デジタルトランスフォーメーションを
サポートする
日本コンピューターテクノス

Solid Ai サンプル集

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。

空調負荷の1時間先予測イメージ


  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。

空調負荷の1日先2日先予測イメージ


  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。

①ビルの消費電力量の予測イメージ


      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。

②ビルの消費電力量の予測イメージ


      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。

②1日前予測イメージ


  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。

       


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。

波形分析データによる判定イメージ


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。

パターン認識イメージ

関連商品

Solid Ai

Ecokit LX

EMREPORT NEO