【技术实现步骤摘要】
信息处理装置、信息处理方法以及计算机程序
[0001]本申请以日本特许申请2021
‑
070913(申请日:04/20/2021)为基础,根据该申请享受优先利益。本申请通过参照该申请而包含该申请的全部内容。
[0002]本实施方式涉及信息处理装置、信息处理方法以及计算机程序。
技术介绍
[0003]在气象预测、异常气象预测、防灾、可再生能量、水力发电、股价、风险分析等领域中,广泛进行了使用当前和过去的时间序列数据来预测目标变量的一定时间后的值(将来值)。已知以使得在时间序列数据的全部区间中预测值与实绩值的误差最小化的方式构建模型的方法,但在通过该方法构建的模型中,具有在峰值、即极值处预测误差变得非常大的问题。另外,具有如下倾向:当预测期间变长时,预测误差会在峰值处变得更大。
[0004]在水库的水位预测、风速预测、异常气象预测等中,为了防灾而高精度地预测峰值是非常重要的。虽然能够生成能使用基于深度学习的方法来高精度地预测峰值的模型,但为了对庞大数量的模型参数进行学习,需要收集大量的采样。当所收集的采样数少时,模型的预测精度会变低,难以高精度地预测峰值(极值)。另外,具有如下倾向:当预测期间变长时,预测误差会变大。
技术实现思路
[0005]本专利技术的实施方式提供能够高精度地预测成为预测对象的变量的值的信息处理装置、信息处理方法以及计算机程序。
[0006]用于解决问题的技术方案
[0007]本实施方式涉及的信息处理装置具备:分组部,其对包含多个第1变 ...
【技术保护点】
【技术特征摘要】
1.一种信息处理装置,具备:分组部,其对包含多个第1变量和第2变量的第1数据中的所述多个第1变量进行分组,生成包含所述第1变量的多个组;和决定部,其基于所述第1数据,决定对所述多个组所包含的所述第1变量和所述第2变量的预测值进行关联的预测模型的模型架构。2.根据权利要求1所述的信息处理装置,具备评价部,所述评价部基于所述第2变量的预测值与所述第1数据中的所述第2变量的值的差分,算出所述预测模型的评价值,所述分组部基于所述评价值,进行所述多个第1变量的分组。3.根据权利要求2所述的信息处理装置,所述分组部生成对所述多个第1变量进行分组的多个分组候选,所述分组部根据基于所述评价值从所述多个分组候选中选择出的分组候选,对所述多个第1变量进行分组。4.根据权利要求2或者3所述的信息处理装置,所述决定部基于所述评价值,决定所述模型架构。5.根据权利要求1~4中任一项所述的信息处理装置,具备模型生成部,所述模型生成部基于由所述决定部决定的所述模型架构,生成所述预测模型。6.根据权利要求1~5中任一项所述的信息处理装置,所述预测模型是包括将所述多个组的所述第1变量作为输入的多个子模型、并基于所述多个子模型的输出值来预测所述第2变量的模型。7.根据权利要求1~6中任一项所述的信息处理装置,所述多个第1变量与多个时刻关联,所述分组部按与所述时刻相应的顺序对所述多个第1变量进行分组。8.根据权利要求1~7中任一项所述的信息处理装置,所述多个第1变量包括第1时刻的变量、所述第1时刻之前的第2时刻的变量以及所述第1时刻之后的第3时刻的变量,所述分组部将所述第1时刻的变量分类到第1组,将所述第2时刻的变量分类到第2组,将所述第3时刻的变量分类到第3组。9.根据权利要求8所述的信息处理装置,所述第1时刻与进行基于所述预测模型的预测的时间点的时刻对应。10.根据权利要求1~6中任一项所述的信息处理装置,所述分组部随机地对所述多个第1变量进行分组。11.根据权利要求1~9中任一项所述的信息处理装置,所述预测模型是包括输入层、至少一个中间层以及输出层的神经网络,所述决定部决定所述至少一个中间层中的节点数来作为所述模型架构。12.根据权利要求1~11中任一项所述的信息处理装置,所述决定部决定所述至少一个层的层数来作为所述模型架构。13.根据权利要求1~12中任一项所述的信息处理装置,
所述决定部决定所述预测模型的模型参数数量为所述第1数据的采样数以下的模型架构。14.根据权利要求1~13中任一项所述的信息处理装置,具备数据制作部,所述数据制作部在一个以上的说明变量的时间序列数据和目标变量的时间序列数据中算出所述说明变量与所述...
【专利技术属性】
技术研发人员:峰瑠斗本,S,
申请(专利权)人:东芝能源系统株式会社,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。