JPWO2015145626A1 - 時系列データ管理方法及び時系列データ管理システム - Google Patents

Abstract

プロセッサと記憶装置とを備えた計算機で、時系列データからヒストグラムを生成する時系列データ管理方法であって、前記計算機が、時刻と値を含む前記時系列データを前記記憶装置に格納し、開始時刻と終了時刻と前記時系列データの識別子を含む区間情報を前記記憶装置に格納し、前記区間情報に対応する時系列データから前記ヒストグラムを生成して前記記憶装置に蓄積し、検索対象区間を受け付けて、前記検索対象区間に関連する前記ヒストグラムを選択し、前記選択したヒストグラムを合成して前記検索対象区間のヒストグラムを生成する。

Description

本発明は、温度、電力使用量、装置振動応力など、時間の経過に伴い継続的にセンサから取得される時系列データを管理する時系列データ管理システム及び時系列データ管理方法に関する。

近年、ＲＦＩＤ（Radio Frequency IDentification）やＧＰＳ（Global Positioning System）などのセンシング技術の発達に伴い、発電プラント、工場やオフィスなどの実世界から様々なセンサデータが取得可能になり、これらを実業に活用する事例が増加している。

たとえば、各家庭の電力使用量を検針機器によって取得し、その使用状況により今後の必要電力量を予測解析して発電量を最適に制御する「スマートグリッド」や、プラントや工場などの機器や設備からモータ回転数や圧力といった稼働情報を取得し、稼働情報の値や、値の変動により機器の異常や故障を事前に検知する「機器予防保全」、応力振動分布から金属疲労に対する損傷度を推測し、疲労寿命を算出することにより最適な設計を行う「センサ主導型設計」といった応用事例が実用段階になりつつある。

センサ主導型設計では、多数のセンサが取得した時系列のデータが処理される。センサ時系列データは一般に、計測対象の地物と、地物に設置されたセンサ毎に存在する、時刻及び観測値の集合として定義される。多数のセンサを設けて大量に発生する時系列データを統計的に分析する手法として、観測値を複数の値域に分類し、それぞれの値域に対する観測値の頻度を集計することによって得られるヒストグラムが利用される。

例えば装置の振動応力に対する代表区間のヒストグラムを生成することにより、装置にかかる応力分布が得られる。金属疲労曲線から各応力値に対する金属破断が発生するまでの繰り返し回数を算出し、該応力分布と比較を行うことにより、該装置の金属疲労寿命を見積もることができる。

また、装置が正常に動作している区間で観測値のヒストグラムを生成し、最新観測値あるいは最新区間のヒストグラムを比較し、類似度を算出することにより、装置が平常動作をしていないこと、すなわち異常や異常予兆を検知することができる。

また、住戸の電力使用量のヒストグラムを区間毎に生成し、それを住戸毎、季節毎、時間帯毎など、複数の分類軸で比較することにより、たとえば省エネ志向の家庭かどうかなどの住戸特性、夏冬と春秋のエアコン使用状況などの季節特性、睡眠時間、外出時間、調理時間などの生活スタイルを抽出することができ、これにより省エネルギーに関するアドバイス等を行うことができる。

上記のような時系列分析においては、実環境の変化や分析目的に応じて、時系列データの種類や区間を変更した試行錯誤による分析を行う必要がある。このような試行錯誤の時系列分析を効率化するため、複数の時系列分析で共通に使用される情報を事前に生成しておくことが望ましい。

一方、ＳＣＭ（Supply Chain Management）の分野等において、データを多次元軸で階層的に分類し、分類毎に予め集計しておくことにより、任意軸での集計演算を高速化し、異常要因特定を効率化する手法が知られている（特許文献１、２、３参照）。このような分析手法をＯＬＡＰ（On-Line Analytical Processing）という。図２６を用いてＯＬＡＰの概略を説明する。図２６に示す表２６０１は分析元のテーブルの例であり、ファクトテーブルと呼ばれる。ＯＬＡＰでは、データを登録する際、予め設計者により定義された分類軸に従い、集計パターンの取りうる組合せを選択して集計演算を行い、表２６０２に示すＯＬＡＰ ｃｕｂｅを生成する。表２６０１のファクトテーブルの列Ｖ（２６１１）は例えば商品売上合計であり、さらに列Ｓ１（２６２１）、Ｓ２（２６３１）の二種類の分類軸を有する。Ｓ１、Ｓ２の例は例えば売上日、商品種類、売上店舗である。

分類軸はさらに日別や週別あるいは月別、商品種類またはカテゴリ別、店舗別、地域別といった階層構造をなす。ここで、表２６０１の各分類軸Ｓ１、Ｓ２がそれぞれ｛Ｓ１１、Ｓ１２｝、｛Ｓ２１、Ｓ２２｝の値のいずれかを取り、さらにＳ１１とＳ１２、Ｓ２１とＳ２２がグループ化される場合、ＯＬＡＰは（２＋１）×（２＋１）の９通りの集計パタンを表２６０２のように予め算出しておくことにより、任意の分類軸での集計演算を高速化する。

特開２００２−１８３１７８号公報 特開２００５−３１６６９２号公報 特開２００９−１２９０３１号公報

時系列分析を効率化するためには、複数の時系列分析で共通に使用される情報を事前に生成しておくことが必要となる。しかしながら、本発明が対象とするセンサ時系列データを従来のＯＬＡＰを用いて分析する場合、以下の２つの課題が発生する。

第１の課題として、センサ時系列データはＯＬＡＰと比べ大量であり、その全ての組合せに対し集計を行うのは現実的ではない。例えばサンプリング周波数が１００Ｈｚの応力振動時系列に対し、１０ミリ秒毎に発生する観測値をそのまま分類するのはデータ容量および処理時間の点で現実的でない。

第２の課題として、時系列データをあらかじめ決められた区間に分割しておくことは困難である。区間分割そのものが分析対象であり、第１の分析により分割された区間が、第２の分析により分割された区間と一致するとは限らない。例えば生活シーンを睡眠時間と、調理時間及び入浴時間等に分割する場合、分析手法ごとに区間は異なる可能性がある。また例えば住戸を省エネルギー志向の家庭とそれ以外に分類する場合、分析手法ごとに住戸集合の要素は異なる可能性がある。

上記特許文献３では、データを開始時刻と終了時刻の情報を持つ区間データとして取り扱うことで、時間順序の扱いを容易にするデータ分析方法を提供している。しかし特許文献３における区間は、入院期間など、データとしてあらかじめ与えられ、確定される情報であり、上記の第２の課題を解決することはできない。

そこで、本発明は上記問題点に鑑みてなされたもので、時系列データから所望の区間および地物の集合に対するヒストグラムを高速に出力することを目的とする。

本発明は、プロセッサと記憶装置とを備えた計算機で、時系列データからヒストグラムを生成する時系列データ管理方法であって、前記計算機が、時刻と値を含む前記時系列データを前記記憶装置に格納する第１のステップと、前記計算機が、開始時刻と終了時刻と前記時系列データの識別子を含む区間情報を前記記憶装置に格納する第２のステップと、前記計算機が、前記区間情報に対応する時系列データから前記ヒストグラムを生成して前記記憶装置に蓄積する第３のステップと、前記計算機が、検索対象区間を受け付ける第４のステップと、前記計算機が、前記検索対象区間に関連する前記ヒストグラムを選択し、前記選択したヒストグラムを合成して前記検索対象区間のヒストグラムを生成する第５のステップと、を含む。

本発明によれば、蓄積された時系列データから所望の区間および地物の集合に対するヒストグラムを高速に生成することができる。

本発明の第１の実施例を示し、時系列分析システムの一例を示すブロック図である。 本発明の第１の実施例を示し、時系列分析部の一例を示すブロック図である。 本発明の第１の実施例を示し、地物データの一例を示すＸＭＬ表記である。 本発明の第１の実施例を示し、地物データの一例を示す図である。 本発明の第１の実施例を示し、地物データの一例を示す図である。 本発明の第１の実施例を示し、センサデータの構造を示す図である。 本発明の第１の実施例を示し、時系列データの構造を示す図である。 本発明の第１の実施例を示し、時系列データの構造を示す図である。 本発明の第１の実施例を示し、時系列データの構造を示す図である。 本発明の第１の実施例を示し、区間データの構造を示す図である。 本発明の第１の実施例を示し、区間データと時系列データの関係を示す図である。 本発明の第１の実施例を示し、部分ヒストグラムデータの構造を示す図である。 本発明の第１の実施例を示し、地物データと区間データ及び部分ヒストグラムデータの関係を示す図である。 本発明の第２の実施例を示し、状態データと部分ヒストグラムデータの関係を示す図である。 本発明の第３の実施例を示し、地物集合データと、地物をまたがる状態データと部分ヒストグラムデータの関係を示す図である。 本発明の第１の実施例を示し、類似区間結合機能で行われる処理の一例を説明する図である。 本発明の第１の実施例を示し、部分区間ヒストグラム生成機能で行われる処理の一例を示すフローチャートである。 本発明の第１の実施例を示し、類似区間結合機能で行われる第２の単位区間を算出する処理のフローチャートである。 本発明の第１の実施例を示し、区間ヒストグラム生成機能で行われる処理の一例を示す図である。 本発明の第１の実施例を示し、区間ヒストグラム生成機能で行われる処理の一例を示すフローチャートである。 本発明の第１の実施例を示し、寿命予測機能の処理の一例を示す図である。 本発明の第１の実施例を示し、状態の確率分布Ｐ（Ａ）を算出するフローチャート図である。 本発明の第１の実施例を示し、部分区間ヒストグラム生成機能、区間ヒストグラム生成機能の機能ブロックを示す図である。 本発明の第２の実施例を示し、部分区間ヒストグラム生成機能で行われる処理の一例を示すフローチャートである。 本発明の第２の実施例を示し、状態毎の部分ヒストグラムを用いてヒストグラムを生成する処理の一例を示すフローチャート図である。 本発明の第４の実施例を示し、時系列データを複数のサーバに分散して蓄積する時系列データ分析システムの構成を示すブロック図である。 本発明の第４の実施例を示し、時系列データ検索時のクエリと応答データの一例を示す図である。 本発明の第４の実施例を示し、ヒストグラム検索のクエリと応答データの一例を示す図である。 本発明の第１の実施例を示し、部分ヒストグラムデータのＸＭＬ表現を示す図である。 本発明の第１の実施例を示し、部分ヒストグラムデータの観測値と頻度の関係を示すグラフである。 従来例を示し、ＯＬＡＰの処理の概略を説明する図である。 本発明の第１の実施例を示し、ヒストグラム加減算機能の処理を説明する図である。 本発明の第１の実施例を示し、ヒストグラム加減算機能の処理を説明する図である。 本発明の第１の実施例を示し、類似区間結合機能の第二の実装で行われる処理を説明する図である。 本発明の第１の実施例を示し、類似区間結合機能の第二の実装で行われる処理を説明する図である。 本発明の第１の実施例を示し、類似区間結合機能の第二の実装で行われる処理のフローチャートである。 本発明の第１の実施例を示し、状態データの構造を示す図である。

以下、本発明の一実施形態について添付図面を用いて説明する。

図１は、本発明が適用された時系列分析システムの構成の一例を示すブロック図である。本実施例１の時系列分析システムは、センサを用いて実世界の観測値を収集して時系列のデータ（時系列データ）として送信するセンサシステム１０と、時系列データに対する検索クエリを発行し、検索結果を受け付ける分析端末１０１と、時系列データの管理や分析処理を行う時系列分析装置２００と、後述する各種時系列データを蓄積する時系列データストア１０６や時系列分析部１０２を格納するストレージ装置２０１から構成される。

時系列分析装置２００は、プロセッサ２０５と、メモリ２０６と、センサ用通信インタフェース２０２と、端末用通信インタフェース２０３と、ディスクインタフェース２０４とを有する。

データ管理機能１０５と、ヒストグラム生成機能１０４及び分析機能１０３を有する時系列分析部１０２のプログラムは、ストレージ装置２０１からメモリ２０６にロードされ、プロセッサ２０５で実行される。

時系列分析装置２００は、センサ用通信インタフェース２０２を介してセンサシステム１０から時系列データを受け取り、データ管理機能１０５によりディスクインタフェース２０４を介してストレージ装置に時系列データを蓄積する。センサシステム１０は、複数のセンサを備えて時系列データを生成する。

