预测装置、预测方法以及预测程序

技术领域

本公开涉及一种对时间序列数据的变化进行预测的预测装置、预测方法以及预测程序。

背景技术

以往，已知一种对随着时间的经过而变化的数据(以下，也称为“时间序列数据”。)进行预测的技术。日本特开2016-126718号公报(专利文献1)公开一种预测装置，该预测装置通过按每个时间区间对过去的时间序列数据进行解析，来预测将来的时间序列数据的变化。专利文献1所公开的预测装置构成为：基于一个时间区间内的过去的时间序列数据的解析结果来选择一个内核函数，使所选择出的内核函数应用于支持向量回归，由此预测一个时间区间以后的时间序列数据的变化。

现有技术文献

专利文献

专利文献1：日本特开2016-126718号公报

发明内容

发明要解决的问题

专利文献1所公开的预测装置构成为针对成为解析对象的一个时间区间选择一个内核函数，因此对于所选择出的内核函数所能够应对的预测区间，能够高精度地预测时间序列数据的变化。然而，预测装置无法对超出所选择出的内核函数能够应对的范围的长度的预测区间考虑解析结果，因此有可能无法高精度地预测长时间内的时间序列数据的变化。

本公开是为了解决这样的问题而完成的，其目的在于提供一种高精度地预测长时间内的时间序列数据的变化的技术。

用于解决问题的方案

按照本公开的某个方面的预测装置具备：存储器，其存储时间序列数据；以及处理器，其基于预测模型以及存储器中存储的时间序列数据，来预测时间序列数据发生了变化之后的变化后数据。预测模型包括第一模型和第二模型。第一模型与第二模型相比更适合于预测第一预测区间内的变化后数据。第二模型与第一模型相比更适合于预测第一预测区间之后的第二预测区间内的变化后数据。处理器基于时间序列数据和预测模型，来预测第一预测区间与第二预测区间之间的区间内的变化后数据。

按照本公开的另一个方面的预测方法包括以下步骤：存储步骤，存储时间序列数据；以及预测步骤，基于预测模型以及通过存储步骤存储的时间序列数据，来预测时间序列数据发生了变化之后的变化后数据。预测模型包括第一模型和第二模型。第一模型与第二模型相比更适合于预测第一预测区间内的变化后数据。第二模型与第一模型相比更适合于预测第一预测区间之后的第二预测区间内的变化后数据。预测步骤包括以下步骤：基于时间序列数据和预测模型，来预测第一预测区间与第二预测区间之间的区间内的变化后数据。

按照本公开的另一个方面的预测程序用于使计算机执行以下步骤：存储步骤，存储时间序列数据；以及预测步骤，基于预测模型以及通过存储步骤存储的时间序列数据，来预测时间序列数据发生了变化之后的变化后数据。预测模型包括第一模型和第二模型。第一模型与第二模型相比更适合于预测第一预测区间内的变化后数据。第二模型与第一模型相比更适合于预测第一预测区间之后的第二预测区间内的变化后数据。预测步骤包括以下步骤：基于时间序列数据和预测模型，来预测第一预测区间与第二预测区间之间的区间内的变化后数据。

发明的效果

根据本公开的预测装置、预测方法以及预测程序，能够使用包括第一模型和第二模型的预测模型来预测第一预测区间与第二预测区间之间的区间内的变化后数据，其中，该第一模型适合于预测第一预测区间内的时间序列数据的变化后数据，该第二模型适合于预测在第一预测区间之后的第二预测区间内的时间序列数据的变化后数据。由此，本公开的预测装置、预测方法以及预测程序不限于使用第一模型来预测第一预测区间内的时间序列数据的变化，而是也能够使用包括第一模型和第二模型的预测模型来预测第一预测区间与第二预测区间之间的区间内的时间序列数据的变化，因此能够高精度地预测长时间内的时间序列数据的变化。

附图说明

图1是用于说明实施方式1所涉及的预测装置的应用例的图。

图2是示出实施方式1所涉及的预测装置的结构的图。

图3是示出实施方式1所涉及的预测装置预测的时间序列数据的变化的图。

图4是用于说明实施方式1所涉及的预测装置的处理的时机的图。

图5是用于说明在实施方式1所涉及的预测装置中的第一模型的参数调整的图。

图6是用于说明在实施方式1所涉及的预测装置中的第二模型的参数调整的图。

图7是示出实施方式1所涉及的预测装置的显示器的显示方式的图。

图8是与实施方式1所涉及的预测装置的控制装置所执行的处理有关的流程图。

图9是与实施方式1所涉及的预测装置的控制装置所执行的其它处理有关的流程图。

图10是示出实施方式2所涉及的预测装置的结构的图。

图11是用于说明实施方式3所涉及的预测装置的处理的时机的图。

图12是示出实施方式4所涉及的预测装置预测的时间序列数据的变化的图。

具体实施方式

下面，参照附图来详细地说明本公开的实施方式。此外，对图中相同或相当的部分标注相同的附图标记，不重复其说明。

[实施方式1]

参照图1～图9对实施方式1所涉及的预测装置1进行说明。

(适用例)

图1是用于说明实施方式1所涉及的预测装置1的适用例的图。实施方式1所涉及的预测装置1通过对获取到的过去的时间序列数据进行解析来预测将来的时间序列数据的变化。时间序列数据是指将例如从一个传感器等同一来源按时间序列得到的多个数据按时间序列的顺序进行排列得到的数据群。

例如，如图1所示，在室内空间20内关闭了窗户21和门22的状态下多人进行了会议的情况下，室内空间20内的二氧化碳(以下，也称为“CO

因此，实施方式1所涉及的预测装置1通过对随着时间的经过而变化的室内空间20的CO

具体地说，预测装置1如后述的图2所示那样具备传感器14。传感器14定期地测定室内空间20内的CO

由此，预测装置1能够使用预测室内空间20内的CO

此外，预测装置1预测的“变化后数据”不限于CO

(预测装置的结构)

图2是示出实施方式1所涉及的预测装置1的结构的图。如图2所示，预测装置1具备处理器11、存储器18、存储装置12、传感器14以及输出装置17。

处理器11是计算机的一例，是按照各种程序执行各种处理的运算主体。控制装置11例如具备CPU(Central Processing Unit：中央处理单元)、FPGA(Field ProgrammableGate Array：现场可编程门阵列)、GPU(Graphics Processing Unit：图形处理单元)以及MPU(Multi Processing Unit：多处理单元)中的至少一方。此外，处理器11也可以由运算电路(Processing Circuitry)构成。

存储器18具备DRAM(Dynamic Random Access Memory：动态随机存取存储器)和SRAM(Static Random Access Memory：静态随机存取存储器)等易失性存储器以及ROM(Read Only Memory：只读存储器)和闪存等非易失性存储器。存储器18暂时存储由传感器14获取到的时间序列数据123。时间序列数据123在处理器11预测变化后CO

存储装置12具备HDD(Hard Disk Drive：硬盘驱动器)和SSD(Solid State Drive：固态硬盘)等非易失性存储器。存储装置12保存由控制装置11执行的预测程序121、处理器11参照的运算用数据122以及由传感器14获取到的时间序列数据123等各种程序及数据。用户能够通过使用将处理器11、存储装置12以及输出装置17一体化而得到的计算机或服务器装置来预测时间序列数据的变化。

预测程序121包含规定了生成部11A和预测部11B的处理过程(图8和图9所示的处理流程)的程序，该生成部11A和预测部11B是处理器11的功能部。运算用数据122是在按照预测程序121执行处理时所使用的数据，包含用于生成预测变化后数据的预测模型的数据(例如，与后述的第一模型、第二模型以及接合函数有关的数据等)。

此外，预测装置1既可以将预测程序121和运算用数据122预先保存于存储装置12，也可以通过数据通信从未图示的服务器装置获取预测程序121和运算用数据122。另外，不限于处理器11生成预测模型的情况，预测装置1也可以将准备好的预测模型预先保存于存储装置12。并且，如使用图10在后面叙述的那样，预测装置1也可以还具备介质读取装置13。而且，预测装置1也可以通过介质读取装置13接受作为存储介质的可移动盘5，从可移动盘5获取预测程序121、运算用数据122以及预测模型。

传感器14对CO

输出装置17以有线或无线方式与显示器15及扬声器16分别连接。输出装置17将表示由控制装置11计算出的时间序列数据的变化的预测结果的数据输出到显示器15和扬声器16中的至少一方。

显示器15基于从输出装置17获取到的数据，来显示基于由处理器11计算出的时间序列数据的变化的预测结果的图像等各种图像。

扬声器16基于从输出装置17获取到的数据，来输出基于由处理器11计算出的时间序列数据的变化的预测结果的声音等各种声音。

此外，显示器15和扬声器16不限于与预测装置1不同的结构。预测装置1也可以具备显示器15和扬声器16中的至少一方。并且，在图1的例子中，显示器15和扬声器16设置于室内空间20，但显示器15和扬声器16也可以是作为室内人员的用户所拥有的便携式终端或个人计算机(PC)所具备的结构。例如，也可以是，预测装置1通过近距离无线通信等向用户所拥有的便携式终端或PC输出预测结果，便携式终端或PC利用自身(便携式终端或PC)的显示器15或扬声器16向用户通知从预测装置1获取到的预测结果。

像这样构成的预测装置1将由传感器14获取到的时间序列数据123存储于存储装置12或存储器18，并基于存储装置12或存储器18中存储的时间序列数据123，来由处理器11预测将来时间序列数据发生了变化之后的变化后数据。然后，预测装置1使用显示器15和扬声器16中的至少一方向用户通知基于预测结果的信息。

处理器11执行存储装置12中存储的预测程序121，并且适当地进行使用了运算用数据122的运算，由此实现如上所述的一系列处理。更为具体地说，处理器11具备生成部11A和预测部11B，来作为主要的功能部。

生成部11A生成用于预测变化数据的预测模型。预测模型由表示经过时间与随着时间的经过而变化的数据之间的关系的函数(数式)来定义。成为由预测装置1预测时间序列数据的变化的预测对象的区间(预测区间)包括第一预测区间和第一预测区间之后的第二预测区间。生成部11A通过将适合于预测第一预测区间内的变化后数据的第一模型与适合于预测第二预测区间内的变化后数据的第二模型进行接合(相加)，来生成一个预测模型。在此，“适合的模型”是指几个模型中的最高精度地再现实际的时间序列数据的模型。即，“适合的模型”是能够使实际获取到的预测区间内的CO

预测部11B使用由生成部11A生成的预测模型来预测变化后数据。基于由预测部11B得到的预测结果的信息通过输出装置17被输出到显示器15或扬声器16。

此外，预测装置1所具备的处理器11、存储器18、存储装置12以及输出装置17等各结构的功能也可以设置在传感器14内。即，也可以是，传感器14以边缘计算机的形态来作为预测装置1，具备处理器11、存储器18、存储装置12以及输出装置17等各结构。

(由预测装置预测时间序列数据的变化的具体例)

参照图3～图6对由预测装置1进行的时间序列数据的变化的预测进行说明。图3是示出实施方式1所涉及的预测装置1预测的时间序列数据的变化的图。

在图3中，示出了以纵轴为CO

在预测装置1的预测区间中，从t0至t1为止的区间用第一预测区间表示，t4以后的区间用第二预测区间表示。也就是说，第一预测区间是从预测装置1的预测时间点t0来看比第二预测区间更近的将来的区间。第二预测区间是从预测装置1的预测时间点t0来看比第一预测区间更远的将来的区间。

从t0起持续到t4以后由传感器14实际获取到的CO

第一模型适合于预测第一预测区间内的时间序列数据的变化。第一模型由表示经过时间与随着时间的经过而变化的数据之间的关系的函数(数式)来定义。第一模型的函数适合于预测以线性表示相对于时间变化的变化的时间序列数据。

例如，使用第一模型来预测时间序列数据的变化而得到的结果用曲线G1表示。在近的将来的第一预测区间内，曲线G1以与实测值的曲线A近似的方式以线性表示，与曲线A大致一致。另一方面，在远的将来的第二预测区间内，曲线G1有远离实测值的曲线A的倾向。

第二模型适合于预测第二预测区间内的时间序列数据的变化。第二模型由表示经过时间与随着时间的经过而变化的数据之间的关系的函数(数式)来定义。第二模型的函数适合于预测以非线性表示相对于时间变化的变化的时间序列数据。

例如，使用第二模型来预测时间序列数据的变化而得到的结果用曲线G2表示。在远的将来的第二预测区间内，曲线G2以与实测值的曲线A近似的方式以非线性表示，与曲线A大致一致。另一方面，在近的将来的第一预测区间内，曲线G2有远离实测值的曲线A的倾向。

预测装置1通过将具有这种特性的第一模型与第二模型进行接合，在t0生成用于预测t0以后的将来的时间序列数据的变化的预测模型。使用预测模型预测时间序列数据的变化而得到的结果用曲线G0表示。曲线G0无论在第一预测区间和第二预测区间中的哪一个预测区间内都与实测值的曲线A大致一致。

图4是用于说明实施方式1所涉及的预测装置1的处理的时机的图。在图4中，示出了由传感器14执行的处理的时机以及由控制装置11执行的处理的时机。

如图4所示，当传感器14在从t10至t11为止的时间内获取了时间序列数据时，控制装置11在t11以后基于时间序列数据(从t10至t11为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t11以后的时间序列数据的变化。

当传感器14在从t11至t12为止的时间内获取了时间序列数据时，控制装置11在t12以后基于时间序列数据(从t11至t12为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t12以后的时间序列数据的变化。

当传感器14在从t12至t13为止的时间内获取了时间序列数据时，控制装置11在t13以后基于时间序列数据(从t12至t13为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t13以后的时间序列数据的变化。

这样，预测装置1按预先决定的每个时间区间定期地基于由传感器14获取到的时间序列数据来生成预测模型，针对成为时间序列数据的获取对象的时间区间以后的预测区间，使用预测模型来预测时间序列数据的变化。预测装置1按每个时间区间重复执行这样的处理。

生成预测模型的处理包括执行预处理的步骤、选择多个模型的步骤、选择接合函数的步骤、调整参数的步骤以及使用接合函数来生成预测模型的步骤。

具体地说，如图4所示，处理器11在从传感器14获取了时间序列数据时，首先对时间序列数据执行预处理。例如，作为预处理，处理器11执行以下处理：在时间序列数据中缺失的数据的插值、时间序列数据所包含的多个数据中的相对于其它数据大幅偏离的数据(离群值)的去除、时间序列数据中出现的噪声的去除以及使用了函数(运算符)的变换等。处理器11通过执行与获取到的时间序列数据的特性相应的预处理，来将获取到的时间序列数据变换为适合于生成预测模型的数据。

此外，作为预处理所包括的噪声的去除，列举出移动平均法、使用了状态空间模型的平滑化以及低通滤波器等。作为预处理所包括的使用了函数(运算符)的变换，列举出傅立叶变换、使用了主成分分析的特征量的压缩变换等。

处理器11针对从传感器14获取到的时间序列数据执行如上述那样的预处理，由此能够不受噪声的影响地进行高精度的预测。另一方面，处理器11在能够直接使用从传感器14获取到的时间序列数据进行高精度的预测的情况下，也可以不进行如上述那样的预处理的工序而直接使用从传感器14获取到的时间序列数据来生成预测模型。

在执行了预处理之后，处理器11选择用于生成预测模型的多个模型。例如，在图3所示的例子中，处理器11选择用曲线G1表示的适合于第一预测区间内的预测的第一模型和用曲线G2表示的适合于第二预测区间内的预测的第二模型。此外，与包括第一模型和第二模型的多个模型相关的数据包含在存储装置12所保存的运算用数据122中。

第一模型包含用下述的式(1)表示的线性的函数(数式)。即，第一模型是以线性表示时间序列数据相对于时间变化的变化的线性模型。

[式1]

C

…(1)

在式(1)中，a是表示斜率的参数。b是表示截距的参数。

第二模型包含用下述的式(2)表示的非线性的函数(数式)。即，第二模型是以非线性表示时间序列数据相对于时间变化的变化的非线性模型。

[式2]

在式(2)中，C

此外，处理器11也可以选择预先决定的模型来作为第一模型和第二模型的各模型。例如，预测装置1的设计者也可以将通过对事先获取到的时间序列数据进行解析而预先决定的模型X(例如，用式(1)表示的模型)作为适合于第一预测区间的第一模型而存储于存储装置12。并且，预测装置1的设计者也可以将通过对事先获取到的时间序列数据进行解析而预先决定的模型Y(例如，用式(2)表示的模型)作为适合于第二预测区间的第二模型而存储于存储装置12。而且，也可以是，处理器11在生成预测模型时，将存储装置12中存储的模型X选择为第一模型，将存储装置12中存储的模型Y选择为第二模型。

或者，也可以是，处理器11不预先决定与第一模型及第二模型的各模型对应的模型，而基于对获取到的时间序列数据进行解析所得到的结果，来从多种模型中选择与第一模型及第二模型的各模型对应的模型。例如，预测装置1的设计者也可以将多种模型存储于存储装置12。而且，也可以是，处理器11在生成预测模型时，对获取到的时间序列数据进行解析，并基于解析结果将存储装置12中存储的多种模型中的至少一种模型选择为第一模型，将存储装置12中存储的多种模型中的至少一种模型选择为第二模型。此外，处理器11只要将与选择为第一模型的模型不同的模型选择为第二模型即可。

如图4所示，处理器11在选择出多个模型之后，选择用于将所选择出的多个模型进行接合的接合函数。此外，与接合函数有关的数据包含在存储装置12所保存的运算用数据122中。

在图3所示的例子中，处理器11将用下述的式(3)表示的双曲函数选择为接合函数。

[式3]

在式(3)中，C

处理器11在将第一模型与第二模型进行接合时，对第一模型和第二模型进行加权。在式(3)中，α和T

具体地说，如图3所示，α是表示模型从第一模型切换为第二模型所需要的时间的参数。α越小，模型从第一模型切换为第二模型的时间越短。α越大，模型从第一模型切换为第二模型的时间越长。

T

此外，处理器11也可以预先决定接合函数，并选择预先决定出的接合函数。例如，预测装置1的设计者也可以将通过对事先获取到的时间序列数据进行解析而预先决定的接合函数(例如，用式(3)表示的双曲函数)存储于存储装置12。而且，也可以是，处理器11在生成预测模型时选择存储装置12中存储的接合函数。

或者，也可以是，处理器11不预先决定接合函数，而基于对获取到的时间序列数据进行解析而得到的结果来从多种接合函数中选择要采用的接合函数。例如，预测装置1的设计者也可以将接合函数A～接合函数E之类的多种接合函数存储于存储装置12。而且，也可以是，处理器11在生成预测模型时，对获取到的时间序列数据进行解析，并基于解析结果来选择存储装置12中存储的多种接合函数中的至少一种接合函数。

如图4所示，处理器11在选择了接合函数之后对参数进行调整。例如，在图3所示的例子中，处理器11对用式(1)表示的第一模型的参数(a、b)进行调整。处理器11对用式(2)表示的第二模型的参数(C

此外，处理器11既可以对接合函数和多个模型的各个模型中的所有参数进行调整，也可以对接合函数和多个模型中的至少一者中的参数进行调整。例如，在实施方式1中，预测装置1的设计者通过对事先获取到的时间序列数据进行解析来预先决定接合函数的参数(α、T

图5是用于说明在实施方式1所涉及的预测装置1中的第一模型的参数调整的图。

在图5中，示出了以纵轴为CO

具体地说，如图5所示，处理器11从自传感器14获取到的过去的时间序列数据中提取最近的规定个数的数据。处理器11基于提取出的多个数据，通过使用最小二乘法来计算第一模型的参数(a、b)。

此外，在图4所示的例子中，在预测时间点为t11的情况下，由处理器11提取出的规定个数的数据包含在从t10至t11为止的时间内获取到的时间序列数据中的在无限接近预测时间点t11的时机获取到的数据。

图6是用于说明在实施方式1所涉及的预测装置1中的第二模型的参数调整的图。

在图6中，示出了以纵轴为CO

具体地说，如图6所示，处理器11从自传感器14获取到的过去的时间序列数据中提取特定个数的数据。处理器11将提取出的多个数据按照时间序列且按多个区间的每个区间进行分割。处理器11计算属于各区间的多个数据的平均CO

例如，处理器11基于属于第一个区间的多个数据计算C1来作为平均CO

在此，式(2)能够如下述的式(4)那样表示。

[式4]

处理器11通过使用式(4)和上述的C1、C2、C3、Δt及Δt'，能够建立下述的联立方程式(5)。

[式5]

C

此外，处理器11也可以通过使用式(4)和上述的C1、C2、C3、Δt及Δt'，来建立下述的联立方程式(6)。

[式6]

C

处理器11通过求解联立方程式(5)或联立方程式(6)，来计算第二模型的参数(C

如图4所示，处理器11在对参数进行了调整之后，使用接合函数将多个模型进行接合，由此生成预测模型。例如，在图3所示的例子中，处理器11通过使用用式(3)表示的双曲函数将用曲线G1表示的适合于第一预测区间的预测的第一模型与用曲线G2表示的适合于第二预测区间的预测的第二模型进行接合，来生成用曲线G0表示的预测模型。此时，处理器11对第一模型的参数(a、b)、第二模型的参数(C

此外，关于第二模型的参数中的C

预测装置1通过使用经过如上述那样的步骤来生成的预测模型，能够以与由传感器14实际获取到的CO

此外，处理器11既可以对第一模型和第二模型的各模型的参数进行调整，也可以对第一模型和第二模型中的至少一个模型的参数进行调整。例如，也可以是，处理器11对第一模型的参数(a、b)进行调整，而另一方面预先决定第二模型的参数(C

(显示器的显示方式)

图7是示出实施方式1所涉及的预测装置1的显示器15的显示方式的图。处理器11通过输出装置17将预测结果输出到显示器15，由此使基于预测结果的图像显示于显示器15。

例如，在图1的例子的情况下，如图7所示，显示器15显示与室内空间20内的CO

此外，用户既可以通过对图标154进行触摸操作来将声音通知设定为有效或无效，也可以通过使用未图示的鼠标等工具操作图标154来将声音通知设定为有效或无效。

如使用图4所说明的那样，预测装置1按预先决定的每个时间区间定期地生成预测模型，使用所生成的预测模型来预测室内空间20内的CO

这样，预测装置1将从预测变化后数据的预测时间点起至到达预测为变化后数据达到阈值的预测达到时刻为止的预测达到时间输出到显示器15。此外，预测装置1不限于将预测达到时间输出到显示器15，也可以将预测达到时刻输出到显示器15。

并且，预测装置1也可以在第一预测时间点预测将来的每个时间的变化后数据，并计算预测为该变化后数据达到阈值的第一预测达到时刻，之后，在第一预测时间点之后的第二预测时间点再次预测将来的每个时间的变化后数据，并计算预测为该变化后数据达到阈值的第二预测达到时刻。而且，预测装置1也可以在第一预测达到时刻与第二预测达到时刻之间的时间为规定时间以上的情况下输出用于确定在第一预测时间点计算出的预测达到时刻发生了变化的信号。例如，预测装置1也可以通过向显示器15输出用于确定预测达到时刻发生了变化的信号，来通过显示器15向用户通知预测达到时刻发生了变化。此外，上述的“阈值”是被设为需要进行换气的指标值，例如与后述的第四阈值对应。

由此，预测装置1能够在室内空间20内CO

(由预测装置进行的处理)

图8是与实施方式1所涉及的预测装置1的处理器11所执行的处理有关的流程图。处理器11通过执行存储装置12中保存的预测程序121来定期地执行图8所示的流程图的处理。此外，图中的S2～S8对应于处理器11的生成部11A的处理。图中的S9及S10对应于处理器11的预测部11B的处理。在图中，“S”被用作“步骤(STEP)”的简称。

如图8所示，处理器11判定是否获取到规定时间量的时间序列数据(S1)。例如，如图4所示，在预测时间点为t11的情况下，处理器11判定是否在t10至t11为止的时间内获取到时间序列数据。处理器11在没有获取到规定时间量的时间序列数据的情况下(在S1中为“否”)，结束本处理。

另一方面，处理器11在获取到规定时间量的时间序列数据的情况下(在S1中为“是”)，转移到用于生成预测模型的处理。具体地说，首先，处理器11执行预处理(S2)。

处理器11选择多个模型(S3)。例如，处理器11将用式(1)表示的线性模型选择为第一模型，将用式(2)表示的非线性模型选择为第二模型。

处理器11选择用于将所选择出的多个模型进行接合的接合函数(S4)。例如，处理器11将用式(3)表示的双曲函数选择为接合函数。

处理器11计算第一模型的参数(S5)。例如，处理器11计算用式(1)表示的第一模型的参数(a、b)。此外，如用图5所说明的那样，第一模型的参数(a、b)能够使用最小二乘法来计算。

处理器11计算第二模型的参数(S6)。例如，处理器11计算用式(2)表示的第二模型的参数(C

处理器11计算与加权有关的参数(S7)。例如，处理器11计算用式(3)表示的双曲函数的参数(α、T

处理器11通过使用接合函数将多个模型进行接合来生成预测模型(S8)。例如，处理器11通过使用用式(3)表示的双曲函数将用式(1)表示的第一模型与用式(2)表示的第二模型进行接合，来生成预测模型。此时，处理器11对第一模型的参数(a、b)、第二模型的参数(C

处理器11在生成了预测模型之后，转移到用于使用所生成的预测模型来预测时间序列数据的变化的处理。具体地说，处理器11使用预测模型来计算预测值(S9)。例如，在如图3所示那样当前时间点为t0的情况下，处理器11计算包括第一预测区间和第二预测区间的预测区间内的变化后数据的值(预测值)。此外，处理器11既可以计算在预测区间内得到的所有的时间序列数据的预测值，也可以仅计算在预测区间内得到的所有的时间序列数据的预测值中的一部分预测值。

处理器11将包含计算出的预测值的预测结果输出到显示器15和扬声器16中的至少一方(S10)。之后，处理器11结束本处理。

接着，参照图9对预测装置1所执行的其它处理进行说明。图9是与实施方式1所涉及的预测装置1的处理器11所执行的其它处理有关的流程图。下面，关于图9所示的处理，仅说明与图8所示的处理不同的部分。预测装置1既可以构成为执行图8所示的处理，也可以构成为执行图9所示的处理。

处理器11通过执行存储装置12中保存的预测程序121，来定期地执行图9所示的流程图的处理。在图中，“S”被用作“步骤(STEP)”的简称。

如图9所示，处理器11执行S1～S4的处理，并且，在S5中计算出第一模型的参数之后，执行S11的处理。在S11的处理中，处理器11大致判定时间序列数据在如何变化。在此，处理器11使用表示0以下的值的第一阈值和表示0以上的值的第二阈值，如果斜率a为第一阈值以上且为第二阈值以下，则判断为时间序列数据为稳定状态，不进行预测函数的生成及预测就结束本处理流程，由此能够省略不必要的计算。

具体地说，处理器11判定所计算出的参数中的斜率a是否为第一阈值以上且为第二阈值以下(S11)。例如，在第一阈值为0以下的值的情况下，在斜率a为小于第一阈值即斜率a取负值时，用式(1)表示的线性模型的曲线随着时间的经过而向右下降。在该情况下，时间序列数据随着时间的经过而减小。例如，在第二阈值为0以上的值的情况下，在斜率a超过第二阈值即斜率a取正值时，用式(1)表示的线性模型的曲线随着时间的经过而向右上升。在该情况下，时间序列数据随着时间的经过而增加。

在斜率a为第一阈值以上且为第二阈值以下的情况下(在S11中为“是”)、即如果用式(1)表示的线性模型的曲线为稳定状态，则处理器11结束本处理。

另一方面，在斜率a小于第一阈值或超过第二阈值的情况下(在S11中为“否”)，处理器11通过执行S6～S8的处理来生成预测模型。

接着，处理器11在S9中使用预测模型计算出预测值之后，执行S12的处理。在S12以后的处理中，处理器11能够使用计算出的预测值来计算直到时间序列数据达到基准值为止的所需时间(预测达到时间)。对将CO

具体地说，处理器11判定斜率a是否小于第一阈值且预测值是否小于第三阈值，或者判定斜率a是否超过第二阈值且预测值是否超过第四阈值(S12)。即，处理器11判定随着时间的经过而时间序列数据是否减小且预测值是否小于第三阈值，或者判定随着时间的经过而时间序列数据是否增加且预测值是否超过第四阈值。

在不是随着时间的经过而时间序列数据减小且预测值小于第三阈值的情况下(在S12中为“否”)、例如在虽然在换气中CO

另一方面，在随着时间的经过而时间序列数据减小且预测值的一部分小于第三阈值的情况下(在S12中为“是”)、例如在预测为在换气中CO

处理器11计算从预测时间点起至预测达到时刻为止的预测达到时间(S14)，并将包含所计算出的预测达到时间的预测结果输出到显示器15和扬声器16中的至少一方(S10)。例如，处理器11将用于显示基于在S13的处理中计算出的预测达到时刻的图像的信号输出到显示器15。或者，处理器11将用于显示基于在S14的处理中计算出的预测达到时间的图像(例如，图7的图标153的图像)的信号输出到显示器15。并且，在利用图标154将由扬声器16进行的声音通知设定为有效的情况下，处理器11将基于在S13的处理中计算出的预测达到时刻的声音信号或基于在S14的处理中计算出的预测达到时间的声音信号输出到扬声器16。之后，处理器11结束本处理。

此外，处理器11在计算出随着时间的经过而减小的时间序列数据的预测值小于第三阈值时的预测达到时刻的情况下，由于室内空间20内的CO

如上所述，实施方式1所涉及的预测装置1通过使用用式(3)表示的双曲函数将适合于第一预测区间内的预测的用式(1)表示的第一模型与适合于第一预测区间之后的第二预测区间内的预测的用式(2)表示的第二模型进行接合，来生成预测模型，并使用所生成的预测模型来预测时间序列数据的变化。

在此，当参照图3的例子时，预测装置1在仅使用第一模型来预测时间序列数据的变化的情况下，如曲线G1所示那样，对于近的将来的第一预测区间能够预测出与实测值相同的值，但对于远的将来的第二预测区间却难以预测出与实测值相同的值。另外，预测装置1在仅使用第二模型来预测时间序列数据的变化的情况下，如曲线G2所示那样，对于远的将来的第二预测区间能够预测出与实测值相同的值，但对于近的将来的第一预测区间却难以预测出与实测值相同的值。

然而，实施方式1所涉及的预测装置1不限于使用第一模型来预测第一预测区间内的时间序列数据的变化，而是也能够使用第二模型来预测第一预测区间之后的第二预测区间内的时间序列数据的变化，因此能够高精度地预测长时间内的时间序列数据的变化。

并且，预测装置1使用通过将第一模型与第二模型进行接合来生成的预测模型，由此在第一预测区间与第二预测区间之间的预测区间内能够得到反映了第一模型和第二模型这双方的预测结果的预测结果。

预测装置1在将第一模型与第二模型进行接合时，对第一模型和第二模型进行加权。

由此，预测装置1能够通过加权来调整使用第一模型进行预测的期间和使用第二模型进行预测的期间。并且，预测装置1在第一预测区间与第二预测区间之间的预测区间内，能够以通过加权进行调整后的比率来得到反映了第一模型和第二模型这双方的预测结果的预测结果。

预测装置1基于由传感器14获取到的过去的时间序列数据来调整第一模型和第二模型中的至少一个模型的参数。

由此，预测装置1能够使用与时间序列数据的变化相匹配的参数的值进行高精度的预测。

预测装置1在显示器15中显示基于预测结果的图像，或者从扬声器16输出基于预测结果的声音。

由此，预测装置1能够向用户通知基于预测结果的信息(例如，直到需要进行室内空间20的换气为止的剩余时间)。而且，预测装置1能够高精度地预测长时间内的时间序列数据的变化，因此不限于近的将来的第一预测区间，而是也能够使用远的将来的第二预测区间的预测结果来向用户进行通知。因而，用户例如能够在时间上有余力的情况下获知直到需要进行室内空间20的换气为止的剩余时间。

[实施方式2]

参照图10对实施方式2所涉及的预测装置100进行说明。图10是示出实施方式2所涉及的预测装置100的结构的图。下面，对于实施方式2所涉及的预测装置100，仅说明与实施方式1所涉及的预测装置1不同的部分。

如图10所示，对时间序列数据的变化进行预测的预测系统1000具备预测装置100、监测装置200以及通知装置300，其中，该预测装置100具有作为服务器装置的功能。

预测装置100具备介质读取装置13。介质读取装置13接受作为存储介质的可移动盘5，读取可移动盘5中保存的各种程序和数据，或者将存储装置12中保存的各种程序和数据输出到可移动盘5。

例如，介质读取装置13获取可移动盘5中保存的预测程序121和运算用数据122，并将获取到的预测程序121和运算用数据122输出到存储装置12。存储装置12对从介质读取装置13获取到的预测程序121和运算用数据122进行存储。如上所述，在预测装置100中，也可以不使用介质读取装置13，而使用预先存储在存储装置12中的各种程序和数据，或者使用从网络下载的各种程序和数据。

预测装置100还具备通信装置110。通信装置110是输出装置的一例，构成为通过经由网络500的通信而与监测装置200及通知装置300的各装置之间发送接收数据。

监测装置200具备通信装置210、第一传感器214A以及第二传感器214B。

通信装置210构成为通过经由网络500的通信而与预测装置100之间发送接收数据。

第一传感器214A和第二传感器214B的各传感器测定CO

通知装置300具备通信装置310、显示器315以及扬声器316。

通信装置310构成为通过经由网络500的通信而与预测装置100之间发送接收数据。

显示器315显示基于从预测装置100获取到的时间序列数据的变化的预测结果的图像等各种图像。

扬声器316输出基于从预测装置100获取到的时间序列数据的变化的预测结果的声音等各种声音。

在像这样构成的预测系统1000中，监测装置200通过通信装置210将由第一传感器214A和第二传感器214B的各传感器得到的时间序列数据发送到预测装置100。预测装置100通过执行预测程序121，来基于从监测装置200获取到的时间序列数据预测时间序列数据的变化，通过通信装置110将基于预测结果的数据发送到通知装置300。通知装置300基于从预测装置100获取到的预测结果，通过显示器315和扬声器316中的至少一方向用户通知基于预测结果的信息。

如上所述，实施方式2所涉及的预测装置100基于由监测装置200获取到的时间序列数据来预测时间序列数据的变化，并将基于预测结果的数据输出到通知装置300。由此，用户能够在与传感器、显示器以及扬声器不同的场所设置预测装置100，同时获得时间序列数据的变化的预测结果。例如，预测装置100能够在与设置于室内空间20的传感器、显示器以及扬声器不同的场所以云计算的方式存在。

此外，预测系统1000也可以具备多个监测装置200，并使多个监测装置200与预测装置100连接。并且，预测系统1000也可以具备将监测装置200和通知装置300一体化而得到的装置。通过将监测装置200和通知装置300一体化，能够共享通信装置，因此能够实现预测系统1000的小型化及成本降低。

预测系统1000也可以使用例如公司内部LAN(Local Area Network：局域网)等封闭的网络来构成，如果这样，则能够构建仅在公司内实施公司内的环境管理的环境。

[实施方式3]

参照图11对实施方式3所涉及的预测装置进行说明。图11是用于说明实施方式3所涉及的预测装置的处理的时机的图。下面，对于实施方式3所涉及的预测装置，仅说明与实施方式1所涉及的预测装置1不同的部分。

如图11所示，在实施方式3所涉及的预测装置中，处理器11在基于一个时间区间内的时间序列数据来预测出时间序列数据的变化之后，基于下一个时间区间内的时间序列数据来预测时间序列数据的变化。此时，处理器11也可以使一个时间区间内的时间序列数据和下一个时间区间内的时间序列数据中的一部分数据重叠。

例如，当传感器14在从t30至t33为止的时间内获取了时间序列数据时，处理器11在t33以后基于时间序列数据(从t30至t33为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t33以后的时间序列数据的变化。

当传感器14在从t31至t34为止的时间内获取了时间序列数据时，处理器11在t34以后基于时间序列数据(从t31至t34为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t34以后的时间序列数据的变化。

当传感器14在从t32至t35为止的时间内获取了时间序列数据时，处理器11在t35以后基于时间序列数据(从t32至t35为止的时间序列数据)来生成预测模型，并且使用所生成的预测模型来预测t35以后的时间序列数据的变化。

在上述例子中，从t30至t33为止的时间序列数据与从t31至t34为止的时间序列数据及从t32至t35为止的时间序列数据的各自有一部分数据重叠。

这样，实施方式3所涉及的预测装置在预测时间序列数据的变化时，使用包含与在上次的预测中使用的时间序列数据有一部分重叠的数据的时间序列数据，因此能够充分地确保预测时间序列数据的变化所需要的过去的时间序列数据的量，并且能够以更短的周期预测时间序列数据的变化。

此外，获取从t30至t33为止的时间序列数据的传感器、获取从t31至t34为止的时间序列数据的传感器以及获取从t32至t35为止的时间序列数据的传感器的各传感器也可以是互不相同的传感器。

并且，如图11所示，在实施方式3所涉及的预测装置中，控制装置11也可以在生成预测模型之后，执行用于确认所生成的预测模型的精度的处理。而且，处理器11也可以调整与加权有关的参数(α、T

具体地说，处理器11通过使用用下述的式(7)表示的函数(距离函数)确认预测模型的精度，来调整与加权有关的参数(α、T

[式7]

在式(7)中，C

处理器11计算用式(7)表示的函数的和F为最小的参数(α、T

这样，处理器11通过对将第一模型与第二模型进行接合时的与加权有关的参数(α、T

此外，处理器11也可以在使用距离函数将基于预测模型的预测值与实测值进行比较时使用欧几里德距离和曼哈顿距离等公知的距离函数。并且，处理器11也可以使用公知的卡尔曼滤波器将基于预测模型的预测值与实测值进行比较。

[实施方式4]

参照图12对实施方式4所涉及的预测装置进行说明。图12是示出实施方式4所涉及的预测装置预测的时间序列数据的变化的图。下面，对于实施方式4所涉及的预测装置，仅说明与实施方式1所涉及的预测装置1不同的部分。

实施方式4所涉及的预测装置除了选择适合于近的将来的第一预测区间内的预测的第一模型和适合于远的将来的第二预测区间内的预测的第二模型之外，还选择适合于第一预测区间与第二预测区间之间的第三预测区间内的预测的第三模型。第三模型与第一模型及第二模型相比更适合于预测第三预测区间内的变化后数据。预测装置通过将第一模型、第二模型以及第三模型进行接合来生成预测模型。

这样，实施方式4所涉及的预测装置通过使用接合函数将适合于第一预测区间内的预测的第一模型、适合于第一预测区间之后的第二预测区间内的预测的第二模型以及适合于第一预测区间与第二预测区间之间的第三预测区间内的预测的第三模型进行接合，来生成预测模型，并使用所生成的预测模型来预测时间序列数据的变化。由此，预测装置不限于使用第一模型来预测第一预测区间内的时间序列数据的变化，而是也能够使用第二模型或第三模型来预测第一预测区间之后的预测区间内的时间序列数据的变化，因此能够高精度地预测长时间内的时间序列数据的变化。

此外，预测装置1在使用三个以上的模型生成预测模型的情况下，也可以使用下述式子来生成预测模型。

例如，预测装置1使用下述的式(8)将第一模型与第二模型进行接合。

[式8]

并且，预测装置1通过使用下述的式(9)，来对用式(8)生成的模型接合第三模型。

[式9]

预测装置1按照下述的式(10)重复进行N次如使用式(8)和式(9)所说明那样的计算，其中，N相当于模型的数量。

[式10]

当对式(10)进行整理时，得到下述的式(11)。

[式11]

在此，在式(11)中，下述的式(12)～式(14)成立。

[式12]

(T

[式13]

(T

[式14]

s

s

此外，式(11)所包含的函数中的用下述式(15)表示的函数不限于适合于第一预测区间内的预测的第一模型。在按时间序列排列了多个模型的情况下，将与时间最早的预测区间对应的模型应用于用下述式(15)表示的函数即可。

[式15]

此外，在第一模型、第二模型以及第三模型之类的在生成预测模型时所使用的多个模型的各模型中，能够使用能够针对输入(例如时刻)计算出输出(例如CO

一般来说，预测所需的计算量与预测精度处于折衷的关系。即，在生成预测精度在长时间内高的预测模型的情况下，计算量有增大的倾向。对此，如果像实施方式所涉及的预测装置1那样按多个预测区间的每个预测区间选择计算量小但可预测的时间短的多个模型并将它们进行接合来生成一个预测模型，则能够抑制计算量的增大，同时能够高精度地预测长时间内的时间序列数据的变化。

以上，对多个实施方式及变形例进行了说明，但这些多个实施方式及变形例各自的特征能够在不产生矛盾的范围内适当地组合。

应该认为本次公开的实施方式在所有方面均为例示，而非限制性的内容。本公开的范围不是通过上述实施方式的说明来示出，而是通过权利要求书来示出，意图包含与权利要求书同等的含义和范围内的所有变更。

附图标记说明

1、100：预测装置；5：可移动盘；11：处理器；11A：生成部；11B：预测部；12：存储装置；13：介质读取装置；14：传感器；15、315：显示器；16、316：扬声器；17：输出装置；18：存储器；20：室内空间；21：窗户；22：门；110、210、310：通信装置；121：预测程序；122：运算用数据；123：时间序列数据；151、153、154：图标；152：曲线；200：监测装置；214A：第一传感器；214B：第二传感器；300：通知装置；500：网络；1000：预测系统。