According to the present invention, a first learning unit (101) learns a differential model (111) for predicting the difference between current observation data at the current time and past observation data at each of a plurality of past times, the current observation data and the past observation data being observation data obtained by observing an observation target at a plurality of observation points at each time. A second learning unit (102) learns a (past) prediction model (112) for predicting a variation of the observation target by using the past observation data. A first generation unit (103) generates corrected past data obtained by correcting the difference between the past observation data and the current observation data by using the differential model (111). A third learning unit (104) learns a (current) prediction model (133) for predicting a variation of the observation target by using the current observation data, the differential model (111), the (past) prediction model (112), and the corrected past data. Accordingly, the variation of the observation target is suitably predicted, even when the variation of the observation target is abnormal.
Selon la présente invention, une première unité d'apprentissage (101) apprend un modèle différentiel (111) pour prédire la différence entre des données d'observation actuelles au moment actuel et des données d'observation passées à chacune d'une pluralité de périodes passées, les données d'observation actuelles et les données d'observation passées étant des données d'observation obtenues par observation d'une cible d'observation au niveau d'une pluralité de points d'observation à chaque instant. Une deuxième unité d'apprentissage (102) apprend un modèle de prédiction (passé) pour prédire une variation de la cible d'observation à l'aide des données d'observation passées. Une première unité de génération (103) génère des données passées corrigées obtenues par correction de la différence entre les données d'observation passées et les données d'observation actuelles en utilisant le modèle différentiel (111). Une troisième unité d'apprentissage (104) apprend un modèle de prédiction (actuel) (133) pour prédire une variation de la cible d'observation à l'aide des données d'observation actuelles, du modèle différentiel (111), du modèle de prédiction (passé) (112) et des données passées corrigées. En conséquence, la variation de la cible d'observation est prédite de manière appropriée, même lorsque la variation de la cible d'observation est anormale.
第1学習部(101)が、複数の観測点の各々で観測対象を各時刻において観測した観測データであって、現在の時刻における観測データである現在観測データと、過去の複数の時刻の各々における観測データである過去観測データとの差分を予測するための差分モデル(111)を学習し、第2学習部(102)が、過去観測データを用いて、観測対象の変動を予測するための予測モデル(過去)(112)を学習し、第1生成部(103)が、差分モデル(111)を用いて、過去観測データと現在観測データとの差分を補正した補正過去データを生成し、第3学習部(104)が、現在観測データと、差分モデル(111)と、予測モデル(過去)(112)と、補正過去データとを用いて、観測対象の変動を予測するための予測モデル(現在)(113)を学習することで、観測対象の変動が非定常的な場合でも、適切に観測対象の変動を予測する。
LEARNING DEVICE, PREDICTION DEVICE, LEARNING METHOD, AND LEARNING PROGRAM
DISPOSITIF D'APPRENTISSAGE, DISPOSITIF DE PRÉVISION, PROCÉDÉ D'APPRENTISSAGE ET PROGRAMME D'APPRENTISSAGE
学習装置、予測装置、学習方法、及び学習プログラム
2021-04-08
Patent
Elektronische Ressource
Japanisch
LEARNING DEVICE, PREDICTION DEVICE, LEARNING METHOD, AND LEARNING PROGRAM
Europäisches Patentamt | 2022
|Europäisches Patentamt | 2019
|LEARNING DEVICE, LEARNING METHOD, AND LEARNING PROGRAM
Europäisches Patentamt | 2023
|LEARNING METHOD, LEARNING DEVICE AND LEARNING PROGRAM
Europäisches Patentamt | 2019
|Europäisches Patentamt | 2020
|