JP6996360B2 - レポート作成プログラム、およびレポート作成方法 - Google Patents

レポート作成プログラム、およびレポート作成方法 Download PDF

Info

Publication number
JP6996360B2
JP6996360B2 JP2018043580A JP2018043580A JP6996360B2 JP 6996360 B2 JP6996360 B2 JP 6996360B2 JP 2018043580 A JP2018043580 A JP 2018043580A JP 2018043580 A JP2018043580 A JP 2018043580A JP 6996360 B2 JP6996360 B2 JP 6996360B2
Authority
JP
Japan
Prior art keywords
series data
time
feature amount
data group
report
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.)
Active
Application number
JP2018043580A
Other languages
English (en)
Other versions
JP2019159610A (ja
Inventor
悠司 齋藤
哲哉 内海
幸洋 渡辺
玲子 近藤
和宏 鈴木
正洋 麻岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2018043580A priority Critical patent/JP6996360B2/ja
Priority to US16/291,035 priority patent/US10719242B2/en
Publication of JP2019159610A publication Critical patent/JP2019159610A/ja
Application granted granted Critical
Publication of JP6996360B2 publication Critical patent/JP6996360B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3034—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a storage system, e.g. DASD based or network based
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3082—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved by aggregating or compressing the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/061—Improving I/O performance
    • G06F3/0613—Improving I/O performance in relation to throughput
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0629—Configuration or reconfiguration of storage systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • G06F3/0674—Disk device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、レポート作成プログラム、およびレポート作成方法に関する。
従来、時系列データ群に対してレポートを作成することが望まれる場合がある。例えば、インフラストラクチャー機器におけるリードＩＯＰＳ（Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｐｅｒ Ｓｅｃｏｎｄ）やライトＩＯＰＳなどの時間変化を表す性能ログを収集し、性能ログがどのような特徴を表しているかを記載したレポートを作成することが望まれる。
先行技術としては、例えば、対象データを表現する対象キーワードを特定し、対象キーワードのカテゴリに基づいて対象データの表現に用いる対象テンプレートを選択し、対象データを表現する対象テキストを生成するものがある。また、例えば、新たな試験に対応する動作データをエンジンタイプに固有の性能モデルに入力し、性能モデルの出力を電子的に解析し、解析された出力に基づいてエンジンのエンジン健康状態の少なくとも１つのサマリーレポートを電子的に生成する技術がある。
特開２０１６－９１０７８号公報 特開２０１７－１４６２９９号公報
しかしながら、従来技術では、時系列データ群全体としての特徴を表すレポートを作成することが難しい。例えば、時系列データ群のうち、相対的に重要度が高い時系列データと、相対的に重要度が低い時系列データとを同列に扱ってコメントを付けたレポートが作成され、時系列データ群全体としてどの部分が特徴的なのかが分かりにくいレポートになることがある。
１つの側面では、本発明は、時系列データ群全体としての特徴を表すレポートを作成しやすくすることを目的とする。
１つの実施態様によれば、時系列データ群に含まれる時系列データごとに個別特徴量を算出し、算出した前記個別特徴量を統計処理し、受け付けた前記時系列データ群の全体特徴量を算出し、１以上の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて生成された、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力するレポート作成プログラム、およびレポート作成方法が提案される。
一態様によれば、時系列データ群全体としての特徴を表すレポートを作成しやすくすることが可能になる。
図１は、実施の形態にかかるレポート作成方法の一実施例を示す説明図である。 図２は、レポート作成システム２００の一例を示す説明図である。 図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。 図４は、時系列データテーブル４００の記憶内容の一例を示す説明図である。 図５は、個別特徴量テーブル５００の記憶内容の一例を示す説明図である。 図６は、全体特徴量テーブル６００の記憶内容の一例を示す説明図である。 図７は、出現フラグテーブル７００の記憶内容の一例を示す説明図である。 図８は、着目度テーブル８００の記憶内容の一例を示す説明図である。 図９は、コメント分類テーブル９００の記憶内容の一例を示す説明図である。 図１０は、学習モデルテーブル１０００の記憶内容の一例を示す説明図である。 図１１は、各種データの関係性を示す説明図である。 図１２は、クライアント装置２０１のハードウェア構成例を示すブロック図である。 図１３は、情報処理装置１００の機能的構成例を示すブロック図である。 図１４は、情報処理装置１００の具体的な機能的構成例を示すブロック図である。 図１５は、情報処理装置１００の動作の流れを示す説明図である。 図１６は、コメントを分類する一例を示す説明図（その１）である。 図１７は、コメントを分類する一例を示す説明図（その２）である。 図１８は、個別特徴量を算出する一例を示す説明図である。 図１９は、個別特徴量の算出方法の一例を示す説明図である。 図２０は、算出方法の具体例を示す説明図（その１）である。 図２１は、算出方法の具体例を示す説明図（その２）である。 図２２は、算出方法の具体例を示す説明図（その３）である。 図２３は、学習用の時系列データ群の全体特徴量を算出する一例を示す説明図である。 図２４は、学習用の時系列データ群についての特徴を示す説明図である。 図２５は、学習モデルを作成する一例を示す説明図（その１）である。 図２６は、学習モデルを作成する一例を示す説明図（その２）である。 図２７は、学習用の時系列データ群と学習モデル２５１０との関係を示す説明図である。 図２８は、対象の時系列データ群の全体特徴量を算出する一例を示す説明図である。 図２９は、対象の時系列データ群について着目度を算出する一例を示す説明図（その１）である。 図３０は、対象の時系列データ群について着目度を算出する一例を示す説明図（その２）である。 図３１は、レポートに記載するコメントの種類を選択する一例を示す説明図である。 図３２は、レポートに記載するコメントを生成する一例を示す説明図である。 図３３は、出力結果の具体例を示す説明図である。 図３４は、学習モデル作成処理手順の一例を示すフローチャートである。 図３５は、レポート作成処理手順の一例を示すフローチャートである。
以下に、図面を参照して、本発明にかかるレポート作成プログラム、およびレポート作成方法の実施の形態を詳細に説明する。
（実施の形態にかかるレポート作成方法の一実施例）
図１は、実施の形態にかかるレポート作成方法の一実施例を示す説明図である。情報処理装置１００は、時系列データ群を受け付けるコンピュータである。時系列データ群は、例えば、同一の属性を有する複数の時系列データを含む。属性は、例えば、時系列データに含まれる各データが取得または計測された時間帯である。
ここで、時系列データ群に対してレポートを作成するサービスが考えられる。例えば、インフラストラクチャー機器におけるリードＩＯＰＳやライトＩＯＰＳなどの時間変化を表す時系列データを含む時系列データ群に対してレポートを作成し、インフラストラクチャー機器の運用上の問題点を把握可能にするサービスが考えられる。
これに対し、時系列データ群に含まれる時系列データごとにコメントを作成し、時系列データごとのコメントを記載したレポートを作成する技術が考えられる。例えば、時系列データごとに特徴量を算出し、時系列データごとに算出した特徴量に対応するコメントを作成する技術が考えられる。
しかしながら、時系列データ群に対してレポートを作成する際、時系列データ群全体としての特徴を表すレポートを作成することが好ましい場合がある。例えば、時系列データ間の関係性、または、時系列データの重要度などを考慮したコメントを記載したレポートを作成することが好ましい場合がある。具体的には、いずれかの時系列データが他の時系列データと比べてデータ変動が大きいというコメントを記載することが好ましい場合がある。また、具体的には、比較的特徴が少ない時系列データのコメントを記載せず、瞬間的なデータ変動がある時系列データのコメントを記載することが好ましい場合がある。
この場合、上記技術では、時系列データ群に含まれる時系列データごとの特徴を表すレポートを作成することになり、時系列データ間の関係性、または、時系列データの重要度などを考慮しないレポートが作成されることになる。例えば、相対的に重要度が高いと判断される時系列データと、相対的に重要度が低いと判断される時系列データとを同列に扱ってコメントを付けたレポートが作成され、時系列データ群全体として、どの部分が特徴的なのかが分かりにくくなることがある。結果として、いずれの時系列データの重要度が比較的高く、いずれの時系列データを確認することが好ましいかを把握することが難しくなる。また、時系列データ間の関係を把握することが難しくなる。
そこで、本実施の形態では、時系列データごとの個別特徴量を統計処理して時系列データ群の全体特徴量を算出し、全体特徴量に対応するレポートに関する情報を出力することにより、レポート作成を支援することができるレポート作成方法について説明する。
図１において、情報処理装置１００は、全体特徴量とレポートの内容との関係性を表す学習モデル１１０を記憶する。全体特徴量は、時系列データ群について算出される特徴量である。学習モデル１１０は、例えば、１以上の時系列データ群１２０と当該時系列データ群１２０に対するレポート１２１の内容とに基づいて生成される。学習モデル１１０は、木構造モデルや数式モデルである。時系列データ群１２０は、学習用である。
情報処理装置１００は、時系列データ群１３０に含まれる時系列データごとに個別特徴量を算出する。時系列データ群１３０は、レポート作成を支援する対象である。情報処理装置１００は、算出した個別特徴量を統計処理し、受け付けた時系列データ群１３０の全体特徴量を算出する。全体特徴量は、例えば、個別特徴量の統計値である。統計値は、例えば、最大値、最小値、平均値、最頻値、中央値などである。
