JP7414678B2

JP7414678B2 - 情報処理装置、情報処理方法、およびプログラム

Info

Publication number: JP7414678B2
Application number: JP2020154782A
Authority: JP
Inventors: 晃広山口; 研植野
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2020-09-15
Filing date: 2020-09-15
Publication date: 2024-01-16
Anticipated expiration: 2040-09-15
Also published as: JP2022048774A; US20220083569A1

Description

本発明の実施形態は、情報処理装置、情報処理方法、およびプログラムに関する。

時系列のデータに基づく解析結果を複数のクラス（分類項目）に分類する場合、分類性能が高いことに加えて、分類の根拠を明確にすることが好ましい。近年、時系列のデータをクラスに分類する技術であり、分類の根拠を明確にすることが可能なシェイプレット学習法が提案され、データマイニング、機械学習などの分野において注目を集めている。シェイプレット学習法は、分類器の学習とともに、分類の基準となる波形パターンも学習する。当該波形パターンは、シェイプレット（ｓｈａｐｅｌｅｔ）とも称される。

一方、社会インフラ、製造工場などにおける設備の異常を検知するために、数多くのセンサが利用されており、これらのセンサによって計測された時系列データの波形に基づき、正常、異常などの推定も行われている。その際、異なるセンサによる複数の時系列データの時間的な関連性を用いて推定を行うこともある。例えば、変電所の遮断器は、ストローク波形と、指令電流と、の２種類のデータの波形の時間的な関係性に基づき、異常か否かが判断され得る。また、例えば、燃料電池の温度と圧力との両方が同時に上昇した場合に、当該燃料電池に異常が発生したとみなすことがある。このように、複数の時系列データそれぞれに含まれるシェイプレットが同時に生じるかといった時間的な関係性の有無も、分類を行うにあたって必要とされる場合がある。

ゆえに、分類に有効なシェイプレットだけでなく、シェイプレットの同時発生、言い換えれば、シェイプレットの同期性も考慮する分類器を生成することができれば、技術者による解析を手助けし、分類の根拠をさらに明確にすると考えられる。しかし、シェイプレット学習法では、各シェイプレットの変量間の時間的な関係性を考慮できず、その関係性も抽出することができない。

特開２０１８－５５２３７６号公報

"ＬｅａｒｎｉｎｇＴｉｍｅ－ＳｅｒｉｅｓＳｈａｐｅｌｅｔｓ"，ＫＤＤ’１４Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０ｔｈＡＣＭＳＩＧＫＤＤｉｎｔｅｒｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙａｎｄｄａｔａｍｉｎｉｎｇＰａｇｅｓ３９２－４０１／ＪｏｓｉｆＧｒａｂｏｃｋａｅｔ．ａｌ／

本発明の一実施形態は、シェイプレットの関連性も考慮する分類器を生成する装置などを提供する。

本発明の一実施形態としての情報処理装置は、特徴量算出部と、分類部と、更新部と、検出部と、を備える。前記特徴量算出部は、複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出する。前記分類部は、前記特徴量を分類器に入力することにより、分類結果を取得する。前記更新部は、各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新する。前記検出部は、前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出する。

本発明の一実施形態に係る情報処理装置の一例を示すブロック図。シェイプレットについて説明する図。オフセットの設定について説明する図。出力の第１例を示す図。出力の第２例を示す図。出力の第３例を示す図。学習処理の概略フローチャート。分類処理の概略フローチャート。シェイプレットの数を絞り込む場合の入力および出力を示す図。シェイプレットの形状を指定されたクラスに合わせる例を示す図。本発明の一実施形態におけるハードウェア構成の一例を示すブロック図。

以下、図面を参照しながら、本発明の実施形態について説明する。

（本発明の一実施形態）
図１は、本発明の一実施形態に係る情報処理装置の一例を示すブロック図である。本実施形態に関する情報処理装置１００は、記憶部１０１と、入力部１０２と、特徴量生成部１０３と、分類部１０４と、更新部１０５と、検出部１０６と、出力部１０７と、を備える。

情報処理装置１００は、分類器を生成する。当該分類器は、同一期間内の複数の項目に関する時系列データに基づき、複数のクラス（分類項目）のうちからいずれかを選出する。例えば、分類器は、設備を監視するために設置された複数のセンサごとの１日分の計測値が示された複数の時系列データに基づき、当該設備の状態に関するクラスを選出する。

なお、分類器の生成とは、複数の時系列データを用いて繰り返し学習を行うことにより、分類器のパラメータの値を適切な値に近づけることを意味する。ゆえに、情報処理装置１００は学習装置とも言える。

なお、時系列データが示す項目、つまり、時系列データが何の値を示しているかは、特に限られるものではない。センサによって計測されたものでなくともよく、例えば、株価、企業の業績などといった指標のデータであってもよい。また、複数の項目はそれぞれ異なるが、区別可能であれば同一の項目であっても、異なる項目とみなす。例えば、装置上面の温度、装置側面の温度、装置下面の温度など、温度という同種類の計測項目であっても場所が異なっているため、別の項目とみなす。また、時系列データの期間の長さは、例えば、１時間、１日などと、適宜に定めてよい。一方、単位期間内の所定時点は、等間隔であるとするが、各時系列データにおいて同じでもよいし、異なっていてもよい。例えば、第１のセンサが毎秒ごとに計測した１日分の計測データと、第２のセンサが毎分ごとに計測した１日分の計測データと、第３のセンサ５分ごとに計測した１日分の計測データと、が、１セットとして用いられてもよい。なお、時系列データには欠損はないものとする。

また、クラスの数および内容は、特に限られるものではない。例えば、クラスが設備の状態を示すものである場合は、正常、異常、要警戒、故障などといったものでよい。天候などの今後の予測を示すものである場合、例えば、快晴、晴れ、曇り、雨などといったものでよい。

なお、時系列データが示す項目は変量とも記載され、複数の時系列データは、多変量時系列データセットとも記載される

また、情報処理装置１００は、分類結果の根拠として示される、分類に有効な部分波形パターンであるシェイプレット（Ｓｈａｐｅｌｅｔト）も、各時系列データごとに生成される。すなわち、生成された分類器による分類結果は、時系列データの波形の一部と、生成されたシェイプレットと、が類似することに起因する。シェイプレットは、クラスを分類するための基準となる波形とも言えるため、基準波形パターンとも記載する。

シェイプレットも、分類器と同様、学習によって適切な形状に近づけられる。なお、最初の学習においては、時系列データそれぞれに対応する複数のシェイプレットがあると仮定するが、学習中に仮定したシェイプレットを廃棄していく。そのため、結果的に、対応するシェイプレットが生成されなかった時系列データもあり得るし、各時系列データに対応するシェイプレットの個数が均一となるわけではない。例えば、一つの時系列データに１００個のシェイプレットがあると仮定し、各時系列データに対して１００個のデフォルトの形状のシェイプレットを用意する。そして、シェイプレットの形状についての学習を始めていき、学習の途中で、学習を中止するシェイプレットを決定していき、当該シェイプレットは廃棄、つまり、ないものとされる。学習終了までに残ったシェイプレットが、生成されたシェイプレットとなる。学習中のシェイプレットは、シェイプレットの候補とも言える。

図２は、シェイプレットについて説明する図である。図２には、センサ１から５による計測値が示された時系列データの波形が、点線によって示されている。また、センサ１の時系列データに対応するシェイプレットＳ１と、センサ２の時系列データに対応するシェイプレットＳ２と、センサ３の時系列データに対応するシェイプレットＳ３と、が示されている。なお、センサ４および５の時系列データには、対応するシェイプレットが生成されなかったとする。図２のように時系列データがシェイプレットと類似する部分を含んでいることにより、クラスが定まることになる。

さらに、情報処理装置１００は、生成されたシェイプレットの時間的関連性の有無も認識する。例えば、図２のシェイプレットＳ１およびＳ２が時間的関係を有していると認定されている場合に、センサ１の時系列データのシェイプレットＳ１に類似する部分と、センサ２の時系列データのシェイプレットＳ２に類似する部分と、が同時点において存在した場合に、分類器が特定のクラスを選出するようにする。このようにすることにより、第１計測項目と第２計測項目との両方が同時に上昇した場合に異常が発生したとみなすといったことを可能とする。なお、同時ではなく、複数の類似する部分が一定の時間幅内に含まれている場合に、時間的関連性があるとすることもできる。

本実施形態では、時間的関連性を有するシェイプレットを検出するために、複数のシェイプレットをグループ単位で管理する。各グループには、時系列データの数と同じ数のシェイプレットを含め、それぞれが時系列データと１対１で対応させる。例えば、図２の例のように、５個の時系列データがあり、各時系列データごとに１００個のシェイプレットが存在すると仮定した場合、１００個のグループが作成され、各グループには各時系列データにそれぞれ対応する５個のシェイプレットが含まれる。そして、学習を進めていくうちに、前述の通り、いくつかのシェイプレットが廃棄され、各グループに含まれるシェイプレットが減少していく。学習の終了時において、同一グループに属しているシェイプレットは、時間的関連性があるとする。

本説明で用いる、時系列データとシェイプレットに関する記号について説明する。本実施形態では、図２に示したセンサ１から５の時系列データのように、同一期間における複数の時系列データを１セットとして用いる。１セットあたりの時系列データの数、言い換えれば、変量の数をＶ個とする。図２の例では、センサ１から５に係る時系列データが存在するため、Ｖ＝５である。また、学習に用いられるセットの数をＩ個とする。例えば、１日ごとのセンサ１から５に係る時系列データを３日分ほど学習に用いる場合、セット数Ｉは３個となる。各時系列データの長さ、つまり、単位期間の長さは記号Ｑで表す。また、総数Ｉ個の多変量時系列データセットをＴと表す。多変量時系列データセットＴは、Ｉ×Ｖ×Ｑのテンソルである。

本説明では、便宜上、各時系列データの長さは同じとし、各シェイプレットの長さも同じとする。各シェイプレットはＬ個のプロット（点）から成り立つとする。前述のシェイプレットの時間的関連性を認識するために用いるグループの数を記号Ｋで表し、シェイプレットの形状を記号Ｓで表す。シェイプレットの形状Ｓは、シェイプレットの数×シェイプレットの長さＬのテンソルであり、グループの数Ｋ×変量の数Ｖ×シェイプレットの長さＬのテンソルとも言える。

分類器のパラメータは、重みベクトル（行列ベクトル）Ｗを用いて表せるとする。バイアス項は、簡単化のため、省略する。重みベクトルＷは、後述するが、学習の終了時には、スパースベクトル（スパース行列）となる。重みベクトルＷは、グループの数Ｋと、時系列データの数Ｖと、の積（Ｋ×Ｖ）の次元のベクトルで表される。当該積は、シェイプレットの数と同じであり、重みベクトルＷの各要素は、一つのシェイプレットに対応する。

重みベクトルＷの対応する要素が０であるシェイプレットは、分類器の分類に影響を及ぼさない。つまり、分類器が分類結果を算出する際に、重みベクトルＷの対応する要素が０であるシェイプレットは無視される。そのため、重みベクトルＷの対応する要素が０であるシェイプレットは、更新を中止してもよい。

情報処理装置１００の内部構成について説明する。なお、図１に示した構成要素は、上記の処理を行うためのものであり、他の構成要素は省略されている。また、各構成要素は、細分化されてもよいし、まとめられてもよい。例えば、記憶部１０１は、保存されるファイルなどに応じて、分けられていてもよい。また、記憶部１０１以外の構成要素を演算部とみなしてもよい。また、各構成要素の処理結果は、次の処理が行われる構成要素に送られてもよいし、記憶部１０１に記憶され、次の処理が行われる構成要素は記憶部１０１にアクセスして処理結果を取得してもよい。

記憶部１０１は、情報処理装置１００の処理に用いられるデータを記憶する。例えば、学習中または学習終了後の分類器およびシェイプレットが記憶されている。また、学習の最初に想定されるシェイプレットの個数、シェイプレットの長さなどの設定値が記憶されている。例えば、グループに含まれるシェイプレットの数Ｋのデフォルト値が１００であり、シェイプレットの長さＬのデフォルト値がＱ×０．１などと記憶されていてもよい。情報処理装置１００の各構成要素の処理結果などが記憶されてもよい。

入力部１０２は、外部からデータを取得する。例えば、学習用の時系列データセットを取得する。学習用の時系列データセットには、正解のクラス（クラスラベル）が付与されており、分類器の分類結果と比較される。

また、処理に用いられる設定値の入力を受け付けてもよい。例えば、生成するシェイプレットの数を限定する場合に、当該数などの設定値が入力され、記憶部１０１に記憶されている設定値の代わりに用いられてもよい。

特徴量生成部１０３は、複数の時系列データの波形と、複数のシェイプレットと、に基づき、シェイプレットごとに、複数の時系列データの波形の特徴量を算出する。例えば、時系列データとシェイプレットとのユークリッド距離を特徴量としてもよい。時系列データとシェイプレットとのユークリッド距離を算出するには、シェイプレットのオフセット（基準位置）を定める必要があるが、オフセットは、グループ単位で共通とする。

図３は、オフセットの設定について説明する図である。図３には、それぞれが各時系列データに対応し、同一のグループに属するシェイプレットＳ１からＳ５が示されている。図３の例では、シェイプレットＳ１からＳ５は、学習前の初期形状としている。シェイプレットＳ１からＳ５の共通のオフセットの位置を探索して決定する。図３の点線の枠と矢印で示すように、各シェイプレットの位置を同量ずつずらしていき、ずらす度にグループ単位での特徴量を算出し、最終的に特徴量が最も小さくなる地点をオフセットの位置とすればよい。なお、シェイプレットＳ４およびＳ５は、学習の途中でないものとみなされるが、それ以降においては、特徴量の算出においてもないものとみなされる。すなわち、センサ４の時系列データはシェイプレットＳ４がないものとみなされて以降、センサ５の時系列データはシェイプレットＳ５がないものとみなされて以降、特徴量の算出から除外される。

なお、上記では、オフセットの位置を同一グループ内の時系列データにおいて共通としたが、探索の際、各時系列データにおけるオフセットの位置を所定時間内でずらして、特徴量が最も小さくなる地点を探索してもよい。例えば、まず、シェイプレットＳ１のオフセットの位置を仮定し、仮定されたＳ１のオフセットの位置を中心とした所定範囲内でシェイプレットＳ２のオフセットの位置を探索してもよい。すなわち、各時系列データにおけるオフセットの位置がずれていても、所定時間内であればよい。これにより、各時系列データのシェイプレットに類似する部分が時間的に前後している場合でも、時間的関連性を有すると認定することができる。

なお、グループの特徴量は、グループの数Ｋと同じＫ次元の特徴ベクトルとして示されてもよい。あるいは、グループの特徴量は、例えば、当該グループに属するＶ個のシェイプレットの特徴量の平均などのように、一つのスカラー値にまとめられてもよい。

分類部１０４は、算出された特徴量を分類器に入力することにより、分類結果を取得する。分類結果は、正解のクラスに該当する確率などの数値で表される。分類器は、サポートベクタマシン、ニューラルネットワークモデルなどといった従来と同じ分類器を用いてよい。

更新部１０５は、分類結果に基づき、分類器の複数のパラメータの値と、シェイプレットの形状と、を更新する。当該更新は、分類結果が正解に近づくように更新される。例えば、正解のクラスに該当する確率などの数値を引数として含む損失関数の値が小さくなるように更新してもよい。あるいは、勾配を定義して、勾配法を用いてパラメータを更新してもよい。

なお、分類器のパラメータの更新は、重みベクトルＷの値の更新をすることにより、行われる。シェイプレットの更新は、例えば、第１クラスと第２クラスの二つのクラスがある場合に、第１クラスに関する複数の時系列データに対してシェイプレットとの距離の平均値を算出し、第２クラスに関する複数の時系列データに対してシェイプレットとの距離の平均値を算出し、それらの平均値が小さいほうの波形に近づける。なお、前述の通り、重みベクトルＷの対応する要素が０のシェイプレットは、更新を行なわなくてよい。

なお、シェイプレットの更新は、同一グループに含まれる全てのシェイプレットが特定のクラスに関する時系列データの波形に近づくようにしたほうが好ましい。例えば、時間的関連性を有するシェイプレットＳ１およびＳ２を第１クラスに関する時系列データの一部分に合致するように整形した場合、シェイプレットＳ１およびＳ２を第１クラスに関する時系列データと重ね合わせることにより、一目でシェイプレットと時系列データが一致していると理解することができる。

さらに、更新部１０５は、分類器のパラメータのうち、条件を満たすパラメータの値を０に更新する。線形分類器の場合は、重みベクトルＷの要素のうち、条件を満たす要素の値を０に更新する。例えば、更新部１０５は、重みベクトルＷの各要素の値の絶対値に基づき、値を０とする重みベクトルＷの要素を決定してもよい。例えば、算出された値が閾値を越えていない要素の値を０としてもよい。あるいは、算出された値に基づいて各要素をランクづけし、ランクが閾値を越えていない要素の値を０としてもよい。また、例えば、更新部１０５は、重みベクトルＷの各列ごとの総和の絶対値を算出し、算出された値に基づき、要素の値を０とする重みベクトルＷの列を決定してもよい。言い換えれば、

をＫ個の列ごとに算出して、要素の値を０とする重みベクトルＷの列を決定してもよい。そして、例えば、算出された値が閾値を越えていない列に存在する全ての要素の値を０としてもよい。あるいは、算出された値に基づいて各列をランクづけし、ランクが閾値を越えていない列に存在する全ての要素の値を０としてもよい。また、例えば、どのパラメータの値が０になるかを推定するための手法であるｓｐａｒｓｅｇｒｏｕｐｌａｓｓｏなどのスパースモデリングを用いてもよい。その場合、正則化パラメータの値を調整し、判定のための閾値関数（Ｓｏｆｔｔｈｒｅｓｈｏｌｄｉｎｇｆｕｎｃｔｉｏｎ）を適用して、値を０にする要素を決定する。このように条件は適宜に定めてよいが、値を０とする要素を決定する。

なお、上記ではパラメータの値を０に更新するとしたが、当該更新は、不要なシェイプレトからの影響を受けない特定値にすることを意味する。不要なシェイプレトからの影響を受けないならば、特定値を０以外の値にしてもよい。

なお、更新部１０５は、初めて学習を実行する際は、分類器のパラメータと、シェイプレットの形状Ｓと、を初期化する。すなわち、重みベクトルＷも初期化される。初期化において、設定される値、つまり初期値は、適宜に定めてよい。例えば、時系列データセットから長さＬのセグメントを抽出し、ｋ－ｍｅａｎｓ法などのクラスタリングを行うことによって得られた、Ｋ個のクラスタのセントロイド（重心点）を、初期化されたシェイプレットの形状としてもよい。

検出部１０６は、分類器のパラメータに基づき、複数のシェイプレットのうちから、時間的関連性を有するシェイプレットを検出する。前述の通り、同じグループに属する有効なシェイプレットが時間的関連性を有するが、同じグループに属する有効なシェイプレットは、重みベクトルＷの行列式の同じ列に存在し、かつ、値が０でない要素に対応するシェイプレットである。前述の更新部１０５の処理により、重みベクトルＷの要素の値が０などの特定値にされているため、重みベクトルＷに基づき、時間的関連性を有するシェイプレットを検出することができる。

なお、重みベクトルＷの行列式の同じ列に特定値でない要素が一つしかない場合、当該要素に対応するシェイプレットは、他のシェイプレットと時間的関連性を有しない。

また、検出部１０６は、対応するシェイプレットが存在しない時系列データを検出してもよい。対応するシェイプレットが存在しないということは、当該時系列データは、分類結果に影響を及ぼさないということであり、当該時系列データは、分類に不要であることを意味する。ゆえに、不要な時系列データを検出して除外することを提案することも可能となる。

出力部１０７は、各構成要素の処理結果を出力する。例えば、用いられた時系列データ、生成された各シェイプレット、検出されたシェイプレットの時間的関連性を示す情報などが出力される。

また、出力部１０７の出力形式は、特に限られるものではなく、例えば、表でも画像でもよい。例えば、出力部１０７は、時系列データに基づく波形を画像として出力してもよい。

図４から６はそれぞれ、出力の第１から第３例を示す図である。図４には、分類結果が第１クラスとなる時系列データと、生成されたシェイプレットＳ１からＳ３と、時間関連性に関する情報を示す点線の枠Ｇ１およびＧ２が示されている。

シェイプレットＳ１からＳ３は、分類結果が第１クラスとなる時系列データに合致するように生成されているとする。そのため、図４の時系列データには、シェイプレットＳ１からＳ３に合致する部分に、シェイプレットＳ１からＳ３が重ねて示されている。出力部１０７は、生成されたシェイプレットと合致する時系列データの部分を、特徴量の算出と同様に探索して検出し、検出された部分に対応するシェイプレットを重ね合わせて表示すればよい。

枠Ｇ１は、枠Ｇ１に囲まれているシェイプレットＳ１およびＳ２が時間関連性があることを示す。一方、枠Ｇ２にはシェイプレットＳ３しか示されていないため、シェイプレットＳ３は時間関連性を有するシェイプレットを持たないことが示されている。なお、図４の例では、枠Ｇ１およびＧ２の位置がずれているが、枠Ｇ１およびＧ２の位置が同じであっても、別々の枠で囲まれているため、シェイプレットＳ３は、シェイプレットＳ１およびＳ２とは時間的関連性を有しない。

図５には、分類結果が第２クラスとなる時系列データと、生成されたシェイプレットＳ１からＳ３と、時間関連性があることを示す点線の枠Ｇ１およびＧ２が示されている。シェイプレットＳ１からＳ３は、分類結果が第１クラスとなる時系列データに合致するように生成されているため、シェイプレットと合致する部分を有する時系列データが少ない。図５のセンサ１の時系列データはシェイプレットＳ１と合致する部分を有しているが、当該部分の同じ時点において、シェイプレットＳ１と時間的関連性を有するシェイプレットＳ２は、センサ２の時系列データと合致していない。このような場合、時系列データに関するクラスがシェイプレットに関するクラスと一致しないと判定される可能性が高くなる。

図６には、シェイプレットＳ１からＳ３をそれぞれ示す三つのノードと、時間的関連性を有することを示すリンクが示されている。前述の通り、シェイプレットＳ１およびＳ２は時間的関連性を有し、シェイプレットＳ３とは時間的関連性を有しないため、シェイプレットＳ１およびＳ２を示すノード間にリンクが張られ、シェイプレットＳ３はリンクを有しない。また、シェイプレットＳ１からＳ３がいずれの時系列データに対応しているかを示してもよい。図６の例では、各ノードがいずれのセンサの時系列データに対応するかも示されている。また、センサ４および５が示されていないことから、センサ４および５が分類に寄与しないことも分かる。出力部１０７は、このような画像を表示して、時間的関連性を通知してもよい。

次に、構成要素の各処理の流れについて説明する。図７は、学習処理の概略フローチャートである。本フローチャートは、分類器などの学習に関するフローを示す。

まず、更新部１０５が、シェイプレットおよび分類器のパラメータを初期化する（Ｓ１０１）。各初期値は、前述の通り、記憶部１０１に記憶されているものを用いてもよいし、入力部１０２を介して、入力を受け付けてもよい。その後、正解のクラスが付与された学習用の時系列データが送られてくるので、入力部１０２は、学習用の時系列データおよび正解のクラスを取得する（Ｓ１０２）。なお、記憶部１０１に記憶されているものを取得してもよい。特徴量生成部１０３は、シェイプレットごとに時系列データの特徴量を生成する（Ｓ１０３）。分類部１０４は、算出された特徴量を分類器に入力して分類結果を取得する（Ｓ１０４）。更新部１０５は、分類結果が正解のクラスに近づくよう、シェイプレットと、分類器のパラメータと、を更新する（Ｓ１０５）。シェイプレットは、推定されたクラスの時系列データの波形に合わせるように更新する。

さらに更新部１０５は、特定値に近いなどの条件を満たすパラメータが存在する場合（Ｓ１０６のＹＥＳ）、当該パラメータの値を特定値に更新する（Ｓ１０７）。条件を満たすパラメータが存在しない場合（Ｓ１０６のＮＯ）、Ｓ１０７の処理は省略される。Ｓ１０２からＳ１０７までの処理が１回分の学習のフローである。

そして、学習の終了条件を満たすかが判定され、学習の終了条件を満たさない場合（Ｓ１０８のＮＯ）は、Ｓ１０２の処理に戻り、次の学習用の時系列データに基づき、再度、学習が行われる。学習の終了条件を満たす場合（Ｓ１０８のＹＥＳ）は、分類器およびシェイプレットの学習は終了となり、検出部１０６が、分類器のパラメータに基づき、時間的関連性を有するシェイプレットを検出する（Ｓ１０９）。そして、生成されたシェイプレット、検出された時間的関連性を有するシェイプレットなどの処理結果は、出力部１０７によって出力され（Ｓ１１０）、フローは終了する。

図８は、分類処理の概略フローチャートである。本フローチャートは、分類器の学習が完了している場合、分類器のテストを行う場合などにおいて、正解のクラスが付与されていない時系列データを取得したときに行われる。

入力部１０２が、正解のクラスが付与されていない時系列データを取得する（Ｓ２０１）。特徴量生成部１０３は、シェイプレットごとに時系列データの特徴量を生成する（Ｓ２０２）。分類部１０４は、算出された特徴量を分類器に入力して分類結果を取得する（Ｓ２０３）。そして、出力部１０７が処理結果を出力し（Ｓ２０４）、フローは終了する。このように、分類器およびシェイプレットの更新と、時間的関連性を有するシェイプレットの検出と、は、本フローでは行われない。

なお、上記の分類処理は、学習処理を行った情報処理装置１とは別の情報処理装置が行うことも可能である。例えば、学習処理はクラウドに置かれた第１情報処理装置が実行し、分類処理は、時系列データを取得するセンサなどと同じ施設に置かれた第２情報処理装置が実行するといったことも可能である。この場合、第１情報処理装置は学習装置とも言え、第２情報処理装置は分類装置とも言える。

以上のように、本実施形態の情報処理装置１００は、時系列データに基づいてクラスを分類する分類器を生成する際に、分類の根拠となるシェイプレットを生成するのみならず、生成されたシェイプレットの時間的関連性を検出することができる。また、分類に不要な時系列データを除外することができる。これにより、分類性能が上昇する。さらに、時間的関連性のあるシェイプレットおよび時系列データの情報を出力することにより、異常などの原因を究明する技術者の理解を助けることができる

なお、上記では、更新部１０５が、重みベクトルＷの要素の値を０にすることにより、シェイプレットの数を絞り込んだが、最終的に絞り込まれるシェイプレットの数が指定されてもよい。言い換えれば、指定された数となるまでシェイプレットの数を絞り込んでもよい。あるいは、対応するシェイプレットを有する時系列データの数を絞り込んでもよい。例えば、対応するシェイプレットを有する時系列データを全時系列データの半分と指定してもよいし、各時系列データと対応するシェイプレットの数を最大２個までと決めてもよいし、全てのシェイプレットの数を時系列データの数の３倍としてもよい。

例えば、前述の例では、センサ１から５による時系列データが用いられたが、センサ１から５のうちのいずれが分類にとって重要であるかを知りたい場合もあり得る。そのため、シェイプレットの数を絞り込むことにより、指定された数になるまで、対応するシェイプレットがある時系列データを減らしてもよい。このように、シェイプレットおよび時系列データの数も、それらを絞り込むための条件として扱ってよい。これにより、分類に利用する時系列データの数を抑えることができる。また、監視などに重要なセンサなどを選出することも可能となる。

図９は、シェイプレットの数を絞り込む場合の入力および出力を示す図である。図９の例では、変量の数、つまり、時系列データの数、の指定を受け付け、対応するシェイプレットを有する時系列データの数を指定された数としている。図９（Ａ）では、変量の数を小さくするという入力が行われている。当該入力は、分類器などの学習前に受け付けられ、更新部１０５は、この入力に応じて、パラメータの値を特定値にする要素の数を決定し、生成するシェイプレットの数を絞り込む。

図９（Ａ）では、出力において、センサ１および２の時系列データのみに対し、対応するシェイプレットが生成されたことが示されている。一方、図９（Ｂ）では、図９（Ａ）の例よりも、変量の数を大きくするという入力が行われている。ゆえに、図９（Ｂ）の例では、図９（Ａ）の例では示されていなかった、センサ３による時系列データに対応するシェイプレットも示されている。このように、要望に応じて、対応するシェイプレットを有する時系列データを絞りこんでもよい。例えば、分類性能が多少下がったとしても変量の数を減らして管理を容易にしたい場合、逆に、変量を増やして管理が難しくなったとしても分類性能を少しでも向上したい場合に、このように変量を指定する。これにより、事業ニーズに適したシェイプレットおよび分類器を生成することができる。

また、クラスの指定を受け付け、指定されたクラスを表すほうの時系列データの波形に、シェイプレットを合わせるように更新が行われてもよい。図１０は、シェイプレットの形状を指定されたクラスに合わせる例を示す図である。図１０（Ａ）の例では、シェイプレットのグループを二つほど第１クラスの時系列データに合わせるように入力されており、出力として、第１クラスの時系列データに合わせられたグループを示す枠Ｇ１およびＧ２が示されている。枠Ｇ１およびＧ２内のシェイプレットは、第１クラスの時系列データに合わせられているため、第２クラスの時系列データとは合致していない。

一方、図１０（Ｂ）の例では、シェイプレットのグループを一つずつ第１クラスの時系列データおよび第２クラスの時系列データに合わせるように入力されており、枠Ｇ１内のシェイプレットは第２クラスの時系列データに合わせられており、枠Ｇ２内のシェイプレットは第１クラスの時系列データに合わせられている。このように、オプションとして、ユーザが出力を見やすいように、シェイプレットの形状を合わせるクラスを指定させてもよい。例えば、時系列データに基づいて設備の異常を検知したい場合は、異常を示す時系列データにシェイプレットを合わせて、異常ということを一目で判断できるようにしてもよい。

なお、図１０のように、合致させるシェイプレットの数が指定された場合は、更新部１０５が、シェイプレットを更新する際に、特徴量が最小のシェイプレット、つまり、時系列データの波形と最も合致しているシェイプレットを指定された数だけ検出し、検出されたシェイプレットを該当するクラスの波形に近づくように更新してもよい。

なお、上記の実施形態の少なくとも一部は、プロセッサ、メモリなどを実装しているＩＣ（ＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ：集積回路）などの専用の電子回路（すなわちハードウェア）により実現されてもよい。また、上記の実施形態の少なくとも一部は、ソフトウェア（プログラム）を実行することにより、実現されてもよい。例えば、汎用のコンピュータ装置を基本ハードウェアとして用い、コンピュータ装置に搭載されたＣＰＵなどのプロセッサにプログラムを実行させることにより、上記の実施形態の処理を実現することが可能である。

例えば、コンピュータが読み取り可能な記憶媒体に記憶された専用のソフトウェアをコンピュータが読み出すことにより、コンピュータを上記の実施形態の装置とすることができる。記憶媒体の種類は特に限定されるものではない。また、通信ネットワークを介してダウンロードされた専用のソフトウェアをコンピュータがインストールすることにより、コンピュータを上記の実施形態の装置とすることができる。こうして、ソフトウェアによる情報処理が、ハードウェア資源を用いて、具体的に実装される。

図１１は、本発明の一実施形態におけるハードウェア構成の一例を示すブロック図である。情報処理装置１００は、プロセッサ２０１と、主記憶装置２０２と、補助記憶装置２０３と、ネットワークインタフェース２０４と、デバイスインタフェース２０５と、を備え、これらがバス２０６を介して接続されたコンピュータ装置２００として実現できる。記憶部１０１は、主記憶装置２０２または補助記憶装置２０３により実現可能であり、その他の構成要素は、プロセッサ２０１により実現可能である。

なお、図１１のコンピュータ装置２００は、各構成要素を一つ備えているが、同じ構成要素を複数備えていてもよい。また、図１１では、１台のコンピュータ装置２００が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされて、当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行してもよい。

プロセッサ２０１は、コンピュータの制御装置および演算装置を含む電子回路である。プロセッサ２０１は、コンピュータ装置２００の内部構成の各装置などから入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を各装置などに出力する。具体的には、プロセッサ２０１は、コンピュータ装置２００のＯＳ（オペレーティングシステム）や、アプリケーションなどを実行し、コンピュータ装置２００を構成する各装置を制御する。プロセッサ２０１は、上記の処理を行うことができれば特に限られるものではない。

主記憶装置２０２は、プロセッサ２０１が実行する命令および各種データなどを記憶する記憶装置であり、主記憶装置２０２に記憶された情報がプロセッサ２０１により直接読み出される。補助記憶装置２０３は、主記憶装置２０２以外の記憶装置である。なお、これらの記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとし、メモリでもストレージでもよい。また、メモリには、揮発性メモリと、不揮発性メモリがあるが、いずれでもよい。

ネットワークインタフェース２０４は、無線または有線により、通信ネットワーク３００に接続するためのインタフェースである。ネットワークインタフェース２０４は、既存の通信規格に適合したものを用いればよい。ネットワークインタフェース２０４により、通信ネットワーク３００を介して通信接続された外部装置４００Ａと情報のやり取りが行われてもよい。

デバイスインタフェース２０５は、外部装置４００Ｂと直接接続するＵＳＢなどのインタフェースである。外部装置４００Ｂは、外部記憶媒体でもよいし、データベースなどのストレージ装置でもよい。

外部装置４００Ａおよび４００Ｂは出力装置でもよい。出力装置は、例えば、画像を表示するための表示装置でもよいし、音声などを出力する装置などでもよい。例えば、ＬＣＤ（ＬｉｑｕｉｄＣｒｙｓｔａｌＤｉｓｐｌａｙ）、ＣＲＴ（ＣａｔｈｏｄｅＲａｙＴｕｂｅ）、ＰＤＰ（ＰｌａｓｍａＤｉｓｐｌａｙＰａｎｅｌ）、スピーカなどがあるが、これらに限られるものではない。

なお、外部装置４００Ａおよび４００Ｂは入力装置でもよい。入力装置は、キーボード、マウス、タッチパネルなどのデバイスを備え、これらのデバイスにより入力された情報をコンピュータ装置２００に与える。入力装置からの信号はプロセッサ２０１に出力される。

上記に、本発明の一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、移行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。

１００情報処理装置
１０１記憶部
１０２入力部
１０３特徴量生成部
１０４分類部
１０５更新部
１０６検出部
１０７出力部
２００コンピュータ装置
２０１プロセッサ
２０２主記憶装置
２０３補助記憶装置
２０４ネットワークインタフェース
２０５デバイスインタフェース
２０６バス
３００通信ネットワーク
４００Ａおよび４００Ｂ外部装置
Ｓ１、Ｓ２、Ｓ３、Ｓ４、Ｓ５シェイプレット
Ｇ１、Ｇ２シェイプレットのグループ

Claims

時間方向に同じオフセット位置を有する又はオフセット位置のずれが所定時間内であるオフセット位置を有する複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出する特徴量算出部と、
前記特徴量を分類器に入力することにより、分類結果を取得する分類部と、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新する更新部と、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出する検出部と、
を備える情報処理装置。
前記特徴量算出部は、前記複数の時系列データの波形と、前記複数の基準波形パターンと、に基づき、前記特徴量を算出する
請求項１に記載の情報処理装置。
前記複数の時系列データに基づく分類の正解と、前記分類結果に基づき、各前記基準波形パターンの形状と、前記分類器の複数のパラメータの値と、を更新する
請求項１または２に記載の情報処理装置。
前記関連性を有する基準波形パターンと対応する時系列データの、前記関連性を有する基準波形パターンに相当する部分が生じた各時刻がほぼ一致する
請求項１ないし３のいずれか一項に記載の情報処理装置。
前記分類器のパラメータは、複数の要素を含む重みベクトルに基づいて表され、
前記重みベクトルの各要素は、前記複数の基準波形パターンそれぞれに対応し、
前記更新部は、前記重みベクトルの複数の要素のうちの少なくとも一つを特定値に設定し、
前記検出部は、前記重みベクトルの前記特定値に設定されていない要素に基づき、関連性を有する基準波形パターンを検出する
請求項１ないし４のいずれか一項に記載の情報処理装置。
前記複数の基準波形パターンは１以上のグループに分類されており、
前記グループに属する基準波形パターンは前記複数の時系列データそれぞれに対応し、
前記特徴量は前記グループごとにまとめられて前記分類器に入力され、
前記検出部は、同じグループに属し、かつ、前記重みベクトルの対応する要素が前記特定値に設定されていない基準波形パターンを、関連性を有する基準波形パターンとして検出する
請求項５に記載の情報処理装置。
前記特徴量は、前記時系列データと、前記基準波形パターンと、のユークリッド距離であり、
同一グループに属する各基準波形パターンの、前記ユークリッド距離を算出するためのオフセットの位置が一致する
請求項６に記載の情報処理装置。
前記特徴量は、前記時系列データと、前記基準波形パターンと、のユークリッド距離であり、
同一グループに属する各基準波形パターンの、前記ユークリッド距離を算出するためのオフセットの位置の差が、所定範囲内である
請求項６に記載の情報処理装置。
基準波形パターンの数の指定を受け付ける入力部
をさらに備え、
前記更新部は、前記特定値に設定されていない要素の数が指定された数と一致するように、前記重みベクトルを更新する
請求項５ないし８のいずれか一項に記載の情報処理装置。
基準波形パターンの数の指定と、分類項目の指定と、を受け付ける入力部
をさらに備え、
前記更新部は、指定された数と同数の基準波形パターンの形状が、指定された分類項目に該当する時系列データの波形の一部分に近づくように更新する
請求項５ないし８のいずれか一項に記載の情報処理装置。
分類項目の指定を受け付ける入力部
をさらに備え、
前記更新部は、指定された分類項目に該当する時系列データの波形の一部分に、前記グループに属する各基準波形パターンの形状が近づくように更新する
請求項６ないし８のいずれか一項に記載の情報処理装置。
前記更新部は、勾配降下法を用いて、前記重みベクトルの要素の値を更新する
請求項５ないし１１のいずれか一項に記載の情報処理装置。
スパースモデリングを用いて、前記特定値に設定する前記重みベクトルの要素を決定する
請求項５ないし１２のいずれか一項に記載の情報処理装置。
前記関連性を有する基準波形パターンを示す情報を少なくとも出力する出力部
をさらに備える請求項１ないし１３のいずれか一項に記載の情報処理装置。
請求項１ないし１４のいずれか一項に記載の情報処理装置とは異なる情報処理装置であって、
請求項１ないし１４のいずれか一項に記載の情報処理装置によってパラメータの値が更新された分類器を用いて、分類の正解が不明な複数の時系列データに対する分類結果を取得する
情報処理装置。
時間方向に同じオフセット位置を有する又はオフセット位置のずれが所定時間内であるオフセット位置を有する複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出するステップと、
前記特徴量を分類器に入力することにより、分類結果を取得するステップと、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新するステップと、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出するステップと、
を備える情報処理方法。
時間方向に同じオフセット位置を有する又はオフセット位置のずれが所定時間内であるオフセット位置を有する複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出するステップと、
前記特徴量を分類器に入力することにより、分類結果を取得するステップと、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新するステップと、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出するステップと、
を備える、コンピュータによって実行されるプログラム。
複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出する特徴量算出部と、
前記特徴量を分類器に入力することにより、分類結果を取得する分類部と、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新する更新部と、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出する検出部と、
を備え、
前記関連性を有する基準波形パターンと対応する時系列データの、前記関連性を有する基準波形パターンに相当する部分が生じた各時刻がほぼ一致する
情報処理装置。
複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出するステップと、
前記特徴量を分類器に入力することにより、分類結果を取得するステップと、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新するステップと、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出するステップと、
を備え、
前記関連性を有する基準波形パターンと対応する時系列データの、前記関連性を有する基準波形パターンに相当する部分が生じた各時刻がほぼ一致する
情報処理方法。
複数の基準波形パターンごとに、複数の時系列データの波形の特徴量を算出するステップと、
前記特徴量を分類器に入力することにより、分類結果を取得するステップと、
各前記基準波形パターンの形状と、前記分類器の複数のパラメータと、を更新するステップと、
前記分類器のパラメータに基づき、前記複数の基準波形パターンのうちから、関連性を有する基準波形パターンを検出するステップと、
コンピュータに実行させ、
前記関連性を有する基準波形パターンと対応する時系列データの、前記関連性を有する基準波形パターンに相当する部分が生じた各時刻がほぼ一致する
プログラム。