信息处理装置、信息处理方法和存储介质与流程

1.本发明涉及在上水处理中使用的信息处理装置、信息处理方法和存储介质。


背景技术：

2.历来，已知用于使河水或大坝水或湖水等原水（以下，仅称为“原水”。）变为饮用水等的上水处理（例如，参照专利文献1。）。专利文献1的上水处理由上水处理系统执行，该上水处理系统具备：对原水中包含的砂等异物进行沉降除去的沉砂池、向原水中添加凝结剂来形成原水的浑浊物质凝结的团块（flock）的团块形成池、使形成的团块沉淀的沉淀池、对团块沉淀后的上水进行过滤的过滤池、以及对经过滤的上水进行消毒的消毒槽。
3.在原水中，例如，栖息着席藻属、颤藻属和项圈藻等蓝藻类和放线菌类，它们生成2
‑
mib（methylisoborneol）或土臭素。当在饮用水等施行了上水处理的原水（以下，称为“处理完毕水”。）中包含一定量以上的2
‑
mib或土臭素时，例如饮用处理完毕水的人感觉到作为霉的臭味的霉臭。因此，水道法规定处理完毕水中包含的2
‑
mib或土臭素的浓度为10ng/l以下，以防止饮用处理完毕水的人感觉到霉臭。
4.上水处理的管理者为了将处理完毕水中包含的2
‑
mib或土臭素的浓度控制为10ng/l以下，例如在团块形成池之前设置具有主要由粒径20μm以下的活性炭构成的粉末活性炭的粉末活性炭槽。因此，由于导入到上水处理系统的原水首先在粉末活性炭槽中与粉末活性炭接触，所以原水中包含的2
‑
mib和土臭素被吸附到粉末活性炭。
5.现有技术文献专利文献专利文献1：日本特开平07
‑
185573号公报。


技术实现要素：

6.发明要解决的课题然而，水道法虽然规定了处理完毕水中包含的2
‑
mib或土臭素的浓度为10ng/l以下，但是针对原水中包含的2
‑
mib或土臭素的浓度没有规定。此外，原水中包含的2
‑
mib或土臭素的浓度的变动较大。因此，不测定原水中包含的2
‑
mib或土臭素的浓度。因此，上水处理的管理者不能测定原水中包含的2
‑
mib和土臭素的浓度并基于所测定的它们的浓度来决定粉末活性炭向粉末活性炭槽的添加量。
7.对应于此，上水处理的管理者为了将处理完毕水中包含的2
‑
mib或土臭素的浓度可靠地控制为10ng/l以下，向粉末活性炭槽中添加过剩的粉末活性炭。其结果是，产生了如下那样的问题，即：不仅基于无用的粉末活性炭的添加的经济性负担增大，2
‑
mib或土臭素吸附的大量的粉末活性炭还生成污泥，因此，苦恼于大量的活性炭污泥的处置。
8.即，存在如下那样的问题，即：不能在适当定时添加适当量的粉末活性炭，以便将处理完毕水中包含的2
‑
mib或土臭素等霉臭原因物质的浓度可靠地控制为10ng/l以下。
9.本发明的目的在于，提供能够在适当定时添加适当量的粉末活性炭的信息处理装
置、信息处理方法和存储介质。
10.用于解决课题的方案为了达成上述目的，项1记载的信息处理装置是一种信息处理装置，估计施行上水处理的原水中包含的物质的浓度，其特征在于，具备：输入单元，输入所述物质的浓度以外的至少1个信息；以及输出单元，基于所述输入的至少1个信息和示出所述输入的至少1个信息的重要性的权重来输出所述原水中包含的物质的浓度。
11.为了达成上述目的，项3记载的信息处理装置的特征在于，具备：输入单元，输入从第一时刻到第二时刻的施行上水处理的原水中包含的物质的浓度和从所述第一时刻到所述第二时刻的所述物质的浓度以外的至少1个信息；以及输出单元，基于由所述输入单元输入的物质的浓度、由所述输入单元输入的至少1个信息和示出它们的重要性的权重来输出从所述第二时刻起经过了一定时间的预测时刻的所述物质的浓度。
12.为了达成上述目的，项10记载的信息处理方法是一种信息处理方法，估计施行上水处理的原水中包含的物质的浓度，其特征在于，具有：输入步骤，输入所述物质的浓度以外的至少1个信息；以及输出步骤，基于所述输入的至少1个信息和示出所述输入的至少1个信息的重要性的权重来输出所述原水中包含的物质的浓度。
13.为了达成上述目的，项11记载的信息处理方法的特征在于，具有：输入步骤，输入从第一时刻到第二时刻的施行上水处理的原水中包含的物质的浓度和从所述第一时刻到所述第二时刻的所述物质的浓度以外的至少1个信息；以及输出步骤，基于所述输入的物质的浓度、所述输入的至少1个信息和示出它们的重要性的权重来输出从所述第二时刻起经过了一定时间的预测时刻的所述物质的浓度。
14.为了达成上述目的，项12记载的计算机可读记录介质是一种计算机可读记录介质，储存使计算机执行信息处理方法的程序，所述信息处理方法估计施行上水处理的原水中包含的物质的浓度，其特征在于，所述信息处理方法具有：输入步骤，输入所述物质的浓度以外的至少1个信息；以及输出步骤，基于所述输入的至少1个信息和示出所述输入的至少1个信息的重要性的权重来输出所述原水中包含的物质的浓度。
15.为了达成上述目的，项13记载的计算机可读记录介质储存使计算机执行信息处理方法的程序，其特征在于，所述信息处理方法具有：输入步骤，输入从第一时刻到第二时刻的施行上水处理的原水中包含的物质的浓度和从所述第一时刻到所述第二时刻的所述物质的浓度以外的至少1个信息；以及输出步骤，基于所述输入的物质的浓度、所述输入的至少1个信息和示出它们的重要性的权重来输出从所述第二时刻起经过了一定时间的预测时刻的所述物质的浓度。
16.发明效果根据本发明，能够在适当定时添加适当量的粉末活性炭。
附图说明
17.图1是概略性地示出本发明的实施方式的信息处理装置的内部结构的框图。
18.图2是概略性地示出由图1中的cpu执行的前向传播型神经网络的概念图，图2（a）是为了说明前向传播型神经网络的一例而使用的概念图，图2（b）是为了说明图2（a）的前向传播型神经网络的变形例而使用的概念图。
19.图3是示出使用图2（a）的前向传播型神经网络来学习ffnn输入信息和ffnn正解（correct answer）数据的关系的第一学习处理的顺序的流程图。
20.图4是示出验证是否正确执行图3的第一学习处理的第一验证处理的顺序的流程图。
21.图5是概略性地示出由图1中的cpu执行的长短期存储的概念图。
22.图6是示出使用图5的长短期存储来学习lstm输入信息和lstm正解数据的关系的第二学习处理的顺序的流程图。
23.图7是示出验证是否正确执行图6的第二学习处理的第二验证处理的顺序的流程图。
具体实施方式
24.以下，一边参照附图一边详述本发明的实施方式。
25.图1是概略性地示出本发明的实施方式的信息处理装置10的内部结构的框图。
26.图1的信息处理装置10具备cpu 11、ram 12、rom 13和hdd 14，它们经由内部总线15彼此连接。cpu 11将在rom 13或hdd 14中储存的程序（例如关于深层学习的程序）展开到作为cpu 11的工作存储器的ram 12来执行。在关于深层学习的程序中，例如，存在前向传播型神经网络ffnn（feed forward neural network）和长短期存储lstm（long short term memory）等，细节记载于“深层学习”（机器学习专业系列 冈谷贵之著）中。
27.除了各种程序之外，hdd 14还储存在后述的第一学习处理（图3）中使用的ffnn输入信息（表1）和ffnn正解数据（表2）、以及在后述的第一验证处理（图4）中使用的ffnn测试数据（表3）和ffnn验证用正解数据（表4）。此外，hdd 14储存在后述的第二学习处理（图6）中使用的lstm输入信息（表5）和lstm正解数据（表6）、以及在后述的第二验证处理（图7）中使用的lstm测试数据（表7）和lstm验证用正解数据（表8）。
28.[表1]ffnn输入信息时刻原水浊度（度）ph碱度（mg/l）导电率（μs/cm）氯需求量（mg/l）水温（℃）河水位（m）
[0029]
[表2]ffnn正解数据时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）
[0030]
[表3]
ffnn测试数据时刻原水浊度（度）ph碱度（mg/l）导电率（μs/cm）氯需求量（mg/l）水温（℃）河水位（m）
[0031]
[表4]ffnn验证用正解数据时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）
[0032]
[表5]lstm输入信息时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）原水浊度（度）ph碱度（mg/l）导电率（μs/cm）氯需求量（mg/l）水温（℃）河水位（m）
[0033]
[表6]lstm正解数据预测时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）
[0034]
[表7]lstm测试数据时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）原水浊度（度）ph碱度（mg/l）
导电率（μs/cm）氯需求量（mg/l）水温（℃）河水位（m）
[0035]
[表8]lstm验证用正解数据预测时刻2
‑
mib浓度（ng/l）土臭素浓度（ng/l）
[0036]
表1的ffnn输入信息由时刻、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位这多个信息（霉臭原因物质的浓度以外的信息）构成。在ffnn输入信息中，时刻示出对原水浊度、ph、碱度、导电率、氯需求量、水温和河水位的各信息进行测定的时刻，原水浊度示出流入到上水处理系统的原水（以下，称为“流入原水”。）的浊度，ph示出沉砂池的ph，碱度示出沉砂池的碱度，导电率示出沉砂池的导电率，氯需求量示出沉砂池的氯需求量，水温示出沉砂池的水温，河水位示出作为流入原水的水源的河的规定地点（例如上水处理系统的约10km上游地点）的河水位。
[0037]
表2的ffnn正解数据由时刻、2
‑
mib浓度和土臭素浓度这多个信息构成。在ffnn正解数据中，时刻示出对2
‑
mib浓度和土臭素浓度进行测定的时刻，2
‑
mib浓度示出作为流入原水中包含的霉臭原因物质的2
‑
mib的浓度，土臭素浓度示出作为流入原水中包含的霉臭原因物质的土臭素的浓度。
[0038]
表3的ffnn测试数据由时刻、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位这多个信息构成。在ffnn测试数据中，时刻示出对原水浊度、ph、碱度、导电率、氯需求量、水温和河水位的各信息进行测定的时刻，原水浊度示出流入原水的浊度，ph示出沉砂池的ph，碱度示出沉砂池的碱度，导电率示出沉砂池的导电率，氯需求量示出沉砂池的氯需求量，水温示出沉砂池的水温，河水位示出作为流入原水的水源的河的规定地点（例如，上水处理系统的约10km上游地点）的河水位。
[0039]
表4的ffnn验证用正解数据由时刻、2
‑
mib浓度和土臭素浓度这多个信息构成。在ffnn验证用正解数据中，时刻示出对2
‑
mib浓度和土臭素浓度进行测定的时刻，2
‑
mib浓度示出流入原水中包含的2
‑
mib的浓度，土臭素浓度示出流入原水中包含的土臭素的浓度。
[0040]
在本实施方式中，作为ffnn输入信息、ffnn正解数据、ffnn测试数据或ffnn验证用正解数据的原水浊度、ph、碱度、导电率、氯需求量、水温、河水位、2
‑
mib浓度和土臭素浓度的测定只要是定性的测定即可，因此，能够使用在上水处理的领域中通常使用的浊度计、ph计、碱度计、导电率计、氯需求量计、水温计、河水位计和浓度计等测定设备来进行。这些各信息或各数据的测定设备分别固定于规定位置来使用。流入原水的浊度或流入原水中包含的2
‑
mib浓度或土臭素浓度例如能够针对流入到沉砂池前的原水或流入到沉砂池稍后的原水而设置浊度计或浓度计来测定。此外，沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温的测定只要针对不包含砂等异物的沉降物的原水进行，则在沉砂池的什么场所进行测定都可以。
[0041]
在本实施方式中，在hdd 14中储存约12500个ffnn输入信息和约12500个ffnn正解
数据、以及约3100个ffnn测试数据和约3100个ffnn验证用正解数据。再有，由cpu 11不规则地决定在规定时刻测定的各信息是否被分类为ffnn输入信息和ffnn正解数据、或ffnn测试数据和ffnn验证用正解数据。
[0042]
表5的lstm输入信息由时刻、2
‑
mib浓度、土臭素浓度、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位这多个信息构成。在lstm输入信息中，时刻示出对2
‑
mib浓度、土臭素浓度、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位的各信息进行测定的时刻，2
‑
mib浓度示出流入原水中包含的2
‑
mib的浓度，土臭素浓度示出流入原水中包含的土臭素的浓度，原水浊度示出流入原水的浊度，ph示出沉砂池的ph，碱度示出沉砂池的碱度，导电率示出沉砂池的导电率，氯需求量示出沉砂池的氯需求量，水温示出沉砂池的水温，河水位示出作为流入原水的水源的河的规定地点（例如，上水处理系统的约10km上游地点）的河水位。
[0043]
表6的lstm正解数据由预测时刻、2
‑
mib浓度和土臭素浓度这多个信息构成。然而，在本实施方式中，关于长短期存储lstm，以基于第一时刻t
m
至第二时刻t
n
（t
n
＞t
m
）之间测定的时间序列数据来输出从时刻t
n
起经过了一定时间的时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度作为前提，将从时刻t
n
起经过了一定时间的时刻作为预测时刻t
t
。因此，在lstm正解数据中，预测时刻示出对2
‑
mib浓度和土臭素浓度进行测定的预测时刻t
t
，2
‑
mib浓度示出预测时刻t
t
的流入原水中包含的2
‑
mib的浓度，土臭素浓度示出预测时刻t
t
的流入原水中包含的土臭素的浓度。
[0044]
表7的lstm测试数据由时刻、2
‑
mib的浓度、土臭素的浓度、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位这多个信息构成。在lstm测试数据中，时刻示出对原水浊度、ph、碱度、导电率、氯需求量、水温和河水位的各信息进行测定的时刻，2
‑
mib浓度示出流入原水中包含的2
‑
mib的浓度，土臭素浓度示出流入原水中包含的土臭素的浓度，原水浊度示出流入原水的浊度，ph示出沉砂池的ph，碱度示出沉砂池的碱度，导电率示出沉砂池的导电率，氯需求量示出沉砂池的氯需求量，水温示出沉砂池的水温，河水位示出作为流入原水的水源的河的规定地点（例如，上水处理系统的约10km上游地点）的河水位。
[0045]
表8的lstm验证用正解数据由预测时刻、2
‑
mib浓度和土臭素浓度这多个信息构成。然而，在本实施方式中，关于长短期存储lstm，以基于由第三时刻t
x
至第四时刻t
y
（t
y
＞t
x
）或第五时刻t
x+1
至第六时刻t
y+1
（t
y+1
＞t
x+1
）之间测定的时间序列数据（t
y+1
＞t
x+1
＞t
y
＞t
x
）构成的lstm测试数据来输出从时刻t
y
、t
y+1
起经过了一定时间的预测时刻t
t1
、t
t2
的流入原水中包含的2
‑
mib的浓度和土臭素的浓度作为前提。因此，在lstm验证用正解数据中，预测时刻示出预测时刻t
t1
、t
t2
，2
‑
mib浓度示出预测时刻t
t1
、t
t2
的流入原水中包含的2
‑
mib的浓度，土臭素浓度示出预测时刻t
t1
、t
t2
的流入原水中包含的土臭素的浓度。
[0046]
在本实施方式中，作为lstm输入信息、lstm正解数据、lstm测试数据或lstm验证用正解数据的原水浊度、ph、碱度、导电率、氯需求量、水温、河水位、2
‑
mib浓度和土臭素浓度的测定只要是定性的测定即可，因此，能够使用在上水处理的领域中通常使用的浊度计、ph计、碱度计、导电率计、氯需求量计、水温计、河水位计和浓度计等测定设备来进行。这些各信息或各数据的测定设备分别固定于规定位置来使用。流入原水的浊度或流入原水中包含的2
‑
mib浓度或土臭素浓度例如能够针对流入沉砂池前的原水或流入沉砂池稍后的原水而设置浊度计或浓度计来测定。此外，沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的
氯需求量、沉砂池的水温的测定只要针对不包含砂等异物的沉降物的原水进行，则无论在沉砂池的什么场所进行测定都可以。
[0047]
在本实施方式中，在hdd 14中储存约12500个lstm输入信息和约12500个lstm正解数据、以及约3100个lstm测试数据和约3100个lstm验证用正解数据。再有，由cpu 11不规则地决定在规定时刻测定的各信息是否被分类为lstm输入信息和lstm正解数据、或lstm测试数据和lstm验证用正解数据。
[0048]
进而，hdd 14储存在后述的第一验证处理中使用的误差阈值和决定系数阈值。此外，hdd 14储存作为用于决定预测时刻t
t
、t
t1
、t
t2
的基准的后述的时间差t
d
、以及后述的时间步（time step）信息。
[0049]
图2是概略性地示出由图1中的cpu 11执行的前向传播型神经网络ffnn的概念图，图2（a）是为了说明前向传播型神经网络ffnn的一例而使用的概念图，图2（b）是为了说明图2（a）的前向传播型神经网络ffnn的变形例而使用的概念图。
[0050]
在图2（a）中，前向传播型神经网络ffnn由输入层21、隐藏层22和输出层23构成，输入层21具备多个输入层节点21a和输入层偏置21b，隐藏层22具备多个隐藏层节点22a和隐藏层偏置22b，输出层23具备输出层节点23a。各输入层节点21a和输入层偏置21b连接到各隐藏层节点22a，各隐藏层节点22a和隐藏层偏置22b连接到输出层节点23a。
[0051]
向输入层21输入ffnn输入信息或ffnn测试数据的信息，各输入层节点21a具有所输入的ffnn输入信息或ffnn测试数据的信息。各隐藏层节点22a具有通过使用各输入层节点21a具有的信息、示出各输入层节点21a具有的信息的重要性的权重w
i
、输入层偏置21b、以及示出输入层偏置21b的重要性的权重w
ib
的激活函数的运算而得到的信息。输出层节点23a具有通过使用各隐藏层节点22a具有的信息、示出各隐藏层节点22a具有的信息的重要性的权重w
h
、隐藏层偏置22b、以及示出隐藏层偏置22b的重要性的权重w
hb
的激活函数的运算而得到的信息。在本实施方式中使用的激活函数为sigmoid函数或softmax函数等非线性函数。
[0052]
图2（a）的前向传播型神经网络ffnn由输入层21、1层的隐藏层22和输出层23构成，但是隐藏层22也可以由多个层（例如，2～8层）构成（图2（b））。
[0053]
在图2（b）中，当前向传播型神经网络ffnn由输入层21、2层的隐藏层22、29、以及输出层23构成并且2层的隐藏层由位于输入层21侧的第一隐藏层22、位于输出层23侧的第二隐藏层29构成时，第一隐藏层22具有多个第一隐藏层节点22a和第一隐藏层偏置22b，第二隐藏层29具有多个第二隐藏层节点29a和第二隐藏层偏置29b。
[0054]
各输入层节点21a具有所输入的ffnn输入信息或ffnn测试数据的信息。第一隐藏层节点22a中的每一个具有通过使用各输入层节点21a具有的信息、示出各输入层节点21a具有的信息的重要性的权重w
i
、输入层偏置21b、以及示出输入层偏置21b的重要性的权重w
ib
的激活函数的运算而得到的信息。第二隐藏层节点29a中的每一个具有通过使用第一隐藏层节点22a中的每一个具有的信息、示出第一隐藏层节点22a中的每一个具有的信息的重要性的权重w
h1
、第一隐藏层偏置22b、以及示出第一隐藏层偏置22b的重要性的权重w
hb1
的激活函数的运算而得到的信息。
[0055]
输出层节点23a具有通过使用第二隐藏层节点29a中的每一个具有的信息、示出第二隐藏层节点29a中的每一个具有的信息的重要性的权重w
h2
、第二隐藏层偏置29b、以及示
出第二隐藏层偏置29b的重要性的权重w
hb2
的激活函数的运算而得到的信息。
[0056]
图3是示出使用图2（a）的前向传播型神经网络ffnn来学习ffnn输入信息和ffnn正解数据的关系的第一学习处理的顺序的流程图。
[0057]
在图3中，首先，cpu 11将全部ffnn输入信息和ffnn正解数据分割地储存在多个小批量中（s31）。在本实施方式中，全部ffnn输入信息和ffnn正解数据被分割为98个小批量，各小批量储存128个ffnn输入信息和ffnn正解数据。此时，在同一小批量中储存的各ffnn输入信息示出的时刻和各ffnn正解数据示出的时刻是一致的。例如，当示出2019年1月1日10：00时刻的ffnn输入信息储存在小批量中时，示出2019年1月1日10：00时刻的ffnn正解数据储存在同一小批量中。
[0058]
接着，cpu 11按每个小批量学习ffnn输入信息和ffnn正解数据的关系。具体而言，将在一个小批量中储存的全部ffnn输入信息和ffnn正解数据输入到前向传播型神经网络ffnn（s32），按所输入的每个ffnn输入信息而形成各输入层节点21a（s33）。关于以下的s34～s36的各步骤的处理，说明了基于输入到前向传播型神经网络ffnn的ffnn输入信息之一来形成多个输入层节点21a的情况。
[0059]
在接下来的s34中，前向传播型神经网络ffnn进行使用各输入层节点21a、示出各输入层节点21a的重要性的权重w
i
、输入层偏置21b、以及示出输入层偏置21b的重要性的权重w
ib
的激活函数的运算，形成多个隐藏层节点22a。进而，前向传播型神经网络ffnn进行使用各隐藏层节点22a具有的信息、示出各隐藏层节点22a具有的信息的重要性的权重w
h
、隐藏层偏置22b、以及示出隐藏层偏置22b的重要性的权重w
hb
的激活函数的运算，形成输出层节点23a（s35）。
[0060]
在本实施方式中，前向传播型神经网络ffnn在示出特定时刻的ffnn输入信息输入到输入层21时，输出该特定时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度。因此，基于示出特定时刻的ffnn输入信息而形成的输出层节点23a具有由ffnn输入信息示出的特定时刻、以及该时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度的估计值构成的信息。
[0061]
之后，cpu 11将输出层节点23a具有的信息与示出与该输出层节点23a示出的时刻相同的时刻的ffnn正解数据进行比较，从每一个利用式1将关于2
‑
mib的浓度的误差和关于土臭素的浓度的误差计算为均方误差mse（mean square error）(ng/l)2。
[0062]
[数式1][数式1]：时刻i的实测值，：时刻i的估计值接着，cpu 11从输出层23向隐藏层22、输入层21依次传播所计算的关于2
‑
mib的浓度的误差和关于土臭素的浓度的误差（误差反传播法），以使得每一个的误差变小的方式来更新示出输入层节点21a具有的信息的重要性的权重w
i
、示出输入层偏置21b的重要性的权重w
ib
、示出隐藏层节点22a具有的信息的重要性的权重w
h
和示出隐藏层偏置22b的重要性的权重w
hb
（s36）。
[0063]
当针对在一个小批量中储存的全部ffnn输入信息执行了s32～s36的各步骤的处理时，一个小批量的学习结束，但是，在接下来的s37中，cpu 11判别全部小批量的学习是否
结束。当s37的判别结果是全部小批量的学习未结束时，本处理回到s32，学习其他小批量，当全部小批量的学习结束时，本处理结束。在本实施方式中，重复图3的第一学习处理1000次（1000期（epoch））。
[0064]
然而，需要验证是否正确执行图3的第一学习处理。通过比较将ffnn测试数据输入到前向传播型神经网络ffnn而输出的信息和ffnn验证用正解数据来验证是否正确执行图3的第一学习处理。
[0065]
图4是示出验证是否正确执行图3的第一学习处理的第一验证处理的顺序的流程图。
[0066]
在图4中，首先，cpu 11将全部ffnn测试数据分割地储存在多个小批量中（s41）。在本实施方式中，全部ffnn测试数据被分割为24个小批量，各小批量储存128个ffnn测试数据。接着，将在一个小批量中储存的全部ffnn测试数据输入到前向传播型神经网络ffnn（s42），按所输入的每个ffnn测试数据而形成多个输入层节点21a（s43）。关于以下的s44～s47的各步骤的处理，说明基于输入到前向传播型神经网络ffnn的ffnn测试数据之一来形成多个输入层节点21a的情况。
[0067]
在接下来的s44中，前向传播型神经网络ffnn进行使用各输入层节点21a、示出各输入层节点21a的重要性的权重w
i
、输入层偏置21b、以及示出输入层偏置21b的重要性的权重w
ib
的激活函数的运算，形成多个隐藏层节点22a。进而，前向传播型神经网络ffnn进行使用各隐藏层节点22a具有的信息、示出各隐藏层节点22a具有的信息的重要性的权重w
h
、隐藏层偏置22b、以及示出隐藏层偏置22b的重要性的权重w
hb
的激活函数的运算，形成输出层节点23a（s45）。
[0068]
在本实施方式中，前向传播型神经网络ffnn在示出特定时刻的ffnn测试数据输入到输入层21时，输出该特定时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度。因此，基于示出特定时刻的ffnn测试数据而形成的输出层节点23a具有由ffnn测试数据示出的特定时刻、以及该时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度的估计值构成的信息。
[0069]
之后，cpu 11将基于各ffnn测试数据而形成的输出层节点23a具有的信息与参照在hdd 14中储存的ffnn验证用正解数据之上示出与该输出层节点23a示出的时刻相同的时刻的ffnn验证用正解数据进行比较，从每一个利用式1计算2
‑
mib的浓度的误差和土臭素的浓度的误差（s46），并且利用式2计算关于2
‑
mib的浓度的决定系数r2（相关系数r的平方值）和关于土臭素的浓度的决定系数r2（s47）。
[0070]
[数式2][数式2]：时刻i的实测值，：时刻i的估计值，：时刻i～n的实测值的平均值在此，决定系数r2是示出由前向传播型神经网络ffnn输出的2
‑
mib的浓度或土臭素的浓度的估计值与作为ffnn验证用正解数据的2
‑
mib的浓度或土臭素的浓度的实测值一致到什么程度的指标。决定系数r2通常取0～1范围的值，决定系数r2的值越大，意味着前向
传播型神经网络ffnn越能够正确输出2
‑
mib的浓度或土臭素的浓度。
[0071]
当针对一个小批量中储存的全部ffnn测试数据执行了s44～s47的各步骤的处理时，cpu 11判别是否针对全部小批量计算了2
‑
mib的浓度的误差、土臭素的浓度的误差、关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数（s48）。当s48的判别结果是未针对全部小批量计算2
‑
mib的浓度的误差、土臭素的浓度的误差、关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数时，本处理回到s42，当针对全部小批量计算了2
‑
mib的浓度的误差、土臭素的浓度的误差、关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数时，本处理前进到s49。
[0072]
在接下来的s49中，cpu 11判别在s46中计算的2
‑
mib的浓度的误差和土臭素的浓度的误差是否为规定阈值（以下，将该阈值称为“误差阈值”。）以下、并且在s47中计算的关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数是否为规定阈值（以下，将该阈值称为“决定系数阈值”。）以上（s49）。
[0073]
当s49的判别结果是在s46中计算的2
‑
mib的浓度的误差和土臭素的浓度的误差为误差阈值以下、并且在s47中计算的关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数为决定系数阈值以上时，cpu 11认定正确执行第一学习处理，其结果是，前向传播型神经网络ffnn根据在规定时刻测定的原水浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位的信息而正确输出该规定时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度（s410），本处理结束。
[0074]
另一方面，当s49的判别结果是在s46中计算的2
‑
mib的浓度的误差和土臭素的浓度的误差中的任一个大于误差阈值、或在s47中计算的关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数中的任一个小于决定系数阈值时，cpu 11认定没有正确执行第一学习处理，其结果是，前向传播型神经网络ffnn没有根据在规定时刻测定的原水浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位的信息而正确输出该规定时刻的流入原水中包含的2
‑
mib的浓度和土臭素的浓度（s411），本处理结束。
[0075]
在本实施方式中，基于误差阈值和决定系数阈值来判别是否正确执行第一学习处理。2
‑
mib和土臭素由蓝藻类和放线菌类生成，2
‑
mib的浓度和土臭素的浓度因蓝藻类和放线菌类的生长量或生长环境而变动，但是，通常，在施行上水处理的原水为河水的情况下，该河水中包含的2
‑
mib的浓度和土臭素的浓度分别为4ng/l以下。上水处理的管理者关心流入原水中包含的2
‑
mib的浓度和土臭素的浓度是否分别为4ng/l以上，此外，只要能够可靠地把握流入原水中包含的2
‑
mib的浓度和土臭素的浓度分别为4ng/l以上的时间即可。因此，在本实施方式中，以施行上水处理的原水是河作为前提，将误差阈值设定为1(ng/l)2，并且将决定系数阈值设定为0.85。进而，能够将2
‑
mib浓度的误差阈值设定为0.6(ng/l)2，或将土臭素的浓度的误差阈值设定为0.08(ng/l)2，并能够将2
‑
mib浓度的决定系数阈值设定为0.92，或将土臭素的浓度的决定系数阈值设定为0.89。
[0076]
关于前向传播型神经网络ffnn输出2
‑
mib的浓度和土臭素的浓度的精度，在s46中计算的2
‑
mib的浓度的误差和土臭素的浓度的误差越小越好，此外，在s47中计算的关于2
‑
mib的浓度的决定系数和关于土臭素的浓度的决定系数越大越好。
[0077]
与此对应，讨论了用于使前向传播型神经网络ffnn高精度地输出2
‑
mib的浓度和
土臭素的浓度的最佳的隐藏层22的层数和各隐藏层22的节点数。其结果是，关于2
‑
mib的浓度，当将隐藏层22的层数设定为6并且将各隐藏层22的节点数设定为64时，以2
‑
mib的浓度的误差为0.41(ng/l)2且关于2
‑
mib的浓度的决定系数为0.93的精度输出，关于土臭素的浓度，当将隐藏层22的层数设定为5并且将各隐藏层22的节点数设定为64时，以土臭素的浓度的误差为0.07(ng/l)2且关于土臭素的浓度的决定系数为0.90的精度输出。由此，可知正确输出2
‑
mib的浓度和土臭素的浓度。
[0078]
此外，在本实施方式中，在规定时刻测定的流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位作为ffnn输入信息输入到输入层21，但是，当从ffnn输入信息删除了沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位时，2
‑
mib的浓度的误差增大，并且关于2
‑
mib的浓度的决定系数减小，当从ffnn输入信息删除了沉砂池的导电率、沉砂池的氯需求量和沉砂池的水温时，土臭素的浓度的误差增大，并且关于土臭素的浓度的决定系数减小。
[0079]
由此，可知，为了使前向传播型神经网络ffnn正确输出2
‑
mib的浓度，沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位是必要的信息，为了正确输出土臭素的浓度，沉砂池的导电率、沉砂池的氯需求量和沉砂池的水温是必要的信息。
[0080]
根据图3和图4的处理，对在规定时刻测定的流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位与测定这些信息的相同时刻的2
‑
mib的浓度和土臭素的浓度的关系进行了学习的前向传播型神经网络ffnn基于由流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位、以及测定这些信息的时刻构成的新信息而输出该时刻的2
‑
mib的浓度和土臭素的浓度。
[0081]
由此，上水处理的管理者即使不测定流入原水中包含的2
‑
mib和土臭素的浓度，也能够把握流入原水中包含的2
‑
mib和土臭素的浓度。其结果是，上水处理的管理者能够根据所把握的流入原水中包含的2
‑
mib和土臭素的浓度来向粉末活性炭槽中添加适当量的粉末活性炭，因而能够避免将过剩的粉末活性炭添加到粉末活性炭槽。
[0082]
图5是概略性地示出由图1中的cpu 11执行的长短期存储lstm的概念图。长短期存储lstm当输入随着时间的经过而测定的时间序列数据时，基于该时间序列数据而输出将来的信息。在本实施方式中，当向长短期存储lstm输入了第一时刻t
m
至第二时刻t
n
之间测定的多个时间序列数据、或第三时刻t
x
至第四时刻t
y
之间测定的多个时间序列数据、或第五时刻t
x+1
至第六时刻t
y+1
之间测定的多个时间序列数据时，长短期存储lstm输出从时刻t
n
、t
y
、t
y+1
起经过了一定时间的预测时刻t
t
、t
t1
、t
t2
的2
‑
mib的浓度和土臭素的浓度。
[0083]
在图5中，长短期存储lstm由输入层51、54、57、隐藏层52、55、58、以及输出层53、56、59构成，输入层51、54、57具备多个输入层节点51a、54a、57a和输入层偏置51b、54b、57b，隐藏层52、55、58具备多个隐藏层节点52a、55a、58a，输出层53、56、59具备输出层节点53a、56a、59a。各输入层节点51a、54a、57a和输入层偏置51b、54b、57b连接到各隐藏层节点52a、55a、58a。各隐藏层节点52a连接到输出层节点53a和各隐藏层节点55a，各隐藏层节点55a连接到输出层节点56a和各隐藏层节点58a，各隐藏层节点58a连接到输出层节点59a。
[0084]
例如，当在时刻t1、t2、t3（t3＞t2＞t1）测定流入原水中包含的2
‑
mib浓度和土臭素浓度、以及原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、
沉砂池的水温和上水处理系统的约10km上游地点的河水位并且基于这些来制作lstm输入信息时，首先，将时刻t1的lstm输入信息输入到输入层51，形成具有时刻t1的lstm输入信息的多个输入层节点51a。
[0085]
各隐藏层节点52a具有通过使用各输入层节点51a具有的信息、示出各输入层节点51a具有的信息的重要性的权重w
i
、输入层偏置51b、以及示出输入层偏置51b的重要性的权重w
ib
的激活函数的运算而得到的信息。输出层节点53a具有通过使用各隐藏层节点52a具有的信息、以及示出隐藏层节点52a具有的信息的重要性的权重w
h
的激活函数的运算而得到的信息。在本实施方式中使用的激活函数为sigmoid函数或softmax函数等非线性函数。
[0086]
接着，将时刻t2的lstm输入信息输入到输入层54，形成具有时刻t2的lstm输入信息的多个输入层节点54a。各隐藏层节点55a具有通过使用各输入层节点54a具有的信息、示出各输入层节点54a具有的信息的重要性的权重w
i
、输入层偏置54b、示出输入层偏置54b的重要性的权重w
ib
、各隐藏层节点52a具有的信息、以及示出各隐藏层节点52a具有的信息的重要性的权重w
h
的激活函数的运算而得到的信息。输出层节点56a具有通过使用各隐藏层节点55a具有的信息、以及示出各隐藏层节点55a具有的信息的重要性的权重w
h
的激活函数的运算而得到的信息。
[0087]
接着，将时刻t3的lstm输入信息输入到输入层57，形成具有时刻t3的lstm输入信息的多个输入层节点57a。各隐藏层节点58a具有通过使用各输入层节点57a具有的信息、示出各输入层节点57a具有的信息的重要性的权重w
i
、输入层偏置57b、示出输入层偏置57b的重要性的权重w
ib
、各隐藏层节点55a具有的信息、以及示出各隐藏层节点55a具有的信息的重要性的权重w
h
的激活函数的运算而得到的信息。输出层节点59a具有通过使用各隐藏层节点58a具有的信息、以及示出各隐藏层节点58a具有的信息的重要性的权重w
h
的激活函数的运算而得到的信息。
[0088]
当将时刻t1、t2、t3的各lstm输入信息输入到输入层51、54、57时，长短期存储lstm至少输出从时刻t3起经过了一定时间的预测时刻t
t
的流入原水中包含的2
‑
mib的浓度和土臭素的浓度。因此，基于时刻t3的lstm输入信息而得到的输出层节点59a具有由从lstm输入信息中示出的时刻起经过了一定时间的预测时刻t
t
、以及该预测时刻t
t
的流入原水中包含的2
‑
mib的浓度和土臭素的浓度的预测值构成的信息。
[0089]
图6是示出使用图5的长短期存储lstm来学习lstm输入信息和lstm正解数据的关系的第二学习处理的顺序的流程图。
[0090]
当图6的第二学习处理结束时，长短期存储lstm例如基于在第一时刻t
m
至第二时刻t
n
之间测定的多个时间序列数据来预测从时刻t
n
起经过了一定时间的预测时刻t
t
的2
‑
mib的浓度和土臭素的浓度。在此，hdd 14储存用于决定预测时刻t
t
的基准，即，预测时刻t
t
和时刻t
n
的时间差t
d
。由此，cpu 11基于时刻t
n
和时间差t
d
来决定预测时刻t
t
。例如，当时刻t
n
为2019年1月2日9：00并且时间差t
d
为24小时时，预测时刻t
t
为2019年1月3日9：00。
[0091]
此外，hdd 14将为了对预测时刻t
t
的2
‑
mib的浓度和土臭素的浓度进行预测而使用的时间序列数据的数量储存为时间步信息。例如，在从2019年1月1日10：00起按每1小时来测定时间序列数据的情况下，当hdd 14中储存的时间步信息为24时，示出为了对预测时刻t
t
的2
‑
mib的浓度和土臭素的浓度进行预测而使用从2019年1月1日10：00（第一时刻t
m
）至2019年1月2日9：00（第二时刻t
n
）为止按每1小时测定的24个时间序列数据，当hdd 14中储
存的时间步信息为300时，示出为了对预测时刻t
t
的2
‑
mib的浓度和土臭素的浓度进行预测而使用从2019年1月1日10：00（第一时刻t
m
）至2019年1月13日21：00（第二时刻t
n
）为止按每1小时测定的300个时间序列数据。作为时间步信息，例如，能够使用10～500个时间序列数据。
[0092]
在图6中，首先，cpu 11参照hdd 14中储存的时间差t
d
和时间步信息来制作与lstm输入信息中的每一个相关联的lstm正解数据（s61），将所制作的lstm正解数据与lstm输入信息中的每一个相关联。例如，当存在从2019年1月1日10：00至2019年1月13日21：00为止的每1小时的2
‑
mib浓度、土臭素浓度、原水浊度、ph、碱度、导电率、氯需求量、水温和河水位的各信息（以下，称为“300时间步信息”。）、以及2019年1月14日21：00的2
‑
mib浓度和土臭素浓度、并且hdd 14中储存的时间差t
d
示出24且时间步信息示出300时，cpu 11示出2019年1月14日21：00作为预测时刻t
t
，并且制作示出在2019年1月14日21：00测定的2
‑
mib浓度和土臭素浓度的lstm正解数据，将所制作的lstm正解数据与300时间步信息相关联。
[0093]
接着，cpu 11将全部lstm输入信息和与各lstm输入信息相关联的lstm正解数据分割地储存在多个小批量中（s62）。在本实施方式中，全部lstm输入信息被分割为98个小批量，各小批量储存128个lstm输入信息和lstm正解数据。
[0094]
接着，cpu 11按每个小批量学习lstm输入信息和lstm正解数据的关系。具体而言，将一个小批量中储存的全部lstm输入信息和lstm正解数据输入到长短期存储lstm（s63），按所输入的每个lstm输入信息来形成输入层节点51a、54a、57a（s64）。关于以下的s65～s69的各步骤的处理，说明了如下的情况，即：使用输入到长短期存储lstm的lstm输入信息，例如使用示出时刻
tp
的lstm输入信息和示出时刻
tq
（t
m
＞
tq
＞
tp
＞t
n
）的lstm输入信息这两者，基于示出时刻
tp
的lstm输入信息来形成多个输入层节点51a，基于示出时刻
tq
的lstm输入信息来形成多个输入层节点54a。
[0095]
在接下来的s65中，长短期存储lstm进行使用各输入层节点51a、示出各输入层节点51a具有的信息的重要性的权重w
i
、输入层偏置51b、以及示出输入层偏置51b的重要性的权重w
ib
的激活函数的运算，形成多个隐藏层节点52a。进而，长短期存储lstm进行使用各隐藏层节点52a具有的信息、以及示出各隐藏层节点52a具有的信息的重要性的权重w
h
的激活函数的运算，形成输出层节点53a（s66）。
[0096]
接着，长短期存储lstm进行使用各输入层节点54a、示出各输入层节点54a具有的信息的重要性的权重w
i
、输入层偏置54b、示出输入层偏置54b的重要性的权重w
ib
、隐藏层节点52a具有的信息、以及示出隐藏层节点52a具有的信息的重要性的权重w
h
的激活函数的运算，形成多个隐藏层节点55a（s67）。进而，长短期存储lstm运算使用各隐藏层节点55a具有的信息、以及示出隐藏层节点55a具有的信息的重要性的权重w
h
的激活函数，形成输出层节点56a（s68）。
[0097]
在本实施方式中，长短期存储lstm基于由在第一时刻t
m
至第二时刻t
n
之间测定的时间序列数据构成的lstm输入信息来输出从时刻t
n
起经过了一定时间的预测时刻t
t
的流入原水中包含的2
‑
mib的浓度和土臭素的浓度。因此，输出层节点53a、56a具有从各lstm输入信息示出的时刻
tp
起经过了一定时间的预测时刻t
t
（以下，将该预测时刻t
t
称为“预测时刻t
tp”。）的流入原水中包含的2
‑
mib的浓度和预测时刻t
tp
的流入原水中包含的土臭素的浓度、以及从各lstm输入信息示出的时刻
tq
起经过了一定时间的预测时刻t
t
（以下，将该预测
时刻t
t
称为“预测时刻t
tq”。）、预测时刻t
tq
的流入原水中包含的2
‑
mib的浓度和预测时刻t
tq
的流入原水中包含的土臭素的浓度所构成的信息。
[0098]
之后，cpu 11将输出层节点53a、56a具有的信息与示出与该输出层节点53a、56a示出的预测时刻t
tp
、t
tq
相同的时刻的lstm正解数据进行比较，从每一个利用式1计算预测时刻t
tp
、t
tq
的关于2
‑
mib的浓度的误差和预测时刻t
tp
、t
tq
的关于土臭素的浓度的误差。接着，cpu 11从输出层53、56向隐藏层52、55、输入层51、54依次传播所计算的预测时刻t
tp
、t
tq
的关于2
‑
mib的浓度的误差和预测时刻t
tp
、t
tq
的关于土臭素的浓度的误差，以使得每一个的误差变小的方式来更新示出各输入层节点51a、54a具有的信息的重要性的权重w
i
、示出输入层偏置51b、54b的重要性的权重w
ib
、以及示出各隐藏层节点52a、55a具有的信息的重要性的权重w
h
（s69）。
[0099]
当针对一个小批量中储存的全部lstm输入信息执行了s65～s69的各步骤的处理时，一个小批量的学习结束，但是，在接下来的s610中，cpu 11判别是否结束了全部小批量的学习。当s610的判别结果是未结束全部小批量的学习时，本处理回到s63，学习其他小批量，当结束了全部小批量的学习时，本处理结束。在本实施方式中，重复图6的第二学习处理100次（100期）。
[0100]
然而，需要验证是否正确执行图6的第二学习处理。通过将lstm测试数据输入到长短期存储lstm并将所输出的信息和lstm验证用正解数据进行比较来验证是否正确执行图6的第二学习处理。
[0101]
图7是示出验证是否正确执行图6的第二学习处理的第二验证处理的顺序的流程图。
[0102]
在图7的处理中，长短期存储lstm使用基于第三时刻t
x
至第四时刻t
y
之间按每1小时测定的多个lstm测试数据从时刻t
y
起经过了一定时间的预测时刻t
t1
的2
‑
mib的浓度和土臭素的浓度、以及基于示出第三时刻t
x
的1小时后的第五时刻t
x+1
至示出第四时刻t
y
的1小时后的第六时刻t
y+1
之间按每1小时测定的多个lstm测试数据（t
y+1
＞t
x+1
＞t
y
＞t
x
）从时刻t
y+1
起经过了一定时间的预测时刻t
t2
的2
‑
mib的浓度和土臭素的浓度来说明。
[0103]
首先，将在第三时刻t
x
至第四时刻t
y
之间测定的多个lstm测试数据依次输入到长短期存储lstm，长短期存储lstm输出从第四时刻t
y
起经过了一定时间的预测时刻t
t1
的2
‑
mib的浓度和土臭素的浓度（s71）。接着，将在第五时刻t
x+1
至第六时刻t
y+1
之间测定的多个lstm测试数据依次输入到长短期存储lstm，长短期存储lstm输出从第六时刻t
y+1
起经过了一定时间的预测时刻t
t2
的2
‑
mib的浓度和土臭素的浓度（s72）。
[0104]
接着，cpu 11从在s72中输出的预测时刻t
t2
的2
‑
mib的浓度中减去在s71中输出的预测时刻t
t1
的2
‑
mib的浓度。由此，根据从预测时刻t
t1
向预测时刻t
t2
的时刻的变化来计算2
‑
mib的浓度的变化量。同样，cpu 11从在s72中输出的预测时刻t
t2
的土臭素的浓度中减去在s71中输出的预测时刻t
t1
的土臭素的浓度。由此，根据从预测时刻t
t1
向预测时刻t
t2
的时刻的变化来计算土臭素的浓度的变化量（s73）。
[0105]
cpu 11判别在s73中计算的2
‑
mib的浓度的变化量和土臭素的浓度的变化量是否为0以上（s74）。当s74的判别结果是2
‑
mib的浓度的变化量和土臭素的浓度的变化量为0以上时，cpu 11认定正确执行了图6的第二学习处理（s75）并结束本处理。此外，由于上水处理的管理者需要将处理完毕水中包含的2
‑
mib或土臭素等霉臭原因物质的浓度可靠地控制为
10ng/l以下，所以需要避免尽管实际上2
‑
mib或土臭素的浓度增加但预测为2
‑
mib或土臭素的浓度降低那样的输出。因此，当2
‑
mib的浓度的变化量或土臭素的浓度的变化量小于0时，参照示出预测时刻t
t1
和预测时刻t
t2
的lstm验证用正解数据（s76）。
[0106]
接着，cpu 11从示出预测时刻t
t2
的lstm验证用正解数据的2
‑
mib的浓度中减去示出预测时刻t
t1
的lstm验证用正解数据的2
‑
mib的浓度，并且从示出预测时刻t
t2
的lstm验证用正解数据的土臭素的浓度中减去示出预测时刻t
t1
的lstm验证用正解数据的土臭素的浓度，计算基于lstm验证用正解数据的2
‑
mib的浓度的变化量和土臭素的浓度的变化量（s77）。
[0107]
之后，cpu 11判别基于lstm验证用正解数据的2
‑
mib的浓度的变化量或土臭素的浓度的变化量是否为0以下（s78）。当s78的判别结果是基于lstm验证用正解数据的2
‑
mib的浓度的变化量或土臭素的浓度的变化量为0以下时，前进到s75，当基于lstm验证用正解数据的2
‑
mib的浓度的变化量或土臭素的浓度的变化量大于0时，认定未正确执行图6的第二学习处理（s79）并结束本处理。
[0108]
即，图7的第二验证处理识别尽管根据从预测时刻t
t1
向预测时刻t
t2
的时刻的变化实际上2
‑
mib或土臭素的浓度增加但预测为2
‑
mib或土臭素的浓度降低的长短期存储lstm（s74中否，s78中否），在该情况下，认定未正确执行第二学习处理。另一方面，图7的第二验证处理在其他的情况下认定正确执行了第二学习处理。
[0109]
根据图6和图7的处理，正确执行了第二学习处理的长短期存储lstm、即、对在第一时刻t
m
至第二时刻t
n
之间测定的2
‑
mib的浓度、土臭素的浓度、流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和上水处理系统的约10km上游地点的河水位与从第二时刻t
n
起经过了一定时间的预测时刻t
t
的2
‑
mib的浓度和土臭素的浓度的关系进行了学习的长短期存储lstm基于不同时刻之间例如第三时刻t
x
至第四时刻t
y
之间新测定的2
‑
mib的浓度、土臭素的浓度、流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和上水处理系统的约10km上游地点的河水位而输出从第四时刻t
y
起经过了一定时间的预测时刻t
t1
的2
‑
mib的浓度和土臭素的浓度，并且基于第五时刻t
x+1
至第六时刻t
y+1
之间新测定的2
‑
mib的浓度、土臭素的浓度、流入原水的浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和上水处理系统的约10km上游地点的河水位而输出从第六时刻t
y+1
起经过了一定时间的预测时刻t
t2
的2
‑
mib的浓度和土臭素的浓度。因此，上水处理的管理者能够可靠地把握在预测时刻t
t1
至预测时刻t
t2
之间2
‑
mib的浓度或土臭素的浓度上升的定时。
[0110]
此时，由于在经过第六时刻t
y+1
后提前把握在预测时刻t
t1
至预测时刻t
t2
之间2
‑
mib的浓度或土臭素的浓度上升的定时，所以上水处理的管理者能够预先确保用于添加粉末活性炭的准备时间。
[0111]
然而，优选的是，在s71、s72中输出的预测时刻t
t1
、t
t2
的2
‑
mib的浓度和土臭素的浓度与示出预测时刻t
t1
、t
t2
的lstm验证用正解数据的2
‑
mib的浓度和土臭素的浓度的误差较小，例如，优选的是，根据式1计算的这些误差为1(ng/l)2以下（规定阈值）。进而，能够将2
‑
mib浓度的误差阈值设定为0.7(ng/l)2，或将土臭素的浓度的误差阈值设定为0.07(ng/l)2。在本实施方式中，当时间步信息为300时，在s71、s72中输出的预测时刻t
t1
、t
t2
的2
‑
mib的浓度和示出预测时刻t
t1
、t
t2
的lstm验证用正解数据的2
‑
mib的浓度的误差为0.635(ng/
l)2，在s71、s72中输出的预测时刻t
t1
、t
t2
的土臭素的浓度和示出预测时刻t
t1
、t
t2
的lstm验证用正解数据的土臭素的浓度的误差为0.060(ng/l)2。进而，为了进行误差较小的预测，能够使用230～370作为时间步信息。
[0112]
由此，上水处理的管理者能够在从预测时刻t
t1
至预测时刻t
t2
之间2
‑
mib的浓度或土臭素的浓度上升时，高精度地把握预测时刻t
t2
的2
‑
mib的浓度或土臭素的浓度，因而能够在适当定时添加适当量的粉末活性炭以便将处理完毕水中包含的2
‑
mib或土臭素等霉臭原因物质的浓度可靠地控制为10ng/l以下。
[0113]
在本实施方式中，长短期存储lstm例如使用第三时刻t
x
至第四时刻t
y
之间测定的2
‑
mib的浓度和土臭素的浓度来输出从第四时刻t
y
起经过了一定时间的预测时刻t
t1
的2
‑
mib的浓度和土臭素的浓度，但是，例如，在第三时刻t
x
至第四时刻t
y
之间的2
‑
mib的浓度和土臭素的浓度中，也可以使用前向传播型神经网络ffnn基于第三时刻t
x
至第四时刻t
y
之间的各时刻测定的原水浊度、沉砂池的ph、沉砂池的碱度、沉砂池的导电率、沉砂池的氯需求量、沉砂池的水温和河水位的信息而输出的2
‑
mib的浓度和土臭素的浓度。由此，即使上水处理的管理者不测定2
‑
mib的浓度和土臭素的浓度，长短期存储lstm也能够使用由前向传播型神经网络ffnn输出的2
‑
mib的浓度和土臭素的浓度来输出预测时刻t
t1
的2
‑
mib的浓度和土臭素的浓度。
[0114]
关于本发明，在将实现上述实施方式的功能的软件（程序）经由网络或各种存储介质供给到系统或装置并且在该系统或装置的计算机（cpu 11或mpu等）读出并执行程序的处理中，该程序和储存该程序的计算机可读存储介质构成本发明，既可以适用于由多个设备构成的系统，也可以适用于由1个设备构成的装置。
[0115]
以上，说明了本发明的实施方式，但是，本发明不在这些实施方式中进行任何限定。
[0116]
附图标记的说明ffnn 前向传播型神经网络lstm 长短期存储w
i
，w
ib
，w
h
，w
hb 权重10 信息处理装置11 cpu14 hdd。