特許 7484653 情報処理装置、情報処理方法、運転管理装置、および運転管理方法

(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】2024-05-08

(45)【発行日】2024-05-16

(54)【発明の名称】情報処理装置、情報処理方法、運転管理装置、および運転管理方法

(51)【国際特許分類】

   G06N 3/02 20060101AFI20240509BHJP

【ＦＩ】

G06N3/02

【請求項の数】 12

(21)【出願番号】P 2020175752

(22)【出願日】2020-10-20

(65)【公開番号】P2022067185

(43)【公開日】2022-05-06

【審査請求日】2023-02-27

(73)【特許権者】

【識別番号】000004123

【氏名又は名称】ＪＦＥエンジニアリング株式会社

(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】長田 翔

【審査官】坂庭 剛史

(56)【参考文献】

【文献】米国特許出願公開第２０１９／０１５６１８３（ＵＳ，Ａ１）

【文献】中国特許出願公開第１１１２４２３１９（ＣＮ，Ａ）

【文献】特開平０４－３２８６６９（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／０２８５８９６（ＵＳ，Ａ１）

【文献】特開平０６－３３６９８２（ＪＰ，Ａ）

【文献】特開２０１９－１１３００５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０２－ ３／１０

Ｇ０６Ｎ ２０／００－９９／００

Ｆ０４Ｂ ２３／０２

Ｆ０４Ｄ １５／００

(57)【特許請求の範囲】

【請求項1】

少なくとも１つの入力データを取得して、前記入力データに基づいてニューラルネットワークを用いて推論結果データを出力する制御部を備えた情報処理装置であって、
前記制御部は、
取得した前記入力データを記憶部に格納し、
前記記憶部から読み出した１つの前記入力データに対して、互いに異なる複数のノイズを付加した、複数のノイズ付加データを生成し、
前記複数のノイズ付加データを前記ニューラルネットワークに入力して、前記複数のノイズ付加データに対応した複数のノイズ付加推論結果データを出力し、
前記複数のノイズ付加推論結果データに基づいて、前記推論結果データを出力する
情報処理装置。

【請求項2】

前記互いに異なる複数のノイズは、正規分布に基づいて選択されたノイズである
請求項１に記載の情報処理装置。

【請求項3】

前記制御部は、
前記複数のノイズ付加推論結果データのそれぞれに対してシミュレートを行って、前記複数のノイズ付加推論結果データのそれぞれに対応した複数の評価値を出力し、
前記複数の評価値に基づいて、前記複数のノイズ付加推論結果データから選択した少なくとも１つのノイズ付加推論結果データを、前記推論結果データとして出力する
請求項１または２に記載の情報処理装置。

【請求項4】

前記制御部は、
前記複数のノイズ付加推論結果データに対してアンサンブル学習を行い、
前記アンサンブル学習によって得られた出力を、前記推論結果データとして出力する
請求項１または２に記載の情報処理装置。

【請求項5】

前記入力データは、離散値を含むデータである
請求項１～４のいずれか１項に記載の情報処理装置。

【請求項6】

液体を貯留する少なくとも１槽の貯留部と、前記貯留部に前記液体を供給可能な少なくとも１台の送液部と、を備える貯留設備に対して、前記送液部を制御して前記貯留部内の液位を管理する運転制御部を備えた運転管理装置であって、
前記運転制御部は、
前記貯留設備から前記貯留部内の液位を含む液位情報を取得し、
取得した前記液位情報を含む情報を貯留入力データとして、請求項１～５のいずれか１項に記載の情報処理装置に入力し、前記貯留入力データに対応して前記情報処理装置から出力された推論結果データを、貯留推論結果データとして取得し、
前記貯留推論結果データに基づいて、前記送液部を制御する
運転管理装置。

【請求項7】

前記貯留推論結果データは、前記送液部の発停を切り替える液位の情報を含む
請求項６に記載の運転管理装置。

【請求項8】

前記貯留入力データは、所定時間において、前記貯留部から前記液体が排出される量の時刻に沿った予測値の情報を含む
請求項６または７に記載の運転管理装置。

【請求項9】

前記送液部は、発停の切り換えが制御されるポンプから構成され、
前記貯留入力データは、所定時刻における前記ポンプの発停の情報を含む
請求項６～８のいずれか１項に記載の運転管理装置。

【請求項10】

前記送液部は、電力によって駆動するポンプから構成され、
前記貯留入力データは、所定時間における前記電力の料金単価および消費電力の情報を含む
請求項６～９のいずれか１項に記載の運転管理装置。

【請求項11】

少なくとも１つの入力データを取得して、前記入力データに基づいてニューラルネットワークを用いて推論結果データを出力する情報処理装置が実行する情報処理方法であって、
取得した前記入力データを記憶部に格納し、
前記記憶部から読み出した１つの前記入力データに対して、互いに異なる複数のノイズを付加した、複数のノイズ付加データを生成し、
前記複数のノイズ付加データを前記ニューラルネットワークに入力して、前記複数のノイズ付加データに対応した複数のノイズ付加推論結果データを出力し、
前記複数のノイズ付加推論結果データに基づいて、前記推論結果データを出力する
情報処理方法。

【請求項12】

液体を貯留する少なくとも１槽の貯留部と、前記貯留部に前記液体を供給可能な少なくとも１台の送液部と、を備える貯留設備に対して、前記送液部を制御して前記貯留部内の液位を管理する運転管理装置が実行する運転管理方法であって、
前記貯留設備から前記貯留部内の液位を含む液位情報を取得し、
取得した前記液位情報を含む情報を貯留入力データとして、請求項１１に記載の情報処理方法に基づいて、前記貯留入力データに対応して得られた貯留推論結果データを取得し、
前記貯留推論結果データに基づいて、前記送液部を制御する
運転管理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、運転管理装置、および運転管理方法に関する。

【背景技術】

【0002】

分類、回帰、または方策関数の出力などのニューラルネットワークによる推論は、ニューラルネットワークの自由度の高さから、一定程度の過学習に起因した推論結果の不安定さが存在する。そこで、過学習の低減のために種々の正則化方法が提案されている。ところが、過学習を低減させるための正則化は、パラメータの調整が難しく、設定によっては学習時間が膨大になったり、汎化性能が得られなかったりすることがある。さらに、ニューラルネットワークは一般的に、ノイズに対して脆弱であることが知られている。ニューラルネットワークは実用上、計測誤差などの影響によって誤った推論結果が出力される可能性があった。非特許文献１，２には、学習用データの水増しや汎化性能の向上のために、学習時において、学習用ノイズを付加する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－０３２６５９号公報

