知財求人 - 知財ポータルサイト「IP Force」
▶ 日新電機株式会社の特許一覧 ▶ 国立大学法人京都工芸繊維大学の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-12-19
(45)【発行日】2024-12-27
(54)【発明の名称】モデル生成装置、予測装置、モデル生成方法、および予測方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20241220BHJP
G06F 17/15 20060101ALI20241220BHJP
G06F 18/27 20230101ALI20241220BHJP
G06Q 10/04 20230101ALI20241220BHJP
G06F 123/02 20230101ALN20241220BHJP
【ＦＩ】
G06N20/00 130
G06F17/15
G06F18/27
G06Q10/04
G06F123:02
【請求項の数】
9
(21)【出願番号】P 2023221626
(22)【出願日】2023-12-27
【審査請求日】2024-10-03
【早期審査対象出願】
(73)【特許権者】
【識別番号】000003942
【氏名又は名称】日新電機株式会社
(73)【特許権者】
【識別番号】504255685
【氏名又は名称】国立大学法人京都工芸繊維大学
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】森本 充
(72)【発明者】
【氏名】竹原 輝巳
(72)【発明者】
【氏名】角田 あかり
(72)【発明者】
【氏名】井尻 有策
(72)【発明者】
【氏名】寶珍 輝尚
【審査官】新井 則和
(56)【参考文献】
【文献】特開２０２０－１２９３１４（ＪＰ，Ａ）
【文献】特開２０１２－１７０７４０（ＪＰ，Ａ）
【文献】特開２０２２－０８３８３４（ＪＰ，Ａ）
【文献】藤原 佑介 外，勾配ブースティング木と並列処理を用いたビル電力需要予測，第８１回（２０１９年）全国大会講演論文集（４） インタフェース コンピュータと人間社会 学会予稿集，2019年02月28日，pp. 4-639～4-640
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ２０／００
Ｇ０６Ｆ １７／１５
Ｇ０６Ｆ １８／２７
Ｇ０６Ｑ １０／０４
Ｇ０６Ｆ １２３／０２
(57)【特許請求の範囲】
【請求項1】
施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、
前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択し、
前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、
前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成し、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する、モデル生成装置。
【請求項2】
前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、
前記モデル生成装置は、
前記実績値の予測対象期間に属する各時点の少なくとも一部を、複数の切替時点候補として設定し、
（ｉ）前記予測対象期間の始点である予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測対象期間の終点である予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点を選択する、請求項１に記載のモデル生成装置。
【請求項3】
前記モデル生成装置は、複数の前記切替時点候補のそれぞれについて、（ｉ）前記予測開始時点から前記予測終了時点までの各時点における前記実績値と、（ｉｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、前記予測対象期間における前記第１予測値と前記第２予測値との総合誤差を算出し、
前記総合誤差に基づいて、複数の前記切替時点候補の内から、前記切替時点を選択する、請求項２に記載のモデル生成装置。
【請求項4】
前記実績値と前記第１予測値との誤差を第１誤差と称し、前記実績値と前記第２予測値との誤差を第２誤差と称し、
前記モデル生成装置は、
（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２誤差の累積値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１誤差の累積値と、の和を算出し、
前記和を、前記予測対象期間に属する時点の総数によって除算した値を、前記総合誤差として算出する、請求項３に記載のモデル生成装置。
【請求項5】
前記モデル生成装置は、複数の前記切替時点候補の内、前記総合誤差の最小値に対応する切替時点候補を、前記切替時点として選択する、請求項３または４に記載のモデル生成装置。
【請求項6】
学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、
前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、
前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、
前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、
前記予測装置は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する、予測装置。
【請求項7】
前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、
前記学習フェーズでは、
予測開始時点から予測終了時点までの各時点の少なくとも一部が、複数の切替時点候補として設定されており、
（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点が選択されており、
前記予測装置は、
前記学習フェーズにおける前記予測開始時点から前記切替時点までの時間長を、切替時間長として算出し、
前記予測フェーズにおける予測開始時点に前記切替時間長を加算した時点を、前記予測フェーズにおける切替時点として設定し、
前記予測フェーズにおける前記予測開始時点から、前記予測フェーズにおける前記切替時点までの各時点について、前記第２モデルに前記第２予測値を出力させ、
前記予測フェーズにおける前記切替時点の次の時点から、前記予測フェーズにおける予測終了時点までの各時点について、前記第１モデルに前記第１予測値を出力させる、請求項６に記載の予測装置。
【請求項8】
施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、前記モデル生成方法は、
前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択する工程と、
前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出する工程と、
前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成する工程と、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出する工程と、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する工程と、を含んでいる、モデル生成方法。
【請求項9】
学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、
前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、
前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、
前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、
前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、
前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、
前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、
前記予測方法は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する工程を含んでいる、予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の一態様は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置に関する。
【背景技術】
【0002】
近年、施設における様々な種類のエネルギー需要量を予測するために機械学習が利用されている。例えば、下記の特許文献１には、蓄熱利用システムにおける熱負荷を、ニューラルネットワークによって予測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】特開平９－８９３４８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明の一態様は、施設における需要電力量の予測精度を高めることを目的とする。
【課題を解決するための手段】
【0005】
本発明の一態様に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択し、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成し、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する。
【0006】
本発明の一態様に係る予測装置は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測装置は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する。
【0007】
本発明の一態様に係るモデル生成方法は、施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、前記モデル生成方法は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択する工程と、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出する工程と、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成する工程と、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出する工程と、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する工程と、を含んでいる。
【0008】
本発明の一態様に係る予測方法は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測方法は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する工程を含んでいる。
【発明の効果】
【0009】
本発明の一態様によれば、施設における需要電力量の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】参考形態における情報処理装置の要部の構成を例示するブロック図である。
【図2】参考形態における訓練データとしての実績データの例である。
【図3】参考形態における訓練データとしての就業状態データの例である。
【図6】ラグとＡＣとの対応関係を示すテーブルの例である。
【図7】ラグとＡＣとの関係を示すグラフの例である。
【図9】８のデータにローリング特徴量コンポーネントとローリング特徴量とを追加することによって生成されたデータの例である。
【図14】等差数列要素を選択する処理の流れを例示するフローチャートである。
【図15】参考形態における予測フェーズにおける前処理後入力データの例である。
【図16】実施形態１における情報処理装置の要部の構成を例示するブロック図である。
【図17】就業日に着目して就業日非ローリングラグを導出する処理の例を示す。
【図18】休日に着目して休日非ローリングラグを導出する処理の例を示す。
【図20】就業日に着目して就業日ローリングラグを導出する処理の例を示す。
【図21】休日に着目して休日非ローリングラグを導出する処理の例を示す。
【図23】実施形態１において生成された新たな時系列データの例である。
【図24】実施形態１において生成された新たな時系列データの別の例である。
【図25】実施形態１において生成された新たな時系列データの別の例である。
【図26】実施形態１において生成された新たな時系列データの別の例である。
【図27】実施形態２における情報処理装置の要部の構成を例示するブロック図である。
【図28】予測対象期間の各時点における第１モデルの誤差を示すグラフの例である。
【図29】予測対象期間の各時点における第２モデルの誤差を示すグラフの例である。
【図30】予測対象期間の各時点における第１モデルの誤差および第２モデルの誤差を示すグラフの例である。
【図31】複数の切替時点候補のそれぞれに対応する総合誤差の例を示す。
【図32】予測フェーズにおける第１モデル用の入力データの例を示す。
【図33】予測フェーズにおける第２モデル用の入力データの例を示す。
【発明を実施するための形態】
【0011】
〔参考形態〕
実施形態１の情報処理装置１Ａの説明に先立ち、参考形態としての情報処理装置１について述べる。説明の便宜上、参考形態にて説明した構成要素（コンポーネント）と同じ機能を有する構成要素については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。本明細書において述べる各コンポーネントおよび各数値はいずれも、特に矛盾のない限り単なる例示である。それゆえ、例えば、特に矛盾のない限り、各コンポーネントの位置関係および接続関係は各図の例に限定されない。また、各図の例における日付と曜日との対応関係は、必ずしも実際のカレンダーのものと一致していないことに留意されたい。本明細書では、特に矛盾のない限り、２つの数ＡおよびＢについての表記「Ａ～Ｂ」は、「Ａ以上かつＢ以下」を表す。
実施形態１の情報処理装置１Ａの説明に先立ち、参考形態としての情報処理装置１について述べる。説明の便宜上、参考形態にて説明した構成要素（コンポーネント）と同じ機能を有する構成要素については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。本明細書において述べる各コンポーネントおよび各数値はいずれも、特に矛盾のない限り単なる例示である。それゆえ、例えば、特に矛盾のない限り、各コンポーネントの位置関係および接続関係は各図の例に限定されない。また、各図の例における日付と曜日との対応関係は、必ずしも実際のカレンダーのものと一致していないことに留意されたい。本明細書では、特に矛盾のない限り、２つの数ＡおよびＢについての表記「Ａ～Ｂ」は、「Ａ以上かつＢ以下」を表す。
【0012】
（情報処理装置１の概要）
図１は、参考形態における情報処理装置１の要部の構成を例示するブロック図である。情報処理装置１は、制御装置９および記憶部９０を備えていてよい。制御装置９は、情報処理装置１の各部を統括的に制御する。制御装置９は、モデル生成装置１０および予測装置２０を備えていてよい。
図１は、参考形態における情報処理装置１の要部の構成を例示するブロック図である。情報処理装置１は、制御装置９および記憶部９０を備えていてよい。制御装置９は、情報処理装置１の各部を統括的に制御する。制御装置９は、モデル生成装置１０および予測装置２０を備えていてよい。
【0013】
後述の通り、モデル生成装置１０は、施設における需要電力量を予測するための予測モデルを、機械学習によって生成する。このことから、モデル生成装置１０は、学習装置と称されてもよい。予測装置２０は、モデル生成装置１０によって予め生成された予測モデルを用いて、上記施設における需要電力量の予測値を導出する。
【0014】
本発明の一態様における施設は、例えば、時間帯、曜日、および当該施設内における従業者の就業状態の内の少なくとも１つに応じて、需要電力量の変動が生じうる施設であればよい。本発明の一態様における施設の例としては、工場などの工業施設、ショッピングモールなどの商業施設、および、病院などの医療施設を挙げることができる。
【0015】
記憶部９０は、制御装置９の処理に用いられる各種のデータおよびプログラムを格納する。図１の例では、実績データと就業状態データとが記憶部９０に格納されているものとする。本明細書では、実績データとは、所定の時間分解能にて記録された、施設における需要電力量の実績値を示すデータ（より詳細には、データ構造）を総称的に指す。本明細書では、特に矛盾のない限り、「需要電力量」という文言は、需要電力量の実績値を指すものとする。
【0016】
実績データは、時点と需要電力量とが対応付けられたデータであるので、需要電力量の時間推移を示す時系列データの例である。本明細書の例では、実績データにおける時間分解能は１分である。本明細書の例では、時間分解能が１分のデータにおける時点は、「年／月／日 時／分」形式（「yyyy/mm/dd /hh/mm」形式）によって表現されているものとする。時点は、データ構造におけるキーとして使用されてよい。
【0017】
本明細書では、就業状態データとは、施設における日毎の就業状態を示すデータを総称的に指す。一例として、就業状態データとは、ある日が当該施設の就業日であるか否かを示すデータであってよい。就業状態データは、日付と就業状態とが対応付けられたデータであるので、就業状態の日ごとの推移を示す時系列データの例である。本明細書の例では、以下に述べる前値補間が施される前の就業状態データにおける時間分解能は１日である。本明細書の例では、時間分解能が１日のデータにおける日付は、「年／月／日」形式（「yyyy/mm/dd」形式）によって表現されているものとする。
【0018】
（参考形態における学習フェーズ）
以下、情報処理装置１の動作の一例について述べる。情報処理装置１の処理は、学習フェーズにおける処理（モデル生成装置１０の一連の処理）と、予測フェーズにおける処理（予測装置２０の一連の処理）と、に大別される。はじめに、学習フェーズの例について説明する。
以下、情報処理装置１の動作の一例について述べる。情報処理装置１の処理は、学習フェーズにおける処理（モデル生成装置１０の一連の処理）と、予測フェーズにおける処理（予測装置２０の一連の処理）と、に大別される。はじめに、学習フェーズの例について説明する。
【0019】
図１に示す通り、モデル生成装置１０は、データ取得部１１、前処理部１２、学習部１３、および評価部１４を備えていてよい。データ取得部１１は、学習時データ取得部または第１データ取得部と称されてもよい。前処理部１２は、学習時前処理部または第１前処理部と称されてもよい。
【0020】
図１に示す通り、記憶部９０には、学習フェーズにおいて用いられる実績データＤＺと就業状態データＤＳとが格納されていてよい。以下、例えば、実績データＤＺを単にＤＺを略称する。データ取得部１１は、学習フェーズにおける入力データセットとしてＤＺおよびＤＳを取得する。そして、データ取得部１１は、当該入力データセットを訓練データと検証データとに分割する。
【0021】
図２のＤＺ０は、訓練データとしての実績データの例である。ＤＺ０は、ＤＺの一部である。本明細書の例では、実績データに記録されている需要電力量の単位はｋＷｈであるものとする。図３のＤＳ０は、訓練データとしての就業状態データの例である。ＤＳ０は、ＤＳの一部である。本明細書の例では、就業状態データ内に記録されている就業状態は、質的変数（より詳細には、名義尺度）に予め変換されているものとする。図３の例における「１」という就業状態の値は、その日（当該就業状態に対応する日）が就業日であることを示す。その一方、「０」という就業状態の値は、その日が休日であることを示す。
【0022】
ただし、就業状態データに記録されている就業状態の種類は、上記の例に限定されない。例えば、「長期休暇日」という就業状態の種類が就業状態データに記録されていてもよい。長期休暇日とは、所定の長期休暇（例：夏季休暇期間）に属する休日を意味する。この場合、例えば、「－１」という就業状態の値によって、その日が長期休暇日であることが示されてよい。
【0023】
前処理部１２は、学習部１３による機械学習アルゴリズムの実行に先立ち、訓練データに一連の前処理を施すことにより、前処理後訓練データを生成する。次いで、学習部１３は、機械学習アルゴリズムを実行することにより、当該前処理後訓練データに基づいて予測モデルを生成する。
【0024】
まず、前処理部１２は、ＤＳ０に記録されている就業状態について前値補間を実行することにより、新たなデータを生成する。図４のＤＳ１は、当該新たなデータの例である。ＤＳ１は、前値補間後就業状態データと称されてもよい。具体的には、前処理部１２は、前値補間によって、ＤＳ０をＤＺ０と等しい時間分解能（例：１分）を有する新たなデータへと変換する。図４に示す通り、前値補間の結果として、ＤＳ１では、同じ日付に属する就業状態は、全ての時点において同じ値を有する。
【0025】
次いで、前処理部１２は、時点をキーとして用いてＤＺ０とＤＳ１とを組み合わせることにより、新たなデータを生成する。図４のＤＺ１は、当該新たなデータの例である。例えば、前処理部１２は、ＤＳ１における「就業状態」の列をＤＺ０に追加することにより、ＤＺ１を生成する。ＤＺ１は、就業状態データ付実績データと称されてもよい。
【0026】
次いで、前処理部１２は、ＤＺ１における需要電力量の自己相関係数（autocorrelation coefficient）を算出する。本明細書では、当該自己相関係数をＡＣと略記する。具体的には、前処理部１２は、ラグ（ｌａｇ）を様々に変化させ、ラグ毎のＡＣを算出する。ラグは、時系列データとしての特徴量に対して設定される時間的な遅延量を表す。
【0027】
前処理部１２は、ラグ単位量とラグ次数との積としてラグを設定してよい。そして、前処理部１２は、決定したラグ毎にＡＣを算出してよい。一例として、ラグ単位量は、情報処理装置１のユーザによって予め設定された一定値であってよい。本明細書では、ラグ単位量が３０分である場合を例示する。ただし、前処理部１２によってラグ単位量が設定されてもよい。例えば、前処理部１２は、ＤＺ１の時間分解能（例：１分）をラグ単位量として設定してもよい。
【0028】
前処理部１２は、ラグとＡＣとの対応関係を示すテーブルを生成してよい。図６のＬＴは、当該テーブルの例を示す。図６の例では、ＬＴにおけるキーとして、ラグ次数が使用されてよい。図６の例では、前処理部１２は、ラグ次数を１から１００８まで変化させることにより、１００８通りのラグを設定する。したがって、前処理部１２は、１００８通りのＡＣを算出する。本明細書の例におけるラグは、日単位の時間長を表す量である。
【0029】
上述の通り、ラグ単位量は３０分であるので、ラグ次数１は３０分に相当する。したがって、ラグ次数４８は１日（＝３０分×４８）に相当する。そして、ラグ次数３３６（＝４８×７）は、７日すなわち１週に相当する。そして、ラグ次数６７２（＝３３６×２）は１４日すなわち２週に相当し、ラグ次数１００８（＝３３６×３）は２１日すなわち３週に相当する。
【0030】
本明細書では、データ構造の要素番号を整数ｉによって総称的に表す。図６の例におけるｉは、ラグ次数に等しい値であってよい。そこで、図６の例において、ｉに対応するラグをｌａｇ［ｉ］と表記する。また、ｉに対応するＡＣをＡＣ［ｉ］と表記する。以上の説明から明らかである通り、ｉ＞１におけるｌａｇ［ｉ］は、ｉ番目に短いラグを表す。本明細書では、特に矛盾のない限り、一般的なプログラミング言語の記法に従って、データ構造の要素番号の最小値は０であるものとする。図６には示されていないが、当業者であれば明らかである通り、ｌａｇ［０］＝０であり、ＡＣ［０］＝１である。
【0031】
前処理部１２は、ＡＣに基づいて、設定した複数のラグの内から特殊ラグを選択（抽出）する。一例として、前処理部１２は、複数のラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有するＡＣに対応するラグを、特殊ラグとして選択してよい。
【0032】
一般的に、機械学習の分野では、２つのデータ間の相関係数が０．７以上である場合に、当該データ間に強い正の相関が存在していると考えることができる。このことから、一例として、自己相関閾値は０．７～１であればよい。自己相関閾値は、ユーザによって任意に設定可能な値であってよい。本明細書では、自己相関閾値が０．７である場合を例示する。
【0033】
そして、施設内における需要電力量の変動は、短期的にはおおよそ１日前後の周期を有していると一般的に考えられる。したがって、時間長閾値は、比較的短期的な需要電力量の変動トレンドを把握するために適切と考えられる値に設定されていればよい。時間長閾値も、ユーザによって任意に設定可能な値であってよい。本明細書では、時間長閾値が１日である場合を例示する。
【0034】
当業者であれば明らかである通り、ラグが短い場合には、１に近いＡＣが生じやすい。そこで、上記の通り時間長閾値を設定することにより、多くの短いラグが特殊ラグとして選択されることを避けることができる。すなわち、選択される特殊ラグの数を減らすことができる（図６の例におけるラグ次数１～３の行を参照）。その結果、後述の説明から理解できる通り、予測モデルの品質を向上させることができる。
【0035】
上述の通り、１日という時間長閾値は、ｉ＝４８に対応する。図６の例では、ｉ≧４８の範囲において、
ＡＣ［４８］＝０．７８
ＡＣ［３３６］＝０．７３
ＡＣ［６７２］＝０．７０
ＡＣ［１００８］＝０．７２
が、自己相関閾値以上の値を有している。したがって、前処理部１２は、
ｌａｇ［４８］＝１
ｌａｇ［３３６］＝７
ｌａｇ［６７２］＝１４
ｌａｇ［１００８］＝２１
を、特殊ラグとして選択する。
ＡＣ［４８］＝０．７８
ＡＣ［３３６］＝０．７３
ＡＣ［６７２］＝０．７０
ＡＣ［１００８］＝０．７２
が、自己相関閾値以上の値を有している。したがって、前処理部１２は、
ｌａｇ［４８］＝１
ｌａｇ［３３６］＝７
ｌａｇ［６７２］＝１４
ｌａｇ［１００８］＝２１
を、特殊ラグとして選択する。
【0036】
発明者らは、ある工場において得られた実績データを用いて、当該工場におけるラグとＡＣとの関係を導出した。図７は、発明者らによって導出された、当該工場におけるラグとＡＣとの関係を示すグラフである。図７のグラフにおいて、横軸はラグ次数を示し、縦軸はＡＣを示す。図７のグラフにおける横軸は、ラグに読み替えることができる。図７のグラフのトレンドは、図６の例に概ね一致している。
【0037】
次いで、前処理部１２は、抽出した複数の特殊ラグを昇順にソートしてよい。そして、前処理部１２は、ソートされた当該特殊ラグを要素として含む配列Ｐｌａｇを生成してよい。参考形態の例では、前処理部１２は、Ｐｌａｇ＝［１，７，１４，２１］を生成する。そして、前処理部１２は、Ｐｌａｇの要素の内、等差数列を成す要素（等差数列要素）を選択する。等差数列要素の選択手法については後述する。
【0038】
参考形態の例では、前処理部１２は、Ｐｌａｇの要素の内、１番目以降の要素であるＰｌａｇ［１：］＝［７，１４，２１］を、等差数列要素として選択する。これらの等差数列要素は、初項の値が７であり、かつ、公差が７である等差数列を成す。
【0039】
そして、前処理部１２は、Ｐｌａｇの要素の内、等差数列要素を除いた要素を、残余要素として選択する。残余要素は、非等差数列要素（等差数列を成さない要素）と称されてもよい。参考形態の例では、前処理部１２は、Ｐｌａｇの要素の内、０番目の要素であるＰｌａｇ［０］＝［１］を、残余要素として選択する。
【0040】
前処理部１２は、上述の通り選択した特殊ラグを需要電力量に対して設定することにより、新たな特徴量を導出する。例えば、前処理部１２は、新たな特徴量として、ローリング特徴量（rolling feature）およびラグ特徴量（lag feature）の少なくとも一方を導出してよい。
【0041】
上述の図７を踏まえると、等差数列要素に該当する特殊ラグは、需要電力量における変動の比較的長期的な周期性を表現するために適していると考えられる。そこで、前処理部１２は、等差数列要素に当該する特殊ラグを、ローリング特徴量を導出するための特殊ラグであるローリングラグとして選択してよい。参考形態の例では、前処理部１２は、ラグ「７、１４、および２１」をローリングラグとして選択する。前処理部１２は、当該ローリングラグに基づいてローリング特徴量を導出する。
【0042】
そして、前処理部１２は、残余要素に該当する特殊ラグを、ローリング特徴量とは別の特徴量を導出するための特殊ラグである非ローリングラグとして選択してよい。参考形態の例では、前処理部１２は、ラグ「１」を非ローリングラグとして選択する。当該非ローリングラグは、需要電力量における変動の比較的短期的な周期性を表現するために適していると考えられる。そこで、前処理部１２は、当該非ローリングラグに基づいてラグ特徴量を導出する。
【0043】
参考形態では、ローリング特徴量の導出に先立ち、ラグ特徴量が導出される場合を例示する。ただし、当業者であれば明らかである通り、ラグ特徴量の導出に先立ち、ローリング特徴量が導出されてもよい。本明細書の例における各処理は、特に矛盾のない限り、任意の順序で実行されてよい。
【0044】
前処理部１２は、非ローリングラグを需要電力量に対して設定することにより、当該需要電力量に対応する新たな特徴量としてのラグ特徴量を導出する。図８のＤＺ２は、ＤＺ１にラグ特徴量を追加することによって生成されたデータの例を示す。参考形態の例では、非ローリングラグが１であるため、前処理部１２は、「１日前の需要電力量」をラグ特徴量として導出する。したがって、図８の例において、時点「2021/4/1 0:00」の行に属する「１日前の需要電力量」は、「2021/3/31 0:00における需要電力量」を表す。また、時点「2022/3/31 23:59」の行に属する「１日前の需要電力量」は、「2022/3/30 23:59における需要電力量」を表す。
【0045】
次いで、前処理部１２は、非ローリングラグを需要電力量に対して設定することにより、当該需要電力量に対応する新たな特徴量としてのローリング特徴量を導出する。まず、前処理部１２は、ある時点に対して、ローリングラグだけ前の時点の需要電力量を、当該時点に対応するローリング特徴量の構成要素（ローリング特徴量コンポーネント）として取得する。参考形態の例では、ローリングラグが７、１４、および２１であるため、前処理部１２は、「７日前の需要電力量」、「１４日前の需要電力量」、および「２１日前の需要電力量」を、ローリング特徴量コンポーネントとして取得する。前処理部１２は、当該ローリング特徴量コンポーネントをＤＺ２に追加する。
【0046】
次いで、前処理部１２は、ローリング特徴量コンポーネントの統計値をローリング特徴量として導出する。本明細書では、統計値が平均値である場合を例示する。したがって、前処理部１２は、「７日前の需要電力量」と「１４日前の需要電力量」と「２１日前の需要電力量」との平均値を導出する。前処理部１２は、当該平均値をローリング特徴量としてＤＺ２にさらに追加する。
【0047】
図９のＤＺ３は、ＤＺ２にローリング特徴量コンポーネントとローリング特徴量とを追加することによって生成されたデータの例を示す。図９の例において、時点「2021/4/1 0:00」の行に属する「７日前の需要電力量」、「１４日前の需要電力量」、および「２１日前の需要電力量」は、「2021/3/25 0:00における需要電力量」を、「2021/3/18 0:00における需要電力量」、および「2021/3/11 0:00における需要電力量」をそれぞれ表す。そして、時点「2021/4/1 0:00」の行に属する「平均（７，１４，２１日前）需要電力量」は、同時点の行に属する「７日前の需要電力量」と「１４日前の需要電力量」と「２１日前の需要電力量」との平均値を表す。
【0048】
ローリング特徴量の取得後には、ローリング特徴量コンポーネントはもはや不要であると考えられる。そこで、前処理部１２は、ローリング特徴量の取得後に、ＤＺ３からローリング特徴量コンポーネントを削除してよい。図１０のＤＺ４は、ＤＺ３からローリング特徴量コンポーネントを削除することによって生成されたデータの例を示す。
【0049】
次いで、前処理部１２は、ＤＺ４に記録されている時点を、所定の型に変換することにより、当該時点に対応する特徴量である時点相当量を導出する。そして、前処理部１２は、当該時点相当量をＤＺ４に追加する。一例として、前処理部１２は、基準時点「0:00」から対象時点までの経過時間を時間（ｈ）単位で表す量として、時点相当量を設定してよい。図１１のＤＺ５は、ＤＺ４に時点相当量を追加することによって生成されたデータの例を示す。
【0050】
図１１の例では、「0:00」からの１分間の経過時間は、１／６０（≒０．０１６６７）という時点相当量に対応する。参考形態の例では、時点の年（ｙ）、月（ｍ）、および日（ｄ）を考慮せずに、時間（ｈ）および分（ｍ）のみを用いて時点相当量が導出されている。ただし、当業者であれば明らかである通り、年、月、および日の少なくともいずれかを考慮した型として導出された量が、時点相当量として導出されてもよい。
【0051】
ただし、当業者であれば明らかである通り、時点相当量は必ずしも導出されなくともよい。本発明の一態様に係る予測モデルは、特殊ラグを需要電力量に対して設定することにより導出された新たな特徴量を説明変数として用いて、需要電力量の予測値を出力できるように設定されていればよいためである。
【0052】
次いで、前処理部１２は、例えばカレンダーデータを参照することにより、ＤＺ５に記録されている時点の日付に対応する曜日を決定する。そして、前処理部１２は、当該曜日をＤＺ５に追加する。図１２のＤＺ６は、ＤＺ５に曜日を追加することによって生成されたデータの例である。図１２の例では、前処理部１２は、質的変数（名義尺度）に変換した曜日をＤＺ５に追加することにより、ＤＺ６を生成している。本明細書の例では、曜日０～６は、日曜日～土曜日をこの順に表す。したがって、図１２の例における曜日４は、木曜日を表す。
【0053】
図１２に示す通り、ＤＺ６において、需要電力量、および当該需要電力量に基づいて導出された新たな特徴量は、例えば曜日および就業状態を示す特徴量（カレンダー特徴量）に比べて大きい値となりうる。したがって、前処理部１２は、ＤＺ６に含まれている各特徴量に対するスケーリングを実行してよい。これにより、各特徴量の数値範囲を同程度に揃えることができるので、より高い性能を有する予測モデルを生成することが可能となる。
【0054】
本明細書では、前処理部１２がスケーリングとして標準化（standardization）を実行する場合を例示する。前処理部１２は、ＤＺ６に含まれているある特徴量について、当該特徴量の平均値（μ）および標準偏差（σ）を導出する。そして、前処理部１２は、導出したμおよびσを用いて、当該特徴量を標準化する。本明細書では、学習モデルの生成前の標準化に用いたμおよびσを、標準化パラメータと称する。図１３のＤＺ６Ｓは、ＤＺ６の各特徴量に対して標準化を施すことによって生成されたデータの例である。参考形態の例では、ＤＺ６が、前処理後訓練データとして用いられる。
【0055】
学習部１３は、需要電力量に基づいて導出された新たな特徴量が追加された後の、当該需要電力量の時系列データに基づいて、機械学習によって予測モデルを生成する。したがって、一例として、学習部１３は、所定の機械学習アルゴリズムを実行することにより、前処理後訓練データ（例：ＤＺ６Ｓ）に基づいて予測モデルを生成してよい。
【0056】
本発明の一態様に係る予測モデルは、予測対象時点における需要電力量の予測値を、目的変数として出力できる学習済モデルであればよい。したがって、機械学習アルゴリズムの種類は、回帰タスクを解くことが可能なものであれば、特に限定されない。機械学習アルゴリズムの例としては、ニューラルネットワーク（Neural Network，ＮＮ）、サポートベクターマシン（Support Vector Machine，ＳＶＭ）、および決定木（Decision Tree，ＤＴ）などを挙げることができる。
【0057】
参考形態の例では、学習部１３は、ＤＺ６Ｓに含まれている、（ｉ）任意の予測対象時点における需要電力量を目的変数の真値（正解データ）として用いるとともに、（ｉｉ）当該予測対象時点以前における需要電力量以外の各特徴量を説明変数として用いることにより、説明変数から目的変数を導出する予測モデルを生成する。
【0058】
予測モデルの生成後、学習部１３は、当該予測モデルに、各特徴量の標準化パラメータを組み込んでよい。学習部１３は、当該予測モデルに、ローリングラグと非ローリングラグとをさらに組み込んでよい。
【0059】
評価部１４は、学習部１３によって生成された予測モデルを評価する。具体的には、評価部１４は、当該予測モデルの予測性能を評価する。評価部１４による評価に先立ち、前処理部１２は、検証データに対して、上述の訓練データと同じ様式の一連の前処理を実行することにより、前処理後検証データを生成する。したがって、参考形態の例では、前処理後検証データは、ＤＺ６Ｓと同じ様式のデータ構造を有している。このため、参考形態における前処理後検証データでは、予測モデルに組み込まれている標準化パラメータを用いて各特徴量が標準化されている。
【0060】
評価部１４は、前処理後検証データを用いて予測モデルを評価する。具体的には、評価部１４は、前処理後検証データを予測モデルに入力することにより、当該予測モデルに予測値を出力させる。そして、評価部１４は、当該予測値と、前処理後検証データに示されている需要電力量の真値とに基づいて、予測モデルの予測精度を示す指標値を導出する。
【0061】
指標値は、機械学習分野において、回帰タスクにおける予測精度の評価に使用されるものであればよく、特に限定されない。指標値の例としては、平均絶対誤差（Mean Absolute Error，ＭＡＥ）および平均平方二乗誤差（Root Mean Square Error，ＲＭＳＥ）などを挙げることができる。評価部１４は、指標値の導出が完了した後に、予測モデルを記憶部９０に格納してよい。
【0062】
なお、モデル生成装置１０は、指標値が所定の閾値を下回る場合には、学習部１３に予測モデルを再び生成させてよい。この場合、予測モデルの再生成に先立ち、例えば当該予測モデルのハイパーパラメータが再設定されてよい。このように、予測フェーズにおいて使用される予測モデルの性能を補償するために、閾値以上の指標値が得られるまで予測モデルの生成が繰り返されてよい。この場合、評価部１４は、閾値以上の指標値が初めて得られた予測モデルを、記憶部９０に格納してよい。
【0063】
（等差数列要素の選択手法の例）
図１４は、等差数列要素を選択する処理の流れの例を示すフローチャートである。まず、前処理部１２は、Ｓ１に先立ち、上述の配列Ｐｌａｇの要素数ＮＰｌａｇを取得する。参考形態の例では、Ｐｌａｇ＝［１，７，１４，２１］であるので、ＮＰｌａｇ＝４である。
図１４は、等差数列要素を選択する処理の流れの例を示すフローチャートである。まず、前処理部１２は、Ｓ１に先立ち、上述の配列Ｐｌａｇの要素数ＮＰｌａｇを取得する。参考形態の例では、Ｐｌａｇ＝［１，７，１４，２１］であるので、ＮＰｌａｇ＝４である。
【0064】
Ｓ１において、前処理部１２は、ＮＰｌａｇが２以上であるか否かを反映する。ＮＰｌａｇが２以上である場合（Ｓ１でＹＥＳ）、Ｓ２に進む。他方、ＮＰｌａｇが１以下である場合（Ｓ１でＮＯ）、前処理部１２は、図１４の処理を終了させる。この場合、前処理部１２は、Ｐｌａｇは等差数列要素を含んでいないと判定する。
【0065】
Ｓ２において、前処理部１２は、Ｐｌａｇの要素を指すための要素番号ｉを０に初期化する。Ｓ３において、前処理部１２は、Ｐｌａｇが等差数列要素を含んでいることを示すフラグｆｌｇをＴｒｕｅ（真）に初期化する。
【0066】
Ｓ４において、前処理部１２は、ｉがＮＰｌａｇ－２よりも小さいか否かを判定する。ｉがＮＰｌａｇ－２よりも小さい場合（Ｓ４でＹＥＳ）、Ｓ５に進む。他方、ｉがＮＰｌａｇ－２以上である場合（Ｓ４でＮＯ）、Ｓ８に進む。
【0067】
Ｓ５において、前処理部１２は、ａ０にＰｌａｇ［ｉ］を代入する。ａ０は、想定される等差数列の初項である。このように、Ｓ５において、前処理部１２は、ａ０をＰｌａｇ［ｉ］と等しい値に設定する。Ｓ６において、前処理部１２は、ｄにＰｌａｇ［ｉ＋１］－ａ０を代入する。ｄは、想定される等差数列の公差である。このように、Ｓ６において、前処理部１２は、ｄをＰｌａｇ［ｉ＋１］－ａ０と等しい値に設定する。次いで、Ｓ７において、前処理部１２は、Ｐｌａｇの要素を指すための要素番号ｊに、ｉ＋２を代入する。そして、Ｓ１１に進む。
【0068】
Ｓ８～Ｓ１０はそれぞれ、Ｓ５～Ｓ７と対になる処理である。Ｓ８において、前処理部１２は、ａ０に０を代入する。すなわち、Ｓ８において、前処理部１２は、ａ０を０に設定する。Ｓ９において、前処理部１２は、ｄにＰｌａｇ［ｉ］－ａ０を代入する。このように、Ｓ９において、前処理部１２は、ｄをＰｌａｇ［ｉ］－ａ０と等しい値に設定する。次いで、Ｓ１０において、前処理部１２は、ｊにｉ＋１を代入する。そして、Ｓ１１に進む。
【0069】
Ｓ１１において、前処理部１２は、ｎｅｘｔ＿ｄにＰｌａｇ［ｊ］－Ｐｌａｇ［ｊ－１］を代入する。ｎｅｘｔ＿ｄは、想定される等差数列における、ｄの次の公差である。このように、前処理部１２は、ｎｅｘｔ＿ｄをＰｌａｇ［ｊ］－Ｐｌａｇ［ｊ－１］と等しい値に設定する。
【0070】
Ｓ１２において、前処理部１２は、ｎｅｘｔ＿ｄがｄに等しいか否かを判定する。ｎｅｘｔ＿ｄがｄに等しい場合（Ｓ１２でＹＥＳ）、Ｓ１３において、前処理部１２は、ｊを１だけカウントアップする。そして、Ｓ１５に進む。他方、ｎｅｘｔ＿ｄがｄに等しくない場合（Ｓ１２でＮＯ）、Ｓ１４において、前処理部１２は、ｆｌｇをＦａｌｓｅ（偽）に更新する。そして、Ｓ１６に進む。
【0071】
Ｓ１５において、前処理部１２は、ｊがＮＰｌａｇ以上であるか否かを判定する。ｊがＮＰｌａｇ以上である場合（Ｓ１５でＹＥＳ）、Ｓ１６に進む。他方、ｊがＮＰｌａｇよりも小さい場合（Ｓ１５でＮＯ）、Ｓ１１に戻る。したがって、ｊがＮＰｌａｇに等しくなるまで、Ｓ１１～Ｓ１３およびＳ１５の処理が繰り返される。
【0072】
Ｓ１６において、前処理部１２は、ｆｌｇがＦａｌｓｅであるか否かを判定する。ｆｌｇがＦａｌｓｅである場合（Ｓ１６でＹＥＳ）、Ｓ１７において、前処理部１２は、ｉを１だけカウントアップする。そして、Ｓ１９に進む。他方、ｆｌｇがＦａｌｓｅでない場合（Ｓ１６でＮＯ）、すなわち、ｆｌｇがＴｒｕｅである場合、Ｓ１８に進む。
【0073】
Ｓ１８において、前処理部１２は、Ｐｌａｇの要素の内、ｉ番目以降の要素であるＰｌａｇ［ｉ：］を配列ａｐに代入する。配列ａｐは、等差数列要素を格納するための配列である。Ｓ１８の完了後、前処理部１２は、図１４の処理を終了させる。処理の終了時におけるｆｌｇがＴｒｕｅである場合（言い換えれば、処理の終了時における配列ａｐが空配列でない場合）、前処理部１２は、Ｐｌａｇが等差数列要素を含んでいると判定する。この場合、前処理部１２は、等差数列要素の選択結果としてａｐを出力してよい。
【0074】
Ｓ１９において、前処理部１２は、ｉがＮＰｌａｇ以上であるか否かを判定する。ｉがＮＰｌａｇ以上である場合（Ｓ１９でＹＥＳ）、Ｓ２０に進む。他方、ｉがＮＰｌａｇよりも小さい場合（Ｓ１９でＮＯ）、Ｓ３に戻る。したがって、ｉがＮＰｌａｇに等しくなるまで、Ｓ３～Ｓ１６、Ｓ１７、およびＳ１９の処理が繰り返される。
【0075】
Ｓ２０において、前処理部１２は、空配列を配列ａｐに代入する。すなわち、前処理部１２は、配列ａｐを空配列に設定する。Ｓ２０の完了後、前処理部１２は、図１４の処理を終了させる。処理の終了時におけるｆｌｇがＦａｌｓｅである場合（言い換えれば、処理の終了時における配列ａｐが空配列である場合）、前処理部１２は、Ｐｌａｇは等差数列要素を含んでいないと判定する。この場合、前処理部１２は、空配列としてのａｐを、等差数列要素の選択結果として出力してよい。
【0076】
参考形態の例では、Ｓ２においてｉ＝０に設定された後、Ｓ５において、ａ０＝Ｐｌａｇ［０］＝１に設定される。したがって、Ｓ６において、ｄ＝Ｐｌａｇ［１］－ａ０＝７－１＝６に設定される。そして、Ｓ７において、ｊ＝２に設定される。このため、Ｓ１１において、ｎｅｘｔ＿ｄ＝Ｐｌａｇ［２］－Ｐｌａｇ［１］＝１４－７＝７に設定される。この場合、ｄがｎｅｘｔ＿ｄに等しくないので、Ｓ１４においてｆｌｇがＦａｌｓｅに設定される。その後、Ｓ１７において、ｉが１にカウントアップされる。
【0077】
Ｓ３においてｆｌｇがＴｒｕｅに更新された後、Ｓ５において、ａ０＝Ｐｌａｇ［１］＝７に設定される。したがって、Ｓ６において、ｄ＝Ｐｌａｇ［２］－ａ０＝１４－７＝７に設定される。そして、Ｓ７において、ｊ＝３に設定される。このため、Ｓ１１において、ｎｅｘｔ＿ｄ＝Ｐｌａｇ［３］－Ｐｌａｇ［２］＝２１－１４＝７に設定される。したがって、ｄがｎｅｘｔ＿ｄに等しく、かつ、ｆｌｇがＴｒｕｅであるため、Ｓ１８において、Ｐｌａｇ［１：］＝［７，１４，２１］がａｐとして設定される。
【0078】
（参考形態における予測フェーズ）
続いて、図１を再び参照し、学習フェーズに後続する予測フェーズの例について説明する。予測装置２０は、データ取得部２１、前処理部２２、予測演算部２３、および予測結果出力部２４を備えていてよい。データ取得部２１は、予測時データ取得部または第２データ取得部と称されてもよい。前処理部２２は、予測時前処理部または第２前処理部と称されてもよい。
続いて、図１を再び参照し、学習フェーズに後続する予測フェーズの例について説明する。予測装置２０は、データ取得部２１、前処理部２２、予測演算部２３、および予測結果出力部２４を備えていてよい。データ取得部２１は、予測時データ取得部または第２データ取得部と称されてもよい。前処理部２２は、予測時前処理部または第２前処理部と称されてもよい。
【0079】
図１に示す通り、記憶部９０には、予測フェーズにおいて用いられる実績データＤＺＰと就業状態データＤＳＰとが格納されていてよい。予測フェーズでは、リアルタイムでの需要電力量予測が実行されてよい。このため、実績データＤＺＰは、リアルタイムで更新されてよい。データ取得部２１は、予測フェーズにおける入力データとしてＤＺＰおよびＤＳＰを取得する。ＤＺＰは、ＤＺと同じ様式のデータ構造を有しているものとする。また、ＤＳＰは、ＤＳと同じ様式のデータ構造を有しているものとする。加えて、データ取得部２１は、学習フェーズにおいてモデル生成装置１０によって記憶部９０に格納された予測モデルを取得する。
【0080】
前処理部２２は、予測フェーズにおける入力データセットに対して、上述の学習フェーズと同じ様式の一連の前処理を実行することにより、前処理後入力データを生成する。前処理部２２の処理の例について以下に述べる。
【0081】
まず、前処理部２２は、ＤＳＰ中の就業状態に対して前値補間を実行することにより、予測フェーズにおける前値補間後就業状態データ（便宜上、ＤＳＰ１と称する）を生成する。前値補間の結果、ＤＳＰ１は、ＤＺＰと等しい時間分解能（例：１分）を有している。
【0082】
次いで、前処理部２２は、時点をキーとして用いてＤＺＰとＤＳＰ１とを組み合わせることにより、予測フェーズにおける就業状態データ付実績データ（便宜上、ＤＺＰ１と称する）を生成する。
【0083】
次いで、前処理部２２は、学習フェーズにおいて決定された特殊ラグを取得する。例えば、前処理部２２は、学習フェーズにおいて決定されたローリングラグと非ローリングラグとを、予測モデルから読み出してよい。前処理部２２は、学習フェーズにおいて決定された特殊ラグを予測フェーズにおける需要電力量に対して設定することにより、予測フェーズにおける新たな特徴量を導出する。
【0084】
前処理部２２は、予測フェーズにおける需要電力量に対して非ローリングラグを設定することにより、予測フェーズにおける新たな特徴量としてのラグ特徴量を導出してよい。そして、前処理部２２は、当該ラグ特徴量をＤＺＰ１に追加することによって、新たなデータ（便宜上、ＤＺＰ２と称する）を生成してよい。参考形態の例では、非ローリングラグが１であるため、前処理部２２は、「１日前の需要電力量」を予測フェーズにおけるラグ特徴量として取得する。
【0085】
次いで、前処理部２２は、予測フェーズにおける需要電力量に対してローリングラグを設定することにより、予測フェーズにおける新たな特徴量としてのローリング特徴量を導出してよい。まず、前処理部２２は、ローリングラグに応じて、予測フェーズにおけるローリング特徴量コンポーネントを取得する。参考形態の例では、ローリングラグが７、１４、および２１であるため、前処理部２２は、予測フェーズにおける「７日前の需要電力量」、「１４日前の需要電力量」、および「２１日前の需要電力量」を、予測フェーズにおけるローリング特徴量コンポーネントとして取得する。そして、前処理部２２は、当該ローリング特徴量コンポーネントをＤＺＰ２に追加する。
【0086】
次いで、前処理部２２は、予測フェーズにおける「７日前の需要電力量」と「１４日前の需要電力量」と「２１日前の需要電力量」との平均値を導出し、当該平均値を予測フェーズにおけるローリング特徴量として取得する。そして、前処理部２２は、当該ローリング特徴量をＤＺＰ２にさらに追加する。
【0087】
以上の通り、前処理部２２は、ＤＺＰ２に予測フェーズにおけるローリング特徴量コンポーネントとローリング特徴量とを追加することによって、新たなデータ（便宜上、ＤＺＰ３と称する）を生成してよい。ローリング特徴量の取得後に、前処理部２２は、ＤＺＰ３からローリング特徴量コンポーネントを削除することによって、新たなデータ（便宜上、ＤＺＰ４と称する）を生成してよい。
【0088】
次いで、前処理部２２は、ＤＺＰ４に記録されている時点を、予測フェーズにおける時点相当量に変換する。そして、前処理部２２は、当該時点相当量をＤＺ４に追加することにより、新たなデータ（便宜上、ＤＺＰ５と称する）を生成する。
【0089】
次いで、前処理部２２は、ＤＺＰ５に記録されている時点の日付に対応する曜日（質的変数に変換した曜日）をＤＺ５に追加することにより、新たなデータ（便宜上、ＤＺＰ６と称する）を生成する。
【0090】
次いで、前処理部２２は、学習フェーズにおいて決定された標準化パラメータを、予測モデルから読み出す。そして、前処理部２２は、当該標準化パラメータを用いてＤＺＰ６の各特徴量を標準化する。図１５のＤＺＰ６Ｓは、ＤＺＰ６の各特徴量に対して標準化を施すことによって生成されたデータの例である。ＤＺＰ６Ｓは、予測フェーズにおける前処理後入力データとして用いられる。図１５では、キーとしての時点については図示が割愛されている。すなわち、図１５では、予測フェーズにおける需要電力量の予測に用いられる説明変数のみが示されている。
【0091】
一例として、予測フェーズでは、３０分ごとに需要電力量予測が実行されてよい。また、予測フェーズでは、例えば２４時間を超える将来の期間に亘る（例：現時点から３６時間後までに亘る）需要電力量の予測値が導出されてよい。このことから、予測フェーズでは、例えば「１日前の需要電力量」の一部のセルの値は未知となりうる。図１５の例では、ＮＵＬＬという表記によって、未知の値（すなわち空白値）を有するセルが示されている。ＤＺＰ６Ｓ内に空白値が存在する場合、前処理部２２は、所定の補間手法を用いて当該空白値を補間してよい。
【0092】
一例として、前処理部２２は、予測モデルを用いて、１日前の需要電力量の既知の値に基づいて、空白値を補間してよい。例えば、前処理部２２は、ある空白値に対応する１日前の需要電力量の既知の値を予測モデルに入力することにより、当該入力に応じた予測値を予測モデルに出力させてよい。そして、前処理部２２は、当該予測値を当該空白値の補間値として設定してよい。
【0093】
予測演算部２３は、予測フェーズにおける需要電力量に基づいて導出された新たな特徴量が追加された後の、当該需要電力量の時系列データに基づいて、需要電力量の予測値を予測モデルに出力させる。したがって、予測演算部２３は、前処理後入力データ（例：ＤＺＰ６Ｓ）を予測モデルに入力することにより、当該予測モデルに予測値を出力させてよい。具体的には、予測演算部２３は、前処理後入力データ内の各特徴量を、説明変数として予測モデルに供給する。予測モデルは、当該説明変数に応じた予測値を、目的変数として出力する。
【0094】
予測結果出力部２４は、予測モデルによって出力された需要電力量の予測値に基づいて、予測結果データを生成する。例えば、予測結果出力部２４は、各予測値と各時点とを対応付けたデータを、予測結果データとして生成してよい。予測結果出力部２４は、生成した予測結果データを出力する。
【0095】
また、予測結果出力部２４は、需要電力量の予測値（単位：ｋＷｈ）を、別の単位に換算してもよい。一例として、予測結果出力部２４は、需要電力量の予測値を、需要電力の予測値（単位：ｋＷ）へと換算してよい。この場合、予測結果出力部２４は、換算後の各予測値と各時点とを対応付けたデータを、予測結果データとして生成してよい。
【0096】
（情報処理装置１の効果）
モデル生成装置１０によれば、学習フェーズにおいて、ＡＣ（需要電力量の自己相関係数）に基づいて特殊ラグを選択できる。次いで、特殊ラグを需要電力量に対して設定することにより、新たな特徴量を導出できる。このように、モデル生成装置１０によれば、新たな特徴量は、需要電力量の変動の周期性を表すと期待される特徴量（例：上述のローリング特徴量およびラグ特徴量）を、ＡＣに基づいて導出できる。それゆえ、当該新たな特徴量を、需要電力量の予測に有益であると期待される説明変数として得ることが可能となる。
モデル生成装置１０によれば、学習フェーズにおいて、ＡＣ（需要電力量の自己相関係数）に基づいて特殊ラグを選択できる。次いで、特殊ラグを需要電力量に対して設定することにより、新たな特徴量を導出できる。このように、モデル生成装置１０によれば、新たな特徴量は、需要電力量の変動の周期性を表すと期待される特徴量（例：上述のローリング特徴量およびラグ特徴量）を、ＡＣに基づいて導出できる。それゆえ、当該新たな特徴量を、需要電力量の予測に有益であると期待される説明変数として得ることが可能となる。
【0097】
そして、モデル生成装置１０によれば、需要電力量に対して新たな特徴量が追加された時系列データ（例えば、上述の図９におけるＤＺ４を参照）に基づき、予測モデルを生成できる。このため、新たな特徴量を説明変数として用いて予測モデルを生成できるので、当該予測モデルによる予測精度を高めることができる。すなわち、高品質な予測モデルを得ることができる。
【0098】
施設における需要電力量の変動トレンドは、例えば施設の業態に応じて異なりうる。このことから、予測モデルの生成に先立ち、ユーザが当該施設に応じた適切なラグを手動で設定することは必ずしも容易ではない。また、ユーザによって設定されたラグが不適切である場合、予測モデルの品質低下が生じるおそれがある。
【0099】
しかしながら、上述の通りモデル生成装置１０によれば、需要電力量の変動の周期性を把握するために適したラグであると期待される特殊ラグを、ＡＣに基づいて選択できる。それゆえ、ユーザによるラグの手動設定を要することなく、予測モデルを生成できる。このため、ユーザの利便性を高めつつ、施設の業態に応じた高品質な予測モデルを得ることができる。
【0100】
さらに、モデル生成装置１０によれば、施設における就業状態を付加的な説明変数として用いて、予測モデルを生成することもできる。就業状態を付加的な説明変数として用いることにより、施設の業態がより詳細に反映された予測モデルを生成できる。それゆえ、予測モデルの予測精度をより一層高めることが可能となる。
【0101】
ところで、特許文献１では、熱負荷の予測精度を高めるために複数のＮＮを使い分けるという着想が示されている。具体的には、特許文献１では、平日用ＮＮと土曜日用ＮＮと日曜日用ＮＮという３つの個別のＮＮを予め生成し、予測当日の曜日に応じて各ＮＮを使い分けることが開示されている。
【0102】
ただし、施設の業態次第では、土曜日および日曜日の少なくとも一方が就業日として設定されている場合もある。あるいは、施設の業態次第では、特定の曜日の平日（例：月曜日）が休業日として設定されている場合もある。あるいは、施設の業態次第では、平日、土曜日、および日曜日の全てが就業日に該当しうる。
【0103】
したがって、特許文献１に示されている各ＮＮの使い分けでは、上述した様々な施設の業態に柔軟に対処することはできない。このことから、特許文献１に示されている各ＮＮの使い分けを需要電力量予測に適用した場合には、必ずしも高い予測精度を実現することはできない。
【0104】
その一方、モデル生成装置１０によれば、上述の通り、施設の業態に応じた高品質な予測モデルを得ることができる。したがって、モデル生成装置１０によれば、特許文献１の技術とは異なり、高い予測精度を実現可能な単一の予測モデルを生成できる。このように、モデル生成装置１０によれば、従来に比べて汎用性の高い予測モデルが得られる。
【0105】
そして、予測装置２０によれば、学習フェーズにおいてモデル生成装置１０によって生成された予測モデルを用いて、予測フェーズにおいて需要電力量の予測値を導出できる。以上の通り、本発明の一態様によれば、施設における需要電力量の予測精度を従来よりも高めることが可能となる。
【0106】
〔参考形態における変形例〕
（１）参考形態における上記の例では、学習フェーズにおいて設定された複数のラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有するＡＣに対応するラグを、特殊ラグとして選択する手法を例示した。ただし、当業者であれば明らかである通り、参考形態における特殊ラグの選択手法は、上記の例に限定されない。
（１）参考形態における上記の例では、学習フェーズにおいて設定された複数のラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有するＡＣに対応するラグを、特殊ラグとして選択する手法を例示した。ただし、当業者であれば明らかである通り、参考形態における特殊ラグの選択手法は、上記の例に限定されない。
【0107】
例えば、前処理部１２は、複数のラグの内、ラグとＡＣとの関係を示すデータ系列におけるＡＣの極大値に対応するラグを、特殊ラグ候補として選択してよい。したがって、例えば、前処理部１２は、図７のグラフにおけるＡＣの極大値に対応するラグを、特殊ラグ候補として選択してよい。次いで、前処理部１２は、特殊ラグ候補の内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有するＡＣに対応するラグを、特殊ラグとして選択してよい。
【0108】
施設の業態次第では、ＡＣの極大値に対応するラグの付近において、自己相関閾値以上の値を有するＡＣに対応するラグが多く存在するケースも考えられる。当該ケースにおいて、参考形態における上記の例の選択手法を採用した場合には、多くの特殊ラグが選択されうる。この場合、多くの新たな説明変数（例：多くのローリング特徴量およびラグ特徴量）が導出される。当業者であれば明らかである通り、説明変数の数が過大である場合には、予測モデルの品質が低下しうる。また、過大な数の説明変数は、機械学習アルゴリズムの実行に要する時間の増加を招く。
【0109】
その一方、上記ケースにおいて、本変形例における選択手法を採用した場合には、参考形態における上記の例の選択手法とは異なり、特殊ラグ候補の内から特殊ラグが選択される。したがって、本変形例の選択手法によれば、参考形態における上記の例の選択手法に比べて、選択される特殊ラグの数を低減できる。
【0110】
それゆえ、本変形例の選択手法によれば、参考形態における上記の例の選択手法に比べて、導出される新たな説明変数の数を低減できる。その結果、本変形例の選択手法によれば、上記ケースにおいても、高品質な予測モデルを生成できる。加えて、機械学習アルゴリズムの実行に要する時間を低減することもできる。
【0111】
（２）当業者であれば明らかである通り、予測モデルにおける説明変数は、上記の例に限定されない。施設における需要電力量に影響を及ぼしうると考えられる任意の特徴量が、説明変数として使用されてよい。例えば、施設の業態次第では、気温、天候、および日射量などの気象条件が、需要電力量に影響を及ぼす。そこで、気象条件と需要電力量との間に相関がある場合には、気象条件を示す特徴量（気象特徴量）を、付加的な説明変数として使用することもできる。
【0112】
気象特徴量は、施設における測定の結果として得られた実績値であってもよいし、気象予報サービス事業者によって提供された予測値であってもよい。したがって、例えば、学習フェーズでは、気象特徴量の実績値を用いて予測モデルが生成されてよい。次いで、予測フェーズでは、気象特徴量の予測値を用いて、当該予測モデルによって需要電力量が予測されてよい。この場合、予測フェーズでは、学習フェーズにおける気象特徴量の実績値を用いて、気象特徴量の予測値が補正されてもよい。
【0113】
（３）前処理部１２は、ＤＺ１における需要電力量の偏自己相関係数（partial auto
correlation coefficient）を導出してもよい。本明細書では、当該自己相関係数をＰＡＣと略記する。具体的には、前処理部１２は、ラグを様々に変化させることにより、ラグ毎のＰＡＣを算出してよい。
correlation coefficient）を導出してもよい。本明細書では、当該自己相関係数をＰＡＣと略記する。具体的には、前処理部１２は、ラグを様々に変化させることにより、ラグ毎のＰＡＣを算出してよい。
【0114】
多くの場合、ＰＡＣとＡＣとの間には何らかの関係性があると期待される。そこで、前処理部１２は、ＰＡＣに基づいて、特殊ラグを選択してもよい。このように、前処理部１２は、ＰＡＣに基づいて、新たな特徴量（例：ラグ特徴量およびローリング特徴量）を導出してもよい。
【0115】
加えて、ＡＣとＰＡＣとの両方を用いることにより、ＡＣまたはＰＡＣの一方のみを用いた場合に比べて、需要電力量の時間変動の周期性をより詳細に考慮できると期待される。そこで、前処理部１２は、ＡＣおよびＰＡＣに基づいて、特殊ラグを選択してもよい。このように、前処理部１２は、ＡＣおよびＰＡＣに基づいて、新たな特徴量を導出することもできる。
【0116】
〔参考形態のまとめ〕
参考形態において説明した各事項は、下記の通り表現できる。
参考形態において説明した各事項は、下記の通り表現できる。
【0117】
参考形態に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数に基づいて、複数の前記ラグの内から特殊ラグを選択し、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する。
【0118】
参考形態に係るモデル生成装置は、前記態様１において、複数の前記ラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有する前記自己相関係数に対応するラグを、前記特殊ラグとして選択してよい。
【0119】
参考形態に係るモデル生成装置は、複数の前記ラグの内、前記ラグと前記自己相関係数との関係を示すデータ系列における前記自己相関係数の極大値に対応するラグを、特殊ラグ候補として選択してよく、前記特殊ラグ候補の内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有する前記自己相関係数に対応するラグを、特殊ラグとして選択してよい。
【0120】
参考形態に係るモデル生成装置では、前記自己相関閾値は、０．７以上かつ１以下の値であってよい。
【0121】
参考形態に係るモデル生成装置は、複数の前記特殊ラグが昇順にソートされた配列において、等差数列を成す複数の前記特殊ラグをローリングラグとして選択してよく、前記ローリングラグを前記実績値に対して設定することにより、前記新たな特徴量としてローリング特徴量を導出してよい。
【0122】
参考形態に係るモデル生成装置は、前記配列における前記ローリングラグを除いた前記特殊ラグを非ローリングラグとして選択してよく、前記非ローリングラグを前記実績値に対して設定することにより、前記新たな特徴量としてラグ特徴量を導出してよい。
【0123】
参考形態に係るモデル生成装置では、前記新たな特徴量が追加された前記時系列データは、前記施設における日毎の就業状態を示すデータをさらに含んでいてよい。
【0124】
参考形態に係る予測装置は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す前記学習フェーズにおける時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数に基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測装置は、前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記学習フェーズにおいて選択された前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出し、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる。
【0125】
参考形態に係るモデル生成方法は、施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、前記施設における需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれについて前記実績値の自己相関係数を導出する工程と、前記自己相関係数に基づいて、複数の前記ラグの内から特殊ラグを選択する工程と、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出する工程と、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する工程と、を含んでいる。
【0126】
参考形態に係る予測方法は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを、予測フェーズにおいて用いることにより、前記施設における需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、前記施設における需要電力量の実績値の時間推移を示す前記学習フェーズにおける時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれについて前記実績値の自己相関係数が導出されており、前記自己相関係数に基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前記学習フェーズにおける前記実績値に対して設定することにより新たな特徴量が導出されており、前記学習フェーズにおける前記新たな特徴量が追加された、前記学習フェーズにおける前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測方法は、前記施設における需要電力量の実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記学習フェーズにおいて選択された前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出する工程と、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる工程と、を含んでいる。
【0127】
〔実施形態１〕
図１６は、実施形態１における情報処理装置１Ａの要部の構成を例示するブロック図である。実施形態１では、参考形態との相違点について説明する。図１６の例における情報処理装置１Ａは、制御装置９に替えて、制御装置９Ａを備えている。制御装置９Ａは、モデル生成装置１０および予測装置２０に替えて、モデル生成装置１０Ａおよび予測装置２０Ａを備えている。モデル生成装置１０Ａは、前処理部１２に替えて、前処理部１２Ａを備えている。予測装置２０Ａは、前処理部２２に替えて、前処理部２２Ａを備えている。
図１６は、実施形態１における情報処理装置１Ａの要部の構成を例示するブロック図である。実施形態１では、参考形態との相違点について説明する。図１６の例における情報処理装置１Ａは、制御装置９に替えて、制御装置９Ａを備えている。制御装置９Ａは、モデル生成装置１０および予測装置２０に替えて、モデル生成装置１０Ａおよび予測装置２０Ａを備えている。モデル生成装置１０Ａは、前処理部１２に替えて、前処理部１２Ａを備えている。予測装置２０Ａは、前処理部２２に替えて、前処理部２２Ａを備えている。
【0128】
（実施形態１における学習フェーズ）
参考形態では、モデル生成装置１０がＡＣに基づいて特殊ラグを選択する場合を例示した。実施形態１のモデル生成装置１０Ａは、ＡＣおよび就業状態データＤＳに基づいて特殊ラグを選択する。すなわち、モデル生成装置１０Ａは、施設の就業状態をも考慮して特殊ラグを選択する。
参考形態では、モデル生成装置１０がＡＣに基づいて特殊ラグを選択する場合を例示した。実施形態１のモデル生成装置１０Ａは、ＡＣおよび就業状態データＤＳに基づいて特殊ラグを選択する。すなわち、モデル生成装置１０Ａは、施設の就業状態をも考慮して特殊ラグを選択する。
【0129】
実施形態１においても、特殊ラグがローリングラグと非ローリングラグとを含んでいる場合を例示する。実施形態１では、参考形態において述べた、需要電力量の時間変動の「比較的長期的な周期性」を、「第１周期性」と称する。参考形態の説明から明らかである通り、ローリングラグは第１周期性に対応している。
【0130】
その一方、実施形態１では、参考形態において述べた、需要電力量の時間変動の「比較的短期的な周期性」を、「第２周期性」と称する。したがって、第２周期性は、第１周期性に比べて短期的な周期性である。参考形態の説明から明らかである通り、非ローリングラグは第２周期性に対応している。
【0131】
参考形態では、モデル生成装置１０の前処理部１２が、複数のラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有するＡＣに対応するラグを、特殊ラグとして選択する場合を例示した。
【0132】
実施形態１では、前処理部１２Ａは、複数のラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有する前記自己相関係数に対応するラグを、特殊ラグ候補として選択してよい。このように、前処理部１２Ａは、参考形態において特殊ラグとして選択していた要素を、特殊ラグ候補として選択してよい。
【0133】
前処理部１２Ａは、参考形態と同様の処理を行うことにより、特殊ラグ候補の内から、ローリングラグ候補および非ローリングラグ候補を選択してよい。例えば、前処理部１２Ａは、抽出した複数の特殊ラグ候補を昇順にソートしてよい。そして、前処理部１２Ａは、ソートされた当該特殊ラグ候補を要素として含む配列Ｐｌａｇ＿Ａを生成してよい。実施形態１では、説明の便宜上、Ｐｌａｇ＿Ａ＝［１，７，１４］である場合を例示する。
【0134】
前処理部１２Ａは、Ｐｌａｇ＿Ａの要素の内、等差数列を成す要素（等差数列要素）を、ローリングラグ候補として選択してよい。すなわち、前処理部１２Ａは、Ｐｌａｇ＿Ａにおいて、等差数列を成す複数の特殊ラグ候補をローリングラグ候補として選択してよい。実施形態１の例では、前処理部１２Ａは、ラグ「７」および「１４」をローリングラグ候補として選択する。
【0135】
本明細書では、施設の就業日に対応するローリングラグを就業日ローリングラグと称し、施設の休日に対応するローリングラグを休日ローリングラグと称する。また、就業日ローリングラグに対応するローリング特徴量を就業日ローリング特徴量と称し、休日ローリングラグに対応するローリング特徴量を休日ローリング特徴量と称する。
【0136】
前処理部１２Ａは、就業状態データＤＳに基づいて、ローリングラグ候補から、就業日ローリングラグと休日ローリングラグとを導出してよい。ローリングラグ候補から就業日ローリングラグと休日ローリングラグとを導出する処理の例については後述する。
【0137】
そして、前処理部１２Ａは、就業日ローリングラグを需要電力量の実績値に対して設定することにより、就業日ローリング特徴量を導出してよい。また、前処理部１２Ａは、休日ローリングラグを需要電力量の実績値に対して設定することにより、休日ローリング特徴量を導出してよい。就業日ローリング特徴量および休日ローリング特徴量は、実施形態１における新たな特徴量の例である。
【0138】
前処理部１２Ａは、Ｐｌａｇ＿Ａの要素の内、等差数列要素を除いた要素を、残余要素として選択してよい。そして、前処理部１２Ａは、残余要素に該当する特殊ラグ候補を、非ローリングラグ候補として選択してよい。このように、前処理部１２Ａは、Ｐｌａｇ＿Ａにおけるローリングラグ候補を除いた特殊ラグ候補を、非ローリングラグ候補として選択してよい。実施形態１の例では、前処理部１２Ａは、ラグ「１」を非ローリングラグ候補として選択する。
【0139】
本明細書では、施設の就業日に対応する非ローリングラグを就業日非ローリングラグと称し、施設の休日に対応する非ローリングラグを休日非ローリングラグと称する。また、就業日非ローリングラグに対応するラグ特徴量を就業日ラグ特徴量と称し、休日非ローリングラグに対応するラグ特徴量を休日ラグ特徴量と称する。
【0140】
前処理部１２Ａは、就業状態データＤＳに基づいて、非ローリングラグ候補から、就業日非ローリングラグと休日非ローリングラグとを導出してよい。非ローリングラグ候補から就業日非ローリングラグと休日非ローリングラグとを導出する処理の例については後述する。
【0141】
そして、前処理部１２Ａは、就業日非ローリングラグを需要電力量の実績値に対して設定することにより、就業日ラグ特徴量を導出してよい。また、前処理部１２Ａは、休日非ローリングラグを需要電力量の実績値に対して設定することにより、休日ラグ特徴量を導出してよい。就業日ラグ特徴量および休日ラグ特徴量も、実施形態１における新たな特徴量の例である。
【0142】
（就業日非ローリングラグと休日非ローリングラグとを導出する処理の例）
図１７～図１９を参照し、就業日非ローリングラグと休日非ローリングラグとを導出する処理の例について述べる。この例では、就業状態データＤＳに基づいて、ある月の１７日から３１日までの各日について、ローリングラグが個別に設定される。図１７の項目Ｎｏ．０に示す通り、この例では、「１７日」、「１９日」、「２４日」、「３０日」、および「３１日」が休日であり、その他の各日が就業日であるものとする。図１７の表記「ｏｒｇ」は、「ｏｒｉｇｎａｌ」の略記である。Ｎｏ．０は、就業状態データＤＳから導出されてよい。
図１７～図１９を参照し、就業日非ローリングラグと休日非ローリングラグとを導出する処理の例について述べる。この例では、就業状態データＤＳに基づいて、ある月の１７日から３１日までの各日について、ローリングラグが個別に設定される。図１７の項目Ｎｏ．０に示す通り、この例では、「１７日」、「１９日」、「２４日」、「３０日」、および「３１日」が休日であり、その他の各日が就業日であるものとする。図１７の表記「ｏｒｇ」は、「ｏｒｉｇｎａｌ」の略記である。Ｎｏ．０は、就業状態データＤＳから導出されてよい。
【0143】
【0144】
処理１Ａ：前処理部１２Ａは、項目Ｎｏ．０中の各日を質的変数に変換し、項目Ｎｏ．１を導出する。図１７の例では、就業日に着目しているので、「就業日」に論理値１が割り当てられ、「休日」に論理値０が割り当てられるものとする。
【0145】
処理２Ａ：前処理部１２Ａは、項目Ｎｏ．１中の各値を、１日分だけ後ろにシフトさせることにより、項目Ｎｏ．２を導出する。図１７における表記「Ｓｈｉｆｔ１」は、ある項目中の各値を、１日分だけ後ろにシフトする処理を表す。このシフト値は、ラグに対応している。このことから、項目Ｎｏ．２を導出するためのシフト値は、非ローリングラグ候補に等しい値として設定されている。なお、項目Ｎｏ．２における「１７日」の論理値は、項目Ｎｏ．１における「１６日」の論理値（図１７では不図示）に等しい。
【0146】
処理３Ａ：前処理部１２Ａは、現在の項目のうち、論理値０が付与されている就業日が存在しているか否かを判定する。論理値０が付与されている就業日が存在していない場合には、後述の処理６Ａに進む。他方、論理値０が付与されている就業日が存在している場合には、下記の処理４Ａに進む。
【0147】
処理４Ａ：論理値０が付与されている就業日が存在している場合には、前処理部１２Ａは、当該就業日を抽出する。図１７の例では、前処理部１２Ａは、Ｎｏ．２において「１８日、２０日、および２５日」を抽出する。図１７に示す通り、論理値０が付与されている就業日は、休日の翌日でありうる。休日の翌日に該当する就業日については、ラグ「１」を適用することが必ずしも適切でないとも考えられる。
【0148】
次いで、前処理部１２Ａは、現在のシフト値を１だけ増加させる。そして、前処理部１２Ａは、増加後のシフト値を用いて現在の項目中の各値をシフトすることにより、新たな項目を導出する。図１７の例では、前処理部１２Ａは、シフト値を１から２に増加させる。そして、前処理部１２Ａは、項目Ｎｏ．１中の各値を、２日分だけ後ろにシフトさせることにより、項目Ｎｏ．３を導出する。項目Ｎｏ．１中の各値を２日分だけ後ろにシフトさせることは、項目Ｎｏ．２中の各値を１日分だけ後ろにシフトさせることと同等である。
【0149】
処理５Ａ：次いで、前処理部１２Ａは、各日について、論理値０が付与されている就業日が抽出されている最新の項目中の各値と、最新のシフト後の項目中の各値との論理和（ＯＲ）を算出することにより、新たな項目を導出する。例えば、前処理部１２Ａは、各日について、項目Ｎｏ．２中の各値と項目Ｎｏ．３中の各値との論理和を算出することにより、項目Ｎｏ．４を導出する。項目Ｎｏ．４中のある日の論理値は、項目Ｎｏ．２中の当該日の論理値と項目Ｎｏ．３中の当該日の論理値との論理和として設定されている。論理和を算出することにより、論理値０が付与されている就業日の数を低減させることができる。
【0150】
処理５Ａの終了後、処理３Ａに戻る。以上の流れによれば、論理値０が付与されている就業日が存在しなくなるまで、処理３Ａ～処理５Ａが繰り返される。
【0151】
処理６Ａ：前処理部１２Ａは、現在の項目を最終的な項目として設定する。図１７の例では、前処理部１２Ａは、項目Ｎｏ．６を最終項目として設定する。そして、前処理部１２Ａは、最終項目中の各就業日について、参照すべき直前の就業日を決定する。参照すべき直前の就業日の決定は、就業状態データＤＳを参照して実行されてよい。
【0152】
図１７の例では、前処理部１２Ａは、就業日「１８日」について、参照すべき直前の就業日を「１５日」として決定する。すなわち、前処理部１２Ａは、就業日「１８日」に対応する就業日非ローリングラグを、「３」（１８から１５を減算した値）に設定する。その一方、前処理部１２Ａは、例えば、就業日「２９日」について、参照すべき直前の就業日を「２８日」として決定する。すなわち、前処理部１２Ａは、就業日「２９日」に対応する就業日非ローリングラグを、「１」（２９から２８を減算した値）に設定する。
【0153】
このように、前処理部１２Ａは、休日の翌日に該当する就業日（例：１８日）と、就業日の翌日に該当する就業日（例：２９日）とに対して、異なる就業日非ローリングラグを設定できる。以上の通り、就業状態データＤＳを考慮に入れることにより、柔軟な就業日非ローリングラグの設定が可能となる。
【0154】
【0155】
処理１Ｂ：前処理部１２Ａは、項目Ｎｏ．０中の各日を質的変数に変換し、項目Ｎｏ．１を導出する。図１８の例では、図１７とは異なり、休日に着目している。このため、図１８の例では、図１７とは異なり、「休日」に論理値１が割り当てられ、「就業日」に論理値０が割り当てられている。
【0156】
処理２Ｂ：前処理部１２Ａは、項目Ｎｏ．１中の各値を、１日分だけ後ろにシフトさせることにより、項目Ｎｏ．２を導出する。この処理は、上述の処理２Ａと同等である。
【0157】
処理３Ｂ：前処理部１２Ａは、現在の項目のうち、論理値０が付与されている休日が存在しているか否かを判定する。論理値０が付与されている休日が存在していない場合には、後述の処理６Ｂに進む。他方、論理値０が付与されている休日が存在している場合には、下記の処理４Ｂに進む。
【0158】
処理４Ｂ：論理値０が付与されている休日が存在している場合には、前処理部１２Ａは、当該休日を抽出する。図１８の例では、前処理部１２Ａは、Ｎｏ．２において「１９日、２４日、および３０日」を抽出する。図１８に示す通り、論理値０が付与されている休日は、就業日の翌日でありうる。就業日の翌日に位置している休日については、ラグ「１」を適用することが必ずしも適切でないとも考えられる。
【0159】
次いで、前処理部１２Ａは、現在のシフト値を１だけ増加させる。そして、前処理部１２Ａは、増加後のシフト値を用いて現在の項目中の各値をシフトすることにより、新たな項目を導出する。この処理は、上述の処理４Ａと同等である。
【0160】
処理５Ｂ：次いで、前処理部１２Ａは、各日について、論理値０が付与されている休日が抽出されている最新の項目中の各値と、最新のシフト後の項目中の各値との論理和を算出することにより、新たな項目を導出する。
【0161】
処理５Ｂの終了後、処理３Ｂに戻る。以上の流れによれば、論理値０が付与されている休日が存在しなくなるまで、処理３Ｂ～処理５Ｂが繰り返される。
【0162】
処理６Ｂ：前処理部１２Ａは、現在の項目を最終項目として設定する。図１８の例では、前処理部１２Ａは、項目Ｎｏ．１２を最終項目として設定する。そして、前処理部１２Ａは、最終項目中の各就業日について、参照すべき直前の休日を決定する。参照すべき直前の休日の決定は、就業状態データＤＳを参照して実行されてよい。
【0163】
図１８の例では、前処理部１２Ａは、休日「３０日」について、参照すべき直前の休日を「２４日」として決定する。すなわち、前処理部１２Ａは、休日「３０日」に対応する休日非ローリングラグを、「６」（３０から２４を減算した値）に設定する。その一方、前処理部１２Ａは、例えば、休日「３１日」について、参照すべき直前の休日を「３０日」として決定する。すなわち、前処理部１２Ａは、休日「３１日」に対応する休日非ローリングラグを、「１」（３１から３０を減算した値）に設定する。
【0164】
前処理部１２Ａによれば、例えば、就業日の翌日に該当する休日（例：３０日）と、休日の翌日に該当する休日（例：３１日）とに対して、異なる休日非ローリングラグを設定できる。以上の通り、就業状態データＤＳを考慮に入れることにより、柔軟な休日非ローリングラグの設定も可能となる。図１８に示す通り、休日の配置は就業日の配置に比べて不規則性が高い場合があるので、柔軟な休日非ローリングラグの設定を実現できることは特に有益である。
【0165】
図１９は、図１７および図１８の処理によって決定された非ローリングラグの一覧を示す。図１９から明らかである通り、前処理部１２Ａによれば、就業日および休日のいずれについても、非ローリングラグを柔軟に設定できる。
【0166】
（就業日ローリングラグと休日ローリングラグとを導出する処理の例）
図２０～図２２を参照し、就業日ローリングラグと休日ローリングラグとを導出する処理の例について述べる。図２０～図２２はそれぞれ、図１７～図１９と対になる図である。
図２０～図２２を参照し、就業日ローリングラグと休日ローリングラグとを導出する処理の例について述べる。図２０～図２２はそれぞれ、図１７～図１９と対になる図である。
【0167】
【0168】
処理１Ｃ：前処理部１２Ａは、項目Ｎｏ．０中の各日を質的変数に変換し、項目Ｎｏ．１を導出する。この処理は、上述の処理１Ａと同等である。
【0169】
処理２Ｃ：前処理部１２Ａは、項目Ｎｏ．１中の各値を、７日分だけ後ろにシフトさせることにより、項目Ｎｏ．２を導出する。項目Ｎｏ．２を導出するためのシフト値「７」は、ローリングラグ候補の最小値に等しい値に設定されている。言い換えれば、当該シフト値は、ローリングラグ候補が成す等差数列の初項に等しい値として設定されている。なお、項目Ｎｏ．２における「１７日」の論理値は、項目Ｎｏ．１における「１６日」の論理値（図１７では不図示）に等しい。
【0170】
処理３Ｃ：前処理部１２Ａは、現在の項目のうち、論理値０が付与されている就業日が存在しているか否かを判定する。論理値０が付与されている就業日が存在していない場合には、後述の処理６Ｃに進む。他方、論理値０が付与されている就業日が存在している場合には、下記の処理４Ｃに進む。
【0171】
処理４Ｃ：論理値０が付与されている就業日が存在している場合には、前処理部１２Ａは、当該就業日を抽出する。
【0172】
次いで、前処理部１２Ａは、現在のシフト値を、直前に参照したローリングラグ候補の項の次に大きいローリングラグ候補に等しい値に増加させる。例えば、前処理部１２Ａは、現在のシフト値を「１４」に設定する。そして、前処理部１２Ａは、増加後のシフト値を用いて現在の項目中の各値をシフトすることにより、新たな項目を導出する。前処理部１２Ａは、項目Ｎｏ．１中の各値を、１４日分だけ後ろにシフトさせることにより、項目Ｎｏ．３を導出する。項目Ｎｏ．１中の各値を１４日分だけ後ろにシフトさせる処理は、項目Ｎｏ．２中の各値を７日分だけ後ろにシフトさせる処理と同等である。
【0173】
ただし、図２０の例におけるシフト値は、就業日ローリングラグ候補の最大値（例：１４）を超えないものとする。図２０の例における当該最大値は、２週間に相当する。図２０の例では、前処理部１２Ａは、シフト値が当該最大値に達した場合、次のシフト値を１に設定してよい。その後、前処理部１２Ａは、現在のシフト値を１ずつ増加させてよい。このことは、図２１の例においても当てはまる。
【0174】
処理５Ｃ：次いで、前処理部１２Ａは、各日について、論理値０が付与されている就業日が抽出されている最新の項目中の各値と、最新のシフト後の項目中の各値との論理和（ＯＲ）を算出することにより、新たな項目を導出する。この処理は、上述の処理５Ａと同等である。
【0175】
処理５Ｃの終了後、処理３Ｃに戻る。以上の流れによれば、論理値０が付与されている就業日が存在しなくなるまで、処理３Ｃ～処理５Ｃが繰り返される。
【0176】
処理６Ｃ：前処理部１２Ａは、現在の項目を最終項目として設定する。図２０の例では、前処理部１２Ａは、項目Ｎｏ．６を最終項目として設定する。そして、前処理部１２Ａは、最終的な項目中の各就業日について、参照すべき２週間前までの就業日を決定する。参照すべき就業日の決定は、就業状態データＤＳを参照して実行されてよい。
【0177】
図２０の例において、就業日「１８日」には、シフト値７に対応する項目Ｎｏ．２、および、シフト値１４に対応する項目Ｎｏ．３の両方において論理値１が割り当てられている。このことは、就業日「１８日」には、就業日ローリングラグとして７および１４の両方が設定されてよいことを意味する。そこで、前処理部１２Ａは、就業日「１８日」に対応する就業日ローリングラグを「７」および「１４」に設定する。
【0178】
次いで、決定した就業日非ローリングラグに従って、ある就業日に対応する参照すべき就業日を決定する。図２０の例では、前処理部１２Ａは、就業日「１８日」に対応する参照すべき就業日が、「４日」（１８日に対して１４日前の日付）および「１１日」（１８日に対して７日前の日付）であると決定する。
【0179】
その一方、図２０の例において、就業日「２６日」には、シフト値１４に対応する項目Ｎｏ．３においてのみ論理値１が割り当てられている。このことは、就業日「２６日」には、就業日ローリングラグとして「１４」のみが設定されてよいことを意味する。そこで、前処理部１２Ａは、就業日「２６日」に対応する就業日ローリングラグを「１４」に設定する。そして、前処理部１２Ａは、就業日「２６日」に対応する参照すべき就業日が、「１２日」（２６日に対して１４日前の日付）であると決定する。以上の通り、就業状態データＤＳを考慮に入れることにより、就業日ローリングラグを柔軟に設定することも可能となる。
【0180】
【0181】
処理１Ｄ：前処理部１２Ａは、項目Ｎｏ．０中の各日を質的変数に変換し、項目Ｎｏ．１を導出する。この処理は、上述の処理１Ｂと同等である。
【0182】
処理２Ｄ：前処理部１２Ａは、項目Ｎｏ．１中の各値を、７日分だけ後ろにシフトさせることにより、項目Ｎｏ．２を導出する。この処理は、上述の処理２Ｃと同等である。
【0183】
処理３Ｄ：前処理部１２Ａは、現在の項目のうち、論理値０が付与されている休日が存在しているか否かを判定する。論理値０が付与されている休日が存在していない場合には、後述の処理６Ｄに進む。他方、論理値０が付与されている休日が存在している場合には、下記の処理４Ｄに進む。
【0184】
処理４Ｄ：論理値０が付与されている休日が存在している場合には、前処理部１２Ａは、当該休日を抽出する。その他の処理は、上述の処理４Ｃと同等である。
【0185】
処理５Ｄ：次いで、前処理部１２Ａは、各日について、論理値０が付与されている休日が抽出されている最新の項目中の各値と、最新のシフト後の項目中の各値との論理和を算出することにより、新たな項目を導出する。この処理は、上述の処理５Ｂと同等である。
【0186】
処理５Ｄの終了後、処理３Ｄに戻る。以上の流れによれば、論理値０が付与されている休日が存在しなくなるまで、処理３Ｄ～処理５Ｄが繰り返される。
【0187】
処理６Ｄ：前処理部１２Ａは、現在の項目を最終項目として設定する。図２１の例では、前処理部１２Ａは、項目Ｎｏ．８を最終項目として設定する。そして、前処理部１２Ａは、最終的な項目中の各就業日について、参照すべき２週間前までの休日を決定する。参照すべき休日の決定は、就業状態データＤＳを参照して実行されてよい。
【0188】
図２１の例において、休日「３０日」には、シフト値１４に対応する項目Ｎｏ．３においてのみ論理値１が割り当てられている。このことは、休日「３０日」には、休日ローリングラグとして１４のみが設定されてよいことを意味する。そこで、前処理部１２Ａは、休日「３０日」に対応する休日ローリングラグを１４に設定する。そして、前処理部１２Ａは、休日「３０日」に対応する参照すべき休日が、「１６日」（３０日に対して１４日前の日付）であると決定する。
【0189】
その一方、図２１の例において休日「３１日」には、シフト値７に対応する項目Ｎｏ．２、および、シフト値１４に対応する項目Ｎｏ．３の両方において論理値１が割り当てられている。このことは休日「３１日」には、休日ローリングラグとして７および１４の両方が設定されてよいことを意味する。そこで、前処理部１２Ａは休日「３１日」に対応する休ローリングラグを７および１４に設定する。そして、前処理部１２Ａは、休日「３１日」に対応する参照すべき休日が、「１７日」（３１日に対して１４日前の日付）および「２４日」（３１日に対して７日前の日付）であると決定する。以上の通り、就業状態データＤＳを考慮に入れることにより、休日ローリングラグを柔軟に設定することも可能となる。
【0190】
図２２は、図２０および図２１の処理によって決定されたローリングラグの一覧を示す。図２２から明らかである通り、前処理部１２Ａによれば、就業日および休日のいずれについても、ローリングラグを柔軟に設定できる。
【0191】
（新たな特徴量の導出の例）
上述の各説明から明らかである通り、前処理部１２Ａは、施設の就業状態を考慮して導出された特殊ラグ（例：非ローリングラグおよびローリングラグ）に基づいて、当該就業状態に応じた新たな特徴量を導出できる。
上述の各説明から明らかである通り、前処理部１２Ａは、施設の就業状態を考慮して導出された特殊ラグ（例：非ローリングラグおよびローリングラグ）に基づいて、当該就業状態に応じた新たな特徴量を導出できる。
【0192】
一例として、上述の図１７～図２２の例における就業日「１８日」に着目する。図１９に示す通り、就業日「１８日」に対応する就業日非ローリングラグは「３」に設定されている。したがって、前処理部１２Ａは、就業日「１８日」のある時刻に対応する就業日ラグ特徴量として、「１５日の同時刻の需要電力量」を選択する。
【0193】
また、図２２に示す通り、就業日「１８日」に対応する就業日ローリングラグは「７」および「１４」に設定されている。したがって、前処理部１２Ａは、就業日「１８日」のある時刻に対応する就業日ローリング特徴量コンポーネントとして、「４日の同時刻の需要電力量」および「１１日の同時刻の需要電力量」を選択する。したがって、前処理部１２Ａは、就業日「１８日」のある時刻に対応する就業日ローリング特徴量として、「４日の同時刻の需要電力量」と「１１日の同時刻の需要電力量」との平均値を算出する。
【0194】
別の例として、上述の図１７～図２２の例における休日「３０日」に着目する。図１９に示す通り、休日「３０日」に対応する休日非ローリングラグは「６」に設定されている。したがって、前処理部１２Ａは、休日「３０日」のある時刻に対応する休日ラグ特徴量として、「２４日の同時刻の需要電力量」を選択する。
【0195】
また、図２２に示す通り、休日「３０日」に対応する休日ローリングラグは「１４」に設定されている。したがって、前処理部１２Ａは、休日「３０日」のある時刻に対応する休日ローリング特徴量コンポーネントとして、「１６日の同時刻の需要電力量」を選択する。したがって、前処理部１２Ａは、休日「３０日」のある時刻に対応する休日ローリング特徴量として、「１６日の同時刻の需要電力量」を選択する。
【0196】
（実施形態１における予測モデルの生成）
上述の各説明から明らかである通り、実施形態１における学習部１３は、施設の就業状態に応じて導出された新たな特徴量が追加された時系列データに基づいて、予測モデルを生成できる。すなわち、実施形態１における学習部１３は、施設の就業状態が反映された予測モデルを生成できる。このように、実施形態１によれば、参考形態に比べてより一層高品質な予測モデルを生成することが可能となる。
上述の各説明から明らかである通り、実施形態１における学習部１３は、施設の就業状態に応じて導出された新たな特徴量が追加された時系列データに基づいて、予測モデルを生成できる。すなわち、実施形態１における学習部１３は、施設の就業状態が反映された予測モデルを生成できる。このように、実施形態１によれば、参考形態に比べてより一層高品質な予測モデルを生成することが可能となる。
【0197】
学習部１３は、学習フェーズにおいて導出したローリングラグと非ローリングラグとを、予測モデルに組み込んでよい。これにより、学習フェーズにおいて導出したローリングラグと非ローリングラグとを、後続する予測フェーズにおいて簡便に使用できる。
【0198】
（実施形態１における予測フェーズ）
実施形態１では、予測装置２０Ａの前処理部２２Ａは、モデル生成装置１０Ａの前処理部１２Ａによって設定された、学習フェーズにおける特殊ラグを取得してよい。一例として、前処理部２２Ａは、学習フェーズにおいて設定されたローリングラグと非ローリングラグとを、予測モデルから読み出してよい。
実施形態１では、予測装置２０Ａの前処理部２２Ａは、モデル生成装置１０Ａの前処理部１２Ａによって設定された、学習フェーズにおける特殊ラグを取得してよい。一例として、前処理部２２Ａは、学習フェーズにおいて設定されたローリングラグと非ローリングラグとを、予測モデルから読み出してよい。
【0199】
次いで、前処理部２２Ａは、予測フェーズにおける就業状態データＤＳＰに基づいて、学習フェーズにおける特殊ラグから、予測フェーズにおける特殊ラグを導出してよい。
【0200】
一例として、前処理部２２Ａは、学習フェーズにおいて設定された各日の就業日ローリングラグおよび休日ローリングラグを、予測フェーズにおける各日の就業日ローリングラグおよび休日ローリングラグへと変換してよい。一例として、学習フェーズにおける就業状態データＤＳに示されている日毎の就業状態と予測フェーズにおける就業状態データＤＳＰとに示されている日毎の就業状態との対応関係に従って、これらのローリングラグの変換が実行されてよい。
【0201】
また、前処理部２２Ａは、学習フェーズにおいて設定された各日の就業日非ローリングラグおよび休日非ローリングラグを、予測フェーズにおける各日の就業日非ローリングラグおよび休日非ローリングラグへと変換してよい。上述の対応関係に従って、これらの非ローリングラグの変換が実行されてよい。
【0202】
次いで、前処理部２２Ａは、予測フェーズにおいて導出された特殊ラグに基づいて、予測フェーズにおける新たな特徴量を算出する。具体的には、前処理部２２Ａは、予測フェーズにおける需要電力量（すなわち、実績データＤＺＰに示されている需要電力量）に対して、当該特殊ラグを設定することにより、予測フェーズにおける新たな特徴量を算出する。
【0203】
実施形態１の例では、前処理部２２Ａは、予測フェーズにおける需要電力量に対して、予測フェーズにおける就業日ローリングラグおよび休日ローリングラグを設定することにより、予測フェーズにおける就業日ローリング特徴量および休日ローリング特徴量を導出する。前処理部２２Ａは、当該需要電力量に対して、予測フェーズにおける就業日非ローリングラグおよび休日非ローリングラグを設定することにより、予測フェーズにおける就業日ラグ特徴量および休日ラグ特徴量を導出する。
【0204】
前処理部２２Ａは、予測フェーズにおける新たな特徴量を、予測フェーズにおける需要電力量の時系列データに追加することにより、新たな時系列データを生成する。実施形態１の例においても、当該新たな時系列データは、前値補間後就業状態データを含んでいるものとする。そして、予測演算部２３は、当該新たな時系列データに基づいて、予測フェーズにおける需要電力量の予測値を予測モデルに出力させる。
【0205】
以上の通り、実施形態１によれば、予測フェーズにおいても、施設の就業状態に応じた新たな特徴量を導出できる。そして、当該新たな特徴量に基づいた予測を予測モデルに行わせることができる。このように、実施形態１によれば、施設の就業状態に応じた予測を予測モデルに行わせることができる。それゆえ、参考形態に比べてより一層予測精度を向上させることができる。
【0206】
図２３は、前処理部２２Ａによって生成された新たな時系列データの例である。図２３では、予測対象時間範囲の全体に亘って、就業状態が「１」である場合が例示されている。図２３の例では、就業日非ローリングラグは「１」であるものとする。したがって、図２３の例におけるラグ特徴量は、１日前の需要電力量を表す。図２３の例におけるラグ特徴量は、就業日ラグ特徴量である。
【0207】
【0208】
図２４は、前処理部２２Ａによって生成された新たな時系列データの別の例である。図２４は、図２３と対になる図である。図２４では、図２３の例とは異なり、予測対象時間範囲において、就業状態の変化が生じている場合が例示されている。図２４の例では、予測対象時間範囲の初期時点の日付である７／１１の就業状態が「０」であり、その後の日付における就業状態が「１」である。
【0209】
図２４の例では、休日非ローリングラグおよび就業日非ローリングラグはいずれも「１」であるものとする。したがって、図２４におけるラグ特徴量も、１日前の需要電力量を表す。図２４の例におけるラグ特徴量は、就業状態「１」の場合には就業日ラグ特徴量を表し、就業状態「０」の場合には休日ラグ特徴量を表す。
【0210】
図２４の例では、空白値が存在している日付である７／１２の就業状態「１」は、その前日の就業状態「０」と一致していない。このことから、図２４の例における空白値は、図２３の例とは別の補間手法によって補間されることが望ましい。例えば、図２４における空白値は、就業状態「１」に該当する既知の電力需要量の実績値に基づいて補間されてよい。
【0211】
図２５は、前処理部２２Ａによって生成された新たな時系列データの別の例である。参考形態において述べた通り、新たな時系列データは、ラグ特徴量、ローリング特徴量、および就業状態以外のさらなる特徴量を含んでいてよい。図２５の例における新たな時系列データは、時点相当量および曜日をさらなる特徴量として含んでいる。図２５の例では、説明の便宜上、需要電力量の実績値が、ラグ特徴量およびローリング特徴量に対して併記されている。需要電力量の実績値自体が、特徴量として用いられてもよい。
【0212】
（就業状態データについての補足）
参考形態において述べた通り、就業状態データを前値補間することにより、施設における時刻毎の就業状態を示す就業状態データを生成できる。施設の就業状態の１日内の実際の変動を表現できるように、当該就業状態データを再設定することにより、施設の就業状態をより詳細に考慮することが可能となる。
参考形態において述べた通り、就業状態データを前値補間することにより、施設における時刻毎の就業状態を示す就業状態データを生成できる。施設の就業状態の１日内の実際の変動を表現できるように、当該就業状態データを再設定することにより、施設の就業状態をより詳細に考慮することが可能となる。
【0213】
そこで、例えば、就業状態データは、施設における始業時刻を示す情報（始業時刻情報）、および、当該施設における終業時刻を示す情報（終業時刻情報）、のうちの少なくとも一方を含んでいてよい。これにより、施設における始業時刻および終業時刻の少なくとも一方を考慮して、当該施設の就業状態の１日内の変動を表現することが可能となる。
【0214】
図２６は、前処理部２２Ａによって生成された新たな時系列データのさらに別の例である。図２６は、図２５と対になる図である。図２６では、就業状態データが始業時刻情報を含んでいる場合を例示する。図２６の例における始業時刻は、午前８時（８：００）であるものとする。
【0215】
本発明の一態様に係る前処理部は、就業状態データを前値補間した後、始業時刻情報に基づいて就業状態データ内の各時刻の就業状態を再設定してよい。一例として、当該前処理部は、ある日の就業状態と当該日の前日の就業状態とが相異しており、かつ、当該日のある時刻が就業時刻よりも以前である場合には、当該時刻における就業状態を表す論理値を、当該前日の最終時刻（２３：５９）における論理値に置換してよい（図２６を参照）。
【0216】
施設の就業状態の１日内の変動を考慮することにより、当該変動に即した特殊ラグを導出できる。その結果、当該変動に即した新たな特徴量を導出できる。図２６の例では、図２５の例に比べて、需要電力量の実績値により近いラグ特徴量およびローリング特徴量が、「２０２３／５／８ ０：００」から「２０２３／５／８ ７：５９」までの各時点において得られている。
【0217】
一例として、図２６におけるラグ特徴量について述べる。図２６の例では、図２５の例とは異なり、「２０２３／５／８ ０：００」から「２０２３／５／８ ７：５９」までの各時点の就業状態は、前日「２０２３／５／７」における同時点の就業状態と同等である。したがって、図２６の例では、図２５の例とは異なり、「２０２３／５／７ ０：００」から「２０２３／５／７ ７：５９」までの各時点の需要電力量の実績値を引用することにより、「２０２３／５／８ ０：００」から「２０２３／５／８ ７：５９」までの各時点のラグ特徴量が得られている。
【0218】
例えば、図２６における「２０２３／５／８ ０：００」のラグ特徴量は、「２０２３／５／７ ０：００」の需要電力量の実績値に等しい。そして、「２０２３／５／８ ０：０１」のラグ特徴量は、「２０２３／５／７ ０：０１」の需要電力量の実績値に等しい。また、「２０２３／５／８ ７：５９」のラグ特徴量は、「２０２３／５／７ ７：５９」の需要電力量の実績値に等しい。
【0219】
〔実施形態１のまとめ〕
実施形態１において説明した各事項は、下記の通り表現できる。
実施形態１において説明した各事項は、下記の通り表現できる。
【0220】
実施形態１に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択し、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する。
【0221】
実施形態１に係るモデル生成装置では、前記特殊ラグは、前記需要電力量の時間変動の第１周期性に対応するローリングラグを含んでいてよく、前記モデル生成装置は、複数の前記ラグの内、時間長閾値以上の値を有するラグであって、自己相関閾値以上の値を有する前記自己相関係数に対応するラグを、特殊ラグ候補として選択してよく、複数の前記特殊ラグ候補が昇順にソートされた配列において、等差数列を成す複数の前記特殊ラグ候補をローリングラグ候補として選択してよく、前記就業状態データに基づいて、前記ローリングラグ候補から、前記施設の就業日に対応する就業日ローリングラグと、前記施設の休日に対応する休日ローリングラグと、を含む前記ローリングラグを導出してよい。
【0222】
実施形態１に係るモデル生成装置では、前記新たな特徴量は、前記ローリングラグに対応するローリング特徴量を含んでいてよく、前記ローリング特徴量は、就業日ローリング特徴量と休日ローリング特徴量とを含んでいてよく、前記モデル生成装置は、前記就業日ローリングラグを前記実績値に対して設定することにより、前記就業日ローリング特徴量を導出してよく、前記休日ローリングラグを前記実績値に対して設定することにより、前記休日ローリング特徴量を導出してよい。
【0223】
実施形態１に係るモデル生成装置では、前記特殊ラグは、前記需要電力量の時間変動の第２周期性に対応する非ローリングラグを含んでいてよく、前記第２周期性は、前記第１周期性に比べて短期的な周期性であってよく、前記モデル生成装置は、前記配列における前記ローリングラグ候補を除いた前記特殊ラグ候補を非ローリングラグ候補として選択してよく、前記就業状態データに基づいて、前記非ローリングラグ候補から、前記就業日に対応する就業日非ローリングラグと、前記休日に対応する休日非ローリングラグと、を含む前記非ローリングラグを導出してよい。
【0224】
実施形態１に係るモデル生成装置では、前記新たな特徴量は、前記非ローリングラグに対応するラグ特徴量を含んでいてよく、前記ラグ特徴量は、就業日ラグ特徴量と休日ラグ特徴量とを含んでいてよく、前記モデル生成装置は、前記就業日非ローリングラグを前記実績値に対して設定することにより、前記就業日ラグ特徴量を導出してよく、前記休日非ローリングラグを前記実績値に対して設定することにより、前記休日ラグ特徴量を導出してよい。
【0225】
実施形態１に係るモデル生成装置では、前記就業状態データは、前記施設における時刻毎の就業状態をさらに示していてよい。
【0226】
実施形態１に係るモデル生成装置では、前記就業状態データは、前記施設における始業時刻を示す情報、および、前記施設における終業時刻を示す情報、のうちの少なくとも一方を含んでいてよい。
【0227】
実施形態１に係る予測装置は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測装置は、前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出し、前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出し、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる。
【0228】
実施形態１に係るモデル生成方法は、施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、前記モデル生成方法は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグを選択する工程と、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出する工程と、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルを生成する工程と、を含んでいる。
【0229】
実施形態１に係る予測方法は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内から特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記新たな特徴量が追加された前記時系列データに基づいて、機械学習によって前記予測モデルが生成されており、前記予測方法は、前記予測フェーズにおける就業状態データに基づいて、前記学習フェーズにおける前記特殊ラグから、前記予測フェーズにおける特殊ラグを導出する工程と、前記実績値の時間推移を示す前記予測フェーズにおける時系列データについて、前記予測フェーズにおける前記特殊ラグを前記予測フェーズにおける前記実績値に対して設定することにより、前記予測フェーズにおける新たな特徴量を導出する工程と、前記予測フェーズにおける前記新たな特徴量が追加された、前記予測フェーズにおける前記時系列データに基づいて、前記予測値を前記予測モデルに出力させる工程と、を含んでいる。
【0230】
〔実施形態２〕
図２７は、実施形態２における情報処理装置１Ｂの要部の構成を例示するブロック図である。実施形態２では、実施形態１との相違点について説明する。図２７の例における情報処理装置１Ｂは、制御装置９Ａに替えて、制御装置９Ｂを備えている。制御装置９Ｂは、モデル生成装置１０Ａおよび予測装置２０Ａに替えて、モデル生成装置１０Ｂおよび予測装置２０Ｂを備えている。モデル生成装置１０Ｂは、前処理部１２Ａに替えて、前処理部１２Ｂを備えている。そして、モデル生成装置１０Ｂは、学習部１３および評価部１４に替えて、学習部１３Ｂおよび評価部１４Ｂを備えている。予測装置２０Ｂは、前処理部２２Ａに替えて、前処理部２２Ｂを備えている。そして、予測装置２０Ｂは、予測演算部２３に替えて、予測演算部２３Ｂを備えている。
図２７は、実施形態２における情報処理装置１Ｂの要部の構成を例示するブロック図である。実施形態２では、実施形態１との相違点について説明する。図２７の例における情報処理装置１Ｂは、制御装置９Ａに替えて、制御装置９Ｂを備えている。制御装置９Ｂは、モデル生成装置１０Ａおよび予測装置２０Ａに替えて、モデル生成装置１０Ｂおよび予測装置２０Ｂを備えている。モデル生成装置１０Ｂは、前処理部１２Ａに替えて、前処理部１２Ｂを備えている。そして、モデル生成装置１０Ｂは、学習部１３および評価部１４に替えて、学習部１３Ｂおよび評価部１４Ｂを備えている。予測装置２０Ｂは、前処理部２２Ａに替えて、前処理部２２Ｂを備えている。そして、予測装置２０Ｂは、予測演算部２３に替えて、予測演算部２３Ｂを備えている。
【0231】
（実施形態２における学習フェーズ）
実施形態２では、複数のラグの内の最小値を「最小ラグ」と称する。最小ラグは、参考形態において述べたラグ単位量と同等の量である。したがって、実施形態２では、最小ラグが３０分である場合を例示する。３０分という最小ラグの値は、日単位に換算すると、「１／４８日」に該当する（参考形態における図６も参照）。
実施形態２では、複数のラグの内の最小値を「最小ラグ」と称する。最小ラグは、参考形態において述べたラグ単位量と同等の量である。したがって、実施形態２では、最小ラグが３０分である場合を例示する。３０分という最小ラグの値は、日単位に換算すると、「１／４８日」に該当する（参考形態における図６も参照）。
【0232】
参考形態において述べた通り、ラグは、ラグ単位量とラグ次数との積として設定されている。このため、最小ラグよりも大きい複数のラグのそれぞれは、最小ラグの整数倍に等しい値である。
【0233】
実施形態２においても、最小ラグは、時間長閾値未満の値として設定されているものとする。すなわち、実施形態２においても、最小ラグは、特殊ラグとして選択されないものとする。したがって、前処理部１２Ｂは、ＡＣおよび就業状態データＤＳに基づいて、複数のラグの内、最小ラグ以外から特殊ラグを選択する。
【0234】
例えば、前処理部１２Ｂは、ＡＣおよび就業状態データＤＳに基づいて、最小ラグ以外の複数のラグの内から、特殊ラグとして、ローリングラグおよび非ローリングラグを選択する。実施形態２においても、前処理部１２Ｂは、ローリングラグとして就業日ローリングラグおよび休日ローリングラグを選択し、非ローリングラグとして就業日非ローリングラグおよび休日非ローリングラグを選択する。
【0235】
実施形態２においても、前処理部１２Ｂは、特殊ラグに基づいて新たな特徴量を導出する。すなわち、前処理部１２Ｂは、特殊ラグを需要電力量の実績値に対して設定することにより、新たな特徴量を導出する。例えば、前処理部１２Ｂは、ローリングラグに基づいてローリング特徴量を導出し、非ローリングラグに基づいてラグ特徴量を導出する。実施形態２においても、前処理部１２Ｂは、ローリング特徴量として就業日ローリング特徴量および休日ローリングラグを導出し、ラグ特徴量として就業日ラグ特徴量および休日ラグ特徴量を導出する。
【0236】
本明細書では、需要電力量の実績値の時間推移を示す時系列データに対して、新たな特徴量が追加された時系列データを、第１時系列データと称する。第１時系列データは、実施形態１の学習フェーズにおいて述べた時系列データに該当する。前処理部１２Ｂは、上述の通り導出した新たな特徴量を訓練データに追加することにより、第１時系列データを生成してよい。
【0237】
本明細書では、第１時系列データに基づく機械学習によって生成された予測モデルを、第１モデルと称する。実施形態２では、学習部１３Ｂは、第１時系列データに基づいて第１モデルを生成する。第１モデルは、実施形態１において述べた予測モデルに該当する。学習部１３Ｂは、前処理部１２Ｂによって導出された特殊ラグを、第１モデルに組み込んでよい。
【0238】
前処理部１２Ｂは、前処理部１２Ａとは異なり、最小ラグに基づいてさらなる新たな特徴量を導出する。具体的には、前処理部１２Ｂは、最小ラグを需要電力量の実績値に対して設定することにより、さらなる新たな特徴量を導出する。本明細書では、当該さらなる新たな特徴量を「直前需要電力量」とも称する。
【0239】
実施形態２では、需要電力量の実績値に対する予測の対象とされている期間を、予測対象期間と称する。予測対象期間のタイムステップ（時間刻み幅）は、最小ラグに等しい値であるものとする。また、予測対象期間の始点を予測開始時点と称し、予測対象期間の終点を予測終了時点と称する。
【0240】
直前需要電力量は、予測対象期間内のある時点に対する、直前の時点の需要電力量の実績値（例：ある時点に対して３０分前の需要電力量の実績値）を表す。上述の通り、最小ラグは、特殊ラグには該当しない。したがって、直前需要電力量は、特殊ラグに基づいて導出された特徴量には該当しない。このように、直前需要電力量は、ローリング特徴量ともラグ特徴量とも異なる特徴量である。直前需要電力量をさらなる新たな説明変数として導入することにより、現時点の直前の需要電力量の実績値を考慮できる。したがって、予測モデルのさらなる予測精度の向上が期待される。
【0241】
本明細書では、第１時系列データに対して直前需要電力量が追加された時系列データを、第２時系列データと称する。前処理部１２Ｂは、上述の通り生成した第１時系列データに対して直前需要電力量を追加することにより、第２時系列データを生成してよい。
【0242】
本明細書では、第２時系列データに基づく機械学習によって生成された予測モデルを、第２モデルと称する。実施形態２では、学習部１３Ｂは、第２時系列データに基づいて第２モデルを生成する。以上の通り、学習部１３Ｂは、実施形態１の学習部１３とは異なり、第２モデルをさらに生成する。これにより、実施形態２では、第１モデルと第２モデルとを併用して需要電力量を予測することが可能となる。学習部１３Ｂは、最小ラグを第２モデルに組み込んでよい。
【0243】
評価部１４Ｂは、学習部１３Ｂによって生成された第１モデルおよび第２モデルをそれぞれ評価する。評価部１４Ｂによる評価に先立ち、前処理部１２Ｂは、検証データに対して、上述の訓練データと同じ様式の一連の前処理を実行することにより、前処理後検証データを生成する。
【0244】
実施形態２の例では、前処理部１２Ｂは、第１モデル用の前処理後検証データおよび第２モデル用の前処理後検証データを生成する。第１モデル用の前処理後検証データは、上述の新たな特徴量（例：ローリング特徴量およびラグ特徴量）を含んでいる。第２モデル用の前処理後検証データは、当該新たな特徴量に加え、直前需要電力量をさらに含んでいる。
【0245】
本明細書では、第１モデルから出力される需要電力量の予測値を第１予測値と称する。評価部１４Ｂは、第１モデル用の前処理後検証データを第１モデルに供給することにより、予測対象期間の各時点における第１予測値を、第１モデルに出力させてよい。また、本明細書では、需要電力量の実績値と第１予測値との誤差を第１誤差と称する。評価部１４Ｂは、第１誤差を導出してよい。
【0246】
実施形態２の例では、実績値と予測値との誤差は、パーセント単位で表示されている。参考形態において述べた予測モデルの指標値が、当該誤差として用いられてよい。したがって、実施形態２における誤差は、例えばＭＡＥであってもよいし、あるいはＲＭＳＥであってもよい。
【0247】
図２８は、予測対象期間の各時点における第１モデルの誤差（すなわち、第１誤差）を示すグラフの例である。図２８の例では、予測対象期間の長さは３６時間に設定されている。グラフの横軸は、予測開始時点からの経過時間を表す。したがって、横軸における値「０」は予測開始時点に該当し、値「３６」は予測終了時点に該当する。以下の説明に置いて述べる各時点は、文脈上矛盾が無い限り、予測開始時点「０」からの経過時間に読み替え可能である。
【0248】
また、本明細書では、第２モデルから出力される需要電力量の予測値を第２予測値と称する。評価部１４Ｂは、第２モデル用の前処理後検証データを第２モデルに供給することにより、予測対象期間の各時点における第２予測値を、第２モデルに出力させてよい。また、本明細書では、需要電力量の実績値と第２予測値との誤差を第１誤差と称する。評価部１４Ｂは、第２誤差を導出してよい。
【0249】
図２９は、予測対象期間の各時点における第２モデルの誤差（すなわち、第２誤差）を示すグラフの例である。図２９は、図２８と対になる図である。図２８と図２９とを対比すると、予測開始時点からの経過時間がそれほど大きくない場合には、第２誤差は第１誤差よりも小さい。このことは、第２モデルは、短期的な時間範囲の予測については第１モデルよりも優れていることを示している。第２モデルのこの特性は、第２モデルが直前需要電力量を説明変数として用いていることに起因する。
【0250】
ただし、図２９の例では、予測開始時点からの経過時間が大きくなるにつれて、第２誤差が増加する傾向にある。第２モデルのこの特性も、第２モデルが直前需要電力量を説明変数として用いていることに起因する。第２モデルでは、予測対象期間の各時点における第２予測値の導出のために、直前需要電力量の予測値を使用することが必要となる場合がある（後述の予測フェーズにおける説明を参照）。このことから、時間の経過に伴い、直前需要電力量の予測値と実際の値との誤差が累積し、第２誤差の増加が生じうる。
【0251】
その一方、図２８の例では、予測開始時点からの経過時間が大きくなっても、第１誤差はそれほど増加しない。第１モデルは、第２モデルとは異なり、直前需要電力量を説明変数として用いていない。このため、第１モデルでは、第２モデルに関して上述した誤差の累積が生じない。したがって、予測開始時点からの経過時間がある程度大きい場合には、第１誤差は第２誤差よりも小さくなる。このことは、第１モデルは、長期的な時間範囲の予測については第２モデルよりも優れていることを示している。
【0252】
以上の通り、第２モデルは短期的な時間範囲の予測に適しており、第１モデルは長期的な時間範囲の予測に適している。したがって、第１モデルと第２モデルとを適切に併用することにより、一方のモデルのみを用いた場合に比べて優れた予測を実現できる。
【0253】
そこで、評価部１４Ｂは、第１予測値と第２予測値とに基づき、第１モデルの使用と第２モデルの使用とを切り替えるべき時点（以下、「切替時点」と称する）とを決定してよい。一例として、評価部１４Ｂは、第１予測値と第２予測値とに基づき、複数の切替時点候補の内から、切替時点を選択してよい。
【0254】
評価部１４Ｂは、予測対象期間に属する各時点の少なくとも一部を、切替時点候補として設定してよい。実施形態２では、評価部１４Ｂが予測対象期間に属する全ての時点を切替時点候補として設定する場合を例示する。したがって、評価部１４Ｂは、０ｈから３６ｈまでの７３個の切替時点候補を設定する（後掲の図３１も参照）。
【0255】
次いで、評価部１４Ｂは、予測開始時点から切替時点候補までの各時点について、第２モデルに第２予測値を出力させる。そして、評価部１４Ｂは、切替時点候補の次の時点から予測終了時点までの各時点について、第１モデルに第１予測値を出力させる。一例として、切替時点候補が３．５ｈに設定されている場合を考える。この場合、評価部１４Ｂは、予測対象期間に属する７３個の時点のうち、０ｈから３．５ｈまでの８個の時点について、第２モデルに第２予測値を出力させる。そして、評価部１４Ｂは、当該７３個の時点のうち、４ｈから３６ｈまでの６５個の時点について、第１モデルに第１予測値を出力させる。
【0256】
実施形態２の例では、ｉ番目の切替時点候補を第ｉ切替時点候補と称する。実施形態２の例におけるｉは、０以上かつ（Ｎｃ－１）以下の任意の整数である。Ｎｃは、予測対象期間に属する時点の総数を表す。上記の例では、Ｎｃ＝７３である。実施形態２の例では、第ｉ切替時点候補は、予測開始時点から、ｉと最小ラグとの積だけ後の時点として定められるものとする。したがって、第０切替時点候補は予測開始時点に該当し、第（Ｎｃ－１）切替時点候補は予測終了時点に該当する。
【0257】
上記の通り、評価部１４Ｂは、０以上かつ（Ｎｃ－１）以下の全てのｉのそれぞれについて、予測開始時点から第ｉ切替時点候補までの（ｉ＋１）個の時点について、第２モデルに第２予測値を出力させる。そして、評価部１４Ｂは、第（ｉ＋１）切替時点候補から予測終了時点までの（Ｎｃ－ｉ－１）個の時点について、第１モデルに第１予測値を出力させる。
【0258】
評価部１４Ｂは、（ｉ）予測開始時点から切替時点候補までの各時点における第２予測値と、（ｉｉ）切替時点候補の次の時点から予測終了時点までの各時点における第１予測値と、に基づき、複数の切替時点候補の内から切替時点を選択してよい。すなわち、評価部１４Ｂは、上述の（ｉ＋１）個の時点についての第２予測値と、上述の（Ｎｃ－ｉ－１）個の時点についての第１予測値と、に基づき、Ｎｃ個の切替時点候補の内から切替時点を選択してよい。
【0259】
次いで、評価部１４Ｂは、複数の切替時点候補のそれぞれについて、（ｉ）予測開始時点から予測終了時点までの各時点における電力需要量の実績値と、（ｉｉ）予測開始時点から切替時点候補までの各時点における第２予測値と、（ｉｉｉ）切替時点候補の次の時点から予測終了時点までの各時点における第１予測値と、に基づき、予測対象期間における第１予測値と第２予測値との総合誤差を算出してよい。
【0260】
実施形態２における総合誤差は、実績値と第１予測値と第２予測値とに基づいて算出される任意の統計量であってよい。評価部１４Ｂは、総合誤差に基づいて、複数の切替時点候補の内から、切替時点を選択してよい。
【0261】
一例として、評価部１４Ｂは、予測開始時点から切替時点候補までの各時点における、電力需要量の実績値と第２予測値とに基づき、当該各時点における第２誤差を算出してよい。そして、評価部１４Ｂは、予測開始時点から切替時点候補までの各時点における第２誤差の累積値を算出してよい。すなわち、評価部１４Ｂは、上述の（ｉ＋１）個の時点についての第２誤差の累積値を算出してよい。
【0262】
また、評価部１４Ｂは、切替時点候補の次の時点から予測終了時点までの各時点における、電力需要量の実績値と第１予測値とに基づき、当該各時点における第１誤差を算出してよい。そして、評価部１４Ｂは、切替時点候補の次の時点から予測終了時点までの各時点における第１誤差の累積値を算出してよい。すなわち、評価部１４Ｂは、上述の（Ｎｃ－ｉ－１）個の時点についての第１誤差の累積値を算出してよい。
【0263】
上述の各説明から明らかである通り、総合誤差は、第１誤差と第２誤差とに基づいて算出される任意の統計量であってよい。一例として、評価部１４Ｂは、第１誤差の累積値と第２誤差の累積値との和を算出してよい。次いで、評価部１４Ｂは、当該和を上述のＮｃによって除算した値を、総合誤差として算出してよい。
【0264】
図３０は、評価部１４Ｂによって算出された、予測対象期間の各時点における第１誤差および第２誤差を示すグラフの例である。図３０では、切替時点候補が３．５ｈに設定されている場合が例示されている。当該切替時点候補は、第７切替時点候補に該当する。図３０の例におけるグラフの縦軸の値は、０ｈから３．５ｈまでの時間においては第２誤差を表し、４ｈから３６ｈまでの時間においては第１誤差を表す。
【0265】
図３０の例は、第１モデルと第２モデルとを適切に併用することにより、第１モデルのみを用いた場合（図２８）、および、第２モデルのみを用いた場合（図２９）のいずれと比較しても、優れた予測を実現できることを示している。したがって、実施形態２によれば、実施形態１に比べて予測精度をさらに向上させることが可能となる。
【0266】
図３１は、複数の切替時点候補のそれぞれに対応する総合誤差の例を示す。上述の各説明から明らかである通り、切替時点候補が最小値「０ｈ」に設定されている場合の総合誤差（第０切替時点候補に対応する総合誤差）は、図２８のグラフプロットの平均値に対応する。その一方、切替時点候補が最大値「３６ｈ」に設定されている場合の総合誤差（第７２切替時点候補に対応する総合誤差）は、図２９のグラフプロットの平均値に対応する。
【0267】
一例として、評価部１４Ｂは、複数の切替時点候補の内、総合誤差の最小値に対応する切替時点候補を、切替時点として選択してよい。図３１の例では、切替時点候補「３．５ｈ」において、総合誤差の最小値が得られている。したがって、評価部１４Ｂは、３．５ｈを切替時点として選択する。図３１の例では、切替時点候補が０ｈから３．５ｈへと増加するにつれて、総合誤差が減少している。次いで、切替時点候補が４ｈから３６ｈへと増加するにつれて、総合誤差が増加している。
【0268】
評価部１４Ｂは、学習フェーズにおける予測開始時点および予測終了時点を、第１モデルおよび第２モデルの少なくとも一方に組み込んでよい。加えて、評価部１４Ｂは、上述の通り決定した切替時点を、第１モデルおよび第２モデルの少なくとも一方に組み込んでよい。これにより、以下に述べる予測フェーズにおいて、これらの時点を簡便に使用できる。一例として、評価部１４Ｂは、これらの時点を第２モデルに組み込んでよい。
【0269】
（実施形態２における予測フェーズ）
予測装置２０Ｂは、学習フェーズにおいてモデル生成装置１０Ｂによって生成された第１モデルと第２モデルとを使用することにより、予測フェーズにおいて需要電力量を予測する。予測装置２０Ｂが第１モデルを用いて需要電力量を予測する処理は、実施形態１の例と概ね同等である。したがって、実施形態２では、第２モデルに関する処理について主に述べる。
予測装置２０Ｂは、学習フェーズにおいてモデル生成装置１０Ｂによって生成された第１モデルと第２モデルとを使用することにより、予測フェーズにおいて需要電力量を予測する。予測装置２０Ｂが第１モデルを用いて需要電力量を予測する処理は、実施形態１の例と概ね同等である。したがって、実施形態２では、第２モデルに関する処理について主に述べる。
【0270】
予測装置２０Ｂの前処理部２２Ｂは、学習フェーズにおける予測開始時点、および、学習フェーズにおいて決定された切替時点を、第２モデルから読み出してよい。そして、前処理部２２Ｂは、学習フェーズにおける予測開始時点から切替時点までの時間長を、切替時間長として算出してよい。実施形態２の例における切替時間長は、３．５ｈである。
【0271】
次いで、前処理部２２Ｂは、予測フェーズにおける予測対象期間から、当該予測フェーズにおける予測開始時点および予測終了時点を取得してよい。そして、前処理部１２Ｂは、予測フェーズにおける予測開始時点に切替時間長を加算した時点を、当該予測フェーズにおける切替時点として設定する。実施形態２では、前処理部１２Ｂは、予測フェーズにおける切替時点を、「予測フェーズにおける予測開始時点よりも３．５ｈ後の時点」として設定する。
【0272】
そして、予測演算部２３Ｂは、予測フェーズにおける予測対象期間に属する各時点について、第１モデルまたは第２モデルの一方に電力需要量の予測値を出力させる。予測フェーズにおける予測対象期間においても、タイムステップは最小ラグに等しい値であるものとする。
【0273】
具体的には、予測演算部２３Ｂは、予測フェーズにおける予測開始時点から切替時点までの各時点について、第２モデルに第２予測値を出力させる。そして、予測演算部２３Ｂは、当該切替時点の次の時点から予測終了時点までの各時点について、第１モデルに第１予測値を出力させる。
【0274】
より具体的には、実施形態２の例では、前処理部２２Ｂは、学習フェーズにおいて述べた前処理と同等の一連の前処理を行うことにより、予測フェーズにおける第１モデル用の入力データおよび第２モデル用の入力データを生成する。
【0275】
図３２は、予測フェーズにおける第１モデル用の入力データの例を示す。図３２に示す通り、予測フェーズにおける第１モデル用の入力データは、上述の新たな特徴量（例：ローリング特徴量およびラグ特徴量）を含んでいる。図３３は、予測フェーズにおける第２モデル用の入力データの例を示す。図３３に示す通り、予測フェーズにおける第２モデル用の入力データは、当該新たな特徴量に加え、直前需要電力量をさらに含んでいる。
【0276】
予測演算部２３Ｂは、第２モデル用の入力データを第２モデルに供給することにより、予測フェーズにおける予測開始時点から切替時点までの各時点について、第２モデルに第２予測値を出力させる。そして、予測演算部２３Ｂは、第１モデル用の入力データを第１モデルに供給することにより、当該切替時点の次の時点から予測終了時点までの各時点について、第１モデルに第１予測値を出力させる。
【0277】
図３２～図３３の例では、予測終了開始時点は「２０２１／７／１１ １２：３０」であり、予測終了時点は「２０２１／７／１３ ０：００」である。実施形態２の例では、予測フェーズにおける切替時点は、「２０２１／７／１１ １６：００」として設定されている。
【0278】
したがって、予測演算部２３Ｂは、第２モデル用の入力データを第２モデルに供給することにより、「２０２１／７／１１ １２：３０」から「２０２１／７／１１ １６：００」までの各時点について、第２モデルに第２予測値を出力させる。そして、予測演算部２３Ｂは、第１モデル用の入力データを第１モデルに供給することにより、「２０２１／７／１１ １６：３０」から「２０２１／７／１３ ０：００」までの各時点について、第１モデルに第１予測値を出力させる。
【0279】
図３３における、予測終了開始時点「２０２１／７／１１ １２：３０」における直前需要電力量は、当該時点よりも最小ラグだけ前の時点の需要電力量の実績値である。すなわち、当該直前需要電力量は、時点「２０２１／７／１１ １２：００」における需要電力量の実績値である。
【0280】
図３３の例では、時点「２０２１／７／１１ １２：００」よりも後の時点における需要電力量の実績値は、未だ記憶部９０に格納されていないものとする。したがって、図３３の例では、「２０２１／７／１１ １３：００」以降の各時点における直前需要電力量は、空白値である。これらの空白値は、任意の補間手法によって補間されてよい。
【0281】
（実施形態２についての補足）
（１）学習フェーズにおいて、前処理部１２Ｂが総合誤差に基づいて切替時点を決定する手法は、上述の通り例示した手法に限定されない。例えば、前処理部２２Ｂは、切替時点候補の番号を示すカウンタ変数ｉの増加に伴う総合誤差の増加トレンドに基づいて、複数の切替時点候補の内から切替時点を選択してよい。
（１）学習フェーズにおいて、前処理部１２Ｂが総合誤差に基づいて切替時点を決定する手法は、上述の通り例示した手法に限定されない。例えば、前処理部２２Ｂは、切替時点候補の番号を示すカウンタ変数ｉの増加に伴う総合誤差の増加トレンドに基づいて、複数の切替時点候補の内から切替時点を選択してよい。
【0282】
本明細書では、第ｉ切替時点候補に対応する総合誤差をＴＥ（ｉ）と表記する。そして、ＴＥ（ｉ）とＴＥ（ｉ－１）との差を、Δと表記する。Δは、ｉが１だけ増加した場合の総合誤差の差分を表す。前処理部１２Ｂは、Δを算出してよい。
【0283】
ｉの増加に伴ってΔが増加する傾向が続く場合、さらに大きいｉの範囲内において総合誤差の大域的な最小値が見出される可能性はそれほど高くないと考えられる。そこで、前処理部２２Ｂは、ｉの増加に伴ってＫ回連続してΔが増加した場合には、それまで探索したｉの範囲内において得られた総合誤差の最小値を、切替時点として選択してよい。Ｋは、０以上かつ（Ｎｃ－１）以下の任意の整数として設定されていればよい。
【0284】
総合誤差の増加トレンドに基づいて（より具体的には、Δの増加トレンドに基づいて）切替時点として選択することにより、必ずしも全てのｉについてＴＥ（ｉ）を算出することが不要となる。その結果、切替時点の設定までに要する一連の演算処理の時間を低減できる。
【0285】
（２）実施形態２では、学習部１３Ｂが第１モデルと第２モデルとを生成する場合を例示した。ただし、学習部１３Ｂが第１モデルと第２モデルとは別の予測モデルをさらに生成してもよい。例えば、学習部１３Ｂは、ラグ特徴量、ローリング特徴量、および直前需要電力量とは別の特徴量に基づいて、別の予測モデルをさらに生成してもよい。
【0286】
以上の通り、学習部１３Ｂは、３つ以上の予測モデルを生成してもよい。この場合、予測フェーズにおいて、予測装置２０Ｂは、当該３つ以上の予測モデルを併用して、需要電力量を予測できる。
【0287】
〔ソフトウェアによる実現例〕
情報処理装置１～１Ｂ（以下では、便宜上「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に、モデル生成装置１０～１０Ｂおよび予測装置２０～２０Ｂに含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
情報処理装置１～１Ｂ（以下では、便宜上「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に、モデル生成装置１０～１０Ｂおよび予測装置２０～２０Ｂに含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
【0288】
この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
【0289】
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
【0290】
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
【0291】
上記各実施形態の説明から明らかである通り、上記各実施形態における各処理は、ＡＩ（Artificial Intelligence：人工知能）に実行させることができる。ＡＩは上記制御装置で動作するものであってもよいし、他の装置（例えばエッジコンピュータまたはクラウドサーバ等）で動作するものであってもよい。
【0292】
〔まとめ〕
本発明の態様１に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択し、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成し、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する。
本発明の態様１に係るモデル生成装置は、施設における需要電力量を予測するための予測モデルを生成するモデル生成装置であって、前記モデル生成装置は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出し、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択し、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成し、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する。
【0293】
本発明の態様２に係るモデル生成装置では、前記態様１において、前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、前記モデル生成装置は、前記実績値の予測対象期間に属する各時点の少なくとも一部を、複数の切替時点候補として設定してよく、（ｉ）前記予測対象期間の始点である予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測対象期間の終点である予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点を選択してよい。
【0294】
本発明の態様３に係るモデル生成装置は、前記態様２において、複数の前記切替時点候補のそれぞれについて、（ｉ）前記予測開始時点から前記予測終了時点までの各時点における前記実績値と、（ｉｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、前記予測対象期間における前記第１予測値と前記第２予測値との総合誤差を算出してよく、前記総合誤差に基づいて、複数の前記切替時点候補の内から、前記切替時点を選択してよい。
【0295】
本発明の態様４に係るモデル生成装置では、前記態様３において、前記実績値と前記第１予測値との誤差を第１誤差と称し、前記実績値と前記第２予測値との誤差を第２誤差と称し、前記モデル生成装置は、（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２誤差の累積値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１誤差の累積値と、の和を算出してよく、前記和を、前記予測対象期間に属する時点の総数によって除算した値を、前記総合誤差として算出してよい。
【0296】
本発明の態様５に係るモデル生成装置は、前記態様３または４において、複数の前記切替時点候補の内、前記総合誤差の最小値に対応する切替時点候補を、前記切替時点として選択してよい。
【0297】
本発明の態様６に係る予測装置は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測装置であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測装置は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する。
【0298】
本発明の態様７に係る予測装置では、前記態様６において、前記第１モデルから出力される前記需要電力量の予測値を第１予測値と称し、前記第２モデルから出力される前記需要電力量の予測値を第２予測値と称し、前記学習フェーズでは、予測開始時点から予測終了時点までの各時点の少なくとも一部が、複数の切替時点候補として設定されていてよく、（ｉ）前記予測開始時点から前記切替時点候補までの各時点における前記第２予測値と、（ｉｉ）前記切替時点候補の次の時点から前記予測終了時点までの各時点における前記第１予測値と、に基づき、複数の前記切替時点候補の内から切替時点が選択されていてよく、前記予測装置は、前記学習フェーズにおける前記予測開始時点から前記切替時点までの時間長を、切替時間長として算出してよく、前記予測フェーズにおける予測開始時点に前記切替時間長を加算した時点を、前記予測フェーズにおける切替時点として設定してよく、前記予測フェーズにおける前記予測開始時点から、前記予測フェーズにおける前記切替時点までの各時点について、前記第２モデルに前記第２予測値を出力させてよく、前記予測フェーズにおける前記切替時点の次の時点から、前記予測フェーズにおける予測終了時点までの各時点について、前記第１モデルに前記第１予測値を出力させてよい。
【0299】
本発明の態様８に係るモデル生成方法は、施設における需要電力量を予測するための予測モデルを生成するモデル生成方法であって、前記モデル生成方法は、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数を導出する工程と、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグを選択する工程と、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出する工程と、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルを生成する工程と、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出する工程と、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルをさらに生成する工程と、を含んでいる。
【0300】
本発明の態様９に係る予測方法は、学習フェーズにおいて予め生成された、施設における需要電力量を予測するための予測モデルを予測フェーズにおいて用いることにより、前記需要電力量の予測値を導出する予測方法であって、前記学習フェーズでは、前記需要電力量の実績値の時間推移を示す時系列データについて、前記実績値に対する複数のラグを設定することにより、複数の前記ラグのそれぞれに対応する前記実績値の自己相関係数が導出されており、前記自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数の前記ラグの内、複数の前記ラグの最小値である最小ラグ以外から、特殊ラグが選択されており、前記特殊ラグを前記実績値に対して設定することにより新たな特徴量が導出されており、前記時系列データに対して前記新たな特徴量が追加された第１時系列データに基づいて、機械学習によって前記予測モデルとして第１モデルが生成されており、前記最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量が導出されており、前記第１時系列データに対して前記さらなる新たな特徴量が追加された第２時系列データに基づいて、前記機械学習によって、前記第１モデルとは異なる第２モデルがさらに生成されており、前記予測方法は、前記予測フェーズにおいて、前記第１モデルと前記第２モデルとを使用することにより、前記需要電力量を予測する工程を含んでいる。
【0301】
〔付記事項〕
本発明の一態様は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の一態様の技術的範囲に含まれる。
本発明の一態様は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の一態様の技術的範囲に含まれる。
【符号の説明】
【0302】
１Ｂ 情報処理装置
１０Ｂ モデル生成装置
２０Ｂ 予測装置
ＤＺ 学習フェーズにおける実績データ
ＤＺＰ 予測フェーズにおける実績データ
ＤＳ 学習フェーズにおける就業状態データ
ＤＳＰ 予測フェーズにおける就業状態データ
１０Ｂ モデル生成装置
２０Ｂ 予測装置
ＤＺ 学習フェーズにおける実績データ
ＤＺＰ 予測フェーズにおける実績データ
ＤＳ 学習フェーズにおける就業状態データ
ＤＳＰ 予測フェーズにおける就業状態データ
【要約】
【課題】施設における需要電力量の予測精度を高める。
【解決手段】施設における需要電力量を予測するための予測モデルを生成するモデル生成装置（１０Ｂ）は、複数のラグのそれぞれに対応する需要電力量の実績値の自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数のラグの内、最小ラグ以外から特殊ラグを選択し、特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記実績値の時間推移を示す時系列データに対して新たな特徴量が追加された第１時系列データに基づき第１モデルを生成モデル生成し、最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、第１時系列データに対してさらなる新たな特徴量が追加された第２時系列データに基づき第２モデルをさらに生成する。
【選択図】図２７
【解決手段】施設における需要電力量を予測するための予測モデルを生成するモデル生成装置（１０Ｂ）は、複数のラグのそれぞれに対応する需要電力量の実績値の自己相関係数、および、前記施設における日毎の就業状態を示す就業状態データに基づいて、複数のラグの内、最小ラグ以外から特殊ラグを選択し、特殊ラグを前記実績値に対して設定することにより新たな特徴量を導出し、前記実績値の時間推移を示す時系列データに対して新たな特徴量が追加された第１時系列データに基づき第１モデルを生成モデル生成し、最小ラグを前記実績値に対して設定することによりさらなる新たな特徴量を導出し、第１時系列データに対してさらなる新たな特徴量が追加された第２時系列データに基づき第２モデルをさらに生成する。
【選択図】図２７
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】