專利名稱：信息處理設(shè)備、觀測值預(yù)測方法及程序的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息處理設(shè)備、觀測值預(yù)測方法及程序。
背景技術(shù)：
近年來，用于從難以定量地確定特征的任意數(shù)據(jù)組中提取數(shù)據(jù)組特征量的方法正 受到關(guān)注。例如，已知有如下這種方法把任意音樂數(shù)據(jù)作為輸入并且自動構(gòu)建用于自動提 取該音樂數(shù)據(jù)所屬音樂流派的算法。音樂流派(諸如，爵士、古典和流行等)并非是根據(jù)演 奏模式或樂器的類型定量地確定的。因此，以前，通常認為難以在給出任意音樂數(shù)據(jù)時從音 樂數(shù)據(jù)中自動提取音樂流派。然而，事實上，信息項的各種組合(諸如，音樂數(shù)據(jù)中包括的音調(diào)的組合、組合音 調(diào)的方式、樂器類型的組合、低音線或旋律線的結(jié)構(gòu)等)中潛在地包括劃分音樂流派的特 征。因此，已對于通過機器學習來自動構(gòu)建用于提取這種特征的算法(在下文中，特征量提 取器)的可能性進行了特征量提取器的研究。作為一項研究結(jié)果，可以列舉出基于遺傳算 法的特征量提取器的自動構(gòu)建方法(在JP-A-2009-4^66中描述)。遺傳算法是在機器學 習的處理中模仿生物進化過程并且把選擇、交叉(特征交換)和突變考慮在內(nèi)的算法。通過使用以上提到的專利文獻中描述的特征量提取器自動構(gòu)建算法，可以自動構(gòu) 建用于從任意音樂數(shù)據(jù)中提取該音樂數(shù)據(jù)所屬音樂流派的特征量提取器。另外，該專利文 獻中描述的特征量提取器自動構(gòu)建算法非常靈活并且能夠自動構(gòu)建用于不僅從音樂數(shù)據(jù) 中而且從任意數(shù)據(jù)組中提取數(shù)據(jù)組特征量的特征量提取器。因此，預(yù)期把該專利文獻中描 述的特征量提取器自動構(gòu)建算法應(yīng)用于對人工數(shù)據(jù)(諸如音樂數(shù)據(jù)和圖像數(shù)據(jù)等)的特征 量分析以及對自然存在的各種觀測量的特征量分析。

發(fā)明內(nèi)容
已開發(fā)了該專利文獻中描述的特征量提取器自動構(gòu)建算法來用于對任意數(shù)據(jù)特 征量的分析。然而，雖然一方面期望分析現(xiàn)有數(shù)據(jù)，但另一方面，還期望根據(jù)現(xiàn)有數(shù)據(jù)來創(chuàng) 建特征與現(xiàn)有數(shù)據(jù)相同的新數(shù)據(jù)。這種期望的主要示例是時序數(shù)據(jù)的未來預(yù)測。即，期望 實現(xiàn)自動構(gòu)建如下這種預(yù)測器的方法根據(jù)過去累積的時序數(shù)據(jù)來創(chuàng)建特征與過去時序數(shù) 據(jù)相同的未來時序數(shù)據(jù)。針對此方法，本發(fā)明的發(fā)明人已設(shè)計了通過使用上述特征量提取 器自動構(gòu)建算法來自動構(gòu)建根據(jù)過去時序數(shù)據(jù)來預(yù)測未來時序數(shù)據(jù)的預(yù)測器的方法。本發(fā) 明涉及這種預(yù)測器的自動構(gòu)建方法。鑒于以上內(nèi)容，期望提供的信息處理設(shè)備、觀測值預(yù)測方法和程序是新的、改進的 并且能夠通過使用基于遺傳算法的特征量提取器自動構(gòu)建算法來自動創(chuàng)建根據(jù)過去時序 數(shù)據(jù)預(yù)測未來時序數(shù)據(jù)的預(yù)測器。根據(jù)本發(fā)明的實施例，提供了信息處理設(shè)備，包括預(yù)測器構(gòu)建單元，用于通過基 于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于從在預(yù)定時刻之前 觀測到的觀測值中提取觀測值的多個特征量的多個特征量提取公式，以及基于通過多個特征量提取公式計算出的所述多個特征量來創(chuàng)建用于預(yù)測在預(yù)定時刻的觀測值的預(yù)測公式； 以及預(yù)測單元，用于使用由預(yù)測器構(gòu)建單元創(chuàng)建的預(yù)測公式、根據(jù)在時刻t之前觀測到的 觀測值來預(yù)測在時刻t的觀測值。在根據(jù)在時刻t之前觀測到的觀測值預(yù)測在時刻t的觀測值之后，該預(yù)測單元可 通過使用由預(yù)測器構(gòu)建單元創(chuàng)建的預(yù)測公式以及所述多個特征量提取公式、根據(jù)預(yù)測出的 在時刻t的觀測值以及在時刻t之前觀測到的觀測值來預(yù)測要在繼時刻t之后的時刻t’ 觀測的觀測值。該信息處理設(shè)備可還包括預(yù)測數(shù)據(jù)創(chuàng)建單元，用于準備與物體的運動相關(guān)的觀 測值在時刻to的初始值，在把初始值作為第一輸入的情況下對時刻to之后的時刻t j (j =
1........N)相繼地執(zhí)行預(yù)測單元對觀測值的預(yù)測處理，以及創(chuàng)建在時刻tl至tN的觀測
值的預(yù)測數(shù)據(jù)；以及運動模擬器，通過使用由預(yù)測數(shù)據(jù)創(chuàng)建單元創(chuàng)建的預(yù)測數(shù)據(jù)來模擬物 理物體的運動。在創(chuàng)建所述多個特征量提取公式和預(yù)測公式之后觀測到新觀測值的情況下，預(yù)測 器構(gòu)建單元可以基于創(chuàng)建出的預(yù)測公式和所述多個特征量提取公式以及根據(jù)新觀測到的 觀測值重新創(chuàng)建所述多個特征量提取公式和所述預(yù)測公式。根據(jù)本發(fā)明的另一實施例，提供了觀測值預(yù)測方法，包括下列步驟通過基于遺傳 算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于從在預(yù)定時刻之前觀測到 的觀測值中提取觀測值的多個特征量的多個特征量提取公式，以及基于通過多個特征量提 取公式計算出的所述多個特征量來創(chuàng)建用于預(yù)測在預(yù)定時刻的觀測值的預(yù)測公式；以及使 用在創(chuàng)建步驟中創(chuàng)建的預(yù)測公式、根據(jù)在時刻t之前觀測到的觀測值來預(yù)測在時刻t的觀 測值。根據(jù)本發(fā)明的另一實施例，提供了用于使計算機實現(xiàn)以下功能的程序預(yù)測器構(gòu) 建功能，用于通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于 從在預(yù)定時刻之前觀測到的觀測值中提取觀測值的多個特征量的多個特征量提取公式，以 及基于通過所述多個特征量提取公式計算出的所述多個特征量來創(chuàng)建用于預(yù)測在預(yù)定時 刻的觀測值的預(yù)測公式；以及預(yù)測功能，用于使用由預(yù)測器構(gòu)建功能創(chuàng)建的預(yù)測公式、根據(jù) 在時刻t之前觀測到的觀測值來預(yù)測在時刻t的觀測值。根據(jù)上面描述的本發(fā)明的實施例，可以通過使用基于遺傳算法的特征量提取器自 動構(gòu)建算法來自動創(chuàng)建根據(jù)過去時序數(shù)據(jù)預(yù)測未來時序數(shù)據(jù)的預(yù)測器。


圖1是示出了根據(jù)本發(fā)明實施例的信息處理設(shè)備的功能配置的說明圖；圖2是示出了根據(jù)所述實施例的觀測值輸入單元的觀測值的配置的說明圖；圖3是示出了根據(jù)所述實施例的通過預(yù)測器構(gòu)建數(shù)據(jù)準備單元實現(xiàn)的用于預(yù)測 器構(gòu)建的數(shù)據(jù)集的創(chuàng)建方法的說明圖；圖4是示出了根據(jù)所述實施例的通過預(yù)測器構(gòu)建單元實現(xiàn)的預(yù)測器構(gòu)建方法以 及通過預(yù)測單元實現(xiàn)的對觀測值的預(yù)測方法的說明圖；圖5是示出了根據(jù)所述實施例的通過預(yù)測單元實現(xiàn)的對觀測值的預(yù)測方法的說 明圖6是示出了根據(jù)所述實施例的通過預(yù)測單元實現(xiàn)的對預(yù)測值的輸出方法的說 明圖；圖7是示出了根據(jù)所述實施例的觀測值預(yù)測方法的總體情況的說明圖；圖8是示出了根據(jù)所述實施例的預(yù)測器構(gòu)建數(shù)據(jù)集準備方法的說明圖；圖9是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖10是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖11是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖12是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖13是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖14是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖15是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖16是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖17是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖18是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖19是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖20是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖21是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖22是示出了根據(jù)所述實施例的預(yù)測器的自動構(gòu)建方法的說明圖；圖23是示出了根據(jù)所述實施例的使用預(yù)測器實現(xiàn)的對觀測值的預(yù)測方法的說明 圖；圖M是示出了把觀測值的預(yù)測方法應(yīng)用于單擺運動預(yù)測的情形的具體應(yīng)用方法 的說明圖；圖25是示出了根據(jù)所述實施例的在把觀測值的預(yù)測方法應(yīng)用于單擺運動預(yù)測的 情形中獲得的結(jié)果的說明圖；圖沈是示出了把觀測值的預(yù)測方法應(yīng)用于二維細胞自動機的模式改變預(yù)測的情 形的具體應(yīng)用方法的說明圖；圖27是示出了在把觀測值的預(yù)測方法應(yīng)用于二維細胞自動機的模式改變預(yù)測的 情形中獲得的結(jié)果的說明圖；圖觀是示出了基于鳥群算法把觀測值的預(yù)測方法應(yīng)用于鳥運動預(yù)測的情形的具 體應(yīng)用方法的說明圖；圖四是示出了在基于鳥群算法把觀測值的預(yù)測方法應(yīng)用于鳥運動預(yù)測的情形中 獲得的結(jié)果的說明圖；以及圖30是示出了能夠?qū)崿F(xiàn)實施例的信息處理設(shè)備功能的硬件配置的示例的說明 圖。
