JP2008220511A - 時系列パターン発見装置、方法およびプログラム - Google Patents
時系列パターン発見装置、方法およびプログラム Download PDFInfo
- Publication number
- JP2008220511A JP2008220511A JP2007060666A JP2007060666A JP2008220511A JP 2008220511 A JP2008220511 A JP 2008220511A JP 2007060666 A JP2007060666 A JP 2007060666A JP 2007060666 A JP2007060666 A JP 2007060666A JP 2008220511 A JP2008220511 A JP 2008220511A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series
- candidate
- pattern
- time series
- 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.)
- Abandoned
Links
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】時系列パターンを効率良く高速に発見する。
【解決手段】与えられている時系列制約条件を、当該時系列制約条件を構成するイベントを組み合わせることにより生成される部分時系列制約条件に分解し、時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、部分時系列制約条件が成立するかどうかを判定し、部分時系列制約を満たす候補イベント、候補イベント集合、候補時系列パターンに対してのみ、与えられている時系列データにおける出現頻度を計算し、出現頻度に基づいた評価値が予め指定されている閾値以上となる候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出する。
【選択図】図1
【解決手段】与えられている時系列制約条件を、当該時系列制約条件を構成するイベントを組み合わせることにより生成される部分時系列制約条件に分解し、時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、部分時系列制約条件が成立するかどうかを判定し、部分時系列制約を満たす候補イベント、候補イベント集合、候補時系列パターンに対してのみ、与えられている時系列データにおける出現頻度を計算し、出現頻度に基づいた評価値が予め指定されている閾値以上となる候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出する。
【選択図】図1
Description
本発明は、時系列データから時系列パターンを発見する時系列パターン発見装置、方法およびプログラムに関する。
特定の主体やその行動及び印象を表すイベントの集合が、時系列的に並べられた時系列データが多数存在している。これら時系列データの中には、特定のイベント集合の発生に引き続いて、他のイベント集合の発生を予見する時系列パターンが埋もれており、時系列パターンを発見する必要性が高まっている。
例えば、従来では、小さな時系列パターンの発見から開始して、小さな時系列パターンを組み合わせていくことにより、候補時系列パターンを生成、評価して、時系列パターンを効率的に発見することができる(例えば、非特許文献1参照)。
しかしながら、時系列データを構成するイベントの数が大きな場合、生成される候補時系列パターンの数が大きくなり過ぎるため、実用的な時間内で時系列パターンを発見するには、候補時系列パターンの数を削減する必要がある。
"Mining Sequential Patterns", (R. Agrawal and R. Srikant, Proc. of the 11th Int. Conf. Data Engineering, 3-14, 1995)
"Mining Sequential Patterns", (R. Agrawal and R. Srikant, Proc. of the 11th Int. Conf. Data Engineering, 3-14, 1995)
従来の手法に基づいた発見の場合、対象とするイベントを予め制限したり、候補時系列パターンの評価に利用する評価値を厳しく設定したりすることにより、候補時系列パターンの数を削減する必要がある。また、複数の属性間の変化を追随する時系列パターンを発見することはできない。
この発明は、上述した事情を考慮してなされたものであり、対象とするイベントを制限したり、評価値を小さく設定したりしなくても、複数の属性間の変化を追随する時系列パターンを効率良く高速に発見する時系列パターン発見装置、方法およびプログラムを提供することを目的とする。
上述の課題を解決するため、本発明の時系列パターン発見装置は、データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を示す時系列制約条件を、該イベントを組み合わせることにより生成される部分時系列制約条件に分解する分解手段と、要素間の時系列的な関係を示すデータである時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、および、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、前記部分時系列制約条件が成立するかどうかを判定する判定手段と、前記部分時系列制約条件を満たす、候補イベント、候補特徴イベント集合、候補時系列パターンに対してのみ、前記時系列データにおける出現頻度を計算する計算手段と、前記出現頻度に基づいた評価値が閾値以上となる、候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出する抽出手段と、を備えている。
また、本発明の時系列パターン発見装置は、データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を時系列制約条件として格納している制約条件格納手段と、前記時系列制約条件を時系列的により短い部分制約条件に分解する分解手段と、要素間の時系列的な関係を示すデータである時系列データを複数格納しているデータ格納手段と、前記時系列データの1つから第1イベントを抽出する抽出手段と、前記第1イベントに含まれる属性値が前記部分制約条件に含まれている場合に、前記時系列データ1つ当たりに該第1イベントが含まれている第1割合を計算する第1計算手段と、前記第1割合が閾値以上である場合には、前記第1イベントを特徴イベントとして抽出し、全ての部分制約条件、前記データ格納手段に格納されている全ての時系列データについて抽出された全ての特徴イベントを格納する特徴イベント格納手段と、あるイベント数を含む特徴イベントの集合を2つ選択し、2つの該集合の部分が一致していて、かつ、2つの該集合が完全一致でない場合に、前記2つの集合に含まれる特徴イベントを全て含む候補特徴イベント集合を生成する候補イベント集合生成手段と、前記時系列データ1つ当たりに前記候補特徴イベント集合が含まれている第2割合を計算する第2計算手段と、前記第2割合が閾値以上である場合には、前記候補特徴イベント集合を時系列パターンとして抽出し格納するパターン格納手段と、前記イベント数より1つ大きい、ある要素数の時系列パターンが前記パターン格納手段に含まれていない場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンが複数個前記パターン格納手段に含まれているかを判定する判定手段と、前記判定手段が含まれていると判定した場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンを2つ選択し、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成する候補パターン生成手段と、前記候補時系列パターンが前記部分制約条件に一致する場合には、前記時系列データ1つ当たりに前記候補時系列パターンが含まれている第3割合を計算する第3計算手段を備え、前記第3割合が閾値以上である場合には、前記候補時系列パターンを時系列パターンとして抽出し前記パターン格納手段に該時系列パターンを格納し、要素数を1つ加算して前記判定手段、候補パターン生成手段、第3計算手段の処理を行い、全ての要素数について時系列パターンを前記パターン格納手段に格納することを特徴とする。
本発明の時系列パターン発見装置、方法およびプログラムによれば、対象とするイベントを制限したり、評価値を小さく設定したりしなくても、複数の属性間の変化を追随する時系列パターンを効率良く高速に発見することができる。
以下、図面を参照しながら本発明の実施形態に係る時系列パターン発見装置、方法およびプログラムについて詳細に説明する。
本実施形態の時系列パターン発見装置は、図1に示すように、時系列制約条件格納部101、時系列制約条件分解部102、時系列データ格納部103、候補時系列パターン生成部104、部分時系列制約条件判定部105、候補時系列パターン評価部106、候補時系列パターン判定部107、時系列パターン格納部108を備えている。
本実施形態の時系列パターン発見装置は、図1に示すように、時系列制約条件格納部101、時系列制約条件分解部102、時系列データ格納部103、候補時系列パターン生成部104、部分時系列制約条件判定部105、候補時系列パターン評価部106、候補時系列パターン判定部107、時系列パターン格納部108を備えている。
時系列制約条件格納部101は、データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を時系列制約条件として格納している。時系列制約条件の一例は後に図4を参照して説明する。
時系列制約条件分解部102は、時系列制約条件格納部101に格納されている時系列制約条件から未抽出の時系列制約条件を1つ取り出し、取り出した時系列制約条件を分解して、この時系列制約条件に含まれるより小さな部分時系列制約条件を生成する。また、生成された部分時系列制約条件を、未抽出の時系列制約条件として、時系列制約条件格納部101に格納する。例えば、未抽出の時系列制約条件が2つ以上の要素から構成されている場合には、時系列制約条件を最後の2つの要素からなる要素集合と残りの要素集合に分割し、残りの要素と最後の2つの要素の1つを順に並べた部分時系列制約と、残りの要素と最後の2つの要素のもう一方の要素を順に並べた部分時系列制約とを生成して、当該2つの部分時系列制約を未抽出な時系列制約条件として、時系列制約条件格納部101に格納する。また、未抽出の時系列制約が1つの要素から構成されている場合には、時系列制約条件を最後の2つのイベントからなるイベント集合と残りのイベント集合に分割し、残りのイベント集合と最後の2つのイベント集合に含まれる1つのイベントを組み合わせた部分時系列制約と、残りのイベント集合と2つのイベント集合に含まれるもう一方のイベントを組み合わせた部分時系列制約とを生成して、当該2つの部分時系列制約を未抽出な時系列制約条件として、時系列制約条件格納部101に格納する。
時系列データ格納部103は、要素間の時系列的な関係を示すデータである時系列データを複数格納している。
候補時系列パターン生成部104は、時系列データ格納部103に格納されている時系列データの中から、時系列データを1つ取り出し、取り出した時系列データの中から未抽出のイベントを1つ取り出して、候補イベントとする。
また、候補時系列パターン生成部104は、時系列パターン格納部108に格納されている特徴イベントの集合の中から、指定されたイベント数に一致し、未抽出のイベント集合の組み合わせである、2つのイベント集合をイベント集合対として取り出し、2つの該集合の部分が一致していて、かつ、2つの該集合が完全一致でない場合に、前記2つの集合に含まれる特徴イベントを全て含む候補特徴イベント集合を生成し、そうでない場合には、当該イベント集合対からは候補特徴イベント集合を生成できないと判定する。候補時系列パターン生成部104は、例えば、抽出されたイベント集合対が指定されている後述する条件1、条件2を満足するかどうかを判定し、満足する場合には、このイベント集合対の一方のイベント集合に、もう一方のイベント集合の最後に位置するイベントを追加することにより、候補特徴イベント集合を生成する。
さらに、候補時系列パターン生成部104は、指定されたイベント数に一致する未抽出のイベント集合対が存在しない場合に、時系列パターン格納部108に格納されている時系列パターンの中に、指定されたイベント数より1だけ大きなイベントからなる、要素数が1の時系列パターンが存在するかどうかを判定する。このとき、この時系列パターンが存在する場合には、指定されたイベントの個数に1を加算する。
またさらに、候補時系列パターン生成部104は、指定された要素数を持つ時系列パターンの中から、未抽出の時系列パターンの組を時系列パターン対として取り出し、候補時系列パターン生成部104は、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成する。候補時系列パターン生成部104は、例えば、時系列パターン対が指定されている後述する条件3、条件4を満足しているかどうかを判定し、満足している場合には、時系列パターンの第1の時系列パターンに、第2の時系列パターンの最後の要素を付け加えることにより、候補時系列パターンを生成する。そして、候補時系列パターン生成部104は、指定された要素数に一致する未抽出の時系列パターン対が存在しない場合に、指定された要素数よりも1だけ大きな要素からなる時系列パターンが存在するかどうかを判定する。このとき、この時系列パターンが存在する場合には、指定されている要素数に1を加算する。
部分時系列制約条件判定部105は、抽出された候補イベントを時系列制約条件分解部102に設定されている部分時系列制約条件に適用することにより、候補イベントに一致する属性値が設定されているかどうかを判定する。
また、部分時系列制約条件判定部105は、生成した候補イベント集合を、部分時系列制約条件に適用し、この候補イベント集合に一致する部分時系列制約条件が存在するかどうかを判定する。
さらに、部分時系列制約条件判定部105は、時系列制約条件分解部102に設定されている部分時系列制約条件を参照することにより、生成された候補時系列パターンがこの部分時系列制約条件に一致するかどうかを判定する。
候補時系列パターン評価部106は、部分時系列制約条件を満たす候補イベントを、時系列データ格納部103に格納されている時系列データに適用することにより、この候補イベントを含む時系列データの個数を計算し、この候補イベントの出現頻度とする。ただし、時系列データが同一のイベントを複数含んでいるとしても、その個数は1個と計算することにする。また、式に基づいて、このイベントの支持度(評価値)を計算する。
また、候補時系列パターン評価部106は、部分時系列制約条件を満たす候補イベント集合を時系列データに適用することにより、候補イベント集合を含む時系列データの個数を出現頻度として計算する。また、式によりこの候補イベント集合の支持度を計算する。
さらに、候補時系列パターン評価部106は、部分時系列制約条件を満たす候補時系列パターンを時系列データに適用することにより、この候補時系列パターンを含む時系列データの個数を出現頻度として求め、後述する式により、この候補時系列パターンの支持度を計算する。
候補時系列パターン判定部107が、部分時系列制約条件を満たすイベントの支持度と予め指定されている最小支持度(閾値)を比較することにより、指定した最小支持度以上になるかどうかを判定する。このとき、最小支持度以上になる場合には、この候補イベントを特徴イベントとし、候補時系列パターン判定部107が特徴イベントを時系列パターン格納部108に格納する。
また、候補時系列パターン判定部107が、候補イベント集合の支持度が指定した最小支持度以上になるかどうかを判定し、支持度が最小支持度以上となる場合に、この候補イベント集合を特徴イベント集合とし、候補時系列パターン判定部107が、特徴イベント集合を時系列パターン格納部108に格納する。
さらに、候補時系列パターン判定部107が、候補時系列パターンの支持度が最小支持度以上になっているかどうかを判定し、支持度が最小支持度以上になっている場合に、この候補時系列パターンを時系列パターンとし、候補時系列パターン判定部107が時系列パターンを時系列パターン格納部108に格納する。
さらに、候補時系列パターン判定部107が、候補時系列パターンの支持度が最小支持度以上になっているかどうかを判定し、支持度が最小支持度以上になっている場合に、この候補時系列パターンを時系列パターンとし、候補時系列パターン判定部107が時系列パターンを時系列パターン格納部108に格納する。
次に、図1の処理の流れの一例について図2を参照して説明する。
(ステップS201)時系列制約条件分解部102が、時系列制約条件格納部101に格納されている時系列制約条件から未抽出の時系列制約条件を1つ取り出して設定する。このとき、取り出す時系列制約条件が存在しない場合には、ステップS205へと進み、一方、取り出す時系列制約条件が存在する場合には、ステップS202へと進む。
(ステップS201)時系列制約条件分解部102が、時系列制約条件格納部101に格納されている時系列制約条件から未抽出の時系列制約条件を1つ取り出して設定する。このとき、取り出す時系列制約条件が存在しない場合には、ステップS205へと進み、一方、取り出す時系列制約条件が存在する場合には、ステップS202へと進む。
(ステップS202)時系列制約条件分解部102は、取り出した時系列制約条件を分解して、この時系列制約条件に含まれる、より小さな部分時系列制約条件を生成する。このとき、部分時系列制約条件の生成に成功する場合には、ステップS203へと進み、一方、生成に失敗した場合には、ステップS204へと進む。
例えば、時系列データを構成するイベントが図3に示すように与えられているとする。ただし、これらのイベントにおいて、“/”で区切られた前側の部分が属性、後ろ側の部分が属性値を表すものとし、属性と属性値の組によって各イベントが構成されているとする。属性とはデータの特徴を表す性質のことであり、属性値とは特定のデータの性質の値を示す。例えば、「血圧/正常」のイベントでは、属性が血圧であり、属性値が正常である。このイベントは血圧のデータは正常であることを示している。
また、図4に示すような時系列制約条件が与えられているとする。ただし、“()”で括られたイベントは同一の単位時間帯において発生したイベントを表すとし、“→”によって時間が経過したことを表すとする。したがって、図4の例の場合、3単位時間に跨った時系列制約条件が与えられている。一方、x,yは与えられている属性のうちの異なる属性を表しているとする。したがって、図3のようなイベントが与えられている場合には、x,yは「血圧」、「塩分」、「糖分」のうちのいずれかの属性に対応することになる。
このとき、時系列制約条件分解部102は、時間的に後方に位置する1以上の要素を時系列制約条件から取り出す。また、時系列制約条件分解部102は、取り残された要素に、取り出した一方の要素を付加した部分時系列制約条件と、取り出したもう一方の要素を付加した部分時系列制約条件とを生成する。具体例を挙げる。図4の時系列制約条件の場合、3要素からなっているため、共通する要素は1番目の要素だけである。したがって、時系列制約条件分解部102は、図5に示すような1番目の要素と2番目の要素、1番目の要素と3番目の要素からなる2つの部分時系列制約条件を生成して、ステップS203へと進む。
また、図5の上位に示すように時系列制約条件が与えられているとする。このとき、共通する要素は存在しないため、時系列制約条件分解部102は図6に示すような1番目の要素と2番目の要素からなる部分時系列制約条件を生成して、ステップS203へと進む。同様に、図5の下位に示す時系列制約条件からは、図7に示す部分時系列制約条件を生成する。
さらに、図6の上位に示すように時系列制約条件が与えられているとする。このとき、この時系列制約条件には、1つの要素しか含まれていないため、時系列制約条件分解部102は、辞書順に並べられたイベントの中からその後方にある2つのイベントを取り出し、残りのイベントと取り出したイベントのそれぞれからなる2つの部分要素を生成する。図6の上位に示す時系列制約条件の要素の場合、2つのイベントしか含まれていないため、各イベントに対応する部分要素「x/正常」、「y/正常」を生成する。これらの部分要素の場合、部分要素に含まれるイベントの個数が1個となり、属性の違いを考慮する必要がないため、属性の違いを表現するために導入されている変数x、yを部分要素から取り除く。したがって、この場合には図8に示すような部分要素が部分時系列制約条件として抽出されて、ステップS203へと進む。同様に、図6の下位に示す時系列制約条件からは、時系列制約条件分解部102は図9に示すような部分時系列制約条件を抽出する。また、図7の下位に示す時系列制約条件からは、時系列制約条件分解部102は図10に示すような部分時系列制約条件を抽出する。
一方、1つのイベントからなる時系列制約条件を選択した場合、時系列制約条件分解部102は、この時系列制約条件をこれ以上分解することができないため、時系列制約条件の分解に失敗したと判定して、ステップS204へと進む。
(ステップS203)時系列制約条件分解部102が、生成された部分時系列制約条件が既に抽出されているかどうかを判定し、抽出されていない場合に、この部分時系列制約条件を未処理の部分時系列制約条件として設定する。
例えば、図4に示す時系列制約条件を分解しているとすれば、図5に示す部分時系列制約条件が生成されている。このとき、各部分時系列制約条件はまだ抽出されていない部分時系列制約条件であるため、時系列制約条件分解部102は各部分時系列制約条件を未処理の部分時系列制約条件として設定する。
一方、図5の下位に示す時系列制約条件を分解しているとすれば、図7に示す部分時系列制約条件が生成されている。このとき、図5の上位に示す部分時系列制約条件が既に処理済みであるとすれば、図7に示す部分時系列制約条件のうち、上位に示す部分時系列制約条件「(x/正常,y/正常)」は既に設定済みである。このため、時系列制約条件分解部102は下位に示す部分時系列制約条件「(x/異常,y/要注意)」だけを未処理の部分時系列制約条件として設定する。
(ステップS204)時系列制約条件分解部102が、設定されている未処理の部分時系列制約条件の中から、部分時系列制約条件に含まれている要素の数が最も多い部分時系列制約条件を1つ取り出して、ステップS202へと戻る。一方、取り出す未処理の部分時系列制約条件が存在しない場合には、ステップS201へと進む。
例えば、図11に示すように未処理の部分時系列制約条件が設定されている場合には、時系列制約条件分解部102は、要素数が多い部分時系列制約条件「(x/正常,y/正常)→(x/異常,y/要注意)」を取り出して、ステップS202へと戻る。
(ステップS205)候補時系列パターン生成部104が、時系列データ格納部103に格納されている時系列データの中から、時系列データを1つ取り出し、ステップS206に進み、一方、時系列データ格納部103に格納されている時系列データを全て取り出した場合にはステップS211に進む。
(ステップS206)候補時系列パターン生成部104が、取り出した時系列データの中から未抽出のイベントを1つ取り出して、候補イベントとする。このとき、取り出す候補イベントが存在する場合には、ステップS207へと進み、一方、取り出すイベントが存在しない場合には、ステップS205へと処理を戻す。
例えば、図13のd1の時系列データが候補時系列パターン生成部104によって読み込まれているとする。このとき、時系列データの左側から右側にイベントを順に取り出すことにすれば、候補イベント「血圧/正常」を最初に取り出すことになり、ステップS207へと進む。また、最後のイベント「糖分/異常」を取り出した後で、ステップS206を実施する場合に、ステップS205へと進むことになる。
(ステップS207)部分時系列制約条件判定部105が、抽出された候補イベントを時系列制約条件分解部102に設定されている部分時系列制約条件に適用することにより、この候補イベントに一致する属性値が設定されているかどうかを判定する。このとき、このイベントが部分時系列制約条件に設定されている場合には、ステップS208へと進み、一方、設定されていない場合には、ステップS205へと処理を戻す。
例えば、部分時系列制約条件として、図12に示す部分時系列制約条件が設定されているとし、イベントとして、「血圧/正常」が取り出されているとする。このとき、属性値「正常」はこの部分時系列制約条件に設定されているため、ステップS208へと進み、一方、イベントとして、「糖分/未検査」が取り出されているとすれば、属性値「未検査」はこの部分時系列制約条件に設定されていないため、ステップS205へと戻る。
(ステップS208)候補時系列パターン評価部106が、部分時系列制約条件を満たす候補イベントを、時系列データ格納部103に格納されている時系列データに適用することにより、この候補イベントを含む時系列データの個数を計算し、この候補イベントの出現頻度とする。ただし、時系列データが同一のイベントを複数含んでいるとしても、その個数は1個と計算することにする。また、次式(1)に基づいて、このイベントの支持度を計算する。
支持度=イベントの出現頻度/時系列データの個数・・・(1)
例えば、図13に示す時系列データが時系列データ格納部103に格納されているとし、部分時系列制約条件を満たすイベントとして「血圧/正常」が与えられているとする。このとき、各時系列データは、このイベントを含んでいるため、このイベントの出現頻度は3となる。また、時系列データの個数は3であるため、このイベントの支持度は1.0(=3/3)となる。
例えば、図13に示す時系列データが時系列データ格納部103に格納されているとし、部分時系列制約条件を満たすイベントとして「血圧/正常」が与えられているとする。このとき、各時系列データは、このイベントを含んでいるため、このイベントの出現頻度は3となる。また、時系列データの個数は3であるため、このイベントの支持度は1.0(=3/3)となる。
一方、部分時系列制約条件を満たすイベントとして「塩分/異常」が与えられているとすれば、このイベントを含む時系列データは存在しないため、このイベントの出現頻度は0となる。したがって、このイベントの支持度は0.0(=0/3)となる。
(ステップS209)候補時系列パターン判定部107が、部分時系列制約条件を満たすイベントの支持度と予め指定されている最小支持度を比較することにより、指定した最小支持度以上になるかどうかを判定する。このとき、最小支持度以上になる場合には、この候補イベントを特徴イベントとして、ステップS210へと進み、一方、最小支持度より小さい場合には、ステップS205へと戻る。
例えば、最小支持度として0.9が与えられており、部分時系列制約条件を満たすイベントとして「血圧/正常」が与えられているとすれば、このイベントの支持度は1.0であり0.9以上となるため、この候補イベントを特徴イベントとしてステップS210へと進む。一方、部分時系列制約条件を満たすイベントとして「塩分/異常」が与えられているとすれば、このイベントの支持度は0であり0.9よりも小さくなるため、ステップS205へと戻る。
(ステップS210)候補時系列パターン判定部107が特徴イベントを時系列パターン格納部108に格納する。例えば、図14に示す特徴イベントが、イベント数が1個からなる時系列パターンとして時系列パターン格納部108に格納される。
(ステップS211)候補時系列パターン生成部104がイベント数の初期値として例えば1を設定する。
(ステップS212)候補時系列パターン生成部104が、時系列パターン格納部108に格納されている特徴イベントの集合の中から、指定されたイベント数に一致し、未抽出のイベント集合の組み合わせである、2つのイベント集合をイベント集合対として取り出す。ただし、同一のイベント集合を取り出すことも可能とする。このとき、イベント集合対が抽出される場合には、ステップS213へと進み、一方、抽出されない場合には、ステップS218へと進む。
(ステップS213)候補時系列パターン生成部104が、抽出されたイベント集合対が下記の条件1及び条件2を満足するかどうかを判定し、満足する場合には、このイベント集合対の一方のイベント集合に、もう一方のイベント集合の最後に位置するイベントを追加することにより、候補イベント集合を生成して、ステップS214へと進む。一方、満足しない場合には、ステップS212へと戻る。
条件1.イベント集合の最後に位置付けられているイベントを除いた残りのイベント部分集合が一致している。
条件2.最後に位置付けられているイベントの属性が一致していない。
条件1.イベント集合の最後に位置付けられているイベントを除いた残りのイベント部分集合が一致している。
条件2.最後に位置付けられているイベントの属性が一致していない。
ただし、イベント集合に含まれる各イベントの属性は、辞書順などの基準に基づいて整列されているとし、1個のイベントからなる特徴イベントは特徴イベント集合の特殊な例であるとする。
例えば、属性が、「血圧、塩分、糖分」といった順に整列されているとする。このとき、イベント数として1が与えられているとし、1つのイベントからなるイベント集合「血圧/正常」、「塩分/正常」が、イベント集合対として与えられているとする。イベント数が1の場合、条件1は常に成立している。加えて、このイベント集合対に対しては、属性が「血圧」、「塩分」と異なっているため、条件2も成立している。このため、「(血圧/正常,塩分/正常)」が候補イベント集合として生成され、ステップS214へと進む。
また、イベント数が2と与えられているとし、2つのイベントからなるイベント集合「(血圧/正常,塩分/正常)」、「(血圧/正常,糖分/正常)」が、イベント集合対として与えられているとする。このイベント集合対においては、2番目のイベントを除いたイベント集合が「血圧/正常」と一致しているとともに、2番目のイベントの属性が「塩分」、「糖分」と異なっているため、条件1、条件2が成立する。このため、「(血圧/正常,塩分/正常,糖分/正常)」が候補イベント集合として得られ、ステップS214へと進む。
また、イベント数が2と与えられているとし、2つのイベントからなるイベント集合「(血圧/正常,塩分/正常)」、「(血圧/正常,糖分/正常)」が、イベント集合対として与えられているとする。このイベント集合対においては、2番目のイベントを除いたイベント集合が「血圧/正常」と一致しているとともに、2番目のイベントの属性が「塩分」、「糖分」と異なっているため、条件1、条件2が成立する。このため、「(血圧/正常,塩分/正常,糖分/正常)」が候補イベント集合として得られ、ステップS214へと進む。
一方、イベント数が2と与えられているとし、2つのイベントからなるイベント集合「(血圧/正常,塩分/正常)」、「(血圧/要注意,塩分/正常)」が、与えられているとする。このイベント集合対においては、2番目のイベントを除いたイベント集合が「血圧/正常」、「血圧/要注意」と一致しておらず、条件1が成立していない。このため、候補イベント集合を生成することができず、ステップS212へと戻る。
また、イベント数が2と与えられているとし、2つのイベントからなるイベント集合「(血圧/正常,塩分/正常)」、「(血圧/正常,塩分/正常)」が、与えられているとする。このイベント集合対においては、2番目のイベントにおける属性がともに「塩分」となっているため、条件2が成立していない。このため、候補イベント集合を生成することができず、ステップS212へと戻る。
また、イベント数が2と与えられているとし、2つのイベントからなるイベント集合「(血圧/正常,塩分/正常)」、「(血圧/正常,塩分/正常)」が、与えられているとする。このイベント集合対においては、2番目のイベントにおける属性がともに「塩分」となっているため、条件2が成立していない。このため、候補イベント集合を生成することができず、ステップS212へと戻る。
(ステップS214)部分時系列制約条件判定部105は、生成された候補イベント集合を、部分時系列制約条件に適用し、この候補イベント集合に一致する部分時系列制約条件が存在するかどうかを判定する。このとき、この部分時系列制約条件が存在する場合には、ステップS215へと進み、一方、存在しない場合には、ステップS212へと戻る。
例えば、「(血圧/正常,塩分/正常)」が候補イベント集合として与えられている場合には、図12に示す部分時系列制約条件「(x/正常,y/正常)」に一致しているため、ステップS215へと進む。
一方、「(血圧/正常,糖分/異常)」が候補イベント集合として与えられている場合には、一致する部分時系列制約条件が図12の中に存在しないため、ステップS212へと戻る。また、「(血圧/正常,塩分/正常,糖分/正常)」が候補イベント集合として与えられている場合には、一致する部分時系列制約条件が図12の中に存在しないため、ステップS212へと戻る。
(ステップS215)候補時系列パターン評価部106が、生成された候補イベント集合を時系列データに適用することにより、候補イベント集合を含む時系列データの個数を出現頻度として計算する。また、式(1)によりこの候補イベント集合の支持度を計算する。
例えば、「(血圧/正常,塩分/正常)」が候補イベント集合として与えられている場合、図13に示す各時系列データは、この候補イベント集合を含んでいるため、出現頻度は3となる。また、その支持度は1.0(=3/3)となる。
一方、「(血圧/要注意,糖分/異常)」が候補イベント集合として与えられている場合、図13に示す各時系列データは、この候補イベント集合を含んでいないため、出現頻度は0となる。また、その支持度は0.0(=0/3)となる。
(ステップS216)候補時系列パターン判定部107が、候補イベント集合の支持度が指定した最小支持度以上になるかどうかを判定し、最小支持度以上となる場合に、この候補イベント集合を特徴イベント集合として、ステップS217へと進み、一方、最小支持度よりも小さくなる場合には、ステップS212へと戻る。
例えば、「(血圧/正常,塩分/正常)」が候補イベント集合として与えられている場合、ステップS209での計算と同様にして、その支持度は1.0となり、最小支持度である0.9以上となるため、この候補イベント集合を特徴イベント集合として、ステップS217へと進む。
一方、「(血圧/要注意,糖分/異常)」が候補イベント集合として与えられている場合、ステップS209での計算と同様にして、その支持度は0.0となり、最小支持度である0.9よりも小さくなるため、ステップS212へと戻る。
(ステップS217)候補時系列パターン判定部107が、特徴イベント集合を時系列パターン格納部108に格納する。
例えば、図15に示す特徴イベント集合が、要素数が1で、その中に含まれるイベント数が2である時系列パターンとして、時系列パターン格納部108に格納される。
例えば、図15に示す特徴イベント集合が、要素数が1で、その中に含まれるイベント数が2である時系列パターンとして、時系列パターン格納部108に格納される。
(ステップS218)候補時系列パターン生成部104が、時系列パターン格納部108に格納されている時系列パターンの中に、指定されたイベント数より1だけ大きなイベントからなる、要素数が1の時系列パターンが存在するかどうかを判定する。このとき、この時系列パターンが存在する場合には、指定されたイベントの個数に1を加算し、ステップS212へと戻り、一方、存在しない場合には、ステップS219へと進む。
(ステップS219)候補時系列パターン生成部104が要素数の初期値として例えば1を設定する。
(ステップS220)候補時系列パターン生成部104が、指定された要素数を持つ時系列パターンの中から、未抽出の時系列パターンの組を時系列パターン対として取り出す。このとき、取り出す時系列パターン対が存在しない場合には、ステップS226へと進み、一方、存在する場合には、ステップS221へと進む。ただし、取り出される2つの時系列パターンは同一の時系列パターンであってもよいとする。また、時系列パターンが取り出される順序が異なる時系列パターンの組は、異なる時系列パターンの組であるとする。
(ステップS221)候補時系列パターン生成部104が、時系列パターン対が下記の条件3、条件4を満足しているかどうかを判定し、満足している場合には、時系列パターンの第1の時系列パターンに、第2の時系列パターンの最後の要素を付け加えることにより、候補時系列パターンを生成して、ステップS222へと進み、一方、満足していない場合には、ステップS220へと戻る。
条件3.最後の要素を除いた部分時系列パターンが一致している。
条件4.最後の要素に含まれるイベントの属性集合が一致している。
条件3.最後の要素を除いた部分時系列パターンが一致している。
条件4.最後の要素に含まれるイベントの属性集合が一致している。
例えば、要素数が1である時系列パターン対として、「(血圧/正常,塩分/正常)」、「(血圧/要注意,塩分/正常)」が取り出されているとする。要素数が1の場合、条件3は常に成立している。加えて、最後の要素に含まれるイベントの属性集合が「血圧、塩分」と一致しているため、条件4が成立する。このため、この時系列パターン対から候補時系列パターン「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)」を生成して、ステップS222へと進む。
また、要素数が2である時系列パターン対として、「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)」、「(血圧/正常,塩分/正常)→(血圧/異常,塩分/要注意)」が取り出されているとする。この時系列パターンにおいては、最後の要素を除いた部分時系列パターン「(血圧/正常,塩分/正常)」が一致しており、条件3が成立するとともに、最後の要素に含まれるイベントの属性集合が「血圧、塩分」と一致しているため、条件4が成立する。このため、この時系列パターン対から候補時系列パターン「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)→(血圧/異常,塩分/要注意)」を生成して、ステップS222へと進む。
一方、要素数が1である時系列パターン対として、「(血圧/正常,塩分/正常)」、「(血圧/要注意,糖分/正常)」が取り出されているとする。この時系列パターンにおいては、最後の要素に含まれるイベントの属性集合がそれぞれ「血圧、塩分」、「血圧、糖分」となり、一致していないため、条件4が成立していない。このため、ステップS220へと戻る。
(ステップS222)部分時系列制約条件判定部105が時系列制約条件分解部102に設定されている部分時系列制約条件を参照することにより、生成された候補時系列パターンがこの部分時系列制約条件に一致するかどうかを判定する。このとき、一致する部分時系列制約条件が存在する場合には、ステップS223へと進み、一方、存在しない場合には、ステップS220へと戻る。
例えば、候補時系列パターンとして「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)」が生成されている場合、この候補時系列パターンは、図12に示す部分時系列制約条件のうち、「(x/正常,y/正常)→(x/要注意,y/正常)」に一致しているため、ステップS223へと進む。
一方、候補時系列パターンとして「(血圧/正常,塩分/正常)→(血圧/正常,塩分/正常)」が生成されている場合、この候補時系列パターンに一致する部分時系列制約条件は、図12の中には存在しないため、ステップS220へと戻る。
(ステップS223)候補時系列パターン評価部106が、候補時系列パターンを含む時系列データの個数を出現頻度として求め、式(1)により、この候補時系列パターンの支持度を計算する。
例えば、候補時系列パターンとして「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)」が与えられている場合、この候補時系列パターンは図13の各時系列データに含まれているため、その出現頻度は3となる。また、その支持度は1.0(=3/3)となる。
また、候補時系列パターンとして「(血圧/正常,糖分/正常)→(血圧/要注意,糖分/正常)」が与えられている場合、この候補時系列パターンは図13のd1,d3の時系列データに含まれているため、その出現頻度は2となる。また、その支持度は0.67(=2/3)となる。
(ステップS224)候補時系列パターン判定部107が候補時系列パターンの支持度が最小支持度以上になっているかどうかを判定する。このとき、この候補時系列パターンの支持度が最小支持度以上になっている場合に、この候補時系列パターンを時系列パターンとして、ステップS225へと進み、一方、最小支持度よりも小さくなっている場合に、ステップS220へと戻る。
例えば、候補時系列パターン「(血圧/正常,塩分/正常)→(血圧/要注意,塩分/正常)」の場合、その支持度が1.0であり、最小支持度である0.9以上となるため、この候補時系列パターンを時系列パターンとして、ステップS225へと進む。
一方、候補時系列パターン「(血圧/正常,糖分/正常)→(血圧/要注意,糖分/正常)」の場合、その支持度が0.67であり、最小支持度である0.9よりも小さくなるため、ステップS220へと戻る。
(ステップS225)候補時系列パターン判定部107が時系列パターンを時系列パターン格納部108に格納し、ステップS220へと戻る。
例えば、要素数が2となる時系列パターンとして、図16に示す時系列パターンが格納される。また、要素数が3となる時系列パターンとして、図17に示す時系列パターンが格納される。
(ステップS226)候補時系列パターン生成部104が、指定されている要素数よりも1だけ大きな要素からなる時系列パターンが存在するかどうかを判定する。このとき、この時系列パターンが存在する場合には、指定されている要素数に1を加算し、ステップS220へと戻る一方、存在しない場合には、本処理を終了する。
このような処理を実施することにより、指定された時系列制約条件を満たす、最小支持度以上の支持度となる、すべての時系列パターンを発見することができる。すなわち、例えば、図13の時系列データから、図4の時系列制約条件を満たす、最小支持度である0.9以上の支持度を持つ時系列パターンとして、図17に示す時系列パターンを発見することができる。
このように、属性と属性値によって特徴付けられるイベントによって構成される時系列データから時系列パターンを発見する方法において、利用者の興味のある構造を含んだ時系列パターンを効率よく高速に発見することができる。
なお、本時系列制約条件に基づいた時系列パターン発見装置は、上述した実施形態に限定するものではない。例えば、候補イベント、候補イベント集合、候補時系列パターンを、特徴イベント、特徴イベント集合、時系列パターンとみなすかどうかを判定するのに、本実施形態では支持度を利用しているが、参考文献“Sequential Mining Method based on a New Criterion”, (Shigeaki Sakurai, Youichi Kitahara, and Ryohei Orihara, Proc. the 10th IASTED Int. Conf. on Artificial Intelligence and Soft Computing, 544-045, 2006)に記載の系列興味度を利用してもよい。
また、実施形態においては、時系列制約条件格納部101に格納されている時系列制約条件を1つに限定しているが、複数の時系列制約条件を設定することもできる。また、時系列制約条件における要素数や各要素に含まれるイベント数を、それぞれ3、2としているが、この要素を任意の自然数とすることができる。加えて、イベントを構成する各属性の属性値を、すべて同一の値としているが、一部の属性値だけを同一の値にしたり、特定の属性に関しては全く異なる属性値を指定したりすることもできる。この他、本発明の趣旨を逸脱しない範囲において、種々変形して時系列制約条件に基づいた時系列パターン発見装置を構成することができる。
以上に示した実施形態によれば、部分時系列制約条件に基づいた判定を行うことにより、候補時系列パターンに対して実施する必要があった、時系列データを用いた出現頻度の評価回数を大幅に削減することができ、実用的な時間内で時系列パターンを発見することができる。また、複数の属性における属性値間の時系列的な関係を考慮しているため、複数の属性の属性値間の関係を内在する時系列パターンを発見することができる。加えて、利用者が注目していた構造を持った時系列パターンだけを発見することができるため、利用者にとって興味のない時系列パターンが多数発見されることを回避することができる。
また、上述の実施形態の中で示した処理手順に示された指示は、ソフトウェアであるプログラムに基づいて実行されることが可能である。汎用の計算機システムが、このプログラムを予め記憶しておき、このプログラムを読み込むことにより、上述した実施形態の時系列パターン発見装置による効果と同様な効果を得ることも可能である。上述の実施形態で記述された指示は、コンピュータに実行させることのできるプログラムとして、磁気ディスク(フレキシブルディスク、ハードディスクなど)、光ディスク(CD−ROM、CD−R、CD−RW、DVD−ROM、DVD±R、DVD±RWなど)、半導体メモリ、又はこれに類する記録媒体に記録される。コンピュータまたは組み込みシステムが読み取り可能な記憶媒体であれば、その記憶形式は何れの形態であってもよい。コンピュータは、この記録媒体からプログラムを読み込み、このプログラムに基づいてプログラムに記述されている指示をCPUで実行させれば、上述した実施形態の時系列パターン発見装置と同様な動作を実現することができる。もちろん、コンピュータがプログラムを取得する場合又は読み込む場合はネットワークを通じて取得又は読み込んでもよい。
また、記憶媒体からコンピュータや組み込みシステムにインストールされたプログラムの指示に基づきコンピュータ上で稼働しているOS(オペレーティングシステム)や、データベース管理ソフト、ネットワーク等のMW(ミドルウェア)等が本実施形態を実現するための各処理の一部を実行してもよい。
さらに、本願発明における記憶媒体は、コンピュータあるいは組み込みシステムと独立した媒体に限らず、LANやインターネット等により伝達されたプログラムをダウンロードして記憶または一時記憶した記憶媒体も含まれる。
また、記憶媒体は1つに限られず、複数の媒体から本実施形態における処理が実行される場合も、本発明における記憶媒体に含まれ、媒体の構成は何れの構成であってもよい。
また、記憶媒体からコンピュータや組み込みシステムにインストールされたプログラムの指示に基づきコンピュータ上で稼働しているOS(オペレーティングシステム)や、データベース管理ソフト、ネットワーク等のMW(ミドルウェア)等が本実施形態を実現するための各処理の一部を実行してもよい。
さらに、本願発明における記憶媒体は、コンピュータあるいは組み込みシステムと独立した媒体に限らず、LANやインターネット等により伝達されたプログラムをダウンロードして記憶または一時記憶した記憶媒体も含まれる。
また、記憶媒体は1つに限られず、複数の媒体から本実施形態における処理が実行される場合も、本発明における記憶媒体に含まれ、媒体の構成は何れの構成であってもよい。
なお、本願発明におけるコンピュータまたは組み込みシステムは、記憶媒体に記憶されたプログラムに基づき、本実施形態における各処理を実行するためのものであって、パソコン、マイコン等の1つからなる装置、複数の装置がネットワーク接続されたシステム等の何れの構成であってもよい。
また、本願発明の実施形態におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本発明の実施形態における機能を実現することが可能な機器、装置を総称している。
また、本願発明の実施形態におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本発明の実施形態における機能を実現することが可能な機器、装置を総称している。
なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
101・・・時系列制約条件格納部、102・・・時系列制約条件分解部、103・・・時系列データ格納部、104・・・候補時系列パターン生成部、105・・・部分時系列制約条件判定部、106・・・候補時系列パターン評価部、107・・・候補時系列パターン判定部、108・・・時系列パターン格納部。
Claims (13)
- データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を示す時系列制約条件を、該イベントを組み合わせることにより生成される部分時系列制約条件に分解する分解手段と、
要素間の時系列的な関係を示すデータである時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、および、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、前記部分時系列制約条件が成立するかどうかを判定する判定手段と、
前記部分時系列制約条件を満たす、候補イベント、候補特徴イベント集合、候補時系列パターンに対してのみ、前記時系列データにおける出現頻度を計算する計算手段と、
前記出現頻度に基づいた評価値が閾値以上となる、候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出する抽出手段と、を備えることを特徴とする時系列パターン発見装置。 - データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を時系列制約条件として格納している制約条件格納手段と、
前記時系列制約条件を時系列的により短い部分制約条件に分解する分解手段と、
要素間の時系列的な関係を示すデータである時系列データを複数格納しているデータ格納手段と、
前記時系列データの1つから第1イベントを抽出する抽出手段と、
前記第1イベントに含まれる属性値が前記部分制約条件に含まれている場合に、前記時系列データ1つ当たりに該第1イベントが含まれている第1割合を計算する第1計算手段と、
前記第1割合が閾値以上である場合には、前記第1イベントを特徴イベントとして抽出し、全ての部分制約条件、前記データ格納手段に格納されている全ての時系列データについて抽出された全ての特徴イベントを格納する特徴イベント格納手段と、
あるイベント数を含む特徴イベントの集合を2つ選択し、2つの該集合の部分が一致していて、かつ、2つの該集合が完全一致でない場合に、前記2つの集合に含まれる特徴イベントを全て含む候補特徴イベント集合を生成する候補イベント集合生成手段と、
前記時系列データ1つ当たりに前記候補特徴イベント集合が含まれている第2割合を計算する第2計算手段と、
前記第2割合が閾値以上である場合には、前記候補特徴イベント集合を時系列パターンとして抽出し格納するパターン格納手段と、
前記イベント数より1つ大きい、ある要素数の時系列パターンが前記パターン格納手段に含まれていない場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンが複数個前記パターン格納手段に含まれているかを判定する判定手段と、
前記判定手段が含まれていると判定した場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンを2つ選択し、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成する候補パターン生成手段と、
前記候補時系列パターンが前記部分制約条件に一致する場合には、前記時系列データ1つ当たりに前記候補時系列パターンが含まれている第3割合を計算する第3計算手段を備え、
前記第3割合が閾値以上である場合には、前記候補時系列パターンを時系列パターンとして抽出し前記パターン格納手段に該時系列パターンを格納し、
要素数を1つ加算して前記判定手段、候補パターン生成手段、第3計算手段の処理を行い、全ての要素数について時系列パターンを前記パターン格納手段に格納することを特徴とする時系列パターン発見装置。 - 前記候補イベント集合生成手段は、2つの集合で、各集合の最後に位置付けられているイベントを除いた残りのイベント部分集合が一致し、かつ、最後に位置付けられているイベントの属性が一致していない場合に、一方の集合に他方の集合の最後に位置するイベントを追加する集合を、候補特徴イベント集合として生成することを特徴とする請求項2に記載の時系列パターン発見装置。
- 前記候補パターン生成手段は、2つの時系列パターンで、最後の要素を除いた部分時系列パターンが一致し、かつ、最後の要素に含まれるイベントの属性集合が一致する場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加える時系列パターンを、候補時系列パターンとして生成することを特徴とする請求項2または請求項3に記載の時系列パターン発見装置。
- 前記第1計算手段は、前記第1割合として、
(前記第1イベントを含む時系列データの数)/(前記データ格納手段に格納されている時系列データの数)
を計算することを特徴とする請求項2から請求項4のいずれか1項に記載の時系列パターン発見装置。 - 前記第2計算手段は、前記第2割合として、
(前記候補特徴イベント集合を含む時系列データの数)/(前記データ格納手段に格納されている時系列データの数)
を計算することを特徴とする請求項2から請求項5のいずれか1項に記載の時系列パターン発見装置。 - 前記第3計算手段は、前記第3割合として、
(前記候補時系列パターンを含む時系列データの数)/(前記データ格納手段に格納されている時系列データの数)
を計算することを特徴とする請求項2から請求項6のいずれか1項に記載の時系列パターン発見装置。 - 前記候補イベント集合生成手段は、前記あるイベント数が1である場合から候補特徴イベント集合を生成することを特徴とする請求項2から請求項7のいずれか1項に記載の時系列パターン発見装置。
- 前記ある要素数は1であることを特徴とする請求項2から請求項8のいずれか1項に記載の時系列パターン発見装置。
- データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を示す時系列制約条件を、該イベントを組み合わせることにより生成される部分時系列制約条件に分解し、
要素間の時系列的な関係を示すデータである時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、および、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、前記部分時系列制約条件が成立するかどうかを判定し、
前記部分時系列制約条件を満たす、候補イベント、候補特徴イベント集合、候補時系列パターンに対してのみ、前記時系列データにおける出現頻度を計算し、
前記出現頻度に基づいた評価値が閾値以上となる、候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出することを特徴とする時系列パターン発見方法。 - データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を時系列制約条件として格納している制約条件格納手段を用意し、
前記時系列制約条件を時系列的により短い部分制約条件に分解し、
要素間の時系列的な関係を示すデータである時系列データを複数格納しているデータ格納手段を用意し、
前記時系列データの1つから第1イベントを抽出し、
前記第1イベントに含まれる属性値が前記部分制約条件に含まれている場合に、前記時系列データ1つ当たりに該第1イベントが含まれている第1割合を計算し、
前記第1割合が閾値以上である場合には、前記第1イベントを特徴イベントとして抽出し、全ての部分制約条件、前記データ格納手段に格納されている全ての時系列データについて抽出された全ての特徴イベントを格納する特徴イベント格納手段を用意し、
あるイベント数を含む特徴イベントの集合を2つ選択し、2つの該集合の部分が一致していて、かつ、2つの該集合が完全一致でない場合に、前記2つの集合に含まれる特徴イベントを全て含む候補特徴イベント集合を生成し、
前記時系列データ1つ当たりに前記候補特徴イベント集合が含まれている第2割合を計算し、
前記第2割合が閾値以上である場合には、前記候補特徴イベント集合を時系列パターンとして抽出し格納するパターン格納手段を用意し、
前記イベント数より1つ大きい、ある要素数の時系列パターンが前記パターン格納手段に含まれていない場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンが複数個前記パターン格納手段に含まれているかを判定し、
含まれていると判定された場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンを2つ選択し、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成し、
前記候補時系列パターンが前記部分制約条件に一致する場合には、前記時系列データ1つ当たりに前記候補時系列パターンが含まれている第3割合を計算することを特徴とし、
前記第3割合が閾値以上である場合には、前記候補時系列パターンを時系列パターンとして抽出し前記パターン格納手段に該時系列パターンを格納し、
要素数を1つ加算して、前記イベント数より1つ大きい、ある要素数の時系列パターンが前記パターン格納手段に含まれていない場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンが複数個前記パターン格納手段に含まれているかを判定し、
含まれていると判定された場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンを2つ選択し、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成し、
前記候補時系列パターンが前記部分制約条件に一致する場合には、前記時系列データ1つ当たりに前記候補時系列パターンが含まれている第3割合を計算して、全ての要素数について時系列パターンを前記パターン格納手段に格納することを特徴とする時系列パターン発見方法。 - コンピュータを、
データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を示す時系列制約条件を、該イベントを組み合わせることにより生成される部分時系列制約条件に分解する分解手段と、
要素間の時系列的な関係を示すデータである時系列データの1つから抽出した候補イベント、特徴的なイベント集合から生成されるより多くのイベントから構成される候補特徴イベント集合、および、時系列パターンから生成されるより多くの要素から構成される候補時系列パターンのそれぞれに対して、前記部分時系列制約条件が成立するかどうかを判定する判定手段と、
前記部分時系列制約条件を満たす、候補イベント、候補特徴イベント集合、候補時系列パターンに対してのみ、前記時系列データにおける出現頻度を計算する計算手段と、
前記出現頻度に基づいた評価値が閾値以上となる、候補イベント、候補イベント集合、候補時系列パターンを、時系列パターンとして抽出する抽出手段として機能させるための時系列パターン発見プログラム。 - コンピュータを、
データの特徴を示す性質である属性と、該属性の属性値とからなるイベントを1以上含んでいるものと定義される要素での複数の要素間の時系列的な関係を時系列制約条件として格納している制約条件格納手段と、
前記時系列制約条件を時系列的により短い部分制約条件に分解する分解手段と、
要素間の時系列的な関係を示すデータである時系列データを複数格納しているデータ格納手段と、
前記時系列データの1つから第1イベントを抽出する抽出手段と、
前記第1イベントに含まれる属性値が前記部分制約条件に含まれている場合に、前記時系列データ1つ当たりに該第1イベントが含まれている第1割合を計算する第1計算手段と、
前記第1割合が閾値以上である場合には、前記第1イベントを特徴イベントとして抽出し、全ての部分制約条件、前記データ格納手段に格納されている全ての時系列データについて抽出された全ての特徴イベントを格納する特徴イベント格納手段と、
あるイベント数を含む特徴イベントの集合を2つ選択し、2つの該集合の部分が一致していて、かつ、2つの該集合が完全一致でない場合に、前記2つの集合に含まれる特徴イベントを全て含む候補特徴イベント集合を生成する候補イベント集合生成手段と、
前記時系列データ1つ当たりに前記候補特徴イベント集合が含まれている第2割合を計算する第2計算手段と、
前記第2割合が閾値以上である場合には、前記候補特徴イベント集合を時系列パターンとして抽出し格納するパターン格納手段と、
前記イベント数より1つ大きい、ある要素数の時系列パターンが前記パターン格納手段に含まれていない場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンが複数個前記パターン格納手段に含まれているかを判定する判定手段と、
前記判定手段が含まれていると判定した場合には、前記イベント数に1を加算したイベント数で前記ある要素数である時系列パターンを2つ選択し、2つの該時系列パターンの部分が一致していて、かつ、完全一致でない場合に、一方の時系列パターンに他方の時系列パターンの最後の要素を付け加えた候補時系列パターンを生成する候補パターン生成手段と、
前記候補時系列パターンが前記部分制約条件に一致する場合には、前記時系列データ1つ当たりに前記候補時系列パターンが含まれている第3割合を計算する第3計算手段として機能させるためのプログラムであり、
前記第3割合が閾値以上である場合には、前記候補時系列パターンを時系列パターンとして抽出し前記パターン格納手段に該時系列パターンを格納し、
要素数を1つ加算して前記判定手段、候補パターン生成手段、第3計算手段の処理を行い、全ての要素数について時系列パターンを前記パターン格納手段に格納することを特徴とする時系列パターン発見プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007060666A JP2008220511A (ja) | 2007-03-09 | 2007-03-09 | 時系列パターン発見装置、方法およびプログラム |
US12/021,747 US20080222109A1 (en) | 2007-03-09 | 2008-01-29 | Time-series pattern finding apparatus, method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007060666A JP2008220511A (ja) | 2007-03-09 | 2007-03-09 | 時系列パターン発見装置、方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008220511A true JP2008220511A (ja) | 2008-09-25 |
Family
ID=39742664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007060666A Abandoned JP2008220511A (ja) | 2007-03-09 | 2007-03-09 | 時系列パターン発見装置、方法およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20080222109A1 (ja) |
JP (1) | JP2008220511A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013012112A (ja) * | 2011-06-30 | 2013-01-17 | Fujitsu Ltd | データ抽出方法及びデータ抽出装置 |
JP2015049790A (ja) * | 2013-09-03 | 2015-03-16 | 株式会社東芝 | 系列データ分析装置及プログラム |
US11568177B2 (en) | 2015-01-19 | 2023-01-31 | Kabushiki Kaisha Toshiba | Sequential data analysis apparatus and program |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355170B2 (en) * | 2012-11-27 | 2016-05-31 | Hewlett Packard Enterprise Development Lp | Causal topic miner |
EP2934312A1 (en) * | 2012-12-20 | 2015-10-28 | Boston Scientific Scimed, Inc. | Rotor identification using sequential pattern matching |
JP6182665B2 (ja) * | 2013-05-14 | 2017-08-16 | ボストン サイエンティフィック サイムド,インコーポレイテッドBoston Scientific Scimed,Inc. | ベクトル場を用いた電気生理学的マッピング中の活動パターンの表示及び特定のためのカテーテルシステム |
CN105307558B (zh) | 2013-05-16 | 2017-11-28 | 波士顿科学医学有限公司 | 通过基于类似性的图案匹配的增强的激动开始时间优化 |
CN105722459B (zh) | 2013-08-28 | 2019-06-14 | 波士顿科学医学有限公司 | 在电生理学标测期间估计数据段中激活模式的普遍率 |
WO2015066164A1 (en) | 2013-10-31 | 2015-05-07 | Boston Scientific Scimed, Inc. | Medical device for high resolution mapping using localized matching |
JP6345806B2 (ja) | 2014-06-20 | 2018-06-20 | ボストン サイエンティフィック サイムド,インコーポレイテッドBoston Scientific Scimed,Inc. | 心臓組織のマッピングのための医療装置 |
US10453007B2 (en) | 2015-05-18 | 2019-10-22 | International Business Machines Corporation | Automatic time series exploration for business intelligence analytics |
MX364165B (es) | 2015-06-19 | 2019-04-15 | Tata Consultancy Services Ltd | Métodos y sistemas para la busqueda de patrones lógicos. |
US11593817B2 (en) * | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
US10271757B2 (en) | 2015-09-26 | 2019-04-30 | Boston Scientific Scimed Inc. | Multiple rhythm template monitoring |
US10405766B2 (en) | 2015-09-26 | 2019-09-10 | Boston Scientific Scimed, Inc. | Method of exploring or mapping internal cardiac structures |
US10621790B2 (en) | 2015-09-26 | 2020-04-14 | Boston Scientific Scimed Inc. | Systems and methods for anatomical shell editing |
EP3151077A1 (de) * | 2015-09-30 | 2017-04-05 | Siemens Aktiengesellschaft | Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren |
US10409817B1 (en) * | 2016-03-25 | 2019-09-10 | Emc Corporation | Database system and methods for domain-tailored detection of outliers, patterns, and events in data streams |
US11093546B2 (en) * | 2017-11-29 | 2021-08-17 | The Procter & Gamble Company | Method for categorizing digital video data |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4398777B2 (ja) * | 2004-04-28 | 2010-01-13 | 株式会社東芝 | 時系列データ分析装置および方法 |
JP2007041683A (ja) * | 2005-08-01 | 2007-02-15 | Toshiba Corp | 系列パターン抽出装置、系列パターン抽出方法、および系列パターン抽出プログラム |
-
2007
- 2007-03-09 JP JP2007060666A patent/JP2008220511A/ja not_active Abandoned
-
2008
- 2008-01-29 US US12/021,747 patent/US20080222109A1/en not_active Abandoned
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013012112A (ja) * | 2011-06-30 | 2013-01-17 | Fujitsu Ltd | データ抽出方法及びデータ抽出装置 |
JP2015049790A (ja) * | 2013-09-03 | 2015-03-16 | 株式会社東芝 | 系列データ分析装置及プログラム |
US11568177B2 (en) | 2015-01-19 | 2023-01-31 | Kabushiki Kaisha Toshiba | Sequential data analysis apparatus and program |
Also Published As
Publication number | Publication date |
---|---|
US20080222109A1 (en) | 2008-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2008220511A (ja) | 時系列パターン発見装置、方法およびプログラム | |
Thawonmas et al. | Visualization of online-game players based on their action behaviors | |
Schaeffer et al. | Checkers is solved | |
Navlakha et al. | Network archaeology: uncovering ancient networks from present-day interactions | |
JP4893624B2 (ja) | データのクラスタリング装置、クラスタリング方法及びクラスタリング用プログラム | |
Jiang et al. | Polynomial-time computation of exact correlated equilibrium in compact games | |
Kaliakatsos-Papakostas et al. | Probabilistic harmonization with fixed intermediate chord constraints. | |
Neill et al. | Detecting significant multidimensional spatial clusters | |
US9952857B2 (en) | Cross-validation based code feature tagging | |
JP6917942B2 (ja) | データ分析サーバ、データ分析システム、及びデータ分析方法 | |
Snir et al. | Short quartet puzzling: a new quartet-based phylogeny reconstruction algorithm | |
Healy et al. | Characterization of graphs using degree cores | |
KR102153161B1 (ko) | 확률 그래프 기반의 서열 데이터 연관성 학습 방법 및 시스템 | |
Williams et al. | Identifying desirable game character behaviours through the application of evolutionary algorithms to model-driven engineering metamodels | |
US11068796B2 (en) | Pruning process execution logs | |
JP6091448B2 (ja) | トピックモデリング装置、トピックモデリング方法、トピックモデリングプログラム | |
Esgin et al. | Sequence alignment adaptation for process diagnostics and delta analysis | |
JP2016153983A (ja) | 時系列パターン抽出装置、時系列パターン抽出方法および時系列パターン抽出プログラム | |
Jose et al. | Bayesian network structure learning using case-injected genetic algorithms | |
Karlsson et al. | Conceptual model and system for genre-focused interactive storytelling | |
Makanju et al. | Interactive learning of alert signatures in high performance cluster system logs | |
JP4924177B2 (ja) | プログラム難読化装置及びプログラム | |
KR101510990B1 (ko) | 노드 오더링 방법 및 그 장치 | |
Kinzett et al. | Analysis of building blocks with numerical simplification in genetic programming | |
US11521088B2 (en) | Process tree discovery using a probabilistic inductive miner |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081216 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090205 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090519 |
|
A762 | Written abandonment of application |
Free format text: JAPANESE INTERMEDIATE CODE: A762 Effective date: 20090702 |