TWI764101B - 學習裝置、學習方法、學習資料產生裝置、學習資料產生方法、推論裝置以及推論方法 - Google Patents

Abstract

學習裝置(100、100a、100b)，包括：學習用資料取得部(109)，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的組合之複數學習用資料；以及學習部(110)，以組合學習用資料中的第1資訊與第2資訊的資訊為說明變數，而且以第3資訊為應答變數，利用學習用資料取得部(109)取得的複數學習用資料學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型。

Description

學習裝置、學習方法、學習資料產生裝置、學習資料產生方法、推論裝置以及推論方法

此發明係有關於學習裝置、學習方法、學習資料產生裝置、學習資料產生方法、推論裝置以及推論方法。

根據包含時序觀察值的時序資料，進行推論現在日期之後的任意未來時間點中的觀察值。

例如，根據時序資料的觀察值的推論中，使用AR(Autoregressive(自回歸))模型、MA(Moving Average(移動平均)) 模型、ARMA(Autoregressive Moving Average(自回歸移動平均)) 模型、ARIMA(Autoregressive Integrated Moving Average(自回歸整合移動平均))模型或SARIMA(Seasonal ARIMA(季節性ARIMA))模型等時序模型，或動態線形模型、Kalman filter(卡爾曼濾波器)或粒子濾波器等狀態空間模型，或LSTM(Long short-term memory(長短期記憶模型))或GRU(Gated Recurrent Unit(閘控遞歸單元))等RNN(Recurrent Neural Network(遞歸神經網路))模型等模型。這些模型，藉由複數次重複只在既定期間未來觀察值的推論或只在既定期間未來潛在狀態的推論等，推論任意未來時間點中的觀察值。 又，例如，專利文件1中揭示，根據遞歸公式，藉由重複既定期間經過後的觀察值推論，推論任意未來時間點中的觀察值之方法。 [先行技術文獻] [專利文獻]

[專利文獻1]專利公開平成6年第035895號公報

[發明所欲解決的課題]

但是，推論根據時序資料的任意未來時間點中的觀察值之習知方法，係只在既定期間複數次重複未來觀察值的推論等的方法。因此，習知的方法，藉由積累只在既定期間每一未來觀察值的推論產生的推論誤差，具有遙遠未來時間點中的觀察值推論精度下降的問題點。

此發明係為了解決上述問題點，目的在於提供學習裝置，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。 [用以解決課題的手段]

根據此發明的學習裝置，包括：學習用資料取得部，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的組合之複數學習用資料；以及學習部，以組合學習用資料中的第1資訊與第2資訊的資訊為說明變數，而且以第3資訊為應答變數，利用學習用資料取得部取得的複數學習用資料學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型。 [發明效果]

根據此發明，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。

以下，關於此發明的實施形態，一邊參照圖面，一邊說明。

第1實施形態 參照第1到11圖，說明關於第1實施形態的推論系統1。 第1圖，係顯示第1實施形態的推論系統1的一要部構成例方塊圖。 第1實施形態的推論系統1，包括學習裝置100、推論裝置200、記憶裝置10、顯示裝置11、12以及輸入裝置13、14。

記憶裝置10，係用以保存時序資料等推論系統1需要的資訊之裝置。 記憶裝置10，包括用以保存上述資訊的SSD(固態硬碟)或HDD(硬碟)等記憶媒體。 記憶裝置10，從學習裝置100或推論裝置200接受讀出要求，從記憶媒體讀出時序列資料等資訊，對於實行上述讀出要求的學習裝置100或推論裝置200，輸出讀出的資訊。 又，記憶裝置10，從學習裝置100或推論裝置200接受寫入要求，保存從學習裝置100或推論裝置200輸出的資訊在記憶媒體中。

顯示裝置11、12，係用以顯示顯示器等的影像之裝置。 顯示裝置11，接受學習裝置100輸出的影像信號，實行對應影像信號的影像顯示。 顯示裝置12，接受推論裝置200輸出的影像信號，實行對應影像信號的影像顯示。

輸入裝置13、14，係鍵盤或滑鼠等使用者用以操作輸入的裝置。 輸入裝置13，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至學習裝置100。 輸入裝置14，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至推論裝置200。

學習裝置100，係藉由實行根據時序資料的機械學習，產生學習完成模型，輸出產生的學習完成模型作為模型資訊的裝置。 推論裝置200，係輸入說明變數至對應機械學習的學習結果的學習完成模型，取得學習完成模型輸出作為推論結果的觀察值，輸出取得的觀察值的裝置。以下的說明中，學習完成模型輸出作為推論結果的觀察值稱作推論觀察值。

參照第2到8圖，說明關於第1實施形態的學習裝置100。 第2圖係顯示第1實施形態的學習裝置100的一要部構成例方塊圖。 學習裝置100，包括顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110以及模型輸出部111。

參照第3A及3B圖，說明關於第1實施形態的學習裝置100的要部硬體構成。 第3A及3B圖，係顯示第1實施形態的學習裝置100的一要部硬體構成圖。

如第3A圖所示，學習裝置100由電腦構成，上述電腦具有處理器301及記憶體302。記憶體302中，記憶用以使上述電腦作用為顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110以及模型輸出部111的程式。藉由處理器301讀出並實行記憶體302內記憶的程式，實現顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110以及模型輸出部111。

又，如第3B圖所示，學習裝置100由處理電路303構成也可以。在此情況下，顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110以及模型輸出部111的機能由處理電路303實現也可以。

又，學習裝置100由處理器301、記憶體302及處理電路303構成也可以(未圖示)。此時，顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110以及模型輸出部111的機能中的一部分機能由處理器301及記憶體302實現，剩下的機能由處理電路303實現也可以。

處理器301，例如，使用CPU(中央處理單元)、GPU(圖形處理單元)、微處理器、微控制器、微電腦或DSP(數位信號處理器)。

記憶體302，例如，使用半導體記憶體或磁碟。更具體地，記憶體302，使用RAM(隨機存取記憶體)、ROM(唯讀記憶體)、快閃記憶體、EPROM(可拭除式可編程唯讀記憶體)、EEPROM(電氣可拭除式可編程唯讀記憶體)、SSD或HDD等。

處理電路303，例如，使用ASIC(特殊應用積體電路)、PLD(可編程邏輯元件)、EPGA(現場可編程閘陣列)、SoC(系統上晶片)或系統LSI(大型積體)。

顯示控制部101，產生對應顯示裝置11顯示的影像之影像信號，對顯示裝置11輸出產生的影像信號。顯示裝置11顯示的影像，係顯示記憶裝置10內保存的時序資料一覽表等的影像。 操作受理部102，接受輸入裝置13輸出的操作信號，將顯示對應操作信號的使用者輸入操作之操作資訊輸出至原時序資料取得部103等。 操作受理部102輸出的操作資訊，例如，係在記憶裝置10內保存的時序資料中，指示使用者的輸入操作指定的時序資料的資訊。

學習用資料取得部109，取得複數學習用資料。1個學習用資料，係第1資訊、第2資訊及第3資訊的組合。第1資訊，係根據包含時序觀察值的1或複數時序資料中的1個時序資料之資訊。第2資訊，係根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間之資訊。第3資訊，係根據預測期間經過後的觀察值之資訊。 學習用資料取得部109，例如，取得原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108產生的複數學習用資料。 學習用資料取得部109，藉由從記憶裝置10讀出複數學習用資料等，取得複數學習用資料也可以。

參照第4圖，說明關於原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108的複數學習用資料的一產生方法例。 第4圖，係顯示原時序資料、預測期間、第1資訊、第2資訊、第3資訊及學習用資料的一例圖。 第4圖所示的原時序資料，例如，係顯示表示某主題公園從2018年9月1日到2019年8月31日為止的365天份的入場人數為每1天的觀察值之時序資料的一部分圖。

原時序資料取得部103，取得時序資料。以下的說明中，原時序資料取得部103取得的時序資料，稱作原時序資料。 具體地，例如，原時序資料取得部103，接受操作受理部102輸出的操作資訊，藉由從記憶裝置10讀出上述操作資訊指示的時序資料，取得上述時序資料作為原時序資料。 原時序資料，包含時序觀察值。 具體地，例如，原時序資料，具有聯結指示得到觀察值的時刻、日期、週、月或年等時間點的時間資訊與時間資訊指示的時刻、日期、週、月或年等時間點中的觀察值的複數資訊組。

原時序資料取得部103，例如，從記憶裝置10取得第4圖所示的原時序資料。

假設現在日期決定部104，從對應原時序資料取得部103取得的原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期。 具體地，例如，所謂對應原時序資料的期間，係原時序資料內包含的時間資訊指示的時間點中，從最過去的時間點到最接近實際現在日期的時間點為止的期間。對應原時序資料的期間，係原時序資料內包含的時間資訊指示的時間點中，從最過去的時間點到最接近實際現在日期的時間點為止的期間內包含的上述期間的一部分期間也可以。

假設現在日期決定部104，例如，根據既定的演算法，自動決定假設現在日期。假設現在日期決定部104，接受操作受理部102輸出的操作資訊，根據表示上述操作資訊指示的時間點之資訊，決定假設現在日期也可以。 假設現在日期決定部104，例如，根據第4圖所示的原時序資料，在2018年9月10日到2019年8月29日的日期中，決定任意1或複數日期作為假設現在日期。以下的說明中說明，假設現在日期決定部104，根據第4圖所示的原時序資料，決定在2018年9月10日到2019年8月29日的全部日期作為假設現在日期。

時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在原時序資料取得部103取得的原時序資料中，提出對應假設現在日期以前的期間之原時序資料，作為第1資訊基礎的時序資料。 時序資料提出部105，例如，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在原時序資料取得部103取得的原時序資料中，提出原時序資料內包含的時間資訊指示的時間點中對應最過去的時間點到假設現在日期的期間之原時序資料，作為時序資料。

時序資料提出部105從原時序資料提出時序資料的期間，不限於時序資料內包含的時間資訊指示的時間點中最過去的時間點到假設現在日期的期間。時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在時序資料內包含的時間資訊指示的時間點中，從最過去的時間點到假設現在日期的時間點為止的期間內，提出對應上述期間的一部分期間之原時序資料，作為時序資料也可以。

例如，時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，提出對應對於假設現在日期的預定期間前的時間點到假設現在日期為止的期間之原時序資料作為時序資料。 又，例如，時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在假設現在日期以前的原時序資料中，提出對應最接近假設現在日期的預定個數的觀察值之原時序資料作為時序資料也可以。 時序資料提出部105從原時序資料提出時序資料的方法，不限於上述方法。

時序資料提出部105，例如，根據第4圖所示的原時序資料，假設現在日期決定部104決定的假設現在日期之2018年9月10日到2019年8月29日為止的每個日期，在原時序資料中，提出假設現在日期以前的原時序資料作為第1資訊基礎的時序資料。 更具體地，例如，時序資料提出部105，當假設現在日期是2019年8月29日時，原時序資料中，提出2018年9月1日到2019年8月29日的原時序資料，作為第1資訊基礎的時序資料。又，例如，時序資料提出部105，當假設現在日期是2018年9月10日時，原時序資料中，提出2018年9月1日到2018年9月10日的原時序資料，作為第1資訊基礎的時序資料。

預測期間決定部106，關於假設現在日期決定部104決定的1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含之第2資訊基礎的至少互不相同的2個預測期間。 具體地，例如，預測期間，係對應時序資料提出部105提出的時序資料之期間內最接近現在日期的時間點開始的期間。 更具體地，例如，預測期間，當預測期間經過後的時間點對應原時序資料的期間內包含之對應時序資料提出部105提出的時序資料之期間內最接近現在日期的時間點是假想現在日期時，係從假想現在日期開始的期間。 又，預測期間，例如，係預測期間經過後的時間點對應原時序資料的期間內包含之對應時序資料提出部105提出的時序資料之期間內預定的事件發生時間點開始的期間也可以。

預測期間決定部106，例如，根據第4圖所示的原時序資料，假設現在日期決定部104決定的假設現在日期的2018年9月10日到2019年8月29日為止的每個日期，決定至少互不相同的2個預測期間，包含在預測期間經過後的時間點對應原時序資料的期間內。 更具體地，例如，預測期間決定部106，當假設現在日期是2019年8月29日時，決定1天後及2天後的2個期間作為預測期間。又，預測期間決定部106，當假設現在日期是2018年9月10日時，決定1天後、2天後…及355天後的355個期間作為預測期間。

觀察值取得部107，分別關於預測期間決定部106決定的至少互不相同的2個預測期間，從原時序資料取得預測期間經過後的觀察值。 具體地，例如，觀察值取得部107，當預測期間是對應時序資料提出部105提出的時序資料的期間內最接近現在日期的時間點開始的期間時，從原時序資料取得上述時間點開始的預測期間經過後的觀察值。 又，例如，觀察值取得部107，當預測期間是假設現在日期開始的期間時，從原時序資料取得假設現在日期開始的預測期間經過後的觀察值。 又，例如，觀察值取得部107，當預測期間是對應時序資料提出部105提出的時序資料的期間內預定的事件發生時間點開始的期間時，從原時序資料取得上述事件發生時間點開始的預測期間經過後的觀察值。

觀察值取得部107，每假設現在日期決定部104決定的1或複數假設現在日期，從原時序資料取得假設現在日期開始預測期間決定部106決定的至少互不相同的2個預測期間經過後的觀察值，作為第3資訊基礎的觀察值。

觀察值取得部107，例如，根據第4圖所示的原時序資料，當假設現在日期是2019年8月29日時，從原時序資料取得對應預測期間的1天後觀察值的2019年8月30日入場人數與2天後觀察值的2019年8月31日入場人數。又，例如，觀察值取得部107，當假設現在日期是2018年9月10日時，從原時序資料取得對應預測期間的1天後觀察值的2018年9月11日入場人數、2天後觀察值的2018年9月12日入場人數、…以及355天後觀察值的2019年8月31日入場人數。

學習用資料產生部108，藉由組合時序資料提出部105提出的根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、預測期間決定部106決定的根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及觀察值取得部107取得的根據預測期間經過後的觀察值的第3資訊，產生複數學習用資料。 具體地，學習用資料產生部108，組合分別對應假設現在日期決定部104決定的假設現在日期以及預測期間決定部106決定的預測期間的組合之第1資訊、第2資訊及第3資訊，藉由產生學習用資料，產生複數學習用資料。

更具體地，例如，學習用資料產生部108，當假設現在日期是YYYY年MM月DD日，預測期間在X天後時，如第4圖所示，時序資料提出部105從原時序資料提出的對應YYYY年MM月DD日以前的預定時間點到YYYY年MM月DD日為止的期間之時序資料作為第1資訊、指示預測期間是X天後的資訊作為第2資訊、YYYY年MM月DD日開始X天後觀察的觀察值作為第3資訊。學習用資料產生部108，藉由產生組合上述第1資訊、上述第2資訊以及上述第3資訊的學習用資料，產生複數學習用資料。

參照第5圖，說明關於第1實施形態的學習用資料產生部108的要部構成。 第5圖係顯示第1實施形態的學習用資料產生部108的一要部構成例方塊圖。 學習用資料產生部108，包括第1資訊產生部181、第2資訊產生部182、第3資訊產生部183以及資訊組合部184。

第1資訊產生部181，根據時序資料提出部105提出的包含時序觀察值的1或複數時序資料中的1個時序資料，產生第1資訊。 具體地，第1資訊產生部181，選擇時序資料提出部105提出的複數時序資料中的1個時序資料，根據選擇的時序資料產生第1資訊。 更具體地，例如，第1資訊產生部181，在時序資料提出部105從原時序資料提出的時序資料中，提出對應預先決定個數的觀察值之時序資料，藉由以提出的時序資料作為第1資訊，產生第1資訊。例如，學習用資料產生部108，在時序資料提出部105從原時序資料提出的時序資料中，提出最接近假設現在日期的10天份即觀察值是10份的時序資料，藉由以提出的時序資料作為第1資訊，產生第1資訊。

以下，第1資訊產生部181，在時序資料提出部105從原時序資料提出的時序資料中，提出最接近假設現在日期的10天份即觀察值是10份的時序資料，以提出的時序資料作為第1資訊的情況為例說明。

例如，第1資訊產生部181，根據第4圖所示的原時序資料，當假設現在日期是2019年8月29日時，在對應時序資料提出部105提出的2018年9月1日到2019年8月29日的期間之時序資料中，提出對應2019年8月20日到2019年8月29日的期間之時序資料，藉由以提出的時序資料作為第1資訊，產生第1資訊。 又，例如，第1資訊產生部181，根據第4圖所示的原時序資料，當假設現在日期是2018年9月10日時，在對應時序資料提出部105提出的2018年9月1日到2018年9月10日的期間之時序資料中，藉由以對應2018年9月1日到2018年9月10日的期間之時序資料作為第1資訊，產生第1資訊。

第2資訊產生部182，根據預測期間決定部106決定的包含至少互不相同的2個預測期間之複數預測期間中的1個預測期間，產生第2資訊。 具體地，例如，第2資訊產生部182，選擇預測期間決定部106決定的指示至少互不相同的2個預測期間中的1個預測期間之預測期間資訊，藉由以選擇的預測期間資訊作為第2資訊，產生第2資訊。 例如，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2019年8月29日時，藉由以指示預測期間決定部106決定的預測期間是1天後的預測期間資訊作為第2資訊，產生第2資訊。 又，例如，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2019年8月29日時，藉由以指示預測期間決定部106決定的預測期間是2天後的預測期間資訊作為第2資訊，產生第2資訊。

又，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2018年9月10日時，藉由以指示預測期間在1天後的資訊作為第2資訊，產生第2資訊。 又，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2018年9月10日時，藉由以指示預測期間在2天後的資訊作為第2資訊，產生第2資訊。 又，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2018年9月10日時，藉由以指示預測期間在355天後的資訊作為第2資訊，產生第2資訊。 又，第2資訊產生部182，根據第4圖所示的原時序資料，當假設現在日期是2018年9月10日時，藉由以指示預測期間在N(N是1以上355以下的自然數)天後的資訊作為第2資訊，產生第2資訊。

第3資訊產生部183，根據觀察值取得部107取得的預測期間經過後的觀察值，產生第3資訊。 具體地，例如，第3資訊產生部183，藉由以觀察值取得部107取得的預測期間經過後的觀察值作為第3資訊，產生第3資訊。 例如，第3資訊產生部183，在假設現在日期是2019年8月29日，預測期間在1天後的情況下，根據第4圖所示的原時序資料，假設現在日期的2019年8月29日開始，以相當於第2資訊的預測期間資訊指示的1天後之2019年8月30日入場人數作為第3資訊，產生第3資訊。 又，例如，第3資訊產生部183，根據第4圖所示的原時序資料，在假設現在日期是2019年8月29日，預測期間在2天後的情況下，假設現在日期的2019年8月29日開始，以相當於第2資訊的預測期間資訊指示的2天後之2019年8月31日入場人數作為第3資訊，產生第3資訊。

資訊組合部184，藉由組合第1資訊產生部181產生的第1資訊、第2資訊產生部182產生的第2資訊、第3資訊產生部183產生的第3資訊，產生學習用資料。 例如，資訊組合部184，在假設現在日期是2019年8月29日，預測期間在1天後的情況下，根據第4圖所示的原時序資料，藉由組合第1資訊產生部181產生的對應2019年8月20日到2019年8月29日的期間之時序資料的第1資訊、第2資訊產生部182產生的指示預測期間是1天後的預測期間資訊的第2資訊、第3資訊產生部183產生的2019年8月30日入場人數的第3資訊，產生1個學習用資料。

例如，資訊組合部184，在假設現在日期是2019年8月29日，預測期間在2天後的情況下，根據第4圖所示的原時序資料，藉由組合第1資訊產生部181產生的對應2019年8月20日到2019年8月29日的期間之時序資料的第1資訊、第2資訊產生部182產生的指示預測期間是2天後的預測期間資訊的第2資訊、第3資訊產生部183產生的2019年8月31日入場人數的第3資訊，產生1個學習用資料。 即，學習用資料產生部108，在假設現在日期是2019年8月29日的情況下，可以產生預測期間是1天後及2天後的2個學習用資料。

同樣地，例如，第3資訊產生部183，在假設現在日期是2018年9月10日，預測期間在N天後的情況下，根據第4圖所示的原時序資料，假設現在日期的2018年9月10日開始，以對應相當於第2資訊的預測期間資訊指示的N天後之日期的入場人數作為第3資訊，產生第3資訊。 資訊組合部184，在假設現在日期是2018年9月10日，預測期間在N天後的情況下，根據第4圖所示的原時序資料，組合第1資訊產生部181產生的對應2018年9月1日到2018年9月10日的期間之時序資料的第1資訊、第2資訊產生部182產生的指示預測期間是N天後之預測期間資訊的第2資訊、第3資訊產生部183產生的對應相當於2018年9月10日開始N天後的日期之入場人數的第3資訊，產生1個學習用資料。 即，學習用資料產生部108，在假設現在日期是2018年9月10日的情況下，可以產生對應1天後到355天後的各種預測期間的355個學習用資料。

又，假設現在日期決定部104，根據第4圖所示的原時序資料，說明決定2018年9月10日到2019年8月29日的日期為假設現在日期，但假設現在日期決定部104，關於2019年8月30日，也可以決定為假設現在日期。 假設現在日期決定部104，決定2019年8月30日為假設現在日期時，預測期間決定部106決定的預測期間為1天後。 上述情況下，觀察值取得部107，取得相當於2019年8月30日開始1天後的2019年8月31日的入場人數作為觀察值。

即，上述情況下，第1資訊產生部181，在對應時序資料提出部105提出的2018年9月1日到2019年8月30日的期間的時序資料中，藉由以對應2019年8月21日到2019年8月30日的期間的時序資料為第1資訊，產生第1資訊。又，第2資訊產生部182，藉由以指示預測期間在1天後的資訊為第2資訊，產生第2資訊。又，第3資訊產生部183，藉由以相當於假設現在日期為2019年8月30日開始預測期間是1天後的2019年8月31日的入場人數為第3資訊，產生第3資訊。資訊組合部184，藉由組合上述第1資訊、上述第2資訊及上述第3資訊，產生1個學習用資料。

資訊組合部184，在第1資訊、第2資訊及第3資訊的全部可組合的組合模式中，直到完成產生學習用資料，重複產生學習用資料。學習用資料產生部108，藉由資訊組合部184在第1資訊、第2資訊及第3資訊的全部可組合的組合模式中直到完成產生學習用資料為止重複產生學習用資料，產生複數學習用資料。

參照第6圖，說明關於第1實施形態的學習用資料產生部108的動作。 第6圖係說明第1實施形態的學習用資料產生部108的一處理例流程圖。

首先，步驟ST601中，第1資訊產生部181產生第1資訊。 其次，步驟ST602中，第2資訊產生部182產生第2資訊。 其次，步驟ST603中，第3資訊產生部183產生第3資訊。 其次，步驟ST604中，資訊組合部184產生學習用資料。 其次，步驟ST605中，資訊組合部184在第1資訊、第2資訊及第3資訊的全部可組合的組合模式中，判定是否完成產生學習用資料。

步驟ST605中，資訊組合部184，在全部可組合的組合模式中，判定未完成產生學習用資料時，資訊組合部184，在全部可組合的組合模式中，直到完成產生學習用資料為止，學習用資料產生部108重複實行步驟ST604的處理。 步驟ST605中，資訊組合部184，在全部可組合的組合模式中，判定完成產生學習用資料時，學習用資料產生部108結束上述流程圖的處理。 又，步驟ST601到步驟ST603的處理，只要在步驟ST604的處理之前，就不拘處理順序。

藉由如上構成，學習裝置100，根據1個原時序資料，可以產生複數學習用資料。 又，學習裝置100，藉由使用如此產生的複數學習用資料學習，例如，關於指定的1天後到355天後為止的任意預測期間，可以產生可推論預測期間經過後作為推論觀察值的觀察值之學習完成模型。 又，學習裝置100，在可推論預測期間經過後作為推論觀察值的觀察值之學習完成模型產生中，不產生可推論關於1天後到355天後為止的任意預測期間的學習完成模型也可以。例如，學習裝置100，產生可推論關於1天後到30天後為止的任意預測期間的學習完成模型，或產生可推論關於8天後到355天後為止的任意預測期間的學習完成模型等，產生可推論關於預先決定的期間中任意預測期間的學習完成模型也可以。

參照第7圖，原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108的複數學習用資料的產生方法中，說明關於與上述產生方法(以下稱作「第1方法」)不同的產生方法(以下稱作「第2方法」)。 第7圖，係顯示原時序資料、預測期間、第1資訊、第2資訊、第3資訊及學習用資料的另一例圖。 第7圖所示的原時序資料，與第4圖所示的原時序資料相同，例如，顯示時序資料的一部分，表示某主題公園在2018年9月1日到2019年8月31日的365天份的人場人數為每1天的觀察值。

第1方法的學習用資料產生部108，在時序資料提出部105從原時序資料提出的時序資料中，提出對應預先決定的個數的觀察值之時序資料，藉由以提出的時序資料作為第1資訊，產生第1資訊。又，第1方法的學習用資料產生部108，藉由以指示預測期間決定部106決定的預測期間之預測期間資訊作為第2資訊，產生第2資訊。又，第1方法的學習用資料產生部108，藉由以觀察值取得部107取得的預測期間經過後的觀察值作為第3資訊，產生第3資訊。

相對於此，第2方法的學習用資料產生部108，藉由將時序資料提出部105從原時序資料提出的時序資料，編碼成為具有預定的相同次元數之向量表示，產生第1資訊。又，第2方法的學習用資料產生部108，藉由將指示預測期間決定部106決定的預測期間之預測期間資訊，編碼成為具有預定的次元數之向量表示，產生第2資訊。

例如，學習用資料產生部108，當假設現在日期是YYYY年MM月DD日，預測期間在X天後時，如第7圖所示，將對應時序資料提出部105從原時序資料提出的2018年9月1日到YYYY年MM月DD日的期間之時序資料，編碼成為具有預定的相同次元數之向量表示，作為第1資訊，將指示預測期間是X天後的資訊，編碼成為具有預定的相同次元數之向量表示，作為第2資訊，以YYYY年MM月DD日開始X天後觀察的觀察值作為第3資訊。 又，第2方法中原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106及觀察值取得部107分別的處理，因為與第1方法中原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106及觀察值取得部107分別的處理相同，省略說明。

更具體地，第2方法中的學習用資料產生部108，說明為具有第1資訊產生部181a、第2資訊產生部182a、第3資訊產生部183及資訊組合部184。 第2方法中的學習用資料產生部108的要部構成，在第5圖所示的第1方法中的學習用資料產生部108的要部構成中，因為只不過是變更第1資訊產生部181及第2資訊產生部182為第1資訊產生部181a及第2資訊產生部182a，省略第2方法中的學習用資料產生部108的要部構成方塊圖。

第1資訊產生部181a，根據時序資料提出部105提出的包含時序觀察值的1或複數時序資料中的1個時序資料，產生第1資訊。 具體地，第1資訊產生部181a，選擇時序資料提出部105提出的複數時序資料中的1個時序資料，根據選擇的時序資料，產生第1資訊。 更具體地，例如，第1資訊產生部181a，根據時序資料提出部105從原時序資料提出的時序資料，藉由編碼上述時序資料成為具有預定的相同次元數的向量表示，產生第1資訊。

例如，第1資訊產生部181a，使用藉由統計處理時序資料提出部105從原時序資料提出的時序資料得到的上述時序資料的平均值、中央值、最可能值、最大值、最小值或標準偏差等的概括統計量，藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊。 又，例如，第1資訊產生部181a，將時序資料提出部105從原時序資料提出的時序資料，藉由低秩(low rank)近似處理特異值分解等，實行次元削減，並藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊也可以。

又，例如，第1資訊產生部181a，應用散列函數(hash function)至時序資料提出部105從原時序資料提出的時序資料，藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊也可以。 又，例如，第1資訊產生部181a，將時序資料提出部105從原時序資料提出的時序資料，輸入數位濾波器，藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊也可以。

又，例如，第1資訊產生部181a，將時序資料提出部105從原時序資料提出的時序資料，輸入進行捲積(convolution)處理等的神經網路，藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊也可以。 又，第1資訊產生部181a，例如，組合上述第1資訊的產生方法，藉由編碼上述時序資料成為具有預定的相同次元數之向量表示，產生第1資訊也可以。

時序資料提出部105從原時序資料提出的時序資料內包含的觀察值個數，當假設現在日期決定部104決定的假設現在日期一改變，就成為不同的個數。學習用資料產生部108，由於包括第1資訊產生部181a，即使時序資料提出部105從原時序資料提出的時序資料內包含的觀察值個數不同時，也可以編碼上述時序資料成為具有預定的相同次元數之向量表示。

第2資訊產生部182a，根據預測期間決定部106決定的包含至少互不相同的2個預測期間的複數預測期間中的1個預期間，產生第2資訊。 具體地，例如，第2資訊產生部182a，選擇指示預測期間決定部106決定的至少互不相同的2個預測期間中的1個預期間之預測期間資訊，藉由以選擇的預測期間資訊作為第2資訊，產生第2資訊。 更具體地，例如，第2資訊產生部182a，藉由將指示預測期間決定部106決定的預測期間之預測期間資訊，編碼成為具有預定的相同次元數之向量表示，產生第2資訊。

例如，第2資訊產生部182a，藉由將預測期間決定部106決定的預測期間經過後的時間點與假設現在日期決定部104決定的現在日期之間的時間差等以任意單位表示的預測期間資訊，編碼成為具有預定的次元數之向量表示，產生第2資訊。 又，例如，第2資訊產生部182a，藉由將預測期間決定部106決定的預測期間經過後的時間點與對應時序資料提出部105從原時序資料提出的時序資料之期間內預定的事件發生時間點之間的時間差等以任意單位表示的預測期間資訊，編碼成為具有預定的次元數之向量表示，產生第2資訊也可以。

又，例如，第2資訊產生部182a，藉由將預測期間決定部106決定的預測期間經過後的時間點即以年、月、週、星期、節日或特定日等任意單位表示的預測期間資訊，編碼成為具有預定的次元數之向量表示，產生第2資訊也可以。 又，例如，第2資訊產生部182a，藉由將預測期間決定部106決定的預測期間經過後的時間點即以時、分、秒或時間帶等以任意單位表示的預測期間資訊，編碼成為具有預定的次元數之向量表示，產生第2資訊也可以。

又，第2資訊產生部182a，例如，根據上述產生方法利用對數函數或三角函數等預定的函數轉換編碼成為具有預定的次元數之向量表示的資訊，藉由以轉換後的資訊作為第2資訊，產生第2資訊也可以。 更具體地，例如，第2資訊產生部182a，以預測期間決定部106決定的預測期間經過後的時間點與假設現在日期決定部104決定的現在日期之間的時間差作為T，如同log(T)，藉由取得正實數T的對數，轉換T為表示實數全體的值，並藉由編碼轉換後的值，產生第2資訊也可以。

又，例如，第2資訊產生部182a，使用預定的周期P與任意的自然數n，如同cos(2nT/P)或sin(2nT/P)，藉由應用三角函數至T，轉換T為周期值，藉由編碼轉換後的值，產生第2資訊也可以。 又，例如，第2資訊產生部182a，藉由得到T除以P的商及餘數，轉換T為周期性資訊，藉由編碼商及餘數，產生第2資訊也可以。

如上述，學習用資料產生部108，由於包括第2資訊產生部182a，可以編碼以任意單位表示的預測期間資訊，成為具有預定的次元數之向量表示。 又，時序資料提出部105從原時序資料提出的時序資料內包含的觀察值的觀察間隔，根據原時序資料有可能不同。因此，第2資訊產生部182a，藉由編碼任意單位表示的預測期間資訊成為具有預定的次元數之向量表示，產生第2資訊之際，不拘預測期間資訊，都適合編碼成具有相同次元數的向量表示。

第2方法的學習用資料產生部108的動作，因為與第6圖所示的第1方法中的學習用資料產生部108的動作相同，省略第2方法的學習用資料產生部108的處理說明。 根據以上構成，學習裝置100，根據1個原時序資料，可以產生複數學習用資料。

推論系統1，也可以包括根據原時序資料產生複數學習用資料之未圖示的學習資料產生裝置。 學習資料產生裝置係構成為包括原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108。 由於推論系統1包括學習資料產生裝置，學習裝置100中的學習用資料取得部109，直接從學習資料產生裝置或經由記憶裝置10等，可取得學習資料產生裝置產生的複數學習用資料。 又，學習資料產生裝置包括的原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108的各機能，以第3A圖及第3B圖中顯示一例的硬體構成中的處理器301及記憶體302實現也可以，或者以處理電路303實現也可以。

學習部110，以組合學習用資料中的第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用學習用資料取得部109取得的複數學習用資料學習。學習部110，藉由上述學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型。 更具體地，學習部110，以第3資訊作為應答變數學習之際，以上述應答變數作為教師資料，藉由進行附教師的機械學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型。

學習部110，因為使用1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的上述觀察值的第3資訊的組合之複數上述學習用資料學習，當推論觀察值的推論中指定的預測期間相當於第2資訊基礎的預測期間時，學習部110產生的學習完成模型，藉由只進行1次推論，就可以推論指定的預測期間經過後的推論觀察值。

又，如上述，學習裝置100，學習組合學習用資料中的第1資訊與第2資訊的資訊作為說明變數。因此，藉由以組合根據上述第2方法產生的都是編碼成預定的次元數的向量表示之第1資訊與第2資訊的資訊作為說明變數，包含第1資訊基礎的時序觀察值之時序資料，即使是包含任意觀察值個數的時序資料，指示第2資訊基礎的至少互不相同的2個預測期間之預測期間資訊，即使是任意單位表示的預測期間資訊，學習部110也可以進行學習。

又，學習部110中的學習，根據學習部110產生的學習完成模型，利用任意的學習演算法進行。例如，學習部110中的學習，當產生的學習完成模型是以神經網路構成的學習完成模型時，利用隨機梯度下降法等的學習演算法進行。又，例如，學習部110中的學習，因為適當設定學習完成模型中使用的超參數，應用交叉驗證等的技法也可以。 又，學習部110產生的學習完成模型的推論方法，係鄰近法、支援向量機、判斷樹、隨機森林、梯度提升樹、高斯過程回歸或神經網路等的任意推論方法。

模型輸出部111，輸出學習部110產生的學習完成模型作為模型資訊。模型輸出部111，例如，輸出至推論裝置200或記憶裝置10。

參照第8圖，說明關於第1實施形態的學習裝置100的動作。 第8圖係說明第1實施形態的學習裝置100的一處理例流程圖。

首先，步驟ST801中，原時序資料取得部103，取得原時序資料。 其次，步驟ST802中，假設現在日期決定部104決定1或複數假設現在日期。 其次，步驟ST803中，時序資料提出部105，關於1或各個複數假設現在日期，在原時序資料中，提出對應假設現在日期以前的期間之原時序資料，作為時序資料。 其次，步驟ST804中，預測期間決定部106，關於1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含的至少互不相同的2個預測期間。 其次，步驟ST805中，觀察值取得部107，分別關於在1或各個複數假設現在日期中至少互不相同的2個預測期間，從原時序資料取得預測期間經過後的觀察值。

其次，步驟ST806中，學習用資料產生部108，以時序資料提出部105提出的包含時序觀察值的1或複數時序資料中的1個時序資料作為第1資訊、以指示包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間之預測期間資訊作為第2資訊、以及以預測期間經過後的觀察值作為第3資訊，藉由組合第1資訊、第2資訊及第3資訊，產生複數學習用資料。 其次，步驟ST807中，學習用資料取得部109，取得複數學習用資料。 其次，步驟ST808中，學習部110利用複數學習用資料學習，產生學習完成模型。 其次，步驟ST809中，模型輸出部111輸出學習完成模型作為模型資訊。 學習裝置100，在步驟ST809的處理後，結束上述流程圖的處理。

如上述，學習裝置100，包括：學習用資料取得部109，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的組合之複數學習用資料；以及學習部110，以組合學習用資料中的第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用學習用資料取得部109取得的複數學習用資料學習，產生可推論指定的上述預測期間經過後的推論觀察值之學習完成模型。 由於這樣構成，學習裝置100，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度之觀察值。

又，學習裝置100，除了上述構成，還包括：假設現在日期決定部104，從對應包含時序觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在原時序資料中，提出對應假設現在日期以前的期間之原時序資料，作為包含第1資訊基礎的時序觀察值之時序資料；預測期間決定部106，關於假設現在日期決定部104決定的1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含之第2資訊基礎的至少互不相同的2個預測期間；觀察值取得部107，分別關於預測期間決定部106決定的至少互不相同的2個預測期間，從原時序資料取得第3資訊基礎的預測期間經過後的觀察值；以及學習用資料產生部108，藉由組合時序資料提出部105提出的根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、預測期間決定部106決定的根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及觀察值取得部107取得的根據預測期間經過後的觀察值的第3資訊，產生複數學習用資料；學習用資料取得部109，構成為取得學習用資料產生部108產生的複數學習用資料。

由於這樣的構成，學習裝置100，根據1個原時序資料，可以產生複數學習用資料。 又，由於這樣構成，學習裝置100，藉由利用這樣產生的複數學習用資料學習，關於指定的任意預測期間，可以產生可高精度推論預測期間經過後的推論觀察值的觀察值之學習完成模型。

又，學習裝置100，在上述構成中，構成為：學習用資料中的第2資訊基礎的預測期間，係對應上述學習用資料中的第1資訊基礎的時序資料之期間中最接近現在日期的時間點開始的期間，上述學習用資料中的第3資訊，根據上述時間點開始的預測期間經過後的觀察值的資訊。 由於這樣構成，學習裝置100，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度之觀察值。 更具體地，由於這樣構成，學習裝置100，在任意未來觀察值的推論中，可以產生可高精度推論對應時序資料的期間中最接近現在日期的時間點開始的預測期間經過後作為推論觀察值的觀察值之學習完成模型。

又，學習裝置100，在上述構成中，構成為：學習用資料中的第2資訊基礎的預測期間，係對應上述學習用資料中的第1資訊基礎的時序資料之期間中預定的事件發生時間點開始的期間，上述學習用資料中的第3資訊，係根據上述事件發生時間點開始的預測期間經過後的觀察值的資訊。 由於這樣的構成，學習裝置100，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度之觀察值。 更具體地，由於這樣的構成，學習裝置100，在任意未來觀察值的推論中，可以產生可高精度推論對應時序資料的期間中預定的事件時間點開始的預測期間經過後的推論觀察值的觀察值之學習完成模型。

又，學習裝置100，在上述構成中，構成為第2資訊係編碼可特定預測期間的預測期間資訊成為具有預定的次元數的向量表示的資訊。 由於這樣構成，學習裝置100，可以編碼以任意單位表示的預測期間資訊成為具有預定次元數的向量表示。 更具體地，由於這樣構成，學習裝置100，即使指示第2資訊基礎的至少互不相同的2個預測期間之預測期間資訊是以任意單位表示的預測期間資訊，也可以進行學習。

又，學習裝置100，在上述構成中，構成為以任意單位表示的全部預測期間資訊中，編碼成為具有預定的相同次元數之向量表示的資訊。 由於這樣構成，學習裝置100，可以編碼以任意單位表示的預測期間資訊成為具有預定的次元數的向量表示。 更具體地，由於這樣構成，學習裝置100，即使指示第2資訊基礎的至少互不相同的2個預測期間之預測期間資訊是以任意單位表示的預測期間資訊，也可以進行學習。

又，學習裝置100，在上述構成中，構成為第1資訊在第1資料基礎的全部時序資料中係編碼成為具有預定的相同次元數之向量表示的資訊。 由於這樣構成，學習裝置100，即使時序資料提出部105從原時序資料提出的時序資料內包含的觀察值個數不同時，也可以編碼上述時序資料成為具有預定的相同次元數之向量表示。 更具體地，由於這樣構成，學習裝置100，即使包含第1資訊基礎的時序觀察值之時序資料是包含任意觀察值個數的時序資料，也可以進行學習。

又，學習裝置100，在上述構成中，構成為學習部110學習連結編碼成為向量表示的第1資訊與編碼成為向量表示的第2資訊之向量表示的資訊作為說明變數。 由於這樣構成，學習裝置100，即使包含第1資訊基礎的時序觀察值之時序資料是包含任意觀察值個數的時序資料，即使指示第2資訊基礎的至少互不相同的2個預測期間之預測期間資訊是以任意單位表示的預測期間資訊，也可以進行學習。

又，如上述，學習資料產生裝置，包括：假設現在日期決定部104，從對應包含時序觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出部105，關於假設現在日期決定部104決定的1或各個複數假設現在日期，在原時序資料中，提出對應假設現在日期以前的期間之原時序資料，作為包含第1資訊基礎的時序觀察值之時序資料，作為時序資料；預測期間決定部106，關於假設現在日期決定部104決定的1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含之第2資訊基礎的至少互不相同的2個預測期間；觀察值取得部107，分別關於預測期間決定部106決定的至少互不相同的2個預測期間，從原時序資料取得第3資訊基礎的預測期間經過後的觀察值；以及學習用資料產生部108，藉由組合時序資料提出部105提出的根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、預測期間決定部106決定的根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及觀察值取得部107取得的根據預測期間經過後的觀察值的第3資訊，產生複數學習用資料。

由於這樣的構成，學習資料產生裝置，根據1個原時序資料，可以產生複數學習用資料。 又，由於這樣構成，學習資料產生裝置，對產生學習完成模型的學習裝置100，可以提供這樣產生的複數學習用資料。學習裝置100，藉由利用學習資料產生裝置提供的複數學習用資料學習，關於指定的任意預測期間，可以產生可高精度推論預測期間經過後作為推論觀察值的觀察值之學習完成模型。

參照第9到11圖，說明關於第1實施形態的推論裝置200。 第9圖係顯示第1實施形態的推論裝置200的一要部構成例方塊圖； 推論裝置200，包括顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209、結果取得部210以及結果輸出部211。 又，推論裝置200包括的顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209、結果取得部210以及結果輸出部211的各機能，以第3A圖及第3B圖中顯示一例的硬體構成中的處理器301及記憶體302實現也可以，或者以處理電路303實現也可以。

顯示控制部201，產生對應顯示裝置12顯示的影像之影像信號，對顯示裝置12輸出產生的影像信號。顯示裝置12顯示的影像，係顯示記憶裝置10內保存的時序資料一覽表等或模型資訊一覽表等的影像。 操作受理部202，接受輸入裝置14輸出的操作信號，將顯示對應操作信號的使用者輸入操作之操作資訊輸出至推論用時序資料取得部203、指定預測期間取得部204或模型取得部206等。 操作受理部202輸出的操作資訊，係在記憶裝置10內保存的時序資料中，指示使用者輸入操作指定的時序資料或模型資訊等的資訊等。

推論用資料取得部207，取得推論用資料，組合根據包含時序觀察值的時序資料之第4資訊以及可特定預測對象的指定預測期間之第5資訊。 具體地，例如，取得推論用資料產生部205產生的推論用資料。推論用資料產生部205利用推論用時序資料取得部203及指定預測期間取得部204取得的資訊，產生推論用資料。 又，推論用資料取得部207，也可以藉由從記憶裝置10讀出預先準備的推論用資料，取得推論用資料。推論用資料取得部207，藉由從記憶裝置10讀出預先準備的推論用資料，取得推論用資料時，推論用時序資料取得部203、指定預測期間取得部204及推論用資料產生部205不是必須的構成。

推論用時序資料取得部203，取得時序資料。以下的說明中，將推論用時序資料取得部203取得的時序資料稱作推論用時序資料。 具體地，例如，推論用時序資料取得部203，接受操作受理部202輸出的操作資訊，藉由從記憶裝置10讀出上述操作資訊指示的時序資料，取得上述時序資料作為推論用時序資料。

指定預測期間取得部204，取得指示預測對象的指定預測期間的指定預測期間資訊。 具體地，例如，根據推論用資料中的第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料之期間中離現在日期最近的時間點開始的期間。 又，例如，根據推論用資料中的第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料之期間中預定的事件發生時間點開始的期間。 指定預測期間取得部204，例如，接受操作受理部202輸出的操作資訊，藉由轉換上述操作資訊指示的預測對象的指定預測期間成為指定預測期間資訊，取得上述指定預測期間資訊。

推論用資料產生部205，產生推論用資料，組合根據推論用時序資料取得部203取得的推論用時序資料之第4資訊以及根據指定預測期間取得部204取得的指定預測期間資訊之可特定指定預測期間資訊指示的預測對象的指定預測期間之第5資訊。

具體地，例如，推論用資料產生部205，在推論用時序資料取得部203取得的推論用時序資料中，提出對應最接近現在日期的預定個數觀察值之推論用時序資料，以提出後的推論用時序資料作為第4資訊。又，推論用資料產生部205，以指定預測期間取得部204取得的指定預測期間資訊作為第5資訊。推論用資料產生部205，組合上述第4資訊與上述第5資訊，產生推論用資料。推論用資料產生部205，以這樣的方法產生推論用資料時，根據推論用資料中的第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料之期間中離現在日期最近的時間點開始的期間。

又，例如，推論用資料產生部205，在推論用時序資料取得部203取得的推論用時序資料中預定事件的發生時間點以前的推論用時序資料中，提出對應最接近現在日期的預定個數觀察值之推論用時序資料，以提出後的推論用時序資料作為第4資訊也可以。推論用資料產生部205，以指定預測期間取得部204取得的指定預測期間資訊作為第5資訊。推論用資料產生部205，組合上述第4資訊與上述第5資訊，產生推論用資料。推論用資料產生部205，以這樣的方法產生推論用資料時，根據推論用資料中第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料之期間中預定事件的發生時間點開始的期間。

參照第10A圖，說明關於根據推論用時序資料取得部203、指定預測期間取得部204以及推論用資料產生部205的推論用資料的具體產生方法的一例。 第10A圖係顯示推論用時序資料、指定預測期間、第4資訊、第5資訊及說明變數的一例圖。 第10A圖顯示的推論用時序資料，與第4圖所示的原時序資料相同，例如，顯示推論用時序資料的一部分，指示某主題公園從2018年9月1日到2019年8月31日為止365天份的入場人數為每1天的觀察值。

推論用時序資料取得部203，從記憶裝置10取得第10A圖所示的推論用時序資料。 推論用資料產生部205，根據第10A圖所示的推論用時序資料，例如，對應2018年9月1日到2019年8月31日的期間之推論用時序資料中，提出對應2019年8月22日到2019年8月31日的期間之推論用時序資料，使觀察值數量成為預定數量10個。推論用資料產生部205，以提出的對應2019年8月22日到2019年8月31日的期間之推論用時序資料作為第4資訊。 又，推論用資料產生部205，如第10A圖所示，例如，以指示預測對象的指定預測期間在30天後的指定預測期間資訊作為第5資訊。

推論用資料產生部205，例如，如第10A圖中虛線所示，以編碼推論用時序資料取得部203取得的推論用時序資料成為具有預定的相同次元數之向量表示的資訊，作為第4資訊也可以。因為推論用資料產生部205編碼推論用時序資料成為具有預定的相同次元數之向量表示的方法，與在學習裝置100中第1資訊產生部181a產生第1資訊之際編碼時序資料成為具有預定的相同次元數之向量表示的方法相同，省略說明。

推論用資料產生部205，例如，如第10A圖中括弧所示，以編碼可特定指定預測期間的指定預測期間資訊成為具有預定的次元數之向量表示的資訊，作為第5資訊也可以。因為推論用資料產生部205編碼可特定指定預測期間的指定預測期間資訊成為具有預定的次元數之向量表示的方法，與在學習裝置100中第2資訊產生部182a產生第2資訊之際編碼預測期間資料成為具有預定的相同次元數之向量表示的方法相同，省略說明。 又，第5資訊，在以任意單位表示的全部指定預測期間資訊中，理想是編碼成為具有預定的相同次元數之向量表示的資訊。

模型取得部206，取得模型資訊。 具體地，例如，模型取得部206，接受操作受理部20輸出的操作資訊，藉由從記憶裝置10讀出上述操作資訊指示的模型資訊，取得上述模型資訊。 模型取得部206取得的模型資訊指示的學習完成模型，係以根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數上述預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊之組合學習用資料中組合第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用複數學習用資料學習之對應機械學習的學習結果的學習完成模型。 具體地，例如，模型取得部206取得的模型資訊，係學習裝置100輸出的模型資訊。模型取得部206，從學習裝置100直接或經由記憶裝置10取得學習裝置100輸出的模型資訊。 第9圖係顯示模型取得部206從學習裝置100直接取得學習裝置100輸出的模型資訊。

推論部209，利用模型取得部206取得的模型資訊指示的學習完成模型，推論指定的指定預測期間經過後的推論觀察值。 又，利用學習完成模型推論指定的指定預測期間經過後的推論觀察值之推論部209，包括在推論裝置200內也可以，包括在與推論裝置200連接的未圖示的外部裝置內也可以。

推論用資料輸入部208，以推論用資料取得部207取得的推論用資料為說明變數，輸入至對應機械學習的學習結果的學習完成模型。 更具體地，推論用資料輸入部208，輸出推論用資料至推論部209，使推論部209，輸入上述推論用資料至學習完成模型。

因為學習完成模型輸入組合第4資訊與第5資訊的推論用資料作為說明變數，藉由推論用資料產生部205產生組合都是編碼成為預定次元數的向量表示的第4資訊與第5資訊之推論用資料，即使包含第4資訊基礎的時序觀察值之推論用時序資料是包含任意觀察值個數的時序資料，即使指示第5資訊基礎的指定預測期間之指定預測期間資訊是任意單位表示的資訊，學習完成模型也可以接受組合第4資訊與第5資訊的推論用資料作為說明變數。

結果取得部210，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值。 更具體地，結果取得部210，從推論部209或包括推論部209的外部裝置，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值。

結果輸出部211，輸出結果取得部210取得的推論觀察值。 具體地，例如，結果輸出部211，經由顯示控制部201，輸出結果取得部210取得的推論觀察值。顯示控制部201，從結果輸出部211接受推論觀察值，產生對應表示上述推論觀察值的影像之影像信號，輸出上述影像信號至顯示裝置12，使顯示裝置12顯示表示上述推論觀察值的影像。 又，結果輸出部211，例如，對記憶裝置10輸出結果取得部210取得的推論觀察值，使記憶裝置10記憶上述推論觀察值也可以。

學習裝置100產生的學習完成模型，根據第4圖所示的時序資料，關於學習的1天後到355天後的任意預測期間，可推論預測期間經過後作為推論觀察值的觀察值之學習完成模型的情況下，指定預測期間取得部204取得的指定預測期間資訊指示的指定預測期間，例如，是1天後到355天後的任意預測期間。 指定預測期間資訊指示的指定預測期間，如果相當於學習完成模型可推論預測期間經過後的推論觀察值之複數預測期間之任一預測期間時，推論裝置200，藉由只進行1次利用學習完成模型的推論，就可以推論指定預測期間經過後的推論觀察值。

上述情況下，指定預測期間取得部204取得的指定預測期間資訊，例如，係對應推論時序資料的期間內以最接近現在日期的時間點為基準之指示對應1天後到355天後的期間的2019年9月1日到2020年8月20日的日期中的任意日期之資訊。 推論用資料產生部205，以指示指定預測期間取得部204取得的指定預測期間資訊的上述日期之資訊作為第5資訊。 還有，推論用資料產生部205，產生組合上述第4資訊與上述第5資訊的推論用資料。

又，指定預測期間資訊指示的指定預測期間，不必相當於根據學習完成模型可推論預測期間經過後的推論觀察值之複數預測期間之任一預測期間。指定預測期間資訊指示的指定預測期間，如果不相當於根據學習完成模型可推論預測期間經過後的推論觀察值之複數預測期間之任一預測期間時，推論裝置200利用學習完成模型，為了使推論次數成為最少，藉由組合可推論推論觀察值的預測期間，推論指定預測期間經過後的推論觀察值。推論裝置200．像這樣使推論次數成為最少，藉由組合可推論推論觀察值的預測期間，可以縮小指定預測期間資訊指示的指定預測期間經過後的推論觀察值內包含的推論誤差。

第10B圖係顯示，結果輸出部211經由顯示控制部201輸出結果取得部210取得的推論觀察值及分位點資訊之際，顯示裝置12中顯示的一影像例圖。 顯示裝置12中，例如，如第10B圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第10B圖所示，顯示指定的預測對象的指定預測期間。 又，顯示裝置12中，例如，如第10B圖所示，顯示指定預測期間經過後的推論觀察值。

參照第11圖，說明關於第1實施形態的推論裝置200的動作。 第11圖係說明第1實施形態的推論裝置200的一處理例流程圖。

首先，步驟ST1101中，推論用時序資料取得部203，取得推論用時序資料。 其次，步驟ST1102中，指定預測期間取得部204，取得指示預測對象的指定預測期間的指定預測期間資訊。 其次，步驟ST1103中，推論用資料產生部205，產生推論用資料，組合根據推論用時序資料的第4資訊以及根據指定預測期間資訊之可特定指定預測期間資訊指示的預測對象的指定預測期間的第5資訊。 其次，步驟ST1104中，模型取得部206，取得模型資訊。 其次，步驟ST1105中，推論用資料取得部207，取得推論用資料。

其次，步驟ST1106中，推論用資料輸入部208，以推論用資料為說明變數輸入至學習完成模型。 其次，步驟ST1107中，推論部209，利用學習完成模型，推論指定的指定預測期間經過後的推論觀察值。 其次，步驟ST1108中，結果取得部210，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值。 其次，步驟ST1109中，結果輸出部211，輸出結果取得部210取得的推論觀察值。 推論裝置200，在步驟ST1109的處理後，結束上述流程圖的處理。

又，上述流程圖中，步驟ST1101與步驟ST1102的處理，只要比步驟ST1103的處理先實行，就不拘處理順序。又，步驟ST1104的處理，只要比步驟ST1106的處理先實行，就不拘實行的順序。

如上述，推論裝置200，包括：推論用資料取得部207，取得推論用資料，組合根據包含時序觀察值的時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入部208，以推論用資料取得部207取得的推論用資料作為說明變數，輸入至對應機械學習的學習結果之學習完成模型；結果取得部210，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值；以及結果輸出部211，輸出結果取得部210取得的推論觀察值。 由於這樣構成，推論裝置200，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。

又，推論裝置200，在上述構成中，構成為：學習完成模型係在組合根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數上述預測期間中的1個上述預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的學習用資料中以組合第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用複數學習用資料學習之對應機械學習的學習結果的學習完成模型。 由於這樣構成，推論裝置200，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。

又，推論裝置200，在上述構成中構成為：根據推論用資料中的第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料的期間中離現在日期最接近的時間點開始的期間。 由於這樣構成，推論裝置200，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。 更具體地，由於這樣構成，推論裝置200，在任意未來觀察值的推論中，可高精度推論對應第4資訊基礎的推論用時序資料的期間中離現在日期最接近的時間點開始的指定預測期間經過後的推論觀察值。

又，推論裝置200，在上述構成中構成為：根據推論用資料中的第5資訊可特定的指定預測期間，係對應上述推論用資料中第4資訊基礎的推論用時序資料的期間中預定事件的發生時間點開始的期間。 由於這樣構成，推論裝置200，在任意未來觀察值推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。 更具體地，由於這樣構成，推論裝置200，在任意未來觀察值的推論中，可高精度推論對應第4資訊基礎的推論用時序資料的期間中預定事件的發生時間點開始的指定預測期間經過後的推論觀察值。

又，推論裝置200，在上述構成中構成為：第5資訊係編碼可特定指定預測期間的指定預測期間資訊成為具有預定次元數的向量表示之資訊。 由於這樣構成，推論裝置200，指示第5資訊基礎的指定預測期間之指定預測期間資訊，即使是以任意單位表示的資訊，也可以以輸入組合第4資訊與第5資訊的推論用資料作為說明變數，輸入至學習完成模型。

又，推論裝置200，在上述構成中構成為：第5資訊在以任意單位表示的全部指定預測期間資訊中，係編碼成具有預定的相同次元數的向量表示之資訊。 由於這樣構成，推論裝置200，指示第5資訊基礎的指定預測期間之指定預測期間資訊，即使是以任意單位表示的資訊，也可以以輸入組合第4資訊與第5資訊的推論用資料作為說明變數，輸入至學習完成模型。

又，推論裝置200，在上述構成中構成為：第4資訊在第4資訊基礎的全部推論用時序資料中，係編碼成具有預定的相同次元數的向量表示之資訊。 由於這樣構成，推論裝置200，即使包含第4資訊基礎的時序觀察值之推論用時序資料是包含任意觀察值個數的時序資料，也可以輸入組合第4資訊與第5資訊的推論用資料作為說明變數至學習完成模型。

又，推論裝置200，在上述構成中構成為，推論用資料輸入部208將連結編碼成向量表示的第4資訊與編碼成向量表示的第5資訊之向量表示的資訊，作為說明變數輸入至學習完成模型。 由於這樣構成，推論裝置200，即使包含第4資訊基礎的時序觀察值之推論用時序資料是包含任意觀察值個數的時序資料，即使指示第5資訊基礎的指定預測期間資訊是以任意單位表示的資訊，也可以輸入組合第4資訊與第5資訊的推論用資料作為說明變數至學習完成模型。

第2實施形態 參照第12到17圖，說明關於第2實施形態的推論系統1a。 第12圖係顯示第2實施形態的推論系統1a的一要部例方塊圖。 第2實施形態的推論系統1a，與第1實施形態的推論系統1相較，係學習裝置100及推論裝置200，變更為學習裝置100a及推論裝置200a。 第2實施形態的推論系統1a的構成中，關於與第1實施形態的推論系統1相同的構成，附上相同的符號省略重複的說明。即，關於附上與第1圖中記載的符號相同的符號之第12圖的構成，省略說明。

第2實施形態的推論系統1a，包括學習裝置100a、推論裝置200a、記憶裝置10、顯示裝置11、12以及輸入裝置13、14。 記憶裝置10，係用以保存時序資料等推論系統1a需要的資訊之裝置。 顯示裝置11，接受學習裝置100a輸出的影像信號，實行對應影像信號的影像顯示。 顯示裝置12，接受推論裝置200a輸出的影像信號，實行對應影像信號的影像顯示。 輸入裝置13，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至學習裝置100a。 輸入裝置14，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至推論裝置200a。

學習裝置100a，係藉由實行根據時序資料的機械學習，產生學習完成模型，輸出產生的學習完成模型作為模型資訊的裝置。 推論裝置200a，係輸入說明變數至對應機械學習的學習結果之學習完成模型，取得學習完成模型輸出作為推論結果之推論觀察值以及指示上述推論觀察值的分位點之分位點資訊，並輸出取得的推論觀察值以及分位點資訊的裝置。

參照第13及14圖，說明關於第2實施形態的學習裝置100a。 第13圖係顯示第2實施形態的學習裝置100a的一要部構成例方塊圖。 第2實施形態的學習裝置100a，與第1實施形態的學習裝置100相較，係變更學習部110為學習部110a。 第2實施形態的學習裝置100a的構成中，關於與第1實施形態的學習裝置100相同的構成，附上相同的符號，省略重複的說明。即，關於附上與第2圖記載的符號相同的符號之第13圖的構成，省略說明。

學習裝置100a，包括顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110a以及模型輸出部111。 又，學習裝置100a包括的顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110a以及模型輸出部111的各機能，以第3A及3B圖所示的一例的硬體構成中的處理器301及記憶體302實現也可以，或者由處理電路303實現也可以。

學習部110a，以組合學習用資料中的第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用學習用資料取得部109取得的複數學習用資料學習。學習部110a，根據上述學習，產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的分位點之學習完成模型。 更具體地，學習部110a，以第3資訊作為應答變數學習之際，以上述應答變數作為教師資料，藉由進行附教師的機械學習，產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的分位點之學習完成模型。

學習部110a，例如，藉由進行分位點回歸的機械學習，可以產生可推論推論觀察值的分位點之學習完成模型。 更具體地，例如，學習部110a，利用梯度提升樹，關於對應指定的任意比例的分位點，藉由進行分位點回歸的機械學習，可以產生可推論上述分位點之學習完成模型。 學習部110a，在上述推論觀察值的分位點的推論中，產生可推論推論觀察值的推論中對應中央值的50%分位點再加上對應10%、25%、75%或90%等任意比例的分位點之學習完成模型也可以。 以下，學習部110a產生的學習完成模型，例如，說明為對應10%、25%、50%、75%及90%的5個分位點。例如，學習部110a，為了產生可推論對應10%、25%、50%、75%及90%的5個分位點之學習完成模型，分別關於對應10%、25%、50%、75%及90%的5個分位點，進行分位點回歸的機械學習。

又，學習部110a，例如，藉由進行高斯過程回歸的機械學習，作為推論結果，產生輸出推論的推論觀察值的平均值與上述推論觀察值的標準偏差之學習完成模型也可以。推論觀察值中對應任意比例的分位點，在根據學習完成模型輸出作為推論結果之推論觀察值的平均值以及上述推論觀察值的標準偏差算出的高斯分布中利用累積密度，可以算出。即，學習部110a，例如，藉由進行高斯過程回歸的機械學習，可以產生可推論推論觀察值的分位點之學習完成模型。

參照第14圖，說明關於第2實施形態的學習裝置100a的動作。 第14圖係說明第2實施形態的學習裝置100a的一處理例流程圖。

首先，步驟ST1401中，原時序資料取得部103，取得原時序資料。 其次，步驟ST1402中，假設現在日期決定部104，決定1或複數假設現在日期。 其次，步驟ST1403中，時序資料提出部105，關於1或各個複數假設現在日期，在原時序資料中，提出對應假設現在日期以前的期間之原時序資料作為時序資料。 其次，步驟ST1404中，預測期間決定部106，關於1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含之至少互不相同的2個預測期間。 其次，步驟ST1405中，觀察值取得部107，在1或各個複數假設現在日期中，分別關於至少互不相同的2個預測期間，從原時序資料取得預測期間經過後的觀察值。

其次，步驟ST1406中，學習用資料產生部108，以時序資料提出部105提出的包含時序觀察值的1或複數時序資料中的1個時序資料作為第1資訊、以指示包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的預測期間資訊作為第2資訊、以及以預測期間經過後的觀察值作為第3資訊，藉由組合第1資訊、第2資訊及第3資訊，產生複數學習用資料。 其次，步驟ST1407中，學習用資料取得部109取得複數學習用資料。 其次，步驟ST1408中，學習部110a，利用複數學習用資料學習，產生學習完成模型。 其次，步驟ST1409中，模型輸出部111，輸出學習完成模型作為模型資訊。 學習裝置100a，在步驟ST1409的處理後，結束上述流程圖的處理。

如上述，學習裝置100a，包括：學習用資料取得部109，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的組合之複數學習用資料；以及學習部110a，以組合學習用資料中的第1資訊與第2資訊的資訊為說明變數，而且以第3資訊為應答變數，利用學習用資料取得部109取得的複數學習用資料學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型；學習部110a，構成為產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的分位點的學習完成模型。 由於這樣構成，學習裝置100a，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值的同時，可以推論具有推論誤差少的高精度推論精度的上述觀察值的分位點。 更具體地，由於這樣構成，學習裝置100a，藉由推論具有推論誤差少的高精度推論精度的上述觀察值的分位點，可以高精度掌握上述觀察值的推論可能性。

參照第15到17圖，說明關於第2實施形態的推論裝置200a。 第15圖係顯示第2實施形態的推論裝置200a的一要部構成例方塊圖。 第2實施形態的推論裝置200a，與第1實施形態的推論裝置200相較，變更推論部209、結果取得部210以及結果輸出部211為推論部209a、結果取得部210a以及結果輸出部211a。 第2實施形態的推論裝置200a的構成中，關於與第1實施形態的推論裝置200相同的構成，附上相同的符號省略重複的說明。即，關於附上與第9圖中記載的符號相同的符號之第15圖的構成，省略說明。

推論裝置200a，包括顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209a、結果取得部210a以及結果輸出部211a。 又，推論裝置200a包括的顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209a、結果取得部210a以及結果輸出部211a的各機能，以第3A圖及第3B圖中顯示一例的硬體構成中的處理器301及記憶體302實現也可以，或者以處理電路303實現也可以。

推論部209a，利用模型取得部206取得的模型資訊指示的學習完成模型，推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的分位點。 又，利用學習完成模型推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的分位點之推論部209a，包括在推論裝置200a內也可以，包括在與推論裝置200a連接的未圖示的外部裝置內也可以。

結果取得部210a，取得指定預測期間經過後的推論觀察值再加上指示上述推論觀察值的分位點的分位點資訊，作為學習完成模型輸出的推論結果。 學習完成模型輸出的推論結果內包含的分位點資訊，指示推論觀察值的推論中例如對應10%、25%、50%、75%或90%等任意比例的分位點。分位點資訊，也可以是指示推論觀察值的推論中例如分別對應10%、25%、50%、75%及90%等任意比例的複數分位點之資訊。以下，學習完成模型輸出的推論結果內包含的分位點資訊，說明為指示對應10%、25%、50%、75%及90%各個比例的5個分位點之資訊。

結果輸出部211a，輸出結果取得部210a取得的推論觀察值再加上結果取得部210a取得的分位點資訊。 具體地，例如，結果輸出部211a，經由顯示控制部201，輸出結果取得部210a取得的推論觀察值以及分位點資訊。顯示控制部201，從結果輸出部211a接受推論觀察值及分位點資訊，產生對應表示上述推論觀察值及上述分位點資訊的影像之影像信號，輸出上述影像信號至顯示裝置12，使顯示裝置12顯示表示上述推論觀察值及上述分位點資訊的影像。 又，結果輸出部211a，例如，對記憶裝置10輸出結果取得部210a取得的推論觀察值及分位點資訊，使記憶裝置10記憶上述推論觀察值及上述分位點資訊也可以。

第16圖係顯示結果輸出部211a經由顯示控制部201輸出結果取得部210a取得的推論觀察值及分位點資訊之際，顯示裝置12中顯示的一影像例圖。 顯示裝置12中，例如，如第16圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第16圖所示，顯示指定的預測對象的指定預測期間。 又，顯示裝置12中，例如，如第16圖所示，以盒鬚圖顯示對應10%、25%、50%、75%及90%各個比例的5個分位點，作為指定預測期間經過後的推論觀察值的分位點。 第16圖所示的盒鬚圖中，分別顯示位於第16圖中的縱方向線段(以下稱「垂線」)上端之第16圖中的橫方向線段(以下稱「水平線」)是90%分位點，位於垂線下端的水平線是10%分位點，位於垂線上的箱上端是75%分位點，上述箱下端是25%分位點以及上述箱的中央水平線是50%分位點。

推論裝置200a，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值以及指示上述觀察值的分位點的分位點資訊，藉由輸出取得的上述推論觀察值與上述推論觀察值的分位點至顯示裝置等，可以高精度掌握上述推論觀察值的推論可能性。

參照第17圖，說明第2實施形態的推論裝置200a的動作。 第17圖係說明第2實施形態的推論裝置200a的一處理例流程圖。

首先，步驟ST1701中，推論用時序資料取得部203，取得推論用時序資料。 其次，步驟ST1702中，指定預測期間取得部204，取得指示預測對象的指定預測期間的指定預測期間資訊。 其次，步驟ST1703中，推論用資料產生部205，產生推論用資料，組合根據推論用時序資料的第4資訊以及根據指定預測期間資訊之可特定指定預測期間資訊指示的預測對象的指定預測期間的第5資訊。 其次，步驟ST1704中，模型取得部206，取得模型資訊。 其次，步驟ST1705中，推論用資料取得部207，取得推論用資料。

其次，步驟ST1706中，推論用資料輸入部208，以推論用資料為說明變數輸入至學習完成模型。 其次，步驟ST1707中，推論部209a，利用學習完成模型，推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的分位點。 其次，步驟ST1708中，結果取得部210a，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值以及指示上述推論觀察值的分位點的分位點資訊。 其次，步驟ST1709中，結果輸出部211a，輸出結果取得部210a取得的推論觀察值以及分位點資訊。 推論裝置200a，在步驟ST1709的處理後，結束上述流程圖的處理。

又，上述流程圖中，步驟ST1701與步驟ST1702的處理，只要比步驟ST1703的處理先實行，就不拘處理順序。又，步驟ST1704的處理，只要比步驟ST1706的處理先實行，就不拘實行的順序。

如上述，推論裝置200a，包含：推論用資料取得部207，取得推論用資料，組合根據包含時序觀察值的時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入部208，以推論用資料取得部207取得的推論用資料作為說明變數，輸入至對應機械學習的學習結果之學習完成模型；結果取得部210a，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值；以及結果輸出部211a，輸出結果取得部210a取得的推論觀察值；結果取得部210a，取得指定預測期間經過後的推論觀察值再加上指示上述推論觀察值的分位點的分位點資訊，作為學習完成模型輸出的推論結果；結果輸出部211a，輸出結果取得部210a取得的推論觀察值再加上結果取得部210a取得的分位點資訊。 由於這樣構成，推論裝置200a，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值，還可以高精度掌握上述推論觀察值的推論可能性。

第3實施形態 參照第18到23圖，說明關於第3實施形態的推論系統1b。 第18圖係顯示第3實施形態的推論系統1b的一要部構成例方塊圖。 第3實施形態的推論系統1b，與第1實施形態的推論系統1相較，係變更學習裝置100及推論裝置200為學習裝置100b及推論裝置200b。 第3實施形態的推論系統1b的構成中，關於與第1實施形態的推論系統1相同的構成，附上相同的符號，省略重複的說明。即，關於附上與第1圖記載的符號相同的符號之第18圖的構成，省略說明。

第3實施形態的推論系統1b，包括學習裝置100b、推論裝置200b、記憶裝置10、顯示裝置11、12以及輸入裝置13、14。 記憶裝置10，係用以保存時序資料等推論系統1b需要的資訊之裝置。 顯示裝置11，接受學習裝置100b輸出的影像信號，實行對應影像信號的影像顯示。 顯示裝置12，接受推論裝置200b輸出的影像信號，實行對應影像信號的影像顯示。 輸入裝置13，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至學習裝置100b。 輸入裝置14，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至推論裝置200b。

學習裝置100b，係藉由實行根據時序資料的機械學習，產生學習完成模型，輸出產生的學習完成模型作為模型資訊的裝置。 推論裝置200b，係輸入說明變數至對應機械學習的學習結果的學習完成模型，取得學習完成模型輸出作為推論結果之推論觀察值以及指示上述推論觀察值的預測分布之預測分布資訊，並輸出取得的推論觀察值及預測分布資訊的裝置。

參照第19及20圖，說明關於第3實施形態的學習裝置100b。 第19圖係顯示第3實施形態的學習裝置100b的一要部構成例方塊圖。 第3實施形態的學習裝置100b，與第1實施形態的學習裝置100相較，係變更學習部110為學習部110b。 第3實施形態的學習裝置100b的構成中，關於與第1實施形態的學習裝置100相同的構成，附上相同的符號，省略重複的說明。即，關於附上與第2圖記載的符號相同的符號之第19圖的構成，省略說明。

學習裝置100b，包括顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110b以及模型輸出部111。 又，學習裝置100b包括的顯示控制部101、操作受理部102、原時序資料取得部103、假設現在日期決定部104、時序資料提出部105、預測期間決定部106、觀察值取得部107、學習用資料產生部108、學習用資料取得部109、學習部110b以及模型輸出部111的各機能，以第3A及3B圖所示的一例的硬體構成中的處理器301及記憶體302實現也可以，或者由處理電路303實現也可以。

學習部110b，以組合學習用資料中的第1資訊與第2資訊的資訊作為說明變數，而且以第3資訊作為應答變數，利用學習用資料取得部109取得的複數學習用資料學習。學習部110b，根據上述學習，產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的分位點之學習完成模型。 更具體地，學習部110b，以第3資訊作為應答變數學習之際，以上述應答變數作為教師資料，藉由進行附教師的機械學習，產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的預測分布之學習完成模型。

學習部110b，例如，利用根據應用混合密度模型於神經網路得到的MDN(混合密度網路)，藉由進行機械學習，可以產生可推論推論觀察值的預測分布之學習完成模型。

觀察值，在1.0及3.0等預定的離散複數值中，有時只取得1.0及3.0等預定值。 學習部110b，由於產生可推論推論觀察值的預測分布之學習完成模型，在預定的離散複數值中，互相接近的2個值(例如，1.0及3.0)之間的值(例如，2.0)是觀察值時，可以掌握上述推論觀察值是不適當的值。

參照第20圖，說明關於第3實施形態的學習裝置100b的動作。 第20圖係說明第3實施形態的學習裝置100b的一處理例流程圖。

首先，步驟ST2001中，原時序資料取得部103，取得原時序資料。 其次，步驟ST2002中，假設現在日期決定部104，決定1或複數假設現在日期。 其次，步驟ST2003中，時序資料提出部105，關於1或各個複數假設現在日期，在原時序資料中，提出對應假設現在日期以前的期間之原時序資料作為時序資料。 其次，步驟ST2004中，預測期間決定部106，關於1或各個複數假設現在日期，決定預測期間經過後的時間點對應原時序資料的期間內包含之至少互不相同的2個預測期間。 其次，步驟ST2005中，觀察值取得部107，在1或各個複數假設現在日期中，分別關於至少互不相同的2個預測期間，從原時序資料取得預測期間經過後的觀察值。

其次，步驟ST2006中，學習用資料產生部108，以時序資料提出部105提出的包含時序觀察值的1或複數時序資料中的1個時序資料作為第1資訊、以指示包含至少互不相同的2個預測期間的複數預測期間中的1個預測期間的預測期間資訊作為第2資訊、以及以預測期間經過後的觀察值作為第3資訊，藉由組合第1資訊、第2資訊及第3資訊，產生複數學習用資料。 其次，步驟ST2007中，學習用資料取得部109取得複數學習用資料。 其次，步驟ST2008中，學習部110b，利用複數學習用資料學習，產生學習完成模型。 其次，步驟ST2009中，模型輸出部111，輸出學習完成模型作為模型資訊。 學習裝置100b，在步驟ST2009的處理後，結束上述流程圖的處理。

如上述，學習裝置100b，包括：學習用資料取得部109，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數預測期間的期間的第2資訊、以及根據預測期間經過後的觀察值的第3資訊的組合之複數學習用資料；以及學習部110b，以組合學習用資料中的第1資訊與第2資訊的資訊為說明變數，而且以第3資訊為應答變數，利用學習用資料取得部109取得的複數學習用資料學習，產生可推論指定的預測期間經過後的推論觀察值之學習完成模型；學習部110b，構成為產生可推論指定的預測期間經過後的推論觀察值再加上上述推論觀察值的預測分布之學習完成模型。 由於這樣構成，學習裝置100b，在任意未來觀察值推論中，可以推論具有推論誤差少的高精度推論精度的觀察值的同時，可以推論具有推論誤差少的高精度推論精度的上述觀察值的預測分布。 更具體地，由於這樣構成，學習裝置100b，在觀察值能取得的預定的離散複數值中，互相接近的2個值之間的值是推論觀察值時，可以高精度掌握上述推論觀察值是不適當的值。

參照第21到23圖，說明關於第3實施形態的推論裝置200b。 第21圖係顯示第3實施形態的推論裝置200b的一要部構成例方塊圖。 第3實施形態的推論裝置200b，與第1實施形態的推論裝置200相較，變更推論部209、結果取得部210以及結果輸出部211為推論部209b、結果取得部210b以及結果輸出部211b。 第3實施形態的推論裝置200b的構成中，關於與第1實施形態的推論裝置200相同的構成，附上相同的符號省略重複的說明。即，關於附上與第9圖中記載的符號相同的符號之第21圖的構成，省略說明。

推論裝置200b，包括顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209b、結果取得部210b以及結果輸出部211b。 又，推論裝置200b包括的顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204、推論用資料產生部205、推論用資料取得部207、推論用資料輸入部208、推論部209b、結果取得部210b以及結果輸出部211b的各機能，以第3A圖及第3B圖中顯示一例的硬體構成中的處理器301及記憶體302實現也可以，或者以處理電路303實現也可以。

推論部209b，利用模型取得部206取得的模型資訊指示的學習完成模型，推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的預測分布。 又，利用學習完成模型推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的預測分布之推論部209，包括在推論裝置200b內也可以，包括在與推論裝置200b連接的未圖示的外部裝置內也可以。

結果取得部210b，取得指定預測期間經過後的推論觀察值再加上指示上述推論觀察值的預測分布的預測分布資訊，作為學習完成模型輸出的推論結果。 學習完成模型輸出的推論結果內包含的預測分布資訊，指示推論觀察值的推論中每上述推論觀察值能取得上述推論觀察值的機率。

結果輸出部211b，輸出結果取得部210b取得的推論觀察值再加上結果取得部210b取得的預測分布資訊。 具體地，例如，結果輸出部211b，經由顯示控制部201，輸出結果取得部210b取得的推論觀察值以及預測分布資訊。顯示控制部201，從結果輸出部211b接受推論觀察值及預測分布資訊，產生對應表示上述推論觀察值及上述預測分布資訊的影像之影像信號，輸出上述影像信號至顯示裝置12，使顯示裝置12顯示表示上述推論觀察值及上述預測分布資訊的影像。 又，結果輸出部211b，例如，對記憶裝置10輸出結果取得部210b取得的推論觀察值及預測分布資訊，使記憶裝置10記憶上述推論觀察值及上述預測分布資訊也可以。

第22圖係顯示結果輸出部211b經由顯示控制部201輸出結果取得部210b取得的推論觀察值及預測分布資訊之際，顯示裝置12中顯示的一影像例圖。 顯示裝置12中，例如，如第22圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第22圖所示，顯示指定的預測對象的指定預測期間。 又，顯示裝置12中，例如，如第22圖所示，指定預測期間經過後的推論觀察值的預測分布，以小提琴圖顯示。 第22圖所示的小提琴圖中，第22圖的縱方向中上側的鼓起，表示推論觀測值在3.0近旁的機率，下段的鼓起，表示推論觀測值在1.0近旁的機率。

第22圖所示的預測分布中，指定預測期間經過後的觀察值是3.0的機率與1.0的機率都是50%時，學習完成模型，有時輸出指示推論觀察值是2.0的推論結果。 推論裝置200b，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值以及指示上述觀察值的預測分布的預測分布資訊，藉由輸出取得的上述推論觀察值與上述推論觀察值的預測分布至顯示裝置等，可以高精度掌握上述推論觀察值是不適當的。又，還有，推論裝置200b，可以高精度掌握指定預測期間經過後的觀察值為1.0或3.0。

參照第23圖，說明第3實施形態的推論裝置200b的動作。 第23圖係說明第3實施形態的推論裝置200b的一處理例流程圖。

首先，步驟ST2301中，推論用時序資料取得部203，取得推論用時序資料。 其次，步驟ST2302中，指定預測期間取得部204，取得指示預測對象的指定預測期間的指定預測期間資訊。 其次，步驟ST2303中，推論用資料產生部205，產生推論用資料，組合根據推論用時序資料的第4資訊以及根據指定預測期間資訊之可特定指定預測期間資訊指示的預測對象的指定預測期間的第5資訊。 其次，步驟ST2304中，模型取得部206，取得模型資訊。 其次，步驟ST2305中，推論用資料取得部207，取得推論用資料。

其次，步驟ST2306中，推論用資料輸入部208，以推論用資料為說明變數輸入至學習完成模型。 其次，步驟ST2307中，推論部209b，利用學習完成模型，推論指定的指定預測期間經過後的推論觀察值以及上述推論觀察值的預測分布。 其次，步驟ST2308中，結果取得部210b，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值以及指示上述推論觀察值的預測分布的預測分布資訊。 其次，步驟ST2309中，結果輸出部211b，輸出結果取得部210b取得的推論觀察值以及預測分布資訊。 推論裝置200b，在步驟ST2309的處理後，結束上述流程圖的處理。

又，上述流程圖中，步驟ST2301與步驟ST2302的處理，只要比步驟ST2303的處理先實行，就不拘處理順序。又，步驟ST2304的處理，只要比步驟ST2306的處理先實行，就不拘實行的順序。

如上述，推論裝置200b，包含：推論用資料取得部207，取得推論用資料，組合根據包含時序觀察值的時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入部208，以推論用資料取得部207取得的推論用資料作為說明變數，輸入至對應機械學習的學習結果之學習完成模型；結果取得部210b，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值；以及結果輸出部211b，輸出結果取得部210b取得的推論觀察值；結果取得部210b，取得指定預測期間經過後的推論觀察值再加上指示上述推論觀察值的預測分布的預測分布資訊，作為學習完成模型輸出的推論結果；結果輸出部211b，輸出結果取得部210b取得的推論觀察值再加上結果取得部210a取得的預測分布資訊。 由於這樣構成，推論裝置200b，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的推論觀察值，還可以高精度掌握上述推論觀察值是不適當的值。還有，推論裝置200b，當上述推論觀察值是不適當的值時，可以高精度掌握適當的值。

第4實施形態 參照第24到29圖，說明關於第4實施形態的推論系統1c。 第24圖係顯示第4實施形態的推論系統1c的一要部構成例方塊圖。 第4實施形態的推論系統1c，與第1實施形態的推論系統1相較，係變更推論置200為推論裝置200c。 第4實施形態的推論系統1c的構成中，關於與第1實施形態的推論系統1相同的構成，附上相同的符號，省略重複的說明。即，關於附上與第1圖記載的符號相同的符號之第24圖的構成，省略說明。

第4實施形態的推論系統1c，包括學習裝置100、推論裝置200c、記憶裝置10、顯示裝置11、12以及輸入裝置13、14。 記憶裝置10，係用以保存時序資料等推論系統1c需要的資訊之裝置。 顯示裝置12，接受推論裝置200c輸出的影像信號，實行對應影像信號的影像顯示。 輸入裝置14，接受來自使用者的操作輸入，輸出對應使用者的輸入操作的操作信號至推論裝置200c。

推論裝置200c，係輸入說明變數至對應機械學習的學習結果的學習完成模型，再輸出學習完成模型輸出作為推論結果之推論觀察值的裝置。

參照第25及29圖，說明關於第4實施形態的推論裝置200c。 第25圖係顯示第4實施形態的推論裝置200c的一要部構成例方塊圖。 第4實施形態的推論裝置200c，與第1實施形態的推論裝置200相較，係變更結果取得部210及結果輸出部211為顯結果取得部210c及結果輸出部211c。 第4實施形態的推論裝置200c的構成中，關於與第1實施形態的推論裝置200相同的構成，附上相同的符號，省略重複的說明。即，關於附上與第9圖記載的符號相同的符號之第25圖的構成，省略說明。

推論裝置200c，包括顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204c、推論用資料產生部205c、推論用資料取得部207、推論用資料輸入部208、推論部209、結果取得部210c以及結果輸出部211c。 又，推論裝置200c包括的顯示控制部201、操作受理部202、推論用時序資料取得部203、模型取得部206、指定預測期間取得部204c、推論用資料產生部205c、推論用資料取得部207、推論用資料輸入部208、推論部209、結果取得部210c以及結果輸出部211c的各機能，以第3A及3B圖所示的一例的硬體構成中的處理器301及記憶體302實現也可以，或者由處理電路303實現也可以。

指定預測期間取得部204c，取得指示預測對象的指定預測期間的指定預測期間資訊。 指定預測期間取得部204c，作為指定預測期間資訊，可以取得指示作為預測對象的1個時間點為止的指定預測期間資訊、指示作為預測對象的複數時間點為止的指定預測期間資訊、或者指示以持續互不相同的2個時間點之間的範圍表示的預測對象的時間範圍(以下稱「預測範圍」)的指定預測期間資訊。即，第1實施形態的指定預測期間取得部204，作為指定預測期間資訊，可以取得指示作為預測對象的1個時間點的指定預測期間資訊。相對於此，指定預測期間取得部204c，作為指定預測期間資訊，可以取得指示作為預測對象的1個時間點的指定預測期間資訊再加上指示作為預測對象的複數時間點的指定預測期間資訊、或者指示作為預測對象的預測範圍的指定預測期間資訊。 例如，使用者，利用輸入裝置14，藉由指定複數時間點，輸入作為預測對象的複數時間點指定指定預測期間，或者藉由指定互不相同的2個時間點，輸入作為預測對象的預測範圍指定指定預測期間。 指定預測期間取得部204c，經由操作受理部202接收輸入裝置14輸出的操作信號作為操作資訊，藉由轉換上述操作資訊指示的指定預測期間為指定預測期間資訊，取得上述指定預測期間資訊。

推論用資料產生部205c，產生推論用資料，組合根據推論用時序資料取得部203取得的推論用時序資料之第4資訊以及根據指定預測期間取得部204c取得的指定預測期間資訊之可特定指定預測期間資訊指示的預測對象的指定預測期間之第5資訊。 推論用資料產生部205c產生的推論用資料中的第5資訊，係可特定作為預測對象的1以上的時間點或作為預測對象的預測範圍之資訊。

又，推論用資料產生部205c，例如，以編碼可特定指定預測期間的指定預測期間資訊成具有預定次元數的向量表示之資訊為第5資訊也可以。推論用資料產生部205c，編碼可特定指定預測期間的指定預測期間資訊成具有預定次元數的向量表示之方法，因為與學習裝置100中第2資訊產生部182a產生第2資訊之際編碼預測期間資訊成具有預定次元數的向量表示之方法相同，省略說明。 尤其，第5資訊，在作為預測對象的1以上的時間點或以作為預測對象的預測範圍等任意單位表示的全部指定預測期間資訊中，係適於編碼成具有預定的相同次元數的向量表示之資訊。

結果取得部210c，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值。 學習完成模型，作為推論結果，輸出作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。因此，結果取得部210c，取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值，作為指定預測期間經過後的推論觀察值。

結果輸出部211c，輸出結果取得部210c取得的推論觀察值。 具體地，例如，結果輸出部211c，輸出結果取得部210c取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。 更具體地，例如，結果輸出部211c，經由顯示控制部201，輸出結果取得部210c取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。顯示控制部201，從結果輸出部211c，接受作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值，產生對應指示上述推論值觀察值的影像之影像信號。顯示控制部201，輸出上述影像信號至顯示裝置12，使顯示裝置12顯示指示上述推論值觀察值的影像。 又，結果輸出部211c，例如，將結果取得部210c取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值，輸出至記憶裝置10，使記憶裝置10記憶上述推論觀察值。

第26圖係顯示結果輸出部211c經由顯示控制部201輸出結果取得部210c取得作為預測對象的預測範圍內1以上的推論觀察值之際，顯示裝置12中顯示的一影像例圖。 顯示裝置12中，例如，如第26圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第26圖所示，顯示作為指定的預測對象的預測範圍。 又，顯示裝置12中，例如，如第26圖所示，顯示作為指定的預測對象的預測範圍內的推論觀察值。

由於這樣構成，推論裝置200c，可以掌握指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值是怎樣變化。

參照第27圖，說明關於第4實施形態的推論裝置200c的動作。 第27圖，係說明第4實施形態的推論裝置200c的一處理例流程圖。

首先，步驟ST2701中，推論用時序資料取得部203取得推論用時序資料。 其次，步驟ST2702中，指定預測期間取得部204c，取得指示作為預測對象的1以上的時間點的指定預測期間資訊或指示作為預測對象的預測範圍的指定預測期間資訊，作為指定預測期間資訊。 其次，步驟ST2703中，推論用資料產生部205，產生推論用資料，組合根據推論用時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊。 其次，步驟ST2704中，模型取得部206，取得模型資訊。 其次，步驟ST2705中，推論用資料取得部207，取得推論用資料。

其次，步驟ST2706中，推論用資料輸入部208，以推論用資料為說明變數輸入至學習完成模型。 其次，步驟ST2707中，推論部209，利用學習完成模型，推論指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。 其次，步驟ST2708中，結果取得部210c，取得學習完成模型輸出作為推論結果之作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。 其次，步驟ST2709中，結果輸出部211c，輸出結果取得部210c取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。 推論裝置200c，在步驟ST2709的處理後，結束上述流程圖的處理。

又，上述流程圖中，步驟ST2701與步驟ST2702的處理，只要比步驟ST2703的處理先實行，就不拘處理順序。又，步驟ST2704的處理，只要比步驟ST2706的處理先實行，就不拘實行的順序。

又，第4實施形態的推論系統1c中，變更學習裝置100為第2實施形態的學習裝置100a，還有從像第2實施形態所示的推論裝置200a的學習完成模型，取得指示推論觀察值分位點之分位點資訊，作為推論結果，為了輸出取得的分位點資訊，變形推論裝置200c也可以。 由於這樣構成，推論裝置200c，可以掌握指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值的同時，可以掌握上述推論值的分位點。

又，第4實施形態的推論系統1c的構成中，變更學習裝置100為第3實施形態的學習裝置100b，還有從像第3實施形態所示的推論裝置200b的學習完成模型，取得指示推論觀察值的預測分布之預測分布資訊，作為推論結果，為了輸出取得的預測分布資訊，變形推論裝置200c也可以。 由於這樣構成，推論裝置200c，可以掌握指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值的同時，可以掌握上述推論值的預測分布。

第28圖，係結果輸出部211c，經由顯示控制部201輸出結果取得部210c取得作為預測對象的預測範圍內1以上的推論觀察值的各個分位點之際，在顯示裝置12上顯示的一影像例圖。 顯示裝置12中，例如，如第28圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第28圖所示，顯示作為指定的預測對象的預測範圍。 又，顯示裝置12中，例如，如第28圖所示，顯示作為指定的預測對象的預測範圍內1以上的推論觀察值的各個分位點。

第29圖係結果輸出部211c經由顯示控制部201輸出結果取得部210c取得作為預測對象的預測範圍內1以上的推論觀察值的預測分布之際，在顯示裝置12上顯示的一影像例圖。 顯示裝置12中，例如，如第28圖所示，連結觀察時間點描繪顯示推論用時序資料中的觀察值。 又，顯示裝置12中，例如，如第28圖所示，顯示作為指定的預測對象的預測範圍。 又，顯示裝置12中，例如，如第28圖所示，顯示作為指定的預測對象的預測範圍內1以上的推論觀察值的各個預測分布。

如上述，推論裝置200c，構成為包含：推論用資料取得部207，取得推論用資料，組合根據包含時序觀察值的時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入部208，以推論用資料取得部207取得的推論用資料作為說明變數，輸入至對應機械學習的學習結果之學習完成模型；結果取得部210c，取得學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值；以及結果輸出部211c，輸出結果取得部210c取得的推論觀察值；其中，根據第5資訊可特定的預測對象的指定預測期間，係作為預測對象的1以上的時間點或作為預測對象的預測範圍；結果取得部210c，取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值，作為學習完成模型輸出作為推論結果之指定預測期間經過後的推論觀察值；結果輸出部211c，輸出結果取得部210c取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值。 由於這樣構成，推論裝置200c，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值。 又，由於這樣構成，推論裝置200c，可以掌握指定作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值怎樣變化。

又，推論裝置200c，在上述構成中，也可構成為：結果取得部210c，作為學習完成模型輸出的推論結果且作為指定預測期間經過後的推論觀察值，取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值再加上指示上述推論觀察值的各個分位點的1以上的分位點資訊；結果輸出部211c，輸出結果取得部210a取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值再加上結果取得部210a取得的分位點資訊。 由於這樣構成，推論裝置200c，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的觀察值，還可以高精度掌握上述觀察值的推論可能性。 又，由於這樣構成，推論裝置200c，可以掌握指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值怎樣變化的同時，可以高精度掌握各個上述推論觀察值的推論可能性。

又，推論裝置200c，在上述構成中也可構成為：結果取得部210c，作為學習完成模型輸出的推論結果且作為指定預測期間經過後的推論觀察值，取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值再加上指示上述推論觀察值的各個預測分布的1以上的預測分布資訊；結果輸出部211c，輸出結果取得部210a取得作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值再加上結果取得部210a取得的預測分布資訊。 由於這樣構成，推論裝置200c，在任意未來觀察值的推論中，可以推論具有推論誤差少的高精度推論精度的推論觀察值，還可以高精度掌握上述觀察值是不適當的值。還有，推論裝置200c，當上述推論觀察值是不適當的值時，可以高精度掌握適當的值。 又，由於這樣構成，推論裝置200c，可以掌握指定的作為預測對象的1以上的各個時間點中的推論觀察值或作為預測對象的預測範圍內1以上的推論觀察值怎樣變化的同時，可以高精度掌握上述推論觀察值分別是不適當的值。還有，推論裝置200c，當上述推論觀察值是不適當的值時，可以高精度掌握適當的值。

又，第1實施型態中，顯示以推論系統1推論入場人數的例不限於此。例如，也可以應用推論系統1於製品等的要求預測或故障預測等。

又，此發明在其發明範圍內，可以是各實施型態的自由組合、或各實施型態的任意構成要素的變形或者各實施型態中任意構成要素的省略。 [產業上的利用可能性]

此發明的學習裝置可以應用至推論系統。

1,1a,1b,1c:推論系統 10:記憶裝置 11,12:顯示裝置 13,14:輸入裝置 100,100a,100b:學習裝置 101:顯示控制部 102:操作受理部 103:原時序資料取得部 104:假設現在日期決定部 105:時序資料提出部 106:預測期間決定部 107:觀察值取得部 108:學習用資料產生部 109:學習用資料取得部 110,110a,110b:學習部 111:模型輸出部 181,181a:第1資訊產生部 182,182a:第2資訊產生部 183:第3資訊產生部 184:資訊組合部 200,200a,200b,200c:推論裝置 201:顯示控制部 202:操作受理部 203:推論用時序資料取得部 204,204c:指定預測期間取得部 205,205c:推論用資料產生部 206:模型取得部 207:推論用資料取得部 208:推論用資料輸入部 209,209a,209b:推論部 210,210a,210b,210c:結果取得部 211,211a,211b,211c:結果輸出部 301:處理器 302:記憶體 303:處理電路

[第1圖]係顯示第1實施形態的推論系統的一要部構成例方塊圖； [第2圖]係顯示第1實施形態的學習裝置的一要部構成例方塊圖； [第3A及3B圖]係顯示第1實施形態的學習裝置的一要部硬體構成例圖； [第4圖]係顯示第1實施形態的原時序資料、預測期間、第1資訊、第2資訊、第3資訊及學習用資料的一例圖； [第5圖]係顯示第1實施形態的學習用資料產生部的一要部構成例方塊圖； [第6圖]係說明第1實施形態的學習用資料產生部的一處理例流程圖； [第7圖]係顯示第1實施形態的原時序資料、預測期間、第1資訊、第2資訊、第3資訊及學習用資料的另一例圖； [第8圖]係說明第1實施形態的學習裝置的一處理例流程圖； [第9圖]係顯示第1實施形態的推論裝置的一要部構成例方塊圖； [第10A圖]係顯示第1實施形態的推論用時序資料、指定預測期間、第4資訊、第5資訊及說明變數的一例圖； [第10B圖]係顯示第1實施形態的結果輸出部經由顯示控制部輸出結果取得部取得的推論觀察值之際，顯示裝置中顯示的一影像例圖； [第11圖]係說明第1實施形態的推論裝置的一處理例的流程圖； [第12圖]係顯示第2實施形態的推論系統的一要部例方塊圖； [第13圖]係顯示第2實施形態的學習裝置的一要部構成例方塊圖； [第14圖]係說明第2實施形態的學習裝置的一處理例流程圖； [第15圖]係顯示第2實施形態的推論裝置的一要部構成例方塊圖； [第16圖]係顯示第2實施形態的結果輸出部經由顯示控制部輸出結果取得部取得的推論觀察值及分位點資訊之際，顯示裝置中顯示的一影像例圖； [第17圖]係說明第2實施形態的推論裝置的一處理例流程圖； [第18圖]係顯示第3實施形態的推論系統的一要部例方塊圖； [第19圖]係顯示第3實施形態的學習裝置的一要部構成例方塊圖； [第20圖]係說明第3實施形態的學習裝置的一處理例流程圖； [第21圖]係顯示第3實施形態的推論裝置的一要部構成例方塊圖； [第22圖]係顯示第3實施形態的結果輸出部經由顯示控制部輸出結果取得部取得的推論觀察值及預測分布資訊之際，顯示裝置中顯示的一影像例圖； [第23圖]係說明第3實施形態的推論裝置的一處理例流程圖； [第24圖]係顯示第4實施形態的推論系統的一要部例方塊圖； [第25圖]係顯示第4實施形態的推論裝置的一要部構成例方塊圖 [第26圖]係顯示第4實施形態的結果輸出部經由顯示控制部輸出結果取得部取得作為預測對象的預測範圍內1以上的推論觀察值之際，顯示裝置中顯示的一影像例圖； [第27圖]係說明第4實施形態的推論裝置的一處理例流程圖； [第28圖]係顯示第4實施形態的結果輸出部經由顯示控制部輸出結果取得部取得作為預測對象的預測範圍內1以上的推論觀察值的各個分位點之際，顯示裝置中顯示的一影像例圖；以及 [第29圖]係顯示第4實施形態的結果輸出部經由顯示控制部輸出結果取得部取得作為預測對象的預測範圍內1以上的推論觀察值的預測分布之際，顯示裝置中顯示的一影像例圖。

10:記憶裝置

11:顯示裝置

13:輸入裝置

100:學習裝置

101:顯示控制部

102:操作受理部

103:原時序資料取得部

104:假設現在日期決定部

105:時序資料提出部

106:預測期間決定部

107:觀察值取得部

108:學習用資料產生部

109:學習用資料取得部

110:學習部

111:模型輸出部

200:推論裝置

Claims (21)

1. 一種學習裝置，其特徵在於包括：學習用資料取得部，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數上述預測期間中的1個上述預測期間的第2資訊、以及根據上述預測期間經過後的上述觀察值的第3資訊的組合之複數上述學習用資料；以及學習部，以組合上述學習用資料中的上述第1資訊與上述第2資訊的資訊為說明變數，而且以上述第3資訊為應答變數，利用上述學習用資料取得部取得的複數上述學習用資料學習，產生可推論指定的上述預測期間經過後的推論觀察值之學習完成模型；上述第2資訊，係編碼可特定上述預測期間的預測期間資訊，成為具有預定的次元數之向量表示的資訊；上述學習裝置，其特徵在於包括：假設現在日期決定部，從對應包含時序的上述觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出部，關於上述假設現在日期決定部決定的1或各個複數上述假設現在日期，在上述原時序資料中，提出對應上述假設現在日期以前的期間之上述原時序資料，作為包含上述第1資訊基礎的時序的上述觀察值之上述時序資料；預測期間決定部，關於上述假設現在日期決定部決定的1或各個複數上述假設現在日期，決定上述預測期間經過後的時間點對應上述原時序資料的期間內包含之上述第2資訊基礎的至少互不相同的2個上述預測期間；觀察值取得部，分別關於上述預測期間決定部決定的至少互不相同的2個上述預測期間，從上述原時序資料取得上述第3資訊基礎的上述預測期間經過後的 上述觀察值；以及學習用資料產生部，藉由組合上述時序資料提出部提出的根據包含時序的上述觀察值的1或複數上述時序資料中的1個上述時序資料的上述第1資訊、上述預測期間決定部決定的根據包含至少互不相同的2個上述預測期間的複數上述預測期間中的1個上述預測期間的上述第2資訊、以及上述觀察值取得部取得的根據上述預測期間經過後的上述觀察值的上述第3資訊，產生複數上述學習用資料；其中，上述學習用資料取得部，取得上述學習用資料產生部產生的複數上述學習用資料。
2. 如申請專利範圍第1項所述的學習裝置，其特徵在於：上述學習用資料中的上述第2資訊基礎的上述預測期間，係對應上述學習用資料中的上述第1資訊基礎的上述時序資料之期間中最接近現在日期的時間點開始的期間；上述學習用資料中的上述第3資訊，係根據上述時間點開始的上述預測期間經過後的上述觀察值的資訊。
3. 如申請專利範圍第1項所述的學習裝置，其特徵在於：上述學習用資料中的上述第2資訊基礎的上述預測期間，係對應上述學習用資料中的上述第1資訊基礎的上述時序資料之期間中預定的事件發生時間點開始的期間；上述學習用資料中的上述第3資訊，係根據上述事件的上述發生時間點開始的上述預測期間經過後的上述觀察值的資訊。
4. 如申請專利範圍第1項所述的學習裝置，其特徵在於：上述第2資訊，在以任意單位表示的全部上述預測期間資訊中，係編碼成為具有預定的相同次元數之向量表示的資訊。
5. 如申請專利範圍第1項所述的學習裝置，其特徵在於：上述第1資訊，在上述第1資訊基礎的全部上述時序資料中，係編碼成為具有預定的相同次元數之向量表示的資訊。
6. 如申請專利範圍第5項所述的學習裝置，其特徵在於：上述學習部，學習連結編碼成為向量表示的上述第1資訊與編碼成為向量表示的上述第2資訊之向量表示的資訊作為上述說明變數。
7. 如申請專利範圍第1~6項中任一項所述的學習裝置，其特徵在於：上述學習部，產生可推論指定的上述預測期間經過後的上述推論觀察值再加上上述推論觀察值的分位點之上述學習完成模型。
8. 如申請專利範圍第1~6項中任一項所述的學習裝置，其特徵在於：上述學習部，產生可推論指定的上述預測期間經過後的上述推論觀察值再加上上述推論觀察值的預測分布之上述學習完成模型。
9. 一種學習方法，其特徵在於包括：學習用資料取得步驟，取得1個學習用資料是根據包含時序觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數上述預測期間中的1個上述預測期間的第2資訊、以及根據上述預測期間經過後的上述觀察值的第3資訊的組合之複數上述學習用資料；以及學習步驟，以組合上述學習用資料中的上述第1資訊與上述第2資訊的資訊為說明變數，而且以上述第3資訊為應答變數，利用上述學習用資料取得步驟中取得的複數上述學習用資料學習，產生可推論指定的上述預測期間經過後的推論觀察值之學習完成模型；上述第2資訊，係編碼可特定上述預測期間的預測期間資訊，成為具有預定 的次元數之向量表示的資訊；上述學習方法，其特徵在於包括：假設現在日期決定步驟，從對應包含時序的上述觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出步驟，關於上述假設現在日期決定步驟決定的1或各個複數上述假設現在日期，在上述原時序資料中，提出對應上述假設現在日期以前的期間之上述原時序資料，作為包含上述第1資訊基礎的時序的上述觀察值之上述時序資料；預測期間決定步驟，關於上述假設現在日期決定步驟決定的1或各個複數上述假設現在日期，決定上述預測期間經過後的時間點對應上述原時序資料的期間內包含之上述第2資訊基礎的至少互不相同的2個上述預測期間；觀察值取得步驟，分別關於上述預測期間決定步驟決定的至少互不相同的2個上述預測期間，從上述原時序資料取得上述第3資訊基礎的上述預測期間經過後的上述觀察值；以及學習用資料產生步驟，藉由組合上述時序資料提出步驟提出的根據包含時序的上述觀察值的1或複數上述時序資料中的1個上述時序資料的上述第1資訊、上述預測期間決定步驟決定的根據包含至少互不相同的2個上述預測期間的複數上述預測期間中的1個上述預測期間的上述第2資訊、以及上述觀察值取得步驟取得的根據上述預測期間經過後的上述觀察值的上述第3資訊，產生複數上述學習用資料；其中，上述學習用資料取得步驟，取得上述學習用資料產生步驟產生的複數上述學習用資料。
10. 一種學習資料產生裝置，其特徵在於：包括： 假設現在日期決定部，從對應包含時序觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出部，關於上述假設現在日期決定部決定的1或各個複數上述假設現在日期，在上述原時序資料中，提出對應上述假設現在日期以前的期間之上述原時序資料，作為包含第1資訊基礎的時序的上述觀察值之時序資料；預測期間決定部，關於上述假設現在日期決定部決定的1或各個複數上述假設現在日期，決定上述預測期間經過後的時間點對應上述原時序資料的期間內包含之上述第2資訊基礎的至少互不相同的2個預測期間；觀察值取得部，分別關於上述預測期間決定部決定的至少互不相同的2個上述預測期間，從上述原時序資料取得第3資訊基礎的上述預測期間經過後的上述觀察值；以及學習用資料產生部，藉由組合上述時序資料提出部提出的根據包含時序的上述觀察值的1或複數上述時序資料中的1個上述時序資料的上述第1資訊、上述預測期間決定部決定的根據包含至少互不相同的2個上述預測期間的複數上述預測期間中的1個上述預測期間的上述第2資訊、以及上述觀察值取得部取得的根據上述預測期間經過後的上述觀察值的上述第3資訊，產生複數學習用資料；上述第2資訊，係編碼可特定上述預測期間的預測期間資訊，成為具有預定的次元數之向量表示的資訊。
11. 一種學習資料產生方法，其特徵在於：包括：假設現在日期決定步驟，從對應包含時序觀察值的1個原時序資料的期間中，決定1或複數假設決定的現在日期的假設現在日期；時序資料提出步驟，關於上述假設現在日期決定步驟中決定的1或各個複數上述假設現在日期，在上述原時序資料中，提出對應上述假設現在日期以前的 期間之上述原時序資料，作為包含上述第1資訊基礎的時序的上述觀察值之時序資料；預測期間決定步驟，關於上述假設現在日期決定步驟中決定的1或各個複數上述假設現在日期，決定上述預測期間經過後的時間點對應上述原時序資料的期間內包含之第2資訊基礎的至少互不相同的2個預測期間；觀察值取得步驟，分別關於上述預測期間決定步驟中決定的至少互不相同的2個上述預測期間，從上述原時序資料取得第3資訊基礎的上述預測期間經過後的上述觀察值；學習用資料產生步驟，藉由組合上述時序資料提出步驟中提出的根據包含時序的上述觀察值的1或複數上述時序資料中的1個上述時序資料的上述第1資訊、上述預測期間決定步驟中決定的根據包含至少互不相同的2個上述預測期間的複數上述預測期間中的1個上述預測期間的上述第2資訊、以及上述觀察值取得步驟中取得的根據上述預測期間經過後的上述觀察值的上述第3資訊，產生複數學習用資料；上述第2資訊，係編碼可特定上述預測期間的預測期間資訊，成為具有預定的次元數之向量表示的資訊。
12. 一種推論裝置，其特徵在於包括：推論用資料取得部，取得推論用資料，組合根據包含時序觀察值的推論用時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入部，以上述推論用資料取得部取得的上述推論用資料作為說明變數，輸入至對應依照如申請專利範圍第1~8項中任一項所述的學習裝置的學習結果之學習完成模型；結果取得部，取得上述學習完成模型輸出作為推論結果之上述指定預測期間經過後的推論觀察值；以及 結果輸出部，輸出上述結果取得部取得的上述推論觀察值；上述第5資訊，係編碼可特定上述指定預測期間的指定預測期間資訊，成為具有預定的次元數之向量表示的資訊。
13. 如申請專利範圍第12項所述的推論裝置，其特徵在於：根據上述推論用資料中的上述第5資訊可特定的上述指定預測期間，係對應上述推論用資料中上述第4資訊基礎的上述推論用時序資料之期間中離現在日期最近的時間點開始的期間。
14. 如申請專利範圍第12項所述的推論裝置，其特徵在於：根據上述推論用資料中的上述第5資訊可特定的上述指定預測期間，係對應上述推論用資料中上述第4資訊基礎的上述推論用時序資料之期間中預定的事件發生時間點開始的期間。
15. 如申請專利範圍第12項所述的推論裝置，其特徵在於：上述第5資訊，在以任意單位表示的全部上述指定預測期間資訊中，係編碼成為具有預定的相同次元數的向量表示之資訊。
16. 如申請專利範圍第12項所述的推論裝置，其特徵在於：上述第4資訊，在上述第4資訊基礎的全部上述推論用時序資料中，係編碼成具有預定的相同次元數的向量表示之資訊。
17. 如申請專利範圍第16項所述的推論裝置，其特徵在於：上述推論用資料輸入部，將連接編碼成向量表示的上述第4資訊與編碼成向量表示的上述第5資訊之向量表示的資訊，作為上述說明變數輸入至上述學習完成模型。
18. 如申請專利範圍第12~17項中任一項所述的推論裝置，其特徵在於：上述結果取得部，取得上述指定預測期間經過後的上述推論觀察值再加上 指示上述推論觀察值的分位點的分位點資訊，作為上述學習完成模型輸出的上述推論結果；上述結果輸出部，輸出上述結果取得部取得的上述推論觀察值再加上上述結果取得部取得的上述分位點資訊。
19. 如申請專利範圍第12~17項中任一項所述的推論裝置，其特徵在於：上述結果取得部，取得上述指定預測期間經過後的上述推論觀察值再加上指示上述推論觀察值的預測分布的預測分布資訊，作為上述學習完成模型輸出的上述推論結果；上述結果輸出部，輸出上述結果取得部取得的上述推論觀察值再加上上述結果取得部取得的上述預測分布資訊。
20. 如申請專利範圍第12項所述的推論裝置，其特徵在於：上述學習完成模型，係以根據包含時序的上述觀察值的1或複數時序資料中的1個上述時序資料的第1資訊、根據包含至少互不相同的2個預測期間的複數上述預測期間中的1個上述預測期間的第2資訊、以及根據上述預測期間經過後的上述觀察值的第3資訊組合的學習用資料中組合上述第1資訊與上述第2資訊的資訊作為說明變數，而且以上述第3資訊作為應答變數，利用複數上述學習用資料學習之對應上述機械學習的上述學習結果的上述學習完成模型。
21. 一種推論方法，其特徵在於包括：推論用資料取得步驟，取得推論用資料，組合根據包含時序觀察值的時序資料的第4資訊以及可特定預測對象的指定預測期間的第5資訊；推論用資料輸入步驟，以上述推論用資料取得步驟中取得的上述推論用資料作為說明變數，輸入至如申請專利範圍第9項所述的學習方法產生之學習完成模型； 結果取得步驟，取得上述學習完成模型輸出作為推論結果之上述指定預測期間經過後的推論觀察值；以及結果輸出步驟，輸出上述結果取得步驟中取得的上述推論觀察值；上述第5資訊，係編碼可特定上述指定預測期間的指定預測期間資訊，成為具有預定的次元數之向量表示的資訊。

Images