JP6929260B2 - 時系列特徴抽出装置、時系列特徴抽出方法及びプログラム - Google Patents

Description

本発明の実施形態は、時系列特徴抽出装置、時系列特徴抽出方法及びプログラムに関する。

ＩｏＴの進展に伴い、様々なデータを取得できるようになったため、種々のインフラ設備や製造装置等の状態をリアルタイムに把握できる環境が整いつつある。取得可能なデータには色々なものが含まれるため、前処理として各データの特徴量を抽出する処理が必要となることが多い。

しかしながら、各データについての知識がなく、各データの性質を把握していない場合には、特徴量を抽出するのは困難である。このような場合に対処する手法として、以下の二つがある。

第１の手法は、取得されるデータが時系列データの場合に、時系列データをセグメントに分割する手法である。この手法によれば、相関分析や回帰などを用いてデータの大局的な特徴を抽出することができる。第２の手法は、時系列データの特徴的な部分データを抜き出すことで、局所的な特徴を抽出する手法である。

時系列データの場合、大局的な特徴と局所的な特徴のどちらを抽出するのが望ましいかは、時と場合により大きく異なり、各時系列データごとに前処理の適切な手法を見定める必要がある。また、データにノイズが乗っている場合には、大局的な特徴と局所的な特徴のいずれも、正確に抽出できなくなるおそれがある。

また、時系列データを何らかの手法でクラスタに分けて、各クラスタごとに局所的な特徴である部分データを抽出する手法も提案されているが、各クラスタが類似したデータを含む場合には、抽出した部分データも似通ったものになり、局所的な特徴を正しく抽出できなくなる。

特開２０１５−１０３０１８号公報

本発明の一態様は、時系列データの大局的な特徴と局所的な特徴を正しく抽出できる時系列特徴抽出装置、時系列特徴抽出方法及びプログラムを提供するものである。

本実施形態では、時系列データを複数のセグメントに分類するための計算に用いる係数を出力する係数出力部と、
前記係数に基づいて前記時系列データを前記複数のセグメントに分類する計算を行い、前記複数のセグメントの境界位置に関する情報を出力するセグメント位置出力部と、
前記複数のセグメントを、前記複数のセグメントの数以下の複数のクラスタに分類するクラスタ分類部と、
前記複数のクラスタのそれぞれの局所的な特徴を表し、前記複数のセグメントのそれぞれに設定される代表元を出力する代表元出力部と、
前記代表元の特徴度を算出する特徴度算出部と、
前記特徴度に基づいて前記代表元を更新する代表元更新部と、を備える、時系列特徴抽出装置が提供される。

第１の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図。 対象データ出力部８から出力される時系列データの一例を示す図。 図２の時系列データを、データ整列部９で整列した後の時系列データの一例を示す図。 可視化部１３による可視化の一例を示す図。 第１の実施形態による時系列特徴抽出装置１の処理動作を示すフローチャート。 代表元度の可視化の一例を示す図。 第２の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図。 ノイズ除去部１８が時系列データのノイズ除去を行う前後の波形を示す図。 第３の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図。 セグメント位置修正部１９の処理動作を模式的に示す図。 図９の時系列特徴抽出装置１の処理動作を示すフローチャート。

以下、図面を参照して本発明の実施形態を説明する。以下の実施形態では、時系列特徴抽出装置内の特徴的な構成および動作を主に説明するが、時系列特徴抽出装置には以下の説明で省略した構成および動作が存在しうる。

（第１の実施形態）
図１は第１の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図である。図１の時系列特徴抽出装置１は、時系列データの大局的特徴と局所的特徴を正しく抽出できることを特徴としている。図１の時系列特徴抽出装置１には、一種類又は複数種類の時系列データが入力される。このように、図１の時系列特徴抽出装置１は、複数種類の時系列データからなる多変量の時系列データの入力を受け付けることが可能である。

図１の時系列特徴抽出装置１は、係数出力部２と、セグメント位置出力部３と、クラスタ分類部４と、代表元出力部５と、特徴度算出部６と、代表元更新部７とを備えている。

係数出力部２は、時系列データを複数のセグメントに分類するための計算に用いる係数を出力する。例えば、係数出力部２は、回帰モデルを用いて時系列データを複数のセグメントに分類する場合には、回帰モデルの回帰係数を出力する。

係数出力部２に入力される時系列データは、インフラ設備や種々の製造装置、プラント等の対象データ出力部８から出力されたものである。対象データ出力部８は、複数種類の時系列データを出力してもよい。対象データ出力部８から出力された時系列データは、データ整列部９にて、時系列データをタイムスタンプ順に整列させてもよい。また、データ整列部９で整列された時系列データは、いったん時系列データベース（以下、時系列ＤＢ）１０に格納され、所望のタイミングで、時系列ＤＢ１０から読み出された時系列データが係数出力部２に入力されてもよい。

図２は対象データ出力部８から出力される時系列データの一例を示す図である。図２は、センサＡとセンサＢの時系列データが出力される例を示している。各時系列データとも、センサデータと記録日時とが対になっている。なお、センサデータは、単変量データでも、多変量データでもよい。対象データ出力部８から出力されるデータは、前処理を施したデータであってもよい。前処理として、例えば、各時系列データを０と１に正規化する処理や、多変量データの場合には各時系列データ間の相関性を組み込んだ白色化処理や、各センサデータが取り得る最大値や最小値を指定する処理や、各時系列データの周波数変換処理などを行ってもよい。時系列ＤＢ１０には、各製品ごとのセンサデータや、特定の時間間隔ごとの時系列データが格納されてもよい。図３は図２の時系列データを、データ整列部９で整列した後の時系列データの一例を示す図である。

なお、係数出力部２の前段側に、図１に示すように変数初期化部１１を設けてもよい。変数初期化部１１は、時系列データを複数のセグメントに分類するための計算に用いる各種の変数を初期化する。例えば、回帰モデルを用いて時系列データを複数のセグメントに分類する場合、変数初期化部１１は回帰モデルに使用される各種の変数を初期化する。また、変数初期化部１１では、セグメント位置やクラスタ割当の初期化を行ってもよい。クラスタ割当の初期化は、例えばk-means法や混合正規分布などに基づいて行ってもよい。セグメント位置の初期化は、各セグメントの区間を等間隔に設定してもよい。

図１の係数出力部２から出力された係数はセグメント位置出力部３に入力される。セグメント位置出力部３は、係数出力部２から出力された係数に基づいて時系列データを複数のセグメントに分類する計算を行い、複数のセグメントの境界位置に関する情報を出力する。例えば、セグメント位置出力部３は、係数出力部２から出力された回帰係数を用いた回帰モデルにて、時系列データへのフィッティングを行う。回帰モデルは、複数のクラスタのそれぞれごとに設けられる。そして、セグメント位置出力部３は、最も良好なフィッティング結果が得られる回帰モデルに基づく複数のセグメントの境界位置を出力する。

クラスタ分類部４は、複数のセグメントを、複数のセグメントの数以下の複数のクラスタに分類する。クラスタ分類部４により、各セグメントは、いずれかのクラスタに割り当てられる。セグメントとクラスタの詳細については後述する。

代表元出力部５は、複数のクラスタのそれぞれの局所的な特徴を表し、複数のセグメントのそれぞれに設定される代表元を出力する。代表元は、各セグメントの局所的な特徴を表す指標である。代表元出力部５は、複数のクラスタのそれぞれごとに、予め定めた個数の代表元を出力してもよい。

特徴度算出部６は、代表元の特徴度を算出する。特徴度は、例えば代表元の差異で表される。特徴度算出部６は、代表元が存在するセグメント内の時系列データとの類似度と、代表元が存在しないセグメント内の時系列データとの非類似度と、に基づいて、特徴度を算出してもよい。

代表元更新部７は、特徴度算出部６で算出された特徴度に基づいて代表元を更新する。代表元更新部７は、各セグメントの代表元の差異ができるだけ大きくなるように各代表元を更新する。代表元の差異が大きいほど、局所的な特徴がより際立っていることを示す。

図１の時系列特徴抽出装置１は、パラメータ入力部１２を備えていてもよい。パラメータ入力部１２は、時系列データを複数のセグメントに分類するためのモデルを生成するのに必要な各種の変数（パラメータ）を、時系列特徴抽出装置１の各部に入力する。

図１の時系列特徴抽出装置１は、可視化部１３を備えていてもよい。可視化部１３は、係数出力部２に入力される時系列データと、代表元出力部５から出力される複数のクラスタのそれぞれに対応する複数の代表元とを可視化する。可視化部１３は、係数出力部２に入力される前で、かつノイズ成分を除去した後の時系列データと、代表元出力部５から出力される複数のクラスタのそれぞれに対応する複数の代表元とを可視化してもよい。可視化は、例えば不図示の表示装置の画面に、入力された時系列データと、セグメント位置と、クラスタ割当とが視認できる形態で表示してもよい。可視化の具体例については後述する。

図１の時系列特徴抽出装置１は、代表元度出力部１４を備えていてもよい。代表元度出力部１４は、代表元を数値化した代表元度を出力する。代表元度の具体例についても後述する。

図１の時系列特徴抽出装置１は、代表元除外指定部１５を備えていてもよい。代表元除外指定部１５は、複数のクラスタのうち、代表元出力部５が代表元から除外するべき部分データを指定する。この場合、代表元出力部５は、複数のクラスタのそれぞれごとに、代表元除外指定部１５で指定された部分データ以外から代表元を生成する。

図１の時系列特徴抽出装置１は、代表元指定部１６を備えていてもよい。代表元指定部１６は、複数のクラスタのうち、代表元出力部５が代表元に含めるべき部分データを指定する。この場合、代表元出力部５は、複数のクラスタのそれぞれごとに、代表元指定部１６で指定された部分データを含めて代表元を生成する。代表元指定部１６と代表元除外指定部１５は、可視化を行うＧＵＩ画面にて、ユーザがマウス等で、時系列データを表す波形の任意の場所を指定できるようにしてもよい。

図１の時系列特徴抽出装置１は、代表元選抜部１７を備えていてもよい。代表元選抜部１７は、代表元出力部５から出力された代表元のうち、不要な代表元を除去した残りの代表元を選抜する。この場合、特徴度算出部６は、代表元選抜部１７で選抜された代表元の特徴度を算出する。

図４は可視化部１３による可視化の一例を示す図である。図４の横軸は時刻、縦軸はセンサデータのセンサ値である。図４は、時系列データを、１１個のセグメントに分類して、各セグメントを３つのクラスタのいずれかに割り当てる例を示している。図４では、３つのクラスタを、それぞれ異なるハッチングで区別している。図４の例では、各セグメントに、各クラスタに応じた代表元が一つずつ設けられており、各代表元を太線で表記している。図４に示すように、クラスタの数は、セグメントの数以下であり、代表元は各クラスタごとに決められており、同一のクラスタに属する複数のセグメント内の代表元は、同一の波形形状を有する。代表元は、各セグメントの時系列データのうち、特徴的な波形形状を持った部分データである。

図５は第１の実施形態による時系列特徴抽出装置１の処理動作を示すフローチャートである。図１の時系列特徴抽出装置１は、図５のフローチャートの処理を繰り返し実行する。まず、図１の時系列特徴抽出装置１内の各部にパラメータ入力部１２から各種のパラメータを設定する（ステップＳ１）。

次に、変数初期化部１１は、時系列データを複数のセグメントに分類するための回帰モデルの各変数を初期化する（ステップＳ２）。また、変数初期化部１１は、図５のフローチャートの反復回数ｋを０に初期化する（ステップＳ３）。

次に、係数出力部２は、時系列ＤＢ１０から取得した時系列データを複数のセグメントに分類するための回帰係数を算出して出力する（ステップＳ４）。このステップＳ４では、例えば（１）式に示す線形回帰式で表される回帰モデルの回帰係数を出力する。

（１）式は、ｋ番目の時系列データ以外の時系列データを用いて、ｋ番目の時系列データの値を回帰する線形回帰式である。

次に、セグメント位置出力部３は、回帰係数に基づく回帰モデルを用いて、時系列データを複数のセグメントに分類し、各セグメントの境界位置情報を出力する（ステップＳ５）。セグメント位置出力部３は、係数出力部２から出力された回帰係数に基づく回帰モデルで回帰を行った場合に、最も適合するセグメントの境界位置を出力する。

（２）式は、タイムスタンプ数がＴのデータのｋ番目の時系列ｘ(ｋ)を、位置ｕで二分割する際の線形回帰を用いたフィッティング誤差を表す式である。

上述したステップＳ５では、例えば（２）式の値が最小になるように各セグメントの境界位置を算出して出力する。

次に、クラスタ分類部４は、複数のセグメントを、複数のセグメントの数以下の複数のクラスタに分類する（ステップＳ６）。より具体的には、クラスタ分類部４は、セグメント位置出力部３で得られた各セグメントのデータを用いて、どの回帰係数で回帰した場合に誤差が最小になるかを判断基準として、各セグメントのクラスタ割当を行う。回帰係数は各クラスタごとに設けられる。

次に、代表元出力部５は、複数のクラスタのそれぞれの局所的な特徴を表し、各セグメントに設定される代表元を算出して出力する（ステップＳ７）。代表元としては、例えばシェープレット（Shapelet）を用いてもよい。

次に、特徴度算出部６は、各代表元同士の差異（特徴度）を計算し、差異ができるだけ大きくなるように代表元を更新する（ステップＳ８）。特徴度算出部６は、例えば以下の（３）式に示す目的関数を用いて、各代表元同士の差異を計算する。
mindis(x1, y1)＋mindis(x2, y2)＋|C−mindis(x1, y2)|＋|C−mindis(x2, y1)| …（３）

（３）式のｘ１，ｘ２は各セグメントのデータ、ｙ１，ｙ２は各セグメントの代表元である。Ｃは十分に大きな値であり、mindis(A, B)は、２つの時系列データＡとＢをずらしたときに最もよく適合する場合の誤差である。（３）式のmindis(x1, y1)は、セグメントｘ１の時系列データと、その一部である代表元ｙ１との適合度合いを数値化したものであり、できるだけ小さい方が望ましい。同様に、mindis(x2, y2)は、セグメントｘ２の時系列データと、その一部である代表元ｙ２との適合度合いを数値化したものであり、できるだけ小さい方が望ましい。mindis(x1, y2)は、セグメントｘ１の時系列データと、セグメントｘ２の代表元ｙ２との適合度合いを数値化したものであり、できるだけ大きい方が望ましい。よって、|C−mindis(x1, y2)|はできるだけ小さい方が望ましい。また、mindis(x2, y1)は、セグメントｘ2の時系列データと、セグメントｘ１の代表元ｙ１との適合度合いを数値化したものであり、できるだけ大きい方が望ましい。よって、|C−mindis(x2, y1)|はできるだけ小さい方が望ましい。

このように、ステップＳ８では、（３）式の各項の和ができるだけ小さくなるように、代表元を更新する。

次に、変数ｋを１インクリメントする（ステップＳ９）。次に、反復回数ｋが閾値Ｋ未満か否かを判定する（ステップＳ１０）。閾値Ｋ未満であれば、ステップＳ４以降の処理を繰り返す。反復回数ｋが閾値Ｋに等しくなると、図５の処理を終了する。

時系列特徴抽出装置１は、図５のフローチャートの処理を行うとともに、必要に応じて、図４のように、各時系列データを波形で表し、セグメントの境界位置と、クラスタ割当と、代表元とが視認できる形態で表示する可視化を行ってもよい。あるいは、代表元を例えば以下の（４）式に基づいて、数値化した代表元度を計算して可視化してもよい。

（４）式の分母は、セグメントｘiの時系列データと、セグメントｘi内の代表元ｙiとの適合度合いを数値化したものである。（４）式の分子は、セグメントｘjの時系列データと、セグメントｘi内の代表元ｙiとの適合度合いを数値化したものである。（４）式の分母は小さいほど望ましく、分子は大きいほど望ましいため、代表元度は大きい方が望ましい。

図６は代表元度の可視化の一例を示す図である。代表元は、クラスタごとに設定されるため、図６では、各クラスタごとに代表元度が数値化されている。図６の例では、クラスタＡよりもクラスタＢの方が代表元がより適合していることを示している。

図１の時系列特徴抽出装置１内の係数出力部２は、例えば回帰係数を出力するものであるが、回帰係数以外の係数、例えば相関行列の各成分である相関係数を出力してもよい。相関行列として、例えば（５）式に示すような分散共分散行列Ｓを用いることができる。
log|Σ|＋tr|Σ^-1Ｓ| …（５）

（５）式のΣは、時系列データが多変量正規分布に従うと仮定した場合の変数である。Ｓは時系列データＸの各変数間の分散共分散行列である。相関行列を用いた相関分析を行う場合、図５のステップＳ４を行う際に、係数出力部２は、時系列データを複数のセグメントに分類するための相関係数を算出して出力する。また、図５のステップＳ５を行う際に、セグメント位置出力部３は、相関係数に基づく相関行列を用いて、時系列データを複数のセグメントに分類し、各セグメントの境界位置情報を出力する。

このように、第１の実施形態では、時系列データの大局的な特徴を把握するために、時系列データを複数のセグメントに分類するとともに、各セグメントのクラスタ割当を行い、回帰モデル等を用いて各セグメントの境界位置を調整するとともに、クラスタ割当も更新する。また、時系列データの局所的な特徴を把握するために、各クラスタごとに設けられる代表元を各セグメントに設定し、各代表元間の差異ができるだけ大きくなるように代表元を更新する。以上により、時系列データの大局的な特徴と局所的な特徴とをともに把握できるようになる。本実施形態では、複数の時系列データからなる多変量の時系列データについて、各時系列データごとに大局的な特徴と局所的な特徴を把握できるため、大量の種類の時系列データを効率よく処理できる。

（第２の実施形態）
第２の実施形態は、前処理として時系列データのノイズを除去するものである。

図７は第２の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図である。図７の時系列特徴抽出装置１は、図１の時系列特徴抽出装置１の構成に加えて、ノイズ除去部１８を備えている。ノイズ除去部１８は、時系列ＤＢ１０と変数初期化部１１との間に配置されている。ノイズ除去部１８は、時系列ＤＢ１０から読み出した時系列データのノイズ除去を行う。ノイズ除去の手法は特に問わないが、例えば、主成分分析（ＰＣＡ：Principal Component Analysis）を行って、有用なデータ成分のみを抽出してもよい。あるいは、回帰式等に、正則化項を付加してもよい。正則化項とは、所定の基準値から離れるほどペナルティを大きくするものである。あるいは、ノイズ除去後の時系列データを他の時系列データから回帰して求めてもよい。この場合の最適化手法としては、ＡＤＭＭ（Alternating Direction Method of Multipliers）などを用いてもよい。例えば、以下の（６）式による回帰により、ノイズ除去後のデータを推定してもよい。

図８はノイズ除去部１８が時系列データのノイズ除去を行う前後の波形を示す図である。図８の波形ｗ１はノイズ除去前の時系列データ、波形ｗ２はノイズ除去後の時系列データを示している。図示のように、ノイズ除去を行うことにより、波形の形状を滑らかにすることができる。

このように、第２の実施形態では、ノイズ除去部１８を設けて、時系列データに含まれるノイズを除去した後に複数のセグメントに分類してクラスタ割当を行うため、セグメント化とクラスタ割当を行う際にノイズの影響を受けなくなる。

（第３の実施形態）
複数種類の時系列データが、時間的にずれて時系列特徴抽出装置１に入力される場合、一種類の時系列データについての各セグメントの境界位置をそのまま、他の種類の時系列データのセグメント化に利用するのは望ましくない。例えば、センサＡの検知開始時刻の５分後にセンサＢが検知を開始する場合、センサＡのセンサデータとセンサＢのセンサデータは、５分のタイムラグを調整するのが望ましい。そこで、第３の実施形態では、各種類の時系列データの時間的なずれを考慮に入れて、セグメント化とクラスタ割当を行うものである。

図９は第３の実施形態による時系列特徴抽出装置１の概略構成を示すブロック図である。図９の時系列特徴抽出装置１は、図１の時系列特徴抽出装置１の構成に加えて、セグメント位置修正部１９を備えている。セグメント位置修正部１９は、入力される複数種類の時系列データのタイムラグに応じて、セグメント位置出力部３から出力された複数のセグメントの境界位置を修正する。クラスタ分類部４は、複数の時系列データのそれぞれごとに、セグメント位置修正部１９で境界位置が修正された複数のセグメントを複数のクラスタに分類する。

図１０はセグメント位置修正部１９の処理動作を模式的に示す図である。センサＡのセンサデータとセンサＢのセンサデータが時間的にずれて時系列特徴抽出装置１に入力された場合、そのままで同じ時間基準でセグメント化を行うと、図１０（ａ）に示すように、全く異なる波形形状のセグメントに分類されることになり、各センサデータの特徴を正しく反映されなくなる。そこで、セグメント位置修正部１９は、図１０（ｂ）に示すように、センサＢのセンサデータのセグメントの境界位置を、センサＡのセンサデータのセグメントの境界位置から時間的にずらすことで、両方のセンサデータとも、同様の波形形状のセグメントに分類することができる。

図１１は図９の時系列特徴抽出装置１の処理動作を示すフローチャートである。ステップＳ２１〜Ｓ２６は図５のステップＳ１〜Ｓ６と同じである。ステップＳ２７では、異なる時系列データのタイムラグを調整するための変数ｉ、ｊを１に初期化する（ステップＳ２７）。

次に、セグメント位置修正部１９は、ｉ番目の時系列データとｊ番目の時系列データを比較し、両方の時系列データが最もよく適合するように、各時系列データのセグメントの境界位置を修正する（ステップＳ２８）。次に、変数ｊを１インクリメントする（ステップＳ２９）。次に、変数ｊが変数ｊの総数未満か否かを判定する（ステップＳ３０）。まだ総数を超えていなければ、ステップＳ２８の処理を繰り返す。ステップＳ３０で変数ｊが総数未満と判定されると、変数ｉを１インクリメントする（ステップＳ３１）。次に、変数ｉが変数ｉの総数未満か否かを判定する（ステップＳ３２）。まだ総数を超えていなければ、ステップＳ２８以降の処理を繰り返す。ステップＳ３２で変数ｉが総数を超えたと判定されると、反復回数ｋが閾値Ｋに到達したか否かを判定し（ステップＳ３３）、到達するまでステップＳ２４以降の処理を繰り返す。ステップＳ３２で変数ｉが変数ｉの総数に到達した場合には、図５のステップＳ７〜Ｓ１０と同様の処理を行う（ステップＳ３３〜Ｓ３６）。

このように、第３の実施形態では、セグメント位置修正部１９を設けるため、複数種類の時系列データが時間的にずれて時系列特徴抽出装置１に入力された場合でも、各時系列データのタイムラグを修正した上で代表元の算出と更新を行うことができる。これにより、時系列特徴抽出装置１に入力される時系列データのタイムラグで、セグメント化やクラスタ割当が変化するという不具合を防止できる。

上述した実施形態で説明した時系列特徴抽出装置１の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、時系列特徴抽出装置１の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。

また、時系列特徴抽出装置１の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線(無線通信も含む)を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 時系列特徴抽出装置、２ 係数出力部、３ セグメント位置出力部、４ クラスタ分類部、５ 代表元出力部、６ 特徴度算出部、７ 代表元更新部、８ 対象データ出力部、９ データ整列部、１０ 時系列ＤＢ、１１ 初期化部、１２ パラメータ入力部、１３ 可視化部、１４ 代表元度出力部、１５ 代表元除外出力部、１６ 代表元指定部、１７ 代表元選抜部、１８ ノイズ除去部、１９ セグメント位置修正部

Claims (15)

1. 時系列データを複数のセグメントに分類するための計算に用いる係数を出力する係数出力部と、
   前記係数に基づいて前記時系列データを前記複数のセグメントに分類する計算を行い、前記複数のセグメントの境界位置に関する情報を出力するセグメント位置出力部と、
   前記複数のセグメントを、前記複数のセグメントの数以下の複数のクラスタに分類するクラスタ分類部と、
   前記複数のクラスタのそれぞれの局所的な特徴を表し、前記複数のセグメントのそれぞれに設定される代表元を出力する代表元出力部と、
   前記代表元の特徴度を算出する特徴度算出部と、
   前記特徴度に基づいて前記代表元を更新する代表元更新部と、を備える、時系列特徴抽出装置。
2. 前記代表元出力部は、前記複数のクラスタのそれぞれごとに、予め定めた個数の前記代表元を出力する、請求項１に記載の時系列特徴抽出装置。
3. 前記複数のクラスタのうち、前記代表元出力部が前記代表元から除外するべき部分データを指定する代表元除外指定部を備え、
   前記代表元出力部は、前記複数のクラスタのそれぞれごとに、前記代表元除外指定部で指定された前記部分データ以外から前記代表元を生成する、請求項１又は２に記載の時系列特徴抽出装置。
4. 前記複数のクラスタのうち、前記代表元出力部が前記代表元に含めるべき部分データを指定する代表元指定部を備え、
   前記代表元出力部は、前記複数のクラスタのそれぞれごとに、前記代表元指定部で指定された前記部分データを含めて前記代表元を生成する、請求項１又は２に記載の時系列特徴抽出装置。
5. 前記特徴度算出部は、前記代表元が存在するセグメント内の時系列データとの類似度と、前記代表元が存在しないセグメント内の時系列データとの非類似度と、に基づいて、前記特徴度を算出する、請求項１に記載の時系列特徴抽出装置。
6. 入力される複数種類の時系列データのタイムラグに応じて、前記セグメント位置出力部から出力された前記複数のセグメントの境界位置を修正するセグメント位置修正部を備え、
   前記クラスタ分類部は、前記複数種類の時系列データのそれぞれごとに、前記セグメント位置修正部で境界位置が修正された複数のセグメントを前記複数のクラスタに分類する、請求項１乃至５のいずれか一項に記載の時系列特徴抽出装置。
7. 前記時系列データに含まれるノイズ成分を除去するノイズ除去部を備え、
   前記係数出力部は、前記ノイズ除去部でノイズ成分を除去後の時系列データに基づいて前記係数を出力する、請求項１乃至６のいずれか一項に記載の時系列特徴抽出装置。
8. 前記ノイズ除去部は、時系列データを複数のセグメントに分類するための計算に用いる式に正則化項を付加することにより、前記時系列データに含まれるノイズ成分を除去する、請求項７に記載の時系列特徴抽出装置。
9. 前記係数出力部から出力される前記係数は、時系列データを推定する回帰モデルの回帰係数を含み、
   前記セグメント位置出力部は、前記複数のクラスタのそれぞれに対応する前記回帰モデルを用いて時系列データのフィッティングを行って、前記複数のセグメントの境界位置に関する情報を出力する、請求項１乃至８のいずれか一項に記載の時系列特徴抽出装置。
10. 前記係数出力部から出力される前記係数は、時系列データを推定する相関行列の相関係数を含み、
    前記セグメント位置出力部は、前記複数のクラスタのそれぞれに対応する前記相関行列を用いて時系列データのフィッティングを行って、前記複数のセグメントの境界位置に関する情報を出力する、請求項１乃至８のいずれか一項に記載の時系列特徴抽出装置。
11. 前記係数出力部に入力される時系列データと、前記代表元出力部から出力される前記複数のクラスタのそれぞれに対応する複数の代表元とを可視化する可視化部を備える、請求項１乃至１０のいずれか一項に記載の時系列特徴抽出装置。
12. 前記可視化部は、前記係数出力部に入力される前で、かつノイズ成分を除去した後の時系列データと、前記代表元出力部から出力される前記複数のクラスタのそれぞれに対応する複数の代表元とを可視化する、請求項１１に記載の時系列特徴抽出装置。
13. 前記代表元出力部から出力された前記代表元のうち、不要な代表元を除去した残りの代表元を選抜する代表元選抜部を備え、
    前記特徴度算出部は、前記代表元選抜部で選抜された代表元の特徴度を算出する、請求項１乃至１２のいずれか一項に記載の時系列特徴抽出装置。
14. 時系列データを複数のセグメントに分類するための計算に用いる係数を出力するステップと、
    前記係数に基づいて前記時系列データを前記複数のセグメントに分類する計算を行い、前記複数のセグメントの境界位置に関する情報を出力するステップと、
    前記複数のセグメントを、前記複数のセグメントの数以下の複数のクラスタに分類するステップと、
    前記複数のクラスタのそれぞれの局所的な特徴を表し、前記複数のセグメントのそれぞれに設定される代表元を出力するステップと、
    前記代表元の特徴度を算出するステップと、
    前記特徴度に基づいて前記代表元を更新するステップと、をコンピュータに実行させる、時系列特徴抽出方法。
15. 時系列データを複数のセグメントに分類するための計算に用いる係数を出力するステップと、
    前記係数に基づいて前記時系列データを前記複数のセグメントに分類する計算を行い、前記複数のセグメントの境界位置に関する情報を出力するステップと、
    前記複数のセグメントを、前記複数のセグメントの数以下の複数のクラスタに分類するステップと、
    前記複数のクラスタのそれぞれの局所的な特徴を表し、前記複数のセグメントのそれぞれに設定される代表元を出力するステップと、
    前記代表元の特徴度を算出するステップと、
    前記特徴度に基づいて前記代表元を更新するステップと、をコンピュータに実行させるためのプログラム。

Images