JP6980866B2 - 情報処理装置、情報処理方法およびコンピュータプログラム - Google Patents

Description

本発明の実施形態は情報処理装置、情報処理方法およびコンピュータプログラムに関する。

近年、機械学習などのモデルを使って、需要予測の精度を高める方法が研究されている。各種の需要予測において気象条件は普遍的な因子である。例えば、気象条件によって電力需要、水需要、商品の販売額、サービスの利用者数などが変動することは広く知られている。したがって、気象情報に基づいて高精度な需要予測を実現する技術が望まれている。

需要予測には各種の手法が提案されている。例えば、過去の年度の同一日の需要実績値に対して、気象条件に応じた補正を加え、需要予測値とする方法がある。また、複数地点に係る気象値と需要実績値に対して機械学習を行い、予測モデルを構築する方法もある。
前者の方法は、単純であるが精度面で難点がある。後者の手法は、モデルと複雑なるため、多数の地点の気象値を組み込むのが難しい。また、気象値には多重共線性があるため、学習が収束しないおそれもある。

特開２００３−１８００３２号

本発明の実施形態は、予測精度が高く、予測結果の視覚による検証が可能な情報処理装置、情報処理方法およびコンピュータプログラムを提供する。

本発明の実施形態としての情報処理装置は、複数の地点を有する地理的範囲に含まれる、前記地点における気象値と、前記地理的範囲における需要実績値に基づき、前記地理的範囲における需要予測値を出力する、地点モデルを生成する、地点モデル生成部と、前記地点における気象値の前記需要予測値への寄与度に基づき設定された係数と、前記地点モデルに基づき全体モデルを生成する、全体モデル生成部とを備える。

第１の実施形態に係る需要予測システム全体の構成例を示す図。 需要予測の対象地域および地点の例を示す図。 観測値に基づく気象値の例を示す図。 気象予測値に基づく気象値の例を示す図。 過去の電力需要に係る需要データの例を示す図。 属性データベースに保存される属性情報の例を示す図。 地点モデル生成処理のフローチャート。 電力需要の気温に対する感応度曲線の例を示す図。 電力需要の日射量に対する感応度曲線の例を示す図。 地点モデルによる需要予測結果の例を示す図。 全体モデル生成処理のフローチャート。 各地点に係る重み係数テーブルの例を示す図。 日中における各地点の重み係数の例を示す図。 深夜における各地点の重み係数の例を示す図。 全体モデルによる需要予測処理のフローチャート。 全体モデルによる需要予測結果の例を示す図。 第２の実施形態に係る需要予測システム全体の構成例を示す図。 数値予測モデルによる気象値の計算に係る処理のフローチャート。 需要予測装置のハードウェア構成を示す図。

以下、図面を参照しながら、本発明の実施形態について説明する。また、図面において同一の構成要素は、同じ番号を付し、説明は、適宜省略する。

（第１実施形態）
図１は、本実施形態に係る全体のシステム構成例を示す図である。

図１の需要予測システムは、需要予測装置１０と、気象情報システム２０と、需要情報システム３０と、コンソール４０と、表示装置５０を備えている。需要予測装置１０と、気象情報システム２０、需要情報システム３０はネットワーク１０１を介して接続されている。需要予測装置１０と、コンソール４０、表示装置５０はネットワーク１０２を介して接続されている。

以下では、本実施形態に係る需要予測システムの主要な機能を提供する、需要予測装置１０の概要について説明する。

需要予測装置１０は、気象情報システム２０から取得する気象値と、需要情報システム３０から取得する需要実績値に基づき、将来の需要予測を行う。気象値とは、気象予測値、観測値などの気象データのことをいう。以下では、電力需要を予測する場合を例として説明するが、需要予測の対象は特に限定しない。例えば、水需要、ガスの需要、商品の販売額、店舗や施設への来客数、交通機関の乗客数、ウェブサイトへのアクセス数、サービスの利用者数、医療機関の患者数などを予測対象としてもよい。

需要予測は、地理的範囲を指定して行う。地理的範囲の大きさについては特に問わない。地理的範囲は世界規模であってもよいし、複数国であってもよいし、一つの国であってもよい。また、地方、県、市町村など国の一部であってもよいし、任意の範囲を選んでもよい。本実施形態では、電力会社の供給地域を地理的範囲として、需要予測を行うものとする。

図２は、需要予測の対象地域および地点の例を示している。図２は、関東地方の１都６県に山梨県および静岡県東部を加えた範囲の地図である。図２の地図はひとつの電力会社の供給地域に相当する。ここで、静岡県東部とは静岡県のうち富士川以東の地域のことをいう。なお、伊豆諸島および小笠原諸島は東京都に属するが図示されていない。図２の地図に示された地点は気象庁の観測所（ＡＭｅＤＡＳ：Ａｕｔｏｍａｔｅｄ Ｍｅｔｅｒｏｌｏｇｉｃａｌ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）の設置された地点を示している。

電力需要は気象条件に依存することが知られている。図２で示したように電力会社の供給地域の面積は、数万平方キロメートルに及ぶ。供給地域内には、標高が低い平野部、標高が高い山間部、水面に面した地域、内陸の盆地、都市、農村など各種条件の土地が含まれており、気象条件が異なるのが一般的である。

また、一般に住宅地が多い地域、工場が多い地域、農地、商業の中心地のように、様々な土地の利用形態が存在する。土地の利用形態によって電力需要の傾向に違いが生ずる。
例えば、平日の住宅地では、朝と夕方の電力消費が大きくなる傾向がある。一方、商業地域では、事業所の営業時間帯における電力消費が大きくなる。工場の多い地域においては、一般に受注量の多い繁忙期において電力消費が最も大きくなる。未開発の地域に比べ、都市化が進んだ地域における電力需要は、冷暖房の稼働状況に左右される傾向にある。したがって、単純なモデルのみで、多様な土地の利用形態が混在する地域の電力需要を正確に再現するのは難しい。

このため、電力需要を予測するモデルに、できる限り多くの地点に係る気象情報を含めた方が、各地域の多様な気象条件や土地の利用形態を反映でき、電力需要の予測精度が高くなることが期待される。

だが、上述のようにモデルの複雑化や多重共線性の問題から、多くの地点の気象情報を組み込んだモデルを学習し、充分な予測精度を確保するのは難しかった。そこで、本実施形態に係る需要予測装置１０では、比較的単純なモデルを使って複数地点に係る気象情報を組み込み、高い予測精度を得ることができる。

需要予測装置１０は、最初に需要予測の対象となる地理的範囲に対応する気象値および需要実績値を取得する。需要実績値は、当該地理的範囲における需要の合計値である。気象値は、当該地理的範囲内に位置する複数地点の気象予測値、観測値などの気象情報を含む。そして、各々の地点に係る気象値に基づき、当該地理的範囲における需要の合計値を予測するモデルを複数生成する。ここで、それぞれのモデルを地点モデルと呼ぶことにする。

その後、複数の地点モデルを組み合わせて、地理的範囲における需要の合計値をより高い精度で予測するモデルを生成する。ここで、複数の地点モデルを組み合わせたモデルを全体モデルと呼ぶことにする。全体モデルが作成されると、需要予測ができるようになる。すなわち、需要予測装置１０は、全体モデルに予測対象の日時の気象値を入力して、需要予測を行う。以降では、地点モデルと全体モデルを区別しない場合には、需要予測モデルというものとする。また、需要予測モデルによる予測値を需要予測値と呼び、気象予測における予測値と区別する。

需要予測装置１０は、さらに需要予測の結果を可視化する機能を提供する。これにより、操作者は需要予測モデルの作成中に当該モデルの検証を行ったり、実運用時において予測結果の妥当性を検証したりすることができる。

以上が需要予測装置１０に係る機能の概要である。需要予測装置１０の詳細については後述する。以下では、再び図１を参照しながら、需要予測システムの構成について説明する。

需要予測装置１０は、需要予測モデルの生成と、当該モデルをつかった需要予測と、需要予測結果の可視化を行う。需要予測装置１０は、例えば１以上のＣＰＵ（中央処理装置）、記憶装置、通信部を備え、ＯＳ（オペレーティングシステム）とアプリケーションが動作する計算機などの情報処理装置である。需要予測装置１０は物理的な計算機であってもよいし、仮想計算機（Ｖｉｒｔｕａｌ Ｍａｃｈｉｎｅ：ＶＭ）、コンテナ（ｃｏｎｔａｉｎｅｒ）またはこれらの組み合わせであってもよい。

気象情報システム２０は、情報ネットワークを介して接続された端末に各種の気象値を提供する。気象値の例としては、過去の観測値、最新の観測値、気象予測値、数値予報モデルの初期値などがある。気象情報システム２０は気象値として、数値形式のデータだけでなく、数値予報モデルを提供してもよい。気象情報システム２０は、例えば気象庁など国内外の政府機関、民間の事業者、国際機関の提供する気象情報サーバ、ウェブサービス、クラウドサービス、またはこれらの組み合わせであってもよい。

図３は、観測値に基づく気象値の例を示している。図３は気象庁の観測所（ＡＭｅＤＡＳの観測点）で２０１７年１０月１９日に観測された観測値である。左から順に、観測時刻、気温、降水量、風向、風速、日照時間が示されている。なお、観測所によって観測項目が異なっていてもよい。例えば、図３の例より観測項目が多い観測所があってもよい。
また、観測項目が少なくてもよい。例えば、ＡＭｅＤＡＳでは降水量のみを観測する観測点が存在する。

図４は、気象予測値に基づく気象値の例を示している。図４は気象衛星で撮影された画像から、格子間隔で地上の日射量を予測した数値である。日射量の単位はＭＪ／ｍ^２となっているが、他の単位に変換してもよい。このように、気象値には観測値だけでなく、気象予測値を含めることができる。

需要予測装置１０は気象情報システム２０に端末としてアクセスし、気象値を取得する。アクセス方式や提供されるデータの形式については特に問わない。

気象情報システム２０は、クライアント・サーバシステムにおけるサーバとして動作してもよい。この場合、気象情報システム２０は端末からの要求を受信したら、要求された気象値を当該端末に送信する。また、気象情報システム２０は、定期的に加入端末へ気象値を配信する、配信サーバであってもよい。この場合、端末は配信サービスへの加入設定を行えばよい。気象情報システム２０は、クラウドストレージサービスであってもよい。
この場合、端末は、クラウドストレージ内のデータベースやファイルにアクセスし、気象値をダウンロードする。気象情報システム２０はウェブサービスとして提供されていてもよい。この場合、端末は各種のＷＥＢ ＡＰＩを使って気象値を取得する。ＷＥＢ ＡＰＩの例としては、ＸＭＬ、ＪＳＯＮなどがあるが、その他の形式であってもよい。

需要情報システム３０は、情報ネットワークを介して接続された端末に需要実績値を提供する。需要実績値は、時刻情報に対応付けられた過去の需要実績値である。過去の需要実績値としては、例えば電力会社の供給地域における過去の使用実績値を使うことができる。需要予測の対象が、水の需要であれば過去の水道使用量など、商品であれば例えば過去の販売額、販売数、出荷高、生産高などを過去の需要実績値として使うことができる。

図５は、過去の電力需要に係る需要実績値の例を示している。図５のテーブルでは、左から右に年月日、時刻、電力の使用実績値の列が示されている。電力の使用実績値は図２の地図に示された地理的範囲における合計値であり、万ｋＷ単位で表示されている。なお、過去の需要実績値として、火力、水力、原子力、地熱、風力、太陽光など発電所の種別ごとの供給電力や、設備利用率などを使ってもよい。

需要情報システム３０はさらに各年月日、時刻における属性情報を提供してもよい。属性情報は、過去の需要実績値に影響した可能性があるイベントや条件の有無を示す。電力需要に影響する条件としては、例えば日中、深夜、通勤時間帯、夕方、季節、長期休暇、平日、土休日、夏季、冬季などがある。電力需要に影響するイベントとしては、大型のスポーツイベント、祭礼などが挙げられる。

図６は、属性情報の例を示している。図６の例では、２０２０年７月２７日における属性情報が示されている。２０２０年７月２７日には需要予測の地理的範囲内において大型の国際スポーツイベントの開催が計画されており、国内外からの訪問者の増加が見込まれている。例えば、当該スポーツイベント期間内において飲食店の深夜営業時間が延長され、来客数の増加が予想される場合、午前０時から午前２時に「飲食店等の深夜営業」の属性が設定される。各種の競技が午前９時から始まる場合、午前９時以降に「大型イベント」の属性が設定される。また、２０２０年７月２７日は気温が高くなることが予想されるため、すべての時間帯に「夏季」の属性が設定される。属性情報を使うことによって、臨時的な電力需要の増加を需要予測に反映することができるようになる。

需要情報システム３０は、例えば電力会社、国内外の政府機関、業界団体などが提供するサーバ、ウェブサービス、クラウドサービス、またはこれらの組み合わせであってもよい。需要予測装置１０は需要情報システム３０に端末としてアクセスし、需要実績値や属性情報を取得する。気象情報システム２０に係る説明で述べたように、需要情報システム３０へのアクセス方式や、提供されるデータの形式については特に問わない。

ネットワーク１０１は、気象情報システム２０ならびに需要情報システム３０と需要予測装置１０との間でのデータ送受信を実現する。ネットワーク１０１の通信媒体としては例えば、光ファイバ、ＬＡＮケーブル、電話回線、同軸ケーブル、無線などを用いることができる。複数の通信媒体が組み合わされていてもよい。通信規格として、例えばイーサネットや無線ＬＡＮなどを使うことができるが、その他の方式であってもよい。

コンソール４０は、操作者からの各種の入力操作を受け付ける。例えば、需要予測モデルの生成に係る操作、予測結果の可視化に係る操作などを操作者から受け付ける。コンソール４０は、例えばマウス、キーボード、タッチパネル、トラックボール、ジョイスティック、ペンタブレット、音声認識装置、画像認識装置またはこれらの組み合わせより実現される。コンソール４０は、需要予測装置１０の周辺機器であってもよいし、需要予測装置１０からリモートに配置されたパソコン、タブレット、スマートフォン、携帯電話などの情報端末であってもよい。

なお、図１の需要予測システムには１台のコンソール４０しか示されていないが、複数台のコンソール４０があってもよい。

表示装置５０は、入力された各種の情報を表示可能なディスプレイである。表示装置５０は例えば、可視化された気象値、需要実績値、需要予測の結果などを表示する。また、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）などを出力することができる。表示部２４は例えば液晶ディスプレイ、有機エレクトロルミネッセンスディスプレイ、ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）ディスプレイ、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、またはプロジェクタであってもよいし、その他の方式のものであってもよい。

表示装置５０の設置形態や大きさについては特に問わない。例えば、表示装置５０はパソコン、タブレット、スマートフォン、携帯電話などの情報端末で用いられる小型のディスプレイであってもよいし、薄型テレビジョン装置であってもよい。また、屋外に設置された大型の映像装置であってもよい。

なお、図１の需要予測システムには１台の表示装置５０しか示されていないが、複数台の表示装置５０があってもよい。また、コンソール４０と表示装置５０はパソコン、タブレット、スマートフォンなどによって一体的に実現されていてもよい。コンソール４０、表示装置５０は需要予測装置１０からリモート接続されていてもよいし、需要予測装置１０の周辺機器であってもよい。

ネットワーク１０２は、コンソール４０ならびに表示装置５０と需要予測装置１０との間でのデータ送受信を実現する。ネットワーク１０１の通信媒体として例えば光ファイバ、ＬＡＮケーブル、電話回線、同軸ケーブル、無線などを使うことができる。複数の通信媒体が組み合わされていてもよい。通信規格としては、有線のイーサネットやＩＥＥＥ８０２．１１シリーズまたはその後継規格の無線ＬＡＮなどを用いることができるが、方式については特に問わない。

図１の例では、ネットワーク１０２はネットワーク１０１と別のネットワークを構成しているが、ネットワーク１０１とネットワーク１０２は互いに接続され、１つのネットワークを構成していてもよい。

需要予測装置１０を含む需要予測システムがクラウドサービスとして提供される場合、需要予測装置１０を利用者のコンソール４０および表示装置５０から離れたリモートのデータセンターに設置することができる。この場合、ネットワーク１０２でＴＣＰ／ＩＰプロトコルによる通信を行うことができる。

コンソール４０と表示装置５０がいずれも需要予測装置１０の周辺機器である場合、ネットワーク１０２の代わりに、ＰＣＩ Ｅｘｐｒｅｓｓ、ＵＳＢ、ＵＡＲＴ、ＳＰＩ、ＳＤＩＯ、シリアルポート、Ｂｌｕｅｔｏｏｔｈなどのインタフェースを用いてもよい。

ここまで需要予測システムの構成について説明した。以下では、需要予測装置１０の各構成要素について説明する。

需要予測装置１０は、気象予測部１１と、気象データ更新部１２と、需要データ更新部１３と、モデル生成部１４と、記憶部１５と、制御部１７と、可視化部１８とを備えている。このうち、モデル生成部１４はさらに内部の構成要素として地点モデル生成部１４１と、全体モデル生成部１４２とを含む。記憶部１５はさらに内部の構成要素として、需要データベース１５１と、属性データベース１５２と、気象データベース１５３と、モデルデータベース１５４と、予測データベース１５５とを含む。

気象データ更新部１２は、気象情報システム２０から気象値を取得する。気象データ更新部１２が取得する気象値は、複数地点に係る気象値であってもよいし、単一地点に係る気象値であってもよい。なお、気象データ更新部１２は取得した気象値をそのまま気象データベース１５３に保存してもよいし、取得した気象値を加工してから気象データベース１５３に保存してもよい。例えば、特定の観測装置における測定値に特定のバイアスが含まれている場合には、当該バイアスを補正してから保存することができる。

気象データ更新部１２が気象情報システム２０から気象値を取得する方法については特に問わない。例えば、気象情報システム２０から定期的に送信される気象値を受信してもよいし、気象情報システム２０に要求を送信してから、気象値を受信してもよい。また、ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）を使って気象情報システム２０が保持している気象値をダウンロードしてもよい。気象値の取得はプログラムなどによって自動的に行われてもよいし、操作者の指令を受けて行ってもよく、タイミングについても特に問わない。

気象データ更新部１２は、例えば、図２に示された複数の地点における気象値を気象情報システム２０から取得する。気象値としてＡＭｅＤＡＳ観測所の観測値を用いる場合、気象データ更新部１２は気象情報システム２０から、観測値に基づく気象値（例えば、図３のデータ）を図２のそれぞれの地点（ＡＭｅＤＡＳ観測所）について取得する。気象値に日射量を含める場合、気象データ更新部１２は気象情報システム２０から、気象予測値に基づく気象値（例えば、図４のデータ）を図２のそれぞれの地点（ＡＭｅＤＡＳ観測所）について取得する。

ここでは、ＡＭｅＤＡＳ観測所に係る地点の気象値を使うものとして説明したが、需要予測の地理的範囲内にあるのであれば、その他の地点に係る気象値を使ってもよい。例えば、地方自治体、教育機関、研究機関、事業会社などが運営している観測所の観測値を気象値として使ってもよい。また、これらの機関が行う気象予報に含まれる気象予測値を使ってもよい。

需要データ更新部１３は、需要情報システム３０から需要実績値を取得する。需要データ更新部１３は取得した需要実績値をそのまま需要データベース１５１に保存してもよいし、取得した需要実績値を加工してから需要データベース１５１に保存してもよい。例えば、需要情報システム３０から電力需要の予測を行う地域に係る過去の電力需要実績値を直接得られない場合、当該地域に相当する範囲に係る過去の電力需要の値を算出する。厳密な値が算出できない場合には、過去の電力需要の値として推定値を使ってもよい。また、需要データ更新部１３はそれぞれの日時に係る属性情報を取得し、属性データベース１５２に保存する。

モデル生成部１４は、需要データベース１５１に格納された需要実績値と気象データベース１５３に格納された気象値に基づき、需要予測に用いるモデルを生成する。モデル生成部１４は、地点モデル生成部１４１と全体モデル生成部１４２とを含む。地点モデル生成部１４１は地点モデルの作成処理を実行し、全体モデル生成部１４２は全体モデルの作成処理を実行する。需要予測の対象となる地理的範囲に含まれる各地点の気象値に基づく地点モデルを複数組み合わせ、全体モデルが生成される。生成された地点モデルと全体モデルは記憶部１５のモデルデータベース１５４に保存される。

モデル生成部１４は、複数の全体モデルを生成してもよい。例えば、日中、深夜、通勤時間帯、夕方、季節、長期休暇、平日、土休日、スポーツ試合や祭典などイベントの有無など、需要予測を行う日時の属性ごとに異なる全体モデルを用意することができる。需要予測の対象となる地理的範囲が異なる全体モデルを作ってもよい。複数の全体モデルがあると、全体モデルの使い分けが可能となり、需要予測の精度を高めることができる。モデル生成部１４（地点モデル生成部１４１および全体モデル生成部１４２）におけるモデルの生成処理の詳細については後述する。

記憶部１５は、例えば気象値、需要実績値、属性情報、地点モデル、全体モデル、需要予測の結果、プログラムなどのデータを保存可能な記憶領域である。記憶部１５は、例えばＳＲＡＭ、ＤＲＡＭなどの揮発性メモリ、ＮＡＮＤ、ＭＲＡＭ、ＦＲＡＭなどの不揮発性メモリ、ハードディスク、ＳＳＤなどのストレージ装置、またはこれらの組み合わせから構成されている。図１の例において記憶部１５は需要予測装置１０内部の構成要素となっているが、記憶部１５として外部記憶装置やクラウドストレージを用いてもよい。また、複数の内部記憶装置、外部記憶媒体、外部記憶装置、クラウドストレージなどを組み合わせて使ってもよい。

予測部１６は、生成された全体モデルを使って、対象の地理的範囲について需要予測を行う。予測部１６は、需要予測の対象日時ごとに使う全体モデルを切り替えてもよい。例えば、需要予測の対象日時が冬の通勤時間帯であれば、冬の通勤時間帯に係る全体モデルを使ってもよい。夏の日中で土休日の需要予測を行うのであれば、対応する全体モデルを使ってもよい。また、汎用的な全体モデルを使い、条件によって補正値を変更してもよい。予測部１６は、全体モデルによる需要予測の結果を予測データベース１５５に保存する。予測部１６が行う需要予測処理の詳細については後述する。

制御部１７は、コンソール４０で指定された操作を関係する構成要素に伝達する。例えば、モデルの生成操作が行われたとき、制御部１７はモデル生成部１４にモデルの生成指令を出す。需要予測の開始操作が行われたのであれば、制御部１７は予測部１６に需要予測の実行指令を出す。

また、制御部１７は各構成要素からの応答内容を受理する。例えば、予測部１６から需要予測の完了応答を受信したら、可視化部１８に需要予測が完了した旨のメッセージ表示と、予測結果の表示を要求する。そして可視化部１８は、需要予測の完了メッセージと予測結果を表示装置５０に出力する。

可視化部１８は、例えば要因ごとの感応度曲線、各地点の重み係数を示した地図、需要予測の結果などのグラフィック（画像データ）を生成する。可視化部１８は、記憶部１５からグラフィックを生成するのに必要なデータを読み取り、グラフィックの生成を行う。
そして、グラフィックの生成が完了したら、対応する画像データを表示装置５０に出力する。また、可視化部１８はＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）など操作用画面に係る画像データを生成し、表示装置５０に当該画像データを出力する。

以下では記憶部１５に保存されるデータベース１５１〜１５５について説明する。

需要データベース１５１には、需要情報システムから取得した需要実績値を保存する。
需要実績値は上述の図５のように、日時と需要実績値が組み合われた形式で需要データベース１５１に保存される。

属性データベース１５２には、各日時に対応する属性情報を保存する。属性情報は、上述の図６のように、それぞれの日時に対応する条件やイベントが組み合わされた形式で属性データベース１５２に保存される。属性情報を使うことにより、異なる条件に対応したモデルを作ったり、数式に各属性に合わせた効果を与える項を追加したりすることができる。

気象データベース１５３には、気象データ更新部１２が気象情報システム２０から取得した気象値を保存する。気象値は例えば図３のように、それぞれの日時について、気温、降水量、風向、風速、日照時間などの観測値を格納したテーブルの形式で保存される。図４の例のように、それぞれの日時について予測された日射量を格納したテーブルを保存してもよい。また、観測値と気象予測値をひとつのテーブルにマージしてもよい。

モデルデータベース１５４には、それぞれの地点モデルと全体モデルが保存される。複数の全体モデルを保存する場合には、全体モデルに識別子を付与する。識別子は、全体モデルの名称や適用条件などを示した文字列であってもよいし、生成時刻を示したタイムスタンプや英数字であってもよく、形式については特に問わない。

予測データベース１５５には、全体モデルによる需要予測を行った結果が保存される。
需要予測の結果は、少なくとも需要予測の対象日時と需要予測値を含む。電力需要の予測を行った場合、需要予測値は予想される電力需要の値となる。なお、需要予測の結果はさらに対象とした地理的範囲、使用した全体モデルの識別子、予測の基準に使った気象値の日時などを含んでいてもよい。

上述の各データベースは記憶部１５に保存される。なお、データベースの保存フォーマットとしてはＸＭＬ、ＪＳＯＮ、ＣＳＶなどを用いてもよいし、バイナリ形式などその他の形式でもよい。すべてのデータベースが同一のデータベースシステムと保存フォーマットで実現されている必要はなく、複数の方式によるものが混在していてもよい。

需要予測装置１０の各構成要素は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサで動作するソフトウェア（プログラム）によって構成されてもよいし、ＦＰＧＡやＡＳＩＣなどのハードウェアによって構成されてもよいし、これらの組み合わせによって構成されていてもよい。

また、需要予測装置１０の各構成要素は１台の計算機で実現されてもよいし、複数台のサーバの組み合わせで実現されていてもよい。例えば、モデル生成部１４と予測部１６を１台の計算機上ではなく、異なる計算機上に配置してもよい。複数台の計算機を組み合わせて需要予測装置１０を構成する場合、それぞれの計算機は互いにイーサネットなどのＴＣＰ／ＩＰネットワークで接続される。複数台の計算機は、同一のデータセンターに設置されていてもよいし、離れた場所に分散していてもよい。可用性の向上や負荷分散のために冗長構成を用いることもできる。

図７は地点モデル生成処理のフローチャートである。地点モデル生成処理は、需要予測を行う地理的範囲に含まれるそれぞれの地点について実行される。地点モデルは、各々の地点に係る気象値のみを使って、地理的範囲全体の需要に係る需要予測値を出力する。以下では図６のフローチャートを参照しながら、地点モデル生成処理を説明する。

まず、生成する需要予測モデルの用途に合わせ、地理的範囲全体に含まれるそれぞれの地点について、必要となる気象値と需要実績値を特定する。（ステップＳ１０１）生成するモデルは、適用条件を限定したモデルであってもよし、汎用的なモデルであってもよい。例えば、冬季の昼の電力需要を予測するモデルを用意したい場合、過去５年間の１２月、１月、２月の午前１０時から午後３時までの時間帯に係る気象値と需要実績値を使うことができる。汎用的なモデルを作るのであれば季節や時間帯を限定せず、過去５年間の気象値と需要実績値を使ってもよい。

生成する需要予測モデルの用途は電力需要の傾向に合わせて決めることができる。例えば、平日と土休日の電力需要の傾向が異なる場合には、冬季の平日昼に係るモデルと冬季の土休日昼に係るモデルを別々に作ることができる。需要予測モデルは特定の時刻に特化したものであってもよい。例えば、１月の平日の午前８時の電力需要を予測するモデルを生成する場合には、過去５年間の１月の平日、午前８時における気象値と需要実績値を特定する。

大型の祭礼が開催される日の需要予測に特化したモデルを作る場合には、過去の年度において同一の祭礼が開催された日時における気象値と需要実績値を特定する必要がある。
過去の年度で同一の祭礼が開催された日時については、属性情報を参照して特定することができる。

使用する気象値と需要実績値の年数については、近年の景気や産業活動の推移に合わせて決めることができる。景気変動が大きい場合には、例えば、過去２年のデータを使用する。景気変動が大きくない場合には、例えば、過去１０年のデータを使ってもよい。

なお、用途によって需要予測モデルを細分化せず、条件によって補正項の値を調節してもよい。この場合、作成する需要予測モデルの数を抑えることができる。例えば、開催頻度が低い大型のスポーツイベントが開催される時の電力需要を予測する場合には、当該イベントに特化したモデルを作らずに、イベント開催時の気象条件、時刻条件に合致したモデルの補正項に正の値を設定することができる。補正項の詳細については後述する。

ステップＳ１０１の処理は、操作者の指令に基づいて実行してもよいし、スクリプトやプログラムなどによって自動的に実行されてもよい。

必要なデータが特定されたら、該当する気象値と需要実績値を用意する。（ステップＳ１０２）需要データベース１５１、気象データベース１５３に必要なデータが保存されているかを確認する。データベースに必要なデータが保存されているのであれば、データベースのデータを使用する。データベースに保存されているデータが不足している場合には、気象情報システム２０または需要情報システム３０から必要なデータを取得する。このときの処理は、気象データ更新部１２および需要データ更新部１３に係る説明で述べた通りである。

次に過去の需要実績値を目的変数、各々の観測値または気象予測値を従属変数として回帰を行う。また、要求があれば結果をグラフとして可視化する。（ステップＳ１０３）ここで可視化されるグラフを感応度曲線と呼ぶことにする。回帰手法は線形回帰でも、非線形回帰でも、ニューラルネットワークなどの機械学習モデルのいずれを使ってもよく、特に方法は問わない。

また、ステップＳ１０３では、要求があれば回帰の結果である感応度曲線をグラフとして可視化する。可視化の処理はプログラムなどによって自動的に実行されてもよいし、操作者からの要求を受けて実行されてもよい。

ひとつの従属変数について回帰が行われたら、得られた回帰式が当該従属変数の感応度を再現できているか否かを確認する。（ステップＳ１０４）すなわち、ステップＳ１０４では回帰式により従属変数と目的変数の関係が充分な精度で再現できているのかを確認する。再現精度の確認方法については特に限定しない。

例えば、残差分析を行い、各サンプルに係る残差が０近傍に偏りなくばらついている場合、感応度曲線の再現精度は高いと判断することができる。残差が０以外の値の近傍に分布している場合や、分布に偏りがある場合、感応度曲線の再現精度は低いと判断される。
残差分析は、スクリプトやプログラムなどによって自動的に実行することができる。

ステップＳ１０３で感応度曲線を可視化し、再現精度の確認を人手によって行うこともできる。操作者は表示装置５０に表示された感応度曲線を視覚的に確認する。再現精度が充分であると判断した場合、コンソール４０を操作し、当該回帰式を承認する。再現精度が不足していると判断した場合には、コンソール４０を操作し、当該回帰式を使用対象から除外する。

図８は、電力需要の気温に対する感応度曲線の例を示している。一方、図９は電力需要の日射量に対する感応度曲線の例を示している。図８、図９の縦軸は過去の電力使用実績を１００ＭＷ単位で示している。図８の横軸は気温である。一方、図９の横軸はＭＪ／ｍ^２単位の日射量である。横軸はいずれも回帰式の従属変数を示している。図８、図９のグラフは散布図となっており、それぞれの点は需要実績値の各サンプルに対応する。

それぞれの散布図では近似曲線が示されている。図８、図９の例では、２次関数による回帰が行われたため近似曲線が示されているが、線形近似が行われた場合には回帰直線を表示してもよい。ここで、２次関数による回帰は一例であり、これとは異なる次数の多項式による回帰を行い、図８、図９とは異なる形状の近似曲線を表示してもよい。また、グラフには近似曲線または回帰直線を表示しなくてもよい。例えば、近似曲線または回帰直線が非表示の散布図を生成してもよい。

図８と図９を比較すると、後者のグラフの方が近似曲線に対するデータサンプルのばらつきが大きくなっていることがわかる。回帰の結果が可視化されると、例えば図８や図９のグラフが表示装置５０に表示される。

感応度曲線（回帰式）の再現精度によって処理が分岐する。（ステップＳ１０４）回帰式の再現精度が充分であると判断される場合にはステップＳ１０８へ進む。回帰式の再現性が充分でないと判断される場合には、ステップＳ１０５に進む。

ステップＳ１０５では、すべての回帰手法が当該従属変数について試されたか否かを確認する。ここでいう回帰手法とは、地点モデル生成部１４１に実装されている回帰手法のことをいう。まだ適用されていない回帰手法がある場合、回帰手法を変更する。（ステップＳ１０６）当該従属変数について、すべての回帰手法を既に適用済みである場合には、該当する従属変数に係る回帰式をモデルから除外する。（ステップＳ１０７）

次に、すべての従属変数について、回帰式が求められているかを確認する。（ステップＳ１０８）ここで、すべての従属変数とはひとつの地点に係るすべての観測値または気象予測値のことをいう。すべての従属変数について回帰式が求められている場合、ステップＳ１０９に進む。まだ回帰式が求められていない従属変数がある場合には、ステップＳ１０３に戻り、別の従属変数について回帰を行う。

ひとつの地点に係るすべての従属変数について回帰式が求められたら、回帰式を組み合わせて地点モデルを生成する。（ステップＳ１０９）地点モデルとして、例えば一般化加法モデル（ＧＡＭ：Ｇｅｎａｒａｌｉｚｅｄ Ａｄｄｉｔｉｖｅ Ｍｏｄｅｌ）を使うことができる。一般化加法モデルでは、電力の需要予測値が各回帰式を加算した形で表現されるため、需要予測値への従属変数（要因）ごとの寄与を明らかにすることができる。それぞれの従属変数に係る感応度曲線を可視化すると、温度、日射量、湿度などの要因ごとに電力需要への影響度を分析できる。

下記の式（１）は一般化加法モデルｆ_Ｒｊ（ｔ）の例である。

式（１）の一般化加法モデルは地点ごとに生成される地点モデルに相当する。ここで、ｔは需要予測の対象時刻（日時）である。ｊは各々の地点（１、２、３・・・、ｊ_ｍａｘ）を示している。ｊ_ｍａｘは地点の数である。ｄ（ｔ―ｔ_ｂ）は基準となる過去の需要実績値を示している。ｔ_ｂは予測対象時刻から何時間遡った過去の需要実績値を使うのかを示している。ｆ_ｉｊはそれぞれの回帰式を示している。ｆ_ｉｊは、ステップＳ１０３で求められた回帰式に正規化係数を乗じた値であってもよい。それぞれの回帰式ｆ_ｉｊは異なる従属変数を有する。

ｇ（Ａ）は補正項であり属性に応じた効果を示している。Ａは、平日、土休日、通勤時間帯、イベントの有無などの属性である。ｇ（Ａ）は属性の組み合わせによって異なる効果を与える。例えば、年末年始など業務用電力が小さくなる属性を与えた場合には、ｇ（Ａ）として負の値を設定することができる。オリンピックなど大型のイベントが行われた場合には、ｇ（Ａ）として正の値を設定することができる。

下記の式（２）は気象値に含まれる観測値、気象予測値を従属変数とする一般化加法モデルの一例である。

ここで、ｄ（ｔ−２４）は予測対象日時の２４時間前の需要実績値である。ｆ_１ｊ（Ｔ_ｔ）は気温についての回帰式である。ここで、Ｔ_ｔは時刻ｔにおける気温の観測値または気象予測値である。ｆ_２ｊ（Ｉ_ｔ）は日射量についての回帰式である。ここで、Ｉ_ｔは時刻ｔにおける日射量の観測値または気象予測値である。ｆ_３ｊ（Ｓ_ｔ）は日射量についての回帰式である。ここで、Ｓ_ｔは時刻ｔにおける湿度の観測値または気象予測値である。

上述の一般化加法モデルは例であり、その他の方法を使って地点モデルを作成することを妨げない。例えば、重回帰分析によって地点モデルを生成してもよいし、ニューラルネットワークやディープラーニングなどの機械学習によって地点モデルを作ってもよい。回帰手法は線形でも、非線形のいずれでもよい。

図１０は、地点モデル（一般化加法モデル）による需要予測結果の例を示している。図１０のグラフでは、縦軸が１００ＭＷ単位の電力需要、横軸が時刻となっている。地点モデルによる需要予測は破線で示されており、実際の電力需要は実線で示されている。図１０をみると、地点モデルによる需要予測の値が実際の電力需要の値から乖離していることがわかる。このように、ひとつの地点に係る気象値のみを使って、一定の地理的範囲の電力需要の合計値を正確に予測することができるとは限らない。

以下では、図７のフローチャートの説明に戻る。

ひとつの地点に係る地点モデルを作成したら、需要予測の地理的範囲に含まれるすべての地点について地点モデルが生成されているかを確認する。（ステップＳ１１０）対象の全地点について地点モデルが生成済みならば、地点モデル生成処理は終了する。地点モデルが未作成の地点があるのであれば、ステップＳ１０２に戻り、当該地点に係る気象値に基づき地点モデルを作成する。

なお、図１０のフローチャートでは回帰式の生成と地点モデルの生成を繰り返しているが、複数の回帰式や地点モデルを並列的に生成してもよい。並列処理は例えばマルチコアのＣＰＵや、複数台の計算機によって実現することができる。

地点モデル生成処理が完了すると、複数の地点モデルがモデルデータベース１５４に保存される。需要予測の対象となる地理的範囲が広い場合、地点モデルの数は数百や数千以上に及ぶ。需要予測モデルの学習に要する時間と資源を抑制しつつ、精度の高いモデルを生成するためには、使用する地点モデルの数を減らす必要がある。

図１１は全体モデル生成処理のフローチャートである。全体モデル生成処理では、全体モデルに組み込む地点モデルを選択し、高精度な需要予測を行える全体モデルを生成する。全体モデルの作成時にそれぞれの地点モデルに対する重み係数が決定される。重み係数は、それぞれの地点における気象値の、需要予測の対象となる地理的範囲における需要予測値への寄与度に基づき設定される係数である。ある地点の気象値が当該地理的範囲における需要予測値に影響しない場合、寄与度は０となる。ある地点の気象値が当該地理的範囲における需要予測値に大きく影響する場合、寄与度は大きくなる。ある地点の気象値が当該地理的範囲における需要予測値に大きく影響しない場合、寄与度は小さくなる。以下では図１１のフローチャートを参照しながら、全体モデル生成処理を説明する。

最初に学習に使うモデルと、使用するパラメータを決める。（ステップＳ２０１）全体モデルの作成には機械学習の各種モデルを使うことができる。以下では機械学習モデルを定式化する。

下記の式（３）はベクトル形式のパラメータ（θ_１、θ_２、θ_３、・・・、θ_ｂ）に関する全体モデルＺ_θである。

ここでは、全体モデルＺ_θとして線形モデルを使っているが、例えばカーネルモデルなどその他の種類のモデルを使ってもよい。式（３）の全体モデルは一例であり、その他の項を含むモデルを使ってもよい。

式（３）において、各々の地点モデルに相当する関数ｆ_Ｒｊ（ｘ_ｊ）はベクトル空間の基底関数となっている。下記の式（４）で示すように、基底関数ベクトルの次元数は地点の数ｊ_ｍａｘに等しくなっている。

全体モデルの学習では、需要の予測精度が最も高いパラメータ（θ_１、θ_２、θ_３、・・・、θ_ｂ）の組み合わせを求める。

以降では学習にスパース正則化を使った場合を例に説明を行う。スパース正則化では学習するモデルの汎化性能を確保するために、下記の式（５）のように、正則化パラメータλとノルムの積を加算した損失Ｊを使う。

正則化パラメータの値は、サンプルデータなどを使い適応的に決めることができる。

スパース正則化による学習では、下記の式（６）のように損失Ｊの値が最小となるパラメータθ_ｊを見つける。

損失Ｊは、訓練データｙｊとモデルの出力値のずれの大きさを定式化した量である。損失Ｊとしては例えば二乗誤差を使ってもよいし、フーバー（Ｈｕｂｅｒ）損失やテューキー（Ｔｕｋｅｙ）損失などその他の損失を使ってもよい。

ステップＳ２０１では学習に使われるモデルとして、例えば線形モデルやガウスモデルなどのモデルを決定する。さらに二乗誤差、フーバー損失、テューキー損失など、使用する損失の種類も決定する。また、モデルに含まれるパラメータの値も決める。パラメータの例としては、正則化パラメータλなどがある。交差確認（ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）を行い、その結果に基づいてモデル、損失の種類やパラメータを決めてもよい。

次に、学習によってそれぞれの地点モデルに係る重み係数を計算し、全体モデルを生成する。（ステップＳ２０２）重み係数は例えばスパース正則化による学習で求めることができる。以下では、スパース正則化による学習の手順について、さらに説明を行う。

スパース正則化では、下記の式（７）のように、損失Ｊに対して、ｌ_１ノルムによる制約条件を課す。

ｌ_１ノルムとは、下記の式（８）のような要素の絶対値和である。

式（４）の基底関数ベクトルが展開するベクトル空間において、式（８）の条件を満たす領域は、各軸上で頂点を持つ。それぞれの軸はいずれかのパラメータに対応する。損失Ｊが下に凸な形状であり、解が当該頂点上にある場合、パラメータの値は０となる。

そこで、スパース正則化では、いくつかのパラメータθ_ｊの値が０になるよう、式（８）の要件を満たす解（θ_１、θ_２、θ_３、・・・、θ_ｂ）を計算する。解は各種の数値計算用アルゴリズムによって求めることができる。使うアルゴリズムの種類については特に問わない。

学習の結果、解（θ_１、θ_２、θ_３、・・・、θ_ｂ）においていずれかのパラメータの値が０になると、全体モデルＺ_θから当該パラメータに対応する基底関数（地点モデル）の項を除くことができる。対応するパラメータか非零値となった基底関数（地点モデル）については、パラメータθ_ｊを重み係数として全体モデルＺ_θに組み込まれる。すなわち、全体モデルＺ_θは地点モデル生成処理で生成された地点モデルのうち、一部の地点モデルについて重み係数θ_ｊを乗じ、足し合わせた線形結合の形をとる。

全体モデルＺ_θに組み込む地点モデルの数を減らすと、モデルの生成と需要予測に要する時間を節約することができる。また、すべての地点に係る気象値を学習する場合に比べ、ＣＰＵ時間や記憶領域の消費が抑えられる。なお、多数の地点に係る気象値が得られず、地点モデル生成部１４１で生成された地点モデルの数が元々少ない場合には、全体モデル生成部１４２で、地点モデルの数を減らさずに、すべての地点モデルを組み込んだ全体モデルＺ_θを生成してもよい。

上述の例のように、多くの変数が学習データにある場合に、すべての変数をモデルに含めず、一部の変数のみを選択することを特徴選択という。特徴選択では、予測結果に関係する変数のみを選択し、関連性が薄い変数を選択対象から外す。これにより、過適合（過学習）を防止し、モデルの汎化性能を高めることができる。

また、学習データ中に互いに相関のある変数が混在している場合、特徴選択を行うことで代表的な変数への絞り込みを行うことができる。例えば、地理的に隣接する地点に係る地点モデルが複数ある場合、一般にこれらの地点における気象条件は類似するため、代表的な地点をひとつ選べばよい。ここで、それぞれの地点は学習データの変数に対応している。

上述の例のように、特徴選択を行うと学習データの多重共線性を解消することができる。本実施形態において、特徴選択は複数の地点（地点モデル）の集合から、実際に全体モデルに組み込む地点（地点モデル）を抽出する処理に相当する。

図１２は、各地点に係る重み係数テーブルの例を示している。ステップＳ２０２では全体モデル生成部１４２による学習の結果、図１２の重み係数テーブルが作成される。当該テーブルはモデルデータベース１５４に保存される。重み係数テーブルは地点モデルが作成されたそれぞれの地点に係る重み係数を格納している。

図１２の例では、地点４に係る重み係数が０．００となっているため、地点４に係る地点モデルは全体モデルＺ_θに組み込まれないことがわかる。また、地点２に係る重み係数は０．０３、地点３に係る重み係数は０．０２となっており、重み係数が０．０１である地点１や地点ｊに比べて強く重み付けされている。

上述ではスパース正則化による特徴選択を説明したが、これ以外の方法によって地点の数を減らしてもよい。例えば主成分分析（ＰＣＡ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）や特異値分解（ＳＶＤ：Ｓｉｎｇｕｌａｒ Ｖａｌｕｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）を使って次元削減を行い、全体モデルに組み込む地点モデルの数を減らしてもよい。

また、重み係数はスパース正則化以外の方法によって決定してもよい。例えば、重み係数を統計データに基づいて決定することができる。例えば、特徴選択によって抽出された地点の住民数、就業者人口、世帯数、工業製品の出荷額、施設の面積などを使って重み係数を算出してもよい。例えば日中の電力需要を予測する全体モデルを生成する場合、就業者人口が多い地点は、日中の人口が少ない地点に比べて強く重み付けされる。工業製品の出荷額や施設の面積が大きい地点については、同じ人口数の地点に比べ、強く重み付けすることができる。統計データに基づく重み付け係数の設定は操作者が手動で行ってもよいし、プログラムなどによって自動的に行ってもよい。プログラムによる重み係数の設定を行う場合、例えば統計データを関数に入力し、関数の出力値をそれぞれの地点モデルへの重み係数にすることができる。

以下では、図１１のフローチャートの説明に戻る。

全体モデルが生成された後、要求があれば各地点の重み係数を可視化する。（ステップＳ２０３）重み係数の可視化はプログラムなどによって自動的に行われてもよいし、操作者からの要求を受けて実行されてもよい。

図１３は日中における各地点の重み係数の例を示している。図１４は深夜における各地点の重み係数の例を示している。図１３、図１４は関東地方の１都６県に山梨県および静岡県東部を加えた範囲の地図である。地図上に描かれた円はＡＭｅＤＡＳ観測所がある地点を示している。それぞれの地図には、大きさが拡大された円が混在して配置されている。円の大きさは、重み係数の大きさに比例している。例えば、最も大きいサイズの円が配置された地点に係る重み係数は０．０３であり、次に大きいサイズの円が配置された地点に係る重み係数は０．０２である。小さいサイズの円が配置された地点の重み係数は０．０１である。

なお、図１３、図１４の例では地図上に表示した円のサイズにより重み係数の大きさを示したが、その他の方法によって重み係数を示すことができる。例えば、地図上で色彩や濃淡を変更し、重み係数の大きさを示してもよい。

ステップＳ２０３で可視化部１８は例えば図１３、図１４の地図を表示装置５０に表示する。

次に、重み係数の値が地理データと整合しているか確認する。（ステップＳ２０４）重み係数の整合性確認は、人手によって行ってもよい。人手による確認を行う場合、操作者は表示装置５０に表示された地図上に示された重み係数の大きさを目視で確認する。例えば、国立公園内の人口が希薄な地点で大きいサイズの円が表示されている場合、地点の選択や重み係数の設定を見直す必要があると判断することができる。重み係数の設定に問題がある場合、操作者は、全体モデルを再作成することができる。（ステップＳ２０１）

各地点の住民数、就業者人口、世帯数、工業製品の出荷額、施設の面積などの地理データを重み係数と照合するプログラムをモデル生成部１４に実装してもよい。プログラムを使うことによって重み係数の整合性確認を自動化することができる。地理データはあらかじめ記憶部１５に保存していてもよいし、最新のデータを需要情報システム３０などの外部システムからダウンロードしてもよい。重み係数が地理データと整合していないとプログラムが判断した場合、全体モデルの再作成を行うことができる。（ステップＳ２０１）

重み係数の値と地理データの整合性がとれていると判断された場合、全体モデル生成部１４２は生成した全体モデルをモデルデータベース１５４に保存する。（ステップＳ２０５）整合性が確認されれば、当該全体モデルによる需要予測処理を行うことができる。

以上が全体モデル生成処理に係る説明である。以下では、生成された全体モデルを使った需要予測処理について説明する。

図１５は、全体モデルによる需要予測処理のフローチャートである。以下では図１５のフローチャートを参照しながら、需要予測処理を説明する。

まず、需要予測の対象日時を指定する。（ステップＳ３０１）操作者はコンソール４０を操作し、需要予測の対象日時を入力する。需要予測の対象日時は、制御部１７から予測部１６に転送される。需要予測装置１０が需要予測を定期的に行うように設定してもよいし、特定の条件になったときに需要予測が行われるように設定してもよい。

需要予測の対象日時は特に限定されない。例えば、気象値として１２時間後の気象予測値を得られるのであれば、現在から１２時間後の需要予測を行うことができる。また、気象値として現時点の観測値を使い、現時点の需要を推定してもよい。さらに気象値として２か月前の観測値を使って、２か月前の需要の推定値を求めてもよい。得られた推定値を２か月前の実績値と比較し、全体モデルの精度を検証してもよい。

特定の時刻を指定して需要予測を行ってもよいし、一定の期間内に含まれる複数の時刻を指定して需要予測を行ってもよい。例えば、現在から１２時間後の需要予測を行ってもよいし、翌日の午前０時から午後２３時まで１時間ごとの時刻を指定して需要予測を行ってもよい。

次に、需要予測の対象日時の属性情報を参照し、使用する全体モデルを特定する。（ステップＳ３０２）予測部１６は、属性データベース１５２を参照し、需要予測の対象日時に係る属性情報を読み込む。指定した日時に係る属性情報が属性データベース１５２に保存されていない場合には、需要データ更新部１３が需要情報システム３０から属性情報を取得する。

予測部１６は属性情報に基づき、需要予測に使用すべき全体モデルを決定する。ここでは、図６の属性情報を参照した場合を例として説明する。例えば、２０２０年７月２７日午前１１時が需要予測の対象日時であるとする。図６では２０２０年７月２７日午前１１時に夏季、大型イベントという属性が指定されている。モデルデータベース１５４に夏季の大型イベントに特化した全体モデルがある場合、当該全体モデルを選択する。夏季の大型イベントに特化した全体モデルはないが、夏季用の全体モデルがある場合、夏季用の全体モデルを選択し、補正項で大型イベントによる電力需要の増加を反映する。

全体モデルが特定されたら、需要予測の対象地域（地理的範囲）に係る気象値を取得する。（ステップＳ３０３）気象データ更新部１２は、気象情報システム２０から必要な気象値を取得する。ここで、気象データ更新部１２はステップＳ３０２で選択された全体モデルに組み込まれている地点に係る気象値のみを取得すればよく、全地点に係る気象値を取得しなくてもよい。例えば、２０２０年７月２７日午前１１時の電力需要を予測する場合、気象値は２０２０年７月２７日午前１１時の気象予測値を使うことができる。既に気象データベース１５３に２０２０年７月２７日午前１１時の気象値が保存されているのであれば、気象データベース１５３に保存されているデータを使う。

必要な気象値の取得が終わったら、予測の基準となる需要実績値を取得する。（ステップＳ３０４）本実施形態では過去の需要実績値が予測の基準として使われる。例えば、式（２）の一般化加法モデルが使われている場合、ステップＳ３０４では２０２０年７月２７日午前１１時の２４時間前である、２０２０年７月２６日午前１１時の需要実績値が取得される。需要データ更新部１３は、需要情報システム３０から過去の需要実績値を取得する。需要データベース１５１に該当する過去の需要実績値が保存されているのであれば、需要データベース１５１に保存されている値を使う。

なお、図１５のフローチャートでは、ステップＳ３０２、ステップＳ３０３、ステップＳ３０４の順で処理実行されているが、ステップＳ３０４の実行順序は、ステップＳ３０２またはステップＳ３０３の実行順序と入れ替わっていてもよい。

次に、全体モデルを使い、対象日時について需要予測値を求める。（ステップＳ３０５）予測部１６は、気象値と予測の基準となる需要実績値を変数として全体モデルに入力する。全体モデルの出力値は需要予測値となる。求められた需要予測値は、需要予測の対象日時とともに予測データベース１５５に保存される。需要予測対象となった地理的範囲、使用した全体モデルの識別子、予測に使われたデータの日時なども予測データベース１５５に保存してもよい。

需要予測値が求められた後に要求があれば、予測結果を可視化する。（ステップＳ３０６）予測結果の可視化はスクリプトやプログラムなどによって自動的に行われてもよいし、操作者からの要求を受けて実行されてもよい。

ステップＳ３０６において、可視化部１８は例えば感応度曲線のグラフ（散布図）を表示装置５０に出力することができる。例えば、図８、図９のグラフに需要予測値に相当する点をプロットする。操作者は、例えば新たに散布図へプロットされた点と、過去の需要実績値に相当する点または近似曲線（回帰直線）の分布関係を確認する。新たにプロットされた点が他の点または近似曲線（回帰直線）と大きく離れていたら、地点モデルや全体モデルの変更などを検討することができる。

図１６は、全体モデルによる需要予測結果の例を示している。図１６のグラフでは、縦軸が１００ＭＷ単位の電力需要、横軸が時刻となっている。全体モデルによる需要予測は破線で示されており、実際の電力需要は実線で示されている。図１６をみると、全体モデルによる需要予測値と実際の電力需要のずれは小さく、高い精度で予測が行われていることがわかる。一地点の気象値のみが反映されている地点モデルによる予測結果（図１０）と比較すると、図１６の全体モデルでは予測精度が大幅に改善されている。

ステップＳ３０６では、図１６のグラフを表示装置５０に出力し、予測結果の可視化を行ってもよい。図１６のグラフを使うと、時系列で需要予測値の確認を行うことができる。グラフに実際の電力需要を表示しなくてもよい。例えば、実際の電力需要の代わりに前日の電力需要値など、過去の類似した条件の日の電力需要値を表示し、需要予測値との比較対象としてもよい。また、需要予測の対象が１時間や数時間など、１日の一部である場合には、予測対象となった時間帯に係る需要予測値のみを表示してもよい。需要予測値の検証が可能であれば、グラフへの表示方法は特に問わない。

次に、需要予測値が現実的であるかを確認し、需要予測値の検証を行う。（ステップＳ３０７）需要予測値が現実的な値であるか否かの確認方法は特に問わない。例えば、ステップＳ３０６で図１６のグラフによる予測結果の可視化を行った場合、グラフの形状やピーク時の値などから需要予測値を検証することができる。図１６の例では、全体モデルの需要予測値は現実的であると判断される。また、上述のように感応度曲線（散布図）を使い、温度、日射量、湿度などの要因ごとに需要予測値の検証を行ってもよい。

また、需要予測値の検証はプログラムなどによって自動的に行うことができる。例えば、予測部１６は、属性データベース１５２を参照し、需要予測の対象日時と同一の属性を有する過去の日時を特定する。そして、予測部１６は該当する日時の需要実績値を需要データベース１５１から読み込む。予測部１６は過去の需要実績値と需要予測値を比較する。例えば、需要予測値と過去の需要実績値の差がしきい値の範囲内であれば、需要予測値は現実的であると判断する。需要予測値と需要実績値の差がしきい値より大きい場合には、需要予測値は現実的でないと判断する。

需要予測値の検証に異常検知を使ってもよい。異常検知は例えば、ｋ−近傍法、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などの機械学習モデルを使って行うことができる。

需要データベース１５１に需要予測の対象日時と同一の属性を有する過去の需要実績値が保存されていない場合、需要データ更新部１３は追加の需要実績値を需要情報システム３０から取得する。また、予測部１６が属性データベース１５２を参照しても需要予測と同一の属性を有する過去の日時がない場合、需要データ更新部１３は需要情報システム３０にアクセスして属性情報を更新する。

需要予測値の検証結果によって処理が分岐する。（ステップＳ３０７）需要予測値が現実的であると判断された場合、当該需要予測値が正式な需要予測の結果となる。（ステップＳ３０９）需要予測値が現実的ではないと判断された場合、全体モデルの変更を行い、モデルの不備を修正する。（ステップＳ３０８）全体モデルの変更は、自動的に行われてもよいし、操作者からの指示を受けて実行されてもよい。

全体モデルの変更内容は特に問わない。例えば、もとの全体モデルの重み係数のみを調整してもよいし、全体モデル生成処理をステップＳ２０１からやり直してもよい。また、全体モデルに組み込まれる地点モデルの精度を改善するために、地点モデルの生成方法を変更してもよい。また、ステップＳ３０５で過去の実績値から大きく外れる需要予測値が出力された場合には、学習データの不足を解消するため、気象値と需要実績値を拡充することができる。

本実施形態に係る需要予測装置を用いると、気象値から高い精度の需要予測を行うことができるようになる。多重共線性の問題と過適合を防ぐために全体モデルに組み込まれる地点数が抑制されている。このため、モデルの生成や予測に必要な時間や計算資源を減らすことができる。また、本実施形態に係る需要予測装置は、モデルの特性や需要予測の結果を可視化する機能を備える。可視化機能により、視覚的にモデルの検証やチューニングを行うことができ、モデルの予測精度を改善することができる。

本実施形態に係る需要予測装置の適用分野は多岐にわたる。例えば、電力の供給計画、商品の調達計画、物の生産計画の作成、必要な経営資源の予測など、各種の分野に本実施形態に係る需要予測装置を適用することが可能である。

（第２の実施形態）
第１の実施形態に係る需要予測装置では、気象情報システムから取得可能な気象値を使ってモデルの生成や需要予測を行っていた。このため、学習データの内容、サンプル数、全体モデルに入力できるデータの性質は気象情報システムから得られる気象値に含まれる観測値、気象予測値の地点や時刻条件に左右されていた。

例えば、気象情報システムから過去の観測値を取得できるものの、将来の予報値が取得できない場合、そのままでは１２時間後や２４時間後の需要予測を正確に行うのは難しい。気象情報システムから得られる最新の気象値を全体モデルに入力して得られるのは以前の気象値に基づく推定値であり、将来の需要予測値ではない。この場合、需要予測装置は気象情報システムから得ることができる直近の観測値を使って、将来の気象条件を予測する必要がある。

例えば、需要予測の地理的範囲にある観測所の数が少ない場合、需要予測の地理的範囲に含まれる地点の気象予報が行われていない場合、または気象予報の粒度が粗すぎる場合、需要予測装置が気象情報システムから取得できる気象値は不足する。需要予測を行う前に、需要予測装置は数値予報モデルを使って、追加の地点について気象予測をし、気象値を補充しなくてはならない。

図１７は、第２の実施形態に係る需要予測システム全体の構成例を示している。以下では、図１７を参照しながら第１の実施形態に係る需要予測システムとの差異点を中心に説明を行う。

上述の課題に対応するため、第２の実施形態に係る需要予測装置は第１の実施形態に係る需要予測装置の構成要素に加え、気象予測部１１を備えている。需要予測システムのその他の構成要素は第１の実施形態に係る需要予測システムと同様である。

気象予測部１１は、数値予報モデルによる気象予測を行う。数値予報モデルの種類およびスケールについては特に問わない。数値予報モデルは例えば全球アンサンブル予報システムであってもよいし、全球モデルであってもよいし、メソモデルであってもよいし、局地モデルであってもよい。また、季節アンサンブル予報システムなどの大気海洋結合モデルを使ってもよい。条件によって異なるモデルを使い分けてもよいし、複数のモデルを組み合わせてもよい。

気象予測部１１は、気象データベース１５３から数値予報モデルと必要な初期値などの気象値を読み出し、気象予測を行う。気象予測部１１は気象予測が完了したら、気象予測値を気象データベース１５３に保存する。気象データベース１５３に保存された気象予測値は、気象情報システム２０から取得された気象値と同様に、地点モデルと全体モデルの生成や、需要予測に使うことができる。気象予測部１１により、需要予測装置１０が使用する気象値が補充される。

気象データ更新部１２は、気象情報システム２０から定期的に更新版の数値予報モデルをダウンロードし、気象データベース１５３に保存してもよい。これにより数値予報モデルの精度を担保することができる。

図１７では気象予測部１１が需要予測装置１０内部の構成要素となっているが、これは一例である。気象予測部１１は需要予測装置１０の他の構成要素と同一の計算機に配置されていなくてもよい。例えば気象予測部１１はサーバルーム内に配置された科学技術用計算機であってもよいし、大学、研究所、官公庁など外部機関の科学技術用計算機であってもよい。気象予測部１１の構成や配置については特に問わない。

図１８は数値予測モデルによる気象値の計算に係る処理のフローチャートである。以下では図１８を参照しながら、気象予測部１１による気象予測処理について説明する。

最初に使用する数値予報モデルの種類を決定する。（ステップＳ４０１）操作者は、コンソール４０を操作し、需要予測の地理的範囲と対象日時に基づき、気象予測値が必要な地点や、気象予測値の時刻を指定する。コンソール４０からの指令を受けた制御部１７は、気象予測部１１に気象予測値が必要な地点や気象予測値の時刻を送信する。

地点の指定が行われた場合、気象予測部１１は、指定された地点に係る気象予測値が得られる格子間隔に係る数値予報モデルを選択する。例えば、面積数十平方キロメートルの範囲における需要予測を行う場合、格子間隔が狭い（分解能が高い）局値モデルやメソモデルなどを選択する。気象予測値の時刻が指定された場合、気象予測部１１は、指定された気象予測値の時刻に基づき、数値予報モデルを選択する。例えば、時刻として５日後が指定された場合、全球モデルなど予報期間が長いモデルを選択することができる。

一般に数値予報モデルの初期値は、最新の観測値に基づくものであることが望ましい。
したがって、通常、気象予測部１１は最新の気象値を初期値として用いる。アンサンブル予報を行う場合、どのようなばらつきを有する初期値の組み合わせを使うのかを決定する。数値予報モデルの種類や初期値はスクリプトやプログラムなどによって自動的に決められてもよいし、操作者が指定してもよい。

数値予報モデルの種類が決まったら、数値予報モデルの初期値を取得する。（ステップＳ４０２）気象予測部１１は、気象データ更新部１２に必要な初期値を通知する。気象データベース１５３に最新の気象値が保存されている場合、気象予測部１１は当該データを初期値として気象予測を行う。気象データベース１５３の気象値が最新のものでない場合、気象データ更新部１２は気象情報システム２０から最新の気象値を取得し、気象データベース１５３に保存する。この場合、気象予測部１１は新たに取得された気象値を初期値として気象予測を行う。

初期値を取得したら、数値予報モデルによる計算を行う。（ステップＳ４０３）計算結果は、気象データベース１５３に保存される。必要があればステップＳ４０３で力学的ダウンスケーリングを行ってもよい。力学的ダウンスケーリングとは、数値予報モデルとして全球モデルなど地理的スケールが大きいモデルが使われた場合に、需要予測の地理的範囲を含む特定の領域に限り、空間方向でデータの詳細化を行うことをいう。

例えば、現時点から１週間後以上後の時点における面積数十平方キロメートルの狭い範囲における詳細な予報が必要である場合、力学的ダウンスケーリングを行う。力学的ダウンスケーリングでは、メソモデルや局値モデルなど粒度の小さい数値モデルを使ってもよいし、回帰など統計的ダウンスケーリングを行ってもよい。また、数値モデルと統計的ダウンスケーリングを組み合わせてもよい。

アンサンブル予報を行う場合、数値予報モデルに複数の初期値を適用し、複数の気象予測値を求める必要がある。最終的な気象予測値として、例えば複数の気象予測値の平均値を用いることができる。

次に、需要予測モデルに含める地点に相当する、計算モデルにおける座標を特定する。
（ステップＳ４０４）例えば、数値予報モデルにおける原点に相当する位置の緯度と経度を求め、各地点の緯度と経度を数値予報モデルにおける座標に換算する。

次に、計算結果から各地点に対応する座標に係る気象予測値を求める。（ステップＳ４０５）ステップＳ４０４で換算された座標に基づき、計算結果のデータからそれぞれの座標における温度などの物理値を取り出す。これにより、地点名と気象予測値の対応付けが行われる。

必要に応じて各地点の気象予測値を補正してもよい。（ステップＳ４０６）使用する数値予報モデルによっては、計算結果にバイアスが含まれることがある。したがって、異なる数値予報モデルが組み合わされている場合には、各数値予報モデルに対応するバイアス補正を行い、モデルによるずれを解消することができる。

最後に各地点の気象予測値を気象データベース１５３の気象値として保存する。（ステップＳ４０７）これにより、気象予測部１１による気象予測値を使って、地点モデル生成処理、全体モデル生成処理、需要予測処理などを実行することができるようになる。

以上で気象予測部１１による気象予測処理は完了する。第２の実施形態に係る需要予測装置の地点モデル生成処理、全体モデル生成処理、需要予測処理は第１の実施形態の需要予測装置と同様である。

このように、需要予測装置に気象予測を行う機能を追加することによって、より細かい粒度での需要予測を行ったり、現在数日または数週間後のような先の時点における需要予測ができるようになる。

（第３の実施形態）
図１８に、本実施形態に係る需要予測装置のハードウェア構成を示す。本実施形態に係る需要予測装置は、コンピュータ装置２００により構成される。コンピュータ装置２００は、ＣＰＵ２０１と、入力インタフェース２０２と、表示装置２０３と、通信装置２０４と、主記憶装置２０５と、外部記憶装置２０６とを備え、これらはバス２０７により相互に接続されている。

ＣＰＵ（中央演算装置）２０１は、主記憶装置２０５上で、コンピュータプログラムである需要予測プログラムを実行する。需要予測プログラムは、需要予測装置の上述の各機能構成を実現するプログラムのことである。需要予測プログラムは、ひとつのプログラムではなく、複数のプログラムやスクリプトの組み合わせにより実現されていてもよい。ＣＰＵ２０１が、需要予測プログラムを実行することにより、各機能構成は実現される。

入力インタフェース２０２は、キーボード、マウス、およびタッチパネルなどの入力装置からの操作信号を、需要予測装置に入力するための回路である。

表示装置２０３は、需要予測装置から出力されるデータを表示する。表示装置２０３は、例えば、ＬＣＤ（液晶ディスプレイ）、有機エレクトロルミネッセンスディスプレイ、ＣＲＴ（ブラウン管）、またはＰＤＰ（プラズマディスプレイ）であるが、これに限られない。コンピュータ装置２００から出力されたデータは、この表示装置２０３に表示することができる。

通信装置２０４は、需要予測装置が外部装置と無線または有線で通信するための回路である。データは、通信装置２０４を介して外部装置から入力することができる。外部装置から入力したデータを、主記憶装置２０５や外部記憶装置２０６に格納することができる。

主記憶装置２０５は、需要予測プログラム、需要予測プログラムの実行に必要なデータ、および需要予測プログラムの実行により生成されたデータなどを記憶する。需要予測プログラムは、主記憶装置２０５上で展開され、実行される。主記憶装置２０５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。需要データベース１５１、属性データベース１５２、気象データベース１５３、モデルデータベース１５４、予測データベース１５５は、主記憶装置２０５上に構築されてもよい。

外部記憶装置２０６は、需要予測プログラム、需要予測プログラムの実行に必要なデータ、および需要予測プログラムの実行により生成されたデータなどを記憶する。これらの需要予測プログラムやデータは、需要予測プログラムの実行の際に、主記憶装置２０５に読み出される。外部記憶装置２０６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。需要データベース１５１、属性データベース１５２、気象データベース１５３、モデルデータベース１５４、予測データベース１５５は、外部記憶装置２０６上に構築されてもよい。

なお、需要予測プログラムは、コンピュータ装置２００に予めインストールされていてもよいし、ＣＤ−ＲＯＭなどの記憶媒体に記憶されていてもよい。また、需要予測プログラムは、インターネット上にアップロードされていてもよい。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

［付記］
［項目１］
地理的範囲内にある複数の地点における気象データと、前記地理的範囲における需要データとを記憶する記憶部と、
前記需要データと、前記複数の地点のうち、いずれかの地点における前記気象データとに基づいて前記地理的範囲における需要値を推定するための第１モデルを複数生成し、複数の前記第１モデルに基づいて前記需要値を推定するための第２モデルを生成する、モデル生成部と、
を備えた情報処理装置。
［項目２］
前記モデル生成部は、複数の前記第１モデルの少なくとも一部を組み合わせて前記第２モデルを生成する、
項目１に記載の情報処理装置。
［項目３］
前記モデル生成部は、生成した複数の前記第１モデルのうち、一部の前記第１モデルを使って前記第２モデルを生成する、
項目１または２に記載の情報処理装置。
［項目４］
前記モデル生成部は、前記地点における前記気象データの前記需要値への寄与度に基づいて前記第１モデルに設定する重み係数を決定し、前記第２モデルを生成する、 項目１ないし３のいずれか一項に記載の情報処理装置。
［項目５］
前記モデル生成部は、スパース正則化によって前記重み係数の計算および前記第２モデルに含める前記第１モデルの選択を行う、
項目４に記載の情報処理装置。
［項目６］
前記モデル生成部は、主成分分析または特異値分解によって前記第２モデルに含める前記第１モデルの選択を行う、
項目３ないし５のいずれか一項に記載の情報処理装置。
［項目７］
前記需要データの前記需要値と前記地点における前記気象データ内の数値との関係を散布図の形でプロットした第１グラフを生成する、可視化部をさらに備える、
項目１ないし６のいずれか一項に記載の情報処理装置。
［項目８］
前記可視化部は、前記数値を変数として前記需要値を表現した回帰直線または近似曲線を前記第１グラフに重ねて出力する、
項目７に記載の情報処理装置。
［項目９］
前記モデル生成部は、前記変数についてユーザが承認した回帰式を使って前記第１モデルを生成する、
項目８に記載の情報処理装置。
［項目１０］
前記可視化部は、前記第２モデルの生成に使われた前記気象データの前記地点ごとに、前記第１モデルにおける前記第２モデルの重み係数の大きさを表示した地図を出力する、 項目８に記載の情報処理装置。
［項目１１］
前記可視化部が前記地図を出力した後、前記モデル生成部は、ユーザの操作に応じて前記第２モデルを再び生成する、
項目１０に記載の情報処理装置。
［項目１２］
前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定する、予測部をさらに備える、
項目１ないし６のいずれか一項に記載の情報処理装置。
［項目１３］
前記予測部が推定した時刻ごとの前記需要値と、前記需要データ内の前記需要値とをプロットした第２グラフを出力する、可視化部をさらに備える、
項目１２に記載の情報処理装置。
［項目１４］
前記モデル生成部は、ユーザの操作に応じて前記第２モデルの変更を行う、
項目１３に記載の情報処理装置。
［項目１５］
前記予測部は、前記需要データ内の実績値に基づいて推定した前記需要値を検証し、 前記モデル生成部は、前記予測部による前記需要値の検証結果に応じて前記第２モデルの変更を行う、
項目１２ないし１４のいずれか一項に記載の情報処理装置。
［項目１６］
前記第２モデルの変更は、前記第２モデルの再生成または前記第２モデルに含まれる前記第１モデルの生成方法の変更を含む、
項目１４または１５に記載の情報処理装置。
［項目１７］
前記気象データに基づき、前記地理的範囲に含まれる任意の前記地点における前記気象予測値を計算する、気象予測部をさらに備える、
項目１２ないし１６のいずれか一項に記載の情報処理装置。
［項目１８］
前記モデル生成部は、一般化加法モデルを用いて前記第１モデルを生成する、 項目１ないし１７のいずれか一項に記載の情報処理装置。
［項目１９］
前記需要データは電力需要データであり、前記需要値は電力需要の値である、 項目１ないし１８のいずれか一項に記載の情報処理装置。
［項目２０］
地理的範囲内にある複数の地点における気象データと、前記地理的範囲における需要データとを記憶部に記憶するステップと、
前記需要データと、前記複数の地点のうち、いずれかの地点における前記気象データとに基づいて前記地理的範囲における需要値を推定するための第１モデルを複数生成するステップと、
複数の前記第１モデルに基づいて前記需要値を推定するための第２モデルを生成するステップと、
前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定するステップとをコンピュータが実行する、
需要予測方法。
［項目２１］
地理的範囲内にある複数の地点における気象データと、前記地理的範囲における需要データとを記憶部に記憶するステップと、
前記需要データと、前記複数の地点のうち、いずれかの地点における前記気象データとに基づいて前記地理的範囲における需要値を推定するための第１モデルを複数生成するステップと、
複数の前記第１モデルに基づいて前記需要値を推定するための第２モデルを生成するステップと、
前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定するステップとを含む、
需要予測プログラム。

１０ 需要予測装置
１１ 気象予測部
１２ 気象データ更新部
１３ 需要データ更新部
１４ モデル生成部
１５ 記憶部
１６ 予測部
１７ 制御部
１８ 可視化部
４０ コンソール
５０ 表示装置
１０１、１０２ ネットワーク
１４１ 地点モデル生成部
１４２ 全体モデル生成部
１５１ 需要データベース
１５２ 属性データベース
１５３ 気象データベース
１５４ モデルデータベース
１５５ 予測データベース
２００ コンピュータ装置
２０１ ＣＰＵ
２０２ 入力インタフェース
２０３ 表示装置
２０４ 通信装置
２０５ 主記憶装置
２０６ 外部記憶装置
２０７ バス

Claims (20)

1. 地理的範囲における需要データを、前記地理的範囲内にある複数の地点のうち、いずれかの地点における気象データによって回帰することにより前記地理的範囲における需要値を推定するための第１モデルを前記複数の地点に対応して複数生成し、
   複数の前記第１モデルの予測値と前記需要データとの差分に基づいて複数の前記第１モデルの重み係数を決定し、
   前記重み係数により複数の前記第１モデルを結合することにより、前記需要値を推定するための第２モデルを生成する、モデル生成部、
   を備えた情報処理装置。
2. 前記モデル生成部は、複数の前記第１モデルのうち、一部の前記第１モデルを使って前記第２モデルを生成する、
   請求項１に記載の情報処理装置。
3. 前記モデル生成部は、スパース正則化によって前記重み係数の決定を行う、
   請求項１または２に記載の情報処理装置。
4. 前記モデル生成部は、主成分分析または特異値分解によって前記第１モデルの選択を行う、
   請求項２に記載の情報処理装置。
5. 前記需要データの前記需要値と前記地点における前記気象データ内の数値との関係を散布図の形でプロットした第１グラフを生成する、可視化部をさらに備える、
   請求項１ないし４のいずれか一項に記載の情報処理装置。
6. 前記可視化部は、前記数値を変数として前記需要値を表現した回帰直線または近似曲線を前記第１グラフに重ねて出力する、
   請求項５に記載の情報処理装置。
7. 前記モデル生成部は、前記変数についてユーザが承認した回帰式を使って前記第１モデルを生成する、
   請求項６に記載の情報処理装置。
8. 前記可視化部は、前記第２モデルの生成に使われた前記気象データの前記地点ごとに、前記第１モデルにおける前記第２モデルの重み係数の大きさを表示した地図を出力する、 請求項６に記載の情報処理装置。
9. 前記可視化部が前記地図を出力した後、前記モデル生成部は、ユーザの操作に応じて前記第２モデルを再び生成する、
   請求項８に記載の情報処理装置。
10. 前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定する、予測部をさらに備える、
    請求項１ないし４のいずれか一項に記載の情報処理装置。
11. 前記予測部が推定した時刻ごとの前記需要値と、前記需要データ内の前記需要値とをプロットした第２グラフを出力する、可視化部をさらに備える、
    請求項１０に記載の情報処理装置。
12. 前記モデル生成部は、ユーザの操作に応じて前記第２モデルの変更を行う、
    請求項１１に記載の情報処理装置。
13. 前記予測部は、前記需要データ内の実績値に基づいて推定した前記需要値を検証し、
    前記モデル生成部は、前記予測部による前記需要値の検証結果に応じて前記第２モデルの変更を行う、
    請求項１０ないし１２のいずれか一項に記載の情報処理装置。
14. 前記第２モデルの変更は、前記第２モデルの再生成または前記第２モデルに含まれる前記第１モデルの生成方法の変更を含む、
    請求項１２または１３に記載の情報処理装置。
15. 前記気象データに基づき、前記地理的範囲に含まれる任意の前記地点における前記気象予測値を計算する、気象予測部をさらに備える、
    請求項１０ないし１４のいずれか一項に記載の情報処理装置。
16. 前記モデル生成部は、一般化加法モデルを用いて前記第１モデルを生成する、
    請求項１ないし１５のいずれか一項に記載の情報処理装置。
17. 前記需要データは電力需要データであり、前記需要値は電力需要の値である、
    請求項１ないし１６のいずれか一項に記載の情報処理装置。
18. 前記複数の地点における前記気象データと、前記地理的範囲における前記需要データとを記憶する記憶部、
    を備えた請求項１〜１７のいずれか一項に記載の情報処理装置。
19. 地理的範囲における需要データを、複数の地点のうち、いずれかの地点における気象データによって回帰することにより前記地理的範囲における需要値を推定するための第１モデルを前記複数の地点に対応して複数生成するステップと、
    複数の前記第１モデルの予測値と前記需要データとの差分に基づいて複数の前記第１モデルの重み係数を決定し、前記重み係数により複数の前記第１モデルを結合することにより、前記需要値を推定するための第２モデルを生成するステップと、
    前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定するステップとをコンピュータが実行する、
    情報処理方法。
20. 地理的範囲における需要データを、前記地理的範囲内にある複数の地点のうち、いずれかの地点における気象データによって回帰することにより前記地理的範囲における需要値を推定するための第１モデルを前記複数の地点に対応して複数生成するステップと、
    複数の前記第１モデルの予測値と前記需要データとの差分に基づいて複数の前記第１モデルの重み係数を決定し、前記重み係数により複数の前記第１モデルを結合することにより、前記需要値を推定するための第２モデルを生成するステップと、
    前記第１モデルに気象予測値と基準となる需要実績値とを入力し、前記地理的範囲における前記需要値を推定するステップと
    をコンピュータに実行させるためのコンピュータプログラム。

Images