特許ウォッチ

公開番号2025102105
公報種別公開特許公報(A)
公開日2025-07-08
出願番号2023219337
出願日2023-12-26
発明の名称時系列予測装置、時系列予測方法及びプログラム
出願人富士電機株式会社
代理人個人,個人
主分類G05B 23/02 20060101AFI20250701BHJP(制御;調整)
要約【課題】学習用データが十分でない場合であっても、非線形的な挙動をする対象の精度の良い時系列予測を実現すること。
【解決手段】本開示の一態様による時系列予測装置は、対象から出力される出力変数の時系列データである出力時系列を予測する時系列予測装置であって、前記対象の入力変数の時系列データである第1の入力時系列と、前記第1の入力時系列に対応する第1の出力時系列とを入力として、前記第1の入力時系列の第1の入力特徴量と前記第1の出力時系列の第1の出力特徴量との間の関係をモデル化した特徴量モデルを作成するモデル作成部と、第2の入力時系列と、出力基準値とを入力として、前記第2の入力時系列の第2の入力特徴量から第2の出力特徴量を前記特徴量モデルにより予測し、予測された前記第2の出力特徴量が表す特徴を有し、かつ、前記出力基準値から開始する所定の軌道で表される時系列データを、前記第2の入力時系列に対応する第2の出力時系列として予測する時系列予測部と、を有する。
【選択図】図2
特許請求の範囲【請求項１】
対象から出力される出力変数の時系列データである出力時系列を予測する時系列予測装置であって、
前記対象に入力される入力変数の時系列データである第１の入力時系列と、前記第１の入力時系列が前記対象に入力されたときに前記対象から出力された出力時系列である第１の出力時系列とを入力として、前記第１の入力時系列の特徴を表す第１の入力特徴量と前記第１の出力時系列の特徴を表す第１の出力特徴量との間の関係をモデル化した特徴量モデルを作成するモデル作成部と、
出力時系列の予測対象となる入力変数の時系列データである第２の入力時系列と、前記出力変数の基準値である出力基準値とを入力として、前記第２の入力時系列の特徴を表す第２の入力特徴量から第２の出力特徴量を前記特徴量モデルにより予測し、予測された前記第２の出力特徴量が表す特徴を有し、かつ、前記出力基準値から開始する所定の軌道で表される時系列データを、前記第２の入力時系列が前記対象に入力されたときに前記対象から出力されると予測される出力時系列である第２の出力時系列として予測する時系列予測部と、
を有する時系列予測装置。
続きを表示（約 2,500 文字）【請求項２】
前記モデル作成部は、
前記第１の出力時系列を複数の区間に分割し、
前記複数の区間の各々の区間毎に、前記区間における前記第１の出力特徴量を生成し、
前記第１の入力特徴量と、前記区間毎の複数の前記第１の出力特徴量の各々との間の関係をそれぞれモデル化した複数の特徴量モデルを作成し、
前記時系列予測部は、
前記第２の入力特徴量と前記複数の特徴量モデルの各々から前記区間毎の複数の前記第２の出力特徴量を予測し、
前記複数の区間の各々で複数の前記第２の出力特徴量が表す特徴をそれぞれ有し、かつ、前記出力基準値から開始する所定の軌道で表される時系列データを、前記第２の出力時系列として予測する、請求項１に記載の時系列予測装置。
【請求項３】
前記モデル作成部は、
前記第１の入力特徴量を入力として、１番目の区間における前記第１の出力特徴量を予測する特徴量モデルＦ
１
と、
前記第１の入力特徴量と、ｉ－１（ただし、ｉ＞１）番目の区間における前記第１の出力特徴量とを入力として、ｉ番目の区間における前記第１の出力特徴量を予測する特徴量モデルＦ
ｉ
とをそれぞれ作成し、
前記時系列予測部は、
前記第２の入力特徴量と前記特徴量モデルＦ
１
から１番目の区間における前記第２の出力特徴量を予測し、
前記第２の入力特徴量とｉ－１番目の区間における前記第２の出力特徴量と前記特徴量モデルＦ
ｉ
からｉ番目の区間における前記第２の出力特徴量を予測する、請求項２に記載の時系列予測装置。
【請求項４】
前記モデル作成部は、
前記複数の区間の各々の区間毎に、前記区間における前記第１の入力特徴量を生成し、
前記区間毎に、前記区間における前記第１の入力特徴量と、前記区間における前記第１の出力特徴量との関係をそれぞれモデル化した複数の特徴量モデルを作成し、
前記時系列予測部は、
前記区間毎の複数の第２の入力特徴量と前記複数の特徴量モデルの各々から前記区間毎の複数の第２の出力特徴量を予測する、請求項２に記載の時系列予測装置。
【請求項５】
前記モデル作成部は、
１番目の区間における前記第１の入力特徴量を入力として、１番目の区間における前記第１の出力特徴量を予測する特徴量モデルＦ
１
と、
ｉ（ただし、ｉ＞１）番目の区間における前記第１の入力特徴量と、ｉ－１番目の区間における前記第１の出力特徴量とを入力として、ｉ番目の区間における前記第１の出力特徴量を予測する特徴量モデルＦ
ｉ
とをそれぞれ作成し、
前記時系列予測部は、
１番目の区間における前記第２の入力特徴量と前記特徴量モデルＦ
１
から１番目の区間における前記第２の出力特徴量を予測し、
ｉ番目の区間における前記第２の入力特徴量とｉ－１番目の区間における前記第２の出力特徴量と前記特徴量モデルＦ
ｉ
からｉ番目の区間における前記第２の出力特徴量を予測する、請求項４に記載の時系列予測装置。
【請求項６】
前記時系列予測部は、
１番目の区間では前記出力基準値から開始し、ｉ（ただし、ｉ＞１）番目の区間ではｉ－１番目の区間の最終値から開始する所定の軌道で表される時系列データを、前記第２の出力時系列として予測する、請求項２乃至５の何れか一項に記載の時系列予測装置。
【請求項７】
前記第１の出力特徴量には、
前記第１の出力時系列の最大値と前記第１の出力時系列の初期値との差ｄ
１
と、前記最大値を取るときの経過時間ｔ
１
と、前記第１の出力時系列の最小値と前記初期値との差ｄ
２
と、前記最小値を取るときの経過時間ｔ
２
と、前記第１の出力時系列の最終値と前記初期値との差ｄ
３
と、が含まれる、請求項１に記載の時系列予測装置。
【請求項８】
前記時系列予測部は、
前記出力基準値をｙ
０
としたとき、前記経過時間ｔ
１
後にｙ
０
＋ｄ
１
となる第１の点と、前記経過時間ｔ
２
後にｙ
０
＋ｄ
２
となる第２の点と、最終時刻でｙ
０
＋ｄ
３
となる第３の点とを取る所定の軌道を、前記第２の出力時系列として予測する、請求項７に記載の時系列予測装置。
【請求項９】
前記時系列予測部は、
前記経過時間ｔ
１
が前記経過時間ｔ
２
よりも早い場合、前記出力基準値と前記第１の点とを結ぶ軌道と、前記第１の点と前記第２の点とを結ぶ軌道と、前記第２の点と前記第３の点とを結ぶ軌道とで構成される所定の軌道を、前記第２の出力時系列として予測し、
前記経過時間ｔ
１
が前記経過時間ｔ
２
よりも遅い場合、前記出力基準値と前記第２の点とを結ぶ軌道と、前記第２の点と前記第１の点とを結ぶ軌道と、前記第２の点と前記第３の点とを結ぶ軌道とで構成される所定の軌道を、前記第２の出力時系列として予測する、請求項８に記載の時系列予測装置。
【請求項１０】
前記第１の入力特徴量には、
前記第１の入力時系列の開始時刻から、前記第１の入力時系列の値の変化が開始した時刻までの経過時間と、
前記開始時刻から、前記第１の入力時系列の値の変化が終了した時刻までの経過時間と、が含まれる、請求項１に記載の時系列予測装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、時系列予測装置、時系列予測方法及びプログラムに関する。
続きを表示（約 2,300 文字）【背景技術】
【０００２】
プラントの応答を予測する手法として、例えば、フーリエ変換、ＡＲＭＡ（autoregressive moving average）モデル、カルマンフィルタ等といった線形的な手法が知られている。また、例えば、ＳＶＲ（Support Vector Regression）、ガウス過程回帰等、Ｔｒａｎｓｆｏｒｍｅｒ等のニューラルネットワーク等といった非線形的な手法も知られている。
【０００３】
なお、或る時点以降のデータが分類されるクラスを予測する手法として、時系列データの特徴量を用いる手法も知られている（特許文献１）。
【先行技術文献】
【特許文献】
【０００４】
特開平６－９６０５２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、プラントの応答を予測する線形的な従来手法には、プラントの応答に強い非線形性がある場合には予測精度が悪いという問題がある。一方で、プラントの応答を予測する非線形的な従来手法には、学習用データが不十分な場合には予測精度が悪いという問題がある。
【０００６】
本開示は、上記の点に鑑みてなされたもので、学習用データが十分でない場合であっても、非線形的な挙動をする対象の精度の良い時系列予測を実現することを目的とする。
【課題を解決するための手段】
【０００７】
本開示の一態様による時系列予測装置は、対象から出力される出力変数の時系列データである出力時系列を予測する時系列予測装置であって、前記対象に入力される入力変数の時系列データである第１の入力時系列と、前記第１の入力時系列が前記対象に入力されたときに前記対象から出力された出力時系列である第１の出力時系列とを入力として、前記第１の入力時系列の特徴を表す第１の入力特徴量と前記第１の出力時系列の特徴を表す第１の出力特徴量との間の関係をモデル化した特徴量モデルを作成するモデル作成部と、出力時系列の予測対象となる入力変数の時系列データである第２の入力時系列と、前記出力変数の基準値である出力基準値とを入力として、前記第２の入力時系列の特徴を表す第２の入力特徴量から第２の出力特徴量を前記特徴量モデルにより予測し、予測された前記第２の出力特徴量が表す特徴を有し、かつ、前記出力基準値から開始する所定の軌道で表される時系列データを、前記第２の入力時系列が前記対象に入力されたときに前記対象から出力されると予測される出力時系列である第２の出力時系列として予測する時系列予測部と、を有する。
【発明の効果】
【０００８】
学習用データが十分でない場合であっても、非線形的な挙動をする対象の精度の良い時系列予測が実現される。
【図面の簡単な説明】
【０００９】
第一の実施形態に係る時系列予測装置のハードウェア構成の一例を示す図である。
第一の実施形態に係る時系列予測装置の機能構成の一例を示す図である。
第一の実施形態に係るモデル学習部の動作例を示すフローチャートである。
前処理の一例を説明するための図である。
出力特徴量の生成方法の一例を説明するための図である。
入力特徴量の生成方法の一例を説明するための図である。
入力特徴量の生成方法の他の例を説明するための図である。
第一の実施形態に係る簡易出力予測部の動作例を示すフローチャートである。
簡易出力時系列の予測方法の一例を説明するための図（その１）である。
簡易出力時系列の予測方法の一例を説明するための図（その２）である。
第二の実施形態に係るモデル学習部の動作例を示すフローチャートである。
各区間における出力特徴量の生成方法の一例を説明するための図である。
第二の実施形態に係る簡易出力予測部の動作例を示すフローチャートである。
各区間における簡易出力時系列の予測方法の一例を説明するための図である。
第三の実施形態に係るモデル学習部の動作例を示すフローチャートである。
第三の実施形態に係る簡易出力予測部の動作例を示すフローチャートである。
各区間における簡易出力時系列の予測方法の一例を説明するための図である。
プラント監視装置への応用例を説明するための図である。
実施例１における特徴量モデルの予測精度を説明するための図である。
実施例１における簡易出力時系列の予測精度を説明するための図（その１）である。
実施例１における簡易出力時系列の予測精度を説明するための図（その２）である。
実施例２における区間分割を説明するための図である。
実施例２における特徴量モデルの予測精度を説明するための図である。
実施例２における簡易出力時系列の予測精度を説明するための図（その１）である。
実施例２における簡易出力時系列の予測精度を説明するための図（その２）である。
【発明を実施するための形態】
【００１０】
以下、本発明の各実施形態について、図面を参照しながら詳細に説明する。以下の各実施形態では、主に、非線形的な挙動をするプラント等のプロセスを対象として、学習用データが十分でない場合であっても、プラント等の応答を表す時系列データを精度良く予測することができる時系列予測装置１０について説明する。
（【００１１】以降は省略されています）

関連特許