JPH0695880A - 事例ベース推論装置 - Google Patents

Abstract

(57)【要約】 【目的】 事例ベース推論装置において、事例データが
連続的に変化するようなシステムへの適用を可能とす
る。 【構成】 新事例が入力された場合、新事例の結論部の
推論に用いる事例を既存事例の中から選択して類似度を
演算し、類似度に基づく類似事例と新事例との距離を演
算すると共に距離による重要度を演算し、この重要度を
考慮しながら新事例の推論を行う一方、推論に用いる類
似事例が検索された場合、類似度によりその信憑性を演
算する。この結果、事例データが連続的に変化する複雑
なシステムの予測，制御，同定を行う際に不可欠の、高
精度の推論，推論結果の信憑性評価，及びリアルタイム
の適応学習が可能になる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、過去の経験的事例を事
例データベースに蓄積しておき、新事例の条件に類似し
た既存事例を選択，修正することにより、新事例の結論
を推論する事例ベース推論装置に関する。

【０００２】

【従来の技術】事例ベース推論技術は、“知的活動は、
過去の経験を中心にして行われる”という仮説に基づく
推論モデルの生成技術であり、基本的には次のような推
論が行われる。即ち、まず過去に経験した事例を蓄積し
て事例ベースを生成し、次いで新事例の条件が入力され
た場合にはこれと最も類似した既存事例を事例ベースか
ら検索すると共に、検索された既存事例を適当に修正し
て新事例の結論を推論する。そしてさらに、新事例を学
習して事例ベースを更新するものとなっている。このよ
うな、推論技術は、事例として例えば文字や単語等の個
別データを取り扱ういわゆる自然言語処理等の分野にそ
の適用がなされており、この分野における推論装置実現
のため、各種の手法が提案されている。

【０００３】

【発明が解決しようとする課題】しかし、このような事
例ベース推論技術を、地域冷暖房システムの負荷予測，
プラントのバルブ操作量の制御及び機器特性の同定とい
ったような技術に適用しようとした場合、上記システム
や機器等では事例が文字や単語等の個別データでは無
く、例えば時系列で観測され連続的に変化する気温等の
連続データとなるため、次のような問題を生じている。
即ち、第１点として連続データの事例をどのような形式
で表現して事例ベースを作成するかという問題点、第２
点として連続データの事例間の類似度をどのように決定
して新事例に対する類似事例を検索するかという問題
点、第３点として連続データの類似事例をどのように修
正して新事例の結論として推論するかという問題点、第
４点として連続データの新事例をどのように学習して事
例ベースを更新するかという問題点がある。また、従来
の事例ベースは、３２ｋ個のプロセッサを有するよう
な、膨大な記憶容量と計算量を前提とした技術であるた
め、例えば上記システムや機器等で要求される「小資源
環境におけるリアルタイムな処理の実行」を実現するこ
とが困難であるという問題もあった。したがって本発明
は、気温等の連続データの事例を小規模コントローラ等
で処理可能にすることを目的とする。

【０００４】

【課題を解決するための手段】このような課題を解決す
るために本発明は、各事例間に連続性が成立するような
事例の推論を行う推論装置であって、既存事例の条件部
の各入力変数の値を離散化しこの離散値により条件部を
象徴化すると共に同一象徴に対する既存事例の結論部を
統合化しこの結論部と条件部との関係と，条件部の変化
に対する結論部の変化情報とを付随して生成する事例ベ
ース生成部と、推論を行うための前処理として既存事例
から推論精度を考慮した条件部の類似度を判定するため
に用いるしきい値を決定する手段と，推論に用いる類似
事例の個数の制約を決定する手段とからなるパラメータ
決定部と、新事例の条件部に対する既存事例の類似度を
条件部の位相の連続性に基づいて決定する手段と，条件
部の類似度に基づき事例ベースから新事例に対する類似
事例を条件部が結論部に与える影響度を考慮して検索す
る手段と，新事例に対する類似事例の重要度を位相によ
る条件部の距離から決定する手段と，重要度に基づき複
数の類似事例を条件部の変化に対する結論部の変化を考
慮して修正を行い統合化し新事例の結論部を推論する手
段と，条件部及び結論部の連続性により類似事例の条件
部の位相が近ければ結論部の位相も近いことを用い推論
結果の信憑性を判定する手段と，推論結果及びその信憑
性の情報を出力する手段とからなる事例ベース推論部
と、新事例をそのままリアルタイムに学習し事例ベース
を更新する事例ベース学習部とを設けたものである。

【０００５】

【作用】新事例が入力された場合、新事例の結論部の推
論に用いる事例を既存事例の中から選択して類似度を演
算し、類似度に基づく類似事例と新事例との距離を演算
すると共に距離による重要度を演算し、この重要度を考
慮しながら新事例の推論を行う一方、推論に用いる類似
事例が検索された場合、類似度によりその信憑性を演算
する。

【０００６】

【実施例】以下、本発明について図面を参照して説明す
る。図１は、本発明に係る事例ベース推論装置を適用し
たシステムの一実施例を示すブロック図であり、このシ
ステムは、地域冷暖房の空調負荷予測システムである。
同図において、１は過去に例えば或る時間毎に観測され
た外気温やこのときの不快指数等の事例データを記憶す
る記憶装置、２はこの事例データを各月毎に類別するデ
ータ類別部、１０は各月毎の事例データから認識モデル
を作成すると共に，実際に外気温等の新たなデータが入
力されたときにこの認識モデルに基づき各月への帰属性
を認識し負荷予測を行う状態認識自動生成装置、２０は
各月毎の事例データから各月の因果関係モデルを作成す
ると共に，新しいデータが入力されたときにこの因果関
係モデルに基づいて推論を行いかつその信憑性を算出す
る推論装置、３０は負荷予測値表示部、４０は信憑性統
合手段、５０は信憑性表示部である。

【０００７】ここで、状態認識自動生成装置１０は、認
識モデル生成手段１１、認識モデル学習手段１２、認識
モデル記憶部１３、認識モデル状況入力手段１４、帰属
性認識手段１５、最終予測値決定手段１６から構成され
ている。そして認識モデル生成手段１１は、過去の事例
データから認識のための要因抽出を行い各要因による認
識モデルを生成すると共に、認識モデル学習手段１２は
外気温等の新事例データを入力した場合にこれを学習し
て上記認識モデルの更新等を行い、これらの認識モデル
は認識モデル記憶部１３に記憶される。一方、帰属性認
識手段１５は、認識モデル状況入力部１４からの新事例
データを入力した場合、記憶部１３の認識モデルに基づ
いて各要因への帰属性を認識してこの認識結果を最終予
測値決定手段１６へ送出すると共に、最終予測値決定手
段１６は、この認識結果と推論装置２０の推論結果とを
統合して最終の負荷予測値として出力するものとなって
いる。

【０００８】また、推論装置２０は、因果関係モデル生
成手段２１、因果関係モデル学習手段２２、因果関係モ
デル記憶部２３、因果関係モデル状況入力部２４、推論
手段２５、信憑性計算手段２６から構成されている。そ
して、因果関係モデル生成手段２１は、過去の事例デー
タについてその入力要因とその数時間後の結果である例
えば室温との因果関係のモデルを生成すると共に、因果
関係モデル学習手段は、新事例データが入力された場合
にこれを学習して上記因果関係モデルの更新等を行い、
これらの因果関係モデルは因果関係モデル記憶部２３に
記憶される。一方、推論手段２５は、因果関係モデル状
況入力部２４からの新事例データを入力すると、この新
事例データについて記憶部１３の因果関係モデルに基づ
き推論を行い、この推論結果を上記最終予測値決定手段
１６へ送出して状態認識自動生成装置１０による認識結
果と統合させ、負荷予測値表示部３０にこの予測値を表
示させる。また推論手段２５はその推論結果を信憑性計
算手段２６へ送出して信憑性の演算を行わせ、信憑性表
示部５０に表示させる。なお、推論手段２５は、新事例
データを推論する場合、位相（ｔｏｐｏｌｏｇｙ）に基
づいて推論するようにしている。この位相とは、集合に
連続の概念が定義できるように与えられる構造のことを
言い、例えば新事例データと過去の事例データとの距離
や類似性の近さ等を示している。

【０００９】ここで推論装置２０は、ハード的には、図
３に示すように、既存事例データ（過去の事例データ）
を入力するオフライン装置６１、新事例データを入力す
るオンライン入力装置６２、アルゴリズム記憶部６３、
アルゴリズム記憶部６３に記憶された所定のアルゴリズ
ムにしたがって推論動作を行うＣＰＵ６４、各種のデー
タを記憶するデータ記憶部６５、及び出力装置６６から
構成されており、また機能的には、図２に示す各手段か
ら構成されている。

【００１０】即ち、上記した因果関係モデル生成手段２
１としてのメモリベース作成手段２１Ａ，パラメータ決
定手段２１Ｂ、上記した因果関係モデル学習手段２２、
推論手段２５としての類似度決定手段２５Ａ，類似度事
例検索手段２５Ｂ，重要度決定手段２５Ｃ，事例統合手
段２５Ｄ、上記した信憑性計算手段２６、及び出力手段
２７から構成されている。

【００１１】推論装置２０は、上記したように、過去の
事例データについてその入力要因とその数時間後の結果
である例えば室温との因果関係について扱うものであ
り、入力空間としてＸ＝＜ｘ１，ｘ２，・・・，ｘｎ＞
を、また出力空間としてＹ＝＜ｙ＞を仮定した場合に、
時刻ｔにおいて生じた事象Ｘ１（ｔ），Ｘ２（ｔ），・
・・，Ｘｎ（ｔ）がα時間後に出力Ｙ（ｔ＋α）を生じ
るような、つまり入出力データとして｛Ｘ１（ｔ），Ｘ
２（ｔ），・・・，Ｘｎ（ｔ），Ｙ（ｔ＋α）｝（ｔ＝
１，・・・，Ｎ）の関係を有し、各入出力変数が連続的
に変化するようなデータを推論する装置である。

【００１２】このような推論装置においては、推論を行
う前にまず、因果関係モデル手段２１により過去の事例
データについて事例ベースを作成する。即ち、まず入力
空間を離散化して有限個の入力事象に分割し、同一入力
現象に属する入出力データを統合化することで１つの事
例を生成する。このとき事例の条件部、つまり外気温や
不快指数等のデータは、離散化された入力データ｛Ｘ
１，Ｘ２，・・・，Ｘｎ｝となり、また事例の結論部、
つまりα時間後の室温は、出力データの重心値Ｙ，同一
入力事象が起こった回数ｎ及びその偏微分値の重心値Δ
Ｙ／ΔＸ１，・・・，ΔＹ／ΔＸｎ、即ち｛Ｙ，ｎ，Δ
Ｙ／ΔＸ１，・・・，ΔＹ／ΔＸｎ｝となる。

【００１３】例えば、入力データとして外気温Ｘ１
（℃）及び不快指数Ｘ２（％）が観測され、これらのデ
ータの或期間内の各時刻ｔ（ｔ＝１，・・・，Ｎ）を通
しての最大値（ｍａｘ），最小値（ｍｉｎ）がそれぞ
れ、 Ｘ１（ｍａｘ）＝３０．０，Ｘ１（ｍｉｎ）＝２０．０ Ｘ２（ｍａｘ）＝８０．０，Ｘ２（ｍｉｎ）＝７０．０ となり、かつ時刻ｔ＝ｔ₁ におけるデータ Ｘ１（ｔ₁ ）＝２５．６，Ｘ２（ｔ₁ ）＝７８．７ が得られたとき、この入力空間を離散化するための離散
化数を「１０」（最大値と最小値間を１０分割する）と
すれば、離散化されたデータは例えばＸ１＝６，Ｘ２＝
９として表され、｛６，９｝という１つの事象に象徴化
される。ここで、時刻ｔ＝ｔ₁ ＋αにおける室温Ｙ（ｔ
₁ ＋α）を２５．０とすると、｛６，９｝→２５．０と
いう因果関係が得られたことになる。

【００１４】また、時刻ｔ＝ｔ₁ ＋１における事象が Ｘ１（ｔ₁ ）＝２５．８，Ｘ２（ｔ₁ ）＝７８．７９で
室温Ｙ（ｔ₁ ＋α＋１）＝２５．５ であるときは、入力事象は同一の｛６，９｝に属し、同
一入力事象に対して生じた事象として ｛６，９｝→２５．２５［＝｛２５．０＋２５．５｝／
２、ここでｎ＝２］ として平均化され、事例データの圧縮が行われる。この
結果、事例ベースに要するメモリの容量を従来例に比べ
格段に少なくできる。また、上記した各偏微分値とは、
各入力変数の変化量に対する出力の変化量であり、この
場合各入出力変数が連続データであることから、この偏
微分値ΔＹ／ΔＸｉ（ｔ）は（１）式により計算するこ
とができる。

【００１５】

【数１】

【００１６】以上のように、過去の事例（既存事例）に
ついて事例ベースの作成を行った後、次に新事例につい
ての推論を推論手段２５により行う。まず、新事例の条
件部を｛Ｘｉ^* ｝（ｉ＝１，２，・・・，ｎ）とし、既
存事例を｛Ｘｉ，Ｙ，ｎ，ΔＹ／ΔＸｉ｝（ｉ＝１，
２，・・・，ｎ）とする。ここで、新事例の条件部は、
入力と同時に上記のように離散化され、かつ象徴化され
ている。

【００１７】ここで新事例の推論を行う場合は、まず新
事例に対する既存事例の類似度を類似度決定手段２５Ａ
により決定する（この類似度とは、位相における近傍系
という概念に相応する）。新事例に対する既存事例の類
似度は次のような定義により決定する。即ち、 類似度０は、｜Ｘｉ^* −Ｘｉ｜＝０ （ｉ＝１，
２，・・・，ｎ） 類似度１は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi （ｉ＝１，
２，・・・，ｎ） 類似度２は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi＋１（ｉ＝１，
２，・・・，ｎ） 類似度３は、｜Ｘｉ^* −Ｘｉ｜≦ｑ_Xi＋２（ｉ＝１，
２，・・・，ｎ） のように定義する。ここで、ｑ_Xiはしきい値と呼ばれ、
既存事例データから、Ｙ（既存事例の結論部）の許容精
度に対するＸｉ（既存事例の条件部）の分散により決定
したデジット値である。

【００１８】一例として、Ｘ１を外気温，Ｘ２を不快指
数とし，Ｙ＝α時間後の室温を考えた場合、室温Ｙと予
測値との誤差が２度以内の予測をしようとしたとき、入
力空間と同様に１デジットが２度となるように離散化を
行う。そして離散化数が例えば「２０」であったとする
と、 デジット１〜２０それぞれに対し同一デジットに属す
るＹ^* （新事例の結論部）を既存事例データから収集し
クラスタリングを行い、同一のクラスに属した新事例の
条件部Ｘ１，Ｘ２の分散を求める。 Ｙ（既存事例の結論部）のデジットｉに属する新事例
の条件部Ｘ１，Ｘ２の各クラスターの分散を離散値とし
て計算し、クラスター数で平均化することでデジット値
ｑｉ_X1，ｑｉ_X2を求める。 デジット値ｑｉ_X1，ｑｉ_X2を下式にしたがって平均化
する。即ち、 ｑ_X1＝Σｑｉ_X1／２０，ｑ_X2＝Σｑｉ_X2／２０

【００１９】ここで、最も近いデジット値として、ｑ_X1
＝２，ｑ_X2＝３（実際には、ｑ_X1＝２．１２３・・・，
ｑ_X2＝３．４５６・・・）とする。しかし、Ｙが１度以
内を必要とすれば、ｑ_X1＝１，ｑ_X2＝２となり、要求さ
れる精度によってデジット値ｑ_Xiは異なる。即ち、各変
数Ｘｉに対し既存事例と新事例との距離がｑ_Xiより小さ
ければ条件部の位相が近いとされ、その時には新事例の
結論部は、既存事例の結論部に対して要求される精度内
に入っていると見なされる。

【００２０】次に、類似事例検索手段２５Ｂにより新事
例に対する類似事例を検索する。新事例に対する類似度
が高い順に、最適事例の既存事例を類似事例として抽出
する。この最適事例数は、例えば既存事例によるシミュ
レーションから最も推論が良くなる事例数を選択する。
同一類似度の既存事例が最適事例数より多く存在する場
合は、各変数ＸｉがＹに与える影響度、即ち相関係数Ｒ
_Xiの大小によって各変数に優先度を設定して抽出する。

【００２１】次に、重要度決定手段２５Ｃにより新事例
に対する類似事例の重要度を決定する。入力空間に距離
を定義して事例間の位相を考慮する。ここでは例として
（２）式に示すような距離Ｌを導入する。

【００２２】

【数２】

【００２３】ここで、Φｉは変数Ｘｉにおける距離の重
みである。そして抽出されたｍ個の類似事例の推論時の
重要度Ｗｊを（３）式を用いて定義する。即ち、

【００２４】

【数３】

【００２５】なお図５は、このような類似事例の重要
度、即ち類似事例の重み付け前後の状況を説明する説明
図である。こうして抽出された最適事例数ｍ個の類似事
例を用いて、新事例Ｘｉ^* （ｉ＝１，２，・・・，ｎ）
に対する推論値Ｙ^* を（４）式を用いて計算し統合化す
る（事例統合手段２５Ｄ）。

【００２６】

【数４】

【００２７】ここで、Ｌijはｉ番目の事例のｊ入力変数
軸上での入力データからの距離、ｙｉはｉ番目の類似既
存事例の結論値、ΔＹ／ΔＸｊはｉ番目の類似既存事例
のｊ番目の変動が結論値に与える変動の割合をそれぞれ
示している。

【００２８】次に推論結果の信憑性判定を信憑性計算手
段２６の計算結果に基づいて行う。即ち、推論に使用さ
れた類似事例の新事例に対する類似度を用い、推論結果
に対する信憑性を判定する。例えば、推論に用いられた
類似事例の新事例に対する類似度の中で、最も高い類似
度がこの推論結果に対する信憑性であると定義すると、
最も高い類似度が「１」である推論結果は、信憑性が
「１」であると判定される。この場合、信憑性「０」が
最も信憑度が高く、数字が大きくなるにつれ信憑度が低
くなる。出力手段２７は、こうして得られた推論結果及
びその信憑性を出力すると共に推論に使用した類似事例
を出力することもできる。

【００２９】次に事例ベース学習を行う場合には、因果
関係モデル学習手段２２により新事例を学習して事例ベ
ースを更新する。このような事例ベースの更新は次の手
順により行われる。ただし、＊が付いているものは新事
例を示している。即ち、前回までの同一条件部の事象回
数をｎとすると、この事象回数を１つ増加させてｎ＋１
にすると共に、出力値Ｙを（Ｙ×ｎ＋Ｙ^* ）／（ｎ＋
１）とし、さらに偏微分値ΔＹ／ΔＸ１を（ΔＹ／ΔＸ
１×ｎ＋ΔＹ／ΔＸ１^* ）／（ｎ＋１）とする。

【００３０】次に、図４は以上のような推論を行う推論
手段２５の動作を要約して示したフローチャートであ
る。即ち、新事例の条件部としての外気温等の新事例デ
ータＸが入力された場合、新事例の結論部である所定時
間後の室温の推論に用いる事例を既存事例の中から選択
し、新事例と既存事例との類似度を計算すると共に、類
似事例を検索する（ステップＳＴ１）。そして、推論に
用いる検索された類似事例と新事例との距離を計算する
と共に、距離による重要度を計算し（ステップＳＴ
２）、この重要度を考慮しながら新事例の結論部の推論
を行い（ステップＳＴ３）、推論結果ｙを得る（ステッ
プＳＴ４）。一方、推論に用いる類似事例が検索された
場合、類似度によりその信憑性を計算し（ステップＳＴ
５）、その結果を得る（ステップＳＴ６）。そして、こ
の信憑性結果と推論結果ｙとは出力される（ステップＳ
Ｔ８）。

【００３１】ここで事実Ｙ（新事例の結論部）が得られ
た場合、この事実Ｙと推論結果ｙとを比較する（ステッ
プＳＴ９）。そして、事実Ｙと推論結果ｙとが異なり、
かつ新事例Ｘが過去の事例に存在しない場合は、新事例
の条件部であるＸとその結論部であるＹとを新事例とし
て登録する（ステップＳＴ１０）。

【００３２】

【発明の効果】以上説明したように、本発明によれば、
新事例が入力された場合、新事例の結論部の推論に用い
る事例を既存事例の中から選択して類似度を演算し、類
似度に基づく類似事例と新事例との距離を演算すると共
に距離による重要度を演算し、この重要度を考慮しなが
ら新事例の推論を行う一方、推論に用いる類似事例が検
索された場合、類似度によりその信憑性を演算するよう
にしたので、事例データが連続的に変化する複雑なシス
テムの予測，制御，同定を行う際に不可欠の、高精度の
推論，推論結果の信憑性評価，及びリアルタイムの適応
学習が可能になると共に、事例データが象徴化されるこ
とによってメモリの容量や計算量が削減され、この結果
小規模コントローラによるリアルタイムな処理実行が可
能になる。

【図面の簡単な説明】

【図１】本発明に係る事例ベース推論装置を適用したシ
ステムの一実施例を示す機能ブロック図である。

【図２】上記推論装置の機能ブロック図である。

【図３】上記推論装置のブロック図である。

【図４】上記推論装置の動作を示すフローチャートであ
る。

【図５】上記推論装置において類似事例の重要度の計算
による重み付け状況を示す図である。

【符号の説明】

２１ 因果関係モデル生成手段 ２１Ａ メモリベース作成手段 ２１Ｂ パラメータ決定手段 ２２ 因果関係モデル学習手段 ２５ 推論手段 ２５Ａ 類似度決定手段 ２５Ｂ 類似事例検索手段 ２５Ｃ 重要度決定手段 ２５Ｄ 事例統合手段 ２６ 信憑性計算手段 ２７ 出力手段

Claims (1)

【特許請求の範囲】
1. 【請求項１】 各事例間に連続性が成立するような事例
   の推論を行う推論装置であって、 既存事例の条件部の各入力変数の値を離散化しこの離散
   値により条件部を象徴化すると共に同一象徴に対する既
   存事例の結論部を統合化しこの結論部と条件部との関係
   と，条件部の変化に対する結論部の変化情報とを付随し
   て生成する事例ベース生成部と、推論を行うための前処
   理として既存事例から推論精度を考慮した条件部の類似
   度を判定するために用いるしきい値を決定する手段と，
   推論に用いる類似事例の個数の制約を決定する手段とか
   らなるパラメータ決定部と、新事例の条件部に対する既
   存事例の類似度を条件部の位相の連続性に基づいて決定
   する手段と，条件部の類似度に基づき事例ベースから新
   事例に対する類似事例を条件部が結論部に与える影響度
   を考慮して検索する手段と，新事例に対する類似事例の
   重要度を位相による条件部の距離から決定する手段と，
   重要度に基づき複数の類似事例を条件部の変化に対する
   結論部の変化を考慮して修正を行い統合化し新事例の結
   論部を推論する手段と，条件部及び結論部の連続性によ
   り類似事例の条件部の位相が近ければ結論部の位相も近
   いことを用い推論結果の信憑性を判定する手段と，推論
   結果及びその信憑性の情報を出力する手段とからなる事
   例ベース推論部と、新事例をそのままリアルタイムに学
   習し事例ベースを更新する事例ベース学習部とを備えた
   ことを特徴とする事例ベース推論装置。