また、時系列分析部１０２のヒストグラム生成機能１０４により時系列データからヒストグラムを生成し、データ管理機能１０５によりディスクインタフェース２０４を介してストレージ装置にヒストグラムを蓄積する。

時系列分析装置２００はまた、端末用通信インタフェース２０３を介して分析端末１０１からヒストグラムまたは時系列データに対する検索クエリを受け付け、ヒストグラム生成機能１０４及びデータ管理機能１０５によりヒストグラムを検索または合成して分析端末１０１に応答する。時系列分析装置２００はまた、ヒストグラム生成機能１０４を利用する分析機能１０３により、寿命予測、特異点検知などの各種分析処理を行う。時系列分析部１０２及び分析機能１０３と、ヒストグラム生成機能１０４とデータ管理機能１０５の各機能部はプログラムとしてメモリ２０６にロードされる。

プロセッサ２０５は、各機能部のプログラムに従って処理することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ２０５は、時系列分析プログラムに従って処理することで時系列分析部１０２として機能する。他のプログラムについても同様である。さらに、プロセッサ２０５は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

また、時系列分析装置１００の各機能を実現するプログラム、テーブル等の情報は、ストレージ装置２０１や不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

図２を用いて本発明の時系列分析部１０２の構成について説明する。時系列分析部１０２は、分析機能１０３、ヒストグラム生成機能１０４、データ管理機能１０５、時系列データストア１０６から構成される。

時系列データストア１０６は、時系列分析部１０２が扱うデータを格納するストレージ領域であり、地物集合データ１０７、地物データ１０８、センサデータ１０９、時系列データ１１０、区間データ１１１、部分ヒストグラムデータ１１２、設定パラメタ１２４及び状態データ１２５を格納する。なお、本実施例１では、時系列分析装置１００に接続されたストレージ装置２０１に時系列データストア１０６を格納する例を示したが、ネットワークを介して時系列分析装置１００に接続されたストレージ装置に時系列データストア１０６を格納しても良い。

時系列分析部１０２のデータ管理機能１０５は、時系列データストア１０６に格納されたデータの登録や更新または検索を含む管理機能を提供する。そして、データ管理機能１０５は、地物集合データ１０７と、地物データ１０８およびセンサデータ１０９を管理する地物管理機能１１３と、時系列データ１１０を管理する時系列管理機能１１４と、区間データ１１１を管理する区間管理機能１１５と、部分ヒストグラムデータ１１２を管理するヒストグラム管理機能１１６とから構成される。

ヒストグラム生成機能１０４は、時系列データ１１０から区間データ１１１および部分ヒストグラムデータ１１２を生成する部分区間ヒストグラム生成機能１１９と、分析端末１０１からの検索要求を受け付け、部分ヒストグラムデータ１１２から検索対象区間のヒストグラムを生成する区間ヒストグラム生成機能１２０と、地物データ１０８および時系列データ１１０から地物集合データ１０７および部分ヒストグラムデータ１１２を生成する部分地物ヒストグラム生成機能１１７と、分析端末１０１からの検索要求を受け付け、部分ヒストグラムデータ１１２から検索対象の地物集合のヒストグラムを生成する地物ヒストグラム生成機能１１８から構成される。

分析機能１０３は、ヒストグラム生成機能１０４を用いた分析アルゴリズムのライブラリであり、たとえば振動応力のヒストグラムと金属疲労曲線から金属疲労寿命を予測する寿命予測機能１２１、ヒストグラムと最新観測値の類似度を比較することによる特異点検知機能１２２から構成される。

図１９は、部分区間ヒストグラム生成機能１１９及び区間ヒストグラム生成機能１２０の機能を示すブロック図である。図１９を用いて、ヒストグラム生成機能１０４における部分区間ヒストグラム生成機能１１９、区間ヒストグラム生成機能１２０の詳細な機能ブロックと、周辺の機能ブロックとの関係および処理の流れについて説明する。

部分区間ヒストグラム生成機能１１９は、区間登録インタフェース１９０５と、時系列登録インタフェース１９０６とを有し、区間登録機能１９１７、単位区間ヒストグラム生成機能１９１６、類似区間結合機能１９１３、非類似区間分解機能１９１５、ヒストグラム加減算機能１９１４から構成される。

区間ヒストグラム生成機能１２０は、区間毎ヒストグラム合成インタフェース１９０１と、状態毎ヒストグラム合成インタフェース１９０２とを有し、状態毎ヒストグラム合成機能１９０７と、区間毎ヒストグラム合成機能１９０８と、時系列ヒストグラム生成機能１９１０と、ヒストグラム加減算機能１９１４から構成される。ヒストグラム加減算機能１９１４は部分区間ヒストグラム生成機能１１９および区間ヒストグラム生成機能１２０で共通に使用される。このため、ヒストグラム加減算機能１９１４は、部分区間ヒストグラム生成機能１１９または区間ヒストグラム生成機能１２０の何れか一方に存在すれば良い。

また図２の分析機能１０３における特異点検知機能１２２は、特異点検知インタフェース１９０３を有し、寿命予測機能１２１は寿命予測インタフェース１９０４を有し、それぞれ状態毎ヒストグラム合成機能１９０７を利用する。

時系列登録インタフェース１９０６は、時刻と観測値の集合からなる時系列データ１１０を引数として受け取り、時系列データ１１０を時系列データストア１０６に登録することを目的とするインタフェースである。

センサシステム１０が時系列登録インタフェース１９０６を呼び出した場合、時系列登録機能１９１８は、時系列データ１１０を時系列データストア１０６に格納する。そして、単位区間ヒストグラム生成機能１９１６は、あらかじめ与えられた設定パラメタ１２４に格納される区間長の単位区間毎に部分ヒストグラムデータ１１２を、時系列ヒストグラム生成機能１９１０で生成し、区間データ１１１が格納されるヒストグラム管理テーブル（ヒストグラム管理情報）１９１１に生成した部分ヒストグラムデータ１１２を格納する。

時系列ヒストグラム生成機能１９１０は、時系列データ１１０を利用してヒストグラムを生成する機能を有する。時系列登録機能１９１８はさらに、生成した単位区間のヒストグラムのうち連続する類似区間を結合し、ヒストグラム管理テーブル１９１１に格納する。

なお、区間の結合に対応するヒストグラムの結合は、ヒストグラム加減算機能１９１４で実施する。

区間登録インタフェース１９０５は、開始時刻と終了時刻と、発電状態、休止状態などの状態ラベルから構成される区間データ１１１の集合を引数として受け取り、区間データ１１１を時系列データストア１０６に登録することを目的とするインタフェースである。

センサシステム１０若しくは分析端末１０１が区間登録インタフェース１９０５を呼び出した場合、区間登録機能１９１７は区間データ１１１を状態区間管理テーブル１９１２に格納し、非類似区間分解機能１９１５が区間データ１１１を類似度の異なる複数の区間に分割し、ヒストグラム管理テーブル１９１１に格納する。

区間毎ヒストグラム合成インタフェース１９０１は、開始時刻と終了時刻で表される区間の集合を引数として受け取り、入力された区間集合のヒストグラムを時系列データストア１０６の部分ヒストグラムデータ１１２から取得することを目的とするインタフェースである。

分析端末１０１が区間毎ヒストグラム合成インタフェース１９０１を呼び出した場合、区間毎ヒストグラム合成機能１９０８は、ヒストグラム管理テーブル１９１１から入力された区間集合について各区間の時間範囲が包含される区間の部分ヒストグラムデータ１１２を取得し、ヒストグラム加減算機能１９１４を利用してヒストグラムを合成する。時系列分析装置１００は、合成したヒストグラムを、指定された区間の部分ヒストグラムとして分析端末１０１へ送信する。

区間毎ヒストグラム合成機能１９０８は、該当する区間の部分ヒストグラムデータ１１２がヒストグラム管理テーブル１９１１に存在しない場合、時系列ヒストグラム生成機能１９１０を利用して時系列データ１１０から当該区間のヒストグラムを生成し、ヒストグラム加減算機能１９１４を利用して合成する。なお、ヒストグラム加減算機能１９１４は、生成したヒストグラムに他の部分ヒストグラムを合成したり、複数のヒストグラムを生成して合成してもよい。

状態毎ヒストグラム合成インタフェース１９０２は、開始時刻及び終了時刻で表される検索範囲と、状態とを引数として受け取り、検索範囲内の指定した状態に対応する区間集合のヒストグラムを取得することを目的とするインタフェースである。

分析端末１１０が状態毎ヒストグラム合成インタフェース１９０２を呼び出した場合、状態毎ヒストグラム合成機能１９０７は状態区間管理テーブル１９１２から対象とする状態の区間集合を取得し、当該区間集合を引数として区間毎ヒストグラム合成インタフェースを呼び出すことにより目的の結果を得る。

図３Ａ、図３Ｂ、図３Ｃは、地物データ１０８の一例を示す図である。図３Ａは、地物データ１０８の一例を示すＸＭＬ表記である。図３Ｂは、地物データ１０８の属性を管理する属性管理テーブル３０１である。図３Ｃは、地物データの相関関係を管理する相関管理テーブル３０２である。

図３Ａ〜図３Ｃを用いて、地物データ１０８、地物集合データ１０７、および地物管理機能１１３について説明する。

地物とは、機械装置、住戸、人間等、実世界上に存在する観測対象であり、地物データ１０８は、観測対象から取得した値を計算機上で表現したデータである。地物データ１０８は、階層的なデータで構成することができる。地物データ１０８の階層的なデータ構造を表記するための標準言語ＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）で記述した地物データ１０８の例を、図３ＡのＸＭＬ３００に示す。

また、地物データ１０８は、図３Ｂ、図３Ｃのように地物データを一意に識別する識別子であるＦＩＤ３０１１、３０２１と、０個以上の属性データ３０１２と、関連するＦＩＤ３０２３を管理する。

図３Ａに示すＸＭＬ３００の例では、ＦＩＤが１、種類がＭａｃｈｉｎｅである地物データとして、属性として名称Ｍａｃｈｉｎｅ１、設置日２０１３／１０／０１、ヒストグラム情報として部分ヒストグラムデータを一意に識別する識別子であるＨＩＤ＝１を管理し、関連する地物データ１０８として、ＦＩＤが２および３で参照される地物を管理している。また、ＦＩＤが２、種類がＭａｃｈｉｎｅである地物データとして、属性として名称Ｍａｃｈｉｎｅ２、設置日２０１３／１０／０２を管理し、関連として、ＦＩＤが４で参照される地物を管理している。図３Ｂ、図３Ｃも図３Ａと同様の内容を表形式で保持している。

データ管理機能１０５の地物管理機能１１３は、地物を登録する機能と、地物の属性を更新する機能と、地物の関連を設定または削除する機能とを有する。地物管理機能１１３はさらに、たとえば名称がＭａｃｈｉｎｅ１などの属性と、設置日が２０１３年度以降などの属性判定条件と、それらの組合せから構成される情報をクエリとして入力し、該当する地物のＦＩＤ集合を検索する機能を有する。

地物管理機能１１３はさらに、たとえば「設置日が２０１３年度以降の全ての装置の全ての部品の温度センサ」などの関連パスをクエリとして入力し、該当する地物のＦＩＤ集合を検索する機能を有する。関連パスの仕様は、例えば標準言語ＸＰａｔｈで規定されている。地物管理機能はさらに、ＦＩＤを入力し、対象地物の属性および関連を検索する機能を有する。

地物データ１０８の構造は、図３Ａに示すＸＭＬ３００と等価な情報を持つ構造であればよい。例えばＲＤＢＭＳ（Ｒｅｌａｔｉｏｎａｌ Ｄａｔａｂａｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）において、図３Ｂ、図３Ｃに示す表３０１および表３０２の組合せで地物を表現する構造を取ってもよい。表３０１は地物属性を管理し、ＦＩＤ３０１１、属性名Ｐｒｏｐｅｒｔｙ３０１２、属性値Ｖａｌｕｅ３０１３を持つ。表３０２は、地物関連を管理し、ＦＩＤ３０２１、関連名Ｒｏｌｅ３０２２、関連先の地物のＦＩＤであるＲｅｌａｔｅｄＦＩＤ３０２３を持つ。

地物集合データ１０７は、地物の関連として、１件の地物に対し０件以上の地物を含むことにより管理される。地物集合の例としては、たとえば装置に対する部品集合や、部品に取り付けられたセンサ集合が挙げられる。また、メーカや製造年が等しい装置集合や、故障の多い装置集合など、任意の地物集合を同様な方式で管理してもよい。

図４を用いて、センサデータ１０９について説明する。図４は、センサデータ１０９の構造を示す図である。センサデータ１０９を示す表４００は、地物にどのセンサが設置しているかの情報を管理し、地物データ１０８を一意に識別する識別子であるＦＩＤ４００１と、センサを一意に識別する識別子であるＳＩＤ４００３と、およびセンサの種類を示すＰｒｏｐｅｒｔｙ４００２とから構成される。

センサデータ１０９の属性として、センサが出力する観測値の単位系と、値域等、センサに対する情報を格納してもよい。地物管理機能１１３はさらに、ＦＩＤ４００１とセンサ種類をクエリとして入力し、センサデータ１０９を利用してＳＩＤ４００３を検索する機能を有する。

図５Ａ、図５Ａ、図５Ｃは、時系列データの構造を示す図である。以下、図５Ａ〜図５Ｃを用いて、時系列データ１１０および時系列管理機能１１４について説明する。時系列データ１１０は、センサシステム１０のセンサにより観測された観測情報であり、観測時刻および観測値の組で管理される。時系列データ１１０を管理する三種類の構造の例を表５００、表５０１、表５０２に示す。

図５Ａの表５００では、センサを一意に識別する識別子であるＳＩＤ５００１と、観測時刻Ｔ５００２と、観測値Ｖ５００３とを組として管理する。表５００の第一行は、ＳＩＤ５００１が１、時刻Ｔ５００２が１０：００における観測値５００３がＶ［０］であることを示す。ここでＶ［０］における鍵括弧内の数字は、観測値の時刻方向（時系列）の順番を示す説明上の表記である。

時系列データ１１０は、図５Ｂで示すように表５０１で管理してもよい。表５０１では、複数センサＶ１、Ｖ２など、複数の観測値である多変量時系列をまとめて観測値Ｖとして管理する。本実施例の場合におけるＳＩＤ５０１１は、複数のセンサをまとめたセンサ集合を識別する識別子となる。

時系列データ１１０は、図５Ｃで示すように表５０２で管理してもよい。表５０２では、複数時刻（５０２２）の観測値である部分時系列をまとめて観測値Ｖ（５０２３）として管理する。

当該部分時系列は、ｇｚｉｐ等、周知または公知のデータ圧縮アルゴリズムを利用して、圧縮した時系列ブロックとして管理してもよい。時刻Ｔ（５００２、５０１２、５０２２）は部分時系列の開始時刻を示す。

例えば図５Ｃに示す表５０２では、秒単位時系列の１時間分３、６００個を１つの時系列ブロックとして管理する。時刻Ｔ５０２２は１時間刻みの値を取る。時系列データ１１０はまた、図５Ａの表５０１および図５Ｂの表５０２を組合せた、多変量部分時系列として管理してもよい。

時系列管理機能１１４は、センサを一意に識別するＳＩＤ（５００１、５０１１、５０２１）と、時刻Ｔ（５００２、５０１２、５０２２）と、観測値Ｖ（５００３、５０１３、５０２３）との集合で指定される時系列データ１１０を登録する機能を有する。

時系列管理機能１１４はさらに、センサを一意に識別するＳＩＤやＳＩＤの集合や、開始時刻及び終了時刻で識別される区間をクエリとして入力し、対象となるセンサや区間の部分時系列データを応答する機能を有する。

分析端末１０１が時系列データを参照する場合、地物管理機能１１３を用いる。地物管理機能１１３は、地物データ１０８ないし地物集合データ１０７の一実装例であるＸＭＬ３００、表３０１、表３０２を参照して、要求された属性あるいは関連パスに対応する地物データのＦＩＤを取得する。そして、地物管理機能１１３はセンサデータ１０９の一実装例である表４００を参照して対応するＦＩＤ４００１からセンサのＳＩＤ４００３を取得し、時系列データ１１０の一実装形態である表５００、表５０１、表５０２のいずれかを参照して対応する時系列データを取得する。

なお、本実施例では、時系列データ１１０としてセンサシステム１０が取得したデータを用いる例を示すが、時刻と値の組で構成されるデータであれば、本発明を適用することができる。

図６を用いて、区間データ１１１および区間管理機能１１５について説明する。図６は、区間データ１１１の構造を示す図である。

区間とは、開始時刻及び終了時刻で時間範囲（期間）を指定する情報である。例えば、地物が発電機の場合を以下に示す。発電機における区間の例は、発電機の休止区間、起動過渡状態の区間、発電区間、停止過渡状態の区間となる。また住戸の生活パタンに対する区間の例は、住民が睡眠中の区間、外出中の区間、調理中の区間、食事中の区間などとなる。区間データ１１１は、区間を計算機上で表現したデータである。

区間データ１１１の管理構造の例を図６の表６００に示す。表６００では、区間データ１１１は、区間を一意に識別する識別子であるＲＩＤ６００１と、属性を格納するプロパティ６００２と、値を格納するＶａｌｕｅ６００３を含む。属性の一例として、開始時刻Ｔｓｔａｒｔ、終了時刻Ｔｅｎｄ、状態ラベルＳｔａｔｕｓをプロパティ６００２に含む。

区間データ１１１はさらに、区間が所属する地物の識別子であるＦＩＤや、区間が所属するセンサ（センサシステム１０の構成要素）の識別子であるＳＩＤや、区間内の時系列データにおける部分ヒストグラムデータ１１２やその識別子ＨＩＤを格納してもよい。

区間管理機能１１５は、必須情報として開始時刻Ｔｓｔａｒｔと終了時刻Ｔｅｎｄ、さらに付帯情報として状態Ｓｔａｔｕｓ、地物の識別子ＦＩＤ、センサの識別子ＳＩＤ、部分ヒストグラムデータ１１２の識別子ＨＩＤいずれかあるいは全てを指定して区間データ１１１を時系列データストア１０６に登録する機能を有する。

区間管理機能１１５はさらに、検索対象の区間を表す開始時刻及び終了時刻と状態ラベルをクエリとして入力し、検索対象区間に含まれ、かつ状態ラベルが合致する全区間のＲＩＤ６００１を検索する機能を有する。

区間管理機能１１５はさらに、指定されたＲＩＤ６００１に対する属性として開始時刻＝Ｔｓｔａｒｔ、終了時刻＝Ｔｅｎｄ、状態＝Ｓｔａｔｕｓ、地物の識別子＝ＦＩＤ、センサの識別子＝ＳＩＤ、部分ヒストグラムデータ１１２やその識別子＝ＨＩＤのいずれかあるいは全てを検索する機能を有する。

地物管理機能１１３はさらに、区間管理機能１１５を利用して、目的の地物集合のＦＩＤ３０１１、３０２１と、検索対象区間を表す開始時刻及び終了時刻と状態ラベルをクエリとして入力し、地物集合に含まれ、かつ検索対象区間に含まれ、かつ状態ラベルが合致する全区間を検索する機能を有する。

図７は、区間データ１１１と時系列データ１１０の関係を示す図である。図７を用いて、区間データ１１１と時系列データ１１０の関係について説明する。図７において、表７０１、表７０２はいずれも区間データ１１１の一例を示す表であり、図６に示した表６００に対し、簡単のため区間の開始時刻Ｔｓ（７０１２、７０２２）、終了時刻Ｔｅ（７０１３、７０２３）、状態Ｓ（７０１１、７０２１）のみを記載している。

図７における時系列データ１１０は、例として発電装置のセンサの時系列データを示している。表７０１は状態Ｓ（７０１１）として異常１、異常２、異常３が登録されており、表７０２は状態Ｓ（７０２１）として休止、起動、発電、停止が登録されている。表７０１および表７０２は複数の表であってもよく、単一の表であってもよい。区間データ１１１は、表７０２の二行目の起動状態（９：００〜１０：００）と表７０１の異常１（９：１０〜９：２０）のように、区間が示す範囲に重複があってもよい。

分析端末１０１が時系列データ１１０を参照する場合、地物管理機能１１３を用いる。地物管理機能１１３は、地物データ１０８ないし地物集合データ１０７の一実装例であるＸＭＬ３００、表３０１、表３０２を参照して要求された属性あるいは関連パスに対応する地物データのＦＩＤ（３０１１、３０２１）を取得する。

地物管理機能１１３は、センサデータ１０９の一例である表４００を参照し、取得したＦＩＤに対応するＳＩＤ４００３を取得する。そして、地物管理機能１１３は、区間データ１１１の一実装例である表６００を参照して対応する地物データの識別子ＦＩＤと、対応するセンサの識別子ＳＩＤ、及び対応する状態Ｓｔａｔｕｓの区間データの集合を取得する。

さらに地物管理機能１１３は、時系列データ１１０の一例である表５００、表５０１、表５０２のいずれかに対し、対応するＳＩＤと、上記区間データの集合より得られる開始時刻及び終了時刻から対応する時系列データを取得する。

以上より、区間データ１１１には、開始時刻と終了時刻からなる区間に関連する地物データ（ＦＩＤ）、センサ（ＳＩＤ）、部分ヒストグラムデータ１１２（ＨＩＤ）及び状態が設定される。そして、区間データ１１１を参照することで、区間に関連するセンサの時系列データ１１０や部分ヒストグラムデータ１１２（ＨＩＤ）を取得することができる。

状態データ１２５の管理構造の例を図３０の表３０００に示す。表３０００では、状態を一意に識別する状態ラベルであるＳｔａｔｕｓ３００１と、状態における部分ヒストグラムデータ１１２の識別子ＨＩＤを含む。

図８は、部分ヒストグラムデータ１１２の構造を示す図である。図８を用いて、部分ヒストグラムデータ１１２およびヒストグラム管理機能１１６について説明する。

ヒストグラムとは、あらかじめ決められた値域における観測値の出現頻度を表またはグラフとして管理するデータである。

図８の表８００に部分ヒストグラムデータ１１２の管理構造の例を示す。部分ヒストグラムデータ１１２は、部分ヒストグラムデータを一意に識別する識別子であるＨＩＤ８００１と、値域を示すＢｉｎ８００２と、該当値域における観測値の発生頻度を示すＦｒｅｑｕｅｎｃｙ８００３から構成される。

表８００の一行目は、ＨＩＤが１であるヒストグラムで、０以上１０未満を取る観測値数が１０００件であること、二行目は、同じくＨＩＤが１であるヒストグラムの、１０以上２０未満を取る観測値数が４００件であることを示す。

ここで、値域が固定長であるなど、何らかの演算で算出可能な場合は、Ｂｉｎ８００２をヒストグラムデータ１１２から省略し、演算式を図２に示した設定パラメタ１２４に格納してもよい。

図２５Ａ、図２５Ｂは、部分ヒストグラムデータの構造を示す図である。図２５Ａは、部分ヒストグラムデータのＸＭＬ表現を示す図である。図２５Ｂは、部分ヒストグラムデータの観測値と頻度の関係を示すグラフである。

図２５Ａ、図２５Ｂを用いて、部分ヒストグラムデータ１１２の別の管理構造について説明する。ＸＭＬ２５０１は、図８に示した表８００の内容とほぼ同等であり、観測値範囲ｖｓからｖｅまでの頻度ｆｒｅｑを管理する。

ここで、頻度が０となる区間（例えばｖｓ＝１０００からｖｅ＝５０００まで）の区間の頻度記述を省略することにより、ヒストグラムのサイズを削減できる。ＸＭＬ２５０２は、ヒストグラムを図１２の説明において後述するＧＭＭ等のモデルで表記する。ＸＭＬ２５０２は、ヒストグラムを平均１０、分散１のガウス分布、平均２０、分散１のガウス分布、平均３０、分散１のガウス分布の３つのガウス分布がそれぞれ０．７、０．２、０．１の割合で合成されたものとして表現する。

ＸＭＬ２５０２の手法を適用することにより、ヒストグラムのサイズを大幅に削減できる。ＸＭＬ２５０３は、ＸＭＬ２５０２に加え、Ａｎｏｍａｒｙタグとして、頻度が所与の閾値以下となる観測値を外れ値として追加した構造となる。ヒストグラムをＸＭＬ２５０２の形式で表現する場合、誤差が発生する。

車両の応力振動のヒストグラムに適用する場合では、図１７に示す金属疲労曲線１７０３で後述するように、応力振幅が小さい場合は損傷度に大きな影響を与えないが、応力振幅が大きい場合は、その頻度が少なくても損傷度に大きな影響を与える。

そのため、応力振幅のヒストグラムを図２５ＡのＸＭＬ２５０２の形式で表現した場合、図２５Ｂで示すように、モデル２５０５からの外れ値２５０６を誤差として無視できない場合が存在する。そこで、図２５ＡＸＭＬ２５０３のように、モデル２５０５と外れ値２５０６を混在した形で管理することにより、損傷度評価に利用可能なヒストグラムを管理することができる。

部分ヒストグラムデータ１１２は、区間データ１１１の属性として、たとえば表６００に示したＨｉｓｔｏｇｒａｍ属性として管理することができる。また、部分ヒストグラムデータ１１２は、地物データ１０８あるいは地物集合データ１０７の属性として、例えば表３０１のＨｉｓｔｏｇｒａｍ属性として管理することができる。

データ管理機能１０５のヒストグラム管理機能１１６は、区間データ１１１、地物データ１０８、地物集合データ１０７の属性として部分ヒストグラムデータ１１２を登録する機能と、区間データ１１１、地物データ１０８、地物集合データ１０７の属性として部分ヒストグラムデータ１１２を検索する機能を有する。

図９は、地物データ１０８と区間データ１１１及び部分ヒストグラムデータ１１２の関係を示す図である。図９を用いて、部分ヒストグラムデータ１１２と区間データ１１１の関連、および部分ヒストグラムデータ１１２と地物データの関連について説明する。ＸＭＬ９００は地物データ１０８の一例を示すＸＭＬ表現である。ここで説明を簡略化するため、ＸＭＬ９００では、“ｒａｎｇｅ”、“ｈｉｓｔ”をＭａｃｈｉｎｅタグのアトリビュートとして記述したが、Ｍａｃｈｉｎｅタグの子要素と読み替えることにより、図３Ａで示したＸＭＬ３００と同じ構造となる。そのため、ＸＭＬ９００は、図３Ｂ、図３Ｃで示した表３０１、表３０２の形式で蓄積することができる。

また、図９では説明を簡略化するため、“ｒａｎｇｅ”の表記を「２０１３−０３／１Ｗ」としたが、これはＩＳＯ８６０１で定められる「２０１３年３月から１週間」という区間の表記である。同様に「２０１３−０３−０１／１Ｄ」は「２０１３年３月１日から１日間」の意味である。そのため、“ｒａｎｇｅ”は、図６の区間データ１１１における開始時刻及び終了時刻の２つの属性で蓄積することができる。

ＸＭＬ９００は、地物９０１が２０１３年３月から１週間の区間を持ち、関連として２０１３年３月１日から１日間の区間データ９０２、３月３日から２日間の区間データ９０３を持つことを示す。ヒストグラム管理機能１１６は、地物９０１に対し、ＸＭＬ９００のｈｉｓｔ＝１で指定される部分ヒストグラムデータ１１２を管理し、区間９０２、区間９０３に対し、それぞれｈｉｓｔ＝２、ｈｉｓｔ＝３で指定される部分ヒストグラムデータを管理する。このようにして、地物９０１に対し、複数の区間データを管理することができる。

図１２は、類似区間結合機能１９１３で行われる処理の一例を説明する図である。図１２の例を用いて、部分区間ヒストグラム生成機能１１９内の類似区間結合機能１９１３の処理について説明する。まず、単位区間ヒストグラム生成機能１９１６により、時系列データ１１０が図中の区間集合１２０１に示すような単位区間に分割される。図示の例では区間集合１２０１を４つの区間に分割した例を示す。

分割されたそれぞれの区間について、部分ヒストグラムデータ１２０３、１２０４、１２０５、１２０６が格納されているとする。類似区間結合機能１９１３は以下４ステップで処理を行う。

類似区間結合機能１９１３は、部分ヒストグラムデータ１２０３、１２０４、１２０５、１２０６を合成し、ヒストグラム１２０７を得る（ｓｔｅｐ１２１０）。

類似区間結合機能１９１３は、ヒストグラム１２０７を、複数のヒストグラム１２０８、１２０９に分解する（ｓｔｅｐ１２１１）。ヒストグラムを分解する方式は、例えば複数の峰を持つヒストグラムを複数の単峰のガウス分布に分解するＧＭＭ（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ）などが知られている。

類似区間結合機能１９１３は、部分ヒストグラムデータ１２０３、１２０４、１２０５、１２０６と分解した複数のヒストグラム１２０８、１２０９との類似度をそれぞれ比較することにより、ラベル付けを行う（ｓｔｅｐ１２１２）。例えば部分ヒストグラムデータ１２０３、１２０６はヒストグラム１２０８と類似するためラベルＡが付与され、部分ヒストグラムデータ１２０４、１２０５はヒストグラム１２０９と類似するためラベルＢが付与される。なお、類似区間結合機能１９１３は、２つのヒストグラムの類似度が、所定の閾値以上であれば、類似すると判定して同一のラベルを付与する。また、類似区間結合機能１９１３は、２つのヒストグラムの類似度が、所定の閾値未満であれば、非類似と判定して異なるラベルを付与する。なお、ラベルは区間情報の状態ラベルであってもよい。

類似区間結合機能１９１３は、連続する同一ラベルの区間を結合して新たな区間を生成し、新たな区間に対しヒストグラムを生成する（ｓｔｅｐ１２１３）。なお、新たな区間のヒストグラムは、区間情報に付帯する情報として付与することができる。あるいは、状態ラベルの付帯情報として生成したヒストグラムを蓄積してもよい。

上記処理によって、区間集合１２０１の連続するラベルＢの区間（１２０４、１２０５）が結合され、３つのラベルを含む区間集合１２０２となる。

また、ヒストグラムの類似度に応じて同一と分類された時系列データ１１０の付帯情報として同一の集合ラベルを付与し、同一集合ラベルが付与された時系列データ１１０のヒストグラムを生成し、集合ラベルとヒストグラムを蓄積して管理するようにしてもよい。

図１３は、部分区間ヒストグラム生成機能で行われる処理の一例を示すフローチャート図である。図１３のフローチャートを用いて、時系列登録機能１９１８、単位区間ヒストグラム生成機能１９１６、類似区間結合機能１９１３の各処理について詳細に説明する。

まず、単位区間ヒストグラム生成機能１９１６は、時系列登録機能１９１８で受け付けた時系列データ１１０を所定の単位区間に分割する（ｓｔｅｐ１３０１）。所与の単位区間は、目的に応じた分析粒度とデータ量の調整により、事前にパラメタとして定義し、設定パラメタ１２４として格納しておく。

単位区間は、分析結果の最小粒度として設定する。例えば車両の発進、旋回、停止状態における特性を分析する場合、発進、旋回、停止が少なくとも１０秒程度で行われるため、単位区間を１０秒とすることが望ましい。同様に、家庭内消費電力から睡眠期間・食事期間等の住民行動パタン特性を分析する場合、睡眠期間、食事期間は少なくとも１５分程度で行われるため、単位区間を１５分とすることが望ましい。データ量の観点では、ヒストグラムのデータ量が元の時系列データのデータ量と同等以下にするのが望ましい。例えば車両の振動応力センサの観測周期が１ｋＨｚであり、ヒストグラムのビン数が１、０００個とすると、単位区間を１０秒と設定した場合、時系列データは１ｋＨｚ×１０秒で１０、０００件の数値となるのに対し、ヒストグラムのデータ量は１、０００件の数値となり、時系列データの１／１０のサイズとなる。

単位区間ヒストグラム生成機能１９１６は、分割した全ての単位区間について時系列データ１１０の観測値からヒストグラムを作成する（ｓｔｅｐ１３０２）。

単位区間ヒストグラム生成機能１９１６は、上述の単位区間を包含する第二の単位区間における観測値のヒストグラムを作成する（ｓｔｅｐ１３０３）。第二の単位区間は、ヒストグラムに分析対象となる統計的な特徴が現れる十分に長い区間である必要がある。第二の単位区間は、例えば車両の特性を分析する場合はエンジン起動時刻からエンジン停止時刻までの平均時間（平均トリップ時間）として例えば２時間、家庭内消費電力の特性を分析する場合は２４時間などを設定する。第二の単位区間は、単位区間と同様に、事前にパラメタとして定義し、設定パラメタ１２４として格納しておいてもよい。また第二の単位区間は、図１４で後述する処理で自動的に設定してもよい。

単位区間ヒストグラム生成機能１９１６は、第二の単位区間におけるヒストグラムを混合モデルでモデル化する。単位区間ヒストグラム生成機能１９１６は、上述したように、合成したヒストグラムをガウス分布等によって複数のヒストグラムに分解する。単位区間ヒストグラム生成機能１９１６は、分解した各モデルと単位区間のヒストグラムの類似度を比較することにより、単位区間を分類する（ｓｔｅｐ１３０４）。

ヒストグラムの類似度は、例えば（式１）で示されるＢｈａｔｔａｃｈａｒｙｙａ係数を用いることで算出する。

ここでｐ、ｑは比較対象の正規化ヒストグラム、ｍはビン数となる。正規化ヒストグラムは、ヒストグラムの各ビンにおける頻度の積算値が１になるよう正規化することで得られる。類似度は０〜１の値を取り、完全に一致する場合１となる。

単位区間の分類は、単位区間と全てのモデルとの類似度を比較し、最も類似度の高いモデルに分類することによって行う。なお、ここで、単位区間を上記モデルのいずれかに分類してもよいが、上記モデルのいずれとも類似しない単位区間を上記モデルの一つに分類するのは不都合な場合もある。その場合は、新たに「外れ値」という分類項目を設け、最も類似するモデルからの類似度が、あらかじめ定義しておいた閾値以上である場合、「外れ値」に分類してもよい。

次に、単位区間ヒストグラム生成機能１９１６は、分解した各モデルと単位区間のヒストグラムについて、同じ分類に属する連続する単位区間を併合する（ｓｔｅｐ１３０５）。

単位区間ヒストグラム生成機能１９１６は、併合された区間に対し、ヒストグラムを生成し、該併合区間およびヒストグラムをヒストグラム管理テーブル１９１１（すなわち区間データ１１１）に登録する（ｓｔｅｐ１３０６）。

単位区間ヒストグラム生成機能１９１６は、データ削減ニーズが存在する場合、区間併合を行った区間における、併合前区間の区間データおよびヒストグラムをヒストグラム管理テーブル１９１１から削除する（ｓｔｅｐ１３０７）。データ削減ニーズは真偽の２値を取り、例えば事前にパラメタとして定義し、設定パラメタ１２４として格納しておく。なお、データ削減ニーズがない（Ｎ）場合は、処理を終了する。

ここで、本実施例のデータ削減効果について例を用いて説明する。観測間隔が１００Ｈｚである時系列データ１１０が存在する場合、１年分で３．１×１０＾９ 件のデータ量となる。１分単位のビン数１、０００個のヒストグラムを生成する場合、ヒストグラム数は５．３×１０＾５件、データ量は５．３×１０＾８ 件となる。階層的にヒストグラムを生成する場合、区間長２倍に対し、ヒストグラム数は半分となるため、ヒストグラム数は１．１×１０＾６件となる。

ここで、区間全体に対し、特異点が５％存在すると仮定すると、特異区間におけるヒストグラム数は２．７×１０＾４件、特異区間と次の特異区間が全てマージできたとすると、１分単位のヒストグラム数は５．３×１０＾４件となり、上記非マージ版と比較し、データ量は１０％となる。階層的にヒストグラムを生成し、各階層で非特異区間をマージすると、各階層のヒストグラム数は５．３×１０＾４件との小さい方と見積もられる。本計算によれば階層ヒストグラム数は２．８×１０＾５件となり、データ量は上述の約２５％となる。

図１４は、図１３のｓｔｅｐ１３０３で行われる類似区間結合機能１９１３で、第２の単位区間を算出する処理の一例を示すフローチャートである。

類似区間結合機能１９１３は、まず、第一の単位区間を選択する（ｓｔｅｐ１４０１）。

類似区間結合機能１９１３は、第一の単位区間に対し、第一のヒストグラム（頻度表）を作成する（ｓｔｅｐ１４０２）。

類似区間結合機能１９１３は、次に、第一の単位区間を拡張する。例えば第一の単位区間を含み、区間長が２倍となる区間を拡張区間とする（ｓｔｅｐ１４０３）。なお、単位区間を拡張する倍率は、予め設定された値である。

類似区間結合機能１９１３は、該拡張区間に対し、第二のヒストグラムを作成する（ｓｔｅｐ１４０４）。

類似区間結合機能１９１３は、 該第一のヒストグラムと第二のヒストグラムの類似度を比較する（ｓｔｅｐ１４０５）。なお、類似度の算出については上記と同様である。

類似区間結合機能１９１３は、類似度が閾値未満で非類似と判定された場合、第一のヒストグラムを第二のヒストグラムに置き換え、ｓｔｅｐ１４０３に戻る。それ以外の場合は該拡張区間を第二の単位区間として処理を終了する。

以上の処理によって、類似度が閾値未満の間は、第２の区間が拡張されていく。また、ヒストグラムの類似度により非類似（非同一）と分類された区間を分割し、新たなヒストグラムに置き換えることができる。

図１９の非類似区間分解機能１９１５は、区間登録機能１９１７で登録された区間を、その特徴に合わせて複数の区間に分解して登録する機能である。非類似区間分解機能１９１５は、単位区間ヒストグラム生成機能１９１６、および類似区間結合機能１９１３を用いることで実現できる。すなわち、区間登録機能１９１７で登録された区間を図１３のフローチャートに従い単位区間に分割し、区間併合を行うことにより、実現できる。

図２８Ａ、図２８Ｂは、類似区間結合機能１９１３で行われる第二の実装の処理を説明する図である。図２８Ａ、図２８Ｂの例を用いて、部分区間ヒストグラム生成機能１１９内の類似区間結合機能１９１３の第二の実装で行われる処理について説明する。

本第二の実装では、類似区間結合機能１９１３が凝縮型階層クラスタリングの手法を用いる。類似区間結合機能１９１３は、対象区間を単位区間に分割し、区間状態ａ（２８０５）、ｂ（２８０６）、ｃ（２８０７）、ｄ（２８０８）、ｅ（２８０９）、が得られたとする。

類似区間結合機能１９１３は、各区間の状態に対しヒストグラムを生成し、各区間の状態の全ての組合せから、類似度が最も高い、すなわち最も類似する状態のペアを取得する。類似区間結合機能１９１３は、類似度の評価として例えば上記（式１）を利用する。図２８Ａの例では状態ｄ）および状態ｅ（２８０９）が最も類似する。状態ｄ（２８０８）と状態ｅ（２８０９）のヒストグラムを生成し、状態ｆ（２８１０）とする。

次に、類似区間結合機能１９１３は、状態ｄ（２８０８）および状態ｅ（２８０９）を取り除き、状態ｆ（２８１０）を追加した集合の全ての組合せから、類似度の最も高い状態のペアを探索し、状態ａ、状態ｂから状態ｇ（２８１１）を得る。これを繰り返して、類似区間結合機能１９１３は、状態ｃ（２８０７）と状態ｆ（２８１０）から状態ｈ（２８１２）を得、状態ｇ（２８１１）と状態ｈ（２８１２）から状態ｉ（２８１３）を得る。

上記操作により、各状態を類似度の大きいもの順に接続して得られる木構造をデンドログラムと呼ぶ。デンドログラムの縦軸は類似度となる。デンドログラムにおいて、複数の類似度閾値２８０１〜２８０４による状態分類が実現できる。例えば閾値２８０１が与えられた場合、状態ａ、ｂ、ｃ、ｄ、ｅの５状態が得られ、閾値２８０２が与えられた場合、状態ａ、ｂ、ｃ、ｆの４状態が得られる。閾値２８０３が与えられた場合は、状態ｇ、ｃ、ｆの３状態が得られ、閾値２８０４が与えられた場合は、状態ｇ、ｈの２状態が得られる。

次に、ｓｔｅｐ１３０５と同様に、類似区間結合機能１９１３は、同じ状態に属する連続する単位区間を併合する。図２８Ｂで示すように、対象区間における単位区間ａ１、ｂ１、ａ２、ｂ２、ｃ１、ｄ１、ｅ１、ｃ２、ｄ２、ｅ２の状態がそれぞれａ、ｂ、ａ、ｂ、ｃ、ｄ、ｅ、ｃ、ｄ、ｅであるとすると、同じ状態に属する連続区間が存在しないため、区間併合ができない。

しかし、閾値２８０２での状態分類では、区間ｄ１、ｅ１が同じ状態ｆとなるため区間ｆ１（２８１４）に併合できる。また区間ｄ２、ｅ２も同様に区間ｆ２（２８１５）に併合できる。同様に、閾値２８０３では、単位区間ａ１、ｂ１、ａ２、ｂ２が区間ｇ１（２８１６）に併合でき、閾値２８０４では区間ｃ１、ｄ１、ｅ１、ｃ２、ｄ２、ｅ２が区間ｈ１（２８１７）に併合できる。この方法を用いることにより、併合区間ｆ１、ｆ２、ｇ１、ｈ１を得ることができる。

類似区間結合機能１９１３は、これらの全ての併合区間のヒストグラムを管理することにより、任意の類似度閾値に対応した状態のヒストグラムを効率的に得ることが可能となる。

図２９は、類似区間結合機能１９１３の第二の実装で行われる処理のフローチャートである。

類似区間結合機能１９１３は、上記図１３のｓｔｅｐ１３０１と同様に、時系列データを所定の単位区間に分割する（ｓｔｅｐ２９０１）。

類似区間結合機能１９１３は、上記図１３のｓｔｅｐ１３０２と同様に、単位区間に対する観測値のヒストグラムを作成する（ｓｔｅｐ２９０２）。

類似区間結合機能１９１３は、各単位区間における状態ラベルをそれぞれ異なる状態と設定し、該設定した全ての状態についてｓｔｅｐ２９０４からｓｔｅｐ２９０６を繰り返す（ｓｔｅｐ２９０３）。

類似区間結合機能１９１３は、ｓｔｅｐ２９０３で選択した状態を除く全ての状態について、ｓｔｅｐ２９０５からｓｔｅｐ２９０６を繰り返す（ｓｔｅｐ２９０４）。

類似区間結合機能１９１３は、ｓｔｅｐ２９０３と、ｓｔｅｐ２９０４で選択した状態のペアに対し、上記（式１）等を利用して類似度を算出する（ｓｔｅｐ２９０５）。

類似区間結合機能１９１３は、全ての状態の組合せの中から、最も類似度の高い状態のペアを選択する（ｓｔｅｐ２９０６）。

類似区間結合機能１９１３は、最も類似度の高い状態の組み合せを結合し、新しい状態を作成する（ｓｔｅｐ２９０７）。

類似区間結合機能１９１３は、新しい状態についてヒストグラムを作成する（ｓｔｅｐ２９０８）。

類似区間結合機能１９１３は、全ての状態が１つの状態に併合されるまで、上記ｓｔｅｐ２９０３からｓｔｅｐ２９０８を繰り返す（ｓｔｅｐ２９０９）。

類似区間結合機能１９１３は、上記図１３のｓｔｅｐ１３０５と同様に、同じ状態に属する区間を併合し、ヒストグラムを作成し、部分ヒストグラムデータ１１２として登録する（ｓｔｅｐ２９１０）。

類似区間結合機能１９１３は、ｓｔｅｐ２９１０の処理を、ｓｔｅｐ２９０７で作成した全ての状態について繰り返し適用する（ｓｔｅｐ２９１１）。

以上の処理により、類似区間結合機能１９１３は任意の類似度閾値に対応した状態のヒストグラムを容易に得ることが可能となる。

図２７Ａ、図２７Ｂは、ヒストグラム加減算機能１９１４の処理を説明する図である。ヒストグラム加減算機能１９１４は、図１３のｓｔｅｐ１３０３、図１４のｓｔｅｐ１４０４で使用される。ヒストグラムは、加減算により合成することができるという性質を持つ。すなわち、特定区間のヒストグラムは、該区間の観測値毎の集計値であることから、区間の重ならない複数区間のヒストグラムの観測値毎の集計値をそれぞれ加算することで、該複数区間全体のヒストグラムを生成することができる。

例えば、図２７Ａのように、ある区間Ａのヒストグラム２７０１と、区間Ａと重ならない区間Ｂのヒストグラム２７２が与えられた時、区間Ａと区間Ｂを併合した区間Ｃのヒストグラム２７０３は、ヒストグラムの各ビンにおける頻度を足し合わせることで得られる。

すなわち、ヒストグラム２７０３の頻度ｃ１はヒストグラム２７０１の頻度ａ１とヒストグラム２７０２の頻度ｂ１の和であり、ｃ２、ｃ３、ｃ４も同様である。複数区間のヒストグラムの合成は、下記の（式２）で行う。

ここでｒは合成されたヒストグラム、ｒｕは合成されたヒストグラムのビン番号ｕの頻度、ｐｋは合成元の各区間のヒストグラム、ｐｋ、ｕは合成元の各区間のヒストグラムのビン番号ｕの頻度である。

また同様に、区間Ｃのヒストグラム２７０４と区間Ｃに内包される区間Ｂのヒストグラム２７０５が与えられた時、区間Ｃの各ビンにおける頻度から区間Ｂの各ビンにおける頻度をそれぞれ減算することで「区間Ｃから区間Ｂを除いた区間」として定義される区間Ａのヒストグラム２７０６を生成することができる。

図１５は、区間毎ヒストグラム合成機能１９０８で行われる処理の一例を示す図である。図１５を用いて、区間ヒストグラム生成機能１２０の構成要素である区間毎ヒストグラム合成機能１９０８で行われる処理の一例について説明する。

区間毎ヒストグラム合成機能１９０８は、検索対象の区間のヒストグラムを、部分ヒストグラムデータ１１２の組合せにより生成する機能である。図１５において、区間データ１１１として、区間１５０１、区間１５０２、区間１５０３を含む区間長の異なる複数の区間データ１１１、およびそれに付帯する部分ヒストグラムデータ１１２が時系列データストア１０６に格納されていると仮定する。

分析端末１０１から、インタフェース１９０１を介して検索対象区間１５０６におけるヒストグラム生成要求が来たと仮定する。区間毎ヒストグラム合成機能１９０８は、検索対象区間をカバーし、かつ、個数が最小となる部分区間ヒストグラムの組合せを選択する。そして、区間毎ヒストグラム合成機能１９０８は、ヒストグラム加減算機能１９１４を利用して、上記選択した部分区間ヒストグラムを加算もしくは減算することで目的のヒストグラムを生成する。

図１５の例では、区間１５０１、区間１５０２、区間１５０３が個数最小となる部分区間ヒストグラムの組合せとなる。一方、検索対象区間１５０６と、区間１５０１、区間１５０２、区間１５０３の併合区間を比較すると、区間１５０５が余分であり、区間１５０４が足りない。

区間１５０４、区間１５０５に対応する部分区間ヒストグラムデータが存在しない場合、区間毎ヒストグラム合成機能１９０８は時系列ヒストグラム生成機能１９１０を利用し、時系列データ１１０から区間１５０４、区間１５０５に対応するヒストグラムを生成し、併合区間に対して区間１５０４のヒストグラムを加算し、区間１５０５のヒストグラムを減算することにより、検索対象区間１５０６のヒストグラムを得る。

時系列ヒストグラム生成機能１９１０を利用したヒストグラム生成は、ヒストグラム加減算機能１９１４と比べ、処理コストがかかる。一方、ヒストグラムは、微小な区間差によりその形状が大きく変化しないという特徴を持つ。そのため、分析端末１０１からのヒストグラム生成要求時に、さらにヒストグラムの要求精度閾値を与えることにより、検索対象区間１５０６と部分区間ヒストグラムの組合せでカバーする区間との時間差が要求精度閾値より下回る時点で組合せの選択を打ち切るという処理を行うことができる。この手法を用いることにより、時系列ヒストグラム生成機能１９１０を利用する確率は低減し、結果としてヒストグラム生成コストを低減することができる。

図１６は、区間毎ヒストグラム合成機能１９０８で行われる処理の一例を示すフローチャートについて説明する。区間毎ヒストグラム合成機能１９０８は、検索対象区間を含む全ての部分区間ヒストグラムを候補区間として抽出する（ｓｔｅｐ１６０１）。

区間毎ヒストグラム合成機能１９０８は、候補区間が存在しない場合、ｓｔｅｐ１６０９に進んで時系列データストア１０６から候補区間に対応する時系列データ１１０を抽出し、ヒストグラムを生成する（ｓｔｅｐ１６０２）。なお、ヒストグラムの生成後はｓｔｅｐ１６０６に進む。

区間毎ヒストグラム合成機能１９０８は、候補が存在すれば、全候補区間について部分区間ヒストグラムの区間長により降順でソートする（ｓｔｅｐ１６０３）。

区間毎ヒストグラム合成機能１９０８は、区間長の大きな区間から検査し、検索対象区間と候補区間との差分を算出する（ｓｔｅｐ１６０４）。

区間毎ヒストグラム合成機能１９０８は、差分の区間長が最大となる区間を選択する（ｓｔｅｐ１６０５）。差分が最大でない場合には、ｓｔｅｐ１６０４に戻って上記処理を繰り返す。

区間毎ヒストグラム合成機能１９０８は、検索対象区間と候補区間との関係から、ヒストグラムを加算あるいは減算する（ｓｔｅｐ１６０６）。

区間毎ヒストグラム合成機能１９０８は、該差分区間を検索対象区間とする（ｓｔｅｐ１６０７）。

区間毎ヒストグラム合成機能１９０８は、差分区間の区間長が所定の閾値ε未満になるまで、上記ｓｔｅｐ１６０１からｓｔｅｐ１６０７を繰り返し実行する（ｓｔｅｐ１６０８）。ここで、所定の閾値εはインタフェース１９０１の引数として外部から入力される。たとえば区間長２４時間のヒストグラムを要求し、区間長１％の誤差を許容する場合、閾値となる区間長は１４分程度となる。検索対象区間１５０６の厳密なヒストグラムが必要な場合、閾値を０とする。一方、ヒストグラムは時系列データの大局的な特徴を評価するという観点に立てば、必ずしも厳密な区間に対するヒストグラムは要求されない。

閾値判定を行うことにより、図１５における区間１５０３のような区間長の短い区間データの部分区間ヒストグラムの合成や、区間１５０４、区間１５０５のような時系列データからヒストグラムを生成する機能が実行される確率が低くなり、その結果ヒストグラム合成の処理コストを削減することができる。

図１７は、寿命予測機能１２１の処理の一例を示す図である。図１７を用いて、寿命予測機能１２１について説明する。一般に金属疲労寿命は、金属疲労曲線１７０３と応力振幅σのヒストグラム１７０２を用いて算出される。金属疲労曲線１７０３は、金属に特定の振幅σの応力が繰り返し与えられた場合、疲労破壊する限界繰り返し数Ｎをプロットしたものであり、試験片に振幅σの応力を繰り返しかけ続け、疲労破壊までの繰り返し回数をカウントする疲労試験により得られる。

疲労寿命評価には、次の（式３）で与えられる損傷度Ｄ（１７０１）が利用され、損傷度Ｄ≧１の時点で疲労破壊が起こると考える。

ここでｊは各応力振幅のビン番号を表し、Ｎｊは金属疲労曲線１７０３における特定応力振幅σｊにおける限界繰り返し数であり、ｎｊは特定応力振幅σｊにおける、現時点での繰返し数である。

原子力プラント等、定常的に運転される装置においては、「現時点での繰り返し数」ｎｊは、一定区間の応力振動時系列を測定し、ｒａｉｎｆｌｏｗ法を用いて応力振幅のヒストグラムを作成し、現時点での稼働時間と測定区間長の比を乗じることで見積もることができる。

一方、ダンプトラックなど、積載走行や空荷走行、急発進、急停止、急旋回等、様々な運転状態を取る装置においては、「現時点での繰り返し数」ｎｊの算出には、各運転状態における応力振幅のヒストグラムを合成する必要がある。

積載走行や空荷走行、急発進、急停止、急旋回等、様々な運転状態をＡｉとし、運転状態の集合をＡとする。各状態Ａｉが発生する確率をＰ（Ａｉ）とし、全ての状態に対する確率分布をＰ（Ａ）とする。

また、応力振幅等の観測値をＢとする。各状態Ａｉにおける観測値Ｂの条件付き確率密度分布をＰ（Ｂ｜Ａｉ）とする。運転状態によらない観測値の確率密度分布Ｐ（Ｂ）は、ベイズの定理により、次の（式４）で得られる。

すなわち、全ての運転状態の確率分布Ｐ（Ａ）と、各運転状態Ａｉにおける観測値Ｂの確率密度分布Ｐ（Ｂ｜Ａｉ）が得られれば、運転状態によらない観測値Ｂの確率密度分布Ｐ（Ｂ）が得られる。「現時点での繰り返し数」ｎｊの算出には、確率密度分布Ｐ（Ｂ）に対して単位時間あたりの応力振幅頻度の積算値を乗じ、さらに現時点での稼働時間と測定区間長の比を乗じることで見積もることができる。

上記（式４）を演算するにあたり、Ｐ（Ｂ｜Ａｉ）は、状態Ａｉにおけるヒストグラムを取得し、その値域方向の積算値が１になるよう正規化することにより得られる。状態Ａｉにおけるヒストグラムは、図１９の状態毎ヒストグラム合成機能１９０７により得られる。

図１８は、状態の確率分布Ｐ（Ａ）を算出するフローチャート図である。図１８を用いて、（式４）の確率分布Ｐ（Ａ）、すなわち各状態Ａｉの発生確率を算出するフローチャートについて説明する。

寿命予測機能１２１は、検索対象区間から、全ての状態を抽出し、そのうちの一つの状態を選択する（ｓｔｅｐ１８０１）。

寿命予測機能１２１は、検索対象区間から、選択した状態の全区間データを抽出し、そのうちの一つの区間を選択する（ｓｔｅｐ１８０２）。

寿命予測機能１２１は、上記選択した区間の開始時刻と終了時刻から区間長を算出する（ｓｔｅｐ１８０３）。

寿命予測機能１２１は、算出した区間長を、状態毎に集計する（ｓｔｅｐ１８０４）。

寿命予測機能１２１は、ｓｔｅｐ１８０２からｓｔｅｐ１８０４を特定状態の全区間について繰り返し実行する（ｓｔｅｐ１８０５）。特定状態の全区間について上記処理を完了するとｓｔｅｐ１８０６に進む。

寿命予測機能１２１は、ｓｔｅｐ１８０１からｓｔｅｐ１８０５の処理を全状態について繰り返し実行する（ｓｔｅｐ１８０６）。全状態について上記処理を完了するとｓｔｅｐ１８０７に進む。

寿命予測機能１２１は、全状態の区間長の集計値の和が１になるよう、各状態の集計値を正規化し、確率分布Ｐ（Ａ）とする。

これにより、ダンプトラックなど、積載走行や空荷走行、急発進、急停止、急旋回等、様々な運転状態を取る装置に対する寿命予測を得ることができる。

寿命予測機能１２１を利用することにより、異なる地域で稼働する装置の寿命予測を行うことができる。たとえばある地域Ｘ、地域Ｙの鉱山で運用されるダンプトラックの走行ログデータから、各運転状態の確率分布Ｐ（Ａ）がそれぞれ得られており、さらに地域Ｘのダンプトラックの応力センサデータから、各運転状態に対する応力ヒストグラムＰ（Ｂ｜Ａｉ）が得られているとする。地域Ｙのダンプトラックに応力センサが存在せず、地域Ｙにおける応力ヒストグラムが得られていない場合においても、地域Ｙにおける運転状態の確率分布Ｐ（Ａ）と地域Ｘにおける応力ヒストグラムＰ（Ｂ｜Ａｉ）を組み合わせることにより、地域Ｙの寿命予測を行うことができる。

図１９に示した特異点検知インタフェース１９０３を利用した特異点検知機能１２２について説明する。

特異点検知機能１２２の第一の実装は、観測値と状態を入力し、入力観測値の特異度を算出する。状態としては、たとえば、あらかじめ平常と判断した状態を入力する。

図１９において、特異点検知機能１２２は状態毎ヒストグラム合成機能１９０７を利用して平常状態のヒストグラムを生成する。特異点検知機能１２２はさらに、生成されたヒストグラムにおける、入力観測値に対する頻度を「非特異度」として応答する。「非特異度」が小さい程、該入力観測値が特異であることになる。

特異点検知機能１２２の第二の実装は、観測区間と状態を入力し、入力区間の特異度を算出する。状態としては、たとえば、あらかじめ平常とみなされる状態を入力する。図１９において、特異点検知機能１２２は状態毎ヒストグラム合成機能１９０７を利用して平常状態のヒストグラムと、観測区間のヒストグラムを生成する。

特異点検知機能１２２はさらに、該平常状態ヒストグラムと該観測区間ヒストグラムを（式１）で示す手法で類似度を算出し、類似度を「非特異度」として応答する。「非特異度」が小さい程、該入力観測値が特異であることになる。

以上のように本実施例１によれば、時系列データストア１０６に蓄積された部分ヒストグラムを組み合わせて、結合や差分を演算することで、所望の区間や所望の地物に関するヒストグラムを高速に生成することができる。

時系列データ１１０に対する部分ヒストグラムは、単位区間や連続した同一状態の単位区間を結合した区間のみではなく、非連続の区間を「状態」として管理する方が好適な場合がある。

図１０は、第２の実施例を示し、状態データと部分ヒストグラムデータの関係を示す図である。図１０を用いて、状態に対する部分ヒストグラムデータ１１２を関連付ける管理構造について説明する。ＸＭＬ１０００は地物データ１０８のある一例のＸＭＬ表現である。表記については前記実施例１の図９と同様である。

ＸＭＬ１０００は、地物１００１が２０１３年３月から１週間の区間を持ち、内部に２０１３年３月１日から１日間の区間１００２、２０１３年３月２日から１日間の区間１００３、２０１３年３月３日から１日間の区間１００４を持つことを示す。

区間１００２と区間１００４は状態１００６、区間１００３は状態１００５にグループ分けされている。図９と同様に、ヒストグラム管理機能１１６は、地物１００１に対し、ｈｉｓｔ＝１で指定される部分ヒストグラムデータを管理し、区間１００２、区間１００３、区間１００４に対し、それぞれｈｉｓｔ＝５、ｈｉｓｔ＝３、ｈｉｓｔ＝６で指定される部分ヒストグラムデータを管理する。

ＸＭＬ１０００はさらに、状態１００５、状態１００６に対し、それぞれｈｉｓｔ＝２、ｈｉｓｔ＝４で指定される部分ヒストグラムデータを管理する。

図２０は、本発明の第２の実施例を示し、部分区間ヒストグラム生成機能１１９で行われる処理の一例を示すフローチャートである。

図２０を用いて、図２に示した部分区間ヒストグラム生成機能１１９で、状態毎の部分ヒストグラムを生成する手法について説明する。これは図１３に示した類似区間結合機能１９１３を変更したものであり、たとえばＸＭＬ１０００の状態１００５、１００６における部分ヒストグラムを生成する。なお、ｓｔｅｐ２００１からｓｔｅｐ２００４は、前記実施例１の図１３に示したｓｔｅｐ１３０１からｓｔｅｐ１３０４と同様である。すなわち、部分区間ヒストグラム生成機能１１９は、時系列データ１１０を所定の単位区間に分割し、時系列データ１１０の観測値からヒストグラムを生成し、単位区間を包含する第二の単位区間で、観測値のヒストグラムを生成し、分解した各モデルと単位区間のヒストグラムの類似度を比較する（ｓｔｅｐ２００１〜ｓｔｅｐ２００４）。

部分区間ヒストグラム生成機能１１９は、同じ状態に分類された全ての区間のヒストグラムを生成し、状態の付帯情報として管理する（ｓｔｅｐ２００５）。

部分区間ヒストグラム生成機能１１９は、上記ｓｔｅｐ２００５の処理を全ての状態に対して実行する。

上記処理によって、状態に分類された全ての区間のヒストグラムは、状態の付帯情報として管理される。

図２１は、状態毎の部分ヒストグラムを用いてヒストグラムを生成する処理の一例を示すフローチャート図である。図２１を用いて、区間ヒストグラム生成機能１２０で状態毎の部分ヒストグラムを用いてヒストグラムを生成する処理について説明する。

区間ヒストグラム生成機能１２０は、検索対象区間の全ての状態を抽出し、そのうちの一つの状態を取得する（ｓｔｅｐ２１０１）。

区間ヒストグラム生成機能１２０は、検索対象区間における該状態の全ての区間を抽出し、そのうちの一つの区間を取得する（ｓｔｅｐ２１０２）。

区間ヒストグラム生成機能１２０は、検索対象区間と、該区間との区間差分を算出し、状態毎の区間差分とする（ｓｔｅｐ２１０３）。ここで区間差分とは、区間が重畳する部分を除去する操作である。例えば開始時刻１０：００、終了時刻１１：００の区間と、開始時刻１０：１０、終了時刻１０：２０の区間との差分は、開始時刻１０：００、終了時刻１０：１０の区間と開始時刻１０：１０、終了時刻１１：００の区間の二つの区間となる。

区間ヒストグラム生成機能１２０は、ｓｔｅｐ２１０２からｓｔｅｐ２１０３の処理を、該状態の全ての区間に対し繰り返し適用していく（ｓｔｅｐ２１０４）。全ての区間について処理が完了するとｓｔｅｐ２１０５へ進む。

区間ヒストグラム生成機能１２０は、ｓｔｅｐ２１０１からｓｔｅｐ２１０４の処理を、全ての状態に対し繰り返し適用していく（ｓｔｅｐ２１０５）。全ての状態について処理が完了するとｓｔｅｐ２１０６へ進む。

区間ヒストグラム生成機能１２０は、ｓｔｅｐ２１０１からｓｔｅｐ２１０５で算出した全ての状態の区間差分の区間長が最も小さいものを選択することにより、検索対象区間に最も重なる最適な状態を選択する（ｓｔｅｐ２１０６）。

区間ヒストグラム生成機能１２０は、検索対象区間と、該最適な状態の区間との区間差分を算出する（ｓｔｅｐ２１０７）。

区間ヒストグラム生成機能１２０は、該区間差分に対し、前記実施例１で示した図１６に示す処理を実行してヒストグラムを生成する（ｓｔｅｐ２１０８）。

区間ヒストグラム生成機能１２０は、ｓｔｅｐ２１０６で選択した状態に対するヒストグラムと、ｓｔｅｐ２１０８で生成したヒストグラムを合成する。

以上の処理によって、状態毎の部分ヒストグラムから検索対象区間のヒストグラムを生成することができる。

時系列データ１１０に対する部分ヒストグラムは、時間方向の他に、地物方向で集約する場合も存在する。例えば、１、０００万世帯の電力消費分布のヒストグラムを生成するためには、各世帯のヒストグラムが存在した場合においても、１、０００万個のヒストグラムの合成が必要となる。

一方、同一とみなされる世帯が１００グループに分類されており、各グループの部分ヒストグラムがあらかじめ生成されている場合、検索時には１００個のヒストグラムの合成をするだけで処理を終了させることができる。

図１１を用いて、地物集合データ１０７、地物クラスタ、複数の地物をまたがる区間状態に対し、部分ヒストグラムデータ１１２を関連付ける管理構造について説明する。図１１は、地物集合データと、地物をまたがる状態データと部分ヒストグラムデータの関係を示す図である。

ＸＭＬ１１００は地物集合データ１０７のある一例のＸＭＬ表現である。ＸＭＬの表記は前記実施例１に示した図９と同様である。

ＸＭＬ１１００は、地物集合１１０１が２０１３年３月から１週間の区間を持ち、また内部に地物１１０４、地物１１０５、地物１１１１、地物１１１２を含む。地物１１０４と地物１１０５、地物１１１１と地物１１１２はそれぞれグループ化されており、それぞれ地物クラスタ１１０２、地物クラスタ１１０３で管理される。

この構造を例示すると、ある工場において、メーカ１の装置が二台、メーカ２の装置が二台存在することを表現する。地物１１０４は、前記実施例１の図１０と同様に、区間１１０６、区間１１０７、区間１１０８を保有し、それぞれ状態１１０９、状態１１１０でグループ分けされている。

一方、地物クラスタ１１０３を構成する地物１１１１、地物１１１２はそれぞれ区間１１１３、区間１１１４、区間１１１５を保有し、これらが全て同じ状態１１１６にグループ分けされている。

部分ヒストグラムデータ１１２は、各区間、および状態に対し付与することができる。ＸＭＬ１１００の例において、部分ヒストグラムデータ１１２は、以下１２箇所で設定される。

前記実施例１の図１０と同様に、地物１１０４に対しｈｉｓｔ＝３、地物１１０５に対しｈｉｓｔ＝９、区間１１０６に対しｈｉｓｔ＝７、区間１１０７に対しｈｉｓｔ＝５、区間１１０８に対しｈｉｓｔ＝８、状態１１０９に対しｈｉｓｔ＝５、状態１１１０に対しｈｉｓｔ＝６で指定される部分ヒストグラムデータを管理する。また地物集合である地物クラスタ１１０２に対しｈｉｓｔ＝２、地物クラスタ１１０３に対しｈｉｓｔ＝１０、地物クラスタ１１０２と地物クラスタ１１０３を含む地物集合１１０１に対しｈｉｓｔ＝１で指定される部分ヒストグラムデータを管理する。また、地物クラスタ１１０３内の複数の地物１１１１、地物１１１２における区間１１１３、区間１１１４、区間１１１５に対する状態１１１６に対しｈｉｓｔ＝１１で指定される部分ヒストグラムデータを管理する。

上記の構成と、部分区間ヒストグラム生成機能１１９を地物集合に対応するように拡張した部分地物ヒストグラム生成機能１１７と、区間ヒストグラム生成機能１２０を地物集合に対応するように拡張した地物ヒストグラム生成機能１１１８により、区間に対するヒストグラム合成と同様に、地物集合に対するヒストグラムの合成を実現することができる。

図２２、図２３、図２４を用い、時系列データ１１０を複数のサーバに分散して蓄積することにより、大量の時系列データ１１０をスケーラブルに管理し、かつ効率的に検索する計算機システムについて説明する。

図２２は、本発明の第４の実施例を示し、時系列データ１１０を複数のサーバに分散して蓄積する時系列データ分析システムの構成を示すブロック図である。

時系列データ分析システム２２０１は、分析端末１０１からのクエリを受付け、結果を返戻する。また、時系列データ分析システム２２０１は、ネットワーク２２を介して複数のスレーブサーバと接続される。本実施例では、スレーブサーバａ（２２１１）、スレーブサーバｂ（２２１２）、スレーブサーバｃ（２２１３）と接続される。

時系列データ分析システム２２０１は、時系列データ本体を複数の時系列ブロックに分割し、複数のスレーブサーバに分散してファイルとして格納する。また、時系列ブロックの位置を管理する時系列ブロックテーブル２２０８と、部分ヒストグラムを管理するヒストグラムテーブル２２０５と、状態と区間の対応付けを管理する状態区間テーブル２２０３とをＲｅｌａｔｉｏｎａｌ Ｄａｔａｂａｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（ＲＤＢＭＳ）上のテーブルとして格納する。

時系列データ分析システム２２０１は、時系列ブロックテーブル２２０８を備える。時系列ブロックテーブル２２０８は、図５Ｃのテーブル５０２と類似した構成を取り、時系列ブロックの開始時刻Ｔｓ、終了時刻Ｔｅ、センサＩＤ＝ｓｉｄと、時系列ブロックが格納されるサーバの識別子とファイルパスから構成されるパスｐａｔｈを格納する。

例えば、テーブル２２０８の最初の行では、時刻０：００から１：００までのセンサＩＤ＝１の区間の時系列ブロックが、スレーブサーバａのファイル名１．ｂｉｎで指定されるパスに格納されていることを示す。

時系列ブロックは、前記実施例１の図５Ｃに示したテーブル５０２のＶ列（５０２３）に示した部分時系列データをファイルとして格納したものである。時系列データ分析システム２２０１はまた、ヒストグラムテーブル２２０５を保有する。ヒストグラムテーブル２２０５は、前記実施例１の図６に示した区間テーブル６００と同様な構成であり、開始時刻Ｔｓ、終了時刻Ｔｅと、ヒストグラムを格納する。

時系列データ分析システム２２０１はまた、状態区間テーブル２２０３を保有する。状態区間テーブル２２０３は、前記実施例１の図６に示した区間テーブル６００と同様な構成であり、開始時刻Ｔｓ、終了時刻Ｔｅと、状態ｓｔａｔｕｓを格納する。

時系列データ分析システム２２０１はまた、時系列ブロックテーブル２２０８を検索するブロック検索機能２２０７、状態区間テーブルを検索する状態検索機能２２０２を有する。

スレーブサーバは、ＭａｐＲｅｄｕｃｅアルゴリズムとして知られる分散処理機構が搭載される。ＭａｐＲｅｄｕｃｅアルゴリズムは、複数のスレーブサーバに格納されたＭａｐ機能とＲｅｄｕｃｅ機能から構成され、外部からＭａｐ機能とＲｅｄｕｃｅ機能でそれぞれ稼働するプログラムが与えられた時、複数のＭａｐ機能がそれぞれデータを受付けてプログラムを実行し、プログラムが結果データをＲｅｄｕｃｅ機能に集約し、Ｒｅｄｕｃｅ機能が複数のＭａｐ機能から集約されたデータを受け付けてプログラムを実行し、結果を応答することにより、データの分散処理を実行する。

図２３は、時系列データ検索時のクエリと応答データの一例を示す図である。図２３に、時系列データの取得を目的として分析端末１０１が発行するクエリの例と、クエリの返戻結果の例を示す。

クエリ２３０１は、指定したセンサＩＤの集合と、指定区間範囲の時系列データを取得するＳＱＬクエリの例である。クエリ２３０１では、ＳＱＬのＦＲＯＭ句におけるテーブル関数拡張機能を利用し、時系列検索クエリを記述している。

構文はコマンドと、引数の集合から構成され、ｔｉｍｅｓｅｒｉｅｓコマンドで時系列データの取得を要求し、ｓｉｄ＝１、２でセンサＩＤが１と２のセンサ時系列を指定し、ｒａｎｇｅで２０１３年１月１日から１年間分の区間をＩＳＯ８６０１形式で指定する。

結果２３０２はクエリ２３０１に対する処理結果を示し、時刻を示す列Ｔ、観測値を示す列Ｖ１、Ｖ２が出力される。

図２２における時系列データ分析システム２２０１が、分析端末１０１よりクエリ２３０１を受け付けた場合、時系列データ分析システム２２０１はブロック検索機能２２０７を利用し、時系列ブロックテーブル２２０８から要求センサＩＤ、要求区間を含む区間集合と、該区間に対応する時系列ブロックのパス集合を取得し、スレーブサーバ２２１１、２２１２を含む複数のスレーブサーバから時系列ブロックのファイル集合を取得し、該時系列ブロックから要求区間の時系列データを抽出することにより結果を得る。

クエリ２３０３は、指定したセンサＩＤ集合と、指定区間集合の時系列データを取得するＳＱＬクエリの例である。ｔｉｍｅｓｅｒｉｅｓコマンドで時系列データの取得を要求し、ｓｉｄ＝１、２でセンサＩＤが１と２のセンサ時系列を指定し、ｒａｎｇｅｓで２０１３年１月１日１０：００から１時間、および２０１３年１月２日１０：００から１時間の２区間をＩＳＯ８６０１形式で指定する。

結果２３０４は、クエリ２３０３に対する処理結果を示し、時刻を示す列Ｔ、観測値を示す列Ｖ１、Ｖ２に加え、複数の区間を区別するために生成された区間番号ＲＩＤが出力される。

図２２における時系列データ分析システム２２０１が分析端末１０１よりクエリ２３０３を受け付けた場合、時系列データ分析システム２２０１はブロック検索機能２２０７を利用し、時系列ブロックテーブル２２０８から要求センサＩＤ、要求区間集合を含む区間集合と、該区間集合に対応する時系列ブロックのパス集合を取得し、スレーブサーバ２２１１、２２１２を含む複数のスレーブサーバから時系列ブロックのファイル集合を取得し、該時系列ブロックから要求区間の時系列データを抽出することにより結果を得る。

クエリ２３０５は指定したセンサＩＤ集合と、指定区間内の指定状態集合の時系列データを取得するＳＱＬクエリの例である。ｔｉｍｅｓｅｒｉｅｓコマンドで時系列データの取得を要求し、ｓｉｄ＝１、２でセンサＩＤが１と２のセンサ時系列を指定し、ｒａｎｇｅで２０１３年１月１日から１年間分の区間を指定し、ｓｔａｔｕｓで状態１と２を指定する。結果２３０６はその返戻結果を示し、時刻を示す列Ｔ、観測値を示す列Ｖ１、Ｖ２、複数の区間を区別するために生成された区間番号ＲＩＤに加え、複数の状態を区別するための状態名が返戻される。

図２２における時系列データ分析システム２２０１が分析端末１０１よりクエリ２３０５を受け付けた場合、時系列データ分析システム２２０１は状態検索機能２２０２を利用して状態区間テーブル２２０３から要求区間・要求状態の区間集合を抽出し、さらにブロック検索機能２２０７を利用し、時系列ブロックテーブル２２０８から要求センサＩＤ、要求区間集合を含む区間集合と、該区間集合に対応する時系列ブロックのパス集合を取得し、スレーブサーバ２２１１、２２１２を含む複数のスレーブサーバから時系列ブロックのファイル集合を取得し、該時系列ブロックから要求区間の時系列データを抽出することにより結果を得る。

図２４に、時系列データのヒストグラム取得を目的として分析端末１０１が発行するクエリの例と、クエリの返戻結果の例を示す。

クエリ２４０１は、指定したセンサＩＤと、指定区間範囲の時系列データ１１０のヒストグラムを取得するＳＱＬクエリの例である。クエリ２４０１では、ｈｉｓｔコマンドで時系列データ１１０のヒストグラム取得を要求し、ｓｉｄ＝１でセンサＩＤが１のセンサ時系列を指定し、ｒａｎｇｅで２０１３年１月１日から１年間分の区間を指定し、ｂｉｎでビン分割の幅を指定する。

クエリ２４０２は指定したセンサＩＤ、指定区間集合の時系列データのヒストグラムを取得するＳＱＬクエリの例であり、引数はクエリ２３０３と同様である。

クエリ２４０３は指定したセンサＩＤ集合、指定区間内の指定状態集合の時系列データのヒストグラムを取得するＳＱＬクエリの例であり、引数はクエリ２３０５と同様である。

結果２３０２はクエリ２４０１、２４０２、２４０３の共通の応答結果を示し、観測値の開始範囲Ｖｓ、終了範囲Ｖｅ、値域がＶｓからＶｅの範囲に存在する観測値の数Ｆｒｅｑが返戻される。クエリ２４０１でｂｉｎを１０００と指定することにより、結果２４０４は値域を１０００刻みで集計する。

図２２における時系列データ分析システム２２０１が分析端末１０１よりクエリ２４０１を受け付けた場合、時系列データ分析システム２２０１は区間毎ヒストグラム合成機能１９０８を利用し、ヒストグラムテーブル２２０５から前記実施例１の図１６で説明した方法でヒストグラムを合成し、区間に対するヒストグラムが存在しない場合はＳｔｅｐ１６０２で時系列データからヒストグラムを生成する。

第４の実施例においては、図１９の時系列ヒストグラム生成機能１９１０が、複数のスレーブサーバ２２１１、２２１２におけるＭａｐ機能２２０９上のプログラムとして実装され、ヒストグラム加減算機能１９１４がＲｅｄｕｃｅ機能２２１０上のプログラムとして実装される。

すなわち、ヒストグラム生成機能２２０６は時系列ブロックテーブル２２０８から、ヒストグラム生成が必要となる区間を包含する時系列ブロックのパス集合を取得し、該時系列ブロックが存在するスレーブサーバのＭａｐ機能２２０９上の時系列ヒストグラム生成機能１９１０に、各スレーブサーバに格納される時系列ブロック内の時系列データからヒストグラムを生成するコマンドを発行する。

各スレーブサーバ上の時系列ヒストグラム生成機能１９１０が生成したヒストグラムはＲｅｄｕｃｅ機能２２１０上のヒストグラム加減算機能１９１４に集約され、ヒストグラムの合成を行うことにより目的のヒストグラムを得る。同様に、クエリ２４０２、２４０３は、複数区間集合に対するヒストグラムの生成、指定区間内の状態集合に対する処理を行う。

クエリ２４０５は、ヒストグラム生成クエリ（クエリ２４０１、２４０２、２４０３）を応用した特異点検索クエリである。クエリ２４０５のＦＲＯＭ句では二種類のテーブルＴ１、ＴＳを指定している。第一のテーブルＴ１はクエリ２４０１と同様のテーブル関数であり、結果２４０４を得る。また第二のテーブルＴ２は、時刻を示すｔｉｍｅ列と観測値を示すｖａｌｕｅ列から構成される通常のＲＤＢテーブルであり、ＷＨＥＲＥ句の指定で時刻が２０１３年１月１日の０：００から１：００までの時系列を取得する。

また、ＳＥＬＥＣＴ句の組込関数ｄｉｓｔａｎｃｅにより、テーブルＴＳから取得された時系列の各観測値と、ヒストグラムとの特異点検索を行い、その結果を結果２４０６として応答する。

組込関数ｄｉｓｔａｎｃｅは図２および第１の実施例の最終節に記載した特異点検知機能１２２の第一の実装と類似した処理を行う。すなわち組込関数ｄｉｓｔａｎｃｅはテーブルＴＳの検索結果の観測値に対し、クエリ２４０１の結果として得られたヒストグラムとを比較し、該ヒストグラムにおける、入力観測値に対する頻度を「非特異度」として返戻する。「非特異度」が小さい程、該入力観測値が特異であることになる。その結果クエリ２４０５は、「非特異度」の時系列として結果２４０６を得る。

第４の実施例の効果としては、部分ヒストグラムがヒストグラムテーブル２２０５に存在する場合は第一の実施例の方法により効率的にヒストグラムを合成することができ、部分ヒストグラムが存在しない場合においても、時系列データからのヒストグラム生成を複数のスレーブサーバで分散して実行することができるため、処理速度の効率化が得られる。

なお、本発明において説明した計算機等の構成、処理部及び処理手段等は、それらの一部又は全部を、専用のハードウェアによって実現してもよい。

また、本実施例で例示した種々のソフトウェアは、電磁的、電子的及び光学式等の種々の記録媒体（例えば、非一時的な記憶媒体）に格納可能であり、インターネット等の通信網を通じて、コンピュータにダウンロード可能である。

また、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明をわかりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。

Claims (11)

1. プロセッサと記憶装置とを備えた計算機で、時系列データからヒストグラムを生成する時系列データ管理方法であって、
   前記計算機が、時刻と値を含む前記時系列データを前記記憶装置に格納する第１のステップと、
   前記計算機が、開始時刻と終了時刻と前記時系列データの識別子を含む区間情報を前記記憶装置に格納する第２のステップと、
   前記計算機が、前記区間情報に対応する時系列データから前記ヒストグラムを生成して前記記憶装置に蓄積する第３のステップと、
   前記計算機が、検索対象区間を受け付ける第４のステップと、
   前記計算機が、前記検索対象区間に関連する前記ヒストグラムを選択し、前記選択したヒストグラムを合成して前記検索対象区間のヒストグラムを生成する第５のステップと、
   を含むことを特徴とする時系列データ管理方法。
2. 請求項１に記載の時系列データ管理方法であって、
   前記第３のステップは、
   前記蓄積されたヒストグラムの類似度を算出するステップと、
   前記類似度が所定の閾値以上で同一と分類されたヒストグラムのうち連続する区間情報を結合するステップと、
   前記結合された区間情報に対応する時系列データのヒストグラムを生成するステップと、
   該結合された区間情報およびヒストグラムを蓄積するステップと、
   を含むことを特徴とする時系列データ管理方法。
3. 請求項２に記載の時系列データ管理方法であって、
   前記類似度が所定の閾値以上で同一と分類されたヒストグラムのうち連続する区間情報を結合するステップは、
   所定の複数の閾値ごとに、同一と分類されたヒストグラムのうち連続する区間情報を結合することを特徴とする時系列データ管理方法。
4. 請求項１に記載の時系列データ管理方法であって、
   前記第３のステップは、
   前記蓄積された前記区間情報に対応するヒストグラムの類似度を算出するステップと、
   前記類似度が所定の閾値以上で同一と分類されて、非連続の区間情報には同一の状態ラベルを付与するステップと、
   前記同一の状態ラベルが付与された区間情報に対応する時系列データからヒストグラムを生成するステップと、
   前記生成されたヒストグラムを前記状態ラベルの付帯情報として蓄積するステップと、
   を含むことを特徴とする時系列データ管理方法。
5. 請求項４に記載の時系列データ管理方法であって、
   前記類似度が所定の閾値以上で同一と分類されて、非連続の区間情報には同一の状態ラベルを付与するステップと、
   所定の複数の閾値ごとに、同一と分類されて非連続の区間情報には同一の状態ラベルを付与することを特徴とする時系列データ管理方法。
6. 請求項１に記載の時系列データ管理方法であって、
   前記第４のステップは、
   前記検索対象区間に加えて、前記ヒストグラムの要求精度閾値を受け付け、
   前記第５のステップは、
   前記検索対象区間に関連する前記ヒストグラムを選択する際に、検索対象区間の区間長と前記蓄積されたヒストグラム集合の区間長との時間差が前記要求精度閾値を下回ったときに、蓄積されたヒストグラムの組合せの探索を打ち切ることを特徴とする時系列データ管理方法。
7. 請求項１に記載の時系列データ管理方法であって、
   前記第３のステップは、
   前記蓄積されたヒストグラムの類似度を算出するステップと、
   前記類似度が所定の閾値以上で非同一と分類されたヒストグラムの区間情報を分割するステップと、
   前記分割された区間情報に対応する時系列データのヒストグラムを生成するステップと、
   前記分割された区間情報およびヒストグラムを蓄積するステップと、
   を含むことを特徴とする時系列データ管理方法。
8. 請求項１に記載の時系列データ管理方法であって、
   前記第３のステップは、
   前記蓄積されたヒストグラムの類似度を算出するステップと、
   前記類似度が所定の閾値以上で同一と分類されたヒストグラムに対応する時系列データの付帯情報として同一の集合ラベルを付与するステップと、
   前記同一の集合ラベルが付与された時系列データのヒストグラムを生成するステップと、
   前記集合ラベルおよびヒストグラムを蓄積するステップと、
   を含むことを特徴とする時系列データ管理方法。
9. 請求項１に記載の時系列データ管理方法であって、
   前記第３のステップは、
   前記蓄積されたヒストグラムの類似度を算出するステップと、
   前記類似度に応じてヒストグラムに対応する時系列データをクラスタリングして時系列データの小集合に分割するステップと、
   前記時系列データの小集合に属する全ての時系列データのヒストグラムを生成するステップと、
   前記時系列データの小集合およびヒストグラムを蓄積するステップと、
   を含むことを特徴とする時系列データ管理方法。
10. プロセッサと記憶装置とを備えた計算機で、時系列データからヒストグラムを生成する時系列データ管理方法であって、
    前記計算機が、時刻と値を含む前記時系列データを所定の区間の時系列ブロックに分割する第１のステップと、
    前記計算機が、前記分割した時系列ブロックを蓄積する第２のステップと、
    前記計算機が、前記時系列ブロックに対応する時系列データから前記ヒストグラムを生成して前記記憶装置に蓄積する第３のステップと、
    前記計算機が、検索対象区間を受け付ける第４のステップと、
    前記計算機が、前記検索対象区間を含む時系列ブロックを探索する第５のステップと、
    前記計算機が、前記探索した時系列ブロックにおいて、前記検索対象区間に関連する前記ヒストグラムを選択し、前記選択したヒストグラムを合成して前記検索対象区間のヒストグラムを生成する第６のステップと、
    を含むことを特徴とする時系列データ管理方法。
11. プロセッサと記憶装置とを備えた計算機で、時系列データからヒストグラムを生成する時系列データ管理システムであって、
    前記計算機は、
    時刻と値を含む前記時系列データと、開始時刻と終了時刻と前記時系列データの識別子を含む区間情報と、を前記記憶装置に格納し、
    前記区間情報に対応する時系列データから前記ヒストグラムを生成して前記記憶装置に蓄積し、
    検索対象区間を受け付けて、当該検索対象区間に関連する前記ヒストグラムを選択し、前記選択したヒストグラムを合成して前記検索対象区間のヒストグラムを生成することを特徴とする時系列データ管理システム。

Images