JP2014164383A - センサデータ統合装置、センサデータ統合方法及びプログラム - Google Patents

Abstract

【課題】センサデータの収集度合いにかかわらず任意のサービスが必要とするセンサ値を提供できるようにすること。
【解決手段】センサデータ統合装置１０において、センサデータ蓄積部１１は、時空間領域に分布する複数の種類のセンサにより観測されたセンサデータを蓄積する。第１の量的集約部１２−１は、センサデータ蓄積部１１に蓄積されたセンサデータのうち指定された範囲の時空間領域における指定された種類のセンサデータについて母平均の信頼区間を推定して第１の推定値を出力する。第２の量的集約部１２−２は、上記第１の推定値において欠損している時空間領域の近傍で観測された異種センサデータについて母平均の信頼区間を推定して第２の推定値を出力する。質的集約部１３は、上記第１の推定値と上記第２の推定値との局所的な相関関係を用いて上記欠損している時空間領域の第１の推定値を補完する。
【選択図】図１Ａ

Description

この発明は、複数種類のセンサデータを整理して統合する、センサデータ統合装置、センサデータ統合方法及びプログラムに関する。

実世界の環境や状況をセンサによって観測し、得られたセンサデータに基づいてサービスを展開する、実世界サービスが注目されている。従来、実世界サービスのためのシステムは、事前に特定のサービスを決めたうえで、そのサービスに必要なセンサ値を必要なときに必要なだけ利用できるような設計でシステムを構築していた。

これに対し、近年、事前にサービスを特定せずにセンサデータを集めるようなシステムが検討されている。一例として、携帯電話や車といった移動端末が搭載するセンサによって観測されたデータを共有して活用する、ユーザ参加型センシングがある。このようなシステムでは、特定のサービスを目的としていないがため、サービスに必要なセンサデータを必要なときに必要なだけ利用できるとは限らない。各センサ機器の精度は一定ではないため、集められたセンサデータが常に信頼できるものとは限らない。この問題を解決するものとして、センサデータをもとに母集団の平均を推定する装置が提案されている（例えば、非特許文献１を参照）。また、すべての種類のセンサを常に網羅して観測できるとは限らない。これを解決するものとして、欠損を含むセンサデータから欠損値を推定する装置が提案されている（例えば、非特許文献２を参照）。

山本 淳, 川崎 仁史, 倉沢 央, 佐藤 浩史, 中村 元紀, 松村 一. "参加型センシングのためのデータ精度を考慮した仮想センサの提案", 第11回情報科学技術フォーラム(FIT 2012)論文集, RM-001, 2012. 倉沢 央, 佐藤 浩史, 山本 淳, 川崎 仁史, 中村 元紀, 松村 一. "不完全センサデータの重回帰における変数選択手法", 信学技報, USN2012-54(2012-10), pp.149-154

ところが、ユーザ参加型センシングで集めたセンサデータを使って、任意のサービスが必要とするセンサ値を提供しようとしたとき、センサデータが常に信頼できるとは限らず、その上、すべての種類のセンサを常に網羅して観測できるとも限らないという問題があり、２つの課題を同時に解決するのは困難である。

上記非特許文献１に開示される母集団の平均を推定する装置は、同一もしくは隣接するエリアのセンサデータが十分な量存在することを前提としていて、少ない量のセンサデータから母集団の平均を推定することができるものではない。つまり、センサデータの量が少ないエリアの推定は扱えない。また、上記非特許文献２に開示される欠損値を推定する装置は、集められたセンサデータが常に信頼できると仮定していて、ノイズを含むセンサデータに対しても同様に欠損値を推定することができるものではない。つまり、ノイズの大きいセンサデータを使った推定は扱えない。以上に述べたように、既存の技術では、信頼できない複数種類の欠損を含むセンサデータから、任意のサービスが必要とするセンサ値を提供することは難しい。

この発明は上記事情に着目してなされたもので、その目的とするところは、センサデータの収集度合いにかかわらず任意のサービスが必要とするセンサ値を提供できるセンサデータ統合装置、センサデータ統合方法及びプログラムを提供することにある。

上記目的を達成するためにこの発明の第１の態様は、時空間領域に分布する複数の種類のセンサにより観測されたセンサデータを蓄積するセンサデータ蓄積手段と、前記センサデータ蓄積手段に蓄積されたセンサデータのうち指定された範囲の時空間領域における指定された種類のセンサデータについて母平均の信頼区間を推定して第１の推定値を出力する第１の量的集約手段と、前記第１の推定値において欠損している時空間領域の近傍で観測された異種センサデータについて母平均の信頼区間を推定して第２の推定値を出力する第２の量的集約手段と、前記第１の推定値と前記第２の推定値との局所的な相関関係を用いて前記欠損している時空間領域の第１の推定値を補完する質的集約手段とを具備することを特徴とするセンサデータ統合装置を提供する。

上記第１の態様によれば、実世界サービスがセンサデータ統合装置にセンサ値を要求した際に、センサデータの収集度合いに適したセンサ値推定方法によって、推定結果のセンサ値を提供することができる。センサデータが十分に集まっている時空間領域は、そのデータが従う第１の量的集約手段で得た母平均を出力する。一方、センサデータが十分に集まっていない時空間領域は、第２の量的集約手段で得た他の種類のセンサデータの母平均の分布と必要とするセンサデータの母平均の分布との局所的な相関関係を用いて推定されるセンサ値を出力する。つまり、センサデータの母集団の平均を第１の量的集約手段で得た後に第１の量的集約手段および質的集約手段を実行することで、従来技術では提供できなかったセンサデータが常に信頼できるとは限らないうえに、すべての種類のセンサを常に網羅して観測できるとも限らない場合でも、任意のサービスが必要とするセンサ値を提供できる。

また、この発明の第２の態様は、前記第１の態様において、前記第２の量的集約手段は、前記第１の推定値と欠損している時空間領域が同じ異種センサデータを除外する第１の絞り込みを行うことをさらに特徴とする。
上記第２の態様によれば、要求されたセンサデータが十分に集まっていない時空間領域は、第２の量的集約手段で得た異種センサデータの母平均の分布と必要とするセンサデータの分布の局所的な相関関係から推定されるセンサ値を出力するが、異種センサの収集度合いから有効性を判断し、質的集約手段による推定に無効だと判断される異種センサデータの第２の量的集約手段での推定を省くことができる。つまり、質的集約手段を必要とする場合でも、すべての異種センサデータについて第２の量的集約手段で推定することなく、任意のサービスが必要とするセンサ値を提供できる。

また、この発明の第３の態様は、前記第１又は第２の態様において、前記第２の量的集約手段は、前記第２の推定値の時空間領域の数が所定の閾値に満たないと判定した場合に当該異種センサデータを除外する第２の絞り込みを行うことをさらに特徴とする。
上記第３の態様によれば、要求されたセンサデータが十分に集まっていない時空間領域は、第２の量的集約手段で得た異種センサデータの母平均の分布と必要とするセンサデータの分布の局所的な相関関係から推定されるセンサ値を出力するが、例えば、異種センサの値の分布を第２の量的集約手段の隣接時空間領域の統合状況や信頼区間幅の値といった途中結果から類推し、質的集約手段による推定に無効だと判断される異種センサデータの量的集約手段での推定を省くことができる。つまり、質的集約手段を必要とする場合でも、すべての異種センサデータについて第２の量的集約手段で推定することなく、任意のサービスが必要とするセンサ値を提供できる。

すなわちこの発明によれば、センサデータの収集度合いにかかわらず任意のサービスが必要とするセンサ値を提供できるセンサデータ統合装置、センサデータ統合方法及びプログラムを提供することができる。

本発明の一実施形態に係るセンサデータ統合装置の構成を示す図。 量的集約部の詳細構成を示すブロック図。 質的集約部の詳細構成を示すブロック図。 センサデータ統合装置の処理手順を示すフローチャート。 センサデータ蓄積部に格納されるレコードの例を示す図。 センサの種類と時空間領域の範囲の条件の例を示す図。 時空間の最小単位の条件の例を示す図。 信頼係数と信頼区間幅の条件の例を示す図。 センサデータを時空間の最小単位に分割した例を示す図。 量的集約部の領域統合・区間推定部のフローチャートを示す図。 量的集約部の領域統合前の未処理領域集合と処理対象領域集合の例を示す図。 量的集約部の領域統合前の入力バッファ部と出力バッファ部の時空間配列の例を示す図。 量的集約部の処理対象の領域と隣接領域の関係の例を示す図。 量的集約部の領域統合後の未処理領域集合と処理対象領域集合の例を示す図。 量的集約部の領域統合後の入力バッファ部と出力バッファ部の時空間配列の例を示す図。 要求されたすべての時空間領域の推定値が量的集約部によって生成された例を示す図。 要求された時空間領域の一部に欠損を含む場合の量的集約部の推定結果の例を示す図。 異種センサを時空間の最小単位で分類したときに要求するセンサと同じ時空間領域で欠損が生じているものを除いた例を示す図。 異種センサを量的集約部による隣接時空間領域の統合状況から質的集約部に有効かを判断している例を示す図。 量的集約部によって統合された時空間領域の推定値が計算された例を示す図。 質的集約部の欠損値推定のフローチャートを示す図。 時空間の領域ごとに各センサの信頼区間推定値を整理したレコード群の例を示す図。 質的集約部で推定が必要な領域を表すクエリレコードの例を示す図。 質的集約部で使われる学習データの例を示す図。

以下、この発明に係る実施形態について図面を参照して説明する。
図１Ａは、本発明の一実施形態に係るセンサデータ統合装置の機能構成を示すブロック図である。センサデータ統合装置１０は、センサデータ蓄積部１１、第１の量的集約部１２−１、第２の量的集約部１２−２、質的集約部１３、要求受付部１４、および結果応答部１５を有する。破線の矢印は制御の流れ、実線の矢印はデータの流れをそれぞれ示す。なお、このセンサデータ統合装置１０は、例えば、コンピュータとメモリ上で実行されるプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを介して提供することも可能である。

センサデータ蓄積部１１は、時空間の領域に分布する複数種類のセンサが測定した複数種類のセンサデータを蓄積する。
第１の量的集約部１２−１は、図１Ｂに示すように、領域分割部１２１、領域統合・区間推定部１２２、入力バッファ部１２３および出力バッファ部１２４を有し、センサデータ蓄積部１１に蓄積されたセンサデータのうち指定された範囲の時空間領域における指定された種類のセンサデータについて母平均の信頼区間を推定する。

第２の量的集約部１２−２は、第１の量的集約部１２−１と同様に図１Ｂに示すように構成され、第１の量的集約部１２−１で得られた推定結果において欠損している時空間領域の近傍で観測された異種センサデータについて母平均の信頼区間を推定して第２の推定値を出力する。

質的集約部１３は、図１Ｃに示すように、集約部１３１、変数選択型回帰分析部１３２、予測結果評価部１３３、予測部１３４、第１メモリ１３５および第２メモリ１３６を有し、第１の量的集約部１２−１で得られた推定結果と第２の量的集約部１２−２で得られた推定結果との局所的な相関関係を用いて上記欠損している時空間領域の推定値を補完する。

要求受付部１４は、センサの種類ごとに、時空間領域の範囲の条件、時空間領域の最小単位の条件、および信頼係数と信頼区間幅の条件を、区間推定の要求として受信する。
結果応答部１５は、質的集約部１３の推定値の結果と、欠損していない領域の第１の量的集約部１２−１の推定結果を合わせたものを、センサデータ統合装置１０の出力値として出力する。

図２は、センサデータ統合装置１０の処理手順を示すフローチャートである。この図２の各ステップの説明に先立ち、処理対象となるセンサデータ蓄積部１１に蓄積されるセンサデータについて説明する。
図３に、センサデータ蓄積部１１に格納されるレコードの例を示す。各レコードは、サンプリングの日時と位置（緯度、経度）、各センサの値から構成される。例えば、図３の１行めのレコードは、日時「２０１２−０１−３１ ０９：１５：００」に位置（緯度「３５．７３１」、経度「１３９．５６１」）で、温度「２３．８」度、湿度は「欠損」、気圧は「１０１７」ｈＰａ、騒音は「５０」ｄＢ、風速は「１．３」ｍ／ｓ^２がサンプリングされたことを意味する。

以降では、図１Ａに示すセンサデータ統合装置１０において、指定された範囲の時空間領域における指定された種類のセンサデータの要求を受け付けて、母集団の信頼区間の推定結果もしくは異種センサデータを使った推定結果を応答するまでの流れを、各処理部を参照しながら説明する。特に、本発明の特徴である第１の量的集約部１２−１及び第２の量的集約部１２−２と質的集約部１３との連携に関わる動作を詳しく説明する。

［指定された種類のセンサデータの区間推定要求を受信：ステップＳ１−１］
要求受付部１４は、指定されたセンサの種類と時空間領域の範囲の条件、時空間の最小単位の条件、及び信頼係数と信頼区間幅の条件を、区間推定の要求として受信する。なお、時空間の最小単位の条件については、要求受付部１４が保持していても構わない。

図４に、センサの種類と時空間領域の範囲の条件の例を示す。図４は、種類「温度」のセンサにより、日時「２０１２−０１−３１ ０８：００：００」から「２０１２−０１−３１ １２：００：００」、位置（緯度）「３５．７２０」から「３５．７４０」の時空間領域の範囲でサンプリングされたデータを、区間推定の対象とすることを示す。

図５に、時空間の最小単位の条件の例を示す。この例では、日時の間隔「０１：００：００」、位置（緯度）の間隔「０．００５」からなる領域を、時空間の最小単位とすることを示す。
図６に、信頼係数と信頼区間幅の条件の例を示す。母集団の値が区間［Ｌ、Ｕ］に入る確率を信頼係数「０．９５」以上、区間幅Ｕ−Ｌを信頼区間幅「０．５」以下にすることを区間推定の条件とすることを示す。

［第１の量的集約：ステップＳ１−２］
先ず、第１の量的集約部１２−１の領域分割部１２１は、要求受付部１４から入力されるセンサの種類と時空間領域の範囲の条件に一致するセンサデータをセンサデータ蓄積部１１から読み込み、そのセンサデータを図７に示すように時空間の最小単位に分割して入力バッファ部１２３に書き込む。図４に示した日時の開始「２０１２−０１−３１ ０８：００：００」から日時の終了「２０１２−０１−３１ １２：００：００」までが、図５に示した日時の間隔「０１：００：００」で４分割されている。また、位置（緯度）の開始「３５．７２０」から位置（緯度）の終了「３５．７４０」までが、図５に示した位置（緯度）の間隔「０．００５」で４分割されている。時空間配列の各インデックス（ｉ，ｊ）（ｉ＝１，２，３，４、ｊ＝１，２，３，４）は、分割された各領域の番地に相当する。各インデックス（ｉ，ｊ）に対応する時空間配列の要素は、種類「温度」のセンサにより各領域内でサンプリングされたデータを含む、図３に示したレコードのリストである。

なお、図７は、時間軸が１次元、空間軸が１次元の２次元配列となっているが、例えば、図５において位置（緯度）の間隔と位置（経度）の間隔を併せて指定した場合は、時間軸が１次元、空間軸が２次元の３次元配列になる。また、図７は、時空間の範囲が時空間の最小単位で余りなく割り切れる場合の例であるが、割り切れない場合は、その余りの領域を切り捨てても切り捨てなくてもどちらでも構わない。

次に、領域統合・区間推定部１２２は、信頼係数と信頼区間幅の条件をもとに、母平均の信頼区間を推定する。具体的には以下の手順で推定する。
図８に領域統合・区間推定部１２２のフローチャートを示す。
ステップＳ２−１において、領域統合・区間推定部１２２は、母平均の区間推定結果を書き込むための時空間配列を、出力バッファ部１２４に作成する。なお、出力バッファ部１２４の時空間配列の大きさは、図７の入力バッファ部１２３の時空間配列と同じ大きさとする。そして、領域統合・区間推定部１２２は、未処理の領域（インデックス）を管理するための未処理領域集合を作成し、初期化段階では入力バッファ部１２３のうちセンサデータを含む全ての領域（インデックス）を要素とする。また、処理対象の領域（インデックス）を管理するための処理対象領域集合を作成し、初期化段階では空集合とする。

ステップＳ２−２では、領域統合・区間推定部１２２は、未処理領域集合から領域をランダムに一つ選択し、空の処理対象領域集合に追加する。なお、処理対象領域集合に追加した領域は、未処理領域集合から削除する。
図９に領域統合・区間推定部１２２の領域統合前の未処理領域集合と処理対象領域集合の例を示す。図９は、入力バッファ部１２３の時空間配列が、図７に示したようになっていた場合に、未処理の領域（ｉ，ｊ）（ｉ＝１，２，３，４、ｊ＝１，２，３，４）の中から、領域（２，２）が処理対象の領域として選択されたときの様子である。

ステップＳ２−３では、領域統合・区間推定部１２２は、入力バッファ部１２３の時空間配列から、処理対象の領域に対応するレコードのリストを読み出す。読み出したレコードのリスト（読み出したレコードのリストが複数ある場合は、それらが層化抽出されたものとみなす）について、入力された信頼係数の条件下で、母平均の信頼区間を算出する。母平均の信頼区間を算出する方法自体は広く知られている手法を用いる。算出された母平均の信頼区間を、処理対象の領域に対応する母平均の区間推定結果として、出力バッファ部１２４の時空間配列に書き込む。

図１０に領域統合・区間推定部１２２の領域統合前の入力バッファ部１２３と出力バッファ部１２４の時空間配列の例を示す。図１０は、未処理領域集合と処理対象領域集合が、図９に示したようになっていた場合の様子である。処理対象の領域が領域（２，２）であるため、入力バッファ部１２３の時空間配列から、領域（２，２）に対応するレコードリスト２２が読み出される。また、レコードリスト２２を対象として、母平均の信頼区間が算出され、算出された母平均の信頼区間が、領域（２，２）に対応する母平均の区間推定結果として、出力バッファ部１２４の時空間配列に書き込まれる。図１０は、算出された母平均の信頼区間が［０．７，１．３］であったときの様子である。

ステップＳ２−４では、領域統合・区間推定部１２２は、出力バッファ部１２４の時空間配列に書き込んだ母平均の信頼区間が、入力された信頼区間幅の条件を満たしているかどうかをチェックする。信頼区間幅の条件を満たしている場合は、ステップＳ２−７に進む。信頼区間幅の条件を満たしていない場合は、ステップＳ２−５に進む。

入力バッファ部１２３と出力バッファ部１２４の時空間配列が、図１０に示したようになっており、信頼係数と信頼区間幅の条件が、図６に示したようになっていた場合は、母平均の信頼区間幅「１．３−０．７＝０．６」が、信頼区間幅の条件「０．５」よりも大きいため、信頼区間幅の条件を満たしていないと判断されて、ステップＳ２−５に進むことになる。

ステップＳ２−５では、領域統合・区間推定部１２２は、処理対象の領域に統合できる隣接領域が、未処理領域集合にあるかどうかをチェックする。
図１１に、領域統合・区間推定部１２２の処理対象の領域と隣接領域の関係の例を示す。図１１は、未処理領域集合と処理対象領域集合が、図９に示したようになっていた場合の様子である。処理対象の領域が領域（２，２）である場合の隣接領域は、領域（１，１）、領域（１，２）、領域（１，３）、領域（２，１）、領域（２，３）、領域（３，１）、領域（３，２）、領域（３，３）の計８領域である。

処理対象の領域に統合できる隣接領域が、未処理領域集合にある場合は、ステップＳ２−６に進む。処理対象の領域に統合できる隣接領域が、未処理領域集合にない場合は、母平均の信頼区間幅をこれ以上は狭くできないのでステップＳ２−７に進む。
ステップＳ２−６では、領域統合・区間推定部１２２は、未処理領域集合から統合する隣接領域をランダムに一つ選択し、処理対象領域集合に追加する。なお、処理対象領域集合に追加した領域は、未処理領域集合から削除する。なお、ここでは、時空間的に隣接する領域間では、母平均の差があまりないことを仮定している。

図１２に、領域統合・区間推定部１２２の領域統合後の未処理領域集合と処理対象領域集合の例を示す。図１２は、未処理領域集合と処理対象領域集合が、図９に示したようになっていた場合に、処理対象の領域（２，２）に統合する隣接領域として、領域（２，３）が選択されたときの様子である。

上記ステップＳ２−３〜ステップＳ２−６の処理を繰り返すことにより、母平均の信頼区間幅が入力された信頼区間幅の条件を満たすようになるまで（あるいは、統合できる隣接領域がなくなるまで）、処理対象の領域に未処理の隣接領域を統合しながら、母平均の区間推定を実行する。以下に、ステップＳ２−５とステップＳ２−６を実行した後、ステップＳ２−３とステップＳ２−４を再度実行して、ステップＳ２−７に進む場合の様子を説明する。

図１３に領域統合・区間推定部１２２の領域統合後の入力バッファ部１２３と出力バッファ部１２４の時空間配列の例を示す。図１３は、未処理領域集合と処理対象領域集合が、図１２に示したようになっていた場合の、ステップＳ２−３の実行の様子である。処理対象の領域が領域（２，２）と領域（２，３）であるため、入力バッファ部１２３の時空間配列から、領域（２，２）と領域（２，３）に対応するレコードリスト２２とレコードリスト２３が読み出される。

また、レコードリスト２２とレコードリスト２３を対象として（レコードリスト２２とレコードリスト２３が層化抽出されたものとみなして）、母平均の信頼区間が算出され、算出された母平均の信頼区間が、領域（２，２）と領域（２，３）に対応する母平均の区間推定結果として、出力バッファ部１２４の時空間配列に書き込まれる。図１３は、算出された母平均の信頼区間が、［０．８，１．２］であったときの様子である。なお、領域（２，２）と領域（２，３）には、同じ母平均の信頼区間が書き込まれる。図１３では、領域（２，２）と領域（２，３）の統合領域に対して、一つの母平均の信頼区間が書き込まれる。また、母平均の信頼区間がすでに書き込まれている場合は、上書きされる。

入力バッファ部１２３と出力バッファ部１２４の時空間配列が、図１３に示したようになっており、信頼係数と信頼区間幅の条件が、図６に示したようになっていた場合は、母平均の信頼区間幅「１．２−０．８＝０．４」が、信頼区間幅の条件「０．５」よりも小さいため、ステップＳ２−４の実行で信頼区間幅の条件を満たしていると判断されて、ステップＳ２−７に進むことになる。

ステップＳ２−７では、領域統合・区間推定部１２２は、処理対象領域集合を空にする。ステップＳ２−８では、領域統合・区間推定部１２２は、未処理領域集合が空かどうかをチェックする。未処理領域集合が空でない場合は、ステップＳ２−２に進む。未処理領域集合が空である場合は、処理を終了する。

ステップＳ２−２〜ステップＳ２−８を繰り返すことにより、前述したステップＳ２−３〜ステップＳ２−６を全ての領域にわたって適用する。以下に、ステップＳ２−２〜ステップＳ２−８を繰り返した後、出力バッファ部１２４の時空間配列が最終的にどのようになるかを説明する。

図１４に、領域統合・区間推定部１２２の処理終了後の出力バッファ部１２４の時空間配列の例を示す。図１４は、入力バッファ部１２３の時空間配列が、図７に示したようになっていた場合の様子である。図１４に示したように、母平均の信頼区間が書き込まれる各領域の大きさは一様ではないが、全ての領域の母平均の信頼区間幅は入力された信頼区間幅の条件を満たすようになる。また、各領域の大きさは、母平均の信頼区間幅が入力された信頼区間幅の条件を満たす範囲内で小さくなる。

上述の手順によって、第１の量的集約部１２−１は指定された種類のセンサデータの母平均の信頼区間の推定を終える。なお、入力バッファ部１２３の時空間配列のうちセンサデータを含まない領域は、領域統合・区間推定部１２２の処理終了後の出力バッファ部１２４の時空間配列においては処理されない領域として残る。以降ではこれを時空間領域における欠損と呼ぶ。

［欠損判定：ステップＳ１−３］
第１の量的集約部１２−１の出力バッファ部１２４の時空間配列において、時空間領域における欠損が生じているか判定する。
欠損が生じていない場合、母平均の信頼区間の幅が所定の信頼区間の幅より狭くなるまで時空間領域における隣接領域が統合され、図１４に示すようにすべての時空間領域の推定値が第１の量的集約部１２−１によって生成される。結果応答部１５は、この第１の量的集約部１２−１による推定値の結果をセンサデータ統合装置１０の出力値として出力する（ステップＳ１−７）。

一方、欠損が生じていた場合、この欠損している時空間領域の推定値を得るために、異種センサデータの近傍時空間領域における推定結果を第２の量的集約部１２−２によって生成した後、それらを使って質的集約部１３で欠損値推定処理をすることで、欠損した時空間領域の母集団の平均値を推定する。ここでいう異種センサデータとは、センサデータ蓄積部１１に格納されているレコードが持つ、要求されたセンサとは異なる種類のセンサデータのことである。この質的集約部１３の推定値の結果と欠損していない領域の第１の量的集約部１２−１の結果とを合わせたものを、センサデータ統合装置１０の出力値として、結果応答部１５から出力する。図１５に時空間領域の一部に欠損を含む場合の第１の量的集約部１２−１の推定結果を示す。位置（緯度）が「３５．７３０」から「３５．７３５」の範囲で「２０１２−０１−３１ １０：００：００」から「２０１２−０１−３１ １１：００：００」の範囲が欠損している様子を表している。図１５ではこの範囲のまわりの信頼区間幅は第１の量的集約部１２−１で得られていることを表している。

以下では、上記の第１の量的集約部１２−１の出力バッファ部１２４の時空間配列において時空間領域における欠損が生じている場合の処理を説明する。
［異種センサの区間推定条件を受信：ステップＳ１−４］
質的集約部１３は、この欠損している時空間領域を、異種センサの母平均の信頼区間の推定値を使って補完する。異種センサの母平均の信頼区間の推定値を生成するにあたり、要求受付部１４は、センサの種類ごとに、時空間領域の範囲の条件と信頼係数と信頼区間幅の条件を、区間推定の要求として受信する。ここでは、センサの種類に共通して、日時「２０１２−０１−３１ ０８：００：００」から「２０１２−０１−３１ １２：００：００」、位置（緯度「３５．７２０」から「３５．７４０」の時空間領域の範囲でサンプリングされたセンサデータであり、信頼係数は共通して「０．９５」、信頼区間幅が「湿度」は「５」、「気圧」は「５」、「騒音」は５、「風速」は「５」とする要求を要求受付部１４が受けたと仮定する。なお、この時空間領域の範囲の条件と信頼係数と信頼区間幅の条件については、要求受付部１４が予め保持していても構わない。

［異種センサデータの量的集約：ステップＳ１−５］
センサデータ統合装置１０では、時空間領域の範囲の条件と信頼係数と信頼区間幅の条件に基づいて、第２の量的集約部１２−２によって、異種センサそれぞれの母平均の信頼区間の推定値を生成することができる。一方、処理負荷を軽減するために、第２の量的集約部１２−２による各センサの推定結果をすべて生成せずに、必要な時空間領域を絞り込んだうえで推定結果生成することも可能である。絞り込む基準は、実施例１として各センサの欠損した時空間領域を用いる場合と、実施例２として各センサの隣接時空間領域の統合状況を用いる場合を挙げることができる。

（実施例１）
各センサの欠損した時空間領域を使った絞込みでは、異種センサのうち、要求されたセンサで欠損している時空間領域と同じ時空間領域において、レコードが存在していないセンサを除く。この処理によって、異種センサのうちどのセンサのデータを質的集約部１３で使うかを、第２の量的集約部１２−２によって母平均の信頼区間の推定値を生成することなしに、時空間の最小単位でのセンサデータの有無のみで判断できる。

図１６に異種センサを時空間の最小単位で分類した例を示す。この例では、「気圧」センサの日時「２０１２−０１−３１ ０８：００：００」から「２０１２−０１−３１ １２：００：００」、位置（緯度）「３５．７２０」から「３５．７４０」の時空間領域の範囲でデータが欠損していることがわかる。「気圧」センサは、要求された「温度」センサと同じ時空間領域に欠損が生じているため、第２の量的集約部１２−２で推定することなしに、質的集約部１３では使わないと判断される。

（実施例２）
各センサの隣接時空間領域の統合状況を使った絞込みでは、異種センサのうち、第２の量的集約部１２−２によって統合されて最終的に残った時空間領域の数が、要求受付部１４が保持している閾値よりも少ないと見込まれるものを除く。この閾値は質的集約部１３の条件と同時に受信してもかまわない。

図１７に異種センサを第２の量的集約部１２−２によって時空間領域を統合している過程の例を示す。ここでは仮に、時空間領域の数の閾値を「５」として説明する。「湿度」のセンサデータは、第２の量的集約部１２−２によって９つの最小単位の時空間が５つに統合されている。すでに閾値以上の時空間領域に統合されているため、このまま第２の量的集約部１２−２を継続して実行する。一方、「騒音」のセンサデータは、第２の量的集約部１２−２によって１２の最小単位の時空間が１つに統合され、３つの最小単位の時空間が統合されずに残っている。仮にこの３つがまったく統合されない場合でも、合計４つの時空間領域になるため、閾値の５を下回る。これにより、「騒音」センサは質的集約部１３では使わないと判断され、ここで第２の量的集約部１２−２を停止する。「風速」のセンサデータは、「湿度」のセンサデータと同様に、すでに閾値以上の時空間領域に統合されているため、このまま第２の量的集約部１２−２を継続して実行する。
なお、第２の量的集約部１２−２による結果を質的集約部１３で使うか判断する指標は、上記２つの実施例の指標に限らず、要求されたセンサ値との相関性を判断できるものであれば同様に用いることができる。また、実施例１と実施例２を併用してもよい。

［質的集約：ステップＳ１−６］
質的集約部１３では、図１８に示すような複数種類のセンサの信頼区間推定値を計算済みのデータをレコードとし、時空間領域の数のレコードを生成する。ここで生成されたレコード群を使って欠損値を推定する。具体的には以下の手順で推定する。図１９に、質的集約部１３の欠損値推定のフローチャートを示す。

ステップＳ３−１において、質的集約部１３の集約部１３１は、図２０に示すように、時空間の領域ごとに各センサの信頼区間推定値を整理する。そして１時空間領域が１レコードとなるように生成する。さらに、図２１に示すような質的集約部１３で欠損値の推定が必要な領域のレコードをクエリレコードとする。

ステップＳ３−２では、集約部１３１は、上記ステップＳ３−１で生成したレコードのうち、推定に使うセンサの値が揃ったレコードを集約し、解析対象レコード群（学習データ）として第１メモリ１３５に書き込む。初期の推定に使うセンサとして、要求受付部１４が受信したセンサの種類（つまり、欠損値推定対象のセンサ）と質的集約部１３で絞込み済みの複数種類のセンサを設定する。図２０の例では、推定に使うセンサは、「日時」、「位置（緯度）」、「湿度」、「風速」、「温度」である。学習データの例を図２２に示す。図２０の解析対象レコードのうち、日時「２０１２−０１−３１ ０８：００：００から０９：００：００」で位置（緯度）「３５．７２５から３５．７３０」の時空間の領域のレコードは「湿度」に欠損を持つため学習データには含まれない。

ステップＳ３−３では、質的集約部１３の変数選択型回帰分析部１３２は、学習データである解析対象レコード群の各レコードに重み付けする。特に、本実施形態においては、重み付けは以下の式１〜式３のように定義する。

ただし、Ｄｉｓｔは距離関数、Ｒは解析対象レコード群、Ｒ_ｉはＩＤがｉのレコード、Ｒ_ｉ（ｖ）はＲ_ｉのセンサｖの値、Ｑはクエリ、Ｑ（ｖ）はＱのセンサｖの値、σ（ｖ）はセンサｖの値の標準偏差、ｒ_ｖは推定に使うセンサの集合、Ｒａｎｋ（Ｒ_ｉ）はＲ_ｉの近傍評価値、Ｗ（Ｒ_ｉ）はＲ_ｉの重み、ｋは重み付けのパラメータを表す。つまり、クエリからユークリッド距離に基づいて最も類似したｋレコードの重みを１とし、残りを０とした重み付けとなっている。本実施形態ではｋ＝１００とする。また、本実施形態でではセンサの値として信頼区間幅ではなく、その中央値を使う。

なお、本実施形態における重み付けは、上記特徴を満たす様々な近傍算出方法がその対象になるものであって、ユークリッド距離に限られるものではない。具体的に一例を挙げると、全ての種類のセンサを使わずその一部のセンサのみを使った近傍算出方法（例えば位置（緯度）から計算した距離）や、０と１の２値ではなく距離に応じた多分類の重み付けであってもよい。

さらに、本実施形態における質的集約処理で使うセンサの値は、第２の量的集約部１２−２の結果に基づいた値がその対象になるものであって、中央値に限られるものではない。具体的に一例を挙げると、信頼区間幅を使ってもよい。同様に、上記の近傍算出方法や後述の変数選択型の重回帰分析や推定値の算出においても中央値でなく信頼区間幅を使ってもよい。

さらに、本実施形態における重み付けの分類基準は、予測精度向上に寄与するレコードを選別できればその対象になるものであって、最も類似したｋレコードに限られない。具体的に一例を挙げると、近傍算出方法で計算した距離または類似性を表す関数で算出した評価値と事前に与えた閾値との大小関係で選別しても良い。

ステップＳ３−４では、変数選択型回帰分析部１３２は、解析対象レコード群について変数選択型の重回帰分析を行い、この結果を第２メモリ１３６に書き込む。この際、解析対象レコード群の各レコードに重み付け結果を使う。変数選択型の重回帰分析は、例えば、以下の式４に基づいて算出される。

ただし、ｑは欠損値推定対象のセンサ、θは推定に使うセンサの係数、θ（ｖ）はセンサｖの係数の値、μ（ｖ）はセンサｖの値の平均値、λはＬ１正則化のパラメータを表す。
なお、本実施形態における変数選択型の重回帰分析は、様々な変数選択方法がその対象になるものであって、上記のＬ１正則化による計算に限られるものではない。具体的に一例を挙げると、各変数で回帰係数を計算して係数の絶対値の小さいものを削減する方法であってもよい。

ステップＳ３−５では、変数選択型回帰分析部１３２は、重回帰分析の結果をもとに、相関性の低いセンサを推定に使うセンサから除く。ここでいう相関性の低いセンサとは、上記ステップＳ３−４で算出されたセンサの係数がほぼ０の値となるものを指す。例えば、０．０１以下とする。

ステップＳ３−６において、予測結果評価部１３３は、変数選択型回帰分析部１３２が算出した推定に使うセンサの係数による予測精度が条件を満たしているか判断する。本実施形態では、Ｎ分割交差検定で閾値以下の精度を満たすかで判断する。学習データをＮ個に分割し、そのうちの１つ分割された学習データの予測したい変数を他のＮ−１個の分割された学習データから予測して、精度の平均を計算する。推定値は、例えば以下の式５に基づいて算出される。

なお、本実施形態における予測結果評価は様々な予測精度の評価方法が対象になるものであって、Ｎ分割交差検定による評価に限られるものではない。具体的に一例を挙げると、Ａｋａｉｋｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ（ＡＩＣ）やＳｃｈｗａｒｚ’ｓ Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ（ＢＩＣ）といったモデル選択基準をもとにした評価であってもよい。

ステップＳ３−６の判定において予測精度が条件を満たさない場合は、質的集約部１３は、上記ステップＳ３−２からステップＳ３−６の処理を繰り返す。つまり、ステップＳ３−５で相関性が高いと判断されたセンサの値が揃ったレコードを集約し、解析対象レコード群（学習データ）として再度生成して、変数選択型回帰分析を繰り返す。この解析対象レコード群は集約するたびに一つ前の解析対象レコード群と同じ数かそれ以上の数になる。

ステップＳ３−６の判定において予測精度が条件を満たす場合は、ステップＳ３−７において、予測部１３４は、重回帰分析の結果もとに、クエリの各変数から予測したい値を計算して、推定値として出力する。予測値は、予測結果評価部１６と同様に上記式５に基づいて算出される。

［区間推定結果出力：ステップＳ１−７］
結果応答部１５は、質的集約部１３から出力される推定値の結果と欠損していない領域の第１の量的集約部１２−１の結果とを合わせたものを、センサデータ統合装置１０の出力値として出力する。
以上述べたように、本実施形態によれば、実世界サービスの提供者が必要とするセンサデータを、そのセンサデータの収集度合いにかかわらず、利用することが可能となる。例えば、事前にサービスを特定せずにセンサデータを集めるようなユーザ参加型センシングのシステムにおいて、集まったセンサデータを整理して統合し、任意のサービスが必要とするセンサ値を提供できるようになる。さらに、途中結果を使って質的集約部１３で必要とする異種センサの種類を絞り込みを進める手段によって、第２の量的集約部１２−２に要する計算量と計算時間を削減することができる。

以降では、個別のサービスにおいて、本実施形態のセンサデータ統合装置１０を適用する事例を説明する。以降のサービス適用例に共通して、センサデータ統合装置１０では、センサデータ蓄積部１１に、例えば、日時、位置、温度、湿度、気圧、風速、騒音、加速度、角速度、方位、照度、ＵＶ、二酸化炭素、一酸化炭素、および酸素のうち観測できたセンサ値を１レコードとして記録し、それを大量に蓄積する。なお、センサの種類はこれに限らず、観測できるものであればよい。

（サービス適用例１）
インフルエンザ予防センサと呼ぶ、インフルエンザ感染対策を喚起する実世界サービスに本実施形態に係るセンサデータ統合装置１０がセンサデータを提供する場合の適用例について説明する。
インフルエンザ予防センサは、インフルエンザ予防に効果があるとされる、１）ワクチン接種、２）マスクの装着、３）バランスのとれた栄養摂取、４）外出後の手洗い、５）適度な湿度の保持、６）人ごみへの外出を控える、の６項目についてユーザの状態を把握し、ユーザにフィードバックする。この６項目のうち、５）適度な湿度の保持と６）人ごみへの外出を控える、の２項目を把握するために、センサデータ統合装置１０を利用する。なお、上記の６項目に限らず、インフルエンザ感染者との接触の有無といったインフルエンザ予防に役立つ情報であればよい。

適度な湿度を保持しているかを確認するには、ユーザのまわりの湿度を、湿度センサで把握することが求められる。しかしながら、すべてのユーザが湿度センサを持っているとは限らないうえに、すべての湿度センサの値が信頼できるとも限らない。そこで、本実施形態のセンサデータ統合装置１０によって、ユーザがインフルエンザ予防に適した湿度の空間に常に滞在できているかを判断する。日時、位置および湿度の３つのセンサ値に欠損がない区間領域に関しては第１の量的集約部１２−１による推定結果を出力し、欠損のある区間領域では上記のセンサデータ蓄積部１１に蓄えたセンサ値（例えば、温度、気圧、風速や照度）の第２の量的集約部１２−２による推定結果との局所的な相関関係をもとに質的集約部１３によって推定する。

一方、人ごみへの外出を控えているかを確認するには、ユーザのまわりにどのくらい人がいるかを、近傍にいる人の位置センサで把握することが求められる。しかしながら、すべてのユーザが位置センサを持っているとは限らないうえに、すべての位置センサの値が信頼できるとも限らない。そこで、本実施形態のセンサデータ統合装置１０によって、ユーザが人の多く集まる空間を常に避けることができているかを判断する。日時および位置の２つのセンサ値に欠損がない区間領域に関しては第１の量的集約部１２−１による推定結果を出力し、欠損のある区間領域では上記のセンサデータ蓄積部１１に蓄えたセンサ値（例えば、二酸化炭素や加速度）の第２の量的集約部１２−２による推定結果との局所的な相関関係をもとに質的集約部１３によって推定する。

（サービス適用例２）
車椅子移動快適度センサと呼ぶ、車椅子での移動の快適な経路を提供する実世界サービスに本実施形態のセンサデータ統合装置１０がセンサデータを提供する場合の適用例について説明する。
車椅子移動快適度センサは、車椅子を使った移動に障害となる、１）人ごみ、２）道の傾斜や段差、３）道幅、の３項目についてユーザの状態を把握し、ユーザにフィードバックする。この３項目を把握するために、センサデータ統合装置１０を利用する。なお、上記の３項目に限らず、車椅子移動の快適性をはかるものであればよい。

人ごみについては、上記のインフルエンザ予防センサと同様に推定することができる。
道の傾斜や段差については、過去に車椅子のユーザが道を通過したときにどのくらい車椅子が傾いたり揺れたかを、車椅子に取り付けた加速度センサで把握することが求められる。しかしながら、すべての車椅子のユーザが加速度センサを持っているとは限らないうえに、すべての加速度センサの値が信頼できるとも限らない。そこで、本実施形態のセンサデータ統合装置１０によって、車椅子で通行するのに障害となる道の傾斜や段差のある場所を判断する。日時、位置、および車椅子に取り付けた加速度の３つのセンサ値に欠損がない区間領域に関しては第１の量的集約部１２−１による推定結果を出力し、欠損のある区間領域では上記のセンサデータ蓄積部１１に蓄えたセンサ値（例えば、ベビーカーに取り付けた加速度や台車に取り付けた加速度）の第２の量的集約部１２−２による推定結果との局所的な相関関係をもとに質的集約部１３によって推定する。

道幅については、車椅子の車幅とそれが通過した道を、車椅子に取り付けた位置センサと車椅子の車体情報とで把握することが求められる。しかしながら、すべての車椅子が位置センサを取り付けているとは限らないうえに、すべての位置センサの値が信頼できるとも限らない。さらに、同時に集められる車体情報が正しいものとも限らない。そこで、本実施形態のセンサデータ統合装置１０によって、車椅子の車幅ごとに過去に通過できているかを判断する。位置および車幅の２つのセンサ値に欠損がない区間領域に関しては第１の量的集約部１２−１による推定結果を出力し、欠損のある区間領域では上記のセンサデータ蓄積部１１に蓄えたセンサ値（例えば、ベビーカーに取り付けた位置センサと車幅情報や台車に取り付けた位置センサと車幅情報）の第２の量的集約部１２−２による推定結果との局所的な相関関係をもとに質的集約部１３によって推定する。

（サービス適用例３）
赤ちゃん快適度センサと呼ぶ、赤ちゃんにとって快適な場所の情報を提供する実世界サービスに本実施形態のセンサデータ統合装置１０がセンサデータを提供する場合の適用例について説明する。
赤ちゃん快適度センサは、１）赤ちゃんにとっての環境の快適性と、２）ベビーカー移動の際の快適性との２つの情報をもとに、赤ちゃんが快適に過ごせるかを把握し、ユーザにフィードバックする。１）環境の快適性については、赤ちゃんの高さでの温度や湿度が適温であり、騒音が許容の範囲内であることを把握する。一方、２）ベビーカー移動の快適性については、通行に障害となる人ごみや道の段差、傾斜を把握する。

環境の快適性の温度、湿度、および騒音に関しては、上記のインフルエンザ予防センサの湿度と同様に推定することができる。
ベビーカー移動の快適性の人ごみや道の段差や傾斜に関しては、上記の車椅子移動快適度センサと同様に推定することができる。

なお、この発明は、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、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１０…センサデータ統合装置、１１…センサデータ蓄積部、１２−１…第１の量的集約部、１２−１…第２の量的集約部、１３…質的集約部、１４…要求受付部、１５…結果応答部、１２１…領域分割部、１２２…領域統合・区間推定部、１２３…入力バッファ部、１２４…出力バッファ部、１３１…集約部、１３２…変数選択型回帰分析部、１３３…予測結果評価部、１３４…予測部、１３５…第１メモリ、１３６…第２メモリ。

Claims (7)

1. 時空間領域に分布する複数の種類のセンサにより観測されたセンサデータを蓄積するセンサデータ蓄積手段と、
   前記センサデータ蓄積手段に蓄積されたセンサデータのうち指定された範囲の時空間領域における指定された種類のセンサデータについて母平均の信頼区間を推定して第１の推定値を出力する第１の量的集約手段と、
   前記第１の推定値において欠損している時空間領域の近傍で観測された異種センサデータについて母平均の信頼区間を推定して第２の推定値を出力する第２の量的集約手段と、
   前記第１の推定値と前記第２の推定値との局所的な相関関係を用いて前記欠損している時空間領域の第１の推定値を補完する質的集約手段と
   を具備することを特徴とするセンサデータ統合装置。
2. 前記第２の量的集約手段は、前記第１の推定値と欠損している時空間領域が同じ異種センサデータを除外する第１の絞り込みを行うことをさらに特徴とする請求項１に記載のセンサデータ統合装置。
3. 前記第２の量的集約手段は、前記第２の推定値の時空間領域の数が所定の閾値に満たないと判定した場合に当該異種センサデータを除外する第２の絞り込みを行うことをさらに特徴とする請求項１又は２に記載のセンサデータ統合装置。
4. 時空間領域に分布する複数の種類のセンサにより観測されたセンサデータを蓄積するセンサデータ蓄積ステップと、
   前記センサデータ蓄積手段に蓄積されたセンサデータのうち指定された範囲の時空間領域における指定された種類のセンサデータについて母平均の信頼区間を推定して第１の推定値を出力する第１の量的集約ステップと、
   前記第１の推定値において欠損している時空間領域の近傍で観測された異種センサデータについて母平均の信頼区間を推定して第２の推定値を出力する第２の量的集約ステップと、
   前記第１の推定値と前記第２の推定値との局所的な相関関係を用いて前記欠損している時空間領域の第１の推定値を補完する質的集約ステップと
   を具備することを特徴とするセンサデータ統合方法。
5. 前記第２の量的集約ステップにおいて、前記第１の推定値と欠損している時空間領域が同じ異種センサデータを除外する第１の絞り込みを行うことをさらに特徴とする請求項４に記載のセンサデータ統合方法。
6. 前記第２の量的集約ステップにおいて、前記第２の推定値の時空間領域の数が所定の閾値に満たないと判定した場合に当該異種センサデータを除外する第２の絞り込みを行うことをさらに特徴とする請求項４又は５に記載のセンサデータ統合方法。
7. 請求項４乃至６のいずれか１項に記載のセンサデータ統合方法に含まれる各ステップをコンピュータに実行させるプログラム。

Images