JP7490321B2 - 情報処理装置及び情報処理方法 - Google Patents

情報処理装置及び情報処理方法 Download PDF

Info

Publication number
JP7490321B2
JP7490321B2 JP2021154380A JP2021154380A JP7490321B2 JP 7490321 B2 JP7490321 B2 JP 7490321B2 JP 2021154380 A JP2021154380 A JP 2021154380A JP 2021154380 A JP2021154380 A JP 2021154380A JP 7490321 B2 JP7490321 B2 JP 7490321B2
Authority
JP
Japan
Prior art keywords
data
time series
series data
occurrence
pseudo
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
JP2021154380A
Other languages
English (en)
Other versions
JP2023045802A (ja
Inventor
康孝 西村
直人 武田
敦宣 南川
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.)
KDDI Corp
Original Assignee
KDDI Corp
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 KDDI Corp filed Critical KDDI Corp
Priority to JP2021154380A priority Critical patent/JP7490321B2/ja
Publication of JP2023045802A publication Critical patent/JP2023045802A/ja
Application granted granted Critical
Publication of JP7490321B2 publication Critical patent/JP7490321B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Alarm Systems (AREA)

Description

本発明は、情報処理装置及び情報処理方法に関する。
従来、機械学習により生成された、時系列データの入力に対して複数のクラスそれぞれの生起確率を算出する分類モデルや、時系列データの入力に対して所定の事象の回帰予測を行う回帰モデルを用いて各種の事象を推定、予測することが行われている。
例えば、非特許文献１では、ＩｏＴ機器である宅内センサのセンサＩＤを、宅内センサが作動した時間順に並べた時系列データを生成し、時系列データを文章、時系列データに含まれるセンサＩＤを単語とし、Ｗｏｒｄ２Ｖｅｃを利用して、各センサに、センサ同士の共起関係を示す特徴ベクトルを割り当てる技術が開示されている。
宅内のユーザが所定の行動又は所定の行動と連動した行動を行うことにより作動する複数のセンサは、特徴空間上で相対的に近い位置に配置される。したがって、ユーザの行動と、センサの作動状況との対応付けを行うことにより、センサの作動状況に基づいて、宅内のユーザの行動認識、及び行動予測を行うことができる。
Kushal Singla, and Joy Bose." IoT2Vec: Identification of Similar IoT Devices via Activity Footprints." 2018 International Conference on Advances in Computing, Communications and Informatics (ICACCI). IEEE, ２０１８年
ところで、推定した事象に対して、イベントの発生順が重要な場合がある。例えば、宅内の複数のセンサの作動順を示す時系列データに基づいて居住者の行動を推定する場合、特定の複数のセンサが順番に作動することがある。例えば、居住者が外出する場合には、リビング照明のＯＮ、ＯＦＦを検出するセンサがＯＦＦになった後、玄関扉の開閉を検出するセンサがＯＰＥＮとなる。このように、事象の推定に対してイベントの発生順序も重要であるものの、従来の技術では、時系列データに含まれている複数のイベント発生データが示すイベントの発生順が重要であるかを提示することができないという問題があった。
そこで、本発明はこれらの点に鑑みてなされたものであり、イベントの発生順が重要であるかを提示することを目的とする。
本発明の第１の態様に係る情報処理装置は、イベントの発生を示し、複数の前記イベントそれぞれを識別するためのイベント識別情報を含むイベント発生データを前記イベントの発生順に並べた時系列データを取得する時系列データ取得部と、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力するモデルに、前記時系列データ取得部が取得した前記時系列データを入力し、前記モデルが出力した出力データを取得する出力データ取得部と、前記時系列データ取得部が取得した前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するデータ作成部と、前記出力データ取得部に、前記データ作成部が作成した前記疑似時系列データに対応する出力データである疑似出力データを取得させ、前記時系列データ取得部が取得した前記時系列データに対応する出力データと、前記疑似出力データとの差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する判定部と、前記判定部による判定結果を出力する出力部と、を有する。
前記判定部は、前記時系列データ取得部が取得した前記時系列データに対応する出力データに含まれる最も生起確率が高いクラスの生起確率と、前記疑似時系列データに対応する疑似出力データに含まれる当該クラスの生起確率との差分に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定してもよい。
前記情報処理装置は、前記出力データ取得部が取得した前記出力データが示す出力結果の算定に対する、前記時系列データ取得部が取得した前記時系列データに含まれる複数の前記イベント発生データそれぞれの重要度を特定する重要度特定部をさらに有し、前記データ作成部は、複数の前記イベント発生データのうち、特定された前記重要度が相対的に高い２つの前記イベント発生データを特定し、当該２つのイベント発生データの発生順を入れ替えた前記疑似時系列データを作成してもよい。
前記判定部は、前記出力データ取得部に前記疑似時系列データに対応する前記疑似出力データを取得させるとともに、前記重要度特定部に、当該疑似出力データに対する、当該疑似時系列データに含まれる複数の前記イベント発生データそれぞれの重要度である疑似重要度を特定させ、前記時系列データ取得部が取得した前記時系列データの出力データと前記疑似出力データとの差の内容と、前記時系列データに対応する重要度と前記疑似重要度との差の内容とに基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定してもよい。
本発明の第２の態様に係る情報処理装置は、イベントの発生を示し、複数の前記イベントそれぞれを識別するためのイベント識別情報を含むイベント発生データを前記イベントの発生順に並べた時系列データを取得する時系列データ取得部と、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力する分類モデル又は時系列データの入力に対して所定の事象の回帰予測を行う回帰モデルに、前記時系列データ取得部が取得した前記時系列データを入力し、前記分類モデル又は前記回帰モデルが出力した出力データを取得する出力データ取得部と、前記出力データ取得部が取得した前記出力データが示す出力結果の算定に対する、前記時系列データ取得部が取得した前記時系列データに含まれる複数の前記イベント発生データそれぞれの重要度を特定する重要度特定部と、前記時系列データ取得部が取得した前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するデータ作成部と、前記出力データ取得部に、前記データ作成部が作成した前記疑似時系列データに対応する出力データである疑似出力データを取得させるとともに、前記重要度特定部に前記疑似出力データに対する、複数の前記イベント発生データそれぞれの前記重要度である疑似重要度を特定させ、前記時系列データ取得部が取得した前記時系列データの出力データに対応する重要度と、前記疑似重要度との差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する判定部と、前記判定部による判定結果を出力する出力部と、を有する。
前記データ作成部は、前記時系列データに含まれる複数のイベント発生データの中から２つのイベントデータの選択を受け付け、選択された２つのイベント発生データの発生順を入れ替えた前記疑似時系列データを作成してもよい。
本発明の第３の態様に係る情報処理方法は、コンピュータが実行する、複数のイベントそれぞれを識別するためのイベント識別情報を含み、イベントの発生を示すイベント発生データを前記イベントの発生順に並べた時系列データを取得するステップと、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力するモデルに取得した前記時系列データを入力し、前記モデルが出力した出力データを取得するステップと、前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するステップと、前記モデルに、作成された前記疑似時系列データを入力し、前記モデルが出力した出力データを疑似出力データとして取得するステップと、取得した前記時系列データに対応する出力データと、前記疑似出力データとの差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定するステップと、前記判定の結果を出力するステップと、を有する。
本発明によれば、イベントの発生順が重要であるかを提示することができるという効果を奏する。
本実施形態に係る情報処理装置の概要を説明する図である。 本実施形態に係る情報処理装置の構成を示す図である。 時系列データの一例を示す図である。 図３に示す時系列データに対応する重要度データを示す図である。 図３、図４に対応して作成された疑似時系列データを示す図である。 図５に示す疑似時系列データに対応する疑似重要度データを示す図である。
［情報処理装置の概要］
図１は、本実施形態に係る情報処理装置１の概要を説明する図である。情報処理装置１は、イベントの発生を示すイベント発生データをイベントの発生順に並べた時系列データに含まれている２つのイベント発生データの発生順が重要であるかを判定するためのコンピュータである。
図１に示すように、情報処理装置１は、イベント発生データをイベントの発生順に並べた時系列データを取得する（図１における（１））。情報処理装置１は、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力する機械学習モデルに、取得した時系列データを入力し、機械学習モデルが出力した出力データを取得する（図１における（２）、（３））。
機械学習モデルは、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力する分類モデル又は時系列データの入力に対して所定の事象の回帰予測を行う回帰モデルである。機械学習モデルは、例えば、時系列データと、当該時系列データに対応するクラスとを関連付けた教師データに基づいて予め学習済であるものとする。
情報処理装置１は、例えば、ＸＡＩ（Ｅｘｐｌａｉｎａｂｌｅ ＡＩ）モデルを用いて、出力データに対する複数のイベント発生データそれぞれの重要度を示す重要度データを取得する（図１における（４））。ＸＡＩモデルは、例えば、時系列データから生成した複数の疑似データを機械学習モデルに入力し、出力データの変化を観察することにより、重要度を示す重要度データを出力するモデルである。情報処理装置１は、出力データ及び重要度データを取得すると、重要度データに基づいて、当該出力データに対する、取得した時系列データに含まれる複数のイベント発生データそれぞれの重要度を特定する（図１における（５））。情報処理装置１は、重要度が相対的に高い２つのイベント発生データを特定し、取得した時系列データに含まれる複数のイベント発生データのうち、特定した２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成する（図１における（６））。
情報処理装置１は、作成した疑似時系列データを機械学習モデルに入力し、機械学習モデルが出力した出力データを疑似出力データとして取得する（図１における（７）、（８））。情報処理装置１は、取得した時系列データに対応する出力データと、疑似出力データとの差の内容に基づいて、特定した２つのイベント発生データの発生順が重要であるか否かを判定し、判定結果を示す判定結果情報を出力する（図１における（９）、（１０））。このようにすることで、情報処理装置１は、２つのイベント発生データが示すイベントの発生順が重要であるかを提示することができる。
［情報処理装置１の構成例］
続いて、情報処理装置１の構成について説明する。図２は、本実施形態に係る情報処理装置１の構成を示す図である。情報処理装置１は、通信部１１と、記憶部１２と、制御部１３とを有する。制御部１３は、時系列データ取得部１３１と、出力データ取得部１３２と、重要度特定部１３３と、データ作成部１３４と、判定部１３５と、出力部１３６とを有する。
通信部１１は、インターネット等のネットワークを介して外部装置とデータを送受信するための通信インターフェースである。
記憶部１２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等である。記憶部１２は、情報処理装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１２は、情報処理装置１の制御部１３を、時系列データ取得部１３１、出力データ取得部１３２、重要度特定部１３３、データ作成部１３４、判定部１３５、及び出力部１３６として機能させるプログラムを記憶する。
制御部１３は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。制御部１３は、記憶部１２に記憶されている各種プログラムを実行することにより、情報処理装置１に係る機能を制御する。制御部１３は、記憶部１２に記憶されているプログラムを実行することにより、時系列データ取得部１３１、出力データ取得部１３２、重要度特定部１３３、データ作成部１３４、判定部１３５、及び出力部１３６として機能する。
時系列データ取得部１３１は、イベントの発生を示し、複数のイベントそれぞれを識別するためのイベント識別情報としてのイベントＩＤを含むイベント発生データをイベントの発生時刻順に並べた時系列データを取得する。例えば、時系列データ取得部１３１は、情報処理装置１を利用するユーザが使用するユーザ端末（不図示）から時系列データを取得する。図３は、時系列データの一例を示す図である。図３に示す時系列データＸは、宅内に設けられている複数のセンサそれぞれの作動状況をイベントとした、イベント発生データｘ１～ｘ１０を含んでいる。なお、イベント発生データには、イベントＩＤと、イベントが発生した時刻を示す時刻情報とが含まれているものとするが、これに限らず、時刻情報が含まれていなくてもよい。
出力データ取得部１３２は、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力する機械学習モデルに、時系列データ取得部１３１が取得した時系列データを入力し、機械学習モデルが出力した出力データを取得する。
図３に示す時系列データに基づいて人の行動を予測する場合、機械学習モデルは、例えば、時系列データと、当該時系列データに対応する人の行動を示す行動情報とを関連付けた教師データに基づいて予め学習したプログラムであって、記憶部１２に記憶されているものとする。機械学習モデルは、図３に示す、複数のセンサそれぞれの作動状況をイベントとしたイベント発生データを含む時系列データの入力に対し、宅内の人が取り得る複数の行動それぞれの生起確率を出力する。
出力データ取得部１３２は、例えば、図３に示す時系列データＸを機械学習モデルに入力し、機械学習モデルから、以下に示す出力データＹを取得する。出力データＹにおいて、例えば、外出に対応する０．６は、宅内の人物が外出した確率が６０％であることを示している。
出力データＹ＝｛外出：0.6，睡眠：0.1，料理：0.05，食事：0.05，仕事：0.1，リラックス：0.1｝
なお、機械学習モデルとして機能するプログラムは、記憶部１２に記憶されているものとするが、これに限らない。出力データ取得部１３２は、機械学習モデルとして機能する外部装置に時系列データを送信し、外部機能から出力データを取得してもよい。
重要度特定部１３３は、出力データ取得部１３２が取得した出力データが示す出力結果の算定に対する、時系列データ取得部１３１が取得した時系列データに含まれる複数のイベント発生データそれぞれの重要度を特定する。具体的には、重要度特定部１３３は、時系列データ取得部１３１が取得した時系列データをＸＡＩモデルに入力し、ＸＡＩモデルから出力された重要度データを取得させることにより、時系列データ取得部１３１が取得した時系列データに含まれる複数のイベント発生データそれぞれの重要度を特定する。
図４は、図３に示す時系列データに対応する重要度データＩを示す図である。図４に示す重要度データＩは、図３に示すイベント発生データｘ１～ｘ１０それぞれに対応する重要度ｉ１～ｉ１０を含んでいる。重要度の値が大きいほど、出力データＹにおいて最も生起確率が高い行動「外出」の生起確率を増加させたことを意味する。図３に示す時系列データＸと図４に示す重要度データＩとから、出力データＹにおける最も生起確率が高い行動「外出」に対し、イベント発生データｘ５（リビング照明ＯＦＦ）、ｘ６（リビングＴＶＯＦＦ）、ｘ８（玄関開閉ＯＰＥＮ）が重要なイベント発生データであると機械学習モデルが判定していることが確認できる。
データ作成部１３４は、時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成する。具体的には、データ作成部１３４は、複数のイベント発生データのうち、重要度特定部１３３により特定された重要度が相対的に高い２つのイベント発生データを特定し、当該２つのイベント発生データの発生順を入れ替えた疑似時系列データを作成する。
例えば、データ作成部１３４は、複数のイベント発生データのうち、重要度特定部１３３により特定された重要度が相対的に高い３つ以上のイベント発生データを特定する。データ作成部１３４は、特定した３つ以上のイベント発生データの中から２つのイベント発生データを選択し、当該２つのイベント発生データの発生順を入れ替えた疑似時系列データを作成する。
図５は、図３、図４に対応して作成された疑似時系列データＰＸを示す図である。図３及び図４に示す例では、イベント発生データｘ５、ｘ６、ｘ８が重要であることから、データ作成部１３４は、例えば、図５に示すように、イベント発生データｘ６と、イベント発生データｘ８とを入れ替えた疑似時系列データＰＸを作成する。
データ作成部１３４は、特定した３つ以上のイベント発生データが取り得る２つのイベント発生データの組み合わせのそれぞれに対応して、複数の疑似時系列データを作成してもよい。重要度が高い２つのイベント発生データのイベント発生順は重要である確率が高いことから、情報処理装置１は、重要度が高い２つのイベント発生データに基づいて疑似時系列データを作成することにより、重要なイベントの発生順を効率的に特定することができる。
なお、データ作成部１３４は、時系列データに含まれる複数のイベント発生データの中から２つのイベントデータの選択を受け付け、選択された２つのイベント発生データの発生順を入れ替えた疑似時系列データを作成してもよい。例えば、データ作成部１３４は、複数のイベント発生データをユーザ端末に表示させ、当該複数のイベント発生データのうち、２つ以上のイベントデータの選択を受け付けてもよい。そして、データ作成部１３４は、選択された２つ以上のイベント発生データが取り得る２つのイベント発生データの組み合わせのそれぞれに対応して、複数の疑似時系列データを作成してもよい。このようにすることで、ユーザは、自身が指定した２つ以上のイベントに対応するイベント発生順が重要であるかを確認することができる。
また、データ作成部１３４は、重要度特定部１３３により特定された重要度が相対的に高い２つのイベント発生データを特定し、当該２つのイベント発生データの発生順を入れ替えた疑似時系列データを作成したが、これに限らない。データ作成部１３４は、重要度が相対的に低い２つのイベント発生データの発生順を入れ替えた疑似時系列データを作成してもよい。この場合、情報処理装置１は、重要度特定部１３３を有していなくてもよい。
判定部１３５は、発生順を入れ替えた２つのイベント発生データに対応する、発生順を入れ替える前の発生順が、機械学習モデルにおける、生起確率が相対的に高いクラスの特定に対して重要であるか否かを判定する。
具体的には、まず、判定部１３５は、出力データ取得部１３２に、データ作成部１３４が作成した疑似時系列データに対応する出力データである疑似出力データを取得させる。また、判定部１３５は、重要度特定部１３３に、出力データ取得部１３２に取得させた疑似出力データに対する、疑似時系列データに含まれる複数のイベント発生データそれぞれの重要度である疑似重要度を特定させる。そして、判定部１３５は、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容、又は、重要度特定部１３３が特定した当該時系列データに対応する重要度と疑似重要度との差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定する。
初めに、判定部１３５が、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定する例について説明する。判定部１３５は、機械学習モデルが分類モデルである場合、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定する。
判定部１３５は、時系列データ取得部１３１が取得した時系列データに対応する出力データに含まれる最も生起確率が高いクラスの生起確率と、疑似時系列データに対応する疑似出力データに含まれる当該クラスの生起確率との差分に基づいて、時系列データに含まれる、発生順を入れ替えた２つのイベント発生データの、発生順を入れ替える前の発生順が重要であるか否かを判定する。
例えば、判定部１３５は、時系列データ取得部１３１が取得した時系列データに対応する出力データに含まれる最も生起確率が高いクラスの生起確率と、疑似時系列データに対応する疑似出力データに含まれる当該クラスの生起確率との差分が第１の閾値を超える場合に、時系列データに含まれる当該２つのイベント発生データの発生順が重要であると判定し、第１の閾値未満である場合に、当該発生順が出力データにおいて生起確率が高いクラスの生起確率を変化させず、重要ではないと判定する。
例えば、判定部１３５は、出力データ取得部１３２に、図５に示す疑似時系列データＰＸを機械学習モデルに入力させ、疑似出力データｐＹを取得させる。疑似出力データｐＹの一例を以下に示す。
疑似出力データｐＹ＝｛外出：0.4，睡眠：0.25，料理：0.05，食事：0.05，仕事：0.1，リラックス：0.15｝
出力データＹと、疑似出力データｐＹとを比較すると、生起確率が最も高い行動「外出」の生起確率が０．２減少していることが確認できる。例えば、第１の閾値を０．１である場合、出力データＹに含まれる最も生起確率が高い行動「外出」の生起確率（０．６）と、疑似時系列データｐＸに対応する疑似出力データｐＹに含まれる当該行動「外出」の生起確率（０．４）との差分が第１の閾値を超えることから、判定部１３５は、発生順が入れ替えられた２つのイベント発生データｘ６、ｘ８の発生順（ｘ６、ｘ８の順に発生）が重要であると判定する。
ここで、第１の閾値は固定値であることとしたが、これに限らない。判定部１３５は、例えば、出力データにおいて最も生起確率が高いクラスの生起確率に所定割合α１を乗算した値を第１の閾値としてもよい。例えば、所定割合α１を０．２とし、出力データＹに対応する第１の閾値を算出する場合を考える。この場合、出力データＹに含まれる最も生起確率が高い行動「外出」の生起確率は０．６であることから、判定部１３５は、０．６に０．２を乗算し、０．１２を第１の閾値とする。このようにすることで、情報処理装置１は、出力データに含まれる最も高い生起確率に合わせて第１の閾値を設定することができる。
続いて、判定部１３５が、時系列データ取得部１３１が取得した時系列データに対して重要度特定部１３３が特定した重要度と、疑似時系列データに対して重要度特定部１３３が特定した疑似重要度との差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定する例について説明する。
判定部１３５は、機械学習モデルが分類モデル又は回帰モデルである場合、時系列データ取得部１３１が取得した時系列データに対して重要度特定部１３３が特定した重要度と、疑似時系列データに対して重要度特定部１３３が特定した疑似重要度との差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定する。
判定部１３５は、時系列データ取得部１３１が取得した時系列データに対して重要度特定部１３３が特定した重要度のうち、発生順を入れ替えた２つのイベント発生データの発生順を入れ替える前の重要度の和である第１の和と、疑似重要度のうち、発生順を入れ替えた２つのイベント発生データの重要度の和である第２の和との差分に基づいて、時系列データに含まれる、発生順を入れ替えた２つのイベント発生データの、発生順を入れ替える前の発生順が重要であるか否かを判定する。
具体的には、判定部１３５は、第１の和と第２の和との差分が第２の閾値を超える場合に、時系列データに含まれる当該２つのイベント発生データの発生順が重要であると判定し、第２の閾値未満である場合に、当該発生順が重要ではないと判定する。
図６は、図５に示す疑似時系列データＰＸに対応する疑似重要度データＰＩを示す図である。図４に示す、発生順を入れ替えた２つのイベント発生データｘ６、ｘ８に対応する重要度の和（第１の和）は、０．４５であり、図６に示す、発生順を入れ替えた２つのイベント発生データの重要度の和（第２の和）は、０．１５である。第２の閾値を０．１とすると、第１の和と第２の和との差分は第２の閾値よりも大きいため、判定部１３５は、発生順が入れ替えられた２つのイベント発生データｘ６、ｘ８の発生順（ｘ６、ｘ８の順に発生）が重要であると判定する。
ここで、第２の閾値は、例えば固定値であることとしたが、これに限らない。判定部１３５は、例えば、第１の和に対して所定割合α２を乗算した値を第２の閾値としてもよい。例えば、所定割合α２を０．２とし、第１の和に対応する第２の閾値を算出する場合を考えると、判定部１３５は、第１の和（０．４５）に０．２を乗算し、０．０９を第２の閾値とする。このようにすることで、情報処理装置１は、重要度の大きさに合わせて第２の閾値を設定することができる。
なお、判定部１３５は、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容、又は、重要度特定部１３３が特定した当該時系列データに対応する重要度と疑似重要度との差の内容に基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定したが、これに限らない。
判定部１３５は、機械学習モデルが分類モデルである場合、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容と、重要度特定部１３３が特定した当該時系列データに対応する重要度と疑似重要度との差の内容とに基づいて、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定してもよい。
例えば、判定部１３５は、時系列データ取得部１３１が取得した時系列データに対応する出力データに含まれる最も生起確率が高いクラスの生起確率と、疑似時系列データに対応する疑似出力データに含まれる当該クラスの生起確率との差分が第１の閾値を超えるか、第１の和と第２の和との差分が第２の閾値を超える場合に、当該時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定してもよい。
また、判定部１３５は、機械学習モデルが分類モデルである場合に、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容に基づいて、時系列データに含まれる、２つのイベント発生データの発生順が重要であるか否かを判定することとしたが、これに限らない。判定部１３５は、機械学習モデルが回帰モデルであり、当該回帰モデルが出力する結果が数値である場合には、時系列データ取得部１３１が取得した時系列データに対応する出力データと疑似出力データとの差の内容に基づいて、２つのイベント発生データの発生順が重要であるか否かを判定してもよい。
出力部１３６は、判定部１３５による判定結果を示す判定結果情報を出力する。例えば、出力部１３６は、時系列データの送信元のユーザ端末に判定結果情報を送信する。なお、出力部１３６は、判定部１３５による判定結果を示すファイルを記憶部１２に出力してもよい。
［本実施形態における効果］
以上の通り、本実施形態に係る情報処理装置１は、イベントの発生を示し、イベントＩＤを含むイベント発生データをイベントの発生順に並べた時系列データを取得し、時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力するモデルに、取得した前記時系列データを入力し、当該モデルが出力した出力データを取得する。情報処理装置１は、取得した時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを当該モデルに入力し、当該モデルから出力された出力データである疑似出力データを取得する。情報処理装置１は、取得した時系列データに対応する出力データと、取得した疑似出力データとの差の内容に基づいて、時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定し、判定結果を出力する。このようにすることで、情報処理装置１は、イベントの発生順が重要であるかを提示することができる。
なお、本発明により、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」に貢献することが可能となる。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。
１ 情報処理装置
１１ 通信部
１２ 記憶部
１３ 制御部
１３１ 時系列データ取得部
１３２ 出力データ取得部
１３３ 重要度特定部
１３４ データ作成部
１３５ 判定部
１３６ 出力部

Claims (7)

  1. イベントの発生を示し、複数の前記イベントそれぞれを識別するためのイベント識別情報を含むイベント発生データを前記イベントの発生順に並べた時系列データを取得する時系列データ取得部と、
    時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力するモデルに、前記時系列データ取得部が取得した前記時系列データを入力し、前記モデルが出力した出力データを取得する出力データ取得部と、
    前記時系列データ取得部が取得した前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するデータ作成部と、
    前記出力データ取得部に、前記データ作成部が作成した前記疑似時系列データに対応する出力データである疑似出力データを取得させ、前記時系列データ取得部が取得した前記時系列データに対応する出力データと、前記疑似出力データとの差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する判定部と、
    前記判定部による判定結果を出力する出力部と、
    を有する情報処理装置。
  2. 前記判定部は、前記時系列データ取得部が取得した前記時系列データに対応する出力データに含まれる最も生起確率が高いクラスの生起確率と、前記疑似時系列データに対応する疑似出力データに含まれる当該クラスの生起確率との差分に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する、
    請求項１に記載の情報処理装置。
  3. 前記出力データ取得部が取得した前記出力データが示す出力結果の算定に対する、前記時系列データ取得部が取得した前記時系列データに含まれる複数の前記イベント発生データそれぞれの重要度を特定する重要度特定部をさらに有し、
    前記データ作成部は、複数の前記イベント発生データのうち、特定された前記重要度が相対的に高い２つの前記イベント発生データを特定し、当該２つのイベント発生データの発生順を入れ替えた前記疑似時系列データを作成する、
    請求項１又は２に記載の情報処理装置。
  4. 前記判定部は、前記出力データ取得部に前記疑似時系列データに対応する前記疑似出力データを取得させるとともに、前記重要度特定部に、当該疑似出力データに対する、当該疑似時系列データに含まれる複数の前記イベント発生データそれぞれの重要度である疑似重要度を特定させ、前記時系列データ取得部が取得した前記時系列データの出力データと前記疑似出力データとの差の内容と、前記時系列データに対応する重要度と前記疑似重要度との差の内容とに基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する、
    請求項３に記載の情報処理装置。
  5. イベントの発生を示し、複数の前記イベントそれぞれを識別するためのイベント識別情報を含むイベント発生データを前記イベントの発生順に並べた時系列データを取得する時系列データ取得部と、
    時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力する分類モデル又は時系列データの入力に対して所定の事象の回帰予測を行う回帰モデルに、前記時系列データ取得部が取得した前記時系列データを入力し、前記分類モデル又は前記回帰モデルが出力した出力データを取得する出力データ取得部と、
    前記出力データ取得部が取得した前記出力データが示す出力結果の算定に対する、前記時系列データ取得部が取得した前記時系列データに含まれる複数の前記イベント発生データそれぞれの重要度を特定する重要度特定部と、
    前記時系列データ取得部が取得した前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するデータ作成部と、
    前記出力データ取得部に、前記データ作成部が作成した前記疑似時系列データに対応する出力データである疑似出力データを取得させるとともに、前記重要度特定部に前記疑似出力データに対する、複数の前記イベント発生データそれぞれの前記重要度である疑似重要度を特定させ、前記時系列データ取得部が取得した前記時系列データの出力データに対応する重要度と、前記疑似重要度との差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定する判定部と、
    前記判定部による判定結果を出力する出力部と、
    を有する情報処理装置。
  6. 前記データ作成部は、前記時系列データに含まれる複数のイベント発生データの中から２つのイベントデータの選択を受け付け、選択された２つのイベント発生データの発生順を入れ替えた前記疑似時系列データを作成する、
    請求項１から５のいずれか１項に記載の情報処理装置。
  7. コンピュータが実行する、
    複数のイベントそれぞれを識別するためのイベント識別情報を含み、イベントの発生を示すイベント発生データを前記イベントの発生順に並べた時系列データを取得するステップと、
    時系列データの入力に対して複数のクラスそれぞれの生起確率を示す出力データを出力するモデルに取得した前記時系列データを入力し、前記モデルが出力した出力データを取得するステップと、
    前記時系列データに含まれる２つのイベント発生データの発生順を入れ替えた時系列データである疑似時系列データを作成するステップと、
    前記モデルに、作成された前記疑似時系列データを入力し、前記モデルが出力した出力データを疑似出力データとして取得するステップと、
    取得した前記時系列データに対応する出力データと、前記疑似出力データとの差の内容に基づいて、前記時系列データに含まれる２つのイベント発生データの発生順が重要であるか否かを判定するステップと、
    前記判定の結果を出力するステップと、
    を有する情報処理方法。
JP2021154380A 2021-09-22 2021-09-22 情報処理装置及び情報処理方法 Active JP7490321B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021154380A JP7490321B2 (ja) 2021-09-22 2021-09-22 情報処理装置及び情報処理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021154380A JP7490321B2 (ja) 2021-09-22 2021-09-22 情報処理装置及び情報処理方法

Publications (2)

Publication Number Publication Date
JP2023045802A JP2023045802A (ja) 2023-04-03
JP7490321B2 true JP7490321B2 (ja) 2024-05-27

Family

ID=85776561

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021154380A Active JP7490321B2 (ja) 2021-09-22 2021-09-22 情報処理装置及び情報処理方法

Country Status (1)

Country Link
JP (1) JP7490321B2 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013117926A (ja) 2011-12-05 2013-06-13 Internatl Business Mach Corp <Ibm> イベント系列のリスク評価値を算出する方法、装置及びコンピュータプログラム
JP2019185663A (ja) 2018-04-17 2019-10-24 Kddi株式会社 関連イベント統合プログラム、装置及び方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013117926A (ja) 2011-12-05 2013-06-13 Internatl Business Mach Corp <Ibm> イベント系列のリスク評価値を算出する方法、装置及びコンピュータプログラム
JP2019185663A (ja) 2018-04-17 2019-10-24 Kddi株式会社 関連イベント統合プログラム、装置及び方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大竹 孝樹 外，顕現的要素の出現順序に基づく物語の類似性尺度，言語処理学会第２５回年次大会 発表論文集，2019年03月04日，pp. 304-307

Also Published As

Publication number Publication date
JP2023045802A (ja) 2023-04-03

Similar Documents

Publication Publication Date Title
US11270565B2 (en) Electronic device and control method therefor
Miori et al. Anticipating health hazards through an ontology-based, IoT domotic environment
Codella et al. An agent-based simulation model for Clostridium difficile infection control
Lee et al. Context-aware inference in ubiquitous residential environments
JP6362893B2 (ja) モデル更新装置及びモデル更新方法
CN112765287B (zh) 基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质
JP2008547128A5 (ja)
CN110291542B (zh) 主要原因估计装置、主要原因估计系统以及主要原因估计方法
Murukannaiah et al. Platys: An active learning framework for place-aware application development and its evaluation
US20200371895A1 (en) Electronic device and method for controlling same
WO2021238513A1 (zh) 区块链节点扩容方法、装置、计算机设备及存储介质
US20200118340A1 (en) Real-time motion feedback for extended reality
US11539546B2 (en) Home appliances and method for controlling home appliances
Anderson et al. Similarity measure for anomaly detection and comparing human behaviors
KR20080006981A (ko) 지능형 홈 서비스 제공 시스템 및 방법
CN113743637A (zh) 基于协同过滤的煤气浓度预测方法、设备及冰箱
JP7490321B2 (ja) 情報処理装置及び情報処理方法
Rashidi et al. Keeping the intelligent environment resident in the loop
CN114255478A (zh) 宠物分配方法、装置、存储介质及电子设备
JP2021513148A (ja) 最適なセンサ配置のためのシステム及び方法
JP7102080B2 (ja) 未来の潜在表現を予測するエンコーダのプログラム、装置及び方法
CN115862862A (zh) 疾病预测方法、装置及计算机可读存储介质
Ras et al. Engineering tele-health solutions in the ambient assisted living lab
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN114065353A (zh) 一种室内布置方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230718

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20231016

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240426

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: 20240514

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240514

R150 Certificate of patent or registration of utility model

Ref document number: 7490321

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150