JP2016201088A - 異常検出システムおよび方法 - Google Patents
異常検出システムおよび方法 Download PDFInfo
- Publication number
- JP2016201088A JP2016201088A JP2015180074A JP2015180074A JP2016201088A JP 2016201088 A JP2016201088 A JP 2016201088A JP 2015180074 A JP2015180074 A JP 2015180074A JP 2015180074 A JP2015180074 A JP 2015180074A JP 2016201088 A JP2016201088 A JP 2016201088A
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time series
- error vectors
- points
- error
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 146
- 230000015654 memory Effects 0.000 claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims description 49
- 238000009826 distribution Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000002123 temporal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000007774 longterm Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000001994 activation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000002547 anomalous effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000000478 neocortex Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- 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
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
【解決手段】システムはハードウェアプロセッサーとハードウェアプロセッサーを設定するための複数の命令を保存しているメモリーとを含んでいる。ハードウェアプロセッサーは複数のポイントの第1のセットを含む第1の時系列データと複数のポイントの第2のセットを含む第2の時系列データとを受信し、第1のセットの各ポイントのエラーベクトルの第1のセットと第2のセットの各ポイントのエラーベクトルの第2のセットとを算出し、複数のエラーベクトルの第1のセットに基づいて複数のパラメーターを推定し、複数のパラメーターを複数のエラーベクトルの第2のセットに対して適用(または使用)し、複数のパラメーターが複数のエラーベクトルの第2のセットに対して適用されたとき、第2の時系列データ内における異常を検出する。さらに複数のエラーベクトルの各セットは1つ以上の予測エラーを含んでいる。
【選択図】図2A
Description
本出願は、2015年4月10日付で出願されたインド国特許出願第1516/MUM/2015号に基づく優先権を主張し、該インド国特許出願の開示内容の全てが、参照によりここに組み込まれる。
(i)図4Aおよび図4Eでは、全てのデータセットにおいて、異常領域における尤度値p(t)が、通常領域よりも著しく低い。さらに、p(t)の値は、異常領域の全てに渡って低いわけではない。β<<1(0.1)は、再呼び出し(recall)に渡る予測に対してより高い重要性を与えるように、意図的に用いられる。異常サブシーケンスにおける全てのポイントが「異常」とのラベルを有しているが、実際には、これらポイント間であっても、「通常」挙動の複数のポイントが存在し得ることは理解されるであろう。これは、「異常」サブシーケンス内の複数のポイントの有意な割合(パーセンテージ)が、異常として予測されるのに十分な程度になっている。得られるτの値(図4Aおよび図4F中のp(t)プロット内の破線によって表されている)は、(図2に示されているように)検討されるデータセットの適切な測定基準となるべきFβ−スコアを示している。
(ii)ポジティブ尤度比(positive likelihood ratio)(「偽」のポジティブ率(false positive rate)に対する「真」のポジティブ率(true positive rate))が、全てのデータセットにおいて、高い(34.0より高い)ことがわかる。高いポシティブ尤度比の値は、異常領域内における異常を報告する確率が、通常領域内における異常を報告する確率よりも大幅に高いことを示している。
(iii)選択された複数の隠れユニットの複数のアクティベーション、すなわち、電力データセット用の層LSTM−L1(30個のユニットを有する下位の隠れ層)およびLSTM−L2(20個のユニットを有する上位の隠れ層)のそれぞれの4つのアクティベーションが図4(f.1)および図4(f.2)に示されている。図4(f.2)に示された過去のアクティベーションシーケンス内においてw1およびw2によって示されているサブシーケンスは、この隠れ層のアクティベーションが平日の間に高く、週末の間に低いことを示している。これらは、上位の隠れ層によって学習されるべき、週単位の時間スケールにおいて現れる高レベルの特徴の例である。
(iv)図2Cに示されているように、「ECG」および「エンジン」データセットは、長期の時間的従属性(long-term temporal dependence)を有しておらず、ロングショートタームメモリー−異常検出(LSTM-AD: Long-Term Memory-Anomaly Detection)および回帰性ニューラルネットワーク−異常検出(RNN-AD)の双方が、同じ程度に良好に機能している。LSTM−ADは、ロングショートタームメモリー・ニューラルネットワークを用いた異常検出を意味する。RNN−ADは、複数の隠れ層内の複数のS字型ユニットを有する回帰性ニューラルネットワークを用いた異常検出を意味する。その一方、「スペースシャトル」および「電力需要」データセットは、短期の従属性と共に、長期の時間的従属性を有しており、LSTM−ADは、F0.1−スコアの項目において、RNN−ADよりもそれぞれ18%、30%高いという顕著な改善を示している。
(v)「エンジン」データセットの欠陥の前の期間(periods)において検出された異常ポイントの割合(fraction)は、通常動作の間の異常ポイントの割合よりも高い。これは、ここに説明の実施形態および/または方法が、早期に欠陥を予測するためにも良好に利用可能であることを示している。
Claims (15)
- プロセッサー実行異常検出方法であって、
複数のポイントの第1のセットを含む第1の時系列データを受信する工程と、
前記第1の時系列データ内の前記複数のポイントの第1のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第1のセットを取得する工程と、
前記複数のエラーベクトルの第1のセットに基づいて、1つ以上のパラメーターを推定し、複数の推定されたパラメーターのセットを取得する工程と、
複数のポイントの第2のセットを含む第2の時系列データを受信する工程と、
前記第2の時系列データ内の前記複数のポイントの第2のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第2のセットを取得する工程と、
前記複数のエラーベクトルの第2のセットに対して、前記複数の推定されたパラメーターのセットを適用する工程と、
前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに対して適用されたとき、前記第2の時系列データ内における異常を検出する工程と、を含み、
前記第1の時系列データ内の前記複数のポイントの第1のセットは、m次元ベクトルであり、
前記複数のエラーベクトルの第1のセットの各エラーベクトルは、1つ以上の予測エラーを含むことを特徴とするプロセッサー実行異常検出方法。 - 前記複数のエラーベクトルの第1のセットの少なくとも1つをモデル化し、多変量ガウス分布を取得する工程をさらに含む請求項1に記載のプロセッサー実行異常検出方法。
- 前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに対して適用されたとき、1つ以上の尤度値を取得する工程をさらに含む請求項1に記載のプロセッサー実行異常検出方法。
- 前記複数の推定されたパラメーターのセットは、ミュー(μ)、シグマ(Σ)、およびしきい値の少なくとも1つを含む請求項3に記載のプロセッサー実行異常検出方法。
- 前記1つ以上の尤度値の少なくとも1つが、前記しきい値よりも小さいとき、前記第2の時系列データ内における前記異常が検出される請求項4に記載のプロセッサー実行異常検出方法。
- ロングショートタームメモリー(LSTM)ニューラルネットワークを用いた予測モデルに基づいて前記異常が検出される請求項1に記載のプロセッサー実行異常検出方法。
- 前記複数の推定されたパラメーターのセットを、(i)第3の時系列データに対応する複数のエラーベクトルの第3のセット、および(ii)第4の時系列データに対応する複数のエラーベクトルの第4のセットに対して適用することによって、前記第3の時系列データおよび前記第4の時系列データ内における異常を検出する工程をさらに含み、
前記第1の時系列データ、前記第2の時系列データ、前記第3の時系列データ、および前記第4の時系列データは、一変量時系列データおよび多変量時系列データの少なくとも1つを含む請求項1に記載のプロセッサー実行異常検出方法。 - 異常検出システムであって、
1つ以上のハードウェアプロセッサーと、
前記1つ以上のハードウェアプロセッサーを設定するための複数の命令を保存しているメモリーと、を含み、
前記1つ以上のハードウェアプロセッサーは、前記複数の命令によって、
複数のポイントの第1のセットを含む第1の時系列データを受信し、
前記第1の時系列データ内の前記複数のポイントの第1のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第1のセットを取得し、
前記複数のエラーベクトルの第1のセットに基づいて、1つ以上のパラメーターを推定し、複数の推定されたパラメーターのセットを取得し、
複数のポイントの第2のセットを含む第2の時系列データを受信し、
前記第2の時系列データ内の前記複数のポイントの第2のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第2のセットを取得し、
前記複数のエラーベクトルの第2のセットに対して、前記複数の推定されたパラメーターのセットを適用し、
前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに対して適用されたとき、前記第2の時系列データ内における異常を検出するよう、設定されており、
前記第1の時系列データ内の前記複数のポイントの第1のセットは、m次元ベクトルであり、
前記複数のエラーベクトルの第1のセットの各エラーベクトルは、1つ以上の予測エラーを含んでいることを特徴とする異常検出システム。 - 前記1つ以上のハードウェアプロセッサーは、前記複数の命令によって、前記複数のエラーベクトルの第1のセットの少なくとも1つをモデル化し、多変量ガウス分布を取得するよう、さらに設定されている請求項8に記載の異常検出システム。
- 前記1つ以上のハードウェアプロセッサーは、前記複数の命令によって、前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに対して適用されたとき、1つ以上の尤度値を取得するよう、さらに設定されている請求項8に記載の異常検出システム。
- 前記複数の推定されたパラメーターのセットは、ミュー(μ)、シグマ(Σ)、およびしきい値の少なくとも1つを含む請求項8に記載の異常検出システム。
- 前記1つ以上の尤度値の少なくとも1つが、前記しきい値よりも小さいとき、前記第2の時系列データ内における異常が検出され、
前記第1の時系列データおよび前記第2の時系列データは、一変量時系列データおよび多変量時系列データの少なくとも1つを含む請求項11に記載の異常検出システム。 - ロングショートタームメモリー(LSTM)ニューラルネットワークを用いた予測モデルに基づいて前記異常が検出される請求項8に記載の異常検出システム。
- 1つ以上のハードウェアプロセッサーによって実行されたとき、異常検出を実現する1つ以上の命令を含む1つ以上の非一時的マシーン可読情報記憶媒体であって、
前記異常検出は、
複数のポイントの第1のセットを含む第1の時系列データを受信する工程と、
前記第1の時系列データ内の前記複数のポイントの第1のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第1のセットを取得する工程と、
前記複数のエラーベクトルの第1のセットに基づいて、1つ以上のパラメーターを推定し、複数の推定されたパラメーターのセットを取得する工程と、
複数のポイントの第2のセットを含む第2の時系列データを受信する工程と、
前記第2の時系列データ内の前記複数のポイントの前記第2のセットの各ポイントのエラーベクトルを算出し、複数のエラーベクトルの第2のセットを取得する工程と、
前記複数のエラーベクトルの第2のセットに対して、前記複数の推定されたパラメーターのセットを適用する工程と、
前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに適用されたとき、前記第2の時系列データ内における異常を検出する工程と、を実行することにより実現され、
前記第1の時系列データ内の前記複数のポイントの第1のセットは、m次元ベクトルであり、
前記複数のエラーベクトルの第1のセットの各エラーベクトルは、1つ以上の予測エラーを含むことを特徴とする1つ以上の非一時的マシーン可読情報記憶媒体。 - 前記複数の推定されたパラメーターのセットは、ミュー(μ)、シグマ(Σ)、およびしきい値の少なくとも1つを含み、
前記複数の推定されたパラメーターのセットが前記複数のエラーベクトルの第2のセットに適用されたとき、1つ以上の尤度値が取得され、
前記1つ以上の尤度値の少なくとも1つが、所定の前記しきい値よりも小さいとき、前記異常が検出される請求項14に記載の1つ以上の非一時的マシーン可読情報記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN1516/MUM/2015 | 2015-04-10 | ||
IN1516MU2015 | 2015-04-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016201088A true JP2016201088A (ja) | 2016-12-01 |
JP6313730B2 JP6313730B2 (ja) | 2018-04-18 |
Family
ID=55398189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015180074A Active JP6313730B2 (ja) | 2015-04-10 | 2015-09-11 | 異常検出システムおよび方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10223403B2 (ja) |
EP (1) | EP3139313B1 (ja) |
JP (1) | JP6313730B2 (ja) |
AU (2) | AU2016201088A1 (ja) |
BR (1) | BR102016003934B1 (ja) |
CA (1) | CA2921054C (ja) |
MX (1) | MX368054B (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101836215B1 (ko) | 2017-04-10 | 2018-03-08 | 한국과학기술원 | 상황적 관계 기반 활동분할 방법 및 장치 |
JP2018157431A (ja) * | 2017-03-17 | 2018-10-04 | Kddi株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2018190281A (ja) * | 2017-05-10 | 2018-11-29 | Kddi株式会社 | データ処理装置、データ処理方法およびプログラム |
JP2019036285A (ja) * | 2017-08-18 | 2019-03-07 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 健全性監視及び障害特徴識別の方法及びシステム |
JP2019135638A (ja) * | 2017-12-13 | 2019-08-15 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 |
JP2020009411A (ja) * | 2018-07-09 | 2020-01-16 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 |
WO2020046806A1 (en) * | 2018-08-27 | 2020-03-05 | Nec Laboratories America, Inc. | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data |
JP2020052740A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
KR20200052245A (ko) * | 2018-11-02 | 2020-05-14 | 알리바바 그룹 홀딩 리미티드 | 다수의 시스템 지시자의 모니터링 |
JP2021502625A (ja) * | 2017-11-13 | 2021-01-28 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | セキュリティ異常を判定するコンピュータ実装方法、コンピュータ・システム、システム、およびコンピュータ・プログラム |
JPWO2019229977A1 (ja) * | 2018-06-01 | 2021-04-22 | 株式会社東芝 | 推定システム、推定方法及び推定プログラム |
JP2022504691A (ja) * | 2018-10-16 | 2022-01-13 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ,インコーポレイティド | 接続および自動化された車両の予測最適制御を可能にするためのv2xデータ拡張に基づくニューラルネットワークを使用する車両速度予測器 |
JP2023501030A (ja) * | 2020-09-30 | 2023-01-18 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
WO2023210518A1 (ja) * | 2022-04-28 | 2023-11-02 | 一般社団法人クラインシュタイン医工学パースペクティブ | 異常予測システム、方法及びコンピュータプログラム |
Families Citing this family (92)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2547202B (en) * | 2016-02-09 | 2022-04-20 | Darktrace Ltd | An anomaly alert system for cyber threat detection |
US10331802B2 (en) | 2016-02-29 | 2019-06-25 | Oracle International Corporation | System for detecting and characterizing seasons |
US11113852B2 (en) | 2016-02-29 | 2021-09-07 | Oracle International Corporation | Systems and methods for trending patterns within time-series data |
US10699211B2 (en) * | 2016-02-29 | 2020-06-30 | Oracle International Corporation | Supervised method for classifying seasonal patterns |
US10885461B2 (en) | 2016-02-29 | 2021-01-05 | Oracle International Corporation | Unsupervised method for classifying seasonal patterns |
US11153091B2 (en) | 2016-03-30 | 2021-10-19 | British Telecommunications Public Limited Company | Untrusted code distribution |
US10289509B2 (en) * | 2016-04-06 | 2019-05-14 | Nec Corporation | System failure prediction using long short-term memory neural networks |
US10198339B2 (en) | 2016-05-16 | 2019-02-05 | Oracle International Corporation | Correlation-based analytic for time-series data |
US10635563B2 (en) | 2016-08-04 | 2020-04-28 | Oracle International Corporation | Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems |
US11082439B2 (en) | 2016-08-04 | 2021-08-03 | Oracle International Corporation | Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems |
KR102323548B1 (ko) * | 2016-09-26 | 2021-11-08 | 구글 엘엘씨 | 신경 기계 번역 시스템 |
US10855706B2 (en) * | 2016-10-11 | 2020-12-01 | Battelle Memorial Institute | System and methods for automated detection, reasoning and recommendations for resilient cyber systems |
CN106411597A (zh) * | 2016-10-14 | 2017-02-15 | 广东工业大学 | 一种网络流量异常检测方法及系统 |
KR101927100B1 (ko) * | 2016-10-17 | 2018-12-10 | 국민대학교산학협력단 | 순환 신경망 기반 네트워크 패킷의 위험요소 분석 방법, 이를 수행하는 순환 신경망 기반 네트워크 패킷의 위험요소 분석 장치 |
US10338982B2 (en) * | 2017-01-03 | 2019-07-02 | International Business Machines Corporation | Hybrid and hierarchical outlier detection system and method for large scale data protection |
US10241684B2 (en) * | 2017-01-12 | 2019-03-26 | Samsung Electronics Co., Ltd | System and method for higher order long short-term memory (LSTM) network |
US20180205752A1 (en) * | 2017-01-13 | 2018-07-19 | Adobe Systems Incorporated | Security Breach Detection in a Digital Medium Environment |
US11432778B2 (en) * | 2017-01-24 | 2022-09-06 | General Electric Company | Methods and systems for patient monitoring |
US10915558B2 (en) * | 2017-01-25 | 2021-02-09 | General Electric Company | Anomaly classifier |
EP3355547B1 (en) * | 2017-01-27 | 2020-04-15 | Vectra AI, Inc. | Method and system for learning representations of network flow traffic |
US10915830B2 (en) | 2017-02-24 | 2021-02-09 | Oracle International Corporation | Multiscale method for predictive alerting |
US10949436B2 (en) | 2017-02-24 | 2021-03-16 | Oracle International Corporation | Optimization for scalable analytics using time series models |
JP6798905B2 (ja) * | 2017-02-28 | 2020-12-09 | 株式会社Lsiメディエンス | 異常指標算出装置、異常指標算出方法及び異常指標算出プログラム |
US11341237B2 (en) | 2017-03-30 | 2022-05-24 | British Telecommunications Public Limited Company | Anomaly detection for computer systems |
WO2018178026A1 (en) | 2017-03-30 | 2018-10-04 | British Telecommunications Public Limited Company | Hierarchical temporal memory for access control |
EP3382591B1 (en) * | 2017-03-30 | 2020-03-25 | British Telecommunications public limited company | Hierarchical temporal memory for expendable access control |
US11416751B2 (en) * | 2017-03-31 | 2022-08-16 | H2O.Ai Inc. | Time-based ensemble machine learning model |
US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
US11005864B2 (en) | 2017-05-19 | 2021-05-11 | Salesforce.Com, Inc. | Feature-agnostic behavior profile based anomaly detection |
US10614362B2 (en) * | 2017-05-30 | 2020-04-07 | Salesforce.Com, Inc. | Outlier discovery system selection |
WO2018220813A1 (ja) * | 2017-06-02 | 2018-12-06 | 富士通株式会社 | 判定装置、判定方法及び判定プログラム |
US10817803B2 (en) | 2017-06-02 | 2020-10-27 | Oracle International Corporation | Data driven methods and systems for what if analysis |
CN107463878A (zh) * | 2017-07-05 | 2017-12-12 | 成都数联铭品科技有限公司 | 基于深度学习的人体行为识别系统 |
US10621005B2 (en) | 2017-08-31 | 2020-04-14 | Oracle International Corporation | Systems and methods for providing zero down time and scalability in orchestration cloud services |
US10587484B2 (en) * | 2017-09-12 | 2020-03-10 | Cisco Technology, Inc. | Anomaly detection and reporting in a network assurance appliance |
US11263835B2 (en) * | 2017-10-27 | 2022-03-01 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
US11157782B2 (en) | 2017-11-16 | 2021-10-26 | International Business Machines Corporation | Anomaly detection in multidimensional time series data |
US10417083B2 (en) * | 2017-11-30 | 2019-09-17 | General Electric Company | Label rectification and classification/prediction for multivariate time series data |
US10929220B2 (en) * | 2018-02-08 | 2021-02-23 | Nec Corporation | Time series retrieval for analyzing and correcting system status |
EP3534374B1 (en) * | 2018-03-01 | 2021-04-14 | Tata Consultancy Services Limited | System and method for detection of mild cognitive impairment in subjects |
US11188917B2 (en) * | 2018-03-29 | 2021-11-30 | Paypal, Inc. | Systems and methods for compressing behavior data using semi-parametric or non-parametric models |
US10771488B2 (en) * | 2018-04-10 | 2020-09-08 | Cisco Technology, Inc. | Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs) |
US11481495B2 (en) * | 2018-05-11 | 2022-10-25 | Sri International | Anomalous behavior detection in processor based systems |
US11860971B2 (en) * | 2018-05-24 | 2024-01-02 | International Business Machines Corporation | Anomaly detection |
US10963346B2 (en) | 2018-06-05 | 2021-03-30 | Oracle International Corporation | Scalable methods and systems for approximating statistical distributions |
US10997517B2 (en) | 2018-06-05 | 2021-05-04 | Oracle International Corporation | Methods and systems for aggregating distribution approximations |
CN108989092B (zh) * | 2018-06-26 | 2023-01-17 | 广东南方通信建设有限公司 | 一种无线网络预测方法、电子设备及存储介质 |
US10798230B2 (en) * | 2018-08-23 | 2020-10-06 | Morgan Stanley Services Group Inc. | Faulty distributed system component identification |
US11012421B2 (en) | 2018-08-28 | 2021-05-18 | Box, Inc. | Predicting user-file interactions |
US11562315B2 (en) | 2018-08-31 | 2023-01-24 | Accenture Global Solutions Limited | Detecting an issue related to a report |
US20200081813A1 (en) * | 2018-09-11 | 2020-03-12 | Hewlett Packard Enterprise Development Lp | Sensor Reliability Determination |
US11157346B2 (en) * | 2018-09-26 | 2021-10-26 | Palo Alto Rsearch Center Incorporated | System and method for binned inter-quartile range analysis in anomaly detection of a data series |
US20200104174A1 (en) * | 2018-09-30 | 2020-04-02 | Ca, Inc. | Application of natural language processing techniques for predicting resource consumption in a computing system |
US11874328B2 (en) | 2018-10-22 | 2024-01-16 | Btech Inc. | Detecting battery changeout |
US12001926B2 (en) | 2018-10-23 | 2024-06-04 | Oracle International Corporation | Systems and methods for detecting long term seasons |
US11138090B2 (en) | 2018-10-23 | 2021-10-05 | Oracle International Corporation | Systems and methods for forecasting time series with variable seasonality |
US11126612B2 (en) * | 2018-10-29 | 2021-09-21 | EMC IP Holding Company LLC | Identifying anomalies in user internet of things activity profile using analytic engine |
US10776231B2 (en) | 2018-11-29 | 2020-09-15 | International Business Machines Corporation | Adaptive window based anomaly detection |
CN110008247B (zh) * | 2018-12-13 | 2022-08-16 | 阿里巴巴集团控股有限公司 | 异常来源确定方法、装置、设备及计算机可读存储介质 |
US20210398412A9 (en) * | 2018-12-18 | 2021-12-23 | Bonny Banerjee | Multi-sensor device for environment state estimation and prediction by sampling its own sensors and other devices |
WO2020148773A1 (en) * | 2019-01-16 | 2020-07-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting network behaviour |
US11410077B2 (en) | 2019-02-05 | 2022-08-09 | International Business Machines Corporation | Implementing a computer system task involving nonstationary streaming time-series data by removing biased gradients from memory |
US10855548B2 (en) | 2019-02-15 | 2020-12-01 | Oracle International Corporation | Systems and methods for automatically detecting, summarizing, and responding to anomalies |
US11533326B2 (en) | 2019-05-01 | 2022-12-20 | Oracle International Corporation | Systems and methods for multivariate anomaly detection in software monitoring |
US11537940B2 (en) | 2019-05-13 | 2022-12-27 | Oracle International Corporation | Systems and methods for unsupervised anomaly detection using non-parametric tolerance intervals over a sliding window of t-digests |
EP3984172B1 (en) * | 2019-06-13 | 2024-03-06 | Tata Consultancy Services Limited | Method and system for industrial anomaly detection |
CN110378392A (zh) * | 2019-06-26 | 2019-10-25 | 华东师范大学 | 一种基于lstm-ae的室内老人状态监测方法 |
US11222287B2 (en) | 2019-07-25 | 2022-01-11 | International Business Machines Corporation | Machine learning for failure event identification and prediction |
US20210065059A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Monitoring computing system status by implementing a deep unsupervised binary coding network |
US11887015B2 (en) | 2019-09-13 | 2024-01-30 | Oracle International Corporation | Automatically-generated labels for time series data and numerical lists to use in analytic and machine learning systems |
US11799890B2 (en) * | 2019-10-01 | 2023-10-24 | Box, Inc. | Detecting anomalous downloads |
US11763198B2 (en) * | 2019-10-08 | 2023-09-19 | Nec Corporation | Sensor contribution ranking |
US11748632B2 (en) | 2019-10-30 | 2023-09-05 | Sensai Networks Ltd | Analysis of anomalies in a facility |
CN110941542B (zh) * | 2019-11-06 | 2023-08-25 | 国网上海市电力公司 | 基于弹性网络的序列集成高维数据异常检测系统及方法 |
CN111046961B (zh) * | 2019-12-16 | 2022-10-04 | 浙江大学 | 基于双向长短时记忆单元和胶囊网络的故障分类方法 |
CN113132301B (zh) * | 2019-12-30 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 异常数据汇集的检测方法、装置和计算机存储介质 |
US11501189B2 (en) | 2020-02-17 | 2022-11-15 | Kyndryl, Inc. | Anomaly detection using zonal parameter characteristics and non-linear scoring |
CN111325278B (zh) * | 2020-02-26 | 2023-08-29 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置及存储介质 |
CN113449008B (zh) * | 2020-03-27 | 2023-06-06 | 华为技术有限公司 | 一种建模方法及装置 |
CN111612082B (zh) * | 2020-05-26 | 2023-06-23 | 河北小企鹅医疗科技有限公司 | 检测时间序列中异常子序列的方法及设备 |
US11475332B2 (en) * | 2020-07-12 | 2022-10-18 | International Business Machines Corporation | Selecting forecasting models by machine learning based on analysis of model robustness |
CN111884874B (zh) * | 2020-07-15 | 2022-02-01 | 中国舰船研究设计中心 | 一种基于可编程数据平面的舰船网络实时异常检测方法 |
US10950352B1 (en) | 2020-07-17 | 2021-03-16 | Prince Mohammad Bin Fahd University | System, computer-readable storage medium and method of deep learning of texture in short time series |
US11748568B1 (en) | 2020-08-07 | 2023-09-05 | Amazon Technologies, Inc. | Machine learning-based selection of metrics for anomaly detection |
CN112085062A (zh) * | 2020-08-10 | 2020-12-15 | 广东工业大学 | 一种基于小波神经网络的异常能耗定位方法 |
CN112600792B (zh) * | 2020-11-23 | 2022-04-08 | 国网山东省电力公司青岛供电公司 | 一种物联网设备的异常行为检测方法及系统 |
US20220237445A1 (en) * | 2021-01-27 | 2022-07-28 | Walmart Apollo, Llc | Systems and methods for anomaly detection |
US20220269759A1 (en) * | 2021-02-09 | 2022-08-25 | The Trustees Of Princeton University | Devices and methods for smartphone impostor detection using behavioral and environmental data |
US12025678B2 (en) | 2021-04-29 | 2024-07-02 | Ford Global Technologies, Llc | Communication interference avoidance and prediction |
US20220373600A1 (en) * | 2021-05-24 | 2022-11-24 | Btech Inc. | Neural network for estimating battery health |
CN113963085B (zh) * | 2021-12-23 | 2022-03-29 | 树根互联股份有限公司 | 工业系统的状态表征方法、装置及电子设备 |
KR20240086258A (ko) * | 2022-12-09 | 2024-06-18 | 달리웍스 주식회사 | 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP2012512351A (ja) * | 2008-12-15 | 2012-05-31 | スネクマ | 航空エンジン内の故障の識別 |
JP2013210945A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 波形分析装置および波形分析方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715508B2 (en) * | 2005-11-15 | 2010-05-11 | Tensorcomm, Incorporated | Iterative interference cancellation using mixed feedback weights and stabilizing step sizes |
CA2514920A1 (en) * | 2003-01-29 | 2004-08-12 | Vicor Technologies, Inc. | Detecting and/or predicting biological anomalies |
US8046200B2 (en) * | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
US20080120852A1 (en) | 2006-11-29 | 2008-05-29 | Jeffrey Ramsey | Roof pitch gauge |
US8015133B1 (en) | 2007-02-20 | 2011-09-06 | Sas Institute Inc. | Computer-implemented modeling systems and methods for analyzing and predicting computer network intrusions |
US8645304B2 (en) * | 2011-08-19 | 2014-02-04 | International Business Machines Corporation | Change point detection in causal modeling |
US9146800B2 (en) * | 2013-07-01 | 2015-09-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in a time series data with trajectory and stochastic components |
US9722768B2 (en) * | 2013-11-15 | 2017-08-01 | National Institute Of Advanced Industrial Science And Technology | Received signal processing device, communication system, and received signal processing method |
US10531806B2 (en) * | 2013-12-17 | 2020-01-14 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
-
2015
- 2015-09-11 JP JP2015180074A patent/JP6313730B2/ja active Active
-
2016
- 2016-02-09 US US15/019,681 patent/US10223403B2/en active Active
- 2016-02-09 EP EP16153770.9A patent/EP3139313B1/en active Active
- 2016-02-17 CA CA2921054A patent/CA2921054C/en active Active
- 2016-02-19 MX MX2016002227A patent/MX368054B/es active IP Right Grant
- 2016-02-22 AU AU2016201088A patent/AU2016201088A1/en not_active Abandoned
- 2016-02-23 BR BR102016003934-7A patent/BR102016003934B1/pt active IP Right Grant
-
2018
- 2018-05-11 AU AU2018203321A patent/AU2018203321B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012512351A (ja) * | 2008-12-15 | 2012-05-31 | スネクマ | 航空エンジン内の故障の識別 |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP2013210945A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 波形分析装置および波形分析方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018157431A (ja) * | 2017-03-17 | 2018-10-04 | Kddi株式会社 | 情報処理装置、情報処理方法およびプログラム |
KR101836215B1 (ko) | 2017-04-10 | 2018-03-08 | 한국과학기술원 | 상황적 관계 기반 활동분할 방법 및 장치 |
JP2018190281A (ja) * | 2017-05-10 | 2018-11-29 | Kddi株式会社 | データ処理装置、データ処理方法およびプログラム |
JP2019036285A (ja) * | 2017-08-18 | 2019-03-07 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 健全性監視及び障害特徴識別の方法及びシステム |
JP2021502625A (ja) * | 2017-11-13 | 2021-01-28 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | セキュリティ異常を判定するコンピュータ実装方法、コンピュータ・システム、システム、およびコンピュータ・プログラム |
US11468274B2 (en) | 2017-12-13 | 2022-10-11 | Siemens Aktiengesellschaft | Data driven method for automated detection of anomalous work pieces during a production process |
JP2019135638A (ja) * | 2017-12-13 | 2019-08-15 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 |
JPWO2019229977A1 (ja) * | 2018-06-01 | 2021-04-22 | 株式会社東芝 | 推定システム、推定方法及び推定プログラム |
JP2020009411A (ja) * | 2018-07-09 | 2020-01-16 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 |
WO2020046806A1 (en) * | 2018-08-27 | 2020-03-05 | Nec Laboratories America, Inc. | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data |
JP7086803B2 (ja) | 2018-09-27 | 2022-06-20 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
JP2020052740A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
US11520672B2 (en) | 2018-09-27 | 2022-12-06 | Kabushiki Kaisha Toshiba | Anomaly detection device, anomaly detection method and storage medium |
JP2022504691A (ja) * | 2018-10-16 | 2022-01-13 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ,インコーポレイティド | 接続および自動化された車両の予測最適制御を可能にするためのv2xデータ拡張に基づくニューラルネットワークを使用する車両速度予測器 |
JP7299977B2 (ja) | 2018-10-16 | 2023-06-28 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ,インコーポレイティド | 接続および自動化された車両の予測最適制御を可能にするためのv2xデータ拡張に基づくニューラルネットワークを使用する車両速度予測器 |
KR102150815B1 (ko) * | 2018-11-02 | 2020-09-02 | 알리바바 그룹 홀딩 리미티드 | 다수의 시스템 지시자의 모니터링 |
US11042461B2 (en) | 2018-11-02 | 2021-06-22 | Advanced New Technologies Co., Ltd. | Monitoring multiple system indicators |
KR20200052245A (ko) * | 2018-11-02 | 2020-05-14 | 알리바바 그룹 홀딩 리미티드 | 다수의 시스템 지시자의 모니터링 |
JP2023501030A (ja) * | 2020-09-30 | 2023-01-18 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
JP7242101B2 (ja) | 2020-09-30 | 2023-03-20 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
WO2023210518A1 (ja) * | 2022-04-28 | 2023-11-02 | 一般社団法人クラインシュタイン医工学パースペクティブ | 異常予測システム、方法及びコンピュータプログラム |
JP2023163616A (ja) * | 2022-04-28 | 2023-11-10 | 一般社団法人クラインシュタイン医工学パースペクティブ | 異常予測システム、方法及びコンピュータプログラム |
JP7455892B2 (ja) | 2022-04-28 | 2024-03-26 | 一般社団法人クラインシュタイン医工学パースペクティブ | 異常予測システム、方法及びコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
MX368054B (es) | 2019-09-18 |
EP3139313A3 (en) | 2017-04-05 |
EP3139313A2 (en) | 2017-03-08 |
US20160299938A1 (en) | 2016-10-13 |
BR102016003934B1 (pt) | 2022-09-06 |
AU2018203321A1 (en) | 2018-05-31 |
BR102016003934A2 (pt) | 2016-10-11 |
CA2921054A1 (en) | 2016-10-10 |
MX2016002227A (es) | 2017-01-05 |
CA2921054C (en) | 2020-07-07 |
US10223403B2 (en) | 2019-03-05 |
EP3139313B1 (en) | 2021-07-21 |
AU2018203321B2 (en) | 2019-06-06 |
JP6313730B2 (ja) | 2018-04-18 |
AU2016201088A1 (en) | 2016-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6313730B2 (ja) | 異常検出システムおよび方法 | |
US11190425B2 (en) | Anomaly detection in a network based on a key performance indicator prediction model | |
US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
JP7103274B2 (ja) | 検知装置及び検知プログラム | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
WO2017154844A1 (ja) | 分析装置、分析方法および分析プログラム | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
Chen et al. | Failure prediction of jobs in compute clouds: A google cluster case study | |
Deif et al. | A comprehensive wireless sensor network reliability metric for critical Internet of Things applications | |
US20210157310A1 (en) | System and method for forecasting industrial machine failures | |
Girish et al. | Anomaly detection in cloud environment using artificial intelligence techniques | |
Hoffmann et al. | Advanced failure prediction in complex software systems | |
WO2018071005A1 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
CN112380044B (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN109254865A (zh) | 一种基于统计分析的云数据中心服务异常根因定位方法 | |
US20230289568A1 (en) | Providing an alarm relating to an accuracy of a trained function method and system | |
Shi et al. | Research on the Initial Fault Prediction Method of Rolling Bearings Based on DCAE‐TCN Transfer Learning | |
US12001546B2 (en) | Systems and methods for causality-based multivariate time series anomaly detection | |
Chu et al. | Developing Deep Survival Model for Remaining Useful Life Estimation Based on Convolutional and Long Short‐Term Memory Neural Networks | |
Yang et al. | A causal approach to detecting multivariate time-series anomalies and root causes | |
CN112149880A (zh) | 用户规模预测方法、装置、电子设备及存储介质 | |
Jiang et al. | Prediction on the remaining useful life of rolling bearings using ensemble DLSTM | |
Kadirvel et al. | Towards it systems capable of managing their health |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170703 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170801 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171101 |
|
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: 20180306 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180323 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6313730 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |