JP2019074927A - Abnormal data detecting method and apparatus thereof from use history data on tire - Google Patents
Abnormal data detecting method and apparatus thereof from use history data on tire Download PDFInfo
- Publication number
- JP2019074927A JP2019074927A JP2017200569A JP2017200569A JP2019074927A JP 2019074927 A JP2019074927 A JP 2019074927A JP 2017200569 A JP2017200569 A JP 2017200569A JP 2017200569 A JP2017200569 A JP 2017200569A JP 2019074927 A JP2019074927 A JP 2019074927A
- Authority
- JP
- Japan
- Prior art keywords
- data
- tire
- abnormal data
- abnormal
- data set
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000002955 isolation Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 24
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000013500 data storage Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Tires In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、複数の項目から成るタイヤの使用履歴のデータから、異常データを検出する方法とその装置とに関する。 The present invention relates to a method and apparatus for detecting abnormal data from tire usage history data consisting of a plurality of items.
タイヤの使用履歴に関するデータ、例えば、新品時からのタイヤの走行距離、トレッド溝深さや空気圧の推移などを採取する際、採取したデータの中に、測定や調査方法のミス、採取データの転記ミスなど、様々な理由で、異常なデータが混じることがある。
蓄積したタイヤの使用履歴に関するデータを、タイヤの適正な交換時期やメンテナンス時期の予測や、種々のタイヤサイズの違いによる特性の評価等、様々なことに利用しようとする際には、蓄積されたデータの中に異常データが混じっていると、有効な利用の妨げとなるため、蓄積されたタイヤの使用履歴に関するデータから、異常なデータを検出して除去する必要がある。
ところで、異常なデータを抽出する方法としては、センサー装置から取得された時間的に変化する測定値を集計し、これら集計された測定値のデータの中から、周期的に変動する指標を用いて正常なパターンを抽出し、この正常パターンと、予め設定された集計期間に得られたデータのパターンとを比較して、データが異常か否かを判定する方法が提案されている（例えば、特許文献１参照）。
When collecting data on tire usage history, for example, travel distance of tire from the time of new item, tread groove depth and change in air pressure, errors in measurement and survey methods, errors in collecting collected data, etc. And so on, abnormal data may be mixed for various reasons.
Accumulated when trying to use various accumulated data on tire usage history such as prediction of proper replacement time and maintenance time of tires, evaluation of characteristics due to differences in various tire sizes, etc. Since abnormal data is mixed in the data, it is necessary to detect and remove the abnormal data from the stored data on the usage history of the tire, since it interferes with effective utilization.
By the way, as a method of extracting abnormal data, the time-varying measurement values acquired from the sensor device are totaled, and from the data of the totalized measurement values, an index which periodically fluctuates is used. There has been proposed a method of extracting a normal pattern and comparing the normal pattern with a pattern of data obtained in a preset aggregation period to determine whether the data is abnormal (for example, a patent). Reference 1).
しかしながら、上記特許文献１に記載の方法では、摩耗量やタイヤ内圧など、走行距離や時間経過により一方的に変化するタイヤの使用履歴に関するデータに関しては、異常なデータを検出して除去することが困難である、といった問題点があった。
However, in the method described in
本発明は、従来の問題点に鑑みてなされたもので、タイヤの使用履歴に関するデータから、異常なデータを検出し、良質なデータのみを得る方法とその装置と提供することを目的とする。 The present invention has been made in view of the conventional problems, and it is an object of the present invention to provide a method and apparatus for detecting abnormal data from data on tire use history and obtaining only good data.
本発明は、タイヤの使用履歴に関するデータから異常なデータを検出する方法であって、タイヤの使用履歴に関するデータを収集するステップと、前記収集されたタイヤの使用履歴の複数項目から選択される、例えば、走行距離と摩耗量、もしくは、内圧充填からの経過日数と内圧などの、相関関係にある複数の項目の組み合わせであるデータセットを抽出するステップと、前記抽出されたデータセットから、アイソレーションフォレスト（Isolation Forest）などの機械学習アルゴリズムにより、異常なデータを検出するステップと、を備え、前記異常なデータを検出するステップでは、予め正常であると判定された複数のデータセットを訓練データとして構築した判別モデルに基づいて、前記データセットが異常なデータセットであるか否かを判定することを特徴とする。
このように、相関関係にある複数の項目の組み合わせについて異常であるか否かの判定を行うようにしたので、異常なデータを精度よく検出することができる。
このとき、機械学習の訓練データとして、予め正常であると判定された複数のデータセットを用いれば、判別モデルを効果的に構築できる。
The present invention is a method of detecting abnormal data from data relating to tire usage history, comprising the steps of collecting data relating to tire usage history, and selected from a plurality of items of the collected tire usage history. For example, extracting a data set which is a combination of a plurality of correlated items such as traveling distance and wear amount, or elapsed days from internal pressure filling and internal pressure, and isolation from the extracted data set Detecting abnormal data with a machine learning algorithm such as Isolation Forest, and in the step of detecting the abnormal data, a plurality of data sets determined to be normal in advance are used as training data. Based on the constructed discriminant model, whether or not the data set is an abnormal data set It is characterized by judging.
As described above, since it is determined whether or not a combination of a plurality of correlated items is abnormal, abnormal data can be detected with high accuracy.
At this time, a discriminant model can be effectively constructed by using a plurality of data sets determined to be normal in advance as training data for machine learning.
また、本発明は、タイヤの使用履歴に関するデータから、異常なデータを検出する装置であって、タイヤの使用履歴に関するデータを記憶する記憶手段と、前記記憶されたタイヤの使用履歴の複数項目から選択される、相関関係にある複数の項目の組み合わせであるデータセットを抽出するデータセット抽出手段と、前記抽出されたデータセットから、機械学習アルゴリズムにより異常なデータを検出する異常データ検出手段と、を備え、前記異常データ検出手段は、予め正常であると判定された複数のデータセットを前記機械学習に使用する訓練データとして構築された判別モデルに基づいて前記抽出されたデータセットが異常なデータセットであるか否かを判定することを特徴とする。
このような構成を採ることにより、精度の高い異常データ検知装置を得ることができる。
Further, the present invention is an apparatus for detecting abnormal data from data relating to the use history of a tire, and storing means for storing data relating to the use history of the tire, and a plurality of items of the use history of the tire stored. Data set extraction means for extracting a data set which is a combination of a plurality of correlated items selected; abnormal data detection means for detecting abnormal data from the extracted data set by a machine learning algorithm; And the abnormal data detection means is data in which the extracted data set is abnormal based on a discriminant model constructed as training data using a plurality of data sets previously determined to be normal for the machine learning. It is characterized by judging whether it is a set.
By adopting such a configuration, it is possible to obtain an abnormal data detection device with high accuracy.
なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。 The summary of the invention does not enumerate all necessary features of the present invention, and a subcombination of these feature groups can also be an invention.
図１は、タイヤの使用履歴データからの異常データ検出装置（以下、異常データ検出装置１０という）の構成を示す機能ブロック図である。
異常データ検出装置１０は、データ記憶手段１１と、データセット抽出手段１２と、異常データ検出手段１３とを備える。
データ記憶手段１１は、複数のタイヤ販売店Ｓ１〜Ｓｎが収集したタイヤの使用履歴に関するデータを、販売店毎に記憶する。
データセット抽出手段１２は、データ記憶手段１１に記憶されたタイヤの使用履歴の複数項目から、相関関係にある複数の項目のデータを組み合わせたデータセットを抽出する。
タイヤの使用履歴の項目としては、走行距離、走行時間、内圧充填からの経過日数、摩耗量、内圧などがあるが、本例では、走行距離Ｄi（km）と摩耗量Ｍi（mm）とをデータセットｘi＝（Ｄi，Ｍi）とした。
異常データ検出手段１３は、アイソレーションツリー作成部１３ａと、平均パス長算出部１３ｂと、異常データ検出部１３ｃとを備え、予め正常であると判定された複数のデータセットＸj＝（Ｄj，Ｍj）を機械学習に使用する訓練データとして構築された判別モデルもしくは判別パラメータに基づいてデータセットが異常なデータセットであるか否かを判定することで、異常なデータを検出する。
本例では、機械学習のアルゴリズムとして、アイソレーションフォレスト（以下、Isolation Forest）を用いるとともに、判別パラメータとして、予め訓練データＸj ＝（Ｄj，Ｍj）を用いて学習したパス長閾ＫLとした。
FIG. 1 is a functional block diagram showing a configuration of an abnormal data detection device (hereinafter referred to as an abnormal data detection device 10) from tire use history data.
The abnormal
The
The data
As items of usage history of the tire, the running distance, running time, number of days since the inner pressure filling, wear amount, and the like pressure, in this example, the travel distance D i (km) and the wear quantity M i (mm) And the data set x i = (D i , M i ).
The abnormal data detection unit 13 includes an isolation
In this example, an isolation forest (hereinafter, Isolation Forest) is used as a machine learning algorithm, and a path length threshold K L learned using training data X j = (D j , M j ) in advance as a discrimination parameter. And
アイソレーションフォレストは、複数本のアイソレーションツリーの結果を統合した検知方法で、アイソレーションツリーは、以下の仮定（１），（２）に基づいて、正常なデータと異常なデータとを分離する。
（１）異常なデータは正常なデータに対して少数である。
（２）異常なデータの値は正常なデータの値と大きく異なっている。
次に、アイソレーションツリーによるデータの分離方法について、図２（ａ），（ｂ）を参照して説明する。なお、説明を簡便にするため、データ数を４個とした。
図２（ｂ）の大きな円で示したアイソレーションツリーのノード（node-1〜node-3）は、データの属性（ｐ，ｑ）とその閾値との関係により、データをどのように分割したか表している。閾値は、データの最大値と最小値の間からランダムに選ばれる（閾値は、例えば、アイソレーションツリー作成部１３ａに設けられた図示しない乱数発生器を用いて設定される）。分割は、これ以上分割できなくなった時点で終了する。
上記の仮定（１），（２）から、正常なデータは分布が密集しているので、他のデータから分離するのに何回も分割しなくてはいけないのに対し、異常なデータは、閾値をランダムに選択しても、少ない回数で分離できる。
ここで、データの通過するノードの数をパス長Ｌ（もしくは、ツリー深さ）とすると、
異常なデータのパス長が短いことがわかる。
しかしながら、ノードの設定はランダムなので、１本のツリーでは誤差が出やすい。そこで、アイソレーションフォレストでは、ランダムな閾値を用いた多数のアイソレーションツリー（ランダムツリーフォーレスト）を作成して、判定するデータのパス長Ｌの平均値（以下、平均パス長Ｌaveという）算出し、この平均パス長Ｌaveと、予め訓練データＸj
＝（Ｄj，Ｍj）を用いて学習した判定モデルとしてのパス長閾値ＫLと比較することで、異常なデータを正常なデータから分離する。
The isolation forest is a detection method that integrates the results of multiple isolation trees. The isolation tree isolates normal data and abnormal data based on the following assumptions (1) and (2) .
(1) There are few abnormal data with respect to normal data.
(2) The value of abnormal data is largely different from the value of normal data.
Next, a method of separating data by an isolation tree will be described with reference to FIGS. 2 (a) and 2 (b). In order to simplify the explanation, the number of data is four.
The nodes (node-1 to node-3) of the isolation tree indicated by large circles in FIG. 2 (b) divide the data according to the relationship between the data attributes (p, q) and their threshold values. Or represents. The threshold is randomly selected from between the maximum value and the minimum value of the data (the threshold is set, for example, using a random number generator (not shown) provided in the isolation
From the above assumptions (1) and (2), since normal data is densely distributed, it is necessary to divide it many times to separate from other data, while abnormal data is Even if the threshold is randomly selected, separation can be performed with a small number of times.
Here, assuming that the number of nodes through which data passes is path length L (or tree depth),
It can be seen that the path length of abnormal data is short.
However, since the setting of nodes is random, errors can easily occur in one tree. Therefore, in the isolation forest, a large number of isolation trees (random tree forest) using random threshold values are created, and the average value of the path lengths L of data to be determined (hereinafter referred to as average path length Lave ) is calculated. , This average path length L ave and training data X j in advance
The abnormal data is separated from the normal data by comparing with the path length threshold value K L as the determination model learned using = (D j , M j ).
アイソレーションツリー作成部１３ａは、データセット抽出手段１２で抽出された、１個もしくは複数のデータセットｘk＝（Ｄk，Ｍk）と正常なデータである訓練データＸj ＝（Ｄj，Ｍj）の一部もしくは全部とを分離するランダムツリーフォーレストを作成する。なお、複数のデータセットｘk＝（Ｄk，Ｍk）のみを用いてランダムツリーフォーレストを作成してもよい。
平均パス長算出部１３ｂと、アイソレーションツリー作成部１３ａで作成されたランダムツリーフォーレストのそれぞれについて、データセットｘk＝（Ｄk，Ｍk）のパス長Ｌkを算出して、この平均値Ｌk-aveを算出する。
異常データ検出部１３ｃでは、前記算出された平均値Ｌk-aveと予め訓練データＸj ＝（Ｄj，Ｍj）を用いて学習したパス長閾ＫLと比較することで、異常なデータセットを正常なデータセットから分離する。
なお、データセットｘk＝（Ｄk，Ｍk）が異常である場合には、走行距離Ｄi（km）と摩耗量Ｍi（mm）のいずれか一方もしくは両方が異常なデータである。
The isolation
The path length L k of the data set x k = (D k , M k ) is calculated for each of the random tree forest created by the average path
The abnormal
If the data set x k = (D k , M k ) is abnormal, one or both of the travel distance D i (km) and the wear amount M i (mm) are abnormal data.
次に、異常データ検出装置１０を用いて、複数のタイヤ販売店Ｓ１〜Ｓｎが収集したタイヤの使用履歴に関するデータから、異常データを検出する方法について、図３のフローチャートを参照して説明する。
まず、複数のタイヤ販売店Ｓ１〜Ｓｎが収集したタイヤの使用履歴に関するデータを、販売店毎に記憶する（ステップＳ１０）。
次に、記憶されたタイヤの使用履歴の複数項目から、相関関係にある走行距離Ｄi（km）と摩耗量Ｍi（mm）とをデータセットｘi＝（Ｄi，Ｍi）としを抽出する（ステップＳ１１）。
図４（ａ）は、ランダムツリーフォーレストの作成に使用したデータセットの分布を示す図で、横軸が走行距離Ｄi（km）、縦軸が摩耗量Ｍi（mm）、白丸が抽出されたデータセットｘi＝（Ｄi，Ｍi）、薄く色づけた丸が、正常なデータである訓練データＸj ＝（Ｄj，Ｍj）の一部である。
ステップＳ１２では、データセットｘk＝（Ｄk，Ｍk）と正常なデータである訓練データＸj ＝（Ｄj，Ｍj）の一部とを分離するランダムツリーフォーレストを作成する。
そして、なお、複数のデータセットｘk＝（Ｄk，Ｍk）のみを用いてランダムツリーフォーレストを作成してもよい。
次に、パスデータセットｘk＝（Ｄk，Ｍk）の平均パス長Ｌk-aveを算出し（ステップＳ１３）、この平均パス長Ｌaveと、予め訓練データＸj ＝（Ｄj，Ｍj）を用いて学習して得られたパス長閾値ＫLと比較することで、異常なデータを正常なデータから分離する。
する（ステップＳ１４）。
これにより、図４（ｂ）に示すように、データセットｘi＝（Ｄi，Ｍi）を、同図の二重丸で示す正常なデータと、同図の黒丸で示す異常なデータとに分離することができる。
同図から明らかなように、正常なデータは、走行距離が長いほど摩耗量が大きいデータであり、異常なデータの多くは、走行距離が長いにもかかわらず摩耗量が少ないデータであることから、本発明の異常データ検出方法を用いれば、異常なデータを正常なデータから確実に分離することができることがわかる。
Next, a method of detecting abnormal data from the data relating to the use history of the tire collected by the plurality of tire stores S1 to Sn using the abnormal
First, data on the use history of tires collected by the plurality of tire stores S1 to Sn is stored for each store (step S10).
Next, based on a plurality of items of the stored tire use history, a correlation distance d i (km) and a wear amount M i (mm) are set as a data set x i = (D i , M i ) It extracts (Step S11).
FIG. 4A shows the distribution of the data set used to create the random tree forest, with the horizontal axis representing travel distance D i (km), the vertical axis representing wear amount M i (mm), and white circles extracted. The data set x i = (D i , M i ), the light-colored circles are part of the training data X j = (D j , M j ), which is normal data.
In step S12, a random tree forest is created that separates the data set x k = (D k , M k ) and part of the training data X j = (D j , M j ) that is normal data.
Then, a random tree forest may be created using only a plurality of data sets x k = (D k , M k ).
Next, the average path length L k-ave of the path data set x k = (D k , M k ) is calculated (step S13), and this average path length L ave and training data X j = (D j , Abnormal data is separated from normal data by comparison with a path length threshold value K L obtained by learning using M j ).
(Step S14).
As a result, as shown in FIG. 4B, the data set x i = (D i , M i ) is represented by normal data indicated by double circles in the same figure and abnormal data indicated by black circles in the same figure. Can be separated.
As apparent from the figure, normal data is data in which the amount of wear is larger as the travel distance is longer, and many abnormal data are data in which the amount of wear is small although the travel distance is long. According to the abnormal data detection method of the present invention, it can be understood that abnormal data can be reliably separated from normal data.
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。 As mentioned above, although this invention was demonstrated using embodiment, the technical scope of this invention is not limited to the range as described in the said embodiment. It is obvious to those skilled in the art that various changes or modifications can be added to the above embodiment. It is also apparent from the scope of the claims that the embodiments added with such alterations or improvements can be included in the technical scope of the present invention.
例えば、前記実施形態では、走行距離Ｄi（km）と摩耗量Ｍi（mm）とをデータセットｘi＝（Ｄi，Ｍi）としたが、走行時間Ｔi（hr）と摩耗量Ｍi（mm）とをデータセットとしてもよい。また、本発明による異常データ検出方法は、内圧充填からの経過日数Ｒi（day）と内圧Ｐi（MPa）などの他の項目を組み合わせたデータセットについても適用可能であることはいうまでもない。
また、前記実施の形態では、機械学習のアルゴリズムとしてアイソレーションフォレストを用いたが、サポートベクトルマシーン（ＳＶＭ）どの他の機械学習のアルゴリズムを用いてもよい。
なお、学習データとして、正常なデータセットＸj ＝（Ｄj，Ｍj）を用いる場合には、機械学習のアルゴリズムとして、周知のOne-Class SVMを用いれば、データセットｘi＝（Ｄi，Ｍi）を、同図の白丸で示す正常なデータと、同図の黒丸で示す異常なデータとに分離することができる。
For example, in the above embodiment, although the travel distance D i (km) and the wear amount M i (mm) are set as the data set x i = (D i , M i ), the travel time T i (hr) and the wear amount M i (mm) may be used as a data set. Moreover, it goes without saying that the abnormal data detection method according to the present invention is also applicable to a data set combining other items such as elapsed days R i (day) from internal pressure filling and internal pressure P i (MPa). Absent.
In the above embodiment, the isolation forest is used as the machine learning algorithm, but any other machine learning algorithm, such as a support vector machine (SVM), may be used.
When a normal data set X j = (D j , M j ) is used as learning data, if a well-known One-Class SVM is used as a machine learning algorithm, the data set x i = (D i , M i ) can be separated into normal data shown by white circles in the same figure and abnormal data shown by black circles in the same figure.
１０ 異常データ検出装置、１１ データ記憶手段、１２ データセット抽出手段、
１３ 異常データ検出手段、１３ａ アイソレーションツリー作成部、
１３ｂ 平均パス長算出部、１３ｃ 異常データ検出部、Ｓ１〜Ｓｎ タイヤ販売店。
10 abnormal data detection device, 11 data storage means, 12 data set extraction means,
13 anomaly data detection means, 13a isolation tree creation unit,
13b Average path length calculation unit, 13c Abnormal data detection unit, S1 to Sn tire stores.
Claims (4)
タイヤの使用履歴に関するデータを収集するステップと、
前記収集されたタイヤの使用履歴の複数項目から選択される、相関関係にある複数の項目の組み合わせであるデータセットを抽出するステップと、
前記抽出されたデータセットから、機械学習アルゴリズムにより、異常なデータを検出するステップと、を備え、
前記異常なデータを検出するステップでは、
予め正常であると判定された複数のデータセットを訓練データとして構築した判別モデルに基づいて、前記データセットが異常なデータセットであるか否かを判定することを特徴とするタイヤの使用履歴データからの異常データ検出方法。 A method for detecting abnormal data from data on tire usage history, comprising:
Collecting data on tire usage history;
Extracting a data set which is a combination of a plurality of correlated items selected from a plurality of items of the collected tire use history;
Detecting abnormal data from the extracted data set by a machine learning algorithm,
In the step of detecting the abnormal data,
It is determined whether or not the data set is an abnormal data set based on a discriminant model in which a plurality of data sets determined to be normal are constructed as training data, and tire usage history data characterized by How to detect abnormal data from
走行距離と摩耗量、もしくは、内圧充填からの経過日数と内圧であることを特徴とする請求項１に記載のタイヤの使用履歴データからの異常データ検出方法。 The combination of the above items is
The method for detecting abnormal data from the use history data of a tire according to claim 1, characterized in that they are a running distance and an amount of wear, or an elapsed day from internal pressure filling and an internal pressure.
タイヤの使用履歴に関するデータを記憶する記憶手段と、
前記記憶されたタイヤの使用履歴の複数項目から選択される、相関関係にある複数の項目の組み合わせであるデータセットを抽出するデータセット抽出手段と、
前記抽出されたデータセットから、機械学習アルゴリズムにより異常なデータを検出する異常データ検出手段と、
を備え、
前記異常データ検出手段は、
予め正常であると判定された複数のデータセットを前記機械学習に使用する訓練データとして構築された判別モデルに基づいて前記抽出されたデータセットが異常なデータセットであるか否かを判定することを特徴とするタイヤの使用履歴データからの異常データ検出装置。 An apparatus for detecting abnormal data from data on tire usage history, comprising:
Storage means for storing data relating to tire usage history;
Data set extraction means for extracting a data set which is a combination of a plurality of correlated items selected from a plurality of items of the stored tire use history;
Anomalous data detection means for detecting abnormal data by a machine learning algorithm from the extracted data set;
Equipped with
The abnormal data detection means
Determining whether or not the extracted data set is an abnormal data set based on a discriminant model constructed as training data using a plurality of data sets determined to be normal for the machine learning An abnormal data detection device from use history data of a tire characterized by the above.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017200569A JP6967936B2 (en) | 2017-10-16 | 2017-10-16 | Abnormality data detection method from tire usage history data and its device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017200569A JP6967936B2 (en) | 2017-10-16 | 2017-10-16 | Abnormality data detection method from tire usage history data and its device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019074927A true JP2019074927A (en) | 2019-05-16 |
| JP6967936B2 JP6967936B2 (en) | 2021-11-17 |
Family
ID=66543306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017200569A Active JP6967936B2 (en) | 2017-10-16 | 2017-10-16 | Abnormality data detection method from tire usage history data and its device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6967936B2 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110691070A (en) * | 2019-09-07 | 2020-01-14 | 温州医科大学 | Network abnormity early warning method based on log analysis |
| CN110825917A (en) * | 2019-11-04 | 2020-02-21 | 广州亚美信息科技有限公司 | Vehicle tire pressure abnormity identification method and device and data analysis equipment |
| CN110933080A (en) * | 2019-11-29 | 2020-03-27 | 上海观安信息技术股份有限公司 | IP group identification method and device for user login abnormity |
| CN111160647A (en) * | 2019-12-30 | 2020-05-15 | 第四范式（北京）技术有限公司 | Money laundering behavior prediction method and device |
| CN111325463A (en) * | 2020-02-18 | 2020-06-23 | 深圳前海微众银行股份有限公司 | Data quality detection method, device, equipment and computer readable storage medium |
| CN111798312A (en) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | Financial transaction system abnormity identification method based on isolated forest algorithm |
| JP2021060367A (en) * | 2019-10-09 | 2021-04-15 | 横浜ゴム株式会社 | Physical property data prediction method and physical property data predictor |
| CN115457414B (en) * | 2022-09-15 | 2023-05-05 | 西华大学 | Unmanned aerial vehicle abnormal behavior identification method based on improved residual error network |
| CN117007135A (en) * | 2023-10-07 | 2023-11-07 | 东莞百舜机器人技术有限公司 | Hydraulic fan automatic assembly line monitoring system based on internet of things data |
| CN117332341A (en) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | Intelligent management method and system for airplane wheel guard data based on Internet of things |
| CN117609929A (en) * | 2024-01-24 | 2024-02-27 | 湖南易比特大数据有限公司 | Industrial production line fault online diagnosis method and system based on big data |
| JP7493872B2 (en) | 2020-11-13 | 2024-06-03 | コンチネンタル・オートモーティヴ・テクノロジーズ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング | Method and apparatus for verifying the reliability of tire parameters - Patents.com |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010006217A (en) * | 2008-06-26 | 2010-01-14 | Toyota Motor Corp | Vehicle control device |
| JP2014177273A (en) * | 2013-03-14 | 2014-09-25 | The Goodyear Tire & Rubber Co | Predictive peer-based tire health condition monitoring |
| JP2015160539A (en) * | 2014-02-27 | 2015-09-07 | 住友ゴム工業株式会社 | Tire condition determination device, server device, tire condition determination method, and tire condition determination program |
| US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
-
2017
- 2017-10-16 JP JP2017200569A patent/JP6967936B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010006217A (en) * | 2008-06-26 | 2010-01-14 | Toyota Motor Corp | Vehicle control device |
| JP2014177273A (en) * | 2013-03-14 | 2014-09-25 | The Goodyear Tire & Rubber Co | Predictive peer-based tire health condition monitoring |
| JP2015160539A (en) * | 2014-02-27 | 2015-09-07 | 住友ゴム工業株式会社 | Tire condition determination device, server device, tire condition determination method, and tire condition determination program |
| US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
Non-Patent Citations (1)
| Title |
|---|
| 高橋 良太 外５名: "Ｓａｎｄ Ｓｐｒｉｎｋｌｅｄ Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ による車載セキュリティ向け異常検知の", ２０１７年 暗号と情報セキュリティシンポジウム（ＳＣＩＳ２０１７）予稿集, JPN6021028125, 27 January 2017 (2017-01-27), pages 1 - 6, XP009547643, ISSN: 0004553174 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798312B (en) * | 2019-08-02 | 2024-03-01 | 深圳索信达数据技术有限公司 | Financial transaction system anomaly identification method based on isolated forest algorithm |
| CN111798312A (en) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | Financial transaction system abnormity identification method based on isolated forest algorithm |
| CN110691070A (en) * | 2019-09-07 | 2020-01-14 | 温州医科大学 | Network abnormity early warning method based on log analysis |
| CN110691070B (en) * | 2019-09-07 | 2022-02-11 | 温州医科大学 | Network abnormity early warning method based on log analysis |
| JP2021060367A (en) * | 2019-10-09 | 2021-04-15 | 横浜ゴム株式会社 | Physical property data prediction method and physical property data predictor |
| JP7352079B2 (en) | 2019-10-09 | 2023-09-28 | 横浜ゴム株式会社 | Physical property data prediction method and physical property data prediction device |
| CN110825917B (en) * | 2019-11-04 | 2023-08-11 | 亚美智联数据科技有限公司 | Method and device for identifying abnormal tire pressure of vehicle and data analysis equipment |
| CN110825917A (en) * | 2019-11-04 | 2020-02-21 | 广州亚美信息科技有限公司 | Vehicle tire pressure abnormity identification method and device and data analysis equipment |
| CN110933080A (en) * | 2019-11-29 | 2020-03-27 | 上海观安信息技术股份有限公司 | IP group identification method and device for user login abnormity |
| CN110933080B (en) * | 2019-11-29 | 2021-10-26 | 上海观安信息技术股份有限公司 | IP group identification method and device for user login abnormity |
| CN111160647A (en) * | 2019-12-30 | 2020-05-15 | 第四范式（北京）技术有限公司 | Money laundering behavior prediction method and device |
| CN111160647B (en) * | 2019-12-30 | 2023-08-22 | 第四范式（北京）技术有限公司 | Money laundering behavior prediction method and device |
| CN111325463A (en) * | 2020-02-18 | 2020-06-23 | 深圳前海微众银行股份有限公司 | Data quality detection method, device, equipment and computer readable storage medium |
| JP7493872B2 (en) | 2020-11-13 | 2024-06-03 | コンチネンタル・オートモーティヴ・テクノロジーズ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング | Method and apparatus for verifying the reliability of tire parameters - Patents.com |
| CN115457414B (en) * | 2022-09-15 | 2023-05-05 | 西华大学 | Unmanned aerial vehicle abnormal behavior identification method based on improved residual error network |
| CN117007135A (en) * | 2023-10-07 | 2023-11-07 | 东莞百舜机器人技术有限公司 | Hydraulic fan automatic assembly line monitoring system based on internet of things data |
| CN117007135B (en) * | 2023-10-07 | 2023-12-12 | 东莞百舜机器人技术有限公司 | Hydraulic fan automatic assembly line monitoring system based on internet of things data |
| CN117332341B (en) * | 2023-11-28 | 2024-02-02 | 贵州空港智能科技有限公司 | Intelligent management method and system for airplane wheel guard data based on Internet of things |
| CN117332341A (en) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | Intelligent management method and system for airplane wheel guard data based on Internet of things |
| CN117609929A (en) * | 2024-01-24 | 2024-02-27 | 湖南易比特大数据有限公司 | Industrial production line fault online diagnosis method and system based on big data |
| CN117609929B (en) * | 2024-01-24 | 2024-04-09 | 湖南易比特大数据有限公司 | Industrial production line fault online diagnosis method and system based on big data |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6967936B2 (en) | 2021-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2019074927A (en) | Abnormal data detecting method and apparatus thereof from use history data on tire | |
| CN109948669B (en) | Abnormal data detection method and device | |
| RU2017140969A (en) | Method and system for creating a forecast quality parameter for a predictive model performed in a machine learning algorithm | |
| EP2876413B1 (en) | Method for estimating a relative tire friction performance | |
| AU2015293548B2 (en) | Method for detecting anomalies in a distribution network, in particular for drinking water | |
| RU2019127797A (en) | MULTI-SIGNAL ANALYSIS FOR IDENTIFICATION OF A COMPROMED APPLICATION | |
| CN105208040A (en) | Network attack detection method and device | |
| JP2015108375A5 (en) | ||
| CN108710637B (en) | Real-time detection method for abnormal taxi track based on space-time relationship | |
| TWI747055B (en) | State inference device and state inference method | |
| Santos et al. | Applicability of linear and nonlinear principal component analysis for damage detection | |
| CN111416790B (en) | Network abnormal access intelligent identification method and device based on user behavior, storage medium and computer equipment | |
| CN110474862B (en) | Network traffic anomaly detection method and device | |
| CN105555630A (en) | Driving state estimation device | |
| JP2021111089A5 (en) | ||
| JP2010086160A (en) | Fault analysis system, fault analysis method, and program for fault analysis | |
| IL267069A (en) | Methods and a computing device for determining whether a mark is genuine | |
| KR101597935B1 (en) | Method and system for detecting abnormal time-series data | |
| WO2019224641A3 (en) | System and method for the management of data pertaining to a wheel service | |
| CN111159251A (en) | Method and device for determining abnormal data | |
| GB2587767A (en) | Network performance assessment without topological information | |
| TWI636276B (en) | Method of determining earthquake with artificial intelligence and earthquake detecting system | |
| JP2017128979A (en) | Road surface state evaluation device, control method, program and storage medium | |
| CN107085544B (en) | System error positioning method and device | |
| CN106325227A (en) | Manufacturing process management and control line generating method and device, and manufacturing process management and control system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20171109 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200701 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210720 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210721 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210908 |
|
| 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: 20211012 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211026 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6967936 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |