JPH06149576A - 推論装置の精度維持方式 - Google Patents
推論装置の精度維持方式Info
- Publication number
- JPH06149576A JPH06149576A JP31801992A JP31801992A JPH06149576A JP H06149576 A JPH06149576 A JP H06149576A JP 31801992 A JP31801992 A JP 31801992A JP 31801992 A JP31801992 A JP 31801992A JP H06149576 A JPH06149576 A JP H06149576A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- model
- classification
- data
- accuracy
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 推論装置の推論精度を維持する。
【構成】 所定の基準により類別された過去の事例デー
タについて、各類別事例データ毎に類別モデルを生成
し、この生成された類別モデルにより推論を行う。そし
てこの推論結果の精度が不十分の場合は、上記事例デー
タを類別する類別基準を変更する。
タについて、各類別事例データ毎に類別モデルを生成
し、この生成された類別モデルにより推論を行う。そし
てこの推論結果の精度が不十分の場合は、上記事例デー
タを類別する類別基準を変更する。
Description
【０００１】
【産業上の利用分野】本発明は、過去に実際に生じた事
例を用いてモデリングを行い、生成されたモデルに基づ
いて新たな状況を推論する推論装置の精度維持方式に関
する。
例を用いてモデリングを行い、生成されたモデルに基づ
いて新たな状況を推論する推論装置の精度維持方式に関
する。
【０００２】
【従来の技術】従来のこの種の推論装置は、過去に実際
に生じた全ての事例データを用いて入出力の関係を自動
的にモデリングし、生成されたモデルに基づいて新たな
状況に対する推論を行うようにしている。即ち、この推
論装置を適用して空調負荷の予測を行う場合、過去に生
じた全ての事例データについて１つの類別基準で類別
し、例えば外気温等の入力要因とその数時間後の結果で
ある室温との因果関係モデルを生成すると共に、外気温
等の新たな事例データが入力された場合、この因果関係
モデルに基づいてその数時間後の負荷状態を推論するよ
うにしている。
に生じた全ての事例データを用いて入出力の関係を自動
的にモデリングし、生成されたモデルに基づいて新たな
状況に対する推論を行うようにしている。即ち、この推
論装置を適用して空調負荷の予測を行う場合、過去に生
じた全ての事例データについて１つの類別基準で類別
し、例えば外気温等の入力要因とその数時間後の結果で
ある室温との因果関係モデルを生成すると共に、外気温
等の新たな事例データが入力された場合、この因果関係
モデルに基づいてその数時間後の負荷状態を推論するよ
うにしている。
【０００３】
【発明が解決しようとする課題】従来の推論装置は、グ
ローバルな変動とローカルな変動とを合わせ持つような
現象を１つの類別基準によるモデルで表現することが困
難であり、例えば空調システムの負荷など、“季節によ
る変動”と“日毎の変動”とを合わせ持つ現象を年間を
通じて１つの類別基準によりモデル化しようとすると、
次のような問題が生じる。即ち、“日毎の変動”を正確
に記述しようとすると、年間のレンジを非常に細かく分
割することになり、これをモデルとして表現する場合に
は、大容量のメモリが必要になる欠点を生じ、逆にメモ
リ容量の制限から年間のレンジを粗く分割した場合は、
“季節による変動”には対処できても、“日毎の変動”
には対処できないという欠点があった。したがって本発
明は、“日毎の変動”等のローカルな変動に対する追従
精度を維持しつつグローバルな変動にも対処できる推論
装置を提供することを目的とする。
ローバルな変動とローカルな変動とを合わせ持つような
現象を１つの類別基準によるモデルで表現することが困
難であり、例えば空調システムの負荷など、“季節によ
る変動”と“日毎の変動”とを合わせ持つ現象を年間を
通じて１つの類別基準によりモデル化しようとすると、
次のような問題が生じる。即ち、“日毎の変動”を正確
に記述しようとすると、年間のレンジを非常に細かく分
割することになり、これをモデルとして表現する場合に
は、大容量のメモリが必要になる欠点を生じ、逆にメモ
リ容量の制限から年間のレンジを粗く分割した場合は、
“季節による変動”には対処できても、“日毎の変動”
には対処できないという欠点があった。したがって本発
明は、“日毎の変動”等のローカルな変動に対する追従
精度を維持しつつグローバルな変動にも対処できる推論
装置を提供することを目的とする。
【０００４】
【課題を解決するための手段】このような課題を解決す
るために本発明は、過去の事例データについて所定の基
準により類別する事例データ類別手段と、類別された事
例データ毎に類別モデルを生成する類別モデル生成手段
と、検証用データを用いて上記類別モデルによる推論を
行う推論手段と、推論手段の推論結果を予め設定された
値と比較しその精度を評価する精度評価手段と、推論結
果の精度が不十分の場合は事例データ類別手段の類別基
準の変更を指示する手段とを設けたものである。
るために本発明は、過去の事例データについて所定の基
準により類別する事例データ類別手段と、類別された事
例データ毎に類別モデルを生成する類別モデル生成手段
と、検証用データを用いて上記類別モデルによる推論を
行う推論手段と、推論手段の推論結果を予め設定された
値と比較しその精度を評価する精度評価手段と、推論結
果の精度が不十分の場合は事例データ類別手段の類別基
準の変更を指示する手段とを設けたものである。
【０００５】
【作用】所定の基準により類別された過去の事例データ
について、各事例データ毎に類別モデルが生成され、こ
の生成された類別モデルによる推論が行われる。そして
この推論結果の精度が不十分の場合は、上記事例データ
を類別する類別基準が変更される。
について、各事例データ毎に類別モデルが生成され、こ
の生成された類別モデルによる推論が行われる。そして
この推論結果の精度が不十分の場合は、上記事例データ
を類別する類別基準が変更される。
【０００６】
【実施例】以下、本発明について図面を参照して説明す
る。図１は本発明に係る推論装置の精度維持方式を適用
した装置の一実施例を示すブロック図である。同図にお
いて、１は過去の事例データを記憶するシステムデータ
記憶装置、２は所定の基準にしたがって過去の事例デー
タを類別するデータ類別部、３は検証用データ記憶部、
４は類別データ記憶部、５は類別された事例データに基
づいて類別モデルを作成するモデル生成部、６は類別モ
デル記憶部、７は検証用データ記憶部３のデータを用い
類別モデルに基づく推論を行う推論装置、８は推論装置
７の推論結果の精度を評価する精度評価部、９は精度評
価部８により評価された最終の類別モデルを記憶する最
終モデル記憶部である。
る。図１は本発明に係る推論装置の精度維持方式を適用
した装置の一実施例を示すブロック図である。同図にお
いて、１は過去の事例データを記憶するシステムデータ
記憶装置、２は所定の基準にしたがって過去の事例デー
タを類別するデータ類別部、３は検証用データ記憶部、
４は類別データ記憶部、５は類別された事例データに基
づいて類別モデルを作成するモデル生成部、６は類別モ
デル記憶部、７は検証用データ記憶部３のデータを用い
類別モデルに基づく推論を行う推論装置、８は推論装置
７の推論結果の精度を評価する精度評価部、９は精度評
価部８により評価された最終の類別モデルを記憶する最
終モデル記憶部である。
【０００７】なお、１０は認識装置であり、認識装置１
０は、類別データから後述の認識モデルを生成する認識
モデル生成部１１、生成された認識モデルを記憶する認
識モデル記憶部１２、モデル構築部１３から構成され、
モデル構築部１３は、生成された認識モデル及び上記の
最終モデルからシステムモデルを生成する。
０は、類別データから後述の認識モデルを生成する認識
モデル生成部１１、生成された認識モデルを記憶する認
識モデル記憶部１２、モデル構築部１３から構成され、
モデル構築部１３は、生成された認識モデル及び上記の
最終モデルからシステムモデルを生成する。
【０００８】次に本実施例装置を空調負荷予測システム
に適用した場合の動作について説明する。上記したよう
に、システムデータ記憶装置１には、過去に実際に生じ
た事例データが記憶されている。これらの事例データは
例えば過去１年間分についての１時間毎の外気温，不快
指数等のデータとその数時間後の室温データであり、こ
れらの事例データは、各モデル生成部５，１１によりモ
デル化されるためのモデリング用データと検証用データ
とに分けられシステムデータ記憶装置１に記憶されてい
る。検証用データはデータ類別部２により識別されて検
証用データ記憶部３に記憶され、またモデリング用デー
タはデータ類別部２により所定の類別基準にしたがって
類別データとして類別データ記憶部４に記憶される。
に適用した場合の動作について説明する。上記したよう
に、システムデータ記憶装置１には、過去に実際に生じ
た事例データが記憶されている。これらの事例データは
例えば過去１年間分についての１時間毎の外気温，不快
指数等のデータとその数時間後の室温データであり、こ
れらの事例データは、各モデル生成部５，１１によりモ
デル化されるためのモデリング用データと検証用データ
とに分けられシステムデータ記憶装置１に記憶されてい
る。検証用データはデータ類別部２により識別されて検
証用データ記憶部３に記憶され、またモデリング用デー
タはデータ類別部２により所定の類別基準にしたがって
類別データとして類別データ記憶部４に記憶される。
【０００９】今、データ類別部２がモデリング用データ
について季節毎のデータとして類別した場合、モデル生
成部５は類別データ記憶部４に記憶された季節毎の各類
別データについて、それぞれ外気温と数時間後の室温と
の関係を示す因果関係モデル（即ち、季節毎の各類別モ
デル）を生成し、類別モデル記憶部６に記憶する。推論
装置７は、季節毎の各類別モデルを入力すると、検証用
データ記憶部３に記憶されている検証用データを用いて
季節毎の各類別モデルによる推論値を算出し、この結果
を精度評価部８へ出力する。
について季節毎のデータとして類別した場合、モデル生
成部５は類別データ記憶部４に記憶された季節毎の各類
別データについて、それぞれ外気温と数時間後の室温と
の関係を示す因果関係モデル（即ち、季節毎の各類別モ
デル）を生成し、類別モデル記憶部６に記憶する。推論
装置７は、季節毎の各類別モデルを入力すると、検証用
データ記憶部３に記憶されている検証用データを用いて
季節毎の各類別モデルによる推論値を算出し、この結果
を精度評価部８へ出力する。
【００１０】精度評価部８では、季節毎の各類別モデル
による推論値と予めの設定値とを比較して上記推論値の
精度を評価し、精度不十分と判定した場合にはデータ類
別部２に対し、モデリング用データを類別する基準を例
えば各月単位にするように指示する。この結果、データ
類別部２はモデリング用データについて各月毎のデータ
として類別し、モデル生成部５は各月毎に各類別モデル
を生成する。そして、推論装置７は検証用データを用い
て各月毎の類別モデルによる推論値を算出すると共に、
精度評価部８はこの各月毎の類別モデルによる推論値の
精度を予め定めた設定値と比較し、精度が十分と判定し
た場合はこの各月毎の類別モデルを最終モデル記憶部９
へ記憶する。なお、精度不十分と判定された場合は、例
えば１週間毎の類別基準をデータ類別部２へ指示し、精
度十分と判定するまで、順次類別基準を細分化してゆ
く。
による推論値と予めの設定値とを比較して上記推論値の
精度を評価し、精度不十分と判定した場合にはデータ類
別部２に対し、モデリング用データを類別する基準を例
えば各月単位にするように指示する。この結果、データ
類別部２はモデリング用データについて各月毎のデータ
として類別し、モデル生成部５は各月毎に各類別モデル
を生成する。そして、推論装置７は検証用データを用い
て各月毎の類別モデルによる推論値を算出すると共に、
精度評価部８はこの各月毎の類別モデルによる推論値の
精度を予め定めた設定値と比較し、精度が十分と判定し
た場合はこの各月毎の類別モデルを最終モデル記憶部９
へ記憶する。なお、精度不十分と判定された場合は、例
えば１週間毎の類別基準をデータ類別部２へ指示し、精
度十分と判定するまで、順次類別基準を細分化してゆ
く。
【００１１】一方、認識装置１０内の認識モデル生成部
１１は、モデル生成部５により生成され推論装置７によ
り推論された因果関係モデルが、精度評価部８において
十分な精度であると判定された場合、このときの例えば
各月毎の類別データを類別データ記憶部４から取り出
し、この類別データに基づき各月毎の認識モデルを生成
し、認識モデル記憶部１２に記憶する。この認識モデル
は、新たな事例データを入力した場合にその事例データ
がどの認識モデルに属するかを決定するためのモデルで
ある。
１１は、モデル生成部５により生成され推論装置７によ
り推論された因果関係モデルが、精度評価部８において
十分な精度であると判定された場合、このときの例えば
各月毎の類別データを類別データ記憶部４から取り出
し、この類別データに基づき各月毎の認識モデルを生成
し、認識モデル記憶部１２に記憶する。この認識モデル
は、新たな事例データを入力した場合にその事例データ
がどの認識モデルに属するかを決定するためのモデルで
ある。
【００１２】こうして各月毎の認識モデルが生成される
と、モデル構築部１３は、この認識モデルと最終モデル
記憶部９に記憶されている各月毎の類別モデルとを統合
しシステムモデルとして生成する。そして新しい事例デ
ータが入力された場合、このシステムモデルに基づいて
推論を行い、推論結果を得る。
と、モデル構築部１３は、この認識モデルと最終モデル
記憶部９に記憶されている各月毎の類別モデルとを統合
しシステムモデルとして生成する。そして新しい事例デ
ータが入力された場合、このシステムモデルに基づいて
推論を行い、推論結果を得る。
【００１３】このように、過去の事例データを類別する
類別基準を推論装置７の推論精度に応じて可変とするこ
とにより、図２に示す空調負荷の“季節による気候変
動”に対し、また同図の例えば９月のような“日毎の気
候変動”の激しい時期に生じた空調負荷の変動に対し的
確に推論することができる。
類別基準を推論装置７の推論精度に応じて可変とするこ
とにより、図２に示す空調負荷の“季節による気候変
動”に対し、また同図の例えば９月のような“日毎の気
候変動”の激しい時期に生じた空調負荷の変動に対し的
確に推論することができる。
【００１４】
【発明の効果】以上説明したように、本発明によれば、
所定の基準により類別された過去の事例データについ
て、各事例データ毎に類別モデルを生成し、この生成さ
れた類別モデルにより推論を行い、この推論結果の精度
に応じて事例データの類別基準を変更するようにしたの
で、状況に応じ適切な事例データが選択でき、変動の激
しいシステムの予測に適用した場合に、推論精度を維持
しつつグローバルな変動に対する推論が可能になるとい
う効果がある。
所定の基準により類別された過去の事例データについ
て、各事例データ毎に類別モデルを生成し、この生成さ
れた類別モデルにより推論を行い、この推論結果の精度
に応じて事例データの類別基準を変更するようにしたの
で、状況に応じ適切な事例データが選択でき、変動の激
しいシステムの予測に適用した場合に、推論精度を維持
しつつグローバルな変動に対する推論が可能になるとい
う効果がある。
【図１】本発明に係る推論装置の精度維持方式を適用し
た装置の一実施例を示すブロック図である。
た装置の一実施例を示すブロック図である。
【図２】上記実施例装置により予測される空調システム
の気候変動に対する負荷変動状況を示す図である。
の気候変動に対する負荷変動状況を示す図である。
１ システムデータ記憶装置 ２ データ類別部 ３ 検証用データ記憶部 ４ 類別データ記憶部 ５ モデル生成部 ６ 類別モデル記憶部 ７ 推論装置 ８ 精度評価部 ９ 最終モデル記憶部 １１ 認識モデル生成部 １２ 認識モデル記憶部 １３ モデル構築部
Claims (1)
- 【請求項１】 過去の事例データからモデルを生成する
と共に、生成されたモデルに基づいて新たな事例データ
についての推論を行う推論装置において、 過去の事例データについて所定の基準により類別する事
例データ類別手段と、類別された事例データ毎に類別モ
デルを生成する類別モデル生成手段と、検証用データを
用いて前記類別モデルによる推論を行う推論手段と、推
論手段の推論結果を予め設定された値と比較しその精度
を評価する精度評価手段と、前記推論結果の精度が不十
分の場合は前記事例データ類別手段の類別基準の変更を
指示する手段と備え、前記推論装置の精度を維持するよ
うにしたことを特徴とする推論装置の精度維持方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31801992A JPH06149576A (ja) | 1992-11-04 | 1992-11-04 | 推論装置の精度維持方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31801992A JPH06149576A (ja) | 1992-11-04 | 1992-11-04 | 推論装置の精度維持方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06149576A true JPH06149576A (ja) | 1994-05-27 |
Family
ID=18094590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP31801992A Pending JPH06149576A (ja) | 1992-11-04 | 1992-11-04 | 推論装置の精度維持方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06149576A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298374A (ja) * | 2007-05-31 | 2008-12-11 | Chugoku Electric Power Co Inc:The | 空調負荷推定システム、方法及びプログラム |
| JP2008298375A (ja) * | 2007-05-31 | 2008-12-11 | Chugoku Electric Power Co Inc:The | 空調負荷算出システム、方法及びプログラム |
| US20210328861A1 (en) * | 2018-09-10 | 2021-10-21 | Nippon Telegraph And Telephone Corporation | Diagnostic apparatus |
-
1992
- 1992-11-04 JP JP31801992A patent/JPH06149576A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298374A (ja) * | 2007-05-31 | 2008-12-11 | Chugoku Electric Power Co Inc:The | 空調負荷推定システム、方法及びプログラム |
| JP2008298375A (ja) * | 2007-05-31 | 2008-12-11 | Chugoku Electric Power Co Inc:The | 空調負荷算出システム、方法及びプログラム |
| US20210328861A1 (en) * | 2018-09-10 | 2021-10-21 | Nippon Telegraph And Telephone Corporation | Diagnostic apparatus |
| US11876670B2 (en) * | 2018-09-10 | 2024-01-16 | Nippon Telegraph And Telephone Corporation | Diagnostic apparatus |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5577166A (en) | Method and apparatus for classifying patterns by use of neural network | |
| US5918200A (en) | State estimating apparatus | |
| Nguyen et al. | Multiple neural networks for a long term time series forecast | |
| Srinivasan et al. | Forecasting daily load curves using a hybrid fuzzy-neural approach | |
| JP3897169B2 (ja) | 決定木生成方法およびモデル構造生成装置 | |
| JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
| Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
| CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
| US6205439B1 (en) | Optimization of simulation run-times based on fuzzy-controlled input values | |
| JPH04372046A (ja) | 需要量予測方法及び装置 | |
| Sinha | Short term load forecasting using artificial neural networks | |
| Lee et al. | Short-term load forecasting using diagonal recurrent neural network | |
| JP2704026B2 (ja) | 熱負荷予測システム | |
| JPH06149576A (ja) | 推論装置の精度維持方式 | |
| Lertpalangsunti et al. | An architectural framework for the construction of hybrid intelligent forecasting systems: application for electricity demand prediction | |
| TWI833098B (zh) | 智慧品質管理方法、電子裝置及電腦可讀儲存媒體 | |
| Momoh et al. | Artificial neural network based load forecasting | |
| US20240210062A1 (en) | Controlling energy loads to meet an energy budget assigned to a site | |
| CN114049202A (zh) | 操作风险识别方法、装置、存储介质及电子设备 | |
| JP2802469B2 (ja) | 状態予測装置 | |
| Sfetsos et al. | Combinatorial time series forecasting based on clustering algorithms and neural networks | |
| US5988844A (en) | Method for arranging a fuzzy controller or a system of interlinked fuzzy controllers | |
| JP2750067B2 (ja) | 需要予測装置 | |
| JP3079483B2 (ja) | 状態認識自動生成装置 | |
| JP3224487B2 (ja) | 交通状態判別装置 |