好的，作为一名经验丰富的专利代理师，我将基于您提供的目标专利、对比文件及指令，进行深度思考和严谨评估。
**对比文件名称**：2004-03-25_JP2004094437A_发明专利_JP2004094437A Data prediction method and data prediction system
**目标专利名称**：345在多维范围上对包括可分离子系统的系统的评估CN105580031B
**本次调用模型名称**：专利创造性评估模型
**特征比对表格**
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 (翻译为中文) | 公开性论述 |
| **技术特征A**：包括：通过确定所述神经网络的第一群互连神经元的输入与第二群互连神经元的输出之间的单向依赖性来将所述神经网络串行化成所述第一群互连神经元和所述第二群互连神经元，<br>**《隐含公开》** | 【0018】“这里，预测模型4是...预测模型A（第一的预测模型）和...预测模型B（第二的预测模型）的2种类的预测模型。”<br>【0022】“本实施形态中...24小时每时的需要预测的预测模型（预测模型B）和不同的其他预测模型（预测模型A）来预测预测对象日的需要的特征量，将此作为24小时每时的需要预测的预测模型（预测模型B）的输入信息之一来使用...”<br>【0024】“首先预测模型A中...输出预测对象日的热的平均需要，将此平均需要和预测用输入数据输入预测模型B，预测预测对象日的24点的需要。” | 对比文件公开了一个包含两个预测模型（A和B）的系统。预测模型A的输出（例如，平均需要）作为输入因子之一被提供给预测模型B（【0022】，【0024】）。这种数据流向是单向的：从模型A到模型B。这与目标专利中“通过确定单向依赖性来串行化子系统”的技术特征在构思上相似。目标专利的串行化旨在通过识别子系统间的单向数据依赖来优化参数评估流程。对比文件中，预测模型A和B在功能上分离，且存在明确的前馈数据依赖（A→B），这实质上构成了一个串行化处理流程。虽然对比文件没有明确使用“串行化”或“确定单向依赖性”这些词语来描述其模型构建目的，但其描述的模型结构（A的输出作为B的输入）必然隐含了这种单向依赖性关系。因此，本领域技术人员能够从对比文件公开的模型结构中，合理地推断出存在“第一模型（A）与第二模型（B）之间的单向依赖性”，并且系统是按照这种依赖关系组织的（即串行化）。作用上，对比文件中的串行结构是为了实现分阶段预测（先特征量，后详细时间点），提高预测精度和可解释性；而目标专利中是为了优化参数扫掠效率。尽管具体目的不同，但“利用子系统间单向依赖关系来组织系统”这一技术手段是相同或相似的。因此，该技术特征被对比文件隐含公开。 |
| **技术特征B**：所述单向依赖性是基于所述第一群互连神经元的输入不同于所述第二群互连神经元的输出来确定的<br>**《未公开》** | 对比文件未记载相关内容。 | 目标专利中明确限定了确定单向依赖性的具体依据或判断标准：“基于第一群互连神经元的输入不同于第二群互连神经元的输出”。这是一种具体的、用于识别单向依赖性的技术规则。对比文件仅描述了模型A和B之间存在事实上的单向数据流（A的输出作为B的输入），但完全没有提及如何识别或确定这种依赖性，更没有公开基于“输入不同于输出”这一特定准则来进行判断。因此，该技术特征未被对比文件公开。 |
| **技术特征C**：基于所述第一群互连神经元的第一输入参数是否影响所述第一群互连神经元来修剪所述第一输入参数<br>**《未公开》** | 对比文件未记载相关内容。 | 目标专利的“修剪”是指在参数评估（扫掠）过程中，根据输入参数对特定子系统（此处为第一群互连神经元）的影响，移除不影响该子系统的参数，以减少计算量。对比文件虽然提到了预测模型A和B有各自的输入因子（【0020】，【0021】），但全文未涉及任何在模型评估或使用过程中，基于参数对模型的影响性分析来有选择地移除（修剪）输入参数的技术手段。对比文件关注的是模型构建、预测执行和误差修正，而非优化参数组合评估过程的计算效率。因此，该技术特征未被对比文件公开。 |
| **技术特征D**：基于所述第二群互连神经元的第二输入参数是否影响所述第二群互连神经元来修剪所述第二输入参数。<br>**《未公开》** | 对比文件未记载相关内容。 | 同技术特征C的论述，对比文件未涉及任何基于参数影响力分析对输入参数进行“修剪”的技术内容。该技术特征未被公开。 |
| **技术特征E**：其特征在于，所述串行化和/或所述修剪至少部分地取决于存储器存储要求、存储器访问时间和/或计算时间。<br>**《未公开》** | 对比文件未记载相关内容。 | 目标专利的该特征限定了串行化和修剪操作的决策考虑因素，即系统资源（存储器存储、访问时间、计算时间）。对比文件通篇描述的是预测方法、模型结构和预测理由解释，完全没有提及在系统设计或操作中需要考虑存储器存储要求、访问时间或计算时间这些与计算资源优化相关的因素。因此，该技术特征未被对比文件公开。 |
| **技术特征F**：其特征在于，进一步包括基于以下各项来定义所述第一群互连神经元和所述第二群互连神经元：所述神经网络的连通性和/或监视所述参数扫掠的活跃性水平。<br>**《未公开》** | 【0053】“预测模型A如图9所示那样的预测模型。此预测模型A是图3的预测模型的变形例，是如图9所示那样的全结合部分11及疎结合部分12构成的阶层型神经网络。”<br>（注：图3/9显示了神经网络的特定连接结构） | 目标专利中，定义子系统（神经元群）的依据是“神经网络的连通性”和/或“监视参数扫掠的活跃性水平”。对比文件确实公开了其预测模型（如模型A）具有特定的内部连通性结构（例如，全连接部分和稀疏连接部分，见图3、9及【0030】-【0033】），这种结构是在模型构建时人为设计或通过学习得到的，用于实现可解释性。然而，对比文件并未公开基于这种连通性分析来将整个网络“定义”或“划分”为如目标专利所述的功能性子系统（第一群、第二群互连神经元），其模型A和B是整个预测系统的两个功能模块，而非从单一神经网络内部划分出的子系统。更重要的是，对比文件完全没有提及“监视参数扫掠的活跃性水平”这一动态依据。因此，该技术特征未被对比文件公开。 |
| **技术特征G**：其特征在于，进一步包括：对于所述扫掠的每一步骤，存储所述第一群互连神经元的输出和所述第二群互连神经元的所述输出。<br>**《未公开》** | 【0024】“此ような予測値は図1の予測値データベース7に蓄積される。”<br>【0026】“此の補正予測値は、補正予測値データベース10へ出力される。” | 目标专利的“存储输出”是在“参数扫掠”的每一步骤中进行的，目的是为了后续可能的重用或优化，属于参数评估优化流程的一部分。对比文件确实提到了存储预测值（【0024】）和补正预测值（【0026】），但这是预测流程的常规数据记录环节，用于保存最终的预测结果，与“参数扫掠”过程无关。对比文件没有进行多参数组合的扫掠评估，因此也不存在“扫掠的每一步骤”这一概念。存储的目的和上下文完全不同。因此，该技术特征未被对比文件公开。 |
| **技术特征H**：其特征在于，进一步包括评估所述神经网络的输出以确定期望的参数值集。<br>**《未公开》** | 【0024】“预测模型Bに入力して、予測対象日の24点の需要を予測するというものである。”<br>【0056】“上述（1）で構築された予測モデルAを用いて、翌日の熱の平均需要の予測計算を実行する。” | 目标专利的“评估神经网络的输出以确定期望的参数值集”，其目的是在参数扫掠空间中寻找最优或期望的神经网络参数组合（如权重、阈值等），属于神经网络的开发、训练或优化阶段。对比文件中使用神经网络（预测模型A和B）的目的是进行“数据预测”（如预测热需求），即使用已构建好的模型对输入数据进行前向计算，得到预测值。这里的“输出”是预测结果（如明天的需求），而不是用于评估模型本身参数的依据。对比文件没有涉及通过评估输出来反向确定或优化神经网络内部参数值的过程。因此，该技术特征未被对比文件公开。 |
<<<a>>>