JP4181193B2 - 時系列パターン検出装置及び方法 - Google Patents

Description

本発明は、複数のイベントから構成される要素が時系列的に並べられた時系列データから特徴的な時系列パターンを検出する時系列パターン検出装置及び方法に関するものである。

従来、離散的に与えられるイベントから構成された時系列データから特徴的な時系列パターンを検出する方法として、非特許文献１に開示されるものが知られている。かかる方法では、例えばある年におけるイベントについて頻度がある基準以上のものを特徴的なものとして取り出し、これら取り出されたイベントを組み合わせて候補となる時系列パターンを生成し、さらにこれら時系列パターンについて基準以上の頻度のものを特徴的なものとして取り出し、さらに各年にまたがって同様な動作を繰り返すことにより特徴的な時系列パターンを検出するようにしている。

この場合、効率的に系列パターンを検出するために特徴的かどうかを判定する基準として、式（1）に定義される時系列パターンの支持度が用いられている。

支持度＝（時系列パターンを含む時系列データの数）／（時系列データの数）
…(1)
この支持度は、時系列パターンに含まれる部分時系列パターンに対して単調にその値が減少するといった性質があるため、小さな特徴的な時系列パターンを検出し、この検出された時系列パターンを組み合わせることによって候補時系列パターンを生成し、当該時系列パターンが特徴的かどうかを判定することにより、より大きなすべての特徴的な時系列パターンを効率的に検出することができる。
"Mining Sequential Patterns"(Ｒ. Agrawal and R. Srikant Proc. of the 11th Int. Conf.Data Engineering, 3-14, 1995) 「特徴的な時系列パターンの効率的な発見法」(櫻井茂明、折原良平、DEWS2006、7A-o6)

ところが、従来の時系列パターンの検出方法では、候補となる時系列パターンを全て組み合わせて特徴的な時系列パターンを生成するようにしているので、時系列パターンを構成するイベントの個数が増えるに従って、候補時系列パターンの数が爆発的に増加し、特徴的な時系列パターンの生成に多大な計算と時間がかかるという問題があった。

このため、イベントの個数を制限したり、特徴的かどうかを判定する基準を高く設定したりするなどして、候補時系列パターンの数を少なくする必要があった。しかし、このように判定基準を必要以上に高く設定して候補時系列パターンを制限すると、本来特徴的な時系列パターンであるはずの時系列パターンを見逃す危険性が高くなり特徴的な時系列パターンを精度よく検出できないという問題が生じる。

本発明は上記事情に鑑みてなされたもので、複数のイベントから構成される要素が時系列的に並べられた時系列データから、同一の属性に含まれるイベントの変化に追随する時系列パターンを精度よく、しかも高速に検出することができる時系列パターン検出装置及び方法を提供することを目的とする。

本発明にかかる時系列パターン検出装置は、
複数のイベントから構成される要素が時系列的に並べられた時系列データを格納する時系列データ格納手段と、
予めイベントを複数のグループに分類する属性情報を格納する属性情報格納手段と、
系列サイズ１で１個のイベントからなる特徴的なイベント集合を検出するイベント検出手段と、
前記イベント検出手段より検出される特徴的なイベント集合より系列サイズ１の１次時系列パターンを検出するイベント集合検出手段と、
前記イベント集合検出手段より検出される系列サイズ１の１次時系列パターンより特徴的な（ｉ＋１）次時系列パターンを検出する時系列パターン検出手段と、具備し、
前記イベント検出手段は、前記時系列データ格納手段より各イベントを取り出すとともに、これら取り出された各イベントの頻度を求め、該頻度に基づいて系列サイズ１で、１個のイベントからなる特徴的なイベント集合を判断する候補時系列パターン判定手段を有し、
前記イベント集合検出手段は、前記イベント検出手段により取得された特徴的イベント集合の任意の２つのイベント集合の組合せに基づいて候補イベント集合を生成する候補時系列パターン生成手段、前記属性情報格納手段に格納された属性情報を参照して候補時系列パターン生成手段で生成された前記候補イベント集合を構成する各イベントの属性に同一のイベントが存在するかを判定する属性情報判定手段及び該属性情報判定手段の判定結果から同じ属性を持つ候補イベント集合について前記時系列データ格納手段に格納される時系列データを参照して候補イベント集合が含まれる時系列データの頻度を求めるとともに、該頻度に基づいて系列サイズ１の１次時系列パターンとして特徴的なイベント集合を判断する候補時系列パターン判定手段を有し、
前記時系列パターン検出手段は、系列サイズｉ（ただしｉ＝１，２，…）のｉ次時系列パターンの任意の２つの組合せに基づいて候補（ｉ＋１）次時系列パターンを生成する候補時系列パターン生成手段、前記属性情報格納手段に格納された属性情報を参照して前記候補時系列パターン生成手段で生成された候補（ｉ＋１）次時系列パターンを構成する各イベントの属性に同一のイベントが存在するかを判定する属性情報判定手段、該属性情報判定手段の判定結果から同じ属性を持つ候補（ｉ＋１）次時系列パターンについて前記時系列データ格納手段に格納される時系列データを参照して候補（ｉ＋１）次時系列パターンが含まれる時系列データの頻度を求めるとともに、該頻度に基づいて特徴的な（ｉ＋１）次時系列パターンを判断する候補時系列パターン判定手段を有する
ことを特徴としている。

本発明にかかる時系列パターン検出方法は、
複数のイベントから構成される要素が時系列的に並べられた時系列データを格納する時系列データ格納手段と、
予めイベントを複数のグループに分類する属性情報を格納する属性情報格納手段と、
系列サイズ１で１個のイベントからなる特徴的なイベント集合を検出するイベント検出手段と、
前記イベント検出手段より検出される特徴的なイベント集合より系列サイズ１の１次時系列パターンを検出するイベント集合検出手段と、
前記イベント集合検出手段より検出される系列サイズ１の１次時系列パターンより特徴的な（ｉ＋１）次時系列パターンを検出する時系列パターン検出手段と、を備えた時系列パターン検出装置の時系列パターン検出方法であって、
前記時系列データ格納手段より各イベントを取り出すとともに、これら取り出された各イベントの頻度を求め、該頻度に基づいて系列サイズ１で、１個のイベントからなる特徴的なイベント集合を取得する第１のステップと、
前記第１のステップにより取得された特徴的イベント集合の任意の２つのイベント集合の組合せに基づいて候補イベント集合を生成する第２のステップと、
前記属性情報格納手段に格納された属性情報を参照して前記第２のステップで生成された前記候補イベント集合を構成する各イベントの属性に同一のイベントが存在するかを判定する第３のステップと、
前記第３のステップの判定結果から同じ属性を持つ候補イベント集合について前記時系列データ格納手段に格納される時系列データを参照して候補イベント集合が含まれる時系列データの頻度を求めるとともに、該頻度に基づいて系列サイズ１の１次時系列パターンとして特徴的なイベント集合を判断する第４のステップと、
系列サイズｉ（ただしｉ＝１，２，…）のｉ次時系列パターンの任意の２つの組合せに基づいて候補（ｉ＋１）次時系列パターンを生成する第５のステップと、
前記属性情報格納手段に格納された属性情報を参照して前記第５のステップで生成された候補（ｉ＋１）次時系列パターンを構成する各イベントの属性に同一のイベントが存在するかを判定する第６のステップと、
前記第６のステップの判定結果から同じ属性を持つ候補（ｉ＋１）次時系列パターンについて前記時系列データ格納手段に格納される時系列データを参照して候補（ｉ＋１）次時系列パターンが含まれる時系列データの頻度を求めるとともに、該頻度に基づいて特徴的な（ｉ＋１）次時系列パターンを判断する第７のステップと
を具備したことを特徴としている。

本発明によれば、複数のイベントから構成される要素が時系列的に並べられた時系列データから、同一の属性に含まれるイベントの変化に追随する時系列パターンを精度よく、しかも高速に検出することができる時系列パターン検出装置及び方法を提供できる。

以下、本発明の実施の形態を図面に従い説明する。

(第１の実施の形態)
図１は、本発明の第１の実施の形態に係る時系列パターン検出装置の概略構成を示している。

この場合、時系列パターン検出装置は、イベント検出部１００、イベント集合検出部２００及び時系列パターン検出部３００から構成されている。これらイベント検出部１００、イベント集合検出部２００及び時系列パターン検出部３００は、共通な主回路を有しており、かかる主回路は、図２に示す時系列データ格納部１、時系列データ分解部２、候補時系列パターン判定部３、特徴時系列パターン格納部４、属性情報格納部５、属性情報判定部６及び候補時系列パターン生成部７から構成されている。

次に、このように構成された時系列パターン検出装置の詳細について図３〜図１９を用いて説明する。

なお、かかる時系列パターン検出装置を説明するのに先立って、用語をいくつか定義する。まず、複数のイベントから構成された要素が時系列的に並んだものを時系列パターンと呼ぶことにし、時系列パターンに含まれる要素の数を時系列パターンのサイズと呼ぶことにする。また、系列サイズがｉとなる時系列パターンを、特にｉ次時系列パターンと呼ぶことにする。例えば、後述する図１４には１次時系列パターン、図１６には２次時系列パターン、図１８には３次時系列パターンの例を示している。また、図１６及び図１８の記述において、「→」は時間の経過を示しており、「→」で区切られた複数の異なるイベントは同時刻に発生したイベントであることを示している。また、特徴的かどうかを判定する基準として、上述した式（1）に定義される時系列パターンの支持度を採用し、予め指定された最小支持度以上となる時系列パターンを特徴的な時系列パターンとしている。この実施の形態では、最小支持度として０．５を指定している。この支持度の値は、一例であり、一般的には経験的な数値が用いられる。また、時系列パターンの支持度を計算するにあたって、時系列データが時系列パターンを含むとは、時系列パターンを構成するすべての要素が時系列データを構成する要素に時系列的な順序関係を保持したまま含まれることを意味している。例えば、図７に示す対象者Ｐ１に対応する時系列データの場合、「血圧＝Ｇ→血圧＝Ｒ」や「血圧＝Ｇ,運動＝Ｇ→血圧＝Ｒ,運動＝Ｒ」といった時系列パターンを含むが、「血圧＝Ｒ→血圧＝Ｇ」や「血圧＝Ｇ,運動＝Ｙ→血圧＝Ｙ,運動＝Ｒ」といった時系列パターンを含まない。

まず、特徴的な時系列パターンを検出する本装置の動作の詳細を図３に示すフローチャートに従って説明する。この場合、図２に示した時系列データ格納部１には、図７（ａ）（ｂ）（ｃ）に示すように２０００年〜２００２年について対象者Ｐ１〜Ｐ３に対応させた時系列データが格納されている。それぞれの時系列データは、３種類のイベント、ここでは血圧、運動、糖分から構成される要素が各年度（２０００年〜２００２年）ごとに時系列的に並べて格納されている。なお、各イベントに対応して記述されるＧ，Ｙ，Ｒは、対象者Ｐ１〜Ｐ３の血圧、運動、糖分に関する評価ランクなどの指標を示している。また、図２に示した属性情報格納部５には、図８に示すようにイベントを複数のグループに分類する属性に関する情報が属性情報として格納されている。

図３に示すフローチャートでは、イベント検出部１００でのステップＳａ０のイベント検出処理、イベント集合検出部２００でのステップＳｂ０のイベント集合検出処理、時系列パターン検出部３００でのステップＳｃ０の時系列パターン検出処理を順次実行することにより、特徴的な時系列パターンを検出する。また、これらステップＳａ０のイベント検出、ステップＳｂ０のイベント集合検出、ステップＳｃ０の時系列パターン検出のそれぞれの処理は、具体的には、図４、図５及び図６に示すフォローチャートが実行される。

図３に示すステップＳａ０のイベント検出では、まず、図４に示すステップＳａ１において、時系列データの取り出しが判断される。この場合、図２に示す時系列データ分解部２は、時系列データ格納部１より、まだ取り出されていない時系列データをひとつ取り出す。このとき時系列データ格納部１内に取り出す時系列データが存在する場合は、ステップＳａ２へと進み、取り出す時系列データが存在しない場合は、イベント検出処理を終了する。

具体的には、はじめて時系列データを取り出す場合は、時系列データ格納部１より図７に示す対象者Ｐ１に対応する時系列データを取り出して、ステップＳａ２へ進む。一方、対象者Ｐ１〜Ｐ３に対応する全ての時系列データを既に取り出してしまっている場合には、イベント検出処理を終了する。

次に、ステップＳａ２において、要素取り出しを判断する。この場合、図２に示す時系列データ分解部２は、ステップＳａ１で取り出した時系列データを構成する要素の中から、まだ取り出されていない要素を１つ取り出す。このとき、時系列データ内に取り出す要素が存在する場合には、ステップＳａ３へと進み、取り出す要素が存在しない場合は、ステップＳａ１へと戻る。

具体的には、仮に、図７に示す対象者Ｐ１に対応する時系列データが取り出されており、はじめて要素を抽出する場合は、年度２０００年の対象者Ｐ１に対応する時系列データの要素「血圧＝Ｇ,運動＝Ｇ,糖分＝Ｇ」を取り出し、ステップＳａ３へと進む。一方、年度２０００年〜２００２年までの対象者Ｐ１に対応する時系列データの要素を既に取り出してしまっている場合には、ステップＳａ１へと戻る。

次に、ステップＳａ３において、イベント取り出しを判断する。この場合、図２に示す時系列データ分解部２は、ステップＳａ２で取り出した要素の中から、まだ取り出されていないイベントをひとつ取り出す。このとき、要素内に取り出すイベントが存在する場合には、ステップＳａ４へと進み、取り出すイベントが存在しない場合には、ステップＳａ２へと戻る。

具体的には、年度２０００年の対象者Ｐ１に対応する時系列データの要素である「血圧＝Ｇ,運動＝Ｇ,糖分＝Ｇ」が取り出されており、はじめてイベントを抽出する場合は、イベント「血圧＝Ｇ」が取り出され、ステップＳａ４へと進む。一方、年度２０００年の対象者Ｐ１に対応する時系列データの要素である「血圧＝Ｇ」「運動＝Ｇ」「糖分＝Ｇ」までのイベントを既に取り出してしまっている場合には、ステップＳａ２へと戻る。

次に、ステップＳａ４においては、新規イベントの判定を行う。この場合、図２に示す時系列データ分解部２により取り出されたイベントに対して、イベント評価値計算が実施済みかどうかを判定する。この場合、イベント評価値計算が実施済みでない場合には、新規イベントと判定してステップＳａ５へと進み、イベント評価値計算を実施済みの場合には、ステップＳａ３へと戻る。

具体的には、年度２０００年の対象者Ｐ１に対応する時系列データの要素の中からイベント「血圧＝Ｇ」が取り出され、このイベント「血圧＝Ｇ」についてイベント評価値計算が実施済みかを判定し、実施済みでなければ、新規イベントと判定してステップＳａ５へと進む。一方、年度２０００年の対象者Ｐ１に対応する時系列データの要素を既に処理済みで、仮に、年度２００１年の対象者Ｐ１に対応する時系列データの要素の中からイベント「糖分＝Ｇ」が取り出されているような場合は、イベント評価値計算を実施済みであると判定し、ステップＳａ３へと戻る。

次に、ステップＳａ５において、イベント評価値の計算を行う。この場合、図２に示す候補時系列パターン判定部３がイベントの評価値としてイベントの支持度を計算する。まず、候補時系列パターン判定部３は、時系列データ格納部１に格納されている時系列データを参照することにより、該当するイベントを含んでいる時系列データの個数(頻度)を計算する。次に、計算した頻度を上述した式（１）に適用することにより、当該イベントの支持度を計算する。

具体的には、ステップＳａ４でイベント「血圧＝Ｇ」についてイベント評価値計算が実施済みでないと判定された場合、かかるイベント「血圧＝Ｇ」に対して支持度を計算する。この場合、イベント「血圧＝Ｇ」は、図７（ａ）に示す年度２０００年の対象者Ｐ１に対応する時系列データの要素内、年度２０００年の対象者Ｐ２に対応する時系列データの要素内にそれぞれ含まれ、また、図７（ｂ）に示す年度２００１年の対象者Ｐ３に対応する時系列データの要素内にも含まれ、対象者Ｐ１〜Ｐ３に対応する全ての時系列データに含まれているので、頻度３として与えられる。また、時系列データは、対象者Ｐ１〜Ｐ３に対応しており、個数３として与えられているので、上述した式（１）から支持度は、１．０(＝３／３)と計算される。そして、ステップＳａ６へと進む。

次に、ステップＳａ６において、評価値の判定を行う。この場合、候補時系列パターン判定部３は、イベントに対して計算された支持度と、予め指定された最小支持度（この実施の形態では上述した０．５）を比較する。そして、イベントに対して計算された支持度が最小支持度以上となる場合には、特徴的なイベントと判定して、ステップＳａ７へと進み、最小支持度未満となる場合は、特徴的なイベントでないと判定してステップＳａ３へと戻る。上述したイベント「血圧＝Ｇ」の場合は、支持度が１．０と計算され、最小支持度が０．５と指定されているため、支持度が最小支持度以上となり、特徴的なイベントと判定されてステップＳａ７へと進む。

一方、例えば、イベント「糖分＝Ｙ」についてイベント評価値計算が実施済みでないと判定された場合、イベント「糖分＝Ｙ」は、図７（ａ）に示す年度２０００年の対象者Ｐ２に対応する時系列データの要素内に含まれるのみで、対象者Ｐ１及びＰ３に対応する時系列データには含まれないので、頻度１として与えられる。このため、上述した式（１）から支持度は、０．３３(＝１／３)と計算され、特徴的なイベントでないと判定され、ステップＳａ３へと戻る。

次に、ステップＳａ７において、特徴イベントを格納する。この場合、図２に示す候補時系列パターン判定部３は、特徴的なイベントを系列サイズが１で、１個のイベントからなる特徴的なイベント集合として特徴時系列パターン格納部４に格納する。つまり、上述したイベント「血圧＝Ｇ」の場合、当該イベントが特徴的なイベント集合として、特徴時系列パターン格納部４に格納され、ステップＳａ４へと戻る。

以下、同様にして、対象者Ｐ１〜Ｐ３に対応する全ての時系列データについてステップＳａ０のイベント検出処理を繰り返して実行することにより、系列サイズが１で１個のイベントからなる特徴的なイベント集合をすべて検出する。図７に示す時系列データの場合、上述したイベント「血圧＝Ｇ」の場合と同様にして他のイベントについても頻度を求めると図９に示すようになる。図９は、系列サイズが１で１個のイベントからなる全ての候補イベント集合とその頻度を記述したものである。そして、これら候補イベント集合のうちの頻度が２以上となるイベントは、上述した式（１）から支持度が０．５以上となる。したがって、これら支持度０．５以上となるイベントが、系列サイズが１で、１個のイベントからなる特徴的なイベント集合として検出され、特徴時系列パターン格納部４に格納される。図１０は、図７に示す時系列データから生成される系列サイズが１で１個のイベントからなる全ての特徴的なイベント集合を表している。

このようにして図３に示すステップＳａ０のイベント検出処理が終了すると、次にステップＳｂ０に進みイベント集合検出処理を実行する。

この場合、図３に示すステップＳｂ０のイベント集合検出処理では、まず、図５に示すステップＳｂ１において、イベント集合の集合の取り出しを判断する。この場合、図２に示す候補時系列パターン生成部７は、イベント集合の集合として、現在のイベント数に一致するイベント集合の集合を特徴時系列パターン格納部４から取り出せるかどうかを判定する。そして、取り出せる場合は、ステップＳｂ２へと進み、取り出せない場合は、ステップＳｂ８へと進む。

ここで、ステップＳｂ１を初めて実行する場合、イベント数は１である。つまり、図７に示す時系列データを対象として、初めてステップＳｂ１を実行する場合は、現在のイベント数１に一致する図１０に記述される特徴的なイベント集合が取り出され、ステップＳｂ２へと進む。

次に、ステップＳｂ２において、イベント集合対の取り出しを判断する。この場合、図２に示す候補時系列パターン生成部７は、ステップＳｂ１において抽出されたイベント集合の集合から、まだ抽出されていない２つのイベント集合の組み合わせを１つ取り出す。このとき、取り出すイベント集合の組み合わせが存在する場合には、ステップＳｂ３へと進み、取り出すイベント集合の組み合わせが存在しない場合には、現在のイベント数を１だけ大きくして、ステップＳｂ１へと戻る。

具体的には、図７に示す時系列データを対象として、ステップＳｂ２を初めて実行する場合は、イベント数が１なので、図１０に記述される特徴的なイベント集合から任意の２つの組み合わせ、例えば、「血圧＝Ｇ」と「血圧＝Ｙ」のような２つのイベント集合の組み合わせを抽出して、ステップＳｂ３以降の処理へ進む。一方、図７に示す時系列データを対象として、イベント数が１で、既に２１（＝₇C₆）個の組み合わせを抽出済みであれば、２つのイベント集合の全ての組み合わせを既に抽出しているので、現在のイベント数を１だけ大きくしてステップＳｂ１へと戻る。この場合、現在のイベント数を１だけ大きくしたイベント数２では、後述するように図１２に記述される特徴的なイベント集合から、例えば、「血圧＝Ｇ, 運動＝Ｇ」、「血圧＝Ｇ, 糖分＝Ｇ」のような２つのイベント集合を抽出してステップＳｂ３以降の処理へ進む。

次に、ステップＳｂ３において、候補イベント集合を生成する。この場合、候補時系列パターン生成部７が取り出したイベント集合の前方に配置されているイベント数よりも１つ小さな部分イベント集合が一致するかどうかを判定する。このとき、一致する場合には、取り出されたイベント集合を組み合わせてイベント数が１つ大きなイベント集合を候補イベント集合として生成してステップＳｂ４へと進む。また、一致しない場合には、ステップＳｂ２へと戻る。

具体的には、イベント数が１で、「血圧＝Ｇ」、「血圧＝Ｙ」の２つのイベント集合が取り出されている場合、イベント数よりも１小さな値は０となるので、イベント部分集合は一致していると判断し、「血圧＝Ｇ, 血圧＝Ｙ」のような２つのイベントからなる候補イベント集合を生成し、ステップＳｂ４へと進む。

次に、ステップＳｂ４において、属性情報の判定を行う。この場合、図２に示す属性情報判定部６は、属性情報格納部５に格納された属性情報（図８）、つまりイベントを複数のグループに分類する属性を参照することにより、候補イベント集合を構成する各イベントの属性に同一のイベントが存在するかどうかを判定する。このとき、候補イベント集合の中に同じ属性を持つイベントが存在しない場合には、ステップＳｂ５へと進み、同じ属性を持つイベントが存在する場合には、ステップＳｂ２へと戻る。

具体的には、「血圧＝Ｇ, 血圧＝Ｙ」のような候補イベント集合が与えられる場合は、これら２つのイベントは、同じ属性「血圧」のイベントになっているため、ステップＳｂ２へと戻る。また、「血圧＝Ｇ, 糖分＝Ｇ」のような候補イベント集合が与えられる場合は、これら２つのイベントは、それぞれ別の属性に含まれるイベントなので、同じ属性を持つイベントが存在しないと判定して、ステップＳｂ５へと進む。

次に、ステップＳｂ５において、イベント集合評価計算を行う。この場合、図２に示す候補時系列パターン判定部３が時系列データ格納部１に格納されている時系列データを参照することにより候補イベント集合が含まれる系列データの頻度を計算する。また、その頻度に基づいて上述した式（１）を適用し候補イベント集合の支持度を計算してステップＳｂ６へと進む。

図１１は、ステップＳｂ３の候補イベント集合の生成及びステップＳｂ４の属性情報の判定により取得される系列サイズが１で２個のイベントからなる特徴的な候補イベント集合の具体例を示している。そして、これら特徴的な候補イベント集合の全てについて時系列データの頻度を求め(図１１参照)、さらに支持度の計算を行う。例えば、候補イベント集合「血圧＝Ｇ, 糖分＝Ｇ」の場合は、図７（ａ）に示す年度２０００年の対象者Ｐ１に対応する時系列データの要素内、図７（ｂ）に示す年度２００１年の対象者Ｐ３に対応する時系列データの要素内にそれぞれ含まれ、頻度２として与えられる。また、時系列データは、対象者Ｐ１〜Ｐ３に対応しており、個数３が与えられているので、上述した式（１）から支持度は、０．６７(＝２／３)と計算される。また、「血圧＝Ｙ, 運動＝Ｇ」の場合は、図７（ａ）に示す年度２０００年の対象者Ｐ３に対応する時系列データの要素内に含まれるのみで、頻度１として与えられるので、上述した式（１）から支持度は、０．３３(＝１／３)と計算される。そして、ステップＳｂ６へと進む。

次に、ステップＳｂ６において、評価値の判定を行う。この場合、候補時系列パターン判定部３は、候補イベント集合に対して計算された支持度と、予め指定された最小支持度（この実施の形態では上述した０．５）とを比較する。そして、候補イベント集合に対して計算された支持度が最小支持度以上となる場合には、特徴的な候補イベント集合と判定して、ステップＳｂ７へと進み、最小支持度未満となる場合は、特徴的な候補イベント集合でないと判定してステップＳｂ２へと戻る。この場合、上述した候補イベント集合「血圧＝Ｇ, 糖分＝Ｇ」の場合は、支持度が０．６７と計算され、最小支持度が０．５と指定されているため、支持度が最小支持度以上となり、特徴的な候補イベント集合と判定されてステップＳｂ７へと進む。一方、上述した候補イベント集合「血圧＝Ｙ, 運動＝Ｇ」の場合は、支持度が０．３３で、最小支持度０．５よりも小さくなるので、特徴的な候補イベント集合でないと判定され、ステップＳｂ２へと戻る。

次に、ステップＳｂ７において、特徴的なイベント集合を格納する。この場合、図２に示す候補時系列パターン判定部３は、特徴的な候補イベント集合と判定したイベント集合を特徴時系列パターン格納部４に格納しステップＳｂ２へと戻る。つまり、上述した「血圧＝Ｇ, 糖分＝Ｇ」の場合、イベント数２の特徴的なイベント集合として、特徴時系列パターン格納部４に格納される。

このようにして図１０に記述されるイベント数１の特徴的なイベント集合から任意の２つの組み合わせからなるイベント集合を抽出し、これらについてステップＳｂ０のイベント集合検出処理を繰り返して実行することにより、イベント数２の特徴的なイベント集合を全て検出することができる。この場合、上述したイベント集合「血圧＝Ｇ, 糖分＝Ｇ」の場合と同様に他のイベント集合についてもステップＳｂ３の候補イベント集合生成処理及びステップＳｂ４の属性情報判定処理を実行したのち、さらに頻度を求めると、図１１に示すようになる。そして、このうちの頻度が２以上となるイベントは、上述した式（１）から支持度が０．５以上となる。したがって、これら支持度０．５以上となるイベントが、イベント数２の特徴的なイベント集合として検出される。図１２は、系列サイズが１で２個のイベントからなる全ての特徴的なイベント集合を表している。

次に、系列サイズが１でイベント数２の場合についても、図１２に記述される特徴的なイベント集合から任意の２つの組み合わせからなるイベント集合を抽出し、これらについてステップＳｂ０のイベント集合検出処理を繰り返して実行する。この場合、ステップＳｂ３の候補イベント集合生成では、例えば、「血圧＝Ｇ,運動＝Ｇ」、「血圧＝Ｇ,糖分＝Ｇ」のような２つのイベント集合が取り出される場合は、イベント数よりも１小さな値は１となり、その部分イベント集合はともに「血圧＝Ｇ」で、両者は一致するので、「血圧＝Ｇ,運動＝Ｇ, 糖分＝Ｇ」のようなイベント数３の候補イベント集合を生成して、ステップＳｂ４へと進む。一方、イベント数２の場合でも、「血圧＝Ｇ,運動＝Ｇ」、「運動＝Ｇ,糖分＝Ｇ」のような２つのイベント集合が取り出された場合は、イベント数よりも１小さな値は１で、イベント部分集合はそれぞれ「血圧＝Ｇ」及び「運動＝Ｇ」となり、両者は一致しないので、ステップＳｂ２へと戻る。

また、ステップＳｂ４の属性情報判定では、例えば、「血圧＝Ｇ, 運動＝Ｇ, 糖分＝Ｇ」のような候補イベント集合が与えられる場合、これら３つのイベントは、それぞれ別の属性に含まれるイベントなので、同じ属性を持つイベントが存在しないと判定して、ステップＳｂ４へと進む。一方、「血圧＝Ｇ, 運動＝Ｇ,運動＝Ｙ」のような候補イベント集合が与えられる場合は、「運動＝Ｇ」、「運動＝Ｙ」が同じ属性に含まれるイベントであるため、ステップＳｂ２へと戻る。

このようにして、図１２に記述されるイベント数２の特徴的なイベント集合より任意の２つの組み合わせからなるイベント集合を抽出し、これらについてステップＳｂ０のイベント集合検出処理を実行することにより、図１３に示すイベント数３の候補イベント集合とその頻度を求めることができる。この場合、頻度が２以上となるイベントは、上述した式（１）から支持度が０．５以上となるが、図１３に示すイベント数３の候補イベント集合には該当する候補が見当たらないため、イベント数３の特徴的なイベント集合は検出されない。

これ以降、ステップＳｂ２では、取り出すべき特徴的イベント集合の組み合わせが存在しないので、ステップＳｂ１に戻り、さらにステップＳｂ１では、イベント数３の特徴的なイベント集合は存在しないので、イベント数が３となった段階で、新たなイベント数に一致するイベント集合を取り出せないと判断して、ステップＳｂ８へと進む。

ステップＳｂ８では、特徴イベント集合統合が行われる。この場合、図２に示す候補時系列パターン生成部７は、特徴時系列パターン格納部４に格納されている図１０及び図１２に示す特徴的なイベント集合をそれぞれ系列サイズが１となる時系列パターンと読み替えて１次時系列パターンを生成する。すなわち、図７の時系列データの場合、図１０及び図１２を併せた図１４に示す特徴的なイベント集合が系列サイズ１の１次時系列パターンとして特徴時系列パターン格納部４に格納される。

このようにして図３に示すステップＳｂ０のイベント集合検出処理が終了すると、次に、ステップＳｃ０に進み、時系列パターン検出処理を実行する。

この場合、図３に示すステップＳｃ０の時系列パターン検出処理では、まず、図６に示すステップＳｃ１において、時系列バターンの集合の取り出しを判断する。この場合、図２に示す候補時系列パターン生成部７は、時系列パターンの集合として、現在の系列サイズに一致する時系列パターンの集合を特徴時系列パターン格納部４から取り出せるかどうかを判定する。取り出せる場合には、ステップＳｃ２へと進み、取り出せない場合は、処理を終了する。

ここで、ステップＳｃ１を始めて実行する場合は、系列サイズが１である。これにより、図７の時系列データを対象とし、初めてステップＳｃ１を実行する場合は、図１４に記述されている１次時系列パターンが抽出されて、ステップＳｃ２へと進む。

次に、ステップＳｃ２において、時系列パターン対の取り出しを判断する。この場合、図２に示す候補時系列パターン生成部７は、ステップＳｃ１において抽出された時系列パターンの集合から、まだ抽出されていない２つの時系列パターンの組み合わせを１つ取り出す。ここでは、同一の時系列パターンが２度抽出される組み合わせも取り出し可能であるとし、時系列パターンの取り出した順番の異なるものも異なる組み合わせであるとする。

このとき、取り出す時系列パターンの組み合わせが存在する場合には、ステップＳｃ３へと進み、取り出す時系列パターンの組み合わせが存在しない場合には、現在の系列サイズを１だけ大きくして、ステップＳｃ１へと戻る。

具体的には、図７に示す時系列データを対象として、ステップＳｃ２を始めて実行する場合は、系列サイズが１で、図１４に記述される時系列パターンから任意の２つの組み合わせ、例えば、「血圧＝Ｇ」、「血圧＝Ｇ」のような２つの時系列パターンの組み合わせを抽出する。また、２度目の抽出においては、「血圧＝Ｇ」、「血圧＝Ｙ」といった２つの時系列パターンの組み合わせを抽出し、さらに３度目の抽出においては、「血圧＝Ｇ」、「血圧＝Ｒ」のような２つの時系列パターンの組み合わせを抽出する。一方、図７の時系列データを対象とし、系列サイズが１で、既に１４４(＝１２×１２)個の組み合わせを抽出済みであれば、２つの時系列パターンの全部の組み合わせを既に抽出しているので、ステップＳｃ２へと戻る。この場合、現在の系列サイズを１だけ大きくした系列サイズ２では、後述する図１６に示す時系列パターンから任意の２つの組み合わせを抽出してステップＳｃ３以降の処理へ進む。

次に、ステップＳｃ３において、候補時系列パターンを生成する。この場合、候補時系列パターン生成部７が取り出した時系列パターンの前方に配置されている系列サイズよりも１小さい部分時系列パターンが一致しているかどうかを判定する。このとき、一致する場合には、取り出された時系列パターンを組み合わせて系列サイズが１つ大きな時系列パターンを候補時系列パターンとして生成してステップＳｃ４へと進む。また、一致しない場合には、ステップＳｃ２へと戻る。

具体的には、系列サイズが１で、「血圧＝Ｇ」、「血圧＝Ｙ」の２つの時系列パターンが取り出されている場合、系列サイズよりも１小さな値は０となるので、部分時系列パターンは一致していると判断し、「血圧＝Ｇ→血圧＝Ｙ」のような候補２次時系列パターンを生成し、ステップＳｃ４へと進む。

次に、ステップＳｃ４において、属性情報の判定を行う。この場合、図２に示す属性情報判定部６は、候補時系列パターンの系列サイズを判定する。このとき、系列サイズが３以上の場合は、無条件にステップＳｃ５へと進む。一方、系列サイズが２の場合には、属性情報判定部３に格納されている属性情報(図８)、つまりイベントを複数のグループに分類する属性を参照することにより、候補２次時系列パターンの元になった２つの１次時系列パターンを構成する各イベントの属性が一致するかどうかを判定する。このとき、候補時系列パターンの元になった各１次時系列パターン中のイベントの属性が一致する場合は、ステップＳｃ５へと進み、属性の一致しないイベントがある場合は、ステップＳｃ２へと戻る。

具体的には、「血圧＝Ｇ→血圧＝Ｙ」のような２つの時系列パターンからなる候補２次時系列パターンの場合、２つの１次時系列パターンを構成する各イベントの属性は「血圧」で一致しているので、ステップＳｃ５へと進み、一方、「血圧＝Ｇ→運動＝Ｇ」のような２つの時系列パターンからなる２次候補時系列パターンの場合、２つの１次時系列パターンを構成する各イベントの属性は「血圧」と「運動」で一致しないので、ステップＳｃ２へと戻る。また、「血圧＝Ｇ,運動＝Ｇ→ 血圧＝Ｙ,運動＝Ｙ」のような２つの候補時系列パターンが与えられている場合は、元になった１次時系列パターン「血圧＝Ｇ, 運動＝Ｇ」、「血圧＝Ｙ, 運動＝Ｙ」は各イベントの属性が「血圧」、「運動」となり、一致するので、ステップＳｃ５へと進む。一方、「血圧＝Ｇ,運動＝Ｇ→ 血圧＝Ｇ,糖分＝Ｇ」のような２つの候補時系列パターンが与えられている場合は、元になった１次時系列パターン「血圧＝Ｇ,運動＝Ｇ」、「血圧＝Ｇ,糖分＝Ｇ」は、属性「血圧」が一致するものの、「運動」、「糖分」の属性が一致しないので、ステップＳｃ２へと戻る。

次に、ステップＳｃ５において、時系列パターン評価計算を行う。この場合、図２に示す候補時系列パターン判定部３が時系列データ格納部１に格納されている時系列データを検索することにより候補時系列パターンを含んでいる時系列データの頻度を計算する。また、その頻度に基づいて上述した式（１）を適用し候補イベント集合の支持度を計算してステップＳｃ６へと進む。図１５は、ステップＳｃ３の候補時系列パターンの生成及びステップＳｃ４の属性情報の判定により取得された候補２次時系列パターンの具体例を示している。そして、これら候補２次時系列パターンの全てについて系列データの頻度を求め(図１５参照)、支持度の計算を行う。例えば、候補時系列パターン「血圧＝Ｇ→血圧＝Ｙ」の場合、図７（ａ）（ｂ）に示す対象者Ｐ１に対応する時系列データの要素内と、対象者Ｐ２に対応する時系列データの要素内にそれぞれ含まれ頻度２として与えられる。また、時系列データは、対象者Ｐ１〜Ｐ３に対応しており、個数３が与えられているので、上述した式（１）から支持度は、０．６７(＝２／３)と計算される。一方、候補時系列パターン「血圧＝Ｙ→血圧＝Ｇ」の場合、図７（ａ）（ｂ）に示す対象者Ｐ３に対応する時系列データの要素にのみ含まれ頻度１として与えられるので、上述した式（１）から支持度は、０．３３(＝１／３)と計算される。そして、ステップＳｃ６へと進む。

ステップＳｃ６において、評価値の判定を行う。この場合、候補時系列パターン判定部３は、候補時系列パターンに対して計算された支持度と、予め指定された最小支持度（この実施の形態では上述した０．５）とを比較する。そして、候補時系列パターンに対して計算された支持度が最小支持度以上となる場合には、特徴的な候補時系列パターンと判定して、ステップＳｃ７へと進み、最小支持度未満となる場合は、特徴的な候補時系列パターンでないと判定してステップＳｃ２へと戻る。この場合、上述した候補時系列パターン「血圧＝Ｇ→血圧＝Ｙ」の場合は、支持度が０．６７と計算され、最小支持度が０．５と指定されているため、支持度が最小支持度以上となり、特徴的な候補時系列パターンと判定されてステップＳｃ７へと進む。一方、上述した候補時系列パターン「血圧＝Ｙ→血圧＝Ｇ」の場合は、支持度が０．３３で、最小支持度０．５よりも小さくなるので、特徴的な候補時系列パターンでないと判定され、ステップＳｃ２へと戻る。

次に、ステップＳｃ７において、これら特徴的な２次時系列パターンを格納する。この場合、図２に示す候補時系列パターン判定部３は、特徴的な時系列パターンと判定した時系列パターンを特徴時系列パターン格納部４に格納して、ステップＳｃ２へと戻る。すなわち、上述した「血圧＝Ｇ→血圧＝Ｙ」の場合、特徴的な２次時系列パターンとして特徴時系列パターン格納部４に格納される。

以下、同様にして、図１４に記述される１次時系列パターンから任意の２つの組み合わせを抽出し、これらについてステップＳｃ０の時系列パターン検出処理を繰り返して実行することにより、図１６に示すような特徴的な２次時系列パターンを検出することができる。

次に、系列サイズ２にして、図１６に記述される特徴的な２次時系列パターンから任意の２つの組み合わせを抽出し、これらについてステップＳｃ０の時系列パターン検出処理を繰り返して実行する。

この場合、ステップＳｃ３の候補時系列パターン生成では、例えば、「血圧＝Ｇ→ 血圧＝Ｙ」、「血圧＝Ｇ→ 血圧＝Ｒ」のような２つの時系列パターンが取り出されている場合は、系列サイズ２よりも１小さな値は１となり、その部分時系列パターンはともに「血圧＝Ｇ」で、両者は一致するので、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ」といった３つの要素からなる候補３次時系列パターンを生成して、ステップＳｃ４へと進む。一方、例えば「血圧＝Ｇ→ 血圧＝Ｙ」、「運動Ｇ→ 運動＝Ｙ」のような２つの時系列パターンが取り出されている場合は、系列サイズ２よりも１小さな値は１となり、その部分時系列パターンはそれぞれ「血圧＝Ｇ」及び「運動＝Ｇ」で、両者は一致しないので、ステップＳｃ２へと戻る。

また、ステップＳｃ４の属性情報の判定では、例えば、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ」といった候補３次時系列パターンが与えられる場合は、系列サイズが３となるので、直ちにステップＳｃ５へと進む。

以下、同様にして、図１６に記述される２次時系列パターンから任意の２つの組み合わせを抽出し、これらについてステップＳｃ０の時系列パターン検出処理として、ステップＳｃ３の候補時系列パターンの生成及びステップＳｃ４の属性情報の判定を実行することにより、図１７に示す候補３次時系列パターンを取得することができる。そして、これら候補３次時系列パターンの全てについて系列データの頻度を求め（図１７参照）、さらに支持度の計算を行うことにより、図１８に示すような特徴的な３次時系列パターンを検出することができる。また、この特徴的な３次時系列パターンは、特徴時系列パターン格納部４に格納される。

次に、系列サイズ３として、図１８に記述される特徴的な３次時系列パターンから任意の２つの組み合わせを抽出し、これらについてステップＳｃ０の時系列パターン検出処理を繰り返して実行する。

この場合、ステップＳｃ３の候補時系列パターン生成では、例えば、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ」、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ」のような２つの時系列パターンが取り出されている場合は、系列サイズよりも１小さな値は２となり、その部分時系列パターンはともに「血圧＝Ｇ→ 血圧＝Ｙ」で一致するので、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ→ 血圧＝Ｒ」といった４つの要素からなる候補４次時系列パターンを生成して、ステップＳｃ４へと進む。一方、例えば「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ」、「運動＝Ｇ→ 運動＝Ｙ→ 運動＝Ｒ」のような２つの時系列パターンが取り出されている場合は、系列サイズよりも１小さな値は２となり、その部分時系列パターンはそれぞれ「血圧＝Ｇ→ 血圧＝Ｙ」及び「運動＝Ｇ→ 運動＝Ｙ」で、これらは一致しないので、ステップＳｃ２へと戻る。

また、ステップＳｃ４の属性情報の判定では、例えば、「血圧＝Ｇ→ 血圧＝Ｙ→ 血圧＝Ｒ→ 血圧＝Ｒ」のような候補４次時系列パターンが与えられる場合は、系列サイズが４となるので、直ちにステップＳｃ５へと進む。

この場合も、図１８に記述される３次時系列パターンから任意の２つの組み合わせを抽出し、これらについてステップＳｃ０の時系列パターン検出処理として、ステップＳｃ３の候補時系列パターンの生成及びステップＳｃ４の属性情報の判定をすることにより、図１９に示す候補４次時系列パターンを取得することができる。そして、これら候補４次時系列パターンの全てについて系列データの頻度を求める。この場合、図７に示す時系列データでは、３次時系列パターンまでに対応し、４次時系列パターン以上については対応していないため、全ての候補４次時系列パターンの頻度は０となり（図１９参照）、特徴的な４次時系列パターンは検出されない。

これにより、ステップＳｃ０の時系列パターン検出処理は、ステップＳｃ２において、時系列パターン対の取り出しができなくなり、ステップＳｃ１に戻り、ここでも現在の系列サイズに一致する時系列パターンの集合を特徴時系列パターン格納部４から取り出せないと判定し処理を終了する。つまり、図７に示す時系列データを対象とした場合、図１９の時系列パターンに示すように、系列サイズが４となる特徴的な４次時系列パターンは存在しないので、系列サイズが４となった時点で、ステップＳｃ０の時系列パターン検出処理は終了する。

このようにして、系列サイズ１の特徴的な時系列パターンから１つ大きな系列サイズからなる特徴的な時系列パターンを生成し、さらに当該系列サイズを１つづつ大きくしながら、系列サイズがｉとなる特徴的なｉ次時系列パターンを生成する。また、すべての時系列パターンの生成が終了した時点で、ステップＳｃ０の時系列パターン検出処理が終了し、本発明の時系列パターン検出装置の処理が全て終了する。つまり、図７に示す時系列データの場合、図１４、図１６及び図１８に示される１次〜３次時系列パターンが検出され、本発明の時系列パターン検出装置の処理が全て終了する。

したがって、このようにすれば、同一属性に含まれ、同時に発生する可能性のないイベントの組み合わせからなるイベント集合を候補イベント集合として生成しないようにできるので、特徴的であるかどうかを判定する必要がある候補イベント集合の数を大幅に削減することができる。例えば、図７の時系列データの場合、「血圧＝Ｇ,血圧＝Ｙ」、「血圧＝Ｇ,運動＝Ｇ, 運動＝Ｙ」といった候補イベント集合に対して、特徴的であるかどうかの判定をする必要がなくなる。

また、同一の属性に含まれるイベントの変化を追随しない時系列パターンを候補時系列パターンから除外することができるので、候補時系列パターンの数を大幅に削減することもできる。例えば、図７の時系列データの場合、「血圧＝Ｇ→ 運動＝Ｇ」、「血圧＝Ｇ, 運動＝Ｇ → 血圧＝Ｇ, 糖分＝Ｇ」といった候補時系列パターンに対して、特徴的であるかどうかを判定する必要がなくなる。

本実施の形態では、簡便のため、系列データに含まれる系列データの数を３としたが、これは一例であって、実際の系列データの数は数千、数万にもなり、特徴的であるかどうかを判定するには、多大なる計算時間が必要となる。このため、特徴的であるかどうかを判定する候補時系列パターンの数を極力少なくすることにより、特徴的な時系列パターンを精度よく、しかも高速に検出することができる。一方、同一の属性に含まれるイベントの変化を追随した時系列パターンだけを抽出しているため、分析者にとって真に特徴的な時系列パターンを容易に抽出することができる。例えば、図７の時系列データの場合、従来法によっては抽出される「血圧＝Ｇ→ 運動＝Ｙ」、「血圧＝Ｇ→ 運動＝Ｙ→ 血圧＝Ｒ」といった同一の属性に含まれるイベントの変化を追随しない時系列パターンを抽出しないため、検出された特徴的な時系列パターンの中から分析者にとって真に特徴的な時系列パターンを容易に検出することもできる。

（変形例１）
上述した実施の形態では、属性情報格納部５に格納する属性としては、系列データの同一の列に対応するイベントに階層構造を規定することなしに属性を構成していたが、同一の列に対応するイベントに階層構造を規定して構成してもよい。例えば、属性「飲酒」の列に含まれるイベントが図２０に示すように与えられており、イベント「飲酒＝飲む：ビール」、「飲酒＝飲む：ワイン」、「飲酒＝飲む：日本酒」、「飲酒＝飲む：焼酎」が同時に発生する可能性がある場合、図２１に示すように属性を構成することができる。

このようにすると、図３に示すステップＳｂ０のイベント集合検出処理において、図５に示すステップＳｂ４の属性情報の判定の際に、属性情報判定部６が上位の分類基準である「飲酒＝飲む」、「飲酒＝飲まない」に対しては、同時に発生することを禁止する一方、下位の分類基準である「飲酒＝飲む：ビール」、「飲酒＝飲む：ワイン」、「飲酒＝飲む：日本酒」、「飲酒＝飲む：焼酎」に関しては同時に発生することを許可するようにできる。

また、図３に示すステップＳｃ０の時系列パターン検出処理において、図６に示すステップＳｃ４の属性情報の判定の際に、属性情報判定部６が属性「飲酒」に含まれるイベントの個数を無視して、当該属性に関するイベントの有無によって特徴的であるかどうかを評価する必要があるかどうかを判定することもできる。このような判定を行うことにより、「飲酒＝飲まない→血圧＝Ｇ」といった時系列パターンは特徴的であるかどうかを評価する必要がないと判定する一方、「飲酒＝飲まない→ 飲酒＝飲む：ワイン→ 飲酒＝飲む：ビール, 飲酒＝ワイン」といった時系列パターンは特徴的であるかどうかを評価する必要があると判定することができる。

その他、本発明は、上記実施の形態に限定されるものでなく、実施段階では、その要旨を変更しない範囲で種々変形することが可能である。

例えば、図３に示すステップＳｃ０の時系列パターン検出処理において、図６に示すステップＳｃ４の属性情報の判定の際に、イベントの変化に関する制約を課して判定することもできる。すなわち、「血圧＝Ｇ→ 血圧＝Ｙ」といった属性「血圧」に含まれるイベントが変化する場合には、特徴的であるかどうかを評価する必要があると判定する一方、「血圧＝Ｇ → 血圧＝Ｇ」といった属性「血圧」に含まれるイベントが変化しない場合は、特徴的であるかどうかを評価する必要がないと判定することができる。

また、上述した実施の形態では、図１に示すイベント検出部１００を設けた例を述べているが、例えば、特徴的なイベント集合にかかるデータが予め取得されていて、このデータを利用できるのであれば、イベント検出部１００を省略しても本発明の時系列パターン検出装置は実現できる。

さらに、上述した実施の形態では、候補時系列パターン判定部３の特徴的かどうかを判定する基準として、時系列パターンの支持度を利用したが、支持度に代わって、系列興味度を利用してもよい。この系列興味度は、非特許文献２に記述されたもので、例えば特定の時系列パターンの中に、相対的な頻度がそれほど高くない部分時系列パターンが含まれる場合、この時系列パターンは相対的な頻度がそれほど高くない部分時系列パターンが与えられた段階で時系列パターンに含まれる残りのイベントを精度よく予測することができる。このため、ある種の特徴的な時系列パターンとみなすことができる。そこで、相対的な頻度がそれほど高くないことを時系列パターンに含まれる部分時系列パターンの頻度の逆数の最小値によって評価することにより、このような時系列パターンを検出する指標として定義される。

さらに、上記実施の形態には、種々の段階の発明が含まれており、開示されている複数の構成要件における適宜な組み合わせにより種々の発明が抽出できる。例えば、実施の形態に示されている全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題を解決でき、発明の効果の欄で述べられている効果が得られる場合には、この構成要件が削除された構成が発明として抽出できる。

本発明の第１の実施の形態にかかる時系列パターン検出装置の概略構成を示す図。 第１の実施の形態にかかる時系列パターン検出装置の主回路の概略構成を示す図。 第１の実施の形態の時系列パターン検出装置での処理全体の流れを説明するためのフローチャート。 第１の実施の形態の時系列パターン検出装置での処理のうちイベント検出処理の流れを説明するためのフローチャート。 第１の実施の形態の時系列パターン検出装置での処理のうちイベント集合処理の流れを説明するためのフローチャート。 第１の実施の形態の時系列パターン検出装置での処理のうち時系列パターン検出処理の流れを説明するためのフローチャート。 第１の実施の形態に適用される時系列データ格納部に格納される時系列データの一例を示す図。 第１の実施の形態に適用される属性情報格納部に格納される属性情報の一例を示す図。 時系列データ格納部の時系列データから生成される系列サイズが１で１個のイベントからなる候補イベント集合とその頻度を表す図。 時系列データ格納部の時系列データから生成される系列サイズが１で１個のイベントからなる特徴的なイベント集合を表す図。 時系列データ格納部の時系列データから生成される系列サイズが１で２個のイベントからなる候補イベント集合とその頻度を表す図。 時系列データ格納部の時系列データから生成される系列サイズが１で２個のイベントからなる特徴的なイベント集合を表す図。 時系列データ格納部の時系列データから生成される系列サイズが１で３個のイベントからなる候補イベント集合とその頻度を表す図。 時系列データ格納部の時系列データから生成される特徴的な１次時系列パターンを表す図。 時系列データ格納部の時系列データから生成される候補２次時系列パターンとその頻度を表す図。 時系列データ格納部の時系列データから生成される特徴的な２次時系列パターンを表す図。 時系列データ格納部の時系列データから生成される候補３次時系列パターンとその頻度を表す図。 時系列データ格納部の時系列データから生成される特徴的な３次時系列パターンを表す図。 時系列データ格納部の時系列データから生成される候補４次時系列パターンとその頻度を表す図。 本発明の変形例の属性情報格納部に格納される階層的構造の属性情報の一例を示す図。 図２０に示す階層的構造の属性情報をさらに説明するための図。

符号の説明

１００…イベント検出部、２００…イベント集合検出部、
３００…時系列パターン検出部
１…時系列データ格納部、２…時系列データ分解部、
３…候補時系列パターン判定部、４…特徴時系列パターン格納部、
５…属性情報格納部、６…属性情報判定部、７…候補時系列パターン生成部。

Claims (8)

1. 複数のイベントから構成される要素が時系列的に並べられた時系列データを格納する時系列データ格納手段と、
   予めイベントを複数のグループに分類する属性情報を格納する属性情報格納手段と、
   系列サイズ１で１個のイベントからなる特徴的なイベント集合を検出するイベント検出手段と、
   前記イベント検出手段より検出される特徴的なイベント集合より系列サイズ１の１次時系列パターンを検出するイベント集合検出手段と、
   前記イベント集合検出手段より検出される系列サイズ１の１次時系列パターンより特徴的な（ｉ＋１）次時系列パターンを検出する時系列パターン検出手段と、具備し、
   前記イベント検出手段は、前記時系列データ格納手段より各イベントを取り出すとともに、これら取り出された各イベントの頻度を求め、該頻度に基づいて系列サイズ１で、１個のイベントからなる特徴的なイベント集合を判断する候補時系列パターン判定手段を有し、
   前記イベント集合検出手段は、前記イベント検出手段により取得された特徴的イベント集合の任意の２つのイベント集合の組合せに基づいて候補イベント集合を生成する候補時系列パターン生成手段、前記属性情報格納手段に格納された属性情報を参照して候補時系列パターン生成手段で生成された前記候補イベント集合を構成する各イベントの属性に同一のイベントが存在するかを判定する属性情報判定手段及び該属性情報判定手段の判定結果から同じ属性を持つ候補イベント集合について前記時系列データ格納手段に格納される時系列データを参照して候補イベント集合が含まれる時系列データの頻度を求めるとともに、該頻度に基づいて系列サイズ１の１次時系列パターンとして特徴的なイベント集合を判断する候補時系列パターン判定手段を有し、
   前記時系列パターン検出手段は、系列サイズｉ（ただしｉ＝１，２，…）のｉ次時系列パターンの任意の２つの組合せに基づいて候補（ｉ＋１）次時系列パターンを生成する候補時系列パターン生成手段、前記属性情報格納手段に格納された属性情報を参照して前記候補時系列パターン生成手段で生成された候補（ｉ＋１）次時系列パターンを構成する各イベントの属性に同一のイベントが存在するかを判定する属性情報判定手段、該属性情報判定手段の判定結果から同じ属性を持つ候補（ｉ＋１）次時系列パターンについて前記時系列データ格納手段に格納される時系列データを参照して候補（ｉ＋１）次時系列パターンが含まれる時系列データの頻度を求めるとともに、該頻度に基づいて特徴的な（ｉ＋１）次時系列パターンを判断する候補時系列パターン判定手段を有する
   ことを特徴とする時系列パターン検出装置。
2. イベント検出手段は、前記時系列データ格納手段より取り出される各イベントの頻度に基づいて求められる支持度と、予め指定される最小支持度との比較結果から特徴的なイベント集合を検出することを特徴とする請求項１記載の時系列パターン検出装置。
3. 前記イベント集合検出手段の前記候補時系列パターン生成手段は、前記イベント検出手段により取得された特徴的イベント集合より任意の２つのイベント集合の組合せを取り出すとともに、これらイベント集合の前方に配置されるイベント数よりも１つ小さな部分イベント集合の一致を判断し候補イベント集合を生成することを特徴とする請求項１記載の時系列パターン検出装置。
4. 前記イベント集合検出手段の候補時系列パターン判定手段は、前記候補イベント集合が含まれる時系列データの頻度に基づいて求められる支持度と、予め指定される最小支持度との比較結果から特徴的なイベント集合を判断することを特徴とする請求項１記載の時系列パターン検出装置。
5. 前記時系列パターン検出手段の前記候補時系列パターン生成手段は、系列サイズｉ（ただしｉ＝１，２，…）のｉ次時系列パターンから任意の２つの組合せを取り出すとともに、ｉ次時系列パターンの前方に配置される系列サイズよりも１つ小さな部分時系列パターンの一致を判断し候補（ｉ＋１）次時系列パターンを生成することを特徴とする請求項１記載の時系列パターン検出装置。
6. 前記時系列パターン検出手段の候補時系列パターン判定手段は、前記候補（ｉ＋１）次時系列パターンが含まれる時系列データの頻度に基づいて求められる支持度と、予め指定される最小支持度との比較結果から特徴的な（ｉ＋１）次時系列パターンを判定することを特徴とする請求項１記載の時系列パターン検出装置。
7. 前記時系列パターン検出手段は、前記候補（ｉ＋１）次時系列パターンの系列サイズが３以上で前記属性情報判定手段による属性情報の判定を行わないことを特徴とする請求項１記載の時系列パターン検出装置。
8. 複数のイベントから構成される要素が時系列的に並べられた時系列データを格納する時系列データ格納手段と、
   予めイベントを複数のグループに分類する属性情報を格納する属性情報格納手段と、
   系列サイズ１で１個のイベントからなる特徴的なイベント集合を検出するイベント検出手段と、
   前記イベント検出手段より検出される特徴的なイベント集合より系列サイズ１の１次時系列パターンを検出するイベント集合検出手段と、
   前記イベント集合検出手段より検出される系列サイズ１の１次時系列パターンより特徴的な（ｉ＋１）次時系列パターンを検出する時系列パターン検出手段と、を備えた時系列パターン検出装置の時系列パターン検出方法であって、
   前記時系列データ格納手段より各イベントを取り出すとともに、これら取り出された各イベントの頻度を求め、該頻度に基づいて系列サイズ１で、１個のイベントからなる特徴的なイベント集合を取得する第１のステップと、
   前記第１のステップにより取得された特徴的イベント集合の任意の２つのイベント集合の組合せに基づいて候補イベント集合を生成する第２のステップと、
   前記属性情報格納手段に格納された属性情報を参照して前記第２のステップで生成された前記候補イベント集合を構成する各イベントの属性に同一のイベントが存在するかを判定する第３のステップと、
   前記第３のステップの判定結果から同じ属性を持つ候補イベント集合について前記時系列データ格納手段に格納される時系列データを参照して候補イベント集合が含まれる時系列データの頻度を求めるとともに、該頻度に基づいて系列サイズ１の１次時系列パターンとして特徴的なイベント集合を判断する第４のステップと、
   系列サイズｉ（ただしｉ＝１，２，…）のｉ次時系列パターンの任意の２つの組合せに基づいて候補（ｉ＋１）次時系列パターンを生成する第５のステップと、
   前記属性情報格納手段に格納された属性情報を参照して前記第５のステップで生成された候補（ｉ＋１）次時系列パターンを構成する各イベントの属性に同一のイベントが存在するかを判定する第６のステップと、
   前記第６のステップの判定結果から同じ属性を持つ候補（ｉ＋１）次時系列パターンについて前記時系列データ格納手段に格納される時系列データを参照して候補（ｉ＋１）次時系列パターンが含まれる時系列データの頻度を求めるとともに、該頻度に基づいて特徴的な（ｉ＋１）次時系列パターンを判断する第７のステップと
   を具備したことを特徴とする時系列パターン検出方法。

Images