JP2017207852A - 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 - Google Patents
相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 Download PDFInfo
- Publication number
- JP2017207852A JP2017207852A JP2016098654A JP2016098654A JP2017207852A JP 2017207852 A JP2017207852 A JP 2017207852A JP 2016098654 A JP2016098654 A JP 2016098654A JP 2016098654 A JP2016098654 A JP 2016098654A JP 2017207852 A JP2017207852 A JP 2017207852A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- change point
- correlation
- data
- 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
- 230000008859 change Effects 0.000 title claims abstract description 292
- 238000000034 method Methods 0.000 title claims description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 19
- 238000004891 communication Methods 0.000 description 41
- 238000012545 processing Methods 0.000 description 28
- 238000005314 correlation function Methods 0.000 description 16
- 238000005311 autocorrelation function Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
Description
(a)ユーザによる通信トラヒックの変化、(b)ユーザ数の変化、
(c)基地局でのパラメータの変更、(d)基地局の新設や廃局、
(e)設備における故障や障害の発生
が挙げられる。
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
してコンピュータを機能させる変化点検出プログラムが提供される。
特徴量生成手段は、当該所定条件を満たす高い自己相関を示す時系列データを、当該相関行列を生成するための時系列データ群に含めることも好ましい。
変化点決定手段は、当該特徴量時系列データでの特徴量の変動に基づいて、変化点を発生させた時系列データを特定することも好ましい。
特徴量生成手段は、当該基準となる時系列データ毎に、当該特徴量時系列データを生成することも好ましい。
本変化点検出プログラムは、変化点決定手段によって変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測する変化点予測手段としてコンピュータを更に機能させることも好ましい。
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
部分空間追跡法を用い、当該基準となる時系列データと、決定された時系列データとを含む時系列データ群に係る新たな時点でのデータに基づいて、予め設定された初期の固有ベクトル又は前時点で更新された固有ベクトルを更新し、当該時系列データ群に含まれる1つの時系列データにおける他の時系列データとの間の相関係数から生成される代表ベクトルと、更新された当該固有ベクトルとの向きの差に対応するスカラ値を、当該新たな時点での特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
してコンピュータを機能させる変化点検出プログラムが提供される。
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
を有する変化点検出装置が提供される。
本変化点検出装置は、変化点決定手段によって変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測する変化点予測手段を更に有することも好ましい。
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定するステップと、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成するステップと、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定するステップと
を有する変化点検出方法が提供される。
当該基準となる時系列データとの間で、ある正のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを含む時系列データリストを生成するステップと、
上記の変化点を決定するステップで変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測するステップと
を更に有することも好ましい。
図1は、本発明による変化点検出装置の一実施形態における機能構成を示す機能ブロック図である。
(A)基準となる時系列データ(以後、「基準時系列データ」と略称)との間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データ(以後、「高相互相関データ」と略称)を決定し、
(B)「基準時系列データ」と、決定された「高相互相関データ」とを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の「固有ベクトル」と、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される「代表ベクトル」との向きの差に対応するスカラ値を「スカラ特徴量」として、各時点での「スカラ特徴量」を含む特徴量時系列データを生成し、
(C)当該特徴量時系列データでの「スカラ特徴量」の変動に基づいて、当該1つの時系列データの変化点を決定する。
同じく、図1に示した機能ブロック図によれば、変化点検出装置1は、通信インタフェース101と、時系列データ蓄積部102と、相関データ記憶部103と、特徴量時系列記憶部104と、変化点情報記憶部105と、時系列データリスト蓄積部106と、ディスプレイ(DP)107と、キーボード(KB)108と、プロセッサ・メモリとを有する。ここで、プロセッサ・メモリは、変化点検出装置1のコンピュータを機能させるプログラムを実行することによって、変化点検出機能を実現させる。
(1) R(τ)=T-1Σt=1 T A(t)・A(t+τ)
によって算出される。上式(1)において、A(t)は基準時系列データAの時刻tでのデータ値であり、A(t+τ)は時刻(t+τ)でのデータ値である。また、Σt=1 Tは、時刻tについてのt=1, 2, ・・・, Tでの総和(summation)である。ここで、時刻tは、1時間単位だけ経過すると1だけ増分する値となっている。また、それ故に、上式(1)におけるTは、基準時系列データAのデータ数と一致している。
(2) p(f)=Στ=-T T exp(-i2πfτ)・R(τ)
によって算出される。ここで、fは周波数(1/周期)であり、Στ=-T Tは、τについての−TからTまでの総和(summation)である。なお、上式(2)のexp内のiは虚数単位である。
(a)基準時系列データAにおいて、ピリオドグラムから求めたこの周期tp(=7)だけタイムシフトさせた時系列データA'を生成し、
(b)基準時系列データAの自己相関関数において、周期tp=7での自己相関関数値ACF7が所定閾値以上であるならば、生成した時系列データA'を、高自己相関データA'として、相関行列を生成するための時系列データ群に加える。
ここで、所定閾値が例えば0.80であれば、ACF7は0.81であるから、時系列データA'は、高自己相関データA'として時系列データ群に加えられることになる。
(3) CAB(tg)=T-1Σt=1 T A(t)・B(t+tg)
によって算出される。ここで、A(t)は基準時系列データAの時刻tでのデータ値であり、B(t+tg)は時系列データBの時刻t+tgでのデータ値である。また、tgは、基準時系列データAに対する時系列データBのタイムラグである。次に、相互相関データ決定部113は、時系列データAと時系列データCとの相互相関関数CAC(tg)も、次式
(4) CAC(tg)=T-1Σt=1 T A(t)・C(t+tg)
によって算出する。
(a)入力された全ての時系列データに対し、pairwiseの相互相関関数を生成し、すなわち、入力された時系列データから選択される全ての時系列データの(順序を考慮した)ペアについて相互相関関数を生成し、
(b)時系列データX及びYのペアにおいて、相互相関関数値CCFXYの絶対値が最大となるタイムラグ値tXYを算出して、このtXYを当該ペアに対応付けて記録し、
(c)上記(b)の処理を全てのペアについて実施し、
(d)入力された時系列データの各々を基準時系列データとして、当該基準時系列データ(X)毎に、ペアの相手である時系列データ(Y)についての記録されたタイムラグ(tXY)が正値であって、且つこのタイムラグ値(tXY)での相互相関関数値(CCFXY)の絶対値が所定閾値以上であれば、当該時系列データ(Y)を、時系列データリストに加え、
(e)一方、タイムラグ(tXY)が負値であって、且つこのタイムラグ値(tXY)での相互相関関数値(CCFXY)の絶対値が所定閾値以上であれば、当該時系列データ(Y)を、相関行列を生成するための時系列データ群の要素とする
ことができる。
(a)相関行列生成部114cにおいて、相関データ記憶部103から入力した基準時系列データと、対応付けられた高自己相関データと、同じく対応付けられた高相互相関データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、
(b)主成分分析PCA(Principle Component Analysis)によって、生成した相関行列の(第一主成分)固有ベクトルを算出し、
(c)算出した固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとのなす内積(角度)に相当するスカラ値を算出して、特徴量とし、
(d)各時点において上記(a)の相関行列を生成して、算出した特徴量を含む特徴量時系列データを生成する。
(5) Xk=[xk1, xk2,・・・, xk(M+1)]
で表すと、グループ内の各時系列データを列データとした行列Xの転置行列XTは、
(6) XT=[X1, X2,・・・, XNk]
の形で表される。次いで、このような行列XT(X)を用いて、時刻tでの相関行列(疑似相関行列)Ctを、次式
(7)Ct=m-1 X・XT
によって生成する。また、さらに、この生成した相関行列Ctの第一主成分固有ベクトルwを算出する。
(8) Fk(t)=cos-1(wT・ak)
によって算出する。この時刻tにおいて算出された角度Fk(t)を、時系列データXkのスカラ特徴量とし、さらに、次式
(9) F(t)=[F1(t), F2(t),・・・, FNk(t)]
で表された時刻tでの特徴量の組F(t)を算出する。
(a)最初に第N(N≧1)の期間(ウィンドウ)に係る相関行列生成用の時系列データ群から、第Nの時点での(疑似)相関行列を生成し、
(b)生成した(疑似)相関行列の第一主成分固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとのなす角度(向きの差)に対応するスカラ値を、第Nの時点での当該1つの時系列データに係る特徴量とし、
(c)次いで、第Nの期間から見て時間単位分だけ時間経過方向にずれた第(N+1)の期間(ウィンドウ)に係る当該時系列データ群から、第Nの時点に次ぐ第(N+1)の時点での(疑似)相関行列を生成し、
(d)生成した(疑似)相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとのなす角度(向きの差)に対応するスカラ値を、第(N+1)の時点での当該1つの時系列データに係る特徴量とし、
(e)このような処理を、N値を順次1だけ増分させる形で繰り返して、特徴量時系列データを生成する。
このように、時刻の経過とともにウィンドウをずらして新たな時系列データのバッチが取得される毎に固有値解析を行い、特徴量時系列データを導出するバッチ処理が行われるのである。
(a)この相関行列の第一主成分固有ベクトルと、基準時系列データAの代表ベクトルとのなす角度であるスカラ特徴量FWA[t]、
(b)この相関行列の第一主成分固有ベクトルと、高自己相関データA'の代表ベクトルとのなす角度であるスカラ特徴量FWA'[t]、及び
(c)この相関行列の第一主成分固有ベクトルと、高相互相関データCの代表ベクトルとのなす角度であるスカラ特徴量FWC[t]
を含むスカラ特徴量の組から構成されている。
(10) FWC[t+1]−FWC[t]=0.45−0.24=0.21>0.1=FTH
となり、所定以上の変化があったと判定される。これにより、変化点決定部115は、時刻t+1において時系列データCに変化点が発生したことを決定し、また、変化点の発生した時系列データを、時系列データCであると特定する。
(a)ある時刻でのスカラ特徴量Fと1つ前の時刻でのスカラ特徴量Fとの差が、予め設定された所定閾値FTHを以上となる場合に、当該ある時刻において変化点が発生したと決定する
ことができる。
(b)特徴量時系列データにおけるある時刻でのスカラ特徴量Fと、予め設定された時系列予測モデルにおける当該時刻でのデータ値との差分(誤差)を算出し、この誤差が予め設定された所定閾値以上となる場合に、当該時刻において変化点が発生したと決定する
ことも可能である。
(a)当該1つの時系列データについての時系列データリストを、時系列データリスト蓄積部106から取得し、
(b)取得した時系列データリストが時系列データを含んでいる(Nullではない)場合、すなわち、当該1つの時系列データを「因」とする(正のタイムラグ値が対応付けられた)時系列データが存在する場合、当該リストに含まれている時系列データ(の各々)において、当該1つの時点から当該正のタイムラグ値に係る時間の経過後に、変化点が発生することを予測する。
T=(t+1)+|tAC|=t+1+6=t+7 (ここで、タイムラグ値tAC=-6)
において変化点が発生する、と予測することができる。
(a)当初は、予め設定された初期の固有ベクトルを更新し、
(b)前時点で更新された固有ベクトルが存在する場合、当該前時点で更新された固有ベクトルをさらに更新し、
更新された固有ベクトルと、時系列データ群に含まれる1つの時系列データにおける他の時系列データとの間の相関係数(相互相関関数値)から生成される代表ベクトルとの向きの差(角度)に対応するスカラ値を、この新たな時点での特徴量として、各時点での特徴量を含む特徴量時系列データを生成する。
(11) yt=wT t-1・xt
dt=β・dt-1+yt 2
et=xt−wt-1・yt
wt=wt-1+et・yt/dt
を用いて算出する。ここで、dtは、時刻tの観測ベクトルxtによって更新された固有値相当量であり、βは忘却係数である。上式(11)によって算出された時刻tでの固有ベクトルwtは、時刻tの観測ベクトルxtによって更新された固有ベクトルに相当する。
(12) Ft=cos-1(wt T・at)
を用いて算出する。このような上式(11)及び(12)を用いた処理を、経過する時刻毎に、全ての時系列データの代表ベクトルについて行って特徴量Fの組を算出することにより、当該特徴量Fの組の時系列で構成される特徴量時系列データが生成される。ちなみに、このアルゴリズムの初期パラメータとしての初期固有ベクトルw(0)、及び初期固有値d(0)はそれぞれ、ゼロベクトル以外の任意のベクトル、及びゼロ以外の任意のスカラ値とすることができる。
(a)当初、図4に示したようなバッチ処理によって、時系列データ群の(疑似)相関行列を生成して、第一主成分固有ベクトル及び対応する固有値を算出し、
(b)初回の時刻だけ、又は初回の時刻から所定数の時間単位経過後の時刻まで、上記(a)の固有値解析によって、当該時刻での特徴量Fを算出し、
(c)その直後の時刻において、上記(b)で算出された固有ベクトルを初期固有ベクトルとし、部分空間追跡法を用いて、複数の時系列データに係る当該時刻でのデータに基づき、この初期固有ベクトルを更新して、時系列データ群に含まれる1つの時系列データにおける他の時系列データとの間の相関係数(相互相関関数値)から生成される代表ベクトルと、更新された初期固有ベクトルとの向きの差(角度)に対応するスカラ値を、当該新たな時点での特徴量Fとし、
(d)その後、各時刻において、図6(B)に示したような部分空間追跡法を用いた処理によって特徴量Fの組を算出し、特徴量時系列データを生成する
ことも好ましい。
(e)当初から所定期間経過後の時刻において、再度、当該時刻に係る時系列データの(疑似)相関行列を生成し、第一主成分固有ベクトル(及び対応する固有値)を算出して、特徴量Fの組を算出する
ことも好ましい。この後は、新たな時刻毎に、引き続き固有値解析を行って特徴量Fの組を算出してもよいし、または、これらの固有ベクトル及び固有値を部分空間追跡法のパラメータとして順次更新して、当該時刻での特徴量Fの組を算出してもよい。
(S11)各系列の最新時系列データを取得する。
(S12)系列毎に、時系列データを、時系列データ蓄積部102に蓄積する。
(S14)一方、ステップS13において真の判定が行われた場合、判定された時系列データにおける最古データから順次、データ長が所定閾値以内となるまでデータを削除した上で、当該時系列データを次の変化点検出対象とする。
(S21)データ長を調整された変化点検出対象の全時系列データを読み込む。
(S22)基準時系列データ毎に、高自己相関データを生成し、相関行列を生成するための時系列データ群に加える。
(S23)基準時系列データ毎に、正のタイムラグ値で所定以上の高相互相関を示すデータを生成し、変化点発生予測のために用いる時系列データリストに加える。
(S24)基準時系列データ毎に、高相互相関データを決定し、相関行列を生成するための時系列データ群に加える。
(S26)基準時系列データ毎に、算出された固有ベクトルと代表ベクトルとのなす角度に相当するスカラ値を特徴量とし、各時刻での特徴量の組から特徴量時系列データを生成・更新する。
(S27)生成・更新した特徴量時系列データの変動に基づいて変化点を検出し、当該変化点を発生させた時系列データを特定する。
(S28)生成・更新した時系列データリストを用いて、変化点を発生させる時系列データを、その推定発生時刻とともに予測する。
以上、ステップS11からステップS28までの処理を各時刻において実施することによって、本変化点検出方法の実施が完了する。
101 通信インタフェース
102 時系列データ蓄積部
103 相関データ記憶部
104 特徴量時系列記憶部
105 変化点情報記憶部
106 時系列データリスト蓄積部
107 ディスプレイ
108 キーボード
111 時系列データアクセス部
112 自己相関データ生成部
113 相互相関データ決定部
114 特徴量生成部
114c 相関行列生成部
114p 部分空間追跡部
115 変化点決定部
115m モデル比較部
116 変化点予測部
117 入出力制御部
Claims (12)
- 時系列データから傾向変化や異常を示す変化点を検出する装置に搭載されたコンピュータを機能させる変化点検出プログラムであって、
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
してコンピュータを機能させることを特徴とする変化点検出プログラム。 - 前記変化点検出プログラムは、当該基準となる時系列データについて、所定条件を満たす高い自己相関を示す時系列データを生成する自己相関データ生成手段としてコンピュータを更に機能させ、
前記特徴量生成手段は、当該所定条件を満たす高い自己相関を示す時系列データを、当該相関行列を生成するための時系列データ群に含める
ことを特徴とする請求項1に記載の変化点検出プログラム。 - 前記特徴量生成手段は、当該時系列データ群に含まれる時系列データ毎に、当該時系列データに係る行列要素から生成される代表ベクトルについての特徴量を生成し、各時点において当該時系列データ毎に生成された複数の特徴量の組を含む特徴量時系列データを生成し、
前記変化点決定手段は、当該特徴量時系列データでの特徴量の変動に基づいて、変化点を発生させた時系列データを特定する
ことを特徴とする請求項1又は2に記載の変化点検出プログラム。 - 前記相互相関データ決定手段は、変化点を検出する対象となる複数の時系列データの各々を、基準となる時系列データとし、当該基準となる時系列データ毎に、当該高い相互相関を示す1つ又は複数の時系列データを決定し、
前記特徴量生成手段は、当該基準となる時系列データ毎に、当該特徴量時系列データを生成する
ことを特徴とする請求項1から3のいずれか1項に記載の変化点検出プログラム。 - 前記相互相関データ決定手段は、当該基準となる時系列データとの間で、ある正のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを含む時系列データリストを生成し、
前記変化点検出プログラムは、前記変化点決定手段によって変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測する変化点予測手段としてコンピュータを更に機能させる
ことを特徴とする請求項1から4のいずれか1項に記載の変化点検出プログラム。 - 前記特徴量生成手段は、第N(N≧1)の期間に係る当該時系列データ群から、第Nの時点での相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を、第Nの時点での当該1つの時系列データに係る特徴量とし、次いで、第Nの期間から見て時間単位分だけ時間経過方向にずれた第(N+1)の期間に係る当該時系列データ群から、第Nの時点に次ぐ第(N+1)の時点での相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を、第(N+1)の時点での当該1つの時系列データに係る特徴量とする処理を、N値を順次増分させる形で繰り返して、当該特徴量時系列データを生成することを特徴とする請求項1から5のいずれか1項に記載の変化点検出プログラム。
- 前記特徴量生成手段は、部分空間追跡法を用いて、当該時系列データ群に係る新たな時点でのデータに基づいて、当該相関行列の固有ベクトルを更新し、当該時系列データ群に含まれる1つの時系列データにおける他の時系列データとの間の相関係数から生成される代表ベクトルと、更新された当該固有ベクトルとの向きの差に対応するスカラ値を、当該新たな時点での特徴量とすることを特徴とする請求項1から6のいずれか1項に記載の変化点検出プログラム。
- 時系列データから傾向変化や異常を示す変化点を検出する装置に搭載されたコンピュータを機能させる変化点検出プログラムであって、
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
部分空間追跡法を用い、当該基準となる時系列データと、決定された時系列データとを含む時系列データ群に係る新たな時点でのデータに基づいて、予め設定された初期の固有ベクトル又は前時点で更新された固有ベクトルを更新し、当該時系列データ群に含まれる1つの時系列データにおける他の時系列データとの間の相関係数から生成される代表ベクトルと、更新された当該固有ベクトルとの向きの差に対応するスカラ値を、当該新たな時点での特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
してコンピュータを機能させることを特徴とする変化点検出プログラム。 - 時系列データから傾向変化や異常を示す変化点を検出する変化点検出装置であって、
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定する相互相関データ決定手段と、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成する特徴量生成手段と、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定する変化点決定手段と
を有することを特徴とする変化点検出装置。 - 前記相互相関データ決定手段は、当該基準となる時系列データとの間で、ある正のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを含む時系列データリストを生成し、
前記変化点検出装置は、前記変化点決定手段によって変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測する変化点予測手段を更に有する
ことを特徴とする請求項9に記載の変化点検出装置。 - 時系列データから傾向変化や異常を示す変化点を検出する装置における変化点検出方法であって、
基準となる時系列データとの間で、ある負のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを決定するステップと、
当該基準となる時系列データと、決定された時系列データとを含む時系列データ群から、1つの時点に係る相関行列を生成し、当該相関行列の固有ベクトルと、当該時系列データ群に含まれる1つの時系列データに係る行列要素から生成される代表ベクトルとの向きの差に対応するスカラ値を特徴量として、各時点での当該特徴量を含む特徴量時系列データを生成するステップと、
当該特徴量時系列データでの特徴量の変動に基づいて、当該1つの時系列データの変化点を決定するステップと
を有することを特徴とする変化点検出方法。 - 当該基準となる時系列データとの間で、ある正のタイムラグ値において所定条件を満たす高い相互相関を示す1つ又は複数の時系列データを含む時系列データリストを生成するステップと、
前記変化点を決定するステップで変化点が1つの時点で決定された時系列データについての当該時系列データリストに含まれた時系列データにおいて、当該1つの時点から当該正のタイムラグに係る時間の経過後に、変化点が発生することを予測するステップと
を更に有することを特徴とする請求項11に記載の変化点検出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016098654A JP6602256B2 (ja) | 2016-05-17 | 2016-05-17 | 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016098654A JP6602256B2 (ja) | 2016-05-17 | 2016-05-17 | 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017207852A true JP2017207852A (ja) | 2017-11-24 |
JP6602256B2 JP6602256B2 (ja) | 2019-11-06 |
Family
ID=60416868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016098654A Active JP6602256B2 (ja) | 2016-05-17 | 2016-05-17 | 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6602256B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020024509A (ja) * | 2018-08-06 | 2020-02-13 | 富士通株式会社 | 情報処理装置及び情報処理プログラム、並びに分散処理システム |
CN113421020A (zh) * | 2021-07-13 | 2021-09-21 | 神策网络科技(北京)有限公司 | 一种多指标异常点重合度分析方法 |
CN113535990A (zh) * | 2020-11-10 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 确定多媒体内容的方法、装置、存储介质和电子设备 |
WO2022247600A1 (zh) * | 2021-05-26 | 2022-12-01 | 中兴通讯股份有限公司 | 数据处理方法及设备、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006107179A (ja) * | 2004-10-06 | 2006-04-20 | Ntt Data Corp | 異常値検出装置、変化点検出装置及び異常値検出方法、変化点検出方法 |
JP2008165649A (ja) * | 2006-12-29 | 2008-07-17 | Yokogawa Electric Corp | プラント異常診断支援システムおよび方法 |
WO2015045319A1 (ja) * | 2013-09-26 | 2015-04-02 | 日本電気株式会社 | 情報処理装置、及び、分析方法 |
JP2017138708A (ja) * | 2016-02-02 | 2017-08-10 | Kddi株式会社 | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 |
-
2016
- 2016-05-17 JP JP2016098654A patent/JP6602256B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006107179A (ja) * | 2004-10-06 | 2006-04-20 | Ntt Data Corp | 異常値検出装置、変化点検出装置及び異常値検出方法、変化点検出方法 |
JP2008165649A (ja) * | 2006-12-29 | 2008-07-17 | Yokogawa Electric Corp | プラント異常診断支援システムおよび方法 |
WO2015045319A1 (ja) * | 2013-09-26 | 2015-04-02 | 日本電気株式会社 | 情報処理装置、及び、分析方法 |
JP2017138708A (ja) * | 2016-02-02 | 2017-08-10 | Kddi株式会社 | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020024509A (ja) * | 2018-08-06 | 2020-02-13 | 富士通株式会社 | 情報処理装置及び情報処理プログラム、並びに分散処理システム |
CN113535990A (zh) * | 2020-11-10 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 确定多媒体内容的方法、装置、存储介质和电子设备 |
CN113535990B (zh) * | 2020-11-10 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 确定多媒体内容的方法、装置、存储介质和电子设备 |
WO2022247600A1 (zh) * | 2021-05-26 | 2022-12-01 | 中兴通讯股份有限公司 | 数据处理方法及设备、计算机可读存储介质 |
CN113421020A (zh) * | 2021-07-13 | 2021-09-21 | 神策网络科技(北京)有限公司 | 一种多指标异常点重合度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6602256B2 (ja) | 2019-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105677538B (zh) | 一种基于故障预测的云计算系统自适应监测方法 | |
US9658916B2 (en) | System analysis device, system analysis method and system analysis program | |
JP6847591B2 (ja) | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム | |
US9274869B2 (en) | Apparatus, method and storage medium for fault cause extraction utilizing performance values | |
US10901832B2 (en) | System for maintenance recommendation based on failure prediction | |
JP6602256B2 (ja) | 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 | |
Kim et al. | Bearing fault prognosis based on health state probability estimation | |
JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
EP2963553B1 (en) | System analysis device and system analysis method | |
US7636051B2 (en) | Status monitor apparatus | |
US20140365829A1 (en) | Operation management apparatus, operation management method, and program | |
Kim et al. | Machine prognostics based on health state estimation using SVM | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
Karthik et al. | Data trust model for event detection in wireless sensor networks using data correlation techniques | |
JP7248103B2 (ja) | 異常検知方法、異常検知装置、プログラム | |
JP6587950B2 (ja) | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 | |
JP7218765B2 (ja) | 時系列データ処理方法 | |
Lei et al. | Data-model fusion RUL prediction | |
Khajehzadeh et al. | Detection of abnormal energy patterns pointing to gradual conveyor misalignment in a factory automation testbed | |
US11885720B2 (en) | Time series data processing method | |
Alamaniotis et al. | Predictive based monitoring of nuclear plant component degradation using a support vector regression approach | |
CN118655789A (zh) | 配电终端的环境适应性自动调节方法 | |
Celaya et al. | A discussion on uncertainty representation and interpretation in model-based prognostics algorithms based on kalman filter estimation applied to prognostics of electronics components | |
Guillouët et al. | Extensive resilience analysis of function models of complex systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180801 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190523 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190529 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190606 |
|
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: 20191007 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191008 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6602256 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |