JP2021111060A - 影響判定プログラム、装置、及び方法 - Google Patents
影響判定プログラム、装置、及び方法 Download PDFInfo
- Publication number
- JP2021111060A JP2021111060A JP2020001670A JP2020001670A JP2021111060A JP 2021111060 A JP2021111060 A JP 2021111060A JP 2020001670 A JP2020001670 A JP 2020001670A JP 2020001670 A JP2020001670 A JP 2020001670A JP 2021111060 A JP2021111060 A JP 2021111060A
- Authority
- JP
- Japan
- Prior art keywords
- data
- period
- multiple regression
- time series
- series 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
- 238000000034 method Methods 0.000 title claims description 47
- 230000008569 process Effects 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000010365 information processing Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
y=α1x1+α2x2+・・・αnxn+β ・・・(1)
y0=0+0+・・・0+β
y1=α1x1+0+・・・0+β
y2=α1x1+α2x2+0+・・・0+β
・・・
yn=α1x1+α2x2+・・・αnxn+β
時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出し、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定し、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する、
処理をコンピュータに実行させることを特徴とする影響判定プログラム。
前記特定の条件を満たす期間を特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値が、時系列順に継続的に増加する期間を、前記特定の条件を満たす期間として特定する処理である、
ことを特徴とする付記1に記載の影響判定プログラム。
前記重回帰値が継続的に増加する期間として特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値の時系列における変化の度合いを前記各時点のデータのそれぞれに対して算出し、閾値以上の変化の度合いを示すデータが所定数連続する期間を、前記重回帰値が継続的に増加する期間として特定する処理である、
ことを特徴とする付記2に記載の影響判定プログラム。
前記特定の条件を満たす期間に関連する情報は、前記特定の条件を満たす期間を示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータを示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータの集計結果、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータとそれ以外のデータとの比較結果の少なくとも一つを含む、
ことを特徴とする付記1〜付記3のいずれか1項に記載の影響判定プログラム。
前記重回帰モデルは、前記機械学習モデルの学習に利用された学習データであって、前記機械学習モデルに対応する特徴空間において、前記時系列データの周辺に位置する前記学習データを用いた機械学習により生成される、
ことを特徴とする付記1〜付記4のいずれか1項に記載の影響判定プログラム。
時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出する算出部と、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定する特定部と、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する出力部と、
を含むことを特徴とする影響判定装置。
前記特定部は、前記各時点のデータのそれぞれに対して算出された前記重回帰値が、時系列順に継続的に増加する期間を、前記特定の条件を満たす期間として特定する、
ことを特徴とする付記6に記載の影響判定装置。
前記特定部は、前記各時点のデータのそれぞれに対して算出された前記重回帰値の時系列における変化の度合いを前記各時点のデータのそれぞれに対して算出し、閾値以上の変化の度合いを示すデータが所定数連続する期間を、前記重回帰値が継続的に増加する期間として特定する、
ことを特徴とする付記7に記載の影響判定装置。
前記特定の条件を満たす期間に関連する情報は、前記特定の条件を満たす期間を示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータを示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータの集計結果、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータとそれ以外のデータとの比較結果の少なくとも一つを含む、
ことを特徴とする付記6〜付記8のいずれか1項に記載の影響判定装置。
前記重回帰モデルは、前記機械学習モデルの学習に利用された学習データであって、前記機械学習モデルに対応する特徴空間において、前記時系列データの周辺に位置する前記学習データを用いた機械学習により生成される、
ことを特徴とする付記6〜付記9のいずれか1項に記載の影響判定装置。
時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出し、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定し、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する、
処理をコンピュータが実行することを特徴とする影響判定方法。
前記特定の条件を満たす期間を特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値が、時系列順に継続的に増加する期間を、前記特定の条件を満たす期間として特定する処理である、
ことを特徴とする付記11に記載の影響判定方法。
前記重回帰値が継続的に増加する期間として特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値の時系列における変化の度合いを前記各時点のデータのそれぞれに対して算出し、閾値以上の変化の度合いを示すデータが所定数連続する期間を、前記重回帰値が継続的に増加する期間として特定する処理である、
ことを特徴とする付記12に記載の影響判定方法。
前記特定の条件を満たす期間に関連する情報は、前記特定の条件を満たす期間を示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータを示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータの集計結果、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータとそれ以外のデータとの比較結果の少なくとも一つを含む、
ことを特徴とする付記11〜付記13のいずれか1項に記載の影響判定方法。
前記重回帰モデルは、前記機械学習モデルの学習に利用された学習データであって、前記機械学習モデルに対応する特徴空間において、前記時系列データの周辺に位置する前記学習データを用いた機械学習により生成される、
ことを特徴とする付記11〜付記14のいずれか1項に記載の影響判定方法。
時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出し、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定し、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する、
処理をコンピュータに実行させることを特徴とする影響判定プログラムを記憶した記憶媒体。
11 重回帰モデル学習部
12 算出部
13 特定部
14 出力部
20 重回帰モデル
30 学習推定装置
31 学習部
32 推定部
40 学習モデル
50 コンピュータ
51 CPU
52 メモリ
53 記憶部
59 記憶媒体
60 影響判定プログラム
100 推定システム
Claims (7)
- 時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出し、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定し、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する、
処理をコンピュータに実行させることを特徴とする影響判定プログラム。 - 前記特定の条件を満たす期間を特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値が、時系列順に継続的に増加する期間を、前記特定の条件を満たす期間として特定する処理である、
ことを特徴とする請求項1に記載の影響判定プログラム。 - 前記重回帰値が継続的に増加する期間として特定する処理は、前記各時点のデータのそれぞれに対して算出された前記重回帰値の時系列における変化の度合いを前記各時点のデータのそれぞれに対して算出し、閾値以上の変化の度合いを示すデータが所定数連続する期間を、前記重回帰値が継続的に増加する期間として特定する処理である、
ことを特徴とする請求項2に記載の影響判定プログラム。 - 前記特定の条件を満たす期間に関連する情報は、前記特定の条件を満たす期間を示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータを示す情報、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータの集計結果、前記時系列データのうち前記特定の条件を満たす期間に含まれるデータとそれ以外のデータとの比較結果の少なくとも一つを含む、
ことを特徴とする請求項1〜請求項3のいずれか1項に記載の影響判定プログラム。 - 前記重回帰モデルは、前記機械学習モデルの学習に利用された学習データであって、前記機械学習モデルに対応する特徴空間において、前記時系列データの周辺に位置する前記学習データを用いた機械学習により生成される、
ことを特徴とする請求項1〜請求項4のいずれか1項に記載の影響判定プログラム。 - 時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出する算出部と、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定する特定部と、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する出力部と、
を含むことを特徴とする影響判定装置。 - 時系列データに基づいて推定結果を出力する機械学習モデルを近似した重回帰モデルの各項に、前記時系列データの各時点のデータを時系列順に対応させ入力する際、前記各時点のデータのそれぞれに対して、前記各時点のデータのそれぞれより後の時点のデータに対応する前記重回帰モデルの項の偏回帰係数を0として、重回帰値を算出し、
前記各時点のデータのそれぞれについて算出された前記重回帰値の変化に応じて、前記時系列データが示す期間のうち、特定の条件を満たす期間を特定し、
特定された前記特定の条件を満たす期間に関する情報を、前記推定結果に影響を与えた要因として出力する、
処理をコンピュータが実行することを特徴とする影響判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001670A JP7354844B2 (ja) | 2020-01-08 | 2020-01-08 | 影響判定プログラム、装置、及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001670A JP7354844B2 (ja) | 2020-01-08 | 2020-01-08 | 影響判定プログラム、装置、及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021111060A true JP2021111060A (ja) | 2021-08-02 |
JP7354844B2 JP7354844B2 (ja) | 2023-10-03 |
Family
ID=77059848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020001670A Active JP7354844B2 (ja) | 2020-01-08 | 2020-01-08 | 影響判定プログラム、装置、及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7354844B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018096683A1 (ja) * | 2016-11-28 | 2018-05-31 | 日本電気株式会社 | 要因分析方法、要因分析装置および要因分析プログラム |
WO2018142753A1 (ja) * | 2017-02-02 | 2018-08-09 | 日本電気株式会社 | ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム |
US20190303716A1 (en) * | 2018-03-28 | 2019-10-03 | Entit Software Llc | Identification of input features used by machine learning model in providing output score |
JP2019211870A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社日立ソリューションズ東日本 | 在庫管理装置および在庫管理方法 |
-
2020
- 2020-01-08 JP JP2020001670A patent/JP7354844B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018096683A1 (ja) * | 2016-11-28 | 2018-05-31 | 日本電気株式会社 | 要因分析方法、要因分析装置および要因分析プログラム |
WO2018142753A1 (ja) * | 2017-02-02 | 2018-08-09 | 日本電気株式会社 | ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム |
US20190303716A1 (en) * | 2018-03-28 | 2019-10-03 | Entit Software Llc | Identification of input features used by machine learning model in providing output score |
JP2019211870A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社日立ソリューションズ東日本 | 在庫管理装置および在庫管理方法 |
Non-Patent Citations (1)
Title |
---|
万代 悠作 ほか: "囲碁ニューラルネットワークの判断根拠の可視化", ゲームプログラミングワークショップ(GPWS)2018論文集 [ONLINE], JPN6023034360, 9 November 2018 (2018-11-09), JP, pages 9 - 15, ISSN: 0005132748 * |
Also Published As
Publication number | Publication date |
---|---|
JP7354844B2 (ja) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
US10331221B2 (en) | Methods for analysing user interactions with a user interface | |
Kumar et al. | Modeling using K-means clustering algorithm | |
US11347972B2 (en) | Training data generation method and information processing apparatus | |
JP5963320B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
US20210334654A1 (en) | Methods and systems for reducing bias in an artificial intelligence model | |
JP6481794B1 (ja) | 学習用データ生成方法、学習用データ生成プログラム | |
CN114175063B (zh) | 用于机器学习系统的自适应训练的系统和方法 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
Pan et al. | Dynamic Task Allocation Algorithm for Hiring Workers that Learn. | |
US20220405640A1 (en) | Learning apparatus, classification apparatus, learning method, classification method and program | |
JP5865297B2 (ja) | 候補提示装置、候補提示方法及びプログラム | |
JP7354844B2 (ja) | 影響判定プログラム、装置、及び方法 | |
JP5826892B1 (ja) | 変化点検出装置、変化点検出方法、及びコンピュータプログラム | |
US20230237369A1 (en) | Automated training of machine learning classification for patient missed care opportunities or late arrivals | |
US10755044B2 (en) | Estimating document reading and comprehension time for use in time management systems | |
WO2021240715A1 (ja) | 気分予測方法、気分予測装置及びプログラム | |
US9892462B1 (en) | Heuristic model for improving the underwriting process | |
JP5826893B1 (ja) | 変化点予測装置、変化点予測方法、及びコンピュータプログラム | |
Bao et al. | Dynamic financial distress prediction based on Kalman filtering | |
JP7435821B2 (ja) | 学習装置、心理状態系列予測装置、学習方法、心理状態系列予測方法、及びプログラム | |
JP4202339B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
JP2021068163A (ja) | 予測プログラム、予測方法及び予測装置 | |
TW201506827A (zh) | 用以從經整理及分析之一段時間內資料信號導出實質變化屬性以預測傳統預測因子之未來變化的系統及方法 | |
JP7355375B2 (ja) | 入力項目表示制御システム、および入力項目表示制御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220908 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230731 |
|
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: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230904 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7354844 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |