JP5715261B2 - 時系列データ管理システム,および方法 - Google Patents
時系列データ管理システム,および方法 Download PDFInfo
- Publication number
- JP5715261B2 JP5715261B2 JP2013537307A JP2013537307A JP5715261B2 JP 5715261 B2 JP5715261 B2 JP 5715261B2 JP 2013537307 A JP2013537307 A JP 2013537307A JP 2013537307 A JP2013537307 A JP 2013537307A JP 5715261 B2 JP5715261 B2 JP 5715261B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- cluster
- series data
- feature
- leaf
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
特徴インデクス213の全ての葉クラスタ703に対し,入力された特徴区間603との類似度算出を行い,類似度が最も小さい葉クラスタ703を類似葉クラスタとして選択する。類似度算出は,類似度算出機能505に対し,葉クラスタ703の葉属性705の代表区間のIID 713が示す特徴区間データと,特徴区間データ602を入力することにより得る。なお類似度は正の値を取り,0に近いほど類似しているものとする。
Step 1で選択された葉クラスタと,入力された特徴区間603との類似度が,当該葉クラスタの吸収閾値D 711よりも小さい値である場合,該入力された特徴区間が該葉クラスタに吸収されたと判定し,Step 5に進む。
本ステップでは,入力された特徴区間603が,特徴インデクスのどの枝クラスタに挿入されるかを探索する。Step 1で選択された葉クラスタの親クラスタから根クラスタ701までの各枝クラスタ702について再帰的にクラスタ内包判定を行い,クラスタ内包される最も上位の枝クラスタの下部に枝クラスタを挿入する。このクラスタ内包判定のアルゴリズムは複数考えられる。第一の方法では,Step 1で選択した葉クラスタと,入力された特徴区間との類似度が,枝クラスタの類似度Dよりも小さい場合にクラスタに内包されるとする。第二の方法では,内包判定対象の枝クラスタと,入力された特徴区間との類似度が,該当枝クラスタの親クラスタの類似度よりも小さい場合にクラスタに内包されるとする。
子クラスタが葉クラスタの場合,子クラスタと入力された特徴区間との類似度は,step 1の方法で類似度算出機能405を使用して算出できる。また枝クラスタの格納データ数は,その子孫クラスタである葉クラスタの登録数712の合計値で算出できる。
本ステップでは,枝クラスタを挿入する。図7の701に特徴インデクスの部分木を示す。木構造701において,枝クラスタaがStep 3で算出した「クラスタ内包される最も上位の枝クラスタ」で,クラスタbの子孫クラスタにStep 1で算出した葉クラスタが存在するとする。枝クラスタ挿入操作では,葉クラスタeを生成し,葉クラスタeと該枝クラスタbを子に持つ枝クラスタdを生成し,クラスタaの子であるクラスタbと枝クラスタdを置換することにより木構造702を得る。葉クラスタeの属性として,図5の吸収閾値511はあらかじめ与えられた初期値を,登録数512は1を格納する。また,入力された特徴区間データのIIDとして,既存の特徴区間データと重複しない値を生成し,代表区間IID 513に格納する。また,FID 514は空集合を格納する。
葉クラスタが新規登録された場合,未知葉クラスタに対応するファクト情報として図7には図示していないが特徴インデクスに対してあらかじめ設定しておくFIDの値に従い,該当ファクトテーブル217からファクトを探索し,対応するアクションを実行する。
Step 1で吸収判定された葉クラスタ,あるいはStep 4で新規作成された葉クラスタeのFID 714が空集合ではない場合,登録されている全てのFIDをファクトテーブル217から探索し,対応するアクションを実行する。
Step 1で判定された葉クラスタ,あるいはStep 4で新規作成された葉クラスタeの先祖クラスタに当たる全ての枝クラスタについて,類似度D 708と,代表葉のCID 709を更新する。計算方法としては,あるクラスタCの子孫にあたる全ての特徴区間iについて,他特徴区間との距離の総和を算出した下式の集合の中で,最も小さい値を取るクラスタiを代表の葉とする。ここで,njはクラスタjの格納特徴区間数,dijはクラスタi,j間の距離である。また,類似度Dは,子の2つのクラスタの代表葉クラスタ間の距離として,類似度算出機能405により下式で再帰的に算出する。
<step 8> 枝クラスタのアクション実行
Step 1で判定された葉クラスタ,あるいはStep 4で新規作成された葉クラスタeの先祖クラスタに当たる全ての枝クラスタについて,FID 710が空集合ではない場合,登録されている全てのFIDをファクトテーブル217から探索し,対応するアクションを実行する。
Step 7,Step 8を根クラスタまで繰り返す。
図12の特徴区間時系列テーブルの開始時刻1204,終了時刻1205と,ユーザが指定した時間範囲とを比較することにより,ユーザ指定時間範囲に存在する特徴区間レコードを検索し,CID 1202とIID 1203を取得する。
図7の特徴インデクス213から,Step 1で取得したCIDと一致する葉クラスタを取得する。
Step 2で取得した葉クラスタから開始し,再帰的に親クラスタを取得し,枝クラスタの類似度D 708がユーザが指定した類似度閾値を超過しない最上位の枝クラスタを探索する。
Step 3で取得した枝クラスタの子孫クラスタとなる全ての葉クラスタを検索し,そのCID 704を全て取得する。
図12の特徴区間時系列テーブルから,Step 4で取得した全CIDを持つ全ての特徴区間レコードを検索し,その開始時刻1204と終了時刻1205を取得する。
図12の時系列テーブルの開始時刻1204,終了時刻1205と,Step 5で取得した検索結果時間範囲の集合とを比較することにより,検索結果時間範囲に存在する全ての時系列データを取得し,グラフ表示を行う。これにより,図14の画面下部の類似時系列パタン1406の集合を表示することができる。
時系列パタンAが収集機能401から分類機能402に渡された時,特徴インデクス213に該当パタンが登録されていない場合,図9のStep 5で示した通り,特徴インデクスの部分木1901のように,未知葉クラスタAが登録され,未知葉クラスタに対するアクションが実行される。ここであらかじめアクションとして,ファクトが定義されていない枝ノードの子孫に位置する未知葉クラスタが登録された際,時系列解析者1906のユーザ端末105に対して警報を発行すると定義しておくことにより,時系列解析者1906に対して未知パタン警報が発行される。時系列解析者1906はGUI機能405により,図18に示す特徴インデクス画面を表示し,時系列パタンAは平常パタンであるというファクトを領域1901の葉クラスタAの位置に登録する。時系列パタンAに類似する時系列パタンA’が到来した場合,特徴インデクスは領域1902のように変化し,再び未知パタン警報が時系列解析者1906に発行される。時系列解析者1906はファクト情報を葉クラスタAの位置から,葉クラスタAと葉クラスタA’の共通の枝に移動する。これを複数回繰り返すことにより,類似パタンA’’が到来した段階で未知異常警報が発行されなくなる。
時系列パタンBが収集機能401から分類機能402に渡された時,Case 1と同様に時系列解析者1906に対して未知パタン警報が発行される。時系列解析者1906が,時系列パタンBが異常パタンXであるというファクトを葉クラスタBの位置に登録し,保全担当者1907に警報を発行するというアクションを登録する。Case 1と同様に,類似パタンB’に対してファクトの位置移動を複数回繰り返すことにより,類似パタンB’’が到来した時点で保全担当者1907に警報が発行されるようになる。
同じ葉クラスタ2101に,異なる識別子F1,F2を持つファクトが重複して登録されている場合,それぞれのファクトが異なる葉クラスタに登録されるように葉クラスタ2102,2103に再分類する。
同じ異常事例であり,共通の識別子F1を持つファクトが葉クラスタ2104および2105に登録されている場合,それぞれの葉クラスタの共通の先祖となる最初の枝クラスタ2106にファクトを移動する。
Case 2の例外として,共通の識別子F1を持つファクトが葉クラスタ2107および2108の共通の先祖となる最初の枝クラスタの子孫クラスタ群に,異なる識別子F2を持つ葉ノード2109が存在する場合,ファクトの移動を行わず,競合警報を発行する。この競合警報が発行されるのは,時系列パタンの分類方法が障害事例を分類するという目的を達成していないことになる。時系列解析者は本競合警報を受け付け,図5の特徴区間抽出機能503で使用される抽出規則を改良することができる。本警報機能により,漏れのない日常的な時系列解析機能の更新を行うことができる。
図16の事例報告管理テーブル1601に新たに登録されたレコードから,時刻1602を取得する。
図12の特徴区間データテーブル214の開始時刻1204,終了時刻1205と,Step 1で取得した時刻とを比較することにより対応する特徴区間データを取得し,CID 1202を取得する。
図7の特徴インデクス213から,Step 2で取得したCIDを持つ葉クラスタを探索し,Step 1で求めたレコードのFID1603を葉クラスタのFID 714として格納する。
Step 3で探索した葉クラスタに,異なる値のFIDが既に登録されている場合,Step 5,6,7を実行する。
Step 4で既に登録されているFIDに対応する特徴区間データを取得する。具体的には,図16の事例報告管理テーブル1601から該当FIDに対応する時刻1602を取得し,図12の特徴区間データテーブル214の開始時刻1204,終了時刻1205と比較することにより対応する特徴区間データを取得する。
Step 5で取得した特徴区間データと,Step 2で取得した特徴区間データを,図5の類似度算出機能505で評価することにより,類似度を算出する。
Step 2で取得したCIDを持つ全ての特徴区間データを特徴区間データテーブル214から取得し,図9で示すクラスタリング機能504を利用して差異クラスタリングを行い,Step 3の葉クラスタと置換する。その際,図9のStep4における吸収閾値511を,Step 6で取得した類似度とする。Step 5,6,7により,図21のCase1のルールが実現できる。
特徴インデクスに対し,同じFIDを持つ葉クラスタの集合を取得する。
それぞれの葉クラスタの親クラスタを再帰的に辿ることにより,共通の先祖を持つ最初の枝クラスタを探索する。
Step 9で探索した枝クラスタの子孫クラスタ群の全ての葉クラスタを参照し,FIDがStep 3で求めたFIDと異なる値を取る葉クラスタが存在するかどうかを判定する。
異なる値を取る葉クラスタが存在しない場合,FIDをStep 9で探索した枝クラスタに移動する。これにより,Case 2のルールが実現できる。
Step 9-12の処理を,Step 8で取得した全ての葉クラスタの集合に対して繰返す。
閾値THを,0から開始し,あらかじめ停止した一定間隔で増加させる。
特徴インデクス213の,類似度Dが閾値THを超過する最下層の枝クラスタを抽出する。具体的には,特徴インデクス213の根クラスタから全ての下位の枝クラスタを探索し,その類似度D 708が閾値THより下回った枝クラスタを発見場合,その枝の探索を終了し,その枝クラスタの親クラスタをリストに追加する。
Step 2で取得した枝クラスタの集合を,枝クラスタに分類される特徴区間データ数でソートし,上位20%の枝クラスタを抽出する。枝クラスタに分類される特徴区間データ数は,枝クラスタの子孫クラスタである全ての葉クラスタの登録数n 712を合計することで得られる。
Step 3で取得した枝クラスタ集合に分類される特徴区間データ数を合計し,特徴インデクスに登録された全特徴区間データ数で割ることにより,含有比Nを算出する。
Step 4で算出した含有比が,80%より小さければ,Step 1に戻る。
Step 3で取得した枝クラスタ集合から,枝クラスタに分類される特徴区間データ数が,あらかじめ指定した閾値よりも小さい枝クラスタ群を除去する。
誤差許容率THを,0から開始し,あらかじめ停止した一定間隔で増加させる。
Step 1で算出した誤差許容率THで該葉クラスタ703に属する時系列データの非可逆圧縮を行う。非可逆圧縮方法は,たとえば3点の観測値が閾値以下の誤差で直線で近似できる場合,中点をまびく線形近似圧縮方法などが存在するが,Wavelet圧縮等,圧縮方式は問わない。
Step 2で非可逆圧縮した時系列データを再度展開し,図5の特徴区間抽出機能503で特徴区間データとしたものと,葉クラスタ703の代表区間のIID 713で示される特徴区間データとの類似度dを,類似度算出機能505で算出する。
Step 3で算出した類似度dと,該葉クラスタ703の吸収閾値D 711とを比較し,類似度dが吸収閾値Dよりも小さければ再びStep 1を実行する。
Step 2で算出した誤差許容率THを用いて,時系列データを圧縮する。
102,104 ネットワーク
103,2601 時系列ストア装置
105 ユーザ端末
106,2602 ストレージ装置
201 時系列データ
202 検索クリエ
203 検索結果
204 センサインタフェース
205 プロセッサ
206 メモリ
207 ユーザI/F
208 ディスクI/F
209 登録プログラム
210 検索プログラム
211 バッファ
212 入出力装置
213 特徴インデクス
214 特徴区間データ
215,501,601 時系列データ
216 特徴抽出規則
217 ファクトテーブル
301 観測時刻
302 センサ観測値
303 レコード
401 収集機能
402 分類機能
403 アクション機能群
404 検索機能
405 GUI機能
406 インデクス管理機能
407 時系列管理機能
408 転送機能
409 登録機能
410 警報機能
411 解析機能
502,803 アクション
503 特徴区間抽出機能
504 クラスタリング機能
505 類似度算出機能
506 アクション実行機能
602 特徴区間データ
603 特徴区間
604,605 閾値
701,1801 根クラスタ
702,2001,2701,2703 枝クラスタ
703,2003,2702 葉クラスタ
704,706 CID
705,2002 葉属性
707 枝属性
708,2004 類似度D
709,2005 代表葉のCID
710,714,801,1603,2006,2010,2014 FID
711,2007,2011 吸収閾値D
712,2008,2012 登録数n
713,2009,2013 代表区間のIID
802 ラベル
1401 グラフ
1402 時間範囲
1403 マウス
1405 類似度検索ボタン
1406 時系列パタン
1407 事例報告書
1601 事例報告管理テーブル
1602 時刻
1604 URL
1802,1803,1804,1805 矩形部
1806,1807,1808 グラフ
1901,1902,1903 領域
1906 時系列解析者
1907 保全担当者
Claims (15)
- 処理部と記憶部とを備え,時系列データを管理する時系列データ管理システムであって,
前記処理部は,
前記時系列データをその特徴に応じた特徴区間に分割し,前記記憶部に,当該特徴区間のデータ,開始時刻,終了時刻,特徴区間を識別する識別子とを管理する特徴区間管理テーブルを形成し,
前記特徴区間同士の類似度を算出し,算出した前記特徴区間の類似度に応じて,前記特徴区間を階層的にクラスタリングし,得られる前記特徴区間のクラスタ間の類似度を枝クラスタに,前記特徴区間を識別する識別子を葉クラスタに持つ木構造の特徴インデクスを構成することにより,前記時系列データを管理する,
ことを特徴とする時系列データ管理システム。 - 請求項1に記載の時系列データ管理システムであって,
表示部と入力部とを更に備え,
前記表示部は,前記特徴インデクスを表示し,
前記入力部は,前記枝クラスタないし前記葉クラスタの属性として,前記特徴区間の時系列パタンの意味付けを行うラベルと,対応するアクションを入力可能である,ことを特徴とする時系列データ管理システム。 - 請求項2に記載の時系列データ管理システムであって,
前記処理部は,
前記記憶部に,前記ラベルに係る時刻,及び事例内容を管理する事例報告管理テーブルを形成し,
前記事例報告管理テーブルの時刻と関連する前記特徴区間と関連した葉クラスタに,前記ラベルを付与し,同種類のラベルが複数のクラスタに存在する場合,複数の前記クラスタの共通の先祖となる最初の枝クラスタに当該ラベルを移動し,
異なる種類のラベルが同一の葉クラスタに存在する場合,当該葉クラスタに属する前記特徴区間を再分類し,当該異なるラベルが分離される最初の子孫クラスタに当該ラベルを移動する,ことを特徴とする時系列データ管理システム。 - 請求項3に記載の時系列データ管理システムであって,
前記処理部は,
前記特徴区間を前記類似度により分類し,前記時系列パタンの出現頻度から平常データと異常データを分離し,前記平常データに重要度の低いラベルを付与する,ことを特徴とする時系列データ管理システム。 - 請求項1に記載の時系列データ管理システムであって,
前記処理部は,
入力された前記時系列データと,前記葉クラスタの識別子により識別される前記特徴区間の時系列パタンとの類似判定を行い,前記類似度を算出することにより最も類似した葉クラスタを選択し,
当該葉クラスタの吸収閾値と前記類似度とを比較することにより,当該葉クラスタへの吸収判定を行い,
当該葉クラスタの上位の前記枝クラスタの類似度との比較を再帰的に行うことにより枝クラスタへの挿入位置を決定し,
入力された前記時系列データを管理する葉クラスタを当該枝クラスタへ挿入し,挿入した前記葉クラスタの上位の枝クラスタの類似度と代表葉クラス
タを再帰的に更新する,ことを特徴とする時系列データ管理システム。 - 請求項5に記載の時系列データ管理システムであって,
前記処理部は,警報発生機能を備え,前記警報発生機能により警報を発行することにより,ラベルの付与されていない時系列パタンの出現をユーザに提示し,ラベル付けの要求を行い,全ての未知異常を収集することを保証する,ことを特徴とする時系列データ管理システム。 - 請求項5に記載の時系列データ管理システムであって,
前記処理部は,
前記枝クラスタないし葉クラスタの属性としてラベル,および実行すべきアクションを管理し,
入力された前記時系列データが,分類された前記葉クラスタ,およびその上位の枝クラスタ群に記載された前記アクションを再帰的に実行し,
前記時系列データを前記類似度に応じて前記時系列データの精度低減,削除,警報発行,分散システムへの転送の少なくとも一つを行う,ことを特徴とする時系列データ管理システム。 - 請求項7に記載の時系列データ管理システムであって,
前記処理部は,
前記葉クラスタに属する前記時系列データの精度を低減する時,特定の許容誤差率でもって前記時系列データの精度低減を行うことにより,前記時系列データの類似度を算出し,
精度低減結果である時系列データが同じ葉クラスタに分類されることをもって該許容誤差率が妥当であると判定する,ことを特徴とする時系列データ管理システム。 - 請求項7に記載の時系列データ管理システムであって,
前記処理部は,
前記時系列データをその類似度により分類し,出現頻度の高いデータを平常データとして重要度を低く設定し,重要度の高い少数データと重要度の低い多数データを別システムにて管理することにより,検索や解析処理を中心に行うシステムと登録を中心に行うシステムとの負荷バランスを取る,ことを特徴とする時系列データ管理システム。 - 請求項2に記載の時系列データ管理システムであって,
前記処理部は,
前記特徴区間管理テーブルから,ユーザ指定時間範囲における前記特徴区間を識別する識別子を抽出し,前記特徴インデクスから当該識別子を持つ葉クラスタを探索し,探索した前記葉クラスタの上位ノードに対し,類似度閾値を超過する最初の枝クラスタを探索し,探索された該枝クラスタの下位クラスタの全ての葉クラスタを探索し,
前記特徴区間管理テーブルから,前記全ての葉クラスタに記載の識別子に対応する全ての前記特徴区間の開始時刻・終了時刻を検索し,検索結果を前記表示部に表示するよう制御する,
ことを特徴とする時系列データ管理システム。 - 処理部と入出力部とを備え,時系列データを管理する時系列データ管理システムにおける時系列データ管理方法であって,
前記処理部は,
時系列データをその特徴に応じた特徴区間に分割し,当該特徴区間のデータ,開始時刻,終了時刻,特徴区間を識別する識別子とを管理し,
前記特徴区間同士の類似度を算出し,算出した前記特徴区間の類似度に応じて,前記特徴区間を階層的にクラスタリングし,得られる前記特徴区間のクラスタ間の類似度を枝クラスタに,前記特徴区間を識別する識別子を葉クラスタに持つ木構造の特徴インデクスを構成することにより,前記時系列データを管理する,ことを特徴とする時系列データ管理方法。 - 請求項11に記載の時系列データ管理方法であって,
前記処理部は,
前記特徴インデクスを前記入出力部に表示し,
前記入出力部から,前記枝クラスタないし前記葉クラスタの属性として,前記特徴区間の時系列パタンの意味付けを行うラベルと,対応するアクションを入力させるよう制御する,ことを特徴とする時系列データ管理方法。 - 請求項12に記載の時系列データ管理方法であって,
前記処理部は,
前記特徴区間を前記類似度により分類し,前記時系列パタンの出現頻度から平常データと異常データを分離し,前記平常データに重要度の低いラベルを付与する,ことを特徴とする時系列データ管理方法。 - 請求項11に記載の時系列データ管理方法であって,
前記処理部は,
入力された前記時系列データと,前記葉クラスタの識別子により識別される前記特徴区間の時系列パタンとの類似判定を行うことにより前記類似度を算出して,最も類似した葉クラスタを選択し,
当該葉クラスタの吸収閾値と前記類似度とを比較することにより,当該葉クラスタへの吸収判定を行い,
当該葉クラスタの上位の前記枝クラスタの類似度との比較を再帰的に行うことにより枝クラスタへの挿入位置を決定し,
入力された前記時系列データを管理する葉クラスタを当該枝クラスタへ挿入し,挿入した前記葉クラスタの上位の枝クラスタの類似度と代表葉クラス
タを再帰的に更新する,ことを特徴とする時系列データ管理方法。 - 請求項11に記載の時系列データ管理方法であって,
前記処理部は,
前記特徴区間のデータ,前記開始時刻,前記終了時刻,及び前記特徴区間を識別する識別子を特徴区間管理テーブルで管理し,
前記特徴区間管理テーブルから,ユーザ指定時間範囲における前記特徴区間を識別する識別子を抽出し,前記特徴インデクスから当該識別子を持つ葉クラスタを探索し,探索した前記葉クラスタの上位ノードに対し,類似度閾値を超過する最初の枝クラスタを探索し,探索された該枝クラスタの下位クラスタの全ての葉クラスタを探索し,
前記特徴区間管理テーブルから,前記全ての葉クラスタに記載の識別子に対応する全ての前記特徴区間の開始時刻・終了時刻を検索し,検索結果を前記入出力部に表示するよう制御する,ことを特徴とする時系列データ管理方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2011/072828 WO2013051101A1 (ja) | 2011-10-04 | 2011-10-04 | 時系列データ管理システム,および方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2013051101A1 JPWO2013051101A1 (ja) | 2015-03-30 |
JP5715261B2 true JP5715261B2 (ja) | 2015-05-07 |
Family
ID=48043293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013537307A Expired - Fee Related JP5715261B2 (ja) | 2011-10-04 | 2011-10-04 | 時系列データ管理システム,および方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5715261B2 (ja) |
WO (1) | WO2013051101A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220121191A1 (en) * | 2019-02-14 | 2022-04-21 | Nec Corporation | Time-series data processing method |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294911B (zh) * | 2013-05-23 | 2016-12-28 | 中国人民解放军国防科学技术大学 | 一种时间序列相似度值获取方法及系统 |
JP6082341B2 (ja) * | 2013-12-05 | 2017-02-15 | 株式会社日立ソリューションズ | 異常検出装置及び異常検出方法 |
WO2016111002A1 (ja) * | 2015-01-09 | 2016-07-14 | 株式会社日立製作所 | データ管理装置及びデータ管理方法 |
JP2016201011A (ja) * | 2015-04-13 | 2016-12-01 | 三菱電機株式会社 | プラントデータの要約表示装置 |
US10572836B2 (en) | 2015-10-15 | 2020-02-25 | International Business Machines Corporation | Automatic time interval metadata determination for business intelligence and predictive analytics |
KR102416656B1 (ko) * | 2016-06-24 | 2022-07-05 | 로베르트 보쉬 게엠베하 | 스마트한 제조 어셈블리 라인 성능을 위한 시각적 진단/분석 시스템 및 방법 |
JP7009438B2 (ja) * | 2016-07-07 | 2022-01-25 | アスペン テクノロジー インコーポレイテッド | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 |
US11016730B2 (en) | 2016-07-28 | 2021-05-25 | International Business Machines Corporation | Transforming a transactional data set to generate forecasting and prediction insights |
JP6556397B2 (ja) | 2017-02-20 | 2019-08-07 | 三菱電機株式会社 | パターン抽出装置、パターン抽出方法およびパターン抽出プログラム |
CN108319678A (zh) * | 2018-01-30 | 2018-07-24 | 复旦大学 | 一种海量时间序列的分布式索引方法 |
DE112018007712B4 (de) | 2018-07-03 | 2024-08-01 | Mitsubishi Electric Corporation | Datenverarbeitungseinrichtung und datenverarbeitungsverfahren |
US11755945B2 (en) | 2019-08-07 | 2023-09-12 | International Business Machines Corporation | Time-series data uncertainty reduction |
JP7132263B2 (ja) * | 2020-03-19 | 2022-09-06 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
US20230161337A1 (en) | 2020-05-25 | 2023-05-25 | Fanuc Corporation | Diagnostic device, server, and diagnostic method |
CN116018245A (zh) * | 2020-07-28 | 2023-04-25 | 川崎重工业株式会社 | 状态监视装置、状态异常判别方法以及状态异常判别程序 |
JP2022053847A (ja) * | 2020-09-25 | 2022-04-06 | 株式会社東芝 | プラント監視支援装置 |
CN113779077B (zh) * | 2021-09-28 | 2024-06-18 | 京东城市(北京)数字科技有限公司 | 时间段查询方法、装置、电子设备和存储介质 |
CN115670418B (zh) * | 2023-01-03 | 2023-03-21 | 深圳市研强物联技术有限公司 | 一种基于智能手表用户信息的数据存储方法 |
CN115858636B (zh) * | 2023-03-01 | 2023-06-27 | 深圳市宏博信息科技有限公司 | 面向大数据流的分布式索引搜索方法、装置 |
CN116089843B (zh) * | 2023-04-10 | 2023-09-08 | 国网浙江省电力有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN118011924A (zh) * | 2024-02-20 | 2024-05-10 | 武汉腾硕信息科技有限公司 | 一种基于大数据的工业互联网数据处理方法和系统 |
CN118059428B (zh) * | 2024-04-17 | 2024-07-26 | 大连欣洋电子设备有限公司 | 一种车载超细干粉灭火器压力智能监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3951374B2 (ja) * | 1997-08-27 | 2007-08-01 | 石川島播磨重工業株式会社 | プラント用インタフェースエージェント |
JP2003132088A (ja) * | 2001-10-22 | 2003-05-09 | Toshiba Corp | 時系列データ検索システム |
JP2007011686A (ja) * | 2005-06-30 | 2007-01-18 | Yokogawa Electric Corp | プラント情報処理システムおよびプラント情報処理方法 |
-
2011
- 2011-10-04 JP JP2013537307A patent/JP5715261B2/ja not_active Expired - Fee Related
- 2011-10-04 WO PCT/JP2011/072828 patent/WO2013051101A1/ja active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220121191A1 (en) * | 2019-02-14 | 2022-04-21 | Nec Corporation | Time-series data processing method |
Also Published As
Publication number | Publication date |
---|---|
JPWO2013051101A1 (ja) | 2015-03-30 |
WO2013051101A1 (ja) | 2013-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5715261B2 (ja) | 時系列データ管理システム,および方法 | |
JP6154542B2 (ja) | 時系列データ管理方法及び時系列データ管理システム | |
US20170154057A1 (en) | Efficient consolidation of high-volume metrics | |
JP5678620B2 (ja) | 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 | |
US9298854B2 (en) | Time-series data management device, system, method, and program | |
US8650063B2 (en) | Program, method and apparatus for modeling workflow | |
US20110078106A1 (en) | Method and system for it resources performance analysis | |
US20160055044A1 (en) | Fault analysis method, fault analysis system, and storage medium | |
CN108182963A (zh) | 一种医疗数据处理方法及装置 | |
US20190079965A1 (en) | Apparatus and method for real time analysis, predicting and reporting of anomalous database transaction log activity | |
CN111709714B (zh) | 基于人工智能的流失人员预测方法和装置 | |
KR20150057322A (ko) | 빅데이터 분석 기반의 위크시그널 도출 시스템 및 그 방법 | |
JP6210867B2 (ja) | データ関連性解析システムおよびデータ管理装置 | |
CN110910991B (zh) | 一种医用自动图像处理系统 | |
Al-Janabi | A proposed framework for analyzing crime data set using decision tree and simple k-means mining algorithms | |
CN114356940A (zh) | 电网数据治理平台及方法 | |
US11954945B2 (en) | Systems and methods for analyzing machine performance | |
CN113742118B (zh) | 对数据管道中的异常进行检测的方法和系统 | |
JP5668425B2 (ja) | 障害検知装置、情報処理方法、およびプログラム | |
CN111737233A (zh) | 数据监控方法及装置 | |
Bey-Temsamani et al. | A practical approach to combine data mining and prognostics for improved predictive maintenance | |
US20060230080A1 (en) | Apparatus for tracking work process and computer product | |
JP7499597B2 (ja) | 学習モデル構築システムおよびその方法 | |
JP2010102462A (ja) | 障害推定装置、方法及びプログラム | |
Levner et al. | Entropy-based approach to efficient cleaning of big data in hierarchical databases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141224 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150127 |
|
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: 20150224 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150312 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5715261 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |