CN105934754A - 因果网络生成系统和因果关系的数据结构 - Google Patents
因果网络生成系统和因果关系的数据结构 Download PDFInfo
- Publication number
- CN105934754A CN105934754A CN201580005746.4A CN201580005746A CN105934754A CN 105934754 A CN105934754 A CN 105934754A CN 201580005746 A CN201580005746 A CN 201580005746A CN 105934754 A CN105934754 A CN 105934754A
- Authority
- CN
- China
- Prior art keywords
- index
- causal
- information
- time delay
- strength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 161
- 230000000694 effects Effects 0.000 claims abstract description 137
- 230000007423 decrease Effects 0.000 claims abstract description 7
- 230000002123 temporal effect Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 description 58
- 230000036772 blood pressure Effects 0.000 description 52
- 238000000034 method Methods 0.000 description 27
- 238000009825 accumulation Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000012559 user support system Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000037396 body weight Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010051602 Laziness Diseases 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
使用一种数据结构表现因果关系,所述数据结构包含:用于确定表现因果关系的对象的对象识别信息;应用于定量地描述在所述对象中产生的现象的多个指标各自的指标识别信息;以及每个组的因果关系信息,其中该组是从所述多个指标中选择出的不同的2个指标的组,所述因果关系信息包含:表示所述2个指标中哪一方是原因指标,哪一方是结果指标的方向信息;表示所述原因指标与所述结果指标之间的因果强度的强度信息;表示所述原因指标的影响传播到所述结果指标所花费的延迟时间的时间信息;以及表示所述结果指标相对于所述原因指标的增减的变化方向的相关信息。
Description
技术领域
本发明涉及生成因果网络的技术、以及因果关系的数据结构。
背景技术
以往公知有这样的方法:多个现象(要素)之间的因果关系(称为因果网络)用表或曲线图表现,将其用于复杂的系统的举动预测或问题发生时的原因估计等。例如,贝斯网络可将各个要素取为概率变量,要素间的因果关系由带条件的概率表现。并且,在专利文献1中公开了将因果循环图(CLD:Causal Loop Diagram)用于软件开发项目的风险评价。在该因果循环图中,采用这样的表记法:用弧将具有因果关系的要素间连结,在存在正相关的情况下,将正符号附加给弧,在存在负相关的情况下,将负符号附加给弧,在出现结果之前有时间延迟的情况下将双重线附加给弧。并且,在专利文献2中公开了以下例子:在大型工厂中发生异常的情况下,参照使假定的异常原因与各监视指标的征候形式相对应的因果表,进行原因认定。并且,在专利文献3中公开了这样的例子:准备定义了在大型工厂中发生异常时由联锁系统产生的警报的顺序及其发生间隔的因果网络,当实际发生了警告时,驾驶员可以预测随后会发生的警报或针对该警报的对应处理。并且,在专利文献4中示出了一种为了表现伴随从异常发生起的经过时间的要素间的因果关系的变化而将每个经过时间t1、t2、…的因果曲线图(具有正相关的要素间用正的弧连结、具有负相关的要素间用负的弧连结的曲线图)按时间序列排列得到的多层结构因果网络。
现有技术文献
专利文献
专利文献1:日本特开2012-113537号公报
专利文献2:日本特开平8-234832号公报
专利文献3:日本特开平5-333186号公报
专利文献4:日本特公昭62-53760号公报
发明内容
发明要解决的课题
为了正确进行对象的举动的分析或预测,因果的传播、即、当发生某现象A时对于其它现象B何时出现何种影响的理解变得重要。然而,在现有的因果网络中,存在的课题是,无法使因果的传播强度或传播延迟(时间延迟)顺利地模型化,无法充分表现对象具有的复杂的因果关系。
本发明是鉴于上述实际情况而作成的,本发明的目的是提供一种用于明确表示具有伴随时间延迟的复杂的因果关系的对象的举动的技术。
用于解决课题的手段
权利要求1的发明是一种因果关系的数据结构,其特征在于,包括:用于确定表现因果关系的对象的对象识别信息;用于定量地描述在所述对象中产生的现象的多个指标各自的指标识别信息;以及每个组的因果关系信息,其中该组是从所述多个指标中选择出的不同的2个指标的组,所述因果关系信息包含:方向信息,其表示所述2个指标中哪一方是原因指标,哪一方是结果指标;强度信息,其表示所述原因指标与所述结果指标之间的因果强度;时间信息,其表示所述原因指标的影响传播到所述结果指标所花费的延迟时间;相关信息,其以及表示所述结果指标相对于所述原因指标的增减的变化方向。根据权利要求1的发明,可以明确表示具有伴随时间延迟的复杂的因果关系的对象的举动。
权利要求2的发明是根据权利要求1所述的因果关系的数据结构,其特征在于,所述强度信息表示所述原因指标的变化与由所述时间信息表示的延迟时间后的所述结果指标的变化之间的因果强度。根据权利要求2的发明,能够表示考虑了从原因指标到结果指标的传播延迟的因果强度。
权利要求3的发明是根据权利要求2所述的因果关系的数据结构,其特征在于,所述时间信息表示所述原因指标与所述结果指标之间的因果强度为最大的延迟时间,所述强度信息表示所述原因指标与所述结果指标之间的最大的因果强度。根据权利要求3的发明,能够表示考虑了从原因指标到结果指标的传播延迟的因果强度。并且,能够明确表示每个指标组合的因果强度的不同或者延迟时间的不同。
权利要求4的发明是根据权利要求2所述的因果关系的数据结构,其特征在于,所述时间信息包含第1至第n的n个(n是2以上的整数)延迟时间的信息,所述强度信息包含与所述第1至第n的延迟时间分别对应的n个因果强度的信息。根据权利要求4的发明,能够表示考虑了从原因指标到结果指标的传播延迟的因果强度。并且,能够明确表示每个指标组合的因果强度的不同或者延迟时间的不同、以及每个延迟时间的因果强度的变化。
权利要求5的发明是根据权利要求1~4中任一项所述的因果关系的数据结构,其特征在于,所述相关信息表示所述原因指标的值与由所述时间信息表示的延迟时间后的所述结果指标的值之间的相关系数。根据权利要求5的发明,除了结果指标相对于原因指标的增加/减少的变化方向(正相关或负相关)以外,还能够明确表示相关的强度。
权利要求6的发明是一种因果网络生成系统,其生成表示在对象中产生的多个现象之间的因果关系的因果网络,其特征在于,所述因果网络生成系统具有:数据取得部,其取得用于定量地描述所述多个现象的多个指标各自的时间序列数据;因果关系评价部,其针对每个2个指标的组求出该2个指标之间的因果关系,其中该组是从所述多个指标中选择出的不同的2个指标的组;以及输出部,其输出描述了由所述因果关系评价部求出的每个2个指标的组的因果关系的数据,所述因果关系评价部将所述2个指标中的一方假定为原因指标,将另一方假定为结果指标,通过在改变时间s的值的同时计算所述原因指标的变化与时间s后的所述结果指标的变化之间的因果强度,求出所述原因指标与所述结果指标之间的因果强度、以及所述原因指标的影响传播到所述结果指标所花费的延迟时间。根据权利要求6的发明,可以生成明确表示具有伴随时间延迟的复杂的因果关系的对象的举动的因果网络。
权利要求7的发明是根据权利要求6所述的因果网络生成系统,其特征在于,所述因果关系评价部求出所述原因指标与所述结果指标之间的因果强度为最大的延迟时间,从所述输出部输出的所述因果关系包含所述原因指标与所述结果指标之间的因果强度为最大的延迟时间的信息、和所述原因指标与所述结果指标之间的最大的因果强度的信息。根据权利要求7的发明,能够生成表示考虑了从原因指标到结果指标的传播延迟的因果强度的因果网络。
权利要求8的发明是根据权利要求6或7所述的因果网络生成系统,其特征在于,所述因果关系评价部针对第1至第n的n个(n是2以上的整数)延迟时间求出所述原因指标与所述结果指标之间的因果强度,从所述输出部输出的所述因果关系包含第1至第n的n个延迟时间的信息、和与所述第1至第n的延迟时间分别对应的n个因果强度的信息。根据权利要求8的发明,能够生成表示考虑了从原因指标到结果指标的传播延迟的因果强度的因果网络。并且,能够生成明确表示每个指标组合的因果强度的不同或者延迟时间的不同的因果网络。
权利要求9的发明是根据权利要求6~8中任一项所述的因果网络生成系统,其特征在于,所述因果关系评价部计算所述原因指标的值与所述延迟时间后的所述结果指标的值之间的相关系数,从所述输出部输出的所述因果关系包含所述相关系数的信息。根据权利要求9的发明,能够生成明确表示原因指标的增加/减少和结果指标的变化的关系(正相关或负相关)、以及相关的强度的因果网络。
权利要求10的发明是根据权利要求6~9中任一项所述的因果网络生成系统,其特征在于,所述因果关系评价部使用移动熵来求出所述原因指标与所述结果指标之间的因果强度。根据权利要求10的发明,能够通过使用移动熵来适当求出伴随时间延迟的因果关系及其因果强度。
发明的效果
根据本发明,能够明确表示具有伴随时间延迟的复杂的因果关系的对象的举动。
附图说明
图1是因果网络生成系统的功能框图。
图2是示出因果网络生成处理流程的流程图。
图3是在因果网络的生成中使用的时间序列数据的一例。
图4是因果关系数据的数据结构的一例。
图5是因果网络的显示例。
图6是健康管理支持系统的功能框图。
图7是健康管理支持系统的结构例。
图8是健康管理支持系统的结构例。
图9是示出健康管理支持系统的处理流程的流程图。
图10是因果关系数据、因果网络、部分网络的一例。
图11是用于说明用户支持用曲线图的生成护理的图。
图12是示出运动效果发现区间的检测处理流程的流程图。
图13是示出正的运动效果发现区间SP-posi的检测例的图。
图14是示出连续区间的结合例的图。
图15是示出用户支持用曲线图的一例的图。
图16是支持消息形式存储部中存储的模板的一例。
图17是提供给用户的支持信息的显示例。
具体实施方式
对本发明的实施方式的因果网络生成系统进行说明。因果网络生成系统是用于自动生成表示在分析对象中产生的多个现象之间的因果关系的因果网络的系统。因果网络用于表现分析对象的举动,例如能够应用于生产线、大型工厂的管理、维护、气象或灾害的预测、股价或汇兑的预想、市场营销等各种对象的举动的分析或预测。
图1示出因果网络生成系统1的功能结构例。因果网络生成系统1具有时间序列数据取得部10、因果关系评价部11、因果关系数据输出部12等的功能块。该系统1能够由具有如下部件的通用计算机构成,该通用计算机具有:CPU(中央运算处理装置)、主存储装置(存储器)、辅助存储装置(硬盘、半导体盘等)、输入装置(键盘、鼠标、触摸面板等)、显示装置(液晶监视器等)、通信IF,图1所示的各功能是通过由CPU读入程序并执行而实现的。另外,该系统1既可以由一个装置构成,也可以由通过有线或无线相互能够通信的多个装置构成。
时间序列数据取得部10是取得用于定量地描述在分析对象中产生的现象的指标的时间序列数据的功能。现象(指标)的种类和数目可以针对分析的对象或目的任意设计。例如,若目的是生产线的维护,则可以选择设置在制造装置中的传感器的输出、制造条件、工作时间、直行率或良品率、温度或湿度等的环境数据作为指标。在复杂的系统中,还可以使用数十至数百种类的指标的时间序列数据。
因果关系评价部11是评价各指标之间的因果关系的功能。如前所述,在正确进行对象的举动分析或预测时,需要正确理解2个指标(原因指标与结果指标)之间的因果强度、原因指标的影响传播到结果指标所花费的延迟时间。因此,本实施方式的因果关系评价部11使用“移动熵(Transfer Entropy:TE)”的信息逻辑概念,评价2个指标之间的因果关系。
移动熵是评价考虑了两个指标X、Y之间的传播时间(延迟时间)的因果关系的尺度或方法,是将从指标X移动到时间s后的指标Y的平均信息量(熵)视为原因指标X在时间s后赋予结果指标Y的影响的强度(也就是说因果强度)的想法。另外,尽管类似的概念有相关系数,然而与移动熵的不同点是,相关系数仅是评价2个指标X和Y之间的线性关系的程度和线性关系的符号,不考虑因果方向(哪个指标是因,哪个指标是果)和时间延迟。
设指标X、Y各方的时间序列数据为x(t)、y(t),设概率密度函数为P(x(t))、P(y(t))时,以指标X为因、以指标Y为果的、与延迟时间s相关的移动熵TEXY(s)可以使用下式计算。
[算式1]
这里,P(a、b)表示P(a)与P(b)的结合概率密度变量,[*]表示*的时间平均。
从上式可知,移动熵可以通过赋予两个指标X、Y的时间序列数据和延迟时间s来计算。这里,在指标X、Y之间存在以X为因、以Y为果的因果关系的情况下,在TEXY(s)的值与替换因和果而计算的TEYX(s)的值之间,TEXY(s)>TEYX(s)成立。因此,通过评价TEXY(s)和TEYX(s)值的大小关系,可以判断因果关系的存在和因果的方向。并且,通过在改变s的值的同时计算移动熵TEXY(s),可以求出原因指标X与结果指标Y之间的因果强度的最大值、以及因果强度为最大的延迟时间s。
因果关系数据输出部12是生成并输出描述了由因果关系评价部11求出的各指标之间的因果关系的数据(称为因果关系数据)的功能。假定因果关系数据的输出目的地是辅助存储装置、显示装置、打印机、外部的(LAN或者互联网上的)存储器或计算机等。
(因果网络的生成处理)
按照图2的流程图,对由因果网络生成系统1进行的因果网络生成处理的流程进行说明。
在步骤S20中,时间序列数据取得部10取得与分析对象相关的多个指标的时间序列数据。这里,假定取得m个(m是2以上的整数)的指标E1~Em的时间序列数据。时间序列数据的取得目的地或取得方法可以是任意的,例如,也可以读入存储在辅助存储装置内的数据,也可以经由LAN或互联网从外部的存储装置或计算机取得数据。图3示意性示出时间序列数据的一例。各曲线图的横轴是时间轴,纵轴是指标值。
接下来,因果关系评价部11针对从m个指标E1~Em中选择的2个指标的组(Ei,Ej)的各方,进行以下所述的处理(步骤S21)。这里,Ei表示原因指标,Ej表示结果指标,表示指标编号的尾标i、j满足i=1~m、j=1~m、i≠j。
首先,因果关系评价部11将延迟时间s设定为最小值smin(步骤S22)。然后,因果关系评价部11求出原因指标Ei与时间s后的结果指标Ej之间的因果强度(步骤S23)。在本实施方式中,使用通过所述的算式计算的移动熵TEij作为因果强度。另外,此时,计算反方向的移动熵、即从时间s后的指标Ej朝指标Ei的移动熵TEji,如果在反方向的移动熵大的情况下(TEji>TEij),则判断为在2个指标(Ei,Ej)之间没有以指标Ei为原因、指标Ej为结果的因果关系,可以使因果强度为零。
在原因指标Ei与结果指标Ej之间确认了因果关系的情况下(在因果强度不是零的情况下)(步骤S24;是),因果关系评价部11计算原因指标Ei与时间s后的结果指标Ej的相关系数(步骤S25)。相关系数的计算方法由于是公知的,因而省略说明。
在使s的值按各时间步幅Δs增加的同时,重复执行以上的步骤S23~S25的处理(步骤S26),在达到延迟时间的最大值smax结束处理后(步骤S27),转移到下一指标组的处理(步骤S28;否)。然后,针对2个指标的全部组结束了因果关系评后(步骤S28;是),因果关系数据输出部12生成因果关系数据(步骤S29),结束处理。
<因果关系数据结构>
图4示出因果关系数据结构的一例。因果关系数据包含:用于确定表现因果关系的对象(分析对象)的对象识别信息、m个指标各自的指标识别信息、以及2个指标的组中每组的因果关系信息。
在对象识别信息内描述有分析对象的名称、ID等。对象识别信息由于是为了确定该因果关系数据表示哪种因果关系而参照的信息,因而只要能够与其它分析对象区别开,则什么样的内容都可以描述。指标识别信息描述有用于确定指标或现象的名称、ID等。指标识别信息由于是为了确定各指标表示什么而参照的信息,因而只要能在指标之间区别开,则什么样的内容都可以描述。
因果关系信息由m×m的二维数组构成(图4是m=6的例子),在要素编号(i,j)的单元格内存储有原因指标i与结果指标j之间的因果关系信息。以下示出要素编号(3,4)的因果关系信息Ark(3,4)的数据描述例。
Causality是表示原因指标i与结果指标j之间的最大的因果强度(移动熵)的强度信息,Delay是表示因果强度为最大的延迟时间的时间信息。Co_CoEf是表示结果指标j相对于原因指标i的增减的变化方向(正相关或是负相关)的相关信息。在该例子中,使用“天”作为Delay的单位,使用原因指标i与Delay后的结果指标j之间的相关系数作为相关信息。即,从上述例的因果关系信息Ark(3,4)可知以下内容等:在原因指标3与结果指标4之间存在因果关系,其因果方向是指标3→指标4;因果强度是0.58;原因指标3的影响传播到结果指标4花费3天(延迟);在原因指标3与结果指标4之间存在负相关,其强度是0.7。
另外,在上述步骤S24中判断为在指标i与j之间没有因果关系的情况下,讲Ark(i,j)设定NULL(空)。并且,在i=j的单元格的Ark(i,j)也设定NULL。
作为因果关系信息,不是仅描述因果强度的最大值以及此时的延迟时间和相关系数,而是也可以描述第1至第n的n个(n是2以上的整数)的延迟时间、以及与各自对应的因果强度和相关系数的信息。以下示出要素编号(3,4)的因果关系信息Ark(3,4)的数据描述例。
在该描述例中,强度信息(Causality[])和相关信息(Co_CoEf[])的数据由一维数组来保持。数组的要素编号对应于延迟时间(单位是“天”)。即,Causality[0]=0.02表示延迟0天(无延迟)的情况下的因果强度,Causality[1]=0.13表示延迟1天的情况下的因果强度,……,Co_CoEf[0]=-0.2表示延迟0天的情况下的相关系数,Co_CoEf[1]=-0.13表示延迟1天的情况下的相关系数,……。另外,在想要任意设定延迟时间的单位(单位步幅)的情况下,也可以如以下的数据描述例那样保持延迟时间的数组Delay[]。
根据这样的数据结构,能够明确表示具有伴随时间延迟的复杂的因果关系的对象的举动。并且,可以在多个现象(指标)涉及的因果关系中容易发现具有强的因果关系的现象(指标)的组。而且,由于还可以考虑因果的传播延迟,因而能够把握与现有方法相比更合适的因果关系。而且,由于也保持2个现象(指标)之间的相关系数,因而也能够表现相关的正负或相关的强度。当有这样的信息时,例如,可以容易实施以相关的正负或相关的强度作为约束条件的因果关系的检索或缩小范围,对对象的举动的分析或预测是有用的。
图5是基于因果关系数据输出部12的因果网络的显示例。在该有向曲线图中,各节点对应于指标,链接2个节点之间的弧表示2个节点之间的因果关系和因果方向(弧的基端侧是原因节点,箭头侧是结果节点)。在各节点上显示指标识别信息,在各弧上显示因果强度、延迟时间、相关系数。并且,在有向曲线图的上部显示对象识别信息。若观察这样的因果网络,则可以容易把握指标之间的因果关系的有无、因果方向、因果强度、因果传播所花费的时间、相关的正负和高度等。
另外,在上述处理中,根据一个分析对象的时间序列数据求出因果关系,然而还可以根据多个分析对象各自的时间序列数据求出因果关系。例如,假定对多个被检者的重要数据进行分析,或者对相同设计的多个生产线的数据进行分析。只要是同种的分析对象,则基本的举动是共同的,因而认为因果关系的有无、因果的方向、相关的正负等的关系大致相同,然而存在针对因果强度和延迟时间出现个体差的可能性。因此,在根据多个分析对象的时间序列数据求出因果关系的情况下,可以按各分析对象计算因果强度、延迟时间、相关系数等,而且,可以将这些值的最大值、最小值、平均值、分散、标准偏差等的统计信息保持在因果关系数据中。以下示出该情况下的因果关系信息的数据描述例。
在该描述例中,强度信息(Causality[])、时间信息(Delay[])、相关信息(Co_CoEf[])的数据由一维数组来保持。数组的要素编号对应于分析对象的编号。即,第0号分析对象的因果强度是Causality[0]=2.2,延迟时间是Delay[0]=3,相关系数是Co_CoEf[]=0.5。然后,作为统计信息,保持全部分析对象中的因果强度的最大值(Causality_Max)、平均值(Causality_Ave)、分散(Causality_Var)、以及延迟时间的最大值(Delay_Max)、平均值(Delay_Ave)、分散(Delay_Var)。
根据这样的数据结构,即使在因果强度或因果的传播延迟有个体差的情况下,也能够明确表示对象(对象组)的举动。并且,由于保持多个对象中的统计信息,因而有可能得到以下新发现,例如,虽然指标X和Y有强的因果关系,但是延迟时间的个体差较大,或者指标A和B无论是因果强度的偏差还是延迟时间的偏差都非常大,因而指标A和B之间的因果关系的可靠性低等。
<因果网络的应用例:健康管理支持系统>
上述因果网络(因果关系数据)能够应用于各种对象的举动的分析或预测。以下,作为一例,说明针对与人的健康管理相关的指标的因果分析的应用例。
近年来,对健康的关心提高、个人记上饮食或运动的记录,或者记录血压或体重等的重要数据的测定值等、使其有益于对健康管理的人不断增加。然而,即使蓄积这些信息,没有医学、生理学的专门知识的人也不容易看出各个数值之间的关系性(因果关系),或者得到有益于健康管理的发现。而且,重要数据的变化方法、饮食或运动的影响出现在重要数据变化之前的时间延迟因人而异,这也成为健康管理困难的一个原因。以下所述的健康管理支持系统用于通过生成上述因果网络并提示给用户而使用户自身进行的健康管理容易化。
<系统结构>
图6是示出本实施方式的健康管理支持系统6(以下也简称为“本系统6”)的整体结构的功能框图。
本系统6具有以下等的功能块:多个指标记录部60、数据发送部61、数据蓄积部62、因果网络生成部63、数据取得部64、曲线图描绘部65、支持消息生成部66、支持消息形式存储部67、描绘合成部68、输出部69。这些功能块既可以由一个装置构成,也可以由通过有线或无线相互能够通信的多个装置构成(关于具体的装置结构例在后面描述)。
指标记录部60是记录是从用户计测或输入的各种指标的功能块。只要是与健康有关的指标,就可以记录任何指标。列举一例,作为在用户实施的活动(运动或行为)中会对健康产生影响的指标,有以下指标:步数、步行距离、运动时间、运动量(消耗卡路里)、活动量(运动强度与时间的积)、睡眠时间、休养时间/次数、摄取卡路里、盐分摄取量、药的用量、补充物的摄取量等。并且,作为用户计测的或者根据从用户采取的数据计测的指标,有以下指标:血压、脉拍、体重、体脂肪率、体脂肪量、肌肉率、肌肉量、腹围、BMI、胆固醇水平、血糖值、尿糖值、体温等。此外,医疗或药相关的费用等也可以作为与健康间接相关的一个指标来掌握。各指标的值也可以是用户手动输入的结构,也可以使用步数计或血压计那样的计测器来构成指标记录部60,可以自动计测、记录指标值。
数据发送部61是将由指标记录部60记录的各指标的数据发送并登记到数据蓄积部62的功能块。数据蓄积部62是将经由数据发送部61受理的各指标的数据按时间序列存储并管理的数据库。并且,由因果网络生成部63生成的因果关系数据也被保存在数据蓄积部62内。另外,在本系统由多个用户利用的情况下,有必要针对各用户收集并蓄积数据,因而可以将各指标的时间序列数据和因果关系数据与用于识别用户的用户ID一起进行管理。
因果网络生成部63是具有与图1所示的因果网络生成系统1相同功能的块。因果网络生成部63根据从数据蓄积部62读入的各指标的时间序列数据生成因果关系数据。所生成的因果关系数据被存储在数据蓄积部62中。
数据取得部64是从数据蓄积部62取得因果关系数据或指标的时间序列数据的功能块。曲线图描绘部65、支持消息生成部66、支持消息形式存储部67、描绘合成部68以及输出部69是构成将健康管理相关的支持信息提供给用户的信息提供部的功能块组。曲线图描绘部65根据因果关系数据生成因果网络(有向曲线图),或者生成各指标的时间序列数据的曲线图。并且,支持消息生成部66根据因果关系数据或各指标的时间序列数据,使用登记在支持消息形式存储部67内的消息模板,进行支持消息的生成。所生成的曲线图和支持消息由描绘合成部68合成,由输出部69输出到显示装置或外部终端等。关于支持信息的具体的生成处理和曲线图或支撑消息的具体例,在后面描述。
<装置结构的例子>
图6的健康管理支持系统可采用各种装置结构。图7~图8示出装置结构的具体例。
图7(a)是使用一个装置70构成健康管理支持系统的例子。该装置70能够由通用的个人计算机构成,该个人计算机具有:CPU(中央运算处理装置)、主存储装置(存储器)、辅助存储装置(硬盘、半导体盘等)、输入装置(键盘、鼠标、触摸面板等)、显示装置(液晶监视器等)、通信IF。或者,也可以利用如平板终端、智能电话、PDA(便携信息终端)那样提供与个人计算机同等功能的设备构成装置70,也可以使用内置有板式计算机的专用机构成装置70。在图7(a)的结构的情况下,用户操作输入装置进行各指标的数据输入,支持信息被输出到显示装置。
图7(b)是针对装置70使步数计71、血压计72等的计测器组合的例子。由步数计71或血压计72计测的数据通过有线(例如USB)或者无线(例如Bluetooth(注册商标)WiFi)被传送到装置70。在该结构的情况下,步数计71和血压计72相当于图6的指标记录部60,内置于步数计71和血压计72内的数据通信功能相当于图6的数据发送部61。支持信息也可以被输出到装置70的显示装置,也可以发送到步数计或血压计72,并输出到步数计71或血压计72的显示部。
图8(a)是云计算的一例,是使用在线存储器80构成图6的数据蓄积部62的例子。在图8(a)的结构中,用户操作的终端81具有图6的数据发送部61、因果网络生成部63、数据取得部64、以及信息提供部的功能,执行由步数计71或血压计72计测的数据的上传、时间序列数据的下载、因果网络的生成、支持信息的生成/显示等。终端81与图7所示的装置70一样,能够由个人计算机、平板终端、智能电话、专用机等构成。另外,在步数计71或血压计72能够互联网接入的情况下,也可以将数据从步数计71或血压计72直接上传到在线存储器80。
图8(b)也是云计算的一例。与图8(a)的不同点是,云服务器82承担图6的数据蓄积部62、因果网络生成部63、数据取得部64以及信息提供部的功能。在用户操作的终端83一侧,只要具有对云服务器82进行支持信息的请求的请求部、显示从云服务器82接收到的支持信息的显示部等的功能即可。用户的识别例如在支持信息的请求中包含用户ID、或者进行利用用户ID的认证即可。根据图8(b)的结构,减轻了终端侧所需要的资源(数据容量、运算能力等),可以使终端83的结构简单,因而对通过特别是平板终端或智能电话等的应用进行健康管理支持的服务是优选的。
<处理例1>
对由健康管理支持系统6执行的因果网络的分析处理一例进行说明。作为前提,假定用户在某个程度的期间(例如1月以上)进行饮食(摄取卡路里)、运动(消耗卡路里)、盐分摄取量、体重、血压、医疗费这6个项目的指标的记录,其时间序列数据已被蓄积在数据蓄积部62内。并且,假定根据该6个项目的指标的时间序列数据通过因果网络生成部63生成因果网络(具体的处理参照图2),该因果关系数据已被蓄积在数据蓄积部62中。
按照图9的流程图说明处理流程。首先,数据取得部64从数据蓄积部62取得因果关系数据(步骤S90)。图10(a)是因果关系数据的例子,图10(b)是根据因果关系数据描绘的因果网络(有向曲线图)的例子。如图10(b)所示,要表示全部指标的因果关系,则生成了非常复杂的网络,难以知道指标之间的关系或应关注的部位。
因此,曲线图描绘部65提供以下描述的部分网络的生成功能。首先,曲线图描绘部65从6个项目的指标中选择关注指标(步骤S91)。关注指标可以任选。例如,用户自身也可以指定想要进行因果分析的指标,曲线图描绘部65也可以将与其它指标的因果关系集中的指标选择为关注指标。这里,假定“指标5:血压”被选择为关注指标。然后,曲线图描绘部65设定因果强度和相关系数的阈值(步骤S92)。阈值可以从医学证据或者用户自身的过去的数据等来决定。或者,也可以根据关注指标和其它5个指标的因果强度或相关系数的偏差来设定阈值。接下来,曲线图描绘部65切断因果强度和/或相关系数的值不满足在步骤S92中设定的阈值的弧(因果关系),仅保留与关注指标即“指标5:血压”连结的指标,删除其它指标的节点(步骤S93)。
通过上述操作,生成图10(c)所示的与关注指标(血压)相关联的部分网络。在该例子中,作为对血压产生影响的因子,检测“指标4:体重”和“指标2:运动”,作为血压产生影响的因子,检测“指标6:医疗费”。实线的弧表示正相关,虚线的弧表示负相关。并且,各弧表示因果强度、延迟时间、相关系数等的信息作为附加信息。
在步骤S94中,支持消息生成部66根据在部分网络提取出的各指标的名称、因果强度、延迟时间、相关的正负等的信息,生成与健康管理相关的支持消息。在支持消息形式存储部67中准备有以下的模板。
模板例:
T1:<FC>的<C>对<FT>的<C>产生的影响最大。
T2:您是通过<FC>的<C>使<FT>进行<C>、在<AD>天之后出现<FC>的效果的类型。
T3:当<FT>进行<C>时,有<FE>进行<C>的倾向。请注意。
由嵌入在模板内的“<”和“>”夹着的字符串在生成支持消息时,通过以下的字符串置换。
<FT>:关注指标的名称
<FE>:关注指标造成影响的指标的名称
<FC>:对关注指标产生影响的指标的名称
<C>:在正相关的情况下“增加”,在负相关的情况下“减少”
<AD>:延迟时间Delay的值
若是图10(c)的例子的情况,则使用模板T1~T3生成下面的支持消息。
“体重的增加对血压的增加产生影响最大。”
“您是随着运动的增加血压减少、3天后出现运动效果的类型。”
“当血压增加时,有医疗费增加的倾向。请注意。”
在步骤S95中,部分网络的曲线图(图10(c))和支持消息显示在显示装置上。通过观察这样的支持消息,用户可以容易把握指标之间如何相关联,可以有助于自身的健康管理。
<处理例2>
下面,对由健康管理支持系统6执行的数据分析处理和支持信息的生成、显示处理的具体例进行说明。作为前提,假定用户在某个程度的期间(例如1月以上)进行饮食、步数、体重、血压、脉拍等的多个指标的记录,其时间序列数据和因果关系数据已被蓄积在数据蓄积部62中。以下,作为一例,说明使用发现了因果关系的步数与血压的时间序列数据以及因果关系数据来进行用户的运动支持的处理。
(1)用户支持用曲线图的生成
首先,曲线图描绘部65使用步数的时间序列数据St(t)和血压的时间序列数据Bp(t),生成以横轴为时间“天”、纵轴为步数“步”以及血压为“mmHg”的折线曲线图。图11(a)是曲线图的一例,标号110是步数的曲线图,标号111是血压的曲线图。
然后,曲线图描绘部65根据因果关系数据取得步数和血压之间的时间延迟量(延迟时间)sd,使步数的曲线图110朝右移动时间延迟量sd(或者,也可以使血压的曲线图111朝左移动sd)。图11(b)是移动后的曲线图的一例,标号112示出朝右移动了sd的步数的曲线图。以下,将如图11(b)所示使一个曲线图移动了时间延迟量sd得到的曲线图称为“时间一致的步数和血压的曲线图”。
接下来,曲线图描绘部65从时间一致的步数和血压的曲线图检测正的运动效果发现区间SP-posi和负的运动效果发现区间SP-nega。这里,对于正的运动效果发现区间,在时间一致的步数和血压的曲线图中,是指步数增加、血压减少的区间,对于负的运动效果发现区间,在该曲线图中,是指步数减少、血压增加的区间。正和负的运动效果发现区间的检测方法考虑了各种,图12示出一例。
在以下的说明中,Sday、Eday分别是表示计算开始日、计算结束日的变量,Db、Ds分别是表示血压变化量、步数变化量的变量。Bp(t)、St(t)分别表示某天t中的血压和步数(其中,步数St(t)是移动了时间延迟量sd的数据)。并且,关于以下的阈值,假定预先设定合适的值。
·ThSpan…用于计算变化量的最大期间(例如7天)。
·ThDifBp…判断为血压增加/减少的差值(正的值例如是3mmHg)。
·ThDifSt…判断为步数增加/减少的差值(正的值例如是1000步)。
当图12的处理开始时,曲线图描绘部65将1代入计算开始日Sday(步骤S800),将Sday+1代入计算结束日Eday(步骤S801)。若有计算结束日Eday的步数、血压的数据,则进到步骤S803,若不存在步数、血压的数据,则转移到步骤S813(步骤S802)。
在步骤S803、S804中,曲线图描绘部65根据下述式,计算计算开始日Sday与计算结束日Eday之间的血压变化量Db和步数变化量Ds。
Db=Bp(Eday)-Bp(Sday)
Ds=St(Eday)-St(Sday)
接下来,进行正的运动效果发现区间SP-posi的判定(步骤S805)。具体地,曲线图描绘部65在血压变化量Db满足条件“Db<-1×ThDifBp”、且步数变化量Ds满足条件“Ds>ThDifSt”的情况下(步骤S805:是),将从Sday到Eday的区间记录为SP-posi(步骤S806),进到步骤S811。在Db和Ds不满足上述条件的情况下(步骤S805;否),判定为未发现正的运动效果,进到步骤S807。
在步骤S807中,进行负的运动效果发现区间SP-nega的判定。具体地,曲线图描绘部65在血压变化量Db满足条件“Db>ThDifBp”、且步数变化量Ds满足条件“Ds>-1×ThDifSt”的情况下(步骤S807:是),将从Sday到Eday的区间记录为SP-nega(步骤S808),进到步骤S811。在Db和Ds不满足上述条件的情况下(步骤S807;否),判定为未发现负的运动效果,进到步骤S809。
之后,使Eday增加1(步骤S809),在Eday达到ThSpan之前重复步骤S802~S809的处理(步骤S810)。即,在使区间的长度各延长1天的同时(最短1天,最长ThSpan),依次进行是否与运动效果发现区间相当的判定。由此,不仅可以评价每天的步数、血压变化,还可以评价某程度长的期间内的微小的变化倾向,因而可以减小运动效果发现区间的检测缺漏。使用图13,对通过改变区间长度检测为运动效果发现区间的例子进行说明。
图13是正的运动效果发现区间SP-posi的检测例。当观察图13时,步数St(t)存在增加倾向,血压Bp(t)存在减少倾向。然而,由于步数变化量Ds=St(Eday-1)-St(Sday)不满足Ds>ThDifSt的条件,因而区间“Sday~(Eday-1)”不判定为是SP-posi。然而,在之后的区间“Sday~Eday”的判定处理中,由于血压变化量Db=Bp(Eday-1)-Bp(Sday)满足条件“Db<-1×ThDifBp”、且步数变化量Ds=St(Eday)-St(Sday)满足条件“Ds>ThDifSt,因而区间“Sday~Eday”被检测为正的运动效果发现区间SP-posi。
如以上所述,当针对以计算开始日Sday为起点的区间结束了判定处理时,曲线图描绘部65根据Sday=Eday+1更新计算开始日Sday(步骤S811)。若存在更新后的Sday的步数、血压的数据,则回到步骤S801重复处理,若不存在步数、血压的数据,则转移到步骤S813(步骤S812)。
在步骤S813中,若在检测出的多个运动效果发现区间中有连续的运动效果发现区间,则曲线图描绘部65进行使这些连续区间结合的处理。此时,正的运动效果发现区间SP-posi与负的运动效果发现区间SP-nega之间不结合。图14示出连续区间的结合例。图14的左侧的曲线图表示检测出的SP-posi和SP-nega,右侧的曲线图表示连续区间被结合的SP-posi和SP-nega。另外,也可以仅使无间隔地相邻的区间之间结合,然而在区间之间的间隔极短(例如1天~数天左右)的情况下,也可以视为连续区间并将它们结合。
曲线图描绘部65根据经过以上处理得到的信息,生成用于向用户进行提示的用户支持用曲线图。图15是用户支持用曲线图的一例。在该例子中,显示2个曲线图。左侧的曲线图描绘有:描绘了步数的时间序列数据得到的步数曲线图150和描绘了血压的时间序列数据得到的血压曲线图151、以及使步数曲线图150移动了时间延迟量而描绘得到的运动效果曲线图152、以及表示时间延迟量(在该例子中是3天)的信息153。右侧的曲线图是在血压曲线图151和运动效果曲线图152上描绘正的运动效果发现区间154和负的运动效果发现区间155得到的曲线图。运动效果发现区间有可能存在多个,可以其全部描绘在曲线图上,也可以仅将代表性的区间(例如区间长度最大的区间)描绘在曲线图上。另外,各要素的标题可以任意设定。
(2)用户支持用消息的生成
在本实施方式中,作为一例,假定提示包含用户实施的运动的评价结果和/或今后的建议在内的第1消息、和包含该用户的运动效果的延迟特性(时间延迟量)在内的第2消息的两种用户支持用消息。
图16示出存储在支持消息形式存储部67内的模板的一例。在支持消息形式存储部67中包含有:登记有第1消息用的多个模板的第1表160、和登记有第2消息用的多个模板的第2表161。这些模板也可以预先登记在本系统中,也可以由系统管理者或用户可追加、编辑、删除模板。各个模板与模板的选择条件对应地被登记。选择条件可以使用例如因果强度TEmax、步数St、血压Bp、步数变化量Ds、血压变化量Db、时间延迟量sd等的值来设定。在图16的例子中。在第1消息用的模板内设定有使因果强度TEmax的条件和血压变化量Db或步数变化量Ds的条件组合得到的选择条件,在第2消息用的模板内设定有基于因果强度TEmax的选择条件。由嵌入在模板内的“<$”和“>”夹着的字符串是在生成用户支持用消息时置换为实际值的部分。
例如,在得到
SP-posi:2013年2月5日~2013年2月12日
TEmax:0.53
sd:3
Db:14
Ds:2050
的情况下,支持消息生成部66从第1表120中选择第2个模板,生成“请关注2013年2月5日~2013年2月12日的期间。非常努力,血压也下降了14mmHg!干得好!”的第1消息,并且从第2表121选择第1个模板,生成“您是3天左右出现运动效果的类型”的第2消息。
所生成的用户支持用消息由描绘合成部68合成到用户支持用曲线图的预定区域,由输出部69输出到显示装置或外部终端等。图17是支持信息的显示例。在画面上部显示第1消息,在左曲线图的上部显示第2消息。用户通过观察这样的支持信息,可以知道自己自身的运动效果的延迟特性,并且可以直观地且具有理解性地确认基于运动的效果。
根据以上所述的本系统,考虑了基于运动的效果出现之前的时间延迟的健康管理支持成为可能。特别是,由于使用根据用户本人的步数和血压的数据计算出的因果强度或延迟时间,因而以容易明白的方式提示用户实施的运动与其效果的因果关系,能够维持对继续运动的动机。
并且,观察图17的画面,可以知道基于运动的效果延迟3天左右出现的本人固有的生理学特性。因此,用户可以理解步数的增减与血压的何处变化可以对比,可以确认过去进行的运动的成果,或者反之注意由懒惰引起的血压的恶化。并且,考虑了自己自身的生理学特性的健康管理(例如,运动计划、步数或血压的目标设定等)成为可能。
并且,通过将图17的画面中的运动效果曲线图(移动的步数曲线图)与血压曲线图进行对比,可以直观地理解步数的增减与血压的变化的因果关系(负相关)。而且,通过正的运动效果发现区间SP-posi的显示,可以容易把握步数的增加(过去的努力)与血压的正的变化(也就是说血压的下降)直接连结,因而可以得到对运动的实施和继续的动机。而且,通过负的运动效果发现区间SP-nega的显示,也可以容易把握步数的减少(过去的懒惰)与血压的负的变化(也就是说血压的上升)直接结合。这具有促使用户反省、注意运动的继续实施的必要性的效果。
上述实施方式的结构仅仅示出本发明的一个具体例,其主旨并不是限定本发明的范围。本发明在不脱离其技术思想的范围内,可采用各种具体结构。在上述实施方式中,作为原因指标与结果指标之间的相关信息,使用了线性回归中的相关系数,然而还可以使用其它方法评价两个指标之间的相关。例如,在两个指标X和Y没有线性关系、然而存在可以以非线性的方式进行拟合的关系的情况下,可以通过对任一指标实施变换而回归为线性问题,以同样的方式评价两个指标的相关系数。例如,可以优选地利用逻辑回归等的回归分析方法。
标号说明
1:因果网络生成系统1;10:时间序列数据取得部;11:因果关系评价部;12:因果关系数据输出部;6:健康管理支持系统;60:指标记录部;61:数据发送部;62:数据蓄积部;63:因果网络生成部;64:数据取得部;65:曲线图描绘部;66:支持消息生成部;67:支持消息形式存储部;68:描绘合成部;69:输出部;70:装置;71:步数计;72:血压计;80:在线存储器;81:终端;82:云服务器;83:终端。
Claims (10)
1.一种因果关系的数据结构,其特征在于,包括:
用于确定表现因果关系的对象的对象识别信息;
用于定量地描述在所述对象中产生的现象的多个指标各自的指标识别信息;以及
每个组的因果关系信息,其中该组是从所述多个指标中选择出的不同的2个指标的组,
所述因果关系信息包含:
方向信息,其表示所述2个指标中哪一方是原因指标,哪一方是结果指标;
强度信息,其表示所述原因指标与所述结果指标之间的因果强度;
时间信息,其表示所述原因指标的影响传播到所述结果指标所花费的延迟时间;以及
相关信息,其表示所述结果指标相对于所述原因指标的增减的变化方向。
2.根据权利要求1所述的因果关系的数据结构,其特征在于,
所述强度信息表示所述原因指标的变化与由所述时间信息表示的延迟时间后的所述结果指标的变化之间的因果强度。
3.根据权利要求2所述的因果关系的数据结构,其特征在于,
所述时间信息表示所述原因指标与所述结果指标之间的因果强度为最大的延迟时间,
所述强度信息表示所述原因指标与所述结果指标之间的最大的因果强度。
4.根据权利要求2所述的因果关系的数据结构,其特征在于,
所述时间信息包含第1至第n的n个延迟时间的信息,n是2以上的整数,
所述强度信息包含与所述第1至第n的延迟时间分别对应的n个因果强度的信息。
5.根据权利要求1~4中任一项所述的因果关系的数据结构,其特征在于,
所述相关信息表示所述原因指标的值与由所述时间信息表示的延迟时间后的所述结果指标的值之间的相关系数。
6.一种因果网络生成系统,其生成表示在对象中产生的多个现象之间的因果关系的因果网络,其特征在于,所述因果网络生成系统具有:
数据取得部,其取得用于定量地描述所述多个现象的多个指标各自的时间序列数据;
因果关系评价部,其针对每个2个指标的组求出该2个指标之间的因果关系,其中该组是从所述多个指标中选择出的不同的2个指标的组;以及
输出部,其输出描述了由所述因果关系评价部求出的每个2个指标的组的因果关系的数据,
所述因果关系评价部将所述2个指标中的一方假定为原因指标,将另一方假定为结果指标,
通过在改变时间s的值的同时计算所述原因指标的变化与时间s后的所述结果指标的变化之间的因果强度,求出所述原因指标与所述结果指标之间的因果强度、以及所述原因指标的影响传播到所述结果指标所花费的延迟时间。
7.根据权利要求6所述的因果网络生成系统,其特征在于,
所述因果关系评价部求出所述原因指标与所述结果指标之间的因果强度为最大的延迟时间,
从所述输出部输出的所述因果关系包含所述原因指标与所述结果指标之间的因果强度为最大的延迟时间的信息、和所述原因指标与所述结果指标之间的最大的因果强度的信息。
8.根据权利要求6或7所述的因果网络生成系统,其特征在于,
所述因果关系评价部针对第1至第n的n个延迟时间求出所述原因指标与所述结果指标之间的因果强度,n是2以上的整数,
从所述输出部输出的所述因果关系包含第1至第n的n个延迟时间的信息、和与所述第1至第n的延迟时间分别对应的n个因果强度的信息。
9.根据权利要求6~8中任一项所述的因果网络生成系统,其特征在于,
所述因果关系评价部计算所述原因指标的值与所述延迟时间后的所述结果指标的值之间的相关系数,
从所述输出部输出的所述因果关系包含所述相关系数的信息。
10.根据权利要求6~9中任一项所述的因果网络生成系统,其特征在于,
所述因果关系评价部使用移动熵来求出所述原因指标与所述结果指标之间的因果强度。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014-026160 | 2014-02-14 | ||
JP2014026160A JP6354192B2 (ja) | 2014-02-14 | 2014-02-14 | 因果ネットワーク生成システム |
PCT/JP2015/053336 WO2015122362A1 (ja) | 2014-02-14 | 2015-02-06 | 因果ネットワーク生成システムおよび因果関係のデータ構造 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105934754A true CN105934754A (zh) | 2016-09-07 |
Family
ID=53800109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580005746.4A Pending CN105934754A (zh) | 2014-02-14 | 2015-02-06 | 因果网络生成系统和因果关系的数据结构 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10546239B2 (zh) |
EP (1) | EP3106998A4 (zh) |
JP (1) | JP6354192B2 (zh) |
CN (1) | CN105934754A (zh) |
SG (1) | SG11201606221WA (zh) |
WO (1) | WO2015122362A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
CN110462536A (zh) * | 2017-03-23 | 2019-11-15 | Asml荷兰有限公司 | 对诸如光刻系统的系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 |
CN112352235A (zh) * | 2019-06-06 | 2021-02-09 | 日本电气株式会社 | 因果分析 |
WO2022227219A1 (zh) * | 2021-04-30 | 2022-11-03 | 平安科技(深圳)有限公司 | 房产指数数据分析方法、装置、设备及存储介质 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102149866B1 (ko) * | 2015-09-29 | 2020-09-01 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들. |
US11182680B2 (en) * | 2015-11-13 | 2021-11-23 | International Business Machines Corporation | Using ontology for cause-effect analysis |
CN105468703B (zh) * | 2015-11-18 | 2019-05-21 | 章斌 | 一种原因追溯方法 |
WO2017126090A1 (ja) * | 2016-01-21 | 2017-07-27 | 三菱電機株式会社 | グラフ表示装置、グラフ表示方法及びグラフ表示プログラム |
JP2017157109A (ja) * | 2016-03-03 | 2017-09-07 | 富士通株式会社 | 推定装置、推定方法および推定プログラム |
EP3223179A1 (en) * | 2016-03-24 | 2017-09-27 | Fujitsu Limited | A healthcare risk extraction system and method |
JP6852977B2 (ja) * | 2016-03-30 | 2021-03-31 | 大和ハウス工業株式会社 | 運動支援システム |
JP6112590B1 (ja) * | 2016-10-04 | 2017-04-12 | ジャパンモード株式会社 | 創作物供給装置、及び創作物供給システム |
JP6545397B2 (ja) * | 2017-03-13 | 2019-07-17 | 三菱電機株式会社 | 因果関係評価装置、因果関係評価システムおよび因果関係評価方法 |
JP6847721B2 (ja) * | 2017-03-14 | 2021-03-24 | オムロン株式会社 | 情報処理装置、情報処理方法及びそのプログラム |
JP7337484B2 (ja) * | 2017-05-02 | 2023-09-04 | ポーラ化成工業株式会社 | 画像表示装置、画像表示システム、画像表示プログラム及び画像表示方法 |
US10503791B2 (en) * | 2017-09-04 | 2019-12-10 | Borislav Agapiev | System for creating a reasoning graph and for ranking of its nodes |
US11195107B1 (en) * | 2017-09-13 | 2021-12-07 | Hrl Laboratories, Llc | Method of malicious social activity prediction using spatial-temporal social network data |
US10528600B1 (en) * | 2017-09-13 | 2020-01-07 | Hrl Laboratories, Llc | System to identify unknown communication behavior relationships from time series |
US11960839B2 (en) * | 2017-11-06 | 2024-04-16 | Resonac Corporation | Cause-effect sentence analysis device, cause-effect sentence analysis system, program, and cause-effect sentence analysis method |
JP7027022B2 (ja) * | 2017-12-27 | 2022-03-01 | 三菱電機株式会社 | 製造工程統計処理システム、製造工程統計処理方法およびプログラム |
CN110555047B (zh) * | 2018-03-29 | 2024-03-15 | 日本电气株式会社 | 数据处理方法和电子设备 |
CN110659399B (zh) * | 2018-06-28 | 2022-02-01 | 中国标准化研究院 | 突发事件演化图显示方法和装置 |
US20210256406A1 (en) * | 2018-07-06 | 2021-08-19 | The Research Foundation For The State University Of New York | System and Method Associated with Generating an Interactive Visualization of Structural Causal Models Used in Analytics of Data Associated with Static or Temporal Phenomena |
JP2020024509A (ja) * | 2018-08-06 | 2020-02-13 | 富士通株式会社 | 情報処理装置及び情報処理プログラム、並びに分散処理システム |
US11354320B2 (en) * | 2018-10-11 | 2022-06-07 | International Business Machines Corporation | Determining causes of events in data |
CN109558436B (zh) * | 2018-11-03 | 2023-03-14 | 北京交通大学 | 基于转移熵的机场航班延误因果关系挖掘方法 |
US20220122018A1 (en) * | 2019-02-06 | 2022-04-21 | Nec Corporation | Information visualization apparatus, information visualization method, and computer-readable recording medium |
JP7247021B2 (ja) * | 2019-05-28 | 2023-03-28 | 株式会社日立製作所 | 情報処理装置、予測判別システム、および予測判別方法 |
JP2022013409A (ja) * | 2020-07-03 | 2022-01-18 | 国立大学法人京都大学 | 関係性推定システム |
CN113157931B (zh) * | 2021-01-20 | 2022-11-25 | 青岛海信网络科技股份有限公司 | 一种融合图谱构建方法及装置 |
CN113222207B (zh) * | 2021-02-24 | 2024-02-02 | 广东省汇智项目管理咨询有限公司 | 基于社区结构的招投标公司网络关系预测方法及预测系统 |
GB2609904A (en) * | 2021-08-05 | 2023-02-22 | Impulse Innovations Ltd | Systems and methods for generating a structural model architecture |
KR102604575B1 (ko) | 2021-09-08 | 2023-11-22 | 네이버 주식회사 | 전송 엔트로피를 이용하여 도로 정체의 전파 지연 시간을 예측하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 |
CN114664452B (zh) * | 2022-05-20 | 2022-09-23 | 之江实验室 | 一种基于因果校验数据生成的全科多疾病预测系统 |
CN114864099B (zh) * | 2022-07-05 | 2022-11-01 | 浙江大学 | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 |
CN115146746B (zh) * | 2022-09-06 | 2022-11-22 | 武汉商学院 | 基于多源数据融合的区域滑坡灾害识别方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5894700A (ja) | 1981-11-30 | 1983-06-04 | Chiyoda Chem Eng & Constr Co Ltd | プラントの異常診断方法 |
JP2845637B2 (ja) | 1991-03-30 | 1999-01-13 | 株式会社東芝 | 警報処理システム |
US5528516A (en) | 1994-05-25 | 1996-06-18 | System Management Arts, Inc. | Apparatus and method for event correlation and problem reporting |
JP3651693B2 (ja) | 1995-02-24 | 2005-05-25 | 株式会社東芝 | プラント監視診断装置および方法 |
US6063028A (en) * | 1997-03-20 | 2000-05-16 | Luciano; Joanne Sylvia | Automated treatment selection method |
EP1026615A1 (de) * | 1999-02-05 | 2000-08-09 | Franz-Peter Dr. Liebel | Verfahren zur Berechnung von Wahrscheinlichkeiten pathophysiologischer Zustände als Zwischenergebnisse der Diagnosefindung |
JP4381361B2 (ja) * | 2005-08-31 | 2009-12-09 | 株式会社東芝 | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
EP1967996A1 (en) * | 2007-03-09 | 2008-09-10 | Omron Corporation | Factor estimating support device and method of controlling the same, and factor estimating support program |
JP2008242887A (ja) * | 2007-03-28 | 2008-10-09 | Fukuoka Pref Gov Sangyo Kagaku Gijutsu Shinko Zaidan | タイミングチャート分析支援システム、タイミングチャート分析支援装置、表示制御装置、タイミングチャート分析支援方法、プログラム、及び、記録媒体 |
JP5185785B2 (ja) * | 2008-11-19 | 2013-04-17 | オムロンヘルスケア株式会社 | 健康状態判断装置 |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP2011008375A (ja) * | 2009-06-24 | 2011-01-13 | Hitachi Ltd | 原因分析支援装置および原因分析支援方法 |
JP2012113537A (ja) | 2010-11-25 | 2012-06-14 | Hitachi Ltd | 潜在リスク抽出方法およびシステム |
WO2015075835A1 (ja) * | 2013-11-25 | 2015-05-28 | 栗田工業株式会社 | 水処理設備の制御方法及び制御プログラム並びに水処理システム |
-
2014
- 2014-02-14 JP JP2014026160A patent/JP6354192B2/ja active Active
-
2015
- 2015-02-06 US US15/115,105 patent/US10546239B2/en active Active
- 2015-02-06 WO PCT/JP2015/053336 patent/WO2015122362A1/ja active Application Filing
- 2015-02-06 SG SG11201606221WA patent/SG11201606221WA/en unknown
- 2015-02-06 CN CN201580005746.4A patent/CN105934754A/zh active Pending
- 2015-02-06 EP EP15749101.0A patent/EP3106998A4/en not_active Ceased
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110462536A (zh) * | 2017-03-23 | 2019-11-15 | Asml荷兰有限公司 | 对诸如光刻系统的系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 |
CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
CN112352235A (zh) * | 2019-06-06 | 2021-02-09 | 日本电气株式会社 | 因果分析 |
WO2022227219A1 (zh) * | 2021-04-30 | 2022-11-03 | 平安科技(深圳)有限公司 | 房产指数数据分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3106998A4 (en) | 2017-07-12 |
US20170220937A1 (en) | 2017-08-03 |
US10546239B2 (en) | 2020-01-28 |
EP3106998A1 (en) | 2016-12-21 |
SG11201606221WA (en) | 2016-09-29 |
JP2015153133A (ja) | 2015-08-24 |
JP6354192B2 (ja) | 2018-07-11 |
WO2015122362A1 (ja) | 2015-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105934754A (zh) | 因果网络生成系统和因果关系的数据结构 | |
Miller et al. | Towards an integrated science of movement: converging research on animal movement ecology and human mobility science | |
LaDeau et al. | The next decade of big data in ecosystem science | |
Thums et al. | How big data fast tracked human mobility research and the lessons for animal movement ecology | |
Inkoom et al. | Prediction of the crack condition of highway pavements using machine learning models | |
Tingley et al. | Birds track their Grinnellian niche through a century of climate change | |
Hagenauer et al. | Mining urban land-use patterns from volunteered geographic information by means of genetic algorithms and artificial neural networks | |
Nazzal et al. | Evaluating the use of neural networks and genetic algorithms for prediction of subgrade resilient modulus | |
Cohen Hubal et al. | Advancing exposure characterization for chemical evaluation and risk assessment | |
Fagan et al. | Quantifying connectivity: balancing metric performance with data requirements | |
Lu et al. | A graph-based action network framework to identify prestigious members through member's prestige evolution | |
Zhang et al. | Bi-layer network analytics: A methodology for characterizing emerging general-purpose technologies | |
Wang et al. | Solar flare forecasting model supported with artificial neural network techniques | |
Tang et al. | The explicit representation of context in agent-based models of complex adaptive spatial systems | |
Holodinsky et al. | Using random forests to model 90-day hometime in people with stroke | |
Dehghani et al. | Past and present research on wearable technologies: bibliometric and cluster analyses of published research from 2000 to 2016 | |
Ruddell et al. | Seasonally varied controls of climate and phenophase on terrestrial carbon dynamics: modeling eco-climate system state using Dynamical Process Networks | |
Liu et al. | Dynamic metric embedding model for point-of-interest prediction | |
Zhang et al. | Application of Internet of things and naive bayes in public health environmental management of government institutions in China | |
Sha et al. | Reconstructing growth and dynamic trajectories from single-cell transcriptomics data | |
Thorpe et al. | Sensing behaviour in healthcare design | |
Kumar et al. | Fog-based framework for diabetes prediction using hybrid ANFIS model in cloud environment | |
Zamanian et al. | Deep learning for exploring the relationship between geotechnical properties and electrical resistivities | |
Pontin | Utilising smartphone data to explore spatial influences on physical activity | |
Zhang et al. | A new point-of-interest classification model with an extreme learning machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160907 |
|
WD01 | Invention patent application deemed withdrawn after publication |