多要素データ対応のML学習・推論ツール
多様な時系列データのアプローチをより手軽に
Solid Ai サンプル
特徴
１ 特徴
「Solid Ai学習ツールソフト」は標準（全結合）Neural Networkを利用した予測機能を実現する為のパソコン用ソフトウェアです。
●「Solid Ai学習ツール」ソフトのAI実行環境はパソコン1台です。
PythonなどのAI用プログラムを知らなくても画面設定作業でAI予測を実現できます。
●ユーザの時系列データを予測に必要な過去時刻、未来時刻データに変換するインターフェース変換機能が装備されています。
●予測結果の数値をグラフで表示し、予測値対実測値の比較が直感的に確認できます。
時系列データの予測
２．１ 空調負荷の１時間先予測
１時間前のデータで次の１時間のデータ（冷水流量、冷水熱量）を予測します。
| 学習入力データ（5個） | 1時間前外気温度、 1時間前冷水流量、 1時間前冷水熱量、 予測時外気温度予報値、 予測時曜日コード |
|---|---|
| 学習出力データ（教師データ） | 予測時冷水流量、 予測時冷水熱量 |
| 学習データ量 | 1年分(2016/9/6～2017/9/5)の10分毎の各データ。 |
| 予測データグラフ | 学習期間翌日(2017/9/6)の予測と実測比較グラフ。 冷水流量データ(Z1：赤＝予測値、緑＝実測値)、 冷水熱量データ(Z2：黄＝予測値、青＝実測） |
予測グラフ：
赤=冷水流量予測, 緑=冷水流量実測 黄=冷水熱量予測 青=冷水熱量実測 ※クリックで拡大できます。
２．２ 空調負荷の１日先２日先予測
１週間前から前日までのデータで次の１日先、２日先のデータ（冷水流量）を予測します。
| 学習入力データ（14個） | 6～1日前外気温度（6個）、 6～1日前冷水流量（6個）、 予測日外気温度予報値、 予測時曜日コード |
|---|---|
| 学習出力データ（教師データ） | 予測日とその翌日の冷水流量 |
| 学習データ量 | 1年分(2017/8/2～2018/8/1の10分毎の各データ |
| 予測データグラフ | 学習期間翌日(2018/8/2)と翌々日（2018/8/3）の予測と実測比較グラフ。 翌日冷水流量データ(Z1：赤＝予測値、緑＝実測値)、 翌々日冷水流量データ（Z2：黄=予測値、青＝実測値）。 |
予測グラフ：
赤=翌日冷水流量予測, 緑=翌日冷水流量実測 黄=翌々日冷水流量予測 青=翌々日冷水熱量実測 ※クリックで拡大できます。
２．３ ビルの消費電力量の予測
ビルの消費電量量の１時間先、１日先の予測です。
① 1時間前のデータで次の1時間のデータ消費電力量を予測します。
| 学習入力データ（4個） | 1時間前消費電力量、 2時間前消費電力量、 3時間前消費電力量、 予測時曜日コード |
|---|---|
| 学習出力データ（教師データ） | 予測時消費電力量 |
| 学習データ量 | 約1年分(2018/1/1～2018/12/19)の1時間毎の各データ |
| 予測データグラフ | 学習期間翌日(2018/12/19)の予測と実測比較グラフ。 消費電力量データ(Z1：赤＝予測値、緑＝実測値)。 |
予測グラフ：
消費電力量予測, 緑=消費電力量実測 ※クリックで拡大できます。
② 1日前のデータで次の日の消費電力量を予測します。
| 学習入力データ（8個） | 1～7日前消費電力量、 予測日曜日コード |
|---|---|
| 学習出力データ（教師データ） | 予測時消費電力量 |
| 学習データ量 | 約1年分(2018/1/1～2018/12/19)の1時間毎の各データ |
| 予測データグラフ | 学習期間翌日(2018/12/20)の予測と実測比較グラフ。 消費電力量データ(Z1：赤＝予測値、緑=実測値) |
予測グラフ：
赤=消費電力量予測, 緑=消費電力量実測 ※クリックで拡大できます。
1日前予測（7日分）
2019/12/16～2019/12/22
1日前予測 ※クリックで拡大できます。
２．４ 製品売り上げ予測
売り上げ予測に基づいた製造計画、仕入れ計画を立てるための予測を行います。
インターネット上にトヨタプリウスの月毎販売台数実績（2006年～2019年）が公開されていたので、
そのデータを元に翌月の売上台数予測を実行しました。
| 学習入力データ（15種類） | 12か月前～1ヵ月前の売上台数（12個） 月（1～12の数字） 前年のGDP値 3ヶ月前のガソリン価格 |
|---|---|
| 学習出力データ（教師データ） | プリウスの販売台数 |
| 学習データ量 | 1４年分(200６/1～2019/12)の１月毎の販売台数データ |
| 予測データグラフ | 2019/4～201９/12の予測と実測比較グラフ。 売上販売データ(Z1：赤＝予測値、緑＝実測値)。 |
学習データは2006年1月から2019年11月の販売台数です。
予測データは2019年12月の売上台数（予測値=7376台、実際の値=7566台）です。
下図の画面は2019年4月から2019年12月の予測値と実測値を表示したものです。
予測と実測グラフ ※クリックで拡大できます。
2007年からの13年分の実販売台数と翌月の予測販売台数データをまとめてグラフ化すると下図になります。
プリウス販売台数翌月予測グラフ（四半期周期） ※クリックで拡大できます。
波形分析データによる判定
３ 波形分析データによる判定
３．１ 血糖値データによる診断
12時間食事をしていない12人に100mgグルコースを注射、その後10分毎に25回グルコースの値を測定したデータです。
血糖値要注意度をグルコースの値と制御周期を基準に0-100%に独自判定。
Solid AI判定とほぼ一致。赤:予測値 緑：実際のデータ。
| 学習入力データ | 10分毎のグルコース値(mg/dl)を25個の入力にする。 |
|---|---|
| 学習出力データ（教師データ） | 独自基準の血糖値要注意度、数値の値0-100% |
| 学習データ量 | 12人のデータ（Dataid=1～12）。 |
| 予測データ | 学習データに利用したdataID=5から5人分の予測値、実測比較グラフ。 |
予測グラフ ※クリックで拡大できます。
パターン認識
４ パターン認識
４．１ ５x７ドットマトリックス数字の認識
５x７ドットマトリックスの数字認識を試してみました。Soli AI結果とほぼ一致。赤:予測値 緑：実際のデータ。
| 学習入力データ | 5x7ドットマトリクス数字を35個の入力に展開。 onドットを1、offドットを0の数値に変換。 |
|---|---|
| 学習出力データ（教師データ） | 数値の値0～9 |
| 学習データ量 | 0～9のドットリスクの10データおよび1ドット欠けたデータを適当に作成。 200データ準備し100データ分を学習に利用。 |
| 予測データ | 101個目から連続した10個の数値データを棒グラフ表示 |
予測グラフ ※クリックで拡大できます。
関連商品
