JPH0830581A

JPH0830581A - 需要量予測方法

Info

Publication number: JPH0830581A
Application number: JP16846494A
Authority: JP
Inventors: Miyuki Nakabayashi; 見幸仲林; Yasuhiro Kojima; 康弘小島; Yoshio Izui; 良夫泉井; Makoto Tsukiyama; 誠築山
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1994-07-20
Filing date: 1994-07-20
Publication date: 1996-02-02

Abstract

(57)【要約】【目的】需要量に影響を与える要因と需要量との関係
を非線形近似することが可能な、予測精度の高い需要量
予測方法を得る。【構成】神経回路網の入出力データとして、当日の天
候、最高気温、日照時間、および最近同天候日の日需要
量実績、最高気温、日照時間を入力、当日の日需要量を
出力とし、一定期間の前記入出力データの実績値を学習
データとして、神経回路網の出力が日需要量実績値と一
致するように神経回路網に学習を行わせ、学習の終了し
た神経回路網に、予測日当日の予測天候、予測最高気
温、予測日照時間、および最近同天候日の日需要量実
績、最高気温、日照時間を入力して、予測日当日の日需
要量を予測させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、予測対象とその予測
対象に影響を与える要因との間に非線形な関係がある、
例えば上水道の配水量予測、電力分野での電力需要予測
などを、神経回路網の学習機能を用いて予測する需要量
予測方法に関するものである。

【０００２】

【従来の技術】予測対象の過去の需要量実績データを基
に、その予測対象に影響を与える要因を考慮して需要量
を予測する需要量予測方法としては、直接当てはめ方
式、線形近似方式などによる種々の方法が提案されてい
る。例えば直接当てはめ方式によって、過去の水道水配
水量実績データより、天候、曜日等を考慮して、配水池
毎に配水量を予測するものでは、過去の需要量実績デー
タを、例えば天候については晴、曇、雨の３種類、曜日
については月、火〜木、金、土、日・祝日の５種類、最
高気温については２０℃以下、２０℃〜３０℃、３０℃
以上の３種類の計４５種類にクラスを分類し、予測当日
の天候、曜日、最高気温と同じクラスに属する最近の所
定期間、例えば過去３日間のデータの平均をとって予測
値とする。

【０００３】また、線形近似方式によって、過去の水道
水配水量実績データより、天候、曜日等を考慮して配水
池毎に配水量を予測するものでは、天候、曜日、最高気
温、配水量等の実績データを入力して、まず標準化配水
量Ｑ_S を次の式（１）により計算する。

【０００４】Ｑ_S ＝Ｑ_r ／（Ｋ₁ ・Ｋ₂ ・Ｋ₃ ・Ｋ₄ ）・・・・・・（１）Ｑ_S ：標準化配水量Ｑ_r ：実績配水量Ｋ₁ ：実績天候係数Ｋ₂ ：実績曜日係数Ｋ₃ ：実績気温係数Ｋ₄ ：補正係数

【０００５】ここで、実績天候係数Ｋ₁ は定数テーブル
から導き、また、実績気温係数Ｋ₃は、次の式（２）よ
り算出する。

【０００６】

【数１】

【０００７】なお、前記標準化配水量Ｑ_S には、次の式
（３）による上限と下限が与えられる。

【０００８】０．９５Ｑ_a ≦Ｑ_S ≦１．０５Ｑ_a ・・・・・・（３）Ｑ_a ：前日までの過去例えば６日間の標準化配水量の移
動平均

【０００９】次に、前記標準化配水量の予測日前日まで
の過去例えば６日間の移動平均をもとに、次の式（４）
を用いて予測配水量Ｑ_P を算出する。

【００１０】Ｑ_P ＝Ｋ₁ ・Ｋ₂ ・Ｋ₃ ・Ｋ₄ ・Ｑ_a ・・・・・・（４）Ｑ_P ：予測配水量Ｑ_a ：標準化配水量の前日までの過去例えば６日間の移
動平均Ｋ₁ ：予測天候係数Ｋ₂ ：予測曜日係数Ｋ₃ ：予測気温係数Ｋ₄ ：補正係数

【００１１】なお、従来より行われている需要量予測方
法に関する技術について記載された文献としては、例え
ば特開平５−１１９８０８号公報、特開平４−３３０５
０２号公報、特開平５−１７９７６号公報、特開平４−
７３３３２号公報、特開平４−１９５６０３号公報など
がある。

【００１２】

【発明が解決しようとする課題】従来の需要量予測方法
は以上のように構成されているので、直接当てはめ方式
や線形近似方式などのように、基本的には線形近似に基
づいて予測が行われているため、水道水配水量の予測の
ように入出力関係が非線形である場合には、予測精度が
上がらないといった問題点があった。

【００１３】この発明は上記のような問題点を解消する
ためになされたもので、入出力関係が非線形であって
も、精度の高い需要量の予測が行える需要量予測方法を
得ることを目的とする。

【００１４】

【課題を解決するための手段】請求項１に記載の発明に
係る需要量予測方法は、当日の天候、最高気温、日照時
間と、最近同天候日の日需要量実績、最高気温、日照時
間を入力とし、当日の日需要量を出力として、その入出
力関係を神経回路網に学習させ、予測日当日の日需要量
を予測するものである。

【００１５】請求項２に記載の発明に係る需要量予測方
法は、当日の天候、最高気温、日照時間と、過去所定日
数間の日需要量実績、天候、最高気温、日照時間を入力
とし、当日の日需要量を出力として、その入出力関係を
神経回路網に学習させ、日需要量を予測するものであ
る。

【００１６】請求項３に記載の発明に係る需要量予測方
法は、過去の日需要量実績データを天候と最高気温とで
クラス分けした各クラス対応に神経回路網を用意して、
予測日が含まれるクラスにおいて、当日の最高気温、日
照時間と、最近同クラス日の日需要量実績、最高気温、
日照時間を入力とし、当日の日需要量を出力として、そ
の入出力関係を各神経回路網に学習させ、日需要量を予
測するものである。

【００１７】請求項４に記載の発明に係る需要量予測方
法は、あらかじめ日需要量実績データを線形近似によっ
て標準化しておき、当日の天候、最高気温、日照時間
と、最近同天候日の標準化された日需要量実績、最高気
温、日照時間を入力とし、当日の標準化された日需要量
を出力として、その入出力関係を神経回路網に学習さ
せ、予測日の標準化された日需要量を予測し、その予測
値より日需要量を予測するものである。

【００１８】請求項５に記載の発明に係る需要量予測方
法は、過去の日需要量実績データを天候と最高気温でク
ラス分けした各クラス毎に、日需要量実績および最高気
温の平均を求めておき、クラスの天候、平均最高気温を
入力とし、クラスの平均日需要量を出力として、その入
出力関係を神経回路網に学習させ、日需要量を予測する
ものである。

【００１９】請求項６に記載の発明に係る需要量予測方
法は、当日と前日の天候差、最高気温差、日照時間差
と、最近同天候日とその前日の日需要量実績差、天候
差、最高気温差、日照時間差を入力とし、当日と前日の
日需要量差を出力として、その入出力関係を神経回路網
に学習させ、当日と前日の日需要量差を予測するもので
ある。

【００２０】請求項７に記載の発明に係る需要量予測方
法は、過去の日需要量実績データを天候と最高気温とで
クラス分けした各クラス対応に神経回路網を用意して、
予測日が含まれるクラスにおいて、当日と前同クラス日
の最高気温差、日照時間差と、最近同クラス日と当該最
近同クラス日の前同クラス日の日需要量実績差、最高気
温差、日照時間差を入力とし、当日と前同クラス日の日
需要量差を出力として、その入出力関係を各神経回路網
に学習させ、当日と前同クラス日との日需要量差を予測
するものである。

【００２１】請求項８に記載の発明に係る需要量予測方
法は、学習前に直接当てはめ方式によって日需要量を予
測しておき、当日の天候、最高気温、日照時間と、最近
同天候日の前記予測による日需要量予測誤差、最高気
温、日照時間を入力とし、当日の前記予測による日需要
量予測誤差を出力として、その入出力関係を神経回路網
に学習させ、日需要量の前記予測方式による予測誤差を
予測するものである。

【００２２】請求項９に記載の発明に係る需要量予測方
法は、線形近似によって学習前に日需要量を予測してお
き、当日の天候、最高気温、日照時間と、最近同天候日
の前記予測による日需要量予測誤差、最高気温、日照時
間を入力とし、当日の前記予測による日需要量予測誤差
を出力として、その入出力関係を神経回路網に学習さ
せ、日需要量の前記予測方式による予測誤差を予測する
ものである。

【００２３】請求項１０に記載の発明に係る需要量予測
方法は、学習前に所定期間の日需要量実績値の平均を求
めておき、当日の天候、最高気温、日照時間と、最近同
天候日の日需要量実績と前記平均日需要量の差、最高気
温、日照時間を入力とし、当日の日需要量と求めた平均
日需要量の差を出力として、その入出力関係を神経回路
網に学習させてることにより、当日の日需要量と前記平
均日需要量との差を予測するものである。

【００２４】請求項１１に記載の発明に係る需要量予測
方法は、当日の天候、最高気温、日照時間と、最近同天
候日の各時間需要量実績、最高気温、日照時間を入力と
し、当日の各時間需要量を出力として、その入出力関係
を神経回路網に学習させ、予測日当日の各時間帯の時間
需要量を予測するものである。

【００２５】請求項１２に記載の発明に係る需要量予測
方法は、当日の天候、最高気温、日照時間と、過去所定
日数間の各時間需要量実績、天候、最高気温、日照時間
を入力とし、当日の各時間需要量を出力として、その入
出力関係を神経回路網に学習させ、各時間帯の時間需要
量を予測するものである。

【００２６】請求項１３に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
とでクラス分けした各クラス対応に神経回路網を用意し
て、予測日が含まれるクラスにおいて、当日の最高気
温、日照時間と、最近同クラス日の各時間需要量実績、
最高気温、日照時間を入力とし、当日の各時間需要量を
出力として、その入出力関係を各神経回路網に学習さ
せ、各時間帯の時間需要量を予測するものである。

【００２７】請求項１４に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
でクラス分けした各クラス毎に、各時間需要量実績と最
高気温の平均を求めておき、クラスの天候、平均最高気
温を入力とし、クラスの各時間平均需要量を出力とし
て、その入出力関係を神経回路網に学習させ、各時間帯
の時間需要量を予測するものである。

【００２８】請求項１５に記載の発明に係る需要量予測
方法は、当日と前日の天候差、最高気温差、日照時間差
と、最近同天候日とその前日との各時間需要量実績差、
天候差、最高気温差、日照時間差を入力とし、当日と前
日の各時間需要量差を出力として、その入出力関係を神
経回路網に学習させ、予測日当日とその前日との各時間
帯の時間需要量差を予測するものである。

【００２９】請求項１６に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
とでクラス分けした各クラス対応に神経回路網を用意し
て、予測日が含まれるクラスにおいて、当日と前同クラ
ス日の最高気温差、日照時間差と、最近同クラス日と当
該最近同クラス日の前同クラス日の各時間需要量実績
差、最高気温差、日照時間差を入力とし、当日と前同ク
ラス日の各時間需要量差を出力として、その入出力関係
を各神経回路網に学習させ、当日と前同クラス日との各
時間需要量差を予測するものである。

【００３０】請求項１７に記載の発明に係る需要量予測
方法は、直接当てはめ方式と同様にして学習前にあらか
じめ各時間需要量を予測しておき、当日の天候、最高気
温、日照時間と、最近同天候日の前記予測による各時間
需要量予測誤差、最高気温、日照時間を入力とし、当日
の前記予測による各時間需要量予測誤差を出力として、
その入出力関係を神経回路網に学習させ、前記予測によ
る各時間帯の時間需要量の予測誤差を予測するものであ
る。

【００３１】請求項１８に記載の発明に係る需要量予測
方法は、所定期間の各時間需要量実績値の平均を学習前
にあらかじめ求めておき、当日の天候、最高気温、日照
時間と、最近同天候日の各時間需要量実績と前記各時間
平均需要量の差、最高気温、日照時間を入力とし、当日
の各時間需要量と求めた各時間平均需要量の差を出力と
して、その入出力関係を神経回路網に学習させ、当日の
各時間帯の時間需要量と前記時間平均需要量との差を予
測するものである。

【００３２】請求項１９に記載の発明に係る需要量予測
方法は、当日の天候、最高気温、日照時間と、最近同天
候日の各時間需要量の日需要量に対する割合、最高気
温、日照時間を入力とし、当日の各時間需要量の日需要
量に対する割合を出力として、その入出力関係を神経回
路網に学習させ、別途予測された日需要量に基づく各時
間帯の時間需要量の予測を行うものである。

【００３３】請求項２０に記載の発明に係る需要量予測
方法は、当日の天候、最高気温、日照時間と、過去所定
日数間の各時間需要量の日需要量に対する割合、天候、
最高気温、日照時間を入力とし、当日の各時間需要量の
日需要量に対する割合を出力として、その入出力関係を
神経回路網に学習させ、別途予測された日需要量に基づ
く各時間帯の時間需要量の予測を行うものである。

【００３４】請求項２１に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
とでクラス分けした各クラス対応に神経回路網を用意し
て、予測日が含まれるクラスにおいて、当日の最高気
温、日照時間と、最近同クラス日の各時間需要量の日需
要量に対する割合、最高気温、日照時間を入力とし、当
日の各時間需要量の日需要量に対する割合を出力とし
て、その入出力関係を各神経回路網に学習させ、別途予
測された日需要量に基づく各時間帯の時間需要量の予測
を行うものである。

【００３５】請求項２２に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
でクラス分けした各クラス毎に、各時間需要量実績値の
日需要量に対する割合と最高気温の平均を求めておき、
クラスの天候、平均最高気温を入力とし、クラスの各時
間需要量の日需要量に対する割合の平均を出力として、
その入出力関係を神経回路網に学習させ、別途予測され
た日需要量に基づく各時間帯の時間需要量の予測を行う
ものである。

【００３６】請求項２３に記載の発明に係る需要量予測
方法は、当日と前日の天候差、最高気温差、日照時間差
と、最近同天候日とその前日の各時間需要量実績の日需
要量に対する割合の差、天候差、最高気温差、照時間差
を入力とし、当日と前日の各時間需要量の日需要量に対
する割合の差を出力として、その入出力関係を神経回路
網に学習させ、別途予測された日需要量に基づく各時間
帯の時間需要量の予測を行うものである。

【００３７】請求項２４に記載の発明に係る需要量予測
方法は、過去の時間需要量実績データを天候と最高気温
とでクラス分けした各クラス対応に神経回路網を用意し
て、予測日が含まれるクラスにおいて、当日と前同クラ
ス日の最高気温差、日照時間差と、最近同クラス日と当
該最近同クラス日の前同クラス日の各時間需要量の日需
要量に対する割合の差、最高気温差、日照時間差を入力
とし、当日と前同クラス日の各時間需要量の日需要量に
対する割合の差を出力として、その入出力関係を各神経
回路網に学習させ、別途予測された日需要量に基づく各
時間帯の時間需要量の予測を行うものである。

【００３８】請求項２５に記載の発明に係る需要量予測
方法は、直接当てはめ方式と同様にして学習前にあらか
じめ各時間需要量の日需要量に対する割合を予測してお
き、当日の天候、最高気温、日照時間と、最近同天候日
の前記予測による各時間需要量の日需要量に対する割合
の予測誤差、最高気温、日照時間を入力とし、当日の前
記予測による各時間需要量の日需要量に対する割合の予
測誤差を出力として、その入出力関係を神経回路網に学
習させ、別途予測された日需要量に基づく各時間帯の時
間需要量の予測を行うものである。

【００３９】請求項２６に記載の発明に係る需要量予測
方法は、所定期間の各時間需要量実績値の日需要量に対
する割合の平均を学習前にあらかじめ求めておき、当日
の天候、最高気温、日照時間と、最近同天候日の各時間
需要量実績の日需要量に対する割合と求められた平均値
の差、最高気温、日照時間を入力とし、当日の各時間需
要量の日需要量に対する割合と前記平均値の差を出力と
して、この入出力関係を神経回路網に学習させ、別途予
測された日需要量に基づく各時間帯の時間需要量の予測
を行うものである。

【００４０】請求項２７に記載の発明に係る需要量予測
方法は、学習パラメータを順次変えながら、日需要量も
しくは時間需要量の予測を行い、予測平均誤差が最小と
なる学習パラメータの値を求めて、その学習パラメータ
値で日需要量予測及び時間需要量予測を行うものであ
る。

【００４１】請求項２８に記載の発明に係る需要量予測
方法は、学習データの中から、需要量実績値が前後の需
要量実績値と著しく異なる日のデータを除いて、神経回
路網の学習を行なうものである。

【００４２】

【作用】請求項１に記載の発明における需要量予測方式
は、当日の天候、最高気温、日照時間と、最近同天候日
の日需要量実績、最高気温、日照時間を入力、当日の日
需要量を出力として、神経回路網にその出力が日需要量
実績値と一致するように学習させることにより、予測日
の日需要量を非線形近似で予測して、精度の高い日需要
量予測を実現する。

【００４３】請求項２に記載の発明における需要量予測
方式は、当日の天候、最高気温、日照時間と、過去所定
日数間の日需要量実績、天候、最高気温、日照時間を入
力、当日の日需要量を出力として、神経回路網にその出
力が日需要量実績値と一致するように学習させることに
より、予測日の日需要量を非線形近似で予測して、精度
の高い日需要量予測を実現する。

【００４４】請求項３に記載の発明における需要量予測
方式は、過去の日需要量実績データを天候と最高気温と
でクラス分けして、それぞれのクラスに対応して神経回
路網を用意し、予測日が含まれるクラスにおいて、当日
の最高気温、日照時間と、最近同クラス日の日需要量実
績、最高気温、日照時間を入力、当日の日需要量を出力
として、各神経回路網にその出力が日需要量実績値と一
致するように学習させることにより、予測日の日需要量
を非線形近似で予測して、精度の高い日需要量予測を実
現する。

【００４５】請求項４に記載の発明における需要量予測
方式は、学習前にあらかじめ線形近似にて日需要量実績
データを標準化しておき、当日の天候、最高気温、日照
時間と、最近同天候日の標準化された日需要量実績、最
高気温、日照時間を入力、当日の標準化された日需要量
を出力として、神経回路網にその出力が標準化された日
需要量実績値と一致するように学習させることにより、
予測日の標準化された日需要量を非線形近似で予測し
て、精度の高い日需要量予測を実現する。

【００４６】請求項５に記載の発明における需要量予測
方式は、天候および最高気温にて過去の日需要量実績デ
ータをクラス分けしておき、その各クラス毎に日需要量
実績と最高気温の平均を求めて、クラスの天候、平均最
高気温を入力、クラスの平均日需要量を出力として、神
経回路網にその出力がクラスの平均日需要量実績値と一
致するように学習させることにより、雑音をなるべく取
り除いた天候、最高気温と日需要量の関係を非線形近似
して日需要量を予測し、精度の高い日需要量予測を実現
する。

【００４７】請求項６に記載の発明における需要量予測
方式は、当日と前日との天候差、最高気温差、日照時間
差と、最近同天候日とその前日の日需要量実績差、天候
差、最高気温差、日照時間差を入力、当日と前日の日需
要量差を出力として、神経回路網にその出力が当日と前
日の日需要量実績値の差と一致するように学習させるこ
とにより、予測日当日とその前日の日需要量の差を非線
形近似で予測して、精度の高い日需要量予測を実現す
る。

【００４８】請求項７に記載の発明における需要量予測
方式は、過去の日需要量実績データを天候と最高気温と
でクラス分けして、それぞれのクラスに対応して神経回
路網を用意し、予測日が含まれるクラスにおいて、当日
と前同クラス日の最高気温差、日照時間差と、最近同ク
ラス日と当該最近同クラス日の前同クラス日の日需要量
実績差、最高気温差、日照時間差を入力、当日と前同ク
ラス日の日需要量差を出力として、各神経回路網にその
出力が当日と前同クラス日の日需要量実績値の差と一致
するように学習させることにより、予測日当日と予測日
の前同クラス日の日需要量の差を非線形近似で予測し
て、精度の高い日需要量予測を実現する。

【００４９】請求項８に記載の発明における需要量予測
方式は、学習前に直接当てはめ方式で日需要量を予測し
ておき、当日の天候、最高気温、日照時間と、最近同天
候日の前記予測による日需要量予測誤差、最高気温、日
照時間を入力、当日の直接当てはめ方式による日需要量
予測誤差を出力として、神経回路網にその出力が前記予
測による日需要量予測誤差の実績値と一致するように学
習させることにより、予測日の前記予測方式による予測
誤差を非線形近似で予測して、精度の高い日需要量予測
を実現する。

【００５０】請求項９に記載の発明における需要量予測
方式は、学習前に日需要量を線形近似方式で予測してお
き、当日の天候、最高気温、日照時間と、最近同天候日
の前記予測による日需要量予測誤差、最高気温、日照時
間を入力、当日の前記予測による日需要量予測誤差を出
力として、神経回路網にその出力が前記予測による日需
要量予測誤差の実績値と一致するように学習させること
により、予測日の前記予測方式による予測誤差を非線形
近似で予測して、精度の高い日需要量予測を実現する。

【００５１】請求項１０に記載の発明における需要量予
測方式は、所定期間の日需要量実績値の平均を学習前に
あらかじめ求めておき、当日の天候、最高気温、日照時
間と、最近同天候日の日需要量実績と求めた平均日需要
量の差、最高気温、日照時間を入力、当日の日需要量と
前記平均日需要量の差を出力として、神経回路網にその
出力が当日の日需要量実績値と前記平均日需要量の差と
一致するように学習させることにより、予測日の日需要
量と前記平均日需要量の差を非線形近似で予測して、精
度の高い日需要量予測を実現する。

【００５２】請求項１１に記載の発明における需要量予
測方式は、当日の天候、最高気温、日照時間と、最近同
天候日の各時間帯における時間需要量実績、最高気温、
日照時間を入力、当日の各時間需要量を出力として、神
経回路網にその出力が時間需要量実績値と一致するよう
に学習させることにより、予測日の各時間帯の時間需要
量を非線形近似で予測して、精度の高い時間需要量予測
を実現する。

【００５３】請求項１２に記載の発明における需要量予
測方式は、当日の天候、最高気温、日照時間と、過去所
定日数間の各時間需要量実績、天候、最高気温、日照時
間を入力とし、当日の各時間需要量を出力として、神経
回路網にその出力が時間需要量実績値と一致するように
学習させることにより、予測日の各時間帯の時間需要量
を非線形近似で予測して、精度の高い時間需要量予測を
実現する。

【００５４】請求項１３に記載の発明における需要量予
測方式は、過去の時間需要量実績データを天候と最高気
温とでクラス分けして、それぞれのクラスに対応して神
経回路網を用意し、予測日が含まれるクラスにおいて、
当日の最高気温、日照時間と、最近同クラス日の各時間
需要量実績、最高気温、日照時間を入力、当日の各時間
需要量を出力として、各神経回路網にその出力が時間需
要量実績値と一致するように学習させることにより、予
測日の各時間帯の時間需要量を非線形近似で予測して、
精度の高い時間需要量予測を実現する。

【００５５】請求項１４に記載の発明における需要量予
測方式は、学習前に天候および最高気温にて過去の日需
要量実績データをクラス分けしておいた各クラス毎に、
日需要量実績の平均と最高気温の平均を求め、クラスの
天候、平均最高気温を入力、クラスの各時間平均需要量
を出力として、神経回路網にその出力が時間平均需要量
実績値と一致するように学習させることにより、雑音を
なるべく取り除いた天候、最高気温と各時間需要量の関
係を非線形近似して各時間帯の時間需要量予測し、精度
の高い時間需要量予測を実現する。

【００５６】請求項１５に記載の発明における需要量予
測方式は、当日と前日との天候差、最高気温差、日照時
間差と、最近同天候日とその前日の各時間需要量実績
差、天候差、最高気温差、日照時間差を入力、当日と前
日の各時間需要量差を出力として、神経回路網にその出
力が当日と前日の時間需要量実績値の差と一致するよう
に学習させることにより、予測日当日とその前日の各時
間帯の時間需要量差を非線形近似で予測して、精度の高
い時間需要量予測を実現する。

【００５７】請求項１６に記載の発明における需要量予
測方式は、過去の時間需要量実績データを天候と最高気
温とでクラス分けして、それぞれのクラスに対応して神
経回路網を用意し、予測日が含まれるクラスにおいて、
当日と前同クラス日の最高気温差、日照時間差と、最近
同クラス日と当該最近同クラス日の前同クラス日の各時
間需要量実績差、最高気温差、日照時間差を入力、当日
と前同クラス日の各時間需要量差を出力として、各神経
回路網にその出力が当日と前同クラス日の時間需要量実
績値の差と一致するように学習させることにより、予測
日当日と予測日の前同クラス日の各時間帯の時間需要量
差を非線形近似で予測して、精度の高い時間需要量予測
を実現する。

【００５８】請求項１７に記載の発明における需要量予
測方式は、学習前に直接当てはめ方式と同様にして各時
間需要量をあらかじめ予測しておき、当日の天候、最高
気温、日照時間と、最近同天候日の前記予測による各時
間需要量予測誤差、最高気温、日照時間を入力、当日の
前記予測方式による各時間需要量予測誤差を出力とし
て、神経回路網にその出力が前記予測による時間需要量
予測誤差の実績値と一致するように学習させることによ
り、予測日の各時間帯の時間需要量の前記予測による予
測誤差を非線形近似で予測して、精度の高い時間需要量
予測を実現する。

【００５９】請求項１８に記載の発明における需要量予
測方式は、学習前に所定期間の各時間需要量実績値の平
均を求めておき、当日の天候、最高気温、日照時間と、
最近同天候日の各時間需要量実績と求めた各時間平均需
要量の差、最高気温、日照時間を入力、当日の各時間需
要量と前記各時間平均需要量の差を出力として、神経回
路網にその出力が当日の時間需要量実績値と時間平均需
要量の差と一致するように学習させることにより、予測
日の各時間帯の時間需要量と時間平均需要量の差を非線
形近似で予測して、精度の高い時間需要量予測を実現す
る。

【００６０】請求項１９に記載の発明における需要量予
測方式は、当日の天候、最高気温、日照時間と、最近同
天候日の各時間需要量の日需要量に対する割合、最高気
温、日照時間を入力、当日の各時間需要量の日需要量に
対する割合を出力として、神経回路網にその出力が、当
日の時間需要量実績値の日需要量に対する割合と一致す
るように学習させることにより、非線形近似で求めた予
測日の各時間帯の時間需要量の日需要量に対する割合を
用いて、日需要量の予測値より各時間帯の時間需要量を
予測し、精度の高い時間需要量予測を実現する。

【００６１】請求項２０に記載の発明における需要量予
測方式は、当日の天候、最高気温、日照時間と、過去所
定日数間の各時間需要量の日需要量に対する割合、天
候、最高気温、日照時間を入力、当日の各時間需要量の
日需要量に対する割合を出力として、神経回路網にその
出力が、当日の時間需要量実績値の日需要量に対する割
合と一致するように学習させることにより、非線形近似
で求めた予測日の各時間帯の時間需要量の日需要量に対
する割合を用いて、日需要量の予測値より各時間帯の時
間需要量を予測し、精度の高い時間需要量予測を実現す
る。

【００６２】請求項２１に記載の発明における需要量予
測方式は、過去の時間需要量実績データを天候と最高気
温とでクラス分けして、それぞれのクラスに対応して神
経回路網を用意し、予測日が含まれるクラスにおいて、
当日の最高気温、日照時間と、最近同クラス日の各時間
需要量の日需要量に対する割合、最高気温、日照時間を
入力、当日の各時間需要量の日需要量に対する割合を出
力として、各神経回路網にその出力が、当日の時間需要
量実績値の日需要量に対する割合と一致するように学習
させることにより、非線形近似で求めた予測日の各時間
帯の時間需要量の日需要量に対する割合を用いて、日需
要量の予測値より各時間帯の時間需要量を予測し、精度
の高い時間需要量予測を実現する。

【００６３】請求項２２に記載の発明における需要量予
測方式は、学習前に天候および最高気温にて過去の日需
要量実績データをクラス分けしておいた各クラス毎に、
日需要量実績の平均と最高気温の平均を求め、クラスの
天候、平均最高気温を入力、クラスの各時間需要量の日
需要量に対する割合の平均を出力として、神経回路網に
その出力が、クラスの時間需要量実績値の日需要量に対
する割合の平均と一致するように学習させることによ
り、雑音をなるべく取り除いた天候、最高気温と、各時
間需要量の関係を非線形近似して求めた、予測日の各時
間帯の時間需要量の日需要量に対する割合を用いて、日
需要量の予測値より各時間帯の時間需要量を予測し、精
度の高い時間需要量予測を実現する。

【００６４】請求項２３に記載の発明における需要量予
測方式は、当日と前日との天候差、最高気温差、日照時
間差と、最近同天候日とその前日の各時間需要量実績の
日需要量に対する割合の差、天候差、最高気温差、照時
間差を入力、当日と前日の各時間需要量の日需要量に対
する割合の差を出力として、神経回路網にその出力が、
当日と前日の時間需要量実績値の日需要量に対する割合
の差と一致するように学習させることにより、非線形近
似で求めた予測日当日と予測日前日の各時間帯の時間需
要量の日需要量に対する割合を用いて、日需要量の予測
値より各時間帯の時間需要量を予測し、精度の高い時間
需要量予測を実現する。

【００６５】請求項２４に記載の発明における需要量予
測方式は、過去の時間需要量実績データを天候と最高気
温とでクラス分けして、それぞれのクラスに対応して神
経回路網を用意し、予測日が含まれるクラスにおいて、
当日と前同クラス日の最高気温差、日照時間差と、最近
同クラス日と当該最近同クラス日の前同クラス日の各時
間需要量の日需要量に対する割合の差、最高気温差、日
照時間差を入力、当日と前同クラス日との各時間需要量
の日需要量に対する割合の差を出力として、各神経回路
網にその出力が、当日と前同クラス日の時間需要量実績
値の日需要量に対する割合の差と一致するように学習さ
せることにより、非線形近似で求めた予測日当日と予測
日の前同クラス日の各時間帯の時間需要量の日需要量に
対する割合を用いて、日需要量の予測値より各時間帯の
時間需要量を予測し、精度の高い時間需要量予測を実現
する。

【００６６】請求項２５に記載の発明における需要量予
測方式は、学習前に直接当てはめ方式と同様にして各時
間需要量の日需要量に対する割合をあらかじめ予測して
おき、当日の天候、最高気温、日照時間と、最近同天候
日の前記予測による各時間需要量の日需要量に対する割
合の予測誤差、最高気温、日照時間を入力、当日の前記
予測方式による各時間需要量の日需要量に対する割合の
予測誤差を出力として、神経回路網にその出力が、当日
の前記予測による時間需要量実績値の日需要量に対する
割合の予測誤差と一致するように学習させることによ
り、非線形近似で求めた予測日の各時間帯の時間需要量
の日需要量に対する割合の前記予測による予測誤差を用
いて、日需要量の予測値より各時間帯の時間需要量を予
測し、精度の高い時間需要量予測を実現する。

【００６７】請求項２６に記載の発明における需要量予
測方式は、学習前に所定期間の各時間需要量実績値の日
需要量に対する割合の平均を求めておき、当日の天候、
最高気温、日照時間と、最近同天候日の各時間需要量実
績の日需要量に対する割合と求めた各時間需要量の日需
要量に対する割合の平均の差、最高気温、日照時間を入
力、当日の各時間需要量の日需要量に対する割合と前記
各時間需要量の日需要量に対する割合の平均との差を出
力として、神経回路網にその出力が、当日の時間需要量
実績値の日需要量に対する割合と前記各時間需要量の日
需要量に対する割合の平均の差と一致するように学習さ
せることにより、非線形近似で求めた予測日の各時間帯
の時間需要量の日需要量に対する割合と前記各時間需要
量の日需要量に対する割合の平均との差を用いて、日需
要量の予測値より各時間帯の時間需要量を予測し、精度
の高い時間需要量予測を実現する。

【００６８】請求項２７に記載の発明における需要量予
測方式は、学習パラメータを順次変えながら日需要量ま
たは時間需要量の予測を行い、予測平均誤差が最小とな
る学習パラメータの値を求めてその学習パラメータ値で
日需要量予測及び時間需要量予測を行うことにより、精
度の高い日需要量予測および時間需要量予測を実現す
る。

【００６９】請求項２８に記載の発明における需要量予
測方式は、学習データから需要量実績値が前後の需要量
実績値と著しく異なる日を除いて神経回路網に学習を行
われることにより、学習データに含まれる雑音を取り除
いて、精度の高い日需要量予測および時間需要量予測を
実現する。

【００７０】

【実施例】

実施例１．以下、この発明の実施例１を図について説明
する。図１は請求項１に記載した発明の一実施例による
需要量予測方法が適用される上水道の日配水量予測シス
テムを示す概念図である。図において、１は上水道の配
水量を検出して配水実績データを得る配水流量検出装置
１であり、２はこの配水流量検出装置１から得た過去の
配水量実績データ、および過去の気象関係実績データ、
予測日当日の気象予測データに基づいて日配水量を予測
する日配水量予測装置、３はこの日配水量予測装置２に
よって予測された日配水量予測値である。４はこの日配
水量予測値３と、過去の配水量実績データおよび過去の
気象関係実績データに基づいて時間帯毎の時間配水量を
予測する時間配水量予測装置であり、５はこの時間配水
量予測装置４にて予測された時間配水量に基づいて上水
道の配水を制御する配水制御装置である。

【００７１】また、日配水量予測装置２内において、６
は前記過去の配水量実績データが格納される配水量実績
データファイル、７は前記過去の気象関係実績データが
格納される気象関係実績データファイル、８はこの配水
量実績データファイル６および気象関係実績データファ
イル７を備えた実績データベースであり、９は前記当日
の気象予測データが格納される気象予測データファイル
である。１０はこれら過去の配水量実績データ、過去の
気象関係実績データおよび当日の気象予測データの正規
化を行う正規化装置であり、１１はこの正規化装置１０
で正規化された過去の配水量実績データおよび過去の気
象関係実績データを入力して学習を行い、正規化された
過去の配水量実績データ、過去の気象関係実績データお
よび当日の気象予測データに基づいて予測日の日配水量
を予測する神経回路網であり、当該神経回路網１１は入
出力データとして、当日の天候、当日の最高気温、当日
の日照時間、および最近同天候日の日配水量実績、最近
同天候日の最高気温、最近同天候日の日照時間を入力
し、当日の日配水量を出力する。

【００７２】次に動作について説明する。日配水量予測
装置２では、まず実績データベース８内の配水量実績デ
ータファイル６に配水流量検出装置１から得た過去の配
水量実績データを、気象関係実績データファイル７に過
去の天候、最高気温、日照時間などの気象関係実績デー
タをそれぞれ格納するとともに、気象予測データファイ
ル９に日配水量の予測日当日の予想される天候、最高気
温、日照時間などの気象予測データを格納する。これら
のデータは正規化装置１０で正規化され、入出力データ
として神経回路網１１に送られ、その学習および日配水
量の予測に用いられる。ここで、この正規化装置１０で
は、この神経回路網１１の入出力データ中、当日の最高
気温、当日の日照時間、最近同天候日の日配水量実績、
最近同天候日の最高気温、最近同天候日の日照時間、当
日の日配水量については、それぞれ次の式（５）を用い
て正規化し、当日の天候については、晴＝１、曇＝０．
５、雨＝０として正規化する。

【００７３】Ｘｎ＝（Ｘ−Ｘmin ）／（Ｘmax −Ｘmin ）・・・・・・（５）Ｘｎ：各入出力値の正規化値Ｘ：各入出力値Ｘmin ：各入出力値の最小値−α Ｘmax ：各入出力値の最大値＋β α、β：補正値

【００７４】学習時には、神経回路網１１の入出力デー
タとして、それぞれ正規化装置１０によって前述のよう
に正規化された、気象関係実績データファイル７からの
その日当日の天候、当日の最高気温、当日の日照時間、
その日に最も近い同じ天候の日（最近同天候日）の最高
気温、最近同天候日の日照時間と、配水量実績データフ
ァイル６からの最近同天候日の日配水量実績を入力と
し、その日の日配水量を出力とする。そして、ある一定
の期間、例えば過去３週間前後の上記入出力データの実
績値を学習データとして、神経回路網１１の出力と正規
化装置１０によって正規化された、配水量実績データフ
ァイル６からの日配水量実績値が一致するように、神経
回路網１１の学習を行なう。ただし、この場合には、学
習データとして平日のデータのみを扱うものとする。

【００７５】以下、学習を行なわせようとする神経回路
網１１について、その構成を示した図２〜４に基づいて
説明する。図２は階層型ニューラルネットワークと呼ば
れる神経回路網を示したものであり、図３はリカレント
ニューラルネットワーク、図４はカオスニューラルネッ
トワークと呼ばれるものをそれぞれ示している。

【００７６】図２に示した階層型ニューラルネットワー
クは、入力層と中間層、および中間層と出力層のニュー
ロンを学習によって結合の重みが変化するように結合
し、前記学習データのそれぞれを入力層に入力して、出
力層より排水量実績値を出力するものであり、その学習
動作は以下のように行われる。神経回路網の入力層以外
の各層のｋ番目の神経回路素子ｋへの入力の合計ｙ_k(t)
は、前層のｌ番目の神経回路素子ｌの出力をｘ_l 、前記
神経回路素子ｌと神経回路素子ｋの結合重みをｗ_klとす
ると、次の式（６）で示される。

【００７７】

【数２】

【００７８】この時、ｋ番目の神経回路素子における次
の時間の値ｚ_k(t+1)は、次に示す式（７）で与えられ
る。

【００７９】ｚ_k(t+1)＝ｆ_k（ｙ_k(t) ）・・・・・・（７）

【００８０】ここで、ｆ_k は神経回路素子の伝達関数で
あり、通常は、次の式（８）で示されるシグモイド関数
と呼ばれるものを用いることが多い。

【００８１】

【数３】

【００８２】ここで、この階層型ニューラルネットワー
クの学習方式であるバックプロパゲーション法は、以下
のように実行される。すなわち、ｐ番目の入出力データ
に対する誤差の評価関数Ｅ_p は、ｐ番目の入力データに
対する教師データのｊ成分をｔ_pj、ｐ番目の入力データ
に対するネットワークの実際の出力のｊ成分をｙ_pjとす
れば、次に示す式（９）となる。

【００８３】

【数４】

【００８４】この時、結合の重みＷ_jiの変更量は、学習
係数をη、慣性係数をαとして、次に示す式（１０）で
与えられる。

【００８５】

【数５】

【００８６】ここで、この学習は誤差の評価関数Ｅ_p が
十分小さい値になるまで入出力データを繰り返し提示し
て、結合の重みを更新していく。

【００８７】また、図３に示すリカレントニューラルネ
ットワークの動作は、図２に示した前記階層型ニューラ
ルネットワークにおいて、中間層から入力層へのフィー
ドバックをかけたものである。従って、このリカレント
ニューラルネットワークの学習方式としても、フィード
バック結線を無視することにより上記バックプロパゲー
ション法を利用することができる。

【００８８】さらに、図４はカオスニューラルネットワ
ークの＃ｉのカオスニューロンについてのみ示したもの
で、その動作は以下のように行われる。すなわち、＃ｉ
のカオスニューロンの時刻（ｔ＋１）における内部状態
ｙ_i(t+1)は、＃ｊのカオスニューロンから＃ｉのカオス
ニューロンへのシナプス結合の強さをｗ_ij、＃ｊのカオ
スニューロンの時刻ｔでの出力をｘ_j(t)、＃ｊのカオス
ニューロンの軸索の変換特性を表す関数をｈ_j 、＃ｊの
外部入力Ｉ_j(t)から＃ｉのカオスニューロンへのシナプ
ス結合の強さをｖ_ij、不応性等を表す関数をＦ_i 、しき
い値をθ_i とした場合、次の式（１１）で与えられる。
なお、この式（１１）におけるｋ_i は０＜ｋ_i ＜１をみ
たすパラメータである。

【００８９】

【数６】

【００９０】ここで、＃ｉのカオスニューロンの時刻
（ｔ＋１）における出力ｘ_i(t+1)は、＃ｉのカオスニュ
ーロンの出力関数をＧ_i とすれば、次の式（１２）で示
されるものとなる。

【００９１】ｘ_i(t+1)＝Ｇ_i （ｙ_i(t+1)）・・・・・・（１２）

【００９２】予測時には、このようにして学習を行った
後の神経回路網１１に、それぞれ正規化装置１０によっ
て正規化された、気象予測データファイル９からの配水
量の予測日当日の予測天候と、当日の予測最高気温と、
当日の予測日照時間と、配水量実績データファイル６か
らの予測日当日に最も近い同じ天候の日（最近同天候
日）の日配水量実績、および気象関係実績データファイ
ル７からの最近同天候日の最高気温と、最近同天候日の
日照時間を入力して、予測日の正規化された日配水量を
予測し、それを逆正規化して日配水量予測値３として出
力する。ただし、この場合にも予測日には平日のみを扱
うものとする。

【００９３】なお、配水制御装置５にて上水道の配水制
御を行う場合には、この日配水量予測装置より出力され
た日配水量予測値３を用いて、時間配水量予測装置４で
各時間帯毎の時間配水量を予測して、その時間配水量の
予測値を上水道の配水制御のためのデータとして配水制
御装置５に入力する。

【００９４】実施例２．ここで、上記実施例１では、神
経回路網の入出力データとして、当日の天候、当日の最
高気温、当日の日照時間、最近同天候日の日配水量実
績、最高気温、日照時間を入力、当日の日配水量を出力
とする場合について示したが、神経回路網の入出力デー
タとして、当日の天候、当日の最高気温、当日の日照時
間、過去Ｔ日間の日配水量実績、天候、最高気温、日照
時間を入力、当日の日配水量を出力とするようにしても
よく、上記実施例と同様の効果を奏する。この場合、予
測時には、予測日の予測天候、予測最高気温、予測日照
時間、過去Ｔ日間の日配水量実績、天候、最高気温、日
照時間を神経回路網に入力して、予測日の日配水量を予
測する。なお、この実施例２は請求項２に記載した発明
の一実施例である。

【００９５】実施例３．次に、この発明の実施例３を図
について説明する。図５は請求項３に記載した発明の一
実施例による需要量予測方法を説明するための概念図で
ある。この実施例３においては、学習前にあらかじめ、
過去の所定期間、例えば過去数カ月間の日配水量実績デ
ータをその天候および最高気温に基づいて複数のクラス
に分類しておき、それらのクラスそれぞれに神経回路網
を用意しておく。図示の例では、天候で晴、曇、雨の３
つ、最高気温で２０℃以下、２０℃〜３０℃、３０℃以
上の３つの、合計９つのクラスに分類し、それぞれのク
ラスに対応した９つの神経回路網１１₁ 〜１１₉ が用意
されている。そして、予測日が含まれたクラスにおい
て、神経回路網１１₁ 〜１１₉ に入出力される入出力デ
ータとして、当日の最高気温、当日の日照時間、当日に
最も近い同一クラスの日（最近同クラス日）の日配水量
実績、最近同クラス日の最高気温、最近同クラス日の日
照時間を入力、当日の日配水量を出力とし、過去の同ク
ラス日所定日数間、例えば過去同クラス日８日間前後の
同じクラスに属する入出力データについての実績値を学
習データとして、その入出力関係を予測日が含まれたク
ラスの神経回路網１１₁ 〜１１₉に学習させる。今、予
測日が含まれるクラスが、図５に網掛けを施して示した
２０℃以下の曇り日であれば、網掛けが施された神経回
路網１１₂ に、過去同クラス日８日間前後の当該２０℃
以下の曇り日のクラスに属する入出力データの実績値を
学習データとして、当該神経回路網１１₂ の出力が日配
水量実績値に一致するように学習させる。

【００９６】そして、学習終了後の、予測日当日が含ま
れるクラスに対応する神経回路網を用いて日配水量の予
測を行う。今、予測日当日が属するクラスが、例えば前
記２０℃以下の曇り日であれば、そのクラスに対応する
神経回路網１１₂ に予測日の予測最高気温、予測日照時
間、および最近同クラス日の日配水量実績、最高気温、
日照時間を入力して、当該予測日の日配水量を予測させ
る。

【００９７】ここで、図６、図８、図１０に１年分の配
水量実績データと気象データを用いて、従来方式である
直接当てはめ方式、前記実施例１の方式、およびこの実
施例３の方式によって、それぞれ日配水量予測を行った
結果を示す。これらはそれぞれ、平日のみを対象とし
て、最初の５０日は初期学習に用い、それ以降の約１９
０日については、学習を繰り返しながら予測を行ったも
のである。なお、図中の実線はそれぞれの予測値であ
り、点線はそれぞれの実績値を示している。また、図
７、図９、図１１はその時のそれぞれの予測誤差をグラ
フで表した説明図であり、図１２はこれら３つの手法に
よる誤差のグラフを、比較し易いように１つにまとめて
示す説明図である。この図１２では、実線で実施例１の
方式による予測誤差、破線で実施例３の方式による予測
誤差を示し、点線で従来方式である直接当てはめ方式に
よる予測誤差を示している。さらに、図１３は前記各手
法における予測誤差による累積日数をグラフで表した説
明図であり、この場合も、実施例１の方式による予測誤
差を実線で、実施例３の方式による予測誤差を破線で、
従来方式である直接当てはめ方式による予測誤差を点線
でそれぞれ示している。また、図１４は前記各手法にお
ける予測誤差を比較するための説明図で、それぞれの手
法に対する最大誤差、最小誤差、および平均誤差が表形
式で示されている。これら図１２〜図１４からも明らか
なように、実施例１および実施例３による手法は、従来
手法を上回る予測精度を出していることがわかる。

【００９８】実施例４．次に、この発明の実施例４を図
について説明する。図１５は請求項４に記載した発明の
一実施例による需要量予測方法を説明するための概念図
である。図示のように、この実施例４においては、従来
技術として説明したような線形近似方式で、日配水量実
績データを学習前にあらかじめ標準化しておく。そし
て、神経回路網１１の入出力データとして、当日の天
候、当日の最高気温、当日の日照時間、最近同天候日の
標準化された日配水量実績、最近同天候日の最高気温、
最近同天候日の日照時間を入力、当日の標準化された日
配水量を出力とし、神経回路網１１の学習を行なう。こ
の学習には、ある一定の期間、例えば３週間前後の期間
の前記入出力データの実績値が学習データとして用いら
れ、神経回路網１１の出力が標準化された日配水量実績
値と一致するように神経回路網１１の学習が行われる。

【００９９】当該学習終了後にその神経回路網１１を用
いて予測日の標準化された日配水量の予測が行われる。
この標準化された日配水量の予測は、学習終了後の神経
回路網１１に、配水量予測日の予測天候、予測最高気
温、予測日照時間、最近同天候日の標準化された日配水
量実績、最近同天候日の最高気温、最近同天候日の日照
時間を神経回路網１１に入力することによって行われ
る。予測日の標準化された日配水量が予測されると、そ
の予測値を前述の線形近似方式によって逆標準化し、予
測日の日配水量予測値を得る。

【０１００】実施例５．次に、この発明の実施例５につ
いて説明する。この実施例５は請求項５に記載した発明
の一実施例であり、学習前にあらかじめ、過去の日配水
量実績データを天候および最高気温でクラス分けし、そ
れぞれのクラスにおいて日配水量実績の平均と最高気温
の平均をとっておく。例えば、過去数カ月間の日配水量
実績データを、天候で晴、曇、雨の３つ、最高気温で１
０℃以下、１０℃〜１３℃、１３℃〜１６℃、１６℃〜
１９℃、１９℃〜２２℃、２２℃〜２５℃、２５℃〜２
８℃、２８℃〜３１℃、３１℃以上の９つの合計２７の
クラスに分類して、その各クラス毎の日配水量実績デー
タについて、日配水量実績および最高気温の平均をとっ
ておく。

【０１０１】そして、神経回路網の入出力データとし
て、クラスの天候、クラスの平均最高気温を入力、クラ
スの平均日配水量を出力とし、神経回路網の学習を行な
う。この学習には、すべてのクラスの前記入出力データ
の実績値が学習データとして用いられ、神経回路網１１
の出力がクラスの平均日配水量実績値と一致するように
神経回路網１１の学習が行われる。この学習終了後の神
経回路網１１を用いて、それに配水量予測日の予測天
候、予測最高気温、予測日照時間を入力することによ
り、予測日の日配水量を予測する。

【０１０２】実施例６．次に、この発明の実施例６を図
について説明する。図１６は請求項６に記載した発明の
一実施例における、神経回路網１１の入出力データを示
す概念図である。図示のように、この実施例６において
は、神経回路網１１に入出力データとして、当日と前日
との天候差、当日と前日との最高気温差、当日と前日と
の日照時間差、最近同天候日と最近同天候日の前日との
日配水量実績差、最近同天候日と最近同天候日の前日と
の天候差、最近同天候日と最近同天候日の前日との最高
気温差、最近同天候日と最近同天候日の前日との日照時
間差を入力し、当日と前日との日配水量差を出力してい
る。

【０１０３】神経回路網１１の学習には、この入出力デ
ータの実績値が学習データとして用いられ、神経回路網
１１の出力が、当日と前日の日配水量実績値差と一致す
るように神経回路網１１の学習が行われる。また、この
学習終了後の神経回路網１１に、予測日当日と予測日前
日の予測天候差、予測最高気温差、予測日照時間差、予
測日の最近同天候日と当該最近同天候日の前日の日配水
量実績差、天候差、最高気温差、日照時間差を入力する
ことにより、予測日当日と予測日前日との日配水量差を
予測させる。そして、この予測値と予測日前日の日配水
量実績値に基づいて予測日の日配水量を予測する。

【０１０４】実施例７．次に、この発明の実施例７を図
について説明する。図１７は請求項７に記載した発明の
一実施例における、神経回路網の入出力データを示す概
念図である。図示のように、この実施例７においては、
学習前にあらかじめ、実施例３の場合と同様に過去の日
配水量実績データを天候と最高気温によって複数のクラ
ス（この場合には、天候で３、最高気温で３の合計９ク
ラス）に分類し、その各々に対応して神経回路網１１₁
〜１１₉ を用意しておく。そして、予測美化含まれたク
ラスにおいて、神経回路網１１₁ 〜１１₉ に入出力デー
タとして、当日と前同クラス日との最高気温差、当日と
前同クラス日との日照時間差、最近同クラス日と最近同
クラス日の前同クラス日との日配水量実績差、最近同ク
ラス日と最近同クラス日の前同クラス日との最高気温
差、最近同クラス日と最近同クラス日の前同クラス日と
の日照時間差を入力し、当日と前同クラス日との日配水
量差を出力している。

【０１０５】神経回路網１１₁ （〜１１₉ ）の学習に
は、この入出力データの実績値が学習データとして用い
られ、神経回路網１１₁ （〜１１₉ ）の出力が、当日と
前同クラス日の日配水量実績値差と一致するように神経
回路網１１₁ （〜１１₉ ）の学習が行われる。また、こ
の学習終了後の、予測日当日が含まれるクラスに対応す
る神経回路網１１₁ 〜１１₉ に、予測日当日と予測日の
前同クラス日との予測最高気温差、予測日照時間差、最
近同クラス日と最近同クラス日の前同クラス日との日配
水量実績差、最高気温差、日照時間差を入力することに
より、予測日当日と予測日の前同クラス日との日配水量
差を予測させる。そして、この予測値と予測日の前同ク
ラス日の日配水量実績値に基づいて予測日の日配水量を
予測する。

【０１０６】実施例８．次に、この発明の実施例８を図
について説明する。図１８は請求項８に記載した発明の
一実施例における、神経回路網１１の入出力データを示
す概念図である。図示のように、この実施例８において
は、従来技術として説明したような直接当てはめ方式に
よって、学習前にあらかじめ日配水量を予測しておく。
そして、神経回路網１１に入出力データとして、当日の
天候、当日の最高気温、当日の日照時間、最近同天候日
の前記予測方式による日配水量予測誤差、最近同天候日
の最高気温、最近同天候日の日照時間を入力し、当日の
前記予測方式による日配水量予測誤差を出力する。

【０１０７】神経回路網１１の学習には、この入出力デ
ータの実績値が学習データとして用いられ、神経回路網
１１の出力が、前記予測方式による日配水量予測誤差の
実績値差と一致するように神経回路網１１の学習が行わ
れる。また、この学習終了後の神経回路網１１に、予測
日当日の予測天候、予測最高気温、予測日照時間、最近
同天候日の日配水量予測誤差、最近同天候日の最高気
温、最近同天候日の日照時間を入力することにより、予
測日当日の前記予測方式による予測誤差を予測させる。
そして、この予測値と前記予測方式による予測値に基づ
いて予測日の日配水量を予測する。

【０１０８】実施例９．ここで、上記実施例８において
は、学習前にあらかじめ直接当てはめ方式で日配水量を
予測しておく場合について述べたが、従来技術として説
明したような線形近似方式によって、学習前にあらかじ
め日配水量を予測しておくようにしてもよく、上記実施
例８と同様の効果を奏する。なお、その場合には、神経
回路網の入出力データとして、当日の天候、当日の最高
気温、当日の日照時間、最近同天候日の前記線形近似方
式による日配水量予測誤差、最近同天候日の最高気温、
最近同天候日の日照時間を入力とし、当日の前記線形近
似方式による日配水量予測誤差を出力とする。

【０１０９】実施例１０．次に、この発明の実施例１０
を図について説明する。図１９は請求項１０に記載した
発明の一実施例における、神経回路網１１の入出力デー
タを示す概念図である。図示のように、この実施例１０
においては、所定の期間、例えば最近１カ月間の日配水
量実績値の平均を、学習前にあらかじめ求めておく。そ
して、神経回路網１１に入出力データとして、当日の天
候、当日の最高気温、当日の日照時間、最近同天候日の
日配水量実績値と上記平均日配水量との差、最近同天候
日の最高気温、最近同天候日の日照時間を入力し、当日
の日配水量の上記平均日配水量との差を出力する。

【０１１０】神経回路網１１の学習には、この入出力デ
ータの実績値が学習データとして用いられ、神経回路網
１１の出力が、当日の日配水量実績値と上記平均日配水
量との差と一致するように神経回路網１１の学習が行わ
れる。また、この学習終了後の神経回路網１１に、予測
日当日の予測天候、当日の予測最高気温、当日の予測日
照時間、最近同天候日の日配水量実績値と上記平均日配
水量との差、最近同天候日の最高気温、最近同天候日の
日照時間を入力することにより、予測日の日配水量の前
記平均日配水量との差を予測させる。そして、この予測
値と平均日配水量に基づいて予測日の日配水量を予測す
る。

【０１１１】実施例１１．以上、実施例１〜１０におい
ては、予測日の日配水量を予測する場合について示した
が、予測日当日の各時間帯における時間配水量を予測す
るようにしてもよい。この実施例１１は請求項１１に記
載した発明の一実施例であり、神経回路網の入出力デー
タとして、当日の天候、当日の最高気温、当日の日照時
間、最近同天候日の所定の時間帯毎の時間配水量（以下
の実施例では、１時から２４時までの各時間帯毎の時間
配水量として説明する）実績、最近同天候日の最高気
温、最近同天候日の日照時間の合計２９個を入力、当日
の各時間帯における時間配水量の合計２４個を出力とし
ている。

【０１１２】神経回路網の学習時には、この入出力デー
タの実績値が学習データとして用いられ、神経回路網の
出力が、時間配水量実績と一致するように神経回路網の
学習が行われる。また、予測時には、予測日当日の予測
天候、当日の予測最高気温、当日の予測日照時間、最近
同天候日の各時間配水量実績、最近同天候日の最高気
温、最近同天候日の日照時間を、学習終了後の神経回路
網に入力して、予測日の各時間帯における時間配水量を
予測させる。

【０１１３】実施例１２．ここで、上記実施例１１で
は、神経回路網の入出力データとして、当日の天候、最
高気温、日照時間、最近同天候日の各時間帯の時間配水
量実績、最近同天候日の最高気温、日照時間を入力する
場合について示したが、当該神経回路網の入出力データ
として、最近同天候日の各時間帯の時間配水量実績、お
よび最近同天候日の最高気温、日照時間に代えて、過去
Ｔ日間の１時から２４時までの各時間帯における時間水
量実績、および過去Ｔ日間の天候、最高気温、日照時間
を入力とするようにしてもよく、上記実施例と同様の効
果を奏する。この場合、予測時には、予測日の予測天
候、予測最高気温、予測日照時間、過去Ｔ日間の各時間
帯の時間配水量実績、過去Ｔ日間の天候、最高気温、日
照時間を神経回路網に入力して、予測日の各時間配水量
の予測を行う。なお、この実施例１２は請求項１２に記
載した発明の一実施例である。

【０１１４】実施例１３．次に、この発明の実施例１３
について説明する。この実施例１３は請求項１３に記載
した発明の一実施例であり、学習前にあらかじめ、例え
ば過去数カ月間の時間配水量実績データを、その天候お
よび最高気温に基づいて、例えば天候で晴、曇、雨の３
つ、最高気温で２０℃以下、２０℃〜３０℃、３０℃以
上の３つの合計９つのクラスに分類しておく。それか
ら、各クラスのそれぞれに対応した９つの神経回路網を
用意し、予測日が含まれるクラスにおいて、神経回路網
に入出力される入出力データとして、当日の最高気温、
当日の日照時間、最近同クラス日の各時間帯における時
間配水量実績、最近同クラス日の最高気温、最近同クラ
ス日の日照時間の合計２８個を入力、当日の各時間帯の
時間配水量の合計２４個を出力とし、この入出力関係に
ついて、例えば過去８日間前後の同じクラスに属するデ
ータに対して、神経回路網の出力が、時間配水量実績値
と一致するように学習させる。

【０１１５】また、この学習終了後の、予測日当日が属
するクラスに対応する神経回路網に、予測日の予測最高
気温、予測日照時間、最近同クラス日の各時間配水量実
績、最近同クラス日の最高気温、日照時間を入力して、
当該予測日の１時から２４時の各時間帯における時間配
水量を予測させる。

【０１１６】実施例１４．次に、この発明の実施例１４
について説明する。この実施例１４は請求項１４に記載
した発明の一実施例であり、学習前にあらかじめ、例え
ば過去数カ月間の各時間配水量実績データを、その天候
および最高気温に基づいて、例えば天候で晴、曇、雨の
３つ、最高気温で１０℃以下、１０℃〜１３℃、１３℃
〜１６℃、１６℃〜１９℃、１９℃〜２２℃、２２℃〜
２５℃、２５℃〜２８℃、２８℃〜３１℃、３１℃以上
の９つの合計２７のクラスに分類しておき、その各クラ
スにおいて１時から２４時の各時間帯の時間配水量実績
の平均と、最高気温の平均をとっておく。

【０１１７】そして、神経回路網の入出力データとし
て、クラスの天候、クラスの平均最高気温の２個を入
力、クラスの１時から２４時の各時間平均配水量の合計
２４個を出力とし、すべてのクラスの上記入出力データ
の実績値を学習用データとして用いて、神経回路網の出
力が、クラスの各時間平均配水量実績値と一致するよう
に神経回路網の学習を行う。そして、この学習終了後の
神経回路網を用いて、それに配水量予測日の予測天候、
予測最高気温を入力することにより、予測日の１時から
２４時の各時間帯の時間配水量を予測させる。

【０１１８】実施例１５．次に、この発明の実施例１５
について説明する。この実施例１５は請求項１５に記載
した発明の一実施例であり、神経回路網に入出力データ
として、当日と前日との天候差、当日と前日との最高気
温差、当日と前日との日照時間差、最近同天候日と最近
同天候日の前日との１時から２４時の各時間帯における
時間配水量実績差、最近同天候日と最近同天候日の前日
との天候差、最高気温差、日照時間差の合計３０個を入
力し、当日と前日との１時から２４時の各時間帯の時間
配水量差の合計２４個を出力している。

【０１１９】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、当日と前日の時間配水量実績値差と一致するよう
に神経回路網の学習が行われる。また、この学習終了後
の神経回路網に、予測日当日と予測日前日との予測天候
差、予測最高気温差、予測日照時間差、予測日の最近同
天候日と予測日の最近同天候日の前日との各時間帯の時
間配水量実績差、予測日の最近同天候日と予測日の最近
同天候日の前日との天候差、最高気温差、日照時間差を
入力することにより、予測日当日と予測日前日との各時
間帯における時間配水量差を予測させる。そして、この
予測値と予測日前日の各時間配水量実績値に基づいて、
予測日当日の各時間帯の時間配水量を予測する。

【０１２０】実施例１６．次に、この発明の実施例１６
について説明する。この実施例１６は請求項１６に記載
した発明の一実施例であり、実施例１３の場合と同様
に、学習前にあらかじめ、例えば過去数カ月間の時間配
水量実績データを、その天候および最高気温に基づい
て、例えば天候で晴、曇、雨の３つ、最高気温で２０℃
以下、２０℃〜３０℃、３０℃以上の３つの合計９つの
クラスに分類し、各クラス対応に９つの神経回路網を用
意しておく。そして、それらの各神経回路網の入出力デ
ータとして、当日と前同クラス日との最高気温差、当日
と前同クラス日との日照時間差、最近同クラス日と最近
同クラス日の前同クラス日との１時から２４時の各時間
帯の時間配水量実績差、最近同クラス日と最近同クラス
日の前同クラス日との最高気温差、日照時間差の合計２
８個を入力、当日と前同クラス日との１時から２４時の
各時間帯の時間配水量差の合計２４個を出力とする。

【０１２１】神経回路網の学習は、予測日当日が含まれ
るクラス対応の神経回路網について行われ、同クラスの
過去数日間の上記入出力データの実績値が学習データと
して用いられ、神経回路網の出力が、当日と前同クラス
日との各時間帯における時間配水量実績差と一致するよ
うに神経回路網の学習が行われる。また、この学習終了
後の、予測日当日が含まれるクラスに対応する神経回路
網に、予測日当日と予測日の前同クラス日との予測最高
気温差、予測日照時間差、最近同クラス日と最近同クラ
ス日の前同クラス日との各時間配水量実績差、最近同ク
ラス日と最近同クラス日の前同クラス日との最高気温
差、日照時間差を入力することにより、予測日当日と予
測日の前同クラス日との各時間帯における時間配水量差
を予測させる。そして、この予測値と予測日の前同クラ
ス日の各時間配水量実績値に基づいて、予測日当日の各
時間帯の時間配水量を予測する。

【０１２２】実施例１７．次に、この発明の実施例１７
について説明する。この実施例１７は請求項１７に記載
した発明の一実施例であり、この実施例１７において
は、学習前にあらかじめ、実施例８で行った日配水量に
対するものと同等の直接当てはめ方式にて、天候、最高
気温、曜日で各時間配水量データを分類し、同クラスに
属する、例えば過去３日間の各時間配水量実績値の平均
として１時から２４時の各時間配水量を予測しておく。
そして、神経回路網の入出力データとして、当日の天
候、当日の最高気温、当日の日照時間、最近同天候日の
前記予測方式による１時から２４時の各時間帯における
時間配水量予測誤差、最近同天候日の最高気温、最近同
天候日の日照時間の合計２９個を入力、当日の前記予測
方式による１時から２４時の各時間帯における時間配水
量予測誤差の合計２４個を出力とする。

【０１２３】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、前記予測方式による時間配水量予測誤差の実績値
と一致するように神経回路網の学習が行われる。また、
この学習終了後の神経回路網に、予測日当日の予測天
候、予測最高気温、予測日照時間、最近同天候日の前記
予測方式による各時間帯の時間配水量予測誤差、最近同
天候日の最高気温、日照時間を入力することにより、予
測日の各時間帯における時間配水量の前記予測方式によ
る予測誤差を予測させる。そして、この予測値と前記予
測方式による予測値に基づいて、予測日当日の各時間帯
の時間配水量を予測する。

【０１２４】実施例１８．次に、この発明の実施例１８
について説明する。この実施例１８は請求項１８に記載
した発明の一実施例であり、この実施例１８において
は、学習前にあらかじめ、例えば最近１カ月間の１時か
ら２４時までの各時間帯の時間配水量実績値の平均を求
めておく。そして、神経回路網の入出力データとして、
当日の天候、当日の最高気温、当日の日照時間、最近同
天候日の各時間帯の時間配水量実績と各時間帯の前記時
間平均配水量との差、最近同天候日の最高気温、日照時
間の合計２９個を入力、当日の各時間帯の時間配水量と
各時間帯の前記時間平均配水量との差の合計２４個を出
力とする。

【０１２５】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、当日の時間配水量実績値と上記時間平均配水量と
の差と一致するように神経回路網の学習が行われる。ま
た、この学習終了後の神経回路網に、予測日の予測天
候、予測最高気温、予測日照時間、最近同天候日の各時
間帯での時間配水量実績値と上記時間平均配水量との
差、最近同天候日の最高気温、日照時間を入力すること
により、予測日の各時間帯における時間配水量の前記時
間平均配水量との差を予測させる。そして、この予測値
と各時間帯の時間平均配水量に基づいて、予測日の各時
間帯における時間配水量を予測する。

【０１２６】実施例１９．以上、実施例１１〜１８にお
いては、予測日の１時から２４時までの各時間帯の時間
配水量を予測する場合について示したが、予測日の各時
間帯における時間配水量の日配水量に対する割合を予測
するようにしてもよい。この実施例１９は請求項１９に
記載した発明の一実施例であり、神経回路網の入出力デ
ータとして、当日の天候、当日の最高気温、当日の日照
時間、最近同天候日の１時から２４時までの各時間帯毎
の時間配水量実績値の日配水量に対する割合、最近同天
候日の最高気温、最近同天候日の日照時間の合計２９個
を入力、当日の１時から２４時までの各時間帯毎の時間
配水量の日配水量に対する割合の合計２４個を出力とし
ている。

【０１２７】神経回路網の学習時には、この入出力デー
タの実績値が学習データとして用いられ、神経回路網の
出力が、当日の時間配水量実績値の日配水量に対する割
合と一致するように神経回路網の学習が行われる。ま
た、予測時には、予測日当日の予測天候、当日の予測最
高気温、当日の予測日照時間、最近同天候日の各時間配
水量実績の日配水量に対する割合、最近同天候日の最高
気温、最近同天候日の日照時間を、学習終了後の神経回
路網に入力して、予測日の各時間帯における時間配水量
の日配水量に対する割合を予測させる。そして、その予
測値と、例えば実施例１に示した需要量予測方法で求め
た日配水量などを基に、予測日当日の各時間帯における
時間配水量を予測する。

【０１２８】実施例２０．ここで、上記実施例１９で
は、神経回路網の入出力データとして、当日の天候、最
高気温、日照時間、最近同天候日の各時間帯における時
間配水量実績値の日配水量に対する割合、最近同天候日
の最高気温、日照時間を入力する場合について示した
が、当該神経回路網の入出力データとして、最近同天候
日の各時間帯の時間配水量実績値の日配水量に対する割
合、および最近同天候日の最高気温、日照時間に代え
て、過去Ｔ日間の１時から２４時までの各時間帯におけ
る時間水量実績値の日配水量に対する割合、および過去
Ｔ日間の天候、最高気温、日照時間を入力とするように
してもよく、上記実施例と同様の効果を奏する。この場
合、予測時には、予測日の予測天候、予測最高気温、予
測日照時間、過去Ｔ日間の各時間帯の時間配水量の日配
水量に対する割合の実績値、過去Ｔ日間の天候、最高気
温、日照時間を神経回路網に入力して、予測日の各時間
帯における時間配水量の日配水量に対する割合の予測を
行い、その予測値と、例えば実施例２で求めた日配水量
などより各時間帯の時間配水量を予測する。なお、この
実施例２０は請求項２０に記載した発明の一実施例であ
る。

【０１２９】実施例２１．次に、この発明の実施例２１
について説明する。この実施例２１は請求項２１に記載
した発明の一実施例であり、実施例１３の場合と同様
に、学習前にあらかじめ実施例１３の場合と同様に、例
えば過去数カ月間の時間配水量実績データを、その天候
および最高気温に基づいて、例えば天候で晴、曇、雨の
３つ、最高気温で２０℃以下、２０℃〜３０℃、３０℃
以上の３つの合計９つのクラスに分類しておく。それか
ら、各クラスのそれぞれに対応した９つの神経回路網を
用意し、予測日が含まれるクラスにおいて、神経回路網
に入出力される入出力データとして、当日の最高気温、
当日の日照時間、最近同クラス日の各時間帯における時
間配水量実績値の日配水量に対する割合、最近同クラス
日の最高気温、最近同クラス日の日照時間の合計２８個
を入力、当日の各時間帯の時間配水量の日配水量に対す
る割合の合計２４個を出力として、この入出力関係につ
いて、例えば過去８日間前後の同じクラスに属するデー
タに対して、神経回路網の出力が、当日の時間配水量実
績値の日配水量に対する割合と一致するように学習させ
る。

【０１３０】そして、学習終了後の、予測日当日が含ま
れるクラスに対応する神経回路網に、予測日の予測最高
気温、予測日照時間、最近同クラス日の各時間配水量実
績値の日配水量に対する割合、最近同クラス日の最高気
温、日照時間を入力して、当該予測日の各時間帯におけ
る時間配水量の日配水量に対する割合を予測させる。そ
して、その予測値と、例えば実施例３に示した需要量予
測方法で求めた日配水量などを基に、予測日当日の各時
間帯における時間配水量を予測する。

【０１３１】実施例２２．次に、この発明の実施例２２
について説明する。この実施例２２は請求項２２に記載
した発明の一実施例であり、学習前にあらかじめ、例え
ば過去数カ月間の各時間配水量実績データを、その天候
および最高気温に基づいて、例えば天候で晴、曇、雨の
３つ、最高気温で１０℃以下、１０℃〜１３℃、１３℃
〜１６℃、１６℃〜１９℃、１９℃〜２２℃、２２℃〜
２５℃、２５℃〜２８℃、２８℃〜３１℃、３１℃以上
の９つの合計２７のクラスに分類しておき、その各クラ
スにおいて各時間帯の時間配水量実績の日配水量に対す
る割合の平均と、最高気温の平均をとっておく。

【０１３２】そして、神経回路網の入出力データとし
て、クラスの天候、クラスの平均最高気温の２個を入
力、クラスの１時から２４時の各時間配水量の日配水量
に対する割合の平均の合計２４個を出力とし、すべての
クラスの上記入出力データの実績値を学習用データとし
て用いて、神経回路網の出力が、クラスの日配水量実績
値の日配水量に対する割合の平均と一致するように神経
回路網の学習を行う。そして、この学習終了後の神経回
路網を用いて、それに配水量予測日の予測天候、予測最
高気温を入力することにより、当該予測日の各時間帯に
おける時間配水量の日配水量に対する割合を予測させ
る。その後、その予測値と、例えば実施例５に示した需
要量予測方法で求めた日配水量などを基に、予測日当日
の各時間帯における時間配水量を予測する。

【０１３３】実施例２３．次に、この発明の実施例２３
について説明する。この実施例２３は請求項２３に記載
した発明の一実施例であり、神経回路網に入出力データ
として、当日と前日との天候差、当日と前日との最高気
温差、当日と前日との日照時間差、最近同天候日と最近
同天候日の前日との１時から２４時の各時間帯における
時間配水量実績値の日配水量に対する割合の差、最近同
天候日と最近同天候日の前日との天候差、最高気温差、
日照時間差の合計３０個を入力し、予測日当日と予測日
前日との１時から２４時の各時間帯の時間配水量の日配
水量に対する割合の差の合計２４個を出力している。

【０１３４】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、当日と前日の時間配水量実績値の日配水量に対す
る割合の差と一致するように神経回路網の学習が行われ
る。また、この学習終了後の神経回路網に、予測日当日
と予測日前日との予測天候差、予測最高気温差、予測日
照時間差、予測日の最近同天候日と予測日の最近同天候
日の前日との各時間帯の時間配水量実績値の日配水量に
対する割合の差、予測日の最近同天候日と予測日の最近
同天候日の前日との天候差、最高気温差、日照時間差を
入力することにより、予測日当日と予測日前日との各時
間帯における時間配水量の日配水量に対する割合の差を
予測させる。そして、その予測値より求めた各時間帯の
時間配水量の日配水量に対する割合と、例えば実施例６
に示した需要量予測方法で求めた日配水量などを基に、
予測日当日の各時間帯における時間配水量を予測する。

【０１３５】実施例２４．次に、この発明の実施例２４
について説明する。この実施例２４は請求項２４に記載
した発明の一実施例であり、実施例１３の場合と同様
に、学習前にあらかじめ、例えば過去数カ月間の時間配
水量実績データを、その天候および最高気温に基づい
て、例えば天候で晴、曇、雨の３つ、最高気温で２０℃
以下、２０℃〜３０℃、３０℃以上の３つの合計９つの
クラスに分類し、各クラス対応に９つの神経回路網を用
意しておく。そして、それらの各神経回路網の入出力デ
ータとして、当日と前同クラス日との最高気温差、当日
と前同クラス日との日照時間差、最近同クラス日と最近
同クラス日の前同クラス日との１時から２４時の各時間
帯の時間配水量実績値の日配水量に対する割合の差、最
近同クラス日と最近同クラス日の前同クラス日との最高
気温差、日照時間差の合計２８個を入力、当日と前同ク
ラス日との１時から２４時の各時間帯の時間配水量の日
配水量に対する割合の差の合計２４個を出力とする。

【０１３６】神経回路網の学習は、予測日当日が含まれ
るクラス対応の神経回路網について行い、同クラスの過
去数日間の上記入出力データの実績値が学習データとし
て用いられ、神経回路網の出力が、当日と前同クラス日
との日配水量実績値の時間配水量の日配水量に対する割
合の差と一致するように神経回路網の学習が行われる。
また、この学習終了後の神経回路網に、予測日当日と予
測日の前同クラス日との予測最高気温差、予測日照時間
差、最近同クラス日と最近同クラス日の前同クラス日と
の各時間配水量実績値の時間配水量の日配水量に対する
割合の差、最近同クラス日と最近同クラス日の前同クラ
ス日との最高気温差、日照時間差を入力することによ
り、予測日当日と予測日の前同クラス日との各時間帯に
おける時間配水量の時間配水量の日配水量に対する割合
の差を予測させる。そして、その予測値より求めた各時
間帯の時間配水量の日配水量に対する割合と、例えば実
施例７に示した需要量予測方法で求めた日配水量などを
基に、予測日当日の各時間帯における時間配水量を予測
する。

【０１３７】実施例２５．次に、この発明の実施例２５
について説明する。この実施例２５は請求項２５に記載
した発明の一実施例であり、この実施例２５において
は、学習前にあらかじめ、実施例８で行った日配水量に
対するものと同等の直接当てはめ方式によって、天候、
最高気温、曜日で各時間配水量の日配水量に対する割合
の実績データを分類し、同クラスに属する、例えば過去
３日間の各時間帯の時間配水量の日配水量に対する割合
の平均として１時から２４時の各時間帯の時間配水量の
日配水量に対する割合を予測しておく。そして、神経回
路網の入出力データとして、当日の天候、当日の最高気
温、当日の日照時間、最近同天候日の前記予測方式によ
る１時から２４時の各時間帯における時間配水量の日配
水量に対する割合の予測誤差、最近同天候日の最高気
温、最近同天候日の日照時間の合計２９個を入力、当日
の前記予測方式による１時から２４時の各時間帯におけ
る時間配水量の日配水量に対する割合の予測誤差の合計
２４個を出力とする。

【０１３８】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、当日の前記予測方式による時間配水量の日配水量
に対する割合の予測誤差の実績値と一致するように神経
回路網の学習が行われる。また、この学習終了後の神経
回路網に、予測日当日の予測天候、予測最高気温、予測
日照時間、最近同天候日の前記予測方式による各時間帯
の時間配水量の日配水量に対する割合の予測誤差、最近
同天候日の最高気温、日照時間を入力することにより、
予測日の各時間帯における時間配水量の日配水量に対す
る割合の前記予測方式による予測誤差を予測させる。そ
して、その予測値より求めた各時間帯の時間配水量の日
配水量に対する割合と、例えば実施例８に示した需要量
予測方法で求めた日配水量などを基に、予測日当日の各
時間帯における時間配水量を予測する。

【０１３９】実施例２６．次に、この発明の実施例２６
について説明する。この実施例２６は請求項２６に記載
した発明の一実施例であり、この実施例２６において
は、学習前にあらかじめ、例えば最近１カ月間の１時か
ら２４時までの各時間帯の時間配水量実績値の日配水量
に対する割合の平均を求めておく。そして、神経回路網
の入出力データとして、当日の天候、当日の最高気温、
当日の日照時間、最近同天候日の各時間帯の時間配水量
実績値の日配水量に対する割合と各時間帯の前記時間配
水量の日配水量に対する平均割合との差、最近同天候日
の最高気温、最近同天候日の日照時間の合計２９個を入
力、当日の各時間帯の時間配水量の日配水量に対する割
合と各時間帯の前記時間配水量の日配水量に対する平均
割合との差の合計２４個を出力とする。

【０１４０】神経回路網の学習には、この入出力データ
の実績値が学習データとして用いられ、神経回路網の出
力が、当日の時間配水量実績値の日配水量に対する割合
と各時間帯の前記時間配水量の日配水量に対する平均割
合との差と一致するように神経回路網の学習が行われ
る。また、この学習終了後の神経回路網に、予測日の予
測天候、予測最高気温、予測日照時間、最近同天候日の
各時間帯での時間配水量実績値の日配水量に対する割合
と各時間帯での前記時間配水量の日配水量に対する平均
割合との差、最近同天候日の最高気温、日照時間を入力
することにより、予測日の各時間帯における時間配水量
の日配水量に対する割合と各時間帯での前記時間配水量
の日配水量に対する平均割合との差を予測させる。そし
て、その予測値より求めた各時間帯の時間配水量の日配
水量に対する割合と、例えば実施例１０に示した需要量
予測方法で求めた日配水量などを基に、予測日当日の各
時間帯における時間配水量を予測する。

【０１４１】実施例２７．次に、この発明の実施例２７
を図について説明する。この実施例２７は請求項２７に
記載した発明の一実施例で、学習パラメータを順次変化
させながら、平均予測誤差が最も小さくなる学習パラメ
ータを探索し、当該学習パラメータを用いて、神経回路
網の学習、および学習終了後の神経回路網を用いて配水
量などの予測を行うものであり、その動作の流れを図２
０のフローチャートに示す。

【０１４２】図２０において、ステップＳＴ１にて学習
終了条件を１．５％に初期設定した後、ステップＳＴ２
でこの学習処理条件が２．４％を超えたか否かを監視す
る。学習条件が２．４％未満であれば、ステップＳＴ３
で学習サンプル数を１１個に初期設定し、ステップＳＴ
４でこの学習サンプル数が２０を超えたか否かを監視し
ながら、ステップＳＴ５で実施例１において説明した日
配水量の予測を行い、ステップＳＴ６で学習サンプル数
をインクリメントする。ステップＳＴ４で学習サンプル
数が２０を超えたことが検出されると、ステップＳＴ７
で学習終了条件を０．１％増やしてステップＳＴ２に戻
る。従って、このステップＳＴ２で学習条件が２．４％
を超えたことが検出されるまで、上記処理が繰り返され
る。ステップＳＴ２で学習条件が２．４％を超えたこと
が検出されると、ステップＳＴ８において、平均予測誤
差が最小となった学習サンプル数と学習終了条件を表示
した後、当該処理を終了する。このようにして、学習サ
ンプル数を１１個から２０個まで１個ずつ増やしなが
ら、学習終了条件である学習サンプルの平均予測誤差を
１．５％から２．４％まで０．１％毎に順次変化させ
て、実施例１における予測を行う。

【０１４３】この結果より、平均予測誤差が最小となる
学習サンプル数と学習終了条件を求め、得られた学習サ
ンプル数と学習終了条件を用いて、実施例１で説明した
予測を行なう。ちなみに、図２１に、学習サンプル数お
よび学習終了条件と、平均予測誤差との関係を示す。こ
のグラフにおいて、平均予測誤差を最小にする学習サン
プル数と学習終了条件を求める。

【０１４４】実施例２８．次に、この発明の実施例２８
について説明する。この実施例２８は請求項２８に記載
した発明の一実施例であり、この実施例２８は、配水量
実績値が前後の配水量実績値と大きく異なる日を除いた
入出力データの実績値を学習データとして神経回路網の
学習を行い、学習終了後の神経回路網を用いて予測日の
日配水量や時間配水量を予測するものである。すなわ
ち、配水量実績値が前日および次の日と著しく差がある
日を、学習サンプルから除いて神経回路網の学習を行な
うもので、具体的には、次の式（１３）を満足するデー
タのみを学習サンプルとして採用するものである。

【００１４５】Ｑ₁ ＋Ｑ₂ ＜α＋（Ｗ₁ ＋Ｗ₂ ）×β ・・・・・・（１３）Ｑ₁ ：配水量の前日との差の絶対値Ｑ₂ ：配水量の後日との差の絶対値Ｗ₁ ：天候係数の前日との差の絶対値Ｗ₂ ：天候係数の後日との差の絶対値 α，β：定数

【０１４６】

【発明の効果】以上のように、請求項１に記載の発明に
よれば、当日の天候、最高気温、日照時間、最近同天候
日の日需要量実績、最高気温、日照時間を入力、当日の
日需要量を出力とし、その入出力関係を神経回路網に学
習させて日需要量を予測するように構成したので、需要
量に影響を与える要因と日需要量との関係を、その神経
回路網を用いて非線形近似することが可能となり、高い
予測精度で日需要量を予測することができる効果があ
る。

【０１４７】また、請求項２に記載の発明によれば、当
日の天候、最高気温、日照時間、過去所定日数間の日需
要量実績、天候、最高気温、日照時間を入力、当日の日
需要量を出力とし、その入出力関係を神経回路網に学習
させて日需要量を予測するように構成したので、需要量
に影響を与える要因と日需要量との関係を、その神経回
路網を用いて非線形近似することが可能となり、高い予
測精度で日需要量を予測することができる効果がある。

【０１４８】また、請求項３に記載の発明によれば、学
習前にあらかじめ過去の日需要量実績データを天候、最
高気温でクラス分けして、各クラス毎に神経回路網を用
意しておき、予測日が含まれるクラスにおいて、当日の
最高気温、日照時間、最近同クラス日の日需要量実績、
最高気温、日照時間を入力、当日の日需要量を出力と
し、予測日が含まれるクラスに属する日の上記入出力関
係を予測日が含まれるクラス対応の神経回路網に学習さ
せて日需要量を予測するように構成したので、需要量に
影響を与える要因と日需要量との関係を、その神経回路
網を用いて非線形近似することが可能となり、高い予測
精度で日需要量を予測することができる効果がある。

【０１４９】また、請求項４に記載の発明によれば、学
習前にあらかじめ日需要量実績データを線形近似で標準
化しておき、当日の天候、最高気温、日照時間、最近同
天候日の標準化された日需要量実績、最高気温、日照時
間を入力、当日の標準化された日需要量を出力とし、そ
の入出力関係を神経回路網に学習させて標準化日需要量
を予測するように構成したので、需要量に影響を与える
要因と標準化日需要量との関係を、その神経回路網を用
いて非線形近似することが可能となり、予測された標準
化日需要量より、高い予測精度で日需要量を予測するこ
とができる効果がある。

【０１５０】また、請求項５に記載の発明によれば、学
習前にあらかじめ過去の日需要量実績データを天候、最
高気温でクラス分けし、その各クラスで日需要量実績と
最高気温の平均を求めておき、クラスの天候、平均最高
気温を入力、クラスの平均日需要量を出力とし、全クラ
スの上記入出力関係を神経回路網に学習させて日需要量
を予測するように構成したので、雑音をなるべく取り除
いた状態で、需要量に影響を与える要因と日需要量との
関係を、その神経回路網を用いて非線形近似することが
可能となり、高い予測精度で日需要量を予測することが
できる効果がある。

【０１５１】また、請求項６に記載の発明によれば、当
日と前日の天候差、最高気温差、日照時間差、最近同天
候日と最近同天候日の前日の日需要量実績差、天候差、
最高気温差、日照時間差を入力、当日と前日の日需要量
差を出力とし、その入出力関係を神経回路網に学習させ
て当日と前日の日需要量差を予測するように構成したの
で、需要量に影響を与える要因と日需要量差との関係
を、その神経回路網を用いて非線形近似することが可能
となり、予測された日需要量差より、高い予測精度で日
需要量を予測することができる効果がある。

【０１５２】また、請求項７に記載の発明によれば、学
習前にあらかじめ過去の日需要量実績データを天候、最
高気温でクラス分けして、各クラス毎に神経回路網を用
意しておき、予測日が含まれるクラスにおいて、当日と
前同クラス日との最高気温差、日照時間差、最近同クラ
ス日と最近同クラス日の前同クラス日との日需要量実績
差、最高気温差、日照時間差を入力、当日と前同クラス
日との日需要量差を出力とし、予測日が含まれるクラス
に属する日の上記入出力関係を予測日が含まれるクラス
対応の神経回路網に学習させて当日と前同クラス日との
日需要量差を予測するように構成したので、需要量に影
響を与える要因と日需要量差との関係を、その神経回路
網を用いて非線形近似することが可能となり、予測され
た日需要量差より、高い予測精度で日需要量を予測する
ことができる効果がある。

【０１５３】また、請求項８に記載の発明によれば、学
習前にあらかじめ直接当てはめ方式で日需要量を予測し
ておき、当日の天候、最高気温、日照時間、最近同天候
日の前記予測による日需要量予測誤差、最高気温、日照
時間を入力、当日の前記予測による日需要量予測誤差を
出力とし、その入出力関係を神経回路網に学習させて日
需要量の前記予測方式による予測誤差を予測するように
構成したので、需要量に影響を与える要因と、日需要量
の前記予測方式による予測誤差との関係を、その神経回
路網を用いて非線形近似することが可能となり、予測さ
れた予測誤差より、高い予測精度で日需要量を予測する
ことができる効果がある。

【０１５４】また、請求項９に記載の発明によれば、学
習前にあらかじめ線形近似で日需要量を予測しておき、
当日の天候、最高気温、日照時間、最近同天候日の前記
予測による日需要量予測誤差、最高気温、日照時間を入
力、当日の前記予測による日需要量予測誤差を出力と
し、その入出力関係を神経回路網に学習させて日需要量
の前記予測方式による予測誤差を予測するように構成し
たので、需要量に影響を与える要因と、日需要量の前記
予測方式による予測誤差との関係を、その神経回路網を
用いて非線形近似することが可能となり、予測された予
測誤差より、高い予測精度で日需要量を予測することが
できる効果がある。

【０１５５】また、請求項１０に記載の発明によれば、
学習前にあらかじめ所定期間の日需要量実績値の平均を
求めておき、当日の天候、最高気温、日照時間、最近同
天候日の日需要量実績と平均日需要量の差、最高気温、
日照時間を入力、当日の日需要量と平均日需要量の差を
出力とし、その入出力関係を神経回路網に学習させて当
日の日需要量と平均日需要量の差を予測するように構成
したので、需要量に影響を与える要因と、日需要量と前
記平均日需要量の差との関係を、その神経回路網を用い
て非線形近似することが可能となり、予測された平均日
需要量との差より、高い予測精度で日需要量を予測する
ことができる効果がある。

【０１５６】また、請求項１１に記載の発明によれば、
当日の天候、最高気温、日照時間、最近同天候日の各時
間帯の時間需要量実績、最高気温、日照時間を入力、当
日の各時間帯の時間需要量を出力とし、その入出力関係
を神経回路網に学習させて各時間帯の時間需要量を予測
するように構成したので、需要量に影響を与える要因と
各時間需要量との関係を、その神経回路網を用いて非線
形近似することが可能となり、各時間帯における時間需
要量を高い予測精度で予測することができる効果があ
る。

【０１５７】また、請求項１２に記載の発明によれば、
当日の天候、最高気温、日照時間、過去所定日数間の各
時間帯の時間需要量実績、天候、最高気温、日照時間を
入力、当日の各時間帯の時間需要量を出力とし、その入
出力関係を神経回路網に学習させて各時間帯の時間需要
量を予測するように構成したので、需要量に影響を与え
る要因と各時間需要量との関係を、その神経回路網を用
いて非線形近似することが可能となり、各時間帯におけ
る時間需要量を高い予測精度で予測することができる効
果がある。

【０１５８】また、請求項１３に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けして、各クラス毎に神経回路
網を用意しておき、予測日が含まれるクラスにおいて、
当日の最高気温、日照時間、最近同クラス日の各時間帯
の時間需要量実績、最高気温、日照時間を入力、当日の
各時間帯の時間需要量を出力とし、予測日が含まれるク
ラスに属する日の上記入出力関係を予測日が含まれるク
ラス対応の各神経回路網に学習させて各時間帯の時間需
要量を予測するように構成したので、需要量に影響を与
える要因と各時間需要量との関係を、その神経回路網を
用いて非線形近似することが可能となり、高い予測精度
で各時間帯における時間需要量を高い予測精度で予測す
ることができる効果がある。

【０１５９】また、請求項１４に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けし、その各クラスで各時間帯
の時間需要量実績と最高気温の平均を求めておき、クラ
スの天候、平均最高気温を入力、クラスの各時間帯の時
間平均需要量を出力とし、全クラスの上記入出力関係を
神経回路網に学習させて各時間帯の時間需要量を予測す
るように構成したので、雑音をなるべく取り除いた状態
で、需要量に影響を与える要因と各時間需要量との関係
を、その神経回路網を用いて非線形近似することが可能
となり、各時間帯における時間需要量を高い予測精度で
予測することができる効果がある。

【０１６０】また、請求項１５に記載の発明によれば、
当日と前日の天候差、最高気温差、日照時間差、最近同
天候日と最近同天候日の前日の各時間帯の時間需要量実
績差、天候差、最高気温差、日照時間差を入力、当日と
前日の各時間帯の時間需要量差を出力とし、その入出力
関係を神経回路網に学習させて各時間帯の時間需要量差
を予測するように構成したので、需要量に影響を与える
要因と、当日と前日の各時間需要量差との関係を、その
神経回路網を用いて非線形近似することが可能となり、
予測された各時間需要量差より、各時間帯における時間
需要量を高い予測精度で予測することができる効果があ
る。

【０１６１】また、請求項１６に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けして、各クラス毎に神経回路
網を用意しておき、予測日が含まれるクラスにおいて、
当日と前同クラス日の最高気温差、日照時間差、最近同
クラス日と最近同クラス日の前同クラス日との各時間帯
の時間需要量実績差、最高気温差、日照時間差を入力、
当日と前同クラス日の各時間帯の時間需要量差を出力と
し、予測日が含まれるクラスに属する日の上記入出力関
係を予測日が含まれるクラス対応の各神経回路網に学習
させて各時間帯の時間需要量差を予測するように構成し
たので、需要量に影響を与える要因と、当日と前同クラ
ス日の各時間需要量差との関係を、その神経回路網を用
いて非線形近似することが可能となり、予測された各時
間需要量差より、各時間帯における時間需要量を高い予
測精度で予測することができる効果がある。

【０１６２】また、請求項１７に記載の発明によれば、
学習前にあらかじめ直接当てはめ方式同様に各時間帯の
時間需要量を予測しておき、当日の天候、最高気温、日
照時間、最近同天候日の前記予測による各時間帯の時間
需要量予測誤差、最高気温、日照時間を入力、当日の前
記予測による各時間帯の時間需要量予測誤差を出力と
し、その入出力関係を神経回路網に学習させて各時間帯
の時間需要量の予測誤差を予測するように構成したの
で、需要量に影響を与える要因と、前記予測方式による
各時間需要量の予測誤差との関係を、その神経回路網を
用いて非線形近似することが可能となり、予測された予
測誤差より、各時間帯における時間需要量を高い予測精
度で予測することができる効果がある。

【０１６３】また、請求項１８に記載の発明によれば、
学習前にあらかじめ所定期間の各時間帯の時間需要量実
績値の平均を求めておき、当日の天候、最高気温、日照
時間、最近同天候日の各時間帯の時間需要量実績と時間
平均需要量との差、最高気温、日照時間を入力、当日の
各時間帯の時間需要量と時間平均需要量との差を出力と
し、その入出力関係を神経回路網に学習させて各時間帯
の時間需要量と前記時間平均需要量との差を予測するよ
うに構成したので、需要量に影響を与える要因と、当日
の各時間需要量と各時間平均需要量の差との関係を、そ
の神経回路網を用いて非線形近似することが可能とな
り、予測された各時間平均需要量との差より、各時間帯
における時間需要量を高い予測精度で予測することがで
きる効果がある。

【０１６４】また、請求項１９に記載の発明によれば、
当日の天候、最高気温、日照時間、最近同天候日の各時
間帯の時間需要量の日需要量に対する割合、最高気温、
日照時間を入力、当日の各時間帯の時間需要量の日需要
量に対する割合を出力とし、その入出力関係を神経回路
網に学習させて各時間帯の時間需要量の日需要量に対す
る割合を予測するように構成したので、需要量に影響を
与える要因と、各時間需要量の日需要量に対する割合と
の関係を、その神経回路網を用いて非線形近似すること
が可能となり、予測された日需要量に対する割合より、
各時間帯における時間需要量を高い予測精度で予測する
ことができる効果がある。

【０１６５】また、請求項２０に記載の発明によれば、
当日の天候、最高気温、日照時間、過去所定日数間の各
時間帯の時間需要量の日需要量に対する割合、天候、最
高気温、日照時間を入力、当日の各時間帯の時間需要量
の日需要量に対する割合を出力とし、その入出力関係を
神経回路網に学習させて各時間帯の時間需要量の日需要
量に対する割合を予測するように構成したので、需要量
に影響を与える要因と、各時間需要量の日需要量に対す
る割合との関係を、その神経回路網を用いて非線形近似
することが可能となり、予測された日需要量に対する割
合より、各時間帯における時間需要量を高い予測精度で
予測することができる効果がある。

【０１６６】また、請求項２１に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けして、各クラス毎に神経回路
網を用意しておき、予測日が含まれるクラスにおいて、
当日の最高気温、日照時間、最近同クラス日の各時間帯
の時間需要量の日需要量に対する割合、最高気温、日照
時間を入力、当日の各時間帯の時間需要量の日需要量に
対する割合を出力とし、予測日が含まれるクラスに属す
る日の上記入出力関係を予測日が含まれるクラス対応の
神経回路網に学習させて各時間帯の時間需要量の日需要
量に対する割合を予測するように構成したので、需要量
に影響を与える要因と、各時間需要量の日需要量に対す
る割合との関係を、その神経回路網を用いて非線形近似
することが可能となり、予測された日需要量に対する割
合より、各時間帯における時間需要量を高い予測精度で
予測することができる効果がある。

【０１６７】また、請求項２２に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けし、その各クラスで各時間帯
の時間需要量の日需要量に対する割合、および最高気温
の平均を求めておき、クラスの天候、平均最高気温を入
力、クラスの各時間帯の時間需要量の日需要量に対する
割合の平均を出力とし、全クラスの上記入出力関係を神
経回路網に学習させて各時間帯の時間需要量の日需要量
に対する割合の平均を予測するように構成したので、雑
音をなるべく取り除いた状態で、需要量に影響を与える
要因と、各時間需要量の日需要量に対する割合との関係
を、その神経回路網を用いて非線形近似することが可能
となり、予測された日需要量に対する割合より、各時間
帯における時間需要量を高い予測精度で予測することが
できる効果がある。

【０１６８】また、請求項２３に記載の発明によれば、
当日と前日の天候差、最高気温差、日照時間差、最近同
天候日と最近同天候日の前日との各時間需要量実績の日
需要量に対する割合の差、天候差、最高気温差、照時間
差を入力、当日と前日の各時間需要量の日需要量に対す
る割合の差を出力とし、その入出力関係を神経回路網に
学習させて当日と前日の各時間需要量の日需要量に対す
る割合の差を予測するように構成したので、需要量に影
響を与える要因と、当日と前日の各時間需要量の日需要
量に対する割合の差との関係を、その神経回路網を用い
て非線形近似することが可能となり、予測された日需要
量に対する割合の差より、各時間帯における時間需要量
を高い予測精度で予測することができる効果がある。

【０１６９】また、請求項２４に記載の発明によれば、
学習前にあらかじめ過去の時間需要量実績データを天
候、最高気温でクラス分けして、各クラス毎に神経回路
網を用意しておき、予測日が含まれるクラスにおいて、
当日と前同クラス日の最高気温差、日照時間差、最近同
クラス日と最近同クラス日の前同クラス日との各時間帯
の時間需要量の日需要量に対する割合の差、最高気温
差、日照時間差を入力、当日と前同クラス日の各時間帯
の時間需要量の日需要量に対する割合の差を出力とし、
予測日が含まれるクラスに属する日の上記入出力関係を
予測日が含まれるクラス対応の神経回路網に学習させて
当日と前同クラス日の各時間帯の時間需要量の日需要量
に対する割合の差を予測するように構成したので、需要
量に影響を与える要因と、当日と前同クラス日の各時間
需要量の日需要量に対する割合の差との関係を、その神
経回路網を用いて非線形近似することが可能となり、予
測された日需要量に対する割合の差より、各時間帯にお
ける時間需要量を高い予測精度で予測することができる
効果がある。

【０１７０】また、請求項２５に記載の発明によれば、
学習前にあらかじめ直接当てはめ方式同様に各時間帯の
時間需要量の日需要量に対する割合を予測しておき、当
日の天候、最高気温、日照時間、最近同天候日の前記予
測による各時間帯の時間需要量の日需要量に対する割合
の予測誤差、最高気温、日照時間を入力、当日の前記予
測による各時間帯の時間需要量の日需要量に対する割合
の予測誤差を出力とし、その入出力関係を神経回路網に
学習させて、前記予測による各時間需要量の日需要量に
対する割合の予測誤差を予測するように構成したので、
需要量に影響を与える要因と、前記予測による各時間需
要量の日需要量に対する割合の予測誤差との関係を、そ
の神経回路網を用いて非線形近似することが可能とな
り、予測された日需要量に対する割合の予測誤差より、
各時間帯における時間需要量を高い予測精度で予測する
ことができる効果がある。

【０１７１】また、請求項２６に記載の発明によれば、
学習前にあらかじめ所定期間の各時間帯の時間需要量実
績値の日需要量に対する割合の平均を求めておき、当日
の天候、最高気温、日照時間、最近同天候日の各時間帯
の時間需要量実績の日需要量に対する割合と前記平均値
との差、最高気温、日照時間を入力、当日の各時間帯の
時間需要量の日需要量に対する割合と前記平均値との差
を出力とし、その入出力関係を神経回路網に学習させて
各時間帯の時間需要量の日需要量に対する割合と前記平
均値との差を予測するように構成したので、需要量に影
響を与える要因と、前記予測による各時間需要量の日需
要量に対する割合と前記平均値の差との関係を、その神
経回路網を用いて非線形近似することが可能となり、予
測された日需要量に対する割合と前記平均値との差よ
り、各時間帯における時間需要量を高い予測精度で予測
することができる効果がある。

【０１７２】また、請求項２７に記載の発明によれば、
学習パラメータを順次変えながら、神経回路網による学
習、予測を行い、平均予測誤差が最小となる学習パラメ
ータの値を求めて、その学習パラメータ値で日需要量予
測あるいは時間需要量予測を行うように構成したので、
日需要量および時間需要量の予測精度をさらに向上させ
ることができる効果がある。

【０１７３】また、請求項２８に記載の発明によれば、
学習データから需要量実績値が前後の需要量実績値と著
しく異なる日を除いて、神経回路網の学習を行なわせる
ように構成したので、学習データに含まれる雑音を取り
除くことができ、日需要量および時間需要量の予測精度
をさらに向上させることができる効果がある。

【図面の簡単な説明】

【図１】この発明の実施例１による需要量予測方法が
適用されるシステムを示す概念図である。

【図２】上記実施例における階層型ニューラルネット
ワークを示す概念図である。

【図３】上記実施例におけるリカレント型ニューラル
ネットワークを示す概念図である。

【図４】上記実施例におけるカオスニューラルネット
ワークのカオスニューロンを示す概念図である。

【図５】この発明の実施例３による需要量予測方法を
説明するための概念図である。

【図６】従来の直接当てはめ方式による予測結果を示
す説明図である。

【図７】従来の直接当てはめ方式による予測誤差を示
す説明図である。

【図８】上記実施例１の方式による予測結果を示す説
明図である。

【図９】上記実施例１の方式による予測誤差を示す説
明図である。

【図１０】上記実施例３の方式による予測結果を示す
説明図である。

【図１１】上記実施例３の方式による予測誤差を示す
説明図である。

【図１２】上記各方式による予測誤差をまとめて示す
説明図である。

【図１３】上記各方式の予測誤差の累積日数を示す説
明図である。

【図１４】上記各方式の平均予測誤差を表形式で示し
た説明図である。

【図１５】この発明の実施例４による需要量予測方式
を説明するための概念図である。

【図１６】この発明の実施例６における神経回路網の
入出力データを示す概念図である。

【図１７】この発明の実施例７における神経回路網の
入出力データを示す概念図である。

【図１８】この発明の実施例８における神経回路網の
入出力データを示す概念図である。

【図１９】この発明の実施例１０における神経回路網
の入出力データを示す概念図である。

【図２０】この発明の実施例２７による需要量予測方
法の動作の流れを示すフローチャートである。

【図２１】上記実施例における学習終了条件、学習サ
ンプル数と平均予測誤差の関係を示す説明図である。

【符号の説明】

１配水流量検出装置、２日需要量予測装置、３日
需要量予測値、４時間配水量予測装置、５配水制御
装置、６需要量実績値ファイル、７気象関係実績デ
ータファイル、９気象予測データファイル、１０正
規化装置、１１神経回路網。

───────────────────────────────────────────────────── フロントページの続き (72)発明者築山誠尼崎市塚口本町八丁目１番１号三菱電機株式会社産業システム研究所内

Claims

【特許請求の範囲】

【請求項１】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網に入出力される入出力データの入力データと
して、当日の天候、最高気温、日照時間、および最近同
天候日の日需要量実績、最高気温、日照時間を、出力デ
ータとして当日の日需要量を用い、ある一定の期間内の
前記入出力データの実績値を学習データとして、前記神
経回路網の出力と日需要量実績値とが一致するように、
前記神経回路網に学習を行わせ、学習終了後の前記神経
回路網に、需要量予測を行う予測日の予測天候、予測最
高気温、予測日照時間、および最近同天候日の日需要量
実績、最高気温、日照時間を入力して、当該予測日の日
需要量を予測させることを特徴とする需要量予測方法。
【請求項２】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網に入出力される入出力データの入力データと
して、当日の天候、最高気温、日照時間、および過去所
定日数間の日需要量実績、天候、最高気温、日照時間
を、出力データとして当日の日需要量を用い、ある一定
の期間内の前記入出力データの実績値を学習データとし
て、前記神経回路網の出力と日需要量実績値とが一致す
るように、前記神経回路網に学習を行わせ、学習終了後
の前記神経回路網に、需要量予測を行う予測日の予測天
候、予測最高気温、予測日照時間、および前記所定日数
間の日需要量実績、天候、最高気温、日照時間を入力し
て、当該予測日の日需要量を予測させることを特徴とす
る需要量予測方法。
【請求項３】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網を、過去の日需要量実績データを天候および
最高気温に基づいてクラス分けしたそれぞれのクラス毎
に用意し、需要量予測の行われる予測日が含まれたクラ
スにおいて、前記神経回路網に入出力される入出力デー
タの入力データとして、当日の最高気温、日照時間、お
よび最近同クラス日の日需要量実績、天候、最高気温、
日照時間を、出力データとして当日の日需要量を用い、
過去の同クラス日所定日数間の前記入出力データの実績
値を学習データとして、前記神経回路網の出力と日需要
量実績値とが一致するように、前記神経回路網に学習を
行わせ、学習終了後の前記神経回路網に、予測日の予測
最高気温、予測日照時間、および最近同クラス日の日需
要量実績、最高気温、日照時間を入力して、当該予測日
の日需要量を予測させることを特徴とする需要量予測方
法。
【請求項４】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網の学習前にあらかじめ、日需要量実績データ
を線形近似によって標準化しておき、前記神経回路網に
入出力される入出力データの入力データとして、当日の
天候、最高気温、日照時間、および最近同天候日の標準
化された日需要量実績、最高気温、日照時間を、出力デ
ータとして当日の標準化された日需要量を用い、ある一
定の期間の前記入出力データの実績値を学習データとし
て、前記神経回路網の出力と標準化された日需要量実績
値とが一致するように、前記神経回路網に学習を行わ
せ、学習終了後の前記神経回路網に、需要量予測を行う
予測日の予測天候、予測最高気温、予測日照時間、およ
び最近同天候日の標準化された日需要量実績、最高気
温、日照時間を入力して、当該予測日の標準化された日
需要量を予測させ、当該予測値より前記線形近似によっ
て日需要量を予測することを特徴とする需要量予測方
法。
【請求項５】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網の学習前にあらかじめ、過去の日需要量実績
データを天候および最高気温に基づいてクラス分けし
て、それぞれのクラス毎に日需要量実績および最高気温
の平均を求め、前記神経回路網に入出力される入出力デ
ータの入力データとして、クラスの天候、平均最高気温
を、出力データとしてクラスの平均日需要量を用い、す
べてのクラスの前記入出力データの実績値を学習用デー
タとして、前記神経回路網の出力とクラスの平均日需要
量実績値とが一致するように、前記神経回路網に学習を
行わせ、学習終了後の前記神経回路網に、需要量予測を
行う予測日の予測天候、予測最高気温を入力して、当該
予測日の日需要量を予測させることを特徴とする需要量
予測方法。
【請求項６】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網に入出力される入出力データの入力データと
して、当日と前日の天候差、最高気温差、日照時間差、
および最近同天候日とその前日の日需要量実績差、天候
差、最高気温差、日照時間差を、出力データとして当日
と前日の日需要量差を用い、ある一定の期間の前記入出
力データの実績値を学習データとして、前記神経回路網
の出力と当日と前日の日需要量実績値差とが一致するよ
うに、前記神経回路網に学習を行わせ、学習終了後の前
記神経回路網に、需要量予測を行う予測日当日とその前
日の予測天候差、予測最高気温差、予測日照時間差、お
よび予測日の最近同天候日とその前日の日需要量実績
差、天候差、最高気温差、日照時間差を入力して、当該
予測日とその前日の日需要量差を予測させることを特徴
とする需要量予測方法。
【請求項７】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網を、過去の日需要量実績データを天候および
最高気温に基づいてクラス分けしたそれぞれのクラス毎
に用意し、需要量予測の行われる予測日が含まれたクラ
スにおいて、前記神経回路網に入出力される入出力デー
タの入力データとして、当日と前同クラス日の最高気温
差、日照時間差、および最近同クラス日と当該最近同ク
ラス日の前同クラス日の日需要量実績差、最高気温差、
日照時間差を、出力データとして当日と前同クラス日の
日需要量差を用い、過去の同クラス日所定日数間の前記
入出力データの実績値を学習データとして、前記神経回
路網の出力と当日と前同クラス日の日需要量実績値差と
が一致するように、前記神経回路網に学習を行わせ、学
習終了後の前記神経回路網に、需要量予測を行う予測日
当日と当該予測日の前同クラス日の予測最高気温差、予
測日照時間差、および最近同クラス日と当該最近同クラ
ス日の前同クラス日の日需要量実績差、最高気温差、日
照時間差を入力して、当該予測日当日と当該予測日の前
同クラス日との日需要量差を予測させることを特徴とす
る需要量予測方法。
【請求項８】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網の学習前にあらかじめ、天候、最高気温、曜
日で、日需要量実績データを分類し、同じクラスに属す
る過去所定日数間の平均をとって予測値とする直接当て
はめ方式によって日需要量を予測しておき、前記神経回
路網に入出力される入出力データの入力データとして、
当日の天候、最高気温、日照時間、および最近同天候日
の前記予測による日需要量予測誤差、最高気温、日照時
間を、出力データとして当日の前記予測による日需要量
予測誤差を用い、ある一定の期間の前記入出力データの
実績値を学習データとして、前記神経回路網の出力と前
記予測による日需要量予測誤差の実績値とが一致するよ
うに、前記神経回路網に学習を行わせ、学習終了後の前
記神経回路網に、需要量予測を行う予測日の予測天候、
予測最高気温、予測日照時間、および最近同天候日の前
記予測による日需要量予測誤差、最高気温、日照時間を
入力して、当該予測日の日需要量の前記予測による予測
誤差を予測させることを特徴とする需要量予測方法。
【請求項９】気象条件によって変動する需要量を神経
回路網を用いて予測する需要量予測方法において、前記
神経回路網の学習前にあらかじめ、線形近似によって日
需要量を予測しておき、前記神経回路網に入出力される
入出力データの入力データとして、当日の天候、最高気
温、日照時間、および最近同天候日の前記予測による日
需要量予測誤差、最高気温、日照時間を、出力データと
して当日の前記予測による日需要量予測誤差を用い、あ
る一定の期間の前記入出力データの実績値を学習データ
として、前記神経回路網の出力と前記予測による日需要
量予測誤差の実績値とが一致するように、前記神経回路
網に学習を行わせ、学習終了後の前記神経回路網に、需
要量予測を行う予測日の予測天候、予測最高気温、予測
日照時間、および最近同天候日の前記予測による日需要
量予測誤差、最高気温、日照時間を入力して、当該予測
日の日需要量の前記予測による予測誤差を予測させるこ
とを特徴とする需要量予測方法。
【請求項１０】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、所定期間の日需要
量実績値の平均を求めておき、前記神経回路網に入出力
される入出力データの入力データとして、当日の天候、
最高気温、日照時間、および最近同天候日の日需要量実
績と求められた平均日需要量の差、最高気温、日照時間
を、出力データとして当日の日需要量と前記平均日需要
量の差を用い、ある一定の期間の前記入出力データの実
績値を学習データとして、前記神経回路網の出力と当日
の日需要量実績値と前記平均日需要量の差とが一致する
ように、前記神経回路網に学習を行わせ、学習終了後の
前記神経回路網に、需要量予測を行う予測日の予測天
候、予測最高気温、予測日照時間、および最近同天候日
の日需要量実績と前記平均日需要量の差、最高気温、日
照時間を入力して、当該予測日の需要量と前記平均日需
要量との差を予測させることを特徴とする需要量予測方
法。
【請求項１１】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日の天候、最高気温、日照時間、および最近
同天候日の各時間帯の時間需要量実績、最高気温、日照
時間を、出力データとして当日の各時間帯の時間需要量
を用い、ある一定の期間の前記入出力データの実績値を
学習データとして、前記神経回路網の出力と時間需要量
実績値とが一致するように、前記神経回路網に学習を行
わせ、学習終了後の前記神経回路網に、需要量予測を行
う予測日の予測天候、予測最高気温、予測日照時間、お
よび最近同天候日の各時間需要量実績、最高気温、日照
時間を入力して、当該予測日の各時間帯における時間需
要量を予測させることを特徴とする需要量予測方法。
【請求項１２】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日の天候、最高気温、日照時間、および過去
所定日数間の各時間帯の時間需要量実績、天候、最高気
温、日照時間を、出力データとして当日の各時間帯の時
間需要量を用い、ある一定の期間の前記入出力データの
実績値を学習データとして、前記神経回路網の出力と時
間需要量実績値とが一致するように、前記神経回路網に
学習を行わせ、学習終了後の前記神経回路網に、需要量
予測を行う予測日の予測天候、予測最高気温、予測日照
時間、および前記所定日数間の各時間需要量実績、天
候、最高気温、日照時間を入力して、当該予測日の各時
間帯における時間需要量を予測させることを特徴とする
需要量予測方法。
【請求項１３】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網を、過去の時間需要量実績データをその日
の天候および最高気温に基づいてクラス分けしたそれぞ
れのクラス毎に用意し、需要量予測の行われる予測日が
含まれたクラスにおいて、前記神経回路網に入出力され
る入出力データの入力データとして、当日の最高気温、
日照時間、および最近同クラス日の各時間帯の時間需要
量実績、最高気温、日照時間を、出力データとして当日
の各時間帯の時間需要量を用い、過去の同クラス日所定
日数間の前記入出力データの実績値を学習データとし
て、前記神経回路網の出力と時間需要量実績値とが一致
するように、前記神経回路網に学習を行わせ、学習終了
後の前記神経回路網に、需要量予測を行う予測日の予測
最高気温、予測日照時間、および最近同クラス日の各時
間需要量実績、最高気温、日照時間を入力して、当該予
測日の各時間帯における時間需要量を予測させることを
特徴とする需要量予測方法。
【請求項１４】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、過去の各時間の時
間需要量実績データを天候および最高気温に基づいてク
ラス分けして、それぞれのクラス毎に各時間需要量実績
と最高気温の平均を求め、前記神経回路網に入出力され
る入出力データの入力データとして、クラスの天候、平
均最高気温を、出力データとしてクラスの各時間平均需
要量を用い、すべてのクラスの前記入出力データの実績
値を学習用データとして、前記神経回路網の出力と時間
平均需要量実績値とが一致するように、前記神経回路網
に学習を行わせ、学習終了後の前記神経回路網に、需要
量予測を行う予測日の予測天候、予測最高気温を入力し
て、予測日の各時間帯における時間需要量を予測させる
ことを特徴とする需要量予測方法。
【請求項１５】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日と前日の天候差、最高気温差、日照時間
差、および最近同天候日とその前日の各時間帯の時間需
要量実績差、天候差、最高気温差、日照時間差を、出力
データとして当日と前日の各時間需要量差を用い、ある
一定の期間の前記入出力データの実績値を学習データと
して、前記神経回路網の出力と当日と前日の時間需要量
実績値の差とが一致するように、前記神経回路網に学習
を行わせ、学習終了後の神経回路網に、需要量予測を行
う予測日当日とその前日の予測天候差、予測最高気温
差、予測日照時間差、および予測日の最近同天候日とそ
の前日の各時間需要量実績差、天候差、最高気温差、日
照時間差を入力して、当該予測日当日とその前日の各時
間帯における時間需要量差を予測させることを特徴とす
る需要量予測方法。
【請求項１６】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網を、過去の時間需要量実績データをその日
の天候および最高気温に基づいてクラス分けしたそれぞ
れのクラス毎に用意し、前記神経回路網に入出力される
入出力データの入力データとして、当日と前同クラス日
の最高気温差、日照時間差、および最近同クラス日と当
該最近同クラス日の前同クラス日の各時間帯の時間需要
量実績差、最高気温差、日照時間差を、出力データとし
て当日と前同クラス日の各時間需要量差を用い、過去の
同クラス日所定日数間の前記入出力データの実績値を学
習データとして、前記神経回路網の出力と当日と前同ク
ラス日の時間需要量実績値差とが一致するように、前記
神経回路網に学習を行わせ、学習終了後の前記神経回路
網に、需要量予測を行う予測日当日と予測日の前同クラ
ス日の予測最高気温差、予測日照時間差、および最近同
クラス日と当該最近同クラス日の前同クラス日の各時間
需要量実績差、最高気温差、日照時間と差を入力して、
当該予測日当日と予測日の前同クラス日の各時間帯にお
ける時間需要量差を予測させることを特徴とする需要量
予測方法。
【請求項１７】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、天候、最高気温、
曜日で、各時間需要量実績データを分類し、同じクラス
に属する過去所定日数間の各時間需要量の平均をとって
各時間需要量の予測値とする直接当てはめ方式同様の予
測方式によって各時間帯における時間需要量を予測して
おき、前記神経回路網に入出力される入出力データの入
力データとして、当日の天候、最高気温、日照時間、お
よび最近同天候日の前記予測による各時間需要量予測誤
差、最高気温、日照時間を、出力データとして当日の前
記予測による各時間需要量予測誤差を用い、ある一定の
期間の前記入出力データの実績値を学習データとして、
前記神経回路網の出力と前記予測による時間需要量の予
測誤差の実績値とが一致するように、前記神経回路網に
学習を行わせ、学習終了後の前記神経回路網に、需要量
予測を行う予測日の予測天候、予測最高気温、予測日照
時間、および最近同天候日の前記予測による各時間需要
量予測誤差、最高気温、日照時間を入力して、当該予測
日の各時間帯における時間需要量の前記予測による予測
誤差を予測させることを特徴とする需要量予測方法。
【請求項１８】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、所定期間における
各時間帯の時間需要量実績値の平均を求めておき、前記
神経回路網に入出力される入出力データの入力データと
して、当日の天候、最高気温、日照時間、および最近同
天候日の各時間での時間需要量実績と求められた時間平
均需要量の差、最高気温、日照時間を、出力データとし
て当日の各時間での時間需要量と前記時間平均需要量の
差を用い、ある一定の期間の前記入出力データの実績値
を学習データとして、前記神経回路網の出力と当日の時
間需要量実績値と前記時間平均需要量の差とが一致する
ように、前記神経回路網に学習を行わせ、学習終了後の
前記神経回路網に、需要量予測を行う予測日の予測天
候、予測最高気温、予測日照時間、および最近同天候日
の各時間帯での時間需要量実績と前記時間平均需要量の
差、最高気温、日照時間を入力して、当該予測日の各時
間帯びにおける時間需要量と前記時間平均需要量の差を
予測させることを特徴とする需要量予測方法。
【請求項１９】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日の天候、最高気温、日照時間、および最近
同天候日の各時間帯の時間需要量実績値の日需要量に対
する割合、最高気温、日照時間を、出力データとして当
日の各時間帯の時間需要量実績値の日需要量に対する割
合を用い、ある一定の期間の前記入出力データの実績値
を学習データとして、前記神経回路網の出力と、当日の
時間需要量実績値の日需要量に対する割合とが一致する
ように、前記神経回路網に学習を行わせ、学習終了後の
前記神経回路網に、需要量予測を行う予測日の予測天
候、予測最高気温、予測日照時間、および最近同天候日
の各時間需要量実績の日需要量に対する割合、最高気
温、日照時間を入力して、当該予測日の各時間帯におけ
る時間需要量の日需要量に対する割合を出力させ、日需
要量の予測値に基づく時間需要量の予測を行わせること
を特徴とする需要量予測方法。
【請求項２０】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日の天候、最高気温、日照時間、および過去
所定日数間の各時間需要量実績値の日需要量に対する割
合、天候、最高気温、日照時間を、出力データとして当
日の各時間帯の時間需要量実績値の日需要量に対する割
合を用い、ある一定の期間の前記入出力データの実績値
を学習データとして、前記神経回路網の出力と、当日の
時間需要量実績値の日需要量に対する割合とが一致する
ように、前記神経回路網に学習を行わせ、学習終了後の
神経回路網に、需要量予測を行う予測日の予測天候、予
測最高気温、予測日照時間、および前記所定日数間の各
時間需要量の日需要量に対する割合の実績値、最高気
温、日照時間を入力して、当該予測日の各時間帯におけ
る時間需要量の日需要量に対する割合を出力させ、日需
要量の予測値に基づく時間需要量の予測を行わせること
を特徴とする需要量予測方法。
【請求項２１】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網を、過去の時間需要量実績データをその日
の天候および最高気温に基づいてクラス分けしたそれぞ
れのクラス毎に用意し、前記神経回路網に入出力される
入出力データの入力データとして、当日の最高気温、日
照時間、および最近同クラス日の各時間帯の時間需要量
実績値の日需要量に対する割合、最高気温、日照時間
を、出力データとして、当日の各時間帯の時間需要量実
績値の日需要量に対する割合を用い、過去の同クラス日
所定日数間の前記入出力データの実績値を学習データと
して、前記神経回路網の出力と、当日の時間需要量実績
値の日需要量に対する割合とが一致するように、前記神
経回路網に学習を行わせ、学習終了後の前記神経回路網
に、需要量予測を行う予測日の予測最高気温、予測日照
時間、および最近同クラス日の各時間需要量の日需要量
に対する割合実績、最高気温、日照時間を入力して、当
該予測日の各時間帯における時間需要量の日需要量に対
する割合を出力させ、日需要量の予測値に基づく時間需
要量の予測を行わせることを特徴とする需要量予測方
法。
【請求項２２】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、所定期間における
各時間帯の時間需要量実績値の日需要量に対する割合デ
ータを天候および最高気温に基づいてクラス分けして、
それぞれのクラス毎に各時間需要量実績値の日需要量に
対する割合と最高気温の平均を求めて、前記神経回路網
に入出力される入出力データの入力データとして、クラ
スの天候、平均最高気温を、出力データとしてクラスの
各時間需要量実績値の日需要量に対する割合の平均を用
い、すべてのクラスの前記入出力データの実績値を学習
用データとして、前記神経回路網の出力と、クラスの時
間需要量実績値の日需要量に対する割合の平均とが一致
するように、前記神経回路網に学習を行わせ、学習終了
後の前記神経回路網に、需要量予測を行う予測日の予測
天候、予測最高気温を入力して、当該予測日の各時間帯
における時間需要量の日需要量に対する割合を出力さ
せ、日需要量の予測値に基づく時間需要量の予測を行わ
せることを特徴とする需要量予測方法。
【請求項２３】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網に入出力される入出力データの入力データ
として、当日と前日の天候差、最高気温差、日照時間
差、および最近同天候日とその前日の各時間帯の時間需
要量実績値の日需要量に対する割合の差、天候差、最高
気温差、日照時間差を用い、出力データとして当日と前
日の各時間需要量実績値の日需要量に対する割合の差を
用い、ある一定の期間の前記入出力データの実績値を学
習データとして、前記神経回路網の出力と、当日と前日
の時間需要量実績値の日需要量に対する割合の差とが一
致するように、前記神経回路網に学習を行わせ、学習終
了後の前記神経回路網に、需要量予測を行う予測日当日
とその前日の予測天候差、予測最高気温差、予測日照時
間差、および当該予測日の最近同天候日とその前日の各
時間需要量実績値の日需要量に対する割合の差、天候
差、最高気温差、日照時間差を入力して、当該予測日当
日とその前日の各時間帯における時間需要量の日需要量
に対する割合の差を出力させ、日需要量の予測値に基づ
く時間需要量の予測を行わせることを特徴とする需要量
予測方法。
【請求項２４】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網を、過去の時間需要量実績データをその日
の天候および最高気温に基づいてクラス分けしたそれぞ
れのクラス毎に用意し、前記神経回路網に入出力される
入出力データの入力データとして、当日と前同クラス日
の最高気温差、日照時間差、および最近同クラス日と当
該最近同クラス日の前同クラス日の各時間帯の時間需要
量実績値の日需要量に対する割合の差、最高気温差、日
照時間差を、出力データとして当日と前同クラス日の各
時間需要量の日需要量に対する割合の差を用い、過去の
同クラス日所定日数間の前記入出力データの実績値を学
習データとして、前記神経回路網の出力と、当日と前同
クラス日の時間需要量実績値の日需要量に対する割合の
差とが一致するように、前記神経回路網に学習を行わ
せ、学習終了後の前記神経回路網に、需要量予測を行う
予測日当日と予測日の前同クラス日の予測最高気温差、
予測日照時間差、および最近同クラス日と当該最近同ク
ラス日の前同クラス日の各時間需要量実績値の日需要量
に対するの割合の差、最高気温差、日照時間差を入力し
て、当該予測日当日と予測日の前同クラス日の各時間帯
における時間需要量の日需要量に対する割合を出力さ
せ、日需要量の予測値に基づく時間需要量の予測を行わ
せることを特徴とする需要量予測方法。
【請求項２５】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、天候、最高気温、
曜日で、各時間需要量の日需要量に対する割合の実績デ
ータを分類し、同じクラスに属する過去所定日数間の各
時間需要量の日需要量に対する割合の平均をとって各時
間需要量の日需要量に対する割合の予測値とする直接当
てはめ方式同様の予測方式によって、各時間帯における
時間需要量の日需要量に対する割合を予測しておき、前
記神経回路網に入出力される入出力データの入力データ
として、当日の天候、最高気温、日照時間、および最近
同天候日の前記予測による各時間需要量の日需要量に対
する割合の予測誤差、最高気温、日照時間を、出力デー
タとして当日の前記予測による各時間需要量の日需要量
に対する割合の予測誤差を用い、ある一定の期間の前記
入出力データの実績値を学習データとして、前記神経回
路網の出力と、当日の前記予測による時間需要量の日需
要量に対する割合の予測誤差の実績値とが一致するよう
に、前記神経回路網に学習を行わせ、学習終了後の前記
神経回路網に、需要量予測を行う予測日の予測天候、予
測最高気温、予測日照時間、および最近同天候日の前記
予測による各時間需要量の日需要量に対する割合の予測
誤差、最高気温、日照時間を入力して、当該予測日の各
時間帯における時間需要量の日需要量に対する割合の前
記予測による予測誤差を出力させ、日需要量の予測値に
基づく時間需要量の予測を行わせることを特徴とする需
要量予測方法。
【請求項２６】気象条件によって変動する需要量を神
経回路網を用いて予測する需要量予測方法において、前
記神経回路網の学習前にあらかじめ、所定期間における
各時間帯の時間需要量実績値の日需要量に対する割合の
平均を求めておき、前記神経回路網に入出力される入出
力データの入力データとして、当日の天候、最高気温、
日照時間、および最近同天候日の各時間需要量実績値の
日需要量に対する割合と前記各時間需要量実績値の日需
要量に対する平均割合の差、最高気温、日照時間を、出
力データとして当日の各時間需要量の日需要量に対する
割合と前記各時間需要量実績値の日需要量に対する平均
割合の差を用い、ある一定の期間の前記入出力データの
実績値を学習データとして、前記神経回路網の出力と、
当日の時間需要量実績値の日需要量に対する割合と時間
需要量の日需要量に対する平均割合との差とが一致する
ように、前記神経回路網に学習を行わせ、学習終了後の
前記神経回路網に、需要量予測を行う予測日の予測天
候、予測最高気温、予測日照時間、および最近同天候日
の各時間需要量実績値の日需要量に対する割合と各時間
需要量実績値の日需要量に対する平均割合の差、最高気
温、日照時間を入力して、当該予測日の各時間帯におけ
る時間需要量の日需要量に対する割合と前記各時間需要
量の日需要量に対する平均割合との差を出力て、日需要
量の予測値に基づく時間需要量の予測を行わせることを
特徴とする需要量予測方法。
【請求項２７】前記神経回路網による学習および予測
を、学習パラメータを順次変えながら実行させて、平均
予測誤差が最小となる前記学習パラメータの値を探し、
前記学習パラメータの値を用いて、前記神経回路網によ
る学習および予測を行うことを特徴とする請求項１〜２
６のいずれかに記載の需要量予測方法。
【請求項２８】前記神経回路網が、学習データとし
て、需要量実績値が前後の需要量実績値と著しく異なる
日を除いた所定日数の前記入出力データを用いて学習を
行ない、学習終了後の前記神経回路網に、予測日の需要
量を予測させることを特徴とする請求項１〜２６のいず
れかに記載の需要量予測方法。