配水量予測システム

トップ :: E 固定構造物 :: E03 上水;下水

【発明の名称】	配水量予測システム
【発明者】	【氏名】岡利明【氏名】筒井宏明【氏名】西村順二
【要約】	【課題】実際的な運用性を有し、浄水処理の所要時間を見越して将来の配水量を十分な信頼性を持って予測できるようにする。【解決手段】水運用システム１０から予め得られた実際の配水量と予測に必要な変数との組からなる多数の実績データ３０を取り込み履歴データ５２として保存し、所望の出力許容誤差に応じて事例ベース５４の入力空間を量子化するとともに、各履歴データ５２を量子化された入力空間内に配置して１つ以上の履歴データを代表する事例を作成することにより事例ベース５２を生成する。そして、入力された新規の予測条件４０に対応する類似事例を前記事例ベース５４から検索し、検索された類似事例から予測条件４０に対応する配水量を推定する。

【特許請求の範囲】
【請求項１】浄水設備から配水する配水量を予測する配水量予測システムにおいて、浄水設備から予め得られた実際の配水量と予測に必要な変数との組からなる多数の実績データを取り込み履歴データとして保存し、所望の出力許容誤差に応じて事例ベースの入力空間を量子化するとともに、前記各履歴データを量子化された入力空間内に配置して１つ以上の履歴データを代表する事例を作成することにより前記事例ベースを生成する事例ベース生成部と、新たに入力された変数に対応する類似事例を前記事例ベースから検索する類似事例検索部と、この類似事例検索部で検索された前記類似事例から前記新たに入力された変数に対応する配水量を推定する出力推定部とを備えることを特徴とする配水量予測システム。
【請求項２】請求項１記載の配水量予測システムにおいて、前記変数として、前記実際の配水量が得られた時間位置に関する時間データと、前記実際の配水量が得られた環境に関する環境データとを用いることを特徴とする配水量予測システム。
【請求項３】請求項１記載の配水量予測システムにおいて、前記変数に加えて、前記実際の配水量と関係する過去の配水量を用いることを特徴とする配水量予測システム。
【請求項４】請求項１記載の配水量予測システムにおいて、前記浄水設備から配水される実際の配水量を測定する流量計と、この流量計で得られた実際の配水量とこの配水量に対応する変数との組を用いて、前記事例ベースのうちの所定事例のみを改訂することにより前記事例ベースを更新する適応学習部とをさらに備えることを特徴とする配水量予測システム。

【発明の詳細な説明】【０００１】
【発明の属する技術分野】本発明は、配水量予測システムに関し、特に浄水場から水需要家に対して配水する水の配水量を予測する配水量予測システムに関するものである。
【０００２】
【従来の技術】浄水場では、工場、会社、店舗あるいは家庭などの水需要家に対して配水する場合、所定の浄水処理を行った後、各水需要家へ配水している。一般に、浄水処理としては、例えば河川などから取水した原水へ凝集剤を投入して不純物をフロック（粒子）化し、これを沈殿させた後、ろ過するという処理が行われる。この処理にはフロック形成や沈殿などの処理が含まれることから、浄水処理全体で少なくとも３～６時間も必要となる。また、設備規模などから単位時間に浄水処理できる量にも限りがある。さらに、浄水処理には膨大に電力が必要となるため、電力コストが割安な夜間に浄水処理を行っておきたいという要求もある。
【０００３】このような制約から、水需要家に対し水を安定供給するためには、前もって配水量を精度よく予測し、例えば前日深夜など、水需要が増加し始めるまでに必要な量の水を浄水処理して配水池に溜めておく必要がある。ここで、水の需要は、日、週、月、季節などによって変動が大きい。さらに気温や原水のｐＨ値などの変動要素に応じてフロックのでき方も変動するため、フロック形成速度や沈殿速度に差が生じ、浄水処理の所要時間も変化する。従来、このような変動要素を含む配水量を予測する場合、水需要のパターンを日毎にグラフ化しておき、このパターンを参照して準備すべき配水量を予測したり、カルマンフィルタやニューラルネットワーク、あるいはメモリベース・ラーニング（Ｍｅｍｏｒｙ－ＢａｓｅｄＬｅａｒｎｉｎｇ）を用いて配水量を予測したりしていた。
【０００４】
【発明が解決しようとする課題】しかしながら、このような従来のような配水量の予測方法では、浄水処理の所要時間を見越して精度よく配水量を予測できないという問題点があった。例えば、グラフ化された水需要のパターンから配水量を予測する方法によれば、変動要素と配水量についてあらゆるパターンを用意しておく必要があり、さらにこれら膨大なパターンから最適なパターンを的確に選択する必要があるが、実際には限られたパターンからある程度似たものを選択するものとなり、大まかな傾向しか予測できない。このため、必然的に配水量を多く見積もることになり、凝集剤の無駄使いや浄水処理された水の廃棄などが発生し、不経済な運転を余儀なくされてしまう。
【０００５】また、カルマンフィルタを用いて配水量を予測する方法では、せいぜい１時間後の予測が精一杯で、浄水処理の所要時間すなわち３～６時間を見越して予測することができなかった。一方、ニューラルネットワークを用いて配水量を予測する方法では、ある程度の時間を見越して予測できるものの、学習による最適なモデル作成が難しい。さらに、モデル更新に浄水処理の所要時間と同等の時間を要し、モデル自身やパラメータの評価が困難であるため、実際的な運用性に欠け、十分な信頼性が得られなかった。
【０００６】また、メモリベース・ラーニングを用いて配水量を予測する方法（例えば、「Ｍｅｍｏｒｙ－ＢａｓｅｄＬｅａｒｎｉｎｇによる配水量予測」玉田ほか，平成４年電気学会全国大会 p13-22,23）では、異なる単位や範囲の変数を同列に扱うために入力データと各変数のサンプルデータとの距離を適切に設定する必要があるが、これは実際の浄水処理施設ごとにカットアンドトライして決定するしかなく、さらに変数が多次元となるにしたがって距離の決定に膨大な作業を要するため実際的な運用性に欠けていた。さらに、予測精度を向上させるためにはサンプルデータを集約せずすべてをそのままの状態で記憶しておく必要があり、膨大な記憶容量が必要となる。本発明はこのような課題を解決するためのものであり、実際的な運用性を有し、浄水処理の所要時間を見越して将来の配水量を十分な信頼性を持って予測できる配水量予測システムを提供することを目的としている。
【０００７】
【課題を解決するための手段】このような目的を達成するために、本発明による配水量予測システムは、浄水設備から予め得られた実際の配水量と予測に必要な変数との組からなる多数の実績データを取り込み履歴データとして保存し、所望の出力許容誤差に応じて事例ベースの入力空間を量子化するとともに、各履歴データを量子化された入力空間内に配置して１つ以上の履歴データを代表する事例を作成することにより事例ベースを生成する事例ベース生成部と、新たに入力された変数に対応する類似事例を事例ベースから検索する類似事例検索部とを設け、この類似事例検索部で検索された類似事例から新たに入力された変数に対応する配水量を推定するようにしたものである。
【０００８】変数としては、実際の配水量が得られた時間位置に関する時間データと、実際の配水量が得られた環境に関する環境データとを用いてもよく、さらに実際の配水量と関係する過去の配水量を用いてもよい。また、浄水設備から配水される実際の配水量を測定する流量計を設け、この流量計で得られた実際の配水量とこの配水量に対応する変数との組を用いて、事例ベースのうちの所定事例のみを改訂することにより事例ベースを更新するようにしてもよい。
【０００９】
【発明の実施の形態】次に、本発明について図面を参照して説明する。図１は本発明の第１の実施の形態である配水量予測システムのブロック図であり、以下では、河川から取水した水を浄化処理し水需要家へ配水する浄水場を例として説明する。同図において、水運用システム１０では、河川などから取水した原水が浄水処理され水需要家へ配水される。配水量予測装置５０では、この水運用システム１０などから得られる実績データ３０から事例ベースを生成し、予想する配水量を規定する予測条件４０に基づき、将来必要となる配水量を予測し配水計画データ２０として出力する。水運用システム１０では、この配水計画データ２０に基づき浄水処理を制御する。
【００１０】水運用システム１０には、ポンプ１２で取水した原水を一時的に貯水する着水井１３と、この着水井１３の原水へ凝集剤を投入して不純物をフロック（粒子）化して沈殿させた後にろ過するなどの浄水処理を行う浄水設備１４と、浄水処理した水を一時的に貯水しておく配水池１５と、配水池１５から水需要家へ配水された配水量を計測する流量計１６と、これら設備を制御することにより配水計画データ２０に基づいた水運用を実現する浄水制御装置１１とが設けられている。
【００１１】実績データ３０は、配水量予測装置５０へ取り込まれ事例ベースとして用いられる。この実績データ３０としては、水運用システム１０の流量計１６で計測された１時間分の時刻配水量や１日分の総配水量など実際に配水された配水量データ３３が取り込まれる。また、この配水量データ３３とともに、配水量の予測時に予測条件として用いる変数として、時間データ３１や環境データ３２が組として取り込まれる。時間データ３１は配水量データ３３が得られた時刻、日種別、季節などを示すデータであり、環境データは配水量データ３３が得られたときの気温、最高気温、天候などを示すデータである。
【００１２】予測条件４０は、配水量予測装置５０で予測する配水量を規定する変数であり、時間パラメータ４１および環境パラメータ４２などから構成される。時間パラメータ４１については、予測する配水量の時間位置を示す時刻情報、その日の種別、例えば平日、休日、旧前日、祭日、年末年始、稼働日などを示す日種別情報、その日が属する季節を示す季節情報などの時間に関する情報が単独であるいは組み合わせて用いられる。例えば、明日の正午における配水量を予測する場合、時刻情報として「正午」が設定され、明日が日曜日であれば日種別情報として「休日」が設定される。
【００１３】環境パラメータ４２については、予測する配水量の時間位置における気温情報、天候情報、その日の最高気温情報などの環境に関する情報が単独であるいは組み合わせて用いられる。例えば、明日の正午における配水量を予測する場合、気温情報として昨日の同一時刻ここでは昨日正午における気温や明日正午の予想気温などを設定してもよい。また天候情報として明日の予想天気を設定してもよく、最高気温情報として昨日の最高気温や明日の予想最高気温を設定してもよい。
【００１４】これら予測条件４０の各パラメータ４１，４２は、実績データ３０の各データ３１，３２と対応して設定される。なお、実績データ３０や予測条件４０で用いる個々の情報については、前述したものに限定されるものではなく、システム構成や要求予測精度に応じて、適時、変更可能である。例えば、予測する配水量と関係のある配水量、例えば予測する配水量から２４時間前の配水量や前日の総配水量などの配水量に関する情報などを組み合わせて用いてもよい。このような配水量情報については過去に取り込んだデータを利用できる。
【００１５】配水量予測装置５０は、実績データ３０や予測条件４０を取り込む入力部５１と、取り込んだ実績データ３０からなる多数の履歴データ５２と、この履歴データ５２を用いて多数の事例からなる事例ベース５４を生成する事例ベース生成部５３と、新たに入力された予測条件４０に基づき事例ベース５４から類似事例を検索する類似事例検索部５６とから構成されている。
【００１６】さらに、類似事例検索部５６で検索された１つ以上の類似事例から新規予測条件４０に対応する配水量を推定し、例えば明日１日分など所定期間にわたる配水計画データ２０を出力する出力推定部５７と、新たな実績データ３０に基づき事例ベース５４を部分改訂する適応学習部５５が設けられている。このうち、事例ベース生成部５３、類似事例検索部５６、出力推定部５７および適応学習部５５は、それぞれソフトウェアで実現されている。
【００１７】配水量予測装置５０では、事例ベース推論モデルを用いて配水量を予測推定している。この事例ベースとしては、過去に経験した事例、例えば配水量データ３３、時間データ３１、環境データ３２などからなる実績データ３０を蓄積したものを用いている。したがって、事例ベース自体がシステムの入出力関係を内包しており、従来のような入出力関係を表すための特殊なモデルを必要としない。また、新たな予測条件については、それと類似した予測条件を持つ既存の事例を事例ベースから検索している。このとき、入力量子化数をパラメータとして入力空間を量子化して事例ベースと類似度を定義し、評価指標値を算出して量子化数を決定している。このため収束計算を必要とせず、さらにこの評価指標値からモデルの完成度を評価でき、従来のように別途テストデータを用いてモデル評価を行う必要がない。
【００１８】このように、本発明は実際的な運用性を有しており、浄水処理の所要時間を見越して将来の配水量を十分な信頼性を持って予測できる。したがって、浄水処理にある程度時間を要し、また設備規模などから単位時間に浄水処理できる量にも限りがある場合でも、正確な予測配水量に基づき水需要に過不足することなく浄水処理を制御でき、電力コストが割安な夜間に浄水処理を行っておくこともできる。また、後述のシミュレーションに示されているように、事例ベースでの配水量予測に必要な変数として、時間パラメータや環境パラメータ、さらには過去の配水量を用いるだけという極めて少ない種類の変数で精度よく配水量を予測できる。これにより、多種にわたる多数の変数を用いる場合と比較して、変数が少ない分だけ演算処理速度も向上しシステム全体のリアルタイム性も高まるとともに、これら変数を検出するためのセンサ類を多数設置する必要がなく設備コストを削減できる。
【００１９】次に、本発明の動作について説明する。まず、図２～４を参照して、配水量予測装置５０の事例ベース生成部５３の動作について説明する。図２は本発明の事例ベース推論モデルで用いる位相の概念を示す説明図、図３は入力空間の量子化処理を示す説明図、図４は事例ベース生成処理を示すフローチャートである。本発明の事例ベース推論モデルでは、数学の位相論における連続写像の概念に基づき、入力空間を量子化し位相空間とすることにより、出力許容誤差（要求精度）に応じた事例ベースと類似度の一般的な定義を行っている。
【００２０】位相論における連続写像の概念とは、例えば空間Ｘ，Ｙにおいて、写像ｆ：Ｘ→Ｙが連続であるための必要十分条件が、Ｙにおける開集合（出力近傍）Ｏ逆写像ｆ－１（Ｏ）がＸの開集合（入力近傍）に相当することである、という考え方である。この連続写像の概念を用いて、入力空間から出力空間への写像ｆが連続することを前提とし、図２に示すように、出力空間において出力誤差の許容幅を用いて出力近傍を定めることにより、これら出力近傍とその出力誤差の許容幅を満足する入力近傍とを対応付けることができ、入力空間を量子化し位相空間として捉えることができる。
【００２１】本発明では、この入力空間の量子化処理を図３に示すようにして行っている。履歴データは、過去に得られた入力データと出力データとの組からなり、ここでは入力ｘ１，ｘ２と出力ｙとから構成されている。これら履歴データは入力空間ｘ１－ｘ２において、図３（ｂ）のように分布している。これを図３（ｃ）のように、ｘ１，ｘ２方向にそれぞれ所定幅を有する等間隔のメッシュで量子化する場合、図３（ｄ）に示すように出力誤差の許容幅εを考慮して、メッシュの大きさすなわち入力量子化数を決定している。
【００２２】出力誤差の許容幅εとは、推定により得られる出力と新規入力データに対する未知の真値との誤差をどの程度まで許容するかを示す値であり、モデリング条件として予め設定される。したがって、この許容幅εを用いてメッシュの大きさを決定することにより、出力近傍の大きさに対応する入力近傍すなわち事例を定義でき、その事例に属する全ての入力データから推定される出力データの誤差が、出力誤差の許容幅εを満足することになる。
【００２３】事例ベース生成部５３では、このような入力空間の量子化処理を用いて、事例ベース５４を生成している。図４において、まず、履歴データ５２を読み込むとともに（ステップ１００）、出力誤差の許容幅εなどのモデリング条件を設定し（ステップ１０１）、この許容幅εに基づき各種評価指標を算出し、その評価指標に基づいて各入力変数ごとに入力量子化数を選択する（ステップ１０２）。そして、各メッシュに配分された履歴データ５２から事例ベース５４を構成する各事例を生成する（ステップ１０３）。
【００２４】ここで、図５～８を参照して、評価指標を用いた入力量子化数の決定処理について説明する。図５は入力量子化数の決定処理を示すフローチャート、図６は評価指標の１つである出力分布条件を示す説明図、図７は評価指標の１つである連続性条件を示す説明図、図８は評価指標の１つである事例圧縮度条件を示す説明図である。
【００２５】入力量子化数の決定処理では、まず、評価指標の良否を判定するための基準として評価基準（しきい値）を設定する（ステップ１１０）。そして、各入力量子化数ごとに各評価指標を算出し（ステップ１１１）、得られた評価指標と評価基準とを比較して、評価基準を満足する評価指標が得られた入力量子化数のいずれかを選択する（ステップ１１２）。評価基準としては、出力分布条件および連続性条件をともに満たす事例が９０％以上となる入力量子化数を選択するのが望ましく、システムでは９０％もしくは９５％の分割数が表示されるようになっている。この９０％や９５％という値は、統計的に考えて適切な値と考えられるからである。
【００２６】出力分布条件とは、図６に示すように、選択した入力量子化数で入力空間を量子化して得られた任意のメッシュについて、そのメッシュ内に属する履歴データの出力ｙの出力分布幅が出力誤差の許容幅εより小さい、という条件である。これにより１つのメッシュすなわち入力近傍が、これに対応する出力近傍に定めた条件すなわち出力誤差の許容幅εを満足するかどうか検査される。
【００２７】連続性条件とは、図７に示すように、選択した入力量子化数で入力空間を量子化して得られた任意のメッシュについて、そのメッシュで生成された事例の出力値ｙと、その事例の周囲に存在する周囲事例の平均出力値ｙ’との差が、出力誤差の許容幅εより小さい、という条件である。これにより、各事例間すなわち入力近傍間での出力値の差が、これらに対応する出力近傍間に定めた条件すなわち出力誤差の許容幅εを満足するかどうか検査される。この連続性条件を満たすことにより、各事例が連続的に所望の精度を満たすように、入力空間をカバーしていると判断できる。
【００２８】事例圧縮度条件とは、事例化による履歴データの圧縮率を条件とするものである。図８に示すように、選択した入力量子化数で入力空間を量子化して得られた任意のメッシュについて、そのメッシュ内に複数の履歴データが属する場合、履歴データの事例化により、これら複数のｋ個の履歴データが事例を代表する１つのデータとなり１／ｋに圧縮されたことになる。ここでは、履歴データ全体の事例圧縮率がモデリング条件として指定された許容圧縮率を満足するかどうかか検査される。
【００２９】入力量子化数は、各入力変数ごとに順に決定される。例えば、入力変数がｘ１，ｘ２，‥，ｘｎの場合、ｘ１からｘｎまで順に入力量子化数を決定していく。ここで、評価指標を算出する際、すべての入力変数に入力量子化数を割り当てる必要がある。したがって、ｘｉに関する評価指標を求める際、ｘ１～ｘｉ－１については、その時点ですでに決定されている入力量子化数を用い、ｘｉ以降のｘｉ＋１，‥，ｘｎについては、ｘｉと同じ入力量子化数を用いる。
【００３０】前述した各条件のうち、出力分布条件と連続性条件については、評価指標として、その条件を満足する事例の全事例に対する割合すなわち評価指標充足率が用いられる。例えば、ｘｉに関する入力量子化数ｍの評価指標値は、ｘ１，ｘ２，‥，ｘｎの入力レンジ幅をそれぞれの入力量子化数で量子化し、量子化により生成された全事例における、その評価指標条件を満たす事例の割合で求められる。
【００３１】また、事例圧縮度条件では、ｘｉに関する入力量子化数ｍの評価指標値として、すべての入力変数ｘ１，ｘ２，‥，ｘｎの入力レンジ幅を入力量子化数ｍで量子化して求めた履歴データ全体の事例圧縮率が用いられる。そして、その入力変数ｘｉについて、これら全ての評価指標値が評価基準をクリアした入力量子化数からいずれかを選択し、その入力変数ｘｉの入力量子化数として決定する。
【００３２】事例ベース生成部５３では、以上のようにして入力量子化数が選択され、その入力量子化数で量子化された入力空間ここでは各メッシュに各履歴データが配分され、事例が生成される。図９は事例生成処理を示す説明図、図１０は事例生成処理を示すフローチャートである。まず、選択された入力量子化数に基づき各入力変数を量子化（分割し）、メッシュを生成する（ステップ１２０）。図９（ａ）では、入力変数ｘ１が１０分割されるとともに入力変数ｘ２が６分割されている。
【００３３】そして、各履歴データが各メッシュに振り分けられ（ステップ１２１）、履歴データが存在するメッシュが事例として選択され、その入出値および出力値が算出される（ステップ１２２）。図９（ａ）に示すように、同一メッシュに３つの履歴データが振り分けられた場合、これらが１つ事例として統合される。このとき、事例を代表する出力値として３つの履歴データの出力ｙの平均値が用いられ、事例を代表する入力値としてそのメッシュの中央値が用いられる。
【００３４】図１の配水量予測装置５０では、このようにして生成された事例ベース５４を用いて、新規に入力された予測条件から配水量を推定する。まず、類似事例検索部５６では、入力部５１では予測条件４０をサンプリングしいそれぞれ入力変数とし、類似度を用いて事例ベース５４から類似事例を検索する。図１１は類似度の定義を示す説明図、図１２は類似事例検索部５６における類似事例検索処理を示すフローチャートである。
【００３５】類似度とは、事例ベース５４が持つ入力空間に設けられた各メッシュのうち、各事例が新規の予測条件すなわち入力データに対応するメッシュとどの程度の類似性を有しているか示す尺度である。図１１では、入力データに対応する中央メッシュに事例が存在すれば、その事例と入力データとは「類似度＝０」であると定義されている。また、中央メッシュの１つ隣に存在する事例とは「類似度＝１」となり、以降、中央メッシュから１メッシュずつ離れていくごとに類似度が１ずつ増加していく。
【００３６】したがって、推定を行う場合、類似度ｉの事例による推定値は、（ｉ＋１）×出力許容幅以内の精度を持つことになる。このとき、推定を行う入力値に対してうまく両側の事例が使用された場合は、（ｉ＋１）×出力許容幅よりも良い精度の出力値である場合が予想される。また、推定を行う値に対して片側の事例のみが使用された場合は、（ｉ＋１）×出力許容幅程度の精度であることが、入出力の連続性のもとに予想される。
【００３７】類似事例検索部５６では、図１２に示すように、まず、入力部５１でサンプリングした新規予測条件を入力データとして取り込み（ステップ１３０）、事例ベース５４が持つ入力空間から、その入力データに対応するメッシュを選択するとともに（ステップ１３１）、事例検索範囲として用いる類似度を０に初期化し（ステップ１３２）、その類似度が示す事例検索範囲から類似事例を検索する（ステップ１３３）。
【００３８】ここで、入力データに対応するメッシュに事例が存在した場合は（ステップ１３４：ＹＥＳ）、その事例を類似事例として出力する（ステップ１３６）。一方、ステップ１３４において、入力データに対応するメッシュに事例が存在しなかった場合は（ステップ１３４：ＮＯ）、類似度を１だけ増やして事例検索範囲を拡げ（ステップ１３５）、ステップ１３３へ戻って、再度、類似事例を検索する。
【００３９】このようにして、類似事例検索部５６において、新規の予測条件に対応する類似事例が事例ベース５４から検索され、出力推定部５７で、これら類似事例に基づき、新規予測条件に対応する配水量が推定される。例えば、図１３に示すように、入力データＡ（２２．１，５８．４）に対応するメッシュ１５０に事例が存在した場合、その事例の出力値ｙ＝７０．２が推定出力値として選択される。
【００４０】また、図１４に示すように、入力データＡ（２３．８，６２．３）に対応するメッシュ１５１に事例が存在しなかった場合、検索範囲１５２を拡大して類似事例を検索する。そして、検索された事例から推定出力値を算出する。このとき、複数の事例が検索された場合は、それら各事例の出力値の平均値が推定出力値として用いられる。このようにして、新規予測条件に対応する配水量が推定され、その推定量に基づく配水計画データ２０が、出力推定部５７から水運用システム１０へ指示される。
【００４１】次に、図１５，１６を参照して、適応学習部の動作について説明する。適応学習部５５では、入力部５１から得られた新規の実績データ３０に基づき事例ベース５４を更新する。このとき、実績データ３０をカレンダ機能や温度センサなどで例えば１時間ごとに自動的に得るようにしてもよく、自動運転が可能となる。まず、事例ベース５４が持つ入力空間から新規データに対応する事例が検索される。ここで、その新規データに対応する事例が存在した場合は、その事例のみを改訂する。
【００４２】図１５は、対応する事例が存在する場合の適応学習動作を示す説明図である。ここでは、新規データＢ（２３．９，６６．８，４８．２）に対応する事例１６０が存在するため、新規データＢの出力値ｙ＝４８．２と改訂前の事例１６０の出力値４９．７とから、その事例の新たな出力値ｙ＝４９．０を算出している。出力改訂演算式としては、忘却計数ＣＦｏｒｇｅｔを設け、この忘却計数が示す比率で改訂前出力値Ｙｏｌｄと新規データＢの出力値Ｙとを加算し、その事例の改訂後の出力値としている。
【００４３】一方、新規データに対応する事例が存在しない場合は、その新規データに基づき新たな事例を生成する。図１６は、対応する事例が存在しない場合の適応学習動作を示す説明図である。ここでは、新規データＢ（２３．７，６２．３，４３．８）に対応するメッシュ１６１に事例が存在しないため、その新規データＢに対応するメッシュの中央値を入力値とし、新規データＢの出力値ｙを代表の出力値とする新規事例１６２を新たな生成して、事例ベース５４に追加している。
【００４４】図１７は本発明による事例ベース推論モデルを用いた場合の予想配水量と実際の配水量とを示すシミュレーション結果である。ここでは、予測時点の時刻Ｔ０から２４時間先の時刻Ｔ１の配水量を予測するものとし、予測条件４０として時刻Ｔ１から２４時間前（この場合は時刻Ｔ０）の気温、時刻Ｔ１での日種別、および時刻Ｔ１から２４時間前（この場合は時刻Ｔ０）の配水量を用いている。図１７（ｂ）は事例ベース推論モデルからの推定出力値であり、図１７（ａ）に示す水運用システム１０で検出された実際の配水量とほとんど差がなく、時刻に応じて配水量が変化しても、推定出力値が遅れなく追従していることがわかる。
【００４５】配水量予測装置５０で用いる推論モデルは、事例ベース推論の枠組みをモデリングに適用したもので、位相（Ｔｏｐｏｌｏｇｙ）の概念に基づき、システムの入出力関係の連続性が成り立つ一般的な対象に適用可能なモデリング技術といえる。従来のモデリング技術では、モデルの次数やネットワーク構造などのモデルパラメータを同定するが、本発明の事例ベース推論モデルでは、所望の出力許容誤差を指定することで入力空間の位相を同定している。
【００４６】したがって、データは同定された入力空間に事例として蓄えられ、出力推定時には入力と予め蓄積されている入力事例との位相距離（類似度）により推定出力値の信頼性が示せるという特徴を持つ。本発明では、このようなモデルを用いて将来の配水量を推定するようにしたので、ニューラルネットワークや回帰モデルなどの従来の推論モデルと比較して、次のような作用効果が得られる。
【００４７】従来の推論モデルでは、１）入出力全域の関係を規定するために特殊なモデル構造を用いているため、システムに最適な構造を見つけるためには多くの手間を必要とする。
２）多量の履歴データの学習を行う場合、モデル構造の持つ複数のパラメータを同定するための収束計算を行う必要があり、この処理に膨大な時間がかかる。
３）新たなデータに基づきモデルを更新する場合にもパラメータの同定を行う必要があり、実際には適応学習が困難である。
４）推定を行う入力値に対してモデル出力値がどの程度信頼できるかどうかを把握するのが困難である。
【００４８】これに対して、本発明によれば、１）過去に経験した事例（問題と解答）を事例ベースとして蓄積し、システムの入出力関係を内包する入出力事例を用いているため、入出力関係を表すための特殊なモデルを必要としない。
２）新たに入力された問題については、それと類似した問題を持つ既存の事例を事例ベースから検索する。このとき、入力量子化数をパラメータとして入力空間を量子化して事例ベースと類似度を定義し、評価指標値を算出して量子化数を決定している。このため収束計算を必要とせず、さらにこの評価指標値からモデルの完成度を評価でき、従来のように別途テストデータを用いてモデル評価を行う必要がない。
【００４９】また、本発明によれば、３）検索した類似事例の解答を修正し、新たに入力された問題に対する解答を得ている。したがって、推定を行う入力値に対して検索された事例の類似の程度が判定できるため、この類似度を出力値の信頼性評価に利用できる。
４）新たに入力された問題に対する正しい解答が判明した後、その新事例を事例ベースに追加するものとしているため、新たなデータに基づき事例ベースを部分改訂でき、従来のようにパラメータの同定を行う必要がなく、容易に適応学習できる。
【００５０】従来のモデルにおける学習と収束計算の問題については、事例ベース推論（Ｃａｓｅ－ＢａｓｅｄＲｅａｓｏｎｉｎｇ：ＣＢＲ）において事例ベース構造と類似度の定義という問題となる。これは、従来の事例ベース推論において、対象の十分な知見がなければ定義できないという、工学上の大きな問題となっている。本発明の事例ベース推論モデルでは、数学の位相論における連続写像の概念に基づき、出力許容誤差すなわち要求精度に応じた事例ベースと類似度の一番的な定義を、入力空間を量子化し位相空間とすることで行っている。
【００５１】
【発明の効果】以上説明したように、本発明は、浄水設備から予め得られた実際の配水量と予測に必要な変数との組からなる多数の実績データを取り込み履歴データとして保存し、所望の出力許容誤差に応じて事例ベースの入力空間を量子化するとともに、各履歴データを量子化された入力空間内に配置して１つ以上の履歴データを代表する事例を作成することにより事例ベースを生成する事例ベース生成部と、新たに入力された予測条件に対応する類似事例を事例ベースから検索する類似事例検索部を設け、この類似事例検索部で検索された類似事例から新たに入力された予測条件に対応する配水量を推定するようにしたので、従来のように、水需要のパターンを用いたり、カルマンフィルタやニューラルネットワーク、さらにはメモリベース・ラーニングを用いて配水量を予測する場合と比較して、実際的な運用性を有し、浄水処理の所要時間を見越して将来の配水量を十分な信頼性を持って予測できる。

【出願人】	【識別番号】０００００６６６６【氏名又は名称】株式会社山武【識別番号】５９３１７７５６１【氏名又は名称】山武産業システム株式会社
【出願日】	平成１２年４月５日（２０００．４．５）
【代理人】	【識別番号】１０００６４６２１【弁理士】【氏名又は名称】山川政樹
【公開番号】	特開２００１－２８８７８２（Ｐ２００１－２８８７８２Ａ）
【公開日】	平成１３年１０月１９日（２００１．１０．１９）
【出願番号】	特願２０００－１０３５４３（Ｐ２０００－１０３５４３）