具體實施例方式在下文中，將參照附圖詳細描述本發(fā)明的優(yōu)選實施例。注意，在本說明書和附圖 中，功能和結(jié)構(gòu)基本上相同的結(jié)構(gòu)元件被標注了相同的附圖標記，并略去了對這些結(jié)構(gòu)元 件的重復(fù)說明。
<描述流程>此處將簡要提到后面描述的本發(fā)明實施例的描述流程。首先，將參照圖1描述根 據(jù)實施例的信息處理設(shè)備100的功能配置。接下來，將參照圖2描述根據(jù)實施例的觀測值的 輸入方法。隨后，將參照圖3描述根據(jù)實施例的用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備方法。隨 后，將參照圖4描述根據(jù)實施例的預(yù)測器的自動構(gòu)建方法以及通過預(yù)測器實現(xiàn)的對觀測值 的預(yù)測方法。隨后，將參照圖5描述根據(jù)實施例的對觀測值的預(yù)測方法。隨后，將參照圖6 描述根據(jù)實施例的對預(yù)測值的輸出方法。接下來，將針對根據(jù)實施例的觀測值的預(yù)測方法參照圖7來描述處理的整體流 程。隨后，在根據(jù)實施例的觀測值的預(yù)測方法中，將參照圖8描述與用于預(yù)測器構(gòu)建的數(shù) 據(jù)集的準備方法有關(guān)的處理流程。隨后，在根據(jù)實施例的觀測值的預(yù)測方法中，將參照圖9 至圖22描述與預(yù)測器構(gòu)建方法有關(guān)的處理流程。隨后，在根據(jù)實施例的觀測值的預(yù)測方法 中，將參照圖23描述與使用預(yù)測器的觀測的預(yù)測方法有關(guān)的處理流程。接下來，將參照圖M和圖25描述通過使用根據(jù)實施例的觀測值的預(yù)測方法來執(zhí) 行單擺運動預(yù)測的方法以及通過實際執(zhí)行實驗獲得的結(jié)果。隨后，將參照圖沈和圖27描 述通過使用根據(jù)實施例的觀測值的預(yù)測方法來執(zhí)行二維細胞自動機的模式改變預(yù)測的方 法以及通過實際執(zhí)行實驗獲得的結(jié)果。隨后，將參照圖觀和圖四描述通過使用根據(jù)實施 例的觀測值的預(yù)測方法基于鳥群算法來預(yù)測鳥的運動的方法以及通過實際執(zhí)行實驗獲得 的結(jié)果。接下來，將參照圖30描述能夠?qū)崿F(xiàn)根據(jù)實施例的信息處理設(shè)備100的功能的硬件 配置示例。最后，將總結(jié)實施例的技術(shù)思想，將簡要描述通過技術(shù)思想獲得的操作效果。(描述項)1 實施例1-1 信息處理設(shè)備100的功能配置1-2 觀測值預(yù)測方法的概述1-3:算法的詳細內(nèi)容1-3-1 整體流程1-3-2 用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備1-3-3 預(yù)測器的自動構(gòu)建1-3-4 通過預(yù)測器對觀測值的預(yù)測1-4:實驗1(應(yīng)用于單擺)1-5 實驗2 (應(yīng)用于二維細胞自動機)1-6 實驗3 (應(yīng)用于鳥群算法)2 硬件配置示例3 總結(jié)<1 實施例 >首先，將描述本發(fā)明的實施例。本實施例涉及使用基于遺傳算法的特征量提取器 自動構(gòu)建算法來自動構(gòu)建根據(jù)過去時序數(shù)據(jù)創(chuàng)建未來時序數(shù)據(jù)的預(yù)測器的方法(在下文 中，預(yù)測器自動構(gòu)建方法)。下面，將順序地說明能夠?qū)崿F(xiàn)根據(jù)本實施例的預(yù)測器自動構(gòu)建方法的信息處理設(shè)備100的功能配置、預(yù)測器自動構(gòu)建方法的概述、預(yù)測器自動構(gòu)建方法的算法以及預(yù)測器 自動構(gòu)建方法的應(yīng)用示例。另外，在描述中，將說明使用根據(jù)本實施例的預(yù)測器自動構(gòu)建方 法創(chuàng)建的預(yù)測器對觀測值的預(yù)測方法。<1-1 信息處理設(shè)備100的功能配置>首先，將參照圖1描述能夠?qū)崿F(xiàn)根據(jù)本實施例的預(yù)測方法和預(yù)測器自動構(gòu)建方法 的信息處理設(shè)備100的功能配置。圖1是示出根據(jù)本實施例的信息處理設(shè)備100的功能配 置的示例的說明圖。如圖1中所示，信息處理設(shè)備100由觀測值輸入單元102、預(yù)測器構(gòu)建數(shù)據(jù)準備單 元104、預(yù)測器構(gòu)建單元106以及預(yù)測單元108配置成。另外，預(yù)測器構(gòu)建單元106由特征 量提取公式列表創(chuàng)建單元132、特征量計算單元134以及機器學習單元136配置成。下面， 將按照根據(jù)預(yù)測器自動構(gòu)建方法的處理流程以及根據(jù)預(yù)測方法的處理流程來描述每個結(jié) 構(gòu)元件的功能。首先，觀測值輸入單元102獲取作為過去時序數(shù)據(jù)的觀測值。另外，觀測值輸入單 元102可以是時序數(shù)據(jù)的觀測裝置或者可以是從外部觀測裝置獲取觀測值的獲取裝置。另 外，觀測值輸入單元102可以是通過有線網(wǎng)絡(luò)或無線網(wǎng)絡(luò)從外界獲取觀測值的通信裝置或 者可以是用于用戶輸入觀測值的輸入裝置。當獲取了觀測值時，觀測值輸入單元102把獲 取的觀測值輸入到預(yù)測器構(gòu)建數(shù)據(jù)準備單元104。觀測值輸入單元102輸入的觀測值例如是具有如圖2中所示結(jié)構(gòu)的時序數(shù)據(jù)。如 圖2中所示，時序數(shù)據(jù)是通過直到時刻t (t = 1至j ； j彡1)為止收集在某些時刻t觀測到 的觀測值1至K(K>1)獲得的觀測值組。另外，觀測值的類型可以是任何類型。雖然使用 了表述“觀測”，但是并不一定執(zhí)行使用觀測裝置或測量裝置的量化。例如，觀測值可以是人 工創(chuàng)建作為樣本的數(shù)據(jù)。下面，將使用通過觀測裝置觀測某個物理量而獲得的觀測值給出 說明。當輸入了這種觀測值(時序數(shù)據(jù))時，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104根據(jù)觀測值 來創(chuàng)建用于學習的數(shù)據(jù)集(在下文中，用于預(yù)測器構(gòu)建的數(shù)據(jù)集)。該用于預(yù)測器構(gòu)建的數(shù) 據(jù)集是根據(jù)用于預(yù)測的預(yù)測基礎(chǔ)數(shù)據(jù)以及根據(jù)預(yù)測基礎(chǔ)數(shù)據(jù)創(chuàng)建的預(yù)測數(shù)據(jù)的組合而形 成的。例如，如圖3中所示，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104從觀測值中提取具有預(yù)定時間長 度w的從時刻t至t+w-Ι的預(yù)測基礎(chǔ)數(shù)據(jù)t (t = 1至d ;d = j-w)。此外，預(yù)測器構(gòu)建數(shù)據(jù) 準備單元104提取與每項預(yù)測基礎(chǔ)數(shù)據(jù)t的下一時刻t+w相對應(yīng)的觀測值，以及創(chuàng)建要根 據(jù)每項預(yù)測基礎(chǔ)數(shù)據(jù)t預(yù)測的預(yù)測數(shù)據(jù)t。把預(yù)測器構(gòu)建數(shù)據(jù)準備單元104以此方式創(chuàng)建的用于預(yù)測器構(gòu)建的數(shù)據(jù)集輸入 到預(yù)測器構(gòu)建單元106。如圖4中所示，當輸入了用于預(yù)測器構(gòu)建的數(shù)據(jù)集㈧時，預(yù)測器 構(gòu)建單元106使用輸入的用于預(yù)測器構(gòu)建的數(shù)據(jù)集通過基于遺傳算法的機器學習來自動 構(gòu)建預(yù)測器(B)。另外，用于預(yù)測器的預(yù)測器構(gòu)建單元106的自動構(gòu)建算法將在后面進行詳 細描述。首先，特征量提取公式列表創(chuàng)建單元132通過隨機組合和選擇預(yù)先準備的處理函 數(shù)，來創(chuàng)建輸出一個標量(在下文中，特征量)的特征量提取公式。另外，由特征量提取公 式列表創(chuàng)建單元132創(chuàng)建的特征量提取公式的組合被稱作特征量提取公式列表。由特征量 提取公式列表創(chuàng)建單元132創(chuàng)建的特征量提取公式列表被輸入到特征量計算單元134。
特征量計算單元134通過把用于預(yù)測器構(gòu)建的數(shù)據(jù)集中的預(yù)測基礎(chǔ)數(shù)據(jù)輸入到 特征量提取公式列表中包括的每個特征量提取公式來計算特征量。隨后，由特征量計算單 元134計算出的特征量被輸入到機器學習單元136。機器學習單元136使用用于預(yù)測器構(gòu) 建的數(shù)據(jù)集中的預(yù)測數(shù)據(jù)以及由特征量計算單元134計算出的特征量來執(zhí)行機器學習，并 且創(chuàng)建由特征量提取公式的組合表示的預(yù)測公式。例如用特征量提取公式的線性組合表示 預(yù)測公式。在此情形中，通過使用統(tǒng)計方法(諸如線性回歸等)根據(jù)與同一預(yù)測基礎(chǔ)數(shù)據(jù) 和預(yù)測數(shù)據(jù)相對應(yīng)的特征量組來計算組合系數(shù)。此外，機器學習單元136通過使用AIC (赤池信息準則)、BIC (貝葉斯信息準則)等 來執(zhí)行對預(yù)測公式的評價，以及對形成預(yù)測公式的特征量提取公式執(zhí)行選擇、交叉(特征 交換)和突變中的每個處理以使得評價將會高。通過這些處理來創(chuàng)建要作為形成預(yù)測公式 的元素的特征量提取公式的新組合(下一代)。隨后，機器學習單元136通過使用特征量提 取公式的新組合來評價預(yù)測公式，以及通過選擇、交叉和突變中的每個處理來更新(換代) 特征量提取公式的組合以使得評價將會更高。在重復(fù)換代直到評價不再改變之后，機器學習單元136針對評價最高的預(yù)測公式 基于預(yù)測公式中包括的每個特征量提取公式的組合系數(shù)來計算每個特征量提取公式對預(yù) 測公式的貢獻率。此外，機器學習單元136把特征量提取公式的貢獻率相加并計算對預(yù)測 公式的總貢獻率。使用此總貢獻率作為預(yù)測公式的評價值。當通過機器學習單元136的功 能計算了評價值時，預(yù)測器構(gòu)建單元106判定評價值是否滿足預(yù)定終止條件。在預(yù)測值滿 足終止條件的情形中，預(yù)測器構(gòu)建單元106把預(yù)測公式輸入到預(yù)測單元108作為預(yù)測器。另一方面，在評價值不滿足預(yù)定終止條件的情形中，預(yù)測器構(gòu)建單元106通過再 次使用特征量提取公式列表創(chuàng)建單元132、特征量計算單元134和機器學習單元136的功能 以及使用由機器學習單元136計算出的每個特征量提取公式的貢獻率，來通過基于遺傳算 法的機器學習創(chuàng)建新的預(yù)測公式。此時，預(yù)測器構(gòu)建單元106把預(yù)測公式中包括的特征量 提取公式作為下一代(第二代)特征量提取公式，并且把特征量提取公式的組合輸入到特 征量提取公式列表創(chuàng)建單元132。特征量提取公式列表創(chuàng)建單元132從第二代特征量提取公式中選擇貢獻率高的 特征量提取公式、在特征量提取公式之間交換形成元素(處理函數(shù))、隨機改變特征量提取 公式的形成元素或者通過隨機組合處理函數(shù)創(chuàng)建新的特征量提取公式。隨后，特征量提取 公式列表創(chuàng)建單元132通過根據(jù)第二代特征量提取公式獲得的特征量提取公式以及新創(chuàng) 建的特征量提取公式來創(chuàng)建第二代特征量提取公式列表。隨后，把第二代特征量提取公式 列表輸入到特征量計算單元134。特征量計算單元134對第二代特征量提取公式列表的處理以及機器學習單元136 對處理結(jié)果的處理是與特征量提取公式列表創(chuàng)建單元132首次隨機創(chuàng)建的特征量提取公 式的處理基本上相同的。即，通過已經(jīng)描述的特征量計算單元134和機器學習單元136的 功能對第二代特征量提取公式列表執(zhí)行各種類型的處理，通過機器學習單元136創(chuàng)建預(yù)測 公式和第三代特征量提取公式。此外，機器學習單元136計算每個第三代特征量提取公式 對預(yù)測公式的貢獻率以及預(yù)測公式的評價值。隨后，預(yù)測器構(gòu)建單元106基于由機器學習單元136計算出的預(yù)測公式的評價值 來判定是否滿足終止條件。在評價值滿足終止條件的情形中，預(yù)測器構(gòu)建單元106把預(yù)測公式輸入到預(yù)測單元108作為預(yù)測器。另一方面，在評價值不滿足預(yù)定終止條件的情形中，預(yù)測器構(gòu)建單元106通過再 次使用特征量提取公式列表創(chuàng)建單元132、特征量計算單元134和機器學習單元136的功能 以及使用機器學習單元136計算出的每個特征量提取公式的貢獻率，來通過基于遺傳算法 的機器學習創(chuàng)建新的預(yù)測公式。此時，預(yù)測器構(gòu)建單元106把預(yù)測公式中包括的特征量提 取公式作為下一代(第三代)特征量提取公式，以及把特征量提取公式的組合輸入到特征 量提取公式列表創(chuàng)建單元132。另外，預(yù)測器構(gòu)建單元106對第三代特征量提取公式的處理 與對第二代特征量提取公式的處理基本上相同。此外，預(yù)測器構(gòu)建單元106在從第三代、第四代.....至第N代重復(fù)換代的情況下
重復(fù)執(zhí)行已經(jīng)描述的處理，直到機器學習單元136相繼創(chuàng)建的預(yù)測公式中一個預(yù)測公式的 評價值滿足終止條件為止。隨后，預(yù)測器構(gòu)建單元106在機器學習單元136計算出的預(yù)測 公式的評價值滿足終止條件的時間點結(jié)束換代，并且輸出預(yù)測公式作為評價器。以此方式， 預(yù)測器構(gòu)建單元106通過使用遺傳算法來構(gòu)建高度準確的預(yù)測器。另外，與預(yù)測器構(gòu)建單 元106的操作有關(guān)的算法將在后面進行更詳細的描述?，F(xiàn)在，作為實際期望預(yù)測的預(yù)測數(shù)據(jù)的基礎(chǔ)的預(yù)測基礎(chǔ)數(shù)據(jù)輸入到預(yù)測單元108。 例如，如圖4中所示，把從時刻t-w至t-Ι的觀測值輸入到預(yù)測單元108作為預(yù)測基礎(chǔ)數(shù)據(jù) (C)。因此，預(yù)測單元108把預(yù)測基礎(chǔ)數(shù)據(jù)從預(yù)測器構(gòu)建單元106輸入到預(yù)測器輸入，并預(yù) 測可以在下一時刻觀測到的觀測數(shù)據(jù)(預(yù)測數(shù)據(jù))。例如，在預(yù)測基礎(chǔ)數(shù)據(jù)是從時刻ti至 t-i的觀測值的情形中，將會從預(yù)測器針對此預(yù)測基礎(chǔ)數(shù)據(jù)的輸入來輸出可以在時刻t觀 測到的觀測值作為預(yù)測數(shù)據(jù)(D)。此外，預(yù)測器108把從時刻t-w+Ι至t-Ι的觀測值以及與從預(yù)測器輸出的時刻t 的觀測值相對應(yīng)的預(yù)測值輸入到預(yù)測器作為預(yù)測基礎(chǔ)數(shù)據(jù)，并計算與時刻t+Ι相對應(yīng)的預(yù) 測值。隨后，如圖5中所示，預(yù)測單元108通過在相繼改變要輸入到預(yù)測器的預(yù)測基礎(chǔ)數(shù)據(jù) 的時間范圍的情況下重復(fù)使用預(yù)測器來預(yù)測可到未來某個時刻為止觀測到的觀測數(shù)據(jù)的 時序數(shù)據(jù)。在圖5的示例中，首先，預(yù)測器使用在直到時刻j為止的預(yù)定時間內(nèi)觀測到的觀測 值1至K作為預(yù)測基礎(chǔ)數(shù)據(jù)的初始值(預(yù)測基礎(chǔ)數(shù)據(jù)1)，以及把時刻j+Ι的觀測值1至K 計算為預(yù)測數(shù)據(jù)1。接下來，預(yù)測器使用在直到時刻j+1為止的預(yù)定時間內(nèi)觀測到的觀測值 1至K作為預(yù)測基礎(chǔ)數(shù)據(jù)2，以及把在時刻j+2觀測到的觀測值1至K計算為預(yù)測數(shù)據(jù)2。 此后重復(fù)執(zhí)行相同的處理，作為結(jié)果，獲得預(yù)測數(shù)據(jù)1至f。在此情形中，如圖6中所示，預(yù) 測單元108輸出預(yù)測數(shù)據(jù)1至f作為預(yù)測值。另外，例如向外部輸出、保存或者在屏幕上顯 示預(yù)測數(shù)據(jù)1至f。至此，已描述了根據(jù)本實施例的信息處理設(shè)備100的功能配置。另外，在以上說明 中，預(yù)測單元108被配置成通過重復(fù)使用同一預(yù)測器來計算預(yù)測值。然而，根據(jù)本實施例的 信息處理設(shè)備100的配置不限于此，在計算了預(yù)測值之后輸入新觀測值的情形中，信息處 理設(shè)備100可以通過預(yù)測器構(gòu)建單元106的功能來更新預(yù)測器并通過使用更新后的預(yù)測器 來計算用于新觀測值和隨后觀測值的預(yù)測值。此外，可以通過使用預(yù)測值來執(zhí)行預(yù)測器的 更新。這樣的修改也包括在本實施例的技術(shù)范圍中。<1-2 觀測值預(yù)測方法的概述>
接下來，在詳細描述預(yù)測器自動構(gòu)建以及與后面要描述的預(yù)測有關(guān)的算法之前， 將瀏覽在算法中執(zhí)行的處理的整體流程以幫助理解算法的整體情況。根據(jù)本實施例的觀測值預(yù)測方法被大致劃分為預(yù)測器的自動構(gòu)建方法以及使用 預(yù)測器的預(yù)測方法。預(yù)測器的自動構(gòu)建方法是通過基于遺傳算法的機器學習來創(chuàng)建如下這 種預(yù)測器的方法該預(yù)測器根據(jù)迄今為止的觀測值來計算可在未來觀測到的觀測值。使用 預(yù)測器的預(yù)測方法就其本身而言是通過重復(fù)使用預(yù)測器來計算時序數(shù)據(jù)形式的未來觀測 值的方法。根據(jù)預(yù)測器的自動構(gòu)建方法的處理以如圖2中所示的觀測值的輸入開始(步驟 1)。如圖3中所示，當輸入了觀測值時，根據(jù)輸入的觀測值來創(chuàng)建用于預(yù)測器構(gòu)建的數(shù)據(jù)集 (步驟2、。根據(jù)從觀測值中提取的預(yù)定時間長度的預(yù)測基礎(chǔ)數(shù)據(jù)以及與預(yù)測基礎(chǔ)數(shù)據(jù)之后 的時刻相對應(yīng)的預(yù)測數(shù)據(jù)來形成用于預(yù)測器構(gòu)建的數(shù)據(jù)集?？梢愿鶕?jù)算法的執(zhí)行效率或其 執(zhí)行環(huán)境酌情由用戶任意確定或者可以自動選擇該預(yù)定時間長度。如圖4的(A)和(B)中 所示，當創(chuàng)建了用于預(yù)測器構(gòu)建的數(shù)據(jù)集時，通過使用用于預(yù)測器構(gòu)建的所創(chuàng)建的數(shù)據(jù)集 通過遺傳搜索方法(基于遺傳算法的機器學習)來自動構(gòu)建預(yù)測器(步驟3)。步驟1至3是根據(jù)預(yù)測器的自動構(gòu)建方法的主要處理內(nèi)容。在根據(jù)使用預(yù)測器的 預(yù)測方法的步驟4和5的處理中使用通過步驟3創(chuàng)建的預(yù)測器。如圖4的(C)中所示，根據(jù)使用預(yù)測器的預(yù)測方法的處理開始于把要作為預(yù)測基 礎(chǔ)數(shù)據(jù)的觀測值輸入到預(yù)測器。如圖4的(B)中所示，當輸入觀測值時，預(yù)測器輸出與繼輸 入的觀測值之后的時刻相對應(yīng)的觀測值的預(yù)測值。隨后，如圖5中所示，通過向預(yù)測器輸入 預(yù)測器的輸出和輸入的觀測值作為預(yù)測基礎(chǔ)數(shù)據(jù)，計算下一觀測值(步驟4)。此外，通過重 復(fù)使用預(yù)測器，計算如圖6中所示的未來時序數(shù)據(jù)。輸出計算出的該未來時序數(shù)據(jù)作為預(yù) 測值(步驟5)。至此，已大致描述了根據(jù)本實施例的觀測值預(yù)測方法。<1-3 算法的細節(jié)>接下來，將詳細描述用于實現(xiàn)根據(jù)本實施例的觀測值預(yù)測方法的算法。(1-3-1:整體流程)首先，將參照圖7描述根據(jù)本實施例觀測值預(yù)測方法的處理的整體流程。圖7是 示出了根據(jù)按照本實施例的觀測值預(yù)測方法的處理的整體流程的說明圖。另外，由上述信 息處理設(shè)備100執(zhí)行此處描述的處理。如圖7中所示，首先，信息處理設(shè)備100使用觀測值輸入單元102的功能以及把觀 測值輸入到預(yù)測器構(gòu)建數(shù)據(jù)準備單元104(步驟1)。接下來，信息處理設(shè)備100使用預(yù)測器 構(gòu)建數(shù)據(jù)準備單元104的功能并通過使用輸入的觀測值來準備用于預(yù)測器構(gòu)建的數(shù)據(jù)集 (步驟2)。接下來，信息處理設(shè)備100使用預(yù)測器構(gòu)建單元106的功能并使用用于預(yù)測器構(gòu) 建的數(shù)據(jù)集通過基于遺傳算法的機器學習自動構(gòu)建預(yù)測器(步驟幻。隨后，信息處理設(shè)備 100使用預(yù)測單元108的功能并通過重復(fù)使用預(yù)測器來計算可在未來觀測到的觀測值的預(yù) 測值(步驟4)。隨后，信息處理設(shè)備100輸出通過使用預(yù)測單元108的功能計算出的預(yù)測 值(步驟5)。至此，描述了根據(jù)本實施例的觀測值預(yù)測方法的處理的整體流程。
(1-3-2 用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備)接下來，將參照圖8描述圖7中的步驟2對應(yīng)的用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備 處理的流程。圖8是示出了圖7中的步驟2對應(yīng)的用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備處理的 流程的說明圖。通過預(yù)測器構(gòu)建數(shù)據(jù)準備單元104的功能來執(zhí)行此處描述的用于預(yù)測器構(gòu)建的 數(shù)據(jù)集的準備處理。另外，假定在步驟1中把在時刻t = 1至j-w觀測到的觀測值1至K 輸入到預(yù)測器構(gòu)建數(shù)據(jù)準備單元104。另外，假定把預(yù)測基礎(chǔ)數(shù)據(jù)的時間長度設(shè)置為預(yù)定值
Wo如圖8中所示，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104對與時刻t = 1至j-w相對應(yīng)的觀 測值中的每個觀測值連續(xù)執(zhí)行如下處理(S202、S208 ；觀測值的時間循環(huán))。首先，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104把參數(shù)q設(shè)置為1(S202)。隨后，預(yù)測器構(gòu)建 數(shù)據(jù)準備單元104取出從時刻q至q+w-Ι的觀測值1至K作為預(yù)測基礎(chǔ)數(shù)據(jù)Dq (S204)。隨 后，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104取出時刻q+w的觀測值1至K作為預(yù)測數(shù)據(jù)Dq(S206)。接下來，預(yù)測器構(gòu)建數(shù)據(jù)準備單元104在使參數(shù)q遞增1的情況下重復(fù)執(zhí)行步驟 S204和206的處理。當對于參數(shù)q = 1至執(zhí)行了步驟S204和206的處理時，預(yù)測器構(gòu) 建數(shù)據(jù)準備單元104把用于預(yù)測器構(gòu)建的數(shù)據(jù)集輸入到預(yù)測器構(gòu)建單元106。隨后，預(yù)測器 構(gòu)建數(shù)據(jù)準備單元104結(jié)束用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備處理。至此，描述了用于預(yù)測器構(gòu)建的數(shù)據(jù)集的準備處理的流程。(1-3-3 預(yù)測器的自動構(gòu)建)接下來，將參照圖9至圖22描述圖7中的步驟3對應(yīng)的預(yù)測器的自動構(gòu)建處理的 流程。圖9至圖22是示出與圖7中的步驟3相對應(yīng)的預(yù)測器的自動構(gòu)建處理的流程的說 明圖。通過預(yù)測器構(gòu)建單元106的功能執(zhí)行此處描述的預(yù)測器的自動構(gòu)建處理。(整體流程)如圖9中所示，首先，預(yù)測器構(gòu)建單元106使用特征量提取公式列表創(chuàng)建單元132 的功能并通過隨機組合處理函數(shù)來創(chuàng)建特征量提取公式列表(S302)。接下來，預(yù)測器構(gòu)建 單元106使用特征量計算單元134的功能并通過使用用于預(yù)測器構(gòu)建的數(shù)據(jù)集以及特征 量提取公式列表中包括的每個特征量提取公式來計算特征量(S304)。隨后，預(yù)測器構(gòu)建單 元106使用機器學習單元136的功能并使用用于預(yù)測器構(gòu)建的數(shù)據(jù)集中的預(yù)測數(shù)據(jù)以及 特征量通過基于遺傳算法的機器學習來創(chuàng)建通過組合特征量提取公式而創(chuàng)建的預(yù)測公式 (S306)。接下來，預(yù)測器構(gòu)建單元106通過使用機器學習單元136的功能來計算預(yù)測公式 中包括的特征量提取公式(第二代特征量提取公式)對預(yù)測公式的貢獻率以及基于貢獻率 對預(yù)測公式的評價值，以及基于評價值對終止條件做出判定(S308)。在步驟S308中滿足 終止條件的情形中，預(yù)測器構(gòu)建單元106輸出預(yù)測公式作為預(yù)測器(S310)。另一方面，在 評價值不滿足終止條件的情形中，預(yù)測器構(gòu)建單元106通過特征量提取公式列表創(chuàng)建單元 132的功能基于遺傳算法根據(jù)第二代特征量提取公式來創(chuàng)建第二代特征量提取公式列表 (S302)。接下來，預(yù)測器構(gòu)建單元106通過基于第二代特征量提取公式列表執(zhí)行步驟S304 至S310的處理來創(chuàng)建預(yù)測公式，并計算其評價值(S304至S310)。在評價值滿足終止條件的情形中，預(yù)測器構(gòu)建單元106輸出預(yù)測公式作為預(yù)測器。另一方面，在評價值不滿足終止 條件的情形中，預(yù)測器構(gòu)建單元106以與對第二代特征量提取公式類似的方式再次執(zhí)行步 驟S302至S306的處理。以此方式重復(fù)換代直到預(yù)測公式的評價值滿足終止條件。隨后， 在預(yù)測值的評價值滿足終止條件的時間點，輸出預(yù)測公式作為預(yù)測器。下面，將詳細描述步驟S302、S304和S306的處理。另外，以上提到的終止條件是 用戶執(zhí)行結(jié)束運算或者上一代的預(yù)測器足夠準確(評價值足以在預(yù)定值以上)。(S302 特征量提取公式列表的創(chuàng)建)首先，將參照圖10至圖18更詳細地描述步驟S302的處理。主要通過特征量提取 公式列表創(chuàng)建單元132的功能來執(zhí)行此處執(zhí)行的處理。如圖10中所示，特征量提取公式列表創(chuàng)建單元132判定要在步驟S302中創(chuàng)建的 特征量提取公式列表是否是第二代或更后代的特征量提取公式列表(S3002)。在創(chuàng)建第二 代或更后代的特征量提取公式列表的情形中，特征量提取公式列表創(chuàng)建單元132使處理進 行到步驟S3006。另一方面，在創(chuàng)建第一代特征量提取公式列表的情形中，特征量提取公式 列表創(chuàng)建單元132使處理進行到步驟S3004。在處理進行到步驟S3004的情形中，特征量提取公式列表創(chuàng)建單元132通過隨 機組合預(yù)先準備的處理函數(shù)(后面描述的運算符和處理目標軸)創(chuàng)建特征量提取公式列 表(S3004)。另一方面，在處理進行到步驟S3006的情形中，特征量提取公式列表創(chuàng)建單 元132通過把下一代特征量提取公式輸入到遺傳算法中來創(chuàng)建下一代特征量提取公式列 表(S3006)。把步驟S3004或S3006中創(chuàng)建的特征量提取公式列表輸入到特征量計算單元 134。隨后，預(yù)測器構(gòu)建單元106使處理進行到步驟S306。(S3004 (參看S302)特征量提取公式列表的隨機創(chuàng)建)此處，將參照圖11更詳細地描述根據(jù)以上提到的步驟S3004的處理。另外，假定 把特征量提取公式列表中包括的特征量提取公式的數(shù)量預(yù)先設(shè)置為m。首先，在步驟S3004中，特征量提取公式列表創(chuàng)建單元132把通過隨機組合處理函 數(shù)獲得的特征量提取公式的創(chuàng)建處理重復(fù)m次(S3012、S3016)。即，特征量提取公式列表 創(chuàng)建單元132在使參數(shù)M從1遞增至m的情況下重復(fù)執(zhí)行步驟S3014的處理。首先，特征 量提取公式列表創(chuàng)建單元132把參數(shù)M設(shè)置為1 (S30U)，并通過隨機組合處理函數(shù)創(chuàng)建特 征量提取公式(S3014)。接下來，特征量提取公式列表創(chuàng)建單元132使參數(shù)M遞增1并再次執(zhí)行步驟S3014 的處理(S3016)。在重復(fù)執(zhí)行步驟S3014的處理直到參數(shù)M達到m為止之后，特征量提取公 式列表創(chuàng)建單元132把通過步驟S3014的處理創(chuàng)建的m個特征量提取公式(特征量提取公 式列表)輸入到特征量計算單元134。隨后，特征量提取公式列表創(chuàng)建單元132結(jié)束步驟 S3004的處理。(S3014(參見S3004)特征量提取公式的隨機創(chuàng)建)此處，將參照圖12更詳細地描述根據(jù)以上提到的步驟S3014的處理。另外，假定 預(yù)先設(shè)置用于特征量提取公式構(gòu)建的處理函數(shù)(處理目標軸、運算符)。此外，處理目標軸 此處意思是要作為運算目標的坐標軸，諸如，觀測值的類型、位置、頻率或者時間。即，通過 處理目標軸指定關(guān)于如下內(nèi)容的信息要沿著什么坐標軸執(zhí)行根據(jù)運算符的運算。此外，此處的運算符是表明處理內(nèi)容的運算符?？梢酝ㄟ^使用各種類型的運算符
12(諸如微分運算、最大值輸出、低通濾波器、高通濾波器、均方差、快速傅立葉變換或絕對值 輸出等)構(gòu)建特征量提取公式。另外，根據(jù)運算符的類型，指定運算參數(shù)作為運算符。例如， 在低通濾波器或高通濾波器的情形中，指定用于指定阻帶或通帶的參數(shù)。此外，除了處理函 數(shù)之外，特征量提取公式中還可以包括表示要作為處理目標的數(shù)據(jù)的類型的信息(在下文 中，類型信息)。首先，在步驟S3014中，特征量提取公式列表創(chuàng)建單元132隨機確定輸入數(shù)據(jù)的類 型(類型信息)(S3022)。然而，在輸入數(shù)據(jù)的類型是一個的情形中，可以跳過步驟S3014的 處理。接下來，特征量提取公式列表創(chuàng)建單元132隨機確定用于構(gòu)建特征量提取公式的運 算符(處理函數(shù))和處理目標軸的組合(S30M)。隨后，特征量提取公式列表創(chuàng)建單元132 通過組合已隨機確定的處理函數(shù)來創(chuàng)建特征量提取公式，以及判定特征量提取公式的輸出 是否是一個值(標量)(S3026)。在特征量提取公式的輸出在步驟S3026中成為一個值的情形中，特征量提取公式 列表創(chuàng)建單元132使處理進行到圖11中的步驟S3016。另一方面，在特征量提取公式的輸 出未成為一個值的情形中，特征量提取公式列表創(chuàng)建單元132使處理返回步驟S3024，并通 過隨機確定處理函數(shù)再次創(chuàng)建特征量提取公式。(S3006 (參見S302)根據(jù)遺傳算法的特征量提取公式創(chuàng)建)此處，將參照圖13更詳細地描述根據(jù)以上提到的步驟S3006的處理。另外，假定把第g(g ^ 2)代特征量提取公式輸入到特征量提取公式列表創(chuàng)建單元 132。另外，假定要通過步驟S3006中執(zhí)行的選擇運算創(chuàng)建的特征量提取公式的數(shù)量是ms， 要通過交叉運算創(chuàng)建的特征量提取公式的數(shù)量是mx，要通過突變創(chuàng)建的特征量提取公式的 數(shù)量是mm，要隨機創(chuàng)建的特征量提取公式的數(shù)量是mr。此外，假定特征量提取公式列表中 要包括的特征量提取公式的數(shù)量是m。首先，特征量提取公式列表創(chuàng)建單元132確定選擇數(shù)量ms、交叉數(shù)量mx、突變數(shù)量 mm和隨機創(chuàng)建數(shù)量mr (S3032)。另外，選擇數(shù)量ms、交叉數(shù)量mx、突變數(shù)量mm和隨機創(chuàng)建 數(shù)量mr可以隨機確定以滿足m = ms+mx+mm+mr或者可以預(yù)先部分或全部確定，或者可以基 于對第g代特征量提取公式的貢獻率確定選擇數(shù)量ms以及可以根據(jù)選擇數(shù)量ms隨機確定 交叉數(shù)量mx、突變數(shù)量mm和隨機創(chuàng)建數(shù)量mr。當確定了選擇數(shù)量ms、交叉數(shù)量mx和突變數(shù)量mm時，特征量提取公式列表創(chuàng)建單 元132從第g代特征量提取公式中選擇貢獻率最高的ms個特征量提取公式并把其添加到 特征量提取公式列表(S3034)。接下來，特征量提取公式列表創(chuàng)建單元132交換第g代特征 量提取公式之間處理函數(shù)的一部分，創(chuàng)建mx個新的特征量提取公式，以及將其添加到特征 量提取公式列表(S3036)。接下來，特征量提取公式列表創(chuàng)建單元132從第g代特征量提取公式中選擇mm個 特征量提取公式，隨機改變組建特征量提取公式的處理函數(shù)的一部分，以及把改變之后的 特征量提取公式添加到特征量提取公式列表(S3038)。接下來，特征量提取公式列表創(chuàng)建單 元132隨機創(chuàng)建mr個特征量提取公式，以及將其添加到特征量提取公式列表(S3040)。當 步驟S3032至S3040的處理完成時，特征量提取公式列表創(chuàng)建單元132把包括m個特征量 提取公式的特征量提取公式列表輸入到特征量計算單元134。隨后，預(yù)測器構(gòu)建單元106使 處理進行到步驟S304。
(S3034 (參見 S3006)選擇)此處，將參照圖14更詳細地描述根據(jù)以上提到的步驟S3034的處理(選擇處理)。 另外，此處執(zhí)行的選擇處理是與以下機制相對應(yīng)的遺傳算法的特征處理之一在把特征量 提取公式作為活體以及把處理函數(shù)作為基因時，具有上等基因的活體在進化過程中存活的 概率較高。如圖14中所示，首先，特征量提取公式列表創(chuàng)建單元132按后面描述的貢獻率的 降序來排列第g代特征量提取公式(S304》。接下來，特征量提取公式列表創(chuàng)建單元132按 貢獻率的降序向特征量提取公式列表添加排在頂部的ms個特征量提取公式(S3044)。隨 后，特征量提取公式列表創(chuàng)建單元132使處理進行到步驟S3036。(S3036(參見 S3006)交叉)此處，將參照圖15更詳細地描述根據(jù)以上提到的步驟S3036的處理(交叉處理)。 另外，此處執(zhí)行的交叉處理是與以下機制相對應(yīng)的遺傳算法的特征處理之一在把特征量 提取公式作為活體以及把處理函數(shù)作為基因時，在進化過程中部分地交換活體的基因以及 產(chǎn)生具有新基因組合的活體。如圖15中所示，特征量提取公式列表創(chuàng)建單元132在從1至mx改變用于指定要通 過交叉處理創(chuàng)建的特征量提取公式的索引MX的情況下(S3052、S306》重復(fù)執(zhí)行步驟S3054 至S3060的處理mx次。首先，特征量提取公式列表創(chuàng)建單元132把索引MX設(shè)置為1，以及使 處理進行到步驟S30M (S3052)。當處理進行到步驟S30M時，特征量提取公式列表創(chuàng)建單 元132基于貢獻率從第g代特征量提取公式中選擇一個特征量提取公式(公式A) (S3054) 0接下來，特征量提取公式列表創(chuàng)建單元132基于貢獻率從第g代特征量提取公式 中選擇一個特征量提取公式(公式B) (S3056)。隨后，特征量提取公式列表創(chuàng)建單元132通 過交換步驟S3054中選擇的公式A中包括的處理函數(shù)的一部分以及步驟S3056中選擇的公 式B中包括的處理函數(shù)的一部分來創(chuàng)建新的特征量提取公式(S3058)。隨后，特征量提取公 式列表創(chuàng)建單元132把步驟S3058中創(chuàng)建的新的特征量提取公式添加到特征量提取公式列 表(S3060)。在執(zhí)行步驟S30M至S3060的處理之后，特征量提取公式列表創(chuàng)建單元132使索 引MX遞增1，以及再次執(zhí)行步驟S30M至S3060的處理。特征量提取公式列表創(chuàng)建單元132 重復(fù)步驟S30M至S3060的處理直到索引MX達到mx為止，并創(chuàng)建mx個特征量提取公式。 隨后，特征量提取公式列表創(chuàng)建單元132使處理進行到步驟S3038。(S3054、S3056 (參見S3036)特征量提取公式的選擇)此處，將參照圖16更詳細地描述根據(jù)以上提到的步驟S30M和S3056的處理。如圖16中所示，特征量提取公式列表創(chuàng)建單元132首先對每個特征量提取公式的 選擇概率進行加權(quán)，以使得特征量提取公式的貢獻率越高，特征量提取公式被選擇的概率 越高，以及隨后從第g代特征量提取公式中選擇一個特征量提取公式(S3072)。隨后，特征 量提取公式列表創(chuàng)建單元132判定所選擇的特征量提取公式是否是已經(jīng)針對交叉處理選 擇了的特征量提取公式(S3074)。在特征量提取公式是已經(jīng)對交叉處理選擇了的特征量提取公式的情形中，特征量 提取公式列表創(chuàng)建單元132使處理進行到步驟S3076。另一方面，在特征量提取公式并非 是已經(jīng)對交叉處理選擇了的特征量提取公式的情形中，特征量提取公式列表創(chuàng)建單元132使處理進行到形成步驟S3036的下一處理步驟(S3056(在S3054的情形中)或S3058 (在 S3056的情形中))。在處理進行到步驟S3076的情形中，特征量提取公式列表創(chuàng)建單元132判定是否 已經(jīng)選擇了同一特征量提取公式(S3076)。在已經(jīng)選擇了同一特征量提取公式的情形中，特 征量提取公式列表創(chuàng)建單元132使處理再次返回步驟S3072，以及新選擇一個特征量提取 公式(S3072)。另一方面，在并未選擇同一特征量提取公式的情形中，特征量提取公式列表 創(chuàng)建單元132使處理進行到形成步驟S3036的下一處理步驟(S3056 (在S3054的情形中) 或S3058 (在S3056的情形中))。(S3038(參見 S3006)突變)此處，將參照圖17更詳細地描述根據(jù)以上提到的步驟S3038的處理(突變處理)。 另外，此處執(zhí)行的突變處理是與以下機制相對應(yīng)的遺傳算法的特征處理之一在把特征量 提取公式作為活體以及把處理函數(shù)作為基因時，在進化過程中部分地使活體的基因突變以 及生成具有新基因組合的活體。如圖17中所示，特征量提取公式列表創(chuàng)建單元132在使索引匪從1遞增至mm的 情況下(S3082、S3090)重復(fù)執(zhí)行步驟S3084至S3088的處理，以及創(chuàng)建mm個特征量提取公 式。首先，特征量提取公式列表創(chuàng)建單元132把索引MM設(shè)置為1(S3082)，以及從第g代特 征量提取公式中選擇一個特征量提取公式(公式A) (S3084)。此時，特征量提取公式列表創(chuàng) 建單元132執(zhí)行與圖16中所示步驟S3054的處理相同的處理以及基于特征量提取公式的 貢獻率選擇一個特征量提取公式(公式A)。接下來，特征量提取公式列表創(chuàng)建單元132把特征量提取公式中包括的處理函數(shù) 的一部分變成隨機選擇的處理函數(shù)，并創(chuàng)建新的特征量提取公式(S3086)。隨后，特征量提 取公式列表創(chuàng)建單元132把步驟S3086中創(chuàng)建的新特征量提取公式添加到特征量提取公式 列表(S3088)。隨后，特征量提取公式列表創(chuàng)建單元132使索引MM遞增1，以及再次執(zhí)行步 驟 S3084 至 S3088 的處理(S3090)。接下來，特征量提取公式列表創(chuàng)建單元132重復(fù)執(zhí)行步驟S3084至S3088的處理 直到索引MM達到mm為止，并創(chuàng)建mm個特征量提取公式。隨后，特征量提取公式列表創(chuàng)建 單元132使處理進行到步驟S3040。(S3040 (參見 S3006)隨機創(chuàng)建)此處，將參照圖18更詳細地描述根據(jù)以上提到的步驟S3040的處理(隨機創(chuàng)建處理)。如圖18中所示，特征量提取公式列表創(chuàng)建單元132在使索引MR從1遞增至mr的 情況下(S3092、S3098)重復(fù)執(zhí)行步驟S3094至S3096的處理，并創(chuàng)建mr個特征量提取公 式。首先，特征量提取公式列表創(chuàng)建單元132把索引MR設(shè)置為1(S3092)，并通過隨機組合 處理函數(shù)來創(chuàng)建新的特征量提取公式(S3094)。接下來，特征量提取公式列表創(chuàng)建單元132把步驟S3092中創(chuàng)建的新的特征量提 取公式添加到特征量提取公式列表(S3096)。隨后，特征量提取公式列表創(chuàng)建單元132使 MR遞增1，并再次執(zhí)行步驟S3094和S3096的處理(S3098)。隨后，特征量提取公式列表創(chuàng) 建單元132重復(fù)執(zhí)行步驟S3094和S3096的處理直到索引MR達到mr為止，并創(chuàng)建mr個特 征量提取公式。另外，每個特征量提取公式被創(chuàng)建為使得輸出將會是標量。
當步驟S3040的處理完成時，步驟S3006的處理完成。把包括通過步驟S3034、 S3036、S3038和S3040創(chuàng)建的總共m個特征量提取公式的特征量提取公式列表輸入到特征 量計算單元134。隨后，如圖9中所示，預(yù)測器構(gòu)建單元106使處理進行到步驟S304。(S304 特征量的計算)接下來，將參照圖19更詳細地描述步驟S304的處理。主要通過特征量計算單元 134的功能來執(zhí)行此處執(zhí)行的處理。另外，假定把步驟S3004或S3006中創(chuàng)建的特征量提取 公式列表從特征量提取公式列表創(chuàng)建單元132輸入到特征量計算單元134。還假定此特征 量提取公式列表包括m個特征量提取公式。如圖19中所示，特征量計算單元134在從1至m更新索引M(S3102、S3110)的情 況下重復(fù)執(zhí)行步驟S3104至S3108的處理。另外，特征量計算單元134在從1至d更新索 引q(S3104、S3108)的情況下重復(fù)執(zhí)行步驟S3106的處理。首先，特征量計算單元134把索引M設(shè)置為1并且使處理進行到步驟 S3104(S3102)。接下來，特征量計算單元134把索引q設(shè)置為1并且使處理進行到步驟 S3106(S3104)。接下來，特征量計算單元134把從時刻q至q+w_l的預(yù)測基礎(chǔ)數(shù)據(jù)Dq輸入到特征 量提取公式[M]中并計算特征量(S3106)。此處，特征量提取公式[M]意思是特征量提取 公式列表中包括的特征量提取公式之中的第M個特征量提取公式。隨后，特征量計算單元 134使處理返回步驟S3104 (S3108)，使索引q遞增1 (S3104)，以及使處理再次進行到步驟 S3106。隨后，特征量計算單元134重復(fù)執(zhí)行步驟S3104至S3108的處理直到索引q達到
d為止，以及計算通過把預(yù)測基礎(chǔ)數(shù)據(jù)Dq(q = 1.....d)輸入到特征量提取公式[M]中獲
得的特征量[M] [q]。接下來，特征量計算單元134使處理進行到步驟S3110，以及使處理返回步驟 S3102(S3110)。隨后，特征量計算單元134使索引M遞增1(S3102)，使處理再次進行到步驟 S3104,以及重復(fù)執(zhí)行步驟S3104至S3108的處理。特征量計算單元134重復(fù)執(zhí)行步驟S3104至S3108的處理直到索引M達到m為
止，以及計算通過把預(yù)測基礎(chǔ)數(shù)據(jù)Dq(q= 1.....d)輸入到特征量提取公式[M]中獲得的
特征量[M] [q] (M = 1、. . .、m ;q = 1、. . .、d)。以此方式，在步驟S304中，特征量計算單元134通過把預(yù)測基礎(chǔ)數(shù)據(jù)Dq(q =
1.....d)輸入到每個特征量提取公式[Μ] (M = 1.....m)中來計算特征量[M] [q] (Μ =
1.....m;q= 1.....d)。此外，把通過步驟S304的處理計算出的特征量[M] [q]輸入到機
器學習單元136。隨后，如圖9中所示，預(yù)測器構(gòu)建單元106使處理進行到步驟S306。(S306:機器學習)接下來，將參照圖20更詳細地描述步驟S306的處理。主要通過機器學習單元136
的功能來執(zhí)行此處執(zhí)行的處理。另外，假定把特征量[M] [q] (Μ = 1.....m;q= 1.....d)
從特征量計算單元134輸入到機器學習單元136。還假定把預(yù)測數(shù)據(jù)Dq(q = 1.....d)輸
入到機器學習單元136。如圖20中所示，機器學習單元136在使索引χ從1遞增至K的情況下(S3112、 S3116)重復(fù)執(zhí)行步驟S3114的處理。首先，機器學習單元136把索引χ設(shè)置為1 (S3112)，以及使處理進行到步驟S3114。接下來，機器學習單元136通過使用與觀測值χ對應(yīng)的預(yù)測 數(shù)據(jù)Dq和特征量[M] [q]來執(zhí)行機器學習，并計算用于觀測值χ的預(yù)測公式(S3114)。在通 過線性組合多個特征量提取公式來創(chuàng)建預(yù)測公式的情形中，在步驟S3114中計算每個組合 系數(shù)。接下來，機器學習單元136使處理返回步驟S3112(S3116)，使索引χ遞增 1 (S3112)，以及執(zhí)行步驟S3114的處理。此外，機器學習單元136重復(fù)執(zhí)行步驟S3114的處 理直到索引χ達到K為止，以及創(chuàng)建用于觀測值1至K中每個觀測值的預(yù)測公式。接下來，機器學習單元136計算每個特征量提取公式對步驟S3112至S3116中構(gòu) 建的預(yù)測公式的貢獻率(S3118)。此時，機器學習單元136基于預(yù)測公式中包括的每個特征 量提取公式的組合系數(shù)來計算每個特征量提取公式對預(yù)測公式的貢獻率。隨后，如圖9中 所示，預(yù)測器構(gòu)建單元106使處理進行到步驟S308。(S3114(參見S306)通過機器學習對預(yù)測器的創(chuàng)建)此處，將參照圖21更詳細地描述根據(jù)以上提到的步驟S3114的處理。如圖21中所示，機器學習單元136從特征量提取公式列表中隨機選擇要用于創(chuàng)建 預(yù)測公式的特征量提取公式，以及創(chuàng)建初始群體(第一代基因)(S312》。此處，假定預(yù)先把 形成初始群體的特征量提取公式的數(shù)量設(shè)置為P。隨后，機器學習單元136在從1至ρ更新 索引P的情況下重復(fù)執(zhí)行步驟S3U6和S3128的處理。首先，機器學習單元136把索引P設(shè)置為1，以及使處理進行到步驟S3126(S3124)。 隨后，機器學習單元136通過基于特征量計算單元134針對初始群體中包括的特征量提取 公式以及預(yù)測基礎(chǔ)數(shù)據(jù)所計算出的特征量執(zhí)行線性回歸和確定，來創(chuàng)建用于觀測值1至K 中每個觀測值的預(yù)測公式(S3U6)。接下來，機器學習單元136通過使用AIC來評價步驟 S3126中創(chuàng)建的預(yù)測公式(S3128)。接下來，機器學習單元136使處理返回步驟S3124(S3130)，使索引P遞增1以及使 處理進行到步驟S3126(S3124)。隨后，機器學習單元136再次執(zhí)行步驟S3U6和S3128的 處理。隨后，機器學習單元136重復(fù)步驟S3U6和S3128的處理直到索引P達到ρ為止，以 及使處理進行到步驟S3132。當處理進行到步驟S3132時，機器學習單元136使用AIC作為評價值，以及通過 選擇、交叉和突變來改變用于創(chuàng)建預(yù)測公式的特征量提取公式的組合(S3132)。S卩，在步驟 S3132中，機器學習單元136根據(jù)第一代基因來創(chuàng)建第二代基因。接下來，機器學習單元136判定是否歷經(jīng)預(yù)定數(shù)量的世代仍未更新最佳基因的評 價值(S3134)。在情況并非是歷經(jīng)預(yù)定數(shù)量的世代仍未更新最佳基因的評價值的情形中，機 器學習單元136使處理返回步驟S3124，并再次執(zhí)行步驟S31M至S3134的處理。另一方面，如圖20中所示，在歷經(jīng)預(yù)定數(shù)量的世代仍未更新最佳基因的評價值的 情形中，機器學習單元136使處理進行到步驟S116。此外，當步驟S3112至S3116的重復(fù)處 理完成時，機器學習單元136使處理進行到步驟S3118。(S3118(參見S306)貢獻率的計算)此處，將參照圖22更詳細地描述根據(jù)以上提到的步驟S3118的處理。如圖22中所示，機器學習單元136把總貢獻率Cont [M]初始化成0(S314》。接下 來，機器學習單元136在從1至K更新索引χ的情況下(S3144、S315》重復(fù)執(zhí)行步驟S3146至S3150的處理。另外，在處理進行到步驟S3146的情形中，機器學習單元136在從1至m 更新索引M的情況下重復(fù)執(zhí)行步驟S3148的處理。在步驟S3148中，機器學習單元136首先針對觀測值χ計算特征量提取公式[Μ] 對預(yù)測公式的貢獻率?；趧?chuàng)建預(yù)測公式時對每個觀測值計算出的特征量提取公式[Μ]的 組合系數(shù)計算此貢獻率。例如，貢獻率是包括組合系數(shù)的平方的值。另外，預(yù)測公式中未包 括的特征量提取公式的貢獻率是0。接下來，機器學習單元136計算總貢獻率Cont[M]= Cont [Μ] +特征量提取公式[Μ]對觀測值χ的貢獻率(S3148)。通過重復(fù)步驟S3144至S3152的處理以及重復(fù)步驟S3146至S3150的處理，將會 對特征量提取公式列表中包括的所有特征量提取公式計算每個特征量提取公式對觀測值1 至K的總貢獻率Cont[M]。將會使用在步驟S3118中計算出的每個特征量提取公式的總貢 獻率Cont [M]作為對預(yù)測公式的評價值。當步驟S3118的處理完成時，機器學習單元136 結(jié)束步驟S306的處理。至此，描述了預(yù)測器的自動構(gòu)建處理的流程。(1-3-4 通過預(yù)測器對觀測值的預(yù)測)接下來，將參照圖23描述與圖7中的步驟4對應(yīng)的通過預(yù)測器對觀測值的預(yù)測處 理的流程。圖23是示出與圖7中的步驟4相對應(yīng)的通過預(yù)測器對觀測值的預(yù)測處理的流 程的說明圖。另外，由預(yù)測單元108執(zhí)行此處描述的處理。另外，假定預(yù)測單元108具有從 預(yù)測器構(gòu)建單元106到預(yù)測單元108的預(yù)測器輸入的預(yù)測器。如圖23中所示，預(yù)測單元108在從1至f更新索引F的情況下(S402、S408)重復(fù) 執(zhí)行步驟S404和S406的處理。在步驟S404中，預(yù)測單元108取出時刻j+F_w至j+F_l的 觀測值作為預(yù)測基礎(chǔ)數(shù)據(jù)DF (S404)。接下來，預(yù)測單元108把預(yù)測基礎(chǔ)數(shù)據(jù)DF輸入到預(yù)測 器并計算可在時刻j+F觀測到的預(yù)測值(預(yù)測數(shù)據(jù)DF) (S406)。隨后，通過在更新索引F的 情況下重復(fù)執(zhí)行步驟S404和S406的處理，計算從時刻j至j+f的預(yù)測值，如圖6中所示。至此，描述了通過預(yù)測器對觀測值的預(yù)測處理的流程。如上所述，當采用根據(jù)本實施例的技術(shù)時，可以高度準確地自動構(gòu)建通過基于遺 傳算法的機器學習根據(jù)過去觀測值預(yù)測未來觀測值的預(yù)測器。此外，可以通過重復(fù)使用此 預(yù)測器來預(yù)測未來觀測值。隨后，用戶不必從觀測值中取出用于預(yù)測的適當數(shù)據(jù)、處理該數(shù) 據(jù)或者構(gòu)建預(yù)測模型。<1-4:實驗1(應(yīng)用于單擺)>此處，將在圖M和圖25中示出把根據(jù)本實施例的預(yù)測算法應(yīng)用于具體示例(通 過扭矩驅(qū)動的單擺的運動預(yù)測)的實驗(在下文中，實驗1)的結(jié)果。如圖M中所示，實驗1的條件如下。(條件1)執(zhí)行通過扭矩驅(qū)動的二維單擺的運動預(yù)測。(條件2)扭矩是-1、0和+1中的任何一項。(條件幻觀測值是扭矩、角度和角速度。(僅扭矩和角度被用于學習。)(條件4)扭矩每30個周期隨機改變一次。(條件5)把100，000個步驟的觀測值用于學習。(預(yù)測基礎(chǔ)數(shù)據(jù)的時間寬度是10個步驟。)
圖25中示出了實驗結(jié)果。圖25示出了在通過使用用于通過以上提到的扭矩驅(qū)動 的二維單擺的算法實際移動的單擺的運動(觀測值)與通過使用預(yù)測器預(yù)測的單擺的運動 (預(yù)測值)之間比較的結(jié)果。為了定量地比較這二者，圖25中示出了觀測值與預(yù)測值之間 的相關(guān)值。如圖25中所示，相關(guān)值隨著時間接近于1，并在一定時間逝去之后變得大致為 1。S卩，可以看出以足夠高的準確度預(yù)測了單擺的運動。此外，圖25中還示出了用于預(yù)測器構(gòu)建的特征量的數(shù)量。參考特征量數(shù)量的改 變，可以看出特征量的數(shù)量隨著時間的過去逐漸減小。即，可以看出，緊接開始預(yù)測處理之 后，用大量特征量預(yù)測觀測值的改變，但是隨學習的進展，可以用越來越少的特征量預(yù)測觀 測值的改變。<1-5 實驗2 (應(yīng)用于二維細胞自動機)>接下來，將在圖沈和圖27中示出把根據(jù)本實施例的預(yù)測算法應(yīng)用于另一具體示 例(二維細胞自動機)的實驗(在下文中，實驗2)的結(jié)果。如圖沈中所示，實驗2的條件如下。(條件1)在相鄰3X3的區(qū)域內(nèi)具有兩個或三個活細胞的活細胞成活。(條件2)在相鄰3X3的區(qū)域內(nèi)具有三個活細胞的死細胞變活。使用在32 X 24個細胞內(nèi)改變的10個步驟的活細胞的模式(在下文中，細胞模式) 用于學習。然而，并非學習所有的32 X 24個細胞，如圖沈中所示，使5 X 5個細胞(輸入矩 陣)作為輸入的目標以及使中心細胞的成活/死亡作為預(yù)測的目標，自動構(gòu)建下一次預(yù)測 中心細胞成活/死亡的預(yù)測器，通過使用預(yù)測器來執(zhí)行細胞模式的預(yù)測處理。圖27中示出了實驗結(jié)果。圖27示出了通過使用用于以上提到的二維細胞自動機 的算法實際改變的細胞模式(觀測值)與通過使用預(yù)測器預(yù)測的細胞模式(預(yù)測值)之間 比較的結(jié)果。為了定量地比較這二者，圖27中示出了活細胞的預(yù)測F值。如圖27中所示， F值隨著時間接近于1，以及在一定時間逝去之后變得大致為1。即，可以看出以足夠高的準 確度預(yù)測了細胞模式的改變。此外，圖27中還示出了用于預(yù)測器構(gòu)建的特征量的數(shù)量。參考特征量數(shù)量的改 變，可以看出特征量的數(shù)量在一定量的時間逝去后的時間點減小。即，可以看出，緊接開始 預(yù)測處理之后，用大量特征量預(yù)測觀測值，但是隨學習進行，可以用越來越少的特征量預(yù)測 觀測值。<1-6 實驗3 (應(yīng)用于鳥群算法)>接下來，將在圖觀和圖四中示出把根據(jù)本實施例的預(yù)測算法應(yīng)用于另一具體示 例(鳥群算法Boids = Bird-Oid(類鳥群))的實驗(在下文中，實驗3)的結(jié)果。如圖28中所示，實驗3的條件如下。(條件1)鳥朝著目的地前進。(條件2)鳥試圖與另一鳥分開以避免碰撞。(條件3)鳥試圖在與其它鳥同樣的方向上飛行。(條件4)鳥試圖朝向鳥群的中央。此外，以鳥朝著前進的目的地作為參考的相對坐標、鳥的加速歷史、以及相對于其 它鳥中每個鳥的相對坐標被用于學習。此外，隨機改變目的地的地點。此外，把鳥的數(shù)量設(shè) 置為20，把學習步驟的數(shù)量設(shè)置為1000。
圖四中示出了實驗結(jié)果。圖四示出了通過使用以上提到鳥群算法實際改變的鳥 群模式(觀測值)與通過使用預(yù)測器預(yù)測的鳥群模式(預(yù)測值)之間比較的結(jié)果。為了定 量地比較這二者，圖四中示出了觀測值與預(yù)測值之間的相關(guān)值。如圖四中所示，相關(guān)值隨 著時間接近于1，雖然它瞬間不時地降低，但它在一定時間逝去之后變得大致為1。即，可以 看出以足夠高的準確度預(yù)測了鳥群模式的改變。此外，圖四中還示出了用于預(yù)測器構(gòu)建的特征量的數(shù)量。參考特征量數(shù)量的改 變，可以看出特征量的數(shù)量在一定時間逝去之后減小至一定程度。即，可以看出，緊接開始 預(yù)測處理之后，用大量特征量預(yù)測觀測值，但是隨學習進行，可以用相對較小數(shù)量的特征量 預(yù)測觀測值。至此，已描述了根據(jù)本實施例的預(yù)測方法、預(yù)測器的自動構(gòu)建方法以及使用這些 方法的實驗結(jié)果?？梢允褂蒙鲜鲱A(yù)測器的自動構(gòu)建方法作為實現(xiàn)計算機圖形真實背景圖像 (鳥的運動、樹或云的移動、其它移動體的移動)的算法創(chuàng)建手段。如已描述了的，根據(jù)本實 施例的預(yù)測器的自動構(gòu)建算法可以在只是輸入作為學習數(shù)據(jù)的觀測值時自動構(gòu)建適當?shù)?預(yù)測器。因此，可以減少創(chuàng)建用于創(chuàng)建背景圖像的算法的麻煩。此外，預(yù)測器的操作本身得 以用小的處理負荷實現(xiàn)，并且因此，可以足以由小型游戲機或小型視頻裝置執(zhí)行。如所描述 的，根據(jù)本實施例的技術(shù)從實用性的角度而言也是極其有益的技術(shù)。<6 硬件配置>此處，將描述上述信息處理設(shè)備100的硬件配置的示例。例如可以通過使用圖30 中所示的信息處理設(shè)備的硬件配置來實現(xiàn)上述信息處理設(shè)備100每個結(jié)構(gòu)元件的功能。 即，通過使用計算機程序控制圖30中所示的硬件來實現(xiàn)結(jié)構(gòu)元件中每個結(jié)構(gòu)元件的功能。如圖30中所示，此硬件主要包括CPU 902、ROM 904、RAM 906、主機總線908以及 橋910。此外，此硬件包括外部總線912、接口 914、輸入單元916、輸出單元918、存儲單元 920、驅(qū)動器922、連接端口擬4以及通信單元926。此外，CPU是中央處理單元的縮寫。另 外，ROM是只讀存儲器的縮寫。此外，RAM是隨機存取存儲器的縮寫。CPU 902例如作為算術(shù)處理單元或控制單元，以及基于ROM 904、RAM 906、存儲單 元920或者可移除記錄介質(zhì)擬8上記錄的各種程序來控制每個結(jié)構(gòu)元件的操作的一部分或 全部操作。ROM 904是用于存儲例如CPU 902上要加載的程序或者算術(shù)運算中使用的數(shù)據(jù) 等的裝置。RAM 906暫時地或永久地存儲例如CPU 902上要加載的程序或者在程序執(zhí)行中 任意改變的各種參數(shù)等。通過例如能夠執(zhí)行高速數(shù)據(jù)傳輸?shù)闹鳈C總線908把這些結(jié)構(gòu)元件彼此相連。就其 本身而言，例如通過橋910把主機總線908連接到數(shù)據(jù)傳輸速度相對較低的外部總線912。 此外，輸入單元916是例如鼠標、鍵盤、觸摸板、按鈕、開關(guān)或者控制桿。另外，輸入單元916 可以是可以通過使用紅外線或其它無線電波傳輸控制信號的遠程控制器。輸出單元918是例如可以在視覺上或在聽覺上把獲取的信息通知用戶的顯示裝 置(諸如CRT、IXD、PDP或ELD等)、音頻輸出裝置(諸如揚聲器或耳機等)、打印機、移動電 話或者傳真機。此外，CRT是陰極射線管的縮寫。LCD是液晶顯示器的縮寫。PDP是等離子 顯示面板的縮寫。另外，ELD是電致發(fā)光顯示器的縮寫。存儲單元920是用于存儲各種數(shù)據(jù)的裝置。存儲單元920是例如磁存儲裝置(諸 如硬盤驅(qū)動器(HDD))、半導體存儲裝置、光學存儲裝置、或者磁光存儲裝置。HDD是硬盤驅(qū)動器的縮寫。驅(qū)動器922是這樣的裝置該裝置讀取可移除記錄介質(zhì)928(諸如磁盤、光盤、磁光 盤或半導體存儲器等)上記錄的信息，或者在可移除記錄介質(zhì)928中寫入信息。可移除記 錄介質(zhì)擬8是例如DVD介質(zhì)、藍光介質(zhì)、HD-DVD介質(zhì)、各種類型的半導體存儲媒體等。當然， 可移除記錄介質(zhì)擬8可以是例如其上裝配了非接觸式IC芯片的IC卡或者電子裝置。IC是 集成電路的縮寫。連接端口924 是這樣的端口 諸如 USB 端口、IEEE1394 端口、SCSI、RS-232C 端口， 或者用于連接外部連接設(shè)備930(諸如光學音頻終端等)的端口。外部連接設(shè)備930是例 如打印機、移動音樂播放器、數(shù)碼相機、數(shù)碼攝像機或者IC記錄器。此外，USB是通用串行 總線的縮寫。另外，SCSI是小型計算機系統(tǒng)接口的縮寫。通信單元擬6是用于連接到網(wǎng)絡(luò)932的通信裝置，以及是例如用于有線或無線 LAN、藍牙(注冊商標)、或者WUSB的通信卡，光通信路由器，ADSL路由器，或者各種通信調(diào) 制解調(diào)器。連接到通信單元926的網(wǎng)絡(luò)932由有線連接或無線連接的網(wǎng)絡(luò)配置成，以及例 如是互聯(lián)網(wǎng)、家用LAN、紅外線通信、可見光通信、廣播、或者衛(wèi)星通信。此外，LAN是局域網(wǎng) 的縮寫。另外，WUSB是無線USB的縮寫。此外，ADSL是非對稱數(shù)字用戶線的縮寫。<3:總結(jié)〉最后，將簡要描述根據(jù)本發(fā)明實施例的技術(shù)內(nèi)容?？梢园汛颂帞⑹龅募夹g(shù)內(nèi)容應(yīng) 用于各種信息處理設(shè)備，諸如，個人計算機、游戲機等?？梢园焉鲜鲂畔⑻幚碓O(shè)備的功能配置表示如下。信息處理設(shè)備包括預(yù)測器構(gòu)建 單元，用于通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于從 在預(yù)定時刻之前觀測到的觀測值中提取觀測值的特征量的多個特征量提取公式，以及基于 通過多個特征量提取公式計算出的特征量來創(chuàng)建用于預(yù)測在預(yù)定時刻的觀測值的預(yù)測公 式；以及預(yù)測單元，用于使用由預(yù)測器構(gòu)建單元創(chuàng)建的預(yù)測公式、根據(jù)在時刻t之前觀測到 的觀測值來預(yù)測在時刻t的觀測值。根據(jù)此配置，可以直接使用觀測值作為用于學習的數(shù)據(jù)，因此，可以減少從觀測值 中取出用于學習的適當數(shù)據(jù)或者把觀測值處理成適當數(shù)據(jù)格式的麻煩。另外，自動創(chuàng)建預(yù) 測公式而無需做出預(yù)測模型，由此使得對作為觀測值基礎(chǔ)的現(xiàn)象的建模或分析沒有必要。 此外，由于使用遺傳算法，所以創(chuàng)建了能夠用高準確度預(yù)測觀測值的預(yù)測公式。本領(lǐng)域技術(shù)人員應(yīng)當理解，根據(jù)設(shè)計需要和其它因素，可以進行各種修改、組合、 子組合和替換，只要它們在所附權(quán)利要求或其等同內(nèi)容的范圍內(nèi)。本申請包含的主題與2009年12月4日提交日本專利局的日本優(yōu)先權(quán)專利申請 JP2009-277084中公開的主題相關(guān)，其全部內(nèi)容經(jīng)引用而合并于此。
權(quán)利要求
1.一種信息處理設(shè)備，包括預(yù)測器構(gòu)建單元，用于通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函 數(shù)來創(chuàng)建用于從在預(yù)定時刻之前觀測到的觀測值中提取所述觀測值的多個特征量的多個 特征量提取公式，以及基于通過所述多個特征量提取公式計算出的所述多個特征量來創(chuàng)建 用于預(yù)測在所述預(yù)定時刻的觀測值的預(yù)測公式；以及預(yù)測單元，用于使用由所述預(yù)測器構(gòu)建單元創(chuàng)建的所述預(yù)測公式、根據(jù)在時刻t之前 觀測到的觀測值來預(yù)測在時刻t的觀測值。
2.根據(jù)權(quán)利要求1所述的信息處理設(shè)備，其中，在根據(jù)在時刻t之前觀測到的觀測值預(yù) 測在時刻t的觀測值之后，所述預(yù)測單元通過使用由所述預(yù)測器構(gòu)建單元創(chuàng)建的所述預(yù)測 公式以及所述多個特征量提取公式、根據(jù)預(yù)測出的在時刻t的觀測值以及在時刻t之前觀 測到的觀測值來預(yù)測要在繼時刻t之后的時刻t’觀測的觀測值。
3.根據(jù)權(quán)利要求2所述的信息處理設(shè)備，還包括預(yù)測數(shù)據(jù)創(chuàng)建單元，所述預(yù)測數(shù)據(jù)創(chuàng)建單元準備與物體的運動相關(guān)的觀測值在時刻to的初始值，在把所述初始值作為第一輸入的情況下對時刻to之后的時刻tj(j = 1........N)相繼地執(zhí)行所述預(yù)測單元對觀測值的預(yù)測處理，以及創(chuàng)建在時刻tl至tN的觀測值的預(yù) 測數(shù)據(jù)；以及運動模擬器，通過使用由所述預(yù)測數(shù)據(jù)創(chuàng)建單元創(chuàng)建的預(yù)測數(shù)據(jù)來模擬物理物體的運動。
4.根據(jù)權(quán)利要求2所述的信息處理設(shè)備，其中，在創(chuàng)建所述多個特征量提取公式和所 述預(yù)測公式之后觀測到新觀測值的情況下，所述預(yù)測器構(gòu)建單元基于創(chuàng)建出的預(yù)測公式和 所述多個特征量提取公式，根據(jù)新觀測到的觀測值重新創(chuàng)建所述多個特征量提取公式和所 述預(yù)測公式。
5.一種觀測值預(yù)測方法，包括以下步驟通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于從在預(yù) 定時刻之前觀測到的觀測值中提取所述觀測值的多個特征量的多個特征量提取公式，以及 基于通過所述多個特征量提取公式計算出的所述多個特征量來創(chuàng)建用于預(yù)測在所述預(yù)定 時刻的觀測值的預(yù)測公式；以及使用在所述創(chuàng)建步驟中創(chuàng)建的所述預(yù)測公式、根據(jù)在時刻t之前觀測到的觀測值來預(yù) 測在時刻t的觀測值。
6.一種用于使計算機實現(xiàn)以下功能的程序預(yù)測器構(gòu)建功能，用于通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函 數(shù)來創(chuàng)建用于從在預(yù)定時刻之前觀測到的觀測值中提取所述觀測值的多個特征量的多個 特征量提取公式，以及基于通過所述多個特征量提取公式計算出的所述多個特征量來創(chuàng)建 用于預(yù)測在所述預(yù)定時刻的觀測值的預(yù)測公式；以及預(yù)測功能，用于使用由所述預(yù)測器構(gòu)建功能創(chuàng)建的所述預(yù)測公式、根據(jù)在時刻t之前 觀測到的觀測值來預(yù)測在時刻t的觀測值。
全文摘要
提供了一種信息處理設(shè)備、觀測值預(yù)測方法及程序。該信息處理設(shè)備包括預(yù)測器構(gòu)建單元，用于通過基于遺傳算法的機器學習以及通過組合預(yù)先準備的處理函數(shù)來創(chuàng)建用于從在預(yù)定時刻之前觀測到的觀測值中提取觀測值的特征量的多個特征量提取公式，以及基于通過多個特征量提取公式計算出的特征量來創(chuàng)建用于預(yù)測在預(yù)定時刻的觀測值的預(yù)測公式；以及預(yù)測單元，用于使用由預(yù)測器構(gòu)建單元創(chuàng)建的預(yù)測公式、根據(jù)在時刻t之前觀測到的觀測值來預(yù)測在時刻t的觀測值。
文檔編號G06N3/12GK102087721SQ201010570579
公開日2011年6月8日 申請日期2010年11月26日 優(yōu)先權(quán)日2009年12月4日
發(fā)明者小林由幸 申請人:索尼公司