【非特許文献】

【0004】

【文献】“Noisy Networks for Exploration” Meire Fortunato et al (2018)

【文献】“Creating artificial neural networks that generalize” Jocelyn Sietsma, Robert J.F.Dow (1991)

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、上述した従来技術においては、精度の向上には限界があった。そこで、入力データをニューラルネットワークに入力させて得られる推論結果の精度をさらに向上させる技術の開発が求められていた。

【0006】

本発明は、上記に鑑みてなされたものであって、その目的は、入力データをニューラルネットワークに入力させて得られる推論結果の精度を向上させることができる情報処理装置、情報処理方法、運転管理装置、および運転管理方法を提供することにある。

【課題を解決するための手段】

【0007】

上述した課題を解決し、目的を達成するために、本発明の一態様に係る情報処理装置は、少なくとも１つの入力データを取得して、前記入力データに基づいてニューラルネットワークを用いて推論結果データを出力する制御部を備えた情報処理装置であって、前記制御部は、取得した前記入力データを記憶部に格納し、前記記憶部から読み出した１つの前記入力データに対して、互いに異なる複数のノイズを付加した、複数のノイズ付加データを生成し、前記複数のノイズ付加データを前記ニューラルネットワークに入力して、前記複数のノイズ付加データに対応した複数のノイズ付加推論結果データを出力し、前記複数のノイズ付加推論結果データに基づいて、前記推論結果データを出力する。

【0008】

本発明の一態様に係る情報処理装置は、上記の発明において、前記互いに異なる複数のノイズは、正規分布に基づいて選択されたノイズである。

【0009】

本発明の一態様に係る情報処理装置は、上記の発明において、前記制御部は、前記複数のノイズ付加推論結果データのそれぞれに対してシミュレートを行って、前記複数のノイズ付加推論結果データのそれぞれに対応した複数の評価値を出力し、前記複数の評価値に基づいて、前記複数のノイズ付加推論結果データから選択した少なくとも１つのノイズ付加推論結果データを、前記推論結果データとして出力する。

【0010】

本発明の一態様に係る情報処理装置は、上記の発明において、前記制御部は、前記複数のノイズ付加推論結果データに対してアンサンブル学習を行い、前記アンサンブル学習によって得られた出力を、前記推論結果データとして出力する。

【0011】

本発明の一態様に係る情報処理装置は、上記の発明において、前記入力データは、離散値を含むデータである。

【0012】

本発明の一態様に係る運転管理装置は、液体を貯留する少なくとも１槽の貯留部と、前記貯留部に前記液体を供給可能な少なくとも１台の送液部と、を備える貯留設備に対して、前記送液部を制御して前記貯留部内の液位を管理する運転制御部を備えた運転管理装置であって、前記運転制御部は、前記貯留設備から前記貯留部内の液位を含む液位情報を取得し、取得した前記液位情報を含む情報を貯留入力データとして、上記の発明の情報処理装置に入力し、前記貯留入力データに対応して前記情報処理装置から出力された推論結果データを、貯留推論結果データとして取得し、前記貯留推論結果データに基づいて、前記送液部を制御する。

【0013】

本発明の一態様に係る運転管理装置は、上記の発明において、前記貯留推論結果データは、前記送液部の発停を切り替える液位の情報を含む。

【0014】

本発明の一態様に係る運転管理装置は、上記の発明において、前記貯留入力データは、所定時間において、前記貯留部から前記液体が排出される量の時刻に沿った予測値の情報を含む。

【0015】

本発明の一態様に係る運転管理装置は、上記の発明において、前記送液部は、発停の切り換えが制御されるポンプから構成され、前記貯留入力データは、所定時刻における前記ポンプの発停の情報を含む。

【0016】

本発明の一態様に係る運転管理装置は、上記の発明において、前記送液部は、電力によって駆動するポンプから構成され、前記貯留入力データは、所定時間における前記電力の料金単価および消費電力の情報を含む。

【0017】

本発明の一態様に係る情報処理方法は、少なくとも１つの入力データを取得して、前記入力データに基づいてニューラルネットワークを用いて推論結果データを出力する情報処理装置が実行する情報処理方法であって、取得した前記入力データを記憶部に格納し、前記記憶部から読み出した１つの前記入力データに対して、互いに異なる複数のノイズを付加した、複数のノイズ付加データを生成し、前記複数のノイズ付加データを前記ニューラルネットワークに入力して、前記複数のノイズ付加データに対応した複数のノイズ付加推論結果データを出力し、前記複数のノイズ付加推論結果データに基づいて、前記推論結果データを出力する。

【0018】

本発明の一態様に係る運転管理方法は、液体を貯留する少なくとも１槽の貯留部と、前記貯留部に前記液体を供給可能な少なくとも１台の送液部と、を備える貯留設備に対して、前記送液部を制御して前記貯留部内の液位を管理する運転管理装置が実行する運転管理方法であって、前記貯留設備から前記貯留部内の液位を含む液位情報を取得し、取得した前記液位情報を含む情報を貯留入力データとして、上記の発明による情報処理方法に基づいて、前記貯留入力データに対応して得られた貯留推論結果データを取得し、前記貯留推論結果データに基づいて、前記送液部を制御する。

【発明の効果】

【0019】

本発明に係る情報処理装置、情報処理方法、運転管理装置、および運転管理方法は、入力データをニューラルネットワークに入力させて得られる推論結果の精度を向上させることが可能となる。

【図面の簡単な説明】

【0020】

【図1】図１は、本発明の一実施形態による情報処理装置を適用した運転管理システムの構成を示すブロック図である。

【図2】図２は、本発明の一実施形態による、入力データから推論結果を導出する方法を説明するための図である。

【図3】図３は、本発明の一実施形態による配水池系の運転管理方法を説明するためのフローチャートである。

【図4】図４は、本発明の一実施形態による配水池系の運転管理方法による、運転時間に沿った制御継続時間を示すグラフである。

【図5】図５は、従来技術による配水池系の運転管理方法による、運転時間に沿った制御継続時間を示すグラフである。

【図6】図６は、本発明の一実施形態による配水池系の運転管理方法による、運転時間に沿った制御スコアを示すグラフである。

【図7】図７は、従来技術による配水池系の運転管理方法による、運転時間に沿った制御スコアを示すグラフである。

【図8】図８は、本発明の一実施形態の変形例による、入力データから推論結果を導出する方法を説明するための図である。

【図9】図９は、従来技術によるニューラルネットワークの全体構成を模式的に示す図である。

【発明を実施するための形態】

【0021】

以下、本発明の一実施形態について図面を参照しつつ説明する。なお、以下の一実施形態の全図においては、同一または対応する部分には同一の符号を付す。また、本発明は以下に説明する一実施形態によって限定されるものではない。

【0022】

図１は、本発明の一実施形態による情報処理装置を適用した運転管理システムの構成を示すブロック図である。図１に示すように、本発明の一実施形態による運転管理システム１は、ネットワーク２を介して互いに通信可能な、学習装置１０と運転管理装置２０とを有する。なお、運転管理装置２０が学習装置１０を備えても良い。運転管理装置２０は、ネットワーク２を介して配水池系３０から各種情報を収集可能に構成される。

【0023】

ネットワーク２は、例えば、インターネットなどの公衆通信網であって、例えばＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、携帯電話などの電話通信網や公衆回線、ＶＰＮ（Virtual Private Network）、および専用線などの一または複数の組み合わせからなる。ネットワーク２は、有線通信および無線通信が適宜組み合わされている。

【0024】

（配水池系）
貯留設備としての配水池系３０は、複数の配水池３１，３２、および複数の配水ポンプ３３，３４を備える。複数の配水ポンプ３３，３４は、それぞれの配水池３１，３２ごとに、１台または複数台設けられる。具体的に例えば、貯留部としての配水池３１、３２が３０箇所程度の場合、送液部としての配水ポンプ３３，３４は４０台程度備えられる。配水池３１，３２からは、水を必要とする需要家３５，３６に水が供給される。

【0025】

本実施形態において、機械学習装置としての学習装置１０は、配水池系３０の推移などの環境条件、配水ポンプ３３，３４の発停状態や消費電力、所定時間における需要家３５，３６の単位時間当たりの電気料金（以下、電気料金単価）、時刻などの所定のデータを入力パラメータとし、配水池系３０における複数の配水ポンプ３３，３４の発停を切り替える水位を出力パラメータとする強化学習を行う。

【0026】

（学習装置）
学習装置１０は、通信部（図示せず）を有する複数の配水池系３０から送信された種々の情報を、ネットワーク２を介して収集するデータ収集処理を実行する。学習装置１０は、収集した種々の情報によって機械学習を実行可能である。学習装置１０は、制御部１１、記憶部１２、通信部１３、出力部１４、および入力部１５を備える。

【0027】

制御部１１は、具体的に、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）などのプロセッサ、およびＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などの主記憶部（いずれも図示せず）を備える。

【0028】

記憶部１２は、物理的には、ＲＡＭ等の揮発性メモリ、ＲＯＭ等の不揮発性メモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（ＨＤＤ、Hard Disk Drive）、ソリッドステートドライブ（ＳＳＤ、Solid State Drive）、およびリムーバブルメディアなどから選ばれた記憶媒体から構成される。なお、リムーバブルメディアは、例えば、ＵＳＢ（Universal Serial Bus）メモリ、または、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、またはＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体である。また、外部から装着可能なメモリカードなどのコンピュータ読み取り可能な記録媒体を用いて記憶部１２を構成してもよい。記憶部１２には、学習装置１０の動作を実行するための、オペレーティングシステム（Operating System :ＯＳ）、各種プログラム、各種テーブル、各種データベースなどが記憶可能である。各種プログラムには、本実施形態による学習モデルやニューラルネットワークも含まれる。これらの各種プログラムは、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フレキシブルディスク等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。

【0029】

本実施形態において、制御部１１は、記憶部１２に記憶されたプログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部などを制御することで、所定の目的に合致した機能を実現できる。具体的に、制御部１１は、プログラムの実行によって、学習部１１１、判定部１１２、行動選択部１１３、状態入力部１１４、環境部１１５、演算部１１６、シミュレータ部１１７の機能を実現できる。

【0030】

制御部１１によるプログラムの実行によって、学習部１１１の機能が実行される。学習部１１１は、学習装置１０が受信した入出力データセットをもとに機械学習を行うことができる。学習部１１１は、学習した結果を学習モデル１２１として記憶部１２に書き込んで記憶させる。学習部１１１は、学習を行っているニューラルネットワークとは別に、所定のタイミングで、当該タイミングにおける最新の学習モデルを、記憶部１２に記憶させてもよい。記憶部１２に記憶させる際には、古い学習モデル１２１を削除して最新の学習モデル１２１を記憶させる更新でもよいし、古い学習モデル１２１の一部または全部を保存したまま最新の学習モデル１２１を記憶させる蓄積でもよい。

【0031】

通信部１３は、例えば、ＬＡＮ（Local Area Network）インターフェースボードや、無線通信のための無線通信回路などである。ＬＡＮインターフェースボードや無線通信回路は、ネットワーク２に接続される。通信部１３は、ネットワーク２に接続して、運転管理装置２０や配水池系３０との間で通信を行う。

【0032】

出力手段としての出力部１４は、制御部１１による制御に従って、液晶ディスプレイやプラズマディスプレイなどのディスプレイの画面上に、文字や図形などを表示したり、スピーカから音声を出力したりして、所定の情報を外部に通知するように構成される。さらに、出力部１４は、印刷用紙などに所定の情報を印刷することによって出力するプリンタを含む。記憶部１２に格納された各種情報は、例えば所定の事務所などに設置された出力部１４のモニタなどで確認することができる。

【0033】

入力手段としての入力部１５は、例えば、キーボードや出力部１４の内部に組み込まれて表示パネルのタッチ操作を検出するタッチパネル式キーボード、または外部との間の通話を可能とする音声入力デバイスなどから構成される。なお、出力部１４および入力部１５を一体化させて、例えばタッチパネルディスプレイやスピーカマイクロホンなどの入出力部としても良い。

【0034】

（運転管理装置）
運転管理装置２０は、ネットワーク２を介して通信可能な構成を有する。運転管理装置２０は、制御部２１、記憶部２２、通信部２３、出力部２４、および入力部２５を備える。制御部２１、記憶部２２、通信部２３、出力部２４、および入力部２５はそれぞれ、物理的および機能的には、上述した制御部１１、記憶部１２、通信部１３、出力部１４、および入力部２５と同様の構成を有する。

【0035】

本実施形態において制御部２１は、記憶部２２に記憶されたプログラムを主記憶部の作業領域にロードして実行することによって、具体的に、運転計画部２１１および運転制御部２１２の機能を実現できる。

【0036】

記憶部２２には、運転計画部２１１により生成された運転計画情報が検索可能な運転計画データベース２２１、および運転制御部２１２が取得した配水池系３０の運転情報が検索可能な運転情報データベース２２２が格納されている。運転計画データベース２２１に格納された運転計画情報は、例えば配水ポンプ３３，３４の発停に関するタイミングの計画情報を含む。運転制御部２１２は、運転計画情報に基づいて、配水池系３０における配水ポンプ３３，３４の発停を制御する。運転情報データベース２２２における運転情報は、例えば、所定時点における配水ポンプ３３，３４のオンオフの情報（以下、発停情報）や、配水池３１，３２に貯留された水の水位の情報（以下、水位情報）を含む。なお、配水池系３０に関する情報は、これらの情報に限定されない。

【0037】

通信部２３は、ネットワーク２に接続して、学習装置１０および配水池系３０との間で通信可能である。通信部２３は、制御部２１による制御に基づいて出力される指令信号によって、配水池３１，３２の液位情報としての水位情報や発停情報などの各種情報を収集する。なお、通信部２３によって送受信される情報は、これらの情報に限定されない。本実施形態において運転管理装置２０は、ネットワーク２を介して通信可能なクラウドサーバとして機能させることもできる。

【0038】

ここで、本発明者は、情報処理装置としての学習装置１０に関して、従来技術によるニューラルネットワークを用いた情報処理方法について検討を行った。図９は、従来技術によるニューラルネットワークの全体構成を模式的に示す図である。図９に示すニューラルネットワーク３００は、例えば順伝播型ニューラルネットワークであり、入力層３０１、中間層３０２、および出力層３０３を有する。入力層３０１は複数のノードからなり、各ノードには互いに異なる入力パラメータが入力される。中間層３０２は入力層３０１からの出力が入力される。中間層３０２は、入力層３０１からの入力を受ける複数のノードからなる層を含む多層の構造を有する。出力層３０３は、中間層３０２からの出力が入力され、出力パラメータを出力する。中間層３０２が多層構造、例えば３～５層構造を有するニューラルネットワークを用いた機械学習は、深層学習（ディープラーニング）と呼ばれる。図９に示す例では、入力パラメータが所定の入力データ３１０であり、出力パラメータが、目的とする推論結果データ３２０である。

【0039】

ニューラルネットワーク３００において、教師あり学習や半教師あり学習によって所定の学習モデルを生成する際には、学習用入力パラメータおよび学習用出力パラメータの入出力データセットが用いられる。入力データ１１０に対して所定の推論結果データ１２０を出力する制御部１１における学習部１１１は、学習用入力パラメータおよび学習用出力パラメータを教師データとして、図９に示すニューラルネットワークを用いたディープラーニングなどの機械学習によって、学習モデル１２１を生成できる。学習装置１０の制御部１１は、学習部１１１によって生成された学習モデルに基づいて、入力データ３１０から推論結果データ３２０を導出する。

【0040】

また、ニューラルネットワーク３００を強化学習に用いた場合、状態ｓや行動ａなどの入力データ３１０をニューラルネットワーク３００に入力して、推論結果データ３２０を出力する。推論結果データ３２０としては、状態ｓ、行動ａ、状態行動価値（Ｑ値）などが出力される。

【0041】

本発明者は、従来のニューラルネットワーク３００に対して、種々検討を行った結果、出力される推論結果の精度を向上させるためには、推論時、すなわちニューラルネットワーク３００に入力する際に、入力データに互いに異なる複数のノイズを加える方法を案出した。すなわち、本発明者は、推論時の入力データにノイズを加えて、複数のパターンの入力データを生成し、生成された複数の入力データのそれぞれをニューラルネットワーク３００に入力したことによって得られた複数の推論結果に基づいて、少なくとも１つの水路結果を選択または生成することによって、高精度で評価値の高い出力を得られることを想到した。以下に説明する本発明およびその一実施形態は、本発明者による以上の鋭意検討によって案出されたものである。

【0042】

図２は、本発明の一実施形態による情報処理装置としての学習装置１０が実行する情報処理方法を説明するための図である。図２に示すように、一実施形態による情報処理方法においては、演算部１１６が、１つの入力データ３１０に対して、第１ノイズを付加することにより、第１ノイズ付加データ３１１－１を生成する。同様に、演算部１１６が、１つの入力データ３１０に対して第１ノイズとは異なる第２ノイズを付加することにより、第２ノイズ付加データ３１１－２を生成する。さらに、演算部１１６は、入力データに対して第１ノイズとも第２ノイズとも異なる第３ノイズを付加することにより、第３ノイズ付加データ３１１－３を生成する。これらの互いに異なるノイズの付加は、１つの入力データ３１０に対してｎ個（ｎは２以上の自然数）のノイズを付加するまで実行される。入力データ３１０に対して付加される第１ノイズから第ｎノイズまでのｎ個のノイズは、互いに相関がない、互いに異なるノイズである。これらの互いに異なる第１ノイズ～第ｎノイズまでの複数のノイズは、例えば正規分布、いわゆるガウス雑音に基づいて選択されるが、他の分布に基づいたノイズを選択することも可能である。これにより、同じ入力データ３１０に基づいて、互いに異なる第１ノイズ付加データ３１１－１～第ｎノイズ付加データ３１１－ｎが、演算部１１６により生成される。生成された第１ノイズ付加データ３１１－１～第ｎノイズ付加データ３１１－ｎは、記憶部１２に格納される。

【0043】

学習部１１１は、記憶部１２からニューラルネットワーク１２２のプログラムを読み込んでニューラルネットワーク３００の処理を実行する。すなわち、学習部１１１は、第１ノイズ付加データ３１１－１～第ｎノイズ付加データ３１１－ｎのそれぞれを、ニューラルネットワーク３００に入力する。ニューラルネットワーク３００は、それぞれの第１ノイズ付加データ３１１－１～第ｎノイズ付加データ３１１－ｎに対応して、それぞれの第１推論結果データ３２１－１、第２推論結果データ３２１－２、第３推論結果データ３２１－３、…、第ｎ推論結果データ３２１－ｎを出力する。出力された複数のノイズ付加推論結果データとしての、第１推論結果データ３２１－１～第ｎ推論結果データ３２１－ｎは、記憶部１２に格納される。

【0044】

続いて、制御部１１のシミュレータ部１１７によって実行されるシミュレータ３４０は、ニューラルネットワーク３００から出力された第１推論結果データ３２１－１～第ｎ推論結果データ３２１－ｎのそれぞれに対して、個別にシミュレートを実行する。シミュレータ３４０は、第１推論結果データ３２１－１に基づいてシミュレートを実行した結果として、第１評価値３３０－１を出力する。同様にシミュレータ部１１７は、第２推論結果データ３２１－２、第３推論結果データ３２１－３、…、および第ｎ推論結果データ３２１－ｎに基づいてシミュレートを実行した結果としてそれぞれ、第２評価値３３０－２、第３評価値３３０－３、…、および第ｎ評価値３３０－ｎを出力する。出力された第１評価値３３０－１～第ｎ評価値３３０－ｎは記憶部１２に格納される。

【0045】

シミュレータ部１１７が出力した第１評価値３３０－１～第ｎ評価値３３０－ｎは、評価値を選択するセレクタ３５０の機能を有する制御部１１の判定部１１２に入力される。判定部１１２は、セレクタ３５０によって、最適な評価値を選択する。制御部１１の判定部１１２は、第１評価値３３０－１～第ｎ評価値３３０－ｎから選択した評価値に対応する推論結果データを選択して、出力する。以上により、入力データ３１０に対する、推論結果データ３２０が出力される。

【0046】

以上のように、強化学習などの、いわゆる制御方法や評価値を出力するニューラルネットワーク３００であって、シミュレータ部１１７によって事前にシミュレート可能である場合には、複数の推論結果データ（第１～第ｎ推論結果データ）から複数の評価値（第１～第ｎ評価値）を取得して、最適な評価値となった推論結果データを選択することにより、推論結果データの精度を向上させることができる。また、入力データに複数の異なるノイズを付加することによって、ニューラルネットワーク３００に入力するデータをノイズの付加数分だけ増加させることができるので、ノイズ付加による入力の水増しにより、方策を出力する強化学習などにおいては、シミュレータと組み合わせることによって、より評価値の高い制御の方策を得ることができる。

【0047】

なお、評価値に対して所定の閾値を設定し、全ての第１評価値３３０－１～第ｎ評価値３３０－ｎが所定の閾値未満であった場合に、第１評価値３３０－１～第ｎ評価値３３０－ｎのうちの少なくとも１つ、または複数の評価値が所定の閾値以上になるまで、入力データ３１０に対してさらにノイズを付加するようにしても良い。以上説明した一実施形態による情報処理方法は、ニューラルネットワークを用いて情報処理を実行可能なあらゆる処理に適用可能である。

【0048】

（配水池系の運転管理方法）
次に、以上の一実施形態による情報処理方法に基づいた、配水池の運転管理方法について説明する。

【0049】

まず、一実施形態による運転管理方法の理解を容易にするために、配水池系の運転管理方法における従来技術の問題点について説明する。すなわち、従来、浄水場、配水池３１，３２と、需要家３５，３６との間で液体である水道水などを輸送するための配水ポンプ３３，３４は、オンオフ制御しかできない場合が多い。この場合、配水ポンプ３３，３４に使用する電力量や、配水ポンプ３３，３４の発停回数を低減するための運転計画を生成することが困難であった。これは、連続値の解を許容する線形計画問題であれば、最適値を現実的な時間で計算できるのに対し、離散値（整数）の解のみを許容する整数計画問題や、離散値と連続値とが混在する混合整数計画問題では、膨大なパターンを計算する必要があるため、現実的な処理時間で演算が終了しないためである。換言すると、連続値ではなく一部または全ての変数の解として離散値のみ許容する最適化問題は、膨大なパターンを試行することによって最適解を導出する必要があるため、一般的には最適解にたどり着くことが困難であり、代替として最適解に近い解を許容される時間内で導出している。

【0050】

しかしながら、本発明者の知見によれば、離散値のみを許容する問題においては、膨大な場合分けが必要になり、対象ごとに特殊な事情が存在する場合には、対象ごとに場合分けをする枝刈り探索法を変更するのはかなり煩雑な作業となる。そのため、配水池系などにおいて、繁雑な処理を低減でき、最適な運転管理を行う技術が求められていた。

【0051】

そこで、本発明者は、運転計画の生成において、機械学習における例えばＤＱＮ（Deep Q-Network）などの強化学習を採用する方法について検討を行った。すなわち、操作そのものの評価ではなく、操作の結果の評価を用いた制御方法として、機械学習における強化学習を採用することを想到した。これにより、膨大な場合分けが不要になり、シミュレータを作成する際に、対象ごとの特殊事情を考慮すれば、制御に反映させることが可能になる。

【0052】

さらに本発明者は、強化学習における報酬として、配水池３１，３２における制約条件である、水位の上限および下限、すなわち水位の許容範囲からの逸脱具合である、水位の許容範囲の上限または下限からの乖離の大きさに応じた報酬を想到した。具体的には、水位が、許容範囲から逸脱した乖離の大きさが大きくなるほど、報酬を小さくし、さらには報酬として負の絶対値が大きくなるようにした。これにより、配水池３１，３２の水位が、許容範囲内に収まれば報酬を大きくして、学習を進みやすくできる。これは、上述した制御方法において、制約条件から逸脱した時に一律の罰則を与えて、強化学習における学習の繰り返しの単位であるエピソードを停止した場合、逸脱した度合いが大きい場合も小さい場合も同じ罰則を与えることになる。そのため、制御方法を更新する際に制御方法をいずれの方向に更新すればよいかが明確にならない。そこで、制約条件からの逸脱の程度に応じて、例えば単調増加な関数を用いた罰則を与えることによって、制約条件から逸脱した場合に、逸脱した度合いが小さい方の報酬が逸脱した度合いが大きい方の報酬よりも大きくなるような勾配を生成できるため、勾配に従って強化学習を行うことによって、制約条件を満たす方策を学習できることになる。

【0053】

また、配水ポンプ３３，３４の発停ではなく、配水ポンプ３３，３４をオンまたはオフにするための水位の閾値を最適化することによって、離散値の最適化の問題から、連続値の最適化の問題に変更することで、現実的な処理時間で演算を終了可能とした。すなわち、単純に、設定時刻において配水ポンプ３３，３４の発停を計画する場合、配水ポンプ３３，３４のオンとオフとの２通りに対して、時間の刻み数と、配水ポンプ３３，３４の数との累乗で算出される数の操作から、いずれの操作を選ぶかが選択される。しかしながら、所定の発停状態にある配水ポンプ３３，３４に対して、次に配水ポンプ３３，３４の発停操作を行う配水池３１，３２の水位（以下、発停水位）を決定するように制御する。これにより、オンオフの離散値の最適化問題を、配水池３１，３２の水位の連続値の最適化問題に変更できる。そのため、ニューラルネットワーク３００による推論ごとに水位を決定すれば良いことになるので、従来に比して短時間で最適解に近い解を導出できる。さらに、配水池３１，３２のそれぞれにおける水位を所定の許容範囲内に設定していることにより、制約条件からの逸脱を低減できる。さらに、連続値から所定の制御を選択する場合、離散値から所定の制御を選択する場合に比して、推論ごとのばらつきが少なくなるため、安定した運転計画をたてることができる。

【0054】

以下に説明する本実施形態による配水池の運転管理方法は、本発明者による以上の鋭意検討によって案出されたものである。図３は、本実施形態による配水池の運転管理方法を説明するためのフローチャートである。なお、運転管理装置２０は、ネットワーク２を通じて、常時または適時、配水池３１，３２から水位情報を取得しているとともに、配水ポンプ３３，３４から発停情報を取得し、取得した水位情報および発停情報を記憶部２２に格納している。また、学習装置１０と運転管理装置２０と配水池系３０との間における情報の送受信、供給、または取得は、ネットワーク２を介して行われるが、都度の説明は省略する。

【0055】

図３に示すように、ステップＳＴ１において学習装置１０の制御部１１における状態入力部１１４は、配水池系３０に関する情報を貯留入力データとして取得する。入力データの一例としての貯留入力データは、例えば配水ポンプ３３，３４のオンオフなどの離散値を含む。具体的に、状態入力部１１４は、運転管理装置２０から、水位情報および発停情報を取得する。状態入力部１１４は、運転管理装置２０の制御部２１における運転計画部２１１によって、運転計画データベース２２１から、所定時間、例えば４８時間におけるそれぞれの需要家３５，３６が使用する水道水の量の予測値の情報（以下、需要予測情報）を取得する。需要予測情報は、換言すると、時刻に沿った、配水池３１，３２から排出される水道水の排出量の予測値である。状態入力部１１４は、適時、所定の電力供給事業者などの事業者サーバから、具体的に配水ポンプ３３，３４に電力を供給している電力供給事業者の事業者サーバ（図示せず）から、所定時刻における電力料金単価の情報（以下、料金情報）を取得する。状態入力部１１４は、常時または適時、所定の時刻サーバ（図示せず）から現在時刻の情報（以下、時刻）を取得する。なお、状態入力部１１４は、水位情報、発停情報、需要予測情報、料金情報、および時刻のうちの、全ての情報を取得しても、水位情報を含む一部の情報のみを取得しても良い。さらに、その他の情報を取得することも可能である。

【0056】

次に、ステップＳＴ２に移行して制御部１１の演算部１１６は、取得したデータに対して、複数の互いに異なるノイズを付加する。具体的には、図２に示すように、演算部１１６は、例えば取得した複数の配水池３１，３２における複数の水位情報のうちの、少なくとも１つの水位情報に対して、互いに異なる複数のノイズを付加する。本実施形態においては、これらのノイズは、正規分布、いわゆるガウス雑音に基づいて選択されるが、例えば一様分布などの他の分布に基づいたノイズ、他の分布に基づいて選択することも可能である。水位情報に対して互いに異なる複数のノイズを付加することにより、１つの水位情報に対して複数のノイズ付加データが、ノイズ付加水位情報として生成される。同様に、取得した複数の配水ポンプ３３，３４における複数の発停情報のうちの、少なくとも１つの発停情報に対して、互いに異なる複数のノイズを付加する。これにより、１つの発停情報に対して複数のノイズ付加データが、ノイズ付加発停情報として生成される。さらに、需要予測情報に対しても同様に、少なくとも１つの需要予測情報に対して、複数のノイズ付加需要予測情報が生成される。なお、演算部１１６による情報に対するノイズの付加は、水位情報、発停情報、および需要予測情報の全ての情報に対して行っても良く、これらの情報から選択した情報に対してのみ行っても良い。また、演算部１１６は、必要に応じて、料金情報や時刻に対しても、複数の互いに異なるノイズを付加して、複数のノイズ付加料金情報や、複数のノイズ付加時刻を生成しても良い。すなわち、状態入力部１１４が取得した種々の情報のうちの、少なくとも１つの情報に対してノイズを付加すれば良い。

【0057】

次に、図３のステップＳＴ３に移行して、学習装置１０の制御部１１における学習部１１１は、記憶部１２からニューラルネットワーク１２２を読み出し、複数のノイズ付加データをニューラルネットワーク１２２に入力する。なお、学習部１１１は、強化学習による機械学習によって生成された学習モデル１２１を読み出して、複数のノイズ付加データを学習モデル１２１に入力しても良い。学習モデル１２１またはニューラルネットワーク１２２によって、制御部１１の学習部１１１は、入力した複数のノイズ付加データにそれぞれ対応した、複数の推論結果データ３２１を出力する（図２参照）。

【0058】

その後、ステップＳＴ４に移行して、複数の推論結果データ３２１がシミュレータ部１１７によって実行されるシミュレータ３４０（図２参照）に入力される。シミュレータ３４０は、複数の推論結果データ３２１に対応した複数の評価値３３０を出力する。複数の評価値３３０は、制御部１１の判定部１１２によって実行されるセレクタ３５０に入力される。セレクタ３５０は、複数の評価値３３０から、例えば、最も評価値が高い評価値３３０、または所定の評価値に最も近い評価値３３０などの所定条件に基づいて、少なくとも１つの評価値３３０を選択する。なお、複数の評価値３３０が所定条件を満たしていない場合には、ステップＳＴ２に復帰してノイズの付加を改めて行っても良い。続いて、制御部１１の行動選択部１１３は、複数の推論結果データ３２１から、セレクタ３５０が選択した評価値に対応した少なくとも１つの推論結果データ３２１を最終の推論結果データ３２０として選択する。ここで、最終の推論結果データ３２０は、それぞれの配水ポンプ３３，３４の発停の切り換えを行うタイミングであったり、発停の切り換えを行う配水池３１，３２の水位であったり、それぞれの配水ポンプ３３，３４の発停のパターンであったりする。

【0059】

続いて、ステップＳＴ５に移行して学習装置１０の通信部１３は、制御部１１によって導出された最終の推論結果データ３２０を、貯留推論結果データとして運転管理装置２０に送信する。運転管理装置２０の運転制御部２１２は、取得した貯留推論結果データ（最終の推論結果データ３２０）に基づいて、配水池系３０の配水ポンプ３３，３４の運転、すなわち発停を制御する。配水池系３０における配水ポンプ３３，３４の発停によって得られるそれぞれの配水池３１，３２の水位は、水位情報として常時または適時、運転管理装置２０に送信される。同様に、配水ポンプ３３，３４の動作のオンオフも、発停情報として常時または適時、運転管理装置２０に送信される。運転管理装置２０が取得したそれぞれの配水池３１，３２の水位情報や、それぞれの配水ポンプ３３，３４の発停情報は、運転管理装置２０の記憶部２２における運転情報データベース２２２に格納される。

【0060】

次に、ステップＳＴ６に移行して、運転制御部２１２は、取得したそれぞれの配水池３１，３２における水位情報に基づいて、それぞれの配水池３１，３２の水位が許容範囲内であるか否かを判定する。なお、それぞれの配水池３１，３２の水位の許容範囲は、配水池３１，３２ごとにそれぞれ設定されている。運転制御部２１２は、配水ポンプ３３，３４の発停に応じたそれぞれの配水池３１，３２における水位が、許容範囲から逸脱したか否かを配水池３１，３２ごとに確認する。また、運転制御部２１２は、許容範囲から逸脱した場合には、許容範囲からどの程度逸脱したか、すなわち、それぞれの配水池３１，３２の水位が、許容範囲の上限よりどの程度高いか、許容範囲の下限よりどの程度低いかを、逸脱レベルとして導出する。同様に、運転制御部２１２は、配水ポンプ３３，３４の発停回数や使用電力料金が、許容範囲からどの程度逸脱したかに応じて、逸脱レベルを導出する。運転制御部２１２によって導出された逸脱レベルは、運転管理装置２０から、学習装置１０に送信される。

【0061】

学習装置１０の環境部１１５は、取得した逸脱レベルに基づいて、強化学習の報酬に関する罰則を導出する。具体的に環境部１１５は、取得した逸脱レベルが大きいほど、線形的に減点が大きくなるように、換言すると報酬が少なくなるように、報酬を設定する。また、環境部１１５は、配水池３１，３２の制約条件である水位の許容範囲を維持しつつ、運転を所定時間、例えば１時間継続できた場合に、正の報酬を設定する。さらに、環境部１１５は、配水池系３０の配水ポンプ３３，３４の発停回数や使用電力料金に応じて、逸脱レベルが大きくなるに従って罰則が大きくなるように、報酬を設定する。

【0062】

次に、ステップＳＴ７に移行して、学習部１１１は、環境部１１５が設定した報酬を取得して、強化学習における報酬とする。これにより、学習部１１１の強化学習における機械学習が進み、配水池系３０の運転制御に関して、より適切な推論結果、すなわち配水ポンプ３３，３４の発停のパターンを最適化させることができる。

【0063】

図４は、上述した入力データにノイズを付加した一実施形態による配水池系の運転管理方法による、運転時間に沿った制御継続時間を示すグラフである。図５は、比較例としての入力データにノイズを付加することなく、強化学習を用いた従来技術による配水池系の運転管理方法による、運転時間に沿った制御継続時間を示すグラフである。なお、制御継続時間とは、配水池３１，３２の水位を、水位の許容範囲内に維持した状態で運転を継続できた時間であり、図４および図５に示す例では、運転継続時間の上限を２４時間（１日）とした。

【0064】

図４から、一実施形態による運転管理方法においては、配水池３１，３２の水位を所定の水位の許容範囲内に維持した状態で、１９００時間程度まで配水池系３０の運転を継続することができたことが分かる。図４に示す例では、約１９００時間の運転において、配水池３１，３２の制約条件、すなわち水位の許容範囲を維持した運転ができたことが確認された。これに対し、図５から、従来技術による運転管理方法においては、配水池３１，３２の水位が、所定の水位の許容範囲から逸脱していることが分かる。図５に示す例では、約１９００時間の運転において、１１０時間程度、水位の許容範囲を逸脱して、配水池３１，３２の制約条件を逸脱した運転になったことが確認された。

【0065】

すなわち、従来技術においては、安定して運転できたのは、（（１９００－１１０）／１９００＝）９４．２％程度である。このように、強化学習によって生成された学習モデルや、教師あり学習または半教師あり学習などによって生成された学習モデルを、より精度良く構築したとしても、安定した運転を１００％継続することは極めて困難であるのに対し、入力データにノイズを付加する本実施形態による運転管理方法によれば、配水池系３０の運転を安定して行うことができる。なお、入力データにノイズを付加することによって、出力される推論結果の精度を向上させる対象としては、配水池系３０などに限定されず、貯留ピットおよび焼却炉などを備えた廃棄物処理施設や、橋梁などの建築構造物など、種々の対象に適用可能である。

【0066】

図６は、一実施形態による配水池系の運転管理方法による、運転時間に沿った制御スコアを示すグラフである。なお、一実施形態による運転管理方法においては、セレクタ３５０によって例えば２０未満の評価値の推論結果を排除している。図７は、比較例としての従来技術による配水池系の運転管理方法による、運転時間に沿った制御スコアを示すグラフである。なお、図６および図７に示す制御スコアは、上述した制約条件である水位の許容範囲内での運転を継続できたか否かの運転継続性、使用電力料金、配水ポンプ３３，３４の発停回数に基づいて算出される。例えば、運転継続性は、水位の許容範囲内での運転を１時間継続した場合に１点とし、継続できなかった場合には水位の許容範囲から逸脱した大きさ応じた点数を減点した。また、発停回数が所定回数を超えたり、使用電力料金が所定の料金を超えたりした場合には、超えた回数や金額に応じた点数を減点した。なお、減点は、水位の許容範囲から逸脱した大きさに応じて、線形的な点数が好ましいが、指数的な点数や、対数的な点数や、多項式的な点数としても良い。また、制御スコアは、報酬または評価値とも言われる。

【0067】

図６から、一実施形態による配水池系３０の運転管理方法においては、制御スコアを２０点以上２３点以下の範囲に収めることが可能であることが分かる。これに対し、図７から、従来技術による配水池系３０の管理方法においては、制御スコアが２０未満、さらには－１０程度まで低下することが分かる。すなわち、上述した一実施形態による運転管理方法によれば、従来に比して配水池系３０の運転のさらなる最適化を実現可能であることが分かる。

【0068】

（変形例）
次に、上述した一実施形態による情報処理方法の変形例について説明する。図８は、一実施形態の変形例による、入力データから推論結果を導出する方法を説明するための図である。図８に示すように、変形例による運転管理方法においては、上述した一実施形態と異なり、ニューラルネットワークが第１推論結果データ３２１－１～第ｎ推論結果データ３２１－ｎを出力した後、これらの第１推論結果データ３２１－１～第ｎ推論結果データ３２１－ｎは、アンサンブル３６０に入力される。アンサンブル３６０は、例えばバギング、ブースティング、またはスタッキングなどのアルゴリズムに基づいて学習部１１１により実行され、複数の推論結果データ３２１を組み合わせて多数決的に推論を行う。分類や回帰など推定問題においては、複数の出力を用いたアンサンブル学習によって精度を向上させることができる。一実施形態の変形例の場合、ノイズを付加した複数のノイズ付加入力データ３１１－１～３１１－ｎから、それらのデータに対応した複数の推論結果データ３２１－１～３２１－ｎを取得し、アンサンブル学習によってより精度の高い推論結果を得る最終の推論結果データ３２０として得ることができる。その他の情報処理方法については、一実施形態と同様である。なお、アンサンブル学習以外の学習型の対象物認識アルゴリズムを用いることも可能である。

【0069】

以上説明した一実施形態によれば、入力データに互いに異なる複数のノイズを付加して複数のノイズ付加データを生成し、複数のノイズ付加データをニューラルネットワークに入力して、複数のノイズ付加データのそれぞれに対応した複数の推論結果データを取得し、取得した複数の推論結果データに基づいて、最終の推論結果データを出力していることにより、入力データをニューラルネットワークに入力させて得られる推論結果データの精度をさらに向上させることが可能となる。

【0070】

（記録媒体）
上述の一実施形態において、学習装置１０や運転管理装置２０が実行する処理方法を実行させるプログラムを、コンピュータその他の機械やウェアラブルデバイスなどの装置（以下、コンピュータなど、という）が読み取り可能な記録媒体に記録することができる。コンピュータなどに、この記録媒体のプログラムを読み込ませて実行させることにより、当該コンピュータなどが移動体制御装置として機能する。ここで、コンピュータなどが読み取り可能な記録媒体とは、データやプログラムなどの情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータなどから読み取ることができる非一時的な記録媒体をいう。このような記録媒体のうちのコンピュータ等から取り外し可能なものとしては、例えばフレキシブルディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＣＤ－Ｒ／Ｗ、ＤＶＤ、ＢＤ、ＤＡＴ、磁気テープ、フラッシュメモリなどのメモリカードなどがある。また、コンピュータなどに固定された記録媒体としてハードディスク、ＲＯＭなどがある。さらに、ＳＳＤは、コンピュータなどから取り外し可能な記録媒体としても、コンピュータなどに固定された記録媒体としても利用可能である。

【0071】

また、一実施形態による学習装置１０、および運転管理装置２０に実行させるプログラムは、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。

【0072】

（その他の実施形態）
一実施形態においては、上述した「部」を、「回路」などに読み替えることができる。例えば、制御部は、制御回路に読み替えることができる。

【0073】

なお、本明細書におけるフローチャートの説明では、「まず」、「次に」、「その後」、「続いて」などの表現を用いてステップ間の処理の前後関係を明示していたが、本実施の形態を実施するために必要な処理の順序は、それらの表現によって一意的に定められるわけではない。すなわち、本明細書で記載したフローチャートにおける処理の順序は、矛盾のない範囲で変更することができる。

【0074】

さらなる効果や変形例は、当業者によって容易に導き出すことができる。本開示のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付のクレームおよびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

【符号の説明】

【0075】

１ 運転管理システム
２ ネットワーク
１０ 学習装置
１１，２１ 制御部
１２，２２ 記憶部
１３，２３ 通信部
１４，２４ 出力部
１５，２５ 入力部
２０ 運転管理装置
３０ 配水池系
３１，３２ 配水池
３３，３４ 配水ポンプ
３５，３６ 需要家
１１１ 学習部
１１２ 判定部
１１３ 行動選択部
１１４ 状態入力部
１１５ 環境部
１１６ 演算部
１１７ シミュレータ部
１２１ 学習モデル
１２２，３００ ニューラルネットワーク
２１１ 運転計画部
２１２ 運転制御部
２２１ 運転計画データベース
２２２ 運転情報データベース
３０１ 入力層
３０２ 中間層
３０３ 出力層
３１０ 入力データ
３１１－１ 第１ノイズ付加データ
３１１－２ 第２ノイズ付加データ
３１１－３ 第３ノイズ付加データ
３１１－ｎ 第ｎノイズ付加データ
３２０，３２１ 推論結果データ
３２１－１ 第１推論結果データ
３２１－２ 第２推論結果データ
３２１－３ 第３推論結果データ
３２１－ｎ 第ｎ推論結果データ
３３０ 評価値
３３０－１ 第１評価値
３３０－２ 第２評価値
３３０－３ 第３評価値
３３０－ｎ 第ｎ評価値
３４０ シミュレータ
３５０ セレクタ
３６０ アンサンブル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】