまり信用できないため、時系列データの経過を観察した方が良く、（４）信頼度が低い（６８％）且つ信頼区間の幅が狭い場合、緩い水準（ものさし）で見ると（緩い信頼度を要求して見ると）、予測値のブレ幅が小さく、予測値のブレ幅が小さいものの、信頼度が低いため予測の確度がそれほど高くないため、基準値の超過に注意を払う等のアクションを取ることができる。

【0092】

また、図３８および図３９に示すように、本実施形態においては、異常判定結果として、予測したい時系列データの実績値、未来の予測値、予測値の信頼区間（信頼区間の信頼度はユーザが指定できる）および基準値が表示される。また、本実施形態においては、異常判定処理により予測値が基準値を超えた場合、異常だと判定されるが、信頼区間が予測値から±許容幅以上の幅を持つ場合、予測結果の確実性が低いとして、異常判定処理が行われないため、予測値および異常判定結果の確実性が保証されている。そして、本実施形態においては、実績値、未来の予測値、予測値の信頼区間および基準値が異常判定結果として表示されるため、ユーザは異常判定結果のグラフ表示を通じて、実績データと比較し、ユーザが指定した信頼区間、および、予測値の推移と基準値との差を確認することで、基準値を超える可能性があるかどうかを把握でき、その結果、適切な対応策を取ることができる。

【0093】

［時系列予測処理］
また、図４０から図４２を参照して、本実施形態における時系列予測処理の一例について説明する。図４０は、本実施形態における時系列予測部品に渡す情報の一例を示す図である。図４１は、本実施形態における分解結果の一例を示す図である。図４２は、本実施形態における予測結果の一例を示す図である。

【0094】

図４０に示すように、本実施形態においては、入力として未来を予測したい時系列データの実績、予測点数、窓サイズ、信頼度が時系列予測部品に受け渡され、未来を予測したい時系列データの実績の予測点数分先までの未来のデータが予測され、予測される際、未来のデータの予測値および入力として受け取った信頼度に応じた信頼区間も予測される。なお、信頼度は、設定しなくてもよく、設定しない場合、時系列予測部品が返す情報に上側信頼限界および下側信頼限界が無く、設定する場合、予測値の内側信頼度の信頼区間の上限と下限が返される。

【0095】

そして、図４１に示すように、本実施形態においては、時系列データに対してラグ数の分だけずらしたデータを並べた行列であるラグ行列が作成され、ラグ行列に対して、特異値分解が行われ、特異値分解の結果が各成分に分解された後、もとの時系列データのトレンド成分、季節性成分、および、残差成分が計算され、ラグ行列のトレンド成分、および、季節性成分に対して、復元されることで、グラフ表示のように、もとの時系列データが分解表示される。ここで、残差成分については、元の時系列データからトレンド成分および季節性成分を減算することで計算される。すなわち、図４１に示すように、本実施形態においては、窓サイズを３０とした場合の分解の結果が表示され、元の時系列データについて山のピークがどんどん高くなる傾向にあるが、トレンド成分について単調に増加する傾向を示しているため、この特徴をよく表現できており、季節性成分について周期性をとらえられていることもわかる。対比として、図４１に示すように、本実施形態においては、窓サイズ１０の場合の分解の結果が表示されているが、窓サイズが１０の場合より、窓サイズが３０の場合のほうがうまく分解できていることから、時系列予測モデルを構築する上で窓サイズの設定値が重要な意味を持つことがわかる。なお、図４１に示すように、本実施形態において、窓サイズが１０の場合は、窓サイズが３０の場合と比べてトレンド成分がうまく抽出されておらず、トレンド成分の推移の傾向が季節性成分のように周期性を持った推移を示しており、季節性成分が残差成分と似た推移となっており、季節性成分および残差成分の分解もうまくできていない。

【0096】

そして、図４２に示すように、本実施形態においては、トレンド成分および季節性成分のそれぞれに対して予測モデルが構築・学習され、最終的に、時系列予測部品から元の時系列データの予測結果が返される。このように、本実施形態において、窓サイズは、トレンド成分および季節性成分の傾向に大きな影響が与えられ、窓サイズが小さすぎると、小刻みな変化にトレンド成分が敏感に反応し、過適合となって将来予測のモデル適合度が不安定になり、逆に、窓サイズが大きすぎると、トレンド成分が緩やかな傾向しかとらえられず、季節成分が残差成分に近い微小な変化となる。その結果、本実施形態において、予測は、平均的で信頼区間が大きく、ざっくりとした予測になってしまう。例えば、本実施形態においては、締め期間で１か月の周期性がある場合、それよりも短い週単位やそれよりも長い四半期単位の周期性を見ることで、より良い予測が可能な場合がある。

【0097】

［前処理］
また、図４３から図４５を参照して、本実施形態における前処理の一例について説明する。図４３から図４５は、本実施形態における前処理の一例を示す図である。

【0098】

図４３に示すように、本実施形態においては、欠測補間対象の時系列項目が日付型で、土日祝が欠測しているデータに対する補間処理（１．日付が等間隔（１日単位）になるよう補間し、２．日付（曜日含む）以外のその他の列は直前値または直後値で補間する処理）により、ある社員の累計残業時間データに対しての日付型時系列データの欠測補間を実行している。

【0099】

そして、図４４に示すように、本実施形態においては、時系列データの計測誤差の丸め込み処理（計測時刻の小数点以下の丸め込み処理）として、実行時刻に若干の遅延が生じる時系列データに対して、丸め込み（切り捨て）が行われ、例えば、ＣＰＵ使用率の計測時刻について、１秒未満が切り捨てられる。なお、本実施形態においては、「．００秒」に実行されるが、毎回若干の遅延が発生すると仮定している。

【0100】

そして、図４５に示すように、本実施形態においては、時系列データの拡張処理（例えば、計測時刻１秒毎のデータを０．５秒毎のデータへの拡張処理）として、サンプルサイズを増やしたい時や値を補間したい時に行われ、対象の時系列データに対して、線形補間が行われ、線形補間により補間される前後の２点（ｘ１，ｙ１）および（ｘ２，ｙ２）を用いて、その２点を通る線分：ｙ＝ｙ１＋（ｙ２－ｙ１）／（ｘ２－ｘ１）×（ｘ－ｘ１）・・・（１）を用いて計算され、（ｘ１，ｙ１）＝（０，４４），（ｘ２，ｙ２）＝（１，７０）の時、式（１）がｘ＝０．５でｙ＝５７となり、補間される値が（ｘ，ｙ）＝（０．５，５７）とされる。例えば、本実施形態においては、ＣＰＵ使用率の計測時刻が１秒単位から０．５秒単位に変更された場合、入力ｘを計測時刻、出力ｙ（補間したい数値データ）をＣＰＵ使用率とすると、（ｘ１，ｙ１）＝（１６：５５：００．００，４３．６９），（ｘ２，ｙ２）＝（１６：５５：０１．００，６９．６）の時、式（１）がｘ＝１６：５５：００．５０でｙ＝５６．６５となる。ここで、図４５に示すように、本実施形態においては、左表に計測時刻１秒毎のＣＰＵ使用率の推移が表示され、右表に計測時刻を０．５秒毎に補間した後のＣＰＵ使用率の推移が表示されている。

【0101】

［カーネル決定処理］
図４６から図５１を参照して、本実施形態におけるカーネル決定処理の一例について説明する。図４６から図４８は、本実施形態における事前分布の一例を示す図である。図４９から図５１は、本実施形態における予測関数の一例を示す図である。

【0102】

本実施形態において、ベイズ最適化では、対象となる目的関数の性質が未知であることがあり、それを踏まえ、関数の柔軟性を高めることができ、正確な最適解を得られるカーネル関数を設定する必要がある。なお、本実施形態において、カーネル関数の種類には、指数カーネルや周期カーネル等があるが、ガウスカーネルが採用され、そのｌｅｎｇｔｈパラメータ（以下、係数）の値として５が採用されている。ここで、カーネル関数とは、２点（ｘ１，ｘ２）の入力データの類似度を計算するための関数であり、共分散関数の一種であり、入力変数間の相関を表している。厳密には、カーネル関数は、ｘ１，ｘ２それぞれを非線形関数に当てはめ、その内積で表現される。また、図４６から図４８に示すように、本実施形態において、ガウスカーネルの性質については、ガウスカーネルｋが２変数関数で表現され、ｘ１，ｘ２の２点の距離に応じて、値が正規分布のように指数的に減衰する関数となっている。ここで、ｘ１，ｘ２は、候補点を表し、ガウスカーネルは、係数ρの値を変化させることで、関数の平滑度を調整することができる。また、図４６から図４８に示すように、本実施形態においては、ρの値を変化させた時の事前分布のサンプルが示され、事前分布は、目的関数の仮の予測値を与えるものであり、目的関数の形状が予め想定され、事前分布のサンプルからρが選択される。また、本実施形態においては、ρを大きくすればするほど、ｋの値が大きくなり、２点ｘ１，ｘ２の共分散が大きくなりやすくなり、「共分散が大きくなる＝２点の出力は近い値となる」ため、全体として滑らかな関数になる。一方で、本実施形態においては、ρを小さくすればするほど、ｋの値が０に近づきやすくなり、ｘ１，ｘ２の２点間の共分散が０に近づきやすくなり、結果として、それぞれの点が独立となるため、平滑度の低い関数となる。また、本実施形態において、ガウスカーネルを採用する理由としては、柔軟に関数を表現できる（ガウスカーネルは無限次元の特徴ベクトルから作成されるため）からであり、カーネル関数は、特徴ベクトルの内積で定義され、スカラー（実数）として表現できるため、特徴ベクトルの次元が無限でも問題はない（１×ｎのベクトルの内積は１×ｎ、ｎ×１で１×１のスカラーになるため、ｎの大きさは関係ない）ためである。ここで、特徴ベクトルとは、基底関数を要素に持つベクトルである。また、本実施形態において、その他のカーネルを選択しなかった理由としては、線形カーネルでは柔軟に関数を表現できず、指数カーネルでは平滑性がなく、柔軟に関数を表現できず、周期カーネルでは関数を柔軟に表現できるが、推定する目的関数に周期性を必ずしも仮定できないためである。

【0103】

そして、本実施形態において、ガウスカーネルの係数ρの決め方としては、限られた計算時間で最適解を得るために、「探索すべき候補点の数÷５≦時間内に探索できそうな候補点の数」の場合、係数ρ＝５とし、「探索すべき候補点の数÷５＞時間内に探索できそうな候補点の数」の場合、「係数ρ＝［探索すべき候補点の数］÷［時間的に探索できそうな候補点の数］」とする。ここで、図４９から図５１に示すように、本実施形態においては、ρ＝２，５，１０の時に予測された予測関数および標準偏差関数のグラフが示されている。すなわち、本実施形態においては、図４９に示すように、ρ＝２の時、探索点が窓サイズ３０～４０付近が重点的に探索されており、幅広く探索されておらず、図５０に示すように、ρ＝５の時、最適解がありそうな窓サイズ４０～５０付近が重点的に探索され、且つ、窓サイズ１～３０の間も程よく探索されており、図５１に示すように、ρ＝１０の時、幅広く探索されているが、不確かさ（標準偏差）が矮小化して表示されているため、真に最適な解を見つけるのに時間がかかってしまう。以上から、本実施形態においては、基本的にρ＝５とし、「探索すべき候補点の数÷５＞時間的に探索できそうな候補点の数」の場合だけ、幅広く探索され、少しでも真に最適に近い値を選択できるように、大きめのρが設定される。

【0104】

［４．国連が主導する持続可能な開発目標（ＳＤＧｓ）への貢献］
本実施形態により、業務効率化や企業の適切な経営判断を推進することに寄与することができるので、ＳＤＧｓの目標８及び９に貢献することが可能となる。

【0105】

また、本実施形態により、廃棄ロス削減や、ペーパレス・電子化を推進することに寄与することができるので、ＳＤＧｓの目標１２、１３及び１５に貢献することが可能となる。

【0106】

また、本実施形態により、統制、ガバナンス強化に寄与することができるので、ＳＤＧｓの目標１６に貢献することが可能となる。

【0107】

［５．他の実施形態］
本発明は、上述した実施形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。

【0108】

例えば、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また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または一部を公知の方法で自動的に行うこともできる。

【0109】

また、本明細書中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。

【0110】

また、時系列予測管理装置１００に関して、図示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如く構成されていることを要しない。

【0111】

例えば、時系列予測管理装置１００が備える処理機能、特に制御部１０２にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、本実施形態で説明した処理を情報処理装置に実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて時系列予測管理装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶部などには、ＯＳと協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

【0112】

また、このコンピュータプログラムは、時系列予測管理装置１００に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。

【0113】

また、本実施形態で説明した処理を実行するためのプログラムを、一時的でないコンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）カード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（登録商標）（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、および、Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

【0114】

また、「プログラム」とは、任意の言語または記述方法にて記述されたデータ処理方法であり、ソースコードまたはバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳに代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、本実施形態に示した各装置において記録媒体を読み取るための具体的な構成および読み取り手順ならびに読み取り後のインストール手順等については、周知の構成や手順を用いることができる。

【0115】

記憶部１０６に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、および、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、および、ウェブページ用ファイル等を格納する。

【0116】

また、時系列予測管理装置１００は、既知のパーソナルコンピュータまたはワークステーション等の情報処理装置として構成してもよく、また、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、時系列予測管理装置１００は、当該装置に本実施形態で説明した処理を実現させるソフトウェア（プログラムまたはデータ等を含む）を実装することにより実現してもよい。

【0117】

更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部または一部を、各種の付加等に応じてまたは機能負荷に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。

【産業上の利用可能性】

【0118】

本発明は、勤怠管理等の時系列データを用いる様々な業界において有用である。

【符号の説明】

【0119】

１００ 時系列予測管理装置
１０２ 制御部
１０２ａ モデル作成部
１０２ｂ 時系列予測部
１０２ｃ ハイパーパラメータ決定部
１０２ｄ モデル適合性評価部
１０２ｅ 不確実性許容度評価部
１０２ｆ 異常検知部
１０２ｇ 結果表示部
１０４ 通信インターフェース部
１０６ 記憶部
１０６ａ 時系列データベース
１０６ｂ 異常判定定義マスタ
１０８ 入出力インターフェース部
１１２ 入力装置
１１４ 出力装置
２００ サーバ
３００ ネットワーク

【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】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】

【図31】

【図32】

【図33】

【図34】

【図35】

【図36】

【図37】

【図38】

【図39】

【図40】

【図41】

【図42】

【図43】

【図44】

【図45】

【図46】

【図47】

【図48】

【図49】

【図50】

【図51】