JPH0696052A - 時系列データ分類・予測装置 - Google Patents

Abstract

(57)【要約】 【目的】時系列データから時機の分類結果を自動的に決
定でき、各特徴量の経時変化に関する特徴量を自動的に
導入でき、時機の分類・予測結果に対してその理由をオ
ペレータ等に説明することが可能となる装置を得ること
にある。 【構成】時系列データ収集手段１で収集した時系列デー
タのある対象システムの特徴を示す特定の特徴量の時系
列データの経時変化に基づき分類クラスを決定するため
の分類クラス決定手段２と、１からの時系列データの各
特徴量の経時変化によって定義される新たな記号的特徴
量を導入する記号的特徴量導入手段３と、１からの時系
列データの各特徴量の経時変化によって定義される新た
な数値的特徴量を導入する数値的特徴量導入手段４と、
２と３と４の出力をそれぞれ入力し、ある時点のデータ
からその時点以降のデータの頬分類予測値を算出する分
類・予測算出手段６とを具備したもの。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、数値および記号で表現
された特徴量によって記述された複数の時系列データに
対し、特定の一つあるいは複数の特徴量の経時変化から
過去の時系列データを分類し、またはその特徴量の未来
の値を予測する時系列データ分類・予測装置に関する。

【０００２】

【従来の技術】近年人工知能の研究において、例題を与
えることによって、対象とする概念の一般知識を発見す
る機械学習の技術が広く研究されつつある。その一つの
方向として、数値または記号で表現された幾つかの特徴
量と、それに対してオペレータ等が事前にデータを吟味
して与える分類結果を事例とし、多数の事例を分類装置
の例題として与えることによって、特徴量と分類結果の
間の一般法則を見付け出し、新たな事例が与えられたと
きに、その事例の持つ特徴量を評価して分類結果を、出
力する装置が開発されている。さらにこれを用いて、時
機分類装置、あるいは分類結果を決める基になつた特徴
量の未来値を予測する時機予測装置が開発されている。

【０００３】この場合の手続きの表現方法としては、特
徴量を入力とし、分類結果を出力、または、分類結果を
判定するために、層状神経回路網による方法が用いられ
ている。

【０００４】

【発明が解決しようとする課題】以上述べた従来の技術
では、以下のような問題点がある。

【０００５】１）分類装置に対して数値または記号で表
現された特徴量によって記述された多数の時系列データ
を与えて時機を分類しようとする時、その分類結果は、
事前にオペレータ等がデータを吟味した上で与える必要
がある。

【０００６】２）時系列データを与えて時機を分類しよ
うとする時、各時機の特徴量は、その特徴量が時間に対
してどう変化してきたかの情報を持っていないので、時
系列データを与えただけでは正しい分類ができない。

【０００７】３）時系列データを与えて時機を分類する
時機分類装置においては、分類結果を判定する手続きの
表現方法として層状神経回路網が用いられているため、
分類結果に対し、なぜそのように分類されたかをオペレ
ータ等に説明することができない。

【０００８】４）時機予測装置は、ある特徴量の分類す
べき時機以降の値に基づく分類結果を決める基になった
特徴量の未来の値を予測する予測装置として用いること
ができるという利点を有しているが、分類結果を判定す
る手続きの表現方法として、層状神経回路網が用いられ
ているため、予測結果に対し、なぜそのように予測した
かをオペレータ等に説明することができない。

【０００９】本発明は、時系列データから時機の分類結
果を自動的に決定でき、また時機の分類の必要となる各
特徴量の経時変化に関する特徴量を自動的に導入でき、
さらに時機の分類／予測結果に対してその理由をオペレ
ータ等に説明することが可能となる時系列データの分類
・予測装置を提供することを目的とする。

【００１０】

【課題を解決するための手段】前記目的を達成するた
め、請求項１に対応する発明は、特定の一つあるいは複
数の特徴量の値を時刻毎に表形式に記録した時系列デー
タを収集する時系列データ収集手段と、この時系列デー
タ収集手段で収集した時系列データのある対象システム
の特徴を示す特定の特徴量の時系列データの経時変化に
基づき分類クラスを決定するための分類クラス決定手段
と、前記時系列データ収集手段からの時系列データの各
特徴量の経時変化によって定義される新たな記号的特徴
量を導入する記号的特徴量導入手段と、前記時系列デー
タ収集手段からの時系列データの各特徴量の経時変化に
よって定義される新たな数値的特徴量を導入する数値的
特徴量導入手段と、前記分類クラス決定手段と前記記号
的特徴量導入手段と前記数値的特徴量導入手段の出力を
それぞれ入力し、ある時点のデータからその時点以降の
データの分類予測値を算出する分類・予測算出手段とを
具備した時系列データ分類・予測装置である。

【００１１】前記目的を達成するため、請求項２に対応
する発明は、特定の一つあるいは複数の特徴量の値を時
刻毎に表形式に記録した時系列データを収集する時系列
データ収集手段と、この時系列データ収集手段で収集し
た時系列データのある対象システムの特徴を示す特定の
特徴量の時系列データの経時変化に基づき分類クラスを
決定するための分類クラス決定手段と、前記時系列デー
タ収集手段からの時系列データの各特徴量の経時変化に
よって定義される新たな記号的特徴量を導入する記号的
特徴量導入手段と、前記時系列データ収集手段からの時
系列データの各特徴量の経時変化によって定義される新
たな数値的特徴量を導入する数値的特徴量導入手段と、
前記分類クラス決定手段で決定された分類クラスに基づ
き決定木学習用データを生成する決定木学習用データ生
成手段と、この決定木学習用データ生成手段と前記記号
的特徴量導入手段と前記数値的特徴量導入手段の出力を
それぞれ入力し、ある時点のデータからその時点以降の
データの分類予測値を算出する分類・予測算出手段とを
具備した時系列データ分類・予測装置である。

【００１２】前記目的を達成するため、請求項３に対応
する発明は、特定の一つあるいは複数の特徴量の値を時
刻毎に表形式に記録した時系列データを収集する時系列
データ収集手段と、この時系列データ収集手段で収集し
た時系列データのある対象システムの特徴を示す特定の
特徴量の時系列データの経時変化に基づき分類クラスを
決定するための分類クラス決定手段と、前記時系列デー
タ収集手段からの時系列データの各特徴量の経時変化に
よって定義される新たな記号的特徴量を導入する記号的
特徴量導入手段と、前記時系列データ収集手段からの時
系列データの各特徴量の経時変化によって定義される新
たな数値的特徴量を導入する数値的特徴量導入手段と、
前記分類クラス決定手段で決定された分類クラスに基づ
き決定木学習用データを生成する決定木学習用データ生
成手段と、この決定木学習用データ生成手段と前記記号
的特徴量導入手段と前記数値的特徴量導入手段の出力を
それぞれ入力し、ある時点のデータからその時点以降の
データの分類予測値を算出する分類・予測算出手段と、
この分類・予測算出手段により算出される分類予測値と
なる理由を説明報知する理由説明報知手段とを具備した
時系列データ分類・予測装置である。

【００１３】

【作用】請求項１に対応する発明によれば、特定の一つ
あるいは複数の特徴量の値を時刻毎に表形式に記録した
時系列データを、この対象システムの特徴を示す特定の
特徴量の時系列データの経時変化に基づき分類クラスを
決定し、時系列データの各特徴量の経時変化によって定
義される新たな記号的特徴量および数値的特徴量から、
ある時点のデータからその時点以降のデータの分類予測
値を算出するようにしたので、時系列データから時機の
分類結果を自動的に決定でき、また時機の分類の必要と
なる各特徴量の経時変化に関する特徴量を自動的に導入
でき、この結果データの利用が容易になる。

【００１４】また、請求項２に対応する発明によれば、
請求項１に決定木学習用データ生成手段を備えているの
で、時系列データから一般法則を導くことが容易であ
る。

【００１５】さらに、請求項３によれば、請求項２に理
由説明報知手段を備えているので、時機の分類／予測結
果に対してその理由をオペレータ等に説明することが可
能となる。

【００１６】

【実施例】以下、図面を参照して本発明の実施例につい
て説明する。図１は本発明の一実施例の概略構成を示す
ブロック図であり、これは時系列データ収集手段１、分
類クラス決定手段２、記号的特徴量導入手段３、数値的
特徴量導入手段４、決定木学習用データ生成手段５、分
類・予測算出手段６、理由説明報知手段７から構成され
ている。

【００１７】時系列データ収集手段１は、特定の一つあ
るいは複数の特徴量、すなわち、数値または記号で表現
された特徴量によって記述された多数の時系列データの
値を１時刻毎に、例えば図１０に示すごとく、表形式に
記録した時系列データを収集する。

【００１８】分類クラス決定手段２は、時系列データ収
集手段１で収集した時系列データのある対象（分類クラ
ス決定対象）の特徴を示す特定の特徴量の時系列データ
の経時変化に基づき分類クラスを決定する。具体的に
は、数値または記号で表現された特徴量によって記述さ
れた多数の時系列データに対し、定められた特徴量が分
類すべき時機以降、あらかじめ定められた数種類の時間
が経過した後に、どんな割合で変化したか（数値的特徴
量の場合）、またはどんな値になったか（記号的特徴量
の場合）によって、時機を分類する。

【００１９】記号的特徴量導入手段３は、時系列データ
収集手段１からの各特徴量の経時変化によって定義され
る新たな記号的特徴量を導入する。具体的には、時系列
データ収集手段１からの時系列データに対し、各特徴量
が、特定の前の時機に比べて減少・不変・増加したこと
を現す記号的特徴量を導入する。

【００２０】数値的特徴量導入手段４は、時系列データ
収集手段１からの各特徴量の経時変化によって定義され
る新たな数値的特徴量を導入する。具体的には、時系列
データ収集手段１からの時系列データに対し、各特徴量
が、特定の前の時機に比べて減少・不変・増加したこと
を現す数値的特徴量を導入する。

【００２１】決定木学習用データ生成手段５は、分類ク
ラス決定手段２で決定された分類クラスに基づき決定木
学習用データを生成する。

【００２２】分類・予測算出手段６は、決定木学習用デ
ータ生成手段５と記号的特徴量導入手段３と数値的特徴
量導入手段４の出力をそれぞれ入力し、ある時点のデー
タからその時点以降ののデータの分類値を算出する。具
体的には、新たな特徴量を導入した時系列データに対
し、前述の分類クラスに分類するための決定木を生成
し、このとき、数値的特徴量を扱うため、数値的特徴量
を記号的特徴量に変換する方法として、例えばＩＮＤＥ
ＣＴＳアルゴリズムを用い、さらに該決定木に対し、現
在の特徴量を入力し、その分類結果により、分類クラス
に用いた特徴量の未来の値を予測する。

【００２３】理由説明報知手段７は分類・予測算出手段
６により算出される分類予測値となる理由を説明報知す
る。具体的には、決定木を用いて時機の分類を行なった
際、分類時に決定木のどの部分が用いられたかを走査し
て分類理由を表示し、また、決定木を用いて分類クラス
を決めるのに用いた特徴量の未来の値を予測する際、予
測時に決定木のどの部分が用いられたかを走査して、予
測理由を表示する。

【００２４】図２は、図１の具体的な実施例を示すブロ
ック図であり、訓練用データ入力部１１、各特徴量の時
系列データファイル１２、学習データ生成用パラメータ
入力部１３、決定木学習用データ生成部１４、決定木学
習用データファイル１５、決定木学習部１６、決定木フ
ァイル１７、テストデータ生成用パラメータ入力部１
８、推論エンジン１９、分類・予測結果／理由表示部２
０からなっている。

【００２５】以下、図２の装置の動作について図３の流
れ図を参照して説明する。訓練用データ入力部１１にお
いて、何等かの対象システムが幾つかの特徴量に対し、
適当な時間に渡って特徴量を観察し、紙、または、磁気
テープなどの表形式に記録した、例えば図１０のような
時系列データが収集される（Ｓ１）。図１０において、
Ｎ0 ，Ｎ1 ，Ｎ2 はそれぞれ異なる特徴量に関する時系
列データであり、これは図示しないキーボードによる入
力、ネットワークによるオンライン入力、情報伝達の媒
体である磁気テープから読み取り、時系列データファイ
ル１２に記憶される。

【００２６】そして、学習データ生成用パラメータ入力
部１３から決定木学習用データ生成部１４に対して、決
定木学習用パラメータが入力される（Ｓ２）と、決定木
学習用データ生成部１４は決定木学習用データを生成し
（Ｓ３）、決定木学習用データファイル１５に格納され
る。これは、与えられた時系列データに対して、定めら
れた特徴量が定められた時刻後にどれほど、変化したか
に基づく分類クラスと、各特徴量の変化率と時系列デー
タに付加したものである。Ｓ３で生成された決定木学習
用データを参照することによって、決定木学習部１６は
決定木を生成し（Ｓ４）、決定木ファイル１７に格納す
る。

【００２７】推論エンジン１９は、決定木ファイル１７
を参照することによって、テストデータ入力部１８から
入力（Ｓ５）された過去のテストデータを分類する（Ｓ
６）。分類結果は、表示部に表示される（Ｓ９）。

【００２８】同様に、推論エンジン１９は、決定木ファ
イル１７を参照することによって、テストデータ入力部
１８から入力（Ｓ５）された現在のテストデータを分類
することにより、決定木学習用のパラメータで指定され
た特徴量の未来の値を分類する（Ｓ６）。この分類結果
は、表示部２０に表示される（Ｓ７）。

【００２９】また、分類時の決定木ファイル１７の決定
木を走査する（Ｓ８）ことによって、予測理由が得ら
れ、この予測理由も表示部２０に表示される（Ｓ９）。

【００３０】ここで、以上述べた全体の動作のうち、決
定木学習用データ生成部１４と決定木学習部１６で用い
られる公知の決定木学習アルゴリズムについて、説明す
る。一般に時系列データは、複数の特徴を持っている
が、ここでは説明を簡単にするため、特徴量が１つだけ
の場合、すなわち、図１１に示す時系列データＮ0 を例
にとって説明する。

【００３１】図４は、決定木学習用データ生成部１４の
詳細な構成を示すものであり、図５は図３のＳ３で示す
決定木学習用データ生成における詳細な流れ図である。
決定木学習用データ生成部１４は、まず最初に学習デー
タ生成用パラメータ入力部１３から分類クラス生成用特
徴量Ｎ、予測時間Δt1、変化率測定時間Δt2、予測時変
化量Ｒ0 ，Ｒ1 ，…、予測時変化量に対応する分類クラ
スＣ0 ，Ｃ1 ，…を入力する（Ｓ１０）。次に、時系列
データ読み込み部３１が、Δｔ1 ＋Δｔ2 個の１時刻分
の時系列データを読取り（Ｓ１１）、バッファメモリ３
３に保存する。次に、残された時系列データについて、
以下に述べるＳ１３，Ｓ１４，Ｓ１５，Ｓ１６，Ｓ１７
を繰り返す（Ｓ１８）。この場合、時系列データは、少
なくともΔｔ1 ＋Δｔ2 ＋１個の時刻に渡って用意する
必要がある。

【００３２】時系列データ読み込み部３１が、時刻ｔの
データを読みとる（Ｓ１３）。時刻ｔ−Δｔ1 のデータ
の特徴量（属性値）Ｎの未来における変化率Ｒは、計算
部３４によって、（１）式により計算される。

【００３３】 Ｒ＝［Ｎ（ｔ）−Ｎ（ｔ−Δｔ1 ）］÷Ｎ（ｔ−Δｔ1 ） …（１） ただし、Ｎ（ｔ）は特徴量Ｎの時刻ｔにおける値を現し
ている。

【００３４】次に、分類クラス計算部３５が、Ｒ、Ｒ0
，Ｒ1 ，…、Ｃ0 ，Ｃ1 ，…に対して時刻ｔ−Δｔ1
のデータの分類クラスを計算する。これは、Ｒ0 ，Ｒ1
，…，の内最も近いものをＲi としてＣ（ｔ−Δｔ1
）＝Ｃi とすることにより行なう（Ｓ１５）。

【００３５】次に、経時変化特徴量計算部３６が、Ｎj
（ｔ−Δｔ1 ），Ｎj （ｔ−Δｔ1−１），……，Ｎj
（ｔ−Δｔ1 −Δｔ2 ）に対して、Ｎj （ｔ−Δｔ1 ）
がそれ以前の値に比べてどう変化しているかを表す特徴
量Ｄj （ｔ−Δｔ1 ）の値を計算する（Ｓ１６）。この
場合、特徴量Ｄj はＳ１６に示す通り、Ｎj （ｔ−Δｔ
1 −Δｔ2 ）に比べて大きれば、ｕｐ、小さければｄｏ
ｗｎ、変わらなければｎｏｔ Ｃｈａｎｇｅという値を
持つ特徴量とする。

【００３６】以上の計算ができたならば、時刻ｔ−Δｔ
1 の決定木学習用データとしてＮ0（ｔ−Δｔ1 ），Ｎ1
（ｔ−Δｔ1 ），……，Ｄ0 （ｔ−Δｔ1 ），Ｄ1
（ｔ−Δｔ1 ），……Ｃ（ｔ−Δｔ1 ）を出力部３７か
ら出力する（Ｓ１７）。こうして、決定木学習用データ
が作成され、ファイル３８に格納される。

【００３７】図１２は、図１１の時系列データに対し
て、Δｔ1 ＝１０、Δｔ2 ＝１、Ｎ＝Ｎ0 、Ｒ0 ＝−
０．１、Ｒ1 ＝−０．０５、Ｒ2 ＝０、Ｒ3 ＝０．０
５、Ｒ4 ＝０．１、Ｃ0 ＝ＤＯＷＮ１０、Ｃ1 ＝ｄｏｗ
ｎ１０、Ｃ2 ＝ｎｏｔ Ｃｈａｎｇｅ１０、Ｃ3 ＝ｕｐ
１０、Ｃ4 ＝ＵＰ１０として作成された決定木学習用デ
ータである。

【００３８】分類クラスは、特徴量Ｎ0 が、１０単位時
間後に１０％程度以上減少（ＤＯＷＮ１０）／１０単位
時間後に５％程度減少（ｄｏｗｎ１０）／１０単位時間
後にほぼ変わらず（ｎｏｔ Ｃｈａｎｇｅ１０）／１０
単位時間後に５％程度増加（ｕｐ１０）／１０単位時間
後に１０％程度以上増加（ＵＰ１０）することを意味し
ている。

【００３９】図６は、図２の決定木学習部１６で用いら
れる公知の決定木学習アルゴリズムの構成を示すもので
あり、図７は図３の決定木学習用データ生成のステップ
Ｓ３における決定木学習アルゴリズムの処理の流れを示
す図である。決定木学習用データ入力部５１から決定木
学習用データが入力される（Ｓ２０）と、決定木生成終
了判定部５２によって、各時刻の分類クラスの中で、１
つのクラスが定められた割合（ｐｒｕｎｅ ｒａｔｅ）
以上を占めるかどうかが判断される（Ｓ２１）。もしそ
うであって、すべての再帰的繰り返しについてやはり同
じことが言えているならば（Ｓ２２）、決定木出力部５
７が決定木５８を出力し（Ｓ２３）、終了する。Ｓ２１
において、各時刻の分類クラスの中で、１つのクラスが
定められた割合以上を占めないと判断された場合には、
決定木生成部５３は、特徴量選択部５４によって選択さ
れた特徴量がどの値であるかによって与えられたデータ
を複数の部分に分割し、それぞれの部分についてＳ２１
以降の処理Ｓ２４，Ｓ２５，Ｓ２６，Ｓ２７，Ｓ２８を
再帰的に繰り返すことを行なう。このとき、生成中の決
定木５９に選択された特徴量を付け加えることで決定木
を成長させる。

【００４０】以上の処理における特徴量の選択は、相互
情報量計算部５６により、与えられたデータＳの持つ情
報量Ｉ（Ｓ）と、すべての特徴量Ａi について、その特
徴量がどの値であるかによってデータを分割した後の各
部分の情報量の和Ｅ（Ａi ，Ｓ）、さらにその差ｇａｉ
ｎ（Ａi ，Ｓ）＝Ｉ（Ｓ）−Ｅ（Ａi ，Ｓ）を計算し
（Ｓ２５）、ｇａｉｎ（Ａi ，Ｓ）が最も大きい特徴量
を選ぶ（Ｓ２７）ことによって行なう。ここで、分類ク
ラスをＣ0 ，Ｃ1 ，……，Ｃn とし、Ｓ中でのクラスＣ
i の出現頻度をＰi （Ｓ）としたとき、

【００４１】

【数１】 である。

【００４２】このとき、もしＳ２４において特徴量中に
連続値をとるものがあったならば、連続値特徴量記号化
装置５５によって、連続値を区間に分割することによっ
て記号的特徴量に変換し（Ｓ２６）、記号的特徴量と同
様に扱う。

【００４３】ここで、連続値特徴量記号化装置５５にお
いて用いられる区間分割アルゴリズムについて、図８の
構成図および図９の処理の流れ図を参照して説明する。

【００４４】学習データ集合／連続値特徴量入力部７１
には、決定木学習用データと、区間に分割すべき連続値
特徴量とが入力される（Ｓ３０）。この入力された特徴
量をＡとする。次に、学習データ分類部７２が、入力さ
れた決定木学習用データ７９をその分類クラスによって
分類する（Ｓ３１）。次に分類結果序列装置７３におい
て、分類された学習用データ８０の各分類結果をそれぞ
れのＡの値の平均値により順序付ける（Ｓ３２）。序列
化された分類済み学習用データ８１に対し、境界値決定
部７４は、隣合った分類結果ｗ1 ，ｗ2 に対して、
（２）式で決められる境界値Ｂを計算する。

【００４５】 Ｂ＝（ｍ2 ｄ1 ＋ｍ1 ｄ2 ）÷（ｄ1 ＋ｄ2 ） …（２） ただし、ｍi は分類結果ｗi のＡの値の平均を、ｄi は
分類結果ｗi のＡの値の分散を表す。

【００４６】こうして、すべての分類結果に対し境界値
を割り当てたなら、再分割必要性判定部７５が再度分割
すべき分類結果があるかどうかを判定する。これは、分
類結果ｗi に対し、ｗi 中のデータで、ｗi に割り当て
られた境界値内にＡの値が属さないものの割合が、予め
決められた割合より大きいかどうかを判定することによ
り行なう（Ｓ３４）。Ｓ３４において、もし大きいなら
ば、例題分割部７６がその分類結果を２つに分割する
（Ｓ３５）。

【００４７】ここで一つでも分割された分類結果があれ
ば、Ｓ３２以降のＳ３３，Ｓ３４，Ｓ３５，Ｓ３６を繰
り返す。もし、Ｓ３６において、分割された分類結果が
なければ、区間記号化装置７７が、分割された各区間に
記号を付与する（Ｓ３７）。そして、記号化特徴量出力
部７８が、Ａを記号化した特徴量を出力する（Ｓ３
８）。

【００４８】図１３は、図１２の学習用データに対し
て、ｐｒｕｎｅ ｒａｔｅを７０％、ｃｌｕｓｔｅｒ
ｒａｔｅを４０％として決定木学習部１６を用いて生成
した決定木１７である。図１３の決定木は、「特徴量が
増加（ｕｐ）しており、特徴量（現在の値）が６３５．
５以下なら、１０単位時間後に１０％程度以上増加（Ｕ
Ｐ１０）する。もし、そうでなくて特徴量が６３５．５
より大きく６４９．５０以下なら、１０単位時間後に５
％程度増加（ｕｐ１０）する。そうでなく…」という知
識を表している。

【００４９】以上述べたように、図２の推論エンジン１
９は、決定木ファイル１７を用いて分類・予測を行な
う。すなわち、ここに過去にある時期のデータを、テス
トデータ入力部１８から推論エンジン１９に入力すれ
ば、それがどの分類クラスに属するかを表示部２０に出
力する。また、現在のデータをテストデータ入力部１８
に入力すれば、現在がどの分類クラスに属するかを表示
部２０に出力されるので、分類クラスを決めるのに用い
た特徴量（図４の３２に示すＮ）の未来の値を予測がで
きたことになる。

【００５０】さらに、分類・予測時に決定木ファイル１
７のどの部分が用いられたかを推論エンジン１９によっ
て走査する（図３のＳ８）ことによって、分類・予測の
理由が表示部２０に表示される。

【００５１】例えば、図１３の決定木が得られている時
に、過去のデータ ［特徴量６８１、前単位時間より減少］に対して、［１
０単位時間後に１０％程度以上減少］であることがわか
っていたとする。特徴量６８１、前単位時間より減少を
決定木を用いて分類すると、１０単位時間後に１０％程
度以上減少という分類クラスに分類されるので、決定木
の正しさを実験的に検証できたことになる。このとき、
特徴量が減少中で、６６３．５０＜特徴量だからという
理由説明が与えられる。 次に、現在のデータ ［特徴量６５３、前単位時間より増加］に対しては、
［１０単位時間後にほぼ変わらず］と予測し、特徴量が
増加中で、６４９．５０＜特徴量≦６７０．５０だから
という、理由説明が表示部２０に表示される。

【００５２】

【発明の効果】本発明によれば、時系列データから時機
の分類結果を自動的に決定でき、また時機の分類の必要
となる各特徴量の経時変化に関する特徴量を自動的に導
入でき、さらに時機の分類／予測結果に対してその理由
をオペレータ等に説明することが可能となる時系列デー
タの分類・予測装置を提供することができる。

【図面の簡単な説明】

【図１】本発明の時系列データの分類・予測装置の一実
施例の概略構成を示すブロック図。

【図２】本発明の時系列データの分類・予測装置の一実
施例の構成を示すブロック図。

【図３】図１の実施例装置の動作を説明するための流れ
図。

【図４】図２の決定木学習用データ生成部の詳細な構成
を説明するためのブロック図。

【図５】図２の決定木学習用データ生成部の詳細な構成
の動作を説明するための処理の流れ図。

【図６】図２の分類・予測算出手段の詳細な構成を説明
するためのブロック図。

【図７】図５の分類・予測算出手段の動作を説明するた
めの流れ図。

【図８】図５の連続値特徴量記号化装置の詳細な構成を
説明するためのブロック図。

【図９】図７の動作を説明するためのブロック図。

【図１０】図１の時系列データ収集手段に入力される時
系列データの一例を示す図。

【図１１】図９の時系列データの一一部を示す図。

【図１２】図１０に示す時系列データに対し、分類クラ
スと特徴量の変化に関する特徴量を付加した決定木学習
用データを示す図。

【図１３】図１１に示すデータと、所定の学習のパラメ
ータに対し、本発明の実施例装置が生成した決定木を示
す図。

【符号の説明】

１…時系列データ収集手段、２…分類クラス決定手段、
３…記号的特徴量導入手段、４…数値的特徴量導入手
段、５…決定木学習用データ生成手段、６…分類・予測
算出手段、７…理由説明報知手段。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 特定の一つあるいは複数の特徴量の値を
   時刻毎に表形式に記録した時系列データを収集する時系
   列データ収集手段と、 この時系列データ収集手段で収集した時系列データのあ
   る対象システムの特徴を示す特定の特徴量の時系列デー
   タの経時変化に基づき分類クラスを決定するための分類
   クラス決定手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな記号的特徴量を
   導入する記号的特徴量導入手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな数値的特徴量を
   導入する数値的特徴量導入手段と、 前記分類クラス決定手段と前記記号的特徴量導入手段と
   前記数値的特徴量導入手段の出力をそれぞれ入力し、あ
   る時点のデータからその時点以降のデータの分類予測値
   を算出する分類・予測算出手段と、 を具備した時系列データ分類・予測装置。
2. 【請求項２】 特定の一つあるいは複数の特徴量の値を
   時刻毎に表形式に記録した時系列データを収集する時系
   列データ収集手段と、 この時系列データ収集手段で収集した時系列データのあ
   る対象システムの特徴を示す特定の特徴量の時系列デー
   タの経時変化に基づき分類クラスを決定するための分類
   クラス決定手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな記号的特徴量を
   導入する記号的特徴量導入手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな数値的特徴量を
   導入する数値的特徴量導入手段と、 前記分類クラス決定手段で決定された分類クラスに基づ
   き決定木学習用データを生成する決定木学習用データ生
   成手段と、 この決定木学習用データ生成手段と前記記号的特徴量導
   入手段と前記数値的特徴量導入手段の出力をそれぞれ入
   力し、ある時点のデータからその時点以降のデータの分
   類予測値を算出する分類・予測算出手段と、 を具備した時系列データ分類・予測装置。
3. 【請求項３】 特定の一つあるいは複数の特徴量の値を
   時刻毎に表形式に記録した時系列データを収集する時系
   列データ収集手段と、 この時系列データ収集手段で収集した時系列データのあ
   る対象システムの特徴を示す特定の特徴量の時系列デー
   タの経時変化に基づき分類クラスを決定するための分類
   クラス決定手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな記号的特徴量を
   導入する記号的特徴量導入手段と、 前記時系列データ収集手段からの時系列データの各特徴
   量の経時変化によって定義される新たな数値的特徴量を
   導入する数値的特徴量導入手段と、 前記分類クラス決定手段で決定された分類クラスに基づ
   き決定木学習用データを生成する決定木学習用データ生
   成手段と、 この決定木学習用データ生成手段と前記記号的特徴量導
   入手段と前記数値的特徴量導入手段の出力をそれぞれ入
   力し、ある時点のデータからその時点以降のデータの分
   類予測値を算出する分類・予測算出手段と、 この分類・予測算出手段により算出される分類予測値と
   なる理由を説明報知する理由説明報知手段と、 を具備した時系列データ分類・予測装置。