(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】2024-09-30
(45)【発行日】2024-10-08
(54)【発明の名称】制御プログラム、装置、及び方法
(51)【国際特許分類】
G05B 13/02 20060101AFI20241001BHJP
【ＦＩ】
G05B13/02 A
【請求項の数】
7
(21)【出願番号】P 2021028660
(22)【出願日】2021-02-25
(65)【公開番号】P2022129824
(43)【公開日】2022-09-06
【審査請求日】2023-11-09
(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】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】飯村 由信
【審査官】渡邊 捷太郎
(56)【参考文献】
【文献】特開２０２０－１３５７５７（ＪＰ，Ａ）
【文献】特開平０９－２４０９３４（ＪＰ，Ａ）
【文献】特開２０１８－０６３５８６（ＪＰ，Ａ）
【文献】特開２０１９－０７３１７７（ＪＰ，Ａ）
【文献】特開２００７－２３３６３４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ １３／０２
(57)【特許請求の範囲】
【請求項1】
システムによる制御に応じて変動する対象の実績を取得し、前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する処理をコンピュータに実行させる制御プログラムであって、
前記重みを算出する処理は、過去の所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係に基づいて、今回取得された前記実績に対応する重みを算出することを含み、
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
ことを特徴とする制御プログラム。
【請求項2】
前記重みを算出する処理は、前記関係において、今回取得された実績と最も近い実績に対応付けられた前記重みを取得することを含むことを特徴とする請求項１に記載の制御プログラム。
【請求項3】
前記制御値を算出する処理は、前記実績に応じた前記対象の予測値と前記重みとに基づいて、前記制御値を算出することを含むことを特徴とする請求項１又は請求項２に記載の制御プログラム。
【請求項4】
前記制御値を算出する処理は、機械学習により生成されたモデルと、前記実績と、前記制御値とに基づいて、前記予測値を予測することを含むことを特徴とする請求項３に記載の制御プログラム。
【請求項5】
前記制御値を算出する処理は、前記対象の予測値が前記特定の範囲に収まるように最適化するための項と、前記制御値の入力計画を最適化するための項とを含む目的関数を最適化することを含むことを特徴とする請求項３又は請求項４に記載の制御プログラム。
【請求項6】
システムによる制御に応じて変動する対象の実績を取得し、前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する処理を実行する制御部を含み、
前記重みを算出する処理は、過去の所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係に基づいて、今回取得された前記実績に対応する重みを算出することを含み、
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
ことを特徴とする制御装置。
【請求項7】
システムによる制御に応じて変動する対象の実績を取得し、前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する処理をコンピュータが実行する制御方法であって、
前記重みを算出する処理は、過去の所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係に基づいて、今回取得された前記実績に対応する重みを算出することを含み、
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
ことを特徴とする制御方法。
【発明の詳細な説明】
【技術分野】
【0001】
開示の技術は、制御対象の制御の技術分野に関する。
【背景技術】
【0002】
従来、機械学習等により生成されたモデルによる予測結果を用いて、制御対象のデータが目標範囲内となるように制御する技術が存在する。
【0003】
例えば、フィードバック処理部を備え、制御対象の状態量又は制御量の実測値をフィードバックして、最適操作量検索部における検索範囲又は予測値、内部状態推定部における推定値を実測値により補正するモデル予測制装置が提案されている。すなわち、この装置は、フィードバックされた状態量あるいは制御量の実測値に基づいて、操作量候補算出部による操作量の算出範囲を設定して無駄な演算を省略する。また、この装置は、モデル予測部への入力である操作量候補、出力である制御量、又は制御対象へ入力する最適制御量を補正し、さらには内部状態推定部からの出力を補正して、予測精度を高める。
【0004】
また、例えば、最適な操作量の計算を簡易なプラントモデルを用いたモデル予測制御によって行う内燃機関の制御装置が提案されている。この装置は、過去の所定期間における操作量の指令値又は実際値の履歴から線形プラントモデルを用いて過去所定期間における制御量の予測値の履歴を算出する。また、この装置は、過去所定期間における制御量の実際値の履歴を取得し、過去所定期間における制御量の予測値と実際値との差分の履歴に基づきＬＰＶ誤差関数のパラメータを算出する。そして、この装置は、ＬＰＶ誤差関数により線形プラントモデルを修正し、修正線形プラントモデルを用いたモデル予測制御によって次回ステップ又はそれ以降の所定期間における操作量の指令値を算出する。
【0005】
また、例えば、血糖値センサと、インスリン注入デバイスと、生理学的モデルから患者の血糖値の将来の進展を予測し、その予測を考慮することによってインスリン注入デバイスを制御する制御ユニットとを備えたシステムが提案されている。制御ユニットは、過去の観測期間中にセンサによって測定された血糖値の履歴を考慮することにより、生理学的モデルの自動較正のステップを実施する。また、制御ユニットは、較正ステップの最後に、モデルに基づいて推定された血糖値とセンサによって測定された実際の血糖値との間の誤差を表す少なくとも１つの数値指標に基づいて、モデルが十分なものであるか否かを判定する。制御ユニットは、モデルの品質が十分なものでない場合は、モデルから行われた予測を考慮せずにインスリン注入デバイスを制御する。
【先行技術文献】
【特許文献】
【0006】
【文献】特開２００６－１７２３６４号公報
【文献】特開２０１３－１４２３７６号公報
【文献】米国特許出願公開第２０２０／００１５７３８号明細書
【発明の概要】
【発明が解決しようとする課題】
【0007】
モデルによる予測結果を用いて、制御対象のデータが目標範囲内となるように制御する場合において、制御対象のデータが目標範囲に収まらない場合がある。この原因の１つとして、モデルの予測が外れていることが挙げられる。この場合、制御対象のデータを目標範囲に収めるために、モデルを精緻化して予測精度を向上させることが考えられる。しかしながら、例えば統計的手法によりモデルを精緻化する場合等、モデルの予測精度を向上させるためには、大量の訓練データ及び処理量が必要であり、制御対象の制御中に適応的に対応することができない、という問題がある。
【0008】
一つの側面として、開示の技術は、制御対象を特定の範囲内に収める制御を適応的に行うことを目的とする。
【課題を解決するための手段】
【0009】
一つの態様として、開示の技術は、システムによる制御に応じて変動する対象の実績を取得し、前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出する。また、開示の技術は、前記実績と前記重みとに基づいて、前記制御値を算出し、算出された前記制御値を前記システムに入力し、前記対象を制御する。
【発明の効果】
【0010】
一つの側面として、制御対象を特定の範囲内に収める制御を適応的に行うことができる、という効果を有する。
【図面の簡単な説明】
【0011】
【図1】制御システムの概略構成を示すブロック図である。
【図2】インスリン投与による血糖値制御の適用例を説明するための図である。
【図3】制御装置の機能ブロック図である。
【図4】対象データの実績が目標範囲内に収まらなくなる場合を説明するための図である。
【図5】重み学習部の処理を説明するための図である。
【図6】重みＤＢの一例を示す図である。
【図7】重み学習部の処理を説明するための図である。
【図8】重みＤＢに複数蓄積されたｙｉｎｉとΛとの関係の一例を示す図である。
【図9】制御装置として機能するコンピュータの概略構成を示すブロック図である。
【図10】制御処理の一例を示すフローチャートである。
【図11】重み学習処理の一例を示すフローチャートである。
【図12】制御値に対する重みの学習及び算出を行わない場合の制御結果の一例を示す図である。
【図13】制御値に対する重みの学習及び算出を行わない場合における、対象データの予測値と実績との比較を示す図である。
【図14】本実施形態による制御結果の一例を示す図である。
【発明を実施するための形態】
【0012】
以下、図面を参照して、開示の技術に係る実施形態の一例を説明する。なお、以下の実施形態では、開示の技術の適用例として、インスリン投与による血糖値制御の場合を説明するが、適用例はこれに限定されない。
【0013】
図１に示すように、本実施形態に係る制御システム１００は、制御装置１０と、計測装置３０と、処理装置３２とを含む。計測装置３０は、制御対象のデータ（以下、「対象データ」という）を計測し、出力する。処理装置３２は、制御装置１０で算出された制御値に基づいて、制御対象を制御するための所定の処理を実行する。制御装置１０は、対象データの実績を用いて、将来の対象データを予測し、予測結果に基づいて、対象データが目標範囲内に収まるように、処理装置３２に入力する制御値を算出する。なお、制御対象は、開示の技術の「対象」の一例であり、目標範囲は、開示の技術の「特定の範囲」の一例である。
【0014】
インスリン投与による血糖値制御の適用例の場合、制御対象は患者の血糖値であり、計測装置３０は、例えば、患者の血糖値を計測する血糖値計測器であり、処理装置３２は、例えば、患者にインスリンを投与するインスリンポンプである。患者の血糖値は、インスリン投与量等に応じて変動する。この適用例では、例えば図２に示すように、血糖値の実績に基づいて予測される血糖値の予測値が目標範囲の上限を超えている場合、インスリンを投与することにより血糖値を低下させ、血糖値が目標範囲内となるような制御が行われる。一方、血糖値の予測値が目標範囲の下限を超えている場合、インスリンの投与量を少なくすることにより血糖値を上昇させ、血糖値が目標範囲内となるような制御が行われる。具体的には、計測装置３０である血糖値計測器で計測された患者の血糖値に基づいて、制御装置１０が、インスリン投与量を示す制御値を算出する。そして、算出された制御値に基づいて、処理装置３２であるインスリンポンプにより、患者にインスリンが投与される。なお、図２上段の図の棒グラフが対象データである血糖値の実績を表している。また、この適用例では、目標範囲は、例えば、許容される血糖値の範囲である。また、図２には、血糖値に影響を与える摂取炭水化物量のデータも含まれているが、ここでは説明を省略する。
【0015】
制御装置１０は、機能的には、図３に示すように、取得部１１と、予測部１２と、重み学習部１３と、重み算出部１４と、制御値算出部１５とを含む。また、制御装置１０の所定の記憶領域には、予測モデル２１と、重みＤＢ（Database）２２とが記憶される。
【0016】
取得部１１は、制御システム１００による制御に応じて変動する対象の実績を取得する。具体的には、取得部１１は、計測装置３０により計測された対象データを取得する。取得部１１は、取得した対象データを、予測部１２、重み学習部１３、及び重み算出部１４の各々に受け渡す。
【0017】
予測部１２は、予測モデル２１と、取得部１１から受け渡された対象データの実績と、後述する制御値算出部１５により算出された制御値とに基づいて、制御対象を制御する時刻以降の時刻における対象データの値（以下、「予測値」という）を予測する。以下では、制御対象を制御する時刻を「制御時刻」という。また、本実施形態では、制御値の算出時刻、制御値が処理装置３２に入力される時刻、及び処理装置３２により制御対象を制御する処理が実行される時刻は同一であるものとし、いずれもその時刻を制御時刻という。予測モデル２１は、ある時刻における対象データの実績及び制御値を入力した場合に、その時刻以降の対象データの予測値を出力するように、予め機械学習により生成されている。例えば、予測モデル２１は、下記（１）式及び（２）式の制約の下、予測値を出力するものとしてよい。
【0018】
ｘｋ＋１＝Ａｘｋ＋Ｂｕｋ （１）
ｙｋ＝Ｃｘｋ （２）
ｋは、時刻を示すインデックスである。以下では、インデックスｋで示される時刻を「時刻ｋ」という。ｙｋは、時刻ｋにおける対象データの実績、ｕｋは、時刻ｋの制御値、ｘｋは、時刻ｋにおける対象データの予測値である。また、Ａ、Ｂ、及びＣは、機械学習により定められたパラメータ行列である。予測部１２は、予測モデル２１を用いて、制御時刻以降の複数の時刻の各々における対象データの予測値を予測する。すなわち、予測部１２は、対象データの長期予測を実行する。例えば、予測部１２は、長期予測の周期をｈとし、時刻ｋ、ｋ＋１、・・・、ｋ＋ｈの各々における対象データの予測値ｘｋ＋ｉ（ｉ＝０，１，・・・，ｈ）を予測する。予測部１２は、予測した対象データの予測値を、制御値算出部１５へ受け渡す。
ｙｋ＝Ｃｘｋ （２）
ｋは、時刻を示すインデックスである。以下では、インデックスｋで示される時刻を「時刻ｋ」という。ｙｋは、時刻ｋにおける対象データの実績、ｕｋは、時刻ｋの制御値、ｘｋは、時刻ｋにおける対象データの予測値である。また、Ａ、Ｂ、及びＣは、機械学習により定められたパラメータ行列である。予測部１２は、予測モデル２１を用いて、制御時刻以降の複数の時刻の各々における対象データの予測値を予測する。すなわち、予測部１２は、対象データの長期予測を実行する。例えば、予測部１２は、長期予測の周期をｈとし、時刻ｋ、ｋ＋１、・・・、ｋ＋ｈの各々における対象データの予測値ｘｋ＋ｉ（ｉ＝０，１，・・・，ｈ）を予測する。予測部１２は、予測した対象データの予測値を、制御値算出部１５へ受け渡す。
【0019】
制御値算出部１５は、予測部１２から受け渡された予測値と、重み（詳細は後述）とに基づいて、制御値を算出する。具体的には、制御値算出部１５は、対象データの予測値が目標範囲に収まるように最適化するための項と、制御値の入力計画を最適化するための項とを含む目的関数を最適化することにより、制御値を算出する。例えば、目的関数は、下記（３）式としてよい。
【0020】
【数1】
【0021】
（３）式の第１項は、上述の対象データの予測値が目標範囲に収まるように最適化するための項であり、第２項は、制御値の入力計画を最適化するための項である。Ｎは、時刻ｋ～ｋ＋ｈの間における制御値の入力計画の最後の入力タイミングを表す。例えば、時刻ｋ、ｋ＋ｊ、ｋ＋Ｎで制御値を入力する場合、第２項のｉは、ｉ＝０，ｊ，Ｎである。Ｑは対象データの予測値に対する重みであり、Ｒは制御値に対する重みであり、Ｔは転置を表す。制御値算出部１５は、予測部１２から受け渡された対象データの予測値ｘｋ＋ｉ（ｉ＝０，１，・・・，ｈ）、及び重み算出部１４から受け渡された重みＲを（３）式の目的関数に代入し、目的関数が最小となる制御値ｕｋ＋ｉを算出する。
【0022】
制御値算出部１５は、算出した制御値ｕｋ＋ｉのうち、制御時刻である時刻ｋについての制御値ｕｋを出力し、処理装置３２へ入力することにより、制御対象を制御する。また、制御値算出部１５は、算出した制御値ｕｋ＋ｉを、次の制御時刻での対象データの長期予測に利用するために、予測部１２へ受け渡す。
【0023】
ここで、制御値算出部１５で算出される制御値が適切でない場合、図４に示すように、対象データの実績が目標範囲内に収まらなくなる。図４の例では、制御値が大きいほど、対象データの値が低下する制御対象の例を示している。例えば、インスリン投与による血糖値制御のように、インスリンの投与により、制御対象である血糖値が低下するような例である。この例では、時刻ｔ３に入力された制御値が大き過ぎたために、対象データの実績が低下し過ぎて、目標範囲を大きく下回ったと考えられる。このように、対象データの実績が目標範囲を超えてしまうような制御値が算出されてしまう原因は、対象データの長期予測が外れていることであると考えられる。
【0024】
そこで、対象データを目標範囲内に収めるために、単純に想定される方法としては、予測部１２による対象データの長期予測の精度を向上させることが考えられる。予測精度の向上のためには、例えば、統計的なアプローチで予測モデル２１を精緻化することが考えられる。しかし、このアプローチには、予測モデル２１の機械学習を実行するための大量の訓練データが必要となる。例えば、（１）式及び（２）式を制約とする予測モデル２１の場合、決定すべきパラメータ数は、パラメータ行列Ａ、Ｂ、及びＣの各要素の合計数となる。例えば、ｘｋが４次元の場合、Ａは４×４要素、Ｂは４×１要素、Ｃは４×１要素であり、計２４個のパラメータを決定する必要がある。このように多くのパラメータを決定するための大量の訓練データを収集するには、ある程度時間を要する。制御対象によっては、十分な数の訓練データが収集される前に適応的に対応したい場合がある。例えば、インスリン投与による血糖値制御の適用例では、血糖値が高血糖側に目標範囲を超える場合には、動脈硬化により脳梗塞、心筋梗塞、壊疽等を引き起こす可能がある。また、血糖値が低血糖側に目標範囲を超える場合には、低血糖により直接生命の危機に陥る可能性がある。このような事態を回避するためには、対象データを目標範囲内に収めるための適応的な対応が必要である。
【0025】
そこで、本実施形態に係る制御装置１０は、今回の制御時刻より前の過去の制御実績に基づいて、制御値を算出する最適化問題を介して、直接制御値を適応的に補正する。具体的には、制御装置１０は、最適化における制御値に対する重み、例えば（３）式の目的関数の場合ではＲを補正する。上述のように、制御値ｕｋが大き過ぎる又は小さ過ぎることが、対象データが目標範囲外となってしまう原因であるため、Ｒを介してｕｋを調整するものである。より具体的には、制御装置１０は、（３）式の例では、Ｒが大きくなるとｕｋが小さくなり、Ｒが小さくなるとｕｋが大きくなることを利用して、Ｒを補正する。この場合、補正するパラメータは１つであるため、上記のように、統計的なアプローチで予測モデル２１を精緻化する場合に比べ、適応的な対応が可能となる。以下、重みの算出に関する重み学習部１３及び重み算出部１４の各々について詳述する。
【0026】
重み学習部１３は、所定の時刻における対象データの実績と、その実績に対応する重みとの関係を学習する。すなわち、この関係は、所定の時刻における対象データの実績によって、その時刻に算出される制御値に対する重みを決定するためのものである。重み学習部１３は、この関係に定める重みとして、所定の時刻から所定期間分の実績に基づいて補正された重みを用いる。具体的には、重み学習部１３は、制御時刻毎に、既に学習済みの関係において、制御時刻の所定期間前の時刻の実績と最も近い値の実績に対応付けられた重みを特定する。そして、重み学習部１３は、特定した重みを、制御時刻の所定期間前の時刻から所定期間分の実績と目標範囲との比較に応じて補正した重みと、制御時刻の所定期間前の時刻との対応を、既に学習済みの関係に追加する。
【0027】
重み学習部１３の処理をより具体的に説明する。重み学習部１３は、図５に示すように、制御時刻ｋの１周期（ｈ）前の時刻ｋ－ｈにおける対象データの実績をｙｉｎｉ（ｋ）とし、時刻ｋにおける対象データの実績をｙｋとする。そして、重み学習部１３は、ｙｉｎｉ（ｋ）を、時刻のインデックスｋと対応付けて、重みＤＢ２２に記憶する。図６に、重みＤＢ２２の一例を示す。図６の例では、重みＤＢ２２には、時刻のインデックスに対応付けて、その時刻におけるｙｉｎｉと、重みΛとが記憶されている。なお、重みＤＢ２２における重みは、制御時刻における制御値の算出に用いる重みＲと区別するために、「Λ（ラムダ）」の記号を用いている。ここでは、図６の上段の図の破線部に示すように、ｋとｙｉｎｉ（ｋ）とが対応付けて重みＤＢ２２に記憶される。
【0028】
重み学習部１３は、重みＤＢ２２に記憶されたｙｉｎｉのうち、ｙｉｎｉ（ｋ）と最も近い値のｙｉｎｉ（ｉｎｄ１）に対応する重みΛ（ｉｎｄ１）を特定する。なお、ｉｎｄ１は、ｙｉｎｉ（ｋ）と最も近い値のｙｉｎｉに対応する時刻のインデックスである。例えば、制御時刻ｋ＝４であり、重みＤＢ２２に既に、ｋ＝１，２，３のｙｉｎｉ（ｋ）及びΛ（ｋ）が記憶されている場合の、ｙｉｎｉ（ｋ）とΛ（ｋ）との関係を図７に示す。図７では、黒丸が、重みＤＢ２２に既に記憶されているｙｉｎｉ（ｋ）とΛ（ｋ）（ｋ＝１，２，３）との関係を表している。この場合、重み学習部１３は、図７中の白丸で示すように、ｙｉｎｉ（４）と値が最も近いｙｉｎｉ（１）に対応するΛ（１）を特定し、一旦Λ（４）として採用する。
【0029】
重み学習部１３は、図５に示すように、時刻ｋ－ｈ～時刻ｋの期間の対象データの実績が目標範囲の上限を超えている度合いを示す指標α、及び目標範囲の下限を超えている度合いを示す指標βを算出する。指標αは、図５の斜線部分の面積に応じた値としてよい。指標βは、図５の網掛部分の面積に応じた値としてよい。例えば、指標αは、下記（４）式に示すように、時刻ｋ－ｈ～時刻ｋの期間の各時刻ｒにおける対象データの実績ｙｒのうち、目標範囲の上限Ｕを上回る実績の二乗平均誤差としてよい。同様に、指標βは、下記（５）式に示すように、対象データの実績ｙｒのうち、目標範囲の下限Ｌを下回る実績の二乗平均誤差としてよい。
【0030】
α＝｜｜ｙｒ（ｙｒ＞Ｕ）－Ｕ｜｜ （４）
β＝｜｜Ｌ－ｙｒ（ｙｒ＜Ｌ）｜｜ （５）
なお、（４）式のｙｒ（ｙｒ＞Ｕ）は、上限Ｕを上回るｙｒを表し、（５）式のｙｒ（ｙｒ＜Ｌ）は、下限Ｌを下回るｙｒを表す。
β＝｜｜Ｌ－ｙｒ（ｙｒ＜Ｌ）｜｜ （５）
なお、（４）式のｙｒ（ｙｒ＞Ｕ）は、上限Ｕを上回るｙｒを表し、（５）式のｙｒ（ｙｒ＜Ｌ）は、下限Ｌを下回るｙｒを表す。
【0031】
重み学習部１３は、特定したΛ（ｉｎｄ１）を、算出した指標α及び指標βに基づいて補正し、重みＤＢ２２に記憶するためのΛ（ｋ）を算出する。具体的には、重み学習部１３は、指標αの大きさに応じて、対象データが小さくなるようにΛ（ｉｎｄ１）を補正し、指標βの大きさに応じて、対象データが大きくなるようにΛ（ｉｎｄ１）を補正する。インスリン投与による血糖値制御の適用例のように、制御値が大きくなるほど対象データが小さくなる場合、重み学習部１３は、指標αが大きいほど、制御値を大きくするために、Λ（ｉｎｄ１）を小さくするように補正して、Λ（ｋ）を算出する。同様に、重み学習部１３は、指標βが大きいほど、制御値を小さくするために、Λ（ｉｎｄ１）を大きくするように補正して、Λ（ｋ）を算出する。
【0032】
例えば、重み学習部１３は、αの方がβより大きい場合（βが０の場合を含む）には、下記（６）式により、補正後のΛ（ｋ）を算出してよい。また、重み学習部１３は、βの方がαより大きい場合（αが０の場合を含む）には、下記（７）式により、補正後のΛ（ｋ）を算出してよい。また、重み学習部１３は、α及びβが共に０の場合、すなわち、時刻ｋ－ｈ～時刻ｋの期間の各時刻ｒにおける対象データの実績ｙｒがいずれも目標範囲内の場合、下記（８）式に示すように、Λ（ｉｎｄ１）をそのままΛ（ｋ）としてよい。
【0033】
α＞β≧０の場合
Λ（ｋ）
＝Λ（ｉｎｄ）＋（α－β）／Ｎ１×（０－Λ（ｉｎｄ１）） （６）
β＞α≧０の場合
Λ（ｋ）
＝Λ（ｉｎｄ）＋（β－α）／Ｎ２×（Ｒｍａｘ－Λ（ｉｎｄ１）） （７）
α＝０かつβ＝０の場合
Λ（ｋ）＝Λ（ｉｎｄ） （８）
Λ（ｋ）
＝Λ（ｉｎｄ）＋（α－β）／Ｎ１×（０－Λ（ｉｎｄ１）） （６）
β＞α≧０の場合
Λ（ｋ）
＝Λ（ｉｎｄ）＋（β－α）／Ｎ２×（Ｒｍａｘ－Λ（ｉｎｄ１）） （７）
α＝０かつβ＝０の場合
Λ（ｋ）＝Λ（ｉｎｄ） （８）
【0034】
なお、Ｎ１及びＮ２の各々は規格化定数である。また、Ｒｍａｘは、重みＲとして設定可能な最大値である。なお、上記のΛ（ｋ）の算出方法や場合分けは一例であり、これらは、制御対象の性質等に応じて適宜変更可能である。例えば、インスリン投与による血糖値制御の適用例の場合、低血糖となる場合、すなわち対象データが目標範囲を下回る場合のリスクが大きいため、α＞βであっても、β＞０であれば、下記（９）式を採用してもよい。
Λ（ｋ）
＝Λ（ｉｎｄ）＋β／Ｎ２×（Ｒｍａｘ－Λ（ｉｎｄ１）） （９）
Λ（ｋ）
＝Λ（ｉｎｄ）＋β／Ｎ２×（Ｒｍａｘ－Λ（ｉｎｄ１）） （９）
【0035】
図７に示すように、上述の制御時刻ｋ＝４の例の場合、重み学習部１３は、特定したΛ（１）（図７中の白丸）を、対象データの実績ｙｉｎｉ（４）～ｙｋが目標範囲を超えている度合いに応じて補正し、Λ（４）（図７中の網掛の丸）を算出する。重み学習部１３は、図６の下段の図の破線部に示すように、算出したΛ（ｋ）を、時刻のインデックスｋに対応付けて重みＤＢ２２に記憶する。重み学習部１３が、上記の処理を制御時刻ｋ毎に繰り返すことにより、ｙｉｎｉとΛとの関係が重みＤＢ２２に複数蓄積される。図８に、重みＤＢ２２に複数蓄積されたｙｉｎｉとΛとの関係の一例を示す。図８の例では、１つの丸が、１つのｙｉｎｉとΛとの関係を表している。
【0036】
ここで、ｙｉｎｉとΛとの関係を、関数ｆ（・）を用いて、Λ＝ｆ（ｙｉｎｉ）で表すことも考えられる。しかし、ｙｉｎｉは有限の試行回数でしか得られず、全ての連続値が得られるわけではない。また、ｆ（・）としてどのような関数を用意すればよいかは、その前提知識がないため不明である。適切な関数ｆ（・）を用いなければ、補正後のΛを適切に算出することができず、制御性能の低下を招く。一方、本実施形態に係る制御装置１０は、上記のように、制御時刻ｋにおけるｙｉｎｉ（ｋ）と最も値の近い過去のｙｉｎｉに対するΛを、対象データの実績を基に補正し、ｙｉｎｉと補正後のΛとの関係を記憶しておく。そして、制御装置１０が、この処理を制御時刻ｋ毎に繰り返すことで、任意のｆ（・）を表現することができ、制御性能の低下を抑制することができる。
【0037】
重み算出部１４は、重みＤＢ２２に記憶された、過去の対象データの実績と、その過去の実績に対応する重みとの関係に基づいて、今回取得された実績に対応する重みを算出する。具体的には、重み算出部１４は、重みＤＢ２２に記憶されたｙｉｎｉのうち、制御時刻ｋにおける対象データの実績ｙｋと最も近い値のｙｉｎｉ（ｉｎｄ２）に対応する重みΛ（ｉｎｄ２）を、制御値ｕｋを算出するために用いる重みＲとして算出する。なお、ｉｎｄ２は、ｙｋと最も近い値のｙｉｎｉに対応する時刻のインデックスである。これは、過去の制御実績に基づいて、時刻ｋ～ｋ＋ｈの対象データに応じた重みＲを算出することに相当する。
【0038】
重み算出部１４は、算出した重みＲを制御値算出部１５へ受け渡す。これにより、上述したように、制御値算出部１５により、重みＲを用いて制御値が算出される。重みＲは、重みＤＢ２２に記憶された重みΛから選択されたものであり、このΛは、対象データの実績と目標範囲とを比較して補正されたものである。そのため、重みＲを用いて制御値を算出することにより、対象データを目標範囲に収めるような制御が可能となる。
【0039】
制御装置１０は、例えば図９に示すコンピュータ４０で実現することができる。コンピュータ４０は、ＣＰＵ（Central Processing Unit）４１と、一時記憶領域としてのメモリ４２と、不揮発性の記憶部４３とを備える。また、コンピュータ４０は、入力部、表示部等の入出力装置４４と、記憶媒体４９に対するデータの読み込み及び書き込みを制御するＲ／Ｗ（Read/Write）部４５とを備える。また、コンピュータ４０は、インターネット等のネットワークに接続される通信Ｉ／Ｆ（Interface）４６を備える。ＣＰＵ４１、メモリ４２、記憶部４３、入出力装置４４、Ｒ／Ｗ部４５、及び通信Ｉ／Ｆ４６は、バス４７を介して互いに接続される。
【0040】
記憶部４３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現できる。記憶媒体としての記憶部４３には、コンピュータ４０を、制御装置１０として機能させるための制御プログラム５０が記憶される。制御プログラム５０は、取得プロセス５１と、予測プロセス５２と、重み学習プロセス５３と、重み算出プロセス５４と、制御値算出プロセスとを有する。また、記憶部４３は、予測モデル２１及び重みＤＢ２２の各々を構成する情報が記憶される情報記憶領域６０を有する。
【0041】
ＣＰＵ４１は、制御プログラム５０を記憶部４３から読み出してメモリ４２に展開し、制御プログラム５０が有するプロセスを順次実行する。ＣＰＵ４１は、取得プロセス５１を実行することで、図３に示す取得部１１として動作する。また、ＣＰＵ４１は、予測プロセス５２を実行することで、図３に示す予測部１２として動作する。また、ＣＰＵ４１は、重み学習プロセス５３を実行することで、図３に示す重み学習部１３として動作する。また、ＣＰＵ４１は、重み算出プロセス５４を実行することで、図３に示す重み算出部１４として動作する。また、ＣＰＵ４１は、制御値算出プロセス５５を実行することで、図３に示す制御値算出部１５として動作する。また、ＣＰＵ４１は、情報記憶領域６０から情報を読み出して、予測モデル２１及び重みＤＢ２２の各々をメモリ４２に展開する。これにより、制御プログラム５０を実行したコンピュータ４０が、制御装置１０として機能することになる。なお、プログラムを実行するＣＰＵ４１はハードウェアである。
【0042】
なお、制御プログラム５０により実現される機能は、例えば半導体集積回路、より詳しくはＡＳＩＣ（Application Specific Integrated Circuit）等で実現することも可能である。
【0043】
次に、本実施形態に係る制御システム１００の作用について説明する。計測装置３０により対象データの計測及び出力が開始されると、制御装置１０が、制御時刻ｋ毎に、図１０に示す制御処理を実行する。なお、制御処理は、開示の技術の制御方法の一例である。なお、以下の制御処理では、インスリン投与による血糖値制御の場合のように、制御値が大きいほど対象データが小さくなるように制御される場合を例に説明する。
【0044】
ステップＳ１０で、取得部１１が、対象データの長期予測の１周期分、すなわち時刻ｋ－ｈ～時刻ｋの各時刻における対象データの実績を取得する。次に、ステップＳ２０で、重み学習部１３が、重み学習処理を実行する。ここで、図１１を参照して、重み学習処理について説明する。
【0045】
ステップＳ２１で、重み学習部１３が、上記ステップＳ１０で取得された対象データの実績のうち、時刻ｋ－ｈにおける対象データの実績ｙｉｎｉ（ｋ）を、時刻のインデックスｋと対応付けて、重みＤＢ２２に記憶する。
【0046】
次に、ステップＳ２２で、重み学習部１３が、時刻ｋ－ｈ～時刻ｋの期間の対象データの実績ｙｉｎｉ（ｋ）～ｙｋが目標範囲の上限を超えている度合いを示す指標α、及び目標範囲の下限を超えている度合いを示す指標βを算出する。次に、ステップＳ２３で、重み学習部１３が、重みＤＢ２２に記憶されたｙｉｎｉのうち、ｙｉｎｉ（ｋ）と最も近い値のｙｉｎｉ（ｉｎｄ１）に対応する重みΛ（ｉｎｄ１）を特定する。
【0047】
次に、ステップＳ２４で、重み学習部１３が、βが０以上かつαがβより大きいか否かを判定する。すなわち、実績データが目標範囲の上限を超えている度合いが大きいか否かを判定する。α＞β≧０の場合には、ステップＳ２５へ移行し、α≦βの場合には、ステップＳ２６へ移行する。ステップＳ２５では、重み学習部１３が、制御値を大きくするために、Λ（ｉｎｄ１）を小さくするように補正して、Λ（ｋ）を算出する。
【0048】
一方、ステップＳ２６では、重み学習部１３が、αが０以上かつβがαより大きいか否かを判定する。すなわち、実績データが目標範囲の下限を超えている度合いが大きいか否かを判定する。β＞α≧０の場合には、ステップＳ２７へ移行し、α＝β＝０の場合には、ステップＳ２８へ移行する。ステップＳ２７では、重み学習部１３が、制御値を小さくするために、Λ（ｉｎｄ１）を大きくするように補正して、Λ（ｋ）を算出する。
【0049】
ステップＳ２８では、重み学習部１３が、Λ（ｉｎｄ１）をそのままΛ（ｋ）とする。なお、α＝β＞０の場合には、対象データが目標範囲の上限を超えた場合のリスクが大きい場合には、重み学習部１３が、ステップＳ２５の処理を実行するように予め定めておけばよい。また、対象データが目標範囲の下限を超えた場合のリスクが大きい場合には、重み学習部１３が、ステップＳ２７の処理を実行するように予め定めておいてもよい。さらに、上限を超えた場合のリスクと下限を超えた場合のリスクとが同等の場合には、重み学習部１３が、ステップＳ２８の処理を実行するようにしてもよい。
【0050】
次に、ステップＳ２９で、重み学習部１３が、上記ステップＳ２５、Ｓ２７、又はＳ２８で算出したΛ（ｋ）を、時刻のインデックスｋに対応付けて重みＤＢ２２に記憶し、重み学習処理を終了し、制御処理（図１０）に戻る。
【0051】
次に、ステップＳ３２で、重み算出部１４が、重みＤＢ２２に記憶されたｙｉｎｉのうち、制御時刻ｋにおける対象データの実績ｙｋと最も近い値のｙｉｎｉ（ｉｎｄ２）に対応する重みΛ（ｉｎｄ２）を、制御値ｕｋを算出するために用いる重みＲとして算出する。次に、ステップＳ３４で、予測部１２が、上記ステップＳ１０で取得された対象データの実績、及び前回の制御時刻に算出され制御値を用いて、時刻ｋ、ｋ＋１、・・・、ｋ＋ｈの各々における対象データの予測値ｘｋ＋ｉ（ｉ＝０，１，・・・，ｈ）を予測する。
【0052】
次に、ステップＳ３６で、制御値算出部１５が、上記ステップＳ３４で予測された予測値ｘｋ＋ｉと、上記ステップＳ３２で算出された重みＲとに基づいて、制御値ｕｋ＋ｉを算出する。そして、制御値算出部１５が、算出した制御値ｕｋ＋ｉのうち、ｕｋを処理装置３２へ入力することにより、制御対象を制御する。また、制御値算出部１５が、算出した制御値ｕｋ＋ｉを、次の制御時刻での対象データの長期予測に利用するために、予測部１２へ受け渡し、制御処理は終了する。
【0053】
以上説明したように、本実施形態に係る制御システムによれば、制御装置が、システムによる制御に応じて変動する対象の実績を取得し、実績と特定の範囲との比較に応じて、入力する制御値に対する重みを算出する。そして、制御システムが、実績と重みとに基づいて、制御値を算出し、算出された制御値をシステムに入力し、対象を制御する。これにより、予測モデルを用いた対象データの予測が外れる場合でも、予測モデルを精緻化することなく、制御対象を特定の範囲内に収める制御を適応的に行うことができる。
【0054】
ここで、開示の技術をインスリン投与による血糖値制御に適用した場合の制御結果について説明する。まず、比較として、図１２に、制御値に対する重みの学習及び算出を行わない場合の制御結果の一例を示す。図１２において、血糖値が対象データ、ボーラスインスリンが制御値の一例である。なお、図１２において、摂取グルコースは、食事により摂取されるグルコース量であり、血糖値の変動に影響を与える要因である。上述した図２の摂取炭水化物量も同様である。このように、制御値以外にも対象データの変動に影響を与える要因がある場合、上記の予測モデルにおける制約の（１）式を、下記（１０）式のように、他の要因の値ｚｋも加味した式に変更すればよい。なお、Ｄはパラメータ行列である。
ｘｋ＋１＝Ａｘｋ＋Ｂｕｋ＋Ｄｚｋ （１０）
図１２では、対象データである血糖値が目標範囲外となっている時間、特に、目標範囲の下限を下回っている時間が多く見受けられる。図１２の例において、ある２時刻の各々で予測された対象データの予測値と実績との比較を図１３に示す。いずれの時刻においても、予測値と実績とが大きく乖離しており、これが原因となり、対象データである血糖値が目標範囲外となっていると考えられる。
ｘｋ＋１＝Ａｘｋ＋Ｂｕｋ＋Ｄｚｋ （１０）
図１２では、対象データである血糖値が目標範囲外となっている時間、特に、目標範囲の下限を下回っている時間が多く見受けられる。図１２の例において、ある２時刻の各々で予測された対象データの予測値と実績との比較を図１３に示す。いずれの時刻においても、予測値と実績とが大きく乖離しており、これが原因となり、対象データである血糖値が目標範囲外となっていると考えられる。
【0055】
図１４に、本実施形態のように、制御値に対する重みの学習及び算出を行った場合の制御結果の一例を示す。図１２の例と比較して、対象データである血糖値が目標範囲外となっている時間及び程度が減少していることが分かる。例えば、図１４の例では、Ａで示す部分で、対象データの実績が目標範囲を下回ったことに基づいて、この部分に対応する重みΛを大きくするような補正が行われている。そして、その後の重みＲの算出において、このΛが用いられることにより、インスリン投与量が抑えられ、例えばＢで示す部分のように、低血糖になる程度を低減することができている。
【0056】
なお、上記実施形態では、適用例を説明する場合に、インスリン投与による血糖値制御の例について説明したが、開示の技術は、エンジン制御等、他の制御システムにも適用可能である。
【0057】
また、上記実施形態では、制御プログラムが記憶部に予め記憶（インストール）されている態様を説明したが、これに限定されない。開示の技術に係るプログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ等の記憶媒体に記憶された形態で提供することも可能である。
【0058】
以上の実施形態に関し、さらに以下の付記を開示する。
【0059】
（付記１）
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータに実行させることを特徴とする制御プログラム。
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータに実行させることを特徴とする制御プログラム。
【0060】
（付記２）
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記１に記載の制御プログラム。
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記１に記載の制御プログラム。
【0061】
（付記３）
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記２に記載の制御プログラム。
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記２に記載の制御プログラム。
【0062】
（付記４）
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
処理を前記コンピュータにさらに実行させることを特徴とする付記３に記載の制御プログラム。
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
処理を前記コンピュータにさらに実行させることを特徴とする付記３に記載の制御プログラム。
【0063】
（付記５）
前記重みを算出する処理は、前記関係において、今回取得された実績と最も近い実績に対応付けられた前記重みを取得することを含むことを特徴とする付記４に記載の制御プログラム。
前記重みを算出する処理は、前記関係において、今回取得された実績と最も近い実績に対応付けられた前記重みを取得することを含むことを特徴とする付記４に記載の制御プログラム。
【0064】
（付記６）
前記制御値を算出する処理は、前記実績に応じた前記対象の予測値と前記重みとに基づいて、前記制御値を算出することを含むことを特徴とする付記１～付記５のいずれか１項に記載の制御プログラム。
前記制御値を算出する処理は、前記実績に応じた前記対象の予測値と前記重みとに基づいて、前記制御値を算出することを含むことを特徴とする付記１～付記５のいずれか１項に記載の制御プログラム。
【0065】
（付記７）
前記制御値を算出する処理は、機械学習により生成されたモデルと、前記実績と、前記制御値とに基づいて、前記予測値を予測することを含むことを特徴とする付記６に記載の制御プログラム。
前記制御値を算出する処理は、機械学習により生成されたモデルと、前記実績と、前記制御値とに基づいて、前記予測値を予測することを含むことを特徴とする付記６に記載の制御プログラム。
【0066】
（付記８）
前記制御値を算出する処理は、前記対象の予測値が前記特定の範囲に収まるように最適化するための項と、前記制御値の入力計画を最適化するための項とを含む目的関数を最適化することを含むことを特徴とする付記６又は付記７に記載の制御プログラム。
前記制御値を算出する処理は、前記対象の予測値が前記特定の範囲に収まるように最適化するための項と、前記制御値の入力計画を最適化するための項とを含む目的関数を最適化することを含むことを特徴とする付記６又は付記７に記載の制御プログラム。
【0067】
（付記９）
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理を実行する制御部を含むことを特徴とする制御装置。
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理を実行する制御部を含むことを特徴とする制御装置。
【0068】
（付記１０）
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記９に記載の制御装置。
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記９に記載の制御装置。
【0069】
（付記１１）
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記１０に記載の制御装置。
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記１０に記載の制御装置。
【0070】
（付記１２）
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
処理を前記制御部がさらに実行することを特徴とする付記１１に記載の制御装置。
前記対象が制御される時刻毎に、前記対象が制御される時刻の所定期間前の時刻の実績と、前記関係において前記所定期間前の時刻の実績と最も近い値の実績に対応付けられた前記重みを、前記所定期間前の時刻から前記所定期間分の前記実績と前記特定の範囲との比較に応じて補正した重みとの対応を前記関係に追加する、
処理を前記制御部がさらに実行することを特徴とする付記１１に記載の制御装置。
【0071】
（付記１３）
前記重みを算出する処理は、前記関係において、今回取得された実績と最も近い実績に対応付けられた前記重みを取得することを含むことを特徴とする付記１２に記載の制御装置。
前記重みを算出する処理は、前記関係において、今回取得された実績と最も近い実績に対応付けられた前記重みを取得することを含むことを特徴とする付記１２に記載の制御装置。
【0072】
（付記１４）
前記制御値を算出する処理は、前記実績に応じた前記対象の予測値と前記重みとに基づいて、前記制御値を算出することを含むことを特徴とする付記９～付記１３のいずれか１項に記載の制御装置。
前記制御値を算出する処理は、前記実績に応じた前記対象の予測値と前記重みとに基づいて、前記制御値を算出することを含むことを特徴とする付記９～付記１３のいずれか１項に記載の制御装置。
【0073】
（付記１５）
前記制御値を算出する処理は、機械学習により生成されたモデルと、前記実績と、前記制御値とに基づいて、前記予測値を予測することを含むことを特徴とする付記１４に記載の制御装置。
前記制御値を算出する処理は、機械学習により生成されたモデルと、前記実績と、前記制御値とに基づいて、前記予測値を予測することを含むことを特徴とする付記１４に記載の制御装置。
【0074】
（付記１６）
前記制御値を算出する処理は、前記対象の予測値が前記特定の範囲に収まるように最適化するための項と、前記制御値の入力計画を最適化するための項とを含む目的関数を最適化することを含むことを特徴とする付記１４又は付記１５に記載の制御装置。
前記制御値を算出する処理は、前記対象の予測値が前記特定の範囲に収まるように最適化するための項と、前記制御値の入力計画を最適化するための項とを含む目的関数を最適化することを含むことを特徴とする付記１４又は付記１５に記載の制御装置。
【0075】
（付記１７）
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータが実行することを特徴とする制御方法。
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータが実行することを特徴とする制御方法。
【0076】
（付記１８）
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記１７に記載の制御方法。
前記重みを算出する処理は、過去の実績と、前記過去の実績に対応する重みとの関係に基づいて、今回取得された前記実績に対応する重みを算出することを含むことを特徴とする付記１７に記載の制御方法。
【0077】
（付記１９）
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記１８に記載の制御方法。
前記関係は、所定の時刻における前記実績と、前記所定の時刻から所定期間分の実績に基づいて算出された重みとを対応付けた関係であることを特徴とする付記１８に記載の制御方法。
【0078】
（付記２０）
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータに実行させることを特徴とする制御プログラムを記憶した記憶媒体。
システムによる制御に応じて変動する対象の実績を取得し、
前記実績と特定の範囲との比較に応じて、前記システムに入力する制御値に対する重みを算出し、
前記実績と前記重みとに基づいて、前記制御値を算出し、
算出された前記制御値を前記システムに入力し、前記対象を制御する、
処理をコンピュータに実行させることを特徴とする制御プログラムを記憶した記憶媒体。
【符号の説明】
【0079】
１０ 制御装置
１１ 取得部
１２ 予測部
１３ 重み学習部
１４ 重み算出部
１５ 制御値算出部
２１ 予測モデル
２２ 重みＤＢ
３０ 計測装置
３２ 処理装置
４０ コンピュータ
４１ ＣＰＵ
４２ メモリ
４３ 記憶部
４９ 記憶媒体
５０ 制御プログラム
１００ 制御システム
１１ 取得部
１２ 予測部
１３ 重み学習部
１４ 重み算出部
１５ 制御値算出部
２１ 予測モデル
２２ 重みＤＢ
３０ 計測装置
３２ 処理装置
４０ コンピュータ
４１ ＣＰＵ
４２ メモリ
４３ 記憶部
４９ 記憶媒体
５０ 制御プログラム
１００ 制御システム
【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】
