JPH04111156A - 時系列データの特徴検出システム及び予測システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的コ （産業上の利用分野） 本発明は時系列データの処理方式に係わり、特に時系列
データの特徴検出力法及び予測方法に関する。

（従来の技術） 時系列データの特徴を抽出する場合、すなわち時系列デ
ータの中から特定の時間的推移部分を検出する場合、短
い時間間隔ての変動による悪影響を軽減するために移動
平均が用いられる。移動平均は、とれたけ過去に遡って
時系列値を計算に取り込むかを決める時間幅によって算
出される値か異なることから、必要な特徴を抽出するの
に適した時間幅を選択する必要がある。従来は、経験的
あるいは実験的に時間幅を１つまたは数個に固定し、特
徴抽出やデータの予測を行っている。

しかしなから、時間幅か経験的実験的に固定されてしま
うと、様々な要因に基づく時系列データの変動により、
期待される結果が十分に得られない場合が少なくない。

（発明か解決しようとする課題） 本発明は、このような課題を解決するためのもので、時
間幅を系統的に複数設定することにより、時系列データ
の特徴を高精度に検出することのできる時系列データの
特徴検出方法の提供を目的としている。

また、本発明のさらに目的とするところは、時間幅を系
統的に複数設定することにより、過去の時系列データか
ら未来の時系列の変動を高精度に予測することのできる
時系列データの予測方法を提供することにある。

［発明の構成］ （課題を解決するための手段） 第１の発明の時系列データの特徴検出方法は上記の目的
を達成するために、時系列データから時間幅の異なる複
数の移動平均を求め、これらの移動平均−つ一つに対し
て神経回路網により特徴抽出を行った後、これら神経回
路網の判定結果から総合的に時系列データの特徴を判断
することを特徴としている。

第２の発明の時系列データの予測方法は上記の目的を達
成するために、過去の時系列データから異なる時間幅の
移動平均を求め、これらの移動平均−つ一つに対して神
経回路網により各時間幅での移動平均の予測値を求めた
後、これらの予測値から総合的に最終的な時系列データ
の予測値を判断することを特徴としている。

（作　用） 第１の発明の時系列データの特徴検出方法によれば、複
数の異なる時間幅ごとの移動平均を求め、これらの移動
平均から神経回路網により特徴抽出を行い、総合的に抽
出された特徴を判断することにより、時系列データの特
徴を高精度に検出することかできる。

また、第２の発明の時系列データの予測方法によれば、
複数の異なる時間幅の移動平均値から各時間幅ごとの時
系列データの未来の予測値を求めた後、これら各時間幅
ごとの予測値から総合的に最終的な未来の時系列データ
の予測値を判断することにより、過去の時系列データか
ら未来の時系列データを高精度に予測することができる
。

（実施例） 以下、本発明の実施例を図面に基づいて説明する。

第１図サンプリング間隔ｄの時系列データを示している
。ここで、時刻ｔにおける時系列データの値はｘ　（ｔ
）で表されている。また、第２図は第１図の時系列デー
タから検出すべき特徴を示している。

時間幅をＴＩ、、、Ｔｎのｎ種類用意する。以下で式を
簡単にするために時間幅Ｔはサンプリング間隔ｄの整数
倍で与えられていることにする。

時間幅Ｔｉの時刻ｔにおける移動平均値ｙ（ｔ、Ｔｉ）
は次式となる。

ｙ　（ｔ、　Ｔｉ）− （Σｘ　（ｔ−ｊ−ｄ）　ｌ　／Ｔｉ　　　　（１）（
ｊ＝０．１．、、、、Ｔｉ−１） 第３図は時間幅Ｔｉの移動平均を基に時系列データの特
徴を抽出する特徴抽出器の構成を示している。

