JP2020068473A - センサデータ圧縮システム、センサ端末、モデル構築装置、およびプログラム - Google Patents

Abstract

【課題】データ分析精度の維持と通信コストの削減とを両立するセンサデータ圧縮システム、センサ端末、モデル構築装置及びプログラムを提供する。【解決手段】センサデータ圧縮システムにおいてセンサ端末は、センサデータを取得するセンサ、取得されたセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、センサデータを圧縮比で圧縮するデータ圧縮部、データ圧縮部により圧縮されたセンサデータを送信するデータ通信部、および取得されたセンサデータと数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部、を備える。データ通信部は、検出された乖離度が閾値を超える場合、数理モデルを再構築する圧縮比モデル構築部、および圧縮比モデル構築部により再構築された数理モデルをセンサ端末に送信するモデル送信部、を備える。【選択図】図４

Description

本発明は、センサデータ圧縮システム、センサ端末、モデル構築装置、およびプログラムに関する。

近年、検知対象に設置したセンサ端末によりセンサデータを取得し、サーバにより当該センサデータを分析することで、検知対象に係る各種の状態を判定する技術が普及している。また、センサ端末からサーバにセンサデータを送信する際に、データ圧縮を行うことで、通信コストを削減する手法が提案されている。

例えば、特許文献１には、センサ端末からサーバへ送信するセンサデータの圧縮符号化を動的に適正化するために、センサ端末とは別途に設けた情報処理装置により圧縮データから復元されたデータの統計情報に基づいて圧縮符号化情報を生成し、当該圧縮符号化情報をセンサ端末で利用する技術が開示されている。

特開２０１６−６３２９７号公報

D.L. Donoho,"Compressed sensing", IEEE Transactions onInformation Theory, vol.52, no.4, pp.1289--1306, Apr. 2006. Timothy P. Lillicrap、外７名、"Continuous controlwith deep reinforcement learning"、２０１５年９月５日、［Online］、［平成３０年１０月１５日検索］、インターネット<https://arxiv.org/pdf/1509.02971.pdf>

しかし、特許文献１では、圧縮比の最適化については述べられておらず、また、数理モデルを用いた圧縮比の最適化や、最適な圧縮比を計算能力が低いセンサ端末側で動的に設定する手法についても議論されていない。

そこで、本発明は、上記に鑑みてなされたものであり、本発明の目的とするところは、データ分析精度の維持と通信コストの削減とを両立することが可能な、新規かつ改良されたセンサデータ圧縮システム、センサ端末、モデル構築装置、およびプログラムを提供することにある。ここでデータ分析精度とは、目的に応じた分析に必要な情報量を落とさず、誤差の少ないデータ分析結果が得られる度合いである。

上記課題を解決するために、本発明のある観点によれば、センサデータを取得するセンサ、取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部、前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部、および取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部、を備え、前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信する、センサ端末と、前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部、および前記圧縮比モデル構築部により再構築された前記数理モデルを前記センサ端末に送信するモデル送信部、を備える、前記モデル構築装置と、から成るセンサデータ圧縮システムが提供される。

また、前記数理モデルは、前記センサデータに対する前記圧縮比を、復元誤差と前記圧縮比とを含む評価指標により動的に変更するよう、機械学習手法を用いて構築された圧縮比学習モデルであり、前記圧縮比モデル構築部は、前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記圧縮比学習モデルの再構築を行い、前記モデル送信部は、前記圧縮比モデル構築部による再構築が行われた前記圧縮比学習モデルを前記センサ端末に送信してもよい。

また、前記乖離度検出部は、前記圧縮比学習モデルの構築に用いられた前記センサデータを用いて構築された乖離度検出学習モデルを用いて前記乖離度を検出してもよい。

また、前記モデル構築装置は、前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記乖離度検出学習モデルを構築する乖離度検出モデル構築部、をさらに備え、前記モデル送信部は、前記乖離度検出モデル構築部により構築された前記乖離度検出学習モデルを前記センサ端末に送信してもよい。

また、前記圧縮比モデル構築部は、教師あり学習の一つである回帰学習、教師なし学習、または強化学習のいずれかの手法を用いて前記圧縮比学習モデルを構築してもよい。

また、前記圧縮比モデル構築部は、前記評価指標を最適化する前記圧縮比を求め、前記センサデータを説明変数、当該センサデータに対する最適な圧縮比を目的変数とした回帰学習により前記圧縮比学習モデルを構築してもよい。

また、前記圧縮比モデル構築部は、前記評価指標を最適化する前記圧縮比を、ランダムサーチ、グリッドサーチ、または山登り法のいずれかにより求めてもよい。

また、前記圧縮比モデル構築部は、データ圧縮効率が高いほど損失が小さくなる損失関数を用いて、最適化する前記圧縮比を、誤差逆伝播法によるニューラルネットワークのパラメータ更新で求める教師なし学習により前記圧縮比学習モデルを構築してもよい。

また、前記圧縮比モデル構築部は、前記センサデータを状態、前記圧縮比を行動、データ圧縮効率を報酬として、強化学習により前記圧縮比学習モデルを構築してもよい。

また、前記圧縮比モデル構築部は、前記センサデータに係る時間領域のデータまたは周波数領域のデータを状態として強化学習を行ってもよい。

また、前記圧縮比モデル構築部は、前記圧縮比の範囲を自然数Ｎで分割し、それぞれの代表値の圧縮比を離散値の行動として強化学習を行ってもよい。

また、前記圧縮比モデル構築部は、前記圧縮比を連続値の行動として強化学習を行ってもよい。

また、前記圧縮比モデル構築部は、前記圧縮比または復元誤差を含む評価指標を報酬とした強化学習を行ってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、センサデータを取得するセンサと、取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部と、前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部と、取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部と、を備え、前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信し、当該センサデータを用いて再構築された前記数理モデルを受信する、センサ端末が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、取得したセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて前記センサデータを前記圧縮比で圧縮するセンサ端末から、前記圧縮比による圧縮が行われていない前記センサデータを受信した場合、当該センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部と、前記圧縮比モデル構築部により再構築された前記数理モデルを、ネットワークを介して接続される複数のセンサ端末のうち、少なくとも前記圧縮比による圧縮が行われていない前記センサデータの送信を行ったセンサ端末に送信するモデル送信部と、を備える、モデル構築装置が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、センサデータを取得するセンサと、取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部と、前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部と、取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部と、を備え、前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信し、当該センサデータを用いて再構築された前記数理モデルを受信する、センサ端末、として機能させるためのプログラムが提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、取得したセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて前記センサデータを前記圧縮比で圧縮するセンサ端末から、前記圧縮比による圧縮が行われていない前記センサデータを受信した場合、当該センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部と、前記圧縮比モデル構築部により再構築された前記数理モデルを、ネットワークを介して接続される複数のセンサ端末のうち、少なくとも前記圧縮比による圧縮が行われていない前記センサデータの送信を行ったセンサ端末に送信するモデル送信部と、を備える、モデル構築装置、として機能させるためのプログラムが提供される。

以上説明したように本発明によれば、データ分析精度の維持と通信コストの削減とを両立することが可能となる。

本発明の一実施形態に係るセンサデータ圧縮システムが適用され得る想定環境を示す図である。 同実施形態に係るセンサデータ圧縮システムの構成例を示すブロック図である。 同実施形態に係る学習用センサ端末の構成例を示すブロック図である。 同実施形態に係るセンサ端末の構成例を示すブロック図である。 同実施形態に係るデータ受信装置の構成例を示すブロック図である。 同実施形態に係る学習用センサ端末の処理の流れを示すフローチャートである。 同実施形態に係る回帰学習による圧縮比学習モデル構築の概要を示す図である。 同実施形態に係る圧縮対象のセンサデータの一例である。 同実施形態に係る図８の期間Ａにおけるセンサデータの拡大図である。 同実施形態に係る図８の期間Ｂにおけるセンサデータの拡大図である。 同実施形態に係る図８の期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比と圧縮後のデータサイズの関係を示す図である。 同実施形態に係る図８の期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比と復元誤差率の関係を示す図である。 同実施形態に係る図８の期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比とデータ圧縮効率の関係を示す図である。 同実施形態に係る図８に示すセンサデータに対する最適な圧縮比の計算値と、回帰学習により構築した圧縮比学習モデルが推定した最適な圧縮比との比較を示す図である。 同実施形態に係る教師なし学習による圧縮比学習モデル構築の概要を示す図である。 同実施形態に係る強化学習による圧縮比学習モデル構築の概要を示す図である。 同実施形態に係るデータ圧縮・復元段階における処理の流れを示すシーケンス図である。 本発明の一実施形態に係るモデル構築装置のハードウェア構成例を示すブロック図である。 圧縮センシングを用いたデータ圧縮の概要について説明するための図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．一実施形態＞
＜＜１．１．概要＞＞
まず、本発明の概要について述べる。本発明はセンサデータ（以下、単に、データ、と称する場合がある）の情報量を表す指標であるスパース性（０成分が多いという性質）の度合いが変動する振動データ、映像データ、音声データ等の広帯域のデータを、エッジ側のセンサ端末で効率的に圧縮し、無線などの低帯域リンクでデータ伝送するための技術である。

ここで、上記のスパース性の度合いとは元のデータサイズに対して、元のデータを再現するのに最低限必要なデータサイズを指す。一般に同じデータサイズを有するデータであっても、データの有する情報量が多いほどスパース度は高く、データの有する情報量が少ないほどスパース度は低いといえる。

また、センサデータを収集しデータマイニングを行う場合、高精度なデータマイニングを実現するためには、一般に収集するセンサデータのデータ量を増やす必要がある。しかしながら、センサデータを送信するエッジ端末、すなわちセンサ端末は、メモリ容量やストレージ容量、計算能力などに大きな制約を有するのが一般的である。特にセンサ端末で取得したセンサデータを無線リンクで分析サーバに送る場合には、ネットワーク帯域に大きな制約が発生する。このようにデータの情報量とリソースの浪費とにはトレードオフの関係があることから、センサ端末側で効率的にデータを圧縮して、データ情報量を維持しつつ、データの送信量を削減することが求められる。

ここで、データ圧縮を効果的に行う手法としては、例えば、特許文献１に開示される技術が挙げられる。しかし、上述したように、特許文献１に開示される技術では、圧縮符号化情報を生成するために、センサ端末とは別途に情報処理装置を設ける必要があり、システム構築のコストが増大することが想定される。

また、特許文献１では、圧縮比の最適化、特に数理モデルを用いた圧縮比の最適化については議論されておらず、未知のセンサデータが取得された場合には、効率の良いデータ圧縮を行うことが困難である。

一方、本発明の一実施形態に係るセンサデータ圧縮システムでは、サンプリング周波数が比較的高いデータや、データ転送量が大きいデータを送信する場合において、計算能力やバッテリ容量などのリソースの制約が大きいエッジ側のセンサ端末で最適な圧縮比を動的に取得し、当該圧縮比を用いてセンサデータの圧縮を行うことを特徴の一つとする。

この際、本発明の一実施形態に係るセンサ端末は、センサデータの情報量に応じて最適な圧縮比を動的に変更する制御を、予め構築された数理モデルを利用することで実現する。上記の制御によれば、計算能力の低いエッジ側のセンサ端末でも、軽量な処理で最適な圧縮比を設定することが可能となる。

なお、ここで、ここで上記の圧縮比とは元のデータのサイズに対する圧縮後のデータのサイズの比であり、圧縮比が小さいほど圧縮後のデータサイズが小さいことを示す。また最適な圧縮比とは、データの情報量の損失を最小限にしつつ、送信するデータのサイズも最小限にできる圧縮比と定義してよい。

さらには、本実施形態に係るセンサデータ圧縮システムでは、未知のセンサデータをエッジ側のセンサ端末が取得した場合であっても、当該センサ端末で、数理モデルの構築時に用いられていないセンシングータと取得したセンサデータの乖離度を検出し、乖離度が閾値を超える場合には、当該乖離度が高いセンサデータを用いて数理モデルの再構築を行うことで、圧縮比設定の精度を維持することを特徴の一つとする。

上記の特徴を実現するために、本実施形態では、まずデータの情報量に応じて最適な圧縮比に逐次動的に設定するための数理モデルを予め計算能力の高い端末で構築する。なお、上記の数理モデルは、例えば、センサデータに対する圧縮比を、復元誤差率と圧縮比とを含む評価指標により動的に変更するよう、機械学習手法を用いて構築された圧縮比学習モデルであってもよい。

本実施形態では、例えば、上記のように構築された圧縮比学習モデルをエッジ側のセンサ端末に移植して動作させることにより、圧縮比の最適化を逐次センサ端末側で行う場合と比較して、センサ端末での計算コストや、ゲートウェイと制御データのオーバーヘッドを抑制することが可能である。

また、エッジ端のセンサ端末において、上記の圧縮比学習モデルを利用して、データに応じた最適な圧縮比を動的に変更することにより、データ分析精度の維持と通信コストの抑制を両立することができ、この結果、圧縮効率の高いデータ圧縮が可能となる。

さらには、モデル構築に機械学習を用いた場合、一般に未知のデータに対しての推定精度は劣化するが、本実施形態では学習済みのデータと圧縮対象のデータとの乖離度を検出し、乖離度が高い場合は未知のデータとみなして、計算能力の高い端末で再学習を行いセンサ端末の学習モデルを更新することにより、最適な圧縮比の推定の精度の劣化を防止することができる。

なお、本実施形態に係るセンサ端末によるセンサデータの圧縮には、非特許文献１に記載されるような圧縮センシング技術が用いられてよい。圧縮センシングとは、スパース性を有する高次元の信号を少ない観察から復元する手法である。圧縮センシングでは、一般に、送信側における圧縮処理の計算コストは低いが、受信側における復元処理の計算コストが高いことから、計算能力の低いエッジ側のセンサ端末によるデータ圧縮に適した技術といえる。

ここで、圧縮センシングの概要について説明する。図１９は、圧縮センシングを用いたデータ圧縮の概要について説明するための図である。例えば、図１９に示すように、元のデータをＸ、データを圧縮する観測行列をΦ、圧縮後の観測データをＹと定義した場合、圧縮後の観測データは、下記の数式（１）により表される。

ここで、元のデータＸのサイズをＮ、圧縮後の観察データＹのサイズをＭとすると、観測行列ΦのサイズはＭ×Ｎとなる。本実施形態に係る圧縮センシングでは、上記Ｍ、すなわち観測行列Φの行数を変更することにより、圧縮後の観察データＹに係る圧縮比Ｍ／Ｎを調整することが可能である。なお、非特許文献１では、圧縮比の動的な変更については議論されておらず、Ｍの変更による圧縮比の調整についても示唆されていない。このため、本実施形態に係る圧縮センシングは、動的な圧縮比の設定を容易に可能とする点において、非特許文献１に記載される技術と比較して優れた効果を奏するものである。

続いて、圧縮センシング技術における復元について述べる。上記数式（１）においては、未知数＞式の数、となることから、通常は一意な解を求めることができないが、Ｘ＝Ψｘ、のように、元のデータＸが要素に０を多く含むスパース行列ｘと変換行列Ψの積により表すことができるとすると、圧縮後の観察データＹを完全に復元できる可能性がある。具体的には、下記の数式（２）を満たす条件の下で、ｘのＬ１ノルムを最小化する問題に帰着して求めることが可能である。

この際、求めたｘを利用して、Ｘ＝Ψｘ、を計算することにより、元のデータＸを復元することが可能である。ただし、圧縮する対象データに対して十分な圧縮比が設定されない場合、復元後のデータと元のデータに誤差が生じることも想定される。このため、本実施形態では、復元誤差と圧縮比とを含む評価指標を学習に利用することで、上記の懸念を解決する。

以上、本発明の一実施形態に係る概要について述べた。以下、上記を実現する構成や当該構成により奏される効果について、より詳細に説明する。

＜＜１．２．構成＞＞
上述したように、本実施形態に係るセンサデータ圧縮システムは、多数のセンサ端末が設置された環境において、センサ端末側で低計算コストで設定した最適な圧縮比によりセンサデータを圧縮し、受信端末でデータを復元することを可能とする。ここで、上記の圧縮比とは、（圧縮前のデータサイズ）÷（圧縮後のデータサイズ）、により算出される指標であり、圧縮比が高い程、圧縮後のデータサイズが小さくなる。

なお、得られたデータに対して様々な圧縮比を設定し、それぞれにおける復元誤差や圧縮比の関係から最適な圧縮比を求めることも理論上可能であるが、一般にデータの復元処理は計算コストが高く、リソースの制約の大きいセンサ端末では膨大な処理遅延が生じる可能性あり、不向きである。また、最適化の処理をネットワークを介したサーバ側で行うことは、圧縮されない生のデータをネットワークを介してサーバに伝送する必要があり、ネットワーク帯域の浪費と処理遅延を生じさせる。

このため、本実施形態に係るセンサデータ圧縮システムでは、最適化制御を逐次エッジ側のセンサ端末で行うのではなく、予め構築された、最適な圧縮比を求める数理モデルを利用することで対応する。

本実施形態では、センサデータの情報量による復元誤差に応じてセンサ端末において圧縮比を動的に変更してよい。例えば、データの情報量が低い場合には圧縮比を小さくし、逆に情報量が多い場合には圧縮比を高くする。ここで情報量の指標として、例えばデータのスパース性が挙げられる。同じデータサイズでも０の値が多い程スパース性は高く、逆に０以外の値が多い程スパース性は低い。このため、圧縮比を情報量と復元側での復元を考慮して動的に変えることにより、データの高圧縮比と高復元精度を両立することが可能となる。

しかしながら、センサデータの圧縮を行うセンサ端末においては、最適な圧縮比を得るために解析的にスパース性を求めることや、復元誤差を求めることは計算量が膨大となるため、困難である。そこで、本実施形態では、最適な圧縮比の設定を、例えば、機械学習手法を用いて構築された数理モデルで行うことにより、解析的に最適解を求める場合と比較して高速な計算を実現し、計算能力の低いエッジ端のセンサ端末においても圧縮比の最適化を行うことを可能とする。

また、本実施形態に係るセンサデータ圧縮システムでは、数理モデルの構築に用いられていない未知のデータがエッジ側のセンサ端末で取得された場合、当該未知データを計算能力の高い装置に伝送し、数理モデルを再構築することで最適な圧縮比の推定の精度を維持することを可能とする。

一般に機械学習では、学習していない未知のデータに対しての精度が悪くなるが、本実施形態ではセンサ端末で、圧縮対象のデータに対して学習済みのデータに対する乖離度を検出し、当該乖離度が高いデータを未知のデータとみなして、計算能力が高い装置で未知データの再学習を行う。また、更新された学習モデルをセンサ端末に移行し、センサ端末で最適な圧縮比の推定を行うことで精度の劣化を防止することができる。

図１は、本実施形態に係るセンサデータ圧縮システムが適用され得る想定環境を示す図である。ここでは、複数のセンサ端末７０ａ〜７０ｅが取得したセンサデータを無線リンクでゲートウェイ８０に送信し、ゲートウェイ８０を経由してデータ分析サーバ９０でデータを復元してデータ分析を行う場合を想定する。また、データ圧縮の手法としては、例えば、上述した圧縮センシングを想定する。一般に、データマイニングなどを行うデータ分析サーバ９０では、データ分析精度を上げるために複数のセンサ端末７０ａ〜７０ｅから大容量のデータ量を収集する必要がある。しかし、通常の場合、センサ端末７０ａ〜７０ｅにおいてバッテリを浪費し、ネットワーク側でも無線帯域の浪費やデータを蓄積するストレージを浪費してしまう可能性がある。

また、一般にデータを送信元からネットワーク経由で宛先に伝送する場合、送信元に近い端末でデータ圧縮行う方が、ネットワークに流れる総データ量は少なくなるため、望ましい。特に、センサ端末７０ａ〜７０ｅは低帯域の無線リンクで接続されていることもあるため、送信元のセンサ端末７０ａ〜７０ｅにおいてデータ圧縮を行うことが通信コストの削減に対し最も効果がある。しかしながらセンサ端末７０ａ〜７０ｅで圧縮比の動的制御を行う場合、最適な圧縮比をリアルタイムに計算することは、解析的にスパース性を求めたり復元誤差を求めたりすることの計算量が膨大となるため、リソースの制約上、困難である場合もある。

そこで、本実施形態では、機械学習手法などを用いて構築した数理モデルを利用した最適な圧縮比設定をセンサ端末側で行う。一般に機械学習は、学習モデルを作成する際に、大きな計算リソースを要するが、構築された学習モデルを用いて推論を行う際は軽い処理で行うことができる。このため、最適な圧縮比を学習する端末は推論時に設置されるセンサ端末とは別途の端末であってもよい。

図２は、本実施形態に係るセンサデータ圧縮システムの構成例を示すブロック図である。本実施形態に係るセンサデータ圧縮システムは、例えば、図２に示すように、学習用センサ端末２０、複数のセンサ端末３０ａ、およびデータ受信装置４０を備える。ここで、学習用センサ端末２０およびセンサ端末３０は、検知対象１０に附随して設置される。

（検知対象１０）
本実施形態に係る検知対象１０は、振動、画像、音など、各種のセンサデータを取得する対象である。本実施形態に係る検知対象１０は、例えば、工場に設置された各種の設備、オフィスに設置された各種の機器、また各種の建設物・建築物などであり得る。

（学習用センサ端末２０）
本実施形態に係る学習用センサ端末２０は、最適な圧縮比を求める圧縮比学習モデル（数理モデルの一例）や、取得したセンサデータと学習データとの乖離度を求める乖離度検出学習モデルを構築する端末である。学習用センサ端末２０は、本発明に係るモデル構築装置の一例である。

（センサ端末３０）
本実施形態に係るセンサ端末３０は、学習用センサ端末２０が構築した圧縮比学習モデルを用いて、取得したセンサデータに対する圧縮比を設定し、当該圧縮比を用いて圧縮したセンサデータをデータ受信装置４０に送信する端末である。本実施形態に係るセンサ端末３０は、図２に示すように、単一の検知対象１０に対し、複数設置されてもよい。

（データ受信装置４０）
本実施形態に係るデータ受信装置４０は、センサ端末３０が圧縮したセンサデータを受信し、必要に応じて復元する装置である。なお、本実施形態に係るデータ受信装置４０は、後述する学習モデルの再構築機能や、データ分析機能をさらに有してもよい。

続いて、本実施形態に学習用センサ端末２０の構成についてより詳細に説明する。図３は、本実施形態に係る学習用センサ端末２０の構成例を示すブロック図である。図３を参照すると、本実施形態に係る学習用センサ端末２０は、センサ２１０、ＡＤ変換部２２０、データ前処理部２３０、圧縮比モデル構築部２４０、乖離度検出モデル構築部２５０、およびモデル送信部２６０を備える。

（（センサ２１０））
本実施形態に係るセンサ２１０は、例えば、振動センサ、歪センサ、音響センサ、画像センサなどの各種のセンサであり得る。

（（ＡＤ変換部２２０））
本実施形態に係るＡＤ変換部２２０は、センサ２１０が取得したセンサデータがアナログ信号である場合に、アナログ・デジタル変換を行う。

（（データ前処理部２３０））
本実施形態に係るデータ前処理部２３０は、デジタル信号に変換されたセンサデータに対し、雑音除去のフィルタリング、計測値変換、またＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ：高速フーリエ変換）等の周波数変換処理を行う。

（（圧縮比モデル構築部２４０））
本実施形態に係る圧縮比モデル構築部２４０は、入力されるセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを構築する。上記の数理モデルは、例えば、機械学習手法により構築された学習モデルであってもよい。本実施形態に係る圧縮比モデル構築部２４０は、例えば、センサデータに対する圧縮比を復元誤差と圧縮比とを含む評価指標により動的に変更する圧縮比学習モデルを、教師あり学習の一つである回帰学習、教師なし学習、または強化学習などにより構築することが可能である。一方、本実施形態に係る数理モデルは、上記の例に限定されず、例えば、センサデータの特徴量と最適な圧縮比との対応を示すグラフやデータであってもよい。本実施形態に係る圧縮比モデル構築部２４０が有する機能の詳細については別途後述する。

（（乖離度検出モデル構築部２５０））
本実施形態に係る乖離度検出モデル構築部２５０は、入力されるセンサデータと、圧縮比学習モデル（数理モデル）の構築に用いられたセンサデータ（学習データ）との乖離度を検出する乖離度検出学習モデルを構築する。この際、本実施形態に係る乖離度検出モデル構築部２５０は、上記学習データを用いたＯｎｅ−Ｃｌａｓｓ ＳＶＭや、オートエンコーダなどを乖離度検出学習モデルとして構築してもよい。

（（モデル送信部２６０））
本実施形態に係るモデル送信部２６０は、圧縮比モデル構築部２４０が構築した圧縮比学習モデルや、乖離度検出モデル構築部２５０が構築した乖離度検出学習モデルを、単一または複数のセンサ端末３０に送信する。

次に、本実施形態にセンサ端末３０の構成についてより詳細に説明する。図４は、本実施形態に係るセンサ端末３０の構成例を示すブロック図である。図４を参照すると、本実施形態に係るセンサ端末３０は、センサ３１０、ＡＤ変換部３２０、データ前処理部３３０、乖離度検出部３４０、データ圧縮部３５０、およびデータ通信部３６０を備える。なお、センサ３１０、ＡＤ変換部３２０、データ前処理部３３０については、上述した学習用センサ端末２０のセンサ２１０、ＡＤ変換部２２０、データ前処理部２３０と同等の機能を有してよいため、詳細な説明は省略する。

（（乖離度検出部３４０））
本実施形態に係る乖離度検出部３４０は、学習用センサ端末２０の乖離度検出モデル構築部２５０が構築した乖離度検出学習モデルを用いて、入力されたセンサデータと、圧縮比学習モデルの構築に用いられた学習データとの乖離度を検出する。本実施形態に係る乖離度検出部３４０が有する機能の詳細については別途詳細に説明する。

（（データ圧縮部３５０））
本実施形態に係るデータ圧縮部３５０は、学習用センサ端末２０の圧縮比モデル構築部２４０が構築した数理モデルを用いて、入力されたセンサデータに対する最適な圧縮比を取得し、当該圧縮比によるデータ圧縮を行う。

（（データ通信部３６０））
本実施形態に係るデータ通信部３６０は、ネットワークを介して、学習用センサ端末２０やデータ受信装置４０とのデータ通信を行う。本実施形態に係るデータ通信部３６０は、例えば、データ圧縮部３５０が圧縮したセンサデータをデータ受信装置４０に送信する。また、本実施形態に係るデータ通信部３６０は、例えば、乖離度検出部３４０が学習データとの乖離度が閾値を超えると判定したセンサデータを、データ圧縮部３５０による圧縮が行われていない状態で学習用センサ端末２０などのモデル構築装置に送信する。本実施形態に係るデータ通信部３６０が有する機能の詳細については別途後述する。

次に、本実施形態にデータ受信装置４０の構成についてより詳細に説明する。図５は、本実施形態に係るデータ受信装置４０の構成例を示すブロック図である。図５を参照すると、本実施形態に係るデータ受信装置４０は、データ受信部４１０およびデータ復元部４２０を備える。

（（データ受信部４１０））
本実施形態に係るデータ受信部４１０は、センサ端末３０から圧縮後のセンサデータを受信する。

（（データ復元部４２０））
本実施形態に係るデータ復元部４２０は、データ受信部４１０が受信した圧縮後のセンサデータの復元を行う。

以上、本実施形態に係るセンサデータ圧縮システムの構成について詳細に説明した。なお、図２〜図５を用いて説明した上記の構成はあくまで一例であり、本実施形態に係るセンサデータ圧縮システムの構成は係る例に限定されない。例えば、上述したように、本実施形態に係るデータ受信装置４０は、学習モデルの再構築機能や、データ分析機能をさらに有してもよい。一方で、学習モデルの再構築を行うモデル構築装置は、学習用センサ端末２０やデータ受信装置４０とは別途に備えられてもよいし、分析機能を有する分析サーバーが別途に備えられてもよい。本実施形態に係るセンサデータ圧縮システムの構成は、仕様や運用に応じて柔軟に変形可能である。

＜＜１．３．処理の流れ＞＞
次に、本実施形態に係るセンサデータ圧縮システムによる処理の流れについて詳細に説明する。本実施形態に係るセンサデータ圧縮システムにより処理は主に、最適な圧縮比を設定する数理モデルや乖離度検出学習モデルを構築するための学習段階と、未知データを検出し、当該未知データを用いて数理モデルや乖離度検出学習モデルの再構築を行ったり、学習段階で構築した数理モデルを用いてデータ圧縮を行うデータ圧縮・復元段階から成る。

まず、本実施形態に係る学習段階の流れについて説明する。図６は、本実施形態に係る学習段階における学習用センサ端末２０の処理の流れを示すフローチャートである。なお、以下では、学習用センサ端末２０が数理モデルの一例として、機械学習手法により圧縮比学習モデルを構築する場合を例に説明する。

図６を参照すると、まず、学習用センサ端末２０のセンサ２１０がセンサデータを取得し、ＡＤ変換部２２０が、当該センサデータに対するアナログ・デジタル変換を行う（Ｓ１１０１）。

次に、データ前処理部２３０は、ステップＳ１１０１において得られたデジタル信号に対し、雑音除去のためのフィルタリング処理や、所定時間ごとに時系列データを周波数データに変換するためのＦＦＴ処理などの前処理を行う（Ｓ１１０２）。なお、データ前処理部２３０は、ＦＦＴ処理に代えてウェーブレット変換処理などを行ってもよい。

次に、圧縮比モデル構築部２４０は、ステップＳ１１０２において前処理が施されたセンサデータを用いて、圧縮比学習モデルの構築を行う。この際、本実施形態に係る圧縮比モデル構築部２４０は、回帰学習、教師なし学習、または強化学習のうちいずれかの手法を用いて圧縮比学習モデルを構築してよい。

回帰学習を採用する場合（Ｓ１１０３：回帰学習）、本実施形態に係る圧縮比モデル構築部２４０は、センサデータに対し、評価指標が最適となる圧縮比を探索的に求め、ニューラルネットワークなどを利用した回帰分析手法によりセンサデータと当該センサデータに対する最適な圧縮比との関係を学習する。

この際、本実施形態に係る圧縮比モデル構築部２４０は、評価指標を最適化する圧縮比を、例えば、ランダムサーチやグリッドサーチ、山登り法などにより求める（Ｓ１１０４）。

次に、本実施形態に係る圧縮比モデル構築部２４０は、センサデータを説明変数、ステップＳ１１０４において求めた当該センサデータに対する最適な圧縮比を目的変数とした回帰学習により圧縮比学習モデルを構築する（Ｓ１１０５）。

上記のような回帰学習によれば、圧縮効率が最適となる圧縮比を厳密に求めてから学習することが可能である。

一方、教師なし学習を採用する場合（Ｓ１１０３：教師なし学習）、本実施形態に係る圧縮比モデル構築部２４０は、上記の回帰学習の場合とは異なり、センサデータのみを用いて学習を行う。この際、本実施形態に係る圧縮比モデル構築部２４０は、圧縮効率が高いほど損失が小さくなる損失関数を設定し、またセンサデータを入力、圧縮比を出力としたうえで損失が最小となるように教師なし学習を行う（Ｓ１１０６）。すなわち、本実施形態に係る圧縮比モデル構築部２４０は、最適化する圧縮比を、誤差逆伝播法によるニューラルネットワークのパラメータ更新で求めることにより圧縮比学習モデルを構築する。

上記のような教師なし学習によれば、回帰学習のように最適な圧縮比を明示的に求めることなく、センサデータから直接当該圧縮比を推定可能であり、計算量を低減することが可能である。

他方、強化学習を採用する場合（Ｓ１１０３：強化学習）、本実施形態に係る圧縮比モデル構築部２４０は、評価指標が最適となる圧縮比を厳密に求めずに、試行錯誤の下、センサデータに対する最適な圧縮比を学習する。

この際、本実施形態に係る圧縮比モデル構築部２４０は、センサデータを状態、圧縮比および復元誤差から定義されるデータ圧縮効率などを報酬として、強化学習により圧縮比学習モデルを構築する（Ｓ１１０７）。

上記のような強化学習によれば、回帰学習のように厳密な圧縮比を求めずとも、試行錯誤的に圧縮比を変えて学習することで、次第に最適な圧縮比に収束することが期待される。一方で、強化学習を採用する場合、回帰学習と比べ、学習に時間を要する可能性も想定される。

次に、本実施形態に係る乖離度検出モデル構築部２５０は、上記に示したいずれかの手法による圧縮比学習モデルの構築に利用したセンサデータ（学習データ）を用いて、乖離度検出学習モデルを構築する（Ｓ１１０８）。この際、本実施形態に係る乖離度検出モデル構築部２５０は、上記学習データを用いたＯｎｅ−Ｃｌａｓｓ ＳＶＭや、オートエンコーダなどを乖離度検出学習モデルとして構築してもよい。

次に、本実施形態に係るモデル送信部２６０は、構築された圧縮比学習モデルおよび乖離度検出学習モデルをセンサ端末に送信し（Ｓ１１０９）、処理を終了する。

以上、図６を用いて、本実施形態に係る学習段階の流れについて説明した。続いて、本実施形態に係る学習手法について、より詳細に説明する。

まず、本実施形態に係る回帰学習による圧縮比学習モデルの構築について、より詳細に述べる。図７は、本実施形態に係る回帰学習による圧縮比学習モデル構築の概要を示す図である。本実施形態に係る回帰学習では、まず、センサデータを収集し、ＡＤ変換および前処理を施すことにより、圧縮するセンサデータのサンプルを複数抽出する。次に、評価指標として、圧縮比と復元誤差とを要素して含むデータ圧縮効率を設定する。

本実施形態に係るデータ圧縮効率は、例えば、下記の数式（３）や数式（４）のように設定されてもよい。

圧縮効率＝圧縮比×（−α）＋復元誤差×（−β）（ただし、α＞０、β＞０）
・・・（３）
圧縮効率＝１／（圧縮比のα乗）／（復元誤差のβ乗）（ただし、α＞０、β＞０）
・・・（４）

ここで、上記の復元誤差とは、例えば、圧縮前のデータと復元後のデータの誤差を示し、例えば、平均二乗誤差などであってもよい。また、αおよびβはそれぞれ、圧縮比および復元誤差の重みを示し、値が大きいほど重みが大きくなり、重要視される。すなわち、本実施形態に係るデータ圧縮効率は、圧縮比が低いほど、また復元誤差が小さいほど高くなる指標である。

この際、本実施形態に係る回帰学習では、圧縮比を小さい値から変化させていき、上記のデータ圧縮効率が最高となる圧縮比を最適な圧縮比として定義する。

ここで、センサデータの具体例を挙げながら説明を行う。図８は、本実施形態に係る圧縮対象のセンサデータの一例である。また、図９および図１０は、それぞれ図８における期間Ａおよび期間Ｂにおけるセンサデータの拡大図である。なお、ここで、期間Ａは時刻ｔａからｔａ´までの期間を、期間Ｂは時刻ｔｂからｔｂ´までの期間をそれぞれ示す。

また、図１１は、期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比と圧縮後のデータサイズの関係を示す図である。また、図１２は、期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比と復元誤差率の関係を示す図である。また、図１３は、期間Ａおよび期間Ｂにおけるそれぞれのセンサデータに係る圧縮比とデータ圧縮効率の関係を示す図である。なお、図１２に示す復元誤差率は復元誤差の平均二乗誤差を振幅の標準偏差で割った値であり、またαおよびβは、それぞれ、α＝１、β＝５とした。

ここで、図１１を参照すると、期間Ａおよび期間Ｂにおけるそれぞれのセンサデータは、データの内容にかかわらず圧縮比に比例して圧縮後のデータサイズが大きくなっていることがわかる。また、図１２を参照すると、圧縮比が高くなると、期間Ａおよび期間Ｂにおけるそれぞれのセンサデータの復元誤差率は大きくなるが、同じ圧縮比であっても、期間Ａおよび期間Ｂにおいて、復元誤差率の大きさが異なっていることがわかる。

この結果、図１３に示すように、期間Ａおよび期間Ｂのそれぞれのセンサデータは、圧縮比がある一定の値まで高くなると圧縮効率は向上するが、当該一定の値を超えるとデータ圧縮効率が減少することとなる。また期間Ａと期間Ｂのそれぞれのセンサデータでデータ圧縮効率が最も高くなる圧縮比は異なり、センサデータに応じて最適な圧縮比を設定する必要があることが分かる。

このことから、本実施形態に係る回帰学習では、あるデータに対する最適な圧縮比を、ランダムサーチ、グリッドサーチ、山登り法などにより求め、圧縮対象とするセンサデータを説明変数、当該センサデータに対する最適な圧縮比を目的変数として学習を行う。この際、本実施形態に係る圧縮比モデル構築部２４０は、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）やＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などの深層学習を採用した回帰学習を行ってもよい。

図１４は、図８に示すセンサデータに対する最適な圧縮比の計算値と、回帰学習により構築した圧縮比学習モデルが推定した最適な圧縮比との比較を示す図である。図１４の上段には、図８に示す圧縮対象のセンサデータに対して、グリッドサーチにより求めた最適な圧縮比が時系列に示されている。また、図１４の下段には、図８に示す圧縮対象のセンサデータを入力とした際に圧縮学習モデルが推定した最適な圧縮比が時系列に示されている。

ここで、両者を比較すると、圧縮比は、ほぼ一致していることがわかる。このように、本実施形態に係る回帰学習により構築した圧縮比学習モデルによれば、入力されるセンサデータに対する最適な圧縮比を精度高く推定することが可能である。

次に、本実施形態に係る教師なし学習による圧縮比学習モデルの構築について詳細に述べる。図１５は、本実施形態に係る教師なし学習による圧縮比学習モデル構築の概要を示す図である。

本実施形態に係る教師なし学習による圧縮比学習モデルの構築は、上述した回帰学習のようにセンサデータに対する最適な圧縮比を予め求めず、最適な圧縮比で損失が最小となるように損失関数を設定することで、センサデータから直接最適な圧縮比を求める手法である。

この際、損失関数は、例えば、上記の数式（３）や数式（４）に示したデータ圧縮効率の逆数をとるなどして、データ圧縮効率が高いほど損失が小さくなるように設定される。

本実施形態に係る圧縮比モデル構築部２４０は、上記のように設定した損失関数を用いて、ニューラルネットワークの出力に対し、損失関数が最小化されるように誤差逆伝搬法によるパラメータ更新の学習を行う。このような学習によれば、入力されるセンサデータに対して、ニューラルネットワークから出力される最適な圧縮比が収束し、予め最適な圧縮比を求めずとも、圧縮比学習モデルを構築することが可能である。

次に、本実施形態に係る強化学習による圧縮比学習モデルの構築について詳細に述べる。図１６は、本実施形態に係る強化学習による圧縮比学習モデル構築の概要を示す図である。強化学習では、長期的な目標を示す数値を最大化するようなシステムを制御する学習を行う。

この際、本実施形態に係る圧縮比モデル構築部２４０は、図１６に示すように、センサデータを状態、圧縮比を行動、上記の数式（３）や数式（４）のように設定された圧縮効率を報酬とした強化学習を行ってもよい。

より具体的には、本実施形態に係る圧縮比モデル構築部２４０は、センサデータに係る時間領域のデータまたは周波数領域のデータを状態としてもよい。

また、本実施形態に係る圧縮比モデル構築部２４０は、行動に対応する圧縮比を離散値または連続値として扱ってよい。この際、圧縮比モデル構築部２４０は、圧縮比を離散値としてみなす場合には、例えば、Ｄｅｅｐ−Ｑ−Ｎｅｔｗｏｒｋ（ＤＱＮ）などの深層強化学習手法を、圧縮比を連続値としてみなす場合には、例えば、非特許文献２に記載されるようなＤｅｅｐ Ｄｅｔｅｒｍｉｎｉｓｔｉｃ Ｐｏｌｉｃｙ Ｇｒａｄｉｅｎｔ（ＤＤＰＧ）などの深層強化学習手法を採用してもよい。上記のような深層強化学習手法を利用することで、状態数が無数に近い場合であっても近似により最適な行動（圧縮比）を求めることが可能となる。

より具体的には、圧縮比を離散値として扱う場合、圧縮比モデル構築部２４０は、圧縮比の取り得る範囲を自然数Ｎで分割し、それぞれの代表値の圧縮比を離散値の行動として強化学習を行ってもよい。例えば、圧縮比の取り得る範囲が０．１〜０．９である場合において５分割を行うと、それぞれの代表値の圧縮比は、０．１、０．３、０．５、０．７、０．９となり得る。

一方、圧縮比を連続値としてみなす場合、圧縮比モデル構築部２４０は、圧縮比の取り得る範囲の中から抽出した任意の値を行動として強化学習を行う。

また、本実施形態に係る報酬は、図１６に示すようなデータ圧縮効率に限定されず、柔軟に変更可能である。本実施形態に係る圧縮比モデル構築部２４０は、例えば、圧縮比（データ送信量）または復元誤差を含む評価指標を報酬とした強化学習を行うことも可能である。

以上、本実施形態に係る学習段階の流れ、および学習手法について詳細に説明した。次に、本実施形態に係るデータ圧縮・復元段階の流れについて詳細に説明する。本実施形態に係るデータ圧縮・復元段階では、学習段階で構築した圧縮比学習モデルを用いてセンサ端末３０によるセンサデータの圧縮が行われる。

しかし、ここで、学習段階で圧縮比学習モデルの学習に用いられなかったタイプのセンサデータがセンサデータとして取得された場合、当該センサデータに対しては正しく圧縮比が設定できない可能性が生じる。このため、本実施形態に係るセンサデータ圧縮システムは、データ圧縮・復元段階において、圧縮比学習モデルの構築時に学習データとして用いられていない未知データが検出された場合、学習用センサ端末２０や別途のサーバなどにより実現されるモデル構築装置により当該未知データを用いた圧縮比学習モデルの再学習を行い、再学習した圧縮比学習モデルをセンサ端末３０に適用すること、を特徴の一つとする。

図１７は、本実施形態に係るデータ圧縮・復元段階における処理の流れを示すシーケンス図である。なお、図１７においては、本実施形態に係る学習用センサ端末２０がモデル構築装置として、学習モデルの再学習を行う場合の一例が示されている。

図１７を参照すると、まず、センサ端末３０のセンサ３１０によるセンサデータの取得と、ＡＤ変換部３２０によるアナログ・デジタル変換が実行される（Ｓ２１０１）。

次に、データ前処理部３３０は、周波数データへの変化などの前処理を実行する（Ｓ２２０２）。

次に、本実施形態に係る乖離度検出部３４０は、図６に示したステップＳ１１０８において構築された乖離度検出学習モデルを用いて、取得されたセンサデータと、現在適用されている圧縮比学習モデルの構築に用いられた学習データとの乖離度を検出する（Ｓ２１０３）。

ここで、ステップＳ２１０３において検出された乖離度が閾値を超える場合、本実施形態に係るデータ通信部３６０は、圧縮比学習モデルを用いた圧縮が行われてないセンサデータを学習用センサ端末２０に送信する（Ｓ２１０４）。

続いて、学習用センサ端末２０の圧縮比モデル構築部２４０および乖離度検出モデル構築部２５０は、ステップＳ２１０４において受信したセンサデータを用いて、それぞれ圧縮比モデルおよび乖離度検出学習モデルの再学習（再構築）を行う（Ｓ２１０５）。

続いて、学習用センサ端末のモデル送信部２６０が、ステップＳ２１０５において再学習された圧縮比モデルおよび乖離度検出学習モデルをセンサ端末３０に送信する（Ｓ２１０６）。

上記のような処理によれば、未知のデータが取得され得る環境であっても、都度学習モデルの再構築を行うことで、圧縮比設定の精度を維持し続けることが可能となる。なお、この際、本実施形態に係るモデル送信部２６０は、ネットワークを介して接続される複数のセンサ端末３０のうち、少なくともステップＳ２１０４においてセンサデータの送信を行ったセンサ端末３０に再構築した学習モデルの送信を行ってよい。

また、モデル送信部２６０は、ステップＳ２１０４においてセンサデータの送信を行ったセンサ端末３０と同一の検知対象１０に附随して設置される他のセンサ端末３０や、類似する特性を有する他の検知対象１０に附随して設置される他のセンサ端末３０が存在する場合には、複数のセンサ端末３０に再構築された学習モデルを送信してもよい。上記のような処理によれば、複数のセンサ端末３０による圧縮比設定の精度を効率良く維持することが可能である。

一方、ステップＳ２１０３において検出された乖離度が閾値以下である場合、データ圧縮部３５０は、学習段階において学習用センサ端末２０から送信された圧縮比学習モデルを用いてセンサデータに対する最適な圧縮比を取得し（Ｓ２１０７）、また当該圧縮比によるセンサデータの圧縮を実行する（Ｓ２１０８）。

次に、データ通信部３６０は、ステップＳ２１０８において圧縮されたセンサデータをデータ受信装置４０に送信する（Ｓ２１０９）。

続いて、データ受信装置４０のデータ復元部４２０が、ステップＳ２１０９において、データ受信部４１０が受信したセンサデータの復元を実行する（Ｓ２１１０）。なお、この際、データ復元部４２０は、元のデータサイズと圧縮後のデータサイズを把握する必要があることから、データ通信部３６０は、ステップＳ２１０９において、圧縮されたセンサデータと共に、上記のようなデータサイズに係る情報をデータ受信装置４０に送信してよい。

＜２．ハードウェア構成例＞
次に、本発明の一実施形態に係るモデル構築装置が学習用センサ端末２０とは別途のサーバとして実現される場合のハードウェア構成例について説明する。図１８は、本発明の一実施形態に係るモデル構築装置のハードウェア構成例を示すブロック図である。図１８を参照すると、モデル構築装置は、例えば、プロセッサ８７１と、ＲＯＭ８７２と、ＲＡＭ８７３と、ホストバス８７４と、ブリッジ８７５と、外部バス８７６と、インターフェース８７７と、入力部８７８と、出力部８７９と、記憶部８８０と、ドライブ８８１と、接続ポート８８２と、通信部８８３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。

（プロセッサ８７１）
プロセッサ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、記憶部８８０、又はリムーバブル記録媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。

（ＲＯＭ８７２、ＲＡＭ８７３）
ＲＯＭ８７２は、プロセッサ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、プロセッサ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。

（ホストバス８７４、ブリッジ８７５、外部バス８７６、インターフェース８７７）
プロセッサ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。

（入力部８７８）
入力部８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、マイク、及びレバー等が用いられる。さらに、入力部８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。

（出力部８７９）
出力部８７９には、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置（表示装置）、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。

（記憶部８８０）
記憶部８８０は、各種のデータを格納するための装置である。記憶部８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。

（ドライブ８８１）
ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体９０１に記録された情報を読み出し、又はリムーバブル記録媒体９０１に情報を書き込む装置である。

（リムーバブル記録媒体９０１）
リムーバブル記録媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ−ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記録媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。

（接続ポート８８２）
接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ−２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。

（外部接続機器９０２）
外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。

（通信部８８３）
通信部８８３は、ネットワーク９０３に接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。また、公衆電話網、携帯電話事業者網、内線電話網等の各種の電話網に接続してよい。

＜３．まとめ＞
以上説明したように、本発明の一実施形態に係るセンサデータ圧縮システムは、センサ端末３０と、学習用センサ端末２０や別途のサーバなどにより実現されるモデル構築装置とを備える。本発明の一実施形態に係るセンサデータ圧縮システムによれば、データ分析精度の維持と通信コストの削減とを両立することが可能となる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。

また、コンピュータに内蔵されるＣＰＵ、ＲＯＭおよびＲＡＭなどのハードウェアに、学習用センサ端末２０（モデル構築装置）やセンサ端末３０が有する構成と同等の機能を発揮させるためのプログラムも作成可能であり、当該プログラムを記録した、コンピュータに読み取り可能な非一過性の記録媒体も提供され得る。

また、本明細書のセンサデータ圧縮システムの処理に係る各ステップは、必ずしもフローチャートやシーケンス図に記載された順序に沿って時系列に処理される必要はない。例えば、センサデータ圧縮システムの処理に係る各ステップは、フローチャートやシーケンス図に記載された順序と異なる順序で処理されても、並列的に処理されてもよい。

１０ 検知対象
２０ 学習用センサ端末
２４０ 圧縮比モデル構築部
２５０ 乖離度検出モデル構築部
２６０ モデル送信部
３０ センサ端末
３４０ 乖離度検出部
３５０ データ圧縮部
３６０ データ通信部
４０ データ受信装置

Claims (17)

1. センサデータを取得するセンサ、
   取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部、
   前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部、および
   取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部、
   を備え、
   前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信する、
   センサ端末と、
   前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部、および
   前記圧縮比モデル構築部により再構築された前記数理モデルを前記センサ端末に送信するモデル送信部、
   を備える、
   前記モデル構築装置と、
   から成るセンサデータ圧縮システム。
2. 前記数理モデルは、前記センサデータに対する前記圧縮比を、復元誤差と前記圧縮比とを含む評価指標により動的に変更するよう、機械学習手法を用いて構築された圧縮比学習モデルであり、
   前記圧縮比モデル構築部は、前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記圧縮比学習モデルの再構築を行い、
   前記モデル送信部は、前記圧縮比モデル構築部による再構築が行われた前記圧縮比学習モデルを前記センサ端末に送信する、
   請求項１に記載のセンサデータ圧縮システム。
3. 前記乖離度検出部は、前記圧縮比学習モデルの構築に用いられた前記センサデータを用いて構築された乖離度検出学習モデルを用いて前記乖離度を検出する、
   請求項２に記載のセンサデータ圧縮システム。
4. 前記モデル構築装置は、前記センサ端末から受信した前記圧縮比による圧縮が行われていない前記センサデータを用いて前記乖離度検出学習モデルを構築する乖離度検出モデル構築部、をさらに備え、
   前記モデル送信部は、前記乖離度検出モデル構築部により構築された前記乖離度検出学習モデルを前記センサ端末に送信する、
   請求項３に記載のセンサデータ圧縮システム。
5. 前記圧縮比モデル構築部は、回帰学習、教師なし学習、または強化学習のいずれかの手法を用いて前記圧縮比学習モデルを構築する、
   請求項２〜４のいずれかに記載のセンサデータ圧縮システム。
6. 前記圧縮比モデル構築部は、前記評価指標を最適化する前記圧縮比を求め、前記センサデータを説明変数、当該センサデータに対する最適な圧縮比を目的変数とした回帰学習により前記圧縮比学習モデルを構築する、
   請求項５に記載のセンサデータ圧縮システム。
7. 前記圧縮比モデル構築部は、前記評価指標を最適化する前記圧縮比を、ランダムサーチ、グリッドサーチ、または山登り法のいずれかにより求める、
   請求項６に記載のセンサデータ圧縮システム。
8. 前記圧縮比モデル構築部は、データ圧縮効率が高いほど損失が小さくなる損失関数を用いて、最適化する前記圧縮比を、誤差逆伝播法によるニューラルネットワークのパラメータ更新で求める教師なし学習により前記圧縮比学習モデルを構築する、
   請求項５に記載のセンサデータ圧縮システム。
9. 前記圧縮比モデル構築部は、前記センサデータを状態、前記圧縮比を行動、データ圧縮効率を報酬として、強化学習により前記圧縮比学習モデルを構築する、
   請求項５に記載のセンサデータ圧縮システム。
10. 前記圧縮比モデル構築部は、前記センサデータに係る時間領域のデータまたは周波数領域のデータを状態として強化学習を行う、
    請求項５に記載のセンサデータ圧縮システム。
11. 前記圧縮比モデル構築部は、前記圧縮比の範囲を自然数Ｎで分割し、それぞれの代表値の圧縮比を離散値の行動として強化学習を行う、
    請求項５に記載のセンサデータ圧縮システム。
12. 前記圧縮比モデル構築部は、前記圧縮比を連続値の行動として強化学習を行う、
    請求項５に記載のセンサデータ圧縮システム。
13. 前記圧縮比モデル構築部は、前記圧縮比または復元誤差を含む評価指標を報酬とした強化学習を行う、
    請求項５に記載のセンサデータ圧縮システム。
14. センサデータを取得するセンサと、
    取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部と、
    前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部と、
    取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部と、
    を備え、
    前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信し、当該センサデータを用いて再構築された前記数理モデルを受信する、
    センサ端末。
15. 取得したセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて前記センサデータを前記圧縮比で圧縮するセンサ端末から、前記圧縮比による圧縮が行われていない前記センサデータを受信した場合、当該センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部と、
    前記圧縮比モデル構築部により再構築された前記数理モデルを、ネットワークを介して接続される複数のセンサ端末のうち、少なくとも前記圧縮比による圧縮が行われていない前記センサデータの送信を行ったセンサ端末に送信するモデル送信部と、
    を備える、
    モデル構築装置。
16. コンピュータを、
    センサデータを取得するセンサと、
    取得された前記センサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて、前記センサデータを前記圧縮比で圧縮するデータ圧縮部と、
    前記データ圧縮部により圧縮された前記センサデータを送信するデータ通信部と、
    取得された前記センサデータと前記数理モデルの構築に用いられたセンサデータとの乖離度を検出する乖離度検出部と、
    を備え、
    前記データ通信部は、検出された前記乖離度が閾値を超える場合、前記圧縮比による圧縮が行われていない前記センサデータをモデル構築装置に送信し、当該センサデータを用いて再構築された前記数理モデルを受信する、
    センサ端末、
    として機能させるためのプログラム。
17. コンピュータを、
    取得したセンサデータの特徴量に基づいて圧縮センシングに係る圧縮比を取得する数理モデルを用いて前記センサデータを前記圧縮比で圧縮するセンサ端末から、前記圧縮比による圧縮が行われていない前記センサデータを受信した場合、当該センサデータを用いて前記数理モデルを再構築する圧縮比モデル構築部と、
    前記圧縮比モデル構築部により再構築された前記数理モデルを、ネットワークを介して接続される複数のセンサ端末のうち、少なくとも前記圧縮比による圧縮が行われていない前記センサデータの送信を行ったセンサ端末に送信するモデル送信部と、
    を備える、
    モデル構築装置、
    として機能させるためのプログラム。
    

Images