Help us understand the problem. What is going on with this article?

Pythonのエンジニアリングへの応用例: 実データから近似計算式のパラメーターを求める

More than 1 year has passed since last update.

組み込み機器などで、温度などの測定をしたい時、実際に欲しい位置で計測できず、何とか計算して近似しなければならないケースが時々あります。
そのとき、

  • うまく近似の計算式を作れるか
  • 計算式のパラメーターをどうやって決めるのか

ということが問題になります。

この記事では、後者のパラメーターの決め方について、Pythonでscipyを使うと簡単に求まる例を紹介します。

  • 最終的に貧弱な整数演算しか出来ない組み込み機器への応用を想定しています。
  • 近似したい系をある程度ブラックボックスとして扱います。

以下、実行は全てJupyter Notebook上で行っています。github上に公開しています。

データの読み込み

下記のデータがCSVファイルで準備できているものとして、このデータを読み込むことから始めます。

  • t 時刻
  • x 実際に得られるセンサーなどの測定値
  • y 実際に得たい値、この値をxから近似したい

「yは実際の運用では測定できないので、xの値から近似する」という問題設定です。(開発現場では特殊な方法でyを測定できるものの、運用する段階ではxしか得られない、ということがよく発生します。)

機械学習の教師データy、入力データxに相当します。

%matplotlib inline
import matplotlib.pyplot as plt
import pandas
from scipy import optimize
import numpy as np

# csv読み込み
datafile = 'xy_data.csv' # データファイル名
df = pandas.read_csv(datafile)
# 可視化してみましょう
df.plot()
plt.show()
# データの数値も表示してみます (100から5個)
df[100:105]

Kobito.iH3IIu.png x(オレンジ)を使ってy(緑)を近似したい。

Kobito.oSAYlT.png

それでは、xを使ってyを近似します。

モデル1 - 1次式で近似

yはxの1.?倍に見えなくもありません。そこで f(x) = a*x + b で近似することにして、パラメーターa, bをscipyで求めます。

# 近似式を定義する
def f1(x, a, b): # 一つの入力につづけて、必要なパラメーターを列挙
    return a*x + b

# 近似計算を関数にまとめる
def param_solver(f, x, y, debug_print=True):
    '''関数f(x)に対して入力xをyに合うよう初期値guessで調整したパラメーターを計算'''
    params, params_covariance = optimize.curve_fit(f, x, y) # <---------- ここで最適化計算
    if debug_print:
        print('params =', params) # 得られたパラメーター
        print('params_covariance =', params_covariance) # このパラメーターでの共分散
        print('standad deviation errors = ', np.sqrt(np.diag(params_covariance))) # 標準偏差
    return params

# データを一旦numpyデータに変換
x = np.array(df['x'].tolist())
y = np.array(df['y'].tolist())
t = np.array(df['t'].tolist())

# パラメーターを計算
params = param_solver(f=f1, x=x, y=y) 

params = [ 1.24075239e+00 2.31148413e+03]
params_covariance = [[ 3.47128802e-04 -4.06799576e+00]
[ -4.06799576e+00 5.46259540e+04]]
standad deviation errors = [ 1.86313929e-02 2.33721959e+02]

scipyの optimize.curve_fit で簡単に近似パラメーターが見つかりました。

見つかったパラメーターで近似式を可視化

どれだけ近似できたのでしょうか。

# 可視化を関数にまとめる
def plot_all(f, x, y, params):
    fig, ax = plt.subplots()
    ax.plot(t, f(x, *params), 'b-', label="f(x)")
    ax.plot(t, x if len(np.array(x).shape) == 1 else x[0], 'r-', label="x")
    ax.plot(t, y, 'g-', label="y")
    ax.legend()
    plt.show()

plot_all(f1, x, y, params)

Kobito.w7aIX1.png

y(緑)に対して、x(赤)を定数倍しただけなので、やはり無理がありました…。モデルを変えてみましょう。

モデル2 - 2次式を導入

f(x) = a*x^2 + b*x + c で近似します。

# 近似式を定義する
def f2(x, a, b, c):
    return a*x**2 + b*x + c

# パラメーターを計算
params2 = param_solver(f=f2, x=x, y=y) # guessを3要素にする

# 可視化する
plot_all(f2, x, y, params2)

params = [ -5.82931117e-05 2.42030720e+00 -2.33839533e+03]
params_covariance = [[ 1.78832431e-11 -3.61865487e-07 1.42649657e-03]
[ -3.61865487e-07 7.56116875e-03 -3.16641976e+01]
[ 1.42649657e-03 -3.16641976e+01 1.51375869e+05]]
standad deviation errors = [ 4.22885837e-06 8.69549812e-02 3.89070519e+02]

Kobito.YaL30R.png

だいぶ似ましたが、ピークが全く近似できていません。よく見るとxとyではカーブのポイントが時間的にズレているようです。時間要素も考慮しましょう。

モデル3 - 微分を導入

f(x) = a*x^2 + b*x + c*dx/dt + d で微分項 dx/dtを使って近似します。

def f3(xs, a, b, c, d):
    x, xdelayed = xs
    dx = x - xdelayed # 微分を遅れ成分との差分で表現
    return a*x**2 + b*x + c*dx + d;

def make_delayed(d, delay_step):
    '''先頭delay_step個をd[0]にして、後端delay_step個を切り捨てたdを作成'''
    d = list(d)
    n = len(d)
    result = np.array([d[0] for i in range(delay_step)] + list(d[:-delay_step]))
    return result

# 10時刻遅れのデータを作る
x10 = make_delayed(x, delay_step=10)

# パラメーターを計算、可視化
params3 = param_solver(f=f3, x=(x, x10), y=y) # xに二つの入力を与えている
plot_all(f3, (x, x10), y, params3)

params = [ -3.54499345e-05 2.03961022e+00 3.95514919e+00 -2.84616185e+03]
params_covariance = [[ 2.27985415e-12 -4.55332708e-08 2.90736635e-08 1.64730881e-04]
[ -4.55332708e-08 9.39580914e-04 -4.84532248e-04 -3.67720697e+00]
[ 2.90736635e-08 -4.84532248e-04 5.03391759e-03 -6.46259873e-01]
[ 1.64730881e-04 -3.67720697e+00 -6.46259873e-01 1.79598365e+04]]
standad deviation errors = [ 1.50991859e-06 3.06525841e-02 7.09501063e-02 1.34014314e+02]

Kobito.78s4fi.png

かなり似ました! しかし、近似したf(x)は後半少しy(緑)とずれています。
ここでは微分のとり方として単純なx(t) - x(t-10)としましたが、この10時刻遅れでよかったのでしょうか。

この遅れ成分(以下td)もパラメーターとして探索してみます。

微分近似の最適値を探す

# 時間遅れtdに対して、良さを定量化する評価関数を、目標とf(x)の差分の絶対値(L1距離)の総和として定義する
def cost(td, *args):
    _f, _x, _y = args
    # 遅れデータを作り
    xdelay = make_delayed(d=_x, delay_step=td)
    # 最適化を計算し
    _params = param_solver(f=_f, x=(_x, xdelay), y=_y, debug_print=False)
    # 距離の総和を計算
    return np.sum(np.abs(_y - _f((_x, xdelay), *_params)))

print('cost(td=5) = ', cost(5, f3, x, y))
print('cost(td=10) = ', cost(10, f3, x, y))

cost(td=5) = 178246.4667
cost(td=10) = 149393.276741

まず簡単に評価関数を決めて、試しにtd=5, 10で値を取った所、5よりは10の方が優れていることが定量的に確認出来ました。

ここでもscipyで最適化します。

def cost_for_brute(td, *args):
    '''bruteの挙動(最後にtdがリストで与えられる)に合わせたラッパー、常に一つの整数値をcostに与える'''
    try:
        td = int(td[0])
    except:
        pass
    return cost(td, *args)

# 探索
result = optimize.brute(cost_for_brute, [slice(1, 50, 1)], args=(f3, x, y), full_output=True)
final_td, final_cost, tds, costs = result # 最適td, 最適cost, 探索範囲のtd, それぞれのcost
final_td = int(final_td[0]) # [23.]のように実数のリストで返っているため、整数へ変換
print('final optimum td = ', final_td, 'for cost = ', final_cost)

# 可視化
fig, ax = plt.subplots()
ax.plot(tds, costs, 'b-', label="cost(td)")
ax.plot(final_td, final_cost, 'go', label="Minima")
ax.legend()
plt.show()

final optimum td = 23 for cost = 123800.706755

Kobito.LIkU0P.png

きれいに凸型になり、評価関数の値が一番小さくなる最適解が1つしかないことが分かります。それでは、このパラメーターtdで近似の様子を可視化します。

def solve_and_plot_by_td(td, f, x, y, debug_print=True):
    # 遅れデータを作り
    xdelay = make_delayed(d=x, delay_step=td)
    # 最適化を計算し
    params = param_solver(f=f, x=(x, xdelay), y=y, debug_print=debug_print)
    # 可視化
    plot_all(f, (x, xdelay), y, params)
    return params

f3_params = solve_and_plot_by_td(final_td, f3, x, y)

params = [ -3.56938479e-05 2.02134829e+00 1.78433928e+00 -2.62914982e+03]
params_covariance = [[ 1.41335136e-12 -2.83473596e-08 7.69752574e-09 1.03708164e-04]
[ -2.83473596e-08 5.86738635e-04 -1.35889230e-04 -2.30772756e+00]
[ 7.69752574e-09 -1.35889230e-04 6.07763010e-04 -9.90337036e-02]
[ 1.03708164e-04 -2.30772756e+00 -9.90337036e-02 1.11544635e+04]]
standad deviation errors = [ 1.18884455e-06 2.42226884e-02 2.46528499e-02 1.05614693e+02]

Kobito.d6pUff.png

改善しました。評価関数の値で具体的に下記のように最適化され、グラフ上もf(x)は目標のyに対してほとんど重なっています。

cost(td=10) =  149393.276741
cost(td=23) =  123800.706755

目標をこれで達成したとして、近似式f3()は果たして最適だったのでしょうか。

例えば、2次項a*x**2は必要だったのでしょうか。また、微分はありますが積分項は必要ないのでしょうか。

モデル4 - 2次項を省く

f(x) = b*x + c*dx/dt + d として、 x^2 を省いて近似します。

def f4(xs, b, c, d):
    x, xdelayed = xs
    dx = x - xdelayed # 微分を遅れ成分との差分で表現
    return b*x + c*dx + d;

# 探索実施
result = optimize.brute(cost_for_brute, [slice(1, 50, 1)], args=(f4, x, y), full_output=True)
final_td, final_cost, tds, costs = result # 最適td, 最適cost, 探索範囲のtd, それぞれのcost
final_td = int(final_td[0]) # [23.]のように実数のリストで返っているため、整数へ変換
print('final optimum td = ', final_td, 'for cost = ', final_cost)

# 可視化
fig, ax = plt.subplots()
ax.plot(tds, costs, 'b-', label="cost(td)")
ax.plot(final_td, final_cost, 'go', label="Minima")
ax.legend()
plt.show()

final optimum td = 32 for cost = 251326.900162

Kobito.i2PzeY.png

コストが悪いことはわかりました。念のため近似の様子も可視化してみましょう。

solve_and_plot_by_td(final_td, f4, x, y)

params = [ 1.28868602 1.44297502 176.91492786]
params_covariance = [[ 6.30546320e-05 3.59497597e-05 -7.78121379e-01]
[ 3.59497597e-05 1.08222102e-03 -1.60091104e+00]
[ -7.78121379e-01 -1.60091104e+00 1.21028825e+04]]
standad deviation errors = [ 7.94069468e-03 3.28971279e-02 1.10013101e+02]

Kobito.cbmYOw.png

グラフでも一見して悪化したことが確認できます。以上のように、2次項が必要だったことは良くわかりました。

次に、積分項を導入してみましょう。

モデル5 - 積分項を導入

f(x) = a*x^2 + b*x + c*dx/dt + d*sum(x) + e で積分項 sum(x) を使って近似します。

# 移動区間で積分値を得る。桁あふれを防ぐため、足し合わせるデータ個数で割った値とする => ∴移動平均…
def integral(d, span):
    d = list(d)
    n = len(d)
    dspan = [d[0] for i in range(span - 1)] + d # 先頭にspan-1個追加した配列を準備
    return np.array([sum(dspan[i:i+span])/span for i in range(n)])# 移動しながらspan個足し合わせたデータを作成

# 近似式を定義
def f5(xs, a, b, c, d, e):
    x, xdelay, xsum = xs
    dx = x - xdelay
    return a*x**2 + b*x + c*dx + d*xsum + e
# 積分時間tiに対して、良さを定量化する評価関数を、目標とf(x)の差分の絶対値(L1距離)の総和として定義する
def cost5(ti, *args):
    f, x, xdelay, y = args
    # 積分データを作り
    xsum = integral(x, ti)
    # 最適化を計算し
    params = param_solver(f=f, x=(x, xdelay, xsum), y=y, debug_print=False)
    # 距離の総和を計算
    return np.sum(np.abs(y - f((x, xdelay, xsum), *params)))

# 遅れデータを作り(※最適値は前回求めたものを利用する)
xdelay = make_delayed(d=x, delay_step=final_td)
# 試しにti=10のときのコストを算出
print(cost5(5, f5, x, xdelay, y))
print(cost5(10, f5, x, xdelay, y))

105806.884719
105436.131801

def cost5_for_brute(td, *args):
    '''bruteの挙動(最後にtdがリストで与えられる)に合わせたラッパー、常に一つの整数値をcostに与える'''
    try:
        td = int(td[0])
    except:
        pass
    return cost5(td, *args)

# 探索実施
result = optimize.brute(cost5_for_brute, [slice(1, 400, 1)], args=(f5, x, xdelay, y), full_output=True)
final_ti, final_cost, tis, costs = result # 最適ti, 最適cost, 探索範囲のti, それぞれのcost
final_ti = int(final_ti[0]) # [23.]のように実数のリストで返っているため、整数へ変換
print('final optimum ti = ', final_ti, 'for cost = ', final_cost)

# 可視化
fig, ax = plt.subplots()
ax.plot(tis, costs, 'b-', label="cost5(ti)")
ax.plot(final_ti, final_cost, 'go', label="Minima")
ax.legend()
plt.show()

final optimum ti = 47 for cost = 89564.819536

Kobito.2M19JQ.png

今度の評価関数は、[1,400)の範囲で3つの局所解を持っていることがわかります。その中で最適な解 47 だということが示されました。

def solve_and_plot_by_ti(ti, f, x, xdelay, y, debug_print=True):
    # 積分データを作り
    xsum = integral(x, ti)
    # 最適化を計算し
    params = param_solver(f=f, x=(x, xdelay, xsum), y=y, debug_print=debug_print)
    # 可視化
    plot_all(f, (x, xdelay, xsum), y, params)
    return params

f5_params = solve_and_plot_by_ti(final_ti, f5, x, xdelay, y)

params = [ -3.03782209e-05 9.91815249e+00 -4.26387796e+00 -7.99927214e+00
-2.47884462e+03]
params_covariance = [[ 6.63718559e-13 3.34745759e-08 -2.98614480e-08 -4.66996212e-08
4.64742006e-05]
[ 3.34745759e-08 7.18603686e-02 -5.03435446e-02 -7.23475214e-02
-1.40511200e+00]
[ -2.98614480e-08 -5.03435446e-02 3.54804571e-02 5.08234965e-02
2.46752985e-01]
[ -4.66996212e-08 -7.23475214e-02 5.08234965e-02 7.31066200e-02
3.71334580e-01]
[ 4.64742006e-05 -1.40511200e+00 2.46752985e-01 3.71334580e-01
4.98091129e+03]]
standad deviation errors = [ 8.14689241e-07 2.68067843e-01 1.88362568e-01 2.70382359e-01
7.05755715e+01]

Kobito.UB3E9H.png

依然評価関数が返すL1距離の総和は89564と大きいように思えますが、グラフはほぼ近似式が目標に一致しているところまで到達しました。
積分項を導入することにより、近似の遅れが改善しているのが収穫です。

Kobito.uGb8R8.png Kobito.byOxBY.png

ここまで最適な近似式

def f5(xs, a, b, c, d, e):
    x, xdelay, xsum = xs
    dx = x - xdelay
    return a*x**2 + b*x + c*dx + d*xsum + e

に対して、パラメーターがそれぞれ下記の値を使えばいいということが得られました。

params = [ -3.03782209e-05   9.91815249e+00  -4.26387796e+00  -7.99927214e+00 -2.47884462e+03]

最後に、更に二つ検討してみます。

  • 本当にx^2の項は必要だったのか??
  • 組み込み機器などに応用するとき、50個の移動平均バッファを持てないケースが有る。この場合どうするのか?

モデル6 - 2次項の必要性を再確認

パラメーター a = params[0] の値を見てみると、-3.03782209e-05 となっています。

つまり、2次項はほとんど結果に寄与しておらず不要では?? とも考えられます。実際に式を変えて確認してみます。

# 近似式を定義
def f6(xs, b, c, d, e):
    x, xdelay, xsum = xs
    dx = x - xdelay
    return b*x + c*dx + d*xsum + e

# 探索
result = optimize.brute(cost5_for_brute, [slice(1, 400, 1)], args=(f6, x, xdelay, y), full_output=True)
final_ti, final_cost, tis, costs = result # 最適ti, 最適cost, 探索範囲のti, それぞれのcost
final_ti = int(final_ti[0]) # [23.]のように実数のリストで返っているため、整数へ変換
print('final optimum ti = ', final_ti, 'for cost = ', final_cost)

# 可視化
fig, ax = plt.subplots()
ax.plot(tis, costs, 'b-', label="cost(ti)")
ax.plot(final_ti, final_cost, 'go', label="Minima")
ax.legend()
plt.show()

solve_and_plot_by_ti(final_ti, f6, x, xdelay, y)

final optimum ti = 339 for cost = 152778.51452

Kobito.WMA8cV.png

params = [ 1.45958277 1.24676966 -0.27112565 246.80198745]
params_covariance = [[ 1.74462598e-04 -1.29255162e-04 -2.11185881e-04 -4.55806349e-01]
[ -1.29255162e-04 8.85113218e-04 2.42461052e-04 -1.11227411e+00]
[ -2.11185881e-04 2.42461052e-04 3.35043878e-04 -8.63631214e-02]
[ -4.55806349e-01 -1.11227411e+00 -8.63631214e-02 7.95856480e+03]]
standad deviation errors = [ 1.32084291e-02 2.97508524e-02 1.83042038e-02 8.92107886e+01]

Kobito.dFfL0v.png

やはり2次項は必要でした。

パラメーターの値が小さいと、寄与度が少ないのではと考えてしまいますが、実際に確認してみるまで判断はできないことが良くわかりました。


最後に、tiに大きな値を取れない(積分バッファを大きく取れない、大きな整数を扱えない、多ビットでの計算が困難)ような小さな組込みシステムのために、tiが小さいときの様子を見てみます。

モデル5を小さなtiで運用したとき

tiは10程度にも局所解があります。この場合はどうなのでしょうか。

# 探索実施
result = optimize.brute(cost5_for_brute, [slice(1, 30, 1)], args=(f5, x, xdelay, y), full_output=True)
final_ti, final_cost, tis, costs = result # 最適ti, 最適cost, 探索範囲のti, それぞれのcost
final_ti = int(final_ti[0]) # [23.]のように実数のリストで返っているため、整数へ変換
print('final optimum ti = ', final_ti, 'for cost = ', final_cost)

# 可視化
fig, ax = plt.subplots()
ax.plot(tis, costs, 'b-', label="cost(ti)")
ax.plot(final_ti, final_cost, 'go', label="Minima")
ax.legend()
plt.show()

solve_and_plot_by_ti(final_ti, f5, x, xdelay, y)

final optimum ti = 9 for cost = 105290.231346

Kobito.6I6BLJ.png

params = [ -3.35077051e-05 6.34533112e+00 8.26308638e-01 -4.35919543e+00
-2.65976841e+03]
params_covariance = [[ 9.91381369e-13 8.29449613e-10 1.80437951e-09 -2.06410309e-08
7.13151940e-05]
[ 8.29449613e-10 4.55158040e-02 -4.96419025e-03 -4.52708548e-02
-3.90835831e+00]
[ 1.80437951e-09 -4.96419025e-03 7.59625712e-04 4.90797861e-03
2.31789824e-01]
[ -2.06410309e-08 -4.52708548e-02 4.90797861e-03 4.54355845e-02
2.30925244e+00]
[ 7.13151940e-05 -3.90835831e+00 2.31789824e-01 2.30925244e+00
7.83076217e+03]]
standad deviation errors = [ 9.95681359e-07 2.13344332e-01 2.75613082e-02 2.13156244e-01
8.84915938e+01]

Kobito.H9CgvT.png

ti = 47 のときの最適解とくらべてもそれほど遜色ありません。

実装が難しいとき、 ti = 9 で運用するのも妥協の範囲内であるケースは多いでしょう。

まとめ

結局PID(比例・積分・微分) + 2次項でうまく近似できました。

今回対象とした元々の対象が古典的な制御系に近い題材だったので、その方面の方には予想される答えかと思います。
そういった近似式を思い浮かべることが出来るとき、Pythonでscipyをうまく使うと、手軽に確認しながら、適したパラメーターを探すことができると思います。

またそのときJupyter Notebookを使って、技術メモをデータや計算式と一緒に残すのが一番早いのでは、と思います。

補足と今後の展開

今回データは1サンプルで説明しました。あまり変動のない系であればこれでもいいかもしれませんが、実際には30~サンプルを取るなどして統計的に進めたほうが安全です。

そのとき、サンプルの段階で平均化するのか、パラメーターをそれぞれ計算した上で統合するのかなど、まだやるべきことがあります。

また一旦モデル化した後も、システムの特性が変わってしまう(ドリフト)事がありえます。そのときどうやって適応させるのか、パラメーターを適応させるために小さなプログラム上で実現できるのか、これも課題です。

それとは別に、全体を確率的な系とみなすアプローチもより良くなる可能性があります。改めて確率モデルを立て、MCMCなどを使って求めることも次の検討課題にしたいと思います…。

余談

  • 今回の題材は、数年前忙しかったため、同僚に近似式を見つけて解決してもらっていたものでした。
  • しかし近似式は作られたものの、運用はまた別の同僚がハンドエンジニアリングでパラメーターを探していました(自分で取り組む時間が取れないジレンマ…)。それなりに近似できていたし、特にクリティカルではないためそのまま放置されていました。
  • 実は、その近似式は微分項までしか使っていませんでした(今回のモデル3相当)。疑ったわけではありませんでしたが、最適なの? ということはとても頭によぎっていました。
  • 何故積分を使わなかったのか、そのことを含めてある程度まで深めてみた今回の活動となりました。

今回しつこく調べた結果、以下のことは活かせそうです。

  • パラメーターの最適化を自動化出来ることになった。
  • もっと良い、小さなシステムに実装できる近似式が少なくとも1つわかった。
daisukelab
(Independent) Machine learning practitioner
http://github.com/daisukelab
Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした