模型评价装置、过滤生成装置、模型评价方法、过滤生成方法以及存储介质与流程

模型评价装置、过滤生成装置、模型评价方法、过滤生成方法以及存储介质
1.本技术基于2022年3月31日申请的日本专利申请第2022-060531号而主张优先权，在此援引其内容。
技术领域
2.本发明涉及模型评价装置、过滤生成装置、模型评价方法、过滤生成方法以及存储介质。


背景技术：

3.近年来，为了能够确保更多的人实惠地获得可靠、可持续且先进的能源，正在进行与有助于提高能源效率的二次电池相关的研究开发(例如参照国际公开第2020/149073号)。


技术实现要素：

4.然而，在与二次电池相关的技术中，例如，作为基于锂离子电池的使用方式的数据来预测电池容量的劣化推移的技术，提出了各种机器学习模型。但是机器学习模型是复杂的数理模型，因此，虽然能够构筑高精度的数理模型，但由于是复杂的，因此容易产生过度学习。因此，机器学习模型的预测有时针对未学习的未知数据的精度低。其结果是，针对机器学习模型的预测精度的可靠性有时会变低。
5.这样的情况不限于对锂离子电池的电池容量的劣化进行预测的机器学习模型，是在对解析对象的劣化进行预测的数理模型中共同的情况。
6.本技术的目的在于，实现提供抑制对解析对象的劣化进行预测的数理模型的可靠性的下降的技术。而且，进而有助于提高能源效率。
7.本发明的模型评价装置、过滤生成装置、模型评价方法、过滤生成方法以及存储介质采用了以下的结构。
8.(1)：本发明的一方案的模型评价装置具备：取得部，其取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及评价部，其使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。
9.(2)：在上述(1)的方案的基础上，所述生成用数据是多维时间序列数据，该多维时间序列数据示出表示与所述解析对象的劣化相关的状态的多种变量各自的时间变化。
10.(3)：在上述(2)的方案的基础上，所述第一处理是将所述多维时间序列数据转换成一维数据的数据转换处理。
11.(4)：在上述(3)的方案的基础上，所述数据转换处理包括以下处理：取得累计时间张量的处理，该累计时间张量是从一个或多个所述多维时间序列数据得到的张量，并且该累计时间张量是针对按照每个所述变量而预先决定的分类以及使期间的开始相同的预先决定的多个累计对象期间的各组，按照每个所述多维时间序列数据而示出存在各所述多维时间序列数据的累计时间的张量；变量概率值转换处理，在该变量概率值转换处理中，按照各所述多维时间序列数据、各所述期间以及各种类的劣化关联变量的每个组，对所述累计时间张量的各要素进行转换，使得各所述分类的累计时间之和为1；基于通过执行所述变量概率值转换处理而转换后的累计时间张量即变量概率值张量，得到第一上位值向量，该第一上位值向量是将所述变量概率值张量的全部要素中的满足以下条件的要素作为要素的一维向量，所述条件是所属的所述变量的种类和所述分类相同的要素中的从大到小开始数的第p个值这样的条件，其中，p是1以上的预先决定的规定的整数；以及基于所述累计时间张量而得到第二上位值向量，该第二上位值向量是将所述累计时间张量的全部要素中的、在满足期间条件的期间内满足以下条件的要素作为要素的一维向量，所述条件是所属的变量种类和分类相同的要素中的从大到小开始数的第r个值这样的条件，所述期间条件是累计时间张量所表示的期间中的从长到短的第q个以内这样的条件，其中，q是1以上的预先决定的规定的整数，r是1以上的预先决定的规定的整数，r可以与p相同，也可以与p不同，所述第一副过滤信息包括所述第一上位值向量和所述第二上位值向量。
12.(5)：在上述(4)的方案的基础上，在所述学习中，除了使用所述生成用数据之外，还使用虚拟数据，所述虚拟数据是满足第一副虚拟数据条件、第二副虚拟数据条件以及第三副虚拟数据条件的多维时间序列数据，该第一副虚拟数据条件为，其中规定值是所述变量的每个所述分类的值，并且，每个所述分类的所述变量的值的平均值和分布宽度是被预先决定的规定值，该第二副虚拟数据条件为，针对互不相同的所述种类的所述变量而示出所述变量的值的平均值的每个组的交替作用的大小的值是按照所述平均值的每个组而预先决定的规定值，该第三副虚拟数据条件为，所述变量的各所述分类的累计时间是按照每个所述变量和每个分类而预先决定的规定的累计时间。
13.(6)：在上述(1)至(5)中任一方案的基础上，在所述学习中，对所述第一副过滤信息和所述第二副过滤信息进行更新，使得提高数据包含率，所述数据包含率是针对通过实际测量得到的数据的所述数理模型的推断结果的可靠度为规定的可靠度以上的概率。
14.(7)：在上述(1)至(6)中任一方案的基础上，在所述学习中，对所述第一副过滤信息和所述第二副过滤信息进行更新，使得减小所述数理模型的推断结果与所述解析对象的劣化具有的物理或化学的特性之间的差异。
15.(8)：在上述(1)至(7)中任一方案的基础上，所述生成用数据是多维时间序列数据，该多维时间序列数据示出表示与所述解析对象的劣化相关的状态的多种变量各自的时间变化，所述第一处理是将所述多维时间序列数据转换成一维数据的数据转换处理，所述数据转换处理包括以下处理：取得累计时间张量的处理，该累计时间张量是从一个或多个所述多维时间序列数据得到的张量，并且该累计时间张量是针对按照每个所述变量而预先决定的分类以及使期间的开始相同的预先决定的多个累计对象期间的各组，按照每个所述多维时间序列数据而示出存在各所述多维时间序列数据的累计时间的张量；以及变量概率值转换处理，在该变量概率值转换处理中，按照各所述多维时间序列数据、各所述期间以及
各种类的劣化关联变量的每个组，对所述累计时间张量的各要素进行转换，使得各所述分类的累计时间之和为1，在所述学习中，执行初始数据排除处理，在该初始数据排除处理中，针对变量概率值张量，排除属于将时间序列的开始设为期间的开始的期间的样本，该变量概率值张量是从所述生成用数据得到的张量，并且是通过执行所述变量概率值转换处理而转换后的累计时间张量。
16.(9)：本发明的其他方案的过滤生成装置具备学习部，该学习部通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。
17.(10)：本发明的其他方案的模型评价方法是由计算机执行的模型评价方法，其中，所述模型评价方法具有：取得步骤，在该取得步骤中，取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及评价步骤，在该评价步骤中，使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。
18.(11)：本发明的其他方案的过滤生成方法是由计算机执行的过滤生成方法，其中，所述过滤生成方法具有学习步骤，在该学习步骤中，通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。
19.(12)：本发明的其他方案的存储介质是一种计算机可读取的非暂时性的存储介质，其中，所述存储介质存储有使计算机执行以下处理的程序：取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。
20.(13)：本发明的其他方案的存储介质是一种计算机可读取的非暂时性的存储介质，其中，所述存储介质存储有使计算机执行以下处理的程序：通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。
21.根据上述(1)～(13)的方案，能够抑制对解析对象的劣化进行预测的数理模型的可靠性的下降。
附图说明
22.图1是对实施方式的模型评价系统的概要进行说明的说明图。
23.图2是示出表示实施方式中的电池的使用历史的数据的一例的图。
24.图3是对实施方式中的数据转换处理进行说明的第一说明图。
25.图4是对实施方式中的数据转换处理进行说明的第二说明图。
26.图5是对实施方式中的数据转换处理进行说明的第三说明图。
27.图6是对实施方式中的数据转换处理进行说明的第四说明图。
28.图7是对实施方式中的数据转换处理进行说明的第五说明图。
29.图8是对实施方式中的数据转换处理进行说明的第六说明图。
30.图9是示出实施方式中的模型评价装置的硬件结构的一例的图。
31.图10是示出实施方式中的生成装置的硬件结构的一例的图。
32.图11是示出实施方式中的模型评价装置所执行的处理流程的一例的流程图。
33.图12是示出实施方式中的生成装置所执行的处理流程的一例的流程图。
34.图13是示出变形例中的第一副虚拟数据条件所示的平均值的分布的多个例子的图。
35.图14是示出变形例中的第二副虚拟数据条件所表示的交替作用的大小的一例的图。
36.图15是示出变形例中的第三副虚拟数据条件所表示的累计时间的一例的图。
37.图16是示出变形例中的劣化预测模型的预测结果、并且是与解析对象的劣化实际具有的物理或化学特性不同的结果的一例的图。
38.图17是对变形例中的行为量取得处理的一例进行说明的说明图。
具体实施方式
39.(实施方式)
40.图1是对实施方式的模型评价系统100的概要进行说明的说明图。模型评价系统100具备模型评价装置1和生成装置2。
41.模型评价装置1对预测解析对象的劣化的数理模型(以下称为“劣化预测模型”。)的预测精度进行评价。劣化预测模型可以是通过任何的方法得到的数理模型，例如是通过机器学习得到的已学习的数理模型。
42.更具体而言，模型评价装置1对向劣化预测模型输入的预定的数据(以下称为“输入预定数据”。)实际上被输入到劣化预测模型的情况下的劣化预测模型的预测精度进行评价。以下，将对输入预定数据实际上被输入到劣化预测模型的情况下的劣化预测模型的预测精度进行评价的处理称为预测精度评价处理。
43.更具体而言，预测精度评价处理是按照每个输入预定数据来判定是否为输入到劣化预测模型的情况下的劣化预测模型的预测精度为规定的精度以上的输入预定数据的处理。以下，将按照每个输入预定数据来判定是否为输入到劣化预测模型的情况下的劣化预测模型的预测精度为规定的精度以上的输入预定数据的处理称为过滤处理。
44.以下，将输入到劣化预测模型的情况下的劣化预测模型的预测精度为规定的精度以上的输入预定数据称为保证范围内数据。以下，将输入到劣化预测模型的情况下的劣化
预测模型的预测精度小于规定的精度的输入预定数据称为保证范围外数据。如果使用保证范围内数据的语言来定义过滤处理，则过滤处理是判定输入预定数据是否为保证范围内数据的处理。
45.过滤处理是通过以下方式得到的处理：基于使用了劣化预测模型的预测结果，进行内容的更新使得提高判定输入预定数据是否为保证范围内数据的判定的精度，直至满足规定的结束条件。即，过滤处理是通过执行过滤更新处理直至满足规定的结束条件(以下称为“学习结束条件”。)而得到的处理。过滤更新处理是对过滤处理的内容进行更新使得提高判定输入预定数据是否为保证范围内数据的判定的精度的处理。
46.更具体而言，过滤更新处理是通过学习对第一副过滤信息和第二副过滤信息进行更新的处理。第一副过滤信息是基于生成用数据并按照第一规则而生成的数据。生成用数据是用于生成劣化预测模型的数据。第二副过滤信息是示出第二规则的信息。第二规则是数理模型的预测结果的可靠度的推断的规则，并且是使用了第一副过滤信息的推断的规则。第一规则和第二副过滤信息的内容(即第二规则)通过学习被更新。第一副过滤信息是与生成用数据的内容相应的信息，并且是与第一规则的更新相应地被更新的信息。
47.如果使用第二副过滤的语言进行说明，则过滤处理是指针对输入预定数据进行按照第二副过滤信息的判定的处理。过滤更新处理中的过滤处理的更新是为了提高判定输入预定数据是否为保证范围内数据的判定的精度而进行的。
48.生成装置2执行过滤更新处理。更加具体地对过滤更新处理中的过滤处理的内容的更新的规则进行说明。为了基于针对使用第一副过滤信息和第二副过滤信息得到的生成用数据执行了劣化预测模型而得到的结果来提高判定输入预定数据是否为保证范围内数据的判定的精度，进行过滤处理的内容的更新。以下，对生成用数据、第一规则、第一副过滤信息以及第二副过滤信息的具体例进行说明。
49.＜＜第一规则、第一副过滤信息、第二副过滤信息以及生成用数据的具体例＞＞
50.生成用数据例如是表示解析对象的使用历史的数据。表示解析对象的使用历史的数据例如是表示多种劣化关联变量各自的时间变化的多维的时间序列数据(以下称为“多维时间序列数据”。)。劣化关联变量是表示与解析对象的劣化相关的状态的变量。
51.解析对象例如是设置于车辆的蓄电池等电池。设置于车辆的蓄电池例如是锂离子电池。在解析对象是电池的情况下，多维时间序列数据例如是表示电池的使用历史的数据。在解析对象是电池的情况下，劣化关联变量例如是soc(state of charge)、温度、充电电流、放电电流。因此，在解析对象是电池的情况下，多维时间序列数据所表示的多种劣化关联变量例如是sco、温度、充电电流以及放电电流。
52.需要说明的是，劣化预测模型的学习所使用的多个多维时间序列数据彼此的差异是取得了各多维时间序列数据时的取得的状况的差异。取得的状况的差异例如是使用了解析对象的用户的差异。因此，在解析对象是设置于车辆的蓄电池的情况下，取得的状况的差异例如是车辆用户的差异。即，多维时间序列数据的差异例如是车辆用户的差异。
53.以下，为了使说明简单，以解析对象是电池的情况为例进行说明。另外，以下，为了使说明简单，以多维时间序列数据表示sco、温度、充电电流以及放电电流的时间变化的情况为例进行说明。此外，以下为了使说明简单，以多维时间序列数据的差异是车辆用户的差异的情况为例进行说明。
