JP7056493B2 - データ処理装置、データ処理方法およびプログラム - Google Patents
データ処理装置、データ処理方法およびプログラム Download PDFInfo
- Publication number
- JP7056493B2 JP7056493B2 JP2018183608A JP2018183608A JP7056493B2 JP 7056493 B2 JP7056493 B2 JP 7056493B2 JP 2018183608 A JP2018183608 A JP 2018183608A JP 2018183608 A JP2018183608 A JP 2018183608A JP 7056493 B2 JP7056493 B2 JP 7056493B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- vector
- unit
- estimation model
- input
- 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
Links
- 238000012545 processing Methods 0.000 title claims description 67
- 238000003672 processing method Methods 0.000 title claims description 6
- 239000013598 vector Substances 0.000 claims description 165
- 230000007547 defect Effects 0.000 claims description 58
- 230000002776 aggregation Effects 0.000 claims description 54
- 238000004220 aggregation Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 description 35
- 238000005259 measurement Methods 0.000 description 13
- 230000036541 health Effects 0.000 description 12
- 238000013500 data storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000009530 blood pressure measurement Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002562 urinalysis Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
- G06F17/175—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method of multidimensional data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Description
Xを、上記あらかじめ定められた個数の代表値を要素とするベクトル、Wを、Xの各要素に対応する有効率を要素とするベクトル、Yを、上記入力ベクトルを上記推定モデルに入力して得られる出力ベクトルと、それぞれ定義したときに、次式:
L=|W・(Y-X)|2
で表される誤差Lを最小化するように上記推定モデルを学習するようにしたものである。
[一実施形態]
(構成)
図1は、この発明の一実施形態に係るデータ処理装置1の機能構成を示すブロック図である。
次に、以上のように構成されたデータ処理装置1による情報処理動作を説明する。データ処理装置1は、例えば、入力デバイス等を通じて入力されたオペレータからの指示信号を受け付けて、学習フェーズまたは推定フェーズとして動作することができる。
学習フェーズが設定されると、データ処理装置1は、以下のように推定モデルの学習処理を実行する。図2は、データ処理装置1による学習フェーズの処理手順と処理内容を示すフローチャートである。
はじめに、データ処理装置1は、ステップS201において、データ取得部21の制御の下、入出力インタフェースユニット10を介して、欠損を含む一連のデータを学習用データとして取得し、取得したデータをデータ記憶部31に格納する。
次いで、データ処理装置1は、ステップS202において、統計量算出部22の制御の下、データ記憶部31に格納されたデータを読み出し、あらかじめ設定された集計単位ごとに統計量を算出する処理を行う。集計単位は、データ処理装置1のオペレータ、設計者または管理者等によって、例えばデータの種類ごとに任意に設定され、記憶ユニット30に記憶されているものとする。統計量算出部22は、記憶ユニット30に記憶された集計単位の設定を読み出し、データ記憶部31から読み出したデータを集計単位ごとに分割して、統計量を算出する。
次に、データ処理装置1は、ステップS203において、ベクトル生成部23の制御の下、統計量記憶部32に格納された統計量データを読み出し、推定モデルの学習に用いるための2種のベクトル(ベクトルXおよびベクトルW)を生成する処理を行う。
次に、データ処理装置1は、ステップS204において、学習部24の制御の下、あらかじめモデル記憶部33に格納された学習対象の推定モデルを読み出し、ベクトル生成部23から受け取ったベクトルXおよびベクトルWを当該推定モデルに入力してその学習を行う。学習対象とする推定モデルは、設計者や管理者等によって任意に設定されることができる。
Q=f(AP+B) (1)
Z1=f1(A1P+B1) (2)
で表され、中間層(第2層)の特徴量Z2は、
Z2=f2(A2(f1(A1P+B1))+B2) (3)
で表される。なお、添え字1または2は、それぞれ第1層または第2層の出力に寄与するパラメータであることを意味する。
L=|W・(Y-X)|2 (4)
誤差Lを最小化するように推定モデルのパラメータが決定されたら、学習部24は、ステップS205において、モデル記憶部33に格納された推定モデルを更新する処理を行う。データ処理装置1は、例えばオペレータからの指示信号の入力に応答して、モデル記憶部33に格納された学習済みモデルの各パラメータを、制御ユニット20の制御の下、出力制御部26を通じて出力するように構成してもよい。
推定フェーズが設定されると、データ処理装置1は、学習済みモデルを用いて以下のようにデータの推定処理を実行することができる。図3は、データ処理装置1による推定フェーズの処理手順と処理内容を示すフローチャートである。なお、図2と同様の処理については詳細な説明は省略する。
はじめに、データ処理装置1は、ステップS301において、ステップS201と同様に、データ取得部21の制御の下、入出力インタフェースユニット10を介して、欠損を含む一連のデータを推定用データとして取得し、取得したデータをデータ記憶部31に格納する。
次いで、データ処理装置1は、ステップS302において、ステップS202と同様に、統計量算出部22の制御の下、データ記憶部31に格納されたデータを読み出し、設定された集計単位ごとに統計量を算出する処理を行う。集計単位は、学習フェーズで用いたのと同じ設定を用いることが好ましいが、必ずしもそれに限定されるわけではない。同様に、代表値は、学習フェーズで用いたのと同じ代表値(例えば上記の例では有効なデータ間の平均値)を用いることが好ましいが、必ずしもそれに限定されるわけではない。集計単位ごとに統計量として代表値および有効率が算出されたら、統計量算出部22は、その算出結果を、例えば集計単位を識別する識別番号や日付情報に紐づけて、統計量データとして統計量記憶部32に記憶させることができる。
次に、データ処理装置1は、ステップS303において、ステップS203と同様に、ベクトル生成部23の制御の下、統計量記憶部32に格納された統計量データを読み出し、推定を行うための2種のベクトル(ベクトルXおよびベクトルW)を生成する処理を行う。
次に、データ処理装置1は、ステップS304において、推定部25の制御の下、モデル記憶部33に格納された学習済みの推定モデルを読み出し、ベクトル生成部23から受け取ったベクトルXおよびベクトルWを当該学習済みの推定モデルに入力して、その入力に対して推定モデルから出力される出力ベクトルYを取得する処理を行う。学習フェーズで説明したのと同様に、図6に示した出力ベクトルYは、次式で表される。
Y=f4(A4(f3(A3(f2(A2(f1(A1P+B1))+B2))+B3))+B4) (5)
データ処理装置1は、ステップS305において、例えばオペレータからの指示信号の入力に応答して、出力制御部26の制御の下、推定部25による推定結果を、入出力インタフェースユニット10を介して出力することができる。出力制御部26は、例えば、推定モデルから出力された出力ベクトルYを取得し、これを、入力データ群に対応する欠損を補間されたデータ群として、液晶ディスプレイなどの表示デバイスに出力したり、ネットワークNWを介して外部機器に送信することができる。
以上詳述したように、この発明の一実施形態では、データ取得部21によって、欠損を含む一連のデータが取得され、統計量算出部22によって、この一連のデータから所定の集計単位ごとに統計量としてデータの代表値と有効なデータが存在する割合を表す有効率とが算出される。この有効率の算出の際、上記実施形態では、欠損をあり/なしの2値で表現するのではなく、割合としての連続値で表現するようにしている。
なお、この発明は上記実施形態に限定されるものではない。
Claims (8)
- 欠損を含む一連のデータを取得する、データ取得部と、
前記一連のデータから、あらかじめ定められた集計単位ごとに、データの代表値と、有効なデータが存在する割合を表す有効率とを算出する、統計量算出部と、
前記代表値および前記有効率を推定モデルに入力して得られる出力と、前記代表値との差に基づく誤差を最小化するように前記推定モデルを学習する、学習部と、
を具備するデータ処理装置。 - 前記学習部は、前記推定モデルに対し、あらかじめ定められた個数の代表値と、当該代表値の各々に対応する有効率とを連結した要素からなる入力ベクトルを入力する、請求項1に記載のデータ処理装置。
- 前記学習部は、
Xを、前記あらかじめ定められた個数の代表値を要素とするベクトル、Wを、Xの各要素に対応する有効率を要素とするベクトル、Yを、前記入力ベクトルを前記推定モデルに入力して得られる出力ベクトルと、それぞれ定義したときに、
次式で表される誤差Lを最小化するように前記推定モデルを学習する、
L=|W・(Y-X)|2
請求項2に記載のデータ処理装置。 - 前記データ取得部により推定対象となる欠損を含む一連のデータが取得された場合に、当該一連のデータから前記集計単位ごとに前記統計量算出部により算出されるデータの代表値と有効なデータが存在する割合を表す有効率とを学習済みの前記推定モデルに入力し、当該入力に応じた前記推定モデルの中間層からの出力を、前記一連のデータの特徴量として出力する、第1の推定部をさらに具備する、請求項1に記載のデータ処理装置。
- 前記データ取得部により推定対象となる欠損を含む一連のデータが取得された場合に、当該一連のデータから前記集計単位ごとに前記統計量算出部により算出されるデータの代表値と有効なデータが存在する割合を表す有効率とを学習済みの前記推定モデルに入力し、当該入力に応じた前記推定モデルからの出力を、前記欠損を補間した推定データとして出力する、第2の推定部をさらに具備する、請求項1に記載のデータ処理装置。
- データ処理装置が実行する、データ処理方法であって、
欠損を含む一連のデータを取得する過程と、
前記一連のデータから、あらかじめ定められた集計単位ごとに、データの代表値と、有効なデータが存在する割合を表す有効率とを算出する過程と、
前記代表値および前記有効率を推定モデルに入力して得られる出力と、前記代表値との差に基づく誤差を最小化するように前記推定モデルを学習する過程と、
を具備するデータ処理方法。 - 前記学習する過程は、
Xを、あらかじめ定められた個数の代表値を要素とするベクトル、Wを、Xの各要素に対応する有効率を要素とするベクトル、Yを、Xの各要素とWの各要素とを連結した要素からなる入力ベクトルを前記推定モデルに入力して得られる出力ベクトルと、それぞれ定義したときに、
次式で表される誤差Lを最小化するように前記推定モデルを学習する、
L=|W・(Y-X)|2
請求項6に記載のデータ処理方法。 - 請求項1乃至5のいずれか一項に記載のデータ処理装置の各部による処理をプロセッサに実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018183608A JP7056493B2 (ja) | 2018-09-28 | 2018-09-28 | データ処理装置、データ処理方法およびプログラム |
US17/276,767 US20220027686A1 (en) | 2018-09-28 | 2019-09-17 | Data processing apparatus, data processing method, and program |
PCT/JP2019/036262 WO2020066724A1 (ja) | 2018-09-28 | 2019-09-17 | データ処理装置、データ処理方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018183608A JP7056493B2 (ja) | 2018-09-28 | 2018-09-28 | データ処理装置、データ処理方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020052886A JP2020052886A (ja) | 2020-04-02 |
JP7056493B2 true JP7056493B2 (ja) | 2022-04-19 |
Family
ID=69952686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018183608A Active JP7056493B2 (ja) | 2018-09-28 | 2018-09-28 | データ処理装置、データ処理方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220027686A1 (ja) |
JP (1) | JP7056493B2 (ja) |
WO (1) | WO2020066724A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006163521A (ja) | 2004-12-02 | 2006-06-22 | Research Organization Of Information & Systems | 時系列データ分析装置および時系列データ分析プログラム |
WO2010100701A1 (ja) | 2009-03-06 | 2010-09-10 | 株式会社 東芝 | 学習装置、識別装置及びその方法 |
WO2018047655A1 (ja) | 2016-09-06 | 2018-03-15 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2980174C (en) * | 2015-04-09 | 2023-03-28 | Equifax, Inc. | Automated model development process |
EP3475798A4 (en) * | 2016-06-27 | 2020-05-06 | Purepredictive, Inc. | DATA QUALITY DETECTION AND COMPENSATION FOR MACHINE LEARNING |
US10592368B2 (en) * | 2017-10-26 | 2020-03-17 | International Business Machines Corporation | Missing values imputation of sequential data |
US20190279043A1 (en) * | 2018-03-06 | 2019-09-12 | Tazi AI Systems, Inc. | Online machine learning system that continuously learns from data and human input |
US11374661B2 (en) * | 2018-06-13 | 2022-06-28 | Nokia Technologies Oy | Generalized virtual PIM measurement for enhanced accuracy |
-
2018
- 2018-09-28 JP JP2018183608A patent/JP7056493B2/ja active Active
-
2019
- 2019-09-17 US US17/276,767 patent/US20220027686A1/en active Pending
- 2019-09-17 WO PCT/JP2019/036262 patent/WO2020066724A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006163521A (ja) | 2004-12-02 | 2006-06-22 | Research Organization Of Information & Systems | 時系列データ分析装置および時系列データ分析プログラム |
WO2010100701A1 (ja) | 2009-03-06 | 2010-09-10 | 株式会社 東芝 | 学習装置、識別装置及びその方法 |
WO2018047655A1 (ja) | 2016-09-06 | 2018-03-15 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
Non-Patent Citations (3)
Title |
---|
Liang Ze Wong et al.,Imputing missing values in sensor networks using sparse data representations,MSWiM '14: Proceedings of the 17th ACM international conference on Modeling, analysis and simulation of wireless and mobile systems,2014年09月,pp. 227-230,DOI: https://doi.org/10.1145/2641798.2641816 |
Lorenzo Rimoldini,Weighted statistical parameters for irregularly sampled time series,arXiv:1304.6616,2013年,URL:https://arxiv.org/abs/1304.6616 |
Yanjie Duan et al.,A deep learning based approach for traffic data imputation,17th International IEEE Conference on Intelligent Transportation Systems (ITSC),IEEE,2014年,pp. 912-917,DOI: 10.1109/ITSC.2014.6957805 |
Also Published As
Publication number | Publication date |
---|---|
WO2020066724A1 (ja) | 2020-04-02 |
US20220027686A1 (en) | 2022-01-27 |
JP2020052886A (ja) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dineshkumar et al. | Big data analytics of IoT based Health care monitoring system | |
Young et al. | A survey of methodologies for the treatment of missing values within datasets: Limitations and benefits | |
US10546239B2 (en) | Causal network generation system and data structure for causal relationship | |
US8788291B2 (en) | System and method for estimation of missing data in a multivariate longitudinal setup | |
US20220165417A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
Planalp et al. | Growth curve modeling to studying change: A comparison of approaches using longitudinal dyadic data with distinguishable dyads | |
Levy et al. | A framework of statistical tests for comparing mean and covariance structure models | |
Gao et al. | Semiparametric regression analysis of multiple right-and interval-censored events | |
Moreno-Betancur et al. | Survival analysis with time-dependent covariates subject to missing data or measurement error: Multiple Imputation for Joint Modeling (MIJM) | |
Carrasco et al. | Errors-in-variables beta regression models | |
Zimmer et al. | Use of daily Internet search query data improves real-time projections of influenza epidemics | |
Natasha Beretvas et al. | An evaluation of modified R 2-change effect size indices for single-subject experimental designs | |
JP7014119B2 (ja) | データ処理装置、データ処理方法、及びプログラム | |
JP7056493B2 (ja) | データ処理装置、データ処理方法およびプログラム | |
Rathnayake et al. | Tolerance bands for functional data | |
JPWO2018221488A1 (ja) | ノウハウ情報処理システム、方法及び装置 | |
Thorpe et al. | Sensing behaviour in healthcare design | |
Wang et al. | The impact of over-simplifying the between-subject covariance structure on inferences of fixed effects in modeling nested data | |
Chalise et al. | Baseline age effect on parameter estimates in Cox models | |
Morita | Design of mobile health technology | |
Althouse et al. | Understanding the true significance of a P value | |
Perry et al. | Identifying the time of step change in the mean of autocorrelated processes | |
Wu et al. | Nonparametric estimation for time-varying transformation models with longitudinal data | |
Khosravi et al. | Phase I risk-adjusted control charts for surgical data with ordinal outcomes | |
Li et al. | Bandwidth selection through cross-validation for semi-parametric varying-coefficient partially linear models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210108 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20220121 |
|
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: 20220308 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220321 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7056493 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |