JP2015005025A - 積算型時系列データの欠損補償方法 - Google Patents

Abstract

【課題】電力量計のような積算型時系列データを収集する監視システム等においては、ステムの一時停止等の影響で収集している時系列データに欠損が発生したときの欠損データを補填する場合に、逆転が生じることがある。【解決手段】時系列データに欠損が発生した時、所定期間前の参照期間前後に計測された時系列データを参照し、監視システム内の補填機能部により補填期間日の時系列データを補填する方法として、補填期間日前後に計測された時系列データの差分加算値と、所定期間前の参照期間前後に計測された時系列データの差分加算値との比に、補填期間当日の増分を乗算した値を補填値とする。【選択図】 図１

Description

本発明は、積算型時系列データの欠損補償方法に係わり、電力量計のような積算型の計量機器から数値を収集する監視システム等において、通信異常やシステムの一時停止等の影響で収集している積算型時系列データに欠損が発生した場合に、その欠損データを補填する方法に関するものである。

様々な計量機器のデータを収集する監視システム等では、多くの計測データを時系列データとして蓄えるが、通信異常やシステムの一時停止等の影響で収集している時系列データに欠損が生じることがある。このような欠損データを補填する方法として前回値をそのまま使う、前後の値から線形補填を行うなどの方法があるが、欠損データが連続すると補填値が適当でなくなることから、特許文献１では別の日（特に一週間前）の同時刻データで補填する方法が記載されている。
この方法は監視システム等で計測する時系列データの多くが人の活動に関連して一日周期・一週間周期の変動パターンを持つことから比較的妥当な補填値を得られると考えられる。

その他、時系列データの欠損補填方法としては特許文献２に示すように、カオス予測技術を応用して欠損補填できることの記載がある。なおカオス予測方法の一例として特許文献３で示すような局所ファジィ再構成法がある。

特開２００４−１３６７４ 特開平１０−２２２４８５ 特許第３６７９８１７

監視システム等で収集する時系列データの中には、電力量計のように積算量の時系列データになっているものがある。このような積算型時系列データは、計量機器の上限値まで単調に増加して上限に達するとリセットされてゼロに戻るが、このリセットは一般的に一日周期でも一週間周期でもないため、特許文献１の方法をそのまま適用することはできない。

図１０で示すように、積算型時系列データの差分を取りだして時刻ごとの値に変換し、その差分値に基づいて補填することは可能であるが、積算型時系列データ自体の補填が必要な場合もあり、そのような場合、差分値で補填しても積算型時系列データに問題が発生する可能性がある。すなわち、補填された当日の積算値で示すように、補填期間直後の積算型時系列データ値が、補填期間最後の値よりも小さくなるという積算型時系列データにはありえないはずの逆転が生じる可能性である。このような逆転データを正常値として解釈するとその期間にリセットが発生したと看做すことになり、その時刻の値が非常に大きなことになる。これは明らかに異常でありこのような補填には問題がある。

また、一週間前の同時刻データを参照して補填する方法は、人の活動が一日周期・一週間周期の変動パターンを持つことから妥当ではあるが、祝日などの影響で一週間周期が乱れることがあり絶対的ではない。この補填例を、具体的な数値を用いて図１１に示す。

図１１において斜線で示した部分が補填対象日の補填対象期間とし、図１１（ａ）が一週間前の時系列データ、補填対象日の正常値が図１１（ｂ）とする。図１１（ａ）で示す補填対象日の前日に該当する一週間前の時系列データは５１８であり、補填対象日当日では５２０で一日の増分値（差分値）は２である。次の日の時系列データは５２２で差分は２、…補填対象日後の時系列データは５２５である。

図１１（ｃ）が一週間前の時系列データに基づいて補填した場合を示したもので、同時刻の前の時間からの差分を補填対象の直前時刻からの差分と同じとして順次補填していくので、補填対象日の時系列データは、２９０、２９２，２９３，２９４と補填される。この最後の値２９４は補填期間後の値２９３より大きく逆転が起きていることが分かる。

本発明が目的とするとこは、補填対象に逆転現象が生じることのない積算型時系列データの欠損補償方法を提供することにある。

本発明は、積算型計測機器により計測された積算型の時系列データを監視システムに入力し、入力された時系列データに欠損が発生した時、所定期間前の参照期間前後に計測された時系列データを参照し、監視システム内の補填機能部により補填期間日の時系列データを補填する方法において、
前記補填期間日前後に計測された時系列データの差分加算値と、前記所定期間前の参照期間前後に計測された時系列データの差分加算値との比に、補填期間当日の増分を乗算した値を補填値とすることを特徴としたものである。

また、本発明は、積算型計測機器により計測された積算型の時系列データを監視システムに入力し、入力された時系列データに欠損が発生した時、所定期間前の参照期間前後に計測された時系列データを参照し、監視システム内の補填機能部により補填期間当日の時系列データを補填する方法において、
参照期間前後に計測された時系列データを決定的カオスの概念に基づき埋め込み、埋め込み空間での近傍探索による過去の類似データパターンの期間複数個を使い、局所ファジィ再構成法で補填値を作成することを特徴としたものである。

以上のとおり、本発明によれば、補填値の上ブレを防ぎ、明らかな異常値となる補填期間後の逆転した補填が防止でき、精度のよい欠損補填が可能となるものである。

本発明の実施形態を示すフローチャート。 積算型時系列データの補填機能を持つ監視システムの構成図。 積算型時系列データの比保全による補填図。 補填説明図。 積算型時系列データのカオス方式による補填図。 本発明の他の実施形態を示すフローチャート。 探索法の説明図。 欠損補填の平均誤差の比較グラフ。 欠損補填の最大誤差の比較グラフ。 積算型時系列データの差分値による補填と逆転図。 従来の補填説明図。

積算型時系列データの補填機能を持つ監視システムの構成例を図２に示す。
監視システム２は、積算型計測器１から定期的に計測データを取得して積算型時系列データ３にデータを追加していく。積算型時系列データ３に欠損が生じた場合は利用者の指示等により補填機能４が補填値を計算して積算型時系列データ３の欠損データを補填する。

この構成は従来と同様で、本発明は補填機能部４での補填処理方法で、図３で示すように、一週間前の同時刻データをそのまま補填する代わりに、補填期間の直前から補填期間の直後までの変動量と一週間前の対応する時刻間の変動量との比を使い、補填期間直前から各補填時刻までの変動量と一週間前の対応する時刻間の変動量の比が先の比と一致するように補填値を補正するものである。
以下図に基づいて説明する。

図１は、本発明の第１の実施例を示す補填処理の処理手順をフローチャートである。

ステップＳ１では、補填機能部４において一週間前の補填時刻前後での変動ｗと、補填時刻前後の変動ｖを計算する。ここでdataは積算型時系列データを保持する配列であり、ｔは補填期間の最初の時刻を指す配列インデックス、ｃは補填期間の時刻数、weekは一週間分の時刻数を示す。またmodは剰余計算であり、差が負であればＲを加算し、結果を０〜(Ｒ−１)の範囲にしている。Ｒは積算量がリセットされる上限値である。

次にステップＳ２，Ｓ３〜Ｓ７によりｎが０〜(ｃ−１)までの反復処理を行う。これにより補填期間の全ての補填値を計算する。反復処理の中では、まずステップＳ４により一週間前の補填時刻前後での変動ｗが正の場合とそれ以外で分岐する。ｗが正のとき、ステップＳ５で一週間前の補填時刻直前と補填期間のｎ番目時刻との変動ｓを計算する。そして、補填時刻直前の積算値に、ｓをｖ／ｗで補正した値を加算してmodにより０〜(Ｒ−１)の範囲に調整したものを補填値とする。ｗが正でないとき、ｗはゼロで一週間前の補填時刻前後で変動が全くないので、ステップＳ６で補填期間直前の値をそのまま補填値とする。

具体的な値を用いた補填例を図４で示す。図４は図１１に示す従来の補填説明に対応するもので、図４（ｃ）が実施例１に基づくものである。図４において、一週間前の補填期間直前と同じ時刻から各時刻までの増分（差分）を補填期間前後の増分で調整して補填する。すなわち、図４（ｂ）で示す補填期間直前の時系列データ２８８と補填期間直後の時系列データ２９３の増分５と、一週間前の補填期間（参照期間）直前の時系列データ５１８と補填期間（参照期間）直後の時系列データ５２５の増分７との比に、補填期間の各日間の増分加算値を乗算することで各日の補填が行われ、結果としての補填値は、２８９，２９１，２９，２９２となり、図１０（ｃ）で示す補填値より真値に近くなって逆転のない補填となる。

実施例１では一週間前の同時刻データを参照して、その値を補填期間前後の変動量の比で補正して補填したものであるが、実施例２では、参照データの補正方法は実施例１と同様だが、参照データを一週間前の同時刻データでなくカオス方式で探索した過去の類似パターンのデータとしたものである。

図５で示すように、カオス方式の探索は積算型時系列データそのままではなく、差分値により求めた時刻ごとの値データに対して行う。値データのパターンを遅れ時間座標系による埋め込み空間の点に対応付けし、埋め込み空間の距離での近傍点を近い方から指定個数だけ抽出する。図６は、この補填処理の処理手順を示すフローチャートである。

