JP7297712B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7297712B2 JP7297712B2 JP2020057652A JP2020057652A JP7297712B2 JP 7297712 B2 JP7297712 B2 JP 7297712B2 JP 2020057652 A JP2020057652 A JP 2020057652A JP 2020057652 A JP2020057652 A JP 2020057652A JP 7297712 B2 JP7297712 B2 JP 7297712B2
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- sensors
- time
- series data
- combination
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
[特徴ベクトル生成装置の概要]
図1は、第1の実施形態に係る特徴ベクトル生成装置の概要を説明する図である。特徴ベクトル生成装置は、施設に設けられているIoT機器の一種である複数のセンサーの共起関係を示す特徴ベクトルを生成するコンピュータである。
続いて、特徴ベクトル生成装置の構成について説明する。図2は、第1の実施形態に係る特徴ベクトル生成装置1の構成を示す図である。特徴ベクトル生成装置1は、記憶部11と、制御部12とを備える。
第1の実施形態において、データ取得部121、属性情報取得部122、組合せ特定部123、特徴ベクトル生成部124は、協働することにより、施設に設けられている複数のセンサーのそれぞれに対応する特徴ベクトルを生成する。以下、特徴ベクトルの生成に係るデータ取得部121、属性情報取得部122、組合せ特定部123、特徴ベクトル生成部124の機能について説明する。
第1の実施形態において、ラベル特定部125は、ラベル情報との関連付けがないセンサーに対応する行動を予測する予測装置として機能する。本機能を説明するにあたり、第2センサーibには、第2センサーibを作動させる第2ユーザが行っていた行動を示す行動種別が関連付けられていないものとする。
続いて、特徴ベクトル生成装置1における処理の流れの一例について説明する。図4は、第1の実施形態に係る特徴ベクトル生成装置1における処理の流れの一例を示すフローチャートである。
続いて、属性情報取得部122は、第1属性情報と第2属性情報とを取得する(S2)。
続いて、組合せ特定部123は、第1属性情報及び第2属性情報に基づいて、属性が類似する第1センサーiaと第2センサーibとの組合せを特定する(S3)。
以上の通り、第1の実施形態に係る特徴ベクトル生成装置1は、第1の施設に対応する第1センサーのセンサーIDと、センサーの作動時刻とを関連付けた第1時系列データと、第2の施設に対応する第2センサーのセンサーIDと、センサーの作動時刻とを関連付けた第2時系列データを取得し、第1の施設と第2の施設とで類似するセンサーの組合せを特定する。特徴ベクトル生成装置1は、複数の第1センサー及び複数の第2センサーのそれぞれについて、第1時系列データ及び第2時系列データが示すセンサーの作動状況と、他のセンサーの作動状況との関係性を示すとともに、特定した組合せに対応する第1センサーと、第2センサーとの類似性が反映された特徴ベクトルを生成する。このようにすることで、特徴ベクトル生成装置1は、複数の施設のそれぞれのセンサーについて同一の基準で特徴ベクトルを生成することができる。
続いて、第2の実施形態について説明する。属性情報取得部122が取得した属性情報の中には、特徴ベクトルの生成に対して関連性がない属性も含まれている可能性がある。そして、関連性がない属性も含まれている属性情報に基づいて特徴ベクトルを生成すると、特徴ベクトルの精度が悪化するという問題がある。そこで、第2実施形態に係る特徴ベクトル生成装置1は、特徴ベクトルの生成と関連性がある可能性が高い属性を有意な属性として抽出し、抽出した属性に基づいて特徴ベクトルを再生成する。以下、第2の実施形態に係る特徴ベクトル生成装置1について説明する。
以上の通り、第2の実施形態に係る特徴ベクトル生成装置1は、特徴ベクトルを生成した後に、属性が類似する組合せに対応する第1センサーiaと第2センサーibとの特徴ベクトルの類似度に基づいて、当該組合せに対応する第1センサーiaと第2センサーibとの属性情報に対応する複数の属性のうち、有意な一以上の属性を抽出する。このようにすることで、特徴ベクトル生成装置1は、有意な一以上の属性に基づいて特徴ベクトルを生成することができるので、特徴ベクトルの精度を向上させることができる。
Claims (9)
- センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するデータ取得部と、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得する属性情報取得部と、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定する組合せ特定部と、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性を学習して複数の前記第1センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサーのうち他の第1センサーとの作動状況の関係性を示す特徴ベクトルを生成し、複数の前記第1センサーのそれぞれの特徴ベクトルを生成した後に、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性を学習し、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第2センサーのうち他の第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成する特徴ベクトル生成部と、
を備える情報処理装置。 - センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するデータ取得部と、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得する属性情報取得部と、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定する組合せ特定部と、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性と、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性とを同時に学習して、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第1センサー及び前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサー及び前記第2センサーのうち他の第1センサー及び第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成する特徴ベクトル生成部と、
を備える情報処理装置。 - 前記第1属性情報及び前記第2属性情報は、複数の属性を示しており、
前記特徴ベクトル生成部が前記特徴ベクトルを生成した後に、前記組合せ特定部が特定した前記第1センサーと前記第2センサーとの前記特徴ベクトルの類似度に基づいて、前記組合せ特定部が特定した前記第1センサーと前記第2センサーとの属性情報に対応する複数の属性の中から有意な一以上の属性を抽出する属性抽出部をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記特徴ベクトル生成部は、前記属性抽出部が前記属性を抽出した後に、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記属性抽出部が抽出した属性に基づく類似性が反映された前記特徴ベクトルを再生成する、
請求項3に記載の情報処理装置。 - 前記データ取得部は、第1の施設において、前記第1センサーを作動させる第1ユーザが行っていた行動を示す行動種別と、当該行動を行っていた時刻とを関連付けた第1ラベル情報を取得し、
前記第2センサーに対応するラベルを、当該第2センサーと特徴ベクトルが類似する前記第1センサーに対応する前記行動種別を示すラベルに特定するラベル特定部をさらに備える、
請求項1から4のいずれか1項に記載の情報処理装置。 - コンピュータが実行する、
センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するステップと、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得するステップと、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定するステップと、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性を学習して複数の前記第1センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサーのうち他の第1センサーとの作動状況の関係性を示す特徴ベクトルを生成し、複数の前記第1センサーのそれぞれの特徴ベクトルを生成した後に、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性を学習し、前記組合せを特定するステップにおいて特定された前記組合せに対応する前記第1センサーと前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第2センサーのうち他の第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せを特定するステップにおいて特定された前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成するステップと、
を有する情報処理方法。 - コンピュータが実行する、
センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するステップと、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得するステップと、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定するステップと、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性と、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性とを同時に学習して、前記組合せを特定するステップにおいて特定された前記組合せに対応する前記第1センサーと、前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第1センサー及び前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサー及び前記第2センサーのうち他の第1センサー及び第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せを特定するステップにおいて特定された前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成するステップと、
を有する情報処理方法。 - コンピュータを、
センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するデータ取得部、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得する属性情報取得部、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定する組合せ特定部、及び、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性を学習して複数の前記第1センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサーのうち他の第1センサーとの作動状況の関係性を示す特徴ベクトルを生成し、複数の前記第1センサーのそれぞれの特徴ベクトルを生成した後に、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性を学習し、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第2センサーのうち他の第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成する特徴ベクトル生成部、
として機能させるプログラム。 - コンピュータを、
センサーを識別するセンサー識別情報と、前記センサーが作動した時刻とを関連付けた時系列データであって、第1の施設に設けられている複数の第1センサーに対応する前記時系列データである第1時系列データと、第2の施設に設けられている複数の第2センサーに対応する前記時系列データである第2時系列データとを取得するデータ取得部、
複数の前記第1センサーのそれぞれの前記センサー識別情報に関連付けられた前記第1センサーの属性を示す第1属性情報を取得するとともに、複数の前記第2センサーのそれぞれの前記センサー識別情報に関連付けられた前記第2センサーの属性を示す第2属性情報を取得する属性情報取得部、
前記第1属性情報及び前記第2属性情報に基づいて、前記属性が類似する前記第1センサーと前記第2センサーとの組合せを特定する組合せ特定部、及び、
前記第1時系列データが示す複数の前記第1センサーの作動状況の関係性と、前記第2時系列データが示す複数の前記第2センサーの作動状況の関係性とを同時に学習して、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの特徴ベクトルが一致又は類似するように複数の前記第1センサー及び前記第2センサーのそれぞれの特徴ベクトルであって、複数の前記第1センサー及び前記第2センサーのうち他の第1センサー及び第2センサーとの作動状況の関係性を示す特徴ベクトルを生成することにより、複数の前記第1センサー及び複数の前記第2センサーのそれぞれについて、前記第1時系列データ及び前記第2時系列データが示すセンサーの作動状況と、当該センサーと異なる前記第1センサー及び前記第2センサーである他のセンサーの作動状況との関係性を示す特徴ベクトルであって、前記組合せ特定部が特定した前記組合せに対応する前記第1センサーと、前記第2センサーとの類似性が反映された特徴ベクトルを生成する特徴ベクトル生成部、
として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020057652A JP7297712B2 (ja) | 2020-03-27 | 2020-03-27 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020057652A JP7297712B2 (ja) | 2020-03-27 | 2020-03-27 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021157544A JP2021157544A (ja) | 2021-10-07 |
JP7297712B2 true JP7297712B2 (ja) | 2023-06-26 |
Family
ID=77918495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020057652A Active JP7297712B2 (ja) | 2020-03-27 | 2020-03-27 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7297712B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010122751A (ja) | 2008-11-17 | 2010-06-03 | Nec Corp | 状況推定システム、状況推定方法、状況推定プログラム |
WO2012147970A1 (ja) | 2011-04-28 | 2012-11-01 | 日本電気株式会社 | 位置コンテキスト取得装置、位置コンテキスト取得プログラムを記録したコンピュータ読み取り可能な記録媒体、及び位置コンテキスト取得方法 |
JP2012248017A (ja) | 2011-05-27 | 2012-12-13 | Nippon Telegr & Teleph Corp <Ntt> | 行動モデル学習装置、方法、及びプログラム |
JP2016024823A (ja) | 2014-07-21 | 2016-02-08 | アライドテレシスホールディングス株式会社 | センサベース検出システムのためのデータ構造 |
WO2019021369A1 (ja) | 2017-07-25 | 2019-01-31 | 三菱電機株式会社 | データ解析装置 |
WO2019107237A1 (ja) | 2017-11-30 | 2019-06-06 | 日本電気株式会社 | 位置推定装置、位置推定方法とプログラムを格納する記録媒体、並びに、位置推定システム |
-
2020
- 2020-03-27 JP JP2020057652A patent/JP7297712B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010122751A (ja) | 2008-11-17 | 2010-06-03 | Nec Corp | 状況推定システム、状況推定方法、状況推定プログラム |
WO2012147970A1 (ja) | 2011-04-28 | 2012-11-01 | 日本電気株式会社 | 位置コンテキスト取得装置、位置コンテキスト取得プログラムを記録したコンピュータ読み取り可能な記録媒体、及び位置コンテキスト取得方法 |
JP2012248017A (ja) | 2011-05-27 | 2012-12-13 | Nippon Telegr & Teleph Corp <Ntt> | 行動モデル学習装置、方法、及びプログラム |
JP2016024823A (ja) | 2014-07-21 | 2016-02-08 | アライドテレシスホールディングス株式会社 | センサベース検出システムのためのデータ構造 |
WO2019021369A1 (ja) | 2017-07-25 | 2019-01-31 | 三菱電機株式会社 | データ解析装置 |
WO2019107237A1 (ja) | 2017-11-30 | 2019-06-06 | 日本電気株式会社 | 位置推定装置、位置推定方法とプログラムを格納する記録媒体、並びに、位置推定システム |
Also Published As
Publication number | Publication date |
---|---|
JP2021157544A (ja) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6799800B2 (ja) | 意味情報生成方法、意味情報生成装置、およびプログラム | |
Souza et al. | Data stream classification guided by clustering on nonstationary environments and extreme verification latency | |
Ntalampiras | Bird species identification via transfer learning from music genres | |
JP6650305B2 (ja) | 行動分析システムおよびプログラム | |
Chen et al. | Activity Recognition Using Transfer Learning. | |
JP2015207179A (ja) | 行動理解システムおよびプログラム | |
JP2012248017A (ja) | 行動モデル学習装置、方法、及びプログラム | |
US20210348985A1 (en) | Abnormality diagnostic device, abnormality diagnostic method, and program | |
Chen et al. | Activity recognition based on streaming sensor data for assisted living in smart homes | |
CN111434118A (zh) | 用户感兴趣信息生成的装置和方法 | |
Qiao et al. | Feature selection strategy for machine learning methods in building energy consumption prediction | |
CN113673244A (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
Kapourchali et al. | Unsupervised feature learning from time-series data using linear models | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
Zhang et al. | Multi-label prediction in time series data using deep neural networks | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
JP7297712B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
WO2019220609A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
Lymberopoulos et al. | Macroscopic human behavior interpretation using distributed imager and other sensors | |
Albinali et al. | Structural learning of activities from sparse datasets | |
JP5781040B2 (ja) | 行動推定装置およびそのプログラム | |
JP7178975B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Keyvanpour et al. | Augmented feature-state sensors in human activity recognition | |
Alemdar et al. | A unified model for human behavior modeling using a hierarchy with a variable number of states | |
US20230190159A1 (en) | Mood forecasting method, mood forecasting apparatus and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211220 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230208 |
|
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: 20230606 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230614 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7297712 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |