专利名称：：时序信号预测装置的制作方法
技术领域：
：本发明涉及根据过去和当前的时序数据预测未来时序数据的时序信号预测装置。例如日本特许公开专利JP-A-7-84983公开了已有技术的时序信号预测装置。该已有技术的时序信号预测装置的结构如图15所示。图15所示的已有技术的时序信号预测装置包括(a)用前馈型神经网络设计的第一时序预测装置1501；(b)用ARMA(自回归运动平均)模型设计的第二时序预测装置1502；(c)应用特性测定装置1504，对于每一应用条件1507，根据应用条件1507、第一和第二时序预测装置1501、1502的预测结果1505和1506和实际测量结果1508，将每一预测结果1505、1506与实际测量结果1508作比较，由此测定每一时序预测装置1501、1502的依赖于应用条件1507的预测能力的优或劣；以及(d)累积判定装置1503，根据应用条件、预测结果1505、1506和应用特性测定装置1504的测定结果1509，利用加权求和方法累积预测结果1505、1506，输出最后预测结果1510。在上述结构的已有技术的时序信号预测装置中，由于提供了两个不同的时序预测装置1501、1502，并根据应用条件求这两个时序预测装置1501、1502预测的预测结果1505、1506的加权和，所以改善了该时序信号预测装置的预测精度。但是，该已有技术的时序信号预测装置需要用多个预测装置来改善预测精度，这样将使系统结构复杂。还有，一旦出现统计性质、例如输入时序信号的平均值和方差的变化，没有处理时序信号的统计性质的这种变化的装置的该时序信号预测装置将遇到被预测时序信号的精度大大地恶化的问题。本发明的目的是提供与已有技术的装置相比，能够解决上述问题和能够利用简单的结构高精度地完成时序信号预测的时序信号预测装置，此外，即使时序信号统计性质出现变化，该装置也能够以较高的精度预测时序信号。根据本发明的第一个方面，提供了包括以下部件的时序信号预测装置；矢量产生装置，根据按照固定时间间隔被取样和输入的数量为自然数的n个时序数据产生n维矢量数据；另一矢量产生装置，根据按照固定时间间隔被取样和输入的过去时序数据产生(n+1)维矢量数据，并利用直到第n维的矢量数据以相似矢量为单位把该矢量数据分类成为L个矢量集；矢量存储装置，存储矢量产生装置产生的n维输入矢量数据；矢量集存储装置，以L个被分类矢量集为单位存储另一矢量产生装置产生的(n+1)维矢量数据；矢量分类装置，根据矢量数据属于存储在矢量集存储装置内的矢量集中的哪一个矢量集分类存储在矢量存储装置内的矢量数据；矢量选择装置，按照新输入时序数据的矢量数据的相似性的降序，从存储在矢量存储装置内的矢量数据所属的一个矢量集中选择K个矢量数据；过去数据提取装置，从属于被矢量选择装置选定的矢量集的K个(n+1)维矢量中提取K个第(n+1)维矢量数据，并连同相似性一道输出被提取的数据；以及数据预测装置，根据过去数据提取装置提取的K个数据、存储在矢量存储装置内的输入矢量数据以及相似性预测并输出继输入时序数据之后的下一时刻的时序数据。因此，与已有技术的装置相比，本发明的时序信号预测装置能够利用简单的结构实现高精度的时序信号预测，此外，即使时序信号的统计性质发生变化，该装置也能够高精度地预测时序信号。图1是表示本发明的第一最佳实施例的时序信号预测装置的结构的方框图；图2是表示本发明第二最佳实施例的时序信号预测装置的结构的方框图；图3是表示本发明第三最佳实施例的时序信号预测装置的结构的方框图；图4是构成图3的附加数据预测装置303的神经网络的结构图5是表示本发明第四最佳实施例的时序信号预测装置的结构的方框图；图6是表示本发明第五最佳实施例的时序信号预测装置的结构的方框图；图7是表示本发明的第六最佳实施例的时序信号预测装置的结构的方框图；图8是表示本发明第六最佳实施例的改进的时序信号预测装置的结构的方框图；图9是表示本发明第七最佳实施例的时序信号预测装置的结构的方框图；图10是构成图1、图2和图5至图9中的数据预测装置108的神经网络的结构图；图11是表示本发明第八最佳实施例的时序信号预测装置的结构的方框图；图12表示图11的时序信号预测装置的一操作实例，其中图12(a)、12(b)、12(c)表示相对于时间的过去交通量的矢量V1、V2、V3，图12(d)、12(e)表示重新排列矢量V1、V2、V3所得到的模板矢量；图13表示图11的时序信号预测装置的一操作实例，示出了可靠性与变化基准量的关系曲线；图14是构成图11的交通量预测装置1105的神经网络的结构图；图15是表示已有技术的时序信号预测装置的结构的方框图。现在参看附图描述本发明的最佳实施例。第一最佳实施例图1是表示本发明第一最佳实施例的时序信号预测装置的结构的方框图。参看图1，本最佳实施例的时序信号预测装置包括(a)矢量产生装置102-1，根据按照固定时间间隔被取样和输入的自然数的n个时序数据101-1产生n维矢量数据V；(b)另一矢量产生装置102-2，根据按照固定时间间隔被取样和输入的过去时序数据101-2产生(n+1)维矢量数据，并利用直到n维矢量数据以相似矢量为单位把所得到的矢量数据分类成为L个矢量集Pi；(c)矢量存储装置103，存储矢量产生装置102-1的产生的n维矢量数据V；(d)矢量集存储装置104，存储另一矢量产生装置以L个被分类矢量集Pi为单位产生的(n+1)维矢量数据；(e)矢量分类装置105，根据矢量数据V属于存储在矢量集存储装置104内的哪一个矢量集Pi分类存储在矢量存储装置103内的该矢量数据V；(f)矢量选择装置106，按照新输入时序数据的矢量数据V的相似性的降序，从存储在矢量存储装置103内的矢量数据V已判定所属的矢量集S中选择K个矢量数据；(g)过去数据提取装置107，从属于矢量选择装置106选定的矢量集S的K个(n+1)维矢量中提取K个第(n+1)数据Un+1i(i＝1，2，……K)，并连同相似性Ri(i＝1，2，……K)一道输出被提取数据；以及(h)数据预测装置108，根据过去数据提取装置107提取的K个数据Un+1i(i＝1，2，……K)、存储在矢量存储装置103内的输入矢量数据V以及相似性Ri(i＝1，2，……K)预测并输出继输入时序数据之后的下一时刻(n+1)的时序数据。以下说明上述结构的第一最佳实施例的时序信号预测装置的操作。输入时序数据101-1被矢量产生装置102-1变换成为n维矢量数据V，它们是n个矢量数据为一组的矢量数据，然后被存储在矢量存储装置103内。过去时序数据101-2在预测开始前被输入给另一矢量产生装置102-2。该另一矢量产生装置102-2把过去时序数据101-2变换成为(n+1)维矢量数据，并利用直至n维矢量数据的矢量元素以相似矢量为单位把被变换(n+1)维矢量数据分类成为L个矢量集Pi。此后，另一矢量产生装置102-2以被分类的L个矢量集Pi为单位地把被变换(n+1)维矢量数据存储在矢量集存储装置104内。各种已知的分类方法都可用作为在另一矢量产生装置102-2中计算相似性的方法。可以从广泛的分类方法、例如已知的LBG算法中选择分类方法，LGB算法的说明见“已有技术参考文献1”SogouShuppan于1990年5月出版的Kamisaka等人的“模式识别和学习算法”第114-115页。