[发明专利]时序预测神经网络装置

说明书

技术领域

本发明涉及例如进行根据输入的数值(数据)预测将来发生的数值的预测处理的时序数据预测神经网络装置。特别是涉及用于实现预测精度进一步提高的装置。

背景技术

为了对近来要发生的事情有所准备，或检测出异于正常的事件的发生，需要将随着时间流逝而持续地发生变化的股价、交通量、通信流量等表示为数值，并对按时序表示该数值的数据、即时序数据进行处理，对将来要发生的数值进行精确地预测。为了基于这样的时序数据预测将来的值(预测值)，而存在有制作ARMA模型这样的数学模型、神经网络这样的模型，并使用所制作的模型进行学习(模型校正)的模型学习器等。

众所周知通过使用这样的神经网络，能够进行难以在现有的诺依曼型计算机中进行的灵活的信息处理，目前为止提出有各种形式的使用了神经网络的装置。

例如提出有以下方法：向由输入层、中间层、输出层和承接层构成的神经网络输入过去及现在的时序图案，通过反向传播法进行学习，使用学习完毕的神经网络进行时序预测的方法(例如，参照专利文献1)。

而且，还存在以下装置，通过使用神经网络这样的模型学习器，还将时序数据作为学习数据分成多个解析级别(频率成分)，并基于各解析级别进行预测、合计这样的方法，预测将来值的装置(例如，参照专利文献2)。

专利文献1：日本特开平06-175998号公报(图1)

专利文献2：日本特开平11-212947号公报(图1)

上述专利文献1所记载的方法是仅使用时序数据进行学习来预测将来值的方法。因此，在针对具有时刻都在复杂变化的特性的时序数据的预测模型中，由于用于学习的特征量较少因此无法形成高精度的学习模型。其结果，降低了对伴随复杂变化的时序数据的预测精度。

另一方面，在专利文献2中，将时序数据分成几个频率成分，按各频率成分学习预测模型。因此，能够比专利文献1那样的仅单纯地使用时序数据进行学习时实现预测精度的提高。

但是，由于针对在时序数据中进行的所有的解析级别设置的各学习器，分别独立地进行预测因此无法在解析级别之间进行预测的学习。

发明内容

因此，希望实现能够使解析级别间的运算处理结果协作来进行高精度的预测值的计算的时序数据预测神经网络装置。

本发明涉及的时序数据预测神经网络装置，其处理按时序表示了预测对象的数值的时序数据，计算出数值的预测值，该时序数据预测神经网络装置具备：输入单元，其被输入对时序数据进行多重分辨率解析所得到的、表示多个解析级别的特征的值，作为解析数据；以及运算处理单元，其具有输入层处理部，该输入层处理部在计算预测值时，基于多个解析级别中最高解析级别的解析数据进行运算处理，将处理后的结果的数据与次高解析级别的解析数据一起进行运算处理，并从最高解析级别到最低解析级别，对基于上位解析级别中运算处理的结果的数据和下位解析级别中的解析数据进行运算处理。

根据本发明，针对多重分辨率解析预测对象的时序数据而得到的多个解析级别的解析数据，运算处理单元对上位的解析级别的运算结果和一个下位的解析级别的解析数据进行运算处理，由于按照从最高的解析级别到最低的解析级别的顺序进行处理，因此基于用于恢复时序数据涉及的原信号的数学式将上位解析级别的处理结果应用于下面的解析级别的运算处理来进行预测所涉及的处理，从而能够提高预测值的精度。

附图说明

图1是时序数据预测神经网络装置的构成图。

图2是用于表示延迟处理部126的处理的图。

图3是表示Haar函数涉及的缩放函数的图。

图4是表示用于分解处理的母小波的图。

图5是用于说明小波系数的计算顺序的图。

图6是表示神经元的示意图。

图7是表示预测值的比较结果的图。

图8是计算与实际观测值之间的均方误差的图。

附图符号说明：

100：时序数据预测神经网络装置；110：输入单元；120：运算处理单元；121：输入层处理部；122：频率解析输入层处理部；123：相关数据输入层处理部；124：中间层处理部；125：输出层处理部；126：延迟处理部；130：输出单元

具体实施方式

实施方式1

图1是表示本发明的实施方式1涉及的时序数据预测神经网络装置的构成的图。本实施方式的时序数据预测神经网络装置(以下简单地称为装置)100由输入单元110、运算处理单元120和输出单元130构成。