JPH04220758A - 時系列データの予測及び予測認識方法 - Google Patents
時系列データの予測及び予測認識方法Info
- Publication number
- JPH04220758A JPH04220758A JP2413863A JP41386390A JPH04220758A JP H04220758 A JPH04220758 A JP H04220758A JP 2413863 A JP2413863 A JP 2413863A JP 41386390 A JP41386390 A JP 41386390A JP H04220758 A JPH04220758 A JP H04220758A
- Authority
- JP
- Japan
- Prior art keywords
- time
- data
- neural network
- series data
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クを用いて時系列データ又はパターンデータの未来値の
予測を行なう方法及び該予測を行なった結果からのパタ
ーン認識を行なう方法に関する。
クを用いて時系列データ又はパターンデータの未来値の
予測を行なう方法及び該予測を行なった結果からのパタ
ーン認識を行なう方法に関する。
【０００２】時系列データは、株価、為替、先物取引と
いった金融データ、工場・プラントにおけるセンサ信号
、電力消費量、道路の交通量など、日常的に多く使用さ
れている。そして、それらの時系列データから（近い）
将来の値（状態）を予測する技術が必要とされている。 例えば、プラント設備に取りつけられたセンサからの信
号からプラント制御を行なう場合には、プラントの（近
い）未来の状態が予測できたならば、先取りして制御が
行なえ、もし、装置異常がある場合でも早期に検出が可
能となる。
いった金融データ、工場・プラントにおけるセンサ信号
、電力消費量、道路の交通量など、日常的に多く使用さ
れている。そして、それらの時系列データから（近い）
将来の値（状態）を予測する技術が必要とされている。 例えば、プラント設備に取りつけられたセンサからの信
号からプラント制御を行なう場合には、プラントの（近
い）未来の状態が予測できたならば、先取りして制御が
行なえ、もし、装置異常がある場合でも早期に検出が可
能となる。
【０００３】
【従来の技術】従来、目的とする対象（例えば、「制御
対象」等）から得られた時系列データにより近い将来に
生じる状態を予測しようとする場合には、該対象の取扱
いに習熟した熟練者の経験にたよるか、また可能な場合
には統計的または確率的な手法により分析を行ない予測
するか、さらには得られた時系列データを適当な近似関
数により線形近似して予測するなどの方法が用いられて
いた。
対象」等）から得られた時系列データにより近い将来に
生じる状態を予測しようとする場合には、該対象の取扱
いに習熟した熟練者の経験にたよるか、また可能な場合
には統計的または確率的な手法により分析を行ない予測
するか、さらには得られた時系列データを適当な近似関
数により線形近似して予測するなどの方法が用いられて
いた。
【０００４】
【発明が解決しようとする課題】一般に時系列データの
予測には、理論式に記述出来ない場合が多い。例えば、
プラントの制御の場合には、プラント設備の持っている
パラメータや時定数の測定が困難であったり、外乱が大
きいことから熟練者による制御に頼らざるを得ない場合
が多く、信頼性の面で問題が多かった。
予測には、理論式に記述出来ない場合が多い。例えば、
プラントの制御の場合には、プラント設備の持っている
パラメータや時定数の測定が困難であったり、外乱が大
きいことから熟練者による制御に頼らざるを得ない場合
が多く、信頼性の面で問題が多かった。
【０００５】本発明は上記問題点に鑑みなされたもので
あり、時系列データを発生する対象について理論的な分
析及び数式的な記述が出来ない場合にも、効果的にその
時系列データの未来値の予測及び認識を行ない得る方法
を提供することを目的とする。
あり、時系列データを発生する対象について理論的な分
析及び数式的な記述が出来ない場合にも、効果的にその
時系列データの未来値の予測及び認識を行ない得る方法
を提供することを目的とする。
【０００６】
【課題を解決するための手段】本発明によれば上述の目
的は前記特許請求の範囲に記載した手段により達成され
る。
的は前記特許請求の範囲に記載した手段により達成され
る。
【０００７】すなわち、請求項１記載の発明については
、ニューラルネットワークに、学習用の時系列データと
該時系列データに対する出力データとを与えて予め学習
を行なわせておき、上記ニューラルネットワークを用い
て、入力される時系列データの任意の時間先のデータを
予測させる時系列データの予測方法である。
、ニューラルネットワークに、学習用の時系列データと
該時系列データに対する出力データとを与えて予め学習
を行なわせておき、上記ニューラルネットワークを用い
て、入力される時系列データの任意の時間先のデータを
予測させる時系列データの予測方法である。
【０００８】また、請求項２記載の発明については、請
求項１記載のニューラルネットワークを複数個用いて、
入力される時系列データに対する複数の異なる単位時間
先のデータを出力させ未来の任意の時間帯のデータ予測
を行なう時系列データの予測方法である。
求項１記載のニューラルネットワークを複数個用いて、
入力される時系列データに対する複数の異なる単位時間
先のデータを出力させ未来の任意の時間帯のデータ予測
を行なう時系列データの予測方法である。
【０００９】さらに、請求項３記載の発明については、
請求項１記載のニューラルネットワークを１単位時間先
のデータを予測するニューラルネットワークとし、該ニ
ューラルネットワークを複数個用いると共に、各ニュー
ラルネットワークは、より早い時間先のデータを予測す
るニューラルネットワークの予測値を使用して次の時間
のデータを予測する時系列データの予測方法である。
請求項１記載のニューラルネットワークを１単位時間先
のデータを予測するニューラルネットワークとし、該ニ
ューラルネットワークを複数個用いると共に、各ニュー
ラルネットワークは、より早い時間先のデータを予測す
るニューラルネットワークの予測値を使用して次の時間
のデータを予測する時系列データの予測方法である。
【００１０】請求項４記載の発明については、請求項１
記載のニューラルネットワークに学習を行なわせる際に
、時系列データの増加に伴い学習パターンデータの内容
を増加させる時系列データの学習方法である。
記載のニューラルネットワークに学習を行なわせる際に
、時系列データの増加に伴い学習パターンデータの内容
を増加させる時系列データの学習方法である。
【００１１】請求項５記載の発明については、請求項１
、２又は３記載の方法を用いて、時系列データの任意の
時間先のデータを予測させると共に、さらに該予測値を
用いてニューラルネットワークに時系列データのパター
ン認識予測を行なわせる認識ネットワークを用いた時系
列データの予測認識方法である。
、２又は３記載の方法を用いて、時系列データの任意の
時間先のデータを予測させると共に、さらに該予測値を
用いてニューラルネットワークに時系列データのパター
ン認識予測を行なわせる認識ネットワークを用いた時系
列データの予測認識方法である。
【００１２】請求項６記載の発明については、請求項５
記載の認識ネットワークを複数個用いて、入力される時
系列データに対する将来の任意の時間帯のパターン認識
予測を行なう時系列データの予測認識方法である。
記載の認識ネットワークを複数個用いて、入力される時
系列データに対する将来の任意の時間帯のパターン認識
予測を行なう時系列データの予測認識方法である。
【００１３】請求項７記載の発明については、請求項６
記載の方法により得られた認識予測結果に対して、さら
に総合判定用のニューラルネットワークを用いてパター
ン認識を行なわせて最終の判定結果を得る時系列データ
の予測認識方法である。
記載の方法により得られた認識予測結果に対して、さら
に総合判定用のニューラルネットワークを用いてパター
ン認識を行なわせて最終の判定結果を得る時系列データ
の予測認識方法である。
【００１４】以下、図を用いて、本発明で用いた手段に
ついて説明する。
ついて説明する。
【００１５】すなわち、図１は本発明の第一の原理構成
図を示しており、特許請求の範囲の請求項１記載の発明
に対応し、予め学習を完了したニューラルネットワーク
１に時系列データを入力し、任意の時間先の予測値を出
力させるものである。
図を示しており、特許請求の範囲の請求項１記載の発明
に対応し、予め学習を完了したニューラルネットワーク
１に時系列データを入力し、任意の時間先の予測値を出
力させるものである。
【００１６】また、この場合に、予測値に影響を与える
他の有効なデータがある場合には、それを与えることが
できる。
他の有効なデータがある場合には、それを与えることが
できる。
【００１７】また、図２は本発明の第二の原理構成図を
示しており、特許請求の範囲の請求項２記載の発明に対
応し、図１に示した任意の時間先の時系列データを予測
するニューラルネットワークを複数個（１１ 〜１ｎ
）用意し任意の時間帯の予測を行なう。
示しており、特許請求の範囲の請求項２記載の発明に対
応し、図１に示した任意の時間先の時系列データを予測
するニューラルネットワークを複数個（１１ 〜１ｎ
）用意し任意の時間帯の予測を行なう。
【００１８】図３は本発明の第三の原理構成図であり、
特許請求の範囲の請求項３記載の発明に対応し、ニュー
ラルネットワーク２１ 〜２ｎ は入力される時系列デ
ータの１単位時間先のデータを予測するものであり、各
ニューラルネットワークは前段のニューラルネットワー
クの予測を使用してデータ予測を行なう。
特許請求の範囲の請求項３記載の発明に対応し、ニュー
ラルネットワーク２１ 〜２ｎ は入力される時系列デ
ータの１単位時間先のデータを予測するものであり、各
ニューラルネットワークは前段のニューラルネットワー
クの予測を使用してデータ予測を行なう。
【００１９】図４は本発明の第四の原理構成図を示して
おり、特許請求の範囲の請求項４記載の発明に対応し、
時系列データの増加に伴い学習パターンデータ３１ 〜
３ｍ （パターンセット■〜ｍ）を増加させ、ニューラ
ルネットワークに学習を行なわせる。
おり、特許請求の範囲の請求項４記載の発明に対応し、
時系列データの増加に伴い学習パターンデータ３１ 〜
３ｍ （パターンセット■〜ｍ）を増加させ、ニューラ
ルネットワークに学習を行なわせる。
【００２０】図５は本発明の第五の原理構成図を示して
おり、特許請求の範囲の請求項５記載の発明に対応し、
予測用のニューラルネットワーク１からの予測値と時系
列データを認識用のニューラルネットワーク４に入力し
、時系列データの予測認識を行なう。
おり、特許請求の範囲の請求項５記載の発明に対応し、
予測用のニューラルネットワーク１からの予測値と時系
列データを認識用のニューラルネットワーク４に入力し
、時系列データの予測認識を行なう。
【００２１】図６は本発明の第六の原理構成図を示して
おり、特許請求の範囲の請求項６記載の発明に対応し、
ｉ（ｉ＝１〜ｎ）時間先の予測を行なう複数のニューラ
ルネットワーク１１ 〜１ｎ により得られた時系列デ
ータの予測値を用いて、複数の認識用のニューラルネッ
トワーク５０ 〜５ｍ により任意の時間帯についての
認識結果を得る。
おり、特許請求の範囲の請求項６記載の発明に対応し、
ｉ（ｉ＝１〜ｎ）時間先の予測を行なう複数のニューラ
ルネットワーク１１ 〜１ｎ により得られた時系列デ
ータの予測値を用いて、複数の認識用のニューラルネッ
トワーク５０ 〜５ｍ により任意の時間帯についての
認識結果を得る。
【００２２】図７は本発明の第七の原理構成図を示して
おり、特許請求の範囲の請求項７記載の発明に対応する
ものであり、図６で得られた個別の認識予測結果をさら
にニューラルネットワーク６により認識を行ない総合的
な判定結果を得るよう構成する。
おり、特許請求の範囲の請求項７記載の発明に対応する
ものであり、図６で得られた個別の認識予測結果をさら
にニューラルネットワーク６により認識を行ない総合的
な判定結果を得るよう構成する。
【００２３】
【作用】本発明では、時系列データの予測を予測のニュ
ーラルネットワークを用いて行ない。さらにその予測結
果を用いて該ニューラルネットワークにパターン認識を
行なわせることより、例えばプラントの制御の場合等に
早期の異常検出や故障の予測を行なわせ得るものである
。
ーラルネットワークを用いて行ない。さらにその予測結
果を用いて該ニューラルネットワークにパターン認識を
行なわせることより、例えばプラントの制御の場合等に
早期の異常検出や故障の予測を行なわせ得るものである
。
【００２４】以下、特許請求の範囲に記載した各請求項
の発明につきその作用を説明する。
の発明につきその作用を説明する。
【００２５】図８は、本発明の第一の動作原理説明図を
示しており、特許請求の範囲の請求項１記載の発明に対
応するものであり、複数のニューロン１０で構成される
ニューラルネットワーク（本例では３層構造）には、予
め用意された学習用の時系列データの任意時間帯のデー
タを入力し、任意時間先の時系列データが出力されるよ
うに学習を行なわせておく。
示しており、特許請求の範囲の請求項１記載の発明に対
応するものであり、複数のニューロン１０で構成される
ニューラルネットワーク（本例では３層構造）には、予
め用意された学習用の時系列データの任意時間帯のデー
タを入力し、任意時間先の時系列データが出力されるよ
うに学習を行なわせておく。
【００２６】そして、実際に時系列データの単位時間毎
のサンプリング値をニューラルネットワークに入力する
ことにより、所定の単位時間先の予測値を得る。なお、
前述のごとく、ニューラルネットワークの入力には時系
列データの他にも、予測値の精度を
のサンプリング値をニューラルネットワークに入力する
ことにより、所定の単位時間先の予測値を得る。なお、
前述のごとく、ニューラルネットワークの入力には時系
列データの他にも、予測値の精度を
【００２７】図９は本発明の第二の動作原理説明図を示
しており、特許請求の範囲の請求項２記載の発明に対応
し、任意の時間先の時系列データの予測を行なうニュー
ラルネットワークを複数個用意し（本図の例では、ニュ
ーラルネットワーク１１ 〜１６ を６個）、任意の時
間帯を指定してデータの予測を行なうことができる。
しており、特許請求の範囲の請求項２記載の発明に対応
し、任意の時間先の時系列データの予測を行なうニュー
ラルネットワークを複数個用意し（本図の例では、ニュ
ーラルネットワーク１１ 〜１６ を６個）、任意の時
間帯を指定してデータの予測を行なうことができる。
【００２８】この場合、ニューラルネットワークの個数
については、所要の時間帯を構成する単位時間数に等し
い個数分だけ用意し、それぞれのニューラルネットワー
クに、１単位時間先、２単位時間先、ｎ単位時間先のデ
ータを予測させる。従って、ｎ個のニューラルネットワ
ークを用意すれば、“ｎ×単位時間”に等しい時間帯の
データの予測が可能となる。
については、所要の時間帯を構成する単位時間数に等し
い個数分だけ用意し、それぞれのニューラルネットワー
クに、１単位時間先、２単位時間先、ｎ単位時間先のデ
ータを予測させる。従って、ｎ個のニューラルネットワ
ークを用意すれば、“ｎ×単位時間”に等しい時間帯の
データの予測が可能となる。
【００２９】図１０は本発明に第三の動作原理説明図、
図１１は本発明の第四の動作原理説明図を示しており。 それぞれ特許請求の範囲の請求項３記載の発明に対応す
るものである。
図１１は本発明の第四の動作原理説明図を示しており。 それぞれ特許請求の範囲の請求項３記載の発明に対応す
るものである。
【００３０】図９の例では、１〜ｎ単位時間先を予測す
るニューラルネットワークを複数個用意したが、図１０
では、１単位時間先を予測するニューラルネットワーク
をｎ個用意する（本図の例ではニューラルネットワーク
２１ 〜２６ を６個）。
るニューラルネットワークを複数個用意したが、図１０
では、１単位時間先を予測するニューラルネットワーク
をｎ個用意する（本図の例ではニューラルネットワーク
２１ 〜２６ を６個）。
【００３１】そして、まず最初のニューラルネットワー
ク２１ に時系列データを入力し、１単位時間先の予測
値が得られる。次に、１単位時間ずれて時系列データと
最初のニューラルネットワークの予測値を次のニューラ
ルネットワーク２２ に入力し、次の時間の予測値を得
る。
ク２１ に時系列データを入力し、１単位時間先の予測
値が得られる。次に、１単位時間ずれて時系列データと
最初のニューラルネットワークの予測値を次のニューラ
ルネットワーク２２ に入力し、次の時間の予測値を得
る。
【００３２】以下、同様の処理を行ない、ｎ時間帯のデ
ータの予測を行なう。なお、この場合には、学習を行な
うニューラルネットワークは１種類で済む。
ータの予測を行なう。なお、この場合には、学習を行な
うニューラルネットワークは１種類で済む。
【００３３】これに対して、図１１の場合には、入力ユ
ニット数（入力時間帯）の異なる、１単位時間先を予測
するニューラルネットワークをｎ個用意する（本図の例
ではニューラルネットワーク７１ 〜７６ 個）。
ニット数（入力時間帯）の異なる、１単位時間先を予測
するニューラルネットワークをｎ個用意する（本図の例
ではニューラルネットワーク７１ 〜７６ 個）。
【００３４】まず、最初のニューラルネットワーク７１
に時系列データを入力し、１単位時間先の予測を行な
うのは、図１０の場合と同様であるが、次のニューラル
ネットワーク７２ では、入力データとして、最初のニ
ューラルネットワーク７１ の１単位時間先の予測値も
入力データに加える。
に時系列データを入力し、１単位時間先の予測を行な
うのは、図１０の場合と同様であるが、次のニューラル
ネットワーク７２ では、入力データとして、最初のニ
ューラルネットワーク７１ の１単位時間先の予測値も
入力データに加える。
【００３５】以下、同様の処理を繰り返す。この場合に
は、入力ユニット数の異なるニューラルネットワークを
ｎ個用意する必要がある。
は、入力ユニット数の異なるニューラルネットワークを
ｎ個用意する必要がある。
【００３６】また、特許請求の範囲の請求項４記載の発
明については、通常ニューラルネットワークの学習（バ
ックプロパゲーション法）では、１パターン毎に学習を
行なう方法と全部のパターンを一度に学習する方法が一
般的であるが、本発明では、学習するパターンを徐々に
増加させる追加パターン学習法を使用している。本学習
法は、最初１パターンまたは少数パターンで学習を開始
し、その後学習が進むに従って、徐々に学習パターンを
増加（追加）して学習を行なう。
明については、通常ニューラルネットワークの学習（バ
ックプロパゲーション法）では、１パターン毎に学習を
行なう方法と全部のパターンを一度に学習する方法が一
般的であるが、本発明では、学習するパターンを徐々に
増加させる追加パターン学習法を使用している。本学習
法は、最初１パターンまたは少数パターンで学習を開始
し、その後学習が進むに従って、徐々に学習パターンを
増加（追加）して学習を行なう。
【００３７】一般に時系列データには類似のパターンが
現われることが多く、本発明の追加パターン学習方法に
よれば、追加した学習パターンデータが過去に学習した
パターンに類似している場合には学習を省略でき、また
、過去に学習したパターンに近いパターンでは多くの学
習時間を必要とせずに学習ができる。さらに、ニューラ
ルネットワークの学習データを追加する場合でも、本追
加パターン学習法では容易に学習ができる。
現われることが多く、本発明の追加パターン学習方法に
よれば、追加した学習パターンデータが過去に学習した
パターンに類似している場合には学習を省略でき、また
、過去に学習したパターンに近いパターンでは多くの学
習時間を必要とせずに学習ができる。さらに、ニューラ
ルネットワークの学習データを追加する場合でも、本追
加パターン学習法では容易に学習ができる。
【００３８】以上説明したように、本発明による時系列
データの予測方法では、時系列データの予測をニューラ
ルネットワークで行なうことを大きな特徴としており、
数式による問題の記述が不要であり、数式で表現できな
い、あるいは表現が困難な問題に対してもニューラルネ
ットワークの学習により時系列データの予測が可能であ
る。そしてさらに、追加パターン学習法により、時系列
データの学習が容易にできる。
データの予測方法では、時系列データの予測をニューラ
ルネットワークで行なうことを大きな特徴としており、
数式による問題の記述が不要であり、数式で表現できな
い、あるいは表現が困難な問題に対してもニューラルネ
ットワークの学習により時系列データの予測が可能であ
る。そしてさらに、追加パターン学習法により、時系列
データの学習が容易にできる。
【００３９】次に、本発明による時系列データの予測認
識方法についてその作用を説明する。
識方法についてその作用を説明する。
【００４０】図１２は本発明の第五の動作原理説明図で
あり、特許請求の範囲の請求項５及び６記載の発明に対
応するものである。
あり、特許請求の範囲の請求項５及び６記載の発明に対
応するものである。
【００４１】すなわち、本例では前述した請求項１、２
又は３記載の発明より時系列データの予測を行なった後
に、該予測値を含む時系列データを順次に認識を行なう
認識予測ニューラルネットワーク５０ 〜５ｎ に入力
して行くことにより任意時間帯の認識予測を行なってい
る。
又は３記載の発明より時系列データの予測を行なった後
に、該予測値を含む時系列データを順次に認識を行なう
認識予測ニューラルネットワーク５０ 〜５ｎ に入力
して行くことにより任意時間帯の認識予測を行なってい
る。
【００４２】図１３は本発明の第六の動作原理説明図で
あり、特許請求の範囲の請求項７記載の発明に対応する
ものである。
あり、特許請求の範囲の請求項７記載の発明に対応する
ものである。
【００４３】すなわち、本例では、図１２での認識結果
をさらに総合判定ニューラルネットワーク６で処理する
ことにより認識率の向上を可能としている。
をさらに総合判定ニューラルネットワーク６で処理する
ことにより認識率の向上を可能としている。
【００４４】このように、本発明の時系列データの予測
認識方法では、現在までの時系列データとマルチニュー
ラルネットワークによる予測値とを、認識予測を行なう
マルチニューラルネットワークに入力し認識予測結果を
得ると共に、さらに個々の認識予測結果を総合判定ニュ
ーラルネットワークに入力し、最終的な判定結果を得る
ようにもできる。
認識方法では、現在までの時系列データとマルチニュー
ラルネットワークによる予測値とを、認識予測を行なう
マルチニューラルネットワークに入力し認識予測結果を
得ると共に、さらに個々の認識予測結果を総合判定ニュ
ーラルネットワークに入力し、最終的な判定結果を得る
ようにもできる。
【００４５】従って、ニューラルネットワークの細かな
分業を行なうことにより個々のニューラルネットワーク
を比較的小規模にして、設計者に分り易いシステム構成
とすることができる。
分業を行なうことにより個々のニューラルネットワーク
を比較的小規模にして、設計者に分り易いシステム構成
とすることができる。
【００４６】
【実施例】本発明の一実施例として、株価予測システム
について説明する。
について説明する。
【００４７】図１４は株価予測システムのハードウェア
構成を示す図であり、該株価予測システムはパソコン本
体１１、モニター１２、キーボード１３、マウス１４、
および株価データを収集する電話回線とそのモデム１５
から構成されている。
構成を示す図であり、該株価予測システムはパソコン本
体１１、モニター１２、キーボード１３、マウス１４、
および株価データを収集する電話回線とそのモデム１５
から構成されている。
【００４８】図１５は、本株価予測システムで選択でき
るメニュー構成を示す図である。以下、メニューの構成
について説明する。
るメニュー構成を示す図である。以下、メニューの構成
について説明する。
【００４９】・銘柄選択：電話回線より収集した株価デ
ータの銘柄（会社）の選択を行なう。 ・初期化：予測する時間の設定を行なう。 ・更新：ニューラルネットワークを構築し、学習範囲指
定した後に学習に、学習を開始する。 ・結果表示：学習中にニューラルネットワークが予測し
た値を表示する。 ・認識：予測範囲（期間）を指定して、その間の予測を
する。 ・売買：予測結果をもとに、株の売買シミュレーション
を行なう。 ・評価：予測範囲中のニューラルネットワークの予測値
と実績との差を統計的に分析する。 ・終了：株価予測システムを終了する。 メニューの「売買」で本発明が適用されている。
ータの銘柄（会社）の選択を行なう。 ・初期化：予測する時間の設定を行なう。 ・更新：ニューラルネットワークを構築し、学習範囲指
定した後に学習に、学習を開始する。 ・結果表示：学習中にニューラルネットワークが予測し
た値を表示する。 ・認識：予測範囲（期間）を指定して、その間の予測を
する。 ・売買：予測結果をもとに、株の売買シミュレーション
を行なう。 ・評価：予測範囲中のニューラルネットワークの予測値
と実績との差を統計的に分析する。 ・終了：株価予測システムを終了する。 メニューの「売買」で本発明が適用されている。
【００５０】一例として、株がある機関ある率で上昇し
た場合には「買い」、ある期間ある率で下落した場合に
は「売り」といった学習を認識予測ネットワークで学習
を行ない、さらに総合判定ニューラルネットワークによ
り、その売買予測結果から現在の売買判定を行なってい
る。
た場合には「買い」、ある期間ある率で下落した場合に
は「売り」といった学習を認識予測ネットワークで学習
を行ない、さらに総合判定ニューラルネットワークによ
り、その売買予測結果から現在の売買判定を行なってい
る。
【００５１】また、図１６は本実施例の認識結果の一例
を示す図である。図中の番号１６で示す破線部が予測デ
ータを示しており、実際のデータと良く一致しているこ
とが示されている。
を示す図である。図中の番号１６で示す破線部が予測デ
ータを示しており、実際のデータと良く一致しているこ
とが示されている。
【００５２】
【発明の効果】本発明の時系列データの予測方法によれ
ば、ニューラルネットワークにより、時系列データの予
測が行なうことができ、数式化が難しい問題（対象）に
対して適用可能であると共に、マルチネットワークに予
測方法によって、任意時間帯の予測が行なえる。そして
さらに追加パターン学習法により、時系列データの学習
が容易に行なえる。
ば、ニューラルネットワークにより、時系列データの予
測が行なうことができ、数式化が難しい問題（対象）に
対して適用可能であると共に、マルチネットワークに予
測方法によって、任意時間帯の予測が行なえる。そして
さらに追加パターン学習法により、時系列データの学習
が容易に行なえる。
【００５３】また、本発明の時系列データの予測認識方
法によれば、ニューラルネットワークにより時系列デー
タの予測を行なった結果から認識を行なうことができる
ので、早期の認識あるいは検出が可能である。さらに、
ニューラルネットワークの分業化により、小規模化が可
能であり、学習時間の短縮が期待である。
法によれば、ニューラルネットワークにより時系列デー
タの予測を行なった結果から認識を行なうことができる
ので、早期の認識あるいは検出が可能である。さらに、
ニューラルネットワークの分業化により、小規模化が可
能であり、学習時間の短縮が期待である。
【図１】本発明の第一の原理構成図である。
【図２】本発明の第二の原理構成図である。
【図３】本発明の第三の原理構成図である。
【図４】本発明の第四の原理構成図である。
【図５】本発明の第五の原理構成図である。
【図６】本発明の第六の原理構成図である。
【図７】本発明の第七の原理構成図である。
【図８】本発明の第一の動作原理説明図である。
【図９】本発明の第二の動作原理説明図である。
【図１０】本発明の第三の動作原理説明図である。
【図１１】本発明の第四の動作原理説明図である。
【図１２】本発明の第五の動作原理説明図である。
【図１３】本発明の第六の動作原理説明図である。
【図１４】本発明の一実施例なる株価予測システムのハ
ードウエア構成を示す図である。
ードウエア構成を示す図である。
【図１５】株価予測システムで選択できるメニュー構成
を示す図である。
を示す図である。
【図１６】株価予測システムの認識予測結果の一例を示
す図である。
す図である。
１ 予測用ニューラルネットワーク
１１ 〜１ｎ １〜ｎ時間先を予測するニューラル
ネットワーク ２１ 〜２ｎ １単位時間先を予測するニューラル
ネットワーク ３１ 〜３ｍ 学習パターンデータ４ 認識用ニ
ューラルネットワーク ５１ 〜５ｍ １〜ｍの時間先の認識を行なうニュ
ーラルネットワーク ６ 総合判定用のニューラルネットワーク７１ 〜７
ｎ 入力ユニット数の異なる１単位時間先を予測す
るニューラルネットワーク １０ ニューロン １１ パソコン本体 １２ モニター １３ キーボード １４ マウス １５ モデム １６ 予測データ
ネットワーク ２１ 〜２ｎ １単位時間先を予測するニューラル
ネットワーク ３１ 〜３ｍ 学習パターンデータ４ 認識用ニ
ューラルネットワーク ５１ 〜５ｍ １〜ｍの時間先の認識を行なうニュ
ーラルネットワーク ６ 総合判定用のニューラルネットワーク７１ 〜７
ｎ 入力ユニット数の異なる１単位時間先を予測す
るニューラルネットワーク １０ ニューロン １１ パソコン本体 １２ モニター １３ キーボード １４ マウス １５ モデム １６ 予測データ
Claims (7)
- 【請求項１】 ニューラルネットワークに、学習用の
時系列データと該時系列データに対する出力データとを
与えて予め学習を行わせておき、上記ニューラルネット
ワークを用いて、入力される時系列データの任意の時間
先のデータを予測させることを特徴とする時系列データ
の予測方法。 - 【請求項２】 請求項１記載のニューラルネットワー
クを複数個用いて、入力される時系列データに対する複
数の異なる単位時間先のデータを出力させ未来の任意の
時間帯のデータ予測を行なうことを特徴とする時系列デ
ータの予測方法。 - 【請求項３】 請求項１記載のニューラルネットワー
クを１単位時間先のデータを予測するニューラルネット
ワークとし、該ニューラルネットワークを複数個用いる
と共に、各ニューラルネットワークは、より早い時間先
のデータを予測するニューラルネットワークの予測値を
使用して次の時間のデータを予測することを特徴とする
時系列データの予測方法。 - 【請求項４】 請求項１記載のニューラルネットワー
クに学習を行なわせる際に、時系列データの増加に伴い
学習パターンデータの内容を増加させることを特徴とす
る時系列データの学習方法。 - 【請求項５】 請求項１、２又は３記載の方法を用い
て、時系列データの任意の時間先のデータを予測させる
と共に、さらに該予測値を用いて認識用のニューラルネ
ットワークに時系列データのパターン認識予測を行なわ
せることを特徴とする時系列データの予測認識方法。 - 【請求項６】 請求項５記載の認識用のニューラルネ
ットワークを複数個用いて、入力される時系列データに
対する将来の任意の時間帯のパターン認識予測を行なう
ことを特徴とする時系列データの予測認識方法。 - 【請求項７】 請求項６記載の方法により得られた認
識予測結果に対して、さらに総合判定用のニューラルネ
ットワークを用いてパターン認識を行なわせ最終の判定
結果を得ることを特徴とする時系列データの予測認識方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2413863A JPH04220758A (ja) | 1990-12-20 | 1990-12-20 | 時系列データの予測及び予測認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2413863A JPH04220758A (ja) | 1990-12-20 | 1990-12-20 | 時系列データの予測及び予測認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04220758A true JPH04220758A (ja) | 1992-08-11 |
Family
ID=18522418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2413863A Pending JPH04220758A (ja) | 1990-12-20 | 1990-12-20 | 時系列データの予測及び予測認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04220758A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5448476A (en) * | 1993-06-17 | 1995-09-05 | Kabushiki Kaisha Toshiba | Distributed water flow predicting device |
| JPH08504284A (ja) * | 1992-09-08 | 1996-05-07 | エイチエヌシー，インコーポレイテッド | 予測モデルを用いた不正検出 |
| US6714918B2 (en) | 2000-03-24 | 2004-03-30 | Access Business Group International Llc | System and method for detecting fraudulent transactions |
| JP2005235075A (ja) * | 2004-02-23 | 2005-09-02 | Toshiba Corp | 医療検査機器部品交換支援システム |
| US7251624B1 (en) | 1992-09-08 | 2007-07-31 | Fair Isaac Corporation | Score based decisioning |
-
1990
- 1990-12-20 JP JP2413863A patent/JPH04220758A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08504284A (ja) * | 1992-09-08 | 1996-05-07 | エイチエヌシー，インコーポレイテッド | 予測モデルを用いた不正検出 |
| US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
| US6330546B1 (en) | 1992-09-08 | 2001-12-11 | Hnc Software, Inc. | Risk determination and management using predictive modeling and transaction profiles for individual transacting entities |
| US7251624B1 (en) | 1992-09-08 | 2007-07-31 | Fair Isaac Corporation | Score based decisioning |
| US5448476A (en) * | 1993-06-17 | 1995-09-05 | Kabushiki Kaisha Toshiba | Distributed water flow predicting device |
| US6714918B2 (en) | 2000-03-24 | 2004-03-30 | Access Business Group International Llc | System and method for detecting fraudulent transactions |
| JP2005235075A (ja) * | 2004-02-23 | 2005-09-02 | Toshiba Corp | 医療検査機器部品交換支援システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sayavong et al. | Research on stock price prediction method based on convolutional neural network | |
| JP2821189B2 (ja) | 学習型意思決定支援システム | |
| Lennox et al. | Industrial application of neural networks—an investigation | |
| CN112053560B (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
| JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
| CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
| JPH0636061A (ja) | 階層型ニューラルネットワークの学習方式 | |
| CN120069615B (zh) | 一种电力交易趋势预测与决策支持系统及方法 | |
| CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
| Hoang et al. | Weather prediction based on LSTM model implemented AWS Machine Learning Platform | |
| CN120258338A (zh) | 一种基于知识图谱的交通基础设施全生命周期碳排放评估方法 | |
| CN117923331B (zh) | 一种基于吊车吊装的负荷控制系统及方法 | |
| Ahmadi et al. | The linear-nonlinear data preprocessing based hybrid (LNDH) models for wind power forecasting | |
| Pei et al. | A stock price prediction approach based on time series decomposition and multi-scale cnn using ohlct images | |
| CN120562478B (zh) | 基于神经网络的轧制规程自适应计算方法及系统 | |
| JPH04220758A (ja) | 時系列データの予測及び予測認識方法 | |
| Zhang et al. | Granular neural web agents for stock prediction | |
| CN120105326A (zh) | 一种基于Prophet与LSTM模型融合假期与季节因素的航班计划预测方法 | |
| Kurniasari et al. | Performance Of The Accuracy Of Forecasting The Consumer Price Index Using The GARCH And Ann Methods | |
| Yadav Vanguri et al. | Extraction of technical indicators and data augmentation-based stock market prediction using deep LSTM integrated competitive swarm feedback algorithm | |
| JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
| Lee et al. | Prediction of monthly transition of the composition stock price index using recurrent back-propagation | |
| WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| Heibati et al. | Enhancing Cybersecurity and Frequency Control in Smart Grids Through AI-Driven Short-Term Load Forecasting | |
| Dhanalakshmi et al. | Predicting the Price of Stock Using Deep Learning Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20010821 |