図６で、ステップＳ１０では、先ず差分値の遅れ時間座標系への埋め込みによる距離で近傍探索して近い方からｍ個を抽出して過去の類似パターンのデータｍ個の時系列データ内でのインデックス位置と補填対象との距離を得る。
次にステップＳ１１で類似パターンのデータそれぞれについて実施例１と同様に補填値を計算する。この計算は図１のフローチャートでｔ−weekの部分を類似パターンのインデックス位置で置き換えたものになる。

続いてステップＳ１２で類似パターンの補填対象からの近傍距離により特許文献３で示す局所ファジィ再構成法を用いて重みを計算する。
最後にステップＳ１３で近傍ごとの補填値を局所ファジィ再構成法の重みで加重平均を取ることで最終的な補填値を得る。

図７は、図６のステップ１０における類似パターンの探索例を示したものである。類似パターンの探索では、補填対象日直前の期間における各時刻の一つ前の時刻からの差分値を使用する。この差分値を直前時刻から埋め込み次元と遅れ時間で決まるパターンで抽出して埋め込みベクトルを作り、この埋め込みベクトルと過去のデータから同様に作成した埋め込みベクトルの距離を計算し、近い埋め込みベクトルからｍ個を取得する。この近い埋め込みベクトルに続く期間を過去の類似パターンとすると、続く期間も類似パターンになる。この実施例２ではこのカオス予測技術を欠損補填に応用している。

図７で示す数値は、埋め込み次元４８、遅れ時間１、類似パターンｍ＝１０個とした事例で、得られた類似パターンと補填対象との距離は近い方から、１５，１６，１８，…２２となっている。なお、類似パターンは何れも補填対象と同じ時間帯で、同じ曜日のものが半数を占め、２番目に近いパターンは１週間前のデータそのものである。このことは、図１１及び実施例１で使用した１週間前のデータを使用して補填する方法と同様となり、カオス補填方式による類似パターン探索が有効であることを示す。

また、前述のように、単に１週間まえのデータを取ると、祝日や事故などの場合にはズレが生じるが、カオス補填方式で類似パターン探索する方法では、普通でないデータは探索結果から除外されて間違った補填がしにくくなる。また、類似パターンを複数使って補填値を構成することも、間違って入った異常値の影響を軽減して補填誤差を減らす効果がある。

具体的な値での補填例を示したものが図４（ｄ）で、一週間前同時刻を含む複数の過去の類似パターンのデータにより、２９８，２９０，２９１，２９２となって真値に近い補填となっている。

図８，９は特許文献１等を用いた従来の手法と、本発明の実施例１と実施例２による欠損補填の誤差評価の比較結果を示したものである。実際に、５つの積算電力量計（Ａ〜Ｅ）による３０分ごと１年分の時系列データについてランダムに補填対象期間を作って補填値を比較した。積算電力量計は０〜９９９の範囲で積算され、計測間隔（３０分）の間に０〜１０程度増加する。補填対象は最初の１０日分を除く範囲で１〜２４回連続の期間をランダムに作り、その期間の補填値と真値との誤差の平均と最大を計算する。この試行を１０００回繰り返して誤差の平均と最大を集計した。その結果が図８、図９のグラフで、従来手法に比べて本発明では平均誤差・最大誤差とも大きく改善していることが分かる。また実施例２の方法は実施例１の方法と比べても改善しており、特に最大誤差の改善が大きくなっている。

１… 積算型計測機器
２… 監視システム
３… 積算型データ
４… 補填機能部

Claims (2)

1. 積算型計測機器により計測された積算型の時系列データを監視システムに入力し、入力された時系列データに欠損が発生した時、所定期間前の参照期間前後に計測された時系列データを参照し、監視システム内の補填機能部により補填期間日の時系列データを補填する方法において、
   前記補填期間日前後に計測された時系列データの差分加算値と、前記所定期間前の参照期間前後に計測された時系列データの差分加算値との比に、補填期間当日の増分を乗算した値を補填値とすることを特徴とする積算型時系列データの欠損補償方法。
2. 積算型計測機器により計測された積算型の時系列データを監視システムに入力し、入力された時系列データに欠損が発生した時、所定期間前の参照期間前後に計測された時系列データを参照し、監視システム内の補填機能部により補填期間当日の時系列データを補填する方法において、
   参照期間前後に計測された時系列データを決定的カオスの概念に基づき埋め込み、埋め込み空間での近傍探索による過去の類似データパターンの期間複数個を使い、局所ファジィ再構成法で補填値を作成することを特徴とする積算型時系列データの欠損補償方法。