(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】2024-11-11
(45)【発行日】2024-11-19
(54)【発明の名称】推定装置、推定方法およびプログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20241112BHJP
【ＦＩ】
G06N20/00
【請求項の数】
5
(21)【出願番号】P 2023518558
(86)(22)【出願日】2021-05-06
(86)【国際出願番号】 JP2021017409
(87)【国際公開番号】W WO2022234625
(87)【国際公開日】2022-11-10
【審査請求日】2023-11-01
(73)【特許権者】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100181135
【弁理士】
【氏名又は名称】橋本 隆史
(72)【発明者】
【氏名】窪澤 駿平
(72)【発明者】
【氏名】大西 貴士
【審査官】千葉 久博
(56)【参考文献】
【文献】特開２０２０－１１２８４７（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１１／００６０７０３（ＵＳ，Ａ１）
【文献】欧州特許出願公開第３５６４８８９（ＥＰ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定する推定手段を備える推定装置。
【請求項2】
前記推定手段の推定結果に基づいて、前記項目に関する操作の妥当性を説明する説明手段をさらに備える請求項１に記載の推定装置。
【請求項3】
前記推定手段の推定結果に基づいて、前記過去値の出力元である推定対象に関する強化学習におけるエージェントの行動の優先度を調整する優先度調整手段をさらに備える請求項１または請求項２に記載の推定装置。
【請求項4】
コンピュータが、複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定する
ことを含む推定方法。
【請求項5】
コンピュータに、複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定する
処理を行わせるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、推定装置、推定方法およびプログラムに関する。
【背景技術】
【0002】
人工知能（Artificial Intelligence；ＡＩ）等によって、例えば、プラントにおける各装置、ロボット等の制御対象を制御する場合、ＡＩによる解析結果の妥当性をチェックし、妥当な場合には、ＡＩ等の出力に従い制御対象を制御する必要がある。そのような一例として、プラントなどの観測対象における複数の観測点の関係を示す数式を構築し、観測点間の相関性を解析する方法が提案されている。
例えば、特許文献１には、貯水設備の貯水量と、貯水設備に接続された複数の管路それぞれの流入出量とに基づいて、貯水設備での流出入に使用されている管路を推定する方法が記載されている。
例えば、特許文献１には、貯水設備の貯水量と、貯水設備に接続された複数の管路それぞれの流入出量とに基づいて、貯水設備での流出入に使用されている管路を推定する方法が記載されている。
【0003】
特許文献１に記載の方法では、管路の流入出量の合計が、貯水設備の貯水量の変化分に等しいことを示す式を、複数の時刻それぞれについて構築する。このとき、管路の流入出量には値が未知の係数が乗算される。そして、特許文献１に記載の方法では、管路の流入出量の合計と貯水設備の貯水量の変化との２乗誤差の、全ての時刻についての合計が最小となるように、管路の流入出量の係数値を決定する。特許文献１に記載の方法では、決定した係数値が－１または１に近い管路を、貯水設備での流入出に使用されている管路と推定する。
【先行技術文献】
【特許文献】
【0004】
【文献】国際公開第２０１６／０２７５２８号
【発明の概要】
【発明が解決しようとする課題】
【0005】
複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができれば、担当者が数理モデルを構築する負担を軽減することができ、また、数理モデルを構築できない場合でも関係性を推定することができる。
【0006】
本発明の目的の一例は、上述した課題を解決することのできる推定装置、推定方法およびプログラムを提供することである。
【課題を解決するための手段】
【0007】
本発明の第一の態様によれば、推定装置は、複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定する。
【0008】
本発明の第二の態様によれば、推定方法では、コンピュータが、複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定することを含む。
【0009】
本発明の第三の態様によれば、プログラムは、コンピュータに、複数の項目の過去値またはそれらの一部の前記項目の過去値の入力を受けて１つ以上の前記項目の予測値を出力する予測モデルが、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して出力する前記第１項目の予測値の予測精度と、前記予測モデルが、前記項目の組み合わせから前記第２項目を除いた項目の過去値の入力に対して出力する前記第１項目の予測値の予測精度とに基づいて、前記第１項目と前記第２項目との関係性を推定する処理を行わせるためのプログラムである。
【発明の効果】
【0010】
本発明によれば、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
【図面の簡単な説明】
【0011】
【図1】第１実施形態に係るシステムの構成の例を示す概略ブロック図である。
【図2】第１実施形態に係る推定装置の構成の例を示す図である。
【図3】第１実施形態に係る予測モデルの第１の例を示す図である。
【図4】第１実施形態に係る推定装置が、予測モデルによる予測精度に基づいて項目間の相関関係を推定する処理の手順の例を示す図である。
【図5】第１実施形態に係る予測モデルの第２の例を示す図である。
【図6】第１実施形態に係る推定装置が、入力項目に対する重み付けノードを含む予測モデルを用いて項目間の相関関係を推定する処理の手順の例を示す図である。
【図7】第１実施形態に係るモデル処理部が、予測モデルへの入力項目に対する重み付けを行う構成の例を示す図である。
【図8】第１実施形態に係るモデル処理部が予測モデルへの入力項目に対する重み付けを行う場合の、推定装置が項目間の相関関係を推定する処理の手順の例を示す図である。
【図9】第２実施形態に係る推定装置の構成の例を示す図である。
【図10】第３実施形態に係る推定装置の構成の例を示す図である。
【図11】第４実施形態に係る推定装置の構成の例を示す図である。
【図12】第５実施形態に係る推定方法における処理手順の例を示す図である。
【図13】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
【発明を実施するための形態】
【0012】
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
【0013】
【0014】
推定対象９００は、推定装置１００による推定の対象となる。推定対象９００は、推定装置１００が値を取得可能な項目を複数有し、推定装置１００は、推定対象９００における複数の項目間の関係性を推定する。
以下では、推定装置１００が、推定対象９００における複数の項目間の相関関係を推定する場合を例に説明する。ただし、推定装置１００が推定する関係性は、特定のものに限定されない。例えば、推定装置１００が、因果関係を推定するようにしてもよい。推定装置２００および推定装置３００についても同様である。
推定対象９００における項目は、推定装置１００がその項目の値を取得可能なものであればよく、特定の種類のものに限定されない。
以下では、推定装置１００が、推定対象９００における複数の項目間の相関関係を推定する場合を例に説明する。ただし、推定装置１００が推定する関係性は、特定のものに限定されない。例えば、推定装置１００が、因果関係を推定するようにしてもよい。推定装置２００および推定装置３００についても同様である。
推定対象９００における項目は、推定装置１００がその項目の値を取得可能なものであればよく、特定の種類のものに限定されない。
【0015】
例えば、推定対象９００における項目には、センサによる測定対象の項目が含まれていてもよい。
推定対象９００における項目がセンサによる測定対象の項目である場合、その項目は、推定対象９００内の所定の位置における電流など、推定対象９００自体の項目であってもよい。あるいは、その項目は、推定対象９００が設置された部屋の室温など、推定対象９００の周囲環境に関する項目であってもよい。
推定対象９００における項目がセンサによる測定対象の項目である場合、その項目は、推定対象９００内の所定の位置における電流など、推定対象９００自体の項目であってもよい。あるいは、その項目は、推定対象９００が設置された部屋の室温など、推定対象９００の周囲環境に関する項目であってもよい。
【0016】
また、推定対象９００における項目には、推定対象９００に対する操作、または、推定対象９００に対する制御指令、あるいはこれら両方が含まれていてもよい。推定対象９００における項目が推定対象９００に対する操作である場合、操作量を項目値として用いることができる。推定対象９００における項目が推定対象９００に対する制御指令である場合、制御指令値を項目値として用いることができる。
推定対象９００における項目を、単に項目とも称する。
推定対象９００における項目を、単に項目とも称する。
【0017】
推定装置１００は、推定対象９００における項目の過去値を取得し、過去値が観測された時刻よりも未来における項目値を予測する。ここでいう過去値は、予測対象の時刻よりも過去の時刻における値である。予測による項目値を予測値とも称する。
【0018】
以下では、時刻を時間ステップ毎の連番で、１、・・・、ｔ－１、ｔ、ｔ＋１、のように表記する。推定装置１００は、時間ステップにおける時刻毎の過去値を取得し、時間ステップにおける時刻で、過去値が観測された時刻よりも未来の時刻における項目値を予測するものとする。例えば、推定装置１００は、時刻１、・・・、ｔ－１、ｔまでの項目値の時系列データを取得し、時刻ｔ＋１における項目値を予測する。
時刻は、必ずしも、１ステップごとでなくともよく、たとえば、２ステップと１ステップとが混在しているような、相互に異なるようなステップ間隔が含まれているような時刻ステップによって表されていてもよい。あるいは、時刻は、連続値によって表されていてもよい。時刻の表し方は、上述した例に限定されない。説明の便宜上、時刻１、・・・、ｔ－１、ｔまでの各時刻について、項目値の時系列データを習得するものとする。
時刻は、必ずしも、１ステップごとでなくともよく、たとえば、２ステップと１ステップとが混在しているような、相互に異なるようなステップ間隔が含まれているような時刻ステップによって表されていてもよい。あるいは、時刻は、連続値によって表されていてもよい。時刻の表し方は、上述した例に限定されない。説明の便宜上、時刻１、・・・、ｔ－１、ｔまでの各時刻について、項目値の時系列データを習得するものとする。
【0019】
推定対象９００は、推定装置１００が過去値を取得可能な項目が複数あるいろいろなものとすることができ、特定のものに限定されない。例えば、推定対象９００は、化学プラント、蒸留塔、航空管制システム、または、鉄道システムの何れかであってもよいが、これに限定されない。
また、推定対象９００は、複数の装置を含むシステムであってもよいし、単体の装置であってもよいし、装置の部分であってもよい。
また、推定対象９００は、複数の装置を含むシステムであってもよいし、単体の装置であってもよいし、装置の部分であってもよい。
【0020】
推定装置１００は、過去値の入力を受けて予測値を出力する予測モデルを用いて予測値を算出する。また、推定装置１００は、この予測モデルを用いて項目間の相関関係を推定する。予測モデルへの入力となる項目を、入力項目とも称する。予測モデルからの出力となる項目を、出力項目とも称する。
【0021】
予測モデルは、学習可能なモデルであればよく、特定の種類のモデルに限定されない。例えば、予測モデルがニューラルネットワーク、または、サポートベクターマシン等の機械学習アルゴリズムを用いて構成されていてもよいが、これに限定されない。
推定装置１００は、例えばコンピュータを用いて構成される。
推定装置１００は、例えばコンピュータを用いて構成される。
【0022】
図２は、推定装置１００の構成の例を示す図である。図２に示す構成で、推定装置１００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部１９０とを備える。制御部１９０は、モデル処理部１９１と、推定部１９２とを備える。
【0023】
通信部１１０は、他の装置と通信を行う。例えば、通信部１１０が推定対象９００と通信を行って、時間ステップにおける時刻毎に推定対象９００から過去値を受信するようにしてもよい。あるいは、通信部１１０が、訓練データを提供するサーバ装置から、推定対象９００における項目の過去値による訓練データを受信するようにしてもよい。この訓練データが、予測モデルの学習に用いられてもよい。
【0024】
表示部１２０は、例えば液晶パネルまたはＬＥＤ（Light Emitting Diode、発光ダイオード）パネルなどの表示画面を備え、各種画像を表示する。例えば、表示部１２０が、推定装置１００による相関関係の推定結果を表示するようにしてもよい。
操作入力部１３０は、例えばキーボードおよびマウスなどの入力デバイスを備え、ユーザ操作を受け付ける。例えば、操作入力部１３０が、項目間の相関関係の推定を指示するユーザ操作を受け付けるようにしてもよい。
操作入力部１３０は、例えばキーボードおよびマウスなどの入力デバイスを備え、ユーザ操作を受け付ける。例えば、操作入力部１３０が、項目間の相関関係の推定を指示するユーザ操作を受け付けるようにしてもよい。
【0025】
記憶部１８０は、各種データを記憶する記憶部１８０は、推定装置１００が備える記憶デバイスを用いて構成される。
制御部１９０は、推定装置１００の各部を制御して各種処理を行う。制御部１９０の機能は、推定装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が記憶部１８０からプログラムを読み出して実行することで実行されてもよい。
制御部１９０は、推定装置１００の各部を制御して各種処理を行う。制御部１９０の機能は、推定装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が記憶部１８０からプログラムを読み出して実行することで実行されてもよい。
【0026】
モデル処理部１９１は、予測モデルに関する各種処理を行う。ここでいう予測モデルは、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力するモデルである。出力項目は、入力項目と同じであってもよいし、異なっていてもよい。
モデル処理部１９１は、例えば、予測モデルに過去値を入力して予測値を算出する。また、モデル処理部１９１は、予測モデルの学習を制御する。
モデル処理部１９１は、モデル処理手段の例に該当する。
推定部１９２は、予測モデルを用いて項目間の相関関係を推定する。
推定部１９２は、推定手段の例に該当する。
モデル処理部１９１は、例えば、予測モデルに過去値を入力して予測値を算出する。また、モデル処理部１９１は、予測モデルの学習を制御する。
モデル処理部１９１は、モデル処理手段の例に該当する。
推定部１９２は、予測モデルを用いて項目間の相関関係を推定する。
推定部１９２は、推定手段の例に該当する。
【0027】
推定部１９２が、予測モデルによる予測精度に基づいて、項目間の相関関係を推定するようにしてもよい。
図３は、予測モデルの第１の例を示す図である。図３は、予測モデルが項目Ｘ、Ｙ、Ｚの３つの項目の過去値の入力を受けて、項目Ｘ、Ｙ、Ｚそれぞれの予測値を出力する場合の例を示している。項目Ｘ、Ｙ、Ｚの値は、推定対象９００に設けられたセンサＸ、Ｙ、Ｚによるセンサ測定値であってもよい。
図３は、予測モデルの第１の例を示す図である。図３は、予測モデルが項目Ｘ、Ｙ、Ｚの３つの項目の過去値の入力を受けて、項目Ｘ、Ｙ、Ｚそれぞれの予測値を出力する場合の例を示している。項目Ｘ、Ｙ、Ｚの値は、推定対象９００に設けられたセンサＸ、Ｙ、Ｚによるセンサ測定値であってもよい。
【0028】
ただし、予測モデルへの入力項目の個数は２つ以上であればよく、特定の個数に限定されない。また、予測モデルが、入力項目のうち一部の項目についてのみ予測値を出力するようにしてもよい。また、予測モデルへの入力項目は、センサによる項目に限定されない。
【0029】
図３の例で、予測モデルは、項目Ｘの過去値の時系列データＸｔ
（ｋ）と、項目Ｙの過去値の時系列データＹｔ
（ｌ）と、項目Ｚの過去値の時系列データＺｔ
（ｍ）との入力を受ける。
Ｘｔ （ｋ）は、時刻ｔからそのｋステップ（ｋは自然数）前までの時刻における項目Ｘの過去値の時系列データを表す。Ｘｔ （ｋ）＝Ｘｔ－ｋ、・・・Ｘｔと表される。同様に、Ｙｔ （ｌ）＝Ｙｔ－ｌ、・・・Ｙｔ（ｌは自然数）と表される。Ｚｔ （ｍ）＝Ｚｔ－ｍ、・・・Ｚｔ（ｍは自然数）と表される。ｋとｌとｍとは、同じ値であってもよいし、異なる値であってもよい。
予測モデルは、Ｘｔ （ｋ）、Ｙｔ （ｌ）およびＺｔ （ｍ）の入力に対して、時刻ｔ＋１における項目Ｘの予測値Ｘｔ＋１と、時刻ｔ＋１における項目Ｙの予測値Ｙｔ＋１と、時刻ｔ＋１における項目Ｚの予測値Ｚｔ＋１とを出力する。
Ｘｔ （ｋ）は、時刻ｔからそのｋステップ（ｋは自然数）前までの時刻における項目Ｘの過去値の時系列データを表す。Ｘｔ （ｋ）＝Ｘｔ－ｋ、・・・Ｘｔと表される。同様に、Ｙｔ （ｌ）＝Ｙｔ－ｌ、・・・Ｙｔ（ｌは自然数）と表される。Ｚｔ （ｍ）＝Ｚｔ－ｍ、・・・Ｚｔ（ｍは自然数）と表される。ｋとｌとｍとは、同じ値であってもよいし、異なる値であってもよい。
予測モデルは、Ｘｔ （ｋ）、Ｙｔ （ｌ）およびＺｔ （ｍ）の入力に対して、時刻ｔ＋１における項目Ｘの予測値Ｘｔ＋１と、時刻ｔ＋１における項目Ｙの予測値Ｙｔ＋１と、時刻ｔ＋１における項目Ｚの予測値Ｚｔ＋１とを出力する。
【0030】
推定部１９２は、予測モデルへの入力項目の違いによる予測精度の違いに基づいて、項目間の相関関係を推定する。
例えば、モデル処理部１９１が、時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときの予測値Ｘｔ＋１と、Ｘｔ （ｋ）およびＹｔ （ｌ）のうちＸｔ （ｋ）のみを予測モデルに入力したときの予測値Ｘｔ＋１とを算出する。推定部１９２は、時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときと、Ｘｔ （ｋ）およびＹｔ （ｌ）のうちＸｔ （ｋ）のみを予測モデルに入力したときとの予測精度の違いに基づいて、項目ＸとＹとの相関性の有無を推定する。
時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときの予測値Ｘｔ＋１は、式（１）のように表される。
例えば、モデル処理部１９１が、時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときの予測値Ｘｔ＋１と、Ｘｔ （ｋ）およびＹｔ （ｌ）のうちＸｔ （ｋ）のみを予測モデルに入力したときの予測値Ｘｔ＋１とを算出する。推定部１９２は、時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときと、Ｘｔ （ｋ）およびＹｔ （ｌ）のうちＸｔ （ｋ）のみを予測モデルに入力したときとの予測精度の違いに基づいて、項目ＸとＹとの相関性の有無を推定する。
時系列データＸｔ （ｋ）およびＹｔ （ｌ）の両方を予測モデルに入力したときの予測値Ｘｔ＋１は、式（１）のように表される。
【0031】
【数1】
【0032】
時系列データＸｔ
（ｋ）およびＹｔ
（ｌ）のうちＸｔ
（ｋ）のみを予測モデルに入力したときの予測値Ｘｔ＋１は、式（２）のように表される。
【0033】
【数2】
【0034】
時系列データＸｔ
（ｋ）およびＹｔ
（ｌ）の両方を予測モデルに入力する場合と、時系列データＸｔ
（ｋ）およびＹｔ
（ｌ）のうちＸｔ
（ｋ）のみを予測モデルに入力する場合とで、同じ予測モデルを用いることから、式（１）、（２）の何れでも予測モデルを関数ｆで表している。
式（１）の場合のほうが式（２）の場合よりも予測値Ｘｔ＋１の予測精度が高い場合、項目ＸとＹとの間に相関性があると推定できる。一方、式（１）の場合と式（２）の場合とで予測値Ｘｔ＋１の予測精度が同じである場合、項目ＸとＹとは無相関であると推定できる。ここでいう無相関は、相関性が無いことである。
式（１）の場合のほうが式（２）の場合よりも予測値Ｘｔ＋１の予測精度が高い場合、項目ＸとＹとの間に相関性があると推定できる。一方、式（１）の場合と式（２）の場合とで予測値Ｘｔ＋１の予測精度が同じである場合、項目ＸとＹとは無相関であると推定できる。ここでいう無相関は、相関性が無いことである。
【0035】
例えば、推定部１９２は、時系列データＸｔ
（ｋ）およびＹｔ
（ｌ）の両方を予測モデルに入力したときの予測値Ｘｔ＋１の予測精度と、Ｘｔ
（ｋ）およびＹｔ
（ｌ）のうちＸｔ
（ｋ）のみを予測モデルに入力したときの予測値Ｘｔ＋１の予測精度との差異を算出する。そして、推定部１９２は、算出した差異と所定の閾値とを比較し、差異が閾値以上であると判定した場合、項目ＸとＹとの間に相関性があると推定する。一方、差異が閾値よりも小さいと判定した場合、推定部１９２は、項目ＸとＹとは無相関であると推定する。この場合に、所定の閾値は、項目についての相関性の有無を判定する基準を表す。
【0036】
ここでの予測精度は比較可能なものであればよく、特定の種類の予測精度に限定されない。
例えば、推定部１９２が、モデル処理部１９１が算出する予測値と、訓練データで正解として提示される予測値との誤差の大きさを予測精度として算出するようにしてもよい。この場合、推定部１９２は、誤差の大きさが小さいほど予測精度が高いと評価する。
例えば、推定部１９２が、モデル処理部１９１が算出する予測値と、訓練データで正解として提示される予測値との誤差の大きさを予測精度として算出するようにしてもよい。この場合、推定部１９２は、誤差の大きさが小さいほど予測精度が高いと評価する。
【0037】
あるいは、モデル処理部１９１が予測モデルへの入力項目の複数通りの組み合わせそれぞれについて複数の時刻の予測値を算出するようにしてもよい。そして、推定部１９２が、入力項目の組み合わせ毎、かつ、時刻毎に、予測値と正解との誤差の大きさと所定の閾値とを比較して、予測が正しいか誤りかを判定するようにしてもよい。そして、推定部１９２が、入力項目の組み合わせ毎に正解率を算出し、予測精度として用いるようにしてもよい。
【0038】
図４は、推定装置１００が、予測モデルによる予測精度に基づいて項目間の相関関係を推定する処理の手順の例を示す図である。図４は、モデル処理部１９１が第１項目の予測値を算出し、推定部１９２が第１項目と第２項目との相関関係を推定する場合の例を示している。
図４の処理で、モデル処理部１９１は、第１項目と第２項目とを含む項目の組み合わせにおける過去値を予測モデルに入力して、第１項目の予測値を算出する（ステップＳ１１）。
推定部１９２は、ステップＳ１１でモデル処理部１９１が算出する第１項目の予測値を正解データと比較して、第１項目の予測精度を算出する（ステップＳ１２）。
図４の処理で、モデル処理部１９１は、第１項目と第２項目とを含む項目の組み合わせにおける過去値を予測モデルに入力して、第１項目の予測値を算出する（ステップＳ１１）。
推定部１９２は、ステップＳ１１でモデル処理部１９１が算出する第１項目の予測値を正解データと比較して、第１項目の予測精度を算出する（ステップＳ１２）。
【0039】
また、モデル処理部１９１は、ステップＳ１１での項目の組み合わせから第２項目を除いた項目の過去値を予測モデルに入力して、第１項目の予測値を算出する（ステップＳ１３）。
推定部１９２は、ステップＳ１３でモデル処理部１９１が算出する第１項目の予測精度を算出する（ステップＳ１４）。
推定部１９２は、ステップＳ１３でモデル処理部１９１が算出する第１項目の予測精度を算出する（ステップＳ１４）。
【0040】
そして、推定部１９２は、ステップＳ１２で算出した予測精度と、ステップＳ１４で算出した予測精度とを比較して、第１項目と第２項目との相関関係を推定する（ステップＳ１５）。
例えば、推定部１９２は、ステップＳ１２で算出した予測精度から、ステップＳ１４で算出した予測精度を減算した差を算出する。そして、推定部１９２は、算出した差と所定の閾値とを比較して、ステップＳ１２で算出した予測精度のほうが、閾値以上に精度が高いか否かを判定する。閾値以上に精度が高いと判定した場合、推定部１９２は、第１項目と第２項目との間に相関性があると推定する。一方、閾値以上に精度が高くないと判定した場合、推定部１９２は、第１項目と第２項目とは無相関であると推定する。
ステップＳ１５の後、推定装置１００は、図４の処理を終了する。
例えば、推定部１９２は、ステップＳ１２で算出した予測精度から、ステップＳ１４で算出した予測精度を減算した差を算出する。そして、推定部１９２は、算出した差と所定の閾値とを比較して、ステップＳ１２で算出した予測精度のほうが、閾値以上に精度が高いか否かを判定する。閾値以上に精度が高いと判定した場合、推定部１９２は、第１項目と第２項目との間に相関性があると推定する。一方、閾値以上に精度が高くないと判定した場合、推定部１９２は、第１項目と第２項目とは無相関であると推定する。
ステップＳ１５の後、推定装置１００は、図４の処理を終了する。
【0041】
推定部１９２が、項目間の相関性の有無に加えて、あるいは代えて、相関性の強さを推定するようにしてもよい。
例えば、ステップＳ１５で、推定部１９２が、ステップＳ１２で算出した予測精度と、ステップＳ１４で算出した予測精度との差異を、相関性の強さを示す指標値として出力するようにしてもよい。
例えば、ステップＳ１５で、推定部１９２が、ステップＳ１２で算出した予測精度と、ステップＳ１４で算出した予測精度との差異を、相関性の強さを示す指標値として出力するようにしてもよい。
【0042】
第２項目を入力項目に加えた場合のほうが、加えない場合よりも第１項目の値の予測精度が高い場合、推定部１９２が、第２項目が要因となり第１項目が結果となる因果関係があると推定するようにしてもよい。
例えば、ステップＳ１５で、推定部１９２が、ステップＳ１２で算出した予測精度のほうが、ステップＳ１４で算出した予測精度よりも閾値以上に精度が高いと判定した場合、第２項目が要因となり第１項目が結果となる因果関係があると推定するようにしてもよい。
例えば、ステップＳ１５で、推定部１９２が、ステップＳ１２で算出した予測精度のほうが、ステップＳ１４で算出した予測精度よりも閾値以上に精度が高いと判定した場合、第２項目が要因となり第１項目が結果となる因果関係があると推定するようにしてもよい。
【0043】
推定部１９２が、予測モデルにおける入力項目に対する重み付けに基づいて項目間の相関関係を推定するようにしてもよい。
図５は、予測モデルの第２の例を示す図である。図５は、入力項目に対する重み付けノードを含む予測モデルの例を示す。また、図５は、予測モデルが項目Ｘ、Ｙの２つの項目の過去値の入力を受けて、項目Ｘの予測値を出力する場合の例を示している。
図５は、予測モデルの第２の例を示す図である。図５は、入力項目に対する重み付けノードを含む予測モデルの例を示す。また、図５は、予測モデルが項目Ｘ、Ｙの２つの項目の過去値の入力を受けて、項目Ｘの予測値を出力する場合の例を示している。
【0044】
ただし、図３を参照して説明したように、予測モデルへの入力項目の個数は２つ以上であればよく、特定の個数に限定されない。また、予測モデルが、入力項目のうち一部の項目についてのみ予測値を出力するようにしてもよいし、入力項目の全ての項目について予測値を出力するようにしてもよい。また、予測モデルへの入力項目は、センサによる項目など特定の種類の項目に限定されない。
【0045】
図５の例で、ノードＮ１１およびＮ１２は、入力ノードである。ノードＮ２１およびＮ２２は、重みノードである。ノードＮ３１およびＮ３２は、重み付けノードである。ノードＮ４１は出力ノードである。ノードＮ３１およびＮ３２とノードＮ４１との間の層で、ノードＮ３１の出力およびＮ３２の出力に対する処理が行われてもよい。
【0046】
ノードＮ１１は、項目Ｘの過去値の時系列データＸｔ
（ｋ）の入力を受ける。ノードＮ１１が、項目Ｘの過去値をそのまま出力するようにしてもよいし、ノードＮ１１で、項目Ｘの過去値に対する処理が行われていてもよい。
ノードＮ１２は、項目Ｙの過去値の時系列データＹｔ （ｌ）の入力を受ける。ノードＮ１２が、項目Ｙの過去値をそのまま出力するようにしてもよいし、ノードＮ１２で、項目Ｙの過去値に対する処理が行われていてもよい。
ノードＮ１２は、項目Ｙの過去値の時系列データＹｔ （ｌ）の入力を受ける。ノードＮ１２が、項目Ｙの過去値をそのまま出力するようにしてもよいし、ノードＮ１２で、項目Ｙの過去値に対する処理が行われていてもよい。
【0047】
ノードＮ２１は、項目Ｘの過去値に対する重みを記憶する。図５の例では、項目Ｘの過去値に対する重みは１となっている。
ノードＮ２２は、項目Ｙの過去値に対する重みを記憶する。図５の例では、項目Ｙの過去値に対する重みは０となっている。
ノードＮ３１は、ノードＮ１１の値にノードＮ２１の値を乗算することで、項目Ｘの過去値に対する重み付けを行う。ノードＮ３２は、ノードＮ１２の値にノードＮ２２の値を乗算することで、項目Ｘの過去値に対する重み付けを行う。
ノードＮ２２は、項目Ｙの過去値に対する重みを記憶する。図５の例では、項目Ｙの過去値に対する重みは０となっている。
ノードＮ３１は、ノードＮ１１の値にノードＮ２１の値を乗算することで、項目Ｘの過去値に対する重み付けを行う。ノードＮ３２は、ノードＮ１２の値にノードＮ２２の値を乗算することで、項目Ｘの過去値に対する重み付けを行う。
【0048】
図５の例のように、重みノードが記憶する重みが１または０の何れかである場合、重み付けノードによる重み付けは、入力データに対するマスクの役割を果たす。図５の例では、ノードＮ２１の値が１であるので、項目Ｘの過去値の時系列データＸｔ
（ｋ）が項目Ｘの予測値Ｘｔ＋１の算出に用いられる。これに対し、ノードＮ２２の値が０であるので、項目Ｙの過去値の時系列データＹｔ
（ｌ）は、項目Ｘの予測値Ｘｔ＋１の算出には用いられない。
【0049】
ただし、重みノードが記憶する重みは、１または０に限定されない。例えば、重みノードが、０以上かつ１以下の実数値を重みとして記憶するようにしてもよい。
重みノードが記憶する全ての重みの合計が１であるなど、重みノードが記憶する重みに何らかの制約条件が設けられていてもよい。
重みノードが記憶する全ての重みの合計が１であるなど、重みノードが記憶する重みに何らかの制約条件が設けられていてもよい。
【0050】
モデル処理部１９１が、予測モデルの学習を行う際、重みノードが記憶する重みも学習対象に含む。
ここでいう予測モデルの学習は、訓練データに基づいて予測モデルのパラメータ値を調整することである。例えば、モデル処理部１９１は、項目Ｘの過去値の時系列データＸｔ （ｋ）と、項目Ｙの過去値の時系列データＹｔ （ｌ）と、項目Ｘの予測値Ｘｔ＋１の正解値とを含む訓練データを取得する。そして、モデル処理部１９１は、ノードＮ４１の値が正解値に近付くように、重みノードが記憶する重みなど予測モデルのパラメータ値を調整する。
ここでいう予測モデルの学習は、訓練データに基づいて予測モデルのパラメータ値を調整することである。例えば、モデル処理部１９１は、項目Ｘの過去値の時系列データＸｔ （ｋ）と、項目Ｙの過去値の時系列データＹｔ （ｌ）と、項目Ｘの予測値Ｘｔ＋１の正解値とを含む訓練データを取得する。そして、モデル処理部１９１は、ノードＮ４１の値が正解値に近付くように、重みノードが記憶する重みなど予測モデルのパラメータ値を調整する。
【0051】
学習済みの予測モデルにおける重みは、重み付けされる項目の、予測値の算出に対する寄与度を表していると考えることができる。寄与度が大きい項目程、予測値が算出される出力項目との相関性が強いと考えることができる。
そこで、推定部１９２は、学習済みの予測モデルにおける重みに基づいて、項目間の相関関係を推定する。
そこで、推定部１９２は、学習済みの予測モデルにおける重みに基づいて、項目間の相関関係を推定する。
【0052】
図５の例のように、重みが１または０の値をとる場合、推定部１９２が、重み１で重み付けされる入力項目は出力項目との相関性があり、重み０で重み付けされる入力項目は出力項目と無相関であると推定するようにしてもよい。
あるいは、重みが０以上かつ１以下の実数値をとる場合、推定部１９２が、重みと所定の閾値とを比較するようにしてもよい。そして、推定部１９２が、閾値以上に大きい重みで重み付けされる入力項目は出力項目と相関性があり、閾値よりも小さい重みで重み付けされる入力項目は出力項目と無相関であると推定するようにしてもよい。
あるいは、重みが０以上かつ１以下の実数値をとる場合、推定部１９２が、重みと所定の閾値とを比較するようにしてもよい。そして、推定部１９２が、閾値以上に大きい重みで重み付けされる入力項目は出力項目と相関性があり、閾値よりも小さい重みで重み付けされる入力項目は出力項目と無相関であると推定するようにしてもよい。
【0053】
推定部１９２が、項目間の相関性の有無に加えて、あるいは代えて、相関性の強さを推定するようにしてもよい。
例えば、推定部１９２が、入力項目毎の重みを、その入力項目と出力項目との相関性の強さを示す指標値として出力するようにしてもよい。
例えば、推定部１９２が、入力項目毎の重みを、その入力項目と出力項目との相関性の強さを示す指標値として出力するようにしてもよい。
【0054】
図６は、推定装置１００が、入力項目に対する重み付けノードを含む予測モデルを用いて項目間の相関関係を推定する処理の手順の例を示す図である。
図６の処理で、モデル処理部１９１は、訓練データを用いて予測モデルの学習を行う（ステップＳ２１）。モデル処理部１９１は、入力項目に重み付けされる重みを学習対象に含んで、予測モデルの学習を行う。
図６の処理で、モデル処理部１９１は、訓練データを用いて予測モデルの学習を行う（ステップＳ２１）。モデル処理部１９１は、入力項目に重み付けされる重みを学習対象に含んで、予測モデルの学習を行う。
【0055】
次に、推定部１９２は、学習済みの予測モデルにおける重みに基づいて項目間の相関関係を推定する（ステップＳ２２）。例えば、重みが１または０の値をとる場合、推定部１９２は、重み１で重み付けされる入力項目は出力項目との相関性があり、重み０で重み付けされる入力項目は出力項目と無相関であると推定する。
ステップＳ２２の後、推定装置１００は、図６の処理を終了する。
ステップＳ２２の後、推定装置１００は、図６の処理を終了する。
【0056】
予測モデル内での入力項目に対する重み付けに代えて、モデル処理部１９１が、予測モデルへの入力項目に対する重み付けを行うようにしてもよい。
図７は、モデル処理部１９１が、予測モデルへの入力項目に対する重み付けを行う構成の例を示す図である。図７に例示される構成が、モデル処理部１９１の一部として設けられていてもよい。
図７は、モデル処理部１９１が、予測モデルへの入力項目に対する重み付けを行う構成の例を示す図である。図７に例示される構成が、モデル処理部１９１の一部として設けられていてもよい。
【0057】
図７は、モデル処理部１９１が、項目Ｘ、Ｙ、Ｚの過去値の時系列データＸｔ
（ｋ）、Ｙｔ
（ｌ）、Ｚｔ
（ｍ）に対して重み付けを行って予測モデルに入力する場合の例を示している。また、図７の例では、予測モデルは、予測値Ｘｔ＋１、Ｙｔ＋１およびＺｔ＋１を出力する。
【0058】
ただし、図３および図５を参照して説明したように、予測モデルへの入力項目の個数は２つ以上であればよく、特定の個数に限定されない。また、予測モデルが、入力項目のうち一部の項目についてのみ予測値を出力するようにしてもよいし、入力項目の全ての項目について予測値を出力するようにしてもよい。また、予測モデルへの入力項目は、センサによる項目など特定の種類の項目に限定されない。
【0059】
図７の例で、時系列データＸｔ
（ｋ）、Ｙｔ
（ｌ）、Ｚｔ
（ｍ）は、それぞれ再帰型ニューラルネットワーク（Recurrent Neural Network；ＲＮＮ）および正規化器を経由して重み行列に入力される。
再帰型ニューラルネットワークは、時系列データに含まれる複数の時刻のデータを予測モデルへの入力値に反映させるために設けられている。
再帰型ニューラルネットワークは、時系列データに含まれる複数の時刻のデータを予測モデルへの入力値に反映させるために設けられている。
【0060】
正規化器は、重み行列への入力値がとり得る範囲（レンジ）を入力項目間で揃える正規化を行う。正規化器が正規化を行う方法として、畳み込みニューラルネットワーク（Convolutional Neural Network；ＣＮＮ）におけるバッチノーマライゼーション（Batch Normalization）の方法を用いるようにしてもよいが、これに限定されない。
【0061】
重み行列は、入力項目毎かつ予測モデル毎に、予測モデルへの入力データに対する重み付けを行う。重み行列は、図７の例における重み行列τは、式（３）のように示される。
【0062】
【数3】
【0063】
行列の各要素は、予測モデルに対する重みとして用いられる。要素名の下付きの添字は、入力項目名と出力項目名とを小文字で示している。
例えば、重みｔｘｘは、項目Ｘの過去値の時系列データＸｔ （ｋ）が、再帰型ニューラルネットワークおよび正規化器を経由したデータに対する重みとして乗算される。重みｔｘｘで重み付けされたデータは、項目Ｘの予測値Ｘｔ＋１を出力する予測モデルに入力される。
例えば、重みｔｘｘは、項目Ｘの過去値の時系列データＸｔ （ｋ）が、再帰型ニューラルネットワークおよび正規化器を経由したデータに対する重みとして乗算される。重みｔｘｘで重み付けされたデータは、項目Ｘの予測値Ｘｔ＋１を出力する予測モデルに入力される。
【0064】
重みｔｙｚは、項目Ｙの過去値の時系列データＹｔ
（ｌ）が、再帰型ニューラルネットワークおよび正規化器を経由したデータに対する重みとして乗算される。重みｔｙｚで重み付けされたデータは、項目Ｚの予測値Ｚｔ＋１を出力する予測モデルに入力される。
【0065】
重み行列の各要素である重みは、モデル処理部１９１によって設定される。モデル処理部１９１が、重み行列の各要素の値を、０以上かつ１以下の実数の範囲でランダムに設定するようにしてもよい。この場合の要素の範囲は式（４）のように示される。
【0066】
【数4】
【0067】
式（４）では、「＊」は、「ｘ」、「ｙ」、「ｚ」の何れかの値をとるワイルドカードを示す。
【0068】
モデル処理部１９１は、重み行列の設定を行う毎に、同じ訓練データを用いて予測モデルの学習を繰り返す。予測値の予測精度が高い学習で重みの値が大きく設定されている入力項目は、出力項目との相関性が高いと考えられる。
そこで、推定部１９２が、出力項目毎に、予測値の予測精度が高い順に学習結果を順位付けするようにしてもよい。そして、推定部１９２が、予測精度が高い学習結果で重みが大きく設定されている入力項目と、出力項目との相関性が強いと推定するようにしてもよい。
そこで、推定部１９２が、出力項目毎に、予測値の予測精度が高い順に学習結果を順位付けするようにしてもよい。そして、推定部１９２が、予測精度が高い学習結果で重みが大きく設定されている入力項目と、出力項目との相関性が強いと推定するようにしてもよい。
【0069】
例えば、推定部１９２が、出力項目毎に、予測精度が所定の閾値以上に高い学習結果を選択し、その出力項目の予測値を出力する予測モデルへの入力データに対する重みのそれぞれについて、全て学習結果における平均値を算出するようにしてもよい。そして、推定部１９２が、算出した平均値を出力項目と入力項目との相関性の強さを示す指標値として用いるようにしてもよい。
【0070】
さらに例えば、推定部１９２は、項目Ｘの予測値Ｘｔ＋１の推定精度が所定の閾値以上に高い学習結果を選択する。そして、推定部１９２は、予測値Ｘｔ＋１を出力する予測モデルへの入力データに対する重みｔｘｘ、ｔｙｘ、ｔｚｘのそれぞれについて、選択した学習結果における平均値を算出する。推定部１９２は、算出した平均値を入力項目と出力項目との相関性の強さを示す指標値として算出する。
あるいは、推定部１９２が、算出した平均値と所定の閾値とを比較し、平均値が閾値以上の場合は入力項目と出力項目との相関性があると推定し、平均値が閾値未満の場合は入力項目と出力項目とは無相関であると推定するようにしてもよい。
あるいは、推定部１９２が、算出した平均値と所定の閾値とを比較し、平均値が閾値以上の場合は入力項目と出力項目との相関性があると推定し、平均値が閾値未満の場合は入力項目と出力項目とは無相関であると推定するようにしてもよい。
【0071】
図８は、モデル処理部１９１が予測モデルへの入力項目に対する重み付けを行う場合の、推定装置１００が項目間の相関関係を推定する処理の手順の例を示す図である。
図８の処理で、推定装置１００は、予測モデルの学習を繰り返すループＬ１１を開始する（ステップＳ３１）。
図８の処理で、推定装置１００は、予測モデルの学習を繰り返すループＬ１１を開始する（ステップＳ３１）。
【0072】
次に、モデル処理部１９１は、重み行列の各要素の値を設定する（ステップＳ３２）。重み行列の要素は、予測モデルへの入力データに対する重みとして用いられる。モデル処理部１９１が、重み行列の各要素の値を、０以上かつ１以下の実数値の範囲でランダムに設定するようにしてもよい。
【0073】
次に、モデル処理部１９１は、予測モデルの学習を行う（ステップＳ３３）。モデル処理部１９１が、ステップＳ３３の処理を実行する毎に、予測モデルのパラメータ値を初期化した後、同じ訓練データを用いて予測モデルの学習を行うようにしてもよい。
再帰型ニューラルネットワークおよび正規化器については、一旦設定が完了すれば各学習に共通で用いることができる。したがって、再帰型ニューラルネットワークおよび正規化器については、ステップＳ３３の処理毎に学習を行う必要は無い。
再帰型ニューラルネットワークおよび正規化器については、一旦設定が完了すれば各学習に共通で用いることができる。したがって、再帰型ニューラルネットワークおよび正規化器については、ステップＳ３３の処理毎に学習を行う必要は無い。
【0074】
次に、推定部１９２は、ステップＳ３３での学習結果に基づいて、出力項目毎に予測値の予測精度を算出する（ステップＳ３４）。
そして、推定装置１００は、ループＬ１１の終端処理を行う（ステップＳ３５）。推定装置１００は、所定の回数だけループＬ１１を繰り返す。
そして、推定装置１００は、ループＬ１１の終端処理を行う（ステップＳ３５）。推定装置１００は、所定の回数だけループＬ１１を繰り返す。
【0075】
推定装置１００がループＬ１１の処理を終了した後、推定部１９２が、項目間の相関関係を推定する（ステップＳ３６）。例えば、推定部１９２は、上記のように出力項目毎に、予測値の予測精度の高い順に学習結果を順位付けし、予測精度の高い学習結果における重みに基づいて、項目間の相関関係を推定する。
ステップＳ３６の後、推定装置１００は、図８の処理を終了する。
ステップＳ３６の後、推定装置１００は、図８の処理を終了する。
【0076】
以上のように、推定部１９２は、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力する予測モデルを用いて、項目の間の関係性を推定する。
推定装置１００は、この予測モデルの学習を行うことができる。推定装置１００によれば、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
推定装置１００は、この予測モデルの学習を行うことができる。推定装置１００によれば、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
【0077】
また、推定部１９２は、第１項目と第２項目とを含む項目の組み合わせにおける過去値の入力に対して予測モデルが出力する第１項目の予測値の予測精度と、その項目の組み合わせから第２項目を除いた項目の過去値の入力に対して予測モデルが出力する第１項目の予測値の予測精度とに基づいて、第１項目と第２項目との関係性を推定する。
【0078】
推定装置１００は、この予測モデルの学習を行うことができる。推定装置１００によれば、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
また、推定装置１００によれば、学習済みの予測モデルを用いて項目間の関係性を推定することができ、相関関係を推定するために毎回学習を行う必要がない点で、比較的短時間で関係性を推定することができる。
また、推定装置１００によれば、流動的なデータの入力を受けて関係性の推定を繰り返すことができ、この点で、動的に変化する関係性を推定することができる。
また、推定装置１００によれば、学習済みの予測モデルを用いて項目間の関係性を推定することができ、相関関係を推定するために毎回学習を行う必要がない点で、比較的短時間で関係性を推定することができる。
また、推定装置１００によれば、流動的なデータの入力を受けて関係性の推定を繰り返すことができ、この点で、動的に変化する関係性を推定することができる。
【0079】
予測モデルは、項目毎の重みで過去値に対する重み付けを行う重み付けノードを含む。予測モデルの学習は、項目毎の重みの学習を含む。推定部１９２は、学習済みの予測モデルにおける重みに基づいて、項目の間の関係性を推定する。
推定装置１００によれば、予測モデルの学習を行うことで項目間の関係性を推定することができ、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
推定装置１００によれば、予測モデルの学習を行うことで項目間の関係性を推定することができ、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
【0080】
また、モデル処理部１９１は、複数の項目に対して複数通りの重み付けを行い、それぞれの重み付けで前記予測モデルによる同一の項目の値の予測の学習を行う。推定部１９２は、それぞれの重み付けでの学習済みの予測モデルによる同一の項目の値の予測精度に基づいて、項目の間の関係性を推定する。
推定装置１００によれば、予測モデルの学習を行うことで項目間の関係性を推定することができ、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
推定装置１００によれば、予測モデルの学習を行うことで項目間の関係性を推定することができ、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
【0081】
＜第２実施形態＞
第２実施形態では、第１実施形態に係る推定装置１００の使用方法の例について説明する。
図９は、第２実施形態に係る推定装置の構成の例を示す図である。図９に示す構成で、推定装置２００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部２９０とを備える。制御部２９０は、モデル処理部１９１と、推定部１９２と、説明部２９１とを備える。
第２実施形態では、第１実施形態に係る推定装置１００の使用方法の例について説明する。
図９は、第２実施形態に係る推定装置の構成の例を示す図である。図９に示す構成で、推定装置２００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部２９０とを備える。制御部２９０は、モデル処理部１９１と、推定部１９２と、説明部２９１とを備える。
【0082】
図９の各部のうち図２の各部に対応して同様の構成を有する部分には同一の符号（１１０、１２０、１３０、１８０、１９０、１９１、１９２）を付し、ここでは詳細な説明を省略する。
推定装置２００は、制御部２９０が、図２の制御部１９０の各部に加えてさらに説明部２９１を備える点で、推定装置１００と異なる。それ以外の点では、推定装置２００は推定装置１００と同様である。推定装置２００は、推定装置１００の例に該当する。図１の構成における推定装置１００に代えて推定装置２００を用いることができる。
推定装置２００は、制御部２９０が、図２の制御部１９０の各部に加えてさらに説明部２９１を備える点で、推定装置１００と異なる。それ以外の点では、推定装置２００は推定装置１００と同様である。推定装置２００は、推定装置１００の例に該当する。図１の構成における推定装置１００に代えて推定装置２００を用いることができる。
【0083】
説明部２９１は、推定部１９２の推定結果に基づいて、項目に関する操作の妥当性を説明する。説明部２９１は、説明手段の例に該当する。
例えば、推定対象９００が蒸留塔であり、蒸留塔のガイドシステムが、蒸留によって得られる製品の濃度を所定の濃度にするために、ボイラを操作することを運転員に案内すること場合を考える。この場合、ボイラを操作することと製品の濃度を変化させることとの関係が明確でないときは、ボイラを操作することの妥当性を運転員に説明できることが好ましい。
推定部１９２が、ボイラを操作することと製品の濃度を変化させることとの間に相関性があると推定していれば、この推定結果を、ボイラを操作することの妥当性の説明として運転員に提示することができる。
例えば、推定対象９００が蒸留塔であり、蒸留塔のガイドシステムが、蒸留によって得られる製品の濃度を所定の濃度にするために、ボイラを操作することを運転員に案内すること場合を考える。この場合、ボイラを操作することと製品の濃度を変化させることとの関係が明確でないときは、ボイラを操作することの妥当性を運転員に説明できることが好ましい。
推定部１９２が、ボイラを操作することと製品の濃度を変化させることとの間に相関性があると推定していれば、この推定結果を、ボイラを操作することの妥当性の説明として運転員に提示することができる。
【0084】
推定装置２００が、相関関係の推定結果に基づいて、推定対象を制御するようにしてもよい。
例えば、表示部１２０が、項目間の相関関係の推定結果と、推定結果の相関関係を採用するか否かを問い合わせる画面を表示し、操作入力部１３０が、推定結果の相関関係を採用するか否かを回答するユーザ操作を受け付けるようにしてもよい。操作入力部１３０が、推定結果の相関関係を採用することを示すユーザ操作を受け付けた場合、制御部２９０が、推定結果に基づいて推定対象９００を制御するようにしてもよい。
例えば、表示部１２０が、項目間の相関関係の推定結果と、推定結果の相関関係を採用するか否かを問い合わせる画面を表示し、操作入力部１３０が、推定結果の相関関係を採用するか否かを回答するユーザ操作を受け付けるようにしてもよい。操作入力部１３０が、推定結果の相関関係を採用することを示すユーザ操作を受け付けた場合、制御部２９０が、推定結果に基づいて推定対象９００を制御するようにしてもよい。
【0085】
上記の蒸留塔の例で、表示部１２０が、ボイラを操作することと製品の濃度を変化させることとの間に相関性があると、および、この相関性の推定結果を採用するか否かを問い合わせる画面を表示するようにしてもよい。操作入力部１３０が、推定結果を採用することを示すユーザ操作を受け付けた場合、制御部２９０が、ボイラを自動制御するようにしてもよい。
【0086】
あるいは、推定装置２００が、相関関係の推定結果に基づいて、ユーザへの確認を行わすに直接、推定対象９００を制御するようにしてもよい。
上記の蒸留塔の例で、制御部２９０が、ボイラを操作することと製品の濃度を変化させることとの間に相関性があるとの推定結果に基づいて、ボイラを自動制御するようにしてもよい。
上記の蒸留塔の例で、制御部２９０が、ボイラを操作することと製品の濃度を変化させることとの間に相関性があるとの推定結果に基づいて、ボイラを自動制御するようにしてもよい。
【0087】
以上のように、説明部２９１は、推定部１９２の推定結果に基づいて、項目に関する操作の妥当性を説明する。
これにより、推定装置２００では、項目間の関係を定性的に解析する必要なしに、操作の妥当性を説明することができる。
これにより、推定装置２００では、項目間の関係を定性的に解析する必要なしに、操作の妥当性を説明することができる。
【0088】
＜第３実施形態＞
第３実施形態では、第１実施形態に係る推定装置１００の使用方法の、もう１つの例について説明する。
図１０は、第３実施形態に係る推定装置の構成の例を示す図である。図１０に示す構成で、推定装置３００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部３９０とを備える。制御部３９０は、モデル処理部１９１と、推定部１９２と、優先度調整部３９１とを備える。
第３実施形態では、第１実施形態に係る推定装置１００の使用方法の、もう１つの例について説明する。
図１０は、第３実施形態に係る推定装置の構成の例を示す図である。図１０に示す構成で、推定装置３００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部３９０とを備える。制御部３９０は、モデル処理部１９１と、推定部１９２と、優先度調整部３９１とを備える。
【0089】
図１０の各部のうち図２の各部に対応して同様の構成を有する部分には同一の符号（１１０、１２０、１３０、１８０、１９０、１９１、１９２）を付し、ここでは詳細な説明を省略する。
推定装置３００は、制御部３９０が、図２の制御部１９０の各部に加えてさらに優先度調整部３９１を備える点で、推定装置１００と異なる。それ以外の点では、推定装置３００は推定装置１００と同様である。推定装置３００は、推定装置１００の例に該当する。図１の構成における推定装置１００に代えて推定装置３００を用いることができる。
推定装置３００は、制御部３９０が、図２の制御部１９０の各部に加えてさらに優先度調整部３９１を備える点で、推定装置１００と異なる。それ以外の点では、推定装置３００は推定装置１００と同様である。推定装置３００は、推定装置１００の例に該当する。図１の構成における推定装置１００に代えて推定装置３００を用いることができる。
【0090】
優先度調整部３９１は、推定部１９２の推定結果に基づいて、過去値の出力元である推定対象９００に関する強化学習におけるエージェントの行動の優先度を調整する。例えば、優先度調整部３９１は、報酬関数に用いられる項目と相関性があると推定部１９２が推定した操作の優先度を高く設定することで、エージェントが、この操作を行動として選択し易くなるようにする。
優先度調整部３９１は、優先度調整手段の例に該当する。
優先度調整部３９１は、優先度調整手段の例に該当する。
【0091】
推定対象９００の制御装置などの学習器が、推定対象９００に対する操作を強化学習で学習する場合、推定対象９００に対する操作の組み合わせをエージェントの行動とすることが考えられる。推定対象９００で操作可能な個所が多い場合、エージェントが行い得る行動が指数関数的に増大する。多数の行動のうち報酬を得られる行動の割合が小さい場合、学習が進まない可能性がある。
【0092】
これに対して、優先度調整部３９１は、報酬関数に用いられる項目と相関性があると推定部１９２が推定した操作の優先度を高く設定することで、エージェントが、この操作を行動として選択し易くなるようにする。これにより、エージェントが報酬を得られる頻度が高くなり、学習が進むことが期待される。
また、推定部１９２が、強化学習と並行してオンラインで項目間の相関関係を推定することで、優先度調整部３９１は、学習中における相関関係の動的な変化位に対応して優先度を更新することができ、学習器が学習を効率的に行えることが期待される。
また、推定部１９２が、強化学習と並行してオンラインで項目間の相関関係を推定することで、優先度調整部３９１は、学習中における相関関係の動的な変化位に対応して優先度を更新することができ、学習器が学習を効率的に行えることが期待される。
【0093】
以上のように、優先度調整部３９１は、推定部１９２の推定結果に基づいて、過去値の出力元である推定対象９００に関する強化学習におけるエージェントの行動の優先度を調整する。
これにより、推定装置３００では、報酬を得られる可能性が高い行動をエージェントに優先的に行わせることができ、学習が進むことが期待される。
これにより、推定装置３００では、報酬を得られる可能性が高い行動をエージェントに優先的に行わせることができ、学習が進むことが期待される。
【0094】
＜第４実施形態＞
図１１は、第４実施形態に係る推定装置の構成の例を示す図である。図１１に示す構成で、推定装置６１０は、推定部６１１を備える。
かかる構成で、推定部６１１は、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力する予測モデルを用いて、項目の間の関係性を推定する。
推定部６１１は、推定手段の例に該当する。
図１１は、第４実施形態に係る推定装置の構成の例を示す図である。図１１に示す構成で、推定装置６１０は、推定部６１１を備える。
かかる構成で、推定部６１１は、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力する予測モデルを用いて、項目の間の関係性を推定する。
推定部６１１は、推定手段の例に該当する。
【0095】
推定装置６１０は、この予測モデルの学習を行うことができる。推定装置６１０によれば、この点で、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
推定部６１１は、例えば、図１に示される推定部１９２等の機能を用いて実現することができる。
推定部６１１は、例えば、図１に示される推定部１９２等の機能を用いて実現することができる。
【0096】
＜第５実施形態＞
図１２は、第５実施形態に係る推定方法における処理手順の例を示す図である。図１２に示す方法は、推定を行うこと（ステップＳ６１１）を含む。
推定を行うこと（ステップＳ６１１）では、コンピュータが、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力する予測モデルを用いて、項目の間の関係性を推定する。
図１２に示す推定方法によれば、この予測モデルの学習を行うことで、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
図１２は、第５実施形態に係る推定方法における処理手順の例を示す図である。図１２に示す方法は、推定を行うこと（ステップＳ６１１）を含む。
推定を行うこと（ステップＳ６１１）では、コンピュータが、複数の項目の過去値またはそれらの一部の項目の過去値の入力を受けて１つ以上の項目の予測値を出力する予測モデルを用いて、項目の間の関係性を推定する。
図１２に示す推定方法によれば、この予測モデルの学習を行うことで、複数の項目の関係を示す数理モデルを構築する必要なしにこれらの項目間の関係性を推定することができる。
【0097】
図１３は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
図１３に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
図１３に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
【0098】
上記の推定装置１００、２００、３００および６１０のうち何れか１つ以上またはその一部が、コンピュータ７００に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７１０は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置７２０に確保する。各装置と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。また、インタフェース７４０は、不揮発性記録媒体７５０用のポートを有し、不揮発性記録媒体７５０からの情報の読出、および、不揮発性記録媒体７５０への情報の書込を行う。
【0099】
推定装置１００がコンピュータ７００に実装される場合、制御部１９０およびその各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0100】
また、ＣＰＵ７１０は、プログラムに従って、記憶部１８０に対応する記憶領域を主記憶装置７２０に確保する。通信部１１０が行う通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。表示部１２０が行う画像の表示は、インタフェース７４０が表示装置を備え、ＣＰＵ７１０の制御に従って画像を表示することで実行される。操作入力部１３０によるユーザ操作の受付は、インタフェース７４０が入力デバイスを備えてユーザ操作を受け付けることで実行される。
【0101】
推定装置２００がコンピュータ７００に実装される場合、制御部２９０およびその各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0102】
また、ＣＰＵ７１０は、プログラムに従って、記憶部１８０に対応する記憶領域を主記憶装置７２０に確保する。通信部１１０が行う通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。表示部１２０が行う画像の表示は、インタフェース７４０が表示装置を備え、ＣＰＵ７１０の制御に従って画像を表示することで実行される。操作入力部１３０によるユーザ操作の受付は、インタフェース７４０が入力デバイスを備えてユーザ操作を受け付けることで実行される。
【0103】
推定装置３００がコンピュータ７００に実装される場合、制御部３９０およびその各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0104】
また、ＣＰＵ７１０は、プログラムに従って、記憶部１８０に対応する記憶領域を主記憶装置７２０に確保する。通信部１１０が行う通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。表示部１２０が行う画像の表示は、インタフェース７４０が表示装置を備え、ＣＰＵ７１０の制御に従って画像を表示することで実行される。操作入力部１３０によるユーザ操作の受付は、インタフェース７４０が入力デバイスを備えてユーザ操作を受け付けることで実行される。
【0105】
推定装置６１０がコンピュータ７００に実装される場合、推定部１９２の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0106】
推定装置６１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
推定装置６１０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
推定装置６１０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
【0107】
上述したプログラムのうち何れか１つ以上が不揮発性記録媒体７５０に記録されていてもよい。この場合、インタフェース７４０が不揮発性記録媒体７５０からプログラムを読み出すようにしてもよい。そして、ＣＰＵ７１０が、インタフェース７４０が読み出したプログラムを直接実行するか、あるいは、主記憶装置７２０または補助記憶装置７３０に一旦保存して実行するようにしてもよい。
【0108】
なお、推定装置１００、２００、３００、および、６１０が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【0109】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【産業上の利用可能性】
【0110】
本発明は、推定装置、推定方法および記録媒体に適用してもよい。
【符号の説明】
【0111】
１ システム
１００、２００、３００、６１０ 推定装置
１１０ 通信部
１２０ 表示部
１３０ 操作入力部
１８０ 記憶部
１９０、２９０、３９０ 制御部
１９１ モデル処理部
１９２、６１１ 推定部
２９１ 説明部
３９１ 優先度調整部
１００、２００、３００、６１０ 推定装置
１１０ 通信部
１２０ 表示部
１３０ 操作入力部
１８０ 記憶部
１９０、２９０、３９０ 制御部
１９１ モデル処理部
１９２、６１１ 推定部
２９１ 説明部
３９１ 優先度調整部
【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】