54.图2是示出表示实施方式中的电池的使用历史的数据的一例的图。图2的例子中的表示电池的使用历史的数据d101是表示soc、温度、充电电流以及放电电流的时间序列变化的数据。数据d101的横轴表示时间，单位为周。
55.如上所述，劣化预测模型例如是通过机器学习而得到的，但在机器学习中，针对学习数据的范围外的数据的预测精度有时发生劣化。另外，即便不是通过机器学习而得到的数理模型，通常，数理模型也是针对与用于生成模型的数据之间的差异小的数据的推断精度高，但针对与用于生成模型的数据之间的差异大的数据的推断精度低。需要说明的是，在本说明书中数理模型的生成这样的语言也包括数理模型的更新。
56.这意味着，生成用数据的范围的信息会影响到针对数理模型的预测的可靠度的评价。实际上，定义该生成用数据的范围的信息是第二副过滤信息，生成用数据的范围的信息越合适，则针对数理模型的预测的可靠度的评价越合适。
57.但是，在生成用数据如多维时间序列数据那样是多维数据的情况下，通常，多维解析较难，因此，难以判定生成用数据的范围。因此，如果具有一边抑制信息的损耗一边从多维数据向一维数据转换的技术，则能够适当地进行针对数理模型的预测的可靠度的评价。
58.在模型评价装置1中，使用这样的一边抑制信息的损耗一边从多维数据向一维数据转换的技术而得到的第二副过滤信息用于评价劣化预测模型的可靠度。即，在取得第二副过滤信息时，例如使用图2那样的将多维数据转换成一维数据的技术。
59.于是，在以防万一对生成用数据的范围的意义进行说明之后，来说明一边抑制信息的损耗一边从多维数据向一维数据转换的技术的一例。为了使说明简单，以下，将使多维时间序列数据转换成一维数据的处理称为数据转换处理。数据转换处理是按照第一规则的处理的一例。
60.＜关于生成用数据的范围的含义＞
61.以防万一，对生成用数据的范围的定义进行说明。数理模型是在数学上将输入的数据设为说明变量并将输出的数据设为目的变量的映射。而且，数理模型能够针对说明变量的定义范围内的数据输出某些数据。所输出的目的变量的值是数理模型的预测结果。
62.但是，越是存在于定义范围内的数据的集合并且是在生成数理模型时使用的数据的密度浓的集合中的数据，则预测精度越高，在其他的集合中，预测精度低。以下，将定义范围内的数据的集合并且是在生成数理模型时使用的数据的密度为规定的密度以上的集合称为高精度集合。另外，以下，将定义范围内的数据的集合并且是在生成数理模型时使用的数据的密度小于规定的密度的集合称为低精度集合。即，低精度集合是高精度集合的补充集合。
63.生成用数据的范围是指该高精度集合。因此，换言之，第二副过滤信息是定义高精度集合的条件。因此，过滤更新处理也可以说是对定义高精度集合的条件进行更新的处理。下面进行数据转换处理的说明。
64.＜数据转换处理＞
65.图3是对实施方式中的数据转换处理进行说明的第一说明图。更具体而言，图3是说明在数据转换处理中执行的处理的一个具体例的说明图。在图3的例子中，在数据转换处理中，以soc、温度、充电电流以及放电电流的各值对soc、温度、充电电流以及放电电流的各时间序列的样本进行分类。在图3的例子中，预先针对soc的值定义了soc1～soc10这10个范
围，在数据转换处理中，判定soc的时间序列的各样本属于soc1～soc10中的哪一个。
66.在图3的例子中，预先针对温度的值定义了温度1～温度10这10个范围，在数据转换处理中，判定温度的时间序列的各样本属于温度1～温度10中的哪一个。在图3的例子中，预先针对充电电流的值定义了电流1～电流3这3个范围，在数据转换处理中，判定充电电流的时间序列的各样本属于电流1～电流3中的哪一个。
67.在图3的例子中，预先针对放电电流的值定义了电流1～电流3这3个范围，在数据转换处理中，判定放电电流的时间序列的各样本属于电流1～电流3中的哪一个。
68.在数据转换处理中，像这样判定多维时间序列数据所表示的多种劣化关联变量的各时间序列的样本属于每个劣化关联变量的预先决定的分类中的哪一个。以下，将针对多维时间序列数据所包含的各时间序列的各样本而判定属于每个劣化关联变量的预先决定的分类中的哪一个的处理称为分类判定处理。
69.在数据转换处理中，执行累计时间张量(tensor)生成处理。累计时间张量生成处理是以下的处理：基于分类判定处理的判定的结果，针对各多维时间序列数据，取得使期间的开始相同的预先决定的多个期间(以下称为“累计对象期间”。)的每个期间的各分类的累计时间。因此，累计时间张量生成处理是取得累计时间张量的处理。
70.示出累计时间张量的定义。累计时间张量是从一个或多个多维时间序列数据中得到的张量。累计时间张量是针对按照每个累计时间劣化关联变量而预先决定的分类以及使期间的开始相同的预先决定的多个累计对象期间的各组、按照每个多维时间序列数据而示出存在各多维时间序列数据的累计时间的张量。如上所述，多个多维时间序列数据彼此的差异是取得了各多维时间序列数据时的取得的状况的差异，因此，一个或多个多维时间序列数据中的例如用户分别不同。
71.在图3的例子中，累计时间张量是数据d102。在数据d102中，针对从用户1到用户xx的各用户，示出从两周到(2
×
n)周(n为1以上的整数。)的各期间内的每个soc1～soc10的累计时间。从两周到(2
×
n)周的各期间的开始相同。
72.因此，在两周例如是指将2022年1月1日设为期间的开始的两周的情况下，(2
×
n)周是指将2022年1月1日设为期间的开始的(2
×
n)周。在数据d102中，针对从用户1到用户xx的各用户，示出(2
×
n)个的各期间内的每个温度1～温度10的累计时间。图3的例子中的从两周到(2
×
n)周(n为1以上的整数。)的各期间分别是累计对象期间的一例。
73.在数据d102中，针对从用户1到用户xx的各用户，示出两周～(2
×
n)周的各累计对象期间内的充电电流的每个电流1～电流3的累计时间。在数据d102中，针对从用户1到用户xx的各用户，示出两周～(2
×
n)周的各累计对象期间内的放电电流的每个电流1～电流3的累计时间。
74.因此，d102是(10+10+3+3)
×n×
xx的张量。
75.在数据转换处理中，接着针对所得到的累计时间张量而执行变量概率值转换处理。变量概率值转换处理是按照各多维时间序列数据、各期间以及各种类的劣化关联变量的每个组对累计时间张量的各要素进行转换使得各分类的累计时间之和为1的处理。以下，将通过变量概率值转换处理的执行而转换后的累计时间张量称为变量概率值张量。变量概率值张量是将时间轴的量作为累计时间的时间序列。
76.图4是对实施方式中的数据转换处理进行说明的第二说明图。更具体而言，图4是
对实施方式中的变量概率值转换处理进行说明的说明图。图4的例子中的数据d103是针对数据d102执行变量概率值转换处理而得到的结果的一例。即，数据d103是变量概率值张量的一例。
77.d131是变量概率值张量的各要素中的、属于相同的多维时间序列数据、相同的期间以及相同的种类的劣化关联变量的要素的集合。d132是变量概率值张量的各要素中的、属于相同的多维时间序列数据、相同的期间以及相同的种类的劣化关联变量的要素的集合。d133是变量概率值张量的各要素中的、属于相同的多维时间序列数据、相同的期间以及相同的种类的劣化关联变量的要素的集合。
78.因此，变量概率值转换处理的结果是，属于d131的要素的值的和是1，属于d132的要素的值的和是1，属于d133的要素的值的和是1。
79.在数据转换处理中，接着，执行第一上位值向量生成处理。第一上位值向量生成处理是生成第一上位值向量的处理。第一上位值向量是将变量概率值张量的全部要素中的满足第一上位条件的要素作为要素的一维向量。第一上位条件是所属的变量种类和分类相同的要素中的从大到小开始数的第p个值(p为1以上的预先决定的规定的整数。)这样的条件。因此，在p为1的情况下，第一上位值向量是将变量概率值张量的全部要素中的各变量种类和各分类的最大值作为要素的一维向量。需要说明的是，变量种类是指劣化关联变量的种类。
80.需要说明的是，所属的变量种类和分类相同的要素中的从大到小开始数的第p个值这样的条件是，将全部的多维时间序列数据作为对象的、所属的变量种类和分类相同的要素中的从大到小开始数的第p个值这样的条件。而不是按照每个多维时间序列数据的、所属的变量种类和分类相同的要素中的从大到小开始数的第p个值这样的条件。
81.需要说明的是，属于相同的变量种类的值是指均属于相同的劣化关联变量的定义范围内的值。
82.图5是对实施方式中的数据转换处理进行说明的第三说明图。更具体而言，图5是对实施方式中的第一上位值向量生成处理进行说明的说明图。图5的例子中的数据d104是针对数据d103执行第一上位值向量生成处理而得到的结果的一例。即，数据d104是第一上位值向量的一例。如图5所示，第一上位值向量是一维向量。
83.图6是对实施方式中的数据转换处理进行说明的第四说明图。更具体而言，图6是示出实施方式中的第一上位值向量的一例的图。进一步具体而言，图6是以柱状图表现出第一上位值向量的各要素的值的图。在图6的例子中，数据d105所包含的soc的柱状图的数据d151的各柱的值和温度的柱状图的数据d152的各柱的值分别是第一上位值向量的要素的值的一例。
84.通过这种方式，将多维向量转换成一维向量。而且，通过这种方式得到的第一上位值向量是第一副过滤信息所包含的信息的一例。另外，在图3～图5中说明的各信息处理是按照第一规则所包含的规则而执行的处理的一例。即，第一规则所包含的规则的一例是决定在图3～图5中说明的各信息处理的内容的规则。
85.在第一规则的更新中，例如，对值p进行更新。在第一规则的更新中，例如也可以对累计对象期间的定义进行更新。
86.(关于第一上位值向量具有的信息)
87.这里，对第一上位值向量具有的信息进行说明。第一上位值向量是通过针对多维时间序列数据的数据转换处理而得到的数据。如上所述，在数据转换处理中，首先，执行累计时间张量生成处理。在累计时间张量生成处理中，如上所述，关于各变量种类的劣化关联变量，按照每个分类而得到累计时间，因此，除了时间分辨率的劣化之外，信息没有丢失。
88.在数据转换处理中，接着执行变量概率值转换处理。这相当于将属于相同变量种类的要素的值设为概率值。概率是指表示与整体的关系的劣化关联变量，因此，通过变量概率值转换处理，将一个要素的值转换成还包含其他分类的信息在内的信息。
89.在数据转换处理中，接着，执行第一上位值向量生成处理而生成第一上位值向量。第一上位值向量将概率值作为要素，因此，是还包含属于相同变量种类的其他分类的信息在内的一维信息。因此，第一上位值向量可以说是包含分类间的相对的信息在内的信息。
90.(关于第二转换处理)
91.目前为止记载的将一个或多个多维时间序列数据转换成第一上位值向量的处理是数据转换处理所包含的处理之一。以下，将这样的将一个或多个多维时间序列数据转换成第一上位值向量的处理称为第一转换处理。第一转换处理是按照第一规则所包含的规则而执行的处理的一例。
92.数据转换处理不仅包括第一转换处理，还包括将一个或多个多维时间序列数据转换成一维数据的其他处理。以下，将使一个或多个多维时间序列数据转换成一维数据的其他处理定义为第二转换处理，对第二转换处理进行说明。
93.第二转换处理执行取得累计时间张量的处理(以下称为“累计时间张量取得处理”。)。累计时间张量取得处理只要是取得累计时间张量的处理即可，也可以是任何的处理。因此，在累计时间张量取得处理中，在已经生成了累计时间张量的情况下，执行取得已生成的累计时间张量的处理。在未生成累计时间张量的情况下，在累计时间张量取得处理中，执行分类判定处理和累计时间张量生成处理，执行生成累计时间张量的处理。
94.在第二转换处理中，接着，执行基于累计时间张量而生成第二上位值向量的处理(以下称为“第二上位值向量生成处理”。)。第二上位值向量是将累计时间张量的全部要素中的、满足期间条件的期间内的满足第二上位条件的要素作为要素的一维向量。期间条件是，累计时间张量所表示的期间中的从长到短的第q个(q为1以上的预先决定的规定的整数。)以内这样的条件。因此例如在q为1的情况下，满足期间条件的期间是最长的期间。
95.第二上位条件是，所属的变量种类和分类相同的要素中的从大到小开始数的第r个值(r是1以上的预先决定的规定的整数。r可以与p相同，也可以与p不同)这样的条件。因此例如在r为1的情况下，第二上位值向量是将累计时间张量的全部要素中的满足期间条件的期间内的要素并且是各变量种类和各分类的最大值作为要素的一维向量。
96.需要说明的是，所属的变量种类和分类相同的要素中的从大到小开始数的第r个值这样的条件是，将全部多维时间序列数据作为对象的、所属的变量种类和分类相同的要素中的从大到小开始数的第r个值这样的条件。而不是按照每个多维时间序列数据的、所属的变量种类和分类相同的要素中的从大到小开始数的第r个值这样的条件。
97.图7是对实施方式中的数据转换处理进行说明的第五说明图。更具体而言图7是对第二上位值向量生成处理的一例进行说明的说明图。进一步具体而言，图7是对基于累计时间张量而取得第二上位值向量的处理的一例进行说明的说明图，该处理是第二上位值向量
生成处理中的通过累计时间张量取得处理而取得累计时间张量后的处理。另外，图7是对q和r的值均为1的情况下的第二上位值向量生成处理的一例进行说明的说明图。
98.图7中的数据d102是与图4同样的累计时间张量。图7中的数据d106是第二上位值向量的一例。数据d106是针对数据d103执行第二上位值向量生成处理而得到的结果的一例。图7示出第二上位值向量是将各累计时间张量所表示的最长的累计对象期间内的各变量种类和各分类的最大值作为要素的向量。
99.图8是对实施方式中的数据转换处理进行说明的第六说明图。更具体而言，图8是示出实施方式中的第二上位值向量的一例的图。进一步具体而言，图8是以柱状图表现出第二上位值向量的各要素的值的图。在图8的例子中，数据d107所包含的soc的柱状图的数据d171的各柱的值和温度的柱状图的数据d172的各柱的值分别是第二上位值向量的要素的值的一例。
100.通过这种方式，将多维向量转换成一维向量。而且，通过这种方式得到的第二上位值向量是第一副过滤信息所包含的信息的一例。另外，在图7中说明的信息处理(即，第二上位值向量生成处理)是按照第一规则所包含的规则而执行的处理的一例。即，第一规则所包含的规则的一例是决定第二上位值向量生成处理的内容的规则。因此，第二转换处理也是按照第一规则所包含的规则而执行的处理的一例。
101.在第一规则的更新中，例如，对值q或r进行更新。
102.(关于第二上位值向量具有的信息)
103.这里，对第二上位值向量具有的信息进行说明。根据目前为止的说明，第二上位值向量可以说是涵盖属于相同变量种类的各分类单体的范围的信息。另外，第二上位值向量与第一上位值向量不同，不是概率值，因此，不是还包含属于相同变量种类的其他分类的信息在内的一维信息。即与第一上位值向量相比不是相对程度强的信息，而是绝对程度强的信息。
104.这样，包含第一上位值向量和第二上位值向量在内的信息可以说是将数据转换处理前的多维数据的集合具有的信息分离为绝对信息和相对信息而包含的信息。因此，这样的数据转换处理是与例如通过卷积积分将多维数据转换成一维数据的情况相比在抑制信息的劣化的同时将多维数据转换成一维数据的处理。这是因为，在卷积积分中并没有将第一上位值向量与第二上位值向量分离，是否包含相对信息和绝对信息这样的信息、如何包含相对信息和绝对信息的信息丢失。
105.＜关于第二副过滤信息的一例＞
106.对第二副过滤信息的一例进行叙述。将第一上位值向量和第二上位值向量所表示的值设为最大值的值的范围是生成用数据的范围的一例。如上所述，定义生成用数据的范围的信息是第二副过滤信息。因此，表示是将第一上位值向量和第二上位值向量所表示的值设为最大值的值的范围的信息是第二副过滤信息的一例。因此，第二副过滤信息的内容例如是如果更新了第一上位值向量和第二上位值向量则变更表示生成用数据的范围的具体值的信息。
107.图9是示出实施方式中的模型评价装置1的硬件结构的一例的图。模型评价装置1具备通过总线而连接的cpu(central processing unit)等处理器91和存储器92，并执行程序。模型评价装置1通过程序的执行而作为具备控制部11、通信部12、输入部13、存储部14及
输出部15的装置发挥功能。
108.更具体而言，在模型评价装置1中，处理器91读出存储部14所存储的程序，并将读出的程序存储于存储器92。通过处理器91执行存储器92所存储的程序，从而模型评价装置1作为具备控制部11、通信部12、输入部13、存储部14及输出部15的装置发挥功能。
109.控制部11对模型评价装置1具备的各种功能部的动作进行控制。控制部11例如对通信部12、输入部13、存储部14及输出部15各自的动作进行控制。控制部11例如执行预测精度评价处理。控制部11例如执行过滤处理。控制部11例如经由通信部12或输入部13而取得由生成装置2得到的第二副过滤信息。
110.通信部12构成为包含用于将模型评价装置1与外部装置连接的通信接口。通信部12经由有线或无线而与外部装置进行通信。外部装置例如是生成装置2。通信部12通过与生成装置2之间的通信而取得由生成装置2得到的第二副过滤信息。外部装置例如是输入预定数据的发送源的装置。通信部12通过与输入预定数据的发送源的装置之间的通信而取得输入预定数据。
111.输入部13构成为包含鼠标、键盘、触摸面板等输入装置。输入部13也可以构成为将这些输入装置与模型评价装置1连接的接口。输入部13受理针对模型评价装置1的各种信息的输入。向输入部13例如输入由生成装置2得到的第二副过滤信息。也可以向输入部13例如输入输入预定数据。也可以向输入部13例如输入用户的指示。
112.使用磁硬盘装置或半导体存储装置等计算机可读取的存储介质装置而构成存储部14。存储部14存储与模型评价装置1相关的各种信息。存储部14例如存储经由通信部12或输入部13输入的信息。存储部14例如存储通过控制部11执行处理而产生的各种信息。
113.输出部15输出各种信息。输出部15例如构成为包含crt(cathode ray tube)显示器、液晶显示器、有机el(electro-luminescence)显示器等显示装置。输出部15也可以构成为将这些显示装置与模型评价装置1连接的接口。输出部15例如将输入到通信部12或输入部13的信息输出。输出部15例如也可以输出通过控制部11执行处理而得到的各种信息。输出部15例如也可以输出预测精度评价处理的结果。
114.图10是示出实施方式中的生成装置2的硬件结构的一例的图。生成装置2具备通过总线连接的cpu等处理器93和存储器94，并执行程序。生成装置2通过程序的执行而作为具备控制部21、通信部22、输入部23、存储部24及输出部25的装置发挥功能。
115.更具体而言，在生成装置2中，处理器93读出存储部24所存储的程序，并将读出的程序存储于存储器94。通过处理器93执行存储器94所存储的程序，生成装置2作为具备控制部21、通信部22、输入部23、存储部24及输出部25的装置发挥功能。
116.控制部21对生成装置2具备的各种功能部的动作进行控制。控制部21例如对通信部22、输入部23、存储部24及输出部25各自的动作进行控制。控制部21例如执行过滤更新处理。控制部21例如取得经由通信部22或输入部23得到的信息。
117.通信部22构成为包含用于将生成装置2与外部装置连接的通信接口。通信部22经由有线或无线而与外部装置进行通信。外部装置例如是模型评价装置1。通信部22通过与模型评价装置1之间的通信，将生成装置2得到的第二副过滤信息发送到模型评价装置1。外部装置例如是生成用数据的发送源的装置。通信部22通过与生成用数据的发送源的装置之间的通信而取得生成用数据。通信部22例如也可以是劣化预测模型的发送源的装置。在这样
的情况下，通信部22通过与劣化预测模型的发送源的装置之间的通信而取得劣化预测模型。取得劣化预测模型例如意味着取得劣化预测模型的程序。
118.输入部23构成为包含鼠标、键盘、触摸面板等输入装置。输入部23也可以构成为将这些输入装置与生成装置2连接的接口。输入部23受理针对生成装置2的各种信息的输入。向输入部23例如输入生成用数据。也可以向输入部23例如输入用户的指示。
119.使用磁硬盘装置或半导体存储装置等计算机可读取的存储介质装置而构成存储部24。存储部24存储与生成装置2相关的各种信息。存储部24例如存储经由通信部22或输入部23输入的信息。存储部24例如存储通过控制部21执行处理而产生的各种信息。存储部24也可以存储劣化预测模型。
120.输出部25输出各种信息。输出部25例如构成为包含crt显示器、液晶显示器、有机el显示器等显示装置。输出部25也可以构成为将这些显示装置与生成装置2连接的接口。输出部25例如将输入到通信部22或输入部23的信息输出。输出部25例如也可以输出通过控制部21执行处理而得到的各种信息。输出部25例如也可以输出过滤更新处理的结果。
121.图11是示出实施方式中的模型评价装置1所执行的处理流程的一例的流程图。向通信部12或输入部13输入第二副过滤信息(步骤s101)。即，通信部12或输入部13取得第二副过滤信息。接着，向通信部12或输入部13输入输入预定数据(步骤s102)。即，通信部12或输入部13取得输入预定数据。
122.接着，控制部11执行过滤处理(步骤s103)。如上所述，过滤处理是预测精度评价处理的一例，因此在步骤s103中，也可以执行预测精度评价处理。接着，控制部11对输出部15的动作进行控制，使输出部15输出步骤s103的结果(步骤s104)。需要说明的是，可以先执行步骤s101的处理和步骤s102的处理中的任意一个，也可以并行地执行步骤s101的处理和步骤s102的处理。
123.图12是示出实施方式中的生成装置2所执行的处理流程的一例的流程图。向通信部22或输入部23输入生成用数据(步骤s201)。即，通信部22或输入部23取得生成用数据。接着，控制部21执行过滤更新处理(步骤s202)。接着，控制部21判定是否满足了学习结束条件(步骤s203)。
124.在满足了学习结束条件的情况下(步骤s203：是)，控制部21对输出部25的动作进行控制，使输出部25输出通过学习而得到的结果。另一方面，在不满足学习结束条件的情况下(步骤s203：否)，返回步骤s202的处理。
125.像这样构成的实施方式中的生成装置2执行过滤更新处理，对过滤处理的内容进行更新。其结果是，用户能够预先知晓预测解析对象的劣化的数理模型的推断的精度的高低，用户能够在可靠的范围内使用解析对象的数理模型。因此，像这样构成的生成装置2能够抑制预测解析对象的劣化的数理模型的可靠性的下降。
126.像这样构成的实施方式中的模型评价装置1通过执行由生成装置2得到的过滤处理而进行劣化预测模型的评价。因此，像这样构成的模型评价装置1能够抑制预测解析对象的劣化的数理模型的可靠性的下降。
127.像这样构成的实施方式的模型评价系统100具备模型评价装置1或生成装置2。因此，像这样构成的模型评价装置1能够抑制对解析对象的劣化进行预测的数理模型的可靠性的下降。
128.(变形例)
129.＜关于虚拟数据的生成＞
130.在过滤更新处理中，不仅可以基于在生成劣化预测模型时使用的生成用数据，也可以基于以满足规定的条件的方式生成的多维时间序列数据(以下称为“虚拟数据”。)，进行过滤处理的内容的更新。在过滤更新处理中，针对虚拟数据，还执行与生成用数据同样的处理。即，虚拟数据是对生成用数据进行增强的数据。
131.规定的条件例如是虚拟数据的集合满足的条件。对虚拟数据的集合满足的条件(以下称为“虚拟数据条件”。)的一例进行说明。虚拟数据条件包括以下条件(以下称为“第一副虚拟数据条件”。)：劣化关联变量的每个分类的值并且是每个分类的劣化关联变量的值的平均值和分布宽度是被预先决定的规定值。以下将每个分类的劣化关联变量的值的平均值称为分类平均值。并且以下将每个分类的劣化关联变量的值的分布宽度称为分类方差值。
132.图13是示出变形例中的第一副虚拟数据条件所表示的平均值的分布的多个例子的图。图13示出多个将横轴设为soc的分类且将纵轴设为soc的值的平均值的分布例。图13的各分布是高斯分布，分布的差异是中位数的差异。需要说明的是，由于分布是表示各分类中的劣化关联变量的值的平均值和分布宽度的信息，因此，按照图13所示的多个分布中的一个分布的虚拟数据的集合满足第一副虚拟数据条件。
133.虚拟数据条件包括以下条件(以下称为“第二副虚拟数据条件”。)：针对互不相同的种类的劣化关联变量而示出平均劣化关联变量值的每个组的交替作用的大小的值是按照平均劣化关联变量值的每个组预先决定的规定值。平均劣化关联变量值是劣化关联变量的值的平均值。因此，平均劣化关联变量值是分类平均值与各分类的出现频度之积的和。
134.图14是示出变形例中的第二副虚拟数据条件所表示的交替作用的大小的一例的图。更具体而言，图14是示出soc的平均值与温度的平均值的每个组的交替作用的大小的一例的图。
135.虚拟数据条件还包括劣化关联变量的各分类的累计时间是按照每个劣化关联变量和每个分类而预先决定的规定的累计对称期间的累计时间这样的条件(以下称为“第三副虚拟数据条件”。)。规定的累计时间例如是满足期间的长度为在模型评价装置1的运用时想要预测的最大期间以上这样的条件的累计对象期间的累计时间。
136.图15是示出变形例中的第三副虚拟数据条件所表示的累计时间的一例的图。更具体而言，图15是表示针对soc的各分类而预先决定的累计时间的图。
137.如果具有虚拟用数据，则即便在生成用数据不足的情况下，也能够进行过滤处理的内容的学习。其结果是，模型评价装置1能够更进一步抑制预测解析对象的劣化的数理模型的可靠性的下降。
138.需要说明的是，也可以将虚拟数据追加到生成用数据的时间序列。即，也可以通过虚拟数据来增加生成用数据的样本数。在这样的情况下，在过滤处理的内容的更新中，也可以取代样本数增加前的生成用数据而使用样本数增加后的生成用数据。
139.＜关于过滤处理的内容的更新规则的一例和数据包含率＞
140.在过滤更新处理中，也可以基于数据包含率来更新过滤处理的内容，使得提高数据包含率。数据包含率是针对在实际测量中得到的数据的数理模型的推断结果的可靠度为
规定的可靠度以上的概率。对过滤处理的内容进行更新使得提高数据包含率这样的规则是提高判定输入预定数据是否为保证范围内数据的判定精度这样的更新规则的一例。
141.数据包含率例如是用户包含率。用户包含率是指，将使用解析对象的用户实际上得到的信息设为劣化预测模型的执行对象的情况下的劣化预测模型的预测结果的可靠度为规定的可靠度以上的概率。
142.针对使用解析对象的多个用户实际上得到的各信息执行劣化预测模型，基于得到的多个结果而计算用于过滤更新处理的用户包含率。用户包含率的计算例如由控制部21执行。用户包含率的计算可以作为过滤更新处理来执行，也可以在过滤更新处理的执行前得到。
143.＜初始数据排除处理＞
144.在过滤更新处理中，也可以执行针对从生成用数据得到的变量概率值张量而排除属于将时间序列的开始设为期间的开始的期间(以下称为“初始期间”。)内的样本的处理(以下称为“初始数据排除处理”。)。如上所述，变量概率值张量是时间轴的量为累计时间的时间序列。而且，变量概率值张量是表示概率值的时间序列。
145.对于概率值，通常，累计时间越短则变动越大，累计时间越长则变动越小而收敛。因此，难以从变动较大的期间的数据得到系统的固有状态的信息，变动较大的期间的数据在解析时有时起到噪声的作用。于是，在过滤更新处理中，通过使用执行了初始数据排除处理的数据，从而创建出在解析中不使用充当噪声的数据的状况。
146.初始期间的长度是通过学习而被更新的参数之一，例如基于用户包含率等而更新值。在过滤更新处理中，例如对过滤处理的内容进行更新，使得用户包含率提高。过滤更新处理的结果是，在满足了学习结束条件的时间点的初始期间的长度例如为24周的情况下，用户包含率有时成为99％。
147.＜关于过滤处理的内容的更新规则的另一例和基于行为的更新＞
148.另外，在过滤更新处理中，也可以基于行为来进行过滤处理的内容的更新。具体而言，基于行为的过滤处理的内容的更新是指，基于劣化预测模型的预测结果与解析对象的劣化所具有的物理或化学的特性之间的差异来更新过滤处理的内容。
149.具体而言，基于行为的更新规则是以下规则：以减小劣化预测模型的预测结果与解析对象的劣化所具有的物理或化学的特性之间的差异的方式对过滤处理的内容进行更新。以减小劣化预测模型的预测结果与解析对象的劣化所具有的物理或化学的特性之间的差异的方式更新过滤处理的内容这样的规则是提高判定输入预定数据是否为保证范围内数据的判定精度这样的更新规则的一例。
150.这里，示出劣化预测模型的预测结果与解析对象的劣化实际上具有的物理或化学的特性不同的例子。
151.图16是示出变形例中的劣化预测模型的预测结果、并且是与解析对象的劣化实际上具有的物理或化学的特性不同的结果的一例的图。在图16的例子中，横轴表示电池的平均温度，纵轴表示电池的soh。图16的例子示出如果将平均温度设为60度，则恢复劣化。但是，实际上电池不会产生这样的情况。即，图16所示的劣化预测模型的预测结果与解析对象的劣化实际上具有的物理或化学的特性不同。
152.在基于劣化预测模型的预测结果与解析对象的劣化具有的物理或化学的特性之
间的差异而进行更新的情况下，取得表示劣化预测模型的预测结果与解析对象的劣化具有的物理或化学的特性之间的差异的量。
153.于是，对取得表示劣化预测模型的预测结果与解析对象的劣化具有的物理或化学的特性之间的差异的量的处理(以下称为“行为量取得处理”。)的一例进行说明。所说明的一例中的处理的执行对象是图16所示的曲线图等将两个量中的一方设为说明变量并将另一方设为目的变量的函数。这样的函数例如是向下凸的极小值是1或0的函数。
154.图17是对变形例中的行为量取得处理的一例进行说明的说明图。为了使说明简单，在图17的例子中，以函数是离散数据的集合的情况为例来说明行为量取得处理的一例。图17的例子中的函数是向下凸的极小值为1的函数。在图17的例子中，横轴表示说明变量，纵轴表示目的变量。在图17的例子中，说明变量所表示的量是用平均温度除以soh而得到的量。另外，在图17的例子中，目的变量所表示的量是预测soh。预测soh是指劣化预测模型预测到的soh。
155.在行为量取得处理中执行以下处理：从横轴的左端的数据向右1步1步地移动，将示出指定裕度(margin)以上的增加的时间点的横轴的值决定为左ng点。该处理在图17中表示为处理1。向右1步1步地移动是指，朝向右侧取得位于最接近的位置的离散数据的纵轴和横轴的值。指定裕度的值是通过学习而被更新的值。
156.在行为量取得处理中，接着执行以下处理：从横轴的右端的数据向左1步1步地移动，将示出指定裕度以上的增加的时间点的横轴的值决定为右ng点。该处理在图17中表示为处理2。向左1步1步地移动是指，朝向左侧取得位于最接近的位置的离散数据的纵轴和横轴的值。
157.在行为量取得处理中，接着执行去除左ng点与右ng点之间的数据的处理。该处理在图17中表示为处理3。在行为量取得处理中，接着取得去除后的全部数据数与去除前的数据数的比率作为ok比率。在图17中，属于表示为ok的区域的数据数是去除后剩余的全部数据数。在图17中，属于表示为ng的区域的数据是被去除的数据。需要说明的是，在图17中，“ng：裕度＜1步的增加值”表示在裕度小于1步的增加值的情况下判定为ng这样的判定基准。这样的基准是用于将比预先决定的变化小的变化判定为没有变化的基准的一例。
158.在过滤更新处理中，例如对过滤处理的内容进行更新，使得通过这种方式得到的ok比率提高。过滤更新处理的结果是，在满足了学习结束条件的时间点的初始期间的长度例如为3周的情况下，ok比率有时成为100％。
159.在过滤更新处理中，例如也可以以提高数据包含率并减小劣化预测模型的预测结果与解析对象的劣化具有的物理或化学的特性之间的差异的方式进行学习。因此，在过滤更新处理中，例如也可以以提高数据包含率和ok比率的方式进行学习。
160.需要说明的是，在过滤更新处理中，也可以按照规定的阈值来去除图16所记载的曲线图等各种数据的一部分。上述的初始数据去除处理是这样的处理的一例，但另外也可以执行上位值制约处理或者概率上位值制约处理。
161.上位值制约处理是从第二上位值向量中去除比第二上位值向量的最大值大的值的处理。概率上位值制约处理是从第一上位值向量中去除比第一上位值向量的最大值大的值的处理。
162.需要说明的是，生成装置2具备的控制部21不仅可以在过滤更新处理中进行过滤
处理的内容的更新，也可以仅使用按照更新后的过滤处理的内容而选定的生成用数据，进行劣化预测模型的更新。在这样的情况下，控制部21也可以基于所选定的生成用数据和根据更新后的劣化预测模型而得到的预测结果，进一步进行过滤处理的内容的更新。在该情况下，基于根据更新后的劣化预测模型而得到的预测结果的更新例如是指上述的基于劣化预测模型的预测结果与解析对象的劣化具有的物理或化学的特性之间的差异的更新。
163.需要说明的是，模型评价装置1和生成装置2的各功能的全部或一部分也可以使用asic(application specific integrated circuit)、pld(programmable logic device)、fpga(field programmable gate array)等硬件来实现。程序也可以记录于计算机可读取的记录介质。计算机可读取的记录介质例如是软盘、光磁盘、rom、cd-rom等可移动介质、内置于计算机系统的硬盘等存储装置。也可以经由电通信线路来发送程序。
164.需要说明的是，模型评价装置1和生成装置2均可以使用经由网络以能够通信的方式连接的多台信息处理装置来安装。在该情况下，控制部11具备的各功能部也可以分散地安装到多个信息处理装置。另外，在该情况下，控制部21具备的各功能部也可以分散地安装到多个信息处理装置。
165.需要说明的是，通信部12和输入部13均是取得部的一例。另外，控制部11是评价部的一例。需要说明的是，按照第一规则的处理是第一处理的一例。需要说明的是，控制部21是学习部的一例。需要说明的是，生成装置2是过滤生成装置的一例。
166.此外，能够在不脱离本发明的主旨的范围内适当地将所述实施方式中的构成要素置换成众所周知的构成要素，另外，也可以适当组合所述的变形例。

技术特征：
1.一种模型评价装置，其中，所述模型评价装置具备：取得部，其取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及评价部，其使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。2.根据权利要求1所述的模型评价装置，其中，所述生成用数据是多维时间序列数据，该多维时间序列数据示出表示与所述解析对象的劣化相关的状态的多种变量各自的时间变化。3.根据权利要求2所述的模型评价装置，其中，所述第一处理是将所述多维时间序列数据转换成一维数据的数据转换处理。4.根据权利要求3所述的模型评价装置，其中，所述数据转换处理包括以下处理：取得累计时间张量的处理，该累计时间张量是从一个或多个所述多维时间序列数据得到的张量，并且该累计时间张量是针对按照每个所述变量而预先决定的分类以及使期间的开始相同的预先决定的多个累计对象期间的各组，按照每个所述多维时间序列数据而示出存在各所述多维时间序列数据的累计时间的张量；变量概率值转换处理，在该变量概率值转换处理中，按照各所述多维时间序列数据、各所述期间以及各种类的劣化关联变量的每个组，对所述累计时间张量的各要素进行转换，使得各所述分类的累计时间之和为1；基于通过执行所述变量概率值转换处理而转换后的累计时间张量即变量概率值张量，得到第一上位值向量，该第一上位值向量是将所述变量概率值张量的全部要素中的满足以下条件的要素作为要素的一维向量，所述条件是所属的所述变量的种类和所述分类相同的要素中的从大到小开始数的第p个值这样的条件，其中，p是1以上的预先决定的规定的整数；以及基于所述累计时间张量而得到第二上位值向量，该第二上位值向量是将所述累计时间张量的全部要素中的、在满足期间条件的期间内满足以下条件的要素作为要素的一维向量，所述条件是所属的变量种类和分类相同的要素中的从大到小开始数的第r个值这样的条件，所述期间条件是累计时间张量所表示的期间中的从长到短的第q个以内这样的条件，其中，q是1以上的预先决定的规定的整数，r是1以上的预先决定的规定的整数，r可以与p相同，也可以与p不同，所述第一副过滤信息包括所述第一上位值向量和所述第二上位值向量。5.根据权利要求4所述的模型评价装置，其中，在所述学习中，除了使用所述生成用数据之外，还使用虚拟数据，所述虚拟数据是满足第一副虚拟数据条件、第二副虚拟数据条件以及第三副虚拟数据条件的多维时间序列数据，该第一副虚拟数据条件为，其中规定值是所述变量的每个所述分类的值，并且，每个所述分类的所述变量的值的平均值和分布宽度是被预先决定的规定值，该第二副虚拟数据条
件为，针对互不相同的所述种类的所述变量而示出所述变量的值的平均值的每个组的交替作用的大小的值是按照所述平均值的每个组而预先决定的规定值，该第三副虚拟数据条件为，所述变量的各所述分类的累计时间是按照每个所述变量和每个分类而预先决定的规定的累计时间。6.根据权利要求1至5中任一项所述的模型评价装置，其中，在所述学习中，对所述第一副过滤信息和所述第二副过滤信息进行更新，使得提高数据包含率，所述数据包含率是针对通过实际测量得到的数据的所述数理模型的推断结果的可靠度为规定的可靠度以上的概率。7.根据权利要求1至5中任一项所述的模型评价装置，其中，在所述学习中，对所述第一副过滤信息和所述第二副过滤信息进行更新，使得减小所述数理模型的推断结果与所述解析对象的劣化具有的物理或化学的特性之间的差异。8.根据权利要求1至5中任一项所述的模型评价装置，其中，所述生成用数据是多维时间序列数据，该多维时间序列数据示出表示与所述解析对象的劣化相关的状态的多种变量各自的时间变化，所述第一处理是将所述多维时间序列数据转换成一维数据的数据转换处理，所述数据转换处理包括以下处理：取得累计时间张量的处理，该累计时间张量是从一个或多个所述多维时间序列数据得到的张量，并且该累计时间张量是针对按照每个所述变量而预先决定的分类以及使期间的开始相同的预先决定的多个累计对象期间的各组，按照每个所述多维时间序列数据而示出存在各所述多维时间序列数据的累计时间的张量；以及变量概率值转换处理，在该变量概率值转换处理中，按照各所述多维时间序列数据、各所述期间以及各种类的劣化关联变量的每个组，对所述累计时间张量的各要素进行转换，使得各所述分类的累计时间之和为1，在所述学习中，执行初始数据排除处理，在该初始数据排除处理中，针对变量概率值张量，排除属于将时间序列的开始设为期间的开始的期间的样本，该变量概率值张量是从所述生成用数据得到的张量，并且是通过执行所述变量概率值转换处理而转换后的累计时间张量。9.一种过滤生成装置，其中，所述过滤生成装置具备学习部，该学习部通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。10.一种模型评价方法，是由计算机执行的模型评价方法，其中，所述模型评价方法具有：取得步骤，在该取得步骤中，取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及
评价步骤，在该评价步骤中，使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。11.一种过滤生成方法，是由计算机执行的过滤生成方法，其中，所述过滤生成方法具有学习步骤，在该学习步骤中，通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。12.一种计算机可读取的非暂时性的存储介质，其中，所述存储介质存储有使计算机执行以下处理的程序：取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。13.一种计算机可读取的非暂时性的存储介质，其中，所述存储介质存储有使计算机执行以下处理的程序：通过学习对第一副过滤信息和第二副过滤信息进行更新，该第一副过滤信息是基于生成用数据并按照第一规则通过处理而生成的数据，该生成用数据是用于生成对解析对象的劣化进行预测的数理模型的数据，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则。

技术总结
本发明的一方案是一种模型评价装置。模型评价装置具备：取得部，其取得通过学习对第一副过滤信息和第二副过滤信息进行了更新的更新后的所述第二副过滤信息，该第一副过滤信息是基于生成用数据并通过第一处理而生成的，该生成用数据用于生成对解析对象的劣化进行预测的数理模型，该第二副过滤信息示出使用所述第一副过滤信息来推断所述数理模型的预测结果的可靠度的规则；以及评价部，其使用所述第二副过滤信息，来评价向所述数理模型输入的预定的输入预定数据实际上被输入到所述数理模型的情况下的所述数理模型的预测精度。型的情况下的所述数理模型的预测精度。型的情况下的所述数理模型的预测精度。


技术研发人员：小西俊介 川原卓磨 内海秀俊 佐藤功二
受保护的技术使用者：本田技研工业株式会社
技术研发日：2023.03.28
技术公布日：2023/10/19