CN115543664A - 数据异常判定装置及内部状态预测系统 - Google Patents

Abstract

本发明要解决的问题是，提供一种无论数据集合的分布形状如何均可判定数据的异常的数据异常判定装置及内部状态预测系统。为了解决上述问题，本发明提供一种数据异常判定装置(1)，其判定输入数据的异常，所述数据异常判定装置(1)包括：概率密度计算部(11)，计算出基于数据集合而构建的概率密度函数中的输入数据的概率密度值作为输入密度值；发生概率计算部(12)，计算出相当于概率密度函数中的概率密度值为输入密度值以下的边缘区域整个区域中的概率密度函数的积分值的值，作为针对输入数据的发生概率；及，异常判定部(13)，基于发生概率来判定输入数据的异常。

Description

数据异常判定装置及内部状态预测系统

技术领域

本发明涉及一种数据异常判定装置及内部状态预测系统。更详细而言，涉及一种判定输入数据的异常的数据异常判定装置、及具有该数据异常判定装置的内部状态预测系统。

背景技术

以往提出了很多在获得了一定程度的量的数据集合的状态下，判定新获得的数据的异常的技术。例如，在专利文献1,2中示出了基于霍特林(Hotelling)T²法来判定数据的异常的技术。

[先前技术文献]

(专利文献)

专利文献1：日本特开2020-181443号公报

专利文献2：日本特开2017-151598号公报

发明内容

[发明所要解决的问题]

然而，在霍特林T²法中，是以数据集合遵循正态分布为前提。因此，霍特林T²法不能应用于数据集合遵循其他分布形状，例如多峰性的分布形状的情况。

本发明的目的在于，提供一种无论数据集合的分布形状如何均可判定数据的异常的数据异常判定装置及具有该数据异常判定装置的内部状态预测系统。

[解决问题的技术手段]

(1)本发明的数据异常判定装置(例如，后述的数据异常判定装置1,8)判定输入数据的异常，所述数据异常判定装置的特征在于，包括：概率密度计算部(例如，后述的概率密度计算部11,81)，计算出基于数据集合而构建的概率密度函数中的前述输入数据的概率密度值作为输入密度值；发生概率计算部(例如，后述的发生概率计算部12,82)，计算出相当于前述概率密度函数中的概率密度值为前述输入密度值以下的边缘区域整个区域中的前述概率密度函数的积分值的值，作为针对前述输入数据的发生概率；及，异常判定部(例如，后述的异常判定部13,83)，基于前述发生概率来判定前述输入数据的异常。

(2)此时优选的是，前述发生概率计算部具有将前述概率密度函数中的概率密度值与前述边缘区域整个区域中的前述概率密度函数的积分值相关联的校准曲线数据，并计算出借由该校准曲线数据而与前述输入密度值相关联的积分值作为前述发生概率。

(3)此时优选的是，前述发生概率计算部计算出基于蒙特-卡罗法并依照前述概率密度函数而生成的多个数据点中，前述边缘区域中所包含的数据点数相对于总数据点数的比例，作为前述发生概率。

(4)本发明的内部状态预测系统(例如，后述的内部状态预测系统5)预测对象物的内部状态，所述内部状态预测系统的特征在于，包括：输入数据获取装置(例如，后述的输入数据获取装置6)，获取与前述内部状态相关的输入数据；模型预测装置(例如，后述的模型预测装置7)，根据基于学习用数据集合构建的预测模型及前述输入数据来预测前述内部状态；数据异常判定装置(例如，后述的数据异常判定装置8)，判定前述输入数据的异常；及，可靠度判定装置(例如，后述的可靠度判定装置9)，基于前述数据异常判定装置的判定结果来判定前述模型预测装置的预测结果的可靠度；前述数据异常判定装置包括：概率密度计算部(例如，后述的概率密度计算部81)，计算出基于前述学习用数据集合而构建的概率密度函数中的前述输入数据的概率密度值作为输入密度值；发生概率计算部(例如，后述的发生概率计算部82)，计算出相当于前述概率密度函数中的概率密度值为前述输入密度值以下的边缘区域整个区域中的前述概率密度函数的积分值的值，作为针对前述输入数据的发生概率；及，异常判定部(例如，后述的异常判定部83)，基于前述发生概率来判定前述输入数据的异常。

(发明的效果)

(1)在本发明的数据异常判定装置中，概率密度计算部计算出基于数据集合而构建的概率密度函数中的输入数据的概率密度值作为输入密度值，发生概率计算部计算出相当于概率密度函数中的概率密度值为输入密度值以下的边缘区域整个区域中的概率密度函数的积分值的值，作为针对输入数据的发生概率，异常判定部基于发生概率来判定输入数据的异常。根据本发明，无论数据集合的维数及基于该数据集合的概率密度函数的形状如何，均可计算出针对输入数据的发生概率，进而可以恰当地判定输入数据的异常。

(2)在本发明的数据异常判定装置中，发生概率计算部具有将概率密度函数中的概率密度值与边缘区域整个区域中的概率密度函数的积分值相关联的校准曲线数据，并计算出借由该校准曲线数据而与输入密度值相关联的积分值作为发生概率。根据本发明，可以迅速地判定输入数据的异常。

(3)一般而言，上述那样的校准曲线数据具有数据集合的维数越高，制作越花费时间的倾向。与此相对，在本发明的数据异常判定装置中，发生概率计算部计算出基于蒙特-卡罗法并依照概率密度函数而生成的多个数据点中，边缘区域中所包含的数据点数相对于总数据点数的比例，作为发生概率。由此，根据本发明，在数据集合的维数高的情况下，尤其容易安装。

(4)在本发明的内部状态预测系统中，模型预测装置根据基于学习用数据集合构建的预测模型及由输入数据获取装置获取的输入数据来预测对象物的内部状态。此处，在输入数据在构建预测模型时使用的学习用数据集合外的情况下，认为基于这样的输入数据的模型预测装置的预测结果的可靠度低。与此相对，在本发明的内部状态预测系统中，数据异常判定装置根据基于学习用数据集合构建的概率密度函数来判定输入数据的异常，可靠度判定装置基于数据异常判定装置的判定结果来判定模型预测装置的预测结果的可靠度。由此，可以保证模型预测装置对内部状态的预测结果的可靠度。

附图说明

图1是绘示本发明的第一实施方式的数据异常判定装置的结构的功能框图。

图2A是绘示构建概率密度函数时使用的二维的数据集合的一例的图。

图2B是绘示基于图2A中所示的数据集合构建的概率密度函数的一例的图。

图3是用于说明在发生概率计算部中计算针对输入数据的发生概率的步骤的图。

图4是绘示校准曲线数据的一例的图。

图5是绘示本发明的第二实施方式的内部状态预测系统的结构的功能框图。

具体实施方式

＜第一实施方式＞

以下，参照附图对本发明的第一实施方式的数据异常判定装置进行说明。

图1是绘示本实施方式的数据异常判定装置1的结构的功能框图。数据异常判定装置1借由使用基于N维(N为1或者2以上的整数)的数据的集合而构建的概率密度函数，来判定从数据输入装置2新输入的N维的输入数据的异常。

以下，针对将在数据异常判定装置1中处理的数据的维数N设为2的情况，即，数据异常判定装置1处理二维数据的情况进行说明，但本发明不限于此。在数据异常判定装置1中处理的数据既可以是一维的，也可以是三维以上的多维。

数据异常判定装置1是由中央处理器(Central Processing Unit,CPU)等运算处理手段、保存各种程序的硬盘驱动器(Hard Disk Drive,HDD)或固态驱动器(Solid StateDrive,SSD)等辅助存储手段、及用于保存运算处理手段执行程序时暂时所需的数据的随机存取存储器(Random Access Memory,RAM)之类的主存储手段等硬件构成的计算机。在数据异常判定装置1中，由这样的硬件结构来实现概率密度计算部11、发生概率计算部12及异常判定部13等的各种功能。

概率密度计算部11具有基于预先收集的N维的数据集合，并例如借由核密度估计而构建的概率密度函数。当从数据输入装置2新输入N维的输入数据时，概率密度计算部11计算出概率密度函数中的输入数据的概率密度值作为输入密度值，并输出至发生概率计算部12。此外，以下所参照的概率密度函数被以使概率变量(即，输入数据)的整个定义域中的概率密度函数的积分值为“1”的方式进行了标准化。

图2A是绘示构建概率密度函数时使用的二维数据(X,Y)的数据集合的一例的图，图2B是绘示基于图2A中所示的数据集合构建的概率密度函数的一例的图。此外，在图2B中，借由浓淡来表示作为双变量函数的概率密度函数的高度，即概率密度值的大小。

图2A中例示的数据集合包括：第一集群C1，由图2A中呈向上凸起的圆弧状集中分布的多个数据构成；及，第二集群C2，由图2A中呈向下凸起的圆弧状集中分布的多个数据构成。如此，基于包括多个集群C1,C2的数据集合而构建的概率密度函数为如图2B中例示的多峰性。

发生概率计算部12基于针对输入数据的输入密度值、及在概率密度计算部11中计算输入密度值时参照的概率密度函数，计算出针对输入数据的发生概率[％]，并输出至异常判定部13。

图3是用于说明在发生概率计算部12中计算针对输入数据D1的发生概率的步骤的图。发生概率计算部12将概率密度函数中的概率密度值为针对输入数据D1而计算出的输入密度值以下的区域定义为边缘区域R1(图3中影线所示的区域)，并且计算出相当于该边缘区域R1整个区域中的概率密度函数的积分值的值，作为针对输入数据D1的发生概率。以下，说明用于如上所述计算相当于边缘区域整个区域中的概率密度函数的积分值的值的具体步骤的第一例与第二例。

＜第一例＞

如参照图3所说明，针对每个输入密度值，边缘区域R1是唯一确定的。即，只要输入密度值不变，则无论输入数据D1的位置如何，边缘区域R1均是固定的。因此，针对每个输入密度值，概率密度函数的边缘区域R1整个区域中的积分值也是唯一确定的，所以能够借由校准曲线数据来将输入密度值与概率密度函数的边缘区域R1整个区域中的积分值相关联。因此，在第一例中，借由计算针对每个概率密度值而定义的边缘区域整个区域中的概率密度函数的积分值，而预先制作将输入密度值与积分值(即，累计概率)相关联的校准曲线数据(参照图4)。更具体而言，例如，借由在概率密度函数上制作多个等高线(即，借由概率密度值相等的多个输入数据在概率密度函数上定义的线)，并且，计算由这些等高线划分的边缘区域整个区域中的概率密度函数的积分值，可以制作校准曲线数据。发生概率计算部12计算出借由利用如上所述的步骤预先制作的校准曲线数据而与输入密度值相关联的积分值，作为发生概率。

＜第二例＞

在第二例中，基于蒙特-卡罗法计算出上述那样的边缘区域整个区域中的概率密度函数的积分值。即，依照概率密度函数而随机生成的多个数据点中，边缘区域中所包含的数据点数相对于总数据点数的比例与该边缘区域整个区域中的概率密度函数的积分值几乎相等。因此，在第二例中，发生概率计算部12计算出基于蒙特-卡罗法并依照概率密度函数而生成的多个数据点中，边缘区域中所包含的数据点数相对于总数据点数的比例，作为发生概率。此外，在该第二例中，也可以将基于上述那样的蒙特-卡罗法而导出的输入密度值与发生概率的关系预先映射化。此时，发生概率计算部12可以借由利用输入密度值检索上述那样的映射，迅速地计算出与输入密度值相应的发生概率。

异常判定部13基于由发生概率计算部12计算出的发生概率来判定输入数据的异常。更具体而言，异常判定部13在发生概率小于预定的异常判定阈值(例如，数[％])的情况下，判定为输入数据异常，在发生概率为异常判定阈值以上的情况下，判定为输入数据正常。

根据本实施方式的数据异常判定装置1，起到以下效果。

(1)在数据异常判定装置1中，概率密度计算部11计算出基于数据集合而构建的概率密度函数中的输入数据的概率密度值作为输入密度值，发生概率计算部12计算出相当于概率密度函数中的概率密度值为输入密度值以下的边缘区域整个区域中的概率密度函数的积分值的值，作为针对输入数据的发生概率，异常判定部13基于发生概率来判定输入数据的异常。根据数据异常判定装置1，无论数据集合的维数及基于该数据集合的概率密度函数的形状如何，均可计算出针对输入数据的发生概率，进而可以恰当地判定输入数据的异常。

(2)第一例中的发生概率计算部12具有将概率密度函数中的概率密度值与边缘区域整个区域中的概率密度函数的积分值相关联的校准曲线数据，并计算出借由该校准曲线数据而与输入密度值相关联的积分值作为发生概率。根据数据异常判定装置1，可以迅速地判定输入数据的异常。

(3)一般而言，上述第一例中的校准曲线数据具有数据集合的维数越高，制作越花费时间的倾向。与此相对，第二例中的发生概率计算部12计算出基于蒙特-卡罗法并依照概率密度函数而生成的多个数据点中，边缘区域中所包含的数据点数相对于总数据点数的比例，作为发生概率。由此，根据数据异常判定装置1，在数据集合的维数高的情况下，尤其容易安装。

＜第二实施方式＞

接下来，参照附图对本发明的第二实施方式的内部状态预测系统进行说明。

图5是绘示本实施方式的内部状态预测系统5的结构的功能框图。内部状态预测系统5例如搭载在借助从蓄电池供给的电力来行驶的电动车辆(未图示)上，并预测行驶过程中的电动车辆中的蓄电池的内部状态(例如，未来的劣化状态)。

内部状态预测系统5是由CPU等运算处理手段、保存各种程序的HDD或SSD等辅助存储手段、及用于保存运算处理手段执行程序时暂时所需的数据的RAM之类的主存储手段等硬件构成的计算机。在内部状态预测系统5中，借由这样的硬件结构来实现输入数据获取装置6、模型预测装置7、数据异常判定装置8及可靠度判定装置9等的各种功能。

输入数据获取装置6获取与内部状态预测系统5的预测对象物即蓄电池的未来的劣化状态相关的M维(M为1或者2以上的整数)的输入数据，并发送至模型预测装置7及数据异常判定装置8。此处，与蓄电池的未来的劣化状态相关的输入数据是蓄电池的温度历史、电流历史及电压历史等。

模型预测装置7具有预测模型，所述预测模型是以当输入M维的输入数据时输出蓄电池的未来的劣化状态的预测值的方式，基于M维的学习用数据集合并借由已知的学习算法而构建的。当从输入数据获取装置6发送新的输入数据时，模型预测装置7借由将该输入数据输入至预测模型来预测蓄电池的未来的劣化状态。

数据异常判定装置8借由与第一实施方式的数据异常判定装置1几乎相同的结构，来判定从输入数据获取装置6发送的新的输入数据的异常。更具体而言，数据异常判定装置8包括：概率密度计算部81，计算出基于与构建上述预测模型时使用的学习用数据集合相同的学习用数据集合而构建的概率密度函数中的输入数据的概率密度值作为输入密度值；发生概率计算部82，计算出相当于该概率密度函数中的概率密度值为输入密度值以下的边缘区域整个区域中的概率密度函数的积分值的值，作为针对输入数据的发生概率；及，异常判定部83，基于发生概率来判定输入数据的异常。此外，除了输入数据及数据集合的结构以及概率密度函数的结构，概率密度计算部81、发生概率计算部82及异常判定部83的结构分别与第一实施方式的概率密度计算部11、发生概率计算部82及异常判定部83的结构几乎相同，所以省略详细的说明。

可靠度判定装置9基于与由输入数据获取装置6新获取的输入数据的异常相关的数据异常判定装置8的判定结果，判定基于所述输入数据的模型预测装置7的预测结果的可靠度。更具体而言，可靠度判定装置9在由数据异常判定装置8判定为由输入数据获取装置6新获取的输入数据异常的情况下，判定为模型预测装置7的预测结果的可靠度低，在由数据异常判定装置8判定为输入数据正常的情况下，判定为模型预测装置7的预测结果的可靠度高。

根据本实施方式的内部状态预测系统5，起到以下效果。

(4)在内部状态预测系统5中，模型预测装置7根据基于学习用数据集合构建的预测模型及由输入数据获取装置6获取的输入数据来预测蓄电池的未来的劣化状态。此处，在输入数据在构建预测模型时使用的学习用数据集合外的情况下，认为基于这样的输入数据的模型预测装置7的预测结果的可靠度低。与此相对，在内部状态预测系统5中，数据异常判定装置8根据基于学习用数据集合构建的概率密度函数来判定输入数据的异常，可靠度判定装置9基于数据异常判定装置8的判定结果来判定模型预测装置7的预测结果的可靠度。由此，可以保证模型预测装置7对蓄电池的未来的劣化状态的预测结果的可靠度。

以上，对本发明的一实施方式进行了说明，但本发明不限于此。也可以在本发明的主旨范围内，适当变更细节的结构。

附图标记

1：数据异常判定装置

11：概率密度计算部

12：发生概率计算部

13：异常判定部

2：数据输入装置

5：内部状态预测系统

6：输入数据获取装置

7：模型预测装置

8：数据异常判定装置

81：概率密度计算部

82：发生概率计算部

83：异常判定部

9：可靠度判定装置

Claims (4)

1.一种数据异常判定装置，判定输入数据的异常，所述数据异常判定装置的特征在于，包括：

概率密度计算部，计算出基于数据集合而构建的概率密度函数中的前述输入数据的概率密度值作为输入密度值；

发生概率计算部，计算出相当于前述概率密度函数中的概率密度值为前述输入密度值以下的边缘区域整个区域中的前述概率密度函数的积分值的值，作为针对前述输入数据的发生概率；及，

异常判定部，基于前述发生概率来判定前述输入数据的异常。

2.根据权利要求1所述的数据异常判定装置，其中，前述发生概率计算部具有将前述概率密度函数中的概率密度值与前述边缘区域整个区域中的前述概率密度函数的积分值相关联的校准曲线数据，并计算出借由该校准曲线数据而与前述输入密度值相关联的积分值作为前述发生概率。

3.根据权利要求1所述的数据异常判定装置，其中，前述发生概率计算部计算出基于蒙特-卡罗法并依照前述概率密度函数而生成的多个数据点中，前述边缘区域中所包含的数据点数相对于总数据点数的比例，作为前述发生概率。

4.一种内部状态预测系统，预测对象物的内部状态，所述内部状态预测系统的特征在于，包括：

输入数据获取装置，获取与前述内部状态相关的输入数据；

模型预测装置，根据基于学习用数据集合构建的预测模型及前述输入数据来预测前述内部状态；

数据异常判定装置，判定前述输入数据的异常；及，

可靠度判定装置，基于前述数据异常判定装置的判定结果来判定前述模型预测装置的预测结果的可靠度；

前述数据异常判定装置包括：

概率密度计算部，计算出基于前述学习用数据集合而构建的概率密度函数中的前述输入数据的概率密度值作为输入密度值；

发生概率计算部，计算出相当于前述概率密度函数中的概率密度值为前述输入密度值以下的边缘区域整个区域中的前述概率密度函数的积分值的值，作为针对前述输入数据的发生概率；及，

异常判定部，基于前述发生概率来判定前述输入数据的异常。

Images