TWI818670B - 用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統 - Google Patents

用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統 Download PDF

Info

Publication number
TWI818670B
TWI818670B TW111130333A TW111130333A TWI818670B TW I818670 B TWI818670 B TW I818670B TW 111130333 A TW111130333 A TW 111130333A TW 111130333 A TW111130333 A TW 111130333A TW I818670 B TWI818670 B TW I818670B
Authority
TW
Taiwan
Prior art keywords
data
computer
sensors
time series
time
Prior art date
Application number
TW111130333A
Other languages
English (en)
Other versions
TW202318280A (zh
Inventor
王璡
高磊
張阿鵬
李慨
劉豔
Original Assignee
美商萬國商業機器公司
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 美商萬國商業機器公司 filed Critical 美商萬國商業機器公司
Publication of TW202318280A publication Critical patent/TW202318280A/zh
Application granted granted Critical
Publication of TWI818670B publication Critical patent/TWI818670B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本發明提供一種電腦實施方法，其包括：由一計算裝置在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料；由該計算裝置基於該資料建立矩陣；由該計算裝置基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型；由該計算裝置基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型；及由該計算裝置使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。

Description

用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統
本發明之態樣大體上係關於組型偵測，且更特別地，係關於使用時間序列資料之組型偵測及預測。
可對諸如由一組感測器提供之多變量數值資料的時間序列資料進行分類，以便判定系統或程序之特定狀況或狀態。時間序列資料可為多維的。舉例而言，多個感測器可在大約同一時間提供資料，藉此此感測器資料可堆疊在一起以提供具有與各時間點相關聯之多種類型之量測的時間序列。多維時間序列資料可在配備有不斷收集資料之複數個感測器的工業生產環境中收集。多維時間序列資料亦可在智慧型住宅環境或電腦網路環境(僅舉幾個額外實例)中收集。
時間序列資料可用於監視環境之效能。然而，隨著收集資料之感測器的數目增加，效能監視之手動方法變得不太可行。此外，由數個感測器所收集之資料的高階維度使得難以在一個週期中分析資料。由於正收集之資料的量及資料之高階維度，恰當地分析資料且提供關於與資料相關聯之系統的見解變得更加困難。因而，存在無法充分地分析自大量感測器在同一時間內偵測不同資料所獲得的大量時間序列資料之技術問題。
在本發明之一第一態樣中，存在一種電腦實施方法，其包括由一計算裝置在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料。該方法包括由該計算裝置基於該資料建立矩陣。該方法包括由該計算裝置基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型。該方法包括由該計算裝置基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型。該方法包括由該計算裝置使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。實施例藉由自該等所判定組型而非原始資料建立該時間序列模型而提供時間序列資料分析及預測之一改良。
在一實施例中，該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目，該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值，且該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。以此方式，實施例有利地說明各群組內之該等感測器的不同實體位置。
在一實施例中，該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數。以此方式，實施例有利地說明該感測器資料對該組型之重要性隨時間推移的衰減。
在本發明之另一態樣中，存在一種電腦程式產品，其包括一或多個電腦可讀儲存媒體，該一或多個電腦可讀儲存媒體具有集體地儲存於該一或多個電腦可讀儲存媒體上之程式指令。該等程式指令可執行以 在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料。該等程式指令可執行以基於該資料建立矩陣。該等程式指令可執行以基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型。該等程式指令可執行以基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型。該等程式指令可執行以使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。實施例藉由自該等所判定組型而非原始資料建立該時間序列模型而提供時間序列資料分析及預測之一改良。
在一實施例中，該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目，該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值，且該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。以此方式，實施例有利地說明各群組內之該等感測器的不同實體位置。
在一實施例中，該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數。以此方式，實施例有利地說明該感測器資料對該組型之重要性隨時間推移的衰減。
在本發明之另一態樣中，存在一種系統，其包括一處理器、一電腦可讀記憶體、一或多個電腦可讀儲存媒體及集體地儲存於該一或多個電腦可讀儲存媒體上之程式指令。該等程式指令可執行以在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料。該等程式指令可執行以基於該資料建立矩陣。該等程式指令可 執行以基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型。該等程式指令可執行以基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型。該等程式指令可執行以使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。實施例藉由自該等所判定組型而非原始資料建立該時間序列模型而提供時間序列資料分析及預測之一改良。
在一實施例中，該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目，該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值，且該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。以此方式，實施例有利地說明各群組內之該等感測器的不同實體位置。
在一實施例中，該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數。以此方式，實施例有利地說明該感測器資料對該組型之重要性隨時間推移的衰減。
10:電腦基礎架構
12:電腦系統
14:外部裝置
16:處理器/處理單元
18:匯流排
20:網路配接器
22:輸入/輸出介面
24:顯示器
28:系統記憶體
30:隨機存取記憶體
32:快取記憶體
34:儲存系統
40:程式/公用程式
42:程式模組
205a:感測器
205b:感測器
205c:感測器
205n:感測器
210:計算裝置
215:網路
220:模型化模組
230:系統控制
405:矩陣
505:步驟
510:步驟
515:步驟
520:步驟
525:步驟
530:步驟
CP1:中心點
CP2:中心點
CP3:中心點
CP4:中心點
D1:距離
D2:距離
D3:距離
H11:濕度感測器
H12:濕度感測器
H13:濕度感測器
H21:濕度感測器
H22:濕度感測器
H23:濕度感測器
H31:濕度感測器
H32:濕度感測器
H33:濕度感測器
H41:濕度感測器
H42:濕度感測器
H43:濕度感測器
H44:濕度感測器
M1:群組
M2:群組
M3:群組
M4:群組
T11:溫度感測器
T12:溫度感測器
T13:溫度感測器
T21:溫度感測器
T22:溫度感測器
T23:溫度感測器
T31:溫度感測器
T32:溫度感測器
T33:溫度感測器
T41:溫度感測器
T42:溫度感測器
T43:溫度感測器
T44:溫度感測器
在以下實施方式中藉助於本發明之例示性實施例的非限制性實例參考所指出之複數個圖式描述本發明之態樣。
圖1描繪根據本發明之實施例之電腦基礎架構。
圖2展示根據本發明之態樣之例示性環境的方塊圖。
圖3展示根據本發明之態樣之感測器群組的例示性配置。
圖4展示根據本發明之態樣之轉換資料矩陣的實例。
圖5展示根據本發明之態樣之例示性方法的流程圖。
本發明之態樣大體上係關於組型偵測，且更特別地，係關於使用時間序列資料之組型偵測及預測。本發明之實施基於在數個時間窗口內分析多維時間序列資料而建立時間序列模型。在實施例中，系統在建立時間序列模型時利用多維時間序列資料中之感測器資料的權重及衰減。以此方式，本發明之實施可用於偵測時間序列資料中之組型，且在建立時間序列模型之後，使用具有所偵測組型之當前感測器資料來預測未來狀況。
如本文中所描述，技術問題存在於無法充分地分析自大量感測器在同一時間內偵測不同資料所獲得的大量時間序列資料。本發明之態樣藉由提供技術解決方案來解決此技術問題，該技術解決方案包括：在一時間期間在系統中自收集資料之感測器獲得資料，其中資料為多維時間序列資料；基於資料建立矩陣；基於矩陣使用基於第一電腦之數值模型化方法判定組型；基於組型使用基於第二電腦之數值模型化方法建立單一時間序列模型；及使用時間序列模型及系統之當前資料來預測系統之未來狀況。在一個例示性實施例中，系統為工業製造環境，且資料來自環境中之數百或甚至數千的溫度感測器及濕度感測器。在此實例中，生產品質為在感測器收集資料之同一時間內量化的系統之狀況。在此實例中，本發明之實施例可用於判定感測器資料與生產品質之間的關係之組型，且基於此等組型建立時間序列模型。時間序列模型可與來自感測器之當前資料一起使用以預測未來狀況(例如，生產品質之未來量化狀態)。以此方式，當時間序列模型預測非所要之未來狀況(例如，生產品質下降至低於臨限值)時， 環境之操作者可調整一或多個系統控制(例如，調整冷卻系統以降低系統之溫度)以避免所預測之非所要的未來狀況。因此，在此實例中，本發明之實施例提供對分析在工業製造環境中所收集之時間序列資料及使用該分析以改良環境中之製造製程的技術問題之技術解決方案。本發明之實施不限於與工業製造一起使用，且實施例可與來自其他環境(包括但不限於智慧型住宅環境及電腦網路環境)之時間序列資料一起使用。
本發明之實施提供對效能監視之技術的改良。特別地，實施例利用獲得感測器資料、將該感測器資料轉換成經聚集感測器資料、使用經聚集感測器資料產生新時間序列模型，且接著使用新時間序列模型預測系統之未來運行狀況的技術。以此方式，實施例利用產生新資料之兩個步驟：第一步驟為產生經聚集感測器資料，且第二步驟為產生時間序列模型。以此方式，本發明之實施提供監視系統之效能及預測系統之未來狀況之方法的改良。
在例示性實施例中，一種方法包括：用M組感測器記錄N個資料維度且針對收集資料之各週期形成M×N矩陣；使用一個L寬度窗口滑動記錄；及針對β向量建構一個時間序列模型以用於與資料相關之狀況的未來預測。此實施例之態樣包括：基於應用於資料之權重形成M×N矩陣以減少用於各使用者定義週期之高階維度週期資料；定義一種基於組型之方法以預測趨勢；及使用機器學習模型及基於組型之資料轉換方法來預測趨勢。
本發明可為在任何可能的技術細節整合級別處之系統、方法及/或電腦程式產品。電腦程式產品可包括電腦可讀儲存媒體(或多個媒體)，該電腦可讀儲存媒體上具有電腦可讀程式指令以用於使得處理器進 行本發明之態樣。
電腦可讀儲存媒體可為可保持及儲存指令以供指令執行裝置使用之有形裝置。電腦可讀儲存媒體可為例如但不限於電子儲存裝置、磁性儲存裝置、光學儲存裝置、電磁儲存裝置、半導體儲存裝置或前述各者之任何合適組合。電腦可讀儲存媒體之更具體實例的非窮盡性清單包括以下各者：攜帶型電腦磁片、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可擦除可程式化唯讀記憶體(EPROM或快閃記憶體)、靜態隨機存取記憶體(SRAM)、攜帶型緊密光碟唯讀記憶體(CD-ROM)、數位化通用光碟(DVD)、記憶棒、軟性磁碟、機械編碼裝置(諸如其上記錄有指令之凹槽中之打孔卡片或凸起結構)，及前述各者之任何合適組合。如本文中所使用，不應將電腦可讀儲存媒體本身解釋為暫時性信號，諸如無線電波或其他自由傳播之電磁波、經由波導或其他傳輸媒體傳播之電磁波(例如，穿過光纖電纜之光脈衝)，或經由導線傳輸之電信號。
本文中所描述之電腦可讀程式指令可自電腦可讀儲存媒體下載至各別計算/處理裝置或經由網路(例如，網際網路、區域網路、廣域網路及/或無線網路)下載至外部電腦或外部儲存裝置。網路可包含銅傳輸電纜、光傳輸光纖、無線傳輸、路由器、防火牆、交換器、閘道器電腦及/或邊緣伺服器。各計算/處理裝置中之網路配接器卡或網路介面自網路接收電腦可讀程式指令且轉遞電腦可讀程式指令以供儲存於各別計算/處理裝置內之電腦可讀儲存媒體中。
用於進行本發明之操作的電腦可讀程式指令可為以一或多種程式設計語言之任何組合寫入的組譯器指令、指令集架構(ISA)指令、機器指令、機器相關指令、微碼、韌體指令、狀態設定資料、積體電路之 組態資料或原始程式碼或目標程式碼，該一或多種程式設計語言包括諸如Smalltalk、C++或類似者之物件導向式程式設計語言，及諸如「C」程式設計語言之程序程式設計語言，或類似程式設計語言。電腦可讀程式指令可完全在使用者之電腦上、部分在使用者之電腦上、作為獨立套裝軟體、部分在使用者之電腦上且部分在遠端電腦上或完全在遠端電腦或伺服器上執行。在後一種情境中，遠端電腦可經由任何類型之網路(包括區域網路(LAN)或廣域網路(WAN))連接至使用者之電腦，或可連接至外部電腦(例如，使用網際網路服務提供者經由網際網路)。在一些實施例中，包括例如可程式化邏輯電路系統、場可程式化閘陣列(FPGA)或可程式化邏輯陣列(PLA)之電子電路系統可藉由利用電腦可讀程式指令之狀態資訊來個人化電子電路系統而執行電腦可讀程式指令，以便執行本發明之態樣。
本文中參考根據本發明之實施例之方法、設備(系統)及電腦程式產品的流程圖說明及/或方塊圖來描述本發明之態樣。應理解，可藉由電腦可讀程式指令實施流程圖說明及/或方塊圖中之各區塊以及流程圖說明及/或方塊圖中之區塊之組合。
可將此等電腦可讀程式指令提供至電腦或其他可程式化資料處理設備之處理器以產生機器，使得經由該電腦或其他可程式化資料處理設備之處理器執行之指令建立用於實施一或多個流程圖及/或方塊圖區塊中所指定之功能/動作之構件。此等電腦可讀程式指令亦可儲存於電腦可讀儲存媒體中，該等指令可引導電腦、可程式化資料處理設備及/或其他裝置以特定方式起作用，使得其中儲存有指令之電腦可讀儲存媒體包含製品，該製品包括實施一或多個流程圖及/或方塊圖區塊中所指定之功能/動作之態樣的指令。
電腦可讀程式指令亦可載入至電腦、其他可程式化資料處理設備或其他裝置上，以使得在該電腦、其他可程式化設備或其他裝置上執行一系列操作步驟以產生電腦實施之程序，使得在該電腦、其他可程式化設備或其他裝置上執行之指令實施一或多個流程圖及/或方塊圖中所指定之功能/動作。
諸圖中之流程圖及方塊圖說明根據本發明之各種實施例之系統、方法及電腦程式產品之可能實施的架構、功能性及操作。就此而言，流程圖或方塊圖中之各區塊可表示指令之模組、區段或部分，其包含用於實施一或多個所指定邏輯功能之一或多個可執行指令。在一些替代實施中，區塊中所提及之功能可不按圖式中所指出之次序發生。舉例而言，取決於所涉及之功能性，連續展示之兩個區塊實際上可實現為一個步驟，同時、實質上同時、以部分或完全在時間上重疊之方式執行，或該等區塊有時可以反向次序執行。亦應注意，可藉由執行所指定功能或動作或進行專用硬體及電腦指令之組合的基於專用硬體之系統實施方塊圖及/或流程圖說明之各區塊，及方塊圖及/或流程圖說明中之區塊之組合。
現參考圖1，展示電腦基礎架構之實例的示意圖。電腦基礎架構10僅為合適電腦基礎架構之一個實例，且並不意欲表明關於本文中所描述之本發明之實施例的使用範疇或功能性之任何限制。無論如何，電腦基礎架構10能夠經實施及/或執行上文所闡述之功能性中之任一者。
在電腦基礎架構10中，存在可與眾多其他通用或專用計算系統環境或組態一起操作之電腦系統12。可適合與電腦系統12一起使用之熟知計算系統、環境及/或組態之實例包括但不限於個人電腦系統、伺服器電腦系統、精簡型用戶端、複雜型用戶端、手持型或膝上型電腦裝 置、多處理器系統、基於微處理器之系統、機上盒、可程式化消費型電子裝置、網路PC、小型電腦系統、大型電腦系統及包括以上系統或裝置中之任一者的分散式雲端計算環境，及類似者。
電腦系統12可描述於正由電腦系統執行之電腦系統可執行指令(諸如程式模組)之一般上下文中。通常，程式模組可包括執行特定任務或實施特定抽象資料類型之常式、程式、物件、組件、邏輯、資料結構等。電腦系統12可實踐於分散式雲端計算環境中，其中任務係由經由通信網路鏈接之遠端處理裝置執行。在分散式雲端計算環境中，程式模組可位於包括記憶體儲存裝置之本端及遠端電腦系統儲存媒體兩者中。
如圖1中所展示，電腦基礎架構10中之電腦系統12以通用計算裝置之形式展示。電腦系統12之組件可包括但不限於一或多個處理器或處理單元16、系統記憶體28及匯流排18，該匯流排18將包括系統記憶體28之各種系統組件耦接至處理器16。
匯流排18表示任何幾種類型之匯流排結構中之一或多者，包括記憶體匯流排或記憶體控制器、周邊匯流排、加速圖形埠及處理器或使用多種匯流排架構中之任一者的本端匯流排。藉助於實例而非限制，此類架構包括工業標準架構(ISA)匯流排、微通道架構(MCA)匯流排、增強型ISA(EISA)匯流排、視訊電子標準協會(VESA)本端匯流排及周邊組件互連(PCI)匯流排。
電腦系統12通常包括多種電腦系統可讀媒體。此類媒體可為可由電腦系統12存取之任何可用媒體，且其包括揮發性及非揮發性媒體、可移除式及不可移除式媒體兩者。
系統記憶體28可包括呈揮發性記憶體之形式的電腦系統可 讀媒體，諸如隨機存取記憶體(RAM)30及/或快取記憶體32。電腦系統12可進一步包括其他可移除式/不可移除式、揮發性/非揮發性電腦系統儲存媒體。僅藉助於實例，可提供儲存系統34以用於自不可移除式、非揮發性磁性媒體(未展示且通常稱為「硬碟機」)讀取且寫入至不可移除式、非揮發性磁性媒體。儘管未展示，但可提供用於自可移除式、非揮發性磁碟(例如，「軟碟」)讀取且寫入至可移除式、非揮發性磁碟之磁碟機，及用於自可移除式、非揮發性光碟(諸如CD-ROM、DVD-ROM或其他光學媒體)讀取或寫入至可移除式、非揮發性光碟之光碟機。在此類情況下，各者可藉由一或多個資料媒體介面連接至匯流排18。如下文將進一步描繪及描述，記憶體28可包括具有經組態以進行本發明之實施例之功能的一組(例如，至少一個)程式模組之至少一個程式產品。
藉助於實例而非限制，具有一組(至少一個)程式模組42之程式/公用程式40以及作業系統、一或多個應用程式、其他程式模組及程式資料可儲存於記憶體28中。作業系統、一或多個應用程式、其他程式模組及程式資料或其某一組合中之各者可包括網路連接環境之實施。程式模組42通常進行如本文中所描述之本發明之實施例的功能及/或方法。
電腦系統12亦可與以下各者通信：一或多個外部裝置14，諸如鍵盤、指標裝置、顯示器24等；使得使用者能夠與電腦系統12互動之一或多個裝置；及/或使得電腦系統12能夠與一或多個其他計算裝置通信之任何裝置(例如，網路卡、數據機等)。此通信可經由輸入/輸出(I/O)介面22發生。再另外，電腦系統12可經由網路配接器20與諸如區域網路(LAN)、通用廣域網路(WAN)及/或公用網路(例如，網際網路)之一或多個網路通信。如所描繪，網路配接器20經由匯流排18與電腦系統12之其 他組件通信。應理解，儘管未展示，但可結合電腦系統12使用其他硬體及/或軟體組件。實例包括但不限於：微碼、裝置驅動器、冗餘處理單元、外部磁碟機陣列、RAID系統、磁帶驅動機及資料歸檔儲存系統等。
圖2展示根據本發明之態樣之例示性環境的方塊圖。在實施例中，環境包括複數個感測器205a、205b、205c......205n，其中n表示感測器之總數目。感測器之數目可為數十個、數百個或數千個。在實施例中，感測器205a至205n收集環境(諸如製造環境、電腦網路環境或智慧型住宅環境)中之時間序列資料。出於說明之目的，使用製造環境之實例來描述本發明之態樣；然而，本發明之實施不限於與製造環境一起使用。
根據本發明之態樣，感測器205a至205n收集至少兩種不同類型之資料。藉由在同一時間段期間之不同時間點處收集不同類型之資料，感測器205a至205n提供多維時間序列資料。在製造環境之實例之說明性實例中，感測器205a至205n在同一時間段期間之不同時間點處收集製造環境中之不同位置處的溫度資料及濕度資料。在一個實例中，感測器205a至205n包含兩種不同類型之感測器，例如收集溫度資料之感測器205a至205n的第一子集及收集濕度資料之感測器205a至205n的第二子集。如本文中所使用，不同類型之資料的數目定義資料之維度數目N。因此，對於具有收集溫度資料之感測器及收集濕度資料之感測器的製造環境之實例，維度數目N=2。本發明之實施不限於N=2，且可使用其他數目之N。
繼續參考圖2，環境包括經由網路215自感測器205a至205n獲得資料之計算裝置210。網路215包括一或多個通信網路，諸如LAN、WAN及網際網路中之一或多者。
計算裝置210包括圖1之電腦系統12之一或多個元件，且可為桌上型電腦、膝上型電腦、工作站電腦等。在實施例中，計算裝置210包含模型化模組220，該模型化模組220可包含一或多個程式模組，諸如關於圖1所描述之程式模組42。模型化模組220經組態以執行根據本發明之態樣之方法的一或多個步驟，包括：自感測器205a至205n獲得資料；基於資料建立矩陣；基於矩陣使用第一基於電腦之數值模型化方法判定組型；基於組型使用第二基於電腦之數值模型化方法建立單一時間序列模型；及使用時間序列模型及來自感測器205a至205n之當前資料來預測系統之未來狀況。
計算裝置210可包括比圖2中所展示之模組額外或更少的模組。在實施例中，單獨模組可整合至單一模組中。另外或替代地，單一模組可實施為多個模組。此外，環境中之裝置及/或網路之數量不限於圖2中所展示之數量。在實踐中，環境可包括額外裝置及/或網路；更少裝置及/或網路；不同裝置及/或網路；或以與圖2中所說明之不同方式配置的裝置及/或網路。
仍參考圖2，在實施例中，環境包括一或多個系統控制230。系統控制230為影響其中配置有感測器205a至205n之系統之操作的控制。在感測器205a至205n收集溫度及濕度資料之製造環境之實例中，系統控制230可用於控制加熱、通風及空氣調節(HVAC)系統，該系統控制製造環境中之溫度及濕度。在實施例中，系統控制230受電腦(諸如計算裝置210及/或系統中之另一電腦)控制。
根據本發明之態樣，感測器205a至205n在數個週期(例如，數分鐘、數小時、數天、數月等)內收集資料，且模型化模組220在各 週期內建立轉換資料之M×N矩陣，其中M為感測器205a至205n之群組之數目，且N為藉由感測器205a至205n收集之資料之維度的數目。
圖3展示根據本發明之態樣之感測器群組的例示性配置。在圖3中所展示之實例中，存在四個群組M1、M2、M3、M4。在各群組中，存在由Tmj指示之溫度感測器及由Hmj指示之濕度感測器，其中「m」表示群組數目，且「j」表示此群組中之此類型之感測器的數目。在此實例中，群組M1具有感測器T11、T12、T13、H11、H12及H13，其中T11為此群組中之第一溫度感測器，T12為此群組中之第二溫度感測器，T13為此群組中之第三溫度感測器，H11為此群組中之第一濕度感測器，H12為此群組中之第二濕度感測器，且H13為此群組中之第三濕度感測器。類似地，群組M2具有三個溫度感測器T21、T22、T23及三個濕度感測器H21、H22、H23。類似地，群組M3具有三個溫度感測器T31、T32、T33及三個濕度感測器H31、H32、H33。類似地，群組M4具有四個溫度感測器T41、T42、T43、T44及四個濕度感測器H41、H42、H43、H44。圖3中所展示之感測器中之各者表示圖2之感測器205a至205n中之一者。在此實例中，感測器收集兩種類型之資料(例如，溫度及濕度)，因此資料之維度數目N=2，且存在四個群組，因此M=4。在實施例中，且如在圖4處所描述，模型化模組220自群組M1至M4中之所有感測器獲得資料且在獲得資料之各週期內建立轉換資料之M×N矩陣。
仍參考圖3，在實施例中，使用叢集方法定義群組M1至M4，其中各感測器僅屬於一個群組。舉例而言，可定義使用者定義之中心點CP1、CP2、CP3、CP4，且叢集方法可用於基於至中心點之距離來定義感測器之叢集。舉例而言，群組M1中之所有感測器距中心點CP1比 其距任何其他中心點CP2、CP3、CP4更近。類似地，群組M2中之所有感測器距中心點CP2比其距任何其他中心點CP1、CP3、CP4更近。類似地，群組M3中之所有感測器距中心點CP3比其距任何其他中心點CP1、CP2、CP4更近。類似地，群組M4中之所有感測器距中心點CP4比其距任何其他中心點CP1、CP2、CP3更近。藉由定義所有感測器之位置座標及所有中心點之位置座標，模型化模組220可使用叢集演算法以根據其與中心點之相對距離以此方式定義感測器群組，其中各感測器置放於具有感測器在物理上最接近之中心點的群組中。舉例而言，中心點CP1、CP2、CP3、CP4可定義為對應於環境中之某些裝置，諸如空氣調節器。
圖4展示根據本發明之態樣的轉換資料之M×N矩陣405的實例。在實施例中，矩陣405包括複數個值Xmn，其中「m」表示群組數目，且「n」表示資料維度。使用來自圖3之例示性感測器配置，矩陣405中之值X11為表示在此週期內第一群組(例如，M1)之第一資料維度(例如，溫度)的轉換資料值。類似地，矩陣405中之值X21為表示在此週期內第二群組(例如，M2)之第一資料維度(例如，溫度)的轉換資料值。類似地，矩陣405中之值X31為表示在此週期內第三群組(例如，M3)之第一資料維度(例如，溫度)的轉換資料值。類似地，矩陣405中之值X41為表示在此週期內第四群組(例如，M4)之第一資料維度(例如，溫度)的轉換資料值。類似地，矩陣405中之值X12為表示在此週期內第一群組(例如M1)之第二資料維度(例如，濕度)的轉換資料值。類似地，矩陣405中之值X22為表示在此週期內第二群組(例如，M2)之第二資料維度(例如，濕度)的轉換資料值。類似地，矩陣405中之值X32為表示在此週期內第三群組(例如，M3)之第二資料維度(例如，濕度)的轉換資料值。類似地，矩陣405 中之值X42為表示在此週期內第四群組(例如，M4)之第二資料維度(例如，濕度)的轉換資料值。
繼續參考圖3及圖4，在實施例中，矩陣405中之各值Xmn為彼特定群組中之彼特定資料維度的複數個感測器之複數個值的加權平均值。舉例而言，值X11為在此週期內感測器T11、T12、T13之值的加權平均值。類似地，值X21為在此週期內感測器T21、T22、T23之值的加權平均值。類似地，值X31為在此週期內感測器T31、T32、T33之值的加權平均值。類似地，值X41為在此週期內感測器T41、T42、T43、T44之值的加權平均值。類似地，值X12為在此週期內感測器H11、H12、H13之值的加權平均值。類似地，值X22為在此週期內感測器H21、H22、H23之值的加權平均值。類似地，值X32為在此週期內感測器H31、H32、H33之值的加權平均值。類似地，值X42為在此週期內感測器H41、H42、H43、H44之值的加權平均值。
繼續參考圖3及圖4，在實施例中，模型化模組220使用指派給群組中之各感測器的各別權重來判定加權平均值。在一個實例中，群組中之各感測器的權重為使用者定義的。在另一實例中，模型化模組220基於彼感測器相對於彼群組之中心點的位置而判定群組中之各感測器之權重。使用例如群組M1，感測器T11之權重係基於感測器T11與CP1之間的距離D1。類似地，權重或感測器T12係基於感測器T12與CP1之間的距離D2，且權重或感測器T13係基於感測器T13與CP1之間的距離D3。
在實施例中，模型化模組220使用等式1判定群組中之第j個感測器之權重Wj，該等式經給定為：
Figure 111130333-A0305-02-0018-1
在等式1中，Wj為群組中之第j個感測器之權重，Dmaxadjusted為群組中之任何感測器至群組之中心點的最大距離之調整值，Dj為第j個感測器至群組之中心點之距離，且s為群組中之感測器之數目。在實施例中，模型化模組220藉由將預定義之小數值添加至群組中之感測器至群組之中心點的最大距離來判定群組之Dmaxadjusted。採用例如圖3之群組M1，假定D1>D2>D3，則D1為最大距離，且Dmaxadjusted為D1加上預定義之小數值(例如，0.001)。在判定群組之Dmaxadjusted之後，模型化模組220根據等式1判定群組中之各感測器的權重，且接著藉由使用此等權重判定此群組中之感測器的資料值之加權平均值而計算(M×N矩陣405之)調整值Xmn。
繼續參考圖3及圖4，在實施例中，模型化模組220使用上文所描述之方法計算M×N矩陣405中之所有值Xmn，例如對於矩陣中之各值，計算彼特定群組中之彼特定資料維度的複數個感測器之複數個值的加權平均值。以此方式，藉由自群組中之複數個感測器之值計算各單一值Xmn，系統轉換時間序列資料以減小資料之複雜度。此外，藉由使用複數個感測器之值的加權平均值來計算各單一值Xmn，其中權重係基於感測器距中心點之距離，系統轉換時間序列資料以說明各群組內之感測器的不同實體位置。
在實施例中，模型化模組220針對感測器收集之時間序列資料的複數個不同週期中之各者計算各別M×N矩陣405，其中各個別週期對應於各別記錄。舉例而言，模型化模組220可經組態以藉由沿著時間序列資料感測器資料滑動固定寬度窗口而自感測器資料定義L數目個記錄。使用感測器資料之此等所定義記錄，該模組建立L數目個M×N矩陣405， 各記錄有一個矩陣。
根據本發明之態樣，在為來自感測器之資料的L數目個記錄建立L數目個M×N矩陣之後，模型化模組220基於該等矩陣判定組型。在實施例中，模型化模組220基於各各別M×N矩陣判定各別組型。在實施例中，藉由模型化模組220針對特定M×N矩陣判定之組型為係數B之向量，該等係數B針對包括於特定M×N矩陣中之值及針對目標值y滿足等式2。
Figure 111130333-A0305-02-0020-2
在等式2中，目標值「y」為與其中配置有感測器之系統相關聯的可量化值。在實施例中，目標值y隨時間推移而改變，且因此亦為時間序列資料。在一個實例中，目標值y為製造環境中正製造之產品之品質的可量化量測，其中品質受製造環境之溫度及濕度影響。在一個特定實例中，製造環境製造塑膠物品，且目標y為在感測器收集資料之同一時間段內量測且編目的塑膠脆性之可量化值。在電腦網路環境之實例中，目標值y為載入網站之量測時間，且感測器資料為用於網路中之計算裝置的CPU及I/O計數。在智慧型住宅環境之實例中，目標值y為智慧型住宅區域網路中之裝置之間的資料傳輸之量測時延，且感測器資料為用於智慧型住宅區域網路中之裝置的網路信號強度及電壓。此等實例並非限制性的，且本發明之實施可與收集量測參數之時間序列資料及受量測參數影響之目標值之時間序列資料的其他系統一起使用。
仍參考等式2，值「x」為來自此記錄之M×N矩陣的值Xmn。值「w」為由等式3定義為以下之衰減因數：W k =e -c*(L-k) (3)
在實施例中，衰減因數w用於說明資料隨時間推移自一個記錄至下一記錄(例如，自一個週期至下一週期)之減少的影響。在等式3中，值「c」為用於修改衰減速度之經驗因數。c之值係基於專家知識而定義的且可最初設定為值1。在等式3中，值L為如已描述之記錄的數目，對於該等記錄，存在各記錄有一個M×N矩陣。
使用圖3及圖4中所展示之實例，將等式2之例示性擴充展示為等式5。
y=B1*w1*[X11,X12]T+B2*w2*[X21,X22]T+B3*w3*[X31,X32]T+B4*w4*[X41,X42]T (5)
在此實例中，模型化模組220使用第一基於電腦之數值模型化方法來使用此特定記錄之目標值y及M×N矩陣之值Xmn來求解滿足等式5之向量β[B1,B2,B3,B4](在本文中稱為β向量)。在特定實施例中，β向量之各分量為N維向量，使得B1=[β11,β12]等。模型化模組220可經程式化以使用最小平方法來解決β向量，但實施例不限於最小平方法。
在實施例中，模型化模組220以本文中所描述之方式判定L數目個記錄中之各記錄的各別β向量，例如，使用等式2及討論中之特定記錄之各別目標值y及各別M×N矩陣之值Xmn。以此方式，模型化模組220分別判定對應於L數目個記錄之β向量之數目。如本文中所描述，各各別β向量表示用於時間序列資料之各別記錄之目標值及感測器資料的組型。以此方式，模型化模組220基於複數個M×N矩陣判定組型。
根據本發明之態樣，在判定複數個組型(例如，β向量)之後，模型化模組220基於該等組型建立單一時間序列模型。在實施例中，模型化模組220經程式化以使用第二基於電腦之數值模型化方法來形成用 於組型及感測器資料之線性回歸。舉例而言，使用窗口滑動判定之複數個β向量基於時間彼此相對，且因此，複數個β向量之群組構成時間序列資料。在實施例中，模型化模組220使用時間序列數值模型化方法，諸如自回歸移動平均(ARMA)模型，例如以建構預測尚未發生之週期之未來β向量的單一時間序列模型。舉例而言，在以本文中所描述之方式判定複數個β向量B1、B2、B3......BN之後，模型化模組220接著使用具有ARMA模型之彼等複數個β向量來建立預測未來β向量B(N+1)之時間序列模型。實施例不限於在此步驟中使用ARMA模型。
根據本發明之態樣，在建立單一時間序列模型之後，模型化模組220使用時間序列模型及系統之當前資料來預測系統之未來狀況。在實施例中，模型化模組220使用時間序列模型來預測例如在時間t(N+1)處尚未發生之未來週期的β向量。模型化模組220接著使用在當前時間段內(例如，在時間t(N)處)M×N矩陣中所含有之資料及所預測β向量來判定在時間t(N+1)處之目標值y。舉例而言，模型化模組220可使用在時間t(N)內之M×N矩陣及在時間t(N+1)內之所預測β向量來求解y之等式2。以此方式，模型化模組220預測在時間t(N+1)內之目標值y，其表示系統之未來狀況。相比於直接在序列資料上建構模型之時間序列分析，實施例使用滑動窗口(其可包括由窗口及步階之寬度決定的重疊部分)將序列資料拆分成若干部分。以此方式，實施例集中於組型而非精確數目，且此提供關係之更整體視圖。
圖5展示根據本發明之態樣之例示性方法的流程圖。該方法之步驟可在圖2之環境中進行且參考圖2至圖4中所描繪之元件進行描述。
在步驟505處，計算裝置210在同一時間段期間之不同時間點處自感測器205a至205n獲得資料。在實施例中，且如關於圖2所描述，自感測器205a至205n獲得之資料為多維時間序列資料。在實施例中，且如關於圖2所描述，模型化模組220經由網路215自感測器205a至205n獲得資料。
在步驟510處，計算裝置210基於在步驟505處獲得之資料而建立矩陣。在實施例中，且如關於圖2至圖4所描述，模型化模組220藉由將轉換應用於在步驟505處獲得之感測器資料來建立L數目個M×N矩陣。
在步驟515處，計算裝置210基於在步驟510處建立之矩陣而判定組型。在實施例中，且如關於圖2至圖4所描述，模型化模組220使用M×N矩陣判定複數個β向量，例如，藉由使用諸如最小平方法之第一基於電腦之數值模型化方法求解等式2。
在步驟520處，計算裝置210基於在步驟515處判定之組型而建立時間序列模型。在實施例中，且如關於圖2至圖4所描述，模型化模組220使用複數個β向量，例如使用諸如ARMA模型之第二基於電腦之數值模型化方法來建立時間序列模型。
在步驟525處，計算裝置210使用在步驟520處建立之時間序列模型來預測系統之未來狀況。在實施例中，且如關於圖2至圖4所描述，模型化模組220使用時間序列模型預測系統之未來週期的未來β向量，且接著使用未來β向量，以例如使用等式2預測系統之未來目標值y。
在步驟530處，計算裝置210基於在步驟525處預測之系統之未來狀況而調整系統控制230。在實施例中，當時間序列模型預測非所 要之未來狀況(例如，生產之品質下降至低於臨限值)時，環境之操作者可調整一或多個系統控制(例如，調整冷卻系統以降低系統之溫度)以避免所預測之非所要的未來狀況。
在實施例中，服務提供者可提供執行本文中所描述之程序。在此情況下，服務提供者可建立、維護、部署、支援等為一或多個客戶執行本發明之程序步驟的電腦基礎架構。此等客戶可為例如使用技術之任何企業。作為回報，服務提供者可根據訂用及/或費用協議自客戶接收付款，及/或服務提供者可自向一或多個第三方出售廣告內容接收付款。
在另外額外實施例中，本發明經由網路提供一種電腦實施方法。在此情況下，可提供諸如電腦系統12(圖1)之電腦基礎架構，且可獲得(例如，建立、購買、使用、修改等)用於執行本發明之程序的一或多個系統且將該系統部署至電腦基礎架構。在此程度上，系統之部署可包含以下各者中之一或多者：(1)自電腦可讀媒體在諸如電腦系統12(如1中所展示)之計算裝置上安裝程式碼；(2)將一或多個計算裝置添加至電腦基礎架構；及(3)併入及/或修改電腦基礎架構之一或多個現有系統以使得電腦基礎架構能夠執行本發明之程序。
已出於說明之目的呈現本發明之各種實施例之描述，但該等描述並不意欲為詳盡的或限於所揭示之實施例。在不脫離所描述實施例之範疇及精神之情況下，許多修改及變化將對一般熟習此項技術者顯而易見。本文中所使用之術語經選擇以最佳地解釋實施例之原理、實際應用或對市場中發現之技術的技術改良，或使其他一般熟習此項技術者能夠理解本文中所揭示之實施例。
505:步驟
510:步驟
515:步驟
520:步驟
525:步驟
530:步驟

Claims (20)

  1. 一種用於組型偵測及預測之方法，其包含：由一計算裝置在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料；由該計算裝置基於該資料建立矩陣；由該計算裝置基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型；由該計算裝置基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型；及由該計算裝置使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。
  2. 如請求項1之方法，其中該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目。
  3. 如請求項2之方法，其中該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值。
  4. 如請求項3之方法，其中該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。
  5. 如請求項1之方法，其中該判定該等組型包含： 定義各自表示該時間之一各別時段的數個窗口；及為該等窗口中之各者判定係數之一各別向量，其中用於該等窗口中之一特定者的係數之該向量表示在該時間之該各別時段期間所量測的該系統之一狀況與在該時間之該各別時段期間所收集的該資料之間的一組型。
  6. 如請求項1之方法，其中該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數。
  7. 如請求項6之方法，其中該演算法包括定義該衰減之一速度的一第二因數。
  8. 如請求項1之方法，其中該第一基於電腦之數值模型化方法與該第二基於電腦之數值模型化方法不同。
  9. 如請求項1之方法，其進一步包含基於所預測未來狀況調整該系統之一控制。
  10. 如請求項1之方法，其中該預測包含：使用該單一時間序列模型預測一未來組型；及使用該未來組型預測該系統之一未來目標值。
  11. 一種電腦程式產品，其包含一或多個電腦可讀儲存媒體，該一或多個電腦可讀儲存媒體具有集體地儲存於該一或多個電腦可讀儲存媒體上之 程式指令，該等程式指令可執行以：在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料；基於該資料建立矩陣；基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型；基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型；及使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。
  12. 如請求項11之電腦程式產品，其中：該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目；該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值；且該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。
  13. 如請求項11之電腦程式產品，其中該判定該等組型包含：定義各自表示該時間之一各別時段的數個窗口；及為該等窗口中之各者判定係數之一各別向量，其中用於該等窗口中之一特定者的係數之該向量表示在該時間之該各別時段期間所量測的該系統之一狀況與在該時間之該各別時段期間所收集的該資料之間的一組型。
  14. 如請求項11之電腦程式產品，其中：該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數；且該演算法包括定義該衰減之一速度的一第二因數。
  15. 如請求項11之電腦程式產品，其中該等程式指令可執行以基於所預測未來狀況調整該系統之一控制。
  16. 一種用於組型偵測及預測之系統，其包含：一處理器、一電腦可讀記憶體、一或多個電腦可讀儲存媒體及集體地儲存於該一或多個電腦可讀儲存媒體上之程式指令，該等程式指令可執行以：在一時間期間在一系統中自收集資料之感測器獲得該資料，其中該資料為多維時間序列資料；基於該資料建立矩陣；基於該等矩陣使用一第一基於電腦之數值模型化方法判定組型；基於該等組型使用一第二基於電腦之數值模型化方法建立一單一時間序列模型；及使用該時間序列模型及該系統之當前資料來預測該系統之一未來狀況。
  17. 如請求項16之系統，其中： 該等矩陣中之各矩陣為一M×N矩陣，其中M為該等感測器之群組之一數目，且N為該資料之維度之一數目；該M×N矩陣中之各值為該等感測器群組中之一各別者中之複數個感測器之值的一加權平均值；且該等感測器群組中之該各別者中之該等複數個感測器的各別權重係基於至一叢集之一中心點的一距離。
  18. 如請求項16之系統，其中該判定該等組型包含：定義各自表示該時間之一各別時段的數個窗口；及為該等窗口中之各者判定係數之一各別向量，其中用於該等窗口中之一特定者的係數之該向量表示在該時間之該各別時段期間所量測的該系統之一狀況與在該時間之該各別時段期間所收集的該資料之間的一組型。
  19. 如請求項16之系統，其中：該第一基於電腦之數值模型化方法利用一演算法，該演算法包括基於該資料隨該時間推移之衰減的一第一因數；且該演算法包括定義該衰減之一速度的一第二因數。
  20. 如請求項16之系統，其中該等程式指令可執行以基於所預測未來狀況調整該系統之一控制。
TW111130333A 2021-10-19 2022-08-12 用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統 TWI818670B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/504,662 US20230119568A1 (en) 2021-10-19 2021-10-19 Pattern detection and prediction using time series data
US17/504,662 2021-10-19

Publications (2)

Publication Number Publication Date
TW202318280A TW202318280A (zh) 2023-05-01
TWI818670B true TWI818670B (zh) 2023-10-11

Family

ID=85982937

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111130333A TWI818670B (zh) 2021-10-19 2022-08-12 用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統

Country Status (3)

Country Link
US (1) US20230119568A1 (zh)
TW (1) TWI818670B (zh)
WO (1) WO2023065905A1 (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI632487B (zh) * 2016-11-03 2018-08-11 日商三菱電機股份有限公司 用於處理具有多點之輸入點雲端之系統及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304263B2 (en) * 2016-12-13 2019-05-28 The Boeing Company Vehicle system prognosis device and method
US10891545B2 (en) * 2017-03-10 2021-01-12 International Business Machines Corporation Multi-dimensional time series event prediction via convolutional neural network(s)
CN109818349B (zh) * 2019-03-13 2022-04-22 东北大学 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
US11620493B2 (en) * 2019-10-07 2023-04-04 International Business Machines Corporation Intelligent selection of time series models

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI632487B (zh) * 2016-11-03 2018-08-11 日商三菱電機股份有限公司 用於處理具有多點之輸入點雲端之系統及方法

Also Published As

Publication number Publication date
WO2023065905A1 (en) 2023-04-27
US20230119568A1 (en) 2023-04-20
TW202318280A (zh) 2023-05-01

Similar Documents

Publication Publication Date Title
CN110442936B (zh) 基于数字孪生模型的设备故障诊断方法、装置及系统
CN107430387B (zh) 建筑物自动化预测
US20180365089A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
JP5515125B2 (ja) 予測モデルのモデル構築用サンプルのスクリーニング方法及びそのコンピュータプログラム製品
US20190057307A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
JP7566080B2 (ja) 予測モデルの改良
US10417565B1 (en) System, method, and computer program for modeling and predicting energy consumption in a building
Zapater et al. Runtime data center temperature prediction using Grammatical Evolution techniques
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN114127803A (zh) 用于最优预测模型选择的多方法系统
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
JP2016031714A (ja) 重回帰分析装置および重回帰分析方法
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
Roth et al. Data-driven, multi-metric, and time-varying (DMT) building energy Benchmarking using smart meter data
CN115836283A (zh) 制造过程决策支持的模型保真度监测和重新生成
JP2022092419A (ja) データ解析装置、方法およびシステム
Yoo et al. A clustering-based equipment condition model of chemical vapor deposition process
TWI818670B (zh) 用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統
Ardakani et al. Evaluating Economic Impacts of Automation Using Big Data Approaches
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
WO2023021607A1 (ja) 消費電力推定装置、消費電力推定方法および消費電力推定プログラム
CN112101611B (zh) 房地产客户复购时间的预测方法、服务器及存储介质
Demidova et al. Software implementation of neural recurrent model to predict remaining useful life of data storage devices