JP2006276970A - 時系列解析システム、方法およびプログラム - Google Patents
時系列解析システム、方法およびプログラム Download PDFInfo
- Publication number
- JP2006276970A JP2006276970A JP2005091174A JP2005091174A JP2006276970A JP 2006276970 A JP2006276970 A JP 2006276970A JP 2005091174 A JP2005091174 A JP 2005091174A JP 2005091174 A JP2005091174 A JP 2005091174A JP 2006276970 A JP2006276970 A JP 2006276970A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- term
- series
- long
- 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.)
- Granted
Links
- 238000012731 temporal analysis Methods 0.000 title claims abstract description 36
- 238000000700 time series analysis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims description 47
- 230000007774 longterm Effects 0.000 claims abstract description 171
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 230000000737 periodic effect Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims 9
- 238000005309 stochastic process Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 101100315260 Picea mariana SB09 gene Proteins 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】入力された複数の周期成分を含む時系列データから、複数の時間幅による別系列の長期時系列データを時間幅毎に作成し、さらに時間幅毎の前記長期時系列データを元の時系列データから除去して短期時系列データを作成する。そしてこれらの前記長期時系列データおよび前記短期時系列データを用いた確率統計処理による学習により、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択し、時系列データの予測に用いる。
【選択図】図1
Description
本実施の形態では、まず適当な時間幅の時系列データから、時系列の予測に最適なモデルを学習・推定する。そして、所定の時間幅だけ先の時点の時系列データの予測値を、その推定したモデルに基づいて予測し、出力する。つまり、最適モデルの推定までの段階と、予測モデルを用いた時系列の予測の段階と、2段階に分けることができる。
まず、最適モデルの推定について説明する。以下では、ある時点nにおける観測値をxnで表し、観測値の系列xl,・・・,xm(l≦m)をxl mで表すとする。ここで、各xnは実数値であり、nは整数であるとする。ここでは簡単のため一次元として記述するが、多次元でもよい。また、特にxn=xl nとする。このような時系列データxnが入力装置110から入力されるとする。このとき、時系列データxnは、長期周期成分sl,nと短期周期成分s2,nおよびAR成分νnからなり、
他の手法の一つとしては、例えば多項式回帰モデルを用いて長期時系列成分を表現するという手法が考えられる。多項式回帰モデルを用いると、観測値系列は多項式の値ξnとノイズ項δnの和によりxn=ξn+δnと表現できる。ただし、δnは正規分布N(0,σ2)で表される独立同分布に従うとする。またξnはnの多項式ξn=b0+b1n+・・・+bτnτで表されるものとする。この多項式は、次数を低く抑えたとき、元データ系列にある長期的傾向を表すものと考えられる。ノイズ項には独立同分布を仮定しているが、これを改めて短期傾向を表す短期時系列と捉えることは自然である。すなわち、un=xn-ξnを短期時系列として定義し、状態空間モデルを当てはめて解析する。また、多項式モデルの次数τの指定の仕方を変えることで複数の長期時系列成分を作成し元の観測値系列から除去することができる。
予測的確率的コンプレキシティを計算する場合、まず観測値系列xn-1から時系列モデルのパラメータθm(xn-1)を計算する。ここで、新たに観測値xnが得られ、観測値系列xnから時系列モデルのパラメータθm(xn)を計算する場合、通常のカルマンフィルタを用いて学習をはじめからやり直すと非常に計算コストがかかる。この問題を解決するためには、新たな観測値が得られた場合に逐次的にモデルを学習しパラメータを更新する手法を用いることができる(後述の非特許文献4に関連した記載を参照)。カルマンフィルタを用いたパラメータの推定は、山登り法などの数値的最大化の手法が用いられることが多いが、ここでは隠れ変数を持つ統計モデルの推定アルゴリズムであるEMアルゴリズムの逐次版を用いる(例えば、非特許文献3)。
このように計算した学習結果に基づき(式11-4)と(式11-7)を用いてP(xn+i-1|xn-1,θm(xn-1),m)の値を求めれば、予測的確率的コンプレキシティを計算することが出来る。
予測的確率的コンプレキシティの比較により、予測に用いるモデルを採用した後は、時系列データが与えられる毎に、このモデルを用いて所定の時間幅先の時系列データを予測していく。ここでは、状態空間モデルを採用しているので、上記で示したEMアルゴリズムとカルマンフィルタを用いてパラメータの調整を行う。学習した結果P(xn+i-1|xn-1,θm(xn-1),m)を用いてxn+i−1の予測値x' n+i-1は、通常期待値∫xn+i-1P(xn+i-1|xn-1,θm(xn-1),m)dxn+i-1で計算する。
次に、本発明の第1の実施の形態の構成を示す図1、本発明の第1の実施の形態の動作を示すフローチャートである図2〜4を参照しながら、本実施の形態の具体的な動作について説明する。なお、(1)の最適モデルの採用の動作では、(2)の予測的確率的コンプレキシティの算出をモジュールとして用いる。さらに(2)の予測的確率的コンプレキシティの算出では、(3)のモデルを用いた予測をモジュールとして用いる。
図1の第1の実施の形態の構成図、図2の第1の実施の形態の大まかな動作を示すフローチャートを参照しながら説明する。最適モデル選択手段106は、入力装置110から、時系列の予測のための最適モデルの選択指示を受けると、長期周期成分の周期長L1の約数をτに設定し、所定の時間幅(ここでは、Nとする。)の時系列データを用いて、予測的確率的コンプレキシティの算出(図2のSA02-1〜SA02-|M|、詳細は図3を用いて後述)を行う(図2のSA01)。
次に、予測的確率的コンプレキシティの算出(図2のSA02-1〜SA02-|M|の詳細な動作)について、図1の構成図、及び図3のモデルの予測までの動作を示すフローチャートを参照しながら説明する。なお、以下のjはi/tの整数部分に1を加えたものである。
次に、(1)で選択されたモデルを用いての時系列データの予測について、図1の構成図、図3のフローチャート、および図4の時系列予測の動作を示すフローチャートを参照して説明する。
次に、本実施の形態の効果について説明する。本実施の形態では、長期時系列をあらかじめ作成し、この時系列を元の時系列データから除去したデータに対して通常の時系列解析を行うというように構成されているため、時系列データの学習の際に計算量を減らすことができる。また、本実施の形態では、さらに、最適モデル選択手段を用いて長期時系列を作成する際の複数のモデルのうち最適なものを選び出すというように構成されているため、長期の変動を予測する際に短期の変動の影響を受けず、より高精度に予測できる。
101 長期時系列設定手段
102 長期時系列記憶手段
103 長期時系列除去部
104 短期時系列設定部
105 短期時系列記憶手段
106 最適モデル選択手段
107 時系列予測手段
108 時系列モデル学習手段
109 短期時系列設定手段
110 入力装置
120 出力装置
Claims (21)
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムにおいて、入力された時系列データおよび記憶手段から読み出した時系列データに基づき、複数の時間幅による別系列の長期時系列データを時間幅毎に作成するとともに前記記憶手段に記憶させる長期時系列設定手段と、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成するとともに前記記憶手段に記憶させる長期時系列除去手段と、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理による学習に基づいて時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、を有することを特徴とする時系列解析システム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムにおいて、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを作成する長期時系列設定手段と、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成する長期時系列除去手段と、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、を有することを特徴とする時系列解析システム。
- 前記長期時系列データの計算方法として多項式回帰モデル、フーリエ解析、ウェーブレット、または関数空間の基底のいずれかの計算方法を用いることを特徴とする請求項1に記載の時系列解析システム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムにおいて、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを計算し、前記計算した長期時系列データおよび記憶手段から読み出した長期時系列データに基づいて長期トレンド成分や長期周期成分を時間幅毎の長期時系列データから学習し、前記入力された時系列データ、前記時間幅毎の長期時系列の学習結果、前記計算した各長期時系列データを前記記憶手段に記憶させる長期時系列設定手段と、長期時系列設定手段により計算された長期時系列データを元の時系列データから各時間幅の長期時系列データを除去することで、各時間幅に対応する短期時系列データを計算する長期時系列除去手段と、前記長期時系列除去手段が計算した短期時系列データと前記記憶手段から読み出した短期時系列データに基づいて、短期時系列成分を各時間幅の短期時系列データから学習し、前記時間幅毎の短期時系列の学習結果、前記計算した各短期時系列データを前記記憶手段に記憶させる短期時系列設定手段と、前記記憶手段に記憶している前記長期時系列データおよびその学習結果、前記短期時系列データおよびその学習結果を用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、を有することを特徴とする時系列解析システム。
- 前記異なる時間幅での長期時系列データを算出する時間幅として、長周期の周期長の約数を用いることを特徴とする請求項1乃至4いずれか記載の時系列解析システム。
- 前記長期時系列データからの学習、前記短期時系列データからの学習の少なくとも一方を、カルマンフィルタとEMアルゴリズムを用いて行うことを特徴とする請求項1乃至5いずれか記載の時系列解析システム。
- 前記最適モデル選択手段が選択した最適モデルおよび前記最適モデルが有する時間幅で作成した長期時系列データおよび短期時系列データに基づいて、時系列データの予測を行う時系列予測手段をさらに有する請求項1乃至6いずれか記載の時系列解析システム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析方法であって、入力された時系列データおよび記憶手段から読み出した時系列データに基づき、複数の時間幅による別系列の長期時系列データを時間幅毎に作成するステとともに前記記憶手段に記憶させる長期時系列を設定するステップと、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成するとともに前記記憶手段に記憶させる長期時系列除去のステップと、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理による学習に基づいて時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデルの選択ステップと、からなることを特徴とする時系列解析方法。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析方法であって、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを作成する長期時系列を設定するステップと、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成する長期時系列除去のステップと、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択のステップと、からなることを特徴とする時系列解析方法。
- 前記長期時系列データの計算方法として多項式回帰モデル、フーリエ解析、ウェーブレット、または関数空間の基底のいずれかの計算方法を用いることを特徴とする請求項8に記載の時系列解析方法。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析方法であって、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを計算し、前記計算した長期時系列データおよび記憶手段から読み出した長期時系列データに基づいて長期トレンド成分や長期周期成分を時間幅毎の長期時系列データから学習し、前記入力された時系列データ、前記時間幅毎の長期時系列の学習結果、前記計算した各長期時系列データを前記記憶手段に記憶させる長期時系列設定のステップと、長期時系列設定手段により計算された長期時系列データを元の時系列データから各時間幅の長期時系列データを除去することで、各時間幅に対応する短期時系列データを計算する長期時系列除去のステップと、前記長期時系列除去手段が計算した短期時系列データと前記記憶手段から読み出した短期時系列データに基づいて、短期時系列成分を各時間幅の短期時系列データから学習し、前記時間幅毎の短期時系列の学習結果、前記計算した各短期時系列データを前記記憶手段に記憶させる短期時系列設定のステップと、前記記憶手段に記憶している前記長期時系列データおよびその学習結果、前記短期時系列データおよびその学習結果を用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択のステップと、からなることを特徴とする時系列解析方法。
- 前記異なる時間幅での長期時系列データを算出する時間幅として、長周期の周期長の約数を用いることを特徴とする請求項8乃至11いずれか記載の時系列解析方法。
- 前記長期時系列データからの学習、前記短期時系列データからの学習の少なくとも一方を、カルマンフィルタとEMアルゴリズムを用いて行うことを特徴とする請求項8乃至12いずれか記載の時系列解析方法。
- 前記最適モデル選択手段が選択した最適モデルおよび前記最適モデルが有する時間幅で作成した長期時系列データおよび短期時系列データに基づいて、時系列データの予測を行う時系列予測ステップとをさらに有する請求項8乃至13いずれか記載の時系列解析システム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムを、入力された時系列データおよび記憶手段から読み出した時系列データに基づき、複数の時間幅による別系列の長期時系列データを時間幅毎に作成するとともに前記記憶手段に記憶させる長期時系列設定手段と、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成するとともに前記記憶手段に記憶させる長期時系列除去手段と、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理による学習に基づいて時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、して機能させるための時系列解析プログラム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムを、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを作成する長期時系列設定手段と、入力される時系列データから、時間幅毎の前記長期時系列データを除去して、除去した時間幅の長期時系列データに対応する短期時系列データを作成する長期時系列除去手段と、前記記憶手段に記憶している前記長期時系列データおよび前記短期時系列データを用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、して機能させるための時系列解析プログラム。
- 前記長期時系列データの計算方法として多項式回帰モデル、フーリエ解析、ウェーブレット、または関数空間の基底のいずれかの計算方法を用いることを特徴とする請求項15に記載の時系列解析プログラム。
- 複数の周期成分を含む時系列データを入力して記憶手段に記憶させ、当該時系列データの時間的な傾向を予測する時系列解析システムを、入力された時系列データおよび記憶手段から読み出した時系列データから、複数の時間幅毎の平均値として別系列の長期時系列データを計算し、前記計算した長期時系列データおよび記憶手段から読み出した長期時系列データに基づいて長期トレンド成分や長期周期成分を時間幅毎の長期時系列データから学習し、前記入力された時系列データ、前記時間幅毎の長期時系列の学習結果、前記計算した各長期時系列データを前記記憶手段に記憶させる長期時系列設定手段と、長期時系列設定手段により計算された長期時系列データを元の時系列データから各時間幅の長期時系列データを除去することで、各時間幅に対応する短期時系列データを計算する長期時系列除去手段と、前記長期時系列除去手段が計算した短期時系列データと前記記憶手段から読み出した短期時系列データに基づいて、短期時系列成分を各時間幅の短期時系列データから学習し、前記時間幅毎の短期時系列の学習結果、前記計算した各短期時系列データを前記記憶手段に記憶させる短期時系列設定手段と、前記記憶手段に記憶している前記長期時系列データおよびその学習結果、前記短期時系列データおよびその学習結果を用いた確率統計処理により各時間幅に対応して算出される情報量基準に基づいて、時系列データの予測に最適な時間幅を有するモデルを最適モデルとして選択する最適モデル選択手段と、して機能させるための時系列解析プログラム。
- 前記異なる時間幅での長期時系列データを算出する時間幅として、長周期の周期長の約数を用いることを特徴とする請求項15乃至18いずれかに記載の時系列解析プログラム。
- 前記長期時系列データからの学習、前記短期時系列データからの学習の少なくとも一方を、カルマンフィルタとEMアルゴリズムを用いて行うことを特徴とする請求項15乃至19いずれかに記載の時系列解析プログラム。
- 前記最適モデル選択手段が選択した最適モデルおよび前記最適モデルが有する時間幅で作成した長期時系列データおよび短期時系列データに基づいて、時系列データの予測を行う時系列予測手段としてさらに機能させるための請求項15乃至20いずれかに記載の時系列解析プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005091174A JP4449803B2 (ja) | 2005-03-28 | 2005-03-28 | 時系列解析システム、方法およびプログラム |
US11/389,086 US20060217939A1 (en) | 2005-03-28 | 2006-03-27 | Time series analysis system, time series analysis method, and time series analysis program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005091174A JP4449803B2 (ja) | 2005-03-28 | 2005-03-28 | 時系列解析システム、方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006276970A true JP2006276970A (ja) | 2006-10-12 |
JP4449803B2 JP4449803B2 (ja) | 2010-04-14 |
Family
ID=37036271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005091174A Active JP4449803B2 (ja) | 2005-03-28 | 2005-03-28 | 時系列解析システム、方法およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20060217939A1 (ja) |
JP (1) | JP4449803B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013167623A (ja) * | 2012-01-18 | 2013-08-29 | Hiroshima Univ | 遠隔計測システム |
KR102065780B1 (ko) * | 2019-03-20 | 2020-01-13 | (주)제타큐브사이언스 | 빅데이터를 활용한 인공지능 시계열 데이터 예측을 수행하는 전자 장치 및 그 예측 방법 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2104081A1 (en) * | 2008-03-19 | 2009-09-23 | Harman Becker Automotive Systems GmbH | Method for providing a traffic pattern for navigation map data and navigation map data |
US8260738B2 (en) * | 2008-06-27 | 2012-09-04 | Microsoft Corporation | Forecasting by blending algorithms to optimize near term and long term predictions |
US9659063B2 (en) * | 2010-12-17 | 2017-05-23 | Software Ag | Systems and/or methods for event stream deviation detection |
CN104182800B (zh) * | 2013-05-21 | 2018-01-16 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
US9646264B2 (en) * | 2015-02-25 | 2017-05-09 | International Business Machines Corporation | Relevance-weighted forecasting based on time-series decomposition |
US10318874B1 (en) | 2015-03-18 | 2019-06-11 | Amazon Technologies, Inc. | Selecting forecasting models for time series using state space representations |
CN104794283B (zh) * | 2015-04-22 | 2017-12-15 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
US9792259B2 (en) | 2015-12-17 | 2017-10-17 | Software Ag | Systems and/or methods for interactive exploration of dependencies in streaming data |
US9542646B1 (en) * | 2016-01-27 | 2017-01-10 | International Business Machines Corporation | Drift annealed time series prediction |
US20170286856A1 (en) * | 2016-04-05 | 2017-10-05 | Omni Al, Inc. | Trend analysis for a neuro-linguistic behavior recognition system |
US10303166B2 (en) | 2016-05-23 | 2019-05-28 | nuTonomy Inc. | Supervisory control of vehicles |
US11092446B2 (en) | 2016-06-14 | 2021-08-17 | Motional Ad Llc | Route planning for an autonomous vehicle |
US10126136B2 (en) | 2016-06-14 | 2018-11-13 | nuTonomy Inc. | Route planning for an autonomous vehicle |
US10309792B2 (en) | 2016-06-14 | 2019-06-04 | nuTonomy Inc. | Route planning for an autonomous vehicle |
US10829116B2 (en) | 2016-07-01 | 2020-11-10 | nuTonomy Inc. | Affecting functions of a vehicle based on function-related information about its environment |
US10681513B2 (en) | 2016-10-20 | 2020-06-09 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10473470B2 (en) | 2016-10-20 | 2019-11-12 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10331129B2 (en) | 2016-10-20 | 2019-06-25 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10857994B2 (en) | 2016-10-20 | 2020-12-08 | Motional Ad Llc | Identifying a stopping place for an autonomous vehicle |
US11120361B1 (en) | 2017-02-24 | 2021-09-14 | Amazon Technologies, Inc. | Training data routing and prediction ensembling at time series prediction system |
US10635650B1 (en) | 2017-03-14 | 2020-04-28 | Amazon Technologies, Inc. | Auto-partitioning secondary index for database tables |
US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
CN110930108A (zh) * | 2019-10-21 | 2020-03-27 | 深圳技术大学 | 一种政务数据处理方法、系统、装置和存储介质 |
US11823083B2 (en) | 2019-11-08 | 2023-11-21 | International Business Machines Corporation | N-steps-ahead prediction based on discounted sum of m-th order differences |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7069070B2 (en) * | 2003-05-12 | 2006-06-27 | Cardiac Pacemakers, Inc. | Statistical method for assessing autonomic balance |
US7428436B2 (en) * | 2000-11-02 | 2008-09-23 | Cardiac Pacemakers, Inc. | Method for exclusion of ectopic events from heart rate variability metrics |
US6657591B2 (en) * | 2001-02-12 | 2003-12-02 | Electro-Optics Research & Development Ltd. | Method and apparatus for joint identification and direction finding |
US20020129342A1 (en) * | 2001-03-07 | 2002-09-12 | David Kil | Data mining apparatus and method with user interface based ground-truth tool and user algorithms |
US6708052B1 (en) * | 2001-04-11 | 2004-03-16 | Harbor Ucla Research And Education Institute | Method and apparatus for cardiac imaging with minimized cardiac motion artifact |
US7783759B2 (en) * | 2002-12-10 | 2010-08-24 | International Business Machines Corporation | Methods and apparatus for dynamic allocation of servers to a plurality of customers to maximize the revenue of a server farm |
US7645841B2 (en) * | 2004-08-27 | 2010-01-12 | Chevron Phillips Chemical Company Lp | Method and system to reduce polymerization reactor fouling |
-
2005
- 2005-03-28 JP JP2005091174A patent/JP4449803B2/ja active Active
-
2006
- 2006-03-27 US US11/389,086 patent/US20060217939A1/en not_active Abandoned
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013167623A (ja) * | 2012-01-18 | 2013-08-29 | Hiroshima Univ | 遠隔計測システム |
KR102065780B1 (ko) * | 2019-03-20 | 2020-01-13 | (주)제타큐브사이언스 | 빅데이터를 활용한 인공지능 시계열 데이터 예측을 수행하는 전자 장치 및 그 예측 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP4449803B2 (ja) | 2010-04-14 |
US20060217939A1 (en) | 2006-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4449803B2 (ja) | 時系列解析システム、方法およびプログラム | |
US11574164B2 (en) | Neural network cooperation | |
Dong et al. | Scalable log determinants for Gaussian process kernel learning | |
Kozat et al. | Universal piecewise linear prediction via context trees | |
WO2018012487A1 (ja) | 予測装置、パラメータ集合生産方法及びプログラム | |
JP6853968B2 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
EP3474274A1 (en) | Speech recognition method and apparatus | |
CN110020739B (zh) | 用于数据处理的方法、装置、电子设备及计算机可读介质 | |
JP6853955B2 (ja) | 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム | |
KR20240112267A (ko) | 델타 증류를 사용한 비디오 프로세싱 | |
EP4009239A1 (en) | Method and apparatus with neural architecture search based on hardware performance | |
North et al. | A Bayesian approach for data-driven dynamic equation discovery | |
KR20220145007A (ko) | 텐서 스트림 데이터에서 손실, 이상치, 패턴을 검출 및 복구하는 데이터 처리 방법 | |
JP5560154B2 (ja) | モデルパラメータ推定装置およびそのプログラム | |
JP4123196B2 (ja) | 交通情報予測関数学習装置、交通情報予測装置、交通情報変動法則獲得装置及びその方法 | |
CN106603336A (zh) | 一种云计算环境的机器状态预测方法及装置 | |
JP7014069B2 (ja) | データ解析装置、方法、及びプログラム | |
Marchenko et al. | Towards a computationally tractable maximum entropy principle for nonstationary financial time series | |
Oliveira et al. | Improving computation of simulated wind-prediction error for air traffic applications | |
Kocijan et al. | System identification with GP models | |
JP6959559B2 (ja) | データ数決定装置、データ数決定方法及びデータ数決定プログラム | |
JPWO2020158032A1 (ja) | 推定装置、学習装置、それらの方法、およびプログラム | |
CN117495071B (zh) | 一种基于预测性日志增强的流程发现方法及系统 | |
JP6849542B2 (ja) | クラス決定装置、クラス決定方法及びクラス決定プログラム | |
JP6777592B2 (ja) | データ数決定装置、データ数決定方法及びデータ数決定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20070119 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20080611 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20090508 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090526 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090929 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091120 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100105 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4449803 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130205 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130205 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140205 Year of fee payment: 4 |