JP2009087235A - モデル構築装置並びにモデル構築のための方法およびプログラム - Google Patents
モデル構築装置並びにモデル構築のための方法およびプログラム Download PDFInfo
- Publication number
- JP2009087235A JP2009087235A JP2007258918A JP2007258918A JP2009087235A JP 2009087235 A JP2009087235 A JP 2009087235A JP 2007258918 A JP2007258918 A JP 2007258918A JP 2007258918 A JP2007258918 A JP 2007258918A JP 2009087235 A JP2009087235 A JP 2009087235A
- Authority
- JP
- Japan
- Prior art keywords
- model
- probability
- information
- parameter
- geospatial
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】評価対象の性質を数値によって表した変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データと、変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報と、地理空間における位置毎に適用するべき確率モデルを表した適用モデル情報とを用意し、前記適用モデル情報に基づき、同一または異なる2つの確率モデルからなる各組について2つの確率モデル間の依存性を数値によって表したモデル依存性情報を計算し、複数の確率モデルのパラメータとモデル依存性情報との組に対する地理空間データの尤度が高くなるように、地理空間における位置毎に適用するべき確率モデルを選択し、前記適用モデル情報を更新し、地理空間データにおいて同一の確率モデルが適用される複数の各グループの各々に対応する確率モデルのパラメータを最適化し、前記パラメータ情報を更新する。
【選択図】図2
Description
Finite Mixture Models, Wiley-Interscience, ISBN: 0471006262 Image Analysis, Random Fields and Markov Chain Monte Carlo Methods: A Mathematical Introduction, Springer, ISBN: 3540442138 Mark S. Kaiser, Noel Cressie, Jaehyung Lee, Spatial Mixture Models based on Exponential Family Conditional Distributions, Statistica Sinica 12, pages 449-474, 2002.
評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段と、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段と、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段と、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性算出手段と、
前記モデル依存性算出手段によって算出された前記モデル依存性情報を記憶するモデル依存性情報記憶手段と、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択手段と、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習手段と、
を備える。
評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段と、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段と、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段と、
を準備する準備ステップと、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性情報算出ステップと、
前記モデル依存性情報をモデル依存性情報記憶手段に記憶するステップと、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択ステップと、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習ステップと、
を備える。
評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段にアクセスするステップと、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段にアクセスするステップと、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段にアクセスするステップと、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性算出ステップと、
前記モデル依存性情報をモデル依存性情報記憶手段に記憶するステップと、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択ステップと、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習ステップと、
を備える。
Claims (9)
- 評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段と、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段と、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段と、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性算出手段と、
前記モデル依存性算出手段によって算出された前記モデル依存性情報を記憶するモデル依存性情報記憶手段と、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択手段と、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習手段と、
を備えたモデル構築装置。 - 前記モデル依存性算出手段は、さらに、前記更新された適用モデル情報に基づき、前記モデル依存性情報を算出し、算出したモデル依存性情報を示すように前記モデル依存性情報記憶手段内の前記モデル依存性情報を更新し、
前記確率モデル選択手段は、更新されたパラメータ情報と、更新されたモデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを選択する、
ことを特徴とする請求項1に記載のモデル構築装置。 - 前記少なくとも1つの変数は、L(Lは2以上の整数)個の変数を含み、
前記確率モデルは、L−S(Sは1以上の整数)個の前記変数が与えられたときの残りのS個の前記変数の確率分布をモデル化したものである、
ことを特徴とする請求項1または2に記載のモデル構築装置。 - 前記モデル依存性算出手段は、
前記適用モデル情報から各前記確率モデルの頻度を1次頻度情報として算出し、
前記地理空間における各前記位置の確率モデルと、各前記位置の前記近傍範囲に含まれる前記近傍位置の前記確率モデルとの組を求めることにより、前記同一または異なる前記2つの確率モデルの各組の頻度を2次頻度情報として算出し、
前記1次頻度情報と前記2次頻度情報とを用いて、前記モデル依存性情報を算出する、
ことを特徴とする請求項1ないし3のいずれか一項に記載のモデル構築装置。 - 前記モデル依存性算出手段は、
前記1次頻度情報から、前記同一または異なる前記2つの確率モデルからなる各組の頻度の期待値を算出し、
各前記組の頻度の期待値と、前記2次頻度情報に示される各前記組の頻度との差に基づいて、前記モデル依存性情報を算出する、
ことを特徴とする請求項4に記載のモデル構築装置。 - 前記確率モデル選択手段は、
前記地理空間における前記位置毎に、前記複数の確率モデルの各々に対する前記変数の乖離値を算出し、
前記地理空間における前記位置毎に、前記適用モデル情報に示される前記確率モデルを他の確率モデルに変更したとして、(1)前記乖離値の差分を算出し、(2)前記同一または異なる前記2つの確率モデルからなる各組の頻度の変動量を算出し、(3)前記各組について算出した頻度の変動量に、各前記組に対応する依存性値を乗算し、(4)各前記組に対して得られた乗算値を加算し、
前記乖離値の差分と、加算値と、を用いた演算を行い、
演算値が閾値を満たすとき前記適用モデル情報に示される前記確率モデルを前記他の確率モデルに変更することを決定する、
ことを特徴とする請求項4または5に記載のモデル構築装置。 - 前記複数の確率モデルは3つ以上の確率モデルを含み、
前記確率モデル選択手段は、
2つ以上の前記他の確率モデルの各々について前記演算値を求め、
前記閾値を満たす前記他の確率モデルが複数あるときは、最大または最小の演算値が得られた前記他の確率モデルへの変更を決定する、
ことを特徴とする請求項6に記載のモデル構築装置。 - 評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段と、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段と、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段と、
を準備する準備ステップと、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性情報算出ステップと、
前記モデル依存性情報をモデル依存性情報記憶手段に記憶するステップと、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択ステップと、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習ステップと、
を備えたモデル構築方法。 - 評価対象の性質を数値によって表した少なくとも1つの変数と、地理空間における位置を示す位置データとを含む複数の事例を有する地理空間データを記憶する地理空間データ記憶手段にアクセスするステップと、
前記変数の確率分布をモデル化した複数の各確率モデルのパラメータを表すパラメータ情報を記憶するパラメータ記憶手段にアクセスするステップと、
前記地理空間における前記位置毎に適用するべき前記確率モデルを表した適用モデル情報を記憶する適用モデル情報記憶手段にアクセスするステップと、
前記地理空間内の各前記位置に適用されるべき確率モデルと、前記地理空間内の各前記位置に対してあらかじめ定義した近傍範囲に含まれる1つ以上の近傍位置に適用される確率モデルとの関係に基づいて、同一または異なる2つの前記確率モデルからなる各組について前記2つの確率モデル間の依存性を数値によって表したモデル依存性情報を算出するモデル依存性算出ステップと、
前記モデル依存性情報をモデル依存性情報記憶手段に記憶するステップと、
前記パラメータ情報と前記モデル依存性情報との組に対する前記地理空間データの尤度が高くなるように、前記地理空間における位置毎に適用するべき前記確率モデルを前記複数の確率モデルの中から選択し、前記位置毎に選択した前記確率モデルを示すように前記適用モデル情報を更新する確率モデル選択ステップと、
前記更新された適用モデル情報に基づき、前記地理空間データを、同一の確率モデルが適用される複数のグループに分割し、あらかじめ与えられたモデル規範を最大化するように、前記複数のグループの各々に対応する前記確率モデルのパラメータを学習し、各前記確率モデルの学習されたパラメータを示すように前記パラメータ情報を更新するパラメータ学習ステップと、
を備えたモデル構築プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007258918A JP5175515B2 (ja) | 2007-10-02 | 2007-10-02 | モデル構築装置並びにモデル構築のための方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007258918A JP5175515B2 (ja) | 2007-10-02 | 2007-10-02 | モデル構築装置並びにモデル構築のための方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009087235A true JP2009087235A (ja) | 2009-04-23 |
JP5175515B2 JP5175515B2 (ja) | 2013-04-03 |
Family
ID=40660546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007258918A Expired - Fee Related JP5175515B2 (ja) | 2007-10-02 | 2007-10-02 | モデル構築装置並びにモデル構築のための方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5175515B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050685A (ja) * | 2010-09-01 | 2012-03-15 | National Institute Of Information & Communication Technology | 周期的情報抽出方法 |
JP2014085774A (ja) * | 2012-10-23 | 2014-05-12 | Hitachi Ltd | 寿命予測における地域傾向抽出方法 |
JP2016162270A (ja) * | 2015-03-03 | 2016-09-05 | 三菱電機株式会社 | 接近検出装置及び接近検出方法 |
US10579933B2 (en) | 2014-12-18 | 2020-03-03 | International Business Machines Corporation | Processing apparatus, processing method, estimating apparatus, estimating method, and program |
WO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 | 日本電気株式会社 | 分析装置、分析方法及び記憶媒体 |
WO2022219997A1 (ja) * | 2021-04-14 | 2022-10-20 | 日立建機株式会社 | 故障予測システム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092494A (ja) * | 2003-09-17 | 2005-04-07 | Pasuko:Kk | 類似点検索方法 |
-
2007
- 2007-10-02 JP JP2007258918A patent/JP5175515B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092494A (ja) * | 2003-09-17 | 2005-04-07 | Pasuko:Kk | 類似点検索方法 |
Non-Patent Citations (2)
Title |
---|
JPN6012049930; Shashi Shekhar, et al.: 'Spatial Contextual Classification and Prediction Models for Mining Geospatial Data' IEEE Transactions on Multimedia vol.4, no.2, 200206, p.174-188 * |
JPN6012049931; Mark S. Kaiser, et al.: 'SPATIAL MIXTURE MODELS BASED ON EXPONENTIAL FAMILY CONDITIONAL DISTRIBUTIONS' Statistica Sinica vol.12, no.2, 200204, p.449-474 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050685A (ja) * | 2010-09-01 | 2012-03-15 | National Institute Of Information & Communication Technology | 周期的情報抽出方法 |
JP2014085774A (ja) * | 2012-10-23 | 2014-05-12 | Hitachi Ltd | 寿命予測における地域傾向抽出方法 |
US10579933B2 (en) | 2014-12-18 | 2020-03-03 | International Business Machines Corporation | Processing apparatus, processing method, estimating apparatus, estimating method, and program |
US11227228B2 (en) | 2014-12-18 | 2022-01-18 | International Business Machines Corporation | Processing apparatus, processing method, estimating apparatus, estimating method, and program |
JP2016162270A (ja) * | 2015-03-03 | 2016-09-05 | 三菱電機株式会社 | 接近検出装置及び接近検出方法 |
WO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 | 日本電気株式会社 | 分析装置、分析方法及び記憶媒体 |
JPWO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 | ||
JP7375915B2 (ja) | 2020-03-31 | 2023-11-08 | 日本電気株式会社 | 分析装置、分析方法及びプログラム |
WO2022219997A1 (ja) * | 2021-04-14 | 2022-10-20 | 日立建機株式会社 | 故障予測システム |
Also Published As
Publication number | Publication date |
---|---|
JP5175515B2 (ja) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fuhg et al. | State-of-the-art and comparative review of adaptive sampling methods for kriging | |
Mersmann et al. | A novel feature-based approach to characterize algorithm performance for the traveling salesperson problem | |
Konishi et al. | Information criteria and statistical modeling | |
US10916333B1 (en) | Artificial intelligence system for enhancing data sets used for training machine learning-based classifiers | |
Sergeyev et al. | A deterministic global optimization using smooth diagonal auxiliary functions | |
Chen et al. | Uncertainty-aware multidimensional ensemble data visualization and exploration | |
JP5175515B2 (ja) | モデル構築装置並びにモデル構築のための方法およびプログラム | |
CN109194707B (zh) | 分布式图嵌入的方法及装置 | |
Sheth | Transforming big data into smart data: Deriving value via harnessing volume, variety, and velocity using semantic techniques and technologies | |
CA2750093A1 (en) | Method for computing and storing voronoi diagrams, and uses therefor | |
CN109063041B (zh) | 关系网络图嵌入的方法及装置 | |
Petelin et al. | Optimization of Gaussian process models with evolutionary algorithms | |
WO2014199920A1 (ja) | 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体 | |
CN112187554A (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN109919172A (zh) | 一种多源异构数据的聚类方法及装置 | |
US10049479B2 (en) | Density based graphical mapping | |
Darwiche et al. | A local branching heuristic for solving a graph edit distance problem | |
Sarkar et al. | Terminus enables the discovery of data-driven, robust transcript groups from RNA-seq data | |
Horn et al. | Surrogates for hierarchical search spaces: The wedge-kernel and an automated analysis | |
EP3188049A1 (en) | Density based graphical mapping | |
JP6995717B2 (ja) | 施策探索装置、方法およびプログラム | |
Bossek et al. | Evolving instances for maximizing performance differences of state-of-the-art inexact TSP solvers | |
Bauckhage | A Purely Geometric Approach to Non-Negative Matrix Factorization. | |
WO2019181313A1 (ja) | 組み合わせ探索システム、情報処理装置、方法およびプログラム | |
Escalante et al. | Methodological issues in modern track analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20101001 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120925 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121126 |
|
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: 20121214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130107 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5175515 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160111 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |