特許 7410379 資源使用量予測方法および資源使用量予測プログラム

(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】

(24)【登録日】2023-12-26

(45)【発行日】2024-01-10

(54)【発明の名称】資源使用量予測方法および資源使用量予測プログラム

(51)【国際特許分類】

   G06Q 50/06 20240101AFI20231227BHJP

   G06Q 10/04 20230101ALI20231227BHJP

【ＦＩ】

G06Q50/06

G06Q10/04

【請求項の数】 5

(21)【出願番号】P 2019213790

(22)【出願日】2019-11-27

(65)【公開番号】P2021086327

(43)【公開日】2021-06-03

【審査請求日】2022-08-09

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002918

【氏名又は名称】弁理士法人扶桑国際特許事務所

(72)【発明者】

【氏名】熊野 達夫

(72)【発明者】

【氏名】渡辺 幸洋

【審査官】塩屋 雅弘

(56)【参考文献】

【文献】特開２０１３－０８７９９２（ＪＰ，Ａ）

【文献】特開２０１９－１１７６０１（ＪＰ，Ａ）

【文献】滑川 徹 Toru Namerikawa，需要曲線の特徴を考慮したＨ<SB>∞</SB>フィルタによる短期電力需要予測 H<SB>Infinity</SB> Filter-based Short-term Electric Load Prediction considering Characteristics of Load Curve，電気学会論文誌Ｃ Ｖｏｌ．１３２ Ｎｏ．９ IEEJ，日本，一般社団法人電気学会 The Institute of Electrical Engineers of Japan，第132巻，pp1446-1453

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

コンピュータが、
資源使用量の履歴を示す第１の時系列データに含まれる複数の時刻に対応する複数のレコードを、前記複数の時刻それぞれの属性に応じて、第１の属性に対応する第１のグループと、第２の属性に対応する第２のグループとに分割し、
前記第１のグループに属するレコードを時刻の順に結合することで、前記第１の属性に対応する第２の時系列データを生成し、前記第２のグループに属するレコードを時刻の順に結合することで前記第２の属性に対応する第３の時系列データを生成し、
前記第２の時系列データに基づいて前記資源使用量の予測値の算出に用いられる、前記第１の属性に対応する第１の予測値算出式を生成し、前記第３の時系列データに基づいて前記資源使用量の前記予測値の算出に用いられる、前記第２の属性に対応する第２の予測値算出式を生成し、
前記資源使用量の複数の予測対象時刻を示す予測期間データが入力されると、前記複数の予測対象時刻のうち、前記第１の属性に対応する第１の予測対象時刻については前記第１の属性に対応する前記第１の予測値算出式に基づいて前記資源使用量の前記予測値を算出し、前記複数の予測対象時刻のうち、前記第２の属性に対応する第２の予測対象時刻については前記第２の属性に対応する前記第２の予測値算出式に基づいて前記資源使用量の前記予測値を算出し、
前記分割では、前記複数の時刻に対する前記資源使用量の変化の傾向を示すトレンド算出式を前記第１の時系列データから求め、前記第１の時系列データにおける各時刻の前記レコードの値から当該時刻に対する前記トレンド算出式の影響を除外した後に前記分割を行い、
前記算出では、前記第１の予測値算出式により算出された前記第１の予測対象時刻の前記予測値を、前記第１の予測対象時刻に対する前記トレンド算出式の値に基づいて補正し、前記第２の予測値算出式により算出された前記第２の予測対象時刻の前記予測値を、前記第２の予測対象時刻に対する前記トレンド算出式の値に基づいて補正する、
資源使用量予測方法。

【請求項2】

前記算出では、予測対象時刻の前記属性に応じて、前記第１の予測値算出式および前記第２の予測値算出式を含む複数の予測値算出式の中から前記予測対象時刻に対する前記予測値の前記算出に用いる予測値算出式を選択する、請求項１記載の資源使用量予測方法。

【請求項3】

前記算出では、前記複数の予測対象時刻のそれぞれに対して算出した前記予測値を、前記予測対象時刻の順に結合した予測結果を出力する、請求項２記載の資源使用量予測方法。

【請求項4】

前記複数の時刻それぞれが属する日の曜日または時間帯に基づいて、前記複数の時刻それぞれの前記属性を決定する、請求項１記載の資源使用量予測方法。

【請求項5】

コンピュータに、
資源使用量の履歴を示す第１の時系列データに含まれる複数の時刻に対応する複数のレコードを、前記複数の時刻それぞれの属性に応じて、第１の属性に対応する第１のグループと、第２の属性に対応する第２のグループとに分割し、
前記第１のグループに属するレコードを時刻の順に結合することで、前記第１の属性に対応する第２の時系列データを生成し、前記第２のグループに属するレコードを時刻の順に結合することで前記第２の属性に対応する第３の時系列データを生成し、
前記第２の時系列データに基づいて前記資源使用量の予測値の算出に用いられる、前記第１の属性に対応する第１の予測値算出式を生成し、前記第３の時系列データに基づいて前記資源使用量の前記予測値の算出に用いられる、前記第２の属性に対応する第２の予測値算出式を生成し、
前記資源使用量の複数の予測対象時刻を示す予測期間データが入力されると、前記複数の予測対象時刻のうち、前記第１の属性に対応する第１の予測対象時刻については前記第１の属性に対応する前記第１の予測値算出式に基づいて前記資源使用量の前記予測値を算出し、前記複数の予測対象時刻のうち、前記第２の属性に対応する第２の予測対象時刻については前記第２の属性に対応する前記第２の予測値算出式に基づいて前記資源使用量の前記予測値を算出し、
前記分割では、前記複数の時刻に対する前記資源使用量の変化の傾向を示すトレンド算出式を前記第１の時系列データから求め、前記第１の時系列データにおける各時刻の前記レコードの値から当該時刻に対する前記トレンド算出式の影響を除外した後に前記分割を行い、
前記算出では、前記第１の予測値算出式により算出された前記第１の予測対象時刻の前記予測値を、前記第１の予測対象時刻に対する前記トレンド算出式の値に基づいて補正し、前記第２の予測値算出式により算出された前記第２の予測対象時刻の前記予測値を、前記第２の予測対象時刻に対する前記トレンド算出式の値に基づいて補正する、
処理を実行させる資源使用量予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は資源使用量予測方法および資源使用量予測プログラムに関する。

【背景技術】

【0002】

コンピュータなどの情報処理装置により、システムにおけるハードウェアや電力などの資源の使用量を予測する技術がある。例えば、サーバ室の空調を行う空調装置の空調負荷を予測する負荷予測装置の提案がある。提案の負荷予測装置は、所定の周期で計測された空調負荷の時系列データから、現時点を含む直近の要求系列に類似する類似系列に続くデータ系列を抽出し、抽出したデータ系列により空調負荷の予測データ系列を生成する。

【0003】

また、予測日と同じ曜日である複数の過去日の電力需要の実績データを時刻ごとに平均化した需要変動パターンを生成する需要予測装置の提案もある。提案の需要予測装置は、生成した需要変動パターンの現時点のデータ値と現時点の実績値との差分を需要変動パターンに加算することで、現時点以後の電力需要を予測する。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１３－８７９９２号公報

【文献】特開２０１６－１９３５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

情報処理装置により、資源使用量の時系列データに対して時系列解析や機械学習の手法を用いて予測モデルを生成し、予測モデルにより資源使用量の予測を行うことが考えられる。一方、資源使用量の変化傾向の特徴は、システムを運用する時間帯や曜日などによって変わり得る。このため、入力された時系列データから単一の予測モデルを作成すると、特定の時間帯や曜日などに特有の変化傾向が予測モデルに反映され難くなり予測精度が低下する。

【0006】

１つの側面では、本発明は、予測精度を高めることができる資源使用量予測方法および資源使用量予測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】

【0007】

１つの態様では、資源使用量予測方法が提供される。この資源使用量予測方法では、コンピュータが、資源使用量の履歴を示す第１の時系列データに含まれる複数の時刻に対応する複数のレコードを、複数の時刻それぞれの属性に応じて、第１の属性に対応する第１のグループと、第２の属性に対応する第２のグループとに分割し、第１のグループに属するレコードを時刻の順に結合することで、第１の属性に対応する第２の時系列データを生成し、第２のグループに属するレコードを時刻の順に結合することで第２の属性に対応する第３の時系列データを生成し、第２の時系列データに基づいて資源使用量の予測値の算出に用いられる、第１の属性に対応する第１の予測値算出式を生成し、第３の時系列データに基づいて資源使用量の予測値の算出に用いられる、第２の属性に対応する第２の予測値算出式を生成し、資源使用量の複数の予測対象時刻を示す予測期間データが入力されると、複数の予測対象時刻のうち、第１の属性に対応する第１の予測対象時刻については第１の属性に対応する第１の予測値算出式に基づいて資源使用量の予測値を算出し、複数の予測対象時刻のうち、第２の属性に対応する第２の予測対象時刻については第２の属性に対応する第２の予測値算出式に基づいて資源使用量の予測値を算出し、上記の分割では、複数の時刻に対する資源使用量の変化の傾向を示すトレンド算出式を第１の時系列データから求め、第１の時系列データにおける各時刻のレコードの値から当該時刻に対するトレンド算出式の影響を除外した後に分割を行い、上記の算出では、第１の予測値算出式により算出された第１の予測対象時刻の予測値を、第１の予測対象時刻に対するトレンド算出式の値に基づいて補正し、第２の予測値算出式により算出された第２の予測対象時刻の予測値を、第２の予測対象時刻に対するトレンド算出式の値に基づいて補正する。

【0008】

また、１つの態様では、資源使用量予測プログラムが提供される。

【発明の効果】

【0009】

１つの側面では、予測精度を高めることができる。

【図面の簡単な説明】

【0010】

【図1】第１の実施の形態の情報処理装置の処理例を示す図である。

【図2】第２の実施の形態の情報処理システムの例を示す図である。

【図3】予測装置のハードウェア例を示す図である。

【図4】予測装置の機能例を示す図である。

【図5】時系列データの例を示す図である。

【図6】トレンドの例を示す図である。

【図7】平日に対する結合後の時系列データの例を示す図である。

【図8】平日に対する予測値算出モデルの例を示す図である。

【図9】休日に対する予測値算出モデルの例を示す図である。

【図10】データ構造例を示す図である。

【図11】資源使用量の予測結果の例を示す図である。

【図12】モデル作成処理例を示すフローチャートである。

【図13】トレンド除去処理例を示すフローチャートである。

【図14】時系列データ編集処理例を示すフローチャートである。

【図15】時系列データの編集例を示す図である。

【図16】予測処理例を示すフローチャートである。

【図17】予測期間分割処理例を示すフローチャートである。

【図18】予測期間の分割例を示す図である。

【図19】予測結果結合処理例を示すフローチャートである。

【図20】予測結果の結合例を示す図である。

【図21】トレンド復元処理例を示すフローチャートである。

【発明を実施するための形態】

【0011】

以下、本実施の形態について図面を参照して説明する。
［第１の実施の形態］
第１の実施の形態を説明する。

【0012】

図１は、第１の実施の形態の情報処理装置の処理例を示す図である。
情報処理装置１０は、情報処理システムにおける資源の使用量の履歴に基づいて、将来の使用量を予測する。資源は、例えば、情報処理システムが有するＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）およびＮＩＣ（Network Interface Card）などのハードウェアリソースである。資源は、例えば、情報処理システムにより消費される電力やエネルギーなどでもよい。

【0013】

情報処理装置１０は、資源の使用量の履歴を示す時系列データに基づいて、時系列解析や機械学習の手法により、該当の情報処理システムにおける資源の使用量をモデル化する。時系列解析による予測モデルの生成手法の例として、ＡＲＩＭＡ（Autoregressive Integrated Moving Average）モデルや状態空間モデルなどが挙げられる。機械学習による予測モデルの生成手法の例として、ディープラーニングなどが挙げられる。

【0014】

記憶部１１は、ＲＡＭなどの揮発性記憶装置でもよいし、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの不揮発性記憶装置でもよい。処理部１２は、ＣＰＵ、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）などを含み得る。処理部１２はプログラムを実行するプロセッサであってもよい。ここでいう「プロセッサ」には、複数のプロセッサの集合（マルチプロセッサ）も含まれ得る。

【0015】

記憶部１１は、時系列データ２０を記憶する。時系列データ２０は、資源の使用量の履歴を示す。時系列データ２０は、過去の複数の時刻に対応する複数のレコードを含む。各レコードは、資源の使用量を示す値を含む。例えば、時系列データ２０は、過去の時刻ｔ１～ｔ９それぞれに対応するレコードを含む。時刻ｔ１～ｔ９について、時刻ｔ１が最も古い時刻であり、時刻ｔ２，ｔ３，…の順に新しい時刻となり、時刻ｔ９が最も新しい時刻である。すなわち、ｔ１＜ｔ２＜…＜ｔ９である。時刻ｔ１～ｔ９のレコードは、それぞれ値ｖ１～ｖ９を含む。

【0016】

処理部１２は、第１の時系列データに含まれる複数の時刻に対応する複数のレコードを、複数の時刻それぞれの属性に応じた複数のグループに分割する。属性は、時刻の分類に用いられる情報であり、例えば、該当の時刻が属する曜日や１日のうちの時間帯などに応じて定められる。属性の一例としては、「平日」および「休日」が考えられる。属性の他の例としては、「昼間」の時間帯および「夜間」の時間帯が考えられる。属性は、各時刻を３種類以上に分類するものでもよい。例えば、属性として、「平日昼間」、「平日夜間」、「休日昼間」および「休日夜間」なども考えられる。

【0017】

各時刻の属性は、時系列データ２０に含まれてもよいし、時系列データ２０とは別個に情報処理装置１０に入力されてもよい。あるいは、各時刻の属性は、各時刻が属する日の曜日や時間帯などに応じて、処理部１２により決定されてもよい。

【0018】

時系列データ２０の例では、時刻ｔ１～ｔ９は属性ａ，ｂの２つに分類される。時刻ｔ１～ｔ３，ｔ６，ｔ７，ｔ９は、属性ａである。時刻ｔ４，ｔ５，ｔ８は、属性ｂである。この場合、処理部１２は、時刻ｔ１～ｔ９のレコードを、時刻ｔ１～ｔ３，ｔ６，ｔ７，ｔ９のレコードを含む属性ａのグループ、時刻ｔ４，ｔ５，ｔ８のレコードを含む属性ｂのグループに分割する。

【0019】

処理部１２は、同一の属性に対応するグループに属するレコードを時刻の順に結合することで、第２の時系列データを属性ごとに生成する。例えば、処理部１２は、属性ａのグループに属するレコードを時刻の順に結合することで、時系列データ２１を生成する。また、処理部１２は、属性ｂのグループに属するレコードを時刻の順に結合することで、時系列データ２２を生成する。

【0020】

時系列データ２１は、時刻ｔ１，ｔ２，ｔ３，ｔ６，ｔ７，ｔ９のレコードを、時系列の順に含む。時刻ｔ３，ｔ６は、実際には不連続であるが、予測モデルの生成処理においては、連続した時刻とみなして扱われる。時系列データ２２は、時刻ｔ４，ｔ５，ｔ８のレコードを、時系列の順に含む。時刻ｔ５，ｔ８は、実際には不連続であるが、予測モデルの生成処理においては、連続した時刻とみなして扱われる。時系列データ２１，２２の各レコードは属性の情報を含んでもよいし、属性の情報を含まなくてもよい。

【0021】

処理部１２は、生成された第２の時系列データに基づいて資源使用量の予測値の算出に用いられる予測値算出式を属性ごとに生成する。処理部１２は、第２の時系列データに基づいて、既存の時系列解析や機械学習の手法により、資源使用量の予測モデルに相当する予測値算出式を属性ごとに生成する。予測値算出式は、時刻ｔに対する関数として求められる。時刻ｔは、基準時刻からの経過時間として表されてもよい。例えば、処理部１２は、属性ａに対して予測値算出式ｆ_ａ（ｔ）を生成する。処理部１２は、属性ｂに対して予測値算出式ｆ_ｂ（ｔ）を生成する。処理部１２は、予測値算出式ｆ_ａ（ｔ）を示す情報、および、予測値算出式ｆ_ｂ（ｔ）を示す情報を、記憶部１１に格納する。

【0022】

処理部１２は、属性ごとの予測値算出式に基づいて資源使用量の予測値を算出する。例えば、処理部１２は、予測期間データ３０を受け付ける。予測期間データ３０は、予測値の算出対象となる複数の時刻を示す情報である。処理部１２は、予測期間データ３０で指定された複数の時刻それぞれに対する資源使用量の予測値を算出する。

【0023】

例えば、予測期間データ３０は、時刻ｔ１０～ｔ１４を示す。時刻ｔ１０～ｔ１４について、ｔ１０＜ｔ１１＜ｔ１２＜ｔ１３＜ｔ１４である。予測期間データ３０は、時刻ｔ１０～ｔ１４それぞれの属性の情報を含む。ただし、時刻ｔ１０～ｔ１４それぞれの属性の情報は、予測期間データ３０とは別個に情報処理装置１０により入力されてもよいし、各時刻が属する日の曜日や時間帯に応じて処理部１２により決定されてもよい。例えば、時刻ｔ１０，ｔ１３，ｔ１４は属性ａである。時刻ｔ１１，ｔ１２は属性ｂである。

【0024】

この場合、処理部１２は、属性ａである時刻ｔ１０，ｔ１３，ｔ１４それぞれに対し、属性ａの予測値算出式ｆ_ａ（ｔ）を用いて予測値ｖ１０，ｖ１３，ｖ１４を算出する。また、処理部１２は、属性ｂである時刻ｔ１１，ｔ１２それぞれに対し、属性ｂの予測値算出式ｆ_ｂ（ｔ）を用いて予測値ｖ１１，ｖ１２を算出する。処理部１２は、予測値算出式ｆ_ａ（ｔ）および予測値算出式ｆ_ｂ（ｔ）を用いて算出した各予測値を、時系列にマージして、予測結果データ３１を生成する。予測結果データ３１は、時刻ｔ１０～ｔ１４それぞれに対応する値ｖ１０～ｖ１４を含む。予測結果データ３１は、属性の情報を含んでもよいし、属性の情報を含まなくてもよい。

【0025】

情報処理装置１０によれば、資源使用量の履歴を示す第１の時系列データに含まれる複数の時刻に対応する複数のレコードが、複数の時刻それぞれの属性に応じた複数のグループに分割される。同一の属性に対応するグループに属するレコードを時刻の順に結合することで、第２の時系列データが属性ごとに生成される。生成された第２の時系列データに基づいて資源使用量の予測値の算出に用いられる予測値算出式が属性ごとに生成される。属性ごとの予測値算出式に基づいて資源使用量の予測値が算出される。

【0026】

これにより、予測精度を高めることができる。例えば、平日グループおよび休日グループなどの各グループの特性に合わせた予測を各グループに対して行うことができるため、より正確な予測を行うことができる。

【0027】

ここで、資源使用量の変化傾向の特徴は、情報処理システムを運用する時間帯や曜日などによって変わり得る。例えば、平日と休日とでは資源使用量の変化傾向が異なることがある。また、昼間の時間帯と夜間の時間帯とでは資源使用量の変化傾向が異なることがある。入力された時系列データから、時系列解析や機械学習などの手法により単一の予測モデルを作成すると、特定の時間帯や曜日あるいは平日／休日などの属性に特有の変化傾向が予測モデルに反映され難くなる。このため、当該予測モデルを使用した予測の精度が低下する。

【0028】

そこで、情報処理装置１０は、元の時系列データを、時刻の属性ごとに分割／結合して属性ごとの時系列データを生成し、属性ごとの時系列データに基づき、時系列解析や機械学習の手法により、時刻の属性ごとの予測値算出式を個別に生成する。すると、時間帯や曜日あるいは平日／休日などの時刻の属性に応じた変化傾向の特徴が、予測モデルに対応する予測値算出式に、より顕著に反映される。このため、情報処理装置１０は、当該予測値算出式を用いて予測を行うことで、予測精度を高めることができる。

【0029】

［第２の実施の形態］
次に、第２の実施の形態を説明する。
図２は、第２の実施の形態の情報処理システムの例を示す図である。

【0030】

第２の実施の形態の情報処理システムは、予測装置１００、サーバ装置２００およびクライアント装置３００を有する。予測装置１００、サーバ装置２００およびクライアント装置３００は、ネットワーク５０に接続されている。ネットワーク５０は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）またはインターネットなどである。

【0031】

予測装置１００は、サーバ装置２００の資源使用量を予測するサーバコンピュータである。サーバ装置２００の資源使用量は、サーバ装置２００の負荷とも言える。資源は、例えば、サーバ装置２００が有するＣＰＵ、ＲＡＭおよびＮＩＣなどのハードウェアリソースである。資源は、サーバ装置２００により消費される電力やエネルギーなどでもよい。資源使用量は、例えば、資源の使用率（％）、使用サイズ（例えば、バイト（ｂｙｔｅｓ）やビット（ｂｉｔｓ））または消費量（例えば、ワット（Ｗ）やジュール（Ｊ））などの単位により表される。

【0032】

予測装置１００は、サーバ装置２００の資源使用量の履歴を示す時系列データに基づいて、時系列解析や機械学習の手法により予測値算出モデルを生成する。予測装置１００は、生成した予測値算出モデルを用いて、資源使用量を予測する。予測装置１００は、第１の実施の形態の情報処理装置１０の一例である。

【0033】

サーバ装置２００は、ユーザにより使用されるソフトウェアを実行するサーバコンピュータである。サーバ装置２００は、ソフトウェアの実行に伴う資源使用量の履歴を示す時系列データを生成する。サーバ装置２００は、ネットワーク５０を介して、時系列データを予測装置１００に提供する。

【0034】

クライアント装置３００は、ユーザにより使用されるクライアントコンピュータである。クライアント装置３００は、サーバ装置２００が生成した時系列データを取得し、予測装置１００に送信する。サーバ装置２００が生成した時系列データは、サーバ装置２００により予測装置１００に送信されてもよい。

【0035】

クライアント装置３００は、資源使用量の予測要求を予測装置１００に送信する。予測要求は、予測対象の期間の指定を含む。予測対象の期間は、例えば、ユーザにより指定される。クライアント装置３００は、予測要求に応じた資源使用量の予測結果を予測装置１００から受信する。クライアント装置３００は、予測結果を示す画面を、クライアント装置３００に接続されたディスプレイに表示させる。

【0036】

図３は、予測装置のハードウェア例を示す図である。予測装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、ＨＤＤ１０３、画像信号処理部１０４、入力信号処理部１０５、媒体リーダ１０６およびＮＩＣ（Network Interface Card）１０７を有する。なお、ＣＰＵ１０１は、第１の実施の形態の処理部１２に対応する。ＲＡＭ１０２またはＨＤＤ１０３は、第１の実施の形態の記憶部１１に対応する。

【0037】

ＣＰＵ１０１は、プログラムの命令を実行するプロセッサである。ＣＰＵ１０１は、ＨＤＤ１０３に記憶されたプログラムやデータの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。なお、ＣＰＵ１０１は複数のプロセッサコアを含んでもよい。また、予測装置１００は複数のプロセッサを有してもよい。以下で説明する処理は複数のプロセッサまたはプロセッサコアを用いて並列に実行されてもよい。また、複数のプロセッサの集合を「マルチプロセッサ」または単に「プロセッサ」と言うことがある。

【0038】

ＲＡＭ１０２は、ＣＰＵ１０１が実行するプログラムやＣＰＵ１０１が演算に用いるデータを一時的に記憶する揮発性の半導体メモリである。なお、予測装置１００は、ＲＡＭ以外の種類のメモリを備えてもよく、複数個のメモリを備えてもよい。

【0039】

ＨＤＤ１０３は、ＯＳ（Operating System）やミドルウェアやアプリケーションソフトウェアなどのソフトウェアのプログラム、および、データを記憶する不揮発性の記憶装置である。なお、予測装置１００は、フラッシュメモリやＳＳＤ（Solid State Drive）などの他の種類の記憶装置を備えてもよく、複数の不揮発性の記憶装置を備えてもよい。

【0040】

画像信号処理部１０４は、ＣＰＵ１０１からの命令に従って、予測装置１００に接続されたディスプレイ１１１に画像を出力する。ディスプレイ１１１としては、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、プラズマディスプレイ、有機ＥＬ（ＯＥＬ：Organic Electro-Luminescence）ディスプレイなど、任意の種類のディスプレイを用いることができる。

【0041】

入力信号処理部１０５は、予測装置１００に接続された入力デバイス１１２から入力信号を取得し、ＣＰＵ１０１に出力する。入力デバイス１１２としては、マウス・タッチパネル・タッチパッド・トラックボールなどのポインティングデバイス、キーボード、リモートコントローラ、ボタンスイッチなどを用いることができる。また、予測装置１００に、複数の種類の入力デバイスが接続されていてもよい。

【0042】

媒体リーダ１０６は、記録媒体１１３に記録されたプログラムやデータを読み取る読み取り装置である。記録媒体１１３として、例えば、磁気ディスク、光ディスク、光磁気ディスク（ＭＯ：Magneto-Optical disk）、半導体メモリなどを使用できる。磁気ディスクには、フレキシブルディスク（ＦＤ：Flexible Disk）やＨＤＤが含まれる。光ディスクには、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）が含まれる。

【0043】

媒体リーダ１０６は、例えば、記録媒体１１３から読み取ったプログラムやデータを、ＲＡＭ１０２やＨＤＤ１０３などの他の記録媒体にコピーする。読み取られたプログラムは、例えば、ＣＰＵ１０１によって実行される。なお、記録媒体１１３は可搬型記録媒体であってもよく、プログラムやデータの配布に用いられることがある。また、記録媒体１１３やＨＤＤ１０３を、コンピュータ読み取り可能な記録媒体と言うことがある。

【0044】

ＮＩＣ１０７は、ネットワーク５０に接続され、ネットワーク５０を介して他のコンピュータと通信を行うインタフェースである。ＮＩＣ１０７は、例えば、スイッチやルータなどの通信装置とケーブルで接続される。

【0045】

図４は、予測装置の機能例を示す図である。
予測装置１００は、記憶部１２０、時系列データ入力部１３１、トレンド除去部１３２、ラベル入力部１３３、時系列データ編集部１３４、モデル作成部１３５、予測期間入力部１３６、予測期間分割部１３７、予測部１３８、予測結果結合部１３９、トレンド復元部１４０および予測データ出力部１４１を有する。

【0046】

記憶部１２０としては、ＲＡＭ１０２やＨＤＤ１０３の記憶領域が用いられる。時系列データ入力部１３１、トレンド除去部１３２、ラベル入力部１３３、時系列データ編集部１３４、モデル作成部１３５、予測期間入力部１３６、予測期間分割部１３７、予測部１３８、予測結果結合部１３９、トレンド復元部１４０および予測データ出力部１４１は、ＣＰＵ１０１がプログラムを実行することで実現される。

【0047】

なお、図４では、時系列データ入力部１３１、モデル作成部１３５、予測部１３８および予測データ出力部１４１それぞれと記憶部１２０とを接続する線を示し、それ以外の各部と記憶部１２０との接続する線の図示を省略している。

【0048】

記憶部１２０は、資源使用量の予測に用いられる時系列データ、トレンドおよび予測値算出モデルの情報や、予測結果を示す予測データを記憶する。ここで、トレンドとは、時系列データにおける時刻の属性に依らない資源使用量の大局的な変化の傾向である。トレンドの一例として、ソフトウェアを使用するユーザの総数の増加に伴う資源使用量の増加や、ソフトウェアの機能拡張に応じた計算量の増加に伴う資源使用量の増加などが挙げられる。

【0049】

また、記憶部１２０は、ラベルデータおよび予測期間データを記憶する。ラベルデータは、各時刻、あるいは、各時刻が属する日や時間帯などのラベルを示すデータである。ラベルは、各時刻の属性に対応付けられる。例えば、「月曜日」～「金曜日」というラベルに対して、「平日」という属性が対応付けられる。また、「土曜日」、「日曜日」、「祝日」というラベルに対して、「休日」という属性が対応付けられる。例えば、ある日付について、「月曜日」かつ「祝日」の場合は、「休日」の属性となる。あるいは、ラベルがそのまま属性を示してもよい。例えば、「月曜日」というラベルに対して、「月曜日」という属性が対応付けられてもよい。また、例えば、「昼間」というラベルに対して「昼間」という属性が、「夜間」というラベルに対して「夜間」という属性がそれぞれ対応付けられてもよい。ラベルに対してどのような属性を対応付けるかは、例えば、曜日や時間帯などに応じた、予測対象のサーバ装置２００のユーザによる使用傾向に応じて決定される。記憶部１２０は、ラベルに対応する属性を示す情報を予め記憶する。

【0050】

更に、記憶部１２０は、予測期間データを記憶する。予測期間データは、クライアント装置３００から指定される予測期間のデータである。
時系列データ入力部１３１は、記憶部１２０に記憶された時系列データを取得し、トレンド除去部１３２に入力する。当該時系列データは、サーバ装置２００による資源使用量の履歴を示す情報である。

【0051】

トレンド除去部１３２は、時系列データに基づいてトレンドを求め、時系列データからトレンドを除去する。トレンド除去部１３２は、例えば時系列データに対する線形回帰分析により、トレンドを表す式であるトレンド算出式を求める。トレンド除去部１３２は、トレンド算出式に基づいて、時系列データの各時刻におけるトレンド値を求める。トレンド除去部１３２は、時系列データの資源使用量から該当の時刻のトレンド値を減算することで、時系列データからトレンドを除去し、トレンド除去済み時系列データを生成する。

【0052】

ラベル入力部１３３は、各時刻のラベルを時系列データ編集部１３４および予測期間分割部１３７に入力する。
時系列データ編集部１３４は、トレンド除去済み時系列データに含まれる複数のレコードを、各時刻の属性に応じた複数のグループに分割する。時系列データ編集部１３４は、同一の属性のグループに属するレコードを結合して、属性ごとの時系列データを生成する。ここで、時系列データ編集部１３４は、時系列データに含まれる複数の時刻それぞれが属する日の曜日または時間帯を示すラベルデータに基づいて、複数の時刻それぞれの属性を決定する。ラベルデータにおけるラベルと属性との対応関係を示す情報は、前述のように記憶部１２０に予め格納される。

【0053】

モデル作成部１３５は、時系列データ編集部１３４により生成された属性ごとの時系列データに基づいて、資源使用量の予測値算出モデルを作成する。モデル作成部１３５は、作成した予測値算出モデルの情報を記憶部１２０に格納する。例えば、モデル作成部１３５は、予測値算出モデルの作成に、時系列解析や機械学習の手法を用いる。時系列解析による予測値算出モデルの作成手法の例として、ＡＲＩＭＡモデルや状態空間モデルなどが挙げられる。機械学習による予測値算出モデルの作成手法の例として、ディープラーニングなどが挙げられる。

【0054】

予測期間入力部１３６は、クライアント装置３００から受け付けた予測要求に含まれる予測期間の情報を予測期間分割部１３７に入力する。
予測期間分割部１３７は、予測期間に含まれる各時刻を属性に応じて分割する。ここで、予測期間分割部１３７は、予測期間に含まれる複数の時刻それぞれが属する日の曜日または時間帯を示すラベルデータに基づいて、当該複数の時刻それぞれの属性を決定する。

【0055】

予測部１３８は、予測期間における資源使用量を予測する。すなわち、予測部１３８は、予測期間に含まれる予測対象時刻の属性に対応する予測値算出モデルに基づいて、予測対象時刻の資源使用量の予測値を算出する。このとき、予測部１３８は、予測対象時刻の属性に応じて、当該予測対象時刻に対する予測値の算出に用いる予測値算出式を選択する。予測部１３８は、予測対象時刻の属性に対応する予測値算出式を用いて、当該予測対象時刻に対する資源使用量の予測値を算出する。なお、予測部１３８が算出する予測値はトレンドの影響を含まない値となる。

【0056】

予測結果結合部１３９は、予測部１３８により算出された属性ごとの資源使用量の予測結果を結合する。すなわち、予測結果結合部１３９は、予測期間に含まれる各予測対象時刻に対して算出された予測値のレコードを、予測対象時刻の時系列に結合した結合後の予測結果を出力する。

【0057】

トレンド復元部１４０は、予測結果結合部１３９による結合後の予測結果に対してトレンドを復元する。すなわち、トレンド復元部１４０は、トレンド除去部１３２からトレンド算出式を取得し、トレンド算出式に基づいて、予測期間に含まれる各時刻に対応するトレンド値を算出する。トレンド復元部１４０は、予測期間の各時刻における資源使用量の予測値に、当該時刻のトレンド値を加算することで、トレンドを復元する。結合後の予測結果に対してトレンドを復元したデータが最終的な予測データとなる。

【0058】

予測データ出力部１４１は、トレンド復元部１４０により生成された予測データを出力する。例えば、予測データ出力部１４１は、予測データを記憶部１２０に格納する。また、予測データ出力部１４１は、クライアント装置３００に予測データを送信する。予測データ出力部１４１は、ディスプレイ１１１に予測データの内容を表示させてもよい。

【0059】

図５は、時系列データの例を示す図である。
グラフ１５１は、サーバ装置２００による資源使用量の履歴を示す時系列データの例を表す。グラフ１５１の横軸は時刻である。グラフ１５１の縦軸は資源使用量である。グラフ１５１の例では、各時刻に対応するラベルとして曜日が示されている。祝日以外の月曜日～金曜日は、「平日」の属性に相当する。土曜日、日曜日および祝日は「休日」の属性に相当する。

【0060】

グラフ１５１によれば、平日における資源使用量の変化傾向と休日における資源使用量の変化傾向とは大きく異なっている。
図６は、トレンドの例を示す図である。

【0061】

グラフ１５２は、サーバ装置２００による資源使用量の履歴を示す時系列データの例を表す。グラフ１５２の横軸は時刻である。グラフ１５２の縦軸は資源使用量である。図６には、当該時系列データに対して抽出されるトレンド１５３も示されている。トレンド１５３を表すトレンド算出式は、例えば、時系列データの全時刻に亘る線形近似により時刻に関する一次の関数として求められる。トレンド算出式は、例えば、絶対時刻に対するトレンド値を表す式として求められる。トレンド１５３は、時刻に関する二次以上の関数や指数関数などとして求められてもよい。また、トレンド除去部１３２は、線形近似ではなく、移動平均によってトレンド算出式を求めてもよい。更に、トレンド除去部１３２は、時系列データの全体に対する線形近似ではなく、一定数に区切った範囲に対する線形近似によりトレンド算出式を求めてもよい。

【0062】

トレンド除去部１３２は、グラフ１５２で表される時系列データからトレンド１５３を除去する。そして、時系列データ編集部１３４は、時系列データの各レコードを属性ごとに複数のグループに分割し、同一のグループに属するレコードを時刻の順に結合する。

【0063】

図７は、平日に対する結合後の時系列データの例を示す図である。
グラフ１５４は、グラフ１５２の時系列データからトレンド１５３を除去したトレンド除去済み時系列データのうち平日のレコードを結合した結果を表す。グラフ１５４の横軸は時刻である。グラフ１５４の縦軸は資源使用量である。グラフ１５２の時系列データからトレンド１５３を除去せずに、例えば平日のレコードを結合すると、結合部分の２つの時刻での資源使用量の差が比較的大きくなり、資源使用量が不連続になり易い。

【0064】

そこで、時系列データ編集部１３４は、トレンド１５３を除去してから平日のレコードを結合する。すると、結合部分の資源使用量の差を比較的小さくすることができる。このため、結合後の時系列データを、結合部分の２つの時刻に関しても連続した時系列データとみなして扱うことが可能になる。

【0065】

なお、図示を省略するが、時系列データ編集部１３４は、属性「休日」についても同様に、トレンド除去済み時系列データのうち休日のレコードを結合することで、休日に対する結合後の時系列データを生成する。

【0066】

次に、モデル作成部１３５により作成される予測値算出モデルの例を説明する。ここで、下記では、予測値算出モデルの一例として、毎日同じパターンでの資源使用量の変動を繰り返す単純なモデルを示す。予測値算出モデルは、数式、すなわち、予測値算出式の情報によって表される。

【0067】

図８は、平日に対する予測値算出モデルの例を示す図である。
グラフ１５５は、平日の０時～２３時５９分に対する予測値算出モデルを示す。グラフ１５５の横軸は時刻である。グラフ１５５の縦軸は資源使用量である。当該予測値算出モデルは、例えば、時刻ｔに対する資源使用量を表す関数である予測値算出式により表される。予測値算出式における時刻ｔは、例えば絶対時刻でもよいし、基準時刻に対する相対時刻でもよい。例えば、時刻ｔは、該当の日の０時を基準時刻とし、基準時刻からの経過時間として表されてもよい。グラフ１５５に示されるように、予測値算出式は、時刻ｔに関する高次の式により表される。

【0068】

なお、属性の他の例として、「平日昼間」、「平日夜間」のように、「平日」を複数の時間帯に区分する属性を用いる場合も考えられる。この場合、「平日昼間」に属する時刻に対しては「平日昼間」の属性に対する予測値算出モデルが用いられ、「平日夜間」に属する時刻に対しては「平日夜間」の属性に対応する予測値算出モデルが用いられることになる。

【0069】

図９は、休日に対する予測値算出モデルの例を示す図である。
グラフ１５６は、休日の０時～２３時５９分に対する予測値算出モデルを示す。グラフ１５６の横軸は時刻である。グラフ１５６の縦軸は資源使用量である。当該予測値算出モデルは、平日の場合と同様に、例えば、時刻ｔに対する資源使用量を表す関数である予測値算出式により表される。

【0070】

図８と同様に、属性の他の例として、「休日昼間」、「休日夜間」のように、「休日」を複数の時間帯に区分する属性を用いる場合も考えられる。この場合、「休日昼間」に属する時刻に対しては「休日昼間」の属性に対する予測値算出モデルが用いられ、「休日夜間」に属する時刻に対しては「休日夜間」の属性に対応する予測値算出モデルが用いられることになる。

【0071】

また、図８，９の例では、一日における資源使用量に対する予測値算出モデルを例示したが、予測装置１００は、一週間や一か月などの他の期間における資源使用量の予測値算出モデルを、平日や休日などの属性ごとに求めてもよい。

【0072】

図１０は、データ構造例を示す図である。
記憶部１２０は、時系列データ１２１、ラベルデータ１２２および予測期間データ１２３を記憶する。

【0073】

時系列データ１２１は、時刻と資源使用量とを有する複数のレコードを含む。例えば、時系列データ１２１は、「（２０１８－１１－２１ １３：００，１６８３）」というレコードを含む。このレコードは、２０１８年１１月２１日の１３時における資源使用量が「１６８３」であることを示す。ここで、時系列データ１２１では、１時間ごとの資源使用量の統計値が毎時００分のレコードとして記録される例を示している。統計値としては、例えば、毎分あるいは毎秒計測される資源使用量の１時間での平均値や中央値などが考えられる。時系列データ１２１の例のように「時刻」の単位は１時間単位でもよいし、１分単位や１秒単位などでもよい。あるいは、「時刻」の単位は例示した単位よりも長い単位でもよい。例えば、比較的長い期間に対する予測を行う場合などに「時刻」の単位を「日」などとすることも考えられる。

【0074】

ラベルデータ１２２は、日付と曜日とを有する複数のレコードを含む。例えば、ラベルデータ１２２は、「（２０１８－１１－２１，水）」というレコードを含む。このレコードは、２０１８年１１月２１日が水曜日であることを示す。すなわち、２０１８年１１月２１日、および、２０１８年１１月２１日に属する各時刻の属性が平日であると言える。

【0075】

予測期間データ１２３は、予測期間の始めの時刻と予測期間の終わりの時刻とを有するレコードを含む。例えば、予測期間データ１２３は、「（２０１９－８－１ ０：００，２０１９－９－１ ０：００）」というレコードを含む。このレコードは、予測期間の初めの時刻が２０１９年８月１日の０時００分であり、予測期間の終わりの時刻が２０１９年９月１日の０時００分であることを示す。

【0076】

また、記憶部１２０は、図６で例示したトレンド算出式の情報を記憶する。トレンド算出式は、例えば「－１．７１１×１０^６＋１．１０９×１０^－３×ｔ」のように、時刻ｔに対する式で表される。トレンド算出式における時刻ｔは、例えば絶対時刻を示す。

【0077】

また、記憶部１２０は、図８，９で例示した予測値算出モデルに相当する予測値算出式の情報を記憶する。
図１１は、資源使用量の予測結果の例を示す図である。

【0078】

グラフ１５７は、サーバ装置２００による資源使用量の履歴を示す時系列データに、予測期間１５７ａにおける、トレンド復元済みの予測値のレコードを結合したデータを示す。例えば、各時刻に対して平日および休日の属性を付与する場合、予測部１３８は、平日の予測値算出式に基づいて、予測期間１５７ａの平日の予測値を算出する。トレンド復元部１４０は、トレンド算出式に基づくトレンド値を当該平日の予測値に加算して、トレンド復元済みの予測値を得る。また、予測部１３８は、休日の予測値算出式に基づいて、予測期間１５７ａの休日の予測値を算出する。トレンド復元部１４０は、トレンド算出式に基づくトレンド値を当該休日の予測値に加算して、トレンド復元済みの予測値を得る。

【0079】

このように、予測装置１００は、まずは、複数の時刻に対する資源使用量の変化の傾向を示すトレンド算出式を、入力された時系列データから求める。そして、予測装置１００は、当該時系列データにおける各時刻のレコードの値から当該時刻に対するトレンド算出式の影響を除外した後に、時系列データの各レコードを属性ごとに分割する。予測装置１００は、属性ごとの予測値算出式により算出された予測対象時刻の予測値を、当該予測対象時刻に対するトレンド算出式の値に基づいて補正する。トレンドは、時刻の属性に依らない傾向を示す。このため、属性ごとの予測値算出式の作成を行う前に、トレンドの影響を時系列データから除去することで、適切な予測値算出式を作成でき、当該予測値算出式による予測の精度を向上することができる。

【0080】

次に、予測装置１００による処理手順を説明する。まず、予測の前段階として、予測値算出モデルの作成処理の手順を説明する。
図１２は、モデル作成処理例を示すフローチャートである。

【0081】

（Ｓ１０）時系列データ入力部１３１は、時系列データ１２１を受け付け、記憶部１２０に格納する。ラベル入力部１３３は、ラベルデータ１２２を受け付け、記憶部１２０に格納する。

【0082】

（Ｓ１１）トレンド除去部１３２は、時系列データ１２１を時系列データ入力部１３１から取得し、時系列データ１２１に対してトレンド除去処理を行い、トレンド除去済み時系列データを生成する。トレンド除去処理の詳細は後述される。

【0083】

（Ｓ１２）時系列データ編集部１３４は、トレンド除去済み時系列データに対して時系列データ編集処理を行い、属性ごとの時系列データを生成する。時系列データ編集処理の詳細は後述される。

【0084】

（Ｓ１３）モデル作成部１３５は、属性ごとの時系列データに基づいて、属性ごとの予測値算出式を作成する。予測値算出式の作成には、既存の時系列解析や機械学習などによる手法を用いることができる。モデル作成部１３５は、属性ごとの予測値算出式を、該当の属性の情報に対応付けて、記憶部１２０に格納する。そして、モデル作成処理が終了する。

【0085】

図１３は、トレンド除去処理例を示すフローチャートである。
トレンド除去処理は、ステップＳ１１に相当する。
（Ｓ２０）トレンド除去部１３２は、時系列データ入力部１３１より入力された時系列データ全体を線形近似してトレンド算出式を算出する。

【0086】

（Ｓ２１）トレンド除去部１３２は、算出したトレンドを時系列データから引く。例えば、トレンド除去部１３２は、時系列データの各時刻に対応する値から、該当の時刻におけるトレンド値を減算することで、トレンド除去済み時系列データを生成する。

【0087】

（Ｓ２２）トレンド除去部１３２は、トレンド算出式とトレンド除去済み時系列データとを出力する。例えば、トレンド除去部１３２は、トレンド算出式とトレンド除去済み時系列データとを記憶部１２０に格納する。そして、トレンド除去処理が終了する。

【0088】

図１４は、時系列データ編集処理例を示すフローチャートである。
時系列データ編集処理は、ステップＳ１２に相当する。
（Ｓ３０）時系列データ編集部１３４は、トレンド除去済み時系列データを、入力されたラベルに基づいて分割する。例えば、時系列データ編集部１３４は、トレンド除去済み時系列データに含まれる各時刻の属性を、ラベルデータに基づいて決定する。時系列データ編集部１３４は、トレンド除去済み時系列データに含まれる各レコードを、時刻の属性ごとのグループに分割する。

【0089】

（Ｓ３１）時系列データ編集部１３４は、分割したトレンド除去済み時系列データを属性ごとに結合する。例えば、時系列データ編集部１３４は、各グループに属するレコードを、時系列の順に結合することで、属性ごとの時系列データを生成する。

【0090】

（Ｓ３２）時系列データ編集部１３４は、結合したトレンド除去済み時系列データを属性ごとに出力する。例えば、時系列データ編集部１３４は、属性ごとの時系列データを、記憶部１２０に格納する。そして、トレンド除去処理が終了する。

【0091】

次に、「平日」および「休日」の属性により、時系列データに含まれる各時刻を分類して編集する例を示す。
図１５は、時系列データの編集例を示す図である。

【0092】

時系列データ１６１は、トレンド除去済み時系列データである。時系列データ１６１は、時系列データ編集部１３４による編集前の時系列データである。時系列データ１６１は、日付、曜日、祝日区分および値の項目を含む。ここで、各日付に対する曜日および祝日区分は、ラベルデータに含まれるラベルによって特定される。曜日は、該当の日付の曜日を示す。祝日区分は、該当の日付が祝日であるか否かを示す。

【0093】

時系列データ１６１は、日付「１」～「１４」に対応する複数のレコードを含む。各レコードは、日付「１」～「１４」に対して資源使用量の値「ｘ１」～「ｘ１４」を含む。
なお、図１５では、図示を簡略化するために、１つの日付に対して１つの値のみを示しているが、時系列データ１６１は、各日付に属する複数の時刻それぞれに対して、資源使用量の値を有する。後述される時系列データ１６２，１６３も同様である。

【0094】

曜日は、日付「１」、「２」、「３」、…の順に、月曜日、火曜日、水曜日、…である。また、日付「１１」は、木曜日であり、祝日である。時系列データ１６１のうち、日付「１１」以外の月曜日～金曜日は、祝日ではない。該当の日付が祝日である場合、祝日であることを示す情報が祝日区分に設定される。図中、祝日であることを示す情報を、「祝」と記載することがある。また、該当の日付が祝日でない場合、祝日区分を設定なしとしている。図中、「設定なし」を空欄により示すことがある。

【0095】

この場合、日付「１１」以外の月曜日～金曜日である日付「１」～「５」、「８」～「１０」、「１２」の属性は「平日」である。土曜日、日曜日および祝日である日付「６」、「７」、「１１」、「１３」、「１４」の属性は「休日」である。したがって、日付「１」～「５」、「８」～「１０」、「１２」に属する各時刻の属性は「平日」である。日付「６」、「７」、「１１」、「１３」、「１４」に属する各時刻の属性は「休日」である。

【0096】

時系列データ編集部１３４は、時系列データ１６１の各レコードを属性ごとのグループに分割する。時系列データ編集部１３４は、グループごとの複数のレコードを時系列の順に結合することで、属性「平日」に対応する時系列データ１６２と、属性「休日」に対応する時系列データ１６３とを生成する。時系列データ１６２は、日付「１」～「５」、「８」～「１０」、「１２」のレコードを含む。時系列データ１６３は、日付「６」、「７」、「１１」、「１３」、「１４」のレコードを含む。時系列データ１６２，１６３は、曜日および祝日区分を含んでもよいし、含まなくてもよい。

【0097】

次に、作成された予測値算出モデルに基づく資源使用量の予測の手順を説明する。
図１６は、予測処理例を示すフローチャートである。
（Ｓ４０）予測期間入力部１３６は、予測期間データを受け付け、記憶部１２０に格納する。ラベル入力部１３３は、ラベルデータを受け付け、記憶部１２０に格納する。

【0098】

（Ｓ４１）予測期間分割部１３７は、予測期間データに対して、予測期間分割処理を実行する。予測期間分割処理の詳細は後述される。
（Ｓ４２）予測部１３８は、属性ごとの予測値算出モデルに基づいて、予測期間に対する資源使用量の予測値を算出する。予測部１３８は、予測期間に含まれる各時刻の属性に応じて、当該時刻の予測値の算出に用いる予測値算出式を選択する。例えば、予測対象の時刻の属性が「平日」の場合、予測部１３８は、属性「平日」に対応する予測値算出式を用いて、予測値を算出する。また、予測対象の時刻の属性が「休日」の場合、予測部１３８は、属性「休日」に対応する予測値算出式を用いて、予測値を算出する。

【0099】

（Ｓ４３）予測結果結合部１３９は、属性ごとの予測結果を結合する予測結果結合処理を実行する。予測結果結合処理の詳細は後述される。
（Ｓ４４）トレンド復元部１４０は、予測結果結合部１３９による結合後の予測結果に対して、トレンドを復元するトレンド復元処理を実行する。トレンド復元処理の詳細は後述される。

【0100】

（Ｓ４５）予測データ出力部１４１は、トレンド復元部１４０によるトレンド復元済みの予測データを出力する。予測データ出力部１４１は、予測データを記憶部１２０に格納する。予測データ出力部１４１は、クライアント装置３００に予測データを送信してもよい。また、予測データ出力部１４１は、ディスプレイ１１１に予測データの内容を表示させてもよい。そして、予測処理が終了する。

【0101】

図１７は、予測期間分割処理例を示すフローチャートである。
予測期間分割処理は、ステップＳ４１に相当する。
（Ｓ５０）予測期間分割部１３７は、入力されたラベルを基に予測期間を分割する。例えば、予測期間分割部１３７は、ラベルデータを基に、予測期間に属する各時刻の属性を決定し、予測期間に属する各時刻を、属性ごとに分割する。例えば、予測期間分割部１３７は、属性「平日」の時刻群および属性「休日」の時刻群に、予測期間を分割する。

【0102】

（Ｓ５１）予測期間分割部１３７は、分割した予測期間を出力する。そして、予測期間分割処理が終了する。
図１８は、予測期間の分割例を示す図である。

【0103】

予測期間データ１７１は、分割前の予測期間データである。予測期間データ１７１は、日付、曜日および祝日区分の項目を含む。ここで、各日付に対する曜日および祝日区分は、ラベルデータに含まれるラベルによって特定される。

【0104】

予測期間データ１７１は、日付「１５」～「２３」に対応する複数のレコードを含む。曜日は、日付「１５」、「１６」、「１７」、…の順に、月曜日、火曜日、水曜日、…となる。また、日付「１５」は、祝日である。予測期間データ１７１のうち、日付「１５」以外の月曜日～金曜日は、祝日ではない。

【0105】

この場合、日付「１５」以外の月曜日～金曜日である日付「１６」～「１９」、「２２」、「２３」の属性は「平日」である。土曜日、日曜日および祝日である日付「１５」、「２０」、「２１」の属性は「休日」である。したがって、日付「１６」～「１９」、「２２」、「２３」に属する各時刻の属性は「平日」である。日付「１５」、「２０」、「２１」に属する各時刻の属性は「休日」である。

【0106】

予測期間分割部１３７は、予測期間データ１７１の各レコードを属性ごとのグループに分割することで、属性「平日」に対応する予測期間データ１７２と、属性「休日」に対応する予測期間データ１７３とを生成する。予測期間データ１７２は、日付「１６」～「１９」、「２２」、「２３」のレコードを含む。予測期間データ１７３は、日付「１５」、「２０」、「２１」のレコードを含む。予測期間データ１７２，１７３は、曜日および祝日区分を含んでもよいし、含まなくてもよい。

【0107】

図１９は、予測結果結合処理例を示すフローチャートである。
予測結果結合処理は、ステップＳ４３に相当する。
（Ｓ６０）予測結果結合部１３９は、予測部１３８による属性ごとの予測結果を結合する。例えば、予測結果結合部１３９は、属性ごとの予測結果の各レコードを、時刻の時系列の順に結合して、１つの予測結果とする。

【0108】

（Ｓ６１）予測結果結合部１３９は、結合した予測結果を出力する。例えば、予測結果結合部１３９は、結合した予測結果を記憶部１２０に格納する。
図２０は、予測結果の結合例を示す図である。

【0109】

予測結果１８１は、属性「平日」に対する資源使用量の予測結果である。予測結果１８２は、属性「休日」に対する資源使用量の予測結果である。予測結果１８１，１８２は、予測部１３８により生成される。

【0110】

予測結果１８１における日付「１６」～「２３」に属する各時刻の予測値は、属性「平日」に対応する予測値算出式を用いて算出される。例えば、予測結果１８１は、日付「１６」～「１９」、「２２」、「２３」に対して、予測値「ｙ１」～「ｙ６」を有する。

【0111】

予測結果１８２における日付「１５」、「２０」、「２１」に属する各時刻の予測値は、属性「休日」に対応する予測値算出式を用いて算出される。例えば、予測結果１８２は、日付「１５」、「２０」、「２１」に対して、予測値「ｙ７」～「ｙ９」を有する。

【0112】

なお、図２０では、図示を簡略化するために、１つの日付に対して１つの予測値のみを示しているが、予測結果１８１，１８２は、各日付に属する複数の時刻それぞれに対して、資源使用量の予測値を有する。後述される予測結果１８３も同様である。

【0113】

予測結果結合部１３９は、予測結果１８１，１８２に含まれる各レコードを、時系列の順に結合して、予測結果１８３を生成する。予測結果１８３は、日付「１５」～「２３」のそれぞれに対応する予測値を有するレコードを含む。

【0114】

図２１は、トレンド復元処理例を示すフローチャートである。
トレンド復元処理は、ステップＳ４４に相当する。
（Ｓ７０）トレンド復元部１４０は、予測結果結合部１３９による結合後の予測結果にトレンドを加算する。例えば、トレンド復元部１４０は、トレンド算出式に基づいて、当該予測結果の各時刻におけるトレンド値を算出し、予測結果の該当の時刻の値に加算する。

【0115】

（Ｓ７１）トレンド復元部１４０は、トレンド加算後の予測結果を出力する。そして、トレンド復元処理が終了する。トレンド加算後の予測結果は、予測データ出力部１４１により、クライアント装置３００に送信されたり、ディスプレイ１１１に表示されたりする。

【0116】

ここで、サーバ装置２００による資源使用量の変化傾向の特徴は、サーバ装置２００を運用する時間帯や曜日などによって変わり得る。例えば、平日と休日とでは資源使用量の変化傾向が異なることがある。また、昼間の時間帯と夜間の時間帯とでは資源使用量の変化傾向が異なることがある。入力された時系列データから、時系列解析や機械学習などの手法により単一の予測モデルを作成すると、特定の時間帯や曜日などに特有の変化傾向が予測モデルに反映され難くなる。このため、当該予測モデルを使用した予測の精度が低下する。

【0117】

そこで、予測装置１００は、資源使用量の履歴を示す時系列データにおける時刻の属性ごとに、時系列解析や機械学習などの手法により予測値算出を求める。すなわち、当該時系列データにおける時刻の属性ごとに、予測値算出式が個別に生成される。すると、時間帯や曜日などの属性に応じた変化傾向の特徴が、予測値算出式に反映され易くなる。このため、予測装置１００は、当該予測値算出式を用いて予測を行うことで、予測精度を高めることができる。

【0118】

また、予測装置１００は、入力された時系列データに関して、全体的に上昇傾向であるなどの大まかな傾向を示すトレンドを、当該時系列データから除外した後に属性ごとの予測値算出式を生成する。これにより、トレンドを加味して予測値算出式を生成するよりも、生成される予測値算出式の精度を高めることができる。予測の際には、予測装置１００は、予測値算出式により算出された算出値をトレンドによる値で補正して、予測値を求める。これにより、トレンドを加味して生成した予測値算出式を用いて予測を行う場合に比べて、予測の精度を高めることができる。

【0119】

また、トレンドのある時系列データをモデル化して将来の値を予測する場合に、パラメータが比較的少ない単純なモデルで、予測値算出用のモデルを表現できる。このため、比較的少ないデータでもモデル化でき、少量のデータでも精度の良い予測が可能になる。

【0120】

第２の実施の形態では、時系列データに含まれる複数のレコードをグループに分類するための属性として、「平日」や「休日」を主に例示したが、他の属性でグループ化することも考えられる。

【0121】

例えば、属性は「昼間」および「夜間」でもよい。属性に「昼間」および「夜間」を用いる場合、時系列データおよび予測期間の各時刻が「昼間」および「夜間」の何れの属性に対応するかを示す情報が、ラベルデータとして予測装置１００に入力される。

【0122】

また、属性は「平日昼間」、「平日夜間」、「休日昼間」および「休日夜間」でもよい。この場合、時系列データおよび予測期間の各時刻が「平日昼間」、「平日夜間」、「休日昼間」および「休日夜間」の何れの属性に対応するかを示す情報が、ラベルデータとして予測装置１００に入力される。

【0123】

あるいは、属性は、「月曜日」、「火曜日」、…といった曜日でもよい。
何れの属性を用いるかは、曜日、平日／休日、昼間／夜間の時間帯などに応じた、サーバ装置２００のユーザによる使用傾向に応じて決定される。

【0124】

なお、第１の実施の形態の情報処理は、処理部１２にプログラムを実行させることで実現できる。また、第２の実施の形態の情報処理は、ＣＰＵ１０１にプログラムを実行させることで実現できる。プログラムは、コンピュータ読み取り可能な記録媒体１１３に記録できる。

【0125】

例えば、プログラムを記録した記録媒体１１３を配布することで、プログラムを流通させることができる。また、プログラムを他のコンピュータに格納しておき、ネットワーク経由でプログラムを配布してもよい。コンピュータは、例えば、記録媒体１１３に記録されたプログラムまたは他のコンピュータから受信したプログラムを、ＲＡＭ１０２やＨＤＤ１０３などの記憶装置に格納し（インストールし）、当該記憶装置からプログラムを読み込んで実行してもよい。

【符号の説明】

【0126】

１０ 情報処理装置
１１ 記憶部
１２ 処理部
２０，２１，２２ 時系列データ
３０ 予測期間データ
３１ 予測結果データ

【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】