JP2012027880A - 情報分析方法、計算機システム及び情報分析プログラム - Google Patents

Abstract

【課題】解析対象のデータから、対象分野の専門知識や経験に依存しない、大量の特徴量を算出することができる情報分析方法等を提供する。
【解決手段】入力された時系列データを解析することによって、所定の目的変数に対する影響度の高い特徴量を特定する情報分析方法であって、入力された時系列データをメモリに格納する第１手順と、メモリに格納された時系列データの波形の特徴を示す複数の特徴量を導出する第２手順と、メモリに格納された時系列データの構造の特徴を示す複数の特徴量を導出する第３手順と、導出された複数の特徴量と、所定の目的変数との相関を分析することにより、所定の目的変数に対する影響度の高い特徴量を特定する第４手順と、を含む。
【選択図】図４

Description

本発明は、情報分析方法に関し、特に、与えられた目的変数に対する影響度の高い影響因子を特定する技術に関する。

近年、名札型や腕時計型のセンサノードのようなウェアラブルなセンサ（センシングデバイス）の小型、軽量化が進み、使用者はこれらのセンサを大きな負荷なく常時装着することが可能になっている。この結果、研究者は「組織における人々のコミュニケーションや行動の様子」や「歩行、睡眠などの生活リズム」を反映する大量、多種かつ長期間の時系列データを取得することが可能になった。また研究者は、これらの大量、多種かつ長期間の時系列データを解析することにより、これまで解明できなかった人間の行動に関する新しい知見を得ることができる。この新しい知見は、新しいサービスや経営に応用可能である。

一方、交通インフラにおいて電子乗車券の利用により蓄積される乗降ログデータや、日常生活において携帯電話のＧＰＳナビゲーションアプリの利用により蓄積される位置情報等の自然に蓄積されるログデータの量も膨大になっている。これらの膨大なデータも時系列データであり、データセンタのような大容量サーバに時々刻々と蓄積されている。サービス事業者は、これらの大量のログデータを解析することにより、駅構内の店舗配置やナビゲーションアプリのサービスの質の改善等、サービスや経営に関する貴重な知見を得ることができる。

このような膨大なデータを効率的に解析するために、データ解析プログラムを効率的に動作させ迅速に解析結果を導出するための計算機環境に関する研究が進んでいる。例えば、画像処理用のプロセッサユニットであるＧＰＵ（Graphics Processing Unit）を用いて高速に分析アルゴリズムを駆動させる方法や、高価でない並みの処理能力を持つ安価なコンピュータを多数連結し、計算処理を分散させることにより、高速に演算結果を返す仕組み等である。また、このようなデータを解析する技術として特許文献１に開示された技術が知られている。

特開２００６−３１８２６３号公報

上述したように、ウェアラブルなセンサによって計測される時系列データや、日常生活において自然に蓄積されるログデータを解析することにより、人間の行動メカニズムに関する知見を取得し、取得された知見をビジネスに反映させることができる。

このような知見を取得するために、人間科学、サービス科学、経済学及び心理学等の分野では、機械学習、パターン認識、データマイニング等の統計的な解析手法を用いて、解析対象のデータを帰納的に解析する方法が採用されている。すなわち、統計的な解析手法によって解析対象のデータを説明するモデルを構築し、構築されたモデルに基づいて人間の行動を予測する方法である。モデルを構築する際には、解析対象のデータを特徴づける量を数次元、数十次元又はそれ以上の次元の特徴量として生成し、生成された特徴量に基づいてモデルを構築する。

しかしながら、モデルを構築する際にどのような特徴量を用いるかは、対象分野の専門家の知見や、対象分野に関する経験的な知見に基づき決定されることが多い。例えば経済学者が市場動向を予測するためにある指標を選択する場合、この経済学者は、他の人々がその指標を用いることで経済状況をおおよそ予測できるという前提に立っている。そのため、この前提では、専門家の知識以外に、データに潜在している可能性のある重要な因子や指標を見落としてしまう問題がある。

この問題は、解析対象のデータが上述のような大量、多種かつ長時間の時系列データである場合に、特に懸念される。このような解析対象のデータは、それまでの経験や知識には含まれないデータ及びデータに含まれる潜在的な特徴量を有している可能性が高いためである。

本発明は、上述した課題を考慮したものであって、解析対象のデータから、対象分野の専門知識や経験に依存しない、大量の特徴量を算出することができる情報分析方法、計算機システム及び情報分析プログラムを提供することを目的とする。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、プログラムを実行するプロセッサと、前記プロセッサによって実行されるプログラムを格納するメモリとを備えた計算機システムにおいて、入力された時系列データを解析することによって、所定の目的変数に対する影響度の高い特徴量を特定する情報分析方法であって、前記プロセッサが、入力された時系列データを、前記メモリに格納する第１手順と、前記プロセッサが、前記メモリに格納された時系列データに基づいて、当該時系列データの波形の特徴を示す複数の特徴量を導出する第２手順と、前記プロセッサが、前記メモリに格納された時系列データに、当該時系列データの構造に応じて予め定義された構造に関するルールを適用することによって、当該時系列データの構造の特徴を示す複数の特徴量を導出する第３手順と、前記プロセッサが、前記第２手順及び前記第３手順で導出された複数の特徴量と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い特徴量を特定する第４手順と、を含むことを特徴とする。

本発明によれば、解析対象のデータから、対象分野の専門知識や経験に依存しない、大量の特徴量を算出することができる。また、このようにして算出された大量の特徴量を用いることによって、説明したい目的変数に対する影響度の高い特徴量を適切に特定することが可能になる。

従来の一般的な影響因子特定方法の概要を示す図である。 本発明の実施の形態の影響因子特定方法の概要を示す図である。 本発明の実施の形態の時間に関するルールを用いて特徴量を導出する処理の概要を説明する図である。 本発明の実施の形態の構造に関するルールを用いて特徴量を導出する処理の概要を説明する図である。 本発明の実施の形態の構造に関するルールの一例を示す図である。 本発明の実施の形態の第１の例の計算機システムの構成を示す図である。 本発明の実施の形態の第１の例の解析対象の時系列データの一例を示す図である。 本発明の実施の形態の第１の例の構造に関するルールの一例を示す図である。 本発明の実施の形態の第１の例の時間に関するルールの一例を示す図である。 本発明の実施の形態の第１の例において導出される特徴量を説明する図である。 本発明の実施の形態の第１の例の分析結果を説明する図である。 本発明の実施の形態の第１の例の制御ロジックを示すフローチャートである。 本発明の実施の形態の第２の例の計算機システムの構成を示す図である。 本発明の実施の形態の第２の例の解析対象の時系列データの一例を示す図である。 本発明の実施の形態の第２の例の時間に関するルールの一例を示す図である。 本発明の実施の形態の第２の例の構造に関するルールの一例を示す図である。 本発明の実施の形態の第２の例において導出される特徴量を説明する図である。 本発明の実施の形態の第２の例の分析結果を説明する図である。 本発明の実施の形態の第２の例の制御ロジックを示すフローチャートである。

以下、本発明の実施の形態について、図面を参照して説明する。

図１Ａは、従来の一般的な影響因子特定方法（情報分析方法）の概要を示す図である。図１Ｂは、本発明の実施の形態の影響因子特定方法（情報分析方法）の概要を示す図である。

図１Ａを用いて、一般的な影響因子特定方法、すなわち一つの目的変数１０１（ｙ）を説明する複数の説明変数（ｘ１、ｘ２、…、ｘｎ）１０３から、重要な説明変数１０３を特定する方法について説明する。

目的変数１０１は、説明したい変数（注目している変数）である。説明変数１０３は、目的変数１０１を説明するために用いられる変数である。目的変数１０１が例えば「組織の生産性」である場合、複数の説明変数１０３から、「組織の生産性」を向上させるために有効な説明変数１０３を特定する。

説明変数１０３は、対象分野の専門知識や経験等によって導出される指標であり、一般的に少数の変数である。一般的な影響因子特定方法では、これらの説明変数１０３と目的変数１０１との相関係数１０４を計算することにより、目的変数１０１に対する重要な説明変数１０３を求める。しかしながら、この方法では、説明変数１０３が専門知識等の偏りを含む可能性があること及び説明変数１０３が少数であること等の理由で、解析対象の目的変数１０１の特徴を正しく捉えていない可能性がある。

次に、図１Ｂを用いて、本発明の実施の形態の影響因子特定方法、すなわち一つの目的変数１０２（ｙ）を説明する複数の説明変数（ｖ１、ｖ２、…、ｖｎ）１０５から、重要な説明変数１０５を特定する方法について説明する。

目的変数１０２は、説明したい変数（注目している変数）である。説明変数１０５は、目的変数１０２を説明するために用いられる変数である。潜在因子１０６は、複数の説明変数１０５に対して共通的な要素を持つ潜在的な因子である。

説明変数１０５は、前述の説明変数１０３に相当する指標（対象分野の専門知識や経験等によって導出される指標）に加え、解析対象の時系列データから、後述するルールに基づいて導出される指標を含む。すなわち、説明変数１０５は、前述の説明変数１０３には含まれない、予想もされなかった特徴を反映した特徴量（説明変数）を含む。

潜在因子１０６は、複数の説明変数１０５に対する共通的な要素を持つ潜在的な因子（特徴量）である。このような潜在因子１０６は、例えば因子分析と呼ばれる統計分析の手法等によって導出される。因子分析は、大量の特徴量からいくつかの代表的な因子を特定する手法である。この手法により、例えば１０００個の説明変数１０５から、数個程度の潜在因子１０６を導出することができる。潜在因子１０６は、解析対象の時系列データの特徴を反映する要素であり、また対象分野の専門知識以外のルールに基づいて抽出される特徴を含む。

その後、導出された潜在因子１０６と、目的変数１０２との相関を分析することにより、相関係数１０７を算出する。その後、算出された相関係数１０７を用いて、目的変数１０２に対する影響度の高い潜在因子１０６（以降、このような潜在因子を「影響因子」という。）を特定する。

本発明の実施の形態では、まず解析対象の時系列データから、説明変数１０５を自動的に導出する。ここでいう説明変数１０５は、前述のように、図１Ａの説明変数１０３に相当する特徴量に加え、解析対象の時系列データから、後述するルールに基づいて導出される指標を含む。次に導出された説明変数１０５から、因子分析等の手法によって潜在因子１０６を導出する。その後、導出された潜在因子１０６と、目的変数１０２との相関を分析することにより、影響因子１０６を特定する。

なお、本発明の実施の形態では、波形の時系列データから特徴量を導出する場合、時間に関するルールと構造に関するルールとを定義し、定義されたルールに基づいて、時系列データから特徴量を導出する。

時間に関するルールとは、例えばある時刻ｔ１、ｔ２におけるデータの差、すなわち時刻ｔ１における観測値データｖ１と、時刻ｔ２における観測値データｖ２との差Δｖ＝ｖ
２−ｖ１を特徴量としたり、別の時刻ｔ３、ｔ４におけるデータの差Δｖ’＝ｖ４−ｖ３
と、Δｖとの差ΔΔｖ＝Δｖ−Δｖ’を特徴量としたりする、というルールである。すな
わち、解析対象の時系列データの一階差分、二階差分を算出する、というルールである。なお、解析対象の時系列データの一階微分、二階微分を算出する、というルールであってもよい。このような時間に関するルールは、いかなる種類の時系列データに対しても適用可能である。

一方、構造に関するルールとは、例えばウェアラブルなセンサによって測定されるデータに基づいて、組織の結束度という特徴量を導出する、というルールである。組織の結束度という特徴量は、測定されるデータのうちの対面情報（対面人数や対面時間等の行動データ）に基づいて定義することができる。一旦、このような構造に関するルールを定義すれば、ウェアラブルなセンサによって測定されるデータに基づいて組織の結束度等の特徴量を自動的に計算することができる。

なお、時系列データに対して構造に関するルールを適用する場合、導出される特徴量も時系列データである。そのため、構造に基づくルールを適用することによって導出される特徴量に対して、さらに時間に関するルールを適用することによって、新たな特徴量を生成することができる。

本発明の実施の形態では、あらゆる種類の時系列データに適用可能な時間に関するルール及び構造に基づくルールを予め定義し、定義されたこれらのルールに基づいて特徴量を導出する。これにより、対象分野の専門知識や経験等を用いずに、大量の特徴量を自動的に算出することができる。

図２は、本発明の実施の形態の時間に関するルールを用いて特徴量を導出する処理の概要を説明する図である。図２を用いて、時系列データ２０１から時間に関するルールを用いて特徴量を導出する処理の例を説明する。

図２に示す解析対象の時系列データ２０１は、ウェアラブルなセンサによって取得される日時や加速度の周波数や音声等を含む時系列データ、交通システムにおいて電子乗車券等の利用により蓄積される日時や乗降駅を含む時系列データ、又は、携帯電話のＧＰＳナビゲーションアプリ（位置情報サービス）の利用により蓄積される時間、緯度、経度等を含む時系列データである。時系列データ２０１は、図２に示すように、一方が時間軸の波形データである。この時系列データ２０１に対して、時間に関するルール２０７を適用することによって、特徴量（ｖ１、ｖ２、…、ｖｎ）２０８を導出する。

図２に示す例では、特徴量ｖ１は、ある時刻ｔ１と時刻ｔ２のそれぞれにおけるデータ値の差ｖ１（２０４）である。すなわち、第一の時間間隔Δｔ２０２におけるデータ値の
差分であり、波形データの時間に関する一階差分である。同様に、特徴量ｖ２は、別のある時刻ｔ３と時刻ｔ４のそれぞれにおけるデータ値の差ｖ２（２０５）である。すなわち、前述の第一の時間間隔Δｔ２０２と異なる第二の時間間隔Δｔ’２０３におけるデータ
値の差分であり、波形データの時間に関する一階差分である。このように、時間間隔を変更することによって、異なる特徴量ｖ１、ｖ２を導出することができる。第一の時間間隔Δｔ２０２、第二の時間間隔Δｔ’２０３は、それぞれ例えば１秒、１時間等であってよ
い。一方、特徴量ｖ３は、時刻ｔ５における時系列データ２０１の傾き、すなわち波形データの時間に関する一階微分ｄ／ｄｔ（２０６）である。

なお、特徴量は、時間軸方向の一階差分、一階微分に基づいて算出される以外に、時間軸方向の二階差分（時間方向の差の差）、二階微分（傾きの変化の割合）に基づいて算出されてもよい。例えば、時刻ｔ４が現在日、時刻ｔ３が一日前、時刻ｔ２が二日前、時刻ｔ１が三日前である場合、時間軸方向の二階差分で示される特徴量は、現在日と一日前の間のデータ値の増減量ｄ１と、二日前と三日前の間のデータ値の増減量ｄ２との差ｄ１−ｄ２（データ値の増減量の差）である。

また、特徴量は、時間に関する別のルール、すなわち、ある時間間隔（第一の時間間隔Δｔ２０２、第二の時間間隔Δｔ'２０３等）における観測値データの合計、平均、分散
等を集計した基本統計量を特徴量とするというルールに基づいて算出してもよい。例えば、この別のルールを一日毎に取得される観測値データに適用することによって、観測値データの一日毎の平均、分散、合計の３つの特徴量を算出することができる。すなわち、ある観測値データ、例えば対面人数に基づいて、対面人数の平均、対面人数の分散、対面人数の合計の３つの特徴量を算出することができる。なお、時間間隔を一日毎ではなく例えば３時間毎にすることによって、１つの観測値データから２４個の特徴量を算出することができる。また、時間に関するルール２０７は、上記したルールに限らず、例えば時系列データに対して短時間フーリエ変換を施すというルールでもよい。

このように特徴量２０８が導出された後、導出された特徴量２０８（２１０）に対する因子分析等の手法によって、潜在因子２１１が導出される。例えば、１０００個の特徴量２１０に基づいて、数個程度（例えば３個）の潜在因子２１１が導出される。その後、導出された潜在因子２１１と、目的変数２０９との相関を分析し、相関係数２１２を算出する。これにより、目的変数２０９に対する影響因子２１１を特定する。

図３Ａは、本発明の実施の形態の構造に関するルールを用いて特徴量を導出する処理の概要を説明する図である。図３Ａでは、組織における人のつながりを、ネットワーク構造で示している。図３Ａに示すネットワーク構造は、組織における人を示すノード３０１と、人と人との対面関係や音声対話関係を示すリンク３０２から構成される。

組織を構成する人々は、ウェアラブルなセンサ（ここでは名札型センサノード）を常時装着している。図３Ａに示すネットワーク構造は、この名札型センサノードによって測定されるデータ（加速度データ、対面情報、音声情報等）に基づいて生成される。

なお、この名札型センサノードは、加速度センサを内蔵しており、内蔵された加速度センサによって取得された周波数データに基づいて、当該名札型センサノードの装着者の状態（安静中、活動中、歩行中、デスクワーク中、又は運動中、等）を判別することができる。また、この名札型センサノードは、赤外線通信機能を備えており、この赤外線通信機能により、対面した人のユーザＩＤや対面時間を記録することができる。さらに、この名札型センサノードは、指向性を有する内蔵マイクを備えており、この内蔵マイクにより、装着者の発する音声情報を録音することができる。ただし、プライバシーの観点から、音声内容ではなく、音声のエネルギー値（パワー）等の音声内容が不明な特徴量を録音してもよい。

図３Ａに示すネットワーク構造において、リンク３０２の太さが太いほど、ノード３０１間のつながりが強いことを示す。図３Ａに示すネットワーク構造が組織の構造である場合、ノード３０１は組織を構成する人の名前であり、リンク３０２の太さは対面時間である。リンク３０２には、対面時間を示す数値が併記されてもよい。なお、図３Ａから、最も多い人数（５人）とつながりのあるＡさんが組織のリーダーである等の構造の特徴を読み取ることができる。

図３Ｂは、本発明の実施の形態の構造に関するルールの一例を示す図である。図３Ｂでは、構造に関するルールの一例を表３０３で示している。図３Ｂに示す表３０３の各カラムは、ルール内容３０４と、ルール内容３０４に示すルールに基づいて算出される特徴量の名前３０５と、ルール内容３０４に示すルールに基づいて算出される特徴量の値３０６とを含む。

図３Ａに示すネットワーク構造は、時々刻々と変化する。例えば、組織全体のリンク数やリンクの太さは、仕事の状態や組織を構成する人々の状態等に応じて時々刻々と変化する。

図３Ｂの表３０３に示すように、「リンクの数を数える」というルールに基づいて算出される特徴量「結束度」は、図３Ａの時点では７である。「ひとつのノードに連結するリンクの最大数を数える」というルールに基づいて算出される特徴量「リーダーシップ度」は、図３Ａの時点では４である。これは、４本のリンクが張られているＡさんが、Ｄさん（３本）、ＣさんとＥさん（２本）、ＢさんとＦさん（１本）に比べて、多くのノードに連結しているためである。そのため、最も多いリンクが張られたノードのリンクの数をリーダーシップ度として定義すれば、リンクの最大数を数えるというルールに基づいて、特徴量「リーダーシップ度」を算出することができる。

また、「リーダー（ここではＡさん）からの最長ステップ数（何本のリンクを辿れば末端ノードに到達できるか）を数える」というルールに基づいて算出される特徴量「チームワーク度」は、図３Ａの時点では２である。また、「リンクの平均の太さを計算する」というルールに基づいて算出される特徴量「コミュニケーション度」は、図３Ａの時点では１．５３である。

なお、図３Ｂの表３０３では、４例の構造に関するルールを示しているが、他のルールであってもよい。また図３Ａでは、解析対象の構造がネットワーク構造である場合を例に説明したが、この場合に限らない。例えば、管理の観点から見た階層型のツリー構造、空間を所定の区間で区切ったメッシュ構造であってもよい。

なお、構造に関するルールを用いて導出される特徴量は、時系列データである。そのため、導出された特徴量に対して、前述の時間に関するルールを適用することによって、新たな特徴量を導出してもよい。

本発明の実施の形態の影響因子特定方法では、解析対象が特定の構造（ネットワーク構造、ツリー構造、メッシュ構造等）を持つ時系列データである場合に、時間に関するルールと、構造に関するルールを用いることによって、対象分野の専門知識や経験を必要としない特徴量を導出する。その後、導出された特徴量に基づいて潜在因子を導出し、導出された潜在因子と目的変数との相関を分析する。その後、目的変数に対する影響因子を特定する。以下、２つの具体例を用いて説明する。

（第１の例：ビジネス顕微鏡）
第１の例では、名札型センサノード等のウェアラブルなセンサによって取得された時系列の情報（歩数、対面人数、組織のネットワーク構造から導出される結束度、リーダーシップ度等の組織行動を表す指標等）を用いて、組織における人の行動を分析する場合を例に説明する。

図４は、本発明の実施の形態の第１の例の計算機システム１の構成を示す図である。計算機システム１は、それぞれバスで相互に接続された表示装置９０５、入力装置９０６、通信装置９０７、ＣＰＵ９０８、ハードディスク９０９、メモリ９１０を備える。

表示装置９０５は、ユーザインターフェースを提供する出力装置（例えばディスプレイ）である。入力装置９０６は、ユーザインターフェースを提供する入力装置（例えばキーボード、マウス）である。この入力装置９０６は、ＤＶＤ等の記録媒体に記録されたメディアデータ９０１を入力する。

通信装置９０７は、外部ネットワーク等に接続するためのインターフェース装置である。この通信装置９０７は、インターネット網９１５を介してデータ管理サーバ９０２に蓄積されたデータを入力する。なお、データ管理サーバ９０２には、名札型センサノード９０４によって取得される日時、加速度の周波数、音声、対面人数や対面時間等の時系列の情報が基地局９０３を介して送信され、蓄積される。

ＣＰＵ９０８は、メモリ９１０に格納されたプログラムを実行する演算処理装置である。ハードディスク９０９は、分析プログラム９１１やファイル、データ等を記憶する記憶装置である。メモリ９１０は、計算機システム１の起動時にハードディスク９０９に記憶された分析プログラム９１１等のプログラムを読み出して記憶するＲＡＭ等の記憶装置である。このメモリ９１０は、分析プログラム９１１等の実行に必要なファイル、データ等も記憶する。

分析プログラム９１１は、時間に関するルールや構造に関するルールに基づいて特徴量を算出する特徴量導出処理部９１２、特徴量導出処理部９１２によって算出された特徴量に基づいて潜在因子を導出する潜在因子導出処理部９１３、潜在因子導出処理部９１３によって導出された潜在因子と目的変数との相関を分析する相関分析処理部９１４を含む。

以上に示す構成により、計算機システム１において、解析対象の時系列データは、インターネット網９１５を介してデータ管理サーバ９０２から通信装置９０７に入力される、又は、ＤＶＤ等の記録媒体に記録されたメディアデータ９０１として入力装置９０６に入力される。

その後、入力装置９０６又は通信装置９０７に入力された解析対象の時系列データは、一旦、ハードディスク９０９に格納される。ハードディスク９０９に格納された時系列データは、当該時系列データの分析を行う際に、メモリ９１０に読み出される。その後、ＣＰＵ９０８が分析プログラム９１１を実行することによって、メモリ９１０に格納された解析対象の時系列データを分析する。

ＣＰＵ９０８が分析プログラム９１１を実行する場合、まず、特徴量導出処理部９１２が、時間に関するルールや構造に関するルールに基づいて、時系列データから特徴量を算出する。次に、潜在因子導出処理部９１３が、特徴量導出処理部９１２によって算出された特徴量に対して、例えば因子分析と呼ばれる統計的な手法等を用いることによって、共通する要素を持つ潜在的な因子を導出する。

その後、相関分析処理部９１４が、潜在因子導出処理部９１３によって導出された潜在因子と、与えられた目的変数との相関を計算することによって、目的変数に対する影響度の最も高い影響因子を特定する。

なお、分析プログラム９１１は、相関分析処理部９１４の処理によって得られる目的変数に対する影響因子と、相関係数などの目的変数と影響因子との関係を、表示装置９０５に表示させることができる。

図５Ａは、本発明の実施の形態の第１の例の解析対象の時系列データの一例を示す図である。解析対象の時系列データは、歩数データ１００１、対面人数データ１００２、音声データ１００３、状態データ１００４を含む。

第１の例の計算機システム１は、これらの解析対象の時系列データに基づいて、組織における人の行動を分析する。

歩数データ１００１は、名札型センサノードに内蔵された加速度センサによって取得される加速度データに基づいて算出される、歩数を示すデータである。

対面人数データ１００２は、名札型センサノードが備える赤外線通信機能（赤外線センサ）によって計測される、組織内の他人との対面人数を示すデータである。

音声データ１００３は、名札型センサノードが備える内蔵マイクによって録音される、装着者の発する音声情報である。この音声データ１００３は、プライバシーの観点から、音声内容ではなく、音声のエネルギー値（パワー）であってもよい。

状態データ１００４は、名札型センサノードに内蔵された加速度センサによって取得される加速度データに基づいて算出される、当該名札型センサノードの装着者の状態（１：睡眠中、２：静止中、３：歩行中、４：運動中、５：作業中、６：デスクワーク中）を示す情報である。

なお、歩数データ１００１、対面人数データ１００２、音声データ１００３、状態データ１００４は、名札型センサノードによって計測されたデータを加工することによって算出可能なデータ（指標）である。また、解析対象の時系列データは、図５Ａに示すデータ以外のデータであってもよい。

（第１の例の構造に関するルール）
図５Ｂは、本発明の実施の形態の第１の例の構造に関するルールの一例を示す図である。図５Ｂでは、構造に関するルールの一例を表形式で示している。図５Ｂに示す表の各カラム１００５、１００６は、ルール内容と、ルール内容に示すルールに基づいて算出される１サンプル当たりの特徴量の個数とを含む。

なお、図５Ｂにおけるリンクとは、図３Ａに示すネットワーク構造におけるリンク３０２を示す。また、ここでいう１サンプルとは、１日を単位として作成されるデータを意味するが、１時間又は１カ月等の期間を単位として作成されるデータであってもよい。

カラム１００５は、「リンクの数を数える」というルールに基づいて、各サンプル（この例では１日毎）における「リンクの数」を、１個の特徴量として算出できることを示す。なお、このような特徴量は、いわゆる「（組織の）結束度」を示す特徴量であると言い換えることができる。

カラム１００６は、「ひとつのノードに連結するリンクの最大数を数える」というルールに基づいて、各サンプル（この例では１日毎）における「リンクの最大数」を、１個の特徴量として算出できることを示す。なお、このような特徴量は、いわゆる「リーダーシップ度」を示す特徴量であると言い換えることができる。

以上のように、計算機システム１は、図５Ｂに示す構造に関するルールを用いることによって、合計２個の特徴量を導出することができる。なお、定義される時間に関するルールは、図５Ｂに示すルール以外の他のルールであってもよい。

（第１の例の時間に関するルール）
図５Ｃは、本発明の実施の形態の第１の例の時間に関するルールの一例を示す図である。図５Ｃでは、時間に関するルールの一例を表形式で示している。図５Ｃに示す表の各カラム１００７〜１０１１は、ルール内容と、ルール内容に示すルールに基づいて算出される１サンプル当たりの特徴量の個数とを含む。

ここでいう１サンプルとは、１日を単位として作成されるデータを意味するが、１時間又は１カ月等の期間を単位として作成されるデータであってもよい。

カラム１００７は、「歩数、対面人数、結束度、リーダーシップ度の合計、平均、分散を計算する」というルールに基づいて、各サンプル（この例では１日毎）についての、各々の指標（歩数、対面人数、結束度、リーダーシップ度）の合計、平均、分散を、４×３＝１２個の特徴量として算出できることを示す。

なお、歩数、対面人数は、解析対象の時系列データである。一方、結束度、リーダーシップ度は、解析対象の時系列データに、構造に関するルールを適用することによって、得られた時系列データである。つまり、計算機システム１は、解析対象の時系列データと、この解析対象の時系列データに構造に関するルールを適用した時系列データとの両方に、時間に関するルールを適用している。これは、より多くの特徴量を算出するためである。

カラム１００８は、「状態遷移（図５Ａの状態データ１００４の遷移）の合計を計算する」というルールに基づいて、各サンプル（この例では１日毎）における６状態の遷移パターンを、６×６＝３６個の特徴量として算出できることを示す。

カラム１００９は、「同じ状態（図５Ａの状態データ１００４）の連続時間の平均と分散を計算する」というルールに基づいて、各サンプル（この例では１日毎）における６状態の連続時間の平均と分散を、６×２＝１２個の特徴量として算出できることを示す。

カラム１０１０は、「カラム１００７、１００８、１００９に示すルールにより算出された６０個の特徴量に対して、時間に関する一階差分を計算する」というルールに基づいて、さらに６０個の特徴量を算出できることを示す。これは、サンプルが一日毎のデータである場合、一日前と現在日における観測値データの差が特徴量として算出されることを示す。

カラム１０１１は、「カラム１００７、１００８、１００９に示すルールにより導出された５７個の特徴量に対して、時間に関する二階差分を計算する」というルールに基づいて、さらに５７個の特徴量を算出できることを示す。これは、サンプルが一日毎のデータである場合、一日前と現在日の間の観測値データの差と、二日前と一日前の間の観測値データの差との差（時間方向の差の差）が、特徴量として算出されることを示す。

例えば、時刻ｔ４が現在日、時刻ｔ３が一日前、時刻ｔ２が二日前、時刻ｔ１が三日前である場合、特徴量は、現在日と一日前の間の観測値データの増減量ｄ１と、二日前と三日前の間の観測値データの増減量ｄ２との差ｄ１−ｄ２（観測値データの増減量の差）である。

以上のように、計算機システム１は、図５Ｂに示す構造に関するルールを用いることによって、結束度及びリーダーシップ度の指標を導出する。その後、これら結束度、リーダーシップ度と、歩数データ１００１、対面人数データ１００２、状態データ１００４（図５Ａ参照）とに対して、図５Ｃに示す時間に関するルールを用いることによって、合計１８０個の特徴量を導出することができる。なお、定義されるルールは、図５Ｂ及び図５Ｃに示すルール以外の他のルールであってもよい。

図６は、本発明の実施の形態の第１の例において導出される特徴量を説明する図である。図６では、各サンプルについて導出される１８０個の特徴量（図５Ｃ参照）を、マトリクス形式で示している。図６に示す表の各カラムは、日付１１０１と、特徴量１１０２〜１１０５とを含む。

日付１１０１は、各サンプルの日付である。図６に示す例では、３３０日分（３３０個）のサンプルを示している。

特徴量１１０２〜１１０５は、図５Ｃに示す１８０個の特徴量である。

図７は、本発明の実施の形態の第１の具体例の分析結果を説明する図である。図７では、図６に示す１８０個の特徴量（ｖ１、ｖ２、…、ｖ１８０）１２０１、これら１８０個の特徴量１２０１に基づいて導出される潜在因子１２０２、１２０３、潜在因子１２０２、１２０３と目的変数１２０５とに基づいて算出される相関係数１２０４、説明したい変数である目的変数１２０５の関係を示している。

計算機システム１は、１８０個の特徴量１２０１に対して、因子分析等の統計手法を適用することによって、１８０個の特徴量１２０１の共通的な要素を持つ２つの潜在因子１２０２、１２０３を導出する。

ここでの潜在因子１２０２、１２０３は、目的変数１２０５に関する経験的知識に基づかず、前述した時間に関するルールや構造に関するルールを適用することによって導出される潜在因子である。これら潜在因子１２０２、１２０３は、例えば「アクティブ度」、「静かな状態と活発な状態のメリハリ度」等である。

計算機システム１は、導出された潜在因子１２０２、１２０３と、与えられた目的変数１２０５との相関を分析することにより、相関係数１２０４を算出する。その後、算出された相関係数１２０４を用いて、目的変数１２０５に対する影響度の高い影響因子（潜在因子１２０２、１２０３のいずれか）を特定することができる。

例えば、目的変数１２０５が「仕事への没頭度ｙ」であって、「没頭度ｙ」に対する影響度の高い影響因子が２番目の潜在変数１２０３（状態遷移の仕方ｘ）である場合、没頭度ｙと状態遷移ｘとの関係式を導出することができる。没頭度ｙと状態遷移ｘとの関係式とは、没頭度ｙを制御するには状態遷移ｘをどのように制御すればよいかを示す関係式である。

また例えば、目的変数１２０５が「組織の生産性ｙ’」であって、「組織の生産性ｙ’」に対する影響度の高い影響因子が１番目の潜在因子１２０２である場合、潜在因子１２０２が最も影響度が高いことを導出することができる。

図８は、本発明の実施の形態の第１の具体例の制御ロジックを示すフローチャートである。第１の例の計算機システム１は、図８に示す制御ロジックを実行することによって、解析対象の時系列データを分析する。

まず、入力装置９０６又は通信装置９０７が、組織における人の行動に関する時系列データ１００１〜１００４（図５Ａ参照）を入力する（１３０１）。次に、特徴量導出処理部９１２は、ステップ１３０１で入力された時系列データ１００１〜１００４に、構造に関するルール１００５、１００６（図５Ｂ参照）を適用することによって、特徴量を導出する（１３０２）。その後、特徴量導出処理部９１２は、ステップ１３０１で入力された時系列データ１００１〜１００４やステップ１３０２で導出された特徴量に対して、時間に関するルール１００７〜１０１１（図５Ｃ参照）を適用することによって、特徴量を導出する（１３０３）。その後、潜在因子導出処理部９１３は、ステップ１３０３で導出された特徴量に対して、因子分析等の統計分析の手法を用いることによって、潜在因子を導出する（１３０４）。その後、相関分析処理部９１４は、ステップ１３０４で導出された潜在因子と、与えられた目的変数との相関を分析することにより、相関係数を算出する（１３０５）。その後、相関分析処理部９１４は、ステップ１３０５で算出された相関係数が最も大きい潜在因子を、目的変数に対する影響度が最も高い影響因子として特定する（１３０６）。

以上に示す制御ロジックにより、計算機システム１は、解析対象の時系列データに、時間に関するルールや構造に関するルールを適用することによって、従来の方法、すなわち対象分野の専門家の知見や経験的な知見に基づき特徴量を決定する方法では導出できなかった、大量の特徴量を算出することができる。

また、このように算出された大量の特徴量に基づいて導出される潜在因子と、与えられた目的変数との相関を分析することによって、従来の方法では特定できなかった重要な影響因子を特定することができる。

また、計算機システム１が用いる構造に関するルールは、あらゆる時系列データに適用可能なルールとして、解析対象の時系列データの構造（ネットワーク構造、ツリー構造、メッシュ構造等）に応じて予め定義される。これにより、対象分野の専門知識や経験に依存しない、大量の特徴量を自動的に算出することができる。

（第２の例：人流解析）
第２の例では、携帯電話やカーナビの地図ナビゲーションアプリケーションによって取得される時系列の位置情報（緯度、経度、時刻など）を用いて、人流データを解析する場合を例に説明する。

図９は、本発明の実施の形態の第２の例の計算機システム２の構成を示す図である。計算機システム２は、それぞれバスで相互に接続された表示装置４０４、入力装置４０５、通信装置４０６、ＣＰＵ（Central Processing Unit）４０７、ハードディスク４０８、メモリ４０９を備える。

表示装置４０４は、ユーザインターフェースを提供する出力装置（例えばディスプレイ）である。入力装置４０５は、ユーザインターフェースを提供する入力装置（例えばキーボード、マウス）である。この入力装置４０５は、ＤＶＤ等の記録媒体に記録されたメディアデータ４０１を入力する。

通信装置４０６は、外部ネットワーク等に接続するためのインターフェース装置である。この通信装置４０６は、インターネット網４１４を介してデータ管理サーバ４０２に蓄積されたデータを入力する。なお、データ管理サーバ４０２には、位置情報取得装置（携帯電話やカーナビ等）４０３によって取得される時系列の位置情報が送信され、蓄積される。

ＣＰＵ４０７は、メモリ４０９に格納されたプログラムを実行する演算処理装置である。ハードディスク４０８は、分析プログラム４１０やファイル、データ等を記憶する記憶装置である。メモリ４０９は、計算機システム１の起動時にハードディスク４０８に記憶された分析プログラム４１０等のプログラムを読み出して記憶するＲＡＭ（Random Access Memory）等の記憶装置である。このメモリ４０９は、分析プログラム４１０等の実行に必要なファイル、データ等も記憶する。

分析プログラム４１０は、時間に関するルールや構造に関するルールに基づいて特徴量を算出する特徴量導出処理部４１１、特徴量導出処理部４１１によって算出された特徴量に基づいて潜在因子を導出する潜在因子導出処理部４１２、潜在因子導出処理部４１２によって導出された潜在因子と目的変数との相関を分析する相関分析処理部４１３を含む。

以上に示す構成により、計算機システム２において、解析対象の時系列データは、インターネット網４１４を介してデータ管理サーバ４０２から通信装置４０６に入力される、又は、ＤＶＤ等の記録媒体に記録されたメディアデータ４０１として入力装置４０５に入力される。

その後、入力装置４０５又は通信装置４０６に入力された解析対象の時系列データは、一旦、ハードディスク４０８に格納される。ハードディスク４０８に格納された時系列データは、当該時系列データの分析を行う際に、メモリ４０９に読み出される。その後、ＣＰＵ４０７が分析プログラム４１０を実行することによって、メモリ４０９に格納された解析対象の時系列データを分析する。

ＣＰＵ４０７が分析プログラム４１０を実行する場合、まず、特徴量導出処理部４１１が、時間に関するルールや構造に関するルールに基づいて、時系列データから特徴量を算出する。次に、潜在因子導出処理部４１２が、特徴量導出処理部４１１によって算出された特徴量に対して、例えば因子分析と呼ばれる統計分析の手法等を用いることによって、共通する要素を持つ潜在的な因子を導出する。

その後、相関分析処理部４１３が、潜在因子導出処理部４１２によって導出された潜在因子と、与えられた目的変数との相関を計算することによって、目的変数に対する影響度の最も高い影響因子を特定する。

なお、分析プログラム４１０は、相関分析処理部４１３の処理によって得られる目的変数に対する影響因子と、相関係数などの目的変数と影響因子との関係を、表示装置４０４に表示させることができる。

図１０Ａは、本発明の実施の形態の第２の例の解析対象の時系列データの一例を示す図である。解析対象の時系列データは、位置情報データ５０１、気象データ５０２、日経平均株価５０３、ガソリン代５０４を含む。

第２の例の計算機システム２は、これらの解析対象の時系列データに基づいて、人の移動、特に「ある都市周辺の自動車移動」を分析する。

位置情報データ５０１は、自動車に搭載されたカーナビ（位置情報取得装置４０３の一例）の地図ナビゲーションアプリケーションを利用することによって取得される、例えば１カ月分の素データである。この位置情報データ５０１は、匿名性の確保のために暗号化されたユーザＩＤ、日時、緯度、経度のデータを含む。

気象データ５０２は、位置情報データ５０１で示される位置と同位置における気象データ（気温、湿度、風向、降水量、日照時間）である。この気象データ５０２は、自動車の走行に影響を与えると考えられる気象に関するデータである。

日経平均株価５０３は、位置情報データ５０１が取得された期間と同期間における日経平均株価のデータである。この日経平均株価５０３は、自動車を用いた余暇の過ごし方に影響を与えると考えられる経済指標に関するデータである。

ガソリン代５０４は、位置情報データ５０１が取得された期間と同期間におけるガソリン代のデータである。このガソリン代５０４は、日経平均株価５０３と同様に、自動車の走行に経済的な観点から影響を与えると考えられる経済指標に関するデータである。

なお、気象データ５０２、日経平均株価５０３、ガソリン代５０４は、位置情報データ５０１と異なる手段によって取得可能なデータである。すなわち、インターネット網４１４を介して外部の各種データサーバ（不図示）等から取得可能な補助データである。また、解析対象の時系列データは、図１０Ａに示すデータ以外のデータであってもよい。

第２の例では、計算機システム２は、時間に関するルールと構造に関するルールとに基づいて、位置情報データ５０１、気象データ５０２、日経平均株価５０３、ガソリン代５０４から、特徴量を生成する。その後、生成された特徴量に基づいて、潜在因子を導出する。その後、導出された潜在因子と、与えられた目的変数（ここでは、「ある都市の周辺の自動車移動」）との相関を計算することによって、目的変数に対する影響度の最も高い影響因子を特定する。

計算機システム２は、位置情報データ５０１に含まれる日時、緯度、経度のデータを用いることによって、自動車の速度や加速度等の２次的データを算出することができる。計算機システム２は、例えば「東京周辺の自動車移動」に関する潜在因子を特定する場合、位置情報データ５０１に含まれる緯度、経度のデータを用いて、「東京周辺の自動車移動」に関する位置情報データ５０１のみを抽出することができる。また、計算機システム１は、算出された速度や加速度等の２次的データに基づいて、例えば平均時速が閾値（１５ｋｍ／ｈ）であるという条件のデータフィルタリングを実行することにより、移動手段が「自動車」らしいユーザを特定し、「東京周辺の自動車移動」に関するデータのみを抽出することができる。

（第２の例の時間に関するルール）
図１０Ｂは、本発明の実施の形態の第２の例の時間に関するルールの一例を示す図である。図１０Ｂでは、時間に関するルールの一例を表形式で示している。図１０Ｂに示す表の各カラム５０５〜５１２は、ルール内容と、ルール内容に示すルールに基づいて算出される１サンプル当たりの特徴量の個数とを含む。

ここでいう１サンプルとは、１日を単位として作成されるデータを意味するが、１時間又は１カ月等の期間を単位として作成されるデータであってもよい。

カラム５０５は、「３時間毎の平均速度を計算」というルールに基づいて、各サンプル（この例では１日毎）についての、例えば０時から３時、３時から６時、６時から９時、・・・、２１時から２４時までの８区間における平均速度を、８個の特徴量として算出できることを示す。同様に、カラム５０６〜５０８は、それぞれ「３時間毎の最大速度を計算」、「３時間毎の平均加速度を計算」、「３時間毎の最大加速度を計算」というルールに基づいて、各サンプル（この例では１日毎）についての、上記の８区間における最大速度、平均加速度、最大加速度を、８個の特徴量として算出できることを示す。

なお、各カラム５０５〜５０８には、３時間を単位とするルールが定義されているが、例えば１時間、１日又は１月を単位とするルールが定義されてもよい。

また、各カラム５０９〜５１２は、それぞれ「平均気温を計算」、「日照時間を計算」、「日経平均株価を計算」、「ガソリン代を計算」というルールに基づいて、各サンプル（この例では１日毎）における「平均気温」、「日照時間」、「日経平均株価」、「ガソリン代」を、１個の特徴量として算出できることを示す。

以上のように、計算機システム２は、図１０Ｂに示す時間に関するルールを用いることによって、合計３６個の特徴量を導出することができる。なお、定義される時間に関するルールは、図１０Ｂに示すルール以外の他のルールであってもよい。

（第２の例の構造に関するルール）
図１０Ｃは、本発明の実施の形態の第２の例の構造に関するルールの一例を示す図である。図１０Ｃでは、構造に関するルールの一例を表形式で示している。図１０Ｃに示す表の各カラム５１３〜５１５は、ルール内容と、ルール内容に示すルールに基づいて算出される１サンプル当たりの特徴量の個数とを含む。

ここでいう１サンプルとは、１日を単位として作成されるデータを意味するが、１時間又は１カ月等の期間を単位として作成されるデータであってもよい。

カラム５１３は、「全ユーザの全移動ルート上の信号機の数の平均を計算する」というルールに基づいて、各サンプル（この例では１日毎）における「信号機の平均数」を、１個の特徴量として算出できることを示す。例えば、１０万人のユーザが存在する場合、各々のユーザの１日の移動ルート上の信号機の数を求め、求められた全ユーザの信号機の数の平均値を算出する。このカラム５１３に示すルールは、都市周辺の道路構造のうち、自動車移動に影響を与える信号機の数を、指標とするためのルールである。

カラム５１４は、「全ユーザの全移動ルート上の踏み切りの数の平均を計算する」というルールに基づいて、各サンプル（この例では一日毎）における「踏み切りの平均数」を、１個の特徴量として算出できることを示す。例えば、１０万人のユーザが存在する場合、各々のユーザの１日の移動ルート上の踏み切りの数を求め、求められた全ユーザの踏み切りの数の平均値を算出する。このカラム５１４に示すルールは、都市周辺の道路の構造のうち、自動車移動に影響を与える踏み切りの数を、指標とするためのルールである。

カラム５１５は、「高速道路利用と一般道利用の比率を計算する」というルールに基づいて、各サンプル（この例では一日毎）における「高速道路利用と一般道利用の比率」を、１個の特徴量として算出できることを示す。例えば、１０万人のユーザが存在する場合、各々のユーザの１日の高速道路利用時間と一般道利用時間とを求め、求められた全ユーザの高速道路利用時間の和と一般道利用時間の和との比率を算出する。このカラム５１５に示すルールは、都市周辺の道路の構造のうち、高速道路の利用率を指標とするためのルールである。

以上のように、計算機システム２は、図１０Ｃに示す構造に関するルールを用いることによって、合計３個の特徴量を導出することができる。すなわち、計算機システム２は、図１０Ｂに示す３６個の特徴量と合わせて、合計３９個の特徴量を導出する。

図１１は、本発明の実施の形態の第２の例において導出される特徴量を説明する図である。図１１では、各サンプルについて導出される３９個の特徴量（図１０Ｂ及び図１０Ｃ参照）を、マトリクス形式で示している。図１１に示す表の各カラムは、日付６０１と、特徴量６０２〜６０５とを含む。

日付６０１は、各サンプルの日付である。図１１に示す例では、２カ月分（６１個）のサンプルを示している。

特徴量６０２〜６０５は、各サンプルについて導出される３９個の特徴量である。特徴量１は、０時から３時における平均速度（図１０Ｂのカラム５０５）である。特徴量２、３、…、３９は、それぞれ、３時から６時における平均速度（図１０Ｂのカラム５０６）、６時から９時における平均速度（図１０Ｂのカラム５０７）、…、高速道路利用と一般道利用の比率（図１０Ｃのカラム５１５）である。

図１２は、本発明の実施の形態の第２の例の分析結果を説明する図である。図１２では、図１１に示す３９個の特徴量（ｖ１、ｖ２、…、ｖ３９）７０１、これら３９個の特徴量７０１に基づいて導出される潜在因子７０２、７０３、７０４、潜在因子７０２、７０３、７０４と目的変数７０６とに基づいて算出される相関係数７０５、説明したい変数である目的変数７０６の関係を示している。

計算機システム２は、３９個の特徴量７０１に対して、因子分析等の統計分析の手法を適用することによって、３９個の特徴量７０１の共通的な要素を持つ３つの潜在因子７０２、７０３、７０４を導出する。

ここでの潜在因子７０２、７０３、７０４は、目的変数７０６（「ある都市周辺の自動車移動」）に関する経験的知識に基づかず、前述した時間に関するルールや構造に関するルールを適用することによって導出される潜在因子である。これら潜在因子７０２、７０３、７０４は、例えば「深夜の移動の仕方」、「夕方の移動の仕方」、「早朝の移動の仕方」である。

計算機システム２は、導出された潜在因子７０２、７０３，７０４と、与えられた目的変数７０６との相関を分析することにより、相関係数７０５を算出する。その後、算出された相関係数７０５を用いて、目的変数７０６に対する影響度の高い影響因子（潜在因子７０２、７０３、７０４のいずれか）を特定することができる。

例えば、目的変数７０６が「移動距離ｙ」であって、「移動距離ｙ」に対する影響度の高い影響因子が２番目の潜在因子７０３（朝の移動ｘ）である場合、移動距離ｙと朝の移動ｘとの関係式を導出することができる。移動距離ｙと朝の移動ｘとの関係式とは、移動距離ｙを制御するには朝の移動ｘをどのように制御すればよいかを示す関係式である。

また例えば、目的変数７０６が「混雑度ｙ’」であって、「混雑度ｙ’」に対する影響度の高い影響因子が３番目の潜在因子７０４である場合、潜在因子７０４が最も影響度が高いことを導出することができる。

図１３は、本発明の実施の形態の第２の例の制御ロジックを示すフローチャートである。第１の例の計算機システム２は、図１３に示す制御ロジックを実行することによって、解析対象の時系列データを分析する。

まず、入力装置４０５又は通信装置４０６が、自動車移動に関する時系列データ５０１〜５０４（図１０Ａ参照）を入力する（８０１）。次に、特徴量導出処理部４１１は、ステップ８０１で入力された時系列データ５０１〜５０４に、時間に関するルール５０５〜５１２（図１０Ｂ参照）を適用することによって、特徴量を導出する（８０２）。その後、特徴量導出処理部４１１は、ステップ８０１で入力された時系列データ５０１〜５０４に、構造に関するルール５１３〜５１５（図１０Ｃ参照）を適用することによって、特徴量を導出する（８０３）。その後、潜在因子導出処理部４１２は、ステップ８０２、８０３で導出された特徴量に対して、因子分析等の統計分析の手法を用いることによって、潜在因子を導出する（８０４）。その後、相関分析処理部４１３は、ステップ８０４で導出された潜在因子と、与えられた目的変数との相関を分析することにより、相関係数を算出する（８０５）。その後、相関分析処理部４１３は、ステップ８０５で算出された相関係数が最も大きい潜在因子を、目的変数に対する影響度が最も高い影響因子として特定する（８０６）。

以上に示す制御ロジックにより、計算機システム２は、解析対象の時系列データに、時間に関するルールや構造に関するルールを適用することによって、従来の方法、すなわち対象分野の専門家の知見や経験的な知見に基づき特徴量を決定する方法では導出できなかった、大量の特徴量を算出することができる。

また、このように算出された大量の特徴量に基づいて導出される潜在因子と、与えられた目的変数との相関を分析することによって、従来の方法では特定できなかった重要な影響因子を特定することができる。

また、計算機システム２が用いる構造に関するルールは、あらゆる時系列データに適用可能なルールとして、解析対象の時系列データの構造（ネットワーク構造、ツリー構造、メッシュ構造等）に応じて予め定義される。これにより、対象分野の専門知識や経験に依存しない、大量の特徴量を自動的に算出することができる。

以上、本発明の実施の形態について説明したが、上記実施の形態は本発明の適用例の一つを示したものであり、本発明の技術的範囲を上記実施形態の具体的構成に限定する趣旨ではない。本発明の要旨を逸脱しない範囲において種々変更可能である。

また、本発明の実施の形態の分析プログラム４１０、９１１（図４、図９参照）を基本アルゴリズムとして実装することにより、あらゆる時系列データの解析において利用可能であるため、経済学、心理学、サービス、経営など、幅広い分野で応用が可能である。

１、２ 計算機システム
４０４、９０５ 表示装置
４０５、９０６ 入力装置
４０６、９０７ 通信装置
４０７、９０８ ＣＰＵ
４０８、９０９ ハードディスク
４０９、９１０ メモリ
４１０、９１１ 分析プログラム
４１１、９１２ 特徴量導出処理部
４１２、９１３ 潜在因子導出処理部
４１３、９１４ 相関分析処理部

Claims (11)

1. プログラムを実行するプロセッサと、前記プロセッサによって実行されるプログラムを格納するメモリとを備えた計算機システムにおいて、入力された時系列データを解析することによって、所定の目的変数に対する影響度の高い特徴量を特定する情報分析方法であって、
   前記プロセッサが、入力された時系列データを、前記メモリに格納する第１手順と、
   前記プロセッサが、前記メモリに格納された時系列データに基づいて、当該時系列データの波形の特徴を示す複数の特徴量を導出する第２手順と、
   前記プロセッサが、前記メモリに格納された時系列データに、当該時系列データの構造に応じて予め定義された構造に関するルールを適用することによって、当該時系列データの構造の特徴を示す複数の特徴量を導出する第３手順と、
   前記プロセッサが、前記第２手順及び前記第３手順で導出された複数の特徴量と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い特徴量を特定する第４手順と、
   を含むことを特徴とする情報分析方法。
2. 前記第４手順において、前記プロセッサは、前記第２手順及び前記第３手順で導出された複数の特徴量に、因子分析を適用することによって、前記複数の特徴量の共通的な要素を持つ潜在因子を導出し、導出された潜在因子と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い潜在因子を特定することを特徴とする請求項１に記載の情報分析方法。
3. 前記時系列データが、所定のネットワークを構成する複数の移動体の各々についての、他の移動体との通信回数の時間変化を示すデータである場合、
   当該時系列データの構造に応じて予め定義された構造に関するルールは、所定の期間において互いに通信を行った移動体のペア数を、前記所定の期間における前記所定のネットワークの結束度を示す特徴量として算出し、所定の期間において他の移動体と最も多くの通信を行った移動体の当該通信を行った回数を、前記所定の期間における前記所定のネットワークのリーダーシップ度を示す特徴量として算出する、というルールであることを特徴とする請求項１に記載の情報分析方法。
4. 前記時系列データが、所定のネットワーク上を移動する複数の移動体の各々についての、移動経路に関する時間変化を示すデータである場合、
   当該時系列データの構造に応じて予め定義された構造に関するルールは、所定の期間において各移動体の移動経路上に存在する障害物の平均数を、前記所定の期間における１つの特徴量として算出し、所定の期間において各移動体の移動経路のうちの特定の移動経路の割合を、前記所定の期間における１つの特徴量として算出する、というルールであることを特徴とする請求項１に記載の情報分析方法。
5. 前記情報分析方法は、
   前記プロセッサが、前記第３手順によって導出された特徴量が時系列データである場合、当該導出された特徴量の波形の特徴を示す特徴量を導出する第５手順をさらに含み、
   前記第４手順において、前記プロセッサは、前記第２手順、前記第３手順及び前記第５手順で導出された複数の特徴量と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い特徴量を特定することを特徴とする請求項１に記載の情報分析方法。
6. プログラムを実行するプロセッサと、前記プロセッサによって実行されるプログラムを格納するメモリとを備え、入力された時系列データを解析することによって、所定の目的変数に対する影響度の高い特徴量を特定する計算機システムであって、
   入力された時系列データに基づいて、当該時系列データの波形の特徴を示す複数の特徴量を導出するとともに、入力された前記時系列データに、当該時系列データの構造に応じて予め定義された構造に関するルールを適用することによって、当該時系列データの構造の特徴を示す複数の特徴量を導出する特徴量導出処理部と、
   前記特徴量導出処理部によって導出された複数の特徴量と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い特徴量を特定する相関分析処理部と、
   を備えることを特徴とする計算機システム。
7. 前記特徴量導出処理部によって導出された複数の特徴量に、因子分析を適用することによって、前記複数の特徴量の共通的な要素を持つ潜在因子を導出する潜在因子導出処理部を、さらに備え、
   前記相関分析処理部は、前記潜在因子導出処理部によって導出された潜在因子と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い潜在因子を特定することを特徴とする請求項６に記載の計算機システム。
8. 前記時系列データが、所定のネットワークを構成する複数の移動体の各々についての、他の移動体との通信回数の時間変化を示すデータである場合、
   当該時系列データの構造に応じて予め定義された構造に関するルールは、所定の期間において互いに通信を行った移動体のペア数を、前記所定の期間における前記所定のネットワークの結束度を示す特徴量として算出し、所定の期間において他の移動体と最も多くの通信を行った移動体の当該通信を行った回数を、前記所定の期間における前記所定のネットワークのリーダーシップ度を示す特徴量として算出する、というルールであることを特徴とする請求項６に記載の計算機システム。
9. 前記時系列データが、所定のネットワーク上を移動する複数の移動体の各々についての、移動経路に関する時間変化を示すデータである場合、
   当該時系列データの構造に応じて予め定義された構造に関するルールは、所定の期間において各移動体の移動経路上に存在する障害物の平均数を、前記所定の期間における１つの特徴量として算出し、所定の期間において各移動体の移動経路のうちの特定の移動経路の割合を、前記所定の期間における１つの特徴量として算出する、というルールであることを特徴とする請求項６に記載の計算機システム。
10. 前記特徴量導出処理部は、当該特徴量導出処理部によって導出された、当該時系列データの構造の特徴を示す複数の特徴量が時系列データである場合、当該導出された特徴量の波形の特徴を示す特徴量を導出することを特徴とする請求項６に記載の計算機システム。
11. プログラムを実行するプロセッサと、前記プロセッサによって実行されるプログラムを格納するメモリとを備えた計算機システムにおいて用いられ、入力された時系列データを解析することによって、所定の目的変数に対する影響度の高い特徴量を特定する情報分析プログラムであって、
    入力された時系列データを、前記メモリに格納する第１手順と、
    前記メモリに格納された時系列データに基づいて、当該時系列データの波形の特徴を示す複数の特徴量を導出する第２手順と、
    前記メモリに格納された時系列データに、当該時系列データの構造に応じて予め定義された構造に関するルールを適用することによって、当該時系列データの構造の特徴を示す複数の特徴量を導出する第３手順と、
    前記第２手順及び前記第３手順で導出された複数の特徴量と、前記所定の目的変数との相関を分析することにより、前記所定の目的変数に対する影響度の高い特徴量を特定する第４手順と、
    を前記プロセッサに実行させることを特徴とする情報分析プログラム。