JP4298749B2 - 時系列データ次元圧縮装置 - Google Patents
時系列データ次元圧縮装置 Download PDFInfo
- Publication number
- JP4298749B2 JP4298749B2 JP2006519068A JP2006519068A JP4298749B2 JP 4298749 B2 JP4298749 B2 JP 4298749B2 JP 2006519068 A JP2006519068 A JP 2006519068A JP 2006519068 A JP2006519068 A JP 2006519068A JP 4298749 B2 JP4298749 B2 JP 4298749B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- time series
- data
- 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.)
- Expired - Fee Related
Links
- 230000006835 compression Effects 0.000 claims description 48
- 238000007906 compression Methods 0.000 claims description 48
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims 1
- 238000013500 data storage Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Description
本発明は、時系列データの検索をより効率よく行うために、データの特徴を失わずに次元圧縮することを目的とする。また、圧縮効率をよくすることを目的とするのではなく、決まった次元に圧縮し、そのなかにより多くの情報を抽出することを目的とする。
時系列データの次元を減らす従来技術としては、例えば
Ｅ．Ｋｅｏｇｈ，Ｋ．Ｃｈａｋｒａｂａｒｔｉ，Ｍ．Ｐａｚｚａｎｉ，Ｍｅｈｒｏｔｒａ
“Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ Ｒｅｄｕｃｔｉｏｎ ｆｏｒ Ｆａｓｔ Ｓｉｍｉｌａｒｉｔｙ Ｓｅａｒｃｈ ｉｎ Ｌａｒｇｅ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａｂａｓｅｓ．”Ｊｏｕｎａｌ ｏｆ Ｋｎｏｗｌｅｄｇｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０００
に示されているＰＡＡ（Ｐｉｅｓｅｗｉｓｅ Ａｇｇｒｅｇａｔｅ Ａｐｐｒｏｘｉｍａｔｉｏｎ）がある。
ＰＡＡでは、時系列データをセグメントに分割し、セグメントの平均値を各セグメントの代表値とすることで、時系列データを圧縮するものである。
平均値の計算はフーリエ変換や特異値分解に比べて簡単に実行でき、より高速に次元圧縮時系列データを生成することができる。
時系列データの次元を減らす他の従来技術としては、例えば、
Ｆ．Ｋｏｒｎ，Ｈ．Ｖ．Ｊａｇａｄｉｓｈ，Ｃ．Ｆａｌｏｕｔｓｏｓ”Ｅｆｆｉｃｉｅｎｔｙ Ｓｕｐｐｏｒｔｉｎｇ Ａｄ Ｈｏｃ Ｑｕｅｒｉｅｓ ｉｎ Ｌａｒｇｅ Ｄａｔａｓｅｔｓ ｏｆ Ｔｉｍｅ Ｓｅｑｕｅｎｃｅｓ”
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＳＩＧＭＯＤ ’９７ ｐｐ２８９−３００
に示されている特異値分解による方法もある。特異値分解による方法では、特異値分解後の全ての成分を用いるのではなく、主要な特異値（特異値の大きいもの）のみを採用することで時系列データを圧縮するものである。
特異値分解により次元を圧縮すると、データの形状を他の方法よりうまく抽出できるため、検索効率がよいという利点がある。
また、画像データの次元を減らす従来技術としては、例えば特開昭６１−２８５８７０「変換符号化方式」がある。画像データをブロックに分割してブロックとに圧縮する。分割したブロックの圧縮では、ＤＣＴ（Ｄｉｓｃｒｅｔｅ Ｃｏｓｉｎｅ Ｔｒａｎｓｆｏｒｍ）と行列の縦・横の傾斜角度をあらわす変換との組合せを用いる。
このように２つの変換を組み合わせることで、ブロックごとにその特徴を抽出して最適な変換を選択することでより高い圧縮率を実現できる。
ＰＡＡは、各セグメントの平均値を代表値とすることで、より高速に次元圧縮ができるが、時系列データの検索時または類似検索時には次のような問題がある。時系列データの検索手順は、まず圧縮空間で解の候補を探し、各解の候補に対して実空間で最終的な解を検索する。したがって、圧縮空間では解の候補として選択されたが実空間で真の解とならないものが多いと検索効率が悪くなる。ＰＡＡの場合は平均値を各セグメントの代表値とするために、時系列の形状が消されるため圧縮後の情報が乏しくなり、上記で言う検索効率が悪いという問題がある。例えば、平らな時系列も右上がりの時系列も右下がりの時系列も平均値が同じになると、圧縮後の値は同じとなってしまう。
ＳＶＤは、特異値分解によりデータの形状をうまく抽出でき、上記で言う検索効率は高いものの、データ量が多くなると特異値分解にかかる時間が多くなり現実的な時間では特異値分解ができないという問題がある。
特開昭６１−２８５８７０「変換符号化方式」は、圧縮率を向上することが目的であるが、時系列データの検索に用いる場合には以下の問題がある。時系列データの検索はまず解の候補を圧縮空間で探すために、全てのセグメント（ブロック）を同じ圧縮率で圧縮する必要があるが、上述の方式では各ブロックごとに異なる圧縮率となる。
Ｅ．Ｋｅｏｇｈ，Ｋ．Ｃｈａｋｒａｂａｒｔｉ，Ｍ．Ｐａｚｚａｎｉ，Ｍｅｈｒｏｔｒａ
“Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ Ｒｅｄｕｃｔｉｏｎ ｆｏｒ Ｆａｓｔ Ｓｉｍｉｌａｒｉｔｙ Ｓｅａｒｃｈ ｉｎ Ｌａｒｇｅ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａｂａｓｅｓ．”Ｊｏｕｎａｌ ｏｆ Ｋｎｏｗｌｅｄｇｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０００
に示されているＰＡＡ（Ｐｉｅｓｅｗｉｓｅ Ａｇｇｒｅｇａｔｅ Ａｐｐｒｏｘｉｍａｔｉｏｎ）がある。
ＰＡＡでは、時系列データをセグメントに分割し、セグメントの平均値を各セグメントの代表値とすることで、時系列データを圧縮するものである。
平均値の計算はフーリエ変換や特異値分解に比べて簡単に実行でき、より高速に次元圧縮時系列データを生成することができる。
時系列データの次元を減らす他の従来技術としては、例えば、
Ｆ．Ｋｏｒｎ，Ｈ．Ｖ．Ｊａｇａｄｉｓｈ，Ｃ．Ｆａｌｏｕｔｓｏｓ”Ｅｆｆｉｃｉｅｎｔｙ Ｓｕｐｐｏｒｔｉｎｇ Ａｄ Ｈｏｃ Ｑｕｅｒｉｅｓ ｉｎ Ｌａｒｇｅ Ｄａｔａｓｅｔｓ ｏｆ Ｔｉｍｅ Ｓｅｑｕｅｎｃｅｓ”
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＳＩＧＭＯＤ ’９７ ｐｐ２８９−３００
に示されている特異値分解による方法もある。特異値分解による方法では、特異値分解後の全ての成分を用いるのではなく、主要な特異値（特異値の大きいもの）のみを採用することで時系列データを圧縮するものである。
特異値分解により次元を圧縮すると、データの形状を他の方法よりうまく抽出できるため、検索効率がよいという利点がある。
また、画像データの次元を減らす従来技術としては、例えば特開昭６１−２８５８７０「変換符号化方式」がある。画像データをブロックに分割してブロックとに圧縮する。分割したブロックの圧縮では、ＤＣＴ（Ｄｉｓｃｒｅｔｅ Ｃｏｓｉｎｅ Ｔｒａｎｓｆｏｒｍ）と行列の縦・横の傾斜角度をあらわす変換との組合せを用いる。
このように２つの変換を組み合わせることで、ブロックごとにその特徴を抽出して最適な変換を選択することでより高い圧縮率を実現できる。
ＰＡＡは、各セグメントの平均値を代表値とすることで、より高速に次元圧縮ができるが、時系列データの検索時または類似検索時には次のような問題がある。時系列データの検索手順は、まず圧縮空間で解の候補を探し、各解の候補に対して実空間で最終的な解を検索する。したがって、圧縮空間では解の候補として選択されたが実空間で真の解とならないものが多いと検索効率が悪くなる。ＰＡＡの場合は平均値を各セグメントの代表値とするために、時系列の形状が消されるため圧縮後の情報が乏しくなり、上記で言う検索効率が悪いという問題がある。例えば、平らな時系列も右上がりの時系列も右下がりの時系列も平均値が同じになると、圧縮後の値は同じとなってしまう。
ＳＶＤは、特異値分解によりデータの形状をうまく抽出でき、上記で言う検索効率は高いものの、データ量が多くなると特異値分解にかかる時間が多くなり現実的な時間では特異値分解ができないという問題がある。
特開昭６１−２８５８７０「変換符号化方式」は、圧縮率を向上することが目的であるが、時系列データの検索に用いる場合には以下の問題がある。時系列データの検索はまず解の候補を圧縮空間で探すために、全てのセグメント（ブロック）を同じ圧縮率で圧縮する必要があるが、上述の方式では各ブロックごとに異なる圧縮率となる。
本発明に係る時系列データ次元圧縮装置は、
以下の要素を有することを特徴とする
（１）時間軸に沿って一定間隔で測定された一連のデータである時系列元データに対して、時間軸上で所定間隔ずつ開始位置をずらして、指定の長さの時系列データを複数作成する時系列データ作成部
（２）複数の上記時系列データのそれぞれについて、指定のセグメント幅に分割した部分時系列を作成する部分時系列作成部
（３）上記分割した全ての部分時系列を対象として特異値分解を行う特異値分解実行部
（４）指定された数の上位の特異値分解の成分を、上記各セグメント幅に分解した部分時系列の代表値として、次元圧縮時系列データを生成する次元圧縮時系列データ生成部。
以下の要素を有することを特徴とする
（１）時間軸に沿って一定間隔で測定された一連のデータである時系列元データに対して、時間軸上で所定間隔ずつ開始位置をずらして、指定の長さの時系列データを複数作成する時系列データ作成部
（２）複数の上記時系列データのそれぞれについて、指定のセグメント幅に分割した部分時系列を作成する部分時系列作成部
（３）上記分割した全ての部分時系列を対象として特異値分解を行う特異値分解実行部
（４）指定された数の上位の特異値分解の成分を、上記各セグメント幅に分解した部分時系列の代表値として、次元圧縮時系列データを生成する次元圧縮時系列データ生成部。
図１は、この発明の実施の形態１を示す構成図である。
図２は、時系列元データ１５０を表したグラフである。
図３は、時系列データ１５１の作成方法の図である。
図４は、時系列データ１５１の作成のためのフローチャートである。
図５は、時系列データ１５１のグラフである。
図６は時系列データをセグメントに分割した様子を示したものである。
図７は、開始位置ｔ＝ｋ＋２Ｎの部分時系列１５２を示したものである。
図８は、ｋから始まる時系列１５１とｋ＋２Ｎから始める時系列２５１を示したものである。
図９は、ＳＶＤ実行結果記憶部の内容で特異値分解の結果を示す図である。
図１０は、代表値をプロットした次元圧縮時系列データ１５３のグラフの例である。
図１１は、圧縮データ作成のフローチャートである。
図１２は、この発明の実施の形態２を示す構成図である。
図１３は、実施の形態２のフローチャートである。
図１４は、セグメント幅を１６にした場合と３２にした場合の模式図である。
図１５は、ＳＶＤの結果の第２成分まで用いる場合のＳＶＤ実行結果である。
図１６は、この発明の実施の形態３を示す構成図である。
図１７は、平均値計算実行部１８２の計算結果を模式的に新たしたものである。
図１８は、中間時系列のグラフである。
図１９は、圧縮後の次元を８次元にする場合のＳＶＤ実行結果である。
図２０は、ハードウェア構成図である。
図２は、時系列元データ１５０を表したグラフである。
図３は、時系列データ１５１の作成方法の図である。
図４は、時系列データ１５１の作成のためのフローチャートである。
図５は、時系列データ１５１のグラフである。
図６は時系列データをセグメントに分割した様子を示したものである。
図７は、開始位置ｔ＝ｋ＋２Ｎの部分時系列１５２を示したものである。
図８は、ｋから始まる時系列１５１とｋ＋２Ｎから始める時系列２５１を示したものである。
図９は、ＳＶＤ実行結果記憶部の内容で特異値分解の結果を示す図である。
図１０は、代表値をプロットした次元圧縮時系列データ１５３のグラフの例である。
図１１は、圧縮データ作成のフローチャートである。
図１２は、この発明の実施の形態２を示す構成図である。
図１３は、実施の形態２のフローチャートである。
図１４は、セグメント幅を１６にした場合と３２にした場合の模式図である。
図１５は、ＳＶＤの結果の第２成分まで用いる場合のＳＶＤ実行結果である。
図１６は、この発明の実施の形態３を示す構成図である。
図１７は、平均値計算実行部１８２の計算結果を模式的に新たしたものである。
図１８は、中間時系列のグラフである。
図１９は、圧縮後の次元を８次元にする場合のＳＶＤ実行結果である。
図２０は、ハードウェア構成図である。
実施の形態１．
図１は、この発明の実施例を示す構成図である。図において、１２０は２次記憶装置もしくは１次記憶装置で、時系列元データ１５０を格納した時系列元データ格納部である。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成する。１２１は２次記憶装置もしくは１次記憶装置で１１０によって生成された複数の時系列データ１５１を格納する時系列データ格納部である。部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。部分時系列記憶部１２２は、１次記憶装置もしくは２次記憶装置である。ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列１５２を読込み特異値分解を実行し、ＳＶＤ実行結果記憶部１２４に格納する。ＳＶＤ実行結果記憶部１２４は、１次記憶装置もしくは２次記憶装置である。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部１２４からＳＶＤの結果を読込み、次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。次元圧縮時系列データ格納部１２３は、２次記憶装置もしくは１次記憶装置である。
図２は、時系列元データ１５０を表したグラフである。ｘ軸が時刻ｔ、ｙ軸が時系列の値である。時刻ｔの取りうる値は１からｍの間の自然数であり、ｍ個のデータポイントがある。最初のデータポイントはｔ＝１であらわし、最後のデータポイントはｔ＝ｍとする。また、データポイントの数を長さと呼び、この場合の長さはｍ（時系列長 １６０）である。
図３は、時系列データ１５１の作成方法の図である。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、長さｎの時系列を時系列元データの開始ポイントの時刻ｔを一つづつずらすことで、ｍ−ｎ＋１個作成する。ここでは、長さｎはあらかじめ決めておくこととする。ｔ＝１から始める時系列が時系列１、ｔ＝２から始める時系列が時系列２、そしてｔ＝ｍ−ｎ＋１から始める時系列が時系列ｍ−ｎ＋１である。ｔ＝ｍ−ｎ＋１から始める時系列の終点はｔ＝ｍとなり、これ以降のｔの値から始めると長さがｎ未満となる。
さらに、部分時系列作成のことを考慮し、長さがｎ未満でＮ以上の時系列をその後にｎ−Ｎ個追加する。これを補填時系列とよぶ。開始時刻ｔの値が、ｍ−ｎ＋２からｍ−Ｎ＋１までの時系列であり、終点のｔの値は全てｍである。
ｍ−ｎ＋２から始まる時系列は、長さがｎ−１であり、
ｍ−ｎ＋３から始まる時系列は、長さがｎ−２であり、
ｍ−Ｎ＋１から始まる時系列は、長さがＮである。
図４は、時系列データ１５１の作成のためのフローチャートである。Ｓ３０１にて、時系列元データにて時系列データの開始時刻ｔ＝１にセットする。Ｓ３０２においては、時系列長＝ｎにセットする。Ｓ３０３にて、時系列元データを読み込む。Ｓ３０４では、時系列開始時刻と時系列長から時系列終了ポイントを計算し、ｍ以下であるか調べる。時系列終了ポイントがｍ以下であれば時系列データを作成できるので、Ｓ３０５にすすむ。Ｓ３０５にて時系列開始時刻と時系列長をもとに、時系列元データから時系列データを作成する。Ｓ３０６では次の時系列データを作成するために開始ポイントｔをインクリメントして、再びＳ３０３に戻る。Ｓ３０４にて、時系列の終了ポイントがｍを超えている場合は、時系列長ｎの時系列データはこれ以上作成できないので、補填時系列データを作成するためにＳ３０８にすすむ。Ｓ３０８では、時系列長をディクリメントする。Ｓ３０９では、ディクリメントして時系列長がＮ以上であるか調べる。Ｎ以上であれば、Ｓ３１０にすすみ補填時系列データを作成する。Ｓ３１１では、開始ポイントをインクリメントして次の補填時系列データを作成するための準備をして、Ｓ３０７にすすむ。Ｓ３０７では時系列元データを読み込む。次に再びＳ３０８にすすむ。Ｓ３０９にて、時系列長がＮより小さくなったら時系列データ作成は終了する。
図５は、時系列データ１５１のグラフである。開始位置はｋ、終了位置がｋ＋ｎ−１でｎ個のデータポイントで構成される。時系列データ１５１は長さがｎ（検索時系列長１６１）の時系列である。
図６は時系列データをセグメントに分割した様子を示したものである。各時系列データ１５１を長さＮ（セグメント幅 １６２）のセグメントに分割する。一つの時系列データ１５１はｎ／Ｎ 個のセグメントに分割される。それぞれの長さＮのセグメントを部分時系列１５２とする。
図７は、開始位置ｔ＝ｋ＋２Ｎの部分時系列１５２をあらわす。部分時系列１５２はＮ個のデータポイントから構成され、長さはＮである。
部分時系列作成部１１２は、それぞれの時系列データ１５１の最初のＮ個のデータのみを選択することで、部分時系列データ１５２を作成する。全ての時系列に対して実行することで開始位置がｔ＝１からｔ＝ｍ−ｎ＋１の長さＮの部分時系列を作成できる。さらに、時系列データ作成部１１０が作成した補填時系列についても最初のＮ個のデータを読み込みそれも補填部分時系列データとして作成し、あわせて部分時系列記憶部１２２に格納する。ここでセグメント幅Ｎはあらかじめ決めておくこととする。上記のようにすることで、時系列元データに対して、開始位置ｔ＝１からｔ＝ｍ−Ｎ＋１までの長さＮの全ての部分時系列を作成できる。
全ての時系列データがもともとは一つの時系列元データ１５０であったことから、各時系列データのいずれのセグメントも上記の部分時系列のいずれかと一致する。
図８に示すように、ｋから始まる時系列１５１の３番目のセグメントの部分時系列は、ｋ＋２Ｎから始める時系列２５１の最初のセグメントと同じである。つまり、時系列２５１から作成した部分時系列と一致する。
ＳＶＤ実行部１１３は、部分時系列作成部１１２から部分時系列データ１５２を読込み、行数ｍ−Ｎ＋１、列数Ｎの行列として特異値分解を実行する。
特異値分解とは、任意のｍ×ｎ行列Ｙを、以下のようにＵ，Ｓ，Ｖの３つの行列の積で表わすもので一般に良く知られている式である。
ただし、ｒ＝ｒａｎｋ（Ｙ），
ｓ１，ｓ２，…，ｓｒ，はＹＴ Ｙの正の固有値の平方根（特異値という）で、ｓ１≧ｓ２≧…≧ｓｒ，
ｖ１，ｖ２，…，ｖｒはｎ次のベクトルで、ＹＴ Ｙの固有値ｓ１ ２，ｓ２ ２，…，ｓｒ ２に対応する固有ベクトル。
ｖ１，ｖ２，…，ｖｒは大きさが１で互いに直交する。
ｕ１，ｕ２，…，ｕｒはｍ次のベクトルで、
Ｕはｕ１，ｕ２，…，ｕｒを列にもつｍ×ｒ行列、
Ｖはｖ１，ｖ２，…，ｖｒを列にもつｎ×ｒ行列、
Ｓはｓ１，ｓ２，…，ｓｒを対角要素にもつｒ次の対角行列。
図９は、ＳＶＤ実行結果記憶部の内容で特異値分解の結果を示す。特異値分解により、各行の代表値として上記ｕ１ｓ１を抽出する。
すなわち特異値分解の対象となる行数ｍ−Ｎ＋１列数Ｎの行列に対して、行方向で見た場合に、ｒ番目の行はｕ１ベクトルのｒ番目の成分とｓ１の積を代表値とする。
ｒ番目の行は、開始位置のｔ＝ｒで始まる部分時系列であり、その代表値がｕ１ベクトルのｒ番目の成分とｓ１の積である。ＳＶＤ実行部は、全てのセグメント（全ての部分時系列）の代表値を作成する。
次に、次元圧縮時系列データ生成部は１１４ は、上記の特異値分解の第一成分を各セグメントの代表値として、次元圧縮時系列データを生成する。開始位置ｔ＝ｋで始まる部分時系列１５１は、以下の部分時系列で構成される。
開始位置ｔ＝ｋ、ｋ＋Ｎ，ｋ＋２Ｎ，…。
したがって、その次元圧縮時系列データは、最初の代表値はｕ１ベクトルのｋ番目の成分とｓ１の積であり、次の代表値はｕ１ベクトルのｋ＋Ｎ番目の成分とｓ１の積である。
図１０は、上記の代表値をプロットした、次元圧縮時系列データ１５３のグラフの例である。
次元圧縮時系列データ１５３はｎ／Ｎ個のポイントで構成される。時系列データ１５１をセグメント分割したそれぞれの部分時系列データにたいして、ＳＶＤを実行してその第一成分をプロットしたものである。
図１１は、圧縮データ作成のフローチャートである。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成し、時系列データ格納部１２１に格納する。次に、部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。次に、ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列を読込み特異値分解を実行し、ＳＶＤ実行結果記憶部１２４に格納する。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部１２４のデータを用いて次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。
上述のように時間軸に沿って一定間隔で測定された一連のデータに対して、指定の長さの時系列データを時間軸上で開始位置をずらして複数作成する手段と、上記指定の長さの各時系列データを指定のセグメント幅に分割した部分時系列を作成する手段と、上記分割した全ての部分時系列を対象として特異値分解を行う手段と、指定された数の上位の特異値分解の成分（この場合は第一成分までとした）を上記各セグメント幅に分解した部分時系列の代表値とする手段と、上記代表値を組み合わせることで上記指定の長さの時系列データの次元を圧縮する手段とを備えたことを特徴とする時系列データ次元圧縮方式について説明した。
実施の形態２．
図１２は、この発明の実施例を示す構成図である。１１０、１１２、１１３、１１４、１２０、１２１、１２２、１２３、１２４は図１と同様である。データ解析部１１７は、時系列データ格納部１２１から時系列データ１５１を読み込み解析し、セグメント幅と特異値分解の結果のどの成分までを有効とするかを決めるものである。
図１３は実施の形態２のフローチャートである。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成し、時系列データ格納部１２１に格納する。
次に、データ解析部１１７は時系列データ格納部１２１から時系列データを読込み解析を行う。解析の結果、検索時にヒット率が最も高くなるように、セグメント幅と特異値分解の結果のどの成分までを有効とするかを決める。この場合は、第２成分までを使用することとする。
部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。この際に、部分時系列のセグメント幅はデータ解析部１１７が決めた値とする。次に、ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列を読込み特異値分解を実行する。実行した結果、ＳＶＤの結果のどの成分までを採用するかデータ解析部１１７が決めた値までをＳＶＤ実行結果記憶部に記憶する。この場合は第２成分までをＳＶＤ実行結果記憶部に格納する。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部の内容を用いて次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。
図１４は、セグメント幅を１６にした場合と３２にした場合の模式図である。セグメント幅を１６にして、ＳＶＤの第１成分まで使用した場合の圧縮後の次元は、以下より求まる。
セグメント数 １２８÷１６＝８、セグメント代表値＝１
セグメント数×セグメント代表値＝８
すなわち８次元に圧縮できる。
一方、セグメント幅を３２にして、ＳＶＤの第２成分まで使用した場合の圧縮後の次元は、以下より求まる。
セグメント数 １２８÷３２＝４、セグメント代表値＝２
セグメント数×セグメント代表値＝８
すなわち８次元に圧縮できる。
圧縮後の次元を同じにする場合でも、セグメント幅とセグメント代表値の取り方にはいくつかの選択肢があり、そのなかでもっともヒット率が高くなるようにセグメント幅とセグメント代表値の数をきめるのがデータ解析部１１７の機能である。
図１５は、ＳＶＤの結果の第２成分まで用いる場合のＳＶＤ実行結果記憶部の内容である。セグメントの第１成分が全セグメントでほぼ同じ値の場合には、セグメント幅を長くしてＳＶＤの第２成分までを利用することでより詳細に時系列データの特徴を抽出でき、検索時のヒット率が向上する。
時系列データを解析して、上記時系列データを分割するセグメント幅および特異値分解のどの成分までを利用して上記部分時系列の代表値とするかを判断する手段をそなえた請求項１記載の時系列データ次元圧縮方式について説明した。
以上のように、この発明によれば、セグメント分割してＳＶＤを実行することで、全データと比較した各セグメントの特徴を抽出できるために、検索効率の高い圧縮データを作成できる。また、単純にＳＶＤを実行する場合に比べると、対象となる行列の行数は同じであるが列数がＮ／ｎ になるためにより高速に実行できる。
実施の形態３．
図１６は、この発明の実施例を示す構成図である。図において、１１０、１１４、１２０、１２１、１２３、１２４は図１と同様である。中間次元決定部１８１は、平均値を計算するための幅を決定する。平均値計算実行部１８２は中間次元決定部の指定した平均値幅で時系列データの平均値を計算し、結果を平均値計算結果記憶部１９１に格納する。中間時系列作成部１８３は、平均値幅の代表値をその平均値とすることで中間時系列１５５を作成して、中間時系列記憶部１９２に格納する。ＳＶＤ実行部１１３は、中間時系列記憶部１９２に対して、特異値分解を実行する。
中間次元決定部１８１は、時系列元データを読込み解析して、中間次元ｐおよび平均をとるセグメント幅を決定する。平均をとる幅は、時系列データが単調に増加または減少する範囲内とする。
図１７は、平均値計算実行部１８２の計算結果を模式的に新たしたものである。時系列１５１の長さをｎとし、中間次元をｐとすると、平均をとるセグメント幅はｎ／ｐとなる。例えば、時系列長が１２８で中間次元が３２の場合は、平均をとるセグメント幅は１２８／３２＝４となる。平均値計算実行部１８２は、時系列元データ１５０に対して開始時刻ｔを一つづつずらしながら、データポイントごとに平均値を計算して結果を平均値計算結果記憶部１９１に格納する。
図１８は、中間時系列のグラフである。中間時系列作成部１８３は、各時系列１５１を平均をとるセグメント幅に分解し、それぞれの代表値を平均値計算結果記憶部１９１の内容から取り出して、中間時系列１５５を作成して、中間時系列記憶部１９２に格納する。
図１９は、圧縮後の次元を８次元にする場合のＳＶＤ実行結果記憶部１２４の内容である。ＳＶＤ実行部１１３は、中間時系列記憶部１９２から中間時系列１５５を読込み、行数ｍ−ｎ＋１、列数ｐの行列として特異値分解を実行し、結果をＳＶＤ実行結果記憶部１２４に格納する。圧縮後の次元を８次元にするために、第８成分の値までを格納している。
次に、次元圧縮時系列データ生成部は１１４は、上記の特異値分解の第８成分までを用いて次元圧縮時系列データを生成する。すなわち、各時系列１５１は以下の８つのデータで近似的に表し、次元圧縮時系列データを生成する。
（ｓ１ｕ１，ｓ２ｕ２，ｓ３ｕ３，ｓ４ｕ４，ｓ５ｕ５，ｓ６ｕ６，ｓ７ｕ７，ｓ８ｕ８）
指定の長さの複数の時系列データに対して、平均をとるセグメント幅を決める手段と、上記の各時系列に対して平均をとるセグメント幅ごとに平均値を計算する手段と、平均値をセグメント代表値とした中間時系列を作成する手段と、それぞれの中間時系列を対象として特異値分解を行う手段と、指定された数の上位の特異値分解の成分を上記中間時系列の圧縮データとする手段とを備えたことを特徴とする時系列データ次元圧縮方式について説明した。
以上のように、この発明によれば、時系列データが単調に変化する幅で平均値をとることでデータの特質を失うことなくデータ量を削減できる。さらに、削減したデータ量に対してＳＶＤを実行することで高速に特異値分解を実行でき、またデータの特徴も抽出することができる。
時系列データ次元圧縮装置は、コンピュータであり、各要素はプログラムにより処理を実行することができる。また、プログラムを記憶媒体に記憶させ、記憶媒体からコンピュータに読み取られるようにすることができる。
図２０は、時系列データ次元圧縮装置のハードウエア構成例を示す図である。この例では、バスに、演算装置２００１、メモリ２００２、ハードディスク２００３、表示装置２００４が接続されている。プログラムは、例えばハードディスク２００３に記憶されており、メモリ２００２にロードされた状態で、順次演算装置２００１に読み込まれ処理を行う。
図１は、この発明の実施例を示す構成図である。図において、１２０は２次記憶装置もしくは１次記憶装置で、時系列元データ１５０を格納した時系列元データ格納部である。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成する。１２１は２次記憶装置もしくは１次記憶装置で１１０によって生成された複数の時系列データ１５１を格納する時系列データ格納部である。部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。部分時系列記憶部１２２は、１次記憶装置もしくは２次記憶装置である。ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列１５２を読込み特異値分解を実行し、ＳＶＤ実行結果記憶部１２４に格納する。ＳＶＤ実行結果記憶部１２４は、１次記憶装置もしくは２次記憶装置である。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部１２４からＳＶＤの結果を読込み、次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。次元圧縮時系列データ格納部１２３は、２次記憶装置もしくは１次記憶装置である。
図２は、時系列元データ１５０を表したグラフである。ｘ軸が時刻ｔ、ｙ軸が時系列の値である。時刻ｔの取りうる値は１からｍの間の自然数であり、ｍ個のデータポイントがある。最初のデータポイントはｔ＝１であらわし、最後のデータポイントはｔ＝ｍとする。また、データポイントの数を長さと呼び、この場合の長さはｍ（時系列長 １６０）である。
図３は、時系列データ１５１の作成方法の図である。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、長さｎの時系列を時系列元データの開始ポイントの時刻ｔを一つづつずらすことで、ｍ−ｎ＋１個作成する。ここでは、長さｎはあらかじめ決めておくこととする。ｔ＝１から始める時系列が時系列１、ｔ＝２から始める時系列が時系列２、そしてｔ＝ｍ−ｎ＋１から始める時系列が時系列ｍ−ｎ＋１である。ｔ＝ｍ−ｎ＋１から始める時系列の終点はｔ＝ｍとなり、これ以降のｔの値から始めると長さがｎ未満となる。
さらに、部分時系列作成のことを考慮し、長さがｎ未満でＮ以上の時系列をその後にｎ−Ｎ個追加する。これを補填時系列とよぶ。開始時刻ｔの値が、ｍ−ｎ＋２からｍ−Ｎ＋１までの時系列であり、終点のｔの値は全てｍである。
ｍ−ｎ＋２から始まる時系列は、長さがｎ−１であり、
ｍ−ｎ＋３から始まる時系列は、長さがｎ−２であり、
ｍ−Ｎ＋１から始まる時系列は、長さがＮである。
図４は、時系列データ１５１の作成のためのフローチャートである。Ｓ３０１にて、時系列元データにて時系列データの開始時刻ｔ＝１にセットする。Ｓ３０２においては、時系列長＝ｎにセットする。Ｓ３０３にて、時系列元データを読み込む。Ｓ３０４では、時系列開始時刻と時系列長から時系列終了ポイントを計算し、ｍ以下であるか調べる。時系列終了ポイントがｍ以下であれば時系列データを作成できるので、Ｓ３０５にすすむ。Ｓ３０５にて時系列開始時刻と時系列長をもとに、時系列元データから時系列データを作成する。Ｓ３０６では次の時系列データを作成するために開始ポイントｔをインクリメントして、再びＳ３０３に戻る。Ｓ３０４にて、時系列の終了ポイントがｍを超えている場合は、時系列長ｎの時系列データはこれ以上作成できないので、補填時系列データを作成するためにＳ３０８にすすむ。Ｓ３０８では、時系列長をディクリメントする。Ｓ３０９では、ディクリメントして時系列長がＮ以上であるか調べる。Ｎ以上であれば、Ｓ３１０にすすみ補填時系列データを作成する。Ｓ３１１では、開始ポイントをインクリメントして次の補填時系列データを作成するための準備をして、Ｓ３０７にすすむ。Ｓ３０７では時系列元データを読み込む。次に再びＳ３０８にすすむ。Ｓ３０９にて、時系列長がＮより小さくなったら時系列データ作成は終了する。
図５は、時系列データ１５１のグラフである。開始位置はｋ、終了位置がｋ＋ｎ−１でｎ個のデータポイントで構成される。時系列データ１５１は長さがｎ（検索時系列長１６１）の時系列である。
図６は時系列データをセグメントに分割した様子を示したものである。各時系列データ１５１を長さＮ（セグメント幅 １６２）のセグメントに分割する。一つの時系列データ１５１はｎ／Ｎ 個のセグメントに分割される。それぞれの長さＮのセグメントを部分時系列１５２とする。
図７は、開始位置ｔ＝ｋ＋２Ｎの部分時系列１５２をあらわす。部分時系列１５２はＮ個のデータポイントから構成され、長さはＮである。
部分時系列作成部１１２は、それぞれの時系列データ１５１の最初のＮ個のデータのみを選択することで、部分時系列データ１５２を作成する。全ての時系列に対して実行することで開始位置がｔ＝１からｔ＝ｍ−ｎ＋１の長さＮの部分時系列を作成できる。さらに、時系列データ作成部１１０が作成した補填時系列についても最初のＮ個のデータを読み込みそれも補填部分時系列データとして作成し、あわせて部分時系列記憶部１２２に格納する。ここでセグメント幅Ｎはあらかじめ決めておくこととする。上記のようにすることで、時系列元データに対して、開始位置ｔ＝１からｔ＝ｍ−Ｎ＋１までの長さＮの全ての部分時系列を作成できる。
全ての時系列データがもともとは一つの時系列元データ１５０であったことから、各時系列データのいずれのセグメントも上記の部分時系列のいずれかと一致する。
図８に示すように、ｋから始まる時系列１５１の３番目のセグメントの部分時系列は、ｋ＋２Ｎから始める時系列２５１の最初のセグメントと同じである。つまり、時系列２５１から作成した部分時系列と一致する。
ＳＶＤ実行部１１３は、部分時系列作成部１１２から部分時系列データ１５２を読込み、行数ｍ−Ｎ＋１、列数Ｎの行列として特異値分解を実行する。
特異値分解とは、任意のｍ×ｎ行列Ｙを、以下のようにＵ，Ｓ，Ｖの３つの行列の積で表わすもので一般に良く知られている式である。
ｓ１，ｓ２，…，ｓｒ，はＹＴ Ｙの正の固有値の平方根（特異値という）で、ｓ１≧ｓ２≧…≧ｓｒ，
ｖ１，ｖ２，…，ｖｒはｎ次のベクトルで、ＹＴ Ｙの固有値ｓ１ ２，ｓ２ ２，…，ｓｒ ２に対応する固有ベクトル。
ｖ１，ｖ２，…，ｖｒは大きさが１で互いに直交する。
ｕ１，ｕ２，…，ｕｒはｍ次のベクトルで、
Ｖはｖ１，ｖ２，…，ｖｒを列にもつｎ×ｒ行列、
Ｓはｓ１，ｓ２，…，ｓｒを対角要素にもつｒ次の対角行列。
図９は、ＳＶＤ実行結果記憶部の内容で特異値分解の結果を示す。特異値分解により、各行の代表値として上記ｕ１ｓ１を抽出する。
すなわち特異値分解の対象となる行数ｍ−Ｎ＋１列数Ｎの行列に対して、行方向で見た場合に、ｒ番目の行はｕ１ベクトルのｒ番目の成分とｓ１の積を代表値とする。
ｒ番目の行は、開始位置のｔ＝ｒで始まる部分時系列であり、その代表値がｕ１ベクトルのｒ番目の成分とｓ１の積である。ＳＶＤ実行部は、全てのセグメント（全ての部分時系列）の代表値を作成する。
次に、次元圧縮時系列データ生成部は１１４ は、上記の特異値分解の第一成分を各セグメントの代表値として、次元圧縮時系列データを生成する。開始位置ｔ＝ｋで始まる部分時系列１５１は、以下の部分時系列で構成される。
開始位置ｔ＝ｋ、ｋ＋Ｎ，ｋ＋２Ｎ，…。
したがって、その次元圧縮時系列データは、最初の代表値はｕ１ベクトルのｋ番目の成分とｓ１の積であり、次の代表値はｕ１ベクトルのｋ＋Ｎ番目の成分とｓ１の積である。
図１０は、上記の代表値をプロットした、次元圧縮時系列データ１５３のグラフの例である。
次元圧縮時系列データ１５３はｎ／Ｎ個のポイントで構成される。時系列データ１５１をセグメント分割したそれぞれの部分時系列データにたいして、ＳＶＤを実行してその第一成分をプロットしたものである。
図１１は、圧縮データ作成のフローチャートである。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成し、時系列データ格納部１２１に格納する。次に、部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。次に、ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列を読込み特異値分解を実行し、ＳＶＤ実行結果記憶部１２４に格納する。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部１２４のデータを用いて次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。
上述のように時間軸に沿って一定間隔で測定された一連のデータに対して、指定の長さの時系列データを時間軸上で開始位置をずらして複数作成する手段と、上記指定の長さの各時系列データを指定のセグメント幅に分割した部分時系列を作成する手段と、上記分割した全ての部分時系列を対象として特異値分解を行う手段と、指定された数の上位の特異値分解の成分（この場合は第一成分までとした）を上記各セグメント幅に分解した部分時系列の代表値とする手段と、上記代表値を組み合わせることで上記指定の長さの時系列データの次元を圧縮する手段とを備えたことを特徴とする時系列データ次元圧縮方式について説明した。
実施の形態２．
図１２は、この発明の実施例を示す構成図である。１１０、１１２、１１３、１１４、１２０、１２１、１２２、１２３、１２４は図１と同様である。データ解析部１１７は、時系列データ格納部１２１から時系列データ１５１を読み込み解析し、セグメント幅と特異値分解の結果のどの成分までを有効とするかを決めるものである。
図１３は実施の形態２のフローチャートである。時系列データ作成部１１０は、時系列元データ格納部１２０から時系列元データ１５０を読み込み、時系列データ１５１を作成し、時系列データ格納部１２１に格納する。
次に、データ解析部１１７は時系列データ格納部１２１から時系列データを読込み解析を行う。解析の結果、検索時にヒット率が最も高くなるように、セグメント幅と特異値分解の結果のどの成分までを有効とするかを決める。この場合は、第２成分までを使用することとする。
部分時系列作成部１１２は、時系列データ格納部１２１から時系列データ１５１を順次読込み、部分時系列１５２を作成し、部分時系列記憶部１２２に格納する。この際に、部分時系列のセグメント幅はデータ解析部１１７が決めた値とする。次に、ＳＶＤ実行部１１３は、部分時系列記憶部１２２から部分時系列を読込み特異値分解を実行する。実行した結果、ＳＶＤの結果のどの成分までを採用するかデータ解析部１１７が決めた値までをＳＶＤ実行結果記憶部に記憶する。この場合は第２成分までをＳＶＤ実行結果記憶部に格納する。次元圧縮時系列データ生成部１１４は、ＳＶＤ実行結果記憶部の内容を用いて次元圧縮時系列データ１５３を作成し、次元圧縮時系列データ格納部１２３に格納する。
図１４は、セグメント幅を１６にした場合と３２にした場合の模式図である。セグメント幅を１６にして、ＳＶＤの第１成分まで使用した場合の圧縮後の次元は、以下より求まる。
セグメント数 １２８÷１６＝８、セグメント代表値＝１
セグメント数×セグメント代表値＝８
すなわち８次元に圧縮できる。
一方、セグメント幅を３２にして、ＳＶＤの第２成分まで使用した場合の圧縮後の次元は、以下より求まる。
セグメント数 １２８÷３２＝４、セグメント代表値＝２
セグメント数×セグメント代表値＝８
すなわち８次元に圧縮できる。
圧縮後の次元を同じにする場合でも、セグメント幅とセグメント代表値の取り方にはいくつかの選択肢があり、そのなかでもっともヒット率が高くなるようにセグメント幅とセグメント代表値の数をきめるのがデータ解析部１１７の機能である。
図１５は、ＳＶＤの結果の第２成分まで用いる場合のＳＶＤ実行結果記憶部の内容である。セグメントの第１成分が全セグメントでほぼ同じ値の場合には、セグメント幅を長くしてＳＶＤの第２成分までを利用することでより詳細に時系列データの特徴を抽出でき、検索時のヒット率が向上する。
時系列データを解析して、上記時系列データを分割するセグメント幅および特異値分解のどの成分までを利用して上記部分時系列の代表値とするかを判断する手段をそなえた請求項１記載の時系列データ次元圧縮方式について説明した。
以上のように、この発明によれば、セグメント分割してＳＶＤを実行することで、全データと比較した各セグメントの特徴を抽出できるために、検索効率の高い圧縮データを作成できる。また、単純にＳＶＤを実行する場合に比べると、対象となる行列の行数は同じであるが列数がＮ／ｎ になるためにより高速に実行できる。
実施の形態３．
図１６は、この発明の実施例を示す構成図である。図において、１１０、１１４、１２０、１２１、１２３、１２４は図１と同様である。中間次元決定部１８１は、平均値を計算するための幅を決定する。平均値計算実行部１８２は中間次元決定部の指定した平均値幅で時系列データの平均値を計算し、結果を平均値計算結果記憶部１９１に格納する。中間時系列作成部１８３は、平均値幅の代表値をその平均値とすることで中間時系列１５５を作成して、中間時系列記憶部１９２に格納する。ＳＶＤ実行部１１３は、中間時系列記憶部１９２に対して、特異値分解を実行する。
中間次元決定部１８１は、時系列元データを読込み解析して、中間次元ｐおよび平均をとるセグメント幅を決定する。平均をとる幅は、時系列データが単調に増加または減少する範囲内とする。
図１７は、平均値計算実行部１８２の計算結果を模式的に新たしたものである。時系列１５１の長さをｎとし、中間次元をｐとすると、平均をとるセグメント幅はｎ／ｐとなる。例えば、時系列長が１２８で中間次元が３２の場合は、平均をとるセグメント幅は１２８／３２＝４となる。平均値計算実行部１８２は、時系列元データ１５０に対して開始時刻ｔを一つづつずらしながら、データポイントごとに平均値を計算して結果を平均値計算結果記憶部１９１に格納する。
図１８は、中間時系列のグラフである。中間時系列作成部１８３は、各時系列１５１を平均をとるセグメント幅に分解し、それぞれの代表値を平均値計算結果記憶部１９１の内容から取り出して、中間時系列１５５を作成して、中間時系列記憶部１９２に格納する。
図１９は、圧縮後の次元を８次元にする場合のＳＶＤ実行結果記憶部１２４の内容である。ＳＶＤ実行部１１３は、中間時系列記憶部１９２から中間時系列１５５を読込み、行数ｍ−ｎ＋１、列数ｐの行列として特異値分解を実行し、結果をＳＶＤ実行結果記憶部１２４に格納する。圧縮後の次元を８次元にするために、第８成分の値までを格納している。
次に、次元圧縮時系列データ生成部は１１４は、上記の特異値分解の第８成分までを用いて次元圧縮時系列データを生成する。すなわち、各時系列１５１は以下の８つのデータで近似的に表し、次元圧縮時系列データを生成する。
（ｓ１ｕ１，ｓ２ｕ２，ｓ３ｕ３，ｓ４ｕ４，ｓ５ｕ５，ｓ６ｕ６，ｓ７ｕ７，ｓ８ｕ８）
指定の長さの複数の時系列データに対して、平均をとるセグメント幅を決める手段と、上記の各時系列に対して平均をとるセグメント幅ごとに平均値を計算する手段と、平均値をセグメント代表値とした中間時系列を作成する手段と、それぞれの中間時系列を対象として特異値分解を行う手段と、指定された数の上位の特異値分解の成分を上記中間時系列の圧縮データとする手段とを備えたことを特徴とする時系列データ次元圧縮方式について説明した。
以上のように、この発明によれば、時系列データが単調に変化する幅で平均値をとることでデータの特質を失うことなくデータ量を削減できる。さらに、削減したデータ量に対してＳＶＤを実行することで高速に特異値分解を実行でき、またデータの特徴も抽出することができる。
時系列データ次元圧縮装置は、コンピュータであり、各要素はプログラムにより処理を実行することができる。また、プログラムを記憶媒体に記憶させ、記憶媒体からコンピュータに読み取られるようにすることができる。
図２０は、時系列データ次元圧縮装置のハードウエア構成例を示す図である。この例では、バスに、演算装置２００１、メモリ２００２、ハードディスク２００３、表示装置２００４が接続されている。プログラムは、例えばハードディスク２００３に記憶されており、メモリ２００２にロードされた状態で、順次演算装置２００１に読み込まれ処理を行う。
データの特徴を失わずに、時系列データの検索の効率をよくする次元圧縮を行うことができる。また、決まった次元に圧縮し、そのなかにより多くの情報を抽出することがでる。
Claims (4)
- 以下の要素を有することを特徴とする時系列データ次元圧縮装置
（１）時間軸に沿って一定間隔で測定された一連のデータである時系列元データに対して、時間軸上で所定間隔ずつ開始位置をずらして、指定の長さの時系列データを複数作成する時系列データ作成部
（２）複数の上記時系列データのそれぞれについて、指定のセグメント幅に分割した部分時系列を作成する部分時系列作成部
（３）上記分割した全ての部分時系列を対象として特異値分解を行う特異値分解実行部
（４）指定された数の上位の特異値分解の成分を、上記各セグメント幅に分解した部分時系列の代表値として、次元圧縮時系列データを生成する次元圧縮時系列データ生成部。 - 時系列データ次元圧縮装置は、上記代表値を組み合わせることで上記指定の長さの時系列データの次元を圧縮することを特徴とする請求項１記載の時系列データ次元圧縮装置。
- 前記時系列データを解析して、当該時系列データを分割するセグメント幅および特異値分解について、どの成分までを利用して上記部分時系列の代表値とするかを判断するデータ解析部を備えることを特徴とする請求項１記載の時系列データ次元圧縮装置。
- 以下の要素を有することを特徴とする時系列データ次元圧縮装置
（１）時間軸に沿って一定間隔で測定された一連のデータである時系列元データに対して、時間軸上で所定間隔ずつ開始位置をずらして、指定の長さの時系列データを複数作成する時系列データ作成部
（２）複数の上記時系列データのそれぞれについて、前記指定の長さの複数の時系列データに対して、平均をとる為のセグメント幅を決める中間次元決定部
（３）前記各時系列に対して、上記平均をとる為のセグメント幅ごとに平均値を計算する平均値計算実行部
（４）計算した上記平均値をセグメント代表値とした中間時系列を作成する中間時系列作成部
（５）それぞれの中間時系列を対象として特異値分解を行う特異値分解実行部
（６）指定された数の上位の特異値分解の成分を上記中間時系列の圧縮データとする次元圧縮時系列データ生成部。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2004/002252 WO2005083890A1 (ja) | 2004-02-26 | 2004-02-26 | 時系列データ次元圧縮装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2005083890A1 JPWO2005083890A1 (ja) | 2007-08-30 |
| JP4298749B2 true JP4298749B2 (ja) | 2009-07-22 |
Family
ID=34897914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006519068A Expired - Fee Related JP4298749B2 (ja) | 2004-02-26 | 2004-02-26 | 時系列データ次元圧縮装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7433527B2 (ja) |
| JP (1) | JP4298749B2 (ja) |
| CN (1) | CN1894856A (ja) |
| CA (1) | CA2548461C (ja) |
| WO (1) | WO2005083890A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9866653B2 (en) | 2013-08-02 | 2018-01-09 | Hitachi, Ltd. | Data transfer system and method |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4398777B2 (ja) * | 2004-04-28 | 2010-01-13 | 株式会社東芝 | 時系列データ分析装置および方法 |
| US7310652B1 (en) * | 2005-08-08 | 2007-12-18 | At&T Corp. | Method and apparatus for managing hierarchical collections of data |
| JP5019071B2 (ja) | 2007-09-05 | 2012-09-05 | 信越化学工業株式会社 | 新規光酸発生剤並びにこれを用いたレジスト材料及びパターン形成方法 |
| US8886689B2 (en) * | 2009-02-17 | 2014-11-11 | Trane U.S. Inc. | Efficient storage of data allowing for multiple level granularity retrieval |
| US8219574B2 (en) * | 2009-06-22 | 2012-07-10 | Microsoft Corporation | Querying compressed time-series signals |
| US20110050702A1 (en) * | 2009-08-31 | 2011-03-03 | Microsoft Corporation | Contribution based chart scaling |
| US8588587B2 (en) | 2010-06-30 | 2013-11-19 | International Business Machines Corporation | Navigation interface with ghost region |
| JP5678620B2 (ja) * | 2010-12-03 | 2015-03-04 | 株式会社日立製作所 | データ処理方法、データ処理システム、及びデータ処理装置 |
| CN102522999B (zh) * | 2011-12-09 | 2014-06-25 | 电子科技大学 | 一种三维声波测井数据的实时压缩方法 |
| US8972415B2 (en) | 2012-04-30 | 2015-03-03 | Hewlett-Packard Development Company, L.P. | Similarity search initialization |
| US9702963B2 (en) | 2012-05-30 | 2017-07-11 | Nokia Technologies Oy | Method, apparatus, and computer program product for high accuracy location determination |
| CN103794006B (zh) | 2012-10-31 | 2016-12-21 | 国际商业机器公司 | 用于处理多个传感器的时序数据的方法和装置 |
| CN103914449B (zh) * | 2012-12-29 | 2017-06-16 | 上海可鲁系统软件有限公司 | 一种多源时间序列数据压缩存储方法 |
| US9607067B2 (en) | 2013-01-25 | 2017-03-28 | International Business Machines Corporation | Synchronization of time between different simulation models |
| US9805143B2 (en) | 2013-01-25 | 2017-10-31 | International Business Machines Corporation | Composite simulation modeling and analysis |
| US9201989B2 (en) | 2013-01-25 | 2015-12-01 | Globalfoundries Inc. | Interpolation techniques used for time alignment of multiple simulation models |
| US9755720B2 (en) * | 2013-05-31 | 2017-09-05 | Nokia Technologies Oy | Calibration data |
| US9361329B2 (en) | 2013-12-13 | 2016-06-07 | International Business Machines Corporation | Managing time series databases |
| GB2521442A (en) | 2013-12-19 | 2015-06-24 | Nokia Corp | Method, apparatus, and computer program product for location determination using WiFi |
| CN105260404B (zh) * | 2015-09-22 | 2019-03-26 | 北京百度网讯科技有限公司 | 存储时间序列数据的方法和装置 |
| US10685306B2 (en) * | 2015-12-07 | 2020-06-16 | Sap Se | Advisor generating multi-representations of time series data |
| US11036715B2 (en) | 2018-01-29 | 2021-06-15 | Microsoft Technology Licensing, Llc | Combination of techniques to detect anomalies in multi-dimensional time series |
| US10771088B1 (en) | 2019-02-28 | 2020-09-08 | International Business Machines Corporation | Optimal multi-dimensional data compression by tensor-tensor decompositions tensor |
| CN110620586B (zh) * | 2019-09-17 | 2021-07-13 | 河北省科学院应用数学研究所 | 数据压缩方法、装置和终端设备 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61285870A (ja) | 1985-06-13 | 1986-12-16 | Toshiba Corp | 変換符号化方式 |
| JPH0654500B2 (ja) | 1985-07-25 | 1994-07-20 | 株式会社日立メデイコ | デ−タ圧縮方法 |
| JPH06139345A (ja) | 1992-10-23 | 1994-05-20 | Toshiba Corp | 特異値展開符号化方式 |
| JP2795119B2 (ja) * | 1993-02-03 | 1998-09-10 | 日本ビクター株式会社 | 多次元画像圧縮伸張方式 |
| DE69717359T2 (de) * | 1996-07-29 | 2003-04-30 | Matsushita Electric Ind Co Ltd | Verfahren zur Komprimierung und Dekomprimierung von eindimensionalen Zeitserien |
| US5818463A (en) * | 1997-02-13 | 1998-10-06 | Rockwell Science Center, Inc. | Data compression for animated three dimensional objects |
| JPH1128894A (ja) | 1997-07-10 | 1999-02-02 | Shinjirou Toyoshima | 楕円形コンパス |
| JP2000048047A (ja) * | 1998-01-19 | 2000-02-18 | Asahi Glass Co Ltd | 時系列デ―タの保存方法及び時系列デ―タベ―スシステム、時系列デ―タの処理方法及び時系列デ―タ処理システム、時系列デ―タ表示システム、並びに記録媒体 |
| JP3767876B2 (ja) * | 1998-04-03 | 2006-04-19 | 本田技研工業株式会社 | 音声認識装置 |
| US6373986B1 (en) * | 1998-04-08 | 2002-04-16 | Ncr Corporation | Compression of data transmission by use of prime exponents |
| EP0973129A3 (en) * | 1998-07-17 | 2005-01-12 | Matsushita Electric Industrial Co., Ltd. | Motion image data compression system |
| AU2001268416A1 (en) * | 2000-06-15 | 2001-12-24 | Auckland Uniservices Limited | Basis functions of three-dimensional models for compression, transformation and streaming |
| US6947045B1 (en) * | 2002-07-19 | 2005-09-20 | At&T Corporation | Coding of animated 3-D wireframe models for internet streaming applications: methods, systems and program products |
| US7103222B2 (en) * | 2002-11-01 | 2006-09-05 | Mitsubishi Electric Research Laboratories, Inc. | Pattern discovery in multi-dimensional time series using multi-resolution matching |
| US6871165B2 (en) * | 2003-06-20 | 2005-03-22 | International Business Machines Corporation | Method and apparatus for classifying time series data using wavelet based approach |
| US7551785B2 (en) * | 2003-07-03 | 2009-06-23 | Canadian Space Agency | Method and system for compressing a continuous data flow in real-time using cluster successive approximation multi-stage vector quantization (SAMVQ) |
-
2004
- 2004-02-26 JP JP2006519068A patent/JP4298749B2/ja not_active Expired - Fee Related
- 2004-02-26 CN CNA2004800372032A patent/CN1894856A/zh active Pending
- 2004-02-26 CA CA002548461A patent/CA2548461C/en not_active Expired - Fee Related
- 2004-02-26 US US10/582,846 patent/US7433527B2/en not_active Expired - Fee Related
- 2004-02-26 WO PCT/JP2004/002252 patent/WO2005083890A1/ja active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9866653B2 (en) | 2013-08-02 | 2018-01-09 | Hitachi, Ltd. | Data transfer system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2005083890A1 (ja) | 2007-08-30 |
| CN1894856A (zh) | 2007-01-10 |
| US7433527B2 (en) | 2008-10-07 |
| CA2548461A1 (en) | 2005-09-09 |
| CA2548461C (en) | 2009-08-11 |
| WO2005083890A1 (ja) | 2005-09-09 |
| US20070147519A1 (en) | 2007-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4298749B2 (ja) | 時系列データ次元圧縮装置 | |
| JP4527322B2 (ja) | 画像検索装置、画像検索方法、及び画像検索用プログラム | |
| US9165042B2 (en) | System and method for efficiently performing similarity searches of structural data | |
| EP2782066B1 (en) | Local feature descriptor extracting apparatus, method for extracting local feature descriptor, and program | |
| US6745205B2 (en) | Method of indexing and searching feature vector space | |
| JP2006338313A (ja) | 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体 | |
| Tombari et al. | Full-search-equivalent pattern matching with incremental dissimilarity approximations | |
| CN111445952B (zh) | 超长基因序列的相似性快速比对方法及系统 | |
| CN111859004A (zh) | 检索图像的获取方法、装置、设备及可读存储介质 | |
| CN112364188A (zh) | 一种遥感影像的索引建立方法、遥感影像检索方法及装置 | |
| JP3545007B2 (ja) | データベース検索システム | |
| US7321696B2 (en) | Method for efficient coding of shape descriptor parameters | |
| KR19990071353A (ko) | 두 그룹간의 유사도 계산 방법 | |
| CN108170664B (zh) | 基于重点关键词的关键词拓展方法和装置 | |
| WO2000049527A1 (en) | Matching engine | |
| JPH07200861A (ja) | 中心線算出装置 | |
| CN111773700A (zh) | 一种动画数据的处理方法和装置 | |
| JP4460277B2 (ja) | 画像の対応点探索方法、対応点探索装置および対応点探索プログラム | |
| KR100282608B1 (ko) | 유사성 검색을 지원하는 공간 인덱스 구성방법 | |
| US9350383B2 (en) | Run total encoded data processing | |
| JP4460274B2 (ja) | 画像の対応点探索方法、対応点探索装置および対応点探索プログラム | |
| CN116680435B (zh) | 一种基于多层特征提取的相似图像检索匹配方法 | |
| CN108052554A (zh) | 多维度拓展关键词的方法和装置 | |
| Tewfik et al. | Biclustering of DNA microarray data with early pruning | |
| JP4286565B2 (ja) | 画像の対応点探索方法、対応点探索装置および対応点探索プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070118 |
|
| 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: 20090414 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090415 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120424 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |