JP6458403B2 - Prediction model generation device, prediction model generation method, and program - Google Patents
Prediction model generation device, prediction model generation method, and program Download PDFInfo
- Publication number
- JP6458403B2 JP6458403B2 JP2014170853A JP2014170853A JP6458403B2 JP 6458403 B2 JP6458403 B2 JP 6458403B2 JP 2014170853 A JP2014170853 A JP 2014170853A JP 2014170853 A JP2014170853 A JP 2014170853A JP 6458403 B2 JP6458403 B2 JP 6458403B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- value
- period
- data acquisition
- 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.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、予測モデル生成装置、予測モデル生成方法及びプログラムに関する。 The present invention relates to a prediction model generation device, a prediction model generation method, and a program.
化学プラントや電力プラントなど（以下、プラントとも記す）を制御する際には、プラントの状態を正確に把握することが重要であるが、プラントの状態を把握するために必要となるデータは、センサを用いてオンラインで検出可能なものばかりではなく、オンラインでは検出が困難なものもある。 When controlling a chemical plant or power plant (hereinafter also referred to as a plant), it is important to accurately grasp the state of the plant, but the data necessary to grasp the state of the plant is the sensor In addition to those that can be detected online using, there are some that are difficult to detect online.
このため、検出可能なデータと検出困難なデータとの間で予測モデルを構築し、検出可能なデータから検出困難なデータを予測するソフトセンサと呼ばれる手法が開発されている。 For this reason, a technique called a soft sensor has been developed that builds a prediction model between detectable data and difficult-to-detect data and predicts difficult-to-detect data from the detectable data.
ここで、プラントにおける検出困難なデータを予測する場合には、検出可能な何等かのデータから予測対象データの予測値を出力する予測器を用いて予測を行う場合が多い。この予測器を一般に「予測モデル」と呼ぶ。「予測モデル」は、例えば「統計モデル」のように、過去のデータの実績値を用いて作成することができる。 Here, when predicting difficult-to-detect data in a plant, prediction is often performed using a predictor that outputs a predicted value of prediction target data from some detectable data. This predictor is generally called a “prediction model”. The “prediction model” can be created by using past performance data such as a “statistic model”.
また、予測モデルの精度は、予測モデルを作成する際に用いるデータの選び方や、説明変数として使用する変数の選び方、あるいは予測モデル作成時のパラメータの設定の仕方によって大きく変わる。予測モデル作成時のパラメータとは、例えば部分的最小二乗法における潜在変数の数や、ニューラルネットワークにおける中間層の数等である。 The accuracy of the prediction model varies greatly depending on how to select data used when creating the prediction model, how to select variables used as explanatory variables, and how to set parameters when creating the prediction model. The parameters at the time of creating the prediction model are, for example, the number of latent variables in the partial least square method, the number of intermediate layers in the neural network, and the like.
一方で、いわゆるアンサンブル予測、あるいはアンサンブル学習のように、予測モデルの中に複数種類の要素モデルを含み、各要素モデルの出力の平均をとることで予測精度を向上させようとする手法も開発されている（例えば、非特許文献１参照）。 On the other hand, methods such as so-called ensemble prediction or ensemble learning have been developed to improve the prediction accuracy by including multiple types of element models in the prediction model and averaging the output of each element model. (For example, refer nonpatent literature 1).
このアンサンブル予測を行う場合には、予測モデルを構成する各要素モデルの出力を単に平均しただけでは、精度の悪い要素モデルの影響によって全体の予測精度が低下する。このため、精度の高い要素モデルには大きい重みを設定し、精度の低い要素モデルには小さい重みを設定するように、各要素モデルの出力を加重平均することで精度を高めることも行われている。 When performing this ensemble prediction, simply averaging the output of each element model that constitutes the prediction model reduces the overall prediction accuracy due to the influence of the inaccurate element model. For this reason, a high weight is set for an element model with high accuracy, and a small weight is set for an element model with low accuracy. Yes.
しかしながら、各要素モデルに適切な重みの値はプラントの状態によって時間と共に変動するため、プラントの状態の変化を考慮して各要素モデルの重みを適切に変更できるような技術が求められている。 However, since the weight value appropriate for each element model varies with time depending on the state of the plant, there is a need for a technique that can appropriately change the weight of each element model in consideration of changes in the state of the plant.
本発明はこのような課題を鑑みてなされたものであり、プラントなどの制御対象システムにおける予測対象データの値をアンサンブル予測を用いて予測する場合に、制御対象システムの状態の変化を考慮して、予測モデルを構成する各要素モデルの重みを適切に変更できるような予測モデルを生成可能な予測モデル生成装置、予測モデル生成方法及びプログラムを提供することを一つの目的とする。 The present invention has been made in view of such problems, and in the case of predicting the value of prediction target data in a control target system such as a plant using ensemble prediction, takes into account the change in the state of the control target system. Another object is to provide a prediction model generation device, a prediction model generation method, and a program capable of generating a prediction model that can appropriately change the weight of each element model constituting the prediction model.
上記課題を解決するための手段の一つは、制御対象システムにおける予測対象データの値を、前記予測対象データとは異なる検出データの値から予測するための予測モデルを生成する予測モデル生成装置であって、前記検出データ及び前記予測対象データの過去の実績値を用いて、前記検出データから前記予測対象データを予測するための複数種類の要素モデルを作成する要素モデル作成部と、過去の連続する複数の単位長さのデータ取得期間のうちの、前記予測対象データの予測対象時点から、前記制御対象システムの特性の変動周期に対応する所定の遡及期間だけ遡った時点を含む第１データ取得期間に得られた前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記第１データ取得期間における前記予測対象データの実績値と、の一致の度合いに応じた重み係数を前記要素モデル毎に算出する重み算出部と、前記予測対象時点における前記検出データの値と前記各要素モデルとを用いて算出される前記要素モデル毎の暫定予測値に前記各要素モデルの前記重み係数を乗じて得られるそれぞれの値を合計するように、前記予測モデルを生成する予測モデル生成部と、を備える。 One of means for solving the above problem is a prediction model generation device that generates a prediction model for predicting the value of the prediction target data in the control target system from the detection data value different from the prediction target data. there are, the detected data and using the historical data of the prediction target data, and the detection element model creation unit that creates a plurality of types of element models for predicting the predicted target data from the data, a sequence of past First data acquisition including a time point that is back by a predetermined retroactive period corresponding to a fluctuation cycle of the characteristics of the control target system from the prediction target time point of the prediction target data among the plurality of unit length data acquisition periods A provisional prediction value for each element model of the prediction target data calculated using the actual value of the detection data obtained in a period and each element model; A weight calculation unit that calculates, for each element model, a weighting factor according to the degree of coincidence with the actual value of the prediction target data in the first data acquisition period, the value of the detection data at the prediction target time point, and the Prediction model generation for generating the prediction model so as to add the respective values obtained by multiplying the provisional prediction value for each element model calculated by using each element model by the weighting factor of each element model A section.
その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄の記載、及び図面の記載等により明らかにされる。 In addition, the problems disclosed by the present application and the solutions thereof will be clarified by the description in the column of the embodiment for carrying out the invention and the description of the drawings.
本発明によれば、アンサンブル予測における各要素モデルの重みを、制御対象システムの状態の変化を考慮して適切に変更できる。 According to the present invention, the weight of each element model in the ensemble prediction can be appropriately changed in consideration of the change in the state of the controlled system.
本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。 At least the following matters will become apparent from the description of this specification and the accompanying drawings.
本実施形態に係る予測モデル生成装置１００の全体構成を図１及び図２に示す。図１は、予測モデル生成装置１００のハードウェア構成を説明するための図であり、図２は、予測モデル生成装置１００の機能構成を説明するための図である。 An overall configuration of the prediction model generation apparatus 100 according to the present embodiment is shown in FIGS. 1 and 2. FIG. 1 is a diagram for explaining a hardware configuration of the prediction model generation device 100, and FIG. 2 is a diagram for explaining a functional configuration of the prediction model generation device 100.
本実施形態に係る予測モデル生成装置１００は、各種のプラントＰ（不図示）において、オンラインで検出することが困難な、予測対象データ（出力変数）の値を、オンラインで検出することが可能な検出データ（入力変数）の値から予測するための予測モデルを生成する情報処理装置である。 The prediction model generation apparatus 100 according to the present embodiment can detect the values of prediction target data (output variables) that are difficult to detect online in various plants P (not shown) online. The information processing apparatus generates a prediction model for prediction from the value of detection data (input variable).
図１に示すように、本実施形態に係る予測モデル生成装置１００は、ＣＰＵ（Central Processing Unit）１１０、メモリ１２０、通信装置１３０、記憶装置１４０、入力装置１５０、出力装置１６０及び記録媒体読取装置１７０を有して構成されるコンピュータである。 As shown in FIG. 1, a prediction model generation device 100 according to the present embodiment includes a CPU (Central Processing Unit) 110, a memory 120, a communication device 130, a storage device 140, an input device 150, an output device 160, and a recording medium reading device. The computer is configured to include 170.
ＣＰＵ１１０は予測モデル生成装置１００の全体の制御を司るもので、記憶装置１４０に記憶される本実施形態に係る各種の動作を行うためのコードから構成される制御プログラム６００をメモリ１２０に読み出して実行することにより、予測モデル生成装置１００としての各種機能を実現する。 The CPU 110 is responsible for overall control of the prediction model generation device 100, and reads and executes the control program 600 composed of codes for performing various operations according to the present embodiment stored in the storage device 140. By doing so, various functions as the prediction model generation device 100 are realized.
例えば、詳細は後述するが、ＣＰＵ１１０により制御プログラム６００が実行され、メモリ１２０や通信装置１３０、記憶装置１４０等のハードウェア機器と協働することにより、モデル作成部１０１、精度指標値算出部１０２、モデル精度評価部１０３、重み算出部１０４、モデル合成部１０５などが実現される。 For example, although details will be described later, the control program 600 is executed by the CPU 110 and cooperates with hardware devices such as the memory 120, the communication device 130, and the storage device 140, so that the model creation unit 101 and the accuracy index value calculation unit 102. A model accuracy evaluation unit 103, a weight calculation unit 104, a model synthesis unit 105, and the like are realized.
メモリ１２０は例えば半導体記憶装置により構成することができる。 The memory 120 can be configured by a semiconductor memory device, for example.
通信装置１３０は、ネットワークカードなどのネットワークインタフェースである。通信装置１３０は、インターネットやＬＡＮ（Local Area Network）などのネットワークを介して他のコンピュータからデータを受信し、受信したデータを記憶装置１４０やメモリ１２０に記憶する。また通信装置１３０は、記憶装置１４０やメモリ１２０に記憶されているデータを、ネットワークを介して他のコンピュータへ送信する。 The communication device 130 is a network interface such as a network card. The communication device 130 receives data from another computer via a network such as the Internet or a LAN (Local Area Network), and stores the received data in the storage device 140 or the memory 120. Further, the communication device 130 transmits data stored in the storage device 140 or the memory 120 to another computer via the network.
入力装置１５０は、キーボードやマウス、マイク等の装置であり、予測モデル生成装置１００の操作者による情報の入力を受け付けるためのユーザインタフェースとして機能する装置である。出力装置１６０は、ＬＣＤ（Liquid Crystal Display）やプリンタ、スピーカ等の装置であり、情報を出力するためのユーザインタフェースとして機能する装置である。 The input device 150 is a device such as a keyboard, a mouse, or a microphone, and functions as a user interface for accepting input of information by an operator of the prediction model generation device 100. The output device 160 is a device such as an LCD (Liquid Crystal Display), a printer, or a speaker, and functions as a user interface for outputting information.
記憶装置１４０は、例えばハードディスク装置や半導体記憶装置等により構成することができる。記憶装置１４０は、各種プログラムやデータ、テーブル等を記憶するための物理的な記憶領域を提供する装置である。なお記憶装置１４０は、通信可能に接続される他のコンピュータが備えるように構成されていてもよい。 The storage device 140 can be constituted by, for example, a hard disk device or a semiconductor storage device. The storage device 140 is a device that provides a physical storage area for storing various programs, data, tables, and the like. Note that the storage device 140 may be configured to be included in another computer that is communicably connected.
図３には、記憶装置１４０に制御プログラム６００、プラントデータ記憶テーブル７００、及び精度指標値記憶テーブル７１０が記憶されている様子を示す。 FIG. 3 shows a state in which the control program 600, the plant data storage table 700, and the accuracy index value storage table 710 are stored in the storage device 140.
プラントデータ記憶テーブル７００は、図４に示すように、プラントＰに関する各種のセンサによってオンラインで所定時間毎に（本実施形態では１分毎に）検出される検出データの実績値の他に、オンラインでは検出が困難な予測対象データの予測値が記憶されている。 As shown in FIG. 4, the plant data storage table 700 includes an online value in addition to the actual value of the detected data that is detected on-line every predetermined time (in this embodiment, every minute) by various sensors related to the plant P. The prediction value of the prediction target data that is difficult to detect is stored.
図４に示すように、本実施形態に係るプラントデータ記憶テーブル７００には、オンラインで検出される検出データの値が測定された日時を示す日時情報と対応付けて、その日時における検出データの実績値（温度の実績値、圧力の実績値、流量の実績値）が記録されている。 As shown in FIG. 4, the plant data storage table 700 according to the present embodiment associates with the date / time information indicating the date / time when the value of the detected data detected online is measured, and the actual result of the detected data at that date / time. Values (actual value of temperature, actual value of pressure, actual value of flow rate) are recorded.
なお本実施形態におけるプラントＰは、濃度をオンラインで検出することが困難であり、図４に示すように、本実施形態に係る予測モデルを用いて算出された濃度の予測値が記録されている。濃度の実績値は、別途の処理によって値が判明する所定時間（例えば数分ないし数時間）が経過した後に、プラントデータ記憶テーブル７００に記録される。そのため図４において濃度の実績値欄の値は、カッコ内に記載されている。 Note that it is difficult for the plant P in the present embodiment to detect the concentration online, and as shown in FIG. 4, the predicted value of the concentration calculated using the prediction model according to the present embodiment is recorded. . The actual value of the concentration is recorded in the plant data storage table 700 after a predetermined time (for example, several minutes to several hours) for which the value is found by separate processing has elapsed. For this reason, the values in the actual density value column in FIG. 4 are shown in parentheses.
なお、以下の説明において、プラントデータ記憶テーブル７００に記憶されるデータのことをプラントデータとも記す。またこれらのデータが得られる検出タイミングを、サンプリングタイミングとも記す。 In the following description, data stored in the plant data storage table 700 is also referred to as plant data. The detection timing at which these data are obtained is also referred to as sampling timing.
精度指標値記憶テーブル７１０は、図５に示すように、過去の複数の連続するデータ取得期間（図５に示す例では９／１〜９／８の連続する各日）における複数種類の要素モデル（モデルＩＤ＝１〜Ｋ）のそれぞれの精度指標値（Sjk、及びTk）を記録したテーブルである。精度指標値は、予測モデルを構成する複数種類の要素モデルがそれぞれ算出する予測対象データの予測値（暫定予測値）と、予測対象データの実績値と、の一致の度合いを示す指標値である。 As shown in FIG. 5, the accuracy index value storage table 710 includes a plurality of types of element models in a plurality of past continuous data acquisition periods (in the example shown in FIG. 5, 9/1 to 9/8 consecutive days). It is the table which recorded each accuracy index value (Sjk and Tk) of (model ID = 1-K). The accuracy index value is an index value indicating the degree of coincidence between the predicted value (provisional predicted value) of the prediction target data calculated by each of a plurality of types of element models constituting the prediction model and the actual value of the prediction target data. .
本実施形態に係る予測モデル生成装置１００が生成する予測モデルは、アンサンブル予測を行うために複数種類の要素モデルを有して構成されているが、各要素モデルは、精度が高いものや精度が低いものがある。そのため、本実施形態に係る予測モデル生成装置１００が生成する予測モデルは、これらの要素モデルの算出値に所定の重み係数を乗じたものを合計することで、予測対象データの予測値を算出する。なお重み係数は、予測精度が高い要素モデルほど大きな値になるように設定される。 The prediction model generated by the prediction model generation device 100 according to the present embodiment is configured to include a plurality of types of element models in order to perform ensemble prediction. However, each element model has high accuracy or accuracy. Some are low. Therefore, the prediction model generated by the prediction model generation device 100 according to the present embodiment calculates the prediction value of the prediction target data by summing the calculated values of these element models multiplied by a predetermined weighting factor. . The weighting factor is set so that the element model with higher prediction accuracy has a larger value.
図３に戻って、制御プログラム６００は、記録媒体読取装置１７０を用いて、記録媒体（各種の光ディスクや磁気ディスク、半導体メモリ等）８００から記憶装置１４０に読み出すことで、予測モデル生成装置１００に格納されるようにすることもできるし、通信装置１３０を介して通信可能に接続される他のコンピュータから取得することで、予測モデル生成装置１００に格納されるようにすることもできる。 Returning to FIG. 3, the control program 600 uses the recording medium reader 170 to read from the recording medium (various optical disks, magnetic disks, semiconductor memories, etc.) 800 to the storage device 140, thereby causing the prediction model generation apparatus 100 to read the control program 600. It can also be stored, or can be stored in the prediction model generation device 100 by being acquired from another computer that is communicably connected via the communication device 130.
次に、図２に示すように、本実施形態に係る予測モデル生成装置１００は、モデル作成部１０１、精度指標値算出部１０２、モデル精度評価部１０３、重み算出部１０４、モデル合成部１０５の各機能ブロックを備えて構成されている。 Next, as illustrated in FIG. 2, the prediction model generation apparatus 100 according to the present embodiment includes a model creation unit 101, an accuracy index value calculation unit 102, a model accuracy evaluation unit 103, a weight calculation unit 104, and a model synthesis unit 105. Each functional block is configured.
モデル作成部１０１は、プラントデータ記憶テーブル７００に記録されている検出データ（温度、圧力、流量）の過去の実績値と、予測対象データ（濃度）の過去の実績値と、を用いて、検出データから予測対象データを予測するための複数種類の要素モデルを作成する。詳細は後述するが、本実施形態では、予測モデル生成装置１００は、７／７〜８／３１までの過去の検出データ（温度、圧力、流量）の実績値と、予測対象データ（濃度）の実績値と、を用いて、１５種類の要素モデルを作成する。 The model creation unit 101 detects using the past actual value of the detection data (temperature, pressure, flow rate) recorded in the plant data storage table 700 and the past actual value of the prediction target data (concentration). Create multiple types of element models for predicting target data from data. Although details will be described later, in the present embodiment, the prediction model generation device 100 includes the past detection data (temperature, pressure, flow rate) from 7/7 to 8/31 and the prediction target data (concentration). 15 types of element models are created using the actual values.
精度指標値算出部１０２は、過去の複数の連続するデータ取得期間（本実施形態では９／１〜９／８の連続する各日）における検出データ（温度、圧力、流量）の実績値と、予測対象データ（濃度）の実績値と、上記の複数種類の要素モデルと、を用いて、データ取得期間毎に、各要素モデルの精度指標値（Sjk,Tk）を求める。上述した様に、精度指標値は、各要素モデルから算出される予測対象データの予測値（暫定予測値）と、予測対象データの実績値と、の一致の度合いを示す指標値である。 The accuracy index value calculation unit 102 includes actual values of detection data (temperature, pressure, flow rate) in a plurality of continuous data acquisition periods in the past (each day of 9/1 to 9/8 in the present embodiment), The accuracy index value (Sjk, Tk) of each element model is obtained for each data acquisition period using the actual value of the prediction target data (concentration) and the above-described plural types of element models. As described above, the accuracy index value is an index value indicating the degree of coincidence between the predicted value of the prediction target data (provisional prediction value) calculated from each element model and the actual value of the prediction target data.
具体的には、精度指標値算出部１０２は、各データ取得期間に得られた検出データの実績値と、各要素モデルと、を用いて、各データ取得期間における予測対象データ（濃度）の予測値（暫定予測値）を要素モデル毎に算出する。 Specifically, the accuracy index value calculation unit 102 predicts the prediction target data (concentration) in each data acquisition period using the actual value of the detection data obtained in each data acquisition period and each element model. A value (provisional predicted value) is calculated for each element model.
そして精度指標値算出部１０２は、要素モデル毎に算出した上記暫定予測値と、予測対象データの実績値と、の一致の度合いを示す精度指標値を要素モデル毎に算出する。そして精度指標値算出部１０２は、この精度指標値を、精度指標値記憶テーブル７１０に記録する。 Then, the accuracy index value calculation unit 102 calculates, for each element model, an accuracy index value indicating the degree of coincidence between the provisional prediction value calculated for each element model and the actual value of the prediction target data. Then, the accuracy index value calculation unit 102 records the accuracy index value in the accuracy index value storage table 710.
そしてモデル精度評価部１０３は、上記各データ取得期間（９／１〜９／８の連続する各日）の要素モデル毎の精度指標値の類似度に基づいて、類似度が最も高い２つのデータ取得期間（第２データ取得期間（例えば９／８）と第３データ取得期間（例えば９／６））を選出し、これらのデータ取得期間の間隔（２日）を求める。この間隔は、以下に述べる遡及期間となる。 Then, the model accuracy evaluation unit 103 calculates the two data with the highest similarity based on the similarity of the accuracy index value for each element model in each of the data acquisition periods (each day from 9/1 to 9/8). An acquisition period (second data acquisition period (for example, 9/8) and third data acquisition period (for example, 9/6)) is selected, and an interval (2 days) between these data acquisition periods is obtained. This interval is the retroactive period described below.
重み算出部１０４は、予測対象データの予測対象時点（例えば９／９の各時点）から上記遡及時間（２日）だけ遡った時点（９／７の対応する時点）を含む第１データ取得期間（９／７）に得られた各要素モデルの精度指標値を用いて、各要素モデルの予測精度に応じた重み係数を算出する。第１データ取得期間（９／７）に得られた各要素モデルの精度指標値は、精度指標値記憶テーブル７１０に記録されているので、重み算出部１０４は、この精度指標値記憶テーブル７１０に記録されている精度指標値を利用して、重み係数を算出する。 The weight calculation unit 104 includes a first data acquisition period including a time point (a time point corresponding to 9/7) that is traced back by the retroactive time (2 days) from the prediction time point (for example, each time point 9/9) of the prediction target data. A weighting factor corresponding to the prediction accuracy of each element model is calculated using the accuracy index value of each element model obtained in (9/7). Since the accuracy index value of each element model obtained in the first data acquisition period (9/7) is recorded in the accuracy index value storage table 710, the weight calculation unit 104 stores the accuracy index value in the accuracy index value storage table 710. A weighting factor is calculated using the recorded accuracy index value.
もちろん重み算出部１０４は、精度指標値記憶テーブル７１０に記録されている精度指標値を利用せずに、プラントデータ記憶テーブル７００に記録されている第１データ取得期間（９／７）に得られた検出データ（温度、圧力、流量）の実績値と、予測対象データ（濃度）の実績値と、各要素モデルと、を用いて、重み係数を算出してもよい。 Of course, the weight calculation unit 104 is obtained in the first data acquisition period (9/7) recorded in the plant data storage table 700 without using the accuracy index value recorded in the accuracy index value storage table 710. The weight coefficient may be calculated using the actual value of the detected data (temperature, pressure, flow rate), the actual value of the prediction target data (concentration), and each element model.
なおこのとき、重み算出部１０４は、暫定予測値と実績値との一致の度合いが高い要素モデルほど大きな値となるように、各要素モデルの重み係数を算出する。また、要素モデルに重み係数を乗じたものを、以下、重み付き要素モデルとも記す。 At this time, the weight calculation unit 104 calculates the weight coefficient of each element model so that the element model having a higher degree of coincidence between the provisional prediction value and the actual value has a larger value. Further, what is obtained by multiplying the element model by the weighting coefficient is hereinafter also referred to as a weighted element model.
モデル合成部１０５は、予測対象時点（９／９の各時点）における検出データの値と、各重み付き要素モデルと、を用いてそれぞれ算出される重み付きの暫定予測値を合計することにより、予測対象時点における予測対象データの予測値が算出されるような予測モデルを生成する。 The model synthesizing unit 105 sums the weighted provisional prediction values respectively calculated using the detection data value at each prediction target time point (each time point 9/9) and each weighted element model, A prediction model is generated so that the prediction value of the prediction target data at the prediction target time is calculated.
もちろん、予測モデルは予測対象時点が到来する前に生成されている必要があるため、９／９に使用される予測モデルをモデル合成部１０５が生成するのは、９／９よりも前である。 Of course, since the prediction model needs to be generated before the prediction target time point arrives, the model synthesis unit 105 generates the prediction model used for 9/9 before 9/9. .
このように生成された予測モデルを構成する各重み付き要素モデルの予測精度は、各重み付き要素モデルによって異なるが、一方で、重み付き要素モデルが同一であっても、その重み付き要素モデルに入力されるデータによって出力データの予測精度は変わる。そのため、例えば９／６の検出データを用いて算出した予測対象データの予測値の精度は、９／７の検出データを用いて算出した予測対象データの精度と、同じとは限らない。 The prediction accuracy of each weighted element model constituting the prediction model generated in this way varies depending on each weighted element model, but on the other hand, even if the weighted element model is the same, The prediction accuracy of the output data varies depending on the input data. Therefore, for example, the accuracy of the prediction value of the prediction target data calculated using the 9/6 detection data is not necessarily the same as the accuracy of the prediction target data calculated using the 9/7 detection data.
一般的にプラントＰの状態は時間の経過と共に変化しており、検出データの特性もプラントＰの状態の変化に伴って変化する。例えば、温度が通常よりも高めの傾向を示す日があったり、圧力が通常よりも高めの傾向を示す日があったり、というような変動がプラントＰには存在する。 Generally, the state of the plant P changes with the passage of time, and the characteristics of the detected data also change as the state of the plant P changes. For example, there are fluctuations in the plant P such that there are days when the temperature tends to be higher than usual, and there are days when the pressure tends to be higher than usual.
このようなプラントＰの変動を生じさせる理由は様々であるが、多くの場合は、何らかの周期性をもって特性が変化する。 There are various reasons for causing such fluctuations in the plant P. In many cases, the characteristics change with some periodicity.
本実施形態に係る予測モデル生成装置１００は、予測モデルを生成するにあたり、このような周期性をとらえて遡及期間とし、予測対象データの予測対象時点から遡及期間だけ遡った過去のプラントデータの実績値を使って求めた各要素モデルの予測精度を基に、各要素モデルの重み係数を算出する。そしてこの重み係数で各要素モデルの算出値（暫定予測値）を加重平均するようにしている。従って、例えば翌日になれば、予測モデルを構成する各要素モデルの重み係数はまた新たな値に更新される。 When generating a prediction model, the prediction model generation apparatus 100 according to the present embodiment captures such periodicity as a retroactive period, and records the past plant data from the prediction target point of the prediction target data by the retroactive period. Based on the prediction accuracy of each element model obtained using the value, the weighting coefficient of each element model is calculated. Then, the weighted average of the calculated values (provisional prediction values) of each element model is performed using this weighting coefficient. Therefore, for example, on the next day, the weighting coefficient of each element model constituting the prediction model is updated to a new value.
このように、本実施形態に係る予測モデル生成装置１００は、プラントＰの状態の変化を考慮して各要素モデルの重み係数を変更できるため、プラントＰの状態の変化に合わせて各要素モデルの重み係数を適切な値に維持することができる。このため、本実施形態に係る予測モデル生成装置１００によって生成された予測モデルを用いることによって、予測対象データを継続的に高精度に予測することができる。 As described above, the prediction model generation apparatus 100 according to the present embodiment can change the weighting factor of each element model in consideration of the change in the state of the plant P. The weighting factor can be maintained at an appropriate value. Therefore, by using the prediction model generated by the prediction model generation device 100 according to this embodiment, it is possible to predict the prediction target data continuously with high accuracy.
次に、図６〜図１２を参照しながら、本実施形態に係る予測モデル生成装置１００について、具体的に説明する。 Next, the prediction model generation apparatus 100 according to the present embodiment will be specifically described with reference to FIGS.
まず、本実施形態に係る予測モデル生成装置１００が扱う統計モデルである回帰モデルとしての予測モデルは、予測対象データ（出力変数）と、それを予測するために使用する検出データ（入力変数）に対して、後者から前者を表す入出力モデルである。 First, a prediction model as a regression model, which is a statistical model handled by the prediction model generation device 100 according to the present embodiment, includes prediction target data (output variables) and detection data (input variables) used for predicting the prediction target data. On the other hand, it is an input / output model representing the former from the latter.
そして本実施形態に係る予測モデル生成装置１００は、入力変数と出力変数の一定の入出力特性を持つ過去のデータを元に、予測モデルを作成する。 And the prediction model production | generation apparatus 100 which concerns on this embodiment produces a prediction model based on the past data which has a fixed input-output characteristic of an input variable and an output variable.
これにより例えば図６に示すように、線形の重回帰モデルや部分的最小二乗法、非線形なニューラルネットワークモデルが作成される。そして予測モデル生成装置１００によって作成された予測モデルに入力変数データが入力されることにより出力変数データが出力され、これが一定のサンプリング周期（例えば１分）ごとに実行される。 As a result, for example, as shown in FIG. 6, a linear multiple regression model, a partial least square method, and a nonlinear neural network model are created. Then, when input variable data is input to the prediction model created by the prediction model generation device 100, output variable data is output, and this is executed every certain sampling period (for example, 1 minute).
次に、図７に示すように、予測モデル生成装置１００は、予測モデルを作成するために使用するモデル作成用データ、変数の選び方、パラメータの設定を変えて、複数種類の要素モデルを作成する。 Next, as illustrated in FIG. 7, the prediction model generation apparatus 100 generates a plurality of types of element models by changing model generation data, variable selection, and parameter settings used to generate the prediction model. .
また図８に示すように、予測モデル生成装置１００によって作成される予測モデルは、上記のようにして得られた複数種類の要素モデルのそれぞれに入力データを与えて得られる個々の出力に対して、重み付平均を施した値を、予測値として出力する。 Also, as shown in FIG. 8, the prediction model created by the prediction model generation device 100 is for each output obtained by giving input data to each of a plurality of types of element models obtained as described above. The value subjected to the weighted average is output as a predicted value.
ここで、各要素モデルに付加される重み係数の設定処理について、以下に述べる。 Here, the setting process of the weighting coefficient added to each element model will be described below.
本実施形態に係る予測モデル生成装置１００は、「モデル作成期間」に得られたデータの実績値を用いて複数種類の要素モデルを作成した後に、各要素モデルに重み係数を設定するためのデータ期間として「重み評価期間」及び「予測精度評価期間」を設定する。 The prediction model generation device 100 according to the present embodiment generates data for setting a weighting factor for each element model after creating a plurality of types of element models using actual values of data obtained in the “model creation period”. As a period, a “weight evaluation period” and a “prediction accuracy evaluation period” are set.
本実施形態では、一例として、「モデル作成期間」は連続する複数の日から構成され、「重み評価期間」も連続する複数の日から構成され、「予測精度評価期間」は一日で構成される。本実施形態における、モデル作成期間、重み評価期間、予測精度評価期間のそれぞれの時系列上の関係を図９に示す。 In this embodiment, as an example, the “model creation period” is composed of a plurality of consecutive days, the “weight evaluation period” is also composed of a plurality of consecutive days, and the “prediction accuracy evaluation period” is composed of one day. The FIG. 9 shows the relationship in time series of the model creation period, weight evaluation period, and prediction accuracy evaluation period in this embodiment.
予測モデル生成装置１００は、モデル作成期間において、プラントＰからの検出データの実績値と、予測対象データの実績値と、を用いて、複数種類の要素モデルを作成する。 The prediction model generation device 100 creates a plurality of types of element models using the actual value of the detection data from the plant P and the actual value of the prediction target data in the model creation period.
その後、予測モデル生成装置１００は、重み評価期間及び予測精度評価期間の各日において、各要素モデルの精度指標値を算出する。なお、図５の精度指標値記憶テーブル７１０に示すように、説明の便宜上、重み評価期間における各要素モデルの精度指標値をSjkで表し、予測精度評価期間における各要素モデルの精度指標値をTkで表す。 Thereafter, the prediction model generation device 100 calculates the accuracy index value of each element model on each day of the weight evaluation period and the prediction accuracy evaluation period. As shown in the accuracy index value storage table 710 of FIG. 5, for convenience of explanation, the accuracy index value of each element model in the weight evaluation period is represented by Sjk, and the accuracy index value of each element model in the prediction accuracy evaluation period is represented by Tk. Represented by
また予測モデル生成装置１００は、予測精度評価期間において、予測精度評価期間における精度指標値と相関性の高い精度指標値が算出された重み評価期間中の日を特定する。このとき、予測精度評価期間が第２データ取得期間に相当し、重み評価期間中の上記特定された日が第３データ取得期間に相当する。 In addition, the prediction model generation device 100 identifies a day in the weight evaluation period in which an accuracy index value highly correlated with the accuracy index value in the prediction accuracy evaluation period is calculated in the prediction accuracy evaluation period. At this time, the prediction accuracy evaluation period corresponds to the second data acquisition period, and the specified day in the weight evaluation period corresponds to the third data acquisition period.
そして予測モデル生成装置１００は、第２データ取得期間から第３データ取得期間までの間隔を、遡及期間として定める。 And the prediction model production | generation apparatus 100 determines the space | interval from a 2nd data acquisition period to a 3rd data acquisition period as a retroactive period.
なお、予測精度評価期間は予測対象データの予測値と実績値が得られている最後（最も新しい）の単位期間（例えば１日）である。一方「重み評価期間」は「予測精度評価期間」に先行し、単位期間の整数倍の期間である（例えば予測精度評価期間に先行する１週間（７日分）とする）。その様子を図１０に示す。 The prediction accuracy evaluation period is the last (newest) unit period (for example, one day) during which the predicted value and the actual value of the prediction target data are obtained. On the other hand, the “weight evaluation period” precedes the “prediction accuracy evaluation period” and is a period that is an integral multiple of the unit period (for example, one week (for 7 days) preceding the prediction accuracy evaluation period). This is shown in FIG.
予測モデル生成装置１００は、上記のようにして設定した予測精度評価期間と重み評価期間の各日のデータを用いて、各要素モデルに検出データの実績値を入力し、要素モデル毎に、予測対象データの予測値（暫定予測値）を得る。 The prediction model generation device 100 inputs the actual value of the detection data to each element model using the data of each day of the prediction accuracy evaluation period and the weight evaluation period set as described above, and performs prediction for each element model. A predicted value (provisional predicted value) of the target data is obtained.
またこれらの期間においては予測対象データの実績値も得られているため、予測モデル生成装置１００は、予測精度を評価する。 In addition, since the actual value of the prediction target data is also obtained during these periods, the prediction model generation device 100 evaluates the prediction accuracy.
具体的には、予測モデル生成装置１００は、単位期間ごとに、後述する精度評価指標（予測精度評価期間における各要素モデルの精度指標値）ならびに重み設定指標（重み評価期間における各要素モデルの精度指標値）を計算し、予測精度評価期間における各要素モデルの精度評価指標と、重み評価期間の各日における各要素モデルの重み設定指標と、を比較する。具体的に各期間につき、各要素モデルから各指標が計算される様子を図１１に示す。 Specifically, the prediction model generation apparatus 100 performs, for each unit period, an accuracy evaluation index (an accuracy index value of each element model in the prediction accuracy evaluation period) and a weight setting index (accuracy of each element model in the weight evaluation period) described later. Index value) is calculated, and the accuracy evaluation index of each element model in the prediction accuracy evaluation period is compared with the weight setting index of each element model on each day of the weight evaluation period. Specifically, FIG. 11 shows how each index is calculated from each element model for each period.
次に、予測モデル生成装置１００が、予測精度評価期間におけるデータに対して行う処理と精度評価指標について説明する。 Next, processing performed by the prediction model generation apparatus 100 for data in the prediction accuracy evaluation period and accuracy evaluation indexes will be described.
予測モデル生成装置１００は、予測精度評価期間（１日）での精度評価指標を、例えば式（１）に示す算出式を用いて算出する。この精度評価指標（以下、精度評価指標１とも記す）は、予測精度評価期間における予測対象データの暫定予測値と実績値の乖離度を表す指標であり、予測対象データの暫定予測値と実績値の差のp-ノルムである。精度評価指標１は、値が小さいほど予測精度が高いことを示す。 The prediction model generation device 100 calculates an accuracy evaluation index in the prediction accuracy evaluation period (1 day) using, for example, a calculation formula shown in Formula (1). This accuracy evaluation index (hereinafter also referred to as accuracy evaluation index 1) is an index that represents the degree of divergence between the provisional prediction value and the actual value of the prediction target data in the prediction accuracy evaluation period, and the provisional prediction value and the actual value of the prediction target data. P-norm of the difference between The accuracy evaluation index 1 indicates that the smaller the value, the higher the prediction accuracy.
ここでpの値は任意に選ぶことができ、p=2のときにはＲＭＳＥ（２乗平均誤差平方根）のM倍となる。Mは単位期間の長さで固定値であるので2-ノルムはＲＭＳＥに比例するため、以降では2-ノルムの代わりにＲＭＳＥを用いて評価する場合もある。これにより、精度評価指標の算出を簡易に行うことが可能になる。 Here, the value of p can be arbitrarily selected. When p = 2, it is M times RMSE (root mean square error). Since M is the length of the unit period and is a fixed value, the 2-norm is proportional to the RMSE. Henceforth, evaluation may be performed using the RMSE instead of the 2-norm. This makes it possible to easily calculate the accuracy evaluation index.
また予測モデル生成装置１００は、予測精度評価期間（１日）での精度評価指標を、例えば式（２）に示す算出式を用いて算出することもできる。この精度評価指標（以下、精度評価指標２とも記す）は、予測精度評価期間における予測対象データの暫定予測値と実績値の相関係数を表す指標である。精度評価指標２は、値が大きいほど（＋１に近いほど）、予測精度が高いことを示す。 The prediction model generation apparatus 100 can also calculate an accuracy evaluation index in the prediction accuracy evaluation period (1 day) using, for example, a calculation formula shown in Formula (2). This accuracy evaluation index (hereinafter also referred to as accuracy evaluation index 2) is an index representing a correlation coefficient between the provisional prediction value and the actual value of the prediction target data in the prediction accuracy evaluation period. The accuracy evaluation index 2 indicates that the larger the value (closer to +1), the higher the prediction accuracy.
次に、予測モデル生成装置１００が、重み評価期間におけるデータに対して行う処理と重み設定指標について説明する。 Next, processing performed by the prediction model generation apparatus 100 for data in the weight evaluation period and a weight setting index will be described.
予測モデル生成装置１００は、重み評価期間（例えば単位期間を１日として予測精度評価期間に先行するn日）での重み設定指標を、例えば式（３）に示す算出式を用いて算出する。予測モデル生成装置１００は、予測精度評価期間における精度評価指標としてp-ノルムを用いた場合は、式（３）のように、重み設定指標にもp-ノルムを用いる。この重み設定指標（以下、重み設定指標１とも記す）は、重み評価期間の各日における予測対象データの暫定予測値と実績値の乖離度を表す指標であり、予測対象データの暫定予測値と実績値の差のp-ノルムである。重み設定指標１は、値が小さいほど予測精度が高いことを示す。 The prediction model generation device 100 calculates a weight setting index in a weight evaluation period (for example, n days preceding the prediction accuracy evaluation period with a unit period as one day) using, for example, a calculation formula shown in Expression (3). When the p-norm is used as the accuracy evaluation index in the prediction accuracy evaluation period, the prediction model generation apparatus 100 also uses the p-norm as the weight setting index as in Expression (3). This weight setting index (hereinafter also referred to as weight setting index 1) is an index that represents the degree of divergence between the provisional prediction value of the prediction target data and the actual value on each day in the weight evaluation period, and the provisional prediction value of the prediction target data This is the p-norm of the actual value difference. The weight setting index 1 indicates that the smaller the value, the higher the prediction accuracy.
また予測モデル生成装置１００は、予測精度評価期間における精度評価指標として相関係数を用いた場合は、式（４）のように、重み設定指標にも相関係数を用いる。 Further, when the correlation coefficient is used as the accuracy evaluation index in the prediction accuracy evaluation period, the prediction model generation apparatus 100 also uses the correlation coefficient as the weight setting index as in Expression (4).
この重み設定指標（以下、重み設定指標２とも記す）は、重み評価期間の各日における予測対象データの暫定予測値と実績値の相関係数を表す指標である。重み設定指標２は、値が大きいほど（＋１に近いほど）予測精度が高いことを示す。 This weight setting index (hereinafter also referred to as weight setting index 2) is an index representing the correlation coefficient between the provisional prediction value and the actual value of the prediction target data on each day of the weight evaluation period. The weight setting index 2 indicates that the larger the value (closer to +1), the higher the prediction accuracy.
なお、予測値と実績値の乖離度（p-ノルム）は値が小さいほど精度が高く、相関係数は値が大きいほど精度が高い指標である。したがって予測モデル生成装置１００は、精度評価指標に乖離度を用いる場合は重み評価指標も乖離度を用い、精度評価指標に相関係数を用いる場合は重み評価指標も相関係数を用いる。 The degree of deviation (p-norm) between the predicted value and the actual value is higher as the value is smaller, and the correlation coefficient is an index that is higher as the value is larger. Therefore, the prediction model generation apparatus 100 uses the divergence degree as the weight evaluation index when the divergence degree is used as the accuracy evaluation index, and uses the correlation coefficient as the weight evaluation index when the correlation coefficient is used as the accuracy evaluation index.
次に、予測モデル生成装置１００は、式（５）に示すように、重み評価期間中の１〜ｎの各単位期間における重み設定指標と、予測精度評価期間における精度評価指標と、の相関係数Rjを求める。 Next, as shown in Expression (5), the prediction model generation apparatus 100 correlates the weight setting index in each of the unit periods 1 to n in the weight evaluation period and the accuracy evaluation index in the prediction accuracy evaluation period. Find the number Rj.
また、予測モデル生成装置１００が重み評価期間中の１〜ｎの各単位期間における重み設定指標と、予測精度評価期間における精度評価指標と、の相関をとる様子を図１２に示す。 FIG. 12 shows how the prediction model generation apparatus 100 correlates the weight setting index in each unit period 1 to n in the weight evaluation period and the accuracy evaluation index in the prediction accuracy evaluation period.
予測精度評価期間における精度評価指標と相関性が最も高い重み設定指標が算出された単位期間が、予測精度評価期間のＬ日前（L番目の単位期間）の重み評価期間だったとすると、予測モデル生成装置１００は、遡及期間としてＬ日を設定する。 If the unit period for which the weight setting index having the highest correlation with the accuracy evaluation index in the prediction accuracy evaluation period is calculated is the weight evaluation period L days before the prediction accuracy evaluation period (Lth unit period), a prediction model is generated. The apparatus 100 sets L day as the retroactive period.
このようにして遡及期間を特定したら、予測モデル生成装置１００は、予測対象データの予測対象時点から上記遡及時間（Ｌ日）だけ遡った時点を含む日（第１データ取得期間）に得られた各要素モデルの重み設定指標を用いて、各要素モデルの予測精度に応じた重み係数を算出する。この第１データ取得期間に得られた各要素モデルの重み設定指標は、精度指標値記憶テーブル７１０に記録されているので、予測モデル生成装置１００は、この精度指標値記憶テーブル７１０に記録されている重み設定指標を利用して、重み係数を算出する。 When the retroactive period is specified in this way, the prediction model generation device 100 is obtained on a day (first data acquisition period) including a time point that is retroactive from the prediction target time point of the prediction target data by the retroactive time (L day). A weighting coefficient corresponding to the prediction accuracy of each element model is calculated using the weight setting index of each element model. Since the weight setting index of each element model obtained in the first data acquisition period is recorded in the accuracy index value storage table 710, the prediction model generation device 100 is recorded in the accuracy index value storage table 710. The weight coefficient is calculated using the weight setting index.
このとき、予測モデル生成装置１００は、以下の式（６）や式（７）ようにして、各要素モデルの重み係数Wkを定める。 At this time, the prediction model generation apparatus 100 determines the weighting coefficient Wk of each element model as in the following formulas (6) and (7).
なお、L番目（Ｌ日前）の単位期間における重み設定指標を用いて算出される要素モデルk、jに対する重み設定指標をSLk、SLjと表す。 Note that the weight setting indices for the element models k and j calculated using the weight setting indices in the L-th (L days ago) unit period are represented as S Lk and S Lj .
予測モデル生成装置１００は、精度評価指標及び重み設定指標として、指標値が小さいほど精度が高くなるような乖離度（p-ノルム）を用いた場合は、重み設定指標SLkが小さいほど重み係数Wkの値を大きくする。例えば予測モデル生成装置１００は、式（６）のように、重み設定指標の逆数に比例するように、各要素モデルに付加する重み係数を算出する。 Prediction model generating apparatus 100, as accuracy evaluation index and weight setting indication, in the case of using such a discrepancy accuracy higher index value is smaller is high (p- norm), the weighting factor as the weight setting indicator S Lk is small Increase the value of Wk. For example, the prediction model generation apparatus 100 calculates a weighting coefficient to be added to each element model so as to be proportional to the reciprocal of the weight setting index, as in Expression (6).
例えばプラントＰの特性変化にL日ごとの周期性があれば、予測精度評価期間のL日前の誤差（重み設定指標）と、予測精度評価期間の誤差（精度評価指標）と、の相関性が上がるため、L日前の指標に基づき重みを設定することが望ましいことになる。 For example, if the characteristic change of the plant P has periodicity every L days, there is a correlation between the error (weight setting index) before L days of the prediction accuracy evaluation period and the error (accuracy evaluation index) of the prediction accuracy evaluation period. Therefore, it is desirable to set the weight based on the index of L days ago.
なお、精度評価指標及び重み設定指標としてp-ノルムを用いた場合は、以下のような効果が期待される。 When p-norm is used as the accuracy evaluation index and the weight setting index, the following effects are expected.
上述したように、予測モデルを複数種類の要素モデルを用いて構成すると、誤差の大きな要素モデルにより、予測モデル全体の誤差を増大させることになる。一方でp-ノルムによる精度評価指標、重み設定指標はそれぞれの期間における予測誤差の大きさ（絶対値）の平均に相当する。この予測誤差の大きさで除することになる重みを設定することで、要素モデル間の誤差のバラツキが抑制され、予測モデルの誤差を小さくすることができる。 As described above, when the prediction model is configured using a plurality of types of element models, the error of the prediction model as a whole is increased by the element model having a large error. On the other hand, the accuracy evaluation index and the weight setting index based on the p-norm correspond to the average of the magnitude (absolute value) of the prediction error in each period. By setting the weight to be divided by the size of the prediction error, the error variation between the element models is suppressed, and the error of the prediction model can be reduced.
また、精度評価指標としてp-ノルム（値が小さいほうが予測精度が高いことを表す指標）を採用した場合には、重み設定指標としてp-ノルムを採用する他に、平均誤差やT2統計量を採用することもできる。これらの重み設定指標も、p-ノルムと同様に、値が小さいほうが予測精度が高いことを表す指標である。 In addition, when p-norm (an index indicating that the smaller the value is, the higher the prediction accuracy) is used as an accuracy evaluation index, in addition to using p-norm as a weight setting index, average error and T2 statistics are It can also be adopted. Similar to the p-norm, these weight setting indices are indices indicating that the smaller the value is, the higher the prediction accuracy is.
重み設定指標として平均誤差を採用した場合の算出式を式（８）に示す。式（８）に示す平均誤差は、重み評価期間の各日における予測対象データの予測値と実績値の乖離度を表す指標であり、予測対象データの予測値と実績値の誤差の平均値である。 Formula (8) shows a calculation formula when the average error is adopted as the weight setting index. The average error shown in Expression (8) is an index representing the degree of divergence between the predicted value and the actual value of the prediction target data on each day of the weight evaluation period, and is the average value of the error between the predicted value and the actual value of the prediction target data. is there.
次に、本実施形態に係る予測モデル生成装置１００が行う、各要素モデルへの重み設定処理の流れを、図１３に示すフローチャートを参照しながら説明する。 Next, the flow of the weight setting process for each element model performed by the prediction model generation device 100 according to the present embodiment will be described with reference to the flowchart shown in FIG.
まず予測モデル生成装置１００は、プラントデータ記憶テーブル７００に記憶されている精度評価期間（例えば９／８）のデータを用いて、事前に作成したK個の要素モデルについての精度評価指標Tkをそれぞれ計算し、精度指標値記憶テーブル７１０に記憶する（S1000、S1010）。 First, the prediction model generation device 100 uses the accuracy evaluation period (for example, 9/8) data stored in the plant data storage table 700 to calculate accuracy evaluation indices Tk for K element models created in advance. Calculate and store in the accuracy index value storage table 710 (S1000, S1010).
また予測モデル生成装置１００は、プラントデータ記憶テーブル７００に記憶されてい重み設定期間（例えば９／１〜９／７）のデータを用いて、K個の各要素モデルについて、重み設定期間内の単位期間ごとに（９／１〜９／７の各日）重み設定指標Sjkを計算し、精度指標値記憶テーブル７１０に記憶する（S1020、S1030、S1040）。 Moreover, the prediction model generation apparatus 100 uses the data of the weight setting period (for example, 9/1 to 9/7) stored in the plant data storage table 700, and for each of the K element models, the unit within the weight setting period. The weight setting index Sjk is calculated for each period (each day from 9/1 to 9/7) and stored in the accuracy index value storage table 710 (S1020, S1030, S1040).
そして予測モデル生成装置１００は、重み設定期間の各単位期間の重み設定指標Sjkと、精度評価指標Tkと、の相関係数を算出する（S1050）。 Then, the prediction model generation device 100 calculates a correlation coefficient between the weight setting index Sjk and the accuracy evaluation index Tk of each unit period of the weight setting period (S1050).
そして予測モデル生成装置１００は、精度評価指標Tkと最も相関の高い重み設定指標Sjkが得られた単位期間を選出し、精度評価期間と上記単位期間との期間（遡及期間L）を特定する（S1060）。 Then, the prediction model generation apparatus 100 selects a unit period in which the weight setting index Sjk having the highest correlation with the accuracy evaluation index Tk is selected, and specifies the period (retroactive period L) between the accuracy evaluation period and the unit period ( S1060).
その後、予測モデル生成装置１００は、予測対象日から遡及期間Lだけ遡及した日の重み設定指標Sjkを精度指標値記憶テーブル７１０から読み出して、各要素モデルの重み係数を算出する（S1070）。 Thereafter, the prediction model generation device 100 reads the weight setting index Sjk on the date retroactive from the prediction target date by the retroactive period L from the accuracy index value storage table 710, and calculates the weighting coefficient of each element model (S1070).
次に、本実施形態に係る予測モデル生成装置１００について、図１４〜図２０を参照しながら、具体的な例を用いて説明する。 Next, the prediction model generation apparatus 100 according to the present embodiment will be described using a specific example with reference to FIGS. 14 to 20.
まず、予測モデル生成装置１００は、あるプラントＰから発生する物質の濃度（予測対象データ）を、同プラントＰの各部位での温度や圧力等のセンサデータ（検出データ）から予測するための複数種類の要素モデルを、ＰＬＳ（部分的最小二乗法）等の回帰モデルとして作成する。 First, the prediction model generation apparatus 100 is used to predict the concentration (prediction target data) of a substance generated from a certain plant P from sensor data (detection data) such as temperature and pressure at each part of the plant P. An element model of a type is created as a regression model such as PLS (partial least squares).
各要素モデルは、例えば「コンピュータ・ケミストリーシリーズ３ ケモメトリックス 化学パターン認識と多変量解析 宮下・佐々木 共立出版 1995」に述べられているような手法を用いることで作成可能である。 Each element model can be created by using a method as described in “Computer Chemistry Series 3 Chemometrics Chemical Pattern Recognition and Multivariate Analysis Miyashita / Sasaki Kyoritsu Publishing 1995”.
このとき、予測モデル生成装置１００は、以下の期間１〜期間１５の各期間の時系列データを用いて、１５種類の要素モデルを作成する。なお、各期間における時系列データのサンプリング周期は１分である。 At this time, the prediction model generation apparatus 100 creates 15 types of element models using the time-series data of the following periods 1 to 15. Note that the sampling period of the time series data in each period is 1 minute.
期間１ ：７／７ 〜８／３１（８週間）
期間２ ：７／７ 〜８／３ （前半４週間）
期間３ ：８／４ 〜８／３１（後半４週間）
期間４ ：７／７ 〜７／２０（最初の２週間）
期間５ ：７／２１〜８／３ （２番目の２週間）
期間６ ：８／４ 〜８／１７（３番目の２週間）
期間７ ：８／１８〜８／３１（４番目の２週間）
期間８ ：７／７ 〜７／１３（１週目）
期間９ ：７／４ 〜７／２０（２週目）
期間１０：７／２１〜７／２７（３週目）
期間１１：７／２８〜８／３ （４週目）
期間１２：８／４ 〜８／１０（５週目）
期間１３：８／１１〜８／１７（６週目）
期間１４：８／１８〜８／２４（７週目）
期間１５：８／２５〜８／３１（８週目）
そして予測モデル生成装置１００は、過去の複数の連続するデータ取得期間（９／１〜９／８の各日）における、プラントＰの検出データの実績値と、予測対象データの実績値と、各要素モデルと、を用いて、１５個の要素モデルそれぞれの精度指標値を、データ取得期間毎に求める。
Period 1: 7/7 to 8/31 (8 weeks)
Period 2: 7/7-8/3 (first 4 weeks)
Period 3: 8/4-8/31 (last 4 weeks)
Period 4: 7/7 to 7/20 (first 2 weeks)
Period 5: 7/21 to 8/3 (second 2 weeks)
Period 6: 8/4-8/17 (3rd 2 weeks)
Period 7: 8/18-8/31 (4th 2 weeks)
Period 8: 7/7 to 7/13 (1st week)
Period 9: 7/4-7/20 (2nd week)
Period 10: 7/21 to 7/27 (3rd week)
Period 11: 7/28-8/3 (4th week)
Period 12: 8/4 to 8/10 (5th week)
Period 13: 8/11 to 8/17 (6th week)
Period 14: 8/18-8/24 (7th week)
Period 15: 8/25 to 8/31 (8th week)
And the prediction model production | generation apparatus 100 WHEREIN: The actual value of the detection data of the plant P in the past several continuous data acquisition period (each day of 9/1-9/8), the actual value of prediction object data, Using the element model, the accuracy index value of each of the 15 element models is obtained for each data acquisition period.
そして予測モデル生成装置１００は、各データ取得期間の要素モデル毎の精度指標値の類似度に基づいて、精度指標値の類似性が高い２つのデータ取得期間を特定する。そして予測モデル生成装置１００は、これら２つのデータ取得期間の間隔を遡及期間として定める。 And the prediction model production | generation apparatus 100 specifies two data acquisition periods with high similarity of an accuracy index value based on the similarity of the accuracy index value for every element model of each data acquisition period. And the prediction model production | generation apparatus 100 determines the space | interval of these two data acquisition periods as a retroactive period.
例えば予測モデル生成装置１００は、各データ取得期間の精度指標値の相互の相関係数を算出し、相関係数が最も高い２つのデータ取得期間を特定する。例えば９／２の精度指標値と９／６の精度指標値との相関係数が最も高い場合には、予測モデル生成装置１００は、遡及期間を４日と定める。予測モデル生成装置１００は、このようにして、プラントＰの変動の周期性をとらえる。 For example, the prediction model generation apparatus 100 calculates a correlation coefficient between the accuracy index values of each data acquisition period, and specifies two data acquisition periods having the highest correlation coefficient. For example, when the correlation coefficient between the accuracy index value of 9/2 and the accuracy index value of 9/6 is the highest, the prediction model generation device 100 determines the retroactive period as 4 days. In this way, the prediction model generation apparatus 100 captures the periodicity of the fluctuation of the plant P.
なおこのとき、予測モデル生成装置１００は、プラントＰの変動の周期が４日であることをより確実にするために、例えば、上記の９／２と９／６の精度指標値の相関係数の他に、９／１と９／５、９／３と９／７、９／４と９／８についても、精度指標値の相関係数を求め、これらの相関係数を例えば出力装置１６０に表示して操作者に提示してもよい。そして予測モデル生成装置１００は、操作者による承認を受け付けた場合に、遡及期間を４日と確定するようにしてもよい。 At this time, the prediction model generation device 100, for example, in order to make sure that the cycle of fluctuation of the plant P is 4 days, for example, the correlation coefficient between the accuracy index values of 9/2 and 9/6 described above. In addition, for 9/1 and 9/5, 9/3 and 9/7, and 9/4 and 9/8, the correlation coefficients of the accuracy index values are obtained, and these correlation coefficients are obtained, for example, by the output device 160. And may be presented to the operator. And the prediction model production | generation apparatus 100 may determine the retroactive period as 4 days, when the approval by an operator is received.
あるいは予測モデル生成装置１００は、各データ取得期間の精度指標値の相互の相関係数を算出したら、全ての相関係数を日付情報とともに出力装置１６０に表示して操作者に提示してもよい。そして予測モデル生成装置１００は、操作者によって選択された２つの日付を指定する情報（例えば９／２と９／４）、あるいは遡及期間を指定する情報（例えば４日）の入力を受け付けた場合に、遡及期間を確定するようにしてもよい。 Or the prediction model production | generation apparatus 100 may display all the correlation coefficients on the output device 160 with date information, and will show it to an operator, after calculating the correlation coefficient of the precision index value of each data acquisition period. . When the prediction model generation device 100 receives input of information (for example, 9/2 and 9/4) specifying two dates selected by the operator or information (for example, 4 days) specifying a retroactive period Alternatively, the retroactive period may be determined.
このような態様により、予測モデル生成装置１００は、プラントＰの変動の周期性、すなわち遡及期間をより確実に定めることが可能となり、予測対象データの予測値をより高精度に算出することができる予測モデルを生成することが可能となる。 According to such an aspect, the prediction model generation device 100 can more reliably determine the periodicity of fluctuation of the plant P, that is, the retroactive period, and can calculate the prediction value of the prediction target data with higher accuracy. A prediction model can be generated.
なお、本実施形態に係る予測モデル生成装置１００は、上記９／１〜９／８の各データ取得期間のうちの最新のデータ取得期間（９／８）を予測精度評価期間（第２データ取得期間）として選択した上で、予測精度評価期間に先行する９／１〜９／７の各データ取得期間を重み評価期間とし、上記予測精度評価期間における精度指標値と最も相関性が高い精度指標値が算出された、重み設定期間の中のデータ取得期間（第３データ取得期間）を選択する。 Note that the prediction model generation apparatus 100 according to the present embodiment uses the latest data acquisition period (9/8) among the data acquisition periods 9/1 to 9/8 as the prediction accuracy evaluation period (second data acquisition). The data acquisition period 9/1 to 9/7 preceding the prediction accuracy evaluation period is set as the weight evaluation period, and the accuracy index having the highest correlation with the accuracy index value in the prediction accuracy evaluation period is selected. The data acquisition period (third data acquisition period) in the weight setting period for which the value is calculated is selected.
このような態様により、予測モデル生成装置１００が遡及期間を求めるための情報処理の負担を軽減し、予測モデルをより短時間で生成することが可能になる。 By such an aspect, it becomes possible to reduce the burden of information processing for the prediction model generation apparatus 100 to obtain the retroactive period, and to generate the prediction model in a shorter time.
本実施形態に係る予測モデル生成装置１００は、９／１〜９／８の精度指標値を算出する際には、まず、プラントデータ記憶テーブル７００に記憶されている検出データ（温度、圧力、流量）の実績値と、上記１５個の要素モデルと、を用いて、上記各日の予測対象データ（濃度）の暫定予測値を要素モデル毎に算出する。そして予測モデル生成装置１００は、要素モデル毎に算出した上記暫定予測値と、各日における予測対象データの実績値と、を用いて、精度指標値を要素モデル毎に算出する。 When the prediction model generation apparatus 100 according to the present embodiment calculates the accuracy index values of 9/1 to 9/8, first, the detection data (temperature, pressure, flow rate) stored in the plant data storage table 700 is calculated. ) And the 15 element models are used to calculate provisional prediction values of the prediction target data (concentration) for each day for each element model. And the prediction model production | generation apparatus 100 calculates an accuracy index value for every element model using the said temporary prediction value calculated for every element model, and the actual value of the prediction object data in each day.
ここでは、予測モデル生成装置１００は、各日の予測対象データの実績値と各要素モデルの暫定予測値との差分のＲＭＳＥを精度指標値として算出する。予測モデル生成装置１００が要素モデルごとに算出した各日の実績値と暫定予測値との差分のＲＭＳＥを、図１５に示す。 Here, the prediction model generation apparatus 100 calculates the RMSE of the difference between the actual value of the prediction target data of each day and the provisional prediction value of each element model as the accuracy index value. FIG. 15 shows the RMSE of the difference between the actual value of each day calculated by the prediction model generation device 100 for each element model and the provisional prediction value.
そして予測モデル生成装置１００は、９／１〜９／８の各データ取得期間のうちの最新のデータ取得期間（９／８）を予測精度評価期間（第２データ取得期間）として選択し、予測精度評価期間に先行する９／１〜９／７の各データ取得期間を重み評価期間とした上で、図１６に示すように、重み評価期間中の各日における精度指標値（重み設定指標）と、予測精度評価期間における精度指標値（精度評価指標）と、の相関係数Rjを求める。 Then, the prediction model generation device 100 selects the latest data acquisition period (9/8) among the data acquisition periods 9/1 to 9/8 as the prediction accuracy evaluation period (second data acquisition period), and performs prediction. After each data acquisition period 9/1 to 9/7 preceding the accuracy evaluation period is set as a weight evaluation period, as shown in FIG. 16, accuracy index values (weight setting indices) for each day during the weight evaluation period And a correlation coefficient Rj between the accuracy index value (accuracy evaluation index) in the prediction accuracy evaluation period.
予測モデル生成装置１００は、これらの相関係数Rjを比較して、９／６、すなわち９／８の２日前の相関係数Rjが最大であると判別できるため、遡及期間として２日を求めることができる。 The prediction model generation apparatus 100 compares these correlation coefficients Rj, and can determine that the correlation coefficient Rj of 9/6, that is, 9/8, two days before is the maximum, and thus obtains 2 days as a retroactive period. be able to.
このため、予測モデル生成装置１００は、上記１５個の各要素モデルの重み係数を、予測対象日の２日前のＲＭＳＥの逆数に比例する形で設定する。 For this reason, the prediction model generation apparatus 100 sets the weight coefficients of the 15 element models in a form proportional to the reciprocal of the RMSE two days before the prediction target date.
このようにして、予測モデル生成装置１００は、予測精度の高い要素モデルほど重みを増すような重み係数を各要素モデルに乗じて構成される予測モデルを生成する。 In this way, the prediction model generation apparatus 100 generates a prediction model configured by multiplying each element model by a weighting factor that increases the weight of an element model with higher prediction accuracy.
このようにして予測モデル生成装置１００によって生成される予測モデルを用いて、プラントＰの予測対象データ（濃度）の予測値を求めた結果を図１７に示す。 FIG. 17 shows the result of obtaining the prediction value of the prediction target data (concentration) of the plant P using the prediction model generated by the prediction model generation device 100 in this way.
図１７は、９／９〜９／２０までの各日について、本実施形態に係る予測モデル生成装置１００によって生成された予測モデルを用いて算出されるプラントＰの予測対象データ（濃度）の予測値と、予測対象データの実績値と、を示すものである。 FIG. 17 shows the prediction of the prediction target data (concentration) of the plant P calculated using the prediction model generated by the prediction model generation device 100 according to this embodiment for each day from 9/9 to 9/20. The value and the actual value of the prediction target data are shown.
図１７に示すように、本実施形態に係る予測モデル生成装置１００によって生成された予測モデルを用いることによって、高精度に予測対象データの予測値が算出できることがわかる。しかも、予測モデルを構成する各要素モデルの重み係数が、制御システムＰの変動とともに毎日更新されるため、継続的に高精度な予測値を算出することができる。 As shown in FIG. 17, it can be seen that the prediction value of the prediction target data can be calculated with high accuracy by using the prediction model generated by the prediction model generation device 100 according to the present embodiment. In addition, since the weighting coefficient of each element model constituting the prediction model is updated every day along with the variation of the control system P, a highly accurate prediction value can be calculated continuously.
一方で、比較のために、予測モデルの各要素モデルを単純平均することでプラントＰの予測対象データ（濃度）の予測値を求めた結果を図１８に示す。 On the other hand, for comparison, FIG. 18 shows the result of obtaining the predicted value of the prediction target data (concentration) of the plant P by simply averaging each element model of the prediction model.
なお上記実施形態では、図１６に示したように、予測モデル生成装置１００が、予測精度評価期間における精度指標値（精度評価指標）と、重み評価期間中の各日における精度指標値（重み設定指標）と、の相関係数Rjを求め、これらの相関係数Rjを比較することで、相関係数Rjが最大となる日を選出する場合について説明したが、例えば、図１９に示すように、予測モデル生成装置１００は、精度評価指標と、重み設定指標と、の相関関係を表す散布図を出力装置１６０に表示し、操作者に適切な日を選択させるようにしてもよい。 In the above embodiment, as illustrated in FIG. 16, the prediction model generation device 100 performs the accuracy index value (accuracy evaluation index) in the prediction accuracy evaluation period and the accuracy index value (weight setting) in each day during the weight evaluation period. The correlation coefficient Rj between the index and the correlation coefficient Rj is obtained, and the correlation coefficient Rj is compared to select the day with the maximum correlation coefficient Rj. For example, as shown in FIG. The prediction model generation apparatus 100 may display a scatter diagram representing the correlation between the accuracy evaluation index and the weight setting index on the output device 160 so that the operator can select an appropriate day.
このとき、操作者は、『精度評価指標を「ＲＭＳＥ」により計算した場合』、及び『「相関係数」により計算した場合』のいずれかを選択することができる。 At this time, the operator can select either “when the accuracy evaluation index is calculated by“ RMSE ”” or “when it is calculated by“ correlation coefficient ””.
そして『精度評価指標を「ＲＭＳＥ」により計算した場合』を選択した場合には、操作者は、『重み設定指標を「ＲＭＳＥ」により計算した場合』、あるいは『「平均誤差」により計算した場合』を選択することができる。もちろん、重み設定指標は、重み評価期間中の各日の中から選ぶことができる。 When “Accuracy evaluation index is calculated by“ RMSE ”” is selected, the operator selects “When weight setting index is calculated by“ RMSE ”” or “When calculated by“ average error ””. Can be selected. Of course, the weight setting index can be selected from each day during the weight evaluation period.
また『精度評価指標を「相関係数」により計算した場合』を選択した場合には、操作者は、『重み設定指標を「相関係数」により計算した場合』を選択することができる。この場合も、重み設定指標は、重み評価期間中の各日の中から選ぶことができる。 When “when the accuracy evaluation index is calculated by“ correlation coefficient ”” is selected, the operator can select “when the weight setting index is calculated by“ correlation coefficient ””. Also in this case, the weight setting index can be selected from each day during the weight evaluation period.
そして予測モデル生成装置１００は、操作者が上記散布図を参照しながら選択した日から予測精度評価期間までの日数を、遡及期間として定める。 Then, the prediction model generation device 100 determines the number of days from the date selected by the operator with reference to the scatter diagram to the prediction accuracy evaluation period as a retroactive period.
なお、上記のような散布図を操作者に提示できるようにする場合には、本実施形態に係る予測モデル生成装置１００は、精度評価指標を算出する際に、p-ノルム、及び相関係数の両方を用いて精度評価指標を算出しておく。同様に、予測モデル生成装置１００は、重み設定指標を算出する際には、p-ノルム、相関係数、及び平均誤差の全てを用いて重み設定指標をを算出しておく。 When the scatter diagram as described above can be presented to the operator, the prediction model generation device 100 according to the present embodiment calculates the p-norm and the correlation coefficient when calculating the accuracy evaluation index. Both are used to calculate the accuracy evaluation index. Similarly, when calculating the weight setting index, the prediction model generation apparatus 100 calculates the weight setting index using all of the p-norm, the correlation coefficient, and the average error.
このような態様により、複数の計算方法によって算出された複数種類の指標値を総合的に考慮することでプラントＰの変動の様子をより正確にとらえることが可能になるので、より適切に要素モデルの重み係数を設定することが可能となる。 According to such an aspect, it becomes possible to more accurately capture the state of fluctuation of the plant P by comprehensively considering a plurality of types of index values calculated by a plurality of calculation methods, and thus more appropriately an element model It is possible to set the weighting coefficient.
また上述したように、各要素モデルによって算出された予測対象データの予測値（暫定予測値）と、予測対象データの実績値と、の一致の度合いを示す精度指標値として採用可能なp-ノルム及び平均誤差のいずれも、値が小さいほうが予測精度が高いことを表す指標である点で共通するため、式（８）に示したように、精度評価指標としてp-ノルムを採用した場合には、重み設定指標として平均誤差を採用することができる。 In addition, as described above, the p-norm that can be adopted as an accuracy index value indicating the degree of coincidence between the predicted value (provisional predicted value) of the prediction target data calculated by each element model and the actual value of the prediction target data And the average error are common in that the smaller value is an index indicating that the prediction accuracy is higher. Therefore, as shown in the equation (8), when p-norm is adopted as the accuracy evaluation index, The average error can be adopted as the weight setting index.
このように、精度評価指標をp-ノルムで計算し、重み設定指標を平均誤差で計算した場合の相関係数Rjを図２０に示す。 FIG. 20 shows the correlation coefficient Rj when the accuracy evaluation index is calculated with the p-norm and the weight setting index is calculated with the average error.
このように、異なる計算方法で算出した指標との相関係数Rjも併用することにより、より総合的に、プラントＰの変動の周期性をとらえることも可能となる。 As described above, by using the correlation coefficient Rj with the index calculated by different calculation methods in combination, it is possible to more comprehensively grasp the periodicity of the fluctuation of the plant P.
以上、本実施形態に係る予測モデル生成装置１００について説明したが、本実施形態に係る予測モデル生成装置１００によれば、アンサンブル予測における予測モデルを構成する各要素モデルの重み係数を、プラントＰの状態の変化を考慮して適切に変更できる。このため、予測対象データの予測値を継続的に高精度に保つことができる。 The prediction model generation device 100 according to the present embodiment has been described above. However, according to the prediction model generation device 100 according to the present embodiment, the weight coefficient of each element model constituting the prediction model in the ensemble prediction is set to the plant P. Appropriate changes can be made taking into account changes in conditions. For this reason, the predicted value of the prediction target data can be continuously maintained with high accuracy.
なお上述した実施の形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明はその趣旨を逸脱することなく変更、改良され得るとともに、本発明にはその等価物も含まれる。 The embodiments described above are for facilitating the understanding of the present invention, and are not intended to limit the present invention. The present invention can be changed and improved without departing from the gist thereof, and equivalents thereof are also included in the present invention.
例えば、検出データは、プラントＰに装着されたセンサによって検出されるプラントＰの温度や圧力などのデータだけでなく、気温や気圧、湿度などのプラントＰの外部環境の状態を示すデータが含まれていてもよい。 For example, the detection data includes not only data such as the temperature and pressure of the plant P detected by a sensor attached to the plant P but also data indicating the state of the external environment of the plant P such as temperature, pressure, and humidity. It may be.
１００ 予測モデル生成装置
１０１ モデル作成部
１０２ 精度指標値算出部
１０３ モデル精度評価部
１０４ 重み算出部
１０５ モデル合成部
１１０ ＣＰＵ
１２０ メモリ
１３０ 通信装置
１４０ 記憶装置
１５０ 入力装置
１６０ 出力装置
１７０ 記録媒体読取装置
６００ 制御プログラム
７００ プラントデータ記憶テーブル
７１０ 精度指標値記憶テーブル
８００ 記録媒体
DESCRIPTION OF SYMBOLS 100 Prediction model production | generation apparatus 101 Model preparation part 102 Accuracy index value calculation part 103 Model precision evaluation part 104 Weight calculation part 105 Model synthetic | combination part 110 CPU
120 Memory 130 Communication Device 140 Storage Device 150 Input Device 160 Output Device 170 Recording Medium Reading Device 600 Control Program 700 Plant Data Storage Table 710 Accuracy Index Value Storage Table 800 Recording Medium
Claims (8)
前記検出データ及び前記予測対象データの過去の実績値を用いて、前記検出データから前記予測対象データを予測するための複数種類の要素モデルを作成する要素モデル作成部と、
過去の連続する複数の単位長さのデータ取得期間のうちの、前記予測対象データの予測対象時点から、前記制御対象システムの特性の変動周期に対応する所定の遡及期間だけ遡った時点を含む第１データ取得期間に得られた前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記第１データ取得期間における前記予測対象データの実績値と、の一致の度合いに応じた重み係数を前記要素モデル毎に算出する重み算出部と、
前記予測対象時点における前記検出データの値と前記各要素モデルとを用いて算出される前記要素モデル毎の暫定予測値に前記各要素モデルの前記重み係数を乗じて得られるそれぞれの値を合計するように、前記予測モデルを生成する予測モデル生成部と、
を備えることを特徴とする予測モデル生成装置。 A prediction model generation device that generates a prediction model for predicting a value of prediction target data in a control target system from a value of detection data different from the prediction target data,
An element model creation unit that creates a plurality of types of element models for predicting the prediction target data from the detection data, using past detection values of the detection data and the prediction target data;
Including a point in time of a predetermined retroactive period corresponding to a fluctuation cycle of the characteristic of the control target system from a prediction target time of the prediction target data in a plurality of continuous unit length data acquisition periods in the past . A provisional prediction value for each element model of the prediction target data calculated using the actual value of the detection data obtained in one data acquisition period and each element model, and the prediction in the first data acquisition period A weight calculation unit that calculates a weighting factor corresponding to the degree of coincidence with the actual value of the target data for each element model;
The respective values obtained by multiplying the provisional prediction value for each element model calculated using the value of the detection data at the prediction target time point and each element model by the weighting factor of each element model are summed. As described above, a prediction model generation unit that generates the prediction model;
A prediction model generation device comprising:
前記データ取得期間毎に、前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記予測対象データの実績値と、の一致の度合いを示す精度指標値を算出する精度指標値算出部と、
前記各データ取得期間の前記精度指標値の類似度に基づいて選出される２つの前記データ取得期間である第２データ取得期間と第３データ取得期間において、前記第２データ取得期間中のある時点から前記第３データ取得期間中の前記ある時点に対応する時点までの期間を、前記遡及期間として定める遡及期間算出部と、
を備えることを特徴とする予測モデル生成装置。 The prediction model generation device according to claim 1,
For each data acquisition period, a provisional predicted value for each element model of the prediction target data calculated using the actual value of the detection data and each element model, and the actual value of the prediction target data, An accuracy index value calculation unit for calculating an accuracy index value indicating the degree of matching;
At a certain point in the second data acquisition period in the second data acquisition period and the third data acquisition period, which are the two data acquisition periods selected based on the similarity of the accuracy index value in each data acquisition period A retroactive period calculation unit that defines a period from the time corresponding to the certain time in the third data acquisition period as the retroactive period;
A prediction model generation device comprising:
前記データ取得期間毎に、前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記予測対象データの実績値と、の一致の度合いを示す精度指標値を算出する精度指標値算出部と、
前記各データ取得期間のうちの最新の前記データ取得期間を第２データ取得期間として選択した上で、前記第２データ取得期間における前記精度指標値と最も相関性が高い前記精度指標値が算出された前記データ取得期間を第３データ取得期間として選択し、前記第２データ取得期間中のある時点から前記第３データ取得期間中の前記ある時点に対応する時点までの期間を、前記遡及期間として定める遡及期間算出部と、
を備えることを特徴とする予測モデル生成装置。 The prediction model generation device according to claim 1,
For each data acquisition period, a provisional predicted value for each element model of the prediction target data calculated using the actual value of the detection data and each element model, and the actual value of the prediction target data, An accuracy index value calculation unit for calculating an accuracy index value indicating the degree of matching;
After selecting the latest data acquisition period of the data acquisition periods as the second data acquisition period, the accuracy index value having the highest correlation with the accuracy index value in the second data acquisition period is calculated. The data acquisition period is selected as a third data acquisition period, and a period from a certain point in the second data acquisition period to a point corresponding to the certain point in the third data acquisition period is defined as the retroactive period. A retroactive period calculation section,
A prediction model generation device comprising:
前記データ取得期間毎に、前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記予測対象データの実績値と、の一致の度合いを示す精度指標値を算出する精度指標値算出部と、
前記各データ取得期間のうちの最新の前記データ取得期間を第２データ取得期間として選択した上で、前記第２データ取得期間における前記精度指標値と、前記第２データ取得期間に先行する前記各データ取得期間における前記精度指標値と、の相関性を示す情報を所定のユーザインタフェースに出力し、前記ユーザインタフェースを介して入力される前記第２データ取得期間に先行する一つの前記データ取得期間である第３データ取得期間を特定する情報に基づいて、前記第２データ取得期間中のある時点から前記第３データ取得期間中の前記ある時点に対応する時点までの期間を、前記遡及期間として定める遡及期間算出部と、
を備えることを特徴とする予測モデル生成装置。 The prediction model generation device according to claim 1,
For each data acquisition period, a provisional predicted value for each element model of the prediction target data calculated using the actual value of the detection data and each element model, and the actual value of the prediction target data, An accuracy index value calculation unit for calculating an accuracy index value indicating the degree of matching;
After selecting the latest data acquisition period of the data acquisition periods as the second data acquisition period, the accuracy index value in the second data acquisition period, and each of the preceding data acquisition periods Information indicating the correlation with the accuracy index value in the data acquisition period is output to a predetermined user interface, and the data acquisition period precedes the second data acquisition period input via the user interface. Based on information specifying a third data acquisition period, a period from a certain point in the second data acquisition period to a point corresponding to the certain point in the third data acquisition period is defined as the retroactive period. A retroactive period calculator,
A prediction model generation device comprising:
前記各データ取得期間には、前記検出データの実績値及び前記予測対象データの実績値が得られるサンプリングタイミングが複数含まれ、
前記精度指標値は、前記各サンプリングタイミングにおける前記暫定予測値と前記予測対象データの実績値との差のノルムを用いて算出される
ことを特徴とする予測モデル生成装置。 A prediction model generation device according to any one of claims 2 to 4,
Each data acquisition period includes a plurality of sampling timings for obtaining the actual value of the detection data and the actual value of the prediction target data,
The prediction model generation apparatus, wherein the accuracy index value is calculated using a norm of a difference between the provisional prediction value and the actual value of the prediction target data at each sampling timing.
前記各データ取得期間には、前記検出データの実績値及び前記予測対象データの実績値が得られるサンプリングタイミングが複数含まれ、
前記精度指標値は、前記各サンプリングタイミングにおける前記暫定予測値と前記予測対象データの実績値とのそれぞれの相関係数を用いて算出される
ことを特徴とする予測モデル生成装置。 A prediction model generation device according to any one of claims 2 to 4,
Each data acquisition period includes a plurality of sampling timings for obtaining the actual value of the detection data and the actual value of the prediction target data,
The prediction model generation apparatus, wherein the accuracy index value is calculated using a correlation coefficient between the provisional prediction value and the actual value of the prediction target data at each sampling timing.
前記検出データ及び前記予測対象データの過去の実績値を用いて、前記検出データから前記予測対象データを予測するための複数種類の要素モデルを作成し、
過去の連続する複数の単位長さのデータ取得期間のうちの、前記予測対象データの予測対象時点から、前記制御対象システムの特性の変動周期に対応する所定の遡及期間だけ遡った時点を含む第１データ取得期間に得られた前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記第１データ取得期間における前記予測対象データの実績値と、の一致の度合いに応じた重み係数を前記要素モデル毎に算出し、
前記予測対象時点における前記検出データの値と前記各要素モデルとを用いて算出される前記要素モデル毎の暫定予測値に前記各要素モデルの前記重み係数を乗じて得られるそれぞれの値を合計することにより、前記予測モデルを生成する
ことを特徴とする予測モデル生成方法。 A method for generating a prediction model for predicting a value of prediction target data in a control target system from a value of detection data different from the prediction target data,
Using the past actual values of the detection data and the prediction target data, create a plurality of types of element models for predicting the prediction target data from the detection data,
Including a point in time of a predetermined retroactive period corresponding to a fluctuation cycle of the characteristic of the control target system from a prediction target time of the prediction target data in a plurality of continuous unit length data acquisition periods in the past . A provisional prediction value for each element model of the prediction target data calculated using the actual value of the detection data obtained in one data acquisition period and each element model, and the prediction in the first data acquisition period Calculate a weighting factor according to the degree of coincidence with the actual value of the target data for each element model,
The respective values obtained by multiplying the provisional prediction value for each element model calculated using the value of the detection data at the prediction target time point and each element model by the weighting factor of each element model are summed. Thus, the prediction model generation method characterized by generating the prediction model.
前記検出データ及び前記予測対象データの過去の実績値を用いて、前記検出データから前記予測対象データを予測するための複数種類の要素モデルを作成する手順と、
過去の連続する複数の単位長さのデータ取得期間のうちの、前記予測対象データの予測対象時点から、前記制御対象システムの特性の変動周期に対応する所定の遡及期間だけ遡った時点を含む第１データ取得期間に得られた前記検出データの実績値と前記各要素モデルとを用いて算出される前記予測対象データの前記要素モデル毎の暫定予測値と、前記第１データ取得期間における前記予測対象データの実績値と、の一致の度合いに応じた重み係数を前記要素モデル毎に算出する手順と、
前記予測対象時点における前記検出データの値と前記各要素モデルとを用いて算出される前記要素モデル毎の暫定予測値に、前記各要素モデルの前記重み係数を乗じて得られるそれぞれの値を合計するように、前記予測モデルを生成する手順と、
を実行させるためのプログラム。 In a prediction model generation device that generates a prediction model for predicting a value of prediction target data in a control target system from a value of detection data different from the prediction target data,
A procedure for creating a plurality of types of element models for predicting the prediction target data from the detection data using past detection values of the detection data and the prediction target data;
Including a point in time of a predetermined retroactive period corresponding to a fluctuation cycle of the characteristic of the control target system from a prediction target time of the prediction target data in a plurality of continuous unit length data acquisition periods in the past . A provisional prediction value for each element model of the prediction target data calculated using the actual value of the detection data obtained in one data acquisition period and each element model, and the prediction in the first data acquisition period A procedure for calculating a weighting factor corresponding to the degree of coincidence with the actual value of the target data for each element model,
Total values obtained by multiplying the provisional prediction value for each element model calculated using the value of the detection data at the prediction target time point and each element model by the weighting factor of each element model Generating the prediction model, and
A program for running
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014170853A JP6458403B2 (en) | 2014-08-25 | 2014-08-25 | Prediction model generation device, prediction model generation method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014170853A JP6458403B2 (en) | 2014-08-25 | 2014-08-25 | Prediction model generation device, prediction model generation method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016045799A JP2016045799A (en) | 2016-04-04 |
| JP6458403B2 true JP6458403B2 (en) | 2019-01-30 |
Family
ID=55636284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014170853A Active JP6458403B2 (en) | 2014-08-25 | 2014-08-25 | Prediction model generation device, prediction model generation method, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6458403B2 (en) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6844204B2 (en) * | 2016-03-22 | 2021-03-17 | 日本製鉄株式会社 | Prediction table design equipment, methods and programs |
| US20200249637A1 (en) * | 2017-09-22 | 2020-08-06 | Nec Corporation | Ensemble control system, ensemble control method, and ensemble control program |
| JP6799708B2 (en) * | 2018-02-13 | 2020-12-16 | 三菱パワー株式会社 | Model creation method, plant operation support method, and model creation device |
| JP7127305B2 (en) * | 2018-03-13 | 2022-08-30 | 日本電気株式会社 | Information processing device, information processing method, program |
| WO2020208933A1 (en) * | 2019-04-10 | 2020-10-15 | 日本電気株式会社 | Physiological state control device, physiological state characteristic display device, physiological state control method, physiological state characteristic display method, and computer-readable recording medium storing program |
| JP2020190956A (en) | 2019-05-22 | 2020-11-26 | 株式会社東芝 | Manufacturing condition output device, quality control system and program |
| CN110490358A (en) * | 2019-07-03 | 2019-11-22 | 中国电力科学研究院有限公司 | A wind power prediction method and system based on prediction accuracy |
| JP7473343B2 (en) * | 2020-01-08 | 2024-04-23 | 株式会社日立製作所 | Operation management support device and operation management support method |
| JP7482651B2 (en) * | 2020-03-04 | 2024-05-14 | キヤノン株式会社 | Information processing device, monitoring method, program, and article manufacturing method |
| WO2022024263A1 (en) * | 2020-07-29 | 2022-02-03 | 中国電力株式会社 | Evaluation device and evaluation system |
| JP7514148B2 (en) * | 2020-09-03 | 2024-07-10 | 株式会社東芝 | Information processing device, information processing method, information processing system, and computer program |
| JP7332554B2 (en) | 2020-09-07 | 2023-08-23 | 株式会社東芝 | Information processing device, information processing method, and computer program |
| JP7753828B2 (en) * | 2021-11-18 | 2025-10-15 | 富士電機株式会社 | Concentration estimation device, concentration estimation method, and program |
| WO2023135769A1 (en) * | 2022-01-14 | 2023-07-20 | 中国電力株式会社 | Evaluation device and evaluation system |
| JP2024004145A (en) * | 2022-06-28 | 2024-01-16 | 株式会社日立製作所 | Sales activity support device and sales activity support method |
| JP7432129B1 (en) | 2022-11-14 | 2024-02-16 | 富士電機株式会社 | Electricity market price prediction system and electricity market price prediction method |
| CN116094758B (en) * | 2022-12-02 | 2023-07-21 | 肇庆医学高等专科学校 | A large-scale network traffic collection method and system |
| CN118262819A (en) * | 2024-04-24 | 2024-06-28 | 广西电网有限责任公司 | A method for predicting carbon emissions and related devices |
| JP7795146B1 (en) * | 2025-03-31 | 2026-01-07 | キヤノンマーケティングジャパン株式会社 | Information processing system, information processing method, and program |
| JP7795145B1 (en) * | 2025-03-31 | 2026-01-07 | キヤノンマーケティングジャパン株式会社 | Information processing system, information processing method, and program |
| CN120470270B (en) * | 2025-07-15 | 2025-09-12 | 宜宾时代新能源有限公司 | A method for predicting remaining battery life |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4886322B2 (en) * | 2006-02-28 | 2012-02-29 | 東北電力株式会社 | Wind power generation output prediction method, wind power generation output prediction apparatus, and program |
| JP5760291B2 (en) * | 2012-03-23 | 2015-08-05 | 株式会社日立製作所 | Characteristic model update processing device and characteristic model update method |
-
2014
- 2014-08-25 JP JP2014170853A patent/JP6458403B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016045799A (en) | 2016-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6458403B2 (en) | Prediction model generation device, prediction model generation method, and program | |
| US11264121B2 (en) | Real-time industrial plant production prediction and operation optimization | |
| KR102075743B1 (en) | Apparatus and method for body growth prediction modeling | |
| Xu et al. | Data cleaning in the process industries | |
| KR102052217B1 (en) | Dynamic outlier bias reduction system and method | |
| Al-Fattah et al. | Predicting natural gas production using artificial neural network | |
| JP6631540B2 (en) | Information processing system, change point detection method, and program | |
| WO2016047118A1 (en) | Model evaluation device, model evaluation method, and program recording medium | |
| JP7393244B2 (en) | Time series data prediction device and time series data prediction method | |
| Hosszejni et al. | Approaches toward the Bayesian estimation of the stochastic volatility model with leverage | |
| CN116228175A (en) | A real-time management system based on enterprise-level engineering construction cost | |
| Li et al. | Multi time scale inception-time network for soft sensor of blast furnace ironmaking process | |
| KR20180129496A (en) | Method for predicting electric power demand and apparatus for the same | |
| Stival et al. | Doubly-online changepoint detection for monitoring health status during sports activities | |
| CN118692587B (en) | Intelligent multifunctional water quality monitoring display control method and device | |
| CN113657945A (en) | User value prediction method, device, electronic equipment and computer storage medium | |
| CN119110156A (en) | Image real-time acquisition and processing system and method based on LabVIEW technology | |
| JP7399832B2 (en) | Information processing device, information processing system, information processing method and program | |
| Zhao et al. | Improved knowledge extraction and phase-based quality prediction for batch processes | |
| Lazukhin et al. | Feature Selection Methods for Deep Learning Models of Soft Sensors in Oil Refining | |
| Salvador | Automatic and adaptive preprocessing for the development of predictive models. | |
| Shalini et al. | Data-Driven House Price Prediction | |
| CN121723272B (en) | Long-term monitoring method and system for building settlement | |
| JP6999207B1 (en) | Data analysis method, data analysis device, and data analysis program | |
| Pathirage et al. | Detecting and Imputing Hidden Missing Values in Time Series Data: Case study: Alfa Laval |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170116 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20171020 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20171031 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171212 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180515 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180705 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20181127 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181210 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6458403 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |