JP2017138929A - 時系列データ波形分析装置、方法、及びプログラム - Google Patents
時系列データ波形分析装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP2017138929A JP2017138929A JP2016021313A JP2016021313A JP2017138929A JP 2017138929 A JP2017138929 A JP 2017138929A JP 2016021313 A JP2016021313 A JP 2016021313A JP 2016021313 A JP2016021313 A JP 2016021313A JP 2017138929 A JP2017138929 A JP 2017138929A
- Authority
- JP
- Japan
- Prior art keywords
- waveform
- feature
- series data
- time series
- time
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
- G01R23/167—Spectrum analysis; Fourier analysis using filters with digital filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/18—Spectrum analysis; Fourier analysis with provision for recording frequency spectrum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】計算量が低減された時系列データ波形分析装置、方法、及びプログラムを提供する。【解決手段】一実施形態に係る時系列データ波形分析装置は、特徴波形追加部と、特徴量計算部と、パラメータ更新部と、特徴波形除去部と、を備える。特徴波形追加部は、ラベル付き時系列データに含まれる部分時系列の一部を、特徴波形集合に特徴波形として追加する。特徴量計算部は、1つ又は複数のラベル付き時系列データをランダムに抽出し、抽出されたラベル付き時系列データに対する、特徴波形の特徴量をTSS法に基づいて計算する。パラメータ更新部は、特徴量に基づいて、特徴波形と、特徴波形に対応する重み係数と、を含むパラメータを確率的勾配降下法に基づいて更新する。特徴波形除去部は、対応する重み係数が0である特徴波形を、特徴波形集合から除去する。評価関数生成部は、特徴波形と、重み係数と、に基づいて、評価関数を生成する。【選択図】図1
Description
本発明の実施形態は、時系列データ波形分析装置、方法、及びプログラムに関する。
近年、経済時系列分析や工場内製造プロセスのセンサ監視などの様々な分野において、時系列データの波形を分析する技術が重要となっている。この技術は、時系列データの分類、予測、及びスコア付けなど(以下、「分類等」という)に利用される。
時系列データの波形を分析する方法として、Time Series Shapelets法(以下、「TSS法」という)が注目されている。TSS法を利用することにより、高精度な分析が可能であることが報告されている。TSS法では、学習用の複数の時系列データに基づいて、特徴波形(shapelet)の特徴量と、特徴量の重み係数と、を含む評価関数を生成し、この評価関数を利用して、時系列データの分類等を行う。
従来のTSS法では、特徴波形の全候補数をQ、時系列データの数をN、各時系列データの長さ(時系列長)をLとすると、評価関数を生成するための計算量は、O(Q×N×L×L)となった。全候補数Qは、時系列データから生成可能な部分時系列の総数であるため膨大である。また、計算量は、時系列長の2乗で増大する。結果として、従来のTSS法では、計算量が大きく、実時間での計算が困難になる恐れがあった。
計算量を低減するために、予めK個(K≪Q)の特徴波形候補を用意する方法も提案されている。この方法によれば、計算量は、O(K×N×L×L)となる。しかしながら、この方法では、用意された特徴波形候補が適当でない場合、評価関数を求めるための目的関数の解が収束せず、評価関数が得られないという問題もある。
"Learning Time-Series Shapelets", KDD '14 Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningPages 392-401/Josif Grabocka et.al/TSS法に基づく効率的な特徴波形および線形評価関数の最適化に関する研究
計算量が低減された時系列データ波形分析装置、方法、及びプログラムを提供する。
一実施形態に係る時系列データ波形分析装置は、特徴波形追加部と、特徴量計算部と、パラメータ更新部と、特徴波形除去部と、を備える。特徴波形追加部は、ラベル付き時系列データに含まれる部分時系列の一部を、特徴波形集合に特徴波形として追加する。特徴量計算部は、1つ又は複数のラベル付き時系列データをランダムに抽出し、抽出されたラベル付き時系列データに対する、特徴波形の特徴量をTSS法に基づいて計算する。パラメータ更新部は、特徴量に基づいて、特徴波形と、特徴波形に対応する重み係数と、を含むパラメータを確率的勾配降下法に基づいて更新する。特徴波形除去部は、対応する重み係数が0である特徴波形を、特徴波形集合から除去する。評価関数生成部は、特徴波形と、重み係数と、に基づいて、評価関数を生成する。
以下、本発明の実施形態について図面を参照して説明する。
(第1実施形態)
第1実施形態に係る時系列データ波形分析装置(以下、「分析装置」という)について、図1〜図5を参照して説明する。まず、本実施形態に係る分析装置による、時系列データ波形分析方法(以下、「分析方法」という)の概要について説明する。
第1実施形態に係る時系列データ波形分析装置(以下、「分析装置」という)について、図1〜図5を参照して説明する。まず、本実施形態に係る分析装置による、時系列データ波形分析方法(以下、「分析方法」という)の概要について説明する。
本実施形態では、まず、分析装置の入力として、学習用の時系列データと、部分時系列集合と、目的関数パラメータと、が用意される。分析装置は、特徴波形として、部分時系列集合からK個の部分時系列をランダムに抽出する。分析装置は、抽出した特徴波形と、学習用の時系列データと、に基づいて、各時系列データにおける各特徴波形の特徴量を計算する。分析装置は、得られた特徴量に基づいて、所望の制約条件を有する目的関数(最適化問題)を解き、最適な特徴波形と、最適な重み係数と、を計算する。本実施形態において、目的関数の最適解は、確率的勾配降下法により求められる。分析装置は、こうして得られた最適な特徴波形及び重み係数を含む評価関数を生成し、生成した評価関数により、分析用の時系列データの分類等を行う。
次に、本実施形態に係る分析装置の機能構成について説明する。図1は、本実施形態に係る分析装置の機能構成の一例を示す図である。図1の分析装置は、学習用データ記憶部1と、部分時系列記憶部2と、分析用データ記憶部3と、パラメータ記憶部4と、特徴波形追加部5と、特徴量計算部6と、パラメータ更新部7と、更新終了判定部8と、評価関数生成部9と、時系列データ波形分析部10と、特徴波形除去部11と、を備える。
学習用データ記憶部1は、評価関数を生成するための学習用データとして、ラベル付きデータセットTを記憶する。図2は、ラベル付きデータセットTの一例を示す図である。図2に示すように、ラベル付きデータセットTは、N個のラベル付き時系列データti(i=1〜N)(以下、「時系列データti」という)の集合である。各時系列データtiは、時系列長がLiの時系列データに、ラベルが付与されたものである。ラベル付きデータセットTに含まれる各時系列データtiの時系列長Liは、それぞれ同一であってもよいし、異なってもよい。
図2の例では、各時系列データtiに、ラベルとして2値の整数(+1又は−1)が付与されている。以下では、ラベル+1が付与された時系列データtiの個数はa個、ラベル−1が付与された時系列データtiの個数はb個であるものとする(a+b=N)。
本実施形態において、分析装置が生成する評価関数は、例えば、ラベルが未知の時系列データに対して、推定されるラベルに応じたスコア(評価値)を算出する関数となる。具体的には、評価関数は、ラベルが+1と推定される時系列データに対して高い(又は低い)スコアを算出し、ラベルが−1と推定される時系列データに対して低い(又は高い)スコアを算出する関数となる。
また、評価関数は、算出されたスコアに基づいて推定される、時系列データのラベルを出力する関数であってもよい。この場合、評価関数は、時系列データのスコアを閾値と比較し、比較結果に応じたラベルを出力すればよい。
なお、本実施形態において、時系列データtiに付与されるラベルは、3種類以上であってもよいし、任意の実数値であってもよい。以下では、学習用データ記憶部1に、図2のラベル付きデータセットTが記憶されている場合を例に説明する。
部分時系列記憶部2は、部分時系列集合Gを記憶する。部分時系列集合Gは、Q個の部分時系列gi(i=1〜Q)の集合である。各部分時系列giは、ラベル付きデータセットTに含まれる各時系列データtiから抽出された、時系列長riを有する任意の部分時系列である。部分時系列集合Gに含まれる各部分時系列giの時系列長riは、それぞれ同一であってもよいし、異なってもよい。本実施形態において、部分時系列集合Gは、TSS法における特徴波形の候補として、予め用意される。例えば、部分時系列集合Gは学習用データの全部分時系列集合でもよいし、以前本分析装置で似た学習データを分析済みであれば、その際出力された特徴波形を、今回の学習データに対する特徴波形の候補として用意してもよい。
分析用データ記憶部3は、分析用データとして、評価関数による分析対象となるラベル無し時系列データを記憶する。分析装置は、評価関数を利用して、ラベル無し時系列データのスコアやラベルを推定する。これにより、分析装置は、ラベル無し時系列データを、分類等することができる。
パラメータ記憶部4は、評価関数を生成するための各種のパラメータを記憶する。パラメータ記憶部4が記憶するパラメータについて、詳しくは後述する。
特徴波形追加部5(以下、「追加部5」という)は、部分時系列集合GからK(≪Q)個の部分時系列gjをランダムに抽出し、特徴波形集合Sに追加する。特徴波形集合Sは、K個の特徴波形si(i=1〜K)の集合である。特徴波形集合Sに追加された部分時系列gは、以降の処理において、特徴波形sとして扱われる。
特徴量計算部6は、ラベル付きデータセットTから時系列データtをランダムに抽出し、抽出した各時系列データtの特徴量ベクトルXを計算する。特徴量ベクトルXは、時系列データtに対する、各特徴波形sjの特徴量xsjを要素として含むベクトルである。
ここで、特徴量xの計算方法について説明する。本実施形態における特徴量xとは、TSS法における、時系列データtと特徴波形sとの間の距離に応じた値のことである。具体的には、特徴量xは、時系列長rを有する特徴波形sと、時系列データtに含まれる部分時系列gsと、の間の距離を、時系列長rで除算した値である。部分時系列gsとは、時系列データtに含まれる部分時系列のうち、時系列長rを有し、かつ、特徴波形sとマッチする(特徴波形sとの間の平均距離が最も小さい)部分時系列のことである。特徴量xは、以下の式で表される。
式(1)におけるgは時系列データtに含まれる部分時系列であり、Gは時系列データtの部分時系列集合である。式(1)からわかるように、特徴量xは、特徴波形sと、時系列データtに含まれる部分時系列gsと、の間の平均距離に相当する。言い換えると、特徴量xは、特徴波形sと、時系列データtと、の間の平均距離の最小値に相当する。
ここで、図3は、特徴量xの計算方法の具体例を示す図である。図3の例では、2つの特徴波形s1,s2と、時系列データtと、が用意されている。特徴波形s1は、3つのデータ(0.1,1.0,0.1:時系列長3)からなり、特徴波形s2は、4つのデータ(0.1,0.5,0.5,0.1:時系列長4)からなり、時系列データtは、9つのデータ(0.1,1.1,0.1,0.1,0.1,0.3,0.3,0.1,0.1)からなる。
このとき、時系列データtの特徴波形s1に対する部分時系列gs1は、時系列データtにおける1番目から3番目のまでのデータからなる部分時系列であり、特徴波形s1の特徴量xs1は、0.003(=1/3×{(0.1−0.1)2+(1.1−1.0)2+(0.1−0.1)2})となる。
また、時系列データtの特徴波形s2に対する部分時系列gs2は、時系列データtにおける5番目から8番目のまでのデータからなる部分時系列であり、特徴波形s2の特徴量xs2は、0.02(=1/4×{(0.1−0.1)2+(0.3−0.5)2+(0.3−0.5)2+(0.1−0.1)2})となる。
本実施形態において、特徴量計算部6は、時系列データtに対して、上記のようにK個の特徴波形sj(j=1〜K)の特徴量xsjを計算する。したがって、時系列データtの特徴量ベクトルXは、K個の特徴量xsjを要素として含むベクトルとなる。
パラメータ更新部7は、パラメータ記憶部4に記憶されたパラメータと、時系列データtの特徴量ベクトルXと、に基づいて、評価関数fの各種のパラメータを更新する。パラメータ更新部7は、更新した各パラメータを、パラメータ記憶部4に記憶させる。
本実施形態において、評価関数fは、各特徴波形の特徴量xsi(i=1〜K)と、各特徴量xsiの重み係数wsiと、を含む線形関数で表される。評価関数fは、例えば、特徴量ベクトルXと、重みベクトルWと、の内積で表される(f=X・W)。重みベクトルWは、重み係数wsi(i=1〜K)を要素として含むベクトルのことである。
より詳細には、パラメータ更新部7は、確率的勾配降下法を利用して、重みベクトルW(重み係数w)及び特徴波形集合S(特徴波形s)を更新し、目的関数の解を求める。評価関数fは、パラメータ更新部7により更新された重みベクトルW及び特徴波形集合Sにより構成される。パラメータ更新部7は、特徴波形更新部71と、重み係数更新部72と、重み係数正則化部73と、他変数更新部74と、を備える。
特徴波形更新部71は、各特徴波形sの勾配を計算し、得られた勾配に基づいて、特徴波形sを更新する。これにより、特徴波形集合Sが更新される。特徴波形sの更新方法について、詳しくは後述する。
重み係数更新部72は、重み係数wの勾配を計算し、得られた勾配に基づいて、重み係数wを更新する。これにより、重みベクトルWが更新される。重み係数wの更新方法について、詳しくは後述する。
重み係数正則化部73(以下、「正則化部73」という)は、重み係数更新部72が更新した重みベクトルWを、目的関数に含まれる正則化条件に基づいて正則化する。例えば、正則化部73は、L1空間写像アルゴリズムを利用して、重みベクトルWを、||W||1≦λの空間に写像することができる。このとき、正則化の計算量は、O(K)程度となる。L1空間写像アルゴリズムについて、詳しくは以下の文献に記載の通りである。
参考:J.Duchi et al., Efficient projections onto the l1-ball for learning in high dimensions
参考:J.Duchi et al., Efficient projections onto the l1-ball for learning in high dimensions
なお、重みベクトルWの正則化方法は上記のものに限られず、任意に選択可能である。分析装置のユーザは、所望の正則化条件を設定することができる。
他変数更新部74は、目的関数に含まれる他変数の勾配を計算し、得られた勾配に基づいて、他変数を更新する。他変数とは、目的関数に含まれる、特徴波形集合S及び重みベクトルWを除く最適化対象のことである。目的関数に他変数が含まれない場合、他変数更新部74は不要である。他変数の更新方法について、詳しくは後述する。
更新終了判定部8(以下、「判定部8」という)は、パラメータの更新を終了するか判定する。具体的には、判定部8は、更新終了条件が満たされたか判定する。更新終了条件は、例えば、更新回数により設定される。この場合、判定部8は、パラメータ更新部7による更新回数が所定回数に達すると、更新を終了すると判定する。このように、更新終了条件を更新回数により設定することにより、評価関数fの生成処理に要する時間を所望の範囲内に設定することができる。
また、更新終了条件は、得られた評価関数fの予測精度により設定されてもよい。この場合、判定部8は、学習用データ記憶部1から複数の時系列データtを取得し、パラメータ更新部7が更新した特徴波形集合S及び重みベクトルWにより構成される評価関数fにより、取得した時系列データtのラベルを予測する。判定部8は、予測されたラベルの正解率が所定値以上の場合、更新を終了すると判定する。このように、更新終了条件を予測精度により設定することにより、得られる評価関数fの予測精度を保証することができる。
評価関数生成部9は、パラメータ記憶部4に記憶された各パラメータに基づいて、評価関数fを生成する。評価関数fは、例えば、重みベクトルWと、特徴波形集合Sに対応する特徴量ベクトルXと、の内積で表される(f=W・X=wixi(i=1〜K))。
時系列データ波形分析部10(以下、「分析部10」という)は、評価関数生成部9が生成した評価関数fに基づいて、分析用データを分析する。すなわち、分析部10は、ラベル無し時系列データの分類等を行う。
特徴波形除去部11(以下、「除去部11」という)は、判定部8が、更新を終了しない(更新を継続する)と判定した場合に、対応する重み係数wが0である特徴波形sを、特徴波形集合Sから除去する。除去部11が除去する特徴波形sの数をk個とする。除去部11がk個の特徴波形sを除去すると、特徴波形集合Sに含まれる特徴波形sは、(K−k)個となる。
除去部11がk個の特徴波形sを除去すると、追加部5は、部分時系列記憶部2からk個の部分時系列gを新たに抽出し、特徴波形sとして特徴波形集合Sに追加する。以降、新たな特徴波形集合Sに基づいて、パラメータの更新処理が行われる。
次に、本実施形態に係る分析装置のハードウェア構成について説明する。本実施形態に係る分析装置は、コンピュータ100により構成される。コンピュータ100には、サーバ、クライアント、マイコン、及び汎用コンピュータなどが含まれる。
図4は、コンピュータ100の一例を示す図である。図4のコンピュータ100は、プロセッサ101と、入力装置102と、表示装置103と、通信装置104と、記憶装置105と、を備える。プロセッサ101、入力装置102、表示装置103、通信装置104、及び記憶装置105は、バス106により相互に接続されている。
プロセッサ101は、コンピュータ100の制御装置及び演算装置を含む電子回路である。プロセッサ101として、例えば、汎用目的プロセッサ、中央処理装置(CPU)、マイクロプロセッサ、デジタル信号プロセッサ(DSP)、コントローラ、マイクロコントローラ、状態マシン、特定用途向け集積回路、フィールドプログラマブルゲートアレイ(FPGA)、プログラム可能論理回路(PLD)、及びこれらの組合せを用いることができる。
プロセッサ101は、バス106を介して接続された各装置(例えば、入力装置102、通信装置104、記憶装置105)から入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を、バス106を介して接続された各装置(例えば、表示装置103、通信装置104、記憶装置105)に出力する。具体的には、プロセッサ101は、コンピュータ100のOS(オペレーティングシステム)や、時系列データ波形分析プログラム(以下、「分析プログラム」という)などを実行し、コンピュータ100を構成する各装置を制御する。
分析プログラムとは、コンピュータ100に、分析装置の上述の各機能構成を実現させるプログラムである。分析プログラムは、一時的でない有形のコンピュータ読み取り可能な記憶媒体 に記憶される。上記の記憶媒体は、例えば、光ディスク、光磁気ディスク、磁気ディスク、磁気テープ、フラッシュメモリ、半導体メモリであるが、これに限られない。プロセッサ101が分析プログラムを実行 することにより、コンピュータ100が分析装置として機能する。
入力装置102は、コンピュータ100に情報を入力するための装置である。入力装置102は、例えば、キーボード、マウス、及びタッチパネルであるが、これに限られない。
表示装置103は、画像や映像を表示するための装置である。表示装置103は、例えば、LCD(液晶ディスプレイ)、CRT(ブラウン管)、及びPDP(プラズマディスプレイ)であるが、これに限られない。表示装置103は、学習用データ、分析用データ、特徴波形s、評価関数f、及び分析結果など、分析装置により記憶又は生成された任意の情報を表示することができる。
通信装置104は、コンピュータ100が外部装置と無線又は有線で通信するための装置である。通信装置104は、例えば、モデム、ハブ、及びルータであるが、これに限られない。
記憶装置105は、コンピュータ100のOSや、分析プログラム、分析プログラムの実行に必要なデータ、及び分析プログラムの実行により生成されたデータなどを記憶する記憶媒体である。記憶装置105には、主記憶装置と外部記憶装置とが含まれる。主記憶装置は、例えば、RAM、DRAM、SRAMであるが、これに限られない。また、外部記憶装置は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。学習用データ記憶部1、部分時系列記憶部2、分析用データ記憶部3、パラメータ記憶部4は、記憶装置105上に構築されてもよいし、通信装置104を介して接続された外部のサーバ上に構築されてもよい。
なお、コンピュータ100は、プロセッサ101、入力装置102、表示装置103、通信装置104、及び記憶装置105を、それぞれ1つ又は複数備えてもよいし、プリンタやスキャナなどの周辺機器を接続されていてもよい。
また、分析装置は、単一のコンピュータ100により構成されてもよいし、相互に接続された複数のコンピュータ100からなるシステムとして構成されてもよい。
さらに、分析プログラムは、コンピュータ100の記憶装置105に予め記憶されていてもよいし、コンピュータ100の外部の記憶媒体に記憶されていてもよいし、インターネット上にアップロードされていてもよい。いずれの場合も、分析プログラムをコンピュータ100にインストールして実行することにより、分析装置の機能が実現される。
次に、本実施形態に係る分析装置の動作について具体的に説明する。以下では、動作の開始時点で、学習用データ(ラベル付きデータセットT)、部分波形集合G、分析用データ(ラベル無し時系列データ)、目的関数、及び各種のパラメータは、予め用意されているものとする。また、目的関数は、以下の式で表されるものとする。
式(2)において、λは、重みベクトルWを正則化する空間を規定するパラメータである。λは、0ではない重み係数wの個数に影響を与える。||W||1≦λは、正則化条件である。また、νは、汎化性能に関連する調整パラメータであり、0以上1以下に設定される。パラメータλ,νは、学習用データに対するスコア付けの精度が最大になるように決定されるのが好ましい。パラメータλ,νは、その設定値がパラメータ記憶部4に記憶される。
また、ρ(>0)は、最適化されるスカラー変数であり、大きいほどスコア付けの汎用性能が高いことを示すパラメータである。パラメータρは、上述の他変数に相当し、重みベクトルW及び特徴波形集合Sとともに、目的関数による最適化対象となる。パラメータρ及び重みベクトルWは、その初期値がパラメータ記憶部4に記憶される。
また、lは、損失関数であり、以下の式で表される。
式(3)の損失関数lは、ペアワイズヒンジ損失関数である。ペアワイズヒンジ損失関数を利用することにより、2値のラベルに応じたスコアを精度良く算出する評価関数fを生成することができる。
また、X+はラベル+1を付与された時系列データt+から得られる特徴量ベクトルXであり、X−はラベル−1を付与された時系列データt−から得られる特徴量ベクトルXである。式(2)の目的関数は、できるだけ多くの特徴量ベクトルX+,X−のペアに対して、f(X+)−f(X−)>0となるようなf(X)=W・Xを求めるためのものである。
また、パラメータ記憶部4には、確率的勾配降下法のパラメータである学習率ηの設定値が記憶される。なお、学習率ηは、変数毎に異なる値が設定されてもよい。また、学習率ηは、変数毎の更新回数に応じ、値を変えていっても構わない。例えば、変数の更新回数をcとしたとき、各変数の更新の際、一般にη=η/c、η=η/c1/2などとすることで、最適値に収束しやすいことが知られている。
なお、目的関数は、上記のものに限られず、評価関数fの目的に応じて、任意に設定可能である。例えば、損失関数lとして、ヒンジ損失関数、ロジスティック損失関数、又はε−インセンシティブ損失関数を利用することで、ラベルを予測する評価関数fを生成することができる。また、ロジスティック損失関数を利用することにより、ロジスティック回帰問題に適用可能な評価関数fを生成することができる。また、ε−インセンシティブ損失関数を利用することにより、時系列データの値を予測する回帰問題に、適用可能な評価関数fを生成することができる。これらの損失関数について、詳しくは以下の文献に記載の通りである。
参考:S. Shalev-Shwartz, Y. Singer, and N. Srebro. Pegasos: Primal estimated sub-gradient solver for svm. In Proceedings of the 24th International Conference on Machine Learning, ICML '07, pages 807-814, New York, NY, USA, 2007. ACM.
参考:S. Shalev-Shwartz, Y. Singer, and N. Srebro. Pegasos: Primal estimated sub-gradient solver for svm. In Proceedings of the 24th International Conference on Machine Learning, ICML '07, pages 807-814, New York, NY, USA, 2007. ACM.
図5は、本実施形態に係る分析装置による評価関数の生成処理の一例を示すフローチャートである。図5に示すように、生成処理が開始されると、まず、追加部5が、特徴波形集合Sを空集合に初期化し、部分時系列記憶部2からK個の部分時系列gをランダムに抽出し、抽出したK個の部分時系列gを特徴波形sとして特徴波形集合Sに追加する(ステップS1)。特徴波形集合Sには、特徴波形si(i=1〜K)が含まれる。
次に、特徴量計算部6が、学習用データ記憶部1から、ラベル+1を付与された時系列データt+と、ラベル−1を付与された時系列データt−と、のペアをランダムに抽出する(ステップS2)。
特徴量計算部6は、抽出した時系列データt+,t−に対して、それぞれ特徴量ベクトルX+,X−を計算する(ステップS3)。これにより、特徴量ベクトルX+,X−のペアが得られる。
なお、損失関数lが、ヒンジ損失関数、ロジスティック損失関数、又はε−インセンシティブ損失関数である場合には、特徴量計算部6は、時系列データtを1つランダムに抽出し、その特徴量ベクトルXを計算すればよい。
続いて、特徴波形更新部71が、特徴量ベクトルX+,X−と、パラメータ記憶部4に記憶された各種のパラメータと、に基づいて、特徴波形集合Sを更新する(ステップS4)。具体的には、特徴波形更新部71は、特徴波形siの勾配を、以下の式により計算する。
式(4)において、wiは特徴波形siに対応する重み係数であり、x+は時系列データt+に対する特徴波形siの特徴量であり、x−は時系列データt−に対する特徴波形siの特徴量である。また、Iは、指示関数であり、入力が真の場合に1、偽の場合に0を返す。
特徴波形更新部71は、式(4)により得られた勾配に基づいて、特徴波形siを以下のように更新する。
特徴波形更新部71は、以上のように、特徴波形集合Sに含まれるK個の特徴波形si(i=1〜K)をそれぞれ更新する。これにより、特徴波形集合Sが更新される。
また、重み係数更新部72が、特徴量ベクトルX+,X−と、パラメータ記憶部4に記憶された各種のパラメータと、基づいて、重みベクトルWを更新する(ステップS5)。具体的には、重み係数更新部72は、重みベクトルWの勾配を、以下の式により計算する。
重み係数更新部72は、式(6)により得られた勾配に基づいて、重みベクトルWを以下のように更新する。
そして、正則化部73が、更新された重みベクトルWを、正則化条件に従って正則化する。式(2)の例では、正則化部72は、重みベクトルWをL1正則化する。
また、他変数更新部74が、特徴量ベクトルX+,X−と、パラメータ記憶部4に記憶された各種のパラメータと、基づいて、他変数を更新する(ステップS6)。式(2)の例では、目的関数には、他変数としてパラメータρが含まれる。そこで、他変数更新部74は、パラメータρの勾配を、以下の式により計算する。
他変数更新部74は、式(8)により得られた勾配に基づいて、パラメータρを以下のように更新する。
こうして更新された特徴波形集合S、重みベクトルW、及びパラメータρは、パラメータ記憶部4に記憶される。なお、上記のステップS4〜S6の順番は任意である。また、目的関数に他変数が含まれない場合、ステップS6は省略される。
次に、判定部8が、更新終了条件が満たされたか判定する(ステップS7)。更新終了条件については、上述の通りである。
更新終了条件が満たされていない場合(ステップS7のNO)、除去部11が、対応する重み係数wが0であるk個の特徴波形sを、特徴波形集合Sから除去する(ステップS8)。
そして、追加部5が、部分時系列記憶部2からk個の部分時系列gをランダムに抽出し、抽出したk個の部分時系列gを、新たな特徴波形sとして特徴波形集合Sに追加する(ステップS9)。
その後、評価関数fの生成処理は、ステップS2に戻る。以降、更新終了条件が満たされるまで、ステップS2〜S9の処理が繰り返される。
一方、更新終了条件が満たされた場合(ステップS7のYES)、評価関数生成部9が、その時点でパラメータ記憶部4に記憶されている特徴波形集合S及び重みベクトルWに基づいて、評価関数fを生成する(ステップS10)。評価関数fは、例えば、重みベクトルWと、特徴波形集合Sに対応する特徴量ベクトルXと、の内積で表される。
上述の通り、本実施形態では、更新処理毎にランダムに選択された時系列データtに基づいて、各パラメータが更新され、目的関数の解が求められる。この最適化アルゴリズムは、いわゆる、確率的勾配降下法に相当する。すなわち、本実施形態では、確率的勾配降下法を利用して、評価関数fが生成される。
分析部10は、こうして生成された評価関数fを利用して、分析用データの分析を行う。これにより、分析部10は、ラベルが+1と推定される時系列データに対して高い(又は低い)スコアを付与し、ラベルが−1と推定される時系列データに対して低い(又は高い)スコアを付与することができる。
以上説明した通り、本実施形態に係る分析装置は、K個の特徴波形sに対して複数回の更新処理を実行することにより、評価関数fを生成することができる。更新処理の回数をn(≪N)とすると、評価関数fを生成するために利用される時系列データtの数はn個である。また、各時系列データの時系列長をLとする。このとき、本実施形態における、評価関数fを生成するための計算量は、O(K×n×L)となる。したがって、本実施形態により、評価関数fを生成するための計算量を大幅に低減することが可能となり、計算量が低減された分析装置を実現することができる。
また、本実施形態に係る分析装置は、ランダムに選択されたK個の部分時系列gを特徴波形sとして利用して評価関数fを生成する。したがって、K個の適当な特徴波形候補を用意することなく、任意のラベル付きデータセットTに基づいて、評価関数fを生成することができる。
また、本実施形態に係る分析装置は、対応する重み係数wが0である特徴波形sが除去された特徴波形集合Sに基づいて、評価関数fを生成する。これにより、特徴波形集合Sに含まれる各特徴波形sの独立性を高め、予測精度が高い評価関数fを生成することができる。
本実施形態に係る分析装置が分析する時系列データとして、例えば、製造装置等に搭載されている様々なセンサの時系列データが考えられる。分析装置によりセンサの時系列データを分析することにより、製造装置等の異常を検知するための特徴波形及び評価関数を生成することができる。この特徴波形及び評価関数を用いて、現在のセンサの時系列データを分析することにより、製造装置等の異常をリアルタイムに検知することができる。本実施形態に係る分析装置を利用することにより、時系列データの時系列長が非常に長い場合(例えば、サンプリングレートが高い場合や、処理時間が長い場合)であっても、高速に分析することができる。
また、エネルギー需要量等も時系列データで表される。そこで、この時系列データに、高需要状況、低需要状況、平常状況などの、需要状況を示すラベルを付与した学習用データを用意し、この学習用データを分析装置で分析することで、エネルギー需要量等の需要状況を推定するための特徴波形及び評価関数を生成することができる。この特徴波形及び評価関数を用いて、現在の時系列データにラベルを付与することにより、現在の需要状況を推定し、電力供給量の調整に活用することができる。本実施形態に係る分析装置を利用することにより、需要量等の測定スパン(1日、1週間など)が長い場合であっても、高速に分析することができる。
また、加速度計などの生体センサの時系列データに、立っている、歩いている、眠っているなどの、人間の状態や行動を示すラベルを付与した学習用データを用意し、この学習用データを分析装置で分析することで、人間の状態や行動を推定するための特徴波形及び評価関数を生成することができる。この特徴波形及び評価関数を用いて、現在の時系列データにラベルを付与することにより、現在の状態や行動を推定し、医療行為などに活用することができる。本実施形態に係る分析装置を利用することにより、サンプリングレートが非常に高い生体センサであっても、高速に分析することができる。
なお、本実施形態において、パラメータ更新部7による各種のパラメータの更新は、バッチ処理により実行されてもよい。この場合、ステップS2において、特徴量計算部6は、複数のペアを抽出し、抽出された各ペアに対応する特徴量ベクトルX+,X−のペアを計算する。そして、ステップS4〜S6において、パラメータ更新部7は、特徴量ベクトルX+,X−の各ペアに基づいて、特徴波形集合S、重みベクトルW、及び他変数をそれぞれ更新する。すなわち、1回の更新処理で、各パラメータがそれぞれ複数回更新される。これにより、更新処理の回数を低減することができる。
(第2実施形態)
第2実施形態に係る分析装置について、図6及び図7を参照して説明する。本実施形態では、特徴波形集合Sは、優先度に応じたk個の部分時系列gを、特徴波形sとして追加される。図6は、本実施形態に係る分析装置の機能構成の一例を示す図である。図6の分析装置は、優先度計算部12を備える。図6の分析装置の他の構成は、図1と同様である。また、本実施形態に係る分析装置のハードウェア構成は、第1実施形態と同様である。
第2実施形態に係る分析装置について、図6及び図7を参照して説明する。本実施形態では、特徴波形集合Sは、優先度に応じたk個の部分時系列gを、特徴波形sとして追加される。図6は、本実施形態に係る分析装置の機能構成の一例を示す図である。図6の分析装置は、優先度計算部12を備える。図6の分析装置の他の構成は、図1と同様である。また、本実施形態に係る分析装置のハードウェア構成は、第1実施形態と同様である。
優先度計算部12は、部分時系列gの優先度を計算する。部分時系列gの優先度とは、除去部11が特徴波形集合Sから除去した特徴波形sに対する、部分時系列gの非類似度を示す値である。優先度計算部12は、非類似度が高いほど優先度を高く計算する。言い換えると、部分時系列gの優先度は、除去された特徴波形sに対する非類似度が高いほど高くなる。
非類似度として、例えば、特徴量を利用することができる。特徴量が大きいほど、非類似度は高くなる。この場合、優先度計算部12は、部分時系列gに対する、除去された特徴波形sの特徴量を計算し、得られた特徴量が大きい程、優先度を高く計算すればよい。
除去された特徴波形sが複数ある場合、優先度計算部12は、部分時系列gの優先度として、各特徴波形sに対する部分時系列gの優先度の最大値、最小値、又は平均値などを計算すればよい。
本実施形態において、追加部5は、優先度計算部12が計算した優先度が高い部分時系列gを、特徴波形sとして特徴波形集合Sに追加する。追加方法について、詳しくは後述する。
次に、本実施形態に係る分析装置の動作について説明する。図7は、本実施形態に係る分析装置による部分時系列gの追加処理の一例を示すフローチャートである。図7のフローチャートは、図5のステップS9の内部処理に相当する。なお、本実施形態における評価関数fの生成処理における、ステップ9以外の処理は図5と同様である。
本実施形態では、除去部11がk個の特徴波形sを特徴波形集合Sから除去すると(ステップS8)、図7に示すように、追加部5が、部分時系列記憶部2から1つの部分時系列gをランダムに抽出する(ステップS91)。次に、優先度計算部12が、抽出された部分時系列gの優先度を計算する(ステップS92)。続いて、追加部5が、部分時系列gの優先度が予め設定された閾値以上であるか判定する(ステップS93)。
優先度が閾値未満の場合(ステップS93のNO)、処理はステップS91に戻る。
一方、優先度が閾値以上である場合(ステップS93のYES)、追加部5は、ステップS91で抽出した部分時系列gを、特徴波形sとして特徴波形集合Sに追加する(ステップS94)。
その後、追加部5は、特徴波形集合Sにk個の部分時系列gを追加したか判定する(ステップS95)。k個の部分時系列gが追加されていない場合(ステップS95のNO)、処理はステップS91に戻る。一方、k個の部分時系列gが追加されている場合(ステップS95のYES)、部分時系列gの追加処理が終了する。その後、優先度が高い部分時系列sが追加された特徴波形集合Sに基づいて、評価関数fが生成される。
以上説明した通り、本実施形態に係る分析装置は、対応する重み係数wが0である特徴波形sの代わりに、優先度が高い特徴波形s(部分時系列g)が追加された特徴波形集合Sに基づいて、評価関数fを生成する。これにより、特徴波形集合Sに含まれる各特徴波形sの独立性をより高め、予測精度が高い評価関数fを生成することができる。
なお、部分時系列gの抽出及び優先度の計算は、バッチ処理により実行されてもよい。この場合、ステップS91において、追加部5が、複数の部分時系列gを抽出しステップS92において、優先度計算部12が、抽出された複数の部分時系列gの優先度を計算する。
また、本実施形態において、優先度計算部12は、部分時系列記憶部2に記憶された部分時系列gの一部又は全部の優先度を、予め計算してもよい。この場合、追加部5は、優先度が計算された部分時系列gの中から、優先度が高い順にk個の部分時系列gを特徴波形集合Sに追加すればよい。このように部分時系列gを追加することにより、優先度が高い順に部分時系列gを特徴波形集合Sに追加することができる。
なお、本発明は上記各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、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。
1:学習用データ記憶部、2:部分時系列記憶部、3:分析用データ記憶部、4:パラメータ記憶部、5:特徴波形追加部、6:特徴量計算部、7:パラメータ更新部、8:更新終了判定部、9:評価関数生成部、10:時系列データ波形分析部、11:特徴波形除去部、12:優先度計算部、71:特徴波形更新部、72:重み係数更新部、73:重み係数正則化部、74:他変数更新部、100:コンピュータ、101:プロセッサ、102:入力装置、103:表示装置、104:通信装置、105:記憶装置、106:バス
Claims (9)
- ラベル付き時系列データに含まれる部分時系列の一部を、特徴波形集合に特徴波形として追加する特徴波形追加部と、
1つ又は複数のラベル付き時系列データをランダムに抽出し、抽出された前記ラベル付き時系列データに対する、前記特徴波形の特徴量をTSS法に基づいて計算する特徴量計算部と、
前記特徴量に基づいて、前記特徴波形と、前記特徴波形に対応する重み係数と、を含むパラメータを確率的勾配降下法に基づいて更新するパラメータ更新部と、
対応する前記重み係数が0である前記特徴波形を、前記特徴波形集合から除去する特徴波形除去部と、
前記特徴波形と、前記重み係数と、に基づいて、評価関数を生成する評価関数生成部と、
を備える時系列データ波形分析装置。 - 前記パラメータ更新部は、前記特徴量に基づいて、前記パラメータの勾配を計算し、前記勾配に基づいて、前記パラメータを更新する
請求項1に記載の時系列データ波形分析装置。 - 前記特徴量は、前記特徴波形と、前記ラベル付き時系列データと、の間の平均距離の最小値である
請求項1又は請求項2に記載の時系列データ波形分析装置。 - 前記評価関数に基づいて、ラベル無し時系列データを分析する時系列データ波形分析部を備える
請求項1乃至請求項3のいずれか1項に記載の時系列データ波形分析装置。 - 前記パラメータ更新部は、所定の正則化条件に従って、前記重み係数を正則化する
請求項1乃至請求項4のいずれか1項に記載の時系列データ波形分析装置。 - 更新回数又は前記評価関数の精度に基づいて、前記パラメータの更新を終了するか判定する更新終了判定部を備える
請求項1乃至請求項5のいずれか1項に記載の時系列データ波形分析装置。 - 対応する前記重み係数が0である前記特徴波形と、前記ラベル付き時系列データに含まれる部分時系列と、の非類似度に応じた優先度を計算する優先度計算部を備える
請求項1乃至請求項6のいずれか1項に記載の時系列データ波形分析装置。 - ラベル付き時系列データに含まれる部分時系列の一部を、特徴波形集合に特徴波形として追加する工程と、
1つ又は複数のラベル付き時系列データをランダムに抽出し、抽出された前記ラベル付き時系列データに対する、前記特徴波形の特徴量をTSS法に基づいて計算する工程と、
前記特徴量に基づいて、前記特徴波形と、前記特徴波形に対応する重み係数と、を含むパラメータを確率的勾配降下法に基づいて更新する工程と、
対応する前記重み係数が0である前記特徴波形を、前記特徴波形集合から除去する工程と、
前記特徴波形と、前記重み係数と、に基づいて、評価関数を生成する工程と、
を含む時系列データ波形分析方法。 - ラベル付き時系列データに含まれる部分時系列の一部を、特徴波形集合に特徴波形として追加する工程と、
1つ又は複数のラベル付き時系列データをランダムに抽出し、抽出された前記ラベル付き時系列データに対する、前記特徴波形の特徴量をTSS法に基づいて計算する工程と、
前記特徴量に基づいて、前記特徴波形と、前記特徴波形に対応する重み係数と、を含むパラメータを確率的勾配降下法に基づいて更新する工程と、
対応する前記重み係数が0である前記特徴波形を、前記特徴波形集合から除去する工程と、
前記特徴波形と、前記重み係数と、に基づいて、評価関数を生成する工程と、
をコンピュータに実行させる時系列データ波形分析プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016021313A JP2017138929A (ja) | 2016-02-05 | 2016-02-05 | 時系列データ波形分析装置、方法、及びプログラム |
US15/261,165 US20170227584A1 (en) | 2016-02-05 | 2016-09-09 | Time-series data waveform analysis device, method therefor and non-transitory computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016021313A JP2017138929A (ja) | 2016-02-05 | 2016-02-05 | 時系列データ波形分析装置、方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2017138929A true JP2017138929A (ja) | 2017-08-10 |
Family
ID=59496917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016021313A Pending JP2017138929A (ja) | 2016-02-05 | 2016-02-05 | 時系列データ波形分析装置、方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20170227584A1 (ja) |
JP (1) | JP2017138929A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190111210A (ko) * | 2018-03-22 | 2019-10-02 | 고려대학교 세종산학협력단 | 시계열 분석 기법을 이용한 소비전력 패턴 분류 방법 및 장치 |
KR102049428B1 (ko) * | 2018-07-02 | 2019-11-27 | 차의과학대학교 산학협력단 | 시계열 기반의 멀티 채널신호 분석 시스템 및 방법 |
JP2020149466A (ja) * | 2019-03-14 | 2020-09-17 | 株式会社日立製作所 | 時系列データ監視システム、および時系列データ監視方法 |
JP2020170214A (ja) * | 2019-04-01 | 2020-10-15 | 株式会社東芝 | 時系列データ分析方法、時系列データ分析装置及びコンピュータプログラム |
JP2021149652A (ja) * | 2020-03-19 | 2021-09-27 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109161931B (zh) * | 2018-10-22 | 2019-11-08 | 中南大学 | 基于shapelet转换的铝电解阳极电流分类方法 |
JP7206898B2 (ja) * | 2018-12-25 | 2023-01-18 | 富士通株式会社 | 学習装置、学習方法および学習プログラム |
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 |
CN114528334B (zh) * | 2022-02-18 | 2022-10-18 | 重庆伏特猫科技有限公司 | 一种时序数据库中快速相似搜索方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702502B2 (en) * | 2005-02-23 | 2010-04-20 | Digital Intelligence, L.L.C. | Apparatus for signal decomposition, analysis and reconstruction |
US9940386B2 (en) * | 2015-08-28 | 2018-04-10 | Accenture Global Services Limited | Distributed model-building |
-
2016
- 2016-02-05 JP JP2016021313A patent/JP2017138929A/ja active Pending
- 2016-09-09 US US15/261,165 patent/US20170227584A1/en not_active Abandoned
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190111210A (ko) * | 2018-03-22 | 2019-10-02 | 고려대학교 세종산학협력단 | 시계열 분석 기법을 이용한 소비전력 패턴 분류 방법 및 장치 |
KR102087026B1 (ko) * | 2018-03-22 | 2020-03-10 | 고려대학교 세종산학협력단 | 시계열 분석 기법을 이용한 소비전력 패턴 분류 방법 및 장치 |
KR102049428B1 (ko) * | 2018-07-02 | 2019-11-27 | 차의과학대학교 산학협력단 | 시계열 기반의 멀티 채널신호 분석 시스템 및 방법 |
JP2020149466A (ja) * | 2019-03-14 | 2020-09-17 | 株式会社日立製作所 | 時系列データ監視システム、および時系列データ監視方法 |
JP7030072B2 (ja) | 2019-03-14 | 2022-03-04 | 株式会社日立製作所 | 時系列データ監視システム、および時系列データ監視方法 |
JP2020170214A (ja) * | 2019-04-01 | 2020-10-15 | 株式会社東芝 | 時系列データ分析方法、時系列データ分析装置及びコンピュータプログラム |
JP7085513B2 (ja) | 2019-04-01 | 2022-06-16 | 株式会社東芝 | 情報処理装置、情報処理方法、及びコンピュータプログラム |
JP2021149652A (ja) * | 2020-03-19 | 2021-09-27 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
JP7132263B2 (ja) | 2020-03-19 | 2022-09-06 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
US11803613B2 (en) | 2020-03-19 | 2023-10-31 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and recording medium |
Also Published As
Publication number | Publication date |
---|---|
US20170227584A1 (en) | 2017-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017138929A (ja) | 時系列データ波形分析装置、方法、及びプログラム | |
Lin et al. | Parameter determination of support vector machine and feature selection using simulated annealing approach | |
JP7103341B2 (ja) | 関係性探索システム、情報処理装置、方法およびプログラム | |
CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
JP5854274B2 (ja) | 情報処理装置および方法、並びにプログラム | |
JPWO2016079972A1 (ja) | 要因分析装置、要因分析方法とプログラム、及び、要因分析システム | |
WO2019227716A1 (zh) | 流感预测模型的生成方法、装置及计算机可读存储介质 | |
JP2020144400A (ja) | エンタングルした測定を用いたパウリ文字列のグループ化 | |
US10635078B2 (en) | Simulation system, simulation method, and simulation program | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
JP6631540B2 (ja) | 情報処理システム、変化点検出方法、およびプログラム | |
JP6172317B2 (ja) | 混合モデル選択の方法及び装置 | |
JP6658507B2 (ja) | 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム | |
JP2019191769A (ja) | データ判別プログラム、データ判別装置およびデータ判別方法 | |
JP6930195B2 (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
Kattan et al. | GP made faster with semantic surrogate modelling | |
CN113516185B (zh) | 模型训练的方法、装置、电子设备及存储介质 | |
JP2020139914A (ja) | 物質構造分析装置、方法及びプログラム | |
JP2020091756A (ja) | 学習方法、学習プログラムおよび学習装置 | |
JP6648828B2 (ja) | 情報処理システム、情報処理方法、及び、プログラム | |
JP6869588B1 (ja) | 情報処理装置、方法及びプログラム | |
JP7489275B2 (ja) | 情報処理装置、情報処理システムおよび情報処理方法 | |
KR102289396B1 (ko) | 군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용 | |
Sheikh et al. | Niched evolutionary techniques for performance, energy, and temperature optimized scheduling in multi-core systems | |
Yousefi et al. | Opening the black box: Discovering and explaining hidden variables in type 2 diabetic patient modelling |