情報処理装置１００は、学習モデル１１０を参照し、算出した全体特徴量に対応するレポートの内容に関する情報１４０を出力する。レポートの内容に関する情報１４０は、例えば、レポートに記載するコメントの作成指標である。レポートの内容に関する情報は、例えば、レポートの内容自体であってもよい。
これにより、情報処理装置１００は、時系列データ群１３０全体としての特徴を表すレポートを作成しやすくすることができる。このため、情報処理装置１００は、例えば、時系列データ群１３０全体として、どの部分が特徴的なのかを把握しやすくすることができる。また、情報処理装置１００は、例えば、いずれの時系列データの重要度が比較的高く、いずれの時系列データを確認することが好ましいかを把握しやすくすることができ、時系列データ間の関係を把握しやすくすることができる。そして、情報処理装置１００は、時系列データ群１３０全体としての特徴を表すレポートを作成する作業負担の低減化を図ることができる。
（レポート作成システム２００の一例）
次に、図２を用いて、図１に示した情報処理装置１００を適用した、レポート作成システム２００の一例について説明する。
図２は、レポート作成システム２００の一例を示す説明図である。図２において、レポート作成システム２００は、情報処理装置１００と、クライアント装置２０１とを含む。
レポート作成システム２００において、情報処理装置１００とクライアント装置２０１は、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどである。
情報処理装置１００は、全体特徴量とレポートの内容との関係性を表す学習モデルを記憶する。情報処理装置１００は、例えば、学習用の時系列データ群とレポートとの組み合わせを複数受け付け、受け付けた学習用の時系列データ群とレポートとの組み合わせに基づいて、学習モデルを作成して記憶する。情報処理装置１００は、具体的には、利用者の操作入力に基づき、学習用の時系列データ群とレポートとの組み合わせを受け付ける。
情報処理装置１００は、対象の時系列データ群を受け付ける。情報処理装置１００は、例えば、対象の時系列データ群をクライアント装置２０１から受信する。情報処理装置１００は、対象の時系列データ群に含まれる時系列データごとに個別特徴量を算出し、算出した個別特徴量を統計処理して対象の時系列データ群の全体特徴量を算出する。
情報処理装置１００は、学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力する。情報処理装置１００は、例えば、レポートの内容に関する情報をクライアント装置２０１に送信する。情報処理装置１００は、例えば、サーバ、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。
クライアント装置２０１は、時系列データ群を取得するコンピュータである。クライアント装置２０１は、例えば、利用者の操作入力に基づいて時系列データ群を取得する。クライアント装置２０１は、取得した時系列データ群を情報処理装置１００に送信する。クライアント装置２０１は、情報処理装置１００から時系列データ群に対応するレポートに関する情報を受信して出力する。クライアント装置２０１は、例えば、サーバ、ＰＣ、タブレット端末、スマートフォンなどである。
ここでは、情報処理装置１００が、クライアント装置２０１とは異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置１００が、クライアント装置２０１と一体である場合があってもよい。この場合、例えば、情報処理装置１００は、利用者の操作入力に基づき、対象の時系列データ群を受け付ける。
ここでは、情報処理装置１００が、学習モデルを作成し、かつ、学習モデルを参照してレポートの内容に関する情報を出力する場合について説明したが、これに限らない。例えば、学習モデルを作成する情報処理装置１００と、学習モデルを参照してレポートの内容に関する情報を出力する情報処理装置１００とが異なる装置であり、協働する場合があってもよい。
（情報処理装置１００のハードウェア構成例）
次に、図３を用いて、情報処理装置１００のハードウェア構成例について説明する。
図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。図３において、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、記録媒体Ｉ／Ｆ３０４と、記録媒体３０５とを有する。また、各構成部は、バス３００によってそれぞれ接続される。
ここで、ＣＰＵ３０１は、情報処理装置１００の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることで、コーディングされている処理をＣＰＵ３０１に実行させる。メモリ３０２は、例えば、図４～図１０に後述する各種テーブルを記憶する。
ネットワークＩ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ３０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ３０３には、例えば、モデムやＬＡＮアダプタなどを採用することができる。
記録媒体Ｉ／Ｆ３０４は、ＣＰＵ３０１の制御に従って記録媒体３０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ３０４は、例えば、ディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポートなどである。記録媒体３０５は、記録媒体Ｉ／Ｆ３０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体３０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体３０５は、情報処理装置１００から着脱可能であってもよい。記録媒体３０５は、例えば、図４～図１０に後述する各種テーブルを記憶してもよい。
情報処理装置１００は、上述した構成部のほか、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を複数有していてもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を有していなくてもよい。
（時系列データテーブル４００の記憶内容）
次に、図４を用いて、時系列データテーブル４００の記憶内容の一例について説明する。時系列データテーブル４００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図４は、時系列データテーブル４００の記憶内容の一例を示す説明図である。図４に示すように、時系列データテーブル４００は、データ群ＩＤと、データＩＤと、時刻と、内容とのフィールドを有する。時系列データテーブル４００は、データごとに各フィールドに情報を設定することにより、時系列データが記憶される。
データ群ＩＤのフィールドには、時系列データ群を識別するデータ群ＩＤが設定される。データＩＤのフィールドには、時系列データ群に含まれる時系列データを識別するデータＩＤが設定される。時刻のフィールドには、時系列データに含まれるデータが取得された時刻が設定される。内容のフィールドには、時系列データに含まれるデータの内容が設定される。図４の例では、内容は、ストレージＩＯである。
（個別特徴量テーブル５００の記憶内容）
次に、図５を用いて、個別特徴量テーブル５００の記憶内容の一例について説明する。個別特徴量テーブル５００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図５は、個別特徴量テーブル５００の記憶内容の一例を示す説明図である。図５に示すように、個別特徴量テーブル５００は、データ群ＩＤと、データＩＤと、個別特徴量のフィールドを有する。個別特徴量テーブル５００は、時系列データごとに各フィールドに情報を設定することにより、個別特徴量情報がレコードとして記憶される。
データ群ＩＤのフィールドには、時系列データ群を識別するデータ群ＩＤが設定される。データＩＤのフィールドには、時系列データ群に含まれる時系列データを識別するデータＩＤが設定される。個別特徴量のフィールドには、時系列データから算出される個別特徴量が設定される。図５の例では、個別特徴量は、ｖａｒやｓｐｉｋｅである。ｖａｒは、データ変動の大きさを示す特徴量であり、変動度である。ｓｐｉｋｅは、瞬間的なデータ変動の大きさを示す特徴量であり、スパイク度である。
（全体特徴量テーブル６００の記憶内容）
次に、図６を用いて、全体特徴量テーブル６００の記憶内容の一例について説明する。全体特徴量テーブル６００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図６は、全体特徴量テーブル６００の記憶内容の一例を示す説明図である。図６に示すように、全体特徴量テーブル６００は、データ群ＩＤと、全体特徴量とのフィールドを有する。全体特徴量テーブル６００は、時系列データ群ごとに各フィールドに情報を設定することにより、全体特徴量情報がレコードとして記憶される。
データ群ＩＤのフィールドには、時系列データ群を識別するデータ群ＩＤが設定される。全体特徴量のフィールドには、時系列データごとの個別特徴量から算出される時系列データ群の全体特徴量が設定される。図６の例では、全体特徴量は、ｖａｒ最大値、ｖａｒ最小値、ｓｐｉｋｅ最大値、ｓｐｉｋｅ最小値などである。
（出現フラグテーブル７００の記憶内容）
次に、図７を用いて、出現フラグテーブル７００の記憶内容の一例について説明する。出現フラグテーブル７００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図７は、出現フラグテーブル７００の記憶内容の一例を示す説明図である。図７に示すように、出現フラグテーブル７００は、データ群ＩＤと、コメントの種類ごとの出現フラグとのフィールドを有する。出現フラグテーブル７００は、コメントの種類ごとに各フィールドに情報を設定することにより、出現フラグ情報がレコードとして記憶される。
データ群ＩＤのフィールドには、時系列データ群を識別するデータ群ＩＤが設定される。コメントの種類ごとの出現フラグのフィールドには、時系列データ群に対応するレポートに、所定の種類のコメントが出現するか否かを示すフラグ情報が設定される。フラグ情報は、０であれば出現しないことを表し、１であれば出現することを表す。図７の例では、コメントの種類は、全体の最大値・平均値、瞬間的な高負荷、連続的な高負荷、変動小、負荷小などである。
（着目度テーブル８００の記憶内容）
次に、図８を用いて、着目度テーブル８００の記憶内容の一例について説明する。着目度テーブル８００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図８は、着目度テーブル８００の記憶内容の一例を示す説明図である。図８に示すように、着目度テーブル８００は、データ群ＩＤと、コメントの種類ごとの着目度とのフィールドを有する。着目度テーブル８００は、コメントの種類ごとに各フィールドに情報を設定することにより、着目度情報がレコードとして記憶される。
データ群ＩＤのフィールドには、時系列データ群を識別するデータ群ＩＤが設定される。コメント種類ごとの着目度のフィールドには、時系列データ群に対応するレポートの作成指標として、レポートに所定の種類のコメントを含むことが好ましいか否かを示す指標値である着目度が設定される。図８の例では、コメントの種類は、全体の最大値・平均値、瞬間的な高負荷、連続的な高負荷、変動小、負荷小などである。
（コメント分類テーブル９００の記憶内容）
次に、図９を用いて、コメント分類テーブル９００の記憶内容の一例について説明する。コメント分類テーブル９００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図９は、コメント分類テーブル９００の記憶内容の一例を示す説明図である。図９に示すように、コメント分類テーブル９００は、分類と、コメントとのフィールドを有する。コメント分類テーブル９００は、コメントの種類ごとに各フィールドに情報を設定することにより、コメント分類情報がレコードとして記憶される。
分類のフィールドには、コメントを分類した種類が設定される。コメントのフィールドには、所定の種類のコメントの雛型が設定される。例えば、全体の最大値・平均値のコメントの雛型は「最大値は＜値１＞、平均値は＜値２＞です。」である。値１や値２は代入可能である。
（学習モデルテーブル１０００の記憶内容）
次に、図１０を用いて、学習モデルテーブル１０００の記憶内容の一例について説明する。学習モデルテーブル１０００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。
図１０は、学習モデルテーブル１０００の記憶内容の一例を示す説明図である。図１０に示すように、学習モデルテーブル１０００は、ノードＩＤと、親ノードＩＤと、親ノードＴｒｕｅ／Ｆａｌｓｅと、特徴量と、閾値と、Ｔｒｕｅ時の着目度と、Ｆａｌｓｅ時の着目度とのフィールドを有する。学習モデルテーブル１０００は、ノードごとに各フィールドに情報を設定することにより、学習モデル情報がレコードとして記憶される。
ノードＩＤのフィールドには、学習モデルに含まれるノードを識別するノードＩＤが設定される。親ノードＩＤのフィールドには、所定のノードにとっての親ノードを識別するノードＩＤが設定される。親ノードＴｒｕｅ／Ｆａｌｓｅのフィールドには、所定のノードが、親ノードのＴｒｕｅ側の子ノードであるか、Ｆａｌｓｅ側の子ノードであるかを示すフラグ情報が設定される。
特徴量のフィールドには、所定のノードが示す判定条件に用いられる特徴量の種類が設定される。閾値のフィールドには、所定のノードが示す判定条件に用いられる閾値が設定される。Ｔｒｕｅ時の着目度のフィールドには、特徴量が閾値以上であるＴｒｕｅ時に、Ｔｒｕｅ側が葉ノードである場合の、葉ノードが示す着目度が設定される。Ｆａｌｓｅ時の着目度のフィールドには、特徴量が閾値未満であるＦａｌｓｅ時に、Ｆａｌｓｅ側が葉ノードである場合の、葉ノードが示す着目度が設定される。
（各種データの関係性）
図１１は、各種データの関係性を示す説明図である。
図１１に示すように、時系列データ群１１０１と時系列データ１１０２とは１：ｎで対応する。時系列データ１１０２と時刻のデータの内容１１０３とは１：ｎで対応する。時系列データ１１０２と個別特徴量１１０４とは１：１で対応する。個別特徴量１１０４と全体特徴量１１０５とはｎ：１で対応し、時系列データ群１１０１と全体特徴量１１０５とは１：１で対応する。全体特徴量１１０５と出現フラグ情報１１０６とは１：１で対応し、全体特徴量１１０５と着目度情報１１０７とは１：１で対応する。
（クライアント装置２０１のハードウェア構成例）
次に、図１２を用いて、図２に示したレポート作成システム２００に含まれるクライアント装置２０１のハードウェア構成例について説明する。
図１２は、クライアント装置２０１のハードウェア構成例を示すブロック図である。図１２において、クライアント装置２０１は、ＣＰＵ１２０１と、メモリ１２０２と、ネットワークＩ／Ｆ１２０３と、記録媒体Ｉ／Ｆ１２０４と、記録媒体１２０５と、ディスプレイ１２０６と、入力装置１２０７とを有する。また、各構成部は、バス１２００によってそれぞれ接続される。
ここで、ＣＰＵ１２０１は、クライアント装置２０１の全体の制御を司る。メモリ１２０２は、例えば、ＲＯＭ、ＲＡＭおよびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ１２０１のワークエリアとして使用される。メモリ１２０２に記憶されるプログラムは、ＣＰＵ１２０１にロードされることで、コーディングされている処理をＣＰＵ１２０１に実行させる。
ネットワークＩ／Ｆ１２０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ１２０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ１２０３には、例えば、モデムやＬＡＮアダプタなどを採用することができる。
記録媒体Ｉ／Ｆ１２０４は、ＣＰＵ１２０１の制御に従って記録媒体１２０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ１２０４は、例えば、ディスクドライブ、ＳＳＤ、ＵＳＢポートなどである。記録媒体１２０５は、記録媒体Ｉ／Ｆ１２０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体１２０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体１２０５は、クライアント装置２０１から着脱可能であってもよい。
ディスプレイ１２０６は、カーソル、アイコンあるいはツールボックスをはじめ、文書、画像、機能情報などのデータを表示する。ディスプレイ１２０６は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、液晶ディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイなどを採用することができる。入力装置１２０７は、文字、数字、各種指示などの入力のためのキーを有し、データの入力を行う。入力装置１２０７は、キーボードやマウスなどであってもよく、また、タッチパネル式の入力パッドやテンキーなどであってもよい。
クライアント装置２０１は、上述した構成部のほか、例えば、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、クライアント装置２０１は、記録媒体Ｉ／Ｆ１２０４や記録媒体１２０５を複数有していてもよい。また、クライアント装置２０１は、記録媒体Ｉ／Ｆ１２０４や記録媒体１２０５を有していなくてもよい。
（情報処理装置１００の機能的構成例）
次に、図１３を用いて、情報処理装置１００の機能的構成例について説明する。
図１３は、情報処理装置１００の機能的構成例を示すブロック図である。情報処理装置１００は、記憶部１３００と、取得部１３０１と、算出部１３０２と、生成部１３０３と、出力部１３０４とを含む。
記憶部１３００は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域によって実現される。以下では、記憶部１３００が、情報処理装置１００に含まれる場合について説明するが、これに限らない。例えば、記憶部１３００が、情報処理装置１００とは異なる装置に含まれ、記憶部１３００の記憶内容が情報処理装置１００から参照可能である場合があってもよい。
取得部１３０１～出力部１３０４は、制御部の一例として機能する。取得部１３０１～出力部１３０４は、具体的には、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ネットワークＩ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶される。
記憶部１３００は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部１３００は、例えば、学習モデルを記憶する。学習モデルは、全体特徴量とレポートの内容との関係性を表すモデルである。学習モデルは、例えば、コメントの種類ごとに、全体特徴量とレポートでの当該種類のコメントの出現頻度を示す指標値との関係性を表す。学習モデルは、具体的には、木構造モデルや数式モデルである。レポートは、例えば、少なくとも１以上の時系列データについてのコメントを含む。
記憶部１３００は、学習用の時系列データ群とレポートとの組み合わせを記憶してもよい。記憶部１３００は、対象の時系列データ群を記憶してもよい。時系列データ群は、同一の属性を有する複数の時系列データである。属性は、例えば、時系列データに含まれる各データが取得または計測された時間帯である。記憶部１３００は、機械学習手法を記憶してもよい。機械学習手法は、学習モデルを作成する手法である。
記憶部１３００は、時系列データ群に含まれる時系列データごとの個別特徴量を記憶してもよい。個別特徴量は、時系列データのデータ変動の大きさを表す特徴量である。記憶部１３００は、時系列データ群の全体特徴量を記憶してもよい。全体特徴量は、個別特徴量の統計値である。統計値は、例えば、最小値、最大値、平均値、最頻値、中央値などである。記憶部１３００は、具体的には、図４～図１０に後述する各種テーブルを記憶してもよい。これにより、記憶部１３００は、各種情報を各機能部に利用可能にすることができる。
取得部１３０１は、各機能部の処理に用いられる各種情報を取得し、各機能部に出力する。取得部１３０１は、例えば、各機能部の処理に用いられる各種情報を記憶部１３００から取得してもよい。取得部１３０１は、例えば、各機能部の処理に用いられる各種情報を、情報処理装置１００とは異なる装置から取得してもよい。取得部１３０１は、例えば、各機能部の処理に用いられる各種情報を、情報処理装置１００とは異なる装置から取得し、記憶部１３００に記憶しておいてもよい。
取得部１３０１は、具体的には、利用者の操作入力に基づき、学習用の時系列データ群を受け付け、または、対象の時系列データ群を受け付け、算出部１３０２に出力してもよい。取得部１３０１は、具体的には、クライアント装置２０１から、学習用の時系列データ群を受信し、または、対象の時系列データ群を受信し、算出部１３０２に出力してもよい。これにより、取得部１３０１は、各種情報を各機能部に利用可能にすることができる。
＜学習モデルを作成する際の動作＞
まず、取得部１３０１が学習用の時系列データ群を取得したことに応じて、学習モデルを作成する際の、算出部１３０２～生成部１３０３の動作について説明する。算出部１３０２～生成部１３０３は、記憶部１３００に学習モデルが記憶済みであれば、学習モデルを作成する際の動作を行わない場合があってもよい。
算出部１３０２は、時系列データ群に含まれる時系列データごとに個別特徴量を算出する。個別特徴量は、例えば、ｖａｒやｓｐｉｋｅである。算出部１３０２は、例えば、１以上の学習用の時系列データ群のそれぞれの時系列データ群について、当該時系列データ群に含まれる時系列データごとに、１以上の種類の個別特徴量を算出する。個別特徴量を算出する具体例は、例えば、図１８～図２２を用いて後述する。
算出部１３０２は、算出した個別特徴量を統計処理し、時系列データ群の全体特徴量を算出する。全体特徴量は、例えば、ｖａｒ最大値、ｖａｒ最小値、ｓｐｉｋｅ最大値、ｓｐｉｋｅ最小値である。算出部１３０２は、例えば、１以上の学習用の時系列データ群のそれぞれの時系列データ群について、種類ごとの個別特徴量を統計処理し、１以上の種類の全体特徴量を算出する。個別特徴量の種類と、全体特徴量の種類とは１：１でなくてもよい。全体特徴量を算出する具体例は、例えば、図２３を用いて後述する。これにより、算出部１３０２は、学習モデルの生成に用いられる情報を、生成部１３０３に提供することができる。
生成部１３０３は、学習モデルを作成する。生成部１３０３は、例えば、１以上の学習用の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて、学習モデルを作成する。生成部１３０３は、具体的には、機械学習手法を用いて、コメントの種類ごとに、全体特徴量とレポートでの当該種類のコメントの出現頻度を示す指標値を算出し、学習モデルを作成する。学習モデルを作成する具体例は、例えば、図２５および図２６を用いて後述する。これにより、生成部１３０３は、学習モデルを利用可能にすることができる。
＜レポートの作成を支援する際の動作＞
次に、取得部１３０１が対象の時系列データ群を取得したことに応じて、レポートの作成を支援する際の、算出部１３０２～生成部１３０３の動作について説明する。
算出部１３０２は、時系列データ群に含まれる時系列データごとに個別特徴量を算出する。個別特徴量は、例えば、ｖａｒやｓｐｉｋｅである。算出部１３０２は、例えば、対象の時系列データ群に含まれる時系列データごとに、１以上の種類の個別特徴量を算出する。個別特徴量を算出する具体例は、例えば、図１８～図２２および図２８を用いて後述する。
算出部１３０２は、算出した個別特徴量を統計処理し、時系列データ群の全体特徴量を算出する。全体特徴量は、例えば、ｖａｒ最大値、ｖａｒ最小値、ｓｐｉｋｅ最大値、ｓｐｉｋｅ最小値である。算出部１３０２は、例えば、対象の時系列データ群について、種類ごとの個別特徴量を統計処理し、１以上の種類の全体特徴量を算出する。個別特徴量の種類と、全体特徴量の種類とは１：１でなくてもよい。全体特徴量を算出する具体例は、例えば、図２３および図２８を用いて後述する。これにより、算出部１３０２は、学習モデルに入力する情報を、生成部１３０３に提供することができる。
生成部１３０３は、学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を生成する。生成部１３０３は、例えば、学習モデルを参照し、コメントの種類ごとに、算出した全体特徴量に対応する指標値を生成する。指標値を生成する具体例は、例えば、図２９および図３０を用いて後述する。これにより、生成部１３０３は、レポートの作成を支援することができる。
生成部１３０３は、例えば、学習モデルを参照し、コメントの種類ごとの、算出した全体特徴量に対応する指標値に基づいて、受け付けた時系列データ群に含まれる少なくとも１以上の時系列データについてのコメントを生成してもよい。コメントを生成する具体例は、例えば、図３１および図３２を用いて後述する。これにより、生成部１３０３は、レポートの作成を支援することができる。
生成部１３０３は、例えば、算出した個別特徴量、または、算出した個別特徴量以外の時系列データ群に含まれる時系列データごとの特徴量に基づいて、受け付けた時系列データ群のうち、コメントを生成する１以上の時系列データを選択してもよい。生成部１３０３は、具体的には、指標値が最大になる種類のコメントに用いられる個別特徴量の算出元である時系列データを、コメントを生成する時系列データとして選択してもよい。
生成部１３０３は、具体的には、指標値として用いていない、各時系列データにおける最大値を参照し、最大値が最も大きい時系列データを、コメントを生成する時系列データとして選択してもよい。これにより、生成部１３０３は、重要度が比較的高い時系列データについてコメントを生成することができ、時系列データの重要度を考慮したコメントを記載したレポートを作成しやすくすることができる。また、生成部１３０３は、処理量の低減化を図ることができる。
出力部１３０４は、各種情報を出力する。出力形式は、例えば、ディスプレイへの表示、プリンタへの印刷出力、ネットワークＩ／Ｆ３０３による外部装置への送信、または、メモリ３０２や記録媒体３０５などの記憶領域への記憶である。
出力部１３０４は、例えば、生成部１３０３が生成した学習モデルを出力してもよい。出力部１３０４は、具体的には、生成部１３０３が生成した学習モデルを、記憶部１３００に記憶する。これにより、出力部１３０４は、レポートの作成を支援することができる。これにより、出力部１３０４は、学習モデルを利用可能にすることができる。
出力部１３０４は、例えば、生成部１３０３が生成したレポートの内容に関する情報を出力してもよい。出力部１３０４は、具体的には、生成部１３０３が生成したレポートの内容に関する情報を、クライアント装置２０１のディスプレイに表示させる。これにより、出力部１３０４は、レポートの作成を支援することができる。
出力部１３０４は、例えば、各機能部の処理結果を出力してもよい。これにより、出力部１３０４は、各機能部の処理結果を利用者に通知可能にし、情報処理装置１００の管理や運用、例えば、情報処理装置１００の設定値の更新などを支援することができ、情報処理装置１００の利便性の向上を図ることができる。
（情報処理装置１００の具体的な機能的構成例）
次に、図１４を用いて、情報処理装置１００の具体的な機能的構成例について説明する。
図１４は、情報処理装置１００の具体的な機能的構成例を示すブロック図である。情報処理装置１００は、個別特徴量抽出処理部１４０１と、全体特徴量抽出処理部１４０２と、学習モデル作成処理部１４０３と、着目度出力処理部１４０４とを含む。
個別特徴量抽出処理部１４０１は、１以上の学習用の時系列データ群１４１０の入力を受け付ける。１以上の学習用の時系列データ群１４１０は、例えば、時系列データテーブル４００に記憶される。個別特徴量抽出処理部１４０１は、１以上の学習用の時系列データ群１４１０が入力されると、学習用の時系列データ群１４１０に含まれる時系列データごとの個別特徴量を算出し、学習用の時系列データ群１４１０ごとの個別特徴量群１４２０を出力する。学習用の時系列データ群１４１０ごとの個別特徴量群１４２０は、例えば、個別特徴量テーブル５００に記憶される。
全体特徴量抽出処理部１４０２は、学習用の時系列データ群１４１０ごとの個別特徴量群１４２０の入力を受け付ける。全体特徴量抽出処理部１４０２は、学習用の時系列データ群１４１０ごとの個別特徴量群１４２０が入力されると、学習用の時系列データ群１４１０ごとの全体特徴量１４３０を算出して出力する。学習用の時系列データ群１４１０ごとの全体特徴量１４３０は、例えば、全体特徴量テーブル６００を用いて記憶される。
学習モデル作成処理部１４０３は、学習用の時系列データ群１４１０ごとの全体特徴量１４３０と、コメントの種類ごとの出現フラグ１４４０との入力を受け付ける。コメントの種類ごとの出現フラグ１４４０は、例えば、出現フラグテーブル７００を用いて記憶される。学習モデル作成処理部１４０３は、機械学習手法に、説明変数として学習用の時系列データ群１４１０ごとの全体特徴量１４３０を入力し、目的変数としてコメントの種類ごとの出現フラグ１４４０を入力し、学習モデル１４５０を作成する。学習モデル１４５０は、例えば、学習モデルテーブル１０００を用いて記憶される。
着目度出力処理部１４０４は、対象の時系列データ群１４６０の入力を受け付ける。対象の時系列データ群１４６０は、例えば、時系列データテーブル４００に記憶される。着目度出力処理部１４０４は、対象の時系列データ群１４６０が入力されると、個別特徴量抽出処理部１４０１を呼び出し、対象の時系列データ群１４６０に含まれる時系列データごとの個別特徴量群を算出させる。対象の時系列データ群１４６０に含まれる時系列データごとの個別特徴量群は、例えば、個別特徴量テーブル５００に記憶される。
着目度出力処理部１４０４は、対象の時系列データ群１４６０に含まれる時系列データごとの個別特徴量の入力を受け付ける。着目度出力処理部１４０４は、全体特徴量抽出処理部１４０２を呼び出し、対象の時系列データ群１４６０に含まれる時系列データごとの個別特徴量に基づいて、対象の時系列データ群１４６０の全体特徴量を算出させる。対象の時系列データ群１４６０の全体特徴量は、例えば、全体特徴量テーブル６００を用いて記憶される。
着目度出力処理部１４０４は、対象の時系列データ群１４６０の全体特徴量の入力を受け付ける。着目度出力処理部１４０４は、学習モデル１４５０に、対象の時系列データ群１４６０の全体特徴量を入力し、コメントの種類ごとの着目度１４７０を算出して出力する。着目度１４７０は、対象の時系列データ群１４６０に対応するレポートの作成指標として、レポートに所定の種類のコメントを含むことが好ましいか否かを示す指標値である。着目度１４７０は、例えば、着目度テーブル８００を用いて記憶される。
着目度出力処理部１４０４は、さらに、コメントの種類ごとの着目度１４７０に基づいて、レポートを作成してもよい。これにより、情報処理装置１００は、対象の時系列データ群１４６０全体としての特徴を表すレポートを作成しやすくすることができる。そして、情報処理装置１００は、対象の時系列データ群１４６０全体としての特徴を表すレポートを作成する作業負担の低減化を図ることができる。
（情報処理装置１００の動作の流れ）
次に、図１５を用いて、情報処理装置１００の動作の流れについて説明する。
図１５は、情報処理装置１００の動作の流れを示す説明図である。図１５において、情報処理装置１００は、学習モデルを作成する学習フェーズと、レポートの作成を支援する着目度算出フェーズとにおいて動作する。まず、学習フェーズにおける動作について説明する。
＜学習フェーズ＞
（１５－１）情報処理装置１００は、文書解析技術を用いて、１以上の学習用の時系列データ群１５００にそれぞれ対応するレポートに記載されたコメント１５１０を分類し、コメント１５１０の種類を特定する。コメント１５１０の種類は、例えば、全体の最大値・平均値、瞬間的な高負荷、連続的な高負荷、変動小、負荷小、負荷が非常に少ないなどである。情報処理装置１００は、利用者の操作入力に基づき、コメント１５１０の種類を特定してもよい。また、情報処理装置１００は、コメント１５１０の種類ごとに、学習用の時系列データ群１５００に対応するレポートに出現するか否かを示すフラグ情報を生成する。
（１５－２）情報処理装置１００は、１以上の学習用の時系列データ群１５００のそれぞれの時系列データ群１５００について、当該時系列データ群１５００に含まれる時系列データごとに、個別特徴量を算出する。個別特徴量は、ｖａｒやｓｐｉｋｅである。ｖａｒは、データ変動の大きさを示す特徴量であり、変動度である。ｓｐｉｋｅは、瞬間的なデータ変動の大きさを示す特徴量であり、スパイク度である。
（１５－３）情報処理装置１００は、１以上の学習用の時系列データ群１５００のそれぞれの時系列データ群１５００について、当該時系列データ群１５００に含まれる時系列データごとに算出した個別特徴量に基づいて全体特徴量を算出する。全体特徴量は、例えば、ｖａｒ最大値、ｖａｒ最小値、ｓｐｉｋｅ最大値、ｓｐｉｋｅ最小値である。
（１５－４）情報処理装置１００は、機械学習手法に、説明変数として学習用の時系列データ群１５００の全体特徴量を入力し、目的変数としてコメント１５１０の種類ごとの出現フラグを入力し、学習モデル１５２０を作成する。これにより、情報処理装置１００は、学習モデル１５２０を利用可能にすることができる。
情報処理装置１００は、時系列データ群に含まれる各時系列データの個別特徴量を統合した全体特徴量を用いて学習モデル１５２０を作成するため、時系列データ群における時系列データ間の関係性を学習モデル１５２０に反映することができる。情報処理装置１００は、時系列データ群１５００間で全体特徴量の種類数を統一し、説明変数として全体特徴量を用いるため、時系列データ群１５００に含まれる時系列データの数に関わらずに、学習モデル１５２０を適用可能にすることができる。
＜着目度算出フェーズ＞
（１５－５）情報処理装置１００は、対象の時系列データ群１５３０に含まれる時系列データごとに１以上の種類の個別特徴量を算出する。情報処理装置１００は、対象の時系列データ群１５３０に含まれる時系列データごとに算出した１以上の種類の個別特徴量に基づいて、当該時系列データ群１５３０の全体特徴量を算出する。
（１５－６）情報処理装置１００は、学習モデル１５２０に、対象の時系列データ群１５３０の全体特徴量を入力し、コメントの種類ごとの着目度を算出して出力する。情報処理装置１００は、例えば、コメントの種類「瞬間的な高負荷」について着目度「０．８」を算出する。情報処理装置１００は、コメントの種類ごとの着目度に基づいて、レポートを作成してもよい。これにより、情報処理装置１００は、対象の時系列データ群１５３０全体としての特徴を表すレポートを作成しやすくすることができる。
情報処理装置１００は、時系列データ群に含まれる各時系列データの個別特徴量を統合した全体特徴量を学習モデル１５２０に入力するため、時系列データ群における時系列データ間の関係性を反映した着目度を算出することができる。そして、情報処理装置１００は、対象の時系列データ群１５３０全体としての特徴を表すレポートを作成する作業負担の低減化を図ることができる。また、情報処理装置１００は、対象の時系列データ群１５３０に含まれる各時系列データに、コメント作成に有用なラベル情報などが付与されていない場合にも、対象の時系列データ群１５３０全体としての特徴を表すレポートを作成することができる。
（情報処理装置１００の動作例）
次に、図１６～図３３を用いて、情報処理装置１００の動作例について説明する。具体的には、図１６～図２７を用いて、情報処理装置１００が学習モデルを作成する動作例について説明し、図２８～図３３を用いて、情報処理装置１００がレポートの作成を支援する動作例について説明する。まず、図１６および図１７の説明に移行し、コメントを分類する一例について説明する。
図１６および図１７は、コメントを分類する一例を示す説明図である。図１６において、情報処理装置１００は、レポート１６０１～１６０３を取得する。レポート１６０１～１６０３は、それぞれ、データ群ＩＤ１～３が割り振られた時系列データ群に対応する。情報処理装置１００は、レポート１６０１～１６０３からコメントを抽出し、コメントを分類する。情報処理装置１００は、コメントを分類した結果を、コメント分類テーブル９００を用いて記憶する。次に、図１７の説明に移行する。
図１７において、情報処理装置１００は、コメントの種類ごとに、レポート１６０１～１６０３のそれぞれに、当該種類のコメントが出現するか否かを判定する。情報処理装置１００は、判定した結果を、出現フラグテーブル７００を用いて記憶する。次に、図１８の説明に移行し、個別特徴量を算出する一例について説明する。
図１８は、個別特徴量を算出する一例を示す説明図である。図１８において、情報処理装置１００は、データ群ＩＤ１～３が割り振られた時系列データ群のそれぞれに含まれる時系列データごとに、０～１の範囲で正規化された個別特徴量を算出する。個別特徴量は、例えば、ｖａｒやｓｐｉｋｅである。次に、図１９の説明に移行し、個別特徴量の算出方法の一例について説明する。
図１９は、個別特徴量の算出方法の一例を示す説明図である。図１９の表１９００は、個別特徴量のＩＤと、個別特徴量の算出方法とを対応付けて示す。図１９に示すように、ｖａｒは、最大値－最小値により算出される、データ変動の大きさを示す特徴量である。ｓｐｉｋｅは、（８０％パーセンタイル値－中央値）／（最大値－中央値）により算出される、瞬間的なデータ変動の大きさを示す特徴量である。
ｈｉｇｈ＿ｎｕｍは、連続で（データ値＞平均値）となった回数の最大値により算出される、高負荷の状態を示す特徴量である。ｈｉｇｈ＿ｖａｌ＿ｓｕｍは、連続で（データ値＞平均値）となったデータにおけるΣ（データ値－平均値）の最大値により算出される。ａｖｅ＿ｒａｔｉｏは、時系列データでの平均値／時系列データ群内での平均値により算出される。次に、図２０～図２２の説明に移行し、算出方法の具体例について説明する。
図２０～図２２は、算出方法の具体例を示す説明図である。図２０のグラフ２０００は、ｈｉｇｈ＿ｎｕｍと、ｈｉｇｈ＿ｖａｌ＿ｓｕｍとの算出方法の具体例を示す。ｈｉｇｈ＿ｎｕｍは、連続で平均値以上となったデータ点数である。ｈｉｇｈ＿ｎｕｍは、連続で平均値以上となった箇所が複数あれば、連続で平均値以上となったデータ点数の最大値である。ｈｉｇｈ＿ｖａｌ＿ｓｕｍは、連続で平均値以上となった箇所における平均値以上となった面積である。ｈｉｇｈ＿ｖａｌ＿ｓｕｍは、連続で平均値以上となった箇所が複数あれば、平均値以上となった面積の最大値である。次に、図２１の説明に移行する。
図２１のグラフ２１００は、ａｖｅ＿ｒａｔｉｏの算出方法の具体例を示す。図２１の例では、時系列データ群は時系列データＡと時系列データＢと時系列データＣとを含む。この場合、時系列データＢについてのａｖｅ＿ｒａｔｉｏは、時系列データＢでの平均値（ｂ）／時系列データ群内での平均値（ｘ）である。次に、図２２の説明に移行する。
図２２のグラフ２２００は、ｖａｒとｓｐｉｋｅとの算出方法の具体例を示す。ｖａｒは、最大値－最小値である。ｓｐｉｋｅは、（８０％パーセンタイル値－中央値）／（最大値－中央値）であり、値が大きいほど最大値の突出が大きいことを示す。次に、図２３の説明に移行し、学習用の時系列データ群の全体特徴量を算出する一例について説明する。
図２３は、学習用の時系列データ群の全体特徴量を算出する一例を示す説明図である。図２３において、情報処理装置１００は、データ群ＩＤ１に対応する個別特徴量テーブル５００のレコード５０１に基づいて、データ群ＩＤ１の時系列データ群の全体特徴量を算出し、全体特徴量テーブル６００にレコード６０１を追加する。情報処理装置１００は、同様に、データ群ＩＤ２に対応する個別特徴量テーブル５００のレコード５０２に基づいて、データ群ＩＤ２の時系列データ群の全体特徴量を算出し、全体特徴量テーブル６００にレコード６０２を追加する。
情報処理装置１００は、同様に、データ群ＩＤ３に対応する個別特徴量テーブル５００のレコード５０３に基づいて、データ群ＩＤ３の時系列データ群の全体特徴量を算出し、全体特徴量テーブル６００にレコード６０３を追加する。このように、情報処理装置１００は、時系列データ群に含まれる時系列データの数に関わらず、時系列データ群ごとに同一種類数の全体特徴量を算出することができ、時系列データ群を一律に扱うことができるようにする。次に、図２４の説明に移行し、学習用の時系列データ群の特徴について説明する。
図２４は、学習用の時系列データ群についての特徴を示す説明図である。図２４の表２４００は、以上により特定された、データ群ＩＤ１～３のそれぞれに対応する学習用の時系列データ群の全体特徴量と、当該時系列データ群に対応するレコードに出現するコメントとの関係性を示す。
このように、例えば、種類「変動小」のコメントが出現するか否かと、時系列データ群に含まれる各時系列データの個別特徴量を統合した全体特徴量とに、どのような関係性があるかが特定される。このため、情報処理装置１００は、時系列データ群における時系列データ間の関係性を反映し、かつ、時系列データ群１５００に含まれる時系列データの数に関わらずに適用可能な、学習モデルを作成可能になる。次に、図２５および図２６の説明に移行し、学習モデルを作成する一例について説明する。
図２５および図２６は、学習モデルを作成する一例を示す説明図である。図２５において、情報処理装置１００は、機械学習手法を用いて、コメントの種類ごとに学習モデルを作成する。機械学習手法は、例えば、決定木（ＣＡＲＴ：Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ）である。
情報処理装置１００は、例えば、全体特徴量を入力とし、種類「瞬間的な高負荷」のコメントの着目度を出力とする学習モデル２５１０を作成する。また、情報処理装置１００は、例えば、全体特徴量を入力とし、種類「変動小」のコメントの着目度を出力とする学習モデル２５２０を作成する。次に、図２６の説明に移行し、学習モデル２５１０を例に、機械学習手法が着目度を決定する一例について説明する。
図２６の表２６００は、全体特徴量を軸とした空間において、１以上の学習用の時系列データ群のそれぞれの時系列データ群に対応する全体特徴量の組み合わせに該当する点を配置した表である。点の色は、時系列データ群に対応するレポートに、種類「変動小」のコメントが出現するか否かを示す。黒は、出現なしを示す。白は、出現ありを示す。
機械学習手法は、決定木の最大深さを２として、学習モデル２５１０となる決定木を作成する。機械学習手法は、例えば、種類「変動小」のコメントが出現する時系列データ群の集まりと、種類「変動小」のコメントが出現しない時系列データ群の集まりとが、効率よく分割されるように、全体特徴量を軸とした空間を区分けする。図２６の例では、機械学習手法は、全体特徴量であるｖａｒ最小値とｓｐｉｋｅ最大値を軸とした空間を、３つの領域に区分けする。
機械学習手法は、区分けした領域に含まれる点のうち白色の点の割合を、種類「変動小」のコメントの着目度として算出する。そして、機械学習手法は、領域の境界となる全体特徴量の値と、算出した着目度とに基づいて、学習モデル２５１０となる決定木を作成し、学習モデルテーブル１０００を用いて記憶する。次に、図２７を用いて、学習用の時系列データ群と学習モデル２５１０との関係について説明する。
図２７は、学習用の時系列データ群と学習モデル２５１０との関係を示す説明図である。図２７に示すように、学習モデル２５１０は、時系列データ間の関係性、または、時系列データの重要度などを考慮して、時系列データ群に対応するレポートに、種類「変動小」のコメントを記載することが好ましいかを特定することが可能になっている。
データ群ＩＤ１の時系列データ群であれば、瞬間的な高負荷がある時系列データを含むため、当該時系列データの重要度が比較的高く、種類「変動小」のコメントを記載しなくてもよい。これに対し、学習モデル２５１０によれば、データ群ＩＤ１の時系列データ群の全体特徴量に基づいて、データ群ＩＤ１の時系列データ群を、葉ノード２７０２に分類することができる。これにより、学習モデル２５１０は、データ群ＩＤ１の時系列データ群について、種類「変動小」のコメントの着目度０．２を算出することができ、種類「変動小」のコメントを記載しなくてもよいことを特定可能になっている。
また、データ群ＩＤ２の時系列データ群であれば、いずれの時系列データも変動が小さいため、種類「変動小」のコメントを記載することが好ましい。これに対し、学習モデル２５１０によれば、データ群ＩＤ２の時系列データ群の全体特徴量に基づいて、データ群ＩＤ２の時系列データ群を、葉ノード２７０１に分類することができる。これにより、学習モデル２５１０は、データ群ＩＤ２の時系列データ群について、種類「変動小」のコメントの着目度０．８を算出することができ、種類「変動小」のコメントを記載することが好ましいことを特定可能になっている。
また、データ群ＩＤ３の時系列データ群であれば、いずれの時系列データも変動が大きいため、種類「変動小」のコメントを記載しないことが好ましい。これに対し、学習モデル２５１０によれば、データ群ＩＤ３の時系列データ群の全体特徴量に基づいて、データ群ＩＤ３の時系列データ群を、葉ノード２７０３に分類することができる。これにより、学習モデル２５１０は、データ群ＩＤ３の時系列データ群について、種類「変動小」のコメントの着目度０．０を算出することができ、種類「変動小」のコメントを記載しないことが好ましいことを特定可能になっている。
次に、図２８～図３３を用いて、情報処理装置１００が、対象の時系列データ群を受け付け、対象の時系列データ群についてのレポートの作成を支援する動作例について説明する。まず、図２８の説明に移行し、対象の時系列データ群の全体特徴量を算出する一例について説明する。
図２８は、対象の時系列データ群の全体特徴量を算出する一例を示す説明図である。情報処理装置１００は、対象の時系列データ群について、図１８～図２３と同様に、個別特徴量を算出して個別特徴量テーブル５００を用いて記憶し、全体特徴量を算出して全体特徴量テーブル６００を用いて記憶する。
これにより、情報処理装置１００は、対象の時系列データ群に含まれる時系列データの数に関わらず、所定数の種類の全体特徴量を算出することができ、学習モデル２５１０に入力可能な全体特徴量を算出することができる。次に、図２９および図３０の説明に移行し、対象の時系列データ群について着目度を算出する一例について説明する。
図２９および図３０は、対象の時系列データ群について着目度を算出する一例を示す説明図である。図２９において、情報処理装置１００は、学習モデル２５１０に、対象の時系列データ群の全体特徴量を入力する。
学習モデル２５１０は、例えば、対象の時系列データ群を、根ノードであるノードＩＤ１のノードに分類する。学習モデル２５１０は、ノードＩＤ１のノードにおいて、対象の時系列データ群の全体特徴量ｖａｒ最小値＜０．５であるため、Ｔｒｕｅと判定し、対象の時系列データ群を、ノードＩＤ２のノードに分類する。
学習モデル２５１０は、ノードＩＤ２のノードにおいて、対象の時系列データ群の全体特徴量ｓｐｉｋｅ最大値＜０．３ではないため、Ｆａｌｓｅと判定し、対象の時系列データ群を、葉ノードであるノード２７０２に分類する。学習モデル２５１０は、葉ノード２７０２が示す、種類「変動小」のコメントの着目度０．２を出力する。次に、図３０の説明に移行する。
図３０において、情報処理装置１００は、同様に、種類「変動小」以外の種類のコメントに対応する学習モデルを用いて、種類「変動小」以外の種類のコメントの着目度を算出する。情報処理装置１００は、算出した着目度を、着目度テーブル８００を用いて記憶する。次に、図３１の説明に移行する。
図３１は、レポートに記載するコメントの種類を選択する一例を示す説明図である。図３１において、情報処理装置１００は、着目度に基づいて、レポートに記載するコメントの種類を選択する。情報処理装置１００は、例えば、着目度が最大である種類「全体の最大値・平均値」を、レポートに記載するコメントの種類として選択する。情報処理装置１００は、コメント分類テーブル９００から、選択した種類のコメントに対応するレコード３１００を取得する。
また、情報処理装置１００は、例えば、着目度が一定以上である種類を、レポートに記載するコメントの種類として選択してもよい。情報処理装置１００は、例えば、着目度が最大の種類から順に、所定数までの種類を、レポートに記載するコメントの種類として選択してもよい。次に、図３２の説明に移行する。
図３２は、レポートに記載するコメントを生成する一例を示す説明図である。情報処理装置１００は、選択した種類のコメントを生成する。情報処理装置１００は、例えば、時系列データ群に含まれるいずれかの時系列データを選択し、取得したレコード３１００に設定されたコメントの雛型を用いて、コメントを生成する。図３２の例では、情報処理装置１００は、コメント３２００「最大値は１２０、平均値は５０です。」を生成する。
情報処理装置１００は、コメントを生成する時系列データを選択する際、時系列データの個別特徴量、個別特徴量以外の特徴量などに基づいて選択する。情報処理装置１００は、例えば、コメントを生成する時系列データを選択する際、コメントの種類に対応する個別特徴量、または、個別特徴量に用いられていないコメントの種類に対応する特徴量などに基づいて選択する。
情報処理装置１００は、具体的には、種類「全体の最大値・平均値」であるため、コメントを生成する時系列データを選択するために、それぞれの時系列データの最大値を参照する。そして、情報処理装置１００は、時系列データ群のうちで最大値が最も大きい時系列データを選択する。情報処理装置１００は、コメントを生成すると、コメントを記載したレポートを生成して出力する。次に、図３３の説明に移行し、出力結果の具体例について説明する。
図３３は、出力結果の具体例を示す説明図である。図３３において、情報処理装置１００は、表３３００に示される時系列データ群を、対象の時系列データ群としてコメントを生成し、コメントが記載されたレポートを出力する。図３３の例では、情報処理装置１００は、コメント３３０１が記載されたようなレポートを出力する。
ここで、時系列データごとにコメントを生成する技術が考えられるが、この技術ではコメント３３０２が記載されたようなレポートが出力される傾向がある。このため、利用者は、いずれの時系列データの重要度が比較的高いのか、および、いずれの時系列データのどの部分に特徴があるのかなどを、初見で把握することが難しい。
これに対し、情報処理装置１００は、コメント３３０１が記載されたようなレポートを出力するため、時系列データ群のうち特徴的な事象やデータについて、初見で把握しやすいようなレポートを出力することができる。このため、情報処理装置１００は、時系列データ群全体として、どの部分が特徴的なのかを把握しやすくすることができる。また、情報処理装置１００は、いずれの時系列データの重要度が比較的高く、いずれの時系列データを確認することが好ましいかを把握しやすくすることができ、時系列データ間の関係を把握しやすくすることができる。
図２８～図３３の例では、情報処理装置１００が、着目度に基づいて、レポートに記載するコメントの種類を選択し、レポートを作成する場合について説明したが、これに限らない。例えば、情報処理装置１００が、着目度に基づいて、レポートに記載するコメントの種類ごとの表示態様を変更する場合があってもよい。具体的には、情報処理装置１００は、着目度が一定以上の種類のコメントを強調表示し、着目度が一定未満の種類のコメントを通常表示するようなレポートを作成してもよい。
また、例えば、情報処理装置１００が、着目度に基づいて、レポートに記載するコメントの種類ごとの表示順序を変更する場合があってもよい。具体的には、情報処理装置１００は、着目度が大きい種類のコメントから順に記載されたレポートを作成してもよい。
（学習モデル作成処理手順）
次に、図３４を用いて、情報処理装置１００が実行する、学習モデル作成処理手順の一例について説明する。学習モデル作成処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
図３４は、学習モデル作成処理手順の一例を示すフローチャートである。図３４において、まず、情報処理装置１００は、複数の時系列データ群にそれぞれ対応する複数のレポートに出現するコメントを分類し、コメントの種類を特定する（ステップＳ３４０１）。
次に、情報処理装置１００は、複数の時系列データ群のそれぞれの時系列データ群に含まれる各時系列データの特徴量を算出し、個別特徴量として記憶する（ステップＳ３４０２）。そして、情報処理装置１００は、複数の時系列データ群のうちの時系列データ群ごとに、当該時系列データ群に含まれる各時系列データについて算出された個別特徴量に基づいて要約統計値を算出し、全体特徴量として記憶する（ステップＳ３４０３）。
次に、情報処理装置１００は、機械学習手法に、説明変数として全体特徴量を入力し、目的変数としてコメントの種類ごとのコメントの出現有無を入力し、学習モデルを作成する（ステップＳ３４０４）。そして、情報処理装置１００は、学習モデル作成処理を終了する。これにより、情報処理装置１００は、学習モデルを利用可能にすることができる。
（レポート作成処理手順）
次に、図３５を用いて、情報処理装置１００が実行する、レポート作成処理手順の一例について説明する。レポート作成処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
図３５は、レポート作成処理手順の一例を示すフローチャートである。図３５において、まず、情報処理装置１００は、対象の時系列データ群を受け付け、対象の時系列データ群の全体特徴量を算出する（ステップＳ３５０１）。
次に、情報処理装置１００は、学習モデルに全体特徴量を入力し、学習モデルの出力としてコメントの種類ごとの着目度を取得する（ステップＳ３５０２）。そして、情報処理装置１００は、取得したコメントの種類ごとの着目度に基づいてレポートを作成して出力する（ステップＳ３５０３）。その後、情報処理装置１００は、レポート作成処理を終了する。これにより、情報処理装置１００は、レポートを作成し、時系列データ群全体としての特徴を把握しやすくすることができる。
以上説明したように、情報処理装置１００によれば、時系列データ群に含まれる時系列データごとに個別特徴量を算出することができる。情報処理装置１００によれば、算出した個別特徴量を統計処理し、受け付けた時系列データ群の全体特徴量を算出することができる。情報処理装置１００によれば、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力することができる。これにより、情報処理装置１００は、時系列データ群全体としての特徴を表すレポートを作成しやすくすることができる。
情報処理装置１００によれば、コメントの種類ごとに、全体特徴量とレポートでの当該種類のコメントの出現頻度を示す指標値との関係性を表す学習モデルを用いることができる。情報処理装置１００によれば、コメントの種類ごとに、算出した全体特徴量に対応する指標値を出力することができる。これにより、情報処理装置１００は、時系列データ群全体としての特徴を表すレポートを作成するために、いずれの種類のコメントを生成することが好ましいかを把握しやすくすることができる。
情報処理装置１００によれば、コメントの種類ごとの、算出した全体特徴量に対応する指標値に基づいて、受け付けた時系列データ群に含まれる少なくとも１以上の時系列データについてのコメントを生成して出力することができる。これにより、情報処理装置１００は、時系列データ群全体としての特徴を表すレポートを作成することができ、レポートを作成する負担の低減化を図ることができる。
情報処理装置１００によれば、算出した個別特徴量、または、算出した個別特徴量以外の時系列データ群に含まれる時系列データごとの特徴量に基づいて、受け付けた時系列データ群のうち、コメントを生成する１以上の時系列データを選択することができる。これにより、情報処理装置１００は、コメントを生成することが好ましい時系列データを選択することができ、レポートが、時系列データ群全体としての特徴を精度よく表すようにすることができる。
情報処理装置１００によれば、個別特徴量として、時系列データのデータ変動の大きさを表す特徴量を用いることができる。情報処理装置１００によれば、全体特徴量として、個別特徴量の最小値および最大値を用いることができる。これにより、情報処理装置１００は、データ変動の大きさに基づくコメントを記載したレポートを作成しやすくすることができる。
情報処理装置１００によれば、時系列データ群として、同一の属性を有する複数の時系列データを用いることができる。これにより、情報処理装置１００は、レポートを作成する対象として好ましい時系列データ群を用いることができる。
情報処理装置１００によれば、時系列データ群として、各データが取得または計測された時間帯が共通する複数の時系列データを用いることができる。これにより、情報処理装置１００は、レポートを作成する対象として好ましい、共通する時間帯に関する時系列データ群を用いることができる。
なお、本実施の形態で説明したレポート作成方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本実施の形態で説明したレポート作成プログラムは、ハードディスク、フレキシブルディスク、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また、本実施の形態で説明したレポート作成プログラムは、インターネット等のネットワークを介して配布してもよい。
上述した実施の形態に関し、さらに以下の付記を開示する。
（付記１）コンピュータに、
時系列データ群に含まれる時系列データごとに個別特徴量を算出し、
算出した前記個別特徴量を統計処理し、受け付けた前記時系列データ群の全体特徴量を算出し、
１以上の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて生成された、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力する、
処理を実行させることを特徴とするレポート作成プログラム。
（付記２）前記レポートは、少なくとも１以上の時系列データについてのコメントを含み、
前記学習モデルは、コメントの種類ごとに、全体特徴量とレポートでの当該種類のコメントの出現頻度を示す指標値との関係性を表し、
前記出力する処理は、コメントの種類ごとに、算出した全体特徴量に対応する指標値を出力する、ことを特徴とする付記１に記載のレポート作成プログラム。
（付記３）前記出力する処理は、コメントの種類ごとの、算出した全体特徴量に対応する指標値に基づいて、受け付けた前記時系列データ群に含まれる少なくとも１以上の時系列データについてのコメントを生成して出力する、処理を実行させることを特徴とする付記２に記載のレポート作成プログラム。
（付記４）前記出力する処理は、算出した前記個別特徴量、または、算出した前記個別特徴量以外の前記時系列データ群に含まれる時系列データごとの特徴量に基づいて、受け付けた前記時系列データ群のうち、コメントを生成する１以上の時系列データを選択する、ことを特徴とする付記３に記載のレポート作成プログラム。
（付記５）前記個別特徴量は、時系列データのデータ変動の大きさを表し、
前記全体特徴量は、個別特徴量の最小値および最大値を表す、ことを特徴とする付記１～４のいずれか一つに記載のレポート作成プログラム。
（付記６）前記時系列データ群は、同一の属性を有する複数の時系列データである、ことを特徴とする付記１～５のいずれか一つに記載のレポート作成プログラム。
（付記７）前記属性は、時系列データに含まれる各データが取得または計測された時間帯である、ことを特徴とする付記６に記載のレポート作成プログラム。
（付記８）コンピュータが、
時系列データ群に含まれる時系列データごとに個別特徴量を算出し、
算出した前記個別特徴量を統計処理し、受け付けた前記時系列データ群の全体特徴量を算出し、
１以上の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて生成された、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力する、
処理を実行することを特徴とするレポート作成方法。
１００ 情報処理装置
１１０，１４５０，１５２０，２５１０，２５２０ 学習モデル
１２１，１６０１～１６０３ レポート
１３０，１１０１，１４１０，１４６０，１５００，１５３０ 時系列データ群
１４０ 情報
２００ レポート作成システム
２０１ クライアント装置
２１０ ネットワーク
３００，１２００ バス
３０１，１２０１ ＣＰＵ
３０２，１２０２ メモリ
３０３，１２０３ ネットワークＩ／Ｆ
３０４，１２０４ 記録媒体Ｉ／Ｆ
３０５，１２０５ 記録媒体
４００ 時系列データテーブル
５００ 個別特徴量テーブル
５０１～５０３，６０１～６０３，３１００ レコード
６００ 全体特徴量テーブル
７００ 出現フラグテーブル
８００ 着目度テーブル
９００ コメント分類テーブル
１０００ 学習モデルテーブル
１１０２ 時系列データ
１１０３ 内容
１１０４ 個別特徴量
１１０５，１４３０ 全体特徴量
１１０６ 出現フラグ情報
１１０７ 着目度情報
１２０６ ディスプレイ
１２０７ 入力装置
１３００ 記憶部
１３０１ 取得部
１３０２ 算出部
１３０３ 生成部
１３０４ 出力部
１４０１ 個別特徴量抽出処理部
１４０２ 全体特徴量抽出処理部
１４０３ 学習モデル作成処理部
１４０４ 着目度出力処理部
１４２０ 個別特徴量群
１４４０ 出現フラグ
１４７０ 着目度
１５１０，３２００，３３０１，３３０２ コメント
１９００，２４００，２６００，３３００ 表
２０００，２１００，２２００ グラフ
２７０１～２７０３ 葉ノード

Claims (5)

  1. コンピュータに、
    時系列データ群に含まれる時系列データごとに個別特徴量を算出し、
    算出した前記個別特徴量を統計処理し、受け付けた前記時系列データ群の全体特徴量を算出し、
    １以上の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて生成された、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力する、
    処理を実行させることを特徴とするレポート作成プログラム。
  2. 前記レポートは、少なくとも１以上の時系列データについてのコメントを含み、
    前記学習モデルは、コメントの種類ごとに、全体特徴量とレポートでの当該種類のコメントの出現頻度を示す指標値との関係性を表し、
    前記出力する処理は、コメントの種類ごとに、算出した全体特徴量に対応する指標値を出力する、ことを特徴とする請求項１に記載のレポート作成プログラム。
  3. 前記出力する処理は、コメントの種類ごとの、算出した全体特徴量に対応する指標値に基づいて、受け付けた前記時系列データ群に含まれる少なくとも１以上の時系列データについてのコメントを生成して出力する、処理を実行させることを特徴とする請求項２に記載のレポート作成プログラム。
  4. 前記出力する処理は、算出した前記個別特徴量、または、算出した前記個別特徴量以外の前記時系列データ群に含まれる時系列データごとの特徴量に基づいて、受け付けた前記時系列データ群のうち、コメントを生成する１以上の時系列データを選択する、ことを特徴とする請求項３に記載のレポート作成プログラム。
  5. コンピュータが、
    時系列データ群に含まれる時系列データごとに個別特徴量を算出し、
    算出した前記個別特徴量を統計処理し、受け付けた前記時系列データ群の全体特徴量を算出し、
    １以上の時系列データ群と当該時系列データ群に対するレポートの内容とに基づいて生成された、全体特徴量とレポートの内容との関係性を表す学習モデルを参照し、算出した全体特徴量に対応するレポートの内容に関する情報を出力する、
    処理を実行することを特徴とするレポート作成方法。
JP2018043580A 2018-03-09 2018-03-09 レポート作成プログラム、およびレポート作成方法 Active JP6996360B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018043580A JP6996360B2 (ja) 2018-03-09 2018-03-09 レポート作成プログラム、およびレポート作成方法
US16/291,035 US10719242B2 (en) 2018-03-09 2019-03-04 Report preparation program and report preparation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018043580A JP6996360B2 (ja) 2018-03-09 2018-03-09 レポート作成プログラム、およびレポート作成方法

Publications (2)

Publication Number Publication Date
JP2019159610A JP2019159610A (ja) 2019-09-19
JP6996360B2 true JP6996360B2 (ja) 2022-01-17

Family

ID=67843864

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018043580A Active JP6996360B2 (ja) 2018-03-09 2018-03-09 レポート作成プログラム、およびレポート作成方法

Country Status (2)

Country Link
US (1) US10719242B2 (ja)
JP (1) JP6996360B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230109729A1 (en) * 2021-10-07 2023-04-13 Nec Laboratories America, Inc. Co-disentagled series/text multi-modal representation learning for controllable generation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016091078A (ja) 2014-10-30 2016-05-23 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 生成装置、生成方法、およびプログラム
WO2016136198A1 (ja) 2015-02-25 2016-09-01 日本電気株式会社 システム監視装置、システム監視方法、及び、システム監視プログラムが記録された記録媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10809156B2 (en) 2016-02-15 2020-10-20 General Electric Company Automated system and method for generating engine test cell analytics and diagnostics

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016091078A (ja) 2014-10-30 2016-05-23 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 生成装置、生成方法、およびプログラム
WO2016136198A1 (ja) 2015-02-25 2016-09-01 日本電気株式会社 システム監視装置、システム監視方法、及び、システム監視プログラムが記録された記録媒体

Also Published As

Publication number Publication date
JP2019159610A (ja) 2019-09-19
US20190278489A1 (en) 2019-09-12
US10719242B2 (en) 2020-07-21

Similar Documents

Publication Publication Date Title
US10884891B2 (en) Interactive detection of system anomalies
KR101773574B1 (ko) 데이터 테이블의 차트 시각화 방법
JP6787981B2 (ja) 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法
US11810009B2 (en) Methods of explaining an individual predictions made by predictive processes and/or predictive models
US11593700B1 (en) Network-accessible service for exploration of machine learning models and results
JP7450190B2 (ja) 特許情報処理装置、特許情報処理方法、およびプログラム
JP2019079312A (ja) ソースコード解析装置、ソースコード解析方法、ソースコード解析プログラム
JP6996360B2 (ja) レポート作成プログラム、およびレポート作成方法
JP2020135053A (ja) データ分析装置及びデータ分析方法
US20180101294A1 (en) Information generating system, information generating device, information generating method, and information generating program
CN116225902A (zh) 生成测试用例的方法、装置及设备
JP2020135054A (ja) データ分析装置及びデータ分析方法
CN117813602A (zh) 主成分分析
US9858113B2 (en) Creating execution flow by associating execution component information with task name
JP6213665B2 (ja) 情報処理装置、及び、クラスタリング方法
CN105740449A (zh) 统计报告动态生成系统和方法
US11886513B2 (en) Data analysis system, data analysis method, and computer program product
US8775873B2 (en) Data processing apparatus that performs test validation and computer-readable storage medium
JP7243134B2 (ja) 入力操作の作業効率管理装置、入力操作の作業効率管理方法、及び、入力操作の作業効率管理プログラム
US11768852B2 (en) System and method for data analysis and presentation of data
CN112749224A (zh) 一种面向任务的可视化推荐方法及装置
JP6496078B2 (ja) 分析支援装置、分析支援方法、および分析支援プログラム
JP2014164336A (ja) モデル分析装置及びモデル分析方法及びモデル分析プログラム
US11237940B2 (en) Determining dynamic system performance from a static behavior model
JP6033248B2 (ja) ツール分析支援装置及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201210

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211029

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: 20211116

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211129

R150 Certificate of patent or registration of utility model

Ref document number: 6996360

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150