同図に示すように、この特徴抽出器はｍ個の入力端子と
２つの出力端子Ａ、Ｂを持っている。ｍ個の入力端子に
はそれぞれｍ種類の時刻における移動平均値か入力され
る。そして入力波形が第２図に示した抽出すべき特徴の
波形に近似する場合は出力端子Ａから信号が出力され、
逆に抽出すべき特徴の波形と異なる場合は出力端子Ｂか
ら信号が出力されるようになっている。この特徴抽出器
を神経回路網を用いて構成する。

第４図はこの特徴抽出器を用いて構成された特徴検出シ
ステムの構成を示す図である。同図に示す特徴検出シス
テムは、それぞれ時間幅の異なる移動平均値の入力から
特徴を抽出するｎ個の特徴抽出器４０１．４０２１．、
、　４０ｉ、。

４０ｎと、時系列データベース４１から読み込んだ生の
時系列データから各特徴抽出器４０１〜４０ｎに入力す
べき移動平均を求めるデータ変換器４２と、全ての特徴
抽出器４０１〜４０ｎの出力から検出すべき特徴の有無
を最終的に判断する総合判定器４３とから構成されてい
る。なお、総合判定器４３は、例えば第５図に示すよう
にＩｆ−Ｔｈｅｎによるルール形式や、第６図に示すよ
うに神経回路網、あるいはそれらの組合せて構成される
。

第７図は第４図に示したシステムの中から第１番目の特
徴抽出器４０ｉたけを取り出して示した図である。

同図に示すように、この特徴抽出器４０ｉの各入力端子
には、時刻ｔ、ｔ−Ｔｉ−ｄ。

ｔ−ｊ−Ｔｉ　Φｄ、　、　、　、　、　　ｔ　−（ｍ
−１）　Ｔｉ・ｄの各移動平均の値か入力されるように
なっている。すなわち、この特徴抽出器４０ｉの第３番
目の入力端子には時刻ｔにおいて次式で示される移動平
均が入力されることになる。

ｙ（ｔ　　（ｊ−１）Ｔｉ−ｄ、Ｔｉ）　　　　（２）
（ｊ−１，２，、、、、ｍ） 以上の構成からなる特徴検出システムにおいて、時系列
データ変換器４１から生の時系列データかデータ変換器
４２に入力されると、データ変換器４３は、時系列デー
タから各特徴抽出器４０１〜４Ｏｎに設定された時間幅
に応した移動平均を求め、これらを各特徴抽出器４０１
〜４０ｎに入力する。

すると各特徴抽出器４０１〜４０ｎは、それぞれ入力さ
れた移動平均から検出すべき特徴の有無を判断して、そ
れぞれの結果を総合判定器４３に入力する。

総合判定器４３は、各特徴抽出器４０１〜４０ｎからそ
れぞれ入力された結果から総合的な判断処理過程を経て
、時系列データ内における特徴の有無の最終的な判断結
果を下す。

かくしてこの実施例によれば、時間幅を１つあるいは数
個に固定しなくても時系列データの中から目的の特徴部
分を高精度に検出することが可能になる。

第８図は他の実施例として、時系列データから検出すべ
き特徴か複数種類（ｐ種類）ある場合の特徴検出システ
ムの構成を示す図である。

同図に示すように、この場合ｐＸｎ個の特徴抽出器８０
１〜８０ｐ−ｎの出力を総合的に判断して、各種類ごと
に検出すべき特徴が入力された時系列データの中にある
かないかを判定する。

次に第９図にあるように、実践で示す既知の時系列デー
タから点線で示す未知の時系列データを予測する方法に
ついて説明する。

第１０図は予測器の構成を示している。

同図に示すように、この予測器はｍ個の入力端子と単一
の出力端子を持っている。各入力端子にはそれぞれｍ種
類の時刻、つまり時刻ｔ、ｔ−Ｔ　−ｄ。

、、、、ｔ−（ｊ−１）Ｔ−ｄ、、、、、ｔ−（Ｉｌｌ
−１）Ｔ−ｄの時間幅Ｔの各移動平均の値が入力される
ようになっている。

一方、出力端子からは時刻ｔ＋Ｔでの時間幅Ｔの移動平
均値が出力されるようになっている。

そしてこの予測器では、まず時刻ｔまでの時間幅Ｔの移
動平均データから時刻ｔ＋Ｔ−ｄでの時間幅Ｔの移動平
均の予測値を求めた後、各入力端子へのデータ入力をシ
フトする。すなわち、第１１図に示すように、第１番目
の入力端子には時刻ｔ＋Ｔ−ｄでの移動平均の予測値を
、第２番目の入力端子には時刻ｔでの移動平均値を、第
ｊ番目の入力端子には時刻ｔ　−（ｊ−２）Ｔ−ｄの移
動平均値を、第ｍ番目の入力端子には時刻ｔ−（ｍ２）
Ｔ−ｄの移動平均値をそれぞれ入力する。

また、この場合の予測器の出力は時刻ｔ＋２Ｔ・ｄての
移動平均の予測値となる。

このように予測器の各入力端子に各時刻のデータをＴ−
ｄ時間おきにシフト入力して行くことで未来の時系列デ
ータを予測することができる。

第１２図にこの予測器を用いた予測システムの全体構成
図を示す。

同図において、１２０．、、、．１２ｉ。

１２ｍはそれぞれ異なる時間幅で未知の時系列データの
予測を行う予測器、１３０は時系列データベース１４０
に記録された過去の時系列データより各予測器１２０〜
１２ｍの時間幅に対応した移動平均を求めるデータ変換
器、１５０は各予測器１２０〜１２ｍが予測した結果か
ら最終的に予測データを判断する総合判定器である。

なお、各予測器１２０〜１２ｍはそれぞれ第１３図に示
すフローチャートに従って現在の時刻から１時刻未来ま
での移動平均の予測値を算出する。

以上の構成からなる予測システムにおいて、時系列デー
タ変換器１４０から生の時系列データかデータ変換器１
３０に入力されると、データ変換器１３０は、時系列デ
ータから各予測器１２０〜１．２ｍに設定された時間幅
に応じた移動平均ブタを求め、これらを各予測器１２０
〜１２ｍに入力する。

各予測器１２０〜１２ｍは、それぞれ入力された移動平
均からデータの予測値を求めてその結果を総合判定器１
５０に入力する。

総合判定器１５０は、各予測器１２０〜１２ｍからそれ
ぞれ入力された結果から総合的な判断処理過程を経て最
終的にデータを判断し、その結果を出力する。

次に総合判定器１５０ての判定方法について述べる。

前記（１）式で定義されているように、移動平均は異な
る時間幅で求めたものであってもそれぞれ一定の関係を
有している。

今、時間幅Ｔｉ＜Ｔｊとすると、それぞれの時間幅での
時刻ｔての移動平均は次式となる。なお、ここでは、式
を簡単にするためサンプリングタイムｄを１としている
。

ｙ（ｔ＝Ｔｉ）−（ｘ（ｔ）＋ｘ（ｔ−１）＋　　　　
　＋ｘ（ｔ−Ｔｉ＋１）／Ｔｉｙ（ｔ、Ｔｊ）−１ｘ（
ｔ）＋ｘ（ｔ−１）＋　　　　　　＋ｘ（ｔ−Ｔｉ＋１
）＋ｘ（ｔ−Ｔｉ）＋　　　　　　　　　＋ｘ（ｉ−Ｔ
ｊ＋ｌ）ｌ　／Ｔｊよって、 Ｔｊ−ｙ（ｔ、Ｔｊ）−Ｔｉ−ｙ（ｔ、Ｔｉ）−ｘ（ｔ
−Ｔｉ）＋ｘ（ｔ−Ｔｊ＋１） −（Ｔｊ−Ｔｉ）　　・ｙ（ｔ−Ｔｉ、Ｔｊ−Ｔｉ）　
　　　　　　　　（３）か成立する。

Ｓを時間幅の集合としたときに、次の制約を満たすよう
にＳの要素を決める。

Ｓ＝　ｔＴｌ、ＴＩ、、、、、Ｔｍ１ （たたし、ｍは有限な整数で、０はＳに含まれない。） Ｖ　Ｘ　ｅ＝Ｓ　）ヨｙＥ　Ｓ　、　５ｕｃｈ　ｔｈａ
ｔ　Ｘ≠ｙカ１つ−ｙｌＥｓ 上記の制約か満たされている場合には、全ての時間幅に
ついて予測値を（３）式によって検証することかできる
。総合判定器］５０は、全ての時間幅についての移動平
均の予測値に矛盾かなけれ（ｆｐ測値を妥当と判定し、
最終的な予測値とする。

矛盾かある場合には、予測か正常に行われな力）つたこ
とを出力する。

かくしてこの実施例によれば、複数の時間幅の移動平均
を用いることによって、過去の時系列ブタから未来の時
系列データを高精度に予測することかできる。

［発明の効果］ 以上説明したように第１の発明の時系列データの特徴検
出方法によれば、複数の異なる時間幅ごとの移動平均を
求め、これらの移動平均から神経回路網により特徴抽出
を行い、総合的に抽出された特徴を判断することにより
、時系列データの特徴を高精度に検出することができる
。

また、第２の発明の時系列データの予測方法によれば、
複数の異なる時間幅の移動平均値から各時間幅ごとの時
系列データの未来の予測値を求めた後、これら各時間幅
ごとの予測値から総合的に最終的な未来の時系列データ
の予測値を判断することにより、過去の時系列データか
ら未来の時系列データを高精度に予測することができる
。

【図面の簡単な説明】

第１図は時系列データを示す図、第２図は第１図の時系
列データから検出すべき特徴を示す図、第３図は第１の
発明に係る一実施例における特徴抽出器の構成を説明す
るだめの図、第４図は第３図の特徴抽出器を複数組み込
んで構成された特徴検出システムの全体構成を示すブロ
ック図、第５図及び第６図はそれぞれ総合判定器の構成
例を示す図、第７図は第４図のシステムから第１番目の
特徴抽出器を取り出して示した図、第８図は特徴検出シ
ステムの他の構成例を示した図、第９図は過去と未来の
時系列データの例を示す図、第１０図は第２の発明に係
わる一実施例における予測器の構成を説明するための図
、第１１図は第１０図の予測器の動作を説明するための
図、第１２図は第１０図のＴ−ＣＩ器を用いた予測シス
テムの全体構成を示すブロック図、第１３図は各予測器
の予測値算出の流れを示すフローチャートである。 ４０１〜４０ｎ　　・特徴抽出器 ４１．１４０・・・・・時系列データ変換器４２．１］
３０・・・・・・データ変換器４３．１５０・・・・・
・総合判定器 １２０〜１２ｍ・・・・予測器 Ｘ　（ｉ　） 出願人　　　　　株式会社　東芝

Claims (3)

【特許請求の範囲】
1. （１）異なる時間幅ごとに時系列データの移動平均を複
   数求め、これらの移動平均から神経回路網によって時系
   列データの特徴抽出を行い、すべての特徴抽出結果から
   総合的に時系列データの特徴を判断することを特徴とす
   る時系列データの特徴検出方法。
2. （２）過去の時系列データを時間幅の異なる複数の移動
   平均に変換し、これらの移動平均から神経回路網によっ
   て時間幅ごとの移動平均の予測値を求めた後、これら各
   時間幅ごとの予測値から総合的に最終的な時系列データ
   の予測値を判断することを特徴とする時系列データの予
   測方法。
3. （３）請求項２記載の時系列データの予測方法において
   、時間幅の異なる複数の移動平均の予測値の関係から、
   予測精度の良否を推定することを特徴とする時系列デー
   タの予測方法。