矢量分类装置105将存储在矢量存储装置103内的当前时间的输入矢量数据V与存储在矢量集存储装置104内的矢量数据作比较，以确定输入矢量数据V属于哪一个矢量集Pi。矢量选择装置106从矢量V所属的矢量集T中选择与输入矢量数据V比较起来具有较高相似性的K个矢量数据。在这种情况下，欧几里德距离用作与矢量数据V比较的相似性的标尺。就是说，计算输入矢量数据V和属于(n+1)维矢量数据的集合T的n维矢量数据之间的欧几里德距离，然后选择K个最小距离的K个矢量数据。随后，矢量选择装置106选择的K个(n+1)维矢量数据被输入给过去数据提取装置107，该过去数据提取装置107提取K个被选第(n+1)维时序数据Un+1i(i＝1，2，……K)，并连同相似性Ri(i＝1，2，……K)一道把它们输出给数据预测装置108。在过去数据提取装置107提取的K个时序数据Un+1i(i＝1，2，……K)、存储在矢量存储装置103内的输入矢量数据V以及矢量选择装置106计算的与输入矢量数据V比较的相似性的基础上，数据预测装置108利用以下公式计算输入矢量数据V的元素z(V，n+1)，该公式使用了加权和的方法，相似性Ri(i＝1，2，……K)作为加权和因数z(v,n+1)=Σi=1kUn+1i·(Ri/Σi=1kRi)---(1)]]>在这一公式(1)中，(a)Ri是输入矢量数据V和矢量数据Ui之间的相似性；(b)Un+1i是矢量数据Ui的第(n+1)个时序数据的值。例如，如果输入的当前时序数据的样值是0、1、2、3、4、5、……，并且矢量数据V的维数是5，则矢量产生装置101-1将要产生的矢量数据Ui就是U0＝(0，1，2，3，4)U1＝(0，1，2，3，4)U2＝(0，1，2，3，4)因此预测时序数据109是Un+10=5,]]>Un+11=6,]]>Un+12=7,]]>……如上所述，根据本发明的第一最佳实施例，利用多个过去相似矢量数据的相似性执行时序数据的预测，由此提高了预测精度。还有，因为可以减少仅利用属于一组相似矢量数据的矢量数据计算预测数据的操作量从而减少操作时间，所以能够利用比已有技术的结构简单的结构预测具有较高精度的时序数据，由此对实际应用产生了很大的影响。此外，可以既考虑预测精度又考虑操作时间地设计所需的时序信号预测装置。第二最佳实施例图2是表示本发明第二最佳实施例的时序信号预测装置的结构的方框图。参看图2，执行与图1中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第二最佳实施例的时序信号预测装置与图1的第一最佳实施例的时序信号预测装置的不同之处在于还包括矢量更新装置201。该矢量更新装置201更新在根据输入时序数据101-1产生的矢量数据V所属的集合中具有较低相似性的矢量数据，以便用最新输入矢量数据V代替它们。以下说明上述结构的第二最佳实施例的时序信号预测装置的操作。在这一最佳实施例中，额外地提供了矢量更新装置201来更新将被用于预测的数据矢量集。矢量更新装置201对数据的更新是通过用输入矢量数据V所属的矢量集T的输入矢量数据代替相似性最低和离现在最远的矢量数据来完成的。由于提供了这样的矢量数据更新装置201，所以通过更新存储在矢量集存储装置104内的每一矢量集的元素，就将每一矢量集更新成为最近的时序数据，这样一来就能够实现包括了时序数据长期趋势的变化的预测。如第一最佳实施例那样，矢量选择装置106从矢量产生装置102-1产生的矢量数据V所属的矢量集T中选择与输入矢量数据V相比具有较好相似性的K个(n+1)维矢量数据。然后，矢量选择装置106选择的这K个(n+1)维矢量数据被输入给过去数据提取装置107，该过去数据提取装置107从K个输入(n+1)维矢量数据中提取K个第(n+1)维时序数据并将它们输出给数据预测装置108。随后，在输入的当前时序数据101-1、过去数据提取装置107输入的K个第(n+1)维时序数据Un+1i(i＝1，2，……K)、存储在矢量存储装置103内的输入矢量数据V以及由矢量选择装置106计算的、表示至输入矢量数据V的距离的相似性Ri(i＝1，2，……K)的基础上，数据预测装置108计算并输出利用公式(1)预测的时序数据109。在此期间，每当新输入第(n+1)维时序数据，矢量数据更新装置201就把属于被矢量选择装置106在上一次选择的、被存储在矢量集存储装置104内的矢量集的矢量数据与要被更新的矢量数据作比较，用最新输入矢量数据代替相似性最低的矢量数据。如上所述，根据这一最佳实施例，通过用最新输入矢量数据更新输入时序数据101-1所属集合的元素实现了包括时序数据长期趋势的变化的预测。在上述最佳实施例中，矢量更新装置201对数据的更新是通过用在存储在矢量存储装置103内的最新矢量数据所属的矢量集中具有最低相似性的矢量数据代替最新输入矢量数据来完成的。但是，本发明不限于此，本发明可以用输入矢量数据所属的集合的输入矢量数据代替最老的时序矢量数据。在这种情况下也能够实现包括时序数据长期趋势的变化的预测。第三最佳实施例图3是表示本发明第三最佳实施例的时序信号预测装置的结构的方框图。参看图3，执行与图1和2中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第三最佳实施例的时序信号预测装置与图2的第二最佳实施例的时序信号预测装置的不同之处在于包括取代矢量选择装置106、过去数据提取装置107和数据预测装置108的以下装置(a)另一矢量选择装置301，从存储在矢量存储装置103内的矢量所属的矢量集T中的一个矢量集输出与新输入时序数据的n维输入矢量数据V相比具有最高相似性的矢量数据Umax及其相似性Rmax；(b)差矢量获取装置302，计算从矢量存储装置103读取的矢量数据V和另一矢量选择装置301输出的矢量Umax之间的n维差矢量[d1，d2，……dn]；以及(c)另一数据预测装置303，根据差矢量获取装置302计算的n维差矢量[d1，d2，……dn]和表示另一矢量选择装置301输出的相似性Rmax的矢量预测并输出相应于输入矢量数据V的第(n+1)维的时序数据。以下说明上述结构的第三最佳实施例的时序信号预测装置的操作。参看图3，输入时序数据101-1输入给矢量产生装置102-1，该矢量产生装置102-1把该输入时序数据101-1变换成为n维矢量数据V＝〔V1，V2，……Vn〕，并把它们存储入矢量存储装置103。然后，矢量分类装置105确定输入矢量数据V属于预先已准备好和存储在矢量集存储装置104内的矢量集Pi(i＝1，2，……L)中的哪一个矢量集。这一分类是利用另一矢量产生装置102-2根据过去时序数据101-2产生的(n+1)维矢量数据来完成的。另一矢量产生装置102-2产生的(n+1)维矢量通过利用直到它们的n维矢量元素被分类成为L个集合Pi。分类用的典型矢量数据Qi(i＝1，2，……L)在预测之前由另一矢量产生装置102-2产生，然后被存储在矢量集存储装置104内。对于这些典型矢量数据Qi的产生处理，可以使用各种分类方法，例如在“已有技术参考文献1”第114-115页上描述的已知LBG算法。矢量产生装置102-1新产生的矢量数据V与在按以上方式产生的每一集合Pi内的典型矢量Qi作比较，被分类成为具有最高相似性Ri的典型矢量所属的矢量集Ps。另一矢量选择装置301从输入矢量数据V所属的矢量集Ps中选择具有最高相似性的矢量数据Umax，并把它们输出给差矢量获取装置302和另一数据预测装置303，另一矢量选择装置301同时还计算输入矢量数据V和矢量数据Umax之间的相似性并将其输出给另一数据预测装置303。注意上述欧几里德距离被用作相似性的尺度。就是说，另一矢量选择装置301按照以下公式计算输入矢量数据V和属于集合Ps的矢量数据Usj之间的欧几里德距离LENsj，并输出具有最小距离的矢量Usj，作为UmaxLENsj＝‖V-Usj‖(2)差矢量获取装置302计算把第(n+1)维元素从选定矢量数据Umax中排除而得到的n维矢量Umax＇和输入矢量V之间的差矢量d＝Umax＇-V＝[d1，d2，……dn]。另一矢量选择装置301选择的第(n+1)维数据Un+1、输入矢量数据V和矢量数据Umax之间的相似性Rmax、以及差矢量获取装置306计算的差矢量d都输入给另一数据预测装置303，该另一数据预测装置303预测并输出相应于输入矢量数据V的第(n+1)维的时序数据304。矢量更新装置201如在第二最佳实施例中那样更新存储在矢量集存储装置104内的矢量集。图4是构成图3的另一数据预测装置303的前馈型神经网络的结构图。这一神经网络包括(a)由K个单元401-1至401-K组成的输入层401；(b)由L个单元402-1至402-L组成的中间层402；(c)由一个单元403-1组成的输出层403；输入层401的每一单元401-1至401-K与中间层402的每一单元402-1至402-L连接，中间层402的每一单元402-1至402-L与输出层403的单元403-1连接。输入层401的每一单元401-1至401-K输出的每一数据被乘以规定的加权因子，然后被输出给中间层402的每一单元402-1至402-L，中间层402的每一单元402-1至402-L输出的每一数据被乘以规定的加权因子，然后被输出给输出层403的单元403-1。然后，如以下详细说明的那样训练上述每一连线的加权因子。另一数据预测装置303对时序数据的预测在图4所示的神经网络被利用已知的训练方法训练之后执行。对于神经网络的训练，可以使用“已有技术参考文献1”第39-55页上描述的方法。在该神经网络中，另一矢量选择装置301输出的选定矢量数据Umax的第(n+1)维元素Un+1max、差矢量获取装置302计算的差矢量d＝[d1，d2，……dn]以及输入矢量数据V和矢量数据Umax之间的相似性Rmax的元素rmax都如图4所示地输入给输入层401的每一单元401-1至401-K，由此就从输出层403的单元403-1中输出了相应于n维输入矢量V的第(n+1)维的被预测时序数据，进行预测。图4的神经网络在被已知训练方法利用从过去时序数据101-2获得的已知输入数据(d，Rmax，Umax)预先进行了训练之后执行预测处理，输出数据Vn+1。这种结构的神经网络能够利用非线性训练能力的优点预测时序信号，这一优点是神经网络的特点。虽然图4的神经网络只有一层的中间层402，但本发明不受此限制，神经网络可以具有由多个层组成的中间层402。在这一最佳实施例中，另一数据预测装置303用图4的神经网络来实现。但是，本发明不受此限制，还可以不用神经网络而是用在“已有技术参考文献2”-Maruzen于1992年12月出版的Aoyama翻译的“现代数字信号处理的理论及其应用”—中描述的已知线性预测方法，通过根据构成差矢量d的各个分量d1，d2……，dn预测该差矢量d的第(n+1)维时序数据dn+1以及求和已知的Un+1max和被预测的差矢量dn+1来预测相应于输入矢量数据V的第(n+1)维的元素Vn+1。这一最佳实施例已采用了利用另一矢量选择装置301从矢量集Ps中选择与输入矢量数据V相比具有最大相似性的一个矢量数据的方法。但是，本发明不受此限制，可以采用选择具有较大相似性的m个矢量数据的方法。在这种情况下，输入给图4神经网络的差矢量d、被选过去矢量数据的第(n+1)维时序数据Vn+1及其与这些矢量相比的相似性R的数目为m个。如上所述，根据本发明第三最佳实施例的时序信号预测装置，能够利用是神经网络的特点的非线性训练能力的优点预测高度非线性的时序数据。第四最佳实施例图5是表示本发明第四最佳实施例的时序信号预测装置的结构的方框图。参考图5，执行与图1和2中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第四最佳实施例的时序信号预测装置与图2的第二最佳实施例的时序信号预测装置的不同之处在于还包括以下装置(a)集分割确定装置501，根据在矢量选择装置106选择的矢量集内的矢量数据Usj和输入矢量数据V之间相似性的分布确定是否分割该矢量集；(b)集分割装置502，当集分割确定装置501已确认要分割输入矢量数据V所属的矢量集时，把该矢量集分割成多个矢量集；以及(c)矢量集更新装置503，以这样的方式更新存储在矢量集存储装置104内的矢量集，即它们被通过利用集分割装置502进行分割所得到的矢量集所代替。以下说明上述结构的第四最佳实施例的时序信号预测装置的操作。参看图5，输入时序数据101-1被矢量产生装置102-1变换成为n维矢量数据V＝(V1，V2，……Vn)，然后被存储在矢量存储装置103内。随后，矢量分类装置105确定输入矢量数据V属于预先已准备好并存储在矢量集存储装置104内的矢量数据集Pi(i＝1，2，……L)中的哪一个。然后，矢量分类装置105按照与第一最佳实施例中相同的方式进行操作。矢量选择装置106从输入并存储在矢量存储装置103内的n维输入矢量数据V所属的矢量集Ps中选择与输入矢量数据V相比具有较高相似性的m个矢量数据Usj。在这种情况下，如以上公式(2)所述的欧几里德距离用作相似性的尺度。然后过去数据提取装置107从矢量选择装置106选择的这m个第(n+1)维矢量数据Usj中选择第(n+1)维时序数据Un+1sj[Un+1sj](j＝1，2，…，m)，把这些数据连同它们的相似性Rsj＝[rsj](j＝1，2，……，m)一道输出给数据预测装置108。在过去数据提取装置107获得的m个过去矢量的第(n+1)维时序数据Un+1sj的基础上，数据预测装置108利用以下公式预测并输出n维输入矢量V的第(n+1)维时序数据109Vn+1Vn+1=Σj=1m[(Un+1sj·rsj)/Σj=1mrsj]··········(3)]]>这一公式(3)表示利用矢量Usj和输入矢量数据V之间的相似性Rsj对m个选定矢量Usj的每一个的第(n+1)维时序数据Un+1sj(j＝1，2，……，m)执行了加权和操作。集分割确定装置501首先计算与矢量选择装置106在选择m个矢量数据时确定的输入矢量数据V相比的相似性R的标准偏差σ。然后，将这一标准偏差σ与预先给定的可允许标准偏差σth作比较，如果σ大于σth，集分割确定装置501就决定把选定的矢量集Ps一分为二。在集分割确定装置501的决定的基础上，集分割装置502把矢量分类装置105选择的矢量集Ps分割为这样两个矢量集Ps1和Ps2，即这两个矢量集的标准偏差σ一般来说彼此相等。作为这种分割的方法，如在矢量分类装置105的操作中那样，可以采用LBG算法的分类。如此地进行分割所得到的矢量集Ps1、Ps2输入给矢量集更新装置503，在接收下一时序数据的输入的同时，该矢量集更新装置503如此更新输入并存储在矢量集存储装置104内的矢量集，即把矢量集Ps分割成两个矢量集Ps1，Ps2。如上所述，根据这一最佳实施例，更新由过去矢量数据组成的集合，以便按照与输入矢量相比的相似性的分布对其进行分割，并由此进行细分。因此，能够作出包括更多的时序数据变化趋势的预测，同时提高预测精度。第五最佳实施例图6是表示本发明第五最佳实施例的时序信号预测装置的结构的方框图。参看图6，执行在图1至4中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第五最佳实施例的时序信号预测装置与图5的第四最佳实施例的时序信号预测装置的不同之处在于包括(a)没有矢量更新装置201；(b)矢量选择数目确定装置601，计算表征存储在矢量集存储装置104内的矢量集Pi(i＝1，2，……L)的典型矢量数据和存储在矢量存储装置103内的最新矢量数据之内的相似性Rci，并根据相似性Rci确定矢量选择数目NUMi，该数目NUMi是将从每一矢量集Pi中选择的矢量的数目；(c)另一矢量选择装置602，代替矢量选择装置106，在矢量选择数目确定装置601确定的矢量选择数目NUMi的基础上，根据相似性Rci从存储在矢量集存储装置104内的每一矢量集Pi中选择NUMi个矢量数据。以下说明本发明第五最佳实施例的时序信号预测装置的操作。这一最佳实施例的特征在于根据与输入并存储在矢量存储装置103内的最新矢量数据V相比的相似性Rci，从存储在矢量集存储装置104内的所有矢量集中选择多个矢量数据来进行预测。矢量选择数目确定装置601计算作为各个矢量集Pi(i＝1，2，……L)的典型的典型矢量数据Uci和输入时序数据V之间的相似性Rci，并确定将根据相似性Rci被从各矢量集中选出的矢量的个数的矢量选择数目NUMi。在这一过程中，矢量选择数目确定装置601按照典型矢量数据Uci和输入时序数据V之间的相似性的降序对矢量数据进行分类，并设定矢量选择数目NUMi，使得相似性Rci越高，就选择越多的矢量数据。可以把矢量分类装置105利用已知的LBG算法产生的典型矢量Uci作为是矢量集Pi的典型的矢量Uci。在一最佳实施例中，以下公式所表示的线性地改变矢量选择数目NUMi的方法被用作设定将要被选择矢量的矢量选择数目NUMi的方法NUMi=(m·rci)/(Σi=1Lrci)······(4)]]>注意选择矢量选择数目是为了得到共m个矢量。矢量选择装置602根据矢量选择数目确定装置601确定的矢量选择数目NUMi，执行从各矢量集Pi中实际选择具有较高相似性的NUMi个矢量数据Ui的处理，然后把被选定矢量集Pi的矢量数据输出给过去矢量提取装置107和集分割确定装置501。过去数据提取装置107提取由另一矢量选择装置602选择的m个第(n+1)维矢量数据的第(n+1)维时序数据，然后连同它们的相似性一道把它们输出给数据预测装置108。数据预测装置108根据过去数据提取装置107提取的m个第(n+1)维时序数据和以上计算的相似性预测输入的n维矢量的第(n+1)维时序数据。如上所述，根据这一最佳实施例，时序数据101的预测是根据与选自多个矢量集的m个矢量数据相比的相似性Rci来进行的。于是能够预测利用属于矢量集的时序数据的转换模式不能够被预测的、具有更复杂趋势的时序。这样就能够提高包括大量变化的时序信号的预测精度。第六最佳实施例图7是表示本发明第六最佳实施例的时序信号预测装置的结构的方框图。参看图7，执行与图1至6中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第六最佳实施例的时序信号预测装置与图5的第四最佳实施例的时序信号预测装置的不同之处在于不包括(a)矢量选择数目确定装置601；但包括(b)在矢量选择装置106和集分割确定装置501之间的矢量选择数目存储装置701和矢量集删除装置702。矢量选择数目存储装置701存储当输入矢量数据V所属的矢量集Ps被矢量选择装置106选择时的选择数目Ts。如果存储在选择数目存储装置701内的选择数目Ts小于当前可允许的选择数目Tth，矢量集删除装置702就删除该矢量集。此后，存储在矢量集存储装置104内的矢量集就被矢量集更新装置110更新。利用上述装置，在最近预测处理中几乎不被使用的矢量集被删除，所以能够防止要被存储在矢量存储装置104内的矢量集数目的增大，简化了时序信号预测装置的结构。在该第六最佳实施例中，每当输入了预先规定数目的新的时序数据101，矢量集删除装置702就通过把存储在矢量选择数目存储装置701内的各矢量集的选择数目Ts与可允许的选择数目Tth作比较来删除其选择数目小于该可允许的选择数目Tth的矢量集。但是，本发明不受此限制，本发明可以采用如图8所示第六最佳实施例的改进所示这样的结构。参看图8，该时序信号预测装置包括代替图7的矢量选择数目存储装置701的矢量选择时刻存储装置801。该矢量选择时刻存储装置801存储各矢量集被选择时的最近时刻S，如果该选择时刻比根据当前时刻设定的可允许时刻早，集删除装置702就删除与该选择时刻相关的矢量集。此后，存储在矢量集存储装置104内的矢量集被矢量集更新装置110更新。就是说，通过按照预定更新时间间隔把存储在矢量选择时刻存储装置801内的各矢量集的选择时刻Ts与可允许选择时刻Tth相比较，从矢量集存储装置104中仅删除在可允许时刻Tth之前已被选择的矢量集。利用上述装置，在最近预测处理中几乎不被使用的矢量集被删除，所以能够防止要被存储在矢量集存储装置104内的矢量集数目的增大，简化了时序信号预测装置的结构。第七最佳实施例图9是表示本发明第七最佳实施例的时序信号预测装置的结构的方框图。参看图9，执行与图1至8中的操作相同的操作的装置用相同的标号来表示，省略对它们的详细描述。第七最佳实施例的时序信号预测装置与图7的第六最佳实施例的时序信号预测装置的不同之处在于包括取代矢量选择数目存储装置701的集内矢量更新装置901。此时，把已被矢量分类装置105确认为输入矢量数据V所属的矢量集Ps作为目标，当矢量选择装置106根据相似性选择m个矢量Usj(i＝1，2，……m)时，集内矢量更新装置901如此地在下一时序数据的输入时刻进行更新，即存储在矢量集存储装置104内的相似性最低的矢量Umin被新输入的矢量数据V代替。就是说，相似性最低的矢量Umin被删除，同时增加新输入的矢量数据V。利用上述装置，在最老的矢量数据被删除的同时，矢量集内数据更新装置109给矢量集存储装置104内的矢量集增加新输入的矢量数据。这样就能够保持要被存储在矢量集存储装置104内的矢量的数目不变，于是能够简化时序信号预测装置的结构。此外，由于矢量集存储装置104内的矢量集可被更新成为新的矢量数据，所以能够产生独特的效果，即能够形成匹配时序数据新的趋势的矢量集。图10是构成图1、图2和图5至图9的数据预测装置108的神经网络的结构图。在本发明的第一、第二和第四至第七实施例的时序信号预测装置中使用的数据预测装置108可用图10的神经网络来实现。该神经网络包括(a)包括2m个单元1001-1至1001-2m的输入层1001；(b)包括L个单元1002-1至1002-L的中间层1002；以及(c)包括一个单元1003-1的输出层1003，输入层1001的每一单元1001-1至1001-2m与中间层1002的每一单元1002-1至1002-L连接，中间层1002的每一单元1002-1至1002-L与输出层1003的单元1003-1连接。在本结构中，输入层1001的每一单元1001-1至1001-2m输出的数据被乘以其规定的加权因子，然后被输出给中间层1002的每一单元1002-1至1002-L。中间层1002的每一单元1002-1至1002-L输出的数据被乘以其规定的加权因子，然后被输出给输出层1003的单元1003-1。按以下方式训练每一连接线的加权因子。如此地训练神经网络，即根据过去数据提取装置107获得的m个第(n+1)维矢量的第(n+1)维时序数据Un+1sj＝[Un+1sj](j＝1，2，……，m)以及该m个矢量与输入矢量之间的相似性Rsj(j＝1，2，……m)的输入，输出相应于n维输入矢量V的第(n+1)维的时序数据Vn+1的预测值。在图10的最佳实施例中，图1、图2和图5至图9的数据预测装置108用神经网络来实现。也可以利用已知的线性预测方法预测时序数据Vn+1。虽然图10的神经网络只有一层的中间层1002，但本发明不受此限制，神经网络可以具有至少一层的中间层1002。第八最佳实施例图11是表示本发明第八最佳实施例的时序信号预测装置的结构的方框图。该最佳实施例是把本发明的时序信号预测装置应用于预测超高速公路的隧道流入交通量的处理的实施例。参看图11，该最佳实施例的时序信号预测装置可粗略地分成预测执行部分1201和模板更新确定部分1202。在这一装置中，预测执行部分1201包括(a)预测矢量产生装置1102，通过给当前时刻t的交通量数据1101u(t)增加过去(m-1)个时刻的交通量数据u(t-m+1)、u(t-m+2)、……、u(t-2)、u(t-1)来产生多个m维预测矢量U；(b)相似模板矢量选择装置1103，利用在预先准备和产生的模板矢量集存储器1110内的模板矢量集选择与预测矢量U相比具有最高相似性的(m+1)维模板矢量ti(i＝1，2，……K)；(c)输入变化量获取装置1104，计算相似模板矢量选择装置1103选择的相似模板矢量ti和预测矢量U之同的直到第m个元素的差矢量di，进一步根据这些差矢量di计算变化基准量xi并输出结果；(d)交通量预测装置1105，通过提取相似模板矢量选择装置1103选择的k个(m+1)维矢量的(m+1)个元素ti(m+1)来作出预测；以及(e)预测量较正装置1106，根据变化基准值xi校正交通量预测装置1105提取的K个交通量数据ti(m+1)来计算和输出时刻(t+1)的交通量的最后被预测交通量1111ut+1，该变化基准值xi是根据输入变化量获取装置1104计算的预测矢量U和是被选矢量的相似模板矢量ti之间的差矢量di进行计算的。预测准备部分1200包括(f)模式矢量产生装置1108，根据预先存储在过去交通量数据集存储器1107内的涉及过去几天或几个月范围的交通量数据集GP，按照时间流逝的顺序产生表示变化模式的(m+1)维模式矢量Vj(j＝1，2，……Pnum)；(g)矢量分类装置1109，把模式矢量产生装置1108产生的过去模式矢量Vj(j＝1，2，……Pnum)分成多个子集GPs(S＝1，2，……Snum)并把它们存储在模板矢量集存储器1110中；以及(h)模板矢量集存储器1110，存储由表征矢量分类装置1109分类的子集GPs(S＝1，2，……Snum)的矢量Ts(S＝1，2，……Snum)组成的模板矢量集。模板更新确定部分1202包括(i)预测误差计算装置1112，计算实际时刻(t+1)的交通量u(t+1)和被预测交通量Ut+1之间的误差e(t+1)＝|u(t+1)-ut+1|；(j)预测误差存储装置1113，存储预测误差计算装置1112计算的预测误差e(t+1)，该预测误差e(t+1)具有规定个数的时间点；以及(k)模板更新确定装置1114，根据存储在预测误差存储装置1113内的过去预测误差e(t+1)的变化状况确定是否更新模板矢量集存储器1110。以下说明上述结构的用于隧道流入交通量预测的时序信号预测装置的操作。首先参看预测准备部分1200，为了预先产生模板矢量集，把过去隧道流入交通量的集合GP存储在过去交通量数据集存储器1107中。然后，模式矢量产生装置1108产生矢量元素重叠的过去交通量模式矢量Vj，以便要被产生的模式矢量的主要元素数目的偏移量l与该模式矢量的维数(m+1)具有(m+1)＞1这样的关系。这样就能够尽可能正确地提取过去交通量中的变化模式的特征。图12表示图11的时序信号预测装置的一操作实例，其中图12(a)、12(b)、12(c)表示相对于时间的过去交通量的矢量V1、V2、V3，图12(d)、12(e)表示重新排列矢量V1、V2、V3所得到的模板矢量。图12表示在时间以一个时间点为单位移动时产生6维模式矢量V1、V2、V3的一实例。参看图12，矢量分类装置1109把模式矢量产生装置1108产生的模式矢量Vj(j＝1，2，……Pnum)分类成为Snum个子集GPs并产生表征各个子集GPs的矢量Ts。可以使用各种分类方法、例如已知的VQ(矢量量化)方法、LVQ(学习矢量量化)方法等来分类集合。此处如图12所示，使用了VQ方法。存储在模板矢量集存储器1110内、被用来执行与预测矢量U的模式匹配的模板矢量集GT由表征矢量分类装置1109产生的各个子集GPs的矢量Ts(S＝1，2，……Snum)组成。在预测执行部分1201中，当前时刻t的交通量数据u(t)首先输入给预测矢量产生装置1102，该预测矢量产生装置1102对交通量数据u(t)、过去(m-1)个时间点的交通量数据u(t-m+1)、u(t-m+2)、……、u(t-1)进行排列，由此产生m维预测矢量U＝[u(t-m+1)，u(t-m+2)，……u(t-1)，u(t)]并把该矢量输出给相似模板矢量选择装置1103。然后，相似模板矢量选择装置1103选择与预测矢量U相比具有较高相似性的K个模板矢量，选定的K个模板矢量用ti(i＝1，2，……k)来表示。用以下公式表示的直到第m个元素的平方误差之和用作任何模板矢量Ts(S＝1，2，……，Snum)和预测矢量U之间的相似性的尺度SVsSVS=Σj=1m(U(j)-Ts(j))×(U(j)-TS(j)),·········(5)]]>其中U(j)表示预测矢量U的第j个元素，Ts(j)表示模板矢量Ts的第j个元素。除以上公式(5)外，还可以利用由直到第m个元素的预测矢量U和模板矢量Ts形成的角度。然后，输入变化量获取装置1104根据选定的K个模板矢量ti(i＝1，2，……k)和预测矢量U计算直到第m个元素的差矢量di，并把它们输出给预测量校正装置1106。变化基准量xi根据这些差矢量di进行计算，差矢量di的范数在此被看作是xi。与此同时，交通量预测装置1105提取选定的K个模板矢量的第(m+1)维元素ti(m+1)(i＝1，2，……k)，然后把它们输出给预测量校正装置1106。被提取的K个模板矢量的第(m+1)维元素ti(m+1)(i＝1，2，……k)的值成为根据过去交通量数据模式产生的模板矢量而预测的被预测交通量1111的候选值。但是，过去交通量数据模式实际上无法俘获所有的交通量模式，所以直到第m个元素的预测矢量U和模板矢量ti(i＝1，2，……k)之间存在着预测误差。因此，预测量校正装置1106就通过利用预测量校正装置1105提取的被预测交通量1111的K个候选值ti(m+1)(i＝1，2，……K)和根据模板矢量和预测矢量U之间的差矢量di获得的变化基准量xi来计算最后时刻(t+1)的被预测交通量Ut+1。进行这种校正的方法可以是利用由以下公式表示的模糊规则的方法如果U(m)＝u(t)＝ti(m)则U(m+1)＝u(t+1)＝ti(m+1)(i＝1，2，……K)……(6)在此使用的模糊从属函数是这样的三角函数，即由用变化基准量xi表示的轴上的每一选定矢量ti所表示的位置相对于相关的选定矢量的可信度变成1.0。在这种情况下，对于变化基准量xi(i＝1，2，……k)中的最大值xmax，xi的可能范围被定为-xmax≤xi≤xmax，以便选定矢量的可信度是1.0的那些位置都包括在内。表示图11的时序信号预测装置的一操作实例的图13是表示可信度η与变化基准量xi的关系曲线的图示。图13表示预测矢量的维数是5、模板矢量的维数是6、相似模板矢量的数目K是K＝3的一个例子。选定矢量ti的第m个元素ti(m)和预测矢量U的第m个元素U(m)的差值作为变化基准量xi，而Y1(x)、Y2(x)和Y3(x)等价于各个从属函数。就是说，各选定的预测交通量候选值ti(m+1)被乘以从图13所示这样的从属函数得到的可信度η(i)，然后将结果除以可信度之和ηsum∑η(i)，由此确定最后的被预测交通量Ut+1ui+1=Σi=1K{η(i)×ti(m+1)}/Σi=1kη(i)·······(7)]]>最后说明模板更新确定部分1202的操作。预测交通量1111ut+1被输入给预测误差计算装置1112。该预测误差计算装置1112将输入的预测交通量1111Ut+1与时刻(t+1)的实际交通量u(t+1)作比较来计算预测误差e(t+1)＝|u(t+1)-ut+1|，将结果存入预测误差存储装置1113。然后，模板更新确定装置1114确定是否更新模板矢量集存储器1110内的模板矢量集GT。一般来说，例如交通量这样的时序模式随着时间的延长很可能按照其模式特性发生变化。为此，在本最佳实施例中，如果总是使用相同的模板矢量集，则所得到的预测精度将因预测范围变大而变差。因此，为了避免这种情况，已提供了正常地检查预测精度并将模板矢量集更新成为与当前交通量模式一致的模板矢量集。某一段时间内预测误差的平均值eave和标准偏差edelte可例如被作为模板更新确定装置1114的更新确定标准。在这种情况下，模板更新确定装置1114计算某段时间内预测误差的平均值eave和标准偏差edelta，一旦所计算的预测误差的平均值eave和标准偏差edelta分别超过预先设定的阈值eaveth和e，模板更新确定装置1114就根据直到时刻t的过去交通量数据更新模板矢量集GT。发明人进行了以下实验来评估以上结构的第八最佳实施例的时序信号预测装置的操作。在该实验中，利用该时序信号预测装置，根据实际交通量数据，按照20分钟的时间间隔预测超高速公路上的隧道流入交通量，评估了预测精度、计算时间以及模板的存储容量。评估的结果如表1和2所示。表1预测交通量和实际交通量之间的相关系数</tables>注评估期间12月26日至5月20日预测矢量维数5制备模板的期间8月23日至12月22日表2、</tables>评估是这样来做的，即把超高速公路上的交通车辆分成大型车辆和普通或小型车辆两类，还把车辆分成驶入隧道的车辆和驶离隧道的车辆。在预测矢量的维数是5和把从8月23日至12月22日的约4个月的交通量数据作为过去交通量数据集GP的条件下，对从12月26日至5月20日的约5个月的交通量数据进行性能评估。表1表示预测交通量和实际交通量之间的相关系数，而表2表示一次提前预测所需的计算时间以及所用模板的存储容量。在此应指出已有技术方法是这样一种预测交通量的方法，即把直到当前时刻的交通量与过去几个月的平均值的差值或直到当前时刻的交通量应用于自回归模型，并利用卡尔曼滤波器确定回归系数，该已有技术方法在例如日本特许公开专利JP-A-235799中有描述。该方法被实际用于超高速公路的隧道流入交通量的预测。混沌方法是执行时序数据的短期预测的方法的应用，该方法利用众所周知的、例如在“已有技术参考文献3”--AsakuraShoten出版的KazuyukiAIHARA等人编辑的“混沌应用系统”第7章或在日本特许公开专利JP-7-270200中描述的Tackence嵌入定理把观察的时序数据重新排列成为多维状态空间，再利用包含最新现察的数据的数据矢量的邻近矢量局部地重新排列这些时序数据。由表1显然可见该最佳实施例的时序信号预测装置在分类为小型车辆、大型车辆、上游数据和下游数据的4种评估方面显示了极优的结果。表2表示在利用装备有等价于奔腾133MHz的CPU的个人计算机执行计算的情况下的计算时间以及模板所需的存储容量。这些结果是在与表1中的性能评估的结果相同的条件下利用本最佳实施例的时序信号预测装置来获得的，过去交通量数据集GP被分成了1024个子集。由表2显然可见本最佳实施例的时序信号预测装置在计算时间和存储容量方面也显示出了优越性。对于超高速公路，为了向公路使用者提供安全的环境，必需安装用于隧道通风的通风设备以及设备的自动控制。实现通风的自动控制以前是基于隧道内的污染程度的反馈控制或电平控制。但是，因为这些控制处理都是在检测了污染之后的延迟控制，所以在效果出现之前存在时滞。因此，通过预测隧道内的污染程度执行前馈控制已成为主流。在这种处理中，为了节省通风设备所需的电力，正确地预测通过隧道的车辆数目和准确地预测污染程度是很重要的。根据这一观点，本最佳实施例的时序信号预测装置起非常重要的作用。在上述最佳实施例中，根据包含输入的当前时刻交通量的预测矢量和各个选定矢量之间的欧几里德距离利用模糊规则校正了选定的多个模板矢量ti的第(m+1)个元素。但是，本发明不受此限制，本发明允许交通量预测装置1105选择具有最大相似性的一个模板矢量tmax和校正第(m+1)个元素tmax(m+1)的方法的使用。在这种情况下，计算利用预测矢量U和选定矢量tmax之间的直到第m个元素的差矢量的输入校正从模板获得的预测量tmax(m+1)的校正量dm+1d＝[d1，d2，……dm]＝[U(1)-tmax(1)，U(2)-tmax(2)，……U(m)-tmax(m)]图14是构成图11的交通量预测装置1105的神经网络的结构图。该神经网络是一重复神经网络，包括(a)具有m个单元1501-1至1501-m的输入层1501；(b)包括各具有自反馈连接的4个单元1502-1至1502-4的中间层1502；以及(c)具有一个单元1503-1的输出层1503。在这一结构中，输入层1501的输入包括待输入的交通量数据的矢量和由相似模板矢量选择装置选择的模板矢量。具有这样的反馈连接的重复神经网络在被利用在例如“已有技术参考文献4”—J.T.Connor等人发表于《电气车电子工程师协会神经网络会刊》1994年5卷2期240-254页上的论文“重复神经网络和增强的时序预测”—中描述的已知方法进行了训练之后，可被作为交通量预测装置1105。这样一来，通过根据模板的校正量预先训练神经网络并利用其非线性应用的能力，就能够甚至利用输入的预测矢量和制备的模板矢量之间的低相似性来预测实际的交通量。在上述实施例中，例如用硬盘设备或其它存储设备来构成存储器和存储装置，例如用数字或其它计算机来构成除存储器和存储装置外的装置。工业实用性如上所述，根据本发明，提供了时序信号预测装置，包括矢量产生装置，根据按照固定时间间隔被取样和输入的自然数的n个时序数据产生n维矢量数据；另一矢量产生装置，根据按照固定时间间隔被取样和输入的过去时序数据产生(n+1)维矢量数据，并利用直到第n维的矢量数据以相似矢量为单位把该矢量数据分类成为L个矢量集；矢量存储装置，存储矢量产生装置产生的n维输入矢量数据；矢量集存储装置，以L个被分类矢量为单位存储另一矢量产生装置产生的(n+1)维矢量数据；矢量分类装置，根据矢量数据属于存储在矢量集存储装置内的矢量集中的哪一个矢量集分类存储在矢量存储装置内的矢量数据；矢量选择装置，按照新输入时序数据的矢量数据的相似性的降序，从存储在矢量存储装置内的矢量数据所属的矢量集中选择K个矢量数据；过去数据提取装置，从属于被矢量选择装置选定的矢量集的K个(n+1)维矢量中提取K个第(n+1)维数据，并连同相似性一道输出被提取的数据；以及数据预测装置，根据过去数据提取装置提取的K个数据、存储在矢量存储装置内的输入矢量数据以及相似性预测并输出继输入时序数据之后的下一时刻的时序数据。因此，根据本发明，与已有技术的装置相比，本发明的时序信号预测装置能够利用简单的结构实现高精度的时序信号预测，此外，即使时序信号的统计性质发生变化，该装置也能够高精度地预测时序信号。权利要求1.时序信号预测装置，包括矢量产生装置，根据按照固定时间间隔被取样和输入的自然数的n个时序数据产生n维矢量数据；另一矢量产生装置，根据按照固定时间间隔被取样和输入的过去时序数据产生(n+1)维矢量数据，并利用直到第n维的矢量数据以相似矢量为单位把该矢量数据分类成为L个矢量集；矢量存储装置，存储该矢量产生装置产生的n维输入矢量数据；矢量集存储装置，以L个被分类矢量集为单位存储该另一矢量产生装置产生的(n+1)维矢量数据；矢量分类装置，根据矢量数据属于存储在该矢量集存储装置内的矢量集中的哪一个矢量集来分类存储在该矢量存储装置内的矢量数据；矢量选择装置，按照新输入时序数据的矢量数据的相似性的降序，从存储在矢量存储装置内的矢量数据所属的矢量集中选择K个矢量数据；过去数据提取装置，从属于被该矢量选择装置选定的矢量集的K个(n+1)维矢量中提取K个第(n+1)维数据，并连同相似性一道输出被提取的数据；以及数据预测装置，根据该过去数据提取装置提取的K个数据、存储在该矢量存储装置内的输入矢量数据以及相似性，预测并输出继输入时序数据之后的下一时刻的时序数据。2.权利要求1的时序信号预测装置，还包括矢量更新装置，更新在存储在所述矢量存储装置内的矢量数据所属的集合中具有较低相似性的矢量数据，以便具有较低相似性的矢量数据被最新输入矢量数据所代替。3.时序信号预测装置，包括矢量产生装置，根据按照固定时间间隔被取样和输入的自然数的n个时序数据产生n维矢量数据；另一矢量产生装置，根据按照固定时间间隔被取样和输入的过去时序数据产生(n+1)维矢量数据，并利用直到第n维的矢量数据以相似矢量为单位把该矢量数据分类成为L个矢量集；矢量存储装置，存储该矢量产生装置产生的n维输入矢量数据；矢量集存储装置，以L个被分类矢量集为单位存储该另一矢量产生装置产生的(n+1)维矢量数据；矢量分类装置，根据矢量数据属于存储在该矢量集存储装置内的矢量集中的哪一个矢量集分类存储在该矢量存储装置内的矢量数据；矢量更新装置，更新在存储在所述矢量存储装置内的矢量数据所属的集合中具有较低相似性的矢量数据，以便具有较低相似性的矢量数据被更新输入矢量数据所代替；另一矢量选择装置，从存储在该矢量存储装置内的矢量所属的矢量集中输出与新输入时序数据的n维输入矢量数据相比具有最高相似性的矢量数据及其相似性；差矢量获取装置，计算从所述矢量存储装置读出的矢量数据和所述另一矢量选择装置输出的矢量之间的n维差矢量；以及另一数据预测装置，根据所述差矢量获取装置计算的n维差矢量和表示所述另一矢量选择装置输出的相似性的矢量预测并输出相应于输入矢量数据的第(n+1)维的时序数据。4.权利要求2的时序信号预测装置，还包括集分割确定装置，根据在被所述矢量选择装置选择的矢量集内的矢量数据和输入矢量数据之间相似性的分布确定是否分割该矢量集；集分割装置，当所述集分割确定装置已确认输入矢量数据所属的矢量集要被分割时，就把该矢量集分割多个矢量集；以及矢量集更新装置，更新存储在所述矢量集存储装置内的矢量集，使它们被通过利用所述集分割装置进行分割所得到的矢量集所代替。5.时序信号预测装置，包括矢量产生装置，根据按照固定时间间隔被取样和输入的自然数的n个时序数据产生n维矢量数据；另一矢量产生装置，根据按照固定时间间隔被取样和输入的过去时序数据产生(n+1)维矢量数据，并利用直到第n维的矢量数据以相似矢量为单位把该矢量数据分类成为L个矢量集；矢量存储装置，存储所述矢量产生装置产生的n维输入矢量数据；矢量集存储装置，以L个被分类矢量集为单位存储所述另一矢量产生装置产生的(n+1)维矢量数据；矢量分类装置，根据矢量数据属于存储在所述矢量集存储装置内的矢量集中的哪一个矢量集分类存储在所述矢量存储装置内的矢量数据；矢量选择数目确定装置，计算表征存储在所述矢量集存储装置内的矢量集的典型矢量数据和存储在所述矢量存储装置内的最新矢量数据之间的相似性，并确定将根据相似性要从每一矢量集中选出的矢量的矢量选择数目；另一矢量选择装置，在由所述矢量选择数目确定装置确定的矢量选择数目的基础上，根据矢量数据相似性的程度从存储在所述矢量集存储装置内的每一矢量集中选择个数等于所述矢量选择数目的矢量数据；过去数据提取装置，从属于被所述矢量选择装置选定的矢量集的K个(n+1)维矢量中提取K个第(n+1)维数据，并连同相似性一道输出被提取的数据；以及数据预测装置，根据所述过去数据提取装置提取的K个数据、存储在所述矢量存储装置内的输入矢量数据以及相似性预测并输出继输入时序数据之后的下一时刻的时序数据；集分割确定装置，根据在被所述矢量选择装置选择的矢量集内的矢量数据和输入矢量数据之间相似性的分布确定是否分割该矢量集；集分割装置，当所述集分割确定装置已确认输入矢量数据所属的矢量集要被分割时，就把该矢量集分割成为多个矢量集；矢量集更新装置，更新存储在所述矢量集存储装置内的矢量集，使它们被通过利用所述集分割装置进行分割所得到的矢量集所代替。6.权利要求1的时序信号预测装置，还包括矢量选择数目存储装置，存储当存储在所述矢量存储装置内的输入矢量数据所属的矢量集已被所述矢量选择装置选定时所得到的选择数目；矢量集删除装置，当存储在所述选择数目存储装置内的选择数目小于规定的可允许选择数目时，就删除有关矢量集；集分割确定装置，根据在被所述矢量选择装置选择的矢量集内的矢量数据和输入矢量数据之间相似性的分布确定是否分割该矢量集；集分割装置，当所述集分割确定装置已确认输入矢量数据所属的矢量集要被分割时，就把该矢量集分割成为多个矢量集；矢量集更新装置，更新存储在所述矢量集存储装置内的矢量集，使它们被通过利用所述集分割装置进行分割所得到的矢量集所代替。7.权利要求1的时序信号预测装置，还包括矢量选择时刻存储装置，存储各矢量集已被所述矢量选择装置选定时的最近时刻；矢量集删除装置，删除其被所述矢量选择时刻存储装置存储的时刻比参考所述当前时刻设定的规定可允许时刻早的矢量集；集分割确定装置，根据在被所述矢量选择装置选择的矢量集内的矢量数据和输入矢量数据之间相似性的分布确定是否分割该矢量集；集分割装置，当所述集分割确定装置已确认输入矢量数据所属的矢量集要被分割时，就把该矢量集分割成多个矢量集；矢量集更新装置，更新存储在所述矢量集存储装置内的矢量集，使它们被通过利用所述集分割装置进行分割所得到的矢量集所代替。8.权利要求1的时序信号预测装置，还包括集内矢量更新装置，把已被所述矢量分类装置确认为输入矢量数据所属的矢量集作为目标，当所述矢量选择装置根据相似性选择m个矢量时，就在下一时序数据的输入时刻更新存储在所述矢量集存储装置内的相似性最低的矢量，即相似性最低的矢量被新输入的矢量数据所代替；集分割确定装置，根据在被所述矢量选择装置选择的矢量集内的矢量数据和输入矢量数据之间相似性的分布确定是否分割该矢量集；集分割装置，当所述集分割确定装置已确认输入矢量数据所属的矢量集要被分割时，就把该矢量集分割成多个矢量集；矢量集更新装置，更新存储在所述矢量集存储装置内的矢量集，使它们被通过利用所述集分割装置进行分割所得到的矢量集所代替。9.权利要求1、2以及4至8中的任一权利要求的时序信号预测装置，其中所述数据预测装置利用把相似性作为加权和因子的加权和方法预测输入时序数据之后下一时刻的时序数据。10.权利要求1、2以及4至8中的任一权利要求的时序信号预测装置，其中所述数据预测装置利用神经网络预测输入时序数据之后下一时刻的时序数据，该神经网络包括输入层，其输入是所述过去数据提取装置输出的K个第(n+1)维数据和相似性；至少一个层的中间层；以及输出层。11.权利要求1、2以及4至8中的任一权利要求的时序信号预测装置，其中所述数据预测装置利用线性预测方法预测输入时序数据之后下一时刻的时序数据。12.权利要求3的时序信号预测装置，其中所述另一数据预测装置利用神经网络预测输入时序数据之后下一时刻的时序数据，该神经网络包括输入层，其输入是所述差矢量获取装置计算的n维差矢量和表示从所述另一矢量选择装置输出的相似性的矢量；至少一个层的中间层；以及输出层。13.权利要求3的时序信号预测装置，其中所述数据预测装置利用线性预测方法预测输入时序数据之后下一时刻的时序数据。14.权利要求1至8中的任一权利要求的时序信号预测装置，其中所述矢量分类装置根据矢量数据之间的欧几里德距离把存储在所述矢量存储装置内的矢量数据分类成为多个矢量集。15.权利要求1至8中的任一权利要求的时序信号预测装置，其中所述矢量分类装置根据矢量数据并利用分类方法把存储在所述矢量存储装置内的矢量数据分类成为多个矢量集。16.时序信号预测装置，包括交通量数据集存储器，预先存储过去交通量数据集；模式矢量产生装置，根据预先存储在交通量数据集存储器内的过去交通量数据集，按照时间流逝的顺序产生表示变化模式的多个(m+1)维模式矢量；矢量分类装置，把由所述模式矢量产生装置产生的过去模式矢量分成多个子集；模板矢量集存储器，存储由表征所述矢量分类装置分类的子集的矢量集成的模板矢量集；预测矢量产生装置，通过给当前时刻t的交通量数据u(t)增加过去(m-1)个时刻的交通量数据u(t-m+1)，u(t-m+2)，……，u(t-2)，u(t-1)来产生多个m维预测矢量；相似模板矢量选择装置，利用存储在模板矢量集存储器内的模板矢量集选择与预测矢量相比具有最高相似性的(m+1)维模板矢量；输入变化量获取装置，计算所述相似模板矢量选择装置选择的相似模板矢量和预测矢量之间的直到第m个元素的差矢量，进一步根据这些差矢量计算变化基准量并输出结果；交通量预测装置，通过提取所述相似模板矢量选择装置选择的K个(m+1)维矢量的(m+1)个元素来作出预测；预测量校正装置，根据变化基准值校正所述交通量预测装置提取的K个交通量数据来计算时刻(t+1)的交通量的最后被预测交通量，该变化基准值由所述输入变化量获取装置根据预测矢量和相似模板矢量之间的差矢量来计算的，然后将该结果作为预测交通量输出；预测误差计算装置，计算实际时刻(t+1)的交通量u(t+1)和被预测交通量之间的误差；预测误差存储装置，存储所述预测误差计算装置计算的预测误差，该预测误差具有规定个数的时间点；以及模板更新确定装置，根据存储在所述预测误差存储装置内的过去预测误差的变化状况确定是否更新模板矢量集存储器，一旦确认要更新，就根据直到时刻t的交通量数据更新存储在模板矢量集存储器内的模板矢量集。17.权利要求16的时序信号预测装置，其中矢量分类装置利用矢量量化方法或学习矢量量化方法把过去模式矢量分类成为多个子集。18.权利要求16的时序信号预测装置，其中所述预测量校正装置通过利用规定的模糊规则校正K个交通量数据来计算时刻(t+1)的交通量的最后被预测交通量。19.权利要求16的时序信号预测装置，其中所述预测量校正装置通过校正K个交通量数据来计算时刻(t+1)的交通量的最后被预测交通量，这是通过选择具有最高相似性的一个模板矢量并校正其第(m+1)个元素来实现的。20.权利要求16的时序信号预测装置，其中所述交通量预测装置通过利用神经网络来预测被所述相似模板矢量选择装置选择的K个(m+1)维矢量的第(m+1)维元素，该神经网络包括输入层，其输入是待输入的交通量数据的矢量和由所述相似模板矢量选择装置选定的模板矢量；至少一个层的中间层；以及输出层。全文摘要公开了根据过去时序数据和当前时序数据预测未来时序数据的时序信号预测装置。矢量产生装置根据自然数的n个输入时序数据产生n维矢量数据并将它们存入矢量存储装置,而另一矢量产生装置根据输入的过去时序数据产生(n+1)维矢量数据,利用直到n维的矢量数据按照相似矢量为单位把它们分类成为L个矢量集,并将它们存入矢量集存储装置。然后,矢量分类装置根据它们属于哪一个矢量集来分类输入矢量数据,矢量选择装置按照与新输入时序数据的矢量数据相比的相似性的降序从矢量数据已被确认所属的矢量集中选择K个矢量数据。然后,过去数据提取装置从属于被选定的矢量集的K个(m+1)维矢量中提取K个第(n+1)维数据,并连同它们的相似性一道输出被提取的数据,数据预测装置根据K个被提取数据,输入矢量数据和相似性,预测并输出输入时序数据之后下一时刻的时序数据。文档编号G06F17/17GK1185848SQ97190120公开日1998年6月24日申请日期1997年1月7日优先权日1996年1月8日发明者小原和昭,渡辺辰巳,伊左次和英申请人:松下电器产业株式会社