JP7176656B1 - 予測モデル再学習装置、予測モデル再学習方法及びプログラム - Google Patents
予測モデル再学習装置、予測モデル再学習方法及びプログラム Download PDFInfo
- Publication number
- JP7176656B1 JP7176656B1 JP2022082239A JP2022082239A JP7176656B1 JP 7176656 B1 JP7176656 B1 JP 7176656B1 JP 2022082239 A JP2022082239 A JP 2022082239A JP 2022082239 A JP2022082239 A JP 2022082239A JP 7176656 B1 JP7176656 B1 JP 7176656B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- prediction model
- relearning
- index value
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本実施形態に係る予測モデル再学習装置10のハードウェア構成例を図1に示す。図1に示すように、本実施形態に係る予測モデル再学習装置10は、入力装置101と、表示装置102と、外部I/F103と、通信I/F104と、RAM(Random Access Memory)105と、ROM(Read Only Memory)106と、補助記憶装置107と、プロセッサ108とを有する。これらの各ハードウェアは、それぞれがバス109を介して通信可能に接続されている。
本実施形態に係る予測モデル再学習装置10の機能構成例を図2に示す。図2に示すように、本実施形態に係る予測モデル再学習装置10は、データ取得部201と、評価指標値算出部202と、コンセプトドリフト検知部203と、データ決定部204と、再学習部205と、更新判定部206と、モデル更新部207とを有する。これら各機能部は、予測モデル再学習装置10にインストールされた1以上のプログラムが、プロセッサ108に実行させる処理により実現される。なお、当該各機能部のうちの一部の機能部が、通信ネットワークを介して接続される計算機(例えば、クラウド上のサーバ等)が備えるプロセッサにより実現されていてもよい。
以下、本実施形態に係る予測モデル再学習処理の流れについて、図4を参照しながら説明する。
以下、本実施形態に係る予測モデル再学習処理の評価について説明する。
ここで、yが目的変数、x1~x4が説明変数、εは0以上1以下の乱数を取るノイズである。なお、x4は目的変数yに影響を与えない説明変数である。
上記の実施形態では、データ決定部204は、評価指標値算出部202によって算出された評価指標値に応じてαを決定した上で、このαから再学習用データを決定したが、例えば、複数のαを決定した上で、この中から最良のαを用いて再学習用データを決定してもよい。
以上のように、本実施形態に係る予測モデル再学習装置10は、コンセプトドリフトの発生が検知された場合に、現状の予測モデルfの予測精度に応じて、コンセプトドリフト発生後のデータを再学習に用いると共に、コンセプトドリフト発生前のデータをできるだけ再学習に用いず、かつ、適切なデータ数となるように再学習用データを決定する。これにより、再学習後の予測モデルの精度低下が抑制され、コンセプトドリフト発生後のデータに素早く適応することが可能となる。
本実施形態に係る予測モデル再学習装置10は、予測モデルfにより説明変数から目的変数を予測する様々な対象に適用可能である。適用分野の一例を挙げれば、プラントや工場等における電力の需要予測、プラントや工場等における温度予測、商品の販売予測等がある。
101 入力装置
102 表示装置
103 外部I/F
103a 記録媒体
104 通信I/F
105 RAM
106 ROM
107 補助記憶装置
108 プロセッサ
109 バス
201 データ取得部
202 評価指標値算出部
203 コンセプトドリフト検知部
204 データ決定部
205 再学習部
206 更新判定部
207 モデル更新部
208 再学習用データ記憶部
209 予測モデル記憶部
Claims (7)
- 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得するように構成されている取得部と、
前記取得部によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出するように構成されている指標値算出部と、
前記指標値算出部によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知するように構成されている検知部と、
前記検知部によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するように構成されているデータ決定部と、
前記データ決定部によって決定された前記再学習用データを用いて、前記予測モデルを再学習するように構成されている再学習部と、
を有し、
前記データ決定部は、
前記指標値算出部によって算出された評価指標値に応じて0以上T-1以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T-αからt=Tまでの再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定するように構成されている、予測モデル再学習装置。 - 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得するように構成されている取得部と、
前記取得部によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出するように構成されている指標値算出部と、
前記指標値算出部によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知するように構成されている検知部と、
前記検知部によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するように構成されているデータ決定部と、
前記データ決定部によって決定された前記再学習用データを用いて、前記予測モデルを再学習するように構成されている再学習部と、
を有し、
前記データ決定部は、
前記指標値算出部によって算出された評価指標値に応じて1以上T以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T以前のα件の再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定するように構成されている、予測モデル再学習装置。 - 前記再学習後の予測モデルにより、前記再学習前の予測モデルを更新するように構成されている更新部を更に有し、
前記データ決定部は、
複数の前記整数αを決定し、複数の前記整数αの各々に対応する再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定するように構成されており、
前記再学習部は、
複数の前記整数αの各々に対応する再学習用データをそれぞれ用いて、前記予測モデルをそれぞれ再学習するように構成されており、
前記更新部は、
それぞれ再学習された予測モデルのうち、予測性能が最も良い予測モデルにより、前記再学習前の予測モデルを更新するように構成されている請求項1又は2に記載の予測モデル再学習装置。 - 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得する取得手順と、
前記取得手順によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出する指標値算出手順と、
前記指標値算出手順によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知する検知手順と、
前記検知手順によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するデータ決定手順と、
前記データ決定手順によって決定された前記再学習用データを用いて、前記予測モデルを再学習する再学習手順と、
をコンピュータが実行し、
前記データ決定手順は、
前記指標値算出手順によって算出された評価指標値に応じて0以上T-1以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T-αからt=Tまでの再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定する、予測モデル再学習方法。 - 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得する取得手順と、
前記取得手順によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出する指標値算出手順と、
前記指標値算出手順によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知する検知手順と、
前記検知手順によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するデータ決定手順と、
前記データ決定手順によって決定された前記再学習用データを用いて、前記予測モデルを再学習する再学習手順と、
をコンピュータが実行し、
前記データ決定手順は、
前記指標値算出手順によって算出された評価指標値に応じて1以上T以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T以前のα件の再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定する、予測モデル再学習方法。 - 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得する取得手順と、
前記取得手順によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出する指標値算出手順と、
前記指標値算出手順によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知する検知手順と、
前記検知手順によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するデータ決定手順と、
前記データ決定手順によって決定された前記再学習用データを用いて、前記予測モデルを再学習する再学習手順と、
をコンピュータに実行させ、
前記データ決定手順は、
前記指標値算出手順によって算出された評価指標値に応じて0以上T-1以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T-αからt=Tまでの再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定する、プログラム。 - 時刻インデックスt=1からt=Tまでの時系列データとして与えられた再学習用データ集合の中から所定の時刻インデックスt=sからt=s+Lまでの再学習用データを取得する取得手順と、
前記取得手順によって取得された再学習用データを用いて、予測モデルの性能を表す評価指標値を算出する指標値算出手順と、
前記指標値算出手順によって算出された評価指標値が所定の閾値未満である場合、時間経過に伴うデータ特性の変化による前記予測モデルの性能劣化を検知する検知手順と、
前記検知手順によって前記予測モデルの性能劣化が検知された場合、前記予測モデルの再学習に用いる再学習用データを決定するデータ決定手順と、
前記データ決定手順によって決定された前記再学習用データを用いて、前記予測モデルを再学習する再学習手順と、
をコンピュータに実行させ、
前記データ決定手順は、
前記指標値算出手順によって算出された評価指標値に応じて1以上T以下の整数αを決定し、前記再学習用データ集合のうち、時刻インデックスt=T以前のα件の再学習用データを、前記予測モデルの再学習に用いる再学習用データとして決定する、プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022082239A JP7176656B1 (ja) | 2022-05-19 | 2022-05-19 | 予測モデル再学習装置、予測モデル再学習方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022082239A JP7176656B1 (ja) | 2022-05-19 | 2022-05-19 | 予測モデル再学習装置、予測モデル再学習方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7176656B1 true JP7176656B1 (ja) | 2022-11-22 |
JP2023170458A JP2023170458A (ja) | 2023-12-01 |
Family
ID=84144785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022082239A Active JP7176656B1 (ja) | 2022-05-19 | 2022-05-19 | 予測モデル再学習装置、予測モデル再学習方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7176656B1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021256171A1 (ja) * | 2020-06-16 | 2021-12-23 | 株式会社日立製作所 | モデル運用支援システム及び方法 |
-
2022
- 2022-05-19 JP JP2022082239A patent/JP7176656B1/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021256171A1 (ja) * | 2020-06-16 | 2021-12-23 | 株式会社日立製作所 | モデル運用支援システム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2023170458A (ja) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ollivier et al. | Training recurrent networks online without backtracking | |
CA3088689C (en) | Finite rank deep kernel learning for robust time series forecasting and regression | |
US20120130929A1 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
JP4265296B2 (ja) | 変化点検出装置,変化点検出方法および変化点検出用プログラム | |
Liu et al. | An experimental study on symbolic extreme learning machine | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JP2019159888A (ja) | 機械学習システム | |
JP7176656B1 (ja) | 予測モデル再学習装置、予測モデル再学習方法及びプログラム | |
CN113177355B (zh) | 一种电力负荷预测方法 | |
JP7344149B2 (ja) | 最適化装置及び最適化方法 | |
CN116090618A (zh) | 一种电力通信网的运行态势感知方法和装置 | |
JP2024044583A (ja) | プラント応答推定装置、プラント応答推定方法、及びプログラム | |
Marcek | Some statistical and CI models to predict chaotic high-frequency financial data | |
JP7050028B2 (ja) | 計算機システム及び機械学習の制御方法 | |
JP6740193B2 (ja) | パラメータ推定装置、パラメータ推定方法及びパラメータ推定プログラム | |
JP2019095894A (ja) | 推定装置、学習装置、学習済みモデル、推定方法、学習方法、及びプログラム | |
JP5713877B2 (ja) | 入出力モデル推定装置、方法、及びプログラム | |
JP7435883B1 (ja) | ノイズ除去付き予測装置、ノイズ除去付き予測方法、及びプログラム | |
JP7283645B1 (ja) | 予測値補正装置、予測値補正方法及びプログラム | |
EP4239501A1 (en) | Calculation device, calculation program, recording medium, and calculation method | |
JP7428288B1 (ja) | プラント応答推定装置、プラント応答推定方法、及びプログラム | |
JP7462905B2 (ja) | 制御装置、方法、プログラム及びシステム | |
US20240232659A1 (en) | Prediction device, training device, prediction method, training method, prediction program, and training program | |
Akimenko et al. | Optimal control models for interregional migration under social risks | |
Mody et al. | Enhancing Real Estate Market Insights through Machine Learning: Predicting Property Prices with Advanced Data Analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220519 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220809 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220901 |
|
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: 20221011 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221024 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7176656 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |