研究課題
規則変動のある時系列データに対して，適切な学習データ量を自動的に抽出し予測精度が向上するよう自動的に予測モデルを構築し続けることのできる機械学習アルゴリズムSW-SVR (Sliding Window-based Support Vector Regression)の設計と研究開発を進めた．SW-SVRは母集団の中から予測対象データに対して適切なデータのみを選択してモデルを構築し，時間変化によってデータの特性が変化し学習器の予測誤差が閾値を上回った場合に再構築を行うというシンプルなSVR拡張アルゴリズムである． SW-SVRを利用することで，大規模なデータを用いた汎用モデルを作らなくても，対象データに適した部分データの利用と定期的なモデルの再構築によって，短時間で高精度な時系列データ予測が可能となる．初年度は，気象庁の公開する札幌，東京，浜松，那覇の特性の異なる4地域のAMeDASデータ3年分を用いて，学習データの特性や学習データ量に対し，どのように予測精度に変化が現れるか基礎評価を行った．学習データの探索に必要なウィンドウサイズの取り方は様々であるが，どのように学習データの部分集合を抽出するか多種多様な方法が考えられる．例えば，過去何件分のデータを利用することが適切であるかを探索するアルゴリズムの場合，季節の変わり目等の予測対象データと直近のデータが異なる特性を持っているタイミングでは，適切な学習データ量を選択できない可能性がある．一方，季節や時間帯でウィンドウサイズを設定する場合，地域や年次によって季節変動のタイミングが異なるため，一意にウィンドウの分割幅を定めることができない．以上の特性分析を実施するとともに，データの特性やタイミングに関わらず常に対象データと類似した学習データを選択できる近傍データ収集法の検討と評価を進めた．
1: 当初の計画以上に進展している
SW-SVRの設計と研究開発を進め，国内外で積極的な対外発表を行った．気象庁の公開する札幌，東京，浜松，那覇の特性の異なる4地域のAMeDASデータ3年分を用いて，学習データの特性や学習データ量に対し，どのように予測精度に変化が現れるか基礎評価を行った結果，母集団と予測対象データと類似したデータのみを学習に使用するのが有効であることが分かった．そこで，母集団と予測対象データとの標準偏差を基準とした距離を元に，近傍データのみを用いて学習する近傍データ収集法 (SDC: Short-distance data Collection method)を研究開発し評価を進めた．近傍データ収集法は存在するセンサデータの中で最新のデータGを中心として，収集閾値rから作られる円の範囲に収まるデータを収集する．SDCを用いることで，Gに近傍したデータのみを母集団の中から収集でき，最新データに対してデータとの距離がどれだけ近いかを基準にデータを収集するため，データの特性やタイミングに関わらず対象データと類似したデータを収集できる．AMeDASのオープンデータを用いた評価の結果，従来SVRと比べて予測誤差を最大78%削減，モデル構築時間を最大57%削減できることを確認した．本アルゴリズムを用いることで時系列データの予測精度向上とモデル構築時間短縮を両立でき，様々な知的制御システム開発への適用が期待できると考える．
SW-SVRを用いることで，農業従事者の経験や勘による制御の再現を可能とする施設園芸環境向け知的制御システムを実現する．現在の環境に特化した予測モデルの構築と，特性変化に応じたモデル再構築を自動的に繰り返す仕組みを新たに加え，静岡県農林技術研究所での施設園芸環境にて，農業従事者の経験や勘による制御を高精度かつリアルタイムに再現できることを実証する．
峰野研究室ホームページhttp://www.minelab.jp/
すべて 2015 2014
すべて 雑誌論文 (1件) (うち査読あり 1件、 オープンアクセス 1件、 謝辞記載あり 1件) 学会発表 (7件) (うち招待講演 1件) 産業財産権 (1件)
Computer Science and Information Technology
巻: Vol.3, No.2 ページ: pp.37-48
10.13189/csit.2015.030202
