JPH06119291A - 配水量予測装置 - Google Patents
配水量予測装置Info
- Publication number
- JPH06119291A JPH06119291A JP4267350A JP26735092A JPH06119291A JP H06119291 A JPH06119291 A JP H06119291A JP 4267350 A JP4267350 A JP 4267350A JP 26735092 A JP26735092 A JP 26735092A JP H06119291 A JPH06119291 A JP H06119291A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- prediction model
- day
- input information
- water distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Flow Control (AREA)
Abstract
(57)【要約】
【目的】 各需要家に対する日々の配水量を常時最良の
ニューラルネッワーク予測モデルでもって精度よく予測
する。 【構成】 データ処理部2で入力された曜日,配水実
績,気象実績を予測モデルに入力するための入力情報に
データ変換し、予測モデル学習部3において、前記デー
タ変換された複数の入力情報の中から複数種類の組合せ
を選択し、選択された入力情報の各組合せに対応する複
数のニューラルネットワーク予測モデルをバックプロパ
ケーション法で構築する。そして、予測モデル評価部4
で、先に構築された各ニューラルネットワーク予測モデ
ルをAIC値を用いて評価して一つの最適ニューラルネ
ットワーク予測モデルを選択する。最後に、配水量予測
部5にて、選択されたニューラルネットワーク予測モデ
ルを用いて当日の配水量を予測する。
ニューラルネッワーク予測モデルでもって精度よく予測
する。 【構成】 データ処理部2で入力された曜日,配水実
績,気象実績を予測モデルに入力するための入力情報に
データ変換し、予測モデル学習部3において、前記デー
タ変換された複数の入力情報の中から複数種類の組合せ
を選択し、選択された入力情報の各組合せに対応する複
数のニューラルネットワーク予測モデルをバックプロパ
ケーション法で構築する。そして、予測モデル評価部4
で、先に構築された各ニューラルネットワーク予測モデ
ルをAIC値を用いて評価して一つの最適ニューラルネ
ットワーク予測モデルを選択する。最後に、配水量予測
部5にて、選択されたニューラルネットワーク予測モデ
ルを用いて当日の配水量を予測する。
Description
【0001】
【産業上の利用分野】本発明は、経済的で安定した水供
給を目的とし、上水道施設を計画的に運用するために必
要とする配水量を予測する配水量予測装置に係わり、特
に、最適な配水量予測モデルを選択することにより、配
水量の予測精度を向上させた配水量予測装置に関する。
給を目的とし、上水道施設を計画的に運用するために必
要とする配水量を予測する配水量予測装置に係わり、特
に、最適な配水量予測モデルを選択することにより、配
水量の予測精度を向上させた配水量予測装置に関する。
【0002】
【従来の技術】浄水場は凝集,沈殿,濾過という原理的
に時間遅れが生じやすい多数の施設で構成されている。
したがって、各需要家の使用水量が急激に変化しても、
浄水場の配水量を急激に変化させる事はできない。した
がって、毎日、当日の必要とする配水量を予め予測し、
浄水場の日間運用計画を立てることが必要となる。1日
の配水量は、天候,気温等の気象条件,曜日,祝祭日,
5月連休,お盆,正月等の特異日等による社会生活条件
に大きく影響される。
に時間遅れが生じやすい多数の施設で構成されている。
したがって、各需要家の使用水量が急激に変化しても、
浄水場の配水量を急激に変化させる事はできない。した
がって、毎日、当日の必要とする配水量を予め予測し、
浄水場の日間運用計画を立てることが必要となる。1日
の配水量は、天候,気温等の気象条件,曜日,祝祭日,
5月連休,お盆,正月等の特異日等による社会生活条件
に大きく影響される。
【0003】このため、従来の配水量予測手法において
は、曜日等の生活条件別に配水予測値を記憶したり、曜
日と気象条件とを組合わせた配水量の統計モデルを作成
して、この統計モデルにより、1日の配水量予測を補正
していた。例えば、気温が高い日は配水量も多い。
は、曜日等の生活条件別に配水予測値を記憶したり、曜
日と気象条件とを組合わせた配水量の統計モデルを作成
して、この統計モデルにより、1日の配水量予測を補正
していた。例えば、気温が高い日は配水量も多い。
【0004】また、ニューラルネットワーク予測モデル
を採用することによって、日々の実績値でもって、予測
モデルを構成する各重み係数を順次最適値に補正しく手
法も採用されている。
を採用することによって、日々の実績値でもって、予測
モデルを構成する各重み係数を順次最適値に補正しく手
法も採用されている。
【0005】
【発明が解決しようとする課題】しかしながら、単純に
曜日等の生活条件別に配水量を記憶しておく手法や、統
計モデルを用いた手法においては、日々得られる実績デ
ータを次の日の配水量予測に有効に使用できない問題が
ある。
曜日等の生活条件別に配水量を記憶しておく手法や、統
計モデルを用いた手法においては、日々得られる実績デ
ータを次の日の配水量予測に有効に使用できない問題が
ある。
【0006】また、ニューラルネットワーク予測モデル
を用いた場合には、バックプロパゲーション法を用いる
ことによって日々得られる実績データを学習して次の日
の配水量予測に利用できるが、常に最適予測モデルでも
って配水量予測を実施できるとは限らない問題がある。
を用いた場合には、バックプロパゲーション法を用いる
ことによって日々得られる実績データを学習して次の日
の配水量予測に利用できるが、常に最適予測モデルでも
って配水量予測を実施できるとは限らない問題がある。
【0007】本発明はこのような事情に鑑みてなされた
ものであり、複数の入力情報から学習機能を有したニュ
ーラルネットワークにより複数の予測モデルを構築し、
さらにその予測モデルを評価することによって、常に最
適の予測モデルを用いて当日分の配水量を予測でき、配
水量予測精度を大幅に向上できる配水量予測装置を提供
することを目的とする。
ものであり、複数の入力情報から学習機能を有したニュ
ーラルネットワークにより複数の予測モデルを構築し、
さらにその予測モデルを評価することによって、常に最
適の予測モデルを用いて当日分の配水量を予測でき、配
水量予測精度を大幅に向上できる配水量予測装置を提供
することを目的とする。
【0008】
【課題を解決するための手段】上記課題を解消するため
に本発明の配水量予測装置は、入力された曜日,配水実
績,気象実績をニューラルネットワーク予測モデルに入
力するための入力情報にデータ変換するデータ処理部
と、このデータ処理部から出力された複数の入力情報の
中から複数種類の組合せを選択し、選択された入力情報
の各組合せに対応する複数のニューラルネットワーク予
測モデルをバックプロパケーション法で構築する予測モ
デル学習部と、この予測モデル学習部で構築された各ニ
ューラルネットワーク予測モデルをAIC(赤池情報基
準)値を用いて評価して一つの最適ニューラルネットワ
ーク予測モデルを選択する予測モデル評価部と、この予
測モデル評価部にて選択されたニューラルネットワーク
予測モデルを用いて当日の配水量を予測する配水量予測
部と備えたものである。
に本発明の配水量予測装置は、入力された曜日,配水実
績,気象実績をニューラルネットワーク予測モデルに入
力するための入力情報にデータ変換するデータ処理部
と、このデータ処理部から出力された複数の入力情報の
中から複数種類の組合せを選択し、選択された入力情報
の各組合せに対応する複数のニューラルネットワーク予
測モデルをバックプロパケーション法で構築する予測モ
デル学習部と、この予測モデル学習部で構築された各ニ
ューラルネットワーク予測モデルをAIC(赤池情報基
準)値を用いて評価して一つの最適ニューラルネットワ
ーク予測モデルを選択する予測モデル評価部と、この予
測モデル評価部にて選択されたニューラルネットワーク
予測モデルを用いて当日の配水量を予測する配水量予測
部と備えたものである。
【0009】
【作用】このように構成された配水量予測装置であれ
ば、データ処理部において、配水量に影響を及ぼすと考
えられる曜日,天候,気温、および前日の配水量等の多
数の入力情報はニューラルネットワーク予測モデルに入
力するための入力情報にデータ変換される。そして、デ
ータ変換された各入力情報を選択して複数の組合せが作
られる。そして、作成された各組合せ毎にバックプロパ
ゲーション法を用いて重み係数を算出してそれぞれ個別
のニューラルネッワーク予測モデルが構築される。
ば、データ処理部において、配水量に影響を及ぼすと考
えられる曜日,天候,気温、および前日の配水量等の多
数の入力情報はニューラルネットワーク予測モデルに入
力するための入力情報にデータ変換される。そして、デ
ータ変換された各入力情報を選択して複数の組合せが作
られる。そして、作成された各組合せ毎にバックプロパ
ゲーション法を用いて重み係数を算出してそれぞれ個別
のニューラルネッワーク予測モデルが構築される。
【0010】そして、構築された複数のニューラルネッ
ワーク予測モデルに対して、それぞれAIC値を求め
て、この各AIC値でもって、一つの最適のニューラル
ネッワーク予測モデルを選択して、この選択された最適
のニューラルネッワーク予測モデルを用いて当日の配水
量が予測される。
ワーク予測モデルに対して、それぞれAIC値を求め
て、この各AIC値でもって、一つの最適のニューラル
ネッワーク予測モデルを選択して、この選択された最適
のニューラルネッワーク予測モデルを用いて当日の配水
量が予測される。
【0011】
【実施例】以下本発明の一実施例を図面を用いて説明す
る。
る。
【0012】図1は実施例の配水量予測装置の概略構成
を示すブロック図である。この実施例の排水量予測装置
は例えばコンピュータ等の演算処理装置1における各ソ
フト的手法によって構成されている。
を示すブロック図である。この実施例の排水量予測装置
は例えばコンピュータ等の演算処理装置1における各ソ
フト的手法によって構成されている。
【0013】そして、この配水量予測装置は、大きく分
けて、入力された各種データをニューラルネットワーク
予測モデルに入力するための入力情報にデータ処理する
データ処理部2と、複数のニューラルネットワーク予測
モデルを有し、データ処理部2から出力されるデータ処
理済み入力情報に基づいて各ニユーラルネットワーク予
測モデルを学習する予測モデル学習部3と、この予測モ
デル学習部3にて学習された各ニユーラルネットワーク
予測モデルを評価して、最適予測モデルを選択する予測
モデル評価部4と、この予測モデル評価部4にて選択さ
れた予測モデルを用いて当日の配水量を予測する配水量
予測部5とで構成されている。次に、上述した各部2〜
5の構成及び動作を順番に説明していく。
けて、入力された各種データをニューラルネットワーク
予測モデルに入力するための入力情報にデータ処理する
データ処理部2と、複数のニューラルネットワーク予測
モデルを有し、データ処理部2から出力されるデータ処
理済み入力情報に基づいて各ニユーラルネットワーク予
測モデルを学習する予測モデル学習部3と、この予測モ
デル学習部3にて学習された各ニユーラルネットワーク
予測モデルを評価して、最適予測モデルを選択する予測
モデル評価部4と、この予測モデル評価部4にて選択さ
れた予測モデルを用いて当日の配水量を予測する配水量
予測部5とで構成されている。次に、上述した各部2〜
5の構成及び動作を順番に説明していく。
【0014】先ず、データ入力部2を説明する。この配
水量予測装置は、図示するように、浄水池6から配水管
7を介して各需要家に配水される当日(今日)の配水量
を予測する。そして、配水管7に介挿された配水流量検
出器8で現在の配水量が検出され、入力装置(プロセス
インタフェース)9を介してデータ処理部2内の記憶部
2dに一旦蓄積される。従って、次の日になると、記憶
部2dには前日の配水量実績が記録されていることにな
る。
水量予測装置は、図示するように、浄水池6から配水管
7を介して各需要家に配水される当日(今日)の配水量
を予測する。そして、配水管7に介挿された配水流量検
出器8で現在の配水量が検出され、入力装置(プロセス
インタフェース)9を介してデータ処理部2内の記憶部
2dに一旦蓄積される。従って、次の日になると、記憶
部2dには前日の配水量実績が記録されていることにな
る。
【0015】また、CRT表示器10aとキーボードと
で構成されるマンマシンインタフェース等の入出力装置
10には、前日の気温及び天候(実績)と,今日の気温
及び天候(予測)と、前日及び今日の曜日とが入力され
る。なお、この入力装置10から前日の配水量(実績)
が入力される場合もある。この入出力装置10へ入力さ
れた曜日気象等の各入力データはデータ処理部2内の記
憶部2aに一旦蓄積される。
で構成されるマンマシンインタフェース等の入出力装置
10には、前日の気温及び天候(実績)と,今日の気温
及び天候(予測)と、前日及び今日の曜日とが入力され
る。なお、この入力装置10から前日の配水量(実績)
が入力される場合もある。この入出力装置10へ入力さ
れた曜日気象等の各入力データはデータ処理部2内の記
憶部2aに一旦蓄積される。
【0016】記憶部2aに蓄積された曜日気象実績デー
タは次の曜日気象実績データ処理部2bにて図2に示す
ニューラルネットワーク予測モデルに入力するための入
力情報に変換される。なお、このニューラルネットワー
ク予測モデルに対する入力情報は0〜1の間の数字に正
規化して表記する必要がある。次に、各入力情報を正規
化する手順を説明する。 (1) 曜日に関する情報 曜日は直接数字データに現せないので、日曜から土曜日
を0,1ステップで刻んで表現する。 日曜…0.2 月曜…0.3 火曜…0.4 水
曜…0.5 木曜…0.6 金曜…0.7 土曜…0,8 (2) 天候に関する情報
タは次の曜日気象実績データ処理部2bにて図2に示す
ニューラルネットワーク予測モデルに入力するための入
力情報に変換される。なお、このニューラルネットワー
ク予測モデルに対する入力情報は0〜1の間の数字に正
規化して表記する必要がある。次に、各入力情報を正規
化する手順を説明する。 (1) 曜日に関する情報 曜日は直接数字データに現せないので、日曜から土曜日
を0,1ステップで刻んで表現する。 日曜…0.2 月曜…0.3 火曜…0.4 水
曜…0.5 木曜…0.6 金曜…0.7 土曜…0,8 (2) 天候に関する情報
【0017】天候も直接数字データで表現できなので、
天候を晴,曇,雨の3種類に分類し、前日(実績),当
日(予測)の2日分のそれぞれの午前,午後について入
力する。 晴…0.8 曇…0.5 雨…0.2 (3) 最高気温に関する情報 気温は数字で表現できるので、次のデータ処理を施す。
具体的には、最高気温の実績から平均Θmam と分散σΘ
maとを(1)(2)式で演算する。
天候を晴,曇,雨の3種類に分類し、前日(実績),当
日(予測)の2日分のそれぞれの午前,午後について入
力する。 晴…0.8 曇…0.5 雨…0.2 (3) 最高気温に関する情報 気温は数字で表現できるので、次のデータ処理を施す。
具体的には、最高気温の実績から平均Θmam と分散σΘ
maとを(1)(2)式で演算する。
【0018】
【数1】 但し、 Θma(i) : i日の最高気温実績 [°C] Θmam : 平均最高気温 [°C] σΘma : 最高気温の分布 [°C] n : データ数 次に、平均最高気温からの偏差ΔΘma(i) を(3) 式で求
める。 ΔΘma(i) =(Θma(i) −Θmam )/σΘma …(3) 但し、ΔΘma(i) : i日の最高気温からの偏
り (4) 最低気温に関する情報
める。 ΔΘma(i) =(Θma(i) −Θmam )/σΘma …(3) 但し、ΔΘma(i) : i日の最高気温からの偏
り (4) 最低気温に関する情報
【0019】最低気温に対しては前述した最高気温の場
合と同様のデータ処理を実施する。すなわち、最低気温
の実績から平均Θmim と分散σΘmiとを(4)(5)式で演算
する。
合と同様のデータ処理を実施する。すなわち、最低気温
の実績から平均Θmim と分散σΘmiとを(4)(5)式で演算
する。
【0020】
【数2】 但し、 Θmi(i) : i日の最低気温実績 [°C] Θmim : 平均最低気温 [°C] σΘmi : 最低気温の分布 [°C] n : データ数 次に、平均最低気温からの偏差ΔΘmi(i) を(6) 式で求
める。 ΔΘmi(i) =(Θmi(i) −Θmim )/σΘmi …(6) 但し、ΔΘmi(i) : i日の最低気温からの偏り このように、曜日気象実績データ処理部2bでデータ処
理された各処理済データ(1) は記憶部2c内に一旦蓄積
される。 (5) 前日の配水量に関する情報 記憶部2dに記憶された配水量実績は排水量実績データ
処理部2eでもって正規化される。すなわち、配水量は
数字で示されるので、前日の配水量を(7) 式に基づいて
正規化して入力情報とする。 Qy(i)=[Q(i−1)−Qmi]/(Qma−Qmi) …(7) 但し、 Q(i−1) : (i−1)日の日配水実績 [m3 /日] Qma : 最大日配水量 [m3 /日] Qmi : 最小日配水量 [m3 /日] Qy (i) : 正規化された前日の日配水量 n : データ数 次に、ニューラルネットワークの教示(出力)信号とな
る当日の配水量について説明する。
める。 ΔΘmi(i) =(Θmi(i) −Θmim )/σΘmi …(6) 但し、ΔΘmi(i) : i日の最低気温からの偏り このように、曜日気象実績データ処理部2bでデータ処
理された各処理済データ(1) は記憶部2c内に一旦蓄積
される。 (5) 前日の配水量に関する情報 記憶部2dに記憶された配水量実績は排水量実績データ
処理部2eでもって正規化される。すなわち、配水量は
数字で示されるので、前日の配水量を(7) 式に基づいて
正規化して入力情報とする。 Qy(i)=[Q(i−1)−Qmi]/(Qma−Qmi) …(7) 但し、 Q(i−1) : (i−1)日の日配水実績 [m3 /日] Qma : 最大日配水量 [m3 /日] Qmi : 最小日配水量 [m3 /日] Qy (i) : 正規化された前日の日配水量 n : データ数 次に、ニューラルネットワークの教示(出力)信号とな
る当日の配水量について説明する。
【0021】当日の配水量の特徴に関する情報を以下の
方法で処理する。先ず、記憶部2dに蓄積されている配
水量実績のデータを配水量実績データ処理部2eにおい
て(8) 式を用いて正規化する。 Qte(i) =(Q(i) −Qmi)/(Qma−Qmi) …(8) 但し、 Q(i) : i日の日配水実績 [m3 /日] Qma : 最大日配水量 [m3 /日] Qmi : 最小日配水量 [m3 /日] Qte(t) : 正規化されたi日の日配水量 n : データ数 正規化された配水量の各処理済データ(2) は記憶部2f
に一旦記憶される。次に予測モデル学習部3について説
明する。この予測モデル学習部3は、入力情報選択部3
aとモデル学習部3cと2つの記憶部3b,3dとで構
成されている。
方法で処理する。先ず、記憶部2dに蓄積されている配
水量実績のデータを配水量実績データ処理部2eにおい
て(8) 式を用いて正規化する。 Qte(i) =(Q(i) −Qmi)/(Qma−Qmi) …(8) 但し、 Q(i) : i日の日配水実績 [m3 /日] Qma : 最大日配水量 [m3 /日] Qmi : 最小日配水量 [m3 /日] Qte(t) : 正規化されたi日の日配水量 n : データ数 正規化された配水量の各処理済データ(2) は記憶部2f
に一旦記憶される。次に予測モデル学習部3について説
明する。この予測モデル学習部3は、入力情報選択部3
aとモデル学習部3cと2つの記憶部3b,3dとで構
成されている。
【0022】入力情報選択部3aは、各記憶部2c,2
fに記憶されている当日の配水量に影響を与えると考え
られる正規化された各入力情報を任意に選択組合せてニ
ューラルネットワーク予測モデルへ入力する。ここでは
説明を簡単にするために、2つの入力情報(1)(2)の組合
せを選択した場合を説明する。
fに記憶されている当日の配水量に影響を与えると考え
られる正規化された各入力情報を任意に選択組合せてニ
ューラルネットワーク予測モデルへ入力する。ここでは
説明を簡単にするために、2つの入力情報(1)(2)の組合
せを選択した場合を説明する。
【0023】先ず、図2に示すように、一方のニューラ
ルネットワーク予測モデル(1) に対する入力情報(1) と
して、曜日、前日,当日の午前,午後の天候、最高気
温、最低気温を選択する。
ルネットワーク予測モデル(1) に対する入力情報(1) と
して、曜日、前日,当日の午前,午後の天候、最高気
温、最低気温を選択する。
【0024】同様に、他方のニューラルネットワーク予
測モデル(2) に対する入力情報(2)として、曜日、前
日,当日の午前,午後の天候、最高気温、最低気温に加
えて、前日の配水量を選択する。
測モデル(2) に対する入力情報(2)として、曜日、前
日,当日の午前,午後の天候、最高気温、最低気温に加
えて、前日の配水量を選択する。
【0025】そして、これらの選択された2種類の入力
情報(1)(2)は一旦記憶部3bに記憶される。さらに、こ
の入力情報(1)(2)の各組合せに対して、それぞれ教示信
号を当日の配水量とする前述した2種類のニューラルネ
ットワーク予測モデル(1)(2)を構築する。実施例におい
ては、図2に示すように、入力層と中間層と出力層との
3階層構造のニューラルネットワークに構成する。
情報(1)(2)は一旦記憶部3bに記憶される。さらに、こ
の入力情報(1)(2)の各組合せに対して、それぞれ教示信
号を当日の配水量とする前述した2種類のニューラルネ
ットワーク予測モデル(1)(2)を構築する。実施例におい
ては、図2に示すように、入力層と中間層と出力層との
3階層構造のニューラルネットワークに構成する。
【0026】ニューラルネットワーク予測モデルにおけ
るニューロン間の重み係数の学習は、モデル学習部3c
において、周知のバックプロパゲーション手法を用いて
実施される。この重み係数が学習された各ニューラルネ
ットワーク予測モデル(1)(2)が一旦記憶部3dに格納さ
れる。次に、バックプロパゲーション手法を用いて各重
み係数の学習手順を順を追って説明する。
るニューロン間の重み係数の学習は、モデル学習部3c
において、周知のバックプロパゲーション手法を用いて
実施される。この重み係数が学習された各ニューラルネ
ットワーク予測モデル(1)(2)が一旦記憶部3dに格納さ
れる。次に、バックプロパゲーション手法を用いて各重
み係数の学習手順を順を追って説明する。
【0027】周知のように、バックプロパゲーション手
法とは、階層型の構造を有したニョーラルネットワーク
に対してネットクークの誤差が、出力層から入力層へ逆
伝送していく学習方式である。なお、説明においては、
各ニューラルネットワーク予測モデル(1)(2)を区別する
サフィクスは省略されている。 (1) 入力層に、気象及び曜日に関する情報を入力情報
として、中間層及び出力層を以下のニューロンモデルに
従って演算する。中間層の第jニューロンの出力Hj は
(9) 式となる。
法とは、階層型の構造を有したニョーラルネットワーク
に対してネットクークの誤差が、出力層から入力層へ逆
伝送していく学習方式である。なお、説明においては、
各ニューラルネットワーク予測モデル(1)(2)を区別する
サフィクスは省略されている。 (1) 入力層に、気象及び曜日に関する情報を入力情報
として、中間層及び出力層を以下のニューロンモデルに
従って演算する。中間層の第jニューロンの出力Hj は
(9) 式となる。
【0028】
【数3】 但し、 Ii : 入力層第iニューロンの出力 Wij : 入力層第iニューロンと中間層第jニューロ
ンの重み係数 l ; 入力層の数 m : 中間層の数 f( ): 中間層のしきい値関数 一方、出力層の第kニューロンの出力Ok は(10)式とな
る。
ンの重み係数 l ; 入力層の数 m : 中間層の数 f( ): 中間層のしきい値関数 一方、出力層の第kニューロンの出力Ok は(10)式とな
る。
【0029】
【数4】 但し、 Wjk : 中間層第jニューロンと出力層第k
ニューロンの重み係数 m : 中間層の数 n : 出力層の数
ニューロンの重み係数 m : 中間層の数 n : 出力層の数
【0030】(2) 次に、出力層の第kニューロンの出力
Qkと出力層の第kニューロンの教示信号Yk との二乗
誤差の和を最小化するようにニューラルネットワークの
各重み係数を修正して学習する。中間層と出力層との重
み係数に対する学習においては、(11)(12)(13)式を用い
て重み係数の偏差ΔWjkを求めて、最終的に各重み係数
Wjkを修正する。 Wjk(t+1) =Wjk(t) +ΔWjk(t) …(11) ΔWjk(t) =−ε・dK(t)・Hj(t) …(12) dk(t)=Ok(t)−Yk(t) …(13) 但し、 t ; 学習回数 ε : 1回の修正の大きさを決めるパラメータ dk : 出力層の誤差 同様に、入力層と中間層との重み係数の学習において
は、(14)(15)(16)式を用いて重み関数の偏差Wikを求め
て、最終的に各重み係数Wijを修正する。 Wij(t+1) =Wij(t) +ΔWik(t) …(14) ΔWij(t) =−ε・dj(t)・Ii(t) …(15)
Qkと出力層の第kニューロンの教示信号Yk との二乗
誤差の和を最小化するようにニューラルネットワークの
各重み係数を修正して学習する。中間層と出力層との重
み係数に対する学習においては、(11)(12)(13)式を用い
て重み係数の偏差ΔWjkを求めて、最終的に各重み係数
Wjkを修正する。 Wjk(t+1) =Wjk(t) +ΔWjk(t) …(11) ΔWjk(t) =−ε・dK(t)・Hj(t) …(12) dk(t)=Ok(t)−Yk(t) …(13) 但し、 t ; 学習回数 ε : 1回の修正の大きさを決めるパラメータ dk : 出力層の誤差 同様に、入力層と中間層との重み係数の学習において
は、(14)(15)(16)式を用いて重み関数の偏差Wikを求め
て、最終的に各重み係数Wijを修正する。 Wij(t+1) =Wij(t) +ΔWik(t) …(14) ΔWij(t) =−ε・dj(t)・Ii(t) …(15)
【0031】
【数5】 但し、 dj : 中間層の逆伝搬誤差 f´( ) : f( ) の微分関数 さらに、振動を減らし、学習の収束を早めるために、(1
7)(18)式を用いる。 ΔWjk(t) =−ε・dk(t)・Hj(t)+α・ΔWjk(t-1) …(17) ΔWij(t) =−ε・dj(t)・Ii(t)+α・ΔWij(t-1) …(18) 但し、αは安定のためのパラメータである。このように
して得られた各重み係数が組込まれた各ニューラルネッ
ワーク予測デル(1) (2) は一旦記憶部3dに記憶され
る。次に、予測モデル評価部4について説明する。
7)(18)式を用いる。 ΔWjk(t) =−ε・dk(t)・Hj(t)+α・ΔWjk(t-1) …(17) ΔWij(t) =−ε・dj(t)・Ii(t)+α・ΔWij(t-1) …(18) 但し、αは安定のためのパラメータである。このように
して得られた各重み係数が組込まれた各ニューラルネッ
ワーク予測デル(1) (2) は一旦記憶部3dに記憶され
る。次に、予測モデル評価部4について説明する。
【0032】この予測モデル評価部4は、予測モデル学
習部3で得られた各ニューラルネッワーク予測モデル
(1) (2) に対する評価を行うAIC評価部4aと、最適
と評価された方のニューラルネッワーク予測モデルを記
憶する記憶部4bとで構成されている。
習部3で得られた各ニューラルネッワーク予測モデル
(1) (2) に対する評価を行うAIC評価部4aと、最適
と評価された方のニューラルネッワーク予測モデルを記
憶する記憶部4bとで構成されている。
【0033】さらに、AIC評価部4aは例えは図2に
示すように構成されている。そして、このAIC評価部
4aにおいては、入力情報選択部3aにて選択された一
対の入力情報(1)(2)に対応して、それぞれモデル学習部
3cにて構築された各ニューラルネッワーク予測デル
(1) (2) において、学習したデータに対する同定誤差を
e1i,e2iとし、予測モデルの構造物情報P1 ,P2 を
入力情報とし、それぞれの予測モデル(1)(2)に対するA
IC( Akaike's Information Critera : 赤池情報
基準 )の値をAIC値計算部4aaにて算出する。次
に、この各AIC値の具体的算出方法を説明する。
示すように構成されている。そして、このAIC評価部
4aにおいては、入力情報選択部3aにて選択された一
対の入力情報(1)(2)に対応して、それぞれモデル学習部
3cにて構築された各ニューラルネッワーク予測デル
(1) (2) において、学習したデータに対する同定誤差を
e1i,e2iとし、予測モデルの構造物情報P1 ,P2 を
入力情報とし、それぞれの予測モデル(1)(2)に対するA
IC( Akaike's Information Critera : 赤池情報
基準 )の値をAIC値計算部4aaにて算出する。次
に、この各AIC値の具体的算出方法を説明する。
【0034】先ず、一方のニューラルネッワーク予測モ
デル(1) から出力された配水量推定値Y1iと教示信号
(実績配水量)Yi との偏差e1iの二乗和Es1を(19)(2
0)式にて算出する。
デル(1) から出力された配水量推定値Y1iと教示信号
(実績配水量)Yi との偏差e1iの二乗和Es1を(19)(2
0)式にて算出する。
【0035】
【数6】 e1i=Ye1i −Yi …(20) 但し、 Ye1i : 予測モデル(1) の配水量推定値 Yi : 教示信号(実績配水量) N : 教示信号数 次に、ニューラルネッワーク予測モデル(1) のAIC値
A1 を次の(21)式にて算出する。 A1 =N・ln(ES1/N)+2・P1 +C …(21) 但し、 P1 : 入力のニューロン数×中間層の
ニューロン数(任意) C : P1 に無関係な定数(今回はC=0) ln : 自然対数の底
A1 を次の(21)式にて算出する。 A1 =N・ln(ES1/N)+2・P1 +C …(21) 但し、 P1 : 入力のニューロン数×中間層の
ニューロン数(任意) C : P1 に無関係な定数(今回はC=0) ln : 自然対数の底
【0036】同様に、他方のニューラルネッワーク予測
モデル(2) から出力された配水量推定値Y2iと教示信号
(実績配水量)Yi との偏差e2iの二乗和Es2を(22)(2
3)式にて算出する。
モデル(2) から出力された配水量推定値Y2iと教示信号
(実績配水量)Yi との偏差e2iの二乗和Es2を(22)(2
3)式にて算出する。
【0037】
【数7】 e2i=Ye2i −Yi …(23) 但し、 Ye2i : 予測モデル(2) の配水量推定値 Yi : 教示信号(実績配水量) N : 教示信号数 次に、ニューラルネッワーク予測モデル(2) のAIC値
A2 を次の(24)式にて算出する。 A2 =k・ln(ES2/k)+2・P2 +C …(24) 但し、 P2 : 入力のニューロン数n-1 ×中間層
のニューロン数(任意) C : P1 に無関係な定数(今回はC=0) AIC値算出部4aaにて算出された各ニューラルネッワ
ーク予測モデル(1)(2)に対する各AIC値A1 ,A2 は
次の予測モデル選択部4abへ送出される。予測モデル選
択部4abは各AIC値A1 ,A2 の大小関係に従って最
適ニューラルネッワーク予測モデルを次のように選択す
る。 (1) A1 <A2
A2 を次の(24)式にて算出する。 A2 =k・ln(ES2/k)+2・P2 +C …(24) 但し、 P2 : 入力のニューロン数n-1 ×中間層
のニューロン数(任意) C : P1 に無関係な定数(今回はC=0) AIC値算出部4aaにて算出された各ニューラルネッワ
ーク予測モデル(1)(2)に対する各AIC値A1 ,A2 は
次の予測モデル選択部4abへ送出される。予測モデル選
択部4abは各AIC値A1 ,A2 の大小関係に従って最
適ニューラルネッワーク予測モデルを次のように選択す
る。 (1) A1 <A2
【0038】この場合、ニューラルネッワーク予測モデ
ル(1) の入出力間の偏差(誤差)に比較してニューラル
ネッワーク予測モデル(2) の偏差の方が大きいと判断で
きる。各ニューラルネッワーク予測モデル(1)(2)間の相
違は、各入力情報(1)(2)における前日の配水量の有無の
みである。したがって、入力情報(2)に含まれる前日の
配水量は予測しようとする当日の配水量に影響を与えな
いと判断できる。そして、この場合は、先のニューラル
ネッワーク予測モデル(1) を選択する。 (2) A1 >A2
ル(1) の入出力間の偏差(誤差)に比較してニューラル
ネッワーク予測モデル(2) の偏差の方が大きいと判断で
きる。各ニューラルネッワーク予測モデル(1)(2)間の相
違は、各入力情報(1)(2)における前日の配水量の有無の
みである。したがって、入力情報(2)に含まれる前日の
配水量は予測しようとする当日の配水量に影響を与えな
いと判断できる。そして、この場合は、先のニューラル
ネッワーク予測モデル(1) を選択する。 (2) A1 >A2
【0039】この場合、逆に、入力情報(2) に含まれる
前日の配水量は当日の配水量に影響を与えると判断でき
る。この場合は、他方のニューラルネッワーク予測モデ
ル(2) を選択する。
前日の配水量は当日の配水量に影響を与えると判断でき
る。この場合は、他方のニューラルネッワーク予測モデ
ル(2) を選択する。
【0040】以上の処理を、例えば各入力情報の各要素
(曜日,天候,気温)に対して行うことにより、各入力
情報の出力情報への影響を調べて、入力情報を順番に決
定していく。 (3) A1 =A2
(曜日,天候,気温)に対して行うことにより、各入力
情報の出力情報への影響を調べて、入力情報を順番に決
定していく。 (3) A1 =A2
【0041】この場合、P1 ,P2 の小さい方、すなわ
ち、構造が簡単な方のニューラルネッワーク予測モデル
を選択する。このことは、入力数の少ない予測モデルや
中間層の少ない予測モデルは複雑な予測モデルに比較し
て、実際の配水量を予測する場合の演算処理速度が速く
なる。予測モデル選択部4abにて選択された1つの最適
なニューラルネッワーク予測モデルは記憶部4bに記憶
される。
ち、構造が簡単な方のニューラルネッワーク予測モデル
を選択する。このことは、入力数の少ない予測モデルや
中間層の少ない予測モデルは複雑な予測モデルに比較し
て、実際の配水量を予測する場合の演算処理速度が速く
なる。予測モデル選択部4abにて選択された1つの最適
なニューラルネッワーク予測モデルは記憶部4bに記憶
される。
【0042】予測モデル評価部4にて選択された最適な
ニューラルネッワーク予測モデルは次の配水量予測部5
の予測演算部5aに入力される。この予測演算部5aは
入出力装置10から入力された当日及び前日の天候,気
温,曜日等の各種入力情報に基づいて前記選択されたニ
ューラルネッワーク予測モデルを用いて当日の配水予測
量を算出する。算出された配水予測量は一旦記憶部5b
に記憶されたのち入力出力装置10を介してCRT表示
器10aに表示される。
ニューラルネッワーク予測モデルは次の配水量予測部5
の予測演算部5aに入力される。この予測演算部5aは
入出力装置10から入力された当日及び前日の天候,気
温,曜日等の各種入力情報に基づいて前記選択されたニ
ューラルネッワーク予測モデルを用いて当日の配水予測
量を算出する。算出された配水予測量は一旦記憶部5b
に記憶されたのち入力出力装置10を介してCRT表示
器10aに表示される。
【0043】このように構成された配水量予測装置であ
れば、データ処理部11において、入出力装置10から
入力される配水量に影響を及ぼすと考えられる曜日,天
候,気温、および入力装置9から得られる前日の配水量
等の多数の入力情報から、入力情報選択部3aにて複数
の組合を選択する。選択された各情報の組合せからなる
複数の入力情報(1)(2)における各入力情報(1)(2)に対し
て、それぞれ個別にバックプロパゲーション法を用いて
重み係数を算出して各ニューラルネッワーク予測モデル
(1)(2)を構築する。
れば、データ処理部11において、入出力装置10から
入力される配水量に影響を及ぼすと考えられる曜日,天
候,気温、および入力装置9から得られる前日の配水量
等の多数の入力情報から、入力情報選択部3aにて複数
の組合を選択する。選択された各情報の組合せからなる
複数の入力情報(1)(2)における各入力情報(1)(2)に対し
て、それぞれ個別にバックプロパゲーション法を用いて
重み係数を算出して各ニューラルネッワーク予測モデル
(1)(2)を構築する。
【0044】そして、構築された複数のニューラルネッ
ワーク予測モデル(1)(2)に対して、それぞれAIC値を
求めて、この各AIC値でもって、一つの最適のニュー
ラルネッワーク予測モデルを選択して、この選択された
最適のニューラルネッワーク予測モデルを用いて当日の
配水量を予測している。
ワーク予測モデル(1)(2)に対して、それぞれAIC値を
求めて、この各AIC値でもって、一つの最適のニュー
ラルネッワーク予測モデルを選択して、この選択された
最適のニューラルネッワーク予測モデルを用いて当日の
配水量を予測している。
【0045】なお、いずれの入力情報の組合せが最良で
あるかは、この配水量予測装置が予測対象とする配水量
の需要家構成や、夏,冬等の気象条件によっても変化す
ることが予想され、予め一義的に定められない。よっ
て、実施例装置のように、複数の組合わせの中から最良
の組合わせを自動的に選択することによって、常時最良
のニューラルネッワーク予測モデルでもって当日の配水
量を予測できる。
あるかは、この配水量予測装置が予測対象とする配水量
の需要家構成や、夏,冬等の気象条件によっても変化す
ることが予想され、予め一義的に定められない。よっ
て、実施例装置のように、複数の組合わせの中から最良
の組合わせを自動的に選択することによって、常時最良
のニューラルネッワーク予測モデルでもって当日の配水
量を予測できる。
【0046】したがって、1種類の入力情報の組合せに
対してのみバックプロパゲーション手法を用いて1種類
のニューラルネッワーク予測モデルのみを構築していた
従来手法に比較して、配水量の予測精度が格段に向上す
る。
対してのみバックプロパゲーション手法を用いて1種類
のニューラルネッワーク予測モデルのみを構築していた
従来手法に比較して、配水量の予測精度が格段に向上す
る。
【0047】なお、本発明は上述した実施例に限定され
るものではない。実施例の入力情報の組合わせを2種類
としたが、組合せ数を増加することによって、選択の幅
が広くなり、配水量の予測精度をさらに向上できる。ま
た、ニューラルネッワーク予測モデルの中間層の数を変
化させてAIC評価を実施することも可能である。
るものではない。実施例の入力情報の組合わせを2種類
としたが、組合せ数を増加することによって、選択の幅
が広くなり、配水量の予測精度をさらに向上できる。ま
た、ニューラルネッワーク予測モデルの中間層の数を変
化させてAIC評価を実施することも可能である。
【0048】さらに、この排水量予測装置を、例えば電
力需要予測や、ガス需要予測や,さらに天候や気候に左
右される遊園地や行楽地の入場予測に適用することが可
能である。
力需要予測や、ガス需要予測や,さらに天候や気候に左
右される遊園地や行楽地の入場予測に適用することが可
能である。
【0049】
【発明の効果】以上説明したように、本発明の配水量予
測装置によれば、入力情報における複数の組合せに対し
てそれそれニューラルネットワーク予測モデルを構築
し、この構築された複数のニューラルネットワーク予測
モデルの中から最良の予測モデルをAIC評価手法を用
いて自動的に選択している。したがって、常時最良のニ
ューラルネッワーク予測モデルでもって当日の配水量を
予測できるので、配水量予測の予測精度を大幅に向上で
きる。
測装置によれば、入力情報における複数の組合せに対し
てそれそれニューラルネットワーク予測モデルを構築
し、この構築された複数のニューラルネットワーク予測
モデルの中から最良の予測モデルをAIC評価手法を用
いて自動的に選択している。したがって、常時最良のニ
ューラルネッワーク予測モデルでもって当日の配水量を
予測できるので、配水量予測の予測精度を大幅に向上で
きる。
【図1】 本発明の一実施例に係わる配水量予測装置の
概略構成を示すブロック図。
概略構成を示すブロック図。
【図2】 同実施例装置の予測モデル評価部の概略構成
を示すブロック図。
を示すブロック図。
2…データ処理部、3…予測モデル学習部、3a…入力
情報選択部、3c…モデル学習部、4…予測モデル評価
部、4a…AIC評価部、5…配水量予測部、6…浄水
池、7…配水管、8…配水流量検出部、9…入力装置、
10…入出力装置。
情報選択部、3c…モデル学習部、4…予測モデル評価
部、4a…AIC評価部、5…配水量予測部、6…浄水
池、7…配水管、8…配水流量検出部、9…入力装置、
10…入出力装置。
Claims (1)
- 【請求項1】 入力された曜日,配水実績,気象実績を
ニューラルネットワーク予測モデルに入力するための入
力情報にデータ変換するデータ処理部と、このデータ処
理部から出力された複数の入力情報の中から複数種類の
組合せを選択し、選択された入力情報の各組合せに対応
する複数のニューラルネットワーク予測モデルをバック
プロパケーション法で構築する予測モデル学習部と、こ
の予測モデル学習部で構築された各ニューラルネットワ
ーク予測モデルをAIC(赤池情報基準)値を用いて評
価して一つの最適ニューラルネットワーク予測モデルを
選択する予測モデル評価部と、この予測モデル評価部に
て選択されたニューラルネットワーク予測モデルを用い
て当日の配水量を予測する配水量予測部とを備えた配水
量予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4267350A JPH06119291A (ja) | 1992-10-06 | 1992-10-06 | 配水量予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4267350A JPH06119291A (ja) | 1992-10-06 | 1992-10-06 | 配水量予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH06119291A true JPH06119291A (ja) | 1994-04-28 |
Family
ID=17443596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP4267350A Pending JPH06119291A (ja) | 1992-10-06 | 1992-10-06 | 配水量予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH06119291A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
US7228295B2 (en) | 1997-08-14 | 2007-06-05 | Adeza Biomedical Corporation | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions |
JP2019028515A (ja) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | 情報処理装置 |
JP2020091653A (ja) * | 2018-12-05 | 2020-06-11 | オムロン株式会社 | センサシステム |
WO2021095821A1 (ja) * | 2019-11-14 | 2021-05-20 | Wota株式会社 | 情報処理装置、方法、プログラム、システム |
-
1992
- 1992-10-06 JP JP4267350A patent/JPH06119291A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7228295B2 (en) | 1997-08-14 | 2007-06-05 | Adeza Biomedical Corporation | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions |
JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
JP2019028515A (ja) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | 情報処理装置 |
US10664754B2 (en) | 2017-07-25 | 2020-05-26 | Fanuc Corporation | Information processing apparatus |
JP2020091653A (ja) * | 2018-12-05 | 2020-06-11 | オムロン株式会社 | センサシステム |
WO2021095821A1 (ja) * | 2019-11-14 | 2021-05-20 | Wota株式会社 | 情報処理装置、方法、プログラム、システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Regional load forecasting in Taiwan––applications of artificial neural networks | |
Zhang et al. | Short-term traffic flow forecasting using fuzzy logic system methods | |
Wang et al. | Adaptive learning hybrid model for solar intensity forecasting | |
Lohani et al. | Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques | |
Srinivasan et al. | Parallel neural network-fuzzy expert system strategy for short-term load forecasting: system implementation and performance evaluation | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质 | |
CN105427138A (zh) | 基于神经网络模型的产品市场占有率分析方法及*** | |
CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
Shmueli | Applications of neural networks in transportation planning | |
Wu et al. | Automatic fuzzy model identification for short-term load forecast | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
JPH06119291A (ja) | 配水量予測装置 | |
JP3650304B2 (ja) | 需要予測装置 | |
KR20050051955A (ko) | 신경망을 이용한 물수요 예측 방법 | |
JP2704026B2 (ja) | 熱負荷予測システム | |
JP2000305606A (ja) | 配水需要量予測方法 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN114841461A (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
Kim et al. | A neuro-genetic approach for daily water demand forecasting |